智能制造推动了企业绿色全要素生产率提升吗？

颜逢 赵秀云

摘 要：本文以我国智能制造示范项目为准自然实验，手工收集并整理了2015—2022年上市公司是否实施智能制造的年度数据，采用PSM-DID的研究方法，从企业绿色全要素生产率的研究视角考察了智能制造的实施效果。研究发现，智能制造能够显著提升企业的绿色全要素生产率。机制检验表明，该影响是通过促进企业绿色技术创新，优化人力资本结构两条渠道得以发挥。异质性检验发现，这种影响在企业的规模属性、产权属性、行业属性和地区属性中存在异质性。拓展性检验发现，智能制造的实施具有长期价值效应，能够提升企业当期及未来一期价值。

关键词：智能制造；绿色全要素生产率；绿色技术创新；人力资本结构；价值效应

中图分类号：F270  文献标识码：A  文章编号：1001-148X（2024）03-0041-09

收稿日期：2023-11-27

作者简介：颜逢（1997—），女，吉林辽源人，博士研究生，研究方向：资本市场与公司财务；赵秀云（1965—），女，天津人，教授，博士生导师，研究方向：资本市场与公司财务。

基金项目：天津市教委社会科学重大项目“加快打造世界一流智慧港口、绿色港口研究——双循环下供应链信用机制与天津港智能风控优化研究”，项目编号：2020JWZD04；天津市财政局会计学会重点会计科研项目“智慧供应链下中小企业融资风险管控研究”，项目编号：Y210802。

一、引 言

我国经济已经迈入新发展阶段，但仍然无法从对能源的严重依赖中解脱出来，这使得我们亟须加快转变经济发展模式，由追求速度和数量的粗放式发展转向追求绿色和质量的内涵式发展［1］。《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》强调要“推动经济社会发展全面绿色转型，建设美丽中国”，因此，提高绿色经济效率已成为当前我国经济高质量发展的新目标。作为实现绿色高质量发展的重要指标，绿色全要素生产率（GTFP）引起了政府、社会以及学界的广泛关注。

作为经济增长的新推力，人工智能、大数据、云计算等新一代信息技术快速发展，深刻影响甚至重塑了现有的经济活动模式，为企业绿色转型发展提供了广阔的空间和契机。作为第四次工业革命的主导力量，智能制造融合了现代化信息技术与先进制造技术，已成为我国制造业企业转型的必经之路。2015年，国务院印发了《中国制造2025》，将智能制造升至国家级战略。2022年《政府工作报告》进一步将“增强制造业核心竞争力、大力推进智能制造”划为工作重点。为贯彻落实智能制造发展规划，工业和信息化部联合开展智能制造试点示范行动。智能制造已由理念普及、试点示范转入深入应用、全面推广的新发展阶段。在新一代技术变革下，企业应该抓住机遇，将数字信息技术融入传统生产模式中，用更好的制造业生态助力企业绿色全要素生产率的提升，正确处理好“绿水青山”和“金山银山”之间的辩证关系，为助推我国经济绿色高质量发展不断积蓄新动能。

绿色全要素生产率（GTFP）相较于全要素生产率增加了对非期望产出如污染排放，以及生态环境如资源承载力等因素的考量，能够全面、客观地反映经济发展质量，更加契合新时代的绿色发展理念。围绕GTFP的测量体系，学界展开了许多探讨。Chung等（1977）［2］基于方向性距离函数和生产率（ML）指数将环境因素纳入测量体系，且ML指数得到了广泛应用［3］。Tone等（2001）［4］建立了基于松弛变量的SBM-DDF函数模型，有效克服了非零松弛问题。紧接着，为了提高GTFP测量的准确度，进一步将方向性距离函数和SBM函数结合［5］。有关其影响因素学界也积累了许多有价值的成果。有研究发现，环境规制、研发能力和科技创新等均对GTFP的提升有促进作用［6］。而对外贸易和对外投资均能正向促进GTFP的提升，但会受到融资约束、制度环境等条件限制［7］。作为一种新型制造模式，智能制造带来了先进的信息技术和制造技术，能够提升企业运营效率［8］，降低生产成本，抑制成本粘性［9］等，从多方面增加企业的竞争优势。相关研究有，数字经济能够促进经济、环境协同发展，提高企业绿色研发投入和环境保护意识，促进绿色创新［10］。但实证研究仍不是很多。

综上所述，上述文献在相关领域内均积累了诸多有益的研究和讨论，但关于智能制造实施与企业GTFP之间的关系和内在逻辑尚未有学者进行探讨，缺乏理论阐释和实证分析。绿色低碳发展是全球所趋，绿色经济已然成为全球产业竞争的重要制高点。而智能制造通过将信息技术融入企业生产过程，在很大程度上缓解了传统制造业生产模式所导致的高投入、高污染、高消耗等问题，对制造业绿色转型升级起到了极大的助推作用。因此，在中国的“双碳”承诺以及后疫情时代再度发展的经济全球化这一双重背景下，借助GTFP这一能够反映绿色经济发展全貌的指标，考察智能制造对绿色发展的作用效果，对当前我国绿色经济发展具有重要意义。

基于此，本文从智能制造角度出发，探究提升企业GTFP的有效工具，以我国智能制造试点示范专项行动为准自然实验，研究制造业上市公司智能制造与其GTFP之间的关系。本文的边际贡献如下：第一，在研究视角上：首先，研究补充并丰富了GTFP驱动因素的文献体系和智能制造经济后果的研究范式。我国有关GTFP的研究目前仍不是很多，且鲜有研究以企业生产模式为角度。受限于智能制造的数据度量，已有研究大多集中在规范研究和案例分析上，实证方法研究目前较少。本文对工信部发布的智能制造试点示范项目名单进行手工收集和整理数据，采用PSM-DID的方法进行实证检验，补充并拓宽了智能制造实践效果的研究。其次，在全球性智能制造趋势和绿色新发展的要求下，研究基于企业绿色转型升级的角度评估智能制造的影响效果，为深刻认识智能制造与GTFP之间的关系提供了新的经验证据。第二，在研究内容上：从公司层面出发，研究智能制造对GTFP的影响。将绿色技术创新和人力资本结构作为中介变量，挖掘智能制造与GTFP的作用机理，深入探讨智能制造助力企业GTFP提升的路径，且进一步分析智能制造对GTFP的异质性影响，这有助于更好地理解智能制造在提升GTFP方面发挥的重要作用。第三，在政策应用上：研究在数字经济背景下为实施智能制造推动我国制造业企业绿色转型发展提供有益的启示和指导。本文揭示智能制造对企业GTFP的正向促进作用，并且从微观视角和多个维度剖析智能制造影响企业GTFP的具体路径和调节因素，研究结果有助于促进企业智能制造转型，进而提升企业GTFP，为国家落实智能制造政策和绿色高质量发展提供理论依据和重要启示。

二、理论分析与研究假设

智能制造通过优化企业各方面要素，包括劳动、资本、数据、能源等，激发企业创新潜力，提升劳动力整体素养，打造绿色技术创新与高质量劳动力双重驱动力，助力企业智能化和绿色化协同发展。具体而言，智能制造对GTFP的积极作用主要体现在激励企业绿色技术创新和促进人力资本结构优化两个方面。

（一）促进绿色技术创新

基于企业内部角度，企业各部门之间普遍存在多方面的差异，致使企业内部出现信息流通速度慢、流通效率不高等问题。而智能制造带来的信息技术能够优化企业的内部环境，将各个部门划入统一信息管理范畴内，有助于数据搜集、数据处理的实时性和高效性，实现各环节信息互联互通，简化内部信息传递流程，实现内部信息公开化、透明化，解决企业内部面临的“信息孤岛”难题［11］。特别地，人工智能、云共享、区块链等技术帮助企业实现了内部活动信息的实时记录和可追溯性，能够及时将环境污染相关信息传送至相关部门。同时，利用数字技术还可以对绿色技术创新和产品研发进行指导，提高其产出效率，进而促进企业可持续发展。另外，就专业程度的要求而言，绿色技术创新要明显高于传统技术创新。由于信息在整个研发过程与应用过程中透明度均较低，造成股东对管理层的监督难度较大。数字化手段的应用极大地提高了企业内部信息的透明度，不仅有助于管理层及时获取基层部门的信息，还有助于股东了解管理层的决策动态，包括增加股东对关键数据抽查的便利性、及时了解关键决策的动态性等，推动整个流程信息透明化及可视化，这在一定程度上弱化了代理问题对绿色技术创新的阻碍效应。智能制造的引入还可以节约企业的信息处理成本，增强企业的信息分析与处理能力，提高企业的信息整合与应用能力。大数据、云计算等数字技术能够对数据进行技术层面的加工处理和实时分析，节约了对海量数据处理的时间成本和人工成本，帮助企业完成对数据的高效筛选，减少误导性信息的干扰，弥补了大数据价值密度低的缺陷，提高了数据资源的利用率［12］。这不仅加快了知识在企业内部之间的流动和扩散，还能以最小化的记录成本将企业内部的知识储备量最大化。这也有助于企业迅速定位创新突破点，准确掌握市场动向和行业趋势，根据真实需求改善生产技术，降低生产不确定性，最大程度契合市场上的低碳消费需求，充分发挥绿色技术创新效应。

基于企业外部环境角度，一方面，在智能制造模式下，科斯交易成本理论中所提到的边界理论将被打破，数据能够破除传统生产要素无法突破的时间和空间的限制。市场上的信息、技术与人才的流动壁垒不断被打破，并通过溢出效应和示范效应激励企业绿色技术创新。此时，信息传播与共享的速度和效率不断被加快和提高，传统创新知识和创新技术传播不再具有阻碍，极大地发挥了知识技术的溢出作用和扩散作用，在将知识转化为绿色技术成果的同时为创新主体的实时交流和深层次互动提供了技术支撑，使得行业内先进制造技术更好与传统产业相融合，推动传统制造业产业转型升级，降低能源损耗，推动技术进步。另一方面，智能制造的引入可以有效节约企业的信息搜集成本、信息处理成本和信息交易成本［13］，从而消除交易壁垒，进而打破市场边界，有利于生产要素在更大空间内自由流动，促进企业要素配置进一步优化，极大地提升GTFP。从合作角度出发，知识与技术的整合在整个创新的过程中至关重要，这是因为创新的实质就是将既有的碎片知识进行重新组合。此外，市场为生产者与消费者之间的知识摩擦、交流提供了机会，由于突破了空间和地理的限制，创新知识的主体和来源不断被丰富和增加，使得创新模式不断发生演变，进一步促进绿色技术创新。而作为GTFP的决定性因素，绿色技术创新能力的提高为提高企业GTFP注入活力。

（二）优化人力资本结构

智能制造带来的新一代信息技术与企业的各种要素进行深度融合，为企业扩展了经济活动的空间，创造了优化资源配置的空间，有助于提高正向经济效益产出，降低负向环境效益产出。具体而言，数据与劳动生产要素的融合，改变了制造业企业人力需求结构，提高了对人力资本要素培养的要求。以新一代信息技术为载体的智能制造重塑了企业的生产经营模式，诱发企业组织方式和管理模式作出调整和改变，增加了企业对高学历、高技术等人才的需求，随之而来的对低学历和低技术人员不断挤出，进而优化了企业的人力资本结构。

一方面，企业实施智能制造将增加对高技能劳动力的需求，对部分低技能劳动力产生挤出效应。首先，相较于传统制造企业，智能制造企业的智能工厂、自动化工厂的数量逐渐增多，伴随着“机器换人”的现象也越来越广泛。其次，从某种程度来讲，每一次的技术革命都会或多或少造成“技术性失业”，加之我国智能制造发展目前处于初级阶段，智能制造技术主要应用于复杂度低且重复性高的任务，因此，智能制造带来的技术进步最可能对企业中常规性、重复性等岗位类型产生替代效用，比如生产线搬运工、生产性行政员工等工作岗位，“机器换人”首要对该类型员工的工作造成冲击。相比之下，高技能人员主要从事复杂度高且无序的工作，被替换的次序远远靠后且被替换的可能性也相对较低。与此同时，基于资本-技能互补性这一特点，相较于低技能型劳动力，智能化资产与高技能型劳动力更能起到互补作用，诱发了企业对劳动力技能的高需求［14］，比如智能化操作人员、智能系统维修人员等高水平化技能人才。因而，智能制造引发“机器换人”的同时也带来了与新技术相适配的新工作岗位，这主要增加了与高端设备相配套的高精尖人才的需求。智能制造所引起的上述变化均会导致企业中高技能劳动力比例的提高。此外，在智能制造的背景下，企业分工化程度会逐渐有所提高，这也对设备操控、维护以及升级后的产品设计、营销等工作人员提出了更高的技术能力和技术水平要求。在这种情况下，会促使相关岗位的从业人员不断学习专业知识，提高专业能力以适应技术性工作。与此同时，企业内部其他人员如果有从生产岗位转向技术岗位或管理岗位的诉求，更需要专业知识素养和技术能力的提高以匹配高技术含量岗位。如此一来，“倒逼”各种岗位的员工主动学习与智能制造相关的知识技能，在增加企业人力资本存量的同时不断优化企业技术人员结构。而人力资本结构的优化反过来也会促使员工更愿意接受和吸收新技能知识，将越来越丰富的高技能知识应用、融入企业的生产经营中，更好地发挥绿色技术的积极作用，产生良性循环，进而有效促进企业GTFP的提升。

另一方面，数字技术催生的智能制造等高水平技术企业凭借着各种竞争优势，不断强化自身的盈利能力和盈利质量，吸引高学历人才的涌入。而制造企业智能化转型需要高学历、高素养的人才提供重要基础和保障。随着企业对信息技术的应用，有效改变了就业和劳动力结构，扩大了企业对高学历人才的需求，促使人才向企业不断集聚。新增长理论明确了经济体系内部要素对生产效率产生一定的作用，并且在经济增长模型中增加了人力资本要素。其一，凝结了高教育水平投入的人力资本有助于绿色产品的研发和绿色技术的产出。高教育水平的人力资本相对而言具备更强的技术学习和吸收能力，能够将智能制造带来的新绿色技术更好地应用到企业的生产经营中。同时，在高学历的人力资本将其自身具备的高水平知识要素融入企业的生产过程，能够进一步激活企业的绿色创造力，有助于企业实现在绿色发展方面的提质增量，进而提高GTFP。其二，人力资本要素的水平影响了市场对绿色产品的消费偏好。高水平的人力资本更易呈现高环境保护倾向，这类人员更偏向生产环境污染程度较低的绿色产品，进而增加环境友好型产品的市场占有量。综上，新一代信息技术与劳动要素的融合，优化了企业的人力资本结构，提高了人力资源配置水平，助力制造业企业人力资本结构转型升级，不断扩张了企业的生产可能性边界，进而促进企业GTFP的提高。基于以上分析，提出以下研究假设：

H1：企业实施智能制造后能够有效提升自身GTFP。

三、研究设计

（一）样本选取与数据来源

本文以我国A股制造业上市公司为样本，选取2015—2022年为样本观察期。具体的数据来源：智能制造的数据根据工信部发布的智能制造试点示范项目名单进行手工收集、整理；GTFP测算的相关数据来自《中国城市统计年鉴》《中国环境统计年鉴》、上市公司社会责任报告、上市公司年报等；控制变量及其他数据来自CSMAR数据库。样本筛选过程如下：（1）剔除了金融业、ST和*ST类以及上市不足一年的上市公司；（2）剔除了所有资不抵债（即资产负债率大于1）和关键性变量缺失的样本。为了消除极端影响，对所有的连续变量进行上下1%的Winsorize缩尾处理，最终共得到20181个观测值。其中，有84家企业在样本期内实施了智能制造，3811家企业在样本期内没有实施智能制造。

（二）PSM倾向得分匹配法

企业入选智能制造示范名单时，存在一定非随机性，可能由某些企业特征因素所决定。因此，为了缓解样本的自选择偏误，本文参考《智能制造发展规划》等政策性文件以及权小锋和李闯（2022）［9］的研究，选取了企业规模、资产负债率、盈利能力、第一大股东持股比例、管理层持股比例、主营业务收入增长率、固定资本密度等一系列特征变量作为匹配变量，进行1∶1最近邻匹配。经匹配后，得到实验组企业84家，445个“企业-年度”样本；对照组企业84家，437个“企业-年度”样本。且经过PSM处理后的协变量在处理组与控制组中均不存在显著差异。

（三）变量定义与说明

1 智能制造（IM）

本文旨在考察智能制造的实践效果，因此设虚拟变量IM，上市公司实施智能制造的当年及以后的年份定义为1，否则为0。

2企业绿色全要素生产率（GTFP）

借鉴罗军和邱海桐（2022）［15］的研究，采用非径向SBM-ML指数对企业GTFP进行测度。企业GTFP的投入和产出指标的具体测度如下：（1）要素投入：劳动投入以企业员工数作为代理变量；资本投入以企业固定资产净额作为代理变量；能源投入以企业所在城市工业用电量按企业从业人员占城市城镇人员就业比重进行换算作为代理变量。（2）期望产出：以企业营业收入作为企业期望产出的代理变量。（3）非期望产出：参考崔兴华和林明裕（2019）［16］的做法，以企业从业人员占所在城市城镇人员就业比重，对“工业三废”即工业二氧化硫、工业废水、工业烟粉尘排放量进行换算，作为企业非期望产出的代理变量。

3控制变量（Controls）

借鉴已有研究，本文进一步控制了企业规模（Size），等于年末总资产取自然对数；资产负债率（Lev），等于年末负债与总资产比值；资产收益率（Roa），等于年末净利润与总资产比值；企业成长性（Growth），等于年度营业收入增长率；第一大股东持股比例（Top1），等于第一大股东持股的百分比；管理层持股比例（Mngmhldn），等于年末管理层持股数量占总股数的百分比；管理层薪酬（Salary），等于管理层薪酬总额取自然对数；账面市值比（Mb），等于账面价值与市场价值比值；现金流成长性（Cashflow），等于经营活动产生的净流量增长率可能对企业GTFP产生影响的变量以消除可能存在的遗漏变量偏误，同时控制了年度（Year）和个体（Id）层面固定效应。关键变量定义及具体说明如表1。

（三）模型设计

GTFP=β0+β1IM+β2Size+β3Lev+β4Roa+β5Growth+β6Top1+β7Mngmhldn+β8Salary+β9Mb+β10Cashflow+Year+Id+ε （1）

其中，GTFP代表企业绿色全要素生产率，该值越大表示企业的GTFP水平越高；IM表示企业是否实施智能制造指标，如果企业当年实施了智能制造，则IM在当年及以后的年份均为1，否则为0；Year及Id代表年度和个体层面固定效应。在实证过程中主要通过观测IM的回归系数β1，我们预期系数β1显著为正，代表智能制造对企业GTFP的净效应，即智能制造能够显著提升企业GTFP。

四、实证结果分析

（一）描述性统计

描述性统计结果如表2所示：样本企业中IM的均值为040，表明制造业中约有40%的上市公司已实施智能制造。GTFP的中位数为106，均值为104，说明样本中企业GTFP水平仍然不均衡。其余控制变量分布和现有研究成果相一致。

（二）基准回归

表3列示了智能制造影响企业GTFP的多元回归结果。表3中列（1）为仅包含解释变量和被解释变量的基准回归结果，在控制年度、个体层面固定效应的前提下，IM变量的回归系数为0005，在5%水平上显著为正。列（2）为进一步添加了控制变量的回归结果，依旧得到了5%显著正相关的系数。说明在控制其他条件下，智能制造能够促进企业GTFP的提升，支持了本文假设。

（三）稳健性检验

1平行趋势检验

为了避免DID模型检验结果产生偏差，需要保持实验组与控制组在政策实施前发展趋势相同。具体地，构造交乘项，IM（-2）表示实施智能制造前第二年，IM（-1）表示实施智能制造前第一年，IM（0）表示实施智能制造当年，IM（1）表示实施智能制造后第一年，IM（2）表示实施智能制造后第二年。检验结果如表4所示，智能制造实施之前交乘项系数均不显著，在智能制造实施当年开始显著，且以后年份交乘项系数也均显著为正。总体来看，满足平行趋势假设。

2安慰剂检验

采取安慰剂检验方法可以进一步排除外界偶然因素，以免对结果产生影响。具体地，利用配对样本随机生成一个伪处理组，构建新的样本组对模型再次进行回归，如果回归系数不显著偏离原点，说明随机产生的智能制造样本的GTFP并没有被提升，具体结果如图1所示。图1的横轴表示随机生成的交乘项系数，纵轴表示估计系数的P值和密度分布情况。由图1可知，估计系数在0两侧呈正态分布，P值绝大部分均大于01，这表示智能制造对“伪处理组”的GTFP没有显著作用。图1中的垂直虚线表示模型的真实回归系数，值为00054122。安慰剂检验的回归系数并未落在该区域内，主要分布区域距离真实回归系数较远，表明随机生成的智能制造样本的GTFP未被显著提高。综上，通过了安慰剂测试。

3改变事件窗口期

数字经济于2017年被写入党的十九大报告以及政府工作报告中，自此数字经济得以快速发展。为避免与之相关的战略规划紧密出台对结果可能产生的影响，剔除了2017年的观测样本重新进行回归。另外，为了剔除2020年新冠肺炎疫情的影响，将样本观测期剔除2020年，均得到了5%显著正相关的系数，说明改变样本窗口期后结论保持不变。

4遗漏变量问题

本文还通过加入财务杠杆、审计质量、两权分离等可能会影响企业GTFP的控制变量重新对样本进行回归检验，以缓解遗漏变量问题。如表5中列（3）所示，结果依旧保持不变。综上所述，智能制造提升企业GTFP的结论可靠。

五、进一步检验

（一）机制分析

1 绿色技术创新

据上文分析，实施智能制造能够激发企业创新潜力，从而提升企业GTFP。为了验证该机制，借鉴了Chang等人（2019）［17］的研究，选取绿色专利的申请数量（Gpatent_a）和绿色专利的获得数量（Gpatent_g）作为企业绿色技术创新的代理变量。检验结果如表6所示，表6中列（1）和列（2）显示，实施智能制造后，企业的绿色专利申请数量和获得数量均显著增加，这表明，智能制造促进了企业绿色技术创新，进而提升了企业GTFP，符合我们的预期。

2人力资本结构

实施智能制造后，优化了企业人力资本结构，提升了劳动力整体素养，进而促进了企业GTFP的提高。为检验上述该机制，我们从员工学历水平和技术水平两个层面进行考量。参考赵宸宇等（2021）［18］的研究，将本科及其以上学历的人数占比（Degree）作为衡量员工学历水平的代理指标；将企业高技能人才数量占比（Skill）作为衡量员工技术水平的代理变量。结果由表6列（3）和列（4）可知，实施智能制造后能够增加企业高学历水平和高技能水平的人员数量，提高企业高学历、高技能人才比例，优化了企业人力资本结构，进而提升了企业GTFP，与我们的预期相符。

（二）异质性分析

智能制造对企业GTFP的作用效果在企业不同属性方面可能存在异质性。本部分将进一步考察企业属性特征对二者之间的关系是否会产生非对称性影响。具体地，我们针对企业的规模属性、产权属性、行业属性以及地区属性等方面进行了检验。

1规模属性

大规模企业拥有雄厚的资金、人才储备和管理经验，能够更好地克服企业在引入新技术时可能遇到的难题［19］。另外，大规模企业践行绿色化转型的主动性更高。企业规模越大，所受到的资源稀缺性约束越弱，受到的社会关注和政府监管越多。处于严格的监督环境中，企业发生环境污染等负面行为的违规成本增高，随之会有更高的声誉维持需求。加之智能制造扮演了“锦上添花”的角色，为企业多方面提供技术支持，使其充分挖掘和利用自身优势，助力企业高质量发展。因此，我们预测智能制造对企业GTFP的影响在大规模企业中更为显著。以企业总资产的中位数来划分企业规模，分别对两组样本进行回归，结果如表7列（1）和列（2）所示。在大规模企业中系数显著为正，而在小规模企业中系数不显著，这表明智能制造提升企业GTFP的表现在大规模企业中的效果更明显。

2产权属性

近年来，政府对制造业企业智能化转型十分重视，与政府有密切关系的国有企业能够发挥良好的示范作用，更好地完成智能化转型、绿色转型等政策的落实。一方面，国有企业在智能化发展和绿色发展上具备政策优势和资源倾斜，有助于促进其GTFP的提高。另一方面，无论是智能制造的引入还是绿色化发展，都需要前期投入较多的资本且回报周期较长。而国有企业自身具备的资金、人才等优势为企业智能化以及绿色化转型升级提供了完备的客观条件。因此，我们预期国有企业更易通过智能制造提升企业GTFP。基于此，我们将样本以产权性质划分为两组，回归结果如表7列（3）和列（4）所示。在国有企业中系数显著为正，在非国有企业中系数不显著，与预期相符。

3行业属性

高科技企业高度重视科学技术的创新和发展，以及技术人员的培养。另外，相较于非高科技企业，高科技企业在资金、人才、技术等资源上有着得天独厚的优势，这种优势能更好地与智能制造相结合。而非高科技企业不具备这种客观条件，且这类企业对智能化转型的敏感度也不高，这也就导致他们无法合理利用数字技术提升自身的GTFP。基于此，我们认为智能制造对企业GTFP的促进作用在高科技企业中更为显著。根据《上市公司行业分类指引（2012年修订）》将样本分为高科技企业与非高科技企业两组。结果如表7列（5）和列（6）所示，符合预期。

4地区属性

我国具有区域发展不均衡的特点，这也为不同地区企业实施智能制造转型提供了不同的客观条件，也使得智能制造对企业GTFP的作用具有差异化。源于历史原因、自然优势、政策实施等一系列因素，我国东部地区拥有较好的发展条件和较大的发挥空间，其地区经济水平和科技发展现状相较于中西部地区比较超前。企业凭借这种区位优势能够集聚各种绿色创新资源、高水平人力资本、产品研发资金等要素，营造了有利于企业智能化和绿色转型发展的外部环境。再者，相较于中西部地区，东部地区在环保制度、环保意识等方面具有更强的约束性，企业的环保意识普遍较强，这加速了东部地区企业的智能化转型和绿色发展。为了检验地区特征的异质性影响，将样本划分成东部、中部、西部等三大地区，回归结果如表8所示。该结果表明，智能制造的引入能够显著影响东部地区企业GTFP，而对中西部地区企业并不产生显著影响。

六、拓展性分析

基于前文分析可知，智能制造能够提升企业GTFP。而GTFP作为企业树立形象、传递信号、提升竞争力的重要方式，对企业绿色高质量发展起着至关重要的作用。由此引发了一个思考：智能制造引起企业GTFP的提升能否转化成其市场价值？为检验上述价值效应，我们采用Tobins Q来衡量公司价值，同时控制了企业规模、资产负债率、企业成长性、大股东持股比例、产权性质、审计质量等一系列变量，回归结果如表9所示，表9中列（1）和列（2）分别为智能制造对企业当期和未来一期市场价值的影响，交乘项回归系数均显著为正，这表明企业实施智能制造后，其GTFP的提升有助于企业当期及未来价值的提高，具有长期价值提升效应。

七、结论与建议

作为第六次科技革命的主导力量，智能制造是我国建设制造强国的必然之路。本文验证了智能制造的影响，主要结论如下：（1）实施智能制造能够显著提升企业GTFP，且在企业规模属性、产权属性、行业属性和地区属性中存在异质性。（2）机制分析发现，智能制造的积极效应通过促进企业绿色技术创新、优化人力资本结构两条渠道得以发挥。拓展性检验发现，智能制造具有价值效应，能够给企业带来长期价值的提升。

根据研究结论，提出以下政策建议：第一，各级政府要科学合理地落实智能制造政策，准确引导企业智能制造转型发展，不断完善相关数字基础设施，缩小区域发展差距。根据地区发展水平，合理实施区域化、差异化战略，实现智能制造赋能，助力不同区域内企业GTFP的提升。与此同时，政府还应全面强化数据安全保障与网络监管，避免因盲目、过分追求企业转型升级而损害生产效率，为智能制造赋能企业绿色转型升级，提升GTFP创造良好的客观条件。第二，企业应加大对绿色技术创新和人力资本结构优化的支持力度。积极借鉴和吸收新型技术，缩小与其他企业的技术差距，不断完善和积累技术创新资源，提高生产效率和绿色创新质量，为企业转型升级提供助力。同时，企业需要结合当前的人才需求，积极完善人才引进制度，有针对性地对人才开展专业性培养，有效克服人力资源储备不足等问题。帮助企业更好地利用智能制造进行人才培养与技术创新，通过持续推动智能化转型实现企业绿色发展。第三，从研究结论可知，智能制造对企业GTFP的影响存在异质性。因此，企业应结合自身特征和外部区域环境，采用科学合理的战略规划开展转型活动，避免盲目开展智能制造，阻碍其积极效应的有效发挥，将智能制造与企业各方面深度融合，助推企业绿色高质量发展。

参考文献：

［1］ 邵帅，张可，豆建民.经济集聚的节能减排效应：理论与中国经验［J］．管理世界，2019（1）：36-60+226.

［2］ Chung Y，Fare R，Grosskopf S. Productivity and Undesirable Outputs： A Directional Distance Function Approach［J］． Journal of Environmental Management，1997（3）：229.

［3］ 陈诗一.中国的绿色工业革命：基于环境全要素生产率视角的解释（1980—2008）［J］．经济研究，2010（11）：21-34+58.

［4］ Tone K， Toloo M， Izadikhah M. A Modified Slacks-Based Measure of Efficiency in Data Envelopment Analysis［J］． European Journal of Operational Research，2020（2）：560-571.

［5］ Fare R，Grosskopf S. Directional Distance Functions and Slacks-based Measures of Efficiency： Some Clarifications［J］． European Journal of Operational Research，2010（3）：702-702.

［6］ 上官绪明，葛斌华.科技创新、环境规制与经济高质量发展——来自中国278个地级及以上城市的经验证据［J］．中国人口·资源与环境，2020（6）：95-104.

［7］ 张建，李占风.对外直接投资促进了中国绿色全要素生产率增长吗——基于动态系统GMM估计和门槛模型的实证检验［J］．国际贸易问题，2020（7）：159-174.

［8］ 温素彬，张金泉，焦然.智能制造、市场化程度与企业运营效率——基于A股制造业上市公司年报的文本分析［J］．会计研究，2022（11）：102-117.

［9］ 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（4）：68-84.

［10］姚树俊，荆玉蕾，丁冠翔.智能信息互联、绿色治理能力与制造业环境绩效［J］．西安财经大学学报，2022（1）：53-65.

［11］Wu，L.，L.Hitt， and B.Lou. Data Analytics， Innovation，and Id Production［J］．Management Science，2020（5）：2017-2039.

［12］杨德明，刘泳文.“互联网+”为什么加出了业绩［J］．中国工业经济，2018（5）：80-98.

［13］Goldfarb，A， and C.Tucker. Digital Economics［J］． Journal of Economics Literature，2019（1）：3-43.

［14］谭玉松，王林辉，胡晟明.人工智能技术能促进就业质量提升吗？［J］． 哈尔滨商业大学学报（社会科学版），2022（3）：65-77+89.

［15］罗军，邱海桐.城市数字经济驱动制造业绿色发展的空间效应［J］．经济地理，2022（12）：13-22.

［16］崔兴华，林明裕.FDI如何影响企业的绿色全要素生产率？——基于Malmquist-Luenberger指数和PSM-DID的实证分析［J］．经济管理，2019（3）：38-55.

［17］Chang X， Chen Y， Wang Q S et al. Credit Default Swaps and Corporate Innovation［J］． Journal of Financial Economics，2019（2）：474-500.

［18］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.

［19］池毛毛，叶丁菱，王俊晶，等.我国中小制造企业如何提升新产品开发绩效——基于数字化赋能的视角［J］．南开管理评论，2020（3）：63-75.

Does Intelligent Manufacturing Promote Green Total Factor Productivity of Enterprises？

——Research Based on Intelligent Manufacturing Demonstration Site Enterprises

YAN Feng， ZHAO Xiuyun

（Tianjin University of Finance and Economics，Tianjin 300222，China）

Abstract： Based on Chinas intelligent manufacturing demonstration project as the natural experiment， this paper manually collected and sorted out the annual data of whether listed companies implement intelligent manufacturing from 2015 to 2022， and investigated the implementation effect of intelligent manufacturing from the perspective of enterprise green total factor productivity. The study found that intelligent manufacturing can significantly improve the green total factor productivity of enterprises. The mechanism test shows that the influence can be exerted through two channels of promoting enterprises green technology innovation and optimizing human capital structure. The heterogeneity test shows that the influence is heterogeneous among firm size attributes， property rights attributes， industry attributes and regional attributes. The expansion test found that the implementation of intelligent manufacturing has a long-term value effect， which can enhance the value of the enterprise in the current and future periods.

Key words：intelligent manufacturing;green total factor productivity;green technology innovation;human capital structure;value effect

（责任编辑：赵春江）