数字经济赋能工业创新的机理及效应研究——基于工业创新活动的技术效率和技术进步视角

廖直东,代法涛

(1.广东财经大学 财政税务学院,广东 广州 510320;2.河南财经政法大学 经济学院,河南 郑州 450016)

一、引言

深入实施创新驱动发展战略是有效破解我国制造业大而不强发展困境的必由之路,也是积极应对发达国家和发展中国家“双重挤压”严峻挑战的关键所在。在我国持续发力创新能力建设和以企业为主体的创新体系构建后,如何提高创新效率值得深入研究。制度(陈克兢等,2020)[1]、制度变迁(王婧和蓝梦,2019)[2]和外贸(赵甜和方慧,2019)[3]等生产关系方面因素对创新效率的影响得到广泛关注。然而,创新活动过程中使用的新工具和新技术手段同样会带来创新效率的改变。以人工智能、物联网、大数据、云计算等数字技术为代表的新一轮科技革命浪潮方兴未艾,数字经济蓬勃发展,这为我国制造业实现转型升级和由大变强带来了机遇。对创新而言,数字技术,尤其是人工智能,不仅为创新活动提供了新的工具,还有可能是关于发明方法的发明[4]。那么,数字经济发展对工业创新效率①的作用机理及影响效应究竟如何?

2016年G20峰会在《倡议》②中提出的数字经济定义得到学术界的较多认可,该定义认为,数字经济是使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。学术界已经对数字经济的分类[5-7]等进行了广泛的研究。随着数字经济的快速发展,数字经济发展的效应也得到越来越多的关注。数字经济发展对生产效率[8]、城市高质量发展[9]、区域全要素生产率[10]、制造业质量升级[11]和就业质量[12]等具有积极作用。而关于数字经济发展对创新影响的研究主要集中在两个方面。

一是着重研究数字经济发展对创新产出的作用。余泳泽等[13]发现互联网促进了城市技术创新,Liu et al.[14]则以中国制造业数据为基础,实证检验了人工智能对专利产出的促进作用,这两份研究重点关注单项数字技术的创新产出效应。而直接研究数字经济发展与创新产出间关系的文献表明,数字经济发展提高了区域专利产出[15,16],且具有空间效应和门槛效应[17,18]。韩璐等[19]发现数字经济提升了城市层面的专利市场价值,董香书等[20]发现数字经济可以促进企业创新产出,且呈现“边际效应”非线性递增特点。

二是从不同视角、不同层次分析数字经济发展对创新效率的影响及其机制。侯世英和宋良荣[21]发现数字经济对企业创新效率具有促进作用,而且能够正向调节市场整合对企业创新效率的提升效应。此外,蒋仁爱等[22]的分析表明,互联网发展水平对城市创新效率具有促进作用,但经济发展水平和人力资本水平反向调节互联网发展水平的促进作用;韩先锋等[12]的分析表明,互联网发展对区域创新效率具有提升作用,且人力资本、金融发展和产业升级对互联网发展影响区域创新效率具有中介作用。汪文璞和徐蔼婷[24]研究发现,数字经济可以集聚人才资源、缓解融资约束和优化营商环境进而驱动企业创新效率。

现有相关文献为理解数字经济发展对工业创新效率的影响提供了有益洞见和方法支持,但是现有文献尚存在以下两点不足。其一,直接研究数字经济发展对工业创新效率影响的文献较少。坚持创新驱动是我国工业尤其是制造业发展困境的破解之道,而互联网、大数据、人工智能等数字技术已呈融合发展之势,数字经济将快速发展,研究数字经济发展是否以及如何影响工业创新效率显得尤为必要。其二,对数字经济发展影响创新效率机制的研究有待深化和拓展。现有研究分析了市场整合、金融发展和人力资本等机制变量的中介作用。本质上,互联网、大数据、人工智能等数字技术在创新领域的应用,不仅改善了创新活动的技术手段,也促进了创新资源的配置。但现有文献对这两个影响渠道的分析尚不够深入。

本文首先从促进创新资源的优化配置和改进创新活动的技术手段两个方面分析了数字经济发展赋能工业创新的理论逻辑,并以工业创新活动的全要素生产率表示创新效率,采用基于连续前沿的DEA-Malmquist指数模型测算工业创新活动的全要素生产率、技术效率和技术进步,进而实证检验数字经济发展对工业创新效率的作用及影响渠道。本文的创新之处有三点：其一,本文从理论上分析了数字经济发展对工业创新效率的技术效率影响渠道和技术进步影响渠道,这就有力地拓展和深化了关于数字经济发展对创新效率影响机制的研究;其二,本文基于2011—2019年的工业企业省级面板数据,采用工具变量法检验了数字经济发展对工业创新效率及其影响渠道的作用,为进一步认识数字经济发展的经济效应提供了经验证据;其三,本文的研究为促进我国工业尤其是制造业数字化转型提供了知识基础和政策支持,为破解我国制造业发展困境提供了路径支持。

二、研究假设

与把经济增长的驱动机制区分为要素投入驱动、效率驱动和创新驱动类似,可以把工业创新活动的绩效提升来源区分为创新要素投入驱动、创新资源配置效率驱动和创新技术手段改进驱动。夏杰长等[16]从创新要素投入驱动分析了数字经济发展对区域创新产出的影响。但较少有文献从创新资源配置效率驱动和创新技术手段改进驱动视角探讨数字经济发展对工业创新活动的作用。为了与本文的实证研究部分充分衔接,参考DEA-Malmquist指数模型,用工业创新活动的全要素生产率表示工业创新活动的效率,并把工业创新活动效率的改进来源区分为工业创新活动的技术进步和技术效率提升。本质上,工业创新活动的技术进步表示工业创新的技术手段改进状况,工业创新活动的技术效率提升则表示工业创新资源优化配置状况。因此,通过分析数字经济发展对工业创新活动的技术进步和技术效率的作用,进而研究数字经济发展对工业创新效率的作用机理。

(一)数字经济发展对工业创新活动技术进步的作用机理分析

工业创新活动的技术进步指工业创新活动过程中采用的工具、手段和方法的改进状况。在工业创新投入不变的情况下,工业创新活动的技术进步能提高创新产出,即可以带来创新效率的提升,表现为工业创新活动前沿面的外移。可以从创新过程视角和创新系统视角分析数字经济发展对工业创新活动技术进步的推动作用。

从企业创新过程视角分析,数字经济发展可以克服企业创新过程中面临的各种约束,进而促进工业创新活动的技术进步。在充满不确定性的现实世界中,企业投资经营面临认知水平约束。企业的创新活动是企业投资经营活动的重要内容,但比企业其他投资经营活动面临更高的不确定性,因而也更易受到企业经营者认知水平的影响。具体到企业创新活动中,企业经营者不仅面临由人类认知极限导致的信息处理约束,还面临局部搜寻惯例结果[25]。企业的创新过程大体上有创意产生、创意发展和创意实施三个阶段[26]。显然,每一个阶段都需要以数据为支撑,并从数据中挖掘、提取有用知识,进而做出决策。但由于信息处理约束,企业经营者获取的信息是不完全的,这就会极大地限制企业经营者对创新机会的识别、问题解决方案的评估和确定、新产品和新服务的开发等。而由于局部搜寻惯例,企业局限在与现有技术相临近的技术空间中搜寻问题解决方案,这会限制创意和新技术的有效性。大数据、云计算、区块链和人工智能等数字技术的融合发展,使企业能够收集、整合、分类、加工和处理大数据,使企业决策呈现数据智能化特点[27]。大数据具有完备性和多维性。机器学习等人工智能作为一种新知识、新思想生产的元技术,它有助于在复杂的知识空间中进行搜索,从而改进了对相关知识的获取,并提高了预测新组合价值的能力[28]。因而,人工智能技术在大数据加工和处理中的应用,大大拓展了企业搜寻的广度和增加了搜寻的深度,可以有效实现企业的知识重组,进而能够克服企业创新活动中面临的信息处理约束和避免局部搜寻惯例结果,有助于企业掌握市场需求变化信息和科技创新的最新动态,能够快速识别创新机会和形成有效解决方案。不仅如此,数据智能化可有效支持创新过程中的各阶段的决策,这会缩短创新周期、节省创新成本,提高创新绩效。

从创新系统视角分析,数字经济发展可以促进创新系统内各主体决策的数据智能化程度,进而有力地支持企业的创新活动。根据创新系统理论,企业是实施创新的直接主体,但企业的创新活动能否成功不仅与消费者、供应商等有关,还与区域内的科研机构、金融机构和政府部门等有关。大数据、云计算、机器学习等技术的融合发展,不仅能克服企业创新活动中的信息处理极限和避免局部搜寻惯例结果,还能为创新系统内其他主体的决策提供技术支持,提高其决策的数据智能化程度。这就不仅促进了这些主体自身的发展,也有利于企业创新活动过程中各阶段的决策,进而支持企业创新活动的顺利实施和成功实现创新。因此,从创新系统视角分析,数字经济发展可以促进创新系统内各主体的良性互动,进而实现创新活动的网络协同效应。

综合上述讨论,可以提出本文的第一个待检验研究假设：

H1：数字经济发展可以促进工业创新活动的技术进步。

(二)数字经济发展对工业创新活动技术效率的作用机理分析

工业创新活动的技术效率是指工业创新活动过程中的资源配置状况,在工业创新投入不变的情况下,优化工业创新活动过程中的创新资源配置同样可以提高创新产出水平,表现为在给定创新投入的情况下,创新产出水平不断向创新活动前沿面逼近。根据Goldfarb和Tucker[29],数字技术可以降低五类经济成本,因此,数字经济的发展可以促进工业创新活动中的创新资源配置,这可以从微观企业个体和宏观整体的角度进行分析。

从微观企业个体的角度分析,数字经济发展有助于企业创新管理,从而实现创新资源的高效配置。创新决策的数据智能化不仅有助于企业发现创新机会、提出解决方案、评估和筛选解决方案,还有助于企业加强对创新活动的管理,优化创新活动中的人力资源和物质资源的配置。在创新过程的各个阶段,尤其是在创意实施阶段,创新活动涉及企业内各部门和企业外各类主体,创新决策的数据智能化有助于企业创新部门与企业内其他部门和企业外各类主体的协调。这就能提高企业创新活动的技术效率。

从宏观整体的角度分析,数字经济发展有助于创新资源的优化配置。与数字经济发展促进创新系统内各类主体之间的良性互动密切相关;本质上,数字经济发展促进创新系统内各类主体之间的良性互动,即是促进技术要素、资金和人才等创新资源的优化配置。创新活动往往具有高度不确定性,这会导致实施创新活动的企业面临很高的融资约束,金融机构决策的数据智能化有助于降低企业面临的融资约束,为企业创新活动提供必要的资金支持。创新活动还具有很强的正外部性,尤其是越往创新价值链上游,正外部性越强,因而创新活动对整个社会而言往往是不足的,而这需要政府的财政支持,政府部门决策的数据智能化有助于筛选出具有发展潜力的创新项目和创新企业,充分发挥财政支持的“择优”“扶优”作用。此外,科技成果的转化和创新的顺利实施还需要实现技术要素的供需对接和有效匹配,数字经济的发展使技术要素供需双方的决策呈现数据智能化特点,技术要素供给方能够及时、充分地掌握技术要素需求方的技术要素需求信息,而技术要素需求方也能够及时、充分地掌握技术要素供给方的技术要素供给信息,进而双方都能够基于云计算、机器学习等人工智能技术实现对接和匹配,这就能极大地提高科技成果转化率,实现创新资源的优化配置,最终促进创新活动的效率水平。概括起来,数字经济发展可以有效促进创新资源在企业间、行业间和地区间等多个层面的优化配置,进而促进工业创新活动的技术效率。

综合上述讨论,可以提出本文的第二个待检验研究假设：

H2：数字经济发展可以促进工业创新活动的技术效率。

考虑到工业创新活动的全要素生产率可以分解为创新资源配置效率和创新活动的技术进步,因此综合以上分析,还可以提出本文的第三个待检验研究假设：

H3：数字经济发展可以提升工业创新活动的全要素生产率。

三、研究设计

(一)计量模型

假设工业部门创新活动产出函数如下：

Y=tfp×F(K,L)

(1)

K代表用于创新活动的物质资本投入,L代表用于创新活动的劳动力投入,tfp代表创新活动的全要素生产率,进一步把tfp分解为创新资源配置效率和创新活动的技术进步,根据前文的研究假设,数字经济发展会同时影响企业的创新资源配置和创新活动的技术进步,因而有：

tfp=te(dige,z)×tec(dige,w)

(2)

te表示创新资源配置效率,即技术效率;tec表示创新活动的技术进步;dige表示数字经济发展;z和w分别表示会影响创新技术效率和创新技术进步的其他因素。本文实证研究采用的数据是2011—2019年工业企业省级面板数据,因此,根据上式,可设计如下三个面板数据模型：

(3)

(4)

(5)

上式中,下标i表示省份,t表示年份。由于工业创新活动涉及多种创新投入和多种创新产出,参考效率分析的文献,用工业创新活动的全要素生产率表示工业创新活动效率。α0、γ0和λ0表示常数项。α1、γ1和λ1表示数字经济发展变量的回归系数。xit、zit和wit表示控制变量向量,β、η和τ表示控制变量系数构成的向量,μi表示固定效应。εit表示随机扰动项,随机扰动项符合惯常的假设。本文重点关注α1、γ1和λ1的符号、大小和统计显著性情况。

(二)变量说明

1.被解释变量

本文的主要解释变量是工业创新效率,用工业创新活动的全要素生产率(tfp)表示,如前所述,为分析数字经济发展对工业创新效率的内在作用机理,进一步把工业创新活动的技术进步(tec)和技术效率(te)作为被解释变量。测算以上三个变量需要采用基于DEA的Malmquist方法,具体步骤如下：

首先,确定工业创新活动的投入和产出。参考相关文献的做法[23],以地区规模以上工业企业研发经费内部支出和研发人员全时当量分别表示工业创新活动的物力投入和人力投入,以地区规模以上工业企业的新产品销售收入和专利申请数量表示地区工业创新活动的产出,研发经费内部支出和新产品销售收入采用物价指数进行了处理。

其次,采用基于连续前沿面和产出导向DEA的Malmquist方法测算2011—2019年各地区工业创新活动的全要素生产率变化、潜在技术进步和技术效率变化。在当期前沿的基础上构建连续前沿(Oh and Heshmati,2010)[30]。假设和分别表示非负实数投入向量和非负实数产出向量,则时期的当期生产可能性集如下：

Pt(xt)={yt：xt能够生产yt}

(6)

t时期的连续生产可能性集如下：

(7)

其中,1≤t≤T。决策单元i(i=1,L,K)在t时期的产出距离函数如下：

(8)

该产出距离函数可以通过如下线性规划进行求解：

(9)

(10)

(11)

(12)

最后,基于Malmquist全要素生产率指数计算工业创新活动的全要素生产率(tfp)。参考程惠芳和陆嘉俊[31]的思路,2011年各地区工业创新活动的全要素生产率设定为1,2012年某地工业创新活动的全要素生产率等于2012年该地工业创新活动的全要素生产率指数乘以2011年该地工业创新活动的全要素生产率,而2013年该地工业创新活动的全要素生产率等于2013年该地工业创新活动的全要素生产率指数乘以2012年该地工业创新活动的全要素生产率,以后年份以此类推。采用同样的方法,可以计算各地工业创新活动的技术进步(tec)和技术效率(te)。

2.解释变量

本文的解释变量为数字经济发展指数(dige)。参考赵涛、张智、梁上坤的方法[9],从互联网发展和数字普惠金融两个方面对数字经济发展进行测度。具体地,选取百人中互联网宽带接入户数、百人中移动电话户数、信息传输计算机服务和软件业从业人员占城镇单位就业人员的比重、人均电信业务量、数字普惠金融指数五个指标,标准化后采用主成分分析法进行降维处理。

参考韩先锋等[23]的研究,本文的控制变量主要包括：金融发展(fin),用金融机构存贷款余额与地区GDP的比值表示;产业结构(ind),用第二产业和第三产业增加值之和与地区GDP的比值表示;人力资本(humcap),用地区人均受教育年数表示;贸易开放度(open),用地区进出口总额与地区GDP的比值表示;政府支持(gov),用规模以上工业企业研发经费内部支出中来自政府的资金所占比重表示;知识产权保护(techm),用地区技术市场技术输出地域合同金额与地区GDP的比值表示;地区研发强度(rdd),用地区研发经费内部支出总额与地区GDP的比值表示;市场化(mar),用地区非国有单位就业人员与地区城镇单位就业人员年末人数的比值表示。

(三)数据说明和描述性统计分析

构建数字经济发展指数所需主要原始数据,其中省级数字普惠金融指数来自北京大学数字金融研究中心[32],其他数据来自历年《中国统计年鉴》。测算工业创新活动全要素生产率、技术进步和技术效率所需数据,以及构建控制变量所需数据主要来自EPS全球统计数据/分析平台。由于省级数字普惠金融指数只有2011—2020年的数据,而2020年省规模以上工业企业创新活动投入、产出统计数据尚未公布;另外,西藏自治区创新数据有较多缺失值,因而本文可用数据为2011—2019年30个省级地区的面板数据。表1给出了主要变量的描述性统计。

表1 描述性统计

四、实证分析

(一)固定效应模型回归

首先,考察数字经济发展对工业创新活动全要素生产率的影响。Hausman检验显示,应该采用固定效应模型进行估计,结果如表2序列(1)和序列(2)所示。结果表明,在没有加入控制变量的情况下,数字经济发展对工业创新活动全要素生产率的影响系数为0.163,且具有很强的统计显著性。而在加入控制变量后,影响系数变为0.245,且在10%的水平下显著,这说明在控制其他变量的情况下,估计结果显示数字经济发展能够显著促进工业创新活动的全要素生产率水平。

表2 固定效应模型回归结果

然后,分析数字经济发展对工业创新活动全要素生产率的作用渠道,即分别研究数字经济发展对工业创新活动技术效率和技术进步的影响。表2序列(3)和序列(4)的估计结果表明,在加入控制变量和不加入控制变量的情况下,数字经济发展对工业创新活动技术效率的影响系数均为正,但都不具有统计显著性。这意味着,数字经济发展并没有促进工业创新活动的技术效率。而表2序列(5)和序列(6)的估计结果表明,在加入控制变量和不加入控制变量的情况下,数字经济发展对工业创新活动的技术进步影响系数分别为0.109和0.111,符号都为正,且都在1%水平下显著,这说明数字经济发展显著促进了工业创新活动的技术进步。

综上,采用固定效应模型的回归结果表明,数字经济发展可以提高工业创新活动的全要素生产率,且数字经济发展对工业创新活动绩效的提升作用主要是通过促进工业创新活动的技术进步来实现的。

(二)工具变量回归

上述固定效应模型的回归结果表明,数字经济发展对工业创新效率具有提升作用,且主要是通过促进工业创新活动的技术进步实现的,但是上述结果是基于当期数字经济发展数据的估计结果。然而,一方面大数据、人工智能等数字技术的发展可以突破人类信息处理极限和避免局部搜索惯例结果,进而从数据中发现尚未满足的需求和创新机会,并迅速从海量的知识中取得解决方案,这将大大提升工业创新效率,进一步地,数字技术还可以迅速协调消费者、厂商和供应商,实现供给和需求的快速匹配和有效对接,这会带来网络协同效应,进而提升创新效率。另一方面工业创新效率的提升也有可能进一步推动数字经济的发展,属于数字经济的一些行业,本身可能就是工业行业[6],此外,数字经济的快速发展可能依赖数字硬件设施的完善,而这又与上下游工业行业的发展密切相关。因此,数字经济发展与工业创新效率之间可能存在反向因果关系,如果经验分析不考虑这种情况,则可能会导致估计偏误。

为了缓解内生性引起的估计偏误,本文参考相关文献的方法[9,33],采用1985年各省级地区每百人固定电话数作为数字经济发展的工具变量。一方面,1985年固定电话普及率较高的地区,相较于固定电话普及率更低的地区,互联网普及应该更早,且普及率也更高,这就为数字经济发展提供了更好的发展条件。另一方面,1985年的固定电话普及率并不会直接影响当前各地区的工业创新效率水平。因而该变量满足工具变量相关性和外生性要求。参考Nunn和Qian[34]的思路,以各地区1985年每百人固定电话数与上一年全国信息传输计算机服务和软件业的社会固定资产投资构造交互项,用于面板数据估计。在构造交互项前,用以2009年为基期的固定资产投资价格指数对2010—2018年全国信息传输计算机服务和软件业的社会固定资产投资额进行处理,以剔除价格因素的影响。所需数据来自EPS全球统计数据/分析平台、各地历年统计年鉴。采用两阶段最小二乘法(2SLS)重新估计式(3)、式(4)和式(5),估计结果如表3所示。

表3 工具变量回归结果

在进行估计结果分析之前,首先需要考察工具变量的识别不足问题和弱识别问题,本文采用Kleibergen-Paap rk LM检验和Kleibergen-Paap rk Wald F检验分别分析工具变量的识别不足问题和弱识别问题。表3的结果显示,六个模型的Kleibergen-Paap rk LM检验结果和Kleibergen-Paap rk Wald F检验结果都显示工具变量是合理的。且在加入控制变量和没加入控制变量的情况下,关键解释变量数字经济发展(dige)的影响系数都具有很强的统计显著性,这里的分析以加入控制变量的模型估计结果为主。

序列(2)和序列(6)显示,在考虑数字经济发展变量内生性的情况下,数字经济发展对工业创新活动全要素生产率和技术进步的影响系数符号均为正,且都在1%水平下显著,与表2序列(2)和序列(6)的估计结果相比,系数符号一致,但统计显著性更强。表3序列(4)的估计结果表明,数字经济发展对工业创新活动技术效率的影响系数符号为正,且在1%水平下显著,与表2序列(4)的估计结果相比,系数符号一致,但从不显著变为显著。这说明,在考虑数字经济发展内生性后,数字经济发展对工业创新活动的全要素生产率、技术进步和技术效率都具有提升作用。此外,表3中序列(4)和序列(6)数字经济发展对工业创新技术效率和技术进步的影响系数分别为0.198和0.182,两者差别不是很大,这说明数字经济发展可以通过技术效率渠道和技术进步渠道提高工业创新活动的创新效率,且两种渠道的作用大体相当。

五、研究结论与政策启示

首先,本文把工业创新活动效率的改进来源区分为工业创新活动的技术进步渠道和技术效率渠道,进而从创新过程视角和创新系统视角分析了数字经济发展促进工业创新活动技术进步的理论逻辑,并从微观企业个体和宏观整体两个层面探讨了数字经济发展优化工业创新活动过程中资源配置的内在机理。基于2011—2019年工业企业省级面板数据,采用工具变量法的实证分析表明,数字经济发展提高了工业创新活动的全要素生产率、技术进步和技术效率,这说明,数字经济发展可以通过工业创新活动的技术进步渠道和技术效率渠道影响工业创新活动效率,且两种渠道的作用大体相当。

其次,本文的研究聚焦于数字经济发展对工业创新效率的影响,同时丰富了关于数字经济发展效应方面和创新效率方面的研究文献。关键的是,本文从促进创新资源的优化配置和改进创新活动的技术手段两个方面分析了数字经济发展促进工业创新效率的理论逻辑,并采用经验数据验证了工业创新效率改进的技术进步渠道和技术效率渠道,这就深化了我们对数字经济发展促进工业创新效率影响机制的理解。

最后,本文的研究具有深刻的政策启示。基于上述研究结论,本文认为,应该抓住新一轮科技革命给我国制造业带来的发展机遇和发展窗口,充分发展数字经济以深入实施创新驱动发展战略,进而破解我国制造业大而不强的发展困境,有效应对我国制造业面临发达国家和发展中国家“双重挤压”的严峻挑战。具体而言,一方面,应进一步完善财税支持政策,支持数字化赋能行业发展,增加对数字化赋能基础设施的投入,促进工业尤其是制造业的数字化转型,推动企业创新活动数字化转型。另一方面,加快制定和完善与数字经济相关的法律法规和政策体系,提高数字经济治理水平。唯有如此,才能加快推动数字经济发展和充分发挥数字经济赋能创新活动的效应,进而破解制造业发展面临的困境和全面塑造发展新优势。

[注 释]

① 按国民经济行业分类,工业包括采矿业、制造业和电力、热力、燃气及水生产和供应业,由于分地区产业创新数据的统计口径是工业,因而本文着重研究工业的创新效率。

② 二十国集团数字经济发展与合作倡议[EB/OL]．http： / /www．g20chn．org /hywj /dncgwj /201609/t20160920_3474．html, 2016-09-20．