Industry Policy and Peer Effects of Corporate Innovation: A Heterogeneity Study Based on Spatial Autoregressive Models

Mengchen ZHU; Xiaoyi HAN; Muyi LI

doi:10.12012/CJoE2024-0365

PDF(2924 KB)

China Journal of Econometrics ›› 2025, Vol. 5 ›› Issue (1) : 171-196. DOI: 10.12012/CJoE2024-0365

Industry Policy and Peer Effects of Corporate Innovation: A Heterogeneity Study Based on Spatial Autoregressive Models

Author information +

History +

Abstract

Different from traditional linear models which assume that firms make decisions independently according to their own characteristics, this paper uses a spatial autoregressive model to study the heterogeneous peer effects of firm innovations, under the impact of industry policy. We find that firms supported by the policy will show positive innovation interactions, that is, they will tend to imitate the innovation behavior of their peers in the same region, while the non-supported firms do not have this pattern. The difference between them are significant and robust. The imitation behaviors of supported firms aim to maintain a relative competitive position. As for the non-supported firms, those with large financial constraints prefer the innovation imitation to reduce the information cost of decision-making while firms with small financial constraints are likely to shrinkage the innovation investment if their peers have great innovation output due to competition in product or factor markets. The conclusions of this paper provide a new perspective of innovation interaction for studying the results of policy impact. In addition, by emphasizing the heterogeneity of firm behavior, it shows that different mechanisms will have different explanatory power in different cases, thus providing empirical evidence of heterogeneity effect for the analysis of firm interactions.

Key words

corporate innovation / peer effects / industry policy / spatial autoregressive model

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Mengchen ZHU , Xiaoyi HAN , Muyi LI. Industry Policy and Peer Effects of Corporate Innovation: A Heterogeneity Study Based on Spatial Autoregressive Models. China Journal of Econometrics, 2025, 5(1): 171-196 https://doi.org/10.12012/CJoE2024-0365

1 引言

技术创新是经济增长的内在动力, 也是经济高质量发展的源泉. 我国政府一直致力于通过各种产业政策降低创新的成本, 期望能激励企业研发创新, 给经济发展注入活力. 二十大报告更是强调, 高质量发展是我国建设社会主义现代化国家的首要任务. 在这样的背景下, 如何通过产业政策的实施达到激励企业技术创新、实现经济高质量发展的目的, 这无疑是十分重要的学术问题.

经典文献从直接的财税扶持和间接的资质认证两方面研究了政策扶持为企业创新带来的优势(雷根强和郭玥2018). 直接扶持通常包括政策提供的税收减免、政府补助和其他相应的财政支持. 祝继高等(2015)发现, 受到政策扶持的企业拥有更多的外部融资渠道, 从金融资源配置的角度说明了政策扶持能降低企业的研发创新成本. 另一方面, 政策扶持还会在资本市场(韩乾和洪永淼2014)和人才市场(刘毓芸和程宇玮2020)上释放信号, 为企业的技术研发能力提供资质认证, 帮助投资者甄别企业的优劣, 这有助于缓解企业和投资者之间的信息不对称, 从而使得企业更容易获得资金与技术等支持.

然而, 产业政策不仅会直接影响企业的研发创新水平, 还可能对企业间研发创新的同群效应产生影响. 企业决策往往通过行业、地理、供应链等渠道与其他个体存在相关性, 这种决策间的同群效应(Peer Effects)正被越来越多的文献所认可(Grieser2021; Dougal et al.2015; Hsu et al.2023). 例如, 企业的创新行为可能带来知识外溢, 从而降低行业企业的创新成本(Qiu and Wan2015); 又如, 企业倾向于和同行业企业保持相似的投资决策, 以便向投资者阐述其决策的合理性(江新峰和张敦力2019). 产业政策扶持放松了企业的资源约束, 改变了企业面临的市场环境, 影响了企业创新, 当然也可能会影响企业创新的同群效应. 这种影响是否成立? 其背后对应了企业怎样的决策机制? 这正是本文尝试回答的问题.

本文的实证设计与相关文献有三点不同. 第一, 选择空间自回归模型作为研究方法, 该模型允许企业决策存在相关性, 并利用空间矩阵来直接地描述这种相依关系, 从而方便本文讨论政策影响与创新同群效应的关联. 我们没有使用传统方法(如DID)的原因在于, 传统方法往往需要SUTVA (stable unit treatment value assumption)假设, 即政策对受扶持企业的影响不会改变非扶持企业的潜在结果, 但从企业间存在决策相关的视角来看, 该假设并不能被满足, 这可能给系数的估计和解读带来偏误(Berg et al.2021; Delgado and Florax2015). 第二, 本文没有关注产业政策这一整体, 而是以高新技术企业认定政策(高企认定政策, 下同)为研究对象. 该政策指的是2008年由科技部、财政部和国家税务总局联合发布的《高新技术企业认定管理办法》. 该办法旨在扶持和鼓励高新技术企业的发展, 申请并通过认定的企业可以在三年内享受相应的税收减免, 即按照15% 而非25% 的所得税税率缴纳企业所得税; 此外, 企业还可能享受到地方政府的扶持, 获得相应的政府补贴、项目支持等. 选择高企认定支持作为研究对象的原因在于, 一方面, 作为产业政策的一项具体实施措施, 它同样是通过直接的财税扶持与间接的资质认证两种方法为企业提供优势, 因此研究路径相似; 另一方面, 产业政策指导整体经济走势, 包括调整产业结构、促进企业投资、发展绿色经济等多个目标, 而高企认定政策旨在激励企业技术创新, 其目的与本文的研究更加相关, 且直接作用于企业, 指向也更加具体, 这都有助于本文后续对企业行为逻辑进行分析. 第三, 本文没有关注面临着直接市场竞争关系的行业企业同群效应, 而是关注地区企业之间的同群效应. Dougal et al.(2015)发现, 即使处在不同的行业中, 企业也会对同一地区内其他企业的投资高度敏感; 李志生等(2018)考察了同地区企业间过度负债水平的正相关关系, 他们认为, 当地区经济和商业条件等发生变化时, 企业可能模仿本地领头企业的过度负债行为. 此外, 地区企业间往往存在更严重的稀缺资源的竞争问题, 这会加深地区企业间的联系, 更容易产生同群效应. 最后, 本文关注地区同群效应的最主要原因在于, 这样的设计允许我们控制行业效应, 因此能部分缓解政策对高新技术行业的选择性扶持问题.

本文的边际贡献有两点: 首先, 本文通过对比政策扶持企业与非扶持企业在互动决策上的差异, 为理解产业政策如何通过影响企业间的创新互动来塑造市场行为提供了新的视角. 其次, 本文的结论进一步强调了不同类型企业在决策机制上的差异性. 通过揭示受扶持与非扶持企业在模仿行为和信息成本考量上的不同, 本文为理解企业同群效应的异质性提供了新的实证证据.

本文后续的结构如下: 第2部分是研究假说; 第3部分是研究设计, 包括模型、数据与估计方法; 第4部分展示了基准回归结果、内生性和稳健性分析; 第5部分为机制检验; 第6部分是异质性分析; 最后是本文结论以及政策建议.

2 研究假说

2.1 企业研发创新地区同群效应的异质性

许多文献关注行业同群效应, 然而, 地理相邻的企业之间也会产生地区同群效应. 从资源供给的角度来说, 地理相邻会激化企业之间的资源竞争. 这是因为, 对于给定的时间和地点, 市场需求、融资便利、政策资源、补贴与税负减免等稀缺要素总是有限的, 无法使所有企业同时受益(林志帆和龙小宁2021), 因此同地区企业的决策之间总是存在资源竞争上的互动. 从创新成本的角度来说, 地理聚集可能带来人才聚集和知识外溢, 这能有效降低创新成本, 提高企业进行创新投资和创新互动的意愿. 从市场需求的角度来说, 地理集聚可能意味着更加激烈的市场竞争(蔡庆丰等2021). 竞争有利于提高企业创新的积极性, 督促企业通过快速的产品迭代和创新产出来提高自身竞争力、从而争夺地区内有限的市场份额. 因此在竞争激烈的区域下, 创新的同群效应往往更加明显. 这些因素对创新成本与收益的影响如图 1所示.

图1 创新同群效应的成本与收益

Full size|PPT slide

这些渠道也体现在产业政策对地区创新同群效应的影响上, 并且往往在受扶持企业中体现的更加明显(如图 2所示). 一方面, 产业政策直观地为企业带来了资源倾斜, 这将弱化地区资源竞争对企业决策的约束, 降低企业的创新成本, 使得即使面对高风险高成本的创新投资, 受扶持企业也有充分的动机和实力进行研发创新和创新互动. 另一方面, 产业政策扶持的领域往往具有更高的发展潜力和更大的市场需求(江新峰和张敦力2019), 身处这些领域的企业也会面临更大的机遇和更加激烈的竞争, 此时, 政策扶持将起到指引企业投资决策的作用, 激励企业争相进行创新投资以应对市场竞争, 由此强化了研发创新的地区同群效应.

图2 产业政策影响下扶持企业的创新同群效应及其机制

Full size|PPT slide

综合上述分析, 本文提出如下假说:

假说1 企业创新存在地区同群效应, 并且该效应在受扶持企业和非扶持企业之间存在异质性.

2.2 企业研发创新地区同群效应的机制

Lieberman and Asaba (2006)使用行为模仿来解释企业之间的同群效应, 并将其决策机制分为两类: 基于竞争的行为模仿和基于信息的行为模仿. 本文尝试通过这两种不同的决策机制来进一步分析受扶持企业和非扶持企业之间的创新互动异质性.

其中, 受扶持企业的决策机制体现为图 2中的竞争机制. 从创新成本的角度来说, 得益于政策扶持的影响, 受扶持企业的资源约束相对较小, 即产业政策弱化了受扶持企业的资源约束, 由图 2中的虚线箭头表示. 从创新收益的角度来说, 这些企业通常面临着更大的发展机遇和严峻的市场竞争, 他们有能力也有动机进行研发创新. 这是因为, 创新投资有利于企业创造需求、把握机遇, 通过提高产品竞争力的方式来维持自身的相对市场地位(Lieberman and Asaba2006), 从而缓解其面临的竞争压力. 因此, 产业政策会强化竞争机制, 体现为受扶持企业的创新相对收益的提高. 因此受扶持企业往往会存在更强的创新意愿, 并且竞争越大, 创新模仿的意愿越大. 由此本文提出以下假说:

假说2 面临较大的市场竞争时, 受扶持企业表现出的同群效应会更大.

非扶持企业在不同融资约束下的同群效应决策机制由图 3给出. 祝继高等(2015)认为, 产业政策对受扶持企业提供了金融支持, 这在客观上会使得非扶持企业的融资约束问题更为严重. 而从资本市场的角度来看, 投资者往往更倾向于当地的股票(Coval and Moskowitz1999), 这种偏好会形成潜在的资本市场的区域分割, 进而加剧同一地区内企业间的资源竞争. 因此在进行创新决策时, 非政策扶持的企业往往受困于创新的高风险与高成本特征, 他们会结合自身的融资约束特征, 对同伴的创新行为作出不同的响应.

图3 不同融资约束下非扶持企业的创新同群效应及其机制

Full size|PPT slide

获取信息并独立决策是一项费时费力的工作, 对于那些更小、更年轻、信息获取能力低的企业来说尤其如此. 当融资约束较高时, 非扶持企业既需要通过研发创新扩大产品市场份额, 又困于既有的资金约束, 他们往往会选择模仿其他企业的创新行为. 这是因为, 模仿那些更大、更成熟、信息获取能力高的领头企业的行为, 能够有效降低自身决策的信息成本(Lieberman and Asaba2006; Adhikari and Agrawal2018), 从而间接降低了企业的创新成本. 在这种情况下, 较高的融资约束强化了信息模仿的机制(见图 3左半部分), 信息获取能力低的企业更倾向于表现出创新的同群效应. 由此提出假说3:

假说3 非扶持企业面临较大的融资约束时, 信息获取能力越低, 创新的同群效应越明显.

当融资约束较低时, 企业大多是资产规模大、盈利情况好的企业, 本身的研发创新需求较小. 另一方面, 对手的创新决策可能降低自身所能获取的要素资源上限, 由此对企业的研发创新活动产生了竞争挤出效应. 此外, 熊彼特效应还强调市场竞争对于企业创新的抑制作用, 这是由于行业整体创新红利低, 企业很难通过创新获得较高的边际收益. 选择性产业政策会筛选出更具有发展前景的行业, 而剩下的行业大多前景有限或市场饱和, 融资约束较低的企业往往处于这样的行业中, 因而面临更低的创新收益. 总的来说, 无论是认为政策的资源倾斜使非扶持企业间竞争挤出更明显, 还是从行业红利少、创新收益低的角度考虑企业行为, 他们都很难表现出积极的创新同群效应, 甚至于会体现为负向的相互挤出(见图 3右半部分). 由此, 本文提出如下假说:

假说4 非扶持企业面临较小的融资约束时, 高度的行业竞争倾向于使企业间表现出负向的创新互动.

3 研究设计

3.1 模型设定与变量定义

本文使用如下空间自回归模型(spatial autoregressive model, SAR)来考察企业研发创新的同群效应:

\begin{aligned} {PT}_{i t} = ρ_{1} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + ρ_{2} {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + X_{i t}^{'} β + EFFECTS + ϵ_{i t} . \end{aligned}

(1)

PT为企业的研发创新水平, 本文使用企业专利申请数量的对数来衡量企业研发创新的总体表现. 此外, 参考黎文靖和郑曼妮(2016), 进一步使用发明专利申请数量的对数(IPT)来衡量企业的创新质量. 相对于申请门槛较低的实用新型专利和外观设计专利, 发明专利往往具有较高的技术含量, 更可能推动技术进步、带来真正的经济高质量发展, 因此适合作为企业实质性创新的衡量方法.

HT为自变量, 定义为企业是否为高新技术企业. 由于高新技术企业认定的有效期为3年, 3年期满之前企业须提出复审, 复审通过后其高新技术企业资格方可再延续3年, 因此该自变量在企业通过认定或通过复审的当年以及随后两年取值为1, 否则取值为0. nonHT

= 1 -

HT, 该变量对非扶持企业取值为1.

w

为空间权重矩阵, 不同的矩阵设定代表不同的个体互动渠道(Grieser et al.2021), 本文考虑的是同一地区内企业创新的同群效应. 地理矩阵的构造参考李志生等(2018), 具体如下:

w_{i j t} = \frac{1}{n_{c} - 1} I (企业 i 和 j 属于同一城市) ，

(2)

其中,

n_{c}

为个体所在城市的企业总数;

I

为示性函数, 当括号内的条件满足时取值为1, 否则为0, 即若当年企业

i

和企业

j

位于同一城市, 则认为他们是地理上的临近企业, 会存在相互影响并产生同群效应, 此时

w_{i j t} = 1 / (n_{c} - 1)

, 而当两企业处于不同城市时,

w_{i j t} = 0

现有文献大多关注同行业企业间的同群效应, 但在本文中, 关注地区企业同群效应能够避免高企认定政策对行业的选择性扶持问题. 高企认定政策的主要目的在于激励电子信息、生物医药、新材料新能源等高科技行业企业的研发创新活动, 这可能导致高科技行业企业与非高科技行业企业的行为动机存在差异, 从而干扰行业同群效应的识别. 然而, 高企认定政策作为一项全国性的政策, 不会对企业在地理层面上的互动产生影响, 因此本文选择地区企业的同群效应作为研究重点. 此外, 本文也控制了行业效应, 这在一定程度上避免了政策的行业倾向对同群效应的识别带来的干扰.

X

为控制变量, 包括企业特征变量、财务变量和治理变量三方面, 其定义详见表 1.

表1 变量定义

变量类型	变量	定义
因变量	PT	企业年度专利申请总数的自然对数
因变量	IPT	企业年度发明专利申请数的自然对数
自变量	HT	高新技术企业认定, 企业处于高新技术企业认定的有效期内时取1, 否则取0
特征变量	Age	企业年龄, 企业自成立以来的年龄取自然对数
	Size	企业规模, 总资产的自然对数
	SOE	是否为国有企业, 是则取1, 否则取0
财务变量	Lev	资产负债率, 总负债与总资产之比
	Tan	企业固定资产占总资产的比值
	Liquidity	企业流动资产与流动负债的比值
	Sub	企业政府补贴占总资产的比值
	Roa	盈利能力, 净利润与总资产的比值
	Cash	货币资金与总资产的比值
治理变量	Top1	股权集中度, 企业第1大股东持股比例
	Top2t10	股权平衡度, 企业第2 $\sim$ 10大股东持股比例之和
	Holder	股票激励, 董监高持股比例之和
	BODSize	董事会人数
	Pay	高级管理人员前三名薪酬总额的对数
	Duality	两职合一, 企业董事长和总经理是否为同一人, 是则取1, 否则取0

EFFECTS代表本文控制了时间、行业和省份效应¹, 其中, 制造业的行业效应控制到了两位数字代码层面, 其他行业控制到行业大类层面. 主要变量的描述性统计如表 2所示.

表2 描述性统计

	均值	标准差	最小值	中位数	最大值	观测值
PT	3.092	1.359	0.693	2.996	9.908	12986
IPT	2.191	1.378	0.000	2.079	9.108	12986
HT	0.710	0.454	0.000	1.000	1.000	12986
Age	2.696	0.403	0.693	2.773	3.932	12986
Size	21.944	1.260	19.156	21.745	28.509	12986
SOE	0.336	0.472	0.000	0.000	1.000	12986
Lev	0.390	0.203	0.008	0.375	0.999	12986
Tan	0.215	0.145	0.000	0.187	0.876	12986
Liquidity	3.100	4.828	0.094	1.838	190.869	12986
Sub	0.006	0.009	0.000	0.004	0.302	12986
ROA	0.046	0.055	$-$ 1.068	0.043	1.126	12986
Cash	0.209	0.154	0.001	0.162	0.954	12986
Top1	35.077	14.638	2.197	33.465	89.090	12986
Top2t10	24.800	13.389	0.630	23.965	70.400	12986
Holder	0.135	0.197	0.000	0.004	0.891	12986
BODSize	8.645	1.672	0.000	9.000	18.000	12986
Pay	14.197	0.782	0.000	14.185	17.352	12986
Duality	0.292	0.455	0.000	0.000	1.000	12986

¹本文中, 贝叶斯方法将这三种效应视作随机效应来估计, 但可以通过允许其分布的均值与个体特征变量相关而视作固定效应的结果, 参见 Mundlak (1978)、Han et al. (2017).

在上述模型中, 本文重点关注同群效应系数

ρ_{1}

和

ρ_{2}

, 后文分别以HT和nonHT表示. HT的系数代表政策扶持企业受到的地区同群效应, 也即是同一城市的其他企业对该地区受扶持企业产生的平均影响; 相应地, nonHT的系数代表非扶持企业所受到的地区同群效应.

本文使用贝叶斯方法进行参数估计. 本文的高阶空间自回归模型, 涉及到对多维空间参数施加约束并进行优化, 相较于只包含一个空间权重矩阵的经典空间自回归模型, 传统的拟极大似然估计(QML)方法存在更大的计算难度(Han et al.2021). 而贝叶斯方法可以在Metropolis-Hasting (M-H)抽样的接受-拒绝步骤中直接对空间参数施加稳定性约束, 拒绝那些不满足条件的样本候选值, 从而更直接地实现参数估计(Hsieh and Lin2017). 我们使用马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)抽样从参数的后验分布中得到25000个样本点, 并设定20%的燃烧期舍弃最初5000个抽样值, 最后得到20000个样本, 并使用这些样本计算参数的后验平均值、标准误和贝叶斯置信区间. 我们根据贝叶斯置信区间是否覆盖0值来判断参数估计值的显著性, 如果置信区间不包括0, 则认为估计值显著区别于0. 其余细节详见附录².

²本文所使用的代码可参见科学数据银行(ScienceDB)期刊社区, DOI: 10.57760/sciencedb.j00214.00111和CSTR: 31253.11.sciencedb.j00214.00111. 若使用本文代码, 请注明引文和出处.

3.2 数据来源

本文选择的样本期间为2008–2017年, 研究对象为A股上市企业, 城市变量的数据来源于CNRDS数据库, 其余数据来源于CSMAR数据库. 本文按照以下步骤对样本进行筛选: 1)剔除杠杆率大于1或小于0、企业资产小于0等异常样本; 2)剔除金融类企业; 3)剔除行业中没有高新技术企业的行业样本; 4)剔除上市状态为ST或ST

^{*}

的样本; 5)剔除主要变量缺失的样本. 最终得到12986个企业年度样本.

4 实证分析

4.1 基本结果

表 3展示了本文的主要的回归结果. 列(1)代表因变量为企业专利申请总数时的结果, 列(2)代表因变量为企业的发明专利申请数的回归结果. 本文关注的参数为同群效应系数HT和nonHT, 它描述了企业创新互动的强度.

表3 基准回归

	PT	IPT		PT	IPT
	(1)	(2)		(1)	(2)
HT	0.067 $^{* * *}$	0.084 $^{* * *}$	Cash	0.055	$-$ 0.010
HT	(0.012)	(0.015)	Cash	(0.080)	(0.086)
nonHT	0.006	0.014	SOE	0.057 $^{* *}$	0.132 $^{* * *}$
nonHT	(0.016)	(0.020)	SOE	(0.025)	(0.027)
HT(Control)	0.224 $^{* * *}$	0.308 $^{* * *}$	Top1	0.000	$-$ 0.001
HT(Control)	(0.059)	(0.055)	Top1	(0.001)	(0.001)
Age	$-$ 0.114 $^{* * *}$	$-$ 0.079 $^{* * *}$	Top2t10	$-$ 0.001	$-$ 0.001
Age	(0.027)	(0.029)	Top2t10	(0.001)	(0.001)
Size	0.594 $^{* * *}$	0.585 $^{* * *}$	Holder	0.184 $^{* * *}$	0.089
Size	(0.011)	(0.011)	Holder	(0.058)	(0.062)
Lev	$-$ 0.076	$-$ 0.207 $^{* * *}$	BODSize	0.004	0.024 $^{* * *}$
Lev	(0.070)	(0.074)	BODSize	(0.006)	(0.006)
Tan	$-$ 0.351 $^{* * *}$	$-$ 0.551 $^{* * *}$	Pay	0.105 $^{* * *}$	0.119 $^{* * *}$
Tan	(0.081)	(0.086)	Pay	(0.014)	(0.014)
Liquidity	$-$ 0.013 $^{* * *}$	$-$ 0.006 $^{* *}$	Duality	0.058 $^{* * *}$	0.057 $^{* * *}$
Liquidity	(0.002)	(0.002)	Duality	(0.021)	(0.022)
Sub	11.698 $^{* * *}$	15.532 $^{* * *}$	EFFECTS	是	是
Sub	(0.992)	(1.060)	观测值	12986	12986
ROA	1.326 $^{* * *}$	1.044 $^{* * *}$
ROA	(0.191)	(0.203)

其中, 列(1)的回归结果显示, HT代表的受扶持企业同群效应系数显著为正, 其值为0.067, 且在1% 显著性水平上显著; 而nonHT代表的非扶持企业的同群效应系数接近于0且不显著. 两者的不同表现说明受扶持企业和非扶持企业的同群效应存在明显的异质性. 这也侧面反映出企业的决策逻辑在政策的影响下会发生较大的变化, 这种变化不仅仅影响企业的创新行为、使其受到创新激励效应, 也会导致企业在创新互动的层面表现出异质性.

黎文靖和郑曼妮(2016)认为, 发明专利申请数可以衡量企业的实质性创新, 这种创新是以推动企业技术进步为目的, 是一种可以实质性地为企业带来产品市场竞争优势的创新, 因此有别于只是为了迎合政府政策导向、以谋求财政补贴等经济利益为目的的策略性创新行为. 本文在列(2)中考虑了实质性创新成果的情况, 可以看出, 列(2)呈现出和列(1)相似的创新互动模式, 即受扶持企业受到显著的地区同群效应, 空间参数的估计值为0.084, 非扶持企业受到的同群效应并不显著.

4.2 内生性分析

政策影响与企业创新互动间存在许多可能导致混淆的因素. 本文尝试从以下三个方面分析内生性问题的来源, 并分别给出相应的回归检验, 用来部分解决内生性因素带来的影响.

4.2.1 政策共同冲击

本文认为, 受扶持企业的创新互动相似性反映了企业创新决策的相互模仿, 即创新模仿. 然而, 受扶持企业都处在政策的影响之下, 这种共同的政策冲击也可能导致企业的行为相似. 为了缓解这一层忧虑, 本文从以下两个方面来阐述政策冲击假说并不具有完全的解释力度.

一方面, 本文考虑的是地区企业间的相互影响, 而政策施加的共同影响更多存在于行业层面. 高企认定政策旨在鼓励企业加大研发创新力度, 其重点扶持领域为电子信息、生物医药、新材料新能源等高科技行业, 一来这些行业本身拥有较高的创新能力和发展潜力, 二来这些行业的企业更容易满足政策扶持条件而成为受扶持的对象、从而获得较多资源, 这些因素都可能导致企业间存在创新行为的相似性. 为了尽量规避政策的共同影响, 本文将关注点放在同一地区内企业行为的相互影响. 当受扶持企业并没有集中分布于某些城市时(对这一前提的验证见4.3小节, 剔除特殊城市的稳健性检验), 政策冲击带来的共同效应能得到一定程度的缓解. 此外, 本文也通过控制行业效应来削弱政策的共同影响.

另一方面, 本文也尝试提供政策冲击假说不完全成立的经验证据. 如果企业间的行为相似主要是政策冲击导致, 则受扶持企业间会表现出强烈的同群效应, 但受扶持企业和非扶持企业间却不一定存在这种互动. 基于此, 本文对式(1)进行进一步的拆分, 使用如下模型检验同类企业和非同类企业之间表现的异同.

\begin{aligned} {PT}_{i t} & = ρ_{1} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} {HT}_{j t} + ρ_{2} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} {nonHT}_{j t} + \\ ρ_{3} {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} {HT}_{j t} + ρ_{4} {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} {nonHT}_{j t} + \\ X_{i t}^{'} β + EFFECTS + ϵ_{i t} . \end{aligned}

(3)

式(3)也是部分文献用来研究同群效应异质性的模型. 等式右边的四项空间滞后项中, 左乘的

{HT}_{i t}

代表受到影响的企业是否是政策扶持企业, 右乘的

{HT}_{j t}

代表产生影响的企业是否是政策扶持企业.

ρ_{1}

代表受扶持企业(

{HT}_{i t} = 1

)所受到的来自受扶持企业(

{HT}_{j t} = 1

)的同群效应(表示为HtH),

ρ_{2}

为受扶持企业(

{HT}_{i t} = 1

)受到的来自于非扶持企业(

{nonHT}_{j t} = 1

)的同群效应(NtH), 类似的,

ρ_{3}

代表非扶持企业是受影响方而受扶持企业是施加影响方(HtN),

ρ_{4}

为受到影响和施加影响的双方都是非扶持企业时的同群效应(NtN). 如果政策冲击导致了创新行为的相似, 则受扶持企业对受扶持企业的影响系数(HtH)会大于非扶持企业(NtH)带来的影响. 而在表 4中, HtH和NtH均显著为正且两者的系数差距较小. 这种相似性说明, 企业的创新模仿更多取决于企业自身是否是受扶持企业, 也就是说, 政策是通过改变企业自身的资源禀赋和行为逻辑, 进而影响到企业创新的同群效应.

表4 政策共同冲击

	PT	IPT
	(1)	(2)
HtH	0.067 $^{* * *}$	0.083 $^{* * *}$
HtH	(0.012)	(0.016)
NtH	0.059 $^{* * *}$	0.090 $^{* * *}$
NtH	(0.021)	(0.031)
HtN	$-$ 0.003	0.010
HtN	(0.017)	(0.023)
NtN	0.018	0.026
NtN	(0.024)	(0.030)
控制变量	是	是
EFFECTS	是	是
观测值	12986	12986

注: 表中仅报告了同群效应的系数, 对控制变量的回归结果进行了省略, 下同.

4.2.2 城市共同因素

当本文关注同一地区内企业间的行为模仿时, 地区共同因素也会成为干扰来源, 即企业行为存在相似性是由于他们面临着相同的经济环境因素, 因而采取了相似的行为模式. 为了缓解这一忧虑, 本文加入人均GDP (PerGDP)、GDP增速(GDPgrowth)、年末总人口(Popu)、固定资产投资占GDP比重(InvRatio)四个城市层面控制变量. 表 5的回归结果显示, 加入城市变量并没有对同群效应系数HT和nonHT带来较大影响, 前者仍然显著为正, 后者不显著区别于0, 并且两者之间存在显著差异.

表5 控制城市特征变量

	PT	IPT
	(1)	(2)
HT	0.059 $^{* * *}$	0.067 $^{* * *}$
HT	(0.018)	(0.018)
nonHT	$-$ 0.003	0.003
nonHT	(0.017)	(0.023)
PerGDP	0.000	0.000
PerGDP	(0.000)	(0.000)
GDPgrowth	$-$ .004	$-$ 0.009 $^{* * *}$
GDPgrowth	(0.002)	(0.003)
Popu	0.016	0.065 $^{* *}$
Popu	(0.026)	(0.027)
InvRatio	$-$ 0.101	$-$ 0.149 $^{*}$
InvRatio	(0.082)	(0.087)
控制变量	是	是
EFFECTS	是	是
观测值	10509	10509

4.2.3 企业自我选择

另一种可能的内生性问题在于, 受到政策扶持的企业可能都是创新能力强、竞争意愿强的企业, 他们表现出的正的同群效应并不是因为得到了政策扶持, 而是因为他们本身就具有较强的创新模仿动机以及能力, 这种企业自身的禀赋特征混淆了政策扶持的影响.

本文借鉴断点回归的思想, 关注那些刚好满足政策申请条件和差一点满足政策申请条件的企业, 他们之间的差异更多地反映在政策扶持与否而非自身的创新能力上, 对比这两种企业的创新互动模式, 可以在一定程度上缓解企业自我选择的内生性问题. 本文参考张瀚禹和吴振磊(2022)、杨国超等(2017), 将企业根据其研发投入水平进一步划分为受扶持企业(HT)、伪扶持企业(pseuHT)、伪非扶持企业(pseunonHT)、非扶持企业(nonHT)进行回归, 具体模型如下.

\begin{aligned} {PT}_{i t} & = (ρ_{1} {HT}_{i t} + ρ_{2} {pseuHT}_{i t} + ρ_{3} {pseunonHT}_{i t} + ρ_{4} {nonHT}_{i t}) \sum_{j \neq i} w_{i j t} {PT}_{j t} + \\ X_{i t}^{'} β + EFFECTS + ϵ_{i t} . \end{aligned}

(4)

这样做的理由是, 高新技术企业认定政策对于申请扶持的企业有硬性的研发投入要求, 如对销售收入在2亿元以上的企业, 要求的研发投入占销售收入比例不低于3%. 对于那些本身创新能力强、创新意愿高的企业来说, 其拥有的研发投入占比应该远远高于政策要求的3%, 相比于他们, 其余那些研发投入占比在3% 左右的受扶持企业的行为更能反映处于政策扶持下的企业的行为逻辑. 本文以1% 为划分区间, 例如, 当政策要求的研发投入占比为3% 时, 研发投入在4% 以上的企业仍然是受扶持企业; 研发投入在[3%, 4%)区间的受扶持企业被重新归类为创新能力一般的伪扶持企业; 研发投入在[2%, 3%)的非扶持企业被重新划分为伪非扶持企业; 研发投入在2% 以下的企业仍然是非扶持企业. 表 6列示了相应的回归结果, 其中, pseuHT和pseunonHT是我们关注的重点, 他们代表那些研发投入占比在政策要求的临界值附近的企业, 其行为差异不易受本节考虑的企业创新能力等内生性因素影响. 此时, 扶持部分的系数pseuHT显著为正, 而非扶持部分的系数pseunonHT不显著区别于0. 受扶持企业和非扶持企业仍然存在明显的同群效应异质性, 并且这种异质性在内生性问题得到缓解后依然存在.

表6 企业自我选择

	PT	IPT
	(1)	(2)
HT	0.067 $^{* * *}$	0.090 $^{* * *}$
HT	(0.012)	(0.016)
pseuHT	0.062 $^{* * *}$	0.070 $^{* * *}$
pseuHT	(0.013)	(0.017)
pseunonHT	0.024	0.019
pseunonHT	(0.017)	(0.022)
nonHT	0.000	0.014
nonHT	(0.014)	(0.020)
控制变量	是	是
EFFECTS	是	是
观测值	12986	12986

4.3 稳健性检验

为了保证文章结论的稳健性, 本文还进行了其他的稳健性检验, 包括滞后控制变量、更换样本期间、剔除特殊城市、使用动态空间面板模型等, 详见附录E. 上述检验均不改变本文的基准结果, 说明本文的结论具有一定的稳健性.

5 受扶持企业创新同群效应的机制检验

Lieberman and Asaba (2006)将企业决策同群效应的机制归为两类, 以竞争优势为动力的创新模仿, 和以降低信息成本为目的的创新模仿. 基于此, 本节将深入讨论受扶持企业正的创新同群效应背后的企业行为机制.

5.1 基于竞争机制的创新模仿

Aghion et al. (2001)认为, 在高度竞争的产品市场中, 企业会出于维持和其他企业的竞争模式、保持自己的相对市场地位的目的模仿对方的创新行为. 当企业处于竞争困局时, 研发创新可能有助于带来突破性进展; 当竞争对手已经采取行动, 快速赶上可以尽力减缓对方企业研发创新给自己带来的不利影响. 因此, 处于竞争程度较高的行业时, 企业将对同群企业的创新行为做出更为强烈的模仿效应. 本节构建以下模型进行分析:

\begin{aligned} {PT}_{i t} & = (ρ_{1} {Low}_{i t} + ρ_{2} {Medium}_{i t} + ρ_{3} {High}_{i t}) {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + \\ ρ_{4} {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + X_{i t}^{'} β + EFFECTS + ϵ_{i t}, \end{aligned}

(5)

其中, Low、Medium、High三个虚拟变量分别代表企业处于竞争程度较低、中等和较高的行业中, 此处使用以企业销售收入构建的CR4和HHI两种指标来衡量行业的竞争程度(Machokoto et al.2021). 以CR4为例, 当企业所处行业的CR4指标属于最高的10% 时, 行业竞争程度较低, 此时

Low = 1

; 当指标属于最小的10% 时, 行业竞争程度较大,

High = 1

. 具体回归结果如表 7所示.

表7 竞争机制分析

	PT		IPT
	(1)	(2)	(3)	(4)
	CR4	HHI	CR4	HHI
Low	0.036	0.057 $^{* *}$	0.016	0.039
Low	(0.040)	(0.022)	(0.056)	(0.033)
Medium	0.061 $^{* * *}$	0.061 $^{* * *}$	0.077 $^{* * *}$	0.075 $^{* * *}$
Medium	(0.012)	(0.012)	(0.015)	(0.016)
High	0.076 $^{* * *}$	0.079 $^{* * *}$	0.098 $^{* * *}$	0.101 $^{* * *}$
High	(0.013)	(0.012)	(0.017)	(0.017)
控制变量	是	是	是	是
EFFECTS	是	是	是	是
观测值	12986	12986	12986	12986

注: 出于方便理解和节省空间的考虑, 本表没有列示非扶持企业的同群效应系数, 但其数值及显著性水平都与基准回归一致, 即没有显著区别于0. 其余未列示的控制变量及时间、行业、省份效应与基准回归相同, 下同.

可以看出, 在列(1)中, 低竞争企业的空间参数(Low)并不显著, 而面临中等(Medium)或较高(High)竞争的企业其同群效应参数显著为正, 分别为0.061和0.076, 取值相对接近, 且都在1% 显著性水平上显著. 列(3)和列(4)也有着相似的结果. 而在列(2)中, 三个系数都存在一定的显著性, 但随着竞争程度的加剧, 创新同群效应的系数也在逐渐增大. 因此, 可以在某种程度上认为, 企业面临更大的市场竞争时, 会表现出更加明显的创新互动效应, 这一结论支持了假说2, 也即, 竞争机制是受扶持企业产生创新同群效应的动力来源.

5.2 基于信息机制的创新模仿

信息理论认为, 信息获取能力低的企业倾向于模仿更成熟、更成功的企业的行为决策, 以获取后者行为中包含的私人信息, 这一现象在经济环境不确定性较大时更加明显(Lieberman and Asaba2006). 本文使用企业规模(Size)、利润率(Pro)、销售收入占总资产比例(Sale)三个指标的十分位数来衡量企业的信息获取能力, 本节使用的模型与式(5)相同, 不同的是Low、Medium、High三个变量的定义.

以企业规模这一指标为例, 企业规模处于最小的10% 的企业被归类为信息获取能力较低的企业(Low), 相对地, 企业规模处于最大的10% 的企业被归类为信息获取能力较高的企业(High), 剩下的均被视为信息获取能力一般的企业(Medium). 如果信息理论成立, Low所代表的更小、更年轻的企业会倾向于表现出正的同群效应. 然而, 表 8的回归结果显示, 信息获取能力中等的企业(Medium)创新互动强度更高, 实证结果并不支持降低信息获取成本这一机制. 一个可能的原因是, 本节的关注对象仅限于受政策扶持的企业, 而这些企业都受惠于政策扶持带来的资源倾斜, 资源约束相对较小. 另一方面, 资质认定作为一种信号反映了企业本身的创新能力, 能够在资本市场上缓解企业与投资者之间的信息不对称(雷根强和郭玥2018), 间接提高了企业的信息获取能力. 因此, 以降低成本为目的的信息理论并没有吸引受扶持企业进行创新模仿.

表8 信息机制分析

	PT			IPT
	(1)	(2)	(3)	(4)	(5)	(6)
	Size	Pro	Sale	Size	Pro	Sale
Low	0.051 $^{* * *}$	0.030	0.005	0.057 $^{* * *}$	0.004	$-$ 0.029
Low	(0.015)	(0.021)	(0.021)	(0.020)	(0.025)	(0.025)
Medium	0.059 $^{* * *}$	0.040 $^{* * *}$	0.020	0.072 $^{* * *}$	0.029 $^{*}$	0.001
Medium	(0.011)	(0.016)	(0.015)	(0.014)	(0.017)	(0.016)
High	0.170 $^{* * *}$	$-$ 0.043 $^{*}$	0.149 $^{* * *}$	0.263 $^{* * *}$	$-$ 0.062 $^{* *}$	0.185 $^{* * *}$
High	(0.017)	(0.022)	(0.021)	(0.021)	(0.027)	(0.024)
控制变量	是	是	是	是	是	是
EFFECTS	是	是	是	是	是	是
观测值	12986	6901	6901	12986	6901	6901

6 非扶持企业创新同群效应的异质性分析

融资约束是企业创新的主要限制之一, 也是实施政策激励时的主要作用对象. 本文拟从融资约束的视角关注企业所表现出的不同的创新同群效应. 在基准回归结果中, 非扶持企业整体的同群效应并没有显著区别于0. 然而, 系数的不显著并不代表个体不会受到同伴行为的影响(谭娅等2021). 对于非扶持的企业来说, 他们不仅没有政策的支持, 甚至可能因为稀缺资源向受扶持企业倾斜而面临更加严重的融资约束问题. 此时, 融资约束将成为他们创新决策的主要影响因素. 本文根据FC指标的四分位数来划分非扶持企业的融资约束程度, FC指标越大, 融资约束越大. 当企业的FC指标属于最小的25% 时, 被认为是融资约束较低的企业(Low); 当FC指标位于最大的25%, 企业属于融资约束较高的企业(High); 其他的企业属于融资约束中等的企业(Medium). 具体模型如下:

\begin{aligned} {PT}_{i t} & = (ρ_{1} {Low}_{i t} + ρ_{2} {Medium}_{i t} + ρ_{3} {High}_{i t}) {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + \\ ρ_{4} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + X_{i t}^{'} β + EFFECTS + ϵ_{i t} . \end{aligned}

(6)

在表 9中, 对于低融资约束的非扶持企业而言, 其地区同群效应系数(Low)为负向显著或者不显著; 而高融资约束企业中, 创新互动始终显著为正. 正是因为同时存在两组相反的系数影响, 才会使得基准模型中, 非扶持企业的平均互动系数不显著. 接下来, 本文将使用与机制检验类似的方法对这两种不同的系数表现进行分析.

表9 非扶持企业的融资约束异质性

	PT	IPT
	(1)	(2)
Low	$-$ 0.072 $^{* * *}$	$-$ 0.043
Low	(0.022)	(0.026)
Medium	$-$ 0.016	$-$ 0.006
Medium	(0.020)	(0.025)
High	0.064 $^{* * *}$	0.092 $^{* * *}$
High	(0.024)	(0.029)
控制变量	是	是
EFFECTS	是	是
观测值	11106	11106

6.1 非扶持企业中高融资约束与信息模仿

\begin{aligned} {PT}_{i t} & = [ρ_{1} {Low}_{i t} + ρ_{2} {Medium}_{i t} + \\ (λ_{1} {LI}_{i t} + λ_{2} {HI}_{i t}) {High}_{i t}] {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + \\ ρ_{4} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + X_{i t}^{'} β + EFFECTS + ϵ_{i t} . \end{aligned}

(7)

本节对那些融资约束较高的非扶持企业进行进一步划分. 与机制检验类似, 分别根据企业规模(Size)、利润率(Pro)、销售收入占比(Sale)三项指标的中位数³将他们划分为信息获取能力较低(LI)和较高(HI)的两组企业. 表 10的回归结果显示, 低信息组企业的同群效应系数(LI)总是表现为正向显著, 而高信息组的同群效应参数(HI)则一般不显著, 甚至在10% 的显著性水平上显著为负. 这说明低信息组企业受限于自身的融资约束, 存在强烈的信息模仿动机, 会积极学习其他企业的创新决策, 因此受到较大的同群效应的影响, 假说3成立.

表10 高融资约束时的信息模仿效应

	PT			IPT
	(1)	(2)	(3)	(4)	(5)	(6)
	Size	Pro	Sale	Size	Pro	Sale
LI	0.074 $^{* * *}$	0.134 $^{* * *}$	0.056 $^{* *}$	0.109 $^{* * *}$	0.168 $^{* * *}$	0.098 $^{* * *}$
LI	(0.023)	(0.035)	(0.026)	(0.028)	(0.050)	(0.038)
HI	0.037	$-$ 0.008	0.000	$-$ 0.095 $^{*}$	0.009	$-$ 0.042
HI	(0.048)	(0.031)	(0.049)	(0.072)	(0.046)	(0.057)
控制变量	是	是	是	是	是	是
EFFECTS	是	是	是	是	是	是
观测值	11106	11106	11106	11106	11106	11106

³此处并没有和前文一样选择十分位数或四分位数为划分依据, 这是因为, 一方面可以避免过多的参数不利于阅读和理解, 另一方面也是防止样本划分的太细而使每个分组中的样本量太少, 当样本量过少时, 可能存在较大的抽样误差, 甚至还会带来参数抽样值不收敛的问题.

6.2 非扶持企业中低融资约束与竞争挤出

\begin{aligned} {PT}_{i t} & = [(λ_{1} {LC}_{i t} + λ_{2} {HC}_{i t}) {Low}_{i t} + ρ_{2} {Medium}_{i t} + ρ_{3} {High}_{i t}] {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + \\ ρ_{4} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + X_{i t}^{'} β + EFFECTS + ϵ_{i t} . \end{aligned}

(8)

对于非扶持企业中融资约束较低的企业, 它们往往处于非高科技行业, 是规模较大、发展较为成熟的企业. 本文按照企业所处行业竞争程度的不同, 同样将它们划分为低竞争(LC)和高竞争(HC)两组. 在表 11中, 面临较低市场竞争的企业, 其同群效应系数总是不显著且接近于0. 而面临较高程度市场竞争时, 企业倾向于表现出负的同群效应, 这说明对手的创新行为可能挤出企业本身的创新活动, 因此表现为相反的创新互动. 这种挤出既可能来自要素市场, 如信贷市场、人才市场, 也可能来自产品市场. 当对手占据了更多的要素资源时, 出于成本和收益的综合考虑, 这些企业的研发创新意愿反而会更小.

表11 低融资约束时的竞争挤出效应

	PT		IPT
	(1)	(2)	(3)	(4)
	CR4	HHI	CR4	HHI
LC	0.010	$-$ 0.004	0.045	0.026
LC	(0.025)	(0.030)	(0.036)	(0.035)
HC	$-$ 0.116 $^{* * *}$	$-$ 0.101 $^{* * *}$	$-$ 0.094 $^{* * *}$	$-$ 0.073 $^{* * *}$
HC	(0.020)	(0.023)	(0.028)	(0.031)
控制变量	是	是	是	是
EFFECTS	是	是	是	是
观测值	11106	11106	11106	11106

7 结论

产业政策通过改变企业的最优决策来激励企业创新, 而创新互动作为企业行为决策的一种, 也同样会在政策影响下表现出不同的互动强度. 本文以2008年颁布的《高新技术企业认定管理办法》为研究对象, 使用我国A股上市公司2008–2017年的数据, 通过《认定办法》对企业进行受扶持企业和非扶持企业的划分, 从而检验了在产业政策影响下, 这两种企业在地区创新互动上表现出的异质性. 具体来说, 受政策扶持企业在创新互动中表现出积极的同群效应, 即同群企业的创新活动会激励受扶持企业的研发创新行为; 与之相对, 非政策扶持企业受到的同群效应不显著. 这一结论在内生性缓解后和稳健性检验中依然成立.

机制检验认为, 受扶持企业所处的行业竞争越激烈, 其创新模仿的程度就越大. 而对非扶持企业来说, 同群效应系数不显著不代表企业不会受到同群企业的影响. 在使用融资约束程度对非扶持企业进行划分后, 本文发现高融资约束组企业表现出正的创新互动, 这是由于它们更多地受限于融资约束, 出于节省信息获取成本的考虑, 信息模仿机制会占据主导地位. 与之相对, 低融资约束组则存在负向的竞争挤出效应, 这一现象可能从创新产品边际收益低和地区要素资源竞争大两方面来解释. 从融资约束的角度来看, 非扶持企业中同时存在两种相反并相互“抵消”的互动模式, 这导致他们整体平均的表现在基准回归中并不显著.

本文的研究结论强调了地方政府在产业政策实施中的重要地位, 并提出如下政策建议: 第一, 地方政府需要尽力保证当地市场的公平竞争的机制, 充分利用市场机制来配置稀缺资源和鼓励企业创新模仿, 从而达到帮助扶持企业高速发展技术创新的目的. 受扶持企业的地区创新同群效应主要受到市场竞争的影响, 因此, 尽管产业政策是作用于产业链的全国性政策(汪宁和程大中2024), 具体地实施效果仍然落脚于企业所处地区的市场环境, 需要地方政府在经济环境和法制环境等方面予以大力配合. 第二, 地方政府需要优化资金配置、合理规划资源安排, 促进区域经济协调发展. 具体来说, 一方面要避免向扶持企业过度倾斜资源, 导致其过度投资(王克敏等2017). 另一方面, 对非政策扶持企业, 地方政府可以为主动寻求技术创新的小企业提供资金支持, 缓解他们的融资约束. 而对融资约束较小的产能过剩企业, 现有市场无法消化过剩的产品供给, 难以发挥企业的创新潜力. 因此, 地方政府应该因地制宜(皮建才和宋大强2023), 为这些企业的投资转型提供必要的指导和支持, 如降低过剩产业的退出成本和新兴产业的进入成本, 从而尽可能提高产能的利用效率(周开国等2018), 整体加速产业结构的优化.

附录

A 模型估计

A.1 贝叶斯方法

本文使用贝叶斯方法得到参数的估计值. 贝叶斯方法假设参数本身是一个随机变量, 需要根据先验分布与贝叶斯法则写出参数的后验分布, 后验分布即是贝叶斯方法下待估参数的分布形式. 为了更好地描述得到的分布, 本文使用MCMC抽样的方法从后验分布中获得参数的抽样值, 再对其进行简单平均作为参数的点估计值, 类似可以得到参数的标准误和贝叶斯置信区间. 附录B、C给出了参数的先验设定、后验分布以及抽样步骤, 附录D的附图D1给出了基准回归中空间参数及主要控制变量系数的抽样轨迹图.

A.2 稳定性条件

我们将式(1)写成如下简约式的形式:

\begin{aligned} {P T}_{t} = {I_{n_{t}} - [ρ_{1} {H T}_{t} W_{t} + ρ_{2} (I_{n_{t}} - {H T}_{t}) W_{t}]}^{- 1} (X_{t} β + α_{t} ι_{n_{t}} + ϵ_{t}) . \end{aligned}

(A1)

该式中各项的详细定义见B.1和B.2小节. 为了保证简约式的存在性, 空间自回归模型要求空间参数满足稳定性条件. 在单一矩阵的空间自回归模型中, 常见的做法是对空间权重矩阵进行行标准化, 使其满足行和为1的条件(LeSage and Pace, 2009), 此时稳定性条件往往会被简化为单个空间参数的绝对值小于1. 而本文的模型具有多个空间权重矩阵, 参考Han et al. (2017), 一个可行的充分条件是所有空间参数的绝对值之和小于1, 以基准回归中包含两个空间参数

ρ_{1}

ρ_{2}

的情况为例, 稳定性条件即是

| ρ_{1} | + | ρ_{2} | ＜ 1

贝叶斯方法可以十分便利地施加这一参数条件. 正如附录C所示, 在对空间参数进行的M-H抽样中, 我们可以直接拒绝那些不满足稳定性条件的抽样, 重新抽取得到合适的候选值进入下一步循环判断. 也即, 我们在进行复杂的最优化计算之前就能甄别参数是否满足稳定性条件, 从而减少了空间自回归模型最优化问题中的计算需求, 使得估计方法相对简便而高效.

B 抽样设定

本节展示基准回归的抽样过程, 其余回归类似可得.

B.1 参数的先验设定

本文需要估计的参数包括

θ = (ρ, β, σ^{2})

和

{α_{t}}_{t = 1}^{T}

, 其中

ρ = (ρ_{1}, ρ_{2})

为同群效应的参数,

β

包括控制变量参数和行业、省份效应,

σ^{2}

代表扰动项的方差,

α_{t}

代表

t

期的时间效应.

本文对待估参数设置的先验分布如下:

\begin{aligned} ρ_{i} \sim U (- 1, 1) for i = 1, 2 \\ α_{t} \sim N (α_{0}, σ_{α}^{2}) for t = 1, 2, \dots, T \\ β | σ^{2} \sim N_{k} (β_{0}, B_{0}) σ^{2} \sim I G (a / 2, b / 2), \end{aligned}

(B1)

其中,

α_{0}, σ_{α}^{2}, β_{0}, B_{0}, a, b

为超参数, 其值为事先给定, 具体数值为

α_{0} = 1, σ_{α}^{2} = 10, β_{0} = 0_{k \times 1}, B_{0} = 10^{10}, a = b = 0

. 在本文所设的先验分布下, 超参数以及先验信息并不会对后验分布产生较大影响.

B.2 参数的后验分布

模型的似然函数如下:

\begin{aligned} f ({{P T}_{t}} | X, θ, α_{t}) = (2 π σ^{2})^{- 1 / 2 \sum_{t = 1}^{T} n_{t}} \times \prod_{t = 1}^{T} | S_{t} (ρ) | \times \exp [- \sum_{t = 1}^{T} \frac{ϵ_{t}^{'} (ρ) ϵ_{t} (ρ)}{2 σ^{2}}], \end{aligned}

(B2)

其中,

S_{t} (ρ) = I_{n_{t}} - [ρ_{1} {H T}_{t} W_{t} + ρ_{2} (I_{n_{t}} - {H T}_{t}) W_{t}]

ϵ_{t} (ρ) = S_{t} (ρ) {P T}_{t} - X_{t} β - α_{t} ι_{n_{t}}

n_{t}

为第

t

年的样本数,

I_{n_{t}}

为

n_{t} \times n_{t}

维的单位矩阵,

{P T}_{t}

是因变量

{P T}_{i t}

堆叠成的

n_{t} \times 1

维向量,

X_{t}

为控制变量堆叠而成的

n_{t} \times k

维向量(包括行业效应和省份效应的虚拟变量)

{H T}_{t} = d i a g ({H T}_{1 t}, {H T}_{2 t}, \dots, {H T}_{n_{t}, t})

是个体受政策影响的虚拟变量堆成的对角矩阵,

W_{t} = {w_{i j t}}_{i, j = 1}^{n_{t}}

为

n_{t} \times n_{t}

维地理矩阵,

ι_{n_{t}}

为

n_{t} \times 1

维单位列向量.

由此可以根据贝叶斯法则得到各个参数的后验分布.

α_{t}

的后验分布为:

\begin{aligned} π (α_{t} | {P T}_{t}, X_{t}, θ) \propto \exp {- \frac{1}{2 σ_{α}^{2}} (α_{t} - α_{0})^{2}} \times \exp {- \frac{1}{2 σ^{2}} ϵ_{t}^{'} (ρ) ϵ_{t} (ρ)} \sim N (T_{α_{t}}, Σ_{α_{t}}), \end{aligned}

(B3)

其中,

Σ_{α_{t}} = (\frac{1}{σ_{α}^{2}} + \frac{n_{t}}{σ^{2}})^{- 1}

T_{α_{t}} = Σ_{α_{t}} {\frac{α_{0}}{σ_{α}^{2}} + \frac{ι_{n}^{'} [S_{t} (ρ) {P T}_{t} - X_{t} β]}{σ^{2}}}

β

的后验分布为:

\begin{aligned} π (β | {{P T}_{t}}, X, {α_{t}}, θ_{r e s t}) & \propto \exp {- \frac{1}{2} (β - β_{0})^{'} B_{0}^{- 1} (β - β_{0})} \times \exp {- \frac{1}{2 σ^{2}} \sum_{t = 1}^{T} ϵ_{t} (ρ)^{'} ϵ_{t} (ρ)} \\ \sim N (T_{β}, Σ_{β}), \end{aligned}

(B4)

其中,

Σ_{β} = (B_{0}^{- 1} + Σ_{t = 1}^{T} \frac{X_{t}^{'} X_{t}}{σ^{2}})^{- 1}

T_{β} = Σ_{β} {B_{0}^{- 1} β_{0} + Σ_{t = 1}^{T} \frac{X_{t}^{'} [S_{t} (ρ) {P T}_{t} - α_{t} ι_{n_{t}}]}{σ^{2}}}

θ_{r e s t}

代表

θ

中除抽样参数外的所有其他参数(下同).

σ^{2}

的后验分布为:

\begin{aligned} π (σ^{2} | {{P T}_{t}}, X, {α_{t}}, θ_{r e s t}) & \propto (σ^{2})^{- (a / 2 + 1)} \exp {- \frac{b}{2 σ^{2}}} \times \exp {- \frac{1}{2 σ^{2}} \sum_{t = 1}^{T} ϵ_{t} (ρ)^{'} ϵ_{t} (ρ)} \\ \sim I G (\frac{a_{p}}{2}, \frac{b_{p}}{2}), \end{aligned}

(B5)

其中

\frac{a_{p}}{2} = a + \sum_{t = 1}^{T} n_{t}

\frac{b_{p}}{2} = b + \sum_{t = 1}^{T} ϵ_{t} (ρ)^{'} ϵ_{t} (ρ)

ρ_{i}

的后验分布为:

\begin{aligned} π (ρ_{i} | {{P T}_{t}}, X, {α_{t}}, θ_{r e s t}) \propto \prod_{t = 1}^{T} | S_{t} (ρ) | \exp {- \frac{1}{2 σ^{2}} \sum_{t = 1}^{T} ϵ_{t} (ρ)^{'} ϵ_{t} (ρ)} . \end{aligned}

(B6)

C MCMC抽样步骤

本文设定链长为25000, 即共循环25000次; 燃烧率为0.2, 即被舍弃掉的燃烧期样本为5000个, 最后留下20000个抽样值. 参数的初始给定值全部设置为0, 每次循环中具体的抽样步骤如下:

1)对

α_{t}

抽样: 根据参数

θ = (ρ, β, σ^{2})

的给定值, 从后验分布

N (T_{α_{t}}, Σ_{α_{t}})

中进行Gibbs抽样, 得到样本并更新

α_{t}

的给定值.

2)对

β

抽样: 根据参数

ρ, σ^{2}, {α_{t}}

的给定值, 从后验分布

N (T_{β}, Σ_{β})

中进行Gibbs抽样, 得到样本并更新

β

的给定值.

3)对

σ^{2}

抽样: 根据参数

ρ, β, {α_{t}}

的给定值, 从后验分布

I G (\frac{a_{p}}{2}, \frac{b_{p}}{2})

中进行Gibbs抽样, 得到样本并更新

σ^{2}

的给定值.

4)对

ρ

抽样: 根据参数

β, σ^{2}, {α_{t}}

的给定值, 对每个

ρ_{i}

的后验分布进行M-H抽样, 得到样本并更新

ρ_{i}

的给定值.

D 基准回归抽样结果

附图D1展示了基准回归模型中参数的抽样结果, 可以看出, 链长25000次、舍弃燃烧期样本后的20000个抽样中, 抽样值总是围绕平均水平上下波动, 因此参数具有较好的收敛性.

图D1 抽样轨迹图

Full size|PPT slide

E 其他稳健性检验

E.1 滞后控制变量

考虑到许多文献在使用财务变量作为控制变量时会滞后一期以部分控制数据的内生性问题, 本文同样使用这一方法进行回归, 附表E1第(1)列的结果表明, 本文的主要结论依然成立.

表E1 其他稳健性检验

	PT
	(1)	(2)	(3)	(4)	(5)
	Lag	08--15	剔除北上深	剔除直辖市	剔除省会
HT	0.073 $^{* * *}$	0.071 $^{* * *}$	0.067 $^{* * *}$	0.069 $^{* * *}$	0.072 $^{* * *}$
HT	(0.012)	(0.014)	(0.012)	(0.012)	(0.012)
nonHT	$-$ 0.013	$-$ 0.012	0.001	0.000	0.023
nonHT	(0.018)	(0.018)	(0.016)	(0.016)	(0.017)
控制变量	是	是	是	是	是
EFFECTS	是	是	是	是	是
观测值	11799	8600	9908	10585	7386

E.2 更换样本期间

许多研究高企认定政策的文献使用的样本期间为2008–2015年, 其原因在于, 政策文件在2016年进行了一次修订更新. 修订版就相关的认定条件和后续监管措施进行了调整, 认定条件的放宽旨在使更多的中小企业受惠于政策, 监管力度的加强则增加了企业的违规成本(陈珍珍等, 2019). 本文同样将样本期间缩小为2008–2015年重新回归, 结果如附表E1第(2)列所示.

E.3 剔除特殊城市

考虑到不同地区的经济发展状况与经济政策环境会对企业的行为产生不同影响, 如市场化程度的提高能有效促进企业间的创新互动(郭研和张皓辰, 2020); 而如果出现政策扶持的企业大多聚集于某类城市的情况, 则此时表现出的创新互动异质性可能是由于城市的特征而非政策影响导致. 因此附表E1的第(3)至(5)列考虑了剔除部分特殊城市企业后模型的回归结果.

其中, 列(3)为剔除了北京、上海、深圳三个城市后的样本数据. 一方面, 北京、上海、深圳本身是发展程度较高、属于经济金融中心类城市, 对企业的吸引力和包容力更高, 可能存在地区影响因素; 另一方面, 剔除三个城市后, 样本数量有一定程度的下降, 说明这三个城市中包含的企业年度样本数量占据了一定的比例, 该类城市为企业相对集聚的城市, 可能存在潜在的吸引企业聚集的因素而带来干扰. 类似地, 列(4)展示了剔除北京、上海、天津、重庆四个直辖市企业后, 模型的回归结果. 列(5)剔除了所有的省会城市企业, 这是因为省会城市通常是省份的经济发展中心, 从行政区划角度也会是更多资源聚集的地方. 排除这些特殊城市后重新检验了企业的创新互动水平, 其结果与基准回归一致, 证明了本文结论的稳健性.

此外, 也针对因变量是实质性创新水平(IPT)的情况进行了稳健性检验, 结果均类同, 故略去. 总的来看, 本文的主要结论在上述稳健性检验中均成立, 具有一定的可靠性.

E.4 空间动态面板数据模型

研发创新是一种需要长期持续投入的项目, 企业的创新决策可能会存在跨期相关, 因此本文也使用空间动态面板数据(spatial dynamic panel data, SDPD)模型对其进行检验. 该模型将因变量的滞后一期及其空间滞后项加入模型, 具体如下:

\begin{aligned} {PT}_{i t} & = ρ_{1} {HT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + ρ_{2} {nonHT}_{i t} \sum_{j \neq i} w_{i j t} {PT}_{j t} + λ {P T}_{i, t - 1} + γ \sum_{j \neq i} w_{i j t - 1} {P T}_{j, t - 1} + \\ X_{i t}^{'} β_{1} + \sum_{j \neq i} w_{i j t} (X_{j t}^{'} β_{2}) + EFFECTS + ϵ_{i t} . \end{aligned}

(E1)

附表E2展示了回归结果. 其中, 列(1)显示, 受扶持企业的同群效应系数显著为正, 和本文基准回归保持一致.

λ

代表的创新持续效应系数(LagPT)同样显著为正, 但

γ

代表动态同群效应(LagPeer)显著为负. 列(2)中, 受扶持企业同群效应的显著性有所下降, 这可能是因为, 模型中还加入了自变量的空间滞后项, 该项与因变量的空间滞后项存在一定的共线性, 从而稀释了同群效应HT的影响. 此外, 因变量的滞后项系数显著为正, 说明真正驱动经济高质量发展的研发创新有较大程度来自于企业创新决策的持续性.

表E2 SDPD模型

	PT	IPT
	(1)	(2)
HT	0.041 $^{* *}$	0.025
HT	(0.020)	(0.019)
nonHT	0.017	$-$ 0.004
nonHT	(0.025)	(0.025)
LagPT	0.665 $^{* * *}$	0.671 $^{* * *}$
LagPT	(0.008)	(0.008)
LagPeer	-0.063 $^{* * *}$	$-$ 0.021
LagPeer	(0.023)	(0.023)
控制变量	是	是
EFFECTS	是	是
观测值	9674	9674

E.5 地区创新同群效应在行业和非行业同群企业之间的异质性

尽管本文的主要研究目标是地区企业间的创新同群效应, 但无疑行业企业之间的创新互动更加明显, 因此本节考虑了同行业企业和非同行业企业的地区同群效应. 本节使用的回归模型如下:

\begin{aligned} {PT}_{i t} & = ρ_{1} {HT}_{i t} \sum_{j \neq i} {WCI}_{i j t} {PT}_{j t} + ρ_{2} {nonHT}_{i t} \sum_{j \neq i} {WCI}_{i j t} {PT}_{j t} + \\ ρ_{3} {HT}_{i t} \sum_{j \neq i} {WCNI}_{i j t} {PT}_{j t} + ρ_{4} {nonHT}_{i t} \sum_{j \neq i} {WCNI}_{i j t} {PT}_{j t} + \\ X_{i t}^{'} β + EFFECTS + ϵ_{i t}, \end{aligned}

(E2)

其中,

{W C I}_{i j t} = \frac{1}{n_{i}} I （企业 i 和 j 属于同一城市且属于同一行业)

(E3)

{W C N I}_{i j t} = \frac{1}{n_{i i}} I （企业 i 和 j 属于同一城市但不属于同一行业）.

(E4)

即, WCI代表同时是地理行业邻居的空间矩阵, WCNI代表仅为地理邻居的空间矩阵, 且

n_{i}

和

n_{i i}

分别代表两种空间矩阵中个体

i

的邻居的个数. 此时, 参数

ρ_{1}

和

ρ_{2}

分别代表地理行业邻居对受扶持企业和非扶持企业的平均同群效应, 而

ρ_{3}

和

ρ_{4}

代表仅仅作为地理邻居时, 同群企业对受扶持企业和非扶持企业的创新同群效应. WCI和WCNI是分别标准化之后的空间权重矩阵. 由于行业效应与行业邻居的影响有所重合, 本节的回归中EFFECTS不包含行业效应, 其回归结果如附表E3所示.

表E3 地区内行业与非行业异质性

	PT	IPT
	(1)	(2)
HT_WCI, $ρ_{1}$	0.107 $^{* * *}$	0.110 $^{* * *}$
HT_WCI, $ρ_{1}$	(0.007)	(0.008)
nonHT_WCI, $ρ_{2}$	0.125 $^{* * *}$	0.151 $^{* * *}$
nonHT_WCI, $ρ_{2}$	(0.011)	(0.015)
HT_WCNI, $ρ_{3}$	0.033 $^{* * *}$	0.069 $^{* * *}$
HT_WCNI, $ρ_{3}$	(0.013)	(0.016)
nonHT_WCNI, $ρ_{4}$	$-$ 0.018	$-$ 0.013
nonHT_WCNI, $ρ_{4}$	(0.016)	(0.020)
控制变量	是	是
EFFECTS	排除行业效应	排除行业效应
观测值	12986	12986

此处的分析以附表E3的列(1)为例. 同群效应系数

ρ_{1} = 0.107

ρ_{2} = 0.125

ρ_{3} = 0.033

, 且他们都在1%的显著性水平上显著, 而

ρ_{4} = - 0.018

但没有显著区别于零. 我们从两个方面对此加以说明. 第一, 对于受扶持企业而言, 地理行业邻居的创新同群效应(

ρ_{1}

)与仅为地理邻居时的创新同群效应(

ρ_{3}

)存在一定差异, 虽然他们均显著为正, 但前者远大于后者. 这说明同时身为地理邻居和行业邻居时, 企业之间相似度更高, 同群效应也会更强. 第二, 对于非扶持企业而言, 地理行业邻居的互动(

ρ_{2}

)显著为正, 但仅为地理邻居时互动系数(

ρ_{4}

)没有显著区别于零, 两种互动同样存在差异. 综上所述, 是否考虑行业差异同样会给创新的地区同群效应带来影响. 但由于这并非本文关注的重点, 我们不对此展开分析, 仅留作后续研究的可能的方向.

References

Publishing order | Descend order by publishing year | Descend order by cited within

蔡庆丰, 陈熠辉, 林海涵, 开发区层级与域内企业创新:激励效应还是挤出效应?——基于国家级和省级开发区的对比研究[J]. 金融研究, 2021, (5): 153- 170.

Cai

Q F

, Chen

Y H

, Lin

H H

, Development Zone and Firm Innovation: Excitation or Extrusion? Evidence from National and Provincial Development Zones[J]. Journal of Financial Research, 2021, (5): 153- 170.

Cited in this article [1]

车嘉丽, 薛瑞, 产业政策激励影响了企业融资约束吗?[J]. 南方经济, 2017, (6): 92- 114.

https://doi.org/10.3969/j.issn.1000-6249.2017.06.007

Che

J L

, Xue

, Does Industrial Policy Incentives Influence Corporate Financing Constraints?[J]. South China Journal of Economics, 2017, (6): 92- 114.

https://doi.org/10.3969/j.issn.1000-6249.2017.06.007

陈冬华, 李真, 新夫. 2010. 产业政策与公司融资——来自中国的经验证据[C]// 2010中国会计与财务研究国际研讨会论文集: 281-360.

Chen D H, Li Z, Xin F, (2010), Industry Policy and Corporate Finance: Evidence from China[C]//Proceedings of the China Accounting and Finance Review International Symposium: 281-360

陈强远, 林思彤, 张醒, 中国技术创新激励政策: 激励了数量还是质量[J]. 中国工业经济, 2020, (4): 79- 96.

Chen

Q Y

, Lin

S T

, Zhang

, The Effect of China's Incentive Policies for Technological Innovation: Incentivizing Quantity or Quality[J]. China Industrial Economics, 2020, (4): 79- 96.

陈珍珍, 何宇, 徐长生, 高新技术企业认定对研发投入的政策效应研究——来自A股上市公司的经验证据[J]. 中国科技论坛, 2019, (7): 1- 10.

Chen

Z Z

, He

, Xu

C S

, R&D Performance of High-tech Enterprise Certification: Evidence from A-share Listed Companies[J]. Forum on Science and Technology in China, 2019, (7): 1- 10.

Cited in this article [1]

郭研, 张皓辰, 政府创新补贴、市场溢出效应与地区产业增长——基于科技型中小企业技术创新基金的实证研究[J]. 产业经济研究, 2020, (4): 1- 15.

Guo

, Zhang

H C

, Government Innovation Subsidies, Market Spillover and Regional Industry Growth: An Empirical Study Based on Innovation Fund For Technology Based Firms[J]. Industrial Economics Research, 2020, (4): 1- 15.

Cited in this article [1]

韩乾, 洪永淼, 国家产业政策、资产价格与投资者行为[J]. 经济研究, 2014, 49 (12): 143- 158.

Han

, Hong

Y M

, National Industrial Policy, Asst Price and Investor Behavior[J]. Economic Research Journal, 2014, 49 (12): 143- 158.

Cited in this article [1]

江新峰, 张敦力, 产业政策: 一视同仁还是厚此薄彼——来自企业投资同群效应的证据[J]. 财贸研究, 2019, 30 (3): 15- 30.

Jiang

X F

, Zhang

D L

, Industrial Policy: Equivalent Support or Discriminatory Support? Evidence from Peer Effect of Corporate Investment[J]. Finance and Trade Research, 2019, 30 (3): 15- 30.

Cited in this article [2]

解维敏, 方红星, 金融发展、融资约束与企业研发投入[J]. 金融研究, 2011, (5): 171- 183.

Jie

W M

, Fang

H X

, Financial Development, Financing Constrains and Firms' R&D Investment[J]. Journal of Financial Research, 2011, (5): 171- 183.

雷根强, 郭玥, 高新技术企业被认定后企业创新能力提升了吗?——来自中国上市公司的经验证据[J]. 财政研究, 2018, (9): 32- 47.

Lei

G Q

, Guo

, Does the High-tech Enterprise Identity Policy Promote Innovation? Evidence from Listed Companies in China[J]. Public Finance Research, 2018, (9): 32- 47.

Cited in this article [2]

黎文靖, 郑曼妮, 实质性创新还是策略性创新?——宏观产业政策对微观企业创新的影响[J]. 经济研究, 2016, 51 (4): 60- 73.

W J

, Zheng

M N

, Is it Substantive Innovation or Strategic Innovation? Impact of Macroeconomic Policies on Micro-enterprises' Innovation[J]. Economic Research Journal, 2016, 51 (4): 60- 73.

Cited in this article [2]

李志生, 苏诚, 李好, 孔东民, 企业过度负债的地区同群效应[J]. 金融研究, 2018, (9): 74- 90.

Z S

, Su

, Li

, Kong

D M

, Excess Leverage and Region-based Corporate Peer Effects[J]. Journal of Financial Research, 2018, (9): 74- 90.

Cited in this article [2]

林志帆, 龙小宁, 社会资本能否支撑中国民营企业高质量发展?[J]. 管理世界, 2021, 37 (10): 56- 73.

https://doi.org/10.3969/j.issn.1002-5502.2021.10.005

Lin

Z F

, Long

X N

, Can Social Capital Support the High-Quality Development of Private Firms in China?[J]. Journal of Management World, 2021, 37 (10): 56- 73.

https://doi.org/10.3969/j.issn.1002-5502.2021.10.005

Cited in this article [1]

刘毓芸, 程宇玮, 重点产业政策与人才需求——来自企业招聘面试的微观证据[J]. 管理世界, 2020, 36 (6): 65- 79.

Liu

Y Y

, Cheng

Y W

, Key Industrial Policy and Talent Demand: Microscopic Evidence from Enterprise Recruitment Interview[J]. Journal of Management World, 2020, 36 (6): 65- 79.

Cited in this article [1]

罗福凯, 李启佳, 庞廷云, 企业研发投入的"同侪效应" 检验[J]. 产业经济研究, 2018, (6): 10- 21.

Luo

F K

, Li

Q J

, Pang

T Y

, "Peer Effect" on Corporate R&D Investment[J]. Industrial Economics Research, 2018, (6): 10- 21.

皮建才, 宋大强, 中国制造业的产能过剩与就业波动[J]. 金融研究, 2023, (11): 115- 131.

J C

, Song

D Q

, Manufacturing Overcapacity and Employment Volatility in China[J]. Journal of Financial Research, 2023, (11): 115- 131.

Cited in this article [1]

谭娅, 封世蓝, 张庆华, 龚六堂, 同群压力还是同群激励?——高中合作小组的同群效应研究[J]. 经济学(季刊), 2021, 21 (2): 533- 556.

Tan

, Feng

S L

, Zhang

Q H

, Gong

L T

, Peer Over-pressure or Peer Motivation—Study on the Peer Effect within Co-Operative Groups in High School[J]. China Economic Quarterly, 2021, 21 (2): 533- 556.

Cited in this article [1]

王克敏, 刘静, 李晓溪, 产业政策、政府支持与公司投资效率研究[J]. 管理世界, 2017, (3): 113- 124.

Wang

K M

, Liu

, Li

X X

, Industrial Policy, Government Support and Corporate Investment Effciency[J]. Journal of Management World, 2017, (3): 113- 124.

Cited in this article [1]

汪宁, 程大中, 企业供应链网络与产业创新政策溢出[J]. 财贸经济, 2024, 45 (12): 160- 178.

Wang

, Cheng

D Z

, Firm Supply Chain Network and Spillovers of Industrial Innovation Policies[J]. Finance & Trade Economics, 2024, 45 (12): 160- 178.

Cited in this article [1]

杨国超, 刘静, 廉鹏, 芮萌, 减税激励、研发操纵与研发绩效[J]. 经济研究, 2017, 52 (8): 110- 124.

Yang

G C

, Liu

, Lian

, Rui

, Tax-reducing Incentives, R&D Manipulation and R&D Performance[J]. Economic Research Journal, 2017, 52 (8): 110- 124.

Cited in this article [1]

余明桂, 范蕊, 钟慧洁, 中国产业政策与企业技术创新[J]. 中国工业经济, 2016, (12): 5- 22.

M G

, Fan

, Zhong

H J

, Chinese Industrial Policy and Corporate Technological Innovation[J]. China Industrial Economics, 2016, (12): 5- 22.

张瀚禹, 吴振磊, 高新技术企业认定如何影响企业创新行为——基于模糊断点回归的经验证据[J]. 经济管理, 2022, 44 (6): 63- 81.

https://doi.org/10.3969/j.issn.1672-5646.2022.06.021

Zhang

H Y

, Wu

Z L

, How High-tech Enterprise Recognition Affects Enterprise Innovation Behavior Empirical Evidence from Fuzzy Regression Discontinuity[J]. Business and Management Journal, 2022, 44 (6): 63- 81.

https://doi.org/10.3969/j.issn.1672-5646.2022.06.021

Cited in this article [1]

张莉, 朱光顺, 李夏洋, 王贤彬, 重点产业政策与地方政府的资源配置[J]. 中国工业经济, 2017, (8): 63- 80.

Zhang

, Zhu

G S

, Li

X Y

, Wang

X B

, Key Industrial Policy and Resource Allocation of Local Government[J]. China Industrial Economics, 2017, (8): 63- 80.

周开国, 闫润宇, 杨海生, 供给侧结构性改革背景下企业的退出与进入: 政府和市场的作用[J]. 经济研究, 2018, 53 (11): 81- 98.

Zhou

K G

, Yan

R Y

, Yang

H S

, Exit and Entry of Firms from the Perspective of Supply-side Structural Reform: The Roles of the Government and the Market[J]. Economic Research Journal, 2018, 53 (11): 81- 98.

Cited in this article [1]

祝继高, 韩非池, 陆正飞, 产业政策、银行关联与企业债务融资——基于A股上市公司的实证研究[J]. 金融研究, 2015, (3): 176- 191.

Zhu

J G

, Han

F C

, Lu

Z F

, Industrial Policy, Bank Connections, and Debt Financing: An Empirical Research Based on A-share Listed Companies[J]. Journal of Financial Research, 2015, (3): 176- 191.

Cited in this article [2]

Adhikari

B K

, Agrawal

, Peer Influence on Payout Policies[J]. Journal of Corporate Finance, 2018, 48, 615- 637.

https://doi.org/10.1016/j.jcorpfin.2017.12.010

Cited in this article [1]

Aghion

, Harris

, Howitt

, Vickers

, Competition, Imitation and Growth with Step-by-Step Innovation[J]. The Review of Economic Studies, 2001, 68 (3): 467- 492.

https://doi.org/10.1111/1467-937X.00177

Cited in this article [1]

Berg

, Reisinger

, Streitz

, Spillover Effects in Empirical Corporate Finance[J]. Journal of Financial Economics, 2021, 142 (3): 1109- 1127.

https://doi.org/10.1016/j.jfineco.2021.04.039

Cited in this article [1]

Bramoullé

, Djebbari

, Fortin

, Identification of Peer Effects Through Social Networks[J]. Journal of Econometrics, 2009, 150 (1): 41- 55.

https://doi.org/10.1016/j.jeconom.2008.12.021

Coval

J D

, Moskowitz

T J

, Home Bias at Home: Local Equity Preference in Domestic Portfolios[J]. The Journal of Finance, 1999, 54 (6): 2045- 2073.

https://doi.org/10.1111/0022-1082.00181

Cited in this article [1]

Delgado

M S

, Florax

R J G M

, Difference-in-differences Techniques for Spatial Data: Local Autocorrelation and Spatial Interaction[J]. Economics Letters, 2015, 137, 123- 126.

https://doi.org/10.1016/j.econlet.2015.10.035

Cited in this article [1]

Denis

D K

, Jochem

, Rajamani

, Shareholder Governance and CEO Compensation: The Peer Effects of Say on Pay[J]. The Review of Financial Studies, 2020, 33 (7): 3130- 3173.

https://doi.org/10.1093/rfs/hhz104

Dougal

, Parsons

C A

, Titman

, Urban Vibrancy and Corporate Growth[J]. The Journal of Finance, 2015, 70 (1): 163- 210.

https://doi.org/10.1111/jofi.12215

Cited in this article [2]

Grennan

, Dividend Payments as a Response to Peer Influence[J]. Journal of Financial Economics, 2019, 131 (3): 549- 570.

https://doi.org/10.1016/j.jfineco.2018.01.012

Grieser

, Lesage

, Zekhnini

, Industry Networks and the Geography of Firm Behavior[J]. Management Science, 2021, 68 (8): 6163- 6183.

Cited in this article [2]

Han

X Y

, Hsieh

C S

, Lee

L F

, Estimation and Model Selection of Higher-order Spatial Autoregressive Model: An Effcient Bayesian Approach[J]. Regional Science and Urban Economics, 2017, 63, 97- 120.

https://doi.org/10.1016/j.regsciurbeco.2016.12.003

Cited in this article [2]

Han

X Y

, Lee

L F

, Xu

X B

, Large Sample Properties of Bayesian Estimation of Spatial Econometric Models[J]. Econometric Theory, 2021, 37 (4): 708- 746.

https://doi.org/10.1017/S0266466620000286

Cited in this article [1]

Hsieh

C S

, Lin

, Gender and Racial Peer Effects with Endogenous Network Formation[J]. Regional Science and Urban Economics, 2017, 67, 135- 147.

https://doi.org/10.1016/j.regsciurbeco.2017.09.001

Cited in this article [1]

Hsu

Y T

, Huang

C W

, Koedijk

K G

, Unintended Consequences of Compensation Peer Groups on Corporate Innovation[J]. Journal of Corporate Finance, 2023, 78, 102321.

https://doi.org/10.1016/j.jcorpfin.2022.102321

Cited in this article [1]

Jones

C I

, Williams

J C

, Measuring the Social Return to R&D[J]. The Quarterly Journal of Economics, 1998, 113 (4): 1119- 1135.

https://doi.org/10.1162/003355398555856

Kaustia

, Rantala

, Social Learning and Corporate Peer Effects[J]. Journal of Financial Economics, 2015, 117 (3): 653- 669.

https://doi.org/10.1016/j.jfineco.2015.06.006

LeSage

, Pace

R K

, Introduction to Spatial Econometrics[M]. New York: Chapman and Hall/CRC, 2009.

Cited in this article [1]

Leary

M T

, Roberts

M R

, Do Peer Firms Affect Corporate Financial Policy?[J]. The Journal of Finance, 2014, 69 (1): 139- 178.

https://doi.org/10.1111/jofi.12094

Lee

L F

, Asymptotic Distributions of Quasi-maximum Likelihood Estimators for Spatial Autoregressive[J]. Econometrica, 2004, 72, 1899- 1925.

https://doi.org/10.1111/j.1468-0262.2004.00558.x

Lee

L F

, GMM and 2SLS Estimation of Mixed Regressive Spatial Autoregressive Models[J]. Journal of Econometrics, 2007, 137 (2): 489- 514.

https://doi.org/10.1016/j.jeconom.2005.10.004

Lieberman

M B

, Asaba

, Why Do Firms Imitate each Other[J]. The Academy of Management Review, 2006, 31 (2): 366- 385.

https://doi.org/10.5465/amr.2006.20208686

Cited in this article [5]

Machokoto

, Gyimah

, Ntim

C G

, Do Peer Firms Influence Innovation?[J]. The British Accounting Review, 2021, 53 (5): 100988.

https://doi.org/10.1016/j.bar.2021.100988

Cited in this article [1]

Mundlak

, On the Pooling of Time Series and Cross Section Data[J]. Econometrica, 1978, 46 (1): 69- 85.

https://doi.org/10.2307/1913646

Cited in this article [1]

Qiu

J P

, Wan

, Technology Spillovers and Corporate Cash Holdings[J]. Journal of Financial Economics, 2015, 115 (3): 558- 573.

https://doi.org/10.1016/j.jfineco.2014.10.005

Cited in this article [1]

Funding

National Natural Science Foundation of China(71988101)

National Natural Science Foundation of China(72033008)

National Natural Science Foundation of China(72073112)

National Natural Science Foundation of China(72273113)

National Natural Science Foundation of China(72333001)

Key Program of National Bureau of Statistics(2023LZ019)

Natural Science Foundation of Fujian Province of China(2022J06006)

RIGHTS & PERMISSIONS

PDF(2924 KB)

435

Accesses

Citation

Detail

Sections

Recommended

Abstract
Key words
Cite this article
1 引言
2 研究假说
2.1 企业研发创新地区同群效应的异质性
图1 创新同群效应的成本与收益
图2 产业政策影响下扶持企业的创新同群效应及其机制
2.2 企业研发创新地区同群效应的机制
图3 不同融资约束下非扶持企业的创新同群效应及其机制
3 研究设计
3.1 模型设定与变量定义
表1 变量定义
表2 描述性统计
3.2 数据来源
4 实证分析
4.1 基本结果
表3 基准回归
4.2 内生性分析
4.2.1 政策共同冲击
表4 政策共同冲击
4.2.2 城市共同因素
表5 控制城市特征变量
4.2.3 企业自我选择
表6 企业自我选择
4.3 稳健性检验
5 受扶持企业创新同群效应的机制检验
5.1 基于竞争机制的创新模仿
表7 竞争机制分析
5.2 基于信息机制的创新模仿
表8 信息机制分析
6 非扶持企业创新同群效应的异质性分析
表9 非扶持企业的融资约束异质性
6.1 非扶持企业中高融资约束与信息模仿
表10 高融资约束时的信息模仿效应
6.2 非扶持企业中低融资约束与竞争挤出
表11 低融资约束时的竞争挤出效应
7 结论
附录
A 模型估计
A.1 贝叶斯方法
A.2 稳定性条件
B 抽样设定
B.1 参数的先验设定
B.2 参数的后验分布
C MCMC抽样步骤
D 基准回归抽样结果
图D1 抽样轨迹图
E 其他稳健性检验
E.1 滞后控制变量
表E1 其他稳健性检验
E.2 更换样本期间
E.3 剔除特殊城市
E.4 空间动态面板数据模型
表E2 SDPD模型
E.5 地区创新同群效应在行业和非行业同群企业之间的异质性
表E3 地区内行业与非行业异质性
References
Funding
RIGHTS & PERMISSIONS

Received	Published
2024-11-05	2025-01-27
Issue Date
2025-01-23

模态框（Modal）标题

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

1 引言

2 研究假说

2.1 企业研发创新地区同群效应的异质性

图1 创新同群效应的成本与收益

图2 产业政策影响下扶持企业的创新同群效应及其机制

2.2 企业研发创新地区同群效应的机制

图3 不同融资约束下非扶持企业的创新同群效应及其机制

3 研究设计

3.1 模型设定与变量定义

表1 变量定义

表2 描述性统计

3.2 数据来源

4 实证分析

4.1 基本结果

表3 基准回归

4.2 内生性分析

4.2.1 政策共同冲击

表4 政策共同冲击

4.2.2 城市共同因素

表5 控制城市特征变量

4.2.3 企业自我选择

表6 企业自我选择

4.3 稳健性检验

5 受扶持企业创新同群效应的机制检验

5.1 基于竞争机制的创新模仿

表7 竞争机制分析

5.2 基于信息机制的创新模仿

表8 信息机制分析

6 非扶持企业创新同群效应的异质性分析

表9 非扶持企业的融资约束异质性

6.1 非扶持企业中高融资约束与信息模仿

表10 高融资约束时的信息模仿效应

6.2 非扶持企业中低融资约束与竞争挤出

表11 低融资约束时的竞争挤出效应

7 结论

附录

A 模型估计

A.1 贝叶斯方法

A.2 稳定性条件

B 抽样设定

B.1 参数的先验设定

B.2 参数的后验分布

C MCMC抽样步骤

D 基准回归抽样结果

图D1 抽样轨迹图

E 其他稳健性检验

E.1 滞后控制变量

表E1 其他稳健性检验

E.2 更换样本期间

E.3 剔除特殊城市

E.4 空间动态面板数据模型

表E2 SDPD模型

E.5 地区创新同群效应在行业和非行业同群企业之间的异质性

表E3 地区内行业与非行业异质性

{{custom_sec.title}}

{{custom_sec.title}}

References

{{custom_fnGroup.title_en}}

Footnotes

Funding

RIGHTS & PERMISSIONS