人工智能（AI）赋能畜牧企业环境管理绩效的边界条件：融资约束与两权分离的调节作用——来自中国A股上市畜牧企业的经验证据

《Frontiers in Sustainable Food Systems》：Exploring the boundary conditions of AI-driven environmental value creation: evidence from China’s livestock sector

　　

向可持续食品系统（Sustainable Food Systems）转型要求采取有效干预措施，以在不损害畜牧业经济功能的前提下降低其环境足迹。人工智能（Artificial Intelligence, AI）提供了一种有前景的技术杠杆，但关于其环境有效性以及其益处得以实现条件的证据仍然稀缺。本研究基于2011—2024年中国A股上市畜牧企业的面板数据集，考察AI采用是否以及何时改善企业环境管理绩效（Environmental Management Performance, EnP）。研究人员识别了两个关键边界条件——融资约束（Financing Constraints, FC）与所有权和控制权分离（Separation of Ownership and Control Rights, Separation）——它们塑造AI部署的环境结果。研究结果表明，AI采用显著提升环境管理绩效，证实其作为畜牧业可持续性干预措施的可行性。然而，该正向效应被融资约束显著削弱，表明资本短缺阻碍企业实现AI驱动的环境收益。相反，所有权与控制权之间较高程度的分离会放大AI的正向影响，表明使管理决策免受短期所有权压力影响的治理结构有利于对数字与绿色技术的长期投资。这些结果凸显，AI的环境价值并非自动实现，而是取决于充足的财务资源与适当的治理安排。本研究为可持续食品系统转型经济学贡献了经验证据，并为在资源密集型农业部门促进数字—绿色协同提供了可操作的政策启示。

在可持续食品系统（Sustainable Food Systems）转型和全球气候治理的双重压力下，减少畜牧业生产环境足迹且不损害其经济功能与供给安全的干预措施，成为农业经济学与政策研究的前沿问题。畜牧业是食品系统的核心组成部分，也是温室气体排放和非点源污染的重要来源，同时高度依赖自然资本和生态系统服务。联合国粮食及农业组织指出，畜牧生产约占全球人为温室气体排放的14.5%。中国作为世界最大畜牧产品生产国，畜牧产业对粮食安全、乡村振兴和消费需求稳定具有基础作用，但长期依赖规模扩张和资源密集型增长，面临日益突出的生态约束与减排压力。中国相关政策明确将数字技术与现代农业畜牧业深度融合作为推动畜牧业绿色、智能、低碳转型的核心工具。人工智能（Artificial Intelligence, AI）正重塑组织生产流程和价值创造机制，规模化养殖企业已部署智能饲喂系统、环境传感设备和疾病识别模型。然而，智能畜牧投资持续增加，高污染、高排放问题并未相应减弱，粪污处理、资源消耗和环境监管压力仍然普遍。现有研究多集中于区域或行业层面，企业微观证据尤其畜牧企业这一资源密集、环境敏感部门的证据有限，且AI环境效应方向与机制存在分歧：一方认为AI系统依赖数据处理和算力基础设施，可能增加能耗和环境负担；另一方认为AI可优化资源配置与决策效率，在精准饲喂、疾病监测和环境调控中减少资源浪费与污染，并降低碳排放强度。因此，研究人员基于中国A股上市畜牧企业2011—2024年面板数据，考察AI能否以及何时改善企业环境管理绩效（Environmental Management Performance, EnP），重点分析融资约束（Financing Constraints, FC）和所有权与控制权分离（Separation of Ownership and Control Rights, Separation）两个边界条件。研究结论表明，AI采用显著提升环境管理绩效，融资约束削弱该正向效应，两权分离增强该正向效应。其意义在于：AI的环境价值并非自动产生，而依赖充足财务资源与适当治理安排；研究为可持续食品系统转型经济学提供微观经验证据，并为资源密集型农业部门促进数字—绿色协同提供政策启示。

关键技术方法：样本为中国沪深A股上市畜牧企业，按中国证券监督管理委员会（CSRC）2012行业分类，2011—2024年，最终40家企业、465个观测的不平衡面板，分布于畜禽养殖、饲料、兽药和畜牧产品加工；数据来自中国股市与会计研究数据库（CSMAR）。AI采用年报管理层讨论与分析（MD&A）AI词典词频加1取自然对数测度；EnP基于CSMAR环境管理评分。模型采用固定效应和调节效应，并用城市—行业其他企业AI中位数作工具变量（Instrumental Variable, IV），辅以异方差IV、滞后变量、替换因变量/自变量、调整样本期、Tobit和随机效应检验；异质性分析采用赫芬达尔—赫希曼指数（Herfindahl–Hirschman Index, HHI）和上市年龄，边界条件采用WW指数（Whited-Wu）、FC指数（Hadlock-Pierce）和两权分离。

研究结果如下。

4.1 描述性统计。通过描述统计发现，AI均值为0.376，标准差为0.609，最小值为0.000，最大值为2.197，企业间AI采用异质性较大；EnP均值为2.140，标准差为0.599，最小值为1.333，最大值为5.333，总体处于中等偏高水平但企业差异显著；方差膨胀因子（VIF）为1.77，多重共线性较弱；F检验和Hausman检验支持采用固定效应模型。

4.2 基线回归结果分析。通过固定效应基线回归，AI系数为0.871，加入控制变量后为0.849，均在1%水平显著，支持H₁；一单位AI提高约0.849单位EnP，具有经济显著性。

4.3 内生性与稳健性检验。4.3.1 内生性检验：通过城市—行业其他企业AI中位数工具变量，第一阶段系数为0.977且显著，第二阶段AI系数为0.758且显著；异方差IV和滞后一期L1_AI系数为0.194且显著；Kleibergen-Paap rk LM检验拒绝不可识别，结论稳健。4.3.2 替换因变量：通过替换为环保与治理综合评分EnP2，AI系数为0.982，1%显著。4.3.3 替换自变量：通过替换为AI硬件投资AI2，AI2系数为0.110，1%显著。4.3.4 样本期变化：剔除直辖市样本后AI系数为0.836且显著；将样本期调整为2015—2021年后AI系数为0.789且显著。4.3.5 替代模型设定：Tobit模型和面板随机效应模型中AI系数分别为0.790和0.806，均1%显著。

4.4 异质性分析。通过HHI和上市年龄分组及交互项检验，AI×HHI系数为?0.260且显著，AI系数为0.966；低HHI强竞争组AI系数为0.956，高HHI弱竞争组为0.778，Chow检验显示组间差异显著；AI×ListAge系数为0.284且显著，AI系数为0.695；老上市企业AI系数为0.953，新上市企业为0.683，组间差异显著。结论为：市场竞争越强、上市年限越长，AI对环境管理绩效的促进效应越强。

4.5 边界条件分析。4.5.1 AI对畜牧企业环境管理绩效的资源挤出效应：通过引入WW指数和FC指数交互项，AI×WW系数为?0.213且显著，AI×FC系数为?0.217且显著，支持H₂；融资约束越高，AI正向效应越弱。其解释包括畜牧污染具有非点源和分散特征、生物资产动态性要求频繁更新AI模型、环保设备资产专用性高导致抵押价值低。4.5.2 AI对畜牧企业环境管理绩效的风险转移效应：通过引入两权分离交互项，AI×Separation系数为0.111且1%显著，支持H₃；两权分离越高，AI正向效应越强，与经典代理理论预测相反。极端环境风险具有“一票否决”和不可转移特征，控制权私利不可分散，控制人有动机以AI进行实时监测预警和精准管理源头预防，以对冲环境风险。

讨论部分总结：研究结果总体与数字技术和绿色发展文献一致，支持资源基础观，并表明AI环境效应具有情境依赖性。理论贡献包括：扩展数字技术与环境管理绩效的理论边界；将数字可供性理论拓展至畜牧部门，并将融资约束和两权分离作为可供性实现条件，超越“技术—组织”二元框架；构建“技术赋能—资源约束—治理结构”三元分析框架。实践上，管理者应将AI作为绿色转型核心工具，强化精准饲喂、动物健康监测、粪污排放控制和环境调控；金融机构应将数字能力和环境改善潜力纳入信贷，发展绿色金融；政策应完善金融支持、绿色信贷和农业数字基础设施。局限包括样本限于中国上市畜牧企业、测量依赖统计指标和代理变量、其他中介与边界可能存在，以及理论逻辑可拓展至采矿、化工、核能等环境合规决定生存的行业但需跨行业比较。

研究结论翻译：基于畜牧企业样本，本文系统考察人工智能对企业环境管理绩效的影响及其边界条件。主要结论如下。第一，人工智能对畜牧企业环境管理绩效具有显著正向影响。这表明在资源消耗密集、环境外部性突出的畜牧业中，AI能够改善企业环境管理绩效，并作为绿色转型的重要驱动力。该发现验证了AI在农业环境治理中的正向价值，并回应了现有文献中关于AI环境效应的持续争论。第二，基于市场竞争程度和企业上市时长的异质性分析结果表明，AI对环境管理绩效的促进效应在面临更激烈市场竞争的企业和已上市较久的企业中更强。相反，该效应在市场竞争较弱的企业和新上市企业中相对较弱。第三，资源挤出效应回答了“在何种资源条件下AI能更好发挥作用”的问题，揭示了“企业是否负担得起投资”的财务约束门槛。融资约束越高，AI的正向效应越弱。实证结果验证了资源挤出效应的存在，揭示AI技术效能的释放高度依赖财务资源的可获取性。第四，风险转移效应回答了“在何种治理结构下AI能更好发挥作用”的问题，揭示了“企业是否愿意投资”的治理激励。实证结果识别出一种与经典代理理论预测相反的风险转移效应：所有权与控制权分离程度越高，反而强化了AI的正向效应。该发现揭示了极端环境风险情境下控制人激励结构的独特性。