


??【摘要】本研究考察了人工智能(AI)采纳与中国企业层面气候变化风险(FLCCR)之间的关系。利用关于AI实施和FLCCR暴露的全面企业层面数据,我们分析了AI在不同所有权结构、行业部门和公司治理框架下的情境有效性。实证分析揭示了AI采纳与降低FLCCR之间存在稳健关联,研究结果与既定经济理论一致。在通过多项稳健性检验处理潜在内生性问题后,结果仍具有统计显著性。研究发现,AI的气候风险降低潜力并非均匀分布,而是取决于情境,在所有权类型、行业和治理特征方面存在显著差异。值得注意的是,AI的风险缓解效果在国有企业、污染密集型或高科技行业运营的企业,以及具有强大公司治理机制(特别是董事会独立性和性别多样性特征)的组织中尤为突出。这些发现丰富了关于环境挑战技术解决方案的现有文献,同时为寻求通过战略AI整合增强气候韧性的企业决策者和政策制定者提供了可操作的见解。该研究强调了AI作为可持续发展工具的潜在作用,同时承认技术采纳与组织因素在风险缓解结果中的复杂相互作用。
??【重点】
• 人工智能的采用降低了中国企业的气候变化风险
• 国有企业、污染行业和科技行业的效果最为显著
• 治理因素放大了人工智能的可持续性影响
??【变量定义】
?被解释变量:企业层面的气候变化风险
借鉴Sautner等的方法,研究通过文本分析量化企业在气候议题上的风险暴露。不同于Sautner等基于财报电话会议的语料,研究依据中国情境采用企业年报与可持续性报告文本,识别气候风险相关词汇并结合CSMAR数据库中结构化环境指标(如排放强度、环境处罚)进行主成分分析 构建综合风险得分。
?解释变量:企业人工智能采纳程度
企业层面的AI采纳程度一直是学术界的难点。参考Alekseeva等(2020)、Babina等(2020)与Khan等(2024)的方法,本研究采用文本分析识别企业年报管理层讨论与分析(MD&A)部分中的AI相关披露。数据来自CSMAR,Python爬虫提取2009–2020年年报MD&A文本,并采用JAVA PDF-box库分析AI关键词,词汇表基于《中国人工智能产业分析报告2020》构建。若年报中出现AI相关表述,则AI变量取值为1,否则为0;自首次出现AI披露的年份起,后续年度该企业AI变量持续为1,以反映持续采纳。#气候变化 #气候风险
??【重点】
• 人工智能的采用降低了中国企业的气候变化风险
• 国有企业、污染行业和科技行业的效果最为显著
• 治理因素放大了人工智能的可持续性影响
??【变量定义】
?被解释变量:企业层面的气候变化风险
借鉴Sautner等的方法,研究通过文本分析量化企业在气候议题上的风险暴露。不同于Sautner等基于财报电话会议的语料,研究依据中国情境采用企业年报与可持续性报告文本,识别气候风险相关词汇并结合CSMAR数据库中结构化环境指标(如排放强度、环境处罚)进行主成分分析 构建综合风险得分。
?解释变量:企业人工智能采纳程度
企业层面的AI采纳程度一直是学术界的难点。参考Alekseeva等(2020)、Babina等(2020)与Khan等(2024)的方法,本研究采用文本分析识别企业年报管理层讨论与分析(MD&A)部分中的AI相关披露。数据来自CSMAR,Python爬虫提取2009–2020年年报MD&A文本,并采用JAVA PDF-box库分析AI关键词,词汇表基于《中国人工智能产业分析报告2020》构建。若年报中出现AI相关表述,则AI变量取值为1,否则为0;自首次出现AI披露的年份起,后续年度该企业AI变量持续为1,以反映持续采纳。#气候变化 #气候风险


