ISSN 1005-2518
CN 62-1112/TF
RSS服务  |  Email Alert

黄金科学技术 >

2025 , Vol. 33 >Issue 2: 417 - 430

DOI: https://doi.org/10.11872/j.issn.1005-2518.2025.02.064

采选技术与矿山管理

数字化转型对中国资源型企业碳减排绩效的影响研究

  • 郑明贵 ,
  • 罗曾茜 ,
  • 康仪婷
展开
  • 江西理工大学经济管理学院，江西 赣州 341000
罗曾茜（1998-），女，江西赣州人，硕士研究生，从事资源经济与管理方面的研究工作。

郑明贵（1978-），男，安徽颍上人，教授，博士生导师，从事资源经济与管理方面的研究工作。

收稿日期: 2024-03-04

  修回日期: 2024-07-03

  网络出版日期: 2025-05-12

基金资助

国家社会科学基金项目“中国战略性矿产资源产业链供应链安全稳定战略研究（2025—2060）”(22XGL003)

江西省教育厅科学技术研究项目“要素投入结构对资源型企业绿色全要素生产率的影响研究”(GJJ2200870)

收起

Research on the Impact of Digital Transformation on Carbon Emission Reduc-tion Performance of Resource-Based Enterprises in China

  • Minggui ZHENG ,
  • Zengxi LUO ,
  • Yiting KANG
Expand
  • School of Economics and Management，Jiangxi University of Science and Technology，Ganzhou 341000，Jiangxi，China

Received date: 2024-03-04

  Revised date: 2024-07-03

  Online published: 2025-05-12

Fold

摘要

以中国2011—2021年上市资源型企业作为样本，运用文本分析方法构建数字化转型指标，并基于固定效应模型、中介效应模型，实证检验了数字化转型对资源型企业碳减排绩效的影响及作用机制。研究发现：（1）数字化转型显著提升了资源型企业碳减排绩效，但这种作用具有双重效应，直接效应视角表现为有利于提升碳减排绩效，而能源回弹效应视角表现为不利于提升碳减排绩效；（2）数字化转型通过提高产能利用率和增强内部控制能力提升资源型企业碳减排绩效；（3）在高耗能企业、处于强环境规制地区的企业以及非国有企业中，数字化转型对资源型企业碳减排绩效的提升效应更显著。根据研究结果，建议资源型企业根据自身耗能、地区环境规制以及所有制情况，制定差异化的数字化转型策略，同时关注能源回弹效应所带来的不利影响，以实现碳减排并助力企业绿色可持续发展。研究结论能够为政府部门以及不同类型的企业进行分类施策提供有益指导和参考。

关键词： 碳减排绩效; 数字化转型; 产能利用率; 内部控制能力; 资源型企业

本文引用格式

郑明贵 , 罗曾茜 , 康仪婷 . 数字化转型对中国资源型企业碳减排绩效的影响研究[J]. 黄金科学技术, 2025 , 33(2) : 417 -430 . DOI: 10.11872/j.issn.1005-2518.2025.02.064

Abstract

Resource-based enterprises hold a fundamental and strategic role with in China’s national economy.However，their production activities are characterized by significant input，consumption，and emissions，posing substantial challenges to achieving China’s “dual carbon” objectives.The digital transformation is emerging as a central catalyst for fostering new developmental momentum in enterprises.Consequently，it is imperative to investigate whether digital transformation can enhance the carbon emission reduction performance of resource-based enterprises.This study utilizes data from publicly listed resource-based enterprises in China spanning the years 2011 to 2021.Employing text analysis，digital transformation indicators are constructed to empirically assess the impact of digital transformation on the carbon emission reduction performance of these enterprises.On this basis，the paper examines the influence of digital transformation on the carbon emission reduction performance of resource-based enterprises，considering variations in enterprise energy consumption，ownership structures，and environmental regulations.The findings indicate that：（1）Digital transformation substantially enhances the carbon emission reduction performance of resource-based enterprises，although it exhibits dual effects.The direct effect perspective positively influences the enhancement of carbon emission reduction performance，whereas the energy rebound effect perspective negatively impacts this improvement.（2）Digital transformation contributes to the advancement of carbon emission reduction performance in resource-based enterprises by optimizing capacity utilization and strengthening internal control capabilities.（3）Within enterprises characterized by high energy consumption，those located in regions with stringent environmental regulations，as well as non-state-owned enterprises，exhibit a more pronounced impact of digital transformation on enhancing the carbon emission reduction performance of resource-based enterprises.Consequently，resource-based enterprises ought to develop tailored digital transformation strategies that consider their specific energy consumption patterns，regional environmental regulations，and ownership structures.Additionally，they should remain vigilant regarding the potential negative impacts of energy rebound effects to effectively reduce carbon emissions and promote sustainable green development.The findings of this study offer valuable insights for government agencies and various types of enterprises.

Key words： carbon emission reduction performance; digital transformation; capacity utilization rate; internal control; resource enterprise

资源型企业在我国国民经济中居于基础性和战略性地位（郑明贵等，2022），但其生产活动具有高投入、高消耗和高排放的重要特征，给中国“双碳”目标的实现带来较大压力。因此，如何助力资源型企业提升碳减排绩效已成为社会焦点性议题。碳减排绩效是衡量企业生产过程中二氧化碳排放与其经济效益关系的重要指标（周志方等，2017）。改革开放以后很长一段时间里，技术进步被视为促进经济发展的重要因素之一，为我国经济增长作出了卓越贡献（刘伟等，2023）。然而，随着大数据、云计算和物联网等信息技术的快速发展，数字技术正成为实现“双碳”目标的核心驱动力，是推动企业绿色低碳发展的必由之路（陈晓红等，2021）。对于资源型企业这类以资源消耗实现经济增长为特征的特殊群体，有必要探究数字化转型对其碳减排绩效的影响以及作用机制。
相关研究表明，数字化转型具有经济效应。以数字技术作为支撑的数字化转型有利于提高企业资源配置效率（肖静等，2023）、推动商业模式创新（戚聿东等，2020）、缩减成本（杜传忠等，2021）以及提高全要素生产率（赵宸宇等，2021）。此外，数字化转型具有碳减排效应，已有研究主要存在2种观点。一种观点认为，数字化转型直接作用于能源利用和技术创新，降低了碳排放。如Moyer et al.（2012）和张三峰等（2019）发现ICT能够提高能源利用效率，通过预测和干预企业能源需求量的方式降低碳排放；钟廷勇等（2022）从技术创新视角切入，发现数字化转型对减缓碳排放具有积极作用。另一种观点认为能源回弹效应不容忽视。数字技术的应用虽可以改善能源利用率进而减少碳排放量（李标等，2015），但其生产、使用和处置过程中均伴随着大量的能源消耗，使得减排效应远小于碳排放增长效应进而加剧碳排放（Pothen et al.，2015；Belkhir et al.，2018；Lange et al.，2020）。
综上所述，虽然已有研究暗含数字化转型能够影响碳减排绩效的假设，但多以数字化转型的经济效应或碳减排效应作为切入点，未能有效阐明数字化转型对碳减排绩效的影响路径及作用方向。鉴于此，本文主要研究以下3个问题：第一，数字化转型对资源型企业碳减排绩效的影响；第二，产能利用率和内部控制能力是否是数字化转型影响资源型企业碳减排绩效的重要路径？第三，在不同产权性质、行业和地区特征下，数字化转型对企业碳减排绩效的影响是否存在差异？探讨上述问题，不仅可以为资源型企业提高碳减排绩效提供科学的决策依据，帮助其更加有效地实现“双碳”目标，而且能够为政府部门和不同类型的企业进行分类施策提供指导和参考。

1 理论机制

1.1 数字化转型对资源型企业碳减排绩效的影响

数字化转型是指企业以现代信息网络作为重要载体，借助新兴数字技术实现生产、管理和销售等环节的智能化，推动商业模式革新（Yoo et al.，2012；吴非等，2021）。其渗透和衍生能够实现对传统产业的改良和升级，能在很大程度上影响资源型企业碳减排绩效。
第一，基于直接效应视角，数字化转型为资源型企业带来技术创新、污染监督和企业管理等方面的新变革。首先，从技术创新来看，数字技术的应用有助于企业实现多领域的知识和技能在组织内的创造、整合和重组（段瑞焜等，2023），从而加快企业技术研发进程。资源型企业开展数字技术创新活动，不仅有助于企业加快新旧动能置换、提升机器运作效率，还能淘汰企业不合理的开采方式，提高资源开采效率。其次，从污染监督来看，数字化转型基于废弃污染气体监测预警网络等平台，使石油、煤炭和有色等资源型企业能够模拟和监测生产过程，精准追踪生产过程中的污染源（Chen et al.，2020），在一定程度上降低了碳排放。此外，数字化转型提升了企业对外信息的透明度，使得政府、媒体和公众等多方均能够实时了解企业的排污情况，从而促使企业强化环保生产行为，主动制定绿色生产管理制度，培育节能减排意识（李婉红等，2023）。最后，从企业管理来看，资源型企业涵盖开采挖掘、原材料运输、生产制造和经营管理等多个环节，每个环节均会产生大量的数据，而数字技术加速了数据的传递、整合与分析，有助于企业优化管理流程，提高生产质量和效率，从而增加企业利润。企业利润的增长反过来会促使企业将更多的资源投入到减排之中，以此提高资源型企业碳减排绩效。
第二，基于能源回弹效应视角，数字化转型所引发的能源回弹效应会抑制资源型企业碳减排绩效的提升。具体而言，回弹效应是指技术进步通过提高能源使用效率实现节能，但其引发的经济规模扩张和新技术应用等效应将会催生新的能源需求，从而部分乃至完全抵消其节能效果（贾锐宁等，2022）。虽然数字技术的应用能够促进企业能源使用效率及生产效率的提高（戴翔等，2022），但短期内资源型企业在生产过程中很难摆脱对化石燃料的依赖，同时数字化技术的研发、使用和迭代升级过程中均伴随着大量的能源消耗，使得减排效应远小于碳排放增长效应进而加剧碳排放。
基于此，本文认为数字化转型对资源型企业碳减排绩效的影响较为复杂，故提出以下竞争性假设：
H1a：数字化转型的直接效应视角表现为有利于提升资源型企业碳减排绩效。
H1b：数字化转型的能源回弹效应视角表现为不利于提升资源型企业碳减排绩效。

1.2 产能利用率和内部控制的中介效应

产能过剩是指企业预先投入的生产能力超出了均衡产量所需而造成的生产要素闲置（刘航等，2014）。数字化转型能够缓解产能过剩导致的资源闲置和环境污染等问题，从而提升企业碳减排绩效。据此推论，实施数字化转型会影响产能利用率，进而影响企业碳减排绩效。资源型企业的信息存在更新迭代慢，无法满足市场需求变化的问题，从而使企业的生产能力和资源难以被充分利用，最终进一步加剧二氧化碳的排放。数字化转型拓宽了企业内外部之间的信息交流渠道，不仅能够提高产品供需匹配的精准度，还能根据实时生产状态进行及时有效的调整，从而节约了生产要素的投入，提升了产能利用率（韩国高等，2022）。产能利用率的提升有利于企业释放闲置资源，并将其投入到技术创新中以改进落后的生产技术（杨文举等，2022），最终在提高产品生产效率的同时减少生产过程中产生的碳排放。
此外，产能利用率提高意味着企业可以降低每单位产品的生产成本，以获取价格优势、减少库存积压，从而增强自身的竞争优势。在“双碳”目标的约束下，资源型企业为进一步获取市场竞争优势，会将环保理念融入企业生产经营中，并通过清洁生产技术和应用碳管理等措施，降低碳排放和提升成本优势，从而提高碳减排绩效。
基于此，本文提出假设H2：
H2：数字化转型通过提升产能利用率实现资源型企业碳减排绩效的提升。
数字化转型还能增强企业内部控制能力，为提升企业碳减排绩效提供内部基础条件。一方面，资源型企业借助大数据、云计算和人工智能等数字化工具，可以有效预防和主动识别内部风险（廖志超等，2023），将风险控制在可承受范围之内，从而帮助企业合理安排生产计划，进行碳风险管理。另一方面，数字化转型为内部控制制度的迭代重塑提供了技术支撑（刘海曼等，2023）。数字技术的应用有助于企业建立基于数据驱动的自动化、智能化内控体系（吴江等，2021），这将弱化企业各部门之间或部门内部的信息不对称，实现对物质和资金等资源的一体化管理（刘淑春等，2021），从而增强内部控制能力。内部控制水平较高意味着企业能够实现减人增效、降低成本的效果，从而为企业末端治理技术和清洁生产技术的研发和应用提供更加充足的资金和物力支撑，最终推动碳减排绩效的提升。
基于此，本文提出假设H3：
H3：数字化转型通过增强内部控制能力实现资源型企业碳减排绩效的提升。
根据以上研究假设，可以得到本文的研究框架图，如图1所示。
图1 数字化转型与企业碳减排绩效的研究框架图

Fig.1 Research framework of digital transformation and enterprise carbon emission reduction performance

2 研究设计

2.1 模型构建

（1）为了检验数字化转型与资源型企业碳减排绩效之间的影响效应，参考李婉红等（2023）的做法，构建如下基准回归方程：
C P i , t = α 0 + α 1 I n d i i , t + α 2 ( I n d i i , t ¯ × E n e r g y i , t ¯ ) +     
α 3 C o n t r o l i , t + ∑ F i r m + ∑ Y e a r + ε i , t
式中：CP为资源型企业碳减排绩效；Indi为数字化转型；Energy为能源消费总量； I n d i i , t ¯ × E n e r g y i , t ¯为数字化转型的能源回弹效应；Controli，t 为控制变量；α 0为截距项，α 1、α 2和α 3为变量的待估系数；εi，t 为随机干扰项；i和t分别为企业和年份。若系数α 1显著为正，系数α 2显著为负，则假设1成立。
考虑到变量间关系和模型设定带有一定的主观性，为进一步检验数字化转型与资源型企业碳减排绩效之间的关系，参考武常岐等（2022）的做法，将数字化转型的平方项纳入模型，构建非线性回归模型表示为
          C P i , t = λ 0 + λ 1 I n d i i , t + λ 2 I n d i i , t 2 + λ 3 I n d i i , t ¯ × E n e r g y i , t ¯ +
λ 4 C o n t r o l i , t + ∑ F i r m + ∑ Y e a r + ε i , t
式中： I n d i i , t 2为数字化转型的平方项；λ 0为截距项，λ 1、λ 2、λ 3和λ 4为变量的待估系数。
（2）为了检验数字化转型对资源型企业碳减排绩效的影响机制，借鉴温忠麟等（2014）中介效应检验方法，构建以下模型：
M E D i , t = β 0 + β 1 I n d i i , t + β 2 C o n t r o l i , t + ∑ F i r m +         
∑ Y e a r + ε i , t
C P i , t = ε 0 + ε 1 I n d i i , t + ε 2 M E D i , t + ε 3 C o n t r o l i , t +
∑ F i r m + ∑ Y e a r + ε i , t
式中：MED为中介变量；β 0，β 1，β 2和ɛ 0，ɛ 1，ɛ 2，ɛ 3分别为各变量的回归系数。中介效应的检验步骤如下：第一步，对模型（3）进行回归，若系数β 1显著，说明数字化转型会影响中介变量，则进入下一步检验；第二步，对模型（4）进行回归，若系数ε 1显著，且ε 2也显著，说明数字化转型对资源型企业碳减排绩效的影响至少有一部分是通过中介变量实现的，即存在部分中介效应。同样，若模型（4）中系数ε 1不显著而ε 2显著，说明数字化转型对资源型企业碳减排绩效的影响完全通过中介变量起作用。若满足上述步骤，则假设2和假设3成立。

2.2 变量测度

（1）被解释变量。鉴于企业阶段的碳排放量难以直接获取，故依据闫华红等（2019）的衡量方法，通过计算所得的企业营业收入与其二氧化碳排放量的比值作为碳减排绩效指标（CP），具体计算公式为
C P = O I I C E I B C + 1 × O C
式中：CP为碳减排绩效；OI为企业营业收入；ICE为行业碳排放量；IBC为行业主营业务成本；OC为企业营业成本。
（2）解释变量。借鉴袁淳等（2021）的做法，采用文本分析方法刻画资源型企业数字化转型。步骤如下：第一步，参照赵宸宇等（2021）的研究，将数字化转型划分为数字技术应用、智能制造、互联网商业模式和现代信息系统4个方面。第二步，参考以数字化转型为主题的文献（肖土盛等，2022；尤碧莹等，2023），归纳整理出与数字化转型相关的关键词，见表1。第三步，基于Python技术爬取2011—2021年上市资源型企业年度报告中与“数字化转型”相关的关键词。最后，汇总关键词再加1取对数作为资源型企业数字化转型指标，表示为
I n d i = I n 1 + W o r d s
式中：Indi为数字化转型指标；Words为企业数字化转型关键词词频数。
表1 企业数字化转型关键词词库

Table 1 Keywords lexicon of enterprise digital transformation

维度 特征词
现代信息系统 信息化、信息安全、信息共享、信息服务、信息资源、信息惠民、信息经济、信用信息、信息通信、信息消费、信息孤岛、信息互通、信息公开、信息管理、电子信息、网络信息、物流信息、信息可追溯、信息库、信息技术、信息采集、数据信息、网络、网络安全、网络空间、网络文化、宽带网络、能源网络、网络建设、创新网络、网络架构、网络设施、网络技术、网络经济、网络服务、网络设备、网络体系、通信网络、开放共享、资源共享、数据共享
数字技术应用 数据网络、数字控制、数字通信、数字网络、数据平台、数据中心、数据管理、数据应用、数据资源、数据挖掘、数据存储、数据采集、数据分析、数据服务、文本挖掘、数据可视化、区块链、软件、数字化、硬件、数据库、大数据、数字技术
智能制造 人工智能、高端智能、智能计算、智能制造、群体智能、智能技术、智能终端、智能工厂、智能产品、智能服务、智能决策、智能装备、智能感知、智能控制、智能监测、智能终端、智能物流、自动化、自动驾驶、自动控制系统、系统集成、集成电路、操作系统、自主无人系统、虚拟、智慧制造、机器人、云制造、新型工业化、数控、智能技术、数智化、动态监测、监测预警、环境监测、动态监控
互联网商业模式 互联网、互联互通、互联共享、电商平台、信息系统、通信系统、智能营销、数字营销、物联网、工业互联网、移动互联、云平台、电子商务
（3）中介变量。选取产能利用率（Cu）和内部控制（I-control）作为中介变量。在近年基于产能利用率的研究中，较多文献采用随机前沿生产函数法（SPF）进行度量，该方法不仅能全面考虑生产要素利用率和技术进步因素，还可以有效排除随机误差的影响（孙帆等，2022）。因此，本文参照李雪松等（2017）和杜勇等（2022）的做法，用营业收入、总资产和员工人数构建前沿面，将实际产出与前沿产出的比值作为产能利用率。内部控制根据易露霞等（2021）的做法采用迪博中国上市公司内部控制指数除以100来表示。
（4）控制变量。为保证本研究结论的精确性和可靠性，降低研究误差，从企业层面和城市层面选取控制变量。借鉴以往研究的做法（成琼文等，2022；郑明贵等，2022），选取了企业年龄（Inage）、股权性质（Soe）、研发强度（RD）、经营效率（Turnover）、净资产收益率（ROA）和股权结构（TOP1）作为企业层面的变量进行控制。考虑到我国经济发展具有地域聚集性和区域不平衡性，参考郭丰等（2022）和黎毅等（2023）的研究，选取了市场化水平（Mar）和产业结构（IS）作为城市层面的变量进行控制。表2为本文涉及的变量定义。
表2 变量定义

Table 2 Variable definitions

变量类型 变量名称 符号 度量方式
被解释变量 企业碳减排绩效 CP 单位营业收入碳排放
解释变量 数字化转型 Indi 词频统计
中介变量 产能利用率 Cu 使用随机前沿生产函数计算
内部控制 I-control 迪博内部控制数据库中的内部控制指数/100
控制变量 企业年龄 Inage 企业成立时长对数
研发强度 RD 研发投入/营业收入
经营效率 Turnover 营业收入/总资产
净资产收益率 ROA 净利润/总资产
股权结构 TOP1 第一大流通股股东持股比例
股权性质 Soe 国有企业取1，否则取0
市场化水平 Mar 企业所在省份的市场化指数
产业结构 IS 采用第二产业与GDP的比值来衡量

2.3 数据来源

关于资源型企业的界定，主要聚焦于以下2个视角：从广义视角出发，认为资源型企业是依托自然资源如矿产、能源和土地等的开发和利用为特征的一类企业；从狭义视角出发，认为资源型企业是与能源、矿产资源等的开采洗选与生产加工有关的企业（王锋正等，2020）。基于研究目的，本文采用狭义界定方法，根据中国证监会2019年行业分类标准，选取煤炭、油气、黑色金属、有色金属和非金属等共12个行业的企业作为资源型企业的具体类型，如表3所示。
表3 资源型行业代码及名称

Table 3 Code and name of resource-based industry

代码 行业名称 代码 行业名称
B06 煤炭开采和洗选业 C26 化学原料和化学制品制造业
B07 石油和天然气开采业 C30 非金属矿物制品业
B08 黑色金属矿采选业 C31 黑色金属冶炼和压延加工业
B09 有色金属矿采选业 C32 有色金属冶炼和压延加工业
B10 非金属矿采选业 C33 金属制品业
C25 石油加工及炼焦业 D44 电力和热力生产供应业
由于我国企业数字化转型起步于2011年，因此选取2011—2021年中国上市资源型企业数据作为样本开展实证研究。将所收集的资源型企业样本做如下处理：（1）删除样本区间内*ST、ST类（退市或其他风险警示）企业；（2）删除核心变量数据披露不详的企业；（3）为降低少数异常值对研究结果的干扰，对连续变量进行上下1%缩尾处理，最终得到3 047个观测值及相对应的277家企业样本。其中，数字化转型的数据来自历年《上市公司年度报告》；企业和行业层面的数据来自国泰安数据库；地区层面的数据来自历年《中国城市统计年鉴》；能源消耗总量来自《中国能源统计年鉴》。

3 实证分析

3.1 描述性统计

表4为主要变量的描述性统计结果。由表4可知，资源型企业碳减排绩效的均值为0.588，标准差为0.299，中位数为0.572且小于平均值，表明我国资源型企业碳减排绩效整体水平不高，有少数资源型企业的碳减排绩效较好。数字化转型的极值分别是0和4.443，平均值和标准差分别为2.191和1.019，说明我国资源型企业数字化转型处于较为薄弱的水平，部分企业甚至尚未开展数字化转型。产能利用率的平均值为0.711，低于国际产能利用率的正常水平（0.79~0.82），说明我国资源型企业的产能利用率较低。内部控制的最小值为0.661，最大值为9.954，均值为6.638，说明我国资源型企业内部控制水平存在较大的差异，样本企业内部控制整体水平良好。其他控制变量的离散程度均较好，说明样本具有较好的代表性。
表4 主要变量描述性统计

Table 4 Descriptive statistics of main variables

变量 平均值 中位数 标准差 最小值 最大值
CP 0.588 0.572 0.299 0.128 1.423
Indi 2.191 2.197 1.019 0.000 4.443
Energy 3.231 3.025 1.622 0.167 9.810
Cu 0.711 0.716 0.073 0.293 0.877
I-control 6.638 6.736 0.822 0.661 9.954
Inage 2.870 2.944 0.337 1.386 3.714
RD 0.008 0 0.016 0 0.233
Turnover 0.708 0.587 0.472 0.036 3.899
ROA 0.065 0.064 0.096 -0.404 0.334
TOP1 37.469 35.730 16.002 3.621 89.986
Soe 0.558 1.000 0.497 0 1
Mar 8.810 9.060 1.837 -0.161 12.390
IS 42.688 44.494 9.115 15.800 59

3.2 相关系数分析

变量相关系数如表5所示。其中，数字化转型与资源型企业碳减排绩效的相关系数为0.153，在1%水平上显著，初步证明了数字化转型与资源型企业碳减排绩效之间可能存在正相关关系，本文将在回归模型中进一步验证二者之间的关系。同时，各变量的VIF值均小于3，证明了本研究所选取的变量不存在严重的多重共线性问题。
表5 主要变量相关系数

Table 5 Correlation coefficients of main variables

变量 CP Indi Energy Cu I-control Inage RD Turnover ROA TOP1 Soe Mar IS
CP 1
Indi 0.153*** 1
Energy -0.360*** 0.164*** 1
Cu 0.134*** 0.063*** 0.228*** 1
I-control -0.028* 0.012* 0.298*** 0.180*** 1
Inage -0.123*** 0.204*** 0.217*** -0.035** -0.045** 1
RD 0.150*** 0.356*** -0.046** 0.004 -0.098*** 0.205*** 1
Turnover 0.084*** 0.041** 0.310*** 0.765*** 0.175*** 0.032* -0.054*** 1
ROA 0.085*** 0.091*** 0.125*** 0.163*** 0.360*** -0.014 0.022 0.075*** 1
TOP1 -0.169*** -0.074*** 0.398*** -0.004 0.179*** -0.076*** -0.170*** 0.087*** 0.039** 1
Soe -0.385*** -0.073*** 0.448*** -0.107*** 0.144*** 0.266*** -0.181*** 0.034* -0.031* 0.326*** 1
Mar 0.123*** 0.239*** -0.029 0.220*** -0.016 0.071*** 0.308*** 0.077*** 0.065*** -0.154*** -0.321*** 1
IS 0.018 -0.223*** -0.280*** 0.108*** -0.056*** -0.208*** -0.167*** 0.038*** -0.020 -0.077*** -0.194*** -0.139*** 1

注：*、**、***分别表示在p<0.10，p<0.05，p<0.01的置信水平下显著

3.3 基准回归结果

数字化转型对资源型企业碳减排绩效的基准回归结果如表6所示。由表6列（1）可知，在不添加控制变量的情况下，数字化转型对企业碳减排绩效的回归系数为0.0348，数字化转型与能源消费总量的交叉项对企业碳减排绩效的回归系数为-0.0086，均在1%水平上显著，表明数字化转型显著促进了资源型企业碳减排绩效的提升但该作用具有双重效应，其中直接效应视角表现为有利于提升碳减排绩效，而能源回弹效应视角表现为不利于提升碳减排绩效。在逐步添加控制变量后，数字化转型的系数符号仍未发生改变，见表6列（2）和列（3）。为进一步检验数字化转型与资源型企业碳减排绩效之间是否存在非线性关系，在模型（1）的基础上，加入数字化转型的平方项，实证结果如表6列（4）所示，数字化转型及其平方项对企业碳减排绩效的回归系数均为正，表明数字化转型与企业碳减排绩效之间不存在显著的“U”型或倒“U”型的非线性趋势。由此，假设H1a与假设H1b得证。
表6 数字化转型对资源型企业碳减排绩效的影响

Table 6 Effects of digital transformation on carbon emission reduction performance of resource-based enterprises

变量 （1） （2） （3） （4）
CP CP CP CP
Indi 0.0348*** 0.0378*** 0.0377*** 0.0230***
（0.0044） （0.0042） （0.0042） （0.0063）
Indi 2 0.0023*
（0.0014）
Indi×Energy -0.0086*** -0.0102*** -0.0102*** -0.0105***
（0.0010） （0.0010） （0.0010） （0.0010）
Inage 0.1471*** 0.1515*** 0.1504***
（0.0246） （0.0246） （0.0246）
RD -0.5914*** -0.5861*** -0.6210***
（0.1403） （0.1402） （0.1418）
Turnover -0.0283*** -0.0284*** -0.0279***
（0.0073） （0.0073） （0.0073）
ROA 0.3305*** 0.3298*** 0.3292***
（0.0183） （0.0183） （0.0182）
TOP1 -0.0001 -0.0002 -0.0001
（0.0002） （0.0002） （0.0002）
Soe -0.0319** -0.0317** -0.0310**
（0.0156） （0.0156） （0.0156）
Mar -0.0004 -0.0004
（0.0038） （0.0038）
IS -0.0019** -0.0019***
（0.0007） （0.0007）
时间固定效应 是 是 是 是
企业固定效应 是 是 是 是
常数 0.5469*** 0.1896*** 0.2732*** 0.2810***
（0.0064） （0.0649） （0.0783） （0.0784）
观测值 3，047 3，047 3，047 3，047
R 2 0.0970 0.2073 0.2092 0.2100

注：*、**、***分别表示在p<0.10，p<0.05，p<0.01的置信水平下显著，括号内数值为稳健性标准误

3.4 稳健性检验

（1）工具变量法。数字化转型与资源型企业碳减排绩效可能存在由反向因果关系引起的潜在内在性问题，从而影响研究结论。为尽可能缓解此问题，本文采用工具变量法检验实证结果。构建工具变量时，考虑到数字化转型容易受到同年其他企业数字化水平的影响，但同行业其他企业的数字化水平很难通过其他渠道影响企业碳减排绩效，该工具变量满足基本的相关性和排他性要求。因此，采用肖红军等（2021）的方法，使用同年同行业企业数字化转型程度的平均值作为工具变量，进行稳健性检验，结果如表7所示。由表7可知，工具变量估计的Kleibergen-Paap rk LM统计量在1%的水平上显著，拒绝了工具变量识别不足的原假设；Cragg-Donald Wald F 统计量大于Stock-Yogo且在10%的显著性水平上，拒绝了弱工具变量的原假设。上述检验表明本文选取的工具变量合理可靠。工具变量估计的回归结果与基准回归结果保持一致，证明了结论的稳健性。
表7 稳健性检验

Table 7 Robust test

变量 工具变量法CP

倾向得分

匹配法CP

 遗漏变量CP 滞后一期CP
Indi 0.2198*** 0.0209*** 0.0232*** 0.0047*
（0.0437） （0.0052） （0.0036） （0.0025）
Indi×Energy -0.0455*** -0.0051*** -0.0064*** -0.0026***
（0.0085） （0.0009） （0.0009） （0.0006）
Inage 0.2057*** 0.1528*** 0.0817*** 0.0739***
（0.0478） （0.0267） （0.0219） （0.0280）
RD -1.0214*** -0.5350*** -0.2962** -0.5189***
（0.2452） （0.1553） （0.1217） （0.1282）
Turnover 0.0027 -0.0390*** -0.0317*** 0.0274***
（0.0119） （0.0084） （0.0065） （0.0071）
ROA 0.3529*** 0.3553*** 0.3157*** 0.3119***
（0.0297） （0.0198） （0.0164） （0.0171）
TOP1 0.0008*** 0.0002 0.0001 -0.0005**
（0.0004） （0.0004） （0.0002） （0.0002）
Soe -0.0198 -0.0257*** -0.0223* -0.0337**
（0.0193） （0.0170） （0.0133） （0.0145）
Mar -0.0161** 0.0006 0.0021 0.0048
（0.0068） （0.0041） （0.0032） （0.0036）
IS -0.0015 -0.0027*** -0.0012** -0.0012*
（0.0010） （0.0008） （0.0006） （0.0007）
Cap -0.0423***
（0.0148）
lev 0.0001
（0.0018）
时间固定效应 是 是 是 是
企业固定效应 是 是 是 是
行业固定效应 是
常数 0.0250 0.2000** 0.1934*** 0.4319***
（0.1650） （0.1091） （0.0742） （0.0861）
观测值 3，047 2，618 3，047 2，770
R 2 0.8949 0.9366 0.4231 0.2101
Kleibergen-Paap rk LM statistic 67.924***
Cragg-Donald Wald F statistic 85.686
Kleibergen-Paap rk Wald F statistic 85.573

注：*、**、***分别表示在p<0.10，p<0.05，p<0.01的置信水平下显著，括号内数值为稳健性标准误

（2）倾向得分匹配法（PSM）。考虑到数字化转型样本可能存在“自选择问题”和观测数据偏差等问题，从而影响资源型企业碳减排绩效。因此，本文采用倾向得分匹配法对数字化转型的公司样本进行1∶1邻近匹配，计算倾向性得分的模型变量，并对匹配后的样本数据进行回归分析。本文借鉴范合君等（2022）的研究，按照数字化转型的中位值进行高低程度分组，作为处理变量，使用Logit回归模型估计倾向得分。表7结果显示，数字化转型对资源型企业碳减排绩效的影响在1%水平上正向显著，说明本文研究假设1的结论依然成立。
（3）其他稳健性检验。为进一步检验回归结果的稳健性，还采用其他方法进行了验证。首先，考虑遗漏变量带来的内生性问题，本文在模型（1）的基础上进一步控制资本密集度（采用企业总资产/营业收入来衡量）、资产负债率（采用企业总负债/总资产来衡量）和行业固定效应，结果也列于表7中。由表7可知，虽然估计系数与前文有差异，但最终结论并没有改变，即数字化转型对资源型企业碳减排绩效在统计上有显著的正向影响，说明基准回归结论具有稳健性。其次，通过更换核心解释变量测度方式进行检验。考虑到数字化转型程度具有滞后性特点，即本文从年报中挖掘出的词频信息部分表明了企业对数字化转型的预期或前期投入。因此，替换解释变量为滞后一期的数字化转型指标重新回归。由表7可知，替换解释变量为滞后一期的数字化转型指标后数字化转型的系数符号和显著性与基础回归保持一致，证实了本文研究结论依然稳健。

3.5 产能利用率和内部控制能力的中介效应检验

根据模型（3）和模型（4）检验产能利用率和内部控制能力的中介效应，结果见表8。由表8列（1）和列（2）可知，数字化转型对企业碳减排绩效的正向影响在10%水平上显著，且数字化转型对产能利用率的正向影响在1%水平上显著。该结果表明，数字化转型显著提升了资源型企业产能利用率，且产能利用率越高越能提高资源型企业碳减排绩效，假设2得证。由表8列（2）和列（3）可知，数字化转型对企业碳减排绩效的正向影响在10%水平上显著，且数字化转型对内部控制的正向影响在1%水平上显著。该结果表明，数字化转型显著增强了资源型企业内部控制能力，且内部控制能力越强越能提高资源型企业碳减排绩效，假设3得证。
表8 影响机制检验

Table 8 Test of influence mechanism

变量 （1） （2） （3） （4）
Cu CP I-control CP
Indi 0.0036*** 0.0048* 0.0915*** 0.0046*
（0.0010） （0.0027） （0.0229） （0.0027）
Cu 0.4432***
（0.0517）
I-control 0.0001***
（0.0022）
Inage -0.0078 0.1387*** -0.4348* 0.1442***
（0.0096） （0.0259） （0.2262） （0.0263）
RD -0.2069*** -0.4712*** -1.4898 -0.4064***
（0.0543） （0.1475） （1.2731） （0.1479）
Turnover 0.0729*** -0.0524*** 0.4488*** -0.0229***
（0.0028） （0.0084） （0.0648） （0.0075）
ROA -0.0002 0.0044** 0.0505*** 0.0039**
（0.0007） （0.0019） （0.0160） （0.0019）
TOP1 -0.0001 -0.0004 0.0004 -0.0005**
（0.0001） （0.0003） （0.0002） （0.0002）
Soe -0.0116** -0.0394** -0.2706* -0.0436***
（0.0061） （0.0165） （0.1392） （0.0162）
Mar 0.0003 0.0037 -0.0441 0.0060
（0.0015） （0.0040） （0.0340） （0.0040）
IS 0.0009*** -0.0025*** 0.0008 -0.0029***
（0.0003） （0.0008） （0.0065） （0.0009）
时间固定效应 是 是 是 是
企业固定效应 是 是 是 是
常数 0.6504*** 0.0481 8.0396*** 0.2629***
（0.0305） （0.0869） （0.7146） （0.0850）
观测值 3，047 3，047 2974 2974
R 2 0.2867 0.1187 0.0956 0.1060

注：*、**、***分别表示在p<0.10，p<0.05，p<0.01的置信水平下显著，括号内数值为稳健性标准误

3.6 异质性分析

（1）基于企业耗能的异质性分析。在“双碳”背景下，企业基于自身能耗情况会表现出不同的应对方式和能力，从而对不同企业产生异质性影响。基于此，参考《2010年国民经济和社会发展统计公报》将资源型企业划分为高耗能企业（C25、C26、C30、C31、C32、D44）和低耗能企业（B06、B07、B08、B09、B10、C33）进行分组回归，结果如表9所示。由表9可知，相比低耗能企业，高耗能企业数字化转型的回归系数更大，实施数字化转型更能提升企业碳减排绩效。其原因可能是高耗能企业具有产能规模大和能耗强度高等特点，相比于低耗能企业而言，更易受到来自媒体、政府及公众的监督，迫于外界压力，高耗能企业进行绿色低碳生产的动力比低耗能企业高。
表9 异质性检验

Table 9 Heterogeneity test

变量 高耗能企业CP 低耗能企业CP 高环境规制CP 低环境规制CP 国有企业CP 非国有企业CP
Indi 0.0269***（0.0042） 0.0154*（0.0080） 0.04780***（0.0088） 0.0310***（0.0054） 0.0364***（0.0050） 0.0415***（0.0079）
Indi×Energy -0.0064*** -0.0073*** -0.0102*** -0.0093*** -0.0089*** -0.0135***
（0.0010） （0.0020） （0.0023） （0.0013） （0.0010） （0.0025）
Inage 0.0491** 0.1045 0.0673 0.1645*** 0.1312*** 0.1534***
（0.0225） （0.0713） （0.0727） （0.0288） （0.0395） （0.0424）
RD -0.2047 -1.7501*** -0.8608** -0.6308*** -0.2269 -0.8400***
（0.1277） （0.3782） （0.3882） （0.1743） （0.1949） （0.2578）
Turnover -0.0005* -0.0601*** -0.0051 -0.0161 -0.036*** -0.0052
（0.0072） （0.0142） （0.0143） （0.0101） （0.0072） （0.0169）
ROA 0.0040*** 0.2574*** 0.2850*** 0.0037** 0.1388*** 0.0035
（0.0015） （0.0361） （0.0320） （0.0018） （0.0130） （0.0024）
TOP1 0.0001 -0.0010 0.0002 -0.0005 -0.0002 -0.0010*
（0.0002） （0.0008） （0.0005） （0.0003） （0.0003） （0.0005）
Soe -0.0343*** 0.0854 -0.0655 -0.0467**
（0.0132） （0.0845） （0.0633） （0.0183）
Mar 0.0070* -0.0304*** 0.0160** -0.0135** -0.0073** 0.0148*
（0.0036） （0.0080） （0.0079） （0.0055） （0.0041） （0.0079）
IS -0.0011 -0.0013 -0.0018 -0.0036*** 0.0007 -0.0088***
（0.0007） （0.0014） （0.0013） （0.0011） （0.0007） （0.0017）
时间固定效应 是 是 是 是 是 是
企业固定效应 是 是 是 是 是 是
常数 0.3483***（0.0729） 1.0492***（0.2120） 0.3652**（0.2122） 0.4754***（0.1032） 0.1631（0.1116） 0.6398***（0.1532）
观测值 2 413 634 1 021 2 026 1 700 1 347
R 2 0.1383 0.2872 0.2085 0.1462 0.2156 0.1443

注：*、**、***分别表示在p<0.10，p<0.05，p<0.01的置信水平下显著，括号内数值为稳健性标准误

（2）基于地区环境规制的异质性分析。一般而言，当企业所在地区的环境规制力度较强时，其面临的环境成本压力更大，主动承担社会责任、积极寻求减碳的意愿也会更强（白福萍等，2023）。因此，本文借鉴江心英等（2019）的研究，采用工业污染治理完成投资与工业增加值的比值来表示环境规制强度。以环境规制的中位数为临界值，将全样本划分为强环境规制样本组和弱环境规制样本组进行回归（表9）。由表9可知，在强环境规制的情形下，数字化转型对企业碳减排绩效的正向影响更大；在弱环境规制的情形下，数字化转型对企业碳减排绩效的正向影响较小。这说明在强环境规制的情形下，企业会有较强的动机通过数字化转型来提升碳减排绩效。其原因可能是当环境监管力度加大时，企业通常会采取使用清洁能源、提高能源利用效率和减少废弃物排放等手段以达到碳减排目标。
（3）基于企业所有制的异质性分析。数字化转型作为一项高成本的投入，必然会对企业短期内的资金流动带来较大影响（李瑞琴等，2023）。国有企业因具有较高的政治关联度，比非国有企业更容易获得政府补助，而非国有企业在高成本的融资渠道下可能会存在资金不足的问题（岳怡廷等，2017）。因此，企业所有制性质不同不仅会导致资金压力的不同，还会带来数字化转型的差异。基于此，将样本根据企业所有制性质划分为国有企业与非国有企业分别进行回归，结果见表9。由表9可知，数字化转型对非国有资源型企业碳减排绩效的影响略大于国有资源型企业。其原因可能是国有企业具有较高的社会责任感，比较注重实施碳减排，故数字化转型对国有企业碳绩效的提升效果不明显；非国有企业在竞争激烈的市场环境和碳减排压力下会考虑如何降低企业的运营成本和碳排放，从而在减排工作中获得更多的收益，实现经济效益与环境效益的双赢。

4 结论与政策建议

4.1 结论

以2011—2021年中国上市资源型企业为研究对象，实证检验了数字化转型对资源型企业碳减排绩效的影响及其内在机理。研究发现：（1）数字化转型显著促进了资源型企业碳减排绩效的提升但该作用具有双重效应，直接效应视角表现为有利于提升碳减排绩效，而能源回弹效应视角表现为不利于提升碳减排绩效。（2）数字化转型通过提升产能利用率和增强内部控制能力提升了资源型企业碳减排绩效。（3）数字化转型对资源型企业碳减排绩效的提升效应存在异质性影响，即在高耗能企业、处于强环境规制地区的企业以及非国有企业中的提升效果更显著。

4.2 政策建议

（1）数字化转型是资源型企业实现“双碳”目标的有力助推器，资源型企业应顺从数字化和绿色低碳发展的趋势，加大数字技术在开采挖掘、原材料运输、生产制造和经营管理等过程中的应用，以实现低碳智能化生产。尤其是国有企业和低耗能企业应以更加开放、创新的态度加快数字技术在生产环节的应用。此外，资源型企业还应借助数字技术进一步强化对传统能源采集、加工和使用等过程的监督，加快对传统动能的升级改造，提高能源利用效率和清洁能源替代率，以此弱化能源回弹效应对碳减排绩效产生的不利影响。
（2）重视资源型企业产能利用率和内部控制能力的提升。资源型企业应借助人工智能、大数据等技术对企业传统生产工艺进行改造，推动数字车间、智慧工厂的建设，强化数据采集与分析能力，提高生产过程的效率和灵活性，不断提升产能利用率；同时，建立自动化和智能化的内控体系，增强企业内部控制能力，使其与数字化转型产生协同效应，进而提高碳减排绩效。
（3）针对不同类型的企业制定差异化的扶持政策，同时建立健全环境监督体系。政府应加强对非国有企业和高耗能企业的经费保障，包括提供信贷支持、实施税收优惠和发放政府补贴等多种措施，以推动其数字化转型。与此同时，政府还应搭建碳排放大数据平台，实时监督企业碳减排的过程和结果，充分发挥监管和舆论监督对企业绿色低碳发展的正向引导作用，推动企业履行节能减排职责，最终实现“双碳”目标。

脚注

http://www.goldsci.ac.cn/article/2025/1005-2518/1005-2518-2025-33-2-417.shtml

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Bai Fuping， Liu Donghui， Yan Aiguo，et al，2019.Research on the impact of digital transformation on corporate ESG responsibility fulfillment under the goal of sustainable development［J］.Science and Technology Management Resea-rch，43（17）：198-208.

Belkhir L， Elmeligi A，2018.Assessing ICT global emissions footprint：Trends to 2040 & recommendations［J］.Journal of Cleaner Production，177（3）：448-463.

Chen J D， Gao M， Ma K，et al，2020.Different effects of technological progress on China’s carbon emissions based on sustainable developmen［J］.Business Strategy and the Environment，29（2）：481-492.

Chen Xiaohong， Hu Dongbin， Cao Wenzhi，et al，2021.Path of digital technology promoting realization of carbon neutrality goal in China’s energy industry［J］.Bulletin of Chinese Academy of Sciences，36（9）：1019-1029.

Cheng Qiongwen， Ding Hongyi，2022.Research on the impact of tax incentives on the digital transformation of resource-based enterprises［J］.Chinese Journal of Management，19（8）：1125-1133.

Dai Xiang， Yang Shuangzhi，2022.Digital empowerment，sources of digital input and green manufacturing［J］.China Industrial Economics，（9）：83-101.

Du Chuanzhong， Zhang Yuan，2021.Research on the impact mechanism of digital economy development on enterprise productivity growth［J］.Securities Market Herald，（2）：41-51.

Du Yong， Sun Fan， Hu Hongyan，2022.Common institutional ownership and enterprise capacity utilization［J］.Journal of Finance and Economics，48（10）：49-63，168.

Duan Ruikun， Duan Yongjia， Liu Yi，2023.Can digitalization of enterprise enhance “less talk more action” in their environmental liability？［J］.Contemporary Finance and Economics，（10）：85-96.

Fan Hejun， Wu Ting， He Sijin，2022.How does：“Internet Government Services”platform optimize city’s doing business environment？A study based on interactive governance perspective［J］.Management World，38（10）：126-153.

Guo Feng， Yang Shangguang， Ren Yi，2022.The digital economy，green technology innovation and carbon emissions—Empirical evidence from Chinese city-level data［J］.Journal of Shaanxi Normal University（Philosophy and Social Sciences Edition），51（3）：45-60.

Han Guogao， Chen Tingfu， Liu Tianguang，2022.Digital transformation and enterprise capacity utilization：Empirical findings from Chinese manufacturing enterprises［J］.Journal of Finance and Economics，48（9）：154-168.

Jia Ruining， Shao Shuai， Du Kerui，et al，2022.Spatial-temporal pattern，dynamic evolution，and driving factors of carbon rebound effect in China：Based on stochastic frontier model of carbon emissions［J］.China Soft Science Magazine，（12）：23-34.

Jiang Xinying， Zhao Shuang，2019.Does FDI inhibit carbon emissions from the perspective of dual environmental regulation—An empirical study based on dynamic system GMM estimation and threshold model［J］.Journal of International Trade，（3）：115-130.

Lange S， Santarius T， Pohl J，2020.Digitalization and energy consumption.Does ICT Reduce Energy Demand？［J］.Ecological Economics，176：106760.

Li Biao， Wu Jia， Chen Shuxing，2015.Urbanization，industrialization，informatization and Chinese energy intensity ［J］.China Population，Resources and Environment，25（8）：69-76.

Li Ruiqin， Chen Lili，2023.Digital transformation of enterprises and high-quality development of import trade［J］.Studies on Socialism with Chinese Characteristics，（5）：44-53.

Li Wanhong， Li Na，2023.Green innovation，digital transformation and energy-intensive enterprises carbon emission reduction performance［J］.Journal of Industrial Engineering Management，37（6）：66-76.

Li Xuesong， Zhao Chenyu， Nie Jing，2017.OFDI and Corporations’ heterogeneous capacity utilization［J］.The Journal of World Economy，40（5）：73-97.

Li Yi， Jiang Qingsong，2023.Analysis of carbon emission reduction effect of digital economy：Based on dual path analysis of production and consumption［J］.Journal of Nanjing Audit University，20（4）：81-90.

Liao Zhichao， Wang Jianxin，2023.Impact of digital transformation on high-quality enterprises development［J］.Statistics and Decision，（22）：162-167.

Liu Haiman， Long Jiancheng， Shen Zunhuan，2023.Research on the impact of digital transformation on the green innovation of enterprise［J］.Science Research Management，44（10）：22-34.

Liu Hang， Sun Zao，2014.The incentive distortion of urbanization and surplus production of manufacturing industry—Empirical analysis on provincial panel data of China from 2001 to 2012［J］.China Industrial Economics，（11）：5-17.

Liu Shuchun， Yan Jinchen， Zhang Sixueet al，2021.Can corporate digital transformation promote input-output efficiency？［J］.Management World，37（5）：170-190，13.

Liu Wei， Zhong Changbiao，2023.From“Imitation”to“Independent Innovation”：An analysis of the inflection point of China’s technological progress［J］.The Applied Economics Review，3（1）：35-59.

Moyer J D， Hughes B B，2012.ICTs：Do they contribute to increased carbon emissions［J］.Technological Forecasting and Social Change，79（5）：919-931.

Pothen F， Schymura M，2015.Bigger cakes with fewer ingredients？A comparison of material use of the world economy［J］.Ecological Economics，109：109-121.

Qi Yudong， Cai Chengwei，2020.Research on the multiple effects of digitalization on manufacturing enterprise performance and its mechanism［J］.Study and Exploration，（7）：108-119.

Sun Fan， Du Yong， Hu Hongyan，2023.Effect of enterprise digital transformation on overcapacity reduction［J］.Soft Science，37（10）：122-128.

Wang Fengzheng， Sun Yue， Zhao Yuxia，2020.Global value chain embedding，open innovation and resource-based industry upgrading［J］.Studies in Science of Science，38（9）：1706-1718.

Wen Zhonglin， Ye Baojuan，2014.Mediation effect analysis：Development of methods and models［J］.Advances in Psychological Science，22（5）：731-745.

Wu Changqi， Zhang Kunxian， Zhou Xinyu，et al，2022.Digital transformation，choice of competitive strategy，and high-quality development of firms：From evidence of machine learning and text analysis［J］.Business and Management Journal，44（4）：5-22.

Wu Fei， Hu Huizhi， Lin Huiyan，et al，2021.Enterprise digital transformation and capital market performance：Empirical evidence from stock liquidity［J］.Management World，37（7）：130-144，10.

Wu Jiang， Chen Ting， Gong Yiwei，et al，2021.Digital transforma-tion of firm：Theoretical framework and research prospects［J］.Chinese Journal of Management，18（12）：1871-1880.

Xiao Hongjun， Yang Zhen， Liu Meiyu，2021.The promotion effect of corporate digitalization on corporate social responsibility：A test of internal and external dual paths［J］.Economic Management，43（11）：52-69.

Xiao Jing， Zeng Ping， Ren Ge，2019.Digital transformation，absorptive capacity and dual performance of manufacturing enterprises—Moderating effect of regional digital level［J］.Research and Development Management，35（2）：129-143.

Xiao Tusheng， Wu Yushan， Qi Wentao，2022.Does digital transformation help high-quality development of enterprises？Evidence from corporate innovation［J］.Economic Management，44（5）：41-62.

Yan Huahong， Jiang Jie， Wu Qifu，2019.The effects of carbon performance on financial performance which is based on the perspective of ownership type［J］.Journal of Applied Statistics and Management，38（1）：94-104.

Yang Wenju， Wang Qi，2022.Can resolving overcapacity improve green total factor productivity？A quasi-natural experiment based on China’s industrial capacity reduction［J］.Economic Problems，（7）：1-12.

Yi Luxia， Wu Fei， Chang Xi，2021.Enterprise digital transformation process and main business performance：Empirical evidence from the text recognition of the annual reports of listed companies in China［J］.Modern Finance and Economics（Journal of Tianjin University of Finance and Economics），41（10）：24-38.

Yoo Y， Richard J， Kalle L，et al，2012.Organizing for innovation in the digitized world［J］.Organization Science Volume，23（5）：1398-1408.

You Biying， Zheng Minggui， Hu Zhiliang，et al，2023.The impact of digital transformation on total factor productivity of resource-based enterprises［J］.Resources Science，45（3）：536-548.

Yuan Chun， Xiao Tusheng， Geng Chunxiao，et al，2021.Digital transformation and division of labor enterprise：Vertical integration［J］.China Industrial Economics，（9）：137-155.

Yue Yiting， Zhang Xizheng，2017.The difference and changes：The sources of innovation investment funds in the heterogeneous firms［J］.Studies in Science of Science，35（1）：125-138，160.

Zhang Sanfeng， Wei Xiahai，2019.Does information and communication technology reduces enterprise’s energy consumption—Evidence from Chinese manufacturing enterprises survey［J］.China Industrial Economics，（2）：155-173.

Zhao Chenyu， Wang Wenchun， Li Xuesong，2019.How does digital transformation affect the total factor productivity of enterprises？［J］.Finance and Trade Economics，42（7）：114-129.

Zheng Minggui， Dong Juan， Zhong Changbiao，2022.Influence mechanism of capital deepening on total factor productivity of resource-based enterprises［J］.Resources Science，44（3）：536-553.

Zhong Tingyong， Ma Fuqi，2022.Carbon reduction effect of enterprise digital transformation：Theoretical mechanism and empirical test［J］.Jianghai Academic Journal，（4）：99-105.

Zhou Zhifang， Xiao Tian， Zeng Huixiang，2017.Relationship between corporate carbon performance and corporate financial performance：Evidence form FTSE 350［J］.Journal of China University of Geosciences（Social Sciences Edition），17（5）：32-43.

白福萍，刘东慧，燕爱国，等，2023.可持续发展目标下数字化转型对企业ESG责任履行的影响研究［J］.科技管理研究，43（17）：198-208.

陈晓红，胡东滨，曹文治，等，2021.数字技术助推我国能源行业碳中和目标实现的路径探析［J］.中国科学院院刊，36（9）：1019-1029.

成琼文，丁红乙，2022.税收优惠对资源型企业数字化转型的影响研究［J］.管理学报，19（8）：1125-1133.

戴翔，杨双至，2022.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，（9）：83-101.

杜传忠，张远，2021.数字经济发展对企业生产率增长的影响机制研究［J］.证券市场导报，（2）：41-51.

杜勇，孙帆，胡红燕，2022.共同机构所有权与企业产能利用率［J］.财经研究，48（10）：49-63，168.

段瑞焜，段永嘉，刘益，2023.企业数字化能促进环境责任的“少言多行”吗？［J］.当代财经，（10）：85-96.

范合君，吴婷，何思锦，2022.“互联网+政务服务”平台如何优化城市营商环境？——基于互动治理的视角［J］.管理世界，38（10）：126-153.

郭丰，杨上广，任毅，2022.数字经济、绿色技术创新与碳排放——来自中国城市层面的经验证据［J］.陕西师范大学学报（哲学社会科学版），51（3）：45-60.

韩国高，陈庭富，刘田广，2022.数字化转型与企业产能利用率——来自中国制造企业的经验发现［J］.财经研究，48（9）：154-168.

贾锐宁，邵帅，杜克锐，等，2022.中国碳回弹效应的时空格局、动态演进及驱动因素——基于改进的碳排放随机前沿模型的实证考察［J］.中国软科学，（12）：23-34.

江心英，赵爽，2019.双重环境规制视角下FDI是否抑制了碳排放——基于动态系统GMM估计和门槛模型的实证研究［J］.国际贸易问题，（3）：115-130.

黎毅，蒋青松，2023.数字经济碳减排效应分析——基于生产与消费端的双重路径分析［J］.南京审计大学学报，20（4）：81-90.

李标，吴贾，陈姝兴，2015.城镇化、工业化、信息化与中国的能源强度［J］.中国人口·资源与环境，25（8）：69-76.

李瑞琴，陈丽莉，2023.企业数字化转型与进口贸易的高质量发展［J］.中国特色社会主义研究，（5）：44-53.

李婉红，李娜，2023.绿色创新、数字化转型与高耗能企业碳减排绩效［J］.管理工程学报，37（6）：66-76.

李雪松，赵宸宇，聂菁，2017.对外投资与企业异质性产能利用率［J］.世界经济，40（5）：73-97.

廖志超，王建新，2023.数字化转型对企业高质量发展的影响［J］.统计与决策，（22）：162-167.

刘海曼，龙建成，申尊焕，2023.数字化转型对企业绿色创新的影响研究［J］.科研管理，44（10）：22-34.

刘航，孙早，2014.城镇化动因扭曲与制造业产能过剩——基于2001—2012年中国省级面板数据的经验分析［J］.中国工业经济，（11）：5-17.

刘淑春，闫津臣，张思雪，等，2021.企业管理数字化变革能提升投入产出效率吗？［J］.管理世界，37（5）：170-190，13.

刘伟，钟昌标，2023.从“模仿”到“自主创新”：中国技术进步的拐点分析［J］.应用经济学评论，3（1）：35-59.

戚聿东，蔡呈伟，2020.数字化对制造业企业绩效的多重影响及其机理研究［J］.学习与探索，（7）：108-119.

孙帆，杜勇，胡红燕，2023.企业数字化转型的去产能效应研究［J］.软科学，37（10）：122-128.

王锋正，孙玥，赵宇霞，2020.全球价值链嵌入、开放式创新与资源型产业升级［J］.科学学研究，38（9）：1706-1718.

温忠麟，叶宝娟，2014.中介效应分析：方法和模型发展［J］.心理科学进展，22（25）：731-745.

吴非，胡慧芷，林慧妍，等，2021.企业数字化转型与资本市场表现——来自股票流动性的经验证据［J］.管理世界，37（7）：130-144，10.

吴江，陈婷，龚艺巍，等，2021.企业数字化转型理论框架和研究展望［J］.管理学报，18（12）：1871-1880.

武常岐，张昆贤，周欣雨，等，2022.数字化转型、竞争战略选择与企业高质量发展——基于机器学习与文本分析的证据［J］.经济管理，44（4）：5-22.

肖红军，阳镇，刘美玉，2021.企业数字化的社会责任促进效应：内外双重路径的检验［J］.经济管理，43（11）：52-69.

肖静，曾萍，任鸽，2023.数字化转型、吸收能力与制造企业双重绩效——地区数字化水平的调节作用［J］.研究与发展管理，35（2）：129-143.

肖土盛，吴雨珊，亓文韬，2022.数字化的翅膀能否助力企业高质量发展——来自企业创新的经验证据［J］.经济管理，44（5）：41-62.

闫华红，蒋婕，吴启富，2019.基于产权性质分析的碳绩效对财务绩效的影响研究［J］.数理统计与管理，38（1）：94-104.

杨文举，王其，2022.化解产能过剩有助于绿色全要素生产率提升吗？——基于中国工业去产能的准自然实验［J］.经济问题，（7）：1-12.

易露霞，吴非，常曦，2021.企业数字化转型进程与主业绩效——来自中国上市企业年报文本识别的经验证据［J］.现代财经（天津财经大学学报），41（10）：24-38.

尤碧莹，郑明贵，胡志亮，等，2023.数字化转型对资源型企业全要素生产率的影响［J］.资源科学，45（3）：536-548.

袁淳，肖土盛，耿春晓，等，2021.数字化转型与企业分工：专业化还是纵向一体化［J］.中国工业经济，（9）：137-155.

岳怡廷，张西征，2017.异质性企业创新投入资金来源差异及其变迁研究［J］.科学学研究，35（1）：125-138，160.

张三峰，魏下海，2019.信息与通信技术是否降低了企业能源消耗——来自中国制造业企业调查数据的证据［J］.中国工业经济，（2）：155-173.

赵宸宇，王文春，李雪松，2021.数字化转型如何影响企业全要素生产率［J］.财贸经济，42（7）：114-129.

郑明贵，董娟，钟昌标，2022.资本深化对中国资源型企业全要素生产率的影响［J］.资源科学，44（3）：536-553.

钟廷勇，马富祺，2022.企业数字化转型的碳减排效应：理论机制与实证检验［J］.江海学刊，（4）：99-105.

周志方，肖恬，曾辉祥，2017.企业碳绩效与财务绩效相关性研究——来自英国富时350指数的证据［J］.中国地质大学学报（社会科学版），17（5）：32-43.

Options
文章导航

/

〈 〉

联系我们
地址：甘肃省兰州市天水中路8号　
邮编：730000
电话：0931-8277791
Email：hjkx@lzb.ac.cn
期刊在线
  • 当期目录
  • 优先出版
  • 过刊浏览
  • 高级检索
  • 虚拟专刊
  • 阅读排行
  • 下载排行
  • 引用排行
    • 关注微信公众号
    访问统计
    总访问量
    今日访问 　
    在线人数
    陇ICP备17001318号-1　 甘公网安备 62010202000672号