智能制造试点示范与企业ESG绩效：来自中国上市制造企业的证据

《Sustainability》：Intelligent Manufacturing Pilot Demonstrations and Corporate ESG Performance: Evidence from Chinese Listed Manufacturers

　　

本研究考察中国智能制造试点示范项目是否与上市制造企业的华证环境、社会与治理（ESG）评级变化相关联。利用2012—2022年2581家企业的面板数据，研究人员利用了91家试点企业分阶段进入的政策特征。优选的加倍稳健组群-时期双重差分估计量得到平均处理效应为0.881个华证点，在10%水平上显著为正。传统企业及年份双向固定效应估计值为1.801个点，在1%水平上显著；该估计被保留为基准而非主要政策估计。在替换固定效应、滞后控制变量、新冠疫情前样本、重新加权、匹配、堆叠估计、随机化推断、野聚类自助法推断以及留一检验中，估计方向均保持为正。在基准设定下，环境与治理评级显著上升，而社会维度估计不精确。组织层面回归与信息验证、管理层激励和融资渠道的潜在机制一致，交叉拟合双重机器学习提供了函数形式检验。总体而言，试点认定与更高的华证评级ESG绩效相关联，证据与可能的政策效应相一致。选择性认定和特定评级机构的结果限制了关于经独立验证的企业可持续性的更强论断。

**论文解读：智能制造试点示范与企业ESG绩效——基于中国上市制造企业的证据**

**一、研究背景与问题**
制造业企业面临在现代化生产的同时不削弱环境与社会责任的持续压力。ESG评级已被广泛应用于投资筛选、银行信贷、供应链选择与公共政策。然而，制造企业的ESG评级改善可能更多取决于工厂内部运营变革，而非单纯的信息披露。既有研究也表明，披露激励和外部审查可能使可持续性声明与实际绩效分离，且不同评级机构的方法差异会导致评分分歧。智能制造通过实时感知、预测性维护和集成数据系统等机制，可能改善能源与物料管理、提升内部治理与信息可验证性，从而影响ESG表现。中国自2015年起实施智能制造试点示范项目，分批次遴选企业，形成跨企业与跨年份的政策变异。然而，已有研究大多未充分考虑处理时点交错、小规模处理队列以及ESG分项维度差异等问题。本研究旨在回答：在交错采用的政策背景下，智能制造试点认定是否与华证评级的企业ESG绩效提升相关联？这一关联是否在各ESG支柱间存在幅度与时序差异？其可能的组织渠道是什么？

**二、研究设计与主要结论**
研究人员使用2012—2022年中国2581家上市制造企业的非平衡面板数据，其中91家企业于2015—2020年间分批进入智能制造试点示范项目。试点企业与华证ESG评级及财务治理数据匹配，处理状态从企业首次入选年份起持续生效。主要分析采用Callaway和Sant’Anna（2021）提出的加倍稳健组群-时期平均处理效应估计量，以从未处理企业为对照组，避免早期与晚期处理队列之间的不良比较；同时报告传统双向固定效应（TWFE）估计作为基准。

研究发现：首选组群-时期估计量为0.881个华证点，在10%水平上显著为正，约为样本均值的1.2%和政策前标准差的0.19倍；传统TWFE基准估计为1.801个点，在1%水平上显著，但因其在交错采用下可能产生有偏比较而被保留为基准而非主要政策估计。环境与治理支柱的评级在基准设定下显著上升，社会支柱估计不精确。动态检验显示各政策前系数联合不显著，支持平行趋势假设的一致性证据；政策后估计均为正，但置信区间较宽，表明效应可能是逐步发展的。稳健性检验包括替换固定效应、排除新冠疫情时期、剔除晚期小队列、重叠加权、1:3近邻匹配、堆叠估计、随机化推断、野聚类自助法及留一诊断，结果均保持正向方向。双重机器学习在三种非线性学习器下得到1.570—1.652的估计值，均在1%水平上显著，进一步支持函数形式的稳健性。机制分析显示，试点认定与审计费用下降、管理层持股比例上升以及融资约束（SA指数）缓解相关联，且这些组织变化均与更高的ESG绩效正相关，与信息验证、管理层激励和融资渠道三种假设一致。

**三、关键技术与方法**
研究采用多种计量经济学方法以保证结论的可靠性。核心方法为加倍稳健的组群-时期双重差分估计器，该估计器适用于处理时点交错和效应异质性的场景，并以未处理企业为对照。辅助方法包括双向固定效应模型、重叠加权、1:3近邻匹配（使用倾向得分）、堆叠队列估计、随机化推断（9999次队列保持的安慰剂分配）、野聚类自助法、留一队列/留一企业检验，以及交叉拟合双重机器学习（随机森林、梯度提升、弹性网络）。数据来源包括华证ESG评级（中证指数信息服务）、国泰安CSMAR数据库以及工业和信息化部公布的智能制造试点示范名单。连续财务变量在1%和99%分位进行缩尾处理。

**四、研究结果分述**
- **描述性统计与平衡性**：样本平均ESG总分为72.929，环境、社会、治理分别为61.118、74.171和78.707。试点观测占样本2.83%。重叠加权将所有协变量标准化差异降至2%以内，匹配样本中部分协变量仍超过10%阈值，故匹配结果仅作支持性证据。
- **基准结果**：组群-时期估计为0.881点（10%显著），TWFE基准为1.801点（1%显著）。控制变量中企业规模与毛利率正向关联ESG，杠杆率负向关联。H1获得有条件支持。
- **ESG支柱结果**：环境系数1.303（5%显著），治理系数2.188（1%显著），社会系数为正但不显著。经多重比较调整后，支柱间差异不具有严格排序，H2获得部分支持。
- **动态效应**：事件时间-4至-2的系数均不显著，联合检验不拒绝为零；政策后各点估计为正但置信区间含零，表明存在渐进趋势但未在统计上确立精确时序。
- **稳健性测试**：加入行业×年份或省份×年份固定效应、排除晚期队列、改变比较样本后，估计值在1.074—1.846之间且显著；剔除新冠疫情时期后，2020—2022年之前的估计值更大（2.003点，1%显著），且各支柱均显著。
- **小样本推断**：野聚类自助法和随机化推断的p值均很小；剔除任何单一队列后估计仍显著，留一企业估计范围为1.697—1.890，表明结果并非少数处理观测驱动。
- **机制分析**：试点认定后审计费用标准化降低0.123个标准差，管理层持股提高0.128个标准差，SA指数提高0.173个标准差（即融资约束缓解），三者与ESG绩效正相关，支持H3a—H3c。
- **双重机器学习**：三种学习器系数接近（1.570—1.652），均在1%水平显著，说明在非线性控制基准变量后正向关联仍稳定。

**五、讨论与结论**
研究人员在讨论部分强调，首选组群-时期估计量小于传统TWFE估计量，这一差异在交错采用背景下具有实质性意义。主要结果与既往研究方向一致，但由于样本、评级机构、处理构造等差异，不能直接比较系数。机制结果支持数字化追溯降低验证成本、管理层激励增强、融资约束缓解三种渠道，但属于渠道一致性证据而非严格因果中介。研究局限性包括使用单一评级机构数据、处理企业数量有限（尤其2019—2020年仅5家）以及试点认定非随机可能带来的时变混杂。结论部分指出，智能制造试点认定与华证评级的ESG绩效提升稳健关联，证据与可能的政策效应一致，但并未确立对独立验证的企业可持续性的因果作用。对政策制定者而言，应将试点项目视为组织转型而非单一技术奖励，并将数字升级里程碑与可测量的ESG目标及独立验证的排放、能耗等指标挂钩。对企业而言，连接生产数据与ESG管理、在运营系统中嵌入环境目标、使管理层激励反映实质性ESG目标，可能有助于将数字能力转化为评估绩效的提升，但这些做法需要进一步直接评估。总体而言，研究为智能制造试点政策的ESG效应提供了基于华证评级的实证证据，同时强调应谨慎解读评级变化相对于实际环境结果的意义。