JBR2026|AI赋能制造业ESG绩效：创新驱动与流程优化的双路径研究

SSCI Q1; IF 9.8; ABS 3

[研究背景]

ESG（Environmental, Social, and Governance）已成为评估企业长期发展潜力与可持续经营能力的关键维度，而人工智能正深刻改变着制造企业的生产模式、运营体系与治理结构。本文以熊彼特创新理论为理论基础，将人工智能界定为具备“创造性破坏”特征的通用目的技术，深入探究AI应用是否及如何推动企业ESG绩效提升。基于中国A股制造企业2003—2025年的长期追踪数据，运用多期双重差分模型进行实证检验，研究结论如下：AI应用显著改善企业ESG表现，其作用路径主要通过绿色技术创新与流程优化两条渠道实现。异质性分析显示，AI对ESG的促进作用在劳动密集型、资产密集型和技术密集型企业中呈现差异化特征，但不同资源配置模式下的作用机理存在显著差异。具体而言，劳动密集型和资产密集型企业主要依托绿色技术创新释放AI的ESG潜力，而技术密集型企业则更多借助流程优化发挥AI功效。整体而言，本文阐明了AI作为“可持续发展加速器”的作用机理，为制造企业制定人工智能战略、提升ESG绩效提供了实证依据与实践参考。

[理论框架说明]

理论框架表明，AI既对企业ESG表现产生直接影响，也通过绿色技术创新和流程优化两条路径产生间接效应；劳动密集程度、资产密集程度和技术密集程度进一步调节AI作用的强度及其作用机理的差异。

[研究样本与变量定义]

变量类别

变量名称

测量方法

被解释变量

ESG表现（ESG）

采用Bloomberg ESG综合评分评估，数值范围0—100，数值越大表明企业ESG表现越优。

解释变量

AI采用（Treat × Post）

Treat用于区分是否部署AI技术；Post代表AI采用当年及以后年度。二者交互项构成DID模型核心解释变量。

机制变量

绿色技术创新（Green_inn）

采用企业绿色技术专利申请数量测度，涵盖绿色发明专利和绿色实用新型专利，数据来源于CNRDS。

机制变量

流程优化（PI）

采用全要素生产率变化反映流程优化程度，并运用Levinsohn-Petrin（LP）方法估算TFP。数值越大表明流程优化效果越显著。

异质性变量

劳动密集度（LnEmployee）

以员工总数的自然对数测算，并按中位数区分高、低劳动密集度企业。

异质性变量

资产密集度（LnTTA）

以总资产自然对数测算，并按中位数区分高、低资产密集度企业。

异质性变量

技术密集度（TI）

以研发费用/营业收入测算，并按中位数区分高、低技术密集度企业。

控制变量

ROA、LnAge、Capital、Lev

分别控制企业盈利能力、企业年龄、资本密集度和资产负债率。

[核心研究结论]

•AI采用显著提升企业ESG表现。在固定效应模型中，Post × Treat系数为正且在1%水平显著；在PSM-DID模型中结论仍保持一致，表明AI采用对企业ESG表现具有稳健的正向影响。

•绿色技术创新是AI影响ESG表现的重要渠道。AI采用显著提高企业绿色技术创新水平（Post × Treat = 7.330，p < 0.05），绿色技术创新进一步显著提升ESG表现，说明AI能够通过推动绿色专利产出和绿色技术升级改善可持续发展绩效。

•流程优化是另一条关键渠道。AI采用显著促进流程优化（Post × Treat = 0.116，p < 0.05），流程优化对ESG表现具有显著正向影响，说明AI通过自动化控制、智能预测、实时监控和资源优化等方式提升运营效率并降低资源消耗。

•企业资源结构塑造AI的ESG效应。AI对ESG表现的促进作用主要出现在高劳动密集度、高资产密集度和高技术密集度企业中，而在低密集度组中并不显著。

•不同类型企业的作用机理存在差异。劳动密集型和资产密集型企业主要通过绿色技术创新提升ESG表现；技术密集型企业则主要通过流程优化释放AI的ESG价值，而绿色技术创新路径并不显著。