重新理解战略判断

从动态选择到评价标准：SMJ 2026 年第 47 卷第 11 期深度导读

Strategic Management Journal · Volume 47, Issue 11 · November 2026

行业真的不重要吗？制度越细越好吗？企业变绿就意味着污染减少吗？本期 SMJ 的七篇论文重新审视战略研究中的熟悉判断，从实物期权、行业分类与契约治理，延伸到 AI 模拟、高管评价、ESG 和创业培训。它们共同提醒我们：理解战略结果，必须同时检查选择过程、测量边界与评价标准。

导读导航

• 全期概览：七篇论文，三个观察角度
• 一、实物期权：将战略看成一连串相互约束的选择
• 二、行业效应：行业不重要，还是企业分类有误
• 三、法律与契约：制度越具体，合作就越容易吗
• 四、AI 智能体：让战略互动接受反复试验
• 五、CEO 的社会阶层：成功与失败的不对称评价
• 六、ESG 与污染外包：减排是否越过了企业边界
• 七、创业培训：价值理论如何影响能力感
• 综合观察：本期怎样推进我们对战略的理解
• 参考文献

全期概览：七篇论文，三个观察角度

企业绩效有多少来自行业？基础设施投资应由政府还是使用者付费？普通家庭出身的 CEO 能否凭借好成绩摆脱偏见？这些问题分属不同领域，却共享一个前提：研究者必须说明，如何识别选择、划定比较范围，以及评价结果。

《Strategic Management Journal》（《战略管理期刊》，以下简称 SMJ）2026 年第 47 卷第 11 期的七篇研究论文，为这些问题提供了多层次的回答。正文自第 2823 页至第 3066 页，依次讨论实物期权、行业效应、公私合作、AI 智能体模拟、CEO 的社会阶层、ESG 与污染外包，以及坦桑尼亚的创业培训。该刊期标注为 2026 年 11 月，本文按正式出版顺序展开解读。

从阅读上，可以将本期理解为三个彼此关联的观察角度。其一是企业如何选择：实物期权研究关注跨期决策的逻辑，AI 研究提供考察多方互动的新工具，创业培训研究追问决策方法如何改变创业者对自身能力的看法。其二是研究如何识别企业所处的环境：行业分类决定了我们把哪些差异归于行业，PPP 法律决定了何种契约更容易成立。其三是组织如何评价与回应评价：董事会对 CEO 的判断可能受到出身影响，企业也可能通过调整供应链来回应 ESG 投资者的压力。这一组织方式是本文的综合解读，并非原刊正式设定的专题名称。

图 1　七篇论文的阅读地图

本期的方法涵盖理论推演、机器学习、观察研究、AI 模拟、准实验与随机试验。以下解读同时关注发现与证据边界：理论自洽不保证现实适用，模拟不直接证明人类行为，随机比较也只能回答被实际操纵的问题。

一、实物期权：将战略看成一连串相互约束的选择

Arkadiy V. Sakhartov、Joseph T. Mahoney、Jeffrey J. Reuer｜2823–2870 页｜DOI：10.1002/smj.70109

Deepening the real options debate: Real options as dynamic optimization

争论的核心：实物期权究竟多解释了什么

实物期权的直观吸引力很强：企业可以先投入少量资源，保留未来扩张、转换用途或退出的权利，待信息变得更充分时再决定如何行动。但如果将它仅仅理解为“小步试错、保持灵活”，一个疑问随即出现：这与组织学习、行为理论或一般意义上的渐进决策究竟有什么不同？Sakhartov、Mahoney 与 Reuer 重访二十多年前围绕这一问题的争论，认为实物期权要重新成为战略研究的重要支柱，必须首先说明自身独特的理论约束。

作者将早年的批评分为两个相互联系的层面。一方面，实际组织中的机会未必能事先列清，搜索会改变可行选择，决策权分散、心理偏差和不明确的到期时间也会妨碍期权行使。另一方面，即使逐个修补这些现实困难，理论仍需解释为什么自己不是对其他组织理论的重新命名。早期回应有的强调宽泛的“期权思维”，有的把实物期权限制在投资定价，未能形成统一答案。本文的核心主张是：应把“不确定性下的动态优化”确立为理论的第一原则。

动态优化为何不等于普通的灵活决策

动态优化要求企业在当前信息与可行选择的约束下，同时考虑眼前收益和未来行动的价值。今天的决定不仅产生现金流，还会改变明天能做什么、改变行动成本，并使某些机会永久消失。作者用贝尔曼方程阐明这种递归结构：当企业比较当前行动时，必须把行动之后仍可采取的最优后续决策纳入价值评估。其独特性不在于笼统承认“未来不确定”，而在于对整个决策序列施加动态最优性的要求。（Sakhartov et al., 2026，第 4 节）

论文中的业务调整情境可以帮助理解。一个拥有两项业务的企业，可以继续保留两项业务，把外围业务的资源转移到核心业务，或者出售外围业务。出售之后，原本依托这些资源的后续转换机会也会消失；暂时不卖，虽然可能承受短期低收益，却保留了另一种未来。由此产生的等待可能具有经济合理性。观察到企业迟迟不退出，并不足以认定管理者陷入承诺升级；研究还需要区分理性等待与行为偏差分别预测的条件。

这也解释了作者为什么不把无套利市场均衡视为一切实物期权分析的必要前提。金融期权定价关注市场如何形成价格，战略研究则往往关注特定企业怎样配置难以交易、具有独特用途的资源。贝尔曼式动态优化既可用于估值，也可用于推导何时扩张、转换或退出；研究者是否进一步引入无套利定价，应由情境与研究问题决定。这是作者提出的理论立场，而非对实物期权全部既有用法已经达成共识的宣告。

现实约束可以纳入模型，但并非所有困难都已解决

作者对现实性的回应并不是简单声称模型可以解释一切。首先，模型需要列出企业在当前时点认为可行的选择，却不要求研究者预先规定最优行使规则；规则本来就应是求解结果。若意外制度变化创造了此前不存在的机会，可以按新状态重新求解。其次，需要区分两种搜索：通过试验了解已知选项的收益分布，可以纳入动态优化；主动创造事前无法枚举的全新选项，则仍是实物期权框架的重要边界。重新设定模型并不等于模型已经内生解释了机会创造。

分散决策权的问题同样不能轻描淡写。不同部门的激励、信息和权限可能使企业偏离整体最优，将代理冲突与复杂跨期优化结合起来仍具有很大难度。对于心理因素，作者指出风险厌恶、模糊厌恶或损失厌恶可以在明确的目标函数和信息结构中建模；但“能够建模”不意味着模型自动适合任何偏差。对于期权到期时间，则可以通过有限寿命设定、无限期模型以及敏感性分析检验结论是否依赖人为选取的期限。

对研究与管理的启示

这篇论文的价值，是把“保留灵活性”推进为更严格的决策问题。对管理者而言，投资评估需要标明当前行动会关闭哪些未来路径，以及为了保留这些路径究竟付出了多少成本。对研究者而言，更有识别力的工作应当从模型推导能够区分竞争性解释的预测，而不是仅凭企业分阶段投资或延迟退出，就认定它们运用了实物期权。

附件的 Excel 补充材料包含 Setup、Backward 和 Forward 三个工作表，以保留业务、资源转移和业务放弃等选择展示设定、逆向求解及前向过程。它使抽象论证具有可追踪的数值载体。本文据正文与工作簿结构解读，未重新计算工作簿或独立复现全部数值推演。作为理论重构论文，它提供的是更清楚的解释框架与研究议程，而非一组证明所有企业都能动态最优化的经验结果。

二、行业效应：行业不重要，还是企业分类有误

Alireza Eshraghi、Bart S. Vanneste｜2871–2900 页｜DOI：10.1002/smj.70106

Revisiting industry effects: The assignment of firms to industries

被忽视的前提：谁应该与谁归为一类

企业绩效主要取决于行业环境，还是企业自身？战略研究长期使用方差分解回答这一经典问题，将绩效差异分配给行业、企业、年份和其他因素。Eshraghi 与 Vanneste 提醒读者：在计算“行业解释多少”之前，研究者已经做出了“哪些企业属于同一行业”的决定。如果一个分类把差别很大的企业放在一起，行业内部差异会变大，本来属于不同业务环境的差异就可能被记在企业自身的名下。

因此，行业代码并不是无关紧要的数据整理步骤。传统 SIC 分类具有历史连续性，却可能无法充分反映新业务形态，也可能把多种经济活动放进过于宽泛的标签中。文章没有简单主张某一种行业定义绝对正确，而是同时比较 SIC、NAICS、GICS、Hoberg–Phillips 文本分类，以及作者构建的机器学习分类，考察分类差异怎样传导到战略研究的经典结论。

研究设计：用同一批企业比较不同的行业地图

主样本来自 Compustat North America，覆盖 2000—2021 年，共有 7,943 家企业、83,462 个企业—年度观测。作者依据既定规则排除金融企业、缺失值、过小企业以及不满足可比性要求的观测，再在共同样本上比较不同方案。这一点很关键：结论变化并非简单来自“换了一批企业”，而是与同一批企业被怎样归组有关。

机器学习方案使用企业 10-K 年报中的业务描述，通过文本嵌入把描述转换为能够表达语义相似性的数值向量，再用 K-means 聚类形成行业。初始行业中心基于样本首年的单业务企业形成，其他企业按与中心的接近程度归入行业。作者在不同聚类数量下重复比较，并使用贝叶斯分层模型将资产收益率的差异分解为行业、企业、年份和误差部分。这里的 AI 用于测量与归类，并不是让语言模型直接判断某家公司绩效好坏。（Eshraghi & Vanneste, 2026，第 3 节）

核心结果：更改分类会重写行业与企业的相对解释力

正文表 5 给出了最直观的对照。在数量大体接近、但并不完全相同的行业分组层级上，SIC 两位码的行业方差占比为 6.9%，NAICS 三位码为 7.5%，GICS 六位码为 14.3%，Hoberg–Phillips 的 100 聚类方案为 10.5%，机器学习的 100 聚类方案为 25.4%。与之对应，企业方差占比从 SIC 下的 62.0% 降至机器学习方案下的 45.9%。这不是企业突然变得不重要，而是绩效差异在统计分解中的归属发生了变化。

作者还拆开比较了文本表示与聚类算法。相对较早的文本分类方式，使用更丰富的语义嵌入和改变聚类方法都对结果差异有所贡献。其他检验包括区分单业务与多业务企业、更换嵌入模型、调整极端值处理方式、改变估计方法，以及用较短时间段允许行业归属更新。附录 S1 汇总了这些形式证明与稳健性分析，S2 压缩包则包含行业归类、贝叶斯模型和绘图的三个 notebook、分类及效应数据文件。附件可以帮助读者追踪结果如何产生，但复现某些环节仍需要相应的原始数据、运行环境和接口条件。

需要改变的是研究习惯，而非用一个新比例替代所有旧比例

这些数字是特定样本、分类层级和统计模型下的方差占比，不能理解为“选对行业必然带来 25.4% 的绩效改善”，也不能据此宣布机器学习识别出了唯一真实的行业边界。分类方案在经济含义、稳定性和可解释性上各有取舍。标准分类便于跨库匹配、官方统计和对外沟通；基于文本的分类则更适合描述渐变的相似性、探索新兴业务或寻找潜在竞争者。

对企业战略分析而言，这篇论文提出一个非常实际的要求：在评价自己跑赢或跑输“同行”之前，先检查同行是否真的面对相似的产品、技术和需求条件。对研究者而言，行业固定效应、行业调整后的绩效指标以及同业比较都值得做分类敏感性检验。本文进一步认为，行业定义应当成为理论设计的一部分，而不只是数据集提供什么代码就使用什么代码。本期另一篇 CEO 论文使用行业调整后的股东回报，更说明这个测量问题与其他战略主题存在联系；这是一种跨论文的方法启示，并不意味着行业论文已经推翻了 CEO 论文的结论。

三、法律与契约：制度越具体，合作就越容易吗

Mohammad Hosseini、Bertrand V. Quelin｜2901–2931 页｜DOI：10.1002/smj.70111

Disentangling contract and law: Legal specificity and contractual governance in public–private partnerships

公私合作同时需要可信承诺与调整空间

公私合作项目通常周期长、投资大，而且政府兼具交易对手与公共权力行使者的身份。私人投资者既担心政府未来改变政策、收费或合同条件，也需要在需求、技术和成本变化时及时调整项目。Hosseini 与 Quelin 将这两种需要放在同一框架中：更具体的法律可以约束政府自由裁量、提高承诺可信度，却也可能增加调整成本。由此，法律与契约的关系不能只被理解为“法律越强，合同越容易实施”。

文章关注需求风险由谁承担，并以两类支付安排体现这种差异。政府付费项目主要由公共部门向私人伙伴支付费用，收入通常较少受到实际使用量影响；使用者付费项目依靠通行费或服务收费，私人伙伴承担较大的需求风险。后者的收益取决于需求变化，也就更依赖定价、服务设计与运营调整空间。若法律规定过于细密，私人伙伴承担了风险，却缺少管理风险所需的行动余地，使用者付费安排就可能失去吸引力。

数据与识别：研究的是法律细化程度，而非法律质量总分

作者研究 1997—2021 年 53 个国家、8 个行业的 3,986 个 PPP 项目，合计项目价值约 1.29 万亿美元。样本聚焦最终采用了 PPP 专门立法的国家，并排除几乎不采用使用者付费的社会基础设施等情境。研究将项目公告日期与当时有效的法律版本匹配，用法律条款数量衡量“具体程度”，按样本中位数划分高、低具体性制度，再比较立法前后的项目安排。（Hosseini & Quelin, 2026，第 3 节）

分析采用熵平衡调整可观测特征差异，结合国家—行业和年份固定效应，并使用泊松伪极大似然模型估计支付机制的关联。法律附录进一步说明了主条款与子条款的计数、法律修改与替代版本的追踪方式。这些细节提示，所谓“具体”是立法颗粒度的代理指标，并不等于法律执行力、条款合理性或司法公正。相同条款数量的法律，完全可能在内容和实际约束上存在差异。

主要发现：同样是立法，可能对应相反的契约变化

如果把所有 PPP 专门立法合并考察，立法与使用者付费选择之间的总体关联并不显著。分组后，差异才清楚显现：在高具体性法律样本中，立法与使用者付费的预期采用概率相对下降约 37% 相关；在低具体性法律样本中，立法与其相对上升约 89% 相关。这里是模型估计的相对变化，不是概率下降 37 个或上升 89 个百分点，更不是对任何单个国家的直接预测。（原文表 3）

政治制度与法律细化程度也有关。对政府的制度性约束较弱时，国家更倾向于制定具体的 PPP 法律；在政治制衡更强的情境下，立法可以更多依靠原则性框架，为项目留下裁量空间。这符合一种补偿逻辑：当一般制度不足以形成可信承诺时，需要更具体的法定安排来弥补。但这种保护也有代价，它可能改变私人伙伴愿意接受的风险类型。

市场层面的分析使结果更完整。高具体性法律与 PPP 项目数量增加相关，却没有带来显著的使用者付费项目占比上升。因此，详细法律可能帮助扩大合作规模，同时推动更依赖政府支付的项目组合。低具体性法律则与更高的使用者付费占比相关。这避免了一个常见误读：减少使用者付费并不意味着所有 PPP 都受到了压制，合作数量和合作方式是两个不同维度。

实践启示与证据边界

对政策制定者和项目参与者而言，最值得借鉴的不是在“严格”与“宽松”之间选边，而是检查法律规定、支付安排和需求风险是否彼此匹配。要求私人伙伴承担需求波动，同时限制其调整收费、服务或运营的能力，可能使合同形式上完成风险转移，经济上却难以维持。反过来，单纯增加自由裁量，如果没有可信的政府承诺，也未必能吸引投资。

作者明确承认这是关联性研究。国家并不随机立法，也不会随机选择条款多少；政策、财政和市场条件可能同时影响法律与项目安排。附录中的两阶段残差纳入分析被定位为敏感性诊断，而非充分的因果识别。研究也未细分所有最低收入担保、补贴或混合付费情形。因此，更稳妥的结论是：法律的具体程度与需求风险分配存在系统性联系，治理设计需要同时考虑保障与适应，而不能把条款数量当成越高越好的目标。

四、AI 智能体：让战略互动接受反复试验

Matteo Tranchero、Cecil-Francis Brenninkmeijer、Arul Murugan、Abhishek Nagaraj｜2932–2958 页｜DOI：10.1002/smj.70112

Simulating strategic interactions with AI agents

从直接询问模型，到让模型参与互动

战略结果往往不是单个行动者决定的。一家公司是否探索新技术，不仅取决于自身收益预期，也取决于竞争者会不会先试、试验结果是否公开，以及别人能否免费使用这些信息。传统计算模拟可以精确控制行为规则，但规则的现实性需要研究者自行设定；真人实验更接近实际行为，却难以低成本地遍历大量情境。Tranchero 等人的论文探讨了第三种工具：让大语言模型驱动的智能体进入有规则的环境，逐轮作出决策，通过互动产生结果。

这一方法与直接向聊天模型询问“这个实验会有什么结果”有实质区别。研究者建立中央实验引擎，规定环境、信息、行动顺序与收益计算；智能体只依据自己当时得到的信息选择行动，随后由引擎更新状态。研究者记录行动、收益和模型给出的解释，再比较不同实验条件。复杂互动的结果是运行过程产生的，不是模型一次性写出的预测段落。

基准任务：为什么更多信息可能让群体赚得更少

作者以一项已有真人实验作为基准：5 名参与者在 5 座虚拟山中寻找宝石，每轮包含两个决策阶段，宝石有低、中、高三档价值。基准环境允许多名参与者选择同一座山，而且每个人都获得完整收益，不需要分成。实验分别在开始时不提供宝石位置，或公开一座含低、中、高价值宝石的山，观察群体探索与收益如何变化。真人实验包含 180 名参与者、720 轮；AI 基准复现进行了 500 轮模拟。（Tranchero et al., 2026，第 4 节）

反直觉结果出现在公开中等价值宝石时。已有一个足够不错且确定的选项，参与者就容易集中选择它，放弃探索更高价值宝石。第一阶段看似降低了风险，却可能减少第二阶段获得高收益的信息。真人和 AI 都出现了这一核心模式：中等价值信息可能抑制探索，使群体总收益低于不提供信息的情况。它为“数据越多越好”的直觉提供了一个有条件的反例——信息会改变激励和行动，而不只是让原有选择更加准确。

人机差异同样重要。在公开中等价值宝石的条件下，真人约有 45% 的轮次仍发现了最高价值宝石，AI 则几乎没有。模型更严格地贴近理论预测，却未充分呈现真人可能因好奇、无聊、注意力变化或其他原因而产生的探索。因此，复现了总体方向不意味着复现了完整的人类行为分布。对于利用模拟设计后续实验的研究者，这个差异本身就是需要解释的结果。

真正的用途：筛查边界条件和生成新假设

在基准之后，作者进行了 800 轮参数变化、1,500 轮理论假设放松和 1,000 轮偏好操纵的模拟。扩大参与者数量、增加选项或把收益金额成倍放大，并没有自动消除对中等回报的聚集。更关键的变化来自收益是否需要分享：当多人选择同一座山必须分摊回报时，拥挤变得昂贵，智能体更愿意探索，原来的结果模式随之改变。相较之下，仅仅不告知宝石类型的概率分布，并未产生同样强的反转。

通过提示改变部分智能体的风险偏好、亲社会目标或探索目标，也能增加探索，部分设定还出现对其他智能体的带动。这些结果可以提出有价值的问题：是否只需少数偏好探索的成员，就能改变整个群体的行为？竞争性收益会不会比信息完整性更重要？但论文将这些定位为待验证的假设线索。它们来自模型行为，不能直接写成真实团队已经存在相应机制的实证发现。

“研究用模型生物”的比喻，连同它的限制

作者把 AI 智能体比作战略研究的“模型生物”：它们可以帮助快速筛查实验设定、发现脆弱的假设、决定把昂贵的真人实验资源投入哪里。这个比喻的价值，恰在于模型与目标对象存在距离。语言模型训练数据中的群体偏差、提示措辞效应、版本变化和不透明性，都会影响外部有效性。模型输出的行动解释也不应当被视为人类心理机制的直接观测。

在线附录 F 提供了重要的复现信息：报告使用 GPT-4-Turbo 经 EDSL 运行，列出生成设置、各条件运行次数、随机过程和代码。附录还说明未固定语言模型随机种子，模型调用失败或答案无法解析时，程序会选择一个随机有效行动并记录错误标记。这样的实现细节不是枝节，它决定了别人怎样评估、重复和解释模拟。本文的阅读建议是，把此类方法放在“理论—模拟筛查—真人或现场验证”的研究链条中；若用于企业决策，则适合先检查假设与情景，不能仅凭模拟结果作出确定的市场预测。

五、CEO 的社会阶层：成功与失败的不对称评价

Michelle Lee、Shelby L. Gai｜2959–2992 页｜DOI：10.1002/smj.70113

Shifting standards due to social class? The role of social class background in CEO career outcomes

爬到组织顶端之后，出身还会继续发挥作用吗

关于社会阶层的研究经常讨论进入精英岗位的障碍：家庭资源、教育机会、社会网络和文化习惯，会影响谁有机会成为领导者。Lee 与 Gai 把视角放到另一个阶段：一个人已经成为 CEO，早年的家庭背景是否仍会影响董事会对他的评价？文章的答案具有明显的不对称性。较低阶层出身的 CEO 可能在表现出色时得到更高奖励，却在绩效不佳时承受更强惩罚。

作者借助“评价标准转移”模型解释这种现象。对带有负面刻板印象的群体，评价者可能对一般表现抱有较低预期，却要求更多证据才愿意确认其真正具备领导能力。当这些人已经跨过很高的能力证明门槛并当选 CEO，他们会显得格外突出。但完成一次证明，不代表后续评价中的偏见消失；他们仍可能反复面对“再证明一次”的要求。

相反，对于被默认有能力的人，评价者可能需要更多证据才愿意认定其失败。于是，同样的业绩下滑，对于一个人可能被解释成外部环境不佳，对于另一个人却更容易被解释成能力不足。研究的重点不是断言不同阶层的 CEO 天生具有不同能力，而是解释董事会如何将同一类绩效信号转化为不同的奖励和问责。

历史人口普查如何连接到现代高管职业结果

研究利用 1940 年美国人口普查，获取 CEO 父母的教育、职业与收入信息，再与 1992—2018 年上市公司高管薪酬、股东回报、公司治理和离任数据匹配。作者将父母教育年限、职业地位和家庭收入标准化后合成为社会阶层背景指标。这里衡量的是成长家庭的社会位置，并不是 CEO 当下已经拥有的财富。

不同结果对应不同样本：初始薪酬分析包含 366 名新任 CEO；后续薪酬分析包含 803 名 CEO、4,967 个观测；解聘分析包含 976 名 CEO、5,337 个观测。文章分别使用普通最小二乘、广义估计方程与 Cox 风险模型，并以行业调整后的股东总回报刻画公司表现。主分析中的解聘限于绩效原因，避免把退休、正常交接与其他离任都归入同一个结果。（Lee & Gai, 2026，第 4 节）

发现的关键是绩效敏感性，而不只是平均薪酬差距

结果显示，较低阶层出身与较高初始薪酬相关，起薪模型中的主要系数达到传统 5% 显著性门槛，但接近其边界。更有理论意义的是任职后的评价差异：较低阶层出身 CEO 的薪酬对公司绩效更加敏感。表现较好时，其薪酬优势扩大；表现较差时，则面临相对更低的薪酬。因此，若只比较所有人的平均薪酬，容易掩盖这种随绩效方向变化的关系。

解聘分析呈现类似的不对称。作者给出的低绩效情境比较中，较低阶层背景 CEO 的估计解聘可能性约为较高阶层背景者的 2.3 倍；在较高绩效情境下，阶层间差异不再同样明显。这是论文特定模型与情境下的比较，不能解释为所有低阶层出身 CEO 都固定承担 2.3 倍风险。边际效应分析也提示，不同绩效水平下的估计精度并不一致。（原文第 5 节、表 5—6）

论文结合董事访谈，并通过补充分析检验能力、教育背景、薪酬构成和替代测量等解释。附录显示，较高阶层 CEO 在受教育年限和教育声望上具有优势，而在若干其他能力迹象上没有发现统计上显著的组间差异。阶层指数拆分后的结果也并非每个组成部分在每种模型里都显著。例如，父母收入对初始薪酬的单独预测在附录模型中并不显著。这些细节提醒读者，应评价整体证据模式，而不是把每一个辅助分析都理解为同等强的验证。

这项研究并不意味着“出身越普通，越容易当 CEO”

样本是已经到达 CEO 岗位的人，因此不能据此推断普通家庭背景在整个职业市场上更有利。跨越障碍之后的薪酬溢价，与进入岗位之前的机会不平等，可以同时存在。更高的奖励也不必然意味着评价更公平：如果奖励和惩罚都受到刻板印象放大，当事人可能承担更不稳定的职业后果。

作者也承认没有直接测量董事会每次评价所使用的确认标准。档案匹配、访谈和辅助分析与机制相一致，但不等于通过随机实验排除了全部替代解释。1940 年普查匹配还使样本偏向较年长、能够在美国历史档案中追溯家庭背景的 CEO，不能自然推广至更年轻、更多元的高管群体或其他国家。由此延伸的治理启示是：董事会不仅需要统一绩效指标，还需要审查对失败的归因、对成功的解释以及给予“再观察一段时间”的标准是否一致。

六、ESG 与污染外包：减排是否越过了企业边界

Shipeng Yan、Fan Zhang、Zhengyu Li｜2993–3028 页｜DOI：10.1002/smj.70115

ESG investing and pollution outsourcing

被监督的单位，可能不是环境影响的完整单位

ESG 投资者通过持股和参与治理，要求企业改善环境表现。但如果评价重点集中在企业自身的排放，企业可能通过外包高污染生产环节实现账面改善，把相应排放转移给供应商。Yan、Zhang 与 Li 将这种做法理解为一种跨越组织边界的“脱耦”：企业在可见指标上回应了责任要求，而最终环境结果未必同步改善。

这个机制比单纯的口头漂绿更难识别。生产安排可能确实改变，直接排放也可能真实下降，问题在于观察范围过窄。文章由此把制度压力研究与企业边界选择联系起来：面对外部要求，企业不仅可以改变做事方式，也可以改变哪些活动由自己做、哪些活动交给供应链。

研究设计：企业面板、投资者并购与供应商配对

作者将签署联合国支持的负责任投资原则（PRI）的机构作为 ESG 投资者的操作性定义，以这些机构的累计持股比例刻画 ESG 所有权。主要企业面板覆盖 2006—2019 年、72 个国家和 73 个两位 SIC 行业，共 40,439 个企业—年度观测。数据结合机构持股、公司财务、供应链关系与 Trucost 排放信息。签署 PRI 是可观测的承诺指标，却不意味着所有签署者的监督能力和行动强度完全相同。

论文重点区分范围 1 直接排放与范围 3 上游排放，前者来自企业直接控制的活动，后者来自采购等上游价值链活动。主分析还考察二者之和。这里需要严格限定口径：这一合计并不是覆盖全部范围 1、2、3 及所有下游活动的完整生命周期排放总量；作者将范围 2 留在补充检验中，以减少能源采购等其他变化的干扰。

为减轻 ESG 投资者主动选择某类企业所带来的内生性问题，作者识别 2011—2018 年的 15 起投资者层面并购事件：原非 ESG 投资机构因并购进入 ESG 投资体系，进而改变其投资组合企业面临的压力。研究使用堆叠式双重差分分析这些准外生变化，再结合企业固定效应面板分析，以及包含 195,298 个完整配对年度观测的企业—供应商分析，进行多层次交叉检验。（Yan et al., 2026，第 5—6 节）

结果支持污染转移，但各项证据的强度不完全相同

企业面板中，ESG 持股与上游排放显著正相关。按作者报告的经济量级，ESG 持股增加一个标准差，与上游排放约增加 5.8% 相关；范围 1 与上游范围 3 的合计也呈正相关。相较之下，基础面板模型中直接排放的负向系数没有达到统计显著。因此，不能把这组面板结果概括成“所有模型都证明 ESG 同时降低直接排放并增加间接排放”。（原文表 5）

准实验分析提供了互补证据。正文表 3 的基准双重差分估计中，上游排放的对数系数为 0.019，p 值为 0.073，接近 1.9% 的相对变化，达到 10% 而未达到 5% 的显著性门槛；直接排放系数为 −0.056，p 值为 0.002，下降证据较明确；两类排放合计的变化不显著。更准确的解读是：这些结果与排放在组织边界间重新分配相一致，且没有显示该合计口径下的排放得到显著改善。“没有显著改善”并不等于已经证明精确不变。

作者进一步区分企业缺乏绿色改造能力与缺乏真正减排意愿。当 ESG 投资者的组合中拥有更多绿色技术资源时，它们可能帮助被投企业获得技术，降低外包污染的必要性；当同一批投资者也持有供应商股份时，它们可能更容易观察污染转移，并对供应链施加压力。主面板模型支持这两种缓解机制，但准实验中的交互项支持较弱，不同规格下未必显著。因此，论文把这些调节结果定位为提示性证据，而非已经彻底解决污染外包的政策处方。

附录为何改变了我们对“绿色成效”的阅读方式

排放数据包含企业报告值与数据库估算值，这是该领域研究的重要测量难点。作者在附录 B 中仅保留报告排放的数据重估，上游排放模型仅剩 3,137 个观测，直接排放模型则有 19,899 个观测。主关联方向得到支持，但绿色技术与供应商监督的调节关系未获得同样稳定的显著性。附录还检查宏观固定效应、匹配方式、供应商层面的并购冲击和资产专用性等边界。这些检验增加了论证的可评估性，也清楚展示了数据覆盖不足的代价。

对企业和投资者，文章最有价值的启示是让责任范围与生产网络尽量对齐。企业自己的排放降低，必须与采购结构、供应商排放和生产转移一起解释。共同持股和绿色技术联系是有前景的治理线索，但是否真的转化为技术扩散或持续监督，还需要更直接的数据。本文据此认为，评价 ESG 成效应追问“排放去了哪里”，而不仅是“哪个报表指标下降了”；这一判断也不应反过来演变为对全部 ESG 投资无效的笼统断言。

七、创业培训：价值理论如何影响能力感

Francesca Bacco、Andrea Coali、Audra Wormald｜3029–3066 页｜DOI：10.1002/smj.70117

Entrepreneurship training and entrepreneurs' perceptions of ability: A randomized control trial in Tanzania

培训改变的不只是创业项目，也可能是创业者自己

创业培训的效果通常通过收入、利润、融资或商业模式调整衡量。Bacco、Coali 与 Wormald 关注一个更接近个体的问题：学会某种战略决策方法之后，创业者是否更相信自己能够处理业务发展中的困难？这种“自我感知能力”既可能影响他们是否继续试验，也可能影响他们如何理解负面反馈。但它与已经被客观检验的技能不是同一概念，更不能自动等同于企业成功。

论文比较两种都重视实验与证据的培训。第一种强调通过迭代试验、客户反馈与商业模式调整推进项目；第二种在此基础上，突出先建立“价值理论”，说明某个问题为什么出现、所提方案为什么能够解决问题，以及各项假设如何相互连接，再据此设计和解释试验。因此，研究比较的并不是“讲理论”与“接触现实”，也不是“做实验”与“不做实验”，而是实验活动是否受到一个明确因果解释框架的持续引导。

随机试验如何区分两种方法

研究在坦桑尼亚农业相关创业者中开展，151 人随机进入两个培训条件，其中 76 人接受证据导向培训，75 人接受理论与证据结合的培训。两组均参加 6 次半天课程，合计 24 小时；课程长度与结构相近，教师同时教授两个条件，并不知道具体检验假设。课程安排在不同日期，以减少不同组之间的相互影响。

两组都学习关键假设、客户访谈、调查、最小可行产品与定价等内容。主要差别在于，理论与证据组从一开始就借助 Story Tree（故事树）明确问题、原因、解决方案及因果联系，再让假设与测试围绕这一框架展开。附录提供课程比较、示意工具，以及对创业者理论表达和假设表达进行评分的程序，使干预究竟改变了什么能够被具体检查。

研究进行六轮数据收集，使用九项、七点量表评估创业者对处理挑战的能力判断，并区分项目相关挑战与环境相关挑战。前者涉及顾客、竞争和业务决策，后者涉及基础设施、融资等不完全受创业者控制的条件。作者利用随机分组和前后变化估计意向治疗效应，另有一组未参加培训者作为描述性参照；由于该参照组并非完全随机形成，不能把与它的比较视作严格的“培训对不培训”因果检验。（Bacco et al., 2026，第 3 节及补充材料）

主要发现：解释框架与更持久的能力感提升相联系

描述性时间轨迹显示，两类培训参与者在培训阶段的能力感均有所提高，但证据导向组随后趋于回落，理论与证据组的提升保持得更久。组间双重差分的基础模型估计，理论与证据组的总体能力感额外提升约 0.45 分；作者以证据组基线均值 4.59 分作为参照，将其表示为约 9.8% 的额外增加。这是在七点量表上的变化，不是实际经营能力提高了 9.8%。

加入控制变量的总体效应对应约 0.36 个基线标准差，95% 置信区间为 0.03—0.70。项目相关挑战的标准化效应约为 0.37，环境相关挑战约为 0.28，后者的区间跨过零。不同估计规格和随机化推断的显著性也有所变化。因此，最稳妥的结果表述是：理论与证据结合的培训改善了相对于另一种培训的自我感知能力，尤其体现在与业务决策直接相关的挑战上；对外部环境困难的提升证据较不精确。（原文表 4）

探索性分析还发现“信心翻转”的模式。起点能力感较低的创业者在接触培训后提高，起点能力感较高者则可能先下降，仿佛培训让他们认识到此前忽略的复杂性。随后，理论与证据组中原本高能力感的参与者出现回升，而证据组的回落更为持续。这是按初始水平划分后的探索性发现，不能据此断定培训已经纠正了所有过度自信，更不能在没有真实能力测量的情况下把高起点直接认定为无知。

机制、应用与尚未回答的问题

作者提出的解释是，一套明确的价值理论可能帮助创业者理解自己正在做什么，使负面反馈被看作对某个假设的修正，而非对自身整体能力的否定。把想法写成可检查的因果联系，也可能降低理解与更新商业构想的认知负担。但这些心理机制并未在本文中被直接识别，其地位仍是理论解释与后续研究方向。

附加分析观察到部分能力感指标与营业收入存在正相关，但利润关系并不稳定，而且该分析是相关性、统计功效有限。不能由此推论“先提高信心，利润就会上升”。研究也无法清晰区分真实能力改善与对能力的评价变化。样本集中在坦桑尼亚农业创业情境，追踪期有限，向其他国家、行业或长期发展阶段推广还需要验证。

尽管如此，文章对孵化器、商学院和创业支持机构提供了具体思路：除了教访谈、测试和迭代工具，也可以教参与者把“为什么会创造价值”表达清楚，并在收到反馈后修订相应假设。课程评价还应追踪培训结束之后的变化，以及参与者对不同类型困难的判断。真正有意义的培训成果，可能不是让所有人立即更加自信，而是使他们形成更有依据、能够承受现实检验的能力判断。

综合观察：本期怎样推进我们对战略的理解

选择空间需要被创造、保留，也需要被制度支持

实物期权、PPP 和 AI 模拟三篇论文共同强调了行动空间的重要性。实物期权说明，当下的行动会关闭或保留未来选项；PPP 研究说明，法律保护可能同时压缩调整空间；AI 模拟则表明，信息公开与收益规则会使行动者集体放弃探索。这些论文并没有共同估计一个统一模型，但并置阅读后可以看到：有资源、有信息或有法律保障，并不自动意味着企业拥有更有效的战略选择。选择还依赖时序、权利和激励的配合。

由此可以形成一条值得检验的研究思路：把组织外部的法律与市场规则，和组织内部的跨期资源配置连接起来。例如，同样的资源转换期权，在不同监管细化程度或收益竞争结构下，是否具有不同价值？这样的提问是本文基于本期论文提出的延伸，并不是七篇文章已经证明的结论。它的意义在于把“灵活性”从一种泛泛的管理美德，转化为具有成本、约束和边界条件的研究对象。

测量边界与评价标准，会改变我们看到的战略结果

行业效应与 ESG 论文展示了两种不同的边界问题。前者改变“哪些企业被放在同一行业”，会改变绩效差异的统计归属；后者扩大“哪些排放算作企业影响”，会改变对绿色成效的判断。一个涉及分类，一个涉及责任范围，但都提示研究者：观察结果之前已经发生的测量选择，会影响随后形成的理论印象。

CEO 与创业培训论文则让评价者本身进入画面。CEO 研究考察别人如何判断行动者，创业培训研究考察行动者如何判断自己。同样的绩效未必触发同样的职业后果，同样的实验反馈也未必带来同样的能力判断。本文据此归纳，战略能力的研究需要同时关注行动表现、外部评价与自我评价，避免把三者混写成一个概念。

方法创新的价值，在于让论证更可检验

本期两篇使用 AI 的论文尤其值得并读。行业研究将文本嵌入作为测量工具，改变研究者对企业相似性的表达；智能体研究则让模型参与互动，生成模拟数据。前者需要验证分类的经济意义与稳健性，后者需要对照真人行为并明确模拟证据的边界。它们都说明，采用新技术之后，验证工作不会减少，只是验证对象发生了变化。

创业培训试验提供了相对清晰的随机组间比较，PPP 论文则主动把结论限定为关联性证据；ESG 论文运用准实验、面板与供应商配对形成相互补充的证据，又保留对不稳定调节结果的谨慎。这种方法多样性不是把所有研究排成简单的高低顺序，而是要求结论与设计相匹配：概念文章要交代理论约束，观察研究要正视选择问题，实验要说清真正随机化了什么，模拟要说明它代表了谁。

如何把本期带入研究与教学

若用于战略理论讨论，可以将实物期权与创业培训并读，比较“对未来决策序列进行优化”与“建立可检验的价值理论”分别提供什么。若用于实证方法课程，可以把行业效应、ESG 和 CEO 三篇放在一起，讨论分类、代理变量、样本选择和解释性机制。若用于政策与治理讨论，PPP 和 ESG 两篇则能展示规则如何改变组织的实际应对方式，以及为什么局部指标改善未必等于整体目标实现。

读完本期，一个更有生产力的战略问题是：在某种信息结构、分类方式、法律安排和评价标准下，哪些行动变得可能，哪些结果变得可见，哪些人或组织会被奖惩？七篇论文从不同方向把这些环节展开，也为下一步研究留下了清楚的接口。

参考文献

Bacco, F., Coali, A., & Wormald, A. (2026). Entrepreneurship training and entrepreneurs’ perceptions of ability: A randomized control trial in Tanzania. Strategic Management Journal, 47(11), 3029–3066. https://doi.org/10.1002/smj.70117

Eshraghi, A., & Vanneste, B. S. (2026). Revisiting industry effects: The assignment of firms to industries. Strategic Management Journal, 47(11), 2871–2900. https://doi.org/10.1002/smj.70106

Hosseini, M., & Quelin, B. V. (2026). Disentangling contract and law: Legal specificity and contractual governance in public–private partnerships. Strategic Management Journal, 47(11), 2901–2931. https://doi.org/10.1002/smj.70111

Lee, M., & Gai, S. L. (2026). Shifting standards due to social class? The role of social class background in CEO career outcomes. Strategic Management Journal, 47(11), 2959–2992. https://doi.org/10.1002/smj.70113

Sakhartov, A. V., Mahoney, J. T., & Reuer, J. J. (2026). Deepening the real options debate: Real options as dynamic optimization. Strategic Management Journal, 47(11), 2823–2870. https://doi.org/10.1002/smj.70109

Tranchero, M., Brenninkmeijer, C.-F., Murugan, A., & Nagaraj, A. (2026). Simulating strategic interactions with AI agents. Strategic Management Journal, 47(11), 2932–2958. https://doi.org/10.1002/smj.70112

Yan, S., Zhang, F., & Li, Z. (2026). ESG investing and pollution outsourcing. Strategic Management Journal, 47(11), 2993–3028. https://doi.org/10.1002/smj.70115