Research on the Influence of Diversified Backgrounds of Board Members on the Innovation Output of Enterprises: An Analysis Based on the Effectiveness of Internal Control
-
摘要: 运用理论分析和实证检验相结合的方法，探讨了董事会成员背景多元化与企业创新产出的关系，以及内部控制有效性对二者关系的调节效应.首先，以高阶梯队理论、资源依赖理论和社会认知理论等作为理论基础，分析提出2个研究假设；然后，选取我国2012—2018年A股上市公司的数据为样本，通过建立2个多元线性回归数学模型，运用Pearson变量相关性分析技术和方差膨胀因子检验以及OLS、FE等方法分析后发现：(1)董事会背景多元化在1%的显著性水平上对企业创新具有正向的促进作用；(2)内部控制有效性在1%的显著性水平上对董事会背景多元化与企业创新产出的关系具有正向调节作用，即随着内部控制有效性的提升，董事会背景多元化对企业创新产出的正向影响逐渐增强; (3)在国有控股企业、总经理与董事长两职分离的企业和市场化程度较高地区的企业中，内部控制有效性对董事会背景多元化促进企业创新的正向调节作用更为明显.Abstract: This paper combines theoretical analysis with empirical test to explore the relationship between the diversity of board members' backgrounds and the innovation output of enterprises and the moderating effect of the effectiveness of internal control on their relationship. First, on the basis of the upper echelon theory, the resource dependence theory and the social cognition theory, two research hypotheses are put forward. Then the data of China's A-share listed companies from 2012 to 2018 are selected as the sample and two multiple linear regression models are established. The following conclusions are drawn with the method of Pearson, VIF, OLS and FE. First, there is a positive correlation between the background diversity of the board of directors and the output of corporate innovation, with a significant level of 1%. Second, on the significance level of 1%, the effectiveness of internal control has a positive regulating effect on the relationship between the diversity of the background of the board of directors and the innovation output of the enterprise. In other words, with the improvement of the effectiveness of internal control, the positive influence of the diversity of the background of the board of directors on the innovation output of the enterprise gradually increases. Third, in the state-held enterprises, the enterprises where the general manager and the chairman are separated and the enterprises in the areas with a high degree of marketization, the effectiveness of internal control has a stronger positive regulatory effect on the background diversity of the board of directors promoting corporate innovation.
-
创新驱动力与国家经济发展水平密切相关，中国的创新驱动力指数在不断提升，但仍低于发达国家[1]，科技对经济增长的贡献率较低仍是我国经济面临的“阿喀琉斯之踵”，核心技术和关键零部件受制于人常使我国的核心企业被轻易扼住咽喉.企业是科技创新的主体，如何更有效地提高企业的自主创新能力是我国发展亟需研究解决的问题.
目前，对董事会多元化与企业创新领域的研究主要集中在教育背景多元化(认知层面异质性)对特定经济后果的影响[2-5]，尚缺乏从董事会成员的国内和国外背景的角度来研究董事会背景多元化与企业创新关系.由于公司的重大决策是董事会内部成员之间沟通的结果，这一决策过程必然受到内部控制的影响.所以，研究董事会背景多元化、内部控制有效性与企业创新的关系是很有意义的.
社会认知理论表明:多元化的团体对其面临的环境往往有更全面的认识和深刻的解读，董事会作为公司的决策中心，多元化的董事会能提供更全面的观点和视角，有利于企业创新.众多学者的研究发现：董事会多元化程度越高，越能促进企业创新[2-3]和提高企业价值[4-5].
基于以上的分析，本文试图研究董事会成员背景多元化与企业创新的关系，找到驱动公司创新的因素和机制；同时，引入内部控制有效性作为调节变量，探究其如何影响董事会成员背景多元化与企业创新的关系.
1. 理论分析与研究假设
1.1 董事会背景多元化与企业创新
高阶梯队理论指出：管理者的特征(经历等)会影响组织战略决策和财务绩效[6].学者们的研究认为：曾有海外学习或工作经历的管理者往往获得高度专业化的技巧、先进的管理经验、开阔的视野，且更能容忍犯错，这些特征使得他们更擅长于应对变化和风险[7]，在创新活动中能更好地抓住机会投资有效的资源，从而在未来获得更多的收益[8].因此，“海归”人员如果进入董事会，他们就有机会施展自己的能力和技巧.另一方面，经历改革开放初期、互联网时代的企业家通常拥有创新、善抓机会、勇于突破、与众不同、自我实现的企业家精神[9].从高阶梯队理论看来，管理者的这些经历是有利于公司创新的.
资源依赖理论也指出：组织要生存，必须从周边的环境源源不断地获取资源.拥有海外学习经历的管理者能提供高度专业化的技巧，拥有海外工作经历的管理者能提供先进的管理经验等资源[6]，这是创新的关键资源；在国内成长的管理者更了解政治经济形势和文化环境，能提供独特的经济、政治和人际关系资源，这也是创新的重要因素，从某种程度上看，三者提供的资源是互补、多元化的，都是企业创新活动中不可或缺的要素.最后，从社会认知理论来看，拥有海外学习或工作经历的管理者和在国内学习和成长的管理者都在董事会任职，不同的文化经历和思维方式能为企业提供更全面的观点和视角，对公司面临的环境、创新策略有更全面的解读和认识，思想的交织碰撞使得决策更具创新性、科学性.因此，基于以上理论的分析，本文提出以下的研究假设：
假设1：在其它条件不变的情况下，董事会背景多元化对企业创新具有正向影响.
1.2 董事会背景多元化、内部控制有效性与企业创新产出
提供咨询、制定决策、管理和监督是董事会的基本职责，有效的内部控制可以弥补契约的不完备性，降低信息不对称性和减少道德风险行为的发生[10-11].组织行为理论认为：集体决策的正确性是优于个体决策的，可以消除偏见，克服代理成本[12].结合内部控制五要素和董事会集体决策的效果来看：(1)内部控制通过建立预算考核等机制，营造健康的控制环境[13].通过控制环境建立企业纪律、塑造企业文化，从而影响管理者的道德价值观、经营管理哲学等因素，控制环境作为内部控制其它要素的基础，健康的控制环境能有效地保障董事会集体决策效果；(2)每个企业的创新活动都面临着来自内部和外部的风险，需要对这些风险进行评估，通过风险评估可以分析和识别企业创新活动中可能发生的风险，从而提高董事会集体决策的科学性；(3)创新活动是长期的，在管理层识别风险后，需要针对具体风险进行必要的控制活动，由于控制活动的存在，使得诸如董事会等管理层的指令顺利地贯彻执行，提高决策执行的效果；(4)董事会决策有4个过程：观察获取信息、记忆储存信息、计算掌控信息、交流和转化信息[12].内部控制可以减少沟通的噪音，使得信息有效地传递和沟通，通过有效的交流和沟通制定并完善创新项目；(5)创新是有风险的，创新的研发项目涉及大量研发资金的运用，内部控制有效的监督可以抑制管理层过度研发投入和舞弊行为[14]，降低代理成本[12].从这些方面可以看出：内部控制与董事会集体决策是相辅相成的，有效的内部控制使董事会决策更科学.因此，基于以上理论的分析，本文提出以下的研究假设：
假设2：在其它条件不变的情况下，随着内部控制有效性的提升，董事会背景多元化对企业创新的促进作用逐渐增强.
2. 实证研究设计
2.1 样本及数据来源
鉴于2010年发布的《企业内部控制配套指引》要求上交所和深交所主板公司在2012年1月1日起强制实施内部控制有效性的鉴证与披露，本文初始研究样本选自2012—2018年沪、深两市A股上市公司，并进行如下筛选：(1)剔除ST、*ST及PT处理的公司样本；(2)由于其会计制度、账务处理具有特殊性，剔除金融行业的上市公司样本；(3)为消除极端值的影响，对连续变量在1%和99%分位上进行缩尾处理.在本文研究数据中，内部控制质量指数来自迪博企业风险管理技术有限公司数据库，其它数据全部来自国泰安数据库.
2.2 变量及含义
2.2.1 董事会背景多元化
借鉴研究者对董事会职能背景多元化和董事会教育背景多元化的衡量方法[3, 14]，根据国泰安数据库提供的董事会人物特征资料数据，把董事会成员的背景划分为4种：曾在海外任职为第1种；曾在海外求学为第2种；国内学习或国内任职为第3种；曾在海外任职和海外求学为第4种.采用赫芬达尔指数进行衡量，计算公式为H=1-∑Pi2，Pi表示第i种背景的人数占董事会总人数的比例.
2.2.2 企业创新
相对于研发支出，专利申请数更能体现创新的产出和成果.因此，借鉴学者对企业创新的衡量方法，选取更能体现创新产出成果的年内专利申请数量来衡量[3, 7], 为企业年内的发明、实用新型、外观设计的申请数量之和，该变量的值越大，表明创新产出越大.
2.2.3 内部控制有效性
借鉴研究对内部控制有效性的定义和衡量方式，采用迪博企业风险管理技术有限公司公布的中国上市公司内部控制指数，并除以100予以标准化[11, 15].
2.2.4 其他有关控制变量
参考文献[2-5, 13-14]，选择如下控制变量：公司规模、董事会规模、营业收入增长率、资产负债率、独立董事比例、两职合一、高管持股比例、总资产收益率、企业性质和市场化进程，同时还控制了年度和行业效应.
变量的具体定义如表 1所示.
表 1 变量定义表Table 1. The table of variable definition变量性质 变量名称 变量表示 变量定义 被解释变量 企业创新 Patent 企业年内申请专利的总数，包括发明专利、实用新型专利和外观设计专利的申请总数 解释变量 董事会背景多元化 H 用赫芬达尔指数表示，H =1-∑Pi2，Pi表示第i种背景的人数占董事会总人数的比例.曾在海外任职为第1种; 曾在海外求学为第2种；国内学习或国内任职为第3种；曾在海外任职和海外求学为第4种 调节变量 内部控制 ICindex 采用迪博企业风险管理技术有限公司公布的中国上市公司内部控制指数，并除以100予以标准化 控制变量 公司规模 Lasset 年末公司资产总额的自然对数 董事会规模 Boardsize 公司董事会的总人数 营业收入增长率 Growth (本年营业收入-上年营业收入)/上年营业收入×100% 两职合一 Dual 总经理兼任董事长的取值为1，否则为0 独立董事比例 Ratio 独立董事人数/董事会总人数 高管持股比例 Share 年末高管持股数/年末股本总数 资产负债率 Lev 年末负债总额/年末资产总额 总资产收益率 Roa 年末净利润/年末资产总额 企业性质 State 国有控股企业的取值为1，非国有控股企业的取值为0 市场化进程 Market 根据王小鲁等[16]编制的全国各省、自治区和直辖市的市场化指数，对企业所属区域的市场化指数进行排列，高于平均值的取值为Market=1，否则取值为Market=0 年度 Year 年度虚拟变量 行业 Industry 行业虚拟变量 2.3 模型设计
采用多元回归分析法检验董事会背景多元化、内部控制有效性与创新产出的关系.首先，本文用模型(1)来检验董事会背景多元化对创新产出的影响，以此检验假设1.
Patent=α+β1H+∑βjControls+∑λiYear+∑θiIndustry+ε, (1) 其中，Controls包含10个控制变量，分别是Lasset、Boardsize、Growth、Dual、Ratio、Share、Lev、Roa、State、Market.
在考虑不同的内部控制质量对董事会背景多元化与创新产出关系的影响时，在模型(1)的基础上加入董事会背景多元化与内部控制有效性的交互项(H*Icindex)，用模型(2)来检验假设2.
Patent=α+β1H+β2Icindex+β3H∗Icindex+∑βjControls+∑λiYear+∑θiIndustry+ε. (2) 3. 实证过程与结果分析
3.1 描述性统计
全体样本(观测数为9 628个)的主要变量描述性统计如表 2所示.在表 2中，首先看关键的3个变量，从创新的产出量(Patent)来看，企业年度专利申请数最低值为0，即全年没有专利的申请，最高值为1 176，标准差为161.34，表明全体企业间的创新产出存在较悬殊的差异；从董事会成员背景多元化(H)看，其最小值为0，即董事会只存在单一特征的成员，最大值为0.73，标准差为0.17，但是存在较低的均值为0.17，这也引出了本文关注的焦点——董事会成员背景多元化与企业创新的关系；从内部控制质量(ICindex)看，经标准化后的内部控制质量指数的均值为6.48，最大值为9.86，最小值为0，同样是存在较明显的差异.
表 2 全体样本主要变量描述性统计Table 2. The descriptive statistics of the main variables of the total sample变量 平均值 标准差 最小值 最大值 Patent 71.97 161.34 0 1 176 H 0.16 0.17 0 0.73 ICindex 6.48 1.19 0 9.86 Lasset 22.13 1.22 20.08 26.07 Boardsize 8.63 1.70 0 18 Growth 0.19 0.40 -0.42 2.50 Dual 0.28 0.45 0 1 Ratio 0.37 0.05 0.33 0.57 Share 0.08 0.15 0 0.63 Lev 0.41 0.20 0.05 0.85 Roa 0.04 0.05 -0.11 0.18 State 0.35 0.48 0 1 Market 0.86 0.35 0 1 公司的营业收入增长率(Growth)的平均值为0.19，标准差为0.40，最小值为-0.42，最大值为2.50，公司的营业收入增长率增加2倍多，上市公司的营业收入增长率总体上差异悬殊.除此外，各个公司在董事会规模(Boardsize)、独立董事比例(Ratio)等控制变量之间的差异则相对较小.
3.2 相关性分析
为判断各个变量之间的相关程度和关系，对文中所有变量进行Pearson相关系数分析(表 3).从单个具体变量之间的相关系数来看，董事会成员背景多元化与企业创新在1%的显著性水平上正相关，这在一定程度上说明董事会成员背景多元化程度越高，企业创新产出水平也越高，初步验证了假设1；内部控制质量也在1%的显著性水平上与企业创新正相关，表明内部控制质量对企业创新有正向的促进作用；此外，董事会成员背景多元化与内部控制质量显著正相关，表明内部控制质量可能会对董事会成员背景多元化与企业创新的关系产生正向的调节作用.
表 3 Pearson相关分析系数表Table 3. The table of Pearson correlation analysis coefficientPatent H ICindex Lasset Boardsize Growth Dual Ratio Share Lev Roa State Market Patent 1 H 0.12*** 1 Icindex 0.11*** 0.04*** 1 Lasset 0.49*** 0.08*** 0.11*** 1 Boardsize 0.10*** -0.01 0.02* 0.30*** 1 Growth -0.02 0.01 0.02** 0.02** -0.01 1 Dual -0.05*** 0.06*** 0.01 -0.19*** -0.20*** 0.03 1 Ratio 0.08*** 0.04*** 0.04*** 0.10 -0.46*** -0.01 0.12*** 1 Share -0.07*** 0.08*** 0.04*** -0.28*** -0.18*** 0.01 0.46*** 0.12*** 1 Lev 0.22*** -0.06*** -0.09*** 0.54*** 0.19*** 0.02 -0.15*** -0.02** -0.25*** 1 Roa 0.03*** 0.06*** 0.32*** -0.02* -0.04 0.02 0.05*** -0.02* 0.14*** -0.35*** 1 State 0.16*** -0.11*** -0.02** 0.40*** 0.30*** 0.01 -0.30*** -0.05*** -0.36*** 0.36*** -0.13*** 1 Market 0.06*** 0.12*** 0.09*** 0.09*** -0.07*** -0.03*** 0.09*** 0.01 0.11*** -0.11*** 0.09*** -0.19*** 1 注：***p < 0.01, **p < 0.05, *p < 0.10. 由表 4中变量的方差膨胀因子检验可以看出：回归模型的方差膨胀因子(VIF)远小于5，因此，可以判断本文模型选择的变量存在多重共线性的概率较小.综合Pearson相关性分析和方差膨胀因子检验的结果，本文所选取变量的显著性检验和模型设计具有合理的经济意义.
表 4 方差膨胀因子检验Table 4. The table of variance expansion factor test变量 VIF 1/VIF H 1.06 0.95 Icindex 1.15 0.87 Lasset 1.83 0.55 Boardsize 1.52 0.66 Growth 1.00 1.00 Dual 1.32 0.76 Ratio 1.34 0.75 Share 1.42 0.70 Lev 1.75 0.57 Roa 1.32 0.76 State 1.49 0.67 Market 1.06 0.94 Mean VIF 1.33 3.3 回归结果分析
3.3.1 董事会背景多元化与企业创新的关系检验
运用模型(1)对假设1进行检验，结果如表 5所示. OLS的回归结果中，董事会背景多元化(H)的回归系数为62.64，且在1%的水平上显著，表明董事会背景多元化对企业创新有正向的促进作用；在模型(1)的固定效应模型(FE)中，H的系数略微变大，仍然在1%的水平上显著，假设1得到验证.影响企业创新的因素有很多，从其它的控制变量来看，Lasset的系数在1%的水平上显著为正，表明规模越大的企业越能促进企业创新；独立董事比例(Ratio)和高管持股比例(Share)的系数都在1%的水平上显著为正，独立董事的比例越高，其监督职能可能发挥得越有效，更能促进企业创新；高管持股比例越高，其进行创新的动力越大，公司的创新产出也越好.此外，企业的资产负债率(Lev)则与企业创新显著负相关，较高的资产负债率会增大企业的财务风险，带来融资约束，降低投资者的信心等，不利于企业创新.
表 5 董事会背景多元化、内部控制与企业创新的全体样本回归结果Table 5. The full sample regression results of background diversity of the board, internal control and corporate innovation变量 模型(1) 模型(2) OLS FE OLS FE H 62.64*** 64.83*** -92.83** -97.68** (8.60) (8.74) (0.10) (46.95) Icindex — — 1.98 2.07 (1.65) (1.68) H*Icindex — — 23.95*** 25.02*** (6.95) (7.08) Lasset 70.29*** 66.20*** 69.17*** 65.09*** (1.62) (1.61) (1.64) (1.63) Boardsize 0.31 -0.95 0.30 -0.97 (1.03) (1.05) (1.03) (1.05) Growth -3.44 -6.16* -4.31 -7.08* (3.66) (3.72) (3.66) (3.72) Dual 1.369 2.89 1.33 2.82 (3.67) (3.75) (3.67) (3.74) Ratio 163.12*** 161.41*** 156.26*** 154.23*** (30.64) (31.25) (30.63) (35.08) Share 49.13*** 45.45*** 48.03*** 44.48*** (11.64) (11.86) (11.62) (11.84) Lev -18.57* -19.66** -17.11* -18.30* (9.98) (9.92) (9.99) (9.92) Roa 88.63** 97.25*** 41.57 47.86 (35.05) (35.71) (36.37) (37.08) State 11.57*** 5.18 11.16*** 4.81 (3.62) (3.66) (3.62) (3.66) Market 47.13*** 43.94*** 45.78*** 42.59*** (4.24) (4.24) (4.24) (4.27) Industry & Year 控制 控制 控制 控制 常数项 -1 625.54***
(36.50)-1 494.85***
(34.15)-1 610.42***
(37.29)-1 477.99***
(35.07)样本观测数 9 628 9 628 9 628 9 628 调整R2 0.276 3 0.300 0 0.303 8 0.304 2 注：括号内数字为标准误；***p < 0.01, **p < 0.05, *p < 0.10；表 6和表 7同. 3.3.2 内部控制有效性的调节作用检验
在模型(2)中加入董事会背景多元化与内部控制有效性的交互项来检验调节作用，OLS与FE的回归结果见表 5.在模型(2)的OLS回归结果中，董事会背景多元化与内部控制的交互项(H * Icindex)系数为23.95，表明随着内部控制有效性的提升，董事会背景多元化对企业创新的正向影响逐渐增强，即:在保持其他变量不变的情况下，每增加一个标准化的内部控制系数，企业创新的产出量增加23.95个.这说明内部控制与多元化董事会集体决策是相辅相成的，有效的内部控制促进董事会决策更科学、有效，从而增加创新成果，这一结果也验证了假设2.
3.4 稳健性检验
为确保研究结果的稳健性，通过如下的方法进行稳健性检验：(1)选用新的衡量指标衡量被解释变量企业创新；(2)对控制变量取滞后一期的变量再代入原模型进行检验.
3.4.1 替换企业创新的衡量方法
由于企业创新产出受企业研发投入的影响，借鉴文献[16-17]的做法，以企业的研发支出(RD，单位为百万元)替代企业年内专利申请数衡量企业创新，代入模型(1)和模型(2)进行稳健性检验(表 6)，从表 6可见：替换后的被解释变量(企业创新)，在模型(1)RD所在的列中，H的系数为17.07，并且在1%的水平上显著；在模型(2)RD所在的列中，交互项系数H*Icindex为58.97，且在1%的水平上显著.总体上与被解释变量替换前的结果基本一致，回归检验结果均与前文的假设相符合.
表 6 稳健性检验的回归结果Table 6. The regression results of the robustness test变量 模型(1) 模型(2) RD RD1 Patent RD RD1 Patent H 17.07*** 108.67*** 60.80*** 91.09*** -255.33* -111.02** (6.48) (28.52) (10.19) (-2.99) (152.63) (55.89) Icindex — — — 8.51*** 0.32 3.79** (3.25) (5.46) (1.92) H*Icindex — — — 58.97*** 56.02** 26.63*** (13.74) (23.03) (8.51) Lasset 190.51*** 130.26*** 76.51*** 187.08*** 128.41*** 75.20*** (3.22) (5.38) (1.89) (3.24) (5.44) (1.89) Boardsize 4.69** 9.85*** -0.88 4.67** 9.82*** -0.90 (2.04) (3.42) (1.21) (2.04) (3.42) (1.21) Growth -28.92*** -11.22 -0.16 -31.67*** -12.47 -0.14 (7.26) (12.13) (0.21) (7.25) (12.15) (0.21) Dual -1.19 32.50*** 3.97 -1.32 32.42*** 3.67 (7.28) (12.17) (4.27) (7.26) (12.16) (4.27) Ratio 509.39*** 339.20*** 174.73*** 489.02*** 327.19*** 169.48*** (60.77) (101.54) (34.27) (60.63) (101.59) (34.21) Share 79.14*** 25.34 34.45*** 76.05*** 23.24 34.54*** (23.09) (38.58) (11.66) (23.02) (38.57) (11.64) Lev -116.85*** -77.09** -25.34** -111.63*** -75.56** -21.78** (19.81) (33.10) (11.43) (19.78) (33.15) (11.44) Roa 99.77 36.02 102.94*** -43.86 -41.24 71.12** (69.51) (116.14) (34.05) (72.00) (120.64) (34.40) State 20.52*** -11.94 8.34** 19.50*** -12.89 8.07* (7.18) (12.00) (4.26) (7.16) (12.01) (4.26) Market 77.39*** 83.52*** 49.74*** 73.27*** 81.30*** 47.61*** (8.40) (14.04) (5.04) (8.39) (14.06) (5.05) Industry & Year 控制 控制 控制 控制 控制 控制 常数项 -4 391.60*** -3 089.78*** -1 748.75*** -4 361.41*** -3 046.13*** -1 741.43*** (72.39) (120.96) (42.38) (73.83) (123.70) (43.34) 样本观测数 9 628 9 628 7 402 9 628 9 628 7 402 调整R2 0.269 1 0.301 4 0.298 8 0.272 0 0.303 5 0.302 2 易靖韬等[18]的研究表明：相对量的指标可以更清晰地表明企业的创新绩效.为克服绝对量的缺陷，把本文的解释变量用相对指标法衡量，即：采用企业的年内研发投入量除以企业当年的营业收入(RD1)作为新的解释变量代入原模型，其回归结果与绝对指标法的结果相似，从表 6的模型(1)RD1所在列和模型(2)RD1所在的列可以看出：其回归结果与原假设的结论无实质性的差异，结果是稳健的.
3.4.2 取控制变量滞后一期
参考文献[3]的做法，一方面考虑到同期的内生性问题，另一方面考虑到创新产出的周期较长，创新产出相对董事会做出的决策在时间上会有一定的滞后性，除年度和行业外，将文中的控制变量生成滞后一期的变量作检验.由于生成滞后一期的变量使得观测值减少至7 402个，代入模型(1)和模型(2)中进行回归，其回归结果如表 6所示.对控制变量生成滞后一期变量作为检验后，模型(1)和模型(2)的Patent所在列的回归结果与原来(不滞后一期)的分析结果基本一致，回归结果也是稳健的.
3.5 进一步分析
为检验内部控制有效性的调节作用在不同企业特征下是否具有差异性，把企业分为国有控股企业与非国有控股企业、董事长与总经理是否两职合一、市场化程度较高与市场化程度较低的3组，在模型(2)的基础上进行回归，其回归结果如表 7所示.
表 7 分组检验的回归结果Table 7. The results of group regression变量 控股企业 两职情况 市场化程度 国有 非国有 分离 合一 较高 较低 H -209.03** -16.15 -100.98* -71.66 -78.69 -135.10* (91.70) (48.04) (54.67) (85.10) (52.07) (79.05) Icindex 1.10 0.06 3.05 -2.98 2.74 0.49 (2.85) (1.94) (1.92) (3.29) (1.96) (2.29) H*Icindex 42.84*** 10.32 25.12*** 20.44 21.99*** 20.84* (13.64) (7.29) (8.25) (12.85) (7.83) (12.31) Lasset 86.62*** 49.17*** 69.94*** 67.322*** 74.08*** 38.88*** (3.14) (1.80) (1.96) (3.04) (1.85) (2.87) Boardsize -2.16 2.35** 0.24 1.25 1.92* -4.78*** (1.84) (1.18) (1.21) (2.01) (1.16) (1.79) Growth -1.94 -4.950 -2.09 -12.724** -7.462* 11.30** (8.71) (3.34) (4.48) (6.21) (4.23) (5.51) Dual -19.43* 6.28** — — 3.49 -27.29*** (10.80) (3.11) (3.99) (7.83) Ratio 143.56** 121.32*** 151.29*** 171.06*** 188.05*** -43.11 (62.97) (31.76) (37.85) (51.95) (34.48) (52.10) Share -32.43 33.71*** 51.98** 41.60*** 54.22*** 41.52 (173.68) (9.16) (22.27) (12.79) (12.48) (29.73) Lev -64.12*** 37.59*** -22.10* 3.38 -9.90 -37.11** (21.72) (9.71) (12.26) (16.93) (11.15) (18.33) Roa 3.65 115.47*** 32.67 89.94 49.75 -87.89 (83.02) (34.01) (45.03) (59.61) (40.67) (64.49) State — — 15.55*** -14.75* 12.59*** -8.12 (4.16) (8.57) (4.07) (6.31) Market 65.58*** 18.37*** 46.45*** 45.37*** — — (7.71) (4.70) (4.94) (8.45) Industry & Year 控制 控制 控制 控制 控制 控制 常数项 -1 941.34 -1 162.91*** -1 631.58*** -1 549.38*** -1 733.59*** -760.07*** (69.33) (43.08) (44.09) (71.01) (43.41) (60.85) 样本观测数 3 367 6 261 6 950 2 678 8 298 1 330 调整R2 0.373 3 0.202 9 0.286 5 0.246 7 0.303 7 0.191 2 在国有控股企业中，交互项系数H*Icindex较大，为42.84，且在1%的水平上显著，这说明随着内部控制有效性的提升，董事会背景多元化对企业创新的正向影响逐渐增强.在非国有控股企业中，交互项系数H*Icindex较小，为10.32，虽为正数但不具统计的显著性.总而言之，在国有控股企业中，内部控制有效性对董事会背景多元化促进企业创新的正向调节作用更为明显.
在总经理与董事长两职合一的企业组中，其交互项H*Icindex的系数较小(为20.44)，但在统计上并不显著，而在总经理与董事长两职分离的企业中，交互项系数H*Icindex略大(为25.12)，且在1%的显著性水平上显著，表明在总经理与董事长两职分离的企业组中，内部控制对董事会背景多元化与企业创新的正向关系的调节作用更为明显，每增加一个标准的内部控制质量，其创新产出多出5个左右，在统计上极为显著.显然，在总经理与董事长两职分离的企业中，内部控制有效性对董事会背景多元化促进企业创新的正向调节作用更为明显.
市场化程度较高地区的企业组中，交互项H*Icindex的系数为21.99，且在1%的水平上显著；在市场化程度较高地区的企业组中，每增加一个标准的内部控制质量，企业的创新产出则多增加1个左右，且在统计上是极为显著的，即在市场化程度较高地区的企业组中，内部控制有效性对董事会背景多元化促进企业创新的正向调节作用更为明显.
4. 研究结果及政策建议
通过以上理论分析和实证检验后发现：(1)董事会背景多元化对企业创新有正向的促进作用；(2)内部控制有效性对董事会背景多元化与企业创新的关系具有显著的正向调节作用，具体表现为：随着内部控制有效性的提升，董事会背景多元化对企业创新的正向影响逐渐增强；(3)在国有控股企业、总经理与董事长两职分离的企业和市场化程度较高地区的企业中，内部控制有效性对董事会背景多元化促进企业创新的正向调节作用更为明显.
综上所述，董事会背景多元化是影响企业创新的一个重要因素.因此，本文为我国企业创新发展提出一些可行性的建议.
(1) 可从优化董事会结构入手，通过完善董事会成员聘任选拔制度，构建多元化、高素质和强大战斗力的核心管理团队，充分利用每个董事会成员的资源和人力资本为企业创新服务.
(2) 企业要重视内控体系建设，营造良好的内部控制环境，通过改革人力资源政策，规范研发资金使用审批制度等，以对管理者的经营理念、风险意识、职业操守和价值观产生积极的影响，从而提高企业创新绩效.
(3) 在法律层面，应该完善《公司法》中对董事长与总经理职责的规定，以保障董事长的独立性，使董事会更有效地行使决策和监督的职能.
(4) 在宏观层面，不断提高市场化水平，促使企业通过控制风险、合法合理经营而不是通过其他手段来获取经营利润，使企业处在有序的竞争环境中，以增强市场主体的活力和创新能力.
-
表 1 变量定义表
Table 1 The table of variable definition
变量性质 变量名称 变量表示 变量定义 被解释变量 企业创新 Patent 企业年内申请专利的总数，包括发明专利、实用新型专利和外观设计专利的申请总数 解释变量 董事会背景多元化 H 用赫芬达尔指数表示，H =1-∑Pi2，Pi表示第i种背景的人数占董事会总人数的比例.曾在海外任职为第1种; 曾在海外求学为第2种；国内学习或国内任职为第3种；曾在海外任职和海外求学为第4种 调节变量 内部控制 ICindex 采用迪博企业风险管理技术有限公司公布的中国上市公司内部控制指数，并除以100予以标准化 控制变量 公司规模 Lasset 年末公司资产总额的自然对数 董事会规模 Boardsize 公司董事会的总人数 营业收入增长率 Growth (本年营业收入-上年营业收入)/上年营业收入×100% 两职合一 Dual 总经理兼任董事长的取值为1，否则为0 独立董事比例 Ratio 独立董事人数/董事会总人数 高管持股比例 Share 年末高管持股数/年末股本总数 资产负债率 Lev 年末负债总额/年末资产总额 总资产收益率 Roa 年末净利润/年末资产总额 企业性质 State 国有控股企业的取值为1，非国有控股企业的取值为0 市场化进程 Market 根据王小鲁等[16]编制的全国各省、自治区和直辖市的市场化指数，对企业所属区域的市场化指数进行排列，高于平均值的取值为Market=1，否则取值为Market=0 年度 Year 年度虚拟变量 行业 Industry 行业虚拟变量 
下载: 导出CSV
表 2 全体样本主要变量描述性统计
Table 2 The descriptive statistics of the main variables of the total sample
变量 平均值 标准差 最小值 最大值 Patent 71.97 161.34 0 1 176 H 0.16 0.17 0 0.73 ICindex 6.48 1.19 0 9.86 Lasset 22.13 1.22 20.08 26.07 Boardsize 8.63 1.70 0 18 Growth 0.19 0.40 -0.42 2.50 Dual 0.28 0.45 0 1 Ratio 0.37 0.05 0.33 0.57 Share 0.08 0.15 0 0.63 Lev 0.41 0.20 0.05 0.85 Roa 0.04 0.05 -0.11 0.18 State 0.35 0.48 0 1 Market 0.86 0.35 0 1
下载: 导出CSV
表 3 Pearson相关分析系数表
Table 3 The table of Pearson correlation analysis coefficient
Patent H ICindex Lasset Boardsize Growth Dual Ratio Share Lev Roa State Market Patent 1 H 0.12*** 1 Icindex 0.11*** 0.04*** 1 Lasset 0.49*** 0.08*** 0.11*** 1 Boardsize 0.10*** -0.01 0.02* 0.30*** 1 Growth -0.02 0.01 0.02** 0.02** -0.01 1 Dual -0.05*** 0.06*** 0.01 -0.19*** -0.20*** 0.03 1 Ratio 0.08*** 0.04*** 0.04*** 0.10 -0.46*** -0.01 0.12*** 1 Share -0.07*** 0.08*** 0.04*** -0.28*** -0.18*** 0.01 0.46*** 0.12*** 1 Lev 0.22*** -0.06*** -0.09*** 0.54*** 0.19*** 0.02 -0.15*** -0.02** -0.25*** 1 Roa 0.03*** 0.06*** 0.32*** -0.02* -0.04 0.02 0.05*** -0.02* 0.14*** -0.35*** 1 State 0.16*** -0.11*** -0.02** 0.40*** 0.30*** 0.01 -0.30*** -0.05*** -0.36*** 0.36*** -0.13*** 1 Market 0.06*** 0.12*** 0.09*** 0.09*** -0.07*** -0.03*** 0.09*** 0.01 0.11*** -0.11*** 0.09*** -0.19*** 1 注：***p < 0.01, **p < 0.05, *p < 0.10.
下载: 导出CSV
表 4 方差膨胀因子检验
Table 4 The table of variance expansion factor test
变量 VIF 1/VIF H 1.06 0.95 Icindex 1.15 0.87 Lasset 1.83 0.55 Boardsize 1.52 0.66 Growth 1.00 1.00 Dual 1.32 0.76 Ratio 1.34 0.75 Share 1.42 0.70 Lev 1.75 0.57 Roa 1.32 0.76 State 1.49 0.67 Market 1.06 0.94 Mean VIF 1.33
下载: 导出CSV
表 5 董事会背景多元化、内部控制与企业创新的全体样本回归结果
Table 5 The full sample regression results of background diversity of the board, internal control and corporate innovation
变量 模型(1) 模型(2) OLS FE OLS FE H 62.64*** 64.83*** -92.83** -97.68** (8.60) (8.74) (0.10) (46.95) Icindex — — 1.98 2.07 (1.65) (1.68) H*Icindex — — 23.95*** 25.02*** (6.95) (7.08) Lasset 70.29*** 66.20*** 69.17*** 65.09*** (1.62) (1.61) (1.64) (1.63) Boardsize 0.31 -0.95 0.30 -0.97 (1.03) (1.05) (1.03) (1.05) Growth -3.44 -6.16* -4.31 -7.08* (3.66) (3.72) (3.66) (3.72) Dual 1.369 2.89 1.33 2.82 (3.67) (3.75) (3.67) (3.74) Ratio 163.12*** 161.41*** 156.26*** 154.23*** (30.64) (31.25) (30.63) (35.08) Share 49.13*** 45.45*** 48.03*** 44.48*** (11.64) (11.86) (11.62) (11.84) Lev -18.57* -19.66** -17.11* -18.30* (9.98) (9.92) (9.99) (9.92) Roa 88.63** 97.25*** 41.57 47.86 (35.05) (35.71) (36.37) (37.08) State 11.57*** 5.18 11.16*** 4.81 (3.62) (3.66) (3.62) (3.66) Market 47.13*** 43.94*** 45.78*** 42.59*** (4.24) (4.24) (4.24) (4.27) Industry & Year 控制 控制 控制 控制 常数项 -1 625.54***
(36.50)-1 494.85***
(34.15)-1 610.42***
(37.29)-1 477.99***
(35.07)样本观测数 9 628 9 628 9 628 9 628 调整R2 0.276 3 0.300 0 0.303 8 0.304 2 注：括号内数字为标准误；***p < 0.01, **p < 0.05, *p < 0.10；表 6和表 7同.
下载: 导出CSV
表 6 稳健性检验的回归结果
Table 6 The regression results of the robustness test
变量 模型(1) 模型(2) RD RD1 Patent RD RD1 Patent H 17.07*** 108.67*** 60.80*** 91.09*** -255.33* -111.02** (6.48) (28.52) (10.19) (-2.99) (152.63) (55.89) Icindex — — — 8.51*** 0.32 3.79** (3.25) (5.46) (1.92) H*Icindex — — — 58.97*** 56.02** 26.63*** (13.74) (23.03) (8.51) Lasset 190.51*** 130.26*** 76.51*** 187.08*** 128.41*** 75.20*** (3.22) (5.38) (1.89) (3.24) (5.44) (1.89) Boardsize 4.69** 9.85*** -0.88 4.67** 9.82*** -0.90 (2.04) (3.42) (1.21) (2.04) (3.42) (1.21) Growth -28.92*** -11.22 -0.16 -31.67*** -12.47 -0.14 (7.26) (12.13) (0.21) (7.25) (12.15) (0.21) Dual -1.19 32.50*** 3.97 -1.32 32.42*** 3.67 (7.28) (12.17) (4.27) (7.26) (12.16) (4.27) Ratio 509.39*** 339.20*** 174.73*** 489.02*** 327.19*** 169.48*** (60.77) (101.54) (34.27) (60.63) (101.59) (34.21) Share 79.14*** 25.34 34.45*** 76.05*** 23.24 34.54*** (23.09) (38.58) (11.66) (23.02) (38.57) (11.64) Lev -116.85*** -77.09** -25.34** -111.63*** -75.56** -21.78** (19.81) (33.10) (11.43) (19.78) (33.15) (11.44) Roa 99.77 36.02 102.94*** -43.86 -41.24 71.12** (69.51) (116.14) (34.05) (72.00) (120.64) (34.40) State 20.52*** -11.94 8.34** 19.50*** -12.89 8.07* (7.18) (12.00) (4.26) (7.16) (12.01) (4.26) Market 77.39*** 83.52*** 49.74*** 73.27*** 81.30*** 47.61*** (8.40) (14.04) (5.04) (8.39) (14.06) (5.05) Industry & Year 控制 控制 控制 控制 控制 控制 常数项 -4 391.60*** -3 089.78*** -1 748.75*** -4 361.41*** -3 046.13*** -1 741.43*** (72.39) (120.96) (42.38) (73.83) (123.70) (43.34) 样本观测数 9 628 9 628 7 402 9 628 9 628 7 402 调整R2 0.269 1 0.301 4 0.298 8 0.272 0 0.303 5 0.302 2
下载: 导出CSV
表 7 分组检验的回归结果
Table 7 The results of group regression
变量 控股企业 两职情况 市场化程度 国有 非国有 分离 合一 较高 较低 H -209.03** -16.15 -100.98* -71.66 -78.69 -135.10* (91.70) (48.04) (54.67) (85.10) (52.07) (79.05) Icindex 1.10 0.06 3.05 -2.98 2.74 0.49 (2.85) (1.94) (1.92) (3.29) (1.96) (2.29) H*Icindex 42.84*** 10.32 25.12*** 20.44 21.99*** 20.84* (13.64) (7.29) (8.25) (12.85) (7.83) (12.31) Lasset 86.62*** 49.17*** 69.94*** 67.322*** 74.08*** 38.88*** (3.14) (1.80) (1.96) (3.04) (1.85) (2.87) Boardsize -2.16 2.35** 0.24 1.25 1.92* -4.78*** (1.84) (1.18) (1.21) (2.01) (1.16) (1.79) Growth -1.94 -4.950 -2.09 -12.724** -7.462* 11.30** (8.71) (3.34) (4.48) (6.21) (4.23) (5.51) Dual -19.43* 6.28** — — 3.49 -27.29*** (10.80) (3.11) (3.99) (7.83) Ratio 143.56** 121.32*** 151.29*** 171.06*** 188.05*** -43.11 (62.97) (31.76) (37.85) (51.95) (34.48) (52.10) Share -32.43 33.71*** 51.98** 41.60*** 54.22*** 41.52 (173.68) (9.16) (22.27) (12.79) (12.48) (29.73) Lev -64.12*** 37.59*** -22.10* 3.38 -9.90 -37.11** (21.72) (9.71) (12.26) (16.93) (11.15) (18.33) Roa 3.65 115.47*** 32.67 89.94 49.75 -87.89 (83.02) (34.01) (45.03) (59.61) (40.67) (64.49) State — — 15.55*** -14.75* 12.59*** -8.12 (4.16) (8.57) (4.07) (6.31) Market 65.58*** 18.37*** 46.45*** 45.37*** — — (7.71) (4.70) (4.94) (8.45) Industry & Year 控制 控制 控制 控制 控制 控制 常数项 -1 941.34 -1 162.91*** -1 631.58*** -1 549.38*** -1 733.59*** -760.07*** (69.33) (43.08) (44.09) (71.01) (43.41) (60.85) 样本观测数 3 367 6 261 6 950 2 678 8 298 1 330 调整R2 0.373 3 0.202 9 0.286 5 0.246 7 0.303 7 0.191 2
下载: 导出CSV
-
[1] 李德仁, 邵振峰.论新地理信息时代[J].中国科学:F辑, 2009, 39(6):579-587. doi: 10.1360/zf2009-39-6-579 [2] 龚健雅, 王国良.从数字城市到智慧城市:地理信息技术面临的新挑战[J].测绘地理信息, 2013(2):11-16. http://www.cnki.com.cn/Article/CJFDTotal-CHXG201302006.htm GONG J Y, WANG G L. From digital city to smart city:new challenges to geographic information technology[J]. Journal of Geomatics, 2013(2):11-16. http://www.cnki.com.cn/Article/CJFDTotal-CHXG201302006.htm
[3] 于焕菊, 李云岭, 齐清文.顾及实体空间关系的地址编码方法研究[J].地理与地理信息科学, 2013(5):53-56;81. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlxygtyj201305011 YU H J, LI Y L, QI Q W. Address geocoding method based on spatial entity relationships[J]. Geography and Geo-information Science, 2013(5):53-56;81. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlxygtyj201305011
[4] 吴睿, 龙华, 熊新, 等.一种多策略结合的地址匹配算法[J].河南理工大学学报(自然科学版), 2019, 38(5):124-129. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jzgxyxb201905018 WU R, LONG H, XIONG X, et al. A multi-strategy combined address matching algorithm[J]. Journal of Henan Polytechnic University(Natural Science), 2019, 38(5):124-129. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jzgxyxb201905018
[5] 张建英, 刘高.地理实体与政务专题数据关联融合方式研究[J].城市勘测, 2018(4):25-28. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=cskc201804006 ZHANG J Y, LIU G. Study of the combination of geographic entity and government affairs data[J]. Urban Geotechnical Investigation & Surveying, 2018(4):25-28. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=cskc201804006
[6] PUJARA J, MIAO H, GETOOR J, et al. Knowledge graph identification[C]//Proceedings of International Semantic Web Conference. Berlin: Springer, 2013: 542-557.
[7] 黄恒琪, 于娟, 廖晓, 等.知识图谱研究综述[J].计算机系统应用, 2019, 28(6):1-12. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjxtyy201906002 HUANG H Q, YU J, LIAO X, et al. Review on knowledge graphs[J]. Computer Systems & Applications, 2019, 28(6):1-12. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjxtyy201906002
[8] 蒋秉川, 万刚, 许剑, 等.多源异构数据的大规模地理知识图谱构建[J].测绘学报, 2018(8):1051-1061. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201808005 JIANG B C, WAN G, XU J, et al. Geographic knowledge graph building extracted from multi-sourced heterogeneous data[J]. Acta Geodaetica et Cartographica Sinica, 2018(8):1051-1061. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201808005
[9] 张春菊, 张雪英, 王曙, 等.中文文本的事件时空信息标注[J].中文信息学报, 2016, 30(3):213-222. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zwxxxb201603029 ZHANG C J, ZHANG X Y, WANG S, et al. Annotation of spatial-temporal information of event in Chinese text[J]. Journal of Chinese Information Processing, 2016, 30(3):213-222. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zwxxxb201603029
[10] 张雪英, 张春菊, 朱少楠.中文文本的地理空间关系标注[J].测绘学报, 2012, 41(3):468-474. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201203026 ZHANG X Y, ZHANG C J, ZHU S N. Annotation for geographical spatial relations in Chinese text[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(3):468-474. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201203026
[11] 王姬卜, 陆锋, 吴升, 等.基于自动回标的地理实体关系语料库构建方法[J].地球信息科学学报, 2018, 20(7):871-879. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201807001 WANG J B, LU F, WU S, et al. Constructing the corpus of geographical entity relations based on automatic annotation[J]. Journal of Geo-information Science, 2018, 20(7):871-879. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201807001
[12] 高嘉良, 余丽, 仇培元, 等.基于通用知识库的地理实体开放关系过滤方法[J].地球信息科学学报, 2019, 21(9):1392-1401. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201909009 GAO J L, YU L, QIU P Y, et al. A knowledge-based method for filtering geo-entity relations[J]. Journal of Geo-information Science, 2019, 21(9):1392-1401. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201909009
[13] 余丽, 陆锋, 刘希亮, 等.稀疏地理实体关系的关键词提取方法[J].地球信息科学学报, 2016, 18(11):1465-1475. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201611004 YU L, LU F, LIU X L, et al. A method of context enhanced keyword extraction for sparse geo-entity relation[J]. Journal of Geo-information Science, 2016, 18(11):1465-1475. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201611004
[14] 陈军, 刘万增, 武昊, 等.基础地理知识服务的基本问题与研究方向[J].武汉大学学报(信息科学版), 2019, 44(1):38-47. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=whchkjdxxb201901004 CHEN J, LIU W Z, WU H, et al. Basic issues and research agenda of geospatial knowledge service[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1):38-47. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=whchkjdxxb201901004
[15] JIANG B C, TAN L H, REN Y, et al. Intelligent interaction with virtual geographical environments based on geographic knowledge graph[J]. ISPRS International Journal of Geo-Information, 2019, 8:428-446. http://cn.bing.com/academic/profile?id=347f367a21b8473d3be83b6cc896fb88&encoded=0&v=paper_preview&mkt=zh-cn
[16] QIAN T Y, LIU B, HUNG N Q V, et al. Spatiotemporal representation learning for translation-based POI recommendation[J]. ACM Transactions on Information Systems, 2019, 37(2):1-24. http://cn.bing.com/academic/profile?id=3644fb128c4769be4c20f39dc78fabe2&encoded=0&v=paper_preview&mkt=zh-cn
[17] ZUHEROS C, TABIK S, VALDIVIA A, et al. Deep recu-rrent neural network for geographical entities disambiguation on social media data[J]. Knowledge-Based Systems, 2019, 173:117-127.
[18] 栗永芳.面向知识图谱的表示学习研究[D].桂林: 桂林电子科技大学, 2018. LI Y F. Research on representation learning for knowledge graph[D]. Guilin: Guilin University of Electronic Technology, 2018.
[19] BENGIO Y, COURVILLE A, VINCENT P. Representation learning:a review and new perspectives[J]. IEEE Tran-sactions on Pattern Analysis and Machine Intelligence, 2013, 35(8):1798-1828. http://cn.bing.com/academic/profile?id=c85465126b23431b49f9a58196c59bac&encoded=0&v=paper_preview&mkt=zh-cn
[20] 姜天文, 秦兵, 刘挺.基于表示学习的开放域中文知识推理[J].中文信息学报, 2018, 32(3):34-41. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zwxxxb201803005 JIANG T W, QIN B, LIU T. Open domain knowledge reasoning for Chinese based on representation learning[J]. Journal of Chinese Information Processing, 2018, 32(3):34-41. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zwxxxb201803005
[21] BORDES A, GLOROT X, WESTON J, et al. A semantic matching energy function for learning with multi-relational data[J]. Machine Learning, 2014, 94(2):233-259. http://cn.bing.com/academic/profile?id=1c838644a73c73f507f672e799ae382d&encoded=0&v=paper_preview&mkt=zh-cn
[22] WANG Z, ZHANG J, FENG J, et al. Knowledge graph embedding by translating on hyperplanes[C]//Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence. Québec: AAAI Press, 2014: 1112-1119.
[23] 程博, 李卫红, 童昊昕.基于BiLSTM-CRF的中文层级地址分词[J].地球信息科学学报, 2019, 21(8):1143-1151. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201908001 CHEN B, LI W H, TONG H X. Chinese Address segmentation based on BiLSTM-CRF[J]. Journal of Geo-information Science, 2019, 21(8):1143-1151. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dqxxkx201908001
-
期刊类型引用(5)
1. 席龙胜，邵安冉，赵辉. 董事会多元化对企业韧性的影响研究. 财会月刊. 2025(01): 48-56 . 
百度学术
2. 高超. 多元化董事会对企业创新绩效的影响研究. 全国流通经济. 2024(18): 52-55 . 百度学术
3. 李雄飞. 董事会多元化对国有上市企业高质量发展的影响研究. 经济问题. 2022(06): 85-93 . 百度学术
4. 马文聪，许恒，陈修德. 政府研发补贴、高管团队职能背景多样性与企业研发投入. 科技管理研究. 2022(12): 125-135 . 百度学术
5. 张收棉. 法人治理结构下公共图书馆的组织合法性证明机制. 文献与数据学报. 2020(04): 84-90+121 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 970
- HTML全文浏览量: 567
- PDF下载量: 50
- 被引次数: 13
