流量主导下的质量衰减
泛娱乐行业收入影响因素实证研究
基于2019—2023年中国A股泛娱乐行业上市公司数据，比较营销支出与研发投入对营业收入的影响，并讨论企业规模带来的研发转化门槛。
——泛娱乐行业收入影响因素实证研究
Abstract：在泛娱乐产业由“增量扩张”转向“存量竞争”的背景下，企业在营销驱动与内容创新之间面临更加现实的资源配置约束。基于2019—2023年中国A股泛娱乐行业上市公司数据，本文构建双向固定效应模型，并引入调节效应与分组回归方法，系统考察营销支出与研发投入对企业营业收入的影响差异。
研究结果表明：第一，销售费用对企业当期营收具有显著且稳健的正向影响，表明在当前竞争格局下，渠道推广仍是泛娱乐企业获取收入的主要手段，但其效果呈现出明显的短期性特征；第二，在全样本范围内，研发投入对当期营收的影响并不显著，但企业规模在其中发挥了重要的调节作用，只有具备一定规模优势的企业，研发投入才能有效转化为收入增长；第三，异质性分析进一步发现，中小企业高度依赖营销投入维持经营，而大型企业则更多依靠规模效应与产业整合能力实现收入扩张。
本文的研究结论表明，泛娱乐行业中“重营销、轻研发”的现象并非完全源于企业短视，而是在资源约束条件下形成的结构性选择。研究结果为不同规模企业制定差异化发展策略提供了经验证据。
Key words：泛娱乐行业；流量经济；研发投入；规模门槛；质量衰减
引言
随着互联网基础设施的完善以及移动终端的普及，泛娱乐产业在过去十余年中实现了快速扩张，逐步形成涵盖影视、游戏、短视频及相关衍生内容的综合性产业形态。与早期依赖用户规模扩张不同，当前行业增长更多体现为存量市场中的竞争加剧，企业获取用户注意力和实现内容变现的成本显著上升。在这一背景下，泛娱乐企业的经营重心开始从“规模扩张”转向“效率与结构选择”，即在有限资源约束下，如何在营销投入与内容研发之间进行权衡，成为影响企业收入表现的重要现实问题。
因此，泛娱乐企业在传统的互联网企业特征之上，还表现出其独特的特点，例如互动性强（IP为核心的粉丝经济+内容共创）、多维度变现（虚拟礼物、虚拟付费等）、AI生成内容（AIGC短剧、虚拟直播）。这些新特点使得分析者不仅要基于传统的财务分析视角对这类企业进行探究，也需要从全新的视角分析影响该类企业收入的影响因素。目前已有较多国内外学者采用计量经济学的视角对部分互联网企业进行绩效实证研究，但是由于不同学者选择的研究对象、研究方法和研究视角存在差异，因此学术界对这一研究并未达成统一。且相关研究普遍集中于主板和创业板的上市互联网企业，而作为市场新生力量的中小型娱乐企业在该领域的研究成果较为匮乏。鉴于此，本研究进一步探讨了泛娱乐行业公司收入和绩效的重要影响因素，对增强企业创新能力和提高企业绩效等相关领域的学术研究和实践均具有重要意义。
- 绪论
1.1研究背景与意义
近年来，中国游戏与短剧行业面临流量获取成本持续攀升的挑战，主要源于用户增长放缓、竞争加剧及隐私政策影响，导致“买量”（用户获取，UA）模式内卷化。销售费用率（销售费用占营收比重）成为衡量这一压力的关键指标。A股上市游戏公司平均销售费用率呈现稳步上升趋势。根据中信建投证券数据，2021-2022年约为27%，2023年升至29%，2024年部分公司占比超过30%（整体均值约23-29%）。2025年上半年，行业整体销售费用率进一步提升，部分头部企业（如三七互娱前三季度销售费用占比57.75%，世纪华通34.85%）反映出买量竞争白热化。
为应对内卷与低质内容泛滥，国家政策通过版号管理、未成年人保护及专项扶持，倒逼行业向精品化、原创化转型。2024年全年国产版号1306款（同比增长33%），总版号1416款（同比增长32%）。2025年上半年累计国产版号约1050款、进口69款，月均135款（同比增长12%），单月高峰达166款（8月）。这一供给端改善为新品上线提供稳定预期，推动现象级精品（如《黑神话：悟空》）爆发。
在这一市场销售费率激增和政策倒逼转型的双重压力下，泛娱乐企业不得不慎重考虑自己的发展之路，这同时也是本研究探究的主要问题：在有限资金的限制下，泛娱乐公司是继续扩大对销售费用的投入，用宣发和广告占领客户高地，还是选择深耕制作内容的质量与深度，用优质的内容创造丰厚收益？
1.2研究内容与方法
本研究遵循“提出问题——理论分析——实证检验——得出结论”的逻辑，以中国泛娱乐行业上市公司为研究对象，深入探讨研发投入与营销支出对企业营收的异质性影响及其作用机制。使用CSMAR中国经济金融研究数据库获取数据，并应用StataMP软件进行模型构建和回归分析，并且引入交互项机制进行异质性分析与稳健性检验，最终得出研究结果，保证其可靠性。
本文采用定量分析方法，数据来源于国泰安 (CSMAR) 数据库。使用 Stata 统计软件对样本数据进行处理。具体方法包括：
（1）双向固定效应模型 (Two-way Fixed Effects Model)： 控制个体效应与年份效应，以消除不随时间变化的企业个体差异及宏观经济波动对结果的干扰。
（2）调节效应模型 (Moderating Effect Model)： 引入“研发投入 × 企业规模”的交互项，检验企业规模是否在研发投入与营收增长之间起到了调节作用。
（3）异质性分组回归： 对不同规模的企业进行分组检验，剖析资源配置效率的结构性差异。
本文并没有孤立地研究某一种支出，而是将“营销支出”与“研发投入”置于同一实证框架下进行对比分析。通过比较二者回归系数的大小与显著性，直观地揭示出当前泛娱乐行业在短期营收增长动力上的偏好与依赖。
1.3创新点
视角创新：本研究将营销支出与研发投入置于同一理论框架下探讨，并且通过交互项机制分析两者在影响总收入之间是否存在内在关联。
机制创新：本研究引入“企业规模”作为调节变量，从而揭示了研发回报的非线性特征。
- 理论分析与研究假设
2.1营销投入的即时效应
泛娱乐产品（如游戏、短剧等）属于体验型产品，主要依靠给消费者和观众提供即时的正反馈来吸引顾客和获取利润，因此对曝光渠道和客户群体规模具有高度的依赖性。而营销这一方式通过广告投放、名人宣传和内容展示，能够迅速解决顾客与产品之间存在的信息不对称现象，让顾客了解产品的大致内容从而促使消费。据此我们可以提出假设：
H1:销售费用（营销投入）对泛娱乐企业营业收入具有显著的正向影响。
2.2研发投入的不确定性和滞后性
与营销投入相比，研发活动在泛娱乐企业中往往表现出更强的不确定性和更明显的时间滞后特征。一方面，研发投入通常需要较长的资金与人力持续投入，其成果从立项、测试到最终商业化往往跨越多个经营周期，短期内难以直接转化为可观的营业收入；另一方面，研发成果本身具有较高的不确定性，即使投入规模相同，不同项目之间的市场反应也可能存在显著差异。
从行业特征来看，泛娱乐产品更多依赖内容创意、用户偏好与市场时点的匹配，而非单纯的技术领先优势。当前行业内底层技术路径和生产工具趋于同质化，高质量内容的成功在很大程度上具有不可复制性，使得研发投入的边际回报难以稳定预测。此外，在激烈的市场竞争环境下，研发成果一旦未能及时实现商业转化，其成本压力可能在短期内反而对企业财务表现形成约束。
基于上述分析，本文认为，在未引入其他约束条件的情况下，研发投入对泛娱乐企业当期营业收入的促进作用可能并不显著。据此提出假设 H2：在不考虑调节变量的前提下，研发投入对当期营收的影响不显著。
2.3企业规模的调节效应
上述假设H2的前提在于不考虑调节变量即企业规模的情况下，然而现实中该假设是需要修正的，因为泛娱乐行业本身就是一个中心化程度很高的行业，少数大规模的公司掌握着大部分份额的市场和客户（如字节跳动旗下的抖音集团、腾讯网易集团下的游戏子公司），他们依托于母公司的规模和资金发展，从而具备较高的研发创新能力和较强的竞争力，同时较大的规模和资金也显著增强了企业研发的抗风险能力，允许企业进行长期高风险的研发投入。总而言之，大型企业拥有成熟的商业化渠道和抗风险能力，能放大研发成果的价值（1+1>2），即“调节效应”。据此本研究提出如下假设：
H3：企业规模正向调节研发投入的营收贡献率（即规模越大，研发的正向影响越强）。
- 研究设计
3.1样本选择与数据来源
本文的数据源为中国经济金融研究数据库（CSMAR）数据库，样本企业选自我国A股上市企业、部分科创板上市企业和新三板上市企业。为确保研究结果的准确性并减少样本偏差，在样本筛选时删除了ST股、PT股以及金融类上市企业以降低极端值对研究结果的潜在影响；去除了在样本期内数据不全的企业，以及在ROA、ROE等关键财务指标上出现异常波动的企业。经过筛选，最终确定了464家上市公司的1950个年度观测样本。（证监会2012版行业分类：I64 (互联网)、I65 (软件)、R86 (影视录音)）。
3.2变量定义
变量名称 | 代表含义 | 缩写符号 |
|---|---|---|
被解释变量 | 营业收入 | Ln_Revenue |
核心解释变量 | 销售费用、研发费用 | Ln_Sell、Ln_RD |
调节变量 | 资产规模 | Ln_Asset |
控制变量 | 资产负债率、资产收益率、第一大股东持股比例、高管薪酬 | Lev、ROA、Top1_Ratio、Ln_Pay |
3.3模型构建
- 基准 OLS 回归模型 (Model 1) 首先，本文构建包含年份固定效应的混合最小二乘法 (Pooled OLS) 模型作为实证分析的基准，以初步检验核心解释变量对企业营收的影响：
- 双向固定效应模型 (Model 2) 考虑到不同企业之间存在难以观测的个体异质性（如企业文化、管理风格），且这些特征不随时间变化，简单的 OLS 模型可能存在遗漏变量偏差。因此，本文构建双向固定效应模型 (Two-way FE) 作为主回归模型：
- 调节效应模型 (Model 3) 为了验证“规模门槛”假设，探究企业规模是否调节了研发投入的产出效率，本文在模型 (2) 的基础上引入研发投入与资产规模的交互项 (Ln_RD×Ln_Asset)：
其中：
i 代表企业，t 代表年份；
μi表示企业个体固定效应，γt (或 Yeart) 表示年份固定效应；
εit为随机扰动项；
Controlsit为前文定义的一系列控制变量。
- 实证结果分析
4.1描述性统计
（表1 描述性统计）
Variable | N | Mean | SD | Min | p50 | Max |
|---|---|---|---|---|---|---|
ln rev | 2229 | 6.934 | 1.239 | 3.758 | 6.850 | 9.652 |
ln sell | 2229 | 4.353 | 1.431 | 0.990 | 4.321 | 7.615 |
ln rd | 2229 | 4.481 | 1.428 | 0.790 | 4.396 | 7.478 |
ln asset | 2229 | 7.786 | 1.105 | 5.194 | 7.774 | 10.26 |
lev | 2229 | 0.355 | 0.217 | 0.0450 | 0.321 | 1.285 |
roa | 2229 | 0.0100 | 0.146 | -0.750 | 0.0400 | 0.258 |
top1 ratio | 2154 | 0.274 | 0.144 | 0.0400 | 0.243 | 0.804 |
ln pay | 1950 | 1.352 | 0.436 | 0.0880 | 1.308 | 3.398 |
表 1 中报告了主要变量的描述性统计结果以及散点图。全样本共包含 1,950 个年度观测值，样本容量充足，具有较好的代表性。被解释变量方面企业营业收入的对数（ln_rev）均值为 6.934，中位数为 6.850，标准差为 1.239。这表明样本企业的营收规模呈现正态分布特征，平均营收规模约为 10 亿元（e**6.934），但最大值（9.652）与最小值（3.758）之间存在近 6 个对数级的差距，说明该行业内部存在较大的分化现象，头部企业与小型企业在营收规模方面存在巨大差异。
在核心解释变量方面，研发投入： 研发支出的对数（ln_rd）均值为 4.481，中位数为 4.396。营销支出： 销售费用的对数（ln_sell）均值为 4.353，中位数为 4.321。从投入规模来看，泛娱乐企业的研发投入均值略高于营销支出。这说明在“精品化”战略的驱动下，企业在资源配置上并非一味地侧重于营销，而是保持了相当高的研发强度。然而，结合标准差来看（两者均约在1.43附近），不同企业在研发与销售的投入选择上存在较大异质性，具有明显的策略分歧。
控制变量方面，偿债能力（lev）中 资产负债率均值为 0.355，表明行业整体财务杠杆适中，平均负债水平约为 35.5%。但最大值达到 1.285，意味着样本中存在少量“资不抵债”的高风险企业（Lev > 1），体现了行业的高风险特征。盈利能力（roa）方面， 资产收益率均值仅为 0.010（1%），且中位数为 0.040，最小值低至 -0.750。这反映出泛娱乐行业竞争极其惨烈，尾部企业面临严重的亏损压力，行业整体处于“微利”甚至“洗牌”阶段。将视角转到企业管理方向，股权结构（top1_ratio）表明第一大股东持股比例均值为 0.274，股权集中度较高，“一股独大”现象较为普遍。而前三名高管薪酬总额的对数均值为 1.352（约 386 万元），薪酬激励水平在不同企业间存在显著差异（Min=0.088, Max=3.398）。
4.2相关性分析
（表2）
ln rev | ln sell | ln rd | ln asset | lev | roa | top1 ratio | ln pay | |
|---|---|---|---|---|---|---|---|---|
ln rev | 1 | |||||||
ln sell | 0.7478* | 1 | ||||||
0 | ||||||||
ln rd | 0.4500* | 0.4709* | 1 | |||||
0 | 0 | |||||||
ln asset | 0.8466* | 0.7009* | 0.4884* | 1 | ||||
0 | 0 | 0 | ||||||
lev | 0.1497* | 0.0563* | 0.0847* | 0.1141* | 1 | |||
0 | 0.00780 | 0.000100 | 0 | |||||
roa | 0.0927* | 0.0522* | -0.0153 | -0.0372 | -0.3541* | 1 | ||
0 | 0.0137 | 0.469 | 0.0794 | 0 | ||||
top1 ratio | 0.1176* | 0.0480* | -0.1232* | 0.0896* | -0.0535* | 0.1984* | 1 | |
0 | 0.0259 | 0 | 0 | 0.0130 | 0 | |||
ln pay | 0.4010* | 0.4473* | 0.4268* | 0.4026* | -0.0975* | 0.1341* | -0.0794* | 1 |
0 | 0 | 0 | 0 | 0 | 0 | 0.000500 |
表2报告了主要变量的 Pearson 相关系数矩阵。从表中数据可以看出：
首先，被解释变量营业收入 (ln_rev) 与核心解释变量销售费用 (ln_sell) 的相关系数为 0.748，且在 1% 水平上显著，二者呈现出极强的正相关关系，这初步支持了本文关于“营销投入驱动营收增长”的研究假设。同时，研发投入 (ln_rd) 与营业收入的相关系数为 0.450，亦呈显著正相关，但相关程度弱于销售费用。
其次，针对可能存在的多重共线性问题，本文对解释变量之间的相关系数进行了检验。结果显示，除了资产规模 (ln_asset) 与销售费用之间因为业务逻辑关联而存在较高的相关性 (0.701) 外，其他主要解释变量及控制变量之间的相关系数均低于 0.5。说明各个变量之间的关联性基本较弱，不会相互影响导致结论出现偏误，通常认为，当自变量间的相关系数低于 0.8 时，模型不存在严重的多重共线性问题。鉴于本文已采用大样本数据并使用了双向固定效应模型，这一相关性水平处于可接受范围内，不会对回归结果的稳健性产生实质性影响。总的来说，控制变量在回归模型中的结果基本符合预期。
4.3基准回归结果
（表3回归分析）
OLS | FE | Interaction | |
|---|---|---|---|
b/se | b/se | b/se | |
ln_sell | 0.185*** | 0.225*** | 0.230*** |
0.015 | 0.085 | 0.037 | |
ln_rd | 0.015 | 0.021 | -0.197* |
0.017 | 0.041 | 0.108 | |
ln_asset | 0.723*** | 0.460*** | 0.196*** |
0.02 | 0.068 | 0.06 | |
lev | 1.029*** | 0.408** | 0.649*** |
0.086 | 0.195 | 0.111 | |
roa | 1.337*** | 0.603*** | 0.671*** |
0.139 | 0.112 | 0.101 | |
top1_ratio | -0.096 | 0.022 | -0.207 |
0.095 | 0.355 | 0.253 | |
ln_pay | 0.092*** | 0.123*** | 0.099*** |
0.032 | 0.042 | 0.035 | |
2019.year | 0 | 0 | 0 |
. | . | . | |
2020.year | 0.014 | 0.015 | -0.005 |
0.042 | 0.018 | 0.016 | |
2021.year | -0.063 | -0.041 | -0.051** |
0.04 | 0.029 | 0.021 | |
2022.year | -0.044 | -0.009 | -0.051* |
0.038 | 0.034 | 0.026 | |
2023.year | -0.095** | -0.072* | -0.115*** |
0.039 | 0.041 | 0.031 | |
rd_size | 0.048*** | ||
0.012 | |||
_cons | 0.017 | 1.995*** | 3.342*** |
0.107 | 0.289 | 0.484 | |
N | 1950 | 1950 | 1883 |
R-sq | 0.783 | 0.441 | 0.56 |
adj. R-sq | 0.782 | 0.438 | 0.557 |
F | 696.326 | 55.126 | 79.045 |
表（3）展现了基准回归模型的结果，其中列2展示了双向固定效应模型FE的回归系数，为该部分分析奠定了基础。
从模型整体拟合情况来看，Model 2 的组内拟合优度（Within R2）为 0.441，F 检验统计值为 55.13，这表明在控制了个体和年份效应后，模型能够解释泛娱乐企业营收变动约 44.1% 的方差，模型整体设定有效。
在核心解释变量方面，回归结果显示，销售费用（ln_sell）的系数为0.225，在1%水平上显著（b=0.225∗∗∗,t=2.64），这意味着在其他条件不变的情况下，泛娱乐企业的销售费用每增加1%，其当期营业收入平均增长约 0.225%。这一结论有力支持了本文的假设H1，因为它证明了泛娱乐行业对于“买量”这一因素的高度依赖，无论是在游戏还是影视行业，往往是在前期宣发阶段投入资金更多的公司能获得更多的用户流量和营收回报，说明营销投入对收入具有显著的即时正向效应。
而在研发投入方面，研发投入（ln_rd）的系数为 0.021，未通过显著性检验（t=0.51）。这说明从样本总体来看，研发投入的增加没有显著带动泛娱乐业公司收入的增长。这一结果验证了 假设 H2。但这并不意味着研发无效，而是反映了泛娱乐行业创新的特殊性：高质量内容（如大型3A游戏、优秀剧集）的研发和创作周期长、风险高，当期的投入往往无法在同年确认为收入，存在明显的时间滞后性 (Time-lag Effect)。这也为后文引入企业规模作为调节变量（分析大厂是否更能利用研发）埋下了伏笔。
关于各个控制变量的分析，也得到了如下的数据结果：
（1）企业规模 (ln_asset)系数为 0.460，在1%水平上显著。说明规模效应是行业营收的重要影响因子，大体量企业凭借资源整合能力，表现出显著的“马太效应”。
（2）财务杠杆 (lev) 系数为 0.408，在5%水平上显著。表明适度利用债务融资（杠杆率）有助于企业扩张业务规模，获得更高营收。
（3）盈利能力 (roa)系数为 0.603，在1%水平上显著。说明资产回报率越高的企业，其经营效率越高，营收增长动力越强。
（4）高管薪酬 (ln_pay)系数为 0.123，在1%水平上显著。这符合“激励相容”原则，表明有竞争力的薪酬体系能有效激发管理层提升业绩的动力，进而改善公司的经营效率和水平。
（5）股权集中度 (top1_ratio)系数为0.022，统计上不显著，说明第一大股东持股比例对营收的直接影响不明确或影响较为微小。
值得关注的一点是：尽管研发投入（ln_rd）的均值约为4.48，营销投入（ln_sell）的均值约为4.35，从数值上比较来看，研发投入的数值更大，但是模型检验结果表明研发投入对收入整体的影响是不显著的，而营销投入的影响却是显著的。这一“冲突点”实际上反映了中小型企业“无效内卷”的事实——盲目跟随大型企业将大量资金投入到研发中，但是却因为缺乏资金、人才和技术等难题而收效甚微。这也从侧面印证了只有具有技术和资金的大公司才具备较为成熟的能力进行产品研发，这也就是所谓的“规模门槛”现象，这一现象将在下文的“调节效应”模型（Model 3）中得到论证。
4.4调节效应分析
为了进一步探究企业规模是否是影响研发产出效率的关键边界条件，本文在基准模型的基础上引入了“研发投入”与“企业规模”的交互项（rd_size），构建了调节效应模型（Model 3），以上是回归结果直线图。表 3 第 (3) 列报告了详细的回归结果：
1. 交互项显著性分析
回归结果显示，交互项 rd_size (Ln_RD×Ln_Asset) 的系数为 0.048，且在1% 的水平上显著（b=0.048∗∗∗,t=3.88）。这表明企业规模（Ln_Asset）对研发投入与营业收入之间的关系具有显著的正向调节作用。即随着企业资产规模的扩大，研发投入对营收的边际贡献率（Slope）会显著提升。这意味着中小型企业因为受到其资产规模的束缚，研发投入对营收的边际贡献率会停留在一个固定的上限值，只有扩大企业的资产规模，研发投入才能对收入带来显著的贡献，因此中小型企业的首要任务仍然是将中心放在营销或者宣传端，等到积累足够的资金后扩大自身规模，此时再加大研发投入才能带来明显且有效的收益。否则盲目进行研发投入只能获得无效率的收益，缺少与大型企业的竞争力。这一结果有力地支持了本文的 假设 H3，证明了在泛娱乐行业，创新活动存在显著的“规模门槛”效应。
2. 边际效应与“门槛”分析 (Deep Dive)
值得注意的是，在引入交互项后，研发投入的主效应项（Ln_RD）系数由正转负，变为 -0.197，且在 10% 水平上边缘显著。这意味着研发投入对营收的总边际效应可以表示为：
这揭示了一个残酷的行业现实：对于小微企业而言，当企业规模较小（Ln_Asset 较小）时，研发的高昂成本和试错风险可能超过其带来的潜在收益，导致研发活动在短期内甚至可能拖累财务表现（表现为负向影响）。对于大型企业而言，只有当企业规模足够大的时候，使得 0.048×Ln_Asset 的正向增益足以抵消 −0.197 的基础成本时，研发投入才能真正转化为正向的营收增长。
这一发现符合资源基础理论（Resource-Based View）和熊彼特创新假说（Schumpeterian Hypothesis）。在泛娱乐行业，“大厂”相较于中小工作室拥有显著的创新变现优势，表现如下：
- 渠道霸权： 腾讯、网易等巨头公司拥有微信、App Store 等强势分发渠道，能将研发出的游戏或内容迅速推送到亿级用户面前，放大研发成果的商业价值，他们的Ln_Asset×0.048高出0.197的基础成本太多，甚至基础成本可以忽略不计。这也就是为什么人们很容易关注到这类公司推出了哪些新产品和功能，因为他们只要研发创新就能带来巨额收益，足够覆盖研发的成本。
- 抗风险能力： 大企业拥有多元化的产品矩阵（Portfolio），单一研发项目的失败（如某款游戏没能成功打入市场）不会动摇根基，这种容错率鼓励了持续的高强度研发。
- 产业链整合： 大企业能实现“IP 全产业链开发”（如将小说改编为动漫、游戏、影视），这种“一鱼多吃”的模式极大提升了单位研发投入的产出效率，导致一个方面的研发能够取得百花齐放的成果，这背后离不开大企业完整的产业链和“品牌效应”，能够利用他们的声誉为产品托底，引导顾客进行一系列同IP的连环消费。
这种‘小企业卷流量、大企业拼积淀’的分化格局，暗示了行业正处于从野蛮生长向寡头垄断过渡的阶段。
4.4异质性分析
（表4）
Small_Firms | Big_Firms | |
|---|---|---|
b/se | b/se | |
ln_sell | 0.305*** | 0.13 |
0.065 | 0.106 | |
ln_rd | 0.008 | 0.003 |
0.049 | 0.05 | |
ln_asset | 0.261*** | 0.792*** |
0.086 | 0.123 | |
lev | 0.209 | 0.263 |
0.337 | 0.19 | |
roa | 0.567*** | 0.289* |
0.156 | 0.158 | |
top1_ratio | 0.653 | -0.491 |
0.671 | 0.349 | |
ln_pay | 0.126* | 0.068 |
0.072 | 0.051 | |
2019.year | 0 | 0 |
. | . | |
2020.year | 0.066** | -0.004 |
0.029 | 0.023 | |
2021.year | 0.048 | -0.096*** |
0.043 | 0.037 | |
2022.year | 0.086 | -0.068* |
0.053 | 0.037 | |
2023.year | 0.015 | -0.117** |
0.06 | 0.047 | |
_cons | 2.770*** | 0.219 |
0.44 | 0.626 | |
N | 991 | 959 |
R-sq | 0.34 | 0.423 |
adj. R-sq | 0.332 | 0.417 |
F | 15.693 | 28.851 |
为了进一步考察不同体量企业在资源配置策略上的差异，本文以资产规模中位数为界，将全样本划分为小规模企业组 (Small Firms) 和 大规模企业组 (Big Firms) 进行分组回归。表 4 报告了异质性检验的详细结果。
观察“小规模企业组”的回归结果可以发现：销售费用 (ln_sell)系数高达 0.305，且在 1% 的水平上极其显著 (b=0.305∗∗∗,se=0.065)。这一系数远高于全样本的平均水平 (0.225)。而研发投入 (ln_rd)： 系数仅为 0.008，且完全不显著 (se=0.049)。
深度解读： 这揭示了中小泛娱乐企业的生存困境——“无流量，无生存”。对于处于成长期的中小企业而言，品牌知名度弱、用户基数小，必须依赖高强度的营销投入来获取流量。营销是其营收增长的“生命线”，对营收的拉动效应呈现出高敏感性。相比之下，研发活动虽然重要，但由于缺乏规模效应和抗风险能力，其对当期营收的贡献微乎其微。所以对于中小型泛娱乐企业来说，首要任务是扩大知名度，增加曝光度来吸引流量和稳定的用户群体。
观察“大规模企业组”的回归结果，情况发生了有趣的逆转：销售费用 (ln_sell)的系数下降至 0.130，且不再显著 (t≈1.22)。而企业规模 (ln_asset)系数飙升至 0.792，且在 1% 水平上显著 (b=0.792∗∗∗).
深度解读：
营销边际效应递减： 对于头部企业而言，单纯靠砸钱买量的边际收益急剧下降。这可能是因为大厂已经拥有了稳定的存量用户池（如私域流量），不再像小厂那样依赖粗放式的广告投放。
规模即利润空间：ln_asset 的超高系数说明，对于大厂来说，体量本身就是最大的赚钱工具。它们依靠产业链整合、IP储备和平台优势，实现了资源的自然变现，而非单纯依赖当期的营销支出。
关于研发 (ln_rd)：系数为 0.003（不显著）。这看似与 Model 3 的结论矛盾，实则反映了分组回归的局限性（样本量减半导致统计效力下降）。结合 Model 3 的交互项显著性 (rd_size) 来看，大厂的研发优势更多体现为“调节效应”（即规模放大了研发效果），两者之间并非简单的线性关系。
总而言之，异质性分析揭示了一个大公司与小公司之间存在的战略分野：中小型泛娱乐化企业处于“流量经营”阶段，需要通过大规模的营销投入来积累知名度和客户，这个阶段研发投入对于这些公司而言不是主要任务，带来的收益明显不如营销。而大型企业处于“存量扩张”时期，需要通过自身的研发创新来实现产品的迭代，利用自身的“规模效应”迅速实现产品的价值变现，因为该阶段的营销投入边际贡献率已经极为有限，营收增长更多依赖于资产规模带来的平台效应和资源整合能力。这一发现进一步支持了本文的假设H3，即泛娱乐行业的资源配置策略具有显著的规模异质性。
4.5稳健性检验
（表5）
Lagged_Model | |
|---|---|
b/se | |
L.ln_sell | 0.057 |
0.061 | |
L.ln_rd | 0.079 |
0.055 | |
ln_asset | 0.608*** |
0.077 | |
lev | 0.197 |
0.205 | |
roa | 0.519*** |
0.144 | |
top1_ratio | 0.283 |
0.419 | |
ln_pay | 0.091 |
0.055 | |
2020.year | 0 |
. | |
2021.year | -0.071*** |
0.02 | |
2022.year | -0.016 |
0.03 | |
2023.year | -0.082** |
0.035 | |
_cons | 1.375*** |
0.522 | |
N | 1509 |
R-sq | 0.33 |
adj. R-sq | 0.326 |
F | 22.457 |
为了缓解潜在的内生性问题，特别是营收与投入之间的互为因果关系（即高营收企业可能有更多预算进行营销和研发），本文采用解释变量滞后一期的方法进行稳健性检验。将核心解释变量销售费用 (ln_sell) 和研发投入 (ln_rd) 滞后一期（即 t−1 期）纳入回归模型，以检验前期投入对当期营收（t期）的持续性影响（如表5）。
回归结果显示，滞后一期的销售费用 (L.ln_sell) 系数为 0.057，且未通过显著性检验（相比之下，当期系数高达 0.225***），滞后一期的研发投入 (L.ln_rd) 系数为 0.079，同样未通过显著性检验。两者都不具有显著性。
这一结果极具启发性，它表明泛娱乐企业的营销投入具有极强的“即时性”和“易逝性”。企业确实能够通过买量推广能迅速拉升当期业绩（立竿见影），但这种流量红利难以沉淀为长期的品牌资产。一旦停止营销投放，营收增长动力立刻衰减。这从侧面佐证了行业内普遍存在的“流量焦虑”和“短视主义”倾向——企业必须持续不断地“烧钱”才能维持营收规模。而即使给予研发投入一年的滞后转化期，全样本下的研发回报依然不显著。这排除了“单纯因为时间滞后导致不显著”的可能性，反而进一步巩固了前文 Model 3 的结论：研发无效是结构性的，而非时间性的。 对于大多数缺乏规模优势（Scale）的泛娱乐企业而言，研发投入难以跨越盈亏平衡点，无论是在当期还是滞后期，都难以转化为显著的财务绩效，这对中小型企业来说是一道难以逾越的“天堑”。
值得注意的是，滞后模型中企业规模 (ln_asset) 的系数依然高达 0.608 且在 1% 水平上显著。这说明相比于营销和研发的波动，资产规模才是决定企业长期营收水平的最稳固因素。这也能通过实证中某些大型企业（如腾讯、网易）从较长时间尺度上来看收入持续居高不下得到印证，而中小型泛娱乐企业普遍存在着“短命”现象。
通过滞后变量回归，本文发现基准回归中的“营销显著、研发不显著”结论具有稳健性，并进一步揭示了营销效果的“短期性”特征。这表明泛娱乐企业主要依赖当期营销维持运转，尚未形成通过长期研发积累实现内生增长的良性循环。
- 研究对比与结论
为增强本文的科学性与说服力，我们还通过与该领域的其他相关研究进行对比研究，从而发现了几处本文研究结论与前者的异同：
- 李喜云,董芮嘉.传媒上市公司的薪酬激励、研发投入与企业绩效实证研究[J].一文中指出完整的高管薪酬激励体系对传媒公司是至关重要的，而本文中有关高管薪酬具有显著性影响的结论也支持该观点。
- 余黎明.研发支出和市场营销投入对企业成长影响的实证研究[D].中指出研发支出和市场营销投入两者都对企业销售增长具有直接的正向影响，相较于研发投入，市场营销投入的影响更明显。该结论与本文得出的营销投入对泛娱乐业公司具有显著正向影响相符，且影响大于研发投入。而由于公司样本选择的范围不同，该文章选取的样本为213家跨国公司，不限定行业，因此结论中的研发支出对营收直接具有显著性，与本文结论略有不同。
- 黄晓波,张丽云,黄硕.研发投入、营销费用与公司绩效[J].在文中指出，研发支出和营销费用都具有一定的滞后效应,应依据滞后效应时间的长短制定相应的会计政策;研发投入和营销费用具有一定的互补性。这一结论有力支持了本文中有关营销费用具有“即时性”和“易逝性”的特征，与本文具有相同的研究视角。
- 徐芊芊.创新投入、高管激励与企业绩效——基于科创板上市公司的实证分析[J].在研究中指出：企业的创新投入显著地提升了企业绩效；同时，高管薪酬激励在此过程中起到了正向的调节作用。说明研发投入对于公司的营收具有显著性影响，与本文加入交互项之后得到的结论相互印证，而且本文中有关高管薪酬的检验具有显著性，也支持了该文中的观点。
- 结论与建议
6.1研究结论
本文基于 2019-2023 年中国 A 股泛娱乐行业上市公司的经验数据，深入探讨了营销支出与研发投入在驱动企业营收增长上的不同角色。通过双向固定效应模型及调节效应检验，得出以下核心结论：
第一，泛娱乐行业在当前发展阶段呈现出明显的营销驱动特征。实证结果显示，销售费用对企业当期营业收入具有显著且稳健的正向影响，表明在用户增长放缓、竞争加剧的市场环境下，营销投入仍然是企业获取用户注意力和维持收入规模的主要手段。然而，进一步的稳健性检验发现，该效应主要集中于当期，对后续期间的持续拉动作用较为有限。这意味着营销投入更接近一种“维持性策略”，能够在短期内支撑企业经营表现，但难以转化为稳定的长期增长动力。
这一结果并不必然意味着企业存在过度短视行为，而更可能反映出泛娱乐行业在存量竞争格局下的现实约束。当内容同质化程度较高、用户注意力高度分散时，企业往往不得不通过持续的营销投入来维持市场可见度，从而形成对流量的路径依赖。这种依赖在短期内具有合理性，但也可能压缩企业在长期创新与能力积累上的资源空间。
第二，泛娱乐行业创新活动存在残酷的“规模门槛”。 全样本回归结果显示，研发投入对当期营收的影响并不显著，看似出现了“质量衰减”的假象。但调节效应分析揭示了背后的真相：研发并非无用，而是对企业的规模较为挑剔。企业规模显著放大了研发投入的产出效率，只有具备深厚资源积累和抗风险能力的头部企业，才能将研发投入转化为实实在在的财务绩效；而对于中小企业而言，盲目的重资产研发往往难以跨越盈亏平衡点，甚至可能成为财务负担。
第三，行业生态呈现“双轨制”分化。 异质性分析发现，中小企业被迫在流量浪潮中通过激进的营销策略求生存，而大型企业则开始享受“规模红利”，依靠产业链整合与平台效应实现内生增长。这种分化暗示了泛娱乐行业正处于从野蛮生长向头部集中过渡的洗牌期。这对行业未来的发展方向具有深刻的指导意义。
6.2 管理建议
1. 针对中小企业：坚持“活下去”的实用主义，警惕“创新陷阱” 。对于资金有限的中小企业（如独立游戏工作室、中小型影视公司），应避免盲目跟风进行高风险的底层技术研发。在生存阶段，应采取务实的“跟随策略”，将有限的资源集中于精准营销和渠道获客，确保现金流的健康。创新应更多聚焦于“微创新”或细分赛道的题材突破，而非重资产的军备竞赛，利用小快灵的优势在巨头的夹缝中寻找生存空间。
2. 针对头部企业：构筑“内容护城河”，摆脱路径依赖。 对于腾讯、网易等行业巨头，单纯依赖买量的边际收益已呈递减趋势。应利用自身的规模优势（调节效应），坚定不移地加大精品内容的研发投入。利用产业链整合能力，将单一的研发成果（如IP）进行多维度的商业化变现（影游联动、周边衍生等），从而构建起难以被竞争对手通过“砸钱”简单复制的内容壁垒，实现从“流量驱动”向“价值驱动”的战略转型。
3. 针对投资者与监管层：关注“含研量”与“营销比”的匹配度 。投资者在评估泛娱乐企业价值时，不应仅被短期的营收爆发所迷惑，需警惕高销售费用率掩盖下的实质增长乏力。对于高管薪酬与业绩挂钩明显的企业，应关注其是否存在为了短期绩效而牺牲长期研发投入的短视行为。监管层则应鼓励良性的版权保护机制，为原创内容的价值回归创造健康的制度环境。
6.3 研究不足与展望
受限于数据获取与研究视角，本文仍存在一定局限性：首先，本文主要基于财务指标进行分析，未纳入日活跃用户数（DAU）、用户留存率等非财务运营指标，未来研究可结合运营数据进行更立体的画像；其次，本文未细分游戏、影视、直播等子行业的具体差异，未来可针对特定细分赛道进行更精准的案例研究。
参考文献：
[1]李喜云,董芮嘉.传媒上市公司的薪酬激励、研发投入与企业绩效实证研究[J].齐齐哈尔大学学报(哲学社会科学版),2022,(09):95-99.DOI:10.13971/j.cnki.cn23-1435/c.2022.09.026.
[2]余黎明.研发支出和市场营销投入对企业成长影响的实证研究[D].浙江理工大学,2013.
[3]黄晓波,张丽云,黄硕.研发投入、营销费用与公司绩效[J].财务与金融,2018,(01):23-29.
[4]徐芊芊.创新投入、高管激励与企业绩效——基于科创板上市公司的实证分析[J].商业观察,2025,11(32):59-62.
[5]王秋菲,徐昕,秦爽.高管激励、研发投入与企业绩效关系研究——基于软件与信息技术行业的数据[J].技术与创新管理,2020,41(02):178-188.DOI:10.14090/j.cnki.jscx.2020.0212.
[6]彭靖里,邓艺,李建平.国内外技术创新理论研究的进展及其发展趋势[J].科技与经济,2006,(04):13-16.