《Cleaner and Responsible Consumption》：Structural Heterogeneity in the Innovation–Sustainability Nexus: A Global Segmentation Approach Using Interpretable Machine Learning
编辑推荐：
创新在塑造结构变化和推动可持续发展中扮演着关键角色。然而，关于创新如何与可持续性的经济、社会和环境维度相互作用的跨国证据仍然分散且具有异质性。本研究不假设普遍同质的关系，而是将创新-可持续性关联概念化为结构上的权变关系，并受到各国发展阶段和更广泛结构特征的制约
创新在塑造结构变化和推动可持续发展中扮演着关键角色。然而，关于创新如何与可持续性的经济、社会和环境维度相互作用的跨国证据仍然分散且具有异质性。本研究不假设普遍同质的关系，而是将创新-可持续性关联概念化为结构上的权变关系，并受到各国发展阶段和更广泛结构特征的制约。因此，研究人员不寻求估计普遍的因果效应，而是识别不同经济体之间的异质性结构配置。为此，研究人员应用了一种基于模型树算法的可解释机器学习分割方法，使用了来自129个国家的数据和国际指标，包括全球创新指数（GII）、可持续发展目标指数（SDG Index）、GDP增长、人均GDP（购买力平价，PPP）和温室气体（GHG）排放。模型树框架结合了递归决策树分割与局部线性回归模型，能够识别内生的结构体制和特定情境的关联模式。结果揭示了显著的跨国异质性。在某些结构体制中，创新绩效与收入水平和可持续性结果密切相关，而在其他体制中，结构性约束和发展挑战则塑造了差异化的创新轨迹，且解释一致性有限。这些发现表明，创新-可持续性关联并非由普遍稳定的关系所支配，而是受到发展条件和国家创新系统结构特征的中介。本研究通过记录宏观层面的异质性并展示可解释分割方法在比较可持续性研究中的分析价值，为文献做出了贡献。
**研究背景、问题与目标**
当前，全球气候变化持续加剧，发展差距依然显著，尽管国际社会做出了2030年议程等承诺，但可持续发展目标（SDGs）的进展已有所放缓。环境退化与经济脆弱性相互强化，给各国，特别是面临结构性、制度性和金融性障碍的低收入经济体，带来了日益严峻的挑战。创新被广泛认为是推动结构变化和可持续发展的核心动力，技术进步、知识扩散和新商业模式有望促进生产率增长、经济多样化及低碳转型。然而，现有的跨国研究大多假设创新与可持续性各维度（经济、社会、环境）之间存在同质化的线性关系，忽略了不同国家在发展阶段、制度能力、产业结构等方面的根本差异。这种同质性假设掩盖了重要的结构性异质性，导致政策建议缺乏针对性。因此，本研究旨在回答两个核心问题：（1）在不同的结构性背景下，经济、社会和环境指标如何与创新绩效相关联？（2）这些关联是否在通过数据驱动分割内生识别的发展体制间存在系统性差异？研究不追求估计普遍因果效应，而是通过识别内生的结构体制，揭示创新-可持续性关联在不同国家配置中的异质性模式。该研究发表于《Cleaner and Responsible Consumption》。
**主要关键技术方法**
研究人员采用了一种基于模型树算法的可解释机器学习分割方法进行探索性分析。模型树算法结合了递归决策树分割与局部线性回归模型，能够内生地将数据划分为同质性子集，并在每个子集（终端节点）内拟合线性回归模型，从而识别出具有不同结构特征的发展体制。研究使用了来自129个国家的2023年横截面数据，数据来源包括：全球创新指数（GII，来自WIPO）、SDG指数（来自Sachs et al., 2024）、GDP增长率（来自IMF, 2024）、人均GDP（购买力平价，PPP，来自IMF, 2024）以及温室气体（GHG）排放量（来自Sachs et al., 2024）。在建模前进行了描述性统计和Pearson相关分析，并采用Min-Max归一化处理数据。模型使用Python的LinearTreeRegressor包实现，基于均方误差（MSE）分裂准则，未进行显式剪枝，最终生成了一个包含8个终端节点的回归树，每个节点包含13至22个观察值。
**研究结果**
**4.1 描述性分析**：通过对129个国家各变量的描述性统计分析，发现人均GDP（PPP）、GHG排放和化石CO
2排放存在显著的离散性，最大值远超平均值，表明收入水平和环境压力方面存在巨大的结构性不对称。相比之下，SDG指数的标准差相对较低，但范围仍显示出各国在2030年议程进展上的差异。GDP增长率均值2.81%，但也存在较大波动。GII均值32.47，地理分布显示北美、西欧和东亚创新绩效较高，而非洲和拉丁美洲较低。
**4.2 建模与特征重要性分析**：模型树算法将GII作为因变量，GDP增长、SDG指数、PPP和GHG排放作为预测变量，通过递归分割生成了8个同质性分组。全局特征重要性分析显示，PPP和SDG指数是预测GII的最重要因素，而GHG排放影响有限，GDP增长贡献不显著。模型整体拟合优度（R2=0.91）较高，表明所选变量能解释GII的大部分变异，但需谨慎解读，部分解释力可能源于复合指标间的概念重叠。
**4.3 分类与地理可视化**：基于模型树的8个终端节点，国家被划分为8个集群，每个集群拥有独特的线性回归模型和R2值。Cluster 1、2、6、7的R2>0.70，表现出较强的解释力；Cluster 3的R2仅为0.09，表明该集群内预测变量与GII之间几乎不存在线性关系。各组内系数显著性存在差异，例如GDP增长在所有子模型中均不显著，而PPP和SDG指数在不同组中的显著性不同。这表明创新-可持续性关联在不同结构性体制中运作方式不同。地理可视化显示，这些集群呈现出明显的地理聚集模式，经济结构更成熟的国家往往被分配到高解释力的组，而制度和发展不稳定的国家则被分配到低解释力组。
**讨论与结论总结**
**讨论部分总结**：研究结果强调了结构性异质性的核心作用。理论层面，本研究将创新重新概念化为结构性的可持续发展驱动力，整合了国家创新系统、结构变化和可持续发展理论，并通过模型树方法提供了方法论创新。实证层面，这是首次在全球尺度上应用模型树于创新-可持续性关联的分析，揭示了被传统同质性模型掩盖的异质性模式。实践层面，政策制定者应根据各国结构性条件设计差异化策略，在较高绩效体制中优先支持绿色创新和数字化转型，在较低绩效体制中则应优先加强制度能力、创新治理和技术扩散机制。研究还指出，GII等指标需辅以结构性指标，以确保创新绩效转化为公平和环境的可持续发展。研究局限性包括：变量范围有限、横截面设计无法捕捉时间动态、部分终端节点样本量较小导致系数稳定性受限、复合指标可能存在概念重叠、以及缺乏外部验证程序。
**研究结论翻译**：本研究利用国际指标和全球创新指数（GII）分析了创新与可持续性之间的全球关系。通过应用模型树算法，129个国家被分割为八个具有不同结构特征的发展体制，从而能够情境化地评估经济、社会和环境变量如何与创新绩效相关联。研究结果揭示了创新-可持续性关联在各国间存在显著的异质性。在几个发展体制中，特别是较高收入和技术先进的经济体，创新绩效与收入水平和可持续性结果密切相关。相比之下，其他体制则表现出较弱且不太一致的关联模式，表明结构性约束和发展条件可能限制了创新向更广泛可持续性收益的转化。分割结果识别出创新绩效、发展条件和可持续性绩效的不同配置，强调了需要根据具体结构性现实来制定情境敏感的创新政策。模型树框架生成的子群特定模型提供了关于创新如何在异质性发展条件下与可持续性相关联的可解释性见解。这些发现并不支持普遍适用的创新-可持续性路径，而是强调了结构性异质性在塑造发展轨迹方面的重要性。这进一步强化了需要将创新战略与国家发展条件、技术能力和环境优先事项相协调的政策方法。总体而言，本研究有助于理解以创新为主导的结构变化作为实现可持续发展的潜在途径。尽管结果主要揭示的是关联而非因果机制，但它们为未来旨在加强创新在全球可持续性转型中作用的研究和政策分析提供了结构化的实证基础。
