资源型企业绿色创新效率提升路径研究

【摘要】本文基于2013 ～ 2022年沪深A股资源型企业样本数据， 采用动态QCA方法， 从时间效应和行业效应两方面检验政府研发补助、 市场竞争、 组织冗余、 绿色发展、 数字化转型和研发人员投入这六个条件对资源型企业绿色创新效率的影响。研究发现： 单个因素并非构成企业实现高绿色创新效率的必要条件， 但是数字化转型的必要性已呈现上升趋势； 资源型企业实现高绿色创新效率存在三种组态， 即政府补助和数字技术驱动型、 政府补助和绿色发展驱动型、 多要素混合驱动型。进一步分析发现： 从时间效应看， 多要素混合驱动型在2013年、 2015年、 2018年和2022年一致性系数较低；从行业效应看， 三种组态在石油和天然气开采， 有色金属矿采选， 黑色金属冶炼和压延加工以及电力、 热力生产和供应这四个资源型行业中的解释力度均出现较高的一致性， 而在非金属矿物制品行业中的一致性系数相对偏低。

【关键词】绿色创新效率；数字化转型；时间效应；行业效应；动态QCA

【中图分类号】 F273.1 " " 【文献标识码】A " " "【文章编号】1004-0994（2024）22-0109-8

一、 引言

2023年9月， “新质生产力”一词被首次提出。随后， 习近平总书记在二十届中央政治局第十一次集体学习时指出， “绿色发展是高质量发展的底色， 新质生产力本身就是绿色生产力”。2024年4月17日， “2024中国环境技术大会”提出， 要通过完善绿色技术创新体系等六大路径发展“绿色新质生产力”。在这一背景下， 推进创新发展、 绿色发展已成为时代所需。绿色创新作为国家、 产业、 企业各个层面实现高质量发展的重要手段， 涵盖了产品设计、 生产和加工， 以及管理理念、 商业模式等方面的深层次变革（马媛等，2016）。经济合作与发展组织（OECD）强调， 绿色创新的目标是追求环境效率， 即提高资源分配效率， 减少对自然环境的损害， 并实现绿色发展。资源型企业的绿色创新， 因创新基础薄弱、 能源利用率低、 信息传导滞后等因素而受到严重制约（王锋正等，2022）。如何优化绿色创新过程以提高资源利用效率， 实现经济效益与生态效益的和谐共生， 已成为资源型企业亟待解决的问题。

梳理现有文献， 笔者发现目前对于绿色创新效率的研究尚有不足。已有研究大多是针对绿色创新效率作用机制的探讨或是对单一变量的净效应进行分析， 并且大多使用静态截面数据， 忽视了时间效应和个体（集群）效应下绿色创新效率的差异和变化。但是绿色创新是多个前因条件复杂作用的结果， 各前因条件对绿色创新水平的影响存在非对称性（吴建祖和范会玲，2021）， 且绿色创新是一个连续的过程， 需要考量时间维度上的演化轨迹。传统分析方法往往未能充分考虑因果关系的动态变化， 而组态理论和定性比较分析方法恰好适用于多重轨迹决定结果的复杂动态因果关系分析（杜运周等，2021）。此外， 既有研究集中在企业层面， 而QCA方法研究的对象可以是国家、 行业、 组织、 团队、 个体等（杜运周和贾良定，2017）。

根据上述分析， 本文聚焦2013 ～ 2022年沪深A股资源型企业， 采用动态QCA方法分析资源型企业绿色创新效率提升的多元路径。相较于既有研究， 本文可能存在的贡献如下： 第一， 区别于单一因素对资源型企业绿色创新效率的影响， 本文考虑多因素共同作用驱动资源型企业绿色创新效率提升的协同路径， 以弥补现有研究的不足； 第二， 分析各组态路径对于不同资源型行业的影响， 以探寻不同组态对资源型行业提升绿色创新效率是否具有不同效果； 第三， 弥补静态截面数据的不足， 采取动态QCA分析方法， 从时间和行业两个维度上动态分析资源型企业绿色创新效率变化及差异。

二、 文献综述

绿色创新作为紧跟时代变迁的创新活动， 注重环境保护和资源节约， 从而推动经济社会的可持续发展。通过加快绿色创新和绿色技术推广应用， 可以为新质生产力提供“蓄能站”（郭媛媛和刘丹，2024）。企业可以开发出更加环保、 高效的产品和生产工艺， 降低生产成本， 提高市场竞争力。同时， 绿色创新也推动了新质生产力在环保领域的创新和发展， 进一步提升了新质生产力的水平和质量。绿色创新效率是一个综合性评估指标， 通过考量创新的经济效益和环境效益， 全面捕捉创新发展的有效性（Zhao等，2021）。它不仅关注创新成果本身的“绿色”属性， 而且注重这些成果在实际应用过程中所带来的经济效益与环境效益之间的平衡关系。

1. 政府研发补助。政府研发补助是企业满足一定条件后， 政府主动给予的无偿资金支持。它可有效降低企业开展研发创新活动可能面临的成本和风险， 提高企业开展研发创新的积极性， 对创新产出具有正向影响（Czarnitzki和Licht，2006）。但是也有学者认为， 企业对于创新的需求会因为获得政府补助而发生变化， 在创新价格不变的情况下， 企业反而会减少创新投入， 政府补助对于企业创新可能产生抑制作用（Clausen，2009）。还有学者认为， 政府补助的作用会依据不同情况产生不同效果， 即政府补助规模与企业创新能力呈U型关系， 只有当政府补助超过适度值后， 才能真正提高企业创新能力（施建军和栗晓云，2021）。

2. 市场竞争。企业绿色创新作为“双碳”目标推进过程中的新产物， 其市场竞争远远达不到过度竞争状态（郑志强等，2023）。这意味着， 在绿色创新初期， 适度的市场竞争实际上能够激发企业的创新活力。企业为了争夺市场份额和客户资源， 不得不提升自身的创新能力， 进而提升创新绩效（Song和Wang，2018）。然而， 随着市场的不断发展和竞争的逐渐加剧， 一些企业可能会因为市场集中度的提高而逐渐形成强垄断势力， 从而产生创新抑制效应（唐要家等，2022）。这是因为， 在垄断状态下这些企业可能会因为缺乏竞争压力而减少对创新的投入， 甚至可能利用自身的市场地位来抑制其他企业的创新活动。

3. 组织冗余。组织冗余是指组织中存在超出经营所必需的资源， 包括财务冗余、 人力资源冗余、 物质资源冗余和能力冗余等。这些冗余资源的存在并不一定意味着浪费， 反而可能提升企业的灵活性及其应对市场变化的能力， 从而对企业的创新活动产生影响。组织冗余可能为绿色创新提供必要的资源储备， 允许企业在面临不确定性和风险时， 有余力投入到绿色技术研发、 绿色产品设计和绿色流程改造等方面， 从而提升绿色创新效率（Duque-grisales和Aguilera-caracuel，2021）。然而， 组织冗余对绿色创新的正向作用并不总是显著的。这是因为绿色创新强调减少能源消耗和污染排放， 需要更多的投入、 更长的时间才能获得回报， 因此管理层缺乏充分利用资源的动力， 从而可能对绿色创新活动产生消极影响（Liao和Long，2018）。

4. 绿色发展。作为衡量企业可持续发展能力和长期价值的重要理念和实践方式， ESG表现越来越受重视， 它体现了经济、 环境、 社会“三位一体”的可持续发展理念。高水平的ESG表现往往体现了企业对可持续发展和环境保护的重视。这种战略导向会促使企业在研发投入、 人才培养、 技术创新等方面优先考虑绿色元素， 从而有利于提升绿色创新效率。ESG表现也是提升企业声誉的重要驱动力， 较好的企业声誉和形象可以有效降低企业的融资门槛， 从而促使企业为绿色创新投入更多资金（He等，2022）。此外， ESG存在一定的溢出效应， 会在同行业中释放绿色信号， 促进同行业企业绿色创新（Li等，2023）。在所有类型的企业中， ESG评级更能促进重污染行业绿色创新水平提升（赵沁娜和李航，2024）。

5. 数字化转型。资源型企业通常面临着资源过度依赖、 技术水平落后及创新基础薄弱等挑战。这些特征迫使它们必须迅速适应新环境， 以获取对其生存和发展至关重要的外部创新资源（王锋正等，2022）。在数字化环境的推动下， 资源型企业可以利用大数据、 云计算和物联网等数字技术， 实现资源的精确管理和高效利用， 并且能够获取大量的外部信息与知识， 从而增加其对绿色技术创新的知识储备（张龙鹏和汤志伟，2018）。数字化转型不仅提升了企业的业务灵活性和操作效率， 还能促进企业开展创新活动。同时， 它也有助于促进企业内外部信息的交流与整合， 优化创新技术资源， 并鼓励企业进行联合创新（宋德勇等，2022）。

6. 研发人员投入。内生增长理论强调研发投入与知识存量对创新的基础性支撑作用， 创新价值链理论强调技能、 资本等在价值创造过程中的重要性（Roper等，2008）。在绿色创新领域， 研发部门的人力资本发挥着至关重要的作用， 其通过节能型技术开发或绿色产品的研制（任耀等，2014）， 不仅为企业带来了显著的经济效益和环保效益， 而且推动了整个行业的绿色转型和升级。当进行产品创新时， 不同领域的研发人员通过知识共享和资源整合， 实现高效学习与多样化知识的获取， 形成一个具有功能性的整体（汤超颖和董品华，2020；Schmickl和Kieser，2007）， 从而提升绿色创新效率和质量。

综上， 本文选取政府研发补助、 市场竞争、 组织冗余、 绿色发展、 数字化转型和研发人员投入等六个前因变量， 构建资源型企业提高绿色创新效率的研究框架， 具体如图1所示。

三、 研究设计

1. "研究方法介绍。在2016年， Garcia-castro和Ariño开创了面板数据定性比较分析方法（Panel Data QCA，简称“PD-QCA”）。此方法对传统的QCA框架进行了扩展， 引入了三种一致性类型， 即汇总一致性（POCONS）、 组间一致性（BECONS）和组内一致性（WICONS）， 并进一步介绍了组间一致性距离和组内一致性距离的概念。其中： 汇总一致性描述了忽略时间与个体（集群）效应时样本的整体一致性； 组间一致性反映了面板数据中各年度的横截面一致性； 组内一致性则评估了每个案例在时间序列中的一致性。组内和组间一致性的距离越小， 表明解的跨时间与跨案例的稳定性越强。为了提高时点数量和个案数量的稳健性， 又引出了调整后的组内一致性距离（WICONS adjusted distance）和调整后的组间一致性距离（BECONS adjusted distance）。若这两个调整后的距离都接近于零， 则表明其提供了一种准确的整体一致性度量方法。

与非动态QCA方法相比， 基于面板数据的动态QCA方法能够在理论构建阶段分析某条件组态的有效性如何随时间变化而变化。此方法通过使用汇总一致性和汇总覆盖度两个指标， 不仅量化了时间效应和个体（集群）效应， 还能评估不同条件组态在整体上的有效性， 从而构建一个能同时反映总体规律和细节差异的动态理论框架。

2. 样本数据来源。本文以2013 ～ 2022年沪深A股资源型上市企业为研究对象。依据资源型企业的定义并参照《国民经济行业分类》， 本文所涉及的资源型企业具体类别包括B06、 B07、 B08、 B09、 B10、 C25、 C26、 C30、 C31、 C32、 C33、 D44。对企业样本进行如下筛选： 剔除样本期内财务状况异常的企业； 考虑到因果关系之间的影响具有一定时滞性， 剔除 2011 年以后上市的企业； 剔除数据缺失严重的企业。相关数据主要来源于CSMAR、 上市公司年报等。为后续深入分析各类资源型行业绿色创新效率的时间效应和个体效应， 本文将所收集到的数据整理形成行业层面的面板数据， 最终得到110条数据（注：B10行业的所属企业上市时间最早在2017年，故未包含在内）。

3. 变量测量与校准。

（1） 结果变量。选取绿色创新效率（GIE）作为结果变量。基于权小锋和尹洪英（2017）的思路， 使用绿色创新产出和创新投入的比值衡量绿色创新效率。参考刘畅等（2023）的衡量思路， 使用公司年度研发投入金额对绿色创新投入进行近似替代。鉴于绿色创新主要是指企业绿色技术创新（余伟和郭小艺，2024）， 发明专利和实用新型专利相较于外观设计更能客观描述企业的创新情况， 因此本研究将企业在当年独立及联合申请的绿色发明专利和绿色实用新型专利的总数加1后取自然对数， 以此作为衡量绿色创新产出的指标。

（2） 条件变量。依据前文对于影响资源型企业绿色创新效率的因素分析， 本文共选取6个前因变量， 分别进行解释说明（见表1）。①政府研发补助（ZF）， 为了避免企业规模造成的差异， 本文借鉴王羲等（2022）的做法， 将政府补助金额取自然对数作为衡量政府给予企业研发补助的指标。②市场竞争（SC）， 目前主要采用赫芬达尔指数和勒纳指数衡量市场竞争。本研究聚焦于微观企业， 因此选择勒纳指数作为市场竞争的代理变量， 此指数能更有效地评估企业在其所属行业中的竞争力。③组织冗余（ZZ）， 参照吴建祖和范会玲（2021）的研究成果， 选取更能反映企业短期偿债能力的“速动比率”指标进行测量。④绿色发展（FZ）， 借鉴方先明和胡丁（2023）的做法， 采用华证指数ESG评级来衡量企业绿色发展水平， ESG评级包括AAA、 AA、 A、 BBB、 BB、 B、 CCC、 CC、 C共九个等级， 从高到低依次赋值为 9 ～ 1， 加权得到最后分数。⑤数字化转型（SZ）， 借鉴赵宸宇等（2021）的方法， 用公司年报中包含数字化关键词汇的词频数加1取自然对数刻画企业数字化转型表现。⑥研发人员投入（RY）， 以研发人员占比（研发人员数量/员工总人数）衡量企业对绿色创新的技术人才投入。

（3） 变量校准。在进行数据分析前， 本文需要将数据统一调整并转换为相应的模糊隶属度， 这一步骤是便于后续对组内、 组间以及整体的一致性和覆盖度进行分析。参考已有研究使用直接校准法， 选定75%分位数、 50%分位数和25%分位数作为校准的基准点， 这些分位数分别代表完全隶属、 交叉点和完全不隶属（张吉昌等，2024）。详细的数据校准结果在表 2中展示。

四、 实证分析

1. 必要条件分析。必要条件分析是指检验单个前因变量是否为结果变量存在的必要条件（裴秋亚和范黎波，2022）。基于截面数据的定性比较分析中， 一致性系数大于0.9是判断必要条件存在的通用标准， 这一标准在基于面板数据的定性比较分析中同样适用。不同的是， 动态定性比较分析法在检验必要条件时引入调整距离这一概念， 分为组间一致性调整距离与组内一致性调整距离， 以检验是否存在时间和行业差异。参考Fan等（2023）的研究， 将一致性调整距离判定标准设置为0.2， 当距离小于0.2时则表明汇总一致性和覆盖度的精度较高， 否则需要进一步探究时间和个体（集群）的影响。分析结果如表3所示， 六个条件变量汇总一致性系数均低于0.9， 故不存在高绿色创新效率与非高绿色创新效率的必要条件。然而， 六个条件变量组间一致性调整距离与组内一致性调整距离均存在大于0.2的情况， 需要进一步分析。

本文研究目的在于探究高绿色创新效率路径， 因此主要分析“高条件—高结果”的情况。由表3可知， 组织冗余（ZZ）、 绿色发展（FZ）、 数字化转型（SZ）、 研发人员投入（RY）与绿色创新效率之间的组间一致性调整距离均大于0.2， 需要深入研究相应变量的组间一致性与组间覆盖度。由表4可知： 组织冗余和研发人员投入这两个变量各年份的组间一致性水平均小于0.9， 故不存在必要关系； 绿色发展变量在2013年的组间一致性水平高于0.9， 但组间覆盖度低于0.5， 也未构成必要条件； 2020年数字化转型变量的组间一致性水平超过0.9且组间覆盖度超过0.5， 然而， 通过分析散点图（见图2）， 可观察到数据点主要集中在y轴的右侧， 说明该变量没有通过必要条件的检验（张放，2023）。值得注意的是， 虽然这一变量未成为结果变量存在的必要条件， 但其一致性明确显示了时间效应的影响。

总体来看， 六个条件变量与结果变量之间的组内一致性调整距离大于组间一致性调整距离， 表明条件变量和结果变量间的必要条件关系更多地受到行业效应的影响。对此可能的原因是各资源类行业之间在市场竞争、 数字化转型等方面存在显著差异， 在高绿色创新效率的实现过程中， 各变量的作用程度不同， 导致组内一致性调整距离较大。据此可以初步判断， 在高绿色创新效率的实现过程中， 各条件变量的影响存在行业差异。

2. 条件组态充分性分析。组态分析的判断标准是一致性水平不得低于0.75（Schneider和Wagemann，2012）。根据案例频数至少保留75%案例的原则（杜运周和贾良定，2017）， 选择一致性水平阈值为0.8、 PRI为0.7、 频数为2， 构建真值表。由于各变量对绿色创新效率的影响没有统一定论， 在进行反事实分析时将各前因条件设置为“存在或缺席”。本文基于中间解提取简单解， 并以中间解为主、 简单解为辅的原则， 确定核心条件和边缘条件， 得到最终的组态分析结果如表 5所示。

3. 结果与讨论。

（1） 组态分析。根据表5可知， 三种组态的总体一致性为0.889， 说明在满足这三种组态的案例中， 约有89%的行业实现了高绿色创新效率。总体覆盖度为0.658， 说明这三种组态结果可以解释65.8%资源型行业的高绿色创新效率案例。笔者依据各组态发挥核心作用的条件不同， 分别进行命名和具体分析。

组态一（S1）： 政府补助和数字技术驱动型。在该类组态下， 政府研发补助和企业数字化转型发挥核心作用， 提高绿色创新效率， 代表行业为黑色金属冶炼和压延加工业C31（2016 ～ 2017年、2019 ～ 2022年）。以宝钢股份为例， 宝钢股份是全球领先的现代化钢铁联合企业， 是世界500强中国宝武钢铁集团有限公司的核心企业。自2016年起， 宝钢股份接受的政府研发补助累计超过四十亿元。其中， 2017年比2016年增长近60%， 并在疫情后保持了超20%的增长速度。同时， 宝钢股份每年投入约10亿元用于数字化转型， 连续推出多个智能工厂示范项目， 如热轧“1+n”产线、 冷轧“黑灯工厂”、 第四智慧工厂等。2022年初， 宝钢股份还推出了智慧铁水管理系统和智慧铁水运输系统， 每年减少二氧化碳排放约4000吨。2022年6月， 宝钢股份自行开发的碳管理系统投入使用， 并在同年10月推出三款减碳超过50%的汽车零件。从2016年到2022年， 宝钢股份的绿色创新效率维持在20%左右， 位于同行业前列。

组态二（S2）： 政府补助和绿色发展驱动型。在该类组态下， 政府研发补助和绿色发展发挥核心作用， 市场竞争发挥辅助作用， 代表行业为石油和天然气开采业B07（2013年、2015 ～ 2022年）， 所包含的案例企业包括中国石油和中国石化， 均位于北京市。在2013 ～ 2022年间， 该行业因其在国家能源安全和经济发展中发挥关键作用， 所获得的政府研发补助共计365亿1100万元， 远远高于其他行业。2020年11月， 《中国石油和化工行业上市公司ESG评价指南》正式发布， 成为我国首个上市公司ESG评价标准。同年12月， 中国石化产业ESG高峰论坛在北京成功举办， 论坛上发布了中国石油和化工行业上市公司ESG评级榜单TOP50， 中国石化和中国石油在石油行业中分别位居第一、 第二。2021年， ESG 500强石油石化行业榜单发布， 中国石化凭借其卓越的ESG表现荣登榜首。自2018年实行“绿色企业”计划以来， 中国石化共有113家企业完成绿色企业创建， 绿色企业创建比例达85%。在降碳方面， 中国石化将力争在2028年打造600个碳中和示范项目， 确保碳履约率达到100%。

组态三（S3）： 多要素混合驱动型。在该类组态下， 市场竞争、 数字化转型和研发人员投入发挥核心作用， 组织冗余和绿色发展发挥辅助作用， 代表行业为非金属矿物制品业C30（2018 ～ 2022年）。作为水泥行业的龙头企业， 海螺集团是全球最大的水泥建材企业集团之一， 也是安徽省率先实施数字化转型的制造业企业之一。到2022年， 海螺水泥的创新效率与2018年相比提升了19.31%。海螺水泥自2016年便开始推进智能化工厂的建设。2020年， 公司与华为云合作， 开发了IoT集控平台， 实现了数据驱动的业务操作， 并将绿色智能制造深入到工业流程的每个环节。在研发人员投入方面， 以2019年为例， 公司员工总数达到47486人， 其中技术人员共计10534人， 占比高达22.2%， 这一比例意味着每五个员工中就有一位是技术人员。此外， 在高层管理团队中， 16名高管中有5名拥有技术背景。根据2021年度“中联上市公司价值百强”榜单， 海螺水泥在研发人员超过1万人的上市公司中（共计5个）排名第四。近年来， 水泥行业面临成本上升和市场需求下降的困境， 海螺水泥通过多元化战略积极应对。2021年底， 海螺水泥已建设19个光伏发电项目， 年累计发电量达1.64亿千瓦时， 同比增长326%， 这相当于节约了2.02万吨标准煤和减少了14.38万吨二氧化碳排放。2022年3月9日， 海螺水泥宣布了新能源业务的投资计划， 拟投资50亿元用于发展光伏电站和储能项目， 以加大对新能源产业的投入。

（2） 组间分析。研究结果显示， S1和S2的组间一致性系数在0.75 ～ 1之间浮动， 组间一致性调整距离小于0.2， 不存在明显的时间效应。S3的组间一致性系数在2013年、 2015年、 2018年和2022年这四年低于0.75， 组间一致性调整距离大于0.2， 说明受到了时间效应的影响。

绘制三种组态的组间一致性系数变化趋势（见图3）发现： 2013年， S1组间一致性系数最高； 2014年， S3组间一致性系数最高； 2015 ～ 2018年， S1组间一致性系数最高； 2019 ～ 2020年， 三种组态的组间一致性系数相同并且达到了1； 2021 ～ 2022年， S1的组间一致性系数最高。由此可见， S1的解释力度大于其他组态， 政府研发补助支持和企业自身对数字化转型的重视对于资源型企业提高绿色创新效率具有显著影响。另外， S3出现的几次低位表现随机分布在不同年份， 这可能是由特定情况、 不重要的离群值或测量误差引起的相对良性的偏差（Garcia-castro和Ariño，2016）。本文认为原因可能如下： 其一， 根据前文的散点图可知， 2013年是数字化转型的起步阶段， 该因素的影响力还未完全显现， 因此解释力度还不是很大； 其二， 2015年受股灾影响， 上市企业的市值大幅缩水、 股价暴跌， 企业的融资能力受到严重影响， 企业的债务负担变得更加沉重， 还款压力加大， 这使得企业在开展绿色创新时更加谨慎， 从而限制了绿色创新的发展； 其三， 2018年受国际环境影响， 我国多项关键核心技术受到限制， 一些资源型企业可能会将生产和销售转移到国内， 从而导致国内市场的供给过剩和过度竞争， 压缩企业的利润空间， 进而影响到企业对绿色创新的投入； 其四， 2022年由于疫情给企业带来资金短缺、 研发受限、 供应链中断、 原材料短缺、 市场需求减少、 员工流动性受限和人才短缺等多种不利影响， 限制了企业在绿色创新方面的发展速度。

据此， 资源型企业的绿色创新效率容易受到外部环境影响， 不论是宏观环境还是市场导向都会对资源型企业的绿色创新行为产生不同程度的干预。因此， 如何在复杂多变的环境中保持竞争优势和稳定的创新发展态势也是资源型企业需要关注的问题。

（3） 组内分析。三种组态的组内一致性调整距离均大于0.2， 表明各组态在实现高绿色创新效率时存在行业差别。借鉴已有研究对组内差异的分析思路（Zeng等，2024）， 本文绘制三种组态在不同行业的一致性表现图（见图4）， 发现只有极少行业的组内一致性系数低于最低标准0.75， 属于良性偏差。

通过对数据展开进一步分析， 笔者有如下发现： 其一， S1在B06、 B07、 B08、 B09、 C31和D44行业的组内一致性系数都达到1， 说明S1对这几类行业实现了100%的高绿色创新效率。同理， S2下的B07、 B08、 B09、 C25、 C31和D44行业， S3下的B06、 B07、 B09、 C25、 C31和D44行业， 它们的组内一致性系数也都达到了1。其二， 也存在个别行业解释力度较小的情况。例如， S1下的C25、 C30行业， S2下的C30行业， S3下的B08、 C30行业， 它们的组内一致性系数都偏低， 解释力度较小。根据前文的组态分析可知： C30行业在2018 ～ 2022年间曾作为典型案例出现， 因此造成这一现象的原因可能是该行业在其他年间的数据效果不好影响了最终的结果； B08行业所含企业仅西藏矿业一家， 可能是受地理位置因素或者样本量太少的影响而导致效果不好； C25行业在三种组态中都没有作为代表案例出现， 可能是本文选取的前因变量对该行业绿色创新效率的影响并不显著。

综合来看： 三类组态在B07、 B09、 C31和D44这四个行业中同时实现了较高的组内一致性， 说明得到的三类组态在这些行业中有较大的解释力度； 三类组态在C30行业的一致性系数都相对偏低， 说明得到的组态结果对该行业绿色创新效率解释力度欠佳。可见， 得到的组态结果基本可以解释11类资源型行业实现高绿色创新效率的路径。但是对于不同类别的资源型行业， 三种组态的表现情况有所差异。因此， 资源型行业要想提升绿色创新效率， 不能盲目地效仿其他相似行业的做法， 而应依据本行业实际情况有所选择和侧重。

4. 稳健性检验。为检验组态结果的稳健性， 本文将案例数设为3， 一致性阈值保持0.8， PRI保持0.7， 得到的组态结果与原组态有清晰的子集关系， 说明研究结果具有较强的稳健性， 具体如表 6所示。

五、 小结

1. 研究结论。本文运用动态QCA方法， 以沪深A股资源型企业为研究对象， 探究政府研发补助、 市场竞争、 数字化转型等六个前因变量对资源型企业绿色创新效率的协同效应， 揭示了2013 ～ 2022年间影响资源型企业绿色创新效率提升的核心因素。主要研究结论如下：

第一， 政府研发补助、 市场竞争、 数字化转型等单个因素并非构成企业实现高绿色创新效率的必要条件， 但是数字化转型的必要性逐年递增， 呈现出明显的时间效应。

第二， 在条件组合的充分性分析中， 最终得到三类组态路径。其一为“政府补助和数字技术驱动型”， 特点是以政府研发补助和企业数字化转型为核心条件， 连同其他因素共同促进企业高绿色创新效率实现； 其二为“政府补助和绿色发展驱动型”， 特点是以政府研发补助和企业绿色发展为核心条件， 实现企业高绿色创新效率； 其三是“多要素混合驱动型”， 特点是市场竞争、 数字化转型和研发人员投入同时作为核心条件， 共同联动实现企业高绿色创新效率。

第三， 三类组态在时间效应和个体效应上有不同表现。从时间维度上来说， S3因受特定事件影响在2013年、 2015年、 2018年和2022年出现了较低的一致性系数， 解释力度下降。从个体维度上来说， 三类组态都具有行业效应。其中， 三种组态在B07、 B09、 C31和D44这四个资源型行业中的解释力度均出现较高的一致性， 而在C30行业中的一致性系数相对偏低。

2. 管理启示。依据上述结论， 提出以下管理启示：

第一， 企业应该重视并加大对数字技术的投入， 将数字化和智能化技术融入企业发展的各个环节。具体而言， 企业可以通过建立智能化的生产系统， 实现资源的最大化利用和生产过程的最优化。同时， 企业还应加强员工培训， 确保新技术的有效应用， 并通过数据驱动的决策过程， 实现经营活动的精准调控和持续改进。

第二， 企业应把握政策导向， 重点关注与企业创新相关的补助项目和领域， 积极与政府部门沟通， 了解政策动态和补助申请流程， 争取获得政府更多的支持和指导。同时， 企业也可以参与政府组织的科技项目合作， 通过合作形式获得政府研发补助。

第三， 在面对复杂多变的外部环境时， 资源型企业应更加重视自身独特优势的塑造和利用。企业需要通过持续的技术创新和管理优化， 构建独特的竞争优势。例如， 通过提高资源的利用效率、 优化能源管理系统， 或是开发符合市场需求的绿色产品和技术， 提升企业的灵活性和适应性， 以便能够快速响应市场和环境的变化， 减小不利因素对企业绿色创新的影响。

第四， 各行业应依据本行业的特征选择适合自身发展的路径， 例如石油和天然气行业的绿色创新可能着重于提高能源效率和减少温室气体排放。这可以通过采用先进的钻探和提取技术， 改善燃料的使用方式， 以及开发碳捕获和存储技术来实现。

3. 不足与展望。首先， 本文选择的前因变量有限， 有可能忽略了其他的重要变量， 未来可以丰富变量选择。其次， 本文虽然采用动态QCA方法揭示了组态的时间效应和行业效应， 但没有分析这些条件是如何随时间而变化的， 在不同时间段是否存在不同的主导轨迹。最后， 本文的研究对象为资源型企业， 未来可以扩大研究对象的选择范围， 探寻其他类型企业的绿色创新效率提升路径。

【 主 要 参 考 文 献 】

杜运周，贾良定．组态视角与定性比较分析（QCA）：管理学研究的一条新道路［ J］．管理世界，2017（6）：155 ～ 167．

杜运周，李佳馨，刘秋辰等．复杂动态视角下的组态理论与QCA方法：研究进展与未来方向［ J］．管理世界，2021（3）：180 ～ 197+12 ～ 13．

方先明，胡丁．企业ESG表现与创新——来自A股上市公司的证据［ J］．经济研究，2023（2）：91 ～ 106．

郭媛媛，刘丹．大力发展绿色低碳新质生产力 建设人与自然和谐美丽中国——访全国政协委员、生态环境部环境规划院名誉院长、中国工程院院士王金南［ J］．环境保护，2024（5）：12 ～ 16．

刘畅，潘慧峰，李珮等．数字化转型对制造业企业绿色创新效率的影响和机制研究［ J］．中国软科学，2023（4）：121 ～ 129．

马媛，侯贵生，尹华．企业绿色创新驱动因素研究——基于资源型企业的实证［ J］．科学学与科学技术管理，2016（4）：98 ～ 105．

裴秋亚，范黎波．什么样的制度环境更利于数字经济产业发展？——基于多元制度逻辑的组态分析［ J］．经济与管理研究，2022（10）：38 ～ 52．

权小锋，尹洪英．中国式卖空机制与公司创新——基于融资融券分步扩容的自然实验［ J］．管理世界，2017（1）：128 ～ 144+187 ～ 188．

任耀，牛冲槐，牛彤等．绿色创新效率的理论模型与实证研究［ J］．管理世界，2014（7）：176 ～ 177．

施建军，栗晓云．政府补助与企业创新能力：一个新的实证发现［ J］．经济管理，2021（3）：113 ～ 128．

宋德勇，朱文博，丁海．企业数字化能否促进绿色技术创新？——基于重污染行业上市公司的考察［ J］．财经研究，2022（4）：34 ～ 48．

汤超颖，董品华．研发人员专业异质性与合作稳定性对企业二元创新平衡的影响［ J］．科学学与科学技术管理，2020（3）：47 ～ 62．

唐要家，王钰，唐春晖．数字经济、市场结构与创新绩效［ J］．中国工业经济，2022（10）：62 ～ 80．

王锋正，刘向龙，张蕾等．数字化促进了资源型企业绿色技术创新吗？［ J］．科学学研究，2022（2）：332 ～ 344．

王羲，张强，侯稼晓．研发投入、政府补助对企业创新绩效的影响研究［ J］．统计与信息论坛，2022（2）：108 ～ 116．

吴建祖，范会玲．基于组态视角的企业绿色创新驱动模式研究［ J］．研究与发展管理，2021（4）：41 ～ 53．

余伟，郭小艺．管理者短视对企业绿色创新的影响研究——市场关注的调节作用［ J］．软科学，2024（4）：76 ～ 82．

张放．影响地方政府信息公开的因素——基于省域面板数据的动态QCA分析［ J］．情报杂志，2023（1）：133 ～ 141+207．

张吉昌，龙静，王泽民．什么样的制度环境有利于产生高创业活跃度——基于省域面板数据的动态QCA分析［ J/OL］．科技进步与对策：1 ～ 13［2024-04-25］．http：//kns.cnki.net/kcms/detail/42.1224.G3.20231205.2223.016.html．

张龙鹏，汤志伟．企业信息技术应用对开放式创新的影响：交易成本视角［ J］．科技进步与对策，2018（20）：79 ～ 87．

赵宸宇，王文春，李雪松．数字化转型如何影响企业全要素生产率［ J］．财贸经济，2021（7）：114 ～ 129．

赵沁娜，李航．ESG评级是否促进了企业绿色技术创新——来自中国上市公司的微观证据［ J］．南方经济，2024（2）：116 ～ 135．

郑志强，马永健，范爱军．环境偏好、市场竞争与企业绿色创新［ J］．山东大学学报（哲学社会科学版），2023（4）：125 ～ 136．

Clausen T. H.. Do subsidies have positive impacts on Ramp;D and innovation activities at the firm level？［ J］．Structural Change amp; Economic Dynamics，2009（4）：239 ～ 253．

Czarnitzki D.， Licht G.. Additionality of public Ramp;D grants in a transition economy： The case of eastern germany［ J］．Economics of Transition，2006（1）：101 ～ 131．

Duque-grisales E.， Aguilera-caracuel J.. Environmental， Social and Governance （ESG） scores and financial performance of multilatinas： Moderating effects of geographic international diversification and financial slack［ J］．Journal of Business Ethics，2021（168）：315 ～ 334．

Fan X. N.， Ren S. N.， Liu Y.. The driving factors of green technology innovation efficiency： A study based on the dynamic QCA method［ J］．Sustainability，2023（12）：9845．

Garcia-castro R.， Ariño M. A.. A general approach to panel data set-theoretic research［ J］．Journal of Advances in Management Science amp; Information Systems，2016（2）：63 ～ 76．

He F.， Du H. Y.， Yu B.. Corporate ESG performance and manager mis-conduct： Evidence from China［ J］．International Review of Financial Analysis，2022（82）：102201．

Li J. C.， Lian G. H.， Xu A. T.. How do ESG affect the spillover of green innovation among peer firms？ Mechanism discussion and performance study［ J］．Journal of Business Research，2023（158）：113648．

Liao Z. J.， Long S. Y.. CEOs' regulatory focus， slack resources and firms' environmental innovation［ J］．Corporate Social Responsibility and Environmental Management，2018（5）：981 ～ 990．

Schmickl C.， Kieser A.. How much do specialists have to learn from each other when they jointly develop radical product innovations？［ J］．Research Policy，2007（3）：473 ～ 491．

Schneider C. Q.， Wagemann C.. Set-theoretic methods for the social sciences： A guide to qualitative comparative analysis［M］．Cambridge： Cambridge University Press，2012．

Song M. L.， Wang S. H.. Market competition， green technology progress and comparative advantages in China［ J］．Management Decision，2018（1）：188 ～ 203．

Zeng F. J.， Chen Y. Z.， Wei B.， et al.. Exploring the multiple paths of digital government development： A dynamic QCA analysis basedon organizational transformation［ J］．IEEE Access，2024（12）：18451 ～ 18472．

Zhao N.， Liu X. J.， Pan C. F.， et al.. The performance of green inno-

vation： From an efficiency perspective［ J］．Socio-Economic Planning Sciences，2021（78）：101062．