數字創意產業的技術創新與商業模式創新對企業績效的影響
——基于LDA 法的創新測度與計量檢驗

在全球互聯網浪潮之下，數字創意產業作為文化和科技融合的新興領域，已成為全球經濟發展的熱點。 《中華人民共和國國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》提出，我國要實施文化產業數字化戰略，加快發展新型文化企業、文化業態、文化消費模式，壯大數字創意、網絡視聽、數字出版、數字娛樂、線上演播等產業。 數字創意產業是戰略性新興產業的重要組成部分，是我國產業轉型升級的重要方向，也與正風行于世的元宇宙概念密切相關，并為其未來創新發展奠定了基礎。 數字創意產業的技術創新與商業模式創新頻繁發生、相互交織，深刻影響著數字創意產業的發展邏輯、發展態勢與發展趨向。

一、引言

從技術創新的角度來看，影響數字創意產業的技術包括使能技術、應用技術、終端設備三個層次，這些技術也影響著數字創意產業的內容籌備、內容生產、內容分發、內容消費等各個環節。 從商業模式創新的角度來看，數字創意產業廣泛運用“數據+算法+內容”的商業運作模式，其中，數據是基礎，算法是橋梁，內容是核心。

數字創意企業中的技術創新與商業模式創新是否會對企業績效產生影響？產生何種影響？為了回答這一問題，首先要刻畫企業的技術創新與商業模式創新。 創新的表現形式豐富，特別是技術創新和商業模式創新不是某個單一指標或組合可以衡量的。 就數字創意產業的創新而言，因為有很多是聚焦于情感、思想的“軟創新”，它們呈現為知識產權中的商標權和著作權。著作權創作即擁有，除了音樂行業的著作權，內容生產者會去主動登記注冊；其他著作權的擁有者都不會刻意去注冊，很多都是等到侵權觸發時，才會運用行政或者法律的途徑去確定這一權利的歸屬。 即便將商標權、著作權數據全部累加，也不足以準確反映一家數字創意企業創新的全貌。

用于刻畫技術創新的研發投入和專利數據有其局限性。 而對于商業模式創新的測度主要有兩種常用方法，一種是指標打分法，即首先將商業模式創新的內涵進行劃分和細則制定，分為幾個組成部分，經過專業訓練的人員依據細則，使用李克特量表等測量工具進行打分，然后再累加得出每個企業的商業模式創新指數。一些研究還會對初步打分進行質量控制。第二種方法是問卷調查法，制定針對被研究對象實際的調查問卷，然后派出調查人員開展搜集、整理等工作，最后形成企業的商業模式創新指數。 這兩種方法都有其科學性、可操作性，同時工作難度也較大，需要投入較大的人力物力財力，而且避免主觀因素的過程控制、質量控制尤其重要。

如何準確合理衡量技術創新與商業模式創新的強度與水平是橫亙在本文研究主題面前的一大難題。 創新與創意兩者在度量上存在困境，以往度量指標并不完美。 鑒于此，本文開創性地采用文本分析的方法，充分發揮該方法的優勢，使用LDA（Latent Dirichlet Allocation 隱含狄利克雷分布模型，以下簡稱LDA 模型）模型，構建了一個全新的刻畫數字創意產業的技術創新與商業模式創新兩者的綜合型指數。 通過這個指數來描述數字創意企業的技術創新與商業模式創新的活動、行為。

衡量創新績效的基本邏輯是“投入—產出”模型。 創新投入包含時間、資本、人力和信息技術，通常以R&D 投入表征。 創新產出則是專利、商業績效、節約的成本、新產品的市場表現、市場收益份額、上市時間和專利轉化為產品的比率等。 大量的文獻聚焦創新活動與企業績效兩者之間的關系。 圍繞創新績效衡量，學者常采用以下三種比較主流的方法：第一，市場調研法，即通過實地調研，發放調查問卷，搜集企業技術創新和商業模式創新的實際情況，該方法更多的是和結構方程模型相結合，以發現創新對績效的作用機制或創新的驅動因素；第二，指標核算法，即通過構建指標體系，通過打分加總的方式測算企業、國家的創新及創新績效，在國際上衡量績效有幾個方式被廣泛認可：平衡計分卡、績效棱鏡（Performance Prism）和歐洲品質管理基金會（EFQM）的質量管理等；第三，經典實證分析法，此方法中主要難點在于如何衡量創新這一指標，文獻主要集中在企業、行業兩大維度。

二、數字創意產業的創新綜合指數構建方法

文本分析法越來越多地應用到經濟學，特別是金融學領域，是大數據時代賦予的一場研究范式的革命。 本文主要運用文本分析法的LDA 模型，該模型由大衛（David）和喬丹（Jordan）等在2003 年提出，最早發表在《機器學習研究檔案》期刊上。 布萊（Blei）和拉弗蒂（Lafferty）認為LDA是“最簡單的主題模型”

，并且“已被證明非常流行”

。

（一）文本分析法的優勢

第一，避免了傳統指標選取所存在的問題。 在指數構建方面，文本分析法避免了創意指數的難以衡量，也避免了專利與科研投入指標的刻畫不準現象，同時避免了傳統商業模式創新衡量方法的高人力成本消耗。 在研究對象的甄選方面， 文本分析法克服了以往衡量服務業、中小型企業創新的弊端。 它針對的是描述企業的財務報告、年報、新聞報道或者研究報告，通過文本計量的方式來衡量創新，將非結構化的數據提取出結構化的可用于計量分析的指標化數據。

第二，提供全新視角，避免了數據可獲得性不高的問題。 一是文本分析法擴大了“創新”的范圍。在文本分析方法當中，它可以將關于技術創新、商業模式創新的主題提取出來，比如觀察、測度文本中關于“研發”“價值”“用戶”“成本”“收入”等主題的論述，拓寬了創新測度的范圍。 二是在選擇符合本文研究范疇的企業樣本中，只有寥寥幾家企業有新增專利數的數據，其他專利數據都是缺失的，如果僅僅基于專利的話，本文的樣本數量嚴重不足。文本分析的方法則可以突破該局限，能盡可能多地搜集更多的企業，而且時間的跨度也更長，還能規避專利數據的跨期申請、為滿足保密需求滯后申請、為迷惑競爭對手偽申請等問題。

實踐證明：這種教學模式極大提高了成人教育學生的學習的積極性；滿足了學生個性化和按需學習的需求，培養了學生自主學習的能力，提高了課堂教學效果，學生動手編程能力明顯提高。

第三，節約了研究的人力成本，可以提煉結構化變量。文本分析的方法通常一下子處理幾萬份文檔，若是要人工去一篇篇閱讀如此大規模的文檔，并且萃取最具代表性的主題信息是一大挑戰。 該方法依據算法和機器學習，自動提供整個語料庫的主題，節約大量的人力成本，數據處理規模也大，同時還避免了人工處理過程當中可能出現的誤讀、被“茫茫信息淹沒”的現象。 大數據實時流動，來源廣泛，海量且分散，呈現分布碎片化、主題模糊化、文本非結構化等特征。 通過文本分析的方法，可以從碎片化的數據中提煉結構化的變量，從而獲得高價值密度的信息，將模糊的主題變得清晰，同時還將非結構化的文本結構化，實現從文本到結論的轉化，形成整體性的認知圖景。 而形成的結論反過來又可以回歸文本，從文本中找出相應的片段式或整體性的經驗與描述去進一步論證結論（圖1）。

（二）LDA 方法的具體內涵

LDA 是一種主題模型，屬于信息提取方法中的無監督學習方法之一，是自然語言處理（NLP）中應用較為廣泛的基礎性模型。 LDA 模型是三層貝葉斯概率模型，基于離散數據集合（如文本語料庫），每個集合都是由一系列主題構成，且主題以概率分布的方式呈現。 換而言之，它將一篇文檔看作詞匯的集合，而詞匯則是圍繞文檔的主題生成。 所以主題模型主要是構建文檔—詞—主題之間的關系，核心邏輯在于把文檔進行分詞，然后根據詞與詞之間的共現與鄰近（也可以加上語義關系）等，進行聚類（也就是獲得主題），最后形成文檔—詞頻分布矩陣，詞—主題分布矩陣，以及文檔—主題分布矩陣。

根據在具體的操作中，LDA 假設一個語料庫D 中的每個文檔d 的生成過程如下：

1.選擇N ～Poisson（ξ）。 即詞匯服從泊松分布。

2.選擇θ ～Dir（α）。θ 服從參數為α 的狄利克雷分布，θ 是一個多項式分布。θd 表示文檔d中所包含的每個主題的比例，它是文檔d 的主題分布，是個向量。

重復上述過程，遍歷M 篇文檔。

（1）根據θ

進行主題指派，得到文檔d 中詞n 的話題z

，n 即從文檔中的主題分布采樣詞n 的主題z

；（2）根據指派主題所對應的詞分布中采樣出詞w

（每個主題有各自的詞匯分布，詞匯分布同樣是多項分布，服從Dirichlet 分布，參數為β）。

3.對于N 中的每個詞w

：

給定參數α 和β，主題混合分布θ、主題z 和文檔d 的聯合分布，如式（1）所示：

根據確定的總干渠輸水線路方案，經過多次現場踏勘，進一步篩選了明渠直供、管道供水、明渠＋調蓄水庫等3個工程方案進行比選。各方案的主要優缺點見表2。

簡而言之，在LDA 模型中一共有三個分布：（1）每篇文章中的主題分布，即θd，其中d∈D；（2）每個主題中的詞匯分布，即z

；（3）每篇文章中的詞匯分布，即w

。 有兩個參數：假定給定了狄利克雷分布的參數α 和β。

我認為，在目前的發展階段，部分產業談共享經濟也許是過早的。但我并不認為有些產業注定沒有辦法走網絡協同的道路，很可能未來它們會在一個更大的網絡協同或者說是協同網絡中去發展。像租車，本身并不適合共享經濟，但是智能交通可能會出現一個巨大的網絡協同平臺，而租車只是其中的一個服務。所以，共享平臺或者說共享經濟、網絡協同也許能在一個更大的產業范圍內實現。這就需要更長時間的積累。

(1)水位。地下水水位是最基本的地下水動態監測要素，現場主要監測地下水水位埋深，然后根據測點高程換算水位標高。人工測量主要采用電觸懸錘自警式電子水尺，自動化測量主要采用壓力式遙測水位計。

對于數字創意產業上市企業的樣本選取經歷了四輪篩選。 第一輪根據數字創意產業的定義，選取包含軟件開發、生產廠家、內容提供、營銷推廣等在內的滬深股市的企業。 具體而言，從證監會行業分類中選取了電信、廣播電視和衛星傳輸服務，廣播電視電影和影視錄音制作業，軟件和信息技術服務業，新聞和出版業，從萬得的行業分類中選取了互聯網軟件與服務、家庭娛樂軟件，從中信證券行業分類中選取了傳媒、黑色家電和計算機軟件，從申銀萬國的行業分類中選取了互聯網信息服務、平面媒體、家電中的視聽器材、移動互聯網服務、營銷服務、影視動漫、有線電視網絡。 此外，從智能音箱、投影儀、VR 器材的生產廠家以及芯片廠家中選取了相應的上市企業，形成盡可能覆蓋廣泛的“樣本池”，然后進行去重操作。 第二輪，依據公司的主營范圍和主要標簽篩選。 第三輪，登錄公司的主頁，依據公司提供的主要產品、解決方案、覆蓋行業、合作伙伴進行篩選，與數字創意產業無關的，都予以剔除。 第四輪，則是依據數據完整性進行篩選，全時間鏈條均具備的數據予以保留，最終剩余129 家企業作為本文研究的樣本。

David M. Blei 等認為θ→z 和z→w 這兩個隨機過程都可以用狄利克雷分布來描述， 因此可以通過訓練來估計這兩個隨機過程對應的模型參數。 訓練完成后，可以用這個模型去反推（圖3），對于一篇新的文章，根據它的結果（也就是w），去推測這篇文章的各個主題的概率（也就是θ→z）。 而反推的原理則是基于貝葉斯原理，所以LDA 一般被認為是PLSA（Probabilistic latent semantic analysis，概率潛在語義分析）的貝葉斯化版本。

三、數字創意產業的創新綜合指數構建

本文使用LDA 模型分析文本，從而構建新的變量來刻畫技術創新與商業模式創新的程度。 在具體的數據操作過程中，核心點在于構建描述技術創新與商業模式創新的主題詞表，通過LDA 模型生成的主題詞進行比對，形成最終的創新度量指數。 具體的數據操作過程可以分為三步：數據采集、數據處理和主題分析，技術路線如圖4 所示：

（一）樣本確定

本文根據實證研究需要從萬得（Wind）金融數據庫、新浪財經中關于2014—2019 年數字創意企業的年報、研究報告和財務數據中獲取數據源。 萬得金融數據庫的研究報告數據不及新浪財經豐富，且時間跨度較短，所以兩者相結合，形成一個更加全面的數據源。 進一步使用Python，從數據源中爬取文本，形成兩個維度的數據予以分析：一是“他者”的視角，即分析師的研究報告；二是“本我”的視角，即上市公司本身的每年年報。 長期以來分析師撰寫的研究報告具有顯性信息含量，且與分析師在行業內的評級、聲譽掛鉤。 因而很多研究將分析師的研報作為一個重要的指標來源。 年報亦是如此，披露年報是上市公司的法定職責，且受到外部審計的監督。 由此形成的“他者”和“本我”兩方觀點，構建了多維視角以期更完整更全面地反映上市公司在技術創新和商業模式創新活動以及兩者所帶來績效的真實情況。

從通俗意義上來理解，圖2 是在用一個模型來模擬作者撰寫文章的過程（即“文檔生成過程”）。雖然每個人寫文章的方法不一樣，但是大致有個規律。而這個圖就是David M. Blei 等繪制的，他們將作者撰寫文章的過程分為兩步：第1 步，作者先從所有的主題里選擇幾個主題，也就是圖里θ→z 的過程，其中θ 依賴于參數α；第2 步，作者將每個主題，寫成句子（即前文所述的指派主題），按照統計學方法來說，其實也就是在這個主題之下選擇對應的詞匯組合起來，因此也是一個隨機選擇過程，即圖中z→w 的過程。 換言之，就是“以一定概率選擇了某個主題，并從這個主題中以一定概率選擇某個詞語”。

結合以上篩選，為提升數據的可靠性，本文剔除掉了數據斷裂、研究報告缺失或稀缺的企業樣本，具體做了如下處理：一是剔除了2014—2020 年間退市的數字創意企業；二是剔除了上市時間不足5 年的數字創意企業；三是剔除了數據不全的上市公司。

（二）數據采集

首先，使用Python 3.7 編寫了網絡爬蟲，在萬得數據庫和新浪財經中自動搜索，下載2015—2020 年的研究報告和年報，共爬取了3 536 份文本，超過9GB，這些作為基礎的語料庫。 形成兩個維度的數據予以分析：一是“他者”的視角，即分析師的研究報告，有2 536 份；二是“本我”的視角，即上市公司本身的每年年報，有198 個企業×5 份

。多維視角以期更完整更全面地反映上市公司在技術創新和商業模式創新活動以及兩者所帶來績效的真實情況。

然后，對該數據進行分別標記和建檔，形成以“他者”和“本我”為區分標準的數據幀（dataframe），描述每個數字創意企業每一年度的分析師研究報告或者年報。 最后，對數據進行存儲。

From the two linear equations above,the complex amplitudes can be solved for the forward and backward propagating waves,respectively.This is actually the principle of the two-microphone method.24–26Then,according to Eq.(2),the velocity potential on the source plane is calculated as below:

（三）數據處理

要對數據進行清洗，以便下一步處理。第一，分詞：用jieba 中文分詞工具進行分詞處理，將文檔轉化為其原子元素。 第二，使用cn_stopwords.txt 文檔，對停用詞進行處理，移除掉諸如“他們”“它的”之類的無意義詞匯。第三，SnowNLP 情感分析，引入SnowNLP 模塊來實現此算法。經歷數據清洗之后，就會形成不包含圖片、表格以及強烈情感的文本。

（四）主題分析

首先，要構建文檔詞匯矩陣，將每個文檔解構為一組詞匯的列表，然后將所有采集的文檔進行循環操作，直到遍歷所有文檔。 本文使用到了LDA 模型的一個主題模型包Genism，該包在訓練大規模語義NLP 模型、語義向量呈現文本等方面具有一定優勢。 然后，應用LDA 模型。該模型使用Gibbs 模擬進行估計，NT=15 個主題進行分類。 這一過程會生成兩大塊內容： 每個主題中的詞頻分布，以及主題在每個文檔中的頻率（即主題在每個文檔中的使用頻率）。 按照通常性的操作，選擇生成K=15 個主題，不同的主題會對應不同的強度（intensity）。

在這一階段，本文進行人工操作，將符合“技術創新”和“商業模式創新”的主題詞手動進行篩選，形成刻畫技術創新與商業模式創新的主題詞表。 依據古斯塔夫（Gustaf）等人的經驗和對技術創新、商業模式創新文獻綜述的梳理

，主題詞表主要由五部分構成：第一類是描述“第一波”“第一輪”“首次”等具有首發性、開拓性的詞匯；第二類是描述盈利狀況的經營性詞匯；第三類是描述技術創新，特別是數字化、智能、精準、大數據之類的詞匯；第四類是描述商業模式創新的詞匯，如價值、用戶、生態等；第五類則是描述創造、開拓等相近意義的詞匯。

在冠詞選擇參數的基礎上，Ionin 等提出波動假說，認為普遍語法在二語習得中具有完全可及性，如果母語中缺少冠詞系統，二語學習者在開始習得冠詞時會在兩種參數值之間波動，直到足夠的二語輸入使其可以設定正確的參數值，從而完全習得冠詞［9］16 。

最后，用pyLDAvis 展示LDA 模型分析的topic，然后用print_topic 查看主題詞的濃度，我們將該濃度作為度量企業技術創新與商業模式創新的創新綜合指數。

（五）結果分析

詞云圖的信息主要體現在字體大小、字詞本身以及顏色。 詞云圖（圖5）呈現了本文中所有數字創意企業2015—2019 年的年報文本中數據可視化結果。 高頻關鍵詞有資產、投資、企業、合并、負債等。 其中與技術創新、商業模式創新相關的高頻詞有價值、科技、數字、變動、引入等。 鑒于年報側重格式化、標準化表述，有一套專門的表述規范，所以類似股東、股權、資產等詞匯也有較高頻率。

詞云圖（圖6）顯示了本文中數字創意企業樣本2015—2019 年的研報文本中數據可視化結果。高頻詞有數據、研究、凈利潤、平臺、業績、服務、收入、互聯網等。其中與技術創新、商業模式創新相關的高頻詞有IP、風險、研發、數據、互聯網、新、合作等。研究報告是分析師的報告，會側重揭示企業發展的重大事項、企業發展亮點，因而對于技術創新與商業模式創新刻畫得更加豐滿。

創新綜合指數是年報與研報兩方面數據的加總。 構建的創新綜合指數反映了數字創意企業在技術創新與商業模式創新兩方面的創新活動強弱、創新能力大小與創新水平高低，即指數越高意味著該企業的創新活動更強、創新能力更大、創新水平更高。 圖7 列出了各個公司從2015—2019 年創新綜合指數，2015—2019 年的創新綜合指數的平均值分別為1.839、1.734、1.611、1.683、1.615。 創新綜合指數的區間在0.493～6.752 之間，在后期進行計量實證時進行了縮尾處理。 此外，從圖中的單個企業來看，創新綜合指數并不呈現一直上升或下降的趨勢，反倒是呈現細微波動的狀態。 這也便于理解，從五年這樣一個時間區間來看，企業的創新能力、創新投入并不能直接獲得收益，創新效果也難以直接顯現，創新活動、創新能力與創新水平有所波動是正常的。

其中，Rt為t時間點原研富馬酸喹硫平片的平均累計溶出度；Tt為t時間內自研富馬酸喹硫平片的平均累計溶出度；n為取樣點數（n為3～5，且R＞85%的點不超過1個）。對于普通口服固體制劑，若15 min內溶出率均超過85%，則可直接判定為相似；若15 min時溶出率未到85%，需選取間隔相近的3～5個時間點的溶出率（溶出率超過85%以上的時間點僅能選取1個）計算f2，f2值越大，表明兩條溶出曲線差異越小，若50≤f2＜100，則表示自研富馬酸喹硫平片與原研片體外溶出行為相似。

四、回歸分析與異質性檢驗

前文已經構建了技術創新與商業模式創新綜合指數，用于度量數字創意企業在技術與商業模式方面的創新活動與創新行為。 接下來構建數字創意企業的創新綜合指數與財務指標兩者之間關系的計量模型，檢驗數字創意企業的創新對績效的影響，衡量技術與商業模式雙重創新帶來的經濟效應大小。

根據LDA 分析的文本中符合這兩大主題的詞匯會進行加總操作，形成描述創新強度的綜合性指數。 詞匯分為兩類，一類是一般性詞匯，一類是特別反映技術創新與商業模式創新的詞匯，諸如“智能”“數字”“ARPU”等詞匯，對后一類詞匯進一步予以賦權，權重是其他一般性詞匯權重的5 倍。 最終，每個企業每一年度會形成一個變量，用以刻畫該企業該年度的技術與商業模式雙重創新的創新綜合指數，用于下一步的回歸分析。

（一）關鍵變量選取

1.被解釋變量

本文借鑒大多數學者的基本思路，衡量創新績效使用投入—產出的分析方法，主要目的是用技術創新和商業模式創新來解釋企業績效的變化。 資產收益率是衡量企業經營績效的綜合財務指標，本文以此為被解釋變量。

2.核心解釋變量

本文在上一節已經構建了最重要的指標——文本創新指數（inn）。 該創新綜合指數主要衡量的是技術創新與商業模式創新綜合水平，表征了企業在這兩方面的創新能力、創新活動或創新強度。

3.控制變量

企業規模。學界的聚焦點主要在于企業規模對技術創新產生的影響，關于企業規模是否在技術創新中扮演重要角色，且影響企業績效的意見不一。 概括起來主要有四種類型：一是認為兩者之間存在正相關；二是認為兩者存在負相關；三是認為存在U 型或倒U 型的關系；四是認為兩者沒有必然聯系

。 普柏林（Kijkasiwat Ploypailin 和Phuensane Pongsutti）等人認為企業規模和金融資本對創新產生的績效既起調節作用，又起中介作用

。 一方面，將創新看作是一種資源驅動型行為，公司的規模大，用于創新的資源可能越多。 同時，創新需要資金，中小企業缺乏抵押物

，信用低于大型企業。 大型企業比中小企業更積極地利用外部資源進行創新，而小型企業是最不積極的企業類別

。 另一方面，既往研究提到中小企業創新與績效之間存在正向關系

。 安德烈斯（Andries ）等人認為，中小企業從專利活動中獲得的好處要比大企業少，因為大企業可以防止模仿者

。 但是，中小企業向外授權專利和創造額外收入來源的傾向和能力可能比大企業高。 小型企業比大型企業表現出更高的綠色創新的投資回報率，這表明這些小型企業更傾向于尋求變化和知名度，以獲得更好的資源

。

對所選企業按軟硬創新進行分類，正如前文所述，數字創意產業分為兩類：一類是硬創新，即專注于技術層面，包括數字創意產業的消費載體生產，如視聽設備終端；一類是軟創新，即專注于內容生產層面，包括創意生產、內容等創新，如音樂創意。 前者更偏向于技術創新，后者更偏向于商業模式創新。

企業是創新的主體，企業創新是為了績效的增長。本文用財務指標來衡量企業的績效，即資產收益率（ROA）。 在進行實證分析時，本文首先采用Hausman 檢驗對模型進行初步測試，檢驗結果發現p 值為0.000 0，認為存在固定效應。 包含固定效應的基本回歸模型如下所示：

選取2016年6月—2017年4月在我院婦產科實習學生80名作為本次研究對象。依據隨機分數表法，將其分為觀察組和對照組，每組各40例。本次研究經我院倫理委員會批準，參與本次實驗的學生對本次研究知情。觀察組平均年齡（21.33±1.52）歲，學歷：本科25名、?？?5名。對照組平均年齡（21.20±1.30）歲，學歷：本科19名、?？?1名。兩組學生臨床資料對比，差異無統計學意義（P＞0.05），具有可比性。

已經四千多年了，古老的銅綠山還在繼續貢獻出寶藏，這一方厚重的沃土，該見過了多少歷史的滄桑，見慣了多少生命的無常，那些逝去的生命或許重于泰山，或者輕于鴻毛。銅綠山仍是山崖依舊，山上的銅草花，花開花落，歲歲年年，幾千年不絕如縷。

是否為或者隸屬于集團公司。 集團公司可以更好地幫助企業克服資源不足的問題， 如資金、物力或人力資本。 進一步地，如果企業集團是國際化的，公司可以更容易地超越前面提到的障礙

。

對所選企業按原生型數字企業和轉型數字化企業進行分類。 原生型數字企業是指數字創意企業本身就是依托數字技術建立的，從公司成立之初就是基于數字化技術來提供產品或服務，基于數字化的商業模式。 轉型數字化企業則是公司之前是在傳統行業扎根，數字化浪潮襲來后，對產品和服務進行數字化轉型，從傳統文化創意企業轉型而來。 數字化轉型，包括將數字產品和服務整合到核心業務模式中， 以提高企業的競爭力或引入新的客戶體驗或價值路徑

。表1 反映了數字創意企業的主要內容，按照企業功能，數字創意企業可以分為獨立商店、市場，對應的角色則是生產商、零售商和經紀人，其中列舉了具有代表性的原生型數字化企業和轉型數字化企業。

不同的企業所有制性質會影響到創新，李政和陸寅宏調查發現中國制造業上市公司中，國有控股企業的創新績效明顯高于民營企業

，吳延兵和解維敏等均發現國有產權促進研發

，周黎安等則發現民營企業擁有其獨特的創新優勢

。

其他控制變量還包括流動資產周轉率、每股現金流量凈額、負債比率。 由于部分數據的缺失，本文使用的是均衡面板，缺省值用均值法插入，樣本為129 家數字創意企業2015—2019 年的數據。 變量的具體內涵和處理方式如表2 所示。 關于變量的描述性統計請參看表3。

（二）模型設定

閩東紅色文化中蘊含的厚重的資源、豐富的革命精神，正是大學生理想信念教育的生動素材。閩東紅色文化是中國共產黨領導人民在革命、建設、改革進程中創造的先進文化，是蘊育以愛國主義為核心的民族精神、以改革創新為核心的時代精神的重要沃土。地方高校應當有效運用閩東紅色文化資源加強大學生的共產主義理想信念教育，引導其政治方向，培育其道德情操，塑造其優良人格，使之成為又紅又專的中國特色社會主義接班人。

表4 報告了數字創意企業中技術與商業模式創新綜合指數的變化對企業績效影響的基準回歸結果。 本文主要采用雙向固定效應，固定時間與個體，進行回歸，回歸結果如表4 所示。 可以發現，創新綜合指數對企業產生較小的正向作用，但是效應不強，系數僅為0.091 2，在1%的水平上結果顯著。其次負債比率這一指標亦顯著，與企業的資產收益率成反比。Typeb 指企業是為轉型企業還是原生型企業，這一指標在10%的水平上顯著為負。 最后，流動資產負債率與資產負債率成正相關。

隨著BT的逐漸完善和普及，近年來一些新研究不斷出現。Thomen等[17]在BT治療后40～104 d對7例患者進行多次3He MRI檢查，發現肺通氣缺損與BT術后天數負相關，即肺通氣功能不斷改善。Kirby等[18]利用光學相干斷層掃描技術(OCT)對2例行BT的慢性持續哮喘患者進行了2年隨訪，提示BT效果可能與氣管炎癥、膠原蛋白沉積及氣管壁厚度有關。Chakir等[19]對9例哮喘患者在術前和術后進行了組織活檢，發現其氣管平滑肌和Ⅰ型膠原蛋白沉積厚度均減少，但因樣本量過小，癥狀改善與組織學改變的具體關聯尚需進一步研究。

（三）結果分析

Inn

為企業i 在t 年的創新綜合指數，由LDA 模型生成；X 為其他控制變量，包括流動資產周轉率、無形資產占比、負債比率等指標，ζ

為時間固定效應，γ

為企業固定效應，ε

為隨機擾動項。

（四）穩健性檢驗

本文通過替換模型和增加控制變量來查看模型的穩健性。 通過使用混合回歸和最小二乘虛擬變量法（LSDV），分別對數據進行回歸發現創新綜合指數這一指標依然顯著為正，參見表5 中的列（1）和列（2）。 增加每股現金流量凈額這一指標后，創新綜合指數依然顯著為正，參見表6 中的列（3），證明模型是穩健的，研究結論依然成立。

（五）異質性分析

考慮到在數字創意產業之間不同企業類型的區別，其創新的主要表現和創新績效也可能存在差異，因此需要分析異質性條件下數字創意企業的創新綜合指數及其對創新績效的影響。

為分析不同類型的數字創意企業中創新能力或創新強度帶來的績效差異， 首先將數字創意企業劃分為集團企業與非集團企業，如表6 中的列（1）和（2）所示，結果發現，在集團企業中，創新綜合指數對創新績效的影響，相比所有樣本企業而言，更為強烈，它在1%的水平上顯著為正，系數為0.151，高于前文的0.091 2。 但是在非集團企業中則表現不顯著。 因而，可以得出結論，即本身為集團型企業或者隸屬于集團的企業的創新行為與創新活動對企業績效的影響更大，這是因為資源獲取能力前者明顯優于后者，而創新行為仰賴于人力、物力、財力等各項資源的支撐。

其次，將數字創意企業劃分為民營與非民營企業，如表6 中的列（3）和（4）所示，研究顯示這兩者都在10%的水平上呈現出創新行為對創新績效傳導機制的差異，民營企業的傳導效應略強于非民營企業，這是因為民營企業的投資行為更為集中，組織更為靈活。

再次，對企業側重的創新進行分類，可分成軟創新與硬創新，表6 中第（5）列和第（6）列為相應的回歸結果，硬創新在5%的水平上顯著為正，但是從事軟創新的并不顯著，這是因為硬創新是偏向技術的創新，而軟創新是偏向創意、情感層面的創新，后者存在的模仿創新、偽創新、虛假創新、跟風創新更多。

最后，本文按企業的規模進行分類，分成大型企業與非大型企業，分別進行回歸，表6 中第（7）列和第（8）列為相應的回歸結果。 計量結果顯示，兩組中創新綜合指數（inn）的回歸系數均為正，但是大型數字創意企業樣本在5%的水平上顯著，非大型企業樣本在10%的顯著性水平上為正。 通過對比系數大小發現，大型的創新綜合指數（inn）系數（0.080 1）小于非大型企業的回歸系數（0.251），表明在數字創意產業，非大型企業創新活動所帶來的創新效果更加明顯。這是因為小型企業為了生存下來，對創新的愿望更為強烈，對創新的效果也更為關注。 企業的組織剛性、投資分散性、創新的驅動力

、創新的人力資源成本

會使得企業規模與創新能力呈現負相關，從而抑制企業的績效。

五、結論與啟示

關于“技術創新與商業模式創新是否必然帶來企業績效的增長”，學界并無定論。 現有研究在衡量技術創新時，常使用專利、研發投入、新產品銷售額等數據，衡量商業模式創新常使用李克特量表進行調查打分，從而構建計量模型，研判創新行為對企業創新績效是否產生影響。 本文以數字創意產業為切入點，創造性地使用LDA 文本分析法，構建創新綜合指數，以同時衡量企業的技術創新與商業模式創新的強度與水平。

本文首先采集企業的研報數據和年報數據，形成包含“他者”和“本我”視角的“數據池”，全面反映企業在創新方面的主要舉措。 同時構建針對數字創意產業的技術創新與商業模式創新的主題詞表，通過測算“數據池”中每個數字創意企業每一年度的主題詞的強度，形成創新綜合指數，用來刻畫數字創意企業在技術創新與商業模式創新兩方面的創新活動強弱、創新能力大小與創新水平高低。

進一步構建該創新綜合指數與企業績效，即資產回報率之間的計量模型。 結果表明，技術創新和商業模式創新會對企業績效產生正向作用，本身為集團型企業或者隸屬于集團的企業的創新行為與創新活動對企業績效的影響更大；民營企業的傳導效應略強于非民營企業；硬創新在5%的水平上顯著為正，但是從事軟創新的并不顯著，這是因為硬創新是偏向技術的創新，而軟創新是偏向創意、情感層面的創新，后者存在的模仿創新、偽創新、虛假創新、跟風創新更多。 非大型數字創意企業，相較于大型數字創意企業，它的創新活動所帶來的創新效果更加明顯。

納入標準：所有患者均滿足臨床診斷糖尿病、髖關節置換的判斷指標，且患者和家屬自愿簽字簽字認可知情同意書后內容，對醫院有關倫理委員會申報以后被許可。

本文的研究結論具有如下啟示：

第一，技術創新和商業模式創新兩者具有本質差異，技術創新容易形成壁壘，商業模式創新則易于被市場模仿學習，創新租金容易失去。 當流量紅利日漸褪去，以前靠商業模式創新迅速積累的用戶基礎，就能形成先發優勢。 目前在數字創意產業領域，騰訊系、百度系、頭條系形成了較強的市場勢力，它們廣泛使用資本的手段，收購有潛力的、商業模式較為新穎的創業公司；或者依賴于自身強大的平臺影響力和龐大的用戶流量來模仿創業公司新穎的商業模式，形成“大魚吃小魚”的互聯網“生物鏈”，在這樣一種鏈條的影響下，創業公司的創新力被抑制，特別是在商業模式方面的創新力被抑制。 從創業公司的角度而言，則要加強商業模式與技術的“雙創新”，構建基于技術創新基礎之上的商業模式創新。 在新的商業環境下要轉換為新的商業邏輯，技術創新變得越來越核心，也越來越關鍵，有技術創新支撐的商業模式創新才能走得更加長遠。 酷狗和網易云音樂在App 界面與功能方面有諸多一致，引發爭議，根本原因還在于這類界面與功能作為一種商業模式上的局部調整，容易被模仿。

噢噢，好了！小六子真的沒有死！他不僅沒有死，這個黑不溜秋的小家伙好著呢。沒事就好！小六子沒有事就好！我看到小六子他人后，在心里這樣默默地祈禱了一氣，心里的一塊石頭才放下來。

第二，技術與商業模式的開放性導致內容的分岔、技術的分岔，最終導致內容的割裂對立、技術方向的模糊不清及主干不突出。 創新是商業的內在組成部分，因此它必須被管理——它不是某種“錦上添花”的要素，也不任由其自生自滅。創新對于營收增長和利潤是必需的。創新產生的變革對于公司的生存至關重要

。 企業需要重新審視自己的核心競爭力，使之與技術創新、商業模式創新相適應。 新能力應該包括掌握數字技術的知識，有效地管理與客戶的關系，并使用數字化渠道的互動性

。 在創新管理過程中，企業要在關鍵領域注意形成自己的創新體系，而不僅僅是零散的碎片化的單個創新項目。 要適度向基礎層的創新轉移，特別是大企業要在技術成熟度不那么高的領域、應用場景不那么清晰的領域，投入一定創新資源。

［1］ DAVID M. BlEI, ANDREW Y. NG, MICHAEL I. JORDAN, Latent Dirichlet Allocation, Journal of Machine Learning Research,2003(3):993-1022.

［2］ MATTHEW A, TADDY. On Estimation and Selection for Topic Models,AISTATS 2012: 1184-1193.

［3］ DAVID M. BLEI & M. JORDAN, Modeling annotated data. In Proceedings of the 26th Annual International Acm Sigir Conference on Research and Development in Information Retrieval, Acm Press, 2003:127-134.

［4］ GUSTAF BELLSTAM, SANJAI BHAGAT J. ANTHONY COOKSON. A Text-Based Analysis of Corporate Innovation, Ssrn Electronic Journal, 2016(1).

［5］ 董曉慶，趙堅，袁朋偉.企業規模與技術創新能力的關系研究［J］.北京交通大學學報（社會科學版），2013（12）：40-46.

［6］ KIJKASIWAT PLOYPAILIN & PHUENSANE PONGSUTTI, Innovation and Firm Performance: The Moderating and Mediating Roles of Firm Size and Small and Medium Enterprise Finance, Journal of Risk and Financial Management, 2020(13).

［7］ MARIA JOSé MADEIRA, JO?O CARVALHO, JACINTA RAQUEL MIGUEL MOREIRA,FILIPE AP DUARTE,FLáVIO DE S?O PEDRO FILHO, Barriers to Innovation and the Innovative Performance of Portuguese Firms,JOURNAL OF BUSINESS,2017(9):2-22.

［8］ DOOLEY LAWRENCE, BREDA KENNY,MICHAEL CRONIN, Interorganizational Innovation Across Geographic And Cognitive Boundaries:Does Firm Size Matter?, Rand D Management, 2016(46): 227-243.

［9］ SAMWEL MACHARIA CHEGE, DAOPING WANG,The Influence of Technology Innovation on SME Performance Through Environmental Sustainability Practices in Kenya, TECHNOLOGY IN SOCIETY,2020(60): 101210.

［10］ ANDRIES PETRA AND DRIES FAEMS,Patenting activities and firm performance: Does firm size matter?,JOURNAL OF PRODUCT INNOVATION MANAGEMENT,2013(30):1089-1098.

［11］ LIN WOON LEONG, CHEAH JUN-HWA, AZALI MOHAMED, HO JO ANN, YIP KWOK, Does firm size matter? Evidence on the Impact of The Green Innovation Strategy on Corporate Financial Performance in The Automotive Sector, Journal of Cleaner Production, 2019(229): 974-988.

［12］ ROPER S., DU J., LOVE J. H, Knowledge Sourcing And Innovation, Aston Business School Research Paper,2006.

［13］ NAMBISA S.K., LYYTINEN A., MAJCHRZAK M. SONG, Digital Innovation Management: Reinventing Innovation Management Research in a Digital World, Mis Quarterly, 2017(41): 223-238.

［14］ 陳冬梅，王俐珍，陳安霓.數字化與戰略管理理論——回顧、挑戰與展望［J］.管理世界，2020（5）：220-236+20.

［15］ 李政，陸寅宏.國有企業真的缺乏創新能力嗎——基于上市公司所有權性質與創新績效的實證分析與比較［J］.經濟理論與經濟管理，2014（2）：27-38.

［16］ 吳延兵.中國工業產業創新水平及影響因素——面板數據的實證分析［J］.產業經濟評論，2006（2）：155-171.

［17］ 解維敏，唐清泉，陸姍姍.政府R&D 資助，企業R&D 支出與自主創新——來自中國上市公司的經驗證據［J］.金融研究，2009（6）：86-99.

［18］ 周黎安，羅凱.企業規模與創新:來自中國省級水平的經驗證據［J］.經濟學（季刊），2005（2）：623-638.

［19］ ANDRIES PETRA AND DRIES FAEMS, Patenting activities and firm performance: Does firm size matter?,Journal of Product Innovation Management, 2013(30): 1089-1098.

［20］ 于君博，舒志彪.企業規模與創新產出關系的實證研究［J］.科學學研究，2007（2）：373-380.

［21］ 托尼·達維拉，馬克·J.愛潑斯坦，羅伯特·D.謝爾頓.創新路圖：如何管理、衡量創新并從中獲利［M］.顧曉敏，譯.北京：電子工業出版社，2017.

［22］ LI F, The Digital Transformation of Business Models in the Creative Industries: A Holistic Framework and Emerging Trends, TECHNOVATION, 2018(9): 1-10.