企业技术创新与企业经济绩效关系的探析

蒋天旭 朱 敏

（西南财经大学，成都 610074）

企业技术创新与企业经济绩效关系的探析

蒋天旭 朱 敏

（西南财经大学，成都 610074）

本文以总资产收益率和净资产收益率作为反映企业经济绩效的因变量，以研发密度、技术人员比率、资本支出率和专利作为反映企业技术创新的自变量，同时选用控制变量资产负债率 （Debt）和企业规模 （Size）进行回归估计，得出如下结论：企业研发密度、企业技术人员比率、专利授权数均与企业经济绩效之间存在正相关关系，资本支出率与企业经济绩效之间存在负相关关系。

企业技术创新 经济绩效 正相关 研发密度 技术人员比率 专利授权数

前言

所谓技术创新是指企业运用新技术、新知识，采用新生产方法、管理模式，开发出适应市场需求的新产品和新工艺。技术创新是企业提升产品质量，满足客户需求，提升市场竞争份额，获取有效客户资源，巩固企业核心竞争力的重要方法；也是企业提升生产绩效、降低生产成本、提升企业效益的重要决策。随着科学技术的不断提升以及现代信息时代的不断发展，技术创新对企业的影响是极为明显的，作为市场竞争主体之一的企业，其发展和创新将决定着未来的发展趋势。尤其是技术，作为企业核心的要素资源，对企业可持续发展是极为关键的。2014年，中央网络安全和信息化领导小组正式成立，小组成立以后就积极倡导我国政府必须加强对企业的技术创新力度，鼓励企业进行技术的自主创新，花大力气推动企业科技成果的转化。特别是市场竞争激烈的今天，企业也必须只有实现技术创新，才能在激烈的竞争中获胜，才能有效抢占市场份额，实现企业经济效益的不断提升。

在不断自主研发创新的背景下，我国创新型企业得到了迅速发展，纵观社会主义市场经济发展新行情，创新性企业已经成为繁荣市场活力的重要组成主体，他们主要集中于创业板这一新兴市场板块，其特征表现为创新能力强、发展速度快、风险程度较高、成立时间短、企业规模小等。自2009年创业板成立以来，自主创新为市场竞争力形成源的创新型企业得到了我国政府以及相关学者的重视。对当前我国创业板上市公司进行统计发现超过90%以上的创业板上市公司均为高新技术企业，这些上市公司强调企业自主创新、技术创新，他们将企业技术创新看作企业实现可持续发展的根本动力因素。根据有关核算，2015年，我国约超过200多家的创业板上市公司其研发强度超过了5%，与上一年相比提升了0.35个百分点，位于三板之首。如此之高的研发强度同时也必然存在这样一个最基本的现实，即较高的资金投入。众所周知，作为规模较小的高新技术企业，资金不足是企业发展面临的重要瓶颈之一，如此高的研发强度意味着企业将会产生大量的资金投入，并且技术创新是一个长期的过程，有时甚至投入的周期超过10年以后企业经济效益才有所好转。对于中小型的高新技术企业来说，这种技术创新是否适用呢，为此，我国政府、企业、理论研究者等对企业技术创新和企业经济绩效之间存在的关系是极为关注的。在本文研究中，作者将以我国创业板上市公司为研究案例，进行两者之间关系的实证研究，以前探索企业技术创新和企业经济绩效之间到底存在一种什么样的关系，两者作用的机制是什么，从而为我国企业管理者进行企业资源配置提供理论指导，并促进企业实现可持续发展。

1 企业技术创新与企业经济绩效关系的研究设计

1.1 研究假设

熊彼特创新理论是创新理论的先河，对后期创新理论的研究产生了极为重要的影响，其后技术创新理论得到了重视和发展。我国理论研究者将企业技术创新的过程归纳为：创意产生——要素投入——进行实验——实现突破——新技术或新工艺的产生——申请专利——研发新产品、新服务——走向市场，从企业技术创新的过程来看，企业技术创新是一个十分复杂的过程，但是其中两个环节我们必须加以重视：（1）企业只有进行要素的投入，技术创新活动才能开始；（2）专利产出是企业技术过程中控制效率最直接的体现。在整个企业技术创新过程中，这两个是关键环节。根据对国外的理论研究梳理发现，国内学者也强调技术创新过程中的这两个要素，Griliches（2012）根据对企业技术创新过程的研究认为，企业加强对要素投入的控制对企业效益的影响是十分明显的，并且企业专利对企业效益的提升形成正面影响效益，在企业技术创新过程的研究中，必须合理考察企业要素控制变量和专利变量，才能形成全面的结论，否则得出的结果均是片面的。

在本文实证研究中，作者将从全面的角度出发，将企业技术创新投入和专利两个变量作为重要的解释变量进行考察，从而验证企业技术创新与企业经济绩效之间的关系，其中企业技术创新投入的变量具体设计为研发支出、研发技术人员、资本支出等；而专利则是指企业获得相关专利机构授权、对其竞争者形成有效技术壁垒的创新成果。在此设计基础上，作者提出了如下假设：

假设1：企业研发密度与企业经济绩效之间存在正相关关系

假设2：企业技术人员比率与企业经济绩效之间存在正相关关系

假设3：资本支出率与企业经济绩效之间存在负相关关系

假设4：专利授权数与企业经济绩效之间存在正相关关系

1.2 模型设计

为了有效验证企业技术创新与企业经济绩效之间的关系，本文共设计了4个模型进行两者之间关系的验证，具体如下所示：

模型1：

模型1主要是验证企业研发密度与企业经济绩效之间关系的实证模型，同时也验证了企业研发密度对企业经济绩效的滞后影响效应。

模型2：

模型2主要是验证企业技术人员比率与企业经济绩效之间关系的实证模型。

模型3：

模型3主要是验证资本支出率与企业经济绩效之间关系的实证模型。

模型4：

模型4主要是验证企业专利变量与企业经济绩效之间关系的实证模型，同时也验证了企业专利变量对企业经济绩效的滞后影响效应。

在上述4个模型中，模型中的符号所代表的含义如表1所示：

表1 模型符合的含义

2 企业技术创新与企业经济绩效关系的实证研究结果

2.1 描述性统计

2.1.1 公司经济绩效变量的描述性统计结果

表2 公司绩效变量的描述性统计结果

根据对创业板上市公司经济绩效的两个衡量变量进行描述性统计，结果如下：总资产收益率（ROA）的极小值为－13.442；极大值为27.983，均值为5.253，标准差为3.791；净资产收益率（ROE）的极小值为－26.872；极大值为37.982，均值为6.782，标准差为1.934。可见被选的样本中，各个创业板上市公司的企业经济绩效存在较大的个体差异，但是企业绩效均位于合理的范围之内。

2.1.2 公司技术创新等变量的描述性统计

表3 公司技术创新等变量的描述性统计结果

根据对创业板上市公司技术创新等变量进行描述性统计，结果如下：研发密度 （RDS）3年整体的极小值为0.000；极大值为43.533，均值为6.634，标准差为7.341；技术人员比率 （Tech）的极小值为 0.000；极大值为 94.563，均值为26.742，标准差为7.325；资本支出率 （Caper）3年整体的极小值为－24.653；极大值为40.232，均值为8.935，标准差为6.232；专利 （Patent）3年整体的的极小值为0.000；极大值为4.564，均值为1.353，标准差为1.032。

根据对公司技术创新等变量的描述性统计结果可以看出，样本公司企业技术创新存在较大的差距，因此研发密度 （RDS）、技术人员比率（Tech）、资本支出率 （Caper）等3个变量的标准差均呈现较大的数值；根据对企业技术创新各变量的极小值来看，研发密度 （RDS）3年整体、技术人员比率 （Tech）2014年、专利 （Patent）3年整体均为0，这表明样本企业技术创新还存在很大的差距，不容乐观，我国创业板上市公司的资本支出率 （Caper）2014年为负值 （－24.653），充分说明了这一不乐观的局面；另外，标准差的数据统计显示，样本企业的技术创新各指标也在可接收的范围之内，样本有进一步研究的意义。

2.1.3 控制变量的描述性统计

表4 控制变量的描述性统计结果

根据对创业板上市公司控制变量进行描述性统计，结果如下：资产负债率 （Debt）的极小值为1.325；极大值为64.872，均值为21.492，标准差为 14.653；企业规模 （Size）的极小值为19.763；极大值为22.442，均值为20.321，标准差为0.2431。

根据以上统计可见，样本企业资产负债率（Debt）存在较大的差异，但是企业规模 （Size）却基本相差不大。

2.2 相关性分析

对总资产收益率 （ROA）、净资产收益率（ROE）、研发密度 （RDS）、技术人员比率（Tech）、资本支出率 （Caper）、专利 （Patent）、资产负债率 （Debt）、企业规模 （Size）等变量进行Pearson相关性检验，检验结果如表5所示。

表5 各变量的Pearson相关性检验

根据Pearson相关性检验方法，对各变量进行相关性检验，结果显示：总资产收益率 （ROA）和净资产收益率 （ROE）的Pearson相关性系数为0.976，作为同样反映样本企业经济绩效的两个变量，其性质是一样的，两者表现出较高的相关性符合预期。

研发密度 （RDS）与总资产收益率 （ROA）、净资产收益率 （ROE）Pearson相关性系数分别为0.324、0.314，符合研发密度 （RDS）与企业经济绩效正相关关系的研究假设1。技术人员比率（Tech）与总资产收益率 （ROA）、净资产收益率（ROE）、研发密度 （RDS）的Pearson相关性系数分别为0.156、0.124、0.432，符合技术人员比率（Tech）与企业经济绩效正相关关系的研究假设2；同时技术人员比率 （Tech）与研发密度 （RDS）之间也存在较强的正相关关系。资本支出率 （Caper）与总资产收益率 （ROA）、净资产收益率（ROE）、研发密度 （RDS）、技术人员比率 （Tech）的Pearson相关性系数分别为－2.314、－2.434、－0.231、－0.123，符合资本支出率 （Caper）与企业经济绩效的负相关关系的研究假设3；同时资本支出率 （Caper）与研发密度 （RDS）、技术人员比率 （Tech）之间也存在较强的负相关关系。专利 （Patent）与总资产收益率 （ROA）、净资产收益率 （ROE）、研发密度 （RDS）、技术人员比率（Tech）、资本支出率 （Caper）的Pearson相关性系数分别为0.212、0.135、0.256、0.332、0.213符合专利 （Patent）与企业经济绩效正相关关系的研究假设 4；同时专利 （Patent）与研发密度（RDS）、技术人员比率 （Tech）、资本支出率 （Caper）之间也存在较强的正相关关系。

另外，作为控制变量资产负债率 （Debt）和企业规模 （Size）与反映企业经济绩效的各指标以及反映企业技术创新的相关指标也存在正相关关系。可见，一个企业实力越强、资本越雄厚、企业规模越多，企业技术创新的能力将越强，企业经济绩效将表现出更高的特点。总之，通过各变量的Pearson相关性检验，可以初步断定研究假设是成立的，但是Pearson相关性检验仅仅是一个初步检验，还需要进行深入的回归研究。

2.3 回归分析

2.3.1 研发密度与企业经济绩效之间的回归估计

利用模型1进行企业研发密度与企业经济绩效之间的回归估计，结果如表6所示。

表6 研发密度与企业经济绩效之间的回归估计结果

以总资产收益率 （ROA）作为因变量，以研发密度 （2012）、研发密度 （2013）、研发密度（2014）、资产负债率 （Debt）和企业规模 （Size）作为自变量进行回归估计，其中研发密度 （2012）的估计系数为0.254，在5%的显著性水平检验下是显著的，这说明研发密度 （2012）与总资产收益率 （ROA）之间呈现正相关，研发密度 （2012）每增加 1%，总资产收益率 （ROA）则提高0.254%；研发密度 （2013）的估计系数为0.247，在1%的显著性水平检验下是显著的，这说明研发密度 （2013）与总资产收益率 （ROA）之间呈现正相关，研发密度 （2013）每增加1%，总资产收益率 （ROA）则提高 0.247%；研发密度（2014）的估计系数为0.243，在1%的显著性水平检验下是显著的，这说明研发密度 （2014）与总资产收益率 （ROA）之间呈现正相关，研发密度 （2014）每增加1%，总资产收益率 （ROA）则提高0.243%。该回归估计验证了假设1，即研发密度与企业经济绩效 （总资产收益率 （ROA））之间是正相关关系。

同样，以净资产收益率 （ROE）作为因变量，以研发密度 （2012）、研发密度 （2013）、研发密度 （2014）、资产负债率 （Debt）和企业规模（Size）作为自变量进行回归估计，其中研发密度（2012）的估计系数为0.305，在1%的显著性水平检验下是显著的，这说明研发密度 （2012）与净资产收益率 （ROE）之间呈现正相关，研发密度 （2012）每增加1%，净资产收益率 （ROE）则提高0.305%；研发密度 （2013）的估计系数为0.324，在1%的显著性水平检验下是显著的，这说明研发密度 （2013）与净资产收益率 （ROE）之间呈现正相关，研发密度 （2013）每增加1%，净资产收益率 （ROE）则提高0.324%；研发密度（2014）的估计系数为0.235，在1%的显著性水平检验下是显著的，这说明研发密度 （2014）与净资产收益率 （ROE）之间呈现正相关，研发密度 （2014）每增加1%，净资产收益率 （ROE）则提高0.235%。该回归估计验证了假设1，即研发密度与企业经济绩效 （净资产收益率 （ROE））之间是正相关关系。

两个模型均验证了假设1，即研发密度与企业经济绩效之间是正相关关系。

2.3.2 技术人员比率与企业经济绩效之间的回归估计

技术人员比率与企业经济绩效之间的回归估计结果如表7所示。

表7 技术人员比率与企业经济绩效之间的回归估计结果

以总资产收益率 （ROA）作为因变量，以技术人员比率 （Tech）、资产负债率 （Debt）、企业规模 （Size）作为自变量进行回归，该回归模型下，修正后的R2为90.2%，F值为14.656，由此可见模型拟合较好。其中技术人员比率 （Tech）的估计系数为0.112，在1%的显著性水平检验下是显著的，这说明技术人员比率 （Tech）与总资产收益率 （ROA）之间呈现正相关，技术人员比率 （Tech）每增加1%，总资产收益率 （ROA）则提高0.112%。该回归估计验证了假设2，即技术人员比率 （Tech）与企业经济绩效 （总资产收益率 （ROA））之间是正相关关系。

同样，以总资产收益率 （ROA）作为因变量，以技术人员比率 （Tech）、资产负债率 （Debt）、企业规模 （Size）作为自变量进行回归，该回归模型下，修正后的R2为92.3%，F值为16.092，由此可见模型拟合较好。其中技术人员比率 （Tech）的估计系数为0.132，在5%的显著性水平检验下是显著的，这说明技术人员比率 （Tech）与净资产收益率 （ROE）之间呈现正相关，技术人员比率 （Tech）每增加1%，净资产收益率 （ROE）则提高0.132%。该回归估计验证了假设2，即技术人员比率 （Tech）与企业经济绩效 （净资产收益率 （ROE））之间是正相关关系。

两个模型均验证了假设2，即技术人员比率与企业经济绩效之间是正相关关系。

2.3.3 资本支出率与企业经济绩效之间的回归估计

资本支出率与企业经济绩效之间的回归估计结果如表8所示。

表8 资本支出率 （Caper）与企业经济绩效之间的回归估计结果

以总资产收益率 （ROA）作为因变量，以资本支出率 （Caper）、资产负债率 （Debt）、企业规模 （Size）作为自变量进行回归，该回归模型下，修正后的R2为89.3%，F值为15.95，由此可见模型拟合较好。其中资本支出率 （Caper）的估计系数为0.233，在5%的显著性水平检验下是显著的，这说明资本支出率 （Caper）与总资产收益率（ROA）之间呈现负相关，资本支出率 （Caper）每增加 1%，总资产收益率 （ROA）则降低0.233%。该回归估计验证了假设3，即资本支出率 （Caper）与企业经济绩效 （总资产收益率（ROA））之间是负相关关系。

同样，以总资产收益率 （ROA）作为因变量，以资本支出率 （Caper）、资产负债率 （Debt）、企业规模 （Size）作为自变量进行回归，该回归模型下，修正后的R2为92.3%，F值为19.87，由此可见模型拟合较好。其中资本支出率 （Caper）的估计系数为－0.241，在5%的显著性水平检验下是显著的，这说明资本支出率 （Caper）与净资产收益率 （ROE）之间呈现负相关，资本支出率（Caper）每增加1%，净资产收益率 （ROE）则降低0.241%。该回归估计验证了假设3，即资本支出率 （Caper）与企业经济绩效 （净资产收益率（ROE））之间是负相关关系。

两个模型均验证了假设3，即资本支出率（Caper）与企业经济绩效之间是负相关关系。

2.3.4 专利授权数与企业经济绩效之间的回归估计

专利授权数与企业经济绩效之间的回归估计结果如表9所示。

表9 专利授权数与企业经济绩效之间的回归估计结果

以总资产收益率 （ROA）作为因变量，以专利授权数 （2012）、专利授权数 （2013）、专利授权数 （2014）、资产负债率 （Debt）和企业规模（Size）作为自变量进行回归估计，其中专利授权数 （2012）的估计系数为0.198，在1%的显著性水平检验下是显著的，这说明专利授权数 （2012）与总资产收益率 （ROA）之间呈现正相关，专利授权数 （2012）每增加 1%，总资产收益率（ROA）则提高0.198%；专利授权数 （2013）的估计系数为0.178，在5%的显著性水平检验下是显著的，这说明专利授权数 （2013）与总资产收益率 （ROA）之间呈现正相关，专利授权数（2013）每增加1%，总资产收益率 （ROA）则提高0.178%；专利授权数 （2014）的估计系数为0.187，在1%的显著性水平检验下是显著的，这说明专利授权数 （2014）与总资产收益率 （ROA）之间呈现正相关，专利授权数 （2014）每增加1%，总资产收益率 （ROA）则提高0.187%。该回归估计验证了假设4，即专利授权数与企业经济绩效 （总资产收益率 （ROA））之间是正相关关系。

同样，以净资产收益率 （ROE）作为因变量，以专利授权数 （2012）、专利授权数 （2013）、专利授权数 （2014）、资产负债率 （Debt）和企业规模 （Size）作为自变量进行回归估计，其中专利授权数 （2012）的估计系数为0.121，在1%的显著性水平检验下是显著的，这说明专利授权数（2012）与净资产收益率 （ROE）之间呈现正相关，专利授权数 （2012）每增加1%，净资产收益率 （ROE）则提高 0.121%；专利授权数（2013）的估计系数为0.194，在1%的显著性水平检验下是显著的，这说明专利授权数 （2013）与净资产收益率 （ROE）之间呈现正相关，专利授权数 （2013）每增加 1%，净资产收益率（ROE）则提高0.194%；专利授权数 （2014）的估计系数为0.193，在5%的显著性水平检验下是显著的，这说明专利授权数 （2014）与净资产收益率 （ROE）之间呈现正相关，专利授权数（2014）每增加1%，净资产收益率 （ROE）则提高0.193%。该回归估计验证了假设4，即专利授权数与企业经济绩效 （净资产收益率 （ROE））之间是正相关关系。

两个模型均验证了假设4，即专利授权数与企业经济绩效之间是正相关关系。

3 研究结论

从企业基础创新活动的过程来看，一个企业要想形成技术壁垒，占有绝对优势，就必须进行技术创新。企业进行技术创新，要么进行新产品的研发，要么进行新工艺的改造。但是不论两者如何创新，技术创新必须在原有的产品和服务基础上进行，从而实现新突破，形成企业核心而独特的竞争优势。这种创新一旦经过专利机构的权威认定，那么企业在该技术领域就形成了独一无二的垄断技术，其竞争对手因为该企业的技术创新被远远甩在竞争行列的队伍后，企业的竞争优势凸显。而企业技术创新的另一好处在于有助于企业在该领域形成绝对的核心竞争力，从而获取高额的垄断利益。相反如果一个企业没有创新，一味模仿，在激烈的市场竞争中，企业就难以形成绝对的竞争优势，难以形成有效且稳固的技术壁垒，企业可持续发展的动力存在不足，企业的绩效就无从谈起。本文验证了企业技术创新与企业经济绩效之间存在的正相关关系，有利于增强我国创新性企业的管理指导。

［1］任海云.公司治理对R＆D投入与企业绩效关系调节效应研究［J］.管理科学，2011，（5）：12～14

［2］萧延高，翁治林.企业竞争优势理论发展的源与流 ［J］.电子科技大学学报 （社科版），2015，（6）：3～5

［3］徐欣，唐清泉.R＆D活动、创新专利对企业价值的影响——来自中国上市公司的研究 ［J］.研究与发展管理，2014，（4）：23～25

［4］徐伟民.科技政策与高新技术企业的R＆D投入决策——来自上海的微观实证分析 ［J］.上海经济研究，2013，（5）：5～6

［5］杨勇，达庆利.企业技术创新绩效与其规模、R＆D投资、人力资本投资之间的关系——基于面板数据的实证研究 ［J］.科技进步与对策，2014，（11）：2～3

［6］官建成，钟蜀明.技术创新绩效的产业分布与演变 ［J］.中国科技论坛，2015，（9）：24～25

［7］梁莱歆，严绍东.中国上市公司R＆D支出及其经济效果的实证研究 ［J］.科学学与科学技术管理，2014，（7）：67～68

［8］贺伟，刘明霞.企业R＆D商业化能力研究 ［J］.中国工业经济，2015，（4）：67～68

［9］季庆庆，李向东.基于三阶段DEA模型的企业技术创新效率研究 ［J］.工业技术经济，2013，（5）：96～106

［10］胡恩华.企业技术创新能力指标体系的构建及综合评价［J］.科研管理，2011，（4）：6～7

［11］魏江，许庆瑞.企业技术能力的概念、结构和评价 ［J］.科学学与科学技术管理，2015，（9）：23～26

The Enterprise Technical Innovation and the Analysis of Relationship between Enterprise Econom ic Performance

Jiang Tianxu Zhu Min
（Southwestern University of Finance and Economics，Chengdu 610074，China）

Based on the total return on assets and return on netassetsas the dependentvariable reflects the enterprise economic performance，this paper takes development density，technical personnel ratio，ratio of capital expenditure and patentas reflect the enterprise technology innovation of the independent variable，and selects control variable asset－liability ratio（Debt）and firm Size（Size）for regression estimation.The conclusions are：there was a positive correlation between the rate of capital expenditure and the density of enterprise development，enterprise technical personnel ratio，the number of patent license and the enterprise economic performance，and there is a negative correlation relationship between enterprise economic performance.

enterprise technology innovation；economic performance；positive correlation；R＆D intensity；technical personnel ratio；patent license number

10.3969／j.issn.1004－910X.2016.01.007

F273.1

A

（责任编辑：史 琳）

2015—11—30

国家自然科学基金资助项目 “劳动资本化：企业家及其他创新劳动激励模式探索 （2005）”（项目编号：70472081）。

蒋天旭，西南财经大学工商管理学院硕士研究生。研究方向：企业管理。朱敏，西南财经大学工商管理学院教授，博士生导师。研究方向：企业管理、市场营销、消费者行为、国际贸易。