创新环境视角下政府补助对专利密集型企业创新的影响研究

[摘要]以949家专利密集型企业2015—2020年的数据为研究样本，建立面板数据模型，实证检验创新环境视角下政府补助对专利密集型企业创新的影响机制，并进一步讨论了知识产权保护的调节作用。研究表明：政府补助显著加大了专利密集型企业创新投入、提升了专利密集型企业创新绩效，创新投入在政府补助促进专利密集型企业创新绩效的路径中发挥部分中介作用；进一步研究发现，政府补助对专利密集型企业创新的影响机制存在地区异质性；创新环境低档组的回归结果与整体样本类似，在创新环境高档组中，政府补助与专利密集型企业创新绩效无显著性作用，创新投入的中介效应不存在；知识产权保护在创新投入促进专利密集型企业创新绩效的中介路径中起到了正向调节作用。据此，从政府补助政策和知识产权等角度给出提升专利密集型企业创新绩效的对策建议。

[关键词]政府补助；专利密集型；创新环境；创新绩效；创新投入

一、 引言

以高创新投入强度和高创新活力为特征，专利密集型企业开展的研发活动有力地促进了核心竞争力的提升。作为国家知识产权能力和创新能力的表征，专利密集型企业虽然具有较高的专利密集度，但是其拥有的自主核心知识产权技术与发达国家相比仍有不足，“卡脖子”现象依然存在。为了解决这一问题，加大专利密集型企业自主研发投入力度就显得十分必要。为弥补企业研发风险，提高企业创新积极性，政府会通过发放补助的形式给予企业政策支持以减轻企业研发负担。专利密集型企业作为国家重点扶持的对象之一，来自政府的资金补助对其创新发展具有重要影响。在国家大力提倡创新的背景下，各地也采取了一系列措施改善创新环境以支持企业创新。然而，在不同的创新环境下政府补助与专利密集型企业创新之间究竟是何种关系？知识产权保护作为企业创新的保障，在政府补助的创新路径中起到何种作用？为了加快专利密集型企业创新，这些问题亟待解决。因此，本文选取949家沪深上市的专利密集型企业数据，借助面板数据模型，对以上问题展开探讨。

关于政府补助与企业创新的关系，学者们持有不同意见。部分学者认为政府补助对企业创新绩效产生了显著促进作用[1-3]，但对不同行业、不同生命周期、不同地区和不同产权性质的企业影响效果不同[4-7]。也有学者认为，政府补助对企业创新绩效存在挤出效应[8-9]。还有学者认为政府补助与企业创新绩效之间并非简单线性关系。例如，刘虹等[10]研究认为政府补贴会对企业研发投入产生激励效应和挤出效应，两种效应的分布图呈倒“U”型。施建军等[11]研究发现政府补助规模与企业创新能力呈浅“U”型关系，当补助规模超过适度值后才能真正提高企业创新能力。

专利密集型企业研发创新离不开地区知识产权保护的支撑。已有学者对于知识产权保护与企业创新绩效关系的探讨，持有3种观点：知识产权保护可以提升企业创新绩效[12-13]，知识产权保护对企业创新绩效有负向影响[14-15]，知识产权保护间接作用于企业创新绩效[16-17]。

综上所述，学者们已对政府补助与企业创新的关系进行了大量研究。已有文献侧重于对不同产权性质和不同地区的政府补助与企业创新关系进行研究，大多基于上市公司综合分析，较少划分具体行业研究，以专利密集型企业为研究对象的文献更是稀少；并且较少考虑知识产权保护在政府补助促进创新效应中的作用机制。本文在已有研究基础上，寻求进一步创新。以沪深上市的专利密集型企业为研究样本，探讨政府补助与专利密集型企业创新之间的内在关系，并从创新环境视角探讨上述影响的异质性以及知识产权保护对上述关系的调节作用，以期为专利密集型企业创新绩效的提升以及政府补助政策的完善提供借鉴意义。

二、 理论基础及研究假设

1. 政府补助与专利密集型企业创新

政府补助是专利密集型企业研发经费的重要来源之一。获得政府补贴可以看作企业积极响应政府政策的一种方式，是企业与政府保持良好关系的一种途径，有利于企业获取更多创新资源、提升创新绩效。一方面，政府补助可作为企业经营信誉良好的信号传递给外部投资者，从而产生正外部市场效应，增加投资者投资信心，保证企业有足够资金进行创新；另一方面，来自政府的资金补贴具有无偿性且可以直接获得，一定程度上缓解了企业创新难的问题，能够提高企业创新绩效。因此，本文提出以下假设：

H1：政府补助可以显著提升专利密集型企业创新绩效。

专利密集型企业具有高创新投入强度的特性，而由于企业创新活动的复杂性以及外部环境的多变性，企业的投入产出率存在很大不确定性。企业在创新过程中会面临许多诸如资金、市场、技术等风险因素的约束，这些风险因素一定程度上降低了创新回报率。政府补助不仅能够有效弥补企业研发外部性损失，提高企业研发积极性[18]，而且可以通过信号传递效应吸引外部投资者，帮助企业获得更多的资金来源，从而增加企业创新资金流入[19]。因此，本文提出以下假设：

H2：政府补助显著促进了专利密集型企业创新投入。

对专利密集型企业而言，衡量创新投入是否具有价值的关键是看其是否通过核心知识产权产生了较高的创新绩效，提高企业盈利水平。创新投入既可以通过调动研发人员积极性、配置企业创新资源等增加企业创新产出，也可以直接促进企业技术创新，提升企业创新绩效[20]。政府补助能够有效缓解企业资金约束，避免市场失灵所带来的研发风险，增强企业研发信心，进而提高专利密集型企业创新绩效。因此，本文提出以下假设：

H3：创新投入与专利密集型企业创新绩效显著正相关。

H4：创新投入在政府补助和专利密集型企业创新绩效关系中发挥中介作用。

2. 知识产权保护的调节作用

专利密集型企业的竞争归根究底是核心知识产权的竞争，因此地区知识产权保护水平对其创新发展有着重要影响。高水平的知识产权保护创造了良好的营商环境，不仅有利于企业技术创新，而且更易吸引外商直接投资，其产生的技术溢出效应等推动了企业创新[21]。知识产权保护水平越高的地区，创新成果越突出，其产生的创新价值越高。当创新成果得到有效保障时，专利密集型企业会增加创新投入以提升企业创新绩效。因此，本文提出以下假设：

H5：知识产权保护在创新投入促进专利密集型企业创新绩效的中介路径中发挥调节作用。

三、 研究设计

1. 数据来源与可行性

本文参照国家统计局发布的《知识产权（专利）密集型产业统计分类（2019）》，与上市公司行业分类进行对照，选择沪深上市的专利密集型企业作为研究对象，并基于以下原则对所选样本进行了筛选：剔除ST和ST*公司；剔除与本研究密切相关但指标披露不全或数据缺失较多的公司。最终获得949家专利密集型企业2015—2020年的数据，共5694个样本量。为控制极端值的影响，对各变量在1%和99%的水平上进行了缩尾处理。使用Excel和stata15.0进行数据筛选、处理和分析。数据来源于CSMAR数据库，具体如表1所示。

2. 变量选取

（1）被解释变量：创新绩效（Pat）

专利是企业最直观且可度量的创新表征，常被用来度量企业创新绩效。本文参照已有研究[22]，选取专利申请量的自然对数来衡量专利密集型企业创新绩效。

（2）解释变量：政府补助（Gov）

由于专利密集型产业拥有较高的专利密集度，其专利创新受政府政策的影响更明显。来自政府部门的补贴是激励专利密集型企业创新成长的有效方式。本文选取企业年报中政府补助金额的自然对数衡量。

（3）中介变量：创新投入（RD）

创新投入是企业创新活动的根本保障。本文选取企业年报中研发投入金额的自然对数衡量。

（4）调节变量：知识产权保护（IP）

国家知识产权局知识产权发展研究中心编制的《知识产权发展状况评价报告》从知识产权创造、知识产权运用、知识产权保护和知识产权环境4个方面对知识产权综合发展进行评价。同时该指标体系也纳入了专利密集型产业增加值占GDP比重指标，与本研究主题贴合。因此，本文采用《知识产权发展状况评价报告》中的知识产权综合指数衡量。

（5）控制变量

创新环境（Env）。创新环境是企业成长所需的外部环境，通过与创新主体间的有效协同，进而影响企业创新。基于构建创新环境指标体系的客观全面、科学可行原则，本文结合相关研究[23]，从基础设施环境等5个方面衡量创新环境，具体指标如表2所示。

数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国金融统计年鉴》以及地方统计年鉴。由于数据量纲各不相同，本文对各项原始数据进行标准化处理，运用主成分分析方法计算创新环境综合指数，结果如表3所示1。

根据主成分分析结果，把全部样本按创新环境综合指数划分为两组，并将创新环境设置为0—1虚拟变量。其中，创新环境综合指数大于1的为一组，赋值为1，创新环境综合指数小于1的为另一组，赋值为0。由表3知，广东创新环境综合得分遥遥领先，北京、江苏紧随其后。山东、浙江创新环境综合指数持续上升，近几年创新环境得分值在1之上，较之前大有改善。青海、宁夏、西藏等地创新环境得分位于0以下，远低于全国平均值，创新环境弱势明显。

根据本研究相关文献梳理，还选取了企业规模（Size）、企业价值（Tobinq）、资产负债率（Lev）、盈利能力（Abi）、行业集中度（CR）作为本文的控制变量。

具体变量描述如表4所示。

3. 模型构建

为了验证H1，本文设计模型（1）：

[Pati，t=α0+α1Govi，t+α2Envi，t+α3Sizei，t+α4Tobinqi，t+α5Levi，t+α6Abii，t+α7CRi，t+εi，t] （1）

为了验证H2，本文设计模型（2）：

[RDi，t=β0+β1Govi，t+β2Envi，t+β3Sizei，t+β4Tobinqi，t+β5Levi，t+β6Abii，t+β7CRi，t+ςi，t] （2）

为了验证H3，本文设计模型（3）：

[Pati，t=η0+η1RDi，t+η2Envi，t+η3Sizei，t+η4Tobinqi，t+η5Levi，t+η6Abii，t+η7CRi，t+ωi，t] （3）

为了验证H4，本文设计模型（4）：

[Pati，t=γ0+γ1Govi，t+γ2RDi，t+γ3Envi，t+γ4Sizei，t+γ5Tobinqi，t+γ6Levi，t+γ7Abii，t+γ8CRi，t+τi，t] （4）

为了验证H5，参考温忠麟等[24]的研究，设计模型（5）至模型（8）。要求：加入IP变量进行回归后，RD的中介效应依然存在，并且模型（8）中RD和IP的交互项系数显著。

[Pati，t=χ0+χ1Govi，t+χ2IPi，t+χ3Envi，t+χ4Sizei，t+χ5Tobinqi，t+χ6Levi，t+χ7Abii，t+χ8CRi，t+μi，t] （5）

[RDi，t=ϕ0+ϕ1Govi，t+ϕ2IPi，t+ϕ3Envi，t+ϕ4Sizei，t+ϕ5Tobinqi，t+ϕ6Levi，t+ϕ7Abii，t+ϕ8CRi，t+σi，t]    （6）

[Pati，t=φ0+φ1Govi，t+φ2RDi，t+φ3IPi，t+φ4Envi，t+φ5Sizei，t+φ6Tobinqi，t+φ7Levi，t+φ8Abii，t+φ9CRi，t+υi，t] （7）

[Pati，t=λ0+λ1Govi，t+λ2RDi，t+λ3IPi，t+λ4（RDi，t×IPi，t）+λ5Envi，t+λ6Sizei，t+λ7Tobinqi，t+λ8Levi，t+λ9Abii，t+λ10CRi，t+ζi，t] （8）

四、 实证分析