今天分享一篇文章——《企业大数据应用对ESG评价的影响》，来自《世界经济》2024年第8期。
作者简介
柏淑嫄、曹伟（通讯作者）、耿修林：南京大学商学院江苏省南京市鼓楼区金银街16号210093；
潘子成：南京师范大学商学院。
一、引言
2022年国务院在《提高央企控股上市公司质量工作方案》中，明确要求构建具有中国特色的ESG信息披露、绩效评价和投资指引，力争2023年央企控股上市企业ESG披露全覆盖。大数据产业和相关技术的爆炸式增长，有望为企业ESG发展提供全新动能。企业借助大数据分析技术，实施精准营销策略和发展共享经济模式以提高资源配置效率，有助于企业实现绿色经营目标和履行企业环境责任（许宪春等，2019）。
目前，企业大数据应用的价值研究主要围绕企业财务绩效（Dubeyetal.，2019）、创新活动（Cockburnetal.，2019）、组织结构（Mikalefetal.，2019）和企业社会责任履行（肖红军等，2021）四个方面展开。其中，企业大数据应用价值创造的影响因素包括行业属性、外部环境和顾客特征（Mikalefetal.，2019）。以上研究为本文探寻企业大数据应用对ESG评价的影响提供了理论支持。
边际贡献：
第一，考虑到企业ESG日益成为实务界和学术界关注的重要议题，本文以企业ESG为切入点，深刻探究了企业大数据应用的价值影响及其内在传导机制，弥补了企业大数据应用价值研究中关于企业ESG的研究空白。
第二，本文试图从企业大数据应用视角，对比分析企业大数据应用和数字化转型对ESG影响的差异，从而更有针对性地探讨企业大数据应用对企业ESG评价的影响及其传导机制。
第三，本文使用了新的企业大数据应用的衡量方法。基准回归中，本文通过对企业年报进行文本分析来刻画企业大数据应用情况。稳健性检验中，本文通过手工收集和整理的企业大数据应用相关技术专利数据，进行数值型分析来构造企业大数据应用衡量指标。本文创新地结合文本分析和数值型分析，通过收集、分析企业大数据应用的结构化和非结构化数据，提高了企业大数据应用指标构建的稳健性、多样性和全面性。
二、理论分析与假设提出
1.企业大数据应用与企业ESG评价。
本文从环境、社会和企业管理三个维度来论证企业大数据应用能提高ESG评价。
首先，从企业环境责任的角度分析。企业利用大数据技术勾勒用户画像来精准预测消费者偏好，引导企业创新研发方向，提高创新成果转化率和降低研发成本，最终减少资源浪费（张叶青等，2021）。此外，企业大数据应用提高企业绿色创新能力，从而提高企业ESG的环境责任评价（宋德勇等，2022）。
其次，从企业社会责任的角度分析。企业大数据应用分析消费者的行为习惯和消费偏好，推荐个性化商品和服务。企业大数据技术能快速、高效、精准捕捉社会痛点和公共热点问题，科学匹配企业优势资源和社会责任问题，进而辅助企业制定个性化社会责任战略（肖红军和商慧辰，2022）。
最后，从企业治理的角度分析。企业大数据应用通过降低企业运营风险、提高内部控制效率、改善治理结构来提高ESG评价。一是企业大数据应用能通过构建智能财务系统，实现营收趋势智能预测、实时监控资金使用效率，降低企业运营风险（李万福等，2011）。二是大数据应用能提高企业外部环境适应能力（Mikalefetal.，2019；刘淑春等，2021）。三是企业可采用大数据传输技术来搭建内部控制系统，进而提高企业内部控制效率（倪克金和刘修岩，2021；肖红军等，2021）。
基于上述分析，本文提出：
假设1：企业大数据应用能提高企业ESG评价。
2.企业大数据应用与ESG评价之间的机制分析。
第一，企业大数据应用能通过增强企业绿色创新能力来提高ESG评价。首先，企业可采用大数据技术对异源异构信息进行融合、总结归纳和深度分析，全面融入全球绿色创新信息网络，帮助企业高效、全面、迅速地把握全球行业绿色创新动态前沿（林永佳等，2023）。其次，企业大数据应用能通过增设智能化沟通渠道，弥补企业内部信息部门化和碎片化缺陷，促进绿色创新知识和研发经验的充分交流与实时共享，从而提高绿色创新能力（刘淑春等，2021）。最后，企业可通过大数据应用实现跨部门、跨领域、跨行业的协同绿色创新，弥补原先创新知识和创新主体单一的劣势，以此提高绿色研发效率，进而促进企业ESG评价（宋德勇等，2022）。
第二，企业大数据应用能通过促进企业捐赠来提高ESG评价。一是，企业大数据应用通过分析企业优势资源和被帮扶主体的需求，进行科学帮扶匹配和全流程追溯善款，实现从企业慈善捐款到终端帮扶对象的全链路存证。企业大数据应用还能加快企业对利益相关者价值诉求和社会热点问题的响应速度，从而提高企业社会责任参与意愿（肖红军和商慧辰，2022）。二是企业能利用大数据平台开发技术搭建网络捐赠平台实现慈善捐赠数字化，公开募捐资格和捐赠数额，提高社会捐赠活动透明度，改善与创新企业捐赠方案（王正位和王新程，2021）。三是企业能通过构建数据协同的社会化ESG信息共享平台，为企业网络配捐、接龙式、众筹型捐赠等新型捐赠方式提供信息交流平台，提高企业捐赠意愿和效率（王正位和王新程，2021）。
第三，大数据应用能通过促进企业内部信息沟通、风险预估、内部监督、保护隐私来强化企业内部控制，进而提高企业ESG评价。大数据技术不仅能实现信息共享，可通过全方位、多角度的多源异构数据来提高信息披露质量，实现对内部活动有效监督（张钦成和杨明增，2022）。企业大数据应用也可通过机器学习算法分析同类型风险案例，实现大数据风险智能预测和管理层风险应对经验的深度融合。此外，相较于数字化技术，虚拟补丁、安全套接字层、入侵检测等大数据加密技术在保障网络传输安全、保护员工隐私、网络系统稳定性等方面具有明显优势（张钦成和杨明增，2022）。
基于上述分析，本文提出：
假设2a：企业大数据应用通过提高绿色创新能力来提高企业ESG评价。
假设2b：企业大数据应用通过增加慈善捐赠来提高企业ESG评价。
假设2c：企业大数据应用通过强化内部控制来提高企业ESG评价。
3.企业大数据应用对ESG评价影响的情境研究。
第一，传统文化情境下企业大数据应用对企业ESG评价的影响。
首先，传统文化能为企业大数据应用提供人才储备和促进企业创新投入，是企业进行大数据应用的重要前提。有研究发现，儒家文化提高了所在地区知识分子学习新技术和新知识的意愿，也提高了地区受教育水平和识字率（BaiandJia，2016）。其次，传统文化能强化企业大数据应用对ESG评价的影响。一是儒家推崇“天人合一”“伐一木，杀一兽，不以其时，非孝也”的生态思想能强化企业大数据应用提高ESG环境责任表现。。二是儒家“仁者爱人”的仁爱思想能强化企业大数据应用提高ESG社会责任表现。三是儒家强调的“义利”“忠信”“慎独”商业伦理思想，能强化企业大数据应用提高ESG公司治理表现。
基于上述分析，本文提出：
假设3：位于传统文化影响深厚地区的企业，大数据应用对ESG评价的影响更显著。
第二，环境规制情境下企业大数据应用对企业ESG评价的影响。首先，环境规制能促进企业大数据应用。严格的环境规制能倒逼企业借助大数据技术，在行业绿色创新竞争中占据领先地位，凭借绿色创新成果规避行业环境规制成本，从而获得市场竞争的绝对优势。其次，环境规制能强化企业大数据应用对企业ESG表现的影响。一方面，严格的环境规制增加了重污染行业企业面临的市场竞争压力，逼迫企业依靠大数据技术对行业和地区绿色创新技术进行充分发掘，为企业绿色技术研发提供方向和指引，降低绿色研发成本。另一方面严格的环境规制能激发管理层主动增加绿色创新投入和寻求行业创新合作，以保持较高的绿色创新投入和绿色专利持有量，产生可覆盖环境规制成本的补偿性收益，进而稳固市场竞争优势（PorterandVanderLinde，1995；刘金科和肖翊阳，2022）。最后，严格的环境规制能通过降低绿色研发成本和提高研发效率，来强化企业大数据应用对ESG表现的促进作用。
基于上述分析，本文提出：
假设4：位于环境规制严格地区的企业，大数据应用对ESG评价的影响更显著。
第三，金融发展水平与企业大数据应用对企业ESG评价的影响
一方面，地区金融发展水平越高，越可能建立完善的数字资产评估体系，为企业大数据应用过程中产生的数字资产、信息资产等虚拟资产进行科学评估，进而降低企业和金融机构之间的信息不对称，为企业大数据应用提供持久的金融资源。另一方面，地区金融发展水平越高，越可能拥有合理的金融资源配置机制，降低企业融资成本和开辟融资新渠道，从而缓解企业大数据应用面临的融资约束（钱雪松等，2017；FerracutiandStubben，2019）。
基于上述分析，本文提出：
假设5：位于金融发展水平更高地区的企业，大数据应用对ESG评价的影响更显著。
三、研究设计
（一）模型设定
构造以下模型探寻企业大数据技术应用是否以及如何对企业ESG活动产生影响：
模型（1）至（5）的被解释变量为企业ESG评价（ESG），包括企业ESG评级（ESG_R）和ESG评分（ESG_S）。解释变量为企业大数据应用（BD），包含企业是否参与大数据应用（BD1）和企业大数据应用程度（BD2）。
Indj为行业固定效应，Prop为省份固定效应，Yeart为年度固定效应，μi为企业个体固定效应，δpt为年度-省份交互固定效应，γjt为年度-行业固定效应，ηijpt为随机误差。
【说明：模型1-5主要是固定效应不同，其实可以作稳健性检验或者说明，并不需要列出这么多模型设计】
（二）变量设计
1.被解释变量：企业ESG
借鉴谢红军和吕雪（2022）的构建方法，根据华证ESG评级由高到低依次为AAA、AA、A、BBB、BB、B、CCC、CC、C，依次由高到低赋值9至1，数值越大说明企业ESG评价越高，分别为企业ESG评级（ESG_R）和 ESG评分（ESG_S）
2.核心解释变量:企业大数据应用指标。
首先，本文借鉴张叶青等（2021）和吴非等（2021）的研究思路，对企业年报中关于大数据应用的关键词进行文本分析，包括大数据、数据挖掘、数据可视化等十个关键词。若企业年报中披露了以上大数据技术应用的关键词，则令变量BD1为1，否则为0。再将所有关键词出现的词频总数加1并取自然对数，作为企业大数据应用程度的测量指标BD2。其次，本文借鉴尹志锋等（2023）的研究，结合国家知识产权局发布的《国际专利分类定义（2023.01版）》，再对上市公司大数据应用相关技术IPC分类号进行手工整理。基于企业大数据相关专利技术数据构造出企业大数据应用变量，即企业是否进行大数据应用（BD_INV1）与企业大数据应用程度（BD_INV2），作为稳健性检验中的替换变量。
进一步，本文对所构造的大数据应用指标BD1、BD2进行如下有效性检验。
一是将企业大数据应用的核心变量BD1、BD2，以及根据上市公司大数据技术专利数量构造的指标BD_INV1、BD_INV2，分别与张叶青等（2021）构造的指标BD_Z1、BD_Z2进行相关性检验。发现三种大数据应用衡量指标的相关性系数均达到1%的强正相关，说明本文构建的企业大数据应用衡量指标与权威文献中构建的指标保持一致性。
二是将大数据应用指标与企业真实的大数据相关投入，包括企业数字化技术无形资产占比、当年研发投入、研发人员占比等指标，进行相关性分析，均通过了有效性检验。
3.中介变量。
首先，本文根据现有研究（乔彬等，2022），采用企业当年绿色专利申请数量来衡量企业绿色创新能力（GTech）。
其次，本文参考许年行和李哲（2016）的研究，采用企业慈善捐赠总额加1并取自然对数作为衡量企业慈善捐赠行为（Dona）的代理变量。
最后，本文借鉴叶康涛等（2015）的做法，使用迪博上市公司内部控制分数除以1000作为企业内部控制（ICI）衡量指标。
4.分组变量。
首先，本文借鉴徐细雄和李万利（2019）的做法，采用上市公司注册地方圆300公里以内儒家书院的平均数量衡量企业所受儒家文化的影响强度。若高于样本均值则将Confu赋值为1，否则为0。
其次，本文借鉴李虹和邹庆（2018）的做法，采用熵权法对工业烟尘去除率、生活垃圾无害化处理率、污水处理率、一般工业废物利用率和工业二氧化硫去除率进行综合测算。环境规制综合得分越高，则该地区环境政策越严格。若环境规制综合得分高于样本均值，则令Envir为1，否为0。
最后，本文借鉴钱雪松等（2017）的做法，将地级市金融机构年末存贷款余额与地区生产总值的比值，作为地区金融发展水平的衡量指标。若企业所在地级市金融发展水平高于样本均值，则将FDL赋值为1，否为0。
5.控制变量。
资产周转率（Tur）、资产负债率（Lever）、盈利能力（Profit）、流动比率（Liq）、公司规模（Size）、公司年龄（Age）、董事会规模（Board）等作为控制变量。
（三）样本选择与数据来源
本文使用2014-2021年沪深A股上市公司作为研究样本，并对数据进行如下处理：剔除样本期内标有ST、*ST、PT的上市公司，剔除关键变量数据存在缺失的上市公司，并对连续数据进行前后1%的缩尾处理。共得到26806个企业-年份平衡面板数据。企业年报和企业华证ESG评级数据来自万得（Wind）数据库，企业绿色专利数据来自中国研究数据服务平台（CNRDS）。其余财务指标数据均来自国泰安数据库（CSMAR）。
四、实证分析
（一）基准回归
1.企业大数据应用对企业ESG的影响。
表1和表2分别表示企业大数据应用对企业ESG评分（ESG_S）和评级（ESG_R）的影响。
表1中列（1）至列（6）中核心解释变量BD1和BD2的系数，均在1%的水平上显著为正，说明在控制企业、年度、行业、省份固定效应后，企业大数据应用确实能提高企业ESG总体评分。列（7）和列（8）中分别增加行业-年度、省份-年度交互固定效应，发现BD1和BD2的系数分别在1%的水平上显著为正。说明加入行业-年度、省份-年度交互固定效应后，企业大数据应用依然能显著提高ESG总体评分。
2.大数据应用对企业ESG的中介机制分析。
本文同时采用参数Bootstrap法和逐步回归法来检验中介机制。表3中PanelA、PanelB和表4分别检验了绿色创新（GTech）、慈善捐赠（Dona）、内部控制（ICI）这三条非财务中介机制。
（1）绿色创新机制
表3中PanelA1的解释变量为企业是否进行大数据应用（BD1），根据列（1）至列（2）中绿色创新（GTech）与大数据应用（BD1）、ESG评级（ESG_R）的系数分别为0.041、0.077，而BD1与ESG_R的系数为0.054，故根据逐步回归系数算出GTech的中介效应占比为0.055，使用Bootstrap法得到GTech中介效应占比为0.206。
PanelA1中列（3）和列（4）的被解释变量为ESG的环境责任评级（E），此时，使用逐步回归法和Bootstrap法计算GTech的中介占比分别为0.045和0.172。列（5）和列（6）的被解释变量为ESG的社会责任评级（S），发现绿色创新（GTech）使用两种方法计算的中介占比分别为0.041和0.156。列（7）和列（8）的被解释变量为ESG的企业治理评级（G），绿色创新（GTech）使用两种方法计算的中介占比分为0.061和0.224。
同理，PanelA2的解释变量为企业大数据应用程度（BD2），根据PanelA2中列（1）至列（2）结果，可知使用逐步回归法和Bootstrap法计算GTech的中介效应占比分别为0.316和0.301。对比列（3）至列（8）的中介效应占比，可知绿色创新（GTech）对ESG的环境责任评价（E）的提升作用最强。
（2）慈善捐赠机制
表3中PanelB1的解释变量为企业是否进行大数据应用（BD1），根据慈善捐赠（Dona）与大数据应用（BD1）、ESG评级（ESG_R）的系数分别为0.004、0.042，而大数据应用（BD1）与ESG评级（ESG_R）的系数为0.065，故根据逐步回归法算出慈善捐赠（Dona）的中介占比为0.003，Bootstrap法的中介效应占比为0.040。其中，PanelB1中列（3）和列（4）的被解释变量为ESG环境责任评级（E），逐步回归法和Bootstrap法计算慈善捐赠（Dona）的中介占比分别为0.001和0.012。列（5）和列（6）的被解释变量为ESG社会责任评级（S），此时，逐步回归法和Bootstrap法计算慈善捐赠（Dona）的中介占比分别为0.004和0.055。列（7）和列（8）的被解释变量为ESG公司治理评级（G），发现使用逐步回归法和Bootstrap法计算慈善捐赠（Dona）的中介占比分别为0.003和0.039。慈善捐赠（Dona）对社会责任（S）评级的促进效果最高。
在PanelB2中，解释变量为企业大数据应用程度（BD2），通过逐步回归法和Bootstrap法计算出慈善捐赠（Dona）中介占比分别为0.012和0.038。列（5）和列（6）的被解释变量为ESG的社会责任（S）评级，此时，使用逐步回归法和Bootstrap法计算慈善捐赠（Dona）的中介占比分别为0.012和0.039。慈善捐赠（Dona）对社会责任（S）评级的促进效果最明显。
（3）内部控制机制
根据表4结果，企业大数据应用能通过内部控制（ICI）来提升企业ESG评级。再通过比较内部控制（ICI）对ESG的环境责任（E）、社会责任（S）、企业治理评级（G）的中介效应占比，发现内部控制（ICI）对企业治理评级（G）的效果最强，故内部控制（ICI）更多是通过企业治理评级（G）来提高企业ESG综合评级。
综上所述，企业大数据应用确实能通过绿色创新（GTech）、慈善捐赠（Dona）、内部控制（ICI）来显著提高企业ESG综合表现，并且内部控制（ICI）的中介效应最强。
（二）内生性检验
本文选用地区均值、行业均值、企业到杭州的距离、地形起伏度构造外部工具变量，且为避免系数膨胀问题也将Lewbel工具变量纳入本文内生性检验中。
【注：本文在考虑工具变量时，特别提到了系数膨胀问题，进行了比较详细的探讨，有兴趣的可以去看原文，值得我们学习和参考，以后在论文中选择工具变量检验时应该更加规范】
一是参考杜勇等（2023）的研究，将前一期去除企业自身的企业注册地所在省份同年度同行业企业大数据应用程度均值IV_PRO_IND，以及前一期去除企业自身的企业注册地所在城市同年度同行业企业大数据应用程度均IV_CITY_IND作为工具变量。
二是借鉴余明桂等（2022）的研究，先将企业到杭州的距离和地区起伏度的乘积项取自然对数，再与企业所在省份的大数据应用均值相除作为工具变量IV_Hang。本文还使用地区企业大数据应用程度均值与该乘积项相除来构造工具变量IV_Hang。
三是借鉴Lewbel（2012）、叶初升和孙薇（2023）的研究，将企业大数据应用对模型中其他外生变量进行回归，所得到的残差项满足异方差假设，由此得到异方差工具变量IV_Lewbel。
表5和表6中表示分别加入IV_PRO_IND、IV_CITY_IND、IV_Hang、IV_Lewbel后内生性检验的结果。PanelA中IV_PRO_IND的系数都显著为正，并且Andersoncanon.corr.LM统计量在1%水平上显著，可拒绝工具变量识别不足的原假设，CraggDonaldWaldF统计量均远超Stock-Yogo弱工具变量F检验在10%显著性水平的临界值（16.38），内生性检验也均在5%水平上显著，故IV_PRO_IND的外生性检验、弱工具检验、内生性检验都通过，说明本文选择IV_PRO_IND作为工具变量较为合理。
其他工具变量检验也均验证了本文的假设（表格结果略）。
（三）稳健性检验
【说明：本文使用的稳健性检验方法非常多，值得学习】
1.替换核心变量。
本文选用彭博ESG得分（ESG_S_PB）和商道融绿ESG评级（ESG_R_SD）作为被解释变量的替换变量。结合国家知识产权局发布的《国际专利分类定义（2023.01版）》对上市公司大数据应用相关技术专利的IPC分类号进行手工整理、筛选和匹配。最后总结出包括A61B34/10、G06F21/00、G06Q10/04等在内的15种IPC技术小类、44种IPC技术小组分类。具体地，若企业存在与大数据应用相关的技术专利申请，则将企业是否进行大数据应用（BD_INV1）赋值为1，否则为0。再将企业大数据应用相关技术专利申请数量对数化，构建企业大数据应用程度变量（BD_INV2）。指标BD_INV1和BD_INV2均通过了有效性检验，可作为解释变量的替换变量。根据稳健性检验结果，本文结论依然成立。
2.替换TV-DID模型。
使用TV-DID模型是出于以下考虑：一是上市公司大数据应用对ESG评价的影响混杂着时间和个体固定效应，二是考虑到各上市公司大数据应用的起始年份各不相同。参考现有研究（Becketal.，2010；DeChaisemartinandD’Haultfoeuille，2020），本文构建的TV-DID模型如下：
表7中PanelA和PanelB的解释变量分别为Treat1it×Postit和Treat2it×Postit，被解释变量为企业ESG评级（ESG_R）和评分（ESG_S）。PanelA和PanelB列（1）至（6）中Treat1it×Postit的系数均显著为正，说明在控制企业、年度、行业、省份、行业-年度、省份-年度交互固定效应后，企业参与大数据应用对ESG评价能产生显著提升的净效应；企业大数据应用程度越高，对企业ESG评价的正向促进效应越明显。
3.平行趋势检验
根据图1结果，在t=0及其以后的处理效应系数都显著大于0，而t=0之前的系数95%置信区间都包括0，通过平行趋势检验。图2中，在t=0之前的系数都不显著，而在t=0至t=+2，以及t=+6至t=+7期间系数显著大于0，通过平行趋势检验。
4.安慰剂检验。
通过Bootstrap法对处理组和对照组进行模拟随机分组实验。
结果如图3所示，图中圆圈表示Bootstrap法随机化实验估计系数的核密度分布，实线为TV-DID模型估计系数，可以发现TV-DID模型估计系数明显大于0，说明本文TV-DID模型的估计系数是无偏的。
5.Bacon分解。
为验证本文结论是否受到异质性处理效应的干扰，本文借鉴Goodman-Bacon（2021）的做法，对TV-DID模型的估计结果进行Bacon检验。具体地，将样本依据企业进行大数据应用的首次时间分为三组：组1将大数据应用较早组与应用较晚组分别作为处理组和对照组，组2将大数据应用较晚组与较早组分别作为处理组和对照组；组3将开展过大数据应用的企业和从未开展过大数据应用的企业分别作为处理组和对照组。正因为组2含有“坏”的对照组，导致TV-DID模型的检验结果可能会受到异质性处理效应的干扰
表8为Bacon分解检验结果，当被解释变量分别为ESG_S和ESG_R时，组3的影响占比最高，组2的影响效应最低，甚至可忽略不计。再根据各组系数的权重分布特征图，发现组3的权重最高，组2的权重最小。因此，可粗略地判定TV-DID模型的结果基本不受异质性处理效应的干扰，即企业ESG评价的提升主要源于企业进行大数据应用。
6.TWFE-DID模型。
根据上文Bacon分解的结果，为进一步精准地解决因异质性处理效应对TV-DID模型估计产生的潜在干扰，本文借鉴Goodman-Bacon（2021）的研究，进行两阶段固定效应的多期双重差分模型（TWFE-TVDID）检验。表9中PanelA和PanelB的解释变量分别为Treat1it×Postit和Treat2it×Postit，解释变量的系数都显著为正，说明在控制企业、年度、行业、省份、行业-年度、省份-年度交互固定效应后，企业参与大数据应用依然能显著提升ESG评价。说明在控制异质性处理效应的干扰后，本文结论依然成立。
7.替换多元有序Logit模型。
考虑到企业ESG评级（ESG_R）作为排列数据具备离散、有序特征，相较于通过线性回归模型得到连续、取值范围不限定的线性拟合值的方法，Logit概率模型更适合ESG评级数据的分析。
根据表10中BD1、BD2的胜算比分别为1.142和1.089，P值均小于0.01。BD1系数的95%置信区间为［1.044，1.249］，BD2系数的95%置信区间为［1.053，1.125］，二者的置信区间都不包括0。Brant检验的P值也均大于0.05，通过平行线检验。说明企业进行大数据应用能促使ESG评级上升一级的概率是原先的1.142倍，企业大数据应用程度每上升一个单位会促进ESG评级上升一级的概率是原先的1.089倍。
五拓展性研究
（一）企业大数据应用、传统文化与企业ESG评价
中国传统儒家文化倡导“仁者爱人”“仁义礼智信”“天下为公”的伦理道德理念与当今企业重视环境、社会、企业治理的ESG理念不谋而合。根据前文的理论分析作分组检验。
根据表11的结果，PanelA中列（5）和列（6）结果，BD1的系数分别为0.107和0.054，P值均小于0.05，组间差异为-0.052且达到0.1的显著性水平。同理，根据PanelA中列（7）和列（8）的组间差异为-0.023且达到0.1的显著性水平可知，地处传统文化熏陶强烈的企业进行大数据应用对ESG评价的提升更显著。故假设3得证
（二）企业大数据应用、环境规制与企业ESG评价
根据表11PanelB列（1）中BD1的系数为0.703且P值小于0.01，列（2）中BD1的系数为0.099且不显著，组间差异为-0.605，达到0.01的显著性水平；列（3）和列（4）的结果，组间差异为-0.398，达到0.01的显著性水平，说明地处严格环境规制的企业，进行大数据应用更能提升ESG评价。故假设4得证。
PanelC列（1）和列（2）中，BD1的系数分别为0.547和0.266，P值均小于0.05，并且组间差异为-0.281，达到5%的显著性水平。列（3）和列（4）中BD2的系数分别为0.301和0.042，并且组间差异为-0.259且达到0.01的显著性水平。说明企业所在地金融发展水平越高，进行大数据应用对ESG评价的提升越显著，故假设5得证。
八、研究结论与启示
（一）研究结论
第一，企业大数据应用能显著提高企业ESG评价。第二，企业大数据应用能通过绿色创新、慈善捐赠、内部控制三条非财务机制来提高企业 ESG总体评价，并且内部控制的中介效应最强。此外，本文将ESG综合评价拆解为环境责任（E）、社会责任（S）、企业治理（G）三个子维度，发现绿色创新、慈善捐赠、内部控制，依次对企业 ESG 的环境责任（E）、社会责任（S）、企业治理（G）评价的促进效果最强。第三，本文通过工具变量法解决内生性问题，采用替换被解释变量和解释变量、TV-DID 模型、平行趋势检验、安慰剂检验、Bacon 分解、TWFE-TVDID 模型、多元有序Logit模型等一系列稳健性检验后，本文结论依然成立。第四，拓展性研究发现，传统文化、环境规制、金融发展水平的差异，能显著影响大数据应用对企业 ESG的提升效果，并且相较于传统文化和金融发展水平，面临更严格的环境政策的企业，进行大数据应用能对ESG评价产生更为明显的促进效果。
（二）政策启示
第一，根据企业大数据应用能提高企业ESG评价的结论，企业应积极推进大数据相关技术在企业经营管理中的运用。
第二，企业在制定ESG 个性化战略时，可根据自身对 ESG 的环境责任（E）、社会责任（S）、企业治理（G）评价的具体预定目标，更有针对性地强化企业大数据应用在绿色创新、慈善捐赠、内部控制三方面的投入力度，尤其要关注在内部信息沟通、风险预估、内部监督、保护隐私等内部控制方面的大数据应用。
第三，企业员工应不断提高自身数字化素养来增强数字管理能力，如定期组织员工参加数字技能的培训课程，从而增强企业员工的大数据应用素养。
第四，对于地处传统文化熏陶浓厚的地区，企业高管可多结合中国传统儒家文化和企业 ESG发展理念，向员工进行宣传和普及企业大数据应用和 ESG发 展战略，从而获得企业内部利益相关者的认可和支持。其次，相关部门应适当加强辖区内环境政策的严格执行，对污染环境、非法排污的企业进行严格处罚。对积极利用大数据技术进行绿色创新研发的企业，给予相应的政策优惠和鼓励。对于金融发展水平较高的地区，当地政府应引导社会金融资源进入企业大数据应用和企业 ESG相关活动。
