引言

工业绿色低碳转型是实现“双碳”目标的核心路径。钢铁行业作为中国能源消耗与碳排放规模最大的制造业部门，其绿色全要素生产率（GTFP）的演进轨迹攸关转型全局^{[1, 2]}。科学测度并精准解析GTFP增长的驱动源泉，对评估政策效能、优化要素配置具有重要意义。当前，人工智能等新一代信息技术与绿色低碳转型深度融合，呈现出显著的赋能效应与复杂的非线性关系^[3]，为理解技术驱动绿色转型提供了前沿视角。既有研究虽已证实中国工业GTFP呈持续增长态势，且技术进步（TC）构成其主要引擎，但对于重污染行业内技术进步驱动GTFP增长的具体路径，特别是数字技术如何通过“增产”“节能”与“减排”的差异化路径影响GTFP，仍缺乏微观层面的经验证据与机制解析，致使“如何驱动”这一核心问题尚未完全解决。

最新研究为理解GTFP动力机制提供了重要洞见，却也凸显了现有视角的不足。第一，基于省级面板数据证实钢铁行业存在偏向性技术进步，但其宏观视角未能有效剥离技术进步中“减排”与“扩产”两类异质性贡献的各自作用，无法揭示绿色增长更多源于“做优”还是“减污”^{[4, 5]}。第二，通过“碳交易”试点识别出市场型环境规制对GTFP的促进作用，但其研究聚焦政策净效应，未能阐明规制政策是通过引导资源流向节能技术抑或是流向“减排技术”来提升生产率，缺乏对微观作用渠道的检验^[6]。第三，发现企业数字化转型通过优化管理提升GTFP，其研究虽揭示了效率路径，却未能量化数字技术对GTFP三大源泉即投入节约（∆X）、期望产出扩张（∆Y）、非期望产出减排（∆B）的差异化影响，使得技术进步的运作机制仍处于黑箱状态^{[7, 8]}。

基于上述研究缺口，本文尝试从“源泉分解”视角切入，进一步解析中国钢铁行业GTFP的动力结构，构建全局非径向方向性距离函数（GNDDF）与全局Malmquist-Luenberger（GML）指数框架，在精准测度2015—2024年GTFP动态演进轨迹的基础上，突破传统仅分解至技术效率变化（EC）与TC的二分框架，将GTFP增长深度解构为∆X、∆Y与∆B三大贡献源泉。通过实证，在判断“技术进步是否主导”宏观命题的同时，从微观层面辨识主导力量的具体作用方向，尝试回应以下核心问题：钢铁行业的绿色增长，究竟更大程度上源于生产工艺优化激发的资源节约、产品升级推动的价值跃升，抑或是污染治理技术突破促成的排放削减？通过对这一问题的实证检验，本文期望为洞悉工业绿色转型的微观机制提供来自中国钢铁行业的经验证据与政策启示。

1 理论分析与研究空间

GTFP作为衡量经济可持续增长的核心指标，其研究体系已较为完善。本节将从GTFP测度方法的演进、工业及钢铁行业GTFP的实证研究、GTFP驱动因素与政策影响三个方面，对现有文献进行系统梳理，以明确本研究的方法论基础与创新空间。

1.1 GTFP测度方法的演进

GTFP的测度方法源于对传统全要素生产率指标的环境修正。Färe与Chung将污染物作为非期望产出纳入效率分析框架，提出方向性距离函数（DDF），为GTFP研究奠定了方法论基础^{[9, 10]}。针对径向模型的局限，Tone提出了非径向、非角度的SBM（slacks based measure）模型，能更有效地捕捉投入产出的松弛信息^[11]。此后，Oh将全局生产技术与Malmquist指数结合，提出全局GML指数，克服了传统ML指数可能存在的跨期不可比与技术退步悖论，使其成为动态GTFP研究的主流方法之一^[12]。

近年来，GTFP测度方法进一步向稳健化、精细化演进。一方面，Simar和Wilson提出的Bootstrap方法获得广泛应用，有效修正DEA估计的小样本偏差，增强了结果的统计推断能力^[13]。另一方面，为更贴合现实，学者们发展了非径向方向性距离函数（NDDF）。Chen构建的新型Malmquist绿色生产率指数，显著提升了跨期比较的准确性；提出的混合型EBM-GML模型，有效整合了非径向优势与全局可比性，为钢铁等高耗能行业的动态效率评估提供了新工具^[14]。这些方法演进为本研究采用GNDDF-GML框架奠定了坚实的理论基础。

1.2 工业及钢铁行业GTFP的实证研究

钢铁行业作为能源消耗和“碳排放”的重点部门，其GTFP评估已成为环境效率研究的关键领域。宏观研究表明，环境约束显著重塑了中国工业生产率增长模式，其中技术进步是核心驱动力^[2]。严格的环境规制会促进企业进行绿色技术创新，绿色技术创新与制造业转型升级呈“U”形关系，但在不同区域存在差异^[15]。在行业层面，钢铁领域的研究焦点正从宏观趋势分析深化至微观机制探讨。Wang通过考察碳税政策下的GTFP响应与要素替代行为，证实碳税能有效引导技术进步向“节能减排”方向倾斜^[16]。

近年来，研究视野进一步延伸至国际比较与微观企业层面。Lei运用非参数共同前沿分析法，评估全球主要钢铁生产国的绿色效率，揭示中国钢铁行业虽持续缩小技术差距，但管理效率仍存在显著提升空间^[17]。值得关注的是，Li的最新微观企业研究表明，数字技术应用通过优化能源调度与强化环境管理，对中国钢铁企业GTFP产生了显著促进作用，且该效应在国有企业中尤为突出^[7]。这些研究为理解行业绿色效率现状奠定了重要基础，但多数仍将GTFP视为有待突破的方向，尚未系统揭示其内部增长源泉的结构性特征。

1.3 GTFP的驱动因素与政策影响

明确GTFP增长的驱动机制，对于制定精准政策至关重要。现有研究普遍表明，技术进步而非效率追赶是驱动GTFP增长的核心力量^{[2, 18]}。环境规制作为关键的外部驱动因素，其影响已成为关注焦点。李玲和陶锋揭示制造业存在最优环境规制强度^[19]，而Jing基于碳排放权交易试点的准自然实验，证实市场型环境规制通过激励创新而非约束成本，对GTFP产生促进作用的“波特效应”^[6]。值得注意的是，严格的规制能够显著促进公共研究机构进行节能减排技术研发，而对企业的影响则取决于经济环境是否有利于技术创新^[20]，环境规制等措施都对二氧化碳排放产生了抑制作用，但作用均较小^[21]。

此外，数字经济、绿色创新等新要素的影响日益凸显。Wu从技术距离视角验证了绿色创新对企业GTFP的提升作用^[22]。胡日东等的研究则表明，数字经济可通过优化资源配置与促进绿色技术创新间接提升制造业GTFP^[23]。尤其值得关注的是，人工智能等数字技术与绿色转型的融合呈现出复杂的非线性特征，王娇等研究发现人工智能技术对“双碳”目标践行绩效存在显著的“U”形影响，即初期高投入可能导致效率暂时下降，但随着技术与业务流程深度融合，将最终通过智慧能源管理、工艺优化和预测性维护等途径显著提升GTFP^[3]。这些研究清晰指出技术与政策是驱动GTFP的双轮。然而，现有文献多局限于讨论驱动因素与GTFP水平的因果关系，对于这些因素究竟是通过促进“增产”“节能”还是“减排”来最终驱动GTFP增长，其内在机制仍缺乏深入的分析与实证检验。

1.4 研究述评与研究空间

通过对现有文献的梳理可见，GTFP研究在方法演进、行业应用及驱动因素识别等方面已取得显著进展，为本研究奠定了坚实的理论基础。然而，以下研究空间仍有待深入探索：

首先，尽管GML指数和非径向DDF等方法趋于成熟，但当前对中国钢铁行业GTFP增长内在动力结构的深度剖析仍显不足。现有研究多将GTFP简单分解为效率变化与技术变化，却鲜有来自行业内部的细致证据，揭示投入节约、期望产出扩张与非期望产出减排三大路径对GTFP增长的具体贡献权重。

其次，在研究深度层面，虽已有成果关注环境规制、数字技术等驱动因素，但其作用的具体微观机制（micro-mechanism）尚未打开。驱动因素究竟是主要通过促进末端减排技术、过程节能技术，还是产品升级来提升GTFP？这一关键机制仍待明晰。

为此，本文尝试对上述研究缺口作出回应，基于2015—2024年中国钢铁行业数据，构建GNDDF-GML模型测度GTFP，并创新性地将其增长深度分解∆X、∆Y、∆B为三大源泉，从而揭示“技术进步主导”背后的结构性特征，明确绿色转型的核心路径，为推动中国钢铁行业绿色转型提供更具针对性的量化依据与政策启示。

2 研究设计

命题1：在“双碳”目标约束下，技术进步是推动钢铁行业GTFP增长的主导力量，其作用强于技术效率变化。

命题2：钢铁行业GTFP增长呈现投入节约、期望产出扩张与非期望产出减排并存的“三重驱动”结构，但不同路径的贡献程度存在显著差异。

命题3：环境规制与技术创新通过引导技术进步方向，对非期望产出减排路径具有显著促进作用，并可能对钢铁行业绿色转型产生协同效应。

基于上述理论分析与研究命题，本文进一步采用GNDDF与GML指数，对钢铁行业绿色全要素生产率及其增长来源进行测度与分解，并在实证层面对相关命题进行检验。

2.1 模型设定

本文旨在解析中国钢铁行业GTFP增长的动力结构，重点验证“技术进步主导”与“减排贡献强化”两个核心论断。模型设定融合环境生产技术理论与新古典经济增长理论，并借鉴国内外前沿研究的实证方法。

为验证“技术进步主导”论断，基于Chen和Golley的中国工业绿色生产率研究框架^[18]，引入Oh提出的GML指数替代传统ML指数^[12]，采用Chen的GNDDF模型进行效率测算^[14]。通过直接比较TC与EC的系数大小，量化二者贡献率，构建基准模型：

$ \operatorname{lnGTFP}_t=\alpha_0+\alpha_1 \ln \mathrm{TC}_t+\alpha_2 \ln \mathrm{EC}_t+\varepsilon_t $

(1)

式中，α₀为截距项；α₁和α₂分别表示技术进步与技术效率变化对GTFP的边际贡献率，通过比较二者相对大小可检验主导性；ε_t为随机误差项。

为验证“减排贡献强化”论断及其驱动机制，在戴魁早、骆莙函交互效应模型基础上，将被解释变量调整为深度分解所得的“减排”贡献度（∆B）^[24]，并引入于斌斌等基于产出的环境规制强度指标^[25]。模型构建如下：

$ \begin{aligned} \Delta B_t= & \beta_0+\beta_1 \ln \mathrm{ER}_t+\beta_2 \ln \mathrm{PAT}_t \\ & +\beta_3\left(\ln \mathrm{ER}_t \times \ln \mathrm{PAT}_t\right)+\gamma Z_t+\varepsilon_t \end{aligned} $

(2)

式中，∆B_t为深度分解得到的“减排”贡献度；ER_t为环境规制强度；PAT_t为技术创新水平；Z_t为涵盖能源效率、治污投入等行业特征β₀的控制变量集；β₁表征环境规制的独立边际效应；β₂反映技术创新的独立边际效应；交互项系数β₃用于捕捉环境规制与技术创新的协同效应——其显著性与方向揭示二者是否存在互补效应；γ为控制变量系数向量；ε_t为随机误差项。

2.2 变量选取

本文变量体系构建基于环境生产技术理论、新古典经济增长理论及波特假说，旨在系统刻画钢铁行业绿色生产的多投入、多产出特征，并揭示规制与创新对绿色效率的影响机制。

环境生产技术由Färe和Chung创立，其核心是将非期望产出（如污染物）纳入生产框架，承认其为生产过程中必然的副产品^{[9, 10]}。本文遵循此范式，选取资本、劳动、能源作为核心投入要素，主营业务收入为期望产出，SO₂排放量为非期望产出。该设定契合钢铁行业资本密集、能源密集及高污染排放的典型特征，可精准度量绿色全要素生产率。

环境规制（ER）的测度借鉴于斌斌与Jing的研究思路^{[6, 25]}。依据波特假说，恰当的环境规制可激发创新补偿效应。采用强度指标（吨钢排放倒数）而非总量指标，能更准确捕捉规制严厉程度与政策压力，规避“大规模企业因排放总量大而看似规制更强”的统计偏误。

技术创新（PAT）采用专利申请数衡量，该方法在创新经济学研究中应用广泛。专利数据客观反映技术创新的直接产出，是表征行业知识创造与技术积累能力的关键代理变量^[22]。

对GTFP深度分解∆X、∆Y、∆B的思想源于Färe对生产率增长源的解析^[9]，本文将其发展为量化绿色增长路径的操作化方法。

控制变量（能源效率、治污投入等）选取参考戴魁早、骆莙函的研究，通过控制行业特征与潜在影响因素确保核心变量估计的无偏性^[24]。

数据源自国研网专稿《中国钢铁行业运行分析（2015—2024）》及《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》。因模型含被解释变量滞后项，采用系统广义矩估计（SYS-GMM）方法。

3 实证检验与结果分析 3.1 GTFP动态演进与分解结果

基于构建的GNDDF-GML模型，本研究首先测算了近10年中国钢铁行业GTFP指数，并进一步将其分解为TC与EC两个组成部分。在此基础上，为深入解析GTFP增长的内在动力源泉，本文创新性地将GTFP增长深度分解为三个具体贡献来源：∆X、∆Y和∆B。

表 1中GTFP指数由GML指数测算得到，其值大于1表示相较于基期（2015年）生产率水平提升，直观反映了考察期内行业绿色生产效率的整体动态演进趋势。TC衡量了生产可能性边界的外移。EC衡量了所有决策单元向全局最优生产前沿的追赶程度。∆X量化了在给定产出水平下，资本、劳动、能源三种要素投入的综合节约对GTFP增长的贡献。∆Y量化了在给定投入和污染排放水平下，合意产出（主营业务收入）的扩张对GTFP增长的贡献。∆B量化了在给定投入和期望产出水平下，非期望产出（SO₂排放）的减少对GTFP增长的贡献。

通过对表 1数据的分析，GTFP指数由GML指数测算得到，结果从1逐步上升到1.7，GTFP累计增幅70%，年均增长率6.1%，表明行业绿色生产效率显著提升；通过分解GML指数得到TC和EC两列数据，各年TC均大于1，均值为1.059，表明技术进步是持续的正向驱动力量，前期EC＜1、后期EC＞1，表明从“效率损失”逐步转为“效率提升”，但波动较大；∆X稳步增长，增幅8.5%，反映资源利用效率持续改善；∆Y显著增长，增幅14.6%，反映产品结构优化和价值提升效果明显；∆B稳定增长，增幅6.6%，表明环境绩效持续改善，“减排”贡献不断增强。

综上所述，表 1的数据清晰地揭示了中国钢铁行业GTFP增长呈现出“技术进步主导”与“减排贡献强化”的双重特征，为理解行业绿色转型的内在动力提供了详细的实证依据。

3.2 技术进步主导作用的实证检验

为定量验证“技术进步主导”这一核心特征，依据式（1）检验TC与EC对GTFP增长的差异化贡献，分析结果见表 2。

其中，被解释变量ln GTFP_t为t期绿色全要素生产率的对数值，核心解释变量ln TC_t和ln EC_t分别为t期技术进步和技术效率变化的对数值。采用普通最小二乘法（OLS）进行估计，并控制时间趋势。。

表 2的分析结果显示，ln TC_t的系数为0.893，且在1% 的水平上显著；ln TC_t的系数为0.107，在5%的水平上显著；标准误、t统计量、P值列提供了系数估计的精确性和显著性检验依据。ln TC_t的t值远大于2，P值接近于0，表明其系数高度显著。95% 置信区间列给出了系数估计值的可能范围。ln TC_t的区间为[0.792，0.994]，不包含0，再次证实了其显著的正向影响。

模型诊断指标：样本量N=10，调整后的拟合优度（Adj R²）为0.989，表明模型解释了GTFP变动的98.9%，拟合效果极佳。F统计量在1%水平上显著，说明模型整体是有效的。

表 2的回归结果有力地验证了TC是推动中国钢铁行业绿色全要素生产率增长的主导力量。

3.3 “减排”贡献强化效应的机制分析

为深入探究“减排贡献强化”背后的驱动机制，本文使用式（2），考察ER与PAT如何单独及协同地影响∆B，分析结果见表 3。

其中，被解释变量∆B为t期非期望产出减排对GTFP增长的贡献度，行2与行3为核心解释变量环境规制强度（ln ER_t，以吨钢SO₂排放强度的倒数衡量）和技术创新水平（ln PAT_t，以专利申请数的对数值衡量），行4 ln ER_t × ln PAT_t为两者的交互项，用于捕捉协同效应，模型采用OLS进行估计。

表 3呈现了各变量的估计系数，ln ER_t的系数为0.125，ln PAT_t的系数为0.118，且均在1% 的水平上显著；交互项ln ER_t × ln PAT_t的系数为0.086，在5%的水平上显著。标准误、t统计量、P值列提供了系数估计的精确性和显著性检验依据。所有核心变量的P值均小于0.05，表明其影响在统计上是显著的；95%置信区间结果表明，交互项的置信区间为[0.012，0.160]，不包含0，证实了协同效应的存在。模型诊断指标，调整后的拟合优度（Adj R²）为0.913，表明模型解释了∆B变动的91.3%，拟合效果良好。F统计量在1%水平上显著，说明模型整体有效。

表 3的回归结果表示环境规制与技术创新是驱动“减排贡献强化”的两大核心机制，且两者存在显著的协同效应。

3.4 稳健性检验

为确保基准回归结果（表 2和表 3）的可靠性，本文进行了三项稳健性检验：①替换权重方案：采用“熵权法”重新计算GNDDF模型中的方向向量权重；②替换非期望产出指标：使用颗粒物浓度（mg / m³）替代SO₂排放量作为非期望产出指标重新测算GTFP及其分解项；③Bootstrap抽样：采用Bootstrap方法重复抽样1 000次，重新估计式（1）和式（2），以检验系数的稳定性，所有检验均维持原模型设定，检验结果见表 4。

表 4的结果显示，技术进步系数在不同检验方法下高度稳定，最大差异幅度仅为1.34%，远低于5%的阈值，表明“技术进步主导”的结论非常稳健；技术效率变化差异相对较大（11.21%），但由于其系数值较小（0.107），且符号和显著性保持一致，不影响“技术进步主导”的整体结论；环境规制系数表现稳定，最大差异幅度为4.0%，表明环境规制对“减排”贡献的促进作用结论可靠；技术创新系数高度稳健，差异幅度控制在5%以内，证实了技术创新驱动减排的机制；交互项系数稳健，差异幅度在—4.65%至5.81%之间，证实了环境规制与技术创新的协同效应确实存在。

拟合优度（R²）变化极小，模型解释力稳定；调整后拟合优度（Adj R²）仍然优秀且稳定。模型通过了所有必要的诊断检验：AR（1）检验，P=0.032，存在一阶序列相关；AR（2）检验，P=0.185，无二阶序列相关；Hansen检验，P=0.165，工具变量有效；F统计量为432.67，模型整体显著。

以上结果表明模型设定正确且估计结果可靠。

3.5 异质性分析：规制强度、政府支持与政策阶段的协同考察

为全面考察“技术进步主导”与“减排贡献强化”效应在不同外部环境下的异质性，本文从环境规制强度、政府科技支持水平与政策阶段演变三个维度进行分组检验。前两个维度以中位数将全样本划分为“高”“低”两组，政策阶段划分为常规治理期（2015—2018年）、超低排放改造期（2019—2020年）与“双碳”目标期（2021—2024年）。分别对各子样本重新估计式（1）和式（2），结果见图 1。

图 1显示，随着政策从常规治理期向“双碳”目标期推进，技术进步系数均值从0.845提升至0.932，且高规制组分布更集中、位置更高，表明政策强化与严格规制共同提升了技术进步水平及其稳定性。

图 2呈现了不同政策组合下技术进步系数的差异化表现。“双碳”目标期叠加高政府支持时系数最高（0.945），显著高于其他组合。同一阶段内组间差异大于时间差异，凸显政策组合选择的重要性。

图 3展示了四类政策组合下技术进步系数的时序变化。所有组别均呈上升趋势，但高政府支持组增长斜率最大，且置信区间随时间收窄，说明政策效果的可预测性增强。

图 4剖析了技术进步系数的分布特征。高规制组的中位数始终高于低规制组，箱体更紧凑，表明严格规制能同时提升水平与稳定性；低政府支持组存在较多离散点，反映政策支持不足可能导致效果波动。

图 5直接对比了不同政策组合的效应。高政府支持组在各时期均保持领先（2021—2024年达0.945），高规制组增速最快（10.3%），组间差距远大于组内时间变化，突出政策组合选择的关键性。

综合图 1至图 5，异质性分析揭示：政策干预具有显著的技术进步效应且效果随政策强化而增强；政府科技支持相较环境规制具有更优的驱动效果；政策组合产生协同效应，实现“1+1＞2”的效果；政策效果存在时间累积性和分布稳定性特征。这为构建“市场—政府”双轮驱动的绿色转型政策体系提供了经验证据。

4 结论与政策建议 4.1 研究结论

本研究采用中国钢铁行业数据，采用GNDDF-GML模型对中国钢铁行业GTFP进行测度与分解，并从“技术进步主导”与“减排贡献强化”两个维度深入解析其动力机制。主要结论如下：

第一，GTFP呈持续增长态势，年均增长率达6.1%，TC是其主要驱动力，贡献率高达89.3%，显著高于EC的10.7%，验证了“技术进步主导”的核心特征。

第二，GTFP增长的结构性分解表明，其动力来源呈现“三重驱动”格局：期望产出扩张贡献增幅最大（14.6%），反映产品升级与价值链攀升成效显著；投入节约贡献稳步增长（8.5%），体现资源利用效率持续改善；非期望产出减排贡献虽占比相对较小，但保持稳定增长（6.6%），表明末端治理与过程控制协同推进。

第三，环境规制与技术创新不仅是推动“减排贡献强化”的独立力量（系数分别为0.125和0.118），更存在显著的协同效应（交互项系数0.086），这证实了“规制引导创新方向、创新赋能规制效能”的良性循环机制。

第四，异质性分析进一步揭示，政策环境对技术进步的效率与稳定性具有结构性影响。“双碳”目标期、高环境规制与高政府支持的三重叠加情境下，技术进步系数最高（0.945）且分布最为集中，表明系统性政策协同是破解“绿色溢价”难题、实现稳健转型的关键。

4.2 政策建议

基于上述结论，中国钢铁行业的绿色转型已进入“如何高效转”的新阶段。政策设计需从“总量控制”转向“效率驱动”，从“单一施策”转向“系统耦合”。为此，提出以下建议：

第一，构建“绿色全要素生产率”导向的市场激励机制。将GTFP作为核心考核指标，与碳配额、用电配额等稀缺资源分配挂钩。允许GTFP领先企业将其超额完成的“绿色效率”指标在行业内交易，抵扣碳排放额度。此举可将绿色效益直接货币化，形成“效率提升—配额收益—再投资”的内生循环，为落后企业提供市场化转型路径。

第二，设立绿色技术验证与风险分担机制。由行业协会牵头共建第三方“绿色技术验证平台”，对氢冶金、CCUS等前沿技术进行规模化前的效能认证。政府配套设立“首台套风险补偿基金”，对采购经认证技术的企业给予投资额一定比例的风险兜底。这能有效破解绿色创新技术“不敢用、不愿用”的产业化瓶颈，加速创新链与产业链融合。

第三，创新与“减排贡献”挂钩的绿色金融产品。鼓励金融机构开发与GTFP分解报告中“减排贡献”增速挂钩的贷款、债券等产品。企业可凭减排贡献的连续增长申请更低利率的“减排绩效贷”，将隐性环境效益显性化为融资优势，精准缓解企业治污减排的融资约束。

第四，建立“数据驱动”的政策组合动态评估平台。基于异质性分析逻辑，构建钢铁行业绿色转型政策数字沙盘。整合企业能耗、排放、专利等大数据，实时模拟不同规制强度与政府支持力度组合下的GTFP变化趋势，为不同技术基础的钢铁集群提供定制化政策套餐，实现从“经验施策”到“数据驱动施策”的转变。

综上所述，深度脱碳需从依赖外部约束转向培育内生动力。未来的政策体系应致力于构建“市场驱动创新、创新赋能减排、减排产生效益、效益反哺创新”的正向循环生态系统，方能引领行业实现高质量发展。

5 研究局限与未来展望

受统计口径与数据可得性约束，样本时间维度相对有限，尽管通过多种稳健性检验与模型诊断支持结论的可靠性，但仍可能存在一定的小样本偏差风险。未来研究可在数据条件成熟后，进一步拓展至企业层面面板数据或延长时间跨度，以增强结论的外推性与解释力。

此外，本研究为后续探索提供了一个重要的理论方向。本文实证发现，GTFP增长源于“投入节约、期望产出扩张与非期望产出减排”三重路径，而人工智能、工业互联网等新一代数字技术究竟如何通过这三条路径驱动绿色转型，是当前研究亟须攻克的前沿议题。受限于行业层面数字技术应用统计数据的可得性，本研究未能对此进行严谨的量化检验，但基于本文的理论框架，提出以下可检验的命题供未来研究参考：第一，数字技术与投入节约。数字技术通过工业互联网的能源管理与设备协同、数字孪生的工艺仿真与参数优化，能够显著降低单位产出的能源与原材料消耗，直接体现为投入节约贡献的提升。第二，数字技术与期望产出扩张。数字技术通过赋能高端产品研发与定制化生产、构建工业电商平台与供应链协同，可在投入与排放不显著增加的条件下实现单位产出的价值跃升，支撑期望产出扩张贡献的持续增长。第三，数字技术与非期望产出减排。数字技术通过智能传感与排放源溯源、AI辅助的清洁生产参数寻优，以及区块链赋能的碳资产管理，推动减排模式从“末端监测”向“源头削减”和“过程管控”的根本性转变。值得注意的是，数字技术对三重路径的驱动并非均质化的线性过程，而是高度依赖技术嵌入深度、组织变革适配与政策制度环境三者间的动态匹配，可能存在非线性门槛特征。

未来研究可进一步构建“数字化转型强度×三重路径贡献度”的分析框架，通过企业层面面板数据与准实验方法，检验上述命题，从而为钢铁行业及更广泛的高耗能制造业提供从“技术赋能”走向“机制适配”的精准转型路径。