重污染企业ESG表现与企业绿色技术创新——基于企业知识基础与环保补助的调节作用

汪苏苏 徐卫星

(宁波大学商学院,浙江 宁波 315211)

0 引 言

近年来,随着全球环境的不断恶化,环境问题引起了各界的广泛关注。为实现“双碳”目标和“两山”的绿色发展理念,将环境(Environmental,E)、社会责任(Social,S)、公司治理(Governance,G)因素作为考核上市公司的重要指标之一,可以积极引导投资者关注企业的可持续发展,引导企业贯彻绿色发展理念,以驱动社会的进步。重污染企业是供给侧结构性改革“三去一降一补”的对象,进一步提升我国重污染企业绿色技术创新与绿色发展理念不谋而合。实现重污染企业绿色技术创新不仅是解决环境问题推动可持续发展的关键,而且是确保重污染企业高质量增长的动力来源。随着各界对环境问题的关注度越来越高,越来越多的企业开始关注自身在公众面前的形象。那么,ESG评分作为企业在环境、社会责任、公司治理三个方面的综合表现是否会影响企业的绿色技术创新行为值得探讨。

此外,在知识基础理论框架下,绿色技术创新是企业在已有的研发路径上对内外部知识进行整合,并将横向和纵向技术知识进行转换和重组,进而实现价值创新的过程。企业本身所拥有的知识基础对企业吸收、整合以及利用外部知识的有效性起到了决定性作用,对企业的创新有着不同的影响[1]。因此,企业的知识基础是否对ESG表现与绿色技术创新之间的关系产生影响值得深入研究。同时,政府环保补助作为绿色技术创新过程中的一项重要外部资源,在ESG表现与绿色技术创新中是否也扮演重要的角色也值得深入研究。

因此,为厘清ESG表现作用于绿色技术创新关系的微观机理,本文从知识基础理论和资源依赖理论出发,考虑两类创新资源——知识基础和政府环保补助的调节作用,以丰富ESG表现对绿色技术创新作用的理论研究。本文主要探讨以下问题:ESG表现是否对企业绿色技术创新产生影响,企业知识基础对ESG表现与企业绿色技术创新之间的关系是否产生差异化影响,政府环保补助在ESG对企业绿色技术创新的影响中是否存在调节作用。

1 理论分析与研究假设

1.1 ESG表现与绿色技术创新

ESG是环境(Enviromental,E)、社会责任(Social,S)和公司治理(Governance,G)的简称,是一种企业评价标准。与以往投资者关注财务表现不同,ESG关注企业环境、社会责任和治理绩效。基于ESG评分,投资者可以通过环境、社会责任、公司治理等指标对投资标的进行负面筛选。绿色技术创新具有投资周期长、风险与收益不确定性高的特点,因此受制于短期利益的管理者往往不愿意花费更多的资源和精力去从事绿色技术创新活动。股东有强烈的改善企业绿色技术创新的意愿[2],而在两权分离下,当面临高度信息不对称时,股东无法有效监督管理者,阻碍了企业的绿色转型。ESG表现所传达的更加全面、多样的信息可以有效缓解信息的不对称,帮助股东对企业的技术创新行为进行更有效的监督。因此,ESG表现可以帮助股东有效监控管理者的行为,满足绿色创新意愿,促进企业进行绿色技术创新。此外,良好的ESG表现有助于企业树立正面形象。ESG表现向外部市场传达了企业在环境、社会责任和公司治理方面的综合表现以及绿色可持续发展方面的经营理念。在投资者有限关注情况下,ESG的良好表现有助于企业建立声誉优势。随着ESG在社会中不同人群中的传播,拥有更好的ESG表现的公司也可以吸引更多的高技能人才[3],这些员工希望选择一份以保护环境为目标的工作,从而提高企业绿色技术创新能力。基于以上分析,本文提出假设H1:ESG表现对企业的绿色技术创新有积极影响。

1.2 知识基础的调节作用

知识宽度的调节作用。知识宽度指企业所拥有的全部知识要素,反映了企业知识多元化的程度。首先,企业拥有较大的知识宽度不仅会占用企业的创新资源,而且会增加管理成本。知识宽度较大会导致新流入的知识融合不充分[4],使得管理者不得不分散管理精力和部分企业资源,并且在一定程度上增加了知识搜寻和整合的成本,降低知识和信息的可信度,因此对公司资源形成了约束,为企业带来更多不确定性和风险,阻碍了企业在有限时间内吸收新知识并进行发展的能力,企业也很难在有限的时间内获得并吸收新的前沿知识,不利于企业创新。基于上述分析,本文提出假设H2:知识宽度对ESG表现与绿色技术创新之间的关系具有负向调节作用。

知识深度的调节作用。知识深度反映了企业知识基础的纵向维度,表示企业对某些知识领域有深厚的知识积累。对于拥有较高知识深度的企业而言,企业既有的知识深度会在很大程度上限制企业的绿色技术创新行为。较高的知识深度可能导致企业形成技术惰性,从而使企业只专注于成熟的技术[5]。管理者因为绿色技术创新活动的周期长、资金投入大以及风险不确定性高等特点,往往倾向于在已有的熟悉的技术领域重复利用其核心能力。长此以往,企业的核心能力很可能演变为核心刚性,造成路径依赖,从而损害企业的适应能力,降低企业与外部知识开展技术合作的意愿。同时,因ESG的良好表现所带来的资源投入发生偏倚,最终导致高度的专业化和较低的外部认知能力[6],不利于企业创新。基于上述分析,本文提出假设H3:知识深度对ESG表现与绿色技术创新之间的关系具有负向调节作用。

1.3 环保补助的调节作用

随着政府不断加强环境监管,环保补助作为政府支持的一种制度手段,对企业经济的影响发挥着越来越重要的作用。近年来,政府通过环保补助鼓励企业积极履行环境责任。尽管获得政府补助可能会给企业带来一些好处,但也给企业带来了政府依赖[7]。获得补助的企业为了满足政府需求会积极提高其合法性,具体表现为,在接受补贴后进行环保投资顺应政府的要求并对其内部资源进行再分配。然而,在资源有限的情况下,企业为了获得政府环保补助而去满足政府对环境责任的要求可能会引发企业减少对其他利益相关者的资源配置,导致消极承担社会责任和股东责任,即将资源集中用于环境责任承担上,消极承担其他责任[8]。因此,企业会顺应政府政策文件将环保补助用于环保投资,从而提高环境表现的评分,同时也因为对社会责任和治理责任的消极态度造成ESG综合评分的横向背离,最终抑制了企业的绿色技术创新行为。基于以上分析,本文提出假设H4:政府环保补助对ESG表现与绿色技术创新之间的关系具有负向调节作用。

2 研究设计

2.1 样本选择和数据来源

本文选取2011—2021年中国A股重污染行业上市公司为研究样本,在选择重污染企业时,参考王永贵和李霞对重污染企业的认定标准[9],并结合证监会2012版分类标准。本文选取18种重污染行业上市公司为研究对象,包括:B06、B07、B08、B09、B10、C17、C18、C19、C22、C25、C26、C27、C28、C29、C30、C31、C32、D44。对所选取的样本进行如下处理:剔除金融业、ST、*ST、PT观测样本;将专利申请数量为缺失值的替换为0,对控制变量严重缺失的样本进行剔除,对所有连续变量进行上下1%的缩尾处理,最终得到463个样本、3 211个观测值。其中ESG数据采用彭博(Bloomberg)给出的ESG评分,绿色专利申请数量来自中国研究数据服务平台(CNRDS),政府环保补助数据来自上市公司年报,其他财务数据均来自国泰安数据(CSMAR)。本文数据的处理和分析采用STATA15.0完成。

2.2 变量定义

被解释变量。绿色技术创新(lnGT)借鉴黎文靖和郑曼妮的研究[10],专利技术在申请阶段很可能会对企业绩效造成一定的影响,因此,相对于授权数据而言,专利申请数据更为稳定、可靠和及时。本文采用绿色专利申请数量加1的自然对数作为绿色技术创新的衡量指标。

解释变量。ESG表现(ESG)选取彭博(Bloomberg)提供的ESG评分来衡量。彭博(Bloomberg)的ESG评分在[0,100]区间变动,为了使ESG评分看起来更为直观,将从彭博(Bloomberg)获得的企业ESG评价得分值除以100,得到新的ESG得分。得分越高,表明企业在环境、社会责任和公司治理三个方面的表现越好;得分越低,则表现越差。

控制变量。借鉴现有关于绿色技术创新权威文献[13],选取的控制变量包括企业规模(Size)、资产负债率(Lev)、总资产净利润率(ROA)、净资产收益率(ROE)、账面市值比(BM)、托宾Q值(TobinQ)、公司成立年限(FirmAge)。具体变量的内涵及测量方法见表1。

表1 变量定义与描述

2.3 模型设定

为验证企业ESG表现对绿色技术创新的影响,构建模型(1)。

lnGT=β0+β1ESG+β2Size+β3Lev+β4ROA+β5ROE+β6BM+β7TobinQ+β8FirmAge+∑Year+∑Industry+ε

(1)

为验证知识宽度和知识深度的调节作用,构建模型(2)和模型(3)。

lnGT=β0+β1ESG+β2Breadth+β3ESG×Breadth+β4Size+β5Lev+β6ROA+β7ROE+β8BM+β9TobinQ+β10FirmAge+∑Year+∑Industry+ε

(2)

lnGT=β0+β1ESG+β2Depth+β3ESG×Depth+β4Size+β5Lev+β6ROA+β7ROE+β8BM+β9TobinQ+β10FirmAge+∑Year+∑Industry+ε

(3)

为验证政府环保补助的调节作用,构建模型(4)。

lnGT=β0+β1ESG+β2GES+β3ESG×GES+β4Size+β5Lev+β6ROA+β7ROE+β8BM+β9TobinQ+β10FirmAge+∑Year+∑Industry+ε

(4)

3 实证结果与分析

3.1 描述性统计、相关性分析

各变量描述性统计、相关性分析结果见表2。Pearson检验结果显示:企业绿色技术创新(lnGT)与ESG表现之间的相关系数为0.316且显著,表明ESG表现与企业绿色技术创新之间存在正相关关系。

表2 描述性统计、相关性分析及VIF值

3.2 多元回归分析

采用OLS回归对假设H1进行检验,同时控制行业和年份固定效应,回归结果见表3。列(1)报告的是ESG表现(ESG)与企业绿色技术创新(lnGT)的回归结果。回归结果显示,ESG表现的回归系数为2.333,且通过了1%的显著性检验,验证了假设H1。

表3 基准回归分析

列(2)-(4)报告了ESG表现对企业绿色技术创新的作用如何受到知识宽度、知识深度和政府环保补助的影响。列(2)的结果显示,ESG表现(ESG)与企业知识宽度(Breadth)的交互项系数显著为负,为-0.006,在1%的水平上显著,验证了假设H2。列(3)报告了知识深度对ESG表现与企业绿色技术创新调节作用的回归结果,可以发现ESG表现(ESG)与企业知识深度(Depth)的交互项系数显著为负,为-12.045,在1%的水平上显著,假设H3得到验证。

列(4)的结果显示,企业ESG表现(ESG)与政府环保补助(GES)之间的交互项系数显著为-10.049,在1%的水平上显著为负,表明政府环保补助会抑制企业ESG表现与企业技术创新的正向关系,假设H4得到验证。

3.3 稳健性与内生性检验

替换解释变量。采用彭博(Bloomberg)ESG的各分项评分对企业ESG总得分进行替换,包括环境(E)、社会责任(S)、公司治理(G),将E、S、G分别作为解释变量进行回归。

更换回归方法。上文采取OLS回归方法来估计ESG表现与企业绿色技术创新之间的关系。现分别使用固定效应模型和随机效应模型对方程进行估计。

为减弱遗漏变量的影响,将诸多公司治理层面的控制变量(股权集中度、独立董事比例、管理层持股等)纳入模型进行重新回归。

内生性问题处理。采用工具变量法缓解内生性带来的影响,借鉴王琳璘等的做法[14],以企业注册地所在城市其他上市公司ESG评分的均值(IV)作为工具变量,运用两阶段最小二乘法(2SLS)估计。

稳健性检验与内生性检验结果均与前文一致,限于篇幅未展示。

4 结论与启示

利用2011—2021年我国上市重污染企业ESG表现以及绿色专利数据,实证分析重污染企业ESG表现对绿色技术创新的影响,并探讨知识基础与政府环保补助的调节作用。得出结论:重污染企业ESG表现对绿色技术创新具有显著正向促进作用;企业知识宽度、知识深度、政府环保补助均对ESG表现与绿色技术创新有负向调节作用。

基于上述研究结论,提出以下建议。

重污染企业作为“三去一降一补”的主要对象,更应基于可持续发展目标,积极承担环境、社会与治理责任,主动向利益相关者、投资者等进行ESG信息披露,缓解企业与利益相关者之间的信息不对称,使利益相关者能够对企业经营状况有充分了解,加强二者之间的信任。

政府部门应完善补贴制度,在发放环保补助激励企业进行环保投资时,加强对所发放的环保补助的执行、资金流向的使用情况的定期审查,确保企业将补贴用于环境管理活动的同时对其他责任也没有懈怠,避免出现企业积极承担环境责任、消极承担其他责任的情况。

企业在进行绿色技术创新时应当结合自身实际情况。避免对某一技术过度投入导致企业的核心能力演变为核心刚性,也避免过度提高自身知识宽度,占用过多管理资源,造成资源约束。企业应结合自身情况合理分配有限的资源,特别是中小企业可能还存在资金、技术等方面的制约,在获取更多的新技术时无法及时将新流入的知识充分融合。