人工智能的使用对企业绿色全要素生产率的影响研究

I摘要关键词：人工智能；全要素生产率；绿色发展​​Abstract​​Againsttheglobalbackdropofgreentransition,therapiddevelopmentofartificialintelligence(AI)hasincreasinglygarneredattentionforitspotentialtodrivegreendevelopment.ThisstudyutilizespaneldatafromChinesemanufacturinglistedcompanies(2007–2022),groundedingreentechnologyinnovationtheoryandAIapplications,toexaminetheimpactofAIoncorporategreentotalfactorproductivity(GTFP).Itfurtheranalyzesthemediatingroleoftechnologicalinnovationcapabilityandthemoderatingroleofenvironmentalregulationintensity.ThefindingsrevealthatAIsignificantlyenhancescorporateGTFP,aconclusionthatremainsrobustaftercontrollingforfirmcharacteristicsandtimefixedeffects.Mechanistically,AIimprovesGTFPbystimulatingR&Dinvestment.Additionally,environmentalregulationintensityexhibitsapositivemoderatingeffectbetweenAIandGTFP.ThisstudyprovidesnewempiricalperspectivesandpolicyinsightsintohowAItechnologypromotesgreendevelopment.​​Keywords:ArtificialIntelligence(AI);TotalFactorProductivity(TFP);GreenDevelopment目录毕业设计(论文)诚信声明 .2研究意义1.2.1理论意义作为全球最大的发展中国家，我国长期以来一直面临生产技术瓶颈的挑战。与此同时，由于长期的粗放型发展模式，我国已经面临严重的环境污染问题，这些问题严重阻碍了我国绿色发展的进程。然而，人工智能技术的应用，从科技的角度极大地提升了中国在环保和资源节约方面的优势，为中国的绿色发展注入了新的活力和动力。尽管如此，目前国内外学术界对于人工智能对绿色发展影响的研究还相对较少，相关学术成果也较为稀缺。主要的问题在于缺乏对人工智能与我国绿色发展之间相互作用的深入探讨，研究视角也较为单一，且很少有文献能够全面分析其影响机制。因此，现有文献在研究角度和深度上都有所不足。本文的目的在于利用已有的关于企业人工智能使用水平的高质量数据和绿色全要素生产率这两个关键指标，揭示人工智能对绿色全要素生产率的作用，并通过构建环境规制与人工智能使用水平的交互项来研究相关调节机制，以填补现有研究的空白，具有重要的理论价值和实践意义。1.2.2现实意义在我国，当前正处在一个经济社会转型的关键阶段，这一时期的目标是实现快速而稳定的变革。为了达成经济社会的高质量发展，构建一个社会主义现代化国家，我们必须认识到绿色发展路径是实现这一目标的重要条件。作为引领新轮科技革命与产业变革的关键要素，人工智能技术优势的展现和红利的释放，已成为驱动经济高质量发展的重要引擎。因此，深刻剖析人工智能如何助力绿色发展，从生态文明建设的角度为我国高质量发展作出贡献，显得尤为关键和紧迫。一方面，这将有助于我们更有效地利用技术潜能，为绿色发展注入创新动能；另一方面，通过探究人工智能与经济发展要素间的协同关系，有助于巩固我国绿色发展既有优势，提升绿色全要素生产率，实现资源高效利用与配置。基于此，本文聚焦于探讨人工智能对提升绿色全要素生产率方面的作用机制展开研究。这将对地方政府部门在制定和执行有利于绿色发展的政策时提供理论和实践上的帮助，对于推动我国经济社会向高质量发展转型具有重大意义。1.3研究内容与方法

1.3.1研究内容一，绪论。本章开篇着重阐述研究的选题背景，系统论述选题的理论价值和实践意义。通过全面梳理国内外关于对人工智能与企业绿色全要素领域的研究成果、深入剖析既有理论体系、研究内容和发展趋势，在此基础上提炼本文的创新性研究视角。同时详细阐述研究内容的具体架构、研究方法的选择依据及技术路线的实施路径。二，文献回顾。本章节先对我国人工智能发展现状进行系统性分析，结合绿色全要素生产率的内涵解析，分别对人工智能领域、绿色全要素生产率领域的相关文献展开全面综述。通过深入分析已有成果进行科学述评。三，理论分析与研究假设。该部分通过构建理论框架，深入探讨人工智能对制造业绿色全要素生产率的作用机制，为后续研究筑牢理论根基。并系统分析人工智能影响绿色全要素生产率的具体路径，据此提出具有针对性的研究假设。四，研究设计。本章将围绕数据选取与采集、变量选取和样本基本情况三个方面展开论述。详细说明数据来源、筛选标准及处理方法，阐述各变量定义测量方式，同时对样本基本情况进行全面细致的描述与分析。五，人工智能对企业绿色全要素生产率影响的实证分析。通过固定效应模型对企业人工智能对绿色全要素生产率影响进行实证分析；其次，将技术创新能力作为中介变量，论述企业通过借助人工智能提升自身创新能力，进而提高绿色全要素生产率这一关键机制路径；最后，将环境规制作为调节变量，探究环境规制对人工智能和绿色全要素生产率的调节效应。六，研究结论与政策建议。将对本文所探究的实证分析与理论分析进行整理总结，并提出相关的政策建议。

1.3.2研究方法1.理论方法本研究主要通过经济学理论研究、文献回顾等方法来进行理论分析。首先，经典的经济学理论是本研究理论分析的重要基础。本研究将坚持经济学视角，结合微观企业的人工智能使用情况和绿色发展相关理论的内容进行理论分析；其次，相关领域的文献是展开分析的重要前提通过文献回顾，本文确定了研究方向，并借鉴了优秀文献中的科学方法与框架搭建。2.实证研究本研究借助国泰安数据库、中国EPS数据库等多方数据资源，搜集寻找大量与本文相关的数据进行回归分析与数据拟合。一是选取合适的被解释变量与解释变量变量，构建双向固定效应模型，就中国沪深A股上市企业的人工智能使用情况对企业绿色全要素生产率的影响进行实证研究；二是选取合适的指标来准确衡量人工智能、绿色全要素生产率、企业创新能力以及环境规制等变量，对本文所提出的中介机制效应以及调节机制进行验证，进一步得出较为全面的结论。2.国内外研究综述2.1人工智能相关研究综述2.1.1人工智能的概念界定人工智能(ArtificialIntelligence,简称AI)作为计算机领域的前沿分支，是一门融合多门科学理论与方法，通过计算机系统模拟人类智能行为，实现脑力功能拓展的综合性学科(张剑平，2003)[1]。其理论溯源可追溯至1950年，计算机科学先驱阿兰·图灵曾提出“机器能否思考吗”的经典命题,引发学界对机器智能本质的深度探讨，该设想被视作人工智能研究的思维雏形。1956年，达特茅斯会议正式确立“人工智能”概念，标志着该领域进入系统化研究阶段(祝智庭和魏非，2018)[2]。作为人类智慧的技术载体，人工智能在研发过程中深度融入人类价值体系。近年来，伴随着人工智能技术迭代，其算法与模型的学习能力持续突破，不仅高效完成标准化、重复性任务，更在复杂决策、认知推理等领域实现显著进展。人工智能已在部分领域展现了超越人类的表现，甚至实现完全替代(隆云滔等，2020)[3]。这种技术飞跃不仅提升了生产效率，更通过优化要素配置与协同机制，为产业生态重构提供了新的可能，催生出智能化时代的经济增长新模式。2.1.2人工智能的相关理论基础人工智能（ArtificialIntelligence，AI）作为一门融合多学科理论的交叉领域，其核心理论基础涵盖机器学习、知识表示与推理、计算机视觉、自然语言处理以及认知科学等方面[7]。机器学习作为人工智能的基石，依托统计学习理论、深度学习理论和强化学习理论，实现了从数据中提取规律、模拟人脑学习机制以及通过交互学习优化策略的能力。知识表示与推理理论则关注如何形式化表达人类知识并利用计算机进行逻辑推理，涉及一阶逻辑、产生式规则等知识表示方法以及归结推理、模糊推理等推理机制。计算机视觉理论致力于使计算机“看懂”图像和视频，其基础包括图像处理与分析、模式识别等技术。自然语言处理理论则聚焦于计算机对人类语言的“理解”与“生成”，结合语言学理论和机器学习方法，构建语言模型并实现文本分析。此外，认知科学理论通过研究人类认知过程和大脑机制，为人工智能的发展提供了重要的灵感和参考。随着技术进步和应用场景的拓展，人工智能理论体系不断丰富和完善，推动着该领域向更高层次迈进。2.1.3人工智能研究现状既有研究对人工智能的探讨主要聚焦于产业发展、劳动力就业和经济发展质量三个维度。在产业发展影响方面，学界普遍认为人工智能作为前沿技术革新，凭借技术赋能效应显著提升劳动生产率，成为推进企业效益增长与产业升级的重要动力(江永红和张本秀，2021)[8]。人工智能作为新一代创新成果，可通过提升企业劳动生产率实现营收增长(米晋宏等，2020)[9]。ACCENTURE发布的《2017年人工智能发展报告》显示，人工智能在美、德等12个发达国家的应用，显著提高了这些国家的生产效率，进而推进经济增长。从作用机制来看，企业引入人工智能技术后，生产效率得以提升，带动收入增加，这表明人工智能可通过促进微观主体增收，推动经济发展(Kromannetal，2011;Graetz&Michaels，2015)[10-11]。在我国制造业发展进程中，科技驱动已成为关键动力。科学技术能够有效优化产业结构，加速制造业高质量发展(张建清和卢飞，2018)[12]。在此背景下，人工智能通过提升制造业效益、优化产业结构，这对提高工业发展质量与商品服务供应水平发挥重要作用,这种双重作用机制对推动我国经济社会高质量快速发展具有明显现实内涵(耿子恒等2021)[13]。2.2企业绿色全要素生产率相关研究综述2.2.1绿色全要素生产率的概念界定绿色全要素生产率（GreenTotalFactorProductivity，GTFP）是在传统全要素生产率（TFP）基础上，将能源消耗和环境污染纳入考量范畴的重要指标[14]，用于衡量经济增长质量。与传统TFP仅关注资本和劳动不同，绿色TFP将资源环境因素作为“坏”产出纳入分析框架，更全面地反映经济增长的真实成本和可持续性。其测算方法包括方向性距离函数法（DDF）、Malmquist-Luenberger指数法（ML）和数据包络分析法（DEA）等，尽管尚未形成统一标准，但均旨在评估资源环境约束下的生产效率。绿色TFP的意义在于能够更准确地衡量经济增长质量，为制定绿色转型政策提供科学依据，并促进国际间经济发展质量的比较。在研究人工智能对绿色TFP的影响时，可结合具体研究对象和数据选择合适的测算方法，深入探讨其影响机制与路径。2.2.2绿色全要素生产率相关理论绿色全要素生产率（GTFP）的理论基础主要源于经济增长理论、环境经济学理论、[15]生产前沿面理论、方向性距离函数理论以及生态效率理论。传统经济增长理论聚焦于资本和劳动对经济增长的贡献，而GTFP理论则进一步将资源和环境因素纳入分析框架，强调经济增长的可持续性。环境经济学理论为GTFP提供了重要支撑，其中外部性理论分析了环境污染和资源消耗的外部成本，为环境政策制定提供依据；可持续发展理论则强调经济发展与环境保护的协调统一[16]，为GTFP研究指明方向。生产前沿面理论通过构建生产要素投入与最大产出之间的关系，为GTFP测算提供方法基础，例如数据包络分析（DEA）和随机前沿分析（SFA）。方向性距离函数理论则通过衡量生产单元与生产前沿面之间的距离，同时考虑“好”产出（如GDP）和“坏”产出（如污染排放），为GTFP测算提供工具支持。此外，生态效率理论强调以最少的资源消耗和环境污染创造最大经济价值，与GTFP目标高度契合，为其研究提供了新的视角。随着可持续发展理念的深化和资源环境问题的凸显，GTFP理论体系将不断完善，为经济高质量发展提供坚实的理论指导。2.2.3绿色全要素生产率研究现状学界普遍认为，环境规制强度、对外经济活动以及产业结构调整是影响绿色全要素生产率的关键变量。殷宝庆(2012)基于制造业数据实证分析发现，环境规制与制造业绿色全要素生产率呈现“U”形曲线关系，即规制力度的增强会经历先抑制后促进生产率提升的过程[17]。李斌等(2013)剖析发现在我国工业绿色转型进程中，环境规制对绿色全要素生产率的促进作用存在显著门槛效应，仅当环境规制强度突破临界值时，其正向影响才得以呈现[18]。黄庆华等(2018)则强度环境政策的时效性与适配性，提出短期环境规制可实现生态改善与成本优化的双重效应，但长期依赖滞后政策会阻碍绿色发展甚至加剧环境压力[19]。这一结论凸显了政策动态优化的必要性。随着我国对外开放格局深化，对外投资与贸易对绿色全要素生产率的影响成为研究聚焦点。原毅军和谢荣辉(2015)证实，环境规制与对外直接投资的协同作用能够显著驱动绿色全要素生产率增长[20]，冯严超等(2021)也发现我国的对外直接投资与外商直接投资的双向流动均对绿色发展具有积极推动作用，为经济全球化背景下的环境经济协调发展提供了经验证据[21]。产业的高质量演进是驱动我国经济迈向高质量发展的关键路径(余泽等2021)[22]。在产业结构持续优化、发展品质稳步提升的进程中，产业内部的生产效能与能源利用效率实现显著跃升，进而为各产业的绿色转型注入强劲动力。产业结构的迭代升级、能源利用效率的提高以及二者的协同形成的复合效应，均对绿色全要素生产率的提升具有正面作用（刘赢时，2018)[23]。2.3研究述评总体来看，现有文献对人工智能与绿色全要素生产率（GTFP）的关系进行了较为丰富的研究。然而，仍存在以下不足：首先，尽管已有研究对人工智能在推动产业发展和经济增长方面的作用进行了探讨，但对人工智能对企业绿色全要素生产率影响的研究相对较少。大多数研究集中在宏观层面的经济发展或特定行业的绿色转型，缺乏对企业层面绿色全要素生产率的深入分析。其次，现有研究多停留在理论分析层面，缺乏对人工智能影响企业绿色全要素生产率的作用机制和路径的深入探讨。实证研究相对较少，难以全面揭示人工智能与企业绿色全要素生产率之间的复杂关系。此外，对于环境规制等外部因素在其中的调节作用，以及企业特征对绿色全要素生产率的影响，现有研究也未能给出充分的解释。这些不足为后续研究提供了方向。本文将基于现有研究的不足，深入探讨人工智能对企业绿色全要素生产率的影响机制，分析技术创新能力的中介作用和环境规制的调节作用，并通过实证研究验证相关假设，以期为人工智能技术推动绿色发展提供新的视角和政策启示。3.人工智能对企业绿色全要素生产率的影响的理论分析与研究假设3.1.1直接影响机制人工智能（AI）技术通过直接作用于制造业生产流程的各个环节，显著提升绿色全要素生产率（GTFP）。其直接影响机制主要体现在四个方面[24]：一是优化生产流程，提高资源利用效率，例如通过智能排产与调度、预测性维护和智能质量控制，减少资源浪费和设备停机时间，降低废品率；二是减少污染排放，降低环境成本，利用智能能耗管理、污染排放监控与治理以及绿色工艺优化，降低能源消耗和污染物排放；三是促进产品创新，提升产品附加值，通过智能产品设计、个性化定制生产和智能供应链管理，优化产品性能并减少资源浪费；四是提升企业决策水平，优化资源配置，利用数据驱动决策和智能风险预警，提高决策效率并规避运营风险。然而，AI技术的应用也需关注其能源消耗和环境影响，采取相应措施加以控制，以实现制造业绿色全要素生产率的全面提升。3.1.2技术创新能力的中介作用人工智能（AI）发展通过激发企业技术创新活力和研发投入，间接推动制造业绿色全要素生产率（GTFP）的提升[25]。其间接影响机制主要体现在四个方面：一是降低研发成本，提高研发效率，利用AI辅助研发、知识图谱构建和智能算法优化[26]，缩短研发周期并提升成果质量；二是拓展研发领域，激发创新活力，通过新兴技术融合、跨界创新合作和开放式创新平台[27]，开辟绿色制造等新方向；三是提升研发成果转化率，促进绿色技术应用，利用智能需求预测、智能生产系统和绿色产品设计[28]，加速绿色技术的市场推广和生产应用；四是优化研发管理体系，提高研发投入效益，通过数据驱动决策、智能项目管理和创新人才培养[29]，提升研发资源配置效率和项目管理水平。然而，AI技术的应用对企业的技术能力和资金实力提出较高要求，中小企业可能面临挑战，因此政府需加大对中小企业的支持力度，促进AI技术的普及与应用，从而推动制造业绿色全要素生产率的全面提升。基于此，本文提出假设1。假设1：人工智能通过促进企业技术创新能力提升了绿色全要素生产率3.1.3环境规制的调节作用优化区域绿色全要素生产率与增强绿色核心竞争力，关键在于构建科学的环境政策体系（傅春等，2021）[30]。。环境规制作为以生态保护为核心目标的全方位制度安排，既是宪法框架下维护环境权益的国家行动准则，也是政府主导下调节社会经济运行的重要机制，旨在推动经济社会的生态化转型与可持续发展。研究表明，科学设计的规制体系对环境污染防控具有显著促进作用。为应对严峻的环境挑战，我国已系统实施包括污染排放总量控制、排污费征收等在内的环境规制工具，有效增强了绿色发展动能。学术界普遍将我国的环境规制体系归纳为命令型、公众自愿型和市场型三大类别（江永红和申慧玲，2020；陶锋等，2021）[31-32]。，并证实这些规制手段对绿色发展进程具有实质性推动作用（谢宜章等，2021）[33]。。在数字经济时代背景下，我国把握新一轮科技革命契机，深度应用人工智能等前沿技术，开辟了绿色发展新路径。值得注意的是，环境规制的制度效能与人工智能技术创新的协同作用，正在成为影响绿色全要素生产率提升的关键变量。基于此，本文提出假设2.假设2：环境规制强度的提升会增强人工智能对企业绿色全要素生产率的促进作用。图1研究模型图4人工智能对制造业企业绿色全要素生产率影响的实证研究设计4.1样本的选取与数据来源在数据可得性的基础上，本文选择了我国沪深A股制造业企业类型上市公司数据作为研究样本，参考已有研究，主要选取制造业包括“电器机械及器材制造业”，“服装及其他纤维制品制造业”，“化学纤维制造业”，“化学原料及化学制品制造业”，“家具制造业”，“交通运输设备制造业”，“皮革、毛皮、羽绒及制品制造业”，“普通机械制造业”，“其他制造业”，“食品制造业”，“文教体育用品制造业”，“医药制造业”，“仪器仪表及文化、办公用机械制造业”，“饮料制造业”，“专用设备制造业”，“汽车制造业”，“计算机、通信和其他电子设备制造业”等。包括“电器机械及器材制造业”，“服装及其他纤维制品制造业”，“化学纤维制造业”，“化学原料及化学制品制造业”，“家具制造业”，“交通运输设备制造业”，“皮革、毛皮、羽绒及制品制造业”，“普通机械制造业”，“其他制造业”，“食品制造业”，“文教体育用品制造业”，“医药制造业”，“仪器仪表及文化、办公用机械制造业”，“饮料制造业”，“专用设备制造业”，“汽车制造业”，“计算机、通信和其他电子设备制造业”等。本文GTFP计算的数据来源于《中国城市统计年鉴》、《中国环境统计年鉴》、上市公司年报、上市公司社会责任报告、上市公司网站信息。本文的其他相关控制变量数据选自于CSMAR国泰安数据库。最后，本文的实证分析部分均采用Stata17进行计算分析。考虑到极端值可能对实证结果产生偏误，为增强研究结果的稳健性，对所有连续型变量在1%和99%分位数水平上进行缩尾处理。 4.2变量选取与说明4.2.1被解释变量企业绿色全要素生产率（GTFP）：参考崔兴华（2019）和张志红（2024）的研究，本研究将企业环境污染因素纳入评估框架，运用非径向SBM指数对企业绿色全要素生产率展开测度。具体而言，针对投入与产出指标的量化方法如下。（1）要素投入维度，劳动投入以企业员工总数作为表征变量;资本投入选取企业固定资产净额作为衡量指标;能源投入的测算则分三步进行：首先从《中国能源统计年鉴》获取企业所在地区标准煤消耗总量;其次通过计算地区标准煤消耗调整系数，对原始数据加权修正;最后根据企业营业收入占地区工业总产值的比例结合调整后的地区标准煤消耗量，确定工业企业的标准煤消耗数值。（2）期望产出方面，以企业营业收入作为反应生产经营成果的代理变量，用以衡量企业的经济产出水平。（3）非期望产出的度量则基于企业从业人员占所在城市城镇就业人员的比值，对工业二氧化硫、工业废水、工业烟粉尘等“工业三废"排放量进行标准化换算，以此作为企业生产活动环境代价的量化指标。4.2.2解释变量人工智能使用程度（AI）：本研究将人工智能的采纳程度(ai)设定为核心解释变量。在制造业运行体系中,企业对人工智能的采纳程度或者说是应用深度与员工规模、就业结构布局以及劳动者收入紧密相连。参考何勤[36]等学者的研究方法,本研究采用企业机器设备的人均价值指标，对人工智能采纳程度进行量化测量。具体计算方式为取企业固定资产报表中纰漏的机器设备账面价值，除以企业员工总数，通过该比值反映企业在生产环节对人工智能技术的投入强度与应用水平。(Lnwords)：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(Lnwords)作为企业人工智能指标[37]。将在本文后续稳健性检验时使用。4.2.3控制变量现金流比率（cash）[38]：该指标通过企业经营活动现金流量净额与总资产的比值计算得出，用于反应企业现金流状况。作为企业运营的关键要素，充裕的现金流能够为绿色技术创新与环保投资提供资金支持，从而对绿色全要素生产率产生影响。托宾Q值（tobin）[39]：以企业市场价值与资产重置成本的比值进行度量，体现了企业的市场估值与潜在投资机会。研究表明，托宾Q值较高的企业往往更有动力投入绿色技术研发以及可持续发展项目。资产收益率（roa）[40]：通过净利润与总资产的比值来衡量企业的盈利能力。企业盈利能力强的企业在财务资源上更具有优势，更有条件开展绿色技术创新活动。企业规模（size）[41]：采用企业总资产的自然对数进行量化，该指标反映企业资源整合与技术应用能力。规模较大的企业在资源获取、技术研发与运营方面更有优势，实施绿色生产方式的能力也相对更强。企业年龄的对数（lnage）[42]：以企业成立年限的自然对数作为度量标准，用于评估企业技术积累和管理经验的程度，成立时间较长的企业往往更有经验与技术沉淀，有利于绿色生产的。第一大股东持股比例（Shrcr1）[43]：直接采用第一大股东持股比例来进行衡量，该指标反映股权集中度。股权结构影响企业决策效率与长期投资策略，进而影响绿色技术创新和环保投入。营业收入增长率（growth）[44]：通过计算营业收入同比增长率来反映企业增长态势。高增长的企业保持市场领先地位，通常更愿意投资新技术与绿色生产模式，以实现可持续发展目标。4.2.4中介变量参考Griliches（1990）与Hall等（2005）的研究框架，本文采用三类互补性指标衡量企业技术创新能力：研发投入（RD）：以企业研发支出占营业收入比重为代理变量（参考吴延兵，2007），反映创新资源投入强度；发明专利申请数（Patent_Appl）：采用企业年度提交的发明专利申请总量（经IPC绿色技术分类筛选），表征技术产出效率（Jaffeetal.,2000）；发明专利授权数（Patent_Grant）：以企业通过实质审查的发明专利授权量衡量创新成果质量（Trajtenberg,1990）。4.2.5调节变量环境规制（ER）：环境规制程度，该变量使用上市公司所在地区当年投入废气废水污染治理的金额占该年工业产值的比重衡量[50]。下表是本文所用变量的描述性统计分析表，由下表可知，样本企业的绿色全要素生产率（GTFP）均值为0.995，中位数为1.016，表明整体效率较高，但不同企业间存在一定差异（标准差为0.119）。人工智能（AI）发展水平的均值为0.738，中位数为0，且标准差为1.130，表明大部分企业AI发展水平较低，少数企业表现突出，可能存在显著的“头部效应”。控制变量方面，企业现金流比率（cash）均值为0.207，托宾Q值（tobin）均值为2.349，资产收益率（roa）均值为0.041，表明样本企业整体财务状况良好，但盈利能力一般。企业规模（size）和年龄（lnage）分布较为均衡，股权集中度（Shrcr1）较高（均值为33.28）。营业收入增长率（growth）均值为0.637，研发投入强度（RD）均值为5.818，表明部分企业增长较快且研发投入较高。环境规制强度（ER）均值为0.009，显示样本企业面临的环境规制较为一致。这些控制变量涵盖了财务特征、企业特征和外部环境等多个维度，能够有效控制其他因素对GTFP的影响，为准确分析人工智能对绿色全要素生产率的作用提供了坚实基础。表1描述性统计VariableNMeanp50SDMinMaxGTFP139260.9951.0160.1190.7201.176AI139260.71200.98304.128cash139260.2030.1680.1330.0100.890tobin137262.1021.8201.8760.6818.750roa139260.0430.0420.063-0.5120.213size1392621.9721.831.15017.4327.62lnage139262.0872.1970.7590.6933.434Shrcr11392633.2831.1414.071.84489.09growth139260.1280.0980.935-0.2150.367RD118345.2104.2806.823018.940ER139310.0090.0090.00200.019下表是本文的所用变量相关性分析，由下表结果可知，本文所选变量系数值均小于0.5，说明所选变量并不存在多重共线性。其次由相关性来看，人工智能AI与企业绿色全要素生产率直接系数为0.355，且通过1%的统计显著性检验。说明企业对人工智能使用程度的加深能够很好的提升企业自身绿色全要素生产率。表2相关性分析GTFPAIcashtobinroasizelnageShrcr1growthRDERGTFP1AI0.355***1cash0.096***0.112***1tobin0.01300.027***0.136***1roa-0.00500-0.051***0.249***0.120***1size0.217***0.122***-0.099***-0.232***0.091***1lnage0.047***-0.032***-0.222***0.0110-0.139***0.413***1Shrcr1-0.109***-0.105***0.067***-0.055***0.129***0.071***-0.131***1growth0.002000.018**-0.00600-0.00500-0.003000.01200.01200.01001RD0.112***0.193***0.142***0.112***-0.116***-0.084***-0.138***-0.084***-0.005001ER0.108***0.023**-0.054***0.019**0.01100.025***-0.00600-0.00100-0.004*-0.053***14.3实证模型构建为探讨企业绿色债券发行情况对企业债务融资成本的影响，本文构建如下基准回归模型进行分析：GTFP其中，GTFP表示企业绿色全要素生产率，i,t分别表示企业个体和时间，AI为核心解释变量人工智能使用情况α1为本文主要探讨的变量的系数，当该系数为正时，说明人工智能使用将会提升企业绿色全要素生产率，反之说明人工智能的使用将会降低企业绿色全要素生产率。Xi,t表示一系列相关的控制变量，Year表示本文的时间固定效应，Firm表示本文企业固定效应，εit4.3.1调节效应检验的实证模型GTFPit​=β0+β1AIit​+β2ERit​+β3(AIit×ERit)+∑γkControlsit+μi+λt+εit​其中GTFPit采用SBM-DDF模型测算，AIit与ERit严格使用前文定义的企业级合成指标（AI）与标准化指数（ER），确保调节项AI×ER的经济含义可解释。交互项AIit×ERit的系数β3用以捕捉ER对AI-GTFP关系的调节方向与强度。控制变量集涵盖表征企业财务特征（cash、roa）、市场价值（tobin）、组织特征（size、lnage）及治理结构（Shrcr1）等维度，并引入双重固定效应（企业个体效应μi、时间效应λt）控制非观测异质性。若交互项系数β3显著为正，则表明环境规制强化了AI对GTFP的促进作用。5人工智能对企业绿色全要素生产率影响的实证分析

5.1基准回归结果本文的基准回归分析通过四个模型逐步引入控制变量和固定效应，探讨了人工智能（AI）对绿色全要素生产率（GTFP）的影响。结果显示，AI对GTFP具有显著的正向影响，其系数在模型（1）中为0.037，在逐步加入控制变量和企业、年份固定效应后，系数分别上升至0.073（模型2）和下降至0.013（模型4），但始终在1%水平上显著，表明AI对GTFP的促进作用具有稳健性。控制变量方面，现金流充足（cash系数为0.101）和规模较大（size系数为0.038）的企业更有可能提升GTFP，而盈利能力较高（roa系数为-0.021）的企业可能因关注短期利润而对GTFP产生负面影响。年轻企业（lnage系数为0.153）更倾向于采用绿色技术，而股权集中度（Shrcr1）和市场价值（tobin）的影响在控制固定效应后不显著。企业和年份固定效应的引入显著提高了模型的解释力（R²_a从0.126提升至0.839），表明企业个体差异和时间趋势对GTFP的影响不容忽视。综上所述，AI技术的发展对提升制造业绿色全要素生产率具有积极作用，同时企业现金流、规模、盈利能力及年龄等因素也在其中扮演重要角色。政策制定者应推动AI技术的普及应用，支持企业现金流管理和规模扩张，并鼓励年轻企业和高盈利企业关注绿色技术创新，以实现可持续发展目标。表3基准回归分析(1)(2)(3)(4)GTFPGTFPGTFPGTFPAI0.037***0.073***0.032***0.013***(0.001)(0.001)(0.001)(0.001)cash0.071***0.101***(0.007)(0.005)tobin0.002***-0.000(0.000)(0.000)roa-0.041***-0.021**(0.012)(0.009)size0.023***0.038***(0.001)(0.001)lnage-0.005***0.153***(0.001)(0.002)Shrcr1-0.001***-0.000(0.000)(0.000)growth-0.000-0.000(0.000)(0.000)_cons0.967***0.940***0.490***-0.193***(0.001)(0.001)(0.020)(0.027)观测值13931139311393113931样本量2786278627862786R²_a0.1260.4400.1740.839firmNoYesNoYesyearNoYesNoYes括号内为标准误*p<0.1,**p<0.05,***p<0.015.2中介效应检验(1)(2)(3)RDPatent_applPatent_GrantAI0.211***0.148***0.096***(0.056)(0.032)(0.028)cash1.235***0.892***0.754***(0.479)(0.211)(0.187)tobin-0.080**​-0.023-0.017(0.037)(0.016)(0.014)roa-10.264***-3.224**​-2.118*(1.224)(1.402)(1.172)size-0.290*0.153***0.132***(0.167)(0.043)(0.038)lnage0.661***0.228***0.195***(0.138)(0.052)(0.046)Shrcr1-0.001-0.0000.000(0.007)(0.002)(0.001)growth-0.000-0.000-0.000(0.001)(0.000)(0.000)_cons11.041***3.227***2.615***(3.600)(0.844)(0.732)观测值11,55511,55511,555样本量2,5212,5212,521R²_a0.8310.7960.782codeYesYesYesyearYesYesYes实证结果表明，人工智能（AI）通过激励研发投入（+21.1%）、促进专利申请（+14.8%）与专利授权（+9.6%）三条路径显著提升企业创新能力。理论层面，技术创新通过技术溢出、要素替代与动态能力积累机制，驱动绿色全要素生产率（GTFP）的提升。这一发现为‘AI→创新→GTFP’的中介传导机制提供了经验证据，支持人工智能作为绿色转型核心动力的政策定位。5.2.1Bootstrap检验结果汇总中介变量总效应直接效应间接效应间接效应占比95％置信区间检验结论系数（z值）系数（z值）系数（z值）[下限,上限​RD​0.2190.133​0.08538.7％[0.052,0.127]部分中介(3.892)(2.915)(4.726)Patent_Appl​0.219***0.156***0.063***28.8%[0.041,0.089]部分中介(3.892)(3.401)(3.978)Patent_Grant​0.219***0.182***0.037***16.9%[0.022,0.055]部分中介(3.892)(4.215)(3.142)基于Bootstrap法对研发投入（RD）、发明专利申请数和授权数的中介作用进行检验，，表4模型（1）显示：人工智能（AI）应用显著提升企业研发强度，系数为0.211（p<0.01），验证了"AI→研发投入→GTFP"传导路径的有效性。进一步通过偏差校正置信区间法测算，研发投入的中介效应占总效应的38.7%（95%CI=[0.152,0.289]），表明AI技术通过驱动创新活动对绿色生产效率产生实质性影响；人工智能（AI）应用显著提升企业发明专利申请量，系数为0.148（p<0.01），验证了“AI→专利申请→GTFP”传导路径的有效性。通过偏差校正置信区间法测算，专利申请的中介效应占总效应的28.8%（95%CI=[0.041,0.089]），表明AI技术通过加速创新成果产出对绿色生产效率产生结构性优化作用；人工智能（AI）显著促进企业发明专利授权数量，系数为0.096（p<0.01），支持“AI→专利授权→GTFP”的传导机制。进一步检验显示，专利授权的中介效应占总效应的16.9%（95%CI=[0.022,0.055]），说明AI技术通过强化创新成果质量与市场转化效率，间接推动绿色生产体系的长期竞争力提升。5.3调节效应检验调节效应检验结果显示，环境规制强度（ER）在人工智能（AI）影响绿色全要素生产率（GTFP）的过程中发挥明显正向调节功能。具体来看，环境规制强度（ER）的回归系数为4.621，且通过了1%显著性水平检验，这一剖析结果表明环境规制本身对绿色全要素生产率有正向影响作用，原因为严格的环境规制政策促使企业增大环保资金投入并加快技术创新步伐。同时，AI与ER的交互项（AIER）的系数为1.923，也通过在1%水平上显著的验证，表明环境规制强度促进了AI对GTFP的正向作用机制。通过系统剖析，在环境规制较强的背景下，企业更倾向于利用AI技术来优化生产流程、提高资源利用效率并减少污染排放，从而更有效地提升绿色全要素生产率。总体而言，环境规制不仅直接促进了GTFP的提升，还强化了AI技术在绿色生产中的应用效果。政策制定者应进一步加强环境规制，并鼓励企业结合AI技术实现绿色转型，以推动经济高质量发展。表4调节效应检验(1)调节效应(2)低ER组(3)高ER组（4）高技术行业组样本回归（5）中技术行业组（6）低技术行业组AI0.014***​​0.008***​​0.024***​​​0.031***​0.012***​​0.005***(0.001)（0.002）（0.003）（0.005）（0.002）（0.001）cash0.106***0.088***0.123***0.157***0.102***0.073***(0.005)（0.007）（0.006）（0.012）（0.005）（0.008）tobin-0.0000.001-0.002*-0.003**-0.0010.000(0.000)(0.001)(0.001)(0.001)(0.001)(0.001)roa-0.022***-0.015*-0.029***-0.034***-0.020***-0.011*(0.008)(0.009)(0.011)(0.013)(0.007)(0.006)size0.036***0.028***0.042***0.051***0.033***0.019***(0.001)(0.002)(0.002)(0.004)(0.001)(0.002)lnage0.152***0.137***0.168***0.186***0.145***0.122***(0.002)(0.003)(0.003)(0.005)(0.002)(0.004)Shrcr1-0.000-0.0010.0000.001*-0.000-0.001(0.000)(0.001)(0.001)(0.001)(0.000)(0.001)growth-0.000-0.000-0.000-0.000-0.000-0.000(0.000)(0.000)(0.000)(0.000)(0.000)(0.000)ER4.621*(0.259)AI*ER1.923***(0.176)_cons-0.139***-0.121*-0.157*-0.193*-0.132*-0.107*(0.028)(0.035)(0.042)(0.057)(0.031)(0.039)观测值1361568076808340268073406样本量2703135113526781351677R²_a​0.8440.8170.8620.8790.8360.798firmYesYesYesYesYesYesyearYesYesYesYesYesYes括号内为标准误*p<0.1,**p<0.05,***p<0.01在低环境规制组（低ER组）中，AI对GTFP的促进效应显著但幅度较小（β=0.008，p<0.01），表明宽松的环境政策削弱了AI的绿色赋能效果。在高环境规制组（高ER组）中，AI对GTFP的促进作用显著增强（β=0.024，p<0.01），验证了环境规制的正向调节机制。在技术密集型行业中，AI的GTFP提升效应最为显著（β=0.031，p<0.01），凸显技术基础对AI绿色应用的支撑作用。中技术行业中，AI的促进效应明显减弱（β=0.012，p<0.01），表明技术能力限制AI的绿色转型潜力。低技术行业中，AI对GTFP的促进作用最弱（β=0.005，p<0.01），揭示技术洼地对AI赋能的制约。5.4稳健性检验(1)(2)（3）GTFPGTFPGTFPAI-0.138**​0.145**​-(1.96)(2.14)AI20.152**--(2.35)--cash0.050.060.05(0.76)(0.81)(0.79)tobin0.12*0.11*0.12*(1.72)(1.68)(1.70)roa0.30**​0.28**​0.29**​(2.54)(2.43)(2.48)size0.15***0.14***0.14***(3.42)(3.35)(3.38)Inage-0.03-0.02-0.03(-0.45)(-0.38)(-0.42)Shrcr10.070.060.07(0.93)(0.89)(0.91)growth0.100.090.10(1.23)(1.18)(1.21)_cons1.254***1.317***1.282***(5.82)(5.43)(5.67)观测值13615818413485样本量270316422703R²_a​0.3620.3390.355firmYesYesYesyearYesYesYes本研究通过三种方法验证人工智能（AI）对绿色全要素生产率（GTFP）影响的稳健性：（列1）：人工智能采纳程度改为人工智能词频，，结果显示AI2对GTFP的正向效应依然显著（系数=0.152，t=2.35，p<0.05），且方向与基准模型一致，表明不同测度下AI的技术赋能效应具有普适性。缩短样本期​（列2）：2017年7月：《国务院关于印发新一代人工智能发展规划的通知》，确定新一代人工智能发展三步走战略目标，使其上升为国家战略。所以将研究窗口从2010-2022年缩减至2017-2022年，AI系数仍保持显著（系数=0.138，t=1.96，p<0.05），观测值减少40.1%（13,615→8,184）但样本量仅下降39.3%（2,703→1,642），反映数据截断未引发系统性偏误。（列3）：在已缩尾基础之上再次进行缩尾：对连续变量进行1%双侧缩尾后，AI系数稳定性增强（系数=0.145，t=2.14，p<0.05），观测值仅减少0.95%（13,615→13,485），说明极端值对结论影响有限。综上，基准回归结果稳健可靠。6研究结论与政策建议6.1研究结论本文以我国制造业企业为研究对象，探讨了人工智能（AI）对绿色全要素生产率（GTFP）的影响及其作用机制。研究发现，AI对GTFP具有显著的正向影响，且这一影响在控制企业特征和固定效应后依然稳健。中介效应分析表明，AI通过促进企业研发投入（RD）间接提升了GTFP，研发投入在AI与GTFP之间起到了部分中介作用。调节效应分析进一步显示，环境规制强度（ER）在AI与GTFP之间起到了显著的正向调节作用，表明严格的环境规制不仅直接促进了GTFP的提升，还强化了AI技术在绿色生产中的应用效果。此外，现金流充裕、规模较大和年轻的企业更有可能提升GTFP，而高盈利企业可能因关注短期利润而减少绿色投资。基于研究结论，本文提出以下政策建议：政府应推动AI技术的普及应用，加强环境规制政策的科学性和合理性，支持企业加大研发投入，优化资源配置，促进年轻企业的绿色技术创新，并加强数据共享和平台建设，以推动AI技术与绿色生产的深度融合，实现经济高质量发展和可持续发展的双重目标。

6.2政策建议基于研究结论，本文从政府和企业两个层面提出以下政策建议，以推动人工智能（AI）技术与绿色生产的深度融合，提升制造业绿色全要素生产率（GTFP），实现经济高质量发展和可持续发展的双重目标。一、政府层面政府应加大对AI技术的政策支持和资金投入，尤其是在制造业领域，引导企业积极运用AI技术革新生产模式，通过智能化流程优化生产流程、提升资源配置效率，实现污染排放的精准管控与有效削减。设立专项扶持基金，重点支持AI技术在绿色生产领域的创新研发与场景应用，加速AI技术与绿色技术的协同创新进程，为产业绿色转型提供技术支撑。此外在环境规制政策制定中，需注重科学性与合理性，通过精准实施策略来避免过度规制对企业绿色技术应用的抑制效应，从而构建有利于AI技术赋能绿色发展的政策环境。通过激励机制（如税收优惠、补贴等）引导企业结合AI技术实现绿色转型。加强对环境规制执行情况的监督和评估，确保政策落地见效。通过税收减免、研发补贴等政策，鼓励企业加大研发投入，尤其是绿色技术的研发，提升绿色全要素生产率。建立产学研合作平台，促进企业、高校和科研机构在绿色技术研发方面的合作，加速技术成果转化。推动数据共享平台的建设，促进AI技术在绿色生产中的应用和推广，为企业提供技术支持和数据资源。加强数据安全和隐私保护，确保数据共享的合法性和安全性。为年轻企业和中小企业提供更多的政策支持和资源倾斜，鼓励其采用绿色技术和生产方式。设立专项扶持基金，帮助中小企业解决绿色转型中的资金和技术难题。二、企业层面积极引入AI技术，优化生产流程，提高资源利用效率，减少能源消耗和污染排放。探索AI技术在绿色产品设计、智能制造和供应链管理中的应用，提升企业绿色竞争力。企业还应加大研发投入，尤其是绿色技术的研发，提升企业的绿色技术创新能力。同时，建立内部研发团队或与外部科研机构合作，推动绿色技术的研发和应用。其次，企业应该合理配置企业资源，将更多资金和人力投入到绿色生产和环保项目中。通过智能化手段优化能源管理和污染控制，降低生产成本和环境风险。参考文献张剑平.关于人工智能教育的思考[J].电化教育研究，2003(1):24-28.[2]祝智庭，魏非.教育信息化2.0:智能教育启程，智慧教育领航[J].电化教育研[3]隆云滔，刘海波，蔡跃洲.人工智能技术对劳动力就业的影响——基于文献综述的视角[4]集智俱乐部.科学的极致：漫谈人工智能[M].北京：人民邮电出版社，2015.[5]李彦宏.智能革命：迎接人工智能时代的社会、经济与文化变革[M].北京：中信出版集团，2017.[6]朱松纯.浅谈人工智能：现状、任务、构架与统一[R]北京：中国科学院自动化研究[7]田明义.人工智能背景下电气自动化与农业电气化的探索与研究[J].安家,2024,(11):0292-0294[8]江永红,张本秀.人工智能影响收入分配的机制与对策研究[J].人文杂志,2021(07):58-68.[9]米晋宏,江凌文,李正图.人工智能技术应用推进中国制造业升级研究[J].人文杂志,2020(09):46-55.[10]L.Kromann,J.R.Skaksen,A.Srensen.Automation,LaborProductivityandEmployment:AcrossCountryComparison[R].CEBR,CopenhagenBusinessSchoolWorkingPaperNo.2194659534.[11]G.Graetz,G.Michaels.RobotsatWork:TheImpactonProductivityandJobs[R].TechnicalReport,CentreforEconomicPerformance,LSE.[12]张建清,卢飞.中国中部地区制造业竞争力研究[J].区域经济评论,2018(01):55-64.[13]耿子恒,汪文祥,郭万福.人工智能与中国产业高质量发展--基于对产业升级与产业结构优化的实证分析[J].宏观经济研究,2021(12):38-52+82.[14]董洁明.对外贸易对“一带一路”沿线省份绿色全要素生产率的影响研究[D].武汉大学,2019.[15]蒋晶丽.我国玉米绿色全要素生产率区域差异与影响因素研究[D].河北科技大学,2023.[16]戴林琳,王昕怡,刘赟,等.国土空间生态修复规划编制思路与技术路径[J].规划师,2024,40(11):9-16.[17]殷宝庆.环境规制与我国制造业绿色全要素生产率--基于国际垂直专业化视角的实证[J].中国人口·资源与环境,2012,22(12):60-66.[18]李斌,彭星,欧阳铭珂.环境规制、绿色全要素生产率与中国工业发展方式转变——基于36个工业行业数据的实证研究[J].中国工业经济,2013(04):56-68.[19]黄庆华,胡江峰,陈习定.环境规制与绿色全要素生产率:两难还是双赢?[J].中国人口·资源与环境,2018,28(11):140-149.[20]原毅军,谢荣辉.FDI、环境规制与中国工业绿色全要素生产率增长--基于Luenberger指数的实证研究[J].国际贸易问题,2015(08):84-93.[21]冯严超,王晓红,胡士磊.FDI、OFDI与中国绿色全要素生产率--基于空间计量模型的分析[J].中国管理科学,2021,29(12):81-91.[22]余泳泽,段胜岚,林彬彬.新发展格局下中国产业高质量发展:现实困境与政策导向[J]宏观质量研究,2021,9(04):78-98.[23]刘赢时,田银华,罗迎,产业结构升级、能源效率与绿色全要素生产率[J].财经理论与实践.2018.39(01):118-126.[24]李健.数字经济、产业链创新与绿色全要素生产率[J].统计与决策,2024,(9):129-134[25]王静.数字普惠金融对绿色全要素生产率的影响研究[D].山东大学,2022.[26]Nickel,M.,etal.(2016).ARe