大數據驅動科技成果轉化:理論機理與實證檢驗

李 娟,潘國軒,趙金梅

(哈爾濱商業大學 經濟學院,哈爾濱 150028)

引 言

2021年12月國務院印發的《要素市場化配置綜合改革試點總體方案》提出要“大力促進技術要素向現實生產力轉化”?？萍汲晒D化作為實現技術創新要素向現實生產力轉化的重要載體,如何提升科技成果轉化效率已成為重要研究內容。本質上科技成果轉化是以經濟利益獲取為核心目的的知識交換過程,囊括技術信息、經驗、技巧等隱性知識轉移,與知識主體和市場主體的信息交互和對接[1-2]。在實現形式上,科技成果轉化不僅是供給系統、需求系統以及環境系統的簡單集合,還是人、技術、資金、市場等資源要素的交互與對接過程,因而科技成果轉化核心在于實現技術創新要素的有效配置。自2015年9月《促進大數據發展行動綱領》實施以來,我國大數據產業得到較快發展。2021年11月工業和信息化部印發《“十四五”大數據產業發展規劃》提出要“推動要素數據化,引導各類主體提升數據驅動的生產要素配置能力,推動技術等要素在行業間、產業間、區域間的合理配置”。由此可知,大數據的發展無疑會對內涵以知識、技術、服務為轉移的科技成果轉化帶來影響。從要素配置角度看,大數據究竟會對科技成果轉化產生怎樣的影響是推動大數據賦能科技成果轉化亟需回答的問題。

一、文獻綜述

科技成果轉化(Technology Transfer)指制造某種產品、應用某種工藝或提供某種服務的系統知識,通過各種途徑從技術供給方向技術需求方轉移的過程?？萍汲晒D化一直是學者研究的重點內容,已有研究囊括科技成果轉化內涵、存在的問題及對策。在內涵上,Kirchberger等(2016)[3]認為科技成果轉化是將科研人員有價值、可應用的技術成果轉移給可應用這些技術成果的組織部門的技術商品化過程。柳卸林等(2012)[4]指出,科技成果轉化的實現是人、技術、資金、市場等資源要素的非線性耦合和動態匹配結果?？梢?科技成果轉化實質為技術創新要素的配置過程,因而提升技術創新要素配置效率成為科技成果轉化效率提升的關鍵。同時,現階段科技成果轉化存在諸多結構性堵點、難點,阻礙了技術創新要素配置,抑制了科技成果轉化效率提升。除去供給側技術從成熟度不足與需求側技術需求主體缺乏客觀承接能力外,謝富紀(2021)[5]、胡麗(2019)[6]、喬為國(2021)[7]、郭曼等(2018)[8]、韓瑩(2019)[9]等都指出市場機制不健全、外部信息不對稱、技術轉移機構能力不足等因素同樣抑制技術創新要素配置。為推動技術創新要素配置,實現技術供需主體對接,黨高飛等(2016)[10]提出構建精準識別、精準轉化、精準跟蹤和精準管理的精準技術轉移模式;胡麗(2019)[6]提出構建技術成果轉化平臺以化解信息不對稱帶來的技術供需錯配問題;鐘衛和陳彥(2019)[11]從技術供需雙方面臨的障礙出發,構建干預供給方、干預需求方以及促進供需雙方連接三種機制,以實現技術供需主體精準對接。

大數據(Big Data)自1997年被提出以來得到了快速發展,在科技成果轉化上的應用逐漸加深。在政策層面,王鋒(2019)[12]指出大數據深度學習算法有助于識別科技成果轉化在金融法律實踐中的技術化問題與實現對其金融信息的邏輯化分析,助推其金融法律完善。在供給側層面,林超輝等(2017)[13]以廣東高校的科技成果轉化為研究對象,指出大數據分析平臺可有效整合高校技術信息和企業需求信息,實現高校技術向企業推介。在需求側層面,KOMAN等(2016)[14]指出在用戶需求變化和外部市場競爭條件下,大數據技術可提升企業外部需求數據信息轉換能力,形成知識創新需求,進而促進高校與企業之間的知識轉移。在中介層面,施振佺(2020)[15]指出基于大數據的科技創新成果轉化平臺不僅可以對市場技術需求識別和企業用戶需求畫像,還能助推技術供需雙方精準匹配。易高峰和王洋(2021)[16]進一步指出中介服務機構依靠大數據分析技術對多模塊、海量技術供求信息數據進行深度挖掘,智能匹配以科技成果與市場應用場景,進而更好推動科技成果轉化。

總體來看,已有研究大多集中于科技成果轉化存在的問題及對策上,而對大數據這一新變量缺乏關注。雖有部分學者對大數據在科技成果轉化上的應用進行研究,但大多僅集中于科技成果轉化的某一環節或某一主體,仍缺乏系統性研究。大數據對科技成果轉化究竟是促進還是抑制?存在什么異質性影響?這些問題仍需要進行機理分析與實證檢驗?；诖?本文通過機理分析與實證檢驗,就大數據與科技成果轉化的關系進行深入研究。本文與既有研究的區別主要體現在:(1)分析了大數據與科技成果轉化之間存在的“U”型關系,并借助數理分析工具對其進行規范性論證。(2)借助中介效應模型對大數據影響科技成果轉化的內在作用機制進行有效刻畫,極大地豐富了現有研究。(3)借助數理分析工具對大數據與主要異質主體的科技成果轉化關系進行規范性分析論證,為推動科技成果轉化分類別、分層次管理以實現大數據賦能提供新的理論借鑒與實證支撐。

二、大數據與科技成果轉化的機理分析

現有研究表明,大數據對科技成果轉化具有重要影響。大數據發展可推動生產要素關聯重組,優化配置結構,進而提升生產效率。一方面,大數據引入為內涵以技術信息、經驗、技巧等隱性知識交換的科技成果轉化提供了新方法和新手段,加速技術創新要素“數據化”,更好地實現技術供需信息接入、翻譯、編碼、匹配、撮合等,加速技術創新要素“流通”,提升技術要素配置效率;另一方面,大數據既可實現搜索成本、溝通成本、交易成本以及新近發現和識別的跟蹤成本和驗證成本的有效降低,又能通過大數據平臺以優廉成本推動創新資源共享[17],進而形成對科技成果轉化供需主體的激勵,促進其進行對接洽談,并就自身技術要素需求與其交易對手進行磋商談判,以實現技術交易合意達成,最終完成既定條件下人、技術、資金、市場等資源要素的非線性耦合與動態匹配,實現知識增值、技術創新價值實現、社會經濟價值創造。因而,在這一層面上大數據可有效促進科技成果轉化。

從中國的科技成果轉化具體發展現狀來看,科技成果轉化一直以來存在政策不協調和難落地問題,有效政策供給不足;技術交易市場分散、技術交易對象局限于省內或某一區域內;技術交易機制不完善、技術轉移機構能力不足;產權保護水平不高等結構障礙。這就導致大數據的引入一方面會在一定程度上強化原有的科技成果轉換路徑,強化技術轉移的地方政府保護強度,加劇現有的技術交易市場分散和進入壁壘;另一方面大數據引入雖然在一定程度上加速技術要素的“流通”,消減一定的市場信息不對稱,但結構性阻礙的存在使大數據引入也將伴隨隱形的信息不對稱產生,造成更大的市場風險,進而影響技術交易主體預期,惡化技術交易市場環境,最終在短期內抑制科技成果轉化?；诖?本文提出以下研究假設:

H1:從要素配置角度看,大數據與科技成果轉化之間呈先降后升的“U”型關系。即在短期內大數據將會抑制科技成果轉化;在長期,隨著科技成果轉化結構性阻礙的破除,大數據進而有效促進科技成果轉化

科技成果轉化作為技術信息、經驗、技巧等隱性知識交換的過程,包含以知識與技術的溢出。一方面,科技成果轉化主體不僅可以通過技術交易獲得知識、技術,還可以通過外部市場、外部技術轉移中介機構以及平臺、外部合作實現知識與技術獲取,大數據的引入將會強化這一知識、技術獲取機制,形成更大的技術溢出效應;另一方面,科技成果轉化主體可通過大數據賦能而改善其科技成果轉化策略,促進更大范圍的知識、技術溢出。如技術供給方強化市場技術需求導向,強化市場技術需求翻譯與編碼;技術需求方加強市場用戶需求管理,強化技術引進風險管理;技術轉移中介機構強化技術供需信息接入、分析、匹配與推介;政府管理部門依托大數據進行政策評估、監測,進而疏通政策傳導機制實現有效政策供給。此外,大數據也將強化科技成果轉化主體的市場信息接入,有效降低市場信息不對稱,進而促進科技成果轉化?；诖?本文提出以下研究假設:

H2:大數據可通過技術溢出效應促進科技成果轉化

大數據不僅可以通過技術溢出效應對科技成果轉化產生影響,還可通過產學研合作產生影響。產學研合作作為科技成果轉化的重要方式,可有效促進科技成果轉化?，F階段產學研分離及“鎖定”,使得我國科技成果轉化的雙邊市場屬性得到強化并長期存在[18]。從資源與需求角度看,高校和科研機構與企業在技術創新要素供需上存在巨大的互補性,基于高校和科研機構與企業在科技與應用上的不可兼顧性考量,進行產學研合作是成本最低和效率最高的策略選擇[14、19]。大數據引入一方面提升企業對市場用戶需求“畫像”能力,實現對市場用戶內在需求提煉和個性化需求進行刻畫,進而生成更多創新需求,形成更多的有效技術需求。高校和科研機構通過大數據技術應用,提升其對市場技術需求的“翻譯”與“編碼”能力,進而修正其技術創新模式,以更好契合市場企業需求,形成更多有效供給。在供需機制作用下,企業與科研機構和高校將會加大產學研合作,進而促進科技成果轉化?；诖?本文提出以下研究假設:

H3:大數據對科技成果轉化的影響,還會通過產學研合作機制發揮作用

大數據除了通過技術溢出、產學研合作機制影響科技成果轉化以外,同樣還會通過R&D內部經費支出機制影響科技成果轉化。R&D內部經費支出是科技成果轉化的重要資金來源,大數據引入將會影響科技成果轉化主體的R&D內部經費支出配比,進而影響科技成果轉化。一方面,大數據引入會使得高校和科研機構在“重科研輕轉化”思維導向和“四唯”評價機制下更多投入基礎研究和技術開發,減少對工程研究的投入,進而阻礙科技成果轉化;另一方面,構建研發中心等科層組織是企業獲取長期技術競爭力的重要路徑,大數據的發展將會刺激企業推動該科層組織構建。但囿于相關科技人員不足、機器設備條件不完善等因素,造成一定的“試錯”成本,進而減損科技成果轉化資金投入,即大數據在一定程度上可以通過影響科技成果轉化主體R&D內部經費支出的配置來影響科技成果轉化。由此,本文提出以下研究假設:

H4:大數據對科技成果轉化的影響,還會通過R&D內部經費支出機制發揮作用

企業、科研機構和高校作為科技成果轉化重要主體,大數據對這些主體同樣會產生影響。企業作為重要市場主體,其科技成果轉化必然受技術交易市場影響?，F階段技術交易市場機制不完善、知識產權保護水平不高、信用機制不健全、信息不對稱等問題仍存在,大數據發展將固化市場結構甚至惡化當前的市場環境,造成更大的信息不對稱,帶來更多的道德風險和逆向選擇,形成更大的市場風險。這就導致企業主體無法形成有效市場預期,進而減損其科技成果轉化積極性,最終抑制企業科技成果轉化。當市場環境得以優化后,大數據將會推動企業科技成果轉化。由此,本文提出以下研究假設:

H5:大數據與企業科技成果轉化呈先降后升的“U”型關系

同樣,科研機構作為重要的技術成果供給主體也具有較強市場屬性,特別是2015年9月《深化科技體制改革實施方案》施行以來,科研機構向“企業化轉制”改革進程不斷加快,其市場屬性也得到進一步強化,這就使得科研機構科技成果轉化與企業一樣面臨市場因素阻礙。即大數據發展會通過固化現有市場結構甚至惡化市場環境進而減損科研機構進行科技成果轉化的積極性,最終抑制科技成果轉化。同時,隨著市場體制機制完善、市場環境的改善,大數據會促進科研機構的科技成果轉化。由此,本文提出以下研究假設:

H6:大數據對科研機構的科技成果呈先促進后抑制的倒“U”型關系

高校作為另一重要的技術成果供給主體,不僅與企業和科研機構一樣受到市場因素影響及面臨著技術交易市場面臨的結構性等問題,同時高校自身的異質性特征同樣會對其科技成果轉化產生影響。高校自身的國有屬性、其技術轉移辦公室行政化、技術轉移人員編制化等隱性體制機制問題存在,以及“四唯”評價機制導向下高校未能形成科技成果轉化的有效激勵,反而使得高?？蒲腥藛T在既得利益下形成“重科研、輕轉化”的“路徑依賴”,而高?？萍汲晒D化將由經濟屬性演變為行政績效考核,這一因素也將導致高校對外部大數據影響的反應存在一定的“時滯”。外部大數據的影響將推動高校一批成熟的、可應用的“存量”科技成果轉化,因而短期內大數據發展將促進高?？萍汲晒D化。在長期,高校面臨“重科研、輕轉化”技術創新導向下技術成果市場成熟度不足的問題,因而在長期大數據將抑制高?？萍汲晒D化。由此,本文提出以下研究假設:

H7:大數據對高?？萍汲晒D化的影響存在“時滯”,呈先升后降的倒“U”型關系

三、研究設計

(一)關鍵指標選取與測度

1.被解釋變量

科技成果轉化效率(Transformation rate of Technology Transfer,T_r)。本文采用中國國家知識產權局發布的《2016—2021年中國專利調查報告》中科技成果轉化率作為表征變量。

2.核心解釋變量

大數據(Big_data_gdp)。本文通過計算2015—2020年大數據產業市場規模增加值占GDP的比值*100%作為大數據的表征變量。在后文穩健性檢驗中,大數據(Big_data_gdp)替換為大數據產業市場規模增加值占GNI的比值*100%的大數據(Big_data_gni)。此外,由于大數據產業作為數字經濟產業的重要內容,因而將數字經濟市場規模增加值占GDP比值*100%作為另一替換變量數字經濟(Dig_econ)?；诮忉屪兞窟^小與回歸系數過大考量,將大數據(Big_data_gdp)與其替換變量大數據(Big_data_gni)做擴大100倍處理。

3.中介變量

結合已有大數據與上述假設分析,本文選取產學研合作(I_U)、技術溢出(lnTfp)、R&D經費內部支出(R_D_exp)作為中介變量。

4.控制變量

參考現有文獻,結合謝富紀(2021)[5]、喬為國(2021)[7]、郭曼等(2018)[8]等研究,本文從政府、市場、科技成果轉化參與主體三個維度選取控制變量,包括政府財政干預程度(Gov_int)即地方財政科技支出占GDP比重×100%;技術交易市場發展水平(Ttmd)即技術交易市場技術交易合同金額占GDP比重×100%;技術中介機構能力水平(Tti_cap)即對技術中介服務金額取對數。

表1 變量定義和相關信息

(二)模型設定

本部分重點研究大數據與科技成果轉化之間的“U”型關系,進而驗證假設H1。借鑒劉哲希等(2019)[20]、王晰等(2020)[21]做法,基于數據的可得性與完備性,以2015—2020年國家知識產權局公布的科技成果轉化數據為研究對象,構建如下計量模型:

(1)

其中,下標i代表科技成果轉化類型,下標t代表第t年科技成果轉化率。變量T_rit代表第t年第i中類型科技成果的轉化效率。解釋變量中Big_datait代表第t年第i中類型科技成果大數據水平?；诖髷祿c科技成果轉化呈現的“U”型關系考量,本文在模型中加入大數據的二次項Big_data2it。Xit代表其他控制變量,μit代表控制個體效應,εit代表殘差項,α0為常數項。具體的,本文重點關注大數據一次項和二次項系數β1、β2的正負。從理論分析和假設來看,預估β1<0、β2>0,由此推斷大數據和科技成果轉化呈現“U”型關系而非簡單線性關系。

(三)數據來源

科技成果轉化來自中國國家知識產權局的《專利調查報告》;大數據發展水平數據來自IDC中國、賽迪CCID、中國互聯網協會等組織機構公布數據;數字經濟發展水平數據來自中國信息通信研究院發布的《中國數字經濟發展白皮書》;其他變量來自《中國統計年鑒》《科技統計年鑒》公布數據。樣本數據為2015—2020年中國科技成果轉化數據。

四、實證結果分析

(一)基準回歸分析

大數據對科技成果轉化影響的計量檢驗結果見表2。具體的,列(1)給出了解釋變量僅包含一次項和二次項的回歸結果;列(2)-(4)為分別加入不同維度的控制變量的回歸結果,列(5)為加入全部控制變量的回歸結果。從表2可以看到,當以大數據為解釋變量時,列(1)中大數據一次項系數在5%的置信水平上顯著為負,二次項系數在5%的置信水平上顯著為正?！癠”型關系檢驗結果顯示,極值點為1.4345,位于解釋變量取值范圍內,在5%置信水平上顯著,即通過“U”檢驗。當拐點出現在1.4345時,對應時間是2017—2018年之間。這便驗證了假設H1,即大數據與科技成果轉化之間呈現顯著的“U”型關系,而非簡單線性關系。當加入三個維度的控制變量后,列(5)中大數據一次項系數在1%的置信水平上顯著為負,二次項系數在1%的置信水平上顯著為正,回歸結果保持穩健。從列(2)-(4)可以看出,政府干預程度、技術轉移機構能力、技術交易市場發展水平對科技成果轉化具有顯著影響,這也驗證了學者得出的政府干預加強[21]、技術轉移機構能力不足[7-9]抑制科技成果轉化而技術交易市場發展水平提升促進科技成果轉化的結論[5-6]。

表2 基準回歸結果

(二)穩健性檢驗

1.更換統計方法再檢驗

表2是基于專利種類構建面板數據得出的結果,因此本文又基于專利轉化類型構建面板數據,回歸結果匯總于表3中的列(1)、列(2)。列(1)中,大數據一次項系數在5%的置信水平上顯著為負,二次項系數在5%的置信水平上顯著為正。列(2)中,大數據一次項系數在1%的置信水平上顯著為負,二次項系數在1%的置信水平上顯著為正。表明更換統計方法后,大數據與科技成果轉化呈現的“U”型關系穩健。

表3 大數據與科技成果轉化回歸結果檢驗:更換統計方法和替換變量

2.替換核心變量再檢驗

首先,本文將數字經濟(Dig_econ)替換大數據作為解釋變量,回歸結果匯總于表3中列(3)、列(4)。數字經濟一次項系數顯著為負,二次項系數顯著為正,這表明大數據與科技成果轉化呈現的“U”型關系具有穩健性。其次,將解釋變量由大數據Big_data_gdp替換為Big_data_gni,回歸結果匯總于表3的列(5)、列(6)。列(5)中,大數據一次項系數在5%的置信水平上顯著為負,二次項系數在5%的置信水平上顯著為正。列(6)中,大數據一次項系數在1%的置信水平上顯著為負,二次項系數在1%的置信水平上顯著為正。這表明大數據與科技成果轉化呈現顯著的“U”型關系。U檢驗結果顯示拐點為1.4371,在5%置信水平上顯著,大數據與科技成果轉化的“U”型關系成立,假設H1得到驗證。

(三)基于內生性處理

為進一步解決因遺漏變量等因素導致的內生性問題,本文將科技成果轉化的滯后一期引入回歸模型方程(1)中?；诨貧w模型方程引入科技成果轉化滯后項可能出現解釋變量與誤差項相關的情況考慮,借鑒劉哲希等(2019)[20]做法,采用Arellano-Bond系統估計法,通過GMM方法避免解釋變量與誤差項出現相關性。本文將回歸結果匯總于表4?；貧w結果顯示,Hansen檢驗的P值和Arellano-Bond結果均大于0.1,即GMM模型設置合理。表4中列(1)和列(2)顯示解釋變量為大數據Big_data_gdp,列(3)和列(4)顯示解釋變量為大數據Big_data_gni,被解釋變量均為科技成果轉化。結果顯示,列(1)-(4)中大數據一次項系數顯著為負,二次項系數顯著為正。由此可知,大數據與科技成果轉化之間呈現穩健的“U”型關系。

表4 大數據與科技成果轉化回歸結果檢驗:GMM方法

(四)機制檢驗

借鑒丁玉敏等(2021)[23]做法,通過測量整體全要素生產率作為技術溢出效應表征變量(lnTfp),取LN值進行平滑性處理。通過對測算產學研合作比例,作為表征產學研合作表征變量(I_U)。通過測算整體R&D內部經費支出占GDP的比值作為R&D內部經費支出表征變量(R_D_exp)。借鑒王晰等(2020)[21]的做法,構建中介效應模型如下:

(2)

(3)

(4)

針對技術溢出作用機制檢驗結果匯總于表5。在表5中,列(2)為大數據與技術溢出效應關系檢驗,結果表明大數據與技術溢出的相關系數為4.7006,在1%水平上顯著正,表明隨著大數據可擴大技術溢出效應。在列(3)中同時加入大數據和技術溢出以檢驗技術溢出的中介效應,大數據一次項系數顯著為負(β1=-48.1869,t=-2.34),二次項系數顯著為正(β2=18.8990,t=2.28),技術溢出的系數顯著為正(β3=3.6345,t=3.23),這表明大數據可通過擴大技術溢出進而促進科技成果轉化效率提升,即技術溢出在大數據與科技成果轉化的“U”型關系中起到了中介作用。假設H2得到驗證。

表5 技術溢出作用機制檢驗結果

針對產學研合作作用機制檢驗結果匯總于表6。在表6中,列(2)為大數據與產學研合作的關系檢驗,結果表明大數據與產學研合作的相關系數為-0.0937,在1%水平上顯著為負,表明大數據發展會在一定程度上阻礙產學研合作實現。在列(3)中同時加入大數據和產學研合作以檢驗產學研合作的中介效應,大數據一次項系數顯著為負(β1=-26.9388,t=-2.22),二次項系數顯著為正(β2=10.5114,t=2.30),產學研合作系數顯著為正(β3=44.4159,t=2.34),這表明大數據會通過抑制產學研合作進而抑制科技成果轉化,即產學研合作在大數據與科技成果轉化的“U”型關系中起到了中介作用。假設H3得到驗證。

表6 產學研合作作用機制檢驗結果

針對R&D內部經費支出作用機制檢驗結果匯總于表7。在表7中,列(2)為大數據與R&D內部經費支出關系檢驗,結果表明大數據與R&D內部經費支出的相關系數為-0.4428,在1%水平上顯著負,表明大數據會降低R&D內部經費支出配置效率。在列(3)中同時加入大數據和R&D內部經費支出以檢驗R&D內部經費支出的中介效應,大數據一次項系數顯著為負(β1=-24.7664,t=-2.61),二次項系數顯著為正(β2=7.5033,t=2.35),R&D內部經費支出系數顯著為正(β3=14.3105,t=2.16),這表明大數據會通過減損R&D內部經費支出配置效率進而抑制科技成果轉化,即R&D內部經費支出在大數據與科技成果轉化的“U”型關系中起到了中介作用。假設H4得到驗證。

表7 R&D內部經費支出作用機制檢驗結果

五、異質主體分析

企業、科研機構以及高校作為科技成果轉化的重要主體,大數據的發展對這些異質主體會產生什么樣的影響?為此,本文梳理了企業、科研機構和高校的科技成果轉化數據,選取核心控制變量,據此驗證大數據與不同異質主體的科技成果轉化之間的影響關系。

針對大數據與企業和科研機構科技成果轉化的回歸結果匯總于表8。在表8中,列(1)和列(2)為大數據與企業科技成果轉化的關系檢驗;列(3)和列(4)為大數據與科研機構科技成果轉化的關系驗證?；貧w結果顯示,列(1)中大數據一次項系數在5%置信水平上顯著為負,二次項系數在10%置信水平上顯著為正;當加入控制變量后,列(2)中大數據一次項系數在1%置信水平上顯著為負,二次項系數在1%置信水平上顯著為正。這表明大數據與企業科技成果轉化之間呈現顯著“U”型關系,非簡單線性關系。假設H5得到驗證。

表8 大數據與企業和科研機構科技成果轉化回歸結果

同樣,列(3)中大數據一次項系數在10%置信水平上顯著為負,二次項系數雖不顯著,但U檢驗結果顯示,極值點為1.39645,位于大數據取值范圍,在10%置信水平上顯著。當加入控制變量后,列(4)中大數據一次項系數在5%置信水平上顯著為負,二次項系數在5%置信水平上顯著為正。這表明大數據與科研機構科技成果轉化之間呈現顯著“U”型關系。假設H6得到驗證。

針對大數據與高?？萍汲晒D化的回歸結果匯總于表9。在表9中,列(1)和列(2)為當期大數據與高?？萍汲晒D化的關系檢驗;列(3)和列(4)為滯后一期的大數據與科研機構科技成果轉化的關系驗證?；貧w結果顯示,列(1)中大數據一次項系數在10%置信水平上顯著為負,二次項系數不顯著,未能通過U檢驗。當加入控制變量后,列(2)中大數據一次項系數在1%置信水平上顯著為正,二次項系數在1%置信水平上顯著為負。由此可知,當期的大數據與高?？萍汲晒D化并不呈現“U”型關系抑或倒“U”型關系。列(3)中,大數據一次項系數在1%置信水平上顯著為正,二次項系數在1%置信水平上顯著為負。U檢驗結果顯示,極值點為1.33644,位于正常取值范圍,在1%置信水平上顯著。加入控制變量后,列(4)中大數據一次項系數在1%置信水平上顯著為正,二次項系數在1%置信水平上顯著為負。這表明大數據對高?？萍汲晒D化的影響存在滯后性,滯后一期的大數據與高?？萍汲晒D化呈現顯著的倒“U”關系,假設H7得到驗證。

表9 大數據與高?？萍汲晒D化回歸結果

六、結論與啟示

(一)研究結論

大數據為科技成果轉化實現技術創新要素的高效配置提供新的方法與手段。研究結論表明:(1)大數據與科技成果轉化呈現“U”型關系,短期內大數據發展抑制科技成果轉化,在長期隨著市場機制不斷完善,又進一步促進科技成果轉化。(2)技術溢出效應、產學研合作機制、R&D內部經費支出在大數據與科技成果轉化關系中起中介作用。(3)大數據對不同主體的科技成果轉化存在異質性,與企業、科研機構的科技成果轉化呈現“U”型關系,與高?？萍汲晒D化存在滯后效應,呈現倒“U”型關系。

(二)研究啟示

(1)加快科技成果轉化數字化基礎設施建設,完善技術交易市場機制,健全產權保護機制,推進統一性的技術要素市場構建。發揮市場機制作用是實現科技成果轉化發展的關鍵,應更多依托大數據等數字技術賦能,推動市場體制機制障礙破除,形成“自下而上”市場導向機制,由此逐步推動結構性障礙化解,在發展中充分發揮大數據“乘數效應”。(2)發揮政策導向機制作用。采用分類別和分層次管理辦法進行政策供給,依托數字技術把握影響不同類別異質主體科技成果轉化的主導因素,以及把握影響異質主體內部不同層次主體科技成果轉化的主導因素,據此施行針對性的政策,實現“自上而下”的政策引導,由此引導科技成果轉化主體預期與規范其行為,進而推動科技成果轉化有序發展。(3)發揮技術轉移機構的“關鍵抓手”作用。依托大數據技術賦能,著力提升不同異質主體技術轉移機構的技術信息接入、轉譯、管理以及雙向推介能力。同時,推動統一的數字化信息網絡中心平臺構建與科技成果轉化人工智能交互機制搭建,充分發揮技術轉移機構“千手觀音”作用和“中間人”職能,通過“兩肩挑”與“兩手抓”,不斷突破制度界域、信息界域、科技成果轉化主體心理界域,更好地實現技術供需主體的融合,實現更大范圍、更多主體、更多層次的技術信息交互、技術供需主體對接[24-25],由此實現科技成果轉化發展。(4)科技成果轉化主體應著力提升自身大數據能力,采取更加主動的成果轉化策略。推動“科研合同”、共建技術研發中心、搭建創新聯合體平臺等多元化的科技成果轉化合作機制構建,加快推動以企業為核心的“致密”的產學研合作機制與分工體系構成。