开放科学(资源服务)标识码(OSID)：
Previous studies have revealed that digitalization can positively impact innovation and promote an increase in innovation investment. A few scholars have subdivided innovation investment and studied the impact of digitization on different types of innovation investment. But there is still a lack of research on the internal segmentation of innovation investment and the impact of digital transformation on different types of innovation investment. Due to significant differences in resource requirements, knowledge base, risks, and benefits among different types of innovation activities, the impact of digitalization on different types of innovation investment will also be different. It is necessary to explore the differential impact of digitalization on different types of innovation investment from a heterogeneous perspective. Most existing studies have classified innovation into exploratory innovation and exploitative innovation based on its novelty and knowledge base. Both types of innovation essentially belong to R&D innovation, and the important role of non-R&D innovation has long been ignored. However, the innovation foundation of China's high-tech industry is weak, the innovation endowment has regional heterogeneity, and non-R&D innovation still plays an important role, and the proportion of non-R&D innovation investment in China's high-tech industry has been more than 16% in the past five years. In the context of digitalization, it is necessary to distinguish innovation investment in high-tech industries into R&D innovation investment and non-R&D innovation investment, and further explore the mechanism of digitalization affecting the two kinds of innovation investment. In addition, the government and market are important external driving forces for enterprise innovation, and the government's behavior and market role cannot be ignored. Thus, this study further explores the moderating roles of the intensity of government support and the level of marketization in this process.
With China's high-tech industry as the research object, the study constructs a theoretical framework for the impact of digitalization on heterogeneous R&D investment. Using provincial panel data on high-tech industries from 2012 to 2021, it empirically tests the differential impact of digitalization on different types of innovation investment, and further explores the mechanisms of government and market. The results show that digitalization has a significant promoting effect on both R&D innovation investment and non-R&D innovation investment in high-tech industries, and its marginal impact on R&D innovation investment is much higher than that of non-R&D innovation investment. The mechanism test shows that digitalization has different mechanisms for different types of innovation investment. Digitalization increases R&D innovation investment by increasing R&D personnel, and increases non-R&D innovation investment by promoting industrial agglomeration. Further analysis reveals that the intensity of government support can strengthen the promoting effect of digitalization on R&D innovation investment, but it will weaken the promoting effect of digitalization on non-R&D innovation investment. The degree of marketization significantly suppresses the positive effect of digitalization on R&D innovation investment, but has no significant moderating effect on the relationship between digitalization and non-R&D innovation investment, resulting in market failure.
Compared with existing literature, this study divides innovation investment into R&D innovation investment and non-R&D innovation investment, and includes the two types of innovation investment in the same analytical framework for comparative research, making up for the limitations of existing literature's excessive emphasis on R&D innovation and neglect of non-R&D innovation. Then, from the dual perspectives of the government and the market, it explores the differences in the moderating effects of the two in the process of digitalization affecting high-tech industry innovation investment, provides a theoretical basis for promoting a better combination of a promising government and an effective market, and gives full play to the role of the government and the market in the field of innovation.
开放科学(资源服务)标识码(OSID)：
随着新一轮科技革命和产业变革深入推进,数字技术成为全球创新发展的新动能,各国将数字赋能作为促进企业技术创新的关键,力图抢占全球竞争制高点。作为最具创新活力的高技术产业,其创新水平直接影响到国家科技实力和竞争力。在此背景下,如何利用数字化激发高技术产业创新活力,成为学术界广泛关注的重要议题。已有研究普遍认为,数字化正向影响创新投入水平。如周振江等[1]利用我国沪深A股上市企业面板数据,检验数字金融对企业创新投入的影响,发现数字金融通过缓解融资约束和信息约束促进企业创新投入增加;李健等[2]通过实证研究发现,企业数字化水平提升显著促进企业创新投入;腾明明和申明浩[3]基于我国A股上市企业面板数据进行实证检验发现,数字化同群效应显著提高企业创新投入,融资约束正向调节二者关系,企业管理能力负向调节二者关系。少数学者对创新投入进行了细分,探究数字化对不同类型创新投入的影响。如姜英兵等[4]将创新投入分为探索式创新投入与开发式创新投入,研究数字化对两种创新投入的异质性影响;张雨萱和邵颖红[5]则将创新投入分为利用式创新投入和探索式创新投入,发现相比利用式创新投入,数字化更能促进探索式创新投入增加。梳理文献发现,关于数字化与创新投入的研究成果较丰富,但探究数字化对不同创新投入异质性影响的研究成果还十分缺乏。特别是不同类型创新活动的资源需求、知识基础、风险与收益等存在显著差异,因此有必要从异质性角度出发,探究数字化对不同创新投入的差异化影响。已有研究大多根据创新新颖性和知识基础,将创新活动划分为探索式创新和利用式创新。这两种创新实质上都属于研发创新,非研发创新的重要作用长期被忽视。近5年我国高技术产业非研发创新投入占比一直在16%以上,从一定程度上而言,非研发创新仍然发挥重要作用。本文借鉴侯健等[6]的研究,将高技术产业创新投入区分为研发创新投入和非研发创新投入,进一步探究数字化对两种创新投入的不同影响及作用机理。另外,在研究数字化对高技术产业创新投入的影响效应时,政府行为与市场作用不容忽视。基于此,本文将分析政府支持强度和市场化水平在此过程中的调节作用。
与已有文献相比,本文的边际贡献在于:第一,将创新投入划分为研发创新投入与非研发创新投入,将二者纳入同一分析框架进行对比研究,考察数字化对二者的差异化影响,弥补已有文献过度关注研发创新投入而忽视非研发创新的不足,这对高技术产业正确选择创新驱动发展路径、实施多样化创新策略具有重要价值;第二,从政府和市场双重视角出发,探究二者在数字化影响高技术产业创新投入过程中的调节效应,为促进有为政府与有效市场结合、充分发挥政府和市场在创新活动中的作用提供理论依据。
高技术产品迭代周期短,更新速度快,研发创新对于高技术产业发展至关重要。研发创新强调自主性,实现从0到1的突破,有利于构建长期竞争优势,但研发创新的复杂性、高风险性和研发资源的有限性,使得高技术产业对研发创新投入始终保持谨慎态度。数字化有利于降低研发创新复杂性和高风险性,助力决策者预见创新前景,从而有利于增加高技术产业研发创新投入。
此外,数字化有助于提升企业的非结构化、非标准化数据处理能力[7],促使信息传递更精准、顺畅,有效抑制管理层短视行为,确保管理层从企业长远利益出发,加大研发创新投入。具体为:数字化技术可以拓展企业探索未知领域的边界,降低搜寻过程中的噪音干扰和资源损耗,确保新颖知识与技术资源的可利用性[8];数字技术的强渗透性有利于深化企业与其他创新主体合作,实时掌握技术发展新趋势,捕捉技术机会,增强企业在全新领域的探索意愿;通过数字化,企业可运用数字仿真、数字孪生等技术,对异质性技术知识进行重组耦合的模拟实验[9],降低试错成本,减少研发创新风险和不确定性,增强企业研发创新信心,促进研发创新投入增加。基于以上分析,本文提出如下假设:
H1：数字化能够显著提升高技术产业研发创新投入。
与研发创新活动相比,非研发创新活动的成本和风险较低,增加投入对非研发创新的影响有限[10]。由于非研发创新活动更依赖于企业外部的知识扩散[11],而知识扩散是不同企业主体知识资源相互作用的结果,因此企业吸收、整合与转化外部知识的能力是影响企业非研发创新活动的关键。数字化能加快市场主体之间的知识传播,促进企业吸收整合外部知识,激励企业增加非研发创新投入。
随着数字化技术的深入渗透,企业与外部交互的知识需求日益强烈,包括链上企业与用户等。首先,数字化将传统的线性产业链转变为可多方参与的网络状。在合作网络中,产业链上下游企业实现信息共享,积极响应用户的产品或技术诉求[12],进而对产品、技术与流程进行创新,实现产品与技术的精益求精,获得更大竞争优势与市场份额。其次,数字化能够帮助企业充分吸收获取的外部知识,并与现有内部资源进行优化组合[13],深入挖掘知识的可利用价值并对现有技术进行改进。综合以上分析,数字化能够帮助企业引进、吸收、转化外部知识,提高企业非研发创新效率,从而激励企业增加非研发创新投入。基于此,本文提出研究假设:
H2：数字化能够显著提升高技术产业非研发创新投入。
数字化促进创新投入的具体机制是学界密切关注的命题,已有文献表明,数字化主要通过提高经营绩效[10]、缓解融资约束[14-15]、促进行业竞争[3,16]、降低交易成本[17-18]、增强风险承担能力[19]等方式促进创新投入。理论上,资金和人才是高技术企业研发创新的关键投入要素,二者匹配度越高,企业研发创新效率就越高。现实中,人才是第一资源,企业往往根据研发需要着力引培高端人才,进而匹配科研启动资金等研发创新投入,属于研发人才带动研发资金投入模式,而数字化会正向强化该模式。由此,本文将研发人员投入作为数字化与高技术产业研发创新投入的中介变量开展研究。
高技术企业具有技术密集型和智力密集型特征,其成败与拥有的研发创新人才密切相关[20],充足的研发人员是提高研发创新活动成功率的关键。企业实施数字化战略有助于吸引更多高端技术人才,为企业研发创新提供必要的人才支持[4]。具体而言,数字化带来的新一轮技术进步能够替代大部分重复性、低技能的手工劳动,降低企业对低素质劳动力的需求并派生对高素质劳动力的需求,助力企业储备高端研发人才[21];数字化下的企业转型向外界传递出企业发展前景广阔、收益潜力巨大的积极信号,有利于吸引高端人才[22],同时,数据要素参与创新需要以“人”为载体,进行知识的交流与传递[23]。数字技术应用显著提高研发人员工作效率,加速知识流动与吸收,促进新知识发现,激发企业创新潜力,最终提高企业研发创新水平。综上所述,数字化对企业研发人员集聚具有正向促进作用,而拥有充足研发人员的企业往往能展现出更多研发行为,也愿意增加研发投入,故本文将研发人员投入作为中介变量,认为其在企业数字化对研发创新投入的影响过程中发挥中介作用,并提出如下假设:
H3：数字化通过增加研发人员投入间接促进研发创新投入。
理论上,诸多产业集聚会产生马歇尔外部性、波特外部性和雅各布斯外部性等效应[24],促进相关知识技术交换与吸收,提升知识整合效率,从而有利于促进高技术企业非研发创新。我国高技术企业整体规模较小,2021年销售收入在亿元以上的高技术企业占比仅为12.48%,且单个企业研发创新能力弱。促进高技术产业集聚是提升企业非研发创新水平的重要举措,而数字化有助于促进高技术产业集聚。因此,本文选择产业集聚作为数字化影响高技术企业非研发创新投入的中介变量。
数字化有助于畅通交流渠道,驱动产业集聚水平提升[25]。具体而言,一方面,数字化能够提高企业交流频率,促使区域企业联系更紧密,降低区域交易成本,增进企业合作,为产业集聚营造良好环境;另一方面,在数字技术的支持下,企业能够基于信息流打造上下游协调、联动的网络系统[26],提高产业链信息联通度,促进信息与资源共享,帮助企业找到与自身匹配的合作伙伴,进而提升产业集聚水平与规模。集聚初期,企业间频繁的知识互动、业务往来不仅有助于企业间交互式学习,还可以加速知识外溢与知识分享,在产业集聚经济体内形成良好的创新氛围,帮助企业内化和吸收技术知识[27]。同时,拥有先进经验的龙头企业所产生的示范效应也会吸引其它企业学习、跟进和效仿,促进企业增加非研发创新投入[25]。随着集聚水平提升,同类型企业势必会为了争夺有限的市场份额而展开激烈的竞争[28],并通过创新不断提高自身竞争力。由于地理位置邻近,创新成功的企业很难阻挡其它企业对自身生产工艺和产品的模仿,这种“搭便车”行为会降低企业的创新回报,使得企业对于高投入、高风险性的研发创新保持谨慎态度,从而更愿意选择投入较低且能带来稳定绩效的非研发创新[10]。根据以上分析,本文提出如下研究假设:
H4：数字化能够通过促进产业集聚间接提升非研发创新投入水平。
研发活动具有投入高、风险大且难以在短期内获得收益的特征,导致企业面临巨大的资金流压力。政府向企业提供研发补贴等财政支持,能够在一定程度上缓解企业压力,降低企业研发风险,增强企业创新意愿,促进企业创新投入[29]。但是由于缺乏对研发补贴等资金的有效监管,导致研发资金易被企业挪作他用,降低研发资金使用效率[30] 。通过数字化,政府能够在数字平台上实时、动态地获取与披露项目进度以及资金使用情况,便于社会各界监督,激励企业积极推进研发项目,同时,引导社会加大研发投入。
此外,为了获得长期竞争优势,企业必须进行创新[31]。在政府支持下,大多数企业通常会选择进行自主研发创新。由于研发资金的有限性,研发创新资金增加,则非研发创新资金就会减少。基于以上分析,本文提出以下研究假设:
H5：政府支持强度在数字化与研发创新投入之间发挥正向调节作用;
H6：政府支持强度在数字化与非研发创新投入之间发挥负向调节作用。
创新活动具有正外部性和公共产品属性,会导致市场在资源配置上出现失灵,降低资源配置效率,削弱企业创新动力,进而减少创新投入[32]。基于此,本文提出如下研究假设:
H7：市场化在数字化与研发创新投入之间发挥负向调节作用;
H8：市场化在数字化与非研发创新投入之间发挥负向调节作用。
综上所述,本文构建理论模型如图1所示。
图1 理论模型
Fig.1 Theoretical model
根据前文分析,本文构建如下基准回归模型:
lnIRit=α0+α1lnDIGit+α2lnCONTROLit+δi+μt+εit
(1)
lnNRit=α0+α1lnDIGit+α2lnCONTROLit+δi+μt+εit
(2)
其中,IR表示高技术产业研发创新投入;NR表示高技术产业非研发创新投入;DIG表示数字化水平;CONTROL表示控制变量;i表示地区,t表示年份;α为待估计参数;δ表示地区固定效应;μ表示时间固定效应;ε为随机扰动项。若系数α1显著为正,则说明数字化能够激励高技术产业增加研发创新投入或非研发创新投入。
为深入探究数字化对研发创新投入和非研发创新投入的作用机制,本文构建如下中介效应模型:
lnMEDIATORit=β0+β1lnDIGit+β2CONTROLit+δi+μt+εit
(3)
lnIRit=γ0+γ1lnDIGit+γ2lnMEDIATORit+γ3lnCONTROLit+δi+μt+εit
(4)
lnNRit=γ0+γ1lnDIGit+γ2lnMEDIATORit+γ3lnCONTROLit+δi+μt+εit
(5)
其中,MEDIATOR表示中介变量,机制分析中分别以研发人员投入与产业集聚为代理变量。若模型(3)中β1与模型(4)中γ2均显著为正,则说明数字化能够通过增加研发人力间接促进研发创新投入;若模型(3)中β1与模型(5)中γ2均显著为正,则说明数字化能够通过促进产业集聚间接提升非研发创新投入。考虑到变量间数量级的差距以及模型可能存在异方差问题,本文将除虚拟变量外的所有变量作对数化处理。
(1)被解释变量:研发创新投入(IR)。考虑到调节变量政府支持强度的独立性,采用去除政府资金后的R&D经费内部支出衡量高技术产业研发创新投入,由于R&D经费支出不仅对当期产出产生影响,而且对以后的产出也会有影响。因此,本文参照吴延兵[34]的做法,采用永续盘存法对资本存量进行估计。非研发创新投入(NR):借鉴已有研究,本文使用技术引进、消化吸收、技术改造和购买境内技术费用之和衡量非研发创新投入,并以永续盘存法计算其存量。
(2)核心解释变量:数字化水平(DIG)。为综合反映各省份高技术产业数字化水平,借鉴杨文溥[35]的研究,并考虑数据可得性,从数字化基础、数字化应用、数字化创新以及数字化绩效4个方面构建数字化水平评价指标体系(见表1),而后利用熵值法计算各指标权重,根据权重最终确定各地区高技术产业数字化水平。
表1 数字化水平评价指标体系
Table 1 Digital level evaluation index system
一级指标 二级指标 单位 数字化基础 光缆线路长度 公里 互联网宽带接入端口数 万个 域名数 万个 数字化应用 企业每百人使用计算机数 台 有电子商务交易的企业数 个 (每百家)企业拥有网站数 个 数字化创新 发明专利申请授权数 件 新产品项目数 项 新产品开发经费支出 万元 数字化绩效 软件产业中软件产品收入 万元 新产品销售收入 万元 电子商务销售额 亿元
(3)中介变量:研发人员投入(R)。一般而言,拥有充足研发人员的企业往往会开展更多的研发活动,也愿意增加研发投入。本文选择各省份高技术产业R&D人员数作为研发人员投入衡量指标。产业集聚(GA):本文借鉴苏丹妮等[36]的研究方法,利用区位熵测算高技术产业集聚水平。具体计算公式如下:
(6)
式中,GAit为i省t年高技术产业集聚水平,eit为i省t年高技术产业从业人员数,Eit为i省t年就业人员数,et为t年全国高技术产业从业人员数,Et为t年全国就业总人数。
(4)调节变量:政府支持强度(GOV),本文采用政府R&D资金占高技术产业R&D经费内部支出的比重衡量;市场化水平(SC),采用中国市场化指数数据库中各省份市场化指数衡量,由于2019年后市场化指数计算的基期年份与之前不同,不可直接比较,本文借鉴解学梅和朱琪玮[37]的研究,采用历年各省份市场化指数的平均增长幅度推算2020年与2021年的市场化指数。
(5)控制变量:出口强度(EXP),使用高技术产业新产品出口销售收入与新产品销售总收入的比值表示;产业规模(SIZE),使用高技术产业主营业务收入与企业数之比表示;人均GDP(PGDP),采用地区人均生产总值表示。
本文以高技术产业为研究对象,选取2012—2021年中国内地29个省市(青海、西藏由于数据缺失严重未纳入统计)面板数据进行实证研究,变量数据来源于《中国统计年鉴》《中国高技术产业统计年鉴》、各省统计局网站以及中国市场化指数数据库,个别缺失数据使用插值法补齐。此外,为避免异常值对结果的干扰,对所有变量进行上下1%的缩尾处理。各变量描述性统计结果如表2所示。
表2 变量描述性统计结果
Table 2 Descriptive statistics of variables
变 量 均 值 标 准 差 最 小 值 最 大 值 I R 3 5 6 3 3 9 1 . 6 9 5 7 2 0 3 2 0 0 . 7 2 2 3 3 5 . 3 5 2 5 0 6 7 9 3 8 9 . 3 8 4 N R 1 0 2 1 4 3 9 . 6 1 1 1 9 6 8 4 7 0 . 4 9 8 5 0 0 . 7 5 6 1 4 4 0 9 3 1 9 . 1 0 7 D IG 0 . 1 1 3 0 . 1 2 2 0 . 0 0 7 0 . 7 8 0 R 3 6 5 6 7 . 7 5 2 6 2 6 9 0 . 6 5 3 7 4 4 4 3 2 8 5 GA 0 . 8 1 5 0 . 8 1 9 0 . 0 1 9 3 . 7 9 8 GOV 0 . 2 4 3 1 . 1 7 6 0 . 0 0 8 1 6 . 4 3 1 E X P 0 . 2 2 9 0 . 2 0 7 0 . 0 0 1 0 . 9 1 2 S I Z E 4 . 1 6 4 1 . 7 2 3 0 . 6 7 6 1 1 . 0 0 5 SC 8 . 2 6 0 1 . 7 8 6 3 . 3 6 0 1 2 . 3 9 0 PGD P 6 0 9 7 2 . 3 9 3 2 9 3 6 5 . 8 7 8 1 9 7 1 0 1 8 3 9 8 0
回归分析前,对自变量之间可能存在的多重共线性进行检验。通过测算发现,各变量的VIF值均小于5,均值为1.84,因此不存在严重的多重共线性问题。同时,为了缓解模型中可能存在的异方差问题,所有回归均采用稳健标准误修正。
表3为在不加入控制变量和加入控制变量情况下数字化影响高技术产业研发创新投入与非研发创新投入的基准回归结果。其中,列(1)(3)为仅控制个体与年份固定效应的估计结果,数据显示,数字化对高技术产业研发创新投入与非研发创新投入均具有促进作用,且在1%的统计水平下显著,假设H1、H2得到证实。其中,数字化对研发创新投入的影响最大,回归系数达到1.079,而对非研发创新投入的影响较弱,回归系数仅为0.468,说明数字化对研发创新投入与非研发创新投入的影响存在明显差异。在此基础上,列(2)(4)均纳入控制变量,结果显示,在控制出口强度、产业规模、地区经济发展水平后,数字化在1%的统计水平下显著为正,即数字化促进研发创新投入和非研发创新投入的结论依然成立。此外,数字化水平每提高1%,研发创新投入则提高0.976%,非研发创新投入提高0.554%,相比于非研发创新投入,数字化对研发创新投入的促进效果更显著。究其原因,与研发创新自身的固有属性——高风险、高收益有关。虽然与研发创新相比,非研发创新的成本和风险更低,能够给企业带来更稳定的绩效,但由于不能改变核心技术受制于人的现状以及面临的市场掣肘,不能持续有效地改善企业业绩以及缩小与领先企业的差距,尤其是在企业竞争空前依赖技术突破的当下,没有研发创新就不可能形成或保持企业竞争优势。因此,企业为提升自身抗风险能力以及沉没成本的承载能力, 加之研发创新带来的超额收益和竞争优势,会更主动地落实国家创新驱动发展战略,加大研发创新投入。从数字化对创新投入的边际效应来看,研发创新投入是非研发创新投入的1.76倍,从两类创新投入规模看,近5年高技术产业研发创新投入规模是非研发创新投入规模的约5倍。
表3 基准回归结果
Table 3 Benchmark regression results
变量 (1) (2) (3) (4) lnIR lnIR lnNR lnNR lnDIG 1.079 *** 0.976 *** 0.468 *** 0.554 *** (6.03) (5.78) (2.82) (2.95) lnEXP -0.034 -0.115 *** (-0.81) (-3.84) lnSIZE 0.829 *** 0.248 (5.31) (1.51) lnPGDP 0.162 -0.320 (0.59) (-0.88) _cons 16.476 *** 13.047 *** 13.401 *** 16.613 *** (40.01) (4.07) (37.12) (3.88) id Yes Yes Yes Yes year Yes Yes Yes Yes N 290 290 290 290 R 2 0.957 0.964 0.944 0.949
注:* P<0.1,** P<0.05,*** P<0.01,括号内为t值,下同
为确保回归结果稳定可靠,本文从两个方面进行稳健性检验。第一,替换被解释变量。将研发创新投入衡量指标替换为新产品研发经费投入(IR2),将非研发创新投入衡量指标替换为技术改造费用(NR2)。第二,调整研究样本。考虑到各地区数字经济发展水平的差异可能对回归结果造成干扰,本文根据中国信息通信研究院《中国数字经济发展报告(2022)》,将数字经济发展水平位于全国前五位的广东、江苏、浙江、山东、上海剔除后,重新回归。上述稳健性检验结果如表4所示,可以发现,数字化水平的影响效果虽然有所变化,但作用方向始终保持一致,验证了本文基本结论的稳健性。
表4 稳健性检验结果
Table 4 Robustness test results
变量 替换被解释变量 lnIR2 lnNR2 调整研究样本 lnIR lnNR lnDIG 0.715 *** 0.549 *** 0.877 *** 0.516 ** (6.41) (2.75) (3.94) (2.34) controls Yes Yes Yes Yes id Yes Yes Yes Yes year Yes Yes Yes Yes N 290 290 290 290 R 2 0.984 0.935 0.947 0.931
前文研究验证了数字化对研发创新投入与非研发创新投入存在显著促进作用,但基准模型回归结果揭示的是数字化对研发创新投入和非研发创新投入的综合影响效应,其中既包含直接效应也包含间接效应。为此,本文进一步采用中介效应模型检验数字化对研发创新投入和非研发创新投入的间接影响。
中介效应检验结果如表5所示。其中,列(1)(2)为研发人员投入在数字化与研发创新投入关系间发挥中介作用的实证检验结果。列(1)回归结果显示,数字化水平系数在1%的统计水平下显著为正,说明数字化显著提升研发人员投入;进一步加入中介变量研发人员投入后,从列(2)的回归结果可以看出,数字化水平系数由0.976下降至0.804,研发人员投入系数为0.317,且在5%的水平下显著,表明数字化对研发创新投入的促进作用有一部分是通过研发人员投入这一中介变量实现的,假设H3得到证实。
表5 中介机制回归结果
Table 5 Regression analysis of mediation mechanism
变量 (1) (2) (3) (4) lnR lnIR lnGA lnNR lnDIG 0.541 *** 0.804 *** 0.423 *** 0.387 * (6.15) (4.22) (9.22) (1.93) lnR 0.317 ** (2.19) lnGA 0.394 * (1.96) lnEXP 0.002 -0.034 -0.015* -0.109 *** (0.07) (-0.81) (-1.89) (-3.65) lnSIZE 0.329 *** 0.725 *** 0.457 *** 0.068 (4.75) (4.82) (9.43) (0.37) lnGNP 0.312 ** 0.063 0.428 *** -0.488 (2.15) (0.23) (4.63) (-1.31) _cons 6.977 *** 10.834 *** -4.588 *** 18.420 *** (4.13) (3.29) (-4.29) (4.21) id Yes Yes Yes Yes year Yes Yes Yes Yes N 290 290 290 290 R 2 0.983 0.965 0.988 0.949
列(3)(4)为产业集聚在数字化与非研发创新投入关系间发挥中介作用的实证检验结果。列(3)结果显示,数字化水平对产业集聚的回归系数在1%的水平下显著为正,表明数字化能够促进产业集聚;列(4)为加入中介变量产业集聚后的回归结果,可以看出,数字化水平的回归系数由0.554下降至0.387,其显著性水平也有所下降,而产业集聚的回归系数显著为正,表明产业集聚在数字化与非研发创新投入关系间发挥部分中介作用,假设H4得到证实。
上述实证结果表明,数字化能够激励高技术产业增加创新投入,但其作用效果会受到外部环境影响。政府和市场作为企业重要的外部环境条件,深刻地影响企业创新投入决策。那么,政府和市场对高技术产业创新投入存在什么样的影响?二者在数字化影响创新投入过程中是如何发挥调节作用的?这些关键问题尚未得到明确回答。基于此,本文进一步在模型(1)(2)的基础上分别引入政府支持强度和市场化水平及其与数字化水平的交互项,构建如下对应调节效应模型:
lnIRit=α0+α1lnDIGit+α2lnCONTROLit+α3lnDIGit×lnMODERATORit+α4lnMODERATORit+δi+μt+εit
(7)
lnNRit=α0+α1lnDIGit+α2lnCONTROLit+α3lnDIGit×lnMODERATORit+α4lnMODERATORit+δi+μt+εit
(8)
其中,MODERATOR代表调节变量,机制分析中以政府支持强度和市场化水平作为代理指标。此外,在验证调节效应前,对交互项指标进行中心化处理。
表6为以政府支持强度为调节变量的回归结果。列(1)(2)分别检验政府支持强度在数字化影响研发创新投入与非研发创新投入过程中的调节作用。列(1)中政府支持强度系数在10%的水平上显著为正,列(2)中政府支持强度系数虽然为正但不显著,说明政府支持强度显著促进高技术产业研发创新投入, 但其对非研发创新投入只具有微弱的正向影响,说明政府支持强度对研发创新投入与非研发创新投入的影响存在显著差异。这可能是因为,与高投入高风险的研发创新活动不同,非研发创新活动的成本和风险较低,资金并不是影响企业进行非研发创新活动的决定性因素,因此政府补贴很难激励企业增加非研发创新投入。从交互项系数来看,列(1)中数字化水平与政府支持强度的交互项系数为0.110,且在1%的统计水平上显著,说明在政府支持强度提升的情况下,数字化对研发创新投入的正向影响效应增强,即政府支持强度正向调节数字化对研发创新投入的影响,假设H5得到验证。列(2)中数字化水平与政府支持强度的交互项系数在10%的统计水平上显著为负,说明政府支持强度抑制数字化对非研发创新投入的积极作用,假设H6得到验证。综合以上分析发现,政府对不同类型创新投入的调节机制存在显著差异。究其原因,企业进行创新活动的动力源自利益。由于研发创新的风险与报酬高于非研发创新,当政府向企业提供资金资助时,有助于降低企业研发创新风险预期。出于利益考虑,企业会将更多资金投向研发创新,从而导致政府支持强度表现出抑制非研发创新投入的特征,进而削弱数字化对非研发创新的促进作用。这也侧面说明政府能够引导产业技术创新方向,体现建设有为政府的重要性。总体上看,政府创新补贴政策是有效的,但其对创新投入的促进效果还有待增强。
表6 政府支持强度的调节效应检验结果
Table 6 Test results of moderating effect of government support intensity
变量 (1) (2) lnIR lnNR c_lnDIG 0.917 *** 0.585 *** (5.32) (3.10) c_lnGOV 0.067 * 0.004 (1.82) (0.13) lnDIG *lnGOV 0.110 *** -0.070 * (2.68) (-1.73) controls Yes Yes id Yes Yes Yes Yes Yes N 290 290 R 2 0.965 0.950
表7为以市场化进程为调节变量的回归结果。其中,列(1)检验市场化进程在数字化影响研发创新投入过程中的调节作用。结果显示,数字化水平*市场化水平的交互项系数在1%的水平下显著为负,说明推进市场化进程会削弱数字化对研发创新投入的积极影响,即市场化水平负向调节数字化与研发创新投入关系,这与前文分析一致;列(2)结果显示,数字化水平与市场化水平交互项系数没有通过显著性检验,表明市场化进程并未起到调节作用,假设H8未被证实。综合上述结果发现,在市场机制下,无论是研发创新活动还是非研发创新活动,创新资源均未得到优化配置,因而出现市场失灵现象。究其原因,我国正处于转型升级阶段,市场经济还不成熟,产权保护制度也不够完善,单纯依靠市场力量很难起到引导企业创新的作用,因而无法有效促进高技术产业创新投入增加。
表7 市场化水平的调节效应检验结果
Table 7 Test results of moderating effect of marketization level
变量 (1) (2) lnIR lnNR lnDIG 0.678 *** 0.548 *** (3.58) (2.78) lnSC 0.221 0.306 (0.44) (0.49) lnDIG *lnSC -0.997 *** 0.058 (-4.22) (0.16) controls Yes Yes id Yes Yes year Yes Yes N 290 290 R 2 0.969 0.949
综合以上实证分析发现,研究期内数字化对高技术产业研发与非研发创新投入的促进作用分别是以研发人力和产业集聚为中介载体进行传导的,并且该过程受到政府支持强度和市场化进程的调节,具体作用路径与最终检验结果如图2所示。
图2 数字化影响创新投入的传导机制
Fig.2 Transmission mechanism of digital impact on innovation investment
注:虚线表示该路径不显著,*、**、***分别表示在10%、5%和1%的统计水平下显著
本文构建了数字化影响研发投入的理论框架,利用2012-2021年高技术产业省级面板数据,实证检验数字化对不同类型创新投入的差异化影响,并进一步探究政府和市场在其中的作用机制。主要研究结论如下:
(1)数字化对高技术产业研发创新投入和非研发创新投入均具有显著促进作用。数字化水平每提高1%,高技术产业研发创新投入平均提高0.981%,非研发创新投入则平均提高0.554%,说明数字化对高技术产业研发创新投入的边际影响远远高于非研发创新投入。
(2)数字化对高技术产业研发创新投入和非研发创新投入的作用机制具有差异性,即数字化通过增加研发人员投入提高研发创新投入,通过促进产业集聚提高非研发创新投入。
(3)政府支持强度能够强化数字化对研发创新投入的促进作用,但会弱化数字化对非研发创新投入的促进作用。总体来说,政府支持能有效促进高技术产业创新投入增加。
(4)市场化程度显著抑制数字化对研发创新投入的积极作用,但对数字化与非研发创新投入关系的调节作用较弱,出现市场失灵现象。
根据以上研究结论,本文的政策启示在于:
第一, 高度重视数字化对高技术产业创新投入的积极作用。政府应加大对高技术企业数字化转型的支持力度,引导企业树立数字化转型意识,鼓励数字化融合创新;高技术企业也应抓住数字化带来的重大机遇,全面实施数字化改造,充分释放数字化的创新激励效应。
第二, 注重数字化对不同类型创新投入的异质性影响。与非研发创新投入相比,数字化能够显著促进高技术产业研发创新投入增加,这有利于高技术产业提高创新效率,降低创新风险,夯实基础研究,加强“卡脖子”技术攻关,摆脱对国外技术的依赖,实现核心技术自主可控。
第三, 在推进高技术产业数字化转型的同时,要兼顾两方面的配合。一是运用数字化优势,吸引、搜寻高端技术人才,增加人才储备,激励高技术产业研发创新;二是利用数字化优势,引导高技术产业集聚,强化集聚区内企业知识传递和交流,促进创新活动开展。
第四, 坚持有效市场与有为政府相结合。充分发挥政府在高技术产业创新中的突出作用,提高研发创新补贴力度,适当降低非研发创新补贴,促使政府资金更精准地发挥对高技术产业创新投入的引导和激励作用。同时,政府应对补贴资金流向进行有效监管,确保补贴资金完全用于研发;明确市场在创新资源配置中的决定性作用,确保创新要素自由流动,充分激发市场主体活力。
本文对创新投入进行了细分,探究了数字化对不同创新投入的影响,具有一定理论价值,但仍存在一些局限。第一,本文采用高技术产业省级面板数据进行研究,未来研究可考虑使用微观层面数据,从而得出更具体的结论;第二,本文选取研发人力投入和高技术产业集聚两个变量研究数字化对高技术产业创新投入的影响机制。随着数字化水平提升和高技术产业发展,影响机制可能更为复杂,有待进一步跟踪研究。
[1] 周振江,郑雨晴,李剑培.数字金融如何助力企业创新——基于融资约束和信息约束的视角[J].产经评论,2021,12(4):49-65.
[2] 李健,张金林,董小凡.数字经济如何影响企业创新能力:内在机制与经验证据[J].经济管理,2022,44(8):5-22.
[3] 滕明明,申明浩.数字化同群效应如何影响企业创新投入——一个有调节的中介模型[J].科技进步与对策,2023,40(12):23-31.
[4] 姜英兵,徐传鑫,班旭.数字化转型与企业双元创新[J].经济体制改革,2022,40(3):187-193.
[5] 张雨萱,邵颖红.企业数字化转型对双元创新决策的影响——基于公司治理的调节作用[J].管理科学与研究,2023,12(5):105-112.
[6] 侯建,陈恒,李丽,等.高技术产业研发创新与非研发创新的异质门槛效应研究[J].管理学报,2018,15(3):392-398.
[7] 曾德麟,蔡家玮,欧阳桃花.数字化转型研究:整合框架与未来展望[J].外国经济与管理,2021, 43 (5): 63-76.
[8] 毛荐其,牛文祥,等.企业数字化转型对双元创新持续性的影响研究[J].科学决策,2023,30(4):1-14.
[9] LYYTINEN K, YOO Y, BOLAND JR R J. Digital product innovation within four classes of innovation networks[J]. Information Systems Journal, 2016, 26(1): 47-75.
[10] 谢琨,张正銮.企业数字化、政府补贴与企业技术创新投入[J].哈尔滨商业大学学报(社会科学版),2022,43(3):57-64.
[11] 杨桂菊,李斌.获得式学习、非研发创新行为与代工企业品牌升级——基于三星电子的探索性案例研究[J].软科学,2015,29(8):25-28,32.
[12] 余菲菲,王丽婷.数字技术赋能我国制造企业技术创新路径研究[J].科研管理,2022,43(4):11-19.
[13] 解学梅,王宏伟.网络嵌入对企业创新绩效的影响机理:一个基于非研发创新的有调节中介模型[J].管理工程学报,2020,34(6):13-28.
[14] 万佳彧,周勤,肖义.数字金融、融资约束与企业创新[J].经济评论,2020,41(1):71-83.
[15] 江映霞.地区数字化视角下普惠金融对企业创新的影响——基于融资效率和投资机会的分析[J].财会通讯,2023,44(7):54-58,111.
[16] HUWEI WEN, QIMING ZHONG, CHIEN-CHIANG LEE. Digitalization, competition strategy and corporate innovation: Evidence from Chinese manufacturing listed companies[J]. International Review of Financial Analysis, 2022, 82:102166.
[17] 范红忠,王子悦,陶爽.数字化转型与企业创新——基于文本分析方法的经验证据[J].技术经济,2022,41(10):34-44.
[18] 张国胜,杜鹏飞,陈明明.数字赋能与企业技术创新——来自中国制造业的经验证据[J].当代经济科学,2021,43(6):65-76.
[19] MEIYU LIU, CHENGYOU LI, SHUO WANG, et al. Digital transformation, risk-taking, and innovation: Evidence from data on listed enterprises in China[J]. Journal of Innovation &Knowledge, 2023,8(1):100332.
[20] 赵宇鸣,赵增耀.我国高技术产业中企业技术创新能力的区域比较及成因分析[J].人文杂志,2005,49(6):73-77.
[21] GRAETZ G, MICHAELS G. Robots at work[J]. Review of Economics and Statistics, 2018, 100(5):753-768.
[22] 易露霞,吴非,徐斯旸.企业数字化转型的业绩驱动效应研究[J]. 证券市场导报, 2021, 31(8):15-25.
[23] 陶长琪,丁煜.数据要素何以成为创新红利——源于人力资本匹配的证据[J].中国软科学,2022,37(5):45-56.
[24] 唐晓华,李静雯,邱国庆.高技术产业集聚与区域创新:线性抑或非线性 [J]. 安徽师范大学学报(人文社会科学版),2022,50(6):130-141.
[25] 丁亮.数字经济、产业集聚与区域经济韧性[J].现代管理科学,2023,42(3):132-140.
[26] 宋晓明,田泽,丁晨辉,等.数字经济驱动中国高技术产业高质量发展——机制与路径研究[J].技术经济与管理研究,2022,45(6):3-7.
[27] 袁歌骋,潘敏,覃凤琴.数字产业集聚与制造业企业技术创新[J].中南财经政法大学学报,2023,66(1):146-160.
[28] 胡彬,万道侠.产业集聚如何影响制造业企业的技术创新模式——兼论企业“创新惰性”的形成原因[J].财经研究,2017,43(11):30-43.
[29] 吴波虹.财政补贴、税收优惠与企业技术创新能力——基于盈利能力的视角[J].技术经济与管理研究,2021,44(9):12-17.
[30] 童馨乐,杨璨,WANG,等.政府研发补贴与企业创新投入:数量激励抑或质量导向 [J].宏观质量研究,2022,10(1):27-45.
[31] 支燕,白雪洁.我国高技术产业创新绩效提升路径研究——自主创新还是技术外取 [J].南开经济研究,2012,28 (5):51-64.
[32] 左晶晶,唐跃军,季志成.政府干预、市场化改革与公司研发创新[J].研究与发展管理,2016,28(6):80-90.
[33] 唐清泉,高亮,李懿东.企业转型升级与研发投入的外部环境研究——基于政治关系和市场化进程的视角[J].当代经济管理,2011,33(6):20-31.
[34] 吴延兵. R&D存量、知识函数与生产效率[J].经济学,2006,5(4):1129-1156.
[35] 杨文溥.中国产业数字化转型测度及区域收敛性研究[J].经济体制改革,2022,40(1):111-118.
[36] 苏丹妮,盛斌,邵朝对,等.全球价值链、本地化产业集聚与企业生产率的互动效应[J].经济研究,2020,55(3):100-115.
[37] 解学梅,朱琪玮.企业绿色创新实践如何破解“和谐共生”难题[J].管理世界,2021,37(1):128-149.