解锁绿色创新的制度基础:一项机器学习分析
《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》:Unlocking the institutional foundations of green innovation: A machine learning analysis
【字体:
大
中
小
】
时间:2026年01月27日
来源:TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE 13.3
编辑推荐:
陶王|罗凯凡|赵瑜
中国四川成都,四川大学商学院
**摘要**
制度因素是企业绿色创新的重要驱动因素。尽管现有研究已经认识到制度因素在企业绿色创新中的重要作用,并探讨了它们之间的相互关系,但对这些因素相对重要性和非线性影响的全面理解仍然有限。为了解决这一不足,本研究
陶王|罗凯凡|赵瑜
中国四川成都,四川大学商学院
**摘要**
制度因素是企业绿色创新的重要驱动因素。尽管现有研究已经认识到制度因素在企业绿色创新中的重要作用,并探讨了它们之间的相互关系,但对这些因素相对重要性和非线性影响的全面理解仍然有限。为了解决这一不足,本研究借鉴了制度理论,并运用了多种机器学习算法以及SHAP值分析方法,利用中国A股上市公司(2011-2022年)的数据,系统地评估了监管性、规范性和文化认知性因素对企业绿色创新的影响。研究结果表明,在各种制度因素中,文化认知性因素对企业绿色创新的影响最为显著。具体而言,中央检查、公众关注度以及行业层面的绿色导向在其各自所属的制度类别中发挥了主导作用。大多数制度因素与绿色创新之间存在显著的非线性关系。进一步分析表明,在某些条件下,文化认知性因素可能会抑制绿色创新,而监管性和规范性因素通常会促进绿色创新。此外,制度因素的影响在不同地区、行业和企业规模之间存在显著差异。本研究突显了制度因素在塑造企业绿色创新中的重要性和相互作用,为新兴经济体制定政策以支持企业的可持续转型提供了有益的见解。
**引言**
在全球气候变化加剧和可持续发展议程推进的背景下,绿色创新已成为企业应对环境挑战、实现转型和升级的关键战略方向(Tawiah等人,2024年)。绿色创新通常指开发和采用具有环境效益的技术、产品或管理实践,旨在减少资源消耗和环境影响。与传统创新不同的是,绿色创新具有双重外部性——知识溢出和环境效益。当基于市场的环境补偿机制(如绿色技术的知识产权保护和碳交易方案)尚未完全建立时,企业难以充分获得其绿色创新努力的经济回报(Jiang等人,2023年)。再加上高昂的前期成本、漫长的回收期、制度复杂性以及市场接受度的不确定性(Orsatti等人,2020年;Yuan等人,2025年)等挑战,企业往往缺乏主动参与绿色创新的动力。因此,如何有效激发企业的绿色创新活力已成为政策制定者和学者们关注的核心问题。
现有研究普遍认为,“制度”在促进和引发绿色创新方面起着关键作用。诸如环境法规和政府补贴等制度因素不仅用于纠正市场失灵,还直接塑造企业的行为边界,并补偿企业在绿色技术创新过程中发生的研发费用和污染治理成本(Cui等人,2022年)。同时,社会规范和公众舆论等制度因素通过塑造公共讨论和促进价值一致性,进一步增强了企业对环境责任的响应及其对绿色技术路径的选择(Jie和Lv,2023年;Zhao等人,2022年)。这些研究表明,实现绿色转型不仅取决于技术进步和市场条件,更关键的是制度设计的合理性、协调性和稳定性。制度构成了绿色创新激励机制的基础,是绿色技术生态系统不可或缺的部分(Yang等人,2021年)。深入理解哪些制度因素发挥关键作用以及它们如何相互作用,可以帮助政府制定更加系统和灵活的政策组合,同时为企业提供识别绿色创新机会和制定战略响应的宝贵见解。
Scott(2014)的制度理论认为,企业行为受到监管性、规范性和文化认知性这三个支柱的相互作用的影响。这为分析制度环境对企业绿色创新活动的影响提供了坚实的理论框架。具体而言,监管性因素通过法律、法规和政策约束对企业施加外部压力,被广泛认为是绿色创新的重要驱动力(Berrone等人,2013年;Du等人,2021年;Zhong和Peng,2022年)。规范性因素则通过社会道德期望和行业标准指导企业的行为调整。特别是在高度污染的行业中,公众压力和社会监督通常迫使企业采用更加积极的绿色创新策略,符合ESG(环境、社会和治理)原则(Zhao等人,2022年)。此外,作为非正式制度的文化认知性因素的影响也越来越受到学术界的关注。例如,有研究表明,儒家文化等制度因素可以抑制CEO的利润追求行为,引导技术和管理创新向更环保的方向发展(Huang等人,2024年)。这些研究为理解制度因素的不同方面对企业绿色创新的影响奠定了基础。
尽管取得了这些进展,当前对制度因素的理解仍存在一定的局限性。一方面,现有研究大多关注特定、孤立的制度因素对绿色创新的影响,缺乏整体的系统性视角。尽管Chen等人(2018年)强调了监管性和规范性因素在激发企业绿色创新活动和降低创新成本方面的作用,但研究仍往往集中在单个因素上。对关键制度因素(尤其是文化认知性因素)的相对重要性及其在不同企业中的作用的系统性实证分析仍然不足。实际上,企业通常处于多维度的制度环境中,各种制度因素共存并相互作用,其影响往往是累积性的而非孤立的。忽视这种复杂的制度配置可能会导致对制度作用的理解片面。另一方面,现有文献往往假设制度压力与绿色创新之间存在简单的线性正相关关系,从而忽略了不同制度因素之间的非线性和相互作用(Su等人,2023年)。实际上,监管性和规范性压力的增加并不总是直接增强创新动机。例如,一些研究表明环境监管与企业绿色创新之间存在“U型”关系(Liu等人,2020年),某些制度因素甚至可能表现出“阈值效应”(Lee等人,2016年)。例如,虽然一些研究强调政府补贴可以有效补偿企业在绿色技术创新中的研发费用和污染治理成本,但其他学者认为此类补贴可能会挤出企业的研发投资。因此,深入探索这三个制度支柱之间的非线性关系和相互作用机制具有重要的理论价值和实践意义。
基于这些考虑,本文提出了两个核心研究问题:(1)在推动企业绿色创新方面,哪些具体的监管性、规范性和文化认知性因素起重要作用,哪个支柱的整体影响最大?(2)制度因素与企业绿色创新之间是否存在非线性关系?为了解决这些问题,本研究采用机器学习技术,以中国A股上市公司为研究对象,探讨制度因素与企业绿色创新之间的复杂相互作用。研究设计的理由如下:首先,在样本选择方面,中国正处于从粗放型增长向高质量发展转型的关键阶段,绿色创新已被确立为国家战略重点。作为全球制造业中心和主要碳排放国,中国的制度实践为研究制度因素如何在多层次、多要素环境中影响绿色创新提供了丰富的背景,从而为国际政策制定提供了经验教训。其次,在方法选择方面,与传统的计量经济学方法相比,机器学习能够灵活捕捉高维数据中的复杂模式和非线性关系,而不需要对模型做出严格假设(Graham和Bonner,2022年;Liu等人,2024年)。通过结合SHAP等可解释工具,本研究定量评估了各种制度因素对绿色创新的贡献,从而明确了它们的相对重要性。此外,还利用机器学习中的交互作用分析进一步揭示了三个制度支柱之间的非线性协同机制。这种数据驱动的研究范式不仅增强了分析的解释力和科学严谨性,还为传统制度理论与绿色创新交叉领域的实证研究开辟了新的视野。
在以往研究的基础上,本研究应用机器学习进一步深入分析了绿色创新的驱动因素。与基于资源基础观(RBV)和上层梯队理论(UET)等理论的研究不同(Liu等人,2024年;Mao等人,2023年),本文强调了制度理论的关键视角。它强调了制度因素在塑造企业绿色创新激励结构和行为边界方面的根本作用。具体而言,系统地考察了通过监管性、规范性和文化认知性支柱的制度环境的复杂影响。本研究的主要理论贡献有三方面:首先,从制度因素的角度深入解释了绿色创新。借助制度理论,本研究将监管性、规范性和文化认知性因素纳入绿色创新分析,并运用机器学习和SHAP等可解释工具系统比较它们对企业创新行为的相对影响。与以往仅关注单一制度维度的研究不同,本研究克服了传统模型对变量指定的主观依赖性,增强了制度研究的实证解释力,并丰富了绿色创新研究中的外部制度视角。其次,它揭示了制度因素的非线性影响和相互作用机制。通过超越现有研究中普遍存在的关于制度变量的线性假设,本研究发现各种制度因素在不同强度和背景下表现出不同的影响关系,从而深化了制度理论对企业绿色创新响应机制的理解。第三,它识别了制度影响的异质性和情境性质。本研究深入分析了三个制度支柱对绿色创新的影响在不同地区、行业和企业规模上的差异,为设计适应情境的制度框架提供了新的实证证据。
本文的其余部分组织结构如下:第2节回顾了制度理论和绿色创新的相关文献。第3节讨论了样本选择、变量定义和机器学习方法。第4节和第5节比较了不同机器学习模型的表现,展示了主要结果,并进行了进一步的综合分析。第6节进行了稳健性检验。最后,第7节总结了研究结果,并讨论了其理论和实践意义。
**研究方法**
**制度理论**
制度环境是企业战略决策的基石,通过定义行为边界并赋予行动合法性,特别是在推动绿色创新的背景下,对组织实践产生深远影响(North,1990年)。为了更好地阐明制度环境发挥影响的复杂机制,Scott(2014)提出了一个包含三个支柱的经典分析框架:监管性、规范性和……
**方法论**
本研究的主要方法和数据流程如图1所示,研究方法分为三个关键阶段:
**第1阶段:概念框架和指标体系构建**
本研究基于Scott(2014)提出的制度要素概念框架,通过文献综述和计量文献分析整合相关研究成果,构建了一个多维的综合评估指标体系。
**特征重要性比较分析:SHAP和RGE的双重视角**
本节使用SHAP和RGE两种互补的可解释方法,深入分析了影响企业绿色创新(NGIt+1)的关键驱动因素及其相对重要性。具体而言,分析了最优的CatBoost模型,其中SHAP值捕捉了每个特征对预测值的边际贡献,而RGE值衡量了特征引起的排名变化的稳定性。将这两种视角结合起来可以提供更全面的分析……
**进一步分析**
现有研究主要集中在单个制度维度对绿色创新的影响上,对企业绿色创新的监管性、规范性和文化认知性因素的综合影响了解有限。为了解决这一不足并提高分析的系统性,本研究构建了复合指标来评估制度因素对绿色创新的整体影响。基于之前训练的CatBoost模型,使用SHAP算法……
**稳健性检验**
为了检验主要结论对因变量测量的敏感性,本研究使用二分化的因变量进行了稳健性检验。具体来说,我们根据样本中位数(中位数=2.0)将因变量——绿色创新专利申请数量(NGIt+1)分为两部分,从而生成一个二进制虚拟变量HighNGIt+1。当某公司的NGIt+1超过中位数时,HighNGIt+1被赋值为1(表示绿色创新水平较高)。
**结论**
在日益复杂的制度环境中,以及全球对企业绿色创新日益重视的背景下,明确制度要素的驱动作用在理论和实践上都具有重要的意义。基于制度理论,本研究通过选择来自 regulatory(监管)、normative(规范)和 cultural-cognitive(文化认知)维度的代表性变量,构建了企业绿色创新的预测模型(例如:中央巡视、绿色补贴、媒体等)。
**参与同意书(需包含适当声明)**
不适用。
**出版同意书(需包含适当声明)**
不适用。
**伦理审批(需包含适当的审批或豁免声明)**
不适用。
**CRediT作者贡献声明**
王涛:撰写 – 审稿与编辑、监督、项目管理、方法论、概念构建。
罗凯凡:撰写 – 原稿撰写、方法论、数据整理、概念构建。
余超:撰写 – 审稿与编辑、数据可视化、实证分析、概念构建。
**资助情况**
本研究得到了国家社会科学基金重大项目[项目编号24&ZD051]、国家社会科学基金[项目编号23XGL016]以及四川省软科学研究项目[项目编号2025NSFSCR0093]的支持。
**利益冲突声明**
本手稿的提交过程中不存在任何利益冲突,所有作者均同意发表该 manuscript。我们声明所描述的工作是原创研究,此前未以任何形式部分或全部发表过。所有列出的作者均已批准随附的手稿。
**作者简介**
王涛获得中国四川大学工商管理博士学位,现任四川大学商学院教授。她的研究兴趣包括科技政策、创新(生态)系统、网络治理,并致力于研究国家和区域创新。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号