数字赋能“有效论”：数字化转型对重污染企业绿色创新的双向效应.pdf

第 39 卷摇 第 3 期2024 年 5 月北京工商大学学报(社会科学版)JOURNAL OF BEIJING TECHNOLOGY AND BUSINESS UNIVERSITY(SOCIAL SCIENCES)Vol.39 No.3May 2024doi:10.12085/j.issn.1009鄄6116.2024.03.005引用格式:孙自愿,马琳,王文娇.数字赋能“有效论冶:数字化转型对重污染企业绿色创新的双向效应J.北京工商大学学报(社会科学版),2024,39(3):53-66.SUN Ziyuan,MA Lin,WANG Wenjiao.Digital empowerment“effectiveness冶:bidirectional effect of digital transfor鄄mation on green innovation of heavy鄄polluting enterprisesJ.Journal of Beijing Technology and Business University(Social Sciences),2024,39(3):53-66.数字赋能“有效论冶:数字化转型对重污染企业绿色创新的双向效应孙自愿,摇 马摇 琳,摇 王文娇(中国矿业大学 经济管理学院,江苏 徐州摇 221116)摇 摇 摘摇 要:当前,以大数据、云计算等为代表的数字技术快速发展,为企业绿色创新提供了新动能。然而,数字赋能的“有效性冶问题一直在学术界存在争议。基于20102020 年中国沪深 A 股重污染企业数据,实证检验了数字化转型对企业绿色创新的影响及作用机制。研究发现,数字化转型与绿色创新之间存在显著的倒“U冶型关系,且样本企业广泛分布于倒“U冶型曲线最高点的左侧;管控投入在数字化转型与企业绿色创新的关系中发挥部分中介作用。同时,政府补助能够显著强化数字化转型与企业绿色创新之间的倒“U冶型关系。异质性分析表明,上述倒“U冶型关系主要存在于国有企业和媒体报道较多的企业中。这说明,“技术驱动冶有助于重污染企业绿色创新“增量提质冶,但过度数字化会诱使企业陷入“技术鸿沟冶,不利于数字化与绿色创新的协同推进。因此,重污染企业应找准数字技术赋能生态环境保护的契合点与着力点,政府可以利用补贴政策进一步激励企业数字赋能绿色创新。关键词:数字化转型;绿色创新质效;管控投入;政府补助;技术驱动;技术鸿沟中图分类号:F273郾 1摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:1009鄄鄄6116(2024)03鄄鄄0053鄄鄄14收稿日期:2023鄄鄄01鄄鄄22基金项目:国家社会科学基金后期资助项目“高质量发展视域下科技创新质效互动效应、影响机理及治理机制优化研究冶(21FGLB017);江苏省社会科学基金重大项目“聚焦关键核心技术突破的江苏区域创新体系研究冶(22ZDA005);江苏高校“青蓝工程冶资助项目(苏教师函也2022页29 号)。作者简介:孙自愿(1978),男,江苏徐州人,中国矿业大学经济管理学院教授,博士生导师,博士,研究方向为会计理论与创新治理;马摇 琳(1998),女,安徽蚌埠人,中国矿业大学经济管理学院硕士研究生,研究方向为绿色创新治理;王文娇(2000),女,山西介休人,中国矿业大学经济管理学院博士研究生,研究方向为科技创新治理。一、问题的提出当前,我国处于达成“双碳冶 目标的关键时期,迫切需要完成由“传统经济冶向“双碳经济冶转变的历史飞跃。随着经济发展与生态承载力之间的矛盾日益凸显,“生态优先、绿色低碳冶发展道路的优势日益彰显。重污染企业对我国经济发展做出了不可磨灭的历史贡献,但其“高消耗、高污染、高排放冶的生产方式也带来了很多工业污染,推进重污染企业实现绿色转型升级已势在必行。绿色创新以可持续发展为原则,能够有效缓解传统技术的环境风险,从源头上减少排污、提高能源利用效率,更容易产生增量收益,是“双碳经济冶的首要驱动力,更是重污染企业实现绿色转型的重要突破口1。然而,由于绿色创新具有高投入、高风险、正外部经济性等特征,企业在进行此类研发活动时严重缺乏内在驱动力。总体而言,探究数字如何赋能企业绿色创新,对推动微观企业尤其是重污染企业进行创新升级与宏观经济绿色高质量发展具有重要的现实意义。伴随着人类信息文明的跨越式发展,大数据35北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期时代翩跹而至,以大数据、云计算等为代表的数字技术方兴未艾,为提升企业绿色创新能力提供了崭新思路。数字技术与实体产业的深度融合,从根本上改变了传统商业模式,深刻影响着企业的组织结构、战略管理、产销方式、营运成本2-3。加快数字化转型,有助于企业完成从“赋能冶 到“使能冶的演变,获取数字经济新优势4。在重污染企业绿色转型升级进程中,数字技术可以有效监控污染排放、减少资源浪费5。企业可以利用数字技术精准管理、靶向治污,从源头上进行污染防治,为企业绿色创新保驾护航。然而,对数字赋能“有效性冶的质疑同样不容忽视,即数字技术在重塑商业组织新模式的要素性变革中,若企业原始生产要素难以匹配融合,则其技术属性与经济属性极易陷入数字困境,不能获得预期的产能升级与业态提速。全球著名咨询公司埃森哲在 2020 年合力共赢报告中指出,92%受访中国工业企业表示,由于缺乏组织内数字资源的有效合作,数字化投资的价值未能实现。武常岐等6也验证了过度的数字化转型反而不利于企业的高质量发展。尽管企业进行数字化转型已然成为大势所趋,但污染密集型行业的数字化建设仍然处于初级阶段7。基于此,数字技术的跨领域应用,能否帮助重污染企业获取技术跃迁效应、重塑创新环境、实现绿色创新“增量提质冶,成为亟待验证的问题。一些学者就数字化转型与绿色创新之间的关系展开了分析并形成了意见相左的观点。部分学者认为,数字化将对企业绿色创新产生积极影响。El鄄Kassar&Singh8研究发现,大数据的运用能够促使企业提高绿色创新能力进而抢占发展制高点。究其原因,已有文献认为数字化转型主要可以在信息共享、知识整合、人力资本、契约成本等方面赋能企业绿色转型升级9-10。然而,也有学者认为,数字化转型或对企业绿色创新产生消极影响。由于数字化转型使得企业生产经营和创新创造发生颠覆性、深远性变革,路径依赖严重,过快的数字化转型极易挤占企业原始资源,不但会导致供给层与需求层不相匹配,也难以推进数字技术与创新链的深度动态融合,进而造成企业绿色创新能力不升反降。王锋正等11从宏观层面验证了这一观点。他们发现,地区数字化水平在超出一定范围后会抑制企业绿色创新,但并未讨论企业数字化水平的个体差异。为此,Hajli12就数字化转型不利于企业创新的原因展开分析并指出,企业管理能力与数字变革进程之间的落差是问题产生的关键。此外,已有研究大多以上市公司为整体研究对象,并未将重污染企业作为绿色创新活动的主体细分出来。因此,重污染企业的数字化转型对绿色创新的影响效应及其作用机制,亟待廓清探究。相较已有研究,本文可能的边际贡献包括以下三个方面。首先,考虑到数字技术对生产经营的颠覆作用,本文聚焦重污染企业这一特殊主体,基于数字赋能“是否有效冶这一崭新视角,通过构建非线性关系,探讨了重污染企业数字化转型影响企业绿色创新的双向作用,为当前相左的研究结论提供理论解释和经验证据,进一步拓展了企业数字化转型对绿色创新影响的研究范畴。其次,本文把握数字经济的核心内涵,利用无形资产明细项构建数字化转型指标,是对微观层面数字化水平度量方法的有效补充,为关注企业数字化水平的研究者提供了更加简便的衡量方式。最后,本文不仅探究了数字化转型与绿色创新之间的倒“U冶型关系,还进一步揭示了“数字化转型管控投入绿色创新冶的传导路径(作用机制),提升了数字化与绿色发展关系的研究深度。二、理论分析与研究假说(一)数字化转型与重污染企业绿色创新数字化转型通过将数字技术与企业传统价值链深度融合,焕活数字价值,为“双碳冶形势下重污染企业绿色升级改造注入活力13-14。然而,对数字赋能“有效性冶的质疑不容忽视。数字化转型既能够通过引入数字技术,完成技术跃迁,获取“技术驱动冶下的绿色创新优势;也会因为数据爆炸引发的信息超载而陷入“技术鸿沟冶,即过剩的数据要素与企业管理能力和基础资源条件等传统要素之间断裂式交互,最终将阻碍企业绿色创新发展。具体地,就“技术驱动冶的促进作用而言,数字化转型重塑了重污染企业的商业环境和管理思维,为绿色技术创新产出“增量提质冶提供了适宜的条件15。一方面,数字化转型优化了企业内部创新环境。通过将数据资源化,突破传统资源的45第 39 卷摇 第 3 期摇 摇 孙自愿,马摇 琳,王文娇:数字赋能“有效论冶:数字化转型对重污染企业绿色创新的双向效应时空壁垒,这不仅能够精简业务流程,缓解组织结构冗余,促使重污染企业的创新循环增速,减少时间成本,还能对企业的生产流程进行实时跟进与反馈。通过富有价值的数据流,重污染企业能够洞察现有生产模式下的潜在经济价值及环境违约风险,从而推动绿色创新数量的增长4。另一方面,数字化转型提高了外部创新优势的摄取能力。信息传递方式的更迭不仅拓宽了绿色创新信息的搜集渠道,扩大了生产要素的网罗范围,增强了创新知识的汲取能力,还会促进企业与企业之间、企业与产学研之间协同创新的深度合作,有助于绿色创新要素共享方式的拓展与集成能力的提高,从而有效提升重污染企业的绿色创新质量16。值得注意的是,当数字化转型过度时,企业极易陷入“技术鸿沟冶。在数据过剩和资源挤出的双重消极影响下,重污染企业的绿色创新将“量减质降冶。数据过剩的本质是信息超载引发的供需不平衡,表现为企业由于过度数字化转型而被迫收集超出绿色创新需求的海量数据。数据过剩的出现抑制了企业绿色创新。一方面,由于重污染企业甄别数据的能力相对有限,数字技术搜集得到的对赋能企业绿色创新循环有价值的数据流有限,但无属性数据信息却将呈指数级增长,二者之间的不匹配不仅增加了数据识别成本和数据维护成本,还对数字人才的专业素养提出了更高的要求,极易导致劳而无功12,17;另一方面,虽然重污染企业受益于数字化转型实现的绿色资源共享与绿色创新合作,但随着外部边际效益递减,企业所享受的同行业绿色创新外溢效应将不断下降,绿色创新数量的增加趋势或将逆转。同时,资源挤出效应导致绿色创新质量下降。对于重污染企业而言,传统生产要素的合理配置是企业安身立命的根本,过度的数字化转型不仅会产生内锁效应,将资源过多地配置于辅助地位的数字要素,造成生产资本挤出,还会造就结构惰性的效率型人才,导致人力资本挤出。双重资源挤出迫使绿色创新质量持续下降11。因此,基于“技术驱动冶与“技术鸿沟冶并存的企业数字化转型特征,本文提出如下研究假说。H1:数字化转型与绿色创新之间呈倒“U冶型关系。(二)管控投入的中介作用在数字浪潮的冲击下,生产力的根本性变革导致了数据要素的爆发式增长、传递及其经济转化的“不确定冶。消除该“不确定冶成为企业管理的第一要务,提升管控能力成为企业的内在需求18。管控投入是企业行政管理部门在价值链各个环节投放的人力资本和物质资本,在一定程度上反映了企业的管控意愿强度,深刻影响着企业的管控能力9。然而,由于“技术驱动冶和“技术鸿沟冶效应并行,重污染企业数字化转型对企业管控投入同样具有双向影响。一方面,在“技术驱动冶效应下,重污染企业进行数字化转型有助于管控投入的增加,实现企业绿色创新“量增质升冶。就数字赋能管控投入而言,适度的数字化转型不仅能够利用技术跃迁效应,通过大数据、人工智能实现对重污染企业生产链、创新链、人才链的全链条监管,还能够借助数字技术明晰资源冗杂、发现管理漏洞,进而重新协调配置资源,促使合理性管控投入增多。进一步地,有效的管控投入有助于提升企业绿色创新水平。根据资源编排理论,资源是卓越绩效实现的必要条件,管控投入增加带动了管控能力增长,促进企业绿色创新环境的优化,真正实现“管控投入能力绿色创新产出冶过程的转化19。具体而言,数字赋能管控物质资本投入为重污染企业引入了作用于价值链不同环节的管理资源,如ERP、MES/DCS、PLM 信息系统等20。重污染企业借助监管技术范式的转变,可以加强生产经营过程动态管理,从而强化绿色创新机会识别,加速绿色创新循环,实现绿色创新数量的增长。同时,数字赋能管控能力提升有助于重污染企业引进高素质管理人才,对绿色创新质量提升具有直接作用。此外,通过物质资本的高效利用,绿色创新模式设计将持续动态优化,强化创新信息集成共享,推进靶向绿色创新,间接推动绿色创新质量提升21。另一方面,在“技术鸿沟冶效应下,企业进行数字化转型极易挤占管控投入,致使绿色创新“量减质降冶。就数字化转型对管控投入的挤出作用而言,过度的数字化转型使得数字化资源冗余的弊端凸显,信息超载效应致使数据过剩,企业信息“不确定性冶进一步增强,致使重污染企业的55北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期传统能力水平与资源基础无法满足信息爆炸带来的数字处理需求17。为达到“技术驱动冶效应下相同的数字赋能效果,重污染企业必须消耗额外的资金和精力,对数字筛选、数字监管、数字维护、数字安全体系进行完善,进一步挤占了管控投入资本。在此情形下,由于缺乏相匹配的管控物质资本投入与管控人力资本投入,重污染企业的实际管理需求被忽视,创新网络监管出现漏洞,致使绿色创新内外部环境无法得到保障,从而抑制了企业绿色创新“增量提质冶。基于上述分析,本文提出如下研究假说。H2:管控投入在数字化转型影响绿色创新的过程中发挥了中介作用。(三)政府补助的调节效应随着重污染企业数字化转型程度的提升,“技术驱动冶效应逐渐式微,“技术鸿沟冶效应诱发的数据过剩和资源挤出愈加凸显。归根结底,企业实施数字变革之所以会对绿色创新产生抑制作用,其核心原因在于企业承担了极高的资金压力及创新失败风险11。因此,政府补助作为外部行政主体提供的研发资金保障,通过作用于创新链的前端、中端、后端,有效抑制了“技术鸿沟冶对绿色创新的消极影响。重污染企业绿色创新积极性较低的原因在于,相较于一般创新,绿色创新以绿色为基础进行创新,资金消耗更多,创新成果产出更难,但同样具有“后发性冶优势,容易出现“搭便车冶现象,从而损害创新主体利益22。在创新链的前端、中端,政府补助不仅能够直接缓解企业创新的投入压力,还能够通过对信贷机构背书间接缓解企业资金压力,提高企业外部融资能力,协同降低企业经营风险,促进企业创新。基于信号传递理论,政府补助能够释放政策扶持信号,体现出政府对企业发展方向的充分肯定,提升了企业的偿债能力和信用评级,从而有助于扩展融资渠道,降低融资成本。同时,这一支持信号还将鼓励企业坚定实施低碳转型战略,以绿色为创新方向。而在创新链后端,Wang et al.23的研究表明,政府资金支持能够减弱企业绿色创新的外部性色彩,补偿先行创新损失,促进创新成果产出,并提高成果质量。因此,“技术驱动冶与政府补助并举将有助于企业绿色创新意愿与绿色创新效果的提升,政府补助在数字化转型影响绿色创新的过程中表现出积极作用,或成为数字化对绿色创新影响过程中举足轻重的一环。基于上述分析,本文提出如下研究假说。H3:政府补助正向调节数字化转型对绿色创新的影响。本文的逻辑框架如图 1 所示。图 1摇 本文研究逻辑框架摇三、研究设计(一)样本选取与数据来源为研究数字化转型与绿色创新二者之间的关系,本文选取20102020 年中国沪深 A 股重污染企业作为初始研究样本。一方面,中国数字经济的快速发展始于 2010 年,样本区间是深刻理解和全面把握数字化转型的“重要窗口期冶;另一方面,重污染企业具有资源依赖度高、“三废冶排放量多、污染蔓延范围广的典型特性,通过考察重污染行业企业数字化转型对绿色创新的影响,便于科学评价该行业作为绿色创新先行者的实践效果。具体地,以上市公司环保核查行业分类管理名录和上市公司环境信息披露指南(征求意见稿)为指引,结合 2012 版证监会行业分类,作为重污染企业的判定标准。此外,剔除 ST、*ST及相关变量缺失的样本,最后得到包含 1080 家上市公司的7880 个观测值。数据主要来源于 CSMAR数据库、CNRDS 数据库、Wind 数据库和企业年报,其中数字化转型通过手工计算所得。为避免极端值的干扰,本文对连续变量进行了 1%和99%分位点上的缩尾处理。(二)变量定义1郾 被解释变量:绿色创新(GRpt)绿色创新体现了企业抵御自然环境风险的能力。目前,学术界主要从投入和产出两个方面来衡量绿色创新。投入角度主要采用企业研发投入与能源消耗量的比值、单位产值能耗等11,产出角度主要采用绿色专利申请数、绿色专利授权数等24。考虑到数据的可靠性与可获得性,本文借65第 39 卷摇 第 3 期摇 摇 孙自愿,马摇 琳,王文娇:数字赋能“有效论冶:数字化转型对重污染企业绿色创新的双向效应鉴王馨、王营25的做法,将绿色创新分为绿色创新数量(GRqt)和绿色创新质量(GRql)两个维度,并分别用绿色专利申请总数和绿色发明专利申请总数来衡量。同时,为消除量纲影响,对专利申请数加 1 进行对数化处理。2郾 解释变量:数字化转型(Dig)在以往文献中,数字化转型多以企业转型状况为度量,并且可以细分为宏观和微观两个层面。宏观层面多通过构建指标体系来实现,微观层面的衡量方法则更加多样。一部分学者借助文本分析方法,用年报中数字化相关词汇的词频占比来度量企业的数字化转型,但这种方法既无法避免企业主观的迎合倾向,又疏忽了语义判断,易将否定句中的数字化词汇错误纳入计量范围,还会将战略选择错误归类为企业已享有的数字技术。另一部分学者则利用问卷调查或专家打分的形式,设置问卷以完成实证检验,但该类方法具有问题导向、调查范围局限等缺点,也会造成结果偏差。此外,还有部分学者通过梳理上市公司财务报告附注中资产的明细项,将与数字经济相关的资产定义为数字化资产,计算其占总资产的比重。例如,张永珅等26利用无形资产明细项构建数字化资产;赛叶普拉桑纳、陈新27认为,数字化资产的衡量还应当考虑数字化实物资产;黄节根等16基于固定资产、无形资产明细项分别构建数字化资产。值得注意的是,二十国集团数字经济发展与合作倡议将“数字冶定义为知识和信息,相对于提供物质保障的固定资产,无形资产更加符合数字的定义。因此,本文借鉴第三类学者的做法,首先,抽取一定数量的样本企业,对无形资产明细进行人工判断,确定数字化无形资产的关键词,包括“端冶“平台冶“软件冶“系统冶等;其次,利用关键词筛选出数字化无形资产;再次,进行人工复核,查漏补缺;最后,采用数字化无形资产与总资产的比值衡量企业的数字化转型。3郾 中介变量:管控投入(CC)管控投入反映了企业愿意花费在有效管理上的支出总和,在一定程度上体现了企业的管控能力。借鉴袁淳等28和谢凡等29的做法,考虑到代理成本会使管控投入虚高,无法充分体现管理支出的有效性,本文最终采用扣除董事会费、差旅费、业务招待费、小车费等八项高管在职消费后的管理费用与营业收入的比值衡量管控投入。4郾 调节变量:政府补助(Gov)本文以政府补助强度来衡量政府补助,具体计算为政府补助/总资产 伊100%。5郾 控制变量为避免遗漏变量导致的回归结果偏误,借鉴既有研究16,26,28,本文引入了资产负债率(Lev)、上市年龄(Age)、两职合一(Dua)、股权集中度(Top)、资产收益率(Roa)、公司规模(Size)、资本密集度(Cap)、审计报告性质(Opi)、营业成本率(Ocr)作为控制变量。此外,本文在回归分析中还控制了年份(Year)、行业(Ind)和省份(Pro)固定效应。主要变量定义如表 1 所示。摇 摇(三)模型构建首先,本文的基准回归旨在探究数字化转型与重污染企业绿色创新之间的关系,采用经异方差稳健标准误修正的普通最小二乘(OLS)回归模型展开分析,并构建如下模型:GRpti,t=琢0+琢1Digi,t+琢2Dig2i,t+A忆Controli,t+移Year+移Ind+移Pro+着i,t(1)其次,就管控投入的中介效应检验,借鉴温忠麟、叶宝娟30的做法,构建如下模型:CCi,t=茁0+茁1Digi,t+茁2Dig2i,t+B忆Controli,t+移Year+移Ind+移Pro+着i,t(2)GRpti,t=酌0+酌1Digi,t+酌2Dig2i,t+酌3CCi,t+C忆Controli,t+移Year+移Ind+移Pro+着i,t(3)最后,为验证政府补助与绿色创新之间的交互效应,借鉴王锋正等11的做法,构建如下模型:GRpti,t=啄0+啄1Digi,t+啄2Dig2i,t+啄3Dig 伊Govi,t+D忆Controli,t+移Year+移Ind+移Pro+着i,t(4)其中,下标 i 和 t 分别代表企业个体和时间(年份),Control 为一系列控制变量集合,着 代表随机扰动项。四、实证结果与分析(一)描述性统计分析表 2 披露了主要变量的描述性统计结果。不难发现,重污染企业的绿色创新整体表现参差不齐,无论创新数量还是创新质量,其中位数均小于75北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期摇 摇 摇 摇表 1摇 变量定义变量类型变量名称变量符号变量说明被解释变量绿色创新GRqt绿色专利申请总数加 1 的自然对数GRql绿色发明专利申请数加 1 的自然对数解释变量数字化转型Dig数字化无形资产/总资产 伊100%中介变量管控投入CC(管理费用-董事会费-办公费-差旅费-业务招待费-通信费-出国培训费-小车费-会议费)/营业收入调节变量政府补助Gov政府补助/总资产 伊100%资产负债率Lev总负债/总资产上市年龄Age公司上市的时间两职合一Dua董事长和总经理由同一人兼任取值为 1,否则为 0股权集中度Top前十大股东持股比例之和控制变量资产收益率Roa净利润/平均总资产公司规模Size总资产的自然对数资本密集度Cap总资产/营业收入审计报告性质Opi审计意见为标准无保留意见取值为 1,否则为 0营业成本率Ocr营业成本/营业收入表 2摇 主要变量的描述性统计结果变量观测值平均值中位数标准差最小值最大值GRqt7 8800郾 799 10郾 000 01郾 079 70郾 000 04郾 430 8GRql7 8800郾 520 60郾 000 00郾 874 90郾 000 03郾 951 2Dig7 8800郾 074 40郾 021 00郾 145 20郾 000 00郾 922 4CC7 8800郾 066 50郾 055 70郾 046 60郾 006 70郾 279 2Gov7 8800郾 506 00郾 286 10郾 847 80郾 000 023郾 698 3Lev7 8800郾 431 30郾 426 80郾 205 00郾 055 60郾 908 8Age7 88010郾 456 5107郾 191 8028Dua7 8800郾 239 300郾 426 701Top7 88059郾 057 159郾 630 015郾 727 721郾 590 091郾 890 0Roa7 8800郾 041 70郾 037 10郾 059 3-0郾 167 90郾 220 6Size7 88022郾 279 322郾 045 41郾 346 519郾 997 126郾 272 3Cap7 8802郾 148 41郾 710 51郾 644 50郾 431 911郾 277 2Opi7 8800郾 969 010郾 173 201Ocr7 8800郾 757 70郾 785 50郾 152 40郾 269 51郾 023 8均值,说明企业之间存在较大差距。具体而言,绿色创新数量的均值为 0郾 799 1,中位数为 0郾 000 0。绿色 创 新 质 量 的 均 值 为 0郾 520 6,中 位 数 为0郾 000 0,均远小于其最大值。数字化转型的均值为 0郾 074 4,中位数为 0郾 021 0,极差较大,表明超过半数的重污染企业的数字化资产占比低于均85第 39 卷摇 第 3 期摇 摇 孙自愿,马摇 琳,王文娇:数字赋能“有效论冶:数字化转型对重污染企业绿色创新的双向效应值,依旧存在转型空间。从管控投入上看,均值与中位数相差不大,分别为0郾 066 5 和0郾 055 7,说明样本分布较为均匀。政府补助的均值为 0郾 506 0,说明整体而言政府在企业营运过程中能够发挥帮扶引导作用。(二)基准回归分析为了有效识别数字化转型对重污染企业绿色创新的影响效应,本文对变量进行了 VIF 检验,其值均小于 10,避免了多重共线性对回归结果的干扰。同时,为了更加严谨地探究数字化转型与绿色创新之间的倒“U冶型关系,本文对所涉及的所有非线性回归结果进行了 U鄄Test 检验。结果表明,极值点均位于数据区间内且两侧单调性相反,倒“U冶型关系显著成立。本文采用 OLS 回归探究数字化转型对绿色创新的直接影响,基准回归结果如表 3 所示。其中,列(1)和列(2)只控制年份、行业和省份固定效应,列(3)和列(4)加入了企业维度的控制变量。表 3摇 数字化转型影响绿色创新的基准回归结果变量GRqtGRqlGRqtGRql(1)(2)(3)(4)Dig0郾 657 3*0郾 589 0*0郾 413 9*0郾 424 5*(3郾 189)(3郾 483)(2郾 244)(2郾 745)Dig2-1郾 066 2*-0郾 883 4*-0郾 696 7*-0郾 626 8*(-4郾 009)(-3郾 954)(-2郾 940)(-3郾 096)Lev-0郾 256 4*-0郾 248 8*(-3郾 898)(-4郾 530)Age-0郾 003 9*-0郾 000 3(-1郾 959)(-0郾 162)Dua-0郾 093 6*-0郾 063 4*(-4郾 158)(-3郾 348)Top-0郾 000 40郾 000 6(-0郾 479)(0郾 863)Roa0郾 332 40郾 382 3*(1郾 420)(1郾 914)Size0郾 449 7*0郾 341 6*(39郾 321)(33郾 395)Cap-0郾 015 8*-0郾 008 9(-2郾 004)(-1郾 365)Opi0郾 053 0-0郾 010 3(1郾 001)(-0郾 235)Ocr0郾 318 7*0郾 264 9*(3郾 192)(3郾 191)年份、行业和省份固定效应是是是是常数项0郾 581 8*0郾 368 7*-9郾 816 6*-7郾 575 1*(6郾 393)(4郾 977)(-37郾 889)(-33郾 165)观测值7 8807 8807 8807 880调整后 R20郾 194 30郾 164 30郾 390 50郾 338 8摇 摇 注:*、*和*分别表示在 1%、5%和 10%的水平下显著;括号内为 T 值。95北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期摇 摇 表 3 的列(1)和列(3)的结果显示,数字化转型与绿色创新数量之间呈现倒“U冶型关系。以列(3)为例,Dig2的回归系数为-0郾 696 7,变量在 1%的水平下显著,Dig 的系数为 0郾 413 9,可计算得到其临界值为 0郾 297 1,即当企业数字化转型小于 0郾 297 1 时,进一步深化数字化转型有利于绿色创新数量的增多;但大于 0郾 297 1时,企业若继续数字化转型将造成资源冗余,反而会导致绿色创新数量下降。列(2)和列(4)的结果显示,数字化转型与绿色创新质量之间同样呈现倒“U冶 型关系。以列(4)为例,Dig2在1%的水平下显著且系数为负,且 U鄄Test 检验结果显示,其临界值为0郾 338 6。这说明,当企业的数字化转型小于 0郾 338 6 时,加强数字化转型,有助于提升绿色创新质量;若大于 0郾 338 6 时,进一步深化数字化转型反将不利于企业绿色创新质量的提升。至此,H1 得到了验证。总体而言,在数字赋能绿色创新的过程中,重污染企业需要格外重视数字赋能的“有效性冶问题。在“技术驱动冶 作用下,企业数字化转型越深,信息传递越快,既有助于缓解高层决策、中层管理与底层执行不统一的代理问题,又有助于强化企业知识耦合能力和生产要素吸收能力,从而实现绿色创新产出“量增质升冶。但过度依赖数字化会诱使企业陷入“技术鸿沟冶,造成企业精力分散、资源错配,从而抑制企业绿色创新。结合表 2 中Dig 的均值、中位数可以发现,大多数企业的数字化转型仍未超过该非线性模型的拐点,即广泛分布于倒“U冶型曲线最高点左侧,表明重污染行业的数字化转型仍处于初级阶段,数字赋能尚未达到最优。因此,对于数字化建设不充分、不完善的企业而言,进一步深化数字化转型,借助“技术驱动冶,发挥数据流带动人才流、资金流、资源流的资源配置优化作用,能够促进绿色创新“增量提质冶;同时,转型应当顺应企业价值链需求,避免因盲目相信“技术驱动冶而陷入“技术鸿沟冶,致使本末倒置、得不偿失。摇 摇(三)内生性处理1郾 控制遗漏变量影响企业绿色创新的因素较多,本文可能存在由遗漏变量导致的内生性问题。为避免遗漏变量对回归结果产生影响,本文采用两种方法进行解决。借鉴熊毅、洪荭31的研究,采用高维固定效应模型以控制更高维度差异的影响,缓解遗漏变量问题。引入高维固定效应可以排除行业或者地区层面政策性因素的影响。具体而言,本文分别控制“年份 伊 行业冶和“年份 伊 省份冶高维固定效应,回归结果如表 4 的列(1)和列(2)所示。此外,借鉴申明浩、谭伟杰10的做法,从公司治理层面和地区层面增加一系列控制变量。其中,董事会规模(Bsize)以董事会人数加 1 取自然对数来衡量,管理层薪酬(Lnpay)以薪酬前3 名高管的薪酬之和的自然对数来衡量,产业结构(Industry)以第二产业产值与 GDP 的比值来衡量,经济发展水平(Rgdp)以人均 GDP 的自然对数来衡量。加入全新控制变量后的回归结果如表 4 的列(3)和列(4)所示,基本结论与前文保持一致。摇 摇 2郾 处理样本选择偏差值得注意的是,企业做出的决策与其所处的内外部环境息息相关。一般而言,综合绩效评定较为优秀的企业更有能力抓住机遇、迎接挑战,从而更容易开展相关数字化转型工作。因此,重污染企业进行数字化转型可能存在自选择问题,进而导致回归结果出现偏差。为了确保实证结果的可靠性和完整性,本文采用 Heckman 模型进行内生性处理。第一阶段,借助 Probit 模型估计企业进行数字化转型的概率,计算得出逆米尔斯比率(IMR);第二阶段,引入 IMR,将其作为控制变量放入回归方程中,同时对企业的年份、行业和省份固定效应加以控制,从而估计出更为准确的数字赋能绿色创新双向效应。回归结果表明淤,IMR 并不显著,即本文样本不存在严重的自选择问题。(四)稳健性检验1郾 将解释变量滞后一期、二期企业进行绿色创新的过程漫长而波折,从研发投入到专利申请存在时滞。有鉴于此,仅考虑当期的数字化转型与绿色创新之间的关系可能将无法准确衡量二者之间的真实情况,进而引发估计结果偏误。因此,本文对解释变量分别进行滞后一期、滞后二期处理,代入模型进行回归,结果如表 5 所示。不难发现,不同滞后期的 Dig 均显著且系数均为正,其平方项均显著且系数均为负,再次印证了回归结果的可靠性。06第 39 卷摇 第 3 期摇 摇 孙自愿,马摇 琳,王文娇:数字赋能“有效论冶:数字化转型对重污染企业绿色创新的双向效应表 4摇 控制遗漏变量的回归结果变量GRqtGRqlGRqtGRql(1)(2)(3)(4)Dig0郾 443 9*0郾 438 3*0郾 419 7*0郾 431 1*(2郾 408)(2郾 817)(2郾 273)(2郾 785)Dig2-0郾 699 4*-0郾 632 4*-0郾 698 8*-0郾 626 9*(-2郾 906)(-3郾 112)(-2郾 950)(-3郾 099)Bsize0郾 024 6*0郾 022 1*(3郾 810)(4郾 023)Lnpay0郾 012 00郾 004 3(0郾 971)(0郾 423)Industry0郾 007 4*0郾 004 3(2郾 133)(1郾 509)Rgdp-0郾 086 80郾 086 0(-0郾 784)(0郾 992)其他控制变量是是是是年份、行业和省份固定效应是是是是年份 伊 行业、年份 伊 省份固定效应是是否否常数项-9郾 206 5*-7郾 134 1*-9郾 466 8*-8郾 884 6*(-38郾 561)(-35郾 395)(-7郾 416)(-8郾 963)观测值7 8747 8747 8807 880调整后 R20郾 383 00郾 330 40郾 392 10郾 340 6摇 摇 注:*、*和*分别表示在 1%、5%和 10%的水平下显著;括号内为 T 值。表 5摇 解释变量滞后一期、二期的回归结果变量GRqtGRqlGRqtGRql(1)(2)(3)(4)L.Dig0郾 457 9*0郾 477 3*(2郾 194)(2郾 733)L.Dig2-0郾 832 7*-0郾 770 2*(-3郾 173)(-3郾 439)L2.Dig0郾 497 4*0郾 526 8*(2郾 087)(2郾 597)L2.Dig2-1郾 009 2*-0郾 902 0*(-3郾 293)(-3郾 438)控制变量是是是是年份、行业和省份固定效应是是是是常数项-10郾 049 4*-7郾 948 0*-10郾 270 4*-8郾 196 6*(-34郾 348)(-30郾 744)(-31郾 764)(-28郾 576)观测值6 5736 5735 5765 576调整后 R20郾 397 20郾 347 30郾 402 40郾 353 4摇 摇 注:*、*和*分别表示在 1%、5%和 10%的水平下显著;括号内为 T 值。16北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期摇 摇 2郾 剔除未进行数字化转型的样本本文的样本中有相当一部分企业并未进行数字化转型却存在绿色创新行为。为此,本文进一步剔除了尚未开展数字化转型的观测样本,重新进行回归,回归结果如表 6 所示。可以看到,数字化转型平方项系数的方向及变量的显著性与前文相比并未发生明显改变,印证了回归结果的可靠性。表 6摇 剔除未数字化转型企业的回归结果变量GRqtGRql(1)(2)Dig0郾 483 6*0郾 587 2*(2郾 455)(3郾 559)Dig2-0郾 732 1*-0郾 763 9*(-2郾 968)(-3郾 628)控制变量是是年份、行业和省份固定效应是是常数项-9郾 947 2*-7郾 704 0*(-32郾 122)(-27郾 951)观测值6 2826 282调整后 R20郾 358 80郾 305 6摇 摇 注:*、*和*分别表示在 1%、5%和 10%的水平下显著;括号内为 T 值。摇 摇 3郾 更换估计模型由于本文的绿色创新数据采用绿色专利申请数来衡量,并且有相当一部分重污染企业的绿色专利申请数为 0。为保证回归结果的可靠性,本文采用适配性较高的 Tobit 模型重新进行回归。表 7 报告了采用 Tobit 模型估计的回归结果。不难发现,数字化转型的平方项仍在 1%的水平下显著且系数为负,Dig 仍在 1%的水平下显著且系数为正,这与本文的基准回归结果保持一致。摇 摇(五)机制分析前文已经证实数字化转型对绿色创新具有显著影响,为进一步检验二者之间的作用机制,本文借鉴温忠麟、叶宝娟30提出的逐步回归法对管控投入的中介效应进行检验,结果如表 8 所示。具体而言,列(1)报告了数字化转型对管控投入的直接影响,Dig2的系数为-0郾 076 7,在 1%的水平表 7摇 更换估计模型的回归结果变量GRqtGRql(1)(2)Dig1郾 011 2*1郾 393 7*(2郾 828)(3郾 567)Dig2-1