基于欺诈三角理论的中国企业环境违规行为预测:机器学习视角的实证研究
《Journal of Cleaner Production》:Predicting corporate environmental violations in China: Evidence from machine learning based on the Fraud Triangle Theory
【字体:
大
中
小
】
时间:2026年08月13日
来源:Journal of Cleaner Production 10.7
编辑推荐:
摘要
现有关于企业环境违规行为的研究多从不同视角探讨其决定因素,缺乏能够解释这些复杂行为动因的整合框架。为弥补这一不足,本研究将欺诈三角理论与可解释机器学习相结合,构建了一个基于理论的框架,用以预测和解释中国A股上市公司的环境违规行为。研究结果表明,LightGBM模型具有最
摘要
现有关于企业环境违规行为的研究多从不同视角探讨其决定因素,缺乏能够解释这些复杂行为动因的整合框架。为弥补这一不足,本研究将欺诈三角理论与可解释机器学习相结合,构建了一个基于理论的框架,用以预测和解释中国A股上市公司的环境违规行为。研究结果表明,LightGBM模型具有最佳的预测性能,而SHAP分析则揭示了非线性效应,表明环境违规行为是由复杂的决策过程驱动的,而非简单的线性关系。在欺诈三角理论的三个维度中,压力的重要性高于机会和合理化,这说明外部制度和经济压力是导致环境违规风险的主要因素。进一步分析表明,基于欺诈三角理论的风险结构具有情境依赖性。通过将行为理论与可解释机器学习相结合,本研究为理解环境违规行为的复杂驱动因素提供了基于理论且可解释的框架,从而为其背后的行为机制带来了新的见解。
引言
近年来,企业中的环境污染和资源破坏事件频发,这一现象在新兴市场尤为突出,其主要原因是这些地区实行以增长为导向的经济政策、环境违规的成本较低,以及监管机制不完善。例如,中国生态环境部的官方统计数据显示,2022年共有91,000起针对环境违规行为的行政处罚,罚款总额达76.72亿元人民币,同时还发生了1,427起涉嫌环境犯罪案件。从2010年到2022年,违规企业的数量和比例均呈波动上升趋势(见图1)。企业环境违规行为不仅会破坏生态系统、危害公共健康,还会使企业和相关方面临法律责任、经济处罚以及声誉损害等后果(Shahab等人,2024)。鉴于其严重的环境、社会和经济影响,了解企业为何会实施环境违规行为已成为亟需研究和解决的政策问题。
现有研究已为影响企业环境行为的因素提供了重要见解。先前的研究表明,监管压力(Yao等人,2023)、所有权结构(Wang和Dear,2017)以及高管自身的贫困经历(Du和Ren,2024)等因素都会显著影响企业的环境行为。这些研究大大提升了我们对企业环境违规行为决定因素的理解。然而,现有文献大多是对这些因素进行孤立研究。实际上,企业环境违规行为是企业综合考虑多种因素后的结果,包括监管压力、治理状况、违规行为的预期成本与收益,以及管理者的环境认知等。由于仅关注单个决定因素,现有研究只能对环境违规行为提供零散的解释,难以把握企业违规决策背后的复杂行为逻辑。这种碎片化的视角往往将环境违规行为简化为单一因素的结果,而非多个相互关联因素的共同作用,从而导致解释不够完整或具有误导性。因此,尽管已经识别出许多重要的决定因素,但现有文献仍缺乏一个能够解释这些因素如何共同作用于环境违规行为的统一行为框架。这样的框架对于把握其复杂性并更准确地理解企业环境违规行为至关重要。
为填补这一理论空白,本研究以Albrecht(1995)提出的欺诈三角理论作为指导框架。虽然该理论最初是为解释欺诈行为而发展起来的,但它本质上是一种行为理论,用于解释组织为何会故意实施不当行为。由于企业环境违规行为同样涉及有意识的组织决策,而非对个别因素的简单反应,因此欺诈三角理论的行为逻辑自然适用于这一领域。与以往分别研究监管、组织或管理因素的研究不同,欺诈三角理论通过压力、机会和合理化这三个互补的维度来解释企业环境违规行为,从而提供了一种整合的行为视角。因此,该理论为理解企业环境违规行为提供了连贯的理论基础,也为本研究中的预测建模提供了基于理论的特征构建依据。
尽管欺诈三角理论为理解企业环境违规行为提供了统一的理论框架,但实证分析也需要合适的分析方法。现有研究主要依靠传统的计量经济模型来分析各个因素对环境违规行为的影响(Zou等人,2015;Xiong等人,2021)。这类模型通常假设变量之间存在线性函数关系,要求研究者事先确定变量间的关系,因此难以捕捉企业环境违规行为背后复杂的非线性关系。结果可能导致对实际行为过程的简化,进而产生有偏甚至误导性的估计。此外,传统计量经济模型也不适合评估同时作用的多个具有理论依据的因素的相对重要性,因此难以揭示不同行为驱动因素如何共同影响环境违规风险,只能部分理解企业环境违规行为的机制。
为克服这些方法论上的局限性,本研究采用机器学习方法来预测企业环境违规行为。与传统计量经济模型不同,机器学习无需预先设定函数关系,就能捕捉众多相互作用变量之间的复杂非线性关系(Bertomeu等人,2021;Bao等人,2020;Shrestha等人,2021),因此非常适合在统一框架内对欺诈三角理论所提出的多个决定因素进行建模。此外,通过结合SHAP技术,该模型不仅能高精度地预测环境违规行为,还能量化基于理论的特征的相对重要性和非线性效应,从而为压力、机会和合理化如何共同影响企业环境违规行为提供可解释的证据。
据此,本研究将欺诈三角理论与机器学习相结合,构建了一个基于理论且可解释的框架,用于预测企业环境违规行为。具体而言,本研究根据压力、机会和合理化这三个维度构建特征变量,并比较了十种不同的机器学习模型,以确定表现最好的模型。结果表明,基于欺诈三角理论的特征框架在预测企业环境违规行为方面优于基于单一因素的模型,其中LightGBM模型的性能最佳。此外,本研究首次在统一理论框架下系统地量化了欺诈三角理论三个维度的预测贡献,结果显示压力提供的预测信息最多,其次是机会和合理化。SHAP分析进一步揭示了关键预测因子与环境违规风险之间分阶段且呈波动性的非线性关系,这表明以往研究中常用的线性模型可能忽略了重要的非线性效应。最后,异质性分析和多项稳健性测试进一步证实了研究结果的稳定性以及所提框架的适用性。
我们的主要贡献如下。首先,本研究将企业环境违规行为的分析视角从基于碎片化决定因素的角度转变为基于理论的行为视角,为此领域的研究做出了贡献。现有研究大多只识别出环境违规行为的个别预测因素,如监管压力(Zhang等人,2018)、企业治理结构(McGuire,2014)或管理者特征(Dong和Yu,2024),但缺乏一个能够解释这些因素如何共同影响企业违反环境法规决策的连贯理论框架。通过引入欺诈三角理论,本研究将这些主要影响因素划分为压力、机会和合理化三个维度,并在此基础上构建了一个统一的分析框架,用以研究这些因素的联合效应。其次,本研究开发了一种基于理论且可解释的机器学习框架,为理解和预测企业环境违规行为提供了更为有效的方法。现有关于企业环境违规行为的计量经济研究主要依靠计量经济模型来估算各个决定因素的线性因果效应(Liu等人,2025;DasGupta和Roy,2023;Shahab等人,2024)。这类方法与现实情况不符,因为环境违规行为是由多个相互作用因素共同影响的,而且它们也无法评估这些决定因素的相对重要性。为克服这些局限,本研究将欺诈三角理论与机器学习相结合,基于行为理论构建具有理论依据的特征,同时利用机器学习捕捉非线性关系并量化多个行为驱动因素的相对贡献。这一分析框架不仅能实现准确预测,还能揭示各个决定因素与环境违规行为之间的非线性关系,量化它们的相对重要性,最终为企业环境违规行为提供更为全面的解释。
本文的其余结构如下:第2节为文献综述,第3节介绍研究设计,第4节报告研究结果,第5节进一步分析差异性,第6节进行一系列稳健性测试,第7节对实证研究结果进行详细讨论,第8节总结全文并阐述政策启示。
片段研究
企业环境违规行为
企业环境违规行为日益受到关注,因为它们会造成严重的环境破坏,同时给企业带来巨大的经济和声誉损失(Comyns等人,2022;Hossain等人,2023)。因此,大量文献致力于识别导致环境违规行为的决定因素。现有研究主要从监管、组织和管理三个互补的视角来探讨这一问题。尽管每种视角……
概念框架:欺诈三角理论与环境违规行为
企业环境合规行为本质上是企业的一种管理决策结果,受企业外部压力、内部约束以及管理者认知的影响。虽然环境违规行为在形式上不同于传统的财务欺诈,但它们具有相同的行为逻辑:当企业认为违规带来的利益大于预期成本时,就会故意违反相关法规。欺诈三角理论提供了一个简洁且基于行为的分析框架。
最优模型选择
图4展示了所选十种机器学习模型的AUC值。从模型性能来看,所有模型的AUC值均远高于0.5,说明这些机器学习模型在预测企业环境违规行为方面都具有一定的有效性。其中,LightGBM模型的表现最为出色,其ROC曲线更为平滑,AUC值为0.806,是所有模型中最高的。这表明……
进一步分析
为进一步探究研究结果的情境差异性,我们从多个角度进行了额外分析。这些分析旨在了解三维因素的影响是否以及在何种情况下会在不同情境下发生变化。
稳健性检验
为评估研究结果的稳健性,我们从两个角度进行了系列稳健性检验:变量重要性排序的稳定性,以及关键变量与环境违规行为之间关系的稳健性。首先,为检验变量重要性排序的稳定性,我们采用了三种替代策略:(1)通过60:40的比例划分训练集和测试集来调整样本划分;(2)通过使用2020年之前的数据来考虑新冠疫情带来的冲击;……
讨论
由于企业环境违规行为会带来严重的环境、经济和社会后果,它已成为一个日益重要的问题(Comyns等人,2022;Hossain等人,2023)。随着全球对可持续发展和环境治理的重视程度不断提高(Abebe和Acharya,2022),了解企业环境违规行为背后的机制已成为一项重要的研究课题。在此背景下,本研究的发现为……
结论
本研究通过将欺诈三角理论与可解释机器学习相结合,构建了一个基于理论的框架,用于预测企业环境违规行为。通过比较十种机器学习模型,并运用SHAP分析来解读模型预测结果,本研究为理解企业环境违规行为背后的行为机制提供了新的证据。主要结论如下:首先,在这十种机器学习模型中,LightGBM具有最佳的预测性能。
CRediT作者贡献声明
Bo Liu:可视化、初稿撰写、审稿与编辑。Muzi Zhu:方法论、软件应用、监督与验证。Yahao Zhang:概念构建、资金获取、资源协调与监督。Zhiyuan Ning:形式分析、调查研究与方法论设计。
资金支持
本文得到了云南省教育厅科学研究基金项目[项目编号2026J0596]和云南财经大学科学研究基金项目[项目编号2025D32]的支持。
利益冲突声明
作者声明,本研究是在没有可能构成利益冲突的商业或财务关系的情况下进行的。
Bo Liu | Muzi Zhu | Yahao Zhang | Zhiyuan Ning
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