政府创新政策对企业创新行为增量的影响
——微观组织学习的视角

刘 明

(吉林大学 经济学院，吉林 长春 130012)

一、引 言

为企业提供研发支持可以弥补创新活动的市场失灵，这已成为经济理论界的共识[1，2]。这些市场失灵来自于创新活动溢出使企业无法获得投资带来的全部利益。因此，企业没有投身于研发的最优激励。[3]政府干预可以弥补企业研发投资的不足。这一思路催生了研发支持计划，以1984年欧盟第一份框架计划的推出为标志。

尽管这些政府支持具有明确的理论依据，但政策制定者需要强有力的经验证据来证明公共资金能够产生显著且正面的效果。这一倡议引发了学术界探讨初始研发支持对企业研发总投入的乘数效应。[4]换言之，这些学者关注的是研发的投入增量。投入增量研究公共政策对被资助企业的研发产生了持续的正面作用还是导致了无效率，例如，研究人员的高工资对研发投入产生了替代效应还是挤出效应。另一部分学者关注公共政策的产出增量，即如果没有公共支持企业研发的情况下无法完成的产出部分。[5]典型的产出包括专利和论文发表量，而产出增量指的是收入增长、市场中的新晋产品等。对于公共政策制定者来说，虽然观察产出增量可能更为直观，但却极难操作，因为创新过程中的经济因素和创新的各种溢出效应难以准确衡量。[6]

有学者发现，过于关注创新的长期效应(即投入或产出增量)，可能导致对第三个重要因素的忽视，即公共政策引发的短期结果——学习效应。Georghiou 发现，公共政策只有在长期才会引起额外的投入或者产出，而学习效应却能在短期内发生。[7]换言之，公共政策能在短期内改变创新项目的实施方式；具体地说，有些项目的规模变大，有些项目的应用范围变广，而有些项目将加速进行。即使没有投入或产出的变化，公共政策也可能引起行为的变化。

目前，对行为增量的研究还停留在轶事描述的阶段，缺乏深层次的机制研究。组织学习理论认为，创新主体行为变化与其直接的(正式的)或者间接的(非正式的)学习过程密切相关。例如， Levitt和March指出，通过对信息的处理，组织的潜在行为将改变。[8]行为变化可能是组织对过去的经验、新环境学习的结果，或者在与其他组织就同一研发项目的相关战略、过程与管理实践的互动中形成。因此，本文拟运用组织学习理论探讨旨在推动创新的公共政策引致创新行为增量的机理机制。

二、文献综述：创新的投入、产出与行为增量

在过去的十余年中，随着对研发的公共支持和创新政策的增加，创新政策评估的理论框架构建逐渐获得关注。[9，10]有关评估的一个中心议题为政策的有效性。不同的工具和方法被用于测量公共创新政策的效应。[11]对政策有效性的评估主要有三种方法。第一种也是最惯用的方法为投入增量，即由于政府干预而产生的额外投入。基于新古典主义的市场失灵理论[2](Arrow，1962)，大部分实证研究关注政府研发补贴与民营企业的创新投入增量的互补性问题。然而，现有研究对于投入增量的实证结果并不一致。[12，13]主要原因在于，投入增量的研究基于研发投入与创新产出的直接线性关系假设。由于创新的非线性特征，投入增量是否总是能够转化为创新产出值得怀疑。第二种方法为产出增量。它关注政府资助—额外产出问题。产出可用直接的企业创新产出来衡量，例如，专利或论文发表数量，也可用间接的企业创新产出来衡量，例如新产品、新服务的引入或新流程的应用等。此外，收入、附加值、营利、生产率或者其他企业绩效指标也可用于衡量研发支持的产出效果。测量产出增量的主要问题在于，它总是与某一特定的创新项目相关联。然而，创新项目并不必然是独立的，而往往是一个更大的创新项目组合中的一部分[14]，因此很难找到某一创新项目与产出之间的一对一关系。

学术界与政策制定者逐渐开始意识到创新主体与创新政策工具间的互动会在政策实施过程(或过后)作用于创新主体的行为。由公共支持引发的创新主体行为方式变化，即政策评估的第三种方法，称为行为增量(behavioural additionality)，用于补充传统的以投入或产出为基础的政策评估方法。[15，16]Clarysse等和 Steurs等认为，不同于投入或产出增量，行为增量打开了创新主体的行为“黑箱”。[17，18]Malik等指出，行为增量是一个多层次的概念。[19]Falk对行为增量进行了细分，将其划分为范围(scope)增量、认知能力(cognitive capacity)增量、提速(acceleration)增量、网络(network)增量等。[20]此外，Georghiou指出，行为增量是有关规模(scale)、范围和提速额外性的集合。[5]至此，行为增量的定义仍局限在有限的时间跨度内，即评估某一时间点上的一次性行为变化，而非捕捉与评估由政策措施引致的与研发和创新活动有关的行为变化的持久性。Aslesen等弥补了这一局限，将行为增量视为一种“永久的变化”[21]，Licht将其视为“特性的永久性变化”[22]，而Fier等用“长期行为”来理解这一定义。[23]很明显，效应评估在这里已经超出政策支持的时间范围，持久性成为这一概念的关键点。同时，对行为增量的关注点也从与研发和创新有关的活动，转移到创新主体一般活动的结构性变化。例如，Georghiou和Clarysse利用资源基础论将行为增量定义为动态能力的变化[24]；Bach等和Hyvarinen等将其界定为认知与学习能力的变化[25，26]；Georghiou和Keenan将其定义为组织路径的变化。[7，27]

尽管现有研究已经对行为增量进行了较为广泛的探讨，但这一概念缺乏一个合适的分析单位。“行为增量”文献批判那些将创新政策所引致的行为变化过程视为“黑箱”的传统评估方式。然而，虽然现有文献成功揭开了“黑箱”，却发现了其中更为细小的“黑箱”。例如，合作是行为增量研究的一个中心议题，尽管许多研究用对合作行为的投入(如政策支持)或产出来测量合作行为(如更多的合作)，以此来揭开合作行为的“黑箱”[11，17，20，23，24，28]，但鲜有研究进一步分析由于公共支持所引起的合作变化的机制问题。因此，行为本身并非分析单元，而组织路径才是探讨行为变化的分析单元。

此外， 现有研究对企业特征在行为增量中的作用关注较少。[29]Wanzenböck、Scherngell和Fischer提出，与研发有关的企业特征影响企业的行为增量。[30]研发密集型企业对行为增量的替代性较低，而初创技术企业更可以产生行为增量。因此，从政策的角度，对研发密度较高的企业进行直接研发资助的政府干预可能是不合适的，公共支持的关注点应向研发经验较少的初创技术企业转移。这一研究对未来的政策设计具有重要价值。Clarysse等利用比利时2001到2004年间获得研发基金的企业数据，分析了学习能力如何影响行为增量。[14]Hsu，Horng和Hsueh研究了台湾地区的公共研发补贴项目在不同产业部门和不同创新类别下的企业行为增量效应，结果显示，不同的产业部门和创新类别确实引起异质的企业行为增量的不同。[31]Falk则采用奥地利1200家企业数据，探讨了一般企业特征的作用，结果表明，初创企业比成熟企业更容易产生行为增量。[20]

三、理论框架

以往研究关注研发资助对绩效的影响[32，20]，而忽略政策可能引致的不同增量结果。组织学习理论有助于理解包括研发资助在内的创新政策如何通过学习过程带来组织行为的变化。现有文献认为，组织学习有三种途径：第一种学习是“经验式学习”，即创新主体评估其过去行为的效果，通过经验教训得出结论，重塑其认知从而改变其行为。[33]第二种学习称为“认知式学习”，即组织通过识别、吸收与利用从周遭环境中获得新知识。[34]第三种学习为“组织间学习”，即从其他组织的知识储存中学习。[8]

首先，企业从过往的直接生产中积累经验，通过不断重复来提升绩效。组织的行动通常是基于一组惯例，这些惯例包括形式、规则、程序和策略。[8]惯例的基础是组织过去的行为。企业经理评估过去行为的结果给组织带来的影响，并依此重塑管理者的认知。作为结果，企业经理会根据这些经验教训做出决策，从而改变企业行为。这种现象被称为学习曲线，或者“干中学”，表明随着经验的积累，组织不断发展技能来完成某项任务。

值得注意的是，在缺乏经验时，随着经验的积累，学习能够快速转化为行为变化，而当经验丰富时，学习仅能带来微小的行为变化。在研发资助的情境下可以假设，企业行为增量的变化在首个项目下是最大的，随着项目数量递增，这种行为增量递减。依据学习曲线的逻辑，学习效应的减少不是线性的，在经验的低水平下效应最大，随着经验增长逐渐减少；一旦企业了解了如何获得政府资助的所有经验，学习效应的行为增量将会消失。Clarysse等详细分析了Flanders地区研发补助对行为增量的影响因素，发现认知性学习和组织间学习导致行为增量增加，但是这些学习效应却减少了企业受补助项目的数量。[14]根据以上分析，形成了第一个假设：

假设1：行为增量是企业中受政府资助项目数的负对数函数。

其次，认知型学习与企业的吸收能力紧密相关。Cohen和Levinthal认为，从周遭环境中识别、吸收和利用新知识的能力在企业的学习过程和创新能力的培养中起到至关重要的作用。[34]企业的吸收能力就是企业在日常的组织惯例中获取、消化、转化和利用知识来组织和管理企业的动态能力。这种能力意味着企业有能力调整自己的行为。[35]与吸收能力较差的企业相比，具有较好吸收能力的企业其适应新环境、新变化和调整改变的难度可能较低。由此，形成第二个假设：

假设2：受政府资助的企业吸收能力越强，由认知型学习所引致的行为增量可能越多。

最后，组织间学习使得身处关系网中的企业获得新的技能，特别是企业之间可以获得一些隐性知识，从而改变企业的行为。组织间学习还涉及知识的溢出。通过组织间合作，企业不仅能够从合作中获得技术技能，还能了解其他企业的商业实践、市场策略等。[36]正因为如此，欧洲许多国家给予同一社区的一组企业以资助，而非只资助单独一个企业。因为组织间学习意味着受资助企业将从不同的合作伙伴中获得不同形式的知识，如果有更多的企业参与到某一特定项目的联合研发中，那么企业就可能发生更深和更大范围的组织间学习，由此所产生的行为增量可能也更多。因此，形成第三个假设：

假设3：企业受政府资助的特定研发项目中参与的合作伙伴越多，该项目引致的行为增量可能越多。

此外，以往研究表明，行为增量对投入或产出增量起到替代作用。然而，以往研究多用轶事证据进行论证。[5]与产出增量相比，Clarysse等的研究认为，投入增量对组织间学习来说更重要，因为在项目结束后投入增量也会结束，而作为项目开发的相关人员却继续留在企业中，并且继续致力于企业的新项目研发。[14]因此，形成第四个假设：

假设4：受政府资助企业的投入增量与其行为增量呈正相关关系。

四、数据、变量与方法

(一)数据

本文聚焦于吉林省的创新政策。根据西南交通大学创新创业研究中心发布的《2016年省域大众创业指数》，一方面，吉林省大众创业倾向很高，大众创业需求位于第10位；另一方面，吉林省呈现较低的大众创业绩效，大众创业产出仅位于全国第19位。此外，服务于大众创业的人才较少、服务不足，大众创业人才与服务分别位于全国第19位和第23位。总之，与国内其他省份相比，吉林省创业生态系统总体效率较低，创业企业投入偏低。 因此，基于吉林省的情境进行该项研究十分合适。

根据中共吉林省委、吉林省人民政府《关于加强自主创新建设创新型吉林的决定》的要求，为进一步强化吉林省高新技术产业发展主体建设，提升企业自主创新能力，加快促进吉林省产业结构调整和经济增长方式转变，实现建设创新型吉林的总体目标，吉林省开展了“百户科技型创新企业培育工程”。根据政策规定，对纳入该工程的企业，在国家和吉林省各级各类计划立项与推荐方面予以重点支持，特别是在科技成果转化和科技型中小企业创新基金项目立项时给予优先支持。

本文的数据来源于2012～2016年间在吉林省进入“百户科技型创新企业培育工程”的企业。我们将问卷发放给这些目标企业，86家受奖励性补助的企业接受了问卷调查。总体上，样本的代表性达到27%。

本文将样本进行分层，从而在规模和行业方面对企业的代表性加以区分。企业规模分布方面，企业实际规模与样本规模之间的偏差可以忽略。我们将样本企业分为低技术、高技术、中等技术和其他。本文还构建了一个控制组企业样本。这组企业的特点是申请过但没有获得过政府资助的企业(23家)和从来没有申请过政府资助的企业(24家)。行业分布方面，表1显示，高技术行业在实验组中的表现有些过头，这与政府资助研发密集型项目的预期相符。

表1 实验组与控制组

给定本文的研究性质，我们采用关键被调查者的方法。在中小企业里，关键被调查者是企业的主要执行人，负责签署文件并知晓企业与项目战略。在大型企业(超过250名员工)里，关键的被调查者是项目负责人与企业主要技术负责人。

(二)变量

1.被解释变量

本文使用感性量表来测量行为增量，“1”代表完全不同意，“4”表示完全同意。由于我们希望被调查者能够自由表达观点，因此，有意没有使用Likert量表方法。本文用企业中的学习或企业管理其创新过程的方式变化来代表行为增量。[14]我们询问被调查者，与未受政府资助的项目相比，在多大程度上受政府资助的项目要归功于政府支持，项目在多大程度上允许企业“正式化了创新管理过程”，“改变了企业研究路径”，“提升了企业的创新管理能力”。三项的信度系数高于0.70，因此，三项一同组成了“行为增量”这一构念。

2.解释变量

本文使用某一特定企业受政府资助的项目数量来测量“经验性学习”变量，代表组织随着项目资助所建立起来的经验；采用吸收能力(即企业的研发强度)来测量“认知型学习”，具体用企业的研发支出占营业额的比重表示[34]，本文计算了资助申请前三年的平均数；“组织间学习”用加入受政府资助项目的企业数来表示；“投入增量”是政府资助对受政府资助企业的影响，但政策的影响很难在直接的档案数据中获得。为测量某一特定政策资助对投入增量的影响，我们请被调查者比较受政府资助的项目与没有受政府资助的项目。我们的问题包括：“计划研发和创新投资的增加”、“对研发和创新更多的关注”、“研发和创新补贴的后续应用”、“更高频率的研发或创新项目”。与“行为增量”一样，我们使用感性量表，从“1”到“4”，代表“完全不同意”到“完全同意”。与投入相关的量表的信度系数高于0.70，因此，每项均可作为“投入增量”的一部分。表2是变量描述的细节。

表2 变量描述

问卷统计结果发现，并不是所有受访者都倾向于积极的答案，而是围绕平均值有离差。如表3所示，量表的平均得分为2.7，标准差为0.6。

表3 描述性统计与相关性

3.控制变量

首先，本文控制了行业部门，将行业分为：高技术、中等技术、低技术、其他。其次，本文控制了企业规模，用申请前3年的企业规模表示。再次，我们还控制了被吸收的冗余。吸收冗余是组织固有的冗余现象。例如，如果一个组织具有很高的行政开支，那么它就有超出短期运营所必需的资源。吸收冗余是众多冗余变量中的一种，是创新能力的一个重要的预测因子。最后，本文控制了企业创办年限。表3展示了每个变量的描述性统计。

(三)方法

本文使用Heckman模型检验假设，从而解决由于没有获得政府研发资助的企业造成的筛选偏差。模型中的辅助回归决定了获得研发资助的机会。以往文献研究表明，大型企业更有可能获得研发资助[37]，所以，本文将规模变量(用“总资产”表示)与行业哑变量一同引入模型。本文采用Harman单因素检验来测试是否存在同源偏差问题[38]，结果表明，四个因素的特征值能够解释方差的24%，明显高于单个因素。本文运用方差膨胀因素(VIF)检验解释变量的多重共线性。结果显示，引入模型的变量的平均VIF值是7.89，低于10的限值。我们将变量做了中心化处理。处理后，每个变量的VIF值降到3.4，平均VIF值为1.8。本文使用经中心化处理的变量。

由于同时衡量了投入增量和行为增量，我们运用Durbin-Wu-Hausman检验内生性问题。结果显示不存在内生性。同时，由于本文不是面板数据，模型中引入了年度哑变量。结果表明，年度哑变量影响不显著。

如上所述，本文运用工具变量回归，以“企业规模”与“行业”作为工具，预测企业获得研发资助的倾向。结果表明，大型企业、高技术企业和中等技术企业更倾向于获得研发资助。

五、实证结果

在主回归中，控制变量(中小企业、企业创办年限和未吸收冗余)没有显著影响。在控制了获得研发资助的机会后，行为增量不再有差异；同时，冗余变量也不显著。吸收冗余意味着有更多的人能在企业的创新管理系统上投入时间。由于这一变量与企业规模变量有关，因此在解释上需谨慎。

第一个假设与经验式学习的效果有关，即假设后续项目与初始项目相比较可能会导致更少的行为增量。其逻辑在于，一个企业在执行第三或第四个研发项目时，将比第一个项目学习到更少的东西。本文发现了一个混合的结果。企业项目数的对数在回归中并不显著，但在模型3里，经验型学习对行为增量有较为显著的影响。

第二个假设认为认知型学习是重要的。换言之，企业识别政府所需，为获得资助调整研发结构的能力十分关键。这一能力被定义为企业的吸收能力，以研发支出占企业总营业额的比例衡量。该结果显示不显著，说明研发强度在我们的样本中没有作用，受政府资助企业的研发强度与企业从受政府资助项目中的学习之间不存在直接关系。因此，假设2不成立。

第三个假设与合作型学习有关。本文认为，企业间的合作可以获得彼此的管理等知识。表4也为假设3提供了实证支持。一个企业在研发中的合作伙伴越多，企业与其他合作者在研发项目中能够学到的知识就越多。

第四个假设认为投入增量与行为增量密切相关。由于投入增量与行为增量之间的时间差无法测量，我们没有检验二者的因果关系。假设4也获得了支持。这表明，学习效果最佳的企业也会继续致力于吸收能力的提升，并搜寻环境中的机会。

表4 行为增量的Heckman选择模型结果

注：* 表示在0.1水平上显著；**表示在0.05水平上显著；***表示在0.01水平上显著。

六、讨论与政策启示

本文引入创新政策文献中的一个新概念，即行为增量，采用组织学习理论解释研发资助的影响。运用数据的手动收集方法，检验吉林省“百户科技型创新企业培育工程实施方案”政策的影响。本文的分析与研究发现对现有研究具有以下贡献：第一，突破了对现有投入增量与产出增量的研究，着手对更为复杂的行为增量进行分析，研究行为增量的决定因素。第二，运用并验证了组织学习理论，并将其应用在管理与创新的研究中，在一定程度上深化了该理论。第三，研究表明，投入增量与行为增量紧密相关。

(一)政策启示

本文的研究表明，受政策资助企业的学习能力发挥重要作用。在研发上投入更高的企业，也更有意愿改变企业项目的管理方式，并调整其创新过程以满足政策的需要和期待。对政策制定者来说，这一观察十分重要，因为企业的研发强度并不是政策是否对企业研发项目进行资助的衡量标准之一。然而，尽管高水平的研发强度十分关键，但其只对企业的第一个研发项目的影响最为深远。相反，经常受到政府资助的高研发强度企业的行为变化并不明显。这意味着研发资助只对高技术初创企业或具有较低研发强度的中小型企业的影响显著。

政府机构并不将企业的学习能力作为是否对其进行资助的考量，而是更多地依据企业的财务状况进行资助。然而，本文研究发现，企业的财务冗余对政策资助的学习效应影响并不显著。

创新网络和不同公司之间的合作经常被视为实现知识溢出的工具。我们的数据支持这个假设。此外，实现最大知识溢出和学习效果的项目也是那些有不同合作伙伴参与的项目。因此，与不同的合作伙伴一起学习和工作具有放大效应。

(二)研究局限

本文的研究也存在一些局限性，这可作为未来深入研究的方向。

第一，本文选定吉林省作为样本检验研发政策支持对企业行为增量的影响，虽然这可以控制其他外在因素，但也限制了研究结果的普适性。今后应就政府创新政策对不同形式增量在其他地区的影响进行检验，以评估政策效果的普适性。

第二，本文将行为增量定义为发生在企业中的学习，或者企业管理其创新过程的变化。这在一定程度上限制了对其他形式行为增量的研究，例如网络增量、项目增量或范围增量等。[20]

第三，本文采用的是横截面的自我汇报数据。一般情况下，识别政策支持对某一特定项目的财务绩效影响十分困难，研发资助的效果无法人为地、清晰地进行衡量。因此，本文关注企业从研发资助中获得的学习经验，采用标准的同源偏差技术方法解决绩效的自我汇报问题，结果显示该问题并不严重。而且，我们发现数据没有偏斜，而是围绕平均值有离散现象。此外，我们在收集数据时发现，在测量政策支持的影响以及新技术企业的绩效，特别是增量时，现有文献普遍存在一些主观性问题。例如，直接将产出归因于某一特定项目，以及直接询问被调查者一些主观问题等。同时，对研发和创新补贴效果的主观性测量在评估研究中被广泛接受和使用。另外，有关高技术企业的文献对绩效和产出也广泛采用主观的测量方式。而这些主观性测量被许多研究认为是具有极好的内在一致性和外在效度。[39]

第四，有关政策支持对企业行为产生影响的时间尺度问题。政策可能具有长期效应和短期效应，尽管长期的效应难以判定，因为其他因素很可能对长期影响产生干预，然而，评估长期的政策支持对企业的增量影响是必要的。此外，本研究集中于评估政策支持的直接效果，但政策支持也可能是间接的，其后果或许是潜在的。尽管这超出了本文的研究范围，但未来研究可以有针对性地比较政策的直接和间接效应。

七、总 结

政策制定者在设计创新政策时，应留意与研发资助紧密相关的学习效应及其积极的溢出效应。现有研究大多关注研发资助引致的投入增量和产出增量。然而，这些研究却严重忽略了研发资助的间接影响，例如企业管理实践的变化。本文试图补充现有研究，证明行为增量的存在。此外，本文运用组织学习这一行为理论解释行为增量发生的若干机制。许多项目中使用的财务性特征，例如， 用于区分合格的企业项目与不合格的企业项目的财务冗余指标，对企业行为增量实际没有影响；而企业网络对行为增量有积极的影响。最后，我们发现，投入增量与行为增量之间密切相关。这意味着那些想要改变管理方式的企业也愿意在研发上进行持续投入。