绿色基础设施的催化剂效应：战略治理过滤器如何放大绿色投资回报的微观层面机器学习分析

《Results in Engineering》：The Catalyst Effect of Green Infrastructure: A Micro-Level Machine Learning Analysis of How Strategic Governance Filters Amplify Green Investment Returns

　　

本研究开发了一个混合工程分析框架。它将计量经济估计与可解释机器学习及一组战略性可持续性指标相结合，以考察绿色投资、环境绩效（Environmental Performance, EP）与财务绩效（Financial Performance, FP）在企业个体层面上的相互关系。区分实质性环境努力与“漂绿”行为十分困难。为应对这一困难，本文引入了一个基于战略性制度因素构建的绿色指数（Green Index），即生命周期分析（Life Cycle Analysis, LCA）、绿色建筑认证、环境数据保证和绿色资本支出目标，这些因素共同代表企业的可持续性准备程度及其环境治理质量。分析使用了来自Thomson Reuters Eikon数据库的2,646家企业的横截面数据，每个变量均以2021至2025五个报告年度的企业层面平均值衡量。研究估计了普通最小二乘法（Ordinary Least Squares, OLS）以及五种机器学习模型——线性回归、支持向量回归（Support Vector Regression, SVR）、多项式回归、XGBoost和多层感知器（Multi-Layer Perceptron, MLP）——并使用SHAP（SHapley Additive exPlanations）对拟合模型进行分解。该框架设定并检验了一个交互项：绿色指数是否调节绿色投资与企业价值之间的关联。绿色投资与财务绩效呈显著正相关。运营环境绩效则不然，其系数略为负值，这表明市场将减排支出解读为近期成本。机器学习层在预测方面增益甚微：SVR和XGBoost相对于线性基准将R²提高了约1.4个百分点（从0.2019提高到0.2163），而五种算法中有两种未能超越该基准。五折交叉验证强化了这一解读——所有模型的样本外平均R²均较低，其中三个为负——因此机器学习的贡献在于诊断而非预测。SHAP归因识别出LCA、环境数据保证和绿色建筑认证是治理变量中与实质性绿色收入结合后贡献上升的因素。该框架提供了一种可解释的决策支持工具，用于评估可持续性投资战略并定位企业层面环境治理可能产生回报的环节。一系列稳健性分析，如基于主成分分析（Principal Component Analysis, PCA）的指数加权、基于链式方程多重插补（Multiple Imputation by Chained Equations, MICE）的环境指标插补、替代性绿色投资代理变量以及一期滞后设定，表明所报告的关联在方向上稳定但幅度适中，并且这些关联被解读为相关关系而非因果效应。

论文解读：绿色投资、治理过滤器与财务绩效的混合分析框架

**研究背景与问题。**绿色金融被视为以较低成本降低环境代价和CO₂排放的重要途径，政策制定者和投资者都希望企业通过绿色投资实现可持续发展。然而，现有研究对绿色投资能否转化为财务回报的结论并不一致，关键困难在于象征性绿色努力与实质性环境努力难以区分。投资者对合规成本高而环境结果差的绿色支出持怀疑态度。宏观层面研究无法定位企业内部的异质性，而传统ESG评级、披露类指数和排放强度指标均无法说明哪些治理要素会使可持续性获得市场回报。为此，Bhaskaran Rajesh Kumar 和 Sudha P 在《Results in Engineering》发表本文，提出一个可解释的混合分析框架，考察战略治理因素是否像催化剂一样放大绿色投资对企业价值的回报。

**研究设计与方法。**研究人员从Thomson Reuters Eikon数据库超过34,000家公司中，筛选出2,646家在2021至2025年五个报告年度均有完整变量记录的企业，以每个企业的五年平均值为一个观测值形成横截面样本。绿色投资以绿色收入占总收入比例代理。方法上先估计OLS基准模型，再依次拟合线性回归、支持向量回归（SVR）、多项式回归、XGBoost和多层感知器（MLP），用MSE、RMSE和R²评估预测表现，并用SHAP分解解释XGBoost。为检验稳定性，采用五折交叉验证，另以PCA重新加权绿色指数、用MICE处理环境指标缺失、以绿色资本支出目标替代绿色收入以及一期滞后设定进行稳健性检验。

**实证结果与讨论（OLS估计）。**OLS结果显示，绿色投资与财务绩效显著正相关（β=0.099，t=7.07），支持H1；环境绩效的系数为负且边缘显著，H2未获支持；战略制度因素单独进入时不显著，H3未获支持；绿色投资与绿色指数的交互项为正但不显著，H4仅获得方向性支持；非线性和交互性假设H5则通过机器学习比较和交叉验证加以评估。

**绿色投资与战略制度因素的交互。**边际效应分析显示，绿色投资对财务绩效的边际关联在低绿色指数水平为0.0439（95%置信区间：0.0020–0.0858），在均值水平为0.0657（95%置信区间：0.0361–0.0953），在高水平为0.0876（95%置信区间：0.0440–0.1312），随绿色指数上升而单调增加。但交互项本身不显著，因此该模式被解读为与催化剂假说一致的方向性证据，而非对调节效应的确认。

**预测建模与机器学习表现。**单次80:20划分中，SVR表现最好（R²=0.2163），XGBoost次之（R²=0.2112），线性回归为0.2019，多项式回归为0.1993，MLP最弱（0.1375）。五折交叉验证显示，线性回归最稳定（平均R²=0.0048），而XGBoost、SVR和MLP的平均R²均为负，多项式回归波动极大。因此，机器学习层并未显著提升预测精度，其贡献在于揭示可持续性属性与市场估值之间具有条件性和交互性结构，而不是预测优势。

**基于SHAP的可解释性分析。**SHAP归因显示，房地产行业虚拟变量对正向预测贡献最大；环境绩效的贡献分布高度分散，说明其效应是情境依赖的；较高的绿色投资值对应正向SHAP值，方向与OLS一致；战略制度因素单独进入时SHAP值集中于零附近，但与绿色投资相乘后重要性上升，支持其作为催化剂放大绿色投资回报的机制。绿色收入是最一致且最正向的可持续性属性。

**讨论总结。**研究将结果与四类文献进行对比。绿色投资与价值的正相关与Yufeng和Yanbai、Xie等、Lai等以及Flammer的发现一致，并且本研究在九个行业并控制治理变量后估计该效应，提供了更广泛的证据。环境绩效的负系数与Porter假说和Christmann互补资产观点的强版本不一致，但与Qiang Cheng等区分预防型与控制型污染治理技术的证据一致，说明该负系数可能源于环境绩效构念以控制型和合规型支出为主。保证和认证没有独立估值溢价，说明这类治理机制需要与实质性绿色收入结合才具有信息价值。与单国政策评估文献相比，本研究横截面设计无法提供因果识别，但多行业样本提供了外部效度；其机器学习增益很小且交叉验证后消失，提示可解释人工智能研究应报告线性基准。

**结论翻译。**本文考察绿色投资、环境绩效和财务绩效之间的关系，并探究战略和制度性绿色因素如何调节这些结果。最终样本包含2,646家企业，数据来自Thomson Reuters Eikon，为2021至2025年的五年平均值；每个企业贡献一个观测值，因此设计为横截面而非面板。绿色收入占总收入比例被用作过去绿色投资的代理变量。OLS结果显示绿色投资与财务绩效高度显著正相关；环境绩效呈边缘显著负相关，表明市场将运营性绿色支出视为短期成本；SHAP分析显示战略制度因素单独与财务绩效无关联，但作为交互项后重要性上升，起到放大绿色投资回报的催化剂作用。结论按证据强度分级：绿色投资的正向关联稳健且通过全部稳健性检验；房地产和医疗保健存在显著的行业溢价；环境绩效的负系数以及绿色指数交互项仅为方向性证据。机器学习并未实质改善企业价值的预测精度，其价值在于识别出可持续性特征与估值之间具有条件性和交互性关系。所有结果应解读为关联而非因果效应。