新质生产力、供应链深度数字化与企业碳绩效

摘要 该研究聚焦关键数字技术引领的新质生产力，基于2008—2022年上市公司和供业链中小企业的匹配数据，采用5G试点政策的准自然实验方法，实证检验了5G试点政策对企业碳绩效的影响，并从供应链深度数字化的新视角展开多角度的机制分析。实证结果显示：①有别于一般数字技术创新，关键数字技术引领的新质生产力发展，对企业自身碳绩效提升具有更强效能，且通过了交错DID、工具变量和机器学习模型等一系列的稳健性检验，但对整个供应链未发现有显著的总量碳减排效应，对供应链上企业的碳绩效提升效应也暂不明显。②供应链深度数字化的机制分析表明，关键数字技术引领的新质生产力发展，对供应链数字化的影响更显著。一方面，企业自身生产的深度数字化使得能源利用率更高；另一方面，供应链深度数字化对提高供应链效率、优化供需匹配、稳定供需关系、增加供应商创新等方面的影响更显著。③数字供应链金融的机制分析表明，有别于一般数字技术创新作用的不显著，数字供应链金融的发展在改善供应链信息不对称、缓解融资约束方面发挥了显著的正面作用。基于此，在新质生产力的建设中，应着力加强关键数字技术的研发和应用，推动供应链的深度数字化转型升级和数字供应链金融的发展，探索数字供应链金融的“脱核”模式，助力“双碳”目标的实现。

关键词 关键数字技术；碳绩效；供应链深度数字化；数字供应链金融；信息不对称

中图分类号 F062；1；F274 文献标志码 A 文章编号 1002-2104（2024）10-0080-14 DOI：10. 12062/cpre. 20240728

新质生产力是创新起主导作用，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态［1］，核心产业支撑是数字经济［2］。新质生产力通过技术革命性突破、生产要素创新性配置和产业深度转型升级驱动企业的绿色低碳转型、提升企业碳绩效，助力“双碳”目标的实现［3］。关键数字技术包括人工智能、高端芯片、量子信息、物联网、区块链、工业互联网和元宇宙等7类［4］，属于战略前沿技术，符合新质生产力的技术革命性突破与产业转型升级的特征，在生产要素创新性配置、产业深度转型升级中具有关键性作用。因此，延续数字经济、数字金融对碳排放的相关研究［5-9］，本研究以关键数字技术代表新质生产力，从供应链深度数字化的新视角探讨其对企业碳绩效提升的影响：①有别于一般数字技术对碳排放的影响［10］，首次研究关键数字技术为代表的新质生产力对企业碳绩效提升的影响。②有别于一般数字技术的供应链数字化［11-12］，首次研究关键数字技术对供应链深度数字化的影响机制。③关键数字技术催生了数字供应链金融的新业态，区别于供应链金融［13］，首次研究数字供应链金融对供应链上、下游中小企业融资约束的“脱核”（不依赖核心企业进行授信）作用。

1 文献综述

与本研究密切相关的已有研究可总结为以下4类。

一是新质生产力的测度以及新质生产力与碳绩效。现有文献中有关新质生产力的测度以及新质生产力与碳绩效研究的相对较少。①新质生产力的测算。由于数字经济是新质生产力的核心产业之一［2］，因此新质生产力的测算最初是直接以数字经济的增加值构建数字经济发展指数［14］，依据是2021年5月国家统计局公布的《数字经济及其核心产业统计分类（2021）》，以其匹配上市公司数据进而获得上市公司的专利数据。Feng等［15］则综合了社会再生产过程中的生产、分配、交换、消费环节的33个指标进行了全面而系统的测算，韩文龙等［16］进一步对新质生产力的测算及其对经济增长的作用进行了探讨。上述测算多聚焦在城市层面，颗粒度较粗，且指标体系的内生性较强，存在一定的局限性。《关键数字技术专利分类体系（2023）》的颁布使关键数字技术不仅具有官方分类指引的权威性，还具备了微观企业级的细颗粒度，为新质生产力的测算提供了新的规范和标准。②当前文献多侧重于探讨数字经济和数字技术对碳排放或碳绩效的影响。数字经济作为中国经济高质量发展的新动力，被认为具有较大的潜力能够帮助实现“双碳”目标［17-18］，相关研究主要集中在数字技术创新有利于促进能源利用效率提升［9，19］、产业结构优化［20］、全要素生产率提升［21］、绿色创新发展［22］等方面。上述文献中虽有部分内容提及关键数字技术对碳绩效的影响，但未与一般数字技术作明确的区分，鲜有文献从关键数字技术专利的视角探讨新质生产力的碳绩效效应。

二是供应链深度数字化的效应。新质生产力的重要特征是促进产业的深度转型升级。中国的数字技术和数字经济是以传统的互联网信息技术为基础，在物联网、云计算、人工智能等关键数字技术的推动下，从实验室走向了商业实践，逐步成为现代产业链和供应链的重要组成部分。这些技术通过集成和分析来自产业链供应链各环节的大量数据，显著提高了决策的精准性和运营效率［23］。已有研究表明，企业的数字化转型不仅可以提升自身的生产率，还能够对关联企业甚至产业链的生产效率产生溢出效应［24］。然而，探讨以关键数字技术代表的新质生产力，研究其深耕产业链供应链能否给企业碳绩效提升带来更显著影响的文献还较少。

三是数字供应链金融的效应。在考察以关键数字技术为代表的新质生产力时，还需要从生产要素创新性配置的角度进行分析。已有研究表明，金融是经济配置资源的核心［25］，而数字供应链金融则是关键数字技术应用于产业链供应链的最新实践形式。随着区块链和工业互联网等关键数字技术的兴起，数字供应链金融逐渐成为推动产业链供应链优化的新业态。然而，已有研究主要关注数字金融如何通过提供新的信用评估与融资渠道，为中小企业提供资金流动性支持、减轻融资压力［26-27］，对数字金融与供应链金融如何融合形成新业态，特别是数字供应链金融如何通过提升透明度和可信度来缓解融资约束，以及如何通过促进企业对绿色技术的投资进而提升绩效的研究较为匮乏。本研究选择数字供应链金融作为变量，正是基于其能够深度嵌入供应链并在企业碳绩效提升中发挥重要作用，符合当前生产要素创新性配置的研究需求，旨在填补现有研究的空白。

四是强化企业承担社会环境责任的效应。上述供应链深度数字化和数字供应链金融对企业碳绩效的影响，其中的一部分影响将体现在企业决策、生产和经营行为的改变上。关键数字技术不仅深化了供应链数字化，还通过数字供应链金融传导至企业行为的调整，从而促进企业履行社会环境责任。已有研究表明，融资约束是影响企业履行社会环境责任的重要因素［28］，但关于关键数字技术应用带来的数字供应链金融如何影响企业履行社会环境责任的相关研究还较少。此外，企业内部控制或治理结构是企业社会环境治理的重要组成部分［29］，关键数字技术可能通过提升供应链透明度、降低交易成本等方式，促进企业的治理水平和环境绩效的提升，但已有研究中有关供应链深度数字化对企业履行社会与环境责任的研究仍相对较少。

综上所述，现有文献主要从一般数字技术、数字经济角度探讨其对碳排放和碳绩效的影响，从关键数字技术视角深入分析新质生产力对企业碳绩效影响的相关研究较少，关于供应链深度数字化和数字供应链金融的中介效应研究也相对较少。因此，本研究从供应链深度数字化和数字供应链金融两方面探讨关键数字技术对碳绩效的影响，旨在揭示关键数字技术作为新质生产力与一般数字技术不同的影响机制。

2 理论机制分析

根据前文所述，从供应链的深度数字化和数字供应链金融两方面入手，分析关键数字技术代表的新质生产力对企业碳绩效的影响机理，并提出对应的假说。

2. 1 供应链深度数字化的效应

有别于一般数字技术创新，关键数字技术深耕供应链数字化的机制包括深耕自身生产过程的数字化以及供应链的深度数字化两个部分。

2. 1. 1 深耕自身生产过程的数字化

深耕企业自身生产过程的数字化的逻辑为关键数字技术→深耕生产数字化→能源利用率更高→提升企业碳绩效的边际效应更强。供应链的深度数字化则是供应链上的企业利用关键数字技术改造和升级传统的生产模式，以达到提高能源效率和减少资源浪费的目的。

（1）深耕企业自身生产过程的数字化带来生产过程的智能化、能源管理的流程优化、生产的柔性化等方面的新变化［30-31］。首先，企业通过更高精度的大数据分析、实时监控和智能决策支持，推动生产过程中能源利用效率的提升。其次，生产过程的智能化，即通过引入智能制造系统，使企业能够在生产过程中实现柔性生产。最后，优化能源管理，即企业利用云计算和物联网技术构建集成的能源管理系统，跨越多个生产单位、突破地理位置的限制，对能源使用情况进行监控优化。从而实现能源跨时间、跨空间的优化配置，降低整个生产过程中的能源消耗。

（2）一般数字技术创新偏重传统的计算机和互联网信息技术，在简化流程、信息“脱媒”等方面发挥重要作用，但对生产过程智能化的提升较小，一般数字技术对碳排放总量减排效应的实现尚存在一定难度。另外，部分关键数字技术，如工业互联网、5G、区块链等仍处于相对早期的发展应用阶段，即使关键数字技术能提升单位产出的生产效率，碳排放总量的减少也可能因为生产总量的增长而被抵消，部分新型业态产品和服务需求的增加可能反而导致能源消耗和碳排放总量的增加。基于此，提出假说1和第一机制的子假说2.1。

H1：有别于一般数字技术创新，关键数字技术提升企业碳绩效的边际效应更显著，而供应链的总量碳减排效应和溢出效应则难以实现。

H2.1：关键数字技术通过深耕企业自身生产过程的数字化，使企业对能源利用效率的提升作用更强，进而使企业碳绩效的表现更佳。

2. 1. 2 供应链的深度数字化

供应链深度数字化的逻辑链可归纳为关键数字技术→供应链深度数字化（包括提高供应链效率、优化供需匹配、稳定供需关系、增加供应商创新）→企业碳绩效的提升，对企业自身碳绩效的提升效果更明显。关键数字技术通过供应链深度数字化对供应链上、下游企业产生显著影响，这将反过来助益企业自身碳绩效的提升。

（1）提高供应链效率。提高供应链效率是供应链深度数字化中主要的中介效应。通过关键数字技术的创新应用，如中心性算法、图技术等现代供应链管理技术，企业能够实现供应链百亿级节点、千亿级边（关系）的实时监控与协调，降低运营成本，提升整体响应速度，从而提升供应链的效率。

（2）优化供需匹配。优化供需匹配可以让企业利用关键数字技术提高供应链的响应速度和灵活性，从而更好地匹配市场供需变化。通过优化供需匹配，企业能够减少资源浪费，提高生产效率，进而对碳绩效产生积极影响。

（3）稳定供需关系。稳定供需关系可以增强供应链的韧性和稳定性，从而应对市场波动和外部冲击。在当前快速变化的市场环境中，稳定的供需关系对于企业持续运营和碳绩效至关重要。

（4）增加供应商创新。增加供应商创新通过关键数字技术的应用来激发和促进上游供应商的创新活动，进而提升供应链的整体效率和碳绩效。

综上，提出第一机制的假说2及其子假说2.2。

H2：关键数字技术通过供应链的深度数字化使企业碳绩效的表现更好。

H2.2：关键数字技术通过供应链的深度数字化，包括提高供应链效率、优化供需匹配、稳定供需关系、增加供应商创新等4个方面，对企业碳绩效产生更显著的提升作用。

2. 2 深耕数字供应链金融的效应

传统的供应链金融长期存在着“不可能三角”，即存在覆盖率、服务深度与便利性难以兼顾的困境。而且，其过度围绕着核心企业，以应收账款、预付款和存货等流动资产进行质押的方式开展。数字供应链金融的发展则有助于将海量的资金流、物流和信息流进行整合，通过关键数字技术进行信用评估，可以仅依赖信用进行授信。总的来说，深耕数字供应链金融的机制表现为关键数字技术→改善供应链信息不对称→缓解产业链融资约束→提升企业碳绩效，对企业自身碳绩效的提升效果更明显。

深耕数字供应链金融主要通过以下两个方面影响企业碳绩效：①改善供应链信息不对称。在传统的供应链金融模式中，由于信息传递的限制和不透明，中小企业往往面临较大的融资障碍和信用评估困难。随着关键数字技术的发展，供应链上企业的信息不对称问题可以得到有效缓解。②缓解供应链融资约束。通过改善供应链信息不对称，数字供应链金融能够通过智能风控和远程授信为供应链上的上、下游企业提供贷款，从而有效缓解其融资约束。综上，提出第二机制的假说3。

H3：关键数字技术通过深耕数字供应链金融，有助于改善供应链的信息不对称，缓解其融资约束，产生供应链的“脱核”作用，进而对企业碳绩效产生更明显提升作用。

2. 3 强化企业承担社会环境责任

供应链深度数字化和深耕数字供应链金融还会或部分会影响整个供应链上企业行为的改变，主要包括以下两个方面：①强化供业链企业的社会责任（CSR）。通过缓解供业链企业的融资约束，供应链上的企业能够有更充裕的资金追加绿色投资。通过深耕数字供应链金融，企业能够更准确地评估潜在的回报和风险，从而促使供业链上的企业主动承担社会责任。②加强供应链上的企业环境和社会治理（ESG）实践。通过深耕数字供应链金融，企业可以有更充裕的资金直接支持ESG实践。深耕供应链数字化也有助于供应链上企业的运营遵守环境和社会责任规范。

基于此，提出第三机制的假说4。

H4：供应链深度数字化和数字供应链金融有助于改善供应链管理，增加供应链上企业的绿色投资，强化企业的社会责任，加强社会环境实践，进而进一步提升企业的碳绩效。

本研究的理论机制路径如图1所示。

3 数据变量和研究设计

3. 1 变量说明

3. 1. 1 被解释变量

被解释变量为企业碳绩效（cp）。改进邓慧慧等［32］的做法，采用营业收入与营业成本和碳排放量乘积的比值来衡量碳绩效，即企业经营收入 /（ 碳排放量 × 企业经营成本）。其中，借鉴并改进王浩等［33］的方法测算碳排放量，通过下述指标加总计算：①燃烧和能源燃料排放，包括化石、生物质燃料、原料开采、石油和天然气系统、电力调入调出；②生产过程排放；③固体废弃物焚烧排放、污水处理导致的排放；④土地利用方式转变的排放。

3. 1. 2 解释变量

核心解释变量为关键数字技术（kdp）。kdp_a 为关键数字技术专利申请量，参考Feng 等［15］的方法，基于国际专利分类（International patent classification，IPC）从企业的一般专利中识别、爬取并汇总关键数字技术专利，IPC参照关系表是国家知识产权局在2023年9月25日发布的《关键数字技术专利分类体系（2023）》。具体来讲，在获取企业关键数字技术专利申请量时，将专利的原始申请人设为企业全称，申请日设置为特定年份的1月1日到12月31日，IPC分类号设置为关键数字专利所涉及的全部IPC分类号。kdp_g 为关键数字技术专利授予量，获取方法同关键数字技术专利申请量，仅需要将申请日调整为授权日。需要说明的是，在获取发明专利申请量或授予量时，要将检索框左侧的授权发明、实用新型和外观设计复选框去掉。dp_a 为一般数字技术创新申请量，是所有数字技术专利申请数，根据国家知识产权局发布的《数字经济核心产业分类与国际专利分类》与国家知识产权局中的企业专利数据库进行匹配获得。

3. 1. 3 中介变量

中介变量为供应链深度数字化和数字供应链金融，数字供应链金融是供应链深度数字化带来的金融创新和生产要素的创新性配置手段。①供应链深度数字化的论证包括假说H2.1的企业自身生产数字化和假说H2.2的供应链上企业的数字化两个方面。企业自身生产数字化主要应用关键数字技术创新（kdp_a）与一般数字技术创新（dp_a）进行比较分析。供应链上企业的数字化参考Olden 等［34］的做法，运用供应链数字化示范试点政策的DID虚拟变量（digita）和数字技术创新是否为关键数字技术创新（kdp_a）进行交互效应的对比分析，进而从提高供应链效率、优化供需匹配、稳定供需关系和增加供应商创新4个维度分析。供应链效率的指标用上游供应商企业的库存调整幅度来衡量供应链的响应效率（sce）。参考陶锋等［11］、杨志强等［35］的做法，优化供需匹配（match）指标基于供需波动偏离度进行衡量，稳定供需关系（relat）由上游企业与客户关系的持续时间来衡量，增加供应商创新则由上游供应商企业的发明专利申请量（innov）来衡量。②数字供应链金融的论证。参考鞠晓生等［36］、解维敏等［37］的做法，构造KZ指数，分析公司投资和资本结构的关系，衡量融资约束程度。同时，构建SA指数，从公司的内在信息不对称程度衡量公司受到的融资约束程度。进一步借鉴张学勇等［38］的做法，以公司个股的交易数据构造了3个关键的股票流动性指标：流动性比率指标、非流动性比率指标以及收益率反转指标。对这些流动性指标进行主成分分析，可以构建出代表资金供给方和企业之间信息不对称的综合指标（asy）。其中，流动性比率指标考虑了股票的交易量和价格变动，反映市场中股票买卖的容易程度。高流动性通常意味着在不影响股票价格的情况下，交易者可以迅速买入或卖出大量股票。非流动性比率指标则关注市场交易的摩擦和限制，如买卖差价和交易成本，这些因素可能导致非知情交易者在交易中受到不利影响。收益率反转指标则是基于市场的短期价格波动，这种波动往往出现在知情交易发生后的价格调整。收益率的这种短期反转可以被视为市场参与者对公司信息公开后的反应，从而揭示了信息不对称的存在。

3. 1. 4 控制变量

控制变量（Controls）。借鉴王元彬等［5］、黄勃等［8］的处理方法，控制变量包括影响碳排放的诸多企业行为特因素：企业年限（ln age，取对数值）、营业收入增长率（growth）、财务杠杆（lev，总负债与总资产之比）、企业规模（ln size，员工人数取对数）、盈利能力（return，净利润 / 营业收入）、流动性（liq，流动资产 / 总资产）、现金流量（cashf，经营活动产生现金流量净额 / 总资产）、董事会规模（ln board，董事人数取对数）、创新能力（patent，专利申请数加1的自然对数）、 研发投入（rdinv，研发支出 / 营业收入）、企业性质（soe，国有企业赋值1，其他为0）。

3. 2 数据样本

初始数据集为2008—2022年所有A股上市公司，数据来自国泰安（CSMAR）数据库，包括企业基本和财务信息等指标。企业碳排放量是通过上市公司披露的相关指标进行计算获得。上市公司专利指标来自智慧芽全球专利检索数据库，计算核心解释变量关键数字技术专利数量的相关变量。上述数据合并后获得企业的年度基础数据集一，共计24 592个观测值。

为研究供应链数字化、融资约束等供应链的影响，构建上游供应商-标的企业-下游客户的年度样本。参考陶锋等［11］的做法，将上市公司的标的企业与其上游供应商和下游客户数据进行匹配，得到上游供应商-标的企业-下游客户的12 378个观测样本。再将其与企业的年度基础数据集一合并，得到上游供应商-标的企业-下游客户的年度供应链数据集二，共18 645个样本。

上述数据处理时，虽然匹配了上下游数据，存在一对多现象，但总体样本量减少的原因是供应链企业中存在许多非上市的中小企业。因此，通过天眼查抓取了64 794条项目级融资信息，构建当年是否获得融资的企业级虚拟变量，进一步对供应链上的中小企业进行匹配，得到11 461条上游供应商-标的企业-下游客户的年度非上市企业样本，作为年度供应链数据集三，用以衡量关键数字技术对供应链上的中小企业融资约束的影响。

3. 3 研究设计

首先，运用经典线性回归模型检验关键数字技术对企业碳绩效的影响。具体来说，针对内生性的问题，运用双向固定效应模型检验基本结果，采用工具变量法缓解内生性担忧、探索渐进一致的估计作稳健性检验。稳健性检验还包括进一步运用交错DID模型的准自然实验的方法，详见后文。双向固定效应模型如下：

其次，参考江艇［39］的做法，采用中间机制检验模型等方法进行检验和论证。

最后，参考王元彬等［5］的做法，基于基础数据集一，采用机器学习-随机森林模型计算关键数字技术对碳绩效的动态影响。

4 实证结果与分析

4. 1 描述性统计

首先，将关键数字技术专利数量、企业碳绩效指标和上市公司初始数据集进行匹配。其次，参考黄勃等［8］的处理方法对初始样本进行了如下处理：剔除ST类公司样本；剔除金融行业公司；剔除信息传输；软件和信息技术服务业公司；剔除IPO未满一年的公司样本；剔除总资产小于总负债的样本。最后，为了减轻极端值的影响，对主要变量进行了1%的缩尾处理。经过处理后，得到公司-年度的样本观测值共计24 592个，上游供应商-目标公司-下游客户的年度数据集二的观测值共计18 402个。表1展示了基础数据集一主要变量的统计特征。

4. 2 基准模型结果

应用双向固定效应模型论证假说H1，结果见表2。列（1）展示了模型（1）的结果，在控制了企业特征变量，企业、地区和时间固定效应后，关键数字技术专利申请量（kdp_a）代表的新质生产力每提高1个标准差，企业碳绩效将显著增加3. 85%个标准差。进一步替换核心解释变量为关键数字技术专利授权量（kdp_g），作初步的稳健性检验，结果见列（2），核心解释变量的系数更大，说明用企业获得授权的有效专利数衡量其关键数字技术时，关键数字技术对企业碳绩效提升的作用更显著。列（3）展示了一般数字技术（dp_a）影响企业碳绩效的结果，其系数虽然显著，但是比关键数字技术的系数要小，说明关键数字技术对企业碳绩效的正面影响边际效应更强，假说H1初步得证。此外，列（4）展示了替换被解释变量为碳排放量的回归结果，发现关键数字技术对企业碳排放并未产生显著影响，说明关键数字技术的创新重在提高碳利用效率而不是减少碳排放总量。最后，列（5）汇报了应用上游供应商-标的企业-下游客户的年度产业链数据集二的结果，发现对整个供应链的碳绩效提升并无显著影响，这说明关键数字技术对整个供应链的溢出作用尚不明显。

4. 3 稳健性检验

关键数字技术与一般数字技术的信息有一定重合，对企业碳绩效的影响可能会产生遗漏变量的内生性问题。此外，关键数字技术包含7个专利类别，是一个综合信息集，这容易高估其对碳绩效的影响。因此，一方面采用外生政策冲击造成的准自然实验有效缓解内生性问题，另一方面进一步运用工具变量法进行渐近一致的估计。

4. 3. 1 5G和国家级大数据综合试验区试点政策的准自然实验

5G作为下一代通信技术，为关键数字技术提供了必要的基础设施支持。5G的高速度、低延迟和广连接性能，使人工智能、物联网、工业互联网等技术得到更大范围、更高效率的应用。因为5G政策是由省或市级政府外力引入的，且其实施过程与企业内部决策相对独立，因此，5G政策的实施可以视作一项准自然实验。

各省份以及地级市5G政策的相关信息来自北京大学法学院发布的北大法宝数据库。参照Beck 等［40］、郭桂霞等［41］的做法，交错DID的模型设定如下：

表3列（1）汇报了双重差分的结果。其系数虽然要比基准模型结果大许多，但这并不是关键数字技术的边际效果。而是说明，5G基础设施建设较好，从而关键数字技术更强的地区，其碳绩效的提升比其他地区更显著。

同理，国家级大数据综合试验区试点政策（以下简称大数据试点政策）对试点城市的大数据产业产生相对外生的推动作用。大数据是区块链和人工智能等新一代数字技术和金融科技的基础，是大数据分析的基础数据要素，对数据密集型的关键数字技术（如人工智能、区块链等）的发展具有重要意义。因此，借鉴邱子迅等［42］的做法，将交错DID项替换为大数据试点虚拟变量（bigdata），交错DID回归结果见表3的列（2），稳健性得到了进一步论证。

进一步进行平行趋势检验。回归模型如下：

图2横坐标以某地区5G政策开始实施为零点，以样本区间跨度为窗口期，k 的取值范围为［-9，5］，图2中的虚线表示95%的置信区间，同样采用了聚类到企业的稳健标准误。由图2（a）可知，处理组和控制组企业在5G政策实施前满足平行趋势假定，而在政策实施后，在实施5G政策的地区，政策效应从第3期开始表现显著。另外，各期虚拟变量系数与交错DID回归系数差别较大的原因是将政策实施前所有系数求和取平均值作为基准（y=0），以消除事前的系统性差异。图2（b）展示了大数据试点政策的处理组与控制组企业碳绩效差异的动态变化，政策实施前满足平行趋势假定，政策实施后，实施大数据试点政策地区的企业碳绩效显著高于控制组。

4. 3. 2 交错DID异质性处理效应检验

传统双向固定效应模型可能存在估计偏误。在本研究中，当政策渐进实施时，还存在某个地区出台多项政策的情形，表现为政策影响程度的异质性［43］。因此，采用转换效应（switching effect）法对前一小节交错DID可能存在的估计偏误问题进行修正［44］。参考郭桂霞等［41］的做法，5G和大数据试点政策的转换效应的动态变化分别如图3（a）、图3（b）所示，基期系数即为异质性稳健DID的估计系数，-5至-1期为在t-5至t-1时期实施安慰剂检验，通过了类似经典DID的平行趋势检验。

4. 3. 3 工具变量法

由于大数据试点政策由政府推动，具有外生性，而且只通过关键数字技术影响碳排放，符合工具变量选取要求。因此，采用工具变量法进一步处理，结果见表4。表4显示，结果均显著为正，与基准回归结果一致。此外，工具变量法还通过了Stock‑Yogo的弱工具变量检验。

5 机制检验

5. 1 供应链深度数字化的机制检验

供应链深度数字化的假说H2是从深耕生产数字化的假说H2.1和深耕供应链数字化的假说H2.2进行论证。

首先，验证假说H2.1。由于基础数据集剔除了金融行业而以制造业为主，以制造业企业为研究对象，所以可以近似检验生产数字化的假说。因此，用一般数字技术创新（dp_a）替换核心解释变量，代入基准模型（1）进行检验。结果见表5列（1），对比基准回归结果表3列（1）可以发现，该系数小于关键数字技术创新（kdp_a）。进一步，设置数字技术是否为关键数字技术的虚拟变量（kdp），如果企业数字技术专利申请中包含关键数字经济技术专利则赋值1，否则为0。在列（1）中再加入该虚拟变量（kdp）与一般数字技术创新（dp_a）的交互项，结果见列（2），发现关键数字技术对企业碳绩效产生更强的正面影响。此外，关键数字技术创新有别于传统互联网数字经济，其深耕企业的生产过程，不仅带来生产过程自动化和柔性生产的改变，还通过供需端智能化带来的产销融合提升，使企业生产能够得到及时调整，减少了能源浪费。因此，根据Ackerberg等［45］的做法，采用ACF估计修正的OP法计算企业全要素生产率（TFP）作为中间机制变量，检验结果见列（3）。替换核心解释变量为数字经济技术创新（dp_a），回归结果见列（4），同样发现了关键数字技术的企业碳绩效的边际效应显著强于一般数字技术。假说H2.1得证。

其次，验证假说H2.2。一要检验关键数字技术创新是否对整体供应链数字化产生有别于一般数字技术创新的显著影响。运用供应链数字化示范试点政策的DID（digita）与数字技术是否为关键数字技术的虚拟变量（kdp）进行交互，在基准模型（1）基础上构造三重差分模型（DDD）进行检验。参考张树山等［46］和刘海建等［47］的做法，将商务部市场体系建设司公布的供应链创新与应用试点城市和试点企业名单（商建函〔2018〕654号）与上游供应商-标的企业-下游客户的年度供应链数据集二进行合并，得到上市公司供应链数字化示范试点政策的DID（digita）项。供应链数字化示范试点政策的DID项有助于消除供应链数字化对碳绩效的影响，DDD估计量则能反映关键数字技术有别于一般数字技术创新对供应链所有链上企业碳绩效带来的净效应。结果见表6列（1），初步论证了关键数字技术创新具有更显著的作用。二是从提高供应链响应效率、优化供需匹配、稳定供需关系和增加供应商创新4个方面进一步论证。采用上游供应商-标的企业-下游客户的年度供应链数据集二。供应链效率指标参考Feng等［48］的研究，用上游供应商企业的库存调整幅度来衡量供应链的响应效率（sce）。供应链优化供需匹配（match）指标基于供需波动偏离度进行衡量，稳定供需关系（relat） 由上游企业与客户关系的持续时间来衡量，增加供应商创新则由上游供应商企业的发明专利申请量（innov）所衡量。由表6列（2）—列（5）可以看出，关键数字技术在这4个方面都具有更强的效应。深耕供应链数字化上述4个方面的作用都有助于减少因过度生产或库存过剩导致的资源浪费，从而可以提升企业的碳绩效。假说H2.2得证。

5. 2 深耕数字供应链金融的机制检验

为验证假说H3，先对缓解供应链上企业的融资约束进行论证，再对缓解融资约束背后机理改善信息不对称的机制进行论证。

首先，供应链的融资约束是指包括标的企业及其上、下游企业融资时所面临的约束，基于供应链数据集二，采用KZ指数和SA指数（由于为负值，已取绝对值处理）进行分析。表7列（1）和列（2）分别展示了KZ指数为因变量，关键数字技术创新和一般数字技术创新为自变量的回归结果。列（3）和（4）则是SA 指数为因变量的结果。以上结果均论证了一般数字技术创新对缓解制造业企业的融资约束没有显著影响，而关键数字技术却显著缓解了供应链上所有企业的融资约束。另外，运用上游供应商-标的企业-下游客户的年度非上市企业数据集三，以当年链上企业是否获得融资（financ，由于系数较小作了量纲处理）为因变量，结果见列（5）、列（6），发现关键数字技术也有助于改善供应链上中小企业的信息不对称，缓解其融资约束。

其次，进一步论证缓解融资约束背后的原因。基于供应链数据集二，以代表资金供给方和企业之间信息不对称综合指标（asy）为因变量，关键数字技术创新和一般数字创新为自变量，回归结果见表8。表8列（1）的结果表明，关键数字技术有助于改善供应链链上企业融资的信息不对称程度。在此基础上，结合表7的结果，发现只有关键数字技术才有助于实现供应链上中小企业融资的“脱核”效应。

5. 3 强化企业社会、环境责任的机制检验

参考张琦等［49］的做法，手工搜集了约6 500份重污染行业上市企业的年度报告，并从中提取了与环境治理和绿色生产相关的投资项目，加总计算绿色投资（green）数据，并除以期末总资产进行标准化处理。上市公司社会责任（csr）数据来自和讯网。环境、社会和公司治理（esg）数据来自华证ESG得分［50］。将上述数据与供应链数据集二匹配，结果见表9。表9表明，关键数字技术有利于企业绿色投资，促进了企业社会责任和环境、社会及治理的实践。

6 进一步讨论

6. 1 异质性分析

异质性分析围绕信息不对称程度的作用机制展开，这是深耕数字化所带来的一个关键影响，是两大新视角逻辑推理的共同基础之一。参考叶永卫等［51］的做法，将数据集一以企业规模和抵押资产占比的中位数划分为信息不对称程度高、低两个组别，考察关键数字技术是否有助于降低信息不对称程度，结果见表10。结果发现，在企业规模和抵押资产占比低而信息不对称程度较高的组别，关键数字技术更有利于企业碳绩效的提升。

6. 2 机器学习模型的分析

运用机器学习模型对关键数字技术变量的重要性进行排序，通过动态分析的方式考察关键数字技术创新影响碳绩效的真实偏函数形式，并对关键数字技术和一般数字技术的偏函数影响进行对比分析，进一步论证基本结论H1。根据预测准度选择机器学习的模型，运用传统OLS模型和机器学习方法的随机森林模型、支持向量机和神经网络的预测准确度进行比较（horse race）。其中，随机森林模型包含500棵树模型，每棵树随机考虑7个特征。支持向量机径向基核函数设为高斯核。神经网络模型的多层感知机设置两个隐藏层，包含100和50个节点，采用Adam算法。随机森林和神经网络模型均采用固定随机状态，以保证每次运行得到一致的结果。如图4所示，随机森林模型的R2得分高达0. 954。因此，采用随机森林模型进行训练。

运用随机森林模型考察关键数字技术以及碳绩效其他影响因素的相对重要性，以该影响因素令残差平方和的下降程度来衡量相对重要性。如图5所示，关键数字技术作为新一代数字技术，在众多影响碳绩效因素中的位序相对靠后，但相对效应达到了相同数量级。其排序较低则是因为关键数字技术的影响部分被整体技术创新（patent）的作用所抵消，造成了一定程度上的低估。

图6分别展示了企业碳绩效对一般数字技术创新和关键数字技术创新的偏依赖（偏函数），横坐标内部刻度表示了自变量1/10，2/10，…，9/10分位数。由于低分位数出现的频率较高，第1条刻度线存在重合现象。因此，对于一般数字技术创新，大多数企业（1/10～9/10分位）发展一般数字技术创新对企业碳绩效几乎没有影响，甚至产生负效应，在9/10分位数之后则表现为缓慢提升碳绩效，因而总体上影响并不显著。这与环境库兹涅茨曲线的倒“U”形相一致。对于关键数字技术，在企业关键数字技术积累初期（0～6/10分位和1/10～4/10在0点重合），函数表现为持续下降，表明关键数字技术的创新投入较多，对碳绩效的正面影响较小。而当关键数字技术达到6/10 之后，其对碳绩效的影响在振荡中缓慢上升，且未见有明显收敛趋势，且其提升碳绩效的斜率比一般数字技术更大，这也说明关键数字技术对碳绩效的提升作用比一般数字技术更强，并将发挥着愈发重要的作用，假说H1得到了进一步的加强论证。

7 结论与政策建议

本研究基于2008—2022年上市公司数据，并用天眼查抓取和匹配了供应链中小企业的数据集，采用双向固定效应、5G和国家级大数据综合试验区试点政策的准自然实验、工具变量法、机制检验和机器学习等模型，研究关键数字技术作为新质生产力的重要代表，对企业碳绩效的影响及其作用机制。区别既有文献考察一般数字技术创新、广义的数字经济对企业碳排放、碳绩效的影响，本研究聚焦关键数字技术代表的新质生产力对碳绩效的影响，并着重从供应链的深度数字化和数字供应链金融展开研究。主要结论包括以下内容。

（1）基准回归发现，与一般数字技术创新相比，关键数字技术创新在碳排放减排总量方面的效果尚不显著，在提升企业碳绩效方面具有更显著的边际效应，但对整个供应链碳绩效的提升效果也暂不明显。以5G和国家级大数据综合试验区试点政策作为准自然实验，运用交错DID、异质性处理效应的交错DID以及工具变量法的检验，该结论均展示出了良好的稳健性。用机器学习模型进行动态分析的发现吻合环境库兹涅茨曲线假说，并再次论证了关键数字技术创新具有更强效能这一基本结论。碳绩效各影响因素的重要性排序也验证了关键数字技术作为新兴因素对企业碳绩效的提升发挥了更重要的作用。

（2）从供应链深度数字化的视角出发构建多维度指标进行了多角度的细致机制分析。结果发现，与一般数字技术创新相比，关键数字技术创新对供应链数字化的影响更显著，主要表现为企业自身生产的深度数字化和供应链深度数字化两个方面：关键数字技术→生产深度数字化→能源利用率更高→提升企业碳绩效的边际效应更强，以及关键数字技术→供应链深度数字化（提高供应链效率、优化供需匹配、稳定供需关系、增加供应商创新）→对企业自身碳绩效的提升效果更明显。

（3）从深耕数字供应链金融的视角展开多角度的分析。结果发现，区别于一般数字技术创新的作用不显著，数字供应链金融对碳绩效的影响表现为关键数字技术→改善产业链信息不对称→缓解融资约束→对企业自身碳绩效的提升效果更明显。另外，首次为数字供应链金融的“脱核”作用提供了实证证据，即关键数字技术缓解了供应链上的中小企业融资约束，意味着对核心企业增信的依赖得到了“松绑”。异质性分析以企业规模和抵押资产占比的中位数划分信息不对称程度高、低两个组别，进一步佐证了关键数字技术对企业信息不对称的有效改善是企业碳绩效得到更显著提升的重要原因。

（4）供应链深度数字化和深耕数字供应链金融进一步强化了企业承担社会、环境责任的行为。深耕数字供应链金融获得的额外融资有助于企业增加绿色投资、CSR和ESG的实践。此外，供应链的深度数字化也有利于筛选更合适的绿色投资项目，并对其进行风险与收益评价，进而增加绿色投资。深耕供应链数字化还有利于提高供应链管理效率，从而提高CSR和ESG的水平。

上述结论可能具有如下政策启示。

（1）加快培育新质生产力，加强关键数字技术的研发和应用。新质生产力有明确的产业支撑，鉴于关键数字技术为代表的新质生产力有别于一般数字经济产业，虽然在提升企业碳绩效方面具有显著的边际效应，但是并未产生碳排放总量减排效应，说明新质生产力仅发挥了部分作用。关键数字技术对企业碳绩效发挥作用符合环境库兹涅茨曲线的倒“U”形假说，即关键数字技术需要经过深化和广化，才会对企业碳绩效产生提升效果，且其作用的发展趋势未见收敛。因此，应瞄准前沿战略科技，加大对关键数字技术，如人工智能、大数据、区块链等的研发和应用支持，加快新质生产力的形成和发展。此外，应顺应新时代下的创新规律，发挥好新型举国体制的优势，通过提供资金支持、税收优惠、技术合作平台等，整合和打通产学研的合作，以促进关键数字技术的创新和普及，从而形成完善的先进生产力质态。

（2）推动供应链的数字化转型和升级。关键数字技术深耕供应链的数字化对自身及供应链效率的提升都产生了更显著影响，但是提升整个供应链碳绩效的溢出效应暂未显现。因此，应重视支持那些能深耕挖掘供应链数字化潜力的技术、平台、商业模式的研发和创新，如“供应链即服务”的数字化供应链新模式以及数字供应链孪生、边缘计算等技术和新质生产力业态。这不仅将能改善企业自身的碳绩效，也有助于提升整个供应链的环境表现。

（3）促进数字供应链金融的发展。当前数字供应链金融影响碳绩效的实际经济效应初显，也同样面临改善供应链碳绩效乃至碳排放总量碳减排效果暂不明显的瓶颈。为进一步缓解中小企业的融资约束，应积极鼓励银行业等金融机构积极探索供应链“脱核”模式。当前可能的一大痛点是供应链融资的风险控制过度依赖核心企业。应鼓励利用关键数字技术的创新和赋能，实现包括数字供应链的建设、整合和完善，推动供应链转向依托信息和数据的信用评估体系，减轻供应链核心企业的信用负担，同时也为链上中小企业融资可得性给予精准滴灌。这将加快形成金融新质业态，更好发挥金融资源的创新性配置。

参考文献

［1］ 黄汉权. 深刻领悟发展新质生产力的核心要义和实践要求［J］.求是，2024（11）：32-37.

［2］ 林毅夫，等. 新质生产力：中国创新发展的着力点与内在逻辑［M］. 北京：中信出版社，2024.

［3］ 杨珊珊，董锋. 高质量发展背景下“双碳”实现的逻辑与渠道：以发展新质生产力为视角［J］. 中国矿业大学学报（社会科学版），2024，26（4）：63-74.

［4］ 国家知识产权局办公室. 国家知识产权局办公室关于印发《关键数字技术专利分类体系（2023）》的通知［EB/OL］（. 2023-09-25）［2024-03-16］. https：//www. cnipa. gov. cn/art/2023/9/25/art_75_187769.html.

［5］ 王元彬，张尧，李计广. 数字金融与碳排放：基于微观数据和机器学习模型的研究［J］. 中国人口·资源与环境，2022，32（6）：1-11.

［6］ 戴魁早，黄姿，王思曼. 数字经济促进了中国服务业结构升级吗？［J］. 数量经济技术经济研究，2023，40（2）：90-112.

［7］ 陈贵富，韩静，韩恺明. 城市数字经济发展、技能偏向型技术进步与劳动力不充分就业［J］. 中国工业经济，2022（8）：118-136.

［8］ 黄勃，李海彤，刘俊岐，等. 数字技术创新与中国企业高质量发展：来自企业数字专利的证据［J］. 经济研究，2023，58（3）：97-115.

［9］ 杨刚强，王海森，范恒山，等. 数字经济的碳减排效应：理论分析与经验证据［J］. 中国工业经济，2023（5）：80-98.

［10］ 王帅龙. 数字经济之于城市碳排放：“加速器”抑或“减速带”？［J］. 中国人口·资源与环境，2023，33（6）：11-22.

［11］ 陶锋，王欣然，徐扬，等. 数字化转型、产业链供应链韧性与企业生产率［J］. 中国工业经济，2023（5）：118-136.

［12］ 郭峰，熊云军. 中国数字普惠金融的测度及其影响研究：一个文献综述［J］. 金融评论，2021，13（6）：12-23.

［13］ 凌润泽，李彬，潘爱玲，等. 供应链金融与企业债务期限选择［J］. 经济研究，2023，58（10）：93-113.

［14］ 许宪春，张美慧. 中国数字经济规模测算研究：基于国际比较的视角［J］. 中国工业经济，2020（5）：23-41.

［15］ FENG D F，SHEN Y，XIE X L，et al. Digital economy and carbon emission reduction：evidence from China［J］. China economic journal，2023，16（3）：272-301.

［16］ 韩文龙，张瑞生，赵峰. 新质生产力水平测算与中国经济增长新动能［J］. 数量经济技术经济研究，2024，41（6）：5-25.

［17］ 裴长洪，倪江飞，李越. 数字经济的政治经济学分析［J］. 财贸经济，2018，39（9）：5-22.

［18］ 谢云飞. 数字经济对区域碳排放强度的影响效应及作用机制［J］. 当代经济管理，2022，44（2）：68-78.

［19］ 韩先锋，宋文飞，李勃昕. 互联网能成为中国区域创新效率提升的新动能吗［J］. 中国工业经济，2019（7）：119-136.

［20］ 李晓钟，陈涵乐，张小蒂. 信息产业与制造业融合的绩效研究：基于浙江省的数据［J］. 中国软科学，2017（1）：22-30.

［21］ 韩峰，姜竹青. 集聚网络视角下企业数字化的生产率提升效应研究［J］. 管理世界，2023，39（11）：54-77.

［22］ 黄赜琳，蒋鹏程. 数字低碳之路：工业机器人与城市工业碳排放［J］. 财经研究，2023，49（10）：34-48.

［23］ CULLEN Z，FARRONATO C. Outsourcing tasks online：matching supply and demand on peer‑to‑peer internet platforms［J］. Management science，2021，67（7）：3985-4003.

［24］ 杨汝岱，李艳，孟珊珊. 企业数字化发展、全要素生产率与产业链溢出效应［J］. 经济研究，2023，58（11）：44-61.

［25］ 宋华，韩梦玮，胡雪芹. 供应链金融如何促进供应链低碳发展：基于国网英大的创新实践［J］. 管理世界，2023，39（5）：93-112.

［26］ BERG T，BURG V，GOMBOVIĆ A，et al. On the rise of FinTechs：credit scoring using digital footprints［J］. Review of financial studies，2020，33（7）：2845-2897.

［27］ BARROT J N，NANDA R. The employment effects of faster payment：evidence from the federal quickpay reform［J］. Journal of finance，2020，75（6）：3139-3173.

［28］ 斯丽娟，曹昊煜. 绿色信贷政策能够改善企业环境社会责任吗：基于外部约束和内部关注的视角［J］. 中国工业经济，2022（4）：137-155.

［29］ TAO Y Q，WANG D J，YE Y W，et al.The role of public environmental concern on corporate social responsibility：evidence from search index of web users［J］.Energy economics，2023，126：107041.

［30］ 权小锋，李闯. 智能制造与成本粘性：来自中国智能制造示范项目的准自然实验［J］. 经济研究，2022，57（4）：68-84.

［31］ 杨善林，王建民，侍乐媛，等. 新一代信息技术环境下高端装备智能制造工程管理理论与方法［J］. 管理世界，2023，39（1）：177-190.

［32］ 邓慧慧，曾庆阁，赵晓坤. 制造业企业数字化转型、外部压力与碳绩效［J］. 浙江社会科学，2023（10）：36-48.

［33］ 王浩，刘敬哲，张丽宏. 碳排放与资产定价：来自中国上市公司的证据［J］. 经济学报，2022，9（2）：28-75.

［34］ OLDEN A，MØEN J. The triple difference estimator［J］. Econometrics journal，2022，25（3）：531-553.

［35］ 杨志强，唐松，李增泉. 资本市场信息披露、关系型合约与供需 长鞭效应：基于供应链信息外溢的经验证据［J］. 管理世界，2020，36（7）：89-105.

［36］ 鞠晓生，卢荻，虞义华. 融资约束、营运资本管理与企业创新可持续性［J］. 经济研究，2013，48（1）：4-16.

［37］ 解维敏，方红星. 金融发展、融资约束与企业研发投入［J］. 金融研究，2011（5）：171-183.

［38］ 张学勇，陈然，魏旭. 承销商与重返IPO表现：基于信息不对称的视角［J］. 经济研究，2020，55（1）：164-180.

［39］ 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（5）：100-120.

［40］ BECK T，LEVINE R，LEVKOV A.Big bad banks：the winners and losers from bank deregulation in the United States［J］. Journal of finance，2010，65（5）：1637-1667.

［41］ 郭桂霞，张尧. 风险自留能抑制信用风险承担吗：基于中国商业银行信贷资产证券化数据的实证研究［J］. 国际金融研究，2022（12）：46-56.

［42］ 邱子迅，周亚虹. 数字经济发展与地区全要素生产率：基于国家级大数据综合试验区的分析［J］. 财经研究，2021，47（7）：4-17.

［43］ GOODMAN‑BACON A.Difference‑in‑differences with variation in treatment timing［J］. Journal of econometrics，2021，225（2）：254-277.

［44］ DE CHAISEMARTIN C，D'HAULTFCEUILLE X. Two‑way fixed effects estimators with heterogeneous treatment effects［J］. American economic review，2020，110（9）：2964-2996.

［45］ ACKERBERG D A，CAVES K，FRAZER G. Identification properties of recent production function estimators［J］. Econometrica，2015，83（6）：2411-2451.

［46］ 张树山，胡化广，孙磊，等. 供应链数字化与供应链安全稳定：一项准自然实验［J］. 中国软科学，2021（12）：21-30.

［47］ 刘海建，胡化广，张树山，等. 供应链数字化与企业绩效：机制与经验证据［J］. 经济管理，2023，45（5）：78-98.

［48］ FENG M，LI C，MCVAY S E，et al.Does ineffective internal control over financial reporting affect a firm's operations： evidence from firms' inventory management［J］.Accounting review，2015，90（2）：529-557.

［49］ 张琦，郑瑶，孔东民. 地区环境治理压力、高管经历与企业环保投资：一项基于《环境空气质量标准（2012）》的准自然实验［J］.经济研究，2019，54（6）：183-198.

［50］ 方先明，胡丁. 企业ESG表现与创新：来自A股上市公司的证据［J］. 经济研究，2023，58（2）：91-106.

［51］ 叶永卫，陶云清，李鑫. 数字基础设施建设与企业投融资期限错配改善［J］. 经济评论，2023（4）：123-137.

（责任编辑：王爱萍）