多维关系网络中企业创新的同群效应

肖利平 刘点仪

摘 要：处于多维关系网络中的企业，进行技术创新时会观察同群企业的创新活动，而关系网络的联结状况则会强化这种关联效应。本文使用沪深两市A股上市公司样本，研究信息化网络和高管关联社会网络对企业创新同群效应强度的影响，并从信息传递、知识扩散的角度深化了对同群效应机制研究。研究发现，目标企业的创新数量和质量会受到同一地区、同一行业的同群企业创新的正向影响，背后的机制主要是企业在外部信息不确定性下的企业间信息传递，以及关联企业之间的知识溢出。此外，在信息化网络中，企业的互联网融入程度越高，其创新的同群效应越强；而在社会关联网络中，相比于无高管校友关联的同群企业，有高管校友关联的同群企业对目标企业创新有着更强的正向影响。

关键词：同群效应；企业创新；关系网络；互联网；高管校友关联

中图分类号：F2731文献标识码：A文章编号：1001-148X（2023）02-0118-09

收稿日期：2022-06-26

作者简介：肖利平（1977-），女，湖北汉川人，副教授，博士，研究方向：技术进步与经济发展；刘点仪（1998-），女，湖北仙桃人，职员，经济学硕士，研究方向：技术创新。

基金项目：国家社会科学基金一般项目“空间-经济-社会关联下的技术创新同群效应研究”，项目编号：19BJL083。

一、引 言

在当前技术不断更新迭代、产品市场需求易于波动、地方政府创新政策更替频繁的情景下，企业创新面临信息环境的极大不确定性。许多企业在创新过程中都试图“借镜以观形”，参考、模仿其他有一定关联性或共同特征的企业创新行为，以规避不确定性下“短于自见”的风险。例如，可折叠手机在三星开发者大会（SDC2018）上亮相后，行业内随即掀起了“折叠屏热潮”，此后便不断有企业公布自己的折叠屏专利技术——这种企业创新行为之间的相互“传染”在不少研究中被概括为“同群效应”。

创新行为的高风险性和溢出性一定程度解释了同群效应存在的原因：首先，创新是一项高风险的行为，充满了不确定性。一个品类的诞生需要一个漫长的过程，需要足够的物力与财力支撑，因此，积极的创新投资决策需要良好的信息环境作为支撑［1］。Lieberman和Asaba（2006）［2］最早提出了企业模仿行为中信息获取的动机，当行动与结果之间的关系高度不确定时，企业管理者更倾向于借助外部信息模仿其他企业的行为来降低风险和不确定性。其次，创新具有正外部性、不完全排他性，同群企业前期巨大的创新投入和产出，为后行者打下了创新的知识基础，积累了实践经验，有助于目标企业通过知识搜寻组合外部知识元素［3］，从而激励目标企业创新。在创新的上述两类特征驱使下产生的模仿和学习，作为企业从自身成败中的“经验学习”的一种补充，能够降低企业创新决策的风险，也能让企业“站在巨人肩上”，缩短企业的创新学习时间。

企业创新文献一般从企业的内部特征和外部环境两方面展开，其中外部环境研究侧重于从总体上讨论，而对于企业之间的相互影响关注较少。近年来，地理或行业视角的创新同群效应受到了关注，刘静和王克敏（2018）［4］、彭镇等（2020）［5］从研发投入、创新决策的角度检验了同群效应对企业创新的影响。但除了地理和行业上的关联，企业也是处于由多种社会经济关系构成的网络中，其创新活动和与其他企业之间的互动关联强度是否还受到其他网络关系的调节呢？近年来，随着IT技术的不断迭代，以互联网为支撑的信息网络作为一种信息搜集和沟通渠道，在企業的信息和知识搜寻过程中起到愈发重要的作用。目前研究互联网对创新影响的文献除了基于区域层面探讨互联网影响区域创新的机制，也基于企业、行业或机构层面从融资约束、研发效率、开放式创新等角度验证互联网与企业创新之间的关联［6-7］。例如，王文娜等（2020）［6］关注到，互联网可以增加开放式创新不同参与主体的互动频率和粘性。除了互联网之外，高管校友网络在企业创新中的作用也受到了重视。作为企业社会关联网络的重要组成部分，高管的校友网络也可以为企业提供丰富的创新信息和互动交流，减少信息不对称，激发高管创新热情［8］。但以往文献对这两类网络的讨论多集中于验证网络中企业互动的存在性，对两类网络与传统企业创新网络的交互关系的讨论较少。本文在验证地理、行业创新同群效应的存在性和机制的基础上，想进一步探讨的是，目标企业在信息化网络和高管的校友关联网络这两类重要的关系网络中的嵌入程度是否会影响到已有的同群效应的强度。

相较于现有文献，本文边际贡献如下：在地理关系网络和行业关系网络的基础上，突出信息化网络和高管关联的社会网络对各个维度同群效应强度的影响，从信息传递、知识扩散的角度深化了对同群效应机制的研究，同时，也从同群效应角度丰富了对互联网信息化、社会文化关联影响企业创新的微观机制探讨。

二、研究假设

基于信息获取的便利性和基础变量的相似性，企业往往会倾向于向与之关联或相似的企业进行学习［2］。因此，可能影响目标企业创新的“同群企业”，既可能是距离相近、地理上交流便利的同省份企业，也可能是具有密切经济联系、可通过行业协会、论坛等实现信息共享［9］的同行业企业。同省份、同行业的企业面临的经济发展特征、基础变量相似，企业解读同群公司创新决策的成本更低［4］，更易获得有关创新的确定性信息，也可通过地区企业集群、行业协会等方式与相关企业建立更密切的合作关系，获得与创新有关的信息和经验。虽然同群企业创新对目标企业创新可能会产生一定的挤出效应，这主要体现在随着同群企业市场竞争力的提升，目标企业创新所需的高技能劳动力可能流向其他企业［10］，但何玉润等（2015）［11］等发现，在当前中国情景下，市场发展仍处在Aghion等（2005）［12］提出的“逃离效应”阶段，即当市场竞争程度逐步加大时，企业出于“逃离”当前竞争状况的目的，会通过创新形成在价格成本或产品差异化上的竞争优势，因此，同群企业的创新对目标企业创新的影响以激励和促进为主。基于上述分析，本文提出如下假设：

H1：企业创新存在同群效应，在地理同群、行业同群的定义下，企业的创新行为均受到同群企业创新行为的正向影响。

考虑到创新的高风险性和溢出性，企业倾向于借助同群企业的行为信息来降低结果的不确定性，或学习利用同群企业的外部知识和创新经验。“信息传递”和“知识溢出”是企业创新同群效应的两个潜在机制。从信息传递的角度来看，组织通过模仿其所在环境内其他组织的结构以及行为，可以获得“合法性”认同。同群企业特别是产品、经营高度相关的同行企业的创新较频繁、规模较大、质量较高，会间接地发出信号，传达着该市场需求旺盛、竞争对手少或者生产成本低、潜在利润大等信息，可以减少目标企业所需背负的不确定性风险从而提高目标企业创新决策效率，激励目标企业创新。从知识溢出的角度来看，同行业企业的创新往往在学科与技术领域存在一定重叠，处在同一知识网络的同群企业前期巨大的创新投入和产出，可以为后行者打下创新知识基础，特别是对于一些规模收益大的非竞争性知识、创意，后来者实施和推广它们的成本要比先行者开发的成本低得多［13］；而对于同地区企业，知识溢出同样可能存在，当地协作网络中的正式和非正式合作，能将不同资源、知识、想法和信息汇集在一起，例如在硅谷中形成的本地企业创新网络，便促进了知识在企业之间相互传播，大企业产生的知识惠及邻近的企业。因此，本文提出如下假设：

H2：同群企业创新通过信息传递机制或知识溢出机制来促进目标企业创新。

许多因素可能影响同群效应的强度，例如制度环境［14］、市场化进程、金融发展程度和企业高管的金融背景［15］。这些研究从外部环境角度丰富了对同群效应的解释，但是考虑到企业往往处于多种社会经济关系构成的网络中，互联网信息网络、高管的社会关联网络在企业创新信息传递、互动交流中起到越来越重要的作用，而有关信息化网络和高管社会网络对同群效应强度影响的研究还比较欠缺。

当同群效应通过信息传递和知识溢出来发挥作用时，信息网络中企业个体与互联网的结合程度成为影响企业技术创新的重要因素［16］，以互联网为代表的ICT技术可大幅降低信息成本，提高信息搜寻效率，改善信息不对称结构［17］，同时也增强了企业与社会网络中各主体关系的紧密程度和对创新资源的整合利用能力［18］。值得注意的是，互联网的上述信息促进作用，和原有同群效应的信息传递机制有一定交叠，可能产生一定的替代效应。但是，考虑到互联网传递信息的方式往往以管理经营者经验在线分享、产品迭代信息公示、公开人才招聘信息等为主，和原有地理、行业同群之间传递信息的方式如产业集群、行业协会等存在一定差异，本文认为，信息化网络中企业自身的互联网融入程度对原有的地理、行业创新同群效应以辅助和增强作用为主。此外，作为一种打破时空限制的新型沟通方式，互联网还提高了沟通效率，降低了技术交易成本［14］，有利于缩减市场距离和文化距离，从这点来看，互联网巩固了非地理邻近性企业之间的互动关系，增进企业间的学习和溢出，也可以增强原有行业同群效应的效果。综上，本文提出如下假设：

H3：企业互联网融入程度的高低会显著影响企业创新同群效应的强度。互联网融入程度更高的企业，其创新的地理和行业同群效应较强。

中国具有人情社会特征，人脉、关系等社会关系对社会经济组织运作和个人经济行为的影响较大，因此，在信息传递和知识溢出的机制下，高管的校友网络可能也对已有的同群效应产生一定的调节作用。随着高等教育的普及和发展，相同教育经历群体产生的校友情感维系纽带起着愈發重要的作用［19］。信息传递效应可能会在不同企业的高管间通过校友会等形式的密切交往得到加强，由具有亲切感和信任感的校友分享的创新前沿信息往往能更快被接受和信任，同时，知识的学习过程高度依赖于合作者共同的教育背景、专业素养、价值观念等［20］，具有相似教育经历的校友之间的知识沟通与学习往往效率更高。因此，与其他企业间高管的校友联结可能对企业间的创新同群效应产生增强作用。基于上述分析，本文提出如下假设：

H4：企业高管之间的校友关联对同群效应的强度有正向的增强作用，在具有校友关联的企业之间，企业创新的地理和行业同群效应更强。

三、模型设定和变量测度

本文参考彭镇等（2020）［5］识别同群效应的做法，设定基准回归模型如下：

Yit=α+β1Y--it+β2Xit+vt+λj+μk+εit（1）

式中Yit为i企业t年的创新产出，Y--it是除该企业之外的同省份或同行业企业的平均创新产出，Xit是企业特征控制变量，

k分别为年份、行业、省份固定效应。由于同省份企业的创新产出是根据省份来计算的条件均值，已经包含企业的省份信息，参考Adhikar和Agrawal（2018）［21］，在检验企业创新的地理同群效应时，不再控制省份固定效应，以避免共线性的影响，类似地，在检验企业创新的行业同群效应时，不再控制行业固定效应。

在机制检验部分，本文使用到的模型如下：

Peer_effectit=α+δ1Mechalismit+δ2Xit+vt+λj+μk+εit（2）

Peer_effect衡量同群效应的强度，参考江新峰和张敦力（2018）［22］，用目标企业创新产出和同群企业均值的差异的绝对值来衡量，该方法常用于投资者羊群效应研究文献，其值越小，说明目标企业与同群企业创新产出越趋同，即同群效应越强。Mechalism是影响同群效应强度的机制变量，根据前文假设有信息传递和知识溢出两个机制，后文分别构建同群企业股价同步性和企业人力资本水平两个指标来检验。其他变量的解释与基准模型相同。

在企业互联网融入程度的调节效应分析部分，本文使用到的模型如下：

Yit=α+θ1Y--it+θ2Internetit*Y--it+θ3Internetit+θ4Xit+vt+λj+μk+εit（3）

其中Internet反映企业互联网融入程度，分别用高层互联网关注和受网络关注度表示。交互项系数θ2衡量企业互联网融入程度对同群效应的调节效应。

本文使用2009—2018年沪深两市A股上市公司作为样本，行业分类参考2012证监会行业分类标准，并对初始样本做了如下筛选：（1）剔除金融行业上市公司；（2）剔除ST股；（3）剔除存在公司特征数据缺失的样本；（4）对样本做上下05%的缩尾处理以排除极端值影响。公司层面数据的主要来源如下：办公位置、所在行业、财务指标、公司价值、公司规模、所有权性质数据以及公司高层人员的学术背景信息和股价同步性有关数据均来自国泰安数据库（CSMAR）；公司研发支出和员工构成情况数据来自Wind金融客户端；公司专利数据来自中国研究数据服务平台（CNRDS）。主要变量的含义如表1所示。表2报告了主要数值型变量的描述性统计结果。

四、基准回归结果分析

（一）同群效应的存在性检验

首先，本文使用模型（1）检验企业创新同群效应的存在性。表3的固定效应回归结果显示，无论在地理同群还是行业同群定义下，企业创新的同群效应均正向显著，假设H1得证。具体而言，列（1）、（2）未控制年份、省份、行业效应，在创新投入和其他潜在影响创新的特征一定的情况下，企业创新产出会受到同地区或同行业企业的创新产出（Y--it）的显著影响。列（3）、（4）进一步控制年份、省份、行业效应，同群企业创新产出对目标企业创新产出的影响依然显著，说明了回归结果的稳健性。而且，从同群企业创新的系数来看，同省份和同行业企业的创新产出每提高一个百分点，会激励目标企业创新分别提高0480和0808个百分点。同群效应的存在性表明，关联企业的创新行为是带动目标企业技术创新的外在动力，如果同群企业的创新频率较高，会传达有关市场需求、竞争态势或生产成本等方面的良性信息，激励目标企业结合自身内外部因素做出创新决策。从同群效应强度来看，行业同群效应要大于地理同群效应，这一定程度上表明了在相似的知识技术领域所建立的关联的紧密性。此外，从回归结果还可以看出，企业创新投入的系数在各列也均是正向显著，说明企业内部的投入因素是企业创新和各类创新同群效应发挥作用的重要基础。

（二）基准回归稳健性检验

1考虑滞后作用。考虑到专利从诞生到被授权具有一定的时滞，本文将企业下一年的专利授权数作为被解释变量，再次检验企业创新产出的同群效应，结果同群企业创新产出系数的方向和显著性与基准回归一致限于篇幅原因，稳健性检验结果未做报告，如有需要可向作者索取。。

2其他替代解释。Manski（1993）［23］认为，同群效应属于一种内生性影响，为进一步准确识别同群效应，需要将它与外生效应、关联效应区分开来，并还要考虑到反射性问题。

（1）外生效应。外生效应是指个体行为所受到群体的其他外部特征的影响，也称作情景影响，即同群企业的财务特征、公司规模、所有权性质等，可能会直接影响到目标企业的创新行为。基准模型只控制了目标企业自身的特征，这里进一步控制同群企业的相应特征的均值来控制情景影响。结果发现，在控制外生效应后，地理和行业同群效应依然显著。

（2）关联效应。首先，关联效应来自于个体对与自身特征相似群体的偏好，即企业可能本身拥有着较强的创新能力，从而“物以类聚”，那些创新能力较强的企业自然便成为了其同群企业，基准回归中已通过控制研发投入和企业规模在一定程度上控制了创新能力，这里进一步加入企业个体固定效应，结果显示地理和行业同群效应依然显著。其次，关联效应还来自于混淆问题，即创新型企业可能会聚集在具有吸引力的地域（如具有领先的研究型大学、人才和资金优势的地区）和行业（如高科技行业），这种情况下，共同的创新趋势可能不是来自于同群效应，而只是来自当地或所在行业的特点。作为补充性检验，这里分别加入地区特征变量（包括地区经济开放度、城镇化水平、经济发展水平和地方财政科学支出占比）和行业特征变量（是否为高科技行业和行业竞争程度）。结果显示，在控制关联效应后，结果与基准回归一致。

（3）反射性问题。反射性问题是指企业在受到其同群企业创新影响的同时，其本身的行为也影响同群企业的创新，也就是存在互为因果关系。为解决反射性问题，本文参照刘柏和王一博（2019）［24］，剔除规模巨大的“明星”企业来解决，以避免出现这些企业引领或带动同群企业创新的情况。结果表明，在剔除了“明星”企业后，地理和行业同群效应依然存在。

3空间计量分析。相比线性均值模型，使用拟极大似然估计法（QMLE）的空间计量模型采用正交转换，来解决由误差项自相关产生的方差估计量不一致问题，能更好地识别空间互动。为进一步解决上述Manski（1993）［23］提出的样本关联性问题，使用静态和动态空间杜宾模型来识别企业创新同群效应，模型设定如下：

Yt=γYt-1+ρWYt+μWYt-1+β1Xt+β2WXt+vt+λj+μk+εt（4）

其中，二维空间权重矩阵W分别根据讨论的需要，基于地理、行业特征分别构建。对于地理二维矩阵，如果两个企业在t期处于同一个省份，则对应的矩阵元素赋值为1，否则为0；对于行业二维矩阵，如果兩个企业在t期位于同一行业，则对应的矩阵元素赋值为1，否则为0。其他变量定义不变。SymbolgA@

为被解释变量的滞后效应，ρ为同期同群企业之间创新产出的溢出效应，μ为上一期同群企业创新产出产生的空间溢出效应，β1衡量企业其他特征控制变量对创新产出的影响，β2衡量同群企业特征变量对目标企业创新产出的影响。当γ=μ=0时，模型（4）为静态空间杜宾模型，反之则为动态空间杜宾模型。

从使用截面数据构造的莫兰指数来看，企业创新的地理和行业空间关联存在且显著，静态空间杜宾模型估计结果显示，当期同省份和同行业企业创新对目标企业的溢出效应均正且显著；动态空间杜宾模型还控制了上一期目标企业的创新产出以及上一期同群企业创新对目标企业当期创新的溢出效应，结果显示当期同省份企业间的同群效应不再显著，结合地理同群定义下的偏小的全局莫兰指数来看，可能是因为地理同群企业创新产出对目标企业的影响相比企业研发惯性对企业创新的影响较小，因此在控制目标企业上一期的创新产出后，同群效应的系数不再显著。

（三）创新质量的同群效应

企业的专利创新产出中，发明专利关乎企业的核心技术，其技术信息的分析和模仿难度相对较大，研發流程也相对漫长并独立于其他企业，而实用新型专利和外观设计专利更易为竞争者所分析和了解，并且研发流程较短，往往在企业之间容易形成一时的潮流趋势，所以同群企业之间的相互影响可能相对较强。相比发明专利，实用新型和外观设计专利的创新含量和授权门槛较低，在获取同群企业的创新信息后，企业更易学习、也更有激励通过增加门槛较低的专利申请数量以营造利好消息［25］。考虑到企业这种策略性创新行为，作为对创新数量同群效应的补充检验，这里使用发明专利数（加1取自然对数）及其占比（占获得专利总数的比例）衡量创新质量（Y_quality），检验创新质量的同群效应。表4结果显示，在两种同群定义下，创新质量的同群效应均存在，说明同行业和地区企业的高质量创新活动，对目标企业的创新质量有正向促进作用，企业的策略性专利行为较少，同群效应对企业创新的影响偏向长期性，而非一种盲目的跟从。

五、同群效应的作用机制

（一）信息传递机制

为验证信息传递机制，本文参照李秋梅和梁权熙（2020）［26］的方法，使用同群企业股价同步性均值（Synch_R2[TX-]）来捕捉企业面临的外部信息环境。因为，股价同步性代表了融入股价的信息量，较高的股价同步性往往代表了较低的个股信息含量，说明企业面临的信息环境较差，有更强的动机通过参考同群企业的创新行为来弥补信息环境上的劣势。如果信息传递机制成立的话，由于同群企业释放的市场信息能够激励目标企业创新，那么可以预期，在较差的信息环境中，企业的创新同群效应会更为显著。因此，使用同群效应强度（Peer_effect）对同群企业股价同步性均值进行回归，预期其系数为负。表5列（1）、（2）的回归结果符合预期，行业同群效应的信息传递机制显著，部分印证了假设H2，当同行业企业的股价同步性高即外部信息环境较差时，同行业企业的创新行为可以较好地释放出创新利好信号，从而减少目标企业的创新不确定性风险，促进其创新决策。但是地理同群效应的信息传递机制并不显著，这可能是由于相比按行业的划分，从地理区域上看，企业产品、经营业务之间存在差异的可能性较大，因此同群企业之间传递的信息的价值可能会有所折扣，地理同群企业之间的互动可能更多依赖于另一条机制。

（二）知识溢出机制

由于员工之间通过交流讨论的知识溢出难以直接捕捉，且考虑到知识溢出的强度在能够更快交流学习的员工中更大，本文参照Matray（2020）［27］，使用企业人力资本（Employee_edu）作为企业知识溢出的吸收能力的间接代理，来检验同群效应的知识溢出机制。吸收能力即企业将新知识纳入企业知识库之中，并能加以有效利用的能力，现有研究多使用研发支出强度或人力资本来衡量吸收能力，但是，由于研发支出强度更多体现知识的创造能力，且作为企业已有技术水平的衡量指标已在基准回归中控制，这里最终选择企业的人力资本来度量吸收能力。使用人力资本还需要考虑外向知识溢出的问题，但由于外向的溢出效应总体上会弱于内向的吸收能力效应，已有知识向外的溢出对创新的不利影响与吸收外部新知识带来的有利影响相比应当小一些。正如同群企业的创新行为对目标企业创新的影响也是有正反两方面，在当前中国情境下，这一影响还是以激励和促进为主。所以，如果知识溢出机制成立的话，可以预期，拥有更高人力资本水平的目标企业吸收同群企业知识溢出的能力更强，创新同群效应会更为显著。类似地，使用同群效应强度（Peer_effect）对企业人力资本进行回归，预期人力资本系数为负。表5列（3）、（4）的回归结果符合预期，地理同群和行业同群的知识溢出机制均成立，对于人力资本水平更高、学习能力更强的企业，吸收本行业或本地区先行者打好的知识基础的速度更快，资源、知识、想法的整合效率更高，因此体现出更强的地理和行业创新同群效应，由此印证了假设H2。

六、多维关系网络对企业创新同群效应的影响

（一）企业互联网融入程度与同群效应

良好的互联网环境可以降低企业的信息搜寻成本，也作为一种打破时空限制的新型沟通方式，可以巩固企业之间的互动关系，从而增强原有同群效应的强度。本文从供给和需求的双重视角来衡量企业的互联网融入程度，并引入互联网融入程度和同群企业创新平均水平的交互项检验调节效应。

高层互联网关注（Internet_focus）从供给视角反映企业互联网融入程度，其构造依据上市公司年报管理层讨论与分析章节中与互联网相关词汇的词频。管理层讨论与分析章节是管理层对企业未来经营发展的事前规划，以及对行业发展趋势和特有风险进行的独立分析与预测判断，具有较高的信息含量。变量的具体构造方式如下：第一步，框定互联网有关词汇，借鉴以往研究中使用过的“互联网+”相关词源，在文构财经文本数据平台通过深度学习相似词工具生成这些关键词的相似词，最终确定本文的互联网关键词关键词包括互联网、Internet、物联网、人工智能、大数据、电子商务、线上线下、O2O、B2B、C2C、B2C、C2B和P2P等，以及商业智能、数据平台、数据中心、网络技术、信息技术、信息服务等。；第二步，使用文构中国上市公司文本数据库词频子库进行关键词搜索，得到关键词出现的频率；第三步，根据关键词是否出现对企业互联网程度进行赋值，如果有任何一个被至少提及过一次，则说明高层对互联网具有一定关注度，对高层互联网关注指标赋值为1，否则为0。

受网络关注度（Internet_search）从社会对企业的需求的视角反映企业互联网融入程度，使用CNRDS数据库中的网络搜索指数数据库（WSVI）里的网络搜索指数来衡量，该指数是以百度平台上各种网络搜索数据为基础，综合新闻舆情等信息计算得到的综合搜索指数，可反映网民情绪、公司搜索热度等。本文对该指数进行标准化处理，最终构造出受网络关注度指标。

表6列（1）、（2）的回归结果显示，企业高层互联网关注与地理、行业同群企业的创新平均水平的交互项均为正，说明在同群企业创新水平一定的情况下，目标企业在信息化网络中的供给水平越高，同群企业创新对目标企业创新的影响就越大；列（3）、（4）的回归结果显示，企业受网络关注度与地理、行业同群企业的创新平均水平的交互项均为正，说明在同群企业创新水平一定的情况下，企业在信息化网络中的需求水平越高，那么同群企业创新对目标企业创新的影响就越大。这验证了假设H3，说明互联网通过降低信息搜寻成本、提高沟通效率，增进了企业间的信息传递和学习溢出，对同群效应起到正向调节作用。从回归结果还可以看出，高层互联网关注和受网络关注度的系数为负或者不显著，该系数衡量的是企业互联网融入程度对企业创新的直接效应，从系数数值上来看，企业互联网融入程度的直接效应相比其通过同群效应对企业创新产生的间接正向效应更小，如果将直接效应与间接效应加总起来，可以发现，企业互联网融入程度对企业创新产出的总体影响为正，证明了信息化网络对企业创新的促进作用。

（二）企业高管校友网络与同群效应

由企业高管间的校友关联而构成的社会关系网络，也可能会通过增进企业人才信息分享的信任感和专业知识的可读性，而强化创新同群效应。因此，相比没有高管校友关联的企业，具有高管校友关联的目标企业，其地理、行业同群企业的创新对自身创新行为的影响可能更大。

首先将基准回归的数据集与企业高层人员的学术背景信息数据集进行匹配、合并，最终得到8946个企业—年份样本，其中有4528个企业样本和其他企业之间存在高管校友关联，然后按同群企业和目标企业是否有校友关联将样本区分为四组，来甄别校友关联网络对同群效应的强化作用。

回归结果如表7所示。列（1）、（2）的样本分别为同省份且有校友关联的企业、同省份但无校友关联的企业，无论从系数还是显著性都可以看出，有校友关联的地理同群企业创新产出对目标企业创新产出的正向影响更强。行业同群的比较结果类似，列（3）、（4）的样本分别为同行业且有校友关联的企业、同行业但无校友关联的企业，同行业同群企业平均创新产出的系数均显著为正，且从系数大小来看列（3）远超过列（4），表明在有校友关联时，创新的行业同群效应更强。上述回归结果验证了假设H4，说明“地理+校友”或“行业+校友”的多维关联相比原有的单维关联，使得企业创新之间有更强的互动。具有校友关联企业的创新不仅本身会影响到目标企业的创新，还会通过增强原有地理和行业同群的效果来间接地激励目标企业创新。

七、结论与政策建议

本文使用2009—2018年沪深两市A股上市公司样本，检验企业创新同群效应在地理、行业同群关联下的存在性以及其作用机制，并进一步探讨了在不同企业互联网融入程度和有无高管校友联结情形下同群效应强度的差异，得出如下基本结论：

（1）從创新数量上来看，企业创新存在显著的地理同群效应、行业同群效应，同群企业创新会激励目标企业创新。这一结论在克服外生效应、关联效应、反射性问题，考虑专利授权的滞后性，以及使用空间计量估计后依然稳健。从创新质量上来看，企业创新也存在显著的同群效应，同群企业的创新模仿中，策略性创新行为较少，同群效应对企业创新的影响偏向长期性，而非一种盲目的跟从。

（2）同群效应作用的机理主要是企业间的信息传递和知识溢出。目标企业通过信息学习方式，从同群企业创新中捕捉创新信息，减轻环境不确定性压力，模仿同群企业创新。同时，同行业、同地区企业的创新为后行者积淀了创新知识基础和创新实践经验，促进后行者进行创新。

（3）除了地理关系网络和行业关系网络，在信息化网络中，企业的互联网融入程度对同群效应起正向调节作用。互联网通过降低企业信息搜寻成本，改进企业跨地域沟通方式和效率，可以巩固企业之间的互动关系，进一步增进企业间信息传递和学习溢出，从而增强原有的同群效应。

（4）企业高管间的校友关联作为另一种关系网络，也会带来正向的创新同群效应，通过增进企业信息分享的信任感和专业知识的可读性，来促进创新信息传递和创新知识学习。校友关联网络对创新的地理和行业同群效应具有显著的正向影响，在有校友关联的企业之间，相较于没有校友关联的企业之间，地理和行业同群效应均更大。

基于上述结论，提出如下政策建议：（1）在提升自身研发强度的同时，应特别重视企业创新之间的关联与互动。通过在各个创新领域充分发挥标杆企业的示范带动作用，充分利用信息传递机制和知识溢出机制的激励，促进同地区、同行业企业间的交流和学习，从而激励更多企业进行高效率和高质量的创新。（2）积极引导企业利用并构建良性竞争的创新关系网络。除了利用传统的地理网络和行业网络效应，也应当充分利用互联网的信息优势和沟通便捷性，为企业开放式学习创新知识提供更丰富的学习资源和更广泛的学习对象，从而降低企业对所处环境的不确定性感知，更好地做出创新决策；同时，也重视高校校友关联企业的创新为校友企业家提供的创新激励和智力支持，通过如科技学术会议、校友返校交流等形式，搭建有利于校友企业之间互动的创新平台。

参考文献：

［1］ 李姝，杜亚光，张晓哲.同行MD&A语调对企业创新投资的溢出效应［J］.中国工业经济，2021（3）：137-155.

［2］ Lieberman M.B， Asaba S. Why do Firms Imitate Each Other？［J］. Academy of Management Review， 2006， 31（2）： 366-385.

［3］ 叶江峰，陈珊，郝斌.知识搜寻如何影响企业创新绩效？——研究述评与展望［J］.外国经济与管理，2020，42（3）：17-34.

［4］ 刘静，王克敏.同群效应与公司研发——来自中国的证据［J］.经济理论与经济管理， 2018（1）：21-32.

［5］ 彭镇，连玉君，戴亦一.企业创新激励：来自同群效应的解释［J］.科研管理，2020（4）：45-53.

［6］ 王文娜，刘戒骄，张祝恺.研发互联网化、融资约束与制造业企业技术创新［J］.经济管理，2020，42（9）：127-143.

［7］ 陈小辉，张红伟.数字经济如何影响企业风险承担水平［J］.经济管理，2021，43（5）：93-108.

［8］ Faleye O， Kovacs T， Venkateswaran A. Do Better-Connected CEOs Innovate More［J］.Journal of Financial and Quantitative Analysis，2014，49（5-6）：1201-1225.

［9］ 万良勇，梁婵娟，饶静.上市公司并购决策的行业同群效应研究［J］.南开管理评论，2016，19（3）：40-50.

［10］Bloom N， Schankerman M， Reenen J.V. Identifying Technology Spillovers and Product Market Rivalry［J］. Econometrica， 2013，81（4）： 1347-1393.

［11］何玉润，林慧婷，王茂林.产品市场竞争、高管激励与企业创新——基于中国上市公司的经验证据［J］.财贸经济，2015（2）：125-135.

［12］Aghion P， Bloom N， Griffith R， et al. Competition and Innovation： An Inverted U Relationship［J］.Quarterly Journal of Economics， 2005， 120（2）：701-728.

［13］Guellec D， Paunov C. Digital Innovation and the Distribution of Income［R］. NBER Working Papers， 2017， No. w23987.

［14］冯戈坚，王建琼.企业创新活动的社会网络同群效应［J］.管理学报，2019，16（12）：1809-1819.

［15］李志生，苏诚，李好，等.企业过度负债的地区同群效应［J］.金融研究，2018（9）：74-90.

［16］Kong D， Lin C， Wei L， et al. Information Accessibility and Corporate Innovation［J］. SSRN Electronic Journal， 2018.

［17］胡馨月，宋学印，陈晓华.不确定性、互联网与出口持续时间［J］.国际贸易问题，2021（4）：62-77.

［18］张玉明，李荣，王欣. 小微企业互联网环境与企业家社会资本对技术创新的影响研究［J］. 管理学报，2018，15（2）：230-236，292.

［19］王会娟，余梦霞，张路，等.校友关系与企业创新——基于PE管理人和高管的关系视角［J］.会计研究，2020（3）：78-94.

［20］Guan Y， Su L， Wu D， et al. Do School Ties between Auditors and Client Executives Influence Audit Outcomes？［J］.Journal of Accounting & Economics，2016，61（2-3）：506-525.

［21］Adhikari B.K， Agrawal A. Peer Influence on Payout Policies［J］.Journal of Corporate Finance，2018，48：615-637.

［22］江新峰，張敦力.官员激励、产业政策执行与产能过剩——基于企业投资同群效应的分析［J］.现代财经，2018，38（7）：88-102.

［23］Manski C.F. Identification of Endogenous Social Effects： The Reflection Problem［J］.The Review of Economic Studies，1993（3）：531-542.

［24］刘柏，王一博.远亲与近邻：企业投资“同伴效应”的异质性研究［J］.山东大学学报（哲学社会科学版），2019（6）：101-113.

［25］谭小芬，钱佳琪.资本市场压力与企业策略性专利行为：卖空机制的视角［J］.中国工业经济，2020（5）：156-173.

［26］李秋梅，梁权熙.企业“脱实向虚”如何传染？——基于同群效应的视角［J］.财经研究，2020（8）：140-155.

［27］Matray A. The Local Innovation Spillovers of Listed Firms［J］. SSRN Electronic Journal， 2020.

Peer Effect of Firm Innovation in Multidimensional Relationship Network

XIAO Li-ping1， LIU Dian-yi2

（1.Wuhan University，Center for Economic Development Research/Economics and Management School，Wuhan

430072，China；2. Shenzhen Branch， Industrial and Commercial Bank of China， Shenzhen 518041， China）

Abstract： Firms in multidimensional relationship network will observe innovation activities of peer firms when they engage in technological innovation， and the connection of relationship network will strengthen this correlation effect. Using the data of Chinese listed firms， this paper discusses the effects of internet network and social network of executive alumni connection on the intensity of peer effects， and deepens the research on the mechanism of peer effect from the perspective of information transmission and knowledge diffusion. The results show that： the quantity and quality of innovation of target firms are positively affected by the innovation of peer firms in same region or same industry. The mechanism behind this is mainly information transmission between firms under the uncertainty of external information， and mutual knowledge spillover between related firms. In addition， in the information network， the higher the degree of internet integration of firms， the stronger the innovation peer effect is; in the social network， compared with peer firms without executive alumni association， peer firms with alumni association have a stronger impact on firms innovation.

Key words： peer effect; firm innovation; relation network; internet; executive alumni connection

（責任编辑：赵春江）