企業數字鄰近對創新績效的影響

摘 要：數字鄰近是基于網絡視角，以結果為導向刻畫行動主體數字化狀態的綜合性概念。從企業層面探討數字鄰近對創新績效的非線性影響，并結合高階梯隊理論考察高管政治關聯背景、高管技術研發背景、高管過度自信3個高管特質變量在其中的調節作用。基于中國2010—2022年上市公司數據研究發現：企業數字鄰近與創新績效呈U型關系；高管特質中的理性因素（政治關聯背景、技術研發背景）發揮正向調節作用；高管特質中的非理性因素（過度自信）發揮負向調節作用。結論可拓展企業數字化與創新績效關系研究，為我國企業借助數字化提升創新管理水平，以及招聘和選拔高層次人才提供支撐。

關鍵詞

關鍵詞：數字鄰近；高管特質；創新績效；中國上市企業

DOI：10.6049/kjjbydc.2023090213

中圖分類號：F273.1

文獻標識碼：A

文章編號

文章編號：1001-7348（2024）24-0001-11

0 引言

我國經濟已由高速增長階段轉向高質量發展階段，正處在轉變發展方式、優化經濟結構、轉換增長動力的攻關期。經濟高質量發展需要優化創新要素配置，最大限度地激發創新要素潛能。隨著數字中國和“中國制造2025”戰略提出，中國數字建設初見成效。在此背景下，數據作為關鍵且獨特的生產要素，可以賦能企業其它要素［1］，為創新突破提供契機［2］。在追求數字化的道路上，大量企業難以到達數字創新融合階段，無法借助數據資源提高創新績效［3］。因此，從微觀層面探討數字化對企業創新績效的影響，對化解數字化潛在價值與實踐的矛盾，加快推進企業創新以賦能經濟社會高質量發展具有重要現實意義。

現有數字化與創新績效關系研究主要基于靜態性數字化水平、過程性數字化轉型、IT數字技術賦能等視角展開。戚聿東和蔡呈偉［4］認為，企業數字化能夠提升信息流動效率，對創新績效具有積極影響；肖仁橋等［5］發現，數字化不同維度對企業創新績效具有U型、倒U型影響；Hajli［6］指出，數字化轉型成效取決于企業管理能力與數字化的適配度，若企業管理能力滯后于數字變革，則會對創新績效產生負向影響。由此可見，現有企業數字化水平測度方法存在數字化維度不一致、各維度權重不清晰以及因忽略大量信息而難以反映數字化全貌等問題［7］。數字鄰近是基于網絡視角，以結果為導向刻畫行動主體數字化狀態的綜合性概念［8］，不僅可以反映企業數字化水平，而且能夠凸顯企業在產品和服務數字化網絡中的位置，彌補以往相關研究的不足（僅基于單一技術或靜態數字化維度視角）。

以往數字化與創新績效關系研究大多忽視了在位企業內部組織惰性，過分強調創新外生觀，忽略了組織與數字化互為牽引的協同演進邏輯［9］。結合組織惰性理論，作為涉及組織技術、商業模式等核心特征的非連續變革，數字化過程受組織惰性的影響［10］。數字經濟時代，存在外部環境對“變”的要求與組織內部對“不變”的拖延，企業變革與組織惰性不斷博弈。基于時間維度，本文揭示數字變革與組織惰性動態博弈過程，進一步探討數字鄰近對創新績效的非線性影響。

依據高階梯隊理論，高管特質能夠影響企業戰略選擇與目標績效，可能構成數字鄰近影響企業創新績效的邊界條件。在高管特質中，高管過度自信這一非理性因素值得關注（韻江等，2022）。作為特殊心理資源，過度自信會導致高管高估企業資源稟賦和問題解決能力（Li等，2010），在戰略決策時會更為冒險或激進。中國情景下，作為對外背景特征，高管政治關聯往往成為重要制度資源［11］。相應地，作為對內背景特征，高管技術研發背景成為企業數字化與創新績效關系研究的邊界條件。據此，本文選取高管過度自信、高管政治關聯背景與高管技術研發背景，考察其在數字鄰近與創新績效間的調節作用。

結合數字鄰近與組織惰性文獻以及高階梯隊理論，本文基于2010—2022年中國上市公司行業銷售額數據探討數字鄰近對創新績效的非線性影響，嘗試回答以下問題：數字鄰近水平越高，企業創新績效是否越高？高管特質在數字鄰近與創新績效間發揮何種調節作用？對上述問題的回答能夠揭示數字鄰近對創新績效的作用軌跡，進一步明晰高管特質對數字鄰近與創新績效關系的影響，為企業克服數字化變革過程中的組織惰性提供借鑒。

1 理論分析與研究假設

1.1 數字鄰近

Rahmati等［8］以數字產業為參照系，基于結果端刻畫企業在數字化網絡中的地位及其與數字產業的距離，以此衡量企業數字化水平。作為數字鄰近理論依據，經濟復雜性可以表征國家生產獨特產品的能力（Hartmann等，2017；Rodrik，2006）。產品（服務）是知識、能力的集合體，隨著產品日益復雜化，產品開發與價值創造離不開制度、規范、物流、技術基礎設施支持（Chaney，2014；Hartmann等，2017；Hidalgo等，2007）。數字經濟時代，為了維持自身競爭力，企業需要具備價值創造能力［12］。隨著數字化戰略重要性提升，傳統測量方法難以準確衡量企業數字化強度。

事實上，企業數字化嵌于社會網絡及產業制度環境中，數字鄰近能夠將經濟格局變化納入數字化轉型過程，進而為企業數字化研究提供網絡生態系統視角。數字鄰近對數字化水平的刻畫具有兩大特征：第一，以結果表現衡量企業IT能力、數字應用以及數字創新；第二，獲取企業在產品與服務數字化過程中的位置，從初始稟賦與數字網絡視角看待企業數字化。

1.2 數字鄰近與企業創新績效

數字鄰近對企業創新績效具有潛在益處。在資源獲取方面，有助于企業利用數字技術提升資源獲取能力，實現資源信息共享，從而促進企業創新。在產出效率方面，有利于企業提升各部門要素協同效率，減少資源錯配。計量經濟學相關研究證實，投入大數據資源的企業，其生產效率平均提升3%-7%。在創新成本方面，有利于企業提升信息搜索與精準分析能力，實現對市場需求的快速響應，從而提高經濟效益。不可否認，數字鄰近對生產力、經濟發展和企業績效具有積極影響［13］。數字化變革過程中，企業價值創造的前提是對原有流程、業務模式以及資源能力進行更新。數字化過程中，企業受到資源需求與原有投入模式矛盾的影響。作為跨領域資源活動，數字鄰近只有突破原有資源剛性與慣例剛性，才能發揮正向作用。

借鑒Gilbert（2005）的研究成果，本文將組織惰性分為面臨變革時企業難以改變原有資源投入模式的資源剛性和面臨變革時企業難以改變原有資源利用程序的慣例剛性，并結合資源剛性與慣例剛性摩擦力—創新潛力蟄伏—創新融合使能框架，進一步揭示數字鄰近對企業創新績效的作用機制。

數字化初期，企業存在較多資源剛性與慣例剛性。資源剛性會導致管理者認知與資源分配固化，慣例剛性會導致慣例演化緩慢與數字化系統全面變革的矛盾。此時，數字鄰近對企業創新績效具有負向影響，處于數字鄰近“蟄伏期”。從資源剛性角度：第一，管理者認知。數字化風險與企業管理者對利潤的追求相悖，因而企業被迫放棄數字化，減少數字資源投入。第二，資源依賴。資源包括財務資源等有形資源以及管理者時間與注意力等無形資源，考慮到沉沒成本，企業往往傾向于堅持原有策略（楊林等，2020）。數字化實現的基礎是人力資源培訓與IT基礎設施，成本較高，且占用企業大量資源。因此，數字化初期，成本效應通常高于創新補償效應，帶來數字化創新悖論。從慣例剛性角度，數字化涉及組織結構、文化、制度等，即使企業管理者認識到其重要性，但數字化變革依舊困難（Fitzgerald，2014）。換言之，足夠的資源承諾下，慣例剛性仍會束縛企業數字化變革，企業技術創新成敗的關鍵在于組織慣例與行業慣例的匹配程度。早期研究指出，不斷增加的慣例會形成巨大剛性，進而束縛組織變革。現有研究發現，組織慣例兼具穩定性與變革性特征。組織慣例二維觀表明，相對穩定的慣例明示面能夠對相對變化的慣例執行面提供指導。相應地，慣例執行面能夠對慣例明示面進行反饋、修改與創造。此外，組織共享學習［14］、試錯學習［15］、變革型領導行為可以觸發慣例的明示面與執行面變革。得益于慣例不同面的自我互動，組織可以通過“變異—篩選—保留”機制將新的行為模式納入慣例。需要指出的是，慣例自我演化緩慢與數字化系統全面變革的矛盾會阻礙企業數字化進程，促使企業進入數字鄰近“蟄伏期”。

數字鄰近有助于企業資源獲取能力提升與組織慣例演化加速。同時，數字化的創新溢出與促進效應能夠推動企業進入數字鄰近“使能期”［5］。此時，數字鄰近能夠促進企業創新績效增長。首先，企業利用數字技術提升自身資源獲取能力，短時間內以較低成本獲取與創新相關的信息資源［16］，進而緩解資源剛性。同時，新技術可為企業更新組織慣例提供支撐，加快組織慣例演化，降低創新風險，從而提升企業創新績效。其次，考慮到數字鄰近的社會網絡屬性，企業能夠借助網絡鏈接相連（相關的）或不相連（不相關的）的其它企業，促進知識、技術與資源交互耦合，進而為組合創新創造條件［17］。最后，知識是推動慣例演化的基本要素［18］。數字鄰近的社會網絡屬性以及數字技術的開放性和可擴展性有利于企業突破“信息孤島”，實現快速、遠距離知識搜索，加速組織學習與慣例變革，從而提升組織慣例與行業慣例的匹配度。

綜上，數字鄰近初期，資源剛性與慣例剛性會阻礙企業數字化變革；數字鄰近后期，上述阻礙作用逐漸減弱。因此，本文提出以下假設：

H1：數字鄰近與企業創新績存在U型關系。

1.3 高管特質的調節作用

1.3.1 高管政治關聯背景的調節作用

高管政治關聯背景能夠影響“蟄伏期”“使能期”兩種狀態下的資源剛性與慣例剛性，進而影響數字鄰近對企業創新績效的作用。

（1）高管政治關聯背景有利于企業緩解資源剛性。在管理者認知層面，高管政治關聯背景可以激發企業數字化轉型與創新意愿。具有政治關聯背景的企業對政府存在迎合行為［19］，往往會進行合規性屈從。在資源依賴層面，政治關聯背景有助于企業以較低成本撬動較多資源［20］。

（2）高管政治關聯背景有利于企業緩解慣例剛性。企業戰略導向決定內部資源配置和導入方向，進而影響組織慣例迭代與重構［21］。政治關聯背景下，企業戰略導向會發生轉移，進而促進慣例更新。此外，具有政治關聯背景的高管往往擁有較高的社會地位和較廣的關系網絡，在社會網絡中占據更多的結構洞，能夠為企業帶來信息、知識等資源。同時，外部異質性知識涌入可為組織慣例更新提供保障。

綜上，具有政治關聯背景的企業對政府存在不同程度的迎合行為，其數字化與創新意愿較強，能夠弱化資源和慣例剛性，更早進入數字鄰近“使能期”。基于此，本文提出以下假設：

H2：高管政治關聯背景正向調節數字鄰近與企業創新績效的U型關系。

1.3.2 高管技術研發背景的調節作用

高管技術研發背景能夠影響“蟄伏期”“使能期”兩種狀態下的資源剛性與慣例剛性，進而影響數字鄰近對企業創新績效的作用。

（1）高管技術研發背景有利于企業緩解資源剛性。從管理者認知維度看，具備技術研發背景的高管擁有專業技術知識，對創新活動更為重視，會將更多時間與注意力投入到企業創新過程中［22］。從資源依賴維度看，大多數相關研究證實，具備技術研發背景的高管可為企業創新決策提供科學指導，有助于企業挖掘更多創新機會，從而提高創新成功率（Francis等，2015）。基于技術研發背景，高管能夠正確理解市場需求與企業創新方向，發揮知識技術優勢，避免資源配置扭曲問題，從而緩解資源剛性對數字鄰近的阻礙作用。

（2）高管技術研發背景有利于企業緩解慣例剛性。得益于對環境變化的敏感以及對創新行為的支持，變革型領導行為能夠促進慣例更新。具備技術研發背景的高管對環境變化具有較強的敏感性［23］，能夠加快組織慣例更新進程。此外，相較于非技術研發背景的高管，具備技術研發背景的高管會更支持企業創新行為，通過制定有效的激勵機制為組織慣例更新提供支撐。

綜上，高管技術研發背景通過扭轉管理者認知、增加資源投入（時間與注意力）、優化資源配置等方式弱化資源剛性。同時，具備技術研發背景的高管對環境變化的敏感以及對創新行為的支持能夠有效弱化慣例剛性。基于此，本文提出以下假設：

H3：高管技術研發背景正向調節數字鄰近與創新績效的U型關系。

1.3.3 高管過度自信的調節作用

過度自信是個人或群體的隱性心理特征，能夠體現行動主體積極的自我評價傾向。本文認為，高管過度自信不利于企業突破慣例剛性與資源剛性，進而弱化數字鄰近對企業創新績效的U型影響。

（1）高管過度自信不利于企業緩解慣例剛性。盡管高管可作為企業創新的驅動力量，但高管也可能不具備推動企業生產和商業化過程所需的領導能力［24］。此時，有必要構建共享信任與共享學習機制，它有利于企業緩解慣例剛性。此外，試錯學習可以推動組織慣例更新，有助于企業突破原有慣例束縛。但過度自信的高管會認為自己擁有全面系統的技術知識及管理技能，進而高估企業資源稟賦和自身問題解決能力（Li等，2010），忽視資源約束和失敗風險，在戰略決策制定過程中更為冒險。

（2）高管過度自信不利于企業緩解資源剛性。過度自信的高管可能低估產品與服務數字化初期的資源剛性。考慮到信息利用程度，過度自信可能會導致高管出現能力認知偏差，高估機會信號的準確性，進而降低決策合理性（李善民等，2015）。當企業處于較高水平數字鄰近時，各利益相關者會對企業發展提出更高的要求，一旦企業未能完成預期目標，可能導致高管離職。因此，考慮到環境的不確定性風險，決策者傾向于維持當前策略不變。過度自信的高管會被企業當前績效迷惑并堅信自己不會失敗，過度追求高風險項目，從而導致創新績效降低（宋鐵波等，2017）。

綜上，過度自信的高管可能低估初期資源剛性與慣例剛性，高估機會信號的準確性，追求更多高風險創新項目。基于此，本文提出以下假設：

H4：高管過度自信負向調節數字鄰近與企業創新績效的U型關系。

2 研究設計

2.1 數據來源與處理

為捕捉數字鄰近的動態性，本文以2010—2022年中國上市公司數據為樣本，數據主要來源如下：第一，CCER經濟金融數據庫。企業營收構成（按行業分類）數據來自CCER數據庫，依據《上市公司行業分類指引（2012年修訂）》與國家統計局2017年發布的《國民經濟行業分類》，本文歸納各上市公司收入行業構成。第二，國泰安數據庫。企業研發投入、專利、高管信息、控制變量等其它數據來自國泰安數據庫。第三，高管政治關聯背景和研發技術背景相關數據來自上市公司高管簡歷檢索并手工核對。本文按照以下標準篩選樣本：剔除無效樣本，如銷售額為負、為零的行業企業樣本；剔除關鍵變量數據缺失企業樣本；剔除隸屬數字產業的企業樣本。最終，本文得到2010—2022年1 044家上市公司2 580條觀測值組成的非平衡面板數據。

2.2 變量設計

2.2.1 被解釋變量：企業創新績效（inn）

企業創新績效是“投入—產出”的結合體（高建等，2004），僅通過產出端的專利數衡量并不嚴謹。效率既考慮投入又考慮產出，因而創新績效可以通過效率衡量［25］。因此，本文基于投入端與產出端探討企業創新績效，以研發支出為投入，以專利為產出，采用隨機前沿模型（SFE）測量企業創新績效（Vandaie＆Zaheer，2015；馬海燕，朱韻，2020）。

2.2.2 解釋變量：企業數字鄰近（dc）

參考Rahmati等［8］的研究成果，本文構建中國情景下的數字鄰近。企業數字鄰近是指企業與數字產業間的距離，其核心思想是若一個及以上企業同時報告兩個行業的銷售額，則認為這兩個行業存在聯系。企業數字鄰近水平越高，意味著企業越接近數字領域，產品與服務數字化程度越高。企業數字鄰近構建具體步驟如下：

（1）采用企業行業銷售額構建行業空間。借鑒Hidalgo等（2007）的研究思路，本文采用顯示性比較優勢指數（rca）、鄰近度（φ）刻畫行業空間分布。首先，計算rca并得到企業各年度具有市場優勢（rcagt;1）的行業，如式（1）所示。其次，計算企業在i、j兩個行業均具有市場優勢的最小條件概率，記為行業鄰近度φij，代表行業距離，如式（2）所示。其中，x（c，i）代表c企業在i產業的銷售額。

rca=x（c，i）/∑ix（c，i）∑cx（c，i）/∑c，ix（c，i）（1）

φij=minP（rcaxi|rcaxj），P（rcaxj|rcaxi）（2）

（2）在行業空間的基礎上，計算行業數字鄰近（DC）。兩個行業越鄰近，代表行業空間距離越近。由此，本文將log（1/φij）記為行業i與j之間的路徑距離。將行業編碼C39（計算機、通信和其它電子設備制造業）、I63（電信、廣播電視和衛星傳輸服務）、I64（互聯網和相關服務）、I65（軟件和信息技術服務業）定義為數字產業，本文利用Python得出各行業距離上述4個數字產業的最短路徑，并求得平均最短路徑距離，以此衡量行業數字鄰近。i行業數字鄰近計算如式（3）所示。

DCi=11+（i行業距離數字產業的平均最短距離）（3）

（3）在行業數字鄰近的基礎上，計算企業數字鄰近（dc）。將數字鄰近指標由行業層面擴展至企業層面，本文以企業涉及的行業銷售額（Sales）為權重，計算各企業涉及的n個行業加權平均數字鄰近，i企業數字鄰近計算如式（4）所示。其中，n代表i企業涉及的所有行業數量，k表示i企業涉及的第k個行業。

dci=∑nk=1DCk Saleskn（4）

2.2.3 調節變量：高管特質（trait）

參考Fan等（2007）的研究成果，若總經理具有政府機構職務經歷，則將高管政治關聯背景設定為 1，否則為 0。借鑒虞義華等（2018）的研究成果，若總經理具有技術研發經歷，則將高管技術研發背景設定為1，否則為 0。簡借鑒魏哲海（2018）的測量方法，本文分別對高管個人特征指標（性別、年齡、學歷、兼任情況）進行賦值，以此獲取綜合得分。其中，Sexscore代表性別得分，若高層管理者為男性，SGender=1，反之取0；Agescore代表年齡得分，計算公式為max（age）-age/max（age）-min（age）；Degreescore代表學歷得分，若高層管理者為本科以下學歷，則Degreescore取值為1，反之為0；Posiscore代表高管兼任情況得分，若高層管理者兼董事長，則Posiscore取值為1，反之取0。高管過度自信（ov）計算如式（5）所示。

"" ov =（Sexscore+Agescore+Degreescore+Posiscore）/4 （5）

2.2.4 控制變量

本文選取企業特征和企業治理的部分變量作為控制變量。企業治理相關變量如下：總資產增長水平（goa），以本期總資產規模-上期總資產規模）/本期總資產規模測度；經營性現金流量（nc），以企業經營性現金凈流量的自然對數測度；財務杠桿（lev），以長期負債/總資產測度；凈資產收益率（roe），以凈利潤/凈資產測度；企業成長性（grow），以本期總收入-上期總收入的自然對數測度；企業規模（size），以銷售收入的自然對數測度。企業特征相關變量如下：股權性質（soe），樣本企業屬于國有企業取值為1，否則取0；董事會獨立性（ine），以獨立董事人數和董事會總人數的比值測量；第一股東持股比例（fir），以第一大股東持有的流通股股數/該公司流通在外的總流通股股數測量。

本文相關變量說明如表1所示。

2.3 模型設定

為檢驗數字鄰近對企業創新績效的U型影響，本文構建如下模型：

innit=α0+α1dcit+α2dc2it+φCit+λt+μi+εit（6）

i代表企業，t代表年份，inn表示企業創新績效，dc代表企業數字鄰近，C代表所有控制變量，λt代表控制時間效應，μi代表控制行業效應，α0是截距項，εit代表企業i第t年的殘差項。

為檢驗高管特質的調節作用，本文構建如下模型：

innit=β0+β1dcit+β2dc2it+β3traitit+β4dcit×traitit+β5dc2it×traitit+φCit+λt+μi+εit（7）

trait表示高管特質，本文將其細化為高管政治關聯背景（pol）、高管技術研發背景（tec） 、高管過度自信（ov）。β0、 γ0 、ω0為截距項，其它變量定義同上。

3 實證結果與分析

3.1 描述性統計

本文主要變量描述性統計及相關性分析結果如表2所示。

（1） 企業數字鄰近代表企業現有數字化水平，其均值為0.166，最大值為0.243，標準差為0.041。借鑒Rahmati等［8］的研究成果（根據1990—2017年美國上市公司銷售額計算的數字鄰近均值為0.24，標準差為0.13），我國企業數字化水平有待提升。

（2） 解釋變量與企業創新績效顯著相關，證實本文變量選取合理。不同于戚聿東、蔡呈偉［4］的研究結論（數字化程度與企業創新績效正相關），本文中二者相關系數為負值，可初步斷定數字鄰近與企業創新績效并非是簡單的正相關關系。

（3） 鑒于解釋變量與創新績效相關系數為負值，本文初步考慮數字鄰近與企業創新績效呈U型關系（低水平數字鄰近時與創新績效負相關，高水平數字鄰近時與創新績效正相關）。

（4） 由控制變量與被解釋變量相關性分析結果可知，股權性質、第一大股東持股比例、經營性現金流量、財務杠桿、企業規模與被解釋變量顯著正相關。由此說明，相比于公司特征變量，治理變量對企業創新績效的影響更顯著。

（5） 全部解釋變量方差膨脹因子（VIF）的最小值為1.020，最大值為3.570，遠小于閾值10。由此說明，本文回歸模型不存在多重共線問題。

對非平衡面板數據進行回歸前，本文對固定效應（固定行業效應、年份效應）與隨機效應進行選擇。Hausman檢驗結果顯示，固定效應模型優于隨機效應模型。本文檢驗面板數據可能存在異方差問題，Wald 檢驗結果顯示，修正的Wald 統計量在 1%水平上顯著，即存在異方差。綜上，本文采用廣義最小二乘法（Feasible Generalized Least Squares，FGLS）進行估計。

3.2 面板數據回歸

3.2.1 回歸模型

表3列示了企業數字鄰近與創新績效關系回歸結果，以及高管特質（高管政治關聯背景、高管技術研發背景、高管過度自信）對上述關系的調節作用。

本文以基于隨機前沿模型測量的創新績效作為被解釋變量進行回歸，結果如Model1—Model4所示。Model1在僅含控制變量的基準回歸中加入dc、dc2；Model2、Model3、Model4在Model1的基礎上，分別加入高管政治關聯背景及其與解釋變量的一次交互項（dc×pol）和二次交互項（dc2×pol）、高管技術研發背景及其與解釋變量的一次交互項（dc×tec）和二次交互項（dc2×tec）、高管過度自信及其與解釋變量的一次交互項（dc×ov）和二次交互項（ddc2×ov）。本文對交互項進行中心化處理，并控制行業與年份效應。

3.2.2 回歸結果分析

Model1結果顯示，數字鄰近的一次項系數為-1.263，其平方項系數為4.394，均在1% 水平上顯著。U型檢驗結果顯示，曲線轉折頂點為0.144，位于數字鄰近的取值區間［0.001，0.243］。由此表明，數字鄰近與企業創新績效并非是簡單的線性關系，而是U型關系，驗證了研究假設H1。在數字鄰近達到轉折點后，進一步提升數字鄰近水平能夠促進企業創新績效提升。描述性統計結果顯示，數字鄰近均值為0.166，大于0.144。由此說明，當前我國大部分企業數字化收益已經能夠彌補數字化成本，此時數字鄰近水平提升有利于企業創新績效提升。

Model2—Model4考察高管特質的調節作用。Model2中，數字鄰近與高管政治關聯背景的交互項（dc×pol）以及數字鄰近的平方和高管政治關聯背景的交互項（dc2×pol）回歸系數均顯著。由此表明，高管政治關聯背景調節數字鄰近與創新績效的U型關系。進一步地，參考Haans amp; Pieters［26］，賈慧英等（2018）的研究成果，本文依據U型曲線極值點以及曲線形狀變化對調節效應方向進行判斷。首先，關注曲線極值點變化。本文以高管政治關聯背景均值作為中等水平高管政治關聯背景，均值加一個標準差作為高水平高管政治關聯。由計算結果可知，中等水平高管政治關聯背景下，極值點dcm為0.142，高水平高管政治關聯背景下，極值點dch為0.129。由此表明，極值點略微向左移動。可見，高水平政治關聯背景下，企業績效更快、更早地受數字鄰近的正向影響。其次，關注曲線形狀變化。dc2×pol的系數為5.841，dc2的系數為2.074，二者符號相同，意味著高管政治關聯背景正向調節數字鄰近與創新績效的U型關系，在函數意義上表現為二次曲線更為陡峭，假設H2得到驗證。同樣地，由調節效應圖1（a）可知，高水平高管政治關聯背景下，曲線極值點左移且曲線形狀更為陡峭，假設H2得到雙重驗證。

Model3考察高管技術研發背景在數字鄰近與企業創新績效間的調節作用。結果顯示，數字鄰近與高管技術研發背景的交互項（dc×tec）以及數字鄰近的平方與高管技術研發的交互項（dc2×tec）回歸系數均顯著。由此表明，高管技術研發背景調節數字鄰近與創新績效的U型關系。進一步地，本文依據曲線極值點與形態變化對調節效應方向進行判斷。由計算結果可知，中等水平高管技術研發背景下極值點dcm為0.142，高水平高管技術研發背景下極值點dch為0.137。此外，二次項（dc2）及其二次項交互項（dc2×tec）系數均為正，H3得到驗證。調節效應圖1（b）顯示，高水平高管技術研發背景下，曲線極值點左移且曲線形狀更為陡峭，假設H3得到進一步驗證。

Model4顯示，數字鄰近平方（dc2）及其與高管過度自信的交互項（dc2×ov）回歸系數顯著。因此，高管過度自信在數字鄰近與企業創新績效間發揮調節作用。同樣地，中等水平高管過度自信情景下極值點dcm為0.138，高水平高管過度自信情景下極值點dch為0.163，且二次項（dc2）和高管過度自信與二次項的交互項（dc2×ov）系數符號不同。由此可知，高管過度自信弱化數字鄰近與創新績效的U型關系，假設H4成立。觀察圖1（c）可知，高水平高管過度自信情景下，曲線極值點右移且曲線形狀更為平緩，假設H4再次得到支持。

3.3 內生性問題處理

為緩解反向因果引致的潛在內生性問題，本文采用兩階段工具變量法估計企業數字鄰近對創新績效的影響。鑒于被解釋變量企業創新績效無法對前兩年數字鄰近產生影響，本文將自變量數字鄰近兩期滯后項（lldc）作為工具變量納入模型。表4顯示，本文選取的工具變量通過不可識別、過度識別、弱工具變量檢驗。結果顯示，解釋變量二次項系數顯著為正，與前文保持一致。由此可見，本文回歸結果具有穩健性。

為緩解樣本選擇偏差帶來的潛在內生性問題，本文利用傾向匹配得分（PSM）檢驗數字鄰近與企業創新績效的關系，具體步驟如下：首先，根據匹配協變量選擇標準，選取合適的協變量。檢驗結果顯示，本文控制變量符合協變量匹配標準。其次，根據數字鄰近水平確定實驗組與控制組。再次，選擇最鄰近匹配方法進行平衡性檢驗，計算平均處理效應（ATT在95%的置信區間上顯著）。最后，進行回歸，結果如表4所示。結果表明，解釋變量（dc）與解釋變量的二次項（dc2）顯著，且一次項系數為負，二次項系數為正。

3.4 穩健性檢驗

（1）更換被解釋變量企業創新績效衡量方式。現有研究大多采用專利數對企業創新績效進行測度。基于此，本文采用專利衡量企業創新績效，結果如表3中Model5—Model8所示。結果顯示，數字鄰近與企業創新績效呈U型關系，高管政治關聯背景、高管技術研發背景正向調節數字鄰近與企業創新績效的關系，高管過度自信負向調節數字鄰近與企業創新績效的關系。可見，本文回歸結果具有穩健性。

（2）更換核心解釋變量數字鄰近衡量方式。前文采用某行業到所有數字產業的平均最短路徑測量數字鄰近，此處將其替換為某行業到數字產業最長的最短路徑［8］，i行業鄰近（MDCi）計算如式（8）所示。

MDCi=11+（i行業距離數字產業最長的最短距離）（8）

在此基礎上，計算i企業數字鄰近（mdci），如式（9）所示。

mdci=∑nk=1MDCkSaleskn（9）

（3）更換回歸方式。本文選取多維面板固定效應（reghdfe）進行估計，檢驗結果如表4中Model3—Model4所示。其中，Model3為更換數字鄰近衡量方式后的回歸結果，Model4為采用多維面板固定效應的回歸結果。結果表明，無論是更換核心解釋變量還是更換回歸方法，均證實數字鄰近與企業創新績效呈U型關系。

4 結語

4.1 結論

本文引入數字鄰近這一概念，探討企業數字鄰近對創新績效的影響，并考察高管政治關聯背景、高管技術研發背景、高管過度自信在其中的調節作用，得出以下主要結論：

（1） 企業數字鄰近與創新績效呈顯著U型關系。產品與服務數字化初期，數字鄰近水平較低，企業在數字化進程中存在資源剛性與慣例剛性。此時，數字鄰近與創新績效負相關。高水平數字鄰近情境下，創新溢出與促進效應顯著，數字鄰近達到促進創新績效提升的門檻。

（2） 作為高管特質中的理性因素，政治關聯背景、高管技術研發背景在企業數字鄰近與創新績效間發揮正向調節作用。作為高管特質中的非理性因素，高管過度自信在企業數字鄰近與創新績效間發揮負向調節作用。

4.2 理論貢獻

（1）不同于以往研究［5］，本文采用數字鄰近對企業數字化進行測度，嘗試解決現有衡量方法無法反映企業數字化全貌的問題［7］，豐富了企業數字化水平測算方法。

（2） 以往相關研究忽視了組織惰性等內部因素［9］，本文基于組織與數字化協同演進邏輯，結合組織惰性理論探討數字鄰近對企業創新績效的作用機理，揭示了數字鄰近對企業創新績效的作用軌跡。

（3）在現有研究的基礎上［27］，本文加入高管特質這一情景因素，拓展了“數字化—企業創新績效”研究框架，深入探討高管特質中的理性因素、非理性因素在數字鄰近與企業創新績效間的差異化影響，豐富了高階梯隊理論應用情境。

4.3 管理啟示

（1）在企業利用數字技術進行價值創造過程中，由于新的戰略需求與原有資源投入模式的沖突，以及慣例固化與系統變革的矛盾，數字鄰近可能無法快速促進企業創新績效提升。隨著數字化進程加快，數字技術的賦能作用逐漸凸顯。因此，企業可以通過營造組織學習氛圍、拓展知識獲取渠道、優化數字基礎設施等方式強化數字鄰近對創新績效的促進作用。

（2） 在開展產品和服務數字化時，企業應關注高管特質。當高管具備政治關聯與技術研發背景時，企業可以獲得資源、信息、認知、技術支持，從而促進創新績效提升。此外，應考慮高管是否過度自信。高管過度自信情景下，企業無法構建共享學習機制且可能開展過度的風險追求，因而不利于創新績效提升。

（3） 管理者認知、時間、注意力等無形資源能夠緩解資源剛性與慣例剛性。高管參與程度能夠很大程度上影響企業數字化成功率。因此，高管有必要提升自身對產品與服務數字化的認知與重視程度，幫助企業引進并留住數字化人才，營造良好的數字化創新氛圍，從而為產品、服務和流程數字化提供支撐。

4.4 不足與展望

本文存在以下不足：第一，僅考慮高管政治關聯背景、高管技術研發背景、高管過度自信3個變量在企業數字鄰近與創新績效間的調節作用，未來可納入更多變量。第二，由于高管團隊內部權力分布不均衡，未來可進一步探討具備上述特質高管權力比重的影響。

參考文獻

參考文獻：

［1］ 謝康，夏正豪，肖靜華.大數據成為現實生產要素的企業實現機制［J］.中國工業經濟，2020，38（5）：42-60.

［2］ 戚聿東，肖旭.數字經濟時代的企業管理變革［J］.管理世界，2020，36（6）：135-152，250.

［3］ LYNN W，LORIN H，BOWEN L. Data analytics，innovation，and firm productivity［J］. Management Science，2020，66（5）：1783-2290.

［4］ 戚聿東，蔡呈偉.數字化企業的性質：經濟學解釋［J］.財經問題研究，2019，41（5）：121-129.

［5］ 肖仁橋，沈佳佳，錢麗.數字化水平對企業新產品開發績效的影響——雙元創新能力的中介作用［J］.科技進步與對策，2021，38（24）：106-115.

［6］ HAJLI N. Social commerce constructs and consumer's intention to buy［J］.International Journal of Information Management，2015，35（2）：183-191.

［7］ 肖土盛，吳雨珊，亓文韜.數字化的翅膀能否助力企業高質量發展［J］.經濟管理，2022，44（5）：41-62.

［8］ RAHMATI P，TAFTI A L，WESTLAND J，et al.When all products are digital： complexity and intangible value in the ecosystem of digitizing firms［J］. MIS Quarterly，2021，45 （3）：1025-1058.

［9］ 林海芬，尚任.組織慣例對組織創新的悖論性作用機理研究［J］.南開管理評論，2020，23（1）：62-74.

［10］ 崔淼，周曉雪.克服組織慣性：數字化戰略更新的實現及演進路徑研究［J］.科研管理，2022，43（10）：89-98.

［11］ ESTRIN P.The role of informal institutions in corporate governance：Brazil，Russia，India，and China compared［J］.Asia Pacific Journal of Management，2011，28（1）：41-67.

［12］ SVAHN F，MATHIASSEN L，LINDGREN R. Embracing digital innovation in incumbent firms：how Volvo cars managed competing concerns［J］.MIS Quarterly，2017，41（1）：239-253.

［13］ CARUSO L. Digital innovation and the fourth industrial revolution： epochal social changes ［J］.AI amp; Society，2018，33： 379-392.

［14］ 梁阜，李樹文，孫銳. SOR 視角下組織學習對組織創新績效的影響［J］.管理科學，2017，29（3）： 63-74.

［15］ RERUP C，FELDMAN M S. Routines as a source of change in organizational schemata：the role of trial-and-error learning［J］.Academy of Management Journal，2011，54（3）： 577-610.

［16］ 陳慶江，平雷雨，董天宇.數字技術應用創新賦能效應的實現方式與邊界條件［J］.管理學報，2023，20（7）：1065-1074.

［17］ YOO Y，BOLAND R J，LYYTINEN K，et al. Organizing for innovation in the digitized world［J］. Organization Science，2012，23（5）：1398-1408 .

［18］ 鄧昕才，陳子楠，呂萍，等.組織慣例更新觸發因素與影響效應——基于先動型市場導向和可持續競爭優勢視角［J］.科技進步與對策，2022，39（18）：21-30.

［19］ 張國富，張有明.CEO 政治關聯與創新績效：促進或抑制［J］.財會通訊，2022，43（10）：48-53.

［20］ CLAESSENS S，FEIJEN E，LAEVEN L.Political connections and preferential access to finance：the role of campaign contributions［J］.Journal of Financial Economics，2008，88（3）：554-580.

［21］ DEUTSCHER F，ZAPKAU B F，SCHWENS C，et al. Strategic orientations and performance：a configurational perspective［J］. Journal of Business Research，2016，69（2）：849-861.

［22］ 余恕蓮，王藤燕. 高管專業技術背景與企業研發投入相關性研究［J］.經濟與管理研究，2014，35（5）：14-22.

［23］ 車培榮，齊志偉，王硯羽.環境的烙印：企業成立時的環境對創新戰略的影響［J］.科學學研究，2020，38（9）：1677-1685.

［24］ JOAO J，FERREIRA M，CRISTINA I，et al.To be or not to be digital， that is the question： firm innovation and performance［J］.Journal of Business Research，2019，101（9）：583-590.

［25］ SHIN J，KIM Y J，JUNG S，et al. Product and service innovation：comparison between performance and efficiency［J］.Journal of Innovation amp; Knowledge，2022，7（3）：1-11.

［26］ HAANS R F J，PIETERS C. Thinking about u：theorizing and testing u-and inverted u-shaped relationships in strategy research［J］.Strategic Management Journal，2016，37（7）： 1177-1195.

［27］ 馬君，郭明杰.企業數字化轉型、員工數字認知與創新績效：技術為刀，我為魚肉［J］.科技進步與對策，2023，40（22）：22-32.

責任編輯

（責任編輯：張 悅）

英文標題

The Influence of Enterprises' Digital Proximity on Innovation Performance：The Moderating Role of Executives' Traits

英文作者

Ma Haiyan，" Li Yujie ，" Zhou Tianyi

英文作者單位

（School of Economics and Management，China University of Geosciences（Wuhan），Wuhan 430074，China）

英文摘要

Abstract：In the era of digital technology， data， as a key and unique production factor， provides a possible opportunity for enterprise innovation to break through the constraints of factor endowment. However， many enterprises have difficulties reaching the digital innovation integration stage and have failed to improve their innovation performance through data resources. Therefore， in order to unravel the contradiction between the potential value of digitalization and its practice and grasp the unique points of digital reforms compared with general reforms， it is of great practical significance to systematically study the impact of digitalization on the innovation performance of enterprises from the microperspective. The conclusions of the existing studies linking digitalization and innovation performance are mixed， and the root of the controversy lies in the inconsistency of the measurement methods of digitalization and innovation performance， the contradictory nature of the action mechanism， and the differences in the contexts in which they work. Also，the controversy raises the question of whether there is a non-linear relationship between digitalization and innovation performance.

Digital proximity is a new integrative concept for capturing the digital condition of action subjects from a result-oriented network perspective.This paper aims to fill in the above-mentioned research gap by verifying that the relationship between digital proximity and innovation performance is U-shaped.Drawing on Hanns et al.’s research template，it builds a theoretical framework that deconstructs the U-shape into two forces，namely the blocking force and the driving force. It argues that the blocking force and driving force are respectively manifested in the two states of \"dormant period\" and \"enabling period\" of the digital proximity on the innovation performance of enterprises， and the combination of the two potential states makes the interaction between the two present a kind of strategic paradox， which is reflected in the significant U-shaped relationship.That is， at the early stage of product and service digitalization， the degree of digital proximity is low， and the rigidity of resources and practices in the process of digitalization is strong， at this time， digital proximity is negatively correlated with innovation performance; on the contrary， when the enterprise has a high digital proximity， the innovation spillover and promotion effects are gradually released， and the enhancement of the enterprise's digital proximity reaches the threshold of positive stimulation of enterprise innovation， presenting a negative correlation between the early stage of digital proximity and innovation performance and a negative correlation between the later stage and innovation performance. The trend toward a positive correlation between digital proximity and innovation performance in the later stage. In addition， executives' traits （rational factors such as political connection background， Ramp;D background， and irrational factors such as overconfidence） affecting the strategic choices and target performance of enterprises have become one of the important clues in the study of enterprise performance， and may constitute an important boundary condition for the influence of digital proximity on the innovation performance of enterprises， so it is necessary to include executives' traits in the theoretical framework.

On the basis of data from Chinese listed companies， the distance between enterprises and digital industries is used to calculate enterprises' digital proximity， the stochastic frontier model （SFE） is used to measure enterprises' innovation efficiency， the binary variables of executives' political connection background and executives' Ramp;D background are collected and computed， and the composite scores of the executives' personal characteristic indexes are used to assess the executives' overconfidence. Following the organizational inertia theory and the upper echelons theory， the study uses 2 580 observations of 1 044 listed companies from 2010 to 2022 to empirically analyze the influence of enterprises’ digital proximity on innovation performance， and examine the moderating effects of three types of executive traits， namely， executives' political connection background， Ramp;D background， and overconfidence. It is found that， overall， there is a U-shaped relationship between digital proximity and innovation performance， and several robustness tests and endogeneity tests confirm the conclusion. Further， the rational factors in executives' traits （politic connection background， Ramp;D background） positively moderate the U-shaped relationship between digital proximity and innovation performance; while the irrational factor in executives' traits （overconfidence） negatively moderates the U-shaped relationship between digital proximity and innovation performance.

英文關鍵詞

Key Words：Digital Proximity; Executives' Traits; Innovation Performance; Chinese Listed Companies

收稿日期

收稿日期：2023-09-07 "修回日期：2023-11-07

基金項目

基金項目：國家自然科學基金項目（71973130）；國家自然科學基金面上項目（72272138）；國家社會科學基金重點項目（22AZD126）

作者簡介

作者簡介：馬海燕（1981—），女，湖北荊州人，博士，中國地質大學（武漢）經濟管理學院副教授、博士生導師，研究方向為組織轉型升級；黎玉杰（1999—），女，河南駐馬店人，中國地質大學（武漢）經濟管理學院碩士研究生，研究方向為企業管理；周天怡（2000—），女，湖北武漢人，中國地質大學（武漢）經濟管理學院碩士研究生，研究方向為企業管理。