欢迎大家来到IT世界,在知识的湖畔探索吧!
摘要:第四次工业革命是数字化、网络化和智能化的深度融合。在此背景下,科技与经济间的深度融合成为创新力的重要决定因素。对于不同的经济体,筛选不同分位数水平以及复合分位数水平下影响创新力的关键因素,并分析这些因素的影响程度,对于发现创新力发展优势和短板,具有一定意义。本文以分位数回归和复合分位数回归为基础模型,构建科技经济融合创新力模型,以从科技经济视角,研究不同分位数水平以及复合分位数水平下创新力的重要影响因素,以期为政府及相关部门提供决策参考。研究表明,经济状况方面的因素对创新力影响最大;科学基础中的知识转移是影响创新力的重要因素。
1. 引言
在第四次工业革命背景下,凝聚全球科技创新资源,提升国家创新力,才能驱动经济高质量发展,实现建设世界科技强国的宏伟目标。通过科技发展带来经济效益又能进一步提高研究基础条件,促进科研成果的产出与转化。多年来,一些通过技术引进的后发追赶型国家(比如,日本),通过连续引进先进技术,不断仿制、革新、推广、发展,迅速挤入发达国家之列。然而,随着国际形势的变化,继续通过对外贸易和引进技术来实现建设世界科技强国,将面临重重阻力。因此,中国必须推动形成以国内大循环为主体、国内国际双循环相互促进的新发展格局,走科技与经济深度融合之路,以应对国际国内发展环境变化,把握发展自主权,提高原始创新能力,形成重大科研成果和先进技术,从而实现国家核心竞争力和综合国力的提升。
创新力,一般又称为创新能力,是指在技术和各种实践活动领域中,不断提供新思想、新理论、新方法和新发明的能力。而这种能力往往反映在经济价值、社会价值和生态价值等方面。目前,已有很多学者致力于研究科技与经济融合,以及创新力方面的问题。一是科技与经济融合相关研究。孟凡蓉等人研究了“科技—经济”系统中存在的耦合关系,即经济增长支撑科技资源,科技创新促进经济增长[1]。陈子韬等人提出“科技资源-科技创新-经济增长”的耦合关系能够正向促进经济增长,科技经济融合是经济发展的重要手段之一[2]。陈劲等人从作用机理与路径重构讨论了科技创新与经济高质量发展问题[3]。此外,国外专家研究表明,科技创新是经济增长的动力和源泉,也是保持国家竞争力和实现赶超式发展的重要依靠,科技进步又是经济增长的内生因素,经济要素投入、知识积累和创新都能提升技术进步的贡献水平[4-8]。二是国家创新力相关研究。弗里曼、伦德瓦尔等经济学家于20世纪80年代中后期从不同角度提出“国家创新体系”的概念。2012年,蔡跃洲提出“国家创新体系”可概括为一个国家内部创新活动相关主体以及相关的各种制度、政策,在推动创新活动过程中相互作用形成的网络体系[9]。随着时间的推移,全球在推动国家创新能力建设过程中,逐步形成一系列具有一定权威性且引起广泛共识的国家创新能力测评的指标体系。比如,世界竞争力年鉴、欧洲创新记分牌、全球创新记分牌、世界经济论坛创新能力指数、世界银行知识经济指数、全球创新指数、国家创新能力报告和国家创新指数报告。王智慧等人指出欧洲创新联盟记分牌在区分驱动要素与表征要素等指标体系方面存在的不足[10]。
综上所述,本文从科技经济融合的视角出发,在兼顾不同经济体间异质性基础上,筛选影响创新力的重要科技与经济指标;同时,建立基于分位数回归和复合分位数回归的科技经济融合创新力模型,以期为政府及相关部门提供借鉴。
2. 科技经济指标统计描述
国家创新力往往受到来自政治、经济、社会、科技等诸多方面因素的影响。当前,科技与经济因素对创新力起到决定性的作用。随着全球化的推进以及国际市场的拓展,不同经济体的创新力均得到不同程度的提高,尤其在经济与科技领域取得一定成果,但同时也暴露出一些短板与不足。比如,改革开放以来,中国在经济与科技领域成果卓著,但仍然存在科技耦合成本偏高、科技成果转化率较低、科技带来经济效益不足等问题。
具体来说,科技因素包括科学与技术两方面的因素。反映国家科学基础状况的基础指标包括R&D总经费、全国R&D人数、科学学位、科学论文、诺贝尔奖、专利申请、研究人员与科学家、知识产权、知识转移和创新能力。反映国家技术基础状况的基础指标包括固定电话线、移动电话拥有量、计算机用户数、互联网用户数、宽带用户数、互联网宽带速度、工程师和高技术出口。反映国家经济状况的基础指标包括GDP、居民消费支出、政府消费支出、固定资本形成总额、国内储蓄总量、农业、工业和服务业。此外,在研究影响创新力的科技与经济指标时,还需要考虑不同经济体的基本情况,具体包括国土面积、水资源、人口、公路、铁路、航空运输、水路运输、能源基础设施、能源总生产量和能源总消耗量。
本文指标数据来自2015年IMD世界竞争力年鉴、世界银行,共包括61个国家(地区),主要是因为IMD世界竞争力年鉴仅展示63个国家(地区),但其中有2个国家缺失数据严重(超过60%的指标存在缺失),因此选择其余61个国家(地区)作为本文的研究对象(61个国家(地区)中英名称对照表见表1)。部分指标存在不同程度的缺失,本文选择中位数插补法,对存在缺失数据的自变量进行中位数插补,然后再分别构建基于分位数回归和复合分位数回归的带自适应lasso罚的科技经济融合创新力模型。结合IMD世界竞争力年鉴、世界银行等公开发布的指标体系,可初步筛选出如表2所示的科技经济指标。表3从有效样本量、极差、均值、标准差、偏度和峰度的角度对上述科技经济指标进行统计描述。
不难发现,多数指标最小值和最大值间存在明显的数量级差异。比如,GDP(EC01)最小值为12,最大值为17947,相差17935,且标准差为2687.81,均说明不同经济体间GDP存在较大差异,表现出不同经济体的明显异质性特征。从偏度和峰度指标来看,多数指标的取值与0之间存在较大差距,反映出不同程度的非正态特征。这些特征为本文选择分位数回归和复合分位数回归而非线性回归为基础模型,提供较为充分的依据。此外,有效样本量表明,部分样本存在不同程度的缺失现象,本文采用中位数插补法,填补缺失数据。不同指标在数量级上存在较大差异,因此,本文在构建模型之前,先对数据进行标准化(标准化公式为(指标取值-指标均值)/指标标准差)处理。
3. 模型与算法
3.1 分位数与复合分位数回归
不同国家创新力在科技、经济等方面均存在不同程度的差异。为满足在筛选科技经济影响因素的同时兼顾不同国家异质性特征,研究者应该从分位数角度,刻画不同水平下各个经济体创新力受到科技经济相关因素的效应大小,同时从所有分位数水平角度,综合筛选影响创新力的科技经济因素,并测度出影响的程度。在这种情况下,分位数回归以及在此基础上发展出的复合分位数回归具有明显的优势[11-12]。它们适用于样本异质性情形,且具有刻画数据全貌、对强影响点稳健且不要求数据分布形式的特点,其表达形式为:
其中,y表示因变量,x和z表示自变量,β0(τ)表示常数项,β1(τ)和β2(τ)分别表示自变量x和z的分位水平τ下的回归系数,τε(0,1)表示分位水平。
分位数回归在参数估计方面与传统线性回归模型不同。分位数回归的参数估计通过式(2)求解:
其中,ρτ(r)=r{τ-I(r˂0)}为损失函数;I(r˂0)为示性函数,当r˂0时,ρτ(r)=(τ-1)r;当r≥0时,ρτ(r)=τ*r。
在分位数回归基础上,复合分位数回归同时考虑多个分位数回归模型,其参数估计通过式(3)求解:
其中,τk表示第k个分位数,k=1, …, k。
3.2 带惩罚项的分位数与复合分位数回归
在研究分位数和复合分位数回归模型时,指标个数将直接影响模型复杂度,尤其当数据可获得性越高、科技经济指标数量越大时,评价一国创新力将面临模型过于复杂、影响因素维数过高等诸多问题。在这种情况下,仅仅通过分位数和复合分位数回归已无法满足识别关键影响因素的需求,需要增加惩罚项,在构建科技经济融合创新力模型的同时完成变量选择,以解决因模型中自变量过多而带来的模型复杂度过高的问题。作为一类经典的变量选择方法,lasso和自适应lasso方法通过增加惩罚项对原本系数进行压缩,将较小系数直接压缩为0,从而将这些变量直接剔除。而且,自适应lasso方法可以同时提供正确模型,并给出一个具有oracle性质的鲁棒估计量(robustness)[13]。
综上所述,本文选择带自适应lasso惩罚项的分位数回归和复合分位数回归模型,筛选不同分位数水平以及所有分位数水平下影响创新力的科技经济因素,并构建出科技经济融合创新力模型。以分位数回归为基础模型,科技经济融合创新力模型的目标函数的表达式如下所示:
其中,式(4)表示基于分位数回归的加自适应lasso罚的科技经济融合创新力模型目标函数,式(5)表示式(4)中权重的计算方式,式(6)表示加lasso罚的科技经济融合创新力模型目标函数。ρτ(μ)=μ{τ-I(μ˂0)}表示分位数回归损失函数,τ表示分位数水平,I(*)表示示性函数,y表示因变量,β表示模型中自变量待估参数,λ表示调优系数。
以复合分位数回归为基础模型,科技经济融合创新力模型的目标函数的表达式如下所示:
其中,式(7)表示基于复合分位数回归的加自适应lasso罚的科技经济融合创新力模型目标函数,式(8)表示式(7)中权重的计算方式,式(7)表示基于复合分位数回归不加lasso罚的科技经济融合创新力模型目标函数。ρτ(μ)=μ{τ-I(μ˂0)}表示分位数回归损失函数,τ表示分位数水平,I(*)表示示性函数,表示因变量,表示模型中自变量待估参数,βC表示模型中参数的复合分位数回归估计,λ表示调优系数。
4. 应用研究
4.1 模型变量选择与参数估计
本文选择分位数水平为0.10,0.25,0.50,0.75和0.90,通过带自适应lasso罚的分位数和复合分位数回归,分别筛选出相应的变量,并构建科技经济融合创新力模型(表4)。
表4展示出不同分位数水平和基于所有分位数水平下的变量选择与参数估计结果(小数点后保留3位)。需要说明的是,表4中未列出的变量表示不同分位数水平、不同方法下均没有被选出,参数估计值为0.000表示相应变量没有被选出。由表4可知,在所有分位数水平0.10,0.25,0.50,0.75和0.90下,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型和基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型共同选出的变量包括GDP(EC01)、居民消费支出(EC02)、固定资本形成总额(EC04)、国内储蓄总量(EC05)、农业(EC06)、服务业(EC08)、计算机用户数(TI03)和知识转移(SI09)。由此表明,这些因素是所有分位数水平下不同模型选出的影响创新力的共性因素。此外,在分位数水平0.50和0.75下,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型与基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型还共同选出工业(EC07)、能源总消耗量(BI10)和全国R&D人数(SI02)。在分位数水平0.10下,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型没有选出能源总消耗量(BI10)和全国R&D人数(SI02)。在分位数水平0.25下,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型没有选出全国R&D人数(SI02)。在分位数水平0.90下,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型没有选出工业(EC07)和能源总消耗量(BI10)。
此外,我们发现在任何分位数水平下,无论采用基于分位数回归的带自适应lasso罚的科技经济融合创新力模型还是基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型,知识转移(SI09)的回归系数均大于0.8,说明知识转移对创新能力有较大影响,是影响一个国家创新力的重要因素。
当分位数水平为0.10时,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型筛选出的影响因素(按回归系数绝对值由大到小排序)包括知识转移、服务业、国内储蓄总量、GDP、工业、固定资本形成总额、居民消费支出、农业和计算机用户数。
当分位数水平为0.25时,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型筛选出的影响因素(按回归系数绝对值由大到小排序)包括知识转移、GDP、国内储蓄总量、服务业、工业、固定资本形成总额、居民消费支出同农业并列、能源总消耗量、计算机用户数。
当分位数水平为0.50时,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型筛选出的影响因素(按回归系数绝对值由大到小排序)包括知识转移、服务业、工业、计算机用户数、国内储蓄总量、GDP、固定资本形成总额、农业同能源总消耗量并列、居民消费支出同全国R&D人数并列。
当分位数水平为0.75时,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型筛选出的影响因素(按回归系数绝对值由大到小排序)包括知识转移、GDP、国内储蓄总量、服务业、固定资本形成总额、工业、居民消费支出、农业、能源总消耗量同全国R&D人数并列、计算机用户数。
当分位数水平为0.90时,基于分位数回归的带自适应lasso罚的科技经济融合创新力模型筛选出的影响因素(按回归系数绝对值由大到小排序)包括知识转移、GDP、国内储蓄总量、服务业、固定资本形成总额同居民消费支出并列、计算机用户数、农业同全国R&D人数并列。
在所有分位数水平下,基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型筛选出的影响因素(按回归系数绝对值由大到小排序)包括固定资本形成总额、国内储蓄总量、知识转移、服务业、计算机用户数、工业、GDP、全国R&D人数、能源总消耗量、居民消费支出和农业。
4.2 影响因素的维度分析
结合表2可知,除创新能力(SI10)外,其余35个指标分别从基本情况(BI)、科学基础(SI)、技术基础(TI)和经济状况(EC)四个方面反映出影响创新能力的不同因素。表5展示上述各个维度所选择影响因素的数量。
不难发现,在各个分位数水平,无论采用基于分位数回归的带自适应lasso罚的科技经济融合创新力模型还是基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型,经济状况(EC)方面均选出6-7个影响因素,科学基础(SI)方面均选出1-2个影响因素,技术基础(TI)方面均选出1个影响因素。科学基础(SI)和技术基础(TI)方面共选出2〜3个影响因素。基本情况方面最多选出1个影响因素,在分位数水平0.10和0.90情况下,没有选出任何影响因素。由此说明,经济状况(EC)方面对创新力影响因素数量最多,其次是科学基础(SI)和技术基础(TI)方面的影响因素。
在上述分析基础上,本文进一步分析各个维度效应较大的影响因素。需要说明的是,将回归系数大于0.100定义为效应较大。表6展示出各个分位数水平下效应较大的影响因素及相应回归系数估计情况,未展示的影响因素表示在各个分位数水平下回归系数均小于0.100。
由表6可知,科学基础(SI)中的知识转移(SI09)始终是效应较大的影响因素。技术基础(TI)中的计算机用户数(TI03)和经济状况(EC)中的固定资本形成总额(EC04)仅在基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型中,才是效应较大的影响因素。其中,固定资本形成总额(EC04)的效应是负向的,计算机用户数(TI03)的效应是正向的。经济状况(EC)中GDP(EC01)、国内储蓄总量(EC05)、工业(EC07)、服务业(EC08)在不同分位数水平下,在基于分位数回归的带自适应lasso罚的科技经济融合创新力模型中有不同的表现,但在基于复合分位数回归的带自适应lasso罚的科技经济融合创新力模型中均属于效应较大的影响因素。
5. 政策建议
面对日益复杂的科技与经济格局,国家创新力的提升将面临更多压力与挑战,而国家原始创新力的开发与应用也颇具价值。本文立足于科技经济指标视角,借助分位数和复合分位数变量选择方法,筛选出影响创新力的因素,并构建出两类科技经济融合创新力模型,为科技经济融合、国家创新力提升提供方法和思路,也为政府及相关部门提供决策参考。
经过影响因素分析和影响因素所属维度分析,不难发现,经济状况方面的影响因素对创新力作用最大。科学基础中的知识转移始终是效应较大的影响因素。此外,本文在模型的回归系数估计结果中发现,在某些情况下,某些经济状况影响因素(比如,固定资本形成总额)和科学基础影响因素(比如,全国R&D人数)的回归系数为负,与通常理解的经济、科技推动创新力的结论不符。因此,本文在未来需要在考虑科技、经济方面的影响因素的同时,进一步拓宽创新力影响因素所涉及领域,在模型中纳入更多变量。此外,基础模型可以考虑更加复杂的形式,以改进模型估计效果。
综上所述,“国家创新体系”可概括为一个国家内部创新活动相关主体以及相关的各种制度、政策,在推动创新活动过程中相互作用形成的网络体系。那么,创新力也将受到诸多因素的影响,面对物联网、云计算等智慧产业的迅速发展,以及数据量的不断增加以及数据问题的层出不穷,本文界定的研究范畴和所涉及的研究指标还有待进一步扩展和补充,以期在科技经济关系深入挖掘、创新力提升等研究领域,做出更多尝试。
参考文献
[1] 孟凡蓉,陈子韬,袁梦.科技创新、科技资源与经济增长的耦合研究[J].科学学与科学技术管理,2019,40(9):63-74.
[2] 陈子韬,孟凡蓉,袁梦. 科技经济融合水平对经济增长的影响研究——基于科技资源、科技创新、经济增长的耦合视角[J]. 软科学,2020, 34(11): 7-13.
[3] 陈劲,刘海兵,杨磊.科技创新与经济高质量发展: 作用机理与路径重构[J].广西财经学院学报,2020,33( 3): 28-42.
[4] Hanusch H, Pyka A. Principles of Neo-Schumpeterian economics[J].Cambridge journal of economics, 2006, 31(2): 275-289.
[5] Sener S, Sarldogan E. The Effects of Science -Technology-Innovation on competitiveness and economic growth[J].Procedia-Social and Behavioral Sciences,2011,24: 815-828.
[6] Lee K, Malerba F. Catch-up cycles and changes in industrialleadership: windows of opportunity and responses of firms and countries in the evolution of sectoral systems[J].Research Policy, 2017, 46(2): 33-351.
[7] Romer P M.Increasing returns and long-run growth[J].journal of political economy, 1986, 94(5):1002-1037.
[8] Aghion P, Howitt P. A model of growth through creative destruction[R].National bureau of economic research,1990.
[9] 蔡跃洲. 国家创新体系视角下的国家创新能力测度述评——理论方法、数据基础及中国实践[J].求是学刊,2012, 39(1): 42-50.
[10] 王智慧,刘莉. 国家创新能力评价指标比较分析[J].科研管理,2015, 36: 162-168.
[11] Koenker. Quantile Regression[M]. Cambridge University Press. 2005.
[12] Zou H, Yuan M. Composite quantile regression and the Oracle Model Selection theory[J]. The Annals of Statistics, 2008, 36(3): 1108-1126.
[13] Zou H T Hastie. The adaptive lasso and its oracle properties[J]. Journal of the Royal Statistical Society, Series B 101 2006(476):1418-29.
作者:程豪,中国科协创新战略研究院
本文转载自微信公众号科学家,原载于《今日科苑》2021年第5期
感谢您的支持与关注,欢迎赐稿交流
投稿邮箱:
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/96416.html