人工智能驱动的绿色治理：评估人工智能对企业可持续发展绩效的影响

《Journal of Innovation & Knowledge》：AI-driven green governance: Assessing the impact of artificial intelligence on corporate sustainability performance

AI应用显著提升中国上市公司绿色治理绩效，通过优化资产周转效率、增强市场估值和改善现金流管理三重机制实现。研究发现国有企业、高融资约束企业和ISO14001认证企业受益更明显，政策应鼓励AI在能源管理、碳监测等场景的应用，并建立专项支持基金。

　　随着全球气候变化和可持续性挑战的加剧，企业绿色治理已成为提升竞争力的重要策略。人工智能（AI）的快速发展为绿色治理创新提供了新的动力。本文基于2009年至2023年中国上市公司面板数据，探讨了AI采用对绿色治理绩效的影响。研究发现，AI显著提升了环境表现，降低了生态成本，并促进了可持续创新。这些结果在多种模型设定下依然稳健，尤其在国有企业、财务受限企业以及获得ISO14001认证的公司中表现出更强的效果。通过使用Bartik工具变量，研究有效缓解了潜在的内生性问题。机制分析表明，AI通过提高资产效率、市场估值和现金流管理，推动绿色治理的提升。这些发现突显了AI驱动的绿色治理在企业可持续发展和竞争优势中的战略意义。

AI在绿色治理中的作用主要体现在优化能源使用、降低风险和提升数据处理能力。机器学习能够对排放进行实时分析，而大数据系统则提升了监测的准确性。AI不仅限于被动监测，它还能主动生成知识，通过发现模式和解决方案来推动绿色创新和战略转型。AI改变了组织结构和决策流程，减少了管理上的偏差，增强了协作与信息交流，从而促进了绿色协同效应，推动可持续工业发展。然而，目前AI在企业绿色治理中的作用仍处于实验阶段，大多数已有研究集中于理论讨论和案例分析，缺乏系统性的分析框架。因此，进一步在企业层面进行研究显得尤为重要。

本研究从三个行业领域做出贡献。首先，方法上，使用最新的企业级面板数据构建了严谨的计量经济模型。通过采用Bartik工具变量，建立了AI采用与绿色治理绩效之间的因果关系，有效解决了内生性问题，从而增强了研究结果的稳健性和理论价值。其次，不同于以往的研究多集中于理论探讨或案例分析，本文通过实证方法，从企业层面研究AI对上市公司绿色治理的影响，提供了更具普遍性的证据。最后，研究超越了AI的监测和优化功能，突出了其作为知识生成器的作用，挖掘并整合环境数据，产生推动创新绿色战略的见解，这一方面在现有文献中较少被探讨。

在现有文献中，AI在提高能源效率、减少排放和促进绿色发展与创新方面的作用得到了广泛研究，取得了大量实证成果。在节能减排领域，工业机器人能够对能源消耗和排放进行实时监测，从而控制过量排放，提高资源利用效率。同时，它们通过精准的能源管理，推动清洁生产和全要素生产率的提升。AI还可以通过提高管理效率、降低成本和推动清洁能源创新来减少污染排放。此外，它通过产业集聚效应促进知识溢出，从而提高城市碳排放效率。

在绿色发展中，现有研究普遍认为AI是一种技术进步，通过提高自动化和生产效率来促进绿色发展的效率。其机制既包括直接促进绿色发展的作用，也包括优化产业结构和产业升级。相关研究发现，工业机器人应用通过技术进步、能源结构优化和产业集聚效应，提高了区域生态效率。AI进一步支持城市绿色发展，通过创新效应、劳动替代和对减排投资的推动，提升了企业的绿色发展能力。

在绿色创新方面，AI刺激了企业的创新活力，通过提高生产确定性、优化资源配置和降低风险，积累绿色成果。AI的引入还利用了人力资本优势，优化了治理结构，促进了企业的绿色创新。然而，一些研究表明AI对绿色创新的影响具有阶段性，短期内效果显著，但长期可能面临边际效益递减的问题。总体来看，AI在提高资源效率、优化产业结构和推动绿色技术创新方面发挥着关键作用，沿着生产链条，它能够推动绿色过程创新，如提高效率、减少碳排放和促进回收。在产品开发中，AI提高了产品质量，降低了研发成本，并通过迭代优化推动了企业发展。

尽管已有研究主要关注宏观层面的视角，但在企业微观层面的绿色治理机制探索相对不足。因此，进一步在企业层面进行研究是必要的。AI技术在企业绿色治理中的应用，主要体现在数据挖掘和分析方面，帮助公司更好地理解和监控其环境影响。例如，机器学习算法可以高效处理大量的环境数据集，识别可能的环境风险和资源浪费。这种精确的风险识别不仅降低了企业的环境负担，也提升了其绿色治理绩效。实证研究表明，采用AI进行环境数据分析的公司通常在碳排放控制和资源管理方面表现更优。此外，AI在决策支持系统中的应用显著增强了企业绿色决策的协调性和效率。通过智能算法，公司可以模拟不同的运营场景，评估其各自的环境影响，从而制定更可持续的商业战略。这种数据驱动的决策过程减少了传统决策中人为因素的干扰，提高了决策的透明度和合理性。

AI技术在生产过程的优化方面也发挥着重要作用。通过智能生产调度和资源配置，公司能够最大化生产效率，同时减少能源消耗和废弃物排放。这种双赢效应不仅创造了经济效益，也带来了积极的环境效益。根据已有文献的分析和本研究的研究目标，AI的应用通过三个关键维度影响上市公司的绿色治理绩效：总资产周转率、市净率和现金流量比率。AI实施对上市公司绿色治理绩效的影响涉及复杂的机制和多维路径。AI在提升收入生成能力、未来盈利能力和增长潜力以及短期偿债能力方面的角色，构成了本研究的核心理论假设。这三个效应的协同作用帮助公司将资源投入绿色领域，从而提升绿色治理绩效。

AI技术在提升总资产周转率方面的作用主要体现在优化企业资源分配。通过机器学习和大数据分析，企业可以精准预测市场需求，优化生产计划和库存管理，减少资源浪费，从而提升总资产周转率。提升的总资产周转率为企业提供了更多的可支配资源，释放了更多的资本和资源，增强了其在绿色治理方面的投资能力。企业可以利用这些资源进行绿色技术研究和环境项目，如清洁生产技术和绿色建筑材料的开发。AI可以帮助企业管理者通过大数据分析和机器学习，更好地理解市场需求、消费者偏好和原材料供应链的变化，帮助企业进行生产规划和库存管理。当企业内部资源分配效率提高，运营资金流动性增强时，企业可以更积极地投资于绿色技术研究、环境保护设施建设等，从而提升绿色治理绩效，实现环境目标。此外，AI技术还可以直接支持绿色治理，例如碳排放监测和能源使用优化，帮助企业更好地达成环境目标。这种绿色转型不仅降低了企业在环境违规方面的风险成本，也提升了其社会声誉和长期财务表现，形成了绿色治理和财务表现之间的正向循环。

在市净率（P/B比率）提升方面，AI的应用可以提高企业运营效率和创新能力，从而推动市净率的提升。AI驱动的预测算法可以帮助企业抓住市场机会，提高盈利能力，这些因素反映在投资者对企业价值的更高评估中，进而提升市净率。提升的市净率增强了企业投资绿色治理的能力和意愿。市净率作为资本市场对企业未来增长潜力的评估指标，通常与企业的盈利能力和创新潜力密切相关。提升的市净率作为资本市场对企业未来增长潜力的评估指标，有助于企业获得更多的外部资本支持。拥有高市净率的企业通常面临更高的社会责任期望和更严格的ESG（环境、社会和治理）考虑，这种压力促使企业更加重视绿色治理结构。AI在绿色治理中的直接作用进一步强化了绩效提升，不仅降低了企业的环境合规风险，还进一步提升了其社会声誉和财务表现，塑造了有利的公众形象，并反馈到市净率的持续增长中。这种正向的财务表现反馈进一步推动市净率的持续增长，形成了市净率、绿色治理绩效和财务表现之间的正向循环。

在现金流比率下降方面，AI在库存管理、生产计划和供应链运营中的应用优化了企业运营效率，减少了短期资本使用，提高了企业流动性，从而导致现金流比率下降。现金流比率作为衡量企业满足短期财务义务和维持流动性的关键指标，较低的比率通常反映了资金利用效率更高，因为它表明减少日常运营中保留的现金。优化的资金流动使企业更具灵活性，减少对短期资金的依赖，从而降低现金流比率。较低的现金流比率意味着企业能够将更多资金投入长期战略项目，包括绿色治理相关的领域，促进绿色技术投资和环境治理措施。AI通过降低现金流比率间接支持绿色治理，同时直接提高治理效率，这种影响机制形成了财务流动性与绿色治理绩效之间的正向循环，从而实现两者的相互促进和优化。

在内生性检验方面，上市公司在采用AI技术时往往受到自身内部决策的影响。企业在决定是否采用AI时，可能基于现有的绿色治理措施、企业文化、资本状况等因素做出选择。这种选择偏差可能导致某些企业更积极地采用AI技术，从而影响研究的内生性。自2017年以来，中国国家人工智能战略和多个行业的重要举措逐步实施，因此行业层面的AI应用变化主要由中央和地方政策驱动，而不是企业层面的战略选择。因此，AI的应用可以被视为对企业的一种外生冲击。AI的采用并非完全随机，其分布可能受到行业特性、数据基础设施水平和外部政策变化等因素的限制。这种选择过程可能引发自选择偏差。此外，本研究仅以A股上市公司为样本，未能覆盖未上市的中小企业，这一限制可能导致样本在反映整体特征方面的不足，从而产生样本选择偏差。

为了弥补潜在的自选择偏差，本文构建了Bartik工具变量来解决可能的内生性问题。Bartik工具变量AIIV基于共享法构建，公式为：AIIV = a_i,t-1 × (aver_Ai,t - aver_Ai,t-1)。其中，aver_Ai,t代表第t年行业范围内AI水平的平均值。通过这一工具变量，研究有效缓解了潜在的内生性问题。此外，除自选择偏差和反向因果关系外，其他潜在的内生性来源也值得进一步探讨。首先，在企业层面，未观测到的组织特性可能构成显著的混杂因素。例如，具有更强创新文化、更高人力资本储备或更具前瞻性的管理团队的企业，往往更积极地采用AI技术，同时在绿色治理方面表现出更强的责任感和承诺。其次，在行业层面，不同行业在技术扩散路径和监管约束上的差异可能成为共同驱动因素。一方面，高科技行业拥有更强大的数据基础设施和研发网络，使AI更容易嵌入生产过程，从而自然提升环境治理效率。另一方面，资源密集型或碳排放敏感型行业通常面临更严格的政策监管和社会压力。在这种背景下，AI的采用不仅仅是技术选择，也是企业对这些外部约束的战略回应。

本研究通过三个维度对异质性进行了分析：产权性质、融资约束和环境管理体系认证。产权性质方面，国有企业（SOEs）和非国有企业（NSOEs）由于内在属性和外部环境的差异，在政府支持、政策导向、资本获取和技术资源方面表现出显著的不同。治理结构、决策机制、市场竞争和激励以及数据资源的共享和应用。在绿色治理绩效以及这些差异背后的机制方面，不同产权性质的企业可能存在显著差异。为了捕捉这种异质性，本文将所有上市公司分为国有企业和非国有企业两类，并构建了一个虚拟变量（SOE）来表示产权性质，取值为1表示国有企业，取值为0表示非国有企业。将产权性质与AI采用的交互项引入基线回归模型，作为核心解释变量，进行回归分析。回归结果表明，AI × SOE的系数显著为正，这表明AI在产权性质方面存在显著的异质性特征，并对国有企业的影响更强。国有企业通常承担更大的社会责任，特别是在环境治理领域。它们还受到更强的政府支持，往往更能从政策激励和资源优先分配中受益。国有企业在获取资本和技术资源方面具有更大的优势，尤其是在AI研发和应用需要高投入时，这种差异尤为显著。此外，AI的应用本质上是围绕数据的积累和处理，国有企业更有可能从政府和行业获取绿色数据资源，并在数据整合和分析方面具有优势。因此，AI在国有企业的绿色治理绩效提升方面具有更强的效果。

在融资约束方面，融资约束指数（SA）作为衡量企业融资约束程度的指标，SA指数越大，表示企业面临的融资约束越严重。本文将SA指数低于50%四分位数的归类为低融资约束组，高于50%四分位数的归类为高融资约束组。SA指数为1表示高融资约束组，0表示低融资约束组。构建一个融资约束的虚拟变量（SA），并将其与AI采用的交互项引入基线模型，作为核心解释变量进行回归分析。回归结果表明，AI × SA的系数显著为正，这表明AI在融资约束方面存在显著的异质性特征，并对高融资约束组的影响更强。高融资约束企业通常面临更强的政策合规压力和社会责任要求，特别是在高压的环保政策背景下。该类企业可以利用AI技术来满足绿色治理合规要求，从而获得政策导向的融资、税收优惠或政府支持，以缓解融资约束。低融资约束企业由于资本充足，倾向于采用传统的治理工具，对AI技术的采用较慢。这种“路径依赖”限制了企业在绿色治理方面的提升空间。此外，低融资约束企业可能由于资本充足，同时投资多个领域（如生产自动化、市场营销等），而对绿色治理AI技术的投资相对不足，导致整体效果分散。因此，AI在高融资约束企业的绿色治理绩效提升方面具有更强的效果。

在环境管理体系认证方面，变量表示企业是否通过了ISO14001认证，取值为1表示已认证，0表示未认证。构建一个环境管理体系认证的虚拟变量（ISO），并将其与AI采用的交互项引入基线模型进行回归分析。回归结果表明，AI × ISO的系数显著为正，这表明AI在环境管理体系认证方面存在显著的异质性特征，并对已通过ISO14001认证的企业影响更强。已认证的企业在绿色治理方面已具备较强的基础，AI技术的应用可以进一步优化其现有的环境管理流程。而对于未认证的企业，不完整的管理结构和薄弱的制度机制阻碍了AI技术的有效部署和整合，导致绿色治理绩效的提升有限。因此，AI在已获得ISO14001认证的企业中的绿色治理绩效提升作用更为显著。

在影响机制分析方面，本研究参考了Jiang（2022）的研究，以验证因果中介效应。构建的模型为：M = β0 + β1AI + Xγ + σj + σt + ε。其中，M为机制变量。根据机制分析的结果，AI的应用显著提升了总资产周转率。这一企业绩效指标可以通过三种方式提高：首先，优化资源配置，AI技术通过精准预测和数据分析提高企业的资源利用效率（如物流、库存管理等），从而提升总资产周转率；其次，优化业务流程，智能生产、供应链优化等可以减少浪费，提高企业资产运营效率；第三，拓展新业务，AI的应用可以为企业创造新的收入来源，如绿色产品研发、碳排放减少相关服务等。

总资产周转率与绿色治理绩效之间的强相关性可以总结如下：1. AI降低了代理成本，提高了总资产周转率；2. 总资产周转率的提升为绿色治理资源、技术创新和利益相关者协调提供了支持；3. 绿色治理资源和能力的优化直接提升了绿色治理绩效。本文在公式（4–3）中描述了这些机制：Yg = γ0 + γ1TAT + ε。其中，Yg为绿色治理绩效；TAT为总资产周转率；γ0为截距项，表示当TAT为零时绿色治理绩效的基准水平；γ1为TAT的影响系数，捕捉每单位TAT增加对绿色治理绩效的边际贡献；ε为随机误差项，捕捉未解释的其他影响因素。

市净率（P/B比率）的提升作用方面，市净率是衡量上市公司相对于其账面价值的市场价值的重要财务指标。它不仅反映了资本市场对公司未来盈利能力和增长前景的预期，还间接反映了公司在绿色治理、可持续发展等方面的表现。在绿色治理框架中，这一指标作为中介变量，通过提高企业的市净率，将AI技术的影响转化为绿色治理绩效的提升。市净率的提升表明企业具有较强的市场预期，反映了其有效的资源分配和创新能力。AI的应用通过多种路径对企业市场价值和净资产产生直接和间接影响，从而改变市净率的水平。

市净率对绿色治理绩效的影响机制主要体现在以下几个方面：首先，市净率对资源可得性的影响。具有较高市净率的企业通常拥有更强的资本市场融资能力，可以通过股权融资或债务融资获得足够的资金。这些资源为绿色治理项目的实施提供了基础支持，如投资于绿色技术研究与开发和推动绿色供应链转型。其次，较高的市净率可能通过改善企业的资产负债表强度和债务偿还能力，缓解企业的财务约束，使企业更有能力承担绿色转型所需的大量投资。此外，市净率反映了绿色市场预期。投资者对企业在环境、社会责任和治理（ESG）方面的表现表现出越来越多的关注。具有较高市净率的企业可能通过其出色的绿色治理策略获得投资者更多的认可，从而吸引长期资本。这种正向反馈机制使得企业继续吸引绿色投资资金，反之又增强了企业投资绿色治理资源的能力，形成正向循环。

现金流比率的下降作用方面，现金流比率反映了企业的短期偿债能力。在AI的应用背景下，现金流比率受到企业技术升级和资源配置变化的影响，尤其是在绿色治理领域。这种影响可能表现为比率的下降，但最终可能推动绿色治理绩效的提升。研究结果表明，AI的应用对现金流比率产生了显著的负面影响。因此，我们对这一下降如何影响绿色治理绩效的机制和传导路径进行了深入分析。首先，增加资本支出（Capex）会导致现金流下降。AI的应用需要大量的初期资金投入，包括算法开发、设备采购和系统升级。这些支出显著消耗了企业的经营性现金流。其次，扩张性策略会导致流动负债增加。为了支持AI相关的技术升级和绿色治理项目，企业可能通过债务融资增加流动负债。AI推动了业务扩张，但伴随着更高的短期流动负债，如供应链调整中的预付款项或项目运营资金需求。此外，AI在提升企业长期绩效方面发挥着重要作用，但其全部效益尚未在短期内显现，初始影响导致经营性现金流不足。现金流比率的下降可能通过优先资源配置和效率提升，促进绿色治理绩效的提升。然而，这种“流动性-绿色战略”模式可能隐藏长期风险。AI的应用通常涉及密集的研发和固定资产投资，尽管这些支出削弱了短期流动性，但为未来的绿色治理绩效奠定了基础。短期流动性紧缩是企业主动追求战略转型和绿色创新的必然结果。从长期发展角度来看，流动性压力是不可避免的。然而，企业在长期获得的声誉资本和市场认可往往在后续阶段形成“正向反馈循环”，抵消甚至超越前期的流动性损失。可以认为，AI应用对绿色治理的正向效果与现金流比率下降可能存在的风险之间存在一定的张力。这种张力表明，增强的绿色治理绩效并不一定意味着稳健的财务可持续性。未来研究可以通过探讨企业在不同制度环境、融资条件和政策框架下如何平衡短期流动性压力与长期绿色创新目标，进一步研究这一内在张力。这将有助于更全面地理解战略性投资可持续技术的复杂性。因此，这种机制表明，现金流比率的下降不应被解读为负面信号，而应视为企业追求技术升级和绿色转型的有意决策，体现了长期价值创造和可持续发展目标。

AI在提升绿色治理中的作用不仅体现在优化资产周转率、市净率和现金流方面，还符合资源基础理论，强调资源的有效利用。同时，它也反映了动态能力理论，因为AI使企业能够通过数据分析和监控进行适应。因此，AI优化了效率，推动了战略转型，并促进了可持续的绿色发展。AI通过提高资产周转率、市净率和现金流，增强了企业的绿色治理绩效，为相关理论研究和实践探索提供了新的视角和基础。