基于机器学习预测企业环境违规：利益相关者压力视角

《Business Strategy and the Environment》：Using Machine Learning to Predict Corporate Environmental Violation: A Stakeholder Pressure Perspective

　　

预测企业环境违规在实践与环境治理研究中仍是一项关键挑战。既有研究多聚焦于利益相关者压力与已实现环境违规之间的事后关联，对于利益相关者压力能否用于事前识别未来违规风险企业的洞察有限。研究人员以中国上市企业为样本，构建了一个融合多重利益相关者压力指标、并以机器学习作为风险识别与实质化解释经验工具的预测框架。结果显示，债权人压力是最具影响力的预测变量，其后依次为监管压力与竞争压力。面临更高债权人压力或更强竞争的企业，其环境违规概率更高；而更强的监管压力则与更低违规概率相关。对违规严重程度的分析得出一致结果：债权人压力对更严重违规仍具高度预测力，而更强的监管与公众压力则关联更少严重违规。债权人压力的突出作用凸显了在企业环境合规中考虑财务约束扭曲的必要性，这些发现表明利益相关者压力在环境治理中并非作为统一的纪律性力量运作。

研究背景与问题提出

企业环境违规加剧生态损害、削弱监管公信力与利益相关者信任，全球环境犯罪规模持续扩大且年均增速超8%，但违规常具隐蔽性，多在监管查处或公众指控后才暴露，导致事前风险识别困难。既有文献侧重利益相关者压力与已实现违规的事后关系，缺乏对其能否预测未来违规的探讨；同时传统计量方法难以捕捉非线性与高维模式。利益相关者理论下，监管、组织与社会三类压力通过资源控制、监督与社会评价等竞争渠道影响违规，方向并不统一。研究人员以2011—2022年中国A股上市企业为场景，引入可解释机器学习，将压力指标转化为事前预警信号，弥补从事后解释向前瞻识别的缺口。

主要技术方法

研究人员整合公众环境研究中心（IPE）与CSMAR（China Stock Market and Accounting Research）数据库的环境处罚记录，匹配CNRDS（China Research Data Services Platform）与CSMAR的财务治理数据，形成36946个公司—年度观测；按处罚金额与诉讼情况将违规拆分为轻微（minor）与重大（major）。构建监管（政府治污投资对数）、组织（客户/供应商集中度、资产负债率代理债权人压力、HHI代理竞争压力、机构与个体投资者关注等）与社会（百度“环境”搜索量、媒体J-F指数）三类压力变量及控制变量。预测阶段在2011—2020训练、2021—2022测试，对不平衡样本用SMOTE过采样，网格搜索五折交叉验证调参，比较11种算法（MLP、DT、LR、LRCV、LDA、SVM、QDA、XGBoost、CatBoost、RF、AdaBoost），以AUC、F1等选优；解释阶段用XGBoost配SHAP（SHapley Additive exPlanations）求变量边际贡献方向与重要性；严重程度模型在违规子样本内做二分类并复用SHAP。

研究结果

4.1 描述性统计

因变量Envir_violation均值0.161，债权人压力（Creditor，资产负债率）均值0.4146，政府压力区域异质性强，证实样本处于多维利益相关者压力环境。

4.2 违规风险预测的模型选择

XGBoost在样本外AUC达0.7662、F1为0.6501，综合优于CatBoost与LDA等，选为主模型。

4.3 环境违规分析

SHAP平均绝对贡献中Creditor占15.39%居首，Government占11.34%，Competitor占11.23%；Supplier、Stockholder、Public等次之，Employee仅1.09%。蜂群图显示Creditor高值（红）推高预测概率，Government高值落于负向，Competitor低HHI（强竞争）对应正向SHAP。依赖图确认Creditor正向、Government负向、低HHI正向关联。换学习率、换因变量（超标排放）、换时段划分、t期预测t+1期四类稳健性检验结论不变。

4.4 违规严重程度分析

在重大vs轻微违规中Creditor仍居首（14.57%），Government（10.89%）与Public（10.14%）紧随；Competitor、Supplier、Media等提供增量信号。蜂群与依赖图显示Creditor高值正向预测严重违规，Government与Public高值负向，Individual与Employee高值部分正向，竞争/机构/股东压力方向离散无稳定模式。

讨论部分总结

研究人员指出违规发生与严重程度捕捉非合规不同阶段，债权人压力应解读为财务资源缓冲薄的信号而非监督信号——依利益相关者显著性（stakeholder salience）与资源依赖理论，偿债与再融资诉求挤占治污 slack（组织松弛资源），故正向预测不意味债权人鼓励违规；政府压力体现强制制度与合法性嵌入，负向关联反映监管可见性；竞争压力正向体现市场生存下的短期成本权衡。严重程度模型中杠杆通过风险转移（risk-shifting）与契约敏感放大延迟整改。理论层面，研究框定财务约束扭曲是利益相关者理论监督逻辑在环境合规中的边界条件；方法层面提供XGBoost+SHAP可复现的事前范式；实践层面建议监管将融资约束、行业集中度、公众舆情并入预警，但预测仅作初步信号、需人工复核。

结论翻译

研究人员使用2011—2022年中国A股上市企业数据，构建基于机器学习的框架，利用利益相关者压力预测企业环境违规的发生与严重程度。通过XGBoost与SHAP结合，分析量化了各利益相关者压力的相对贡献并识别最具信息量的预测变量。结果表明债权人相关压力、政府监管压力与竞争压力是环境违规最具影响力的预测因子。债权人与竞争压力对预测违规概率呈强正向关联，而其他利益相关者压力呈负向关联。对违规严重程度的分析得出一致结果：债权人压力仍是重大违规的最强预测因子且正向关联严重违规概率，监管与公众压力则负向关联。债权人压力的突出作用凸显在合规中考虑财务约束扭曲之必要，并表明利益相关者压力在环境治理中不作为统一纪律力量运作。该研究将分析重心从事后决定因素转向事前风险评估，为环境与合规文献提供可复现范式。