智能化与绿色化政策赋能碳密集型企业的低碳转型：来自智慧城市和低碳城市试点的证据
在减少碳排放、降低污染、保护环境和促进经济方面取得协调进展，是可持续、低碳和高质量发展的基本要求。碳密集型企业的转型是解决弱点、巩固升级基础以及优化和升级传统产业的重中之重。本研究利用2013年至2023年碳密集型A股上市公司的面板数据，实证检验了智能化与绿色
在减少碳排放、降低污染、保护环境和促进经济方面取得协调进展，是可持续、低碳和高质量发展的基本要求。碳密集型企业的转型是解决弱点、巩固升级基础以及优化和升级传统产业的重中之重。本研究利用2013年至2023年碳密集型A股上市公司的面板数据，实证检验了智能化与绿色化政策对这些企业向低碳运营转型的影响及机制。结果pg电子官方网站表明，智能化与绿色化政策有助于降低碳密集型企业的CO
排放量和排放强度，且在排除相关因素干扰后，该结论依然稳健。具体而言，这些政策通过提升生态金融（eco-finance）的发展水平和企业创新耦合能力（innovation coupling capacity），显著削减了CO
排放。该影响在营商环境较好以及产业结构水平较高的企业中尤为显著。进一步研究发现，智能化与绿色化的深度融合产生了减排协同效益（emission reduction co-benefits）。经济后果分析表明，由智能化与绿色化驱动的碳密集型企业低碳转型降低了供应链风险并增强了可持续发展能力。本研究为促进高排放企业的脱碳提供了有益的政策启示。
气候变化引发的环境问题日益加剧，传统的高能耗、高排放发展模式已无法满足高质量发展的需求。碳密集型产业（carbon-intensive industries）涵盖有色金属、石油、化工等关键领域，既是保障产业链供应链安全稳定、支撑国民经济持续运行的核心支柱，也是推进工业现代化的重要载体。然而，在低碳发展、生态保护和资源可持续利用的实践中，单一政策工具难以满足复杂的发展需求，政策实施亟需“政策组合”以充分发挥不同政策的叠加效应。现有研究大多单独评估单一政策效果，鲜有从智慧城市与低碳城市协调的视角，考察“双试点”政策对碳密集型企业脱碳转型的叠加影响。为弥补这一空白，本文基于碳密集型产业的战略定位，聚焦“双试点”政策组合，探索智能化与绿色化的协同逻辑。
研究人员利用2013至2023年碳密集型A股上市公司的面板数据，采用多期双重差分法（multi-period difference-in-differences, DID）实证检验智能化与绿色化政策对碳密集型企业低碳转型的影响及机制。结果表明，智能化与绿色化政策显著降低了碳密集型企业的CO2排放量和碳排放强度，在排除多种混杂因素后结论依然稳健。机制方面，双政策通过两条路径发挥作用：一是通过促进绿色金融（green finance）发展，引导资本流向碳减排技术研发和节能改造；二是通过提升企业创新耦合能力，促进数字创新与绿色创新的协同。异质性分析显示，该减排效应在营商环境较好的企业和产业结构水平较高的企业中更为明显。进一步分析发现，智能化与绿色化的深度融合还显著抑制了工业氮氧化物（NOX）和颗粒物（PM）排放。经济后果分析表明，双政策驱动的低碳转型有效降低了企业供应链风险并增强了可持续发展能力。该研究为优化政策工具组合、促进“碳减排与污染削减”协同效益、推动碳密集型企业高质量转型提供了定量支持。论文发表在《Sustainable Futures》。
1. **多期双重差分法（multi-period DID）**：设置基准回归模型，以“双试点”政策（Smart×Low-Carbon）的交互项为核心解释变量，控制企业固定效应和年份固定效应，评估政策对CO2排放量和排放强度的影响。
2. **机制检验模型**：构建中介效应模型，分别以绿色金融发展指数（采用熵值法构建）和企业创新耦合能力（采用耦合协调度模型，基于数字发明专利申请量与绿色发明专利申请量计算）为中介变量，检验政策作用路径。
3. **稳健性检验与内生性处理**：采用事件研究法进行平行趋势检验、随机抽样安慰剂检验、改变样本区间、排除替代政策干扰，以及倾向得分匹配-双重差分法（PSM-DID）和工具变量法（IV，以滞后一期的夜间灯光数据为工具变量）缓解内生性问题。
（样本来源：碳密集型A股上市公司2013-2023年面板数据，公司数据来自CSMAR，专利数据来自CNRDS，城市统计来自《城市年鉴》。）
通过描述性统计发现，碳密集型企业的CO2排放量自然对数范围在9.777至17.141之间，均值为13.129；碳排放强度最小值为0.357，最大值为4.289，表明企业间碳排放水平和强度差异较大。Smart×Low-Carbon的均值为0.282，即28.2%的样本企业位于同时实施智能化和绿色化政策的城市。
基准回归结果显示，Smart×Low-Carbon的系数在统计上显著为负。具体而言，实施智能化和绿色化政策后，碳密集型企业的CO2排放量平均每年减少0.172个对数单位，每万元营业收入的碳排放平均减少0.111吨，验证了假设H1，即智能化和绿色化能够促进碳密集型企业的脱碳。
**4.3.1 平行趋势检验**：采用事件研究法，检验政策实施前（k=-4至-1）和处理后（k=0至6）的系数变化。结果表明，政策实施前各年系数不显著且接近0，政策实施后系数开始显著下降，多数年份呈强负向，通过平行趋势检验。
**4.3.2 安慰剂检验**：随机抽取500次“伪实验组”进行回归，估计结果的p值集中在0附近且近似正态分布，且所有估计p值均大于基准回归的p值，排除了结果的偶然性。
- 剔除2020-2021年样本（受公共卫生事件影响）后，结果与基准一致。
- 控制“大数据”政策和“碳排放权交易”政策等替代政策干扰后，双试点政策的碳减排效应依然可靠。
- PSM-DID：采用1:3近邻匹配和核匹配后，Smart×Low-Carbon系数仍显著为负，与基准一致。
- IV检验：以滞后一期夜间灯光数据与时间变量的交互项为工具变量，第一阶段F统计量远大于10，第二阶段系数显著为负，支持结论稳健性。
**4.4.1 金融发展水平**：绿色金融发展指数作为中介变量，Smart×Low-Carbon系数为0.017（在1%水平显著），表明智能化和绿色化政策通过促进绿色金融发展，使碳密集型企业获得更多绿色金融支持，从而降低碳排放和强度，验证了H2。
**4.4.2 创新耦合能力**：企业智能-绿色创新耦合能力作为中介变量，Smart×Low-Carbon系数为0.101（在10%水平显著），表明政策提升了企业创新耦合能力，进而促进低碳转型，验证了H3。
**4.5.1 营商环境异质性**：根据董事长或总经理是否有政府官员经历分组，高营商环境组中Smart×Low-Carbon系数显著为负，低营商环境组中不显著。原因在于高营商环境组企业缺乏体制内资源，更有效转化智能化与绿色化能力；低营商环境组企业容易通过政策寻租和补贴依赖削弱转型动力。
**4.5.2 产业结构异质性**：以产业结构升级指数（第一、二、三产业增加值占GDP比重加权和）均值为分组依据，高产业结构组中Smart×Low-Carbon系数显著，低产业结构组中不显著。因为低碳转型需要良好的产业基础，高产业结构企业更倾向使用新技术和资本改造生产过程。
以工业氮氧化物（NOX）和颗粒物（PM）为因变量，Smart×Low-Carbon系数均显著为负，表明智能化和绿色化政策显著抑制了工业NOX和PM排放，实现了减排协同效益。
**5.2.1 供应链稳定性**：以企业供应链风险（Supplyrisk）为因变量，构建Smart×Low-Carbon与lnCO2和碳排放强度的交互项，系数分别在5%和10%水平显著为负，表明政策通过降低碳排放和强度，减少了供应链风险。
**5.2.2 企业可持续发展能力**：以可持续发展能力（Sustainability）为因变量，交互项系数显著为正，表明政策通过降低碳排放和强度，提升了企业可持续发展能力。
研究表明，智能化和绿色化政策通过提升绿色金融发展水平和企业创新耦合能力，显著降低了碳密集型企业的碳排放和强度，该效应在营商环境好、产业结构高的企业中更明显，并实现了工业污染物减排的协同效益，同时降低了供应链风险、增强了可持续发展能力。基于此，提出以下政策建议：
1. 优化要素配置，扩大绿色金融支持覆盖面，设立技术创新专项资金，激发企业低碳转型内生动力。
2. 实施差异化政策，对低营商环境企业强化政策执行刚性，对高营商环境企业优化资源供给，对高产业结构企业优先建设低碳技术服务平台，对低产业结构企业加快完善基础设施。
3. 扩大“双试点”覆盖范围，利用智能城市数字化手段构建精准污染物监测系统，实现污染物总量和强度双降。
4. 前瞻性布局后碳达峰时代，推动智能化和绿色化政策从“赋能减排”向“赋能负排放”演进，支持CCUS技术智能管理和数字碳资产管理平台发展。
利用2013年至2023年碳密集型A股上市公司的面板数据，本研究实证检验了智能化与绿色化政策对这些企业向低碳运营转型的影响及机制。结果表明，智能化与绿色化政策有助于降低碳密集型企业的CO
排放量和排放强度，且在排除相关因素干扰后，该结论依然稳健。具体而言，这些政策通过提升生态金融的发展水平和企业创新耦合能力，显著削减了CO
排放。该影响在营商环境较好以及产业结构水平较高的企业中尤为显著。进一步研究发现，智能化与绿色化的深度融合产生了减排协同效益。经济后果分析表明，由智能化与绿色化驱动的碳密集型企业低碳转型降低了供应链风险并增强了可持续发展能力。本研究的增量贡献在于，从智慧城市与低碳城市协调的新视角，揭示了“双试点”政策组合对碳密集型企业脱碳转型的叠加效应与协同逻辑，超越了现有研究仅关注单一政策效果评估的局限。