数字赋能对制造业低碳生产的影响研究

分类：自动化论文范文 时间：关注：(1)

　　数字赋能驱动低碳生产是推进制造业形成新质生产力的关键。基于2013至2022年制造业面板数据，使用超效率SBM法测度低碳生产效率，以绿色技术创新和企业韧性为中介变量检验数字赋能对制造业低碳生产效率的影响机制。研究发现：

　　1. 我国制造业低碳生产效率呈明显的区域和行业差异，空间上自东向西效率值递减并呈梯次分布特征，西部地区效率增长率明显高于中东部地区，且效率值有显著的行业差异。

　　2. 数字赋能显著提升制造业低碳生产效率，影响效应逐年增强;绿色技术创新和企业韧性在数字赋能对制造业低碳生产效率的影响中有独立中介效应，且前者中介效应强于后者;数字赋能还通过绿色技术创新和企业韧性的链式中介提升低碳生产效率。

　　本研究为制造业充分释放数字赋能效应，实现低碳生产提供理论路径，也可为政府部门优化产业政策提供依据。

　　关键词：数字赋能;绿色技术创新;企业韧性;低碳生产效率

　　论文《数字赋能对制造业低碳生产的影响研究》发表在《科研管理》，版权归《科研管理》所有。本文来自网络平台，仅供参考。

　　0 引言

　　绿色低碳是制造业新质生产力的底色。党的二十届三中全会提出“推动制造业高端化、智能化、绿色化发展”。当前，数字技术利用正深度赋能制造业绿色低碳发展。制造企业尤其是国有大型制造企业通过构建“数字化中台”，打造智能工厂等行动重塑生产和管理体系，催生了绿色技术和产品迭代涌现，低碳生产形成显著示范效应[1]。陕西法士特集团依托智能制造系统实现了连续6小时无人“黑灯生产”;江苏徐工集团基于大数据平台和“混合云”底座的精准预测可提供单台设备节能减排的综合方案。同时，中小制造企业利用数字技术创新成果解决低碳生产“卡脖子”困境方面也取得显著成效。数字赋能驱动低碳生产正成为制造业形成新质生产力的重要路径。研究数字赋能对低碳生产的影响机制有助于为制造业企业进一步推动碳减排、提升生产效率，加快形成新质生产力提供理论指导和管理启示。

　　数字赋能强调数字技术同生产过程的深度融合与协同，指的是借助数字技术及其创新成果应用改善提升产业或企业主体创新力、竞争力和效率的系列活动。制造业低碳生产则是围绕企业生成系统改变传统的高排放、高消耗和低附加值的要素投入、生产安排与组织方式的新发展模式。理论方面，数字赋能对制造业低碳发展的影响可归结为三个层面：

　　宏观层面：制造业低碳生产主要依赖于由数字经济驱动的新要素集聚，尤其是面向全产业链环节聚集新的创新要素成为构建绿色价值链、实现低碳生产的关键路径[2-4]。

　　产业层面：数字技术融合各类技术模块推动技术多样化，促进价值链攀升并产生竞争效应，进而促进绿色技术创新以减少产业碳排放;且产业结构、市场化水平、外部竞争等因素在数字赋能制造业低碳发展中也发挥着重要作用[5-6]。

　　企业层面：数字技术利用对生产工艺革新、新产品绿色功能拓展及价值提升等产生显著赋能效应;数字技术利用伴随一般性生产技术创新带来生产要素配置的持续优化，并通过削减资源消耗及避免配置失衡提升全要素生产率[7];同时，数字赋能还通过增强绿色认知、变革组织结构、塑造绿色文化等激发企业低碳发展活力[8]。

　　现有研究初步廓清了数字赋能驱动制造业低碳生产的理论框架，但仍需在以下两方面深化研究：

　　1. 现有研究主要聚焦数字经济或产业组织等中观、宏观层面，而产业低碳化受数字技术创新利用、生产资料安排等企业组织活动影响会表现出相应的系统差异，微观企业层面探讨数字赋能影响低碳生产的作用机制需进一步深化;

　　2. 现有研究未充分揭示企业组织特性在数字赋能驱动低碳转型中的作用，需进一步解答数字技术如何通过改变企业特性进而赋能低碳生产的内在机制。

　　本文从微观层面考虑制造企业低碳生产问题，以低碳生产效率为被解释变量研究数字赋能对制造业低碳生产的影响机制。低碳生产效率关注提高产出的同时能有效控制生产过程碳排放，是指制造企业采用低碳工艺和技术方法并以低能源消耗带来的投入产出综合效益[9-10]。研究克服传统DEA模型在效率排序和冗余识别上的局限，采用超效率SBM模型测度非期望产出(碳排放)效率，阐释我国制造业低碳发展趋向特征;将企业韧性纳入理论框架，使用面板数据检验绿色技术创新与企业韧性的独立中介及链式中介效应，揭示区域、行业和企业规模异质性影响，阐明数字赋能影响制造业低碳生产效率的内在机制。

　　1 研究设计

　　1.1 研究假设

　　1.1.1 数字赋能与制造业低碳生产

　　数字赋能以数据为关键要素，以数字技术利用为载体驱动制造企业绿色低碳转型。现有研究基于数据要素和数字技术“双轮驱动”，以揭示数字赋能制造业低碳生产的基本逻辑：

　　数据要素层面：数据要素不仅依靠自身的增量和质量优势推动碳排放精准化建模，挖掘用户消费倾向和价值主张，支持企业低碳生产与经营的决策安排，而且还与传统生产要素相融合、相渗透，赋能传统生产要素价值再升级。数据的流动性和多样化属性则内化为数字赋能能力，进而撬动人、财、物等传统生产要素开发再利用，提高数据与传统生产要素整体的配置效率[11]。同时，吸收异质性数据要素有利于企业对创新资源的整合优化，降低搜寻成本、提高创新能力[12]。

　　数字技术层面：企业层，数字技术直接作用于清洁能源利用与低碳设备更新，强化要素协同并形成替代效应[13];产业层，数据要素和数字技术双轮驱动重塑产业链低碳认知，通过价值协同并催生网络扩散效应[14];企业利用互联网平台和大数据平台等构建生态“廊道”，并同合作伙伴建立横向业务延展和纵向网络链接关系，而复杂网络结构如结构洞、跨层破缺等将扩展低碳技术扩散的边界[15]。

　　综上，本文提出如下假设：

　　H1：数字赋能显著提升制造业低碳生产效率。

　　1.1.2 绿色技术创新与制造业低碳生产

　　绿色低碳技术促进工艺改进和经营变革，借助数字技术重构新要素组合方式。学者从生产低碳化、产品绿色化等角度对绿色技术创新促进低碳生产的机制进行了研究：

　　内在动力层面：宏观层面，依托数字技术实现业务流程衔接和产品创新，促进资源能力合理配置[16];通过大数据建模和智能分析形成企业对运营环境和商业环境的强感知力，进而促使其针对价值实现环节建立基于情景式、体验式的网络粘连，并通过大数据运算和智能分析引导企业根据环境变化和价值主张开展更具目的性的生产要素合理配置、生产方式组合优化，进而实现生产全过程低碳化。微观层面，聚焦数字化引发的知识、信息等创新资源模块化，企业利用数字技术开展分布式资源编排，聚合有利于技术成长的微观“粒子”实现模块化创新[17]。

　　关键路径层面：大数据与人工智能通过构建系统性解决方案降低全生命周期碳消耗，并伴随数字技术与绿色低碳技术的融合创新[18]。一方面，企业开展应用场景搭建、网络平台链接等数字化转型有助于创新“粒子”的交互重叠和局部搜索，进而引发技术创新活动的跨界融合与集成[19];另一方面，由数字技术嵌入驱动的绿色创新表现出强外部性，包括促使生产过程清洁化的正外部性以及降低碳排放的负外部性;同时，绿色技术创新还具有显著的碳“解锁效应”，推动提升互动效率以增大降碳减碳的经济效益。

　　综上，本文提出如下假设：

　　H2：数字赋能通过促进绿色技术创新提高制造业低碳生产效率。

　　1.1.3 企业韧性与制造业低碳生产

　　韧性体现为企业在抵御转型风险、均衡绿色低碳转型和持续性价值增长中所表现出的稳定性，因其在数字赋能影响制造业低碳生产中起重要作用正引起学者关注：

　　风险抵御层面：制造业绿色低碳转型具有双重价值：一方面解构传统要素及组织惯例所形成的生产架构，使企业降碳减碳行动不仅可增加运营管理成本，还带来一定程度的利润损耗[22];另一方面协调多边主体低碳价值认同，缓解因多边主体对低碳转型未来收益预期差异而引发的价值冲突。而“韧性”存在的价值则在于形成突发事件冲击下的系统张力和“回弹力”，并帮助产业内企业在冲击恢复期做出适应性调整，进而形成能够有效推进低碳转型、实现高效率资源配置的基本能力[23]。

　　能力提升层面：大数据、人工智能及区块链等的通用技术属性越发明显，其强渗透性正推动大规模制造向敏捷制造、柔性制造转变，不仅推进了企业运营管理的效率优化，还借助关联效应和溢出效应推进了供给、需求双侧的精准匹配。数字技术利用还将制造业的生产优势与网络优势进行了叠加，通过减少中间过程承接成本、促进网络化分工建立稳定性的供应链[24];而成熟的数字化能力也将有助于提高网络节点间合作与竞争关系的稳定性。

　　综上，本文提出如下假设：

　　H3：数字赋能通过增强企业韧性提高制造业低碳生产效率。

　　1.1.4 绿色技术创新、企业韧性与制造业低碳生产

　　依据上述分析，绿色技术创新和企业韧性均提供了数字赋能影响制造业低碳生产效率的中介路径。已研究也发现，多样化的技术创新是韧性生成的重要机制。对于制造业企业而言绿色技术创新可从多个层面增强企业韧性：

　　生产侧：绿色技术创新带动新要素投入、增加新产品产出并促进传统要素节约，并同数字技术利用相互叠加推动生产方式的高级化;

　　需求侧：绿色技术创新可催生高质量、差异化的产品需求，倒逼企业进行绿色资源的整合、构建和结构重塑，数字技术则为该过程提供了模型化工具，为企业效益长期增长积蓄动能。

　　综上，本文提出如下假设：

　　H4：绿色技术创新和企业韧性在数字赋能促进制造业低碳生产、提高效率的作用中具有链式中介效应。

　　理论框架：

　　1.2 数据来源

　　结合我国制造业数字化的历史进程和演化趋向并考虑数据可得性，选取2013-2022年中国制造业企业数据为样本数据。数据主要来源于上市公司资讯网和中国研究数据服务平台(CNRDS)。获取的数据使用中位数方法填补了缺失值，剔除了食品制造、纺织服装及服饰、烟草制品行业等行业内企业，同时还对不同来源数据进行了匹配处理。经上述处理，保留9076个有效样本。

　　1.3 变量设计

　　1.3.1 被解释变量

　　低碳生产效率(LTE)为被解释变量。结合解学梅和韩宇航[25]学者观点使用超效率SBM模型，将制造业企业产出分为期望产出部分和非期望产出两部分，以生产过程碳排放为非期望产出指标测度综合生产效率作为低碳生产效率的代理变量。

　　1.3.2 核心解释变量

　　数字赋能(DEM)为核心解释变量。借鉴已有成果，以数字经济专利申请量作为数字赋能代理变量，原因在于专利申请量能够更加全面地体现企业开展数字科技创新应用的活力，且CNRDS等数据库对上市公司数字经济专利申请量进行了统计，便于数据整合。

　　1.3.3 中介变量

　　1. 绿色技术创新(GI)：借鉴相关研究成果，结合企业专利数据库中关于“生态”“绿色”“低碳”等关键词，定义绿色专利作为绿色技术创新的代理变量。

　　2. 企业韧性(ER)：从成长稳定性、财务稳定性和可持续发展三方面构建指标得到企业韧性综合指数：

　　成长稳定性：选取速动比率(QR)作为指标;

　　财务稳定性：使用现金流波动性(CR)和盈利波动性(REVENUE.OR)度量;

　　可持续发展：选择企业总资产净利润率(RETURN.TR)和账面市值比(BOOK.V)度量。

　　应用熵权法对各测量指标进行赋权评分，得到企业韧性水平综合指数值。

　　1.3.4 控制变量

　　选取企业注册地、R&D人员、R&D投入、企业规模、企业行业属性作为控制变量。为便于测算，R&D人员和R&D投入均采用相对值。

　　1.4 描述性统计

　　描述性统计结果显示：

　　数字赋能(数字经济专利申请量)均值为5.8373，标准差为30.2660;绿色技术创新(绿色发明专利申请量)均值为14.8528，标准差为119.9791，两变量基本呈正态分布趋势。

　　控制变量中，R&D人员及R&D投入标准差分别为2.1312、0.0607，存在较大差异，且少数企业R&D人员和R&D投入偏高。

　　碳排放量均值为11.7，中位数为11.6112;现金流波动和盈利波动性均值分别为0.039、0.0548，基本呈正态分布特征。

　　1.5 方法与模型

　　1.5.1 超效率SBM方法

　　考虑企业低碳生产包含对传统生产要素组合编排的重构，涉及绿色资产、数据等新型生产要素的非线性嵌入，同时还需控制生产的高能耗、高排放问题，使用超效率SBM方法测度低碳生产效率，将松弛变量纳入目标函数，有效测量期望产出和非期望产出以辅助企业决策。

　　1.5.2 计量模型

　　1. 主效应模型：

　　2. 作用机制模型：

　　检验独立中介效应：

　　2 实证研究

　　2.1 低碳生产效率及时空差异

　　2.1.1 整体趋势

　　2013-2022年，我国制造业低碳生产效率均值为0.7232，呈现阶段性波动性特征：

　　2013-2017年效率值由0.7030提高到0.7608，年均增长1.6%，主要得益于资源有效利用和制造业向集约化、高端化转型;

　　2018-2022年效率值呈波动性变化，2018-2020年达到峰值，2021-2022年短暂性下降，扩大经营再投资不足可能是主要原因。

　　2.1.2 区域差异

　　我国东中西部制造业低碳生产效率分别为0.7336、0.7231和0.7017，呈现自东向西逐次递减的梯次分布：

　　2013-2017年，西部地区年均增长率显著高于中东部地区，源于西部地区传统制造业产业链升级和数字技术渗透;

　　2013-2020年，东部地区年均增长1.2%，但2021-2022年增长停滞且小幅下滑;

　　中西部地区2013-2016年缓慢增长，2017年短期提升后又小幅下降，波动特征明显。

　　2.1.3 行业差异

　　我国制造业低碳生产效率从高至低排序为：资源加工、汽车制造、电气机械及器械制造、交通运输设备制造、电子信息与计算机设备制造、专用设备制造、通用设备制造、医药制造和仪器仪表制造业：

　　2013-2022年资源加工类行业(如石油加工和化纤工业)年均增速为0.13%;

　　专用设备制造、通用设备制造和医药制造业低碳生产效率年均增长率超过10%;

　　先进制造业低碳生产效率普遍高于传统制造业，行业差异显著。

　　2.2 数字赋能对制造业低碳生产效率的影响效应分析

　　2.2.1 主效应检验

　　使用Hausman方法检验后采用固定效应模型，结果显示：数字赋能系数显著为正((eta=0.0007)，(p<0.01))，验证了假设H1。说明企业利用大数据、人工智能等数字技术能有效促进生产组织优化，构建有助于控制能源消耗和碳排放并提高产出的新生产函数。同时，研发人员、研发资金投入具有显著控制效应，企业注册地未呈现显著控制效应。

　　2.2.2 异质性分析

　　1. 区域异质性：检验结果显示，数字赋能回归系数仍显著为正，但虚拟变量同数字赋能交互项通过显著性检验，说明数字赋能对制造业低碳生产效率的作用不存在显著的区域异质性。

　　2. 行业异质性：检验结果显示，数字赋能回归系数显著为正，且汽车制造、医药制造、通用设备制造业的虚拟变量同数字赋能乘积项回归系数分别为0.0364、0.0173和0.0117(均通过5%或10%水平显著性检验)，说明这三个行业数字赋能对提升低碳生产效率的作用更强;机械、电子信息与计算机设备制造业等行业虚拟变量回归系数显著为负，数字赋能作用受到抑制。

　　2.2.3 变化趋势分析

　　逐年回归结果显示，数字赋能对低碳生产效率的影响效应呈逐年上升趋势，影响系数自2013年的0.004增至2022年的0.021。原因包括：

　　数字技术创新向生产环节持续渗透，促进绿色生产要素编排优化，体现长期效应;

　　政府持续加大数字科技创新对产业升级的引领，政策效用显著。

　　2.2.4 稳健性检验

　　1. 替换解释变量测量指标：将滞后一期的数字经济专利授权量作为代理变量，回归系数为0.0125((p ≤0.01))，模型具有稳健性;

　　2. 改变被解释变量测量指标：将生产过程碳排放替换为碳排放总量再次测算效率值，回归结果与基准模型接近，验证了稳健性。

　　2.3 作用机制的进一步分析

　　2.3.1 独立中介效应

　　使用双重固定效应模型检验结果如下(表1)：

　　1. 绿色技术创新中介效应：模型(M_1)中数字赋能系数为2.6130((p ≤0.01))，说明数字技术利用可显著提高绿色技术创新水平;模型(M_2)中数字赋能和绿色技术创新系数分别为0.0042((p ≤0.01))、0.0046((p ≤0.01))，直接效应和间接效应均显著，绿色技术创新存在部分中介效应，H2得以验证。

　　2. 企业韧性中介效应：模型(M_3)中数字赋能对企业韧性的影响系数为2.6133(5%水平显著);模型(M_4)中数字赋能和企业韧性系数分别为0.0040、0.1070(均1%水平显著)，企业韧性存在部分中介效应，H3得以验证。

　　表1 中介效应检验结果 Table 1 Mediation effect test results

　　| 变量名称 | GI(M₁) | LTE(M₂) | ER(M₃) | LTE(M₄) |

　　| C | -27.103 | -6.220° | -0.039 | 0.6620* |

　　| DEM | 2.6130°* | 0.0042* | 2.6133 | 0.0040* |

　　| GI | | 0.0046* |

　　| ER | | | | 0.1070* |

　　| SCALE | 0.1035* | 0.0030* | 0.1025° | 0.0975* |

　　| INDUSTRY | 3.647* | 0.0245* | 0.0032 | 0.0050 |

　　| LOCATION | 0.0312 | 0.0089* | 0.0013 | 0.3022* |

　　| PERSON | 0.0385 | 0.0023 | 0.0089 | 0.0213* |

　　| FINANCE | 0.7010 | 0.0008 | 0.001 | 0.028 |

　　| 调整R² | | 0.4061 | | 0.5118 |

　　| P(F) | 0.0000 | 0.0000 | 0.0000 | 0.0000 |

　　注：*p ≤0.01、p ≤0.05、*p ≤0.10，括号中为标准误，下同。

　　2.3.2 链式中介效应

　　借助SPSS process方法构建链式中介模型，Bootstrap检验(抽样1000次)结果如下(表2、表3)：

　　模型(M_5)：数字赋能对绿色技术创新回归系数为2.6130(5%水平显著);

　　模型(M_6)：数字赋能和绿色技术创新对企业韧性回归系数分别为0.0008、0.0003(均1%水平显著);

　　模型(M_7)：数字赋能、绿色技术创新和企业韧性对低碳生产效率回归系数分别为0.0451、0.0070、0.1140(均1%或5%水平显著)。

　　链式中介总效应为0.0053(95%置信区间[0.0030, 0.0273])，总间接效应为0.0039(占总效应73.6%)，包含三条路径：

　　1. 数字赋能→绿色技术创新→低碳生产效率(效应值0.0025);

　　2. 数字赋能→企业韧性→低碳生产效率(效应值0.0008);

　　3. 数字赋能→绿色技术创新→企业韧性→低碳生产效率(效应值0.0006)。

　　直接效应为0.0014(占总效应26.4%)，H4得以验证。

　　表2 链式中介效应检验结果 Table 2 Chain-mediation effect test results

　　| 变量名称 | GI(M₅) | | ER(M₆) | | LTE(M₇) | |

　　| | 估计值 | 标准化估计值 | 估计值 | 标准化估计值 | 估计值 | 标准化估计值 |

　　| C | -1.6110(0.6032) | | 0.1113*(0.0030) | | 0.8104(0.6002) |

　　| SCALE | 0.3004*(0.0010) | 0.2757(0.2055) | -0.0035*(0.0000) | -0.1284(0.1038) |

　　| INDUSTRY | -0.0045*(0.0020) | -0.0327(0.0237) | 0.1010*(0.0050) | 0.0094(0.0081) |

　　| LOCATION | 0.0459(0.0340) | 0.0154(0.0102) | 0.0034(0.0010) | 0.0460(0.0205) |

　　| DEM | 0.3518*(0.0020) | 0.4052(0.4101) | 0.0008*(0.0000) | 0.0263(0.2000) | 0.0451* | |

　　| GI | | | 0.0003*(0.0000) | 0.0330(0.2805) | 0.0070*(0.0001) | 0.1455(0.0901) |

　　| ER | | | | | 0.1140*(0.0035) |

　　| R² | 0.5866 | 0.2608 | 0.2424 |

　　| 调整R² | 0.3441 | 0.2535 | 0.2309 |

　　| P(F) | 0.0000 | 0.0000 | 0.0000 |

　　表3 中介效应及路径分解 Table 3 Decomposition of mediating effect and its realization paths

　　| 效应类型 | 实现路径 | 效应值 | 95%置信区间 |

　　| 总间接效应 | 路径1：数字赋能→绿色技术创新→低碳生产效率 | 0.0025 | [0.0016, 0.0033] |

　　| | 路径2：数字赋能→企业韧性→低碳生产效率 | 0.0008 | [0.0397, 0.0797] |

　　| | 路径3：数字赋能→绿色技术创新→企业韧性→低碳生产效率 | 0.0006 | [0.0003, 0.0022] |

　　| 直接效应 | 数字赋能→低碳生产效率 | 0.0014 | [0.0007, 0.0033] |

　　| 总效应 | | 0.0053 | [0.0030, 0.0273] |

　　2.3.3 进一步讨论

　　中介效应检验揭示了数字赋能影响制造业低碳生产效率的三重路径：

　　1. 技术融合路径：通过数字技术利用改进工艺技术、优化产品设计，增加绿色技术发掘、搜索的边界，匹配多元主体低碳需求，构建合理生产函数实现低碳生产。

　　2. 环境适应路径：通过增强企业感知力、促进精准化匹配提高复杂环境应对能力，降低低碳转型不确定性风险。

　　3. 技术-环境匹配路径：利用数字技术驱动绿色技术和产品迭代涌现，通过补缺市场价值空缺谋求超额利润;或通过绿色技术创新撬动成长动能，增强内部稳定性，形成更具韧性的组织模式，降低低碳转型风险。

　　3 主要研究结论与研究启示

　　3.1 主要结论

　　1. 2013-2022年，制造业低碳生产效率提升明显但呈现时间波动和区域、行业差异：

　　2013-2020年稳步提升，2020年后有下降风险;

　　东中西三地区效率值依次下降，西部地区效率增速高于中东部地区;

　　资源加工业效率值最高，仪器仪表制造业效率值最低，先进制造业效率普遍高于传统制造业。

　　2. 数字赋能通过促进绿色技术创新、增强企业韧性显著提升制造业低碳生产效率：

　　主效应显著且呈现行业异质性;

　　绿色技术创新和企业韧性均具有独立中介效应，且前者中介效应更强。

　　3. 绿色技术创新和企业韧性存在链式中介效应：数字赋能通过绿色技术创新增强企业韧性，进而提升低碳生产效率，揭示了三条间接作用路径，完善了多重作用机制的理论研究。

　　3.2 管理启示

　　1. 政府层面：鉴于低碳生产效率的时间波动和区域差异特征，应积极推进碳监测数字化、智能化，利用大数据、AI模型等新兴数字技术提高生产碳排放感知精准度，实现碳决策的科学性、系统性。

　　2. 企业层面：

　　加强数字技术创新利用，推进数字化、绿色化协同与融合;聚焦生产环节挖掘绿色创新知识粒子和价值空间，形成多重技术融合创新及成果应用新路径。

　　强化人工智能、工业互联网等数字技术在生产环节的嵌入，捕捉产品设计、组织生产“碳足迹”，促进绿色技术创新;

　　推进运营管理及制造服务数字化，利用数据资源优势培育用户行为挖掘、市场态势感知能力，增强企业韧性，形成低碳生产内在动能。

　　参考文献

　　[1] 戴翔,杨双至.数字赋能、数字投入来源与制造业绿色化转型[J].中国工业经济,2022(9):83-101.

　　[2] 杨刚强,王海森,范恒山,等.数字经济的减排效应:理论分析与经验证据[J].中国工业经济,2023(5):81-97.

　　[3] YANG H, LI L, LIU Y. The effect of manufacturing intelligence on green innovation performance in China[J]. Technological Forecasting & Social Change,2022,78:121569.

　　[4] 吴传清,邓明亮.数字经济发展对中国工业碳生产率的影响研究[J].中国软科学,2023(11):189-200.

　　[5] 陈志远,丁小珊,韩冲,等.制造业集聚、污染关联机制与绿色发展实践路径:基于空间溢出模型的研究[J].统计研究,2022,39(9):46-61.

　　[6] 董碧滢,徐盈之,孙文远.“调结构”视角下绿色技术创新的碳解锁路径研究:环境规制的调节效应[J].研究与发展管理,2023,35(4):34-49.

　　[7] WANG M. Effects of the green finance policy on the green innovation efficiency of the manufacturing industry: A difference-in-difference model[J]. Technological Forecasting & Social Change,2023,189:122333.

　　[8] WANG J, DONG K, DONG X, et al. Assessing the digital economy and its carbon-mitigation effects: The case of China[J]. Energy Economics,2022,113:106198.

　　[9] 张宁.碳全要素生产率、低碳技术创新和节能减排效率追赶:来自中国火力发电企业的证据[J].经济研究,2022(2):158-174.

　　[10] 陈真玲,赵伟刚,李金铠.中国制造业能源拥挤效应研究:基于RAM-DEA模型的分析[J].系统工程理论与实践,2019,39(7):1831-1844.

　　[11] 张培,董珂隽.制造企业数据赋能实现机理研究:关键要素和作用机制[J].科学学与科学技术管理,2023,44(8):94-111.

　　[12] 郭立祥,岳书敬,张鑫和.数据开放对制造业与服务业融合的影响研究[J/OL].科研管理,1-14[2025-20-20].http://kns.cnki.net/kcms/detail/11.1567.G3.20241226.1413.014.html.

　　[13] 刘培德,李西娜,李佳路.碳配额交易机制下竞争企业低碳技术扩散:基于复杂网络的演化博弈分析[J].系统工程理论与实践,2024,44(2):684-703.

　　[14] ANDREAS N, ANDRÉ H, ANDERS B. Feeling the green? Value orientation as a moderator of emotional response to green electricity[J]. Journal of Applied Social Psychology,2019,44(10):672-680.

　　[15] 毕克新,付珊娜,杨朝均,等.制造业产业升级与低碳技术突破性创新互动关系研究[J].中国软科学,2017(12):141-153.

　　[16] ADENUGA O, MPOFU K, MODISER. Energy-carbon emissions nexus causal model towards low-carbon products in future transport-manufacturing industries[J]. Energies,2011,15(17):6322-6329.

　　[17] 王安静,郭琳,赵景峰.中国经济与碳排放脱钩的时空异质性及其驱动因素分析[J].软科学,2024,38(5):100-106.

　　[18] 刘启雷,张媛,雷雨嫣,等.数字化赋能企业创新的过程、逻辑及机制研究[J].科学学研究,2022,40(1):150-159.

　　[19] 周成,钱再见.中国碳达峰碳中和的政策路径:基于扎根理论和制度语法学的双重分析[J].中国人口·资源与环境,2022,32(11):19-29.

　　[20] FARIHA I, FAKHRAS, JUNAID D, et al. Copper biosorption over green silver nanocomposite using artificial intelligence and statistical physics formalism[J]. Journal of Cleaner Production,2022,374:133991.

　　[21] XU L, LIU Y, ZHANG B, et al. Study on the impact of green finance on low carbon development of manufacturing industry from the perspective of multidimensional space: Evidence from China[J]. Environmental Science and Pollution Research International,2023,30(17):50772-50782.

　　[22] 周红星,黄送钦.数字化能为创新“赋能”吗:数字化转型对民营企业创新的影响[J].经济学动态,2023(7):69-90.

　　[23] CARDINALI P, GIOVANNI P. Responsible digitization through digital technologies and green practices[J]. Corporate Social Responsibility and Environmental Management,2022,29(4):984-995.

　　[24] DAMODARAN A, VANDEN HEUVEL Onno. India's low carbon value chain, green debt, and global climate finance architecture[J]. IIMB Management Review,2023,35(2):97-107.

　　[25] 解学梅,韩宇航.本土制造业企业如何在绿色创新中实现“华丽转型”?:基于注意力基础观的多案例研究[J].管理世界,2022,38(3):76-106.

　　[26] 杨震宁,侯一凡,李德辉,等.中国企业“双循环”中开放式创新网络的平衡效应:基于数字赋能与组织柔性的考察[J].管理世界,2021,37(11):184-205+12.

　　[27] 田秀娟,李睿.数字技术赋能实体经济转型发展:基于熊彼特内生增长理论的分析框架[J].管理世界,2022,38(5):56-74.

　　[28] LI C, LIU J X, LIU Y W, et al. Can digitalization empowerment improve the efficiency of corporate capital allocation? Evidence from China[J]. Economic Analysis and Policy,2023,80:1794-1810.