1. 引言
新质生产力作为社会发展的重要推动力，融合高科技、创新、人才等要素，成为推动各行业进步的关键力量。通过技术创新为产业发展赋能，提高产业效率，可以促进传统产业转型升级。应有选择地发展新产业、新模式和新动能，用新技术改造提升传统产业[1]。在数字化浪潮中，数字化治理、数字新基建及数据安全成为关注焦点。数据价值化强调挖掘海量数据的价值，通过收集、整理、分析和应用数据，优化企业决策，创造新的经济增长点，并在金融、医疗、交通等领域发挥重要作用。以上措施促进了经济的高质量发展，增强了国家的综合竞争力。
此外，科技的进步使得诸如运动休闲产业推动绿色低碳理念，企业实施创新，推出自发电智能单车等环保产品，减少碳排放，促进废旧物品循环利用。社区活动如低碳健康跑也在提升公众的环保意识，倡导更环保的生活方式。室内健身和运休产业在科技赋能下正经历深刻变革，提供更多样化高效的运动选择，同时促进社会的绿色可持续发展。然而，由于人工智能生成内容(AIGC)的推进，电子废弃物(e-waste)问题日益凸显，预计到2030年将增加近1000倍，达到120万至500万吨，这对全球可持续发展构成挑战，强调了循环经济策略的重要性。
随着“双碳”经济的发展，产业低碳化成为优化布局[2]、催生新业态[3]的重要环节。本文结合科技创新、价值感知、环境规制和绿色转型理论，分析2014~2023年间网络数据，探讨科技创新对运动休闲业绿色转型的影响。研究表明，改进性和探索性技术创新显著推动了产业低碳化进程，通过提升消费者的价值感知来促进绿色行为。同时，环境规制(如经济激励和自愿意识)在这一过程中起到了调节作用，增强了技术创新对绿色转型的效果。综上所述，科技创新在推动产业低碳化方面具有显著效应，但其影响受多种因素制约，包括政策导向和社会认知等。此外，面对AIGC带来的e-waste增长，需要采取有效的管理措施以保障可持续发展目标的实现。
2. 文献综述与假设推演
2.1. 数字产业与绿色低碳
关于数字经济，它涵盖人工智能、云计算和大数据等技术，作为继农业经济和工业经济之后的重要形态，正在与城市绿色低碳转型相融合的新发展阶段中发挥关键作用[4]。不仅能够加速传统产业的升级和创新互动方式，还能促进生态治理平台化，成为经济绿色转型的动力。然而，数字产业的迅猛发展会造成能源高消耗和碳排放增加。为确保经济社会的平稳绿色发展，政府和企业需采取多项措施，如制定数字化绿色标准体系、鼓励技术创新以及优化能源结构[5]。通过分析2011~2017年间286个城市的面板数据，研究者发现数字经济发展对城市碳排放有正面影响，并且这种影响在不同经济圈层内存在差异，空间外溢效应在约1100公里范围内达到峰值[6]。智慧城市政策的引入进一步验证了这些结论的稳健性。因此，要充分发挥数字经济在资源配置中的优势，推动绿色低碳产业的转型升级。
2.2. 科技创新与数字价值感知
创新的效用不容忽视，包括改进性和探索性，分别对应将现有技术进行优化和突破既有知识。并且，数字价值感知和数字技术可供性对企业的数字创新有显著影响。疫情期间，数字化手段推动了运营和监管模式创新，建立了智能管理体系。然而，产业的发展使得生态问题面临诸多挑战，电子垃圾的不当处理导致环境污染和网络安全风险。推进“无废城市”建设，有助于改善环境和资源循环利用。专业且安全的电子垃圾回收处理，特别是对含有敏感数据的旧电子产品，至关重要。加强保障体系，提升技术水平，并增强公众意识，是应对电子垃圾挑战的关键。由此可以提出假设。
H11：改进性技术创新对数字价值感知具有显著的正向影响。
H12：探索性技术创新对数字价值感知具有显著的正向影响。
2.3. 数字价值感知与绿色价值行为
数字技术包括互联网技术、区块链技术和虚拟现实技术等，在信息处理和传输领域应用广泛，通过赋能实现工业绿色低碳转型，融入新理念、新业态和新模式，数字技术不仅破解了资源型产业面临的环境污染、发展低端锁定和资源诅咒等困境，还推动了资源型产业的绿色转型[7] [8]。环境洞察能力作为绿色转型的关键条件，强调了对外部环境变化的敏感性和响应能力的重要性。数字技术的应用增强了企业的环境感知能力和应对策略的有效性，使企业在绿色转型中能够更灵活地调整战略，实现经济效益与环境保护的双赢局面。由此可以提出假设H2。
H2：数字价值感知对绿色价值行为具有显著的正向作用。
2.4. 环境规制的调节作用
环境规制是国家为保护环境对经济活动实施的限制性法律、政策、措施及其执行过程。本文将其分为命令控制型、经济激励型。命令控制型通过立法直接影响排污者的环保选择，而经济激励型则利用经济机制引导企业减少排污。环境规制强度对国企绿色技术创新、数字经济的影响以及金融科技对企业绿色创新的促进作用均有正向调节效果。然而，命令控制型环境规制在生态文明建设和绿色技术创新关系中可能产生负向影响，并对绿色全要素生产率有负面影响。
经济环境规制在感知利益与资源化处理行为间起到倒U形和正U形调节作用，而激励型环境规制则正向促进中小企业的绿色技术创新。在工业减排效应上，命令控制型环境规制的调节能力最强，经济激励型次之。尽管存在一些负向调节作用，但大量证据表明，经济型和命令型环境规制更有可能促进数字价值感知和绿色价值行为的发生。这表明环境规制在推动企业绿色技术创新和环保行为方面扮演着重要角色。由此可以提出假设。
H31：经济激励型环境规制在数字价值感知与绿色价值行为之间起正向调节作用。
H32：命令控制型环境规制在数字价值感知与绿色价值行为之间起正向调节作用。
3. 研究设计
3.1. 理论框架模型
在上述研究假设的基础上，围绕本研究的目标，设计如下理论模型(见图1)。
Figure 1. Study framework model
图1. 研究框架模型
在文献的基础上，我们提出了两类技术创新影响来源，其中数字价值感知可能会影响绿色低碳转型行为(图1)：a) 技术创新影响了数字价值感知(数据、体验、生产和互动价值)，进而导致了行业、企业和个体的绿色低碳行为(数字价值行为) (Kim Yoonsang, 2018)；b) 环境规制(经济激励型、命令控制型)调节了运休的数字价值感知(数据、体验、生产和互动价值)对绿色低碳行为的作用(Manthey et al., 2020)。下面我们分别讨论这两类影响来源的假设。
3.2. 研究内容概要
为验证假设，本文进行了3个研究。研究一采用行为方程实验法，以西南某两所高校的管理类、贸易类相关专业的学生为被试，运用Smart PLS3.0软件对数据进行路径分析，检验主假设(H1H2H3)，即技术创新通过数字价值感知影响(个体)绿色低碳行为。研究二采用环境影响实验法，通过随机现场实验在实验室平台实时监控和抓取数据，利用环境刺激法进行效度检验，检验假设(H2H3)，即环境规制调节数字价值感知对绿色低碳行为的影响。最后，研究三通过采用行业生产数据法，通过在行业、统计局、企业平台的监控和抓取数据，利用线性回归分析法进行效度检验，检验假设(H1+H3+)，即技术创新对(行业、企业)绿色低碳行为的影响(见表1)。
Table 1. Summary of the study
表1. 研究概要
研究 |
样本 |
目的 |
检验 |
研究1 |
西南某三所高校商学院、经管学院学生 |
H1：技术创新对数字价值感知具有显著的正向影响。 H11：改进性技术创新对数字价值感知具有显著的正向影响。 H12：探索性技术创新对数字价值感知具有显著的正向影响。 H2：数字价值感知对绿色价值行为具有显著的正向作用。 H21：数据价值感知对绿色价值行为具有显著的正向作用。 H22：体验价值感知对绿色价值行为具有显著的正向作用。 H23：生产价值感知对绿色价值行为具有显著的正向作用。 H24：互动价值感知对绿色价值行为具有显著的正向作用。 H3：环境规制在数字价值感知与绿色价值行为之间起正向调节作用。 H31：经济激励型环境规制在数字价值感知与绿色价值行为之间起正向调节作用。 H32：命令控制型环境规制在数字价值感知与绿色价值行为之间起正向调节作用。 |
曼-惠特尼U检验和海耶斯
PROCESS插件
模型 |
研究2 |
西南某三所高校商学院、经管学院学生 |
H2：数字价值感知对绿色价值行为具有显著的正向作用。 H21：数据价值感知对绿色价值行为具有显著的正向作用。 H22：体验价值感知对绿色价值行为具有显著的正向作用。 H23：生产价值感知对绿色价值行为具有显著的正向作用。 H24：互动价值感知对绿色价值行为具有显著的正向作用。 H3：环境规制在数字价值感知与绿色价值行为之间起正向调节作用。 H31：经济激励型环境规制在数字价值感知与绿色价值行为之间起正向调节作用。 H32：命令控制型环境规制在数字价值感知与绿色价值行为之间起正向调节作用。 |
海耶斯PROCESS插件模型 |
研究3 |
运动休闲行业、企业和景区 |
H1+：技术创新对绿色价值行为具有显著的正向影响。 H11+：改进性技术创新对绿色价值行为具有显著的正向影响。 H12+：探索性技术创新对绿色价值行为具有显著的正向影响。 |
海耶斯PROCESS插件模型 |
4. 价值行为实验–结构方程实验
4.1. 研究方法
4.1.1. 数据收集
该研究采用横断面设计，方便抽样，收集2024年6月至7月间数据。样本涵盖曾去过、计划去或已预订旅游的群体，以及旅游业从业者。参与者来自北京、上海、深圳、成都和重庆的旅游行业。为深入了解行业情况，研究团队不仅实地走访部分企业交流，还利用线上会议形式与参与者沟通，并明确告知研究目的和范围。参与者需提交问卷或线上反馈表以保证信息机密性。总计完成517项调查，其中439项有效，有效率为85%。最终，基于马氏距离统计分析，从357份有效问卷中剔除63份不完全回答和19个多元离群值。
4.1.2. 参与者
参与者的平均年龄为32.15岁(SD = 4.75)。357名受访者中，男性占48.1% (年龄：M = 35.20岁，SD = 4.64岁)，女性49.5% (年龄：M = 33.77岁，SD = 4.57岁)。关于教育程度方面，大部分参与者拥有高中教育经历(73.1%)，23.6%的人拥有本科教育经历。
4.1.3. 测量变量
基于国内外成熟量表2，本研究团队根据专家学者及从业者的意见与建议，对部分测量题项进行了修正，并用李克特量表进行测量，1代表完全不赞成，5代表完全赞成。其中：
Table 2. Green value perception and behavioral impact
表2. 绿色价值感知和行为影响
Scales |
Kaiser-Meyer-Olkin KMO |
Barlett’s Test of Sphericity |
Approx. Chi-Square |
Df |
Sig |
技术创新(改进技术和探索技术) |
0.792 |
1307.772 |
13 |
0.000 |
价值感知 |
0.633 |
234.706 |
3 |
0.000 |
价值行为 |
0.587 |
251.009 |
3 |
0.000 |
环境规制 |
0.427 |
216.535 |
2 |
0.000 |
1) 技术创新
技术创新依据创新程度被分类为渐进式与突破式[9]、探索式与利用式[10]本研究使用Alexandra Langner (2017) [11]量表评估技术创新，选取7个项目代表两个维度：改进技术创新(3项)和探索技术创新(4项)。评分采用5分李克特量表，从“完全不符合”到“非常符合”。总体量表显示了足够的信度(α = 0.764; ω = 0.773)，每个维度的可靠性估计见表3。此研究方法确保了对不同形式技术创新的有效测量。
Table 3. Digital value perception and behavioral impact
表3. 数字价值感知和行为影响
技术创新 |
FC |
Ev |
C α |
Ed (%) |
Cvc (%) |
技术创新：改进技术 |
|
2.357 |
0.912 |
27.092 |
77.805 |
改进技术创新1：在住宿服务、餐饮服务*** |
0.811 |
改进技术创新2：科技模拟运动体验*** |
0.815 |
改进技术创新3：虚拟现实技术*** |
0.820 |
技术创新：探索技术 |
|
2.119 |
0.928 |
30.082 |
55.033 |
探索技术创新1：数字体育潮玩馆*** |
0.855 |
探索技术创新2：从结合AI的互动式*** |
0.865 |
探索技术创新3：科技与游戏的*** |
0.799 |
探索技术创新4：随着科技的*** |
0.833 |
价值感知 |
FC |
Ev |
C α |
Ed (%) |
Cvc (%) |
数据价值感知 |
|
2.008 |
0.836 |
32.172 |
64.025 |
数据价值感知1：AI为旅行者*** |
0.782 |
数据价值感知2：AI通过支持*** |
0.813 |
|
|
|
|
数据价值感知3：AI节省代理*** |
0.922 |
数据价值感知4：AI创建旅行*** |
0.871 |
数据价值感知5：帮助旅游企业*** |
0.902 |
体验价值感知 |
|
2.332 |
0.871 |
32.541 |
56.547 |
体验价值感知1：结合了AI技术*** |
0.803 |
体验价值感知2：在旅行、酒店*** |
0.915 |
体验价值感知3：AI技术创新*** |
0.905 |
体验价值感知4：由AI驱动*** |
0.877 |
生产价值感知 |
|
2.077 |
0.957 |
32.707 |
61.065 |
生产价值感知1：AI将对生产力*** |
0.844 |
生产价值感知2：在产品开发*** |
0.866 |
生产价值感知3：新技术新模式*** |
0.804 |
生产价值感知4：从长远来看*** |
0.828 |
生产价值感知5：在快节奏的*** |
0.911 |
互动价值感知 |
|
2.447 |
0.889 |
34.823 |
67.004 |
互动价值感知1：ChatGPT可能*** |
0.801 |
互动价值感知2：通过聊天*** |
0.838 |
互动价值感知3：技术的个性化*** |
0.803 |
互动价值感知4：数字运动*** |
0.811 |
价值行为 |
FC |
Ev |
C α |
Ed (%) |
Cvc (%) |
价值行为1：为进一步普及*** |
0.759 |
1.424 |
0.451 |
11.869 |
57.539 |
价值行为2：绿色旅游贯穿*** |
0.809 |
价值行为3：节假日活动*** |
0.694 |
价值行为4：在产品创新*** |
0.533 |
环境规制 |
|
|
|
|
|
经济激励型环境规制1：*** |
0.813 |
1.764 |
0.631 |
15.765 |
30.083 |
经济激励型环境规制2：*** |
0.768 |
经济激励型环境规制3：*** |
0.745 |
命令控制型环境规制4：*** |
0.692 |
命令控制型环境规制5：*** |
0.815 |
2) 价值感知
数字价值感知的测量研究中使用了Alexandra Langner (2017) [11]量表来评估不同形式的数字价值感知。该量表包括19个项目，覆盖四个维度：数据价值感知、体验价值感知、生产价值感知和互动价值感知，分别用5、4、6和4个项目表示。每个项目采用5分李克特量表评分。研究结果表明，整体量表具有良好的可靠性(α = 0.764; ω = 0.773)，并且每个维度的可靠性估计也见于表3。这证明了量表在测量数字价值感知方面的有效性。
3) 价值行为
绿色低碳行为的测定方式多样，涵盖生产效率、发展水平及旅游等多个方面。绿色生产效率通过碳排放和水源污染来测量[12]、绿色发展通过废水排放和废气排放测量[13]、绿色旅游测量包括低碳旅游、生态旅游和可持续发展[14]；Christopher R. Long [15]等人开发的四项量表用于评估数字价值参与行为，采用10分李克特评分，从“从不”到“总是”。
4) 环境规制
环境规制根据其性质分类，包括命令控制型、经济激励型和自愿型[16]。本研究使用Alexandra Langner (2017) [11]量表评估环境规制，选取5个项目代表两个维度：经济激励环境规制(3项)和命令控制环境规制(2项)。每个项目采用5分李克特量表评分，从“完全不符合”到“非常符合”。示例项目包括有关经济激励和命令控制的具体措施。量表总体显示出良好的可靠性(α = 0.764; ω = 0.773)，各维度的可靠性估计见表3。
4.1.4. 数据分析
采用验证性因素分析(CFA)，利用最大似然估计和2500个偏差校正引导样本进行模型估计。模型拟合质量通过多个指标衡量：比较拟合指数(CFI)、Tucker-Lewis指数(TLI)、近似均方根误差(RMSEA)以及标准化均方根残差(SRMR)。隐变量的判别效度采用Fornell-Larcker标准和异性状-单性状(HTMT)比值进行检验。根据Fornell-Larcker准则，每个潜在变量的AVE平方根应该大于它与其他变量的相关性；HTMT比值小于0.85表示具有良好的判别效度。在完成结构效度评估后，使用结构方程建模(SEM)进一步分析，其中价值挖掘行为作为预测因子，价值挖掘能力作为中介变量。SEM同样采用最大似然估计方法，并用相同的拟合优度指标进行评价。
对于假设H1和H2的测试，采用了Baron和Kenny的方法，包括三个步骤来确定间接效应的存在。为了更精确地测试中介效应，还应用了Sobel测试和偏差校正自举法，后者被认为是在中介效应测试中更为可靠的方法。所有分析都是使用WarpPLS版本13.0完成的。
4.2. 研究结果
4.2.1. 描述性分析
表3显示了平均值、标准差、信度、AVE值，以及技术创新、价值感知和价值行为维度的相关系数。计算产生加权平均因子分数，其中较高的分数表示更高的技术创新、价值感知和价值行为。
关于技术创新的维度，改进技术创新(M = 4.47, SD = 0.63)和探索技术创新(M = 4.25, SD = 0.63)维度，这表明技术创新具有很强的研发创新、产品创新、流程迭代的价值。关于价值感知的纬度，受访者在每个维度上的得分都很高：数据价值感知(M = 4.16, SD = 0.93)、体验价值感知(M = 3.23, SD = 0.93)、生产价值感知(M = 3.23, SD = 0.93)和互动价值感知(M = 3.23, SD = 0.93)的得分显示创建或者运营或者处理数字价值感知时都包含了很好的各个方面价值，并保藏了许多经济或者商业价值。最后，样本数据测量人员对参与者的价值行为的评分为9.33 (SD = 0.81) 10点李克特量表。大部分维度之间的相关性以上均有统计学意义。
4.2.2. 验证性因素分析和信度
在建立模型之前，对数据集进行了初步筛选估计。数据的分布特性被检查偏度和峰度。单变量偏度和峰度说明数据偏离正态分布。数据呈现负偏度和正过剩峰度。
测量模型显示出可接受的拟合数据(CFI = 0.943; Tli = 0.937; Rmsea = 0.056; 90% ci [0.051, 0.061]; SRMR = 0.065)。在结构信度方面，Cronbach’s α和McDonald’s ω值均高于0.70 (Nunnally & 伯恩斯坦，1994)。所有因素负荷均具有统计学意义(p < 0.001)，且所有变量均超过0.50的临界值(Hair et al., 2019)。技术创新的两个维度AVE值、价值感知的四个维度AVE值和价值行为量表AVE值超过建议的临界值0.50，表示适当收敛效度水平。虽然环境规制的AVE为0.491，但我们认为AVE水平是可以接受的，考虑到其可靠性(Fornell & Larcker, 1981)。表4显示了Cronbach的观点α，ω，AVE估计值。所有AVE的平方根值大于表4中报告的相关性。此外，HTMT比值低于0.85的临界值。这些结果支持判别有效性。
Table 4. Experimental data
表4. 实验数据
Construct |
技术创新 |
价值感知 |
价值行为 |
环境规制 |
Cronbach α |
0.947 |
0.953 |
1.000 |
1.000 |
AVE |
0.933 |
0.923 |
1.000 |
1.000 |
CR |
0.954 |
0.965 |
1.000 |
1.000 |
VIF |
3.782 |
4.628 |
1.543 |
2.858 |
No.items |
7 |
6 |
3 |
2 |
4.2.3. 假设检验
利用最大似然估计结构模型方法和一个有2500个自举样本的自举过程95%偏差校正CI来评估所提出的假设。根据结果表明，模型与数据的拟合程度较好(CFI = 0.943; Tli = 0.937; Rmsea = 0.056, 90% ci [0.051, 0.061]; SRMR = 0.065)。
H11表明改进技术创新可以积极预测价值感知，H1表明探索技术创新可以积极预测价值感知，H2表明价值感知可以积极预测价值行为。如表3所示，分析确定改进技术创新与价值感知呈正相关(β = 0.249, 95% CI [0.073, 0.461]; Se = 0.098; p= 0.015)，探索技术创新与价值感知呈正相关(β = 0. 226, 95% CI (0.033, 0.398); Se = 0.091; p = 0.015)，价值感知与价值行为呈正相关(β = 0.226, 95% CI (0.033, 0.398); Se = 0.091; p = 0.015)。因此，支持H1和H2。H3H4提示环境规制是H2的积极调节者。结果表明，经济激励环境规制增加H2，同时命令控制环境规制增加H2 (β = 0.415, 95% ci [0.135, 0.661]; Se = 0.135; p = 0.002)，支持H2。同时参见图2。
Figure 2. Verification diagram of the green and low-carbon behavior model
图2. 绿色低碳行为模型验证图
5. 环境影响实验–随机现场实验
5.1. 实验参与者
参与者是从四川两所大学的研究参与者库中招募的173人，将其随机分成三组。一组支付固定的10元微信红包完成研究。另一组要求强制参与，无任何奖励。最后一组既不给奖励也不强制参与。表5总结了每个样本的人口统计特征设计主体间组成部分的四个条件。参与者的特征控制组之间是否具有可比性，完成这项研究的平均时间是22岁，这表明受试者投入了充足的时间，疲劳不是问题。
Table 5. Demographic characteristics of the participants, divided by investigation group
表5. 参与者的人口特征，按考察组划分
|
单个推荐组 |
两个推荐组 |
考察组 |
仅仅激励 |
仅仅自愿 |
激励优先 |
自愿优先 |
#参与者 |
59 |
59 |
28 |
27 |
%女性 |
47.5% |
45.8% |
35.7% |
48.2% |
年龄：平均(SD) |
21.0 (9.03) |
20.6 (8.70) |
21.1 (7.07) |
22.7 (12.26) |
%理工科生 |
55.7% |
64.5% |
55.4% |
56.78% |
5.2. 实验刺激
本研究使用了来自实验室、线上和线下材料库的模拟绿色价值感知材料，这些材料在先前文献(Adomavicius等人，2013) [17]中被广泛采用。实验在经济管理学院实验室进行，我们从150个运动休闲数字材料的数据集中筛选出100个作为最终样本。这些材料涵盖了照片、视频、文档等体育、旅游、运动类内容，以评估参与者对价值感知判断和经济影响刺激的反应。我们确保选择过程稳健且规律，以证明结果的普遍性。参与者在阅读每个材料后立即进行价值感知评级，避免记忆效应引起的价值不确定性，确保评级纯粹反映参与者即时感知的价值。
5.3. 实验过程
本研究分为两个阶段，旨在绿色价值感知与环境规制对参与者绿色价值行为影响的差异。
在第一阶段，参与者使用5星评分量表(包括半星)评估了从100个数字材料中随机抽取并排序的50个样本。这些材料没有附带额外信息或建议，其目的主要是收集数据以进行绿色价值感知评分，并进行不同数字材料价值行为的估计。
进入第二阶段，参与者收到了45个全新的、未在第一阶段出现过的数字材料及其评分建议。这些建议是随机生成的，但展示给受试者时表现为激励化或自愿化建议。参与者被分成三组：一组仅接收经济激励环境规制建议，另一组仅接收自愿意识环境规制建议，第三组同时接收两种类型的建议。为了控制顺序效应，第三组细分为两部分，分别先看到经济激励环境规制或自愿意识环境规制。对于实验控制，第二阶段的数字材料的推荐评分被设定为高、中、低三个级别，分别对应3.5~4.5星、2.5~3.5星、1.5~2.5星的随机值，目的是确保价值感知的现实性和可信度。高低评分用于检验偏差效应，而中等评分则帮助覆盖整个评级范围。在单个推荐组中，45个数字材料被分为三种推荐情况：20个高评分，20个低评分，以及5个中等评分。而在双推荐组中，45个数字材料被分配到五种情况，其中40个遵循一个2*2的设计，考虑了经济激励环境规制和自愿意识环境规制的不同组合，剩下5个作为中等评分示例。
5.4. 研究结果
实验对被试的类型与行为能力进行了测量，数据分析表明：类型的主效应显著、价值感知的主效应显著；类型、绿色价值感知、绿色价值行为三者间的双因素交互和三因素交互作用均不显著。这些结果表明，被试的类型与价值感知对实验结果产生了显著的系统性影响。为检验假设，进行了2 (实验数目：2 vs 4) × 2 (实验感知：无价值vs有价值)被试间ANOVA分析，发现：实验数目的主效应显著(实验难度：F = 13.577，p < 0.001；价值感知：F = 16.891，p < 0.001)；实验感知的主效应显著(价值感知：F = 8.62，p < 0.01；价值行为：F = 12.178，p < 0.01)；且实验数目与价值感知的交互效应显著(选择难度：F = 7.837，p < 0.01；价值行为：F = 4.976，p < 0.05)。实验结果显示，在相对无价值集中，增多激励规制会明显增加人们的价值感知和价值行为；在有价值集中，增多自愿规制也会明显加重人们的价值感知和价值行为。因此，假设H31和H32在随机现场实验中得到支持。
6. 行业模型实验–线性回归实验
6.1. 模型设定
为实证检验技术创新生产力对运动休闲绿色低碳行为的影响，构建计量模型设定为如下形式：
(1)
(2)
其中，
为常数项，被解释变量
用2013~2023年企业绿色创新。两个回归方程采用相同的控制变量，包括企业年龄(调研年份减去企业登记注册时间的对数值来表示)、员工工资水平(企业员工的平均工资水平并取其对数值)。
表示年份层面的时间固定，
表示区域层面的个体固定，
是随机扰动项；i和t分别代表区域和年份。
解释变量为技术创新变量，其中，
为改进性技术创新，用非发明专利(包括实用新型专利和外观设计专利)授权量加1后取自然对数来衡量；
为探索性技术创新，新颖专利占总专利数的比例衡量。调节变量
为环境规制，用企业缴纳的排污费征收额衡量，(测量方法见表6)本文数据来源：启信网、天眼查、wind、东方财富、安踏官网。按照Baronand Kenny (1986)的逐步法，我们逐个对回归式(1)~(2)进行回归。
Table 6. The names and definitions of the study variables
表6. 研究变量名称和定义
变量类型 |
变量名称 |
变量符号 |
计算方法 |
被解释变量 |
绿色价值行为 |
LJX |
2014~2023年企业绿色创新(以上市公司当年申请的绿色专利数量加1取自然对数来度量) |
解释变量 |
改进性技术创新 |
GJC |
用非发明专利(包括实用新型专利和外观设计专利)授权量加1后取自然对数来衡量企业渐进性创新 |
探索性技术创新 |
TJC |
新颖专利占总专利数的比例衡量 |
调节变量 |
经济激励型环境规制 |
JHG |
排污费征收额 |
6.2. 变量和数据来源
本文选取2014~2023年运动休闲行业为研究样本，数据来自启信网、天眼查、wind、东方财富、安踏官网。为保证数据的可靠性，对样本做如下处理：1) 剔除金融类公司；2) 剔除ST、8 ST 类公司；3) 剔除关键变量数据严重缺失的公司；4) 剔除连续数据少于5年的样本公司；5) 为削弱异常值对统计推断的不利影响，对所有连续变量进行上下1%缩尾处理。
6.3. 描述性统计分析
描述性统计分析结果如图3所示。绿色价值行为(LJX)的均值为2.273，最大值为3.611，最小值为1.386，反映了行业领域企业的绿色低碳转型行为。改进性技术创新(GJC)和探索性技术创新(TJC)的标准差分别为0.785和0.042，相对较大，表明企业技术创新方面参差不齐。JHG的中位数为2.722，最小值和最大值分别为1.224和3.802，表明环境规制对企业绿色行为的影响水平高。
Figure 3. Descriptive statistics
图3. 描述性统计
6.4. 回归模型分析
图4数据显示，改进性技术创新的回归系数为0.763，在1%的显著性水平下有效促进企业绿色行为，部分验证了文章假设H1。探索性技术创新的回归系数为4.751，在10%的显著性水平下同样对企业绿色行为有正面影响，部分支持假设H2。控制变量中，员工工资水平的回归系数为−3.665，在5%的显著性水平下对企业绿色行为有抑制作用，表明工资增长可能促使企业行为更加保守，不愿投入更多资金进行新产品或新技术的研发，来综合企业的成本，保证企业利益。企业年龄的回归系数为0.699，在5%的显著性水平下对改进性创新有正向影响，这可能是由于随着企业老化，技术和产品更新的需求减少，导致企业更多地关注于通过绿色行为来保持竞争力。
Figure 4. Regression analysis 1
图4. 回归分析1
为检验文章假设H311+，进一步研究环境规制对企业绿色行为的调节效应，引入环境规制及其与改进性技术创新的交互项，对模型进行回归，具体结果如图5所示。由图5列(1)~列(3)可以发现，环境规制与改进性技术创新的交叉项系数为0.244，且均通过1%的显著性水平检验。说明环境规制可以强化改进性技术创新对绿色价值行为的促进效应。原因可能是政策的颁布使得企业期望通过简单的改进创新强化企业的绿色行为。故文章假设H311+得到验证。
Figure 5. Partial regression analysis 1
图5. 部分回归分析1
为检验文章假设H312+，进一步研究环境规制对企业绿色行为的调节效应，引入环境规制及其与探索性技术创新的交互项，对模型进行回归，具体结果如图6所示。由图6列(1)~列(3)可以发现，环境规制与探索性技术创新的交叉项系数为5.324，且均通过5%的显著性水平检验。说明环境规制可以强化探索性技术创新对绿色价值行为的促进效应。且其效应大于环境规制对改进性技术创新的调节效应，原因可能是政策的调节使得企业意识到光靠改进性技术创新推动企业绿色行为较弱，纷纷加强了探索性创新，使得企业行为更符合国家标准。故文章假设H32+得到验证。
Figure 6. Partial regression analysis 2
图6. 部分回归分析2
本研究通过引入环境规制作为调节变量，检验其在改进性技术创新和探索性技术创新对企业绿色行为中的调节效应。从模型的数据(见图7)结果中可见，改进性技术创新的系数在1%置信水平下显著为正，而探索性技术创新的系数在10%置信水平也显著为正，这表明改进性和探索性技术创新对促进企业的绿色价值行为有积极作用。
Figure 7. The overall regression analysis
图7. 总体回归分析
进一步分析显示，改进性技术创新与环境规制交互项的系数为正，并在1%置信水平下显著，这意味着随着环境规制强度的增加，技术创新对企业绿色行为的促进作用增强。为了更深入理解这一现象，在后续模型(1)至模型(4)中逐步引入了企业年龄和员工工资水平作为固定效应。即便在控制这些因素后，改进性技术创新与环境规制交互项的系数依然为正且保持显著性，显示出环境规制的调节效应稳定存在。
特别地，在环境规制的影响下，探索性创新为负显著。这可能是由于在严格的环境规制下，企业更倾向于专注于改进性创新而非探索性创新，以符合政策要求并推进环保技术或产品的发展。基于以上分析，我们可以得出结论：技术创新对企业绿色价值行为具有显著推动作用，而环境规制能显著强化这一路径，特别是对于改进性创新而言。
6.5. 回归模型结论
根据以上几组数据可以看出，即使解释变量技术创新以及被解释变量企业绿色行为回归系数均显著，而环境规制的调节效应在改进性技术创新和探索性技术创新的回归系数在1%水平上显著。控制变量在员工工资水平和企业年龄回归系数至少在10%水平上显著为正。这说明环境规制调节技术创新到企业绿色价值行为这一路径作用显著，企业绿色价值行为受技术创新的影响很强，也表明环境规制能够加强对企业的绿色行为约束，起到环境保护监督作用，上述猜想得到验证。
7. 研究结论
7.1. 研究发现
本研究分析了数字垃圾价值挖掘能力的四个影响因素：废物资料价值、用户危害价值、循环利用价值和隐私经济价值。我们探讨了这些价值在相关活动中的作用，确定了它们通过中介机制推动数字垃圾挖掘行为的方式。同时，研究还考察了环境规制对价值、能力和行为的影响。
四大主要发现如下：
第一，改进性技术创新有助于促进绿色价值行为，从而推动运动休闲行业的绿色发展。
第二，绿色价值感知不仅直接预测绿色价值行为，还显著增强了改进性与探索性技术创新对绿色价值行为的积极影响。
第三，探索性技术创新能够有效降低排放，助力运动休闲行业实现低碳发展。
第四，环境规制分为市场激励性和命令控制型两类，两者对创新技术到绿色价值行为的促进有正向影响。
7.2. 研究结论
研究表明：1) 科技生产力对绿色价值行为具有积极影响，技术创新作为一种新质生产力能够有效促进产业的低碳化转型，降低产业碳排放量、减少环境污染。2) 科技生产力对绿色价值行为的促进作用可以通过高科技创新的支持包括使用改进性技术创新和探索性技术创新实现。3) 绿色价值感知在科技生产力影响运动休闲行业低碳转型过程中具有正向调节作用。4) 环境规制实施能够有效推动创新使得企业的行为更加符合国家绿色规范。
7.3. 研究局限性
尽管研究提供了宝贵的见解，但也存在若干局限性。首先，研究结果的普遍适用性有限，因为该研究是基于特定范围内的数字垃圾样本进行分析，这些结论可能无法直接应用于其他不同背景或环境中的情况。这提示我们在推广研究发现时需要谨慎对待，并考虑更多变量。
其次，在虚拟空间和宇宙空间这两个复杂且不断发展的领域中，仍有许多未知因素等待我们去探索。随着技术的进步和新现象的出现，当前的研究或许未能全面捕捉到所有相关动态，这为未来的研究留下了广阔的空间。
另外，对于新质生产力的研究主要聚焦于技术创新这一方面，而忽视了如高科技、人才、新能源等其他关键要素对绿色行为发展的重要作用。这种单一视角可能会限制我们对生产力提升机制的理解深度。
最后，本研究缺乏来自企业内部的一手调研数据。这类一手资料往往包含更详细、更准确的信息，能够提供更为深入的洞察力。因此，未来的研究应该尝试结合多样的数据源，以获得更加全面的结果。通过克服这些局限，我们可以期待在相关领域取得更加丰富和可靠的成果。
7.4. 未来研究
鉴于数字垃圾问题的持续性，未来研究应从更多样化的视角出发，尤其是在虚拟世界或元宇宙等新兴领域，深入调查数字垃圾的挖掘与管理策略。同时，未来的研究将考虑引入更多变量，如高技术人才、新能源、高科技等，并拓展到不同产业，以丰富和完善现有理论框架。此外，加强实验设计和数据收集，特别是增加企业内部的一手数据，可以提高研究结果的准确性和适用性。未来研究还要聚焦某一区域的产业问题，以期为某一区域的产业进行改善调整，实现更大价值。
基金项目
2024年成都市文化经济研究中心项目资助(项目名称：智能媒介赋能天府文化家庭传承与创新，项目编号：CE202418)。2024年成都绿色低碳发展研究基地项目资助(项目名称：成都市数字垃圾资源化利用与绿色低碳发展的研究，项目编号：LD2024Z63)。2023年成都绿色低碳发展研究基地项目资助(项目名称：成都消费者绿色低碳行为研究，项目编号：LD23YB39)。
NOTES
*通讯作者。