数字创意产业的技术创新与商业模式创新对企业绩效的影响——基于LDA 法的创新测度与计量检验

在全球互联网浪潮之下，数字创意产业作为文化和科技融合的新兴领域，已成为全球经济发展的热点。 《中华人民共和国国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》提出，我国要实施文化产业数字化战略，加快发展新型文化企业、文化业态、文化消费模式，壮大数字创意、网络视听、数字出版、数字娱乐、线上演播等产业。 数字创意产业是战略性新兴产业的重要组成部分，是我国产业转型升级的重要方向，也与正风行于世的元宇宙概念密切相关，并为其未来创新发展奠定了基础。 数字创意产业的技术创新与商业模式创新频繁发生、相互交织，深刻影响着数字创意产业的发展逻辑、发展态势与发展趋向。

一、引言

从技术创新的角度来看，影响数字创意产业的技术包括使能技术、应用技术、终端设备三个层次，这些技术也影响着数字创意产业的内容筹备、内容生产、内容分发、内容消费等各个环节。 从商业模式创新的角度来看，数字创意产业广泛运用“数据+算法+内容”的商业运作模式，其中，数据是基础，算法是桥梁，内容是核心。

数字创意企业中的技术创新与商业模式创新是否会对企业绩效产生影响？产生何种影响？为了回答这一问题，首先要刻画企业的技术创新与商业模式创新。 创新的表现形式丰富，特别是技术创新和商业模式创新不是某个单一指标或组合可以衡量的。 就数字创意产业的创新而言，因为有很多是聚焦于情感、思想的“软创新”，它们呈现为知识产权中的商标权和著作权。著作权创作即拥有，除了音乐行业的著作权，内容生产者会去主动登记注册；其他著作权的拥有者都不会刻意去注册，很多都是等到侵权触发时，才会运用行政或者法律的途径去确定这一权利的归属。 即便将商标权、著作权数据全部累加，也不足以准确反映一家数字创意企业创新的全貌。

用于刻画技术创新的研发投入和专利数据有其局限性。 而对于商业模式创新的测度主要有两种常用方法，一种是指标打分法，即首先将商业模式创新的内涵进行划分和细则制定，分为几个组成部分，经过专业训练的人员依据细则，使用李克特量表等测量工具进行打分，然后再累加得出每个企业的商业模式创新指数。一些研究还会对初步打分进行质量控制。第二种方法是问卷调查法，制定针对被研究对象实际的调查问卷，然后派出调查人员开展搜集、整理等工作，最后形成企业的商业模式创新指数。 这两种方法都有其科学性、可操作性，同时工作难度也较大，需要投入较大的人力物力财力，而且避免主观因素的过程控制、质量控制尤其重要。

如何准确合理衡量技术创新与商业模式创新的强度与水平是横亘在本文研究主题面前的一大难题。 创新与创意两者在度量上存在困境，以往度量指标并不完美。 鉴于此，本文开创性地采用文本分析的方法，充分发挥该方法的优势，使用LDA（Latent Dirichlet Allocation 隐含狄利克雷分布模型，以下简称LDA 模型）模型，构建了一个全新的刻画数字创意产业的技术创新与商业模式创新两者的综合型指数。 通过这个指数来描述数字创意企业的技术创新与商业模式创新的活动、行为。

衡量创新绩效的基本逻辑是“投入—产出”模型。 创新投入包含时间、资本、人力和信息技术，通常以R&D 投入表征。 创新产出则是专利、商业绩效、节约的成本、新产品的市场表现、市场收益份额、上市时间和专利转化为产品的比率等。 大量的文献聚焦创新活动与企业绩效两者之间的关系。 围绕创新绩效衡量，学者常采用以下三种比较主流的方法：第一，市场调研法，即通过实地调研，发放调查问卷，搜集企业技术创新和商业模式创新的实际情况，该方法更多的是和结构方程模型相结合，以发现创新对绩效的作用机制或创新的驱动因素；第二，指标核算法，即通过构建指标体系，通过打分加总的方式测算企业、国家的创新及创新绩效，在国际上衡量绩效有几个方式被广泛认可：平衡计分卡、绩效棱镜（Performance Prism）和欧洲品质管理基金会（EFQM）的质量管理等；第三，经典实证分析法，此方法中主要难点在于如何衡量创新这一指标，文献主要集中在企业、行业两大维度。

二、数字创意产业的创新综合指数构建方法

文本分析法越来越多地应用到经济学，特别是金融学领域，是大数据时代赋予的一场研究范式的革命。 本文主要运用文本分析法的LDA 模型，该模型由大卫（David）和乔丹（Jordan）等在2003 年提出，最早发表在《机器学习研究档案》期刊上。 布莱（Blei）和拉弗蒂（Lafferty）认为LDA是“最简单的主题模型”

，并且“已被证明非常流行”

。

（一）文本分析法的优势

第一，避免了传统指标选取所存在的问题。 在指数构建方面，文本分析法避免了创意指数的难以衡量，也避免了专利与科研投入指标的刻画不准现象，同时避免了传统商业模式创新衡量方法的高人力成本消耗。 在研究对象的甄选方面， 文本分析法克服了以往衡量服务业、中小型企业创新的弊端。 它针对的是描述企业的财务报告、年报、新闻报道或者研究报告，通过文本计量的方式来衡量创新，将非结构化的数据提取出结构化的可用于计量分析的指标化数据。

第二，提供全新视角，避免了数据可获得性不高的问题。 一是文本分析法扩大了“创新”的范围。在文本分析方法当中，它可以将关于技术创新、商业模式创新的主题提取出来，比如观察、测度文本中关于“研发”“价值”“用户”“成本”“收入”等主题的论述，拓宽了创新测度的范围。 二是在选择符合本文研究范畴的企业样本中，只有寥寥几家企业有新增专利数的数据，其他专利数据都是缺失的，如果仅仅基于专利的话，本文的样本数量严重不足。文本分析的方法则可以突破该局限，能尽可能多地搜集更多的企业，而且时间的跨度也更长，还能规避专利数据的跨期申请、为满足保密需求滞后申请、为迷惑竞争对手伪申请等问题。

实践证明：这种教学模式极大提高了成人教育学生的学习的积极性；满足了学生个性化和按需学习的需求，培养了学生自主学习的能力，提高了课堂教学效果，学生动手编程能力明显提高。

第三，节约了研究的人力成本，可以提炼结构化变量。文本分析的方法通常一下子处理几万份文档，若是要人工去一篇篇阅读如此大规模的文档，并且萃取最具代表性的主题信息是一大挑战。 该方法依据算法和机器学习，自动提供整个语料库的主题，节约大量的人力成本，数据处理规模也大，同时还避免了人工处理过程当中可能出现的误读、被“茫茫信息淹没”的现象。 大数据实时流动，来源广泛，海量且分散，呈现分布碎片化、主题模糊化、文本非结构化等特征。 通过文本分析的方法，可以从碎片化的数据中提炼结构化的变量，从而获得高价值密度的信息，将模糊的主题变得清晰，同时还将非结构化的文本结构化，实现从文本到结论的转化，形成整体性的认知图景。 而形成的结论反过来又可以回归文本，从文本中找出相应的片段式或整体性的经验与描述去进一步论证结论（图1）。

（二）LDA 方法的具体内涵

LDA 是一种主题模型，属于信息提取方法中的无监督学习方法之一，是自然语言处理（NLP）中应用较为广泛的基础性模型。 LDA 模型是三层贝叶斯概率模型，基于离散数据集合（如文本语料库），每个集合都是由一系列主题构成，且主题以概率分布的方式呈现。 换而言之，它将一篇文档看作词汇的集合，而词汇则是围绕文档的主题生成。 所以主题模型主要是构建文档—词—主题之间的关系，核心逻辑在于把文档进行分词，然后根据词与词之间的共现与邻近（也可以加上语义关系）等，进行聚类（也就是获得主题），最后形成文档—词频分布矩阵，词—主题分布矩阵，以及文档—主题分布矩阵。

根据在具体的操作中，LDA 假设一个语料库D 中的每个文档d 的生成过程如下：

1.选择N ～Poisson（ξ）。 即词汇服从泊松分布。

2.选择θ ～Dir（α）。θ 服从参数为α 的狄利克雷分布，θ 是一个多项式分布。θd 表示文档d中所包含的每个主题的比例，它是文档d 的主题分布，是个向量。

重复上述过程，遍历M 篇文档。

（1）根据θ

进行主题指派，得到文档d 中词n 的话题z

，n 即从文档中的主题分布采样词n 的主题z

；（2）根据指派主题所对应的词分布中采样出词w

（每个主题有各自的词汇分布，词汇分布同样是多项分布，服从Dirichlet 分布，参数为β）。

3.对于N 中的每个词w

：

给定参数α 和β，主题混合分布θ、主题z 和文档d 的联合分布，如式（1）所示：

根据确定的总干渠输水线路方案，经过多次现场踏勘，进一步筛选了明渠直供、管道供水、明渠＋调蓄水库等3个工程方案进行比选。各方案的主要优缺点见表2。

简而言之，在LDA 模型中一共有三个分布：（1）每篇文章中的主题分布，即θd，其中d∈D；（2）每个主题中的词汇分布，即z

；（3）每篇文章中的词汇分布，即w

。 有两个参数：假定给定了狄利克雷分布的参数α 和β。

我认为，在目前的发展阶段，部分产业谈共享经济也许是过早的。但我并不认为有些产业注定没有办法走网络协同的道路，很可能未来它们会在一个更大的网络协同或者说是协同网络中去发展。像租车，本身并不适合共享经济，但是智能交通可能会出现一个巨大的网络协同平台，而租车只是其中的一个服务。所以，共享平台或者说共享经济、网络协同也许能在一个更大的产业范围内实现。这就需要更长时间的积累。

(1)水位。地下水水位是最基本的地下水动态监测要素，现场主要监测地下水水位埋深，然后根据测点高程换算水位标高。人工测量主要采用电触悬锤自警式电子水尺，自动化测量主要采用压力式遥测水位计。

对于数字创意产业上市企业的样本选取经历了四轮筛选。 第一轮根据数字创意产业的定义，选取包含软件开发、生产厂家、内容提供、营销推广等在内的沪深股市的企业。 具体而言，从证监会行业分类中选取了电信、广播电视和卫星传输服务，广播电视电影和影视录音制作业，软件和信息技术服务业，新闻和出版业，从万得的行业分类中选取了互联网软件与服务、家庭娱乐软件，从中信证券行业分类中选取了传媒、黑色家电和计算机软件，从申银万国的行业分类中选取了互联网信息服务、平面媒体、家电中的视听器材、移动互联网服务、营销服务、影视动漫、有线电视网络。 此外，从智能音箱、投影仪、VR 器材的生产厂家以及芯片厂家中选取了相应的上市企业，形成尽可能覆盖广泛的“样本池”，然后进行去重操作。 第二轮，依据公司的主营范围和主要标签筛选。 第三轮，登录公司的主页，依据公司提供的主要产品、解决方案、覆盖行业、合作伙伴进行筛选，与数字创意产业无关的，都予以剔除。 第四轮，则是依据数据完整性进行筛选，全时间链条均具备的数据予以保留，最终剩余129 家企业作为本文研究的样本。

David M. Blei 等认为θ→z 和z→w 这两个随机过程都可以用狄利克雷分布来描述， 因此可以通过训练来估计这两个随机过程对应的模型参数。 训练完成后，可以用这个模型去反推（图3），对于一篇新的文章，根据它的结果（也就是w），去推测这篇文章的各个主题的概率（也就是θ→z）。 而反推的原理则是基于贝叶斯原理，所以LDA 一般被认为是PLSA（Probabilistic latent semantic analysis，概率潜在语义分析）的贝叶斯化版本。

三、数字创意产业的创新综合指数构建

本文使用LDA 模型分析文本，从而构建新的变量来刻画技术创新与商业模式创新的程度。 在具体的数据操作过程中，核心点在于构建描述技术创新与商业模式创新的主题词表，通过LDA 模型生成的主题词进行比对，形成最终的创新度量指数。 具体的数据操作过程可以分为三步：数据采集、数据处理和主题分析，技术路线如图4 所示：

（一）样本确定

本文根据实证研究需要从万得（Wind）金融数据库、新浪财经中关于2014—2019 年数字创意企业的年报、研究报告和财务数据中获取数据源。 万得金融数据库的研究报告数据不及新浪财经丰富，且时间跨度较短，所以两者相结合，形成一个更加全面的数据源。 进一步使用Python，从数据源中爬取文本，形成两个维度的数据予以分析：一是“他者”的视角，即分析师的研究报告；二是“本我”的视角，即上市公司本身的每年年报。 长期以来分析师撰写的研究报告具有显性信息含量，且与分析师在行业内的评级、声誉挂钩。 因而很多研究将分析师的研报作为一个重要的指标来源。 年报亦是如此，披露年报是上市公司的法定职责，且受到外部审计的监督。 由此形成的“他者”和“本我”两方观点，构建了多维视角以期更完整更全面地反映上市公司在技术创新和商业模式创新活动以及两者所带来绩效的真实情况。

从通俗意义上来理解，图2 是在用一个模型来模拟作者撰写文章的过程（即“文档生成过程”）。虽然每个人写文章的方法不一样，但是大致有个规律。而这个图就是David M. Blei 等绘制的，他们将作者撰写文章的过程分为两步：第1 步，作者先从所有的主题里选择几个主题，也就是图里θ→z 的过程，其中θ 依赖于参数α；第2 步，作者将每个主题，写成句子（即前文所述的指派主题），按照统计学方法来说，其实也就是在这个主题之下选择对应的词汇组合起来，因此也是一个随机选择过程，即图中z→w 的过程。 换言之，就是“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”。

结合以上筛选，为提升数据的可靠性，本文剔除掉了数据断裂、研究报告缺失或稀缺的企业样本，具体做了如下处理：一是剔除了2014—2020 年间退市的数字创意企业；二是剔除了上市时间不足5 年的数字创意企业；三是剔除了数据不全的上市公司。

（二）数据采集

首先，使用Python 3.7 编写了网络爬虫，在万得数据库和新浪财经中自动搜索，下载2015—2020 年的研究报告和年报，共爬取了3 536 份文本，超过9GB，这些作为基础的语料库。 形成两个维度的数据予以分析：一是“他者”的视角，即分析师的研究报告，有2 536 份；二是“本我”的视角，即上市公司本身的每年年报，有198 个企业×5 份

。多维视角以期更完整更全面地反映上市公司在技术创新和商业模式创新活动以及两者所带来绩效的真实情况。

然后，对该数据进行分别标记和建档，形成以“他者”和“本我”为区分标准的数据帧（dataframe），描述每个数字创意企业每一年度的分析师研究报告或者年报。 最后，对数据进行存储。

From the two linear equations above,the complex amplitudes can be solved for the forward and backward propagating waves,respectively.This is actually the principle of the two-microphone method.24–26Then,according to Eq.(2),the velocity potential on the source plane is calculated as below:

（三）数据处理

要对数据进行清洗，以便下一步处理。第一，分词：用jieba 中文分词工具进行分词处理，将文档转化为其原子元素。 第二，使用cn_stopwords.txt 文档，对停用词进行处理，移除掉诸如“他们”“它的”之类的无意义词汇。第三，SnowNLP 情感分析，引入SnowNLP 模块来实现此算法。经历数据清洗之后，就会形成不包含图片、表格以及强烈情感的文本。

（四）主题分析

首先，要构建文档词汇矩阵，将每个文档解构为一组词汇的列表，然后将所有采集的文档进行循环操作，直到遍历所有文档。 本文使用到了LDA 模型的一个主题模型包Genism，该包在训练大规模语义NLP 模型、语义向量呈现文本等方面具有一定优势。 然后，应用LDA 模型。该模型使用Gibbs 模拟进行估计，NT=15 个主题进行分类。 这一过程会生成两大块内容： 每个主题中的词频分布，以及主题在每个文档中的频率（即主题在每个文档中的使用频率）。 按照通常性的操作，选择生成K=15 个主题，不同的主题会对应不同的强度（intensity）。

在这一阶段，本文进行人工操作，将符合“技术创新”和“商业模式创新”的主题词手动进行筛选，形成刻画技术创新与商业模式创新的主题词表。 依据古斯塔夫（Gustaf）等人的经验和对技术创新、商业模式创新文献综述的梳理

，主题词表主要由五部分构成：第一类是描述“第一波”“第一轮”“首次”等具有首发性、开拓性的词汇；第二类是描述盈利状况的经营性词汇；第三类是描述技术创新，特别是数字化、智能、精准、大数据之类的词汇；第四类是描述商业模式创新的词汇，如价值、用户、生态等；第五类则是描述创造、开拓等相近意义的词汇。

在冠词选择参数的基础上，Ionin 等提出波动假说，认为普遍语法在二语习得中具有完全可及性，如果母语中缺少冠词系统，二语学习者在开始习得冠词时会在两种参数值之间波动，直到足够的二语输入使其可以设定正确的参数值，从而完全习得冠词［9］16 。

最后，用pyLDAvis 展示LDA 模型分析的topic，然后用print_topic 查看主题词的浓度，我们将该浓度作为度量企业技术创新与商业模式创新的创新综合指数。

（五）结果分析

词云图的信息主要体现在字体大小、字词本身以及颜色。 词云图（图5）呈现了本文中所有数字创意企业2015—2019 年的年报文本中数据可视化结果。 高频关键词有资产、投资、企业、合并、负债等。 其中与技术创新、商业模式创新相关的高频词有价值、科技、数字、变动、引入等。 鉴于年报侧重格式化、标准化表述，有一套专门的表述规范，所以类似股东、股权、资产等词汇也有较高频率。

词云图（图6）显示了本文中数字创意企业样本2015—2019 年的研报文本中数据可视化结果。高频词有数据、研究、净利润、平台、业绩、服务、收入、互联网等。其中与技术创新、商业模式创新相关的高频词有IP、风险、研发、数据、互联网、新、合作等。研究报告是分析师的报告，会侧重揭示企业发展的重大事项、企业发展亮点，因而对于技术创新与商业模式创新刻画得更加丰满。

创新综合指数是年报与研报两方面数据的加总。 构建的创新综合指数反映了数字创意企业在技术创新与商业模式创新两方面的创新活动强弱、创新能力大小与创新水平高低，即指数越高意味着该企业的创新活动更强、创新能力更大、创新水平更高。 图7 列出了各个公司从2015—2019 年创新综合指数，2015—2019 年的创新综合指数的平均值分别为1.839、1.734、1.611、1.683、1.615。 创新综合指数的区间在0.493～6.752 之间，在后期进行计量实证时进行了缩尾处理。 此外，从图中的单个企业来看，创新综合指数并不呈现一直上升或下降的趋势，反倒是呈现细微波动的状态。 这也便于理解，从五年这样一个时间区间来看，企业的创新能力、创新投入并不能直接获得收益，创新效果也难以直接显现，创新活动、创新能力与创新水平有所波动是正常的。

其中，Rt为t时间点原研富马酸喹硫平片的平均累计溶出度；Tt为t时间内自研富马酸喹硫平片的平均累计溶出度；n为取样点数（n为3～5，且R＞85%的点不超过1个）。对于普通口服固体制剂，若15 min内溶出率均超过85%，则可直接判定为相似；若15 min时溶出率未到85%，需选取间隔相近的3～5个时间点的溶出率（溶出率超过85%以上的时间点仅能选取1个）计算f2，f2值越大，表明两条溶出曲线差异越小，若50≤f2＜100，则表示自研富马酸喹硫平片与原研片体外溶出行为相似。

四、回归分析与异质性检验

前文已经构建了技术创新与商业模式创新综合指数，用于度量数字创意企业在技术与商业模式方面的创新活动与创新行为。 接下来构建数字创意企业的创新综合指数与财务指标两者之间关系的计量模型，检验数字创意企业的创新对绩效的影响，衡量技术与商业模式双重创新带来的经济效应大小。

根据LDA 分析的文本中符合这两大主题的词汇会进行加总操作，形成描述创新强度的综合性指数。 词汇分为两类，一类是一般性词汇，一类是特别反映技术创新与商业模式创新的词汇，诸如“智能”“数字”“ARPU”等词汇，对后一类词汇进一步予以赋权，权重是其他一般性词汇权重的5 倍。 最终，每个企业每一年度会形成一个变量，用以刻画该企业该年度的技术与商业模式双重创新的创新综合指数，用于下一步的回归分析。

（一）关键变量选取

1.被解释变量

本文借鉴大多数学者的基本思路，衡量创新绩效使用投入—产出的分析方法，主要目的是用技术创新和商业模式创新来解释企业绩效的变化。 资产收益率是衡量企业经营绩效的综合财务指标，本文以此为被解释变量。

2.核心解释变量

本文在上一节已经构建了最重要的指标——文本创新指数（inn）。 该创新综合指数主要衡量的是技术创新与商业模式创新综合水平，表征了企业在这两方面的创新能力、创新活动或创新强度。

3.控制变量

企业规模。学界的聚焦点主要在于企业规模对技术创新产生的影响，关于企业规模是否在技术创新中扮演重要角色，且影响企业绩效的意见不一。 概括起来主要有四种类型：一是认为两者之间存在正相关；二是认为两者存在负相关；三是认为存在U 型或倒U 型的关系；四是认为两者没有必然联系

。 普柏林（Kijkasiwat Ploypailin 和Phuensane Pongsutti）等人认为企业规模和金融资本对创新产生的绩效既起调节作用，又起中介作用

。 一方面，将创新看作是一种资源驱动型行为，公司的规模大，用于创新的资源可能越多。 同时，创新需要资金，中小企业缺乏抵押物

，信用低于大型企业。 大型企业比中小企业更积极地利用外部资源进行创新，而小型企业是最不积极的企业类别

。 另一方面，既往研究提到中小企业创新与绩效之间存在正向关系

。 安德烈斯（Andries ）等人认为，中小企业从专利活动中获得的好处要比大企业少，因为大企业可以防止模仿者

。 但是，中小企业向外授权专利和创造额外收入来源的倾向和能力可能比大企业高。 小型企业比大型企业表现出更高的绿色创新的投资回报率，这表明这些小型企业更倾向于寻求变化和知名度，以获得更好的资源

。

对所选企业按软硬创新进行分类，正如前文所述，数字创意产业分为两类：一类是硬创新，即专注于技术层面，包括数字创意产业的消费载体生产，如视听设备终端；一类是软创新，即专注于内容生产层面，包括创意生产、内容等创新，如音乐创意。 前者更偏向于技术创新，后者更偏向于商业模式创新。

企业是创新的主体，企业创新是为了绩效的增长。本文用财务指标来衡量企业的绩效，即资产收益率（ROA）。 在进行实证分析时，本文首先采用Hausman 检验对模型进行初步测试，检验结果发现p 值为0.000 0，认为存在固定效应。 包含固定效应的基本回归模型如下所示：

选取2016年6月—2017年4月在我院妇产科实习学生80名作为本次研究对象。依据随机分数表法，将其分为观察组和对照组，每组各40例。本次研究经我院伦理委员会批准，参与本次实验的学生对本次研究知情。观察组平均年龄（21.33±1.52）岁，学历：本科25名、专科15名。对照组平均年龄（21.20±1.30）岁，学历：本科19名、专科21名。两组学生临床资料对比，差异无统计学意义（P＞0.05），具有可比性。

已经四千多年了，古老的铜绿山还在继续贡献出宝藏，这一方厚重的沃土，该见过了多少历史的沧桑，见惯了多少生命的无常，那些逝去的生命或许重于泰山，或者轻于鸿毛。铜绿山仍是山崖依旧，山上的铜草花，花开花落，岁岁年年，几千年不绝如缕。

是否为或者隶属于集团公司。 集团公司可以更好地帮助企业克服资源不足的问题， 如资金、物力或人力资本。 进一步地，如果企业集团是国际化的，公司可以更容易地超越前面提到的障碍

。

对所选企业按原生型数字企业和转型数字化企业进行分类。 原生型数字企业是指数字创意企业本身就是依托数字技术建立的，从公司成立之初就是基于数字化技术来提供产品或服务，基于数字化的商业模式。 转型数字化企业则是公司之前是在传统行业扎根，数字化浪潮袭来后，对产品和服务进行数字化转型，从传统文化创意企业转型而来。 数字化转型，包括将数字产品和服务整合到核心业务模式中， 以提高企业的竞争力或引入新的客户体验或价值路径

。表1 反映了数字创意企业的主要内容，按照企业功能，数字创意企业可以分为独立商店、市场，对应的角色则是生产商、零售商和经纪人，其中列举了具有代表性的原生型数字化企业和转型数字化企业。

不同的企业所有制性质会影响到创新，李政和陆寅宏调查发现中国制造业上市公司中，国有控股企业的创新绩效明显高于民营企业

，吴延兵和解维敏等均发现国有产权促进研发

，周黎安等则发现民营企业拥有其独特的创新优势

。

其他控制变量还包括流动资产周转率、每股现金流量净额、负债比率。 由于部分数据的缺失，本文使用的是均衡面板，缺省值用均值法插入，样本为129 家数字创意企业2015—2019 年的数据。 变量的具体内涵和处理方式如表2 所示。 关于变量的描述性统计请参看表3。

（二）模型设定

闽东红色文化中蕴含的厚重的资源、丰富的革命精神，正是大学生理想信念教育的生动素材。闽东红色文化是中国共产党领导人民在革命、建设、改革进程中创造的先进文化，是蕴育以爱国主义为核心的民族精神、以改革创新为核心的时代精神的重要沃土。地方高校应当有效运用闽东红色文化资源加强大学生的共产主义理想信念教育，引导其政治方向，培育其道德情操，塑造其优良人格，使之成为又红又专的中国特色社会主义接班人。

表4 报告了数字创意企业中技术与商业模式创新综合指数的变化对企业绩效影响的基准回归结果。 本文主要采用双向固定效应，固定时间与个体，进行回归，回归结果如表4 所示。 可以发现，创新综合指数对企业产生较小的正向作用，但是效应不强，系数仅为0.091 2，在1%的水平上结果显著。其次负债比率这一指标亦显著，与企业的资产收益率成反比。Typeb 指企业是为转型企业还是原生型企业，这一指标在10%的水平上显著为负。 最后，流动资产负债率与资产负债率成正相关。

随着BT的逐渐完善和普及，近年来一些新研究不断出现。Thomen等[17]在BT治疗后40～104 d对7例患者进行多次3He MRI检查，发现肺通气缺损与BT术后天数负相关，即肺通气功能不断改善。Kirby等[18]利用光学相干断层扫描技术(OCT)对2例行BT的慢性持续哮喘患者进行了2年随访，提示BT效果可能与气管炎症、胶原蛋白沉积及气管壁厚度有关。Chakir等[19]对9例哮喘患者在术前和术后进行了组织活检，发现其气管平滑肌和Ⅰ型胶原蛋白沉积厚度均减少，但因样本量过小，症状改善与组织学改变的具体关联尚需进一步研究。

（三）结果分析

Inn

为企业i 在t 年的创新综合指数，由LDA 模型生成；X 为其他控制变量，包括流动资产周转率、无形资产占比、负债比率等指标，ζ

为时间固定效应，γ

为企业固定效应，ε

为随机扰动项。

（四）稳健性检验

本文通过替换模型和增加控制变量来查看模型的稳健性。 通过使用混合回归和最小二乘虚拟变量法（LSDV），分别对数据进行回归发现创新综合指数这一指标依然显著为正，参见表5 中的列（1）和列（2）。 增加每股现金流量净额这一指标后，创新综合指数依然显著为正，参见表6 中的列（3），证明模型是稳健的，研究结论依然成立。

（五）异质性分析

考虑到在数字创意产业之间不同企业类型的区别，其创新的主要表现和创新绩效也可能存在差异，因此需要分析异质性条件下数字创意企业的创新综合指数及其对创新绩效的影响。

为分析不同类型的数字创意企业中创新能力或创新强度带来的绩效差异， 首先将数字创意企业划分为集团企业与非集团企业，如表6 中的列（1）和（2）所示，结果发现，在集团企业中，创新综合指数对创新绩效的影响，相比所有样本企业而言，更为强烈，它在1%的水平上显著为正，系数为0.151，高于前文的0.091 2。 但是在非集团企业中则表现不显著。 因而，可以得出结论，即本身为集团型企业或者隶属于集团的企业的创新行为与创新活动对企业绩效的影响更大，这是因为资源获取能力前者明显优于后者，而创新行为仰赖于人力、物力、财力等各项资源的支撑。

其次，将数字创意企业划分为民营与非民营企业，如表6 中的列（3）和（4）所示，研究显示这两者都在10%的水平上呈现出创新行为对创新绩效传导机制的差异，民营企业的传导效应略强于非民营企业，这是因为民营企业的投资行为更为集中，组织更为灵活。

再次，对企业侧重的创新进行分类，可分成软创新与硬创新，表6 中第（5）列和第（6）列为相应的回归结果，硬创新在5%的水平上显著为正，但是从事软创新的并不显著，这是因为硬创新是偏向技术的创新，而软创新是偏向创意、情感层面的创新，后者存在的模仿创新、伪创新、虚假创新、跟风创新更多。

最后，本文按企业的规模进行分类，分成大型企业与非大型企业，分别进行回归，表6 中第（7）列和第（8）列为相应的回归结果。 计量结果显示，两组中创新综合指数（inn）的回归系数均为正，但是大型数字创意企业样本在5%的水平上显著，非大型企业样本在10%的显著性水平上为正。 通过对比系数大小发现，大型的创新综合指数（inn）系数（0.080 1）小于非大型企业的回归系数（0.251），表明在数字创意产业，非大型企业创新活动所带来的创新效果更加明显。这是因为小型企业为了生存下来，对创新的愿望更为强烈，对创新的效果也更为关注。 企业的组织刚性、投资分散性、创新的驱动力

、创新的人力资源成本

会使得企业规模与创新能力呈现负相关，从而抑制企业的绩效。

五、结论与启示

关于“技术创新与商业模式创新是否必然带来企业绩效的增长”，学界并无定论。 现有研究在衡量技术创新时，常使用专利、研发投入、新产品销售额等数据，衡量商业模式创新常使用李克特量表进行调查打分，从而构建计量模型，研判创新行为对企业创新绩效是否产生影响。 本文以数字创意产业为切入点，创造性地使用LDA 文本分析法，构建创新综合指数，以同时衡量企业的技术创新与商业模式创新的强度与水平。

本文首先采集企业的研报数据和年报数据，形成包含“他者”和“本我”视角的“数据池”，全面反映企业在创新方面的主要举措。 同时构建针对数字创意产业的技术创新与商业模式创新的主题词表，通过测算“数据池”中每个数字创意企业每一年度的主题词的强度，形成创新综合指数，用来刻画数字创意企业在技术创新与商业模式创新两方面的创新活动强弱、创新能力大小与创新水平高低。

进一步构建该创新综合指数与企业绩效，即资产回报率之间的计量模型。 结果表明，技术创新和商业模式创新会对企业绩效产生正向作用，本身为集团型企业或者隶属于集团的企业的创新行为与创新活动对企业绩效的影响更大；民营企业的传导效应略强于非民营企业；硬创新在5%的水平上显著为正，但是从事软创新的并不显著，这是因为硬创新是偏向技术的创新，而软创新是偏向创意、情感层面的创新，后者存在的模仿创新、伪创新、虚假创新、跟风创新更多。 非大型数字创意企业，相较于大型数字创意企业，它的创新活动所带来的创新效果更加明显。

纳入标准：所有患者均满足临床诊断糖尿病、髋关节置换的判断指标，且患者和家属自愿签字签字认可知情同意书后内容，对医院有关伦理委员会申报以后被许可。

本文的研究结论具有如下启示：

第一，技术创新和商业模式创新两者具有本质差异，技术创新容易形成壁垒，商业模式创新则易于被市场模仿学习，创新租金容易失去。 当流量红利日渐褪去，以前靠商业模式创新迅速积累的用户基础，就能形成先发优势。 目前在数字创意产业领域，腾讯系、百度系、头条系形成了较强的市场势力，它们广泛使用资本的手段，收购有潜力的、商业模式较为新颖的创业公司；或者依赖于自身强大的平台影响力和庞大的用户流量来模仿创业公司新颖的商业模式，形成“大鱼吃小鱼”的互联网“生物链”，在这样一种链条的影响下，创业公司的创新力被抑制，特别是在商业模式方面的创新力被抑制。 从创业公司的角度而言，则要加强商业模式与技术的“双创新”，构建基于技术创新基础之上的商业模式创新。 在新的商业环境下要转换为新的商业逻辑，技术创新变得越来越核心，也越来越关键，有技术创新支撑的商业模式创新才能走得更加长远。 酷狗和网易云音乐在App 界面与功能方面有诸多一致，引发争议，根本原因还在于这类界面与功能作为一种商业模式上的局部调整，容易被模仿。

噢噢，好了！小六子真的没有死！他不仅没有死，这个黑不溜秋的小家伙好着呢。没事就好！小六子没有事就好！我看到小六子他人后，在心里这样默默地祈祷了一气，心里的一块石头才放下来。

第二，技术与商业模式的开放性导致内容的分岔、技术的分岔，最终导致内容的割裂对立、技术方向的模糊不清及主干不突出。 创新是商业的内在组成部分，因此它必须被管理——它不是某种“锦上添花”的要素，也不任由其自生自灭。创新对于营收增长和利润是必需的。创新产生的变革对于公司的生存至关重要

。 企业需要重新审视自己的核心竞争力，使之与技术创新、商业模式创新相适应。 新能力应该包括掌握数字技术的知识，有效地管理与客户的关系，并使用数字化渠道的互动性

。 在创新管理过程中，企业要在关键领域注意形成自己的创新体系，而不仅仅是零散的碎片化的单个创新项目。 要适度向基础层的创新转移，特别是大企业要在技术成熟度不那么高的领域、应用场景不那么清晰的领域，投入一定创新资源。

［1］ DAVID M. BlEI, ANDREW Y. NG, MICHAEL I. JORDAN, Latent Dirichlet Allocation, Journal of Machine Learning Research,2003(3):993-1022.

［2］ MATTHEW A, TADDY. On Estimation and Selection for Topic Models,AISTATS 2012: 1184-1193.

［3］ DAVID M. BLEI & M. JORDAN, Modeling annotated data. In Proceedings of the 26th Annual International Acm Sigir Conference on Research and Development in Information Retrieval, Acm Press, 2003:127-134.

［4］ GUSTAF BELLSTAM, SANJAI BHAGAT J. ANTHONY COOKSON. A Text-Based Analysis of Corporate Innovation, Ssrn Electronic Journal, 2016(1).

［5］ 董晓庆，赵坚，袁朋伟.企业规模与技术创新能力的关系研究［J］.北京交通大学学报（社会科学版），2013（12）：40-46.

［6］ KIJKASIWAT PLOYPAILIN & PHUENSANE PONGSUTTI, Innovation and Firm Performance: The Moderating and Mediating Roles of Firm Size and Small and Medium Enterprise Finance, Journal of Risk and Financial Management, 2020(13).

［7］ MARIA JOSÉ MADEIRA, JOÃO CARVALHO, JACINTA RAQUEL MIGUEL MOREIRA,FILIPE AP DUARTE,FLáVIO DE S?O PEDRO FILHO, Barriers to Innovation and the Innovative Performance of Portuguese Firms,JOURNAL OF BUSINESS,2017(9):2-22.

［8］ DOOLEY LAWRENCE, BREDA KENNY,MICHAEL CRONIN, Interorganizational Innovation Across Geographic And Cognitive Boundaries:Does Firm Size Matter?, Rand D Management, 2016(46): 227-243.

［9］ SAMWEL MACHARIA CHEGE, DAOPING WANG,The Influence of Technology Innovation on SME Performance Through Environmental Sustainability Practices in Kenya, TECHNOLOGY IN SOCIETY,2020(60): 101210.

［10］ ANDRIES PETRA AND DRIES FAEMS,Patenting activities and firm performance: Does firm size matter?,JOURNAL OF PRODUCT INNOVATION MANAGEMENT,2013(30):1089-1098.

［11］ LIN WOON LEONG, CHEAH JUN-HWA, AZALI MOHAMED, HO JO ANN, YIP KWOK, Does firm size matter? Evidence on the Impact of The Green Innovation Strategy on Corporate Financial Performance in The Automotive Sector, Journal of Cleaner Production, 2019(229): 974-988.

［12］ ROPER S., DU J., LOVE J. H, Knowledge Sourcing And Innovation, Aston Business School Research Paper,2006.

［13］ NAMBISA S.K., LYYTINEN A., MAJCHRZAK M. SONG, Digital Innovation Management: Reinventing Innovation Management Research in a Digital World, Mis Quarterly, 2017(41): 223-238.

［14］ 陈冬梅，王俐珍，陈安霓.数字化与战略管理理论——回顾、挑战与展望［J］.管理世界，2020（5）：220-236+20.

［15］ 李政，陆寅宏.国有企业真的缺乏创新能力吗——基于上市公司所有权性质与创新绩效的实证分析与比较［J］.经济理论与经济管理，2014（2）：27-38.

［16］ 吴延兵.中国工业产业创新水平及影响因素——面板数据的实证分析［J］.产业经济评论，2006（2）：155-171.

［17］ 解维敏，唐清泉，陆姗姗.政府R&D 资助，企业R&D 支出与自主创新——来自中国上市公司的经验证据［J］.金融研究，2009（6）：86-99.

［18］ 周黎安，罗凯.企业规模与创新:来自中国省级水平的经验证据［J］.经济学（季刊），2005（2）：623-638.

［19］ ANDRIES PETRA AND DRIES FAEMS, Patenting activities and firm performance: Does firm size matter?,Journal of Product Innovation Management, 2013(30): 1089-1098.

［20］ 于君博，舒志彪.企业规模与创新产出关系的实证研究［J］.科学学研究，2007（2）：373-380.

［21］ 托尼·达维拉，马克·J.爱泼斯坦，罗伯特·D.谢尔顿.创新路图：如何管理、衡量创新并从中获利［M］.顾晓敏，译.北京：电子工业出版社，2017.

［22］ LI F, The Digital Transformation of Business Models in the Creative Industries: A Holistic Framework and Emerging Trends, TECHNOVATION, 2018(9): 1-10.