程小可，宛 晴，高升好

1 北京交通大学 经济管理学院，北京 100044 2 西南财经大学 会计学院，成都 611130

引言

作为企业技术创新的直接服务对象，客户代表着市场需求的发展方向，更是实现企业创新收益的基础。而当企业的销售收入集中于一个或少数几个大客户时，大客户的需求直接关系到企业创新的成败。因此，探索大客户对企业技术创新的影响及其内在机制，具有积极的理论意义和实践意义。

然而学术界对于上述话题的探讨并未取得一致结论，并形成引导和掠夺两种对立观点。引导观点认为大客户向企业传递市场需求信息和技术知识，进而促进企业技术创新；掠夺观点认为大客户利用自身优势的谈判地位掠夺企业创新收益和可用于创新的资源，进而抑制企业技术创新。究其原因，已有研究多从客户集中度等静态视角出发，使用客户数目[1]、大客户销售收入占企业总收入比[2-3]、大客户销售收入与客户总成本之比[4]等指标研究大客户与企业技术创新的关系。而客户与企业之间的信息交互和交易往来难以直接观测，因此已有研究难以刻画大客户在知识溢出或资源掠夺等方面对企业技术创新产生的动态影响。为了弥补这一缺陷，本研究结合地理经济学理论，引入大客户与企业之间的地理距离，即大客户地理邻近性，试图借此动态描绘大客户与企业之间的信息交流和交易往来，进而检验大客户在企业技术创新过程中起到的作用。

1 相关研究评述

1.1 地理邻近性

近年来，随着地理经济学在财务会计领域的广泛运用，地理邻近性对经济主体行为决策的影响成为学者们关注的热门话题。已有研究集中于分析师[5]、债权人[6]、机构投资者[7-8]、审计师[9-10]、独立董事[11]和市场监管机构[12-13]等视角，并主要从资本市场和公司治理两方面予以展开。在资本市场方面，相关研究认为地理邻近性能够协助分析师和投资者以更低成本获取企业私有信息，缓解其与企业间的信息不对称。MALLOY[14]认为靠近企业的分析师能够获取更多的私有信息，因此能实现更为精确的盈余预测；GHOUL et al.[15]使用企业与金融中心的地理距离测量企业与投资者之间的信息不对称，发现企业越靠近金融中心，其权益融资成本越低。基于中国中小板和创业板的风险投资案例，黄福广等[16]研究发现远距离的风险投资者对新企业的关注更少。

在公司治理方面，部分学者认为地理邻近性能够降低股东或监管者的监督成本，提升公司治理效率。KEDIA et al.[12]发现靠近美国证券交易委员会的企业发生财务重述的可能性更低。但也有部分学者持不同观点，他们认为地理邻近性会破坏监管者的独立性，并加剧代理问题。罗进辉等[10]发现地理邻近的审计师更容易与企业管理层形成审计共谋关系，进而降低企业的会计稳健性；张敏等[13]的研究表明，企业越靠近基层主管税务机构，其寻租成本越低，越有能力实施激进避税行为。

从上述研究可以看出，地理邻近性的相关研究已经取得较为丰硕的成果，但对产品市场的关注仍十分有限，特别是忽视了大客户这一重要的利益相关者。事实上，大客户与企业之间较近的地理距离可能有利于市场需求、技术等信息的扩散，也可能促使大客户掌握更多企业私有信息，强化自身谈判优势。已有研究中，仅CHU et al.[17]探索美国大客户与企业之间地理距离对企业技术创新的影响，以中国等新兴国家市场为背景的相关研究仍然缺乏。

1.2 大客户与企业技术创新

关于大客户与企业技术创新之间的关系，已有研究形成了两类截然相反的学术观点。一种观点认为大客户能够引导企业进行技术创新。支持该观点的学者认为大客户能够利用自身的谈判优势，促使企业进行产品研发来满足自身需求[18-19]。KALE et al.[19]发现大客户能够决定企业的销售收入水平时，更可能将自身对于产品性能、外观等需要传递至企业；KROLIKOWSKI et al.[4]认为企业倾向于通过技术创新等关系型投资维护与大客户的合作关系，以及时获取当下及潜在的产品市场信息。此外，大客户也能够向企业传递创新所需要的技术知识，提升企业技术储备，促进企业创新。PETERS et al.[20]发现客户集中能够产生更高的研发溢出效应，为企业的研发活动提供更多有价值的意见；孙晓华等[1]发现大客户能够通过制定更高的产品技术标准促使企业提高生产技术水平；LIU et al.[21]的研究则表明员工间正式或非正式的交流可以促进大客户与企业之间的知识共享。

另一种观点则认为大客户会掠夺企业的创新收益和可用于创新的资源，抑制企业技术创新。PETERS[22]基于德国汽车行业的研究发现，大客户通常利用其强势谈判地位压低企业创新产品的价格，压榨企业创新收益，扭曲企业创新的收益成本结构；李丹蒙等[2]认为较高的客户集中度为企业带来高昂的转换成本，致使企业承担被大客户“敲竹杠”的风险，为避免创新收益被榨取，企业倾向于降低研发投入。此外，大客户会利用其议价优势压低企业的边际利润，阻碍企业积累创新资源[4]，或者通过索取更多商业信用[23]，加剧企业的潜在现金流风险。而较高的客户集中度同样会增加企业的经营风险，提升企业的融资成本[24-25]。这些都将加剧企业的融资约束[26]，削减企业可用于创新的资源[3,27]。

可以看出，关于大客户与企业技术创新之间的关系，已有研究仍存在较大分歧。究其原因在于，大客户具备市场需求载体和强势谈判对象双重属性，而已有研究均未能厘清大客户与企业之间的交易互动机制。已有研究大多从客户集中度等静态视角出发，将大客户对企业销售收入的影响程度等同于大客户向企业传递需求信息或进行谈判议价的能力[2,23]，难以刻画大客户在知识溢出或资源掠夺等方面对企业技术创新产生的动态影响。大客户与企业之间的互动发生于供应链内部，难以被外界直接观测和衡量。地理距离作为影响经济主体间信息沟通和交易往来的重要因素，有助于深入揭示大客户对企业创新的影响及内在机理。本研究试图以此为切入点，探讨大客户地理邻近性与企业技术创新的关系。

2 理论分析和研究假设

地理经济学的观点表明，经济主体间的地理邻近性能够有效降低人力和货物的运输时间，节约交易成本，同时能够缓解经济主体间的信息不对称，提升信息沟通效率[5,14]，有助于技术知识的传递和共享[28]。大客户作为企业市场需求的代表以及企业创新活动的服务对象，其地理邻近性可能对企业的创新意愿和创新能力产生影响，进而影响企业的创新决策。

一方面，根据地理经济学理论，地理邻近性有助于缓解大客户与企业之间的信息不对称，降低企业创新活动的风险。创新活动具有高投入、高风险、长投资周期等特征，一旦创新产品存在性能缺陷或偏离市场需求，无法满足客户需要，企业前期的创新投入将难以收回，甚至导致创新失败。当大客户与企业之间地理距离较近时，企业能够快速获取来自大客户的反馈信息，及时应对市场需求变化，降低创新的边际成本[4]。而靠近大客户也有助于企业更及时地判断创新产品的销售前景，提前锁定创新产品的收益[20]，降低企业技术创新活动面临的不确定性，提升企业创新意愿。

此外，大客户地理邻近性也可以通过知识溢出提升企业技术创新能力。在2016年的“企业家对宏观形势及企业经营状况的判断、问题和建议”调查活动中，客户参与型研发排在所有研发模式中的第3位，仅次于内部研发和外部购置先进设备，占据极其重要的位置[29]。从企业层面看，较近的地理距离便于大客户周期性地指导企业研发工作，为企业员工提供技术培训，甚至参与企业生产线的升级改造，强化大客户与企业之间的知识交流和技术互动。从员工层面看，由于“面对面”交流使交流成本大大降低，大客户与企业的技术人员能够更频繁地开展周期性会谈，实施跨企业协作或组建矩阵式团队，利用大客户与企业之间的业务匹配关系提升隐性知识的传递效率，扩展员工技能体系，提升企业创新能力[20]。此外，较近的地理距离也有助于大客户与企业的技术人员构建非正式关系网络。日常生活中的非正式接洽同样有利于隐形知识的传递，提升企业员工的技术水平[21]。

但另一方面，根据交易成本理论，地理邻近性使大客户能够以更低的成本获取企业的私有信息[30]，减少大客户在与企业交易过程中的信息收集和契约签订成本，强化其谈判优势[31]，掠夺企业的创新收益。通过频繁的业务往来，管理层与员工之间正式或非正式交流以及与同一社会网络内共同交易伙伴、银行、政府监管部门的沟通，大客户更容易掌握企业的存货周转、成本结构和财务状况等重要信息，并在与企业的谈判中尽可能压低创新产品的销售价格，通过“敲竹杠”的方式谋取利益[2]。然而，为维持与大客户的合作关系，稳定销售收入和市场份额，同时也为了避免因废弃专有资产所产生的转换成本，企业不得不做出让步，致使创新利润被大客户蚕食[3]。这将降低企业创新产品的边际收益，扭曲技术创新的成本收益结构[22,32]，加大企业进行创新活动的风险。

大客户也能利用地理邻近性带来的谈判优势掠夺企业可用于创新的资源，加剧企业融资约束程度。大客户的私有信息优势使大客户能够在与企业的交易谈判中占据主动，通过压低产品价格、分批运送货品等方式降低企业的盈利能力和运营效率，阻碍企业的内部资源积累，降低企业研发投入水平[4,27]。此外，大客户地理邻近性带来的强势谈判地位也迫使企业提供更多的商业信用，加剧企业的流动性风险[33]。过多提供商业信用导致企业应收账款周转期大幅延长，流动性短缺情况加剧，甚至可能导致财务困境[34]，企业可用于创新投资的资源被掠夺，只能被迫减少技术创新活动。

综合上述分析可以发现，大客户地理邻近性可能对企业创新产生促进或抑制两种截然相反的影响。促进效应是由于大客户地理邻近性提供了更多市场需求和技术知识，降低企业创新的不确定性，并提升企业的技术水平。而抑制效应是由于地理临近性方便大客户获取更多企业的私有信息，提升其相对企业的谈判优势，掠夺创新收益和企业资源，提高企业创新的不确定性，加剧企业融资约束。

但本研究认为，现阶段中国产品市场中大客户地理邻近性对于企业创新的抑制作用可能大于促进作用，下面结合中国市场背景和企业整体技术发展阶段分别进行说明。一方面，大客户通过提供市场需求信息和技术知识推动企业技术创新存在一定前提。PETERS et al.[20]认为，当企业能实现“赢家通吃”，即获取新技术的全部收益时，才可能为满足大客户的需要进行创新投入。但由于中国当前知识产权保护机制尚不健全，企业自主创新成果易被模仿，创新收益可能被同业竞争者瓜分。此外，与自主创新和海外技术引进等技术获取方式相比，与大客户的合作研发往往也意味着企业需要配置附加资源乃至改变组织机构，变相增加创新成本，长期看对创新产生负面影响[35]。因此，在中国，大客户地理邻近性带来的市场需求和技术知识溢出效应相对较弱，对于企业创新的促进作用较为有限。另一方面，与欧美国家较为均衡的供应链体系不同，当前中国处于经济转型时期，产能过剩现象普遍，企业竞争形势严峻，买方市场占据主导地位[36]。此时大客户地理邻近性带来的谈判优势促使其在与企业的交易中攫取更多利益，摊薄企业的利润水平。而为了维持市场份额，保证资金回笼[36-37]，中国企业不得不通过降低货品价格、提供更多的商业信用来维系与大客户之间的合作关系[4,38]。因此，在中国，大客户地理邻近性更可能加剧对企业创新收益和资源的掠夺，对于企业创新的抑制作用更强。因此，本研究提出假设。

H1大客户地理邻近性抑制企业技术创新。

根据前文的分析，大客户地理邻近性之所以能够抑制企业技术创新，是因为与企业的地理距离较近，使大客户可以更容易掌握企业的私有信息，进而提升自身相对企业的谈判优势，迫使企业让渡收益和资源。值得注意的是，除去在空间维度上较近的地理距离之外，时间维度上较长的合作周期同样有助于大客户获取企业的私有信息，提升相对企业的谈判优势[39]。

HILL et al.[40]认为大客户与企业之间的关系紧密程度影响大客户相对企业的谈判优势。因此，当大客户与企业之间的合作关系不同时，其地理邻近性对于企业技术创新的抑制作用可能存在差异。具体来说，如果大客户与企业之间的合作周期较长，即具备黏性时，大客户与企业之间的业务往来更加频繁和丰富，大客户对于企业私有信息的了解更为充分[39]。此外，长期的合作往往也意味着黏性大客户与企业之间已经形成较为高效的合作体系，如果失去黏性大客户，企业即便能够快速找到替代者，也需要支付高昂的转换成本重新进行业务整合，以恢复供应链效率[18,41]。而对非黏性大客户，其与企业之间的合作周期往往较短，难以全面掌握企业的运营策略和财务状况等相关信息[42]；同时双方也难以形成专有资产或稳定供应体系，使企业对客户的依赖程度较低[40]。因此，与非黏性大客户相比，黏性大客户相对企业的谈判优势更强。当具备黏性的大客户与企业之间的地理距离较近时，信息搜寻和契约签订成本更低，在与企业的谈判中将更为主动，更有能力掠夺企业的创新收益和资源；而不具备黏性的大客户与企业之间的地理距离较近时，相对企业的谈判优势提升较为有限，给予企业的回旋余地更大，对企业创新收益和资源的掠夺也更加有限。因此，本研究提出假设。

H2在其他条件相同的情况下，大客户具备黏性时，大客户地理邻近性对企业技术创新的抑制作用更强。

已有研究表明，大客户相对企业的谈判优势是其影响企业决策的基础[43]。大客户相对企业的谈判优势不仅取决于大客户自身特征，也可能受到企业竞争环境的影响[19]。当企业所处行业的市场竞争水平较高时，大客户较容易在竞争激烈的供应商市场中找寻到企业的替代者，一旦大客户与企业终止合作关系，企业将面临巨额的收入和现金流损失，甚至陷入经营和财务困境，此时企业对大客户的依赖程度较高[36]。当企业所处行业的市场竞争水平较低时，可供大客户选择的供应商有限，企业的产品或服务较难为其竞争者所替代，此时企业能够在与大客户的交易谈判中获得余地来保护自身利益[38,44]。因此，企业所处行业的市场竞争水平能够反映大客户相对企业的谈判优势状况。

当企业面临的市场竞争比较激烈时，地理邻近性为大客户带来的信息优势将有助于其提出更为严苛的产品、服务和商业信用条件。为保障销售收入和市场份额，企业不得不接受大客户的交易条款，让渡更多利益或提供更多商业信用，对企业技术创新的抑制作用也更强。但是当企业所处行业垄断程度较高时，企业对大客户的依赖程度较低。尽管大客户地理邻近性有助于降低大客户重新谈判的成本，但难以迫使企业接受不公平的交易条款。此时，企业的创新收益和资源都能得到有效保留，大客户地理邻近性对企业技术创新的抑制作用较弱。因此，本研究提出假设。

H3在其他条件相同的情况下，企业所处行业的市场竞争水平越高，大客户地理邻近性对企业技术创新的抑制作用越强。

本研究假设的相关作用机制框架见图1。

图1 大客户地理邻近性与企业技术创新的作用机制框架Figure 1 Functional Mechanism Framework between Geographical Proximity of Key Clients and Enterprise Technological Innovation

3 研究设计

3.1 样本选择和数据来源

本研究选择2009年至2015年中国A股上市企业为研究对象，按照如下规则进行整理归集：①剔除金融保险类企业样本。②剔除ST和PT类企业样本。③剔除财务指标缺失样本。④剔除当年进行IPO的样本。⑤参考BANERJEE et al.[18]和CHU et al.[17]的研究，将销售收入占企业当年销售收入10%以上的客户定义为大客户，剔除“客户一”“A客户”“第一大客户”等披露不明样本；剔除含自然人大客户样本、含港澳台地区及海外大客户样本、客户信息披露错误样本，如前五大客户销售占比之和大于1；剔除无法查验准确地址的客户样本。最终共得到508家上市企业的1 130个企业年度观测值。本研究前五大客户及大客户信息通过对各上市企业年报披露内容进行手工收集整理获得，大客户的地理位置通过谷歌地图手工收集汇总获得，研发费用数据来源于Wind金融数据库，其余财务指标来源于CSMAR金融数据库。本研究使用的统计软件为Stata 12.0。

3.2 变量定义

3.2.1 企业技术创新

本研究选取企业研发费用与营业收入之比测量企业的技术创新投入水平，使用企业研发费用与总资产之比测量技术创新投入水平进行后续的稳健性检验。需要指出的是，参考KROLIKOWSKI et al.[4]的研究，本研究使用0值替代研发费用的缺失值进行检验。

3.2.2 大客户地理邻近性

参考黄福广等[16]的研究方法，首先使用谷歌地图定位大客户与企业总部所在地具体地址的经纬度坐标，再通过谷歌地球软件，利用经纬度坐标计算二者之间的地理距离。考虑到部分企业可能存在多个大客户，本研究根据不同企业大客户的数目和销售收入占比分别予以加权，得到企业层面的大客户地理邻近性指标。

一种方法是根据企业大客户总数计算各个大客户至企业总部的平均距离，并对其取自然对数后进行标准化，具体公式为

(1)

(2)

其中，D1为大客户至企业总部的平均距离，N为大客户总数，Dk为第k个大客户与企业之间的地理距离，Ds1为大客户地理邻近性指标1。

另一种方法是根据不同大客户销售收入占比计算各个大客户至企业总部距离的加权平均距离，具体公式为

(3)

(4)

其中，D2为加权平均距离，Sk为第k个大客户的销售收入，S为大客户销售总收入，Ds2为大客户地理邻近性指标2。

Ds1和Ds2数值越大，表明大客户与企业的地理距离越远，企业的大客户地理邻近性水平越低。

3.2.3 控制变量

参考鲁桐等[45]和CHU et al.[17]的研究，本研究的控制变量包括资产负债率、资产净利率、托宾Q、主营业务收入增长率、资产规模、企业年龄、现金资产比、有形资产比、资本支出资产比、产权性质。此外，本研究还控制了年度和行业虚拟变量。变量定义见表1。对所有连续变量进行上下1%的缩尾处理。

3.3 模型设计

本研究构建(5)式检验H1，具体模型为

Rdsi,t=β0+β1DS1i,t/Ds2i,t+β2Levi,t+β3Roai,t+

β4Tbqi,t+β5Groi,t+β6Assi,t+β7Agei,t+

β8Cari,t+β9Tai,t+β10Oci,t+β11Soei,t+

(5)

本研究采用Tobit模型检验大客户地理邻近性与企业技术创新之间的关系，在稳健性检验中使用OLS最小二乘法模型进行检验。

表1 变量定义和说明Table 1 Definition of Variables

为检验H2和H3，分别按照大客户是否具备黏性以及企业所处行业市场竞争水平分组后采用(5)式进行检验。

4 实证结果和分析

4.1 描述性分析

样本中上市企业的行业分布见表2。508家企业分别来自15个行业，其中制造业企业数量最多，达到317家；其次为电力、热力、燃气及水生产和供应业，达到39家；住宿与餐饮业企业数目最少，仅有1家。表明当前样本中拥有大客户的企业分布有明显的行业差异。

从大客户的角度看，508家企业分别与1 083个大客户形成业务关系，大客户销售收入占比以及与企业之间地理距离分布见表3。在所有大客户中，销售收入占企业总收入比在10%～20%区间内的大客户数最多，达到741个，占大客户总数的68.421%；在销售收入占比更高的区间中大客户数却急剧下降，达到企业总收入50%以上的大客户只有65个，仅占大客户总数的6.002%。表明尽管大客户对上市企业产生重要影响，但绝对控制企业销售收入的大客户比例仍然较低，超过三分之二的大客户销售收入占比集中在10%～20%区间内。已有研究以大客户销售收入占比测量大客户相对企业的议价能力的方式在识别大客户议价能力异质性上存在一定局限。

表2 样本企业行业分布Table 2 Industry Distribution of Sample Enterprises

从大客户与企业之间地理距离分布看，距离企业100公里以内较为接近的大客户共有356个，占大客户总数的32.871%，接近所有大客户总数的三分之一；距离企业1 500公里以上的大客户共有147个，仅占大客户总数的13.574%。表明大客户相对企业的地理距离较近，呈现出一定程度的集聚趋势。

大客户地域分布方面，沿海经济发达省份拥有的大客户相对较多，西部经济欠发达地区大客户较少。具体来看，广东拥有的大客户最多，共161个；其次为江苏、北京、浙江、山东，分别拥有111个、111个、76个和69个；大客户最少的省为青海、甘肃和西藏，分别拥有2个、3个和5个。表明大客户的地域分布并不均衡，对于不同地域内的供应商企业而言，维护现有大客户业务关系的压力以及挖掘更广阔的范围内潜在大客户的难度可能存在差异。

表3 大客户销售收入占比以及与企业之间地理距离分布Table 3 Distribution of Sales Revenue Ratio of Key Clients and Geographical Distance between Key Clients and Enterprises

样本企业年度层面各变量的描述性统计结果见表4。Rds的均值为0.023，国际主流观点认定的保持企业活力的研发强度水平为3%，本研究结果与之相比存在一定差距；Rds的标准差和极差分别达到0.029和0.231，表明各上市企业在技术创新投入水平上存在较大差异。

大客户至企业的地理距离方面，D1和D2的均值表明上市企业距离其大客户的平均地理距离分别达到566.950公里和563.194公里，并未呈现出重要交易对象高度本地聚集的现象，但与中国辽阔的国土相比，重要交易对象的搜寻范围仍存在一定界限。同时，D1和D2的中位数分别为314.800公里和295.082公里，小于其均值，样本整体呈现右偏态势，表明多数企业仍然更倾向于与距离相对较近的大客户产生业务联系。此外，D1和D2的极差分别达到2 793.696公里和2 809.924公里，表明不同的企业与大客户之间的地理距离存在巨大差异，这也为本研究探讨的问题提供了充分的现实基础。

表4 描述性统计结果Table 4 Results for Descriptive Statistics

控制变量方面，值得注意的是，Lev的均值为0.429，Car的均值达到0.178，表明拥有大客户的企业具有相对更低的负债水平和更高的现金持有水平，符合BANERJEE et al.[18]、KALE et al.[19]和ITZKOWITZ[44]的研究结果；Ta的均值为0.933，Oc的均值为0.059，表明拥有大客户的企业具有较高的有形资产比和较低的资本支出，呈现出更为稳健的经营态势。

4.2 相关性分析

样本的相关性分析结果见表5，对角线下方的数据为Pearson检验系数，上方的数据为Spearman检验系数。Ds1和Ds2与Rds之间呈正相关关系，表明在不考虑控制变量的情况下，企业的大客户地理邻近性水平越低，企业的技术创新投入水平越高，不符合大客户知识溢出和降低风险的假设。控制变量方面，Lev、Ass、Age和Soe与Rds之间呈显著负相关关系，Roa、Tbq、Gro和Car与Rds之间呈显著正相关关系，表明负债水平较低、资产规模较小、上市年限较短的企业和非国有企业更愿意进行技术创新投入，盈利能力较强、投资机会较多、成长性水平较高、持有更多现金和资本支出水平较高的企业更愿意进行技术创新投入。相关性分析仅从数理角度分析自变量与因变量之间的相关关系，需要考虑控制变量的影响，通过回归分析进行进一步检验。

表5 Pearson和Spearman相关性分析结果Table 5 Results for Pearson and Spearman Correlation Coefficients Analysis

4.3 回归分析

4.3.1 大客户地理邻近性与企业技术创新

表6给出大客户与企业之间地理距离对企业技术创新影响的回归结果，(1)列和(2)列仅控制年度效应和行业效应，(3)列和(4)列控制企业特征、年度效应和行业效应。由表6的(1)列和(2)列可知，Ds1和Ds2与Rds均在1%水平上显著正相关；由(3)列和(4)列可知，Ds1每增加1个单位，Rds会提升0.016个单位，Ds2每增加1个单位，Rds提升0.017个单位。表明大客户距离企业的距离越远，对企业技术创新的抑制作用越弱，企业的技术创新投入水平越高，H1得到验证。

表6 大客户地理邻近性与企业技术创新的回归结果Table 6 Regression Results for Geographical Proximity of Key Clients and Enterprise Technological Innovation

在控制变量方面，(3)列和(4)列中Lev和Age的回归系数显著为负，Gro、Ass和Soe的回归系数显著为正。需要指出的是，Ass和Soe的回归系数符号与相关性检验时的相比发生了变化，这可能与控制了其他可能影响技术创新投入水平的因素以及年份和行业因素有关。

4.3.2 不同黏性大客户的影响

本研究将黏性大客户定义为在企业以后年份中持续出现的同一大客户，并按照该标准将样本分为大客户均为非黏性和均为黏性两个子样本，并分别采用(5)式进行Tobit回归检验，结果见表7，限于篇幅，不再列示控制变量的回归结果。因部分企业同时拥有多个大客户，可能出现其中部分大客户符合黏性大客户标准，而部分大客户不符合黏性大客户标准，所以有部分企业样本未被纳入回归。表7中，(1)列和(2)列给出大客户均为非黏性时其地理邻近性与企业技术创新的回归结果，(3)列和(4)列给出大客户均为黏性时其地理邻近性与企业技术创新的回归结果。由表7可知，在大客户均为非黏性时，Ds1和Ds2与Rds的回归系数均不具有统计学意义上的显著性；在大客户均为黏性时，Ds1和Ds2与Rds均在1%水平上显著正相关。表明与企业业务关系更为紧密的大客户更有可能利用私有信息和强势谈判地位对企业进行资源掠夺，H2得到验证。

表7 大客户不同黏性条件下地理邻近性与企业技术创新的回归结果Table 7 Regression Results for Geographical Proximity and Enterprise Technological Innovation under Different Sticky Conditions of Key Clients

4.3.3 市场竞争的影响

参考ITZKOWITZ[44]的研究，本研究使用行业内各企业销售收入占比的赫芬达尔指数判断行业的竞争水平，该指数越小，证明行业竞争水平越高。按照该指数中位数将样本分为市场竞争水平较高和市场竞争水平较低两个子样本，分别采用(5)式进行Tobit回归检验，结果见表8。表8中，(1)列和(2)列给出企业所处市场竞争水平较高时大客户地理邻近性与企业技术创新的回归结果，(3)列和(4)列给出企业所处市场竞争水平较低时大客户地理邻近性与企业技术创新的回归结果。由表8可知，在市场竞争水平较高样本中，Ds1和Ds2与Rds在1%水平上显著正相关；在市场竞争水平较低样本中，Ds1和Ds2的回归系数均不具有统计学意义上的显著性。表明当企业面临更为激烈的市场竞争时，更容易受制于大客户的私有信息优势和强势谈判地位，进而降低技术创新投入，H3得到验证。

表8 不同企业竞争水平下大客户地理邻近性与企业技术创新的回归结果Table 8 Regression Results for Geographical Proximity of Key Clients and Enterprise Technological Innovation under Different Enterprise Competition Levels

4.4 影响机制分析

上述回归结果表明，对于企业而言，靠近大客户并不能有效获取知识以提升技术创新能力，反而抑制其技术创新投入。根据前文的分析，在此尝试从不确定性和融资约束两条路径实证检验大客户地理邻近性影响企业技术创新的具体机制。

4.4.1 不确定性

前文提到，当大客户与企业之间的地理距离较近时，更容易掌握企业的生产成本、经营效率和财务状况等私有信息，进一步提高自身谈判地位和议价能力，压榨企业创新产品的利润空间和未来收益，增加企业技术创新投入的不确定性。因此，本研究推测在企业不确定水平较低时，大客户地理邻近性对于企业技术创新的抑制作用更强。

参考徐倩[46]的研究方法，本研究选择股票波动率的标准差测量企业面临的不确定性水平高低，该指标越大，企业不确定性水平越高。按照该指标中位数将样本分为不确定性水平较高和不确定性水平较低两个子样本，分别采用(5)式进行Tobit回归检验，结果见表9。

表9 不同不确定性水平下大客户地理邻近性与企业技术创新的回归结果Table 9 Regression Results for Geographical Proximity of Key Clients and Enterprise Technological Innovation under Different Levels of Uncertainty

表9中，(1)列和(2)列为不确定性水平较低时大客户地理邻近性与企业技术创新的回归结果，(3)列和(4)列为不确定性水平较高时大客户地理邻近性与企业技术创新的回归结果。由表9可知，(1)列和(2)列中Ds1和Ds2的回归系数均显著为正，表明当企业面临的不确定性水平较低时，大客户地理邻近性能够显著抑制企业技术创新投入；(3)列和(4)列中Ds1和Ds2的系数为正，但不具有统计学意义上的显著性，表明当企业面临的不确定性水平较高时，大客户地理邻近性并不会对企业技术创新投入产生显著影响。

4.4.2 融资约束

大客户地理邻近性也可能加剧作为供应商的企业的融资约束程度。具体而言，当与企业之间的地理距离较近时，大客户更可能获得与企业存货周转、生产效率和财务运转状况等有关的私有信息，并利用这些信息进一步强化自身议价能力，迫使企业更大程度地让渡自身收益，或是采取更为激进的往来交易策略，迫使企业提供更多的商业信用，加剧企业融资约束程度，压缩企业可用于投资创新的资源。

借鉴KAPLAN et al.[47]的方法，本研究以中国A股上市企业为样本构建KZ指数测量企业融资约束状况，该指数越大，企业融资约束程度越高。按照该指数中位数将样本分为融资约束程度较高和融资约束程度较低两个子样本，分别采用(5)式进行Tobit回归检验，结果见表10。

表10 不同融资约束程度下大客户地理邻近性与企业技术创新的回归结果Table 10 Regression Results for Geographical Proximity of Key Clients and Enterprise Technological Innovation under Different Financing Constraints

表10中，(1)列和(2)列为融资约束程度较低时大客户地理邻近性与企业技术创新的回归结果，(3)列和(4)列为融资约束程度较高时大客户地理邻近性与企业技术创新的回归结果。由表10的(1)列和(2)列结果可知，Ds1和Ds2的回归系数均显著为正，表明当企业的融资约束程度较低时，大客户地理邻近性对企业技术创新的抑制作用较强；(3)列和(4)列中Ds1和Ds2的回归系数为正，但并不具有统计学意义上的显著性，表明当企业的融资约束程度较高时，大客户地理邻近性并不会对企业技术创新产生显著影响。

4.5 稳健性检验

4.5.1 指标敏感性

(1)使用研发费用与总资产之比(Rda)测量企业技术创新，采用(5)式分别按照大客户黏性、企业市场竞争水平、不确定性水平和融资约束程度进行分样本Tobit回归检验，控制变量与主检验一致。回归结果与正文检验结果一致，表明原回归结果稳健。限于篇幅，稳健性检验结果未列示。

(2)使用陆路最短出行时间测量大客户地理邻近性，大客户与企业之间陆路最短出行时间越少，大客户地理邻近性水平越高。以谷歌地图的两地之间出行时间为标准，手工收集从大客户抵达企业总部需要的陆路出行时间，交通工具包括高铁、动车、普通火车、地铁、汽车等。同时考虑到近年来中国高铁建设带来的影响，依据“火车票网”(www.huochepiao.com)的历史火车出行时间和所处城市原火车站点进行复核调整，更为精确地反映高铁和动车开通前两地之间的陆路出行时间。

与黄福广等[16]的研究中使用包括飞机在内所有交通工具能够达到的最少出行时间的测量方式存在一定差异，本研究使用陆路最短出行时间的做法。采取上述测量方式主要基于两方面的考虑。一方面，与黄福广等[16]在研究中强调风险投资者这一战略层面的行为主体不同，本研究考察大客户与企业之间可能存在的知识交流和人员互动，强调彼此之间在基础业务层面往来中对日常经营和财务状况的持续性了解，使用陆路交通的最短出行时间来描绘现阶段企业与客户之间客观存在的信息距离更具普遍性。另一方面，尽管飞机的时速大大高于火车和汽车等陆路交通工具，但其交通成本同样大大高于火车和汽车等陆路交通工具，因此将飞机出行时间纳入考察大客户与企业之间的地理邻近性在一定程度上扭曲了大客户与企业之间地理距离的测量标准。

本研究使用大客户与企业之间陆路交通的最短出行时间替换大客户与企业之间地理距离，根据(1)式～(4)式计算大客户地理邻近性指标，替代(5)式中的Ds1和Ds2进行Tobit回归分析，并分别按照大客户黏性、企业市场竞争水平、不确定性水平和融资约束程度进行分样本检验。回归结果与正文检验结果一致，表明原回归结果稳健。

4.5.2 模型敏感性

使用OLS最小二乘法代替Tobit回归，重新用(5)式进行检验，控制变量与主检验一致，并按照不确定性水平和融资约束程度分别进行分样本回归。回归结果与前文检验结果一致，表明原回归结果稳健。

4.5.3 内生性检验

可能存在某些未能观测到的因素对大客户地理距离和企业技术创新同时产生影响，即可能存在内生性问题。参考罗进辉等[11]和GHOUL et al.[15]的做法，使用上市企业与大客户地理距离的年度行业均值(Div)作为工具变量，进行两阶段Tobit回归检验，结果见表11。表11中，(1)列和(2)列为Div与原解释变量Ds1和Ds2的回归结果，Div的回归系数均在1%水平上显著为正，能够较好地解释内生变量Ds1和Ds2；(3)列和(4)列为控制内生性问题后，Ds1和Ds2与Rds的回归结果，Ds1和Ds2的回归系数依然保持在5%水平上显著为正，说明在控制内生性问题之后，大客户地理邻近性对企业技术创新的抑制作用依旧存在，原回归结果稳健。

表11 稳健性检验结果-内生性检验Table 11 Robust Test Results-Endogenous Test

4.6 进一步分析：高铁开通的影响

前文指出大客户对于企业运营、管理和财务等私有信息的掌握是其强化优势谈判地位、进行资源掠夺的基础，而地理距离则是影响大客户获取企业私有信息的重要因素，当地理距离过远时大客户获取企业私有信息的成本将大为提高，同时在私有信息传递过程中失真和遗漏的可能性也将大幅上升。尽管从自然地理的角度看，大客户与企业之间的地理距离是固定不变的，但交通运输技术的进步能够大幅缩短两地之间的出行时间，为两地之间的人员往来和信息流动提供便利，即起到时空压缩的作用。稳健性检验中替换大客户地理邻近性指标更多是用于观察不同陆路通行时间下技术创新的截面差异，在进一步分析中引入高铁开通这一外部冲击事件，有助于缓解由于遗漏变量带来的内生性偏误，间接验证检验结果的有效性。近年来，中国高铁建设事业蓬勃发展，大幅缩短区域间的出行时间和成本，提升了区域间的信息可达性[48]。因此，本研究推测高铁路线的开通能够进一步提升大客户对于企业私有信息的掌握程度，使其拥有更强的资源掠夺能力。

参考SERFLING[49]的方法，以高铁开通为准自然实验，设置模型，验证高铁开通对于大客户地理邻近性与企业技术创新关系的影响。具体模型为

Rdsi,t=μ0+μ1Bei,t+μ2Opi,t+μ3Af1i,t+μ4Af2i,t+

μ5Levi,t+μ6Roai,t+μ7Tbqi,t+μ8Groi,t+

μ9Assi,t+μ10Agei,t+μ11Cari,t+μ12Tai,t+

(6)

本研究对原样本进行如下处理：①剔除大客户企业发生变化的样本，仅保留样本期间内大客户企业不变的样本；②剔除经营不满3年的企业样本；③手工收集大客户与企业所处城市开通高铁路线的数据。在收集开通高铁路线时补充2008年和2016年的相关企业样本，最终得到482个企业年度观测值。

(6)式的Tobit回归结果见表12。由表12的结果可知，Be的回归系数为负，但并不具有统计学意义上的显著性，而Op、Af1和Af2的回归系数均显著为负，表明高铁开通后，大客户对于企业技术创新的抑制作用显著提升。这也从侧面为大客户地理邻近性强化大客户相对企业的私有信息优势并进行资源掠夺提供了证据。

表12 进一步检验结果：高铁开通的影响Table 12 Further Test Results：Effect of High-speed Railway Opening

5 结论

本研究结合地理经济学理论，选取2009年至2015年中国A股上市企业为研究对象，实证检验大客户地理邻近性对于企业技术创新的影响。研究结果表明，大客户地理邻近性抑制技术创新投入，即企业与大客户之间的地理距离越近，其技术创新投入水平越低；相对于非黏性大客户，黏性大客户的地理邻近性对企业技术创新的抑制作用更强；相对于市场竞争水平较低的行业，当企业所处行业的市场竞争水平较高时，大客户地理邻近性对企业技术创新的抑制作用更强。进行机制检验后发现，大客户地理邻近性对企业技术创新的抑制作用在企业面临的不确定性水平和融资约束程度较低时更为显著，表明大客户地理邻近性强化大客户的谈判地位和议价能力，掠夺企业的创新收益和可用于创新的资源，最终通过提升创新活动的不确定性、加剧企业融资约束抑制企业技术创新。进一步研究还发现，大客户与企业之间开通高铁后，企业技术创新水平的下降更为明显，表明高铁开通压缩大客户与企业之间的时空距离，进而抑制企业技术创新活动。

本研究的结果主要有3个方面的理论价值。①拓展了客户特征的研究范围。已有客户特征相关研究大多基于客户数目[1]、大客户销售收入占企业总收入的比例[2-3]、大客户销售收入与客户总成本之比[4]等静态视角，本研究引入地理经济学理论，讨论大客户与企业之间地理距离对企业经营决策的影响，为客户特征相关研究提供全新视角。②丰富了企业技术创新影响因素的相关研究。已有研究关注制度环境[50-51]、公司治理[45]和管理者特征[52-53]等对企业技术创新的影响，关于大客户影响企业技术创新的研究十分有限，且议题大多集中在客户集中程度对企业创新的影响[2-3,23]。本研究结果表明，与企业之间的地理距离是大客户获取谈判优势、掠夺创新收益和资源的重要因素，对企业创新决策的相关研究做出有益补充。③深化了大客户对企业决策影响机制的研究。已有研究发现，大客户通过供应链整合[54]、加剧融资约束[3,23]、提升经营风险[36,43]等影响企业决策，但忽视了上述影响的实现基础，即大客户相对企业的谈判优势。本研究借助地理距离这一新颖方式描绘大客户谈判优势的强弱，并分别从外部需求特征和同业竞争环境方面入手，比较不同的大客户黏性和企业市场竞争水平下大客户谈判优势的差异。在此基础上，本研究分别从不确定性和融资约束出发检验大客户地理邻近性抑制企业技术创新的具体作用方式，对大客户影响企业决策内在机制的相关研究进行补充验证[3,23,43]。此外，本研究还利用大客户与企业之间高铁开通这一准自然实验，验证地理距离是大客户获取相对企业谈判优势并抑制企业技术创新的重要因素。上述检验为大客户影响企业决策的内在机理提供了更为深入的解释。

本研究的结果主要有3个方面的实践价值。①有助于投资者深入了解中国等新兴市场国家大客户与企业技术创新之间的关系。大客户在企业技术创新过程中起到掠夺作用，即抑制企业技术创新。2016年底，乐视网发生债务危机，大量供应商的货款遭到拖欠，致使生产经营活动难以为继，甚至引发破产。乐视事件是当下中国企业供应链关系的缩影，表明大客户与企业之间并未形成相互协作、长远发展的良性生态。②有助于企业管理者判断大客户对于企业技术创新可能的影响，有助于其合理选择大客户，制定差异化的运营销售计划和谈判策略，维护自身利益。③有助于决策制定者识别供应链中企业技术创新的潜在困境，并通过规范市场竞争和完善金融体系为企业技术创新提供帮助。

本研究仍然存在一定局限性。①由于大客户与企业之间交互方式的不可得性，本研究仅使用大客户与企业总部之间的地理距离测量两者之间信息和业务交互的情况。部分企业可能会通过设立办事处、派遣驻客户代表等方式加强与大客户之间的交流沟通，实际上降低了企业与大客户之间的信息不对称程度，并可能对研究结果的稳健性产生影响。②由于大客户个体信息可得性较差，现行公开网络只能查询到大客户当前的地理位置信息，难以比对大客户的历史地理位置信息。部分大客户搬迁等导致的地理位置变动难以反映到当前研究样本中，并可能对研究结果的稳健性产生影响。后续研究可以从数据可得性着手，对该领域相关研究进行补充和丰富。