在深入推进国家创新驱动发展的关键时期,基于特有的创新资源禀赋和技术积累,哪种技术创新路径才是真正有效和适合的?如何正确选择创新路径以实现创新驱动发展绩效提升?这些一直是学界争议的焦点问题。由于创新并不完全等同于研发,除内外部研发外,技术创新领域还存在多种非研发投入用途,非研发创新投入仍然是高技术产业技术创新经费支出的重要组成部分,对创新驱动具有不可忽视的影响[1-3]。
作为落实创新驱动发展的关键一环,高技术产业是核心力量和主要抓手。由于创新要素时空分布的差异性会对创新模式及其作用产生不同特征效应,因此各地区产业创新驱动路径选择还取决于能否成功跨越相应的门槛值。现有研究也初步证实,自主研发、外部知识源化和非研发对高技术产业创新发展存在影响和推动作用[1,4-5],但未涉及在异质性条件下不同知识积累水平造成创新路径对高技术产业创新驱动存在差异效应的研究。
基于此,本文的创新与贡献在于:第一,从方法上考虑到创新驱动本身存在的动态性、延续性,以及其它解释变量的内生性,本文改进了传统静态非线性面板门槛回归,通过加入滞后变量控制时滞效应和动态要素影响,以更客观准确地处理结构变化的非线性问题;第二,从内容上,科学系统地构建了高技术产业创新驱动路径结构关系体系。以我国高技术产业技术创新特征为切入点,比较分析不同创新路径对创新驱动发展的影响关系结构,为相关技术创新方式研究提供了有力的支撑框架与理论基础。此外,从异质性视角,深入探讨高技术产业创新驱动发展路径影响机制的动态异质门槛特征,检验不同地区知识积累水平差异对创新路径与高技术产业创新驱动发展绩效驱动机理的复杂异质门槛效应,明晰创新路径对驱动过程存在的差异性、适宜性和依存性,探究高技术产业创新驱动发展匹配体系,提炼和归纳创新驱动发展实现机制及技术变迁一般规律,为我国高技术产业根据自身特点,选择及权衡技术创新方式与路径,加快实现创新驱动跨越式发展提供有效参考。
首先,基于现有研究[4,6-7],结合发展中国家技术创新路径特征,从技术来源角度,按照研发参与程度以及国家创新活动特征,技术创新路径包括基于内部技术来源的自主研发、外部技术来源的外部知识源化以及非研发。本文立足于中国高技术产业实际发展情况,结合政府报告和统计资料,以自主研发创新、外部知识源化(合作)和非研发创新3种创新路径为研究范围。进一步,以不同地区知识积累水平差异造成的异质化影响为切入点,深入考察自主研发创新、外部知识源化和非研发创新3种创新路径驱动创新发展机理的动态门槛特征及实现路径关系结构,如图1所示。
图1 高技术产业创新驱动发展实现路径及异质门槛特征
针对现有研究中对非结构方法处理的共线性问题、分组标准制约、显著性偏误以及对计量模型内生性缺乏全面考虑与研究对象动态变化等不足,本文加入滞后变量以控制时滞效应和动态要素影响,对静态面板门槛回归模型进行改进,根据动态面板估计思路[8],在Hansen方法计算门槛值基础上,进一步采用Arellano&Bond(1991)[9]的一阶差分GMM动态方法估计不同门槛区间参数及变化差异。最后,为确保模型估计有效和稳健,再次采用系统GMM估计对分区间斜率系数进行估计验证,深入探究地区知识积累异质性条件下高技术产业创新驱动发展路径差异及稳健性。
首先,结合高技术产业创新驱动路径关系及门槛驱动效应结构,参考Griliches-Jaffe 知识函数的 Cobb-Douglas模型构建如下模型:
(1)
其中,Y为创新驱动发展绩效,IRD 为自主研发创新,ERD为外部知识源化,NRD 为非研发创新,ε为随机误差项。
借鉴现有地区和产业创新影响因素研究 [10-12],研发人员投入、不同企业所占资本、劳动等生产要素的增减结构、产业聚集度和市场环境成熟度等也是需要控制的重要影响因素[5]。此外,纳入知识积累作为创新过程的重要门槛效应要素[8],进而构建创新驱动发展路径机理模型:
(2)
其中,RDH表示研发人员,AGG表示产业聚集度,STR表示要素禀赋结构,MAR表示市场环境,KLA表示知识积累水平。
在式(2)基础上,考虑到创新驱动本身存在的动态性和延续性,进一步引入Yit-1以控制创新驱动过程的动态性。同时,对投入变量作相应滞后数据计算[5,8]。考虑到不同地区高技术产业知识积累水平异质门槛的差异,最终构建自主研发创新、外部知识源化和非研发创新3种创新路径驱动创新发展的动态面板门槛模型(以单一门槛为例)。
lnYit=θ+α1lnYit-1+α2lnRDHit-1+α3lnAGGit+α4lnSTRit+α5MARit+β1lnIRDit-1I(KLAit≤γ)+β2lnIRDit-1I(KLAit>γ)+μi+νt+εit
(3)
其中,I(·)为指示函数,KLAit为门槛因素,即知识积累变量,γ为变量门槛值,μi为个体特定效应,Vi为时间特定效应,εit是随机干扰项,其它指标同式(2)。
lnYit=θ+α1lnYit-1+α2lnRDHit-1+α3lnAGGit+α4lnSTRit+α5MARit+β1lnERDit-1I(KLAit≤γ)+β2lnERDit-1I(KLAit>γ)+μi+νt+εit
(4)
lnYit=θ+α1lnYit-1+α2lnRDHit-1+α3lnAGGit+α4lnSTRit+α5MARit+β1lnNRDit-1I(KLAit≤γ)+β2lnNRDit-1I(KLAit>γ)+μi+νt+εit
(5)
(1)被解释变量:创新驱动发展绩效(Y)。由于创新驱动的重点在于依靠知识技术要素的驱动,使创新成为增长主要驱动力,推进驱动效率最大化。本文以创新驱动效率测量创新驱动发展程度,即科技创新要素投入与由此带来的经济增长规模及发展质量提升的比率关系,本质上是科技创新要素驱动经济增长的贡献度。在相关研究基础上[13-15],结合高技术产业创新驱动内涵、创新驱动特性、指标可获得性与可测度性,将其纳入高技术产业创新驱动环境效应和随机误差考虑,利用SFA模型进行分解修正,调整样本投入偏移量,结合超效率技术改进,计算各地区高技术产业创新驱动发展绩效。
(2)门槛变量:知识积累(KLA)。企业技术创新方式的选择依赖于知识积累门槛水平[5,16]。由于中国创新基础薄弱和创新资源分配不均,创新路径有其自身特点。要有效实现创新驱动发展,还需具备一定的知识基础。参考陈恒和侯建(2016)[8]的做法,对知识积累用t期专利申请数存量测算。
(6)
式(6)中,KLAit为i地区t年的知识积累,ΔKLAit为i地区t年的专利申请量,δ为折旧率。同时,基期知识积累计算方法为:
(7)
式(7)中KLAi0为i地区2009年的知识累积水平, ΔKLAi0为i地区2009年的专利申请量,gi为i地区2009-2015年专利申请量的年均增长率。
(3)核心解释变量。①自主研发创新(IRD)。考虑到高技术产业创新实际,一方面创新投入的最终产出存在时滞性,另一方面前期知识投入也会影响当期变化,因此采用变量滞后一期形式,并以永续盘存法计算,即研发资本存量[8,17]。由于不同地区产业间存在比较差异,进一步使用自主研发创新投入强度衡量[18],计算方法为产业企业R&D经费内部支出占其主营业务收入的比重;②外部知识源化(ERD)。外部知识源化主要测度向外部企业、大学和科研院所等组织边界外部支付的研发费用,也包括合作研发[4、19]。因此,本文选择高技术产业外部研发经费支出测量[5]。作为投入变量,同样采取滞后一期和存量形式,并以产业企业R&D经费外部支出占其主营业务收入比重反映产业企业外部知识源化程度;③非研发创新(NRD)。创新并不完全等同于研发。根据中国高技术产业非研发活动特点,采用各项非研发创新经费支出衡量[3-4],包括高技术产业技术改造经费、引进技术经费、消化吸收经费和购买国内技术经费(滞后一期和存量形式),并以企业非研发支出占其主营业务收入比重反映产业非研发创新程度。
(4)控制变量。针对高技术产业创新驱动发展绩效设置一系列控制因素[5、13、20]。①研发人力(RDH)。作为知识生产函数的基本要素,本文采用R&D活动人员折合全时当量滞后一期衡量;②产业聚集度(AGG)。一般而言,竞争性环境可以给研发活动带来更大激励,市场集中度越高,越能有效促进创新绩效提升[20],本文用各地区高技术企业数量表示;③要素结构(STR)。企业资本、劳动生产要素的增减显著影响技术效率,本文以高技术产业总资产与年平均从业人数之比表示;④市场环境(MAR)。对于产业市场环境成熟度,本文采用技术市场成交额测量[13]。表1为各变量定义说明。
表1 变量定义与说明
变量类型 变量名称变量代码变量计算方法被解释变量创新驱动发展绩效Y基于环境效应、随机误差与超效率改进的综合测度模型计算结果门槛变量知识积累KLA高技术产业专利申请量,永续盘存法存量计算自主研发创新IRD高技术产业内部研发资本存量/同期主营业务收入解释变量外部知识源化ERD高技术产业外部研发资本存量/同期主营业务收入非研发创新NRD高技术产业非研发资本存量/同期主营业务收入研发人力RDH高技术产业R&D人员全时当量控制变量产业聚集度AGG高技术企业数量要素结构STR高技术产业总资产/同期年平均从业人数市场环境MAR地区技术市场成交额
本文选取2009-2015年中国内地29个省市高技术产业面板数据(西藏、青海因数据缺失未纳入统计)。原始数据来自2010-2016年《中国高技术产业统计年鉴》、《中国科技统计年鉴》、《中国统计年鉴》,最后对各变量作对数处理和相应平减处理,并将相关投入数据作滞后一期计算。
本文以知识积累为门槛变量进行门槛特征检验。由表2可知,对于自主研发创新变量,单一门槛F值为16.369,自抽样P值在5%水平上显著;双重门槛F值为11.950,自抽样P值在10%水平上显著;三重门槛特征不显著。对于外部知识源化变量,双重门槛F值为7.754,自抽样P值在5%水平上显著;单一门槛和三重门槛特征不显著。对于非研发创新变量,单一门槛F值为25.835,自抽样P值在1%水平上显著;双重门槛F值为17.214,自抽样P值在5%水平上显著;三重门槛特征不显著。因此,模型存在显著的知识积累双重门槛特征,即创新路径对高技术产业创新驱动发展绩效存在显著的知识积累门槛效应,据此对双重门槛特征进行具体分析。
表2 门槛效应检验结果
技术创新路径门槛临界值F值P值BS次数1%5%10%单一门槛16.360**0.04650026.46316.65710.489自主研发创新双重门槛11.950*0.07850030.94520.1339.153三重门槛5.9360.12850023.31911.7297.208单一门槛10.2560.10650026.47323.72119.585外部知识源化双重门槛7.754**0.02050010.6075.5143.494三重门槛0.1420.77050052.85815.68110.334单一门槛25.835***0.00850023.54512.2419.158非研发创新双重门槛17.214**0.03050020.35114.3079.948三重门槛0.6790.64250015.7566.8355.217
基于门槛特征检验,进一步确定门槛值与置信区间,结果见表3。自主研发创新驱动作用存在显著的知识积累双重门槛特征效应,门槛值分别为9.030和11.278,分别位于95%置信区间[8.755 , 9.136]和[9.828 , 11.278],由此划分为低知识积累(KLA≤9.030)、中知识积累(9.030
表3 门槛值与置信区间估计结果
技术创新路径门槛门槛估计值95%置信区间单一门槛9.030[8.755,9.136 ]自主研发创新双重门槛11.278[9.828,11.278 ]9.030[8.755,9.136 ]三重门槛9.867[6.216,10.178 ]单一门槛9.136[8.755,10.092 ]外部知识源化双重门槛9.828[9.828,11.278 ]9.136[8.864,9.216 ]三重门槛11.412[7.690,11.412 ]单一门槛9.030[8.965,9.136 ]非研发创新双重门槛11.278[10.899,11.278 ]9.030[8.965,9.136 ]三重门槛9.867[5.831,10.449 ]
第一个门槛估计值与置信区间
第二个门槛估计值与置信区间
图2 自主研发创新动态门槛模型似然比函数
第一个门槛估计值与置信区间
第二个门槛估计值与置信区间
图3 外部知识源化动态门槛模型似然比函数
第一个门槛估计值与置信区间
第二个门槛估计值与置信区间
图4 非研发创新动态门槛模型似然比函数
综合上述 3 类检验结果可知,知识积累对技术创新路径与创新驱动发展绩效的影响均存在双重门槛特征效应。同时,通过门槛特征的似然比函数图分析,3种创新路径对应的门槛似然比序列随门槛值变化的函数趋势图清晰地展示了门槛值估计和置信区间构造结构,即模型存在显著双重门槛特征效应(见图2-图4)。
在以上门槛特征值估计基础上,采用动态一阶差分GMM估计法[13],通过比较不同路径在不同知识积累区间斜率系数的差异,检验门槛特征的影响,估计结果见表4。
表4 模型参数估计结果
自主研发创新外部知识源化非研发创新变量系数变量系数变量系数L.Y0.368***L.Y0.373***L.Y0.168***(0.156)(0.028)(0.012)RDH0.315RDH0.073RDH-0.011(0.024)(0.065)(0.051)AGG0.065**AGG0.082***AGG0.083***(0.026)(0.022)(0.028)STR-0.008***STR-0.014***STR-0.003***(0.001)(0.001)(0.001)MAR0.382***MAR0.194*MAR0.440***(0.104)(0.104)(0.108)IRD(KLA≤9.030)1.580***ERD(KLA≤9.136)3.182NRD(KLA≤9.030)2.677***(0.505)(3.343)(0.571)IRD(9.030
由表4可知,在由自主研发创新驱动的知识积累双重门槛条件下,当地区知识积累水平低于门槛值9.030时(低知识积累区间),自主研发创新路径对高技术产业创新驱动发展绩效具有显著促进效应。随着地区知识积累水平不断提升,处于9.030~11.278之间时(中知识积累区间),自主研发创新路径对高技术产业创新驱动发展绩效的正向影响增大,且在1%水平上显著,表明在该水平下加大实施内部自主研发有利于高技术产业创新驱动发展绩效提升。而当地区知识积累门槛值跨过11.278时(高知识积累区间),系数转变为负,且在1%水平上显著,即自主研发创新路径对高技术产业创新驱动发展绩效呈现显著的负向抑制作用。这表明随着地区知识积累门槛水平不断提高,自主研发创新对高技术产业创新驱动发展绩效的影响系数变化,影响方向亦由显著的正向效应变为显著负向作用,呈现出显著门槛特征。在统计意义上,当地区高技术产业知识积累水平位于9.030~11.278之间时,最适合选择或采取内部自主研发路径推动地区创新驱动发展。
在由外部知识源化驱动的知识积累双重门槛条件下,当地区知识积累水平未跨过门槛值9.136时(低知识积累区间),外部知识源化路径模式对高技术产业创新驱动发展绩效具有微弱的正向效应。当地区知识积累水平在9.136~9828之间时(中知识积累区间),外部知识源化路径对高技术产业创新驱动发展绩效的正向影响显著增强,在1%水平上显著。这表明此时外部知识源化路径显著促进了高技术产业创新驱动发展绩效提升。当地区知识积累门槛值跨过9.828时(高知识积累区间),外部知识源化路径对产业创新驱动发展绩效的正向影响降低,基本回到了跨越门槛之前的不显著正向效应状态。
在由非研发创新驱动的知识积累双重门槛条件下,当地区知识积累水平低于门槛值9.030时(低知识积累区间),非研发创新路径对高技术产业创新驱动发展绩效呈现显著促进效应。当地区知识积累水平不断提升,处于9.030~11.278之间时(中知识积累区间),非研发创新路径对高技术产业创新驱动发展绩效的正向影响增强,且在1%水平上显著。当地区知识积累门槛值跨过11.278时(高知识积累区间),系数转变为负,且在1%水平上显著,即呈现显著的负向抑制作用。这与自主研发创新路径基本保持一致趋势。
对于控制变量而言,研发人力、产业聚集度和市场环境都呈现出显著正相关,而产业资本与劳动要素禀赋结构对创新驱动绩效的影响均为负,产生较大不利影响。最后,所有的Sargan检验和AR(1)、AR(2)检验表明,没有拒绝模型工具变量设定合理的原假设,即动态模型设定有效,采用一阶差分GMM亦比较合理。
之所以出现上述情况,从理论上说,可能是由于内部R&D 投入作为一种要素投入,存在边际报酬递减规律[21]。对于内部R&D投入高速增长并且达到世界前列的中国来说,R&D投入显然不是越多越好(孙晓华,辛梦依,2013)。R&D 增长悖论在中国表现得越来越明显,即不断上升的R&D 投资并没有转化成产出,尤其是高技术产业的内部技术创新活动。同时,在R&D 投资与知识积累过程中可能存在创新系统失灵问题[5],这是由于中国的创新体系尚处于构建和发展阶段,创新政策和激励机制还存在诸多不完善地方,没有对知识积累资源转化为产出充分发挥作用。因此,各地区高技术产业内部R&D投入和创新应该保持在一个合理范围内,力求内部R&D 投入具有更大上升空间。
一般来说,外部知识源化和非研发是实现创新驱动发展的有效转型策略,通过外部合作和非研发创新方式可以充分弥补创业资源的不足,降低研发成本与风险,为产业创新奠定稳定的内部环境。随着知识积累水平提升,恰当的外部知识源化和非研发是必要的。但就中国高技术产业实际情况看,需要注意当地区知识积累水平过高或过低时,产业外部研发是很困难的,企业需要改变现有生产技术,从而失去知识积累优势,导致绩效下降[5,22]。此外,过高水平的地区知识积累会面临消化吸收和知识产权问题[4],如过度依赖外部合作削弱了多样化创新途径的正向协同溢出效应。只有保持适当的知识基础,即地区知识积累水平控制与保持在一个合理范围内,外部知识源化和非研发过程能够充分消化、吸收和转化外部知识,才有助于提升知识技术能力,降低企业创新驱动成本与风险。
表5列示了2009-2015年不同区间样本数量分布情况。总体上,中国大多数地区高技术产业的知识积累水平都处在较低门槛值状态。其中,无论是自主研发创新、外部知识源化,还是非研发创新,多数地区均处于低知识积累存量区间(KLA≤9.030,KLA≤9.136)。以自主研发的知识积累地区为例,低知识积累地区为128个,占总数的63.05%,并不利于产业内部自主研发和外部非研发充分发挥创新驱动效应。同时,地区知识积累水平异质性明显,如2009年样本主要集中于低知识存量区间(KLA≤9.030),而2014、2015年不断向中知识积累存量区间(9.030< KLA ≤11.278)与高知识积累存量区间(KLA > 11.278)集中,这在一定程度上有利于发挥创新驱动作用。
在时间变化上,2009-2015年我国大部分省市处于低知识积累区间,即高技术产业创新驱动发展的正向影响较小;2014-2015年,我国地区知识积累水平有了显著提高,多处于中高知识积累水平区间,创新路径的内外部基础得到改善,有效促进了创新驱动效应外溢。2009-2015年,无论是自主研发创新、外部知识源化,还是非研发创新,高知识积累地区占比均较小,尚不会出现因门槛特征效应带来的负向影响。需要引起足够重视的是,知识积累有一个过程,具有阶段性发展特征,现阶段需要控制和保持在一个合理范围内,警惕出现门槛特征带来的负向效应。
表5 不同门槛区间地区数
技术创新路径区间2009201020112012201320142015自主研发创新/非研发创新KLA≤9.030212121201615149.030< KLA ≤11.2787778121213KLA > 11.2781111122KLA≤9.13621212120181515外部知识源化9.136< KLA ≤9.8284443585PAT > 9.8284446669
2009年 2011年
2013年 2015年
图5 高技术产业知识积累门槛等级空间分布(2009、2011、2013、2015)
注:以自主研发创新中知识积累的门槛区间为例作对比分析
在空间变化上,分别绘制了2009年、2011年、2013年和2015年处于不同门槛区间的知识积累水平分布图,见图5。2009-2011年,多数地区知识积累水平较低,仅有广东、北京、上海、天津、山东、江苏、浙江和福建等8个省市知识积累水平较高(9.030< KLA≤11.278,KLA > 11.278),占比27.59%。这些地区不仅知识积累水平较高,其高技术产业创新基础也较为完善,加强自主研发创新的创新驱动绩效显著。总体上,多数地区的自主研发创新驱动作用仍然受限,至2013年中西部地区仅有河南、四川和湖北进入中知识积累地区。由表5和图5可知,至2015年,进入中知识积累水平(9.030< KLA≤11.278)的地区数量有较大增长,包括陕西、湖南、辽宁等,但中西部地区低知识积累地区仍然较多,由于地理与经济环境的影响,这些省市需要加强知识积累,大力提升创新驱动绩效。
为了检验估计结果的稳健性,基于动态面板估计方法,采用动态估计模型中较为经典的系统GMM估计方法,对分区间斜率系数再次进行估计检验,估计结果见表6。系统GMM估计结合差分GMM与水平GMM,较好地处理了内生性问题,而且有效反映了产业创新驱动的前期依赖和动态变化特征。
将稳健性检验结果与前文估计模型结果相比,各变量参数符号、数值及显著性均未发生较大变化,即估计结果基本一致。无论是以改进的动态门槛模型还是以系统GMM模型进行参数估计,检验结果与前文分析结果不存在显著差异,证明基于知识积累异质性的高技术产业创新驱动发展绩效实现路径的动态门槛特征效应检验结果稳健可靠。
基于不同地区高技术产业知识积累异质性情景,改进并构建创新路径驱动机理的非线性动态面板门槛模型,深层次探究地区知识积累异质性下高技术产业创新驱动发展绩效实现中存在的动态异质门槛特征,得出以下结论:①总体上,高技术产业创新驱动发展路径存在显著的地区知识积累门槛特征效应;②区间上,适度的知识积累水平更有利于创新路径充分发挥正向促进效应,而较高或较低的知识积累水平均会在一定程度上影响创新路径的驱动作用,反映了知识积累对创新路径驱动作用存在临界规模,即存在创新驱动发展的地区知识积累最优区间(中知识积累区间);③随着地区知识积累水平提升,不同创新路径的驱动效应呈现差异,在自主研发和非研发创新中,知识积累存量显著推动创新驱动绩效提升,而知识积累一旦突破临界规模,促进效应将转变为显著负向影响。对于外部知识源化,当知识积累的门槛值较低或较高时,创新驱动的正向作用较小,而当位于适度的地区知识积累水平时(中知识积累区间),外部知识源化对创新驱动发展绩效的积极影响最大。因此,需要结合地区知识积累水平,选择最优创新路径以驱动地区发展;④地区知识积累有一个过程,具有阶段性发展特性,现阶段中国还需控制和保持在一个合理范围内,警惕出现门槛特征效应带来的负向效应。
表6 模型稳健性检验
自主研发创新外部知识源化非研发创新变量系数变量系数变量系数DY L1.-0.081***DY L1.-0.091***DY L1.-0.078***(0.015)(0.011)(0.023)DY L2.0.112***DY L2.0.074***DY L2.0.112***(0.009)(0.009)(0.015)DRDH-0.145**DRDH-0.031DRDH-0.074(0.063)(0.082)(0.072)DAGG0.297***DAGG0.254***DAGG0.224***(0.071)(0.073)(0.068)DSTR0.011***DSTR0.011***DSTR0.011***(0.002)(0.002)(0.002)DMAR0.368***DMAR0.120DMAR0.137(0.115)(0.150)(0.132)IRD(KLA≤9.030)2.087**ERD(KLA≤9.136)10.924NRD(KLA≤9.030)0.134(0.947)(7.164)(0.892)IRD(9.030
基于以上结论,本文拓展了技术进步路径、创新驱动发展问题研究外延,对创新驱动范式的路径选择、动力来源与政策设计提供了有效借鉴和参考。首先,总体上,高技术产业应注意技术知识消化及积累,注重平衡高技术产业知识积累基础,保证创新驱动可持续。其次,注重地区知识积累的时空差异。时间上,较高或较低的知识积累水平均会在一定程度上影响创新路径的驱动作用,反映为知识积累对创新路径驱动作用存在临界规模。空间上,需要针对不同发展阶段、不同地区知识积累水平,选择最优创新范式。在知识积累雄厚地区,如北京、上海等,增加知识积累会带来内生自主创新的驱动作用,在一定程度上引起临界规模带来的边际递减效应。因此,应尽可能选择开放、多元的创新模式,或者平衡知识积累力度,完善转型变革措施,在以自主研发为主的基础上适当进行开放式创新,以最优创新结构促进本地区高技术产业创新发展。中西部地区等低知识积累地区需注重内生知识积累及其效用发挥。最后,构建与优化多样化的创新驱动实现路径体系,深入拓展创新驱动的开放式网络合作机制。自主研发创新并不是高技术产业唯一的创新路径选择,与外部合作创新也是创新路径的重要补充。因此,应积极营造有利于高技术产业创新驱动的外部环境和基础条件,充分发挥政府在开放合作中的引导作用,加强配套环境体系建设。首先,应针对多元实现路径体系制定合理的激励政策,不断促进技术交流与扩散、资源整合与优化,降低合作创新成本,通过税收减免、补贴政策,激励地区发展多元路径体系,实现合作主体创新效益共赢;其次,应注重协调规制,在地区、产业、企业合作间,通过协调,规范合作体系建设,使地区多元路径体系的发展方向符合国家长远创新目标,持续推动国家经济发展。
[1] 谢子远,黄文军.非研发创新支出对高技术产业创新绩效的影响研究[J].科研管理,2015,36(10):1-10.
[2] SANTAMARIA L, NIETO M J, BARGE-GIL A. Beyond formal R&D: taking advantage of other sources of innovation in low and medium technology industries[J].Research Policy, 2009, 38(3), 507-517.
[3] BARGE-GIL A, NIETO M J, SANTAMARIA L. Hidden innovators: the role of non-R&D activities[J]. Technology Analysis & Strategic Management, 2011, 23(4):415-432.
[4] 侯建, 陈恒. 外部知识源化、非研发创新与专利产出——以高技术产业为例[J].科学学研究, 2017, 35 (3): 447-458.
[5] CHEN H, HOU J, CHEN W. Threshold effect of knowledge accumulation between innovation path and innovation performance: new evidence from China′s high-tech industry[J]. Science, Technology and Society, 2018, 23(1): 163-184.
[6] CHO D H, YU P L. Influential factors in the choice of technology acquisition mode: an empirical analysis of small and medium size firms in the Korean telecommunication industry[J]. Technovation, 2000, 20(12) : 691-704.
[7] 刘克寅,宣勇,池仁勇.企业创新管理中内、外部R&D投入的互补性研究——基于中国大中型工业企业的数据分析[J].科研管理,2015,36(4):11-21.
[8] 陈恒,侯建.自主研发创新、知识积累与科技绩效——基于高技术产业数据的动态门槛机理研究[J].科学学研究,2016,34(9): 1301-1309.
[9] ARELLANO M, BOND S R. Some tests of specification for panel data: monte carlo evidence and an application to employment equations[J]. Review of Economic Studies, 1991, 58(2): 277-297.
[10] HORTA I M, CAMANHO A S, COSTA J M D. Performance assessment of construction companies: a study of factors promoting financial soundness and innovation in the industry [J]. International Journal of Production Economics, 2012, 137(1): 84-93.
[11] HUANG X L, CHI R Y. Innovation China's high-tech industries: barriers and their impact on innovation performance[J]. International Journal of Technology Management, 2013, 62(1):35-55.
[12] WANG C Q, KAFOUROS M I. What factors determine innovation performance in emerging economies? evidence from China [J]. International Business Review, 2009, 18(6): 606-616.
[13] 肖仁桥,钱丽,陈忠卫.中国高技术产业创新效率及其影响因素研究[J].管理科学,2012,25(5):85-98.
[14] 侯建,陈恒.知识密集型制造业专利创新运营绩效研究[J].系统工程理论与实践,2017,37(7):1709-1719.
[15] 周柯,唐娟莉.我国省际创新驱动发展能力测度及影响因素分析[J].经济管理,2016,38(7):24-34.
[16] PUTRANTO K, STEWART D, MOORE G. International technology transfer and distribution of technology capabilities: the case of railway development in Indonesia[J]. Technology in Society, 2003, 121(25):43-53.
[17] CRUZ-CAZARES C BAYONA-SAEZ C, GARCIA-MARCO T. You can't manage right what you can't measure well: technological innovation efficiency[J]. Research Policy, 2013, 42(6):1239-1250.
[18] 陈恒,侯建.R&D投入、FDI流入与国内创新能力的门槛效应研究——基于地区知识产权保护异质性视角[J].管理评论,2017,29(6):85-95.
[19] VEGA-JURADO J, GUTIERREZ-GRACIA A, FEMANDEZ-DE-LUCIO I. Does external knowledge sourcing matter for innovation? evidence from the Spanish manufacturing industry[J]. Industrial and Corporate Change, 2009, 18(4): 637-670.
[20] WAN D. ONG C H, LEE F. Determinants of firm innovation in Singapore [J]. Technovation, 2005, 25(3): 261-268.
[21] OLOF E, ASTRID K, MARTIN S H. The R&D-growth paradox arises in fast-growing sectors[J]. Research Policy, 2011,40(5):664-672.
[22] HOU J, CHEN H, XU J. External knowledge sourcing and green innovation growth with environmental and energy regulations: evidence from manufacturing in China[J]. Sustainability, 2017, 9(3): 342.