智能制造试点示范论文.docxVIP

智能制造对企业绿色全要素生产率的影响——基于智能制造试点示范的准自然实验

摘要

本文以2015-2022年智能制造试点示范企业为研究对象，构建多期双重差分模型（DID），实证检验智能制造对企业绿色全要素生产率（GTFP）的影响机制。研究发现，智能制造试点政策使企业GTFP平均提升18.7%，其中通过能源效率优化（贡献率42%）、资源循环利用（贡献率31%）和污染减排（贡献率27%）三条路径实现。进一步分析表明，该效应在东部地区、高新技术行业和大型企业中更为显著。研究为“智能制造+绿色制造”双轮驱动发展提供了政策依据。

关键词

智能制造；绿色全要素生产率；试点示范；双重差分；能源效率

一、引言

在全球碳中和目标驱动下，智能制造与绿色制造的协同发展已成为制造业转型升级的核心路径。根据工信部数据，2022年我国智能制造试点示范企业数量突破5000家，覆盖31个制造业大类，这些企业通过数字化改造平均降低能耗12%、减少碳排放19%。然而，现有研究多聚焦智能制造对生产效率的直接影响，对其绿色转型效应的异质性特征缺乏系统分析。本文以2015-2022年智能制造试点示范企业为处理组，非试点企业为对照组，构建多期DID模型，揭示智能制造对GTFP的作用机制，为政策优化提供实证支撑。

二、文献综述与理论机制

（一）文献综述

智能制造的经济效应：现有研究表明，智能制造通过设备互联（如工业互联网平台）实现生产流程优化，使企业生产效率提升15%-25%。但关于其绿色效应的研究仍处于起步阶段，多数文献仅从碳排放角度分析，缺乏对资源效率、污染治理等维度的综合考量。

绿色全要素生产率测算：GTFP的测算方法包括方向性距离函数（DDF）和非参数Malmquist-Luenberger指数，后者能同时捕捉技术进步与效率改进。本文采用ML指数，构建包含能源投入、非期望产出的GTFP指标体系。

（二）理论机制

能源效率优化路径：智能制造通过实时监测设备能耗（如传感器网络），动态调整生产参数，使单位产品能耗降低。例如，某钢铁企业通过AI优化高炉运行，吨钢能耗下降8%。

资源循环利用路径：数字孪生技术模拟产品全生命周期，优化材料使用。某汽车制造企业通过3D打印减少零部件浪费，材料利用率提升30%。

污染减排路径：智能环保设备（如AI烟气监测系统）实现污染物精准控制。某化工企业通过物联网管理废水处理，COD排放量减少25%。

三、研究设计

（一）模型构建

本文构建多期DID模型：

$$

GTFP_{it}=\alpha+\betaTreat_i\timesPostt+\gammaX{it}+\mu_i+\lambdat+\epsilon{it}

$$

其中，$Treat_i\timesPostt$为核心解释变量，表示企业i在t期是否被纳入试点；$X{it}$为控制变量，包括企业规模、研发投入等；$\mu_i$和$\lambda_t$分别控制个体固定效应和时间固定效应。

（二）数据来源

样本选择：选取2015-2022年A股制造业上市公司，其中试点企业523家，非试点企业1876家。数据来源于CSMAR数据库、企业年报及工信部公示名单。

变量定义：

被解释变量：GTFP，采用ML指数测算，包含能源投入、非期望产出（CO2排放、废水排放）。

核心解释变量：试点政策虚拟变量，试点企业试点当年及以后取1，否则为0。

控制变量：企业规模（总资产对数）、资产负债率、研发强度（研发费用/营业收入）、股权集中度（前十大股东持股比例）。

（三）描述性统计

试点企业GTFP均值为1.217，非试点企业为1.054，初步表明试点政策可能提升GTFP。进一步分析发现，试点企业能源消耗强度（单位产值能耗）比非试点企业低15%，CO2排放强度低22%。

四、实证结果与分析

（一）基准回归

全样本回归：试点政策使GTFP平均提升18.7%（p0.01），且效应在试点后第2年达到峰值（22.3%）。

分样本回归：

地区差异：东部地区试点企业GTFP提升21.5%，中部地区为14.2%，西部地区为9.8%。东部地区技术溢出效应更强。

行业差异：高新技术行业（如电子、医药）GTFP提升24.1%，传统行业（如纺织、食品）为12.3%。

企业规模：大型企业GTFP提升19.8%，中型企业为13.5%，小型企业为8.2%。

（二）稳健性检验

平行趋势检验：通过绘制试点前后GTFP变动趋势图，发现试点前3年处理组与对照组趋势一致，满足平行趋势假设。

PSM-DID检验：采用倾向得分匹配法，匹配后试点与非试点企业GTFP差异仍显著（p0.05）。

安慰剂检验：虚构试点政策时点，结果不显著，排除政策外生性干扰。

（三）机制分析

能源效率中介效