数字化转型与绿色全要素生产率：空间与社会嵌入的权变视角

《iScience》：Digital transformation and green total factor productivity: A contingency perspective on spatial and social embeddedness

　　

绿色高质量发展需要平衡环境可持续性与制造业增长。利用2012年至2021年中国上市公司的数据，研究人员证明了数字化转型（DT）显著提高了制造业的绿色全要素生产率（GTFP）。这一发现在内生性检验和规范检验中保持稳健，包括工具变量方法和赫克曼选择模型。机制分析表明，市场竞争和公众环境关注均正向调节DT-GTFP关系。异质性分析显示，这一积极影响在东部地区、数字化转型早期阶段、小规模企业和非重污染行业中更为显著。本研究强调了制造业DT在推动绿色发展中的关键作用，并为将产业升级与公众对更高质量生活的期望相协调提供了灵活的政策启示。

**论文解读文章**

**研究背景与问题**
制造业是中国经济发展的主要驱动力，但其绿色全要素生产率（GTFP）的提升是实现高质量经济增长的基础和前提。然而，中国制造业仍以高能耗、高污染的生产结构为特征，能源密集型行业（如化学和钢铁）占主导地位，而绿色新兴行业（如节能、新能源汽车）规模较小。这种结构导致严重的环境污染，尤其是工业二氧化硫（SO₂）和颗粒物排放。近年来，由大数据（BD）、物联网（IoT）和人工智能（AI）驱动的数字化转型（DT）被视为高质量发展的关键驱动力，具有虚拟性、包容性和开放性等特征，可能缓解资源稀缺、高投资成本和技术壁垒等约束，为制造业GTFP创造新机遇。现有研究主要关注DT对GTFP的内部中介机制（如技术创新、知识创造），而较少探讨外部环境条件（如市场竞争和公众环境关注）的权变作用。此外，鲜有研究考察DT-GTFP关系在不同时间阶段、区域、行业和企业规模下的动态异质性。因此，本研究从权变视角，将DT对GTFP的影响置于市场和社会环境背景下，提出以下假设：H1：DT正向影响制造业企业的GTFP；H2：市场竞争正向调节DT与GTFP的关系；H3：公众环境关注正向调节DT与GTFP的关系。

**主要技术方法**
研究人员采用以下关键技术方法：使用Python文本挖掘功能从A股上市公司年报中提取DT相关特征词（包括“BD技术”、“AI技术”、“区块链技术”、“云计算技术”和“数字技术应用”五个维度）的语词频率，作为DT的测量指标；基于数据包络分析-马尔奎斯特（DEA-Malmquist）指数，以劳动力投入、资本投入（固定资产和管理费用，采用永续盘存法）、期望产出（营业收入）和非期望产出（SO₂和烟尘排放，通过区域污染调整系数估算）计算GTFP；使用固定效应模型进行基准回归，以行业平均DT水平（MDT）作为工具变量进行内生性检验，并采用赫克曼（Heckman）两阶段模型处理样本选择偏差；调节效应检验通过交互项分析市场竞争（勒纳指数）和公众环境关注（百度指数“雾霾”搜索量对数）的权变作用；异质性分析按区域（东部、中部、西部）、行业（重污染与非重污染）、时间阶段（2012–2015早期与2016–2021后期）和企业规模（大型与小型）分组。数据来源包括中国股票市场与会计研究数据库（CSMAR）、万得（Wind）数据库、巨潮资讯网和城市统计年鉴，样本为2012–2021年A股制造业上市公司，共13,489个公司-年度观测值。

**研究结果**
**基准回归**：逐步回归结果显示，在控制企业和年份固定效应后，DT的系数为0.203（p<0.01），表明DT显著提升制造业企业的GTFP，支持假设H1。
**稳健性检验**：通过替换自变量（基于其他维度关键词的DTB和数字无形资产比例DTC）、排除股市冲击（2015–2017年样本）、排除直辖市样本和改变聚类标准误（行业-年份层面），DT的正向效应依然显著，结论稳健。
**内生性检验**：工具变量法（以行业平均DT水平MDT为工具变量）显示，第一阶段MDT显著相关（K-P rk Wald F统计量31.134），第二阶段DT系数仍显著为正；赫克曼两阶段模型控制逆米尔斯比率（IMR）后，DT系数保持稳定，排除反向因果和样本选择偏差。
**调节效应检验**：市场竞争与DT的交互项系数为0.474（p<0.05），公众环境关注与DT的交互项系数为0.117（p<0.01），表明两者均正向调节DT对GTFP的促进作用，支持假设H2和H3。调节效应图显示，在高市场竞争和高公众环境关注下，DT对GTFP的边际效应更大。
**异质性分析**：区域异质性显示，东部地区DT系数为0.213（p<0.01），中部（0.020）和西部（-0.002）不显著；行业异质性显示，重污染行业DT系数（0.219，p<0.01）高于非重污染行业（0.179，p<0.01）；时间异质性显示，后期（2016–2021）DT系数（0.105，p<0.01）显著，早期（2012–2015）不显著；企业规模异质性显示，大型企业DT系数（0.247，p<0.01）高于小型企业（0.163，p<0.01）。

**讨论与结论**
**讨论总结**：本研究基于2012–2021年制造业企业数据，发现DT与GTFP显著正相关，市场竞争和公众环境关注正向调节这一关系，且效应在东部地区、重污染行业、后期阶段和大型企业中更显著。研究强调，DT对GTFP的促进效应依赖于空间和制度背景，而非单一线性关系。研究指出，由于GTFP基于SO₂和烟尘排放而非CO₂，其对碳减排的启示是间接的。理论贡献包括：从多层面外部环境视角丰富了DT与绿色绩效的理论；揭示了DT效应的权变性；强调了区域和企业规模异质性的情境依赖性。实践意义方面，政策制定者应优先利用数字技术进行本地空气污染（SO₂和烟尘）管理，通过财政补贴、税收激励和绿色信息透明化，并针对不同区域和企业规模实施差异化支持。局限包括：样本仅限于中国上市制造业企业，可能限制普适性；主要分析外部调节因素，未深入探讨内部机制。未来研究可扩展至非上市企业和跨国样本，并通过实地研究探索内部组织条件。
**研究结论翻译**：基于2012–2021年万得（Wind）数据库、中国工业企业绿色发展数据库和CSMAR的制造业企业层面数据，研究人员探讨了DT与制造业企业GTFP之间的关系及其如何受情境因素塑造。结果表明，制造业DT与更高的GTFP显著正相关，这一发现在多种检验中保持稳健。市场竞争水平能放大DT与GTFP之间的正向关联。公众环境关注正向调节DT与GTFP的关系。异质性分析表明，在东部地区、DT早期阶段，DT能促进GTFP提升；相较于非重污染行业和小型企业，这种正相关更为突出。总之，本研究证明DT在加速企业绿色增长中发挥关键作用。研究人员明确指出，虽然中国的“双碳”目标和碳中和承诺是宏观政策框架，但本研究的实证证据评估的是基于常规污染物的GTFP，因此结果应被解读为更广泛生态升级拼图的重要组成部分，而非CO₂减排的直接指标。