创新投入对大数据企业绩效的影响及其门槛效应

摘要：作为一项风险投资活动，创新投入是大数据企业开展创新活动的重要支撑，但其效应具有较高的不确定性。对创新投入与大数据企业绩效的实证研究成果很有限，迄今尚未有学者关注非线性影响。探讨创新投入对大数据企业绩效的影响及其门槛效应，对于大数据企业通过创新投入提升绩效具有重要的理论和现实意义。为此，从理论层面梳理创新投入对大数据企业绩效的影响，在此基础上以20132019年沪深A股上市大数据企业为研究样本，构建基准回归模型、调节效应模型及门槛效应模型，实证检验创新投入对企业绩效的影响，并考察了技术积累的调节效应及创新投入与企业绩效之间存在的非线性关系。研究发现，创新投入有助于提升大数据企业绩效，且影响存在一定的滞后性。这一结论在经过引入工具变量、混合回归及替换被解释变量等一系列内生性检验和稳健性检验之后依然成立。调节效应检验表明，技术积累对创新投入与企业绩效关系具有负向调节效应。门槛效应检验表明，创新投入对企业绩效的影响存在非线性关系，需要控制创新投入的比例。因此，大数据企业应制定可持续的创新投入规划，合理配置内部研发资源，重视创新人才的引进和培养，并寻求与研究机构的合作；加强创新管理，提高企业探索性创新能力；科学制定计划，建立内部预警机制，防止过度创新投入抑制企业绩效。

关键词：大数据企业；创新投入；企业绩效；门槛效应

中图分类号：F49

文献标识码：A

文章编号：1673-8268（2024）04-0157-09

如果企业的主营业务板块、核心能力、战略布局趋势都是由大数据驱动的，那么他们就是大数据企业［1］。大数据企业不仅具有高创新、高投入及高风险等高新技术企业的特点，而且具有数据资产化、决策智能化等特点［2］。随着《促进大数据产业发展行动纲要》（国发〔2015〕50号）、《关于工业大数据发展的指导意见》（工信部信发〔2020〕67号）等的发布，大数据企业实现了较快发展。目前，学界对大数据企业的研究还相对有限，主要集中在数据保护、企业特征、盈利模式及监管政策等方面。大数据企业的价值主要来自其数据采集、挖掘及处理等能力，这些与技术创新密不可分［3］。而技术创新与创新投入相关，大数据企业将创新投入作为提升发展质量的关键因素：创新投入可以用于新知识与新技术的创造，提高产品和服务质量，从而形成核心竞争力，获得超额利润，实现持久稳定发展［4］。不过，创新投入作为一项风险性投资活动，存在很大的不确定性，当出现创新投入与回报不成正比的情况时，继续增加创新投入不仅会占用企业部分资源，给短期经营带来一定的压力，还会加剧企业的经营风险。

企业绩效的研究范围主要涉及两个方面：（1）对企业绩效评价指标的研究。其不仅包括使用总资产收益率、净资产收益率等单个指标，还包括选取多个指标，并使用因子分析、熵值法等构建综合指标评价体系。（2）从不同角度探讨企业绩效的影响因素。从企业战略来看，企业战略的差异越大，越容易引发经营绩效的波动；从股权结构来看，股权集中度过高会侵犯中小股东的利益，导致企业绩效下降，而股东数量的增加会使股东之间相互监督，有利于提高企业治理效率和经营绩效；从研发创新来看，注重技术创新资源投入并进行良好商业化转换的企业总体表现较好［5］。创新投入与企业绩效之间存在正相关、负相关、不相关及倒U型关系；创新投入对企业绩效的影响滞后，且会受到企业生命周期阶段、商业化能力及政府补贴等的影响［6］。虽然目前学界对创新投入与企业绩效的研究已有一定的积累，但对大数据企业的实证研究成果尚很有限，迄今还没有关注非线性影响。

基于此，本文尝试探究创新投入对大数据企业绩效的影响及其门槛效应，以揭示创新投入影响大数据企业绩效的机理。本文可能的边际贡献体现在：（1）不仅检验了当期，还检验了滞后一期、滞后二期，更为全面地把握创新投入对大数据企业绩效的影响；（2）通过调节效应检验与门槛效应检验，进一步揭示创新投入对大数据企业绩效的影响；（3）所得结论拓展了现有关于创新投入、企业绩效方面的学术探讨边际，为大数据企业通过创新投入提升绩效提供了理论依据。

一、文献回顾与研究假设

（一）创新投入对企业绩效的线性影响分析

创新投入的目的在于推动企业创新，促进企业掌握先进技术，提高市场竞争力，进而改善企业绩效。创新投入的成果既可以用于改善生产经营和促进产品升级，通过商业化转化为市场竞争力，为企业获取更多的市场利润；也可以通过提升企业价值和提高竞争地位，为企业谋求竞争优势，促进企业长远发展［7］。不过，由于研发活动的不确定性和周期性，创新投入的产出效益可能存在一定的滞后性，且创新投入更多的将被作为费用计入当期损益，这可能对企业的短期经营造成一定的压力；大量的创新投入必然会占用或消耗企业有限的资源，影响其他方面的正常投资计划［8］。

对于大数据企业来说，前一阶段的研发活动可为下一阶段的产品开发或技术创新积累经验，加强创新投入可以形成具有自身特点的新知识、新技能。在技术积累的基础上，企业可以更高效地配置资源，进行更有效的技术创新，不仅可以降低成本，还可以更快地投入生产，获得更高的经营绩效［9］。但随着技术积累程度的不断提高，在原有技术积累的基础上开展创新活动将会导致企业产生技术路径依赖，影响企业的创造性思考和对新知识的吸收，不利于企业进行探索式研发［10］。因此，技术积累存在边际效应递减特征，技术积累的增加会减弱创新投入对企业绩效的提升效应。

基于此，本文提出如下假设：

H1：创新投入有助于提升大数据企业绩效，且存在一定的滞后性；

H2：技术积累对创新投入与企业绩效关系具有负向调节效应。

（二）创新投入对企业绩效的非线性影响分析

要想获得市场竞争优势，大数据企业应增强知识资源储备量、提高大数据挖掘及数据处理技术，这就需要企业不断进行创新投入。当创新投入达到一定门槛，企业拥有了不易被市场竞争者模仿的核心技术时才能产生超额利润，加快企业绩效提升。为了应对快速变化的市场，企业会借助大数据去分析用户的消费心理和行为习惯，基于大数据形成规则指导数据产品创新，为用户提供智能化、定制化的消费和服务体验［11］。而用户需求呈现出高度易变、模糊性的特征，使得数据产品研发往往具有不确定性和复杂性等典型特征，为企业研发创新带来更多的不确定性因素［12］。同时，创新投入存在一个拐点，在拐点之前，持续的创新投入会促进企业绩效提升，超过这一拐点时，继续增加创新投入将不会带来相同比例的绩效提升，从而表现出边际效用递减特征，甚至还会产生抑制作用。

基于此，本文提出如下假设：

H3：创新投入对大数据企业绩效的影响存在非线性关系。

二、研究设计

（一）样本选取及数据来源

本文选取20132019年沪深A股上市大数据企业作为研究样本，该时间跨度的选择是基于大数据企业的发展。综合已有研究，总结出大数据、海量数据、数据中心、信息资产及数据化等关键词，并利用这些关键词从同花顺、东方财富网中的“大数据”和“数据中心”概念板块中进行筛选，选出大数据企业共320家。为了提高研究数据的质量，剔除相关财务数据缺失和模糊不清、样本期间发生重大资产重组和主营业务变动及ST、*ST类企业，最终获得数据港、中科曙光、紫晶存储等191家样本企业。数据主要来源于同花顺、东方财富网、巨潮资讯网及各企业年报。

（二）研究变量的选择

1.被解释变量

企业绩效（TP），选取净资产收益率、每股收益、营业利润率、总资产周转率、流动资产周转率、资产负债率、流动比率、速动比率、总资产增长率及营业收入增长率等十个指标的综合指数进行衡量。

2.解释变量

创新投入，选择将其分为创新资金投入（RDC）和创新人员投入（RDP）两部分，分别选取研发费用与营业收入的比值、技术研发人员与员工总人数的比值进行衡量。同时，RDC、RDP也是门槛变量。

3.调节变量

技术积累（Tech），选取企业发明专利申请数进行衡量；在稳健性检验中，选取发明专利授权数进行衡量。在调节效应检验时，分别对创新投入、技术积累进行中心化处理。

4.控制变量

借鉴已有研究文献，选择控制以下变量：企业规模（Size），选取企业资产总额的自然对数进行衡量；现金流量（Cash），选取企业货币资金的自然对数进行衡量；企业年龄（Year），选取企业成立时间的自然对数进行衡量［13］。

（三）研究模型

结合本文所提出的假设，参考杨冬梅等的研究［14］，将回归模型构建为

为检验技术积累的调节效应，参考Zang等的研究［15］，在模型（1）的基础上，构建如下模型

为考察创新投入与企业绩效是否存在非线性关系，参考Liu等的研究［16］，构建如下门槛回归模型

式（1）（3）中：Yit表示i企业在t期的绩效水平，RDCi，t-s、RDPi，t-s分别表示i企业在t-s期的创新资金投入和创新人员投入水平，s=0时表示没有滞后即当期，s=1时表示1年滞后，以此类推；Xit为系列控制变量，Yi，t－1为前一期的绩效； RD为创新投入（创新资金投入与创新人员投入）；I（·）表示指示性函数，括号内条件成立时取值为1，否则为0；α0为截距项，εit为随机扰动项，μ为门槛值。

三、实证结果与分析

（一）描述性统计

表2报告了主要变量的描述性统计结果。企业绩效的中值为-0.033，小于均值，表明大数据企业绩效分布右偏，多数企业绩效水平未达到平均水平，有待进一步提高；创新资金投入和创新人员投入的中值为0.059、0.400，均值为0.079、0.433，表明我国大数据企业整体创新投入水平较高，具备一定的研发竞争实力，但多数企业的创新投入水平处于平均水平以下，创新投入还有待加强。

（二）基准回归结果

多重共线性检验结果显示，变量之间的相关系数均在合理的范围内，所有变量的VIF值远小于10，表明不存在严重的多重共线性问题。模型（1）中包含被解释变量的滞后一期，为动态模型，进行回归分析，其结果如表3所示。AR（1）和AR（2）的结果显示，可以接受扰动项无自相关假设。从当期来看，创新资金投入的系数为-0.783，在5%水平上显著为负；创新人员投入的系数为0.349，在5%水平上显著为正；从滞后一期、滞后二期来看，创新资金投入的系数分别为0.023、0.387，创新人员投入的系数分别为0.273、0.455，在10%水平上显著为正。研究假设H1得证。

（三）内生性检验和稳健性检验

1.引入工具变量

针对反向因果关系可能导致的内生性问题，参考王智波和李长洪的研究［17］，选择创新投入的滞后项作为创新投入的工具变量。通过二阶段最小二乘法（2SLS）进行回归，结果如表4中列（1）所示。创新资金投入对当期绩效的影响系数为-0.523，在1%的水平上显著；创新人员投入对当期绩效的影响系数为0.002，在10%的水平上显著。表明研究结论是稳健的。

2.混合回归

采用混合模型（POLS）重新回归，结果如表4中列（2）至列（4）所示。从当期来看，创新资金投入的系数为-5.501，在1%的水平上显著；创新人员投入的系数为0.010，在10%的水平上显著。从滞后一期、滞后二期来看，创新资金投入的系数分别为0.568、0.448，创新人员投入的系数分别为0.041、0.145。表明研究结论也是稳健的。

3.替换被解释变量

选取净资产收益率（ROE）来衡量企业绩效，进行回归，结果如表4列（5）—（7）所示。从当期来看，创新资金投入的系数为-0.344，在10%的水平上显著；创新人员投入的系数为0.228，在1%的水平上显著。从滞后一期、滞后二期来看，创新资金投入的系数分别为0.895、0.019，创新人员投入的系数分别为0.106、0.083。表明研究结论依然是稳健的。

（四）调节效应检验

表5报告了调节效应检验结果。从当期来看，技术积累与创新资金投入的交乘项（Tech×RDC）系数为-0.017，与创新人员投入的交乘项（Tech×RDP）系数为-0.032；从滞后一期、滞后二期来看，技术积累与创新资金投入交乘项（Tech×RDC）的系数分别为-0.005、-0.038，技术积累与创新人员投入交乘项（Tech×RDP）的系数为-0.002、-0.004。研究假设H2得证。

（五）门槛效应检验

采用“自举法”，重叠模拟似然比检验统计量300次，对创新投入可能存在的门槛值进行估计和检验，结果如表6所示。创新资金投入对滞后一期企业绩效单门槛和双门槛效应检验的F统计量在1%（P=0.007）和10%（P=0.060）水平上显著，而对滞后二期企业绩效单门槛和双门槛效应检验的F统计量均不显著（P=0.448、0.570）。创新人员投入对滞后一期和滞后二期企业绩效单门槛效应检验的F统计量在均在5%（P=0.013、0.026）水平上显著。以上可知，创新资金投入对滞后一期企业绩效的影响存在双门槛效应，门槛估计值为0.5%、13.6%；对滞后二期企业绩效的影响不存在门槛效应，二者呈线性关系，不再讨论。创新人员投入对滞后一期、滞后二期企业绩效的影响均存在单门槛效应，门槛值为8.5%、7.4%。

表7说明了创新资金投入和创新人员投入对企业绩效的门槛回归结果。以创新资金投入作为门槛变量，在创新资金投入小于0.5%时，创新资金投入对滞后一期企业绩效的回归系数为68.214，在1%水平上显著为正；在0.5%～13.6%区间，回归系数为-1.614，在1%水平上显著为负；大于13.6%时，回归系数为0.712，不显著。因此，以RDC=0.5%为拐点，创新资金投入与滞后一期企业绩效呈“倒 V 形”关系。以创新人员投入作为门槛变量，从滞后一期来看，在创新人员投入小于8.5%时，创新人员投入对企业绩效的回归系数为0.973，在1%水平上显著为正；大于8.5%时，回归系数为-1.803，在1%水平上显著为负；因此，以RDP=8.5%为拐点，创新人员投入与滞后一期企业绩效呈“倒V形”关系。从滞后二期来看，在创新人员投入小于7.4%时，创新人员投入对企业绩效的回归系数为0.100，不显著；大于7.4%时，回归系数为1.323，在1%水平上显著为正。研究假设H3得证。创新资金投入比例控制在0.5%以内，能更好地提升滞后一期企业绩效；创新人员投入比例控制在8.5%以内能更好地提升滞后一期企业绩效，大于7.4%能更好地提升滞后二期企业绩效。

四、结论与建议

本文以20132019年沪深A股上市大数据企业为研究样本，实证检验了创新投入对企业绩效的影响及其门槛效应，得出以下主要研究结论：（1）创新投入有助于提高大数据企业绩效，且存在一定的滞后性，其中创新资金投入影响的滞后性更为明显；（2）技术积累对创新投入与企业绩效关系具有负向调节效应；（3）创新投入对大数据企业绩效的影响存在非线性关系，创新投入比例应控制在一定比例内。

针对上述研究结论，提出以下建议：（1）加强日常创新投入管理。大数据企业应立足长远发展，制定可持续的创新投入规划；合理配置内部研发资源，提升企业创新效率；重视创新人员的引进和培养，营造企业创新氛围；寻求与科研院所的合作，以提高研发效率，降低研发成本。（2）重视探索性创新。大数据企业应在创新活动中有效利用已有技术和知识，提高研发效率，降低研发成本；加强创新管理，掌握创新主动权，提高企业探索性创新能力，减少技术路径依赖的产生。（3）将创新投入控制在最佳回报范围内。大数据企业需要把握创新投入的力度，根据所处的创新投入范围制定科学的计划；提高创新投入效率，建立内部预警机制，防止过度创新投入抑制企业绩效。

参考文献：

［1］张雪，刘艺琦，吴武清. 数据资产会计计量研究——以大数据企业为例［J］. 财会通讯，2022（19）：10-14.

［2］顾艳辉，朱淑珍，赵袁军，等. 基于大数据驱动的企业创新创业政策研究［J］. 管理现代化，2019（4）：47-49.

［3］戴双兴. 数据要素：主要特征、推动效应及发展路径［J］. 马克思主义与现实，2020（6）：171-177.

［4］李玉刚，叶凯月，吴朋. 研发投入、市场化程度与企业专业化经营［J］. 科研管理，2022（4）：158-164.

［5］樊自甫，陶友鹏. 数字化能否促进制造业高质量发展——基于中国省际面板数据的经验证据［J］. 重庆邮电大学学报（社会科学版），2022（5）：124-133.

［6］李维安，李浩波，李慧聪. 创新激励还是税盾？——高新技术企业税收优惠研究［J］. 科研管理，2016（11）：61-70.

［7］WANG J， YE Y . Research on selection of technological innovation mode for large and medium-sized construction enterprises in China［J］. Technology and Investment，2017（2）：131-141.

［8］胡亚茹，陈丹丹，刘震. 融资约束、企业研发投入的周期性与平滑机制——基于企业所有制视角［J］. 产业经济研究，2018（2）：78-90.

［9］SHIN W， OH S， RHO S. Innovation and exports of Korean firms： How do they differ by size and industry？［J］.Millennial Asia，2019（3）：249-271.

［10］成力为，刘诗雨. 研发投入跳跃、吸收能力与企业动态绩效［J］. 科学学研究，2021（4）：683-694.

［11］郑勇华. 学习导向、迭代创新与新产品开发——基于215家大数据企业的实证研究［J］.技术经济与管理研究，2021（7）：25-30.

［12］肖静华，胡杨颂，吴瑶. 成长品：数据驱动的企业与用户互动创新案例研究［J］. 管理世界，2020（3）：183-205.

［13］陈丽姗，傅元海. 融资约束条件下技术创新影响企业高质量发展的动态特征［J］. 中国软科学，2019（12）：108-128.

［14］杨冬梅，万道侠，郭俊艳. 企业科技研发投入与企业绩效——兼论政府创新政策的调节效应［J］. 山东社会科学，2021（5）：129-135.

［15］ZANG Z P， ZHU Q W， MOGORRON-GUERRERO H. How does Ramp;D investment affect the financial performance of cultural and creative enterprises？ The moderating effect of actual controller［J］. Sustainability，2019（2）：1-19.

［16］LIU S Q， LIN S， SUN Z Y， et al. Earnings management and firms’ investment behavior： The threshold effect of ROE［J］. Emerging Markets Review，2021（6）：1-15.

［17］王智波，李长洪. 轻资产运营对企业利润率的影响——基于中国工业企业数据的实证研究［J］. 中国工业经济，2015（6）：108-121.

Impact of innovation input on big data enterprise performanceand its threshold effect

Abstract：

As a venture capital activity， innovation investment is an important support for big data enterprises to carry out innovation activities， but its effects have high uncertainty. The empirical research results on innovation investment and big data enterprise performance are still limited， and so far， there has been no attention to nonlinear effects. Exploring the impact of innovation investment on the performance of big data enterprises and its threshold effect has important theoretical and practical significance for big data enterprises to improve their performance through innovation investment. Therefore， the paper theoretically examines the impact of innovation investment on the performance of big data enterprises. Based on this， benchmark regression models， moderating effect models， and threshold effect models are constructed using big data enterprises listed on the Shanghai and Shenzhen A-shares from 2013 to 2019 as research samples. Empirical tests are conducted to examine the impact of innovation investment on enterprise performance， and to examine the moderating effect of technology accumulation and the nonlinear relationship between innovation investment and enterprise performance. Research has found that innovation investment can help improve the performance of big data enterprises， and the impact has a certain lag. This conclusion is still valid after a series of endogenous tests and robustness tests， such as the introduction of instrumental variables， mixed regression and substitution of explained variables. The moderating effect test shows that technology accumulation has a negative moderating effect on the relationship between innovation investment and enterprise performance. The threshold effect test indicates that there is a non-linear relationship between the impact of innovation investment on enterprise performance， and it is necessary to control the proportion of innovation investment. Consequently， big data enterprises should devise sustainable innovation investment strategies， allocate Ramp;D resources efficiently， emphasize the recruitment and development of innovative talent， and collaborate with research institutions. They should also strengthen innovation management， enhance exploratory innovation capabilities， develop scientific plans， establish internal warning mechanisms， and prevent excessive innovation investment from hindering performance.

Keywords：

big data enterprises; innovation input; enterprise performance; threshold effect