摘要：高新技术企业政策是具有中国特色的创新政策，而高新技术企业认定是实施该政策的首要环节，直接决定其能否有效提升企业创新质量，进而影响创新驱动发展战略的实施效果。本文基于2008—2013年中国工业企业数据，匹配工业企业科技活动数据、海关进出口数据和专利数据，采用处理效应模型检验高新技术企业认定对企业专利质量的影响，且在内向型开放式创新的视角下，研究高新技术企业认定通过改变企业对内和对外研发投入决策影响企业专利质量变化的机制。结果表明，高新技术企业认定能有效拓展企业专利知识宽度，提升企业专利质量。这种提升作用仅对政策不敏感的高新技术企业（未使用研发操纵手段）有效，而对政策敏感的高新技术企业无效。高新技术企业认定促使企业增强内向型开放式创新，主要向境内高等院校和科研机构增加对外研发投入，将更多外部知识引入企业内部；同时促使企业主要通过减少资产性支出来缩减对内研发投入。我国需进一步完善高新技术企业认定标准体系，以便企业与创新链上游主体合作开展内向型开放式创新。

关键词：高新技术企业认定，专利知识宽度，专利质量，内向型开放式创新，处理效应模型

作者感谢南京大学长江三角洲经济社会发展研究中心重大课题“基于区域创新系统的长三角区域产业链和创新链协同发展研究”（CYD-2020016），国家自然科学基金重点项目“领军企业创新链的组织架构与协同管理”（71732002），高校人文社会科学重点研究基地重大项目“数字经济发展与长三角区域高质量一体化发展研究”（22JJD790037），江苏省社科基金一般项目“习近平总书记关于对外开放的重要论述与江苏开放型经济研究”（22EYB014）的资助。

一、引言及文献述评

创新驱动发展是我国构建新发展格局的关键战略，需要强化企业的创新主体地位，让企业成为我国创新发展的生力军。为实现这一目标，我国各级政府已经出台大量支持企业研发的创新激励政策，其中之一就是高新技术企业政策。这项政策的独特之处在于，企业必须要自主申报并获得高新技术企业认定资格后，才能获得企业所得税优惠。高新技术企业认定工作是该政策实施中的关键步骤，要求企业在申报前3年均满足创新投入和产出方面的硬性标准。在创新投入方面，规定研发经费占同期销售收入的比例和科技人员占总员工数的比例。在创新产出方面，规定高新技术产品收入占同期总收入的比例。高新技术企业政策是否有效，关键在于高新技术企业认定能否真正激励企业通过加大创新投入，扩大创新产出规模，提升创新产出质量。

近年来，高新技术企业政策评估一直是学者们的研究热点，尤其是高新技术企业认定对创新产出的政策效应（徐军玲和刘莉，2020；邱洋冬和陶峰，2021）。多数观点认为，该认定通过税收优惠能促进企业加大研发投入，从而激励企业的创新产出（李维安等，2016；孙文浩和张杰，2021）。部分文献以企业专利数量来衡量创新产出，这种做法引起一些质疑，因为部分企业会通过低质量专利来获取政府扶持（杨国超和芮萌，2020），政策迎合性专利创造可能是我国专利数量激增的重要原因（Hu等，2017）。所以专利数量仅能衡量创新产出规模，不能准确反映创新产出质量。为了更精准地测度企业专利质量，现有文献采用专利被引用数（Hsu等，2014）、专利知识宽度（张杰和郑文平，2018）以及其他综合测算方法（陈强远等，2020；李西良等，2020）。这些方法各有优势，但由于我国专利被引用数据并不公开，综合测算方法可能带有主观性，所以用企业专利知识宽度来衡量专利质量更为可行，也更为合适。关于以企业专利知识宽度来衡量专利质量，并基于此来考察高新技术企业认定的政策效应，这方面研究还相对较少。同时，也有研究指出，部分高新技术企业可能会操纵研发数据，从而达到认定标准（杨国超等，2017）。那么，高新技术企业认定是否会真正提高企业专利质量？这是本文试图弥补的研究缺口之一。

当前学者们从不同角度探讨高新技术企业认定影响企业创新产出的机制，其中宏观角度有市场化水平、政治关联等（许玲玲，2017；许玲玲等，2021），而微观角度有税收优惠、信贷支持等（窦钱斌等，2020；徐军玲和刘莉，2020）。这些机制分析的基本结论都是企业增加研发投入，从而提升创新产出。但在实际研发过程中，企业不仅需要决策增加多少研发投入，还需要考虑这些新增研发投入如何在企业内部和外部配置，即是否开展内向型开放式创新（inbound open innovation）。内向型开放式创新是指企业从外部主体获得知识的过程（Dahlander和Gann，2010）。这些外部知识流入企业并与其内部知识相融合，构成该企业独特的知识资源，从而提升其创新绩效（Manzini等，2017），降低内部研发风险（Kobarg等，2019）。内向型开放式创新有助于企业打破内部研发的路径依赖，引进外部知识并与内部知识相结合（Gomez等，2020），形成更加多元化的知识和技术种类，从而拓展企业专利知识宽度，提升企业专利质量，进而提高其产品竞争力，强化企业在市场竞争中的优势地位。内向型开放式创新要求企业向外部创新主体提供研发投入，通过对外研发投入来获得外部知识；而发生在企业内部的研发支出是对内研发投入。高新技术企业认定促使企业提高研发投入后，如何配置这两种研发投入？是否通过开展内向型开放式创新，从而提高专利质量？现有文献对潜在影响机制的关注不多，是本文试图弥补的研究缺口之二。

为填补上述两个研究缺口，本文先后匹配2008—2013年中国工业企业数据、工业企业科技活动数据、海关进出口数据和专利数据，从中识别出获得高新技术企业认定的105245个企业样本作为处理组，并根据研发费用占比和研发人员占比两个指标，识别出有能力达到高新技术企业认定但没有认定的82122个企业样本作为控制组。本文在国际专利分类号（IPC）大组层面计算出每个专利知识宽度，分别以均值法和中值法把专利知识宽度归总到企业维度，得到企业专利知识宽度来衡量其专利质量。本文采用处理效应模型，更为准确地识别高新技术企业认定对企业专利质量的因果影响，并将高新技术企业认定、内向型开放式创新和企业专利质量三者联系起来研究相应的影响机制。

实证结果表明，高新技术企业认定能有效拓展企业专利知识宽度，提高企业的专利质量。这种正向促进作用仅对政策不敏感的高新技术企业有效，而对政策敏感的高新技术企业无效。在影响机制方面，本文发现高新技术企业认定改变企业研发投入的内外配置，使得企业减少对内研发投入而增加对外研发投入。企业主要通过减少资产性支出的方式来减少对内研发投入，而增加的对外研发投入主要投向境内高等院校和科研机构。这说明高新技术企业认定促使企业更多开展内向型开放式创新，更多从外部研发机构引进外部知识，与其内部知识结合后拓展专利知识宽度，从而提升专利质量。本文还更换因变量衡量指标、使用重点高新技术企业新样本、运用套索算法筛选控制变量、控制企业个体固定效应以及实施反向因果检验，这五种稳健性检验都证实上述结论可靠。

本文可能的边际贡献有如下两方面。第一，本文将高新技术企业政策评估与开放式创新两类文献联系起来，不仅从专利质量这一新角度来评估高新技术企业认定的政策效应，还引入内向型开放式创新来分析高新技术企业认定对专利质量的影响机制，构筑我国实施创新驱动发展战略的微观理论基础。第二，本文匹配工业企业、科技活动、海关进出口和专利信息4个数据库，尝试构造与处理组尽可能相似的控制组，采用处理效应模型解决高新技术企业认定中的自选择问题，为产业政策评估文献提供可借鉴的做法。

二、理论分析及研究假设

（一）高新技术企业认定对企业专利质量的影响分析

本文从资源基础观（resource-based view）的角度来理解企业研发和创新活动。资源基础观最早由Wernerfelt于1984年提出，他将企业资源定义为能够展现组织核心竞争力的有形资产或无形资产。企业所拥有的知识显然是无形资产，企业依靠其知识集合去支撑其研发和创新活动。资源基础观的关键假设是：企业相对于其他企业的竞争优势建立在其所拥有的异质性资源上，而知识资源的异质性会导致企业创新绩效差异（Peteraf和Barney，2003）。基于此，知识异质性是解释企业创新质量差异的重要原因。企业获得高新技术企业认定之前就要满足一系列严格的研发标准。这意味着相比其他企业，高新技术企业获得认定前就有较为扎实的研发基础和相对独特的知识资源。高新技术企业认定可以激励这些企业更好地丰富和整合知识集合，从而带来竞争优势。

专利是企业技术创新成果的体现，也是保护其核心知识产权的主要方式。高新技术企业认定鼓励企业更多地申请专利，并提高专利质量。

一方面，高新技术企业认定直接带来税收优惠，鼓励企业申报更多专利，增加研发投入并促进研发产出。首先，获得认定后企业能享受相应的税收优惠。与政府补贴对企业研发投入易产生“挤出效应”情况不同，税收优惠政策更多地产生“杠杆效应”，即税收优惠能使企业研发投入大幅增加（江静，2011；周海涛和张振刚，2015），企业所拥有的知识集合也更加丰富。其次，高新技术企业持续开展研发活动，这类活动将不断转化为更多高质量专利。专利是受法律保护的研发产出，也是可编码的知识集合。当高新技术企业将多种知识重新组合，并发现其具有商业运营和盈利潜力时，就自然倾向于将其申请专利，争取独占未来新兴市场空间。

另一方面，企业获得高新技术企业认定意味着要面对更高层次、更为激烈的国内外市场竞争，只有高质量专利才能真正有效帮助其应对市场竞争。高质量专利具有较大商业潜力，市场价值更大，更有可能帮助高新技术企业收回前期研发成本，进而促使高新技术企业加大后期研发投入，获得高质量专利并实现其快速商业应用，构建“加大研发投入→获得高质量专利→强化市场竞争优势→加大研发投入……”的良性循环。企业在获得高新技术企业认定后加大研发投入，试图去获得更高质量专利，这类专利包含知识的丰富程度和复杂程度也更高；高质量专利中蕴含独特的知识组合，转化为高新技术产品或服务进入市场后，可能受到更多消费者青睐，企业从而获得更大的市场份额。在此过程中，消费者通过购买和消费新产品而获得更高效用，高新技术企业获得更好的创新绩效和经营绩效，从而有更多资金投入研发，获取更高质量的专利。此外，高新技术企业的专利质量越高，其保持知识垄断的时间越长。这是因为专利蕴含知识越复杂，竞争对手模仿和改进该专利的难度就越大，这可以防止“搭便车”来实现技术赶超（张杰和郑文平，2018）。总体上，只有提高专利质量，获得认定的企业才能实现研发与经营的良性循环，在激烈的市场竞争下构筑竞争优势。基于以上分析，本文提出以下假设。

假设1：高新技术企业认定能有效激励企业提升专利质量。

（二）内向型开放式创新视角下高新技术企业认定对研发投入内外配置的影响分析

根据资源基础理论的观点，高新技术企业认定能促使企业增加研发投入，不断丰富知识集合，提升企业专利质量。然而，在实际研发决策过程中，获得认定资质的企业不仅需要增加多少研发投入的决策，还要决定这些新增研发投入如何在企业内部和外部配置。企业研发投入的内外部配置就是内向型开放式创新关注的核心问题。

根据Dahlander和Gann（2010）的定义，内向型开放式创新是指企业通过对外研发来获得外部知识，即外部知识流入企业并与其内部知识重新组合的过程。内向型开放式创新是企业实现知识资源多样化、构成企业长期竞争优势的重要渠道（Wassmer和Dussauge，2012）。采用内向型开放式创新的企业需要自主决定开放程度，即决定对内研发投入和对外研发投入的最优比例，企业获得的内部知识和外部知识数量比例也随之变动。对外研发投入占比越高，企业采取的创新策略就越开放。通过内向型开放式创新引进的外部知识可能与企业自身原先具备的技术相关（van Beers和Zand，2014），此时企业的创新策略其实是将一部分研发工作外包给外部机构，从而降低企业自身研发风险（Kobarg等，2019）；另外，采取内向型开放式创新的企业也会引进内部不存在的知识，以填补知识集合的空白（Hu等，2021）。这不仅可打破内部研发的路径依赖，也有助于克服思维的禁锢和僵化（Pyka和Scharnhorst，2009）。通过内向型开放式创新，企业在内部知识和外部知识之间创造协同作用，往往能组合出更为丰富的新知识，形成全新的知识集合。这就为企业解决产品创新、工艺创新等方面问题提供了更广泛、更多样的解决路径，并为企业后续探索更新颖的创新道路提供了更大灵活性（Bstieler等，2017）。

企业获得高新技术企业资质认定后，可以通过以下两种研发策略调整的方向来提升企业专利质量。

第一种方向是增强内向型开放式创新，即获得高新技术企业认定将促使企业增加对外研发投入而减少对内研发投入，采取的创新策略更加开放。高新技术企业研发投入巨大，伴随着较高研发风险，而通过转移一部分研发工作到企业外部则可以降低风险。同时，通过多年内部研发，高新技术企业自身研发路径已相对固定。它们需要通过增加对外研发投入，引进更多外部知识来打破路径依赖，实现与外部研发机构的密切沟通和思维碰撞（Hewitt-Dundas等，2019）。进一步来说，增强内向型开放式创新能引进外部知识，弥补企业内部知识集合的空白，促进内外部知识的重组和演化，增加专利所包含知识与技术的多样性，扩展其申报专利的知识宽度，从而提升企业专利质量（Gupta等，2006）。此外，加大对外研发投入还使得企业提高其协同创新能力（Nicholls-Nixon和Woo，2003；Gomez等，2020）。这能便利其开展更多样、更深度的合作研发，融入企业间创新网络，接触到更丰富的外部知识，提升企业专利质量。

此外，高新技术企业认定能解决潜在障碍，降低企业开展内向型开放式创新的难度。一方面，企业创新活动常受到融资约束影响（杨向阳等，2021），而高新技术企业认定可以向金融机构或地方政府传递积极的信息，使其更容易得到税收优惠之外的信贷资金、政府补贴等其他资源，有效缓解高新技术企业研发投入的融资问题（郭玥，2018）。当企业融资相对充裕时，高新技术企业就能持续投入资金来支持外部机构的研发活动，充分吸收和理解外部知识（Greve，2003）。另一方面，企业采用内向型开放式创新策略最大的困难是外部知识搜索与外部机构匹配，而高新技术企业认定由科技部、财政部和国家税务总局三方联合认证，其本身就有很强的“信号效应”（徐军玲和刘莉，2020）。高新技术企业认定可以向高等院校、科研机构和其他上下游企业等外部创新机构传递信号，增加外部机构与高新技术企业的合作意愿，以降低寻找外部知识时的搜索成本，有利于高新技术企业对外投入研发的工作开展和成果分享（Lopez-Vega和Tell，2016）。

第二种研发策略的方向调整是减弱内向型开放式创新，即高新技术企业认定将促使企业增加对内研发投入而减少对外研发投入，采取的创新策略更加封闭。企业对内投入研发的最大好处是能独占知识产权，有效避免与外部机构共同研发而导致可能的知识产权归属纠纷，同时也能避免在研发过程中被“搭便车”。这都是企业开展内向型开放式创新时常遇到的问题。由于我国知识产权保护机制有待完善（郑飞虎和曹思未，2021），企业与外部合作者的联系存在间隙，存在提防外部合作者的心态，这使企业更加关注知识产权保护或隔离机制，以防止有价值的内部知识意外泄露给外部机构（Wadhwa等，2017）。

另外，即使从长期来看，高新技术企业通常采用增强内向型开放式创新的第一种研发策略，但从短期来分析，企业依然可能采用第二种研发策略来减弱内向型开放式创新。因为短期内提高内部研发投入的比重，能培育企业内部强大的知识吸收能力，这对于未来采用内向型开放式创新至关重要。企业内部研发能直接增加其知识积累，帮助企业更好地利用相关知识，能提升企业对外部知识的吸收能力和创新能力（解学梅和左蕾蕾，2013；张军等，2014）。如果高新技术企业过度依赖内向型开放式创新，那么企业就缺乏足够的知识积累，识别、吸收和运用外部知识的成本将会大幅增加（Salge等，2013）。当这些企业面对不熟悉的外部知识时，它们需要额外成本来实现技术转化和路径变革，同时还需要承担企业内部相关部门或人员拒绝变革的压力（Keupp和Gassmann，2009），这些都不利于获得认定资质的企业在短期内采取更加开放的研发策略，不利于其提高专利质量。基于以上分析，本文提出如下两种相互对立的备择假设。

假设2：高新技术企业认定会增强内向型开放式创新，即促使企业增加对外研发投入而减少对内研发投入，从而提升企业专利质量。

假设3：高新技术企业认定会减弱内向型开放式创新，即促使企业增加对内研发投入而减少对外研发投入，从而提升企业专利质量。

三、研究框架

（一）模型设定与估计方法

本文设定基准估计模型式（1），直接验证假设1，即高新技术企业认定是否提升企业专利质量。

pat_it=α+β₁ht_it+∑_q=1^Qδ_qX_it^q+μ_t+σ_m+γ_k+ε_it （1）

核心自变量ht_it是二元虚拟变量，反映企业i在t年是否获得高新技术企业资质认定。因变量pat_it是企业专利质量，本文用专利知识宽度来测度（具体测度方法见后文）。X_it^q是第q个控制变量，μ_t控制年份固定效应，σ_m控制二位码的行业固定效应，γ_k控制省份固定效应，ε_it为随机误差项。如果假设1成立，β₁估计值将显著为正。

本文从内向型开放式创新视角，探究高新技术企业认定对研发投入内外配置决策，故将企业对内或对外研发投入作为因变量分别回归，分别检验假设2和假设3。检验模型如式（2）和式（3）所示。其中，inrd_it是企业对内研发投入，而exrd_it是企业对外研发投入。如果β₂显著为负但β₃显著为正，则说明假设2成立；如果β₂显著为正但β₃显著为负，则说明假设3成立。

inrd_it=α+β₂ht_it+∑_q=1^Qδ_qX_it^q+μ_t+σ_m+γ_k+ε_it （2）

exrd_it=α+β₃ht_it+∑_q=1^Qδ_qX_it^q+μ_t+σ_m+γ_k+ε_it （3）

本文采用Maddala于1985年提出的处理效应模型（treatment effect model）来解决潜在的内生性问题。在本文研究情景下，企业获得高新技术企业认定之前要满足严格的研发标准，这意味着高新技术企业获得认定前就有相对深厚的研发基础。这些独特的知识资源是企业主动申报高新技术企业认定的重要驱动力，但这种企业自选择行为背后的知识资源难以观测和衡量，所以常规因果识别工具较难处理（纪园园等，2020）。这种由不可观测因素导致的自选择偏差问题可以通过处理效应模型来解决（Tucker，2011）。

处理效应模型由两个阶段的方程估计组成，式（1）至式（3）均为第二阶段的回归方程，而第一阶段的处理方程如式（4）所示。

ht_it=α′+β₁′iv_it+∑_q=1^Qδ_q′X_it^q+μ_t+σ_m+γ_k+ε_it （4）

其中，因变量ht_it是企业是否为高新技术企业。处理效应模型有效的前提是处理方程中包含至少一个外生变量，所以式（4）中自变量iv_it是一个与企业获得高新技术企业认定有关，但与企业专利质量无关的外生变量。通过估计第一阶段处理方程，先得到一家企业获得高新技术企业认定的概率值，再把该概率值作为控制变量引入二阶段回归方程。如果该变量估计系数显著，说明处理组和控制组之间由样本自选择引起的差异被控制住。因此，可以把企业获得认定视为外生处理，消除不可观测的特征差异对系数估计的潜在干扰，能避免处理组和控制组之间存在过大差异而扭曲因果推断结果。另外，本文运用极大似然法估计处理效应模型。相比传统两步估计法，极大似然估计法的优势在于：同步估计得到两阶段方程的系数，估计准确度更高，避免两步估计法中第一步估计误差被带入第二步；能使用似然比来检验是否存在自选择偏差，而两步估计法无法直接检验。

（二）数据来源和变量描述

本文以2008—2013年中国工业企业数据为基础，先匹配工业企业科技活动数据，再匹配海关数据，最后匹配专利数据，形成一个企业层面非平衡面板数据集。本文整理并清洗匹配数据后，参与回归的样本共有187367个。因变量pat_it是企业专利知识宽度，是指企业专利内所蕴含知识的复杂性与多样性，常被用来反映企业专利质量（Aghion等，2015；张杰和郑文平，2018）。本文基于赫芬达尔指数（HHI）思路，从国际专利分类号（IPC）大组层面计算出每个专利知识宽度。由于外观设计专利的IPC分类号体系较为特殊，现有文献通常仅采用发明专利和实用新型专利来计算专利知识宽度。本文分别采取均值法和中值法，把这两种专利的知识宽度归总到企业维度，均取对数处理。

核心自变量ht_it是企业是否获得高新技术企业认定，根据中国工业企业科技活动数据中“高新技术企业减免税”指标来识别。若该指标值大于0，就把ht_it赋值为1，作为处理组样本，共105245个。控制组应该是满足高新技术企业认定标准但没有获得认定的企业，由于数据集中大量企业样本的高新技术产品收入指标缺失，而研发费用和研发人员指标完整，本文根据高新技术企业认定的前两条标准，研发费用占比和研发人员占比来筛选控制组样本，共82122个。这些控制组样本ht_it赋值为0，其与处理组样本的研发实力相近，不存在显著差异，此时采用处理效应模型就能更准确识别出高新技术企业认定提高企业专利质量的因果效应。

本文选用的控制变量集合包括：①企业研发资本rdcap_it，即企业研发部门的资本存量，用永续盘存法测算后并取对数处理（白俊红，2011）；②企业利润率prof_it，由于企业利润率可能为负，该变量采用取立方根处理，以减轻潜在的异方差问题；③企业年龄age_it，用企业成立时间距离样本期年限的对数值来衡量；④企业规模scale_it，用企业年末员工数的自然对数值来测度；⑤企业是否为国有企业state_it，使用实收资本占比来定义国有企业（聂辉华等，2012）；⑥企业是否出口exp_it，本文通过工业企业数据与进出口数据的匹配，识别直接出口、间接出口和零出口三类出口模式，将参与直接出口和间接出口的企业视为出口企业，构造是否为出口企业的虚拟变量（巫强和余鸿晖，2019）。企业对内和对外研发投入指标来自中国工业企业科技活动数据。考虑到部分企业没有对内或对外研发投入，故对指标加1再取对数。

处理效应模型要求第一阶段模型中包含至少一个外生变量。本文构造一个反映地区审计水平的外生变量，即企业所在省份中综合评价前百家会计师事务所（以下简称“百家会计所”）的数量（act_kt）^①。该变量符合处理效应模型对第一阶段外生变量的要求，即该变量与第一阶段因变量有关，但与第二阶段因变量无关。百家会计所都具备为申报企业出具财务或专项审计报告的资质。如果某省份中百家会计所数量较多，那么当地会计所面临更加激烈的同行监督与竞争，提供的财务或专项审计报告就更具可信度，有助于企业成功获得高新技术企业。同时，显然各省份百家会计所数量并不会对企业专利质量产生直接影响。基于2008—2013年百家会计所名单，本文运用网络爬虫方法获得各省份中百家会计所数量。考虑到部分地区在样本期内并没有百家会计所，故将该指标加1再取对数。表1为所有变量的统计描述。

四、实证分析

（一）高新技术企业认定对企业专利质量影响的基准回归分析

式（1）的基准估计结果如表2所示，可直接检验高新技术企业认定是否能提升专利质量。表2第（1）列至第（4）列分别是以均值法和中值法计算的专利知识宽度为因变量的估计结果。第（1）列和第（3）列是处理效应模型的第二阶段回归方程，第（2）列和第（4）列是处理效应模型的第一阶段处理方程。本文用极大似然法整体估计两阶段模型，表2中LR检验是对H₀：rho=0的似然比检验，若检验显著则说明消除样本自选择偏差。

第（1）列和第（3）列中，核心自变量ht系数均显著为正，其系数表明相比其他企业，高新技术企业认定使得其专利知识宽度提高0.0305%（或0.0245%）。这证实假设1成立，即高新技术企业认定能显著拓宽专利知识宽度，从而提升企业专利质量。高新技术企业认定可以激励这些企业更好地整合自身知识集合，增加研发投入来不断丰富知识资源，从而提升专利质量。高新技术企业可以通过高质量专利来实现研发产出的快速转化，并凭借更好的创新绩效来收回前期研发成本，加大未来期的研发投入，构建良性研发循环的同时，也在激烈竞争中巩固其市场势力。同时，高质量专利也能有效防止竞争对手的模仿和改进，保持较长时间的技术优势。该结论充分肯定高新技术企业政策的实施价值，鼓励我国企业持续加大研发投入，推动研发成果转化，不断提升创新质量（李彦龙，2018；邱洋冬和陶锋，2021）。此外，第（1）列和第（3）列中LR检验结果显著，说明不可观测因素所致的自选择问题得到有效缓解，加强回归系数的真实性和可靠性。

（二）高新技术企业政策敏感性的异质性分析

《高新技术企业认定管理办法》明确规定了企业申报和维持高新技术企业的研发强度阈值，该阈值随着企业规模不同分为3个档次，分别是3%、4%和6%。现实中，少部分高新技术企业采用隐蔽的研发操纵手段来提高研发强度，以达到相应阈值（张子余等，2019）。这就是政策敏感的高新技术企业（以下简称“政策敏感企业”）；对应的，未使用研发操纵手段来获得并维持认定的是政策不敏感的高新技术企业（以下简称“政策不敏感企业”）。那么，高新技术企业认定是否依然提升这两类企业的专利质量呢？

当高新技术企业的研发强度处于超过阈值0.5%的区间时，它们更可能是通过研发操纵来获得并维持其高新技术企业认定的，本文把这些企业界定为政策敏感企业。反之，当企业研发强度超过相应阈值0.5%以上时，它们已能获得并维持高新技术企业认定，此时研发操纵成本更高，故操纵的可能性很小，本文把这些企业界定为政策不敏感企业。本文对政策敏感企业和政策不敏感企业做分组回归，回归结果如表3所示。表3第（1）列和第（2）列是包含政策敏感企业和非高新技术企业样本组的回归结果，第（3）列和第（4）列是政策不敏感企业和非高新技术企业样本组的回归结果。受限于文章篇幅，本节不汇报选择方程式（4）的回归结果。

第（1）列和第（2）列中，核心自变量系数都显著为负，说明相比其他企业，政策敏感企业的专利知识宽度要更低。相反，第（3）列和第（4）列中核心自变量系数均显著为正，意味着相比其他企业，政策不敏感企业的专利知识宽度要更高。这些企业获得认定资质后，积极投入研发活动，并丰富其独特的知识集合。当这些知识转化为企业专利时，其专利知识宽度提升，企业专利质量也显著提升。但政策敏感企业的专利知识宽度并没有比其他一般企业更高。有文献发现，在研发强度阈值附近存在着企业聚集现象（杨国超等，2017；Chen等，2021），且多为政策敏感企业。它们并不具备真实的研发投入，依靠研发操纵行为才获得并维持认定资格，高新技术企业认定对其专利质量不存在激励作用。而对于政策不敏感企业，其研发强度要远高于阈值，说明这类企业在真正研发创新，提高专利质量，以提高创新绩效和市场竞争力。高新技术企业认定有利于这些企业持续投入高质量研发，推动我国整体专利质量不断升高。

（三）高新技术企业认定影响企业研发投入内外配置的检验

在内向型开放式创新的视角下，高新技术企业认定是否影响其对内和对外研发投入配置决策，这也是本文研究重点。本文依然采用处理效应模型直接估计式（2）和式（3），结果如表4所示。其中第（1）列至第（3）列的因变量分别为企业对内研发投入、对外研发投入和企业对外研发投入占比。受限于文章篇幅，本节也不汇报选择方程式（4）的回归结果。

第（1）列中核心自变量系数显著为负，说明高新技术企业认定使得企业对内研发投入显著减少。与之相反，第（2）列中核心自变量系数显著为正，这反映出高新技术企业认定使得企业对外研发投入增多。这初步说明高新技术企业会增强内向型开放式创新，即减少对内投入研发，而增加对外投入研发。因此假设2成立，假设3不成立。进一步考察以企业对外研发投入占比为因变量的估计结果，第（3）列显示高新技术企业认定显著增加企业对外研发投入占比，再次证实假设2成立。高新技术企业在获得认定资格前就有扎实的内部研发积累，具备较强的吸收能力和转化能力。企业在获得认定后会增强内向型开放式创新，降低研发风险的同时引进外部前沿知识，实现知识沟通和技术合作。高新技术企业通过协同创新将内外部知识有机融合，拓展企业专利知识宽度，提升企业专利质量。

本文进一步将企业对内研发投入分解为经常性支出和资产性支出，将企业对外研发投入分解为境内高等院校和科研机构（以下简称“高校院所”）支出、境内其他机构支出和境外机构支出。以上指标均来自工业企业科技活动数据库，并取对数处理。本文同样按照式（2）和式（3），把以上指标作为因变量再次回归，进一步探究高新技术企业的对内和对外研发投入的细化配置，结果如表5所示。

表5中第（1）列和第（2）列的核心自变量系数也均显著为负，说明高新技术企业认定使得企业对内研发投入的经常性支出和资产性支出同时减少。本文还发现，高新技术企业认定导致企业内部研发的资产性支出减少幅度大于经常性支出。高新技术企业为了保存研发实力，也为了保持研发人员占比在认定资质的标准之上，不倾向于对研发人员采取激进的大幅度降低工资乃至解聘措施，所以其经常性支出下降幅度不大。此时企业更倾向于大幅度降低资产性支出，将那些需要购置固定资产的研发活动分担给外部研发者，自身减少购买研发所需要的检测仪器设备的成本，与外部研发者共担研发风险（Kobarg等，2019）。所以高新技术企业认定增强内向型开放式创新，导致企业减少对内研发投入，主要通过减少资产性支出来实现。

表5中第（3）列至第（5）列的核心自变量系数均显著为正，说明高新技术企业认定使得企业对外研发投入的境内高校院所支出、境内其他机构支出以及境外机构支出都显著增加，侧面说明高新技术企业会增强内向型开放式创新。本文还发现，高新技术企业对境内高校院所支出增加幅度要远远大于境内其他机构支出和境外机构支出，这可能与高校和科研院所产生的知识类型和运行模式有关。高校和科研院所作为创新链的上游机构，其拥有比其他外部机构更多样化的知识集合（Un等，2010），有利于拓宽高新技术企业知识广度。同时，由于高校和科研院所没有过多现金流和经营压力，倾向于从事更具新颖性和更具突破性的研究（Hewitt-Dundas等，2019），更容易为高新技术企业提供隐性知识或未发表的显性知识，同样有助于高新技术企业拓宽知识广度。此外，高校和科研院所参与商业决策动机不强，可以减少高新技术企业对合作伙伴模仿、内部知识外泄等担忧（Giarratana和Mariani，2014）。这也是高新技术企业将更少的研发资源投入境内其他机构和境外机构的原因之一。

综上所述，高新技术企业认定会促使企业更多地采用内向型开放式创新，增加对外研发投入的同时减少对内研发投入。高新技术企业增加对外研发投入时，会大幅增加对境内高校院所的投入，而投入境内其他机构支出以及境外机构的研发支出涨幅相对较少。当高新技术企业减少对内研发投入时，会大幅减少资产性支出，而经常性支出的减少幅度相对较少。这种研发资源的内外配置优化使得企业专利知识宽度进一步拓展，从而提升企业的专利质量。

（四）稳健性检验

1.以发明专利作为因变量

对于我国专利法规定的3种专利类型，一般认为发明专利的创新质量更高，且专利知识宽度也更广，能从侧面反映企业的专利质量（黎文靖和郑曼妮，2016）。本文就以企业发明专利申请数和发明专利申请占比作为因变量再次回归，并作稳健性检验。由于专利申请数是离散变量，故采用泊松伪极大似然估计（PPML）方法估计式（1）。结果表明^②，高新技术企业认定不仅增加了企业发明专利申请数，还增加了企业发明专利占比。企业发明专利绝对数量和相对数量的提高，可以间接解释高新技术企业认定显著提升企业专利质量，假设1稳健成立。尽管《高新技术企业认定管理办法》中没有对企业发明专利做出明确要求，但是企业获得认定后就有动力从事实质性创新，创造出更多高质量专利，说明高新技术企业认定可以积极调动企业自主研发的积极性，鼓励企业持续投入高质量研发。

2.以重点高新技术企业作为新样本

高新技术企业在我国制造业企业中占比不高，本文界定高新技术企业的依据是“高新技术企业减免税”指标不等于0。但本文也无法完全确认是否存在部分高新技术企业样本遗漏。一部分高新技术企业可能因当年亏损或享受地方政府其他政策而无需缴纳企业所得税，也不会产生高新技术企业减免税。故本文整理重点高新技术企业名单，以处理样本遗漏问题。

重点高新技术企业的全名是“火炬计划重点高新技术企业”，是我国择优选择的一批高新技术产业化骨干企业，是引领我国高新技术产业跨越发展的中坚力量。国家高新技术企业管理网公布2010年及以后的重点高新技术企业名单，本文整理2010—2013年完整名单，得到1463个重点高新技术企业样本，其中384个样本的高新技术企业税收优惠为0。这部分高新技术企业因亏损等原因导致税收优惠额为0，在基准回归中被错误界定为非高新技术企业。本文使用包含重点高新技术企业和非高新技术企业样本，重新估计式（1）。结果显示^③，重点高新技术企业认定增加同样能提升企业专利知识宽度，促进专利质量的提升。尽管本文中高新技术企业样本识别存在部分遗漏，但这并不影响假设1成立。

3.运用套索算法筛选控制变量

本文基于数据挖掘技术的套索算法（LASSO）筛选最优控制变量，避免主观选择控制变量导致的估计偏差（Belloni等，2014），同时处理遗漏变量问题。除上文选定的控制变量以外，本文引入一系列企业层面控制变量，经套索算法选择后的结果表明，要新引入企业资产负债率debtas、企业资本密集度capint、研发经费投入rdfee以及研发人员投入rdemp。前两者是影响企业研发决策的变量，来自中国工业企业数据库；后两者是企业能否成为高新技术企业的决定性因素，来自工业企业科技活动数据库。此外，本文还控制省份和年份固定效应的交互项、行业和年份固定效应的交互项（巫强等，2022）。加入以上各个控制变量和固定效应后，回归结果^④中核心自变量系数仍然显著为正，与表2基准回归中对应系数没有较大差异，假设1稳健。以上结果说明，那些可能影响企业研发的变量、影响企业获得并维持认定资格的变量，以及控制企业所在地区或行业动态特征的固定效应，均不会影响核心结论。

4.控制企业个体固定效应

上文回归中已经控制企业所处行业和地区的固定效应，以控制不随时间变化的行业和地区特征，但是仍有一些不随时间变化的企业特征可能会影响企业申报高新技术企业认定，从而影响企业创新质量。本文控制企业个体固定效应后再次估计式（1）。回归结果^⑤显示，在控制企业个体固定效应后，核心自变量系数仍保持显著为正，这说明高新技术企业认定显著提升企业专利质量，假设1稳健成立。

5.反向因果检验

研发投入是企业获得高新技术企业认定的前提条件，而高新技术企业为维持认定资质也会加大研发投入。这可能存在反向因果问题，本文尝试以通过动态视角下的机制检验加以解决。具体来说，本文将式（2）和式（3）所有自变量滞后一期，并把滞后一期的企业对内或对外研发投入作为控制变量加入模型重新回归^⑥。本文发现，滞后一期的研发投入对企业获得认定资质的影响显著为正，即企业对内或对外研发投入能提升企业获得高新技术企业认定的概率，符合客观实际。滞后一期的高新技术企业认定变量对企业对内研发投入的作用显著为负，而对外研发投入的作用显著为正。说明在控制滞后一期的研发投入后，企业获得认定资质后依然会减少对内研发投入，同时增加对外研发投入，即增强内向型开放式创新，假设2稳健成立。这意味着企业获得认定资质后，会在未来增加对外研发投入的同时减少对内研发投入，会更多地引进外部知识并与内部知识相结合，从而显著提升企业专利质量。

五、研究结论与政策建议

高新技术企业认定政策是具有中国特色的一种创新激励政策，引导企业不断提升创新质量，提高我国整体创新水平。本文匹配2008—2013年中国工业企业数据、工业企业科技活动数据、海关数据和专利数据，基于处理效应模型实证检验高新技术企业认定对专利质量的影响，并从内向型开放式创新的角度研究该认定对高新技术企业研发投入内外配置的变化。实证结果表明，高新技术企业认定显著提升企业专利质量。但这种促进效应仅出现在政策不敏感的高新技术企业，对政策敏感的高新技术企业无效。本文进一步利用内向型开放式创新探究高新技术企业认定对企业研发投入内外配置决策的影响，发现该认定会增强企业内向型开放式创新。高新技术企业认定使得企业减少对内研发投入，主要通过减少资产性支出来实现；同时该认定使企业增加对外研发投入，主要投向境内高等院校和科研机构。高新技术企业拥有深厚的内部研发积累，在获得认定后会配置更多的研发资源到外部机构，更多地引进外部知识，通过内外部知识结合提升专利蕴含知识的多样性和复杂性，提升企业专利质量。

激励企业创新，持续提升企业创新质量是我国经济战略发展的重要举措。本文的研究对我国创新激励政策的制定和评估有丰富的借鉴意义，能有针对性地指导我国未来创新激励政策的设计与实施。第一，坚持执行高新技术企业政策，加大政策的实施力度。本文证实我国高新技术企业认定总体上拓展企业专利知识宽度，促进企业专利质量，提升我国整体创新水平。各地各级政府应当持续加强高新技术企业培育以及孵化工作，不断壮大高新技术企业的数量和规模。同时政府要提高该政策执行的行政效率，便利更多企业申报高新技术企业并取得认定资格。第二，持续优化高新技术企业认定标准，强化对企业创新质量的考察。部分高新技术企业可能通过研发操纵来获取认定资格，其专利质量并不会得到有效提升。这就要求政府严格考察申报企业的创新质量，高新技术企业认定标准需要进一步完善，避免创新资源的错配，要让创新资源尽可能流入未来能积极开展高质量研发的企业中。第三，不断提升高新技术企业配套服务水平，便利企业与外部机构（特别是创新链上游主体）合作推进开放式创新。高新技术企业更愿意采用内向型开放式创新，即倾向于把更多的研发资源投入外部研发机构，将内外部知识有机结合来提升专利质量。这就需要政府充当高新技术企业与外部机构之间合作研发的中介和桥梁，搭建各类产学研交流平台，完善科技成果转化体制，协助更多高新技术企业吸收外部知识，并帮助它们实现内外部知识的有机融合，拓宽专利知识宽度，才能切实提升我国创新质量，真正实现创新驱动发展。

注释：

①综合评价前百家会计师事务所名单由中国注册会计师协会每年公布。百家会计所的考核标准包括：会计所业务收入指标、注册会计师人数指标、其他综合评价以及处罚和惩戒指标。故百家会计所可以代表我国会计师事务所的最高水平，而各省份所拥有百家会计所数量能够直接反映该地区的会计审计质量。

②读者可扫描本文首页二维码，获取电子版附录，查看以发明专利作为因变量的稳健性检验结果。

③读者可扫描本文首页二维码，获取电子版附录，查看以重点高新技术企业为新样本的稳健性检验结果。

④读者可扫描本文首页二维码，获取电子版附录，查看运用套索算法筛选控制变量的稳健性检验结果。

⑤读者可扫描本文首页二维码，获取电子版附录，查看高新技术企业认定对企业专利质量影响的检验结果（控制企业固定效应）。

⑥读者可扫描本文首页二维码，获取电子版附录，查看动态视角下高新技术企业认定对企业研发投入内外配置影响的检验结果。

参考文献：

[1]白俊红.中国的政府R&D资助有效吗？来自大中型工业企业的经验证据[J].经济学（季刊），2011（4）：1375-1400.

[2]陈强远，林思彤，张醒.中国技术创新激励政策：激励了数量还是质量[J].中国工业经济，2020（4）：79-96.

[3]窦钱斌，孙美露，王菲瑶，等.高新技术企业认定与企业创新效率：提升还是抑制——基于中国上市公司的反事实估计[J].科技进步与对策，2020（19）：123-132.

[4]郭玥.政府创新补助的信号传递机制与企业创新[J].中国工业经济，2018（9）：98-116.

[5]纪园园，李世奇，朱平芳.处理效应模型的理论拓展及在政策评价中的应用[J].统计研究，2020（9）：106-119.

[6]江静.公共政策对企业创新支持的绩效——基于直接补贴与税收优惠的比较分析[J].科研管理，2011（4）：1-8+50.

[7]李维安，李浩波，李慧聪.创新激励还是税盾——高新技术企业税收优惠研究[J].科研管理，2016（11）：61-70.

[8]黎文靖，郑曼妮.实质性创新还是策略性创新——宏观产业政策对微观企业创新的影响[J].经济研究，2016（4）：60-73.

[9]李西良，田力普，赵红.高新技术企业知识产权能力测度研究——基于DEMATEL-VIKOR的指数模型[J].科研管理，2020（4）：270-279.

[10]李彦龙.税收优惠政策与高技术产业创新效率[J].数量经济技术经济研究，2018（1）：60-76.

[11]聂辉华，江艇，杨汝岱.中国工业企业数据库的使用现状和潜在问题[J].世界经济，2012（5）：142-158.

[12]邱洋冬，陶锋.高新技术企业资质认定政策的有效性评估[J].经济学动态，2021（2）：16-31.

[13]孙文浩，张杰.高新技术企业减税与企业创新[J].经济理论与经济管理，2021（7）：23-35.

[14]巫强，余鸿晖.中国制造业企业出口模式选择研究：基于市场势力和生产率的视角[J].南京社会科学，2019（8）：11-21.

[15]巫强，仲志源，陈博宇.战略性新兴产业政策、地方政府回应与企业生产率[J].中国经济问题，2022（2）：151-165.

[16]解学梅，左蕾蕾.企业协同创新网络特征与创新绩效：基于知识吸收能力的中介效应研究[J].南开管理评论，2013（3）：47-56.

[17]徐军玲，刘莉.高新技术企业认定政策的创新增量效应及作用机制[J].科研管理，2020（8）：135-141.

[18]许玲玲.高新技术企业认定、政治关联与民营企业技术创新[J].管理评论，2017（9）：84-94.

[19]许玲玲，杨筝，刘放.高新技术企业认定、税收优惠与企业技术创新——市场化水平的调节作用[J].管理评论，2021（2）：130-141.

[20]杨国超，刘静，廉鹏，等.减税激励、研发操纵与研发绩效[J].经济研究，2017（8）：110-124.

[21]杨国超，芮萌.高新技术企业税收减免政策的激励效应与迎合效应[J].经济研究，2020（9）：174-191.

[22]杨向阳，赵彬彬，朱怡铮.企业出口、融资约束与研发投入研究[J].世界经济与政治论坛，2021（2）：110-134.

[23]张杰，郑文平.创新追赶战略抑制了中国专利质量么？[J].经济研究，2018（5）：28-41.

[24]张军，许庆瑞，张素平.动态环境中企业知识管理与创新能力关系研究[J].科研管理，2014（4）：59-67.

[25]张子余，杨丹，张碧秋.高新技术企业资格认定过程中的费用操控行为研究[J].南开管理评论，2019（5）：155-164.

[26]郑飞虎，曹思未.跨国公司研发策略部署与开放式创新——来自中国的新发现[J].南开经济研究，2021（4）：20-41.

[27]周海涛，张振刚.政府研发资助方式对企业创新投入与创新绩效的影响研究[J].管理学报，2015（12）：1797-1804.

[28]Aghion P. , Dewatripont M. , Du L. , et al. Industrial Policy and Competition[J]. American Economic Journal: Macroeconomics, 2015, 7（4）: 1-32.

[29]Belloni A. , Chernozhukov V. , Hansen C. High-Dimensional Methods and Inference on Structural and Treatment Effects[J]. The Journal of Economic Perspectives, 2014, 28（2）: 29-50.

[30]Bstieler L. , Gruen T. , Akdeniz B. , et al. Emerging Research Themes in Innovation and New Product Development: Insights from the 2017 PDMA-UNH Doctoral Consortium[J]. Journal of Product Innovation Management, 2018, 35（3）: 300-307.

[31]Chen Z. , Liu Z. , Serrato J. C. , et al. Notching R&D Investment with Corporate Income Tax Cuts in China [J]. American Economic Review, 2021, 111（7）: 2065-2100.

[32]Dahlander L. , Gann D. M. How Open Is Innovation?[J]. Research Policy, 2010, 39（6）: 699-709.

[33]Giarratana M. S. , Mariani M. The Relationship Between Knowledge Sourcing and Fear of Imitation: Fear of Imitation and Knowledge Sourcing[J]. Strategic Management Journal, 2014, 35（8）: 1144-1163.

[34]Gómez J. , Salazar I. , Vargas P. The Role of Extramural R&D and Scientific Knowledge in Creating High Novelty Innovations: An Examination of Manufacturing and Service Firms in Spain [J]. Research Policy, 2020, 49（8）: 104-130.

[35]Greve H. R. A Behavioral Theory of R&D Expenditures and Innovations: Evidence from Shipbuilding[J]. The Academy of Management Journal, 2003, 46（6）: 685-702.

[36]Gupta A. K. , Smith K. G. , Shalley C. E. The Interplay Between Exploration and Exploitation[J]. Academy of Management Journal, 2006, 49（4）: 693-706.

[37]Hewitt-Dundas N. , Gkypali A. , Roper S. Does Learning from Prior Collaboration Help Firms to Overcome the ‘Two-worlds’ Paradox in University-business Collaboration?[J]. Research Policy，2019, 48（5）: 1310-1322.

[38]Hsu P-H. , Tian X. , Xu Y. Financial Development and Innovation: Cross-country Evidence[J]. Journal of Financial Economics, 2014, 112（1）: 116-135.

[39]Hu F. , Xi X. , Zhang Y. Influencing Mechanism of Reverse Knowledge Spillover on Investment Enterprises' Technological Progress: An Empirical Examination of Chinese Firms[J]. Technological Forecasting and Social Change, 2021, 169: 120797.

[40]Hu A. G. Z. , Zhang P. , Zhao L. China as Number One? Evidence from China 's Most Recent Patenting Surge[J]. Journal of Development Economics, 2017, 124（2017）: 107-119.

[41]Keupp M. M. , Gassmann O. Determinants and Archetype Users of Open Innovation[J]. R&D Management, 2009, 39（4）: 331-341.

[42]Kobarg S. , Stumpf-Wollersheim J. , Welpe I. M. More Is Not Always Better: Effects of Collaboration Breadth and Depth on Radical and Incremental Innovation Performance at the Project Level[J]. Research Policy, 2019, 48（1）: 1-10.

[43]Lopez-Vega H. , Tell F. , Vanhaverbeke W. Where and How to Search? Search Paths in Open Innovation[J]. Research Policy, 2016, 45（1）: 125-136.

[44]Maddala G. S. Limited-Dependent and Qualitative Variables in Econometrics[M]. Journal of the American Statistical Association, 1985.

[45]Manzini R. , Lazzarotti V. , Pellegrini L. How to Remain as Closed as Possible in the Open Innovation Era: The Case of Lindt & Sprüngli[J]. Long Range Planning, 2017, 50（2）: 260-281.

[46]Nicholls-Nixon C. L. , Woo C. Y. Technology Sourcing and Output of Established Firms in a Regime of Encompassing Technological Change[J]. Strategic Management Journal, 2003, 24（7）: 651-666.

[47]Peteraf M. A. , Barney J. B. Unraveling the Resource-Based Tangle[J]. Managerial and Decision Economics, 2003, 24（4）: 309-323.

[48]Pyka A. , Scharnhorst A. Innovation Networks: New Approaches in Modelling and Analyzing[M]. Berlin, Springer Berlin Heidelberg , 2009.

[49]Salge T. O. , Farchi T. , Barrett M. I. , et al. When Does Search Openness Really Matter? A Contingency Study of Health-Care Innovation Projects: When Does Search Openness Really Matter?[J]. Journal of Product Innovation Management, 2013, 30（4）: 659-676.

[50]Tucker J. W. Selection Bias and Econometric Remedies in Accounting and Finance Research[J]. Journal of Accounting Literature, 2010, 29: 31-57.

[51]Un C. A. , Cuervo-Cazurra A. , Asakawa K. R&D Collaborations and Product Innovation: R&D Collaborations and Product Innovation[J]. Journal of Product Innovation Management, 2010, 27（5）: 673-689.

[52]Van Beers C. , Zand F. R&D Cooperation, Partner Diversity, and Innovation Performance: An Empirical Analysis[J]. Journal of Product Innovation Management, 2014, 31（2）: 292-312.

[53]Wadhwa A. , Bodas Freitas I. M. , Sarkar M. B. The Paradox of Openness and Value Protection Strategies: Effect of Extramural R&D on Innovative Performance[J]. Organization Science, 2017, 28（5）: 873-893.

[54] Wassmer U. , Dussauge P. Network Resource Stocks and Flows: How Do Alliance Portfolios Affect the Value of New Alliance Formations?[J]. Strategic Management Journal, 2012, 33（7）: 871-883.

[55]Wernerfelt B. A Resource-based View of the Firm[J]. Strategic Management Journal, 1984, 5（2）: 171-180.

作者简介：巫强，江苏省习近平新时代中国特色社会主义思想研究中心南京大学理论研究基地，南京大学长江三角洲经济社会发展研究中心，E-mail:qiangwu@nju.edu.cn；仲志源，南京大学长江三角洲经济社会发展研究中心，南京大学商学院，E-mail:zyzhong809@163.com。