揭示重污染企业中人工智能与绿色创新效率之间的非线性预测模式：一种可解释机器学习方法（an explainable machine learning approach）

《Frontiers in Physics》：Uncovering nonlinear predictive patterns between artificial intelligence and green innovation efficiency in heavily polluting firms: an explainable machine learning approach

　　

摘要翻译：提高绿色创新效率已成为数字经济中企业追求可持续发展的核心关切。尽管人工智能（artificial intelligence, AI）正越来越多地被纳入企业战略，但现有研究主要依赖传统线性计量经济学方法来检验AI相关特征与绿色创新效率之间的关联，这可能不足以捕捉数据中存在的复杂非线性预测结构。为解决这一局限，本研究开发了一个面向预测的可解释机器学习框架来预测企业层面的绿色创新效率。研究人员利用中国重污染上市企业的面板数据，比较了普通最小二乘法（Ordinary Least Squares, OLS）与六种主流机器学习算法的预测性能，并进一步采用累积局部效应（Accumulated Local Effects, ALE）和SHapley Additive exPlanations (SHAP)方法解释已训练预测模型中的非线性预测关系与特征贡献。结果表明，集成学习模型在样本外预测中一致地优于线性基准模型，其中CatBoost取得了最高的预测精度和泛化能力。AI相关变量在传统财务与治理特征之外提供了大量增量预测信息。ALE分析识别出与AI相关特征相关的显著非线性和阶段特异性预测模式，其中AI投资强度呈现倒U形预测轨迹，而AI注意力在不同模型预测值区间内表现出更稳定的预测相关性。SHAP分析进一步表明，AI注意力比AI投资提供更一致的预测信息，并揭示出在治理与财务情境中的异质性预测贡献模式。本研究通过引入一个可解释的预测框架来揭示与AI相关特征相关的复杂非线性预测结构，并为识别具有不同预期绿色创新效率水平的企业提供数据驱动的决策支持。

论文解读

一、研究背景、问题与目的

在全球迈向碳中和与可持续发展的背景下，绿色转型已成为重污染企业的战略重点。作为能源消耗与环境污染的主要来源，这类企业面临日益严格的环境规制、快速的技术变革与加剧的市场竞争。在此情境下，提高绿色创新效率已成为增强长期竞争力并实现可持续发展的关键。然而，绿色创新涉及技术能力、组织资源与外部制度环境之间的复杂交互，这使传统分析方法难以有效预测绿色创新效率。现有研究主要考察绿色创新的决定因素或产出，而较少关注其预测问题。同时，有关人工智能（AI）与绿色创新效率之间关系的现有证据大多来自传统线性计量模型，集中于估计平均关联，难以捕捉数据中可能存在的非线性预测结构和异质模式。因此，本研究开发了一种面向预测的可解释机器学习框架，以识别AI相关特征在预测重污染企业绿色创新效率中的非线性预测模式。

二、研究内容、结论与意义

研究人员利用2007—2024年中国A股重污染上市公司的面板数据，以绿色技术研发效率（Grd）和绿色成果转化效率（Gcon）为预测目标，构建了包含AI注意力（AI_A）与AI投资强度（AI_I）等多维特征的预测体系。通过比较普通最小二乘法（OLS）与六种主流机器学习算法，发现集成学习模型在样本外预测中一致优于线性基准，其中CatBoost具有最高的预测精度和泛化能力。AI相关特征在传统财务与治理特征之外提供了显著的增量预测信息。ALE分析识别出AI投资强度呈倒U形、AI注意力相对稳定的非线性阶段特异性预测模式；SHAP分析进一步揭示了AI注意力与AI投资在不同治理和财务情境下的异质性预测贡献。提出可解释预测框架是该研究的重要贡献，为识别不同预期绿色创新效率水平的企业提供了数据驱动的决策支持。该论文发表在《Frontiers in Physics》。

三、主要技术方法概述

样本来自2007—2024年中国A股重污染上市企业，财务与治理数据取自国泰安（CSMAR）和Wind数据库，绿色专利数据来源于中国研究数据服务平台（CNRDS）；剔除ST与*ST企业、缺失值样本，并对连续变量进行1%和99%分位缩尾。AI_A采用74个AI关键词年报词频加1取对数度量；AI_I采用AI相关无形资产与固定资产之和占总资产比例度量；两阶段效率采用非径向非导向的DEA-SBM模型计算。以OLS为线性基准，比较SVM、GBDT、随机森林、XGBoost、LightGBM与CatBoost，采用80%训练/20%测试的观测级随机划分与k折交叉验证调参，以样本外R2等指标评估预测性能；进一步采用SHAP、ALE进行可解释分析，并以置换重要性、PDP和企业级划分等进行稳健性检验。

四、实证结果与分析

4.1 描述性统计
描述性统计显示，Grd与Gcon均值分别为0.5223与0.5228，标准差约为均值的40%，说明企业间绿色创新效率存在较大分化；AI_A与AI_I均呈高度右偏分布，表明大部分重污染企业AI参与水平较低，仅少数企业具有较高AI投入，这种非对称分布支持采用非线性机器学习方法。

4.2 跨模型预测性能比较
通过比较OLS与六种机器学习算法的预测性能，发现所有机器学习模型的样本外R2均高于OLS；其中CatBoost对Grd和Gcon的样本外R2分别达0.2568和0.2582，并具有最低的样本外误差。部分树模型样本内R2远高于样本外值，说明仅评估样本内拟合会高估预测能力，应重视泛化性能评估。

4.3 AI特征提供的增量预测信息
通过比较仅含基础特征与加入AI特征的模型样本外R2，发现加入AI_A与AI_I后，CatBoost模型对Grd的样本外R2由0.2037升至0.2568，对Gcon由0.1909升至0.2582，且提升幅度在非线性模型中大于线性模型，表明AI特征包含传统企业特征无法捕捉的增量预测信息。

4.4 预测特征重要性分析
基于CatBoost特征重要性，在Grd模型中AI_I与AI_A的重要性得分均约为7.6，排名仅次于TobinQ并高于ROA与ROE；在Gcon模型中AI_A与AI_I仍排名靠前，且AI_A重要性高于AI_I。此外，管理层持股比例（Mshare）与企业规模（Size）在不同创新阶段均保持稳定预测信号。

4.5 AI相关特征的非线性预测响应模式
ALE分析显示，AI_I对Grd和Gcon均呈倒U形预测轨迹：低水平AI_I对应负ALE值，中等水平对应较高预测值，超过阈值后预测值下降并转为负值；AI_A在Grd中呈相对稳定的上升趋势，但在Gcon中后期出现明显下降。这表明AI相关特征的预测相关性存在非线性与阶段特异性。

4.6 SHAP分析
4.6.1 绿色技术研发效率的SHAP解释
SHAP分析显示，Size与Mshare是Grd模型最重要的预测特征，AI_A排名第三、AI_I排名第五；高AI_A观测多位于正SHAP区域，而低AI_I多对应正SHAP，高AI_I多集中于零或负SHAP区域，表明AI注意力比AI投资强度提供更稳定的预测信号。

4.6.2 绿色成果转化效率的SHAP解释
在Gcon模型中，AI_A成为最重要的预测特征，超过Size与Mshare；AI_I重要性排名第七。高AI_A集中于正SHAP区域，低AI_I多对应正SHAP，而高AI_I集中于零或负SHAP区域，进一步印证AI投资强度在高水平时预测贡献有限。

4.6.3 绿色研发效率中的条件预测贡献SHAP依赖分析
SHAP依赖图显示，当AI_A较高时，高Mshare或高Lev企业更多出现在正SHAP区域；AI_I处于较低水平时也存在类似条件分布，表明AI相关特征的预测贡献随治理与财务特征发生变化。

4.6.4 绿色成果转化效率中的条件预测模式SHAP依赖分析
在Gcon中，AI_A的条件预测模式相对稳定；AI_I在低水平时高Mshare或高Lev企业SHAP值较高，但在高水平时该模式减弱，说明AI投资强度在成果转化阶段的预测贡献具更强非线性。

4.7 稳健性检验
4.7.1 不同训练/测试划分
在7:3与6:4划分下，集成模型仍一致优于OLS，且AI特征相对重要性保持稳定。
4.7.2 置换重要性验证
随机置换AI_A与AI_I导致模型预测性能明显下降，表明AI相关特征包含稳健的预测信息。
4.7.3 部分依赖图
PDP检验复现了ALE识别的主要非线性模式，支持非线性预测结构的稳健性。
4.7.4 企业级划分验证
按企业整体划分训练集与测试集后，模型性能适度下降，但非线性集成模型仍优于OLS，排除了企业级信息泄漏的担忧。

五、异质性分析

5.1 所有权异质性下的AI预测模式
分组ALE分析显示，在Grd中，国有企业（SOE）在AI_A高值区间的预测曲线斜率更陡、ALE值更高；在Gcon中，SOE的AI_A下降幅度小于非SOE。AI_I在多数区间的ALE曲线在SOE中位于非SOE上方，且非SOE在高AI_I时预测值下降更为明显。

5.2 市场化程度异质性下的AI预测模式
低市场化地区的AI_A在Grd中具有更陡的上升轨迹与更高峰值；在Gcon中，两组均出现下降但低市场化地区下降较缓。AI_I在高市场化地区的ALE曲线在Grd和Gcon中均高于低市场化地区，且高AI_I时的负向预测响应在高市场化地区相对较弱。

六、结论与讨论

本研究利用中国A股重污染企业2007—2024年数据，构建了面向预测的可解释机器学习框架，系统考察AI注意力与AI投资强度在预测绿色创新效率中的非线性模式。主要结论包括：第一，集成学习模型尤其是CatBoost在样本外预测中优于传统线性模型，表明绿色创新效率存在复杂非线性结构；AI相关特征相对于传统企业特征提供了显著增量预测信息。第二，AI投资强度呈倒U形预测轨迹，AI注意力在绿色技术研发阶段表现出相对稳定的预测相关性，而在成果转化阶段呈现更复杂的异质模式。第三，AI相关预测模式在不同所有权结构与区域市场化环境下存在显著异质性。

研究结论的实际意义体现在：企业应根据自身组织条件评估AI相关资源配置水平与有利创新预测模式之间的对应关系，使AI资源投入与组织能力和创新需求相匹配；AI注意力对绿色成果转化效率具有较强预测价值，可将其作为评估企业创新前景的参考信号；由于AI预测模式在不同所有权和制度环境中有差异，企业和政策制定者在利用AI相关信息进行绿色创新决策时应考虑情境差异。本研究的贡献在于将研究视角从线性关系估计拓展至可解释的非线性预测结构，所提出的可解释机器学习框架兼顾了预测精度与模型透明度，为绿色创新效率预测提供了数据驱动工具，并增强了对AI相关特征如何贡献于企业间异质性预测结果的理解。