EN中文

Resources Science >

2025 , Vol. 47 >Issue 4: 864 - 875

DOI: https://doi.org/10.18402/resci.2025.04.14

Effect of digital transformation on green productivity of China's manufacturing enterprises

  • NI Wai , 1 ,
  • WU Guiquan 2
Expand
  • 1. Hong Kong & Macao Studies Center, Shanghai Academy of Social Science, Shanghai 200020, China
  • 2. Institute of Economics, Shanghai Academy of Social Science, Shanghai 200020, China

Received date: 2024-02-02

  Revised date: 2024-08-14

  Online published: 2025-05-12

Fold

Abstract

[Objective] In the context of “dual carbon” strategic goals and the development of new-quality productivity, this study explores how digital transformation drives the development of green productivity in manufacturing enterprises, providing an micro-level theoretical basis for developing new-quality productivity through digitalization and greening in manufacturing industry. [Methods] Using data from A-share listed manufacturing enterprises in China from 2007 to 2021, the global super-efficiency slacks-based measure (GS-SBM) model was employed to establish and calculate carbon emission efficiency indicators, so as to measure the levels of enterprise green productivity. An empirical examination was conducted to examine the effect of digital transformation on green productivity and its mechanisms. Then an analysis was carried out on the structural heterogeneity of the driving effect of digitization and the backward spillover effects in the industry and supply chains. [Results] (1) Digital transformation significantly enhanced the carbon emission efficiency in manufacturing enterprises, effectively promoting the development of green productivity. (2) The empowerment of green productivity development through digitalization in manufacturing enterprises was primarily achieved through dual mechanisms: green technological innovation and total factor productivity improvement. (3) The empowering effect of digitalization exhibited structural heterogeneity. Compared to the consumer end, digital transformation at the production end had more significant influences on improving carbon emission efficiency. Across the sub-dimensions of digital transformation, a U-shaped relationship existed between digital transformation driven by modern information system and carbon emission efficiency. This improvement effect of carbon efficiency manifested only when enterprises entered the stage of productivity transformation with data as a factor of production. (4) The backward spillover effects of digital empowerment were observed, where the digital transformation of downstream manufacturing enterprises drove improvements in carbon emission efficiency for upstream enterprises. [Conclusion] Digital transformation of manufacturing enterprises can significantly enhance green productivity development. Therefore, manufacturing firms should prioritize the development of digital capacity across production and productive service scenarios. Meanwhile, digital coordination across the industry chain should be strengthened, and staged and incremental approaches to transform data into productivity should be promoted. Governments should actively cultivate digital transformation service providers, improve innovation efficiency support mechanisms, and build data-sharing platforms to facilitate a qualitative leap in the productivity of manufacturing enterprises.

Key words： digital transformation; green productivity; carbon emission efficiency; manufacturing enterprises; global super-efficiency SBM model; China

Cite this article

NI Wai , WU Guiquan . Effect of digital transformation on green productivity of China's manufacturing enterprises[J]. Resources Science, 2025 , 47(4) : 864 -875 . DOI: 10.18402/resci.2025.04.14

1 引言

习近平总书记在中共中央政治局第十一次集体学习时指出，绿色发展是高质量发展的底色，新质生产力本身就是绿色生产力。制造业企业生产全过程碳减排与全要素生产率增长所引领的生产范式升级是生产力变革的重要微观基础，企业层面的绿色生产力发展水平直接关系到新质生产力的发展成效。然而，长期以来，受制于自身产业基础、技术能力和升级战略的约束，中国制造业企业发展陷入了“高碳-低端”双重锁定[1]。在传统的技术经济范式下，制造业企业如何实现从传统生产力向绿色生产力的演化升级成为一个难题。
数字化转型为企业突破绿色生产力发展困境提供了新的可能。首先，数据要素作为绿色生产力的核心生产要素，通过重新组合与协同其他生产要素，促进了要素配置效率提高[2]。其次，通过促进创新资源集聚整合，推动数据驱动型技术创新模式形成，提升技术创新效率。最后，数字化转型缓解了逆向选择和道德风险问题，激励企业绿色转型升级[3]。然而，由于组织制度不适配[4]，以及挤出效应[5]的存在，数字化转型可能会抑制绿色技术创新能力提升，出现“数字化悖论”现象。由此，数字化转型如何影响制造业企业绿色生产力?其中的作用机制是什么?企业又应如何选择数字化转型重点方向和路径?本文尝试通过探讨以上问题，为理解绿色生产力发展的内在逻辑提供来自企业层面的经验证据，进而为新质生产力的研究贡献新的理论视角和分析框架。同时，针对如何发展新质生产力的重大现实课题，本文从数字化与绿色化协同推进的视角，为探寻适合中国国情的企业生产力发展路径提供理论启示，具有一定的理论价值和现实意义。
既有文献较少关注数字化转型对制造业企业绿色生产力的影响。关于制造业数字化转型对绿色发展的影响，相关研究主要围绕绿色技术创新绩效、环境绩效和经济绩效等视角展开，但缺乏企业层面的探讨。同时，企业绿色生产力发展是多元影响因素作用的综合结果，数字化转型全方位重塑了企业发展模式，单一绩效指标不足以有效反映绿色生产力发展所代表的发展动力和模式变革，难以将数字化转型与发展绿色生产力这一战略要求联系起来，对其中的作用机制也缺乏深入剖析。鉴于此，本文可能的边际贡献有以下3个方面：①着眼于绿色生产力新视角，在厘清其核心内涵的基础上，基于全局超效率SBM模型（GS-SBM），构建与测算碳排放效率指标，以衡量制造业企业绿色生产力水平。从企业层面考察数字化转型对绿色生产力发展的影响，丰富绿色生产力实证研究的思路。②基于碳排放效率指标变动与分解的框架，演绎数字化转型驱动绿色生产力发展的内在机制，系统地刻画其中的逻辑机理。③比较不同转型场景和转型维度的数字化赋能效应，揭示数字化转型的结构异质性特征。同时，检验企业数字化转型对上游企业绿色生产力发展的后向溢出效应，深化数字化转型供应链协同促进绿色发展的研究。

2 文献综述

2.1 绿色生产力

基于对增长极限和传统生产力的反思，生产力理论拓展出绿色生产力的概念，认为其内涵为可同时提高环境绩效与经济绩效的可持续发展模式[6]，与绿色转型概念类似[7]，没有在经济学范畴内实现明确的学理界定。任保平等[8]将资源环境纳入财富概念框架，认为绿色生产力是创造广义财富的能力，但这不能反映出生产力得以实现的条件。王朝科[9]基于马克思主义生产力系统理论，认为劳动、资本、科技、数据、自然条件和社会过程是生产力系统的一般性构成要素，生产力系统的演进使得生产力不断发展出新的形态。在此基础上，本文将企业绿色生产力概念界定为：在绿色科技革命性突破基础上，通过对劳动者和生产资料进行生态化重塑与创新性配置，最终达成生态、经济和社会效益协同提升的一种发展模式升级能力。绿色生产力与新质生产力是紧密关联的概念，但新质生产力强调更为广泛的科技革命突破，在要素塑造和优化配置上发生了质变跃迁[10]。由此，新质生产力本身就是绿色生产力。
生产力的发展水平可以用生产率来衡量[11]。与单要素生产率相比，全要素生产率更能体现生产效率的变动[12]，反映了生产力的“质态”变化。但新古典经济学的全要素生产率理论忽视了能源环境因素以及生产技术的无效率，不是真正意义上的全要素生产率[13]。方向距离函数（DDF）把环境投入产出变量纳入生产率测算，在控制减排的同时增加经济产出[14]，能更准确反映绿色生产力的内涵。因此，本文基于技术效率理论，将企业的碳排放效率定义为，在全部投入要素不变的情况下，可同时实现经济产出增加和碳排放减少的能力，并以此来衡量企业的绿色生产力发展水平。

2.2 数字化转型与企业绿色发展

学者研究数字化转型对企业绿色发展的影响主要集中在减排、增效和绿色技术创新等领域[15-17]。企业在这3个方面的绩效可能呈现矛盾关系，针对单要素绩效的研究具有片面性。再者，绩效指标反映对绿色发展的短期影响，绿色生产力的长期动态变化才是关键。在机制方面，数字技术主要通过3个途径发挥作用：①促进创新要素的共享与流动[18]，降低技术研发的不确定性[19]，从而促进企业的技术进步与生产率提升[20]。②优化要素配置结构[21]，提高生产要素利用效率。③提升企业内部信息共享水平、企业与利益相关主体间的信息透明度，改善企业内部控制[22]以及缓解融资约束[23]，进而提升资源配置效率。企业绿色发展的影响因素多元，且数字化转型对企业的塑造也是全方位的，因此需要对其中的内在核心机制作出更加系统和深入的刻画。在研究结论上，尽管多数研究论证了数字化转型对企业绿色发展的促进效应，但也有研究发现两者之间呈现出倒U型关系[24]。对转型过程的内在动态机理分析不足，是造成结论分歧的一个重要原因。

3 理论分析与研究假设

3.1 数字化转型对绿色生产力的影响

制造业数字化转型本质是以数据要素驱动生产范式转变，通过要素重组、模式创新和结构变革等路径实现制造业价值重塑[25]和发展模式的革命性升级。一方面，数据要素推动生产可能性曲线向外移的同时还提高了其他要素的边际产出[26]；另一方面，数字技术应用产生的要素优化配置效应，促进制造过程节能减排，降低了非期望产出。因此，数字化转型促进了要素结构与配置的生态化转变，推动了绿色生产模式变革。基于上述分析，提出假设：
H1：数字化转型能促进制造业企业绿色生产力提升。

3.2 数字化转型促进绿色生产力提升的机制

本文用碳排放效率来衡量企业绿色生产力。碳排放效率的变动由期望产出增加、非期望产出降低和投入要素节约驱动。绿色技术创新体现为绿色工艺和绿色产品创新[27]，前者能够有效降低原材料和能源投入品使用强度、污染排放强度[28]，后者则减轻了产品全生命周期的负面环境影响[29]。因此，绿色技术创新表现出碳减排效应和要素节约效应。全要素生产率反映的是总产出量与全部生产要素投入量之比，表征了期望产出增加效应和投入要素节约效应。由此，绿色技术创新和全要素生产率提升可以促进碳排放效率提升。本文将分别从这两条作用路径，分析数字化转型对制造业企业绿色生产力的促进机制。

3.2.1 绿色技术创新路径

一方面，数字化转型对制造业企业绿色技术创新的影响体现在创新能力提升上：①企业在研发模式和生产模式上的数字化创新，重塑了生产要素的结构与效率，直接促进技术创新绩效提升[30]。②数字化通过“降本增效”，对冗余资源进行价值重塑[31]，使企业有能力将资源配置到具有长期回报的绿色技术创新战略中。③创新网络中数据、知识与创新资源的共享和流动增加，动态非线性交互式协同创新模式替代了传统的线性创新链[32]，增强了企业在环境感知和机会利用等方面的能力，极大提升了创新绩效。
另一方面，数字化转型可通过强化外部监督机制和内部激励机制，推动企业从策略性创新转向实质性创新。在外部监督方面，数字化情境下，企业与利益相关方的信息互动体系全方位重塑，主体间的信息整合成本、互动成本和信息不对称程度大幅下降[33]。利益相关者可以更加有效地发挥对企业治理的监督作用，降低企业非系统性风险。同时，环境信息披露的增加，加大了企业的外部监督压力和逃避环保监管的成本，倒逼企业将更多资源流入绿色发展领域。在内部激励方面，数字化转型提高了企业与利益相关者间信息互动的质量和效率，促进企业获取利益相关者的支持，增强企业履行社会责任的内在激励。基于上述分析，提出假设：
H2：数字化转型能通过提升绿色技术创新水平促进制造业企业绿色生产力提升。

3.2.2 全要素生产率提升路径

本文基于全要素生产率分解，从技术进步、规模效率和纯技术效率3个方面，分析数字化转型对全要素生产率的提升效应。
制造业企业数字化转型主要通过需求反馈和技术正外部性促进行业内关联企业的创新，从而推动行业整体技术进步。一方面，供应链上游企业为了适应下游企业数字化转型引致的效率和创新需求，会驱动自身创新水平提升[34]。企业在数字化转型实践中的技术创新沿着供应链系统扩散，从而推进整体生产前沿面向前移。另一方面，数字技术具有数据同质化和可重新编程的本质属性，激发了知识的增长和溢出，技术正外部性使创新网络上单一节点的创新成果得到极大扩散。
传统生产要素边际成本与生产规模的U型关系，决定了企业难以将生产规模调整到最优规模，规模效率提升受到限制。当数据要素成为新的生产要素，企业的生产成本结构表现出高固定成本和低边际成本的新特征。由此，生产规模的扩大带来平均成本的下降，实现规模经济。
纯技术效率体现的是企业层面综合管理和技术创新水平的影响。数字技术应用推动算法管理成为企业管理模式的新范式。在生产管理上，算法嵌入使生产运营各环节信息传递效率和资源配置效率得到提升，企业可以对产品全生命周期过程进行成本和产能的优化管理。此外，数字化转型推动企业组织形态由传统的科层制、网络制形态向去中心化自治组织变革[35]。在此基础上，算法系统使企业内部离散的信息系统成为端到端的连续体，提升了经营管理效率。综上，本文提出假设：
H3：数字化转型能通过提升全要素生产率促进制造业企业绿色生产力提升。

4 研究方法与数据来源

4.1 模型设定

建立式（1）所示的模型，考察数字化转型对制造业企业绿色生产力的影响：
T F C P i t = β 0 + β 1 D i g i t + β 2 C o n t r o l i t + ∑ μ i + ε i t
式中：被解释变量 T F C P i t为企业i在t年的碳排放效率值；解释变量 D i g i t为企业i在t年的数字化转型程度； C o n t r o l i t为一系列控制变量； ∑ μ i为一系列固定效应，含年份、企业、行业和城市等层面的固定效应； β 0为常数项； β 1、 β 2为待估参数； ε i t为随机扰动项。
为进一步克服内生性问题，本文利用2016年“国家大数据综合试验区”设立 ① 作为准自然实验，运用双重差分倾向得分匹配法（PSM-DID）作进一步检验，据此设定模型（2）：
T F C P i t = α 0 + α 1 T r e a t i × T i m e t + α 2 C o n t r o l i t + ∑ μ i + ε i t
式中： T r e a t i为政策哑变量，若企业i是试验区内的企业，赋值为1，否则为0； T i m e t为时间哑变量，若年份t为2016年及以后，赋值为1，否则为0； α 0为常数项； α 1、 α 2为待估参数。

4.2 变量说明

4.2.1 被解释变量

以碳排放效率指标衡量绿色生产力，效率值越大，绿色生产力水平越高。采用数据包络分析法（DEA），建立全局超效率SBM模型（GS-SBM），在可变规模报酬条件下，测算碳排放效率值。选取总资产、员工人数和能源消费总量作为投入变量，将主营业务收入作为期望产出，碳排放量作为非期望产出。
企业较少披露碳排放与能源消费信息，且“漂绿”行为致使披露数据存在样本选择偏误。因此，学者多用行业尺度的变量值乘以特定的权重因子测算企业层面的变量值，认为该方法测算的值与真实值存在高度同质性与相关性。本文将企业年度营业收入与其所在行业营业总收入的比值作为权重，乘以行业年度碳排放量或能源消费量，得到企业层面相应变量的近似值。
行业层面碳排放值用各类能源消费量乘以对应的CO2排放系数后加总得到，涉及煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气共8类能源。

4.2.2 核心解释变量

参考赵宸宇等[36]的方法，在上市公司年报经营情况分析部分，对数字技术应用、互联网商业模式、智能制造、现代信息系统等4个维度共99个关键词的词频进行统计。计算数字化转型关键词占中英文文本总长度的比例，建立企业数字化转型指标。该指标数值越大，表示制造业企业数字化转型程度越高。

4.2.3 控制变量与机制变量

考虑投入要素之间替代效应、资本密集程度、技术差别、管理效率等因素，选取企业层面的如下变量作为控制变量：劳动要素替代、资本要素替代、资本密集度、技术水平、管理费用率。机制变量为企业的绿色技术创新和全要素生产率。将企业绿色发明专利申请数量和绿色实用新型专利申请数量加总，然后加1再取自然对数，作为绿色技术创新的代理变量。使用Levinsohn-Petrin方法（简称LP法）计算企业全要素生产率（表1）。
表1 主要变量定义及描述性统计

Table 1 Definitions and descriptive statistics of key variables

名称 符号 测算方法 均值 标准差 最小值 最大值
碳排放效率 TFCP GS-SBM模型计算 0.159 0.106 0.020 0.639
数字化转型程度 Dig 数字化转型关键词频数占中英文文本总长度的比例，乘以1000 0.247 0.348 0.000 2.501
劳动要素替代 LP 主营业务收入与员工人数的比值，取自然对数 13.680 0.772 11.520 16.480
资本要素替代 CP 主营业务收入与企业现金流量表中“购建固定资产、无形资产和其他长期资产支付的现金”的比值，取自然对数 2.750 1.191 0.085 6.805
资本密集度 CI 营业收入与平均资产总额的比值 0.690 0.411 0.058 2.922
技术水平 EI 主营业务收入与碳排放量的比值/（元/t），取自然对数 11.770 1.790 7.148 14.750
管理费用率 MC 管理费用与主营业务收入的比值，乘以100 8.607 6.368 0.795 55.720
绿色技术创新 GI 绿色发明专利和实用新型专利申请数量总和加1，取自然对数 0.779 1.108 0.000 5.063
全要素生产率 TFP LP法计算 8.276 0.971 5.641 11.200

4.3 数据来源

本文选择2007—2021年的A股上市制造业企业为初始样本，数据来源于国泰安数据库、中国研究数据服务平台、上市公司年报和《中国能源统计年鉴》。制造业行业分类参照《国民经济行业分类》（GB/T4754-2017）的划分标准，具体包括31个行业门类。样本筛选方式为：①剔除样本区间内ST、*ST和PT的样本；②删除重要变量数据缺失的样本；③对连续变量进行上下1%缩尾处理。最终，得到3334家企业共26995个观测值。

5 结果与分析

5.1 基准回归

表2中，列（1）-（3）的数字化转型变量系数均在1%水平上显著为正，说明数字化转型显著提高了制造业企业的碳排放效率，初步验证了假说H1。数字化转型驱动制造业企业生产模式变革，促进了绿色生产力发展。在控制变量上，由于计算方法影响，使企业层面的EI值，在控制了行业、城市层面固定效应后，存在共线性问题。因此，在列（3）没有对该变量进行控制。从估计结果看，劳动要素替代、资本要素替代、技术水平、资本密集度、管理费用率的系数均显著为正。回归结果支持结论：在资本越密集的行业，碳排放效率提升难度越大；除了推进能源消费结构的清洁化，提高要素替代率和技术水平也是促进碳排放效率增长的有效途径。企业在组织和管理生产经营活动上的投入越大，越有利于绿色生产力提升。只考虑经济绩效时，通常认为高管理费用不利于市场竞争力提升。然而，基于绿色发展要求，高管理费用并不损害企业价值；相反，在提升经济效益的同时还能促进碳减排。
表2 基准回归结果

Table 2 Benchmark regression results

变量 TFCP
(1) (2) (3)
Dig 0.014*** 0.008*** 0.013***
(0.003) (0.003) (0.003)
LP 0.013*** 0.013***
(0.001) (0.002)
CP 0.001** 0.001**
(0.000) (0.000)
EI 0.049***
(0.002)
CI 0.047*** 0.045***
(0.002) (0.002)
MC 0.001*** 0.001***
(0.000) (0.000)
企业、年份固定效应 是 是 是
行业、城市固定效应 否 否 是
N 26613 26613 26612
R2 0.895 0.931 0.910

注：括号内为聚类到企业层面的标准误；*、**、***分别代表0.10、0.05、0.01的显著性水平。下同。

5.2 内生性处理

基准回归结果可能受到双向因果关系和遗漏变量产生的内生性偏差干扰。采用以下方法缓解内生性问题：①利用工具变量开展2SLS回归。选择同城市内其他企业数字化转型程度平均值（Dig_mean）作为工具变量。同城市企业的数字化转型会促进目标企业数字化转型，但较少影响其碳排放效率表现，该工具变量的选取具有一定合理性。表3中工具变量法第一阶段的结果排除了弱工具变量假设；第二阶段回归的结果显示，数字化转型的回归系数在1%的水平上显著为正，支持基准回归的结果。
表3 内生性处理

Table 3 Endogeneity treatment

变量 工具变量法 PSM-DID方法
第一阶段 第二阶段
Dig TFCP TFCP
Dig 0.138***
(0.040)
Dig_mean 0.159***
(0.034)
Treat×Time 0.004**
(0.002)
控制变量、固定效应 是 是 是
N 24973 24977 19676
R2 0.715 -0.075 0.905
②PSM-DID方法。在利用式（2）回归前，通过倾向得分匹配法（PSM），克服样本选择偏差。使用基准模型的控制变量作为匹配变量，采取1: 1近邻匹配方法匹配，通过了PSM平衡性检验。用匹配后的样本进行DID回归，表3中Treat×Time的系数在5%水平上显著为正，基准回归的结论依旧稳健，假说H1得到进一步验证。

5.3 稳健性检验

对基准回归结果进行以下稳健性检验：①更改回归设定，包括加入核心解释变量的平方项、更换聚类方式、增加控制变量等调整。②调整回归样本，分别剔除碳减排重大政策年份样本、四大直辖市样本、数字化转型词频在样本80%分位数及以上的样本。③选取30%、50%、70%分位数，进行面板分位数回归。④将总资产指标替换为企业购建固定资产、无形资产和其他长期资产支付的现金，测算得出新的碳排放效率数值。⑤替换数字化转型变量的衡量指标，包括滞后一期处理、取对数处理、构建新的数字化转型关键词词库[37]等方法。经过上述检验，基准回归的结论依然显著。因篇幅所限，未列出检验表格。

5.4 机制检验

5.4.1 影响机制检验

首先，识别数字化转型对机制变量的影响。表4显示，数字化转型对绿色技术创新和全要素生产率的回归系数均在1%水平上显著为正，初步验证了假说H2和H3。数字化转型促进企业绿色技术创新的逻辑为：①从提升生产要素效率、优化资源配置和活跃创新网络3个方面促进技术创新能力的提升；②通过强化外部监督和增强内在激励，增强企业开展绿色技术创新的动力。数字化转型对全要素生产率的提升作用，则主要是通过技术正外部性、规模经济效应和管理优化效应实现。
表4 企业数字化转型的作用机制检验

Table 4 Tests for mechanisms of enterprise digital transformation

变量 影响机制检验 竞争性机制检验
GI TFP TFCP（绿色技术创新机制） TFCP（全要素生产率机制） TFCP
Dig 0.262*** 0.226*** 0.008*** 0.009*** 0.013***
(0.043) (0.023) (0.003) (0.003) (0.003)
Dig×GI 0.006***
(0.002)
Dig×TFP 0.006**
(0.002)
Dig×IER -0.095
(0.929)
GI 0.001***
(0.001)
TFP 0.001
(0.002)
IER 0.204
(0.290)
控制变量、固定效应 是 是 是 是 是
N 26156 22524 26156 22524 26604
R2 0.661 0.930 0.911 0.916 0.910
为进一步验证上述双重机制，在不同绿色技术创新水平和全要素生产率水平下，考察数字化转型对碳排放效率的异质性影响。为此，在基准模型中加入机制变量与核心解释变量的交乘项回归。表4中交乘项Dig×GI和Dig×TFP的系数分别在1%和5%的水平上显著为正，表明数字化转型的影响随着绿色技术创新水平或全要素生产率水平的提高而增强，从而验证了假说H2和H3提出的影响机制。

5.4.2 排除竞争性机制检验

导致数字化转型与碳排放效率出现正相关性的机制，也可能是如下混淆路径：一方面，政府对企业实施更加严格的环境规制，企业在合法性制约压力下，绿色转型动机增强。另一方面，在高强度环境规制下，企业面临更多的环境和资源约束，倒逼其通过数字技术推动传统生产组织方式的转型升级。由此，环境规制对企业数字化转型和绿色生产力都产生了正向影响，进而使后两者出现正相关性。
为排除竞争性机制，在不同强度环境规制下，考察数字化转型对碳排放效率的影响差异。若该机制成立，可推论：①在环境规制强度较低时，数字化转型对碳排放效率的影响较小，反之，影响较大；②即便在数字化转型程度较低时，环境规制对碳排放效率也存在显著影响。在基准模型中加入企业所在城市环境规制强度变量（IER）和核心解释变量的交乘项回归。IER变量用企业所在城市当年投入废气废水污染治理的金额占该年工业产值的比重衡量。表4显示交互项Dig×IER的估计系数不显著，表明在不同环境规制强度下，数字化转型对碳排放效率的影响不存在显著的差异。此外，IER系数不显著，表明在数字化转型极弱的情况下，即企业没有发生生产组织模式的根本性变革时，单纯依靠环境规制的外在压力，难以显著提升绿色生产力水平。综上，排除了竞争性机制干扰。

6 进一步讨论

6.1 数字化转型对碳排放效率提升的结构异质性

在不同应用场景和不同转型维度下，数字化转型对企业绿色生产力发展的影响差异性明显，数字化与绿色化融合发展的方向和路径选择不同。

6.1.1 数字化转型场景的异质性

不同行业面临的碳排放约束强度不同，企业开展数字化转型采取了不同的策略。高碳制造业企业倾向于对生产端进行数字化改造，而低碳制造业企业则聚焦于物流端、销售端的数字化改造[38]。数字化转型促进绿色生产力发展，核心机制在于研发与制造过程中的技术创新与生产率进步。因此，当生产制造和生产性服务为主的数字化转型占据主导地位时，企业在研发效率、产品创新、生产过程优化等方面表现更好，更可能建立起绿色生产力优势。而当企业以流通和消费端的数字化转型为主要方向时，在产品创新和技术进步方面不具备优势。企业在市场竞争中陷入价格竞争，而不是依靠发展模式的变革实现质量竞争。由此，数字化转型对绿色生产力的促进效应在高碳行业企业内更显著。
为检验上述分析，结合2012年《上市公司行业分类指引》对样本内的企业进行分组回归。表5的结果显示，虽然数字化转型的系数均显著为正，但高碳行业组的估计系数更大、显著性更强。进一步地，对分组样本进行费舍尔组合检验，P值为0.008，表明两组估计系数在1%水平上存在显著差异。以上结果表明，侧重于生产端数字化改造的企业，碳排放效率的提升效应更加显著。
表5 异质性分析结果

Table 5 Results of heterogeneity analysis

变量 不同转型场景的TFCP 变量 转型细分维度的TFCP
低碳行业组 高碳行业组 无平方项 有平方项
Dig 0.008** 0.013*** IS 0.001 -0.034**
(0.004) (0.003) (0.010) (0.016)
IS2 0.145**
(0.061)
控制变量、固定效应 是 是 控制变量、固定效应 是 是
N 13327 13282 N 26612 26612
R2 0.867 0.941 R2 0.909 0.909

6.1.2 数字化转型细分维度的异质性

数字化转型指标包含了数字技术应用（DT）、互联网商业模式（BM）、智能制造（IM）、现代信息系统（IS）4个维度，分别利用各维度指标开展基准模型的回归。前3个维度的数字化转型变量系数均在1%的水平上显著为正，表明企业在生产组织模式和价值增值体系上的数字化变革，推动了绿色生产力发展。但是，IS变量估计系数不显著（表5中无平方项所在列）。进一步加入该变量的平方项回归后，平方项的估计系数在5%水平上显著为正，这初步表明变量IS和TFCP之间存在U型关系。本文进一步检验该U型关系发现：①转折点的95%置信区间落在变量IS的取值范围内，且在5%水平上拒绝原假设；②转折点左侧区间斜率为负，右侧区间斜率为正，且均在5%水平上显著。以上说明现代信息系统维度的数字化转型与碳排放效率之间存在显著的U型关系。
数字化转型赋能绿色生产力发展，核心是数据要素的生产力转化。转化过程呈现阶段发展规律：初期，企业在生产经营的业务全流程建立现代信息系统，实现业务数据积累。在发展期，打破“数据孤岛”，整合端到端的信息系统，完成数据的标准化和系统集成。在成熟期，充分利用大数据高级分析的预测与决策优化能力，对业务生态系统进行持续优化反馈，实现数据要素的生产力转化。在转型初期，数字技术与业务系统的融合度较低，加之信息系统建设带来大量成本投入，使数字化转型对碳排放效率的促进作用可能并不显著，甚至表现出相反的抑制作用。当企业进入数据生产要素的生产力转化阶段，实现生产要素的优化组合和资源的高效配置，碳排放效率的提升效应便会显现。因此，以上结论实际上侧面验证了数字化转型对碳排放效率的作用机制，从而对两者间的因果关系识别起到强化作用，与基准回归结果不冲突，不能说明“数字化悖论”的存在。

6.2 数字化转型对碳排放效率提升的后向溢出效应

数字经济时代的产业链、供应链具有“需求导向、订单驱动”鲜明特征，下游企业数字化转型可能对上游企业的生产组织模式产生显著影响。基于客户-供应商视角，进一步探究数字化转型对碳排放效率提升是否存在溢出效应。首先，以基准回归样本中的制造业企业为目标企业，获取其前五大客户信息，删除非上市企业的客户，并用同样的方法计算客户企业的数字化转型指标。然后，用客户销售额占比对该指标做加权处理，最终获得客户企业数字化转型变量（Digcus）取值。用基准模型对客户企业数字化转型与目标企业碳排放效率作回归。结果如表6列（2）所示，解释变量Digcus的估计系数在1%水平显著为正，表明数字化转型会沿着供应链产生积极的后向溢出效应。下游客户企业数字化转型带来了新的效率与创新需求，倒逼供应商提升创新水平。同时，供应商借助与客户联结获取海量数据资源，促进了知识与创新溢出，进而带动自身生产率增长。因此，企业不仅需要关注内部业务组织模式的数字化变革，还需要通过外部数字化协同、产业生态优化来进一步推动自身生产力发展。
表6 后向溢出效应检验

Table 6 Tests for backward spillover effects

变量 TFCP
(1) (2)
Digcus 0.088** 0.221***
(0.035) (0.050)
控制变量 是 是
企业、年份固定效应 否 是
行业、城市固定效应 否 是
N 1380 865
R2 0.725 0.940

7 结论与政策启示

7.1 结论

本文在诠释绿色生产力内涵的基础上，使用2007—2021年中国沪深A股上市制造业企业数据，从碳排放效率角度，测算企业绿色生产力水平，并实证检验数字化转型对制造业企业绿色生产力发展的影响及作用机制。主要结论如下：
（1）数字化转型显著促进了制造业企业碳排放效率提升，没有“数字化悖论”。数字化转型可以有效推动企业绿色生产力发展，数字化与绿色化融合发展具有可行性。
（2）数字化转型驱动碳排放效率增长主要是通过绿色技术创新与全要素生产率提升两种机制实现。以数字化驱动绿色生产力发展，重点在于提升企业关键技术创新能力、提高生产投入产出效能，本质在于数据生产要素的生产力转化。
（3）相较于流通和消费场景下的数字化转型，围绕生产制造和生产性服务场景的数字化转型对碳排放效率的提升作用更显著。
（4）现代信息系统维度的数字化转型与碳排放效率之间存在U型关系，只有通过业务系统中沉淀的大数据处理去反馈优化业务流程，进入数据生产要素的生产力转化阶段，才能使数字化转型的碳排放效率提升效应显现。相关差异化影响结果反映了数字化转型的结构特征和阶段发展规律。
（5）数字化转型对碳排放效率的提升存在后向溢出效应，下游客户企业数字化转型对上游制造业企业碳排放效率提升具有显著的促进作用。

7.2 政策启示

以上结论为政府部门和企业的实践提供了重要启示：
（1）对于制造业企业而言，应确立面向数字化转型发展绿色生产力的战略意识，有序推动发展模式的数字化绿色化重塑。具体如下：①建立技术-流程-价值创造的数字化集成体系。数字化转型带来的发展动力和模式变革与发展绿色生产力具有内在一致性。制造业企业应积极推动数字技术对生产与经营管理全链路的优化重构，构建起产品全生命周期的绿色价值创造体系，进而实现从传统生产力向绿色生产力的演化升级。②依托关键场景构建数字化转型的核心能力。数字化赋能绿色生产力发展的核心机制在于产品研发与制造过程的技术创新与生产率进步。企业应将数字化转型的重心放在生产制造和生产性服务场景，强化数字技术和平台嵌入，推动绿色工艺和产品创新。③制定不同转型阶段的差异化发展重点。分维度的异质性检验表明，数字化转型驱动绿色生产力发展呈现阶段发展规律。企业应有序推进各阶段的重点任务，逐步完成建立现代信息系统、发展企业级数据平台和开发大数据高级分析能力。④推动企业与供应商和客户等主体的数字化协同和绿色价值共创，积极响应其绿色发展需求，共同参与构建供应链的数字化与绿色化融合创新机制。
（2）对政府部门而言，应统筹制造业企业数字化和绿色化融合升级，推动制造业生产力的“质态”跃迁。具体如下：①培育数字化绿色化转型解决方案供应商。数据要素到绿色生产力的转化涉及数字技术与业务场景和全流程的深度融合，呈现特定的阶段特性，需要系统的解决方案。政府应支持各类解决方案供应商，推动提供面向典型场景和垂直领域的系统解决方案。②引导企业通过数字化转型提升关键技术创新能力、提高生产投入产出效能。对企业数字化建设和绿色研发给予积极政策引导和配套支持，鼓励企业申报国家绿色工厂、绿色设计产品、绿色供应链管理企业，完善绿色制造体系。③发挥职能部门及行业协会组织作用，统筹协调上下游企业间的数字生态建设和绿色发展协同，引导各主体间的数据共享、创新协同和价值共创，提升整个供应链的绿色发展竞争力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
梁中, 汪跃. 从“双重错位锁定”到“双元解锁”: 中国传统制造业绿色转型情景与政策路径[J]. 社会科学研究, 2022, (1): 68-76.

[Liang Z, Wang Y. From “double misalignment lock-in” to “dual unlocking”: Green transformation scenarios and policy paths of traditional manufacturing industry in China[J]. Social Science Research, 2022, (1): 68-76.]

[2]
李海舰, 赵丽. 数据成为生产要素: 特征、机制与价值形态演进[J]. 上海经济研究, 2021, (8): 48-59.

[Li H J, Zhao L. Data becomes a factor of production: Characteristics, mechanisms, and the evolution of value form[J]. Shanghai Journal of Economics, 2021, (8): 48-59.]

[3]
王海军, 王淞正, 张琛, 等. 数字化转型提高了企业ESG责任表现吗? 基于MSCI指数的经验研究[J]. 外国经济与管理, 2023, 45(6): 19-35.

[Wang H J, Wang S Z, Zhang C, et al. Does digital transformation improve ESG responsibility performance? Empirical research based on MSCI index[J]. Foreign Economics & Management, 2023, 45(6): 19-35.]

[4]
潘持春, 王菲. 数字赋能如何影响企业绿色转型? 绿色创新能力与组织惰性的双重影响分析[J]. 南京工业大学学报(社会科学版), 2022, 21(4): 89-100, 116.

[Pan C C, Wang F. How does digital empowerment affect green transformation of enterprise? Analysis on dual influence of green innovation ability and organization inertia[J]. Journal of Nanjing Tech University (Social Science Edition), 2022, 21(4): 89-100, 116.]

[5]
马鹏飞, 魏志华. 企业数字化转型如何影响现金股利政策: “信息面”还是“资金面”[J]. 南开管理评论, 2024, 27(3): 50-62.

[Ma P F, Wei Z H. How do enterprise digital transformation impact on cash dividend policies: “Information path” or “capital path”[J]. Nankai Business Review, 2024, 27(3): 50-62.]

[6]
李金算. 国内外绿色生产力的理论与实践综述[J]. 中国科技论坛, 2005, (5): 109-113.

[Li J S. A review of the theory and practice of green productivity at home and abroad[J]. Forum on Science and Technology in China, 2005, (5): 109-113.]

[7]
万攀兵, 杨冕, 陈林. 环境技术标准何以影响中国制造业绿色转型: 基于技术改造的视角[J]. 中国工业经济, 2021, (9): 118-136.

[Wan P B, Yang M, Chen L. How do environmental technology standards affect the green transition of China's manufacturing industry: A perspective from technological transformation[J]. China Industrial Economics, 2021, (9): 118-136.]

[8]
任保平, 李梦欣. 新时代中国特色社会主义绿色生产力研究[J]. 上海经济研究, 2018, (3): 5-13.

[Ren B P, Li M X. The political economy wisdom of green development under the background of economic new era[J]. Shanghai Journal of Economics, 2018, (3): 5-13.]

[9]
王朝科. 从生产力到新质生产力: 基于经济思想史的考察[J]. 上海经济研究, 2024, (3): 14-30.

[Wang C K. From productivity to new productivity: Based on the history of economic thought[J]. Shanghai Journal of Economics, 2024, (3): 14-30.]

[10]
黄群慧, 盛方富. 新质生产力系统: 要素特质、结构承载与功能取向[J]. 改革, 2024, (2): 15-24.

[Huang Q H, Sheng F F. New productive forces system: Factor characteristics, structural bearing and functional orientation[J]. Reform, 2024, (2): 15-24.]

[11]
高帆. 中国新质生产力的发展逻辑: 基于生产率比较的研究[J]. 社会科学战线, 2024, (8): 83-92.

[Gao F. China's new quality productivity development logic: A study based on productivity comparisons[J]. Social Science Front, 2024, (8): 83-92.]

[12]
张平淡, 屠西伟. 制造业集聚、 技术进步与企业全要素能源效率[J]. 中国工业经济, 2022, (7): 103-121.

[Zhang P D, Tu X W. Manufacturing agglomeration, technological progress and enterprise total factor energy efficiency[J]. China Industrial Economics, 2022, (7): 103-121.]

[13]
王兵, 刘光天. 节能减排与中国绿色经济增长: 基于全要素生产率的视角[J]. 中国工业经济, 2015, (5): 57-69.

[Wang B, Liu G T. Energy conservation and emission reduction and China's green economic growth: Based on a total factor productivity perspective[J]. China Industrial Economics, 2015, (5): 57-69.]

[14]
Chung Y H, Färe R, Grosskopf S. Productivity and undesirable outputs: A directional distance function approach[J]. Journal of Environmental Management, 1997, 51(3): 229-240.

[15]
Zhou J Y, Liu W B. Carbon reduction effects of digital technology transformation: Evidence from the listed manufacturing firms in China[J]. Technological Forecasting and Social Change, 2024, DOI: 10.1016/j.techfore.2023.122999.

[16]
李金昌, 连港慧, 徐蔼婷. “双碳”愿景下企业绿色转型的破局之道: 数字化驱动绿色化的实证研究[J]. 数量经济技术经济研究, 2023, 40(9): 27-49.

[Li J C, Lian G H, Xu A T. Study on the path of enterprise green transformation under the carbon peaking and carbon neutrality goals: An empirical study on digitalization driving greenization[J]. Journal of Quantitative & Technological Economics, 2023, 40(9): 27-49.]

[17]
Feng H, Wang F Y, Song G M, et al. Digital transformation on enterprise green innovation: Effect and transmission mechanism[J]. International Journal of Environmental Research and Public Health, 2022, DOI: 10.3390/ijerph191710614.

[18]
Cong L W, Xie D X, Zhang L T. Knowledge accumulation, privacy and growth in a data economy[J]. Management Science, 2021, 67(10): 6480-6492.

[19]
寇冬雪, 张彩云, 张小溪. 企业数字化赋能企业绿色化转型的方式: 从信息披露到创新驱动[J]. 北京工业大学学报(社会科学版), 2024, 24(2): 48-66.

[Kou D X, Zhang C Y, Zhang X X. Enterprise digitalization empowers enterprise green transformation: From passive supervision to active innovation[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2024, 24(2): 48-66.]

[20]
杨来科, 闫珂. 数字化转型对中国制造业企业污染排放的影响: 基于微观层面的三维面板数据分析[J]. 资源科学, 2023, 45(8): 1481-1496.

DOI

[Yang L K, Yan K. Impact of digital transformation on pollution emissions of manufacturing enterprises in China: A micro-level analysis based on three-dimensional panel data[J]. Resources Science, 2023, 45(8): 1481-1496.]

DOI

[21]
Yang G Q, Ding Z Y, Wu M, et al. Can digital finance reduce carbon emission intensity? A perspective based on factor allocation distortions: Evidence from Chinese cities[J]. Environmental Science and Pollution Research, 2023, DOI: 10.1007/s11356-022-24748-1.

[22]
Shang Y P, Raza S A, Zheng X H, et al. Does enterprise digital transformation contribute to the carbon emission reduction? Micro-level evidence from China[J]. International Review of Economics & Finance, 2023, 86: 1-13.

[23]
Liu C, Zhang W, Zhu X Y. Does digital transformation promote enterprise development? Evidence from Chinese A-share listed enterprises[J]. Journal of Organizational and End User Computing, 2022, 34(7): 1-18.

[24]
Li L X. Digital transformation and sustainable performance: The moderating role of market turbulence[J]. Industrial Marketing Management, 2022, 104: 28-37.

[25]
孔存玉, 丁志帆. 制造业数字化转型的内在机理与实现路径[J]. 经济体制改革, 2021, (6): 98-105.

[Kong C Y, Ding Z F. The internal mechanism and realization path of manufacturing industry digital transformation[J]. Reform of Economic System, 2021, (6): 98-105.]

[26]
陈林, 张玺文. 制造业数字化转型升级的机理研究[J]. 暨南学报(哲学社会科学版), 2023, 45(3): 99-110.

[Chen L, Zhang X W. Mechanism of digital transformation and upgrading of manufacturing[J]. Jinan Journal (Philosophy & Social Sciences), 2023, 45(3): 99-110.]

[27]
El-Kassar A N, Singh S K. Green innovation and organizational performance: The influence of big data and the moderating role of management commitment and HR practices[J]. Technological Forecasting and Social Change, 2019, 144: 483-498.

[28]
吴卫红, 杨帆, 张爱美, 等. 数字化技术转型、数字化治理能力与制造业企业绿色转型升级: 基于数字化赋能理论的作用机制研究[J]. 科技进步与对策, 2023, 40(12): 32-41.

DOI

[Wu W H, Yang F, Zhang A M, et al. Digital technology transformation, digital governance capability and green transformation and upgrading in manufacturing enterprises: A study on the mechanism based on the digital empowerment theory[J]. Science & Technology Progress and Policy, 2023, 40(12): 32-41.]

[29]
解学梅, 韩宇航. 本土制造业企业如何在绿色创新中实现“华丽转型”? 基于注意力基础观的多案例研究[J]. 管理世界, 2022, 38(3): 76-106.

[Xie X M, Han Y H. How can local manufacturing enterprises achieve luxuriant transformation in green innovation? A multi-case study based on attention-based view[J]. Journal of Management World, 2022, 38(3): 76-106.]

[30]
郭丰, 杨上广, 柴泽阳. 企业数字化转型促进了绿色技术创新的“增量提质”吗? 基于中国上市公司年报的文本分析[J]. 南方经济, 2023, (2): 146-162.

DOI

[Guo F, Yang S G, Chai Z Y. Does digital transformation of enterprises improve the quantity and quality of green technology innovation? Text analysis based on annual reports of Chinese listed companies[J]. South China Journal of Economics, 2023, (2): 146-162.]

[31]
李德辉, 潘丽君, 尚铎. 企业数字化转型、冗余资源与创新产出: 基于中国非金融上市公司的考察[J]. 软科学, 2023, 37(9): 1-7.

[Li D H, Pan L J, Shang D. Digital transformation, slack resource, and innovation output: Evidence from the non-financial listed companies in China[J]. Soft Science, 2023, 37(9): 1-7.]

[32]
Subramaniam M, Youndt M A. The influence of intellectual capital on the types of innovative capabilities[J]. Academy of Management Journal, 2005, 48(3): 450-463.

[33]
蔡贵龙, 张亚楠, 徐悦, 等. 投资者-上市公司互动与资本市场资源配置效率: 基于权益资本成本的经验证据[J]. 管理世界, 2022, 38(8): 199-217.

[Cai G L, Zhang Y N, Xu Y, et al. Investor-listed company interaction and the resource allocation efficiency in the capital market: Evidence based on the cost of equity[J]. Journal of Management World, 2022, 38(8): 199-217.]

[34]
杨金玉, 彭秋萍, 葛震霆. 数字化转型的客户传染效应: 供应商创新视角[J]. 中国工业经济, 2022, (8): 156-174.

[Yang J Y, Peng Q P, Ge Z T. Spillover effect of digital transformation along the supply chain: The perspective of supplier innovation[J]. China Industrial Economics, 2022, (8): 156-174.]

[35]
Murray A, Kuban S, Josefy M, et al. Contracting in the smart era: The implications of blockchain and decentralized autonomous organizations for contracting and corporate governance[J]. Academy of Management Perspectives, 2021, 35(4): 622-641.

[36]
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(7): 114-129.

[Zhao C Y, Wang W C, Li X S. How does digital transformation affect the total factor productivity of enterprises[J]. Finance & Trade Economics, 2021, 42(7): 114-129.]

[37]
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(7): 130-144, 10.

[Wu F, Hu H Z, Lin H Y, et al. Enterprise digital transformation and capital market performance: Empirical evidence from stock liquidity[J]. Journal of Management World, 2021, 37(7): 130-144, 10.]

[38]
刘淑春, 闫津臣, 张思雪, 等. 企业管理数字化变革能提升投入产出效率吗?[J]. 管理世界, 2021, 37(5): 170-190, 13.

[Liu S C, Yan J C, Zhang S X, et al. Can corporate digital transformation promote input-output efficiency?[J]. Journal of Management World, 2021, 37(5): 170-190, 13.]

Options
Outlines

/

〈 〉