中图分类号：F273.1 文献标识码：A 文章编号：1007-2101（2025）06-0070-13
一、引言
推动经济社会绿色化、低碳化发展是实现高质量发展的关键环节。2024年，《中共中央国务院关于加快经济社会发展全面绿色转型的意见》明确提出重点领域绿色转型目标，并强调“发挥科技创新支撑作用”[1]。同年，习近平总书记在全面推动黄河流域生态保护和高质量发展座谈会上指出，“着力提高产业科技创新能力，推动重点行业节能降碳改造和设备更新”[2]。2025年，国务院《政府工作报告》重申“推动重点行业节能降碳改造”[3]。作为碳排放重点单位和参与市场经济活动的重要主体，部分重污染企业在支撑经济增长的同时，仍深度依赖高能耗和高污染的粗放发展模式，影响了“双碳”战略目标的实现。在此背景下，绿色创新被普遍视为破解“增长—污染”悖论的关键路径。绿色创新可以通过工艺革新减少污染排放，也可以依托能效提升降低生产成本，从而实现环境效益与经济效益双赢。然而，绿色创新具有显著双重外部性特征，会产生市场失灵等问题，导致私人部门供给不足。4]特别是对于重污染企业而言，绿色创新不仅面临高昂的研发投入、技术不确定性和短期收益滞后等固有挑战，还需应对融资约束和成果转化率低等现实困境，致使其主动进行绿色创新的动力不足。因此，通过制度创新与市场激励协同发力、激活企业绿色创新内在动力，成为当前理论研究与政策实践亟待突破的问题。
近年来，国家通过对环境规制政策体系的持续完善不断强化制度约束[5]，社会公众对生态问题的关注度也显著提升，并通过环保诉求表达和舆论监督形成社会压力[6-7]，二者共同构成“制度规制一社会监督”双重驱动机制。然而，作为环境治理体系的关键主体，重污染企业的环境响应面临双重困境：持续攀升的环境合规成本不断挤占企业创新资源，公众监督体系的不完善弱化企业
收稿日期：2025-04-07
环境声誉的市场激励，二者难以形成有效的环境治理合力，导致企业绿色研发动力不足。推动重污染企业从“被动合规”向“主动创新”转型，成为突破困境的关键路径。现阶段，数字化与智能化的深度融合引发生产与管理范式变革，为重污染企业环保合规和可持续发展提供了技术支撑。一方面，数智化能够帮助企业精准对接环境规制要求，有效规避环境违规风险及由此产生的经济损失；另一方面，数智化也可以通过绿色生产过程可视化等技术手段提升企业绿色声誉，增强利益相关者认同，进而转化为市场竞争优势。然而，现有研究尚未揭示重污染企业数智化对其绿色创新的影响。基于此，本文就以下问题展开探讨：重污染企业数智化能否有效推动其绿色创新，其中存在何种机制？政府规制与公众监督在重污染企业数智化影响绿色创新过程中分别发挥怎样的调节作用？
二、研究背景
（一）“政府—公众”双重压力下重污染企业的应对措施
随着环境治理体系的不断完善和公众环保意识的日益增强，重污染企业面临着政府环保政策与舆论监督双重约束压力：一是严格的环境规制政策要求重污染企业减少污染排放，企业若不及时采用高效环保的生产方式，可能会面临高额罚款甚至停产等严厉处罚。二是公众对环境问题的高度关注形成了舆论监督网。在社交媒体时代，企业环境违规行为会被迅速放大并广泛传播，这不仅会损害企业声誉与品牌价值，更将引致消费者与投资者等市场参与者的负面反应，给企业带来融资成本提升与市场份额萎缩等隐性经济后果。[8]面对环境规制和公众监督带来的巨大压力，少数企业“消极应对”，通过跨省转移污染物或委托第三方环保服务机构伪造监测数据等隐瞒排污事实。①大部分企业选择“积极应对”，其中，部分自主创新能力较弱的企业倾向于直接购置治污设备等以实现短期合规目标[9]，但设备采购涉及高额初始资本投入及后续运营维护成本，且难以实现生产流程的源头优化，削弱企业市场竞争力并制约其长期发展潜力。还有一些具有战略前瞻性的主动变革型企业则通过绿色创新优化生产流程以减少源头污染，或依托管理模式创新提升运营效率、降低运营成本，最终实现环境效益与成本优势的协同提升。对于重污染企业而言，应用数智技术能够推动管理模式革新和生产流程重组，助力企业实时监控和精细化管理生产过程，提高管理效能并减少资源浪费，有效降低污染排放和运营成本。同时，数智化本身所具备的绿色属性可以赋予企业“数 + 智”的环保特性[10]，提高绿色创新成果转化率，加速绿色创新进程[11]
（二）数智化对重污染企业经营的影响
数智化是数字化和智能化的有机融合。从“数字化”角度来看，数字技术可以提升重污染企业信息搜寻与处理能力，有效缓解信息不对称，降低企业决策成本，同时压缩生产经营中的边际投入和内外部协同成本。[12]从“智能化”角度分析，人工智能应用可以提升企业生产效率、扩大产出规模、降低研发成本和产品生产成本。[13]数字化与智能化深度融合产生强大的协同效应，不仅推动企业向研发端延伸，加大研发投入并加速生产和管理模式迭代升级，也使得信息传递和处理更及时，有助于重污染企业深人了解市场消费偏好并实施精准营销方案，减少有效研发信息筛选成本和市场调研中的低效营销支出，这使得企业在不断优化产品功能的同时，成本反而相对下降[14]，从而实现了降本增效。
（三）数智化对重污染企业绿色创新的影响
数智化可以显著提升企业绿色创新能力。已有研究表明，数字化转型企业的研发投入和专利数量产出均显著高于非数字化转型企业。[15]数智化作为数字化与智能化深度融合的产物，通过技术赋能与资源整合，可以为企业创新提供更强劲的支撑。一是数智技术能够以精准化和自动化赋能重污染企业低效生产环节，提升其生产效率并减少能源消耗，促进重污染企业通过资源高效配置将释放的人力和资金等冗余资源投入到绿色技术研发等创新活动中。二是数智化平台可以通过整合研发、生产及物流等全链条数据，实时捕捉消费者的绿色偏好信号，促使绿色创新理念深度融入重污染企业核心业务流程。三是依托大数据分析和AI预测等前沿数智技术，重污染企业能够精准识别环保技术研发的关键环节与创新突破点、评估绿色创新项目的可行性，并运用虚拟仿真技术大幅缩短试错周期，进而显著提升绿色创新效率与创新成果转化率。
三、模型构建与研究假说
基于上述分析，本文借鉴郑世林等将Hotel-ling模型应用于刻画企业产品质量竞争的研究思路[16]，构建Hotelling模型探究企业数智化对绿色创新的影响。②假设在一个线性区间[0，1]中，自主创新能力较强的重污染企业A和自主创新能力较弱的重污染企业B分别位于两端，即0和1。基于环境规制强度 r（r>1） 和自身发展与变革能力考量，重污染企业A积极部署数智化战略并推动数智技术应用，期望在提升经营效率的同时满足环保政策要求；重污染企业B选择购买治污设备进行减排。重污染企业A和B的产品质量分别为qA 和 qB ，且产品质量可以被消费者观察到。消费者均匀分布在区间[0，1]内，对于处于位置 x 的消费者而言，从重污染企业A和B购买产品所得到的效用分别为：
UA=v+qA-tx
UB=v+qB-t（1-x）
其中， v 为消费者从购物中获得的固定效用，v 足够大以确保市场完全覆盖，即每个消费者必须选择从两个重污染企业其中之一购买1单位商品。 χt 为单位距离的交通成本。令 UA=UB ，得到消费者从重污染企业A和B购买产品的无差异位 由于市场完全覆盖，重污染企业A和B的均衡市场需求分别为：
重污染企业A和B分别进行创新投入，通过创新研发投人提升产品质量，实现利润最大化。在不受环境治理压力制约的情况下，重污染企业A和B的原始研发投人分别为 I?A 和 IB 。在政府和公众双重环境治理压力下，重污染企业B采购治污设备进行末端减排，研发投入（ （IB） 与设备采购成本（ （FB） ）相互独立，且设备采购成本随环境规制力度 （r） 递增。因此，重污染企业B的总成本函数为 cIB2+rFB，c 为重污染企业B的成本系数。重污染企业A通过数智化（数智化水平为 α ）将环保成本内化到创新投入 （IA） 中。同时，环境规制力度（r） 提升会放大总成本。因此，企业A的成本函数为 r[1-γ（α）]cIA2 ，其中 γ（α） 为数智化的成本缩减系数， 
创新产出分为基础创新产出和绿色创新产出两类，重污染企业A和B的创新产出分别为αIA 和 IB（3） ，其中，绿色创新产出 GA 和 GB 分别为αIAρA 和 IBρB?ρA 和 ρB 分别为重污染企业A和B的创新产出中绿色创新产出所占比例（ ?ρ?A> ρB ）。假设企业创新产出和产品质量呈正相关关系，且在公众高环境关注度背景下，相较于基础创新产出，消费者从绿色创新中感知的产品质量分值更高，即消费者从基础创新中感知的产品质量为1，从绿色创新中感知的产品质量为 θ（θ> 1）。此时，消费者捕捉到重污染企业A和B的产品质量分别为 αIA（1-ρA+θρA） 和 IB（1-ρB+ θρB）④ ，将之代入式（3）和式（4），重污染企业A和B的市场需求分别为：
重污染企业A和 B 的利润分别为：
对于重污染企业A，当 时，其最优创新研发投入1=4 绿色创新产出
对于重污染企业B，当 
时，其最优创新研发投入
（204号绿色创新产出 GB*（IB*）=IBρB=
为了探究重污染企业数智化对其绿色创新的影响，将重污染企业A的绿色创新产出对其数智化水平求偏导：
式（9）表明，重污染企业A数智化水平 α 提升会增加其绿色创新产出 GA 。据此，提出推论1。
推论1：重污染企业数智化有利于促进其绿色创新。
进一步，由式（9）分析重污染企业数智化促进其绿色创新的机制。式（9）第一部分 ρAIA*= 
代表创新投入强化机制，即数智化水平越高，企业创新研发投入 IA*= 
越多，绿色创新水平随之升高。据此，提出引理1。
引理1：重污染企业数智化可以通过强化研发投入进而促进企业绿色创新。
此外，观察式（9）第二部分 
可以发现，重污染企业数智化水平 α 越高，越能通过成本缩减效应 提升其绿色创新产出。据此，提出引理2。
引理2：重污染企业数智化可以通过缩减企业成本进而促进其绿色创新。
结合引理1和引理2，提出推论2。
推论2：重污染企业数智化可以通过研发投入强化效应和成本缩减效应促进企业绿色创新。
为了检验面对不同的政府环境规制力度和公众环境关注度时重污染企业数智化对其绿色创新的影响是否存在差异，定义均衡时重污染企业A与B的绿色创新之比为 G* 。若 G* 提升，则说明积极应用数智化的重污染企业绿色创新产出相对更多，即数智化有利于重污染企业绿色创新。 G* 测算公式为：
首先探究环境规制在数智化影响重污染企业绿色创新中发挥的作用，将 G* 对政府环境规制力度 r 求偏导：
由式（11）可以看出，当政府环境规制力度提升时，重污染企业A与B的绿色创新产出之比缩小，即重污染企业数智化的绿色创新促进效应削弱。据此，提出引理3。
引理3：政府环境规制力度提升会削弱重污染企业数智化对其绿色创新的促进作用。
进一步，探究公众环境关注在数智化影响企业绿色创新中的作用，将 G* 对公众的绿色产品质量感知 θ 求偏导：
由式（12）可以看出，公众的绿色产品质量感知提升时，重污染企业A与B的绿色创新产出之比增大，即重污染企业数智化的绿色创新促进效应加强。据此，提出引理4。
引理4：公众环境关注度提升会增强重污染企业数智化对其绿色创新的促进作用。
结合引理3和引理4，提出推论3。
推论3：政府环境规制和公众环境关注在重污染企业数智化推动其绿色创新中发挥不同作用，政府环境规制力度提升会削弱重污染企业数智化对其绿色创新的促进作用，而公众环境关注度提升会增强重污染企业数智化对其绿色创新的促进作用。
四、实证研究设计
（一）样本选择与数据来源
本文选取2012—2022年沪深A股上市重污染企业作为研究样本。参考Cai等[]的界定方式和2010年原环境保护部发布的《上市公司环境信息披露指南》，将火电、钢铁、水泥、电解铝、煤炭、冶金、化工、石化、建材、造纸、酿造、制药、发酵、纺织、制革和采矿业16类行业内的企业视作重污染企业。同时，为了确保研究数据的可靠性，对企业样本进行如下处理：第一，剔除ST与*ST企业;第二，剔除关键数据缺失的企业；第三，对连续变量进行 1% 和 99% 的缩尾处理。文中企业绿色专利数据来自国家知识产权局，其他财务数据来自CSMAR数据库和WIND数据库。区域层面的数据来自各年度《中国城市统计年鉴》。
（二）实证模型与变量说明
为了探究重污染企业数智化对其绿色创新的影响，构建如下双向固定效应模型进行检验：
式（13）中， i 和 χt 分别代表企业和年份， Xit 为企业层面和区域层面的所有控制变量， λi 为企业固定效应， μt 为年份固定效应， εi，t 为误差项。
被解释变量：重污染企业绿色创新（Lngreenit ），以绿色发明专利申请总量数加1的对数表示。因与通常具有滞后性且受专利测验和缴纳年费等不可抗力约束的专利授权量相比，绿色发明专利申请量更能客观反映企业当下真实的绿色创新能力。18]同时，绿色发明专利申请量可以衡量出真正有利于推动企业技术进步的实质性绿色创新，而非企业为迎合政府政策而采取的以短期利益为导向的策略性绿色创新。[18-19]
解释变量：重污染企业数智化（ DITit ）。关于企业数智化水平的测度，少部分研究以实地问卷调查的结果测定[20]，大部分学者用企业年报中提取的数智化相关关键词词频衡量[21-22]。本文借鉴Cao等[23]的指标构建思路构建企业数智化测度体系，并采用熵权法对各指标进行加权处理，重污染企业数智化测度体系包含数智化关注度（DIT_atte）、数字化资产投入（DIT_digi）与智能化技术应用（DIT_inte）三个层面。如表1所示。
表1重污染企业数智化测度体系
表1中，数智化关注度为企业年报文本中数字化与智能化相关词频之和，反映管理层对数智化战略的重视程度；数字化资产投入以与数字化相关的无形资产表征[24]，反映企业在数字化转型过程中的软硬件建设水平[25]；智能化技术应用以工业机器人渗透度衡量[26]，主要原因在于工业机器人是智能算法和先进科技深度融合的代表，其渗透度可以体现企业的智能化应用水平[27]。此外，为了筛选同时推进数字化与智能化的企业，本文仅保留与数字化相关的无形资产和工业机器人渗透度均大于零的企业样本。
控制变量：选择企业层面和区域层面两类控制变量。企业层面包括：企业规模（ Size ，资产总额的对数值）、企业年龄（Age，成立年限的对数值）、资产负债率（Lev）、托宾 Q 值（Tobinq）、总资产净利润率（ROA）、前十大股东占比份额（Top10）、董事人数 （Dire） 、政府补助（ ?Sub ，企业获得政府补助的对数值）、固定资产比率（Fixass）和融资约束（ 
，WW指数）。区域层面包括：经济发展水平（ PGDP ，企业所处地级市人均GDP的对数值）和金融发展水平（ Fin ，企业所处地级市年末金融机构存贷款总额的对数值）。变量的描述性统计结果见表2。
五、实证结果与分析
（一）基准检验
式（13）的基准回归结果见表3。其中，列（1）为未加入控制变量的回归结果，列（2）为加入企业层面控制变量的回归结果，列（3）为同时加入企业层面和区域层面控制变量的回归结果。可以看出，重污染企业数智化的系数估计值均在 1% 的水平下显著为正，这说明数智化有利于推动重污染企业进行绿色创新，推论1得到验证。
表3基准回归结果
注：***、**、*分别表示在 1%5% 和 10% 的水平下显著，括号内为经企业层面聚类的标准误。下同。
（二）内生性处理与其他稳健性检验
1.内生性处理。本文采用三种方法进行内生性处理。第一，倾向得分匹配。为缓解样本选择偏差可能产生的内生性问题，本文采用倾向得分匹配法（PSM）对模型进行再估计。具体而言，以同年份同行业重污染企业数智化水平的中位数为分界点，将样本分为低数智化水平组和高数智化水平组。进一步，将基准回归中的控制变量作为协变量，以企业是否属于高数智化水平组作为匹配依据，采用全样本 1：2 近邻匹配方法对样本进行匹配。表4为内生性检验结果统计表。表4列（1）为匹配后的估计结果，该结果表明，在控制样本选择偏差问题后，重污染企业数智化对其绿色创新的影响仍显著为正。第二，Heckman两阶段模型。在企业现实经营与发展战略选择中，创新能力较强的企业可能更倾向于进行数智化转型，使得基准回归存在样本选择偏差问题。因此，采用Heckman两阶段模型进行检验，第二阶段估计结果见表4列（2）。该模型回归结果显示，在将逆米尔斯比率（IMR）纳入模型以控制样本选择偏误后，重污染企业数智化对其绿色创新仍存在显著的正向影响，且IMR的系数估计值通过 1% 水平的显著性检验，验证了基准回归结果的稳健性。第三，工具变量法。本文以同年同城市重污染企业的数智化水平均值作为重污染企业数智化的工具变量。首先，企业所处城市的重污染企业平均数智化水平可以反映数智化技术应用和政策环境，满足工具变量与解释变量企业数智化的相关性要求。其次，城市内重污染企业数智化水平均值一定程度上独立于特定企业个体，需通过影响该企业数智化决策进而作用于绿色创新，而无法通过直接路径影响其创新产出，满足排他性假设。2SLS第二阶段估计结果见表4列（3），可以看出，重污染企业数智化的系数估计值仍在 1% 的水平下显著为正，即重污染企业数智化可以促进其绿色创新。
表4内生性检验结果
2.其他稳健性检验。本文还采用以下四种方法进行稳健性检验。第一，替换解释变量。采用变异系数法赋权和CRITIC赋权的方法对企业数智化水平进行重新测度，回归结果分别如表5列（1）和列（2）所示。第二，考虑高维固定效应。为了控制行业层面不可预测因素的影响，在基准模型的基础上进一步加入行业一年份固定效应，回归结果如表5列（3）所示。第三，调整模型设定。一是由于企业绿色专利样本存在大量零值，可能会存在估计偏误，因此，以绿色发明专利申请总量（Green）作为被解释变量，采用计数泊松分布模型重新进行回归。二是将重污染企业绿色创新定义为虚拟变量（Gdummy，若企业绿色发明专利申请总量为0、则Gdummy设为0，反之则设为1）并采用Logit模型进行回归。两类模型的回归结果分别如表5列（4）和列（5）所示。第四，改变样本范围。由于上海、北京、深圳和广州四个一线城市经济发展水平和数智化相关政策等可能与其他城市存在显著差异，因此，剔除上述四个城市的企业样本重新回归，回归结果如表5列（6）所示。由表5列（1）—（6）可以看出，重污染企业数智化的系数估计值均在 1% 的水平下显著为正，说明基准回归结果稳健。
表5稳健性检验结果
（三）机制检验
根据前文第三部分的数理推导与分析，生产成本缩减效应和研发投人强化效应是重污染企业数智化促进绿色创新的重要机制。首先，为了探究生产成本缩减效应是否存在，本文构建如下回归模型：
Costit=β0DITit+β1Controlsit+λi+μt+εi，t
式（14）中， Costit 代表生产成本缩减程度，以营业成本变动率表示。回归结果见表6列（1）。可以看出，重污染企业数智化的系数估计值虽不显著，但为负，这可能是因为重污染企业数智化面临高昂的前期投入和较大的技术整合难度。具体来说，重污染企业数字化应用和智能化改造需要在设备更新和系统建设等方面进行大量投资，对缩减成本的即时效果有限，但存在促进企业成本缩减的潜在趋势。基于此，本文将解释变量重污染企业数智化滞后一期，重新对营业成本变动率进行回归，结果见表6列（2）。可以发现，滞后一期数智化的系数估计值在 5% 的水平下显著为负，说明重污染企业数智化可以产生跨期成本缩减效应。主要原因在于，企业数智化通过实时能耗监测与管理系统优化，有效降低未来生产及管理损耗，显著削减单位产出可变成本，并依托规模效应摊薄固定成本。这种成本的稳定下降直接提升了企业绿色创新研发的可支配资源总量：一方面，成本降低带来的现金流改善使企业能够将更多增量资金定向投人绿色研发；另一方面，成本控制稳定性的提升降低了短期经营不确定性，缓解了管理层的风险厌恶倾向，促使其更愿意将资源投人到回报周期较长的绿色创新领域。此外，低成本优势使企业能以更具竞争力的价格拓展市场，不仅可以快速提升市场份额并扩大营收规模，更能通过市场收益反哺绿色创新，持续提升重污染企业绿色创新水平。
表6生产成本的机制检验结果
为了验证研发投入强化效应是否存在，本文构建如下回归模型：
Innovit=δ0DITit+δ1Controlsit+λi+μt+εi，t
式（15）中， Innovit 代表研发投入，包含研发资金投入（Innoufun，研发投入与营业收入之比）和研发人员投人（Innovemp，研发人员数量的对数值）两个分项指标。回归结果分别见表7列（1）与列（3）。可以看出，重污染企业数智化的系数估计值分别在 10% 和 1% 的水平下显著为正，这表明重污染企业数智化可以显著提升其研发资金投人和研发人员投人。主要原因如下：第一，数智化技术可以通过业务流程自动化与精细化提升生产效率，促进生产资源高效利用，使得重污染企业能够将释放的资源重新配置到技术研发和人才引进等战略领域。第二，数智化不仅为重污染企业技术创新和产品研发提供底层支撑，更通过数据要素的深度赋能驱动研发决策体系的系统升级，进而激发重污染企业持续加码研发投入的内生动力，并吸引高精尖研发人才集聚。
进一步，参考胡增玺和马述忠[28]的研究思路，单独检验机制变量与被解释变量之间的关系。研发资金投入和研发人员投入与企业绿色创新的回归结果分别如表7列（2）和列（4）所示。可以看出，研发资金投入和研发人员投入的系数估计值分别在 5% 和 1% 的水平下显著为正，这说明研发资金和人员投入的强化对绿色创新具有显著促进作用。首先，绿色创新活动的持续推进依赖高强度的资金投入与深厚的技术积累，数智化引致的资金流入为绿色创新基础研究和技术攻关提供了资金保障。其次，高素质研发团队规模扩张不仅可以直接提升研发活动的技术深度和广度，还能够通过产学研协同创新和跨部门合作加速绿色技术和知识共享，提升合作联盟的绿色创新效率，加速绿色创新从构想到产出的进程。综上，推论2得到验证。
表7研发投入的机制检验结果
（四）政府环境规制与公众环境关注的差异化作用为了探究政府环境规制（Goureg）和公众环境
关注（Pubcon）在重污染企业数智化赋能绿色创新中发挥的差异化作用，分别引入数智化与环境规制力度的交互项和数智化与环境关注度的交互项作为关键解释变量重新进行回归。其中，为缓解内生性问题，企业所面临的政府环境规制力度以Python提取的企业所处地级市政府工作报告中“环保”相关词汇词频之和的对数值表示[29]；企业所面临的公众环境关注度以企业所处地级市移动端“环境污染”的百度搜索指数衡量。回归结果分别如表8列（1）和列（2）所示。
表8政府环境规制与公众环境关注的差异化作用检验结果
由表8列（1）可以看出，数智化与政府环境规制力度交互项的系数估计值在 10% 的水平下显著为负，说明政府环境规制力度提升削弱了重污染企业数智化对其绿色创新的促进效应。这是因为，随着环境规制力度提升，重污染企业面临的减排压力加大，需要立即进行污染治理，这可能使得其倾向于向监管机构寻租或隐瞒排污事实[30-31]，直接挤占数智化释放的原本可用于绿色创新研发的资金和人力资源，削弱数智化的绿色创新潜力。而环境规制力度降低则会缓解重污染企业的即时减排压力，使得其拥有更大的自主性探索以数智化促进绿色创新的路径，更有效地整合内外部资源，制定更系统的数智化转型规划。
由表8列（2）可以看出，数智化与公众环境关注度交互项的系数估计值在 1% 的水平下显著为正，这说明公众环境关注度提升加强了重污染企业数智化对其绿色创新的促进效应。与具有一定强制性和惩罚性的环境规制不同，公众关注虽然也对重污染企业环保生产行为形成监督，但环境较为宽松，且有利于形成“环保需求拉动绿色创新”的良性激励。具体来说，重污染企业发展非常依赖环保声誉。公众环境关注度提升会通过社交媒体等渠道形成舆论压力，促使重污染企业加速推动数智化转型以赋能绿色创新，主动塑造低碳化企业形象维护市场声誉。同时，数智技术可以帮助重污染企业快速并精准捕捉消费者对绿色产品的搜索、购买与反馈信息，有利于指导其绿色研发方向，及时调整绿色创新策略和路径。至此，推论3得到验证。
（五）区分企业内部特征和行业外部环境的异质性分析
上述研究结果已证实重污染企业数智化可以有效推动其绿色创新。那么，这种推动作用是否会因企业内部特征不同而产生差异？此外，企业所处的行业环境是否会影响数智化绿色创新促进效果的发挥？为此，本文进一步从企业产权性质、企业生命周期、行业市场竞争和行业技术更迭层面探究不同情境下重污染企业数智化对其绿色创新的差异化影响。
1.企业内部特征异质性。第一，产权性质。首先将企业样本分为非国有企业和国有企业两类。回归结果分别见表9列（1）和列（2）。可以看出，与非国有重污染企业相比，国有重污染企业数智化的绿色创新促进效果更明显。国有企业通常服务于国家战略，更容易获得专项资金和绿色信贷等政策支持，且在数据资源获取和产学研合作等方面具有优势，可以有效缓解数智化在推动绿色创新过程中的潜在风险，更快实现数智化和绿色化的深度融合。
第二，生命周期。参考刘诗源等[32]对企业生命周期进行划分的现金流模式法，将样本分为成长期企业、成熟期企业和衰退期企业三类，回归结果分别见表9列（3）一（5）。可以发现，重污染企业数智化对其绿色创新的促进效应对于成长期和成熟期的重污染企业更为显著，且对成熟期重污染企业的促进效果更明显。成长期企业处于快速扩张阶段，现金流相对充裕，倾向于通过技术创新建立市场壁垒：数智技术应用与其增长需求高度契合，可以显著赋能绿色技术等创新研发。与成长期企业相比，成熟期重污染企业拥有更稳定的财务资源和规范的管理体系，可以将数智技术深度嵌入能耗监控等生产流程，为绿色研发提供数据和技术基础，显著促进绿色创新产出。而衰退期企业面临市场份额萎缩和筹资困难等困境，难以支撑数智化改造的持续投入；同时，衰退期重污染企业组织惯性较强，倾向于沿用传统生产模式，较难适应数智化带来的流程重构，导致数智化的绿色创新推动力不足。
表9企业内部特征异质性检验结果
2.行业外部环境异质性。第一，市场竞争程度。本文以勒纳指数衡量企业面临的市场竞争程度。勒纳指数通过企业价格与边际成本的偏离程度衡量其垄断势力，指数越高表明垄断势力越强、市场竞争程度越低。因此，本文首先测算勒纳指数，并将低于指数中位数的企业作为高市场竞争样本，高于指数中位数的企业作为低市场竞争样本。表10列（1）和列（2）分别为高市场竞争和低市场竞争下重污染企业数智化对其绿色创新的影响估计结果。可以看出，数智化的绿色创新促进效应仅对处于高市场竞争环境的重污染企业显著。这是因为勒纳指数低意味着企业垄断势力弱、处于高市场竞争环境中，其定价能力弱、利润空间有限，需要通过差异化产品维持市场份额，促使其通过数智化精准捕捉消费者绿色偏好信号，并将信号转化为绿色创新方向。
第二，技术更迭速度。参考沈坤荣等[33]对技术快速变化行业的定义，将行业代码为C38、C39和C40的企业样本视为技术更迭速度快的企业将其他样本视为技术更迭速度慢的企业。回归结果分别见表10列（3）和列（4）。可以看出，对于技术更迭速度慢的重污染企业，数智化对其绿色创新的促进效应显著。可能的原因在于，技术更迭慢的行业生产技术路线相对稳定，企业更易通过数智技术实现绿色创新资源的聚焦配置，而技术快速迭代的行业面临技术颠覆风险高和生产线频繁更新双重挑战，使得数智化资源分散配置于多领域，绿色创新研发较难聚焦。
表10行业外部环境异质性检验结果
六、结论和政策建议
本文构建Hotelling模型，分析重污染企业数智化对其绿色创新的影响和作用机制，并采用2012—2022年A股上市公司数据对理论模型的推论进行实证检验。研究发现：第一，重污染企业数智化可以提升其绿色创新水平，且主要通过成本缩减效应与资金和人员双重研发投人强化效应发挥作用。第二，政府环境规制和公众环境关注在数智化推动重污染企业绿色创新中发挥不同作用，政府环境规制力度提升会抑制重污染企业数智化的绿色创新促进效果，而公众环境关注度提升则会增强数智化的绿色创新促进效果。第三，重污染企业数智化的绿色创新促进效应在国有企业、成熟期企业、处于高市场竞争环境和技术更迭较慢行业的企业中更为明显。根据上述结论，笔者提出以下三点政策建议。
第一，加强财政金融等政策支持，完善重污染企业数智化激励机制。一是财政奖补。地方政府可设立企业数智化专项奖补金，对重污染企业按数智化实际投入给予一定比例补贴，对数智化示范企业、数智化技术应用典型场景和成效显著的数智化服务商等，给予适当额度资金奖励。二是税收优惠。对企业购置用于数智化的设备、软件等，给予一定比例的税收抵免。加大企业数智化相关研发费用的加计扣除比例，对数智化过程中涉及的技术研发、转让等业务减免增值税。三是金融赋能。推动金融机构开发数智化专项贷等产品，为企业提供中长期低息贷款。政府可通过贴息补助、创新专项担保机制等途径，降低数智化企业融资成本和金融机构风险敞口。四是其他层面。对企业引进的数智化高层次人才，给予住房、落户、子女教育等方面的优惠政策。
第二，实施动态化与差异化环境规制，引导公众积极参与企业环境治理监督。一是避免环境规制“一刀切”。政府应采用柔性环境规制模式，可在短期内对处于数智化转型期的重污染企业适当放宽污染排放标准，使其可以选择适合自身技术基础和经营情况的减排路径，避免因为规制强度过大抑制企业数智化意愿和创新活力。二是完善重污染企业信息披露机制。鼓励重污染企业定期公开数智技术应用和绿色创新成果数据，通过建立信息共享和公众监督平台等赋予公众环境知情权与监督权，将公众绿色关注转化为实质性治理效果。三是健全绿证市场认证体系。改善绿色产品认证标准不统一的局面，推动国际绿证互认落地。建立强制与自愿绿色消费结合机制，明确强制消费范围，发挥市场激励与标杆引领作用，鼓励公众选择绿色产品，形成“需求牵引供给”的绿色创新激励机制。
第三，实施分类扶持与引导政策，更好发挥数智化对绿色创新的驱动效应。一是适当加大对成长期和成熟期重污染企业的政策偏向，对积极进行数智化的这两类重污染企业进行重点扶持，推动其不断深化数智技术应用，持续提升绿色创新产出。二是优化市场竞争环境。不断完善反垄断制度规则，保障各类主体公平竞争，激励重污染企业通过数智化推动绿色创新研发与环保产品产出。三是对于技术更迭速度较快的重污染行业，政府应鼓励行业内龙头企业牵头组建数智化联盟，推动数智技术溢出与扩散，降低行业内企业重复研发成本；同时，鼓励科研院所积极与重污染企业构建产学研同盟，激活数智化赋能绿色创新的潜能。
注释：
① 中华人民共和国生态环境部：《生态环境部公布第二十一批生态环境执法典型案例（非法转移倾倒固体废物领域）》，https：//www. mee.gov. cn/ywgz/sthjzf/zfzdyxzcf/202411/t20241119_1095678.shtml，2024年11月19日；《生态环境部公布第十八批生态环境执法典型案例（打击第三方环保服务机构弄虚作假领域）》，https：//www.mee.gov.cn/ywgz/sthjzf/zfzdyxzcf/202408/t20240808_1083614. sht-
年8月8日。
② 在此背景下，可以将重污染企业A和B的产品价格设定为 p 。
③ 前文研究背景分析表明，重污染企业创新高度依赖于研发投入。为简化分析，假设重污染企业A和B的创新产出与研发投入比分别为 α 和1。
④ 对于重污染企业 A 来说，绿色创新产出为 αIAρA ，基础创新产出为 aIA（1-ρA） 。消费者感知到重污染企业A产品质量为 αIA（1-ρA）+θαIAρA=αIA（1-ρA+θρA） 。同理，消费者捕捉到重污染企业B的产品质量为 IB（1-ρB+θρB） 0
⑤ 此种做法也可以排除仅在年报中提及数智化但无相关资产投入或技术应用的企业，即可能并未进行实质性数智化的企业。
⑥ C38（电气机械及器材制造业）、C39（计算机、通信和其他电子设备制造业）、C40（仪器仪表制造业）。
参考文献：
[1]中共中央国务院关于加快经济社会发展全面绿色转型的意见［M].北京：人民出版社，2024：14.
[2]习近平主持召开全面推动黄河流域生态保护和高质量发展座谈会强调以进一步全面深化改革为动力开创黄河流域生态保护和高质量发展新局面[N].人民日报，2024-09-13.
[3]李强.政府工作报告——2025年3月5日在第十四届全国人民代表大会第三次会议上[J].中华人民共和国国务院公报，2025（9）：4-17.
[4]刘金科，蔡振霄.财税政策促进绿色技术创新的理论建构、范式比较与优化路径[J].南开经济研究，2025（6） ：21-40.
[5]WANG A L， SI L L，HU S. Can the penalty mechanismof mandatory environmental regulations promote green in-novation？Evidence from China's enterprise data[J].En-ergy Economics，2023，125：106856.
[6]马平平，张明，王龙可.公众环境关注与企业绿色转型：政府环境规制与企业内部能力的双重审视[J].中国人口·资源与环境，2024（6）：112-123.
[7]ZHAO X F，LI S J. Artificial intelligence and public en-vironmental concern： Impacts on green inovation trans-formation in energy-intensive enterprises[J]. EnergyPolicy，2025，198：114469.
[8]王腊芳，袁甜，谢锐.环境违法违规行为与债务融资成本［J].管理科学学报，2023（4）：193-208.
[9]JAFFE A，NEWELL R G， STAVINSR N. A tale of twomarket failures：Technology and environmental policy[J].Ecological Economics，2005，54（2-3）：164-174.
[10]LI J，HAN X， ZHANG T，et al.Digital intelligence andsynergy of pollution reduction and carbon reduction：" Dividend"or "gap"？[J]. Chinese Journal of Popula-tion，Resources and Environment，2024，22（4） ：389-398.
[11]SONG Y，ZHANG Y， ZHANG Z，et al. Artificial intel-ligence，digital finance，and green innovation[J]. Glob-al Finance Journal，2025，64：101072.
[12]杨仁发，杨梅君.数字化转型的持续性创新效应研究[J].数量经济技术经济研究，2025（2）：109-129.
[13]ACEMOGLU D，RESTREPO P. Robots and jobs：evi-dence fromUS labor markets[J]. Journal of Political E-conomy，2017，128（6） ：2188-2244.
[14]李海舰，李凌霄.加快发展新质生产力：利用数智技术推讲企业深度转刑[I]经济学动态 204（11）.3-10
[15]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（7）：114-129.
[16]郑世林，汉馨语，郭锡栋，等.国家战略科技力量与企业关键核心技术突破——来自国家和省级重点实验室的证据[J].中国工业经济，2024（9）：62-80.
[17]CAI WG，YE P Y. How does environmental regulationinfluence enterprises‘total factor productivity？ a quasi-natural experiment based on China's new environmentalprotection law[J]. Journal of Cleaner Production，2020，276：124105.
[18]王俊豪，谢倩莹，史丹.绿色技术创新对能源效率的影响研究［J].财贸经济，2024（6）：143-159.
[19]黎文靖，郑曼妮.实质性创新还是策略性创新？宏观产业政策对微观企业创新的影响［J].经济研究，2016（4） ：60-73.
[20]LIU Y，SONG P. Research on the influence of firm dig-ital inteligence transformation and management innova-tion on performance and sustainable development：Em-pirical evidence from China[J].Sustainability，2024，16（17） ：7578.
[21]张秀娥，王卫，于泳波.数智化转型对企业新质生产力的影响研究[J].科学学研究，2025（5）：943-954.
[22]郭家琛，赵景峰，刘珊，等.数智化转型平抑了制造企业供应链风险吗？——基于供需关系的视角［J].经济评论，2025（1）：70-86.
[23]CAO B，LI L，ZHANG K，et al. The influence of digit-al intelligence transformation on carbon emission reduc-tioninmanufacturingfirms[J].Journal ofEnvironmentalManagement，2024，367：121987.
[24]张永坤，李小波，邢铭强.企业数字化转型与审计定价[J].审计研究，2021（3）：62-71.
[25]杨彦欣，高敏雪.企业数字化转型：概念内涵、统计测度技术路线和改进思路[J].统计研究，2024（3）：62-73.
[26]王永钦，董雯.机器人的兴起如何影响中国劳动力市场？—来自制造业上市公司的证据［J].经济研究，2020（10）：159-175.
[27]张誉夫，谢建国.人工智能应用如何赋能企业供应链嵌入？——基于共享商业关联的网络结构视角［J].财经研究，2025（1）：63-77.
[28]胡增玺，马述忠.市场一体化对企业数字创新的影响——兼论数字创新衡量方法［J].经济研究，2023（6） ：155-172.
[29]程娜，桑一铭，李博文.“双碳”目标下中国“碳解锁”发展研究[J].改革，2023（12）：151-162.
阶段博弈分析［J].产业经济评论，2011（2）：131-140.
[31]寇坡，韩颖，石俊国，等.环境监测中第三方监测机构策略选择与行为演化研究［J].管理工程学报，2024（1）：228-241.
[32]刘诗源，林志帆，冷志鹏.税收激励提高企业创新水平
了吗？——基于企业生命周期理论的检验[J].经济研究，2020（6）：105-121.[33]沈坤荣，林剑威，傅元海.网络基础设施建设、信息可得性与企业创新边界[J].中国工业经济，2023（1）：57-75.
责任编辑：艾岚
Researchonthe ImpactofDigital IntelligenceonGreen Innovationof Heavy Polluting Enterprises
Based on the Perspective of "Tripartite Co -Governance" among Government，Publicand Enterprises
Zou Yang，Xu Jingwen
（SchoolofEconomics，NankaiUniversity，Tianjin3OoO71，China）
Abstract;Empoweringhavypolltingenterpriseswithdigitaliteligencetechnologyforgreeninovationisanimportantayto simultaneouslyachievehigh-qualityeconomicdevelopmentandthegoalofcarbonpeakandcarbonneutrality.Inthispaper，we constructaHotellingmodeltoanalyzetheimpactandmechanismofdigitalintellgenceofhavypolltingenterprisesongreeninnovationunderthedualenvironmentalprotectionpressrefromthegovermentandthepublic，andusethedataofA-sharelisted companiesinO12-2O22toempiicalltesttheinferenceoftetheoreticalmodel.Wefindthatdigitaliteligenceofeavypoutingnterprisescanimprovethegreeinnovationlevel，whichmainlyworksthroughcostreductionefectandthedualehancementeffectof R&Dinvestmentincapitalandpersonnel.Underthegovernanceframeworkof"tripartitecogoverance"of goverment，publicandeterprises，theincreaseinthintensityofovementenvironmentalrgulationwillweakenthepromotingeffect ofdigitalintellgenceonthereeinnovationofheavypolutingenterprises，whileteimprovementofpublicenvironmentalatten tionwillehancethpromotingefectTegreeinnovationpromotioneffctofdigitalintellgenceisorepronouncedinstate ownedenterprises，matureenterprises，enterprisesunderhigh-competitiveenvironmentsandenterprises inindustrieswithslow technological change.
Keywords：heavypolluting enterprises；digital intelligence；greeninovation；tripartiteco-governance；Hotelligmodel
