【制造业数字化转型对绿色技术创新的影响研究-来自沪深A股上市制造业企业的证据14000字（论文）】

制造业数字化转型对绿色技术创新的影响研究—来自沪深A股上市制造业企业的证据内容摘要随着中国“碳中和”进程的推进和各类工业互联网等数字技术的发展应用，制造业企业的数字化转型对制造业企业绿色技术创新的促进作用是否存在已经成为目前各界关注的重点。本文从技术整合能力的视角出发，运用实证分析的方法，选择2015-2020年中国沪深A股上市的142家制造业企业的面板数据作为样本进行研究，以讨论制造业数字化转型与绿色技术创新之间的关系。本文运用文本挖掘法和熵值法对制造业企业的数字化水平与绿色技术创新水平进行测度。通过实证分析发现制造业企业的数字化水平与绿色技术创新之间呈现显著的“倒U型”关系；技术整合能力可以弱化企业数字化水平与绿色技术创新之间的“倒U型”关系。根据研究结果，制造业企业在提高技术整合能力的同时推进数字化转型，可以促进其绿色技术创新水平的提升。关键词：数字化绿色技术创新倒“U”型文本分析目录一、绪论 1（一）研究背景 1（二）研究目的 1二、文献综述和研究假设 2（一）国内外文献综述 2（二）研究假设 4三、数据来源与统计描述 6（一）样本选取及数据来源 7（二）变量选取 7四、制造业数字化转型对绿色创新影响的实证分析 11（一）模型设计说明 11（二）变量描述性统计 12（三）模型估计及回归结果分析 14（四）模型稳健性检验 19五、结论与建议 20参考文献 21一、绪论（一）研究背景我国制造业从1978年改革开放之后的发展速度突飞猛进，短短四十多年间取得了令人瞩目的光辉成绩，但是就我国制造业的发展质量来看，我国虽然是一个制造业大国，但是绝非“制造强国”。大部分制造业企业依然保持“粗放”的发展模式，高投入的同时也伴随着高污染、高排放，生产效率低下，虽然是我国经济增长的重要“驱动器”，但是随之带来的是我国生态环境的恶化，比如沙尘暴、全球变暖、水污染等现象层出不穷。因此，制造业的低碳发展显得迫在眉睫，如何实现我国制造业企业生产的绿色转型，在保护生态的同时提高制造业企业的生产技术含量，摆脱价值链低端环节位置，逐步向“制造强国”转变，是社会各界都在关心的问题。为此，我国政府出台了多项政策以支持制造业企业的转型升级，早日实现“碳达峰、碳中和”，2015年国务院发布《中国制造2025》提出要将绿色生产的理念融入制造业企业的生产过程，加速我国制造业企业的绿色转型升级；2021年9月22日国务院发布了《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》，明确提出我国要大力推进清洁绿色生产，加快绿色低碳科技革命，推动工业的低碳工业创新和数字化转型；再到2021年12月发布“十四五”规划，明确要求未来五年期间实现我国制造业的碳排放量和污染物排放量持续下降，进一步提高资源利用效率，重视典型企业绿色生产模式的示范作用，推动制造业的低碳发展。在信息化浪潮的席卷之下，越来越多的企业开始踏入数字化的领域，将大数据、AI等信息技术的应用场景进一步丰富，为我国制造业企业的转型提供了一个新的方向，同时也给予了制造业企业强大的技术支持。再叠加2020年以来新冠疫情的出现和反复，严重影响了企业的正常生产，因此积极推进各种线上办公系统、积极拓展线上业务，不断探索数字化商业模式成为企业发展转型的重点。各类制造业企业可以通过利用各种先进的数字技术改进生产方式、管理方式以及营销方式，将绿色发展的理念融入生产的全过程，提高生产管理效率，进而提高绿色低碳发展水平，积极响应国家号召，促进绿色创新。（二）研究目的基于此，本文希望可以通过分析制造业数字化转型的发展水平对企业绿色技术创新的影响，进一步梳理数字化转型对促进企业绿色创新的影响路径。本文希望在制造业数字化转型对绿色创新影响的分析基础上，提出相关假设，通过实证模型对提出的假设进行分析检验。根据实证研究的结果对我国制造业实现绿色技术创新和可持续发展提出相应的建议，该文对我国制造业企业培育自身的绿色竞争力具有一定的借鉴意义。二、文献综述和研究假设（一）国内外文献综述1、数字化转型从企业数字化转型的定义来看，制造业的数字化转型是指将数字化理念融入制造业企业生产管理以及销售的各个环节（戚聿东和蔡呈伟，2021），实现制造业各环节和数字技术的深度融合（马明杰等，2019）。数字化转型的过程具有显著的系统性特点，通过企业内部各部门之间分叉和突变的行为沟通，在系统融合的过程中逐步推进数字化转型（王万伦等，2020）。制造业企业的数字化转型作为其战略行为的一部分，本质上就是企业希望通过信息技术的利用，改进现有的生产管理环节，从而提升企业的生产效率和竞争力，最终实现企业价值的提高（戚聿东和蔡呈伟，2021）。受限于数字技术发展的进程，在起步时间点上我国制造业数字化的转型与国外相比相对较晚，企业之间的数字化水平差距较大，我国制造业的数字化转型既包括在企业生产过程中初步应用各类数字技术从工业1.0或者工业2.0阶段进入工业3.0阶段，也包括部分已经处于工业3.0阶段的企业，在实现一定水平数字化生产的基础上，进一步将信息技术融于企业生产管理各环节，从而进入工业4.0阶段（沈恒超，2021）。总的来说，我国制造业企业的总体的数字化水平相对较低，企业之间的数字化水平差距较大，但是积极推进数字化转型是制造业企业当下发展的共同选择。在数字化转型的影响方面，王才（2021）通过对长三角、珠三角的173家制造业企业的面板数据进行实证分析，研究发现企业数字化水平的提高有利于提升企业整合、配置、更新资源的能力，从而提升企业的创新绩效。苗效东（2020）则以制造业数字化转型中的大数据技术为研究对象，通过对全国30省市2005-2018年的面板数据进行分析发现大数据的发展对于提高地方制造业的资源利用效率具有正向促进作用，推动制造业的产业结构调整优化，进而减少污染物排放，实现低碳发展。王瑞荣（2022）通过对浙江省的2007-2018年数字经济与制造业整体和细分行业之间的关系进行实证分析后发现，数字经济对制造业各细分行业的影响具有明显的行业异质性特征，数字经济对于劳动密集型制造业的发展具有显著的负面作用，而对于资本密集型和技术密集型的制造业发展则具有显著的正面作用。2、绿色技术创新绿色技术创新包括产品研发设计、生产工艺绿色化改进、绿色生产材料研发、绿色产品包装设计以及生产过程中废弃物的绿色化二次利用或处理等多个方面的创新（Aguilera-CaracuelJ，2013），是创新和绿色发展相结合的产物，在制造业企业可持续发展方面具有重要作用。与企业以往的创新活动相比，绿色技术创新的目的更侧重于突破自然资源的约束和限制，以新知识新技术为基础进行探索性创新，在有限的资源条件下尽可能实现生产能力的提高（杨东和柴慧敏，2015）；进而完成环境效应和经济效益的共同提升（张钢和张小军，2013）的最终目标，即减少排放废弃污染物、提高生产绩效等（肖仁桥等，2017）。关于绿色技术创新的驱动因素方面，现有学者的研究聚焦于政策规制对企业进行绿色技术创新的驱动作用（杨东和柴慧敏，2015），有学者通过对广东地区148家制造业企业进行实证分析发现政府强制性的法律法规和企业之间的竞争会对绿色技术创新产生促进作用（李怡娜和叶飞，2012）；成琼文等（2020）通过使用DEA模式测量了中国三十五个主要工业行业公司的绿色创新绩效,并利用Tobit模式进行了实证分析,结果表明工业公司规模、市场化程度、对外开放程度和环保规制制度将会公司的绿色创新业绩形成正面促进作用。同时也有部分学者关注金融行业发展对企业绿色技术创新的影响作用，如黎杰生和胡颖（2017）以1998-2012年为区间，选取中国30个省级地区的面板数据为样本进行实证分析，研究发现金融业的聚集有利于促进当地经济增长，但是对技术创新水平的具有抑制作用，同时不同的金融行业对技术创新水平的作用效果有所差异，如证券业对技术创新水平具有抑制作用，而保险业和银行业则具有促进作用；金芳等（2021）在主成分分析法的基础上运用Super-SBM模型研究发现大数据信息技术的发展可以提高金融产业的聚集效果，从而促进企业绿色技术创新；翟华云、刘易斯（2021）则从数字金融角度分析探讨，通过对沪深A股上市公司2011-2019年的面板数据进行分析发现数字金融的发展对企业的绿色创新具有显著促进作用，主要是通过减轻企业的信贷约束实现的；王馨（2021）运用双重差分法研究我国绿色信贷限制与非限制行业在《绿色信贷指引》前后的创新表现发现，《指引》通过减少对中小企业的代理成本和投资成本,对非绿色信贷约束产业的技术创新活动产生了明显的促进作用，并且地方知识产权保护和环境执法力度对绿色信贷政策和绿色技术创新之间的关系具有正向调节作用。3、数字化水平与绿色技术创新之间的关系关于数字化水平对绿色技术创新的影响，诸多学者的看法有所不同。部分学者认为数字化转型对企业的绿色技术创新具有正向影响：如周慧慧、李海霞等（2021）在对我国28个制造业细分行业2013-2018年的数据进行实证分析的基础上，发现制造业企业的数字化转型可以有效提高其绿色研发绩效；岳丽荣等（2020）从吸收能力作为调节变量的角度出发，以2008-2017年为样本区间，对我国制造业细分行业的进行实证分析，得出制造业数字化水平与企业绿色技术创新绩效之间呈现正向关系，同时以吸收能力作为调节变量进行更深入分析后发现制造业吸收能力的提高对绿色创新绩效起到正向促进作用；庞瑞芝等（2021）从地区环境治理的角度出发，提出数字化可以通过促进企业绿色技术创新提升地区环境治理绩效。也有部分学者认为地区的数字化水平与绿色创新之间呈现倒“U”型关系，王锋正等（2021）对中国A股上市资源型企业2016-2019年的面板数据进行研究发现中国各省级地区数字化水平与资源型企业的绿色创新能力呈现倒“U”型关系，同时技术整合能力在其中发挥正向调节作用。还有少部分学者认为数字化对企业的创新绩效的作用并不明显，因为数字技术作为一个新兴事物，其引入不仅会提高企业的经营成本，也会导致企业整体系统性的失调，影响企业的管理。如戚聿东和蔡呈伟（2021）对2011-2018年中国A股制造业企业（剔除了属于高新技术制造业的公司）的年报运用文本挖掘法统计进行数字化水平测度，并进一步分析了制造业企业数字化水平与企业制造创新绩效的关系，得出随着制造业企业数字化水平的提高，一方面会出现企业资源统筹掌握能力的上升，另一方面也会带来企业正常运作流程的冲击与动荡，进而造成企业相关成本的提高，比如数字化程度提高后需要更多相关的信息技术专业人员或者对以往的管理模式等方面进行改进，数字化转型所带来的正向和负向作用可能会存在互相抵消的情况，从而出现数字化水平对企业绿色创新绩效影响并不显著的现象。综上所述，国内外学者对于制造业企业的数字化转型的定义、特点、制造业企业数字化转型的阶段以及数字化转型对制造业企业的影响进行了详尽的分析；对于绿色技术创新的定义、特点以及影响因素也有了较为全面的认识。就制造业企业的数字化转型必要性，学者已经达成了共识：数字化转型是我国制造业提质增效的必要选择，数字化可以有效提升企业的生产效率以及能源利用效率，对企业创新具有重要意义。但是目前学者对于数字化水平的测度更多是从区域层面进行分析，较少涉及企业本身的数字化水平，但是即使同一地区的企业，其数字化水平也会存在一定的差距；其次，现有相关研究中对于制造业企业数字化转型和绿色技术创新之间的关系研究较少，更多是分析数字化转型对制造业企业创新绩效的影响，较少涉及“绿色化”内容。因此本文希望能够进一步探讨企业层面数字化水平的测度方法，并以制造业企业为例，探讨制造业企业数字化转型与绿色技术创新水平之间的关系，以弥补现有研究的空白和不足，希望对我国制造业企业低碳化发展提供借鉴。（二）研究假设1、数字化水平与制造业企业绿色技术创新制造业企业的数字化水平发展更加重视的是现代信息技术、物联网等技术在企业生产全流程中的应用，借助该类技术可以有效提高制造业企业的数字化管理控制能力，有效提高资源配置能力，优化生产环节，在节能减排的基础上提高绿色技术创新水平（岳丽荣，2021）。同时，数字化水平的提高也离不开企业丰富的数字化基础设施，完善的数字化基础设施一方面可以提高企业的生产效率，减少各生产环节的所需时间，从而提高产品的周转效率（RAIA，2006），同时企业自身各部门之间的联系可以进一步得到加强，上下游企业之间的壁垒也会逐步得到打破，通过建立生产网络，加强企业之间的信息共享（Doloreux，2016），促进企业之间通过合作方式推进绿色生产技术的研发创新，实现绿色技术创新水平的提高。但是，数字化转型一方面意味着企业需要对现有的生产管理方式进行改造，需要企业大量的资金投入和相关人才的引进，或者设立专门的部门推进数字化转型，新引入的数字化相关人才部门作为新的变量可能会对企业原有的管理模式造成冲击，加大企业管理的难度；另一方面信息技术的应用可以加快“工业互联网”的构建，提高企业生产的智能化，使得企业生产的各个环节都提供大量的数据，如果企业不能正确高效处理所获得的各类数据，海量数据的存在可能会使得企业无法寻找与公司发展最密切、最核心的数据，干扰企业的发展决策，影响企业的主营业务，从而对企业的绿色技术创新产生不利作用（周青等，2020）。综上所述，制造业企业的数字化水平的提高有利于促进企业的业务结构优化以及商业模式的改进，可以有效增进不同上下游企业之间的信息共享，丰富企业关于绿色创新的知识储备，为企业绿色技术创新能力的提高打下基础，促进企业节能减排，早日实现“碳中和”；但是随着企业数字化转型的推进，会出现资源冗余、资金过度占用，信息过度多样性影响企业决策的现象，限制制造业企业的绿色技术创新。据此，本文提出如下假设：H1：数字化水平与制造业企业的绿色技术创新之间呈现倒“U”型关系；2、技术整合能力与制造业企业绿色技术创新丰富的技术资源是企业进行技术创新的基础，但是技术资源并不能够直接给企业带来价值，只有经过企业对各类技术资源的识别、整合以及应用，技术资源才可以为企业生产带来价值。对根据应用的过程和对象不同，技术整合能力可以分为产品创新导向和生产流程导向的技术整合。根据MacroIansiti（1997）的定义，产品创新导向的技术整合是指在新产品生产的过程中对生产工艺采用一系列的技术、评价以及整合的方法，使得产品的生产流程和技术与企业的经营环境相匹配，实现新产品的研发和创造。生产流程导向的技术整合是指技术整合不仅要实现从科研成果向产品制造的转化，也要满足产品的大规模生产要求，实现量产。从本质上来讲，这两种说法具有一致性，技术整合能力可以促使企业尽快将研发成果转化为产品，实现企业产品价值的提升。根据上述分析可以看到，企业具备强劲的技术整合能力意味着在资源整合与配置，生产要素安排与组织，新旧技术协同方面具有突出优势，有利于进行绿色技术创新。技术整合能力强的制造业企业可以更好的整合内外部绿色创新要素，提升绿色技术创新能力。目前我国制造业企业的核心竞争力依然不足，大部分制造业企业的创新能力较低，处于产品价值链的最底端，产品附加值低，并且由于我国制造业企业的资源利用效率较低，企业生产过程中破坏环境的现象并不罕见。因此，我国的制造业企业应该重视提高技术整合能力，通过对现有新旧技术的有效整合，更好实现绿色技术创新，提升企业的生态环境效应；通过不同新旧技术之间的整合和联系，可能会引发相互作用，实现“1+1>2”的效果，推动绿色创新技术的产生；利用现有的技术进行整合重组，企业不需要在研发过程中投入过多的精力和成本，有利于节约制造业企业的研发投入，提高资源的利用效率，促进绿色技术创新（王峰正，2021）。因此，本文提出以下假设：H2：技术整合能力对制造业企业绿色技术创新产生正向影响；3、数字化水平与技术整合能力的交互作用根据前文的分析，可以看到制造业企业绿色技术创新受到数字化水平、技术整合能力的共同作用。制造业企业数字化水平的提高，一方面可以引入各种绿色创新的相关信息和技术，促进制造业企业的创新和发展，加强上下游企业之间的沟通，但是数字化作为企业生产管理运行过程中的一个新变量，势必会对企业现有的运营管理体系造成影响，增加企业管理整合的难度和成本，这就要求制造业企业技术整合能力的提升，良好的技术整合能力可以帮助企业更好发挥数字化运营管理体系对企业绿色技术创新的促进作用。企业数字化水平的提高并不意味其带来的各项数字技术可以自动进入企业的生产研发环节之中，必须要企业的技术整合能力作为桥梁，沟通内外技术的交流和整合，促进绿色技术创新；因此，企业较强的技术整合能力可以削弱过高的数字化水平对企业绿色创新的消极影响，即使得制造业企业数字化水平和绿色技术创新之间的倒“U”型关系更为平缓，因此本文提出以下假设：H3：技术整合能力对制造业企业数字化水平与绿色技术创新之间的倒“U”型关系具有削弱作用，即技术整合能力的提高可以增强数字化水平对绿色技术创新的积极影响。三、数据来源与统计描述（一）样本选取及数据来源1、样本选取制造业作为我国经济体系的重要组成部分，涵盖的企业范围较广，考虑到制造业企业分类的准确性和数据的可得性，本文按照国家统计局颁布的《2017年国民经济行业分类（GB/T4754—2017）》分类标准，以在沪深A股上市的制造业企业作为样本对象选择范围。2014年4月24日，十二届全国人大常委会通过了“史上最严的”《环保法修订案》，将于2015年1月1日施行。同时，从2015年开始，国务院发布了《中国制造2025》的规划，越来越多的制造业企业开始向“互联网+”方向进行转型，推动各类技术的转型升级，鉴于此，本文以2015年-2020年作为样本区间。通过参考相关文献的做法和模型的需求，本文对沪深A股上市的制造业企业做如下筛选：（1）考虑到本文选取的样本区间，选择在2015年以前（不含2015年）上市的公司；（2）由于ST及ST*公司的经营状况与正常企业之间的差距可能较大，所以本文在样本选择中剔除该类公司；（3）考虑到同时在A股和B股上市的公司和仅在A股上市公司的治理水平和管理机制有一定的不同，因此剔除同时在A股和B股上市的公司；（4）剔除数据严重缺失以及部分指标异常的企业，避免该类企业对样本数据的拟合准确度造成较大的影响。最终的样本对象共142家，样本数量为852条。2、数据来源本文所选的样本公司数据来源于：反映样本公司的数字化水平相关数据来自上市公司年报和CSMAR数据库；反映样本公司绿色技术创新水平的相关数据来自CSDR数据库和彭博数据库；反映样本公司整合能力的数据来源于CSMAR数据库；上市公司年报数据来源于巨潮资讯网。（二）变量选取1、被解释变量：绿色技术创新水平（GTI）绿色技术创新是指制造业企业在生产研发过程中所采用的可以有效实现节能减排，减少生产活动对环境所造成的破坏的各项技术创新。本文参考齐绍洲等（2018）和王峰正（2020）的做法，采用企业绿色专利授权数量与彭博数据库企业ESG评分中环境（E）的评分作为衡量企业绿色技术创新的子指标，然后运用熵值法确定指标权重，将加权计算后的结果作为制造业企业绿色技术创新水平的衡量指标。企业的绿色专利授权数越大，E评分越高说明企业的绿色技术创新水平越强。本文对企业绿色专利的判断依据CRDS数据库中有关企业绿色专利授权的数据信息并参考了WIPO（世界知识产权组织）在2010年所推出的“国际专利分类绿色清单”对企业的专利信息进行识别分析。表1：企业绿色技术创新水平指标体系一级指标二级指标绿色技术创新水平企业绿色专利授权数量企业ESG评分中环境（E）的评分2、解释变量：数字化水平（DIG）对于数字化水平的测度是本文研究的关键，通过查找相关文献，现有的大部分研究中对于数字化水平的测量都是以区域为单位进行测算，较少涉及到对企业层面的数字化水平的测度。本文借鉴了戚聿东和蔡呈伟（2020）的做法，通过对制造业企业的年报进行文本分析，统计与数字化有关的关键词词频，进而测度不同制造业企业的数字化水平。最后通过熵值法计算不同指标的权重，得到企业最终的数字化水平得分。（1）文本分析-关键词选取与分析。根据文本分析方法的逻辑，本文借助python软件对样本对象的年报关键词进行筛选分析，统计有关数字化水平词汇的出现频率，以测度企业对数字化水平的重视程度。由于jieba分词方法的断句可能与本文的研究方向不一致，出现部分专业词汇断开的情况，因此本文将数字化关键词作为分词词库，只统计指定词的词频。在数字化水平的关键词的筛选上本文参考了戚聿东和蔡呈伟（2020）的关键词结果，将企业年报的数字化关键词分为“商业模式数字化”和“生产管理数字化”两个方面设置关键词，具体词汇结果如下：表2：文本挖掘关键词商业模式数字化生产管理数字化'IoT''IaaS''线上''线下''生态协同''网络零售''PaaS''SaaS''O2O''AI''BI''DCS''DT''EDA''EMR''EPR''ERP''GIS''Hadoop''MES''MIS''NC''OA''Oracle''PLM''RPA''SAP''U9''EAS''互联网+''区块链''商务智能''商业智能''数字城市''数字创意''数字鸿沟''数字化业务''数字化''数字技术''新型工业化''新型智慧城市''知识管理''智能办公''智能技术''自然语言处理''智能识别''智能终端''智能制造''关系型数据库''机器人''机器学习''深度学习''数据赋能''数据可视化''数据清洗''数据挖掘''网络安全''云存储''云计算''云联网''云平台''平台经济''物联网''工业互联网''万物互联''工业4.0''工业云''产业互联网''大数据''智能'（2）数字化其他测度指标。为了更加准确测度制造业企业的数字化水平，本文参考了黄节根等（2021）和李海霞等（2021）的数字化水平指标内容，并综合考虑数据的可得性，确定了下表的数字化水平测度其他指标。表3：数字化水平其他测度指标数字化水平其他测度指标R&D费用/主营业务收入软件资产/总资产研发人员数量/员工总人数高管中有无数字化背景人才（有为1，没有为0）（3）各指标权重确定。本文采用熵值法确定各指标的权重，然后根据权重计算最终指标的加权得分。熵是对不确定性的一种度量，可以反映各指标数据所蕴含的信息量大小。如果该指标数据计算得出的熵值越大，则说明数据中所蕴含的信息量越小，其不确定性越大，进而说明该项指标在总指标中的影响力较小，权重相对较小。该种评价方法较为客观，可以有效反映各类指标在总指标中的重要性和影响程度。具体计算方法如下：=1\*GB3①首先对样本数据进行标准化处理：正向指标：T负向指标：T正向指标说明该指标越大越好，负向指标则反之。通过该步骤对数据进行预处理，将原始数据变成无量纲单位数据，避免量纲不一致对数据的影响。=2\*GB3②计算第i个企业的第j项指标权重pij：pij==3\*GB3③计算第j项指标的熵值ej：ej=−1lndn=4\*GB3④计算第j项指标的差异系数gj：gj=1−e=5\*GB3⑤计算第j项指标的权重aj：aj==6\*GB3⑥计算样本对象评价值：第i个企业在第j项指标下的评价值为：Fij=ajT表4：数字化水平指标体系一级指标二级指标数字化水平数字化水平关键词词频/所有样本企业当年数字化水平关键词词频（%）商业模式数字化（%）企业管理/技术数字化（%）R&D费用/主营业务收入（%）软件资产/总资产（%）高管中有无数字化背景人才（有为1，没有为0）（4）数字化水平得分计算结果。本文基于上文的数字化水平测度方法，将标准化处理后的指标按照加权法求和得到数字化水平的得分数据，可以用来测度不同企业、不同年份的数字化水平，本文的142个样本企业在2015-2020年的数字化水平数据如下表所示：表5：样本企业2015-2020年的数字化水平概览年份201520162017201820192020平均值0.07160.07060.07950.08040.08230.0834最大值0.38920.37320.37120.35950.37630.3818最小值0.00090.00040.00140.00320.00440.0024中位数0.03940.03970.04260.04730.05410.05223、调节变量：技术整合能力（TIC）对于企业技术整合能力（TIC）的测度，大部分学者都是采取问卷调查的方式进行，但是问卷调查在本科阶段较难进行，同时调查数据可能存在一定的主观性和不确定性。因此，本文借鉴了王文华等（2015）和王峰正等（2021）的研究方法，将样本企业的研发人员数量占比作为企业技术整合能力的代理变量。因为一种资源技术从引进到识别、评价、整合以及应用的各个环节都离不开研发人员的配合和支持，所以研发人员作为企业技术创新中的关键环节，深刻影响了制造业企业整合和利用各类新旧技术的能力，可以较好反映企业的技术整合能力。4、控制变量本文参考了多篇文献的研究，综合文献中对控制变量的选取和本文的研究需要，最终本文选取了企业规模、企业成立年限、TobinQ、股权集中度和企业成长性作为控制变量。企业规模可以反映企业拥有资源和获取资源的能力，一般来说企业规模越大，企业所享有的各类资源越丰富，资源的获取能力越强，取对数后用size表示；企业成立年限可以在一定程度上体现企业的创新活力，一般来说新成立企业的创新意愿会较强，更愿意接受新事物，企业成立年限取对数后用age表示；TobinQ是企业市场价值和企业重置成本之比，反映了企业的价值创造能力，企业的市场价值越大，说明企业的创新意识越强，企业为社会创造的财富价值越大，取对数后用TobinQ表示；股权集中度（con）是企业第一大股东的持股比例；企业成长性（gro）代表了企业的发展活力，一般成长性较强的企业具有较强的创新能力和创新意识。表6：变量说明变量性质变量名称变量符号变量含义被解释变量绿色技术创新水平GTI样本企业绿色技术创新水平综合指数解释变量数字化水平DIG样本企业的数字化水平综合指数调节变量技术整合能力TIC研究人员数量/总员工数控制变量企业规模sizeln(总资产)企业成立年限ageln(当年年份-公司成立年份+1)TobinQTobinQln（（流通股市值+非流通股股份数×每股净资产+负债账面价值)/总资产）股权集中度con第一大股东持股数量/总股数企业成长性gro营业收入同比增长率四、制造业数字化转型对绿色创新影响的实证分析（一）模型设计说明1、数字化水平与制造业绿色技术创新GTI其中X代表控制变量，如果该模型回归结果中α显著为正，β显著为负，说明制造业企业的数字化水平与绿色技术创新之间呈现明显的“倒U型”关系，假设H1得到验证。2、技术整合能力与制造业绿色技术创新GTI其中X代表控制变量，如果该模型回归结果中β显著为正，说明制造业企业的技术整合能力与绿色技术创新具有正向关系，假设H2得到验证。3、数字化水平与技术整合能力的交互作用GITX代表控制变量，如果该模型回归结果中γ显著为正，则假设H3得到了验证，说明制造业企业技术整合能力的提高对数字化水平和绿色技术创新之间的倒“U”型关系具有削弱作用，即技术整合能力可以有效配置数字化转型带来的各项资源，降低数字化水平过高时对制造业企业绿色技术创新的抑制作用。（二）变量描述性统计本文相关变量的描述性统计结果如表7所示，可以看出样本制造业企业的绿色技术创新水平指标的平均值为0.1352，说明样本制造业企业的绿色技术创新水平整体较低，标准差0.1103，说明制造业企业之间的绿色技术创新水平差距较大；数字化水平均值为0.0780，标准差为0.0795，不同制造业企业之间的数字化水平存在一定差距；技术整合能力均值为14.9362，标准差为11.6547，表明各制造业企业之间的技术整合能力存在较大的差距。表7：变量描述性统计数据来源：CSMAR数据库、彭博数据库、巨潮资讯网、CSDR数据库，下同。变量观测值均值标准差最小值最大值GTI8520.13520.11030.00000.7767DIG8520.07800.07950.00040.3892TIC85214.936211.65470.240066.7700size85223.30051.280220.358226.5988age8522.97540.27042.07943.6889TobinQ8520.57240.5290-0.35992.8287con8520.36630.16170.03000.8251gro8520.13470.2968-0.86252.7830运用Stata16软件对变量进行相关性检验，结果如表8所示，从表中可以看出企业的绿色技术创新水平和数字化水平呈现显著的正相关关系，技术整合能力和绿色技术创新水平以及数字化水平均呈现显著的正相关关系，其余变量也均存在一定的相关性，说明选取这些变量进行实证分析具有可行性。表8：变量相关性检验结果变量GTIDIGTICsizeageTobinQcongroGTI1.0000DIG0.2249***1.0000TIC0.1369***0.3759***1.0000size0.5725***0.1642***-0.1971***1.0000age0.0874**-0.0974***-0.0824**0.02951.0000TobinQ-0.3096***0.03150.2035***-0.4269***-0.1975***1.0000con0.2106***-0.0436-0.2530***0.2846***-0.0609**-0.00051.0000gro-0.0233-0.01140.0288-0.0207-0.1477***0.1436***-0.00011.0000注：***表示P<0.01,**表示P<0.05,*表示P<0.1从表8中也可以看到部分解释变量之间的相关系数较为显著，可能会存在多重共线性，从而影响模型回归结果。因此本文对样本数据进行了VIF检验，进一步分析是否存在多重共线性。检验结果如表9所示，VIF的最大值为1.46，远小于10，说明解释变量之间并不存在严重的共线性。表9：解释变量VIF检验结果变量VIF值DIG1.26TIC1.34size1.46age1.07TobinQ1.35con1.18gro1.04VIF平均值1.24（三）模型估计及回归结果分析面板模型中分为固定效应模型和随机效应模型，具体选用哪个模型进行回归主要依据Hausman检验的结果，本文使用Stata16软件对样本对象进行Hausman检验，检验结果对应的P值为0.0000，说明强烈拒绝原假设“H0：ui与xit,1、数字化水平对制造业企业绿色技术创新的影响表9显示了制造业企业数字化水平与绿色技术创新水平之间的回归结果，其中列(1)只对控制变量进行了回归，结果表明企业规模、企业成立年限、企业的TobinQ、股权集中度以及成长性对企业绿色技术创新水平的提高起正向促进作用，说明企业规模越大，成立年限越长就具备更多的资源基础和优势去进行绿色技术的创新；企业的市场价值越高、成长性越强，企业越有动力进行绿色技术创新以维持自身的市场价值优势；企业股权集中度越高说明在进行企业战略决策时受到的阻碍较少，更有利于企业集中力量进行绿色技术创新。表10的第（2）列检验了制造业数字化水平与绿色技术创新之间的关系，二次项DIG2对应的系数为-0.9797，在95%的置信度水下是显著的，一次项DIG对应的回归系数为0.2676，在95%的置信度水下是显著的，表10：变量回归结果解释变量GTI（1）GTI（2）DIG0.2676**(2.15)DIG-0.9797**(-2.51)size0.0183**（2.14）0.0161*(1.88)age0.2446***（9.52）0.2485***(9.64)TobinQ0.0095（1.38）0.0103(1.49)con0.1001**（1.97）0.1009**(2.00)gro0.0029（0.45）0.0033(0.50)_cons-1.0605***（-6.28）-1.0314***(-6.11)R0.22850.2355N852852注：***表示P<0.01,**表示P<0.05,*表示P<0.1，括号内为解释变量回归系数对应的T值。为了进一步验证数字化水平与绿色技术创新水平之间的倒“U”型关系是否存在，本文参考LindJT和MehlumH（2010）的做法，对回归结果进一步进行Utest检验。检验结果如表11所示，Utest检验的t值为2.15，对应的P值为0.0161<0.05，说明在95%的置信水平下可以认为模型存在显著的倒“U”型关系。极值点对应的DIG的值为0.1366，DIG的最大值为0.3892，最小值为0.0004，说明极值点位于样本区间内，并且极值点95%的置信区间为[0.0398，0.1981]，仍处于样本的取值范围内。样本下限的斜率为正数，上限部分的斜率为负数，说明确实存在倒“U”型关系。制造业企业通过引入数字化相关技术对企业进行改造，可以有效加强企业之间和企业内部各部门之间的合作交流，充分发挥信息资源的“外溢效应”，对企业绿色技术创新起促进作用；但是数字化的改造的推进需要企业不断投入资金，加大企业的生产成本，同时企业数字技术的过快发展和引入如果不能较好的与企业主营业务相融合，也会对企业现有的生产模式和研发形式造成一定冲击，影响企业的绿色技术创新能力。表11：Utest检验结果下限上限样本区间0.00040.3892斜率0.2667-0.4950t值2.1456-2.5470P>|t|0.01610.0055Utest检验结果t值2.15P>|t|0.0161极值点0.1366极值点95%的置信区间[0.0398，0.1981]图1：DIG与GTI关系图2、技术整合能力对制造业企业绿色技术创新的影响根据表12结果，解释变量TIC对应的回归系数为0.0013，在95%的置信度水平下显著，说明制造业企业的技术整合能力和绿色技术创新水平之间呈现显著正相关关系，技术整合能力的提高可以促进绿色技术创新的发展，H2假设得到验证。尽管不同企业的规模、成立年限、成长性等多种因素均有不同，但是制造业企业技术整合能力的增强，可以促进企业对各类信息、技术的吸收融合，为企业进行绿色技术创新提供更多的可能性，从而推动企业进一步提升生产效率和资源利用率，减少污染物排放，逐步发展实现绿色高效的生产模式，提高企业的绿色竞争力。表12：变量回归结果解释变量GTITIC0.0013**(2.39)size0.0201**（2.36）age0.2288***（8.65）TobinQ0.0087（1.27）con0.0895*（1.76）gro0.0043（0.66）_cons-1.0726***（-6.37）R0.2347N852注：数据说明同表10注。3、制造业企业技术整合能力与数字化水平的交互作用为了检验假设H3，探究技术整合能力的调节作用，本文引入技术整合能力和数字化水平的二次交互项进行回归分析。考虑到模型中引入交互项可能会产生多重共线性问题，影响模型系数的可解释性和可靠性，因此本文在回归前先对关键变量进行了中心化处理，该操作并不改变回归系数的大小但是可以有效提升回归系数的显著性水平。Richard等（2016）提出，当倒“U”型关系中引入调节变量的二次交互项系数显著为正数时，说明调节变量对原有的模型倒“U”型关系具有平滑作用，即使得原有的曲线更为平缓。根据表13的回归结果可以看到制造业企业数字化水平和技术整合能力的二次交互项回归系数的t检验统计量的值为2.53，对应的P=0.012，说明在95%的置信水平下是显著的，H3得到验证。制造业企业数字化水平程度的提高可以促进相关信息的共享和传播，为企业进行绿色技术创新提供更多信息资源和网络关系，技术整合能力则可以有效促进数字技术与企业现有的各类生产管理技术的重新组合架构，充分发挥不同技术之间的协同效应，实现“1+1>2”的应用效果，在企业技术整合能力的配合下，制造业企业数字化水平与绿色技术创新水平之间的倒“U”型关系更为平缓。表13：变量回归结果解释变量GTIc_DIG0.3973***（2.85）c_-1.4507***（-3.15）c_TIC0.1259**（2.22）c_DIG22.6282**(2.53)size0.0178**（2.09）age0.2286***（8.55）TobinQ0.0087（1.27）con0.0965*（1.91）gro0.0049（0.76）_cons-1.0365***（-6.17）R0.2466N852注：数据说明同表10注。图2：技术整合能力调节作用图（四）模型稳健性检验本文采用替换关键解释变量数字化水平的方法对现有模型进行稳健性检验，使用CSMAR数据库中所公布的“上市公司数字化转型程度（年）”数据作为现有模型中数字化水平的替代变量对模型再次进行回归，回归结果如下表所示。表14中的列（1）是对制造业企业数字化水平和绿色技术创新能力进行回归的结果，列（2）是引入技术整合能力交互项后的结果，可以看到，替换解释变量之后模型的各主要解释变量回归系数的符号没有发生改变，对应的T值检验统计量依然显著，说明本模型具有较好的稳健性。表14：稳健检验结果解释变量GTI（1）GTI（2）c_DIG0.0102***（2.89）c_-0.0009***（-2.86）C_TIC0.0014**(2.51)c_DIG20.0001*（1.93）DIG0.0075**(2.30)DIG-0.0005**(-2.18)size0.0170**（2.1.98）0.0179**(2.10)age0.2449***（9.55）0.2233***(8.42)TobinQ0.0093（1.34）0.0081(1.18)con0.0885*（1.74）0.0735(1.44)gro0.0025（0.38）0.0043(0.66)_cons-1.0345***（-6.10）-0.9805***(-5.76)R0.23440.2445N852852注：数据说明同表10注。五、结论与建议本文基于A股上市公司样本，对制造业数字化水平与绿色技术创新之间的关系进行分析，并研究了企业的技术整合能力在其中的促进作用。文章主要结论如下：（1）制造业企业的数字化水平与绿色技术创新之间呈现倒“U”型关系；（2）制造业企业的技术整合能力与绿色技术创新之间呈现正相关，并且作为调节变量技术的整合能力可以削弱制造业企业的数字化水平与绿色技术创新之间呈现倒“