环境政策与创新潜力:基于深度神经网络模型的证据

《Innovation and Green Development》:Environmental policies and innovation potential: Evidence from a deep learning neural network model

【字体: 大 中 小 】 时间:2026年07月06日 来源:Innovation and Green Development CS10.7

编辑推荐:

  本研究考察了环境政策组合(environmental policy mixes)、政策严格度(policy stringency)、环境税收(environmental taxation)和研发(R&D)预算分配与环境创新之间的预测性关联,研究样本涵盖七个欧洲

  
本研究考察了环境政策组合(environmental policy mixes)、政策严格度(policy stringency)、环境税收(environmental taxation)和研发(R&D)预算分配与环境创新之间的预测性关联,研究样本涵盖七个欧洲国家。为此,研究人员采用部分线性神经网络(Partially Linear Neural Network, PLNN),该模型将可解释的线性成分从非线性模式中分离出来,同时明确承认模型的预测性而非因果性本质。研究发现,上述三种政策工具均与创新呈正相关。此外,国家层面的预测显示,除葡萄牙外,所有国家的创新轨迹在2026年前均呈正向发展态势,但这些预测以历史模式为条件。德国、法国和英国的系统性低预测表明,情境因素、制度能力、产业结构和创新系统特征发挥着重要的中介作用。然而,葡萄牙的负面预测则指向潜在的实施差距削弱了政策与创新之间的关联。该研究展示了可解释性机器学习与明确方法学局限性相结合的价值。基于分析结果,研究提供了关联性证据以指导政策设计,同时指出了情境适应和严格评估的必要性。
## 研究背景与问题提出

当前,全球温室气体排放持续攀升,2022年排放量已达前所未有的水平,联合国环境规划署(UNEP)报告称2023年9月全球气温较工业化前水平上升1.8°C。应对气候变化的系统性风险需要构建更加绿色、可持续和韧性的世界,这推动着政策制定者向清洁可再生能源转型以实现零排放和碳中和目标。然而,这一转型依赖于新型高效环保技术的发展,这要求充足的研究与开发预算 allocation 以及协调的政策工具组合。尽管能源技术研发投入和严格的环境政策被认为对刺激环境创新具有重要作用,但现有文献尚未充分基于关键政策工具的实施情况预测未来增长轨迹。在此背景下,研究人员旨在回答核心研究问题:各种环境政策工具如何塑造环境创新的未来轨迹?

## 研究设计与方法

研究人员选取法国、德国、荷兰、葡萄牙、西班牙、瑞士和英国七个欧洲国家作为研究对象,样本期间为2000年至2022年,数据来源为经济合作与发展组织(OECD)统计数据库。研究采用部分线性神经网络(PLNN)作为核心方法,该方法将线性参数成分与非线性神经网络成分相结合:线性成分用于估计可解释的政策变量系数,非线性成分通过单隐藏层神经网络捕获复杂交互模式。为处理变量的非线性关系并兼顾可解释性,研究人员首先运用White神经网络线性检验和Tsay非线性检验验证模型设定的适当性;随后采用滚动窗口验证方案,以2000年至截断年份的数据进行训练,后续年份作为验证集,依次推进以生成一系列样本外预测ADJUSTpredictions。预测准确性通过均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)三个互补指标进行评估。此外,研究人员还运用了误差、趋势、季节性(ETS)时间序列模型进行辅助预测。

## 研究结果

### 线性检验结果

White神经网络线性检验和Tsay非线性检验结果表明,除葡萄牙外,所有国家的环境创新过程均呈现非线性特征。法国的X2统计量为5.412114(显著性水平*),F统计量为4.81769(**);德国的X2统计量为8.922526(**),F统计量为5.510718(**);荷兰的X2统计量高达13.38756(***),F统计量为13.22467(***);西班牙和瑞士亦呈现显著非线性;而葡萄牙两个检验统计量均未达到显著性水平。这些结果为后续采用神经网络模型提供了方法论依据。

### 神经网络预测性能

国家特异性神经网络模型的预测误差率存在显著差异,范围从法国的0.034到西班牙的0.164。法国实现最低误差率,表明三项政策输入能够有效捕捉该国创新模式的主要规律,预测显示2026年前环境创新持续正增长。德国误差率为0.092,提示政策工具与创新之间的关系更为复杂或存在更大测量噪声。荷兰和瑞士呈混合权重符号模式,误差率分别为0.086和0.120,预测均为正向。西班牙误差率最高(0.164),训练迭代次数最少(83次),可能反映关系的不稳定性或政策变量未能捕捉的特异性变异。值得关注的是,葡萄牙是唯一预测环境创新下降的国家,误差率为0.151,这可能反映潜在的政策实施差距或结构性特征。英国则显示出强劲正向预测和低误差(0.079)。

### 部分线性神经网络分析

PLNN模型整体预测性能显示RMSE为1026.02,MAE为593.43,R2约为0.06,解释约6%的样本方差。RMSE与MAE之间的显著差异表明模型存在少量大幅预测误差,主要集中在创新值最高的国家。

**线性系数估计结果**显示:政策严格度(leinv)的非标准化系数约为0.655,意味着政策严格度指数每增加一个单位,(1+创新)增加约exp(0.655)?1≈92.5%;环境税收(ltax)非标准化系数为0.648,对应约91%的增长;研发预算分配(lbbd)非标准化系数为0.065,对应约6.7%的增长。需特别注意的是,这些大效应量部分反映了政策变量的测量尺度——严格度和税收指数的一单位变化代表实质性政策转变,而非边际调整。

**系统性预测偏差模式**揭示:德国、法国和英国存在严重的预测不足(underprediction)。德国观测均值创新为2854,预测均值仅315,负偏差达?2539;法国和英国亦呈现类似模式。这种向全局均值的收缩是池化正则化估计量在存在异常值和小样本时的预期特性,表明这三个经济体拥有超越三项政策工具的创新驱动因素,如 accumulated knowledge stocks(知识存量积累)、强大的产业-研究联系、高私人研发投入和有利的制度条件。相反,葡萄牙、荷兰、西班牙和瑞士的观测创新均值较小,预测偏差也相应较小,模型对其创新水平预测更为准确。

## 讨论分析

研究人员从四个维度深入讨论了研究发现。第一,三种政策工具均与环境创新存在正相关,其中政策严格度和环境税收的关联最强,这与波特假说(强版本)的预测以及诱导创新理论对价格机制的重视相一致,但必须强调这些是关联而非因果效应,可能反映的是创新国家选择更严格政策的选择效应。第二,德国、法国和英国的显著预测不足揭示,简单效仿这些国家的政策水平未必能复制其创新成果, because supporting institutional and industrial context(支持性制度与产业背景)不可或缺。第三,葡萄牙的负面预测尽管政策变量水平与其他国家相似,指向潜在的实施差距或结构性障碍——共同的线性系数本可预测正向创新,但国家特异性网络中的非线性模式或交互作用导致了负面预测,这可能源于较弱的政策执行制度能力、不同的产业结构或较低的吸收能力。第四,研发预算相对较弱的关联(6.7%对比超过90%)需结合变量尺度理解,但 also suggests that direct funding may be less potent than price-based or regulatory mechanisms in stimulating innovation(直接资助在刺激创新方面可能不如基于价格或监管的机制有力),这与创新系统文献强调需求侧政策重要性的观点一致。

进一步地,研究人员将研究发现与更广泛的欧洲趋势相联系。欧洲生态创新指数(Eco-Innovation Index)显示2014至2019年生态创新稳步增长,政府能源研发支出2019年增长3%、2022年增长10%,大量资金投向低碳nostalgic低碳能源 initiatives。欧洲绿色协议(European Green Deal)等严格环境政策设定雄心勃勃的减排目标,为创新创造有利环境;环境税收则通过提高污染成本激励企业采用更清洁技术。尽管葡萄牙排名较低但已取得显著改善,其较慢的进步 pace 或可解释分析中的较低预测,但也凸显了随着政策和投资持续演进的增长 potential。

## 研究结论与政策意涵

研究得出以下核心结论:其一,PLNN揭示三种政策工具均与环境创新存在正相关,政策严格度(约92%的1+创新增长)和环境税收(约91%)关联最强,研发预算分配关联较为 modest(约6.7%),但这些幅度 specialty 反映变量尺度,不应视为精确效应量。其二,标准神经网络的国家层面预测显示除葡萄牙外所有国家2026年前环境创新呈正向轨迹,然而这些预测基于小样个国家特异性网络(每国约22个观测值),因过度拟合可能夸大预测准确性;池化PLNN提供更稳定估计,但对德国、法国和英国存在系统性预测不足。其三,跨国异质性表明政策工具与创新的关系具有情境依赖性,相同政策配置在不同制度情境下产生差异显著的创新 outcome,凸显了国家创新系统、制度能力和历史技术轨迹的中介作用。

基于上述发现,研究人员提出以下政策方向建议:政策严格度与创新的正向关联与精心设计的环境法规可能创造有利创新条件的可能性一致,政策制定者需知此类政策与更强创新表现相关联但未被证明具有因果性;环境税收的强 association 表明基于价格的机制可能在创新模式中发挥作用,税收通过增加污染活动成本创造企业开发和采用清洁技术的持续激励,但其有效性取决于税率、覆盖范围、豁免安排以及清洁技术替代品的可获得性;研发预算分配的较为 modest 关联提示公共资金 alone 可能不足以产生创新成果,研发补贴可能与创造 resulting innovations 需求的监管或税收措施结合最为有效,这与强调政策工具互补性的政策组合文献相一致。

## 方法论局限性与未来方向

研究人员明确承认以下局限性:研究发现不证明环境政策导致创新,观测关联可能反映反向因果、遗漏变量偏差或虚假相关;模型预测以历史模式为条件的投影,而非未来政策变化的效应预测;低R2表明三项政策工具仅解释创新方差的 small portion;相同的标准误差反映小样本下的统一正则化处理,传统显著性检验不适用。未来研究应采用工具变量、双重差分和断点回归等设计以实现因果识别,并扩展样本量、延长 time span 或采用企业层面和区域层面数据以增强估计可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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