企业投入数字化的污染减排效应——基于ICT产品进口的视角

彭冬冬

（中共福建省委党校生态文明教研部，福建福州 350118）

引言

党的二十大报告提出：“要深入推进环境污染防治，坚持精准治污、科学治污、依法治污，持续深入打好蓝天、碧水、净土保卫战。”企业是发展的主体，也是污染减排的责任主体，推动企业污染减排对建设人与自然和谐共生的中国式现代化具有重要意义。然而，当前我国仍处于工业化快速发展阶段，部分企业能源结构偏煤、能源效率偏低，推动企业污染减排仍然面临较大压力和挑战。随着5G 通信、云计算、人工智能（AI）等数字技术的快速发展，数字产品应用将在推动企业污染减排进程中发挥重要作用。

数字产品分为有形数字产品和无形数字产品，其中有形数字产品主要表现为信息和通信技术（ICT）产品。尽管中国已是世界上第一大ICT产品出口国，但是中国仍然需要从美国、日本、韩国等国家进口大量以电子元件为代表的ICT 产品[1]。这主要是因为中国的ICT 产品目前还没有完全摆脱低技术含量、低附加值的生产模式，并呈现出整机产业强、核心器件弱的发展格局。通过对CEPII 数据的整理发现，2000—2021 年中国ICT产品贸易条件均小于1，且近几年呈现迅速下降态势，显示出中国ICT 产品的国际竞争力还比较薄弱。因此，企业进口ICT产品是提升企业投入数字化水平的重要体现。特别是企业将内含在进口ICT产品中的数字技术与生产过程深度融合，可以减少能源消耗，促进能源优化、成本优化、风险预知、决策控制等，进而整体上实现污染减排。那么，现实数据能否支持这一观点？本文将围绕这一问题展开分析。具体而言，本文将结合中国海关贸易数据库、中国工业企业污染数据库和中国工业企业数据库的合并数据，利用双重差分法识别ICT产品进口对企业污染减排的实际影响、作用机制以及差异化特征。

一、文献综述

与本文直接相关的文献主要有两类。一类是研究投入数字化在推动绿色低碳发展方面所发挥的重要作用。这类文献大多在测度各行业投入数字化的基础上，探讨投入数字化对碳排放等因素的影响。根据投入数字化的测度方法，这些研究又分为两种类型。一是基于投入产出数据测度各行业的投入数字化程度。例如：杨丹辉和胡雨朦（2022）[2]、Tang 等（2023）[3]基于中国工业行业投入产出数据，发现投入数字化显著降低了碳排放强度；Fang等（2022）[4]基于全球40个主要经济体工业行业的投入产出数据也得到类似结论。除证明投入数字化具有减污降碳节能效应外，这些研究还发现投入数字化对提高各行业低碳发展水平和绿色全要素生产率以及推动各地区绿色创新均产生积极影响[5-7]。二是以ICT技术在生产和运营中的应用表征各行业的投入数字化程度。例如，Wen等（2021）[8]在使用ICT 资本和ICT 服务的中间投入衡量工业投入数字化的基础上，检验了投入数字化对企业污染物排放强度的影响，发现投入数字化显著降低了企业化学需氧量的排放强度。另一类是分析进口对企业绿色转型的影响。一方面，有文献发现，中间品的进口会作用于企业的能源效率和污染物排放。例如：Imburno 和Ktterer（2018）[9]、Gutierrez 和Teshima（2018）[10]、田晴等（2022）[11]分别使用印度尼西亚、墨西哥和中国企业层面的数据发现，企业进口中间品可以提高能源效率；郭树龙（2019）[12]、苏丹妮和杨琦（2021）[13]则发现，企业中间品进口规模的扩张显著降低了中国企业的污染物排放量和排放强度。另一方面，也有研究指出，关键设备的进口有助于企业实现清洁生产[14]。

现有研究证实了投入数字化可以赋能减污降碳，但已有文献大多从行业层面刻画投入数字化程度，忽略了行业内部企业间数字投入化程度的异质性；同时，现有研究关注到部分产品进口可以改善企业的环境绩效，但遗憾的是，鲜有文献涉及ICT 产品进口对企业环境绩效的影响。鉴于此，本文将投入数字化、ICT产品进口与企业污染减排纳入同一分析框架。与现有研究相比，本文的贡献可能体现在以下三个方面。一是研究ICT产品进口对企业污染减排的影响以及差异化特征。ICT产品作为核心的数字产品之一，其进口使用是企业投入数字化的重要体现，本文的研究结论为推动企业污染减排，加快数字化、绿色化协同转型发展提供可行思路。二是基于双重差分模型识别ICT产品进口对企业污染减排的影响。双重差分模型通过加入可以与处理组对比的控制组，减少需要考虑控制的变量个数，以解决模型的内生性问题。三是揭示ICT产品进口降低企业污染排放强度的内在机制。一方面，ICT产品进口通过提升全要素生产率，促进企业产出规模增长，进而降低企业污染物排放强度；另一方面，ICT产品进口通过优化能源结构、提高能源效率，降低企业污染物的排放规模和排放强度。

二、研究假设

与陈登科（2020）[15]、 戴翔和杨双至（2022）[16]的研究一致，本文使用污染物排放强度来衡量企业污染物排放水平。污染物排放强度是指单位产出的污染物排放量，是反映经济环境质量的重要指标[17]。根据污染物排放强度的测度方式可知，在其他条件不变的情况下，企业产出规模或污染物排放规模的变动会直接影响企业的污染物排放强度，企业产出规模的增长或污染物排放规模的减少能够有效降低企业的污染物排放强度。因此本文认为，ICT产品进口可以通过引致企业产出规模或污染物排放规模的变动来影响企业的污染物排放强度。

第一，ICT 产品进口通过提升全要素生产率，促进企业产出规模增长。ICT产品作为一种内含通用目的技术的技术密集型产品，其进口使用可以提高数据等生产资料的使用效率，优化企业生产环节，提高企业的全要素生产率。在数字经济时代，数据成为一项关键的生产要素，ICT产品进口使用可以帮助企业收集和传输数据。一方面，企业可以基于ICT产品收集和传输的数据对生产流程进行优化再造，减少生产过程中的设置时间、运行时间和检查时间，强化生产过程中各个环节的沟通与协作，进而提高资本、劳动力等传统生产要素的效率[18-19]。另一方面，企业可以使用ICT 产品收集和传输的数据进行预测分析，提前进行生产布局和规划，提高生产的灵活性和可靠性，减少无效率的生产活动，进而提高企业的全要素生产率。

第二，ICT产品进口通过优化能源结构、提高能源效率，降低企业污染物排放规模。一方面，ICT 产品进口使用有助于企业优化能源结构。ICT行业能耗较少来自煤炭、石油等化石燃料，而更多来自天然气、电力等。因此，企业进口使用ICT 产品并以ICT 产品替代高能耗的生产设备，可以直接降低化石燃料的消耗，增加清洁能源的使用。同时，ICT 产品进口使用还可以使企业以虚拟过程代替物理过程，使用审查工具进行系统监测、数据传输和处理以及设备控制，这些功能加强了生产活动与化石能源使用的脱钩[20]。另一方面，ICT 产品进口使用有助于企业提高能源效率。企业运用内含在进口ICT 产品中的数字技术，可以分析消费者需求偏好，开展有针对性的生产活动，并与供应之间形成动态和精确的匹配机制，从而减少生产过程中污染物的产生，进而降低单位产出所排放的污染物规模。例如，有工程研究表明，企业通过运用机器学习、大数据等技术，可以提高企业的电力效率，减少企业单位产出所排放的污染物数量[21]。此外，ICT 产品作为具有代表性的数字产品之一，其使用可以促进资源节约、推动技术进步和环境保护技术的开发[22]，从而有利于企业降低单位产出所排放的污染物规模。

因此，本文提出如下三个研究假设。

假设1：ICT 产品进口可以降低企业污染物排放强度。

假设2：ICT 产品进口通过提升全要素生产率，促进企业产出规模增长，进而降低企业污染物排放强度。

假设3：ICT 产品进口通过优化能源结构、提高能源效率，降低企业污染物排放规模，进而降低企业污染物排放强度。

三、模型与数据

（一）模型设定

本文通过双重差分模型（DID）识别ICT 产品进口对企业污染减排的影响，即将进口ICT产品的企业作为处理组，将未进口ICT产品的企业作为控制组。由于企业进口ICT产品并不是发生在同一时点，因此本文设定一个连续时间形式的DID 模型，具体计量方程如下：

式（1）中，i、j、k、t 分别表示企业、行业、城市和年份。ln_SO2it为企业i在t年的二氧化硫排放强度取对数，其中，二氧化硫排放强度用“企业二氧化硫排放量除以企业总产值”来衡量。选择二氧化硫排放强度体现企业污染物排放强度有两个原因：第一，二氧化硫作为影响空气质量的核心污染物，是国家最主要控制的污染物之一；第二，大量文献，例如任飞州等（2021）[23]、吕越和陈泳昌（2022）[24]、韩超和王震（2022）[25]等，均将二氧化硫作为企业的核心污染物指标。termit是本文核心的解释变量，通过两个虚拟变量相乘得到，即termit=Ti×Pit。其中：Ti为样本期内企业i 是否进口ICT 产品的虚拟变量，若企业在2002—2012年进口了ICT产品，则Ti取1，否则为0；Pit为企业i 进口ICT 产品之后的虚拟变量，若企业在t 年进口了ICT 产品，则从t 年到2012 年Pit取1，否则为0。因此，termit=1 表示企业i受到进口ICT 产品的影响，termit=0 则表示企业i 未受到进口ICT产品的影响。因为无法定义一个对于每个处理组企业而言都相同的政策发生时间，所以本文在模型中不再单独控制Ti或Pit，而是改为控制企业固定效应和年份固定效应。 Xit为“企业-年份”层面的控制变量，ηt为年份固定效应，ηj为行业固定效应，ηk为城市固定效应，ηi为企业固定效应， μit为误差项。

借鉴已有研究，本文在企业层面选取以下五个控制变量：企业规模（ln_asset），用“企业总资产的对数值”来衡量；企业平均工资（ln_wage），用“企业应付工资与应付福利之和除以平均从业人数的对数值”来衡量；企业年龄（ln_age），用“当年年份与企业开业年份的差值加1 的对数值”来衡量；企业出口强度（exp_ratio），用“企业出口额除以企业销售总额”来衡量；企业外资占比（fdi），用“港澳台资本与外商资本之和占企业实收资本的比重”来衡量。

（二）数据说明

本文使用的数据主要来自以下三个数据库。

1.中国海关贸易数据库

该数据库记录了2000—2015 年企业名称、出口产品、出口目的国等方面的信息。对该数据库作如下处理：（1）清理企业名称，去除企业名称中的“省、市、县、区、股份、责任、集团”等字眼以及括号等标点符号，删除每年调整后的企业名称不唯一的样本；（2）调整HS 产品编码，考虑到HS 海关编码在2002 年、2007 年以及2012 年均发生调整，本文将该数据库中产品的HS 海关编码统一转换为HS1996版本。

2.中国工业企业污染数据库

该数据库提供了2000—2012 年占全国主要污染物排放总量85%的企业的名称、法人代码、能源投入、各类污染排放、污染治理能力等方面的信息。为了便于匹配，对该数据库中的企业法人代码进行清理：去除企业法人代码中的“空格、*、-”等字符，删除每年调整后的企业法人代码不唯一的样本。

3.中国工业企业数据库

该数据库涵盖了1998—2013 年我国全部国有企业以及规模以上非国有企业的相关生产信息。对该数据库作如下处理：（1）清理企业名称，与中国海关贸易数据库中企业名称的处理方式一致；（2）清理企业法人代码，与中国工业企业污染数据库中企业法人代码的处理方式一致；（3）考虑到数据库中部分变量存在异常情况，本文对数据进行筛选，一是剔除总资产、固定资产净值、平均就业人数缺失或小于零的观测值，二是总资产必须大于或等于固定资产净值、固定资产总额和流动资产，三是剔除平均就业人数小于8的样本，四是将样本期内企业所属行业的代码统一调整为2002年版本。

数据的合并及处理过程如下：第一步，基于经合组织公布的HS2017 版本ICT 产品的海关编码、HS2017与HS1996的对应关系以及清理后的中国海关贸易数据库，识别出贸易企业进口ICT产品的行为；第二步，根据清理后的企业法人代码，将中国工业企业污染数据库与中国工业企业数据库相匹配，得到各个工业企业的生产与排污信息；第三步，根据清理后的企业名称，将进口ICT产品的贸易企业与工业企业进行合并，识别出进口ICT产品的工业企业；第四步，现有研究证实中国加入WTO 后贸易壁垒与贸易政策不确定性的降低对企业进口和污染物排放均产生深刻影响[15，26]，为剔除这种影响，本文将样本期确定为2002—2012年；第五步，为尽可能保证在样本期内企业是初次进口ICT产品，本文删除2002年以前进口ICT产品的企业。最终，本文获得了2002—2012年47276家企业共计172426个样本，表1报告了各变量的描述性统计。由表1可知，进口ICT 产品的企业污染物排放强度明显低于未进口ICT产品的企业。

表1 变量的描述性统计

四、实证结果及分析

（一）基准回归结果

表2 报告了式（1）的估计结果，各列均控制了年份、行业、城市以及企业的固定效应。列（1）未纳入“企业-年份”层面的控制变量，term的估计系数在1%的置信水平下显著为负；列（2）至列（6）逐步纳入企业规模、平均工资水平、企业年龄、出口强度、外资占比等“企业-年份”层面的控制变量，term 的估计系数仍然在1%的置信水平下显著为负。列（6）显示，term 的估计系数为-0.2819，即进口ICT 产品使企业污染物排放强度平均下降了24.56%（exp-0.2819-1）左右，这一结果支持了假设1。

表2 基准回归结果

各控制变量的情况如下：ln_asset 的估计系数显著为负，表明企业规模越大，企业污染物排放强度越低，这是因为大规模企业拥有更强的技术能力和更小的融资约束，进而具备更强的污染减排能力；ln_wage 的估计系数显著为负，表明企业平均工资水平越高，企业污染物排放强度越低，这是因为企业平均工资水平越高意味着企业的人力资本水平越高，企业通过推动技术创新实现污染减排的能力越强；ln_age 的估计系数显著为正，表明随着企业年龄的增长，企业污染物排放强度会有所提高，这与吕越和陈泳昌（2022）[24]的研究发现相一致；exp_ratio的估计系数显著为负，表明企业出口强度越高，企业污染物排放强度越低，这是因为企业出口强度的提高可以通过规模效应和学习效应促使企业减排。

（二）稳健性检验

1.平行趋势检验

双重差分估计有效的前提条件是处理组和控制组之间要满足平行趋势条件，即在进口ICT产品以前，处理组企业和控制组企业污染物排放强度的变动趋势是相同的，否则通过双重差分法得到的估计量是有偏的。为验证平行趋势，本文在式（1）的基础上设定如下回归方程：

式（2）中，beforej i是一个虚拟变量，当企业i在j 年之后进口ICT 产品，则该变量取1，否则为0。b_j刻画了企业进口ICT产品之前，处理组企业和控制组企业污染物排放强度的变动趋势。本文将企业进口ICT 产品前的第十年作为参考，若b_9至b_1的估计系数不显著，则意味着相比于企业进口ICT 产品前的第十年，处理组企业在进口ICT 产品前的第九年至进口ICT产品前的第一年与控制组企业在污染物排放强度方面不存在显著差异，说明样本数据满足平行趋势条件。也是一个虚拟变量，当企业i在j年之前进口ICT产品，则该变量取1，否则为0。a_j 刻画了企业进口ICT产品之后，处理组企业和控制组企业污染物排放强度的变动趋势。

从图1 可以看出，在进口ICT 产品之前，处理组企业和控制组企业污染物排放强度的变动趋势保持一致，表现为b_9 至b_1 的估计系数在90%的置信水平下不显著（图1中90%的置信区间内包含了0 值），说明本文的数据满足平行趋势条件。此外，a_0 的估计系数不显著，而a_1 至a_10 的估计系数显著为负且逐渐变小，说明ICT产品进口的污染减排效应要在一年之后才能显现，且这种效应呈现逐步增强的趋势。总而言之，图1的结果印证了处理组企业与控制组企业污染物排放强度的变动趋势在进口ICT产品之前是相似的，因此本文的数据满足平行趋势条件。

图1 平行趋势检验

2.倾向得分匹配

已有研究发现，企业进口具有自选择特征，生产率高的企业更能克服进口的固定成本而产生进口行为[27]。除生产率以外，企业资本密集度、外资进入等生产特征也是影响企业进口决策的重要因素[28]。因此，企业是否进口ICT 产品可能并不是随机的，基准回归的估计可能存在样本选择问题。本文使用PSM-DID 方法处理这一问题。具体步骤为：首先，通过Probit模型估计出各个企业进口ICT产品的倾向得分；其次，根据倾向得分按照1:1 的比例选择出与处理组企业相似的控制组企业；最后，基于处理组企业与新的控制组企业重新使用双重差分法进行估计。在使用Probit模型估计倾向得分时，选取企业全要素生产率（取对数）、资本密集度（取对数）、就业规模（取对数）、出口强度、外资占比和所属行业作为匹配变量。为确保倾向得分匹配结果的可靠性，匹配变量需满足平衡性条件。匹配变量的平衡性检验发现，各匹配变量标准偏差的绝对值均不到10%，处理组企业与控制组企业在匹配变量方面不存在显著差异，按照Rosenbaum 和Rubin （1985）[29]的20%标准值，匹配变量满足平衡性条件。表3 列（1）报告了基于1∶1 匹配比例的估计结果，term的估计系数在5%的置信水平下显著为负，说明在处理了“模型可能存在样本选择问题”之后，ICT产品进口的污染减排效应依然显著。本文进一步按照1∶2、1∶3、1∶4、1∶5 的匹配比例选择出与处理组企业相似的控制组企业，如表3 列（2）至列（4）所示，改变匹配比例后，term 的估计系数至少在10%的置信水平下显著为负，再次验证了基准回归结论的稳健性。

3.进一步控制其他因素的影响

双重差分法的优势是通过在样本中纳入可以与处理组进行比较的控制组，减少需要考虑的控制变量数，从而较好地解决模型的“变量遗漏”问题。然而本文仍可能遗漏一些与企业污染减排和ICT 产品进口行为同时相关的因素，例如非ICT产品进口、国家或地区层面实施的节能减排政策、行业技术变革、企业进入退出行为以及其他无法观测的因素。因此，本文进一步控制这些因素的影响。

（1）控制非ICT 产品进口的影响。非ICT 产品进口也可能对企业污染物排放强度产生影响。如果ICT 产品进口行为与非ICT 产品进口行为存在较强的相关关系，那么在回归分析中遗漏“非ICT产品进口”这个因素就可能造成估计的偏误。为此，本文在解释变量中加入“企业非ICT产品进口规模”，并以企业非ICT 产品进口金额（other）来度量企业非ICT 产品进口规模（单位为百万美元）。表4列（1）的结果显示：一方面，在控制企业非ICT产品进口规模后，term的估计系数仍然在1%的置信水平上显著为负；另一方面，other 的估计系数为负但不显著，表明非ICT产品进口也有助于降低企业污染物排放强度，但这一影响还不够明显。

表4 控制其他因素的影响

（2）控制节能减排政策实施的影响。“十一五”规划纲要首次提出了节能减排的战略要求，自2006 年以来，国务院陆续出台了《关于加强节能工作的决定》《节能减排综合性工作方案》等文件，各部委结合各自业务范围出台了具体政策。毫无疑问，节能减排政策的实施促进了企业污染物排放强度的下降。因此，本文在解释变量中引入term 与节能减排政策实施的虚拟变量（policy）的交互项（term×policy），若政策实施于2006 年及以后，则policy 取1，否则为0。表4 列（2）的结果显示：一方面，term的估计系数显著为负，表明在控制节能减排政策实施后，ICT产品进口的污染减排效应依然显著；另一方面，term×policy的估计系数显著为负，表明节能减排政策的实施强化了ICT产品进口的污染减排效应。

（3）控制“城市-年份”和“行业-年份”的固定效应。本文在基准回归中引入年份、行业、城市和企业层面的固定效应以及一系列“企业-年份”层面的控制变量，以规避“变量遗漏”问题，但仍可能遗漏某些难以观测且影响企业污染物排放强度的变量，例如各地区实施的产业政策、各行业清洁生产的标准以及技术变革等，进而导致估计偏误。因此，本文进一步控制“城市-年份”和“行业-年份”的固定效应。表4 列（3）的结果显示，term 的估计系数仍然显著为负，再次验证了基准回归结论的可靠性。

（4）控制企业进入退出的影响。企业的进入退出可能同时影响污染减排行为和ICT产品进口行为。因此，本文在解释变量中引入新进入企业虚拟变量（entry）、退出企业虚拟变量（exit）、term和新进入企业虚拟变量（entry）的交互项（term×entry）以及term 和退出企业虚拟变量（exit）的交互项（term×exit）。表4列（4）的结果显示，term×entry 和term×exit 的估计系数均不显著，而term 的估计系数仍然显著为负，表明企业的进入退出行为并不会对基准回归的结论产生影响。

4.排除其他未观测因素的影响

由于部分“企业-年份”层面的特征无法被直接观测到，因此本文模型中可能遗漏了“企业-年份”层面的一些重要因素。根据式（1）可以得到term估计系数的表达式：

式（3）中，ωit表示“企业-年份”层面的控制变量以及年份、行业、城市和企业层面的固定效应。由式（3）可知，若η不为0，则表示未观测因素会对估计结果产生影响，遗憾的是，我们并不能直接检验η 是否为0。换个角度，如果让“企业是否进口ICT产品”变得随机，则理论上term就不会对企业污染物排放强度产生实际影响，即β1=0，若此时再估计出也等于0，就可以证明η 为0。因此，本文将“企业是否进口ICT 产品”变得随机，并使这个过程运行200次，这样就可以估计出200 个。图2 展示了随机处理后估计值的分布，可以看出，200个集中分布在0附近，其最小值也远远大于基准回归结果中的估计值。同时，通过t 检验可以发现，200 个和0 不存在显著差异。由此可以反推η 为0，表明未观测因素不会对估计结果产生影响。

图2 随机处理后估计值的分布

5.改变被解释变量的测度

第一，借鉴吕越和陈泳昌（2022）[24]的研究方法，本文将被解释变量从二氧化硫排放强度的对数值调整为二氧化硫生产强度的对数值（ln-SO2_a），即采用二氧化硫产生量与工业总产值比值的对数值来衡量。表5 列（1）报告了相应的估计结果，可以看出，term 的估计系数仍然在1%的置信水平下显著为负。

表5 改变被解释变量测度和剔除异常值影响

第二，借鉴韩超和王震（2022）[25]的研究方法，本文将被解释变量从二氧化硫排放强度的对数值调整为二氧化硫排放量的对数值（lnSO2_b）。表5 列（2）报告了相应的估计结果，可以看出，term的估计系数仍然在5%的置信水平下显著为负。

第三，鉴于企业排放的污染物不仅包含二氧化硫等大气污染物，还包含工业废水等水体污染物，本文将被解释变量从二氧化硫排放强度的对数值分别调整为工业废水排放强度的对数值（ln_water） 和化学需氧量排放强度的对数值（ln_cod）。表5 列（3）和列（4）报告了相应的估计结果，可以看出，term的估计系数至少在10%的置信水平下显著为负，表明ICT产品进口对企业水体污染物的减排效应仍然成立。

6.剔除异常值的影响

为剔除异常值对基准回归结果的影响，本文对被解释变量在上下1%分别进行缩尾和截尾处理。表5 列（5）和列（6）报告了相应的估计结果，可以看出，term的估计系数至少在10%的置信水平下显著为负，表明在剔除异常值的影响后，基准回归的结论仍然成立。

（三）机制分析

根据企业污染物排放强度的表达式可知，企业产出规模和污染物排放规模的变动是影响企业污染物排放强度的直接因素，因此本文针对ICT产品进口对企业产出规模、污染物排放规模以及企业污染物排放强度的影响进行检验①。表6 报告了相应的检验结果。其中：output_scale 表示企业产出规模，用“企业总产值取对数”来衡量；SO2_scale 表示企业污染物排放规模，用“企业二氧化硫排放量取对数”来衡量。可以看出，ICT产品进口不仅显著促进了企业产出规模的增长，还显著降低了污染物的排放规模，而二者共同引致了企业污染物排放强度的降低。

表6 ICT产品进口对企业产出规模、污染物排放规模和污染物排放强度的影响

那么，ICT产品进口为何会对企业产出规模和污染物排放规模产生影响？针对这一问题，本文从以下两个方面展开探讨。

1.ICT产品进口影响企业产出规模的内在机制

本文在理论分析部分指出，ICT产品进口会通过提高全要素生产率来促进企业规模增长。本文采用中介效应模型来验证这一机制。需要说明的是，工业企业数据库中缺少部分年份企业的中间品投入信息和工业增加值信息，本文借鉴余淼杰等（2018）[30]的研究方法，将缺失的企业中间品投入信息和工业增加值信息补齐，并使用LP 方法估算企业的全要素生产率（ln_tfp）。表7 列（1）的结果显示，term的估计系数显著为正，即ICT产品进口显著提高了企业的全要素生产率。表7 列（2）的结果表明，全要素生产率的提高促进了企业产出规模的增长，且在控制企业全要素生产率后，ICT 产品进口对企业产出规模的促进作用下降。结合表6 和表7 列（1）、列（2）的结果可知，ICT产品进口可以通过提高全要素生产率来促进企业规模增长，进而降低企业污染物排放强度，假设2得以验证。

表7 机制检验

2.ICT 产品进口影响企业污染物排放规模的内在机制

本文在理论分析部分指出，ICT产品进口会通过优化能源结构、提高能源效率来降低企业污染物排放规模。同样，本文也采用中介效应模型来验证这一机制。关于中介变量的选择：一是使用企业工业煤炭消费量的对数值（ln_coal）、燃料油消费量的对数值（ln_oil）和洁净燃气消费量的对数值（ln_gas）表征企业的能源结构；二是参考陈钊和陈乔伊（2019）[31]的做法，使用企业单位煤炭投入的工业产值的对数值（energy_eff）表征企业的能源效率。表7 列（3）至列（6）报告了ICT 产品进口对企业能源结构和能源效率的影响结果。其中：列（3）至列（5）的结果显示，尽管ICT产品进口未对企业工业煤炭消费量的增长产生显著影响，但却显著抑制了企业燃料油消费量的增长并刺激了洁净燃气消费量的增长，表明ICT产品进口有助于优化企业的能源结构；表7 列（6）的结果显示，term的估计系数显著为正，表明ICT产品进口有助于提高企业的能源效率。表7 列（7）报告了中介变量ln_oil、ln_gas 和energy_eff 对企业污染物排放规模的影响。结果显示：一方面，燃料油消费量的下降、洁净燃气消费量的增长以及能源效率的提高均会显著降低企业污染物的排放规模；另一方面，在控制中介变量ln_oil、ln_gas 和energy_eff后，term的估计系数不再显著。结合表6和表7 列（3）至列（7）的结果可知，ICT 产品进口可以通过优化能源结构、提高能源效率来降低企业污染物排放规模，进而降低企业污染物排放强度，假设3得以验证。

（四）差异化分析

1.企业规模差异

ICT产品进口对不同规模企业污染物排放强度的影响可能存在差异。一般而言，大规模企业具备更强的规模经济效应和更多的技术储备，也更能发挥ICT产品进口对优化能源结构、提高能源效率以及升级技术手段的积极影响。因此，ICT产品进口对大规模企业产生的污染减排效应可能更为明显。为验证这一猜测，本文以样本中企业规模的中位数为标准，将企业划分为大规模企业和小规模企业，再分别进行回归分析。表8 列（1）和列（2）报告了相应的估计结果，可以看出，ICT产品进口未对小规模企业的污染物排放强度产生显著影响，但却显著降低了大规模企业的污染物排放强度，这与预期相一致。

表8 差异化分析

2.行业要素密集度差异

ICT产品进口产生的污染减排效应也可能因企业所属行业要素密集度的不同而存在差异。相对于非技术密集型行业，技术密集型行业的污染物排放强度较低，下降空间也较小，但技术密集型行业在生产过程中反而会更多更好地应用ICT 产品，ICT 产品进口对其产生的影响会更大。那么，ICT产品进口对技术密集型行业产生的污染减排效应到底是更小还是更大？为回答这一问题，本文将样本中的行业划分为技术密集型和非技术密集型，再分别进行回归分析。表8 列（3）和列（4）报告了相应的估计结果②，可以看出，相对于非技术密集型行业，技术密集型行业企业在进口ICT产品后，更明显地降低了企业的污染物排放强度，表明生产过程能否更好地与ICT产品相结合决定着ICT产品进口的污染减排效应的发挥。

3.地区数字经济发展水平差异

已有研究证实，各地区的数字经济发展也对降低本地区污染物排放发挥了重要作用[32-33]。那么，在推动企业污染减排方面，各地区的数字经济发展能否与企业ICT 产品进口形成良性互动？在理论上，数字经济发展能够优化产业结构、推动生产方式绿色化转变、推动科技创新等，这些因素都会使进口ICT 产品的企业更有动机和能力去释放ICT 产品进口的污染减排效应。因此，ICT 产品进口对数字经济发展水平较高地区的企业产生的污染减排效应可能更为明显。为验证这一猜测，本文借鉴于欢等（2022）[34]的研究方法，根据《2012 年中国数字经济发展指数白皮书》中我国31 个省（自治区、直辖市）的数字经济发展指数，将各地区划分为数字经济发展水平较低地区和数字经济发展水平较高地区，再分别进行回归分析。表8 列（5）和列（6）报告了相应的估计结果，可以看出，ICT 产品进口未对数字经济发展水平较低地区的企业污染物排放强度产生显著影响，但却显著降低了数字经济发展水平较高地区的企业污染物排放强度，这与预期相符合。

五、结论与政策启示

推动企业污染减排是建设人与自然和谐共生现代化的关键着力点，而企业投入数字化在推动污染减排进程中扮演着重要角色。本文以企业ICT产品进口表征其投入数字化行为，通过理论分析和双重差分估计，深入研究ICT产品进口对企业污染减排的实际影响、作用机制以及差异化特征。研究证实，ICT产品进口能够显著降低企业污染物排放强度，且从多个角度进行稳健性检验后该结论仍然成立。机制检验表明：一方面，ICT产品进口通过提升全要素生产率，促进企业产出规模增长，进而降低企业污染物排放强度；另一方面，ICT 产品进口通过优化能源结构、提高能源效率，降低企业污染物排放规模，进而降低企业污染物排放强度。此外，ICT产品进口产生的污染减排效应会因企业规模、所属行业和所属地区的不同而存在差异，具体而言，ICT 产品进口对大规模企业、技术密集型行业企业和数字经济发展水平较高地区企业的污染减排效应更为明显。

本文的研究结论具有如下政策启示：首先，鼓励和扩大ICT产品进口，推动企业投入数字化转型与污染减排协同发展。一方面，要降低数字产品进口关税，简化数字产品进口流程和手续，持续提升数字产品进口的贸易便利化水平；另一方面，通过实施进口贴息等政策，激励企业积极进口和使用ICT 产品。其次，推动ICT 产品核心技术研发创新，打造ICT产品自主可靠的供应链。近年来中国ICT 产品进口频频出现被西方国家“卡脖子”的现象，正在面临“受制于人”的风险，因此应瞄准ICT 产品领域的核心技术，持续加大技术、人力和资金投入力度，补短板、锻长板，加强我国ICT产品供应链的安全性与韧性。再次，持续完善数字基础设施，拓展ICT产品应用场景。未来应加快构建高速、移动、安全、泛在的新一代信息基础设施，形成万物互联、人机交互的网络空间，为ICT产品应用场景在各个行业、各类企业中的拓展营造良好的外部环境。

注释

①由于在后文使用中介效应模型进行机制检验时部分样本的中介变量缺失，本文基于新的样本重新检验ICT 产品进口对企业污染物排放强度的影响。

②技术密集型行业包括专用设备制造业、仪器仪表制造业、医药制造业、汽车制造业、电气机械和器材制造业、石油加工、炼焦和核燃料加工业、计算机、通信和其他电子设备制造业、通用设备制造业、铁路、船舶、航空航天和其他运输设备制造业。