1. 引言
在面对全球气候变化严重问题和国际环境治理严峻形势的背景下,我国是世界上温室气体排放量最大的国家,要积极承担环境保护责任,采取各种有效措施进行碳减排。2020年,在联合国会议上,习近平提出双碳目标。双碳目标充分展现了我国走生态文明道路,绿色发展道路的决心。党的二十大报告中再次提出“大自然是人类生存和发展的重要基础”,我们要站在人与自然和谐共生的角度上谋求发展[1]。生态文明的理念已经成为我们的共识,生态文明建设已经成为我们的决心。我国政府和各个行业将生态环境保护和产业智能化放到了至关重要的位置,坚持走生态文明建设的绿色发展道路。产业智能化是各个行业进行碳排放的有效措施,一直以来都受到国内外学者的广泛关注。现有研究发现产业智能化可以促进碳减排。赵培雅[2]发现产业智能化不仅能够减少能源消费和工业污染排放量,而且可以降低能源消费、碳排放和工业污染排放强度,实现节能降碳减排。学术界关于数字化转型和企业碳减排绩效的研究也有很多,如郭爱君[3]发现数字经济会通过优化产业结构影响碳排放强度,即数字经济通过促进产业结构高级化和产业结构合理化两种方式降低了碳排放强度,基于此,高耗能企业城市碳排放的主体,是我们进行碳减排研究需要重点关注的对象,那么高耗能企业的数字化转型是否可以对企业自身的产业智能化和碳减排起到促进作用呢?是否可以帮助高耗能企业实现碳排放?这些问题还有待研究。
和已有研究不同的是,本文有以下边际贡献:1) 研究视角方面:本文引入了数字化转型,并且研究了高耗能企业在数字化转型的调节作用下产业智能化对其碳减排效果的影响。2) 使用文本挖掘处理的方法,在巨潮网下载高耗能企业的年度报告,并且以数字化转型关键词为标准,爬取各个企业不同年份年度报告有关数字化转型的词频。用这个来测算企业数字化转型的程度。3) 不同的学者倾向于对高耗能企业高度概括,而忽略了他们之间存在的异质性,本文对于高耗能企业存在的异质性,系统分析了其产业智能化,数字化转型与不同企业碳排放的差异。
2. 理论分析与研究假说
2.1. 产业智能化对企业碳减排的效应分析
产业智能化说的是企业的智能化与第三产业相互融合的程度。企业通过产业智能化来提高自身的资源配置效率,促进全要素生产效率,推动自身的低碳发展[4]。企业产业智能化主要通过优化产业结构,提高技术水平来促进碳减排[5]。首先,就产业结构升级来说。产业智能化促进了企业的第一产业向第二产业,第三产业的转变。并且依靠其智能化,自动化的特点取代了传统产业程序性的劳动。另一方面,通过产业智能化,企业提高了自身的资源配置效率和全要素生产率[6]。产业智能化提高了企业各部门的信息传递效率,缓解了企业和市场信息不对称的问题。推动企业自身低碳转型[7]。其次,就技术创新而言。技术创新不仅可以提高企业全要素的生产率,而且对企业低碳发展起到促进作用[8]。产业智能化可以降低企业在融资过程中信息不对称的问题,帮助企业获得绿色信贷和政府部门的创新资金支持,为技术创新提供了融资和获取信息的渠道[9]。而技术创新的发展能够促进制造业与信息技术的融合,进而提升企业的产业智能化水平[10]。此外,现有研究表明,技术创新发挥了碳减排效应[11]。尤其是当企业在绿色创新方面取得巨大收获时,便可以实现整体的绿色化生产有力地促进了企业的碳减排。
H1:产业智能化有助于提升企业碳减排绩效。
2.2. 数字化转型对产业智能化促进高耗能企业碳减排的调节效应分析
数字化转型是指将企业的运营模式从工业化转变为数字化,并且将大数据,人工智能等作用到企业的经营活动中,改变了企业的组织结构,业务流程规范和商业营销模式。并且对企业管理思维进行转变,激发企业的创新潜能[12]。
首先,企业数字化转型可以优化企业的产业结构,提高企业产业智能化水平,进而提高企业的碳减排绩效。第一,数字化转型促进了传统产业的改造,改善了企业生产流程,并且减少企业与消费者之间信息不对称,从而提升了企业碳减排绩效。数字化技术的引入提高了生产流程的效率。例如,工业机器人的引入使得企业生产流程更加易与控制,资源利用也变的更加有效。提高产业智能化水平,促进碳减排。并且数字技术的应用减少了消费者与生产者之间信息不对称的问题。优化资源配置,降低企业碳排放水平。而且数字技术的应用优化了企业的产业结构,推动传统产业向高技术,高附加值产业转型,从而提升了企业产业智能化水平,实现了碳减排。
其次,企业数字化转型可以提高企业创新资源的获取与配置效率,进而提高企业的技术创新水平,实现碳减排。企业数字化转型使得企业创新资源的可获得性大大增加,有效降低了资源获得成本和交易成本,不仅有效提高了企业创新资源的匹配效率,还在一定程度上提高了企业技术创新的效率,实现碳减排[13]。第一,数字化所带来的“去中心化”“去边界化”有效缓解了由于资源约束限制企业技术赶超的问题。为企业取得了更多互补资源,通过缓解公司信息私有性产生的信息不对称以及改善信息传递过程中的损耗和滞后性[14],极大提高了企业获取信息的速度,其次,数字化为企业创新活动搭建了技术合作和信息交流平台,增强了企业创新网络的异质性[15]。具体表现为企业创新形式更加多元化,创新活动突破了地域限制,创新主体呈现出分散以及多样化的特征[16],最后,数字化的成本节约效应有效提升了企业创新效率。企业通过数字化转型提高了自身的研发生产技术。将机器人引入生产经营中,降低了成本[17];将数字仿真技术应用到研发活动中,降低了企业的研发成本[18]。提高企业与用户以及供应商的匹配沟通效率,有效降低了沟通,生产经营成本。等到成本降低以后,企业便可以用更多的资源去研发高价值的活动,产出高质量研发成果,来为进一步的技术创新提供支持[19],进而对企业的碳减排起到更好地促进作用。
H2:数字化转型对产业智能化提升企业碳减排水平起正向调节效应。
3. 研究设计
3.1. 模型设定
本文借鉴赵培雅等的模型,并且利用2011~2021年中国452家高耗能上市公司有关数据来研究产业智能化对企业碳减排绩效的影响效应。具体模型构建如下;
其中:下标i表示高耗能企业,t表示年份;CCRit为高耗能企业碳减排绩效;AIit为高耗能企业产业智能化水平;Xit为其他一系列控制变量。此外,μi为本文的行业固定效应,νt为本文时间固定效应,εit为本文的随机扰动项。
在上面公式的基础上,本文为了进一步研究企业数字化转型对产业智能化促进碳减排的调节效应,本文在新的模型中加入了产业智能化(AI)和数字化转型(DT)的交互项(AIit × DTit)以此来研究企业数字化转型对其的调节作用。
其中:DTit表示高耗能企业的数字化转型程度,β3为高耗能企业产业智能化和数字化转型的融合效应,当β3 > 0时,表明高耗能企业数字化转型可以正向调节其产业智能化提升碳减排绩效,反而言之,当β3 < 0,说明其调节效应为负。
3.2. 变量测度
1) 被解释变量
高耗能企业碳减排绩效(CCR)。出于企业碳排放数据的难获得性,已有文献在研究企业碳减排绩效时多采用社会责任报告中环境信息披露赋值法或社会责任评分进行度量。参考方兰[20]的方法,在和讯网上下载上市公司的社会责任报告,并且用其社会责任评分总得分来衡量。还评分包含了社会责任,环境责任等五项指标。能够较为准确地描述企业社会责任履行程度,其数据已经被广泛应用于研究中。
2) 解释变量
借助温湖炜[21]的做法,因为企业智能化发展水平衡量不易,导致对其的研究比较困难。但是,上市公司年度报告中出现的一些词汇词频可以在一定程度上衡量企业的战略方向和经营活动,进而代表企业的智能化发展水平。所以,本文采用文本挖掘法,在高耗能企业的年报中提取有关智能化发展的有关词汇,并计算其出现的次数,归纳整理,以此衡量企业智能化发展水平。
3) 调节变量
由于目前我国处于数字化转型的初级阶段,企业数字化转型程度无法用具体数值来衡量,但企业年报中出现有关词汇的频数在一定程度上反映了企业数字化转型的程度。因此,本文使用文本挖掘法,从上市公司年报中查询有关数字化转型的词汇,并计算其出现的频率[22]。首先,归纳整理出有关数字化转型的词汇,然后在巨潮网上爬取2011年~2021年高耗能企业的年度报告,最后通过Python和Jieba计算词频。
4) 控制变量
通过了解有关文献,本文将以下变量来作为控制变量。1) 产业结构(Struct):第二产业/GDP [23];2) 经济发展水平(Pgdp):各城市的实际人均GDP [23];3) 资产负债率(Lev):企业负债总计/资产总计[24];4) 净利润增长率(Npgr):(企业本期净利润 − 上期净利润)/上期净利润[24];5) 流动资产周转率(Catr):企业营业收入/流动资产期末余额[25];6) 研发费用率(Rder):企业研发费用/营业收入[26]。
3.3. 数据来源
本文使用2011年~2021年高耗能企业的数据来做实证研究。本文主要从国泰安数据库,《上市公司年度报告》以及《中国城市统计年鉴》收集本文所需数据。而且本文根据《上市公司行业分类指引》来界定高耗能企业,这是2020年证监会发布的文件。此外,删除了数据中包含ST,*ST,PT的企业和数据严重缺失的企业。其次,为了避免出现异方差的情况,对于一些连续变量,本文取了对数[27],而且做了1%的缩尾处理。下面表1展示的是本文变量的定义和符号,表2展示的是变量的描述性统计,表3展示的是各个变量之间的相关系数。
Table 1. Variable definitions and symbols
表1. 变量定义及符号
变量名称 |
符号 |
定义 |
被解释变量 |
|
|
企业碳减排绩效 |
CCR |
和讯网社会责任评分 |
核心解释变量 |
|
|
企业智能化水平 |
AI |
有关智能化发展水平的文本词频数 |
调节变量 |
|
|
企业数字化水平 |
DT |
企业数字化转型关键词总频数 |
控制变量 |
|
|
产业结构 |
Struct |
第二产业/GDP |
经济发展水平 |
Pgdp |
各城市的实际人均GDP |
资产负债率 |
Lev |
企业负债总计/资产总计 |
净利润增长率 |
Npgr |
(企业本期净利润 − 上期净利润)/上期净利润 |
流动资产周转率 |
Catr |
企业营业收入/流动资产期末余额 |
研发费用率 |
Rder |
企业研发费用/营业收入 |
Table 2. Descriptive statistics of variables
表2. 变量的描述性统计
|
(1) |
(2) |
(3) |
(4) |
(5) |
变量 |
N |
mean |
sd |
min |
max |
Lev |
2594 |
0.459 |
0.202 |
0.00708 |
1.037 |
Npgr |
2594 |
12.63 |
300.9 |
−1953 |
13,119 |
Rder |
2594 |
0.00728 |
0.0166 |
0 |
0.233 |
Catr |
2594 |
1.861 |
1.311 |
0.0328 |
19.87 |
Struct |
2594 |
42.93 |
8.533 |
15.80 |
59 |
Pgdp |
2594 |
66,473 |
32,028 |
16,413 |
183,980 |
DT |
2594 |
1.946 |
5.326 |
0 |
83 |
CCR |
2594 |
22.13 |
15.13 |
−12.92 |
82.61 |
AI |
2594 |
0.185 |
0.780 |
0 |
10 |
Table 3. Correlation coefficients of variables
表3. 变量的相关系数
变量 |
CCR |
AI |
DT |
Lev |
Npgr |
Rder |
Catr |
Struct |
Pgdp |
CCR |
1 |
|
|
|
|
|
|
|
|
AI |
−0.045** |
1 |
|
|
|
|
|
|
|
DT |
−0.0180 |
0.124*** |
1 |
|
|
|
|
|
|
Lev |
0.050** |
−0.00700 |
−0.040** |
1 |
|
|
|
|
|
Npgr |
−0.00600 |
0.0260 |
−0.00600 |
0.0210 |
1 |
|
|
|
|
Rder |
−0.062*** |
0.150*** |
0.097*** |
−0.184*** |
−0.00200 |
1 |
|
|
|
Catr |
0.0250 |
−0.0270 |
−0.043** |
0.204*** |
0.0150 |
−0.172*** |
1 |
|
|
Struct |
0.0160 |
−0.073*** |
−0.120*** |
−0.0290 |
0.0130 |
−0.210*** |
−0.0190 |
1 |
|
Pgdp |
0.00600 |
0.114*** |
0.151*** |
−0.063*** |
0.009 |
0.350*** |
−0.054*** |
−0.567*** |
1 |
注:***、**分别表示p < 0.001、p < 0.01。
Table 4. Baseline regression
表4. 基准回归
变量 |
CCR |
CCR |
CCR |
AI |
−0.8243** (−2.7765) |
−0.7816** (−2.6256) |
−0.8235** (−2.7913) |
Lev |
|
0.6918 (0.4470) |
0.8643 (0.5557) |
Npgr |
|
−0.0003 (−0.5387) |
−0.0004 (−0.6570) |
Rder |
|
−29.6743 (−1.5976) |
−39.0178* (−2.0568) |
Catr |
|
0.0153 (0.0649) |
0.0350 (0.1473) |
Struct |
|
|
0.0680 (1.6103) |
Pgdp |
|
|
0.0000* (2.5206) |
常数 |
26.6654*** (14.4866) |
26.1672*** (12.4456) |
21.7902*** (6.6056) |
年份固定效应 |
Yes |
Yes |
Yes |
行业固定效应 |
Yes |
Yes |
Yes |
观测值 |
2527 |
2527 |
2527 |
R2 |
0.0128 |
0.0121 |
0.0138 |
注:***、**和*分别表示p < 0.001、p < 0.01和p < 0.05。
4. 实证分析
4.1. 基准回归结果
由表4可知,列(1)中产业智能化(AI)对碳排放的影响系数为0.8243且在1%的水平下显著为负。表明产业智能化能够显著降低企业的碳排放量。由列(2)可知,在加入企业层面的控制变量后,产业智能化(AI)对企业的碳排放水平影响系数为0.7816且在1%的水平下显著为负,由列(3)可知,在加入企业层面,城市层面的控制变量后,产业智能化(AI)对企业碳排放强度的系数为0.8235且在1%的水平下显著为负。表明产业智能化能够降低企业的碳排放量,验证了假说H1。
4.2. 稳健性检验
内生性问题
内生性问题会使论文的研究结果出现偏差,会破坏参数的一致性,所以内生性问题是实证研究中至关重要的问题。本文主要采用三种方法来处理内生性问题。测量误差,遗漏变量和逆向因果。首先,为了验证测量误差是否影响了实证结果,本文对产业智能化和碳排放强度的变量进行了替换。对于碳排放强度,本文替换为各企业每年实际的碳排放量来测度,并且取对数。其变量符号用logCCR2表示。对于产业智能化,本文替换为产业智能化化指数,并且采用熵值法进行测度。其变量符号用AD表示。其回归结果呈现在表5中,由表5列(1),列(2)可知,在替换了变量的测度方法后,其回归结果仍然稳健。其次,遗漏变量问题。由于遗漏变量也会导致内生性问题的出现,所以本文加入了企业规模(用企业总资产来衡量)和城市固定效应,个体固定效应。有表5列(3)可知,在加入了这些遗漏变量后,回归结果仍然显著,这反映了基准回归结果的稳健性。最后,逆向因果问题。企业碳排放强度和企业产业智能化化水平之间可能会存在逆向因果关系,而这会导致内生性问题的出现,所以本文采用工具变量法来检验。借鉴Davidson和MacKinnon [28]的方法,解释变量的滞后项也可以用作工具变量。因此,本文选取了滞后一期企业有关产业智能化的词频来作为工具变量。其变量符号用AE表示。如表6所示,AE与AI的相关系数在1%的水平下显著为正,AE与logCCR2的相关系数在10%的水平下也显著为正,验证了基准回归结果的稳健性。
Table 5. Endogeneity test
表5. 内生性检验
变量 |
logCCR2 |
CCR |
CCR |
AI |
0.0758*** (3.2981) |
|
−1.2753*** (−3.3556) |
AD |
|
−0.8235** (−2.7913) |
|
资产总计 |
|
|
0.0000 (0.6281) |
控制变量 |
Yes |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
Yes |
行业固定效应 |
Yes |
Yes |
Yes |
城市固定效应 |
No |
No |
Yes |
个体固定效应 |
No |
No |
Yes |
常数 |
10.1913*** (38.6360) |
22.6137*** (6.8455) |
64.8116*** (5.1072) |
观测值 |
2523 |
2527 |
2527 |
R2 |
0.5000 |
0.0138 |
0.2494 |
注:***、**分别表示p < 0.001、p < 0.01。
Table 6. Instrumental variable testing
表6. 工具变量检验
变量 |
AI |
logCCR2 |
AE |
0.7851*** (16.1170) |
0.0718** (2.8152) |
控制变量 |
Yes |
Yes |
常数 |
0.0319 (0.2852) |
10.1946*** (38.5691) |
年份固定效应 |
Yes |
Yes |
行业固定效应 |
Yes |
Yes |
观测值 |
2527 |
2523 |
R2 |
0.4420 |
0.4994 |
注:***、**分别表示p < 0.001、p < 0.01。
5. 数字化转型的调节效应检验
5.1. 调节效应的实证检验
因为数字化转型对企业产业智能化水平促进碳减排效应有可能产生影响。因此,本文把数字化转型作为调节变量进行回归检验,探究其对于产业智能化水平对企业碳减排绩效水平的影响作用。结果如表7所示。由表7列(2)可知,数字化转型对企业碳排放强度影响系数为负,但不显著,由表7列(1)可知,产业智能化对企业碳排放强度影响系数显著为负,由表7列(3)可知,数字化转型与企业产业智能化交互项对企业碳排放强度的影响系数为0.1181,且在10%的水平下显著为负。这也清楚表明了数字化转型能够促进产业智能化对企业碳排放绩效的提升作用。
Table 7. Moderating effects
表7. 调节效应
变量 |
CCR |
CCR |
CCR |
AI |
−0.8235** (−2.7913) |
|
|
DT |
|
−0.0665 (−1.8257) |
|
DT*AI |
|
|
−0.1181** (−2.8643) |
控制变量 |
Yes |
Yes |
Yes |
常数 |
21.7902*** (6.6056) |
21.8049*** (6.5929) |
21.5514*** (6.5186) |
年份固定效应 |
Yes |
Yes |
Yes |
行业固定效应 |
Yes |
Yes |
Yes |
观测值 |
2527 |
2527 |
2527 |
R2 |
0.0126 |
0.0138 |
0.0141 |
注:***、**分别表示p < 0.001、p < 0.01。
Table 8. Industry heterogeneity test
表8. 行业异质性检验
|
C25 |
C26 |
C30 |
C31 |
C32 |
D44 |
变量 |
CCR |
CCR |
CCR |
CCR |
CCR |
CCR |
AI |
−5.3478 (1.0760) |
−0.4529 (−0.6684) |
−1.0964** (−2.8731) |
−0.3478 (−0.2643) |
−0.6319 (−1.1616) |
−1.8152* (−2.2079) |
DT |
−1.5190** (2.8986) |
0.0100 (0.1812) |
−0.1054 (−1.7189) |
−0.2139* (−2.0223) |
−0.1120 (−0.3120) |
−0.4173* (−1.9835) |
AI*DT |
−1.6327** (−3.3648) |
−0.0721 (−1.8088) |
−0.1276 (−1.4306) |
−0.2440 (−1.8845) |
−0.0433 (−0.4609) |
−0.3508* (−2.5109) |
控制变量 |
Yes |
Yes |
Yes |
Yes |
Yes |
Yes |
时间固定效应 |
Yes |
Yes |
Yes |
Yes |
Yes |
Yes |
行业固定效应 |
Yes |
Yes |
Yes |
Yes |
Yes |
Yes |
常数 |
38.4023 (1.5784) |
14.8727** (3.0488) |
21.6656*** (4.3409) |
29.0295* (2.4577) |
14.4403 (1.8327) |
0.3905 (0.0541) |
观测值 |
88 |
949 |
425 |
186 |
352 |
527 |
R2 |
0.0141 |
0.0002 |
−0.0052 |
0.0034 |
0.0194 |
0.0146 |
注:***、**和*分别表示p < 0.001、p < 0.01和p < 0.05。
5.2. 调节效应的异质性
由于不同行业之间存在异质性问题,所以产业智能化水平,数字化转型可能对不同行业产生的碳减排效果不同。所以,本文对六种行业分别进行估计,回归结果如表8所示,通过表8,可以发现数字化转型C25,D44行业的产业智能化促进碳减排的调节效应显著,但是对其他高耗能行业的调节效应不显著。这说明数字化转型对各个行业的调节效应因行业的异质性而存在差异。C25,D44两个行业受到数字化转型和产业智能化的融合作用显著,C26,C30,C31,C32等行业受到产业智能化和数字化转型融合作用的影响不显著。
6. 结论和建议
产业智能化和数字化转型是企业实现碳减排的有力方法,本文将中国452家高耗能企业上市公司作为研究对象,运用固定效应模型研究了企业产业智能化对碳排放的影响作用以及企业数字化转型水平对其的调节效应。研究结果如下,第一,产业智能化对于高耗能企业碳排放有显著的降低效应,并且通过内生性检验后结果依然稳健。第二,数字化转型对于产业智能化降低企业的碳排放有显著的正向调节作用。第三,行业间的异质性使得数字化转型对企业产业智能化和碳减排绩效关系呈现出不同,C25,D44行业的数字化转型调节效应显著,但C26,C30,C31,C32行业的数字化转型调节效应不显著。针对于改善企业的数字化转型程度,产业智能化,改善企业的碳排放,本文提出以下建议:第一,政府应该制定高耗能企业产业智能化以及数字化转型改革的方案,推进企业产业智能化与数字化转型的融合,为高耗能企业实现碳减排打下良好的基础。第二,高耗能企业应该根据自身行业的特点制定出产业智能化改革的具体实现方法,同时注重数字化转型对其的调节作用。并且采用分阶段分步骤的方法逐步实现自身的产业智能化和数字化转型。第三,高耗能企业应该重视自身的产业智能化改革,提高第三产业占比,并且注重技术创新,将更多的资金投入研发,更好地实现企业的碳减排。
基金项目
国家社会科学基金项目(22BJY199)。