提高国家自主创新水平的核心是要推动企业创新，企业创新决定企业生存、比较优势、市场价值以及投资回报等（Porter，1992）。如何增强企业自主创新能力，不仅是企业管理者，也是政策制定者以及社会大众都比较关心的一个重要话题。企业创新受多种因素影响，已有文献集中考察融资约束、公司治理、员工激励，以及高管特质等对企业创新绩效的影响（冯根福和温军，2008；Malmendieret al.，2011；鞠晓生等，2013；Chang et al.，2015；申宇等，2017）。不同背景的企业高管具有不同的管理风格，不同的管理风格又会塑造不同的企业表现，目前，鲜有研究考察企业高管的发明家经历如何塑造企业创新战略，本期分享的文章尝试对这一问题进行研究，实证考察企业高管的发明家经历对创新绩效的具体影响及其作用机制。
▪ 文献来源：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,(03):136-154.
▪ 数据与代码来源：《中国工业经济》编辑部 (中国工业经济 (ajcass.org)
▪ 关键词： 发明家高管；企业创新；专业知识；管理层短视；激励信号
▪ 主要内容：本文基于纯手工收集整理的中国制造业上市企业内部发明家数据，分析了董事长和总经理的发明家经历对企业创新的具体效应及其影响机制。研究发现，发明家高管对企业研发投入、创新产出、创新效率具有显著的正向促进作用；发明家高管对高科技企业、国有企业、大型企业、成熟企业，以及制度环境较差地区企业创新的正向影响更加明显。考虑到模型可能存在内生性问题，本文进一步采用高管换届分析、面板工具变量估计以及倾向得分匹配等识别策略进行验证，结果均显示发明家高管能显著提高企业创新。机制研究表明，发明家高管通过提供专业知识、提高管理层多元化、减轻管理层短视、向企业内部个体发明家传递激励信号等途径促进企业创新。同时，本文排除创始人高管、过度自信高管等潜在竞争性解释的干扰后的一系列稳健性检验进一步证明文章结论的稳健性和可靠性。本文首次使用中国企业数据实证分析发明家高管对企业创新的影响及其作用机制，弥补了相关领域研究不足，为企业高管与创新研究提供重要补充，对推动“大众创业、万众创新”政策落地提供微观经验支撑。
CNDD-0007 上市公司各类型专利国内外申请、授权情况
为了检验董事长和总经理的发明家经历对微观企业创新活动产生的影响效应，参考 Chang et al.（2015）以及张杰等（2017）的研究设计，本文构建如下基本计量模型：
其中，模型（1）、（2）中的下标 i、j、s、t分别表示专利、企业（第一申请人）、技术领域和申请年份。
其中，Innovationi，t 为模型因变量，代表企业 i 在第 t 年的研发创新绩效，企业创新绩效可以分别从研发投入、创新产出和创新效率三个维度来衡量。研发投入使用企业研发投入强度（Rdsales_ratio）来衡量，研发投入强度即企业当年研发投入与营业总收入之比。创新产出指企业所获专利授权量，根据中国国家统计局的分类，在中国所申请的专利有发明、实用新型、外观设计三种类型，本文遵循已有文献中的做法， 使用企业当年所有申请的专利中最终获得授权的专利数量作为企业创新绩效的代理变量（Chang et al.，2015），理由主要有以下三点：①企业研发投入强度仅仅衡量的是技术创新活动的资源投入状况，无法体现出企业的创新质量和创新效率，不同企业间在创新效率和创新质量方面存在明显差异，企业所获专利授权量能直接衡量企业创新产出水平的高低。②由于研发投入数据是企业自愿披露的，因此，未披露研发投入的企业未必就没有进行创新活动，使用企业研发投入数据面临衡量偏误问题；另外，企业研发投入数据对财务会计准则比较敏感，会受到财务会计准则变更的干扰。③从数据可得性方面，企业专利数据要好于研发投入数据，中国上市企业的研发投入数据是从 2007 年开始公布， 而国泰安公司专利与研发创新数据库则涵盖了中国所有上市企业1989—2015 年历年专利申请和授权数据，数据质量明显好于企业研发支出数据。
此外，本文还进一步构建衡量创新效率变量指标，考察发明家高管对企业创新效率的影响。因此，本文模型中企业创新绩效的代理变量包括：①研发投入。使用企业研发投入强度（Rdsales_ratio）度量。②创新产出。分别使用企业当年所申请的专利中三种类型专利授权总量 （Patentall_grant）、 发明专利授权量（Patentinv_grant）、 实用新型专利授权量 （Patentapp_grant）， 以及外观设计专 利授权量（Patentdes_grant）度量创新产出，遵循已有相关文献中的处理方法，对企业创新产出进行对数化处理：Ln_patentall_grant=ln（1+Patentall_grant），其他专利产出变量进行类似处理，得到Ln_patentinv_grant、Ln_patentapp_grant、Ln_patentdes_grant。③创新效率。借鉴 Hirshleifer et al.（2013）的方法，基于单位研发支出转化的专利授权数量，构建企业创新效率度量指标。
模型自变量为发明家高管虚拟变量，用 PreCEO_inventor 表示。①通过国泰安（CSMAR）和 Wind数据库，收集并整理出中国制造业上市企业历年董事长和总经理的个人特征数据；②基于 IncoPat科技创新情报平台， 手工收集并整理中国所有制造业上市企业内部个体发明家创新专利数据库；③将企业高管与发明家数据库进行匹配，识别出拥有发明家经历的企业高管，为降低姓名重合的干扰，对每一名发明家高管的简历进行仔细甄别，根据其教育和专业背景剔除可能的重名错误匹配；④识别出拥有发明家经历的企业高管， 若企业董事长或总经理至少有 1 人拥有发明家经历，PreCEO_inventor 取值为 1；若董事长和总经理均没有发明家经历，PreCEO_inventor 取值为 0。
Firm_control 为企业层面一系列控制变量，下标 k 代表控制变量个数，参照 Chang et al.（2015）的研究设计，本文所用到的控制变量包括：企业总资产自然对数（Ln_assets），作为企业规模的代理指标。企业年龄自然对数（Ln_firmage），在企业不同的发展阶段，企业的战略决策与行为也有所不同 ， 根据企业成立时间推算出企业的年龄并加以控制 。企业人均固定资产净额自然对数（Ln_fixedpp），本文使用企业人均固定资产净额的自然对数作为企业资本密度的代理指标并加以控制。企业人均营业收入自然对数（Ln_salespp），本文使用企业人均营业收入的自然对数作为企业员工劳动生产率的代理指标。企业营业收入同比增速（Salesgrowth），本文使用企业营业收入同比增速作为企业未来成长机会的代理变量，企业未来成长机会越多，发展前景越好，企业进行技术创新的动力也就越大。企业账面市值比（MB_ratio），本文同时还采用企业账面市值比来衡量企业未来成长机会。企业资产负债率（Leverage），本文通过在模型中引入资产负债率来控制企业资本结构对创新产出的影响。现金资产比率（Cashassets_ratio），本文还考虑了企业现金持有对技术创新的影响，使用现金资产占企业总资产比率作为现金持有的代理变量。企业总资产收益率（ROA），使用企业总资产收益率度量企业盈利状况，总资产收益率的计算方法为企业当年的净利润除以平均总资产。企业股票持有期年收益率（Stockreturn），本文采用企业股票当年持有期年收益率作为股票市场表现的衡量指标。企业股票当年交易日收益率标准差（Stockvolatility），为了控制企业股票波动的影响，本文使用企业股票当年日收益率的标准差来度量企业股票收益的波动状况；企业所在行业竞争程度，用赫芬达尔指数（Herfindahl）及其平方项（Herfindahl_sq）描述创新与产品市场竞争之间存在的“倒 U 型”关系（Aghion et al.，2005）。考虑到企业从研发创新到获得专利授权存在一定时滞， 已有研究采取将解释变量进行滞后一期处理，本文同样对模型所有控制变量进行滞后一期处理。为消除样本离群值的影响，本文对所有总量变量在 99%和 1%分位处进行缩尾处理。Industry、Year、Province 分别表示企业所属行业效应、年份效应以及所属省份效应，本文在回归分析中对以上三种效应均进行控制。
进行基准模型回归，采用最小二乘估计方法，回归估计结果如下。
研发投入方面。表 2 模型 1 所示即为发明家高管对企业研发投入强度的多元回归估计结果。由表 2 模型 1 可知，发明家高管的回归系数约为 0.006，且在 1%水平上显著。这表明，高管发明家经历与企业研发投入强度之间存在显著的正相关关系， 当期高管发明家经历使得企业下一年研发投入强度平均提高约 0.6 个百分点， 发明家高管对企业研发投入的促进作用不论在统计意义上还是在经济意义上都较为明显。
创新产出方面。本文主要采用企业当年所申请的专利中最终获得授权的专利数量作为企业创新产出的代理变量。由于不同类型专利价值不同，因此，本文分别考察发明家高管对企业专利授权总量、发明专利授权量、实用新型专利授权量以及外观设计专利授权量的影响，不仅分析发明家高管对企业创新专利产出总量的影响，同时也考虑到其对不同类型专利授权量的具体效应。表 2 模型2—模型 5 详细汇报了发明家高管对企业专利授权总量以及发明、实用新型、外观设计三种类型专利授权量的具体效应。由表 2 模型 2 估计结果可知，发明家高管对企业专利授权总量的估计系数为 1.042，且在 1%水平上显著，意味着高管发明家背景使得企业下一年专利授权总量平均增加约 104.2%，超过一倍， 这种正向促进效应不论是在经济意义上， 还是在统计意义上都较为显著。根据表 2 模型3—模型 5 估计结果，发明家高管对企业发明专利授权量、实用新型专利授权量以及外观设计专利授权量的估计系数分别为 0.463、0.733 和 0.397，均在 1%水平上显著，表明高管发明家经历使得企业下一年发明专利授权量、 实用新型专利授权量和外观设计专利授权量分别平均增加约 46.3%、73.3%和 39.7%， 发明家高管对三种类型专利授权量的正向促进影响均比较明显。
不仅是创新产出，创新效率也是企业所必须重视的问题，创新效率体现出企业对研发投入的利用是否高效。本文不仅关注发明家高管对企业研发投入和创新产出的影响，同时考虑到发明家高管对企业创新效率的影响，本文借鉴 Hirshleifer et al.（2013）的方法，基于单位研发支出转化的专利授权数量，构建创新效率度量指标，表 2 模型 6 列示了具体的回归估计结果，由表 2 可知，发明家高管对企业创新效率变量的回归系数显著为正， 意味着企业高管的发明家经历不仅显著提高企业创新产出，而且提高了企业的创新效率，即在相同的研发投入条件下，若企业高管拥有发明家经历，企业在下一期所获得的专利授权量更多。验证了高管发明家经历不仅提高企业研发投入和创新产出，还进一步提高了企业的创新效率。
见推文末尾。
▪ 客服微信方式：
扫描下方二维码，或搜索下方微信号。
添加客服微信号：
DeepData001
获取更多更新数据
1. 除中国深度数据库（CNDD）特殊声明外，CNDD对基于合法来源的数据的选择、整理和编排具有独创性。任何自然人、法人、其他组织未经CNDD授权，不得以任何目的截取、上传、下载、复制、修改、使用、编译等或者以任何方式任何媒介传播上述作品的任何部分，否则视为侵权。
2. 对于存在侵害CNDD上述权利违法行为的主体，CNDD保留依法追究其法律责任的权利。
任何使用CNDD数据等产品的单位和个人，承诺只将CNDD的数据等用于学术研究，并在所得研究成果（包括但不限于学术论文、咨询报告等）中注明数据来源于CNDD。数据来源的注明方式请参考：“本研究数据来源于中国深度数据库CNDD”；英文参考：“We get the data from CNDeepData (CNDD)”。
中国深度数据库：让精品数据 得以流动
CNDeepData：Let high-quality data flow without barriers
