迈向碳中和驱动的可持续发展：基于商业环境的新能源企业创新质量预测研究

《Sustainability》：Toward Sustainability Through Carbon Neutrality: Predicting Innovation Quality in New Energy Firms from the Business Environment Shan Liu and Xiaozhen Wang

　　

实现可持续发展与碳中和目标，亟需新能源领域持续的技术升级。因此，提升新能源企业的创新质量对可持续发展转型具有重要意义。然而，商业环境是否以及如何支撑新能源领域的创新质量仍不明确。研究人员采用机器学习方法，评估了商业环境对新能源企业创新质量的预测能力，区分了不同要素的重要性，并刻画了关键要素的预测模式。结果表明，商业环境对创新质量具有显著的预测能力，将样本外R2OOS从0.6200提升至0.7001，增幅达0.0801。在核心解释变量中，人力资源、金融环境与公共服务是相对重要的要素。此外，研究发现人力资源与创新质量总体呈上升趋势，而公共服务与金融环境则与创新质量存在复杂关联。异质性分析显示，商业环境对创新质量的预测能力在不同所有制企业与不同地区之间存在显著差异。本研究为政策制定与商业环境优化提供了实证依据，有助于夯实可持续发展的制度基础。

本研究发表于《Sustainability》，聚焦于新能源企业创新质量预测这一关乎碳中和与可持续发展的重要议题。当前，中国作为全球最大的新能源投资市场，虽在装机规模与制造能力上位居世界前列，却面临低端锁定、核心技术不足及关键部件长期依赖进口等问题，严重制约产业高质量发展。现有文献多将企业视为同质群体，忽视了新能源行业高补贴依赖、高资本密集及市场扭曲的特征，且传统计量方法受限于变量共线性和线性假设，难以捕捉商业环境与创新质量间的复杂非线性关系。为此，研究人员突破传统范式，引入机器学习方法，构建了包含商业环境的创新质量预测框架，旨在揭示商业环境对新能源企业创新质量的预测能力、关键要素及其作用模式，并探讨不同企业特征下的异质性影响，为政策制定提供精准依据。

在技术方法上，研究人员选取2008年至2019年中国A股新能源上市公司作为样本队列，剔除ST等特殊状态企业及数据缺失样本。研究采用随机森林（Random Forest）算法作为核心预测模型，使用样本外R²_OOS、均方误差MSE_OOS和平均绝对误差MAE_OOS评估模型性能，并通过节点不纯度减少量（IncNodePurity）测度变量重要性，利用偏依赖图（Partial Dependence Plots, PDP）解析关键要素的预测模式。商业环境评价指标体系参考Li等人的六维框架，涵盖公共服务、人力资源、市场环境、创新环境、金融环境和政府环境，并采用变异系数法确定权重，同时为避免内生性剔除了原体系中的创新产出指标。被解释变量创新质量采用企业授权发明专利的前向引用次数衡量，并取自然对数处理。

研究结果部分，首先通过描述性统计发现新能源企业创新质量及各地商业环境均存在显著异质性。预测能力检验表明，加入商业环境变量后，随机森林模型的样本外R²_OOS较仅含控制变量的基准模型提升了0.0801，且显著优于传统最小二乘法（OLS）模型，证实了商业环境的增量预测价值。变量重要性分析显示，在商业环境各维度中，人力资源（HR）、金融环境（FE）和公共服务（PS）是预测创新质量的关键要素。进一步的预测模式刻画发现，人力资源与创新质量总体呈正相关；金融环境与创新质量呈非线性关系，发展初期可能因市场不成熟呈现负向关联，随着绿色金融体系完善转为正向促进；公共服务与创新质量亦呈非线性关系，在达到最优水平前具有促进作用，超过临界点后因税负增加等因素贡献减弱。异质性分析表明，商业环境对国有企业创新质量的预测能力更强，其中人力资源和金融环境对国企更重要，政府环境对非国企更关键；地区层面，中部地区商业环境的预测作用最显著，东部和中部地区的人力资源与金融环境重要性高于西部地区。

在讨论与结论部分，研究人员指出，商业环境是预测新能源企业创新质量的重要因素，其预测能力在不同所有制和地区间存在异质性。这一发现弥补了现有研究忽视行业特性的不足，证实了机器学习在处理复杂非线性关系上的优势。基于此，建议政府应差异化优化商业环境：针对人力资源，完善新能源领域人才培养与引进政策；针对金融环境，创新适配新能源行业周期的长周期融资产品，建设行业数据共享平台；针对公共服务，在夯实基础设施后转向提升服务效率，利用数字技术降低制度性交易成本。同时，需根据企业所有制与区域特点精准施策，如对国企侧重强化金融与人才支持，对非国企侧重优化营商环境与公平竞争。本研究受数据时限所限未涵盖近年最新动态，未来可结合因果机器学习等方法进一步验证因果关系。