开放科学(资源服务)标识码(OSID)：
Existing research has explored the factors influencing green innovation in manufacturing enterprises from multiple levels.However,in the complex green innovation ecosystem,the green innovation of manufacturing enterprises is inevitably affected by the interaction of multiple factors.Notably,the impact of AI adoption on innovation performance and its mechanism of action when manufacturing enterprises use intellectual capital for green innovation remain inconclusive.
Building on this premise,this study integrates technology affordance theory with the perspective of informal environmental regulations to elucidate dynamic mechanisms through which AI technological empowerment interacts with institutional pressures to drive manufacturing firms' green transformation processes.Employing a dual theoretical framework of technological affordance and informal environmental regulations,the study constructs a three-dimensional interactive model,and it analyzes the mechanistic relationships among AI technology adoption,intellectual capital,third-party ESG ratings,and green innovation based on the panel data from China's A-share listed manufacturing firms (2011-2022).
Findings show that,firstly,structural capital,accumulated via organizational learning,enhances resource allocation efficiency and acts as a critical "lubricant" in innovation processes.Simultaneously,relational capital cultivates cross-sector collaborative networks that provide essential resource pipelines and market access,fostering an external ecosystem conducive to value co-creation.Notably,these mechanisms exhibit amplified beneficial effects in complex entities and contextual scenarios with distinctive characteristics.Secondly,deviations from green development pathways often precipitate myopic decision-making traps.In such cases,firms preferentially allocate human capital investments to conventional projects with rapid financial returns,while underinvesting in long-term green innovation initiatives requiring sustained investments.Consequently,increased human capital does not invariably translate to developmental momentum; paradoxically,it may suppress green innovation capabilities.Without strategic planning,AI adoption may exacerbate this inhibitory effect through misdirected human capital allocation.Thirdly,from the perspective of informal environmental regulations,it examines three-way interactive effects involving third-party ESG ratings.Results demonstrate that ESG ratings moderate the synergistic interaction between intellectual capital and AI technology.Specifically,higher ESG ratings incentivize firms to simultaneously accelerate AI adoption and strengthen human/structural capital development.Furthermore,these ratings foster collaborative networks that enhance AI-intellectual capital complementarity.Collectively,these reinforcing mechanisms—spanning technology adoption,capital development,and network cultivation—enhance green innovation efficiency by creating a virtuous cycle where ESG-driven incentives align with optimized technological and intellectual resource allocation.
Thus,three key managerial implications for green innovation of manufacturing firms are presented.First,firms should leverage intellectual capital,especially human capital,by focusing on long-term green development,training employees in green knowledge and skills,and integrating human capital with structural and relational capital.Second,AI technology can significantly enhance green innovation efficiency,so firms need to integrate AI into green innovation processes,optimize organizational structures and management mechanisms with digital technology,and build AI-powered relational networks.Lastly,embracing ESG philosophy is crucial.Firms should incorporate ESG principles into their core philosophy and development strategy,view ESG practices as long-term value investments,and actively disclose ESG information to build good stakeholder relationships and secure resource support for green innovation.
This study makes two primary theoretical contributions.First,through the lens of affordance theory,it unravels the mechanism by which AI adoption influences manufacturing green innovation and its synergy with intellectual capital.This offers a novel analytical framework and research trajectory for industrial green transformation.Second,from the informal environmental governance perspective,the study investigates three-dimensional interactions among ESG ratings,AI adoption,and intellectual capital.The analysis reveals how dual contextual pressures of AI development and ESG performance shape firms' strategic utilization of intellectual resources for green innovation,extending existing literature on corporate environmental performance determinants.
开放科学(资源服务)标识码(OSID)：
党的二十届三中全会强调,“加快推进新型工业化,培育壮大先进制造业集群,推动制造业高端化、智能化、绿色化发展”。2025年《政府工作报告》明确提出“持续推进‘人工智能+’行动”。AI技术正在以新理念、新业态、新模式全面融入经济、政治、文化、社会、生态文明建设各领域和全过程[1-2],给人类生产生活带来广泛而深刻的影响。推动AI技术与制造企业绿色发展深度融合,实现绿色制造是把握制造业变革新机遇的战略选择[2-3]。
现有研究从多个层面探讨了制造企业绿色创新的影响因素,包括制度[4]、数字技术[5]、ESG表现[6]、绿色创新战略(李旭,2015)、知识管理[7-8]等。在复杂绿色创新生态系统中,制造企业绿色创新会受到多个因素的交互影响[9-10]。首先,绿色创新本质上是复杂的知识活动,涉及不同技术领域知识在组织内创造、整合与扩散[8]。绿色创新主要依靠企业内部知识资源,作为企业获取竞争优势的重要知识基础,智力资本是企业创造绿色价值的核心要素[5],已得到学术界广泛认可。智力资本为绿色创新提供知识、人才、技术和市场洞察等方面的支持[5]。其次,AI为创新生态系统内各参与主体间资源协同提供技术条件,促进资源配置效率提升,助力不同主体价值创造[11]。绿色创新是通过对各种资源的识别、获取、重组形成新的资源配置,其中稀缺的、有价值的、不可代替的异质性资源成为推动绿色创新的核心要素。AI不仅是一项技术,也是一种资源[11]。它为企业提供绿色相关知识与技术,从而提高企业绿色创新能力[12-13]。基于可供性视角,技术具有可供性、成长性、可重新编程性,不同技术组合能够产生不同价值实现路径(洪江涛等,2024)。作为一种智能技术,AI在与不同主体深度融合过程中,具备突出的创新潜能和创造力,驱动技术、流程和组织创新与升级[11],已成为提升绿色创新水平的关键手段。但现有研究大多是从劳动力视角出发,探讨AI的就业效应和经济效应[13]。在制造企业利用智力资本进行绿色创新过程中,AI技术采纳对创新绩效有何影响?其作用机制是什么?现有研究尚未取得一致结论。
从制度层面看,制造企业开展绿色创新会受到正式或非正式环境规制的约束。胡洁等[4]研究指出,相较于强制性环境规制,ESG评级作为非正式环境规制更能激发企业绿色转型动力,是企业开展绿色创新的关键驱动因素。在ESG评级下,制造企业利用智力资本协同AI技术开展绿色创新又会受到何种影响?谢卫红等[14]研究指出,主体互动场所会潜在影响技术可供性;苏敬勤等[15]基于政治、经济、社会技术视角对技术可供性的影响因素进行梳理,强调情境因素会影响行为主体与技术可供性互动。在AI技术和ESG治理已成为驱动企业创新与商业模式变革的核心动力背景下[16],智力资本、AI技术、ESG评级如何通过相互作用影响制造企业绿色创新有待进一步深入探究。
本文以制造企业为研究对象,探究AI技术采纳能否提升企业利用智力资本进行绿色创新的绩效,以及这一过程的影响机理。同时,基于非正式环境规制视角,将ESG评级纳入上述研究框架,探索其三维交互效应,以期通过多维度分析,为制造企业绿色发展和可持续创新提供理论支持与实践指导。本文可能的边际贡献如下:第一,从可供性视角出发,揭示AI技术采纳对制造企业绿色创新的作用机理,以及AI技术采纳与智力资本的交互作用机制,旨在为制造业绿色转型和可持续发展提供新视角与研究方向。第二,基于非正式环境规制视角,探索ESG评级与AI技术采纳、智力资本之间的三维交互作用,旨在揭示AI技术采纳和ESG评级双重情境对制造企业利用智力资本开展绿色创新的影响机理,进一步拓展企业绿色创新影响因素研究。
可供性这一概念最早源于生态学领域,用以描述技术对象所具有的可被利用以完成不同目标的潜能。随着研究发展,可供性逐步扩展到技术领域。信息技术颠覆性发展,技术可供性逐步发展成为学界和业界最关注的一种可供性。技术可供性强调特定主体对技术这一客观对象功能属性的感知,以及技术与主体间的交互,两者匹配可为特定主体发展提供更强的行动潜力。
基于可供性视角,AI为主体间资源协同提供了技术条件,促进了资源配置效率提升[13,17]。各关联主体以及不同领域创新资源可借助AI技术实现更加紧密的整合,其可供性有助于制造企业实时与其它单元进行互动。在工业大数据时代,制造企业借助AI技术推动绿色制造(洪江涛和张思悦,2024)。一方面,AI技术突破了组织和部门边界,通过优化技术环境、加强绿色技术溢出、积累绿色创新要素等驱动制造企业绿色发展[11,13]。另一方面,AI技术加速制造企业智能化转型,通过在研发设计、生产制造、经营管理和服务等关键环节采纳AI技术,制造企业实现自动化感知学习、独立决策和适应性调整,进而精确管理资源投入与产出,降低因产能过剩引发的环境污染问题[13]。基于可供性视角的分析有助于理解制造企业绿色创新过程与结果之间的复杂动态关系。因此,本文提出以下假设:
H1:AI技术采纳能够正向影响制造企业绿色创新。
在知识经济时代,市场竞争本质上是知识竞争、人才竞争[18]。资本的概念拓展到知识及拥有知识和创造知识的智力,即智力资本,其已被证明是企业实施创新的基础性资源[5]。作为战略性资源,智力资本为企业绿色创新提供充足的知识资源和与市场对接的动态能力[19-20]。随着“人工智能+”行动持续推进,企业运营过程中AI技术嵌入程度不断加深,AI设备被运用于各环节。在制造业领域,AI技术融入有助于促进产品创新、生产流程智能化、高标准质量控制以及高效智能物流体系构建,显著提升生产效率与产品品质,同时有效降低运营成本及资源损耗,为制造企业绿色发展提供技术支撑。尽管多数制造企业已意识到AI技术对绿色转型的重要性,但许多企业尚未做好充分准备,它们对AI技术的理解不够深入,且在人才储备、内部制度建设及组织协同等方面未能与AI技术深度融合,缺乏推动绿色价值创造的专业人才和相应保障机制。在此情境下,制造企业的关键创新资源智力资本如何与AI技术协同促进绿色创新有待深入研究。
智力资本三元论是目前使用最广泛的划分方法,能够较为全面、准确地体现企业智力资本。参考现有研究,本文智力资本从人力资本、结构资本和关系资本3个维度展开。考虑到企业知识资源在价值创造过程中的重要性,以及不同价值逻辑中资源的差异性,智力资本并非从单一维度对企业绿色创新产生影响,而是通过人力资本、结构资本和关系资本相互间的耦合[19,21]。本文认为,智力资本各维度都是制造企业实施绿色价值创造的核心驱动力量,人力资本是人才保障,结构资本是内部制度保障,关系资本是组织协同保障。因此,有必要对智力资本不同维度展开分析。
1.2.1 人力资本、AI技术采纳与制造企业绿色创新
人力资本是制造企业进行知识创造的核心要素,具有创造性、能动性,是影响企业创新行为的重要因素[20]。制造企业人力资本包括员工与管理者等所有人员所拥有的知识、技能、经验等个人能力[5],这一能力可以通过正式与非正式的方式(如教育、培训、自我感知等)得到发展、维持与强化,从而增加组织人力资本存量。具有绿色意识的人力资本能够优化企业绿色创新流程,通过降低资源与能源消耗、提高利用率等方式提升生产制造效率[19,22],并有效解决组织中存在的“绿色”问题。在短期业绩压力和短期利益驱使下,企业管理层往往倾向于将人力资本投向见效快、能够产生回报的传统项目。绿色创新因其投资规模大、回报周期长、风险较高等特点,需要长期稳定且有耐心的资本陪伴“长跑”。因此,当企业倾向于基于短期目标对人力资本进行投资时,会导致员工知识体系、技能构成与绿色创新这一长期项目所需能力之间存在较大偏差,进而削弱制造企业绿色创新。
AI技术采纳虽促进了人力资本高效配置,但也强化了人力资本对绿色创新活动的抑制效应。AI技术引入可能使得一些传统技能变得不再重要,而新兴AI使用技能则成为企业竞争力的关键。然而,这种技能替代和升级过程可能需要较长时间,且不一定与绿色创新所需技能相匹配。因此,在AI技术采纳程度较高企业中,人力资本与绿色创新之间的偏差可能更加显著。绿色创新依赖于人类创新思维、直觉洞察力以及跨领域知识整合能力,在高度人机协同环境中,若过分倚重AI决策与执行效能,而忽视对人力资本创新潜能的挖掘与激励,将削弱制造企业绿色创新内驱力与活力。因此,本文提出以下研究假设:
H2a:高人力资本抑制了制造企业绿色创新,并且这一影响机制在AI技术采纳程度更高时更为显著。
1.2.2 结构资本、AI技术采纳与制造企业绿色创新
企业结构资本主要包括组织结构、组织文化、内控制度及工作流程等内容[5,18],其表现形式呈现多样化,例如硬件、软件、制度、数据库、组织结构、信息系统等,可以在组织内部复制、分享、传播[23]。结构资本具体表现为保护研发成果、制定技术标准和培育创新文化,这些因素有助于制造企业在创新方面保持竞争优势。制造企业结构资本对绿色创新的影响主要体现在以下方面:一是优质结构资本为绿色知识转化提供便捷渠道[19],从而提高组织资源利用率。拥有良好结构资本的组织支持内部成员跨部门沟通与信息共享,能够提高运行效率,减少资源冗余,从而提升创新效率[10,20]。二是结构资本所蕴含的组织协作整合机制,有利于企业文化培育和组织结构优化,为绿色创新活动提供基础条件。三是优质结构资本鼓励灵活性的思想表达和学习准则[18],可增强员工情感依赖与组织承诺,促使企业实施绿色创新行为[18-19]。
制造企业AI技术采纳能够增强组织结构和管理机制的韧性,有效提升结构资本水平,从而促进绿色创新活动。首先,AI技术广泛应用能够推动企业内部管理模式变革[16]。制造企业需要从顶层设计出发,通过培养员工适应能力推动绿色创新以适应外部环境变化。其次,AI技术改变了传统商业模式和价值创造逻辑。传统价值创造和商业模式以单个企业为主体,呈现出闭源式特征[23]。在数字经济时代,制造企业可以跨越组织边界整合外部资源,促使用户及其他主体深度参与绿色创新全过程,进而实现开放式绿色协同创新,为持续创新提供动能[24]。最后,AI技术可以提高创新活动组织与管理效率,推动企业组织结构向网络化和扁平化转变,突破企业内部壁垒[25]。上述变革进一步提升组织结构韧性,促进绿色知识要素在各系统间流动与共享。因此,本文提出以下研究假设:
H2b:高结构资本有利于制造企业绿色创新,并且这一影响机制在AI技术采纳程度更高时更为显著。
1.2.3 关系资本、AI技术采纳与制造企业绿色创新
关系资本是无形资产,可为绿色创新提供潜在驱动力[26]。在制造企业绿色创新过程中,关系资本的贡献在于为其利益相关者之间搭建“桥梁”。依托于创新网络下的协同创新在企业创新发展过程中发挥重要作用。高关系资本可以提升制造企业在合作网络中的关系嵌入程度,为协同创新奠定坚实的基础,具体如下:一是制造企业通过与顾客、供应商等主体良性互动,实现利益共享[20]。共享交流社区便于不同主体间的沟通和协调,进而为实现产品、技术重组和“共绿色创新”搭建起沟通“桥梁”[23]。二是良好的关系资本有助于制造企业与利益相关者维持较高的信任水平,提高绿色技术应用潜力[10],并将绿色创新理念渗透于供应链网络各环节。同时,制造企业可以利用关系资本传播环保和社会责任理念,引导其他主体开展绿色创新[21]。
制造企业利用AI技术减少能源消耗和提升资源利用率,从而促进绿色价值创造[13]。首先,高关系资本的制造企业拥有较高的关系嵌入程度。在AI技术驱动下,制造企业合作网络得以优化,资源获取成本显著降低。在合作网络中,合作关系稳定性提升促进了各类绿色资源高效流通与优化配置(冯熹宇等,2023)。其次,绿色创新本质上是跨领域创新活动[23]。不同领域知识往往被各自专业壁垒所隔离,易形成“信息孤岛”。得益于AI技术快速发展,尤其是自然语言处理和机器学习等技术突破,制造企业能够深入分析进而利用不同领域异质性知识[2]。跨领域互动不仅为制造企业积累丰富多元的关系资本,也为跨领域合作创新提供有力支撑。
H2c:高关系资本有利于制造企业绿色创新,并且这一影响机制在AI技术采纳程度更高时更为显著。
非正式环境规制是公众和利益相关方通过社会舆论压力、监管压力以及直接谈判等手段,促使企业减少违规排放、遵守环保准则。作为典型的非正式环境规制,第三方机构发布的ESG评级通过对企业在环境、社会、治理3个方面的绩效进行评估,量化和比较企业在可持续性与责任履行方面的表现,为投资者、利益相关者和消费者提供参考。ESG评级是制造企业利用AI技术进行绿色创新面对的重要情境因素,影响AI技术应用产生的结果[14]。
高ESG评级的制造企业通过增加AI技术投资、优化机器设备、提升员工技能、改善合作伙伴关系等途径,强化AI技术与智力资本的绿色创新协同效应。一方面,ESG评级会促使制造企业投资和采纳AI技术。ESG评级是制造企业进行ESG投资的重要依据,作为推动转型和高质量发展的重要抓手,ESG投资是制造企业绿色创新的重要驱动因素[4]。制造企业通过投资AI技术优化组织生产流程,提高生产力、创新能力和市场竞争力,在提升ESG表现的同时获得长期经济回报和持续发展。另一方面,ESG评级能够提升制造企业智力资本水平,具体如下:一是ESG评级促使制造企业更加注重员工利益,进而提升员工工作积极性。同时,ESG评级有助于企业管理者培育绿色意识,通过加强内部控制和提升治理水平,避免管理层利益冲突并降低代理成本[4,27]。二是良好的治理结构和透明的决策流程是获取高ESG评级的关键因素。在ESG评级驱动下,制造企业通过优化内部控制系统、提升合规性和加强风险管理,构建更加稳固和高效的组织架构,从而促进知识共享和绿色创新。三是高ESG评级有利于企业建立良好的关系网络。资源依赖理论和利益相关者理论认为,企业需要从外部获取资源以实现可持续发展[27]。高ESG评级能够提升企业与利益相关者的信任程度,以及企业在外部合作中的信誉,为其开展绿色创新提供更多资金和技术支持[4,27]。上述情境下,组织间的不确定性降低,AI技术采纳进一步强化制造企业绿色创新效应。因此,本文提出如下假设:
H3a:制造企业ESG评级越高,AI技术采纳对人力资本与绿色创新关系的负向调节作用越弱;
H3b:制造企业ESG评级越高,AI技术采纳对结构资本与绿色创新关系的正向调节作用越强;
H3c:制造企业ESG评级越高,AI技术采纳对关系资本与绿色创新关系的正向调节作用越强。
综上所述,本文构建研究概念模型如图1所示。
图1 概念模型
Fig.1 Conceptual model
本文以中国A股上市企业为初始样本,按照以下标准进行筛选:①根据《国民经济行业分类与代码》(GB/4754-2011)筛选出制造企业;②剔除研究时间区间(2011—2022年)内绿色发明专利申请数量为0的企业;③剔除带有ST、*ST标志的样本企业;④剔除核心变量与其它变量数据无法匹配的样本企业;⑤剔除变量数据缺失严重的样本企业。
本文研究数据来源如下:第一类为企业层面的创新、财务、专利和研发等基础数据,来源于国泰安(CSMAR)数据库和企业年报;第二类为企业环境保护和ESG相关数据,来源于企业年报和万得(Wind)数据库。在样本企业年报和第三方数据库中,ESG评级、研发创新和环境治理等相关数据在2011年以前缺失较为严重。为保障数据的完整性和结果的稳定性,本文选择2011—2022年871家A股制造业上市企业作为研究样本,最终获得9 604个面板数据。因制造企业绿色创新是过程性活动,结果显现存在一定的滞后性,考虑到内生性问题,本文将因变量滞后一期。
2.2.1 被解释变量:绿色创新(GI)
关于绿色创新,现有研究尚无统一定义。本文认为,企业开展绿色创新不能仅以减轻环境负担为目标,应同时兼顾环境效益和经济效益。在经济价值方面,企业通过创新技术获得经济效益。在环境价值方面,企业通过绿色技术应用降低对环境的负面影响。据此,本文选择绿色创新效率和排放污染物当量两个指标测度样本企业绿色创新水平。
绿色创新效率为正向指标,该数值越大,制造企业绿色创新水平越高,包括绿色技术研发效率和应用效率两个方面[23]。该数据主要采用两阶段DEA-SBM模型计算得出。制造企业排放污染物当量值是反向指标,其数值越大,制造企业绿色创新水平越低。根据《中国排污费征收标准管理办法》,企业污染物排放量主要包括工业废水中的化学需氧量和氨氮排放量、工业废气中的二氧化硫和氮氧化物排放量。本文对上述污染物排放量进行标准化处理,折算成统一污染当量数,并将污染当量数进行加总(加1取对数)以确定污染当量值,以此反映制造企业污染排放水平。
2.2.2 核心解释变量
(1)AI技术采纳程度(AI)。制造企业在生产过程中采纳和应用AI的程度影响其绿色发展。以往研究通常使用全要素生产率、技术进步指数、专利授权数、人均设备价值等指标度量AI技术应用。本文参考姚加权等(2024)、吴非等(2021)的研究,采用上市公司年报中人工智能关键词数量加1的自然对数作为AI技术采纳程度(AI)的衡量指标[28]。
(2)智力资本(IC)。作为独特的战略性知识资源,智力资本逐渐成为企业创新的根本驱动力[13]。现有研究主要基于两种方式衡量智力资本:一是调研数据,通过标准化问题收集大量数据。二是通过上市公司财务数据反映企业智力资本[9]。本文采用财务数据测量智力资本的原因如下:首先,财务数据方便获取,且具有标准格式。采用财务数据衡量智力资本,能够确保评估结果的一致性和适用性。其次,财务数据具有较高的客观性,利用财务数据度量可提升智力资本的可信度。再次,财务数据体现了企业对智力资本的投资,并直接反映企业价值创造,如各种利润、费用指标。最后,可以利用二手财务数据获得长面板数据,这有助于更深入地理解智力资本影响企业绿色创新发展的趋势和动态过程。按照现行会计记账处理方法,管理系统建设、企业文化建设等结构资本投资计入管理费用;销售渠道开发、客户关系管理等关系资本计入销售费用。鉴于本文因变量为绿色创新,以研发人员的占比衡量人力资本(HC),以利润表中的管理费用衡量结构资本(SC),以销售费用衡量关系资本(RC)。在此基础上,本文利用价值增值系数法计算各维度的具体数值。企业价值增值由净利润、折旧费用、财务费用、所得税、应付工资、应付福利费构成。
2.2.3 调节变量:ESG评级(ESG)
本文参考吴勋和杨美漪(2024)的做法,采用华证ESG季度评级的平均值衡量企业ESG表现(ESG)。一方面,作为第三方评级机构,华证受市场中各利益相关方的监督,具有独立性且能够有效避免利益冲突。另一方面,华证结合国际主流ESG评估框架,考虑到中国情景及具体实践经验,其数据具有贴近中国市场、时效性强、覆盖范围广等特点。
相比于发展下行压力较大的制造企业,成长性较好的制造企业会更有意愿选择绿色创新和价值创造[7]以顺应时代发展。基于此,本文将企业成长性(FG)作为控制变量,采用营业收入增长率测度。
规模较大企业通常在人力、资金和风险管理上更具竞争优势。已有研究表明,企业规模直接影响企业绿色价值创造意愿和绩效[29]。本文采用制造企业总资产的对数测度企业规模(FS)。
相关研究认为,研发经费投入是制造企业绿色技术创新的基础,直接影响其绿色价值创造能力和绩效[7]。本文将研发经费投入强度(RDE)作为控制变量,采用研发经费投入占营业收入的比重测度。
财务杠杆(FL)反映企业经营状况与资金情况,财务资金相对充裕、经营状况良好的企业具有较强的能力开展绿色创新和绿色价值创造[30]。本文采用资产负债率测度。
环境管理认证意味着制造企业在环境治理与污染物排放控制等方面得到更多认可[31],也是其绿色价值创造水平的体现。本文将制造企业是否通过环境管理认证(IA)作为控制变量,采用其通过环境认证类型的数量测量。
环境监管部门监管也是影响制造企业绿色创新和价值创造的重要因素,相比之下,曾受到环境监管部门处罚的企业更加重视绿色方面的价值创造[32]。本文将环境监管(ES)作为控制变量,采用哑变量测度。
本文采用面板数据模型探索制造企业智力资本与绿色创新的关系机理,从可供性视角探讨AI技术采纳在其中的交互作用机制,以衡量AI技术与智力资本协同对制造企业绿色创新的影响机理,同时从非正式环境规制视角探究ESG评级的三维交互作用,构建如下回归模型:
(1)
(2)
(3)
式中,i代表不同制造企业样本,t代表年份,Controls为控制变量集,μ为随机扰动项,ε为残差项。
表1为本文主要变量描述性统计结果,包括各变量均值、中位数、标准差、最小值、最大值。结果显示,制造企业绿色创新效率(GI1)的均值为0.487,最小值为0.067,最大值为0.933,表明当前制造企业绿色创新效率存在较大差异性。制造企业污染排放当量数据(GI2)显示,制造企业污染排放差异较小。AI技术采纳程度的均值为0.793,最小值为0.000,最大值为5.652,表明制造企业对AI技术的采纳程度处于较低水平。智力资本数据显示,制造企业在人力资本、结构资本和关系资本3个维度上均存在较大差异。ESG评级数据的标准差为5.56,最小值为44.01,最大值为90.15,说明制造企业ESG表现差异较大。控制变量方面,制造企业研发投入和成长性方面差异性较大,其它变量差异性较小。
表1 描述性统计分析结果(N=9 604)
Table 1 Descriptive statistcs analysis(N=9 604)
变量均值标准差最小值中位数最大值GI10.4870.1950.0670.4640.933GI20.1440.0040.1330.1440.153AI0.7931.1450.0000.0005.652HC0.1500.0830.0080.1520.497SC2.0183.874-33.9001.797194.446RC-0.11268.344-6913.0570.3051019.268ESG72.2185.56044.01072.57590.150FS22.3111.19319.58522.21626.452FG0.1710.0710.0380.1630.530FL0.4480.2180.0330.4480.955RDE0.0110.0060.0070.0100.054IA0.2810.4490.0000.0001.000ES0.2760.4470.0000.0001.000
表2为变量间相关系数,结果显示,AI技术、结构资本与绿色创新显著正相关,ESG与AI技术、结构资本、关系资本显著正相关。表3显示,变量间相关系数绝对值大部分小于0.5。
表2 变量间相关系数
Table 2 Correlation coefficients between variables
变量GIAIHCSCRCESGFSFGFLRDEIAESGI1.000AI0.212***1.000HC0.0120.358***1.000SC0.088***-0.006-0.061***1.000RC0.010-0.050***-0.047***0.0051.000ESG-0.029***0.101***0.067***0.217***0.021**1.000FS0.241***0.170***-0.074***0.259***-0.032***0.215***1.000FG-0.076***0.022**0.0120.214***0.022**0.0080.061***1.000FL0.091***0.028***-0.076***-0.111***-0.037***-0.109***0.447***-0.0001.000RDE0.158***0.170***0.245***-0.037***-0.149***-0.006-0.155***-0.098***-0.134***1.000IA0.051***0.073***0.045***0.036***-0.023**0.191***0.055***-0.025**0.0060.025**1.000ES0.368***-0.012-0.175***0.132***-0.060***0.018*0.300***-0.0080.086***0.0010.057***1.000
注:***表示p<0.01,**表示p<0.05,*表示p<0.1,下同
表3 回归结果
Table 3 Regression results
变量(1)(2)(3)(4)(5)(6)(7)(8)(9)AI0.002**0.005***-0.135*-21.748***(0.001)(0.001)(0.074)(7.041)HC-0.026*-0.027*0.001(0.013)(0.014)(0.018)SC0.201***0.0621.332***(0.066)(0.141)(0.227)RC12.201*12.196*10.377*(6.636)(6.660)(6.299)HC×AI-0.018***(0.003)SC×AI0.396**(0.188)RC×AI2.496***(0.808)FG0.828***0.025***0.029***0.024***0.024***0.023***0.025***0.252***0.021***(0.023)(0.004)(0.004)(0.005)(0.004)(0.004)(0.004)(0.058)(0.004)FS-0.266***-0.005-0.005-0.009-0.011-0.012-0.005-0.201***-0.011(0.025)(0.010)(0.010)(0.010)(0.008)(0.009)(0.010)(0.041)(0.008)FL0.034**-0.006**-0.005*-0.004*0.0010.002-0.005*0.032***0.002(0.015)(0.003)(0.003)(0.002)(0.007)(0.006)(0.003)(0.009)(0.007)RDE4.442***-0.0130.010-0.0280.0230.033-0.0022.396***-0.007(0.303)(0.047)(0.048)(0.049)(0.052)(0.044)(0.045)(0.819)(0.058)IA0.014***-0.001-0.001-0.001-0.001-0.001-0.001-0.002-0.001(0.005)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)ES0.141***0.000-0.0000.0000.000-0.000-0.0000.087***0.000(0.005)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.015)(0.001)Constant0.092***0.646***0.651***0.570***-105.680*-105.656*0.647***-0.132-89.783(0.011)(0.003)(0.002)(0.024)(57.831)(57.990)(0.002)(0.134)(54.891)R-squared0.3230.6710.6710.6710.6780.6780.6720.4750.679p0.0000.0000.0000.0000.0000.0000.0000.0000.000
注:括号内为稳健标准误,N=9 604,下同
本文选用固定效应模型。表3列(1)结果显示,控制变量对制造企业绿色价值创造具有显著影响。控制变量中,企业成长性的回归系数显著为正,原因可能是高成长性企业通常拥有较强的资源投入能力,能够为绿色技术研发提供长期资源支持。企业规模的回归系数显著为负,可能规模较大的制造企业组织层级多、决策链条长,绿色创新项目从提出到实施需要经过多个部门审批和协调,时间成本较高,可能错失市场机遇。企业财务杠杆和环境监管的正向效应,表明外部融资和环境规制有效激励绿色创新。
3.2.1 智力资本与AI技术采纳协同对制造企业绿色创新的影响
列(2)是AI技术采纳影响效应的检验结果,其估计系数为0.002,在5%水平上显著,说明AI技术采纳对制造企业绿色创新发挥显著正向促进作用,由此验证了假设H1。
列(3)(7)的结果反映了制造企业人力资本和AI技术采纳对绿色创新的作用效果。列(3)中,HC的系数为-0.026,在10%水平上显著;列(7)中,HC×AI的系数为-0.018,在1%水平上显著。这表明高人力资本削弱了制造企业绿色创新能力。当AI技术采纳程度较高时,这一机制得到显著加强,由此假设H2a得到支持。
列(4)(8)是制造企业结构资本和AI技术采纳对绿色创新的影响机理。列(4)中,SC的系数为0.201,在1%水平上显著;列(8)中,SC×AI的系数为0.396,在5%水平上显著。这表明制造企业利用结构资本能够促进绿色创新,并且这一机制在AI技术采纳程度更高时更为重要,由此验证了假设H2b。
列(5)(9)反映了制造企业利用关系资本开展绿色创新,以及在AI技术采纳程度更高时这一机制发生的变化。列(5)中,RC的系数为12.201,在10%水平上显著;列(9)中,RC×AI的系数为2.496,在1%水平上显著。这表明高关系资本为绿色创新提供了良好的外部环境,并且这一机制在AI技术采纳程度更高时更为显著,由此验证了假设H2c。
3.2.2 三维交互作用
表4显示了ESG评级的调节作用回归结果。列(1)显示了人力资本、AI技术采纳和ESG评级三维交互对制造企业绿色创新的作用检验结果,三者交互项的回归系数为0.368,在1%水平上显著。即ESG评级能够削弱AI技术采纳对人力资本与绿色创新关系的负向调节作用,三维调节效应显著,由此假设H3a得到验证。列(2)是结构资本、AI技术采纳和ESG评级三维交互的回归结果,三者交互项的系数为0.241,在1%水平上显著。这表明制造企业ESG评级越高,AI技术对结构资本与绿色创新关系的正向调节作用越强,假设H3b得到支持。列(3)反映了在ESG评级调节下,制造企业采纳AI技术协同关系资本对绿色创新的影响机理,三者交互项的系数为0.011,在1%水平上显著,表明制造企业ESG评级越高,AI技术对关系资本与绿色创新关系的正向调节作用越强,假设H3c得到验证。
表4 三维交互回归结果
Table 4 Three-dimensional interaction regression results
变量(1)(2)(3)ESG-0.156***-0.152***-0.153***(0.021)(0.022)(0.022)HC×AI0.027(0.041)SC×AI0.034(0.027)RC×AI0.002(0.001)HC×AI×ESG0.368***(0.073)SC×AI×ESG0.241***(0.051)RC×AI×ESG0.011***(0.002)ControlsYesYesYesConstant0.426***0.429***0.429***(0.015)(0.016)(0.016)R-squared0.2320.3840.388p0.0000.0000.000
替换因变量。本文将污染物排放当量作为反向指标测度制造企业绿色创新水平,稳健性检验结果如表5、表6所示。
表5 稳健性检验结果
Table 5 Robustness test results
变量(1)(2)(3)(4)(5)(6)(7)(8)(9)AI-0.571***-0.004***0.332***17.240***(0.028)(0.001)(0.102)(5.383)HC0.183*-0.014*-0.062***(0.108)(0.008)(0.007)SC-0.189-0.137-1.097(0.132)(0.097)(1.834)RC-4.824*-4.797*-3.386(2.919)(2.905)(2.335)HC×AI0.027***(0.005)SC×AI-0.507**(0.238)RC×AI-1.978***(0.618)ControlsYesYesYesYesYesYesYesYesYesConstant15.015***14.193***13.096***15.088***57.052**56.873**15.022***13.632***44.516**(0.003)(0.022)(0.174)(0.053)(25.440)(25.348)(0.003)(0.587)(20.345)R-squared0.9430.2760.5620.9430.9440.9440.9430.6000.944p0.0000.0000.0000.0000.0000.0000.0000.0000.000
表6 三维交互稳健性检验结果
Table 6 Robustness test results of three-dimensional interaction
变量(1)(2)(3)ESG0.009*0.013**0.014**(0.005)(0.006)(0.006)HC×AI0.036***(0.008)SC×AI0.023***(0.008)RC×AI0.001***(0.001)HC×AI×ESG-0.046***(0.013)SC×AI×ESG-0.034***(0.013)RC×AI×ESG-0.002***(0.001)ControlsYesYesYesConstant15.009***15.007***15.007***(0.004)(0.005)(0.005)R-squared0.9430.9430.943
表5列(1)是基准模型回归结果,结果显示,控制变量对绿色创新具有显著影响。列(2)是AI技术采纳的影响效应检验结果,其估计系数为-0.571,在1%水平上显著,进一步支持假设H1。列(3)～(5)和(7)～(9)分别检验制造企业不同维度的智力资本和AI技术采纳对绿色创新的作用。列(3)中,HC的系数为0.183,在10%水平上显著;列(7)中,HC×AI的系数为0.027,在1%水平上显著;列(4)中,SC的系数为-0.189但不显著;列(8)中,SC×AI的系数为-0.507,在5%水平上显著;列(5)中,RC的系数为-4.824,在10%水平上显著;列(9)中,RC×AI的系数为-1.978,在1%水平上显著。由此,假设H2a、H2c均得到进一步验证和支持。但H2b在稳健性检验中未得到支持,原因如下:因对现有生产技术路径的依赖,新技术的采纳和使用需要一段时间。由于技术转换成本较高,此时结构资本提升可能仅是在原有技术上的优化,短时间内无法根本改变污染排放问题。列(6)是同时引入主效应智力资本三维度的回归估计结果,结果显示,各变量系数方向和显著性均未发生明显变化。
表6是三维交互稳健性检验结果。列(1)中,HC×AI×ESG的系数为-0.046,在1%水平上显著;列(2)中,SC×AI×ESG的系数为-0.034,在1%水平上显著;列(3)中,RC×AI×ESG的系数为-0.002,在1%水平上显著。由此,假设H3a、H3b、H3c均得到进一步验证。
作为国民经济的重要组成部分,制造企业绿色可持续发展对我国经济和社会影响深远。智力资本和AI技术是推动制造企业创新发展的重要资源,ESG实践是制造企业可持续发展的重要途径,三者均是制造业实现高质量发展的关键要素。现有研究忽略了三者与制造企业绿色创新的内在机理。本文基于可供性和非正式环境规制双重视角,采用中国871家A股上市制造企业数据,通过构建三维交互模型探究了在AI技术采纳和ESG评级的双重边界条件下,制造企业智力资本对绿色创新的作用机制,得出以下主要结论:
(1)AI技术通过高效配置资源和转型生产方式,有效推动制造企业的绿色创新。从技术可供性角度看,AI技术为制造企业内外部资源协同提供了必要的技术基础,显著提升了绿色资源配置效率。此外,AI技术的可供性进一步推动制造体系向智能化、服务化方向发展,使制造企业能够实时监控资源投入与产出,实现资源最大化利用。在工业大数据背景下,AI技术应用已成为影响制造企业获得可持续竞争优势的关键因素。
(2)制造企业结构资本成为绿色创新的“润滑剂”。在绿色创新过程中,制造企业关系资本为绿色创新营造良好的外部环境,是不可或缺的要素。当缺乏正确战略导向时,企业人力资本往往倾向于投向见效快并能产生直接经济回报的传统项目,忽视了需要长期投入且回报周期较长的绿色创新项目。因此,单纯增加人力资本并不总能为制造企业注入发展动力,反而可能在一定程度上抑制其绿色创新能力。当企业采纳AI技术时,若未能合理规划和引导,反而会加剧人力资本对绿色创新能力的抑制作用。
(3)从非正式环境规制视角考察了ESG评级的三维交互作用,结果发现,智力资本与AI技术的协同作用受ESG评级的调节。ESG评级促使制造企业积极采纳AI技术,加强人力、结构资本获取并构建良好的关系网络,进而强化AI技术与智力资本的协同效应,以此提高绿色创新效率。
(1)在绿色创新过程中,制造企业智力资本是组织中的关键资源和能力。人力资本是智力资本的重要组成部分,对其它资本发挥驱动作用[33]。因此,制造企业管理者不可局限于追求短期业绩目标,而需要树立长期绿色创业导向,将绿色创新视为塑造未来核心竞争力的关键因素,通过对员工进行教育培训提升其绿色知识、能力、技术等,并与结构资本、关系资本相互配合、相互补充,增加绿色知识存量,进而实现绿色创新[34]。制造企业需要在绿色创新思维引导下,将隐藏在绿色人力资本中的知识、经验、技能系统地转化为组织知识,并将其融入组织结构、组织文化等。同时,制造企业应积极维护与利益相关者的关系,利用外部关系资本促进知识和资源流动,通过构建开放式关系网络为新知识和新技术流入提供渠道,从而驱动绿色创新[35]。
(2)在绿色创新过程中,制造企业应充分发挥AI技术的推动作用。在“人工智能+”行动过程中,制造企业需要加强AI技术对组织智力资本绿色创新效率的促进效应。具体而言,制造企业应合理整合内外部绿色资源,促进AI技术与企业绿色创新流程深度融合;重视绿色人才队伍建设,培养员工绿色洞察力、绿色思维模式和绿色知识,利用AI技术驱动员工参与绿色创新;充分利用数字技术对组织结构、管理机制等方面进行优化,推进各部门间的协同绿色创新;积极构建由AI技术赋能的企业关系网络,深化关系嵌入程度,运用AI技术突破专业知识界限,积累并丰富多元化关系资本。
(3)制造企业应树立ESG理念,加强ESG实践。首先,制造企业应将ESG理念融入核心经营理念与发展战略中,并贯穿于日常运营与管理流程。其次,制造企业应从长期利益视角出发,将ESG实践视为长期价值投资而非短期成本支出,通过增加ESG投入提升自身在ESG方面的表现。此外,制造企业应积极进行ESG信息披露,主动参与ESG评级,提升信息透明度,进而与利益相关者构建良好的关系,为绿色创新提供更多资源支持。
本文存在以下不足:第一,本研究仅揭示了AI技术采纳和智力资本对制造企业绿色创新的作用机理,未考虑其与绿色创新间的中介传导机制,未来可考虑探索制造企业绿色创新过程及其影响机理。第二,本研究采用财务数据测度制造企业智力资本,但不同行业制造企业智力资本水平存在较大的异质性,针对不同行业制造企业未来可采用更精确的智力资本测度方法进行深入探索。
[1] ANTHONY C,BECHKY B A,FAYARD A L."Collaborating" with AI:taking a system view to explore the future of work[J].Organization Science,2023,34(5):1672-1694.
[2] 李果,白云朴.人工智能应用如何影响制造企业创新绩效[J].财经论丛,2024,40(12):102-112.
[3] JIA N,LUO X M,FANG Z,et al.When and how artificial intelligence augments employee creativity[J].Academy of Management Journal,2024,67(1):5-32.
[4] 胡洁,于宪荣,韩一鸣.ESG评级能否促进企业绿色转型——基于多时点双重差分法的验证[J].数量经济技术经济研究,2023,40(7):90-111.
[5] 吴伟伟,兰婷,刘业鑫.智力资本视角下数字化导向对创新绩效的影响[J].管理科学,2023,36(6):62-74.
[6] 甄玉晗,孙文祥.ESG评级分歧与企业绿色创新[J].科技进步与对策,2025,42(6):57-67.
[7] HUANG L,WANG C H,CHIN T,et al.Technological knowledge coupling and green innovation in manufacturing firms:moderating roles of mimetic pressure and environmental identity[J].International Journal of Production Economics,2022,248:108482.
[8] REN T Z,LI J,YU X F,et al.Unveiling dilemmas and countermeasures in the green transformation of China′s real estate industry through the lens of knowledge management[J].Journal of Knowledge Management,2024,28(9):2548-2563.
[9] LI X,NOSHEEN S,HAQ N U,et al.Value creation during fourth industrial revolution:use of intellectual capital by most innovative companies of the world[J].Technological Forecasting and Social Change,2021,163:120479.
[10] KARIMI TAKALO S,SAYYADI TOORANLOO H,SHAHABALDINI PARIZI Z.Green innovation:a systematic literature review[J].Journal of Cleaner Production,2021,279:122474.
[11] 杜传忠,疏爽.人工智能与经济高质量发展:机制、成效与政策取向[J].社会科学战线,2023,46(12):78-87,281.
[12] LUGOSI P.The value creation cycle of peer review[J].Annals of Tourism Research,2021,86:103092.
[13] 崔伟.人工智能促进绿色创新了吗[J].科学决策,2024,31(4):61-74.
[14] 谢卫红,曾思敏,彭铁鹏,等.技术可供性:概念内涵、理论框架及展望[J].科技管理研究,2022,42(5):210-218.
[15] 苏敬勤,张琳琳.情境内涵、分类与情境化研究现状[J].管理学报,2016,13(4):491-497.
[16] CHEN R,ZHANG T.Artificial intelligence applications implication for ESG performance:can digital transformation of enterprises promote sustainable development[J].Chinese Management Studies,2025,19(3):676-701.
[17] MAN TANG P,KOOPMAN J,MCCLEAN S T,et al.When conscientious employees meet intelligent machines:an integrative approach inspired by complementarity theory and role theory[J].Academy of Management Journal,2022,65(3):1019-1054.
[18] FARZANEH M,WILDEN R,AFSHARI L,et al.Dynamic capabilities and innovation ambidexterity:the roles of intellectual capital and innovation orientation[J].Journal of Business Research,2022,148:47-59.
[19] TSENG C Y,GOO Y J.Intellectual capital and corporate value in an emerging economy:empirical study of Taiwanese manufacturers,China[J].R&D Management,2005,35(2):187-201.
[20] 潘楚林,田虹.经济新常态下绿色智力资本怎样成为企业的竞争优势[J].上海财经大学学报,2016,18(2):77-90.
[21] 张任之.企业数字化转型能否提升智力资本价值创造效率[J].财经问题研究,2023,45(5):89-100.
[22] 刘佳鑫,刘兵,齐敏.绿色智力资本、社会责任与企业绩效的关系[J].商业研究,2016,59(8):145-151.
[23] YOUSAF Z.Go for green:green innovation through green dynamic capabilities:accessing the mediating role of green practices and green value co-creation[J].Environmental Science and Pollution Research International,2021,28(39):54863-54875.
[24] 黄磊,段云龙,覃大嘉,等.技术搜寻与高新技术企业创新质量:抑制还是促进——吸收能力的多重中介效应分析[J].管理评论,2023,35(4):91-104.
[25] YAM K C,TANG P M,JACKSON J C,et al.The rise of robots increases job insecurity and maladaptive workplace behaviors:multimethod evidence[J].Journal of Applied Psychology,2023,108(5):850-870.
[26] 金昕,伍婉萱,邵俊岗.数字化转型、智力资本与制造业技术创新[J].统计与决策,2023,39(9):158-162.
[27] 赵沁娜,李航.ESG评级是否促进了企业绿色技术创新——来自中国上市公司的微观证据[J].南方经济,2024,42(2):116-135.
[28] 姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率——基于劳动力技能结构调整的视角[J].管理世界,2024,40(2):101-116,133,117-122.
[29] 单春霞,周文洁,耿紫珍.环境规制、绿色技术创新与可持续发展——被调节的中介效应分析[J].经济问题,2024,46(8):95-102.
[30] 高智林,武咸云.财务弹性政策对企业绿色技术创新的影响研究[J].科研管理,2024,45(1):181-192.
[31] 杨冕,王恩泽,叶初升.环境管理体系认证与中国制造业企业出口“增量提质”[J].中国工业经济,2022,40(6):155-173.
[32] REIMSBACH D,BRAAM G.Creating social and environmental value through integrated thinking:international evidence[J].Business Strategy and the Environment,2023,32(1):304-320.
[33] MUBARIK M S,BONTIS N,MUBARIK M,et al.Intellectual capital and supply chain resilience[J].Journal of Intellectual Capital,2022,23(3):713-738.
[34] HAYAEIAN S,HESARZADEH R,ABBASZADEH M R.The impact of knowledge management strategies on the relationship between intellectual capital and innovation:evidence from SMEs[J].Journal of Intellectual Capital,2022,23(4):765-798.
[35] 于飞,刘明霞,王凌峰,等.知识耦合对制造企业绿色创新的影响机理——冗余资源的调节作用[J].南开管理评论,2019,22(3):54-65,76.