数字经济与工业高质量创新的协同互促效应

杨 昕,赵守国

(西北大学 经济管理学院,陕西 西安 710127)

0 引言

国家“十四五”规划明确提出促进数字技术与实体经济深度融合。作为实体经济的主体,工业既是国民经济的“压舱石”,又是产业数字化的主战场。工业高质量发展依赖于工业高质量创新,从技术层面看,数字经济与实体经济深度融合也主要体现为数字技术与产业技术创新的融合[1]。然而,虽然中国工业创新活力持续增强,但工业创新支撑不足仍是困扰当前中国工业经济持续稳定发展的主要挑战[2],而数字经济的兴起能为赋能工业高质量创新发展提供有力支撑。同时,工业制造的智能化转型升级也为数字经济注入强劲动能。国务院印发的《“十四五”数字经济发展规划》明确提出,优化升级数字基础,建设可靠、灵活、安全的工业互联网基础设施。以打造工业互联网平台和数字工厂为导向,以信息化带动工业化,以工业化促进信息化,实现数字经济与工业高质量创新的协同互促,成为加速数字经济与实体经济深度融合的必然要求。

由于经济高质量发展主要得益于以技术进步为核心的全要素生产率提高,已有研究大多围绕数字化转型对工业技术创新的影响展开,普遍认为数字经济发展总体上对企业创新能力具有显著驱动作用[3]。企业数字化不仅能够通过提升人力资本水平降低研发成本[4],而且可以降低行业研发离散度,从而提高创新资源配置效率[5]。然而,也有研究指出,大数据的过度使用可能对企业创新效率产生负向冲击[6]。受到双重套利与技术创新同群效应的影响,数字化优势只能增加企业创新数量,不能有效提升企业创新质量[7]。从中国的实践发展经验看,由于目前中国制造业数字化程度普遍不高,使得数字化投入对企业创新效率的促进作用尚未得到充分发挥[8]。此外,数字经济对创新绩效的影响存在明显的动态非线性特征[9]。值得注意的是,数字经济与制造业天然具有互补性,宏观产业层面的技术创新对制造业数字化创新具有重要促进作用[10],而制造业对数字产业的支撑作用更为显著[11]。

综上可知,已有文献主要关注某类数字技术对创新产出的影响,而鲜有研究将数字经济对创新发展的影响延伸至效率层面。相比于创新能力,创新效率能够更好地反映创新绩效,尤其是在中国存在高研发投入与低生产率悖论的情况下,厘清数字经济与创新效率的关系对于实施创新驱动发展战略更具现实意义。同时,既有研究主要关注数字经济对科技创新的赋能作用,而从技术经济范式的角度看,数字经济发展与科技创新具有明显的时空交互特征。因此,揭示数字经济与创新效率之间的互促效应对于分析二者的内在关联机制更具科学性。此外,实践经验表明,工业制造领域的智能化升级是数字技术应用的主战场,数字经济与工业创新深度融合是驱动实体经济高质量发展的关键。因此,针对工业创新的数字赋能研究对于拓展数字技术应用路径更具必要性。

基于以上认识,本文边际贡献在于:一方面,聚焦数字经济与工业高质量创新的深度融合,通过测度数字经济发展水平和工业两阶段创新效率,利用耦合协调度模型考察数字经济与工业高质量创新的协同演变特征;另一方面,在协同效应分析的基础上进一步构建联立方程模型,揭示二者之间的双向互促机制,以期为深化对数字经济与工业创新发展互动关系的认识以及明确产业政策取向提供参考。

1 理论分析与研究假设

1.1 数字经济发展促进工业高质量创新的赋能机制

从创新价值链角度看,数字赋能可以纵深推动工业全生命周期的数字化创新。工业互联网叠加人工智能、物联网、大数据等各类数字技术可以赋能产品设计、工艺研发、加工制造等各个工业环节,通过数据挖掘、仿真建模、软件定义等极大提高产品创新效率。在工业科技研发阶段,数字技术应用衍生的数字普惠金融可以缓解企业研发的融资约束,网络化的终身学习系统有助于提升研发人员人力资本水平,从而提高研发投入强度。同时,数字技术与传统生产要素结合过程中形成的海量数据可以催生新的创新要素[12],伴随各类数字化平台建立带来的数据要素投入不仅可以优化研发要素投入结构,而且可以打破研发部门间信息壁垒,降低研发代理成本,加快技术更新迭代,进而缩短研发周期,提高研发要素的边际产出效益。在工业成果转化阶段,以工业互联网为代表的数字基础设施建设不仅可以通过降低市场信息不对称拓展企业创新边界[13],而且可以通过推动开放式创新构建“产学研政金”等多元主体合作的工业创新网络,这有利于促进创新链与产业链有效衔接,从而加速研发成果转化。同时,数据资源在生产场景中的集成作用可以推动创新概念转化为现实产品,与之匹配的工业数控化操作则能促进新型数字产品落地。此外,伴随数字经济引致的要素市场整合与产品市场扩张,市场竞争不断加剧,这有利于强化企业创新激励,从而驱动工业创新实现效率变革。

1.2 工业高质量创新支撑数字经济发展的驱动机制

工业数字化转型的最佳方式是在强大的技术支撑下完成供应链转型,从而推动整个供应链形成良性循环。从数字技术应用的不同维度看,数字产业化和产业数字化均源自工业领域的信息技术探索,以推动工业信息化为导向的科技创新是引领数字经济做大做强做优的根本动力[14]。就数字产业化而言,工业产品研发、生产制造过程中形成的海量数据是数据要素的供给来源,良好的工业结构是构建数据要素市场的必要条件。受限于已有技术能力,催生技术多样化的技术变革更可能发生在与原有技术紧密关联的领域,数字技术的创新应用通常出现在原有技术能力较强的工业制造领域。新型工业产品的研发实验在推动数字创新能力迭代升级的同时,其加工制造需求与市场服务需求也直接催生多样化应用软件,从而推动数字产业化进程。同时,制度激励引致的工业创新效率提升能够促进人才、资本、技术设备等创新资源优化配置,这有利于创新资源向数字技术领域倾斜,从而拓展数字产业化发展空间。就产业数字化而言,数字经济与工业创新天然具有融合性,数字经济本质上是以互联网为载体的信息经济与传统产业不断融合的结果,数字技术的深化应用依赖于工业升级过程中的技术积累,工业智能化升级驱动的效率变革反作用于数字经济创新发展。工业成果转化效率的提升不仅能够丰富数字技术在工业自动化生产领域的应用场景,而且可以通过优化与整合创新资源,拓展新型数字产品服务形态,增强数字经济与制造业服务化的产业关联,从而为产业数字化纵深发展提供有力支撑。此外,工业成果转化效率的提升可以通过提高数据要素配置效率促进数字产业化与产业数字化的有效衔接,从而实现数字经济高效发展。

基于以上分析,本文提出如下研究假设:数字经济与工业高质量创新之间存在协同互促效应,且二者协同互促的时空交互在实践发展中可能具有显著异质性。

2 研究设计

2.1 模型与方法

2.1.1 耦合协调度模型

耦合协调度模型可用于刻画和评价不同系统之间协同发展关系,本文利用耦合协调度模型分析数字经济与工业高质量创新两大系统之间的协同演变特征。其公式如下:

(1)

T=α1U1+α2U2

(2)

(3)

式中,C表示耦合度值,取值范围为[0,1],U1、U2分别表示数字经济与工业高质量创新两个子系统中的标准化值,T为反映各子系统间互补关系的综合评价指数;αi为第i个子系统的权重,鉴于数字经济与工业高质量创新不存在明显的从属关系,实际分析中α1和α2均取值0.5;D表示耦合协调度,取值范围为[0,1],该值越接近1,说明两大系统之间协调程度越高,反之越低。参照既有研究,本文将耦合协调度D划分为三大区间:D∈[0,0.4)为协调发展不可接受区间,D∈[0.4,0.6)为协调发展过渡区间,D∈[0.6,1)为协调发展可接受区间。

2.1.2 面板向量自回归模型

耦合协调度模型虽然可以刻画数字经济与工业高质量创新两大系统间的协同关系,但无法考察二者间的互动作用,且耦合协调分析的实际政策含义相对模糊。基于此,在协同效应分析的基础上,本文进一步构建面板向量自回归(PVAR)模型考察数字经济与工业高质量创新的互促效应,如式(4)。

(4)

式中,t-n表示滞后n期,i、t分别表示省份和年份,Y表示包含数字经济与工业创新效率的列向量。虽然PVAR模型可以在不考虑控制变量的情况下分析变量间的互动关系,但为了避免最佳滞后期数过短可能导致模型估计偏误,本文引入合适的控制变量,X表示包含各类控制变量的向量集;α、β为各变量对应的回归系数矩阵,C为模型截距项,εit为模型随机误差项。

2.2 变量设定

2.2.1 数字经济发展水平(DEI)

作为信息经济的高级形态,数字经济本质上是传统经济与互联网深度融合的产物。从产业发展层面看,数字经济主要包括产业数字化和数字产业化两方面内容。因此,本文借鉴既有研究思路,从数字产业化和产业数字化角度出发构建综合指标体系测度数字经济发展水平。以集中反映数字经济特征的代表性行业为依据,同时考虑各指标数据可得性,最终选择电信业务总量等25个细分指标表征不同维度的数字化水平,如表1所示。采用熵值法测算各指标权重,然后通过线性加权方法合成数字经济发展水平综合指数。

表1 数字经济发展水平指标体系Tab.1 Indicator system of digital economy development level

2.2.2 工业创新效率(GIE)

相较于单一创新产出,创新效率更能体现投入产出的系统性特征,创新质量也集中表现为创新效率的提高。因此,本文采用工业创新效率表征工业高质量创新。工业创新效率采用超效率SBM-DEA模型测度得到,具体地,采用产出导向型、规模报酬可变、参比全局前沿得出的效率值对比分析不同时期不同决策单元的工业创新效率。根据两阶段创新价值链理论,本文将工业创新分为科技研发阶段和成果转化阶段,通过设定投入产出指标计算工业两阶段创新效率,相关指标均采用各地区规模以上工业企业数据。其中,R&D资本存量借鉴白俊红等[15]的做法,采用永续盘存法计算得到;实际新产品销售收入以2012年为基期,利用工业产品出厂价格指数经过平减得到;采用熵值法计算工业废水、工业二氧化硫、工业烟尘(颗粒物)排放量各自权重,进而通过加权求和得到工业污染排放综合指数。考虑到创新产出相对于创新投入具有滞后性,实际测度中将创新产出指标进行滞后一期处理。两阶段工业创新效率测度指标体系见表2。

表2 两阶段工业创新效率测度指标体系Tab.2 Indicator system of two-stage industrial innovation efficiency measurement

2.2.3 控制变量

根据研究经验,选取以下指标作为控制变量:①人力资本,劳动力素质提升带来的人力资本红利是推动技术进步的源泉,采用人均受教育年限的对数值表示,人均受教育年限采用教育年限法计算得到;②对外开放,对外开放水平的提高有助于加强技术交流,提高创新效率,采用外资企业投资额占GDP比重表示,外资企业投资额利用历年中美平均汇率折算为人民币口径;③产业结构,产业结构服务化升级能够优化创新资源配置,采用第三产业与第二产业产值之比表示;④基础设施,完善的基础设施能够促进研发要素自由流动,以区域每平方公里公路里程数作为基础设施的代理变量;⑤政策支持,政府财政支持可以为企业创新营造良好的市场环境,采用财政支出占GDP比重表示。为使控制变量与核心解释变量的指标属性保持一致,实际分析中对以上指标进行标准化处理。

2.3 样本选择与数据来源

本文采用2013—2021年中国内地30个省份(西藏因数据缺失较多,未纳入统计)面板数据进行实证分析。数据主要来源于《中国统计年鉴》《中国科技统计年鉴》《中国电子信息产业统计年鉴》《中国工业统计年鉴》《中国环境统计年鉴》以及各省统计年鉴,数字普惠金融指数数据来自北京大学数字金融研究中心公布的北京大学数字普惠金融指数。在测算数字经济发展水平的过程中发现,个别年份的每百户家庭移动电话拥有量、电子设备主营业务收入、软件研发经费等指标数据存在缺失,为确保数据的连续性,本文对指标缺失值采用该指标前后年份的数值滑动平均代替。

3 数字经济与工业高质量创新的协同效应

3.1 时空演变分析

3.1.1 数字经济与工业高质量创新耦合协调的时序演变特征

如表3所示,总体而言,数字经济与工业高质量创新之间具有协同发展的演变特征,数字经济与工业科技研发效率的耦合协调度呈逐年上升态势,数字经济与工业成果转化效率的耦合协调度呈波动上升态势。相较而言,数字经济与工业科技研发效率的耦合协调度更高,表明数字经济与工业高质量创新的协同效应主要体现在工业科技研发阶段。进一步对比分析发现,工业成果转化效率滞后是造成其与数字经济耦合协调度波动上升的主要原因。中国劳动力转型引致的用工成本上升与产业升级引致的制造业比重下滑造成工业成果转化效率短期波动,从而影响数字经济与工业成果转化效率的协同演进。以上结果表明,与考察期内数字经济持续快速发展相比,中国工业成果转化的“效率跛足”问题依然突出,工业成果转化效率的稳步提升成为强化数字经济与工业高质量创新协同发展的关键环节。

表3 数字经济与工业创新效率耦合协调度时序演变Tab.3 Time series evolution of the coupling coordination degree of digital economy and industrial innovation efficiency

从数字技术应用的不同维度看,数字产业化、产业数字化与工业科技研发效率的耦合协调度稳步上升,与工业成果转化效率的耦合协调度呈波动上升态势,且二者与工业科技研发效率的耦合协调度更高。通过对比分析可知,相较于数字产业化,伴随数字技术与实体经济不断融合,产业数字化在数字经济中的占比加速提升,使其与工业各阶段创新效率的耦合协调度更高。因此,数字经济与工业高质量创新的协同效应主要表现为产业数字化及其与工业科技研发效率的同步共进。

就各省份耦合协调度的平均水平而言,数字经济与工业各阶段创新效率的耦合协调度仍处于协调发展过渡区间。虽然近年来中国数字经济规模持续扩大,但工业创新发展仍处于累积阶段,中国工业全面数字化也处于转型升级阶段,数字技术与工业生产创新的深度融合有待加强,这使得数字经济与工业高质量创新的协同发展存在一定时空错位。

3.1.2 数字经济与工业高质量创新耦合协调的空间演变特征

从空间特征看,数字经济与工业高质量创新的协同演变呈现出明显的空间分异特征。鉴于分省份的结果汇报较为冗余,且难以体现区域异质性,本文根据国务院发展研究中心《区域协调发展的战略与政策》中的划分标准,进一步将全样本划分为八大综合经济区,如表4所示。通过横向对比发现,数字经济与工业高质量创新协同发展在东部沿海及南部沿海地区具有更高的耦合协调度,而东北、西北等地区则相对偏低,这与中国经济发展的空间分布格局基本一致,即由于经济相对发达地区在电子信息产业和工业创新累积方面更具优势,使其数字经济与工业高质量创新的协同发展水平更高。

表4 数字经济与工业创新效率耦合协调度的空间演变Tab.4 Spatial evolution of the coupling coordination degree of digital economy and industrial innovation efficiency

从数字技术应用的不同维度看,各地区数字产业化和产业数字化及其与工业各阶段创新效率的耦合协调总体呈现出明显的空间分异特征,与上述全样本的空间分异特征基本相似。值得注意的是,受到国家数字要素与科技创新力量空间布局规划的影响,数字经济及其分维度指标与工业科技研发效率的耦合协调水平在南部沿海、西南、西北地区更高,说明数字经济与工业各阶段创新效率的协同演变在空间布局上存在渐趋分化特征。

3.2 动态趋势分析

基于前述时空演变分析,进一步采用Kernel密度估计方法考察数字经济与工业高质量创新协同发展的动态演变趋势,如图1、图2所示。从分布位置看,考察期内数字经济与工业科技研发效率的协同发展水平显著提高,但与工业成果转化效率的协同发展水平有待进一步提升;从主峰分布形态看,各地区间数字经济与工业科技研发效率协同发展的绝对差异呈先缩小后扩大的趋势,而与工业成果转化效率协同发展的绝对差异则呈先扩大后缩小的趋势;从极化趋势看,随着时间推移,数字经济与工业科技研发效率协同发展的多极分化现象有所加剧,而与工业成果转化效率的协同发展尚未出现明显的多极分化。

图1 DEI-GIE1动态演变Fig.1 Dynamic evolution of DEI-GIE1

图2 DEI-GIE2动态演变Fig.2 Dynamic evolution of DEI-GIE2

从数字技术应用的不同维度看,数字产业化、产业数字化与工业科技研发效率耦合协调度的Kernel密度分布曲线与图1大致相似,且相较而言,各地区间产业数字化与工业科技研发效率协同发展的绝对差异呈现出更为明显的扩大趋势,其极化趋势也更为突出;数字产业化、产业数字化与工业成果转化效率耦合协调度的Kernel密度分布曲线与图2大致相似,且相较而言,各地区间数字产业化与工业成果转化效率协同发展的绝对差异呈现出更为明显的扩大趋势,而产业数字化与工业成果转化效率协同发展的极化趋势则更为突出。

3.3 空间收敛分析

空间收敛分析可以在识别变量空间关联特征的基础上考察变量的区际差异,本文参照刘帅[16]的做法,采用空间β收敛模型分析数字经济与工业高质量创新协同发展的区际差异。实际分析中,空间权重矩阵采用反地理距离矩阵,反地理距离矩阵用各地区间地理距离平方的倒数表示,地理距离借助经纬度计算得到。对各变量依次进行全局Moran′s I指数检验,发现数字经济与工业各阶段创新效率的耦合协调度均存在显著的空间自相关性,说明可以构建空间计量模型进行空间收敛检验。进一步结合相关统计检验,最优模型形式采用双向固定效应的空间杜宾模型,模型估计结果见表5。

表5 空间收敛检验结果Tab.5 Test results of spatial convergence

根据模型估计结果可知,各模型的空间收敛系数均显著为负,说明数字经济与工业各阶段创新效率的耦合协调水平存在显著的空间收敛特征。根据空间收敛系数计算变量的收敛速度及收敛所需的半生命周期后发现,与工业科技研发效率相比,数字经济与工业成果转化效率协同效应的空间收敛速度更快。进一步分维度看,数字产业化及其与工业成果转化效率协同效应的空间收敛速度最快。以上结果表明,各地区间数字经济与工业成果转化效率协同发展的区际差异相对较小,数字产业化及其与工业成果转化效率的空间协同是弥合数字经济与工业高质量创新区际差异的内在动力,数字经济与工业科技研发效率的协同发展存在区际潜在分化趋势。这也在一定程度上反映出创新资源禀赋差异与市场分工合作使得中国各地区工业创新在空间分布上存在明显的非均衡性。

3.4 区域差异分析

虽然空间收敛分析可以考察变量区际差异的动态变化,但无法反映区域内部差异及总体差异来源,而Dagum基尼系数可以在分析总体差异的基础上进一步解析差异来源(区域内差异、区域间差异、超变密度)。鉴于此,本文参照刘帅[16]的做法,进一步利用Dagum基尼系数分析数字经济与工业高质量创新耦合协调度的区域差异及其来源。按照前述空间演变特征分析部分的划分依据,同样将全样本划分为八大综合经济区进行分析,估计结果见表6。

表6 数字经济与工业创新效率耦合协调度的区域差异分解结果Tab.6 Regional difference decomposition results of coupling coordination degree of digital economy and industrial innovation efficiency

根据估计结果可知,各地区数字经济与工业各阶段创新效率耦合协调度的总体差异在考察期内均呈不断扩大趋势,但从2020年后开始缩小。从总体差异的分解结果看,数字经济与工业创新效率耦合协调度的区域内部差异呈扩大态势,区域间差异则呈缩小态势。通过对比分析可以发现,区际差异是造成数字经济与工业高质量创新协同发展差异的主要来源。进一步从空间分布看,数字经济与工业高质量创新协同发展的区际差异主要表现为东南沿海地区与西北内陆地区之间的差异。

从数字技术应用的不同维度看,与前述分析相似,数字产业化、产业数字化与工业各阶段创新效率协同发展的总体差异也主要源自区际差异。通过对比可知,数字经济与工业高质量创新协同发展的区际差异主要源自各地区间数字产业化及其与工业成果转化效率的协同发展差异,而其区域内差异则主要源自各地区内部数字产业化与工业科技研发效率的协同发展差异。

4 数字经济与工业高质量创新的互促效应

4.1 变量与模型构建

构建面板向量自回归(PVAR)模型进一步考察数字经济与工业高质量创新的互促效应。PVAR模型的建模条件主要包括变量平稳性检验、模型最佳滞后期数确定、模型稳定性检验等,本文对各变量及模型依次执行上述检验流程。结果表明,各变量均为一阶差分平稳序列,因而本文统一采用数字经济和工业各阶段创新效率的增长变化解释二者互动的系统特征;BIC等信息准则显示模型最佳滞后期数均为滞后一期;特征根的模均小于1,说明PVAR模型稳定,可以构建PVAR模型进行实证分析。

4.2 Granger因果关系检验

区别于线性回归的单方程因果推断模型,Granger因果关系检验能够反映变量间的历史信息是否有助于预测各自未来变化,从而为构建分析联合内生变量间动态关系的非结构化多方程模型和识别模型预测效力提供统计参考。基于此,本文对变量进行Granger因果关系检验,结果如表7所示。结果显示,数字经济与工业科技研发效率是造成彼此变动的Granger原因,工业科技研发效率是造成数字经济变动的Granger原因,数字经济不是造成工业成果转化效率变动的Granger原因。

表7 Granger因果关系检验结果Tab.7 Test results of Granger causality

需要说明的是,虽然Granger因果关系检验得出数字经济与工业创新效率的互动关系并非其在实际经济活动中的真实因果关系,但结合经济发展实践可知,二者的互动关系具有丰富的经验依据。数字经济与实体经济深度融合引致的工业智能化升级能够加速工业科技成果落地转化,从而为提升工业创新效率创造有利条件。同时,工业技术进步催生的信息化变革是促进数字经济发展的内生动力,工业创新效率持续提升带来的通用技术扩散能够夯实数字经济的技术基础,从而为拓展数字经济发展空间提供有力支撑。因此,可以认为实际分析中的Granger因果关系与真实的因果关系基本一致,即数字经济与工业创新效率的历史信息均对彼此的未来变化具有较强的解释效力。

4.3 脉冲响应函数分析

由于PVAR模型无需对变量作任何先验性约束,因此通常不分析模型参数估计值的经济意义,而更为关注模型系统的动态特征,也就是分析模型中一个内生变量的冲击给其它内生变量带来的动态影响,这种动态影响可以通过脉冲响应函数(IRF)分析予以刻画。基于此,本文通过脉冲响应函数考察数字经济与工业各阶段创新效率对彼此作用的动态影响路径。

由图3、图4可知,当数字经济和工业科技研发效率分别给出一个标准差冲击后,数字经济对工业科技研发效率在长期内存在较强的正向响应,而工业科技研发效率对数字经济总体上存在负向响应。由图5、图6可知,当数字经济和工业成果转化效率分别给出一个标准差冲击后,二者在长期内均对彼此存在较强的正向响应。以上结果表明,数字经济与工业成果转化效率之间存在显著互促效应;数字经济与工业科技研发效率之间不存在显著互促效应,二者互动的系统特征主要表现为工业科技研发效率提升对数字经济发展的正向驱动。原因可能在于,工业科技研发效率的提升有利于夯实数字经济的技术基础,但由于基础研发依赖于具有划时代革新性的核心技术突破,而且数据要素过度投入可能诱发“索洛悖论”问题[17],这使得既有数据分析未能有效缓解中国工业科技研发低效的困境。 从数字技术应用的不同维度看,数字产业化与工业科技研发效率对彼此不存在显著正向响应,二者互动的系统特征主要表现为工业科技研发效率提升对数字产业化的驱动,而产业数字化与工业科技研发效率对彼此存在一定正向响应;数字产业化与工业成果转化效率对彼此存在较强的持续正向响应,产业数字化与工业成果转效率之间不存在显著正向响应,二者互动的系统特征主要表现为产业数字化对工业成果转化效率的驱动。通过对比分析可知,数字产业化与工业成果转化效率对彼此的正向响应更强,即数字经济与工业高质量创新的互促效应主要源自数字产业化及其与工业成果转化效率的交互响应。

图3 DEI冲击引起GIE1的脉冲响应Fig.3 IRF ofGIE1 caused by DEI shock

图4 GIE1冲击引起DEI的脉冲响应Fig.4 IRF of DEI caused by GIE1 shock

图5 DEI冲击引起GIE2的脉冲响应Fig.5 IRF of GIE2 caused by DEI shock

图6 GIE2冲击引起DEI的脉冲响应Fig.6 IRF of DEI caused by GIE2 shock

4.4 方差分解

基于上述脉冲响应函数分析,进一步通过方差分解考察PVAR模型中数字经济与工业高质量创新对彼此变动的解释力度,结果如表8所示。在考虑其它干扰因素对PVAR模型的影响下,随着预测时期的演变,数字经济与工业科技研发效率对彼此预测误差变动的贡献度分别稳定在5.6%和0.3%左右,数字经济与工业成果转化效率对彼此预测误差变动的贡献度分别稳定在2.9%和0.3%左右。综合可知,数字经济对工业创新效率波动具有较强的解释效力,而工业创新效率对数字经济波动的解释效力相对较弱。

表8 方差分解结果Tab.8 Variance decomposition results

从数字技术应用的不同维度看,同样考虑其它干扰因素对PVAR模型的影响,随着预测时期的演变,数字产业化与工业科技研发效率对彼此预测误差变动的贡献度分别稳定在1.4%和0.5%左右,数字产业化与工业成果转化效率对彼此预测误差变动的贡献度分别稳定在3.0%和1.0%左右;产业数字化与工业科技研发效率对彼此预测误差变动的贡献度分别稳定在6.6%和0.2%左右,产业数字化与工业成果转化效率对彼此预测误差变动的贡献度分别稳定在2.8%和4.9%左右。通过对比分析可知,总体而言,产业数字化与工业高质量创新系统对彼此变动的累计贡献度更高。以上结果表明,产业数字化与工业成果转化效率的信息冲击是造成数字经济与工业高质量创新系统波动的主要来源。从实践经验看,当技术环节的工业生产设备智能化升级与实际制造场景不相匹配时[18],数字技术应用可能对工业创新效率的稳步提升形成冲击。

5 结论与政策启示

5.1 研究结论

本文基于数字技术应用的不同维度与创新价值链理论,利用省际面板数据,构建耦合协调度模型和面板向量自回归模型,解析数字经济与工业高质量创新的协同互促效应,得到以下主要结论:第一,数字经济与工业各阶段创新效率的耦合协调度总体呈不断上升态势,但目前仍处于过渡区间,且产业数字化及其与工业科技研发效率的耦合协调水平更高。数字经济与工业高质量创新的协同效应呈现出明显的空间分异特征,且在东南沿海等经济相对发达地区具有更高的耦合协调水平。数字经济与工业高质量创新的协同效应存在显著的空间收敛,且二者协同发展的空间差异主要源自区际差异。第二,数字经济与工业成果转化效率之间存在显著的双向互促效应,数字经济与工业科技研发效率之间互动的系统特征表现为工业科技研发效率提升对数字经济发展的正向驱动。数字产业化与工业成果转化效率对彼此存在较强的持续正向响应,产业数字化与工业成果转化效率的信息冲击是造成数字经济与工业高质量创新系统波动的主要来源。第三,数字经济与工业高质量创新的协同效应和互促效应存在链条错位,即二者的协同效应主要表现为产业数字化及其与工业科技研发效率的同步共进,而互促效应则主要源自数字产业化及其与工业成果转化效率的交互响应。因此,工业成果转化效率的稳步提升是强化数字经济与工业高质量创新协同发展的关键环节,充分发挥数字技术在提升工业科技研发效率方面的赋能作用是实现数字经济与工业高质量创新互促融合的潜在路径。

5.2 政策启示与建议

(1)强化数字经济与工业高质量创新协同发展。一方面,补齐数字经济核心技术创新能力短板,加快构建现代化数字产业体系,推进产业数字化深层次转型,做大做强做优数字经济;另一方面,推进工业产品的智能制造,加速新型数字产品落地转化,稳步提升工业成果转化效率。同时,整合数字创新平台,规划建设全国数据要素统一大市场,统筹推进“东数西算”工程,优化数据要素与创新资源的空间布局,弥合数字经济与工业创新协同发展的区际鸿沟,从而促进数字经济与工业高质量创新的时空协同。

(2)促进数字经济与工业高质量创新互促响应。一方面,不断完善新型工业基础设施建设,推进关键工序全面数控化,探索建立科技成果转化的数字信息合作平台,丰富工业研发成果的熟化模式,从而形成数字经济与工业成果转化的良性互促;另一方面,加大对工业基础科技研发的投入力度,开展工业信息化技术攻关,提高工业企业数字化研发工具普及率,提高科研人员数字技能素养,优化数字要素投入结构,消解数字技术对研发投入领域的潜在冲击,从而实现数字经济与工业科技研发系统的双向互促。

(3)构建数字经济与工业创新发展协同互促的产业生态系统。一方面,聚焦高端工业设备的智能制造,积极实施制造业数字化转型行动和中小企业数字化赋能行动,培育一批具有市场竞争力的数字生态主导型高新技术企业;另一方面,深入实施传统工业信息化改造工程和工业互联网创新发展工程,一体化推动工业互联网建设,持续拓展数字技术在工业产品创新制造中的应用场景,形成支撑数字经济发展的数据开源系统,拓展数字经济在工业领域的发展形态,从而实现数字经济与工业高质量创新协同互促的链条衔接。

5.3 研究不足与展望

一方面,由于数字技术应用与实体产业之间相互渗透,数字技术的迭代创新具有动态性,而且工业创新效率虽然能在宏观层面反映实体经济高质量发展,但无法精准刻画实体经济的行业特征。因此,基于现有国民经济统计体系的数字经济发展水平测度以及针对制造业细分行业的创新效率分析尚待优化。另一方面,数字经济与实体经济深度融合具有高度产业关联特征,既有研究方法在刻画二者融合机制方面仍然有所欠缺,因而基于产业关联方法的实证研究有待进一步完善。