高管团队异质性与企业技术创新Word下载.docx

高管团队异质性与企业技术创新Word下载.docx

《高管团队异质性与企业技术创新Word下载.docx》由会员分享，可在线阅读，更多相关《高管团队异质性与企业技术创新Word下载.docx（18页珍藏版）》请在冰豆网上搜索。

2国内外文献综述

1.1国外文献综述

关于企业高层管理团队的研究已经取得了很大的成果，在Hambrick和Mason（1984）提出的高层梯队理论的研究框架中，高管作为企业战略决策的主体，面对非常复杂的外部环境，决策者通常需要根据自身的认知基础和价值观来作出决策[1]。

因此就可以通过一些与这些认知基础和价值观密切相关的替代变量，即年龄、任期、学历等人口统计学特征来推断这些特征对企业战略选择的影响，也包括对企业技术创新能力的影响。

在此基础上，Finkelstein和Hambrick、Zenger和Lawrence等学者又进一步提出了高管团队之间的异质性特征对企业绩效的影响[2]。

国外越来越多的学者也开始对于高管团队异质性与技术创新展开研究。

Wiersema和Bantel认为年龄是揭示高层管理团队成员经历的重要指标，当其年龄差异较大时更容易产生创新性的观点[6]，Srivastava和Lee以远程通讯业、PC制造业和啤酒酿造业3个行业的64家美国企业为研究样本，对它们在15年时间里所推出的245项新产品进行研究发现高层管理团队任期异质性越大，更容易抢先竞争对手推出新产品[7]。

Zahra和Wiklund通过研究109个具有完备高层管理团队的企业，发现高层管理团队对市场的警觉性、产品定位及其职能的异质性与产品创新呈正相关关系，高层管理团队的异质性对研发投资呈负相关关系[24]。

Talke等19以制造业为样本，运用在资本市场获取的企业经营数据来分析高层管理团队异质性问题，发现高层管理团队多样性对企业的创新定位呈强正相关关系，并强调高层管理团队的异质性是企业实施创新战略并采取创新成果的重要前提[25]。

此外Mooney和Sonnenfeld（2001）以及Carpenter等（2004）的研究[4]也表明高层管理团队异质性越高创新性就越明显。

1.2国内文献综述

近年来，为适应我国经济社会以及企业管理的的发展需要，国内的学者开始关注高管团队异质性的研究，以中国企业为研究对象分析高管团队异质性对技术创新影响的文献渐多。

马富萍、郭晓川（2010）以108家资源型企业为样本，通过问卷调查的方式进行实证研究，表明高管团队任期、教育专业以及职业背景的异质性对技术创新绩效有显著的正向影响作用，并且采用合作型冲突处理方式的高管团队能够在技术创新方面取得更加优秀的成绩[9]。

谢凤华、姚先国（2007）通过对八个发达省份的问卷调查，认为高管团队年龄的异质性对于技术创新并没有显著的影响而教育水平异质性与任期的异质性对创新绩效有显著的积极影响[25]。

雷辉、刘鹏（2013）以我国中小企业板块的上市公司的数据为研究对象的研究表明，高管团队年龄、性别的异质性与技术创新具有显著的负相关，而学历、专业背景及职能背景与技术创新显著正相关[12]。

与此同时，也有部分学者通过实证研究得出了与之相反的结论，如王德应、刘渐和（2011）以2007、2008两年披露创新投入的350家中小板上市公司为样本，实证检验高管团队特征与企业技术创新的关系，通过对中小企业的研究他们认为企业技术创新与高管团队异质性的关系并不显著[29]。

朱晋伟、彭瑾瑾（2014）通过对210家信息技术行业和生物制药行业企业的样本采集，认为任期的异质性不利于信息的分享和战略的统一，与企业的技术创新投入成负相关关系[26]。

1.3文献评述

通过对国内外文献的梳理发现，高管团队异质性与技术创新已有丰富的研究成果，但是大部分文献是对全行业的宏观探究，鲜有文献针对地区IT行业技术创新的现状做出研究。

因此，本文认为针对中部六省的区域特质作出实证研究，才能提出更加符合现实的发展战略。

由于中部地区的发展一直依靠传统产业，并且区位优势不足，信息接收缓慢、人才匮乏，不能及时的消化和应用最新的理论和技术，以及国家政策的影响，中部六省的发展明显落后于东部地区，尤其是IT行业的发展更是低于全国的平均水平。

所以，不能笼统的将整个国家IT行业高管团队异质性与技术创新的研究结论应用于中部地区，必须根据中部的区域特质进行实证研究得出相关结论。

本文在借鉴已有已有研究成果的基础上，选取中部六省上市A股IT企业为样本，采用理论推演与实证分析相结合的方法，来研究高管团队异质性与技术创新之间的关系，提出更有利于中部发展的对策。

2理论分析与研究假设

2.1学历异质性与技术创新

根据社会分类理论以及社会认同理论，个体为了提高自尊，将会进行自我归类并与他人比较，而学历可能成为自我归类的一个重要标准。

有着相同学历的个体更易于产生相同观点。

反之，则容易产生多样化的观点。

企业的高管团队学历差异越大，越有利于企业的技术创新。

在发现创新机会时，高层管理人员相互之间的讨论会加强成员对机会的识别和认知能力，从而处理好前期信息，把握住创新机会，提升企业技术创新的能力。

在进行创新决策时，高管人员在教育方面上的不同经历决定了他们在公司的战略决策中不同的认知和心理，所以，成员教育水平的多样性可以帮助团队从各个不同的角度分析复杂的问题，有利于改善其决策质量[8]。

而和谐的讨论将更加强化教育水平对企业决策的积极影响，如果没有讨论，由团队教育水平异质性导致的认知差异还只是停留在最初阶段，就无法实现各自观念的交流与融合，然而成员间的相互讨论，会使他们在遇到新信息、情况时重新审视自己的自己的观点是否完善、是否考虑了关键影响因素。

Bantel和Jackson调查发现，在大多数的银行样本中，高层管理团队在教育和工作背景方面的异质性与创新是正相关的[3]。

Amason和Sapienza认为高层管理团队成员教育水平的不同会促进决策的优化，因为他们是从不同方面分析所面临的问题18]。

所以，可见，企业技术创新能力是与企业高管人员所接受的教育和锻炼上的异质性密不可分的。

基于以上认识，本文假设如下：

假设1：

高管团队学历的异质性对企业技术创新有显著的积极影响。

2.2年龄异质性与技术创新

根据年龄分层理论，年龄可能限制个人扮演某些角色的能力，使年龄成为决定行为的重要因素。

据此，它可以代表高管成员的经验、风险承担程度以及变革与创新的支持程度，也会影响一个企业的产出，。

Wiersema和Bantel（1992）的研究表明，如果团队成员年龄差异较大，可以对战略问题产生多种看法，从而刺激企业考虑战略变化[6]。

对于年轻的高管成员虽然一定程度上缺乏管理经验，但是也更倾向于创新与变革；

而年长的成员则具有管理经验和社会关系的优势。

因此，如果不同年龄层的高管成员之间能够积极沟通，发挥各自的优势，企业做出的决策就不会过于激进或者保守，有利于推动企业的持续发展。

基于以上认识，我们提出如下假设：

假设2：

高管团队年龄的异质性对企业技术创新有显著的积极影响。

2.3任期异质性与技术创新

根据委托代理理论，委托人追求的是收益最大化，而代理人追求自己的工资津贴收入、奢侈消费和闲暇时间最大化，因此任期不同的高管成员具有各自的优劣势：

任期较长的成员经历了企业的各个不同阶段，对企业比较了解，为企业发展也做出来了相当贡献，但容易在信息不对称的情况下产生道德风险，因循守旧，疲于创新，限制企业发展；

任期较短的成员虽对企业缺乏了解，但是企业的股权激励等政策往往能够很好的促进其在追求自身利益最大化的同时，带给公司丰厚的收益，能够针对企业现状提出新的观点和看法，积极带动公司创新。

Srivastava和Lee（2005）研究发现，高管成员在企业中的任期差异越大，企业就越积极推出新产品，而不是模仿同行者[7]。

李正卫，张萍萍（2011）的研究也证实，高管团队成员之间的任期异质性越高，企业对外部环境的敏感性越强，越容易针对环境的变化对战略作出相应的调整，从而有利于企业绩效的提高[27]。

这样，企业中任期不同的成员容易形成互补优势，激发多样化的观点，形成创新思维，产生多种战略方案并对其进行全方位的评估，从而保证决策质量，促进企业发展。

团队任期的异质性利于企业打破原有管理模式、重塑战略机会，并且任期异质性越大，企业的战略改变程度也会越大，利于企业的技术创新。

因此，基于以上认识，本文提出如下假设：

假设3：

高管团队任期的异质性对企业技术创新有显著的积极影响。

3研究设计

3.1样本确定与数据来源

本文选取的研究对象是中部六省（山西、安徽、江西、河南、湖北和湖南）的IT企业，由于该产业是市场竞争强度较高，要求企业高管对企业内外部环境和资源有足够的驾驭能力，为此，本文选定中部六省IT产业中的上市公司为研究样本，以2011-2013年为检验区间，并执行如下筛选程序：

（1）剔除在检验区间中内的含有异常值的公司；

（2）考虑到ST股公司财务状况或其他情况出现异常，为避免极端值的影响，剔除ST样本。

收集到包括长江信息等18家公司的53个样本，样本观察值主要是通过手工逐一对上市公司的年报数据进行检查、整理后得到。

本文数据主要是通过巨潮网、知网专利数据库、中国知识产权局专利检索与服务系统以及相关公司网站整理汇总得到。

通过实证分析，对高管团队异质性与IT企业的技术创新之间的关系进行研究。

3.2变量选取与数据测量

3.2.1高管团队异质性

本文选取的高层管理团队界定为具有总裁、首席执行官以及总经理头衔的高级管理人员，主要包括总裁、副总裁、CEO、总经理、副总经理、董事会秘书等主要管理人员。

本文给自变量进行具体分段：

学历（HEL）分为大专及大专以下，本科，硕士研究生和双学士，博士研究生，博士后；

年龄（HA）分为30岁以下，31~40,41~50，51~60,61以上；

任期（HT）分为1年以下，1~2年，2~3年，3~5年，5年以上。

对于各个自变量异质性的指标，本文使用HerfindahIndex来测量，其计算公式为：

Pi表示团队中第i类成员所占的百分比；

n表示种类的数量；

H表示教育水平异质性的程度，其数值介于0~1之间，H的数值越大，表示高管团队教育水平的异质性就越高，反之就越低。

3.2.2技术创新

技术创新（TIP），包括了企业所开发的新技术，以及对原有技术的应用创新。

大部分的研究都会使用企业人均研发费用、企业研发费用、企业研发销售费用比、企业专利数量或者新产品数量来确定企业技术创新的指标，本文主要以企业专利数量来衡量技术创新。

而专利数量又可以有专利申请数量、专利审查数量、以及专利的授予数量，为了准确刻画企业的技术创新，体现技术创新的成果，本文的专利数量为企业最终所取得的被授予专利数量。

其理由如下：

首先，专利体现的是一个企业独有的成果，具有独创性、排他性；

其次，专利的授予必须经过相关部门的严格审核，只有具备一定技术水平的产品、方法才能被授予专利。

因此，专利可以较好地衡量一个企业的技术创新。

3.2.3控制变量

控制变量可以评价回归模型的正确性和拒绝实证结果的其他解释。

一些因素可能会影响到解释变量和被解释变量，本文将企业规模、团队规模、企业绩效三个因素作为控制变量：

一是企业规模（Size），Miller认为企业的规模是影响高管团队的特征与组织产出的主要因素。

规模不同的企业在技术创新中具有不同的优势，大企业更加具备能力与动机进行技术创新，而小企业则在创新方面更加具有灵活性。

本文采用企业的总员工数来测量企业的规模。

考虑到使用原始数据将会夸大企业总员工的数据，并且会对最终的回归分析的结果产生不利的影响，在计量企业规模变量时采用的是员工数量的自然对数，从而有助于消除异方差，有利于回归分析。

二是团队规模（Tsize），根据异质性指标，高管团队规模会对异质性的程度产生影响，因此本文将高管团队成员数量作为控制变量。

三是企业绩效（ROA），绩效较好的企业通常才能有充足的资金用于技术创新，本文用资产回报率来衡量企业绩效。

3.3模型设定

为了检验本文提出的假设，构造以下基本模型：

TIP=α+β1∑Control+ε

（1）

TIP=α+β1∑Control+β2HEL+ε

（2）

TIP=α+β1∑Control+β3HA+ε（3）

TIP=α+β1∑Control+β4HT+ε（4）

模型1考虑的是技术创新与控制变量之间的关系。

模型2考虑的是学历异质性与技术创新之间的关系，验证两者之间是否正相关，用来检验假设1，该模型中β2显著是传导效应成立的一个基本前提。

同理，模型3、模型4分别用来检验假设2和假设3.

4实证分析

4.1描述性分析

表1描述性统计分析

N

Minimum

Maximum

Sum

Mean

TIP

53

328

2188

41.283

HEL

0.21

0.69

27.01

0.5096

HA

0.72

20.86

0.3936

HT

0.78

28.06

0.5294

SIZE

6.32

9.09

411.34

7.7611

TSIZE

4

12

350

6.6038

ROA

-9.91

9.95

214.83

4.0534

ValidN

（listwise）

表1报告了主要变量描述性统计特征。

其中TIP的均值为41.2830，最小值为0，最大值为328，表明样本公司的技术创新两级差异较为明显，总体水平相对偏低。

HEL最小值为0.21，最大值为0.69，平均值为0.5067，表明样本公司高管团队学历的差异不大，各高管团队成员的学历水平存在一定的异质性。

HA最小值为0，最大值为0.72，表明样本公司年龄异质性两级差异明显，平均值为0.3936，平均数偏低，高管团队年龄异质性总体偏低。

HT最小值为0，最大值为0.78，表明样本公司间任期异质性差别明显，平均值为0.5294，平均数偏高，说明大部分企业高管团队任期差异较大。

ROA的均值为4.0534，最小值与最大值之间呈现出明显的差异，表明样本公司中各自盈利能力差异明显，各企业发展情况不同。

4.2相关分析

表2Pearson相关分析

1

0.373（**）

0.194

0.549（**）

0.522（**）

0.166

0.086

0.501（**）

-0.017

0.078

0.117

0.245

0.293（*）

0.193

-0.069

0.485（**）

0.22

0.324（*）

-0.002

0.005

0.294（*）

0.041

注：

*、**和***分别表示在10%、5%和1%的显著性水平

表2报告了各变量之间的Pearson相关分析结果。

结果显示：

TIP与HEL的简单相关系数为0.373，相伴概率p值为0.006，如果显著性水平α为0.01，由于相伴概率p小于显著性水平α，因此可以认为两个变量之间是显著相关的，初步验证假设1；

TIP与HA的简单相关系数为0.194，相伴概率p值为0.163，如果显著性水平α为0.01，相伴概率P值大于显著性水平α，因此两个变量之间是不相关的，拒绝假设2；

TIP与HT的简单相关系数为0.522，相伴概率p值为0，如果显著性水平α为0.01，则相伴概率p值小于显著性水平α，可以认为两个变量之间是显著相关的，初步验证假设3。

SIZE与TIP的简单相关系数为0.501，相伴概率P值为0，如果显著性水平α为0.01，则相伴概率p值小于显著性水平α，所以可以认为两个变量之间是显著相关的，而Tsize与TIP的简单相关系数为0.245，相伴概率P值为0.077，ROA与TIP的简单相关系数为0.22，相伴概率P值为0.114，可以认为Tsize和ROA这两个变量与TIP之间是不相关的。

4.3回归分析

在多元线性回归方程中，由于被解释变量会受到众多因素的共同影响，需要有多个解释变量解释。

如果某些解释变量本身自相关，即存在共线性问题，将会给评价解释变量的贡献率带来困难，是参数估计不稳定。

另外，无论解释变量取怎样的值，对应残差的方差都应相等，否则认为出现了异方差现象，影响估计的有效性。

因此，为了说明回归的合理性，本文对变量进行了共线性和异方差检验。

4.3.1共线性检验

表3共线性诊断

Model

CollonearityStatistics

Tolerance

VIF

（Constant）

2

0.986

1.014

3

0.958

1.044

0.985

1.015

0.971

1.03

aDependentVariable:

判断变量之间是否存在共线性关系，可用解释变量的容忍度和方差膨胀因子VIF来解释，具体来说就是：

容忍度是介于0~1之间的数值，容忍度越大，说明解释变量对被解释变量的解释关系能力较弱，与其他解释变量的相关性较强，即多重共线性水平较高；

VIF值越大则存在共线性的可能越大，当VIF大于等于10时，说明变量之间存在较为严重的共线性关系。

根据表3可以得出，共线性诊断为：

容忍度分别为0.958、0.985、0.971，并没有出现很小的数值；

方差膨胀因子VIF值分别为1.044、1.015、1.030，没有出现很大的数值，均小于10，说明方程中各解释变量之间没有出现共线性问题。

4.3.2异方差检验

本文采用绘制被解释变量预测值与学生式残差的残差图分析方法检验变量的异方差性，残差应随机的分布在一条穿过零点的水平直线的两侧。

如果残差的方差随着解释变量值的增加呈明显的增加或者减少的趋势，则出现了异方差现象。

根据残差散点图，异方差检验为：

通过对残差分布的观察发现，分别以学历异质性、年龄异质性、任期异质性为X轴，以技术创新为Y轴绘制的三张残差散点图中，绝大部分观测量平行均匀分布在±

100周围，图中点的分布是随机的，预测值与学生化残值之间没有明显关系，即表明变量不存在异方差性。

表4回归分析

Model1

Model2

Model3

Model4

39.753***

54.168***

40.004***

30.923***

-3.171

-4.6

-3.213

-2.881

0.446

6.725

0.636

3.21

-0.094

-1.46

-0.134

-0.798

1.617

2.318

1.624

2.111

-0.623

-0.916

-0.634

-0.965

236.915***

-3.756

42.501

-1.294

239.213***

-4.589

RSquare

0.256

0.425

0.282

0.483

AdjustedRSquare

0.211

0.377

0.222

0.44

F值

5.635*

8.882**

4.703*

11.222***

*p<

0.10;

**p<

0.05;

***p<

0.01括号内为t检验值

4.3.3回归分析

表4报告了各变量的回归分析结果。

模型1表明Size与TIP有显著的正相关关系（β=39.753，p<

0.01），这说明企业的规模对技术创新会起到明显的积极作用，企业的规模越大就会越有利于企业进行技术创新；

而Tsize与TIP没有没有相关关系（β=0.446，p>

0.01），说明高管团队的规模并不会影响企业的技术创新。

模型2表明，HEL与TIP是显著正相关的（β=236.915，p<

0.01），说明高管团队学历的异质性会对技术创新产生积极的促进作用，假设1得到了验证。

模型3表明，HA与TIP之间并不存在相关关系（β=42.501，p>

0.01），说明高管团队年龄的异质性对企业的技术创新并不会产生影响。

模型4表明，HT与TIP是显著正相关的（β=239.213，p<

0.01），说明高管团队任期的异质性会对技术创新产生积极的促进作用，假设3得到了验证。

4.4稳健性检验

因为根据我国的《专利法》规定，专利申请分为专利的申请、受