引言

2024年7月，党的二十届三中全会通过的《中共中央关于进一步全面深化改革、推进中国式现代化的决定》强调，要支持引导民营企业完善治理结构和管理制度、履行社会责任，支持企业用绿色技术改造提升传统产业。环境、社会和治理（ESG）可持续发展理念与国家倡导的“双碳”目标、新发展理念和高质量增长等战略的核心内涵高度契合，不仅是企业在可持续发展方面的重要评价标准，而且是推动经济向绿色、公平和透明方向转型的关键力量。然而，与国有企业相比，民营企业仍然存在着资源配置效率低下、发展模式粗放、社会责任缺失和治理机制不健全等问题，不利于企业构建长效的ESG优势。随着新一轮科技革命和产业变革的深入推进，人工智能作为核心驱动力之一，正以前所未有的速度和深度重塑各行业的竞争格局。在此背景下，探讨人工智能创新应用对民营企业ESG表现的影响及可能的作用机制，对推动其可持续发展，促进民营经济发展壮大具有重要意义。

一、政策背景与理论分析

（一）政策背景

为推动人工智能的创新与应用，2019年5月，经工信部批复，全国首个人工智能创新应用先导区在上海浦东新区正式揭牌。2019年10月，工信部进一步支持创建济南-青岛、深圳第一批国家人工智能创新应用先导区。2021年2月，确定了第二批国家人工智能创新应用先导区名单，分别是北京、天津（滨海新区）、杭州、广州和成都。2022年10月，工信部正式复函江苏省人民政府、湖北省人民政府、湖南省人民政府，支持创建南京、武汉、长沙国家人工智能创新应用先导区。

（二）理论分析

人工智能创新应用把环境、社会与治理议题从“外部约束”转化为“内部盈利参数”，从而系统性地改善民营企业的ESG表现。算法对生产全流程的实时感知，使排放、能耗、用工、供应链等原本模糊的非财务数据被精准量化、预测与回溯，企业得以在事前识别合规缺口、在事中动态优化资源、在事后向资本市场提供可验证的证据链，显著降低“漂绿”风险与披露成本；对融资端而言，人工智能创新应用带来的节能节材收益直接增厚经营现金流，弱化民营主体普遍面临的抵押品不足与信贷歧视，使其有能力承担员工再培训、社区投资等社会责任；更重要的是，当机器学习模型持续将环境罚款、用工诉讼、碳价波动等风险折算为可量化的利润冲击时，控股股东的短视行为被提前“定价”，治理结构被迫引入更独立的信息系统与激励约束，否则将面临声誉折损与资本成本上升。由此，人工智能创新应用把ESG从合规负担改造成盈利机会，民营企业在追逐人工智能创新应用租金的过程中自动实现绿色、包容与稳健治理的协同升级。基于此，提出以下假说：

H1：人工智能创新应用能够改善民营企业ESG表现。

人工智能创新应用以实时数据流与算法预测，精准识别能耗、排放、用工、供应链等冗余与风险节点，将资源重新配置至绿色技术、员工培训与治理系统，边际私人收益随之抬升；资源配置效率提高直接降低单位产出的环境与社会成本，使节能节材的现金流增益覆盖ESG投入，绿色、包容与治理指标因“划算”而内生优化，民营企业遂在逐利过程中自动实现ESG表现升级。基于此，提出以下假说：

H2：人工智能创新应用通过资源配置改善来促进民营企业ESG表现。

二、研究设计

（一）模型构建

构建人工智能创新应用对民营企业ESG表现影响的多期DID模型，分析人工智能对民营企业ESG表现的影响效应。

式（1）中，和分别表示企业和年份；为被解释变量，即民营企业ESG表现，为核心解释变量，即以国家人工智能创新应用先导区试点为代表的人工智能；为可能影响民营企业ESG表现的控制变量；为个体固定效应；为时间固定效应；为随机误差项。

为检验人工智能创新应用影响民营企业ESG表现的作用机制，参考温忠麟和叶宝娟构建如下模型：

式（2）、式（3）中，为中介变量，表示资源配置改善，其余变量定义与式（1）相同。

（二）变量设定

1.被解释变量

民营企业ESG表现，采用华证ESG评级得分进行衡量。华证ESG评级共分为9级，从低到高分别赋值1至9，评级越高，表明企业ESG表现越好。

2.核心解释变量

人工智能创新应用（Policy），为政策虚拟变量和时间虚拟变量的交互项。

3.中介变量

资源配置改善（Inveff），参考黎文靖和彭远怀的做法，以非效率投资程度测度。

4.控制变量

为了更好的分析人工智能创新应用对民营企业ESG表现的影响，参考现有研究的做法，选取资产负债率、资产回报率、企业成长性、企业规模、固定资产比率、董事会规模、现金流水平、两职合一和第一大股东持股比率作为控制变量。资产负债率（lev）以负债总额与资产总额的比值衡量，资产回报率（roa）以净利润与总资产的比值衡量，企业成长性（Growth）采用营业收入增长率衡量，企业规模（size）以总资产的自然对数衡量，固定资产比率（Fix）以固定资产净额占资产总额的比重衡量，董事会规模（Bsize）以董事会人数的自然对数衡量，现金流水平（Cash）以经营活动产生的现金流量净额与总资产的比值衡量，两职合一（Dual）当CEO兼任董事长时赋值为1，否则赋值为0，第一大股东持股比率（top1）用第一大股东的持股数量与总数量的比值衡量。

（三）数据来源

样本区间为2009-2023年，华证ESG数据来自万得数据库，试点城市名单及实施时间收集于工信部，控制变量数据获取自国泰安数据库。对原始数据进行如下处理：剔除st、*st、pt和金融业企业；剔除资产负债率大于1的样本、被解释变量和控制变量存在缺失值的样本以及企业注册地发生变动的样本；对连续变量进行1%和99%分位的缩尾处理。主要变量描述性统计结果如表1所示。

变量	样本量	均值	标准差	最小值	最大值
ESG	27032	4.1345	0.9830	1.0000	8.0000
Policy	27032	0.1541	0.3611	0.0000	1.0000
Lev	27032	0.3803	0.1979	0.0459	0.8732
Roa	27032	0.0385	0.0652	-0.2570	0.2008
Growth	27032	0.3154	0.7919	-0.6952	5.3771
Size	27032	21.8703	1.0553	19.8673	25.1047
Fix	27032	0.1880	0.1328	0.0023	0.5819
Bsize	27032	2.0807	0.1886	1.6094	2.4849
Cash	27032	0.0461	0.0690	-0.1592	0.2432
Dual	27032	0.3884	0.4874	0.0000	1.0000
Top1	27032	0.3128	0.1352	0.0802	0.6922

三、实证分析

（一）基准回归

表2列（1）、列（2）展示了人工智能创新应用对民营企业ESG表现的回归结果，结果显示，无论是否考虑相关控制变量的影响，回归系数均在1%的水平下显著为正，说明人工智能创新应用能够提升民营企业ESG表现。

变量	(1)	(2)
	ESG	ESG
policy	0.1806***	0.1931***
	(0.0343)	(0.0329)
控制变量	否	是
个体固定效应	是	是
年份固定效应	是	是
R2值	0.4564	0.4751
样本量	27032	27032

注：***、**、*分别表示在1%、5%、10%的水平上显著，括号内为聚类到企业层面的稳健标准误。

（二）平行趋势检验

使用双重差分方法进行回归分析并获得无偏估计结果的必要前提是，国家人工智能创新应用先导区政策实施前试点地区与非试点地区的民营企业ESG表现满足平行趋势假设。本文采用事件研究法进行平行趋势的检验。图1展示了以事件窗口的前一期（-1期）作为基期、95%置信区间下的平行趋势检验结果。民营企业ESG表现在事前的处理组与对照组之间并无显著差异，而在事后，差异越来越显著，符合平行趋势假设。

（三）稳健性检验

1.工具变量法

为了缓解可能存在的内生性问题，采用企业所在地与光缆骨干城市的最小距离以及1984年每百人固定电话数作为人工智能的工具变量。由表3中的Kleibergen-Paap rk LM和Kleibergen-Paap rk Wald F结果可知，两个工具变量都通过了不可识别检验和弱工具变量检验。Hansen J统计量对应的P值为0.9888，不能拒绝工具变量外生性的原假设。

变量	(5)	(6)
	Policy	ESG
Policy		0.2870***
		(0.0643)
与光缆骨干城市的最小距离*年份	-0.0002***
	(0.0000)
每百人固定电话数*年份	0.0246***
	(0.0010)
控制变量	是	是
个体固定效应	是	是
年份固定效应	是	是
Kleibergen-Paap rk LM		798.814***
Kleibergen-Paap rk Wald F		894.692 [19.93]
Hansen J		0.000 {0.9888}
样本量	22302	22302

注：同表2。中括号内为Stock-Yogo弱工具变量检验在10%显著性水平上的临界值，大括号内为Hansen J统计量对应的P值。

2.安慰剂检验

为了检验基准回归结果是否受到遗漏变量或者其他不可观察因素的影响，参考陈强等的研究，进行混合安慰剂检验。通过重复500次，得到安慰剂效应的分布，图2显示，处理效应估计值（图中垂直实线）位于安慰剂效应分布的最右侧，属于极端值。说明基准回归结果受遗漏变量或者不可观察因素影响的可能性较低。

3.异质性处理效应检验

多期DID的估计量本质是一个加权平均值，等于样本中所有可能的两期双重差分估计量的加权平均，很可能出现因异质性处理效应不稳健，如负权重带来的问题。因此，采用Goodman-Bacon的方法，对基准回归结果进行分解。分解结果如表4所示，“坏的组别”所占权重较低，说明异质性问题并不严重，本文的估计结果是比较稳健的。

组别	权重	估计值
Earlier T vs. Later C	0.037	0.021
Later T vs. Earlier C	0.020	-0.113
T vs. Never treated	0.888	0.202
T vs. Already treated	0.055	0.181

随后，进一步采用Borusyak等、Sun和Abraham、Callaway和Sant’ Anna以及Cengiz等提出的异质性-稳健估计量进行估计。检验结果见图3，估计系数在政策实施前并不显著，在政策实施后越来越显著。说明在考虑了异质性处理效应的情况下，本文基准回归结论依然稳健。

4.其他稳健性检验

本文还进行了其他稳健性检验，分别为：（1）缩短时间窗口。考虑到政策实施的时效性，为了排除时间等不确定因素的干扰，将样本的时间窗口设置为2012-2023年。结果如表5第（1）列所示，系数依然在1%的水平上显著为正。（2）剔除直辖市与计划单列市样本。为了避免直辖市与计划单列市特殊的财政体制、行政层级、政策支持等因素对本文研究结论的准确性造成干扰，剔除直辖市和计划单列市样本再进行回归，列（2）结果显示，人工智能创新应用仍然显著提升了民营企业ESG表现。（3）排除其他政策干扰。为了探讨基准结果是否是样本期内相关政策的实施导致的，本文在基准回归中控制了“大数据综合试验区”政策和“宽带中国”试点政策。结果如列（3）所示，控制了相关政策的影响之后，基准回归结果依然稳健。

变量	缩短时间窗口	剔除直辖市与计划单列市	排除其他政策干扰
	(1)	(2)	(3)
	ESG	ESG	ESG
Policy	0.2051***	0.1899***	0.1866***
	（0.0334）	（0.0569）	（0.0342）
常数项	-0.2670	-0.6224	-0.5274
	（0.5119）	（0.5536）	（0.4695）
控制变量	是	是	是
个体固定效应	是	是	是
年份固定效应	是	是	是
R2值	0.4979	0.4766	0.4753
样本量	24623	18855	27032

注：同表2。

（四）机制检验

前文理论分析部分详细探讨了资源配置改善机制下人工智能创新应用如何影响民营企业ESG表现，这里将运用式（2）、式（3）对具体机制展开实证检验。检验结果如表6所示，列（1）为人工智能创新应用对非效率投资程度的回归结果，结果在1%的水平上显著为负，列（2）为加入非效率投资程度后人工智能创新应用对民营企业ESG表现的回归结果，结果在1%的水平上显著为正，且加入非效率投资程度后，人工智能创新应用的估计系数有所下降，表明非效率投资程度发挥了部分中介效应。进一步地，采用Sobel法和Bootstrap法对中介效应进行检验。结果如表6所示，Sobel检验的P值和Bootstrap检验的P值均小于0.05，且Bootstrap检验的置信区间不包含0，验证了资源配置改善的中介作用。

变量	(1)	(2)
	Inveff	ESG
Policy	-0.0052***	0.1763***
	(0.0017)	(0.0386)
Inveff		-0.3291***
		(0.1250)
控制变量	是	是
个体固定效应	是	是
年份固定效应	是	是
R2值	0.2849	0.4938
样本量	21300	21300
Sobel检验	0.0450
Bootstrap检验	0.025 [0.0002,0.0032]

注：同表2。Sobel检验展示结果为p值。Bootstrap检验中，中括号外为P值、内为95%置信区间。检验中抽取自助样本500次。

（五）异质性检验

不同的企业规模下，人工智能创新应用对民营企业ESG表现的影响可能存在不同。在前文研究的基础上，这里进一步对可能存在的异质性进行探讨。参考现有研究的做法，以企业总资产来衡量企业规模，并根据该指数的平均数将样本分为两组。结果见表7列（1）、列（2），企业规模较大的情况下，人工智能创新应用对民营企业ESG表现的影响不显著，而在企业规模较小的情况下，估计系数显著为正。

	企业规模
	(1)	(2)
变量	较大	较小
Policy	0.1398	0.2071***
	(0.0858)	(0.0372)
常数项	-6.0618***	1.0649*
	(1.6306)	(0.5779)
控制变量	是	是
城市固定效应	是	是
年份固定效应	是	是
R2值	0.5428	0.4943
样本量	5454	21420

注：同表2。

四、结论和政策启示

本文以2009-2023年我国民营上司公司为研究样本，将人工智能创新应用先导区试点作为一项准自然实验，采用多期双重差分法，探讨人工智能创新应用对民营企业ESG表现的影响。研究发现：人工智能创新应用能够改善民营企业ESG表现，且这种促进作用能够通过资源配置改善这一路径进行传导。异质性分析表明，人工智能创新应用在规模较小的企业中表现出更好的赋能效果。为此，建议加大对中小民营企业的人工智能技术扶持力度，设立专项补贴或低息贷款，降低其技术采纳门槛；同时，加快建设普惠性人工智能公共服务平台，提供算力、算法和ESG评估工具等服务，并推动公共数据开放以支持企业精准决策。此外，应强化复合型人才培养，通过定向培训和产学研合作提升中小企业应用能力；在激励机制上，可将人工智能应用纳入ESG评价加分项，在绿色金融、税收优惠和监管便利等方面给予倾斜。最后，需建立动态监测与评估体系，及时总结推广成功经验，持续优化政策效能，切实推动中小企业借助人工智能实现高质量、可持续发展。

参考文献：

1. [1] 唐秋雨,谭伟杰,申明浩,等.人工智能技术能提高企业ESG表现吗？——基于动态博弈的成本收入分析[J].财经研究,2025,51(02):94-108.
2. [2] 余汉,黄爽,宋增基.国有股参股能否提升企业ESG表现？——来自民营上市公司的经验证据[J].上海财经大学学报,2024,26(01):64-78+123.
3. [3] 邵剑兵,姜道平.混合所有制改革与民营经济高质量发展——基于企业ESG表现视角的研究[J].经济问题,2024(03):16-22.
4. [4] 崔传涛,杨胤豪,关慧琳,等.负责任的中国智造：工业机器人应用、要素禀赋结构与企业ESG表现[J].现代金融研究,2024,29(09):3-12.
5. [5] 许家云,沈含雨,周新博.人工智能发展与企业ESG表现[J].世界经济研究,2024(09):120-134+137.
6. [6] Liu X K, Ma C Q, Ren Y S. How AI powers ESG performance in China's digital frontier? [J].Finance research letters,2024,70:106324.
7. [7] 杨晓锋,刘祥,李丫丫.借“智”强“制”：工业智能化能否提升企业ESG表现?[J].商业研究,2025(02):129-140.
8. [8] 唐秋雨,谭伟杰,申明浩,等.人工智能技术能提高企业ESG表现吗？——基于动态博弈的成本收入分析[J].财经研究,2025,51(02):94-108.
9. [9] Xie Y F, Zhao L M, Zhang Y B, et al. How do robot applications affect corporate sustainability?An analysis based on environmental, social, and governance performance[J].Sustainability,2025,17(05):1822.
10. [10] 温忠麟,叶宝娟.中介效应分析:方法和模型发展[J].心理科学进展,2014,22(05):731-745.
11. [11] 黎文靖,彭远怀.结构性工具控股与家族企业全要素生产率——维持家族控制的视角[J].经济学动态,2024(08):111-129.
12. [12] 陈强,齐霁,颜冠鹏.双重差分法的安慰剂检验：一个实践的指南[J].管理世界,2025,41(02):181-220.
13. [13] 戴天仕,赵琦.新三板分层制度与企业创新——基于“柠檬市场”治理机制的视角[J].数量经济技术经济研究,2024,41(03):153-172.
14. [14] Goodman-Bacon A. Difference-in-differences with variation in treatment timing[J].Journal of econometrics,2021,225(02):254-277.
15. [15] Borusyak K, Jaravel X, Spiess J. Revisiting event-study designs: Robust and efficient estimation[J].Review of economic studies,2024,91(06):3253-3285.
16. [16] Sun L, Abraham S. Estimating dynamic treatment effects in event studies with heterogeneous treatment effects[J].Journal of econometrics,2021,225(02):175-199.
17. [17] Cengiz D, Dube A, Lindner A, et al. The effect of minimum wages on low-wage jobs[J].The quarterly journal of economics,2019,134(03):1405-1454.