大数据驱动科技成果转化:理论机理与实证检验

李 娟,潘国轩,赵金梅

(哈尔滨商业大学 经济学院,哈尔滨 150028)

引 言

2021年12月国务院印发的《要素市场化配置综合改革试点总体方案》提出要“大力促进技术要素向现实生产力转化”。科技成果转化作为实现技术创新要素向现实生产力转化的重要载体,如何提升科技成果转化效率已成为重要研究内容。本质上科技成果转化是以经济利益获取为核心目的的知识交换过程,囊括技术信息、经验、技巧等隐性知识转移,与知识主体和市场主体的信息交互和对接[1-2]。在实现形式上,科技成果转化不仅是供给系统、需求系统以及环境系统的简单集合,还是人、技术、资金、市场等资源要素的交互与对接过程,因而科技成果转化核心在于实现技术创新要素的有效配置。自2015年9月《促进大数据发展行动纲领》实施以来,我国大数据产业得到较快发展。2021年11月工业和信息化部印发《“十四五”大数据产业发展规划》提出要“推动要素数据化,引导各类主体提升数据驱动的生产要素配置能力,推动技术等要素在行业间、产业间、区域间的合理配置”。由此可知,大数据的发展无疑会对内涵以知识、技术、服务为转移的科技成果转化带来影响。从要素配置角度看,大数据究竟会对科技成果转化产生怎样的影响是推动大数据赋能科技成果转化亟需回答的问题。

一、文献综述

科技成果转化(Technology Transfer)指制造某种产品、应用某种工艺或提供某种服务的系统知识,通过各种途径从技术供给方向技术需求方转移的过程。科技成果转化一直是学者研究的重点内容,已有研究囊括科技成果转化内涵、存在的问题及对策。在内涵上,Kirchberger等(2016)[3]认为科技成果转化是将科研人员有价值、可应用的技术成果转移给可应用这些技术成果的组织部门的技术商品化过程。柳卸林等(2012)[4]指出,科技成果转化的实现是人、技术、资金、市场等资源要素的非线性耦合和动态匹配结果。可见,科技成果转化实质为技术创新要素的配置过程,因而提升技术创新要素配置效率成为科技成果转化效率提升的关键。同时,现阶段科技成果转化存在诸多结构性堵点、难点,阻碍了技术创新要素配置,抑制了科技成果转化效率提升。除去供给侧技术从成熟度不足与需求侧技术需求主体缺乏客观承接能力外,谢富纪(2021)[5]、胡丽(2019)[6]、乔为国(2021)[7]、郭曼等(2018)[8]、韩莹(2019)[9]等都指出市场机制不健全、外部信息不对称、技术转移机构能力不足等因素同样抑制技术创新要素配置。为推动技术创新要素配置,实现技术供需主体对接,党高飞等(2016)[10]提出构建精准识别、精准转化、精准跟踪和精准管理的精准技术转移模式;胡丽(2019)[6]提出构建技术成果转化平台以化解信息不对称带来的技术供需错配问题;钟卫和陈彦(2019)[11]从技术供需双方面临的障碍出发,构建干预供给方、干预需求方以及促进供需双方连接三种机制,以实现技术供需主体精准对接。

大数据(Big Data)自1997年被提出以来得到了快速发展,在科技成果转化上的应用逐渐加深。在政策层面,王锋(2019)[12]指出大数据深度学习算法有助于识别科技成果转化在金融法律实践中的技术化问题与实现对其金融信息的逻辑化分析,助推其金融法律完善。在供给侧层面,林超辉等(2017)[13]以广东高校的科技成果转化为研究对象,指出大数据分析平台可有效整合高校技术信息和企业需求信息,实现高校技术向企业推介。在需求侧层面,KOMAN等(2016)[14]指出在用户需求变化和外部市场竞争条件下,大数据技术可提升企业外部需求数据信息转换能力,形成知识创新需求,进而促进高校与企业之间的知识转移。在中介层面,施振佺(2020)[15]指出基于大数据的科技创新成果转化平台不仅可以对市场技术需求识别和企业用户需求画像,还能助推技术供需双方精准匹配。易高峰和王洋(2021)[16]进一步指出中介服务机构依靠大数据分析技术对多模块、海量技术供求信息数据进行深度挖掘,智能匹配以科技成果与市场应用场景,进而更好推动科技成果转化。

总体来看,已有研究大多集中于科技成果转化存在的问题及对策上,而对大数据这一新变量缺乏关注。虽有部分学者对大数据在科技成果转化上的应用进行研究,但大多仅集中于科技成果转化的某一环节或某一主体,仍缺乏系统性研究。大数据对科技成果转化究竟是促进还是抑制?存在什么异质性影响?这些问题仍需要进行机理分析与实证检验。基于此,本文通过机理分析与实证检验,就大数据与科技成果转化的关系进行深入研究。本文与既有研究的区别主要体现在:(1)分析了大数据与科技成果转化之间存在的“U”型关系,并借助数理分析工具对其进行规范性论证。(2)借助中介效应模型对大数据影响科技成果转化的内在作用机制进行有效刻画,极大地丰富了现有研究。(3)借助数理分析工具对大数据与主要异质主体的科技成果转化关系进行规范性分析论证,为推动科技成果转化分类别、分层次管理以实现大数据赋能提供新的理论借鉴与实证支撑。

二、大数据与科技成果转化的机理分析

现有研究表明,大数据对科技成果转化具有重要影响。大数据发展可推动生产要素关联重组,优化配置结构,进而提升生产效率。一方面,大数据引入为内涵以技术信息、经验、技巧等隐性知识交换的科技成果转化提供了新方法和新手段,加速技术创新要素“数据化”,更好地实现技术供需信息接入、翻译、编码、匹配、撮合等,加速技术创新要素“流通”,提升技术要素配置效率;另一方面,大数据既可实现搜索成本、沟通成本、交易成本以及新近发现和识别的跟踪成本和验证成本的有效降低,又能通过大数据平台以优廉成本推动创新资源共享[17],进而形成对科技成果转化供需主体的激励,促进其进行对接洽谈,并就自身技术要素需求与其交易对手进行磋商谈判,以实现技术交易合意达成,最终完成既定条件下人、技术、资金、市场等资源要素的非线性耦合与动态匹配,实现知识增值、技术创新价值实现、社会经济价值创造。因而,在这一层面上大数据可有效促进科技成果转化。

从中国的科技成果转化具体发展现状来看,科技成果转化一直以来存在政策不协调和难落地问题,有效政策供给不足;技术交易市场分散、技术交易对象局限于省内或某一区域内;技术交易机制不完善、技术转移机构能力不足;产权保护水平不高等结构障碍。这就导致大数据的引入一方面会在一定程度上强化原有的科技成果转换路径,强化技术转移的地方政府保护强度,加剧现有的技术交易市场分散和进入壁垒;另一方面大数据引入虽然在一定程度上加速技术要素的“流通”,消减一定的市场信息不对称,但结构性阻碍的存在使大数据引入也将伴随隐形的信息不对称产生,造成更大的市场风险,进而影响技术交易主体预期,恶化技术交易市场环境,最终在短期内抑制科技成果转化。基于此,本文提出以下研究假设:

H1:从要素配置角度看,大数据与科技成果转化之间呈先降后升的“U”型关系。即在短期内大数据将会抑制科技成果转化;在长期,随着科技成果转化结构性阻碍的破除,大数据进而有效促进科技成果转化

科技成果转化作为技术信息、经验、技巧等隐性知识交换的过程,包含以知识与技术的溢出。一方面,科技成果转化主体不仅可以通过技术交易获得知识、技术,还可以通过外部市场、外部技术转移中介机构以及平台、外部合作实现知识与技术获取,大数据的引入将会强化这一知识、技术获取机制,形成更大的技术溢出效应;另一方面,科技成果转化主体可通过大数据赋能而改善其科技成果转化策略,促进更大范围的知识、技术溢出。如技术供给方强化市场技术需求导向,强化市场技术需求翻译与编码;技术需求方加强市场用户需求管理,强化技术引进风险管理;技术转移中介机构强化技术供需信息接入、分析、匹配与推介;政府管理部门依托大数据进行政策评估、监测,进而疏通政策传导机制实现有效政策供给。此外,大数据也将强化科技成果转化主体的市场信息接入,有效降低市场信息不对称,进而促进科技成果转化。基于此,本文提出以下研究假设:

H2:大数据可通过技术溢出效应促进科技成果转化

大数据不仅可以通过技术溢出效应对科技成果转化产生影响,还可通过产学研合作产生影响。产学研合作作为科技成果转化的重要方式,可有效促进科技成果转化。现阶段产学研分离及“锁定”,使得我国科技成果转化的双边市场属性得到强化并长期存在[18]。从资源与需求角度看,高校和科研机构与企业在技术创新要素供需上存在巨大的互补性,基于高校和科研机构与企业在科技与应用上的不可兼顾性考量,进行产学研合作是成本最低和效率最高的策略选择[14、19]。大数据引入一方面提升企业对市场用户需求“画像”能力,实现对市场用户内在需求提炼和个性化需求进行刻画,进而生成更多创新需求,形成更多的有效技术需求。高校和科研机构通过大数据技术应用,提升其对市场技术需求的“翻译”与“编码”能力,进而修正其技术创新模式,以更好契合市场企业需求,形成更多有效供给。在供需机制作用下,企业与科研机构和高校将会加大产学研合作,进而促进科技成果转化。基于此,本文提出以下研究假设:

H3:大数据对科技成果转化的影响,还会通过产学研合作机制发挥作用

大数据除了通过技术溢出、产学研合作机制影响科技成果转化以外,同样还会通过R&D内部经费支出机制影响科技成果转化。R&D内部经费支出是科技成果转化的重要资金来源,大数据引入将会影响科技成果转化主体的R&D内部经费支出配比,进而影响科技成果转化。一方面,大数据引入会使得高校和科研机构在“重科研轻转化”思维导向和“四唯”评价机制下更多投入基础研究和技术开发,减少对工程研究的投入,进而阻碍科技成果转化;另一方面,构建研发中心等科层组织是企业获取长期技术竞争力的重要路径,大数据的发展将会刺激企业推动该科层组织构建。但囿于相关科技人员不足、机器设备条件不完善等因素,造成一定的“试错”成本,进而减损科技成果转化资金投入,即大数据在一定程度上可以通过影响科技成果转化主体R&D内部经费支出的配置来影响科技成果转化。由此,本文提出以下研究假设:

H4:大数据对科技成果转化的影响,还会通过R&D内部经费支出机制发挥作用

企业、科研机构和高校作为科技成果转化重要主体,大数据对这些主体同样会产生影响。企业作为重要市场主体,其科技成果转化必然受技术交易市场影响。现阶段技术交易市场机制不完善、知识产权保护水平不高、信用机制不健全、信息不对称等问题仍存在,大数据发展将固化市场结构甚至恶化当前的市场环境,造成更大的信息不对称,带来更多的道德风险和逆向选择,形成更大的市场风险。这就导致企业主体无法形成有效市场预期,进而减损其科技成果转化积极性,最终抑制企业科技成果转化。当市场环境得以优化后,大数据将会推动企业科技成果转化。由此,本文提出以下研究假设:

H5:大数据与企业科技成果转化呈先降后升的“U”型关系

同样,科研机构作为重要的技术成果供给主体也具有较强市场属性,特别是2015年9月《深化科技体制改革实施方案》施行以来,科研机构向“企业化转制”改革进程不断加快,其市场属性也得到进一步强化,这就使得科研机构科技成果转化与企业一样面临市场因素阻碍。即大数据发展会通过固化现有市场结构甚至恶化市场环境进而减损科研机构进行科技成果转化的积极性,最终抑制科技成果转化。同时,随着市场体制机制完善、市场环境的改善,大数据会促进科研机构的科技成果转化。由此,本文提出以下研究假设:

H6:大数据对科研机构的科技成果呈先促进后抑制的倒“U”型关系

高校作为另一重要的技术成果供给主体,不仅与企业和科研机构一样受到市场因素影响及面临着技术交易市场面临的结构性等问题,同时高校自身的异质性特征同样会对其科技成果转化产生影响。高校自身的国有属性、其技术转移办公室行政化、技术转移人员编制化等隐性体制机制问题存在,以及“四唯”评价机制导向下高校未能形成科技成果转化的有效激励,反而使得高校科研人员在既得利益下形成“重科研、轻转化”的“路径依赖”,而高校科技成果转化将由经济属性演变为行政绩效考核,这一因素也将导致高校对外部大数据影响的反应存在一定的“时滞”。外部大数据的影响将推动高校一批成熟的、可应用的“存量”科技成果转化,因而短期内大数据发展将促进高校科技成果转化。在长期,高校面临“重科研、轻转化”技术创新导向下技术成果市场成熟度不足的问题,因而在长期大数据将抑制高校科技成果转化。由此,本文提出以下研究假设:

H7:大数据对高校科技成果转化的影响存在“时滞”,呈先升后降的倒“U”型关系

三、研究设计

(一)关键指标选取与测度

1.被解释变量

科技成果转化效率(Transformation rate of Technology Transfer,T_r)。本文采用中国国家知识产权局发布的《2016—2021年中国专利调查报告》中科技成果转化率作为表征变量。

2.核心解释变量

大数据(Big_data_gdp)。本文通过计算2015—2020年大数据产业市场规模增加值占GDP的比值*100%作为大数据的表征变量。在后文稳健性检验中,大数据(Big_data_gdp)替换为大数据产业市场规模增加值占GNI的比值*100%的大数据(Big_data_gni)。此外,由于大数据产业作为数字经济产业的重要内容,因而将数字经济市场规模增加值占GDP比值*100%作为另一替换变量数字经济(Dig_econ)。基于解释变量过小与回归系数过大考量,将大数据(Big_data_gdp)与其替换变量大数据(Big_data_gni)做扩大100倍处理。

3.中介变量

结合已有大数据与上述假设分析,本文选取产学研合作(I_U)、技术溢出(lnTfp)、R&D经费内部支出(R_D_exp)作为中介变量。

4.控制变量

参考现有文献,结合谢富纪(2021)[5]、乔为国(2021)[7]、郭曼等(2018)[8]等研究,本文从政府、市场、科技成果转化参与主体三个维度选取控制变量,包括政府财政干预程度(Gov_int)即地方财政科技支出占GDP比重×100%;技术交易市场发展水平(Ttmd)即技术交易市场技术交易合同金额占GDP比重×100%;技术中介机构能力水平(Tti_cap)即对技术中介服务金额取对数。

表1 变量定义和相关信息

(二)模型设定

本部分重点研究大数据与科技成果转化之间的“U”型关系,进而验证假设H1。借鉴刘哲希等(2019)[20]、王晰等(2020)[21]做法,基于数据的可得性与完备性,以2015—2020年国家知识产权局公布的科技成果转化数据为研究对象,构建如下计量模型:

(1)

其中,下标i代表科技成果转化类型,下标t代表第t年科技成果转化率。变量T_rit代表第t年第i中类型科技成果的转化效率。解释变量中Big_datait代表第t年第i中类型科技成果大数据水平。基于大数据与科技成果转化呈现的“U”型关系考量,本文在模型中加入大数据的二次项Big_data2it。Xit代表其他控制变量,μit代表控制个体效应,εit代表残差项,α0为常数项。具体的,本文重点关注大数据一次项和二次项系数β1、β2的正负。从理论分析和假设来看,预估β1<0、β2>0,由此推断大数据和科技成果转化呈现“U”型关系而非简单线性关系。

(三)数据来源

科技成果转化来自中国国家知识产权局的《专利调查报告》;大数据发展水平数据来自IDC中国、赛迪CCID、中国互联网协会等组织机构公布数据;数字经济发展水平数据来自中国信息通信研究院发布的《中国数字经济发展白皮书》;其他变量来自《中国统计年鉴》《科技统计年鉴》公布数据。样本数据为2015—2020年中国科技成果转化数据。

四、实证结果分析

(一)基准回归分析

大数据对科技成果转化影响的计量检验结果见表2。具体的,列(1)给出了解释变量仅包含一次项和二次项的回归结果;列(2)-(4)为分别加入不同维度的控制变量的回归结果,列(5)为加入全部控制变量的回归结果。从表2可以看到,当以大数据为解释变量时,列(1)中大数据一次项系数在5%的置信水平上显著为负,二次项系数在5%的置信水平上显著为正。“U”型关系检验结果显示,极值点为1.4345,位于解释变量取值范围内,在5%置信水平上显著,即通过“U”检验。当拐点出现在1.4345时,对应时间是2017—2018年之间。这便验证了假设H1,即大数据与科技成果转化之间呈现显著的“U”型关系,而非简单线性关系。当加入三个维度的控制变量后,列(5)中大数据一次项系数在1%的置信水平上显著为负,二次项系数在1%的置信水平上显著为正,回归结果保持稳健。从列(2)-(4)可以看出,政府干预程度、技术转移机构能力、技术交易市场发展水平对科技成果转化具有显著影响,这也验证了学者得出的政府干预加强[21]、技术转移机构能力不足[7-9]抑制科技成果转化而技术交易市场发展水平提升促进科技成果转化的结论[5-6]。

表2 基准回归结果

(二)稳健性检验

1.更换统计方法再检验

表2是基于专利种类构建面板数据得出的结果,因此本文又基于专利转化类型构建面板数据,回归结果汇总于表3中的列(1)、列(2)。列(1)中,大数据一次项系数在5%的置信水平上显著为负,二次项系数在5%的置信水平上显著为正。列(2)中,大数据一次项系数在1%的置信水平上显著为负,二次项系数在1%的置信水平上显著为正。表明更换统计方法后,大数据与科技成果转化呈现的“U”型关系稳健。

表3 大数据与科技成果转化回归结果检验:更换统计方法和替换变量

2.替换核心变量再检验

首先,本文将数字经济(Dig_econ)替换大数据作为解释变量,回归结果汇总于表3中列(3)、列(4)。数字经济一次项系数显著为负,二次项系数显著为正,这表明大数据与科技成果转化呈现的“U”型关系具有稳健性。其次,将解释变量由大数据Big_data_gdp替换为Big_data_gni,回归结果汇总于表3的列(5)、列(6)。列(5)中,大数据一次项系数在5%的置信水平上显著为负,二次项系数在5%的置信水平上显著为正。列(6)中,大数据一次项系数在1%的置信水平上显著为负,二次项系数在1%的置信水平上显著为正。这表明大数据与科技成果转化呈现显著的“U”型关系。U检验结果显示拐点为1.4371,在5%置信水平上显著,大数据与科技成果转化的“U”型关系成立,假设H1得到验证。

(三)基于内生性处理

为进一步解决因遗漏变量等因素导致的内生性问题,本文将科技成果转化的滞后一期引入回归模型方程(1)中。基于回归模型方程引入科技成果转化滞后项可能出现解释变量与误差项相关的情况考虑,借鉴刘哲希等(2019)[20]做法,采用Arellano-Bond系统估计法,通过GMM方法避免解释变量与误差项出现相关性。本文将回归结果汇总于表4。回归结果显示,Hansen检验的P值和Arellano-Bond结果均大于0.1,即GMM模型设置合理。表4中列(1)和列(2)显示解释变量为大数据Big_data_gdp,列(3)和列(4)显示解释变量为大数据Big_data_gni,被解释变量均为科技成果转化。结果显示,列(1)-(4)中大数据一次项系数显著为负,二次项系数显著为正。由此可知,大数据与科技成果转化之间呈现稳健的“U”型关系。

表4 大数据与科技成果转化回归结果检验:GMM方法

(四)机制检验

借鉴丁玉敏等(2021)[23]做法,通过测量整体全要素生产率作为技术溢出效应表征变量(lnTfp),取LN值进行平滑性处理。通过对测算产学研合作比例,作为表征产学研合作表征变量(I_U)。通过测算整体R&D内部经费支出占GDP的比值作为R&D内部经费支出表征变量(R_D_exp)。借鉴王晰等(2020)[21]的做法,构建中介效应模型如下:

(2)

(3)

(4)

针对技术溢出作用机制检验结果汇总于表5。在表5中,列(2)为大数据与技术溢出效应关系检验,结果表明大数据与技术溢出的相关系数为4.7006,在1%水平上显著正,表明随着大数据可扩大技术溢出效应。在列(3)中同时加入大数据和技术溢出以检验技术溢出的中介效应,大数据一次项系数显著为负(β1=-48.1869,t=-2.34),二次项系数显著为正(β2=18.8990,t=2.28),技术溢出的系数显著为正(β3=3.6345,t=3.23),这表明大数据可通过扩大技术溢出进而促进科技成果转化效率提升,即技术溢出在大数据与科技成果转化的“U”型关系中起到了中介作用。假设H2得到验证。

表5 技术溢出作用机制检验结果

针对产学研合作作用机制检验结果汇总于表6。在表6中,列(2)为大数据与产学研合作的关系检验,结果表明大数据与产学研合作的相关系数为-0.0937,在1%水平上显著为负,表明大数据发展会在一定程度上阻碍产学研合作实现。在列(3)中同时加入大数据和产学研合作以检验产学研合作的中介效应,大数据一次项系数显著为负(β1=-26.9388,t=-2.22),二次项系数显著为正(β2=10.5114,t=2.30),产学研合作系数显著为正(β3=44.4159,t=2.34),这表明大数据会通过抑制产学研合作进而抑制科技成果转化,即产学研合作在大数据与科技成果转化的“U”型关系中起到了中介作用。假设H3得到验证。

表6 产学研合作作用机制检验结果

针对R&D内部经费支出作用机制检验结果汇总于表7。在表7中,列(2)为大数据与R&D内部经费支出关系检验,结果表明大数据与R&D内部经费支出的相关系数为-0.4428,在1%水平上显著负,表明大数据会降低R&D内部经费支出配置效率。在列(3)中同时加入大数据和R&D内部经费支出以检验R&D内部经费支出的中介效应,大数据一次项系数显著为负(β1=-24.7664,t=-2.61),二次项系数显著为正(β2=7.5033,t=2.35),R&D内部经费支出系数显著为正(β3=14.3105,t=2.16),这表明大数据会通过减损R&D内部经费支出配置效率进而抑制科技成果转化,即R&D内部经费支出在大数据与科技成果转化的“U”型关系中起到了中介作用。假设H4得到验证。

表7 R&D内部经费支出作用机制检验结果

五、异质主体分析

企业、科研机构以及高校作为科技成果转化的重要主体,大数据的发展对这些异质主体会产生什么样的影响?为此,本文梳理了企业、科研机构和高校的科技成果转化数据,选取核心控制变量,据此验证大数据与不同异质主体的科技成果转化之间的影响关系。

针对大数据与企业和科研机构科技成果转化的回归结果汇总于表8。在表8中,列(1)和列(2)为大数据与企业科技成果转化的关系检验;列(3)和列(4)为大数据与科研机构科技成果转化的关系验证。回归结果显示,列(1)中大数据一次项系数在5%置信水平上显著为负,二次项系数在10%置信水平上显著为正;当加入控制变量后,列(2)中大数据一次项系数在1%置信水平上显著为负,二次项系数在1%置信水平上显著为正。这表明大数据与企业科技成果转化之间呈现显著“U”型关系,非简单线性关系。假设H5得到验证。

表8 大数据与企业和科研机构科技成果转化回归结果

同样,列(3)中大数据一次项系数在10%置信水平上显著为负,二次项系数虽不显著,但U检验结果显示,极值点为1.39645,位于大数据取值范围,在10%置信水平上显著。当加入控制变量后,列(4)中大数据一次项系数在5%置信水平上显著为负,二次项系数在5%置信水平上显著为正。这表明大数据与科研机构科技成果转化之间呈现显著“U”型关系。假设H6得到验证。

针对大数据与高校科技成果转化的回归结果汇总于表9。在表9中,列(1)和列(2)为当期大数据与高校科技成果转化的关系检验;列(3)和列(4)为滞后一期的大数据与科研机构科技成果转化的关系验证。回归结果显示,列(1)中大数据一次项系数在10%置信水平上显著为负,二次项系数不显著,未能通过U检验。当加入控制变量后,列(2)中大数据一次项系数在1%置信水平上显著为正,二次项系数在1%置信水平上显著为负。由此可知,当期的大数据与高校科技成果转化并不呈现“U”型关系抑或倒“U”型关系。列(3)中,大数据一次项系数在1%置信水平上显著为正,二次项系数在1%置信水平上显著为负。U检验结果显示,极值点为1.33644,位于正常取值范围,在1%置信水平上显著。加入控制变量后,列(4)中大数据一次项系数在1%置信水平上显著为正,二次项系数在1%置信水平上显著为负。这表明大数据对高校科技成果转化的影响存在滞后性,滞后一期的大数据与高校科技成果转化呈现显著的倒“U”关系,假设H7得到验证。

表9 大数据与高校科技成果转化回归结果

六、结论与启示

(一)研究结论

大数据为科技成果转化实现技术创新要素的高效配置提供新的方法与手段。研究结论表明:(1)大数据与科技成果转化呈现“U”型关系,短期内大数据发展抑制科技成果转化,在长期随着市场机制不断完善,又进一步促进科技成果转化。(2)技术溢出效应、产学研合作机制、R&D内部经费支出在大数据与科技成果转化关系中起中介作用。(3)大数据对不同主体的科技成果转化存在异质性,与企业、科研机构的科技成果转化呈现“U”型关系,与高校科技成果转化存在滞后效应,呈现倒“U”型关系。

(二)研究启示

(1)加快科技成果转化数字化基础设施建设,完善技术交易市场机制,健全产权保护机制,推进统一性的技术要素市场构建。发挥市场机制作用是实现科技成果转化发展的关键,应更多依托大数据等数字技术赋能,推动市场体制机制障碍破除,形成“自下而上”市场导向机制,由此逐步推动结构性障碍化解,在发展中充分发挥大数据“乘数效应”。(2)发挥政策导向机制作用。采用分类别和分层次管理办法进行政策供给,依托数字技术把握影响不同类别异质主体科技成果转化的主导因素,以及把握影响异质主体内部不同层次主体科技成果转化的主导因素,据此施行针对性的政策,实现“自上而下”的政策引导,由此引导科技成果转化主体预期与规范其行为,进而推动科技成果转化有序发展。(3)发挥技术转移机构的“关键抓手”作用。依托大数据技术赋能,着力提升不同异质主体技术转移机构的技术信息接入、转译、管理以及双向推介能力。同时,推动统一的数字化信息网络中心平台构建与科技成果转化人工智能交互机制搭建,充分发挥技术转移机构“千手观音”作用和“中间人”职能,通过“两肩挑”与“两手抓”,不断突破制度界域、信息界域、科技成果转化主体心理界域,更好地实现技术供需主体的融合,实现更大范围、更多主体、更多层次的技术信息交互、技术供需主体对接[24-25],由此实现科技成果转化发展。(4)科技成果转化主体应着力提升自身大数据能力,采取更加主动的成果转化策略。推动“科研合同”、共建技术研发中心、搭建创新联合体平台等多元化的科技成果转化合作机制构建,加快推动以企业为核心的“致密”的产学研合作机制与分工体系构成。