制造业金融化、高管团队特征与创新效率研究.docx

制造业金融化、高管团队特征与创新效率研究

1引言

制造业金融化不仅会对企业自身发展造成冲击，更会影响国家的创新能力[1]。2014-2019年，制造业金融资产增幅远大于创新研发投入。基于以上背景，本文选取制造业创新产出变量衡量创新效率，探讨金融化对创新效率的影响。高层梯队理论认为，高管团队性别、年龄等群体特征使其具备不同的管理风格，影响企业战略决策与经济效益[2]，继而影响制造业金融化与创新效率的关系。因此，本文选取高管团队年龄、性别、平均受教育程度、研发背景等变量，探究高管团队特征在制造业金融化与创新效率之间的调节机制。

2理论分析与研究假设

金融资产的高回报及创新活动周期较长、风险较高等特征使制造业企业在进行资源配置时，逐渐向金融领域延伸，创新投资被挤占，创新效率下降。因此，制造业金融化程度的加深会抑制制造业创新投入，限制其创新效率。基于以上认识，本文提出假设H1：

H1：制造业金融化对创新效率产生替代作用，抑制企业创新效率。

本文将高管团队平均年龄、性别比例、受教育程度、研发背景作为衡量高管团队特征的变量，分析其对制造业金融化与创新效率之间关系的调节作用。

首先，高管年龄反映其阅历及风险偏好[3]；其次，女性高管规避风险意识较强[4]；再次，高学历水平的高管乐于寻找机遇进行变革[5]；最后，具有研发背景的高管能推动企业研发投入的提升[6]。因此，本文提出以下假设：

H2：高管团队年龄越大，制造业金融化对创新效率的抑制作用越明显。

H3：高管团队女性比例越高，制造业金融化对创新效率的抑制作用越明显。

H4：高管团队受教育程度越高，制造业金融化对创新效率的抑制作用越弱。

H5：高管团队拥有研发背景的高管人数越多，制造业金融化对创新效率的抑制作用越弱。

3研究设计

3.1样本选取与数据来源

本文选择2014-2019年沪深两市制造业上市公司作为研究对象，以面板数据为样本数据，剔除样本内ST或*ST上市公司、相关数据严重缺失或明显有误的公司及高管特征数据不完整或不披露的样本，最终得到782家上市公司4692个有效观测值，使用Frontier4.1软件计算创新效率，借助Stata15.0软件进行实证分析。

3.2变量选取

①被解释变量：创新效率（IEff）。本文采用随机前沿方法（SFA）测算创新效率。依据肖文等[7]的研究，构建模型（1）：

式中，Yt表示制造业企业i公司在t年份的创新产出；Ki、Li表示资本和人力的投入，采用研发费用和研发人员数衡量；β0表示截距项；β1、β2、γ表示待估计参数；νi表示随机误差项，代表无法控制的外在因素造成的误差且服从正态分布；ui表示无效率项，即影响制造业企业创新效率的随机因素且服从单边分布。

②解释变量：制造业金融化（Fin）。本文采用制造业金融资产与总资产的比值作为衡量金融化的指标，进一步将金融资产划分为货币性金融资产（Fin1）和非货币性金融资产（Fin2）两类。

③调节变量：本文选取高管团队平均年龄（Age）、性别比例（Dgm）、平均受教育程度（Edu）、研发背景（Afunc）等高管团队特征作为调节变量来实证检验各高管团队特征的调节作用。

④控制变量。本文根据已有的研究[8]，选择企业规模（Size）、企业年龄（lnage）、盈利能力（Roa）、财务杠杆率（Lev）、企业成长性（Growth）、经营性现金流（Cfo）、企业资本密集度（Fixed）、股权集中度（Cn）作为控制变量，以此提高模型的拟合程度。

3.3模型构建

3.3.1制造业金融化与创新效率的回归模型

本文参考王红建等[9]、党建民等[10]的研究成果，构建多元回归模型（2），实证检验制造业金融化对创新效率的影响。

式中，β1表示创新效率与金融化的相关系数；?1～?8分别表示创新效率与企业规模、企业年龄、盈利能力、财务杠杆率、企业成长性、经营性现金流、企业资本密集度、股权集中度的相关系数；β0表示常数项。

3.3.2高管团队特征调节变量的回归模型

本文参考温忠麟等[11]的研究，在模型中添加高管团队平均年龄、性别比例、平均受教育程度、研发背景变量，构建调节效应回归模型（3）～（6），检验各高管团队特征对制造业金融化与创新效率关系的调节作用。

式中，β3、β5、β7、β9分别表示创新效率与交互项的调节系数，其正负表示为调节方向。模型中交互项系数的显著性代表高管团队特征对制造业金融化与创新效率关系的调节效应的显著性，即观察β3、β5、β7、β9是否显著。

4实证分析

4.1回归分析

为验证制造业金融化对创新效率的影响，本文对模型（2）进行回归检验，采用平衡面板数据和固态效应模型，设定相关企业和年度的虚拟变量。表1的回归结果显示，所有回归的F值均在1%的水平上显著，R2值均大于0