开放科学(资源服务)标识码(OSID)：
The paper selects A-share companies from 2007 to 2020 as the research sample. After processing, 35 669 observations from 3 846 listed companies are obtained. Firstly, the annual reports of listed companies are obtained by Python and the text contents are extracted through Java PDFbox library, and the digital technology concentration is measured with Herfindahl-Hirschman index. Secondly,a multiple regression model is constructed to verify the nonlinear relationship between digital technology concentration and enterprise innovation. Thirdly,a mediating effect model is constructed to test the mechanisms of digital technology concentration on enterprise innovation.
The results show that there is a significant inverted U-shaped relationship between digital technology concentration and enterprise innovation. That is, as digital technology concentration increases, enterprise innovation output increases continuously, but it presents a phenomenon of marginal decreasing of enterprise innovation output, and when digital technology concentration is too high, enterprises face major breakthrough innovation barriers which will inhibit technological innovation. The mechanism analysis shows that human resource integration ability and R&D investment intensity play the moderating roles. As the moderating variable increases, it can make the inflection point of the inverted U-shaped curve shift to the left, and gradually flatten the inverted U-shaped curve, and when the moderating variable breaks the threshold of the inflection point, it will make the inverted U-shaped curve transform into a U-shaped curve, and thus with the increase of the moderating variables,it can further promote enterprise innovation.
The contributions of this study are as follows. First, this study is the first to adopt the digital technology concentration to measure the digital transformation of enterprises. The previous literature has mainly used the frequency or ratio of digital technology words, or the proportion of intangible digital assets as a proxy variable of digital transformation. Given the variety of digital technologies and the constraints of capital and talent, enterprises are often in a digital transformation dilemma. This study takes digital technology concentration as the variable for digital transformation of enterprises,and overcomes the shortage of existing variables. Second, this paper provides a new perspective on the in-depth understanding of the relationship between enterprise digital transformation and enterprise innovation, and provides reference for the selection of digital technology quantity for enterprise. In digital transformation, enterprises should focus on a few areas of digital technologies. Most of the literature has confirmed that digital transformation as a whole can significantly promote enterprise innovation, but this study finds that a focus on technology areas can help promote enterprise innovation in the early stage of digital transformation, but as the research progresses, the difficulty of innovation will gradually increase, and the marginal innovation output will distinguish and eventually inhibit enterprise innovation. Third, the empirical evidence of a strong moderating effect is provided for promoting enterprise innovation with digital technology. The two most important moderating variables, namely human resource integration capability and R&D investment intensity are analyzed respectively. The moderating effects of human capital integration ability and R&D investment intensity can change the inverted U-shaped curve to a U-shaped curve. These two moderating variables play significant moderating roles between digital technology concentration and enterprise innovation, and can further promote the role of digital technology in enterprise innovation.
开放科学(资源服务)标识码(OSID)：
《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》将“加快数字化发展,建设数字中国”单独成篇,凸显出国家对数字化建设的高度重视。企业作为社会经济的微观组织,其数字化转型对国家数字化战略实施具有举足轻重的影响。数字化转型已经成为企业发展方向,本文根据吴非等[1]构建的企业数字化特征词库,从人工智能技术、区块链技术、云计算技术、大数据技术等底层技术和数字技术应用两个层面,分别统计各特征词在上市公司年报中出现的次数,2007年合计出现7 511次,2020年合计出现212 531次,后者是前者的28.30倍。由此可见,连年快速上升的数字技术词频标志着企业对数字化转型的高度重视。
数字化转型包括底层数字技术研发和数字技术应用两个层面,而底层数字技术包括人工智能、区块链、云计算和大数据等技术。无论是底层技术研发还是数字技术在实践层面的应用,都需要投入大量人力资本和物质资本。数字化转型是需要高额、长期投入且收益具有不确定性的企业技术创新活动。目前,关于企业数字化转型,学者们主要从影响因素和经济后果两个方面开展研究,还存在众多未知研究领域。已有研究通常采用各底层数字技术特征词词频或该词频占年度报告总词汇量的比率作为度量企业数字化转型的代理变量[1-3]。上述方法能够较为准确地从整体上度量企业数字化转型,但不能度量数字技术集中度。虽然数字化转型是企业发展的必然方向,但因数字化底层技术种类多、成本高、难度大,企业往往处于“不转型等死,转型找死”和“不愿转、不敢转、不会转”的困境[4]。面对众多种类的数字技术,企业应如何选择?如何利用数字化转型促进企业创新?如何重塑价值创造路径?是面面俱到“普遍撒网”还是聚焦一域“重点突破”?这就需要研究数字技术集中度问题。基于此,本文尝试从数字技术集中度视角研究其对企业创新的影响,以期为推进企业数字化转型,进而促进企业创新提供理论支持。本研究对现阶段中国企业数字化转型具有重要理论意义和现实价值。
本文边际贡献主要体现如下:首先,首次采用数字技术集中度指标度量企业数字化转型。已有文献主要采用数字技术特征词词频或比率[1-3],或数字化无形资产占无形资产总额的比重(宋德勇等,2022),或调研数据作为数字化的替代变量[5]。鉴于数字技术种类多样,而企业面临资金、技术、人才因素制约,往往处于数字化转型困境而无从选择。因此,指导企业有效推进数字化转型是本文初衷。本文以数字技术集中度作为企业数字化转型的度量变量,借鉴赫芬达尔—赫希曼指数的思想,以企业年度报告中各底层技术与数字技术应用等特征词词频占年报总词数比率的平方和度量企业数字技术集中度,以弥补现有企业数字化度量指标的不足。其次,本文可为深入认识企业数字化转型与企业创新的关系提供新视角,为企业数字化转型提供数字技术数量选择依据。企业在数字化转型时,应重点关注少数领域的数字技术,集中精力重点突破,而不是普遍撒网。已有文献证实,数字化转型整体上能够显著促进企业创新[6],但本文发现,如果过度关注某一技术领域,在企业数字化转型初期有助于促进企业创新,但随着研究深入,创新难度逐步加大,会出现边际创新产出递减现象,最终抑制企业创新。再次,为借助数字技术促进企业创新提供强有力的经验证据。数字技术研发与应用及企业创新活动只有借助人力资源和资金支持,才能充分利用和发掘数字技术价值。本文分别从人力资源整合能力和研发投入强度两个调节变量开展研究,人力资源整合能力和研发投入强度通过发挥调节效应将企业数字技术集中度与企业创新的倒U型关系转变为U型关系。上述两个调节变量在数字技术集中度与企业创新间发挥显著调节效应,能够进一步强化数字技术对企业创新的促进作用。
数字技术是企业数字化转型的基础和企业创新的保证,能够促进信息和资源流动,从而提升资源配置效率。人工智能、区块链、云计算和大数据等数字技术可为企业创新注入新的动力。阮添舜等(2022)认为,数字技术通过协同创新重塑企业创新机制与路径;束超慧等(2022)认为,人工智能技术通过拓展知识来源、加速知识传播和资源流动构建网格化创新生态,并重塑企业创新模式。同时,人工智能能够基于技术创新特征,为企业创新提供战略指引,从而规避创新风险[7]。贾军和薛春辉(2022)认为,区块链技术能够通过整合供应链资源促进创新投入,增加创新产出;宫奎和王贵和(2017)指出,云计算技术可为企业节省存储等硬件设备购买和维护费用,因而企业可以将更多资金投入到创新活动中。大数据技术能够提升企业信息整合能力,为企业创新提供更多有效信息[8],并通过优化营商环境提升企业创新绩效[9]。
企业数字化转型是学术界和实务界共同关注的焦点。学者们主要从企业数字化转型影响因素和经济后果两个方面开展研究。关于企业数字化转型影响因素,现有研究主要关注金融科技(唐松等,2022)、税收优惠(成琼文和丁红乙,2022)、政府补贴[10]、政治关联(王雪冬等,2022)、知识产权保护(周洲,吴馨童,2022)等;关于企业数字化转型经济后果,现有研究主要关注企业数字化转型对股价崩盘风险(林川,2022)、资本市场效率(雷光勇等,2022)、绿色技术创新(靳毓等,2022)、会计信息可比性(聂兴凯等,2022)及创新生态系统[11]的影响。
企业数字化转型目标是提升核心竞争力、改变价值创造路径,进而实现价值增值(姚小涛等,2022),而创新是实现这一目标的根本路径。关于数字化转型对企业创新的影响,学术界主要存在以下两种观点:第一种观点认为,企业数字化转型与企业创新呈线性关系。上述观点认为,数字技术通过拓展企业边界帮助企业获取外部资源,具有信息溢出效应,并可以帮助企业准确掌握客户需求信息,激励客户参与创新,精准获取创新需求信息[6]。同时,企业数字化转型能够显著改善企业创新生态系统[11],通过提升会计信息质量(聂兴凯等,2022)与公司内控水平(肖红军等,2021)降低交易成本和代理成本[12],并缓解信息不对称问题、抑制盈余管理行为[13],进而抑制管理层的风险规避行为,激发企业家精神[14],提升创新效率并增加创新产出(肖土盛等,2022)。因此,数字化转型能够显著促进企业创新。第二种观点认为,企业数字化转型与企业创新呈倒U型关系。王锋正等(2022)认为,数字化能够促进信息快速、低成本流动,提升资源配置效率,但当数字技术发展到更高层级时可能面临治理效率低下、数据安全等问题,从而抑制企业创新。上述研究发现,企业数字化综合水平、数字基础、数字投入、数字经济和数字应用等分项指标均与企业创新呈显著倒U型关系。同样,余菲菲等[5]认为,在数字化初期,数字技术能够显著提升公司绩效和利润,但过度使用数字技术可能会导致公司现有资源和能力无法与之匹配,进而削弱创新系统,即数字化水平与企业创新呈倒U型关系。如肖仁桥等[15]发现,二者呈倒U型关系。
现有文献采用数字技术特征词词频或比率或数字化无形资产占无形资产总额的比重度量企业数字化,上述测量方法能够从整体上度量企业数字化水平,但不能度量数字技术集中度。因数字技术种类多,企业面临数字化转型困境。本文以数字技术集中度作为企业数字化转型度量指标,既能够为企业数字技术选择提供经验支持,又可以弥补已有文献指标的不足。
1.2.1 企业数字技术集中度与企业创新
数字技术正成为驱动企业创新的主导力量。每项底层数字技术研发及应用都需要投入较多的人力和物质资本,具有投入大、期限长、风险高的特点。因此,很多企业因缺乏持续研发资金而不愿转型,因转型风险高而不敢转型,因缺乏充足的人力资源而不会转型。面对多种底层数字技术,企业应如何选择?是普遍撒网,还是重点突破?现有数字技术集中度对企业创新影响的研究存在两种观点:一种观点认为,不同数字技术间可以实现协同创新。上述观点认为,数字技术创新具有外溢效应[16],数字化借助规模经济效应和网络经济效应可以降低企业创新信息获取成本和边际能耗[17],从而降低企业创新研发成本。同时,开展多项底层数字技术及其应用研究既可以发挥技术间的互补功能,进而实现协同创新,又可以借助多样化技术降低企业创新风险。由此可知,数字技术集中度越低,越有利于企业创新。另一观点认为,数字技术领域越集中,越有利于企业创新。数字技术研发需要长期、大量资金和人力资源投入,如果同时开展多项技术研究可能面临如下不利影响:首先,因难以将人力、物力和财力集中于单一领域,故不利于公司在某技术领域获得核心竞争力;其次,可能面临不同部门间因协调、沟通、融合与整合难度加大带来的风险,导致成本增加,因而不利于企业创新[5];再次,过多的数字技术会导致企业面临信息超载问题,进而陷入“技术多元化陷阱”,造成决策失误而不利于企业创新(周青等,2020)。因此,数字技术集中度提升能够促使企业关注重点技术领域,集中精力开展深入研究,发挥学习效应,从而促进企业创新。
企业数字化转型的现实困境并未显著支持数字技术协同创新观点。因数字技术种类越多,科研人员和研发经费投入就越多,在没有充足人力资源和研发经费的情况下,同时开展多项技术研究将不利于企业创新。此外,同时研发多项数字技术对资源和能力的要求与企业现有资源及能力间的巨大差距导致企业无法有效运用多种技术[5],这不但不能更好地服务于企业创新,反而可能抑制企业创新。如果将各种创新资源集中于某一数字技术领域不但可以促进企业创新,而且能够较快提升企业核心竞争力,拓展企业边界,帮助企业获取更多外部资源,从而激励企业创新。同时,数字技术是新生事物,具有广阔的创新空间,集中精力开展某一领域技术研发能够带来丰富的创新产出。随着某一领域数字技术研究不断深入,颠覆性技术创新难度逐步加大。因此,在其它条件不变的情况下,如果数字技术集中度过高,则技术创新难度会逐步加大,从而不利于技术创新。基于上述分析,本文认为,数字技术集中度与企业创新呈先升后降的倒U型关系。基于此,本文提出以下假设:
H1:在其它条件不变的情况下,数字技术集中度与企业创新呈倒U型关系。
1.2.2 人力资源整合能力的调节效应分析
数字技术及其应用能够为企业创新提供技术基础。数字技术可以实现信息资源快速低成本流动,降低信息获取成本并优化资源配置,进而为企业创新提供信息和技术支持,但其对企业创新的影响则取决于公司人力资源整合能力。人力资源整合能力是指借助人力资源解决不同技术间的融合障碍,高效整合企业内外部底层数字技术资源和数字技术应用资源,并将上述资源投入到企业创新链中,在同等资源条件下促进企业创新的能力。人力资源整合能力直接决定企业环境响应能力、创新资源吸收运用能力和深度发掘能力,有助于优化企业资源配置,为部门间、技术间协同创新提供智力支持(王锋正等,2022)。我国企业创新的主要障碍是缺乏高端技术人才,数字技术应用的结果是以机器设备替代低端劳动力。为了更好地借助数字技术促进企业创新,企业会增加对高端人力资源的需求(陈冬梅等,2022)。数字技术研发、应用及企业创新是高水平专业技术活动,企业创新在一定程度上取决于不同技术间的有效整合。同时研发多种数字技术会提升技术复杂程度,这就要求企业具有更高的技术应用与分析能力,因而对企业技术整合能力与人力资源整合能力提出较高的要求。人力资源整合能够借助数字技术获取更多有效创新信息和创新创意,并将其转变为技术创新,因而有助于企业突破创新技术障碍。史宇鹏等(2021)认为,数字技术对具备技术素养、管理能力的复合型人才具有高度依赖。数字技术只有借助于高水平专业技术人员的知识储备,实现技术和知识有效结合,以及技术资源与人力资源优化配置,才能产生互补效应与协同效应,从而更好地促进企业创新。就数字技术集中度与企业创新的关系而言,随着研发不断推进,企业数字技术集中度越高,所面临的创新难度越大,对企业人力资源整合能力的要求越高。企业人力资源整合能力越强,越能在数字技术集中度较高且面临创新困境的情境下为企业突破性技术创新提供人力资源。基于此,本文提出以下假设:
H2:人力资源整合能力能够调节数字技术集中度对企业创新的影响。
1.2.3 研发投入强度的调节效应分析
企业创新是高投入、高风险的企业生产活动。企业数字化本身是通讯科学与技术[4],企业数字化转型的实质是通过技术改造实现企业创新[10],进而重塑企业价值创造的过程[13]。数字化转型能够为企业创新提供坚实的技术支撑,但无论是企业数字化转型还是企业创新都需要大量的研发投入。因此,充足的研发费用投入是企业创新活动开展的前提与保证。研发投入不仅能够促进企业创新,提升企业核心竞争力,也可以通过提升产品异质性增强产品市场竞争优势。因此,研发投入能够通过促进技术创新和产品创新提升企业竞争力,增加企业市场份额,为企业带来更多利润,从而进一步促进企业创新。借助数字技术赋能,企业在降低认知差异与研发成本及交易成本、优化资源配置和创新要素组合,以及促进技术创新等方面表现出极高的效率,但这都依赖于充足的研发投入。随着技术研发不断深入,企业数字集中度越高,创新难度越大,加大研发投入强度是解决这一问题的关键。因为集中于某一领域数字技术方向的研发投入能够为企业解决资金困境,不仅可以购置技术研发设备,而且能够吸引高端技术人才,进而提升技术整合能力,最大限度地促进企业创新。与此同时,能够避免同时关注多项技术创新而造成资源分配失衡问题[5],从而提升资源配置效率。因此,研发投入强度越大,越有利于为企业创新提供资金保障,从而为数字技术集中度较高企业实现突破性创新提供资金支持。基于此,本文提出以下假设:
H3:研发投入强度能够调节数字技术集中度对企业创新的影响。
本文研究样本为2007—2020年沪深A股上市公司数据,财务数据和企业创新数据来自国泰安(CSMAR)数据库。在选择样本时,本文剔除金融行业样本、处于ST状态企业和退市企业样本,以及研究数据缺失样本。经过样本选择,最终得到3 846家上市公司35 669个年度样本观测值。本研究使用的年报数据来自沪深证券交易所官网。
2.2.1 被解释变量
本文被解释变量为企业创新。目前,学术界主要从投入和产出两个角度衡量企业创新。以创新投入作为企业创新度量指标能够在一定程度上反映企业创新意愿[18],但因为企业战略选择以及会计准则变化等原因,准确的企业创新投入数据难以获得[19],导致该指标存在一定的不足。企业创新是资金、科研人员、技术支持、组织管理等资源投入的结果,而创新投入只是基于资金角度度量企业创新,因而不能全面反映其它创新资源投入。因此,创新投入并不是最合适的企业创新度量指标[20]。创新产出是企业各种创新投入与公司治理的最终结果,相较于创新投入,这一指标能够更准确地度量企业创新[21]。企业创新产出形式包括专利等,专利可以从专利申请和专利授权两个方面度量。黎文靖和郑曼妮(2016)认为,相较于专利授权,专利申请从研发投入到专利申请耗费的时间较短,能够更为准确地反映企业创新产出,从而较好地反映企业创新意愿和创新成果。因此,本文以专利申请数量加1的自然对数(Apply)作为企业创新度量指标。
2.2.2 解释变量
目前,企业数字化度量方法包括以下3种:第一,采用年报中数字化特征词词频数量或占年报总词量的比重进行度量[1-2];第二,以无形资产中与数字经济有关的资产金额占无形资产总金额的比重进行度量(宋德勇等,2022);第三,通过问卷调研方法开发企业数字化量表[5]。上述方法能够从总体上度量企业数字化程度,但不能反映企业数字技术集中度。为了指导企业在多种数字技术中进行选择,本文采用数字技术集中度作为测量指标。在构建企业数字技术集中度指标时,借鉴赫芬达尔—赫希曼指数的思想,以企业年度报告中人工智能技术、区块链技术、云计算技术、大数据技术及数字技术应用等技术特征词词频占年度报告总词数比率的平方和度量企业数字技术集中度(Dig),如式(1)所示。
(1)
式(1)中,ArtiIn、BlockCh、CloudCo、BigDa、TechAp分别表示年报中有关人工智能、区块链、云计算、大数据等底层数字技术及数字技术应用特征词词频,Total表示年报总词数,i表示公司,t表示年份。Dig数值越大,表明数字技术集中度越高,反之亦然。该指标能够度量企业在多种数字技术间的选择行为,实证检验其对企业创新的影响,为企业数字化转型提供经验证据。借鉴吴非等[1]的研究成果,从上市企业年报中涉及“企业数字技术及其应用”的词频统计角度反映企业数字化程度,即以上市企业年度报告中企业数字技术有关特征词出现频次表示企业在数字化转型过程中对不同数字技术的重视程度。本文将公司年报中与数字技术及其运用相关词汇纳入数字技术特征词汇范围,各特征词如表1所示。在此基础上,通过Python软件获取上市公司年报,并通过Java PDFbox库提取文本内容,再根据特征词汇搜索、匹配并计算出词频数量,最后采用式(1)计算企业数字技术集中度(Dig)。
表1 企业数字技术与应用特征词
Table 1 Glossary of enterprise digital technology and application
底层技术层面人工智能技术特征词区块链技术特征词云计算技术特征词大数据技术特征词数字技术应用层面人工智能、智能机器人、人脸识别、身份识别、语音识别、生物识别技术、商业智能、智能数据分析、机器学习、深度学习、自动驾驶、投资决策辅助系统等区块链、分布式存储、分布式计算、非对称加密、智能合约、数字货币、差分隐私技术等云计算、图计算、流计算、类脑计算、认知计算、绿色计算、物联网、信息物理系统、EB级存储等大数据、数据挖掘、文本挖掘、数据可视化、虚拟现实、增强现实、征信等移动互联网、移动支付、第三方支付、电子商务、工业互联网、数字金融、金融科技、数字营销、智能客服、智能穿戴、智慧农业等
2.2.3 调节变量
借鉴王文华(2021)、王锋正等(2022)、阚玉月和刘海兵(2020)的研究成果,根据研究需要,本文使用以下两个调节变量:人力资源整合能力(Employee)和研发投入强度(Rddensity)。其中,人力资源整合能力以公司员工中研发人员占比表示,该变量的值越大,表示公司研发技术人员越能整合各项技术,即人力资源整合能力越强;研发投入强度以公司研发投入占公司营业收入的比重表示,该变量的值越大,意味着公司研发投入强度越大。
2.2.4 控制变量
借鉴安同良和闻悦[6]的研究成果,本文在回归时控制以下变量:企业规模、财务杠杆、企业年龄、业务成长性、国有持股比例、股权集中度、管理层持股比例、固定资产占比、董事会规模、独立董事比例、董事会领导权结构和盈利能力。同时,还控制年份和行业。上述变量定义见表2。
表2 变量定义
Table 2 Variable definitions
变量类型变量名称变量符号变量定义被解释变量专利申请数量Apply专利申请数量加1的自然对数解释变量数字技术集中度Dig各类数字技术词频占年度报告总词频比率的平方和调节变量人力资源整合能力Employee研发人员占员工总数的比例研发投入强度Rddensity研发投入占营业收入的比例控制变量企业规模Size企业年末总资产的自然对数资产负债率Lev企业总负债占总资产的比例企业年龄Age公司上市年数的自然对数业务成长性Growth公司营业收入的年增长率国有持股比例Soe国有持股比例之和股权集中度Share1第一大股东持股比例管理层持股Mshare管理层持股比例固定资产比例Tangi固定资产净额占总资产的比例董事会规模Board董事会规模的自然对数董事会独立性Indep独立董事人数占董事会总人数的比例董事会领导权结构Dual虚拟变量:董事长和总经理由1人担任为0,否则为1总资产收益率Roa净利润与年平均资产的比值年份Year年份虚拟变量行业Ind行业虚拟变量:以2012年证监会行业分类为依据
根据本文研究假设,借鉴王锋正等(2022)、宋德勇等(2022)、余菲菲等[5]的做法,构建多元回归固定效应模型,见模型(2)和模型(3)。
Applyit=α0+α1Digit+α2Controls+∑Year+∑Ind+εit
(2)
(3)
在模型(2)、模型(3)中,i表示上市公司,t表示年份,Controls为控制变量,ε为残差项。模型(2)用以检验数字技术集中度对企业创新的影响,模型(3)加入数字技术集中度的二次项,如果γ2的回归系数显著为负,则证明二者存在显著倒U型关系。倒U型关系的实质是两个函数的组合[21-22],数字技术集中度与企业创新的倒U型关系可以通过构建两个潜在函数表示,即函数A和函数B。函数A即数字技术集中度与企业创新之间表现为正相关的线性函数,函数B即数字技术集中度与企业创新之间表现为负相关的线性函数。函数A表示随着数字技术集中度提升,企业在本技术领域内能够充分挖掘所掌握的信息与自身技术潜能。相对于关注较多的技术领域,关注单一领域目标明确,协调成本较低,能够实现更多自身技术领域内的企业创新。函数B表示在其它条件不变的情况下,随着对某一技术领域研究深入,本领域技术创新升级,导致技术创新难度和复杂性提升,因而企业创新受到抑制。数字技术集中度与企业创新通过函数A的技术创新增加减去函数B受到创新抑制而带来的创新减少呈现倒U型关系[22]。
为了避免异常值对回归结果的影响,本文在回归时对连续变量进行1%的缩尾处理。本文使用的分析工具为Stata16.0,通过最小二乘法(OLS)进行回归分析。
表3为变量描述性统计分析结果。由表3可知,专利申请数量的最大值为5.840 6,最小值为0,均值为1.274 6,标准差为1.573 0,表明不同公司间创新产出存在显著差异。数字技术集中度的最大值为0.614 9,最小值为0,均值为0.027 4,标准差为0.086 3,表明不同公司间数字技术集中度存在显著差异。
表3 描述性统计分析结果
Table 3 Descriptive statistical analysis results
变量样本量均值标准差中位数最小值最大值Apply35 6691.274 6 1.573 0 0.000 0 0.000 0 5.840 6 Dig35 6690.027 4 0.086 3 0.001 5 0.000 0 0.614 9 Size35 66922.002 5 1.318 2 21.836 9 19.213 0 26.038 7 Lev35 6690.439 5 0.219 1 0.429 3 0.050 9 1.031 0 Age35 6692.052 7 0.904 5 2.302 6 0.000 0 3.295 8 Growth35 6690.186 1 0.508 5 0.106 5 -0.647 9 3.540 6 Soe35 6690.056 9 0.146 2 0.000 0 0.000 0 0.680 5 Share135 6690.346 3 0.149 4 0.324 7 0.086 0 0.746 6 Mshare35 6690.008 3 0.009 0 0.005 3 0.000 2 0.050 7 Tangi35 6690.219 5 0.167 3 0.184 7 0.001 6 0.720 1 Board35 6692.136 3 0.204 1 2.197 2 0.693 1 2.890 4 Indep35 6690.373 7 0.053 4 0.333 3 0.300 0 0.571 4 Dual35 6690.736 1 0.440 8 1.000 0 0.000 0 1.000 0 Roa35 6690.040 1 0.071 5 0.039 5 -0.293 6 0.233 8
表4为主要变量间的Pearson相关关系分析结果。由表4可知,数字技术集中度与企业创新在1%水平上呈显著正相关关系,表明较高的数字技术集中度有利于企业创新,但具体关系有待深入研究。变量间相关系数均小于0.51,表明变量间不存在严重多重共线性问题。同时,进行变量间方差膨胀因子(VIF)检验,结果显示,VIF最大值为1.65,均值为1.37,进一步证实变量间不存在严重多重共线性问题。
表4 变量相关关系分析结果
Table 4 Correlation analysis of variables
变量ApplyDigSizeLevAgeGrowthSoeShare1MshareTangiBoardIndepDualDig0.09***Size0.14***-0.01Lev-0.11***-0.07***0.38***Age-0.18***-0.05***0.34***0.39***Growth-0.03***0.03***0.04***0.03***-0.03***Soe-0.10***-0.06***0.11***0.10***-0.010.08***Share10.03***-0.09***0.21***0.02***-0.11***0.03***0.26***Mshare0.13***0.07***-0.28***-0.22***-0.45***0.02***-0.09***-0.06***Tangi-0.03***-0.18***0.09***0.11***0.11***-0.07***0.14***0.08***-0.17***Board0.01-0.05***0.24***0.13***0.10***-0.01**0.17***0.03***-0.07***0.16***Indep0.03***0.04***0.01**-0.01**-0.02***0.01-0.06***0.03***-0.01*-0.06***-0.51***Dual-0.08***-0.07***0.15***0.15***0.23***-0.01*0.14***0.05***-0.16***0.11***0.17***-0.11***Roa0.14***0.01**0.01*-0.39***-0.27***0.22***0.01**0.14***0.23***-0.11***0.02***-0.02***-0.05***
注：*、**、***分别表示在10%、5%、1%的水平上统计显著,下同
数字技术集中度是基于企业年报中出现的企业数字化转型特征词计算出来的,如果数字技术集中度为0,则意味着企业未进行数字化转型;如果数字技术集中度大于0,则意味着企业进行了数字化转型。据此,本文将样本分为数字化转型组和未数字化转型组并进行单变量检验。表5结果显示,数字化转型组专利申请的均值为1.343 8,而未数字化转型组专利申请的均值为0.561 2。T检验结果显示,前者显著大于后者,说明数字化转型有利于企业创新。
表5 单变量T检验结果
Table 5 Univariate T test results
样本样本量Apply均值T检验数字化转型企业(Dig>0)32 5131.343 8未数字化转型企业(Dig=0)3 1560.561 226.555 4***
表6为数字技术集中度对企业创新影响的回归结果。列(1)显示,在控制年份和行业虚拟变量后,数字技术集中度与企业创新在1%水平上显著正相关。列(2)为所有控制变量对企业创新影响的回归检验结果。列(3)为控制所有控制变量后,数字技术集中度对企业创新影响的回归检验结果。结果显示,二者间回归系数为1.357 8,且呈1%水平上显著正相关。上述结果表明,企业数字技术集中度有利于企业技术创新。列(4)加入企业数字技术集中度的平方项,结果显示,企业数字技术集中度一次项的回归系数显著为正,二次项的回归系数显著为负,表明数字技术集中度与企业创新呈显著倒U型关系。上述结果表明,数字技术集中度提高有利于企业创新,但过高的数字技术集中度会抑制企业创新。由此,假设H1成立。
表6 数字技术集中度与企业创新回归结果
Table 6 Regression results of digital technology concentration and enterprise innovation
变量(1)(2)(3)(4)ApplyApplyApplyApplyDig1.841 5***1.357 8***5.872 8***(16.80)(12.91)(19.43)Dig2-8.758 2***(-15.83)Size0.388 2***0.380 7***0.369 0***(53.15)(52.02)(50.35)Lev-0.359 6***-0.346 7***-0.318 3***(-9.40)(-9.08)(-8.36)Age-0.207 7***-0.206 5***-0.208 3***(-20.03)(-19.94)(-20.22)Growth-0.128 2***-0.134 5***-0.133 2***(-10.39)(-10.94)(-10.86)Soe-0.690 9***-0.681 4***-0.650 1***(-13.68)(-13.50)(-12.89)Share10.052 60.080 30.092 8*(0.97)(1.49)(1.72)Mshare16.516 5***16.337 6***15.666 8***(17.44)(17.24)(16.66)Tangi-0.411 5***-0.330 3***-0.231 2***(-8.17)(-6.55)(-4.58)Board0.060 60.064 80.081 6*(1.31)(1.40)(1.77)Indep0.440 7***0.405 1**0.389 5**(2.61)(2.41)(2.31)Dual-0.066 7***-0.058 6***-0.052 0***(-3.77)(-3.32)(-2.96)Roa1.037 2***1.082 2***1.158 1***(9.20)(9.62)(10.31)cons0.684 5***-7.277 8***-7.1662***-6.987 6***(11.62)(-36.65)(-36.10)(-35.10)IndYesYesYesYesYearYesYesYesYesN35 66935 66935 66935 669Adj-R20.149 20.245 40.249 80.256 3F601.690 5386.160 3381.820 3383.252 8
注：括号内为T值,下同,限于文章篇幅限制,后面将省略对控制变量结果的汇报
3.5.1 替换被解释变量
本文分别以发明专利申请量加1的自然对数(Iapply)、专利授权量加1的自然对数(Grant)和发明专利授权量加1的自然对数(Igrant)替代被解释变量Apply进行稳健性检验,结果如表7所示。由表7可知,数字技术集中度与上述3个被解释变量均呈显著倒U型关系,证实本文回归结果具有稳健性。
表7 替换被解释变量的稳健性检验结果
Table 7 Robustness test after replacing the explained variable
变量(1)(2)(3)IapplyGrantIgrantDig4.364 2***4.712 5***0.599 2***(16.73)(17.33)(3.31)Dig2-6.391 0***-7.167 8***-0.884 3***(-13.28)(-14.51)(-2.59)(10.18)(11.00)(12.00)ControlsYesYesYesIndYesYesYesYearYesYesYescons-6.118 7***-6.075 8***-3.670 4***(-36.58)(-32.74)(-28.23)N35 66935 66935 669Adj-R20.227 90.223 80.121 7F304.580 4321.533 9155.199 4
3.5.2 改变样本期间
为了避免2008年金融危机的影响,本文基于2011—2020年样本进行稳健性检验,结果见表8列(1)。结果显示,数字技术集中度与企业创新呈显著倒U型关系,证实本文回归结果具有稳健性。
表8 变更研究样本的稳健性检验结果
Table 8 Robustness test after changing the samples
(1)(2)(3)(4)变量以2011—2020年样本回归剔除高科技公司样本剔除创业板公司样本剔除未数字化转型样本ApplyApplyApplyApplyDig6.342 6***3.256 5***6.437 0***5.597 0***(18.61)(8.10)(17.21)(18.41)Dig2-9.538 8***-4.300 6***-9.884 5***-8.313 1***(-15.26)(-5.94)(-13.75)(-14.98)ControlsYesYesYesYesIndYesYesYesYesYearYesYesYesYescons-7.023 7***-4.688 5***-7.052 3***-7.020 1***(-32.56)(-20.47)(-33.22)(-32.28)N29 20017 00930 05532 513Adj-R20.260 10.269 30.255 20.250 9F345.796 1140.588 4313.830 7358.099 7
3.5.3 剔除高科技公司样本
高科技公司研发投入大,其创新行为可能与一般公司存在差异。因此,本文在稳健性检验时剔除高科技公司样本,结果见表8列(2)。由此,证实数字技术集中度与企业创新呈显著倒U型关系,表明本文回归结果具有稳健性。
3.5.4 剔除创业板公司样本
考虑到创业板公司规模和创新能力具有一定的特殊性,为了避免其对回归结果的影响,本文在稳健性检验时剔除创业板公司样本,结果见表8列(3)。结果再次表明,数字技术集中度与企业创新呈显著倒U型关系。
3.5.5 剔除未数字化转型公司样本
虽然数字化转型是大势所趋,但部分公司仍未进行数字化转型。本文在稳健性检验时剔除未数字化转型公司,结果见表8列(4)。结果表明,数字技术集中度与企业创新呈显著倒U型关系,表明本文回归结果具有稳健性。
3.5.6 控制个体固定效应
为了避免可能因遗漏变量导致的内生性问题,借鉴吴武清和田雅倩(2022)的研究成果,本文在回归时控制公司个体固定效应,结果见表9列(1)。
表9 其它稳健性检验与内生性处理结果
Table 9 Other robustness tests and endogenous treatment results
(1)(2)(3)(4)变量个体固定效应联合固定效应联合固定效应Tobit回归ApplyApplyApplyApplyDig2.562 5***5.862 9***6.299 3***9.646 7***(7.00)(19.39)(22.14)(19.50)Dig2-4.060 0***-8.733 5***-9.365 0***-14.025 0***(-6.31)(-15.78)(-17.17)(-15.64)ControlsYesYesYesYesIndYesYesNoYesYearYesYesNoYesFirmYesNoNoNoInd×YearNoYesYesNocons-5.859 3***-9.897 0***-4.813 3***-17.335 2***(-27.45)(-11.59)(-25.16)(-45.48)N35 66935 66935 66935 669Adj-R2/Pseudo R2 0.276 50.256 40.189 30.124 1F/LR chi2267.643 6375.6415644.897 313 855.66
3.5.7 采用联合固定效应
本文样本期较长,不同行业可能会经历不同周期变化,产业政策也会发生变动,上述因素将对回归结果产生影响。借鉴潘越等(2020)的研究成果,本文在基准回归的基础上进一步控制行业年度趋势,即行业与年度交互项(Ind×Year)的固定效应。同时,本文在回归时,采用是否同时控制Ind和Year两种方法,结果见表9列(2)和列(3)。
3.5.8 Tobit回归
本文被解释变量中有较多0值,即被解释变量存在左截尾现象。针对这一现象,本文采用Tobit回归,结果见表9列(4)。
上述稳健性检验结果显示,企业数字技术集中度与企业创新呈现显著倒U型关系。在进行一系列稳健性检验和内生性处理后,本文回归结果仍具有稳健性。
为了检验调节变量对数字技术集中度与企业创新关系的影响,本文在模型(3)的基础上增加调节变量(M)与数字技术集中度一次项的交互项和二次项的交互项,以此构建模型(4)。
(4)
模型(4)中,M为调节变量,本文采用的调节变量M分别为人力资源整合强度(Employee)和企业研发投入强度(Rddensity),回归结果见表10。
表10 调节变量对数字技术集中度与企业创新结果的影响检验结果
Table 10 Impact of mediator variables on digital technology concentration and enterprise innovation
变量(1)变量(2)ApplyApplyDig4.129 3***Dig4.943 4***(12.75)(15.91)Dig2-6.360 5***Dig2-7.537 5***(-10.77)(-13.57)Employee×Dig-21.143 1***Rddensity×Dig-75.989 1***(-13.78)(-15.67)Employee×Dig229.119 1***Rddensity×Dig2109.629 1***(10.55)(12.53)Employee7.193 8***Rddensity24.502 9***(64.63)(63.09)ControlsYesControlsYesIndYesIndYesYearYesYearYescons-6.408 3***cons-6.462 0***(-34.67)(-35.97)N35 669N35 669Adj-R20.385 9Adj-R20.438 2F597.150 2F555.793 6
表10列(1)显示,人力资源整合强度与数字技术集中度的一次项交互项回归系数为负且在1%水平上显著,人力资源整合强度与数字技术集中度的二次项交互项回归系数为正且在1%水平上显著。同时,数字技术集中度系数在1%水平上显著为正,数字技术集中度的平方项系数在1%水平上显著为负,人力资源整合强度系数在1%水平上显著为正。因此,人力资源整合强度在数字技术集中度对企业创新的影响过程中发挥调节作用,说明本文研究假设H2成立。
表10列(2)显示,企业研发投入强度与数字技术集中度的一次项交互项回归系数为负且在1%水平上显著,企业研发投入强度与数字技术集中度的二次项交互项回归系数为正且在1%水平上显著。同时,数字技术集中度系数在1%水平上显著为正,数字技术集中度的平方项系数在1%水平上显著为负,企业研发投入强度系数在1%水平上显著为正。因此,企业研发投入在数字技术集中度对企业创新的影响过程中发挥调节作用,说明本文研究假设H3成立。
Hanns等[22]指出,对于倒U型曲线的调节效应,应关注以下3个方面:一是曲线拐点是否发生偏移;二是曲线陡度是否发生变化;三是曲线形状是否发生改变。根据表10结果并结合二次函数性质分析发现,随着调节变量M增大,数字技术集中度与企业创新的倒U型关系曲线拐点向左偏移。数字技术集中度与企业创新的倒U型关系曲线随着调节变量M增大而变得平缓。当调节变量M到达倒U型关系变化的临界点时,数字技术集中度与企业创新呈线性关系。当调节变量M越过临界点并继续增大时,数字技术集中度与企业创新呈现正U型关系。此时,数字技术集中度越高,越有利于企业技术创新。图1直观地展示了调节变量M如何调节数字技术集中度对企业创新的影响。
图1 调节效应与倒U型曲线变化
Fig.1 Changes of moderating effect and inverted U-shaped curve
综上所述,企业在数字化转型时应结合自身技术优势与战略规划有重点地进行,并将更多精力和资源配置在关键数字技术领域。企业可以借助数字技术优势促进创新活动,但数字技术集中度对企业创新的影响呈显著倒U型,即在倒U型曲线拐点左侧呈现为企业创新产出边际递减,在拐点右侧随着数字技术集中度进一步提升而抑制企业创新。呈现倒U型关系的原因在于,在其它条件不变的情况下,随着本领域数字技术研发不断推进,低水平技术创新越来越少,技术创新难度逐渐增大,企业创新产出越来越少。此时,若进一步提升数字技术集中度则会抑制创新。根据机制分析结果,为了降低这一不利影响,企业可以借助人力资源整合能力和研发投入强度这两个调节变量将数字技术集中度对企业创新的影响从倒U型曲线转变为U型曲线,即在倒U型曲线拐点左侧呈现倒U型曲线左半部分形状,而在拐点右侧呈现为U型曲线右半部分形状。这意味着在调节变量的作用下,数字技术集中度越高对企业创新的促进作用越显著。这一现象产生的根本原因在于,人力资源整合能力提升能够促进企业环境响应能力、创新资源吸收运用能力和深度发掘能力提升。由此,企业能够优化资源配置,促进部门间、技术间协同创新,进而突破创新技术障碍,实现技术和知识有效结合,从而发挥互补效应与协同效应。加大研发投入强度不仅能够为重大技术创新解决资金困难,而且可以吸引高端技术人才,提升技术整合能力,最大限度地释放数字技术的潜在价值,提升资源配置效率,进而进一步强化数字技术集中度对企业创新的促进作用,最终促进企业创新。
本文基于2007—2020年沪深A股上市公司数据,从数字技术集中度视角检验数字化转型对企业创新的影响。结果发现,数字技术集中度与企业创新呈显著倒U型关系,即随着数字技术集中度提升,企业创新产出不断增加,但呈现企业创新产出边际递减现象。当数字技术集中度过高时,企业面临重大突破性创新障碍,会抑制技术创新。通过机制分析发现,人力资源整合能力和创新研发投入强度两个变量在数字技术集中度对企业创新的影响过程中发挥调节效应,随着调节变量增加,倒U型曲线转变为U型曲线。本文深入探讨企业数字化转型与企业创新的关系,理顺科技创新机制,以期为充分释放科技创新潜能,以企业创新引领经济高质量发展提供重要理论依据。
本文构建了企业数字技术集中度指标,弥补了现有文献中关于数字技术集中度度量指标的缺失,同时为企业数字化转型提供了新的研究视角。与现有文献的观点不同,本文发现,数字技术集中度与企业创新之间并非简单的线性关系,而是呈现先升后降的倒U型关系。这一结论深化了对企业数字化转型与企业创新关系的认识。进一步分析企业数字技术集中度对企业创新的作用机制发现,人力资源整合能力和创新研发投入强度这两个调节变量能够将二者间的倒U型曲线拐点右侧下降的部分转变为U型曲线拐点右侧的上升部分,从而为充分借助企业数字化转型促进企业创新提供了全新的认识。
(1)适度的数字技术集中度有利于企业创新。因此,企业应结合自身优势,选择合适的数字技术促进自身数字化转型。企业可以将精力集中于少量数字技术以便在重点领域发力,同时规避数字化转型中面临的人力和资金困境。
(2)企业应加强技术研发人员培养,重点培育高端科技人才,从而提升自身人力资源整合能力。人力资源整合能力的调节效应可以促使数字技术集中度与企业创新间的倒U型关系转变为U型关系,这意味着大幅度提升企业人力资源整合能力有利于促进企业突破性创新,加速企业数字化转型,提升企业核心竞争力。
(3)科技研发投入强度能够强化数字技术集中度对企业创新的正向影响。因此,企业应进一步加大科技研发费用投入强度。数字技术及其应用研发需要长期、可持续的高额资金投入。由此,为获得良好的数字化转型效果,企业应进一步加大创新研发投入力度,为自身数字化转型提供充足的资金保障。
(4)大力构建统一大市场和双循环新发展格局。企业创新以市场需求为导向并能够引领市场发展方向,因而要加快建设统一大市场,构建双循环新发展格局,以期为企业创新提供更为广阔的空间。
本文首次采用数字技术集中度这一指标度量企业数字化转型水平,主要基于人工智能、区块链、云计算和大数据及应用技术等5项数字技术,但因数字技术维度较多,因而该变量度量维度不够全面。随着数字技术不断发展,未来可以进一步细化数字技术度量维度,同时基于不同视角深入分析数字技术集中度的经济后果,并进一步探索企业数字技术集中度的动因研究。
[1] 吴非,胡慧芷,林慧妍,等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(7):130-144.
[2] 赵宸宇.数字化发展与服务化转型——来自制造业上市公司的经验证据[J].南开管理评论,2021,24(2)149-161.
[3] 袁淳,肖土盛,耿春晓.数字化转型与企业分工:专业化还是纵向一体化[J].中国工业经济,2021,39(9):137-155.
[4] 倪克金,刘修岩.数字化转型与企业成长:理论逻辑与中国实践[J].经济管理, 2021,43(12):79-97.
[5] 余菲菲,曹佳玉,杜红艳.数字化悖论:企业数字化对创新绩效的双刃剑效应[J].研究与发展管理,2022,34(2):1-12.
[6] 安同良,闻悦.中国企业数字化转型对创新的影响机制及实证[J].现代经济探讨, 2022,41(5):1-14.
[7] DUAN Y, EDWARDS J S, DWIVEDI Y K. Artificial intelligence for decision making in the era of big data evolution, challenges and research agenda[J]. International Journal of Information Management, 2019,64(48):63-71.
[8] FRISK J E,BANNISTER F. Improving the use of analytics and big data by changing the decision making culture: a design approach[J]. Management Decision, 2017,55(1):2074-2088.
[9] 王欣亮,杜壮壮,刘飞.大数据发展、营商环境与区域创新绩效[J].科研管理, 2022,43(4):46-55.
[10] 余典范,王超,陈磊.政府补贴、产业链协同与企业数字化[J].经济管理,2022,44(5):63-81.
[11] 杨伟,吉梨霞,周青.企业数字化转型对创新生态系统的影响:基于市场规模动态的多Agent模型[J].中国管理科学,2022,30(6):223-232.
[12] SONG Y, ESCOBAR O, ARZUBIAGA U, DE MASSIS A.The digital transformation of a traditional market into an entrepreneurial ecosystem[J]. Review of Managerial Science, 2022,16(1):65-88.
[13] 罗进辉,巫奕龙.数字化运营水平与真实盈余管理[J].管理科学,2021,34(7):3-18.
[14] GALINDO-MARTIN M A, CASATANO-MARTINEZ M S, MENDEZ-PICAZO M T. Digital transformation, digital dividends and entrepreneurship: a quantitative analysis[J]. Journal of Business Research, 2019,101(8):522-527.
[15] 肖仁桥,沈佳佳,钱丽.数字化水平对企业新产品开发绩效的影响——双元创新能力的中介作用[J].科技进步与对策,2021,38(24):106-115.
[16] DOLOREUX D, PORTO GOMEZ I. A Review of (almost) 20 years of regional innovation systems research[J]. European Planning Studies,2016,25(11):371-387.
[17] 张龙鹏,汤志伟.企业信息技术应用对开放式创新的影响:交易成本视角[J].科技进步与对策,2018,35(20):79-87.
[18] HE Z, WONTOKI M B. The cost of innovation: R&D and high cash holdings in US firms[J]. Journal of Corporate Finance,2016,41(4):280-303.
[19] HE J J, TIAN X. The dark side of analyst coverage: the case of innovation[J]. Journal of Financial Economics,2013,109(3):856-878.
[20] AGHION P, VAN REENEN J, ZINGALES L. Innovation and institutional ownership[J]. American Economic Review,2013,103(1):277-304.
[21] JONES N. Competing after radical technological change: the significance of product line management strategy[J]. Strategic Management Journal,2003,24(13):1265-1287.
[22] HANNS R F J, POETERS C, HE Z L. Thinking about U: theorizing and testing U and inverted U shaped relationships in strategy research[J]. Strategic Management Journal, 2015,37(7):1177-1195.