随着中国经济发展迈入“换挡减速增效”新时代,传统“劳动力+资源”双驱动的粗放型经济增长模式亟待转变,创新驱动成为中国经济增长的新引擎。战略性新兴产业具备技术密集、能耗少和成长潜力大等特征,是获取未来竞争新优势的关键领域。然而,囿于宏观政府政策与微观企业特征等因素,中国省域间战略性新兴企业技术创新投入存在显著空间异质性。以2019年样本企业研发经费投入强度(研销比)均值来说,位列前3位的省(市)分别为北京(0.085 2)、福建(0.073 5)和天津(0.072 4),而排在末位的甘肃企业技术创新投入强度仅为0.013 3,极差为0.071 9。区域企业技术创新投入落差较大可能会影响中国创新驱动发展战略总体布局,从而阻碍省域间协同创新。基于此,针对中国战略性新兴企业,有必要探讨以下问题:技术创新投入时空演化特征如何?技术创新投入影响因素有哪些?技术创新投入是否具有空间溢出效应?政府创新政策实施效果如何?上述问题的答案对促进中国区域经济协调发展具有较高的理论价值和实践意义。
近年来,学界对技术创新这一核心议题展开了热烈探讨,主要包括以下方面:
(1)技术创新演化趋势与空间分布研究。从区域层面,Bernardi等[1]以西班牙专利申请数据为样本,研究发现地区创新水平愈发均衡;罗建等[2]采用首位度指数、ESDA等技术手段,通过分析湖南省14个市州创新投入要素时空演化特征,发现R&D经费投入差距逐渐缩小,R&D人员投入差距逐渐扩大,两大创新投入要素空间集聚现象显著,尤其是西南部地区呈大面积“低-低”集聚。从产业或企业层面,Buzard & Carlino[3]通过分析美国各产业创新情况,发现东北部是美国产业创新汇集区;邱士雷等[4]以中国高技术产业为研究对象,通过ESDA法探索产业创新空间分布特征,发现中国高技术产业创新产出空间集聚特征显著,已形成“环渤海”、“长江”和“珠江”三大创新集群带。
(2)技术创新驱动因素研究。从区域层面,Shang等[5]以中国专利授权数据为样本,发现R&D经费支出、高校与科研机构数量是驱动区域创新能力的主导因素;王晶晶等[6]通过实证分析发现,技术溢出、政府政策和经济发展是显著促进山东省创新产出的核心要素。从产业或企业层面,Snell & Hill[7]基于122家财富500强企业横断面数据,发现股权集中度可以促进研发支出增加;张璇等[8]基于世界银行对中国120个城市12 400家企业投资与经营环境的调查数据研究发现,员工人力资本、CEO激励对企业研发投资密度具有显著促进作用。
(3)政府资助与企业技术创新关系研究。现有研究主要有3种观点:第一,正向激励。王刚刚等[9]认为,政府资助可释放出技术和监管双重认证信号,有助于企业获取其它渠道的研发资金。第二,负向抑制。Lichtenberg[10]指出,政府研发资助会挤出企业研发项目资金,从而负向影响企业研发投入。同时,寻租[11]、资金使用约束机制松散[12]和逆向选择[13]均会导致负向抑制效果。第三,不确定性。有部分学者认为,政府资助与企业技术创新关系不确定,取决于资助规模(康志勇,2017)、企业所属地区[14]和企业成长阶段[15]等异质性条件。
通过文献回顾发现,当前研究为本文奠定了扎实的理论与实践基础,但仍有待进一步完善:①研究数据和研究对象:由于数据收集原因,既有研究大多采用全国、省域和城市群等宏观数据,来源于国家或地区统计年鉴,缺乏微观企业层面数据,研究对象涵盖所有行业,或针对高技术产业、制造业等,已有研究结论是否适用于中国战略性新兴企业需要重新检验;②研究方法:现有研究大多采用首位度指数等传统数理统计方法,基于地理信息系统技术的研究亟待补充;③研究内容:对于政府资助与企业技术创新间的关系,既有研究尚未盖棺定论,且研究假设前提为地区间创新要素相互独立,忽视了现代社会创新要素流动所导致的空间关联性。此外,既有文献大多未区分创新资助与一般性资助,研究结论的稳健性受到质疑。因此,本文基于2012—2019年中国内地30个省市(西藏因数据不全未纳入统计)882家战略性新兴上市企业面板数据,采用Theil指数、探索性空间数据分析(ESDA)等方法,全方位考察中国战略性新兴企业技术创新投入时空演化特征,通过构建空间面板模型,剖析影响战略性新兴企业技术创新投入的关键因素。
本文可能的贡献如下:第一,研究对象选择契合中国国情,符合时代发展背景,能够为战略性新兴企业领域研究增添新的经验证据。数据源自Csmar、Wind、iFind等微观企业数据库,研究结论具有现实价值。第二,结合传统数理统计与地理信息系统技术,采用Theil指数、探索性空间数据分析(ESDA)等方法,综合考察中国战略性新兴企业技术创新投入时空演化特征,研究结论更加科学、全面。第三,构建地理距离和邻接两大空间权重矩阵,从空间关联角度考察战略性新兴企业技术创新投入的溢出效应。区别于以往研究对空间计量模型选择过程的简略描述,本文通过LR、LM等一系列检验确定最匹配样本数据的空间估计模型。此外,剔除非创新资助的噪音干扰,研究结论更加精准,进一步讨论区域、创新资助程度等异质性情境下结论的适用性,拓展研究深度。
2.1.1 泰尔指数(Theil)
本文采用Theil指数衡量企业技术创新投入差异变动趋势,公式如下:
(1)
(2)
Twr=ReTe+RmTm+RwTw
(3)
T=Tbr+Twr
(4)
式(1)-(4)中,Te,Tm,Tw表示东、中、西部Theil指数,ne,m,w表示东、中、西部区域,Ri为区域企业技术创新投入强度占全国的比值,Re,m,w为东、中、西部地区企业技术创新投入强度占全国的比值,Hi为区域企业人力资本占全国的比值;He,m,w为东、中、西部地区企业人力资本占全国的比值,Tbr为域间差异,Twr为域内差异,T值为反映区域战略性新兴企业技术创新投入强度差异的总Theil指数。T值越接近于0说明区域企业技术创新投入强度越均等化,反之亦然。
2.1.2 探索性空间数据分析法(ESDA)
全局Moran′s I指数用于识别企业技术创新投入空间关联程度,公式如下:
(5)
式中,为省份数,xi为省份i企业技术创新投入强度,Moran′s I取值范围是[-1,1],包括正相关(M>0)、负相关(M<0)及空间分布随机(M=0)。wij表示空间权重矩阵,主要包含地理距离和邻接权重矩阵。因地理距离贴近但不相邻的省份间可能相互辐射,本文选择地理距离权重矩阵为基准进行后续分析,以空间截面单元行政中心间直线距离的倒数表征。
Moran散点图用于探索企业技术创新投入的空间关联模式。其中,第一至四象限分别代表4种集聚类型,即H-H(高-高)、L-H(低-高)、L-L(低-低)、H-L(高-低)。
2.1.3 空间面板模型
空间面板模型主要有空间面板滞后(SPLM)和空间面板误差(SPEM)两类模型。其中,SPLM模型用于考察邻近地区观测值对本地观测值的影响,SPEM模型用于考察邻近地区关于被解释变量误差冲击对本地观测值的影响[16]。在构建空间面板模型前,需设定基准模型,借鉴程华和张志英(2020)的研究成果,基准面板模型设定如下:
(6)
式中,i和t表示第i个省份第t年数据,rd为企业技术创新投入,gov为政府创新资助,c为常数项,β1、βj分别为政府创新资助与各控制变量(controls)的回归系数,εit为随机扰动项,下同。
SPLM模型在式(7)的基础上,设定如下:
(7)
式中,wij为空间权重矩阵,wijrdij属于邻近省份效应因素。ρ为空间滞后系数,反映邻近省份企业技术创新投入对本省企业技术创新投入的影响程度和效果,当ρ显著为正,说明以互补效应为主;当ρ显著为负,说明以挤出效应为主。μi、vt分别表示控制时间与空间效应,下同。
SPEM模型在式(7)的基础上,设定如下:
(8)
式中,φit为空间自相关误差项,λ为空间误差系数,表示回归方程残差间的空间依赖关系,反映邻近省份不可观测因素对本省企业技术创新投入的影响程度和效果。
考虑到数据可得性,本文以2012—2019年中国深沪A股、中小板及创业板战略性新兴上市企业数据作为研究样本。企业研发投入等微观层面数据来自Csmar、Wind、iFind等数据库。参照现有文献,对原始数据作如下处理:
(1)现阶段尚未有统一文件对战略性新兴企业所属行业进行细化,借鉴孙早等[17]的研究成果,参照《国务院关于加快培育和发展战略性新兴产业的决定(2010)》等权威分类政策文件加以界定。
(2)剔除研究时间段被ST、*ST、PT处理的财务状况异常企业。
(3)剔除净利润率大于1、资产负债率不在0~1范围内的异常观测值企业。
(4)根据技术路径依赖性,剔除注册时间不足两年的企业。
(5)剔除关键指标数据缺失过多企业,采用平均增长率法将缺失数据转换为平衡面板数据。
(6)为减轻离群值扰动,对连续变量进行上下1%截尾处理,最终甄选出882家隶属七大战略性新兴产业领域上市企业共7 056个观测值。此外,借鉴王卉彤等[18]、吕承超等[19]的研究成果,采用同一省级行政区取均值的技术手段,按注册地将样本企业划分至中国(内地)30个省市中。
本文主要关注企业技术创新投入,旨在揭示政府扶持背景下企业创新研发活动的应对策略。由于企业研发需要投入大量资金,借鉴解维敏等[20]的研究成果,考虑企业当期收入情况而非总资产,为剔除企业规模效应,本文选取研销比作为企业技术创新投入强度的代理变量。
3.1.1 企业技术创新投入发展趋势
图1显示,2012-2019年中国战略性新兴企业技术创新投入总体呈上升趋势,技术创新投入强度由0.038 6升至0.044 2,涨幅达14.5%。2012—2014年技术创新投入强度逐年上升,2015年后呈波动回落态势。究其原因,2012年7月国务院《关于印发“十二五”国家战略性新兴产业发展规划的通知》明确“战略性新兴产业重要骨干企业研发投入占销售收入的比重达到5%以上”。同年11月,党的十八大报告明确提出“实施创新驱动发展战略”。这一系列政策无不彰显国家对企业科技创新活动的大力支持,因此,战略性新兴企业应紧抓机遇,重视经济发展创新驱动效应,加大研发投入力度。2015年作为分水岭,此后技术创新投入强度波动下降,一定程度上说明中国战略性新兴企业经济增长方式尚未完全转变,技术创新投入要素仍有优化空间。从三大区域看,东中西部地区战略性新兴企业技术创新投入变动趋势与全国整体水平基本保持一致,但各区域投入强度存在差异,东部地区投入强度明显高于中部、西部。
图1 战略性新兴企业技术创新投入发展趋势
3.1.2 企业技术创新投入空间差异
由表1可知,2012—2019年中国战略性新兴企业技术创新投入的Theil总指数呈波动下降趋势,2014年抵达峰值后大幅回落,于2019年跌至0.041 7,降幅为32.31%,表明战略性新兴企业技术创新投入呈均等化趋势。区域企业技术创新投入差异缩小与政府大力实施协调发展战略密切相关,近年来“中部崛起”“西部大开发”等一系列战略举措,加速形成“你追我赶、各具特色”的区域创新格局。从域内和域间差异看,研究期内Twr的变动轨迹与T全国大致相仿,Tbr则呈波动下降的演进态势,历年Twr的贡献率远高于Tbr,说明域内差异是总差异的主要来源,意味着三大区域内部企业技术创新投入强度差异较大。
表1 战略性新兴企业技术创新投入Theil指数
年份T全国T东部T中部T西部域间差异Tbr贡献率域内差异Twr贡献率20120.061 60.017 9 0.034 40.147 70.006 00.097 50.055 60.902 520130.079 4-0.044 0 0.041 00.275 10.019 50.24 500.060 00.755 020140.119 70.017 7 0.190 20.198 80.003 60.030 00.116 10.970 020150.045 40.017 3 0.036 50.086 40.003 00.066 50.042 40.933 5 20160.040 20.026 8 0.049 20.042 10.002 90.071 20.037 30.928 820170.050 30.040 9 0.063 40.025 30.006 70.133 50.043 60.866 5 20180.044 30.017 40.036 80.084 60.002 20.049 70.042 10.950 320190.041 70.033 30.053 30.026 90.004 30.103 10.037 40.896 9
3.1.3 企业技术创新投入空间格局演化
本文以2012年、2019年作为观察年份,采用Arcgis10.2软件中的自然间断点分级法绘制中国战略性新兴企业技术创新投入强度空间四分位图。图2显示,近8年来,中国战略性新兴企业技术创新投入强度保持相对稳定的空间格局。以2019年为例,企业技术创新投入强度大致呈“中心—外围”的空间分布模式,北京、天津和福建地区企业技术创新投入强度处于领先地位,上海、广东、湖北等11个省市处于第二区间,创新投入较高水平以上省市地理位置多位于东中部地带,占总样本的46.7%,而甘肃、青海等西部内陆省份企业技术创新投入强度仍有较大提升空间。在一定程度上说明,北京、上海等东部经济强省(市)可以发挥创新资源、人才高度集聚优势,科技创新发展势头强劲,企业研发投入力度较大,而湖北等中部省(市)企业也能够紧紧牵住科技创新这个“牛鼻子”,创新投入强度蓄势提升,激发经济新活力。
图2 战略性新兴企业技术创新投入强度空间格局演化
3.1.4 企业技术创新投入空间关联分析
表2显示,2012-2019年全局Moran's I指数均为正且在5%的水平上显著,表明中国战略性新兴企业技术创新投入强度呈现出高创新投入省(市)被高创新投入省(市)包围(H-H型)、低创新投入省(市)被低创新投入省(市)包围(L-L型)的空间组织模式。从时间维度看,全局Moran's I指数由0.193(2012年)上升至0.359(2019年),说明中国省(市)间战略性新兴企业技术创新投入的空间依赖越来越强。
表2 战略性新兴企业技术创新投入全局Moran's I指数
年份IE(I)sd(I)zp-value20120.193-0.0340.0892.5590.01020130.187-0.0340.0902.4760.01320140.171-0.0340.0942.1940.02820150.199-0.0340.0952.4610.01420160.314 -0.0340.0953.6590.00020170.348-0.0340.0954.0150.00020180.195-0.0340.0952.4180.01620190.359-0.0340.0954.1400.000
由图3可知,中国战略性新兴企业技术创新投入强度集聚类型以H-H型和L-L型为主,呈空间极化态势。其中,2012年、2019年H-H型和L-L型集聚省(市)分别占总体样本的73.33%、66.7%。在集聚类型变化方面,2012-2019年H-H型省份数量由13个降至12个,黑龙江、安徽和山东由H-H型转为L-H型,山西和湖北由H-L型落入H-H型,H-H型省市大多位于东部沿海地区,经济联系紧密,企业技术创新水平较高,企业间技术创新投入溢出效应显著,构成自主创新投入的核心区域。2012-2019年L-L型省市数量由9个降至8个,重庆由L-L型升入H-L型,L-L型省市大多位于西部地区,创新水平相对较低,企业间技术创新投入溢出效应较小。
图3 战略性新兴企业技术创新投入空间聚类情况
注:囿于篇幅,仅保留本文重点分析地区
3.2.1 变量选取与说明
政府创新资助(gov)。创新资助可以通过成本补偿、风险分担、外部性弥补和信号传递等效应激励企业增加技术创新投入,具体来说:①有助于缓解企业研发项目初期的固定成本问题。创新项目在发起与延续过程中需大量资金投入,相当于一笔大额固定成本支出,企业往往难以解决项目初期资金需求。此时,政府创新资助以资金注入的形式可有效缓解企业研发初期资金紧张状况,降低创新成本。②有助于降低企业研发失败风险。企业在创新决策前往往要事先预估所需成本和潜在收益,风险规避型企业在面对风险较大的研发项目时可能采取相对保守的研发策略,进而错失发展良机。政府创新资助以资本形式帮助企业开展创新活动,提升项目研发成功率。③有助于弥补创新活动正外部性给研发企业带来的利润损失。创新活动具有较大的技术外溢效应,加上受知识产权法律保护不力等因素影响,容易导致外部企业“搭便车”,进而使企业失去技术创新动力。政府创新资助可弥补企业技术成果外溢产生的利润损失,缩短企业研发投入与社会最优水平的差距。④有助于企业获取其它渠道的研发资金。由于资本市场的不完备性和信息不对称,银行等金融机构更倾向于将资金贷给规模大、信誉好的企业,对中小规模企业研发项目往往持谨慎态度。政府创新资助向外界传递出一种企业良性发展信号,在信息不对称情况下,获得“认证”的企业往往能够获得更多利益相关者支持。
政府资助金额信息披露于上市公司财务报表附注营业外收入科目下的政府补助明细中,现有文献大多直接采用一般性资助总额进行表征,既包含创新类资助,也包含污染治理、纳税大户奖励及拆迁补偿等非创新类资助。为保证研究结果的精准性,本文将非创新类资助剥离,仅分析创新类资助对战略性新兴企业技术创新投入的直接作用。甄选步骤借鉴郭玥[21]的做法,采用关键词检索确定创新资助范畴项目,通过加总可得每家上市企业创新资助总额。关键词筛选标准如下:①技术创新;②政府支持政策;③创新成果;④人才及技术合作;⑤战略性新兴产业领域专有名词。最终,参考沈毅和张清正[22]的研究成果,采用政府创新资助金额/企业总资产表征政府创新资助强度。
为尽量避免遗漏变量造成的估计结果偏误,本文依次将控制变量引入模型进行检验:①企业规模(size):规模较大企业往往拥有雄厚的资本、充足的人力资源等,能够弥补企业研发成本,本文以企业资产总额表征,并对其进行对数化处理;②资产负债率(lev):一般来说,企业资产负债率过高会增大企业经营风险,而研发又是高风险活动,具有较高负债水平的上市公司可能对研发投入活动更加谨慎,本文以企业负债总额与总资产比重衡量;③企业年龄(age):一般来讲,成立时间长的企业存在资本积累优势,对研发风险性具备更强的承受能力,其研发创新积极性较高,本文以企业成立年限代表企业年龄,并对其进行对数化处理;④成长能力(growth):成长能力较强的公司为维持自身地位,需通过加大企业创新投入力度维持其成长性,本文以企业营业收入增长率加以衡量;⑤总资产收益率(roa):企业盈利能力越强,经营绩效越高,研发投入越多,本文以净利润与企业平均资产总额的比值表征;⑥股权集中度(econ):在公司决策时,公司股权过于集中会对公司研发投资决策造成不利影响,进而导致公司利益损失[23],本文以前十大股东持股比例衡量;⑦人力资本(hum):企业创新投入强度很大程度上取决于受雇于该企业的员工质量,本文以技术人员数量与员工总数的比值表征。变量含义及描述性统计结果见表3。
表3 变量含义及描述性统计结果
变量类型变量名称变量编码变量含义及说明平均值标准差最小值最大值被解释变量企业技术创新投入强度rd研发投入/企业营业收入×1004.325 61.752 80.990 09.6961核心解释变量政府创新资助强度gov政府创新资助金额/企业营业收入×1000.148 20.077 00.011 10.473 3控制变量企业规模sizeLN(企业资产总额)22.159 00.521 719.570 523.324 2资产负债率lev负债总额/总资产0.416 20.062 50.299 00.610 5企业年龄ageLN(企业成立年份)2.729 70.152 12.255 43.016 0成长能力growth(本期营业收入-上期营业收入)/上期营业收入0.193 60.183 5-0.294 91.367 1总资产收益率roa净利润/平均资产总额0.037 10.022 8-0.072 30.199 2股权集中度econ前十大股东持股数/总股数0.508 00.051 60.387 60.695 0人力资本hum技术人员数量/员工总数0.201 50.072 50.035 40.417 3
3.2.2 空间面板模型适用性检验
本文采用空间面板模型(将反映空间结构的矩阵引入到传统计量模型中)分析问题。在采用空间面板模型估计参数前,需要检验模型的适用性,即判断SPLM模型和SPEM模型哪个更适合样本数据检验:首先对不包含空间交互作用的基准模型进行OLS估计,再通过检验LR和LM统计量,选择与样本数据拟合程度较好的模型。一般来说,若LMlag的显著性高于LMerror,且R-LMlag显著而R-LMerror不显著,则采用SPLM模型,反之则采用SPEM模型;若R-LMlag、R-LMerror统计量均显著,宜选择统计值较大的模型[24]。检验结果如表4所示。
由表4可知,Hausman检验(60.01,P=0.000 0)结果表明,应采用固定效应下的空间面板回归模型进行分析。LR检验结果显示,时间和空间固定效应的LR统计量均在1%的水平下显著,说明应选择包含时空双向固定效应的面板回归模型。LM和Robust LM检验结果显示,LMlag与LMerror在1%的水平下显著,R-LMlag与R-LMerror分别在1%、10%的水平下显著,表明非空间面板模型的LM检验同时适用于SPLM、SPEM模型。但R-LMlag(19.154)>R-LMerror(2.325),故本文选择SPLM模型进行后续空间回归分析。观测数据空间相关性的存在违背了传统计量模型的经典假设条件,如仍采用OLS进行参数估计,将导致结果失真[25]。因此,本文参考Elhors[26]的建议,采用极大似然法(MLE)对时空双固定效应的SPLM模型进行估计,既能有效缓解传统OLS估计中变量的内生性问题,又能科学反映观测变量间的空间依赖程度。
表4 基准模型回归结果
注:***、**、*分别表示在1%、5%和10%的水平下显著(双尾检验),括号内为t值,下同
变量无效应空间效应时间效应时空效应gov4.172 0***2.663 1***4.751 8***2.298 5***(4.17)(3.12)(4.59)(2.85)controls控制控制控制控制c-4.611 90.922 82.286 56.795 6*(-1.41)(0.23)(0.57)(1.73)R20.649 70.166 90.657 20.322 0F53.550 85.059 553.674 06.173 1N240240240240LMlagLMlag=25.190 P=0.000Robust-LMlagRobust LMlag=19.154 P=0.000LMerrorLMerror=8.362 P=0.004Robust-LMerrorRobust LMerror=2.325 P=0.098时间固定效应LR检验LR=383.49 P=0.000 0空间固定效应LR检验LR=49.42 P=0.000 0
3.2.3 回归结果分析
本文首先对SPLM模型进行纳入控制变量的依次回归,再对纳入全部控制变量后的SPEM模型进行回归,以检测估计结果的稳定性,结果如表5所示。
由表5可知:①列(1)结果显示,gov系数为正值且在1%的水平上显著,表明政府创新资助对战略性新兴企业技术创新投入具有显著正向影响;ρ系数为负值且在1%的水平上显著,说明邻近省市战略性新兴企业加大技术创新投入会抑制本省市战略性新兴企业技术创新投入;②列(2)—(8)依次纳入控制变量企业规模(size)、资产负债率(lev)、企业年龄(age)、成长能力(growth)、总资产收益率(roa)、股权集中度(econ)和人力资本(hum),结果再次验证列(1)研究结论的稳健性;③通过对比时空双固定效应的基准模型、SPLM模型和SPEM模型发现,除空间回归系数外,各模型中的回归结果具有较好的稳健性。此外,SPEM模型中λ系数显著为负值,表明邻近省市不可观测因素会抑制本省市战略性新兴企业技术创新投入。
表5 全国样本空间面板模型回归结果
变量(1)(2)(3)(4)(5)(6)(7)(8)(9)gov2.016 5***2.016 9***2.209 2***2.264 5***2.282 7***2.295 0***2.291 7***2.250 8***2.586 6***(2.87)(2.86)(3.08)(3.21)(3.23)(3.24)(3.25)(3.24)(3.58)size0.001 1-0.067 10.612 3**0.620 1**0.605 7**0.659 7**0.761 0***0.708 4***(0.01)(-0.41)(2.28)(2.30)(2.20)(2.37)(2.75)(2.64)lev1.512 41.058 41.019 21.095 30.769 60.953 01.192 0(1.30)(0.92)(0.88)(0.92)(0.63)(0.79)(0.90)age-6.252 3***-6.283 7***-6.215 1***-6.478 9***-6.824 4***-6.153 8***(-3.15)(-3.16)(-3.10)(-3.22)(-3.44)(-3.19)growth-0.090 8-0.115 4-0.117 8-0.139 2-0.146 9(-0.48)(-0.54)(-0.55)(-0.66)(-0.72)roa0.573 30.344 2-0.312 1-0.459 5(0.25)(0.15)(-0.14)(-0.19)econ-1.657 4-1.171 0-0.953 8(-1.15)(-0.82)(-0.67)hum-5.164 6***-5.465 0***(-2.68)(-2.87)ρ-0.444 3***-0.444 6***-0.464 4***-0.447 4***-0.447 8***-0.446 6***-0.439 5***-0.454 9***(-3.82)(-3.80)(-3.95)(-3.83)(-3.84)(-3.82)(-3.75)(-3.92)λ-0.5040***(-4.10)σ20.205 4***0.205 5***0.203 5***0.195 8***0.195 6***0.195 6***0.194 8***0.188 6***0.186 3***(10.77)(10.77)(10.75)(10.77)(10.77)(10.77)(10.77)(10.77)(10.70)R20.005 40.005 50.002 30.047 50.046 80.047 00.043 00.036 50.050 2Log-L-154.427 2-154.427 2-153.594 6-148.719 9-148.605 1-148.573 2-147.906 7-144.383 4-143.827 0N240240240240240240240240240
据前文所述,本文对列(8)的回归结果进行分析:①gov的回归系数为2.250 8,在1%的水平上显著,表明政府创新资助可以显著促进中国战略性新兴企业技术创新投入,这也解释了目前中国政府之所以大力推进“863计划”“星火计划”等财政科技计划,其最终目的是为了提升战略性新兴企业自主创新能力。②ρ的系数为-0.454 9,在1%的水平上显著,表明中国战略性新兴企业技术创新投入具有负向空间溢出效应。可能原因在于,企业创新过程中存在大量难以编码的隐性知识,需要通过面对面交流获取。对地理距离邻近的不同省份来说,一方面,企业间研发策略是互补的,本省企业为抢占市场份额,可以从邻近省份企业创新思想中获得启发,进而激励自身进行创新,增加研发投入,开展研发竞赛。另一方面,企业研发策略具有替代性,由于研发活动的技术外溢效应存在与知识产权保护不力的情况,本省企业可通过模仿邻近省份企业新技术进行自身技术改进,这意味着本省企业可能选择减少研发甚至不研发,期待邻近省份企业增加研发投入,从而坐享其成[27]。总体结果说明替代效应大于互补效应,大多数企业更倾向于“搭便车”,选择减少研发或不研发,致使邻近省份企业增加技术创新投入,从而抑制本省企业技术创新投入。③从各控制变量看,size、age、hum的系数分别为0.761 0、-6.824 4和-5.164 6且均在1%的水平上显著,说明企业规模能够显著促进战略性新兴企业技术创新投入,反映出规模较大企业能够凭借雄厚的资本、充沛的人力资源等弥补自身研发成本。企业年龄会显著抑制企业技术创新投入,可能原因在于,年轻企业往往处于成长阶段,有活力、有冲劲,追求快速发展且投资动力充足,年长企业则大多处成熟阶段,投资决策相对保守。人力资本会显著抑制企业技术创新投入,可能是由于当前中国战略性新兴企业技术人员具有知识结构惰性,创新动机较弱,导致这类人力资本会抑制企业技术创新投入。另外,lev、growth、roa、econ的系数分别为0.953 0、-0.139 2、-0.312 1和-1.171 0,均未通过10%的显著性水平检验。
3.2.4 稳健性检验
为进一步提升实证分析结果的可信度,本文采用重构邻接空间权重矩阵的方法代替原模型中的地理距离权重矩阵,再运用MLE对时空双固定SPLM模型进行估计。具体来说,对于邻接权重矩阵wij,根据省级空间截面是否具有共同边界设定0~1二进制矩阵,分别对前文列(1)-(8)进行稳健性检验(限于篇幅,结果不再展示,如有需要,可向作者索取)。结果显示,核心解释变量、空间滞后项、控制变量回归系数的正负号与前文基本保持一致,仅系数大小有小幅变化且显著性并无差别,表明本文研究结论具有较好的稳健性。
3.2.5 分区域回归结果
中国各区域经济发展水平和资源禀赋差异较大,为探究不同区域情境下研究结果的适用性,本文将全国分为东部地区和中西部地区,得到东部地区11个省(市),中西部地区19个省(市),基于地理距离和邻接权重矩阵,运用MLE对时空双固定的SPLM模型进行回归分析,结果见表6。
表6 分区域SPLM模型回归结果
变量地理距离权重矩阵东部地区中西部地区邻接权重矩阵东部地区中西部地区gov4.585 2***1.134 05.269 6***1.115 8(3.89)(1.28)(4.42)(1.26)controls控制控制控制控制ρ-0.457 5***-0.446 4***-0.288 8**-0.394 2***(-3.45)(-3.13)(-2.33)(-3.24)σ20.122 5***0.192 4***0.132 3***0.192 9***(6.45)(8.49)(6.50)(8.51)R20.04310.029 80.059 60.032 1Log-L-35.129 7-93.442 8-37.465 4-92.908 4N8815288152
由表6可知:①东部地区gov的系数显著为正,表明政府创新资助能够显著促进东部地区战略性新兴企业技术创新投入,但其对中西部地区的促进作用不显著。究其原因,相较于中西部地区,东部地区市场化程度较高,政府对经济的直接干预较少,企业面临的市场竞争更加激烈,通过研发获得持久竞争力的意愿更为强烈。同时,东部地区知识产权保护制度更为完善,当企业研发成果受到完善制度保护的情况下,不易被其它企业“搭便车”,能够提升自身投资回报率,充分激发研发活动积极性。②无论是东部地区还是中西部地区,ρ系数均显著为负,但中西部地区的负向空间溢出效应更强,表明相较于东部地区,中西部地区由于知识产权保护制度不健全,企业研发策略更多地体现为替代效应。
3.2.6 分创新资助程度回归结果
不同程度创新资助情境下研究结果的适用性有待进一步检验。本文按照创新资助程度均值,将全国分为高创新资助和低创新资助两大区域,得到北京、天津等13个高创新资助省(市、自治区),山西、内蒙古等17个低创新资助省(市、自治区),如表7所示。
表7 各省(市、自治区)按政府创新资助程度划分情况
组别省(市、自治区)低创新资助(gov≤0.148 2)山西、内蒙古、吉林、黑龙江、浙江、福建、江西、河南、广西、海南、重庆、贵州、云南、甘肃、青海、宁夏、新疆高创新资助(gov>0.148 2)北京、天津、河北、辽宁、上海、江苏、安徽、山东、湖北、湖南、广东、四川、陕西
同样地,基于地理距离和邻接权重矩阵,运用MLE对时空双固定的SPLM模型进行回归分析,结果见表8。
由表8可知:①高创新资助组gov的系数显著为正,而低创新资助组gov的系数也为正,但未通过10%的显著性水平检验,表明低政府创新资助对企业技术创新投入的激励作用不显著,高政府创新资助能够显著促进企业技术创新投入。可能原因在于,企业进行研发活动需要逾越一定的门槛条件[28],当资助过少不足以弥补高额企业研发资金缺口时,企业往往不愿冒风险开展研发活动。当政府创新资助逾越研发活动的门槛条件后,其对企业研发投入的刺激作用就会逐渐增强。②高创新资助组ρ的系数显著为负,而低创新资助组ρ的系数也为负,但未通过10%的显著性水平检验,表明在高创新资助组中,邻近省市企业技术创新投入增加会显著抑制本省市企业技术创新投入,而在低创新资助组中这一抑制效应并不显著。对此可能的解释是,由表7可以看出,中国政府创新资助行为释放出“扶优扶强”的信号,倾向于资助技术创新投入较高省市的战略性新兴企业,原本创新投入较高企业的研发成果较多,其空间外溢性较强,导致其它企业更愿意采取“搭便车”的研发策略,最终造成省份间企业技术创新投入相互抑制的现象。相对而言,获得政府创新资助较少的企业,其研发成果较少,研发活动空间外溢性较弱,省份间企业虽会采取“搭便车”的研发策略,但更多地通过增加自身研发投入提升创新能力,导致低创新资助组中企业技术创新投入的负向空间溢出效应并不显著。
表8 不同创新资助程度下SPLM模型回归结果
变量地理距离权重矩阵高创新资助组低创新资助组邻接权重矩阵高创新资助组低创新资助组gov4.181 9***0.175 44.679 1***0.155 9(4.27)(0.22)(4.69)(0.20)controls控制控制控制控制ρ-0.554 9***-0.068 4-0.312 9***0.005 1(-4.28)(-0.55)(-3.71)(0.06)σ20.160 8***0.119 8***0.171 2***0.120 2***(7.06)(8.24)(7.10)(8.25)R20.000 40.039 30.002 70.043 9Log-L-56.835 4-48.789 1-58.119 4-48.950 5N104136104136
本文基于2012—2019年中国(内地)30个省市882家战略性新兴上市企业面板数据,采用Theil指数、探索性空间数据分析(ESDA)等方法考察中国战略性新兴企业技术创新投入时空演化特征,通过构建空间面板计量模型,剖析影响企业技术创新投入的关键因素。
(1)从全国总体看,企业技术创新投入呈波动上升趋势。从三大区域看,东中西部地区企业技术创新投入变动趋势与全国整体情况基本保持一致,但各区域投入强度存在差异,东部地区投入强度明显高于中、西部地区。
(2)从全国总体看,企业技术创新投入愈发均等化,Theil总指数呈波动下降趋势。从三大区域看,域内差异是总差异的主要来源,意味着中国三大区域内部企业技术创新投入强度差异较大。
(3)企业技术创新投入空间格局大致稳定,呈现“中心—外围”的分布模式,中心省份多位于东中部地区,外围省份多位于西部内陆地区。
(4)企业技术创新投入呈现H-H型、L-L型空间组织模式,且各省域间企业技术创新投入空间依赖愈发紧密。研究时间跨度内,H-H型省份数量未发生变化,大多位于东部沿海地区,而L-L型省份数量有所减少,大多位于西部内陆地区。
(5)从全国总体看,政府创新资助是显著促进企业技术创新投入的重要因素,且企业技术创新投入具有显著负向空间溢出效应。分区域看,增加政府创新资助有助于促进东部地区企业技术创新投入,但其对中西部地区的促进作用不显著。无论是东部地区还是中西部地区,企业技术创新投入的空间溢出效应均显著为负,但中西部地区的溢出效应更强。分创新资助程度看,低政府创新资助对企业技术创新投入的激励作用不显著,高政府创新资助则能够显著促进企业技术创新投入。在高创新资助组中,邻近省份企业增加技术创新投入会显著抑制本省企业技术创新投入,而在低创新资助组中这一抑制效应不显著。
(1)完善区域协同机制,深化企业协作创新。例如,应设立跨区域常态化协调管理机构,统筹各地区创新主体之间创新与科技协作事务。战略性新兴企业技术创新活动对科研人才、知识技术、研发资金等要素的要求较高,协调管理机构应积极发挥指引作用,从全局视角考虑,弱化边界藩篱和政策壁垒,增强企业间交流合作,促进创新要素跨境流动,从而实现“以合作促规模化发展”的愿景。此外,协调管理机构应合理引导要素流向,避免要素流动“单向化”进一步加剧。
(2)继续加大资助力度,发挥资金引导作用。政府应继续加大资助力度,为企业技术研发提供资金保障,激发企业创新意愿,从而实现创新驱动发展。与此同时,应完善资助资金监管机制,明确政府资助资金使用范畴,使资助资金切实用于企业创新活动,从而实现创新资助激励效应最大化。
(3)健全地区知识产权保护制度,保障企业创新活动收益。应完善知识产权保护相关法律法规及其执行机制,努力优化地区知识产权保护环境。在立法方面,应进一步提升相关法律法规的可操作性,重点完善侵权惩罚性赔偿制度,加大地区知识产权保护力度,为企业营造公平、正义、高效的创新环境。在执法方面,应健全地区相关部门之间的执法联动协作机制,加大知识产权侵权惩处力度,通过增加违法机会成本避免侵权行为发生,保障企业创新活动的正常收益,增强企业“幸福感”,弱化企业技术创新投入的负向溢出效应。
[1] CABRER-BORRS B,SERRANO-DOMINGO G. Innovation and R&D spillover effects in Spanish regions:a spatial approach[J]. Research Policy,2007,36(9):1357-1371.
[2] 罗建,史敏,廖婷. 湖南省研发投入的空间格局与创新协调发展对策[J]. 经济地理,2020,40(2):125-131.
[3] BUZARD K, CARLINO G A. The geography of research and development activity in the U.S.[R]. FRB of Philadelphia Working Paper 2009/8,2009.
[4] 邱士雷,王子龙,杨琬琨,等. 高技术产业创新能力的空间集聚效应分析[J]. 研究与发展管理,2018,30(6):128-137.
[5] SHANG Q Y,POON J P H,YUE Q T. The role of regional knowledge spillovers on China's innovation[J]. China Economic Review,2012,23(4):1164-1175.
[6] 王晶晶,程钰,曹欣欣. 山东省区域创新产出空间演化与影响因素研究[J]. 华东经济管理,2018,32(11):14-21.
[7] HILL C W L,SNELL S A. Effects of ownership structure and control on corporate productivity[J]. Academy of Management Journal,1989,32(1):25-46.
[8] 张璇,刘贝贝,汪婷,等. 信贷寻租、融资约束与企业创新[J]. 经济研究,2017,52(5):161-174.
[9] 王刚刚,谢富纪,贾友. R&D补贴政策激励机制的重新审视:基于外部融资激励机制的考察[J]. 中国工业经济,2017,34(2):60-78.
[10] LICHTENBERG F R. The effect of government funding on private industrial research and development:a re-assessment[J].The Journal of Industrial Economics,1987,36(1):97-104.
[11] 夏后学,谭清美,白俊红. 营商环境、企业寻租与市场创新:来自中国企业营商环境调查的经验证据[J]. 经济研究,2019,54(4):84-98.
[12] 鞠晓生,卢荻,虞义华. 融资约束、营运资本管理与企业创新可持续性[J]. 经济研究,2013,48(1):4-16.
[13] 黎文靖,郑曼妮. 实质性创新还是策略性创新:宏观产业政策对微观企业创新的影响[J]. 经济研究,2016,51(4):60-73.
[14] 张辉,刘佳颖,何宗辉. 政府补贴对企业研发投入的影响:基于中国工业企业数据库的门槛分析[J]. 经济学动态,2016,57(12):28-38.
[15] 熊和平,杨伊君,周靓. 政府补助对不同生命周期企业R&D的影响[J]. 科学学与科学技术管理,2016,37(9):3-15.
[16] 许和连,邓玉萍. 外商直接投资导致了中国的环境污染吗:基于中国省际面板数据的空间计量研究[J]. 管理世界,2012,28(2):30-43.
[17] 孙早,肖利平. 融资结构与企业自主创新:来自中国战略性新兴产业A股上市公司的经验证据[J]. 经济理论与经济管理,2016,36(3):45-58.
[18] 王卉彤,刘传明,刘笑萍. 中国城市战略性新兴产业发展质量测度及时空特征分析[J]. 城市发展研究,2019,26(12):130-136.
[19] 吕承超,王志阁. 要素资源错配、时空效应与技术创新:来自884家制造业上市公司的经验分析[J]. 经济体制改革,2019,37(6):115-121.
[20] 解维敏,魏化倩. 市场竞争、组织冗余与企业研发投入[J]. 中国软科学,2016, 31(8):102-111.
[21] 郭玥. 政府创新补助的信号传递机制与企业创新[J]. 中国工业经济,2018,35(9):98-116.
[22] 沈毅,张清正. 研发补贴、股权集中度与企业研发投入[J]. 预测,2020,39(3):42-49.
[23] ABOODY D,KASZNIK R. CEO stock option awards and the timing of corporate voluntary disclosures[J]. Journal of Accounting and Economics,2000,29(1):73-100.
[24] 王周伟,崔百胜,张元庆. 空间计量经济学:现代模型与方法[M]. 北京:北京大学出版社,2017.
[25] ANSELIN L. Spatial econometrics:methods and models[M].Dordrecht:Kluwer Academic Pub- lishers,1988.
[26] ELHORST J P. Matlab software for spatial panels[J]. International Regional Science Review,2014,37(3):389-405.
[27] 于永达,闫盛枫. 邻近性与自主合作创新网络演进:以集成电路产业链为例[J]. 科技进步与对策,2017,34(14):66-76.
[28] BUSTOS P. Trade liberalization,exports,and technology upgrading:evidence on the impact of MERCOSUR on Argentinian firms[J]. American Economic Review,2011,101(1):304-340.