《Technovation》：The innovation ripple effect of government venture capital: Dual-path diffusion via demonstration-learning and escape competition
编辑推荐：
政府风险资本（GVC）在金融支持之外还充当生态系统重构冲击。政府风险资本（GVC）对未获资助的本地同行企业产生显著的创新涟漪效应。示范-学习（demonstration-learning）和逃避竞争（escape competition）驱动了这一扩散过程。数
政府风险资本（GVC）在金融支持之外还充当生态系统重构冲击。政府风险资本（GVC）对未获资助的本地同行企业产生显著的创新涟漪效应。示范-学习（demonstration-learning）和逃避竞争（escape competition）驱动了这一扩散过程。数字化转型（digital transformation）调节了政府风险资本（GVC）引发的溢出效应的强度。
**政府风险投资创新涟漪效应的双路径扩散：基于示范-学习与逃避竞争机制**
**研究背景与问题**
政府风险投资（GVC: Government Venture Capital）作为兼具财政与金融属性的产业政策工具，旨在通过支持高成长性初创企业促进技术创新与产业升级。现有研究主要聚焦GVC对投资组合企业的直接效应，如缓解融资约束、提升专利产出及经济绩效，但忽视了其对同一城市-行业内未获资助的本地同行企业（local peers）的间接影响。GVC投资作为一种地理嵌入的政策干预，可能通过资源重新配置、认证信号和竞争失衡重塑本地创新生态系统，然而其如何引发同行企业的创新响应（即创新涟漪效应）仍缺乏系统探讨。本研究旨在从示范-学习（demonstration-learning）与逃避竞争（escape competition）双路径出发，揭示GVC投资对本地同行企业创新绩效的影响，并考察数字化转型（digital transformation）作为动态能力的调节作用。
**研究内容与结论**
研究人员基于中国2008–2023年23,164个GVC投资事件，构建城市-行业层面GVC暴露指标，结合中国A股上市公司数据（共36,885个公司-年度观测值），采用多期双重差分（DID）模型进行因果识别。研究发现：GVC投资显著提升本地同行企业的创新产出，专利数量平均增加约7.9%，证实了创新涟漪效应。机制分析表明，GVC通过两条路径发挥作用：一是示范-学习效应，即GVC认证的投资组合企业成为州认可的创新标杆，促使同行企业通过模仿降低研发不确定性；二是逃避竞争效应，即GVC强化投资组合企业的资源与制度优势，迫使同行企业通过创新应对竞争压力。数字化转型正向调节这两条路径，增强了同行企业的信息处理与资源重构能力。异质性分析显示，效应在规模大、全要素生产率（TFP）高、处于竞争性或高技术行业的本地同行企业中更显著；当GVC投资于成熟企业或非国有企业（non-SOEs）时，涟漪效应更强。该研究将GVC评估从企业层面扩展到生态系统层面，揭示了政策干预如何通过重塑本地创新互动网络产生间接溢出。论文发表在《Technovation》。
**关键技术方法**
研究人员使用多期双重差分（DID）模型作为基准识别策略，以城市-行业单元首次发生GVC投资作为冲击事件。为处理内生性，采用以下方法：（1）倾向得分匹配（PSM）结合DID，加入国有产权密度和政府补贴强度等匹配协变量；（2）工具变量（IV）分析，以省内其他城市平均GVC投资额作为工具变量，满足相关性和外生性条件；（3）使用CSDID估计量（Callaway和Sant'Anna, 2021）和插补估计量（Borusyak等, 2024）处理异质性处理效应；（4）进行安慰剂检验、排除高技术创新企业认证政策干扰、调整因变量（专利授权量）等稳健性检验。样本来源包括PEDATA MAX数据库（GVC投资事件）、CSMAR数据库（企业财务与治理数据）、IncoPat数据库（专利数据）及上市公司年报文本挖掘（数字化转型数据）。
**研究结果**
**4.1 基准回归结果**：通过逐步加入控制变量和固定效应，在完全控制企业、行业×年份、城市×年份固定效应后，GVC投资冲击（GVC_Post）的系数为0.076（p<0.01），表明GVC投资使本地同行企业平均专利产出增加约7.9%，支持假设H1。
**4.2 平行趋势检验**：动态事件研究图显示，在GVC冲击发生前，处理组与对照组创新趋势无显著差异；冲击后一年起，系数显著为正，证实了平行趋势假设与涟漪效应的滞后性。
**4.3 内生性检验**：（1）遗漏变量偏误检验（Altonji等, 2005）显示，未观测因素需比观测因素强2.8倍以上才能解释估计结果，可能性极低；（2）PSM-DID结果（1:1近邻匹配和核匹配）中GVC_Post系数仍显著为正；（3）工具变量分析中，第一阶段IV显著（系数0.024），第二阶段GVC_Post系数显著为正，排除反向因果。
**4.4 稳健性检验**：（1）安慰剂检验（500次随机分配）显示估计系数集中分布于零，排除偶然因素；（2）使用CSDID和插补估计量处理异质性处理效应后，GVC_Post系数分别为0.132和0.098，均显著；（3）以专利授权量替代因变量，系数仍显著（0.059）；（4）控制高技术创新企业认证（HTE）后，系数不变（0.120）；（5）剔除样本期首尾三年（2008–2010和2021–2023）的观测值后，系数仍显著（0.134）。
**5.1 机制分析**
**5.1.1 示范-学习效应**：以本地同行企业对投资组合企业的专利引用次数（Citation）衡量示范-学习强度，GVC_Post系数为0.238（p<0.05），表明GVC冲击后引用强度增加约26.9%。进一步将同行企业按技术邻近性（IPC代码分布余弦相似度）分组，高邻近组中GVC对创新的促进作用显著（0.187），低邻近组不显著，证实了示范-学习机制（H2支持）。
**5.1.2 逃避竞争效应**：GVC冲击后，本地同行企业显著增加广告支出（ADV系数0.056）、降低管理费用率（ADM系数-0.097）、增加内部融资（IF系数0.122），表明企业为应对竞争进行资源重构。按产品市场邻近性（基于TF-IDF的业务范围文本相似度）分组，高邻近组中GVC创新效应显著（0.229），低邻近组较弱（0.046），支持逃避竞争机制（H3支持）。
**5.1.3 数字化转型的调节作用**：引入GVC_Post与数字化转型（DT）交互项，交互项系数在创新绩效（FIO）模型中显著为正（0.132），且在示范-学习路径（Citation模型交互项0.115）和资源重构路径（ADM模型交互项-0.035，IF模型交互项0.042）中均显著，表明数字化转型强化了双路径扩散，支持H4。
**5.2 异质性分析**
**5.2.1 基于本地同行企业特征**：按企业规模和全要素生产率（TFP）中位数分组，GVC创新效应在大型、高TFP企业中显著（系数0.096和0.178），在小型、低TFP企业中不显著，表明创新响应能力是边界条件。
**5.2.2 基于行业特征**：在竞争性行业中，GVC效应显著（0.208），在垄断性行业中不显著；在高技术行业中效应显著（0.186），在低技术行业中不显著。
**5.2.3 基于投资组合企业特征**：当GVC投资于成熟企业时，效应显著（0.142），投资于早期企业时不显著；当GVC投资于非国有企业时，效应显著（0.128），投资于国有企业时不显著。
**总结讨论与结论翻译**
**讨论部分总结**：本研究将GVC的效应从投资组合企业扩展到生态系统层面，表明GVC作为地方性政策冲击，通过示范-学习和逃避竞争两条路径重塑本地同行企业的创新行为。理论贡献包括：超越企业中心视角，揭示GVC的间接创新溢出；将政策嵌入的同行效应与传统市场驱动的同行效应区分开来；强调数字化转型作为动态能力的关键调节作用；并识别出企业能力、行业特征和投资目标特征等边界条件。实践启示方面，政策制定者应建立集群层面的创新评估指标，优先支持成熟、市场导向的非国有企业；企业管理者应将GVC投资视为战略信号，加速数字化转型以增强响应能力。跨制度普适性分析表明，示范-学习机制在政府影响力强的经济体中更可能成立，而逃避竞争机制和数字化转型调节作用在多种制度环境中均具有普适性。
**研究结论翻译**：本研究考察了GVC投资是否以及如何重塑企业创新，超越其对被投资企业的直接影响。通过将分析单位从单个投资接受者转向同一城市-行业背景下未获资助的本地同行，本研究系统评估了GVC在生态系统层面产生的间接创新效应。使用准实验设计，结果显示GVC投资在本地同行中产生显著的创新涟漪效应：暴露于GVC进入的企业尽管未直接获得政府资本，其专利产出仍增加约7.9%。这一效应反映了同行企业对本地创新环境变化的战略响应。一方面，GVC支持的企业成为显著的创新标杆，诱导本地同行进行示范驱动型学习，降低创新不确定性；另一方面，GVC投资加剧了本地市场的竞争不对称，促使同行企业通过创新逃避竞争压力。进一步发现，数字化转型作为关键动态能力，调节了这些创新响应的强度。数字化转型能力更强的本地同行企业能更好地解读GVC支持企业的示范信号，并响应加剧的竞争重新配置内部资源，从而强化示范-学习和逃避竞争机制。进一步分析表明，创新涟漪效应在具有较强企业能力、处于竞争性或高技术行业、以及GVC投资于成熟或非国有企业时更为显著。这些发现共同描绘了政策诱导创新激励传导的清晰边界条件。
