产学研协同创新增效作用评估
——以科技型上市公司为例

胡 雯

(上海社会科学院 信息研究所,上海 200235)

摘 要:由于缺乏对产学研协同创新效果的明确界定,导致相关研究难以开展,不利于创新驱动型经济的发展。由此,从协同效应定义切入,将产学研协同创新效果理解为一个以传统产学研合作结果为对比的相对概念,在研究假设的基础上通过构建两个实验对照组,运用倾向得分匹配方法,以中国科技型上市公司为例,对产学研协同创新的增效作用进行量化评价。实证结果表明:产学研协同创新对科技型上市公司的研发投入、专利产出和营业收入均具有正向影响,但对营业收入的增效作用十分有限。

关键词:产学研;协同创新;协同效应;科技型上市公司;倾向得分匹配

0 引言

自中国提出建设创新型国家战略方针以来,提升自主创新能力已成为中国科技发展的战略基点,对建设以技术创新为经济社会发展核心驱动力的国家具有重要意义。近年来,国内研发投入持续增加,2015年研究与试验发展经费投入总量为1.4万亿元,其中企业研发经费支出超过1.1万亿元,占比达77.4%。可见,企业作为科技创新主体的功能日益突出,其中科技型企业更是发挥了关键引领作用。在开放式创新环境下,产学研协同创新逐渐成为企业获得创新资源的重要渠道,特别是科技型中小企业在自身创新能力不足的情况下,随着产学研交易成本的下降,将更青睐产学研合作[1]。因此,科学评估当前中国科技型企业参与产学研协同创新的实际效果,有利于科技创新与经济发展深度融合。

现有产学研协同研究主要集中在产学研协同内涵[2]、协同过程[3-4]、协同机制[5-6]等方面,多处于理论研究阶段,量化研究有限,对当前中国科技型企业参与产学研合作的情况尚未展开深入分析,对产学研协同创新效果没有清晰认识。这主要是由于学界对产学研协同创新效果仍未给出明确界定,使得协同效应难以衡量,客观上增加了相关研究难度。笔者认为,对产学研协同创新效果的界定可以借鉴协同学中关于协同效应(Synergistic Effects)的定义。简言之,协同效应是指“1+1>2”的效应。因此,可以将产学研协同创新效果理解为一个相对概念,需要通过与其它态比较才能进行衡量,就是将“1+1=2”与“1+1>2”进行对比。这里的“1+1=2”可以理解为传统产学研合作状态,即存在产学研协同效应时,应该体现出比传统产学研合作更好的输出结果。本文将上述效果称为“增效作用”,该提法符合协同学中的相关概念定义。

本文通过界定产学研协同创新效果,从研发投入、专利产出、营业收入3个方面提出研究假设,采用巨潮科技指数中包含的科技型上市公司为分析对象,以两个对照组实验为核心建立研究设计框架,运用倾向得分匹配方法进行量化评价,对比分析产学研协同的增效作用。最终根据验证结果,为促进中国产学研协同创新提供建议。

1 研究假设

1.1 产学研协同与企业研发投入

在产学研合作研究中,众多研究成果都是关于产学研合作行为对企业研发投入的影响。因此,在探讨产学研协同对科技型企业的影响时,应当首先考虑其与企业研发投入间可能存在的关系。

从企业内外部看,影响企业研发投入的因素很多,如国家经济态势、行业特征及生命周期、企业经营情况、企业研发人员比例、企业科研能力等。从产学研协同视角出发,企业与其它组织建立的长期协同关系,可能从以下两个方面对研发投入产生影响:①产学研协同创新与企业内部研发活动具有互补性,研发投入受到产学研协同创新增效作用的影响。有研究指出,企业内部研发与产学研合作具有互补关系,研发投入密度是影响该互补性作用发挥的重要因素。因此,随着产学研关系深入,协同创新过程将不断促进企业内部研发,进而使得企业研发投入增加;②科技型企业往往能够通过产学研协同活动获得更多政府资金支持,而政府企业R&D补贴对研发投入也将产生影响。黄燕和凌慧[7]发现,税收优惠政策对企业研发投入具有显著正向影响。傅利平和李小静[8]研究指出,政府补贴在企业创新过程中表现出明显的信号传递效应,长期来看其与创新投入、创新产出呈倒U型关系。戴勇等[9]以企业家精神为中介变量,指出政府资金有利于引导企业增加研发投入,且政府投入对企业研发支出的杠杆效应强于替代效应。Harrisa等[10]针对北爱尔兰欠发达地区的实证研究表明,未获得政府资助的产业R&D资本存量具有明显劣势。因此,政府财政资金对科技型企业的支持,有利于缓解企业研发资金投入压力,并通过支持共性技术开发,激励企业增强研发投入动机[11]。由此,提出以下假设:

H1:产学研协同对企业研发投入具有显著的正向影响,同时具有增效作用。

1.2 产学研协同与企业专利产出

各方学者围绕产学研合作对企业创新绩效的影响展开了大量研究,而创新绩效可以通过企业专利数量、新产品产出等指标进行衡量。Cooper[12]认为,企业技术创新绩效应该包含开发新产品数、专利申请数、工艺创新数量和技术诀窍数等。其中,采用企业专利拥有量衡量产学研合作对创新绩效影响的研究较为多见。

就产学研合作对企业创新绩效的影响效果而言,现有研究成果普遍认为其具有促进效果。王保林和张铭慎(2015)基于375家创新型企业的实证结果表明,整体上企业创新绩效从产学研合作中获得递减的正边际效应,并探讨了市场化水平对该效应的影响。Maietta[13]认为高校知识溢出对当地企业产品创新具有重要作用。魏诗洋[14]指出,企业创新绩效可以分为产品创新绩效和学习绩效,受到产学研合作中的企业核心要素、网络嵌合程度以及知识管理活动影响,较高的产学研合作网络嵌合程度会对产学研合作中的知识管理活动产生显著的积极影响。由于探讨产学研协同效果的研究较少,因而借鉴产学研合作研究的结论,推断出产学研协同程度越高的科技型企业,其创新绩效越高。鉴于数据的可获得性,以及专利数据对科技型企业创新成果的良好表征,故将专利产出作为考察的主要指标。由此,提出以下假设:

H2:产学研协同对企业专利产出具有显著的正向影响,同时具有增效作用。

1.3 产学研协同与企业营业收入

企业经营的最终目标是收益最大化,利益作为企业参与产学研协同过程的重要内部动因,应被纳入相关研究框架中进行考察。在参与市场活动的过程中,企业各项经营活动都围绕利益展开;在参与产学研协同活动时,经济效益也必然是企业追求的目标。事实上,企业的市场占有率、盈利能力在一定程度上反映出企业创新绩效[15]。在产学研合作研究中,新产品销售收入与新产品销售利润占总利润的比例是较为常用的衡量指标,此外营业收入或利润分配[16]也可以作为经济效益的直接衡量指标。由此,提出以下假设:

H3:产学研协同对企业营业收入具有显著的正向影响,同时具有增效作用。

2 研究设计

2.1 变量选取

针对上一节提出的3个研究假设,对分组变量和解释变量的选取进行详细说明。

2.1.1 分组变量

为了通过对比分析、量化考察产学研协同创新效果,本文设置两个对照组,分别选取两个对应的分组变量。

(1)设分组变量group1为虚拟变量,表示企业是否参与产学研合作。当企业与高校、科研机构或其它企业开展产学研合作时,变量group1取值为1,反之取值为0。研究中采用论文合著情况量化分组变量,论文合著行为作为跨组织合作的一种结果,普遍用于表征组织间的科研合作,尤其对企业与高校、企业与研究机构的合作,具有较好的表征效果。因此,通过考察企业与高校或科研机构存在合著行为,判断企业参与产学研合作活动。

(2)另设一个分组变量group2为虚拟变量,表示企业参与产学研协同程度。当企业参与程度较高时,变量group2取值为1,较低时则取值为0。参与程度主要通过2个维度衡量:①协同关系的持续性,即连续合作的时间跨度;②协同成果数量。以变量group1为基础,进一步筛选出近3年合著记录中产出总量高于样本均值(样本均值为18篇)的数据,以此作为group2分组变量的量化标准。

2.1.2 解释变量

在预研究基础上,本文选取以下变量作为模型的解释变量。

(1)企业利润率(profit)。企业利润率是企业利润额与成本的比值,是衡量企业经营情况的重要指标。

(2)教育水平(edu)。采用企业员工中拥有硕士及以上学位人员的比例衡量企业教育水平,反映企业科研人员储备情况。

(3)研发强度(RDinput_int)。采用企业当年R&D投入额与企业营业收入的比重表示,可以反映企业对研发环节的重视程度和投入力度。

(4)人均专利拥有量(patent_per)。企业专利拥有量是企业技术储备的重要体现,可用于衡量企业创新水平。

(5)研发投入(RDinput)。企业当年R&D投入总额,用于检验产学研协同与研发投入关系假设。

(6)年专利产出(patent_year)。企业当年新增的专利拥有量,用于检验产学研协同与专利产出关系假设。

(7)营业收入(income)。企业当年营业收入总额,用于检验产学研协同与营业收入关系假设。

2.2 数据来源与描述性统计

本文采用巨潮100指数(也称作巨潮科技指数)中包含的科技型上市公司作为研究对象。巨潮100指数从沪深两市选取最具代表性和影响力的100支股票,对应的科技型上市公司具有较好的代表性,涉及的行业、板块、地域和公司规模范围较广,适合采用倾向得分匹配方法进行研究。同时,由于该指数覆盖了主板、创业板和中小板市场,包含市值较小的科技型上市公司,而中国科技型企业多为中小企业。因此,样本对现实情况具有较好的反映效果。

本文以2010-2014年科技型上市公司年报为主要数据来源,由于部分公司上市年限较短,或年报数据缺失,最终获得有效样本390个。其中,解释变量的缺值采用线性插值法补全。由于企业专利数量不属于年报中必须披露的内容,因而对于在年报中没有披露专利情况的公司,采用国家专利局查询系统进行检索并补全,检索字段为企业名称,以获取各年的专利拥有量和专利产出。

为了考察产学研协同情况,本文采用中国知网(CNKI)数据库中期刊、国内会议和国际会议3个数据库为检索来源,对巨潮100指数各上市公司的合著历史进行检索,检索跨度为2014-2008年,检索字段为企业名称,检索时间为2015年6月10-25日。以检索结果作为数据来源,通过人工识别和统计,将有高校或科研机构参与的论文合著视为一次合作历史,获得分组变量。

从样本的市场分布情况看, group1中取值为1的样本共有237个,占样本总量的60.77%,其中主板样本数量为151个,创业板样本数量为62个,中小板样本数量为24个;group2中取值为1的样本数量为73个,占样本总量的18.72%,远低于group1中的比例,其中主板样本数量为64个(87.67%),创业板样本数量为4个,中小板样本数量为5个。由此可见,产学研协同参与程度高的样本,仍以主板上市公司为主。样本市场分布情况如表1所示。

各分组变量及解释变量的描述性统计结果如表2所示。

表1 样本市场分布情况

group1主板数量占比(%)创业板数量占比(%)中小板数量占比(%)合计08454.903824.843120.26153115163.716226.162410.13237group2主板数量占比(%)创业板数量占比(%)中小板数量占比(%)合计017153.949630.285015.7731716487.6745.4856.8573

表2 描述性统计

名称均值标准差最小值最大值数据来源group10.6080.48901CNKIgroup20.1870.39101CNKIprofit1.1081.428-0.18414.829公司年报

续表2 描述性统计

名称均值标准差最小值最大值数据来源edu0.0810.08500.519公司年报RDinput_int0.0740.1020.0010.984公司年报patent_per0.0650.16601.786公司年报国家专利局RDinput3.20e+089.50e+082.16e+069.01e+09公司年报patent_year132.744517.13905644公司年报国家专利局income8.93e+093.00e+107.96e+073.04e+11公司年报

2.3 研究方法与步骤

由于企业是否参与产学研协同活动并不是一个随机事件,因而利用回归模型进行因果分析时,通常会产生自选择偏差。以研发投入为例,产学研协同对企业创新活动产生了促进作用,而创新能力强、技术储备好的企业更有可能选择参与产学研协同。因此,为了控制这些因素,倾向得分匹配方法(Propensity Score Matching,PSM)是一个较好的选择。通过将参与产学研协同的样本定义为干预组,将未参与产学研协同的样本定义为控制组,构建“反事实框架”,能较好解决由于研究对象某些“异质性”造成的偏误,从而能够更客观地评价产学研协同行为对科技型企业的影响。

PSM是一种基于观测数据分析变量间因果关系,并能有效控制样本选择偏差的统计工具[17],广泛应用于各领域。PSM的实施步骤如下[18]:①通过Logit回归模型(或Probit回归模型)确定倾向值的最佳估计,并根据模型计算倾向得分。本研究采用的是Logit二元回归模型;②匹配与平衡性检验。获得倾向得分的估计值后,需要在干预组和控制组之间进行匹配,匹配规则主要有最邻近方法、半径匹配法、分层匹配法、内核匹配法。本文采用的是内核匹配方法。得到匹配结果后,还需要进行匹配平衡性检验,以考察干预组和控制组在匹配变量上是否存在显著差异;③计算平均处理效应。完成匹配后,干预组和控制组企业在各匹配变量不存在显著差别,此时考察产学研协同创新的效果具有客观性和可信度。根据Becker和Ichino[19]的方法,可以计算干预组和控制组的平均处理效应(ATT),通过观察ATT的数值和显著性水平判断变量的影响方向及显著性。

本研究为了考察在产学研合作基础上,达到协同状态时,协同创新活动对企业各方面所产生的增效作用,量化测度协同效应的发挥程度,开展了研究方案设计工作。研究方案的设计思路如图1所示。其中,回归模型主要作为倾向得分模型。

图1 研究方案设计

研究探讨的关键问题有以下3个,其中倾向得分匹配结果是研究的主要分析对象:①考察匹配后产学研协同创新对研发投入、专利产出、营业收入的影响情况。通过观察匹配后3个解释变量的显著性程度,探讨产学研协同对科技型企业的影响方向和显著性;②考察产学研协同创新的增效作用。通过对比匹配后产学研协同在3个方面的平均处理效应绝对值差值,得出产学研合作与产学研协同对研发投入、专利产出和营业收入影响的差异性,并分析协同状态对科技型企业的增益;③考察匹配前后产学研协同效果的差异性,评价匹配前估计的偏误情况。通过对比匹配前后解释变量的显著性程度和平均处理效应绝对值(ATT),讨论匹配前结果是否存在高估或低估情况。研究将在结论与启示部分提出促进科技型企业参与产学研协同的对策建议。

3 结果分析

3.1 倾向得分模型

本文采用STATA12软件开展分析工作,首先采用Logit模型分别对变量group1和变量group2进行回归分析,以便获得倾向得分模型。

以变量group1为应变量的Logit回归结果详见表3。模型1以利润率、教育水平、研发强度、人均专利拥有量为解释变量,结果显示教育水平和研发强度具有显著影响。考虑到产学研协同对营业收入和专利产出的影响,因而仍然将利润率和人均专利拥有量作为解释变量进入回归。模型2-4是在模型1的基础上,分别加入研发投入、年专利产出和营业收入进行回归,主要用于与匹配后的结果进行对比研究。回归结果表明,研发投入和年专利产出均表现出显著正向影响,但营业收入仍然不显著。

表3 group1的Logit回归模型

变量group1模型1模型2模型3模型4profit0.116(0.170)0.194**(0.043)0.152*(0.085)0.109(0.197)edu5.300***(0.001)5.139***(0.002)4.941***(0.003)5.392***(0.001)RDinput_int-3.395**(0.018)-5.086***(0.003)-3.242**(0.022)-3.571**(0.015)patent_per-0.735(0.272)-0.652(0.345)-1.148(0.138)-0.758(0.258)RDinput-2.96e-09***(0.000)--patent_year--0.002**(0.044)-income----4.10e-12(0.250)常数项0.200(0.252)-0.318(0.125)0.074(0.692)0.252(0.162)PseudoR20.03010.09600.04620.0327

注:***表示在1%水平上显著,**表示在5%水平上显著,*表示在10%水平上显著,下同

以变量group2为应变量的Logit回归结果如表4所示。模型5-8的解释变量设置与模型1-4类似,不再赘述。回归结果表明,研发投入对年专利产出均表现出显著正向影响,但营业收入仍不显著,与group1的结论相似。

采用模型1与模型5分别作为group1和group2的倾向得分模型,并计算相应的得分。

3.2 平衡性检验

在得分模型的基础上对干预组和控制组进行匹配,匹配方法选择内核匹配法。为了保证匹配效果,对数据平衡性进行检验,结果如表5、表6所示。

在PSM中,要求匹配后各变量在干预组与控制组间不存在显著差异。由表5和表6的最后两列,即匹配后的t检验结果可知,匹配后各变量在两组之间均不存在显著差异。同时,根据Smith和Todd[20]的观点,匹配后标准偏差的绝对值应小于5%,且值越小匹配效果越好。观察表中的检验结果,基本满足上述要求,表明平衡性假设得到验证。

表4 group2的Logit回归模型

变量group2模型5模型6模型7模型8profit-0.0714(0.542)0.034(0.765)-0.037(0.748)-0.062(0.596)edu4.480***(0.006)3.585**(0.044)3.703**(0.026)4.398***(0.007)RDinput_int-5.209**(0.034)-7.047**(0.015)-5.059**(0.045)-4.956**(0.043)patent_per-0.079(0.925)-0.511(0.644)-0.477(0.630)-0.070(0.933)RDinput-1.52e-09***(0.000)--patent_year--0.001**(0.022)-income---3.28e-12(0.360)常数项-1.438***(0.000)-1.776***(0.000)-1.489***(0.000)-1.491***(0.000)PseudoR20.03120.10610.04990.0333

表5 group1匹配变量平衡性检验

匹配变量均值干预组控制组标准偏差(%)标准偏差减小幅度(%)t-testtp>tprofit匹配前1.1351.0674.789.30.460.644匹配后1.1351.1280.50.050.958edu匹配前0.0900.06727.394.12.600.010匹配后0.0900.0671.60.150.879RDinput_int匹配前0.0690.083-13.080.1-1.320.189匹配后0.0690.072-2.6-0.390.699patent_per匹配前0.0600.072-6.738.5-0.700.483匹配后0.0600.0534.10.470.470

表6 group2匹配变量平衡性检验

匹配变量均值干预组控制组标准偏差(%)标准偏差减小幅度(%)t-testtp>tprofit匹配前0.9031.156-19.179.8-1.360.174匹配后0.9030.8523.90.290.774edu匹配前0.0990.07726.457.62.040.042匹配后0.0990.09011.20.650.517RDinput_int匹配前0.0580.078-24.395.5-1.570.118匹配后0.0580.0571.10.100.919patent_per匹配前0.0680.0643.0-51.30.190.847匹配后0.0680.075-4.6-0.270.784

3.3 实证检验结果

在满足平衡性检验的条件后,通过观察与对比平均处理效应(ATT)的大小及其显著性水平,分别检验产学研协同对研发投入、专利产区和营业收入的影响情况和增效作用,并进行对比分析。

3.3.1 对研发投入影响检验

研发投入的检验结果如表7所示。从匹配结果看,对group1而言,匹配后干预组的研发投入均值为4.420e+08,控制组均值为1.309e+08,ATT为3.111e+08,且在1%的水平上显著;对group2而言,匹配后干预组的研发投入均值为8.892e+08,控制组的均值为1.767e+08,ATT为7.126e+08,且在1%的水平上显著。

表7 对研发投入的影响效果

组变量样本干预组控制组ATTt值group1RDinput匹配前4.420e+081.323e+083.097e+083.18***匹配后4.420e+081.309e+083.111e+083.92***group2RDinput匹配前8.892e+081.895e+086.997e+085.92***匹配后8.892e+081.767e+087.126e+082.99***

结果表明,本文研究假设H1得到验证,主要结论有以下几点:

(1)产学研协同对企业研发投入具有显著的正向影响。group1与group2匹配后的ATT均在1%的水平上显著,且方向为正,表明参与产学研合作以及产学研协同对企业研发投入具有正向作用,符合研究假设的预期。

(2)产学研协同对中国科技型上市公司研发投入具有增效作用。以group2为分组变量时,匹配后的ATT为7.126e+08,远高于以group1为分组变量时的3.111e+08,表明相较于传统产学研合作,持续深入的产学研协同能在更大程度上提高科技型上市公司的研发投入,H1得到验证。

(3)在匹配前估计的偏误方面,如果不对企业特征值加以匹配,group1和group2的效应都将被低估。

3.3.2 专利产出影响检验

针对专利产出的检验结果如表8所示。从匹配结果看,对group1而言,匹配后干预组的专利产出均值为181.262,控制组的均值为59.225,ATT为122.036,且在1%的水平上显著;对group2而言,匹配后干预组的专利产出均值为333.501,控制组的均值为97.851,ATT为235.656,且在5%的水平上显著。

表8 对专利产出的影响效果

组变量样本干预组控制组ATTt值group1patent_year匹配前181.26257.588123.6732.32**匹配后181.26259.225122.0362.78***group2patent_year匹配前333.50186.511246.9963.74***匹配后333.50197.851235.6561.96**

结果表明, H2得到验证,主要结论有以下几点:

(1)产学研协同对企业专利产出具有显著的正向影响。以group2为分组变量,匹配后的ATT为235.656,在5%的水平上显著,表明产学研协同对企业专利产出具有正向作用,符合研究假设的预期。同样,参与产学研合作对企业专利产生也有正向影响。

(2)产学研协同对中国科技型上市公司的专利产出具有增效作用。以group2为分组变量时,匹配后的ATT为235.656,远高于以group1为分组变量时的122.036,表明相较于传统产学研合作,持续深入的产学研协同能在更大程度上增加科技型上市公司的专利产出,并在专利方面体现出一定的协同效应。

(3)在匹配前估计的偏误方面,如果不对企业特征值加以匹配,group1和group2的效应都将被高估。

3.3.3 营业收入影响检验

营业收入的检验结果如表9所示。从匹配结果看,对group1而言,匹配后干预组的营业收入均值为7.769e+09,控制组均值为1.201e+10,ATT为-4.235e+09,结果为负且未通过显著性检验;对group2而言,匹配后干预组的营业收入均值为1.352.e+10,控制组均值为9.055e+09,ATT为3.207e+09,结果为正但未通过显著性检验。

表9 对营业收入的影响效果

组变量样本干预组控制组ATTt值group1income匹配前7.769e+091.072e+10-2.947e+09-0.95匹配后7.769e+091.201e+10-4.235e+09-1.01group2income匹配前1.352e+107.867e+093.885e+091.46匹配后1.352.e+109.055e+093.207e+091.39

结果表明,H3仅得到部分验证,主要结论有以下几点:

(1)产学研协同对企业营业收入具有正向影响,但并不显著。以group2为分组变量,匹配后的ATT为3.207e+09,且未通过显著性检验,表明产学研协同对营业收入可能具有正向作用,H3仅得到部分验证。这可能是由于中国科技型上市公司通过产学研协同过程获得的收益多以知识产权的形式出现,同时受制于现阶段知识产权转化及其产业化的高昂成本,使得资金收益难以得到反映。

(2)参与产学研合作可能存在沉没成本,而产学研协同对中国科技型上市公司营业收入的增效作用仍十分有限。与研发投入和专利产出的结论不同,以group1为分组变量的ATT为负(-4.235e+09),表明参与产学研合作的科技型上市公司,营业收入水平反而有所降低。这可能是由于参与产学研合作存在一定的沉没成本,双方合作过程中通常涉及人力和财力投入,同时合作成果变现存在滞后期,因而影响了现阶段营业收入。另一方面,以group2为分组变量的ATT结果虽然同样不显著,但却为正,表明协同程度高时,产学研协同对营业收入仍具有增效作用,但效果不显著。这可能是由于中国科技型上市公司参与产学研协同过程的力度仍不足,积极性不高,事实上真正能够达到协同状态的企业数量也较少,因而其协同效应的发挥还没有体现在营业收入层面。

(3)在匹配前估计的偏误方面,如果不对企业特征值加以匹配,group1和group2的效应都将被高估。

4 结语

本文从研发投入、专利产出、营业收入3个方面入手,在界定产学研协同创新效果的基础上,提出研究假设;选取巨潮科技指数为研究对象,采用倾向得分匹配方法,通过区分企业是否参与产学研合作活动以及判断产学研协同程度的高低,设置两个对照组实验,对中国科技型上市公司产学研协同创新的效果进行了分析。实证结果显示,H1和H2得到验证,H3得到部分验证,假设检验结果如表10所示。

4.1 研究结论

根据实证结果,得出以下结论:

表10 假设检验结果汇总

假设检验结果显著性方向结论增效作用H1:产学研协同对企业研发投入具有显著的正向影响,同时具有增效作用显著 正向得到验证具有H2:产学研协同对企业专利产出具有显著的正向影响,同时具有增效作用显著 正向得到验证具有H3:产学研协同对企业营业收入具有显著的正向影响,同时具有增效作用不显著正向部分验证有限

(1)产学研协同对中国科技型上市公司研发投入具有显著的正向影响,且具有增效作用。由于研发投入环节处于企业协同创新初期,在产学研合作阶段就已表现出显著的影响效应,随着合作各方协作程度的加深,协同创新对研发投入环节表现出协同效应,体现了产学研协同创新的增效作用。

(2)产学研协同对中国科技型上司公司专利产出具有显著的正向影响,且具有增效作用。企业专利产出作为研发活动创新产出,是衡量企业创新绩效的重要指标。事实上,企业在参与产学研合作活动时,其对企业专利产出的积极效应就已经显现出来。随着协同效应的发挥,企业内部研发与外部合作研发进一步互补,内外部资源得到充分共享,加速了组织间知识协同过程,提高了企业知识创新效率,进而表现为企业专利产出的增效作用。

(3)产学研协同对中国科技型上市公司营业收入的增效作用十分有限。一方面,参与产学研合作可能存在一定沉没成本,如双方合作过程中通常涉及人力与财力投入。同时合作成果成本回收存在滞后期,影响了现阶段营业收入;另一方面,产学研协同对营业收入具有增效作用,但效果并不显著。这可能是由于中国科技型上市公司参与产学研协同过程的力度不足、积极性不高。事实上真正能够达到协同的企业数量较少,因而协同效果还没有体现在营业收入层面。

4.2 研究不足

根据本文研究结论不难发现,现阶段中国科技型上市公司通过参与产学研协同创新获得的增效作用主要体现在企业研发投入和企业专利产出方面,而在营业收入方面所获得的增益十分有限。同时,研究中的其它结论揭示了当前中国产学研协同创新的一些缺陷:

(1)企业参与产学研协同的积极性不高,中小企业的参与程度低。首先,从数量上看,根据本研究识别模型测算结果,仅有23%的样本属于产学研协同程度较高类别,表明中国科技型企业参与产学研协同创新活动的积极性不高;其次,从结构上看,87.67%的样本集中在主板市场,并且创业板和中小板企业规模相对较小,表明中小企业作为活跃的创新主体,在参与产学研协同创新的过程中,显著缺乏动力和机会。上述情况的产生可能与中小企业融资困境有关,即科技创新活动需要大量资金投入,同时伴随着较高不确定性,使得科技型中小企业融资成本上升。相较而言,大型企业(特别是国有大型企业)的融资压力较小,同时还具有较好的研究基础和技术储备。因此,中小企业普遍缺乏创新与合作热情。

(2)产学研协同创新成果市场化程度不高。从主要研究结论看,中国科技型上市公司通过参与产学研协同创新而获得的增效作用在营业收入方面十分有限,说明目前科技型企业通过产学研协同创新活动获得的成果,未能通过市场化手段有效转化为企业营收。从其本质上看,这反映出科技成果转化中的难点问题。从企业角度看,产学技术对接难度大,研发需求往往难以得到满足;从高校角度看,以往大量沉淀专利成果很难转化为市场化产品,其转化积极性也不高。因此,造成了专利产出增益显著,但营收情况不显著的现象。

综上所述,当前科技创新与经济发展之间的衔接仍有待加强,企业作为创新主体,如何通过产学研协同创新网络实现科技成果高效转化,依旧是一个难点问题。未来,随着我国科技成果转移转化制度的不断完善,产学研协同创新网络将迎来更好的发展机遇,协同创新增效作用也将产生更为深远的影响。

参考文献:

[1] 李岚. 产学研合作模式选择的博弈分析[D].广州: 暨南大学, 2008.

[2] 饶燕婷. “产学研”协同创新的内涵、要求与政策构想[J]. 高教探索, 2012, 28 (4):29-32.

[3] 吴悦, 顾新. 产学研协同创新的知识协同过程研究[J]. 中国科技论坛, 2012, 28(10): 17-23.

[4] 涂振洲, 顾新. 基于知识流动的产学研协同创新过程研究[J]. 科学学研究, 2013, 31(9): 1381-1390.

[5] 王进富, 张颖颖, 苏世彬,等. 产学研协同创新机制研究——一个理论分析框架[J]. 科技进步与对策, 2013, 30(16):1-6.

[6] 黄义, 张清华. 国家创新体系中产学研协同机制研究[J]. 科学管理研究, 2013, 31(5):1-4.

[7] 黄燕, 凌慧. 创新政策、企业家特征与企业创新的实证研究——以广东省为例[J]. 当代经济, 2013, 29(11): 122-125.

[8] 傅利平, 小静. 政府补贴在企业创新过程的信号传递效应分析——基于战略性新兴产业上市公司面板数据[J]. 系统工程, 2014, 32(11):50-58.

[9] 戴勇, 肖丁丁, 锁颍馨. 研发投入、企业家精神与产学研绩效的关系研究——以广东省部产学研合作企业为例[J]. 科学学与科学技术管理, 2010, 31(11):136-142.

[10] HARRISA R, LI Q C, TRAINOR M. Is a higher rate of R&D tax credit a panacea for low levels of R&D in disadvantaged regions [J]. Research Policy, 2009, 38(1): 192-205.

[11] 刘炜. 基于企业技术能力演化的产学研合作创新机理研究[D]. 广州:华南理工大学, 2013.

[12] COOPER R G, KLEINSCHMIDT E J. What makes a new product a winner: success factors at the project level[J]. R&D Management, 1987, 17(3): 175-189.

[13] MAIETTA O W. Determinants of university-firm R&D collaboration and its impact on innovation: a perspective from a low-tech industry[J]. Research Policy, 2015, 44(7): 1341-1359.

[14] 魏诗洋. 产学研合作中知识管理对企业创新绩效的影响分析[D]. 杭州:浙江大学, 2007.

[15] DREW S. From knowledge to action: the impact of benchmarking on organizational performance[J]. Long Range Planning, 1997, 30(3): 427-441.

[16] 李泽民. 我国省部产学研合作评价指标体系构建[J]. 中国西部科技, 2011,10(18):59-61.

[17] ROSENBAUM P, RUBIN D B. The central role of the propensity score in observational studies for causal effects[J]. Biometrika, 1983, 70(1): 41-55.

[18] 郭申阳.倾向值分析:统计方法与应用[M]. 重庆: 重庆大学出版社, 2012.

[19] BECKER S O, ICHINO A. Estimation of average treatment effects based on propensity scores[J]. The Stata Journal, 2002, 2(4): 358-377.

[20] SMITH A, TODD E. Does matching overcome lalonde's critique of nonexperimental estimators[J]. Journal of Econometrics, 2005, 125(1): 305-353.

(责任编辑:林思睿)

The Effect Evaluation of University-Industry Collaborative Innovation: Results from High-tech Listed Companies

Hu Wen

(Institute of Information, Shanghai Academy of Social Sciences, Shanghai 200235, China)

Abstract:Due to the lack of a clear definition for the effect of university-industry collaborative innovation, related studies are difficult to carry out, which hinders the development of innovation-driven economy in China. Inspired by the definition of synergistic effects, we define the effect of university-industry collaborative innovation as a relative concept comparing with the result of traditional university-industry cooperation. Based on three assumptions, this article establishes two control experiments to carry out quantitative evaluation on Chinese high-tech listed companies' collaborative innovation accomplishments using propensity score matching method. The empirical results show that collaborative innovation has positive impact on R&D investments, patent outputs and revenues. However, synergistic effects are only significant in the former two aspects, while limited in revenues.

Key Words:University-industry Relations; Collaborative Innovation; Synergistic Effects; High-tech Listed Companies; Propensity Score Matching

收稿日期:2017-01-05

作者简介:胡雯(1989-),女,上海人,博士,上海社会科学院信息研究所助理研究员,研究方向为科技创新。

DOI:10.6049/kjjbydc.2016110004

中图分类号:F273.1

文献标识码:A

文章编号:1001-7348(2017)16-0112-08