How Corporate Innovation Impacts Total Factor Productivity: A Perspective Based on Breadth of Innovation and Depth of Innovation

Hai Benlu, Ma Ang

(Business School, Henan Normal University, Xinxiang 453007, China)

Abstract：In recent years, as China transitions from a phase of high-speed economic growth to a stage of high-quality development, enhancing total factor productivity (TFP) has emerged as a critical lever for fostering sustainable economic progress. Amidst this backdrop, corporate innovation stands out as a pivotal engine driving productivity enhancements and long-term economic growth. Solow (1956) underscored the significance of TFP in economic advancement, sparking widespread exploration into the underpinnings of productivity growth. Drawing upon a rich tapestry of research that delves into various facets of corporate heterogeneity, including R&D investments, workforce demographics, and industry characteristics, this study aims to scrutinize the intricate mechanisms by which corporate innovation influences TFP. Specifically, it ventures beyond conventional linear perspectives, adopting a novel lens focused on the dimensions of innovation's breadth and depth, thereby providing a robust theoretical foundation for policy formulation and implementation.

This study harnesses a dataset comprising A-share listed companies in China spanning from 2003 to 2021. By meticulously curating a sample reflective of the broader economic landscape, this investigation offers a comprehensive overview of the nexus between corporate innovation and TFP within the Chinese context. The study employs a multi-dimensional approach to quantify corporate innovation, distinguishing between innovation's breadth and depth. The breadth of innovation, indicative of the diversity and cross-disciplinary nature of a firm's innovative endeavors, reflects the firm's ability to engage in innovation across various technological domains. Conversely, the depth of innovation encapsulates the intensity and commitment of a firm towards innovation, signifying concentrated efforts in core technological advancements and improvements in production processes. Utilizing sophisticated statistical techniques, including regression analysis and robustness checks, the study evaluates the impact of these innovation dimensions on TFP. The analytical framework is further enriched by exploring the moderating effects of ownership structure, technological intensity, marketization level, and intellectual property rights protection on the innovation-TFP relationship. The investigation uncovers an inverted U-shaped relationship between the breadth of innovation and TFP, suggesting that while diversifying innovation across different technological fields initially boosts TFP, beyond a certain threshold, it may lead to diminishing returns. In stark contrast, the depth of innovation demonstrates a consistently positive influence on TFP, underscoring the importance of concentrated innovation efforts. Furthermore, the study reveals nuanced insights into how non-state-owned corporates, compared to their state-owned counterparts, and high-tech firms, relative to lower-tech firms, exhibit distinct patterns in how innovation's breadth and depth affect TFP. These findings highlight the complexity of the innovation-productivity paradigm, influenced by corporate characteristics and the external economic environment. The research also illuminates the critical roles of marketization and intellectual property rights protection. In regions with higher levels of marketization and stronger intellectual property protection, the positive effects of innovation depth on TFP are accentuated, thereby reinforcing the argument for fostering conducive economic and legal conditions for innovation.

This study introduces an innovative lens for assessing corporate innovation, emphasizing the dual dimensions of innovation's breadth and depth. By unraveling the intricate dynamics between different facets of innovation and TFP, it extends the existing literature and offers new pathways for theoretical exploration. Moreover, the findings bear significant implications for policymakers and business leaders, advocating for targeted strategies to cultivate an ecosystem that nurtures innovation and drives productivity growth. In conclusion, this research sheds light on the multifaceted relationship between corporate innovation and TFP, contributing valuable insights into the drivers of high-quality economic development. By advocating for nuanced policies that recognize the complexity of innovation activities, this study underscores the imperative of fostering a supportive environment for innovation, tailored to the diverse needs of corporates across different sectors and developmental stages. In the following research, the sample could be expanded and the specific reasons for the formation of the inverted U-shaped relationship between firms' breadth of innovation and total factor productivity could be further explored, along with further exploration of how to optimize the depth of innovation in order to maximize its positive impact on productivity.

Key Words：Corporate Innovation; Breadth of Innovation; Depth of Innovation; Total Factor Productivity

DOI：10.6049/kjjbydc.2023110877

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(2025)04-0078-12

收稿日期：2023-11-30

修回日期：2024-01-12

基金项目：国家社会科学基金重点项目(18AGL005);河南省高等学校哲学社会科学创新团队项目(2022-CXTD-03);河南省软科学研究重点项目(232400411026)

作者简介：海本禄(1982-),男,河南新乡人,博士,河南师范大学商学院副院长、教授、博士生导师,河南师范大学“平原学者”拔尖人才,研究方向为技术经济与创新管理;马昂(1999-),男,河南禹州人,河南师范大学商学院硕士研究生,研究方向为技术经济与创新管理。

0 引言

当前,我国经济已由高速增长阶段转向高质量发展阶段。在此背景下,提高全要素生产率能够促进经济高质量发展[1]。Solow(1956)对全要素生产率进行了界定,并将全要素生产率作为影响经济增长的决定性因素。自此,学者们开始广泛探索全要素生产率背后的驱动机制[2]。基于企业异质性视角,现有相关研究探讨企业研发投入、企业员工年龄[3]、行业类型[4]、高管薪酬差距[5]、产权性质[5]等因素对全要素生产率的差异化影响。值得注意的是,学者们普遍认为,创新是企业生产率提高和长期经济增长的内在驱动力[6]。

现有研究普遍认为,企业创新对全要素生产率具有显著促进作用[7-8]。研发创新能否必然引起企业全要素生产率提高?这是值得关注的问题。同时,研发投入过多或资源分配不当可能对企业创新产生负向影响[9]。现有研究大多基于线性视角展开,研究视角单一,无法充分揭示企业创新与全要素生产率的关系。企业创新是一个复杂的过程,不仅需要关注创新投入数量问题,而且不能忽视因创新资源分配带来的创新效益问题。为揭示企业创新过程,需要从创新广度与创新深度两个维度探讨企业创新过程。具体来说,创新广度反映企业在不同技术领域的创新程度,能够体现企业创新的多样性与跨界性。通过多个技术领域创新,企业能够更好地满足市场需求,进而提高效率和效益。创新深度反映企业在创新方面的投入程度与强度。创新深度涉及核心技术开发和应用、生产过程优化以及组织管理等方面的创新,对于提高企业全要素生产率至关重要。因此,从创新广度与创新深度两个视角刻画企业创新活动,能够进一步揭示企业创新对企业全要素生产率的影响机制。

本文利用2003—2021年A股上市公司样本数据,从创新广度与创新深度两个维度揭示企业创新活动,深入探讨企业创新活动对全要素生产率的影响机制。本文的贡献如下:一是从创新广度和创新深度两个维度刻画企业创新水平,为创新活动评价与管理提供新视角和新方法;二是从创新广度和创新深度两个维度出发,全面分析企业创新活动对全要素生产率的影响机制;三是对不同市场化程度和不同知识产权保护水平的调节效应进行分析,为相关政策制定提供理论参考。

1 文献综述

企业创新活动有助于提高生产率,促进产品结构升级,推动自身高质量发展。关于创新与全要素生产率的关系,现有研究表明,企业创新对全要素生产率具有积极影响。例如,König等(2022)发现,研发投入对中国全要素生产率增长作出了重大贡献。这一结论在其它地区也得到了证实[10-12]。然而,少数研究发现,创新投资不仅未能促进全要素生产率增长,反而会对全要素生产率产生负面影响。此外,部分研究认为,企业创新与全要素生产率并不是简单的线性关系[13]。部分研究发现,研发投入对企业全要素生产率的促进作用具有滞后性[14]。

现有相关研究存在以下不足:第一,不同条件下企业创新对全要素生产率的影响可能不同。现有研究大多从投入、产出视角测度创新,而忽视了创新广度与创新深度的作用。第二,现有研究大多基于线性视角探究企业创新活动对全要素生产率的影响,无法揭示创新活动产生的经济效益。第三,现有相关研究存在指数测算不完整、样本代表性不足等问题,可能无法充分解释企业创新与全要素生产率的关系。在此基础上,本文从创新广度和创新深度两个维度刻画企业创新水平,深入探讨企业创新对全要素生产率的影响机制。

2 研究假设

2.1 创新广度与企业全要素生产率

基于环境动荡性,企业需要拓展不同技术领域,从而获取持续竞争优势。企业通过加强不同技术领域探索提高自身技术水平与市场竞争力[15],从而提高生产效率。一方面,企业通过提升创新广度增加自身知识和技术储备,进而掌握更多技术组合和创新机会。同时,企业涉及的技术领域愈发广泛,创新溢出效应促使企业科技知识存量增加。企业通过加速引进知识吸收实现技术本土化[16],从而提高生产过程中的要素利用效率[17]。另一方面,企业通过提升创新广度拓展市场范围、丰富产品种类,进而满足不同消费者需求,提高产品质量和附加值[18]。同时,创新广度能够反映企业创新资源配置情况,合理的资源配置能够促进企业全要素生产率提升[19]。 然而,当创新广度超过一定水平时,企业成本和风险增加,导致其生产效率降低。一方面,创新广度提升需要企业投入更多资源和时间,由此导致企业面临更高的融资约束与机会成本[16];另一方面,过高的创新广度意味着企业在不同技术领域专注度下降,因而难以形成核心竞争力与持续优势。综上,本文提出以下假设:

H1:创新广度对企业全要素生产率具有倒U型影响。

2.2 创新深度与企业全要素生产率

内生技术创新是经济持续增长的保障,是推动全要素生产率持续提高的关键[20]。企业通过创新活动降低生产成本、开发产品,从而提升产品质量。创新活动是推动技术进步和企业绩效增长的主要驱动力[21]。研发创新投入增加有助于企业取得重大理论突破,随之而来的积累效应能够促进企业技术水平提升[22-23],进而推动全要素生产率提高[18]。某些情况下,过高的创新深度可能抑制企业全要素生产率提升。随着企业创新深度不断增加,规模经济与学习效应能够推动企业技术朝某一既定方向强化,企业原有行为会因为惯性持续,进而被锁定在低效或无效状态不能自拔,直至实现路径突破。此外,过高的创新深度可能要求企业频繁发布迭代产品,导致产品质量不稳定,无法维护良好的客户关系。同时,过高的创新深度可能促使企业过于注重技术与产品创新,忽略市场真实需求,导致企业产品或服务无法满足消费者需求,进而抑制企业全要素生产率提升。综上,本文提出以下假设:

H2:创新深度对企业全要素生产率具有倒U型影响。

3 实证研究设计

3.1 样本数据

本文选取2003—2021年A股上市公司作为样本。其中,专利数据来自CNRDS数据库,其余数据来自CSMAR数据库。此外,本文对初始样本进行如下处理:第一,剔除ST类公司样本;第二,剔除金融行业样本;第三,剔除IPO未满一年的企业样本;第四,剔除总资产小于总负债的企业样本。为避免极端值的影响,本文对连续型变量进行1%和99%水平的缩尾处理。最后,经整理得到27 638个公司—年度样本观测值。

3.2 变量定义

3.2.1 被解释变量

本文被解释变量为企业全要素生产率。现有企业全要素生产测度方法较多[24],其中,OP法(Olley and Pakes,1996)和LP法(Levinsohn and Petrin,2003)可缓解传统方法导致的内生性问题。同时,OP方法需要满足投资大于0且投资单调增加这一前提,因而导致部分样本丢失。相较之下,以中间投入作为工具变量的LP方法更加灵活。本文采用LP法估算企业全要素生产率,同时采用OP方法和GMM方法估算的全要素生产率作为稳健性检验的替代变量。

3.2.2 解释变量

一般而言,现有研究使用专利申请数量作为衡量企业创新水平的代理指标。然而,单纯依靠专利计数无法区分技术重要性与创新重要性[25],由于策略性创新和“创新泡沫”的存在,专利数量无法真实反映企业创新水平。因此,本文利用CSMAR数据库中的财务数据和CNRDS数据库中的中国上市公司专利信息,构建创新广度与创新深度两个指标,以此度量企业创新水平。

(1)创新广度。借鉴张杰和郑文平[26]的研究成果,本文利用企业专利IPC分类号数据计算知识宽度,根据企业专利信息构建创新广度水平指数,具体公式如下:

BOI=1-∑α2

(1)

其中,a表示IPC分类号中大组分类所占比重。同时,综合数据可获得性、完整性以及科学性,本文选取截至2021年的专利数据进行计算。此外,外观设计专利的IPC分类号与其余两类专利不同,无法利用现有公式测算外观设计专利质量[26]。因此,本文仅对发明专利和实用新型专利进行测算。

(2)创新深度。本文利用主成分分析法(PCA),以企业研发投入、研发人员数量和当年专利申请量和获得量为基础构建综合指标,以此衡量创新深度。因指标构建涉及的4个指标部分缺失,为确保指标构建的合理性,本文采用4个指标均存在的样本进行测算。

3.2.3 控制变量

为了确保结论的稳健性,本文选取一系列控制变量,具体如下:现金资产比率(Cash)、股权制衡度(Top10)、财务杠杆(Lev)、流动资产比率(CR)、产权性质(Soe)、在职员工人数(Employee)、企业年龄(Age)和企业规模(Size)。同时,本文控制了时间、行业和省份固定效应。上述主要变量定义如表1所示。

3.3 描述性统计

本文主要变量描述性统计结果如表2所示。由表2可知,基于LP法、OP法和GMM法计算的企业全要素生产率(TFP)平均值与中位数相近,表明样本企业全要素生产率(TFP)大致呈现正态分布,标准差分别为1.085、0.938和0.904,最大值和最小值间的差距较小,代表样本全要素生产率(TFP)变化范围较小。核心解释变量创新广度(BOI)的平均值为0.286,中位数为0.273,标准差为0.092,最大值(0.668)与最小值(0)间的差距较小,数据整体分布较为集中,差异较小。由此说明,样本企业间创新广度差异较小。创新深度(DOI)的平均值为2.306,中位数为2.144,标准差为0.914,最大值(9.182)与最小值(0.721)间的差距比创新广度(BOI)大。由此说明,相较于创新广度,样本企业间创新深度差异更为显著。

本文使用Pearson相关系数对模型中各变量进行相关性分析,结果如表3所示。同时,方差膨胀因子检验结果显示,各变量平均VIF值为1.400,且各变量VIF值均不超过10。因此,本文相关变量间不存在多重共线性问题。

3.4 模型构建

首先,考虑到创新活动的滞后效应,基于现有研究结果[27],本文将创新广度(BOI)和创新深度(DOI)分别滞后两期。同时,为了检验企业创新与全要素生产率的倒U型关系,本文将解释变量的一次项和二次项依次代入模型,构建以下模型:

TFPi,t=α0+α1BOIi,t-2+∑Con+∑Year+∑Ind+∑Province+εi,t

(2)

TFPi,t=β0+β1DOIi,t-2+∑Con+∑Year+∑Ind+∑Province+εi,t

(3)

TFPi,t=α0+α1BOIi,t-2+α2BOIi,t-22+∑Con+∑Year+∑Ind+∑Province+εi,t

(4)

TFPi,t=β0+β1DOIi,t-2+β2DOIi,t-22+∑Con+∑Year+∑Ind+∑Province+εi,t

(5)

其中,i表示企业,t表示年度,TFPi,t表示企业i第t年全要素生产率,BOIi,t-2表示滞后两期创新广度,DOIi,t-2表示滞后两期创新深度。Con表示控制变量集合,Year、Ind、Province表示年度、行业和省份层面的固定效应。同时,考虑到随机扰动项的异方差和序列相关,本文对标准误进行企业层面的聚类处理。

4 实证结果与分析

4.1 基准回归检验

表4为本文基准回归结果。模型(1)和模型(2)显示,滞后两期创新广度(L2.BOI)、创新深度(L2.DOI)对企业全要素生产率具有显著正向影响(α1=0.182,p<0.1;β1=0.272,p<0.01),这一结果印证了现有研究中关于创新滞后效应的观点。模型(3)显示,L2.BOI的回归系数为2.702(p<0.01),二次项L2.BOI2的回归系数为-4.055(p<0.01),R2由模型(1)的0.472提升至0.474;模型(4)显示,L2.DOI的回归系数为0.456(p<0.01),二次项L2.BOI2的回归系数为-0.025(p<0.01),R2由模型(2)的0.519提升至0.521。以上结果表明,创新广度、创新深度与企业全要素生产率呈倒U型关系。

根据Haans(2016)的研究成果,本文使用U-test命令对模型(3)(4)进行进一步检验。模型(3)显示,创新广度对企业全要素生产率呈现先正向(2.702,p<0.01)后负向(-2.878,p<0.01)的影响。极值点为0.333,在自变量取值范围内,且位于95%Fieller区间[0.308,0.360],拒绝原假设。模型(4)显示,L2.DOI的极值点(9.291)不在L2.DOI的取值范围内,因而创新深度与企业全要素生产率的倒U型关系不成立。

针对模型(4),基于传统方法的检验结果与U-test检验结果冲突问题,本文结合两种方法原理,倾向于接受U-test检验结果。同时,为了揭示创新广度、创新深度与企业全要素生产率的关系,本文绘制创新广度、创新深度对企业全要素生产率的平均边际效应变化图(见图1)。图1结果与U-test检验结果相符。综上,本文假设H1得到支持,拒绝假设H2。因此,创新广度对企业全要素生产率具有倒U型影响,创新深度对企业全要素生产率具有显著正向影响。虽然基准回归结果并未直接支持创新深度与企业全要素生产率的倒U型关系,但创新深度对企业全要素生产率的显著正向影响值得进一步思考。这意味着创新深度对企业全要素生产率的影响是单调的,尽管过高的创新深度可能会带来一系列负面影响,但高水平创新深度情景下,创新深度增加仍能促进企业全要素生产率提升。

4.2 稳健性检验

(1)本文采取倾向得分匹配法(PSM)进行稳健性检验,具体操作如下:针对企业创新广度与全要素生产率间的倒U型关系,将倒U型曲线拐点右侧企业设为实验组,并将其与拐点左侧企业进行1∶8匹配;针对企业创新深度对全要素生产率的正向影响,以企业创新深度均值为界限,将均值右侧企业设为实验组,并将其与均值左侧企业进行1∶8匹配。同时,将所有控制变量作为协变量进行倾向得分之差不超过0.01%的卡尺匹配,对通过均衡性检验的样本再次进行回归,回归结果与基准回归结果具有较高的一致性,如表5所示。

(2)本文采用替换变量的方法进行稳健性检验。首先,将基于OP和GMM法计算的企业全要素生产率作为被解释变量代入模型,检验结果与基准回归相符,如表5所示。其次,本文使用创新广度和创新深度滞后3期替换模型中原有创新广度和创新深度滞后两期,回归结果与基准回归结果保持一致,如表5所示。

综上,本文模型结果具有稳健性。

4.3 异质性检验

为检验不同产权性质样本企业的异质性影响,本文根据产权性质将样本企业分为国有企业(Soe=1)和非国有企业(Soe=0),分组依次检验模型(2)和模型(3)。表6显示,无论是国有企业还是非国有企业,创新广度对企业全要素生产率的倒U型影响,以及创新深度对企业全要素生产率的正向影响均显著,U-test检验结果与基准回归无异。同时,本文使用Bootstrap1 000次检验组间系数差异的显著性,报告于表6中的经验P值。结果显示,滞后两期创新广度的二次项(L2.BOI2)组间系数差异经验P值为0.140,表明在国有企业组和非国有企业组中,创新广度对企业全要素生产率的倒U型影响差异不显著。滞后两期创新深度(L2.DOI)组间系数差异经验P值为0.045,表明相较于国有企业,非国有企业创新深度对全要素生产率的正向影响更显著。具体来说,国有企业、非国有企业在所有权性质、创新意愿与能力、组织文化和激励机制等方面存在显著差异。由于受政府管理和干预,国有企业创新行为受限,这会影响其创新意愿和能力,进而影响其创新投入。相较于国有企业,非国有企业更具灵活性和市场导向性,面临更激烈的市场竞争和更大的经济压力,倾向于积极寻求创新机会并将其转化为商业价值。同时,非国有企业组织文化与激励机制更加市场化,鼓励员工积极创新,进而提升创新广度和深度以及全要素生产率。

同时,技术水平是影响企业创新效益的重要因素。为了检验企业技术水平的异质性影响,借鉴现有研究成果[28],本文根据中国证监会《上市企业行业分类指引》(2012)将样本分为高技术企业和非高技术企业,回归结果如表6所示。结果表明,无论是高技术企业还是非高技术企业,创新广度对企业全要素生产率的倒U型影响,以及创新深度对企业全要素生产率的正向影响均显著。组间系数差异结果表明,创新广度对全要素生产率的倒U型影响在高技术企业与非高技术企业存在显著差异(p=0.000)。由此说明,对于高技术企业而言,创新广度与企业全要素生产率的倒U型关系曲线更陡峭。结合图2可知,相较于低技术企业,高技术企业创新广度对全要素生产率的影响曲线呈现峰值降低、拐点左移的特点。需要指出的是,创新深度对企业全要素生产率的正向影响组间系数差异不显著(p=0.110),因而不能认为两组样本间存在区别。具体来说,高技术企业、非高技术企业在技术要求、市场竞争和创新方向上存在显著差异。相较于非高技术企业,高技术企业通常属于技术密集型产业,需要通过高水平技术创新和研发投入获得竞争优势。同时,高技术企业对创新广度更加敏感,其“门槛”更高。相较于高技术企业,非高技术企业可能处于较少竞争的市场或具有一定的市场地位,会通过积极探索不同技术领域生产差异化产品以满足不同消费者需求,从而提升自身市场份额。同时,非高技术企业更加注重不同技术领域创新成果转化与应用,通过提升创新广度所产生的经济效益也更加显著。

5 进一步研究

5.1 市场化水平

企业创新与全要素生产率的关系可能受不同市场化水平的影响,具体取决于地区经济环境、市场开放程度、法律和政策环境、市场规模以及需求水平等因素。现有研究表明,市场化水平提升可以促进企业研发投入水平、研发强度和研发效率提升[29]。因此,在探讨企业创新与全要素生产率的关系时,需要考虑市场化水平的影响,以便制定针对性政策。基于现有研究成果(解学梅,朱琪玮,2021),本文构建省级市场化水平指数,以年度中位数为界限将高于年度市场化水平中位数的地区归为高市场化水平地区,将低于年度市场化水平中位数的地区归为低市场化水平地区,并依据地区分组将样本划分为高市场化水平地区企业样本组与低市场化水平地区企业样本组,回归结果如表7所示。结果表明,无论是高市场化水平还是低市场化水平,创新广度对企业全要素生产率的倒U型影响,以及创新深度对企业全要素生产率的正向影响均显著。组间系数差异显著性检验结果表明,创新广度对企业全要素生产率的倒U型影响在两组间并无显著区别(p=0.359);创新深度对企业全要素生产率的正向影响组间差异在10%水平上显著(p=0.061),意味着高市场化水平地区创新深度对企业全要素生产率的正向影响更显著。具体来说,相较于低市场化水平地区,高市场化水平地区拥有更健全的市场机制和更高效的资源配置,企业更易获取资本和技术支持,进而提升创新能力和动力。此外,高市场化水平地区通常具有较多产业集聚,即相关产业间互动和合作更紧密。产业集聚效应能够促进知识传播,加快创新速度,进而对全要素生产率产生显著影响。高市场化水平地区通常具有完善的法律和政策环境,能够为创新活动提供保护和激励,降低创新风险,吸引更多创新投资,推动企业提升创新深度,从而进一步提升企业创新能力和全要素生产率。最后,高市场化水平地区通常具有较大的市场规模和较高的需求水平,可以为企业提供更多市场机会,助力企业开展更多创新研发活动,以满足消费者需求。同时,高市场需求水平意味着更多销售机会和利润回报,能够进一步激励企业开展创新活动,进而提高全要素生产率。

5.2 知识产权保护水平

知识产权保护是影响企业创新活动和创新效益的重要因素,能够激励企业创新投入,提高创新效率,促进创新成果转化与利用,进而加快产业结构转型和数字化转型进程。知识产权保护不仅可以影响企业创新动力和能力,而且能够影响企业创新方向和范围。知识产权保护水平可能调节创新与企业全要素生产率的关系。为进一步检验知识产权保护水平对创新与企业全要素生产率关系的调节作用,参考现有研究成果[30],本文使用技术市场交易额与GDP的比值衡量区域知识产权保护综合水平,依据年度中位数将区域划分为高知识产权保护水平地区和低知识产权保护水平地区,并依据地区分类将样本企业划分为高知识产权保护水平地区企业样本组和低知识产权保护水平地区企业样本组,回归结果如表8所示。结果表明,无论是高知识产权保护水平还是低知识产权保护水平,创新广度对企业全要素生产率的倒U型影响,以及创新深度对企业全要素生产率的正向影响均显著。组间系数差异显著性检验结果表明,创新广度对企业全要素生产率的倒U型影响组间差异显著(p=0.016);创新深度对企业全要素生产率的正向影响组间差异在10%水平上显著(p=0.052)。由此说明,高知识产权保护水平下,企业创新效应更加显著。图3展示了知识产权保护水平对企业创新广度与全要素生产率倒U型关系的调节作用。由图3可知,相较于低知识产权保护水平,高知识产权保护水平下,创新广度对企业全要素生产率的影响曲线呈现出峰值提高、拐点左移的特点。这意味着在创新广度相同的情况下,高知识产权保护水平地区企业创新广度对全要素生产率的影响更显著。具体来说,相较于低知识产权保护水平地区,高知识产权保护水平地区对知识产权的保护力度更大,能够有效降低侵权和盗用风险,企业更愿意提升创新广度和创新深度,也愿意分享知识和技术,因而创新溢出效应显著。低知识产权保护水平下,企业可能倾向于模仿而非创新。需要指出的是,对于低知识产权保护水平地区企业而言,这并不意味着创新不重要。事实上,即使在低知识产权保护水平地区,企业也需要通过创新优化生产过程或开发新业务模式提高自身全要素生产率。

6 结语

6.1 研究结论

本文基于2003—2021年A股上市公司样本数据,从创新广度和创新深度两个维度深入探讨了创新水平对企业全要素生产率的影响机制,得出以下主要结论:

(1)创新广度对企业全要素生产率具有显著倒U型影响,创新深度对企业全要素生产率具有显著正向影响。

(2)创新深度对企业全要素生产率的正向影响在不同产权性质样本间存在差异。具体来说,相较于国有企业,非国有企业创新深度对全要素生产率的正向影响更加显著。

(3)企业技术水平异质性检验发现,相较于非高技术企业,高技术企业创新广度与全要素生产率的倒U型关系曲线更加陡峭,呈现峰值降低、拐点左移的特点。

(4)进一步研究表明,市场化水平对创新广度与企业全要素生产率的倒U型关系无显著影响。高市场化水平下,创新深度对企业全要素生产率的正向影响更显著;高知识产权保护水平下,创新广度与企业全要素生产率的倒U型关曲线呈现峰值提高、拐点左移的特点,创新深度对企业全要素生产率的正向影响更显著。

6.2 理论贡献

企业创新对全要素生产率的影响是一个较为复杂的过程,现有研究主要关注创新资源投入数量问题,对创新资源分配问题关注不足。本文从创新广度和创新深度两个维度分析企业创新对全要素生产率的影响过程。其中,创新广度反映创新资源投入领域的多样性和跨界性,创新深度反映企业创新资源投入规模与强度。本文揭示企业创新对全要素生产率的影响机制,通过对市场化水平、知识产权保护水平的调节效应进行分析,为相关政策制定提供了理论参考与决策依据。

6.3 管理启示

(1)企业创新既要重视创新投入强度,又要注重创新资源合理配置。本文发现,企业创新广度对全要素生产率具有显著倒U型影响,企业创新深度对全要素生产率具有显著正向影响。在通过持续创新投入获得竞争优势的同时,企业也要关注创新资源合理配置。持续改进和升级是产品迭代与优化的核心,通过不断提升创新深度,企业对现有产品进行升级迭代,为产品质量提供保障,进一步满足市场需求,实现可持续发展。在这一过程中,企业需要规避因创新领域过度分散或过度深入导致的风险。

(2)政府应全面加强知识产权保护,进一步提升治理能力和治理水平,充分发挥知识产权制度的保障作用,激发企业创新活力。知识产权保护对激励创新、塑造品牌、规范市场秩序、扩大对外开放发挥重要作用。不同知识产权保护水平下,创新深度与创新广度对企业全要素生产率的影响具有显著差异。政府有关部门应进一步增强知识产权保护力度,助力企业打通知识产权创造、运用、保护、管理全链条,促进知识产权与企业创新能力融合,充分发挥知识产权制度的重要作用。

6.4 不足与展望

本文存在以下不足:首先,本研究发现创新广度对企业全要素生产率具有倒U型影响,创新深度对企业全要素生产率具有显著正向影响,未来可进一步探索企业创新广度与全要素生产率的倒U型关系成因。其次,本研究采用传统全要素生产率作为企业全要素生产率的衡量指标,未考虑其它指标(如营业收入增长率、市场份额等),后续可以考虑利用多种指标进行衡量,以获得更全面、准确的结论。再次,本研究使用的企业样本为A股上市公司,结论普适性有限,后续可以扩大样本范围,纳入更多类型企业进行深入研究。

参考文献：

[1] 王海成, 张伟豪, 夏紫莹. 产业规模偏好与企业全要素生产率——来自省级政府五年规划文本的证据[J]. 经济研究, 2023, 58(5): 153-171.

[2] HOPENHAYN H A. Firms, misallocation, and aggregate productivity: a review[J]. Annual Review of Economics, 2014, 6(1): 735-770.

[3] ILMAKUNNAS P, MIYAKOSHI T. What are the drivers of TFP in the aging economy? aging labor and ICT capital[J]. Journal of Comparative Economics, 2013, 41(1): 201-211.

[4] 孙华妤, 吕一清. 深圳市全要素生产率再测算及其驱动因素——基于产业及细分行业的研究[J]. 软科学, 2019, 33(2): 69-74.

[5] 盛明泉, 蒋世战. 高管股权激励、技术创新与企业全要素生产率——基于制造业企业的实证分析[J]. 贵州财经大学学报, 2019, 37(2): 70-76.

[6] KUNG H,SCHMID L.Innovation, growth, and asset prices[J].The Journal of Finance,2015,70(3):1001-1037.

[7] 宋敏, 周鹏, 司海涛. 金融科技与企业全要素生产率——“赋能”和信贷配给的视角[J]. 中国工业经济, 2021, 38(4): 138-155.

[8] 陈维涛, 严伟涛, 庄尚文. 进口贸易自由化、企业创新与全要素生产率[J]. 世界经济研究, 2018, 37(8): 62-73,136.

[9] AYERST S. Innovator heterogeneity, R&D misallocation and the productivity growth slowdown[R]. U.S.:International Monetary Fund, 2020.

[10] FEINBERG S E, MAJUMDAR S K. Technology spillovers from foreign direct investment in the Indian pharmaceutical industry[J]. Journal of International Business Studies, 2001, 32(3): 421-437.

[11] GOTO A, SUZUKI K. R &D capital, rate of return on R&D investment and spillover of R &D in Japanese manufacturing industries[J]. Review of Economics and Statistics, 1989, 71(4): 555-564.

[12] 喻登科, 解佩佩, 高翔. “双碳”目标下产业结构优化对区域绿色发展的影响研究[J]. 创新科技, 2022, 22(9): 50-59.

[13] WANG J, ZHANG Q, LI Q. R&D investment and total factor productivity: an empirical study of the listed companies in the coastal regions of China[J]. Journal of Coastal Research, 2020, SI(106): 13-23.

[14] 孔东民, 庞立让. 研发投入对生产率提升的滞后效应:来自工业企业的微观证据[J]. 产业经济研究, 2014, 13(6): 69-80,90.

[15] 叶祥松, 刘敬. 异质性研发、政府支持与中国科技创新困境[J]. 经济研究, 2018, 53(9): 116-132.

[16] 盛明泉, 吴少敏, 张娅楠. 探索式创新与企业全要素生产率[J]. 产业经济研究, 2020, 19(1): 28-41.

[17] 黄勃, 李海彤, 江萍, 等. 战略联盟、要素流动与企业全要素生产率提升[J]. 管理世界, 2022, 38(10): 195-212.

[18] 戴小勇. 中国高创新投入与低生产率之谜:资源错配视角的解释[J]. 世界经济, 2021, 44(3): 86-109.

[19] HSIEH C T, KLENOW P J. Misallocation and manufacturing TFP in China and India[J]. Quarterly Journal of Economics, 2009, 124(4): 1403-1448.

[20] JONES C I. The past and future of economic growth: a semi-endogenous perspective[J]. Annual Review of Economics, 2022, 14(1): 125-152.

[21] GROSSMAN G M, HELPMAN E. Innovation and growth in the global economy[M]. Cambridge:MIT Press,2001.

[22] ADAMS J D. Fundamental stocks of knowledge and productivity growth[J]. Journal of Political Economy, 1990, 98(4): 673-702.

[23] 刘威, 施进发. 知识密集型服务业促进制造业高质量发展效率及其影响因素研究[J]. 华北水利水电大学学报(社会科学版), 2023, 39(2): 29-38.

[24] 鲁晓东, 连玉君. 中国工业企业全要素生产率估计:1999—2007[J]. 经济学(季刊), 2012, 11(2): 541-558.

[25] HALL B, JAFFE A, TRAJTENBERG M. The NBER patent citation data file: lessons, insights and methodological tools: w8498[R]. Cambridge, MA: National Bureau of Economic Research, 2001.

[26] 张杰, 郑文平. 创新追赶战略抑制了中国专利质量么[J]. 经济研究, 2018, 53(5): 28-41.

[27] 张美莎, 邸勍, 冯涛. 异质性研发、市场化程度与全要素生产率[J].科技进步与对策,2024,41(9):57-66.

[28] 郭蕾, 肖淑芳, 李雪婧, 等. 非高管员工股权激励与创新产出——基于中国上市高科技企业的经验证据[J]. 会计研究, 2019, 40(7): 59-67.

[29] 戴魁早, 刘友金. 市场化改革能推进产业技术进步吗——中国高技术产业的经验证据[J]. 金融研究, 2020, 41(2): 71-90.

[30] 李勃昕, 韩先锋, 李宁. 知识产权保护是否影响了中国OFDI逆向创新溢出效应[J]. 中国软科学, 2019, 34(3): 46-60.

(责任编辑：张 悦)