风电产业研发资助政策的传导效果实证研究

高 伟，吴昌松，乔光辉，王晓珍

(1.中国矿业大学 管理学院，江苏 徐州 221116；2.南京航空与航天大学 经济与管理学院，江苏 南京 211106)

一、问题提出

实现主体能源更替和能源开发利用方式根本性变革，是第四次产业革命主要内容之一，美国、欧盟、日本、印度以及海湾国家，都希望通过制定可再生能源产业促进政策以期占领产业战略制高点。1980s欧美可再生能源政策方向定位在研发激励，1990s转为需求侧刺激(demand-side incentives)[1]，政策多涉及改善基础设施、减免税、补贴、上网电价等方面[2-5]。我国自20世纪70年代开始尝试风电机组的开发，从1996年开始，启动了“乘风工程”、“双加工程”、“国债风电项目”、科技支撑计划等一系列支持项目，发布几百条政策，涉及财税、金融、技术开发和并网等风电产业等环节，2015国家还专门设立400亿元新兴产业创业投资引导基金，寄希望通过加大研发资助力度来鼓励风电企业自主创新[6]。证据表明，相关支持政策促进了风电产业生产能力快速提升，但是关键零部件依赖进口、产业整体技术水平不高局面没有得到根本改变[7-8]，虽然研发资助政策促进企业重视技术创新，却没能实现国家层面技术追赶效应[9]，政策效果发生了偏移而导致激励效果不足。

关于研发资助政策效果发生偏移的原因，以往研究涉及到政策的目标、定位、作用点以及政策的挤出效应等方面。有研究指出，我国产业政策目标多在于现期利润和资产保值增值而非技术创新，政府部门追求的是利益最大化[10-11]。一些部门将政策支持简单理解为财政补贴和无偿资助，使得一些企业不当获取了大量财政资助[12]。政策作用点转型滞后，未能从科技刺激转向知识产权维护政策[13]。研究也发现，政府研发资助与企业研发投入之间存在倒U形关系[14-16]，频繁接受研发资助企业更有可能产生挤出效应[17-18]，弱化自主创新能力提升[19]。以往研究指出了研发资助政策工具类型、产生效应偏移的现象，找出了影响政策作用效果的因素，这些研究为揭示因素之间关系，揭示企业内部不同层级主体在创新过程中的动机差异[20]，打下了坚实的理论和实践基础。

最新研究认识到，研发资助政策需要传导到企业内部层级中的创新相关主体才能发挥作用，因此，研究可再生能源产业政策作用效果，不但要关注政策工具的选择和制定，也要关注政策工具对于创新主体行为的影响[21]。比如，以专利产出作为衡量企业创新绩效时，由于企业存在“说一套做一套”(decouple)现象，一些专利或许只是为了迎合政府监管而非实质技术创新[22-25]。同时，曾经获得资助的企业，在未来更容易获得资助，可能会造成研发资助的路径依赖，而非持续性技术创新[26]。最近，多层观点理论(Multi-level Perspective)开始被用来分析政策对可再生能源促进作用的复杂性[26-27]，Albers(2013)等人分析了联盟过程中企业内部各层级主体间关系[28]，这为分析政策在企业内部传导过程提供了切入点和分析基础。

总体来看，现有研究认识到研发资助政策存在定位偏差和挤出效应等问题，需要深入到企业内部分析各层级主体行为差异。本文在继承规制理论分析基础上，将企业视作政策直接作用主体，研发团队视作政策间接作用主体，企业将政策传递到研发团队，研发团队直接产生创新绩效。本文研究的问题：政策如何影响企业研发决策，如何从企业层面传导到研发团队层面,从而对研发绩效产生影响。

本文的创新点：(1)理论方面，深化了研发资助政策实施效果研究。本文深入到企业内部层级，纳入研发团队主体，分析“政-企-研”三主体系统，把三主体相互关系作为解释政策效用突破口，深入讨论政策传导过程中信号扭曲现象，为制定研发资助政策提供理论支持。(2)方法方面，针对传统模型难以解决研发团队决策内生性问题，本文构建内生转换模型，测量政策支持对研发团队不同决策状态下创新产出的影响。(3)实践方面，本文提出政策作用点选择是影响政策效用的关键因素，决定政策效果主要因素是政策作用点而非研发资助投入量。

本文的安排如下：第二部分梳理了1999-2016我国风电产业的相关政策，描述风电产业政策从企业层面传导到研发团队层面过程，提出研发资助政策传导效果的三个假设；第三部分是研究方法的选择、数据来源与变量说明；第四部分分别对三个假设进行了验证；第五部分是结论。

二、我国风电产业政策和研究假设

(一)我国风电产业相关政策

我国风电产业已经形成包括叶片、发电机、塔筒、轮毂、变桨偏航系统和齿轮箱等环节的完整产业链生产体系。其中，塔筒、叶片、发电机、轮毂产业化进程较快，国产化率较高，技术含量较低的叶片、塔筒出现了较为严重产能过剩状况。作为风机的核心部件，齿轮箱和控制系统具有较高的技术壁垒，国内厂商与国外先进水平有较大差距。齿轮箱核心技术主要依靠技术引进以及与国外企业技术合作，而控制系统是国内零部件制造最薄弱的环节，严重依赖进口。就目前来看，现实中政策传导到企业层面后大多转变了对于产业规模的刺激因素，企业偏向于投资周期较短、技术含量较低产业环节，这与政策初衷不相符。

随着《可再生能源法》的颁布，整体装机容量快速扩张，风电产业发展质量也逐渐成为政府关注的焦点。截至2017年2月，我国涉及风电产业的相关政策数量如图1所示。

我国政府从上世纪末开始对风电产业进行政策支持，1994年国家电力工业部下发《风力发电场并网运行管理规定(试行)》，1999年国家经贸委发布《关于进一步促进风力发电发展的若干意见》。在随后几个五年规划期中，国家逐渐提高对可再生能源财政资金投入和税收优惠的支持力度。在2006年，国家提高了关于支持风电等可再生能源的财政补贴与税收优惠政策。2010年，国家开始关注海上风电的开发，鼓励企业开展海上风电项目和研发。2012年之后，政策关注点开始转向风电的并网和消纳工作，积极促进风电储能及运输技术的研发。2013年以来，国家更关注风电产业的健康发展和产业的国际竞争力的培养。在这一过程中，国家还通过科技攻关计划、863计划、973计划和产业化计划，共安排10多亿元的资金，支持风电等清洁能源领域先进技术的研发和产业化。我国政府发布风电相关政策及法规如表1所示。

(二)研究假设

政策在企业层面传导过程可以概括为两个阶段：一是从政府到企业，政策以文件或指令形态向企业层面流动，影响企业决策；二是从企业到科研团队，政策信号被企业处理后传达给科研团队。如图2所示。

我国风电产业发展依赖政策纠正市场和系统失灵[30]，目前产业支持政策多是改善基础设施、减免税、补贴、上网电价[31]、国际化[32]等方面，这些政策强烈作用于市场需求扩展[33]，中短期可以有效地将可再生能源技术推向市场，但是引起了对技术进步促进效应的普遍质疑[34-35]。尽管证据表明，需求侧政策促进了企业关注技术创新的程度[36]，但主要还是造成风电产业过度投资[37]。我国风电产业政策着力点单一，前期重数量轻质量，缺乏顶层设计[38]。

因此，有假设一：风电产业研发资助政策促进了产业规模扩张，对于创新投入激励效果较弱。

表1 我国风电产业相关政策法规

资料来源：北大法宝数据库及相关文献整理获得http://www.pkulaw.cn/

图2 政策传导的过程

企业-科研团队传导阶段，研发资助信号从政府传递到企业。企业与科研团队可以看作是委托代理关系，企业根据科研团队提供的科研成果对其支付相应报酬。由于信息不对称的存在，企业无法确切了解研发团队投入情况，因此难以控制研发产出。政策的作用过程实质上是一个传导过程，政策信号在企业层面发生转变，即政策量的信号转变成对于企业创新产出预期的调节因素，目的是解决复杂创新系统失灵问题[39-40]，但是，这一政策信号无法直接作用于研发团队。丹麦风电实践表明，产业促进政策可以提高企业在民间融资的杠杆率[41]，促进现有技术的充分运用，但是对于企业进行创新激励的效果不明显[42-43]。

因此，有假设二：研发资助政策促进企业提高创新投入，但无法显著影响研发团队的创新投入努力程度。

最近关于创新的研究倾向于从打开企业内部黑匣子角度分析企业研发的过程，强调解析企业内部的层级、组织结构和信息流动过程，研发过程中企业内部层级合作的关系。以往研究表明，直接决定研发绩效的不是企业高层管理层级，而是研发团队[44]。因此，评价研发资助政策效果的优劣，取决于政策是否可以从企业层面传导到研发团队层面，只有通过研发团队的有效激励才能实现研发资助政策作用的有效发挥。

因此，有假设三：研发资助政策的作用，依赖于有效研发团队激励。

三、研究设计

(一)研究方法的选择

为验证假设一，本文需要对风电产业规模以及创新投入进行测算。产业规模衡量指标相对较多，难点在于多因变量的量化处理相对困难。产业规模衡量指标存在较大的线性相关，为了保留更多具有变异程度较大指标信息，本文采用熵权法对指标进行加权。相对于主成分分析，熵权法利用信息熵的概念，确定各指标权重的大小。某个指标的熵值越小，表明该指标变异程度大，权重应该大；某个指标的熵值越大，表明该指标变异程度小，权重就小，这种赋权方式为确定指标的权重提供了一个客观、公正的方法，该方法更加满足本文的研究需要。

此外，应注意到，创新投入难以直接收集获得以季度为时间跨度的数据，同时在新会计准则中研发支出资本化的条件比较严格。新准则规定，企业内部研究开发项目开发阶段的支出，同时满足完成该无形资产以使其能够使用或出售在技术上具有可行性；具有完成该无形资产并使用或出售的意图；无形资产产生经济利益的方式以证明其有用性等五个条件的，才能予以资本化。

因此为保证数据季度连续性，本文对现金流量表中“购建固定资产、无形资产和其他长期资产所支付的现金”科目进行会计处理，作为衡量产业创新投入的样本数据。可行性在于该科目反映企业购买、建造固定资产，取得无形资产和其它长期资产所支付的现金，不包括为购建固定资产而发生的借款利息资本化的部分，以及融资租入固定资产支付的租赁费。借款利息和融资租入固定资产支付的租赁费，在筹资活动产生的现金流量中单独反映。公司以分期付款方式购建的固定资产，其首次付款支付的现金作为投资活动的现金流出，以后各期支付的现金作为筹资活动的现金流出。相比仅仅采用资本化的数据如“开发支出”、“研发费用”等数据可能会低估企业为创新活动所进行的投入，采用该数据可以更好地衡量企业在当期所投入的资金总量，同时由于创新投入具有长期性，该科目可以反映企业在长期投资方面的偏好，与企业的创新投入偏好有相通之处。但该科目多加入了企业在固定资产方面的支出，因此本文根据该科目的核算规则通过对该科目进行会计处理获得，不能忽略的是该种核算方式若作为企业创新投入的决策变量可能会高估企业的创新投入，同时不能充分考虑企业现金规模等因素对其现金支出的制约。结合该数据较好地反映了企业的长期投入偏好，符合创新投入的经济特性，因此本文通过结合企业的货币资金构建状态空间模型对企业的创新投入决策进行测算，剥离出企业的边际创新投入来解决上述问题。

由理论分析可知，由于政策对研发团队作用无法直接观测，因此直接进行传统线性回归可能会产生虚假回归，本文采用多个不同的计量模型对相关假设进行验证。具体而言，假设二的前半部份，为区分高、低投入，本文设定平均数原则，高于序列平均数则确定为高投入，低于该分位点的为低投入，在此基础上本文构建二元选择模型对相关假设进行验证。

对于假设二后半部与假设三，由于传统模型在估计时可能存在虚假回归，主要计量原因在于变量存在内生性，研发团队的决策不能作为外生变量存在，不可观测因素同时影响着研发团队决策与创新产出。因此本文通过构建内生转换模型对相关假设进行验证，优点在于其充分考虑了研发团队决策对创新产出的影响，它借助两种研发团队的决策状态定义的转换方程对高投入与低投入决策状态下的样本进行刻画，以校正选择偏差，得到一致性的估计，还可以估计出政策支持对不同决策状态下的创新产出的异质性影响。

(二)数据来源与变量说明

我国风电产业数据统计口径以及完整性很难满足本文实证研究的需要，因此本文选取我国风电产业上市公司(风能板块企业)数据并对其进行筛选整理作为样本进行实证研究。将研究时间跨度定为2007年第一季度～2016年第三季度，原因在于2006年2月财政部在北京举行会计审计准则体系发布会，39项企业会计准则正式公布，上市公司在2007年开始执行新的会计准则。由于本文对上市公司相关数据进行较多会计处理，选取该时间段保证了数据核算的一致性。

本文数据主要来源于CCER经济金融研究数据库，此外专利数据来源于国家知识产权局及SooPAT专利数据库逐家查找所得。由于本文命题一和命题二前半部使用的数据为多家风电相关上市公司数据加总的形成的产业数据，即形成了衡量风电产业状态时间序列数据。在此期间，本文剔除样本期间内ST、*ST(Special Treatment)企业样本数据。在使用时间序列时，数据选择的部分样本企业在样本期间内企业名称(简称及全称)发生较大改变，在此列示最后一期(2016年第三季度)也是全部样本企业名单(简称)，见表2。

本文所用变量如表3所示。

1.产业规模

本文选取流动资产、固定资产以及所有者权益作为产业规模衡量指标，原因在于资产科目反映了企业可支配物资，企业规模扩张通常表现在固定资产增加，流动资产可从更灵活角度来刻画企业运用资产的状况，各种形态资金与生产流通紧密相结合，使规模衡量更加全面。作为资产状况的补充，所有者权益可以刻画企业资产扣除负债后由所有者享有剩余权益，可以反映投资者为获取收益所必需承担风险，对于该数据选取可以更好衡量投资者进入该行业情况。

如前文所述，本文通过熵权法计算综合得分最后获得代表产业规模的样本数据。

表2 样本企业名称

图3 我国风电产业链主要企业分布图

2.政策支持

本文选择研发资助作为衡量指标，原因在于该数据完整性最好，具有很好的可量化性，此外，相对于其他政策支持，企业更希望得到国家的资金支持，研究资助是企业对政策刺激最为敏感的因素。考虑到数据可获得性并结合理论分析，本文用企业现金流量表中的研发资助刻画政策对企业创新活动的支持。

3.研发投入与货币资金

本文对“购建固定资产、无形资产和其他长期资产所支付的现金”科目进行会计处理，计算公式如下：

Φt,i=φt,i-(ΔΛt,i+ΔΘt,i)

(1)

表3 模型变量及符号设计

其中，Φt表示i企业在第t期处理后的创新投入的数据，φt表示i企业在第t期的“购建固定资产、无形资产和其他长期资产所支付的现金”，ΔΛt,i=λt,i-λt-1,i，λt,i表示i企业在第t期的“工程物资”，ΔΛt,i表示i企业在第t期“工程物资”的增量，ΔΘt,i=θt,i-θt,i，θt,i表示i企业在第t期的“在建工程”，ΔΘt,i表示i企业在第t期“在建工程”的增量，由于此类指出资本化较为容易，因此可以通过资产负债表中的科目进行测算并从科目“购建固定资产、无形资产和其他长期资产所支付的现金”中剥离掉该类支出。为充分考虑资金约束对企业创新投入的制约，本文选择结合货币资金数据对企业创新投入倾向进行测算。

4.单位专利带来的净利润

净利润可以反映专利在申请后可以带来的收益，匹配了理论分析中对研发团队绩效考核的要求。本文采用平均值原则对该数据进行处理，获得研发团队决策变量。

5.其他控制变量

参考已有文献，本文选择销售费用、财务费用、权益性投资所支付的现金、经营活动产生的现金流出作为控制变量，分别反映企业在经营过程中不同方面的货币支出，而这些支出都会对创新产出产生影响。

四、实证分析

(一)假设一的验证

1. 产业规模指标计算

如前文所述，为验证假设一本文采用熵权法对具有较高相关性的产业规模衡量指标进行加权并测算综合得分，首先本文进行Pearson相关性检验分析关键变量间的相关性，测量结果如表4所示：

表4 Pearson相关性检验结果

**表示在0.01水平(双侧)上显著相关；*表示在0.05水平(双侧)上显著相关。

如表4所示，流动资产、固定资产、所有者权益三者的Pearson相关性系数均大于0.9，这表明这三个指标具有较高的相关性，验证了全文分析。此外还可以看出研发资助与以上三者Pearson相关性系数要大于研发投入与三者的Pearson相关性系数，这也从侧面反映了研发资助与之相关性更强。为了获得表示产业规模的综合得分，本文运用熵权法对数据进行处理计算得到变量Cap用以衡量产业规模，计算结果如图4所示。

图4 衡量产业规模的综合得分

2. 研发资助对产业规模的作用

如前文所述，本文运用熵权法构建综合指数，使变量受到了一定的限制，因此本文对变量Sub进行标准化并构建截断回归模型对相关参数进行估计，考虑下面的潜在因变量回归模型：

Cap=C+β1Sub+ε

(2)

式中，Cap只在0<βSub+ui<1时才能取得样本观测值，ε为随机误差项。本文采用极大似然估计对模型参数进行估计，此时极大似然估计的密度为条件密度，根据误差项分布的不同，模型可被分为三类，为保证结论稳健性，本文在三种不同分布设定下依次进行参数估计，估计结果如表5所示：

表5 误差项不同分布设定下的估计结果

**表示在0.01水平上显著相关；*表示在0.05水平上显著相关。

3. 状态空间模型构建与创新投入偏好测算

状态空间模型被用来估计不可观测的时间变量，利用状态空间模型表示动态系统主要有两大优点，第一，状态空间模型将不可观测的变量(状态变量)并入可观测模型并与其一起得到估计结果；第二，状态空间模型利用强有力的迭代算法——卡尔曼滤波进行估计继而获取更加稳健的估计结果。为了得到不可观测的变量MRDI(创新投入偏好)，本文构建状态空间模型：

测量方程：

RDIt=-84.9829+MRDIt*Cash

(3)

状态方程：

MRDIt=0.3592-0.0743MRDIt-1

(4)

得到时间序列MRDIt，最终状态变量估计结果如表6所示：

表6 最终状态变量估计结果

4.研发资助对创新投入的作用

与前文所述相似，由于本文估计创新投入偏好均为受限因变量，因此本文对变量Sub进行标准化并构建截断回归模型对相关参数进行估计，考虑下面潜在因变量回归模型：

MRDI=C+β2Sub+ε

(5)

式中，ε为随机误差项。本文采用极大似然估计对模型参数进行估计，根据误差项分布不同，模型可被分为三类，为保证结论稳健性，本文在三种不同分布设定下依次进行参数估计，估计结果如表7所示：

表7 误差项不同分布设定下的估计结果

**表示在0.01水平上显著相关；*表示在0.05水平上显著相关。

5.假设验证与说明

根据估计参数，结果显示0<β2<β1，这说明，在不考虑其他条件的情况下，研发资助越多，产业规模与企业创新的边际投入均会增加，但比较两个估计参数大小可知，研发资助对产业规模的正向影响要大于对创新投入影响，假设一得证。

(二)假设二前半部的验证

如前文所述，本文构建如下二元选择模型：

MRDID=C+β3Sub+ε

(6)

式中，ε为随机误差项。由于残差分布函数的类型决定了二元选择模型的类型，根据分布函数的不同，本文分别构建Probit、Logit、Extreme模型，回归结果如表8所示。

如表7所示，二元选择模型的估计系数均为正，这表明研发资助越多，企业采取较高投入的概率越大，假设二前半部得证。

表8 不同残差分布函数设定下的估计结果

**表示在0.01水平上显著相关；*表示在0.05水平上显著相关。

(三)假设二后半部与假设三的验证

如前文所述，由于传统估计方法较难克服变量内生性问题，因此本文构建内生转换模型对相关假设进行验证，基本模型如下:

Pat=βiXi+α·RPD+ε

(7)

其中，Xi中包含销售费用、财务费用等经过平均数原则处理的虚拟变量；研发团队决策变量RPD同样为经过平均数原则处理的虚拟变量，RPD=1表示研发团队积极工作，RPD=0表示研发团队消极工作；ε为随机误差项。

需要注意的是，模型中的RPD不能被视为外生变量，研发团队工作态度决策是基于自身偏好以及企业激励的自选择，不可观测因素也影响着研发团队工作态度的决策与创新产出，可以考虑为研发团队工作态度决策变量建模如下：

RPD*=γiZi+ui

(8)

其中，RPD*表示潜在的研发团队工作态度决策净收益，研发团队根据自身偏好进行工作态度决策。如果研发团队选择积极工作则RPD=1，否则RPD=0，Z表示可观测到向量，除了企业研发投入外，还包含管理费用，以控制不同企业在监督过程中所花费的投入。

每个研发团队i基于不同工作态度决策，具有不同创新投入，不同选择下研发团队行为表现的机制可能是不同的。对于总样本而言，两种工作态度决策下潜在创新产出结果(Pat1i，Pat0i)可以表示为：

Pat1i=β1X1i+ε1i，ifRPDi=1

(9)

Pat0i=β0X0i+ε0i，ifRPDi=0

(10)

E(ε1i|RPDi=1)=E(ε1i|γiZi+ui>0)=

(11)

E(ε0i|RPDi=0)=E(ε0i|γiZi+ui<0)=

(12)

Pat1i=β1X1i+σ1uλ1i+w1i，对于RPDi=1的样本

(13)

Pat0i=β0X0i+σ0uλ0i+w0i，对于RPDi=0的样本

(14)

基于上述方法，本文估计结果如表9所示。

表9 内生转换模型估计结果

**表示在0.01水平上显著相关；*表示在0.05水平上显著相关。

如表9所示，研发资助对研发团队影响的参数估计不显著，表明研发资助并不显著影响研发团队决策，假设二后半部得证；此外，当研发团队决策为积极努力时，研发资助变为正向显著影响创新产出，与之相反，研发团队采取消极策略时，研发资助并不显著影响创新产出，表明研发资助依托于研发团队决策发挥作用，假设三得证。

五、结论

以往研究一再表明，政府研发资助不一定会促进企业创新效率，比如R Bronzini, P Piselli (2016)认为研发资助提高了小企业专利申请的概率，但是对于大型和中型企业的作用不明显[45]，欧洲援助波兰基础设施和人力资本提升资金在促进创新方面是无效率的，甚至还起到阻碍作用[46]。在这些研究基础之上，本文进一步从研发资助政策的传导过程视角研究了产生这一现象的原因。本文实证研究表明：研发资助越多，产业规模与企业创新的投入均会增加，但研发资助对产业规模的正向影响要大于对创新投入的影响；研发资助越多，企业采取较高投入的概率越大，但是创新效率不一定越高，原因在于研发资助并不显著影响研发团队决策；当研发团队决策为积极努力时，研发资助变为正向显著影响创新产出，与之相反，研发团队采取消极策略时，研发资助并不显著影响创新产出，表明研发资助依托于研发团队决策发挥作用。

本文以风电产业为例，通过搜集风电产业主要企业数据，解释了研发资助政策对于企业的作用，更为重要的是深入到“企业-研发团队”微观层面，分析了研发资助企业层面传导，揭示了研发资助政策对于企业和研发团队作用的不同。本文的实践价值在于指出了研发资助政策传递到企业层面后会发生转化，政策作用的发挥依赖对研发团队的有效激励，该命题表达了重要的逻辑线索，即需要将科研人员作为研发资助政策目标激励对象，需要据此制定研发资助政策的直接作用靶点。

[1]Hoppmann J. The role of deployment policies in fostering innovation for clean energy technologies: insights from the solar photovoltaic industry[J]. Business & Society, 2015, 54(4): 540-558.

[2]Mondal M A H, Hawila D, Kennedy S, et al. The GCC countries RE-readiness: Strengths and gaps for development of renewable energy technologies[J]. Renewable and Sustainable Energy Reviews, 2016, 54: 1114-1128.

[3]戴亦欣,胡赛全.开放式创新对创新政策的影响——基于创新范式的视角[J].科学学研究,2014,32(11):1723-1731.

[4]Bean P, Blazquez J, Nezamuddin N. Assessing the cost of renewable energy policy options-A Spanish wind case study[J]. Renewable Energy, 2017, 103: 180-186.

[5]Atalay Y, Kalfagianni A, Pattberg P. Renewable energy support mechanisms in the Gulf Cooperation Council states: Analyzing the feasibility of feed-in tariffs and auction mechanisms[J]. Renewable and Sustainable Energy Reviews, 2017, 72: 723-733.

[6]Gippner O, Torney D. Shifting policy priorities in EU-China energy relations: Implications for Chinese energy investments in Europe[J]. Energy Policy, 2017, 101: 649-658.

[7]Curran L, Lv P, Spigarelli F. Chinese investment in the EU renewable energy sector: Motives, synergies and policy implications[J]. Energy Policy, 2017, 101: 670-682.

[8] Zhang S, He Y. Analysis on the development and policy of solar PV power in China[J]. Renewable and Sustainable Energy Reviews, 2013, 21: 393-401.

[9]Qiu Y, Ortolano L, Wang Y D. Factors influencing the technology upgrading and catch-up of Chinese wind turbine manufacturers: Technology acquisition mechanisms and government policies[J]. Energy Policy, 2013, 55: 305-316.

[10]梁 正.从科技政策到科技与创新政策——创新驱动发展战略下的政策范式转型与思考[J]. 科学学研究, 2017(2):170-176.

[11]Qiu Y, Ortolano L, Wang Y D. Factors influencing the technology upgrading and catch-up of Chinese wind turbine manufacturers: Technology acquisition mechanisms and government policies[J]. Energy policy, 2013, 55: 305-316.

[12]孙玉涛,刘凤朝.中国企业技术创新主体地位确立——情境、内涵和政策[J].科学学研究,2016(11):1716-1724.

[13]余明桂,范 蕊,钟慧洁.中国产业政策与企业技术创新[J].中国工业经济,2016(12):5-22.

[14]Guellec D, Van Pottelsberghe De La Potterie B. The impact of public R&D expenditure on business R&D[J]. Economics of innovation and new technology, 2003, 12(3): 225-243.

[15]Pingfang Z H U, Weimin X U, Lundin N. The impact of government’s fundings and tax incentives on industrial R&D investments—Empirical evidences from industrial sectors in Shanghai[J]. China Economic Review, 2006, 17(1): 51-69.

[16]Görg H, Strobl E. The effect of R&D subsidies on private R&D[J]. Economica, 2007, 74(294): 215-234.

[17]Wallsten S J. The effects of government-industry R&D programs on private R&D: the case of the Small Business Innovation Research program[J]. The RAND Journal of Economics, 2000: 82-100.

[18]Lööf H, Hesmati A. The impact of public funding on private R&D investment. New Evidence from a Firm Level Innovation Study (Additionality or Crowding Out? On the effectiveness of R&D subsidies)[Z]. 2004.

[19]张 杰,陈志远,杨连星等.中国创新补贴政策的绩效评估:理论与证据[J].经济研究,2015,(10):4-17.

[20]王晓珍,彭志刚,高伟等.我国风电产业政策演进与效果评价[J].科学学研究,2016,(12):1817-1829.

[21]Cheng Q, Yi H. Complementarity and substitutability: A review of state level renewable energy policy instrument interactions[J]. Renewable and Sustainable Energy Reviews, 2017, 67: 683-691.

[22]Wagner S, Wakeman S. What do patent-based measures tell us about product commercialization? Evidence from the pharmaceutical industry[J]. Research Policy, 2016, 45(5): 1091-1102.

[23]Yan H, et al. A critical review of factors affecting the wind power generation industry in China[J].Renew Sustain Energy Rev, 2013, 19: 499-508.

[24]Li C B, et al. Comprehensive assessment of flexibility of the wind power industry chain[J].Renew Energy, 2015, 74: 18-26.

[25]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.

[27]Yuan J, et al. Managing electric power system transition in China[J].Renew Sustain Energy Rev, 2012, 16: 5660-5677.

[28]Walrave B, Talmar M, Podoynitsyna K S, et al. A multi-level perspective on innovation ecosystems for path-breaking innovation[J]. Technological Forecasting and Social Change, 2017.

[29]Albers S. Cooperation and competition dynamics of business networks: A strategic management perspective[R]. Working Paper, Department of Business Policy and Logistics, University of Cologne, 2013.

[30]Dillig M, Jung M, Karl J. The impact of renewables on electricity prices in Germany—An estimation based on historic spot prices in the years 2011-2013[J]. Renewable and Sustainable Energy Reviews, 2016, 57: 7-15.

[31]Zhao X, Li S, Zhang S, et al. The effectiveness of China’s wind power policy: An empirical analysis[J]. Energy Policy, 2016, 95: 269-279.

[32]Zhang S, Wang W, Wang L, et al. Review of China’s wind power firms internationalization: Status quo, determinants, prospects and policy implications[J]. Renewable and Sustainable Energy Reviews, 2015, 43: 1333-1342.

[33]Wu Z, Sun H, Du Y. A large amount of idle capacity under rapid expansion: Policy analysis on the dilemma of wind power utilization in China[J]. Renewable and Sustainable Energy Reviews, 2014, 32: 271-277.

[34] Hua Y, Oliphant M, Hu E J. Development of renewable energy in Australia and China: A comparison of policies and status[J]. Renewable Energy, 2016, 85: 1044-1051.

[35]高 瑜.“十三五”风电产业发展的新思维、新战略与新突破[J].宏观经济管理,2016,(12):46-50.

[36]Ru P, Zhi Q, Zhang F, et al. Behind the development of technology: The transition of innovation modes in China’s wind turbine manufacturing industry[J]. Energy Policy, 2012, 43: 58-69.

[37]Liu X. The value of holding scarce wind resource—A cause of overinvestment in wind power capacity in China[J]. Energy Policy, 2013, 63: 97-100.

[38]王玺,李桂君.政策创新驱动新能源产业发展——关于中国风电产业税收政策研究[J].中国软科学,2014,(12):170-178.

[39]Frenken K. A complexity-theoretic perspective on innovation policy[J]. Complexity, Governance & Networks, 2017 (1): 35-47.

[40]Jenson I, Leith P, Doyle R, et al. Innovation system problems: Causal configurations of innovation failure[J]. Journal of Business Research, 2016, 69(11): 5408-5412.

[41]Botta E. The role of industrial policies in the development of a competitive wind energy industry: The danish and chinesesectoral innovation systems[J]. Politicaeconomica, 2016, 32(2): 211-252.

[42]Ruester S, Schwenen S, Finger M, et al. A post-2020 EU energy technology policy: Revisiting the strategic energy technology plan[J]. Energy Policy, 2014, 66: 209-217

[43]Freitas I M B, Dantas E, Iizuka M. The Kyoto mechanisms and the diffusion of renewable energy technologies in the BRICS[J]. Energy Policy, 2012, 42: 118-128.

[44]Albers S, Wohlgezogen F, Zajac E J. Strategic alliance structures: An organization design perspective[J]. Journal of Management, 2016, 42(3): 582-614.

[45]Bronzini R, Piselli P. The impact of R&D subsidies on firm innovation[J]. Research Policy, 2016, 45(2): 442-457.

[46]Szczygielski K, Grabowski W, Pamukcu M T, et al. Does government support for private innovation matter? Firm-level evidence from two catching-up countries[J]. Research Policy, 2017, 46(1): 219-237.