在全球气候变暖加剧、极端天气频发的背景下，社会各界对生态环境保护的关注度显著提升，环保与可持续发展理念日益成为广泛共识。2020年9月，习近平总书记作出我国“2030年前实现碳达峰、2060年前实现碳中和”的庄严承诺。企业作为社会经济运行的重要单元，其生产经营活动所产生的碳排放是环境压力的主要来源之一，因此“双碳”目标的提出引导企业向绿色、低碳、可持续的发展路径转型。

在此背景下，各利益相关方对企业ESG信息披露提出了更高要求。然而，与西方国家相比，我国ESG评价体系起步较晚，2018年《上市公司治理准则》修订才首次明确ESG披露的基本框架，目前尚未建立统一完备的规范体系与执行标准。制度层面的缺位使得部分企业在披露过程中存在较大的自由裁量空间，“漂绿”现象由此滋生。“漂绿”指企业通过夸大或虚假的环境信息披露塑造环保形象，而实际环境绩效并未得到实质性改善的“言行不一”行为。这类投机性应对使企业得以低成本获取绿色竞争优势，长期可能形成“劣币驱逐良币”的不良局面，影响市场有效运行及“双碳”目标的实现。

在数字化时代，数字化转型为企业带来信息透明化、流程可追溯化、决策科学化等机遇，已有研究表明其能够有效抑制盈余操纵与研发操纵等投机行为。然而，关于数字化转型如何具体影响企业漂绿行为，其作用机制尚不十分明确。数字化是否真正推动了企业的绿色真实表现，抑或仅为漂绿提供了更高效的工具与更隐蔽的手段，仍需深入探讨。本文将基于信息不对称理论、资源基础观等视角，从全要素生产率与治理水平两个维度，探究数字化转型抑制企业漂绿的内在作用路径。

一、理论分析与研究假设

（一）企业数字化转型对漂绿行为的影响

本研究认为，企业数字化转型可通过两条路径抑制漂绿行为：一是提升企业实际ESG表现，二是优化ESG信息披露水平与质量，因此，企业数字化转型影响漂绿行为的假设可以从企业数字化转型对企业实际环境表现的影响，以及企业数字化转型对环境信息披露水平及质量的影响两个维度进行分析。

首先，数字化转型能直接帮助提升企业ESG实质表现，减少漂绿的必要性。数字技术赋予企业新型战略能力，使其能够高效精准地解决环境与社会问题，将环境绩效改善从被动合规转变为主动创造经济效益的管理活动，从而切实提升ESG绩效，降低漂绿的必要性。

其次，数字化转型已被证明能够提高信息披露质量，在信息披露方面，数字化转型通过物联网、大数据等技术构建难以篡改的信息记录系统，增强了数据的客观性与可追溯性，压缩了企业利用信息优势进行选择性披露的空间，同时数字工具的应用也强化了内部信息流动与外部监督预期，增加了漂绿的难度与风险。

基于上述分析，本文提出如下假设：

H1：企业数字化转型能够抑制漂绿行为。

（二）全要素生产率的中介作用

全要素生产率作为衡量企业资源配置效率和技术进步的关键指标，其提升对漂绿的抑制体现在两个方面：一是全要素生产率的提高增强了企业的真实价值，使其无需过度依赖ESG叙事来维系市场信心；二是全要素生产率提升的过程本身往往与资源节约和环境绩效改善同向而行，为企业提供了充分且真实的ESG成果可供披露。

数字化转型通过两条路径促进全要素生产率提升，进而抑制漂绿。首先，在资源配置与利用效率方面，数字化能够有效提高企业的生产效率，优化生产流程，减少原材料与能源的浪费，优化库存与物流，使得单位产出的环境足迹得以量化并持续优化。其次，在经营决策水平方面，数字化技术的引入使得企业的经营决策过程发生了巨大提升，数字化平台能够整合多维度数据，构建支持多目标优化的决策中枢，使管理层能够更精准地预判市场需求，将企业战略从追求短期财务回报转向注重长期价值创造，从而降低为迎合短期市场期望而进行漂绿的决策倾向。同时，全要素生产率提升带来的超额利润或成本节约，为企业提供了进行更深层次ESG投资的资源，形成“数字化转型提升效率→创造资源用于ESG→实质性表现进一步改善”的良性循环。

综上所述，本文提出如下假设：

H2：企业数字化转型能够提升全要素生产率进而抑制漂绿行为。

（三）治理水平的中介作用

治理水平作为企业决策、监督与制衡机制有效性的体现，其提升对漂绿的抑制体现在加强内部监督、优化管理层激励、塑造诚信文化等方面。数字化转型通过三条路径提升治理水平，进而抑制漂绿。首先，在信息透明度与监督方面，基于企业资源规划（ERP）等系统构建的集成化数据平台，能够实现对企业运营、财务及环境、社会绩效等多维度数据的全面集成、实时汇集与可视化呈现。数字技术使得董事能够更深入了解公司业务模式，任何偏离实际绩效的披露意图都暴露在更严密的内部控制视野之下。第二，在内部风险控制方面，数字化平台能够借助人工智能与大数据分析技术，对包括ESG风险在内的复杂风险进行量化评估与动态模拟，同时通过自动化合规监测与异常行为识别算法，使企业能够持续对照内部政策与外部披露标准进行自查，及时发现并纠正信息披露不一致的问题。第三，在激励制度设计方面，数字化技术为精准设计激励机制提供了可能，通过更精确、多维的绩效度量体系，企业能够将长期价值创造及具体的ESG绩效指标纳入管理层与核心员工的考核与长期激励计划，促使管理层的个人利益与公司构建真实、长期ESG声誉的目标更紧密地结合，从而从动机源头上抑制为获取短期个人收益而进行漂绿的冲动。

综上所述，本文提出如下假设：

H3：企业数字化转型能够提升企业治理水平进而抑制漂绿行为。

二、研究设计

（一）样本选取与数据来源

本文计划选择2009-2024年之间的A股上市公司为研究样本。研究样本的关键数据来源包括：漂绿数据来自于彭博数据库和华证ESG评级指数，企业数字化转型采用文本分析法，来源于从交易所官网下载的上市公司年报，其余企业数据主要来源于国泰安数据库以及Wind数据库。

金融行业的经营模式以及财务数据与其他行业具有显著区别，容易对研究结果产生干扰，因此从样本中去除从事货币金融服务、资本市场服务、保险业以及其他金融业的公司。除此之外，为保证数据质量，拟对样本数据进行如下处理：（1）剔除处于ST、*ST状态的样本；（2）剔除存在数据缺失的企业；（3）对连续型变量进行缩尾处理。最终得到的研究样本包含11027个有效观测值。

（二）变量定义

1.被解释变量

本文的被解释变量为企业漂绿程度。参考Zhang的做法，基于环境评级差异构建连续型漂绿指标，其构建思路是通过比较企业环境披露得分与实际环境表现得分的相对差异，捕捉企业在环境信息披露中的“言行不一”程度。参考过往研究，本文以彭博环境评分作为企业环境披露表现的代理变量，以华证环境评分作为企业实际环境绩效的代理变量，在此基础上，分行业和年份对评分进行标准化处理，以控制行业特征与时间趋势的影响。具体计算方式如下：

其中，与分别为同年同行业内ESG披露得分和ESG绩效得分的平均值，与分别为同年同行业内ESG披露得分和ESG绩效得分的标准差。对企业i在年份t的原始评分进行标准化处理后得到企业i在年份t的标准化披露得分和标准化绩效得分，两者的差值构成了企业漂绿程度指标。该指标的含义为：若>0，表明企业的环境披露水平高于其实际环境绩效，存在夸大披露的漂绿行为；且数值越大，代表漂绿程度越严重。

2.解释变量

目前企业数字化转型的衡量方法主要有两种：一是文本分析法，该方法构建了一套与数字化转型相关的词库，通过计算机编程语言识别并统计年报中出现这些关键词，而后以统计频数或比重度量企业数字化转型水平；二是指标替代法，这种方法用上市公司年报附注中无形资产明细项中与数字化转型相关的部分占无形资产总额的比例来度量企业的数字化转型水平。

本文参考吴非的做法，基于文本分析法构建企业数字化转型指标，通过对上市公司年度报告进行文本分析，提取与数字化转型相关的关键词并统计其出现频率，以此衡量企业在各数字化技术领域的投入与应用水平。具体构建方法如下：

首先参考现有文献，将数字化转型技术划分为五大维度：人工智能技术，区块链技术，云计算技术，大数据技术，数字技术应用，每个维度下包含若干具体技术关键词。其次，通过文本分析提取年报中各类关键词的出现次数，将同一维度下的关键词出现次数加总得到五个维度的原始词频变量，再将五个维度的原始词频加总得到企业数字化转型的总词频变量。最后，为避免极端值影响并满足回归分析的需求，对总词频变量进行加1取自然对数处理，生成代表企业在年份的数字化转型程度。

3.中介变量

（1）全要素生产率

其中，代表企业的营业收入、代表企业的员工人数，代表企业的固定资产净额，与为估计得到的弹性系数。

（2）治理水平

治理水平综合衡量了企业内部监督与制衡机制的完善程度。良好的公司治理可以缓解代理问题、约束管理层机会主义行为。

参考既有研究^[18]，本文从股权结构、董事会特征、监督机制三个层面选取了九个基础指标，具体包括第一大股东持股比例、第二至第五大股东持股比例之和、机构投资者持股比例、独立董事比例、董事会规模、董事会会议次数、董事长与总经理两职合一虚拟变量、监事会规模以及监事会会议次数，并通过主成分分析法构建综合治理指数，其数值越高，代表公司在样本期内相对于同行的整体治理水平越优。

4.控制变量

为保证本文研究成果的可靠性，参考过往研究的控制变量选择方式，本文选取了以下变量作为本文的控制变量：

资产负债率（Lev），总资产净利润率（ROA），公司规模（Size），增长潜力（TobinQ），可担保性（Tanasset），管理层性别结构（Female），独董治理（Indep），高管股权激励（Msr），股权集中度（Top1），企业年龄（Age）。

（三）实证模型

1.基准回归模型

为了研究企业数字化转型水平对漂绿程度的影响，本文采用双重固定效应，加入年度虚拟变量与行业虚拟变量，选取漂绿程度为被解释变量，企业数字化转型水平为核心解释变量，同时选取了10个相关的控制变量，构建了如下基准面板回归模型：

其中，代表企业i在年份t的企业漂绿程度，表示企业i在年份t的数字化转型水平，表示控制变量，代表常数项，用来代表可能存在的随机扰动项。若系数为负且显著，则表明企业数字化转型水平与企业漂绿程度负相关。

2.中介效应模型

为了探究企业数字化转型水平对漂绿行为的影响机制，本文参考江艇的研究，采用两步法进行中介效应机制检验，构建模型如下：

其中，代表企业i在年份t的全要素生产率，表示企业i在年份t的治理水平，表示控制变量，与代表常数项，用来代表可能存在的随机扰动项。若系数为正且显著，则表明企业数字化转型水平与企业全要素生产率正相关。若系数为正且显著，则表明企业数字化转型水平与企业治理水平正相关。

三、实证检验与结果分析

（一）描述性统计

本文对检验企业数字化转型对漂绿行为影响的回归模型中所包含的变量进行了描述性统计，表1展示了样本数据的描述性统计结果。

变量名称	样本量	平均值	标准差	最小值	最大值
Gws	11027	-0.015	1.172	-3.875	6.141
Dig	11027	1.482	1.363	0.000	6.267
TFP_OP	11027	7.108	0.854	4.122	9.225
Sup	11027	0.408	0.976	-2.833	4.327
Lev	11027	0.483	0.193	0.038	0.929
ROA	11027	0.044	0.059	-0.642	0.220
Size	11027	23.367	1.285	19.552	26.452
TobinQ	11027	1.890	1.340	0.000	17.676
Tanasset	11027	0.930	0.084	0.442	1.000
Female	11027	0.171	0.107	0.000	0.579
Indep	11027	0.375	0.056	0.250	0.600
Msr	11027	0.061	0.139	0.000	0.705
Top1	11027	0.376	0.160	0.075	0.758
Age	11027	3.001	0.345	1.099	3.714

样本企业漂绿程度的均值为-0.015，表明在样本企业中，漂绿行为的平均程度相对较低，Gws的最大值为6.141，最小值为-3.875，表明不同企业在漂绿行为方面存在较大差异，一部分企业的ESG披露显著优于其实际绩效（Gws为较大的正值），而另一部分企业则相反（Gws为负值）。

数字化转型的最大值为6.276，最小值为0，可以看出，不同企业的数字化转型程度差异显著，部分企业可能受限于技术储备不足或缺乏战略规划，并未开始数字化转型或数字化转型水平极低，部分企业则已经在数字化转型方面取得显著成果。

（二）基准回归分析

为了分析企业数字化转型对漂绿行为的影响，本文控制了个体、年份以及行业固定效应，并加入控制变量进行回归分析予以检验。表详细展示了基准回归的结果，其中列（1）是完整的基准回归模型，数字化转型的系数为-0.0426，在1%的水平上显著为负，可以表明随着企业数字化转型程度越高，企业的漂绿行为得到了抑制。这一回归分析结果与理论推断吻合，证实了本文H1假设：企业数字化转型能够抑制漂绿行为。

（三）中介效应检验

实证回归分析结果显示，企业数字化转型能够抑制漂绿行为，结合理论分析，本文进一步探究企业数字化转型对漂绿行为影响的机制，分析企业数字化转型是否通过提高全要素生产率与治理水平从而对漂绿行为产生抑制作用。

表2展示了企业数字化转型对全要素生产率与治理水平的回归结果。列（1）为基准回归模型，展示了数字化转型对漂绿行为的抑制作用。

列（2）则展示了数字化转型对全要素生产率的影响。列（2）的统计结果显示，数字化转型的系数为0.0147，且在1%水平上显著，这一结果表明，在控制了企业财务特征、公司治理结构以及个体、年份以及行业固定效应后，企业的数字化转型对其全要素生产率具有显著的正向影响。在数字化转型过程中，企业将数字化技术应用于研发、生产、管理等各个方面，通过优化生产流程与资源配置、促进技术创新、改善组织管理与跨部门协同、提高决策效率，企业的生产运营效率和价值创造能力得到显著提升，进而提升全要素生产率，数据回归结果与理论预期一致。

列（3）则展示了数字化转型对企业治理水平的影响。列（3）的统计结果显示，数字化转型的系数为0.0138，且在1%水平上显著，表明企业的数字化转型对其治理水平具有显著的正向影响。这一结果反映了，在数字化转型过程中，企业通过部署数字化监控系统、构建实时数据共享平台、实施智能化的内部控制流程等方法，提高运营信息的透明度与可追溯性并推动决策流程的可视化与标准化，使企业内部的监督机制与治理体系得到增强，进而提升治理水平，回归结果与理论预期一致。

	(1)	(2)	(3)
	Gws	TFP_OP	Sup
Dig	-0.0426***	0.0147***	0.0138***
	(-2.6379)	(3.2061)	(3.0090)
Lev	0.1871	0.1956***	-0.0880**
	(1.4616)	(5.3640)	(-2.4243)
ROA	0.8630***	2.3473***	0.1805**
	(3.4092)	(32.5410)	(2.5144)
Size	-0.0845***	0.3597***	0.1209***
	(-2.7830)	(41.5942)	(14.0410)
TobinQ	0.0059	0.0111***	0.0233***
	(0.4591)	(3.0044)	(6.3561)
Tanasset	-0.3259	0.3428***	-0.3186***
	(-1.2172)	(4.4930)	(-4.1951)
Female	-0.1941	-0.0148	0.0009
	(-1.0865)	(-0.2910)	(0.0185)
Indep	-0.3568	0.0084	-7.0244***
	(-1.2387)	(0.1027)	(-85.9829)
Msr	0.6075**	-0.1139	-0.5804***
	(2.4369)	(-1.6029)	(-8.2080)
Top1	0.1608	-0.1079**	2.0137***
	(0.8930)	(-2.1019)	(39.4217)
Age	-0.4936***	0.2273***	-0.2402***
	(-2.8873)	(4.6658)	(-4.9528)
常数项	3.7329***	-2.4898***	0.4894*
	(4.0740)	(-9.5364)	(1.8829)
Company	Yes	Yes	Yes
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes
Prob > F	0.0000	0.0000	0.0000
R-squared	0.4096	0.9090	0.9308
Adj R-squared	0.3295	0.8966	0.9215
样本量	10791	10791	10791

注：括号中为t值，*、**和***分别代表在10%、5%和1%的显著性水平上显著。

（三）稳健性检验

1.替换解释变量

为了检验研究结果的稳健性，本文参考赵宸宇等的数字化转型词库构建方式，重新选取关键词，通过文本分析法生成Dig1替代基准模型中的Dig，进行稳健性检验。

表3展示了替换解释变量后的回归结果，列（1）为基准模型，列（2）为使用Dig1替代基准模型中的Dig后的模型，结果显示改变数字化转型指标的测量方式后，核心结论依然成立

	(1)	(2)
	Gws	Gws
Dig	-0.0426***
	(-2.6379)
Dig1		-0.0458**
		(-2.5269)
Lev	0.1871	0.1887
	(1.4616)	(1.4750)
ROA	0.8630***	0.8947***
	(3.4092)	(3.5304)
Size	-0.0845***	-0.0840***
	(-2.7830)	(-2.7631)
TobinQ	0.0059	0.0048
	(0.4591)	(0.3711)
Tanasset	-0.3259	-0.3224
	(-1.2172)	(-1.2039)
Female	-0.1941	-0.1865
	(-1.0865)	(-1.0443)
Indep	-0.3568	-0.3406
	(-1.2387)	(-1.1833)
Msr	0.6075**	0.6040**
	(2.4369)	(2.4230)
Top1	0.1608	0.1731
	(0.8930)	(0.9613)
Age	-0.4936***	-0.4969***
	(-2.8873)	(-2.9053)
常数项	3.7329***	3.7921***
	(4.0740)	(4.1417)
Company	Yes	Yes
Year	Yes	Yes
Industry	Yes	Yes
Prob > F	0.0000	0.0000
R-squared	0.4096	0.4096
Adj R-squared	0.3295	0.3294
样本量	10791	10791

注：括号中为t值，*、**和***分别代表在10%、5%和1%的显著性水平上显著。

2.滞后期回归

考虑到数字化转型给企业的影响会存在一定滞后性，本部分选取滞后一期与滞后两期的企业数字化转型数据进行回归。这种方法还有助于缓解内生性问题，如果前期的数字化转型能够预测当期的漂绿程度，则能为数字化转型抑制漂绿这一因果方向提供更有力的支持。

表4呈现了将数字化转型水平进行滞后处理后的回归结果，列（1）为基准模型，列（2）与列（3）分别将数字化转型水平滞后一期与两期，系数分别为-0.0617和-0.0501，均在1%的水平上显著为负，且绝对值相比基准回归有所增大，数字化转型对漂绿的抑制效应在滞后一期与滞后两期后依然显著，证明数字化转型对企业的影响并非短期效应，而是存在一定的持续性。

	(1)	(2)	(3)
	Gws	Gws	Gws
Dig	-0.0426***
	(-2.6379)
L.Dig		-0.0617***
		(-3.5129)
L2.Dig			-0.0501***
			(-2.6508)
Lev	0.1871	0.2546*	0.3154*
	(1.4616)	(1.6790)	(1.8702)
ROA	0.8630***	0.9556***	0.8090***
	(3.4092)	(3.3152)	(2.5827)
Size	-0.0845***	-0.0389	-0.0473
	(-2.7830)	(-1.0551)	(-1.1051)
TobinQ	0.0059	0.0179	0.0457**
	(0.4591)	(1.1464)	(2.4601)
Tanasset	-0.3259	-0.3876	-0.4346
	(-1.2172)	(-1.2405)	(-1.1940)
Female	-0.1941	-0.1576	-0.1514
	(-1.0865)	(-0.7629)	(-0.6668)
Indep	-0.3568	-0.3334	-0.2524
	(-1.2387)	(-1.0204)	(-0.7090)
Msr	0.6075**	0.3950	0.1361
	(2.4369)	(1.2933)	(0.3707)
Top1	0.1608	-0.1303	-0.2238
	(0.8930)	(-0.6137)	(-0.9201)
Age	-0.4936***	-0.2268	0.1713
	(-2.8873)	(-1.0073)	(0.6001)
常数项	3.7329***	1.9544*	0.9078
	(4.0740)	(1.7146)	(0.6620)
Company	Yes	Yes	Yes
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes
Prob > F	0.0000	0.0002	0.0015
R-squared	0.4096	0.4542	0.4597
Adj R-squared	0.3295	0.3664	0.3659
样本量	10791	8503	7387

注：括号中为t值，*、**和***分别代表在10%、5%和1%的显著性水平上显著。

四、结论

本文选取我国2009-2024年A股上市公司数据为研究样本，提出全要素生产率和治理水平中介效应假设，实证检验企业数字化转型对漂绿行为的影响，最终得出如下结论：

第一，企业的数字化转型能够抑制漂绿行为，基础回归分析显示，企业数字化转型与漂绿行为之间存在显著的负相关关系，这一结论在经过替换解释变量、滞后期回归等稳健性检验后依然成立。

第二，在作用机制上，数字化转型对漂绿的抑制效应主要通过两条路径实现：一是通过提升全要素生产率，直接增强企业的实质ESG表现，从而减少漂绿动机；二是通过提升企业治理水平，优化信息披露的内部监督与流程控制，从而压缩漂绿空间。

总的来说，本文研究发现，企业数字化转型在防治漂绿方面可以发挥较为积极的作用，在通过优化内部治理结构来约束信息披露行为的同时，数字化转型可以将企业运营与数字技术深入融合，切实提升企业运营效率与真实环境表现，从而从根源上削弱了漂绿的行为动机。

参考文献：

1. [1] 罗进辉,巫奕龙.数字化运营水平与真实盈余管理[J].管理科学,2021,34(04):3-18.
2. [2] 董松柯,刘希章,李娜.数字化转型是否降低企业研发操纵?[J].数量经济技术经济研究,2023,40(04):28-51.
3. [3] 胡洁,韩一鸣,钟咏.企业数字化转型如何影响企业ESG表现——来自中国上市公司的证据[J].产业经济评论,2023(01):105-123.
4. [4] WangH, Jiao S, Bu K, et al. Digital transformation and manufacturing companies’ ESG responsibility performance[J]. Finance research letters,2023(58):104370.
5. [5] Cai C, Tu Y, Li Z. Enterprise digital transformation and ESG performance[J]. Finance research letters,2023(58):104692.
6. [6] Yao J, Qian B, Zhang Y. Corporate digital transformation and environmental accounting information disclosure: A dual examination of internal empowerment and external monitoring[J]. Sustainability,2025,17(07):2898.
7. [7] 张夏恒,肖林.数字化转型赋能新质生产力涌现：逻辑框架、现存问题与优化策略[J].学术界,2024(01):73-85.
8. [8] 陈国青,曾大军,卫强,等.大数据环境下的决策范式转变与使能创新[J].管理世界,2020,36(02):95-105.
9. [9] 陈德球,胡晴.数字经济时代下的公司治理研究：范式创新与实践前沿[J].管理世界,2022,38(06):213-240.
10. [10] Zhang D. Green financial system regulation shock and greenwashing behaviors: Evidence from Chinese firms[J]. Energy economics,2022,111.
11. [11] Yu E, Van Luu B, Chen C. Greenwashing in environmental, social and governance disclosures[J]. Research in international business and finance,2020,52.
12. [12] Feng J, Goodell J W, Shen D. ESG rating and stock price crash risk: Evidence from China[J]. Finance research letters,2022(46):102476.
13. [13] 吴非,胡慧芷,林慧妍,等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(07):130-144.
14. [14] 赵宸宇,王文春,李雪松.数字化转型如何影响企业全要素生产率[J].财贸经济,2021,42(07):114-129.
15. [15] 祁怀锦,曹修琴,刘艳霞.数字经济对公司治理的影响——基于信息不对称和管理者非理性行为视角[J].改革,2020(04):50-64.
16. [16] 张永珅,李小波,邢铭强.企业数字化转型与审计定价[J].审计研究,2021(03):62-71.
17. [17] 鲁晓东,连玉君.中国工业企业全要素生产率估计:1999—2007[J].经济学（季刊）,2012,11(02):541-558.
18. [18] 方红星,金玉娜.公司治理、内部控制与非效率投资：理论分析与经验证据[J].会计研究,2013(07):63-69.
19. [19] 江艇.因果推断经验研究中的中介效应与调节效应[J].中国工业经济,2022(05):100-120.