大數據應用、融資約束和企業創新效率

孫潔 李杰

(天津財經大學會計學院，天津 300222)

一、引言

隨著互聯網和信息技術的高速發展，數據作為一種新型的關鍵生產要素，越來越受到社會各界的廣泛關注：2014年“大數據”被首次寫入《政府工作報告》，2015年國務院發布的《促進大數據發展的行動綱要》將“大數據”上升至國家戰略，2017年“十七大”提出要推動“大數據”與實體經濟的深度融合，2019年十九屆四中全會第一次將數據作為生產要素提出，2020年《關于構建更加完善的要素市場化配置體制機制的意見》正式將數據列為新型生產要素，2021年12月“十四五”數字經濟發展規劃指出數據要素是數字經濟深化發展的核心引擎。數據爆發式增長，海量的數據中蘊含著巨大的價值，如何利用好數據要素協同推進企業技術創新，是實現數字經濟發展的重要命題。實現數據技術與企業實體的深度融合，已成為我國經濟由高速增長向高質量發展轉變的重要方式。

2022年《政府工作報告》提出“深入實施創新驅動發展戰略”，明確“強化企業創新的主體地位，促進科技成果轉移轉化”。據中國國家統計局統計，我國2020年創新投入經費達24393.1億元，較上年增長10.2%，已連續五年實現兩位數增長，創新投入總量穩居世界第二。但是，一方面，我國企業的平均創新投入較低且不同企業間的投入差距較大(劉惠好和焦文妞，2021)[32]，多數企業在創新過程中仍面臨“融資難、融資貴”的現狀(鞠曉生等，2013；吳翌琳和黃實磊，2021)[27][42]；另一方面，我國的整體技術水平依然處于較為落后的地位，企業的技術創新效率仍然較低(肖文和林高榜，2014)[43]。大數據是我國經濟轉型的重要支點(張葉青等，2021)[49]，明確其對微觀企業創新效率的影響及其作用機理，有助于為推進大數據與實體經濟融合提供理論參考。

目前，一些學者對數字經濟和企業創新的關系進行了探討與分析。Ghasemaghaei and Calic(2020)[9]、許芳等(2020)[45]通過調研形式構建企業大數據特征和企業創新績效的代理指標，實證研究大數據與企業創新績效之間的關系。但是，采用問卷調查方式測量相應指標容易受到調查樣本選擇差異以及被調查企業主觀意見的影響，難以客觀地反映企業應用大數據的真實情況。之后，部分學者通過實證研究發現數字經濟對企業創新績效(黃節根等，2021)[26]、創新投入(張葉青等，2021；Wen et al.，2022)[49][20]和創新效率(楊水利等，2022)[46]等方面存在顯著促進作用。然而，這些研究并未對數字經濟如何影響企業創新活動的作用機理進行深入探討。近期，肖土盛等(2022)[44]通過實證研究發現，數字化轉型能夠通過推動企業人力資本升級和改善公司治理來促進企業創新。此外，一些學者通過實證研究發現，區域數字金融的發展能夠通過緩解企業面臨的融資約束來提升企業的全要素生產率(王道平和劉琳琳，2021)[37]、整體創新能力(周振江等，2021；李健等，2022)[53][29]、綠色創新水平(Li et al.，2022；Liu et al.，2022)[13][14]和企業財務可持續性(李賓等，2022)[28]等。不同于上述研究，本文重點關注企業層面的大數據應用程度對企業創新效率的影響，并探討融資約束在兩者關系中起到的中介作用。

本文基于2007―2020年滬深A股上市公司樣本，使用年報中“大數據”相關的關鍵詞詞頻構造大數據應用程度的代理指標，研究大數據應用對企業創新效率的影響。本文的分析結果表明：第一，大數據應用能夠顯著提高企業的創新效率，且該結果在更換大數據應用和創新效率衡量指標、更換研究樣本區間和解決內生性問題等一系列測試后依然穩健；第二，機制分析表明，大數據應用能夠通過緩解企業面臨的融資約束，提高企業的創新效率；第三，異質性分析表明，大數據應用對企業創新效率的提高作用在科技企業和行業競爭程度較為激烈的企業中更為顯著。

本文可能的貢獻有以下幾點：第一，在研究視角上，已有研究側重于從創新投入和創新績效等方面來研究數字化經濟的影響，鮮有文獻關注企業大數據應用對企業創新效率的影響。本文以企業大數據應用水平為切入點，研究大數據應用對企業創新效率的影響，在一定程度上補充和完善了企業創新效率影響因素和大數據應用經濟后果的相關文獻。第二，已有研究多從企業外部的角度衡量區域數字金融發展程度對融資約束的影響，鮮有文獻關注企業層面的數字技術應用水平對融資約束的影響。本文探索融資約束在企業大數據應用對創新效率影響中存在的中介作用，不僅有助于厘清大數據應用對企業創新效率的作用機制與路徑，為大數據應用與實體經濟的深度融合提供經驗證據，而且在一定程度上豐富了企業層面大數據技術應用對融資約束影響的相關文獻。第三，通過探索大數據對創新效率影響的異質性，豐富了相關研究，為政府制定相關政策提供了參考。

二、理論分析與研究假設

(一)大數據應用與企業創新效率

企業創新活動具有周期長、不確定大、失敗率高但潛在收益巨大等特點(陳德球等，2021)[23]，提升創新效率是企業保持核心競爭力的重要途徑。大數據是數字經濟發展的重要引擎，其核心是對海量數據的生產、采集、存儲、加工和分析等(張葉青等，2021)[49]。企業應用大數據可以提高企業的創新效率。在決定創新方向的決策階段，企業與消費者之間存在的信息不對稱以及對政府政策信息與最新技術信息的把握不及時嚴重阻礙了企業準確判定研發方向，如此可能降低企業的創新動機或者迫使企業做出偏離市場需求方向的研發決策，大幅增加企業創新活動的不確定性與風險。信息論創始人香農認為，信息是一種降低不確定性的東西(Shannon，1948)[18]，在企業決策相關領域，拓寬獲取信息的渠道有助于企業做出有效的決策(Merendino et al.，2018)[15]。通過前端埋點、爬蟲等數據挖掘技術，企業在充分收集內部相關信息的基礎之上，能夠以較低的成本通過多個渠道(如電子商務平臺、微博、知乎、政府網站、政務新媒體、新聞報道、中國開發者網絡等)快速取得市場信息、政府政策信息和技術信息等與企業創新決策相關的結構化、非結構化數據信息。通過吸收海量有效信息，企業可以精準把握市場的需求動向與企業內部的現實情況，借助大數據相關的技術工具對創新活動的行進方向進行演進與推斷(Barton and Court，2012；唐松等，2020)[3][35]，最終做出更符合客戶需求的創新決策，從源頭降低企業創新活動失敗的風險。

在創新項目實施階段，對知識的管理能力是企業將創新行為持續下去的關鍵(Aboelmaged，2014)[1]，大數據應用可以通過提升企業的知識管理能力來助力創新項目的實施(Sumbal et al.，2017；曹平等，2021)[19][22]，從而提高企業創新活動的成功率。企業的知識管理是指獲取、分享和有效使用知識資源的過程(Davenport et al.，1998；Lee and Kim，2001)[6][11]。首先，企業通過數據清洗、分類、預測和聚類等大數據挖掘技術手段，能夠更好地利用海量數據揭示難以發現的規律，判斷數據間的聯系和邏輯，形成隱性知識，提升企業獲取知識資源的效率，為企業的創新活動打下良好基礎。其次，有效的知識共享不僅包含相關知識信息的傳遞，而且需要確保不同人員對知識含義的同步理解(Fisher et al.，1997)[8]。企業利用數據可視化等技術能夠將復雜的知識通過圖表等簡單的方式進行詮釋(張瑞等，2018)[51]，從而實現知識在各部門中快速準確地傳輸與分享，加強創新人員之間的相互交流、學習與思想碰撞，激發創新思維，從而促進創新項目的成功實施。

在創新成果轉化階段，企業通過大數據可以更好地理解環境和客戶需求，助力創新成果成功轉化。通過運用數據管理方法，企業可以使用爬蟲、神經網絡、支持向量機等大數據相關技術挖掘與分析消費者的基本信息、行為和交易數據來建設客戶畫像體系(Cinar et al.，2015；Nedjah et al.，2022)[5][17]，從而有助于企業快速鎖定企業創新成果轉化的目標與對象。通過針對精準定位的潛在消費群體采取適當的營銷手段，企業能夠增加新產品相關的銷量與收入(Bao et al.，2022)[2]，實現創新成果的成功商業化，從而提升企業的創新效率。

基于以上分析，本文提出以下假設：

H1：企業的大數據應用程度越高，企業的創新效率越高，大數據應用可以顯著提高企業的創新效率。

(二)大數據應用、融資約束和企業創新效率

企業進行創新活動通常需要較長時間才可獲得創新產出，在此過程中企業需要持續的資金支持(周開國等，2017)[52]。一旦企業停止對創新活動的后續支出，之前的相關投資也將付諸東流(盧馨等，2013)[33]。已有研究表明，企業在進行創新活動時往往受到融資約束的限制(萬佳彧等，2020；Milani and Neumann，2022)[36][16]。企業在創新過程中面臨的融資約束主要有兩種，其一是“融資難”——由于創新活動風險過高，創新企業難以從外部獲取相應融資。此時企業只能夠使用內部資金來支持創新活動，但企業內部現金流更易受到經營狀況和內部管理等因素的影響(張傳奇等，2019)[50]，極有可能出現現金流不足而停止創新活動的情況(Li，2011；Beladi et al.，2021)[12][4]，創新投入的中斷影響企業的創新產出，降低企業創新效率。其二是“融資貴”——進行創新活動使企業經營風險和未來收益的不確定性提高，因此創新企業在融資過程中往往面臨較高的融資成本(吳翌琳和黃實磊，2021)[42]。融資成本過高容易導致企業償還壓力大，進一步增加企業創新活動的風險，造成融資成本進一步增加的惡性循環。此時，企業為了維持正常的生產經營不得不削減企業的創新活動(Xu，2020)[21]，最終導致創新效率低下的結果(王華等，2020)[38]。大數據應用能夠顯著緩解企業面臨的融資約束，解決創新活動中遇到的資金瓶頸問題，使企業有充足的資金流進行持續創新(鞠曉生等，2013)[27]，從而保障企業的創新產出順利落地，最終提高創新效率(唐松等，2020；王華等，2020)[35][38]。

具體地，大數據能夠從以下兩個角度緩解企業面臨的融資約束。第一，企業能夠通過大數據應用緩解企業面臨的“融資難”問題。一方面，“大數據”與實體經濟融合是經濟實現高質量發展的重要途徑，企業應用大數據向外部投資者釋放了一種積極信號，使得企業能夠得到外部投資者的關注，從而在一定程度上緩解企業“融資難”的困境。另一方面，應用大數據能夠使企業使用較低的成本掌握資金供給方的海量信息；通過使用特定技術工具對數據進行篩選與分析，企業可以更針對性地披露資金供給方所需的信息，有利于提高企業信息披露的針對性，從而更好地滿足企業信息使用者的需求(Elliott et al.，2018)[7]，緩解資金供需雙方的信息不對稱，從而緩解企業“融資難”困境。第二，大數據應用能夠緩解企業面臨的“融資貴”問題。一方面，伴隨著國家大力發展“數字經濟”的東風，企業應用大數據技術能夠享受到一系列的政策優惠，從而增加企業以較低成本獲得融資的可能性。另一方面，大數據相關技術能夠有效提升企業內部的信息分析能力(張嘉偉等，2022)[48]，使得企業能夠更加快速且透徹地分析企業內部的相關情況，通過提高企業的信息披露質量增強投資者對企業的信心，降低風險預期，從而降低企業的融資成本。

基于以上分析，本文提出以下假設：

H2：企業應用大數據能夠緩解面臨的融資約束，從而提高創新效率。

三、研究設計

(一)數據

本文以2007―2020年滬深A股上市公司作為研究樣本，為保證回歸分析的可靠性，對數據進行如下處理(如表1所示)：第一，剔除金融類上市公司；第二，剔除ST和*ST企業；第三，剔除變量存在缺失的企業。經處理后共得到7742個企業-年度觀測值。企業的大數據應用指標是使用Python軟件爬取巨潮資訊網披露的年報并進行文本分析取得，相關申請和獲得專利數量來自中國研究數據服務平臺(CNRDS)數據庫，其他的相關數據均來自于國泰安(CSMAR)數據庫。為緩解異常值導致的結果偏差，本文在1%和99%的水平上對連續變量分別進行縮尾處理。

表1 樣本處理

(二)模型設計

為研究大數據應用對企業創新效率的影響，本文設定如下模型進行檢驗：

其中，創新效率Effi為被解釋變量，大數據應用Bdata為解釋變量，Ctrl為控制變量，Indcd和Year表示企業所屬的行業和年份固定效應，分別用來控制隨行業和時間變化而無法觀測的影響，ε為誤差項。本文重點關注系數α1的符號以及顯著水平，其經濟含義是企業大數據應用對創新效率的影響。

(三)變量設定

1.被解釋變量

創新效率Effi是指企業資源投入轉化為創新產出的能力(Griffin et al.，2018)[10]。借鑒馮根福等(2017)[24]和陳德球等(2021)[23]的研究，本文采用企業取得授權的專利數量(創新產出)與研發投入絕對額的自然對數(創新投入)的比值來衡量企業的創新效率。此外，考慮到進行創新活動從投入創新資源到獲取專利成果存在一定的時滯，本文將專利數量滯后3期(t+3)來構建企業的創新效率代理變量。

2.解釋變量

借鑒張葉青等(2021)[49]的研究，本文將企業年報中的“大數據”詞頻作為企業大數據應用Bdata的代理指標。具體而言，與大數據相關的詞匯包括“大數據、海量數據、數據中心、信息資產、數據化、算力”等，這些詞匯能夠有效衡量企業的大數據應用程度。借助Python爬蟲技術，本文歸集了滬深A股企業的全部年報并進行詞頻統計，獲得企業大數據應用的初始指標，之后對初始指標進行了對數化處理，最終取得了實證所需的大數據應用指標。

3.控制變量

參考以往文獻，本文的控制變量包括：企業規模(Size)、資產負債率(Lev)、盈利能力(Roa)、有形資產比(Fixas)、企業成長性(Growth)、企業年齡(Age)、董事會規模(Board)、獨立董事比例(Indep)、管理層持股比例(Manage)、股權集中度(Owner)、現金持有(Cash)、流動性(Liquid)、托賓Q(Tobinq)、兩權分離度(Sep)和企業性質(Soe)。

變量定義如表2所示。

表2 變量定義

四、實證結果與分析

(一)變量描述性統計

表3報告了主要變量的描述性統計結果。其中，創新效率的均值為1.298，中位數為0.236，標準差為3.480，最小值為0，最大值為24.710，說明樣本企業的整體創新效率偏低，且公司之間的創新效率存在較大差距。大數據應用指標的均值為0.351，中位數為0，最小值為0，最大值為4.754，說明樣本中大部分企業并未意識到大數據對于自身發展的作用，大數據應用水平整體偏低；標準差為0.760，說明樣本企業的大數據應用程度存在較大差異。其他變量均處于正常范圍內。

表3 主要變量的描述性統計結果

(二)基準回歸結果

表4報告了大數據應用-企業創新效率關系的核心回歸結果。在基準回歸中，本文采用遞進式的回歸方式。首先進行大數據應用和企業創新效率的單變量回歸，結果如第(1)列所示，大數據應用指標(Bdata)的系數為0.274且在1%水平下顯著；其次，在原有基礎上加入控制變量進行回歸，結果如第(2)列所示，Bdata的系數為0.271且在1%水平下顯著；最后，進一步控制行業和年份固定效應進行回歸，結果如第(3)列所示，Bdata的系數為0.372且在1%水平下顯著。這意味著，企業大數據應用程度越高，企業的創新效率越高，兩者之間呈現顯著的正相關關系。綜上，本文假設1得到了經驗證據支持。

表4 大數據應用與企業創新效率

(三)穩健性檢驗

1.更換核心變量的衡量指標

第一，更換大數據應用的衡量方式?？紤]到年報中的詞頻數據可能存在一定的噪音，本文借鑒張葉青等(2021)[49]的研究方法，構建大數據應用的虛擬變量Bdata_dum進行驗證，企業當年年報中出現“大數據”相關詞匯時Bdata_dum值取1，否則為0。此外，本文選擇了更廣義的關鍵詞集合構建大數據應用的代理指標Bdata_exp，除前文提及的大數據應用相關詞匯外，借鑒吳非等(2021)[41]的研究，加入大數據技術相關的關鍵詞來構建企業大數據應用指標，這些關鍵詞包括：“大數據、數據挖掘、文本挖掘、數據可視化、異構數據、征信、增強現實、混合現實、虛擬現實”。更換大數據應用指標的回歸結果如表5第(1)(2)列所示，Bdata_dum和Bdata_exp的系數分別為0.628和0.378，且均在1%水平下顯著，說明本文的主要結論是穩健的。

第二，更換創新效率的衡量方式。首先，使用申請專利數量衡量企業的創新產出，重新構建創新效率的代理變量Effi1進行驗證；其次，我國的專利分為發明專利、外觀設計專利和實用新型專利三種，其中發明專利的質量最高，因此，本文以發明專利衡量企業的創新產出，構建創新效率的代理指標Effi2進行驗證；最后，分別使用滯后1期、2期的企業取得授權專利數量與研發投入絕對額的自然對數的比值構建創新效率的代理指標Effi3和Effi4進行驗證。更換創新效率衡量方式的回歸結果如表5第(3)～(6)列所示，Bdata的系數分別為0.725、0.262、0.428和0.272，且均在1%水平下顯著，說明本文的主要結論是穩健的。

表5 穩健性檢驗：更換核心變量、樣本區間和回歸模型

2.更換樣本區間

為避免企業由于追求熱點而在年報中夸大披露大數據應用的相關信息而導致回歸系數虛增，借鑒張葉青等(2021)[49]的研究，本文僅使用2014年及以前的大數據發展早期樣本進行驗證。結果如表5第(7)列所示，Bdata的系數為0.695，且在1%水平下顯著，說明本文的主要結論是穩健的。

3.更換回歸模型

由于企業的創新效率可能存在動態效應，即前期創新效率可能會對后期創新效率產生沖擊，導致靜態面板模型的估計結果有偏，因此，本文基于動態面板回歸模型進行驗證。結果如表5第(8)列所示，Bdata的系數為0.187，且在1%水平下顯著，說明本文的主要結論是穩健的。

4.內生性處理

本文可能存在以下內生性問題：第一，遺漏變量?？赡苡幸恍╇y以量化的因素同時與企業的大數據應用和創新效率相關，例如企業的大數據應用和創新效率可能同時受到地區政策的激勵，造成回歸系數被高估。第二，反向因果。創新效率比較高的企業對新技術的關注度更高，更有動機投入大數據應用相關建設，導致回歸系數被高估。第三，自選擇偏誤。大數據應用程度較高的企業可能本身各方面條件更優越、表現更佳，因而能夠更有效率地開展創新活動，創新效率更高。

本文主要采取以下措施來緩解可能存在的內生性問題：第一，在控制行業和年份固定效應的基礎上，通過分別進一步控制省份地區固定效應和城市地區固定效應來緩解可能存在的遺漏變量內生性問題?；貧w結果如表6第(1)(2)列所示，可以看出Bdata的系數仍然顯著為正，本文的研究結論是穩健的。第二，借鑒李唐等(2020)[30]和宋德勇等(2022)[34]的研究，本文為企業大數據應用水平構造工具變量進行工具變量法回歸，以緩解可能存在的反向因果內生性問題。具體而言，采用大數據應用水平與按行業和省份分類的大數據應用水平均值差額的三次方作為工具變量(Bdata_IV)。回歸結果如表6第(3)(4)列所示，在第一階段回歸中Bdata_IV的系數為0.143且在1%水平下顯著，且F統計量值(163.950)遠大于經驗規則臨界值10，說明本文選取的工具變量不存在弱工具變量問題。在第二階段回歸中Bdata的系數為0.312且在1%水平下顯著。以上回歸結果說明本文的研究結論是穩健的。第三，本文采用傾向得分匹配法(PSM)來減輕可能存在的自選擇偏誤。具體而言，以樣本企業是否應用大數據技術將其劃分為處理組和對照組，使用Stata軟件中的psestimate命令從控制變量中篩選出有效的協變量，按照1:1近鄰匹配法為處理組中的上市公司進行有放回的匹配?；貧w結果如表6第(5)列所示，Bdata的系數為0.300且在1%水平下顯著，這進一步說明了本文的研究結論是穩健的。

表6 穩健性檢驗：內生性處理

(四)機制檢驗

為檢驗融資約束是否是大數據應用影響企業創新效率的內在機制，本文借鑒溫忠麟等(2004)[40]提出的中介效應檢驗程序進行機制檢驗，具體的檢驗模型如式(2)(3)和(4)所示。模型(2)反映大數據應用對企業創新效率的總效應；模型(3)中γ1反映了大數據應用對融資約束的影響；模型(4)中θ1反映了大數據應用對企業創新效率的直接效應；模型(3)中γ1和模型(4)中θ2的乘積γ1θ2反映了融資約束的中介效應。

借鑒魏志華等(2014)[39]和唐松等(2020)[35]的研究，模型(3)中融資約束變量Fc的計算方法如下：首先，按照年度對經營性凈現金流比年初總資產、現金股利比年初總資產、現金持有比年初總資產、資產負債率和托賓Q等五個變量進行分類，分別根據變量對樣本進行升序排序后以中位數作為融資約束的分界點確定融資約束虛擬變量Fc_i，將5個變量的Fc_i加總后得到每個樣本的Fc_qu指數。其次，使用式(5)進行排序Logit回歸，其中，Cashdiv表示企業當年發放的現金股利，Cf表示企業的凈經營性現金流，Ta表示企業的資產總額，其余變量的設定與前文一致。最終得到每個樣本企業在相應年份的融資約束代理變量Fc，Fc的值越大代表企業面臨的融資約束程度越高。

中介檢驗的回歸結果如表7所示。第(1)列顯示，大數據應用能夠顯著提升企業創新效率；第(2)列顯示，大數據應用能夠顯著緩解企業面臨的融資約束；第(3)列顯示，融資約束的系數顯著為負，且大數據應用的系數絕對值相較第(1)列有所降低，說明大數據應用通過緩解融資約束，顯著提升企業的創新效率。因此，大數據應用―融資約束―創新效率的機制成立，且融資約束在大數據應用對創新效率的影響中起部分中介作用。由此，本文的假設2得到了經驗證據支持。

表7 融資約束的中介機制檢驗

為進一步檢驗融資約束中介效應回歸結果的穩健性，本文通過更換變量的度量方式進行驗證。首先，改變大數據應用和企業創新效率的度量方式，分別將模型中的Bdata和Effi替換為Bdata_exp和Effi1進行檢驗。檢驗結果如表8所示，融資約束的中介效應仍然成立。其次，改變融資約束的度量方式，借鑒李文秀和唐榮(2021)[31]的研究，使用利息支出與流動負債之比衡量企業面臨的融資約束(Fc1)進行檢驗。檢驗結果如表9所示，再次表明融資約束的中介效應回歸結果是穩健的。

表8 融資約束的中介機制穩健性檢驗：更換解釋變量和被解釋變量

表9 融資約束的中介機制穩健性檢驗：更換融資約束變量

(五)異質性分析

大數據應用對不同科技屬性企業的創新效率會有不同的影響?？萍计髽I作為技術創新活動的主力軍，是我國實現可持續發展、促進經濟轉型的關鍵因素。一方面，相較于其他企業，科技企業通常面臨較為嚴峻的技術競爭環境，因此更有動機利用大數據技術提升創新產出和創新效率(翟淑萍等，2020)[47]。另一方面，科技企業擁有更多技術人才，使得其更能把握科學技術的發展前景，認識到大數據技術的發展方向，對大數據的應用能力與應用范圍處于領先地位?；谝陨戏治觯疚恼J為大數據應用對企業創新效率的影響將在科技企業中更加明顯。

按照企業是否屬于科技企業進行分組，回歸結果如表10第(1)(2)列所示。科技企業組Bdata的系數為0.413且在1%水平下顯著，非科技企業組Bdata的系數為0.090但不顯著；并且，分組回歸結果的Suest檢驗p值為0.005，通過了組間系數差異檢驗。引入科技屬性(Tech)和Bdata交互項的回歸結果如表10第(3)列所示，交互項的估計系數為0.487且在1%水平下顯著，說明在科技企業中大數據應用對創新效率的促進作用更為顯著。

大數據應用對行業競爭程度不同的企業的創新效率會有不同影響。一方面，為了能更好地生存和發展，處于行業競爭激烈環境的企業更有動機利用大數據進行高效的創新活動(何玉潤等，2015)[25]，從而提升企業的核心競爭力。另一方面，競爭激烈的行業內往往具有更多的外部信息，而大量的信息使得企業的創新決策更加精準，進而提升企業的創新產出，增加創新效率。因此，大數據應用對企業創新效率的提升作用將在行業競爭程度更高的企業中更為明顯。

本文使用赫芬達爾指數度量企業所在行業的競爭程度，把樣本按照是否大于中位數分為行業競爭高和行業競爭低兩組分別進行回歸。結果如表10第(4)(5)列所示，行業競爭程度高組Bdata的系數為0.413且在1%水平下顯著，行業競爭程度低組Bdata的系數為0.159但僅在10%水平下顯著；并且，分組回歸結果的Suest檢驗p值為0.054，通過了組間系數差異檢驗。引入行業競爭(Mcomp)和Bdata交互項的回歸結果如表10第(6)列所示，回歸結果顯示交互項的估計系數為0.424且在1%水平下顯著，說明在競爭行業中大數據應用對創新效率的提升作用更為顯著。

表10 異質性分析：區分科技屬性和行業屬性

五、結論與啟示

本文通過爬蟲技術爬取滬深A股上市公司年報，構建大數據應用相關指標，研究大數據應用對企業創新效率的影響，得到以下主要研究結論：首先，大數據應用對企業創新效率具有顯著的提升作用，且該結論在更換核心變量衡量方式、改變樣本區間和處理內生性問題后依然成立。其次，大數據應用能夠有效緩解企業面臨的融資約束問題，這有助于提高企業的創新動機與創新活動的可持續性，從而促進企業的創新效率。最后，異質性檢驗結果表明，大數據應用對企業創新效率的提升效應在科技企業組和行業競爭程度高組中相對更明顯。

本文的研究具有以下政策啟示：第一，大數據技術應用能夠顯著提升企業創新效率，推動企業數字化應用對實現高質量發展具有重要意義。一方面，企業應抓住數字經濟的發展態勢，把握機遇，落實大數據分析技術在企業決策和管理等過程中的應用，構建以大數據技術為基礎的高質量創新驅動發展體系。另一方面，政府應加快數據基礎設施建設，營造良好數據環境，提升數據質量，助力大數據與實體經濟的高效融合。第二，應借助大數據應用技術完善企業信息披露制度，提高企業信息披露質量，從而強化企業與投資者之間的信息傳遞效率，降低企業內外部信息不對稱程度，助力企業實現資金融通，緩解企業面臨的融資約束。第三，鑒于不同屬性的企業中大數據應用提高創新效率的差異，政府在制定相關政策時應當結合企業的科技屬性和所處行業等因素，針對不同企業特定情境制定因勢利導的政策體系。 ■