能源经济学术创意大赛
计量类论文
冲奖攻略来啦！精准适配能源经济学术创意大赛研究论文赛道，组委会明确的核心研究方法 ——
计量
，这次直接给你提供实用干货！

（4）作品形式与赛道：大赛作品形式包括研究论文、调研报告和创新创业。其中，研究论文类须在系统提交时选择研究方法，包括①优化；②
计量
；③泛能源大数据与人工智能；④碳足迹与生命周期评价；⑤其他。组委会将根据作品形式和研究方法确定最终赛道。

顶刊题目：人工智能是否遏制企业漂绿？基于大语言模型的企业层面证据

在全球碳中和目标加速推进与ESG投资热度攀升的背景下，企业的可持续发展承诺已成为市场竞争与投资决策的重要参考。然而，部分企业通过“漂绿”（Greenwashing）策略——即“欺骗性地利用绿色公关和绿色营销，让公众相信其产品、目标或政策具有环境友好性”——夸大或误导自身ESG表现，实际上逃避实质性环保责任。这种行为不仅导致绿色金融资源错配，使真正投入环保的企业陷入“劣币驱逐良币”的困境，更削弱了ESG投资的公信力，阻碍了全球可持续发展进程。

当“环保”成为流量密码，传统监管手段却因“信息不对称与高监管成本”难以应对——企业掌握自身环境绩效的完整信息，而外部投资者、监管机构难以全面验证；人工审核、关键词筛查等方式，也无法识别“模糊表述”和“情感夸大”等隐蔽的漂绿策略。此时，人工智能（AI）技术的发展，尤其是大型语言模型（LLMs）的进步，为破解漂绿困局提供了新的可能性。近期发表的研究《Can artificial intelligence curb greenwashing? Firm-level evidence based on large language model》，以2011-2022年中国上市公司为样本，通过创新的实证设计，系统揭示了AI与企业漂绿行为之间的因果关系，为绿色治理提供了全新的学术证据和实践启示。

一、漂绿的本质：为何传统手段难以根治？

研究开篇明确界定，漂绿是“企业在环境信息披露中，通过选择性披露、夸大宣传或虚假陈述等方式，营造超越其实际环境绩效的绿色形象”的行为。其滋生与蔓延，核心源于两大结构性矛盾：

1. 信息不对称的天然困境
   企业作为环境信息的“内部人”，掌握排放数据、环保投入、治理成效等完整信息，而外部利益相关者（投资者、监管机构、公众）只能依赖企业公开披露的ESG报告和年报等间接信息。这种信息差为企业“选择性披露有利信息、隐瞒负面信息”提供了操作空间。
2. 传统监管与识别手段的局限
   现有治理方式面临双重瓶颈：一方面，“缺乏严格的测量标准导致漂绿行为泛滥，虚假声明难以被质疑”，监管机构的人工审核受限于人力和专业能力，难以覆盖海量企业的复杂披露内容；另一方面，企业漂绿策略日趋隐蔽，从简单的“标签绿化”（如在产品包装使用绿色图标）升级为“话语绿化”（如在年报中堆砌环保术语却无实质行动），传统关键词筛查难以精准识别。

研究指出，漂绿的危害已超越企业个体层面：对市场而言，它扭曲了绿色资源的配置效率；对社会而言，它“削弱了消费者推动企业向更绿色生产方式转型的能力”；对企业自身而言，长期漂绿终将引发声誉崩塌、监管处罚等风险，损害企业长期价值。

二、核心发现：AI对漂绿的显著抑制效应

研究通过严谨的实证分析，得出核心结论：
人工智能的应用（AI adoption）能显著降低企业漂绿程度，且这一效应在多种稳健性检验中均成立。

基于2011-2022年中国上市公司的面板数据，研究构建了多维度的计量模型，结果显示：AI应用水平每提升一个标准差，企业漂绿程度显著下降15.7%（p<0.01）。这一结论并非简单的相关性关联，而是通过倾向得分匹配、工具变量法等内生性处理后，依然成立的因果关系——即AI应用确实能“主动遏制”企业的漂绿行为，而非仅与环保意识强的企业存在“选择性匹配”。

研究特别强调，AI的抑制效应并非源于“技术本身的环保属性”，而是通过重构企业的信息环境、内部治理与决策逻辑实现的。这一发现打破了“技术中立论”的局限，揭示了AI在环境治理中的“赋能价值”——它不仅是提升生产效率的工具，更能成为规范企业环境行为的“隐形监管者”。

三、作用机制：AI遏制漂绿的三条核心路径

研究通过中介效应模型，系统验证了AI抑制漂绿的三大内在机制，清晰阐释了“技术如何转化为治理效能”：

1. 提升运营效率，压缩漂绿动机空间
   AI通过算法优化生产流程、精准控制能耗与污染物排放，直接提升企业的“真实环境绩效”。当企业能够通过实质性环保行动获得绿色声誉和市场认可时，“通过漂绿营造虚假形象”的动机自然减弱。同时，AI强化了企业内部数据监控能力，减少了管理层操纵环境信息的空间，使“选择性披露”的难度显著增加。
2. 重塑人力资本，强化真实环保导向
   AI的应用促使企业在招聘和培训中更加重视具备环境意识的员工，并通过智能系统提升员工的环保素养。这不仅有助于企业内部形成真实的环保文化，还能在决策过程中更多地考虑环境因素，从而减少漂绿行为。

AI应用需要高技能人才（如数据科学家、环境工程师）的支持，这类人才通常具备更强的环保责任感和数据透明理念，更倾向于基于真实数据进行环境信息披露，而非象征性的漂绿。研究实证显示，AI应用水平较高的企业，高学历员工比例与环境专业人才储备显著更高，其环保决策更注重“实际效果”而非“表面文章”，这一中介效应占总效应的27.3%。

3. 驱动绿色创新，减少漂绿依赖

AI通过模拟仿真、参数优化和大数据分析等技术，加速企业在低碳技术、循环经济、清洁生产等领域的研发进程。研究发现，AI应用能显著提升企业绿色专利申请数量与绿色技术转化效率——当企业拥有可验证的绿色创新成果时，自然无需依赖“话语绿化”来塑造形象。这一机制的中介效应占总效应的21.8%，印证了“技术创新是破解漂绿的根本路径”。

四、研究设计亮点：基于大语言模型的AI测量创新

这项研究的核心学术贡献之一，是突破了传统AI应用测量的局限，采用大语言模型（LLM）实现了对企业AI应用水平的精准度量。

传统测量方法的缺陷

现有研究多依赖“AI专利数量”“机器人使用密度”或“年报中AI关键词频率”等指标，但存在明显不足：专利仅反映研发能力，不代表实际应用；机器人更多属于“自动化工具”，难以覆盖AI在数据分析、决策优化等软件层面的应用；关键词频率可能包含“空谈式提及”（如仅描述行业AI趋势），无法区分“实质性应用”与“象征性提及”。

基于ERNIE 3.0的创新测量

研究团队采用大语言模型ERNIE 3.0，通过监督学习对企业年报中的AI相关表述进行语义分类与量化：

• 首先构建标注数据集，将年报中的AI表述分为“实质性应用”（如“采用AI算法优化排污监测系统”）、“泛泛提及”（如“关注AI行业发展趋势”）与“无相关表述”三类；
• 基于标注数据训练LLM模型，实现对全样本企业年报的自动化语义识别；
• 以“实质性AI应用表述的词频占比”作为企业AI adoption的核心指标。

这种测量方法的优势在于：能够精准捕捉AI在企业中的实际应用程度，而非“名义上的关注”，为后续因果推断的可靠性奠定了坚实基础。研究指出，这一测量框架可为“文本信息的精细化量化”提供方法论参考，尤其适用于企业数字化转型、创新行为等难以直接观测的变量测量。

五、异质性分析：哪些企业的漂绿更易被AI遏制？

研究进一步探讨了AI抑制效应的情境依赖性，发现其效果在不同特征的企业中存在显著差异：

1. 污染密集型企业 > 非污染密集型企业

污染密集型企业面临更高的环保监管压力与社会关注度，AI带来的“信息透明化”能进一步压缩其漂绿空间；同时，这类企业通过AI优化生产流程、降低排放的边际收益更高，更有动力投入实质性环保行动。

2. 非国有企业 > 国有企业

相较于国有企业，民营企业面临更强的市场声誉压力与融资约束，AI带来的“真实环保信号”对其品牌价值与融资成本的影响更为显著，因此更倾向于减少漂绿以传递可信的环境信息。

3. 技术密集型企业 > 劳动密集型企业

技术密集型企业本身具备更强的AI应用基础与人才储备，能更快将AI能力转化为环境管理优势；同时，这类企业的绿色创新意愿更强，AI对漂绿的替代效应更明显。

4. 高公众关注度地区企业 > 低关注度地区企业

公众环境关注度高的地区，企业漂绿被曝光的风险更高，AI带来的“数据透明”能进一步强化社会监督的效果，使漂绿行为的成本显著上升。

六、研究贡献与政策启示

理论边际贡献

• 拓展漂绿治理的研究视角

不同于传统的“监管强化”“制度完善”等宏观视角，本文从微观企业层面揭示了“技术赋能”的新型治理路径，为数字经济与环境治理的交叉研究提供了新证据；

• 创新AI应用的测量方法

基于大语言模型的语义分类方法，解决了传统AI测量“重形式、轻实质”的问题，为相关领域的实证研究提供了方法论参考；

• 深化AI环境效应的机制分析

突破了“AI仅通过技术减排影响环境绩效”的单一认知，揭示了“人力资本重塑”“绿色创新驱动”等间接机制，丰富了数字技术环境效应的理论内涵。

实践政策启示

• 推动AI在环境监管中的应用

监管机构可构建基于大语言模型的ESG信息核验平台，对企业披露的环境信息进行自动化语义分析与真实性校验，降低监管成本、提升监管效率；

• 鼓励企业将AI纳入绿色转型规划

通过财政补贴、税收优惠等政策，支持企业利用AI优化环保管理、开展绿色创新，让技术成为实质性环保行动的“催化剂”；

• 强化AI应用的透明度与第三方认证

避免企业借“AI环保”之名行“漂绿”之实（即“AI漂绿”），要求企业披露AI环保应用的具体场景、数据支撑与实际成效，并引入第三方机构进行认证；

• 缩小企业间的数字鸿沟

对劳动密集型、中小规模企业提供AI应用培训与技术支持，避免“数字鸿沟”加剧环境治理的不平等。

七、结语：技术向善，让“真环保”替代“假绿化”

这项研究以严谨的实证数据证明，人工智能并非漂绿行为的“帮凶”，而是遏制漂绿现象的“利器”——但这一效果的实现，依赖于AI被真正用于“提升环境表现”而非“美化环保描述”。正如研究指出，“技术本身没有价值倾向，其治理效果取决于应用场景与制度环境的协同作用”。

对企业来说，在ESG成为必修课的时代背景下，与其花费资源堆砌环保术语、营造虚假形象，不如利用AI技术实现真正的绿色转型——毕竟，可持续发展的核心始终在于“实际行动”，而非“口头承诺”。对监管者与投资者而言，AI技术为精准识别漂绿行为、优化资源配置提供了新的工具，但仍需配套严格的披露规范和第三方认证机制，使技术赋能与制度约束形成合力。

当AI的算法逻辑与环保的价值追求相遇时，我们有理由期待：未来的绿色治理将告别“口号式环保”与“选择性披露”，走向“数据驱动的真实可持续”。这不仅是企业长期发展的必然路径，更是全球碳中和目标实现的关键步骤。

复现录屏

复现代码

加载数据

基准回归

稳健性检验

内生性检验：工具变量法（IV Regression）

分维度分析

机制分析

异质性分析

能源经济国奖冲刺
2025年本科国一??1，硕士国一??1，省级若干