开放科学(资源服务)标识码(OSID)：
To interrogate the causal impact of innovation system reform on corporate digital transformation, this study leverages a quasi-natural experiment design utilizing listed company data from 2011 to 2023. It constructs the primary digital transformation metrics by mining textual information from annual reports, complemented by financial and governance data from the GTA database. After excluding firms with abnormal financial status (e.g., ST and *ST designations) and applying standard winsorization to continuous variables, the study examines the reform's effects through the lens of the Technology-Organization-Environment (TOE) framework. The empirical strategy integrates benchmark regressions with a battery of robustness checks, placebo tests, and heterogeneity analyses to rigorously validate the findings. This approach elucidates not only whether the reform drives digital transformation but also uncovers the underlying mechanisms by which it reshapes technological, organizational, and environmental factors.
The analysis yields several key findings. First, the innovation system reform significantly promotes digital transformation in enterprises. This conclusion remains robust after a series of tests, including the parallel trend test. Moreover, the impact of the innovation system reform on the digital transformation of high-tech enterprises is even more pronounced. Second, the innovation system reform not only drives technological innovation and attracts clusters of innovative talent but also strengthens intellectual property protection, further advancing enterprise digital transformation. Third, the impact of innovation system reform on digital transformation exhibits heterogeneity. Its effects are most evident in enterprises within pilot zones focused on regional coordination, open cooperation, and industrial transfer, as well as in non-state-owned enterprises and high-tech firms. From a deeper perspective on transformation, the innovation system reform not only accelerates incremental technological innovation in enterprises but also profoundly guides the fundamental restructuring of technological architecture and application directions, injecting new vitality and momentum into enterprise development.
This paper makes novel contributions to the study of enterprise digital transformation. First, it provides a systematic examination of the causal effects of the innovation system reform on digital transformation from a micro perspective. Prior studies predominantly analyze the effects of innovation system reforms at the macro level or through micro lenses such as total factor productivity, with limited focus on institutional innovations in driving digital transformation. Although some research explores the impact of national big data pilot zones on digitalization, the innovation system reforms, as a systematic innovation reform policy, demands more urgent attention. By centering on the innovation system reforms and employing a difference-in-differences model with micro-level firm data, this study reveals the relationship between innovation system reform and enterprise digital transformation, offering direct evidence of the policy′s micro transmission mechanisms and filling a critical research gap. Second, using the Technology-Organization-Environment (TOE) theoretical framework, this study analyzes the mechanisms through which the innovation system reform operates. It demonstrates that the policy promotes digital transformation by incentivizing technological innovation, attracting innovative talent, and strengthening intellectual property protection. Thereby it provides a new theoretical perspective and empirical support for understanding how policies influence firm behavior. Third, this study examines the heterogeneous impacts of the innovation system reform across different pilot zones, ownership types, and technological levels. The results offer valuable references for governments to formulate targeted policies, guide enterprise transformation directions, and support firms during transitions, underscoring the practical policy implications of this research.
开放科学(资源服务)标识码(OSID)：
数字经济是推进中国式现代化的重要驱动力。党的二十大报告提出,“加快发展数字经济,促进数字经济和实体经济深度融合”。企业数字化转型作为数字经济发展的基础,通过融合信息、计算、通信和连接技术转变企业实体属性,改进企业实体过程[1]。2021年12月,国务院印发《“十四五”数字经济发展规划》,强调要“加快企业数字化转型升级”。企业数字化转型已演变为企业适应数字经济时代、实现可持续发展的必由之路。然而,我国企业数字化转型面临资金投入不足、人才短缺、相关制度不够完善等问题,一些企业难以只靠自身力量推进数字化转型,对数字化转型表现出“不会转”“不愿转”“不敢转”的审慎态度[2]。因此,如何制定有效政策,切实解决企业数字化转型面临的困境、驱动企业数字化转型成为迫切需要关注的问题。
全面创新改革试验区政策(以下简称“全创改”)作为一项综合、系统性的创新制度改革政策,是推动实施创新驱动发展战略的一项重要举措。国家已建立包括国家自主创新示范区在内的一系列创新政策,相关政策在推动数字化转型方面发挥重要作用。数字化转型受到研发投入不足、知识产权保护制度不完善等因素的制约[3],企业数字化转型与创新制度紧密相关,推动创新制度改革是破解相关问题的关键[4]。创新制度改革不仅是解决企业数字化转型困境的关键路径,也是推动企业实现高质量发展的重要保障。因此,在数字经济背景下阐述创新制度改革对企业数字化转型的影响,可为企业在新形势下加快转型提供参考。本文基于2011—2023年沪深A股上市公司数据,以“全创改”作为一项准自然实验,从理论和实证层面探究其通过技术、组织和环境因素对企业数字化转型的影响,以期为政策制定者优化相关政策措施提供参考。
本文创新之处在于:首先,从微观层面系统性检验全面创新改革试验区政策对企业数字化转型的影响效应。现有文献多从中观、宏观层面[4]或企业全要素生产率[5]等微观视角分析创新制度改革政策产生的效应,从创新制度改革角度探究企业数字化转型的研究较少。也有部分文献从国家级大数据综合试验区[6]等角度分析其对数字化转型的影响。“全创改”作为一项系统性的创新制度改革政策,有必要探讨其对企业数字化转型的影响。因此,本文聚焦全面创新改革这一重要政策,基于微观企业数据构建双重差分模型,揭示创新制度改革与企业数字化转型的关系,可完善创新制度改革微观传导机制,弥补该领域研究不足。其次,从技术、组织和环境3个维度(TOE理论框架)剖析“全创改”通过激励企业技术创新、吸引创新人才集聚和加大知识产权保护力度推动企业数字化转型的内在逻辑,可为理解“全创改”政策如何影响企业行为提供理论支持。最后,探讨“全创改”对不同类型试验区、不同所有权以及不同技术层次企业的差异化影响,可为政府精准施策、引导企业转型提供参考。
“全创改”是建设创新型国家的重要支撑。自1988年起,国家开始批准建设国家级高新技术产业开发区,为科技成果转化和技术创新提供重要平台。进入21世纪,政府批准多个综合配套改革试验区,如上海浦东新区、天津滨海新区等,以期通过系统性改革试验推进经济发展和社会进步。2015年9月,中共中央、国务院印发《关于在部分区域系统推进全面创新改革试验的总体方案》(以下简称《总体方案》),京津冀、上海、广东、安徽、四川、武汉、西安、沈阳8个区域被确定为全面创新改革试验区。各试验区根据自身特点和区域优势各有侧重:京津冀致力于区域协同,上海聚焦长三角地区创新转型,广东强调加强粤港澳合作,安徽和武汉着力于促进产业承东启西转移与调整,四川和西安则专注于加快军民融合深度发展,而沈阳则致力于推进新型工业化进程。这些试验区任务涵盖科技创新、市场环境优化、金融支持体系构建等多个方面,旨在形成持续推动创新发展的长效机制,推动部分区域率先实现创新驱动发展。通过总结和分析试验区的成功经验,为完善相关法律法规和政策体系建设提供实践依据,最终促进改革成果在全国推广。
《总体方案》强调改革试验区域选择标准,要求试验区必须是已经设立或纳入国家统筹的各类改革创新试验区,如国家自主创新示范区、国家综合配套改革试验区、自由贸易试验区等。“全创改”这一创新制度改革是在现有创新试验区的基础上,构建推进全面创新改革的长效机制。“全创改”通过在创新激励、人才引进和知识产权保护等方面取得重大突破,旨在打破创新驱动发展瓶颈,进而增强区域创新能力[4]。从政策激励机制可以看出,“全创改”能解决企业数字化转型面临的困境。
当前,与文本主题相关的研究主要包括企业数字化转型驱动因素、企业数字化转型作用和“全创改”政策效应3个方面。
(1)企业数字化转型驱动因素包括内部驱动因素和外部驱动因素两个方面。其中,内部驱动因素包括技术、组织与环境三大类。技术因素主要集中于企业数字技术创新。 张祥建等[7]认为数字技术创新通过优化企业生产流程、重塑组织结构、提升资源配置效率来实现企业价值链的数字化重构。组织因素主要包括高管经历、认知或职业背景[8]、国有股权[9]等。环境因素主要包括竞争环境[10]和营商环境[11]等。外部驱动因素方面,学者分别围绕经济政策不确定性[12]、市场分割[13]等因素进行考察。此外,部分学者还探讨外部政策对企业数字化转型的影响,如国家大数据综合试验区、自由贸易试验区建设等。然而,关于“全创改”对企业数字化转型影响的系统性研究较少。
(2)企业数字化转型作用研究包括宏观层面和微观层面。在宏观层面,部分学者认为企业数字化能提升制造业创新效率[14],推动制造业升级和出口产品质量提升[15]。在微观层面,部分学者研究数字化转型对企业全要素生产率、企业韧性等的影响[16-17]。关于数字化转型对企业创新的驱动作用,有学者通过对中国企业进行调研发现,制造业企业内部数字化转型能够更高效地整合资源、优化流程,从而激发企业创新活力[18]。也有研究强调数字化转型不仅能够提高企业创新效率,还能优化创新资源配置,从而显著提升企业创新绩效[19]。
(3)关于“全创改”政策效应研究,学者们主要从经济效益、生产率增长和创新效应等角度展开探讨。在宏观层面,相关研究认为“全创改”政策对于促进区域经济协调发展、加速科技成果向现实生产力转化以及推动整体创新生态系统优化发挥重要作用[20-22]。微观层面研究则多聚焦于企业高质量发展路径与机制[5]。数字化转型作为企业提升竞争力和适应市场变化的重要战略,“全创改”政策对其的影响机制亟待深入挖掘。
通过梳理文献可知,现有文献对数字化转型外部影响因素的研究偏重于政策,尤其是数字、金融等试点政策,对“全创改”政策效应的研究则偏重于创新效应、经济增长效应,鲜有研究其对数字化转型的影响。企业作为经济活动的主要主体,数字化转型是企业提升市场竞争力、适应数字经济时代变革、实现可持续发展的关键所在。
2.2.1 “全创改”对企业数字化转型的影响
Technology-Organization-Environment(TOE)理论框架指出影响企业技术创新的因素包含技术、组织和环境[23]。企业数字化转型作为一种系统性转型过程,受技术、组织和环境三方面的共同影响[24]。现有研究也从多个方面考察企业数字化转型驱动因素,并将其归纳为技术、组织和环境因素,侧面印证了TOE理论框架对于企业数字化转型的适用性。
《总体方案》提出“以推动科技创新为核心”,“营造创新驱动发展的良好生态和政策环境”;“创新人才培养、使用和引进模式,充分激发全社会的创新活力”;“通过3年努力,在市场公平竞争、知识产权、科技成果转化、金融创新、人才培养和激励、开放创新、科技管理体制等方面取得一批重大改革突破”。另外,还强调要“加快推进人才流动、激励机制等改革,强化对创新人才的激励;充分利用全球科技成果和高端人才,开展更高层次的国际创新合作;实行严格的知识产权保护制度,营造公平竞争的良好市场环境”。其中涉及在提升企业创新水平、吸引人才集聚和实施严格的知识产权保护制度3个方面,分别对应技术、组织和环境因素。新制度主义理论指出,企业作为一个开放的生态系统,制度环境是影响企业发展的重要因素,企业竞争力提升依赖于长期发展目标与制度环境的相互协调。在创新改革政策影响下,因资金投入不足、人才短缺、创新环境等因素导致的企业数字化转型困境可以得到有效缓解,进而促进企业数字化转型。据此,本文提出如下假设:
H1:全面创新改革试验区政策能有效驱动企业数字化转型。
2.2.2 “全创改”影响企业数字化转型的传导机制
(1)“全创改”、企业技术创新与数字化转型。根据竞争逃离理论,当企业面临成本和制度环境制约时,倾向于通过技术创新提升生产效率和市场竞争力,从而表现出更高的转型意愿,并促进企业数字化转型[12]。首先,作为创新改革的试验田,试验区建设通过优化税收政策,减轻企业税收负担,鼓励企业增加研发投入,而且,通过加大财政资金支持力度,设立科技创新基金,为企业技术创新提供直接的资金支持。试验区还为企业提供信贷资源配给,通过股权融资、债券融资等多元化融资方式缓解企业融资约束,降低企业交易成本,提高企业数字化转型意愿。这些优惠政策能够较大程度降低企业技术创新过程中的不确定性,为企业提供良好的创新创业生态环境,吸引更多创新企业入驻,形成试验区创新集聚效应,从而加速新知识技术应用与扩散。其次,“全创改”设立科技创新体制改革专项小组,促使科技与金融结合,创新相关管理体制,构建全面创新改革长效机制,促进企业技术创新,进而提升企业数字化转型水平。再次,“全创改”要求进一步用好利益分配杠杆,让创新人才和创新企业家获利,有助于激发企业家创新意愿,促进企业技术创新。最后,“全创改”通过“放管服”改革,能降低企业技术创新过程中的制度性交易成本,为企业创新发展提供便利,激发企业创新活力,从而提升企业技术创新水平。而技术创新通过开发数字化工具、优化流程及创造智能产品提升数据驱动能力和运营效率,重塑商业模式,并克服转型障碍,是助力企业数字化转型的重要因素。因此,“全创改”不仅能促进企业技术创新水平提升,还能促进企业数字化转型,从而实现技术创新与数字化转型的“双重红利”。据此,本文提出如下假设:
H2:全面创新改革试验区政策通过促进企业技术创新加速企业数字化转型进程。
(2)“全创改”、创新人才集聚与企业数字化转型。“全创改”通过吸引创新人才,提升试点地区企业人力资本质量,为企业数字化转型提供人才支撑。人才是“全创改”试点的核心之一,相对较高的人力资本是全面创新改革的必要条件,吸引创新人才集聚,促使人力资本与技术、产业深度融合是全面创新改革进程中必不可少的内容。首先,“全创改”通过在试点区域尝试新的教育模式和方法,深化高等教育体制改革,探索培育创新型人才模式。其次,“全创改”为加快推进人才流动,实施更加积极开放的人才引进政策,有助于打破人才流动障碍,推动企业、高校、研究机构人才流动,实现人尽其才、才尽其用、用有所成。最后,试点地区通过简化人才引进手续提供一站式政务服务,解决人才在生活和工作中遇到的难题,提高人才满意度,促进人才成长和发展,进而提高企业人力资本水平。
相关人才政策有利于人才有效集聚,尤其是高层次人才向试验区流动,显著提升企业人力资本水平。根据高阶梯队理论,管理层战略选择因个人背景不同而不同,进而影响企业行为。根据信号理论,具有信息技术背景的高管更能意识到企业数字化转型的重要性,可以敏锐捕捉到企业发展机遇与技术前沿,充分利用政策红利推进企业数字化转型。企业数字化转型作为一种更高阶的创新活动,需要既懂数字技术又精通业务的复合型人才,数字化转型战略决策的制定和实施都离不开高素质管理人才及技术人才的加持。同时,由于市场对人才的需求不断发生变化,劳动者需要持续提高自身技能水平,从而在试点地区形成创新人才集聚效应,进而促进企业数字化转型。据此,本文提出如下假设:
H3:全面创新改革试验区政策通过吸引创新人才集聚促进企业数字化转型。
(3)“全创改”、知识产权保护与企业数字化转型。“全创改”能加大知识产权保护力度,为企业数字化转型提供法治保障,促进企业数字化转型。首先,“全创改”推进知识产权保护制度改革。《总体方案》在主要目标中明确提出“知识产权质量和效益显著提升”。其次,“全创改”加快推进知识产权保护执法力度,为知识产权保护制度改革的有效实施提供制度保障,如广东、武汉、合肥等地成立跨区域知识产权法庭,并实施“三审合一”审判机制,将知识产权民事、刑事与行政案件统一交由一个审判庭负责审理,这不仅有利于提升案件审判效率,缩短审理时间,还有助于缓解契约失效问题。
企业在数字化转型过程中可能会形成技术、专利、品牌等知识产权,但这些知识产权往往比较容易溢出、被模仿或被侵权,且较难证明新技术归属。加强知识产权保护力度,一方面有助于保障企业数字化转型产生的正外部性,进一步推动企业加大数字技术投入,促进企业数字化转型;另一方面,也有助于各个企业数字技术的开放与共享,减少企业数字化转型可能面临的产权纠纷和维权成本,营造有利于数字技术发展的制度环境,促进企业数字化转型。据此,本文提出如下假设:
H4:全面创新改革试验区政策通过加大知识产权保护力度促进企业数字化转型。
综上,“全创改”试点通过促进企业技术创新(技术)、吸引创新人才集聚(组织)、加大知识产权保护力度(环境)促进企业数字化转型。本文构建研究框架如图1所示。
图1 研究框架
Fig.1 Research framework
本文采用双重差分法(DID)识别“全创改”对企业数字化转型的影响,基准模型设定如下:
Digitalijct=α+βTreatc×Postt+ρXit+γi+σj+δt+εit
(1)
其中,下标i、j、c、t分别表示企业、所处行业、城市和年份;Digitalijct表示企业数字化转型;Treatc×Postt表示城市c在第t年是否为“全创改”试点城市;Xit为一系列控制变量。同时,加入企业、行业及年份固定效应。在机制检验中,将机制变量替换公式(1)中的因变量,其余设定不变。
(1)样本选取。《总体方案》明确承担改革试验的区域具备相应的基本条件:创新资源和创新活动高度集聚、科技实力强、承担项目多,研发人员、发明专利、科技论文数量居前列;经济发展步入创新驱动转型窗口期,劳动生产率、知识产权密集型产业比重、研发投入强度居前列;已设有或纳入国家统筹的国家自主创新示范区、国家综合配套改革试验区、自由贸易试验区等各类国家级改革创新试验区。本文参照付奎等[20]的设定,将对照组设为未开展“全创改”试点的国家创新型试点城市(共182个),将处理组设为推进全面创新改革试验的京津冀地区、上海、广东等省域或城市(共72个)。
(2)变量选取。企业数字化转型参考吴非等[25]的研究,收集企业年报相关关键词出现频次,使用相关词频总数占总词频数的比例衡量(Digital)。为表述方便,本文参照现有文献的处理方式,将该结果乘以100。借鉴相关文献[26],本文控制以下可能对企业数字化转型产生影响的变量:①公司规模(size),采用企业资产总额的自然对数衡量;②应收账款比例(rec),采用应收账款余额除以资产总额衡量;③存货水平(inv),采用存货净额除以资产总额衡量;④盈利水平(roa),采用资产收益率衡量;⑤现金流(cfo),采用经营活动现金净流量占总资产比重衡量;⑥资产负债率(lev),采用负债总额除以资产总额衡量;⑦发展水平(grow),采用营业收入增长率衡量;⑧股权集中度(oc),采用第一大股东的持股比例衡量;⑨企业所有制性质(soe),国有企业赋值为1,否则赋值为0。
本文采用2011—2023年沪深A股上市公司作为研究样本,其中数字化转型数据来源于上市公司年报,其余数据来源于国泰安数据库。同时,剔除ST、*ST等处于非正常状态下的公司。此外,本文对连续变量进行前后1%的缩尾处理,主要变量描述性统计结果见表1。
表1 主要变量描述性统计结果
Table 1 Descriptive statistics of main variables
变量 样本量 均值 标准差 最小值 最大值 Digital 41286 0.032 0.076 0 1.127 soe 41286 0.364 0.481 0 1 size 41286 21.930 1.244 18.920 25.93 rec 41286 0.126 0.103 0.0002 0.487 inv 41286 0.143 0.130 3.44e-05 0.678 roa 41286 0.036 0.068 -0.291 0.280 cfo 41286 0.046 0.073 -0.195 0.265 grow 41286 0.396 1.108 -0.801 7.952 lev 41286 0.425 0.212 0.056 0.970 oc 41286 34.940 15.300 8.480 75.610
基于前文模型设计与变量选取,本文验证“全创改”对企业数字化转型的影响,基准回归结果如表2所示。从中可见,在引入控制变量、固定效应并采用稳健标准误后,Treatc×Postt的估计系数为0.009,在1%水平上显著为正,表明“全创改”能显著促进企业数字化转型,假设H1得到验证。
表2 基准回归结果
Table 2 Benchmark regression results
变量 Digital (1) (2) (3) (4) Treatc×Postt 0.010 *** 0.010 *** 0.009 *** 0.009 *** (7.811) (6.693) (6.071) (6.453) size 0.010 *** 0.010 *** (13.144) (12.639) rec 0.004 0.008 (0.608) (1.147) inv -0.004 0.002 (-0.747) (0.439) roa -0.018 *** -0.010 * (-2.906)(-1.757) cfo -0.005 -0.005 (-1.103)(-1.111) grow 0.000 0.000 (0.097) (0.025) lev -0.005 * -0.005 * (-1.765)(-1.675) oc -0.000 *** -0.000 *** (-7.884)(-7.803) 常数项 0.036 *** 0.036 *** -0.170 *** -0.167 *** (70.031) (60.816)(-10.328)(-9.953) 企业固定效应 是 是 是 是 行业固定效应 否 否 否 是 年份固定效应 是 是 是 是 观测值 32709 32709 32709 32709 调整 R 2 0.771 0.771 0.774 0.780
注:*、**、***分别表示10%、5%和1%显著性水平,括号内为回归系数对应的T值,下同。列(1)未采用稳健标准误,列(2)～(4)采用稳健标准误
有学者根据数字技术特征差异,将其细分为两个层面[6]。一是数字技术应用基础,包括人工智能技术、大数据技术、区块链技术和云计算技术,即“底层技术应用”。二是数字技术实践,强调底层技术与实际业务的深度融合,是企业更高层次数字化发展程度的体现[25]。表3报告了“全创改”对企业不同层次数字化转型的影响结果。列(1)～(5)结果显示,“全创改”显著促进人工智能、大数据、云计算、区块链技术以及企业底层技术应用转型,但列(6)结果显示“全创改”对数字技术实践具有显著负向影响。主要原因可能在于,目前我国企业数字化水平整体不高,尚处于数字化转型初级阶段,对于数字技术与实际业务的深度融合仍处于探索阶段。此外,数字技术应用的前提是底层技术开发与应用,只有当企业熟练掌握并运用底层技术后,才能将底层技术融入企业实际业务。因此,在数字技术转型基础阶段,数字技术应用与实际业务相结合的更高层次数字化转型会受到一定程度限制,从而影响企业数字化转型进程。
表3 “全创改”对企业不同层次数字化转型的影响结果
Table 3 Impact of the pilot area policy of comprehensive innovation and reform on the digital transformation of enterprises at different levels
变量 人工智能 大数据 云计算 区块链 底层技术应用 数字技术应用 (1) (2) (3) (4) (5) (6) Treatc×Postt 0.004 *** 0.005 *** 0.002 *** 0.001 *** 0.011 *** -0.002 ** (9.712) (8.798) (3.091) (4.140) (10.211) (-2.459) 常数项 -0.033 *** -0.054 *** -0.023 *** -0.010 *** -0.119 *** -0.048 *** (-6.709) (-8.756) (-3.799) (-3.575) (-9.579) (-4.932) 控制变量 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 行业固定效应 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 观测值 32709 32709 32709 32709 32709 32709 调整 R 2 0.663 0.710 0.743 0.529 0.763 0.669
使用双重差分法的前提是处理组与对照组在政策实施前满足平行趋势假设,以排除其它未观测因素的影响。为此,本文构建以下模型进行检验:
γi+δj+σt+εit
(2)
在模型(2)中,以“全创改”实施前一年为基期,当期Yeart(t≠2014)赋值为1,否则为0,αt为相对基准年的回归系数,其余变量设定见模型(1)。αt在95%置信区间的估计结果见图2。可以看出,在“全创改”政策实施之前,处理组与对照组企业数字化转型无明显差异。在“全创改”政策推行后,其对企业数字化转型的促进作用逐渐显著。上述结果表明,处理组与对照组符合事前平行趋势假设,证明基准回归结果稳健。
图2 平行趋势检验结果
Fig.2 Parallel trend test results
4.4.1 合成双重差分法
有研究表明,通过平行趋势检验的双重差分法可能存在一些不足,如在政策冲击前变化平行并不能保证政策实施后依然平行。Arkhangelsky等[27]提出合成双重差分法,以减少回归结果对平行趋势假设的依赖,在稳健性和估量精度上具有较强优势。鉴于此,本文使用合成双重差分法对基准回归模型进行检验,处理组的平均处理效应(ATT)为0.007 9,在5%水平上显著,95%置信区间为[0.000 03,0.015 78],与基准回归结果一致。
4.4.2 工具变量法
“全创改”政策试点范围充分考虑不同区域的基础条件,差异化设计试验任务,如加快京津冀协同发展、助推长三角地区创新转型等,这些措施可能会促使企业加快数字化转型步伐。同时,企业数字化转型也有可能进一步推动“全创改”政策的广泛实施,从而形成潜在双向因果关系。为避免内生性和遗漏变量的问题,本文采用工具变量法进行检验。参考现有文献[28],选取1997年高校数量作为“全创改”的工具变量。教育和科研是创新活动开展的基础,而高校作为教育和科研的重要载体,其数量在一定程度上反映地区创新潜力,且不会直接对企业数字化转型产生影响,因此该变量满足工具变量相关性和排他性要求。结果如表4所示,Treatc×Postt的估计系数在1%统计水平上显著为正。同时,不可识别检验及弱工具变量检验结果说明不存在模型识别不足的问题,且排除弱工具变量问题。这表明,“全创改”对企业数字化转型具有促进作用这一检验结果可靠。
表4 工具变量检验结果
Table 4 Instrumental variable (IV) test results
变量 第一阶段 第二阶段 Treatc×Postt Digital Treatc×Postt 0.028 *** (10.430) IV 0.011 *** (68.710) 常数项 0.413 *** -0.116 *** (5.360) (-8.250) KPLM 统计量 3884.57 *** CD WaldF统计量 4720.89 观测值 21440 21440
注:加入控制变量、企业固定效应、行业固定效应和年份固定效应,且均使用稳健标准误,下同
4.4.3 匹配法
(1)本文采用倾向得分匹配双重差分法(PSM-DID)解决处理组和对照组选择性偏差问题。使用Logit回归模型估算匹配得分,并采用1∶1近邻匹配法。从检验结果看,企业数字化转型的平均处理效应为0.053,且在1%水平上显著。使用模型(1)对匹配后样本进行回归,结果见表5列(1),与基准回归结果一致。
表5 稳健性检验结果(一)
Table 5 Robustness test results (1)
变 量 P S M - D I D 熵 平 衡 M D & A 无 形 资 产 ( 1 ) ( 2 ) ( 3 ) ( 4 ) Tr e a t c × P o s t t 0 . 0 0 8 * * * 0 . 0 0 7 * * * 0 . 0 1 2 * * * 0 . 0 0 3 * * * ( 3 . 9 8 0 ) ( 4 . 1 2 4 ) ( 4 . 8 2 4 ) ( 6 . 1 2 3 ) 常 数 项 - 0 . 1 6 0 * * * - 0 . 2 6 3 * * * - 0 . 0 0 3 * * * 0 . 0 6 9 * * * ( - 8 . 2 1 8 ) ( - 9 . 0 2 6 ) ( - 9 . 3 4 0 ) ( 8 . 2 1 9 ) 观 测 值 2 9 4 3 1 1 6 1 2 4 3 2 7 0 9 2 7 4 4 8 调 整 R 2 0 . 8 0 7 0 . 7 7 7 0 . 8 0 6 0 . 6 4 5
(2)PSM-DID可有效缓解潜在选择性偏差问题,但其操作过程不可避免地会排除部分未能成功匹配的对照样本,从而缩减样本总体信息量,限制统计推断精度。同时,PSM-DID在很大程度上依赖前期Logit模型构建假设与变量选取,这会增加研究结果对模型敏感性的依赖。鉴于此,本文采用熵平衡匹配方法进一步进行检验。首先,选取控制变量前一期作为匹配协变量。其次,计算处理组和对照组样本在所有特征变量上实现多维平衡性的权重,同时考虑特征变量的一阶矩条件(均值)、二阶矩条件(方差)、三阶矩条件(偏度)。再次,基于获取的权重,最大程度地使处理组样本和控制组样本实现精准匹配。匹配后的平衡性检验结果显示,经过熵平衡法加权调整后,对照组与处理组在特征变量均值、方差和偏度上基本保持一致。最后,用匹配后的样本进行稳健性分析,结果见表5列(2),再次证明基准回归结果稳健。
4.4.4 安慰剂检验
为排除城市或行业内部不可观测因素对结果造成的潜在影响,本文通过随机分配处理组与对照组,构建一个虚拟交互项来替换原有双重差分项进行回归分析。将此过程重复1 000次,绘制虚拟交互项系数的核密度估计图及p值分布图(见图3)。结果显示,虚拟交互项系数分布紧密围绕零值附近,呈现出显著集中趋势;同时,绝大多数p值落在0.1显著性水平之上。虚拟交互项在统计上未展现出足够显著性,其回归系数通过常规显著性检验的概率较低。由此可见,企业数字化转型更可能源于由“全创改”政策的直接推动,而非由其它潜在未纳入模型分析框架的不可观测因素所驱动。
图3 安慰剂检验
Fig.3 Placebo test
4.4.5 其它稳健性检验
(1)替换指标。首先,考虑到上市公司通常在管理层讨论与分析(MD&A)中对公司业绩、未来发展规划等进行描述和披露,本文参考袁淳等[29]的研究,将企业数字化相关词汇频数总和除以年报MD&A语段长度来度量企业数字化程度(digital2),结果见表5列(3),与基准回归结果一致。此外,在衡量企业数字化转型程度时,直接从年度报告中获取数字化相关术语频率可能会受企业战略性信息披露行为的影响。即企业为塑造良好的市场形象或吸引投资者注意,可能会夸大其数字化转型程度,导致数字化转型指标失真。因此,本文借鉴祁怀锦等[30]的研究,通过查找上市公司财务报告附注中披露的年末无形资产明细表,将数字技术无形资产占比作为企业数字化转型的代理变量,回归结果见表5列(4)。结果显示,“全创改”能显著促进企业数字化转型,与基准回归结果一致。
(2)改变研究样本。第一,考虑到企业策略性信息披露可能导致估计偏差问题,本文借鉴方明月等[31]的研究,参考深圳证券交易所对深市上市公司信息披露的考核评级,剔除曾经被评级为不合格的公司,结果见表6列(1)。第二,剔除直辖市样本。北京、上海、广州和深圳经济发展水平与其它城市差异较大,故剔除以上城市企业样本重新进行基准回归,结果见表6列(2)。第三,控制变量滞后一期。为进一步缓解内生性问题,本文参考付奎和张杰[5]的研究,将所有控制变量滞后1期,重新代入模型进行估计,结果见表6列(3)。第四,改变样本区间。将样本区间缩短为“全创改”实施前后各4年,结果见表6列(4)。第五,排除其它政策效应。在本文数据时段内,除“全创改”外,还有一些其它政策可能会干扰“全创改”政策所发挥的效应。因此,本文将国家自主创新示范区(IDZ)、综合配套改革试验区(SRT)和自由贸易试验区(FTZ)政策虚拟变量纳入模型(1)进行回归分析,结果见表6列(5)。上述结果显示,政策交互项系数均显著为正,与基准回归结果一致。
表6 稳健性检验结果(二)
Table 6 Robustness test results (2)
变量 信息披露考评 剔除直辖市 滞后一期 更改样本区间 排除其它政策 加入城市层面控制变量 (1) (2) (3) (4) (5) (6) Treatc×Postt 0.009 *** 0.009 *** 0.009 *** 0.010 *** 0.012 *** 0.007 *** (6.501) (6.453) (6.024) (6.768) (7.340) (4.86) 常数项 -0.165 *** -0.167 *** -0.136 *** -0.255 *** -0.255 *** -0.250 (-9.636) (-9.953) (-7.730) (-10.332) (-10.332) (-6.44) 观测值 32166 32709 29728 19078 19078 25252 调整 R 2 0.783 0.780 0.785 0.742 0.742 0.741
(3)加入城市层面控制变量。本文纳入如下城市层面可能影响企业数字化转型的相关变量重新进行回归分析:城市经济发展水平(采用城市GDP的自然对数衡量,反映城市整体经济实力)、城市产业结构(采用城市第三产业占比衡量,反映城市产业结构的现代化程度)以及城市创新资源(采用城市专利申请量的自然对数衡量,反映城市创新资源的丰富程度),结果见表6列(6)。结果显示,政策交互项系数显著为正,与基准回归结果一致。
(1)区域异质性。首先,“全创改”各试验区目标定位有所不同,呈现出特色定位、各有侧重的特点,各试点区域对企业技术创新、创新人才集聚和知识产权保护的关注度可能不同。因此,本文参照张杰和付奎[4]的研究,将试验区划分为区域协同创新改革试验区、军民融合创新改革试验区、开放合作创新改革试验区、承接产业转移创新改革试验区4种类型,分别以这4种类型区域作为处理组,以非试验区为对照组进行回归,结果见表7。可以看出,区域协同、开放合作和承接产业转移改革试验区对企业数字化转型具有显著正向促进作用,军民融合创新改革试验区数字化转型效应不显著。原因可能在于,一是军地技术创新体系长期分离,导致军民创新主体之间存在一定程度信息壁垒;二是民参军门槛较高、周期较长,导致民营企业难以实现与军工企业的有效协同;三是国防科技创新环境尚待完善,制约战略前沿技术转化与应用。
表7 区域异质性检验结果
Table 7 Results of regional heterogeneity test
变 量 区 域 协 同 军 民 融 合 开 放 合 作 承 接 产 业 转 移 ( 1 ) ( 2 ) ( 3 ) ( 4 ) Tr e a t c × P o s t t 0 . 0 1 6 * * * - 0 . 0 0 1 0 . 0 0 8 * * * 0 . 0 1 2 * * * ( 6 . 2 8 3 ) ( - 0 . 3 7 6 ) ( 4 . 2 0 1 ) ( 4 . 8 0 6 ) 常 数 项 - 0 . 1 6 9 * * * - 0 . 1 3 1 * * * - 0 . 1 4 8 * * * - 0 . 1 9 2 * * * ( - 8 . 1 7 1 ) ( - 7 . 4 4 1 ) ( - 8 . 1 0 6 ) ( - 6 . 9 9 5 ) 观 测 值 2 1 5 1 2 1 8 9 6 9 2 5 4 8 6 1 3 5 5 7 调 整 R 2 0 . 7 9 3 0 . 7 5 5 0 . 7 5 7 0 . 6 9 7
(2)企业所有制类型异质性。鉴于企业所有制类型不同,“全创改”政策实施效果可能呈现出异质性特征。为深入探讨这一潜在差异,本文将样本细分为国有企业组与非国有企业组,并分别进行回归分析,结果见表8列(1)(2)。从中可见,“全创改”促进国有企业数字化转型,也促进非国有企业数字化转型。组间系数差异显著性检验发现,“全创改”对非国有企业数字化转型的促进作用更明显。可能原因在于,相对于国有企业,非国有企业在人事制度方面相对灵活,能够快速吸纳数字化技术人才,形成人才集聚优势。同时,相对于国有企业,非国有企业对市场变化更为敏感,能快速根据市场需求调整企业发展战略,适应数字化转型需求。
表8 企业异质性检验结果
Table 8 Results of firm heterogeneity test
变量 国有企业 非国有企业 高新技术企业 非高新技术企业 (1) (2) (3) (4) Treatc×Postt 0.004 ** 0.014 *** 0.022 *** -0.000 (2.409) (6.489) (6.957) (-0.104) 组间系数差异 difference=0.011,p=0.000 difference=0.023,p=0.000 常数项 -0.100 *** -0.180 *** -0.184 *** -0.155 *** (-4.282) (-8.432) (-4.903) (-10.785) 观测值 9694 23015 13286 19423 调整 R 2 0.787 0.787 0.793 0.654
(3)企业技术水平异质性。本文参考潘越[32]的研究,将电子、医药生物制品、信息技术等行业企业划分为高新技术企业,其它则划分为非高新技术企业,分组检验“全创改”对企业数字化转型的影响,结果见表8列(3)(4)。结果表明,“全创改”显著促进高新技术企业数字化转型,而对非高新技术企业数字化转型无显著影响,且通过组间系数差异显著性检验。可能原因在于,“全创改”重点关注高新技术领域,财政补贴、风险补偿等措施多围绕高新技术企业展开。
基于前文分析,“全创改”通过促进企业技术创新、提高人力资本水平和加大知识产权保护力度提升企业数字化转型水平。
(1)企业技术创新、人力资本水平提升离不开政府资金扶持,因此本文采用上市公司获取的政府补贴加1取对数衡量政府对企业的资金帮助(lnsubsidie),检验“全创改”对上市公司获取政府补贴的影响,结果见表9列(1)。Treatc×Postt系数在1%水平上显著为正,表明“全创改”增加了企业创新补贴,给予企业提升创新水平和引进创新人才的资金支持,增强了企业数字化转型信心。
表9 机制检验结果
Table 9 Mechanism test results
变量 政府补助 lnsubsidie (1) 技术创新 lnpatent L.lnpatent (2) (3) 人力资本水平 R&Dback doctor academic (4) (5) (6) 知识产权保护 IPP (7) Treatc×Postt 0.257 *** 0.045 *** 0.058 *** 0.046 *** 0.067 *** 0.044 *** 0.241 *** (2.745) (2.904) (3.327) (8.230) (10.867) (8.599) (22.565) 常数项 14.205 *** -2.343 *** -2.518 *** -1.629 *** -1.521 *** -1.416 *** 0.418 *** (62.834) (-15.445) (-15.154) (-31.158) (-26.619) (-30.290) (3.236) 观测值 24094 32709 29728 32709 32709 32709 21552 调整 R 2 0.356 0.084 0.078 0.143 0.105 0.146 0.728
(2)检验“全创改”对企业技术创新的影响。鉴于专利授权量更能反映企业自主创新能力,本文使用企业当年专利授权量加1取对数衡量企业技术创新水平(lnpatent)。同时,企业专利授权存在一定时滞性,故本文对企业专利授权量滞后一期(L.lnpatent)进行稳健性检验,回归结果见表9列(2)(3)。Treatc×Postt系数在1%水平上显著为正,表明“全创改”促进企业技术创新,为企业数字化转型提供新动能,假设H2得到验证。
(3)检验“全创改”对创新人才引进的影响。本文参考相关文献研究,采用上市公司是否聘任具有研发职业背景的高管(R&Dback)、是否聘任博士学历高管(doctor)和是否聘任具有学术背景的高管(academic)3个指标作为创新人才的代理指标[33-34]。当公司高管中至少有一人拥有研发职业背景、拥有博士学历或拥有学术背景时,对应虚拟变量R&Dback、doctor和academic分别取值为1,否则取值为0,数据来源于CSMAR数据库,回归结果见表9列(4)～(6),Treatc×Postt系数在1%水平上显著为正。同时,考虑到因变量为0或1的虚拟变量,为确保研究结果的稳健性,本文使用Logit模型和Probit模型进行检验,结果显示相关系数和显著性未发生明显变化。这表明,“全创改”能显著提升企业对高层次人才的需求,增强创新人才在企业的集聚效应,从而加速企业数字化转型进程,假设H3得到验证。
(4)检验“全创改”对城市知识产权保护强度的影响。本文参考沈国兵和黄铄珺[35]的研究,采用城市人民法院对知识产权审判结案数(IPPCourt)度量城市层面知识产权保护强度,并基于城市GDP进行去规模处理,同时运用显性比较优势指数(RCA)构建城市层面知识产权保护强度(IPP),回归结果见表9列(7)。Treatc×Postt系数在1%水平上显著为正,表明“全创改”增强了城市知识产权保护强度,为企业数字化转型提供了法律保障,优化了城市创新环境,假设H4得到验证。
数字经济是推动经济高质量发展、加快构建新发展格局的新动能。创新制度改革是建设创新型国家的有力支撑,对于激励企业数字化转型具有重要意义。本文利用2011—2023年沪深A股上市公司数据,采用双重差分法评估“全创改”对企业数字化转型的影响机制,得出如下研究结论:首先,“全创改”显著促进企业数字化转型,这一结论通过平行趋势等一系列稳健性检验后依然成立。其次,“全创改”不仅促进企业技术创新和吸引创新人才聚集,还增强知识产权保护强度,从而进一步推动企业数字化转型。最后,“全创改”对企业数字化转型的促进作用存在异质性,政策效应对致力于区域协同、开放合作及产业转移的改革试验区的企业、非国有企业以及高新技术企业更加显著。从转型深层次视角看,“全创改”不仅会加速企业技术应用与革新,还能引导企业底层技术架构与应用方向的深度转型,为企业发展注入新活力。
根据上述研究结论,本文提出如下建议:
(1)逐步推进和扩大“全创改”试点范围,推动企业数字化转型。鉴于“全创改”对促进企业数字化转型所发挥的显著效应,可在经济基础良好、创新人才供给充足地区扩大试点范围,优先选择一批地级市和县级市纳入试点,充分发挥试验区的引领和辐射带动作用。同时,鼓励试点地区之间建立区域创新共同体,通过共享创新资源、联合研发和技术扩散提升区域整体创新能力。
(2)激活企业内生动力。一是加大企业研发投入补贴力度,设立专项创新基金支持企业开展关键核心技术研发,尤其是人工智能、大数据、云计算等底层数字技术研发。对行业龙头企业、专精特新“小巨人”企业等按照研发投入比例给予专项补贴。二是完善人才引进机制,提供住房补贴、科研启动资金等优惠政策,吸引高层次创新人才向试验区流动。三是加强知识产权保护,完善相关法律法规,加大对侵权行为的打击力度,保护企业创新成果。推动设立数字经济知识产权法庭,缩短数字技术专利侵权案件审理周期;建立侵权企业“黑名单”制度,加大对反复侵权企业的惩罚力度。
(3)促进区域协同与产业联动。一是鼓励不同区域企业、高校和科研机构之间建立创新联盟,共享创新资源,开展联合研发和技术创新活动。通过创新联盟促进区域间知识流动和技术扩散,提升区域整体创新能力。二是支持企业与高校、科研机构、行业协会等建立产业联盟,共同开展技术研发、标准制定、应用推广等活动。通过产业联盟促进产业内知识共享和技术交流,推动产业数字化转型。三是完善跨区域合作政策,提供政策支持和保障,促进企业之间跨区域合作。通过优化合作环境,降低企业合作成本,提高合作效率。
(4)推动企业底层数字技术应用。一是设立专项基金,对应用底层数字技术的企业给予资金补贴,降低企业应用成本。同时,鼓励金融机构为企业提供低息贷款、风险投资等金融服务,支持企业底层数字技术应用。二是开展底层数字技术培训服务,为企业管理人员和技术人员提供系统化培训课程,提升企业员工技术应用能力。培训内容涉及人工智能、大数据、云计算、区块链等底层数字技术的基本原理、应用场景和操作方法等。三是制定统一技术标准和规范,明确底层数字技术应用要求和操作流程,为企业提供明确指导。参考ISO/IEC 33001等标准,建立包含技术架构、数据治理、应用效能等维度的评估体系,为政策调整提供数据支撑。
本文存在如下不足:首先,在数据选取上,本文仅采用2011—2023年沪深A股上市公司数据进行研究,未能完全覆盖中小企业、非上市企业和海外企业数据,未来应进一步扩展样本范围,以增强研究结论的说服力。其次,主要关注“全创改”政策对企业数字化转型的短期影响,未充分探讨政策产生的长期效应,未来应延长数据时间跨度以分析政策产生的持续影响。最后,从技术创新、创新人才聚集、知识产权保护强度3个维度分析政策作用机制,对企业微观行为(如数字化转型策略)的研究不足,未来可结合企业案例进行深入分析。
[1] VIAL G. Understanding digital transformation: a review and a research agenda[J]. The Journal of Strategic Information Systems, 2019, 28(2): 118-144.
[2] 刘淑春, 闫津臣, 张思雪, 等. 企业管理数字化变革能提升投入产出效率吗[J]. 管理世界, 2021,37(5): 170-190.
[3] 张杰, 陈志远, 杨连星, 等. 中国创新补贴政策的绩效评估:理论与证据[J]. 经济研究, 2015,50(10): 4-17.
[4] 张杰, 付奎. 创新制度改革与城市全要素生产率提升——来自全面创新改革试验区的经验证据[J]. 现代经济探讨, 2021,40(9): 26-35.
[5] 付奎, 张杰. 国家全面创新改革如何引领企业高质量发展——基于政策驱动和制度激励双重视角[J]. 现代经济探讨, 2022,41(8): 102-114.
[6] 孙伟增, 毛宁, 兰峰, 等. 政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J]. 中国工业经济, 2023,41(9): 117-135.
[7] 张祥建, 韩欣彤, 刘知恒. 数据要素共享与企业数字化转型——基于公共数据开放的准自然实验[J]. 上海经济研究, 2025,42(1): 28-42.
[8] PORFIRIO J A, CARRILHO T, FELICIO J A, et al. Leadership characteristics and digital transformation[J]. Journal of Business Research, 2021,124(6): 610-619.
[9] 余汉, 黄爽, 宋增基. 国有股权对民营企业数字化转型的影响——基于上市公司的经验证据[J]. 中国软科学, 2023,38(3): 140-149.
[10] KOHLI R, MELVILLE N P. Digital innovation: a review and synthesis[J]. Information Systems Journal, 2019,29(1): 200-223.
[11] 徐宁. 营商环境推动了民营企业数字化转型吗[J]. 现代经济探讨, 2024,43(7): 74-88, 101.
[12] 刘宇,沈坤荣,刘铭丞.经济政策不确定性、对外直接投资与全球价值链攀升[J].经济与管理研究,2022,43(5):42-59.
[13] 董竹, 李有文. 市场分割与企业数字化转型:作用机制、应对策略与异质性特征[J]. 经济评论, 2024,45(4): 90-104.
[14] 徐辉, 周孝华, 周兵. 数字化转型对制造业企业创新效率的门槛效应研究[J]. 管理学刊, 2024,37(1): 100-119.
[15] 杜明威, 耿景珠, 崔岩. 企业数字化转型与出口:来自中国上市公司的微观证据[J]. 世界经济研究, 2022,38(9): 119-134, 137.
[16] 赵宸宇, 王文春, 李雪松. 数字化转型如何影响企业全要素生产率[J]. 财贸经济, 2021,42(7): 114-129.
[17] 罗良文, 张琳琳, 王晨. 数字化转型与企业韧性——来自中国A股上市企业的证据[J]. 改革, 2024,37(5): 64-79.
[18] 赵婷婷, 杨国亮. 数字化转型与制造企业创新决策[J]. 哈尔滨商业大学学报(社会科学版), 2020,36(5): 21-37.
[19] 余江, 白宇彤, 孟庆时, 等. 数字化转型战略对企业数字创新绩效影响研究[J]. 科研管理, 2024,45(4): 1-11.
[20] 付奎, 张杰, 刘炳荣. 国家级全面创新改革试验区建设的经济效应:制度红利与传导机制[J]. 科技进步与对策, 2023,40(5): 33-43.
[21] 王欣, 杜宝贵. 全面创新改革试验政策对科技成果转化的影响效应[J]. 科技进步与对策, 2023,40(2): 111-121.
[22] 彭本红, 赵银银. 全面创新改革试验区设立对城市绿色创新水平的影响研究[J]. 软科学, 2022,36(7): 53-61.
[23] TORNATZKY L G, FLEISCHER. The processes of technological innovation[M]. Lexington MA: Lexington, 1990.
[24] 孙秀梅, 闫肃. TOE框架下资源型城市低碳转型驱动路径——基于我国108个资源型城市的fsQCA研究[J]. 科技进步与对策, 2023,40(23): 72-81.
[25] 吴非, 常曦, 任晓怡. 政府驱动型创新:财政科技支出与企业数字化转型[J]. 财政研究, 2021,42(1): 102-115.
[26] 黄一松. 税收优惠能促进企业数字化转型吗[J]. 当代财经, 2023,44(12): 144-156.
[27] ARKHANGELSKY D, SUSAN A, et al. Synthetic difference-in-differences[J]. American Economic Review, 2021,111 (12): 4088-4118.
[28] 喻旭兰, 周颖. 绿色信贷政策与高污染企业绿色转型:基于减排和发展的视角[J]. 数量经济技术经济研究, 2023,40(7): 179-200.
[29] 袁淳, 肖土盛, 耿春晓, 等. 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.
[30] 祁怀锦, 曹修琴, 刘艳霞. 数字经济对公司治理的影响——基于信息不对称和管理者非理性行为视角[J]. 改革, 2020,33(4): 50-64.
[31] 方明月, 林佳妮, 聂辉华. 数字化转型是否促进了企业内共同富裕——来自中国A股上市公司的证据[J]. 数量经济技术经济研究, 2022,39(11): 50-70.
[32] 潘越, 肖金利, 戴亦一. 文化多样性与企业创新:基于方言视角的研究[J]. 金融研究, 2017, 60(10): 146-161.
[33] 虞义华, 赵奇锋, 鞠晓生. 发明家高管与企业创新[J]. 中国工业经济, 2018,36(3): 136-154.
[34] 黄灿, 年荣伟, 蒋青嬗, 等. “文人下海”会促进企业创新吗[J]. 财经研究, 2019,45(5): 111-124.
[35] 沈国兵, 黄铄珺. 城市层面知识产权保护对中国企业引进外资的影响[J]. 财贸经济, 2019,40(12): 143-157.