互联网扩散下我国高技术产业创新效应的实证研究

2018-03-10唐光海

渭南师范学院学报 2018年4期

唐光海

(1．渭南师范学院东盟博仁财经学院，陕西渭南710499;2．陕西师范大学旅游与环境学院，西安710123)

新一代以互联网为代表的信息技术与制造业深度融合，正在引发影响深远的产业创新与变革。2015年我国《制造业2025》战略规划指出:物联网和云计算下的智能制造、柔性生产等正在引领先进制造业变革;电子商务、协同设计、网络众筹等正在重树产业价值链。杨蕙馨、焦勇、陈庆江指出两化融合的平稳演进能带来社会总产出、总资本和总消费的稳步提升［1］;王立平、杨洋指出信息化通过直接效应能稳定地对经济增长产生影响［2］;王亚男阐述了在两化融合下制造业发展面临的多重挑战和机遇，提出了制造业未来发展中充分利用信息化来创新，以提升制造业的竞争力［3］;高技术产业作为我国先进制造业的代表，其创新不断向中低技术产业转移和扩散，带动我国制造业整体技术效率提升和制造业资源优化配置［4］。因此，本文选择高技术产业创新效应作为研究对象。互联网经济本质上是一种创新经济，存在节点创新与网络价值的正反馈机制、软件创新和硬件创新的正反馈机制、企业创新与产业地位的正反馈机制［5］;互联网支撑制造业服务化［6］、柔性化［7］、智能化［8］等创新路径。但现有研究中还缺少直接验证我国互联网发展与制造业创新效率方面的文献，不能全面、准确反映我国互联网与制造业创新效应之间关系的本质特征。

我国互联网普及率已经超过50%，快速发展的互联网经济对制造业的创新影响如何度量也成了一个重要课题，高技术产业是我国制造业的代表和未来的发展方向，本文力图借助于面板数据对互联网扩散和我国高技术产业创新效应进行分析，为深入认识互联网对我国制造业的影响提供一些经验证据。

1 文献综述与研究假设

在分析制造业、高技术产业或工业部门技术创新效率的文献中，主要选择知识产权和新产品销售收入作为衡量指标。孙早、宋炜以知识产权产出的结果变量专利授权数作为被解释变量，利用面板模型对我国工业制造业R＆D的技术创新效率进行了实证，并以新产品销售收入作为对比对检验结果进行稳健性检验，结果显示这两个指标具有一致性［9］;牛泽东、张倩肖利用SFA(随机前沿面板模型)对装备制造业技术创新进行检验，同样选择了知识产权产出变量和人均新产品销售收入两个指标作为产出指标，知识产权产出指标选择专利申请数，从数据相关性，专利申请数和专利授权数具有一定的线性关系，在实际研究中，主要取决于数据的可得性［10］;张鸿、汪玉磊将技术创新效率作为两阶段进行分析，第一阶段是研发产生知识产权，第二阶段是知识产权转化产生新产品销售收入［11］。本文在数据收集阶段也选择知识产权产出和新产品销售收入作为检验对象，但在针对我国高技术产业的专利授权数和申请数的相关数据进行采集后发现西部相关省市如西藏、青海、宁夏、新疆等数据缺失严重，而新产品销售收入除西藏2007、2009、2010年数据缺失外，其他区域年份相关数据比较完整。在新产品销售收入的核算中，为更好地体现高技术产业之间的区域差异，采用人均新产品销售收入作为被解释变量。

陈文玲指出互联网通过改变传统制造业产业链来促进企业创新，并以新型价值链、服务链和信息链构建新经济体系［12］;韩先锋、惠宁、宋文飞指出信息化，尤其是互联网扩散能提高中国工业部门技术创新效率［13］。在分析互联网扩散效应中，李立威、景峰［14］，谢印成、高杰［15］等都将网民数增长作为互联网的重要因素进行验证，结果显示网民普及率与经济增长显著相关，可以提出假设1。

假设1:网民普及率提高对我国高技术产业创新有正向影响，网民普及率与我国高技术产业新产品销售收入正相关。

网民普及率的提高代表互联网技术扩散效应增强，随电子商务、网络互动等服务的不断增强，网民不仅仅可以通过互联网表达对高技术产品的意见和意愿，也可以通过互联网参与高技术产品创意、设计等环节，从而更好地促进高技术产业创新发展［6］。高技术产业也可以通过互联网众包模式对产品创意、设计进行调研或者吸引网民参加，提高技术创新效率;同时，通过电子商务、互联网众畴等模式可以在更大的市场范围内对高技术产业的创新产品进行销售，提高新产品销售收入。

谢印成、高杰［15］，张越、李琪［16］等在研究中将网站数增长也作为重要的因素，实证结果显示网站数对经济增长影响显著，因此，本文提出了第二个假设。

假设2:网站数的增长对我国高技术产业创新有正向影响，网站数与我国高技术产业新产品销售收入正相关。

网站数量的增加代表更多的企业、资源等上网，更多的企业利用互联网在更大的市场上进行资源配置。高技术产业创新需要在供应链和价值链上进行资源优化，更多的供应商上网可以降低高技术产业中的企业的搜索、采购成本，同时可以在互联网上组合、优化资源，降低生产成本，提高创新效率。

在张越、李琪［16］，孙中伟等［17］的研究中还将域名数、网页数、IP地址数等作为互联网扩散的因素，结果显示域名数对区域经济或部门经济有影响，而网页数、IP地址数并不显著，因此，本文不再分析网页数和IP地址等指标。

假设3:域名数的增长对我国高技术产业创新有正向影响，域名数与我国高技术产业新产品销售收入正相关。

域名是网站的代名词之一，域名的增加一定程度上可以表示企业、资源上网的增加，但由于部分域名开通没有相应的资源网站与之对应，部分研究文献也发现域名和网站对经济增长的显著程度不一致。因此，本文有必要将域名数增长对高技术产业创新的影响与网站数分别检验。

2 数据来源与模型构建

2.1 数据来源

2．1．1 互联网扩散

互联网扩散水平与地区互联网发展水平紧密相关，本文采用包括互联网普及率、域名数和网站数来评价区域互联网发展水平，并进一步反映互联网扩散情况，互联网扩散相关变量数据来自于CNNIC发布的历年的《互联网发展状况统计报告》。为更好地进行区域互联网扩散指标对比，采用互联网普及率、人均网站数、人均域名数3个指标来评价区域互联网发展水平。

2．1．2 区域高技术产业创新效应

采用我国30个省、直辖市、自治区(不包含如西藏自治区等)高技术产业新产品销售收入来衡量各地区高技术产业创新效应，为更好地对比地区差异，采用高技术产业人均新产品销售收入作为创新效应的衡量，数据来源于2007—2016年《中国高技术产业发展年鉴》。

2.2 模型构建

以高技术产业人均新产品销售收入作为被解释变量，互联网普及率、人均域名数和网站数作为解释变量，选取我国2006—2015年30个省、直辖市、自治区(由于西藏等地数据缺失或统计口径不同，本文未包含这些区域)的人均新产品销售收入(Rssr)、互联网普及率(Pjl)、每万人域名数(Rym)和网站数(Rwz)，构建面板数据模型。主要变量的描述性统计如表1。

表1 主要变量的描述性统计

面板数据模型构建如下:

式(1)中，Rssr表示人均新产品销售收入;Pjl表示网民普及率;Rym表示人均域名数;Rwz表示人均网站数;β1、β2、β3是Pjl、Rym、Rwz的系数，表示各解释变量对被解释变量的弹性系数;α表示截距;ηi反映不同省份的个体效应影响;vt反映不同年度的时点效应;εit是随机误差项。

利用Eviews8．0进行单位根检验和协整校验，以判断变量间的平稳性和长期均衡关系，避免模型的伪回归问题，利用F检验和Hausman检验，选择本模型的回归类型，并进行参数估计，从而验证互联网扩散与我国高技术产业技术创新效应的关系。

3 实证检验

3.1 单位根检验

模型中各序列之间存在单位根，可能导致模型不平稳，回归分析中可能存在伪回归的问题。对上述变量进行单位根检验结果如表2。

Pjl在水平量和一阶差分值下显著，拒绝变量有单位根的原假设;但Rssr、Rym、Rwz在1%和5%的显著水平下不能拒绝有单位根的假设，说明该变量的水平量是不平稳的;但其一阶差分的检验结果显示能拒绝变量有单位根的假设，说明Rssr、Rym、Rwz变量为一阶单整序列，为确保整个面板模型可以在同阶序列下继续分析，对原模型中所有变量取对数，上述面板数据模型修订如下:

对模型2进行单位根检验，所有变量的水平量均在1%的水平下显著。模型可以继续进行协整检验。

表2 单位根检验结果

3.2 协整检验

协整检验可以验证变量之间是否存在长期均衡关系。利用Pedroni面板协整检验方法，在回归残差的基础上构造7个协整检验统计量，结果见表3。Pedroni指出，当样本期较短(T≤20)，出现矛盾时，以Panel ADF和 Group ADF的结果为准。表3中除 lnRssr与 lnPjl的 Group rho、lnRssr与 lnRym之间的Panel rho与Group rho不显著;lnRssr与lnRwz的Group rho在10%水平下显著外，其他统计量均在5%、1%水平下显著。其中lnRssr与lnPjl、lnRssr与lnRym协整检验的Panel ADF统计量在5%水平下显著，而其他变量协整检验的Panel ADF和Group ADF统计量均在1%水平下显著。表明进行协整检验的三对变量之间存在稳定的协整关系，即他们之间存在长期均衡关系。

表3 协整检验结果

表4 面板数据模型拟合效果对比

3.3 面板模型的检验与估计

面板数据模型通常有三种选择，包括固定效应模型(Fixed Effects Regression Model)、随机效应模型(Random Effects Regression Model)和混合估计模型(Pooled Regression Model)。一般通过F检验结果与F分布值比较来选择固定效应模型还是混合估计模型，通过Hansman检验来判断是选择固定效应模型还是随机效应模型。模型拟合效果对比如表4。由固定效应模型估计中的残差平方和S1与S3可以计算F1=36．694 5 ＞ F(29，269)=1．00。可见，固定效应模型优于混合模型，Hansman 检验值为 0．000 0，说明固定效应模型优于随机效应模型。从模型的拟合度来看，固定效应模型(R2=0．898 616)优于混合估计模型(R2=0．497 55)和随机效应模型(R2=0．449 997)。由此可选择固定效应模型做进一步的分析。

固定效应模型中可选择分别对个体、时期进行固定或对个体、时期双固定作检验，结果见表5。

表5 个体、时期分别固定和个体、时期双固定模型检验结果

由R2比较，可见个体时期双固定模型更优，依据检验结果可以估计各地区互联网扩散对高技术产业新产品销售收入的影响参数，检验结果见表6。

表6 基于个体时期双固定模型的参数估计

表6中互联网普及率的参数在1%水平下显著，而网站数、域名数的参数在5%水平下显著，3个变量对高技术产业新产品销售收入都有影响，模型拟合程度较好，假设1、假设2、假设3得到检验。由此，可以得出模型的表达式为:

在式(3)中，截距项C为0．594 1，表示互联网扩散对全国高技术产业创新效应的整体促进作用;β1为0．942 8是互联网普及率对人均新产品销售收入的弹性系数，表示互联网普及率每提高10%，高技术产业人均新产品销售收入约增加9．43%;β2为0．242 4是互联网网站数对高技术产业创新效应的弹性系数，表示互联网网站数每增加10%，高技术产业人均新产品销售收入增加2．42%;β3为0．267 78是互联网域名数对高技术产业创新效应的弹性系数，表示互联网域名数每增加10%，高技术产业人均新产品销售收入约增加2．68%。

3.4 结果分析

依据上述模型，各地区个体效应影响如表7。30个省、直辖市、自治区中，其个体效应影响呈现明显的地区差异，主要是由于各地区的资源禀赋、互联网基础设施、经济环境等因素不同，使得各地互联网扩散对高技术产业创新效应出现差异。其中，影响为正的有17个地区，多为经济发达地区或创新聚集区域，说明经济发达地区基于互联网扩散的知识溢出效应对高技术产业创新影响更为显著;影响为负数的有13个地区，多为经济欠发达地区或高技术产业资源禀赋不足区域;天津、江苏、北京三个地区个体影响效应最明显，超过了2．0，广东、上海、福建、浙江4个地区大于1．0;西部地区四川、重庆个体效应相对较高，达到了0．936 729和0．794 228，排在第 8 位和第 10 位，陕西为0．517 936，排在第 14 位。

表8反映时间维度上的时点效应，2007—2015年时间影响因子总体上是逐年提高，并以2006年、2010年为分界线呈现出明显的阶段特征。2006年以前我国网民、域名和网站总体处于高速发展阶段，其时点效应不断提高;2007—2010年我国互联网保持高速发展，但互联网对制造业的作用没有快速体现，两化融合处于适应阶段，其时点效应有所调整;进入2010年以后互联网快速发展，对高技术产业影响逐步加大。这与我国互联网发展的实际情况相吻合。2010年以后我国互联网普及率达到25%以上，网站数量增加，服务内容更加深入，其时点效应逐步增强且变得稳定。

表7 各地区个体效应影响

表8 各年度时点效应

表9 滞后1～5年检验结果

模型中D．W=0．946 537，值为正，说明互联网扩散对我国高技术产业新产品销售收入具有一定影响的同时，还具有较强的滞后效应。对互联网扩散变量做滞后1～5年的检验结果如表9。滞后期1～3年内其D．W值逐步增加，在第3年达到最大，之后开始逐步降低;其截距项在滞后期第3年达到最大，第4年开始大幅降低;互联网普及率对高技术产业新产品销售收入的影响在1～3年滞后期内逐步增加，到第3年达到最大，从第4年开始降低，假设1在互联网扩散对高技术产业创新效应影响的滞后效应检验中依然成立，可见，高技术产业创新需要重视网民需求，尤其是新增网民的需求和对高技术产品的意见;域名数的增加有一定的滞后效应，在1～4年内逐步增加，第4年达到最大，假设3在滞后效应检验中成立;网站数的增加对高技术产业新产品销售收入的滞后影响相对较小，规律不明显，假设2在滞后效应检验中不显著。由于篇幅所限，各地区的滞后效应在此不再讨论。

4 结论与建议

通过对我国2006—2015年的互联网扩散与我国各地区高技术产业新产品销售收入的相应指标进行数据收集，建立面板数据模型实证检验，主要有以下结论:

(1)互联网与我国高技术产业新产品销售收入之间存在长期均衡关系，互联网普及率、网站数和域名数的增长对我国高技术产业创新具有积极作用。从长期看，互联网普及率每提高10%，我国高技术产业新产品销售收入约增加9．43%;互联网网站数每增加10%，高技术产业新产品销售收入增加2．42%;互联网域名数每增加10%，高技术产业新产品销售收入约增加2．68%。

(2)我国各地区互联网普及率、网站数量的增长呈现地区差异，经济较发达地区，互联网扩散对高技术产业创新的影响效果更加明显。影响为正的有17个地区，多为经济发达地区或创新聚集区域，说明经济发达地区基于互联网扩散的知识溢出效应对高技术产业创新影响更为显著;为负数的有13个地区，多为经济欠发达地区或高技术产业资源禀赋不足区域;天津、江苏、北京3个地区个体影响效应最明显，超过了 2．0，广东、上海、福建、浙江 4 个地区大于 1．0。

(3)随互联网技术的发展，互联网网民和网站数的扩散对我国高技术产业创新的影响具有累积效应和滞后效应。滞后期内互联网扩散效应逐步强化，到第4年达到最大，在第5年开始减弱。互联网扩散具有滞后性，部分原因是新增网民中主要以年轻学生为主，受其对高技术新产品的接受度以及其收入影响，对高技术产业创新效应还需要时间来体现，同时高技术产业创新的产品利用互联网进行推广和宣传也需要时间。

综合以上结论和检验结果，提出建议如下:

(1)政府应通过加大网络基础设施的投入，增加网络接入端口、降低宽带资费、降低手机上网资费等措施，进一步提高网民比例，促进互联网的使用和扩散。尤其是尽快在经济欠发达地区推广和普及互联网，缩小东西部、城乡之间的数字鸿沟，更好地发挥互联网扩散对我国高技术产业创新的促进作用。

(2)鼓励和支持电子信息与通信设备、医药制造、航空航天、计算机与办公设备、医药仪器等高技术相关行业、企业积极建立自己的官方网站，并在电子商务、众包平台、众筹平台等网络渠道加大推广力度，以满足网民对高技术产品创新产品的了解需求，鼓励网民积极参与高技术创新产品的设计、预订，以促进我国高技术产业新产品销售收入增长。尤其是借助“制造业2025”战略实施，需要促进互联网在融入我国中西部传统优势装备制造业的应用中，引领产业转型和升级，以发挥互联网的扩散作用，弥补中西部高技术产业创新效应差异。

(3)互联网扩散对高技术产业创新影响具有滞后性，对互联网基础设施、高技术产业企业品牌网站建设和推广都需要长期持续的投入，以促进互联网扩散。中西部尤其要加大互联网投入，打造智能制造、大规模集成定制、云服务、电子商务服务平台，更好地发挥互联网扩散效应，提升高技术产业新产品销售收入，从而促进区域经济增长。

［1］杨蕙馨，焦勇，陈庆江．两化融合与内生经济增长［J］．经济管理，2016(1):1－9．

［2］王立平，杨洋．两化融合与中国经济增长的“稳健性”关系——基于REBA模型的实证分析［J］．工业技术经济，2014(6):48－59．

［3］王亚男．两化融合中我国制造业的机遇、挑战与发展［J］．北京邮电大学学报(社会科学版)，2011(2):75－82．

［4］王伟光，马胜利，姜博．高技术产业创新驱动中低技术产业增长的影响因素研究［J］．中国工业经济，2015(3):70－82．

［5］张龙鹏，周立群．“两化融合”对企业创新的影响研究——基于企业价值链的视角［J］．财经研究，2016(7):99－110．

［6］童有好．“互联网+制造业服务化”融合发展研究［J］．经济纵横，2015(10):62－67．

［7］肖斌，赖新峰．“互联网+”背景下中国制造业的柔性化生产研究［J］．企业经济，2015(9):148－152．

［8］唐光海．互联网思维下制造业产业升级路径与对策研究［J］．中国集体经济，2015(3):22－23．

［9］孙早，宋炜．企业R＆D投入对产业创新绩效的影响——来自中国制造业的经验证据［J］．数量经济技术经济研究，2012(4):49－63

［10］牛泽东，张倩肖．中国装备制造业的技术创新效率［J］．数量经济技术经济研究，2012(11):51－67．

［11］张鸿，汪玉磊．陕西省高技术产业技术创新效率及影响因素分析［J］．陕西师范大学学报(哲学社会科学版)，2016(5):118－126．

［12］陈文玲．互联网与新实体经济［J］．中国流通经济，2016(4):5－10．