2019中国上市公司创新指数报告.pdf

20 1 9 浙江大学创新管理与持续竞争力研究国 家 哲学社会科学创新基地 2019 7 目录 第一 章 引言 篇 . 1 一、世界大变局 . 1 二、中国创新新时 代 . 2 三、中国创新新趋 势 . 3 四、中国上市公司 创新指数 . 3 第二 章 样本篇 . 5 第三 章 指数构造 方法篇 . 8 一、基础指标的数 据来源与测度 . 9 二、评估权重生成 . 11 第四 章 投资组合 收益篇 . 14 一、根据 2018 创新指标排名构造投资组合样本 . 14 二、根据 2016-2018 创新指标排名构造投资组合样 本 . 15 第五 章 城市分析 篇 . 16 一、创新型公司城 市集聚 . 16 二、行业分布有同 有异 . 17 三、创新指标有待 提升 . 18 第六 章 省份分析 篇 . 21 一、创新指数 500 强企业各省和各省行业分 布情况 . 21 二、各省创新势力- 创新效率排名 情况 . 24 三、各省创新势力- 创新效率排名 前四分之一企 业的 创新指数分项指标 情况 . 25 第七 章 时间趋势 篇 . 27 第八 章 剔除 EVA 为负的企 业后的投资 组合收益篇 . 31 一、根据 2018 创新指标排名剔除 EVA 为负的企业构造投资组合样本 . 31 二、根据 2016-2018 创新指标排名剔除 EVA 为负的企业构造投资组合 样本 . 32 附录 . 34 一、2018 中国上市公司 创 新指数 500 强 . 34 二、2018 中国上市公司 创 新势 力 200 强 . 40 三、2018 中国上市公司 创 新效率 200 强 . 42 1 第一章 引言篇 一 、 世界 大变 局 世界处于百年未有之大变局。 在此大背景下， 中国企业的创新行为、 策略与 方向也面临着大变局。 事实上， 这种大变局在每个国家的产业追赶和发展过程中都曾经发生过， 只 是在具体表现上有一些差异； 并且这种与创新相关的大变局呈现出两种看似不相 关、 但实质上却密切交织在一起的趋向。 一种创新大变局是创新的大环境在局部 出现剧烈的变化， 原有规则被打破， 而新的规 则尚未建立， 身处其中的企业需要 寻找到新的策略和方向， 需要调整自身的战略焦点； 而另一种创新大变局则是于 无声处听惊雷， 所发生的每一处细小的变化背后蕴含了巨大的改变征兆， 只是身 处其中的企业 往往在最初并未清晰地察觉到。 对于前者， 自 2018 年 4 月中兴通讯事件 到 2019 年华为事件， 中国企业越来 越深刻地意识到， 如果在核心技术和核心价值链环节受制于人， 企业运营的连续 性将会遇到越来越大 的挑战。在过去 的四十年 里，中国制造业通过 拥抱全球化、 融入到全球产业价值链中， 获得了巨大的成长机会和成功。 然而中美之间的贸易 争端则打破了中国企业一贯适应的规则： 单纯地依赖制造链上的竞争优势在大变 局时代是无法有效地持续生存的。 我们需要重新审视产业价值链。 我们需要意识 到， 产业价值链存在着两个不同的呈现形态， 我们可以将其称为 “制 造链” 和 “技 术链” 。制造链是更 为显性的，它以 产品形态 为最终产出，主要体 现在技术的应 用层； 所有制造链的参与者在分工基础上形成合作关系， 并最终依据各自在整个 制造链中的议价能力来进行利益的分割。 而技术链则较为隐性， 因为产品背后涉 及大量的底层技术， 与产品架构、 部件、 设计和生产都密切关联 （就像我们在华 为事件中看到的操作 系统、芯片设计 等） ；并 且与产品市场中相对 离散的参与者 格局不同， 在技术链的底层， 由于技术门槛很 高， 核心的技术或者能力被控制在 少数参与者手中。 如果说过去的时代， 中国制造的崛起主要依靠制造链上的竞争 优势， 那么 中国制造的未来将取决于在技术链上的发展。 这也是为什么在近期可 以看到“业务连续性 ”和“自主可控 ”成为政 府、产业和企业共同 关注的话题。 2 这也意味着中国制造业企业需要在技术 链上通 过对创新的投资与能力的构建来 赢得未来。 对于后者， 中国制造业面临的创新大变局源于产业转型升级的重要性。 事实 上， 产业转型升级在很多年前就已经被提出了， 看起来这并非一个新事物。 然而 当我们重新审视中国的经济增长， 就会意识到中国已经处于一个非常重要的转折 点。 毫无疑问， 中国制造业目前正在面临着由于劳动力成本不断上移所带来的传 统竞争优势逐渐丧失的问题。 如果我们把眼光放到更大的视野去观察， 我们会发 现中国在过去二十年里每年在高等教育体系中培养出了大量的大学毕业生， 这些 不断进入经济体系的劳动者与以往时代 我们在 中国制造业优势上所强调的高强 度体力劳动者是不同的， 他们属 于彼得 德鲁 克(Peter Drucker) 所提出的 “知识工 作者(knowledge workers) ” 。 中国制造业面临的 真正问题在于， 过去所建立的产业 结构更偏向于以体力劳动者为核心的人力资本结构， 应当如何转变为能够充分发 挥这些知识劳动力在 成本上的优势（ 更确切地 说是在成本和技能上 的综合优势） 所需要的新型产业结构。 这构成了巨大的挑战。 从某种意义上， 如果中国能够完 成这样一种产业结构升级转型， 将意味着中国制造业的成本优势将会以另外一种 新的形态出现， 并为中国带来未来的黄金十年。 当然， 如果不能成功地完成这样 的产业结构 转换， 中国的经济增长甚至会进入停滞甚至衰退。 而在这种转换过程 中，创新无疑是产业转型升级最为重要的驱动力量。 二 、 中国 创新 新时 代 中国制造所面对的创 新大背景，就 如同狄更斯 在双城记中所写 的， “这 是最好的时期， 也是最坏的时期； 这是智慧的年代， 也是愚蠢的年代； 这是信任 的年代， 也是怀疑的年代； 这是光明的季节， 也 是黑暗的季节； 这是希望的春天， 也是失望的冬天” 。 从一个方面来看， 目前无疑是中国企业最好的创新时代。 随着中国经济增长 和消费者收入水平的不断提升， 对于产品与服务价值的需求也在不断增长， 从而 为创新提供了巨大的潜在市场拉动力量。 而不断发展的内生能力以及不断完善的 产业价值链，也为中国从中国制造向中国创造的发展提供了坚实的基础。 然而从另一个 方面来看， 中国企业似乎又处于一个压力巨大的创新时代。 中 3 国企业的迅速崛起， 对全球产业价值链中长期占据统治地位的国外大公司产生了 直接的竞争冲击。 然而中国企业似乎并没有完全对此做好思想上和能力上的双重 准备。 尽管在这些年里， 中国制造业企业已经 取得了长足的进步， 这种进步的速 度甚至超过了这个世界对中国的预期， 也超过了中国人在二十年前的想象， 我们 必须承认的是， 中国企业在研发、 设计与品牌 方面， 与西方发达经济体之间尚存 在着较大的总体差距。 我们还有很长的一段路要走， 我们还有许多需要向这些领 先者们学习的地方。 怀着坚定的信念、清 醒的认知和远大的理想，脚踏实地，不断前行。 三 、 中国 创新 新趋 势 与此同时， 我们也可以看到如下两个与创新相关的趋势， 它们分别与产业和 城市有关。 一方面， 创新正在不断带来新的增 长与创业机会。 尤其是在新能源汽 车与 5G 这两个领域。 这两个领域具有一些共 性的特点： 它们的产业价值链都很 长， 所涉及的技术领域和产品领域众多， 具有 很强的综合性， 其发展会带动一系 列产业领域的进步； 它们在中国市场都具有巨大的潜在需求， 易于发挥中国市场 所具有的规模经济优势； 它们在技术上都具有弯道超车的机会， 并且会引领未来 的技术和市场发展方向。而自 2018 年以来不断受到关注的产业互联网，会横向 贯穿于各个产业领域 不论是在所 谓的传统 制造业领域还是新兴 的产业领域。 并且，随之而来的会是企业运营效率的提升和潜在需求更大限度地释放。 另一方面， 中国的经济发展也见证了城市之间的竞争， 并且这种竞争现在越 来越多地围绕着如何打造城市的创新氛围， 以及如何吸引越来越多的人才涌入以 支撑企业的持续发展而展开。 在此过程中， 对创新人才的争夺已经成为许多城市 的共识。 推动创新驱动的创业， 发展创新引领 的企业， 也成为各个城市尤其是一 二线城市关注的焦点。 就此而言， 各个城市上 市公司的发展质量、 创 新能力和创 新效率，将是这个城市创新氛围是否适宜的最好证明。 四 、 中国 上市 公司 创 新指 数 自 2015 年以来， 我们针对中 国 A 股上市公司 样本， 逐年编制并发布上市公 司创新指数。之所以选取 A 股上市公司作为 样本，很重要的原因在于随着中国 4 资本市场的发展，A 股上市公司不论是在规模 上、 质量上还是能力上， 覆盖的行 业领域越来越完整，对于中国经济整体而言也越来越具有代表性。透过 A 股上 市公司的创新指数变化， 我们可以更好地追踪中国企业创新效率和创新能力的动 态变化。 在创新指数的构造上， 我们所提出的方法力图克服现有大多数创新指数评估 体系存 在的如下问题： 评价指标的选取以及评价权重的生成高度依赖于专家的主 观判断； 较为关注研发投入、 专利等技术因素， 但是较为忽略非技术创新 （例如 商业模式创新） ； 以及较为关注创新产出的 “量” （创新投入的规模） 而较为忽视 创新产出的“质” （ 例如创新资源的 运用效率 ）等。在公司样本的 行业分布上， 本指数包括了制造业、 信息传输、 软件和信息 技术服务业、 科学研究和技术服务 业和综合五大类 35 个二级细分行业。这些行业也是中国创造核心力量中的重要 构成。 我们可以在公司层面创新指数的基础上， 给出总体上以及分行业的中国 A 股 上市公司创新指数排行榜 ； 并且可以进一步地将公司层数据汇总到行业层以及区 域层（例如省级以及 城市级） 。这样 可以帮助 我们从公司、行业、 区域三个层面 把握中国企业创新的状态及变化趋势 。 5 第二章 样本篇 我们选取了中国 A 股上市公司为评估对象， 主 板、 中小企业板、 创业板均考 虑其中。 考虑到创新形态与创新能力表现形式存在行业差异， 我们所覆盖的上市 公司行业包括制造业、 信息传输、 软件和信息 技术服务业、 科学研究和技术服务 业和综合五大类 35 个二级细分行业。 为了保证 数据的可得性、 连续性和完整性， 我们删减了一些企业样本，所依据的判定原则如下： （1）2017-2018 年间退市或暂停上市； （2）2017-2018 年间借壳上市； （3）2017-2018 年间发生重大资产重组； （4）2017-2018 年间主营业务变更为研究设定的行业范围； （5）未公布重要指标信息从而导致关键数据的缺失； （6）财务状况或其它状况出现异常而进行了特别处理（ST）。 最终进入创新指数排名的上市公司样本有 2147 家，这些企业在 2017-2018 年中数据均完整可得。 图 2.1 和图 2.2 分别为 这 2147 家 A 股上市公司的行业和地区分布情况。从 行业分布来看， 企业数量占比名列前三甲的行业分别 为计算机、 通信和其他电子 设备制造业， 电气机械及器材制造业， 以及医 药制造业， 三者所包含的企业数量 占据总体样本将近三分之一； 从地区分布来看， 广东省， 浙江省， 江苏省的企业 数量约为总样本的 44% 。 6 图 2.1 2147 家 A 股上市公司的区域分布情况 0.28% 0.33% 0.33% 0.37% 0.56% 0.61% 0.70% 0.70% 0.75% 0.88% 0.93% 0.93% 0.98% 1.12% 1.12% 1.26% 1.30% 1.72% 1.77% 2.28% 2.47% 2.79% 2.98% 3.17% 4.15% 6.52% 7.08% 7.50% 12.39% 13.88% 18.16% 0% 5% 10% 15% 20% 2147 A 7 图 2.2 2147 家 A 股上市公司的行业分布情况 0.14% 0.19% 0.28% 0.47% 0.47% 0.51% 0.56% 0.65% 0.65% 0.79% 0.79% 1.07% 1.12% 1.12% 1.30% 1.49% 1.54% 1.68% 1.68% 1.68% 1.86% 2.00% 2.05% 2.56% 2.65% 2.75% 3.26% 4.89% 4.94% 7.45% 7.87% 8.66% 8.99% 9.08% 12.81% 0% 2% 4% 6% 8% 10% 12% 14% 2147 A 8 第三章 指数构造 方法篇 在过去的三十年中， 一些专业组织 、科研机构 以及研究学者以国家 、区域、 产业、企业等为对象建立了不同层面、不同形式的创新评估体系。 需要指出的是， 这些基于科学调查和专家咨询的评估方法普遍存在以下一些 问题： （1）目前绝大多数 的创新指数评 估在指标的 选取与权重的生成上 高度依赖 于专家的主观判断。 此外， 当需要评估的样本 企业数量非常庞大时， 评估者是否 有足够的时间和精力去准确地评估也是实践上会面临的挑战； （2）在现有的企业 创新评估方法 中，大多把 关注点放在研发、专 利活动等 基于技术形式的创新，而对商业模式创新等创新形式较为忽略 ； （3）现有评估方法 对创新能力或 指数测度的 基本思路是先定义， 再从逻辑 出发构建指数所包含的维度。 然而， 考虑到创新本身就是一个较为综合而复杂的 活动，刻画创新活动的不同指标不可避免地存在着信息部分重叠等问题。 为此， 我们构建的中国上市公司创新指数评估方法， 目标在于解决上述问题： （1）我们希望所构建的评估方法不依赖于个人的主观判断； （2）非技术类创新 这类对公司竞 争力和绩效 常常也很重要的因素 会被纳入 评估之中； （3）我们所建立的 评估方法具有 较低的评估 成本，并且可以在较 长的时期 内追踪我们所考察的企业样本（上市公司）； （4）对于创新缺乏 广泛被认可的 概念及维度 的问题，我们采用信 息抽取思 想来解决。 这意味着我们关注的是创新能力中被实现、 体现出来的部分， 也就是 其对公司绩效的贡献。 我们相信创新的意义在于对价值创造的贡献， 所以我们选 取了 EVA 作为公司绩效的反映指标。 我们所构造的上市公司创 新指数包括了创 新势 力(innovation strength) 和创新 效率(innovation efficiency) 两个维度。 在创新势力的评估上我们采用的基础数据包括： （1）研发投入规模：直接反映了公司在研发上财务资源投入； （2）研发人员规模：背后反映了公司隐性知识的数量； （3）专利规模数据：因为专利可以被理解为企业所拥有的显性知识； 9 （4）平均销售利润 率：一家公司 创新势力很 强的话，那么它在市 场中将具 有足够的定价能力，其反映为公司在平均销售利润率上会具有优势。 用于评估创新效率的基础数据则包括： （1）研发强度指标：研发投入强度以及研发人员强度二者的算数平均； （2）技术效率：通 常，企业在资 源利用达到 最理想的情况下应该 得到一个 最大的潜在产出水平。 然而真实产出水平往往由于资源没有得到充分利用， 而低 于上述理想状态 （即潜在产出水平） 。 偏离的程 度则代表了企业技术效率的高低， 技术效率越高， 应该越接近在理论上能达到的最大产出水平。 我们衡量了在产品 意义上和知识意义上两种情形下的技术效率。 （3）商业模式新颖 性：我们评估 了企业的商 业模式偏离其所在行 业平均状 态的程度。 这个偏离程度越大， 一定程度上反映 这个公司商业模式的独特性越高。 一 、 基础 指标 的数 据 来源 与测 度 （1）研发投入 研发投入数 据主要来自 wind 数据库的“研发 费用”字段；缺失的数据从对 应企业的年报中进行补充。 （2）研发人员 研发人员数量主要来自 wind 数据库中“技术 人员人数”字段；缺失的数据 从对应企业的年报中进行补充。 （3）专利数量 专利数量数据全部来自国家知识产权局的专利检索系统， 以上市公司为申请 人， 查询公开 （公告） 日介 于 2018 年 1 月 1 日至 2018 年 12 月 31 日之间的专利 总量。 （4）销售利润率 销售利润率 （ROS ）= 税后净利润/ 销售额； 其 中， 税后净利润数据和销售额 数据分别来自国泰安数据库（CSMAR ）的“ 净利润”和“营业 收入”字段。 （5）研发强度 研发强度的测度有两类， 分别为 “研发强度_ 费 用 （研发投入/ 营业收入） ” 和 “研发 强度_ 人 员（ 研发人 员/ 员工 总数） ” 。 本 研究所 用的 研发 强度 为研发 强度_ 10 费用和研发强度_人员二者的均值，计算公式如下： 公式 3.1 研发投入、 研发人员和营业收入的数据来源如前所示， 员工总数数据来自国 泰安数据库（CSMAR ）的“员工人数”字段 。 （6）技术效率 技术效率是衡量企业生产经营效率的重要指标 。技术效率的计算主要利用 stata 14.0 软件中提供的随机前沿分析 （SFA ） 模块， 估算超越对数生产函数， 具 体模型如下所示： 公式 3.2 其中，Q i 、K i 、L i 分别代表了增加值、固定资 产净额以及员工总数。 增加值的计算方式依据收入法，其计算公式如下： 公司增加值= 应付职工薪酬+ 应 交 税 费+ 应 付 利 息+ 固 定 资 产 折 旧+ 资 产 减 值 损失+ 公允价值变动收益+ 投资收益+ 汇兑收益+ 营业利润。 员工总数数据来源如前所示， 计算增加值所需的数据和固定资产净额数据均 来自国泰安数据库（CSMAR）。 （7）商业模式新颖性 为了测量焦点企业同行业内其他企业商业模式平均水平的差异性 （即新颖程 度） ，我们构造了一 个多维矢量，包 含前五名 供应商占比、前五名 客户占比、营 业周期、 流动资产与收入比、 销售费用率、 非制造业占收入比共六个维度。 计算 公式如下： 公式 3.3 其中，V ij 为焦点企业的矢量， V j 为行业平均水 平的矢量。 11 二 、 评估 权重 生成 权重的确定一般有两种方式。 一种是利用德尔菲法让专家来确定每个指标赋 予的权重， 但是这种方法主观性较强。 本研究 采用统计方法， 依靠二手数据更加 客观地计算出各个指 标的权重，以保 证测度的 客观 性。本研究以绩 效为因变量， 以创新指标为自变量，估计各个指标的权重。具体做法如下： （1）选择因变量 EVA （经济增加值） 是衡量企业为社会创造经济价值的指标。 作为公司业绩 的度量指标， 与其他度量指标的不同之处在于， EVA 考虑了带来企业利润的所有 资金成本。 在这个意义上， EVA 更加真实地揭 示了上市公司的经济业绩， 可以帮 助企业判断是否在当期真正为股东创造了价值。EVA 数据来自国泰安数据库 （CSMAR）。 （2）自变量及其无量纲化 自变量包括研发费用 、技术人员人 数、专利总 数、销售利润率、研 发强度、 商业模式新颖性、技术效 率等 7 个变量。 由于自变量的量纲不统一， 各个行业之间差别很大， 这样会增大估计的误差。 因此， 为了使得回归中的跨行业存在可比性， 我们首先将自变量中的各个指标剔 除行业均值， 从而排除行业带来的差异。 然后按照以下公式 （公式 3.4 ） ， 将所有 自变量的取值统一在 0-10 范围内，便于模型的回归。 公式 3.4 其中， x i 表示自变量 x 的第 i 个观测的取值， x m a x 和 x m i n 分别表示自变 量 x 的 最大值和最小值， Z i 表示 x i 无量纲化后的取值 。 （3）回归分析与权重计算 因变量为 2018 年的 EVA ，自变量为 2017 年 无量纲化之后的研发费用、技 术人员人数、专利总 数、销售利润率 、研发强 度、商业模式新颖性 、技术效率， 控制变量为 2017 年的员工总数和企业年龄。 本 指数采用 OLS 进行回归。 第 1 个 模型为基础模型， 只放入控制变量。 第 2 到第 8 个模型， 每个模型都在前一个模 12 型的基础上新增一个自变量，最终得到 8 个回 归结果。因为回归模型 衡量了 该模型中自变量和控制变量对因变量的解释程度， 而每新增一个自变量进入回归 模型都会导致解释程 度的增大（或者 不变） ， 因此，新增一个自变 量所导致的回 归模型 的增加 值代 表 了该 自变量 对因变 量的贡 献。每个 自变量 权重的 计算公 式如下： 公式 3.5 其中，Wi 表示 第 i 个模型在 第 i-1 个模型的基 础上新增的自变量的权重， Ri 2表示将第 i 个自变量放入模型之后导致 的 R 2 增加值， R8 2表示全模型的 R 2 ， 包含控制变量和全部自变量，R1 2 表示基础模型的 R 2 ，只包含控制变量。 值得注意的是， 自变量放入模型的顺序会影响该自变量的权重。 为了消除这 一问题， 本研究穷举全部 7 个自变量可能进入 模型的顺序， 共计 35280 种可能的 组合， 对每种组合进行回归， 然后计算各个自 变量的权重， 然后对每个自变量的 权重求均值作为该自变量最终的权重。 根据上述方式， 我们可以算出每个指标的 权重。 （4）得分计算 创新指数得分分为“ 创新势力”和 “创新效率 ”两个维度。其中， “创新势 力”得分的计算基于 规模型指标， “ 创新效率 ”得分的计算则基于 效率型指标。 在计算创新指数得分时， 我们对每个指标进行无量纲化处理， 且无量纲化不预先 去除行业均值。 创新指数得分的计算公式如下： 公式 3.6 其中，X 1 X 7 分别是无量纲化之后的研发投入 、研 发人员、专利数量、销售 利润率、 研发强度、 商业模式新颖性和技术效率， Wi 表示 第 i 个变量的权重。 为 了将创新指数得分的取值范围变为 0100 ， 2 R 2 R 13 本研究在 的基础上乘以 10 。 创新势力得分的计算公式如下： 公式3.7 其中，X 1 X 4 分别是无量纲化之后的研发费用 、技术人员人数、专利总数和 销售利润率。为了将创新势力得分的取值范围变为 0100 ， 本研究在 的基础上乘以 10。 创新效率得分的计算公式如下： 公式 3.8 其中， X 5 X 7 分别是无量纲化之后的研发强度、 商业模式新颖性和技术效率。 为了将创新势力得分的取值范围变为 0100 ， 本研究在 的基础上乘以 10。 14 第四章 投资组合 收益篇 重要 声明： 如下基于 上市公司创 新指数进行 的投资 组合收益率分 析， 仅出于学 术 研究 目的，不构成 任何对证券 市场投资操 作的建议 。 创新作为企业创造价值和构建竞争优势的重要力量， 是否会一定程度上被反 应在股价信息里？为了回答这个问题， 我们选取了在创新 指标 排行中名次靠前的 上市公司，形成一个 投资组合，并以 市值作为 权重计算它们的投资 组合收益率。 一 、 根据 2018 创新 指标 排名 构 造投 资组 合 样本 从投资决策的角度， 在 T 年中进行的投资决策 只能依据第 T-1 年的信息来进 行。因此在构造 2019 年投资组合决策时，我 们将使用 2018 年 A 股上市公司的 创新指数排名信息来构造投资组合样本。 我们选取了 2018 年创新效率和创新势力分别排名前 50 强的上市公司构建 投资组合， 并依据如下步骤来计算所构造的投资组合的收益率。 由于企业年报大 多在五月下旬披露，本研究选取 2018 年 6 月 1 日和 2019 年 5 月 31 日两个节点 （两个时间节点之间为一年投资周期） 。 首先我们确定了投资组合中各个样本公司的投资权重，以样本企业 2018 年 6 月 1 日市值除以当日投资组合中所有样本企业总市值作为该样本企业在整个投 资组合中的投资权重。 然后我们再分别计算样本企业在 2018 年 6 月 1 日和 2019 年 5 月 31 日这一 年周期内的投资收益率。 我们采取的方法是用复权后的 2019 年 5 月 31 日收盘股 价减去复权后的 2018 年 6 月 1 日收盘股价，再除以复权后的 2018 年 6 月 1 日 收盘股价，作为样本企业的收益率。 由此我们可以计算出投资组合的收益率，公式如下： 投资组合收益率 = W ( ) / 公式 4.1 其中： W = i 股在 2018 年 6 月 1 日市值除以当日样本公 司总市值 = i 股在 2018 年 6 月 1 日收盘股价 = i 股在 2019 年 5 月 31 日收盘股价 15 同时， 为了进行收益率比较， 我们选取了上证指数、 上证 50、 上证 180、深 证 100、 深证 300 、 沪深 300 等主流指数作为比较基准。 我们选取 2019 年 5 月 31 日的这些基准指数的收盘指数减去 2018 年 6 月 1 日的收盘指数， 再除 以 2018 年 6 月 1 日的收盘指数，由此计算出基准指数在 此期间的收益率。 结果显示， 我们通过创新效率得分排名前五十的企业所构造的投资组合收益 率为 1.11% ， 超过了上证 50、 深证 300 等多项 基准指数的同期收益率， 但通过创 新势力得分排名前五十所构造的投资组合收益率为-10% 。 二、 根据 2016-2018 创 新 指标 排 名构 造投 资 组合 样本 此外， 我们也选取了在 2016-2018 年连续三年创新效率以及创新指数排名处 于前 50 的企业构成投资组合样本。 我们由此得 到了由 12 家创新效率排名靠前以 及 29 家创新势力靠前的上市公司形成的投资组合。按照三年创新指数排名进行 样本筛选的原因在于： （1）创新到业绩提升之间通常会存在着一定的时间差； （2）按照三年来进 行筛选可以滤 除少数年份 存在的特异性，从而 使筛选出 来的公司样本更具稳健性。 结果显示， 由在 2016-2018 年间创新效率排名皆在前五十的样本企业所构成 的投资组合收益率达到了 3.6% ，而 2016-2018 年间创新势力排名皆在前五十的 样本企业所构成的投资组合收益率则为-13% 。 图 4.1 各指数投资组合收益率 16 第五章 城市分析 篇 近年来， 我们可以看到随着创新驱动成为中国产业发展的重要推动力量， 许 多地方政府都在政策导向、 市场制度建设等方面进行了一系列的努力， 构建区域 创新环境， 提升区域产业创新配套服务质量， 力图推动本地企业和产业更快地向 创新驱动进行转型， 以培育经济增长的新引擎与新 动能。 在此背景下， 一个有趣 的问题是， 在中国上市公司创新指数排行榜居前的企业， 它们在城市分布上是否 呈现出趋势性的特点？是集聚在若干主要城市， 还是离散分布在不同的城市群？ 一、创 新 型公 司城 市 集聚 我们选取了创新指数排行榜上前 500 强的企业 进行城市分布分析。 在创新指 数排行榜排名前 500 强的企业， 可以较好地体 现出不同城市在培育创新型企业上 所取得的成效， 并在一定程度上反映出不同城市在区域创新系统上的有效性和吸 引力。 在整体分布上， 我们可以看到创新型公司存在着明显的区域集中趋势。 创新 指数 500 强公司总部在分布上主要集中 于北京、上海、广州、深圳、杭州等地。 前 500 强公司中， 有 206 家分布在这五个城市 。 大部分沿海城市和一线城市拥有 的 500 强企业较为集中，中西部、东三省有部分城市拥有创新指数 500 强企业， 但在数量上相对少且分布较为零散。 与去年相比，