本研究基于2019-2023年中国零售企业面板数据,实证分析了人机协同技术整合对绿色ESG绩效的正向影响,绿色技术创新在其中发挥部分中介作用,推动企业环境绩效显著提升。
| 变量 | 说明 |
|---|---|
| 绿色ESG绩效 (GESG) | 以碳排放、能源效率、废弃物管理等综合环境指标构成 |
| 人机协同整合指数 (HAI) | 基于人工智能应用、投资强度和协同系统构建 |
| 绿色技术创新 (GTI) | 环保专利申请数及绿色研发投入 |
| 控制变量 | 企业规模、盈利能力、负债率、成长性、年龄、所有制、地区与行业竞争度 |
| 维度 | 组别 | 人机整合系数 | 差异显著性 |
|---|---|---|---|
| 规模 | 大型企业 | 0.231*** | 显著高于小型企业 |
| 规模 | 小型企业 | 0.147*** | |
| 所有制 | 国有企业 | 0.208*** | 略显著高于私营企业 |
| 所有制 | 私营企业 | 0.164*** | |
| 地区 | 发达地区 | 0.219*** | 显著高于欠发达地区 |
| 地区 | 欠发达地区 | 0.153*** |
标题: Human-AI Technology Integration and Green ESG Performance: Evidence from Chinese Retail Enterprises
作者与机构: Jun Cui,Solbridge国际商学院,Woosong大学,韩国大田市
日期: 研究时间跨度涵盖2019-2023年,具体发表或论文时间未明,但引用文献最新至2024年,推测为2024年左右
主题: 探讨人类与人工智能(AI)技术整合对中国零售企业绿色环境、社会与治理(ESG)绩效的影响,重点探讨绿色技术创新的中介作用。
核心论点与贡献:
报告基于5400个企业年度观测数据(2019-2023),使用面板固定效应回归模型,实证检验了人机AI整合对绿色ESG的提升作用。研究发现:
引言明确背景:人工智能快速发展,使得零售企业越来越多采用人机协作系统以提升效率和可持续性。面对日益严峻的环境问题,企业被迫展现良好的ESG绩效,尤其是发展中经济体。人机整合被视为一种数字化转型的重要范式,具备优化资源利用、减少浪费及强化环境管理的潜能。文献不足之处在于机制研究,尤其是在制度与技术基础不同的新兴市场环境内,本文因此聚焦此,提出绿色技术创新为中介机制。,1]
人机AI整合: 强调人类认知能力与AI系统协同合作,区别于传统自动化的单纯替代,形成协同智能(collaborative intelligence)。技术基础设施、组织能力与人力资本是核心要素,零售应用如智能库存管理、个性化客户服务及数据驱动决策等。
绿色ESG绩效: 涉及碳排放、资源效率、废弃物管理及环境合规,超越传统环境管理,向业务核心融合全面发展。中国背景受到政府生态文明和碳中和政策推动,零售企业面临复杂供应链和多元利益相关者的挑战。
绿色技术创新: 是组织转化数字化能力为环保绩效的关键路径。包括环保相关专利申请、研发投资等。数字技术促进绿色创新,但特定的人机整合驱动绿色创新的研究尚缺乏,特别是在新兴市场。,2]
资源基础观(RBV): 以Barney (1991)为代表,认为企业通过难以复制的资源获得竞争优势,人机整合作为结合技术资源与人力资本的复杂能力,提升信息处理和创新能力,为环保绩效提供独特动力。
动态能力理论: 引用Teece(2007),强调企业不断重构资源以适应环境变化。人机整合通过实时数据处理、预测分析及自适应学习,增强企业快速应对环境挑战能力。
基于此,构建三条假设:
方法: 采用定量面板数据回归,结合基线模型、稳健性检验、内生性测试、机制检验及异质性分析保证结果可靠。
数据样本: 来自CNRDS和CSMAR数据库,中国零售企业2019-2023年,初始数据6500个企业年度观测,经清洗后5400个,代表1080家企业。
变量定义:
明确使用覆盖金融和创新的权威数据来源,测量符合国际研究标准。,4]
图表解读:
图8用三步骤回归路径图形展示,黑色实线代表人机AI直接影响,虚线表示GTI中介效应。路径和系数均显示XS显著正效应和部分中介关系,说明绿色创新是AI环境绩效提升的关键通路。
企业规模差异: 大型企业HAI影响更显著(0.231 vs. 0.147),差异显著(t=2.89,p<0.01);大企业可能拥有更强配套基础和资源利用能力。
所有制差异: 国企影响较私企业更强(0.208 vs. 0.164),显著性稍弱(t=1.87,p<0.1),,或因国企资源及制度支持优势。
区域发展差异: 发达地区效应显著高于欠发达地区(0.219 vs. 0.153,t=2.34,p<0.05),体现基础设施与人力资本差异对技术利用效率的强化作用。
以上均为固定效应模型,充分考虑了潜在混杂因素。
本研究不涉及直接的企业估值或价格目标评估,而属于实证管理与策略研究领域,估值分析部分不适用。
文章主要着眼于理论模型和实证分析,未显著讨论风险因素,但结合内容可推断可能风险包括:
报告内部并无详尽缓解策略,但强调采用多元稳健性、固定效应及IV方法以尽量减少偏误。,13]
报告逻辑严密,数据来源权威,方法体系全面,多重稳健性及异质性分析增强可信度。
人机AI整合用复合指数量化,但具体构成指标权重与测量细节未详细披露,可能影响指标解释力。
绿色技术创新及绿色ESG绩效均依赖公开数据,间接反映企业行为,存在信息披露一致性风险。
异质性分析显示效应不均,提示技改效用受组织规模、所有权和区域背景显著影响,呼唤未来研究聚焦非均质效应机制。
研究限制已诚实披露,提醒注意行业、地域和数据源拓展的必要。
报告整体中立,未见明显偏见,但“绿色技术创新”中介比例略低于摘要35%及正文30%小差异(应为因估计方法差异或四舍五入),需注意表述的一致性。,13]
表1(变量测量):展示了研究关键变量的定义与计量方式,如绿色ESG综合评分涵盖碳排、废弃物和环境合规,HAI指数包含投入与协作深度,GTI以环保相关专利和研发投资衡量,控制变量涵盖财务和机构特征。此表为后续实证分析提供清晰指标框架。,4]
表2(VIF分析):各变量方差膨胀因子均低于3.0,平均1.61,证明多重共线性不构成威胁,确保回归结果稳健性。,6]
表3(基线回归):HAI在所有模型显著正向影响环保绩效,控制变量如规模和盈利能力也显著支持企业绿色发展。模型拟合优良,R²最高达0.384,统计显著性强。,7]
表4(稳健性测试):通过IV-2SLS、倾向匹配等替代方法,结果一致,进一步巩固研究结论。
表5(内生性):区域AI政策作为工具变量有效,第一阶段F值强劲,检验未揭示内生性问题,提升因果解释力。
表6(中介分析):揭示GTI不仅受HAI驱动且对绿色ESG绩效有强效正向影响,其30%中介比例明确了绿色创新在AI整合与环境绩效关系中的核心角色。,9]
图8(机制分析图):以路径图形式清晰展示三步回归结果及统计指标,直观表现HAI对GTI与GESG的直接及间接影响。
表7-9与图10-11(异质性):分规模、所有制及区域三个维度验证HAI效用差异,均以显著正向影响为基础,同时比较两个分组效应的大小及差异显著性,图示形式辅助理解企业规模、国企身份及发达地区有利于放大AI带来的环境绩效提升效应。
该研究以扎实的面板数据和多重计量方法,证明了人机AI技术整合在促进中国零售企业绿色环境、社会及治理(ESG)绩效中的积极作用,特别通过强化绿色技术创新这一关键中介机制实现效益的积累。核心发现包括:
研究结果对实践意义深远:
本报告系统阐释了数字化转型与可持续发展结合的路径,为未来扩展研究提供理论和实证基础,尤其在全球绿色转型加速的背景下具重要参考价值。
文献引用涵盖管理学经典资源理论、动态能力理论及最新人工智能与绿色创新实证研究,数据来源涵盖中国权威的CNRDS与CSMAR数据库,确保研究数据质量与行业代表性,强化结果适用性和学术贡献。
[注:以上分析严格基于报告内容及附表图示,所有结论均标明页码以便溯源,避免任何超出报告范围的外部推断。]
2507.03057.pdf