<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">ASDS</journal-id><journal-title-group><journal-title>Applied Statistics and Data Science</journal-title></journal-title-group><issn>3066-8433</issn><eissn>3066-8441</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/ASDS.2026100009</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>何为企业数字技术产出的创新鸿沟？—— 基于多种可解释模型的比较分析</title><url>https://artdesignp.com/journal/ASDS/2/10/10.61369/ASDS.2026100009</url><author>刘佳仪,陈丽宇,黄颖,程从华</author><pub-date pub-type="publication-year"><year>2026</year></pub-date><volume>2</volume><issue>10</issue><history><date date-type="pub"><published-time>2026-10-20</published-time></date></history><abstract>中国企业数字技术创新产出在数字经济不断推进的大环境下呈现出很明显的&amp;ldquo;零膨胀&amp;rdquo;和&amp;ldquo;长尾&amp;rdquo;双重分布状态，也就是很多企业长期没有专利产出，少数企业却占据了大部分创新成果，公司治理结构在这里面也起到一定作用，本文把这种&amp;ldquo;创新鸿沟&amp;rdquo;拆成&amp;ldquo;门槛鸿沟&amp;rdquo;和&amp;ldquo;差异鸿沟&amp;rdquo;两个前后递进的层次，使用了2000到2024年中国A 股上市公司45848条年度数据，搭了一个四层递进式模型框架，第一层用可解释模型打底，第二层用黑箱集成模型做主分析，第三层用SHAP 做事后解释，第四层用滚动窗口完成动态验证，本文系统考察了线性回归、Lasso、梯度提升、随机森林、XGBoost、LightGBM 这六类模型在样本内外的拟合好坏和误差指标，还通过10折交叉验证确认了结果是否稳健，之后本文结合EBM 分类模型的形函数和SHAP 依赖图，捕捉变量之间的非线性影响和交互效应，最后本文以5年滚动窗口画出2011到2021年变量重要性变化图，结果显示：（1）推动力量已经从&amp;ldquo;政策输血&amp;rdquo;全面转向&amp;ldquo;内部人力造血&amp;rdquo;，政府补助的重要性排名从第2位下降到第14位，研发人员数量则上升到首位；（2）监管层总人数有明显的门槛作用，超过临界点后，它会和研发投入形成正向的&amp;ldquo;放大器&amp;rdquo;协同；（3）机构投资持股比例呈倒U 型，和研发人员数量之间有一个&amp;ldquo;最优配合区间&amp;rdquo;；（4）第一股东持股比例、高管货币激励、两职合一、IT 背景标签这些传统治理变量持续失效。本文的建模框架为处理具有门槛作用和企业之间差异很大的创新数据提供了可以重复使用的方法范例，实证结论也为优化公司治理结构和精准设计科技政策提供了数据驱动的决策参考。</abstract><keywords>数字技术创新,创新鸿沟,可解释模型,多模型比较</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 钟祖昌, 赵芊, 余佩璇, 等. 企业数字化转型的技术创新效应&amp;mdash;&amp;mdash; 基于沪深A 股上市公司的实证分析[J]. 科技管理研究,45(23):144-157,2025.[2] 宁靓, 王培伟. 技术溢出影响企业的技术创新产出吗?&amp;mdash;&amp;mdash;基于数字技术应用与市场竞争的联合调节效应[J]. 技术经济,44(11):110-122,2025.[3] 白福萍, 刘东慧, 董凯云. 数字化转型如何影响企业财务绩效&amp;mdash;&amp;mdash; 基于结构方程的多重中介效应分析[J]. 华东经济管理,36(09):75-87,2022.[4] 丛昊, 张春雨. 数字技术与企业高质量创新[J]. 中南财经政法大学学报,(04):29-40,2022.[5] 肖土盛, 吴雨珊, 亓文韬. 数字化的翅膀能否助力企业高质量发展&amp;mdash;&amp;mdash;来自企业创新的经验证据[J]. 经济管理,44(05):41-62,2022.[6] 温湖炜, 王圣云. 数字技术应用对企业创新的影响研究[J]. 科研管理,2022,43(04):66-74.[7] 谢婼青, 方顺超, 朱平芳. 中小企业数字化转型的鸿沟: 内在机制与弥合路径[J]. 学术月刊,58(02):71-85,2026.[8] 孙晓华, 马雪娇, 孔一杰, 等. 中国制造业的数字鸿沟&amp;mdash;&amp;mdash; &amp;ldquo;接入&amp;mdash;应用&amp;mdash; 转化&amp;rdquo;的分析框架[J]. 管理世界,41(04):38-58,2025.[9] 李柏洲, 李宜函, 曾经纬, 等. 企业如何跨越数字创新中的非连续性鸿沟?&amp;mdash;&amp;mdash;基于博世( 中国) 的案例研究[J]. 科学学研究,42(06):1334-1344,2024.[10] 徐毅, 杜凤龙. 数字金融、数字鸿沟与企业技术创新[J]. 哈尔滨商业大学学报( 社会科学版),(06):60-71,2024.[11] 周阔, 曲植, 曾思棚, 等. 科技金融与关键数字技术突破：来自&amp;ldquo;专精特新&amp;rdquo;企业的证据[J]. 世界经济,48(11):3-32,2025.[12] 谢红军, 齐翔. 数字技术与企业价值&amp;mdash;&amp;mdash; 基于数字并购场景的研究[J]. 管理世界,41(10):146-175,2025.[13] 陶锋, 翟少轩, 王峤. 数字经济政策与传统企业跨界数字创新[J]. 中国工业经济,(02):118-136,2025.[14] 沈坤荣, 林剑威. 链&amp;ldquo;岛&amp;rdquo;成&amp;ldquo;陆&amp;rdquo;：公共数据开放的技术创新效应研究[J]. 管理世界,41(02):83-104,2025.[15][15] 杨鹏, 尹志锋, 孙宝文, 等. 数字技术应用与企业合作创新[J]. 经济管理,47(01):108-127,2025.[16] 吴学福, 刘振球, 吴明山, 等. 零膨胀计数资料几种模型方法的比较研究[J]. 中国卫生统计,2020,37(3):331-334.[17]James W M ,Chandan S ,Karl K , et al. Definitions, methods, and applications in interpretable machine learning.[J].Proceedings of the National Academy of Sciences of theUnited States of America,2019,116(44):22071-22080.[18] 石井 一夫. 5 分で分かる!? 有名論文ナナメ読み：Marco T. Ribeiro et al.：&amp;ldquo; Why Should I Trust You?&amp;rdquo;：Explaining the Predictions of Any Classifier[J]. 情報処理,2021,62(10):568-570.[19]Sinha K R . Book review: Christoph Molnar. 2020. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable[J].Metamorphosis,2024,23(1):92-93.[20]Robert T . Regression Shrinkage and Selection Via the Lasso[J].Journal of the Royal Statistical Society: Series B (Methodological),2018,58(1):267-288.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
