探讨外部关税冲击对企业创新的影响与机制，既有助于更加清晰地把握中国企业在复杂多变外部环境下的实际创新能力与技术提升路径，也有助于为统筹高质量创新发展与开放发展提供更丰富的理论视角与经验证据。

---

01 文献简介

▪ 文献来源：余振, 李元琨, 李汛. 外部关税冲击、企业家注意力配置与创新发展[J]. 世界经济, 2024, 47(6): 65-94
▪ 数据与代码来源：《世界经济》官方网站（ https://manu30.magtech.com.cn/）
▪ 关键词：关税冲击　企业家注意力配置　自主创新　文本分析　机器学习


▪ 主要内容：在外部环境复杂多变的背景下，研究关税变化对中国创新发展的影响机制具有重要意义。本文利用2018年美国对华加征关税这一外部冲击，使用双重差分法探究外部关税冲击对中国企业创新产出和效率的影响，并通过文本分析和 Word2vec 机器学习技术，测度了企业家注意力配置，借此进一步分析了外部负向关税冲击影响企业创新的传导机制。结果发现：外部负向关税冲击显著降低了中国企业的创新产出和创新效率；企业家注意力内容配置和注意力时间配置是产生以上影响的两个渠道；政府增加 R&D 补贴、媒体和分析师减少关注、具有抗压能力强特质的企业家，均可以缓解外部关税冲击对企业创新的负向影响。本文结论意味着要为企业家确立良好的政策导向和社会环境，缓解外部关税压力，进而使其在自主创新中更好地发挥企业家精神。


▪ 创新点：（1）从企业家注意力配置的视角拓展了外部冲击对企业创新传导机制的研究。在以往文献关注市场规模、竞争效应和知识流动等渠道的基础上，本文利用文本分析和机器学习方法测度了企业家注意力内容配置和时间配置，并研究以上配置在外部冲击影响企业创新中的传导作用。（2）进一步缓解了外部关税冲击对企业创新影响经验分析的内生性问题。本文将 2018年美国对华临时加征关税事件作为外部冲击，利用该冲击的“突发性”“大规模”和“科技相关”等特点，采用双重差分法识别了外部关税冲击对企业创新的影响。（3）丰富了社会舆论关注与企业创新方面的文献。现有研究发现，媒体和分析师关注会加大企业家受到的短期压力，进而减少企业创新（江轩宇等，2021）。本文进一步在关税冲击这一背景之下，考察了媒体和分析师对企业创新的影响。

---

02 研究模型与变量设计本文基于熊彼特创新理论、高层梯队理论和注意力配置理论，研究外部关税冲击对企业技术创新的影响，并基于企业家注意力配置视角进行机制分析。下文将首先构建理论框架，针对本文的两个理论出发点——“注意力分配理论”和“高层梯队理论”——进行系统论述，而后将分别基于“注意力分配理论”分析外部关税冲击对注意力内容配置和时间配置的影响渠道，基于“高层梯队理论”分析注意力内容配置和时间配置对企业创新的传导路径。本文的理论框架如图1所示税冲击：




（一）模型设定

为了考察外部关税冲击对企业创新的关系，本文以2018年美国对华加征临时性关税作为外部冲击，采用双重差分法研究该冲击对企业创新的影响，主要基于以下几点原因。第一，不可预测性。一般而言，临时性关税的征收首先由行业协会发起诉讼，经过调查并认定之后，再来制定相应的关税政策。这一过程往往持续数年，足以让受影响的行业和企业做出应对（Avsar and Sevinc，2019）。而2018年美国突然对华加征最高25%的临时性关税，其采取措施之时机和幅度都在很多企业的预测之外。第二，规模大。2018 年中美贸易摩擦被认为是在二战后全球最大规模的双边贸易摩擦（Qiu et al.，2019）。第三，科技相关。美国贸易代表办公室在第一轮关税战中发布了包含对1102种商品的征税清单，其中包括航空航天、信息通信技术、机器人技术、工业设备、新材料和汽车等。学者们认为美国主要针对中国的高技术行业加征关税，旨在制约中国在高新技术领域的发展（余振等，2018）。因此，美国对华征收巨额关税具有一定的外生性为识别外部关税冲击对企业创新的影响提供了政策环境。具体而言，本文以中国受到美国加征关税冲击的企业作为处理组，以未受到美国加征关税冲击的企业为控制组，基于连续变量构造双重差分模型，识别外部关税冲击对企业创新的影响。模型如下所示：

其中 exposurei 为 i 公司的外部关税冲击指数，postt 为处理时间的虚拟变量，即在2018年及之后赋值为1，在2017年及之前赋值为0。innovationit为企业i在t年的创新变量，包括创新产出、创新投入与创新效率三个指标。此外，本文控制了影响企业创新的其他因素，主要包括企业规模（size）、权益收益率（roe）、企业年龄（age）、资本结构（levarage）、两职合一（dur）、董事会规模（boardsize）。本文还控制了企业固定效应来吸收不随时间变化的企业层面的混杂因素和年份固定效应来吸收所有企业在年份层面随时间变化的混杂因素，并选择聚类到企业层面的稳健标准误，主要变量定义参见附表1

（二）样本选择与数据来源

本文在基准回归中主要选取 2015-2019年的中国上市公司作为研究对象。选择中国上市公司作为研究样本，主要基于以下两方面的考虑：第一，数据及时可信。中国证监会对上市公司的数据披露有严格的时间和规范要求；第二，文本公开透明。上市公司每年发布年报，尤其是其中的管理层分析和讨论环节均经过管理层编撰和审核，其文本可以直接反映企业家的注意力配置。

本文仅选取第一轮关税冲击所针对的行业样本进行研究，原因在于以下两点。第一，针对性强。考虑到美方三轮关税壁垒针对的行业并不一样，其中第一轮贸易关税主要集中在高技术行业，而第二轮和第三轮主要集中在农产品、工业原料和初级制成品（王孝松和武睆，2020），且更有“反制”的意味。第二，持续时间相对较长。美方对华第二轮和第三轮加征关税分别于2019年5月和9月完成，因此，美国对华征收的第一轮关税实施最早、持续时间最长，且距离后面中美第一阶段贸易协定签订的时间间隔更远。主要数据来源于以下 4个数据库，分别是美国加征关税数据库、海关数据库、上市公司专利创新数据库和上市公司年报数据库。其中美国对华加征关税数据源于美国贸易代表办公室公开的产品层面关税目录（Fajgelbaum et al.，2020）。上市公司年报数据库主要通过巨潮资讯网得到。

其中，i表示企业，j表示地区或行业。ωit为企业 i在 t年占 j地区或行业所有企业增加值的比重，基于这个公式也可以进一步进行地区或者行业层面加总，得到全国层面的加总劳动收入份额。

（三）指标测度与变量定义

1.外部关税冲击指数。本文参照Topalova and Khandelwal（2011）以及Benguria et al.（2022）的方法计算企业层面的外部关税冲击指数。企业层面外部关税冲击指数的计算公式如下所示：

其中，为中美贸易摩擦前后美方对中国 j产品的关税差分值，为 i公司在基期 2016 年对美国的 j 产品出口，Ji 是 i 公司生产的 j 产品集合。为 i 公司在基期2016年对美出口总额。该指标可以看成i公司在中美贸易摩擦前后受到关税强度差分的加权平均值。具体来讲，本文首先将美国对华加征的产品层面关税在HS-6位码层面进行算术平均①，与中国 2016 年海关库②进行匹配；其次，参照金祥义和戴金平（2019）的做法，匹配两个数据库中的企业名称；最后，将剩余样本依次按企业地址、法定代表人、邮政编码及企业电话号后7位进行合并。为了检验测算结果的相关特征，描述性统计见网站附录B部分。

2.企业创新。本文分别从企业创新投入、创新产出与创新效率多维度刻画企业创新表现。本文采用企业的研发投入金额作为创新投入指标。Hall and Harhoff（2012）、黎文靖和郑曼妮（2016）以及孔东民等（2017）的研究表明，由于专利授予受到年费、检测以及关系网络等因素的影响，专利的申请数量比授予总数更能反映公司的创新水平。中国的专利申请制度中将专利分为发明专利、实用新型专利和外观设计专利三种类型，其中发明专利的质量较高。因此，本文选择企业的发明专利申请量作为主要的企业创新产出指标，在稳健性检验中使用企业所有专利申请量作为替代性的创新产出指标。由于创新产出和创新投入联系密切，我们基于投入与产出比例构建了创新效率指标，具体采用企业专利申请与企业研发投入对数的比值作为企业创新效率的衡量指标（Hirshleifer et al.，2013）。这主要因为企业专利申请可以反映企业创新产出，企业研发投入金额可以反映企业创新投入。由于方程均对分母和分子取了对数，该指标可以看成企业创新产出对创新投入的弹性，即代表创新投入每增加1%会使得创新产出变化的百分比。具体构造如下：

本文在基准回归中使用（3）式计算企业创新效率，即使用发明专利申请量对数ln invent与研发投入对数ln rd的比值作为基准回归指标。稳健性检验使用（4）式计算企业创新效率，即采用总专利申请量对数 ln patent与研发投入对数 ln rd 的比值作为替代性指标。

3.注意力内容配置。现有文献表明公司年报可以有效反映企业家的特质及状态（Marquez-Illescas et al.，2019）。参照蒋艳辉和冯楚建（2014）的研究，本文选择对上市公司年报中的管理层分析与讨论章节（Management Discussion and Analysis，MD&A）进行文本分析①。文本分析首先需要构建“创新注意力”词集。参照胡楠等（2021）和 Brochet et al.（2015），本文通过机器学习 Word2vec 这一方法寻找近义词，缓解人为定义词表的主观性和通用同近义词工具的弱相关性（LeCun et al.，2015）。利用Word2vec模型对文本语料进行训练后，生成词向量空间，为每个词分配一个向量。在向量空间中，距离越近的词意思越近，可以通过两词的距离计算相似性。具体筛选词集方式如下：第一步为选择既往中文文献中曾用过的“创新注意力”词集作为基础词（黄珊珊和邵颖红，2017），其中包括：“创新”“自主”“研发”“科研”“新产品”“技术”“开发”“研究”“专利”。第二步根据Word2vec中的CBOW模型（连续词袋模型，Continuous Bag-of-Words Model）对中文年度财务报告语料进行训练，生成词向量空间，并在词向量空间中，对基础词的相似词进行筛选。筛选标准为：财报文本语料中出现频次在1000次以上，且和基础词频相似度在30%以上的拓展词。第三步为邀请了 3名业界和学术界专家对 CBOW 模型得到的相似词进行人工核查，并筛选出包括“发明”和“技术成果”等额外的“创新注意力”拓展词集。本文将“创新注意力”基础词集和“创新注意力”拓展词集分别作为文本分析的词典，并基于词典法对每家企业的年报中MD&A部分进行词频分析。通过计算词集中词汇总词频占 MD&A 总词频的比例并乘以 100，得到企业家创新注意力配置指标。为了验证稳健性，本文还计算了两个指标：词集总词频占不含数字MD&A总词数的比例，词集总词频占不含数字和英文MD&A总词数的比例。这两个指标数值越大，表示企业家越注重创新。

4.注意力时间配置。本文采用对企业年报中MD&A一章进行文本分析的方法来测量企业家注意力时间配置。使用文本分析测度人们的时间配置有着较强的语言学理论基础（Chen，2013）。跟上述做法相似，分三个步骤选取表征当下和表征未来的词集。第一步参照陈守明和胡媛媛（2016）的做法，采用“现在”“此时”“此刻”“当下”“当前”“近期”“目前”作为表征关注当下的基础词，采用“未来”“即将”“将来”“将要”“接下来”“今后”作为表征将来的基础词。第二步基于 Word2vec 中的 CBOW 模型构造词向量空间，并在其中寻找近义词，筛选出词频数在1000词以上，和基础词相似度在 30%以上。第三步邀请 3名业界和学术界专家对 CBOW 模型得到的相似词进行人工核查，并筛选出包括“现在”“此时”等表征当下的词集，并得到包括“将来”“将要”等表征未来的词集。本文分别基于表征当下和表征未来的词集用来文本分析，并利用词典法对每家企业的年报中 MD&A 部分进行词频分析，分别计算以下 3 个指标：词集词频数占MD&A总词数的比例，词集词频数占不含数字MD&A总词数的比例，词集词频数占不含数字和英文MD&A总词数的比例。

---

03 数据与代码

---

04 实证结果
主回归：为了检验外部关税冲击对企业创新影响，本文分别将不同创新指标代入（1）式回归。其中表2中第（1）和（2）列分别选择企业的发明专利申请量和企业的总专利申请量作为被解释变量。结果显示，企业受到的关税冲击程度与企业创新产出均呈显著的负相关关系。exposure × post的系数显示，企业受到关税冲击程度每上升 1%，企业发明专利申请下降0.59%；企业总专利申请下降1.01%。表2中第（3）列以企业研发投入作为被解释变量，exposure × post的系数显示，外部关税冲击对企业创新投入的影响并不显著。表2中第（4）列和（5）列分别以企业的创新效率作为被解释变量。无论是以发明专利数量还是总专利数量和创新投入的比值作为测算企业创新效率指标，外部关税冲击均对企业创新效率呈现显著的负向影响。exposure × post的系数显示，企业受到的关税冲击程度每上升1%，基于发明专利数量测算的创新效率下降2.8%，基于总专利数量测算的创新效率下降 4.8%。以上结果说明关税冲击对企业创新呈现出显著负向影响，且这种负向影响主要表现为企业创新效率的下降。

机制检验：注意力内容配置。表3和表4分别从静态和动态对企业家注意力内容配置的机制进行检验。其中，两表的（1）-（3）列是基于基础词频的回归结果，（4）-（6）列为基于拓展词频的回归结果。表 3中（1）-（3）列使用 MD&A 章节中创新注意力的基础词频数量作为企业家创新注意力的衡量指标，并当作被解释变量对外部关税冲击进行回归。本文分别用词集词频数除以总词数，去掉数字总词数和去掉数字、英文总词数进行标准化。结果发现，外部关税冲击对企业家创新注意力的影响负向显著。（4）-（6）列使用MD&A章节中拓展词频数量作为企业家创新注意力的衡量指标，并当作被解释变量对外部关税冲击进行回归。可以发现，无论何种形式的标准化，结果都显示外部关税冲击对企业家创新注意力存在负向影响。

表 4列示了关税冲击对企业家注意力内容配置的动态影响。在样本期内，选择2017 年作为基准年份，将其他年份作为虚拟变量与企业外部关税冲击交乘，并同时代入方程。其中（1）-（3）列仍以 MD&A 章节中创新注意力的基础词频数占比作为企业家创新注意力的衡量指标。结果显示，无论采用何种形式的标准化，2018 年之前的年份虚拟变量与外部关税冲击交乘项系数均不显著。但在 2018 年后，年份虚拟变量和外部关税冲击交乘项系数显著为负。（4）-（6）列使用拓展词频重新进行回归，结果仍然稳健。以上结果说明，关税冲击前处理组和控制组的创新注意力满足平行趋势假定，而 2018 年后外部关税冲击使得处理组企业家的创新注意力显著下降。

4.机制检验：注意力时间配置。表5和表6分别从静态和动态对企业家注意力时间配置的机制进行检验。其中，两表的（1）-（3）列是对配置“当下”注意力回归的结果，（4）-（6）列是对配置“未来”注意力回归的结果。表5中（1）-（3）列使用MD&A章节中配置“当下”的词频数量作为被解释变量，无论采用何种标准化方式，关税冲击程度均对企业家配置“当下”注意力存在正向显著影响。（4）-（6）列使用MD&A章节中配置“未来”的词频数量作为被解释变量，无论采用何种标准化方式，关税冲击程度均对企业家配置“未来”注意力产生了负向显著影响。

表 5的结果证明了外部关税冲击对创新影响存在注意力时间配置机制，即关税冲击会使得企业家增加对“当下”的注意力，减少对“未来”的注意力。表 6列示了关税冲击对企业家注意力时间配置的动态影响。具体地，在样本期内，选择2017年作为基准年份，将其他年份作为虚拟变量与企业外部关税冲击交乘。其中（1）-（3）列使用MD&A章节中企业家关注“当下”的词频作为被解释变量。结果显示，无论采用何种形式的标准化，2018年之前的年份虚拟变量与关税冲击交乘项系数均不显著。但在2018年之后，关注“当下”的注意力配置对年份虚拟变量与关税冲击交乘项系数显著为正。（4）-（6）列使用MD&A章节中企业家关注“未来”的词频作为被解释变量。无论采用何种形式的标准化，结果发现2018年之前的年份虚拟变量与关税冲击交乘项系数均不显著。但在2018年之后，年份虚拟变量与关税冲击交乘项系数显著为负。以上结果说明，2018年之前处理组和控制组的企业家对“当下”和“未来”的关注均满足平行趋势假定，而 2018年之后处理组企业家对“当下”的注意力配置显著增多，但对“未来”的注意力配置显著减少。