This paper supplements the research literature on the overall perspective of China's new energy vehicle industrial policy through a big data approach to provide suggestions and references for in-depth analysis of new energy vehicle industrial policy. The study utilizes the LDA model to calculate the theme intensity of new energy vehicle industrial policies, and combines the data of 165 new energy vehicle enterprises during the period of 2012-2020 with the double fixed effect model to examine the impact of industrial policies on the technological innovation of enterprises. The results show that China's new energy vehicle industrial policies mainly focus on green environmental protection, infrastructure construction and financial subsidy policies, and the three themes can enhance the quantities of invention, application and appearance patents, and promote technological innovation of enterprises; however, there are differences in the impact of different types of industrial policies on technological innovation of enterprises, among which the infrastructure type of industrial policy has the best effect on the promotion of technological innovation of enterprises. The best effect of infrastructure industrial policy on enterprise technological innovation is found in the infrastructure type of industrial policy. Further analysis of the mechanism reveals that there is a positive moderating effect of enterprise human resource integration capacity between the three themes and enterprise technological innovation, and that the improvement of enterprise human resource integration capacity can further promote enterprise technological innovation.
The conclusions help to improve the understanding and assessment of China's new energy automobile industry policies and provide effective suggestions for the future development of China's new energy automobile industry. The contributions of this study are mainly as follows: first, broadening the perspective of industrial policy research. It uses big data analysis methods and text analysis tools to conduct a scientific and holistic assessment of industrial policy, and it studies and discusses the relationship between industrial policy and corporate technological innovation from a holistic perspective. Second, new methods are introduced to assess industrial policy. The article leverages the Latent Dirichlet Allocation (LDA) model to conduct a thorough assessment of industrial policy, drawing insights from its textual framework. This approach introduces an innovative method for evaluating industrial policies. Furthermore, it contributes to the existing research on human resources by examining the role of human resources through the lens of core competencies, specifically focusing on the integration capabilities of human resources.
开放科学(资源服务)标识码(OSID)：
能源危机和环境问题是当代社会面临的两大挑战,传统交通工具使用量增长会增加能源消耗和碳排放,现有研究表明新能源汽车对经济可持续发展发挥重要作用,有利于节约能源、减少碳排放、提高空气质量,改善气候条件。研究机构TrendForce集邦咨询显示,2022年全球新能源汽车销售量约1 065万辆,中国市场占有率为63%,西欧为29%。中国工业协会数据显示,中国2022年新能源汽车产量达到705.8万辆,销量达到688.7万辆,位居世界第一。中国新能源汽车产业作为新兴产业发展如此迅速,不仅与中国市场规模密切相关,更归功于中国产业政策的支持和引导[1]。虽然中国为发展新能源汽车产业颁布了众多政策且实现产销量快速增长[2],但关于产业政策与企业技术创新关系的争议较多。有学者指出财政补贴政策对新能源汽车企业技术创新水平具有促进作用[3-4],也有学者认为政府补贴政策对企业研发投入产生挤出效应[5],不利于企业技术创新,因此中国现行新能源汽车产业政策能否帮助新能源汽车企业提高技术创新能力有待论证。此外,现有研究对产业政策与企业技术创新关系的讨论多聚焦于单一政策维度,忽视了政策整体性与政策间的相互作用关系。中国新能源汽车产业政策变化趋势如何?在众多产业政策中,哪类政策对企业技术创新能力的影响效果最显著?上述问题需要进一步研究。
新经济增长理论指出人力资源是促进经济增长的内生动力机制[6],在提高生产率和推动技术进步方面发挥重要作用[7-8]。许多学者认为人力资源对技术创新具有积极影响[9-11]。已有研究表明,增加企业研发人员能提高企业技术创新能力和技术创新质量[12],增加高学历员工比例有利于提高企业学习能力和创新能力[13-15]。然而,上述文献在讨论人力资源对产业政策与企业技术创新关系的作用时多基于资源基础观,鲜有文献从核心能力观视角作出解释。那么,基于核心能力观,企业人力资源差异对产业政策与企业技术创新能力关系具有哪些影响作用?
基于此,本文使用大数据分析方法构建LDA模型,从整体视角对2012—2020年中国新能源汽车产业政策进行分析和讨论,并探讨不同产业政策对企业技术创新的影响以及企业人力资源整合能力的作用。本文研究结论有助于增进对中国新能源汽车产业政策的理解,为中国新能源汽车产业发展提供重要启示。本文贡献主要体现在以下几个方面:第一,拓宽产业政策研究视角。使用大数据分析方法和文本分析工具对产业政策进行科学评估,从整体视角讨论产业政策与企业技术创新之间的关系。第二,引入新方法评估产业政策。基于产业政策文本内容,借助LDA模型对产业政策进行综合评价,为评估产业政策提供了一种新方法。第三,从核心能力观视角考察人力资源的作用,有助于丰富人力资源研究文献。
产业政策实质上是政府对产业活动的一种干预,其目标之一是通过政策扶持方式在供给侧、需求侧和环境等方面创造有利于产业发展的条件。现有研究将产业政策划分为供给型、需求型和环境型3种(Rothwel,1985),或者选择性和功能性等类型(LALL,2001),并研究不同产业政策对企业技术创新的影响,发现其发挥促进或抑制作用。其中,供给型政策主要包括科技支持、人才资源、信息支持和公营事业;需求型政策由公共服务、购置补贴、政府采购和海外贸易等构成;环境型政策包括税收减免、金融支持、目标规划、制度规范和策略措施等[16]。
不同学者对产业政策持有不同态度,当前研究主要集中在对产业政策有效性的讨论上。从供给型政策角度看,有学者指出目前中国金融支持科技成果转化政策存在较大的区域差异性,现行人才政策对企业技术创新虽有显著激励作用,但受到地区差异性影响(刘盟等,2022)。从需求型政策角度看,当前研究主要集中在财政补贴政策上。有学者指出财政补贴对新能源汽车销售量[17]、企业技术创新水平具有促进作用[3],提出增加补贴政策的建议。但也有学者持反对意见,认为过度的财政补贴不利于企业技术创新(周燕等,2019)。从环境型政策角度看,有学者指出严格的环境政策不利于企业技术创新[18],而柔性环境政策则能提高企业绿色创新能力[19]。还有学者指出,环境税收优惠政策虽然可以帮助企业提高创新能力[20],但无法提高创新质量。除此之外,部分学者从其它角度进行研究。刘和旺(2023)将产业政策划分为“扶持型”和“门槛型”两种类型,利用双重差分模型,指出“扶持性”和“门槛性”政策能激励企业技术创新,但“门槛型”政策的激励效应更强;熊勇清和秦书锋(2023)将产业政策划分为“补贴型”和“非补贴型”两种类型,指出不同政策对企业技术创新能力具有不同影响。其中,补贴型政策偏向于企业策略性创新,而非补贴型政策则偏向于企业实质性创新。综上所述,现有关于产业政策的研究存在争议,对于政策效力问题尚未达成一致意见。随着研究的不断推进,部分学者对产业政策的划分发生改变,由以前关注单个具体政策转变为关注范围更广的某一类政策。因此,本文从整体视角对产业政策展开研究。
创新不仅是提高企业核心竞争力和财务绩效的源动力,更是一个长期投入产出的过程[21]。目前,关于企业技术创新绩效,国内外学者主要从内外部因素角度进行积极探索。外部因素研究主要关注政策效应,虽然研究成果丰硕,但未形成统一观点。部分学者从公平竞争审查制度[22]、税收优惠政策、绿色信贷政策[23]、绿色产业政策[24]等多个角度验证产业政策对企业技术创新绩效的促进作用,认为应加大产业政策推广力度。然而,也有部分学者持反对意见,认为产业政策并未发挥积极作用。如Jiang &Xu[25]通过对2006—2020年中国196家上市新能源汽车企业平衡面板数据进行分析,认为政府补贴政策并未提高新能源汽车企业技术创新效率;Liu等[26]指出过度的财政补贴不利于企业技术创新;Li等[27]对北京、广州、武汉、济南等地区进行调研,考察绿色技术创新政策对企业绿色技术创新绩效的影响,发现除资源协议工具外,其它绿色技术创新政策并未提高企业绿色创新绩效。内部因素研究多集中在股权[28]、股东、企业内部制度[29]等方面,考察企业技术创新绩效微观影响因素,但主要关注企业股权结构、高管特征、股东等,多从决策层面考察,关于企业执行层面的研究较少。企业技术创新绩效不仅取决于战略选择,还依赖于员工执行力,人力资源作为企业最重要的资源,是企业战略选择的关键,但目前关于企业战略选择影响企业技术创新绩效的研究较少。
资源依赖理论认为任何企业都无法做到对所有资源自给自足,企业资源依赖于所处环境,企业可通过政治机制为自己创造一个更好的政策环境(Pfeffer and Salancik 1978)。政府制定产业政策的初衷是为提高稀有资源可获得性和改善企业经营环境,加速企业资本流动,进而影响企业技术创新。具体表现在以下几个方面:第一,产业政策能够改善创新研发环境。企业技术创新需要投入大量资金,不但周期长、风险高[30],面临的融资压力也比较大,但产业政策可通过改变经济环境预期、资本成本、信息环境等影响企业外部融资环境[31],进一步改善企业研发条件,进而提高企业创新能力。第二,产业政策有助于缓解信息不对称。产业政策对企业具有信号传递和认证效应作用(Feldman and Kelley, 2006;Kleer, 2010),受到产业政策扶持的企业能降低风险不确定性,提高市场投资者信心,释放积极信号,影响企业融资,进而提高企业技术创新能力。第三,产业政策可对资源进行差异化配置,使受政策扶持的企业受益。根据资源依赖理论,为保障自身利益,企业会追求更多资源,对关键资源的获取和配置影响企业绩效差异,而产业政策可通过干预资源配置影响企业技术创新[32]。产业政策体现国家的产业发展方向,在该方向上国家会投入较多资源,与产业政策保持一致能够帮助企业获取更多资源并间接完成资源差异化配置。
新能源汽车产业属于新兴产业,企业创新能力存在较大差异。现有文献主要用企业发明专利数量或专利质量文献衡量新能源汽车产业技术创新能力(Wang等,2022;Jiang &Xu,2023),认为发明专利授权难度大、审核周期长以及创新含量高,更能反映企业创新能力,但忽视了其它技术创新类型的作用。其它技术创新类型同样也是产业政策扶持的目标,分析产业政策对企业技术创新的影响如果忽视了其它技术创新类型的存在,可能会弱化产业政策的作用。因此,本文从发明专利、实用新型专利和外观设计专利3个方面衡量企业创新绩效,考察产业政策对企业技术创新的影响。据此,本文提出以下假设:
H1:中国新能源产业政策正向影响新能源汽车企业技术创新。
H1a:中国新能源产业政策正向影响新能源汽车企业发明专利;
H1b:中国新能源产业政策正向影响新能源汽车企业实用新型专利;
H1c:中国新能源产业政策正向影响新能源汽车企业外观设计专利。
人力资源(HR)作为企业最重要的资源,在企业经营活动中发挥关键作用。资源基础观(RBV)认为,企业资源差异影响企业异质性(Conner &Prahalad,1996),而异质性资源是企业创造价值和获取可持续化竞争优势的源泉;核心能力观认为,企业内部积累性学习才是影响企业竞争优势的关键(Prahalad &Hamel,1990),企业应努力协调不同生产技能并整合多种技术流学识。技术创新理论认为技术创新是多种资源整合的结果,而企业整合各种资源离不开人力资源的作用。因此,本文基于核心能力观,参考凌士显等[33]的观点,将人力资源整合能力定义为“借助人力资源解决不同技术之间的融合障碍,高效整合企业内外部资源的能力”。
产业政策能为企业获取关键资源提供便利,由于企业技术创新是整合多种资源的结果,因此产业政策对企业技术创新的影响受到企业资源整合能力的调节作用。现有研究表明,人力资源整合能力直接影响企业对环境的响应能力、创新资源吸收能力和深度挖掘能力,有利于企业优化资源配置、加强不同部门、技术之间的协调合作(王锋正等,2022),提高资源利用效率,突破技术创新障碍。人力资源整合能力对产业政策和企业技术创新关系的调节作用主要体现在以下几个方面:第一,中国新能源汽车产业属于新兴产业和重点扶持产业,产业政策变化速度较快,拥有较高人力资源整合能力的企业更能快速适应不断变化的产业政策,减少政策波动带来的负面影响。第二,产业政策为企业带来大量资源,拥有较高人力资源整合能力的企业能够深层次吸收这些资源,挖掘其中的能量。第三,企业技术创新需要依赖高素质人才对大量资源进行整合,人力资源整合能力较强的企业在人才管理、部门合作和资源配置方面展现出较强能力,有利于提高企业技术创新效率。据此,本文提出如下假设:
H2:人力资源整合能力正向调节中国新能源产业政策对新能源汽车企业技术创新的影响。
H2a:人力资源整合能力正向调节中国新能源产业政策对新能源汽车企业发明专利的影响;
H2b:人力资源整合能力正向调节中国新能源产业政策对新能源汽车企业实用新型专利的影响;
H2c:人力资源整合能力正向调节中国新能源产业政策对新能源汽车企业外观设计专利的影响。
本文中的研究样本源自同花顺划分的新能源汽车概念股,只保留其中的A股主板上市企业,并剔除ST、*ST等财务数据异常和数据缺失较多的企业,最终保留165家企业。从国泰安数据库(CSMAR)、中国研究数据服务平台数据库(CNRDS)中获取2012—2020年的财务数据和专利数据,政策主题数据通过政策文本LDA模型计算获得,政策文本通过手工收集获取,具体为2012—2020年国家各部委颁布的新能源汽车产业政策,共计55份。
综上所述,产业政策有效性之所以存在争议,主要是因为产业政策量化困难,不同学者研究产业政策有效性多基于自身对产业政策的先验理念和相关理论偏好[34],将产业政策视为独立个体研究其效力问题,忽视了产业政策宏观调控的特点,从整体视角研究产业政策有效性的文献较少。另外,传统文本分析方法存在一定局限,如样本量受限、可解释性和客观性不足等[35] 。本文使用LDA(Latent Dieichlet Allocation)模型量化分析政策文本,构建中国新能源汽车产业政策LDA模型(又称为三层贝叶斯概率模型),具体包括单词、主题和文档3层结构[36],分析产业政策文本语义降维和主题结构,并利用非监督机器学习方式对政策文本主题结构和分布进行量化分析与可视化展示,相比于传统分析方法更适用于从整体视角研究产业政策[35]。
本文在北大法宝中输入关键词电动汽车、新能源汽车、充电桩、蓄电池、锂离子电池进行搜索,经过人工筛选,最终保留中国2012—2022年国家级新能源汽车产业政策共计55个文本,运用LDA模型对中国当前新能源产业政策进行综合性分析,并计算主题类型和强度。根据主题一致性得分最终确定15个主题为最优数量,再根据主题词内容将其分别概括为绿色环保、国际合作、汽车产业链、基础设施建设、道路运输、销售、费用成本、废物处理、财政补贴、能效测试、汽车零部件、进出口关税、二手车交易、技术指标、污水垃圾处理,结果见表1。由表1可知,主题绿色环保(Topic1)、基础设施建设(Topic4)、财政补贴(Topic9)主题强度分别为0.15、0.196和0.24,是最强的3个主题类型,3个主题强度之和超过50%,说明中国现有产业政策主要围绕绿色环保、基础设施建设和财政补贴主题,并且这3类主题分别对应产业政策的3个方面,即环境型政策(绿色环保型政策)、供给型政策(基础设施建设)、需求型政策(财政补贴),因此本文选择这3个主题代表产业政策主要内容,从整体视角对产业政策进行分析。
表1 主题分类与主题强度
Table 1 Theme classification and theme intensity
主题号主题关键词主题描述 主题强度Topic1绿色、单位、重点、甲醇、客车、运输、交通、建设、机构、部门绿色环保0.150Topic2国际、储能、体系、模式、地区、机制、产业、市场、资源、合作国际合作0.106Topic3城市群、技术指标、过渡期、省份、产业链、精度、含量、领导小组、氢能、电极汽车产业链0.019Topic4蓄电池、设施、基础设施、建设、生产、电动汽车、停车场、电网、电池、用地基础设施建设0.196Topic5部门、铁路、货运、钢铁、铁路局、司局、总公司、集装箱、错峰、专用线道路运输0.019Topic6出库、附表、入库、编码、记录、进口商、销售商、之日起、所有人、蓄电池销售0.007Topic7服务费、用电、电价、成本、居民、空气质量、指导价、污染、VOCs、电费费用成本0.021Topic8审查、汽车贷款、申请人、废纸、产品、纺织品、废塑料、废钢铁、国家、信息化废物处理0.044Topic9补贴、财政、资金、城市、公交车、乘用车、燃料电池、技术、四部委、燃料财政补贴0.240Topic10降碳、测试、有限公司、能效、燃煤、皮卡车、锅炉、规程、场景、活动能效测试0.069Topic11城市群、奖励、四部委、变速器、设施、瓦时、内燃机、动力电池、燃料、培育汽车零部件0.000 2Topic12税率、税号、用途、充电站、政府、车船税、进口关税、变相、优惠、设置进出口关税0.024Topic13二手车、背光、节目、彩电、流通、势头、人民政府、回收率、职业、重量二手车交易0.023Topic14购置税、财政补贴、税务总局、项目、投资、试验、门槛、车辆、技术指标、商用车技术指标0.076Topic15污水处理、收费、垃圾处理、垃圾、用水、城镇、危险废物、盈利、生态、价格政策污水垃圾处理0.007
数据来源:根据LDA模型人工整理
为更好地理解这3类政策主题,本文展示前10个关键词分布情况,如表2所示。Topic1中绿色、重点、甲醇等主题词出现频率较高,说明绿色环保措施在产业政策中受关注度较高;Topic4中蓄电池、设施、基础设施、电池、电网等出现频率较高,说明电池、充电桩和新能源停车场是新能源汽车产业政策关注焦点;Topic9中主要包括补贴、财政、资金等,说明产业政策对资金补贴关注度最高。
表2 热点主题词分布
Table 2 Main hot topic-word distribution
Topic1绿色环保Topic4基础设施建设Topic9财政补贴主题词概率主题词概率主题词概率绿色0.013 591 6蓄电池0.021 111 76补贴0.010 524 46单位0.008 209 31设施0.019 007 89财政0.010 427 08重点0.007 360 43基础设施0.015 780 12资金0.009 534 9甲醇0.006 904 99建设0.013 497 19城市0.009 164 95客车0.006 560 99生产0.010 614 83公交车0.008 946运输0.005 434 26电动汽车0.010 023 49乘用车0.008 666 1交通0.005 374 55停车场0.008 884 11燃料电池0.007 891 71建设0.005 261 68电网0.008 645 5技术0.007 828 48机构0.004 990 2电池0.008 431 2四部委0.007 761 96部门0.00 480 185用地0.007 697 62燃料0.007 576 37
数据来源:人工整理
本文绘制3类主题河流图,展示3类热门主题产业发展变化情况。由图1可知,随着中国新能源汽车产业发展,相关产业政策也随之发生改变,由最初以财政补贴为主导的产业政策转变为以绿色环保和基础设施建设为重点的产业政策。2016年,中国新能源产业政策重点发生偏移,财政补贴政策开始大幅削减,补贴金额大幅下降(王溪等,2021),绿色环保政策不断增加,虽然2020年财政补贴政策有所反弹,但总体趋势未发生显著性改变。
图1 热门主题河流
Fig.1 River map of the popular themes
为探究中国新能源汽车产业政策对企业技术创新的影响,本文构建如下计量模型:
INVN,it=α0+β1Topic1i,t-1+β2Topic4i,t-1+β3Topic9i,t-1+β4controlit+Firmi+Yearst+εit
(1)
其中,Topic1i,t-1、Topic4i,t-1、Topic9i,t-1分别代表3个热门政策主题在t-1年的强度;INVN,it代表不同企业不同时期的企业技术创新绩效,其中N=1,2,3分别表示企业发明专利、实用新型专利和外观设计专利;下标i、t分别代表公司和年度,Firmt 代表不随时间改变的个体固定效应,Yearst表示不随个体改变的时间固定效应,用于控制企业自身特征和不可观测经济变化带来的影响;α0为截距项;β1、β2、β3为相关系数;εit为残差项。由于政策通常具有一定滞后性、长期性和持续性,所以本文对企业技术创新数据和财务数据作滞后一期处理。为避免同家公司不同时期扰动项之间的自相关,本文采用聚类稳健标准误对模型进行检验。为避免极端值带来的异常影响,对数据进行1%的缩尾处理。
(1)被解释变量:企业技术创新水平(Inv)。现有研究主要使用企业产品产值、研发投入和专利数量表征企业技术创新水平。本文采用专利申请数衡量企业技术创新,将专利类型划分为发明专利(Inv1)、实用新型专利(Inv2)和外观设计专利(Inv3),研究不同政策对企业技术创新的作用,用专利申请量加1取自然对数衡量。
(2)关键解释变量:政策主题强度。通过Python计算获得,对政策文本进行LDA主题模型分析,选取最佳主题数目,计算每个主题强度,将强度最高的3个主题作为产业政策衡量指标,实现整体评估产业政策的目的。
(3)控制变量。参考凌士显等[33]的做法,本文设置如下控制变量:①员工规模(STAFF),以企业员工总数的自然对数衡量;②企业规模(SIZE),以总资产的自然对数衡量;③财务杠杆率(LEV),以总负债占总资产的比例度量;④净资产收益率(ROE),以净资产收益利润占平均净资产的比例衡量;⑤资金状况(LIQ),以流动资产占总资产之比衡量;⑥董事会规模(BOARD),以董事会总人数的自然对数衡量;⑦董事会独立性(INDEP),以独立董事人数占董事会总人数的比例衡量;⑧两职合一(DOBULEONE),企业CEO兼任董事会主席赋值为1,否则赋值为0;⑨企业成长能力(GROWTH),以营业收入的增长率衡量。此外,本文还控制个体固定效应和年份固定效应。
综上所述,本文变量定义及解释见表3。
表3 变量定义
Table 3 Variable definitions
变量类型 变量符号 变量名称变量定义 被解释变量Inv企业专利总数数量+1的自然对数Inv1企业发明专利总数数量+1的自然对数Inv2企业实用专利总数数量+1的自然对数Inv3企业外观专利总数数量+1的自然对数解释变量Topic1绿色环保绿色环保主题强度值Topic4基础设施建设基础设施建设主题强度值Topic9财政补贴财政补贴主题强度值调节变量Employee人力资源整合能力研发人员占员工总数的比例控制变量STAFF员工规模员工总人数的自然对数SIZE企业规模总资产的自然对数LEV财务杠杆总负债占总资产的比例ROE净资产收益率净利润除以净资产得到的百分比率LIQ资金状况流动资金与总资金之比BOARD董事会规模董事会规模的自然对数INDEP董事会独立性独立董事人数占董事会总人数的比例DOUBILEONE两职合一不是同一人取值为1,是同一人取值为0GROWTH企业成长能力营业收入增长率LOCAL企业所属地虚拟变量,东部为1,中西部为0SOE企业性质虚拟变量,国有企业为1,民营企业为0LOSS企业盈亏情况虚拟变量,盈利为1,亏损为0
资料来源:文本整理
本文数据为非平衡面板数据,对于缺失值较少样本用均值补缺,对于缺失值较多样本予以剔除,最终保留1 177个样本,变量描述性统计结果见表4。由表4可知,发明专利数、实用新型专利数、外观设计专利数最大值和最小值存在明显差异,为分析自变量的影响提供了基础条件;自变量方面,各类主题强度之间存在明显差异,其中财政补贴政策强度明显强于其余两类主题政策强度,说明整体而言中国以财政补贴政策为主要政策工具;在控制变量方面,样本企业控制变量标准差整体偏小,且不存在极端值异常的情况。
表4 变量描述性统计结果
Table 4 Results of descriptive statistics of variables
变量 (1)(2)(3)(4)(5)NmeansdminmaxInv1 1771.6020.89104.050Inv11 1771.1810.84803.835Inv21 1771.3310.82103.622Inv31 1770.5920.76902.963Topic11 1770.1270.069 40.040 00.241Topic41 1770.1850.1080.000 1610.413Topic91 1770.3170.2000.1530.868SIZE1 1774.3341.461-1.4029.126LEV1 1770.4930.1910.040 11.461ROE1 1770.080 40.115-0.5270.354LIQ1 1770.6050.1660.017 21BOARD1 1772.1520.2141.3862.890INDEP1 1770.3710.054 50.2500.667STAFF1 1772.0920.2060.4762.509GROWTH1 1770.1560.477-0.5523.507LOSS1 1770.094 30.29201SOE1 1770.4120.49201DOUBLEONE1 1770.7310.44301LOCAL1 1770.6210.48501
为保证估计结果可靠,本文先对公式(1)进行共线性分析。结果显示,变量方差膨胀因子(VIF)值小于5,所以模型不存在严重的共线性问题。经过豪斯曼检验,结果显示拒绝原假设,因此本文选择固定效应模型展开研究。将企业专利划分为3类,从不同角度探究产业政策对企业技术创新的影响,结果见表5。由表5可知,新能源汽车产业政策对企业3类技术创新均具有显著正向影响,假设H1、H1a、H1b、H1c得到验证。然而,不同类型产业政策影响力不同,并且同一类型产业政策对企业技术创新类型的效力不同。从政策类型角度看,基础设施建设政策对企业技术创新的综合影响作用最显著,企业整体技术创新回归系数为4.014(P<0.001),高于财政补贴政策系数2.073 (P<0.001)和绿色环保政策系数3.332 (P<0.001)。当分别考虑不同产业政策时,基础设施建设政策对企业发明专利、实用新型专利和外观设计专利的回归系数分别为2.048(P<0.001)、6.271(P<0.001)、1.671(P<0.001),对企业实用新型专利的影响作用最显著;绿色环保政策对企业发明专利、实用新型专利和外观设计专利的回归系数分别为1.065(p<0.001)、3.252(p<0.001)、0.843(P<0.001),对企业专利影响最大的依然是实用新型专利;财政补贴政策对企业发明专利、实用新型专利和外观设计专利的回归系数分别为1.624(P<0.001)、5.316(P<0.001)和1.405(P<0.001),仍然是对企业实用新型专利的影响作用最大。这表明,基础设施建设政策对企业技术创新的影响作用高于财政补贴政策和绿色环保政策。通过观察不同类型专利可知,企业外观设计专利受到的综合激励效果最弱,且财政补贴政策对企业外观设计专利的激励效果最弱。这可能是由新能源汽车产业的特殊性造成的,国家制定政策是为帮助企业更好地发展,企业需要利用政策优势提高自身核心竞争力,但对于新能源汽车企业而言,外观并不属于核心竞争力,故对企业绩效的影响较小,所以产业政策对其综合影响效应最弱。此外,产业政策对企业实用新型专利的影响作用明显强于发明专利和外观设计专利。这说明,当前政策对企业技术创新的促进作用主要集中在应用层面,这一结论与现实相符,即中国新能源汽车产业虽然在世界市场中处于领先地位,但关键核心技术未能领先世界,创新还停留在以应用类型为主的阶段,高端技术领域存在不足,中国新能源汽车产业发展受到较大限制。因此,为保证中国新能源汽车产业持续发展,中国急需突破关键核心技术壁垒。
表5 基准回归结果
Table 5 Baseline regression results
变量 (1)(2)(3)(4)(5)(6)(7)(8)InvInvInv1Inv1Inv2Inv2Inv3Inv3Topic11.904***2.073***0.825***1.065***3.151***3.252***0.653***0.843***(9.706)(9.888)(3.966)(4.842)(14.307)(14.407)(3.353)(3.699)Topic43.689***4.014***1.598***2.048***6.068***6.271***1.311***1.671***(10.287)(10.557)(4.207)(5.113)(14.857)(15.078)(3.719)(4.055)Topic92.952***3.332***1.108***1.624***5.072***5.316***0.991***1.405***(8.894)(9.092)(3.160)(4.243)(13.596)(13.485)(3.082)(3.592)STAFF0.264***0.170***0.275***0.116(4.530)(3.377)(4.050)(1.256)SIZE0.2170.328**0.1330.291**(1.514)(2.354)(0.964)(2.030)LEV0.0290.0290.039-0.045(0.661)(0.645)(0.813)(-0.883)ROE0.0130.0140.023-0.021(0.568)(0.646)(0.995)(-0.802)LIQ-0.146***-0.105**-0.132***-0.031(-3.056)(-2.217)(-2.959)(-0.706)BOARD0.077**0.088**0.088**0.044(2.062)(2.322)(1.996)(0.850)INDEP0.0030.0340.001-0.006(0.093)(1.281)(0.020)(-0.131)DOUBILEONE-0.099**-0.086**-0.073**-0.058*(-2.583)(-2.336)(-2.017)(-1.712)GROWTH0.044*0.0350.051**0.029(1.723)(1.616)(2.078)(1.147)FirmsYesYesYesYesYesYesYesYesYearsYesYesYesYesYesYesYesYes_cons0.487***0.516***0.219***0.265***0.783***0.798***0.178***0.219***(10.429)(10.839)(4.397)(5.157)(14.718)(14.933)(3.719)(4.131)N1 0101 0101 0101 0101 0101 0101 0101 010r20.2040.3630.1710.3210.2740.3940.0480.128r2_a0.1980.3520.1650.3100.2690.3840.0410.114
注:*表示p<0.05,**表示p<0.01,***表示p<0.001,下同
首先,本文用专利数量取对数的方式对企业技术创新进行衡量。由于专利数量在取自然对数之前为非负离散整数变量,使用线性回归可能导致结果无效或者有偏,因此参照刘和旺等(2023)的做法,运用泊松回归模型和负二项回归模型对上述结果进行稳健性检验,结果见表6。其次,由于部分专利数据为0,存在截尾数据特征,因此本文采取Tobit模型重新进行回归,进一步验证结果的稳健性。最后,上述分析表明2016年产业政策发生较大波动,产业政策发展方向发生改变,故为减少政策波动带来的影响,剔除2016年数据重新进行稳健性检验,结果见表7。结果显示上述检验和基础结论保持一致,因此通过稳健性检验。
表6 泊松回归和负二项回归结果
Table 6 Results of poisson regression and negative binomial regression
变量泊松回归totalInv1Inv2Inv3负二项回归totalInv1Inv2Inv3Topic14.639***3.790***6.555***3.247***4.038***1.724***6.361***2.432***(7.731)(4.742)(10.744)(5.813)(11.012)(4.424)(15.915)(3.692)Topic48.715***6.922***12.510***6.367***7.845***3.342***12.309***4.945***(7.582)(4.593)(10.569)(5.988)(11.360)(4.546)(16.269)(4.025)Topic97.695***6.084***10.958***5.691***6.551***2.640***10.453***4.089***(7.361)(4.377)(10.271)(5.747)(10.270)(3.873)(15.156)(3.548)STAFF0.2880.2260.424*0.3520.772***0.624***0.798***1.092***(1.589)(1.357)(1.873)(1.269)(5.802)(5.055)(5.336)(4.500)SIZE1.135***1.451***0.628**0.976**0.634***0.993***0.351*0.572(3.654)(4.051)(1.990)(2.397)(2.896)(4.551)(1.761)(1.370)LEV-0.260**-0.332**-0.096-0.324**-0.0450.0050.034-0.043(-2.569)(-2.475)(-1.012)(-2.396)(-0.761)(0.069)(0.501)(-0.291)ROE-0.047-0.067-0.011-0.117*0.0260.0290.037-0.082(-1.134)(-1.400)(-0.266)(-1.692)(0.715)(0.764)(0.942)(-1.414)LIQ-0.027-0.026-0.0470.258**-0.250***-0.202**-0.210***-0.089(-0.263)(-0.201)(-0.415)(2.032)(-3.222)(-2.485)(-2.762)(-0.673)BOARD0.112*0.240***0.000-0.0460.089*0.116**0.121**0.036(1.793)(3.490)(0.003)(-0.746)(1.897)(2.223)(2.179)(0.397)INDEP-0.0300.044-0.068-0.161***-0.0320.000-0.020-0.059(-0.622)(0.825)(-1.097)(-3.484)(-0.810)(0.005)(-0.457)(-0.845)DOUBILE-ONE-0.108**-0.091*-0.037-0.106-0.138**-0.104*-0.075-0.204*(-2.243)(-1.905)(-0.520)(-1.268)(-2.382)(-1.798)(-1.299)(-1.833)GROWTH0.0580.0540.0540.0690.098**0.094**0.119***0.143**(1.078)(0.757)(1.215)(1.407)(2.298)(2.298)(2.606)(2.573)FirmsYesYesYesYesYesYesYesYesYearsYesYesYesYesYesYesYesYes_cons4.788***3.684***4.641***2.363***4.677***3.283***4.396***1.916***(20.852)(14.558)(16.541)(7.218)(32.261)(17.840)(23.167)(5.570)N1 0101 0101 0101 0101 0101 0101 0101 010Pseudo R20.941 60.947 00.922 00.898 80.189 80.237 50.200 80.250 4
表7 Tobit回归结果(剔除2016年样本)
Table 7 Tobit regression results with deletion of samples in 2016
变量Tobit回归totalInv1Inv2Inv3剔除2016年样本totalInv1Inv2Inv3Topic11 143.673***565.198***649.776***96.469***2.079***1.078***3.255***0.831***(5.182)(3.742)(6.975)(2.955)(9.838)(4.904)(14.400)(3.594)Topic42 148.915***1 041.961***1 235.807***195.673***4.024***2.073***6.277***1.648***(5.161)(3.656)(7.029)(3.180)(10.503)(5.177)(15.071)(3.946)Topic91 818.989***887.652***1 057.588***162.292***3.344***1.652***5.324***1.381***(4.852)(3.450)(6.681)(2.923)(9.060)(4.321)(13.490)(3.488)STAFF122.17246.30879.472**28.330**0.271***0.173***0.281***0.141(1.632)(0.890)(2.480)(2.113)(4.710)(3.705)(3.961)(1.455)SIZE110.933160.909**10.71615.8660.2180.348**0.1270.261*(1.100)(2.209)(0.253)(0.985)(1.509)(2.485)(0.917)(1.833)LEV-29.214-31.0853.210-4.3020.0300.0310.048-0.038(-0.756)(-1.159)(0.200)(-0.708)(0.700)(0.673)(0.988)(-0.764)ROE-14.596-18.0331.749-1.1580.0020.0070.010-0.021(-0.711)(-1.286)(0.204)(-0.423)(0.062)(0.296)(0.368)(-0.732)LIQ-46.355-16.213-15.3912.265-0.153***-0.115**-0.136***-0.041(-1.127)(-0.561)(-0.892)(0.370)(-3.296)(-2.479)(-3.028)(-0.882)BOARD47.82668.370***-10.394-3.0420.076*0.089**0.088*0.038(1.255)(2.630)(-0.659)(-0.573)(1.931)(2.187)(1.830)(0.652)INDEP-1.44028.958-20.250-9.769**0.0030.0290.005-0.022(-0.048)(1.426)(-1.639)(-2.455)(0.085)(1.067)(0.140)(-0.479)DOUBILE-ONE-71.071**-44.713**-17.962-5.687-0.104**-0.092**-0.075*-0.064(-2.379)(-2.130)(-1.451)(-1.322)(-2.435)(-2.225)(-1.847)(-1.590)GROWTH9.5716.2413.8503.2220.0440.0350.055**0.023(0.488)(0.451)(0.474)(1.225)(1.557)(1.470)(1.977)(0.913)FirmsYesYesYesYesYesYesYesYesYearsYesYesYesYesYesYesYesYes_cons149.9311.875114.212-0.3320.515***0.266***0.797***0.212***(0.845)(0.016)(1.563)(-0.015)(10.486)(5.080)(14.622)(3.848)N1 0101 0101 0101 010894894894894r2----0.3810.3470.4080.134Pseudo R20.102 40.104 00.111 60.194 6----
进一步,根据企业所处地理位置将企业划分为东部地区企业和中西部地区企业,研究产业政策对东、中西部企业技术创新的影响(见表8)。从中可见,新能源汽车绿色环保、基础设施建设和财政补贴政策对东、中西部企业技术创新的影响一致,均正向影响企业创新绩效。然而,相对于东部企业而言,中西部地区企业外观设计专利受到绿色环保、基础设施建设和财政补贴政策的影响更显著。这可能是由中西部地区企业自身条件造成的,中西部企业在发明专利和实用新型专利方面不具有显著优势,转而在外观设计专利上寻求突破,提高企业外观设计专利研发投入,以此展现企业高水平创新,进而享受更多政策红利。
表8 企业地区异质性检验结果
Table 8 Regional heterogeneity analysis of firms
变量 东部中西部东部中西部东部中西部东部中西部totaltotalInv1Inv1Inv2Inv2Inv3Inv3Topic12.183***1.742***1.190***0.754*3.188***3.238***0.658***0.872**(9.029)(4.797)(4.728)(1.911)(13.457)(7.408)(3.153)(2.026)Topic44.237***3.352***2.287***1.454**6.165***6.216***1.353***1.659**(9.315)(5.320)(4.850)(2.067)(13.832)(7.822)(3.450)(2.179)Topic93.480***2.751***1.820***1.0715.151***5.307***1.070***1.373*(8.077)(4.421)(4.070)(1.579)(12.421)(7.020)(2.979)(1.903)STAFF0.193***0.436**0.140***0.283*0.216***0.383*0.0450.284*(3.939)(2.639)(3.104)(1.945)(4.035)(1.988)(0.744)(1.779)SIZE0.1260.1570.240*0.3480.0040.1420.0950.283(0.858)(0.585)(1.699)(1.256)(0.033)(0.480)(0.877)(1.036)LEV0.0380.045-0.0020.0550.0370.0730.031-0.073(0.636)(0.627)(-0.026)(0.830)(0.633)(0.854)(0.586)(-0.835)ROE0.029-0.0070.032-0.0140.049**-0.000-0.028-0.019(1.127)(-0.170)(1.324)(-0.361)(2.129)(-0.000)(-0.856)(-0.450)LIQ-0.141***-0.090-0.115**-0.019-0.112**-0.121-0.069*0.082(-2.700)(-1.105)(-2.039)(-0.243)(-2.605)(-1.509)(-1.854)(1.058)BOARD0.0650.0520.093*0.0250.0650.1000.0050.042(1.340)(1.246)(1.675)(0.656)(1.422)(1.410)(0.090)(0.483)INDEP0.055*-0.0550.086***-0.0360.046-0.0300.081-0.091(1.692)(-1.124)(2.643)(-0.911)(1.336)(-0.493)(1.326)(-1.420)DOUBILEONE-0.111**-0.057-0.088**-0.056-0.073*-0.042-0.022-0.048(-2.434)(-1.152)(-2.265)(-1.081)(-1.708)(-0.797)(-0.714)(-0.988)GROWTH-0.0030.089**-0.0060.074**0.0040.100**0.0130.044(-0.137)(2.186)(-0.336)(2.291)(0.194)(2.310)(0.670)(1.023)FirmsYesYesYesYesYesYesYesYesYearsYesYesYesYesYesYesYesYes_cons0.479***0.498***0.253***0.237***0.710***0.855***0.158***0.235**(7.487)(6.605)(3.715)(2.813)(11.307)(8.496)(2.885)(2.364)N619391619391619391619391r20.3510.4320.2640.4320.4170.4220.1140.222r2_a0.3340.4070.2450.4080.4020.3970.0900.189
本文按照企业性质不同,将样本划分为国有企业组和民营企业组,研究两者之间的差异,结果见表9。从中可见,中国实行绿色环保、基础设施建设和财政补贴政策对国有企业和非国有企业3类创新均具有显著促进作用,说明中国产业政策具有普适性和公平性,对企业均能产生较好的促进作用。
表9 企业性质异质性检验结果
Table 9 Heterogeneity analysis of firm nature
变量 国企民营国企民营国企民营国企民营totaltotalInv1Inv1Inv2Inv2Inv3Inv3Topic11.808***2.313***0.810**1.334***3.349***3.270***1.039**0.758***(6.271)(8.947)(2.627)(4.915)(9.758)(11.891)(2.484)(3.117)Topic43.564***4.419***1.669***2.478***6.495***6.261***2.096***1.479***(6.971)(9.205)(3.001)(4.932)(10.412)(12.117)(2.743)(3.400)Topic92.948***3.691***1.285**2.040***5.542***5.283***1.783**1.249***(6.002)(8.178)(2.438)(4.294)(9.443)(10.936)(2.538)(3.002)STAFF0.338***0.254***0.229**0.178***0.375***0.258***0.1860.108(3.416)(4.439)(2.614)(3.184)(2.849)(4.122)(1.661)(1.214)SIZE0.268**0.2220.512***0.296*0.1490.1430.339*0.278*(2.056)(1.314)(3.498)(1.848)(0.778)(0.889)(1.916)(1.680)LEV-0.0350.028-0.0070.026-0.0490.047-0.085-0.049(-0.560)(0.475)(-0.120)(0.426)(-0.679)(0.734)(-1.132)(-0.790)ROE-0.0100.021-0.0150.0240.0080.025-0.060*-0.008(-0.487)(0.549)(-0.707)(0.671)(0.376)(0.643)(-1.897)(-0.218)LIQ-0.097*-0.170***-0.028-0.156***-0.112*-0.137**-0.010-0.046(-1.785)(-2.742)(-0.538)(-2.656)(-1.679)(-2.418)(-0.152)(-0.801)BOARD0.0460.0820.0730.0880.0610.085-0.0110.065(0.874)(1.476)(1.314)(1.650)(0.920)(1.389)(-0.133)(0.872)INDEP0.0060.0050.0100.0680.008-0.004-0.006-0.012(0.172)(0.094)(0.335)(1.616)(0.196)(-0.078)(-0.115)(-0.206)DOUBILEONE-0.020-0.149***-0.007-0.130***-0.003-0.117**-0.103**-0.045(-0.685)(-2.901)(-0.172)(-2.926)(-0.091)(-2.306)(-2.380)(-0.999)GROWTH0.117**0.0010.0720.0060.135**0.0060.122**-0.012(2.274)(0.036)(1.660)(0.367)(2.513)(0.337)(2.275)(-0.697)FirmsYesYesYesYesYesYesYesYesYearsYesYesYesYesYesYesYesYes_cons0.612***0.408***0.284***0.161*0.998***0.637***0.444***0.064(9.391)(4.141)(4.411)(1.671)(10.100)(6.133)(4.432)(0.640)N429581429581429581429581r20.4040.3760.4170.3130.4330.4030.1590.145r2_a0.3810.3590.3940.2930.4110.3860.1260.121
为检验人力资源整合能力(Employee)对产业政策与企业技术创新关系的调节作用,本文在模型1的基础上增加调节变量Employee与产业政策强度的交互项,构建如下模型:
INVN,it=α0+γ1Topic1i,t-1+γ2Topic4i,t-1+γ3Topic9i,t-1+γ4Employeei,t+γ6Topic1i,t-1×Employeei,t+γ7Topic4i,t-1×Employeei,t+γ8Topic9i,t-1×Employeei,t+γ9controlit+Firmi+Yearst+εit
(2)
模型(2)中Employeei,t代表第t时期第i家公司的人力资源整合能力,因为政策具有一定滞后性,因此通过计算政策和Employee滞后一期交互项验证调节效应,结果见表10。由表10可知,人力资源整合能力与绿色环保、基础设施建设和财政补贴政策交互项系数均为正,且在5%和10%显著性水平上显著,因此本文认为人力资源整合能力在绿色环保、基础设施建设和财政补贴政策对企业技术创新的正向影响之间发挥调节作用,假设H2、H2a、H2b、H2c得到验证。这说明,企业人力资源整合能力在产业政策影响企业技术创新过程中发挥调节作用,企业需要努力提高人力资源整合能力。
表10 人力资源对产业政策与企业技术创新的调节效应检验结果
Table 10 Test results of the moderating effect of human resources on industrial policy and technological innovation of enterprises
变量 (1)(2)(3)(4)totalInv1Inv2Inv3Topic11.586***0.725***2.663***0.665***(10.465)(4.210)(15.358)(3.718)Topic43.157***1.451***5.239***1.373***(11.329)(4.574)(16.193)(4.217)Topic91.551***0.451*3.149***0.732***(7.208)(1.895)(12.837)(3.025)Employee1.557*0.981*1.4021.084(1.884)(1.712)(1.554)(1.300)t0.327*0.218**0.092**0.379**(1.944)(2.216)(2.356)(2.293)t0.210**0.090**0.139*0.155*(2.141)(2.459)(1.945)(1.989)t0.414**0.144**0.252**0.486*(2.717)(2.295)(2.346)(1.994)STAFF0.1450.1760.1370.122(1.189)(1.407)(1.145)(1.316)SIZE0.477***0.442**0.389**0.390**(2.781)(2.175)(2.356)(2.488)LEV0.147***0.133**0.158***0.026(3.086)(2.370)(2.952)(0.619)ROE0.0340.044**0.037*-0.017(1.611)(2.264)(1.688)(-0.649)LIQ-0.089-0.106-0.0530.040(-1.443)(-1.458)(-0.941)(0.763)BOARD0.068*0.110**0.080*-0.013(1.780)(2.468)(1.940)(-0.255)INDEP-0.0130.039-0.009-0.029(-0.447)(1.361)(-0.287)(-0.602)DOUBILEONE-0.018-0.005-0.015-0.012(-0.851)(-0.160)(-0.591)(-0.336)GROWTH0.064**0.051*0.074**0.029(2.122)(1.937)(2.485)(0.857)FirmsYesYesYesYesYearsYesYesYesYes_cons-0.543***-0.395***-0.435**-0.294*(-3.480)(-3.644)(-2.488)(-1.799)N751751751751r20.4030.2890.4790.111r2_a0.3870.2710.4660.088
本文运用python和LDA模型量化政策文本,计算主题强度,以2012—2020年中国新能源汽车企业为研究对象,探究中国产业政策对新能源汽车企业技术创新的影响,得出以下结论:第一,当前中国新能源汽车产业政策以绿色环保、基础设施建设和财政补贴为主,且财政补贴政策强度自2016年开始逐渐下降,2020年虽有反弹但下降趋势未发生改变,中国新能源汽车财政补贴力度逐步下降,基础设施和绿色环保政策力度不断加大。第二,绿色环保、基础设施建设和财政补贴正向影响企业发明专利、实用新型专利和外观设计专利数量,且不受企业地理位置和企业性质的差异性影响,说明中国新能源产业政策对新能源汽车企业技术创新具有促进作用。进一步分析发现,在3类产业政策主题中,基础设施建设对企业技术创新的作用最强。第三,通过机制分析发现,人力资源整合能力在绿色环保、基础设施建设和财政补贴政策影响企业技术创新的过程中发挥调节作用,正向调节产业政策对企业技术创新的影响。
(1)拓宽产业政策研究视角。以往文献对产业政策影响企业技术创新的研究多集中于单一政策视角,忽视了产业政策整体性特点[37]。实际上,产业政策多通过发挥联合作用产生影响,因此独立评估某一产业政策的有效性可能存在偏差。本文利用文本分析工具对产业政策进行科学评估,有利于拓展现有研究视角。
(2)丰富产业政策评估方法。以往文献在评估产业政策时常使用两种方法,一是以政府补贴资金表征财政补贴政策[38],以排污费表征柔性产业政策[17];二是构建对照试验,利用双重差分模型进行检验。但两种方式忽视了政策出台和政策实施效果之间的差异,会对政策稳健性造成不良影响[39]。本文结合大数据处理方法可弥补上述不足,丰富产业政策评估方法。
(3)补充人力资源研究文献。现有研究多将人力资源视为一种静态资源,本文将人力资源整合能力作为衡量动态人力资源的指标,对现有文献作出补充,有利于丰富人力资源管理研究。
根据上述研究结论,本文提出如下政策建议:
(1)加大基础设施建设政策支持力度,大力推广新能源汽车基础设施建设,如充电桩、停车场,蓄电池等。研究发现,基础设施建设政策在3类重要主题政策中对企业技术创新的综合影响力最强,对企业发明专利的促进作用高于其余两类政策主题,因此现阶段基础设施建设政策对中国新能源汽车企业尤为重要,能够帮助其更快地实现技术突破。
(2)调整产业政策方向,对中西部地区实施政策倾斜。研究发现,中西部地区新能源汽车企业技术创新虽受到产业政策的正向促进作用,但主要体现在外观设计专利和实用新型专利上,而发明专利增加数量明显少于此二类。因此,为保证产业和地区发展平衡,政策制定部门应适当倾斜产业政策。
(3)提高企业人力资源整合能力,开展广泛的技能培训与交叉培训,采取项目团队考核激励机制。此外,企业技术创新主体主要为研发人员和技术型员工,因此企业应调整公司薪酬激励政策,使其向研发人员和技术型员工倾斜;同时,还应实施鼓励创新的激励机制,激发员工创新活力。
本文存在以下不足:第一,受样本数据限制,仅选取中国A股主板上市新能源汽车企业,未来应关注中国创业板、科创板上市企业或未上市的中小企业。第二,仅探讨中国新能源产业政策对新能源汽车企业技术创新的影响,由于世界各国新能源汽车发展阶段不同,采取的产业政策也不同,未来应关注国内外产业政策差异,加强对比研究。
[1] YUAN X, LIU X, ZUO J. The development of new energy vehicles for a sustainable future: a review[J]. Renewable and Sustainable Energy Reviews, 2015, 42: 298-305.
[2] 高伟, 胡潇月. 新能源汽车政策效应: 规模抑或创新中介[J]. 科研管理, 2020, 41(4): 32-44.
[3] LI H, QI H, CAO H, et al. Industrial policy and technological innovation of new energy vehicle industry in China[J]. Energies, 2022, 15(24): 9264.
[4] 滕莉莉, 苏杭, 覃莹莹. 政府研发补贴对高新技术企业创新效率的影响——基于异质性的门槛效应分析[J]. 财政与科技创新, 2023, 85(1): 118-135.
[5] GONZALEZ X, PAZO C. Do public subsidies stimulate private R&D spending[J]. Research Policy, 2008, 37(3): 371-389.
[6] 曹玉珊, 陈哲. 员工持股计划与企业持续创新——基于人力资本结构升级视角[J]. 统计与决策, 2024,40(3): 179-183.
[7] 董亚娟, 胡星生, 季正. 环境约束下人力资本对绿色经济绩效的影响分析[J]. 统计与管理, 2017,32(5): 54-58.
[8] BARRO R J, LEE J. International data on educational attainment: updates and implications[J]. Oxford Economic Papers, 2001, 53(3): 541-563.
[9] 佟锐, 高旭, 王伟青. 人力资本对高新技术产业创新能力的作用[J]. 经济研究导刊, 2008,4(16): 160-161.
[10] GALLIE E P, LEGROS D. Firms′ human capital, R&D and innovation: a study on French firms[J]. Empirical Economics, 2012, 43(2): 581-596.
[11] BANERJEE R, ROY S S. Human capital, technological progress and trade: what explains India′s long run growth[J]. Journal of Asian Economics, 2014, 30: 15-31.
[12] ROMER P M. Endogenous technological change[J]. Journal of Political Economy, 1990, 98(5):71-102.
[13] 吴宇晖, 付淳宇. 分级教育、人力资本与区域经济增长[J]. 社会科学辑刊, 2014,3(3): 88-94.
[14] 彭国华. 我国地区全要素生产率与人力资本构成[J]. 中国工业经济, 2007,25(2): 52-59.
[15] KRUEGER D, KUMAR K B. Skill-specific rather than general education: a reason for us-europe growth differences[J]. Journal of Economic Growth, 2004, 9(2): 167-207.
[16] 周银香, 高珊珊, 田婧茹, 等. 中国新能源汽车产业政策工具动态变迁与效能评价研究[J]. 工业技术经济, 2023, 42(3): 13-23.
[17] MUNZEL C, PLOTZ P, SPREI F, et al. How large is the effect of financial incentives on electric vehicle sales——a global review and European analysis[J]. Energy Economics, 2019, 84: 104493.
[18] ALBRIZIO S, KOZLUK T, ZIPPERER V. Environmental policies and productivity growth: evidence across industries and firms[J]. Journal of Environmental Economics and Management, 2017, 81: 209-226.
[19] YUAN B,ZHANG Y.Flexible environmental policy, technological innovation and sustainable development of China′s industry: the moderating effect of environment regulatory enforcement[J]. Journal of Cleaner Production, 2020, 243: 118543.
[20] 宋建, 包辰. 税收优惠政策能否激励中国企业创新——基于创新链视角的探究[J]. 南京审计大学学报, 2023, 20(1): 60-67.
[21] 赵伟, 谢宗棠. 企业创新的“量”与“质”对企业财务绩效的 影响研究——基于知识产权保护的调节与门槛效应[J]. 当代经济, 2023, 40(2): 101-110.
[22] 杨兴全, 张可欣. 公平竞争审查制度能否促进企业创新——基于规制行政垄断的视角[J]. 财经研究, 2023, 49(1): 63-78.
[23] 舒利敏, 廖菁华, 谢振. 绿色信贷政策与企业绿色创新——基于绿色产业视角的经验证据[J]. 金融经济学研究, 2023, 38(2): 144-160.
[24] ZHU Z, TAN Y. Can green industrial policy promote green innovation in heavily polluting enterprises? evidence from China[J]. Economic Analysis and Policy, 2022, 74: 59-75.
[25] JIANG Z, XU C. Policy incentives, government subsidies, and technological innovation in new energy vehicle enterprises:evidence from China[J]. Energy Policy, 2023, 177: 113527.
[26] LIU D, CHEN T, LIU X, et al. Do more subsidies promote greater innovation? evidence from the Chinese electronic manufacturing industry[J]. Economic Modelling, 2019, 80: 441-452.
[27] LI X, WANG M, CHI J, et al. Policy effects and suggestions on green technology innovation of marine enterprises in China[J]. Journal of Coastal Research, 2020, 110(SI): 76-79.
[28] 韩斌, 冯筱伟, 苏屹, 等. 中国新能源汽车上市公司创新效率测度及影响因素研究——基于三阶段 DEA 与 Tobit面板模型[J]. 科技进步与对策, 2023, 40(6): 110-120.
[29] 王亚男, 戴文涛. 内部控制抑制还是促进企业创新——中国的逻辑[J]. 审计与经济研究, 2019, 34(6): 19-32.
[30] 贾洪文, 程星. 政府税收优惠对企业创新的影响研究——基于融资约束视角[J]. 税务与经济, 2022,44(4): 10-18.
[31] 姜国华, 饶品贵. 宏观经济政策与微观企业行为——拓展会计与财务研究新领域[J]. 会计研究, 2011,32 (3): 9-18,94.
[32] 晏艳阳, 王娟. 产业政策如何促进企业创新效率提升——对“五年规划”实施效果的一项评价[J]. 产经评论, 2018, 9(3): 57-74.
[33] 凌士显, 凌鸿程, 姬梦佳. 数字技术集中度与企业创新:倒U型关系及转变[J]. 科技进步与对策, 2024,41(2):79-89.
[34] 张燕, 邓峰. 产业政策与微观企业行为研究综述[J]. 财会月刊, 2021,42(15): 107-116.
[35] 刘微, 王慧, 雷蕾, 等. 北京市科技金融政策供需匹配研究——基于 LDA 政策文本计量方法[J]. 经济问题, 2023, 45(1): 52-60.
[36] 曹晨, 张卫国, 黄俊. 职场辱虐管理如何影响第三方情绪和行为——基于文本挖掘以及LDA主题模型的大数据分析[J]. 海南大学学报(人文社会科学版), 2022, 40(2): 137-147.
[37] BUSOM I, CORCHUELO B, MART
NEZ-ROS E. Participation inertia in R&D tax incentive and subsidy programs[J]. Small Business Economics, 2017, 48(1): 153-177.
[38] 齐殿伟, 彭晓雪, 张文公. 政府补贴与税收优惠对企业创新效率的影响研究——基于门槛模型[J]. 财税研究, 2023,44(12): 106-113.
[39] 韩超, 孙晓琳, 肖兴志. 产业政策实施下的补贴与投资行为:不同类型政策是否存在影响差异[J]. 经济科学, 2016, 45(4): 30-42.