研究速递｜人工智能助力企业绿色技术创新绩效

编者按

随着人工智能算法的不断突破和应用场景的快速拓展，人工智能已经在重塑生产生活方式，并对社会产生潜移默化的影响。在此背景下，人工智能对创新的影响逐渐成为学术研究的主题。大多数现有研究重点关注了人工智能在数字创新、商业模式创新、服务创新、突破性创新以及负责任创新中的作用。为了考察人工智能应用对企业绿色技术创新绩效的影响，本研究采用2014-2020年中国制造业上市公司面板数据，构建了多时期双重差分模型。结果表明，人工智能对绿色技术发展及其分解变量（绿色技术的效率和进步）的企业创新绩效产生显着的正向影响。中介效应表明人工智能主要通过影响企业的知识耦合来促进企业的绿色技术创新绩效。

企业绿色技术创新绩效能否利用人工智能实现“弯道超车”？——来自中国制造企业的证据

文献来源：Tian, H., Zhao, L., Yunfang, L., & Wang, W. (2023). Can enterprise green technology innovation performance achieve “corner overtaking” by using artificial intelligence?—Evidence from Chinese manufacturing enterprises. Technological Forecasting and Social Change, 194, 122732. https://doi.org/10.1016/j.techfore.2023.122732

1. 引言

当今经济的快速发展引发了资源枯竭、生态破坏等问题，绿色发展成为时代热点。绿色技术创新处于创新驱动与可持续发展的交叉点，帮助企业实现绿色转型和可持续发展。目前，绿色技术创新影响因素的研究主要集中在雾霾污染、环境规制、环境信息公开、高管团队和知识获取等维度。部分研究关注智能制造、工业机器人应用与绿色技术创新之间的关系；然而，人工智能对绿色技术创新的影响尚未在企业层面进行讨论。

因此，本文利用企业面板数据和多期双重差分（DID）模型实证检验了人工智能作为前因变量对企业绿色技术创新绩效（GTIP）的影响，为企业绿色技术创新绩效（GTIP）的影响提供了更深入的机制探讨。从微观层面理解人工智能与企业绿色技术创新的关系。

2. 研究假设

2.1 人工智能与绿色创新

绿色技术创新是遵循生态经济规律和生态原则、节约能源资源、避免或至少减少环境污染的技术创新行为。在对绿色创新绩效的研究中，Yang等人将其分解为绿色技术效率（GTE）和绿色技术进步（GTP）。因此，本文基于企业技术和产品，从GTE和GTP的角度分析人工智能对GTIP的作用机制。

首先，人工智能作为支撑技术，提升企业GTE。在生产过程中，人工智能能够极大地提高企业的绿色生产效率，降低生产过程中的能源消耗，实现整个生产模式的绿色化。其次，人工智能作为一项新技术，驱动企业的GTP。人工智能有助于企业分析创新需求和突破，高效开展绿色产品研发，提升绿色技术创新能力，实现资源节约和环境友好。

人工智能为GTIP及其分解变量GTE和GTP提供了推动潜力，但企业技术水平和人工智能发展程度的差异会导致人工智能对GTE和GTP的影响不同。目前企业主要利用基础AI技术代替人类完成复杂任务，目标是提高GTE。与GTE相比，GTP对AI提出了更高的要求；因此，从目前人工智能在企业的应用情况来看，企业不太愿意利用人工智能产生技术溢出效应，推动GTP。

假设1：人工智能在推动GTIP方面发挥着重要作用。相比GTP，人工智能对GTE的推动作用更加显著。

2.2 人工智能对知识耦合的影响

知识耦合是指两个或多个技术领域之间的要素链接、渗透和重构以产生新知识的过程。由于知识耦合涉及时间成本、经济成本等因素，企业不可能将所有可能相关的知识耦合起来。因此，企业只能进行权衡利弊的选型部分。本文从基础、互补、扩展三个维度分析人工智能对知识耦合的影响。

首先，人工智能为企业基础知识的存储和快速检索提供了良好的技术支撑，促进了基础知识的耦合。其次，人工智能显着促进知识跨界协作，弱化知识共享边界，增强企业知识耦合的互补效应。第三，人工智能可以深度挖掘知识，企业利用人工智能对已获得的知识进行高效分类和吸收，从而促使企业充分利用新知识。

假设2：人工智能在推动知识耦合方面发挥着重要作用。

2.3 知识耦合的中介作用

SOR 理论将刺激理解为一种外部影响。个体在受到刺激后，会进行心理处理，并选择应对措施来对所提供的刺激做出反应。SOR理论源于对人类学习行为的研究，并被广泛应用于探索消费者行为与外部环境的关系。某些学者将这一理论扩展为也包括可持续发展承诺对商业模式创新的影响。

基于SOR理论，本文构建了“AI-KC（Knowledge Coupling）-GTIP（Green Technology Innovation Performance）”的分析框架来解释人工智能、知识耦合和GTIP之间的关系。人工智能激发企业积极利用不同类型的知识耦合，提高知识交互的频率，扩大知识交互的范围。知识耦合是企业将外部刺激内化的过程。人工智能通过知识耦合增强绿色技术效率和绿色技术过程，充分调动企业绿色技术创新的积极性，挖掘更多潜在的绿色技术创新效益，为制造企业的绿色技术创新做出贡献。

假设3：KC在AI和GTE之间发挥着积极的中介作用。

假设4：KC在AI和GTP之间发挥着积极的中介作用。

3. 研究方法

3.1 数据与样本

本次研究选取了深交所、上交所2011年至2020年的1376家制造业企业作为研究对象。样品。按照以下规则进行数据筛选和剔除企业：

• 已经退市、暂停、终止的企业； 

• ST、*ST企业；

• 调查期间连续三年无发明专利数据的企业； 

• 调查期间重要数据严重缺失的企业。

按照本规则剔除企业后，对2014年至2020年97家制造业企业的面板数据进行处理。具体变量如下。

3.2 基础模型

本研究的主要目的是科学评估企业人工智能应用对企业GTIP及其分解变量GTE和GTP的影响和传导机制。参考Xie等(2021)的相关研究，选择AI作为准自然实验，采用DID方法进行定量研究。由于传统DID仅适用于准自然实验同时发生的情况，本研究样本企业开始使用AI的时间并不一致。因此，本文采用多周期DID模型。将应用人工智能的制造企业作为处理组，将未应用人工智能的制造企业作为对照组。基本假设模型设置如下。

3.3  中介效应模型

为了检验人工智能是否能够通过知识耦合改善企业GTIP，本文采用Baron和Kenny提出的三步检验方法来评估人工智能与企业GTIP之间知识耦合的作用。该过程的第一步是检验自变量和因变量之间的关系；第二步，检验自变量与中介变量之间的关系；第三步，同时考虑自变量和中介变量；测试两者和因变量之间的关系。具体中介效应模型构建如下：

4. 实证结果

4.1 数据分析

表 2 报告了基准回归结果。无论是否添加控制变量，人工智能对 GTIP 的改进都具有积极的促进作用。企业可以通过人工智能的应用，突破自身界限，降低研发成本和风险，提高能源效率，推动GTIP提升。与表2所示结果相比，GTE是AI推动GTIP改进的主要驱动力。人工智能可以通过处理大量信息、增加开发过程的敏捷性、重构去中心化的结构，提高企业在互动协作下的绿色创新效率。然而，人工智能只是为绿色技术创新提供支持，而不是替代。人工智能的发展得益于开放思维在既定程序下的智能渗透效应，有助于开发绿色新产品、优化绿色生产流程。但目前人工智能本身不具备创造性，无法实现自主绿色技术创新。因此，AI在GTP中的作用并不如GTE那么显着。 H1得到证实。

结合表2和表3的检验结果可知，BKC、CKC、EKC在AI对GTE的影响中具有中介作用。由此，H2、H3、H4得到证实。人工智能通过加速知识耦合的过程，促进知识库中相似知识的吸收和不同知识的交互；进一步，增加新兴知识的融合，人工智能有助于绿色创新产生的现有技术协同组合，从而提高绿色创新的效率。

4.2. 异质性分析

从区域、行业、企业三个层面进一步分析人工智能对GTIP的促进作用。从区域层面看，人工智能对GTIP的影响对于位于其他国家新一代人工智能创新发展试验区和非长江经济带绿色发展试验区的企业更为明显；然而，人工智能的影响在实验区并不那么明显。从行业层面来看，人工智能对强势专利密集型企业和绿色企业的GTIP的积极影响小于弱势专利密集型企业和非绿色企业。在企业层面，对于非国有企业和市场力量较低的企业，人工智能可以更好地提高GTIP；国有企业和高市场力企业中人工智能对GTIP的促进作用并不显着。结果如表5、6所示。

5. 结论

人工智能作为引领未来发展的战略科技和经济增长新引擎，逐渐引起各国重视，有助于推动企业绿色技术创新、改善环境。因此，基于SOR理论，本文构建了“AI-KC-GTIP”分析框架。根据该框架，本文将人工智能被视为一种准自然实验，基于2014-2020年中国制造业上市公司面板数据，采用多时期DID方法进行分析，检验了人工智能对企业GTIP的影响。

首先，通过人工智能与企业GTIP的直接效应检验，表明人工智能对企业GTIP及其分解变量GTE和GTP产生正向影响。分解变量中，GTE是提高GTIP的主要驱动力。其次，实证检验了基础知识耦合、互补知识耦合和扩展知识耦合的中介作用。结果表明，人工智能主要通过影响这三种知识耦合类型来促进GTE和GTP，从而提高企业GTIP。三是从区域、行业、企业三个层面进一步分析人工智能对GTIP的促进作用。

与任何研究一样，本研究也存在局限性，这为未来的研究提供了途径。首先，本文以上海证券交易所和深圳证券交易所的上市公司为研究对象。样本数量有限可能会限制所获得研究结果的普适性。考虑到这一局限性，未来研究中可以通过增加样本量来进一步增强研究结果的普适性。其次，本文使用虚拟变量来表征何时构造解释变量（AI）。但随着人工智能研究的逐步深入，未来可以构建更全面的指标体系，更准确地衡量人工智能。

本文经翻译整理，仅供学习与交流，转载请注明出处。

-编辑：张宇擎 | 审核：孙孟子-

文章荐读