The Influence of Enterprises' Digital Proximity on Innovation Performance:The Moderating Role of Executives' Traits

Ma Haiyan, Li Yujie , Zhou Tianyi

(School of Economics and Management,China University of Geosciences(Wuhan),Wuhan 430074,China)

Abstract：In the era of digital technology, data, as a key and unique production factor, provides a possible opportunity for enterprise innovation to break through the constraints of factor endowment. However, many enterprises have difficulties reaching the digital innovation integration stage and have failed to improve their innovation performance through data resources. Therefore, in order to unravel the contradiction between the potential value of digitalization and its practice and grasp the unique points of digital reforms compared with general reforms, it is of great practical significance to systematically study the impact of digitalization on the innovation performance of enterprises from the microperspective. The conclusions of the existing studies linking digitalization and innovation performance are mixed, and the root of the controversy lies in the inconsistency of the measurement methods of digitalization and innovation performance, the contradictory nature of the action mechanism, and the differences in the contexts in which they work. Also,the controversy raises the question of whether there is a non-linear relationship between digitalization and innovation performance.

Digital proximity is a new integrative concept for capturing the digital condition of action subjects from a result-oriented network perspective.This paper aims to fill in the above-mentioned research gap by verifying that the relationship between digital proximity and innovation performance is U-shaped.Drawing on Hanns et al.’s research template,it builds a theoretical framework that deconstructs the U-shape into two forces,namely the blocking force and the driving force. It argues that the blocking force and driving force are respectively manifested in the two states of "dormant period" and "enabling period" of the digital proximity on the innovation performance of enterprises, and the combination of the two potential states makes the interaction between the two present a kind of strategic paradox, which is reflected in the significant U-shaped relationship.That is, at the early stage of product and service digitalization, the degree of digital proximity is low, and the rigidity of resources and practices in the process of digitalization is strong, at this time, digital proximity is negatively correlated with innovation performance; on the contrary, when the enterprise has a high digital proximity, the innovation spillover and promotion effects are gradually released, and the enhancement of the enterprise's digital proximity reaches the threshold of positive stimulation of enterprise innovation, presenting a negative correlation between the early stage of digital proximity and innovation performance and a negative correlation between the later stage and innovation performance. The trend toward a positive correlation between digital proximity and innovation performance in the later stage. In addition, executives' traits (rational factors such as political connection background, R&D background, and irrational factors such as overconfidence) affecting the strategic choices and target performance of enterprises have become one of the important clues in the study of enterprise performance, and may constitute an important boundary condition for the influence of digital proximity on the innovation performance of enterprises, so it is necessary to include executives' traits in the theoretical framework.

On the basis of data from Chinese listed companies, the distance between enterprises and digital industries is used to calculate enterprises' digital proximity, the stochastic frontier model (SFE) is used to measure enterprises' innovation efficiency, the binary variables of executives' political connection background and executives' R&D background are collected and computed, and the composite scores of the executives' personal characteristic indexes are used to assess the executives' overconfidence. Following the organizational inertia theory and the upper echelons theory, the study uses 2 580 observations of 1 044 listed companies from 2010 to 2022 to empirically analyze the influence of enterprises’ digital proximity on innovation performance, and examine the moderating effects of three types of executive traits, namely, executives' political connection background, R&D background, and overconfidence. It is found that, overall, there is a U-shaped relationship between digital proximity and innovation performance, and several robustness tests and endogeneity tests confirm the conclusion. Further, the rational factors in executives' traits (politic connection background, R&D background) positively moderate the U-shaped relationship between digital proximity and innovation performance; while the irrational factor in executives' traits (overconfidence) negatively moderates the U-shaped relationship between digital proximity and innovation performance.

Key Words：Digital Proximity; Executives' Traits; Innovation Performance; Chinese Listed Companies

DOI：10.6049/kjjbydc.2023090213

开放科学(资源服务)标识码(OSID)：

中图分类号：F273.1

文献标识码：A

文章编号：1001-7348(2024)24-0001-11

收稿日期：2023-09-07

修回日期：2023-11-07

基金项目：国家自然科学基金项目(71973130);国家自然科学基金面上项目(72272138);国家社会科学基金重点项目(22AZD126)

作者简介：马海燕(1981—),女,湖北荆州人,博士,中国地质大学(武汉)经济管理学院副教授、博士生导师,研究方向为组织转型升级;黎玉杰(1999—),女,河南驻马店人,中国地质大学(武汉)经济管理学院硕士研究生,研究方向为企业管理;周天怡(2000—),女,湖北武汉人,中国地质大学(武汉)经济管理学院硕士研究生,研究方向为企业管理。

0 引言

我国经济已由高速增长阶段转向高质量发展阶段,正处在转变发展方式、优化经济结构、转换增长动力的攻关期。经济高质量发展需要优化创新要素配置,最大限度地激发创新要素潜能。随着数字中国和“中国制造2025”战略提出,中国数字建设初见成效。在此背景下,数据作为关键且独特的生产要素,可以赋能企业其它要素[1],为创新突破提供契机[2]。在追求数字化的道路上,大量企业难以到达数字创新融合阶段,无法借助数据资源提高创新绩效[3]。因此,从微观层面探讨数字化对企业创新绩效的影响,对化解数字化潜在价值与实践的矛盾,加快推进企业创新以赋能经济社会高质量发展具有重要现实意义。

现有数字化与创新绩效关系研究主要基于静态性数字化水平、过程性数字化转型、IT数字技术赋能等视角展开。戚聿东和蔡呈伟[4]认为,企业数字化能够提升信息流动效率,对创新绩效具有积极影响;肖仁桥等[5]发现,数字化不同维度对企业创新绩效具有U型、倒U型影响;Hajli[6]指出,数字化转型成效取决于企业管理能力与数字化的适配度,若企业管理能力滞后于数字变革,则会对创新绩效产生负向影响。由此可见,现有企业数字化水平测度方法存在数字化维度不一致、各维度权重不清晰以及因忽略大量信息而难以反映数字化全貌等问题[7]。数字邻近是基于网络视角,以结果为导向刻画行动主体数字化状态的综合性概念[8],不仅可以反映企业数字化水平,而且能够凸显企业在产品和服务数字化网络中的位置,弥补以往相关研究的不足(仅基于单一技术或静态数字化维度视角)。

以往数字化与创新绩效关系研究大多忽视了在位企业内部组织惰性,过分强调创新外生观,忽略了组织与数字化互为牵引的协同演进逻辑[9]。结合组织惰性理论,作为涉及组织技术、商业模式等核心特征的非连续变革,数字化过程受组织惰性的影响[10]。数字经济时代,存在外部环境对“变”的要求与组织内部对“不变”的拖延,企业变革与组织惰性不断博弈。基于时间维度,本文揭示数字变革与组织惰性动态博弈过程,进一步探讨数字邻近对创新绩效的非线性影响。

依据高阶梯队理论,高管特质能够影响企业战略选择与目标绩效,可能构成数字邻近影响企业创新绩效的边界条件。在高管特质中,高管过度自信这一非理性因素值得关注(韵江等,2022)。作为特殊心理资源,过度自信会导致高管高估企业资源禀赋和问题解决能力(Li等,2010),在战略决策时会更为冒险或激进。中国情景下,作为对外背景特征,高管政治关联往往成为重要制度资源[11]。相应地,作为对内背景特征,高管技术研发背景成为企业数字化与创新绩效关系研究的边界条件。据此,本文选取高管过度自信、高管政治关联背景与高管技术研发背景,考察其在数字邻近与创新绩效间的调节作用。

结合数字邻近与组织惰性文献以及高阶梯队理论,本文基于2010—2022年中国上市公司行业销售额数据探讨数字邻近对创新绩效的非线性影响,尝试回答以下问题:数字邻近水平越高,企业创新绩效是否越高?高管特质在数字邻近与创新绩效间发挥何种调节作用?对上述问题的回答能够揭示数字邻近对创新绩效的作用轨迹,进一步明晰高管特质对数字邻近与创新绩效关系的影响,为企业克服数字化变革过程中的组织惰性提供借鉴。

1 理论分析与研究假设

1.1 数字邻近

Rahmati等[8]以数字产业为参照系,基于结果端刻画企业在数字化网络中的地位及其与数字产业的距离,以此衡量企业数字化水平。作为数字邻近理论依据,经济复杂性可以表征国家生产独特产品的能力(Hartmann等,2017;Rodrik,2006)。产品(服务)是知识、能力的集合体,随着产品日益复杂化,产品开发与价值创造离不开制度、规范、物流、技术基础设施支持(Chaney,2014;Hartmann等,2017;Hidalgo等,2007)。数字经济时代,为了维持自身竞争力,企业需要具备价值创造能力[12]。随着数字化战略重要性提升,传统测量方法难以准确衡量企业数字化强度。

事实上,企业数字化嵌于社会网络及产业制度环境中,数字邻近能够将经济格局变化纳入数字化转型过程,进而为企业数字化研究提供网络生态系统视角。数字邻近对数字化水平的刻画具有两大特征:第一,以结果表现衡量企业IT能力、数字应用以及数字创新;第二,获取企业在产品与服务数字化过程中的位置,从初始禀赋与数字网络视角看待企业数字化。

1.2 数字邻近与企业创新绩效

数字邻近对企业创新绩效具有潜在益处。在资源获取方面,有助于企业利用数字技术提升资源获取能力,实现资源信息共享,从而促进企业创新。在产出效率方面,有利于企业提升各部门要素协同效率,减少资源错配。计量经济学相关研究证实,投入大数据资源的企业,其生产效率平均提升3%-7%。在创新成本方面,有利于企业提升信息搜索与精准分析能力,实现对市场需求的快速响应,从而提高经济效益。不可否认,数字邻近对生产力、经济发展和企业绩效具有积极影响[13]。数字化变革过程中,企业价值创造的前提是对原有流程、业务模式以及资源能力进行更新。数字化过程中,企业受到资源需求与原有投入模式矛盾的影响。作为跨领域资源活动,数字邻近只有突破原有资源刚性与惯例刚性,才能发挥正向作用。

借鉴Gilbert(2005)的研究成果,本文将组织惰性分为面临变革时企业难以改变原有资源投入模式的资源刚性和面临变革时企业难以改变原有资源利用程序的惯例刚性,并结合资源刚性与惯例刚性摩擦力—创新潜力蛰伏—创新融合使能框架,进一步揭示数字邻近对企业创新绩效的作用机制。

数字化初期,企业存在较多资源刚性与惯例刚性。资源刚性会导致管理者认知与资源分配固化,惯例刚性会导致惯例演化缓慢与数字化系统全面变革的矛盾。此时,数字邻近对企业创新绩效具有负向影响,处于数字邻近“蛰伏期”。从资源刚性角度:第一,管理者认知。数字化风险与企业管理者对利润的追求相悖,因而企业被迫放弃数字化,减少数字资源投入。第二,资源依赖。资源包括财务资源等有形资源以及管理者时间与注意力等无形资源,考虑到沉没成本,企业往往倾向于坚持原有策略(杨林等,2020)。数字化实现的基础是人力资源培训与IT基础设施,成本较高,且占用企业大量资源。因此,数字化初期,成本效应通常高于创新补偿效应,带来数字化创新悖论。从惯例刚性角度,数字化涉及组织结构、文化、制度等,即使企业管理者认识到其重要性,但数字化变革依旧困难(Fitzgerald,2014)。换言之,足够的资源承诺下,惯例刚性仍会束缚企业数字化变革,企业技术创新成败的关键在于组织惯例与行业惯例的匹配程度。早期研究指出,不断增加的惯例会形成巨大刚性,进而束缚组织变革。现有研究发现,组织惯例兼具稳定性与变革性特征。组织惯例二维观表明,相对稳定的惯例明示面能够对相对变化的惯例执行面提供指导。相应地,惯例执行面能够对惯例明示面进行反馈、修改与创造。此外,组织共享学习[14]、试错学习[15]、变革型领导行为可以触发惯例的明示面与执行面变革。得益于惯例不同面的自我互动,组织可以通过“变异—筛选—保留”机制将新的行为模式纳入惯例。需要指出的是,惯例自我演化缓慢与数字化系统全面变革的矛盾会阻碍企业数字化进程,促使企业进入数字邻近“蛰伏期”。

数字邻近有助于企业资源获取能力提升与组织惯例演化加速。同时,数字化的创新溢出与促进效应能够推动企业进入数字邻近“使能期”[5]。此时,数字邻近能够促进企业创新绩效增长。首先,企业利用数字技术提升自身资源获取能力,短时间内以较低成本获取与创新相关的信息资源[16],进而缓解资源刚性。同时,新技术可为企业更新组织惯例提供支撑,加快组织惯例演化,降低创新风险,从而提升企业创新绩效。其次,考虑到数字邻近的社会网络属性,企业能够借助网络链接相连(相关的)或不相连(不相关的)的其它企业,促进知识、技术与资源交互耦合,进而为组合创新创造条件[17]。最后,知识是推动惯例演化的基本要素[18]。数字邻近的社会网络属性以及数字技术的开放性和可扩展性有利于企业突破“信息孤岛”,实现快速、远距离知识搜索,加速组织学习与惯例变革,从而提升组织惯例与行业惯例的匹配度。

综上,数字邻近初期,资源刚性与惯例刚性会阻碍企业数字化变革;数字邻近后期,上述阻碍作用逐渐减弱。因此,本文提出以下假设:

H1:数字邻近与企业创新绩存在U型关系。

1.3 高管特质的调节作用

1.3.1 高管政治关联背景的调节作用

高管政治关联背景能够影响“蛰伏期”“使能期”两种状态下的资源刚性与惯例刚性,进而影响数字邻近对企业创新绩效的作用。

(1)高管政治关联背景有利于企业缓解资源刚性。在管理者认知层面,高管政治关联背景可以激发企业数字化转型与创新意愿。具有政治关联背景的企业对政府存在迎合行为[19],往往会进行合规性屈从。在资源依赖层面,政治关联背景有助于企业以较低成本撬动较多资源[20]。

(2)高管政治关联背景有利于企业缓解惯例刚性。企业战略导向决定内部资源配置和导入方向,进而影响组织惯例迭代与重构[21]。政治关联背景下,企业战略导向会发生转移,进而促进惯例更新。此外,具有政治关联背景的高管往往拥有较高的社会地位和较广的关系网络,在社会网络中占据更多的结构洞,能够为企业带来信息、知识等资源。同时,外部异质性知识涌入可为组织惯例更新提供保障。

综上,具有政治关联背景的企业对政府存在不同程度的迎合行为,其数字化与创新意愿较强,能够弱化资源和惯例刚性,更早进入数字邻近“使能期”。基于此,本文提出以下假设:

H2:高管政治关联背景正向调节数字邻近与企业创新绩效的U型关系。

1.3.2 高管技术研发背景的调节作用

高管技术研发背景能够影响“蛰伏期”“使能期”两种状态下的资源刚性与惯例刚性,进而影响数字邻近对企业创新绩效的作用。

(1)高管技术研发背景有利于企业缓解资源刚性。从管理者认知维度看,具备技术研发背景的高管拥有专业技术知识,对创新活动更为重视,会将更多时间与注意力投入到企业创新过程中[22]。从资源依赖维度看,大多数相关研究证实,具备技术研发背景的高管可为企业创新决策提供科学指导,有助于企业挖掘更多创新机会,从而提高创新成功率(Francis等,2015)。基于技术研发背景,高管能够正确理解市场需求与企业创新方向,发挥知识技术优势,避免资源配置扭曲问题,从而缓解资源刚性对数字邻近的阻碍作用。

(2)高管技术研发背景有利于企业缓解惯例刚性。得益于对环境变化的敏感以及对创新行为的支持,变革型领导行为能够促进惯例更新。具备技术研发背景的高管对环境变化具有较强的敏感性[23],能够加快组织惯例更新进程。此外,相较于非技术研发背景的高管,具备技术研发背景的高管会更支持企业创新行为,通过制定有效的激励机制为组织惯例更新提供支撑。

综上,高管技术研发背景通过扭转管理者认知、增加资源投入(时间与注意力)、优化资源配置等方式弱化资源刚性。同时,具备技术研发背景的高管对环境变化的敏感以及对创新行为的支持能够有效弱化惯例刚性。基于此,本文提出以下假设:

H3:高管技术研发背景正向调节数字邻近与创新绩效的U型关系。

1.3.3 高管过度自信的调节作用

过度自信是个人或群体的隐性心理特征,能够体现行动主体积极的自我评价倾向。本文认为,高管过度自信不利于企业突破惯例刚性与资源刚性,进而弱化数字邻近对企业创新绩效的U型影响。

(1)高管过度自信不利于企业缓解惯例刚性。尽管高管可作为企业创新的驱动力量,但高管也可能不具备推动企业生产和商业化过程所需的领导能力[24]。此时,有必要构建共享信任与共享学习机制,它有利于企业缓解惯例刚性。此外,试错学习可以推动组织惯例更新,有助于企业突破原有惯例束缚。但过度自信的高管会认为自己拥有全面系统的技术知识及管理技能,进而高估企业资源禀赋和自身问题解决能力(Li等,2010),忽视资源约束和失败风险,在战略决策制定过程中更为冒险。

(2)高管过度自信不利于企业缓解资源刚性。过度自信的高管可能低估产品与服务数字化初期的资源刚性。考虑到信息利用程度,过度自信可能会导致高管出现能力认知偏差,高估机会信号的准确性,进而降低决策合理性(李善民等,2015)。当企业处于较高水平数字邻近时,各利益相关者会对企业发展提出更高的要求,一旦企业未能完成预期目标,可能导致高管离职。因此,考虑到环境的不确定性风险,决策者倾向于维持当前策略不变。过度自信的高管会被企业当前绩效迷惑并坚信自己不会失败,过度追求高风险项目,从而导致创新绩效降低(宋铁波等,2017)。

综上,过度自信的高管可能低估初期资源刚性与惯例刚性,高估机会信号的准确性,追求更多高风险创新项目。基于此,本文提出以下假设:

H4:高管过度自信负向调节数字邻近与企业创新绩效的U型关系。

2 研究设计

2.1 数据来源与处理

为捕捉数字邻近的动态性,本文以2010—2022年中国上市公司数据为样本,数据主要来源如下:第一,CCER经济金融数据库。企业营收构成(按行业分类)数据来自CCER数据库,依据《上市公司行业分类指引(2012年修订)》与国家统计局2017年发布的《国民经济行业分类》,本文归纳各上市公司收入行业构成。第二,国泰安数据库。企业研发投入、专利、高管信息、控制变量等其它数据来自国泰安数据库。第三,高管政治关联背景和研发技术背景相关数据来自上市公司高管简历检索并手工核对。本文按照以下标准筛选样本:剔除无效样本,如销售额为负、为零的行业企业样本;剔除关键变量数据缺失企业样本;剔除隶属数字产业的企业样本。最终,本文得到2010—2022年1 044家上市公司2 580条观测值组成的非平衡面板数据。

2.2 变量设计

2.2.1 被解释变量:企业创新绩效(inn)

企业创新绩效是“投入—产出”的结合体(高建等,2004),仅通过产出端的专利数衡量并不严谨。效率既考虑投入又考虑产出,因而创新绩效可以通过效率衡量[25]。因此,本文基于投入端与产出端探讨企业创新绩效,以研发支出为投入,以专利为产出,采用随机前沿模型(SFE)测量企业创新绩效(Vandaie&Zaheer,2015;马海燕,朱韵,2020)。

2.2.2 解释变量:企业数字邻近(dc)

参考Rahmati等[8]的研究成果,本文构建中国情景下的数字邻近。企业数字邻近是指企业与数字产业间的距离,其核心思想是若一个及以上企业同时报告两个行业的销售额,则认为这两个行业存在联系。企业数字邻近水平越高,意味着企业越接近数字领域,产品与服务数字化程度越高。企业数字邻近构建具体步骤如下:

(1)采用企业行业销售额构建行业空间。借鉴Hidalgo等(2007)的研究思路,本文采用显示性比较优势指数(rca)、邻近度(φ)刻画行业空间分布。首先,计算rca并得到企业各年度具有市场优势(rca>1)的行业,如式(1)所示。其次,计算企业在i、j两个行业均具有市场优势的最小条件概率,记为行业邻近度φij,代表行业距离,如式(2)所示。其中,x(c,i)代表c企业在i产业的销售额。

(1)

φij=min{P(rcaxi|rcaxj),P(rcaxj|rcaxi)}

(2)

(2)在行业空间的基础上,计算行业数字邻近(DC)。两个行业越邻近,代表行业空间距离越近。由此,本文将log(1/φij)记为行业i与j之间的路径距离。将行业编码C39(计算机、通信和其它电子设备制造业)、I63(电信、广播电视和卫星传输服务)、I64(互联网和相关服务)、I65(软件和信息技术服务业)定义为数字产业,本文利用Python得出各行业距离上述4个数字产业的最短路径,并求得平均最短路径距离,以此衡量行业数字邻近。i行业数字邻近计算如式(3)所示。

(3)

(3)在行业数字邻近的基础上,计算企业数字邻近(dc)。将数字邻近指标由行业层面扩展至企业层面,本文以企业涉及的行业销售额(Sales)为权重,计算各企业涉及的n个行业加权平均数字邻近,i企业数字邻近计算如式(4)所示。其中,n代表i企业涉及的所有行业数量,k表示i企业涉及的第k个行业。

(4)

2.2.3 调节变量:高管特质(trait)

参考Fan等(2007)的研究成果,若总经理具有政府机构职务经历,则将高管政治关联背景设定为 1,否则为 0。借鉴虞义华等(2018)的研究成果,若总经理具有技术研发经历,则将高管技术研发背景设定为1,否则为 0。简借鉴魏哲海(2018)的测量方法,本文分别对高管个人特征指标(性别、年龄、学历、兼任情况)进行赋值,以此获取综合得分。其中,Sexscore代表性别得分,若高层管理者为男性,SGender=1,反之取0;Agescore代表年龄得分,计算公式为max(age)-age/max(age)-min(age);Degreescore代表学历得分,若高层管理者为本科以下学历,则Degreescore取值为1,反之为0;Posiscore代表高管兼任情况得分,若高层管理者兼董事长,则Posiscore取值为1,反之取0。高管过度自信(ov)计算如式(5)所示。

ov =(Sexscore+Agescore+Degreescore+Posiscore)/4

(5)

2.2.4 控制变量

本文选取企业特征和企业治理的部分变量作为控制变量。企业治理相关变量如下:总资产增长水平(goa),以本期总资产规模-上期总资产规模)/本期总资产规模测度;经营性现金流量(nc),以企业经营性现金净流量的自然对数测度;财务杠杆(lev),以长期负债/总资产测度;净资产收益率(roe),以净利润/净资产测度;企业成长性(grow),以本期总收入-上期总收入的自然对数测度;企业规模(size),以销售收入的自然对数测度。企业特征相关变量如下:股权性质(soe),样本企业属于国有企业取值为1,否则取0;董事会独立性(ine),以独立董事人数和董事会总人数的比值测量;第一股东持股比例(fir),以第一大股东持有的流通股股数/该公司流通在外的总流通股股数测量。

本文相关变量说明如表1所示。

2.3 模型设定

为检验数字邻近对企业创新绩效的U型影响,本文构建如下模型:

(6)

i代表企业,t代表年份,inn表示企业创新绩效,dc代表企业数字邻近,C代表所有控制变量,λt代表控制时间效应,μi代表控制行业效应,α0是截距项,εit代表企业i第t年的残差项。

为检验高管特质的调节作用,本文构建如下模型:

(7)

trait表示高管特质,本文将其细化为高管政治关联背景(pol)、高管技术研发背景(tec) 、高管过度自信(ov)。β0、 γ0 、ω0为截距项,其它变量定义同上。

3 实证结果与分析

3.1 描述性统计

本文主要变量描述性统计及相关性分析结果如表2所示。

(1) 企业数字邻近代表企业现有数字化水平,其均值为0.166,最大值为0.243,标准差为0.041。借鉴Rahmati等[8]的研究成果(根据1990—2017年美国上市公司销售额计算的数字邻近均值为0.24,标准差为0.13),我国企业数字化水平有待提升。

(2) 解释变量与企业创新绩效显著相关,证实本文变量选取合理。不同于戚聿东、蔡呈伟[4]的研究结论(数字化程度与企业创新绩效正相关),本文中二者相关系数为负值,可初步断定数字邻近与企业创新绩效并非是简单的正相关关系。

(3) 鉴于解释变量与创新绩效相关系数为负值,本文初步考虑数字邻近与企业创新绩效呈U型关系(低水平数字邻近时与创新绩效负相关,高水平数字邻近时与创新绩效正相关)。

(4) 由控制变量与被解释变量相关性分析结果可知,股权性质、第一大股东持股比例、经营性现金流量、财务杠杆、企业规模与被解释变量显著正相关。由此说明,相比于公司特征变量,治理变量对企业创新绩效的影响更显著。

(5) 全部解释变量方差膨胀因子(VIF)的最小值为1.020,最大值为3.570,远小于阈值10。由此说明,本文回归模型不存在多重共线问题。

对非平衡面板数据进行回归前,本文对固定效应(固定行业效应、年份效应)与随机效应进行选择。Hausman检验结果显示,固定效应模型优于随机效应模型。本文检验面板数据可能存在异方差问题,Wald 检验结果显示,修正的Wald 统计量在 1%水平上显著,即存在异方差。综上,本文采用广义最小二乘法(Feasible Generalized Least Squares,FGLS)进行估计。

3.2 面板数据回归

3.2.1 回归模型

表3列示了企业数字邻近与创新绩效关系回归结果,以及高管特质(高管政治关联背景、高管技术研发背景、高管过度自信)对上述关系的调节作用。

本文以基于随机前沿模型测量的创新绩效作为被解释变量进行回归,结果如Model1—Model4所示。Model1在仅含控制变量的基准回归中加入dc、dc2;Model2、Model3、Model4在Model1的基础上,分别加入高管政治关联背景及其与解释变量的一次交互项(dc×pol)和二次交互项(dc2×pol)、高管技术研发背景及其与解释变量的一次交互项(dc×tec)和二次交互项(dc2×tec)、高管过度自信及其与解释变量的一次交互项(dc×ov)和二次交互项(ddc2×ov)。本文对交互项进行中心化处理,并控制行业与年份效应。

3.2.2 回归结果分析

Model1结果显示,数字邻近的一次项系数为-1.263,其平方项系数为4.394,均在1% 水平上显著。U型检验结果显示,曲线转折顶点为0.144,位于数字邻近的取值区间[0.001,0.243]。由此表明,数字邻近与企业创新绩效并非是简单的线性关系,而是U型关系,验证了研究假设H1。在数字邻近达到转折点后,进一步提升数字邻近水平能够促进企业创新绩效提升。描述性统计结果显示,数字邻近均值为0.166,大于0.144。由此说明,当前我国大部分企业数字化收益已经能够弥补数字化成本,此时数字邻近水平提升有利于企业创新绩效提升。

Model2—Model4考察高管特质的调节作用。Model2中,数字邻近与高管政治关联背景的交互项(dc×pol)以及数字邻近的平方和高管政治关联背景的交互项(dc2×pol)回归系数均显著。由此表明,高管政治关联背景调节数字邻近与创新绩效的U型关系。进一步地,参考Haans &Pieters[26],贾慧英等(2018)的研究成果,本文依据U型曲线极值点以及曲线形状变化对调节效应方向进行判断。首先,关注曲线极值点变化。本文以高管政治关联背景均值作为中等水平高管政治关联背景,均值加一个标准差作为高水平高管政治关联。由计算结果可知,中等水平高管政治关联背景下,极值点dcm为0.142,高水平高管政治关联背景下,极值点dch为0.129。由此表明,极值点略微向左移动。可见,高水平政治关联背景下,企业绩效更快、更早地受数字邻近的正向影响。其次,关注曲线形状变化。dc2×pol的系数为5.841,dc2的系数为2.074,二者符号相同,意味着高管政治关联背景正向调节数字邻近与创新绩效的U型关系,在函数意义上表现为二次曲线更为陡峭,假设H2得到验证。同样地,由调节效应图1(a)可知,高水平高管政治关联背景下,曲线极值点左移且曲线形状更为陡峭,假设H2得到双重验证。

Model3考察高管技术研发背景在数字邻近与企业创新绩效间的调节作用。结果显示,数字邻近与高管技术研发背景的交互项(dc×tec)以及数字邻近的平方与高管技术研发的交互项(dc2×tec)回归系数均显著。由此表明,高管技术研发背景调节数字邻近与创新绩效的U型关系。进一步地,本文依据曲线极值点与形态变化对调节效应方向进行判断。由计算结果可知,中等水平高管技术研发背景下极值点dcm为0.142,高水平高管技术研发背景下极值点dch为0.137。此外,二次项(dc2)及其二次项交互项(dc2×tec)系数均为正,H3得到验证。调节效应图1(b)显示,高水平高管技术研发背景下,曲线极值点左移且曲线形状更为陡峭,假设H3得到进一步验证。

Model4显示,数字邻近平方(dc2)及其与高管过度自信的交互项(dc2×ov)回归系数显著。因此,高管过度自信在数字邻近与企业创新绩效间发挥调节作用。同样地,中等水平高管过度自信情景下极值点dcm为0.138,高水平高管过度自信情景下极值点dch为0.163,且二次项(dc2)和高管过度自信与二次项的交互项(dc2×ov)系数符号不同。由此可知,高管过度自信弱化数字邻近与创新绩效的U型关系,假设H4成立。观察图1(c)可知,高水平高管过度自信情景下,曲线极值点右移且曲线形状更为平缓,假设H4再次得到支持。

3.3 内生性问题处理

为缓解反向因果引致的潜在内生性问题,本文采用两阶段工具变量法估计企业数字邻近对创新绩效的影响。鉴于被解释变量企业创新绩效无法对前两年数字邻近产生影响,本文将自变量数字邻近两期滞后项(lldc)作为工具变量纳入模型。表4显示,本文选取的工具变量通过不可识别、过度识别、弱工具变量检验。结果显示,解释变量二次项系数显著为正,与前文保持一致。由此可见,本文回归结果具有稳健性。

为缓解样本选择偏差带来的潜在内生性问题,本文利用倾向匹配得分(PSM)检验数字邻近与企业创新绩效的关系,具体步骤如下:首先,根据匹配协变量选择标准,选取合适的协变量。检验结果显示,本文控制变量符合协变量匹配标准。其次,根据数字邻近水平确定实验组与控制组。再次,选择最邻近匹配方法进行平衡性检验,计算平均处理效应(ATT在95%的置信区间上显著)。最后,进行回归,结果如表4所示。结果表明,解释变量(dc)与解释变量的二次项(dc2)显著,且一次项系数为负,二次项系数为正。

3.4 稳健性检验

(1)更换被解释变量企业创新绩效衡量方式。现有研究大多采用专利数对企业创新绩效进行测度。基于此,本文采用专利衡量企业创新绩效,结果如表3中Model5—Model8所示。结果显示,数字邻近与企业创新绩效呈U型关系,高管政治关联背景、高管技术研发背景正向调节数字邻近与企业创新绩效的关系,高管过度自信负向调节数字邻近与企业创新绩效的关系。可见,本文回归结果具有稳健性。

(2)更换核心解释变量数字邻近衡量方式。前文采用某行业到所有数字产业的平均最短路径测量数字邻近,此处将其替换为某行业到数字产业最长的最短路径[8],i行业邻近(MDCi)计算如式(8)所示。

(8)

在此基础上,计算i企业数字邻近(mdci),如式(9)所示。

(9)

(3)更换回归方式。本文选取多维面板固定效应(reghdfe)进行估计,检验结果如表4中Model3—Model4所示。其中,Model3为更换数字邻近衡量方式后的回归结果,Model4为采用多维面板固定效应的回归结果。结果表明,无论是更换核心解释变量还是更换回归方法,均证实数字邻近与企业创新绩效呈U型关系。

4 结语

4.1 结论

本文引入数字邻近这一概念,探讨企业数字邻近对创新绩效的影响,并考察高管政治关联背景、高管技术研发背景、高管过度自信在其中的调节作用,得出以下主要结论:

(1) 企业数字邻近与创新绩效呈显著U型关系。产品与服务数字化初期,数字邻近水平较低,企业在数字化进程中存在资源刚性与惯例刚性。此时,数字邻近与创新绩效负相关。高水平数字邻近情境下,创新溢出与促进效应显著,数字邻近达到促进创新绩效提升的门槛。

(2) 作为高管特质中的理性因素,政治关联背景、高管技术研发背景在企业数字邻近与创新绩效间发挥正向调节作用。作为高管特质中的非理性因素,高管过度自信在企业数字邻近与创新绩效间发挥负向调节作用。

4.2 理论贡献

(1)不同于以往研究[5],本文采用数字邻近对企业数字化进行测度,尝试解决现有衡量方法无法反映企业数字化全貌的问题[7],丰富了企业数字化水平测算方法。

(2) 以往相关研究忽视了组织惰性等内部因素[9],本文基于组织与数字化协同演进逻辑,结合组织惰性理论探讨数字邻近对企业创新绩效的作用机理,揭示了数字邻近对企业创新绩效的作用轨迹。

(3)在现有研究的基础上[27],本文加入高管特质这一情景因素,拓展了“数字化—企业创新绩效”研究框架,深入探讨高管特质中的理性因素、非理性因素在数字邻近与企业创新绩效间的差异化影响,丰富了高阶梯队理论应用情境。

4.3 管理启示

(1)在企业利用数字技术进行价值创造过程中,由于新的战略需求与原有资源投入模式的冲突,以及惯例固化与系统变革的矛盾,数字邻近可能无法快速促进企业创新绩效提升。随着数字化进程加快,数字技术的赋能作用逐渐凸显。因此,企业可以通过营造组织学习氛围、拓展知识获取渠道、优化数字基础设施等方式强化数字邻近对创新绩效的促进作用。

(2) 在开展产品和服务数字化时,企业应关注高管特质。当高管具备政治关联与技术研发背景时,企业可以获得资源、信息、认知、技术支持,从而促进创新绩效提升。此外,应考虑高管是否过度自信。高管过度自信情景下,企业无法构建共享学习机制且可能开展过度的风险追求,因而不利于创新绩效提升。

(3) 管理者认知、时间、注意力等无形资源能够缓解资源刚性与惯例刚性。高管参与程度能够很大程度上影响企业数字化成功率。因此,高管有必要提升自身对产品与服务数字化的认知与重视程度,帮助企业引进并留住数字化人才,营造良好的数字化创新氛围,从而为产品、服务和流程数字化提供支撑。

4.4 不足与展望

本文存在以下不足:第一,仅考虑高管政治关联背景、高管技术研发背景、高管过度自信3个变量在企业数字邻近与创新绩效间的调节作用,未来可纳入更多变量。第二,由于高管团队内部权力分布不均衡,未来可进一步探讨具备上述特质高管权力比重的影响。

参考文献：

[1] 谢康,夏正豪,肖静华.大数据成为现实生产要素的企业实现机制[J].中国工业经济,2020,38(5):42-60.

[2] 戚聿东,肖旭.数字经济时代的企业管理变革[J].管理世界,2020,36(6):135-152,250.

[3] LYNN W,LORIN H,BOWEN L. Data analytics,innovation,and firm productivity[J]. Management Science,2020,66(5):1783-2290.

[4] 戚聿东,蔡呈伟.数字化企业的性质:经济学解释[J].财经问题研究,2019,41(5):121-129.

[5] 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.

[6] HAJLI N. Social commerce constructs and consumer's intention to buy[J].International Journal of Information Management,2015,35(2):183-191.

[7] 肖土盛,吴雨珊,亓文韬.数字化的翅膀能否助力企业高质量发展[J].经济管理,2022,44(5):41-62.

[8] RAHMATI P,TAFTI A L,WESTLAND J,et al.When all products are digital: complexity and intangible value in the ecosystem of digitizing firms[J]. MIS Quarterly,2021,45 (3):1025-1058.

[9] 林海芬,尚任.组织惯例对组织创新的悖论性作用机理研究[J].南开管理评论,2020,23(1):62-74.

[10] 崔淼,周晓雪.克服组织惯性:数字化战略更新的实现及演进路径研究[J].科研管理,2022,43(10):89-98.

[11] ESTRIN P.The role of informal institutions in corporate governance:Brazil,Russia,India,and China compared[J].Asia Pacific Journal of Management,2011,28(1):41-67.

[12] SVAHN F,MATHIASSEN L,LINDGREN R. Embracing digital innovation in incumbent firms:how Volvo cars managed competing concerns[J].MIS Quarterly,2017,41(1):239-253.

[13] CARUSO L. Digital innovation and the fourth industrial revolution: epochal social changes [J].AI &Society,2018,33: 379-392.

[14] 梁阜,李树文,孙锐. SOR 视角下组织学习对组织创新绩效的影响[J].管理科学,2017,29(3): 63-74.

[15] RERUP C,FELDMAN M S. Routines as a source of change in organizational schemata:the role of trial-and-error learning[J].Academy of Management Journal,2011,54(3): 577-610.

[16] 陈庆江,平雷雨,董天宇.数字技术应用创新赋能效应的实现方式与边界条件[J].管理学报,2023,20(7):1065-1074.

[17] YOO Y,BOLAND R J,LYYTINEN K,et al. Organizing for innovation in the digitized world[J]. Organization Science,2012,23(5):1398-1408 .

[18] 邓昕才,陈子楠,吕萍,等.组织惯例更新触发因素与影响效应——基于先动型市场导向和可持续竞争优势视角[J].科技进步与对策,2022,39(18):21-30.

[19] 张国富,张有明.CEO 政治关联与创新绩效:促进或抑制[J].财会通讯,2022,43(10):48-53.

[20] CLAESSENS S,FEIJEN E,LAEVEN L.Political connections and preferential access to finance:the role of campaign contributions[J].Journal of Financial Economics,2008,88(3):554-580.

[21] DEUTSCHER F,ZAPKAU B F,SCHWENS C,et al. Strategic orientations and performance:a configurational perspective[J]. Journal of Business Research,2016,69(2):849-861.

[22] 余恕莲,王藤燕. 高管专业技术背景与企业研发投入相关性研究[J].经济与管理研究,2014,35(5):14-22.

[23] 车培荣,齐志伟,王砚羽.环境的烙印:企业成立时的环境对创新战略的影响[J].科学学研究,2020,38(9):1677-1685.

[24] JOAO J,FERREIRA M,CRISTINA I,et al.To be or not to be digital, that is the question: firm innovation and performance[J].Journal of Business Research,2019,101(9):583-590.

[25] SHIN J,KIM Y J,JUNG S,et al. Product and service innovation:comparison between performance and efficiency[J].Journal of Innovation &Knowledge,2022,7(3):1-11.

[26] HAANS R F J,PIETERS C. Thinking about u:theorizing and testing u-and inverted u-shaped relationships in strategy research[J].Strategic Management Journal,2016,37(7): 1177-1195.

[27] 马君,郭明杰.企业数字化转型、员工数字认知与创新绩效:技术为刀,我为鱼肉[J].科技进步与对策,2023,40(22):22-32.

(责任编辑：张 悦)