智能制造、内部控制、高管薪酬与企业创新持续性
2024-02-22叶红雨
叶红雨 袁 娇
(上海理工大学管理学院 上海 200093)
一、引言
当前,我国经济已进入高质量发展阶段,原有的经济结构、发展方式和增长动力等迫切需要转型升级。同时,全球竞争加剧,外部环境瞬息万变,企业要保持领先不能只靠一次或一个阶段的成功创新[1],必须重视、提高并保持创新持续性。随着智能制造和工业4.0 的提出,物联网、人工智能、大数据等技术的应用推动制造业向智能化、自动化、数字化方向发展,智能制造被认为是现阶段赋能实体企业、提高经济发展质量的关键[2]。为助力智能制造的发展,我国在政策和实践上“双管齐下”。政策上,工信部为实现2035 远景目标、加快推动数字化转型、拓宽智能制造行业应用范围,编制了《“十四五” 智能制造发展规划》[3]。实践上,从2015 年开始,工信部每年评选一批智能制造示范工厂作为行业发展引领者,至2018 年总共评选出305 个示范工厂,涵盖了92 个行业[4]。随着试点项目的不断推广,智能制造为我国经济高质量发展实现了有效赋能。与此同时,智能制造能否促进制造业企业创新持续性的提升?为应对企业创新的高度不确定性,内部控制又能发挥怎样的作用?作为企业创新的重要决策者,高管在创新活动中发挥着不可替代的作用,那么,高管薪酬又会产生怎样的影响?本文拟针对上述问题展开研究。
关于智能制造的效果,已有文献主要集中在两个层面。一是宏观层面。章潇萌和刘相波[5]认为,智能化生产能提高产出率并降低失业率,有利于经济增长。李金华[6]指出,目前我国智能制造水平总体来说还不够高,成熟度还有待提升;智能制造和经济的发达程度存在相关性。二是微观层面。张树山等[7]发现,智能制造通过影响企业创新投入显著提高企业绩效;试点政策具有行业内溢出效应。丁焕峰等[8]认为,工业智能化对制造业企业创新的影响整体上表现为促进作用,且通过与要素配置结构、劳动力技能结构形成循环累积因果效应作用于企业创新。赵烁[9]、尹洪英和李闯[2]从优化企业创新结构和提高企业创新质量两个方面阐述了智能制造的影响,并发现这一影响在劳动力密集度高、低技能劳动力占比高行业以及民营企业中表现更为明显。谷城和张树山[10]以及刘晓静等[11]发现,智能制造通过缓解融资约束驱动企业绿色创新行为,进而提升企业ESG 表现。温湖炜和钟启明[12]以及黄键斌等[13]认为,智能化程度和服务创新存在很强的正相关性,企业可通过二者深度融合而向价值链下游升级,进而有效提升全要素生产率。
关于企业创新持续性影响因素的研究较少,且主要集中在政府补贴[14]、经济政策不确定性[15]、高管认知[16]、技术多元化[17]和金融化[18]等方面。尽管有学者关注到智能制造对企业创新的影响,但鲜有研究智能制造对企业创新持续性的影响。同时,相较于其他经营活动,企业创新通常会经历较长的周期且具有明显的不确定性,使得不同利益相关者对企业创新意见分歧更大,再加上委托代理等问题的存在,制约了企业创新活动的开展[19]。内部控制作为一种内部治理机制,能有效解决组织内部的矛盾冲突,高质量的内部控制可以有效协调各层级、各部门的工作,使创新活动能够有条不紊而非被动进行[20],这为企业创新持续性提供了过程性保障。与此同时,智能制造是企业实现转型升级的有效途径,可以通过完善内部控制从而提升企业的持续创新能力,因此,引入内部控制可以更好地揭示智能制造作用于制造业企业创新持续性的机理。此外,合理的薪酬体系可以缓解委托代理目标不一致的矛盾,降低管理者风险厌恶,从而做出对企业有利的创新决策[21],即高管薪酬会影响管理者战略决策中的权衡行为[22]。
本文拟以中国智能制造示范项目推广为准自然事件,利用双重差分模型研究智能制造对企业创新持续性的影响效应,并进一步探索其作用机理。本文可能的贡献如下:(1)在研究内容上,本文从微观层面对智能制造作用于创新持续性进行研究,在拓展已有研究的基础上也为企业实践提供借鉴。(2)在研究视角上,本文从内部控制这一中介视角切入,进一步探索智能制造对企业创新持续性的内在作用机理,并分析高管薪酬在此过程中的情境化作用。
二、理论分析与研究假设
(一) 智能制造与企业创新持续性
企业创新持续性是指企业现在的创新活动会使企业未来的创新行为长期保持下去。面对瞬息万变的市场需求和复杂的外部环境,企业要形成并维持竞争优势,就必须不断地进行技术创新[17]。随着创新活动不断深入,企业接触到的知识和技术越来越复杂多样,仅依赖一家企业或一项技术已无法满足需求,为此,企业必须进行跨领域搜寻[23]。与传统制造模式不同,智能制造是一种以先进的信息技术和机械技术为核心,贯穿于设计、生产、管理、销售、服务等产品全生命周期,通过自动化、数字化和智能化等方式实现生产过程高效、安全和可持续发展的新型制造模式[7]。
数字化是智能制造的重要表现,可以通过建立数字化模型为企业技术创新提供便利[24],即通过实时监测生产过程中的各种数据,促进人力、物力、信息等创新资源合理优化地使用,实现企业内资源的共享和协同。此外,智能制造使企业能更系统地整合从外部获得的新知识、新技术并经过新旧融合转化为自身可使用的独特资源,为持续创新奠定基础[25]。相较之下,“多技术”型企业具有较强的知识协作能力,能够更好地在合作伙伴之间实现知识共享、转移和创造,有效提升产品的设计与生产效率,使创新管理智能化,从而推动企业不断创新。综上,本文提出如下研究假设:
H1:智能制造能提升企业创新持续性。
(二) 内部控制的中介作用
《企业内部控制基本规范》将内部控制定义为“是由企业董事会、监事会、经理层和全体员工实施的、旨在实现控制目标的过程”,其目标是合理保证企业经营管理合法合规、资产安全、财务报告及相关信息真实完整,提高经营效率和效果,促进企业实现发展战略。美国审计准则委员会(ASB)指出,内部控制是在一定的环境下,单位为了提高经营效率、充分有效地获得和使用各种资源,达到既定管理目标,而在单位内部实施的各种制约和调节的组织、计划、程序和方法。“内部控制促进论”认为较高质量的内部控制会促进企业的技术创新、创新效率和价值创造能力[26]。在研发的投入和产出过程中,内部控制可以通过减少内部代理成本和预防风险两条途径提高创新绩效,并加强创新信息的传递[20]。良好的内控环境能够促进企业组织结构不断优化,形成透明、高效和规范的管理环境,一定程度上缓解委托代理问题[19]。此外,内部控制在决策优化和文化建设等方面的优势,使企业能够更加稳健地推进创新活动,确保创新的可持续性。
实施智能制造可缓解企业内外部矛盾,提高决策效率、生产效率和产品质量,促进企业与供应商和客户的协同,推动企业内部控制的数字化和智能化,从而对企业创新持续性产生深远影响[10]。首先,智能制造通过数字化平台实现了企业内部信息流的透明和高效,从而提高了内部控制的效率和准确性。其次,大数据使企业能更精准地把握市场需求,降低研发过程中的不确定性,加大管理者持续进行创新投入的可能性[2]。最后,智能制造实现了生产过程的自动化和智能化,可以减少人工干预和错误,规范管理者行为,防止机会主义,从而提高创新决策的科学性及合理性。综上,智能制造能直接提升企业创新持续性,也能通过内部控制这一中介促进创新持续性提升,据此本文提出如下研究假设:
H2:内部控制在智能制造与企业创新持续性之间起部分中介作用。
(三) 高管薪酬的调节作用
管理者在研发决策时会受到重要组织或个人的影响,不同背景的管理者持有不同的创新投资观点[27]。此外,科学合理的薪酬标准也是组织内部控制环境的重要内容。徐光伟和刘星[28]研究发现,高管货币薪酬水平越高,企业投资水平越低。王建华等[29]研究发现,高管薪酬对企业技术创新的影响存在过度激励。徐芳和程克群[30]对前三名高管薪酬总额取对数研究发现,高管薪酬激励对企业创新持续性具有显著的负向影响;薪酬在解决代理问题的实际运用中其效果不一定立竿见影,一旦双方利益出现冲突,为防止公司正常业绩和持续经营受损,管理层会放弃激进的决策比如创新,从而使高管逐渐丧失持续创新的动力。综上,本文提出如下研究假设:
H3:高管薪酬在内部控制和创新持续性之间起负向调节作用。
三、研究设计
(一) 样本选取与数据来源
本文选择2013—2022 年我国A 股上市制造业企业为样本,在样本期内剔除了 ST、* ST 和非完整统计变量。根据工信部发布的试点项目名单,本文对已开展智能制造的企业进行了认定,最后保留19668 个可观察数据。本文所用财务数据来自国泰安数据库(CSMAR),内部控制指数数据来自迪博数据库(DIB)。同时,本文分别在1%、99%的分位数下对所有的连续变量做了缩尾处理,以消除极值对估计的影响。所有数据均在Excel 与Stata14.0 中进行处理。
(二) 变量定义与说明
1. 被解释变量
国内学者普遍认同创新持续性是指目前进行的技术创新活动和成果能够为企业未来一段时间的创新提供支持并使其长期持续[15]。创新持续性并不只是体现为研发方面的投入,还要将企业的人力资源、机器设备的更新改造、新技术的引进吸收消化和创新等方面的资金投入考虑在内[31]。因此,本文借鉴鞠晓生等[32]的做法,采用无形资产增量与总资产的比值来度量企业的创新持续性。
2. 解释变量
本文的解释变量为智能制造,用DID 虚拟变量(Policy)表征。企业在被认定试点的那一年即被认为已实施智能制造,Policy 变量从认定年开始取值均为1,否则为0。此外,针对存在同一企业在不同年份重复入选现象,本文从企业首次入选开始赋值。
3. 中介变量
关于内部控制的衡量,现有文献使用最多的是迪博内部控制指数。该指标考虑了内部控制目标、经营环境、战略执行及内部治理等多个方面,具有很高的权威性,能客观评价一个企业的内部控制情况。本文参考许瑜和冯均科[33]的研究,选择迪博内部控制指数/100 作为内部控制的度量方式。
4. 调节变量
本文选择高管薪酬作为调节变量,用前3 名高管薪酬总额的自然对数表示。
5. 控制变量
本文在选择控制变量时参考了余芬和樊霞[16]的研究,具体变量如表1 所示。
表 1 变量描述
(三) 模型设计
1. 直接效应检验
本文将智能制造试点示范项目作为政策冲击,利用DID 考察智能制造与企业创新持续性的因果关系,为此,本文建立渐进式双重差分模型如下:
式(1)中,i、t分别代表样本企业与年份;SRD 为被解释变量,即企业创新持续性;Policy 是政策虚拟变量,表示外生冲击;Controls 表示控制变量;Firm 是个体固定效应;Year 是年份固定效应;ε表示随机扰动项。本文的回归结果对回归系数标准误进行了企业层面的聚类处理。
2. 有调节的中介效应检验
为检验内部控制的中介效应以及高管薪酬的调节效应,本文借鉴温忠麟等[34-35]提出的有调节的中介模型的层次检验程序,构建如下回归模型:
式(2)至式(5)中,Ic 为内部控制;Salary 是高管薪酬,Ic*Salary 表示内部控制与高管薪酬的交互项。其余变量与上文解释相同。
四、实证分析
(一) 描述性统计
表2 为描述性统计结果。表2 显示,我国制造业上市公司的创新持续性(SRD)平均水平为0.004,最小值为-0.038,最大值为0.073,说明总体状况并不理想,其中中位数为-0.000,表明创新持续性未能达到均值水平的企业超过50%;内部控制均值(Ic)为6.165,标准差为1.579 大于1,说明我国制造业上市公司内部控制水平差距较大;高管薪酬(Salary)的标准差为0.703,表明上市公司高管薪酬存在较大差距。
表 2 描述性统计
(二) 平行趋势检验
平行趋势检验是进行双重差分分析的基本前提,本文参考Beck 等[36]和张杰、付奎[37]的“事件分析法”思路进行检验,构建如下动态模型:
式中,δt为本文关注的估计系数,表示智能制造试点政策施行前的四年以及实施后的三年的政策虚拟变量估计值,以此判定控制组和处理组的趋势变化是否有显著差别;δ为常数项,μ为控制变量的系数。为更直观地验证双重差分模型与平行趋势假设的一致性,本文通过图示法对智能制造试点项目实施前后企业创新持续性的变化情况进行对比分析,并绘制出相应的系数δt及其95%的置信区间(如图1 所示)。
图 1 平行趋势检验
由图1 可知,在智能制造实施前,政策效应在试点企业与非试点企业中具有相同的发展趋势,而在企业被评选为示范项目即被认定为实施智能制造后,对照组与处理组之间的差异不断变大。综上,平行趋势检验通过,可继续下一步研究,即采用DID 评估智能制造对企业创新持续性的影响。
(三) 多元回归分析
1. 基准回归
表3 第(1)、(2)列为智能制造试点政策对企业创新持续性影响效应的回归结果,两列都控制了个体和时间固定效应,区别在于是否加入控制变量。表3 显示,在两种情形下,Policy 的回归系数分别在 1% 和5%的置信水平下显著为正,说明智能制造试点政策提升了制造业企业的创新持续性,假设1 得以验证。
表 3 基准回归以及分组回归结果
2. 分组回归
为进一步研究不同所有制类型下智能制造试点政策的执行效应是否存在差异,本文按企业国有和非国有对样本进行分组回归,结果如表3 第(3)、(4)列所示。表3 显示,国有制造企业对Policy 变量的回归系数不明显,而非国有制造企业在10%的置信度下具有0.002 的显著性。本文据此认为,智能制造试点对非国有制造企业的转型升级起到了积极推动作用,而对国有制造企业的推动作用不明显。
3. 有调节的中介效应检验
表4 为内部控制的中介效应和高管薪酬的调节效应回归结果。其中,第(1)至(3)列为内部控制的中介效应检验结果。表4 显示,λ1和β1均在5%的水平下显著,分别为0.002 和0.180,说明智能制造对制造业企业的内部控制有积极作用。且η3也显著为正,说明内部控制存在部分中介作用,即智能制造通过提升企业内部控制水平从而提升企业创新持续性,假设2 得以验证。第(4)列报告了高管薪酬的调节效应检验结果,由于内部控制与高管薪酬的交互项对企业创新持续性的回归系数显著为负,与Ic 变量的回归系数符号相反,假设3 得以验证,即高管薪酬在内部控制和创新持续性之间起负向调节作用。
表 4 中介效应及调节效应回归结果
(四) 稳健性检验
1. 时间安慰剂检验
为确保研究结果的稳健性,排除外界偶然因素对结论的干扰,本文首先进行时间安慰剂检验,其逻辑如下:如果实施智能制造促进了企业创新持续性,那么回归时人为改变政策实施时间,如把企业入选时间提前两年(记为Policy-2),原有的结果将发生改变且不支持本文假设。检验结果见表5 第(1)列,由于Policy-2 的系数并不显著,证明智能制造影响企业创新持续性的结果是稳健的。
表 5 稳健性检验
2. PSM-DID 模型
尽管双重差分法能分离出智能制造试点的平均处理效应,但由于这不是一个严格的自然试验,因此,本文拟采用多时点PSM-DID 模型进行稳健性检验。本文借鉴白俊红等[38]的做法构造截面PSM 和逐年PSM。本文采用1:2 卡尺最近邻匹配对每一组别样本进行筛选和配对,过程中有放回,运用多时点DID 方法重新估计智能制造试点政策对企业创新持续性的影响效应。匹配后再次进行回归,估计结果见表5 第(2)列和第(3)列。由于解释变量Policy 的系数为正且显著,与基准回归无显著差异,说明智能制造对企业持续创新具有积极作用的结果稳健。
3. 个体安慰剂检验
本文采用随机抽取处理组来检验回归结果的稳健性,即试点企业也通过随机方式产生,并依据基准模型重复抽样500 次进行回归模拟。 图2 展示了随机抽样的回归估计结果,由图2 可知,政策的系数估计均值近似为0,且服从正态分布,与上文的基准回归系数 0.002 存在显著差异,这表明未观测到的随机因素未对企业创新持续性产生影响。
图 2 安慰剂检验
五、结论与建议
本文利用2013—2022 年我国制造业上市公司面板数据,采用多时期DID 方法,考察了智能制造对企业创新持续性的影响以及其中的产权属性异质性差异,在此基础上探讨了内部控制的中介效应以及高管薪酬的调节作用。研究表明:(1)智能制造能够提升制造业企业创新持续性;(2)智能制造能够正向提升非国有制造业企业创新持续性,对国有制造业企业尚未发挥出明显作用;(3)内部控制在智能制造与企业创新持续性之间起部分中介作用;(4)高管薪酬在内部控制与企业创新持续性之间起负向调节作用。
基于上述研究结论,本文提出如下几点建议:
第一,政府要进一步扩大智能制造试点和示范规模,逐步形成试点示范带动、行业共同发展的良好局面。政府相关部门应继续建立完善多系统、多层次的政策体系,做好工业智能化的顶层设计,为企业持续创新活动提供资金支持和政策激励,为制造业高质量发展营造一个有利的制度环境。另外,政府在制定激励和帮扶政策时,要注重审核流程的科学、完善、公平和严格,要针对不同企业进行细分与再规划,避免政策“一刀切”。此外,政府还应进一步优化智能制造实施过程中的监督评价机制,强化对企业的监督和管理。
第二,企业要充分发挥智能制造对创新持续性的推动作用。企业要综合运用内部研发和外部获取两种方式拓展多元化的知识技术基础,努力提高企业创新持续性。重点龙头企业要发挥示范引领效应,推广智能化成功转型的模式和经验;中小企业要聚焦生产制造模式转型,充分发挥主观能动性。国有企业要努力提升组织韧性和灵活性,努力提升专业化生产服务能力和内部控制水平,助推智能制造提升企业创新持续性。同时,制造业企业在智能化转型过程中要顺应新业态、新形势,深入贯彻企业可持续发展理念。
第三,在公司治理层面,要高度重视薪酬标准体系。充分考虑员工尤其是高层管理者在创新决策中与薪酬相关的心理变化,一方面要创新激励方式,实现激励方式的多重组合,另一方面,要将高管薪酬控制在合理范围内,确保高管决策有利于提升企业的创新持续性。