企業(yè)綠色技術(shù)創(chuàng)新的多維度動因與關(guān)鍵因素

摘 " "要：綠色技術(shù)創(chuàng)新是推動綠色低碳發(fā)展的關(guān)鍵，它綜合考慮了經(jīng)濟和環(huán)境的雙重效益。以2011—2020年A股上市重污染企業(yè)為樣本，采用機器學習中的參數(shù)方法、非參數(shù)方法和集成學習方法，可探討多維度的綠色技術(shù)創(chuàng)新動因?qū)G色技術(shù)創(chuàng)新行為預測能力的差異，從而識別出影響企業(yè)進行綠色技術(shù)創(chuàng)新的主要動因，并找出預測能力最強的特征。研究發(fā)現(xiàn)：與數(shù)字化發(fā)展動因和內(nèi)部治理動因相比，企業(yè)綠色技術(shù)創(chuàng)新行為主要受外部監(jiān)督動因驅(qū)動；集成學習方法對綠色技術(shù)創(chuàng)新行為的預測能力優(yōu)于參數(shù)與非參數(shù)研究方法，其中支持向量機具有最強的解釋能力和最高的預測精度；在多維度動因特征中，數(shù)字金融、企業(yè)社會責任和政府環(huán)保補助對綠色技術(shù)創(chuàng)新行為的預測效果最佳。運用機器學習方法可有效識別企業(yè)綠色技術(shù)創(chuàng)新的關(guān)鍵因素，而且對企業(yè)自身可持續(xù)發(fā)展、加強生態(tài)文明建設具有啟示意義。

關(guān)鍵詞：綠色技術(shù)創(chuàng)新；機器學習；集成學習；生態(tài)文明建設

中圖分類號：X322；F273.1 文章標志碼：A 文章編號：1006-6152（2025）01-0083-12

DOI：10.16388/j.cnki.cn42-1843/c.2025.01.008

一、引 "言

習近平總書記在2016年5月30日舉辦的全國科技創(chuàng)新大會上指出：“生態(tài)文明發(fā)展面臨日益嚴峻的環(huán)境污染，需要依靠更多更好的科技創(chuàng)新，建設天藍、地綠、水清的美麗中國。”這一科學論斷突出了科技創(chuàng)新，尤其是綠色技術(shù)創(chuàng)新在生態(tài)環(huán)境保護、生態(tài)文明建設中的作用。此外，企業(yè)進行綠色技術(shù)創(chuàng)新將幫助它們?nèi)〉贸志玫母偁巸?yōu)勢，對企業(yè)可持續(xù)發(fā)展產(chǎn)生重要影響。那么，引發(fā)中國企業(yè)綠色技術(shù)創(chuàng)新的真實動因究竟是什么？學術(shù)界和實務界對此具有較大爭議。現(xiàn)有文獻主要聚焦于單一維度動因的某一特征與企業(yè)綠色技術(shù)創(chuàng)新行為之間的關(guān)聯(lián)，而且僅在樣本內(nèi)（within sample）進行預測［1-3］，缺乏對企業(yè)綠色技術(shù)創(chuàng)新動因的綜合性考慮，因而得出的研究結(jié)論可能無法很好地推及至全樣本，企業(yè)綠色技術(shù)創(chuàng)新行為的主要驅(qū)動因素仍是亟需了解但尚缺乏共識的基礎性問題。

旨在從多維度的綠色技術(shù)創(chuàng)新動因特征出發(fā)，可為企業(yè)的綠色技術(shù)創(chuàng)新行為構(gòu)建樣本外預測模型，在此基礎上，通過對不同類型動因下的綠色技術(shù)創(chuàng)新行為進行分析，找出驅(qū)動企業(yè)進行綠色技術(shù)創(chuàng)新的關(guān)鍵因素和影響模式。分別利用機器學習中的參數(shù)方法、非參數(shù)方法和集成學習方法來探究企業(yè)綠色技術(shù)創(chuàng)新行為的主要動因，是因為機器學習有一定的優(yōu)勢。機器學習在處理復雜、高維數(shù)據(jù)時，能夠有效地挖掘出有用的信息，從而輔助變量度量［4］，并在此基礎上，靈活地選取函數(shù)形式并構(gòu)造相應的算法，使其能夠更好地進行樣本外預測［4-5］對傳統(tǒng)計量模型進行改進，使之能夠更好地對因果關(guān)系進行分析，從而為相關(guān)的理論研究提供支持。

總結(jié)現(xiàn)有文獻的做法［6-8］，將企業(yè)綠色技術(shù)創(chuàng)新的動因劃分為以下三個維度：一是外部監(jiān)督因素。政府監(jiān)督和社會監(jiān)督是外部監(jiān)督因素的主要來源。企業(yè)往往會因為受到來自政府的環(huán)保經(jīng)濟壓力和政府環(huán)保優(yōu)惠政策的刺激而采取綠色技術(shù)創(chuàng)新。例如，排污收費以及環(huán)保稅等環(huán)境規(guī)制手段，綠色研發(fā)補貼、稅收優(yōu)惠、綠色債券等鼓勵綠色技術(shù)創(chuàng)新的優(yōu)惠政策［9］。不僅如此，企業(yè)社會責任評分帶來的輿論、消費者的口碑等來自社會層面的壓力和激勵也會導致企業(yè)進行綠色技術(shù)創(chuàng)新［7］［10］。與這一動因相適應的外部利益相關(guān)者特征包括政府和社會公眾兩方面。二是數(shù)字化發(fā)展因素。數(shù)字金融發(fā)展及數(shù)字技術(shù)應用將推動企業(yè)進行綠色技術(shù)創(chuàng)新。例如，企業(yè)可利用數(shù)字金融緩解融資約束，運用數(shù)字技術(shù)優(yōu)化資源配置［3］［6］。基于以往的文獻，與這一動因相適應的數(shù)字化特征為數(shù)字金融和企業(yè)數(shù)字化程度。三是內(nèi)部治理因素。企業(yè)綠色技術(shù)創(chuàng)新行為往往會受到高管個人特質(zhì)和企業(yè)治理結(jié)構(gòu)的影響。具有學術(shù)經(jīng)歷、政治關(guān)聯(lián)和風險偏好型的高管更有可能實施綠色技術(shù)創(chuàng)新行為［11-12］。高管團隊的合理配置與董事會的良好治理為企業(yè)提供有力支持和保障，促使他們積極投入綠色技術(shù)創(chuàng)新［13］。與這一動因相適應的公司特征有CEO學術(shù)經(jīng)歷、高管風險偏好、政治關(guān)聯(lián)、高管團隊規(guī)模和董事會治理。為了揭示企業(yè)綠色技術(shù)創(chuàng)新的關(guān)鍵驅(qū)動力及其影響機制，本文通過梯度提升、隨機森林和部分依賴圖等方法，量化各動因?qū)G色技術(shù)創(chuàng)新的影響，深入剖析以上三種維度綠色技術(shù)創(chuàng)新動因的累計相對重要性及各變量排序。

采用機器學習方法中的參數(shù)方法、非參數(shù)方法和集成學習方法展開研究，結(jié)果顯示，在多維度綠色技術(shù)創(chuàng)新動因中，外部監(jiān)督動因?qū)ζ髽I(yè)綠色技術(shù)創(chuàng)新行為的預測能力要優(yōu)于數(shù)字化發(fā)展動因和內(nèi)部治理動因，這表明企業(yè)綠色技術(shù)創(chuàng)新主要受到外部監(jiān)督動因影響。研究發(fā)現(xiàn)，集成學習方法對綠色技術(shù)創(chuàng)新行為的解釋能力和預測精度均優(yōu)于以多元線性回歸為代表的參數(shù)方法和以KNN為代表的非參數(shù)方法，其中支持向量機具有最好的預測性能。在眾多衡量綠色技術(shù)創(chuàng)新動因的變量中，發(fā)現(xiàn)數(shù)字金融、企業(yè)社會責任和政府環(huán)保補助對企業(yè)綠色技術(shù)創(chuàng)新行為的預測效果最佳。具體表現(xiàn)為：數(shù)字金融發(fā)展顯著促進企業(yè)綠色技術(shù)創(chuàng)新；隨著企業(yè)社會責任履行程度的提高，企業(yè)綠色技術(shù)創(chuàng)新水平呈現(xiàn)波動性下降的模式；政府環(huán)保補助較高時與企業(yè)綠色技術(shù)創(chuàng)新水平正相關(guān)。在變更企業(yè)綠色技術(shù)創(chuàng)新水平的度量指標進行穩(wěn)健性分析后，上述結(jié)果依然不變。

可能的創(chuàng)新體現(xiàn)在：在理論層面，企業(yè)的綠色技術(shù)創(chuàng)新動因存在較大的爭論，已有研究多從單一的維度出發(fā)探討，缺乏對不同動因之間的深入比較和綜合分析。因此，關(guān)于綠色技術(shù)創(chuàng)新的主要動因及其影響機制，仍有許多未知領域亟待挖掘與探討。通過系統(tǒng)性的文獻回顧與實證分析，全面梳理和檢驗了企業(yè)綠色技術(shù)創(chuàng)新動因，評估與對比了各維度動因特征對企業(yè)綠色技術(shù)創(chuàng)新行為的預測能力。在此基礎上，深入剖析了“驅(qū)動企業(yè)綠色技術(shù)創(chuàng)新的關(guān)鍵要素”這一基本問題，從而為企業(yè)綠色技術(shù)創(chuàng)新動因的研究提供了更為豐富的理論支撐［2-3］［10］。在方法論層面，不僅使用了參數(shù)方法與非參數(shù)方法，還將集成學習方法應用于綠色技術(shù)創(chuàng)新動因研究，構(gòu)建了對企業(yè)綠色技術(shù)創(chuàng)新行為解釋能力更強且預測精度更高的模型。既豐富了機器學習方法動因分析的應用范疇，也為后續(xù)開展預測性分析奠定了良好的基礎。在實踐層面，綠色技術(shù)創(chuàng)新有助于地區(qū)實現(xiàn)長效生態(tài)保護機制，為生態(tài)政績添色，并且它是當前我國實現(xiàn)綠色可持續(xù)發(fā)展的重要手段之一。研究表明，政府可以加強對重污染上市公司的環(huán)保補助力度，同時提高對綠色技術(shù)創(chuàng)新行為主導因素的重視程度，推動更多有能力的企業(yè)進行綠色技術(shù)創(chuàng)新，從而強化我國生態(tài)文明建設與企業(yè)自身可持續(xù)發(fā)展。

二、文獻評述

（一）機器學習在動因分析中的應用

劉斌等（2021）［14］采用機器學習方法分析影響企業(yè)內(nèi)部控制評價的因素。唐禮智等（2022）［15］使用雙重差分法和機器學習方法來探討企業(yè)綠色創(chuàng)新水平的動因。陳運森等（2023）［8］對比線性研究方法與集成學習方法找出影響企業(yè)慷慨行為的關(guān)鍵動因。趙偉和李書全（2023）［16］采用梯度提升決策樹（GBDT）等5種機器學習方法分別建立回歸預測模型，驗證個體特征中的工作年限和教育水平也與安全能力存在一定相關(guān)性。Manela amp; Moreira（2017）［17］利用支持向量回歸（SVR）算法研究了新聞隱含波動率與股票市場風險溢價之間的關(guān)系。

目前，大多數(shù)學者僅采用機器學習中的某一種方法進行動因研究分析，很少采用多種機器學習方法進行比較分析。區(qū)別于此，本文將創(chuàng)新性地利用機器學習中的多種方法對企業(yè)綠色創(chuàng)新行為進行深入研究，不僅可以比較出哪種方法具有更優(yōu)的預測效果，使結(jié)論更具有說服力，并且為推進機器學習在科研領域的應用提供了新的途徑。

（二）綠色技術(shù)創(chuàng)新動因

現(xiàn)有研究主要采用多元線性回歸考察了綠色技術(shù)創(chuàng)新的以下三類動因：1. 外部監(jiān)督動因。企業(yè)綠色技術(shù)創(chuàng)新行為與企業(yè)社會責任履行程度正相關(guān)［10］。與此同時，全國文明城市評選會對獲評城市企業(yè)的綠色技術(shù)創(chuàng)新行為產(chǎn)生顯著的正向效應，且該效應主要體現(xiàn)于綠色實用新型專利中［7］。為加強我國生態(tài)文明建設，所采取的政府環(huán)保補助等政策支持能夠促進企業(yè)綠色技術(shù)創(chuàng)新［18］。人均二氧化碳排放量較高的地區(qū)可能面臨著更大的減排壓力，因此該地區(qū)的企業(yè)會更傾向于投入資源用于綠色技術(shù)創(chuàng)新［19］。排污收費額和環(huán)境保護稅對企業(yè)綠色技術(shù)創(chuàng)新行為有正向的促進作用［2］。地方環(huán)保水平的提高，為企業(yè)綠色技術(shù)創(chuàng)新提供了良好的外部環(huán)境和內(nèi)在動力，刺激企業(yè)進行綠色技術(shù)創(chuàng)新［20］。2. 數(shù)字化發(fā)展動因。數(shù)字金融發(fā)展通過影響企業(yè)綠色技術(shù)創(chuàng)新的經(jīng)濟效應，提升企業(yè)綠色技術(shù)創(chuàng)新能力［3］。企業(yè)數(shù)字化程度對企業(yè)綠色技術(shù)創(chuàng)新行為具有顯著的正向影響［6］。3. 內(nèi)部治理動因。CEO學術(shù)經(jīng)歷和政治關(guān)聯(lián)等高管個人特質(zhì)，高管團隊規(guī)模和董事會治理等治理結(jié)構(gòu)特征都會顯著影響企業(yè)綠色技術(shù)創(chuàng)新行為［1］［11-13］［21］。

關(guān)于企業(yè)綠色技術(shù)創(chuàng)新動因的現(xiàn)有研究主要基于單一維度動因的某一特征展開討論，缺乏對綠色技術(shù)創(chuàng)新動因的綜合考量和對比分析，而且大多僅討論樣本內(nèi)預測結(jié)果，研究結(jié)論未必適用于全樣本。本文則比較了不同維度動因特征的差異，并考察了其樣本外預測能力。這有助于更加全面地探討企業(yè)綠色技術(shù)創(chuàng)新動因，并找出企業(yè)進行綠色技術(shù)創(chuàng)新的關(guān)鍵驅(qū)動因素。

三、研究設計

（一）研究方法

機器學習（Machine Learning）是通過采用計算機算法識別大數(shù)據(jù)存在的規(guī)律，并利用規(guī)律預測數(shù)據(jù)的未來趨勢的方法。機器學習主要包括參數(shù)方法、非參數(shù)方法和集成學習方法這三大類。其中，參數(shù)方法往往不太靈活和準確，而非參數(shù)方法的可解釋性又較差。基于此，采用梯度提升算法、人工神經(jīng)網(wǎng)絡和隨機森林等機器學習中的集成學習方法，并采用多變量線性回歸、嶺回歸等參數(shù)方法和決策樹等非參數(shù)方法與之對照。相對基于線性假設的嶺回歸模型，集成學習方法更加適合外推預測，因為其考慮了變量之間的非線性和相關(guān)性［22］。與基于多元線性回歸等參數(shù)方法和決策樹等非參數(shù)方法相比，集成學習方法更能準確地預測企業(yè)的綠色技術(shù)創(chuàng)新行為。

（二）模型性能評估方法

采用解釋能力和預測誤差兩個指標來評價模型的性能。在模型解釋能力的判定上，主要采用樣本內(nèi)擬合優(yōu)度（[R2IS]）、樣本外擬合優(yōu)度（[R2OOS]）和可解釋方差（EVSOOS）三個指標。如果樣本內(nèi)擬合優(yōu)度較高，說明這種算法能更好地解釋樣本；如果樣本外擬合優(yōu)度較高，說明模型的泛化能力較強；如果可解釋方差較小，說明預計數(shù)據(jù)離散度與真實數(shù)據(jù)離散度的相似度較高，且模型的泛化能力也較強［23-24］。

在模型預測誤差的判定上，本文主要采用樣本外均方誤差（EVS）、平均絕對誤差（MAEOOS）和絕對中位差（MedAEOOS）三個指標。樣本外均方誤差越小，模型的預測精度越高，而樣本外均方誤差在判定預測誤差時，存在一個缺陷，當樣本中有異常點時，如存在偏離程度較大的離群值，得出的數(shù)據(jù)將不符合實際。因此，進一步采用平均絕對誤差和絕對中位差兩個指標來評估預測精度。由于平均絕對誤差采用平均值，而絕對中位差采用中位數(shù)，有助于削弱異常值對評估結(jié)果的影響。這三種不同類型的預測誤差能夠?qū)δＰ偷念A測精度進行全面而綜合的評價。

評價指標的含義及計算方式如下：

[R2IS/R2OOS=1-i=1n（yi-yi）2i=1n（yi-yi）2] （1）

[R2IS]與[R2OOS]分別表示樣本內(nèi)擬合優(yōu)度與樣本外擬合優(yōu)度。在訓練集中，模型預測值對實際觀測值的擬合程度為：值越接近1，說明預測值對觀測值的擬合優(yōu)度越好；反之，值越小，說明擬合優(yōu)度越差。

[EVSOOS=1-var（y-y）/var（y）] （2）

EVSOOS表示可解釋方差。在測試集中，模型預測值變異程度對實際觀測值變異程度的擬合程度為：值越大表示預測值和實際值的分散分布程度越相近。

[MSEOOS=（1/n）i=1n（yi-yi）2] （3）

MSEOOS表示均方誤差，樣本外預測值與實際值之差平方的期望值。值越小，說明預測模型描述實際值具有更好的精確度。

[MAEOOS=（1/n）i=1nyi-yi] （4）

MAEOOS表示平均絕對誤差，樣本外預測值與實際值之差絕對值的期望值。值越小，說明測量結(jié)果越接近真實值。

[MedAEOOS=median of yi-yi] （5）

MedAEOOS表示絕對中位差，樣本外預測值與實際值之差絕對值的中位數(shù)。值越大，表明數(shù)據(jù)的變化幅度越大。

（三）模型結(jié)果解釋

由于集成學習方法包含多個基學習器，集成后的模型無法按單一學習器的方式解釋［25］。對此，運用相對重要性與部分依賴圖等方法，闡釋集成學習模式的經(jīng)濟學含義。相對重要性可以用來探究不同的解釋變量對響應變量的方差的具體貢獻程度。根據(jù)Friedman（2001）［26］的做法，假設一個模型的其他部分是固定的，那么，通過測量在模型中一個變量的增加所導致的響應變量的變化，可以得到這個變量的相對重要性。相對重要性越大，這一變量對企業(yè)綠色技術(shù)創(chuàng)新行為的預測能力越強。此外，利用部分依賴圖來分析單個變量對綠色技術(shù)創(chuàng)新行為的預測模式［26］，部分依賴圖可以反映出在假定其他因素不變的前提下，測度單個變量對企業(yè)綠色技術(shù)創(chuàng)新的影響程度，并以圖像的方式呈現(xiàn)出來。

四、數(shù)據(jù)來源與變量定義

（一）數(shù)據(jù)來源

由于2010年前只有少量的重污染行業(yè)上市公司披露了企業(yè)社會責任報告，其綠色投資額的數(shù)據(jù)無法獲得，因此，以2011—2020年在上交所、深交所A股上市披露了企業(yè)綠色投資額的所有重污染行業(yè)的上市公司作為樣本，其中綠色發(fā)明專利授權(quán)數(shù)據(jù)源自中國研究數(shù)據(jù)服務平臺（CNRDS），CSR指標數(shù)據(jù)來自和訊網(wǎng)（http：//www.hexun.com）公布的上市公司社會責任評級總得分。創(chuàng)文建設、政府干預和政治關(guān)聯(lián)數(shù)據(jù)由手工收集獲得，數(shù)字金融發(fā)展指數(shù)來自北京大學數(shù)字金融研究中心利用螞蟻金服海量數(shù)據(jù)編制公布的中國數(shù)字普惠金融指數(shù)。排污收費額、環(huán)境保護稅和數(shù)字化程度的數(shù)據(jù)來源于企業(yè)年度報告的財務報表附注，其他數(shù)據(jù)均來自國泰安（CSMAR）數(shù)據(jù)庫。同時進行了如下篩選：1. 剔除ST、*ST的樣本；2. 剔除西藏自治區(qū)公司的樣本，主要是因為西藏地區(qū)的相關(guān)數(shù)據(jù)存在大量缺失，無法計算其地方環(huán)保水平的數(shù)值；3. 考慮極端值對結(jié)果的影響，對所有的連續(xù)型變量進行1%的縮尾處理；4. 剔除該期間內(nèi)數(shù)據(jù)不完整的樣本，主要是由于平衡面板的數(shù)據(jù)要求，不具有連續(xù)十年數(shù)據(jù)的上市公司會使估計結(jié)果存在偏差。經(jīng)過以上篩選過程，最終共獲得9227個觀測值。

（二）變量定義

借鑒王芝煒和孫慧（2022）［9］以及蔡海靜等（2023）［7］的研究，選擇企業(yè)綠色專利授權(quán)數(shù)量（GTI）去度量企業(yè)綠色技術(shù)創(chuàng)新水平，并將此變量作為響應變量。基于企業(yè)綠色技術(shù)創(chuàng)新動因和環(huán)境規(guī)制領域的現(xiàn)有研究，從以下三個維度選取模型中的綠色技術(shù)創(chuàng)新動因特征：1. 外部監(jiān)督動因。外部監(jiān)督具體體現(xiàn)為政府監(jiān)督和社會輿論監(jiān)督。其中，政府監(jiān)督主要包括人均二氧化碳排放量（CO2）、地方環(huán)保水平（EVE）、政府環(huán)保補助（sub）、排污收費額（MER）和環(huán)境保護稅（Green Tax）。已有研究表明，隨著CO2排放量的不斷增長，將會引起明顯的溫室效應，因此，要想降低溫室氣體的排放，就需要有專門的技術(shù)及技術(shù)創(chuàng)新，從而促使企業(yè)進行綠色技術(shù)創(chuàng)新［19］。鑒于此，采用人均二氧化碳排放量（CO2）來衡量氣候變化對綠色技術(shù)創(chuàng)新的影響。為了實現(xiàn)生態(tài)文明建設目標，政府通過向綠色技術(shù)創(chuàng)新企業(yè)提供融資渠道、稅收減免和資金補助等政策支持，激發(fā)企業(yè)綠色技術(shù)創(chuàng)新［18］［20］。因此，采用地方環(huán)保水平（EVE）和政府環(huán)保補助（sub）來研究政府支出對企業(yè)綠色技術(shù)創(chuàng)新的影響。在政府采取環(huán)境規(guī)制手段的壓力下，企業(yè)會提高自身綠色生產(chǎn)力，從而刺激企業(yè)技術(shù)創(chuàng)新［2］［9］。基于此，采用排污收費額（MER）和環(huán)境保護稅（Green Tax）來分析環(huán)境規(guī)制對企業(yè)綠色技術(shù)創(chuàng)新的影響。社會輿論監(jiān)督主要包括企業(yè)社會責任（CSR）和創(chuàng)文建設（Civil）。對于重污染企業(yè)而言，企業(yè)需要減少排污對社會造成的損害，同時社會公眾會對企業(yè)進行解析與評價，影響企業(yè)形象，企業(yè)需要承擔相關(guān)社會責任，積極保護環(huán)境，進行綠色技術(shù)創(chuàng)新［10］。因此，采用企業(yè)社會責任（CSR）來衡量企業(yè)社會責任對綠色技術(shù)創(chuàng)新的影響。此外，全國文明城市評選活動通過影響社會輿論來促使企業(yè)進行綠色技術(shù)創(chuàng)新［7］。對此，采用創(chuàng)文建設（Civil）來考察該活動對企業(yè)綠色技術(shù)創(chuàng)新的影響。2. 數(shù)字化發(fā)展動因。企業(yè)數(shù)字化會緩解其融資約束，當企業(yè)獲得資金和金融服務支持后，更易于進行綠色技術(shù)創(chuàng)新［3］［6］。因此，選擇數(shù)字金融（Index）和數(shù)字化程度（Digit）來考察與數(shù)字化發(fā)展相關(guān)的企業(yè)綠色技術(shù)創(chuàng)新行為。3. 內(nèi)部治理動因。一方面，高管個人特質(zhì)會影響企業(yè)的綠色技術(shù)創(chuàng)新行為，更直接關(guān)系到企業(yè)決策的傾向性與冒險性［1］［11-12］。本文分析CEO學術(shù)經(jīng)歷（Academic）、高管的風險偏好（MRP）和政治關(guān)聯(lián)（PC）對企業(yè)綠色技術(shù)創(chuàng)新的影響。另一方面，企業(yè)治理結(jié)構(gòu)也會對綠色技術(shù)創(chuàng)新產(chǎn)生顯著影響［13］［21］。因此，采用高管團隊規(guī)模（TSize）和董事會治理（BG）來考察治理結(jié)構(gòu)對企業(yè)綠色技術(shù)創(chuàng)新的影響。

參考現(xiàn)有文獻的做法［2］［9］，在模型中加入企業(yè)規(guī)模（Size）、資產(chǎn)負債率（Lev）、總資產(chǎn)報酬率（Roa）、流動資產(chǎn)比率（CAR）、產(chǎn)權(quán)性質(zhì)（Soe）、企業(yè)年齡（Age）、企業(yè)成長性（Gro）、股權(quán)集中度（Cocen）、董事會規(guī)模（B_Size）、現(xiàn)金持有（Cash）和兩職合一（Dual）11個控制變量，最終在模型中納入26個特征變量，變量定義見表1。

五、實證結(jié)果分析

（一）描述性統(tǒng)計

表2匯報了模型主要變量的描述性統(tǒng)計結(jié)果。從響應變量綠色技術(shù)創(chuàng)新來看，樣本的均值為3.2781，標準差為26.4916，這意味是否進行綠色技術(shù)創(chuàng)新，企業(yè)之間具有一定的分歧。綠色發(fā)明專利授權(quán)數(shù)的標準差明顯高于綠色實用新型專利授權(quán)數(shù)，這表明相較于綠色實用新型專利授權(quán)數(shù)，綠色發(fā)明專利授權(quán)數(shù)在不同企業(yè)間差距較大。從外部監(jiān)督特征來看，在所選取的重污染行業(yè)上市公司樣本中，企業(yè)平均社會責任評分為2.9067分，28.51%的企業(yè)所在城市獲評過文明城市，人均二氧化碳排放量為8.8439噸，政府環(huán)保補助和排污收費額的標準差分別為6.8035和4.1960，這反映了政府環(huán)保補助的分配以及排污收費在不同地區(qū)及企業(yè)上的差異。環(huán)境保護稅和地方環(huán)保水平標準差較小，表明各地在環(huán)境保護稅和環(huán)保支出方面存在較高的一致性；從數(shù)字化發(fā)展特征來看，數(shù)字金融及數(shù)字化程度的標準差均較大，這表明存在一些地區(qū)或企業(yè)可能還處于較低的數(shù)字化發(fā)展水平；從內(nèi)部治理特征來看，97.29%的CEO有過學術(shù)經(jīng)歷，高管風險偏好的標準差為1.3130，這反映不同企業(yè)的高管對于風險的態(tài)度和偏好存在差異。32.35%的企業(yè)存在政治關(guān)聯(lián)，企業(yè)平均高管團隊人數(shù)為6.3852，董事會治理的最小值等于其中位數(shù)，均為0.3333，這表明在企業(yè)的董事會治理中，沒有出現(xiàn)明顯的短板或不足。

（二）基于機器學習方法構(gòu)建的模型對綠色技術(shù)創(chuàng)新水平的預測效果

表3列示了不同方法下模型的擬合結(jié)果。在模型解釋能力方面，列（1）結(jié)果顯示，KNN、梯度提升算法、支持向量機和隨機森林的樣本內(nèi)擬合優(yōu)度（[R2IS]）均高于多元線性回歸和LASSO，其中梯度提升算法具有最高的樣本內(nèi)擬合優(yōu)度（[R2IS]），這意味集成學習方法和非參數(shù)研究方法比參數(shù)研究方法有更好的樣本內(nèi)擬合優(yōu)度效果。列（2）和列（3）結(jié)果顯示，支持向量機具有最高的可解釋方差（EVS）和較好的樣本外擬合優(yōu)度（[R200S]），隨機森林次之，KNN在樣本外擬合優(yōu)度（[R200S]）上表現(xiàn)最好，但其可解釋方差（EVS）最低，梯度提升算法的模型表現(xiàn)較為平均。這說明集成學習方法不僅能更好地擬合訓練集數(shù)據(jù)，還能更好地預測企業(yè)綠色技術(shù)創(chuàng)新水平。集成學習方法在泛化能力上的提升效果非常明顯，以可解釋方差（EVS）為例，與多元線性回歸相比，梯度提升算法、支持向量機和隨機森林分別提升了564.84%、1111.47%和749.38%；與LASSO相比，梯度提升算法、支持向量機和隨機森林分別提升了585.19%、1151.85%和775.36%；與KNN相比，梯度提升算法、支持向量機和隨機森林分別提升了136.87%、167.35%和147.10%。在模型預測誤差方面，列（4）非參數(shù)方法和集成學習方法的均方誤差（MSE）普遍較低，與多元線性回歸相比，KNN、梯度提升算法、支持向量機和隨機森林的均方誤差（MSE）分別降低了99.55%、38.61%、75.81%和51.23%；與LASSO相比，KNN、梯度提升算法、支持向量機和隨機森林的均方誤差（MSE）分別降低了99.55%、38.74%、75.86%和51.33%；。根據(jù)列（5）和列（6）的結(jié)果，支持向量機仍具有最低的平均絕對誤差（MAE）和絕對中位差（MedAE），梯度提升算法和隨機森林的平均絕對誤差（MAE）和絕對中位差（MedAE）也明顯低于多元線性回歸，KNN在絕對中位差（MedAE）的表現(xiàn)良好，但在平均絕對誤差（MAE）上的表現(xiàn)較差。總的來說，集成學習研究方法在預測時更為準確。

綜合而言，以多元線性回歸和LASSO為代表的參數(shù)研究方法在模型解釋能力和預測誤差兩個方面的表現(xiàn)均不如集成學習方法，以KNN為代表的非參數(shù)研究方法在模型解釋能力方面也不如集成學習方法。這可能是因為參數(shù)研究方法忽略了變量間的非線性關(guān)系以及可能存在的交互作用，同時非參數(shù)研究方法的可解釋性較差，從而導致模型解釋能力較低、預測誤差較大。相比而言，集成學習方法采用更合適的函數(shù)形式對數(shù)據(jù)進行擬合，從而構(gòu)建出對企業(yè)綠色技術(shù)創(chuàng)新行為解釋能力更強且預測精度更高的研究模型。同時，通過找出對公司綠色技術(shù)創(chuàng)新水平預測相對更有效的集成學習方法，能夠進一步基于這一方法探究企業(yè)進行綠色技術(shù)創(chuàng)新的主要動因和關(guān)鍵影響因素。

（三）不同綠色技術(shù)創(chuàng)新動因?qū)G色技術(shù)創(chuàng)新行為預測能力的差異

為了探究不同維度動因特征對綠色技術(shù)創(chuàng)新行為預測能力的差異，可構(gòu)建僅包含企業(yè)規(guī)模（Size）、總資產(chǎn)報酬率（Roa）11個控制變量的基準模型，參考Bertomeu等（2021）［23］，計算并比對在基準模型中加入綠色技術(shù)創(chuàng)新動因的不同組合后的預測性能。考慮到基于不同評估指標得出的研究結(jié)論基本一致，以樣本外推預測為代表展開分析，研究結(jié)果見表4。

第一，僅考慮單一維度綠色技術(shù)創(chuàng)新動因?qū)G色技術(shù)創(chuàng)新行為預測能力的差異。與其他動因相比，在基準模型中加入外部監(jiān)督動因特征能夠獲得較佳的表現(xiàn)。在基準模型中加入外部監(jiān)督動因后，多元線性回歸、LASSO和支持向量機模型的外推預測分別提升了19.54%、30.87%和0.07%。但在加入數(shù)字化發(fā)展和內(nèi)部治理動因后，LASSO模型的外推預測提升幅度較小且梯度提升算法和隨機森林的外推預測下降幅度較大。第二，考慮不同綠色技術(shù)創(chuàng)新動因組合對企業(yè)綠色技術(shù)創(chuàng)新行為預測能力的差異。可以看到，包含外部監(jiān)督動因特征的特定組合具有最佳的表現(xiàn)：當組合兩類動因特征時，在基準模型加入外部監(jiān)督動因和數(shù)字化發(fā)展動因會獲得最高的模型解釋能力。上述結(jié)果意味著外部監(jiān)督動因能夠更有效且更準確地預測企業(yè)的綠色技術(shù)創(chuàng)新行為，因此可以從政府和監(jiān)管機構(gòu)等外部監(jiān)督者入手，提高媒體輿論對企業(yè)的綠色關(guān)注度。政府可強化其環(huán)境規(guī)制力度，同時加大企業(yè)綠色技術(shù)創(chuàng)新的財政支持，激勵企業(yè)進行綠色技術(shù)創(chuàng)新，從而促進生態(tài)文明發(fā)展。

（四）不同特征對于綠色技術(shù)創(chuàng)新行為預測能力的差異

進一步基于梯度提升算法和隨機森林這兩種方法，可利用變量相對重要性比較集成學習模型中不同特征變量對企業(yè)綠色技術(shù)創(chuàng)新行為預測能力的差異。表5中報告了變量的相對重要性排序。在眾多綠色技術(shù)創(chuàng)新動因特征中，數(shù)字金融、企業(yè)社會責任和政府環(huán)保補助對綠色技術(shù)創(chuàng)新行為的預測效果最好，這些變量在梯度提升算法和隨機森林中的相對重要性均排在前10位，說明這些特征更可能是影響企業(yè)進行綠色技術(shù)創(chuàng)新的關(guān)鍵因素。其中數(shù)字金融屬于數(shù)字化發(fā)展動因，企業(yè)社會責任和政府環(huán)保補助屬于外部監(jiān)督動因，由此可以看出，在影響企業(yè)進行綠色技術(shù)創(chuàng)新的眾多因素中，外部監(jiān)督因素的權(quán)重對其影響較大。表6中列示了各維度綠色技術(shù)創(chuàng)新動因特征在兩種方法下的累計相對重要性。在梯度提升方法下，數(shù)字化發(fā)展動因的累計相對重要性最大，在隨機森林方法下，外部監(jiān)督動因的累計相對重要性最大，且與排名第二的數(shù)字化發(fā)展動因的差距較大，達到13.09%。綜合來看，外部監(jiān)督動因特征的累計相對重要性較高于其他維度動因特征，進一步表明外部監(jiān)督動因?qū)G色技術(shù)創(chuàng)新行為的預測能力要高于數(shù)字化發(fā)展動因和內(nèi)部治理動因。

（五）重要動因特征對綠色技術(shù)創(chuàng)新行為的預測模式

在眾多綠色技術(shù)創(chuàng)新動因特征中，數(shù)字金融、企業(yè)社會責任和政府環(huán)保補助對綠色技術(shù)創(chuàng)新行為的預測效果最佳。那么，這些變量對企業(yè)綠色技術(shù)創(chuàng)新行為的影響是怎樣的？對此，可利用部分依賴圖回答這一問題。

1. 數(shù)字金融

圖1是數(shù)字金融的部分依賴圖。綜合梯度提升算法和隨機森林的部分依賴圖，當數(shù)字金融發(fā)展水平較低時（50—200分位區(qū)間），數(shù)字金融發(fā)展水平變動對企業(yè)綠色技術(shù)創(chuàng)新水平的影響不明顯；此后，隨著數(shù)字金融發(fā)展水平的不斷提高，企業(yè)綠色技術(shù)創(chuàng)新水平也在不斷地上升。這是因為當數(shù)字金融發(fā)展水平較高時，可通過擴大融資數(shù)量和提升融資質(zhì)量兩個路徑來共同緩解企業(yè)融資約束，減輕企業(yè)進行綠色技術(shù)創(chuàng)新的經(jīng)濟壓力，從而促使企業(yè)更加有意愿，有能力進行綠色技術(shù)創(chuàng)新。

2. 企業(yè)社會責任

圖2是企業(yè)社會責任的部分依賴圖。當企業(yè)社會責任履行程度低于2.0分位時，企業(yè)綠色技術(shù)創(chuàng)新水平較高，這說明企業(yè)通過履行社會責任會獲得更多收益、擁有更多忠實客戶、獲得更多社會資源與投資，會投入更多資源進行綠色技術(shù)創(chuàng)新。但當企業(yè)社會責任履行程度大于2.0分位時，企業(yè)綠色技術(shù)創(chuàng)新水平開始大幅度下降，這是因為企業(yè)社會責任履行程度過高會分散企業(yè)資源，將企業(yè)重心由提升產(chǎn)品質(zhì)量、技術(shù)創(chuàng)新轉(zhuǎn)移到社會關(guān)系維護，進而導致企業(yè)將外部社會關(guān)系維護作為企業(yè)重點，將企業(yè)社會責任履行看作是投機獲取市場的工具，所以通過這種方式，企業(yè)會忽視用創(chuàng)新產(chǎn)品去獲取市場、忽視綠色技術(shù)創(chuàng)新。

3. 政府環(huán)保補助

圖3是政府環(huán)保補助的部分依賴圖。當政府環(huán)保補助較低時（0—15分位區(qū)間），政府環(huán)保補助的變化對企業(yè)綠色技術(shù)創(chuàng)新行為無明顯效果，但隨著政府環(huán)保補助的增加，企業(yè)綠色技術(shù)創(chuàng)新水平迅速上升。一個可能的原因是，當政府環(huán)保補助較高時，能夠部分甚至全部抵消企業(yè)的綠色技術(shù)研發(fā)與創(chuàng)新失敗的成本，帶來獲得直接與間接的凈效益，同時還能起到成本補償與人才吸引的作用，從而促進企業(yè)的綠色技術(shù)創(chuàng)新。

（六）穩(wěn)健性檢驗

為保證結(jié)論的準確可靠，進行穩(wěn)健性檢驗，分別用上市公司年度綠色發(fā)明專利授權(quán)數(shù)量和綠色實用新型專利數(shù)量替代綠色專利授權(quán)總數(shù)進行穩(wěn)健性檢驗，研究結(jié)論仍與前文結(jié)論一致。總體來說，研究結(jié)論比較穩(wěn)健可靠。檢驗結(jié)果如表7。

六、結(jié)論與啟示

綠色技術(shù)創(chuàng)新是通過創(chuàng)新發(fā)展以產(chǎn)生經(jīng)濟、生態(tài)和社會三重效應的全新技術(shù)。現(xiàn)有文獻集中于討論單一動因特征與企業(yè)綠色技術(shù)創(chuàng)新行為之間的關(guān)聯(lián)并僅在樣本內(nèi)進行預測［4］［23］，缺乏對綠色技術(shù)創(chuàng)新動因的綜合討論和從樣本外預測出發(fā)的系統(tǒng)性結(jié)論，綠色技術(shù)創(chuàng)新行為的內(nèi)在驅(qū)動因素仍是富有爭議性且亟待研究的基礎性問題。將綠色技術(shù)創(chuàng)新動因劃分為外部監(jiān)督動因、數(shù)字化發(fā)展動因和內(nèi)部治理動因三個維度，對綠色技術(shù)創(chuàng)新動因進行分類的目的是探究不同維度綠色技術(shù)創(chuàng)新動因?qū)ζ髽I(yè)綠色技術(shù)創(chuàng)新預測能力的差異，并對各類綠色技術(shù)創(chuàng)新動因進行比較分析，從預測的角度識別出相對關(guān)鍵的動因。在此基礎上，主要目標是識別出影響企業(yè)進行綠色技術(shù)創(chuàng)新的關(guān)鍵因素，并分析這些重要特征影響企業(yè)綠色技術(shù)創(chuàng)新行為的具體模式。使用參數(shù)方法、非參數(shù)方法與集成學習方法比較分析，利用相對重要性和部分依賴圖等手段，有助于實現(xiàn)研究目的。通過對比，在基準模型中加入不同維度綠色技術(shù)創(chuàng)新動因組合后的擬合效果，發(fā)現(xiàn)外部監(jiān)督動因能夠更有效、準確地預測企業(yè)綠色技術(shù)創(chuàng)新行為。這意味與數(shù)字化發(fā)展動因和內(nèi)部治理動因相比，外部監(jiān)督動因是影響企業(yè)綠色技術(shù)創(chuàng)新行為的主導因素。與多元線性回歸等參數(shù)研究方法及KNN等非參數(shù)方法相比，集成學習方法在模型解釋能力和預測誤差兩個方面均獲得了更好的表現(xiàn)，其中支持向量機具有最好的預測性能。在眾多動因特征中，數(shù)字金融、企業(yè)社會責任和政府環(huán)保補助對綠色技術(shù)創(chuàng)新行為的預測效果最佳。

基于上述研究結(jié)論，有以下政策啟示：第一，相關(guān)部門加強對上市公司外部監(jiān)督的力度。研究表明，企業(yè)綠色技術(shù)創(chuàng)新行為較多地受到外部監(jiān)督動因影響。可以通過改善稅收方式，提高監(jiān)測精準度和稅收稽查力度，加強公眾監(jiān)督和參與度，健全社會責任信息公開制度，以制度化的監(jiān)督促使企業(yè)更好地履行社會責任，推動企業(yè)進行綠色技術(shù)創(chuàng)新。第二，完善企業(yè)環(huán)保支出相關(guān)補貼政策，對重污染企業(yè)的環(huán)境治理和技術(shù)創(chuàng)新支出予以補貼，在發(fā)揮國有企業(yè)帶動效應的同時，以政策激勵民營企業(yè)積極開展綠色技術(shù)創(chuàng)新，正確引導企業(yè)綠色技術(shù)創(chuàng)新資金投入。第三，應該不斷地推動機器學習技術(shù)在動因分析研究領域的發(fā)展。研究結(jié)果顯示，相對于傳統(tǒng)的實證研究方法，機器學習方法可以更好地預測企業(yè)的綠色技術(shù)創(chuàng)新行為。機器學習等人工智能技術(shù)是一種具有廣泛應用前景的新技術(shù)，是幫助學術(shù)創(chuàng)新和科學發(fā)展的重要手段與重要工具。該研究將為推動人工智能在相關(guān)領域的實際應用提供新思路，開拓研究新渠道。

參考文獻：

［1］ 嚴若森，陳娟.高管政治關(guān)聯(lián)對企業(yè)綠色創(chuàng)新的影響研究：基于政府—企業(yè)—社會互動視角［J］.人文雜志，2022（7）：105-116.

［2］ 劉樑，李雪，蔣攀.環(huán)境保護稅對企業(yè)綠色技術(shù)創(chuàng)新的影響：基于環(huán)保投資的因果中介效應分析［J］.河海大學學報（哲學社會科學版），2022（3）：50-59，114-115.

［3］ 王智新，朱文卿，韓承斌.數(shù)字金融是否影響企業(yè)綠色技術(shù)創(chuàng)新：來自上市公司的經(jīng)驗證據(jù)［J］.中國科技論壇，2022（3）：52-61.

［4］ 洪永淼，汪壽陽.大數(shù)據(jù)如何改變經(jīng)濟學研究范式？［J］.管理世界，2021（10）：40-55，72，56.

［5］ Mullainathan S， Spiess J. Machine Learning： An Applied Econometric Approach ［J］.Journal of Economic Perspectives，2017（2）：87-106.

［6］ 劉敏，趙漢暉，吳懋.企業(yè)數(shù)字化、環(huán)境信息披露質(zhì)量和綠色技術(shù)創(chuàng)新［J］.學術(shù)研究，2023（8）：92-99.

［7］ 蔡海靜，王雪青，謝喬昕.環(huán)境規(guī)制視閾下文明城市評選對企業(yè)綠色創(chuàng)新的影響研究［J］.財經(jīng)論叢，2023（5）：102-112.

［8］ 陳運森，周金泳，黃健嶠.企業(yè)的慷慨因何而來：基于機器學習的證據(jù)［J］.財經(jīng)研究，2023（6）：153-169.

［9］ 王芝煒，孫慧.市場型環(huán)境規(guī)制對企業(yè)綠色技術(shù)創(chuàng)新的影響及影響機制［J］.科技管理研究，2022（8）：208-215.

［10］ 楊海蘭，石相嬌，王碩.異質(zhì)性企業(yè)社會責任對綠色技術(shù)創(chuàng)新的影響［J］.山東社會科學，2022（2）：165-175.

［11］ 王鋒正，趙宇霞，夏嘉欣.異質(zhì)環(huán)境政策、高管風險偏好與綠色技術(shù)創(chuàng)新：基于中國重污染上市公司的實證研究［J］.科研管理，2022（11）：143-153.

［12］ 張少喆，石浩悅.首席執(zhí)行官學術(shù)經(jīng)歷與企業(yè)綠色技術(shù)創(chuàng)新［J］.科技管理研究，2022（3）：135-144.

［13］ 祖明，汪世超，李秀偉.高管團隊特征、環(huán)境責任與企業(yè)綠色技術(shù)創(chuàng)新［J］.吉林工商學院學報，2022（5）：51-58.

［14］ 劉斌，遲健心，季侃.董事會“內(nèi)部控制專業(yè)勝任能力”重要嗎：基于文本分析和機器學習的經(jīng)驗證據(jù)［EB/OL］.（2021-11-16）［2024-01-06］.http：//kns.cnki.net/kcms/detail/12.1288.f.20211112.0905.002.html.

［15］ 唐禮智，周林，楊夢俊.環(huán)境規(guī)制與企業(yè)綠色創(chuàng)新：基于“大氣十條”政策的實證研究［J］.統(tǒng)計研究，2022（12）：55-68.

［16］ 趙偉，李書全.基于機器學習的建筑施工人員安全能力預測模型［J］.中國安全科學學報，2023（7）：51-57.

［17］ Manela A， Moreira A. News Implied Volatility and Disaster Concerns ［J］. Journal of Financial Economics，2017（1）.

［18］ 劉劍民，夏琴，徐玉德，等.產(chǎn)業(yè)技術(shù)復雜性、政府補助與企業(yè)綠色技術(shù)創(chuàng)新激勵［J］.南開管理評論，2024（2）：94-103，149，104-105.

［19］ 楊起城，羅良文.氣候變化對綠色技術(shù)創(chuàng)新的影響：來自81個發(fā)展中國家的證據(jù)［J］.中國軟科學，2023（1）：156-170.

［20］ 張虹，胡金.生態(tài)文明建設促進綠色技術(shù)創(chuàng)新了嗎：來自合成控制法的實證評估［J］.科技進步與對策，2023（8）：151-160.

［21］ 王鋒正，陳方圓.董事會治理、環(huán)境規(guī)制與綠色技術(shù)創(chuàng)新：基于我國重污染行業(yè)上市公司的實證檢驗［J］.科學學研究，2018（2）：361-369.

［22］ Kleinberg J， Ludwig J， Mullainathan S， et al. Prediction Policy Problems［J］. American Economic Review，2015（5）： 491?495.

［23］ Bertomeu J， Cheynel E， Floyd E， et al. Using Machine Learning to Detect Misstatements［J］. Review of Accounting Studies，2021（2） ：468-519.

［24］ 陸瑤，張葉青，黎波，等.高管個人特征與公司業(yè)績：基于機器學習的經(jīng)驗證據(jù)［J］. 管理科學學報，2020（2）：120-140.

［25］ 周志華.機器學習［M］.北京：清華大學出版社，2016.

［26］ Friedman H J. Greedy Function Approximation： A Gradient Boosting Machine ［J］. The Annals of Statistics，2001（5）.

責任編輯：王繼鴿

（E-mail：wjg501@ jhun. edu. cn）

Multidimensional Drivers and Key Factors of Green Technological Innovation of Enterprise： Evidence Based on Machine Learning

PENG Ying1，2， ZHANG Ziye1

（1.Business School， Jianghan University， Wuhan 430056； 2.Research Center for Development of Manufacturing Industry in Wuhan City Cluster， Wuhan 430056）

Abstract： Green technological innovation is key to the green and low-carbon development， which takes into account both economic and environmental benefits. Heavy polluting A-share listed enterprises from 2011 to 2020 are sampled； the capacity of different multi-dimensional green technological innovation motivations in predicting green technology innovation behavior is explored by using the parametric method， non-parametric method， and ensemble learning method in machine learning. The purpose is to identify the main motivation affecting enterprises to carry out green technology innovation and identify features of the most predictive quality. The results show that compared with the digital development motivation and the internal governance motivation， the external supervision motivation is the main driver for the green technology innovation behavior of enterprises； the ability of ensemble learning method to predict green technology innovation behavior is better than that of parametric and non-parametric research methods， and the support vector machine has the strongest interpretation ability and the highest prediction accuracy； and among the multi-dimensional motivation features， digital finance， corporate social responsibility， and government environmental protection subsidies have the best predictive effect on green technology innovation behavior. Applying the machine learning method can effectively identify the key factors of green technology innovation in enterprises， and is enlightening for the sustainable development of enterprises and the construction of ecological civilization.

Key words： green technological innovation； machine learning； ensemble learning； construction of ecological civilization