《Sustainability》:Intelligent Manufacturing and Carbon Reduction: Evidence from China’s “Made in China 2025” Initiative
编辑推荐:
制造业对全球碳排放具有显著贡献,因此有效脱碳(decarbonization)势在必行。本研究将中国“ 中国制造2025 ”(Made in China 2025, MIC)倡议视为促进智能制造的产业政策,并将其作为一项准自然实验(quasi-natural
制造业对全球碳排放具有显著贡献,因此有效脱碳(decarbonization)势在必行。本研究将中国“ 中国制造2025 ”(Made in China 2025, MIC)倡议视为促进智能制造的产业政策,并将其作为一项准自然实验(quasi-natural experiment),评估企业暴露于该政策对企业估算碳排放的因果影响。研究人员基于2011—2022年中国A股制造业上市公司面板数据,采用双重差分模型(Difference-in-Differences, DID)发现,暴露于MIC政策与企业估算碳排放约降低0.5%相关。尽管这一降幅在企业层面看似较小,但考虑到中国制造业的庞大规模,其总量效应可能相当可观。多种稳健性检验进一步确认了该效应的有效性与持续性。关键的是,这种环境效益具有异质性,在竞争性行业、技术密集型行业和劳动密集型行业中的作用强于资本密集型行业。机制分析表明,MIC政策暴露促进了实质性绿色创新,加快了通过流程优化实现的数字化转型,并显著提升了能源效率,从而有助于降低企业层面的估算碳排放。这些发现凸显了以智能制造为导向的产业政策在协调工业增长与气候减缓(climate mitigation)方面的潜在作用,并为政策驱动型智能制造转型的环境效应提供了微观层面证据,拓展了既有主要聚焦经济结果的研究文献。研究结果还表明,政策制定者应进一步推动智能制造,并设计行业特定的绿色技术支持政策,尤其是针对碳减排效应相对较弱的资本密集型行业,以实现碳减排效益最大化。
该文发表于《Sustainability》,围绕“中国制造2025”政策背景下智能制造能否促进企业碳减排这一核心问题展开。研究背景在于,制造业约占全球温室气体排放的30%,在各国推进《巴黎协定》目标和碳中和承诺的进程中,制造业脱碳已成为关键议题。与此同时,人工智能(Artificial Intelligence, AI)、物联网(Internet of Things, IoT)、大数据分析等技术推动的智能制造,被普遍视为实现工业升级与绿色转型的重要路径。然而,现有研究更多关注智能制造对生产率、创新绩效、财务表现和产业升级的经济后果,对其是否真正带来净环境收益,尤其是在中国这类发展中经济体中的微观证据仍较为有限。更重要的是,中国企业层面缺乏标准化公开碳排放数据,使这一问题的严格识别存在现实障碍。正是在这一背景下,研究人员尝试以政策冲击作为外生切入点,对智能制造的减排效果展开因果识别。
现有文献虽然已分别讨论技术进步、数字化转型、互联网应用、机器人应用与碳排放之间的关系,但多数研究聚焦单一技术维度,尚不足以完整刻画智能制造这种融合数字化、网络化、智能化的一体化生产系统。并且,技术进步既可能通过效率提升降低单位产出排放,也可能通过“反弹效应”扩大产出规模并推升能源消耗,因此智能制造对碳排放的净影响不能直接预设,必须依靠严谨的经验检验。中国作为全球最大的制造业国家,同时又面临2060年碳中和目标,其以“ 中国制造2025 ”为代表的智能制造推进政策,为观察政策驱动型智能制造转型与企业碳排放之间的关系提供了理想场景。研究因此具有明确的现实必要性:既要解释智能制造是否能够兼顾工业增长与环境治理,也要为产业政策设计提供微观依据。
研究人员以“ 中国制造2025 ”(MIC)作为准自然实验,将2015年政策实施视为冲击时点,将政策所瞄准行业中的企业界定为处理组,非目标制造业企业作为对照组,考察政策暴露对企业估算碳排放的影响,并进一步从绿色创新、数字化转型、能源效率三条机制路径进行检验。研究结论显示,MIC政策暴露显著降低企业估算碳排放,平均降幅约为0.5%;这一结果在采用不同碳排放系数、不同分配口径、不同样本设定及多种稳健性检验后依然成立。异质性分析表明,该政策的减排效应在竞争性行业、技术密集型行业和劳动密集型行业中更强,而在资本密集型行业中较弱。机制检验进一步证明,政策主要通过促进实质性绿色创新、加快数字化转型和提升能源效率来实现减排。总体而言,论文说明智能制造导向型产业政策能够在企业层面带来可识别的环境收益,其重要意义在于将“中国制造2025”的研究从经济绩效拓展到环境绩效,为智能制造与低碳转型协同治理提供了实证支撑。
在方法上,研究人员使用2011—2022年中国A股制造业上市公司样本,构建双重差分模型(DID),并纳入企业固定效应与年份固定效应识别政策平均处理效应。由于缺乏企业直接碳排放数据,研究基于行业层面八种能源终端消费数据,结合企业营业成本在行业中的占比,构造企业估算碳排放代理变量,主要使用CEADs排放系数,并以IPCC系数进行对照。进一步采用事件研究、安慰剂检验、倾向得分匹配-双重差分(PSM-DID)、工具变量两阶段最小二乘法(2SLS)、替代处理组定义及多种样本剔除策略开展稳健性与内生性检验。
在研究结果部分,论文首先给出“Benchmark Regression”结果。基准回归显示,无论采用基于IPCC还是CEADs的碳排放代理变量,MIC政策暴露的系数均显著为负。在加入企业规模、资产负债率、机构投资者持股比例、两职合一、企业相对价值、产权性质等控制变量后,负向关系进一步增强,并在1%统计水平上显著。该结果说明,政策导向下的智能制造转型与企业估算碳排放下降之间存在稳定关联,是全文核心发现。
在“Dynamic Effects Test”中,研究人员采用事件研究法检验平行趋势假设与动态政策效应。结果表明,处理组与对照组在政策实施前不存在显著趋势差异,支持DID识别前提。政策实施当年及次年减排效应尚不显著,但从第2年开始系数明显下降并持续显著,说明智能制造升级存在现实中的建设期与消化期,环境收益具有一定滞后性。这一动态特征增强了因果解释的可信度,也说明智能制造减排效应并非短期即刻显现,而是随着设备更新、系统集成、人员培训和流程重构逐步释放。
在“Mixed Placebo Test”中,研究通过同时随机分配处理组企业与政策实施年份,重复1000次抽样。结果显示,随机估计系数均值接近于0,意味着基准结果不太可能由随机因素或遗漏变量偏误驱动,增强了核心结论的可靠性。
在“Propensity Score Matching”部分,研究考虑到处理组与对照组在政策实施前可能存在可观测特征差异,因此利用控制变量进行1:4卡尺最近邻匹配,构建更具可比性的对照样本。匹配后协变量差异不再显著,表明样本平衡性明显改善。随后实施PSM-DID回归和频数加权回归,结果均显示智能制造政策暴露显著降低企业碳排放,进一步验证了结论稳健性。
在“Robustness and Sensitivity Analyses”中,论文从多个方面进行了敏感性检验。其一,采用营业收入、总资产、从业人数占比等替代分配规则重构企业碳排放代理变量,政策系数仍稳定为负且显著,说明结果并非由特定分配方法造成。其二,以企业能源消费替代碳排放指标,得到相同方向结果。其三,加入省份—年份固定效应,以控制各地区低碳城市试点、碳交易试点、中央环保督察等随时间变化的省级政策干扰,结果依然稳健。其四,剔除低碳城市试点与碳排放交易试点地区企业,以排除其他减排政策叠加影响,结论不变。其五,将样本限制在2011—2019年,排除COVID-19时期冲击,智能制造减排效应依然存在。其六,采用更宽松的处理组定义,不再使用关键词筛选,仅按两位数行业分类划定MIC目标行业,结果几乎不变。其七,进一步剔除数字化转型与绿色创新的极端观测值,MIC系数仍显著为负。上述一系列检验共同表明,研究结论具有较强稳健性。
在“Selection Issue of MIC”中,研究人员考虑MIC重点行业遴选本身可能具有内生性,即被选中的行业可能同时面临更强减排压力或更积极的转型动机,从而影响估计。为此,论文使用工具变量法(IV),以美国先进制造伙伴计划(Advanced Manufacturing Partnership, AMP)和德国“工业4.0”高技术战略2020中的相似优先行业映射中国行业分类,构造工具变量。第一阶段结果显示工具变量与内生解释变量显著正相关,F统计量为282.43,排除弱工具变量问题。第二阶段表明,智能制造导向的产业转型可使企业估算碳排放下降1.8%。尽管作者明确指出排除性限制无法被直接验证,因此IV结果应视为支持性而非决定性证据,但它与基准DID、PSM-DID和其他稳健性检验方向一致,进一步增强了整体识别的可信度。
在“Heterogeneity Analysis”中,论文重点揭示了行业异质性。首先,在“Degree of Competitiveness”部分,研究将行业区分为竞争性行业与受规制行业,发现智能制造的减排效应在竞争性行业中更强。这说明市场竞争压力、创新激励和对环境问题的敏感性,可能放大政策导向型智能制造的环境收益。其次,在“Industry Factor Intensity”部分,研究基于固定资产占比与研发支出占比,通过聚类分析将行业划分为劳动密集型、资本密集型和技术密集型。结果表明,技术密集型与劳动密集型行业的减排效应更为显著,而资本密集型行业效应较弱。论文指出,资本密集型行业存在较高沉没成本、技术锁定和设备更新障碍,且智能升级可能伴随产能扩张,短期内会部分抵消效率改善带来的减排效应;相较之下,技术密集型行业更容易吸纳先进系统,劳动密集型行业则更能通过自动化和实时监控改善资源配置和能源利用。
在“Mechanism Verification”中,论文系统检验了三条影响路径。其一,在“Green Innovation”部分,研究以绿色专利申请数量及其结构衡量绿色创新,并区分战略性绿色创新与实质性绿色创新。结果显示,MIC对总体绿色创新提升不显著,但能显著促进实质性绿色创新,而对战略性绿色创新没有同等促进作用,也不存在明显替代效应。这表明该政策并未单纯诱导企业进行低质量的符号性专利申报,而是推动了更具技术含量、更可能带来实质减排收益的绿色发明活动,从而支持假设H1。其二,在“Digital Transition”部分,研究基于企业年报中人工智能、大数据、云计算、区块链等76个关键词的词频构造数字化转型指标,发现MIC显著提高处理组企业数字化水平,支持假设H2。论文据此认为,政策通过推动生产系统数字化、网络化和智能化,提高信息流动效率和流程优化能力,进而带来减排收益。其三,在“Energy Efficiency”部分,研究以单位能源消费对应的营业收入对数衡量能源效率,结果显示MIC显著提高企业能源利用效率,支持假设H3。这说明智能制造通过精细化能源管理、预测性维护和资源配置优化,降低能源损失和化石能源依赖,是实现减排的关键通道。
在“Discussion”部分,作者首先将研究结果与既有文献进行对照,指出本文发现与数字技术、智能生产系统可以通过流程优化和技术升级改善环境绩效的既有研究一致,但进一步将研究重心由单一数字技术拓展至政策驱动的智能制造系统性转型,从而补充了企业层面环境效应的微观证据。其次,作者强调异质性结果说明智能制造政策的可持续性收益并非在各行业均匀分布,而是依赖行业技术能力、组织条件与升级适应性,因此产业政策评估应充分考虑部门差异。最后,在工具变量解释方面,作者谨慎指出,美国和德国产业政策也可能通过全球供应链、国际竞争和技术扩散等其他渠道影响中国企业,因此IV估计需要审慎理解;但年份固定效应、省份—年份固定效应及多重稳健性结果在一定程度上缓解了这类担忧。
研究结论部分可译为:本研究将“ 中国制造2025 ”倡议作为一项准自然实验,系统评估政策驱动型智能制造对企业估算碳排放的影响。核心发现表明,MIC政策暴露显著降低企业估算碳排放,采用CEADs系数测算时平均降幅约为0.5%。尽管这一减排幅度看似适中,但鉴于中国制造业排放规模庞大,其政策含义仍然重要。由于智能制造转型通常是渐进且累积的,其环境收益还可能随着技术升级与生产优化在更长时期内持续扩大,因此“ 中国制造2025 ”框架下的智能制造应被视为长期低碳转型战略的重要组成部分,而非孤立的单一解决方案。多种稳健性检验、一致性检验与内生性处理均支持这一结论。异质性分析显示,减排效应在竞争更充分、技术密集和劳动密集行业中更强,在资本密集行业中相对较弱。机制分析则为三项研究假设提供了经验支持,即MIC政策暴露通过促进实质性绿色创新、加快数字化转型和提升能源效率来降低企业碳排放。总体而言,智能制造通过多重互补渠道促进制造业长期低碳转型,体现出重要的环境治理价值。