企業非效率投資與高質量發展

丁鋒

【摘 要】 非效率投資影響企業和地區經濟高質量發展。以2007—2021年上市企業的財務數據為樣本，探索國家級大數據綜合試驗區政策如何影響企業非效率投資。實證結果發現，國家級大數據綜合試驗區設立能顯著降低企業的非效率投資水平，展現出了良好的投資優化治理效果。異質性檢驗發現，國家級大數據綜合試驗區設立能顯著降低高科技企業、非國有企業的非效率投資水平，但對于非高科技企業而言則難以體現出顯著效果，對國有企業也是如此。機制檢驗發現，這一政策能夠有效提升企業信息處理能力、降低企業環境不確定性并提升內部控制水平，有助于企業非效率投資水平的降低。文章為理解政府在改善數字基礎設施的努力及其成效提供了經驗證據的支持，并提出了相應的政策優化建議。

【關鍵詞】 國家級大數據綜合試驗區； 非效率投資； 內部治理

【中圖分類號】 F275.1? 【文獻標識碼】 A? 【文章編號】 1004-5937（2024）13-0048-07

一、引言

近年來，數字經濟發展勢頭迅猛，對經濟發展展現了不容忽視的引擎力量[1]。特別是隨著大數據在經濟生活中的廣泛推廣和運用，有效推動了實體企業潛能的釋放和經濟的高質量發展[2]，因而得到了越來越廣泛的關注。從政府層面來看，2020年3月，中共中央、國務院《關于構建更加完善的要素市場化配置體制機制的意見》首次將數據列入生產要素，充分肯定了數據對于經濟發展的重要作用。為了推動大數據的發展，2016年國家發改委和工信部等部門開始實施大數據為核心的試驗區試點工作，以推動大數據產業發展、完善相關基礎設施建設和促進大數據行業企業創新等方面為抓手，減少數字鴻溝和充分挖掘大數據的價值潛力，為我國從數據大國向數據強國邁進奠定堅實的基礎性保障。

當前，主動利用國家級大數據綜合試驗區大數據所帶來的數字化紅利，運用大數據優化企業的運營和投資效率，正成為越來越多企業生存、發展的理性選擇[3]。值得指出的是，如若能在日常經營中充分發揮大數據的優勢，盡最大可能減少各種非效率投資，無疑將能夠大幅度提升企業的投資效率[4]，進而對企業的高質量發展大有裨益。然而囿于大數據試驗區政策實施時間較短，且大數據產業的發展歷史也并不長，因此直接探討試驗區與企業非效率投資的文獻并不多，相關課題仍亟待深入研究。從這個角度而言，對試驗區與企業非效率投資進行研究，探討如何充分發揮試驗區的政策紅利，將有助于發揮大數據之于企業發展的重要推動作用，為提升企業投資效率提供經驗證據支持。

本文邊際貢獻主要體現在：一是研究試點政策對企業非效率投資的影響，從微觀角度研究試驗區政策對企業投資的影響。二是從科技屬性和產權屬性出發，研究試驗區發展對企業非效率投資的異質性影響，為提升企業投資效率提供經驗證據支持。三是基于信息不對稱、環境不確定性和研發創新投入角度，研究試驗區對企業非效率投資的影響路徑，以有助于充分發揮大數據的賦能作用，提升企業投資效率。

二、假設提出

新時代，數據作為新型生產要素，推動生產力和經濟高質量發展。我國從2015年開始啟動國家級大數據綜合試驗區建設，從促進大數據相關制度創新、產業集聚、創新應用等方面出發，探索推動大數據發展的有效模式，大數據創新和應用由此邁入了快車道。而隨著大數據在實體企業的廣泛運用，其勢必也會對企業的投資效率造成一定程度的影響。

（一）國家級大數據綜合試驗區建設能夠改善信息不對稱問題，進而有效降低非效率投資水平

試驗區的設立將進一步完善轄域內的數字化基礎設施建設，減少數字鴻溝并更好地完善各經濟行為主體之間的數據交流[5]，企業能夠借助大數據來提升對內外部信息的處理水平并充分挖掘各類數據資源的內在價值[6]。隨著數據處理水平的提升和信息不對稱狀況的改善，企業能夠向外界更有效地傳遞相關信息，吸引外部投資者和分析師對企業給予更高的關注。進一步的，外部經濟行為主體對企業的高度關注，將對企業投資效率的優化起到一定的催化作用。這主要是因為外部市場主體對企業的關注，客觀上能夠更好地監督企業的各種投資行為[7]，促使企業在做出投資決策時考慮更多的合理性因素，從而倒逼企業降低非效率投資水平。

（二）國家級大數據綜合試驗區建設能夠有效降低企業環境不確定性，進而有效降低非效率投資水平

試驗區的設立明確地傳達了政府銳意推動大數據發展的政策意圖，轄域內企業能夠據此有效地領悟政府未來的政策方向，客觀上減低了企業面臨的各種不確定性因素。進一步的，隨著企業環境不確定性的降低，一方面，企業能夠更好借助試驗區所帶來的發展機遇，采用大數據來優化自身的產品和服務質量[8]，更好地預測投資項目未來的風險和收益狀況[9]，為科學決策提供更有益的參考；另一方面，不確定性降低使得企業能夠擁有更寬松的發展和融資環境[10]，企業能夠基于客觀的發展規律和自身的實際情況做出恰當的投資決策，并不需要囿于資源約束而放棄合適的發展機遇[11]，這也將有助于提升企業投資效率。

（三）國家級大數據綜合試驗區建設能夠強化企業的內部控制，進而降低非效率投資水平

試驗區的設立使得數據在不同市場主體之間能夠更好地開放共享，加速釋放數據資源之于實體經濟的紅利。具體而言，試驗區的設立使得數字新基建得到重大突破，為大數據與實體企業的深度融合奠定良好的基礎，加快數據賦能企業各生產、創新和服務流程的步伐[12-13]。企業能夠運用大數據增強不同部門和不同業務之間的信息互聯互通[14]，為管理層監督和管理企業內部提供具有深度和廣度的數據支持，將有助于顯著提升企業內部控制水平。進一步的，企業內部控制的優化將有助于提升企業的決策能力[15]，企業能夠基于利潤最大化原則選擇最優的投資組合方案，減少投資過度和投資不足等問題，從而有助于顯著降低非效率投資水平。

據此，本文提出待檢驗的核心假設1。

H1：國家級大數據綜合試驗區建設能夠有效降低企業非效率投資。

三、研究設計

（一）數據來源

本文以探索大數據試點政策對企業的非效率投資水平的影響關系為研究核心，以上市企業為樣本集進行研究，并將時間區間設定為2007—2021年。其指標數據主要有兩個方面的來源。其中宏觀指標數據取自各層級統計部門公布的年鑒，而用于描述企業特征的微觀指標數據則取自萬得（Wind）數據庫。在進行實證研究之前，本文還進行了相關的數據清洗工作，具體包括剔除非實體企業、剔除異常特征企業的樣本和慣常采用的縮尾工作（1%）。

（二）變量設定

1.被解釋變量

企業非效率投資（LnPati）。參考Richardson[16]的方法，計算步驟如下：

首先，根據如下模型計算企業標準化資本投資規模（Invest），作為企業最佳投資規模。

模型1中，Size、Lev、Growth、Age、Ret、CFO分別為企業當年度總資產規模、資產負債率、收入增長率、企業成立時長、股權收益、凈現金流。模型還使用了雙固定效應。

其次，采用模型1中的殘差（εi，t）絕對值，指代非效率投資水平；顯然，其與非效率投資的嚴重程度呈正向關系。若進一步考慮這一差值的符號，則可更為精確地測度企業非效率投資的具體狀態。具體的，如若企業實際投資大于最優投資則i，t大于0；反之，若企業實際投資小于最優投資則i，t小于0。特別的，參考江軒宇等[17]的計算方法，通過對上述各年測算結果進行三期移動平均，形成了本文的被解釋變量集（Uninvest、Uninvest_O、Uninvest_U）。其中后兩者分別代表過度投資和投資不足。

2.核心解釋變量

大數據試點政策變量（dudt）。依循政策效應識別的通常實證方法，本文利用國務院分別于2015年、2016年設立大數據試點政策實施省份（城市）的典型事實，構建本文的準自然實驗政策變量。樣本特征虛擬變量設定為Treat，其值為1代表該省（市）歸屬于試點樣本集，其值為0代表其不屬于試點樣本集；而時間虛擬變量則設置為Post，其值為1代表該省（市）處于試點年度區間，Post取其值為0則剛好相反。此后，計算兩者的交乘項得到dudt=Treat×Post，其值為1即表示省份i在第t年納入了試點范圍，在實證研究中，這一交乘項的系數是重點關注的內容。

3.控制變量

為提高回歸模型的估計效率，本文借鑒了向海凌等[18]的方法，納入了一系列控制變量：分別是企業總資產（Ln Asset）、QFII機構持股占比（QFII）、總收入（Ln Income）、兩職合一（Dual）、負債比（Lev）、企業成立時長（Age）、賬面市值比（BM）、第一大股東股權集中度（First）、凈資產收益率（ROE）、審計意見（Opin）以及該地區的國內生產總值（Ln GDP）的對數值。

（三）模型設定

本文實證檢驗模型如下：

式2中各變量意義與變量描述中相同，此外需要說明的是，本文采用“企業—時間”雙固定效應進行參數估計（Firm&Year），并實施了穩健標準誤的調整。

接下來，進一步探索大數據試驗政策的影響路徑。具體則借鑒了溫忠麟等[19]的方法，設置如下中介回歸模型完成這一目標：

方程中，主要變量如式2所示；上述模型增加的是中介變量組Mediator。在中介變量的選擇中，結合前文理論分析的邏輯脈絡，本文分別選擇了分析師關注度（Analyst，表征企業信息不對稱程度）；環境不確定性（EU）、企業內部控制水平（IC）分別作為機制變量。其中分析師關注度的度量借鑒了余明桂等[20]的測度方法，使用對企業作出分析的分析師數量作為代理變量；環境不確定性則采用申慧慧等[21]的測量方法，通過計算5年內企業業績的標準差系數來指代其環境不確定性；內部控制水平則借鑒李志斌等[22]的研究，直接使用“中國上市公司內部控制指數”表征企業的內部控制水平。

四、實證結果與經濟解釋

（一）基準回歸

表1結果表明，無論哪個回歸模型，dudt的系數均顯著為負（均至少通過了5%的顯著性檢驗）。這說明大數據綜合試驗區政策確實能帶來企業非效率投資水平的有效降低，也以實證結果支撐了本文的假設。

（二）穩健性檢驗

在前述的實證分析框架中，僅針對變量之間的基礎關系進行了初步檢驗，但這種關系的因果關聯穩健性仍需要進一步確認。基于此，本部分著重從平行趨勢檢驗、樣本剔除、指標分解以及傾向性得分匹配四個部分展開檢驗識別。囿于篇幅，主要檢驗結果留存待索。

表2著重解決準自然實驗中的樣本配對有效性問題。想要有效識別政策的有效性，就必須將被政策影響的組別以及不被政策影響的組別進行有效分離和比較，樣本中不同組別間須滿足具有共同特征趨勢的條件（即平行趨勢）方能在研究政策沖擊的影響中具有合理的實證基礎。因此本部分中分別設置了前置時間虛擬變量（Before1、Before2、Before3）、當期虛擬變量（Current）和后置虛擬變量（After1、After2、After3）。在上述變量基礎上，本文在更長的時間口徑考察國家級大數據綜合試驗區的政策影響力變化。實證結果發現，在回歸模型2中，在國家級大數據綜合試驗區設立之前的年份，交互項（du×Before1、du×Before2、du×Before3）的回歸系數分別為0.006、0.001和-0.001，且均未通過任何慣常水平下的統計顯著性檢驗，表明在政策沖擊之前，共同趨勢在不同組別間顯著存在，本文的準自然實驗分析結果具有有效前提。在國家級大數據綜合試驗區設立當年，交互項（du×Current）的回歸系數為0.003且t值為0.91，并未通過檢驗，表明試驗區設立當年，國家級大數據綜合試驗區對企業非效率投資的影響還未得以充分釋放。與之形成鮮明對比的是，在政策沖擊之后的年份，交互項（du×After1、du×After2、du×After3）的回歸系數分別為-0.012、-0.004和-0.003，上述回歸系數均至少通過了5%的統計顯著性檢驗。這表明，在企業受到政策沖擊后，國家級大數據綜合試驗區能夠顯著降低企業的非效率投資水平，且這種抑制作用能夠在較長的一個時間序列內成立，能夠起到疊加的影響效果。這也在側面上為本文核心結論“國家級大數據綜合試驗區能夠降低企業非效率投資水平”提供更為豐富的證據支持。

（三）異質性檢驗

在前文的分析中，本文針對研究的核心基準關系展開了實證檢驗，并進行了一系列穩健性檢驗提升研究結論的確當性和有效性。但必須注意的是，同樣的政策沖擊影響對于不同稟賦的企業而言，可能有著不同的影響沖擊。本部分據此展開異質性檢驗，能夠強化政策的精準性和靶向性，從而提高國家級大數據綜合試驗區的政策驅動力。有鑒于此，本文從科技屬性、產權屬性兩個類別界分其中的影響效果差異。

表3的回歸模型1和模型2展示了“高科技企業—非高科技企業”的回歸分析結果。對比來看，大數據試驗區政策對高科技企業的回歸系數顯著為負（通過5%水平檢驗）；而其對非高科技企業的回歸系數則并未通過顯著性檢驗。這說明，國家級大數據綜合試驗區設立能夠顯著降低高科技企業的非效率投資水平，但無法有效矯正其余企業的非效率投資行為。本文認為，高科技企業本身就具有較好的內部技術基礎和應用前沿技術的主觀意愿，因此在外部的新型數字基礎設施建設條件下，這類企業能夠更好地利用外部的技術進步條件來為自身的投資決策行為提供支撐，相比之下，非高科技企業本身就不具有較強的創新意愿和技術基礎條件，即便有外部數字基礎設施建設的支持，這類企業也很難對其進行充分利用，更不用說將其嵌入到企業內部的投資決策體制機制中來，因此這類政策利好的支持也無法幫助企業提高投資效率。

觀察表3的列（3）和列4可以發現企業產權屬性的差異性表現。對比來看，國家級大數據綜合試驗區對國有企業非效率投資的回歸系數為0.002但t值偏小（僅為1.48）；而國家級大數據綜合試驗區對非國有企業反而顯示出顯著效果（系數為-0.012且通過了5%的檢驗）。上述實證結果表明，國家級大數據綜合試驗區設立能夠顯著降低非國有企業的非效率投資水平，但對于國有企業的非效率投資活動而言并未產生顯著的治理優化效果。本文認為，從技術創新應用的主觀能動性角度來看，國有企業能夠憑借自身國家信譽嵌入在市場上獲得更加有利的市場地位，自身的創新意愿相對較弱，因此在外部的政策技術基礎設施改善下，國有企業可利用的空間也并不明顯。更為重要的是，對于國有企業而言，承擔社會責任是國有企業在經營實踐中必須面對的問題，在這種情況下，國有企業的投資不會嚴苛地強調投資效率的提升（換言之，國有企業的非效率投資存在不少非市場因素），因此，國家級大數據綜合試驗區的設立對國有企業非效率投資的治理優化效果并不明顯。與之不同的是，非國有企業往往面對著不進則退的市場競爭環境，這類企業往往有著較強的意愿利用新技術新方法來提升企業的發展效能，如何提升自身核心競爭力，是非國有企業發展的重點內容。因此，在企業外部具有較好的政策支撐時，企業能夠充分利用外部的數字技術創新來服務自身的發展需求。

五、國家級大數據綜合試驗區影響企業非效率投資的渠道機制

前述實證檢驗了本文的核心關系和異質性特征，重點解決了前沿數字基礎設施建設服務企業投資活動的特征刻畫問題，在本部分的研究中，將著重針對變量之間的影響機制展開檢驗分析。延續本文理論分析的核心邏輯，具體選定的路徑機制為信息不對稱優化、環境不確定性降低以及內部控制。

（一）信息不對稱機制

在表4中，本文針對“國家級大數據綜合試驗區→信息不對稱→非效率投資”的路徑展開檢驗。實證結果發現，國家級大數據綜合試驗區設立有助于分析師關注水平的提升。這表明，大數據試驗區政策能夠幫助企業提升數字化技術應用和創新水平，因而企業能夠借助這類信息技術改善來有效提升對結構化、非結構化信息的處理能力，從而向外界傳遞更多易辨識且有價值的信息流，由此，外部市場主體對企業的關注度會明顯提升。進一步研究發現，這種分析師關注度的提升有助于企業提升自身的決策投資效率。不難理解，當針對特定企業關注的分析師數量增加時，一方面，企業向外傳遞的信息將能夠得到更加充分的解讀；另一方面，市場中有著更多的經濟主體能夠對企業形成更加有效的監督和制約，從而倒逼企業做出更加充分合理的投資決策。從這個角度來看，國家級大數據綜合試驗區設立對企業分析師關注度的提升，有助于企業降低非效率投資水平。

（二）環境不確定性機制

在表5的機制識別中，本文針對“國家級大數據綜合試驗區→環境不確定性→非效率投資”的路徑展開檢驗。模型2結果表明，模型中大數據試驗區政策的系數顯著為負（-0.012）。這表明，國家級大數據綜合試驗區設立有助于降低轄域內企業面臨的波動性和不確定性因素，企業能夠借助新技術新應用來服務自身的高質量發展，提升企業的盈利能力和穩定性，由此，企業的環境不確定性會顯著降低。進一步研究發現，當環境不確定性降低時，企業的投資效率則會相應提升（模型3中EU的回歸系數為0.131）。這是因為，當企業的環境不確定性問題得以顯著改善時，企業的投融資決策將會有著更為寬松的環境，此時企業不會因為短期的資源可持續性問題而投資短期具有現金流而長期現金流為負的項目，企業能夠在更合理的環境下做出有效的投資決策。由此可見，大數據試驗區政策降低了企業環境不確定性，從而優化了企業非效率投資活動。

（三）內部控制機制

表6中，本文針對“大數據試驗區政策→內部控制→非效率投資”的路徑展開檢驗。結果可見，大數據綜合試驗區政策對企業內部控制水平的系數顯著為正。這表明，國家級大數據綜合試驗區設立有助于提升企業內部控制水平。不難理解，當企業外部的信息基礎設施建設得以完善后，企業能夠借助這類前沿信息技術應用更好地服務于自身的生產發展活動，如將前沿數字技術用于科學決策和資源配置，提升決策效率，增強對企業不同部門之間的信息穿透力和解讀能力，這顯然會顯著提升企業的內部控制水平。進一步研究發現，這一情況的變化將能夠顯著降低企業的非效率投資。這是因為，當企業的內部控制水平上升時，企業內部的資源配置和決策能力都得到了顯著的提升，企業能夠更好地判別投資項目的優劣，并從中選擇經濟效益最大化的投資項目，減少不必要的投資活動（如未來現金流較低抑或為負的投資項目），從而改善企業的投資行為。從這個角度來看，國家級大數據設立對企業內部控制的優化效果，能夠降低企業的非效率投資水平。

六、研究結論與政策建議

數字經濟時代下，以前沿數字技術設施建設推動企業高質量發展是當前的重要工作任務。本文從理論和實證兩個方面分析和檢驗了大數據試驗政策對企業非效率投資的政策效應和機制問題，具體結論如下：

首先，核心研究結論，即大數據試驗區政策降低企業非效率投資水平得到理論和經驗數據兩個方面的支持，其經由多重穩健性檢驗后依舊成立。其次，研究發現這一影響具有顯著異質性，政策能顯著降低高科技企業、非國有企業的非效率投資活動，但無法有效影響非高科技企業和國有企業。最后，機制檢驗發現，政策能夠有效幫助企業提升信息處理能力、降低企業環境不確定性并提升內部控制水平，這些改善都有助于企業非效率投資水平的降低。

本文政策啟示如下：第一，持續支持大數據的快速發展。有鑒于數據的要素屬性進一步提高，應大力推動社會經濟活動的大數據化，提升全社會各部門的采集、存儲和分析能力，將對優化國家的經濟運行機制、改善社會整體的生產生活方式具有非常深遠的影響。當前要緊緊抓住國家級大數據綜合試驗區的政策機遇，全面推動大數據發展和運用，加快數據強國建設，使其盡快轉換為下階段增長的巨大動能支撐。第二，盡可能降低企業非效率投資水平。提升企業投資效率對于優化企業整體運營績效而言至關重要。因此應當充分發揮市場和政府對企業投資效率的正向驅動作用。一方面，要注重發揮政府各類政策（不僅限于試驗區）對企業投資效率的優化作用，使得各種政策能夠形成政策合力；另一方面，也需要充分認識到市場對于企業資源配置的決定性影響，全面發揮市場的資源優化配置功能，降低企業決策中的低效和無效投資。第三，因地制宜提升大數據應用水平以減少企業非效率投資行為。有鑒于本文研究結論中體現出的異質性，適度提升對于高科技企業和非國有企業大數據應用的支持力度，推動大數據深度賦能企業的各種實體業務，更好發揮大數據對于企業投資效率的促進作用。第四，疏通試驗區影響企業非效率投資的傳導機制。本文實證研究確證，試驗區的設立能夠通過提升企業信息處理能力、降低企業環境不確定性、優化內部控制水平的路徑，有效降低企業非效率投資水平。因此，一方面，鼓勵企業深刻領會各種政策精神，抓住政策賦予的各類發展機會，更好地應對外部環境變遷；另一方面，應該鼓勵企業加大數字化技術運用力度，提升企業對于內外部信息的收集和處理水平，并進一步完善企業的公司治理水平，使其內部控制能力得以顯著提升，從而有效減少企業非效率投資帶來的不良影響。

【參考文獻】

［1］ 李橋興，杜可.國家級大數據綜合試驗區設立對區域數字經濟發展影響效應評估［J］.科技管理研究，2021，41（16）：81-89.

［2］ 李輝.大數據推動我國經濟高質量發展的理論機理、實踐基礎與政策選擇［J］.經濟學家，2019（3）：52-59.

［3］ 孫哲遠.數字經濟發展如何影響制造業企業“脫虛向實”？——來自國家級大數據綜合試驗區的證據［J］.現代經濟探討，2022（7）：90-100.

［4］ 邱子迅，周亞虹.數字經濟發展與地區全要素生產率——基于國家級大數據綜合試驗區的分析［J］.財經研究，2021，47（7）：4-17.

［5］ 張益豪，郭曉輝.大數據發展與企業全要素生產率——基于國家級大數據綜合試驗區的實證分析［J］.產業經濟研究，2023（2）：69-82.

［6］ 楊俊，李小明，黃守軍.大數據、技術進步與經濟增長——大數據作為生產要素的一個內生增長理論［J］.經濟研究，2022（4）：103-119.

［7］ 趙勝民，張博超.分析師關注如何影響公司投資行為——基于不同投資類型的分析［J］.中央財經大學學報，2021（5）：51-64.

［8］ WAMBA S F，AKTER S，EDWARDS A，et al.How BigData can make big impact：findings from a systematic review and a longitudinal case study［J］.International Journal of Production Economics，2015，165（7）：234-246.

［9］ DALENOGARE L S，BENITEZ G B，AYALA N F，et al.Theexpected contribution of industry 4.0 technologies for industrialperformance［J］.International Journal of Production Economics，2018，204（10）：383-394.

［10］ GULEN H，ION M.Policy Uncertainty and Corporate Investment［J］.Review of Financial Studies，2016，

29（3）：523-564.

［11］ 孫潔，李杰.大數據應用、融資約束和企業創新效率［J］.證券市場導報，2022（11）：13-23.

［12］ URBINATI A，CHIARONI D，CHIESA V，et al.The role of digitaltechnologies in open innovation processes：an exploratory multiple case study analysis［J］.R&D Management，2020，50（1）：136-160.

［13］ OBASHI A，KIMURAL F.New developments in international production networks：impact of digital technologies［J］.Asian Economic Journal，2021，30（8）：1326-1345.

［14］ GUNASEKARAN A，PAPADOPOULOS T，DUBEY R，et al.BigData and predictive analytics for supply chain and organizational performance［J］.Journal of Business Research，2017，70：308-317.

［15］ 陳麗蓉，韓彬.強制內控審計能帶來更高的投資效率嗎？——基于A股主板國有上市公司經驗數據的驗證［J］.商業研究，2015（9）：83-91.

［16］ RICHARDSONS.Over - investment of Free Cash Flow［J］.Review of Accounting Studies，2006，11（2-3）：159-189.

［17］ 江軒宇，許年行.企業過度投資與股價崩盤風險［J］.金融研究，2015（8）：141-158.

［18］ 向海凌，林鈺璇，王浩楠.利率市場化改革與企業綠色轉型——基于上市企業年報文本大數據識別的經驗證據［J］.金融經濟學研究，2023（4）：55-73.

［19］ 溫忠麟，張雷，侯杰泰，等.中介效應檢驗程序及其應用［J］.心理學報，2004（5）：614－620

［20］ 余明桂，鐘慧潔，范蕊.分析師關注與企業創新——來自中國資本市場的經驗證據［J］.經濟管理，2017，39（3）：175-192.

［21］ 申慧慧，于鵬，吳聯生.國有股權、環境不確定性與投資效率［J］.經濟研究，2012，47（7）：113-126.

［22］ 李志斌，章鐵生.內部控制、產權性質與社會責任信息披露——來自中國上市公司的經驗證據［J］.會計研究，2017（10）：86-92，97.