發(fā)展戰(zhàn)略實施的核心主體,更要求注重創(chuàng)新的“提質增量”。具體篩選步驟如下:參考《高
技術產業(yè)(制造業(yè))分類2017》,在所有滬深 A 股上市的制造業(yè)企業(yè)篩選高技術制造業(yè),剔
除ST、*ST以及2016—2021年間變量缺失的企業(yè),最終獲得1515個觀測值。
(二)變量定義
1.被解釋變量
創(chuàng)新質量:借鑒張杰等的研究[28],本文采用專利知識寬度測量企業(yè)創(chuàng)新質量。專利
知識寬度指專利所覆蓋知識的復雜程度,可以從技術和價值兩個維度來體現(xiàn)創(chuàng)新質量:一
方面,專利所涵蓋的知識越豐富,專利越不易被模仿改進,在短期內被取代的可能性較低;
另一方面,知識越復雜的專利,其相關替代品越少,企業(yè)更容易獲得創(chuàng)新產品的壟斷價值。
本文使用智慧芽專利數(shù)據(jù)庫中企業(yè)的發(fā)明專利和實用新型專利的IPC分類號數(shù)量測量
專利的知識寬度,公式如下:
Patent_Knowledge=1- ∑α2。
其中Patent_Knowledge表示專利的知識寬度,α 表示專利號中每個大組的比重??紤]
到企業(yè)專利存在極端值,本文采用中位數(shù)的方法將專利知識寬度信息加總到企業(yè)層面。
創(chuàng)新數(shù)量:參考陳強遠等的做法[29],采用企業(yè)當年發(fā)明、實用新型與外觀專利申請合
計數(shù)作為創(chuàng)新數(shù)量的代理變量,相關數(shù)據(jù)來源于 CNRDS數(shù)據(jù)庫。
2.解釋變量
企業(yè)數(shù)字化轉型:參考吳非等所構建的詞庫[30]對企業(yè)數(shù)字化轉型進行文本分析。通
過在上市公司年報中挖掘并統(tǒng)計關鍵詞詞頻并進行標準化處理,最終作為企業(yè)數(shù)字化轉
型的代理變量。
政府數(shù)字化治理:政府工作報告集中反映了各級政府的施政方針以及工作重點,其中
工作回顧性總結成為評測政府職能履行情況以及政府治理的重要依據(jù)。因此本文借鑒鄧
雪琳的研究[31],以政府工作報告中的回顧與總結為文本分析對象,運用 Python軟件展開
文本挖掘。具體構造方法如下:第一,下載樣本企業(yè)所在地級市共計606份政府工作報
告,將其轉換為txt格式。第二,參考賽迪顧問的《2021數(shù)字經(jīng)濟城市發(fā)展百強榜》抽取典
型政府樣本。第三,利用 Python的Jieba中文分詞功能處理上述典型樣本,分詞之后統(tǒng)
計詞頻,篩選數(shù)字化治理高頻關鍵詞,形成初級詞庫。第四,縮小關鍵詞范圍,挖掘種子詞
匯的前后文本,并提取出現(xiàn)頻率較高的文本組合;運用 Python對政府工作報告原文進行
抽樣并人工回溯,通過復檢文本以及閱讀相關文獻[32-34],優(yōu)化數(shù)字化治理關鍵詞詞庫。
第五,基于數(shù)字化治理總詞庫,利用Jieba功能對所有研究樣本進行分詞處理,統(tǒng)計總詞
庫中的關鍵詞詞頻并標準化。
3.中介變量
管理性交易成本:參考金環(huán)等的研究[35],選擇管理費用占資產總額的比重作為企業(yè)
管理性交易成本的代理變量,并取相反數(shù)進行正向化處理,即指標越大,企業(yè)的管理性交
易成本越低。
信息不對稱性:參考于蔚等的研究[36],采用微觀企業(yè)日頻交易數(shù)據(jù)作為企業(yè)信息不
對稱性的代理變量。具體的指標構建為:提取流動性比率、非流動性比率以及收益率反轉
三個指標中第一主成分構建信息不對稱性的綜合指標,并取相反數(shù)進行正向化處理,即指
標越大,企業(yè)的信息不對稱性越小,信息透明度越高。
46