加载中...
Industry-University Collaborative Networks and Firm Breakthrough Innovation
产学研合作网络与企业突破性创新
Abstract
本文基于全球专利数据库构建产学研合作网络与企业突破性创新指标,运用因果机器学习与政策学习方法,考察产学研合作对个体企业突破性创新的影响。研究发现,产学研合作总体上显著促进企业突破性创新,优化人力资本结构、增强基础研发能力和提高信息共享程度是其主要作用渠道。由于企业资本结构、企业生产与扩张能力、企业规模与地区产业结构等因素的制约,约14.3%的企业并未从合作中获得显著创新收益。同时,约17.3%的合作企业存在错配现象,最优政策树策略可显著提升合作收益。
产学研合作总体上显著促进企业突破性创新
基于2006-2021年4947家沪深A股上市公司样本,运用双重机器学习方法,发现产学研合作行为在1%显著性水平上提升专利一般性、独创性、尾部创新指数、专利创新质量等突破性创新指标,合作深度(中心度、结构洞)增强亦有类似促进效应。
人力资本结构优化是重要渠道
因果中介效应分析显示,产学研合作通过提升硕士以上员工占比和研发人员占比,间接促进专利一般性、独创性、创新质量等指标提升,处理组间接效应在多数指标下显著为正。
基础研发能力提升是重要渠道
产学研合作通过提高企业研发投入占营业收入比重,强化企业基础研发能力,从而提升专利一般性、独创性、尾部创新等指标。多数中介路径的间接效应均显著为正。
信息共享程度提高是重要渠道
产学研合作通过提升企业与合作者之间的信息共享(以对合作者专利的引用次数衡量),促进超级发明家比例等突破性创新指标的提升,处理组间接效应显著为正。
合作效应存在显著异质性,部分企业未受益
广义随机森林估计的个体平均处理效应显示,85.62%的观测值处理效应显著为正,14.38%不显著。企业资本结构(资产负债率)、生产与扩张能力(资本密集度)、企业规模(总资产)、地区产业结构(第二产业占比)是异质性主要来源,累积解释比例达68.2%。
存在合作错配,最优政策树可提升收益
政策学习分析显示,实际合作企业中17.3%存在错配。基于最优政策树的策略可使合作价值从实际决策的0.074提升至0.215,显著提升整体创新收益与资源配置效率。
核心解释变量
产学研合作(合作行为:是否与公共科研机构合作;合作深度:合作网络中心度、结构洞)
被解释变量
企业突破性创新(专利一般性、专利独创性、尾部创新指数、专利创新质量、超级发明家比例)
样本与数据
2006-2021年中国沪深A股上市公司,剔除ST/*ST及金融类公司,最终样本4947家公司、40495个观测值。数据来源为全球专利数据库、同花顺iFinD金融数据库、中国城市统计年鉴及CNRDS宗族文化数据库。
识别方法 / 模型设定
双重机器学习(DML)与广义随机森林(GRF)结合的因果机器学习方法,采用专利发明人宗族背景作为工具变量(DML-IV)处理内生性。
内生性及稳健性检验
稳健性检验包括:①替换被解释变量(剔除自引用的引用次数、不同尾部指数、前10%超级发明家);②扩展专利法律状态范围;③改变缩尾比例(2.5%);④改变样本分割折数(10折);⑤使用线性Lasso估计;⑥安慰剂检验(500次随机分配);⑦PSM-DID方法对照。
更多相关数据正在补充