如何打好政策“組合拳”：綠色智能政策協同對企業新質生產力的影響研究

摘 要：基于2011—2022年滬深A股上市公司數據，以“無廢城市”建設和“國家新一代人工智能創新發展試驗區”同步實施作為準自然實驗，研究綠色智能政策協同對企業新質生產力的影響。研究發現，綠色智能政策協同顯著促進了企業新質生產力提高，且相較于單一政策，綠色智能政策協同具有更強的促進效應，經過多種穩健性和內生性檢驗后結論依然成立。作用機制分析發現，綠色智能政策協同會提高政府補貼力度、提高企業數智技術水平、提高企業持續性綠色創新水平，進而助力企業提高新質生產力水平。異質性分析表明，在高技術行業、低污染行業、高數字化轉型企業、低綠色化轉型企業以及低融資約束企業中，綠色智能政策協同對企業新質生產力水平的促進作用更明顯。因此，建議在制定和實施綠色智能政策時，要更加注重構建政策協同體系，并依據企業特征提高政策實施的精準性，以最大化政策效果。

關鍵詞：新質生產力；政策協同；無廢城市；國家新一代人工智能創新發展試驗區

中圖分類號：F210.3 文獻標志碼：A 文章編號：1672-626X（2025）03-0049-19

一、引言

黨的二十屆三中全會通過的《中共中央關于進一步全面深化改革 推進中國式現代化的決定》指出，“高質量發展是全面建設社會主義現代化國家的首要任務”。發展新質生產力又是推動高質量發展的內在要求和重要著力點[1]。新質生產力，作為一種融合新興技術與先進生產模式的全新生產能力，強調通過技術創新、資源優化和生態環保相融合，實現經濟創新可持續發展[2]。企業作為經濟高質量發展的關鍵主體，在經濟綠色智能轉型中的表現直接決定了經濟整體轉型的成效，加快培育企業新質生產力成為推動經濟高質量發展的重要環節。

然而，企業新質生產力的培育也面臨著“發展中的挑戰”，生產要素的配置在很大程度上仍受傳統經濟結構的制約，創新發展的方向也存在諸多不確定性。有效的政策引導便成為企業培育新質生產力的重要保障。現有研究主要從數字賦能和綠色低碳兩類政策上探討政策引導對企業新質生產力的促進作用。從數字賦能類政策來看，包括在數字基礎設施上奠定企業培養新質生產力基礎的“寬帶中國”戰略研究[3]；將數字管理的思路嵌入城市運行，為企業培育新質生產力提供創新思路的“智慧城市”建設研究[4]；以及將數據要素全面滲透企業發展過程，促進知識共享與信息互通的“國家大數據綜合試驗區”戰略的研究[5]。此外，還包括將人工智能技術全面融入企業新質生產力培育的“國家新一代人工智能創新發展試驗區”政策的研究[6]。從綠色低碳類政策來看，包括聚焦于從碳排放角度提高企業綠色發展能力的“低碳城市”建設和“碳排放權交易”試點政策的研究[7-8]；注重綠色財政激勵企業轉型升級的“節能減排財政政策綜合示范城市”試點政策的研究[9]；以及正在探索全新綠色發展模式的“無廢城市”建設政策的研究[10]。梳理已有文獻發現，現行的數字賦能和綠色低碳類政策對企業新質生產力的培育均具有積極影響，但現行研究大多是從單一政策視角評估對企業新質生產力的促進效應。然而，現實情況中眾多企業是在政策同步實施的情況下發展，政策協同的效應會對企業新質生產力培育帶來何種影響，現有研究并未給出明確的答案。2024年12月11日至12日舉行的中央經濟工作會議指出，“要打好政策‘組合拳’”。政策協同所產生的效應值得深入探討。基于此，本文收集了2011—2022年滬深A股上市公司數據，以2019年同步開始試點的“無廢城市”建設和“國家新一代人工智能創新發展試驗區”作為準自然實驗，實證檢驗綠色智能政策協同對企業新質生產力的影響，以探討如何打好提高新質生產力的綠色智能政策“組合拳”。

與既有研究相比，本文可能的邊際貢獻是：第一，區別于單一政策評估，從政策協同的視角探討綠色智能政策“組合拳”如何影響企業新質生產力培育，拓展了政策影響新質生產力發展的分析邊界，豐富了新質生產力方面政策效應評估的相關文獻。第二，從政府和企業兩個角度實證解讀了綠色智能政策協同對企業新質生產力影響的作用機制，有助于深入理解政策協同發揮作用的內在邏輯，為政府完善政策協同推進和企業完善新質生產力培育方向提供了實踐思路。第三，從企業技術采納能力、綠色化轉型程度、融資約束等角度探討了綠色智能政策協同對企業新質生產力所產生的異質性影響，揭示了綠色智能政策協同發揮作用所存在的特定條件，為相關部門優化制度設計，提升政策支持精準性提供了政策啟示。

二、制度背景、理論分析與研究假說

（一）制度背景

本文選取的綠色政策是“無廢城市”建設。“無廢城市”建設旨在以創新、協調、綠色、開放、共享的新發展理念為引領，促使綠色發展模式和生活方式的形成，不斷推動固體廢物從源頭減少產生量，并提高其資源化利用程度，盡可能降低填埋規模，將固體廢物對環境造成的負面影響控制在最小范圍。這不僅是一種城市發展的創新模式，更是一種前沿的城市管理理念，致力于實現經濟發展與綠色生態的統一。2018年12月29日，國務院辦公廳印發《“無廢城市”建設試點工作方案》。2019年4月30日，生態環境部公布了深圳、包頭、威海等11個“無廢城市”建設試點。2022年4月24日，生態環境部又公布了“十四五”時期“無廢城市”建設名單。2024年1月發布的《中共中央 國務院關于全面推進美麗中國建設的意見》進一步對“無廢城市”建設進行重要部署：到2027年，“無廢城市”建設比例達60%；到2035年，“無廢城市”建設實現全覆蓋。

本文選取的智能政策是“國家新一代人工智能創新發展試驗區”。2017年國務院發布了《國務院關于印發新一代人工智能發展規劃的通知》，將發展人工智能上升為國家戰略。據此，2019年科技部印發了《國家新一代人工智能創新發展試驗區建設工作指引》的通知。2019—2021年，國家新一代人工智能創新發展試驗區在北京、上海、杭州等18個城市陸續設立，試驗區的設立旨在深入實施創新驅動發展戰略，加快推動人工智能與經濟社會發展深度融合，推動以人類可持續發展為中心的智能化，全面提升新質生產力，為建設世界科技強國提供強大支撐。

在經濟實踐中，隨著綠色化和智能化的融合發展，綠色智能政策也呈現出較好的協同性。例如，同步實施綠色智能政策的成都市，其境內的西門子工業自動化產品（成都）有限公司以數字化賦能可持續發展為理念，建設固廢管理信息化平臺。生產過程中堅持綠色設計理念、應用人工智能等前沿技術、實施先進物流管理模式，推動可持續運營及產品全生命周期綠色管理，極大提高了企業的新質生產力①。該公司最終入選全國“無廢企業”典型案例。由此可見，綠色智能政策的協同對企業培育新質生產力具有重要意義。

（二）理論分析與研究假說

1. 綠色智能政策協同對企業新質生產力的直接影響

企業新質生產力的培育是技術創新能力與生產要素組織方式的升級過程，核心在于通過創新突破傳統生產函數的邊際約束[11]。在經濟綠色化與智能化轉型的雙重變革中，政策協同提供了外生制度激勵，重塑了企業創新生態環境，進而激勵企業生產力向新質跨越。一方面，“無廢城市”建設通過固體廢物源頭減量標準與資源化利用激勵機制，將生態外部性內部化為企業生產函數參數，促使企業重構技術研發路徑[10]。這種制度壓力將循環經濟理念內化為企業技術創新的內生動力，催生綠色工藝創新與清潔技術積累，從而提高企業新質生產力水平。另一方面，“國家新一代人工智能創新發展試驗區”通過智能基礎設施共享、智能技術應用場景開放等，為企業提供技術躍遷的路徑，使機器學習、智能數字平臺等智能技術嵌入研發創新環節，顯著降低企業的創新成本與知識擴散壁壘，促進新質生產力的形成[12]。兩項政策協同實施會在市場環境和企業實踐兩個層面促進企業新質生產力培養。在市場環境層面，政策協同構建了非對稱性制度環境，企業為應對綠色合規成本與智能技術迭代的雙重挑戰，須通過有效的研發投入形成新質生產力以應對綠色智能化帶來的挑戰[13]。在企業實踐層面，政策協同打破了技術創新路徑的線性邏輯，推動綠色技術與智能技術從簡單疊加轉向有機融合。例如，AI算法與清潔生產的融合，實現廢棄物智能利用。這種技術范式的交叉融合促使企業突破組織慣例與技術鎖定效應，催生顛覆式創新，促進企業新質生產力的培育[14]。綜上所述，本文提出研究假說1：

假說1：綠色智能政策協同能夠提高企業新質生產力水平。

2. 綠色智能政策協同對企業新質生產力的影響機制

綠色智能政策協同對企業新質生產力的影響不僅體現為直接的技術賦能，還體現在激活政府補助等制度性資源促進企業培育新質生產力。綠色智能政策協同通過制度互補性設計，將補貼從單向財政轉移升級為“政策工具包”的協同配置，打破政策碎片化困境，將環保部門的生態目標、科技部門的技術導向與財政部門的資金配置在綠色智能轉型框架下形成合力，集聚分散的補貼資源[15]。綠色智能政策又為政府補助提供了明確的選擇標準和評估對象，從而有助于政府補貼精準投向致力于綠色創新和數智化轉型以提升新質生產力的企業，最終提高政府補貼力度。

政府補貼事實上是一種公共資源對企業風險的共擔機制[16]。在政府補貼的強力支持下，企業能夠有效緩解長期以來在研發創新過程中面臨的資金壓力和市場風險，減輕發展新質生產力的壓力。政府補貼的有效支持還使得企業能夠積極引進先進的技術設備、吸引高端科研人才，高效開展綠色化改造和智能化升級項目。這些舉措有助于企業突破技術瓶頸，加快科技成果轉化，優化生產工藝，提高產品質量和生產效率[17]，進而促進企業新質生產力水平的顯著提高。綜合上述分析，本文提出研究假說2：

假說2：綠色智能政策協同能夠通過提高政府補貼力度來促進企業新質生產力水平提高。

綠色智能政策協同通過制度性框架與數智資源整合機制，為企業數智技術水平的提升提供了系統性動力。在制度層面，“國家新一代人工智能創新發展試驗區”與“無廢城市”政策的協同，形成復合驅動效應。一方面，“國家新一代人工智能創新發展試驗區”通過示范性政策構建數智技術標準體系，促進企業加速數智化改造以符合試驗區要求[6]。另一方面，“無廢城市”建設的綠色規制壓力促使企業將環境目標與智能化需求融合，促使企業充分利用數智技術提高綠色轉型的效率，從而提高企業對數智技術的投入。在數智資源整合層面，綠色智能政策協同通過數字基礎設施共享降低數智技術引入門檻，如智能固體廢物處理系統與工業互聯網平臺共建，使企業無需獨立承擔數智化轉型的高額成本，能加速企業數智技術的引入[18]。此外，政策驅動的產業集群效應催生技術協同網絡，使得數智技術能夠全鏈整合與滲透[19]，從而促進企業數智技術水平提高。

數智技術的深度應用通過提高個體研發效率和增強群體協同創新兩方面重構研發創新范式，成為新質生產力培育的重要引擎。在個體研發效率方面，數智技術將機器學習、計算機視覺、自然語言處理和專家系統等數字化工具嵌入企業創新過程，能夠加快企業研發的驗證過程，縮短研發周期，提高研發創新效率[20]，促進新質生產力培育。在群體協同創新方面，企業引入數智技術的過程會產生技術溢出效應，形成知識共享生態，通過產業集群形成知識溢出網絡，加強企業間技術合作，帶動上下游企業技術標準化與協同創新，并加速隱性知識轉移[21]，促進企業間新質生產力水平的協同提高。綜上分析，本文提出研究假說3：

假說3：綠色智能政策協同能夠通過提高企業數智技術水平來促進企業新質生產力水平提高。

綠色智能政策協同通過制度互補性與資源協同效應，為企業構建了持續性綠色創新的長效機制。在制度互補性方面，“無廢城市”政策通過固體廢物排放限額、循環經濟發展等環境規制要求，為企業綠色技術創新提供了更豐富的研發路徑，推動企業將更多綠色目標嵌入技術研發的過程[22]。“國家新一代人工智能創新發展試驗區”又通過智能技術標準與認證體系推動智能技術融入企業綠色技術創新過程，促進企業綠色技術創新降本增效[23]。綠色智能政策協同實施，將使得企業獲得綠色創新的“路徑明晰-降本增效”雙重紅利，激勵企業開展持續性的綠色創新。在資源協同層面，綠色智能政策的協同會驅動跨領域的基礎設施共享，如綠色數據中心與人工智能平臺融合，為企業綠色創新提供更多資源，顯著降低企業持續性綠色創新的邊際成本，使企業能夠擁有更多資源投入關鍵綠色核心技術攻關。政策協同驅動的產業集群效應，也能夠促進綠色技術與知識的共享，拓展更多綠色技術應用場景，推動企業進行持續性的綠色技術創新。

新質生產力本身也是綠色生產力，持續性綠色創新能力的提升會從綠色勞動力升級、綠色勞動對象拓展和綠色勞動資料創造三方面促進企業新質生產力水平提高。在綠色勞動力升級方面，持續性綠色創新推動員工技能體系向生態化轉型升級，例如清潔技術與智能監測系統協同應用，要求勞動力掌握能耗分析、循環工藝等新型綠色能力，提高綠色意識，從而促進新質勞動力的培育[24]。在綠色勞動對象拓展方面，持續性的綠色創新助力企業探索出更多環保、可持續的原材料，有利于拓展資源利用范圍，優化投入產出，提高企業綠色生產能力[25]。在綠色勞動資料創造方面，持續性綠色創新能夠促進企業研發并應用先進、智能化的綠色生產設備與工藝，促進綠色生產與智能生產協同共進，最終推動企業新質生產力水平的提升。綜上所述，本文提出研究假說4：

假說4：綠色智能政策協同能夠通過提高企業持續性綠色創新水平來促進企業新質生產力水平提高。

三、研究設計

（一）數據說明

2011年國家發布的《國民經濟和社會發展第十二個五年規劃綱要》明確提出，“依靠科技創新推動產業升級”“把資源節約和環境保護貫穿于生產、流通、消費、建設各領域各環節，提升可持續發展能力”。自2011年起，中國經濟已經向綠色化、智能化方向發展，結合數據可得性，本文選取2011—2022年為樣本區間。“無廢城市”建設和“國家新一代人工智能創新發展試驗區”的政策變量由作者手工整理，其余數據均來自于CSMAR數據庫。為保證數據質量，本文對數據進行了如下處理：（1）刪除了ST或*ST類企業的樣本；（2）刪除了金融行業的樣本；（3）刪除了基本財務數據異常和數據嚴重缺失的樣本；（4）為避免極端值的影響，對連續型變量在1%的水平上進行縮尾處理。最終得到24006個樣本。

（二）模型設定

參考吳非（2025）的做法[15]，本文構建如下一系列多時點雙重差分模型來識別綠色政策、智能政策和綠色智能政策協同對企業新質生產力水平的影響，并比較不同情形下的政策效應：

[NQPFit=α1+β1AIDit+γ1Ctrlit+δi+δt+εit] （1）

[NQPFit=α2+β2ZWSit+γ2Ctrlit+δi+δt+εit] （2）

[NQPFit=α3+β3PSit+γ3Ctrlit+δi+δt+εit] （3）

其中，[i]表示企業[i]，[t]表示第[t]年。[NQPFit]是本文的被解釋變量，表示企業新質生產力水平。[AIDit]代表智能政策，表示企業所在城市是否實施“國家新一代人工智能創新發展試驗區”。[ZWSit]代表綠色政策，表示企業所在城市是否實施“無廢城市”建設政策。[PSit]代表綠色智能政策協同，表示企業所在城市是否同時實施“無廢城市”建設和“國家新一代人工智能創新發展試驗區”。通過觀察不同的[β]系數來比較單一政策和綠色智能政策協同對企業新質生產力水平的影響程度。[Ctrlit]表示控制變量的集合。[δi]為企業固定效應，[δt]為年份固定效應。[εit]則代表隨機誤差項。

（三）變量說明

1. 被解釋變量

企業新質生產力（[NQPF]），是企業在技術進步、管理創新、資源配置優化等驅動下，形成的高質量、高效率、可持續的生產能力。企業新質生產力以創新為核心，但綠色可持續發展能力也同樣是企業新質生產力水平的重要體現[26]。因此，本文在參考宋佳等（2024）[27]構建的企業新質生產力指標基礎上加入企業ESG表現測量企業新質生產力水平（指標體系詳見表1），以綜合體現企業的新質生產力水平。

2. 核心解釋變量

本文的核心解釋變量為綠色智能政策協同實施虛擬變量（[PS]）。本文選取“無廢城市”建設試點政策和“國家新一代人工智能創新發展試驗區”構建綠色智能政策協同變量。選取這兩個政策的原因是：從綠色政策來看，“無廢城市”以新發展理念為引領，持續推動形成綠色發展方式，推進固體廢物從源頭減量和資源化利用，關注的范圍涵蓋環境保護、資源利用和產業發展多個領域。此外，與“低碳城市”建設和“碳排放權交易”等聚焦于碳排放管理的綠色政策相比，“無廢城市”建設更加注重綠色發展理念的貫徹，具有更強的代表性。因此，以“無廢城市”建設代表綠色政策（[ZWS]）。從智能政策來看，與現有研究常用的“寬帶中國”和“智慧城市”政策相比[28-29]，“國家新一代人工智能創新發展試驗區”聚焦AI技術在經濟發展中的創新和應用，鼓勵企業利用數智技術提高核心競爭力，與企業發展智能化轉型直接相關。而“寬帶中國”戰略注重數字基礎設施的部署，是智能化的前置政策；“智慧城市”建設更加側重城市管理的智慧化。因此，以“國家新一代人工智能創新發展試驗區”代表智能政策（[AID]）。此外，“無廢城市”建設與“國家新一代人工智能創新發展試驗區”均在2019年開始試點，在時間上也具有較好的協同性，最終以這兩個政策構建綠色智能政策協同指標[PS]。

在指標測度上，當企業所在城市同時實施綠色智能政策時[PS]取1，否則取0。此外，本文還設置了虛擬變量[PS1]和[PS2]，以評估不同對照組情形下綠色智能政策協同的凈效應。當企業所在城市同時實施綠色智能政策時[PS1]和[PS2]取1，當企業所在城市未實施任何政策時[PS1]取0，當企業所在城市僅實施綠色政策或僅實施智能政策時[PS2]取0。本文將依次估計智能政策、綠色政策以及三種不同對照組情形下綠色智能政策協同的凈效應，來驗證綠色智能政策協同是否會對企業新質生產力水平產生更強的政策效應。

3. 控制變量

本文分別從企業和城市兩個層面選取可能影響企業新質生產力的控制變量[30]。企業層面的控制變量包括：企業規模（[size]），以總資產取對數表征；資產負債率（[tl]），以總負債除以總資產表征；資產利潤率（[roa]），以凈利潤除以總資產表征；現金流比率（[cflow]），以經營活動產生的現金流除以總資產表征；兩職合一（[dual]），若董事長兼總經理取1，否則取0；企業年齡（[age]），以企業上市年齡加1取對數表征；第一大股東持股比例（[top1]）；產權性質（[soe]），國有企業取1，否則取0。城市層面的控制變量包括：經濟發展水平（[agdp]），以企業所在城市的地區生產總值取對數表征；科技發展水平（[science]），以企業所在城市科技支出占財政支出比重表征；環境規制（[er]），以企業所在城市政府工作報告環保詞頻占比×100表征。

本文對變量進行了相關性分析，結果顯示核心解釋變量與企業新質生產力（[NQPF]）擁有顯著的正相關關系，初步說明綠色智能政策可能會正向影響企業新質生產力。其余控制變量與企業新質生產力也擁有顯著的相關關系，這說明在模型中加入以上控制變量是有必要的。觀察控制變量之間的相關系數，發現核心解釋變量[PS]和控制變量之間存在相關系數絕對值大于0.3的情況，需排除多重共線性問題。因此，本文計算了變量間的VIF值，結果匯報于表2，所有變量VIF值均低于5，說明本文變量間并不存在嚴重的多重共線性問題。

表2匯報了主要變量的描述性統計。企業新質生產力[NQPF]的均值為2.4255，標準差為1.1616，最小值為0.5412，最大值為6.8225，說明企業間新質生產力水平具有一定的差距。[AID]的均值為0.1892，表明本文有18.92%的樣本為“國家新一代人工智能創新發展試驗區”的處理組。[ZWS]的均值為0.1390，表明本文有13.90%的樣本為“無廢城市”政策的處理組。[PS]的均值為0.0991，表明本文有9.91%的樣本為綠色智能政策協同的處理組。

四、基本實證結果分析

（一）基準回歸結果與有效性檢驗

1. 單變量檢驗

本文分別在實施單一智能政策或綠色政策、實施綠色智能政策協同、僅保留未實施任何政策的樣本為對照組、僅保留實施單一政策的樣本為對照組五種準自然實驗情況下對企業新質生產力水平進行均值檢驗和中位數檢驗，觀察其均值和中位數是否在不同的情形下產生顯著差異。表3的Panel A匯報了均值檢驗的結果，在五種準自然實驗的分組下，處理組企業的新質生產力水平均顯著高于對照組企業的新質生產力水平，初步表明了綠色智能政策實施會促進企業新質生產力水平提高。Panel B匯報了中位數檢驗的結果，在五種準自然實驗的分組下，中位數檢驗的Pearson chi2統計量均在1%的水平上顯著，說明處理組的企業新質生產力中位數水平也要顯著高于對照組的企業新質生產力中位數水平。由此可見，綠色智能政策協同與企業新質生產力水平可能存在因果效應。

2. 基準回歸結果

表4匯報了本文的基準回歸結果。列（1）和列（2）分別展示了“國家新一代人工智能創新發展試驗區”和“無廢城市”建設的單一政策效應，[AID]回歸系數在10%的水平上顯著為正，[ZWS]回歸系數在1%水平上顯著為正，說明綠色化、智能化的單一政策會顯著促進企業新質生產力水平提高，且“無廢城市”政策效應要更強。列（3）匯報了綠色智能政策協同的回歸結果，[PS]系數在1%水平上顯著為正，說明綠色智能政策協同會顯著提高企業新質生產力水平，但其政策效應略低于“無廢城市”建設的單一政策效應，此時是將未實施任何政策的企業和實施單一政策的企業同時劃分為對照組。列（4）匯報了僅保留未實施任何政策的企業作為對照組的回歸結果，[PS1]回歸系數在1%水平上顯著為正，從更為“干凈”的角度來看，綠色智能政策協同對企業新質生產力水平的促進效應要高于單一政策的效應。列（5）匯報了僅保留實施單一政策的企業作為對照組的回歸結果，[PS2]回歸系數在1%的水平上顯著為正，這進一步說明了綠色智能政策協同對企業新質生產力水平的促進效應比單一政策效應更強。綜上所述，綠色智能政策協同會顯著提高企業新質生產力水平，且產生了“1+1gt;2”的效果，假說1得以驗證。

3. 平行趨勢檢驗

雙重差分模型估計結果有效的基本前提是通過平行趨勢檢驗。本文采用事件研究法進行平行趨勢檢驗（見圖1），檢驗受到綠色智能政策協同沖擊的企業與其他企業在協同政策實施前的新質生產力水平是否滿足如下平行變動趨勢：

[NQPFit=α4+k=-4，k≠-1" "3ζkDik+γ4Ctrlit+δi+δt+εit] （4）

其中，[ζk]表示政策效應的動態回歸系數；[Dik]為一組虛擬變量，表示綠色智能政策協同實施前后的第[k]年，若[k]=0則代表當年企業所在地開始同步實施綠色智能政策，[k]為負數代表綠色智能政策協同實施的前[k]年。圖1顯示，在綠色智能政策協同發生前，處理組和對照組的企業新質生產力水平的動態回歸系數均不顯著，說明受綠色智能政策協同沖擊的企業和未受綠色智能政策協同沖擊的企業在綠色智能政策協同發生前，其新質生產力水平的變動趨勢是一致的，滿足了平行趨勢假定的基本條件。而在綠色智能政策協同發生后，企業新質生產力水平的動態回歸系數顯著為正，說明綠色智能政策協同顯著提高了企業新質生產力水平，平行趨勢檢驗通過。

4. 異質性處理效應診斷

隨著經濟學研究中交錯雙重差分模型的普遍應用，處理效應在組別和時間維度上的異質性問題受到廣泛關注。處理效應的異質性問題可能會使傳統雙向固定效應模型的回歸結果產生偏誤[31]。為診斷異質性處理效應，本文參考白俊紅等（2022）的研究[32]，將模型（3）中綠色智能政策協同的估計系數[β3real]視為所有受處理個體的處理效應加權之和的期望值：

[β3real=Ei，t：Dit=1Wit?it] （5）

其中，[Wit]和[?it]分別代表企業[i]在第[t]年受到的協同政策處理效應權重以及對應的處理效應。如果處理效應中[Wit]的負權重比重較大，多期雙重差分的雙向固定效應估計結果可能并不穩健[33]。為此，基于式（5）進行異質性處理效應檢驗，結果顯示基準回歸模型中的估計系數0.0909是2378個平均處理效應的加權和，其中2232個處理效應獲得了正權重，146個獲得了負權重，負權重占比約為6.14%，負權重總和為-0.0236，這表明本文基準模型的估計結果存在較小程度的處理效應異質性，但并未有嚴重的偏誤問題。

5. 安慰劑檢驗

為排除外界偶然因素對實證結果的干擾，本文開展了安慰劑檢驗。具體而言，在綠色智能政策協同處理組和處理時間兩個維度上隨機生成偽處理組以及與之對應的受處理時間，構建虛擬[PS]變量。隨后，重復抽樣500次，用其替換原解釋變量進行偽回歸。結果如圖2所示，大部分偽回歸系數不顯著，且圍繞0點呈正態分布。而前文基準回歸系數為0.0909，處于偽回歸概率分布范圍之外。這說明綠色智能政策協同對企業新質生產力的驅動作用并非由偶然因素導致，基準回歸結果有效。

（二）穩健性檢驗

1. 異質性穩健估計量

前文中的異質性處理效應診斷表明本文基準回歸結果存在較小比例的負權重，為驗證結果的穩健性，本文參考Callaway等（2021）多期處理效應的“交錯雙重差分”方法[34]，重新估計綠色智能政策協同對企業新質生產力的影響。該方法通過允許處理時間異質性和基于條件平行趨勢假設的靈活估計框架，使用不同估計方法，識別并聚合異質性處理效應，從而有效解決處理效應異質性問題。本文使用逆概率加權法識別并聚合異質性處理效應。表5的列（1）顯示，綠色智能政策協同的“異質性穩健”估計系數在1%水平上顯著為正。這說明在考慮異質性處理效應的情況下，綠色智能政策協同會促進企業新質生產力水平提高的基本結論穩健。

2. 雙重機器學習

企業新質生產力的提高受到企業特征、宏觀經濟因素等多方面變量的影響，本文在企業和城市兩個層面加入了多維控制變量，這可能會產生“維度詛咒”問題。雙重機器學習方法能夠在預選項里自動篩選出精度較高的控制變量集合，從而緩解“維度詛咒”帶來的估計偏誤，進而得到可靠估計量。此外，雙重機器學習模型還能夠捕捉變量之間的復雜非線性關系，從而提高模型的擬合能力。因此，本文參考Bodory等（2022）的研究[35]，利用雙重機器學習模型重新估計綠色智能政策協同對企業新質生產力的影響，將樣本分割比例設為1：2，采用一般性交互式雙重機器學習模型，運用隨機森林算法，并加入控制變量的一次項和二次項進行回歸。表5的列（2）顯示，[PS]回歸系數仍在1%的水平上顯著為正，基本結論穩健。

3. 剔除直轄市

直轄市因其特殊的行政地位，往往擁有更強的資源稟賦優勢，這可能使企業在綠色化和智能化轉型過程中提高新質生產力水平變得更加容易，從而影響政策本身的真實效果。因此，本文剔除了企業所在地為直轄市的樣本重新估計綠色智能政策協同的政策效應。表5的列（3）顯示，在剔除直轄市樣本后，綠色智能政策協同的[PS]回歸系數仍然在5%水平上顯著為正，在考慮資源稟賦差異后，綠色智能協同政策會促進企業新質生產力水平提高的基本結論保持不變。

4. 高維固定效應

宏觀經濟環境同樣會影響企業新質生產力的發展，本文在回歸模型中控制了城市層面經濟發展水平、科技發展水平、環境規制等宏觀因素的變量。但除此之外，不同的城市還存在諸多可能影響企業新質生產力的不可預測因素，而且同一城市內的企業也會受到這些城市因素的共同影響。因此，本文在基準回歸模型的基礎上加入城市固定效應，并將聚類穩健標準誤提高到城市層級以驗證結果的穩健性。表5的列（4）顯示，[PS]回歸系數仍在5%的水平上顯著為正，基本結論保持穩健。

5. 排除相關政策因素

除“無廢城市”建設和“國家新一代人工智能創新發展試驗區”外，在研究區間內仍然存在相關政策，可能會對估計結果產生影響。為此，本文在基準回歸中進一步控制“智慧城市”（[SC]）和“低碳城市”（[LCC]）政策變量，以排除相關政策對回歸結果造成的影響。表5的列（5）顯示，[PS]回歸系數保持在1%的水平上顯著為正，且回歸系數沒有發生較大變化，這說明“無廢城市”建設和“國家新一代人工智能創新發展試驗區”的政策協同效應沒有受到相關政策的過多干擾，基準結論穩健。

6. 替換指標測度口徑

新發展理念不但注重創新發展、綠色發展，也同樣注重協調發展。新質生產力水平的提高也不能只注重少數企業，而是要促進整體的發展。為檢驗綠色智能政策協同是否縮小企業間新質生產力差距，促進企業新質生產力整體發展，本文首先測算出每年份每個行業中企業新質生產力的最大值，然后以該最大值減去每個企業的新質生產力水平，構建行業內的企業新質生產力前沿面差距指標（[NQPF2]）并替換被解釋變量進行回歸。表5的列（6）顯示，[PS]回歸系數在1%水平上顯著為負，說明綠色智能政策協同使得行業內企業新質生產力前沿面差距在縮小，該結果印證了綠色智能政策協同使得企業新質生產力水平在協調中提高。

（三）內生性檢驗

1. PSM-DID

綠色智能政策的協同實施也并非隨機行為，而是受城市經濟發展水平、城市總體科技水平、企業經營特征等多種因素的影響，這可能產生自選擇偏差導致的內生性問題。本文利用PSM-DID方法檢驗該問題。首先通過比較不同模型的極大似然值，在控制變量中篩選匹配的協變量，結果顯示應保留除變量[dual]之外的其他控制變量作為匹配協變量。然后，對所有協變量進行Logit回歸計算傾向得分，采用1：1有放回的最鄰近匹配法，設置卡尺值為0.05，將綠色智能政策協同的處理組企業與對照組企業傾向得分值最接近的企業進行匹配，以最大程度地減少兩組企業的特征差異。將匹配后的樣本進行回歸，結果見表6的列（1），[PS]回歸系數在5%的水平上顯著為正，表明在考慮自選擇問題后基本結論保持穩健。匹配后的平衡性檢驗顯示，宏觀層面的協變量差異得到較好消除，而企業層面的協變量差異沒有得到較好消除，可能的原因在于宏觀變量的樣本分布不均勻，在多維度變量進行匹配時不能同時消除協變量的差異。為此，本文僅對企業層面的協變量進行匹配，檢驗消除企業特征差異后的回歸結果。平衡性檢驗顯示，在剔除宏觀協變量后，大部分協變量的t檢驗均不顯著，企業層面的特征變量得到了很好消除。列（2）匯報了僅消除企業層面特征差異的回歸結果，[PS]系數在1%的水平上顯著為正，基本結論仍保持不變。為進一步檢驗結果的穩健性，本文還使用核匹配方法進行檢驗，核匹配利用所有對照組個體進行加權匹配，避免了最近鄰匹配中可能出現的“跳躍”現象，使匹配結果更加平滑。表6的列（3）顯示，在使用核匹配方法盡可能消除處理組和對照組之間的特征差異后，綠色智能政策協同仍會對企業新質生產力水平產生顯著的促進作用。綜上所述，在盡可能緩解自選擇偏差問題后，本文基本結論保持不變。

2. 工具變量回歸

企業新質生產力水平的提高會提升地區整體科技創新能力和綠色發展的能力，這也可能會反過來促進綠色智能政策協同的實施，從而產生雙向因果導致的內生性問題。本文以工具變量回歸處理該問題，參考龔家和吳振磊（2025）的做法[36]，采用樣本期間全國t-1年互聯網上網人數除以城市平均坡度構建工具變量（[IV]）。從相關性來看，綠色智能政策的協同依賴于智能技術在綠色發展中的使用，城市平均坡度影響著地方信號基站等數字基礎設施的建設成本和覆蓋率，從而會影響當地智能技術在綠色發展的使用，進而影響智能政策與綠色政策的協同。從外生性來看，城市平均坡度是一個自然地理特征，通常與企業的研發創新行為并無直接關聯，城市平均坡度本身并不會直接影響企業的新質生產力水平，滿足外生性條件。而城市平均坡度缺乏時間趨勢，因此引入全國t-1年互聯網上網人數作為時間趨勢。從相關性來看，全國互聯網上網人數代表了全國整體的數字化程度，影響著智能技術在廢棄物處理等綠色發展過程中的應用，進而會影響綠色智能政策的協同，與綠色智能政策協同相關，滿足相關性條件。從外生性來看，全國t-1年互聯網上網人數反映的是全國層面互聯網普及水平，通常不會直接影響單個企業的新質生產力水平。因此，從理論上講，該變量與單個企業的新質生產力水平無直接關聯，同樣滿足外生性條件。工具變量[IV]識別不足檢驗中的Kleibergen-Paap rk LM統計量為233.327，弱工具變量檢驗中的Kleibergen-Paap rk Wald F統計量為180.882，在統計意義上工具變量也是有效的。表6的列（4）匯報了一階段的回歸結果，工具變量[IV]的回歸系數顯著為負，說明工具變量負向影響綠色智能政策的協同。列（5）顯示了二階段回歸結果，[PS]回歸系數在5%水平上顯著為正，在考慮雙向因果產生的內生性問題后，綠色智能政策協同仍會顯著提高企業新質生產力水平，基本結論穩健。

五、作用機制分析與異質性分析

（一）作用機制分析

為檢驗綠色智能政策協同對企業新質生產力的影響機制，參考牛志偉等（2023）的研究[37]，構建如下作用機制檢驗模型：

[ Mit=α5+β5PSit+γ5Ctrlit+δi+δt+εit] （6）

[NQPFit=α6+β6Mit+γ6Ctrlit+δi+δt+εit] （7）

[ NQPFit=α7+β7PSit+β8Mit+γ7Ctrlit+δi+δt+εit] （8）

其中，[Mit]表示機制變量，本文的機制變量主要有政府補貼力度（[GS]）、數智技術水平（[DIT]）以及企業持續性綠色創新水平（[SGI]）。式（6）～式（8）中其余符號與式（3）中對應的符號一致。

1. 政府補貼力度

為實證檢驗綠色智能政策協同的新質生產力促進效應是否存在政府補貼力度提高這一作用機制，本文以政府補助金額除以總資產表征政府補貼力度（[GS]），并代入模型（6）進行回歸。表7的列（1）顯示，[PS]回歸系數在1%水平上顯著為正，說明綠色智能政策協同顯著提高了政府對企業的支持力度。列（2）顯示，[GS]回歸系數在1%的水平上顯著為正，說明政府補貼提高也會促進企業新質生產力水平提高。列（3）顯示，將中介變量納入基準模型，[PS]和[GS]的回歸系數仍顯著為正。Sobel檢驗的Z值為2.382，在5%的水平上顯著。Bootstrap（1000次）抽樣檢驗顯示，置信度為95%的中介效應置信區間為[0.0006，0.0050]，未包含0。以上結果說明，綠色智能政策協同實施會通過提高政府對企業的補貼力度來促進企業新質生產力水平提高，假說2得以驗證。

2. 數智技術水平

為實證檢驗數智技術水平提高是否是綠色智能政策提高企業新質生產力的作用機制，本文參考戴魁早等（2025）的研究[19]，以企業數智化資產占比和對數化的年報數智技術關鍵詞詞頻取算術平均表征企業數智技術水平（[DIT]），并代入模型（6）進行回歸。表8的列（1）顯示，[PS]回歸系數在1%的水平上顯著為正，說明綠色智能政策協同顯著提高了企業數智技術水平。表8的列（2）顯示，[DIT]回歸系數也在1%的水平上顯著為正，企業數智技術水平提高會提高企業新質生產力水平。表8的列（3）顯示，將機制變量納入基準模型后，[PS]和[DIT]的回歸系數均顯著為正。Sobel檢驗的Z值為3.137，在1%的水平上顯著。Bootstrap（1000次）抽樣檢驗顯示，置信度為95%的中介效應置信區間為[0.0057，0.0175]，未包含0。以上結果說明，綠色智能政策協同實施會通過提高企業數智技術水平來促進企業新質生產力水平提高，假說3得以驗證。

3. 持續性綠色創新水平

為實證檢驗綠色智能政策協同是否會通過提高企業持續性綠色創新水平來提高企業新質生產力水平，本文參考楊仁發和楊梅君（2025）的研究[38]，將連續兩年企業綠色創新數據合并計算，用企業綠色專利申請量的環比增長率乘以當期綠色專利申請量表征企業持續性綠色創新水平（[SGI]），并代入模型（6）進行回歸。表8的列（4）顯示，[PS]系數在5%的水平上顯著為正，說明綠色智能政策協同促進了企業持續性綠色創新水平。表8的列（5）顯示，[SGI]系數在1%的水平上顯著為正，說明企業持續性綠色創新水平提高會促進企業新質生產力水平提高。表8的列（6）顯示，[PS]和[SGI]的回歸系數均顯著為正。Sobel檢驗的Z值為1.823，在10%的水平上顯著。Bootstrap（1000次）抽樣檢驗顯示，置信度為95%的中介效應置信區間為[0.0007，0.0054]，未包含0。以上結果說明，綠色智能政策協同實施會通過提高企業持續性綠色創新水平來促進企業新質生產力水平提高，假說4得以驗證。

（二）異質性分析

不同性質的行業或不同類型的企業在經營特點、技術接納能力、資金實力等方面存在不同的情況，這也可能會使綠色智能政策協同的新質生產力促進效應產生異質性的結果。本文試圖從行業層面的技術特征、污染特征以及企業層面的數字化、綠色化和資金特征五個角度展開異質性分析。

1. 技術行業異質性

作用機制分析表明，綠色智能政策協同通過提高數智技術水平來促進企業新質生產力，而不同技術采納能力的行業，對數智技術采納的能力也不同，最終對新質生產力的促進作用也可能不同。因此，本文參考姚加權等（2024）的研究[39]，依據國家統計局發布的《高技術產業（制造業）分類（2017）》和《高技術產業（服務業）分類2018》將樣本劃分為高技術行業和低技術行業兩組②，并進行分組回歸。表9的列（1）和列（2）顯示，綠色智能政策協同對高技術行業的企業新質生產力具有顯著的促進效應，但對低技術行業的企業新質生產力沒有顯著影響。這說明，具有一定技術采納能力的高技術行業企業才能充分利用數智技術提高企業新質生產力。如果技術采納能力較弱，協同政策效應甚至并不會顯現。

2. 污染行業異質性

不同污染性質的行業因其綠色轉型基礎和轉型成本方面的不同，綠色智能政策協同的企業新質生產力促進效應也可能不同。本文參考王伊攀和何圓（2021）的研究[40]，將樣本劃分為高污染行業和低污染行業兩組③，并進行分組回歸。表9的列（3）和列（4）顯示，綠色智能政策協同的新質生產力促進效應在高污染行業中并不顯著，但在低污染行業中在1%水平上顯著為正。可能的原因在于，低污染行業本身對環境的影響較小，以綠色技術和數智技術發展新質生產力的門檻和成本較低，更容易實現綠色化和智能化轉型，進而發展新質生產力；而高污染行業因其本身的行業特點，綠色智能轉型的門檻和成本都相對較高，對綠色智能政策的響應速度較慢，難以在短期內以綠色智能技術發展新質生產力。

3. 企業數字化轉型異質性

不同數字化轉型程度的企業因其數字基礎設施配置和數字化管理能力的不同對于綠色智能政策協同的敏感程度也不同，政策協同的新質生產力促進效應也可能不同。本文借鑒吳非等（2021）的方法測量企業數字化轉型程度[41]，依據本文樣本企業的數字化轉型程度中位數將樣本劃分為高數字化轉型企業和低數字化轉型企業，并進行分組回歸。表10的列（1）和列（2）顯示，綠色智能政策協同的新質生產力促進效應在高數字化轉型企業中顯著為正，但在低數字化轉型企業中并不顯著。可能的原因是，高數字化轉型企業具備良好的數智技術應用基礎和豐富的數字化運營管理經驗，能夠迅速響應綠色智能政策，找到合適的應用場景并進行創新實踐，從而將政策機遇轉化為新質生產力；而低數字化轉型企業缺乏必要的數字基礎設施和相關人才，面對綠色智能政策協同所要求的綠色與數字技術深度融合推動新質生產力，往往難以找到切入點，從而無法有效利用現有資源，限制了政策對新質生產力的促進作用。

4. 企業綠色化轉型異質性

不同綠色化轉型程度的企業在新質生產力的發展空間上也存在較大差異，從而綠色智能政策協同的新質生產力促進效應也可能不同。參考周闊等（2022）的研究[42]，基于上市公司年報中企業綠色化轉型關鍵詞詞頻構建企業綠色化轉型指數，依據該指數中位數將樣本劃分為高綠色化轉型企業和低綠色化轉型企業并進行分組回歸。表10的列（3）和列（4）顯示，綠色智能政策協同的新質生產力促進效應在兩組回歸中均顯著為正，但在高綠色化轉型企業中顯著性水平為10%，回歸系數較小；在低綠色化轉型企業中顯著性水平為1%，系數較大，費舍爾組間系數差異檢驗顯著。可能的原因是，低綠色化轉型企業在節能減排和廢棄資源循環利用等提高綠色新質生產力的方面存在較大的改進空間，綠色智能政策協同為這類企業提供明確的發展方向和大力支持，有助于其以綠色創新為切入點發展新質生產力；而高綠色化轉型企業已經在綠色化方面取得一定成效，發展新質生產力的空間比低綠色化企業更狹窄，綠色智能政策協同的新質生產力提升作用變得相對較小。

5. 企業融資約束異質性

具有不同融資約束的企業，資金實力也不同，支持研發投入發展新質生產力的力度也不同，綠色智能政策協同的政策效應也會不同。依據企業的SA指數將樣本劃分為高融資約束企業和低融資約束企業兩組，并進行分組回歸。表10的列（5）和列（6）顯示，綠色智能政策協同的新質生產力促進效應在高融資約束企業中并不顯著，但在低融資約束企業中政策效應非常顯著。這說明，融資約束問題同樣是企業響應綠色智能政策協同來發展新質生產力的重要因素，這也側面印證了本文“提高政府補貼力度”作用機制的準確性，政府通過提高對企業的補貼力度緩解了企業融資約束，從而促進了企業新質生產力水平提高。

六、結論與政策建議

（一）研究結論

文章基于2011—2022年滬深A股上市公司數據，以“無廢城市”建設和“國家新一代人工智能創新發展試驗區”同步實施作為準自然實驗，實證檢驗了綠色智能政策協同對企業新質生產力的影響。研究發現：綠色智能政策協同顯著提高了企業新質生產力水平，且相較于單一政策，政策協同會對企業新質生產力產生更強的促進作用，該結論經過多種穩健性檢驗和內生性檢驗后依然保持穩健。作用機制分析發現，綠色智能政策協同通過提高政府補貼力度、提高企業數智技術水平和提高持續性綠色創新水平來促進企業新質生產力水平的提高。異質性分析發現，綠色智能政策協同的企業新質生產力促進效應在高技術行業企業、低污染行業企業、高數字化轉型企業、低綠色化轉型企業以及低融資約束企業中更加明顯。

（二）政策建議

第一，加強政策協同，推動綠色與智能深度融合。本文研究發現相較于實施單一政策的城市，同步實施綠色智能政策的城市對企業發展新質生產力具有更強的促進作用。因此，政府部門應加強跨部門合作，打破政策壁壘，完善頂層設計與實施方案，構建有機融合的政策體系。例如，科技部門與生態部門聯合制定政策實施策略，在推動“無廢城市”建設的同時，融入人工智能技術應用的具體措施，促進綠色技術與數智技術融合，以發揮綠色智能政策協同對企業新質生產力的促進作用。

第二，優化政府支持機制，緩解企業融資約束，重點支持企業數智技術和綠色創新的融合。本文異質性分析發現，企業融資約束是影響綠色智能政策協同發揮作用的限制性因素，而機制分析發現政府補貼能夠有效緩解企業融資約束，促進新質生產力發展。因此，建議政府根據企業的綠色智能轉型績效和融資約束程度，動態調整政府補助的分配，確保資金支持的高效利用，緩解高融資約束企業的資金壓力，實現新質生產力均衡發展。機制分析還發現，政策協同效應通過提高企業數智技術水平和持續性綠色創新水平進而提高新質生產力。因此，建議政府提高企業數智技術的補貼比例，降低企業數字化轉型的成本。同時，建議設立“綠色智能技術認證清單”，對同時滿足數字化與低碳化改造要求的企業給予更大程度的補貼，加速數智技術與企業綠色創新的融合。

第三，針對企業特點，實施差異化精準策略。異質性分析發現，綠色智能政策協同的效應因行業的技術采納能力和污染性質以及企業的數字化和綠色化轉型程度的不同而存在異質性結果。針對低技術采納能力行業或者低數字化轉型程度的企業，鼓勵其與高校和科研機構合作，提高技術采納能力和數字創新能力，促進其融入綠色智能技術研發和應用的協同創新體系，提高技術成果轉化能力。針對不同綠色化轉型程度的企業，高綠色化轉型企業可以與低綠色化轉型企業開展開源創新聯動機制，使高綠色化轉型企業可以開拓更多綠色智能技術的應用場景，尋找新的發展思路，同時低綠色化轉型企業也能夠獲得更多創新啟示，從而實現雙贏。針對高污染行業的企業，政府部門應設立長期的轉型支持體制，激勵高污染行業企業循序漸進革新生產，實現以綠色智能技術發展新質生產力。

注 釋：

① 資料來源：成都市人民政府網。《成都2家企業案例入選國家級“無廢企業”典型案例》，2024-11-05。

② 高技術行業的二分位代碼為：C26、C27、C34、C35、C36、C37、C38、C39、C40、I63、I64、I65、M73、M74、N77。

③ 高污染行業的二分位代碼為：B06、B07、B08、B09、C17、C19、C22、C25、C26、C28、C29、C30、C31、C32、D44。

參考文獻：

［1］ 習近平.發展新質生產力是推動高質量發展的內在要求和重要著力點［J］.求是，2024（11）：4-8.

［2］ 孫紹勇，李詩.培育和發展新質生產力的數智化邏輯旨要及驅動路向［J］.政治經濟學評論，2024，15（6）：101-114.

［3］ 陳彥霖，陽鎮，梅亮.“數字基建”與企業新質生產力——基于“寬帶中國”試點政策的評估［J/OL］.科學學與科學技術管理，（2024-12-02）［2025-02-18］.https：//doi.org/10.20201/j.cnki.ssstm.20241202.001.

［4］ 張蘊萍，王瀟凱，陳言.智慧城市建設對培育發展企業新質生產力的影響——來自中國A股上市公司的經驗證據［J/OL］.重慶大學學報（社會科學版），（2024-11-15）［2025-02-18］.http：//kns.cnki.net/kcms/detail/50.1023.C.20241114.1858.002.html.

［5］ 王晨晨，鄭沃林，張玲.大數據戰略對企業新質生產力的影響機制：基于知識共享的中介效應［J］.南京理工大學學報（社會科學版），2025，38（1）：62-70.

［6］ 歐陽金瓊，魏德強，王雨濛.人工智能對新質生產力的影響——基于新一代人工智能創新發展試驗區的政策效應［J］.軟科學，2025（3）：28-36.

［7］ 鄧世成，吳玉鳴.低碳城市試點政策對中國資源型城市綠色轉型發展的影響［J］.中國人口·資源與環境，2024（6）：65-79.

［8］ 葉云嶺，張其仔.碳排放規制與制造業企業新質生產力研究：基于碳排放權交易機制的準自然實驗［J］. 中國軟科學，2024（11）：100-112.

［9］ 田淑英，孫磊，許文立，等.綠色低碳發展目標下財政政策促進企業轉型升級研究——來自“節能減排財政政策綜合示范城市”試點的證據［J］.財政研究，2022（8）：79-96.

［10］ 羅錦程，楊弋，黃春林，等.新質生產力視域下“無廢城市”建設路徑探究——以湖南省為例［J］. 環境保護，2024，52（Z5）：51-53.

［11］ 毛強，龐凱.新質生產力與現代化產業體系的內在契合與互動路徑［J］.改革，2025（2）：62-76.

［12］ 鄭麗琳，劉東升.數字經濟、知識溢出與企業創新［J］.統計與信息論壇，2024，39（10）：42-55.

［13］ 劉明霞，蘇鈺然.多市場接觸與企業綠色創新：環境規制和媒體關注的調節作用［J/OL］.科技進步與對策，（2025-01-23）［2025-02-18］.http：//kns.cnki.net/kcms/detail/42.1224.G3.20250122.1606.022.html.

［14］ 蔡顯軍，潘慧峰，王瑞.新質生產力視域下后發企業的顛覆式創新路徑［J］. 江蘇社會科學，2025（1）：118-126+243.

［15］ 吳非.取向一致還是合成謬誤：“數字化-綠色化”政策協同對企業新質生產力的影響研究［J/OL］.西北工業大學學報（社會科學版），（2025-01-27）［2025-02-18］.http：//kns.cnki.net/kcms/detail/61.1352.C.20250125.2219.002.html.

［16］ 洪瑤小雪，許恒，于暢.政府補貼與企業高質量創新［J］.南開學報（哲學社會科學版），2024（3）：124-138.

［17］ 鄭世林，閆卓毓.政府研發補貼、企業科學研究與技術創新溢出效應［J］.吉林大學社會科學學報，2025，65（2）：146-162，238.

［18］ 郭波武，成瓊文，王夢瑩.工業互聯網平臺如何助力制造企業綠色轉型？——數字技術可供性視角的案例研究［J］.研究與發展管理，2025，37（1）：98-112.

［19］ 戴魁早，黃姿，梁銀笛.數智技術、技術要素市場與服務型制造［J］.中國工業經濟，2025（1）：137-155.

［20］ LIN K Y，CHANG K H. Artificial Intelligence and Information Processing：A Systematic Literature Review［J］.Mathematics，2023，11（11）：1-20.

［21］ 解學梅，郭瀟涵.人工智能深度學習平臺如何實現開源式創新［J］.中國工業經濟，2024（8）：174-192.

［22］ 陳煦江，姜珊，何凌霄.“無廢城市”試點政策對企業綠色創新的影響［J］.華東經濟管理，2024，38（2）：42-52.

［23］ 朱冠平，王琨.人工智能應用與制造業企業綠色創新［J］.工業技術經濟，2024，43（9）：73-81.

［24］ 秦炳濤，楊坤，葛力銘.以“綠”待勞：環境規制與重污染企業就業——基于生產全過程綠色技術創新的視角［J］.中國環境科學，2023，43（3）：1449-1459.

［25］ 萬大勇.綠色技術創新對綠色全要素生產率的影響——基于重污染行業上市企業的實證研究［J］.工程管理科技前沿，2025，44（1）：69-75.

［26］ 黃鑫，胡鞍鋼.綠色生產力的理解向度、中國創新與實踐展望——兼論新質生產力本身就是綠色生產力［J］.北京工業大學學報（社會科學版），2025，25（1）：56-67.

［27］ 宋佳，張金昌，潘藝.ESG發展對企業新質生產力影響的研究——來自中國A股上市企業的經驗證據［J］.當代經濟管理，2024，46（6）：1-11.

［28］ 孫文杰，董文雯.數字基礎設施、企業技術創新與創新激勵異質性——基于智慧城市試點政策的準自然實驗［J］.現代管理科學，2023（6）：14-23.

［29］ 賴曉冰，岳書敬.智慧城市試點促進了企業數字化轉型嗎？——基于準自然實驗的實證研究［J］.外國經濟與管理，2022，44（10）：117-133.

［30］ 孫娜，曲衛華.“雙碳”目標下ESG表現賦能企業新質生產力［J］.統計與信息論壇，2024，39（10）：24-41.

［31］ GOODMAN-BACON A. Difference-in-differences with Variation in Treatment Timing［J］.Journal of Econometrics，2021，225（2）：254-277.

［32］ 白俊紅，張藝璇，卞元超.創新驅動政策是否提升城市創業活躍度——來自國家創新型城市試點政策的經驗證據［J］.中國工業經濟，2022（6）：61-78.

［33］ DE CHAISEMARTIN C，D’HAULTF?UILLE X. Two-Way Fixed Effects Estimators with Heterogeneous Treatment Effects［J］.The American Economic Review，2020，110（9）：2964-2996.

［34］ CALLAWAY B，SANT’ANNA P H C. Difference-in-Differences with Multiple Time Periods［J］.Journal of Econometrics，2021，225（2）：200-230.

［35］ BODORY H，HUBER M，LAFFéRS L. Evaluating （Weighted） Dynamic Treatment Effects by Double Machine Learning［J］.Econometrics Journal，2022，25（3）：628-648.

［36］ 龔家，吳振磊.新型基礎設施建設與企業綠色轉型——基于特高壓工程的經驗證據［J］.財經科學，2025（1）：75-91.

［37］ 牛志偉，許晨曦，武瑛.營商環境優化、人力資本效應與企業勞動生產率［J］.管理世界，2023，39（2）：83-100.

［38］ 楊仁發，楊梅君.數字化轉型的持續性創新效應研究［J］.數量經濟技術經濟研究，2025，42（2）：109-129.

［39］ 姚加權，張錕澎，郭李鵬，等.人工智能如何提升企業生產效率？——基于勞動力技能結構調整的視角［J］.管理世界，2024，40（2）：101-116+133.

［40］ 王伊攀，何圓.環境規制、重污染企業遷移與協同治理效果——基于異地設立子公司的經驗證據［J］.經濟科學，2021（5）：130-145.

［41］ 吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］.管理世界，2021，37（7）：130-144+10.

［42］ 周闊，王瑞新，陶云清，等.企業綠色化轉型與股價崩盤風險［J］.管理科學，2022，35（6）：56-69.