“互联网+”对科研机构创新效率的异质影响效应

韩先锋

(西安理工大学经济与管理学院,陕西西安710054)

党的十九大报告指出,创新是引领发展的第一动力,是建设现代化经济体系的战略支撑.科研机构作为知识创新的重要载体,对新时代下我国加快建设创新型国家至关重要.据统计,我国科研机构R&D 人员由2009年的32.3 万人迅速上升为2016年的45.0 万人,R&D 经费由2009年的996.0 亿元猛增至2016年的2 260.2 亿元.截止2016年,我国共有科研机构3 611 个,这些科研机构共承担课题100 925 项,发表科技论文175 169 篇,专利申请授权数高达21 442 件.毫无疑问,科研机构将在促进我国科技进步和经济高质量增长中扮演着越来越重要的角色.因此,现阶段如何有效提高科研机构创新效率、推动科研机构的创新驱动发展,应是加快建设创新型国家的重要内容和战略行动.与此同时,“互联网+”已成为当前不可阻挡的时代潮流,正对中国社会经济创新发展产生着全局性和战略性的深刻影响.在这种情形下,国家审时度势提出了“互联网+”战略,以更好地发挥“互联网+”的创新驱动作用,这预示着“互联网+”将成为推动“大众创新、万众创业”和建设创新型国家的“助推器”,相应地包括科研机构在内的创新主体将成为“互联网+”发挥创新效力的主战场.那么,一个值得深思的现实问题是,“互联网+”是否能成为当前驱动科研机构创新效率提升的新动力? 如果有积极影响,又存在何种异质溢出特征? 如何才能更有效地挖掘和释放“互联网+”对科研机构创新活动的溢出红利? 客观回答上述问题,有助于基于科研机构创新角度进一步理解“互联网+”对我国“创新型国家”建设的战略价值,也对新时代下科研机构有效借助“互联网+”力量驱动技术创新能力提升具有重要的现实意义.

关于科研机构创新问题一直是学术界关注的重点话题.科研机构作为区域创新系统创新活动的行为源头,其创新行为特点主要表现在以研究开发课题为核心、重点关注有重要影响的核心技术研发、创新成果主要以新颖的知识性产品为主、以知识创新和成果传播为重要职责、创新活动通常不直接产生市场利益等方面[1-2].在我国创新体系中,科研机构和企业一样,均被视为国家科技创新的主体力量,也是区域创新系统和不同产业创新活动的重要组成部分,但二者在创新活动的功能定位上有着本质区别,表现为:科研机构是知识创新的主体,更偏向于基础研究,主要进行知识生产和传播,而企业是技术创新的主体,更偏重于应用研究和试验发展,主要进行新技术的应用和扩散[3].相对于科研机构创新行为、功能等问题的理论阐释,当前学术界更偏向于其创新效率评价和影响因素识别,且这方面的文献也还相对匮乏,事实上大量文献主要集中于企业创新效率及影响因素的研究,这与科研机构在我国区域创新系统中的重要作用和地位极不相称.

总体看来,现有关于科研机构创新效率的文献主要体现在三个方面:1)科研机构创新效率评价方法与指标选择.现有主要测度方法包括随机前沿分析法[4]、数据包络分析(DEA)法[5]、同行评议与模糊层次分析法[6]、熵值法[7]和全局密切值模型[8]等,而通常被用来评价科研机构创新效率的指标主要包括R&D人员投入、R&D 经费投入、专利、科技论文和科技专著等方面[9-10];2)科研机构创新效率的测度及分析.蒋仁爱等[11]基于中国1 813 家研究所数据评价发现,研究所的科技投入总体上不存在规模效应.陈关聚和安立仁[12]采用随机前沿技术测度外资企业研发机构创新效率发现,研发机构创新效率水平的区域间分化明显,并没有呈现出自东向西逐渐下降的特征.李柏洲等[7]测度表明,中、西部地区科研院所科技资源配置能力较低,其演变综合效度处于快速上升状态,东部地区科研院所的科技资源配置能力较高,其演变综合效度则呈下降态势.陈耀等[13]测算发现,我国农业科研机构科技创新能力整体水平较低且差异较大,存在明显的两极分化特征;3)科研机构创新效率的影响因素识别.胡慧英等[14]考察发现,科研机构产出不仅与科研投入规模及结构密切相关,还受到经济发展和资源环境等的影响.白俊红[15]研究表明,经济发展、企业与科研机构的合作对科研机构知识生产效率具有显著的正向影响,而人力资本、政府与国外对科研机构的资助则对科研机构知识生产效率产生了显著的负向影响.余冬筠等[4]分析发现,政府对科研院所的经费资助对其创新效率产生了明显的抑制作用.李柏洲等[16]研究发现,资金来源结构对科研院所的价值创造效率有负向效应,而应用导向和跨学科研究则对其有促进作用.林青宁等[17]研究指出,只有当研发禀赋结构处于合理区间时,协同创新才能有效地提高农业科研院所的创新能力.不难发现,上述研究多聚焦于科研机构创新效率的测算及结果分析,关于如何提升科研机构创新效率的文献还不多见且考虑的影响因素也较为有限,尤其是忽视了外部因素对科研机构创新效率影响的长短期冲击差异和空间异质性特征,仅有吴雪莲等[18]基于创新产出角度对财政科技投入影响农业科研机构创新的长短期动态效应做了探讨.因此,目前学术界对如何提升科研机构创新效率的解读还不够细致,难以针对不同时段给出富有指导性的政策建议.

在互联网时代下,随着创新活动的数字化、智能化和网络化特征日益凸显,“互联网+”对创新活动的影响逐步引起了学术界的关注.理论研究方面,多数文献肯定了“互联网+”对创新的积极影响.Guire等[19]强调,在互联网的驱动下,企业更容易实现前瞻性研发和精确预测.Glavas 等[20]通过国际创业企业案例,得出了企业主动性、创新性有利于其表现出互联网能力的结论.Audretsch 等[21]研究发现,宽带基础设施对创新活动存在显著的促进作用.也有部分文献对互联网如何影响创新活动做了理论阐释.李海舰等[22]指出,“互联网+”可通过实现大数据、云计算等为代表的新一代信息技术与传统产业的融合创新,来提升创新能力.马化腾等[23]则认为,“互联网+”能通过技术、市场、要素、人才和商业模式等方面来推动创新活动;实证研究方面,仅有少数几篇文献探讨了“互联网+”与创新关联性,而关于“互联网+”影响创新效率的研究更属凤毛麟角.张旭亮等[24]实证探讨了中国省域互联网发展对区域创新的影响,结果表明,互联网对区域创新产出有较明显的推动作用.李佳钰等[25]利用2011年～2016年中国工业层面面板数据研究发现,互联网对技术创新效率的影响表现出显著的阶段异质性,其对技术开发效率的促进作用强于技术转化效率.王可等[26]利用世界银行对中国制造业企业的调查数据,探讨了“互联网+”在中国制造业中发挥的作用,结果发现,互联网的应用显著推动了制造业企业的创新活动.遗憾的是,“互联网+”对创新的影响虽已成为政府和学界当前关注的热点问题,但仅有的几篇文献主要集中于企业层面且多以理论分析为主,而关于“互联网+”对科研机构创新效率影响的实证研究尚属空白,尤其是未有文献探讨“互联网+”对科研机构创新效率影响的长短期异质性和空间异质性特征.事实上,任何经济现象都难以摆脱相互之间的时空影响而孤立存在.因此,不考虑时空异质性特征,显然难以完全反映出“互联网+”创新溢出的客观实际.

鉴于此,本文实证考察“互联网+”能否成为科研机构创新效率提升的新动力这一现实问题,以期为新时代下我国基于“互联网+”有效提升科研机构创新效率以及实现二者“双赢”提供了新的视角和有益启示.本文研究发现,“互联网+”完全可以成为新时代下我国提升科研机构创新效率的新动力;“互联网+”的创新溢出存在显著的异质溢出效应,科研机构在长期内将能从“互联网+”中获取更多的创新溢出红利,而在中、西部地区“互联网+”对科研机构的创新溢出也会更为显著;“互联网+”对科研机构创新的驱动影响不能忽视诸如“走出去”策略的交互影响,应注重发挥“互联网+”多策略协同的政策“叠加效应”.本文的贡献在于:首次把“互联网+”纳入科研机构创新效率提升的分析框架,尝试基于时空角度探讨“互联网+”对科研机构创新效率的异质溢出效应,在一定程度上拓展和丰富了科研机构创新领域的相关研究,为如何进一步提升科研机构创新效率提供了一个新的视角,也为新时代下通过释放“互联网+威力”更好地提升科研机构创新能力提供了一定的证据和思考.

2 研究设计

2.1 理论机理分析

科研机构是区域创新活动中知识创新的孵化器、试验室和源泉,主要以科研、教学和社会实践等方式来探究新规律和认识新事物,推动新知识示范和推广,而互联网是区域创新活动的重要驱动力,具有“互联互通、开放共享”的鲜明特征,在区域创新系统突破创新活动时空限制,降低创新活动运行成本和加速信息处理和整合等方面具有不可替代的作用.本文认为,“互联网+”主要通过以下途径驱动科研机构创新效率:1)“互联网+”促使科研机构创新边界逐渐消失、内部创新结构更加扁平.这种情形下,科研机构将更容易和快速获取准确的市场信息,尤其是准确掌握企业和消费者的创新需求,并经过海量数据的整合和分析将需求信息经过创造性的、综合性的处理,推动了新知识生产、新技术开发和新工艺设计,从而既在一定程度上加快了科研机构的研发速度,也提升了科研机构的研发成功率;2)“互联网+”的发展为科研机构教学和科研提供了更为便捷的平台和高效的技术.诸如先进的实验室、智能设备以及大量的数据库等的出现,为科研机构培养出大量的优秀科技人才提供了重要保障,在信息充分的情况下,也能使大量的科技人才快速流向市场,较好地发挥比较优势,从而在一定程度上优化了创新系统的人力资源配置;3)“互联网+”能把科研机构生产的知识、信息、数据或技术在数据库、网络平台上快速传播.大量知识的传播、开放和共享,使得知识在流动过程中被不断加工整合和注入新元素,无形中推动了知识扩散的深度和广度,从而加速了科研机构的知识生产和创新;4)科研机构能通过“互联网+”快速把最新研究成果向社会发布,吸引政府、社会资本和企业等关注和投资.依托来自社会各界的政策、技术、资金等方面的支持,既有利于推动了科研机构深入推动协同创新和集成创新进行重大课题攻关,也有利于其通过众创、众扶、众筹、众包以及众智等多种新的创新方式组织研发生产,并在一定程度上加速了知识扩散和技术产业化进程.具体作用机制图1所示.

图1 “互联网+”对科研机构创新效率的作用机理Fig.1 Internet+’s mechanism on the innovation efficiency of scientific research institutions

2.2 计量模型设定

由于各省域“互联网+”发展存在较大差异,科研机构的创新效率水平也不尽相同.因此,“互联网+”对科研机构创新效率的影响可能也存在一定的空间异质性和长短期异质性特征.为了深入揭示“互联网+”对科研机构创新效率影响的时空异质性特征,这里首先构建“互联网+”与科研机构创新效率的长期均衡关联模型,以揭示“互联网+”能否成为推动科研机构创新效率的长期驱动力及其空间异质效应,面板数据模型解析表达式如下

为了揭示“互联网+”驱动科研机构创新效率的短期波动效应,进一步验证“互联网+”能否成为科研机构创新效率提升的短期驱动力及其空间异质效应,这里进一步引入长期均衡关系模型产生的残差序列ECMit,建立如下一阶差分误差修正模型(PVECM),具体表示为

基于式(2),科研机构创新效率的变动可以分解成两个部分:一是偏离长期均衡的影响,二是“互联网+”的短期波动影响.θ值表示误差修正系数,其大小反映了对偏离长期均衡的调整水平.当θ为零的原假设不能成立时,说明产生误差修正机制,也表明“互联网+”与科研机构创新效率之间的这种长期均衡关联是可靠的.在拒绝ϑ为零的原假设情形下,“互联网+”对科研机构创新效率具有短期波动影响,反之则不存在短期波动影响.

在面板协整关系存在的情况下,长期影响表现为一种长久冲击效应,即随着时间的推移,“互联网+”的影响会逐渐收敛于一个稳定的非0 水平.短期影响可认为是一种短暂冲击效应,表现为影响效果会随着时间的推移而逐渐淡化,但这种短期波动是不断调整和变化的.也正是由于短期波动过程的不断修正,最终实现了“互联网+”与科研机构创新效率之间长期稳定的均衡关系,并防止了长期均衡关系出现较大误差.

2.3 数据说明与变量设定

考虑到数据的连贯性和完备性,本文选取2009年～2015年为研究时段.由于港澳台、西藏等数据缺失较为明显,故最终选取中国内陆30 省份为研究样本,基础数据主要来自历年的《中国互联网统计公报》、《中国对外直接投资统计公报、《中国科技统计年鉴》和《中国统计年鉴》.这里对相关变量做如下设定:

1)科研机构创新效率(teinst).这里基于投入产出角度采用随机前沿(SFA)技术估算科研机构创新效率.专利是被常用来衡量创新活动产出的可靠指标[27-28],其在某种程度上可反映出科研机构创新活动的有效性和技术成果的转化效果,是衡量科研机构技术创新能力的直接指标.借鉴余冬筠等[4]、周恩德等[29]的做法,本文选取专利申请数作为衡量科研机构创新的产出指标.需要说明的是,这里选取专利申请数而未选择专利授权数指标,原因在于:第一,各省份科研机构专利授权数存在着较多的缺失.第二,在我国一项专利从申请到批准需要的时间较长,与创新投入存在着较长的时间滞后,导致专利授权数并不能准确地反映出科研机构当年的创新产出[15].对于创新的投入指标,这里不失一般性,参照苏屹等[30]的做法,选取R&D 经费内部支出指标和R&D 人员全时当量指标,分别来表示科研机构创新活动的资本和人力投入变量.对于SFA模型形式的选择,这里分别对传统的柯布–道格拉斯生产函数模型和超越对数型随机前沿模型进行了测算,并采用广义似然率方法检验模型的适宜性,具体检验方法为

其中L(H1)和L(H0)表示随机前沿模型分别在备择假设H1和零假设H0下的似然函数值.

当原假设H0被拒绝时,意味着超越对数生产函数模型比柯布–道格拉斯生产函数模型更适合本文样本数据.估算发现,广义似然率小于相应5%显著水平下的卡方分布临界值7.815,有理由接受柯布–道格拉斯生产函数模型更适用于中国区域科研机构创新活动研究的原假设.因此,这里采用柯布–道格拉斯生产函数模型估算中国各省份科研机构的创新效率水平.从测度结果看,考察期内所有省份的科研机构创新效率均有不同程度的增长,平均创新效率由2009年的0.288 增长至2015年的0.513,即表明科研机构创新效率水平总体比较低下,尚有较大的增长空间.因此,在现有技术进步条件下,努力提升创新效率水平将是提高科研机构创新活动质量的主要途径之一.

2)“互联网+”指数(int).不同于吕明元等[31]以信息化发展指数表示“互联网+”指标,周斌等[32]以互联网普及率,刘军等[33]以互联网普及率与电信固定资产投资的乘积来表示“互联网+”指标.本文认为,“互联网+”是一个较为复杂和系统的概念,互联网普及率等指标虽都是衡量“互联网+”水平高低的重要体现,但单一指标或少数个别指标只能反映出“互联网+”的某一方面或局部特征,故拟构建综合指标体系来反映中国的“互联网+”发展情况.考虑到数据的可获性,这里从互联网普及、互联网商务应用、互联网基础设施、互联网信息供给和互联网发展环境五个维度出发,选取相应的细分指标,设计“互联网+”指标体系.细分指标设计的依据在于:(a)互联网普及.互联网普及水平是衡量一个国家或地区“互联网+”水平的重要体现,而互联网普及率和网民数分别反映了“互联网+”的未来发展潜力和服务规模的大小.因此,这里选取上述两个指标来衡量;(b)互联网基础设施.互联网基础设施是“互联网+”发挥作用和体现能力的基础,其中,IP 地址是构成现今互联网技术基石的协议,域名相当于互联网上的“门牌号码”,宽带是“信息高速公路”的基石,宽带接入端口是互联网信息传输的主要设备.这里从IPv4 地址占比、万人域名数、长途光缆线路长度和互联网接入端口数四个方面来反映;(c)互联网信息供给.网站和网页是“互联网+”扩散的重要载体,能反映出信息资源的供给能力.对于网站指标,由于其多为企业所独有,故选择网站总数除以地区的法人单位数量来衡量较为合理.对于网页指标,选取每个网页平均字节数可反映出互联网信息资源的多少和丰富程度;(d)互联网商务应用.“互联网+”作用效果在一定程度上表现为互联网商务应用水平的高低.目前关于网络商务应用方面的数据较为缺失,这里主要从网购角度来反映互联网商务应用情况,选取快递业务量来衡量网购产业的发展状况,该指标越大,说明网购产业越发达;(e)互联网发展环境.“互联网+”发展会受到互联网行为有效实现所需的主要客观条件约束,特别是会受到经济环境、技术环境和消费环境的影响,本文分别选取人均GDP、R&D 投入占GDP 比重、城镇居民人均消费水平来表征.具体指标设定见表1.

表1 中国“互联网+”指数测度体系Table.1 China’s internet+index measurement systems

根据上述指标测度体系,这里采用全局主成分分析法构造“互联网+”指数.本文对原始数据进行了标准化处理,以消除量纲不同可能造成的不利影响,全部数据均通过了Bartlett 球形检验和KMO 检验.对于因子个数的选取,这里采用前几个主成分累计方差贡献率达到80%的办法确定.计算出综合得分后,为了便于分析,借鉴韩先锋等[34]的做法,使用以下计算方法将综合得分转换为[0,100]区间取值,即为中国的省际“互联网+”指数.

其中Si为i省份的“互联网+”综合因子得分,Max(Si)和Min(Si)分别为对应综合因子得分的最大值和最小值.

通过上式即可构造出中国30 省份的“互联网+”指数,该指标数值越大,表明相应省份“互联网+”发展水平越高.测算发现,中国各省份的“互联网+”指数水平均总体呈现稳步的增长态势,这与互联网技术的快速发展和应用,以及国家近年来深入实施网络强国战略是紧密关联的.为了进一步揭示“互联网+”驱动科研机构创新效率的异质影响,这里还进一步基于对外直接投资和政府R&D 资助等维度做考察.具体变量设定如下:对于对外直接投资(ofdi),参照顾雪松等[35]的做法,选取各省份对外直接投资存量与GDP之比来衡量,对用美元表示的对外直接投资数据,按照当年人民币平均汇率将其转换成人民币表示;对于政府R&D 资助(gov),采纳李平等[36]的做法,采用各省份历年研发经费内部支出中政府资金金额占比来衡量,指标值越大,表明政府R&D 资助强度越高.

图2 展示了“互联网+”与科研机构创新效率的关系,横轴表示“互联网+”发展水平,纵轴表示科研机构创新效率水平.从中可以较为直观地发现,科研机构创新效率和“互联网+”发展水平的样本点比较集中,“互联网+”与科研机构创新效率总体上存在较为明显的正相关关系,即随着“互联网+”水平的提高,中国科研机构创新效率呈现提升趋势.但图中也存在大量的边沿观测点,表明“互联网+”与科研机构创新效率之间的正相关程度具有明显差异,下文将基于长短期异质性视角进一步揭示二者之间的相关关系.

图2 “互联网+”与科研机构创新效率关系图Fig.2 Relationship between internet+and innovation efficiency of scientific research institutions

2.4 模型设定的合理性检验

1)面板单位根检验

在实证分析前,首先需要对前文所设定的模型是否合理进行检验.这里对于面板数据考虑以下的AR(1)过程

其中参数ρi为自回归系数,xit为模型中的外生变量向量,它包括各个横截面的固定影响和时间趋势,随机误差项uit则满足独立同分布的假设,当|ρi| ＜1 成立时,则可视yit为平稳序列.根据参数ρi的不同限制,可基于不同情形和相同情形下两种情况来进行面板单位根检验.

在进行模型估计前,需要检验包括“互联网+”与科研机构创新效率组成的面板数据是否平稳.在检验方法的选择上,本文同时采用Fisher-PP、Im,Pesaran&Shin(IPS)和Fisher-ADF 等三种面板单位根检验技术,在检验的滞后期选择上,这里采用Schwarz 标准进行了自动选择.具体检验结果见表2,不难发现,“互联网+”和科研机构创新效率变量均在上述方法下通过了显著性检验,表明本文研究使用的面板数据是平稳的.

表2 面板单位根检验Table.2 Panel unit root test

2)面板协整检验

另外,为了避免可能出现伪回归现象,还需要检验“互联网+”与科研机构创新效率之间是否存在长期稳定的均衡关联.这里基于Pedroni[36]的面板协整技术进行检验,具体考虑如下回归方程

其中β为协整系数,该方程设定了yit与xit之间的协整关系.

备择假设为存在面板协整关系,原假设即为不存在面板协整关系.Pedroni 构造了用来检验是否存在面板协整关系的Groupρ-stat,Group ADF-stat,Group PP-stat,Panel PP-stat,Panel v-stat,Panel ADF-stat 和Panelρ-stat 共七个统计量,模型可依次表示为

表3 显示了“互联网+”与科研机构创新效率的面板协整检验结果.Pedroni 认为,在样本期相对较长的情况下(如T ＞100),上述提到的七个统计量偏误都较小,效能也均很高;而在样本期相对较短的情形下(如T≤20),Panel ADF-stat 统计量和Group ADF-stat 统计量的检验效果最好,Panelρ-stat 统计量、Panel PP-stat 统计量和Group PP-stat 统计量的检验效果则居中,而Panelv-stat 统计量和Groupρ-stat 统计量的检验效果则最差.由于本文所研究的时间跨度小于10年,故相应的面板协整检验结果主要依据Panel ADF-Stat 统计量和Group ADF-Stat 统计量进行判断,并同时参考Panelρ-stat 统计量、Panel PP-stat 统计量、Group PP-stat 统计量的检验结果进行辅判.依据表3 可知,上述五个统计量都在1%或10%的显著性水平下拒绝了原假设,表明“互联网+”与科研机构创新效率之间存在显著的面板协整关系,即二者之间具有明显的长期稳定的均衡关联,证实了式(1)设定的面板数据模型是正确的,相应的基于式(1)设定的误差修正模型(2)也是合理的.

表3 “互联网+”与创新效率关系的面板协整检验Table.3 Panel co-integration test on relationship between Internet+and innovation efficiency

3 实证结果及分析

3.1 “互联网+”对科研机构创新效率影响的长期效应

本文采用2009年～2015年中国30 个省份的面板数据,考察“互联网+”对科研机构创新效率的影响.如果直接采用普通最小二乘法估计,可能会出现序列相关和异方差现象,导致得到的估计结果不可靠.这里借鉴卢方元等[38]的做法,采用固定效应的EGLS 方法对int 与teinst的变系数模型做估计,以期能较好地消除序列相关和异方差的不良影响,对式(1)基本模型的具体估计方程如模型(14),相应的回归结果见表4.

由表4 可知,“互联网+”对中国科研机构创新效率的长期驱动效应较为明显,即在长期内“互联网+”完全可以成为推动科研机构创新效率提升的新动力,但这种积极作用具有显著的空间异质性特征.具体表现在:第一,在中国30 省份中,广东省截距项最大,其次是浙江、山东、福建、江苏和北京,说明上述几个省份科研机构创新效率水平会受到除“互联网+”之外的其他因素的影响明显;第二,“互联网+”对科研机构创新效率影响效应最大的省份是宁夏,其“互联网+”变量的弹性系数为0.071.除此之外,弹性水平较高的省份还包括甘肃、吉林、贵州、新疆、山西、陕西和江西等,这些省份主要位于中、西部地区,说明长期内中、西部省份应该更注重深化“互联网+”与科研机构的创新融合,以尽可能地发挥“互联网+”的积极影响;第三,“互联网+”对科研机构创新效率促进效应最小的是广东省,其“互联网+”变量的弹性系数仅为0.009,说明与其他省份相比,考察期内广东省的“互联网+”对科研机构创新效率的促进效应较为有限.除广东之外,山东和浙江等省份的“互联网+”影响系数都相对较小,说明这些省份现阶段“互联网+”对科研机构创新效率的促进效果低于其他省份.第四,分区域来看,东部地区“互联网+”驱动科研机构创新效率的平均弹性水平为0.024,中部地区“互联网+”弹性系数的平均水平为0.040,西部地区“互联网+”弹性系数的平均水平为0.047,可见“互联网+”对中、西部地区科研机构创新效率的长期促进效应明显大于东部地区,原因可能在于“互联网+”对东部地区科研机构创新效率的溢出红利已提前释放,东部地区创新效率提升可能需要更高的“互联网+”水平要求.也就是说,相对于发达地区而言,长期内落后地区科研机构将能从“互联网+”中获取更多的创新溢出红利,即新时代下“互联网+”为落后地区科研机构提升创新能力提供了一次难得的“追赶超越”机遇.

表4 “互联网+”对科研机构创新效率的长期影响效应Table.4 Internet+’s long-term effect on innovation efficiency of scientific research institutions

为了深入揭示“互联网+”对中国科研机构创新效率的空间异质影响现象.这里进一步把全国划分为高R&D 资助地区和低R&D 资助地区进行分组研究,把政府R&D 资助平均水平大于全国平均的省份定义为政府高R&D 资助地区,反之则为政府低R&D 资助地区.按照上述划分方法,政府高R&D 资助地区包括北京、上海、海南、吉林、四川、黑龙江、云南、陕西、青海和甘肃等11 省份和新疆维吾尔族自治区,其余省份为政府低R&D 资助地区.结果发现,“互联网+”对科研机构创新效率的影响会因政府R&D 资助强度的不同而存在显著差异,具体表现在“互联网+”对政府高R&D 资助地区和政府低R&D 资助地区科研机构创新效率的平均弹性系数分别为0.042 和0.034,说明“互联网+”在政府高R&D 资助地区对科研机构创新效率的促进作用更加明显,即随着政府R&D 资助强度水平的增强,“互联网+”对科研机构创新效率的促进效应是持续强化的.进一步分析发现,在政府高R&D 资助地区中,除了北京、上海和海南外,其余大多数省份均处于中、西部地区,这与目前省际创新活动的实际是相吻合的,中、西部地区省份创新资源较为有限,创新主体的投入能力相对有限,往往需要政府给予更高的R&D 资助力度,这也再次印证了前文关于中、西部地区将能从“互联网+”中获取更多创新溢出的结论.因此,新时代下,有效发挥“互联网+”对科研机构的创新溢出既要意识到潜在的空间异质性现象,也不能忽视政府R&D 资助的积极影响,尤其是政府R&D 资助强度较高的地区更应该注重释放“互联网+”在科研机构创新活动中的溢出“威力”.

另外,由于科研机构通过互联网接收到创新信息、技术后,需要在学习、消化和吸收后才能促进创新效率水平提升.因此,“互联网+”的创新溢出效应发挥可能需要一段时间.为了检验“互联网+”影响科研机构创新效率是否存在滞后效应及其空间异质性,这里对模型(15)进行估计,具体形式为

模型(15)的具体估计结果见表4,ω表示各省份滞后一期的弹性系数.由估计结果知,所有省份“互联网+”滞后一期的系数均通过了显著性检验,说明“互联网+”对科研机构创新效率的影响存在滞后效应.与模型(14)的估计结果比较发现,“互联网+”对科研机构创新效率的滞后影响也存在明显的空间差异,主要表现在:第一,北京、河北、天津、吉林、上海和江苏等大多数省份“互联网+”滞后一期的系数明显增大,说明这些省份“互联网+”的创新溢出效应存在增大且呈现滞后的动态趋势;第二,山西、内蒙古、山东、广东、海南、青海和宁夏等省份的“互联网+”滞后一期系数相应变小,说明这些省份“互联网+”对科研机构创新效率的驱动效应存在减小且呈现滞后的动态趋势.可见,“互联网+”对科研机构创新效率促进影响具有显著的滞后效应,且滞后效应同样存在显著的异质性特征.

为了揭示“互联网+”与其他外部条件交互作用对科研机构创新效率产生的异质性影响,这里基于对外直接投资维度考察可能产生的异质交互效应,具体估计方程如模型(16)所示.

模型(16)中,τ表示各省份“互联网+”与对外直接投资交互项的弹性系数,反映了“互联网+”对科研机构创新效率影响的交互效应,估计结果见表4.由表4可知:“互联网+”与对外直接投资的交互作用对科研机构创新效率产生了显著的积极影响.其中,“互联网+”与对外直接投资交互变量弹性系数的平均水平,明显大于表4中“互联网+”弹性系数的平均水平,表明“互联网+”与“走出去”策略的融合有助于强化其对科研机构创新效率的驱动效应;另一方面,“互联网+”与对外直接投资的交互影响效应存在显著的空间差异现象.具体表现在:一是在对外直接投资因素的调节下,北京、天津、内蒙古和山西等大多数省市和自治区的交互项系数均明显增强,表明上述省份均存在显著的交互效应,也就是说,这些省份在推动“互联网+”创新过程中,积极加大对外直接投资力度能更大限度地强化“互联网+”对科研机构创新效率的正面效应.二是上海、广东和海南等少数省份的“互联网+”与对外直接投资的融合对科研机构创新效率影响的交互项系数明显减小,表明在“走出去”政策调节下“互联网+”的创新溢出效应会有所弱化.不难发现,“互联网+”对科研机构创新效率积极效应的发挥,不能忽视对外直接投资政策因素的调节和制约,且交互效应的空间差异特征同样值得重视,上海、广东和海南等个别省份尤要注重规避“走出去”政策作用于“互联网+”对科研机构创新效率的弱化影响,其余绝大多数省份充分注重“互联网+”与“走出去”政策的融合,更有针对性地打好“互联网+”的“政策组合拳”,进而持续促进科研机构的创新效率水平提升.

3.2 “互联网+”对科研机构创新效率影响的短期波动效应

由上文可知,模型(14)和表4反映了“互联网+”与科研机构创新效率之间的长期均衡关联,这里通过引入上述长期均衡关系模型(14)产生的残差序列到模型(2)再估计,进一步探析“互联网+”与科研机构创新效率之间的短期异质波动效应,对一阶差分误差修正模型(PVECM)的估计结果见表5所示.

由表5 可知,大多数省份的误差修正项系数均显著为负,说明产生了误差修正机制,再次证实了“互联网+”是科研机构创新效率的长期原因,也说明上文得出的检验结论是稳健的.在t-1 期内,当科研机构创新效率水平低于长期均衡值时,误差修正项系数为负,此时水平增加,使得科研机构创新效率水平向长期均衡移动,以持续缩小科研机构创新效率水平的偏移.反之,当上一年度的科研机构创新效率水平高于长期均衡值时,相应的误差修正项就会使得减小,科研机构创新效率会向与“互联网+”发展相协调的方向进行调整.在短期内“互联网+”发展水平和科研机构创新效率之间的关系可能会偏离长期的均衡水平,但二者之间由短期偏离调整向长期均衡的速度较快.值得注意的是,各省份科研机构创新效率提升速度存在不同,ECMi,t-1的调整力度也不同,主要表现在河北、内蒙古、辽宁、江西、安徽和陕西等多数省份和自治区的调整幅度较大,而黑龙江、四川等少数省份的调整幅度较小,即河北等多数省份短期波动对偏离长期均衡的调整速度快于后者.

表5 中,除重庆外,其他省份Δintit的系数显著为正,基于短期动态关联发现,“互联网+”发展与中国科研机构创新效率之间存在密切的正向序列关联,短期内提升“互联网+”发展水平有利于改善科研机构创新效率,即“互联网+”是科研机构创新效率变动的短期原因得到了证实,表明短期内“互联网+”亦可以成为推动科研机构创新效率提升的重要动力.Δintit变量系数表示的经济意义为“互联网+”发展水平增长率每增加1%,科研机构创新效率增长率将增加的比率.由表5 可以发现,北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海等省市和自治区的Δintit项系数均大于0.01,表明当上述省份“互联网+”发展水平的增长率每增加1%时,相应的科研机构创新效率水平的增长率将增加的比例均会大于1%;浙江和广东Δintit项系数小于0.01,表明当这两省份“互联网+”发展水平的增长率每增加1%时,科研机构创新效率的增长率将增加的比例均会小于1%;重庆的Δintit项系数未通过显著性检验,表明“互联网+”对其科研机构创新效率的短期影响并不明显.综上可知,“互联网+”对中国科研机构创新效率产生了显著的短期波动效应,但这种促进效应同样存在明显的空间差异.分区域比较发现,东部地区“互联网+”弹性系数的平均水平为0.022,中部地区“互联网+”弹性系数的平均水平为0.038,西部地区“互联网+”弹性系数的平均水平为0.041,不难发现,“互联网+”对中、西部地区科研机构创新效率的短期促进效应亦明显大于东部地区,表明短期内中、西部地区科研机构同样能从“互联网+”中获取更多的创新溢出红利.同样比较发现,在政府R&D 资助强度较高的地区,“互联网+”对科研机构创新效率的短期促进效应更为明显.

表5 “互联网+”与创新效率的面板误差修正模型估计结果Table.5 Estimation results of panel error correction model for Internet+and innovation efficiency

基于“互联网+”的长短期效应比较发现,“互联网+”对科研机构创新效率的长短期驱动效应均存在显著的空间异质性特征.主要体现如下:第一,天津、内蒙古、山西、吉林、江苏和浙江等省份“互联网+”变量在长期均衡模型中的估计系数均大于误差修正模型,表明对于上述省份而言,“互联网+”对其科研机构创新效率的长期促进效应均强于短期驱动效应;第二,河北、上海、江西、陕西和甘肃等省份“互联网+”变量在长期均衡模型中的估计系数均小于误差修正模型,表明“互联网+”对上述省份科研机构创新效率的长期促进效应均小于短期效应;第三,北京、辽宁、黑龙江、湖南和广东等省份“互联网+”变量的长期系数和短期系数未发生变化,表明“互联网+”对上述省份科研机构创新效率的长短期促进效应并不存在差异.进一步分区域比较,依然可得出“互联网+”对东部地区科研机构创新效率的长短期促进效应均明显小于中、西部地区的结论.因此,“互联网+”对科研机构创新效率的促进影响是一个较为长期的、复杂的系统工程,“互联网+”威力的完全释放可能需要一个较长的过程,并实施有针对性的时空异质性引导策略方能实现.

4 结束语

本文采用面板协整检验和误差修正模型等技术,基于中国省际面板数据实证考察了“互联网+”对科研机构创新效率影响的异质效应.结果发现:“互联网+”显著地推动了创新效率水平提升,且存在一定的滞后效应.注重与“走出去”战略的有效融合,有助于强化“互联网+”对创新效率的积极影响.“互联网+”水平的短期波动对创新效率的短期波动具有积极影响,“互联网+”对创新效率的长期均衡存在显著的短期异质修正效应,创新效率向均衡状态的调整速度存在明显不同.“互联网+”对创新效率影响的长期效应强于短期效应,且长短期效应均存在明显的空间异质性现象,表现在“互联网+”对东部地区创新效率的提升效果弱于中、西部地区.

基于上述结论可得到以下启示:第一,我国在制定推动科研机构创新能力提升的科技政策时,应充分注重“互联网+”创新策略实施的长期性、延续性.第二,推动科研机构的创新驱动发展,还要充分注重“互联网+”与“走出去”等政策因素交互的强化效果,不同省份应注重实施可操作性和针对性的组合策略.第三,“互联网+”与科研机构创新活动的深度融合,不仅符合“创新型国家”建设的可持续发展理念,也是一种经济上非常有效的创新模式,需要关注“互联网+”的长短期正向外部性溢出效应.第四,不能忽视“互联网+”长短期溢出的空间异质性现象,积极实施向中、西部地区倾斜的“互联网+”策略,积极发挥落后地区的“后发优势”.