CEO特征與企業新質生產力

[中圖分類號]F272.91;F273.1[文獻標志碼]A[文章編號]1672-4917（2025）04-0028-15

[作者簡介]王宏利（1974—），男，吉林長春人，財政部研究員;申納川（1998—），男，湖北武漢人，財政部碩士研究生。

一、引言

新質生產力，是創新起主導作用，擺脫傳統經濟增長方式、生產力發展路徑，具有高科技、高效能、高質量特征，符合新發展理念的先進生產力質態[-2]。作為市場經濟的基本單元，企業不僅是新質生產力的直接載體和實踐者，也是創新驅動發展的核心動力源泉。因此，企業新質生產力是新質生產力在微觀層面的具體體現，新質生產力的復雜特征決定了其構建和發展的難度，在這一過程中，企業需要擺脫傳統的生產力發展模式，積極擁抱高科技、高效能、高質量的生產力質態，以適應新時代的發展需求。這要求企業不僅要具備前瞻性的戰略眼光，還需要在技術研發、人才培養和組織創新方面持續發力，以確保在激烈的市場競爭中保持領先地位。CEO作為企業的最高管理者，在推動企業新質生產力發展中發揮著關鍵作用，CEO不僅負責制定企業的戰略方向，還在企業的日常運營和長遠發展中起到統領和協調的作用。高階理論認為，管理者的認知結構反映了其對決策產出以及不同決策優劣順序的偏好，決定其對某一特定戰略方案的采納或舍棄，面對超出其分析能力之外的復雜情況，其把對企業內外部環境的理解與自身價值觀相結合，共同構成了企業戰略選擇的基礎[3-4]。CEO 的決策直接影響企業的創新方向和資源配置，從而決定企業新質生產力的發展水平。同時，CEO的個人特征，如領導力、風險承受能力、創新意識和變革管理能力，對企業文化和價值觀的塑造有著深遠影響。因此，這些特征不僅影響企業內部的管理效率和創新氛圍，也決定企業能否在新質生產力的構建中取得成功[5]。識別和培養具備這些關鍵特征的CEO，對于提升企業新質生產力水平，推動企業實現可持續發展，具有重要的理論意義和現實價值。

傳統的企業實證研究多集中于解釋性模型，旨在推斷變量之間的因果關系。然而，隨著經濟環境的動態變化和企業治理結構的復雜性增強，簡單的線性擬合模型難以準確捕捉高管特征與企業新質生產力水平之間的復雜非線性關系及其交互作用。預測性模型，尤其是機器學習方法，以其在處理復雜數據關系中的優勢，為此類研究提供了更為有效的工具。因此，本研究采用機器學習集成算法，基于 2009—2022年中國A 股上市公司的數據，構建預測模型，分析多維CEO個人特征對企業新質生產力水平的預測效果。

與現有研究相比，本文可能的邊際貢獻包括：（1）有多方面因素對企業新質生產力產生影響，目前已有的研究大多為定性研究，本文通過實證方法，從企業高管視角，考察了CEO特征對企業新質生產力的影響，揭示了CEO特征對企業新質生產力影響的途徑。（2）構建了CEO 特征與新質生產力之間的理論研究模型，對過去實踐中客觀存在的事實進行了總結，研究結論也對影響機制進行了驗證。（3）通過異質性分析，從新質生產力的三個維度比較了不同CEO特征對新質生產力變化的影響路徑差異，為企業進行高管任用、高管針對性提升自身能力提供了實證依據。

二、文獻綜述

（一）企業新質生產力與CEO個人特征

新質生產力的“新”，體現在新型勞動者、新型勞動資料和新型勞動對象等多個維度[6。勞動者是生產力中最活躍的要素，在新質生產力體系中，一般員工、研發人員和管理人才各有其作用：一般員工需掌握專業技能并適應智能化環境;研發人員負責將前沿技術轉化為生產力；管理人才則著力推動資源整合與管理創新，確保技術與生產的深度融合。勞動資料是區分生產力形態的重要標志，高科技含量的生產工具是發展新質生產力的關鍵。隨著科技進步，生產工具從機械設備演化為自動化、信息化和智能化系統，不僅提升了生產效率和資源利用率，還確保了生產過程的環保性與可持續性。新質生產力通過勞動資料的革新推動生產方式轉型，實現了生產力質的飛躍。勞動對象是新質生產力的物質基礎，已從傳統自然資源和原材料拓展至新能源、新材料等物質對象，以及數據、信息等非物質對象。新能源和新材料以低碳、環保為特點，降低了對傳統能源的依賴，促進經濟可持續發展;數據和信息則成為關鍵的數字資源，通過大數據、云計算和人工智能等技術優化生產流程，提升資源利用率，實現數字創新與產業升級。物質與非物質勞動對象的融合，標志著新質生產力的全面提升，推動企業在綠色和數字經濟中的轉型。

企業作為經濟活動的基本單元，承擔著推動新質生產力發展的重要責任。企業通過引進和整合新興技術，提升資源配置的效率，實現技術與生產的深度結合，可以有效推動生產力的質變與飛躍。企業的新質生產力發展是宏觀新質生產力在微觀層面的集中體現，既推動著產業升級，也成為我國經濟高質量發展和創新驅動發展的關鍵力量[7-8]。現有研究發現，從外在環境而言，政府數字化治理[9]和數字普惠金融發展[10]均能顯著促進企業新質生產力水平提升;而在企業內部治理結構上，企業ESG 發展水平[\"]、數字化轉型水平[12-13]也對企業新質生產力水平提升起到促進作用。高階理論認為高層管理者的個人特質和經驗對其決策有顯著影響，這些決策反過來又影響組織的戰略與績效[14]。高管人員的特質通過影響企業的決策風格、組織文化、風險管理和創新推動力，塑造企業的內部治理結構。具有創新意識和戰略眼光的高管通常推行更靈活的治理模式，強化企業的創新能力和風險管理機制，從而優化整體治理結構，提升企業競爭力[5]，因此發展企業新質生產力也與高管人員特質密切相關。

學者們在研究CEO個人特征對企業戰略決策和變革影響時，通常將CEO的人口統計學特征歸納為以下方面：自然特征、能力特征和社會特征。這些特征在不同方面反映了CEO的個人背景、能力和在企業中的影響力。個人的自然特征主要體現在性別、年齡等傳記屬性方面，這些特征在一定程度上影響了CEO的領導風格和決策方式;能力特征包括教育背景、工作經歷和任期等，工作經歷豐富的CEO通常具有更廣泛的行業知識和管理經驗，能夠更好地應對復雜的商業環境，而任期長度則可能影響其在企業中的權威性和決策穩定性;社會特征涵蓋社會地位、聲望和社會資本，反映了CEO在社交網絡中獲取外部信息和資源的能力[16]。這些CEO個人特征共同塑造了他們在戰略決策和變革過程中所展現出的領導力與管理方式。

在自然特征方面，大部分研究認為年齡越大的CEO越安于現狀，會降低企業創新水平[17-18];關于性別問題，實證研究尚未得出一致結論，但女性高管相比于男性，在公司決策中更傾向于規避風險[19]。在能力方面，大部分研究發現，CEO的受教育水平能影響企業的創新水平，何瑛等[20]認為擁有豐富職業經歷的CEO 能夠促進企業創新投入;趙子夜等[21]認為通才型領導人能顯著提升公司的研發費用，更有利于激勵創新；陳守明等[22]認為CEO的任期與Ramp;D強度呈倒U形關系。在社會特征方面，擁有豐富社會資本的CEO 更具變革意愿，并能更有效地調配和整合資源[23-24]。在權力特征方面，許秀梅和陳澤文[25]認為 CEO權力能顯著促進企業技術資本積累;樂怡婷等[26]認為高管持股對企業創新可持續性具有顯著正向影響，而高管過度自信會弱化兩者間正向關系;周建慶等[27]認為專家權力與聲望權力對企業研發投資具有促進作用。已有研究為CEO個人特征與企業績效間的關系提供了豐富的經驗性證據，但多為單一維度分析，缺乏從多個特征維度綜合考察CEO對企業創新能力與新質生產力的作用。

（二）機器學習方法

隨著計算社會科學作為一種新興研究范式和跨領域學科的崛起，機器學習技術在社會科學研究中的關注度和應用范圍迅速擴大。機器學習作為一種基于數據驅動的分析工具，通過構建算法模型從海量數據中提取有價值的信息和模式，不僅提高了研究的效率和準確性，還提供了新的研究視角。社會科學研究者能夠利用機器學習方法處理復雜的大規模數據集，發現傳統方法難以揭示的隱性關系和規律，從而推動理論創新和實踐應用的持續發展。在此背景下，探討和應用機器學習技術已成為社會科學研究中的重要趨勢，賦予研究者新的工具和方法來應對復雜的社會現象和問題[28-29]。傳統計量方法主要側重于推斷自變量對因變量的因果效應，關注系數 的精確估計[30-31]。它注重構建簡約模型，依賴先驗理論與假設。由于模型的簡約性和假設的嚴格性，傳統計量方法在面對高維數據和復雜系統時可能顯得不夠靈活。相較于傳統的計量方法，有監督的機器學習通過從大數據中提取出的“相關關系”來建立預測模型，克服了傳統方法對假設和參數依賴的局限性。具體而言，機器學習利用大量標注數據即已知的預測目標數據來訓練模型，通過不斷優化損失函數，使得模型不僅在訓練集上表現優異，也能在新的、未見過的數據集上準確預測因變量。這一過程提高了模型的泛化能力，通過大量數據的訓練，自動學習和優化模型參數，以實現對數據的高精度預測[32]，能夠有效識別和捕捉數據中的潛在模式和關聯，提高模型在新數據上的預測準確性。這一特性使得機器學習在處理高維數據和復雜系統時具有明顯的優勢，能夠幫助研究者做出更為精準、確切的預測[33]。

基于上述原因，機器學習方法在企業CEO特征的研究中越來越多地被運用。方帥等[34」使用隨機森林模型，評估董事長和總經理的價值觀差異對企業創新的影響，認為企業“一把手”和“二把手”在不確定性規避與制度性集體主義兩個價值觀維度上存在的差異，對企業創新績效的預測能力較強。陸瑤等[35」使用Boosting回歸樹模型，認為高管持股比例和年齡兩個特征對公司業績的預測效果較好。吳先銘等[36使用XGBoost樹研究了CEO個人背景特征對預測企業創新的相對重要性，認為CEO海外背景和學歷對企業創新投入的預測能力較強。陳效林等[37]使用C4.5決策樹對CEO特征對新創企業戰略慣性的影響進行研究，提出CEO學歷、持股比例和收入特征能較好預測新創企業戰略慣性。基于已有研究的啟示，本文使用機器學習預測模型深入挖掘各個CEO特征與企業新質生產力水平之間的復雜關系，識別出對企業新質生產力水平最具預測力的關鍵特征，并著重分析其影響機制。這種方法不僅有助于揭示不同CEO特征對企業新質生產力水平的獨特作用，還為審視高層管理者特質與企業新質生產力水平的關聯性提供了新的視角，使得高管特質研究更加具備實踐參考價值。

三、研究設計

（一）研究方法

本文使用廣泛應用的集成算法，即隨機森林、XGBoost 和漸進梯度回歸樹作為主要研究方法，并從中選取出預測性能最優的隨機森林模型。這些方法在處理高維數據和復雜關系時表現出色，具有較高的預測準確性和泛化能力。本文還選取了傳統計量方法中的多元線性回歸作為對照，以體現機器學習在解釋能力和泛化能力方面的優勢。

隨機森林模型的基本原理是通過隨機抽取多個數據子集和特征子集來構建多棵決策樹，并將這些決策樹的預測結果進行投票或平均，以此來提高模型的泛化能力和穩定性。在構建每棵決策樹時，隨機森林通過引入隨機性來有效地減小模型的過擬合風險。具體來說，隨機森林首先從原始訓練集中隨機抽取多個子集，這些子集是通過有放回的抽樣方法生成的，即每個子集中可能包含重復的樣本。然后，對每個數據子集分別訓練一個決策樹模型。對于分類問題，隨機森林通過所有決策樹的投票結果來確定最終分類，即選取票數最多的類別作為最終預測結果;對于回歸問題，隨機森林通過所有決策樹的預測值的平均值來確定最終預測值。對于一個新的輸入樣本，隨機森林的預測結果為：

H（x） 表示組合分類模型， h 代表單個決策樹分類模型， Y 表示輸出變量（或稱目標變量）， I 為示性函數。式（1）展示了通過多數投票決策來確定最終分類的方法。給定一組分類模型，每個模型的訓練集均通過對原始數據集 （X，Y） 隨機抽樣生成，由此得到其余量函數（marginfunction）：

mg（X，Y）=av_kI（h_k（X）=Y）-max_j≠kav_kI（h_k（X）=j）

余量函數用來測度平均正確分類數超過平均錯誤分類數的程度。余量值越大，分類預測就越可靠。隨機森林的這種設計使其在處理高維數據和具有噪聲的數據時表現出色，對異常值和噪聲具有很高的容忍度，不容易被個別噪聲樣本影響整體模型的性能。此外，隨機森林還能夠提供每個特征的重要性評分，這有助于理解特征對模型預測的貢獻，進而進行特征選擇和數據降維。相比于單棵決策樹，隨機森林通過集成多個模型，極大地提升了模型的泛化能力和預測性能。其在分類和回歸任務中的優異表現，使其在多個領域中得到了廣泛應用。

（二）模型構建

本文的被解釋變量是企業新質生產力，參考宋佳等[38]和張秀娥等[39]的研究，基于生產力二要素理論，并考慮了勞動對象在生產過程中的作用和價值，采用熵值法衡量新質生產力。具體方法如下：

基于生產力二要素理論，建立新質生產力的指標體系。生產力的核心要素包括勞動力和勞動資料，其中勞動力又細分為勞動者和勞動對象兩個子要素。基于上述維度劃分，企業新質生產力指數體系的具體選取如下。

第一，考慮新質生產力中的創新內涵，高素質的技術人才是企業技術創新和應用的直接主體，新型勞動者指標用研發人員薪資占比、研發人員占比和高學歷人員占比進行衡量。

第二，勞動對象是勞動者勞動的目標，構成了企業生產活動的具體指向。隨著科技進步，勞動對象的涵蓋范圍不斷擴大，不再局限于傳統的自然資源或原材料，在大數據、人工智能、區塊鏈等數字技術和數據要素的創新推動下，新型勞動對象應運而生。新型勞動對象維度基于生態環境和未來發展兩個層面，具體體現為企業的數字化與綠色化業務模式及產品。因此，本文參考《數字經濟核心產業分類與國際專利分類參照關系表（2023）》和《綠色產業指導目錄（2023年版）》，將主營產業劃分為數字產業和綠色產業，計算企業的數字業務占比和綠色業務占比。

第三，為更好地體現企業在數字化、信息化和智能化生產設備方面的發展水平，以及其與傳統勞動資料的深度融合，本文重點關注裝備制造及高精科技領域的企業。這些新質生產力主導的企業通常依賴高端機器和先進儀器的支持，機器生產逐步取代了大量人工勞動，從而推動生產過程的自動化和智能化不斷升級。因此，這類企業的制造費用在總成本中的占比普遍較高，反映出其對精密制造和高效自動化設備的依賴程度。基于這一特點，本文選取了固定資產占比和制造費用占比作為衡量企業有形勞動資料的重要指標，以體現其在生產工具方面的資本投人與物質基礎。此外，研發投人與軟件技術的應用程度也是反映企業生產工具科技含量的重要指標。高精科技領域的企業往往在研發和技術升級方面投入大量資源，以保持競爭力和創新能力。因此，本文選取研發直接投入占比、折舊攤銷占比、租賃費用占比以及無形資產占比作為衡量無形勞動資料的指標。

利用熵值法計算各指標的權重，構成企業新質生產力指標。結果如表1所示。為實現研究目標，首先構建了一個包含企業基本特征的基準模型，涵蓋企業規模、企業年齡、公有制占比、過去業績、償債能力和成長性等關鍵變量。在此基礎上，參考于淼等[40]和陸瑤等[41的研究，進一步按照特征維度構建了四組模型，包括自然特征模型、能力特征模型、社會特征模型和權力特征模型。模型具體構建見表2。

（三）模型評估

為從模型的解釋能力和預測誤差兩個角度來綜合評估其性能表現，選取評估指標包括：樣本內擬合優度 R_is² （衡量模型在訓練數據上的解釋能力，即模型在已知數據中的表現）、樣本外擬合優度 R_oos² （衡量模型在測試數據上的解釋能力，即模型在未見過的數據中的擬合水平）、樣本外均方誤差 MSE_oos 和平均絕對誤差 MAE_oos （這兩個指標均反映了模型預測值與真實值之間的偏差）。評估指標定義和計算公式詳見表3。

（四）模型解釋

本研究旨在檢驗CEO個人特征是否能夠有效預測企業新質生產力的形成。通過對不同特征的重要性差異進行探究，以確定哪些特征在預測企業新質生產力形成方面更為關鍵。此外，本研究還將深人分析這些關鍵特征，使用相對重要性和部分依賴圖了解它們是如何具體預測企業新質生產力形成水平的。

1.相對重要性比較變量間的預測能力差異

相對重要性分析是一種能夠量化每個特征在預測模型中貢獻程度的方法，幫助我們識別出在解釋變量中起關鍵作用的特征。特征重要性通過衡量特征在決策樹中分裂時的貢獻來計算。每當某特征用于節點分裂時，計算分裂前后基尼不純度（gini impurity）的減少量，用以反映該特征的重要性。基尼不純度是衡量一個節點中的樣本純度的一種指標，減小量越大，表示該特征在該節點上的分裂效果越好。將基尼不純度減小量乘以該節點的樣本數，得到該特征在該節點上的貢獻值。這樣處理的目的是考慮不同節點對整體模型的重要性，即樣本數越多的節點其分裂的重要性越高。在計算了單個節點上的特征重要性后，需要將這些貢獻值進行累積，以得到整個決策樹中某個特征的總重要性。計算公式為：

N_t 表示節點 χ_t 的樣本數; N_left 和 N_right 分別是左右子節點的樣本數。每個節點的 ΔI（t） 根據樣本數加權，得到各特征的總基尼減小量，最終將這些減小量歸一化，得到各特征的相對重要性。

2.部分依賴圖解釋關鍵變量的預測模式

部分依賴圖是一種能夠揭示單個特征對預測結果影響程度和方向的可視化方法。通過繪制部分依賴圖，我們可以觀察到在固定其他變量的情況下，單個特征變化時對目標變量的影響。這種分析方法不僅能夠展示特征與目標變量之間的關系曲線，還可以幫助識別特征在不同取值范圍內的具體影響模式。核心計算公式為：

f 為給定樣本的響應函數； s 表示目標特征集合； C 為補充特征集合； x_s 和 X_c 分別為特征的取值。公式含義是，在 X_c 取特定值時，目標特征 s 對預測結果的邊際影響。

四、數據來源與變量說明

（一）數據來源與預處理

本研究選取的樣本來自滬深A股上市企業，研究時間窗口為2009—2022年。所使用的數據主要來源于國泰安數據庫（CSMAR）和中國研究數據服務平臺（CNRDS）。為了確保數據的準確性和研究結論的可靠性，參考主流文獻的做法，對數據進行了以下處理：剔除 ST、*ST等上市狀態異常的公司樣本，剔除金融行業公司樣本，剔除關鍵數據缺失的公司樣本，剔除CEO相關信息異常的樣本。最終確定的公司樣本數量為2242家，有效觀測值11526個。為了避免極端值對研究結果的干擾，主要的連續變量按 1% 和 99% 分位進行縮尾處理。

（二）變量說明

本文參考現有研究[42]將被預測變量企業新質生產力水平進一步細分為3個維度：新型勞動者、新型勞動對象和新型勞動資料。為了系統地分析CEO個人特征對企業新質生產力水平的影響，本研究結合數據可獲得性將這些特征按照4個維度進行分類：自然特征、能力特征、社會特征和權力特征，并參考現有相關文獻的主流做法對各特征進行標準化測量。根據現有研究的常用做法，選取了以下控制變量作為預測的基準變量：企業規模、企業年齡、所有制、過去績效、償債能力、成長性。見表4所示。

五、實證分析

（一）描述性統計

表5列示了一部分變量的描述性統計。企業新質生產力水平整體呈正態分布，滿足研究條件，并且最小值與最大值有明顯差異，均值遠小于最大值，表明不同企業的新質生產力水平差異較大，且我國企業新質生產力水平整體較低，還有很大的提升空間。

（二）模型擬合效果分析

表6展示了不同方法下模型的擬合結果。樣本內擬合優度比較中，集成學習方法（漸進梯度回歸樹、XGBoost、隨機森林）均顯著優于多元線性回歸模型，且隨機森林表現最佳。在樣本外擬合優度上，隨機森林依然優于其他方法，其次為XGBoost和漸進梯度回歸樹，這三種集成方法均優于多元線性回歸。同時，隨機森林的平均絕對誤差 也最低。

綜上所述，集成學習方法在解釋能力和預測誤差方面相較于傳統的多元線性回歸具有較大優勢。隨機森林在樣本內外擬合優度和各項預測誤差指標中表現最佳，顯示出其在預測準確性和穩定性上的顯著優勢。比較三種集成學習方法后，確定隨機森林適合用于對企業新質生產力水平的預測和分析。

（三）特征重要性比較分析

1.組間重要性比較

表7展示了CEO不同維度的個人特征的相對重要性比較結果。從PanelA反映的各組特征對企業新質生產力水平的預測能力差異來看，CEO的能力特征和權力特征對企業新質生產力水平的預測能力較強。結果表明，CEO的認知結構、決策能力和風險偏好對企業新質生產力水平有較大影響。

2.單變量重要性比較

本研究通過相對重要性分析方法，系統比較了不同CEO個人特征變量對企業新質生產力水平的預測能力差異。表8詳細展示了各特征變量在新質生產力整體水平及其不同維度（新型勞動者、新型勞動對象、新型勞動資料）上的相對重要性排序。通過此分析，可清晰識別出在預測企業新質生產力水平時，哪些CEO 特征起到了更關鍵的作用。分析結果表明，在諸多CEO特征中，所有權權力、學歷、年齡和任期等因素對企業新質生產力水平的預測效果最為顯著。這些特征的相對重要性均位列前15名，這些高重要性的特征在預測企業新質生產力水平中具有較高的貢獻度，說明CEO個人特征在企業新質生產力的發展中扮演了不可忽視的角色。

（四）關鍵特征變量的預測模式

表8顯示，CEO的年齡、學歷、所有權權力和受教育水平在預測企業新質生產力水平的不同維度上具有最佳預測能力。為彌補機器學習“黑箱”的不足，增強研究結果的可靠性和解釋性，下文通過部分依賴圖分析和結合現有文獻，進一步解釋如何通過CEO的所有權權力、任期、年齡和學歷水平預測企業新質生產力水平。

1.所有權權力

為了應對CEO所有權權力分布的非均勻性，采用分塊處理方式，避免過擬合，準確評估其對企業新質生產力水平的影響。圖1展示了CEO所有權權力對企業新質生產力水平、新型勞動者、新型勞動資料、新型勞動對象維度的預測模式。表9的描述性統計結果顯示，在我國上市公司中，CEO的持股比例整體偏低，平均值不高且呈現較大差異， 22.41% 的樣本持股為0，持股比例超過 30% 的樣本占比僅為 11.56% 。從圖1來看，隨著CEO持股比例的增加，企業的新質生產力水平顯示出上升的趨勢。這一趨勢表明，CEO的持股比例上升對企業新質生產力具有積極推動作用。在現代公司治理結構中，由于經營權與所有權的分離，企業普遍存在代理問題，CEO等管理層的利益和公司整體利益可能出現偏差。CEO持股比例的增加，通常伴隨著股權激勵機制的實施，有助于降低代理問題的發生概率，使CEO的利益與股東更為一致，從而提升CEO的決策意愿和長期投資能力。這種一致性使CEO在制定企業長期戰略、特別是創新相關決策時，更具積極性和責任感，有助于增強企業對新興技術和創新資源的投資力度。從管家理論的視角來看，當CEO擁有更高的所有權權力時，其角色不僅限于執行管理職能，還將公司視為自身的“責任”，從而傾向于關注企業的長期發展與創新驅動。當CEO持股比例增加后，其對企業創新資源的掌控能力增強，在技術投資和開發決策中能發揮更積極的主導作用，更能推動高質量技術成果的產生。作為重要股東的CEO，在企業內部享有顯著的決策權和管理權時，其在技術開發、創新投資等關鍵環節中會發揮更重要的作用。這不僅體現在創新方向的選擇上，還涉及決策表決權、管理層的任免以及績效考核等方面的權力運用。通過在這些領域的影響力，CEO可以推動企業的組織結構和文化的適應性變革，進一步促進企業生產力的提升。

同時，圖1也顯示出所有權權力對企業新質生產力水平預測效果的復雜性和非線性特點，企業新質生產力受到CEO持股比例影響的程度在不同持股比例情況下是不同的。圖1中的曲線初始階段較為陡峭，后半段較為平緩，這說明當持股比例處于中等以下水平區間時（ 0% 至約 20% ），持股比例增加對提升企業新質生產力水平的作用較為明顯；而當持股比例處于較高水平時（約 20% 以上），增加持股比例對于提升企業新質生產力水平的作用較為微弱。

2.任期

圖2展示了CEO任期對企業新質生產力水平、新型勞動者、新型勞動資料、新型勞動對象各維度的預測模式。分析結果表明，CEO任期與企業整體新質生產力水平以及各維度呈現出U形關系。在整體新質生產力水平的預測中，U形關系的拐點大約出現在CEO任期的第4年（觀測值約為3.9）。在這一時間節點之前，隨著CEO任職時間的增加，新質生產力水平緩慢下降；而在4年之后，新質生產力水平開始隨CEO任期的延長而逐漸提升。這是因為在CEO的初期任期內（即任職前3＼～4年），CEO為了樹立個人威望、快速積累影響力，通常更傾向于積極推動創新性變革，以迅速提升企業的市場競爭力。此階段的CEO大多希望通過展示個人能力和成果來鞏固領導地位，因此往往會在短期內進行較為激進的創新投人。隨著任期的延長，CEO的權力逐步鞏固，其對公司治理和決策的控制力不斷增強，逐漸擺脫了對短期績效的過度關注。同時，新質生產力的復雜性和投人產出周期的長線性特點，促使CEO在進行創新決策時也更為謹慎。此時，CEO的風險偏好有所降低，注意力也開始轉向維護企業穩定和長期增長，使得新質生產力在這一階段受到抑制。在任期超過4年后，CEO積累了較為豐富的管理經驗，對企業及所在行業的深層規律有了更深人的理解，對行業變化、技術進步以及新質生產力實現的路徑更加熟悉。這種經驗和認知的積累不僅增強了CEO對新質生產力長期投入的信心，也使其更加具備實施復雜創新項目的能力。隨著時間的推移，CEO逐漸找到促進新質生產力發展的最佳路徑，逐步解決此前創新中的阻礙因素。因此，在任期拐點之后，CEO的長期戰略眼光和企業對其決策的信任度逐步提升，這進一步促進了新型勞動者、新型勞動對象和新型勞動資料等多個維度上的生產力提升。這種U形關系體現了CEO任期與企業新質生產力之間的復雜關聯，揭示出短期和長期策略的動態平衡以及權力穩固后的戰略定力對新質生產力提升的積極影響。通過理解這一關系，企業和投資者可以更清楚地認識到CEO任期對創新投人、技術發展和生產力提升的深遠影響，為管理層更替和長期激勵機制設計提供有價值的參考。

3.年齡

圖3分別展示了CEO年齡對企業新質生產力水平、新型勞動者、新型勞動資料、新型勞動對象維度的預測模式。通過圖3的曲線特征，可以觀察到CEO 年齡與企業整體新質生產力水平呈現出明顯的U形關系。這一結果表明，企業由較年輕或較年長的CEO管理時，整體新質生產力水平更高，而中年階段的CEO則對企業新質生產力的推動作用相對較弱。分析進一步表明，40＼～50 歲是CEO 年齡與企業新質生產力關系的關鍵轉折點，觀測值大約在46歲（即3.83）時表現出顯著變化。在46歲之前，隨著年齡的增長，CEO對企業新質生產力的影響為負;然而在46歲之后，年齡對新質生產力的影響轉為正向。這種U形關系表明，CEO年齡對企業新質生產力的影響并非單一線性關系，而是受到了不同年齡階段心理、認知和領導風格變化的綜合影響，這也支持了先前研究的發現：年齡變化對CEO的心理狀態、認知能力、權力結構及社會資本等多方面特征產生顯著影響，并進一步間接作用于企業的戰略選擇與創新表現。在較年輕階段（一般指40 歲以下）的CEO往往心態開放，易于接受新事物，傾向于推動創新性強但風險較高的項目，快速提升企業的市場地位和技術優勢。相比之下，處于40＼～50歲間的中年CEO已積累了豐富的行業經驗，但通常偏向于維持現狀，怠于激進變革，以確保短期收益和財務穩定，對創新性變革的投入積極性較低，這種戰略慣性使企業新質生產力提升水平減弱，形成U形關系的底部。進人年長階段（50歲以上，尤其接近60 歲）后，CEO逐漸擺脫了職業生涯中期的壓力，對退休后的安排更有規劃，競爭心態逐漸放松。這一轉變促使年長CEO在創新投入上更為積極，利用豐富的管理經驗和社會資本，在資源整合、技術戰略和人脈支持方面為企業提供強有力的保障。接近退休年齡時，這些CEO往往進發出新的創造力，注重長遠的創新成果，以建立個人的職業遺產。此階段，他們通過人脈資源、政策支持及外部合作等方式，推動新質生產力的持續提升，為企業的長期發展奠定堅實基礎。

4.學歷水平

圖4分別展示了CEO學歷水平對企業新質生產力水平、新型勞動者、新型勞動資料、新型勞動對象維度的預測模式。從圖4的觀測范圍來看，學歷水平對新質生產力的影響呈現上升趨勢，從中專及以下學歷到本科階段，新質生產力水平變化不大;碩士及以上學歷階段的新質生產力水平顯著上升，在博士學歷階段達到最高值。這表明，學歷越高的CEO越具備更高的專業知識和創新能力，也更重視企業的創新能力，能夠顯著提高企業的新質生產力水平。

5.穩健性檢驗

為了確保研究結果的穩健性，本文綜合采用了交叉驗證和模型參數調整等多種方法進行穩健性檢驗。具體而言，首先使用KFold方法進行5折交叉驗證，將數據集隨機劃分成5組，每次選取4組作為訓練集、1組作為測試集，輪流測試5次并計算擬合效果的平均值，從而獲得模型在不同數據劃分條件下的穩定性。該方法能夠有效減小訓練集和測試集劃分對結果的影響，使模型評估更為客觀。

在隨機森林模型的參數調整中，本文對關鍵參數進行了組合測試。將決策樹的數量設置為［100，150，200，250]，樹的深度設置為[6，7，8]，形成了12種不同的參數組合，并針對每一組合重新進行模型訓練和預測分析。這種參數調整方法能夠全面檢驗模型在不同復雜度和規模下的表現，以確保研究結果的可靠性和一致性。

在以上穩健性檢驗方法的支持下，所有模型的預測效果都與主檢驗結果一致，這表明本文模型在不同測試方法和參數配置情況下均具有較高的預測準確性和穩健性，為研究結論的可靠性提供了有力支持。

六、研究結論與對策建議

（一）研究結論

新質生產力是推動企業高質量發展的強勁推動力和支撐力，研究其驅動因素對于企業發展至關重要。傳統高管特征研究往往關注單一特征對公司業績的影響，缺少對高管多維個人特征對企業復雜性生產力的系統研究。本文基于高階理論，以2009—2022年我國A股上市公司為研究對象，運用機器學習中的集成算法，深人考察CEO多維個人特征對企業新質生產力的預測效果，涵蓋了新型勞動者、新型勞動資料、新型勞動對象三個核心維度，研究發現了CEO不同特征在推動企業新質生產力方面的差異化作用。具體結論如下：（1）整體而言，企業CEO的多維個人特征能夠有效預測企業新質生產力水平，且不同特征對生產力的預測能力存在顯著差異。（2）從特征組間比較來看，CEO的能力特征（包括其認知水平、行業知識及跨職能工作經驗）在預測企業新質生產力總體水平、新型勞動者和新型勞動資料方面起關鍵作用。同時，在預測新型勞動對象水平時，CEO的權力特征（如所有權權力、決策權、組織控制力）顯示出更強的關聯性。（3）從單個特征角度來看，CEO的所有權權力、任期、年齡和學歷水平四個特征對新質生產力水平和其三個維度均展現出最佳的預測能力。這表明，這些特征是CEO影響企業新質生產力的核心個人因素。當CEO擁有更高的股權比例時，其角色不僅是管理者，更成為企業的重要利益相關者，進一步增強了其對企業創新和長期投資的責任感，企業的新質生產力水平會得到提升。但當股權占比超過 20% 之后，再增加的股權不能使企業新質生產力水平進一步提高。此外，具有較高學歷、有過科研背景和在企業參與過生產設計研發類的工作均有助于CEO形成較強的學習能力和新知識接受度，為其制定創新驅動戰略提供認知基礎，進而提高企業新質生產力水平。年齡作為特征之一，則通過影響CEO的風險偏好、創新意愿和戰略穩健性等方面，間接影響企業在新質生產力上的長遠投入，本文發現年齡與新質生產力水平呈現中間低、兩邊高的U形復雜關系而非簡單線性關系。此外，CEO任期與新質生產力也呈U形關系，新任職和長期任職的CEO所在的企業具有更高的新質生產力水平。本研究從CEO多維個人特征人手，構建了新質生產力的預測框架，揭示了CEO個人特征對企業創新發展的深層次影響機制，通過對核心特征的分析總結了不同類型特征的作用方向與程度。未來，進一步探索其他高層管理人員的多維特征對企業新質生產力水平的影響，將有助于更加全面地揭示企業發展背后的決策因素和管理動力。

（二）對策建議

基于上述發現和結論，本文對如何提升企業新質生產力水平提出以下建議：（1）優化選拔適配CEO的策略。CEO的受教育水平、年齡和任期等特征對企業新質生產力具有顯著預測作用。因此，企業在選拔CEO時應特別關注這些關鍵特征，以確保管理層具備推動企業創新和發展的潛力。具體而言，在候選人篩選中可優先考慮具有較高受教育水平和學術背景及長任期經驗的候選人，或者根據企業性質大膽選用年輕而富有創造力和進取心的CEO，以提升企業應對新質生產力挑戰的能力。（2）賦能在職CEO綜合能力提升。CEO的多樣化能力特征（如跨職能經驗）在提升企業創新能力方面具有重要作用。對于在職的CEO 而言，為了更好地引領企業新質生產力高質量發展，可通過多種行之有效的方式來進一步強化其在多元化能力方面的提升。為此，企業可以考慮通過輪崗或交叉培訓、參與專題培訓等方式幫助CEO拓寬專業視角，提升其應對復雜市場環境的綜合決策能力。特別是，設置跨部門輪崗機制或提供不同地區（如海外）的工作機會，既有助于開拓管理者在職能和文化視角上的多樣性，又可以增強其在創新性業務、技術開發等方面的實戰能力。（3）優化動態的CEO績效評估與激勵機制。CEO的所有權權力與企業創新存在重要關聯，適度增加CEO的持股比例，以股權激勵手段增強其利益綁定和創新動力，可以形成更有效的管理激勵機制。然而，過高的權力集中可能抑制企業創新活力。企業在推行股權激勵時，應合理設計CEO的持股比例與決策權分配，以防止“過度集權”問題。在董事會和管理層的權力平衡機制下，確保CEO的創新激勵能夠保持在促進創新、優化治理的合理范圍，同時融合動態的績效評估方案，避免CEO因權力穩固導致形成過度保守的決策風格。

[參考文獻]

[1］蒲清平、黃媛媛：《習近平總書記關于新質生產力重要論述的生成邏輯、理論創新與時代價值》，《西南大學學報（社會科學版）》2023年第6期，第1—11頁。

[3］陳傳明、孫俊華：《企業家人口背景特征與多元化戰略選擇——基于中國上市公司面板數據的實證研究》，《管理世界》2008年第5期，第 124-133+187- -188頁。

[4]［14]長青、魏京柔、張璐等：《高階梯隊理論的溯源、知識架構及展望》，《管理學報》2024年第9期，第 1411—1422頁。

[5］[40]于淼、劉銘基、趙旭：《企業數字化轉型需要什么樣的“領航員”;基于機器學習方法的考察》，《中國軟科學》2024年第5期，第173—187頁。

[6］徐子堯、申程程、張雪蘭等：《中國上市企業新質生產力指數編制暨發展報告（2011—2022年）》，《金融經濟學研究》，http：//kns.cnki. net/kcms/detail/44.1696.F.20241029.1347.002.html。

［7］黃勃、李海彤、劉俊岐等：《數字技術創新與中國企業高質量發展——來自企業數字專利的證據》，《經濟研究》2023 年第3期，第97—115頁。

[8］［9］趙斌、汪克亮、劉家民：《政府數字化治理與企業新質生產力——基于信息惠民國家試點政策的證據》，《電子政務》，http：//kns. cnki. net/kcms/detail/11.5181. TP.20240612. 2228.010. html。

[10］孫獻貞、李言、高雨晨：《數字普惠金融發展與企業新質生產力》，《蘭州學刊》，htp：//kns.cnki.net/kems/detail/62.1015. C. 20240615.2141.002. html。

[11］[38］宋佳、張金昌、潘藝：《ESG 發展對企業新質生產力影響的研究——來自中國A股上市企業的經驗證據》，《當代經濟管理》2024年第6期，第1—11頁。

[12］趙國慶、李俊廷：《企業數字化轉型是否賦能企業新質生產力發展？——基于中國上市企業的微觀證據》，《產業經濟評論》，htps：//doi.org/10.19313/j.cnki. cn10-1223/f.20240417.002。

[13][39]張秀娥、王衛、于泳波：《數智化轉型對企業新質生產力的影響研究》，《科學學研究》，htps：//doi.org/10.16192/j. cnki. 1003-2053.20240518. 003。

[15]Wang L，Jiang W，Ma X：“The Efectof CEOEntrepreneurial OrientationonFirm Strategic Change：The Moderating Rolesof Managerial Discretion”，Journal of Enginering and Technology Management，Vol.59，2O21，Article：101616.

[16][24]韻江、寧鑫：《“年少有為\"還是“老當益壯”？——CE0職業生涯關注與戰略變革》，《經濟管理》2020年第6期，第135—152頁。

[17］李大元、黃鶴、張璐：《碳交易規制強度能否促進企業創新投人？——CEO 年齡和公司年齡的聯合調節作用》，《中南大學學報（社會科學版）》2021年第6期，第17—31頁。

[18］［22］陳守明、簡濤、王朝霞：《CEO學歷與 Ramp;D強度：年齡和教育層次的影響》，《科學學與科學技術管理》2011年第6期，第159—165頁。

[19] 李小榮、劉行：《CEOvs CFO：性別與股價崩盤風險》，《世界經濟》2012年第12期，第102—129頁。

[20］何瑛、于文蕾、楊棉之：《CE0復合型職業經歷、企業風險承擔與企業價值》，《中國工業經濟》2019 年第9期，第 155—173頁。

[21] 趙子夜、楊慶、陳堅波：《通才還是專才：CEO 的能力結構和公司創新》，《管理世界》2018年第2期，第123—143頁。

[23] 魏彥杰、尹飛、鐘娟：《CE0社會資本能否助力企業數字化轉型》，《金融經濟學研究》2023年第4期，第92—106頁。

[24] 楊雋萍、徐娜：《動態能力與高管社會資本組態效應對企業數字化轉型的影響——以創業板上市公司為例》，《技術經濟》2023年第4期，第97—109頁。

[25］許秀梅、陳澤文：《CEO 權力促進了企業技術資本積累嗎？——基于上市公司的經驗證據》，《經濟與管理評論》2022年第6期，第115—129頁。

［26］樂怡婷、李慧慧、李健：《高管持股對創新可持續性的影響研究——兼論高管過度自信與產權性質的調節效應》，《科技進步與對策》2017年第2期，第 139—146頁。

[27］周建慶、梁彤纓、彭玉蓮等：《CE0異質權力對研發投資的影響——基于企業生命周期的調節作用》，《軟科學》2020 年第3期，第 111-116+122 頁。

[28］郭峰、陶旭輝：《機器學習與社會科學中的因果關系：一個文獻綜述》，《經濟學（季刊）》2023年第1期，第1—17頁。

［29］洪永淼、汪壽陽：《大數據、機器學習與統計學：挑戰與機遇》，《計量經濟學報》2021年第1期，第17—35頁。

[30] GrimmerJ，Roberts ME，Stewart BM：“Machine Learning for Social Science：An Agnostic Approach”，Annual Review ofPolitical Science，Vol.24，No.1，2021，pp.395-419.

[31]ShresthaYR，He VF，Puranam P，etal：“Algorithm Supported Induction for Building Theory：HowCan We Use PredictionModels to Theorize？”，Organization Science. Vol.32，No.3， 2021，pp.856-880.

[32]BaoY，KeB，LiB，etal：“Detecting AccountingFraud inPubliclyTraded US Firms Usinga Machine Learning Approach”，Journal ofAccountingResearch，Vol.58，No.1，2020，pp.199-235.

[33]PerolsJL，BowenRM，Zimmermann C，etal：“Finding Nedlesina Haystack：UsingData Analytics to Improve FraudPrediction”，The Accounting Review，Vol.92，No.2，2017，pp.221-245.

[34］方帥、程雨涵、劉知等：《企業“一把手”和“二把手”的價值觀差異與企業創新：基于機器學習的經驗證據》，《中國軟科學》2024年增刊，第203—222頁。

[35］[41]陸瑤、張葉青、黎波等：《高管個人特征與公司業績——基于機器學習的經驗證據》，《管理科學學報》2020年第 2期，第120—140頁。

[36］吳先銘、劉可新、翟育明：《CEO個人特征、創新投入與創新績效的關系——基于 XGBost樹模型的經驗證據》，《上海對外經貿大學學報》2023年第1期，第81—93頁。

[37］陳效林、劉業深、宋哲：《CEO特征與新創企業戰略慣性——來自C4.5決策樹的經驗證據》，《科技進步與對策》2023年第13期，第60—70頁。

［42］陸瓊：《建設新型勞動者隊伍推進新質生產力發展》，《人民政協報》2024年3月 25日，第3版。

Abstract：New quality productive forces are vital for fostering high-quality development in enterprises. Investigating theirdriving factors is essential for corporate advancement.This study，employing integrated machine learning algorithms，constructs a high-dimensional predictive model. It analyzes the predictive effects of CEOs’ multidimensional personal characteristics on the newquality productive forces of China’s A-share listed companies from 2009 to 2022.The findings indicate that：（1）Overall，CEOs’personal characteristicscan predict the level of new quality productive forces，with differential predictive abilities across various traits；（2）Among diferent dimensions，CEO capability characteristics demonstrate the highest predictive power；（3） Specificaly，CEO ownership power，tenure，age，and educational background exhibit the strongest predictive efects，highlighting them as critical personal attributes for enhancing new quality productive forces in enterprises.

Key words： CEO personal characteristics； new quality productive forces ；machine learning

（責任編輯 朱香敏；責任校對 孫俊青）