数字技术发展、产学研合作与企业创新能力——基于国家级大数据综合试验区的分析

王晓红，李 娜

（哈尔滨工业大学经济与管理学院,黑龙江哈尔滨 151001）

当前，中国经济发展亟须从要素驱动向创新驱动转变，科技创新已成为提升综合国力的重要战略支撑。近年来，中国在航空航天、人工智能等领域取得了巨大突破，但是在以欧美日为主导的全球创新科技体系中，中国在关键技术领域的自主研发水平与发达国家相比仍有不小差距，整体创新体系缺乏有效性仍是我国面临的主要问题。国家“十四五”，要加强国家战略科技力量，提高创新链的整体效能，着力提升企业创新能力。在此背景下，企业作为重要的创新主体，无疑是中国实现高质量发展目标的重要支撑，因此如何增强区域企业创新能力一直以来也受到了社会和学术界的广泛关注。企业创新能力的发展离不开科技的进步。近年来以“大智移云网”为代表的新一代信息技术得到了迅猛发展，数字化浪潮下涌现出各种新模式、新服务、新业态，显然被网络赋能的企业，其创新环境已然发生深刻变化［1-2］。Wamba 等［3］也强调，数字化基础设施以及多种数据来源使企业能够以客户需求为导向进行创新并寻求新的市场机会。显然，如今借助数字化工具或平台推动组织变革已经成为大多数企业谋求竞争优势的战略选择［4］，近年来为推动数字技术发展，全球各主要工业化国家相继推出大数据发展政策，如美国在2011 年出台《大数据研究与发展计划》；澳大利亚在2013 年推出《公共服务大数据战略》；中国国务院在2015 年印发了《促进大数据发展行动纲要》（以下简称《纲要》），同年9 月，首个国家级大数据试验区（以下简称“大数据试验区”）落地贵州，2016 年又另外获批北京、天津、河北等9 个试验区。不可否认从理论上讲，建立大数据试验区有助于深化创新应用并加快当地关键技术的研发进程，为当地企业提供了“弯道超车”的机遇。然而从实际角度出发，该试点政策毕竟起步较晚，政策效果究竟如何还需要科学评估，只有这样才能正确把握《纲要》的政策实施效果，发挥大数据试验区的政策红利，推动数字技术发展具有重要现实意义。数字技术的快速发展同样引发了学术界的广泛关注，多数文献认同数字技术对企业创新的促进作用，如有学者认为随着智能技术在制造业的深度融合，数字化转型改变了传统的生产和运营管理方式，为产品开发、生产效率和客户服务的改善提供了潜力［5］；或有研究发现数字技术通过改变价值创造和价值获取机制，为创新和创业创造了机会［6］。而另一部分学者认为新兴技术可能会进一步增加商业环境中的竞争动态，并给企业带来财务和创新负担［7］；数字技术的使用可能会耗尽企业的关系资本和人力资本，从而不利于企业创新发展，甚至对学习创造力方面产生负向影响［8］。可见关于数字技术对企业创新能力的影响在学术界仍存在争议。通过上述文献总结发现，相关研究为本文提供了良好的思路，但关于此方面研究仍有改进的空间：首先，尽管学者们致力于将数字技术与企业创新建立联系，但从数字技术的相关政策视角出发，实证检验二者关系的文献并不丰富，大数据综合试验区的建立如何影响企业创新能力仍未得到充分调查，且面对学术界关于数字技术对企业创新能力影响的争议需要提供来自中国层面的证据；其次，现有研究缺少了全面性分析，特别是从整体空间视角探讨如建立大数据试验区的数字技术发展对企业创新能力的影响机制，这也为本文研究提供了空间；此外，我国为推动数字经济发展出台了相关产业政策，这种政策作用需要分析。综上，本文将从数字技术相关政策视角出发，基于大数据综合试验区这一难得的准自然试验，引入双重差分空间计量模型考察数字技术的发展对企业创新能力的影响机制。与既有研究相比，本文的边际贡献在于：第一，目前国内关于大数据试验区政策效应的研究并不多见，个别学者研究停留在大数据试验区对全要素生产率的影响［9］，而关于大数据试验区如何影响企业创新能力层面的讨论较少；本文研究发现了大数据试验区的建立能够有效提升企业创新能力，对现有文献做了补充，同时基于政策视角展开的研究，也有助于调和以往关于数字技术对企业创新能力看似矛盾的观点。第二，本文将大数据试验区、产学研合作、企业创新能力纳入同一分析框架，研究发现了产学研合作在大数据试验区赋能企业创新能力的过程中发挥部分中介作用，进一步拓展了大数据试验区影响企业创新能力的路径研究。第三，鉴于大数据近乎“零成本”的传播属性会消弭创新资源要素等存在的地理距离和空间分布的影响，以及地区之间产学研间不同创新主体存在空间区位下的资源竞争和创新合作现象，尤其是位于相邻地区主体更容易产生竞合关系，因此本文采用双重差分空间计量模型评估分析大数据试验区对企业创新能力的政策效应和影响机制，进一步丰富了该领域研究的考察维度。

1 文献综述

数字技术会增强企业信息处理能力［10］。如互联网通过模块化分工变革了组织关系结构，促进了生产组织实现分工和合作极致化不断创新［11］。云计算、物联网等帮助了企业充分共享和配置优化所需信息［12］，提高了组织创新效率。促进数据资源的运用和共享开放是建立大数据试验区的首要任务［9］。由此一来，试验区内加快了生产要素数字化进程，允许企业关于产品、服务、用户体验或其他资源的高效交流［13］。企业可以通过大数据技术对外部有价值的市场和产品信息进行提取和识别［14］，实现产品优化和需求预测，以及供需精准对接以快速响应客户需求，激发组织内部创新热情［15］，同时大数据分析可为消费者提供更加精准的个性化服务，反过来企业将原本单方向产品供给输出方实现产品供需双向交流互动［16］，将积累的大量数据资源转化成有用的交易信息，降低了企业与用户间的供需缺口，用户无形中通过虚拟客户环境参与到了包括产品构思、产品设计和开发产品测试、产品营销传播等价值创造活动［17］，有利于企业及时了解用户偏好和市场需求，从而探索新的创新机会［18］。此外，大数据试验区加快了当地信息技术在各行业的渗透，市场竞争越来越加剧，倒逼企业为存续和发展进行持续创新［19］，也就是说，大数据试验区的建立对企业创新能力理论上存在积极影响。

与此同时，大数据试验区的建立也为产学研合作提供了丰富的信息资源。产学研合作是指企业、高校和科研院所间的合作，是三大创新主体共享知识和技术、资源互补的重要途径。从理论角度出发，大数据试验区的建立提升了各创新主体捕捉信息的能力，为产学研合作过程中的内部知识储备起到扩充的效果，并在信息传递和增值过程中，简化了产学研创新主体间的知识转移流程，重塑了创新主体间的价值共创方式［20］，提高了知识和技术创新的即时性以及创新要素在三大创新主体间的分配效率［21-22］，推动了产学研合作中的知识创造、共享与融合以及企业、高校、科研院所的直接对接［9］。同时大数据跨时空信息传播和创造共享数据的自然属性大大降低了交易成本［23］，基于此先天优势能够有效破除产学研协同间的要素供需矛盾、经济活动空间限制等问题，且创新主体可以利用互联网等线上平台的网络连接倍增效应，短时间内从广度和深度上实现创新要素的有效整合［11］。从实际角度出发，大数据试验区作为一个国家级的杠杆平台，有力推动了当地的产业集聚。例如贵州被选定为大数据试验区后，积极地面向前沿研发机构或优质企业开展引资引智活动，推进企业、高校、科研院所开展技术交流合作。

在产学研合作过程中，高校和科研院所以基础研究为重点，企业以产品开发为重点，这之间的知识具有较强的互补性和异质性，企业可以通过产学研合作接触到前沿科学发明和技术［24］，如通过企业下属研发机构同高校和科研院所间的联合项目，校企间的战略性合作等，在此过程中企业R&D 人员与高校和科研院所R&D 人员可在不同层面上进行交流合作，高校、科研院和企业分别作为知识的输出端和输入端，通过知识流动过程将知识有效应用于企业界创新活动的各个环节［25］。同时产学研合作有助于集聚和整合如科研设备、实验室和科研人才等组织间资源，能够有效分散和降低企业研发成本，形成创新合力［26］，高校和科研机构可为企业提供技术专业性指导，不仅帮助企业解决技术难题，加快研发速度，也提升了企业关于破解诸类问题的能力从而助力企业创新［27］。此外，随着产学研合作的推进，企业可以从外部合作伙伴方获得前瞻性的思想和创意与企业内部知识要素进行整合重组，这有利于企业突破长久以来的思维定式［28］，实现技术突破，并且企业可以借助高校和科研院所的外部资源优势，实现其商业价值从而提升企业内部创新能力［29］。可见，大数据试验区的建立很可能通过增进产学研合作水平，增强企业的创新能力，即产学研合作在大数据试验区赋能企业创新能力过程中承担中介传导作用。

综上所述，本研究首先通过构建产学研协调度模型测度区域产学研合作水平；其次，基于双重差分广义空间模型分析大数据试验区的建立对企业创新能力的影响效应以及产学研合作的中介效应；最后，结合研究结论，为数字技术发展与企业创新能力建设决策借鉴。

2 实验设计

本文研究目的是探究以大数据产业为核心的数字技术发展能否促进企业创新能力的提升，以及验证产学研合作是否在其中发挥中介作用。本文根据我国省份是否被选定列入建立大数据试验区名单，将样本划分为处理组和对照组探究大数据试验区对企业创新能力的影响。

2.1 模型设定

考虑到传统回归模型难以解决由于遗漏变量等原因所导致的内生性问题，因此为有效反映大数据试验区对企业创新能力的空间政策效应，本文引入空间计量模型进行实证分析。同时为验证上文中提到的产学研合作在大数据试验区对企业创新能力影响机制中可能存在的中介传导作用，本文引入中介模型进行分析验证，考虑到广义空间模型SAC 具有同时包含空间误差项依赖性和空间因变量的优势，因此本文选择双重差分广义空间模型对上述分析加以验证，模型设定如下：

2.2 变量选取

（1）被解释变量：EIit表示企业创新能力水平。学者们通常以创新产出衡量企业的创新能力，因此本文参考吴延兵［30］的做法，选取规模以上工业企业新产品开发项目数作为企业创新能力的衡量指标，考虑到样本间数据差异较大，对该值取对数处理。i代表省份；t代表大数据试验区设立的时间阶段。

（2）解释变量：DIDit为组合虚拟变量，也是本文需要估计的大数据试验区政策效应参数，该参数主要由数据组别和大数据试验区试点获批情况的虚拟变量乘积构成。ρ表示空间计量模型的空间相关系数，λ为空间自回归系数，εit表示随机误差项。其中，W为空间权重矩阵，设定原则是若两地区在空间区位上相邻则矩阵元素为1，否则为0。

（3）控制变量：Cit和αi+1表示控制变量，为了全面分析大数据试验区的建立对产学研合作以及企业创新能力影响，在参考以往学者研究基础上，另外对各地区的外商直接投资（Fdi）、规模以上工业企业数量（Fir）、政府制度支持（Sub）、R&D投入（RD）和经济发展水平（Gdp）进行控制。

（4）UIRCit表示产学研合作这一中介变量。区域内产学研合作涉及到企业、高校和科研院所三大创新主体间的互动，以及人员、资金等创新要素在三大创新子系统间的传递流动。为准确评价区域内产学研合作的水平，需建立一个既能反映不同创新主体的特点又能全面地反映各创新子系统的创新发展水平，因此本文在参考王晓红等［31］的研究基础上，从创新投入、创新活动和创新产出3 个维度中选取了28 个具有代表性的指标构建了产学研耦合指标评价体系，而后利用熵权法确定各指标权重，最后利用产学研耦合协调度模型测算各地区产学研合作程度，具体测量方法如下：

首先采用熵值法计算区域产学研合作指标评价体系中各项指标的权重。

（1）对数据进行标准化。为排除不同量纲的影响，首先对数据目标矩阵X=（xij）m×n进行标准化处理。由于本文对于区域产学研合作指标体系各指标均为正向指标，因此标准化公式为：

最终确定区域产学研合作指标评价体系各指标权重如表1 所示。

表1 区域产学研合作评价体系指标权重

对区域产学研合作指标评价体系中各指标确定权重后，为更好地分析三者间的耦合协调发展关系，本文参考迟景明等［32］的研究，首先建立三大创新主体间的耦合函数，其公式为：。其中，f(x)，g(y)，h(z)分别代表企业、高校和科研院所的创新发展水平。其次，在此基础上引入耦合协调度模型，公式如下：。其中T表示企业、高校和科研院所的综合协调指数，α、β、γ分别为企业、高校和科研院所在区域创新系统中的重要程度。考虑到区域创新系统中，企业发挥着真正的主力军作用，而高校和科研院主要承担知识生产和整合功能，在区域中发挥作用基本一致，因此将α设定为0.40，β和γ设定为0.30。D表示最终的区域内产学研创新系统耦合协调度。各变量含义及描述性统计如表2 所示。

表2 变量的描述性统计

2.3 数据来源

数据主要来源于2013—2020 年的《中国统计年鉴》《中国科技统计年鉴》《高等学校科技统计资料汇编》和《中国人口与就业统计年鉴》。考虑到数据的完整性，本文剔除了缺失样本，最终覆盖了27 个省份的数据。

3 实证结果分析

3.1 多重共线性检验

本文在进行回归分析前对数据进行了多重共线性检验，检验结果如表3 所示。各解释变量间的方差膨胀因子均小于5，表明样本不存在严重的多重共线性问题。

表3 解释变量的VIF 值

3.2 平行趋势检验分析

平行趋势检验是双重差分空间计量模型在准自然实验之前的重要前提，即需要处理组和对照组必须具备一致的发展趋势，同时这种一致性趋势不随时间发生明显改变［25］。因此为检验企业创新能力和产学研合作是否通过平行趋势试验，本文采用以下方法加以验证。

首先，鉴于建设大数据试验区推广的峰值是在2016 年，虽然贵州在2015 年作为首个获批大数据试验区的省份，但于9 月才启动建设，因此考虑到政策效应的实际冲击效果，本文参照邱子迅等［9］的做法，不考虑贵州的极端时间，将2016 年设定为政策冲击年份，根据2016 年前后年份分别设定一系列虚拟变量，分别用BeforeX和AfterX表示，而后通过回归法进行平行趋势检验，若在政策冲击前的BeforeX不显著为正，则证明大数据试验区设立前后被解释变量的变化趋势不存在显著差异，即平行趋势检验通过。检验结果如表4 所示，结果显示以企业创新能力和产学研合作为被解释变量的回归检验中，Before1-4 的系数均不显著为正，After1-3 的系数均显著为正，说明处理组和对照组在大数据试验区设立前满足了平行趋势假设。

表4 平行趋势检验回归结果

其次，本文参照张军等［33］、王晓红等［25］的研究，采用绘图法对企业创新能力和产学研合作水平在2016 年之前的平均值演变趋势进行判断。结果如图1，图2 所示，尽管处理组和对照组的企业创新能力和产学研合作水平均值存在差异，但是样本组别间的差异保持相对稳定，即呈现出了相同的演变趋势。因此，可以认定在获批建立大数据试验区之前，处理组和对照组的企业创新能力和产学研合作水平通过了平行趋势检验，也说明了本研究有较高的可信度。

图1 样本企业创新能力均值

图2 样本企业产学研合作水平均值

3.3 基准回归结果

如表5 基准回归结果所示，模型1 和模型3 的被解释变量是企业创新能力，模型2 的被解释变量是产学研合作水平。首先，观察模型1 结果可以发现，大数据试验区试点政策效应参数DID 对企业创新能力在5%水平下显著为正，表明大数据试验区的建立对企业创新能力确有促进作用。模型2 中，大数据试验区试点政策效应参数DID 在1%水平下显著为正，表明大数据试验区的建立能够拉动当地的产学研合作水平。在模型3 中，大数据试验区试点的政策效应参数DID 在5%水平下显著为正，且回归系数（0.064 3）小于模型1 中的系数（0.066 4），且产学研合作UIRC 的回归系数在5%水平下显著为正，综合上述结果，表明产学研合作在大数据试验区试点政策对企业创新的影响机制中存在部分中介效应，即大数据试验区的建立有利于增进区域内产学研合作水平，进而促进企业创新能力的提升。此外，从表5 的空间溢出效果中可以看出，各模型的空间相关系数ρ显著为正，表明大数据试验区的建立具有辐射效应，加快了相邻地区间的要素流动，使得相邻地区能够借助大数据试验区的政策红利，实现双向流动，从而形成了正向溢出效应，凸显了大数据试验区的示范引领作用正在逐步扩大。

表5 基准回归结果

3.4 稳健性检验

（1）替换被解释变量。上文中，本文采用新产品项目数衡量企业的技术创新能力，在稳健性检验中，本文将企业创新能力的衡量变量替换为有效发明专利与R&D 经费的比值（Pat）重新进行回归分析，估计结果如表6 中列（1）至列（3）所示，结论与前文保持一致，限于篇幅结果不再次赘述。

（2）政策干预时间的安慰剂试验。本文借鉴张军［33］的做法，将大数据试验区的政策冲击时间提前两年进行反事实试验，若检验检验结论与上文一致，则表明大数据试验区的建立对企业创新能力的影响是受到其他因素的影响，并非设立大数据试验区所致。检验结果如表6 中列（4）所示，企业创新能力对应的DID2014 系数为0.004 4 且不显著，与上文结论相悖，说明企业创新能力提升的原因是来自大数据试验区的设立而非其他因素，证明了前文结论的稳健性。

（3）处理组变换的安慰剂检验。本文另进行处理组变换的安慰剂检验：即考虑并没有受政策影响地方假设其受到政策影响，由于事实上这些地区并未设立大数据试验区，因此理论上这些地区企业创新能力不应该受到虚假设立大数据试验区的正向冲击，为了对此进行验证，本文随机假设黑龙江、吉林、江苏、山西设立了大数据试验区，同样采用双重差分广义空间模型进行估计，结果如表6 中列（5）中所示，企业创新能力对应的DIDH 系数分别为0.011 2 且不显著，与上文结论相悖，证明了前文结论的稳健性。

表6 稳健性检验回归结果

4 结论与建议

本文基于2012—2019 年省级面板数据，从数字技术相关政策视角出发，采用双重差分广义空间模型研究了大数据试验区的建立对企业创新能力的影响机制，得出主要结论如下：第一，大数据试验区的建立能够发挥政策红利，显著提升企业的创新能力。第二，大数据试验区的建立能够提升区域内产学研合作水平，并且产学研合作在大数据试验区对企业创新能力的赋能效应中起到部分中介作用。第三，大数据试验区的建立具有显著正向空间溢出效应，表明大数据试验区不仅在本地能够发挥政策红利，并且具有较强的示范引领作用，对周边地区存在辐射效应。

根据研究结论，本文提出以下政策启示：第一，以大数据试验区实践为基础大力发展数字技术，推进如互联网，大数据等数字技术的普及应用，完善数字平台的信息基础设施建设，鼓励企业积极开展创新活动，期间了解企业实际诉求，适当对企业创新提供惠企政策，如提供研发补贴降低创新风险，继续发挥数据试验区对企业创新能力的赋能效应。此外，抓住数字经济发展机遇，打造专业人才队伍，注重数字经济人才培养和引进，提高区域数字素养。第二，企业要根据自身特点完成传统制造向智能制造的适时调整，从当前创新需求出发，评估企业自身需要提高的方向和程度，合理利用大数据分析、物联网、云计算等前端技术提高组织内部创新能力，如将数字技术的使用扩展到供应链流程中，及时了解生产模式、客户需求和政府法规的频繁变化，力求在高度动态的环境中获取竞争优势。第三，注重加强地区产学研联盟的建设，构建以企业为主体的产学研深度耦合创新生态体系，缓解企业面临独立创新难的问题。期间要注重健全高校和科研院所的科研工作机制，支持各类科研组织结合自身优势资助选择科研项目，加强产学研创新主体的交流合作和相关配套机制建设，构建产学研协同创新的长效机制，助力企业创新发展。