【文献分享】人工智能政策与绿色创新扭曲:来自多期准自然实验的证据

摘要

研究背景

研究贡献

研究结果

表2报告了国家人工智能创新应用先导区对企业绿色创新扭曲影响的基准回归结果。结果显示，无论是否加入控制变量，NAIIAPZ的估计系数均在1%的水平上显著为负，这表明，NAIIAPZ的设立对企业绿色创新扭曲具有显著的抑制效应。

2. 稳健性检验结果

表4报告了采用Callaway和Sant'Anna（2021）提出的CSDID方法进行估计的结果。结果显示，在采用前沿的异质性处理效应稳健估计方法后，NAIIAPZ对CGID的抑制效应依然显著为负。

表5报告了倾向得分匹配-双重差分法（PSM-DID）的估计结果。结果显示，无论采用何种匹配比例和样本筛选方式，NAIIAPZ的系数始终显著为负，说明即使在条件更为严苛的样本下，政策的核心效应依然存在且稳定。

表6报告了工具变量法的两阶段最小二乘（2SLS）估计结果。第一阶段回归中，工具变量（企业所在城市与骨干光缆节点城市的距离与时间趋势的交互项）的系数为-0.012，在1%水平上显著，且Cragg-Donald Wald F统计量和Kleibergen-Paap rk Wald F统计量均远超过Stock-Yogo 10%临界值，表明工具变量与NAIIAPZ高度相关，不存在弱工具变量问题。第二阶段回归中，NAIIAPZ的估计系数为-0.104，在5%水平上显著。在通过工具变量法控制内生性偏误后，NAIIAPZ对企业绿色创新扭曲的抑制效应依然显著存在，说明基准回归结论并非由反向因果或遗漏变量所驱动。

3.机制检验结果

表7是代理问题作为NAIIAPZ抑制CGID的传导机制的检验结果。结果显示，列（1）和列（3）中，NAIIAPZ对两种代理成本指标的系数分别为-0.007和-0.003，均在1%水平上显著，表明NAIIAPZ显著降低了企业代理成本。列（2）和列（4）中，由NAIIAPZ引致的代理成本变化量对CGID的系数分别为-6.707和-17.208，均在1%水平上显著，表明代理成本的降低显著抑制了CGID。通过两种指标计算的间接效应与基准回归中的总效应（-0.047）在量级上高度吻合。这表明，NAIIAPZ通过缓解代理问题（降低代理成本）来抑制企业绿色创新扭曲，代理成本渠道是核心传导机制。

表8是信息不对称作为NAIIAPZ抑制CGID的传导机制的检验结果。结果显示，列（1）和列（3）中，NAIIAPZ对两种信息不对称指标的系数分别为-0.028和-0.039，均在5%水平上显著，表明NAIIAPZ显著缓解了企业信息不对称程度。列（2）和列（4）中，由NAIIAPZ引致的信息不对称缓解量对CGID的系数分别为-1.674和-1.204，均在1%水平上显著，表明信息不对称的缓解显著抑制了CGID。这表明，NAIIAPZ通过缓解信息不对称来抑制企业绿色创新扭曲，信息不对称是继代理问题之后的第二条核心传导机制。

4.调节效应结果

表9汇报了管理者短视和媒体关注对NAIIAPZ抑制CGID的调节效应的检验结果。结果显示，列（1）中，NAIIAPZ与管理者短视的交乘项系数为0.879，在10%水平上显著为正，与NAIIAPZ主效应系数方向相反，表明管理者短视弱化了NAIIAPZ对CGID的抑制效应。列（2）至列（4）中，NAIIAPZ与媒体总关注度、正面媒体关注度和负面媒体关注度的交乘项系数分别为-0.082、-0.075和-0.072，均在1%水平上显著为负，与NAIIAPZ主效应方向一致，表明媒体关注（无论是正面还是负面报道）均强化了NAIIAPZ对CGID的抑制效应。这表明，管理者短视和媒体关注是影响NAIIAPZ政策效果的重要情境因素。

5.异质性分析结果

表D1汇报了NAIIAPZ对CGID抑制效应在不同企业类型、行业竞争程度和行业性质间的异质性分析结果。结果显示，NAIIAPZ对CGID的抑制效应具有显著的异质性，在非国有企业、高竞争行业和制造业企业中表现尤为突出。这些企业共同的特点是市场敏感性强、竞争压力大、组织灵活性高，对质量导向的政策激励反应更为积极，因而AI政策对其创新质量的矫正效果更为明显。

结论与建议

本文以国家人工智能创新应用先导区（NAIIAPZ）的设立作为准自然实验，考察了人工智能政策如何影响企业绿色创新扭曲（CGID）。利用2011年至2023年中国上市公司的面板数据，我们发现稳健的证据表明NAIIAPZ显著降低了CGID，且该结论在一系列稳健性检验下保持成立，包括替换CGID定义、剔除直辖市样本以及排除混淆性政策冲击等。异质性结果进一步表明，这一抑制效应在非国有企业、高度竞争性行业企业以及制造业企业中尤为明显，表明在竞争压力和组织灵活性使企业对质量导向激励反应更为敏感的情境下，人工智能政策可能格外有效。

基于上述实证发现，本文提出以下政策建议：

第一，AI政策的设计不仅应着眼于扩大创新产出，还应致力于提升创新质量。政策评估应超越专利数量，纳入能够捕捉绿色发明专利申请与授权之间匹配度、授权转化持续性以及绿色发明实质性内容的指标。政府还可以利用基于AI的工具来识别重复性、碎片化或低内容含量的专利行为，从而将财政支持和荣誉激励导向可验证的技术进步。此外，对公共AI基础设施的投资，如计算平台、共享数据集和绿色工程数据库，可以降低探索性研发的不确定性，鼓励企业追求更高质量的绿色发明。

第二，政策设计还应与本文的异质性证据相一致地进行差异化设计。对于非国有企业、高度竞争性行业企业和制造业企业，针对性的“AI—绿色创新”融合计划（如共享数据集、试验平台和应用场景）最有可能在创新完整性方面产生最大的边际改善。对于国有企业以及在竞争程度较低或非制造业情境下运营的企业，补充性的治理和问责机制可能更为重要，以释放质量提升渠道——例如加强关于创新内容和环境绩效的披露要求、改进第三方验证，并将管理层激励与质量导向的创新指标（而非专利数量）挂钩。由于代理摩擦和信息不对称是本文识别出的关键机制，那些能够增强透明度和外部监督（包括可信的媒体和中介机构审查）的措施，可以通过抑制机会主义的、合规驱动的创新行为，进一步强化政策效果。