【《生命周期视角下出口对技术创新的实证分析案例》14000字（论文）】

生命周期视角下出口对技术创新的实证分析案例目录TOC\o"1-3"\h\u27519生命周期视角下出口对技术创新的实证分析案例 134981.1研究设计 281631.1.1实证模型构建 2163751.1.2样本选取及数据来源 3227071.1.3变量选取与定义 4276561.1.3企业生命周期划分方法 6261.2描述性统计和相关性分析 7260141.2.1全样本描述性统计分析 7276701.2.2生命周期视角下分样本描述性统计分析 879561.2.3生命周期阶段差异检验 9124451.2.4相关性检验 10172501.3实证分析 1182251.3.1生命周期视角下是否出口对创新的影响 11187351.3.2生命周期视角下出口规模对创新的影响 14217211.4稳健性检验 1639191.1.1更换PSM匹配方法 16127351.1.2更换生命周期划分方法 17221211.5异质性分析 19431.5.1基于所有制类型的异质性分析 19185851.5.2基于技术水平的异质性分析 20141751.6机制识别 2118621.6.1创新投入的中介效应 2196231.6.2出口学习的中介效应 22144701.7小结 23本章采用实证分析法，从定量的角度研究企业生命周期视角下出口业务对创新的影响。根据前文分析，企业出口对创新会产生一定作用，并且这种作用效果在企业处于不同生命周期阶段时具有不同的特征。为了进一步探讨和检验不同生命周期阶段时，出口业务对创新具有什么样的影响效应、这种影响对不同性质的企业来说有什么差异等问题，本章运用我国A股上市公司2008-2017年的年度面板数据，运用倾向性得分匹配法、固定效应模型、中介效应检验等方法，对相关问题进行实证分析。1.1研究设计1.1.1实证模型构建为分析企业生命周期视角下出口对创新的影响，本文建立多种实证模型检验是否出口和出口规模对创新的影响，并且进一步划分样本，分别研究不同生命周期下企业出口对技术创新的影响效应，分析生命周期对出口影响创新的调节作用。（1）是否出口对技术创新影响的实证模型本文首先验证企业出口行为对创新的影响，参考崔静波（2021）[24]等学者的研究，运用倾向得分匹配（PSM）方法控制出口行为和技术创新之间的自选择效应，检验是否出口对创新的影响效果。PSM方法的优势体现于控制出口的自选择效应，并且避免了由于主观设定实证模型所导致结果出现偏差。为了检测出口行为对企业创新的促进作用，如果直接把出口企业和非出口企业的创新成果进行对比是不准确的，这存在着创新能力强的企业才选择出口的可能性，所以应当比较出口企业选择出口和选择不出口的情况下创新能力的差异，见模型4-1。其中，Patit1表示企业i在t期时选择出口情况下的专利数量，Patit0表示企业i在t期时选择不出口情况下的专利数量，ExpitATT=EPatLogitp（2）出口规模对技术创新影响的实证模型为验证企业出口业务规模对技术创新的影响，参考康志勇（2011）[19]构建简约型固定效应模型，这种模型控制住了个体差异和时间与行业的影响，不依赖于特定理论和环境，可以直接有效地研究出口与技术创新的关系，固定效应模型如下：Patit=其中，Patit表示公司i在第t期的技术创新，包括专利申请总量（Patent）、发明专利（Patent1）、实用新型专利与外观专利之和（Patent2）；Exportit表示企业出口规模，Controlsit为控制变量；δt为时间固定效应，（3）中介效应模型为了研究出口对创新的影响机制，本文选取相关中介变量，检验中介效应在出口影响创新过程中发挥的作用。本文参考温忠麟等（2014）[53]学者的做法，建立以下递归方程：PatitMediatoritPatit其中，Mediatorit为中介变量，包括研发投入的对数形式（R&D）、有海外背景董监高人数的对数形式（Overs）。方程（4-4）的系数φ1考察出口对创新的总效应；方程（4-5）中的系数θ1考察出口对中介变量的影响效应；方程（4-6）中的系数φ1,衡量控制中间变量时出口对创新的直接效应，φ2,为中介变量对创新的影响。θ1.1.2样本选取及数据来源本文选取2008年至2017年期间A股上市公司年度面板数据进行实证研究。为了确保实证结果可靠，本文参照现有研究通行做法对样本进行以下处理：（1）剔除金融行业样本；（2）剔除主要解释变量和被解释变量存在缺失值的样本；（3）对连续变量在1%和99%水平上进行缩尾处理以避免异常值的影响。（4）对非比例型的连续变量做对数平滑处理。最终得到包括1828家上市公司的9121条年度观测值组成的非平衡面板数据。本文的海外业务收入数据和员工人数、成立日期等基本信息均来自万德（Wind）数据库，专利数据和现金流等财务数据来自国泰安（CSMAR）数据库。1.1.3变量选取与定义（1）创新变量现有文献从创新投入和创新产出两个方面衡量创新。一般用研发资金和技术人员数量衡量创新投入，但是企业的技术创新面临着较大的外部风险，创新投入不一定能够有效地转化为创新成果，采用研发投入等投入指标会忽略研发失败的部分，故从创新产出的角度考察的企业技术创新水平更具实际意义（李兵，2016）[49]。本文考虑到数据的可靠性和可获得性，采取企业的专利数量的对数形式来衡量企业当年的技术创新能力，这也是现有研究普遍使用的指标。进一步，对发明专利、实用新型专利和外观设计专利等不同类型专利建立变量。其中，发明专利的认定最为严格，更能代表企业的实质性创新，而实用新型专利和外观专利的认定标准相对较低，代表技术含量较低的低端创新（王小燕，2019）[54]。本文建立了包含专利申请变量（Patent）、发明专利申请量（Patent1）、实用和外观专利申请量（Patent2）的创新变量，均为自然对数形式，实用和外观专利申请量则以和的对数形式表示。（2）出口变量已有研究中，大部分出口变量选取二值虚拟变量、出口占比或出口规模。在研究出口行为对企业创新的影响时，选取二值虚拟变量；衡量出口规模对创新的影响时，参考王奇珍（2016）[25]等的研究，选取对数形式的海外业务收入来衡量。（3）协变量与控制变量。企业规模（Size）：用企业每年年末的员工人数的自然对数衡量（吴朝阳，2020）[28]。规模大的企业可能有更多资本投入创新活动，同时小规模企业也有可能具备更强的创新激励，企业规模与技术创新息息相关。企业年龄（Age）：用观测年份减去企业成立年份得到的差额取对数衡量，随着企业年龄的增长，企业可能为创新活动创造了更好的基础条件，也可能因为具有一定垄断力量而减少创新积极性。政府补助（Subsidy）：用政府补助金额的平滑对数衡量，政府一般对高新技术企业的扶持力度比较大，另一方面政府补助有利于企业展开创新活动。资本密集度（Capint）：用企业固定资产与员工人数之比的对数形式衡量，不同资本密集程度的企业对创新的要求不同，创新能力也会受到影响。盈利能力（ROA）：用企业总资产净利润率衡量。企业的盈利能力越强象征其竞争力越强，市场地位更高，其创新意识也会受影响。财务杠杆（Leverage）：用企业的资产负债率来衡量。企业的财务杠杆影响着偿债能力，从而决定企业的创新决策。发展能力（Develp）：用企业的净利润增长率表示。发展能力越强的企业可能具有更强的创新活力。股权集中度（Contl）：用公司第一大股东持股比例衡量。股权集中度越高可能不利于企业创新。中介传导变量为进一步探究企业出口业务对技术创新产出的传导路径，本文将参考一些已有文献加入中介变量进行深入分析。杨菁菁等（2020）[55]的研究发现企业出口会促进企业加大研发投入力度，从而提高技术创新能力，并检验了研发投入在此过程产生的中介作用。本文将据此设置研发投入变量作为中介变量，检验研发投入是否为企业出口对技术创新成果的影响路径之一。研发投入（R&D）：用企业研发投入的对数形式衡量。参考吴延兵等（2006）[56]的研究，企业高管行为对企业创新决策具有影响，而海归作为具有国际经历的重要人力资本，能够转移国际信息知识，从而对技术创新发挥重要作用。企业出口业务将促进更多企业高管参与国际项目，同时出口型企业也会吸引更多具有海外背景的人才，有助于董监高学习国外的先进经验，从而提高企业技术创新能力（庞立让，2016）[57]。本文选取海外背景董监高人数变量作为中介变量，检验其对出口影响创新的中介作用。海外背景董监高人数（Overs）：用具有海外留学或海外工作经历的董监高人数的对数形式表示。变量的具体定义见表1.1。表1.1变量定义类型变量名称符号变量定义被解释变量专利申请总量Patentln（专利权申请数量+1）发明专利Patent1ln（发明专利数量+1）实用和外观专利Patent2ln（实用新型专利+外观专利+1）解释变量是否出口Exp出口Exp=1；不出口Exp=0出口规模Exportln（海外业务收入+1）控制变量企业规模Sizeln（员工人数）企业年龄Ageln（当年年末—企业成立时间）政府补助Subsidyln（政府补助+1）资本密集度Capintln（总资产/员工总数）盈利能力ROA资产报酬率=净利润/总资产财务杠杆Lever资产负债率=负债/总资产发展能力Develp（本期净利润-上期净利润）/上期净利润股权集中度SH1第一大股东持股数/总股数中介变量研发投入R&Dln（研发投入+1）海外董监高人数Oversln（有海外背景的董监高人数+1）哑变量年份虚拟变量year按年份控制宏观经济影响行业虚拟变量industry按照证监会新标准控制行业影响1.1.3企业生命周期划分方法目前学术界对于企业生命周期的划分与度量方法比较丰富，学者对于划分方法和依据也提出了不同观点。综合已有研究成果来看，划分方法通常包括变量分析法、综合分析法和现金流组合法等。其中，变量分析法主要是运用单个指标作为划分依据。例如，李业（2000）[58]、姚益龙（2009）[59]等学者认为营业收入反映了企业将产品和服务转化为市场价值的能力，因此以销售额作为划分不同生命周期阶段的指标。综合分析法对指标选取的范围更广，李永峰、张明慧（2004）[60]首创地采用研发投入、无形资产等与企业创新相关的综合变量，建立二阶偏导数函数的划分方法。梁上坤、张宇、王彦超（2019）[39]采用销售收入增长率和留存收益率等多个变量的综合得分情况衡量企业生命周期。现金流量法由Dickinson（2006）[61]提出，他采用经营活动、投资活动、筹资活动等系列活动现金流指标，建立一种稳健的生命周期划分方法，并对不同阶段的现金流特征进行说明，研究发现企业处于不同阶段时资产周转率和利润率等具有较大差异。现金流量法获得了多数学者的认可，其创立为学者们研究企业生命周期相关特征奠定了基础。由于单变量分析法过于简单，可能无法有效衡量企业生命周期，而综合指标法虽然能够在一定程度上克服单变量法的缺点，但也在指标选取和划分标准等方面存在着较强的主观随意性。相比之下，现金流组合法具有更强的实操性和客观性。本文在现金流组合法的基础上，参考陈少华（2012）[62]等学者的研究，运用按照不同阶段的现金流特征将企业生命周期分为成长期、成熟期和衰退期，其中衰退期包括淘汰期和衰退期。表1.2对不同周期阶段的现金流量特征组合进行了说明。表1.2企业不同生命周期的现金流组合类型成长期成熟期衰退期成长期成长期成熟期淘汰期淘汰期淘汰期衰退期衰退期经营现金流—++—++——投资现金流————++++筹资现金流++——+—+—注：由于一般企业处于导入期时出口较少或为零，且上市公司都已安全度过了导入期，本文的主要研究对象为处于成长期至衰退期的公司。1.2描述性统计和相关性分析1.2.1全样本描述性统计分析根据全样本描述性统计结果，专利申请均值3.308，最小值0.693，说明样本上市公司普遍具有一定的技术创新能力，且至少拥有一个以上的专利权。从技术创新质量来看，发明专利的均值小于实用新型专利与外观专利之和，说明上市公司的实质性技术创新占比低于低端技术创新。上市公司出口变量的均值为5.314，标准差为2.032，说明上市公司整体出口业务已有一定规模，且规模差别较大（参见表1.3）。表1.3变量的全样本描述性统计变量名称均值标准差最大值最小值样本量Patent3.3081.3877.0980.6939121Patent12.3701.4216.28009121Patent22.6291.5476.58109121Export5.3142.03210.000.2799121Size7.9051.16811.235.4939121Age5.1200.4135.8613.6119121Subsidy2.5971.3886.5630.0499121Capint0.9420.4442.4210.2189121ROA0.0480.0520.209-0.1449121Lever0.4170.2010.8850.0529121Develp-0.1723.50211.77-23.459121SH10.3500.1440.7410.09039121R&D1.0971.3137.9620.8848320Overs0.0710.0820.37509120数据来源：wind数据库和国泰安数据库，经stata整理所得。1.2.2生命周期视角下分样本描述性统计分析从生命周期分样本描述性统计结果来看，成长期三种专利均值都高于其他阶段，说明处于成长期的公司创新成果最丰富，处于成熟期的公司创新能力中等，衰退期的企业创新能力最差。从出口规模来看，成熟期样本的出口规模均值最大，成长期公司次之，衰退期公司的平均出口规模相对最小。从企业基本特征来看，成熟期企业平均规模最大，成长期企业规模其次，衰退期企业平均规模最小；成长期企业年龄均值最小，成熟期企业年龄均值其次、衰退期企业年龄均值最大。从企业盈利能力来看，成熟期企业盈利能力最强，成长期企业盈利能力排其次，衰退期企业盈利能力最差。这些描述性统计结果与现实情况下各生命周期阶段企业的规模、年龄和盈利能力等特点相符，体现了本文关于生命周期阶段划分方法的可靠性（参见表1.4）。表1.4变量的分样本描述性统计变量名称成长期成熟期衰退期均值标准差均值标准差均值标准差Patent3.2291.4003.2071.3992.9761.316Patent12.3011.4192.2611.4322.0161.343Patent22.5601.5442.5341.5532.3621.442Export5.2902.0495.3492.0061.8612.001Size7.8591.1767.9291.1957.5591.045Age5.0700.4425.1090.4135.2110.387Subsidy2.5991.3642.5981.4152.2771.313Capint0.9590.4490.8620.4200.9600.485ROA0.0410.0500.0550.0560.0280.061Lever0.4380.1970.3880.2070.4130.221Develp-0.0613.293-0.0533.145-0.6431.906SH10.3480.1420.3650.1460.3340.144R&D1.0541.3101.0911.3243.7111.321Overs0.0720.0830.0710.0820.0630.0781.2.3生命周期阶段差异检验为了更加精准的考察上市公司的技术创新和出口等主要变量是否在不同生命周期表现出显著性差异，本文采用组间均值和中位数差异检验方法对不同生命周期进行两两差异检验。从专利变量来看，成长期与成熟期的均值差异不显著，专利总量的中位数差异显著为正，说明成长期与成熟期企业创新能力的平均差异不明显，但成长期中等创新能力企业的数量多于成熟期企业；成长期和成熟期与衰退期企业的专利均值差异和中位数差异均显著为正，且成长期与衰退期的差异更大，与分样本描述性统计结果相符。从出口变量来看，成长期企业的出口均值差异和中位数差异均不显著，而另外两组组间比较均显著为正，说明成长期企业平均出口规模小于成熟期的差异不明显。专利变量和出口变量的组间差异表现出一定的相似性，进一步说明了出口、生命周期与创新之间存在着密切的关系（参见表1.5）。表1.5不同生命周期组间差异比较成长期-成熟期成长期-衰退期成熟期-衰退期变量均值中位数均值中位数均值中位数Patent0.02201.619**0.253***25.723***0.231***7.793***Patent10.03902.1380.284***33.723***0.245***16.373***Patent20.02600.5500.198***11.238***0.171***6.819***Export-0.05900.00700.429***43.900***0.488***43.770***Size-0.071***6.096**0.300***43.008***0.370***56.323***Age-0.039***6.982***-0.141***106.194***-0.102***68.189***Subsidy0.00100.1610.322***36.880***0.321***30.003***Capint0.097***103.240***-0.00100.716-0.097***29.819***ROA-0.013***81.107***0.014***53.216***0.027***172.307***Lever0.050***111.097***0.025***32.466***-0.025***7.736***Develp-0.00901.020**0.582***40.850***0.590***30.218***SH1-0.017***30.846***0.014***13.531***0.031***46.984***R&D-0.03700.07300.343***41.196***0.380***36.474***Overs0.00200.6920.010***15.156***0.008***8.740***注：***、**、*分别表示为相关性在1%、5%、1%水平上显著相关。1.2.4相关性检验为尽量避免多重共线性问题，本文对变量进行了相关系数检验和VIF检验。根据主要研究变量的相关性结果，观察发现：第一，专利申请量与出口在1%的显著水平上表现为正向的相关关系，说明出口业务多的上市公司更有可能具有高技术创新水平；第二，专利申请量与企业规模和政府补助的相关系数较大，且均显著为正，说明规模大和政府补贴更多的企业具有更多创新成果，这种现象普遍存在；第三，企业年龄和股权集中度与专利申请量也表现出正向相关性，说明成立时间越长、股权集中度越高的企业可能具有更强的创新能力，初步解答了关于企业年龄和股权集中度对技术创新影响方向的疑惑，但是具体影响如何，有待进一步实证检验。进一步，进行VIF检验得到VIF均值为1.91，说明模型不存在多重共线性问题。表1.6主要变量相关系数矩阵PatentExportSizeAgeSubsidyCapintROALeverDevelpSH1Patent1Export0.330***1Size0.480***0.583***1Age0.069***0.087***0.110***1Subsidy0.445***0.361***0.569***0.056***1Capint0.053***0.040***-0.203***0.126***0.135***1ROA0.084***-0.029***0.002-0.089***0.040***-0.039***1Lever0.179***0.351***0.479***0.155***0.328***0.129***-0.3661Develp0.045***0.038***0.029***-0.0100.033***0.021**0.498***-0.09***1SH10.070***0.118***0.185***-0.132***0.086***0.028***0.084***0.072***0.035***11.3实证分析1.3.1生命周期视角下是否出口对创新的影响企业出口业务和技术创新可能存在自我选择的内生性问题，企业可能因为本身具有一定的技术创新能力基础才选择进入国外市场，因此出口存在自选择效应。为了缓解此问题，本文采用倾向性得分匹配法（PSM）控制变量之间自选择效应，并以此作为稳健性检验。参考崔静波、张学立等（2020）[22]的研究思路，通过匹配出口和非出口企业，控制出口的自我选择效应，进而检验出口对创新的促进作用。以出口型企业样本（Exp=1）为处理组，以非出口型企业样本（Exp=0）为控制组。首先以是否出口为被解释变量，以企业规模（size）、企业年龄（age）、政府补助（subsidy）、财务杠杆率（lever）、发展能力（develop）、股权集中度（sh1）作为解释变量进行Logit回归，保留系数显著性水平在10%以上的变量作为协变量，据此进行倾向得分比配。在控制年份效应之后，Logit回归后选取的匹配变量及其回归结果显示，规模更大、接受政府补助、发展能力越强的企业选择出口的可能性更大，而成立时间越久、杠杆率和股权集中度越高的企业选择出口的可能性更小（参见表1.7）。表1.7以是否出口为被解释变量的logit回归分析变量名称系数标准误Z值P值size0.1592***0.02346.800.000age-0.4120***0.0736-5.600.000subsidy0.1210***0.01657.310.000lever-0.1532***0.0403-3.800.000develop0.0592***0.01543.850.000Sh1-0.0399**0.0203-1.970.049常数项-1.009***0.3118-3.240.001Obs10421R-squared0.195进一步，根据匹配变量计算倾向得分，并据此对处理组（出口企业）和控制组（非出口企业）采用最近邻匹配方法进行匹配，匹配后处理组和控制组的核密度分布函数重合度更高，即倾向得分匹配法缩小了处理组和控制组的初始差异（参见图1.1）。图1.1匹配前后出口组与非出口组的核密度函数图平衡性检验结果显示，匹配前处理组（出口企业）和控制组（非出口企业）的企业规模、企业年龄、政府补助和发展能力变量均值都存在显著性差异，匹配之后这些变量的均值差异缩小，且均通过1%水平的显著性检验，满足平衡假设（参见表1.8）。表1.8匹配变量平衡假设检验结果匹配前匹配后处理组控制组差异（%）处理组控制组差异（%）size7.86997.601322.2***7.86827.8561.0age2.77792.8071-8.9***2.77882.7807-0.6subsidy16.27915.88721.6***16.27716.278-0.1lever3.57873.5681.73.57843.56162.7develop3.58443.49366.5***3.58393.56251.5Sh12.46862.45820.92.46842.44242.2在较为有效的匹配之后，本文计算了出口行为对企业技术创新的平均处理效应（ATT）。在一阶近邻匹配方法下，匹配后的专利申请总量、发明专利申请量、实用新型专利和外观专利申请量的平均处理效应（ATT）的估计值均显著为正。其中，出口对专利申请总量的平均效应差异为0.5717，对应的t值为23.97，显著性水平为1%；出口对发明专利申请的平均效应差异也显著为正，ATT差异为0.4707，稍微小于专利申请总量；出口对实用新型专利和外观专利的平均效应差异最大，为0.5908。从生命周期不同阶段下企业出口行为对不同测度创新成果的平均效应结果来看，对于各阶段所有专利变量，出口行为的平均处理效应差异都显著为正，成长期和成熟期的处理组与控制组的差异均通过了1%的显著性水平，衰退期样本的差异也在5%的显著性水平上为正，出口行为对各生命周期企业的不同测度创新均有促进作用。从ATT差异值来看，出口行为对专利申请总量处理效应在成熟期最大，为0.7276，在成长期企业减弱，为0.5177，在衰退期最小，为0.4483。而且对于发明专利申请量和实用新型外观专利申请之和而言，出口行为的平均处置效应均在成熟期最大，在成长期其次，在衰退期最弱（参见表1.9）。表1.9PSM估计的平均处理效应生命周期因变量处理组控制组ATT标准误T值全样本Patent3.31022.73850.5717***0.028123.97Patent12.37111.90040.4707***0.036812.79Patent22.63342.04250.5908***0.039215.09成长期Patent3.33612.81850.5177***0.049510.45Patent12.41551.98900.4265***0.05128.33Patent22.64822.08310.5651***0.054310.41成熟期Patent3.35602.62850.7276***0.064311.31Patent12.39241.80410.5884***0.06568.97Patent22.67801.93000.7480***0.069810.72衰退期Patent3.04182.59350.4483**0.08915.03Patent12.08871.72030.3683**0.09061.07Patent22.41381.94840.4654**0.097591.771.3.2生命周期视角下出口规模对创新的影响（1）出口规模对专利申请总量的影响为了探讨企业生命周期视角下出口规模对技术创新的影响，本文参考程仲鸣等（2016）[63]的研究，针对全样本和生命周期分样本运用时间、行业固定效应模型考察出口对专利的影响。结果显示对于全样本，出口的回归系数显著为正，反映企业的出口业务规模越大，企业创新能力越强。加入控制变量后，结果显示企业出口规模的回归系数仍然显著为正，说明企业出口规模对创新产出的促进效应比较稳健。与李兵（2016）[49]、李汉涯（2017）[26]等学者的研究结果一致，出口显著促进专利申请增加，验证了本文假设H1。可能的原因在于：其一，出口能够使得企业充分发挥规模经济的优势，将更多的资金投入创新活动，从而提高专利申请量；其二，企业出口可以发挥学习效应，一方面可以从国外学习先进技术经验，获取更多创新知识，一方面提高企业的生产效率和盈利能力，增加创新投入和专利申请量；其三，出口企业还可能因为扩展海外市场和增加竞争力而促使企业进行自主创新，专利申请数量随之提高。进一步分析不同生命周期出口对创新的影响效应，检验技术创新影响因素的生命周期特征。在控制了时间和行业差异的影响之后，回归结果显示：成长期、成熟期和衰退期企业出口规模对创新的影响均显著为正，反映在各生命周期阶段扩大出口规模均能够一定程度促进企业创新，但是这种作用效果在成熟期最大，成长期其次，衰退期最小，结果验证了理论研究假设H2、H3、H4。可能的原因是对于大多数企业而言，当企业处于成长期时，具有较强的技术创新意愿，此时增加国内业务和出口业务均可以帮助企业扩大规模和利润空间，从而获得更多可用于技术创新的资金，但是出口的边际创新效应有限。当企业进入成熟期之后，技术创新意愿下降，国内市场份额逐渐稳定，此时进行出口贸易会给企业带来更大的市场，同时加强企业的创新激励，促进企业更多的人力和财力进行创新。当企业步入衰退期之后，往往由于新技术取代旧技术而陷入经营危机，企业的市场份额下降，资金紧缺，研发支出力度下降，这时候出口业务可以帮助企业寻找新的发展方向，获得国外有关新知识，但是大部分企业的产品在国外市场的竞争力较弱。表1.10出口规模对专利申请总量的影响全样本成长期成熟期衰退期VarspatentpatentpatentpatentpatentExport0.150***0.0220**0.0205*0.0318**0.0153*(20.87)(2.508)(1.779)(2.117)(1.2670)SizeNO0.512***0.523***0.497***0.506***(21.85)(19.45)(11.44)(10.22)AgeNO-0.260***-0.258***-0.262***-0.319***(-1.906)(-1.073)(-3.522)(-2.910)SubsidyNO0.0934***0.110***0.129***0.128***(9.201)(7.650)(6.990)(1.319)CapintNO0.345***0.299***0.373***0.360***(9.092)(5.969)(5.350)(1.166)ROANO0.932***1.257***0.948**1.949***(3.772)(3.443)(2.165)(2.865)LeverNO0.01130.127-0.186-0.272(0.136)(1.126)(-1.200)(-1.281)DevelpNO-0.000109-0.00254-0.00193-9.38e-05(-0.0404)(-0.618)(-0.361)(-0.0130)SH1NO-0.277**-0.272*-0.145-0.236(-2.122)(-1.814)(-0.807)(-0.908)Constant0.919***-3.279***-3.539***-1.240***-0.587(1.997)(-2.826)(-2.997)(-2.606)(-0.808)TimeFEYESYESYESYESYESIndustryFEYESYESYESYESYESObs12,1199,1214,7183,1961,207N2,1551,8281,5321,258716R-sq0.1790.3670.3930.3560.343注：括号里报告的是z统计量；***、**、*分别表示1%、5%、10%的显著水平。（2）出口规模对不同测度专利申请的影响不同阶段企业出口影响不同测度技术创新的实证回归结果显示，成长期和成熟期企业的出口变量对发明专利影响显著为正，对非实质性企业创新影响不显著，而衰退期样本的出口变量对发明专利影响不显著，对实用新型专利与外观专利之和显著为正。处于成长期和成熟期的企业出口通过实质性技术创新来推动创新，而衰退期企业出口主要提高非实质性技术创新。原因可能在于：其一，出口业务给企业带来资金流，成长期和成熟期企业更能高效地识别投资动向，将资金用于含金量较高的实质性创新上，而衰退期企业迫于经营危机只能将有限的资源用于含金量低的非实质性创新；其二，成长期和成熟期企业高管会通过出口业务学习国外先进技术经验，为获取长远利益而促进实质性创新，而衰退期企业更可能通过改善商品服务的外在形式来短期获利，从而更能推动非实质性创新。表1.11不同阶段出口对不同专利申请的影响成长期成熟期衰退期(1)(2)(3)(4)(5)(6)patent1patent2patent1patent2patent1patent2Export0.0222*0.01500.0406**0.02380.007910.0440*(1.832)(1.107)(2.576)(1.355)(0.385)(1.900)Constant-1.308***-3.381**-2.237***-1.768***-1.879**-0.441(-3.518)(-2.424)(-1.508)(-3.177)(-2.513)(-0.519)ControlsYESYESYESYESYESYESTimeFEYESYESYESYESYESYESIndustryFEYESYESYESYESYESYESObs4,7184,7183,1963,1961,2071,207N1,5321,5321,2581,258716716R-sq0.3730.3080.3510.2870.3270.279注：Controls包括企业规模、企业年龄、政府补助、资本密集度、盈利能力、财务杠杆率、发展能力、股权集中度等控制变量，衡量方式同上文。1.4稳健性检验1.1.1更换PSM匹配方法本文已采用近邻匹配法检验是否出口对创新的处理效应，进一步崔静波（2021）[24]更换PSM匹配方法进行稳健性检验，包括半径匹配法和核匹配法。从全样本的平均处理效应结果来看，半径匹配法和核匹配法下出口行为对专利申请总量的平均处理效应均显著为正，对实用新型和外观专利申请的处理效应大于发明专利，结论与PSM最近邻匹配法得出的结论一致。从分样本结果来看，各阶段样本的出口行为对创新的促进作用均显著有效，均表现为对非实质性创新的影响强于实质性创新的影响。从处理效应的强弱排序来看，出口成熟期企业创新的促进作用最强、成长期其次、衰退期最弱，不同测度创新排序均如此，说明出口行为对创新影响的检验结果比较稳健。表1.12不同匹配方法估计的平均处理效应半径匹配核匹配生命周期因变量ATT标准误T值ATT标准误T值全样本Patent0.5737***0.027820.640.5875***0.027621.31Patent10.4852***0.028517.000.4980***0.028317.59Patent20.6123***0.030619.990.6253***0.030420.58成长期Patent0.5456***0.038511.150.5676***0.038011.94Patent10.4668***0.039911.700.4841***0.039312.31Patent20.5949***0.042411.020.6195***0.041811.81成熟期Patent0.6591***0.049413.350.6757***0048913.81Patent10.5426***0.050410.780.5531***0.049911.08Patent20.6779***0.054412.450.6989***0.054012.95衰退期Patent0.4036**0.06955.800.4204**0.06906.09Patent10.3479**0.07061.920.3604**0.07015.14Patent20.4497**0.0775.810.4698**0.07676.121.1.2更换生命周期划分方法目前企业生命周期相关研究中，对生命周期阶段的划分采用最为广泛的方法即为现金流组合法和多变量综合打分法。本文参考梁上坤[39]等学者关于生命周期划分的研究，采用多变量综合打分法划分生命周期阶段，进行稳健性检验。具体操作包括选取多个指标，分行业分别对这四个变量按大小排序成3个等级打分，最后加总四个指标打分，总分为10、11、12分的划分为成长期；总分为6、7、8、9分的划分为成熟期；总分为4、5分的划分为衰退期。此方法得到成长期企业843家，观测值1539条；成熟期企业1545家，观测值4296条；衰退期企业304家，观测值429条。具体划分标准如下：表1.13综合打分法划分企业生命周期的标准收入增长率资本支出率收益留存率企业年龄特征赋值特征赋值特征赋值特征赋值成长期高3高3低3低3成熟期中2中2中2中2衰退期低1低1高1高1（1）是否出口对创新的影响采用多变量综合打分法划分生命周期样本之后，分别运用PSM最邻近匹配法检验出口行为对创新的处理效应。从ATT结果来看，各阶段出口行为对不同测度的创新均具有显著的正向作用，且对成熟期企业创新的处理效应最强，成长期其次，衰退期最弱。对于实质性创新，出口行为对成长期企业创新的作用微弱与衰退期企业，其他结论均与前文分析结论一致，研究结果比较稳健。表1.14出口行为的处理效应：基于综合打分法生命周期因变量处理组控制组ATT标准误T值成长期Patent3.29212.79340.4987**0.07546.62Patent12.36091.97140.3895**0.079931.91Patent22.57501.95630.6187**0.08507.28成熟期Patent3.41542.78490.6304***0.045613.83Patent12.48141.92180.5595***0.046711.97Patent22.73162.07280.6588***0.053413.08衰退期Patent3.14082.70440.4364**0.13113.33Patent12.21981.82850.3913**0.12893.03Patent22.50421.98100.5232**0.14673.57（2）出口规模对创新的影响进一步分析综合打分法生命周期分样本关于出口规模对创新的影响，控制了年份和行业的固定效应模型检验结果显示，出口规模对各个阶段企业创新均具有显著的促进作用。出口规模创新的影响在成熟期强于成长期，与前文分析结果不同的是衰退期企业出口规模对创新的影响最强，可以注意到衰退期样本观测值较少，对此建立面板固定效应模型存在一定的误差。但是总体来看，使用多变量综合打分法划分生命周期后，各阶段企业均表现为出口规模越大，越是能够促进企业创新。表1.15出口规模对创新的影响：基于综合打分法成长期成熟期衰退期(1)(2)(3)(4)(5)(6)patentpatent1patentpatent1patentpatent1Export0.0658***0.0741***0.0816***0.0753***0.2249***0.2328***(3.91)(1.25)(7.81)(6.91)(6.12)(6.23)Constant-1.7058***-6.4829***-1.742***-6.3701***-6.2405***-7.717***(-5.62)(-7.52)(-10.69)(-13.92)(-1.19)(-5.09)ControlsYESYESYESYESYESYESTimeFEYESYESYESYESYESYESIndustryFEYESYESYESYESYESYESObs1539153942964296429429N84384315451545304304R-sq0.3380.3470.3440.3460.3110.335注：Controls包括企业规模、企业年龄、政府补助、资本密集度、盈利能力、财务杠杆率、发展能力、股权集中度等控制变量。1.5异质性分析1.5.1基于所有制类型的异质性分析前文的研究具有总括效应，但是忽略了企业所有权差异的影响，已有研究表明国有企业创新效率相比非国有企业更低（董晓庆，2014）[64]。国有企业与非国有企业的目标和管理方式不同，在面对同等条件的出口贸易时，企业的创新产出可能也存在差异。进一步，从国泰安（CSMAR）数据库中提取上市公司的所有权信息，根据所有权划分为国有企业样本与非国有企业，分析出口对不同所有制企业创新的异质影响。出口对任何生命周期的国有企业创新的激励作用都表现为不显著，而对非国有企业显著为正。这是因为国有企业往往提供公共品生产，具有比较稳定的社会地位和强大的经济实力，其出口业务不发达，出口业务扩增的资金流与国内业务和政府补贴等来源的资金相比甚微，对创新的边际影响受到限制。此外，国有企业的管理者往往更加重视自身的经营成果和经济利益，不太偏好回报周期长且风险较高的创新活动。而非国有企业的经营管理方式更为灵活，企业管理者的利益和企业发展密切相关，他们更加重视对企业长期利益具有帮助的创新活动，因此出口对创新的边际影响更大。并且，非国有企业往往面临更加激烈的市场竞争，为了提高国际竞争力，其创新意愿更强。此外，可以注意到对于衰退期的民营企业而言，出口的回归系数相对更大，原因可能是衰退期的民营企业创新动力更强，创新的机会成本更低，从而出口对技术创新的促进作用更强（参见表1.16）。表1.16出口对创新的影响：国有企业和非国有企业国有企业非国有企业成长期成熟期衰退期成长期成熟期衰退期VARIABLESpatentpatentpatentPatentpatentpatentExport-0.008820.002350.004260.0370***0.0345*0.0713***(-0.427)(0.0905)(0.124)(2.669)(1.856)(2.842)Constant-1.482*-1.476*-1.451-1.044***-0.968-0.166(-1.928)(-1.685)(-1.098)(-3.331)(-1.415)(-0.161)ControlsYESYESYESYESYESYESTimeFEYESYESYESYESYESYESIndustryFEYESYESYESYESYESYESControlsYESYESYESYESYESYESTimeFEYESYESYESYESYESYESIndustryFEYESYESYESYESYESYESObs1,6421,1664683,0762,030739R-sq0.47910.44950.45510.33810.26950.2583注：Controls包括企业规模、企业年龄、政府补助、资本密集度、盈利能力、财务杠杆率、发展能力、股权集中度等控制变量，衡量方式同上文。1.5.2基于技术水平的异质性分析本文进一步对不同技术水平的企业进行异质性分析。参照《高技术产业分类（2017）》，分类，对高技术水平和非高技术水平样本进行实证检验。基于企业技术水平的差异性分析，对于高技术企业来说，不论是成长期、成熟期还是衰退期的企业出口对研发创新的影响均不显著；而对于非高技术企业而言，成长期企业出口对研发创新的影响显著为正，成熟期企业出口对创新正向影响更大，而衰退期企业出口对技术创新影响不显著。这与一些学者研究成果存在差异。吴朝阳（2020）[28]等的研究认为，高技术水平的企业出口对技术创新的促进作用大于中低技术水平的企业，因为高技术企业的技术创新基础更好，学习新知识新信息的能力更强，更可能进一步创新。本文与已有研究结果不一致的原因可能在于，其一是已上市的高技术企业已经具备较好的技术创新条件，来自国内的业务便可以发挥有效的创新效益，其出口业务更多的是向外输出高技术而非吸收新知识进行技术创新；其二是受限于信息收集而对高技术企业划分存在不足，导致样本量高技术企业样本量过少而造成估计结果的不准确性（参见表1.17）。表1.17出口对创新的影响：高技术企业和非高技术企业高技术企业非高技术企业成长期成熟期衰退期成长期成熟期衰退期VARIABLESpatentpatentpatentPatentpatentpatentExport-0.05490.05270.02610.025**0.0296*0.0324(-1.37)(0.90)(0.706)(2.06)(1.89)(1.53)Constant-5.048-0.685-0.702-3.415***-1.297***-0.4429(-2.58)(-0.41)(-0.28)(-2.97)(-2.64)(-0.59)ControlsYESYESYESYESYESYESTimeFEYESYESYESYESYESYESIndustryFEYESYESYESYESYESYESObs332231114436229561084R-sq0.2380.1730.1820.4040.3710.371ControlsYESYESYESYESYESYESTimeFEYESYESYESYESYESYES注：Controls包括企业规模、企业年龄、政府补助、资本密集度、盈利能力、财务杠杆率、发展能力、股权集中度等控制变量，衡量方式同上文。1.6机制识别根据前文假设，企业出口可以帮助企业提高技术创新能力，这些效应要么是通过增加可用于创新的资金，要么是通过获取国外市场偏好来改善产品，从而提高技术创新能力。其中，用于创新投入的资金可选取研发投入变量衡量，而从国外获取创新知识主要是通过出口业务管理者完成，因此可选取有海外经历董监高人数作为代理变量来衡量。本文从创新投入和出口学习的维度考察出口贸易对技术创新的影响机制，中介模型的作用机制如下：技术创新技术创新出口贸易技术创新出口贸易创新投入出口学习abc图1.2中介模型作用机制1.6.1创新投入的中介效应本节从创新投入的维度来考察出口对技术创新的影响路径，即检验出口是否有利于增加创新投入从而促进企业提升技术创新能力。结果显示，创新投入的中介效应在生命周期全阶段均显著有效。此外，可以发现控制研发投入变量之后，企业出口变量系数未通过显著性检验，出口的直接效应不显著，说明出口主要依靠提高研发投入来影响企业技术创新。通过计算|θ1ϕ2，/ϕ1|的数值可以确定中介效应与总效应的比值，结果显示创新投入的中介效应在成熟期作用最大，成长期其次，在衰退期作用减弱。可能的原因在于：企业处于成长期时，出口业务不仅给企业扩大规模带来更多资金，还提高了企业研发投入水平，对研发活动投入更多资金带来了显见成效的创新成果；当企业处于成熟期时，出口获得的资金更多用于研发，研发投入的中介效应更大；而对于衰退期企业，出口带来的资金将更多用于缓解经营和财务压力，用于创新活动的资金较少，中介效应减弱（参见表1.18）。表1.18创新投入的中介效应检验全样本成长期成熟期衰退期RDPatentRDPatentRDPatentRDPatentExport0.042***0.00840.041***0.00700.051***0.01320.048***0.0196(6.436)(0.954)(1.5