开放科学(资源服务)标识码(OSID)：
This study finds that the linear modeling of the super-large-scale market in existing studies only captures its stretching effect on the S-shaped curve of traditional technology diffusion,with a theoretical mechanism indistinguishable from that of an ordinary large-scale market,and generally ignores the synergistic activation role of data factors. This study argues that China's super-large-scale market gives rise to a large number of marginal segmented markets under the overlapping effects of institutional unity,spatial heterogeneity and market multi-hierarchy,and data factors can precisely activate this potential market capacity,breaking through the static market assumption of traditional technology diffusion. From a micro-firm perspective,this paper systematically explains the internal mechanism by which data factors activate marginal segmented markets and synergize with the super-large-scale market to improve enterprises' technology diffusion efficiency and drive technology diffusion to break through saturation constraints. Meanwhile,it analyzes the core action channels of the synergistic effect between the super-large-scale market and data factors from three dimensions:artificial intelligence penetration,innovative knowledge integration and innovation collaboration networks.
In accordance with the above analysis,this study constructs a theoretical model for the super-large-scale market potential to break through enterprises' technology diffusion saturation constraints and realize the reconstruction of technology diffusion trajectories through the collaboration of data factors,and conducts an empirical test of the model using data of listed manufacturing companies from 2009 to 2024. The empirical results show that (1) the super-large-scale market advantage has the potential effect of breaking through enterprises' technology diffusion saturation constraints,reconstructing diffusion trajectories and promoting continuous technological iteration; (2) the technology diffusion breakthrough effect of the super-large-scale market highly relies on collaboration with enterprises' utilization of data factors,and data factors are the core premise for activating market potential; (3) artificial intelligence penetration,innovative knowledge integration and innovation collaboration networks are important channels for the synergistic effect between the super-large-scale market and data factors,and policy practices to promote the upgrading of technology diffusion can be precisely implemented through these three channels. The empirical analysis verifies the internal mechanism of transforming the super-large-scale market advantage into a new type of industrial innovation advantage under the synergy of data factors,and provides theoretical support and policy reference for promoting the reconstruction of technology diffusion trajectories through the synergy of the super-large-scale market and data factors,realizing the transformation of major-country scale advantages into industrial innovation advantages,strengthening the competitiveness of industrial technology diffusion,and serving the construction of a new development pattern and the shaping of international competitive advantages.
This study shifts the market advantage literature from static size effects to structural activation. By dissecting how institutional unity,spatial heterogeneity,and market multi-hierarchy generate marginal segmented markets,it reveals the micro-foundation through which super-large-scale markets transcend traditional diffusion ceilings. Integrating data synergy into the diffusion model,it demonstrates that AI penetration,knowledge integration,and collaboration networks constitute the channels that transform latent demand into sustained technological iteration. This framework explains how latecomer firms bypass saturation constraints in the intelligent technology era,extending theoretical boundaries beyond linear market-size effects toward data-empowered trajectory reconstruction.
开放科学(资源服务)标识码(OSID)：
随着中国新兴产业的技术赶超,技术扩散备受学界关注,其理论内涵也得到进一步深化。学界长期将技术首创作为大国创新优势的核心支撑条件。主导部门理论认为,掌握了核心或颠覆性技术创新的首发性,便掌握了技术变革方向,因此大国创新优势的核心支撑条件是其产业部门具有创新首发性优势[1]。这一观点解释了美国技术霸主地位的由来。然而,由大数据和人工智能主导的智能革命缩短了技术创新链条、强化了技术应用反馈。大数据的智能化应用使得技术传播越广泛、应用场景越丰富,实现技术迭代的频率就越高、产出颠覆性技术的概率就越大[2]。近期的实证研究表明,由大数据和人工智能主导的技术扩散正在成为新一轮科技革命下大国创新优势的关键性支撑条件[3-4]。这一观点也解释了中国产业的技术崛起。
一个重要的发展事实是,中国拥有的超大规模市场是促进技术低成本、广覆盖、大规模扩散的关键载体,正在成为智能革命下中国建立大国创新优势的重要支撑条件。回看中国产业发展,例如中国新能源汽车产业,其产业发展之初的市场培育政策和数据分级与监管制度充分激活了国内超大规模市场优势,并促进“超大规模市场×数据要素”协同的技术扩散模式形成,最终推动产业实现技术赶超。一方面,新能源汽车技术在国内超大规模市场的广泛扩散为产业提供了丰富的数据资源,加速了技术应用过程中的验证与优化迭代;另一方面,数据要素积累加速了产业在超大规模市场这个复杂应用环境中的适配性技术扩散和关键技术突破。例如针对高寒地区的电池预热技术、针对山区的动力回收技术等快速落地转化,成功推动中国新能源汽车产业技术赶超和全球范围内创新优势建立。5G产业的中美对决也反映了类似的特征事实。中国5G产业发展之初的“中频先行”战略使5G技术在超大规模市场内各行业、各应用场景下高速扩散,积累了海量的产业数据作为支撑技术快速迭代的重要资源,突破了美国优先发展高频毫米波的高水平技术首创策略,在领域内实现全面技术赶超和全球标准制定权的掌握[5]。此外,中国的移动支付、高铁等产业在实现技术赶超和全球技术领先的产业实践中,也都借助了由超大规模市场与数据要素协同推动的技术广泛扩散和多场景应用所带来的优势。
然而,一个值得关注的特征事实是新能源汽车、5G等产业的成功案例并没有被处于超大规模市场中的其他产业所复制,其背后的原因和内在机制值得深思。中国是全球最大的高端数控机床消费国,该产业具备超大规模市场促进产业技术扩散的潜在优势。然而整机企业、核心零部件企业、下游应用企业及科研机构之间存在显著的数据割裂问题,使得产业难以充分借助海量的场景数据开展技术验证与迭代优化,面对特种材料加工、极端环境加工等复杂工况难以快速提供适配技术,导致中国高端数控机床产业长期陷入技术迭代速度缓慢、扩散成本居高不下的“大市场、弱创新”产业困境。高端数控机床等产业与新能源汽车、5G等成功案例的差异在于,虽然这些产业共享国内超大规模市场优势,但是产业发展战略和产业政策引导中的数据要素协同差异导致其呈现出不同的技术扩散结果。
本文认为,中国新能源汽车和5G产业创新优势的建立,是利用超大规模市场推动产业技术扩散的深层次内在机制:首先,规模性只是超大规模市场的优势基础,超大规模市场中边际细分市场涌现带来的结构性优势是超大规模市场的独特优势[6]。边际细分市场确保了庞大市场规模下内在的空间异质性和市场多层级性能在统一制度框架下交叠,为产业技术扩散突破饱和约束提供基本条件。其次,市场与数据要素协同促进的产业技术扩散才是智能革命时代技术扩散的关键形态。由于边际细分市场的潜在性及其所需求技术的潜在性,需要企业具有充分的数据要素利用能力,进而破除信息壁垒、洞悉潜在市场技术需求,这样才能充分发挥超大规模市场与技术迭代相融合的技术扩散优势。因此,本文引入数据要素维度,构建数据要素协同下超大规模市场优势推动企业技术扩散效率提升和轨迹重构的理论模型,反映在以大数据为根基的智能革命时代“超大规模市场×数据要素”协同重塑企业技术扩散模式的理论机制,并通过实证分析对协同效应及其作用渠道进行检验,为科学利用超大规模市场优势、推动大国创新优势建立的政策实践提供理论参考。
本文可能的边际贡献如下:①理论边界拓展。大国优势理论和需求引致创新理论集中关注市场规模对产业创新能力的影响,本文重点关注技术扩散成为大国创新优势关键性支撑条件下超大规模市场优势对突破产业技术扩散饱和约束的内在作用机制,拓展了超大规模市场技术扩散效应研究的理论边界。②研究视角创新。市场规模优势相关理论长期关注市场存量规模的经济效应,本文引入结构观视角,利用边际细分市场的涌现机制分析超大规模市场优势的本质,并基于数据要素对边际细分市场的识别机制,构建“超大规模市场×数据要素”协同突破技术扩散饱和约束的理论框架,拓展了超大规模市场优势及其转化机制的研究视角。③扩散模型深化。基于微观视角拓展传统技术扩散模型,在传统技术扩散动态中补充企业层面的技术迭代机制,弥补传统技术扩散模型对新一轮科技革命下企业技术采纳范式转型解释力不足的缺陷。④机制渠道挖掘。基于人工智能渗透、创新知识整合和创新协同网络三种渠道,探讨市场潜力与数据要素协同重构技术扩散轨迹的渠道效应及机制逻辑。
Rogers[7]指出,新技术扩散过程呈S型曲线,扩散效率最终受到扩散饱和的约束。根据技术范式理论,单一技术演进路线追随一组采用共同科学原理的“技术轨道”[8],实证研究也表明相互关联的技术产出促进产业技术扩散[9]。因此,S型曲线饱和约束理论上同时作用于产业整体的技术扩散轨迹,长期制约产业技术发展。对扩散饱和约束的解释集中在企业技术适配成本、后发企业创新资源限制、后发国家技术衰退期进入等方面。饱和约束的存在预言了技术首创落后大国赶超失败的结果,但上述理论建立在对美欧等分散市场的观察基础上,并未纳入中国独特的超大规模市场潜力以及海量数据要素对技术扩散轨迹可能产生的重构效应,从而导致上述悲观预言隐藏了一定理论缺陷。
研究表明,“超大规模需求→高速技术迭代”的正反馈潜力能够降低技术外溢捕获成本、拓展技术扩散空间[10],理论上能够拓展庞大的创新用户群体以拉伸S型扩散曲线、抬高技术扩散饱和约束水平,在技术扩散进程中获得技术赶超条件。虽然大规模市场对创新的促进作用已被广泛验证,但存在理论瓶颈。Aghion等[11]建立了市场规模与创新关系的双重效应框架,但其模型存在线性假设问题,不适应技术扩散S型轨迹分析;Guerzoni[12]通过构建用户成熟度模型,分析后发国家大市场与创新关系,然而其研究中市场规模与消费者交互而非与企业交互,忽略了技术采纳的核心主体即企业;庞瑞芝和李倩楠[13]分析了中国超大规模市场与数据要素互动产生的“飞轮效应”,认为超大规模市场提供丰富应用场景与大规模数据要素结合形成的正反馈效应会成为促进数字技术不断迭代创新的不竭动力,但该研究并未对其内在机制、限制条件和作用渠道进行深入分析。
现有研究普遍支持数据要素能够重塑技术扩散范式的观点。数据要素特有的非竞争性、非排他性和可复制性使其能够通过降低信息成本[14]、促进精准匹配[15]和赋能智能决策[16]三条路径影响技术扩散范式变革。陈昌盛等[17]认为数据要素利用所带来的信息搜集渠道扩充、知识匹配空间增大以及个人知识输出的网络效应溢出会使S型技术扩散曲线向J型转化,然而其建立的技术扩散动态包络线忽略了数据要素与超大规模市场协同促进技术扩散的交互效应,本质上只是S型扩散曲线的拉伸而不是轨迹的重塑。
综上,现有文献主要存在以下方面的理论缺口:①对超大规模市场优势的来源及其如何作用于技术扩散效率提升和技术扩散饱和约束突破的内在机制缺乏深入分析;②缺乏数据要素协同视角下对超大规模市场优势潜力激活机制的分析和理论框架建立;③对超大规模市场与数据要素协同促进技术扩散效率提升和轨迹重构的机制渠道缺乏深入探讨。鉴于此,本文通过分析超大规模市场饱和约束突破效应、数据要素激活市场潜力的协同效应,以及超大规模市场与数据要素协同效应的作用渠道,构建超大规模市场与数据要素协同突破技术扩散饱和约束的统一理论框架,阐释超大规模市场优势向新型产业创新优势转化的理论机制。
2.1.1 边际细分市场的涌现机制
超大规模市场优势的本质是边际细分市场涌现的独特机制。边际细分市场是指产业内异质性需求或偏好尚未被现有相关技术或产品所满足的部分[6]。中国超大规模市场的独特优势在于其制度统一性确保了空间异质性与市场多层级性的交叠效应,催生了边际细分市场的指数级涌现:①制度统一性通过统一产权保护、市场准入等规则消除地理分割,使企业能以统一规则触达全国市场,将空间和市场差异转化为可开发的边际细分市场;②空间异质性体现水平需求分异,自然禀赋差异、区域功能定位差异、核心区规模化需求与边缘区专用化需求差异,推动细分市场涌现;③市场多层级性体现垂直需求分异,消费层级差异驱动技术迭代细分,例如高层级市场饱和后技术向低层级市场渗透、线上线下渠道的结构差异促成场景化技术应用、“专精特新”等产业分工深化促进专业化技术需求细分。在三者的交叠效应下,假定对某技术产品的需求由功能、场景等N个属性定义,每个属性含H个差异化层级,在超大规模市场中,企业面临的潜在需求组合数量是所有属性与状态的乘积,即
随着N和H增大,M会发生“组合爆炸”,即边际细分市场呈现指数级增长。
2.1.2 边际细分市场的创新迭代引致效应
边际细分市场提供的额外利润激励企业主动采纳新知识、拓展原始技术并向新场景应用,将边际细分市场的指数涌现转化为企业技术采纳迭代的指数增长。基于此,引入模型假定:
假定1:边际细分市场引致技术扩散中的创新迭代。假定边际细分市场通过调整企业创新成本影响企业技术采纳和技术创新,设企业创新成本函数为C(si)=f1·si,其中,si为创新投入,f1为创新成本调节系数。同时,假定边际细分市场涌现能够通过潜在需求规模扩张和市场可达性增强提高需求确定性以降低创新试错成本,即设f1=f0·e-αM。其中,M为企业面临的边际细分市场,e-αM反映边际细分市场的指数级涌现;α为成本调节弹性,f0为基准的成本系数。
由于边际细分市场的潜在性,需要对其展开进一步的理论阐释和数理描述。Harris[18]的市场潜力函数中的可达性测度对边际细分市场涌现本质有较好的描述。地理距离加权本质上反映了超大规模市场基于空间异质性的水平市场分异,在此基础上,进一步采用由经济和地理双重距离加权测度的市场潜力指标改进市场潜力函数。调整后的市场潜力指标能够同时反映市场潜力在空间和经济层面的双重差异,且“可达性”测度方式表明边际细分市场的需求潜在性,因此是对边际细分市场本质属性的合理捕捉。综上,构建反映边际细分市场的市场潜力指标为:
(1)
其中,k和g代表城市;G为城市总量;τ为距离衰减参数;MPk为城市k面临的市场潜力,定义MPk=Mk,即以市场潜力反映城市k的边际细分市场;I为城市社会消费品零售总额;Wk为城市k的内部距离,且
为城市k的建成区面积;Vkg为城市k与城市g间的加权距离,Vkg=ψEkg+(1-ψ)dkg。其中,Ekg为城市k与城市g之间的经济距离,采用城市k与城市g的人均GDP差值的绝对值衡量;dkg为城市k与城市g之间的地理距离,采用城市k与城市g之间的球面距离衡量;ψ=0.5。在企业层面,若企业i属于城市k,则定义企业i面临的市场潜力MPi=MPk。基于此,超大规模市场通过f1=f0·e-αMPk参与企业技术扩散。
2.2.1 数据要素的边际细分市场激活效应
作为关键的信息载体,数据要素能够克服信息摩擦、精准识别边际细分市场:①大数据聚类算法可在无预设边界下自动发现有相似特征的客户群体,揭示传统划分无法覆盖的潜在边际细分市场;②大数据分析能通过消费关联和行为序列分析揭示用户的具体需求偏好及隐藏关联,预测技术需求趋势;③数据要素近乎零的边际复制成本和网络效应使得服务众多小规模边际市场的总收益变得可观。由于数据要素作为生产要素参与企业生产的主要方式是赋能其他生产要素并提升其产出效率[19],故引入如下假定:
假定2:数据要素具有生产要素赋能和技术改进效应。假定异质性企业服从Melitz[20]模型的生产技术:l(φ)=f+(q/φ)。此时,假定数据要素通过生产要素赋能形式改善企业生产技术,即有
其中,l为企业劳动要素投入;φ为企业生产率且服从帕累托分布;f为企业固定生产成本,包含市场进入成本;Di为企业数据要素强度,ζ>0为数据要素产出弹性。上式可进一步改写为:l(φ*)=f+q/φ*。
2.2.2 超大规模市场与数据要素协同的技术扩散轨迹重构
本文基于前文两个核心假定构建理论模型,反映其内在机制。首先,为了引入企业异质性,采用Melitz[20]的研究框架作为基准模型。需求侧采用CES效用函数
其中,q(ω)为产品ω的消费量;σ>1为产品间替代弹性,企业面临不变弹性需求曲线。供给侧采用假定2给出的企业生产技术函数
同时,为了考察企业技术扩散轨迹,引入企业参与技术扩散的动态方程。Bass[21]提供了S型扩散曲线的建模基础,但该模型中市场规模为外生常数,无法衡量技术市场动态性,且缺少微观企业扩散机制的设定。借鉴其基于Logistic模型的构造方法,构建本文的基准技术扩散曲线:
(2)
其中,
表示技术扩散过程推动的企业生产率增长;γ为企业技术吸收效率;
为企业创新投入且边际收益递减;φmax为行业技术前沿。技术扩散的S型路径受技术缺口驱动:技术采纳初期,φi较低,技术缺口较大,生产率增速接近
呈线性或指数增长;技术采纳中期,φi增大,技术缺口缩小,在同等创新投入强度下生产率增长加速;技术采纳后期,φi→φmax,技术缺口趋于0,生产率增长停滞并达到稳态。从形式上看,式(2)加入了企业为弥合与边际细分市场需求之间的技术缺口而进行的创新努力si,用以反映与技术迭代相融合的技术扩散。从理论上看,模型反映了创新理论对创新异质性下技术扩散特征的判断:如果模仿者在原始创新基础上加以改进,即自己也成为创新者,就有更大可能实现目标。
对模型进行最优化求解。在技术扩散进程中,企业通过决定创新投入以实现技术扩散下的利润最大化,则企业面临如下最优化问题:maxsi[π(φ*+Δφ)-π(φ*)-C(si)]。对利润增量进行一阶泰勒展开并整理得到:
其中,垄断竞争企业的边际利润可基于Melitz模型得到:
求出企业的最优创新投入
代入式(2),得到企业i面临的技术扩散动态方程:
再代入
且r(φ*)∝φ*(σ-1),可得到企业i的技术扩散动态方程如下:
(3)
式(3)反映了超大规模市场与数据要素协同的技术扩散效应突破机制。传统技术扩散轨迹由S型轨迹因子驱动,存在技术扩散饱和约束(见图1中轨迹a)。超大规模市场中存在边际细分市场的指数级涌现机制(eαMPk),但边际细分市场是潜在需求,需要企业通过数据要素利用加以激活(Di=0时,d(dφi/dt)/dMPk=0)。数据要素具有扩散轨迹拉伸效应,但如果没有超大规模市场的参与(eαMPk=0),数据要素的幂函数形式反映了其对技术扩散曲线仅存在拉伸效应而无法突破饱和约束(见图1中轨迹b)。当超大规模市场与数据要素协同时,数据的零边际复制成本使其承载的技术成果几乎能以零成本方式覆盖全域市场,技术迭代的收益随使用规模扩大而无限递增,使得企业能以低成本持续拓展边际细分市场;同时,数据的累积性使每一次技术扩散都为下一次边际创新提供更丰富的技术信息和需求信息支撑,形成“扩散-迭代-扩散”的自我强化机制,促使企业技术扩散轨迹突破饱和约束(见图1中轨迹c)。这符合中国新能源汽车、5G等产业利用智能革命时代链条短、反馈强的技术—市场互动机制,实现与技术迭代相融合的技术扩散模式。
图1 技术扩散轨迹重构
Fig.1 Reconstruction of technology diffusion trajectory
基于以上理论分析,提出如下研究假设:
H1a:超大规模市场具有突破企业技术扩散饱和约束、重构扩散轨迹、推动技术持续迭代的潜在效应;
H1b:超大规模市场的技术扩散突破效应依赖市场与企业数据要素利用产生协同。
传统技术扩散理论忽视企业自身技术吸收效率对其技术扩散效率的影响,本文从技术扩散的“识别—转化—应用”三阶段出发,探讨超大规模市场与数据要素协同效应的作用渠道。
(1)人工智能渗透。在技术识别阶段,吸收能力理论强调[22],企业识别、消化外部知识的能力依赖先验积累。超大规模市场衍生的海量数据为AI模型优化提供了关键的训练素材。企业利用算法高效解码与评估数据价值,强化了技术识别能力,加速知识获取与技术采纳。
(2)创新知识整合。在技术转化阶段,市场潜力扩大带来的主体和场景扩张要求企业跨越单一技术边界,主动重组多元知识。数据要素能够降低跨主体知识获取成本[23],助力企业构建宽广的知识基础,形成跨领域解决方案储备,降低创新知识转化为产品及技术迭代的边际成本。
(3)创新协同网络构建。在技术应用阶段,作为技术扩散的关键环境载体,协同网络促进新技术不断改进以适应不同环境需要与吸引更广泛的采纳者[24]。边际细分市场的技术改进需求驱动企业增强网络嵌入性,高效开展数据共享、标准制定与联合研发,从而放大市场潜力与数据要素的协同效应。
基于上述分析,提出以下研究假设:
H2:市场潜力与数据要素的协同效应通过企业人工智能渗透、创新知识整合和创新协同网络构建三种中介渠道作用于技术扩散饱和约束突破和轨迹重构。
综上所述,本文构建理论框架如图2所示。
图2 理论框架
Fig.2 Theoretical framework
为了对研究假设进行检验,本文构建计量模型如下:
Tit=α+βMPit+X'itγ+λi+μt+εit
(4)
Tit=α+β1MPit×DTit+β2MPit+β3DTit+X'itγ+λi+μt+εit
(5)
其中,式(4)是对超大规模市场潜力单独作用于企业技术扩散效率的效应检验;式(5)是对式(3)取对数线性化后的检验方程,检验市场潜力与数据要素对企业技术扩散效率的协同效应。Tit为企业i在t年的技术扩散效率;MPit为企业i在t年面临的超大规模市场潜力;DTit为企业i在t年的数据要素利用强度;X'it为控制变量;λi为企业固定效应,μt为时间固定效应;εit为扰动项。
(1)被解释变量。基于理论分析,智能时代超大规模市场与数据要素协同催生的技术扩散应呈现为与技术迭代相融合的技术扩散,它包含两个部分:一是企业为了满足边际细分市场需求不断采纳新的技术知识,二是在不断采纳新技术知识的过程中增加的创新产出。前一部分采用专利被引用量衡量,后一部分采用专利数量衡量。具体而言:首先,Jaffe等[25]引入专利引用量衡量技术扩散,而发明专利相较其他类型专利,其技术吸收有更显著的技术迭代意义,加之技术知识从采纳到吸收通常存在一定时滞,因此本文取被引用专利申请后的t+1至t+3时期为窗口期,在企业层面加总企业发明专利被引用量(PC),加1取对数后反映技术扩散过程的技术知识采纳部分。其次,Eaton等[26]采用专利申请数研究技术的全球流动和扩散,其方法与技术采纳过程中产生技术迭代的思想一致。本文选取企业当年独立申请的发明专利数量加1取对数(IPT)作为被解释变量。此外,由于发明专利不一定产生颠覆性技术影响,为考察协同效应是否推动颠覆性技术产生,参考郑世林等[27]的方法,根据《产业基础创新发展目录》筛选出属于关键核心技术的专利,对其数量汇总后加1取对数作为企业关键核心技术创新(CT)加入被解释变量。
(2)解释变量。①市场潜力(MP),采用式(1)计算。②数据要素(DT),参考吴非等[28]的做法,对上市公司MD&A报告进行提取,构建包含76个数据要素关键词汇的企业数据要素利用术语词典,将关键词汇扩充到Python的jieba库,去除停顿词后统计词频加1取对数,以测度企业数据要素强度。同时,为了缓解多重共线性问题,在构建市场潜力与数据要素交互项时对二者进行中心化处理。
(3)控制变量。从企业、行业和城市三个层面选取可能对企业技术扩散产生影响的控制变量。企业层面控制企业规模(Size)、企业年龄(Age)、资产负债率(DA)、流动比率(Cur)、所有权性质(Own)、资产回报率(ROA)、现金比率(Cash)、第一大股东持股比率(Top)和总资产周转率(AT)。行业层面控制赫芬达尔指数(HHI)和产业结构高级化指数(Adv)。城市层面控制人均GDP(GDP)、金融发展程度(FD)、对外开放程度(OP)和政府干预程度(GV)。
本文选取2009-2024年制造业上市公司面板数据作为样本。专利引用数据来自中国专利数据库上市公司专利引用明细数据,企业专利数据来自国家知识产权局专利数据与上市公司股票代码的匹配。城市层面数据来自《中国城市统计年鉴》和各城市统计年鉴。将以上数据与上市公司股票代码进行匹配后:①剔除金融业上市公司和ST、PT上市公司;②剔除被解释变量和核心解释变量数据大量缺失的样本;③对城市层面涉及货币价值的控制变量取对数形式;④对所有核心变量进行1%水平的缩尾处理。
4.1.1 单一效应回归
表1为检验市场潜力对企业技术扩散单一效应的回归结果。结果显示,市场潜力对企业专利被引用量、发明专利数与核心技术专利数均具有潜在正向效应,边际细分市场有促进企业技术知识传播和技术更新迭代的倾向,但单一效应不显著,反映出边际细分市场技术扩散效应的潜在性。此外,发明专利和关键核心技术专利为高技术水平专利,而市场潜力对二者回归系数的绝对值均较高,表明超大规模市场优势的关键导向是推动高水平技术扩散迭代。边际细分市场的大量涌现为摊薄高水平技术的扩散迭代成本以及快速吸纳技术产品提供了独特优势,使超大规模市场相较于分散市场有强大的高水平技术驱动潜力。
表1 市场潜力单一效应回归结果
Table 1 Regression results of the single effect of market potential
变量(1)(2)(3)PCIPTCTMP0.037 70.205 40.244 5(0.207 4)(0.228 4)(0.205 1)控制变量是是是企业固定效应是是是年份固定效应是是是观测值7 20910 92910 271R20.594 40.279 90.189 6
注：括号内是聚类到企业层面的稳健标准误,下同
4.1.2 协同效应回归
表2为检验市场潜力与数据要素协同效应的回归结果。市场潜力与数据要素交互项MP×DT系数在三组回归结果中均显著为正,验证了假设H1a和H1b。加入数据要素前市场潜力的单一效应不显著,而加入数据要素交互项后,超大规模市场能够显著发挥对企业技术扩散的促进效应,并且从系数绝对值来看,该协同效应远强于数据要素对企业技术扩散的单一效应。这表明超大规模市场作用于企业技术扩散的优势需要数据要素的协同参与,换而言之,面对巨大的市场潜力,企业积极推动数字化转型、提升数据要素利用水平,能够激活超大规模市场促进技术扩散的潜在优势,同时,能进一步通过数据要素与超大规模市场之间的“飞轮效应”强化这种优势。
表2 市场潜力与数据要素协同效应的回归结果
Table 2 Regression results of the synergistic effect of market potential and data elements
变量 (1)(2)(3)PCIPTCTMP×DT0.107 5**0.163 9***0.163 9***(0.049 8)(0.053 7)(0.049 1)MP0.045 40.190 20.224 2(0.203 8)(0.227 7)(0.202 3)DT0.057 2***0.048 8**0.068 6***(0.013 3)(0.019 2)(0.016 8)控制变量是是是企业固定效应是是是年份固定效应是是是观测值7 20910 91410 263R20.600 20.283 20.195 2
注：*、**、***分别表示10%、5%、1%水平上显著,下同
4.1.3 扩散效应累积曲线
进一步绘制基于协同效应分组的专利引用和专利数量累积曲线,可直观地观察不同协同效应强度下技术知识传播和技术迭代的累积动态,以考察饱和约束突破和扩散轨迹重构。将企业专利数量按核心交互项的25%、50%、75%和100%分位数分为Group 1～Group 4,分别绘制其随时间的增长动态如图3所示。受协同效应影响显著的组别,其技术扩散累积呈现更快的加速,相较于交互效应弱的组别也呈现出更显著的扩散轨迹J型重构趋势,表明边际细分需求在有更强的数据要素协同时能被企业更精准地捕获,企业为了满足这些潜在需求、获取超额利润,会进行更广泛的技术采纳和更高效的技术更新迭代,使技术扩散突破市场饱和限制,实现扩散轨迹重构。
图3 扩散效应累积曲线
Fig.3 Cumulative curves of diffusion effect
上述结果中超大规模市场的技术扩散效应可能存在内生性问题。企业技术扩散可能通过技术突破或产品升级重塑市场需求结构,进而对市场潜力产生反向促进作用。本文采用DID模型检验结果内生性。对于处理组变量,由于面临更大的市场潜力,意味着企业将更显著地受到全国统一大市场政策的影响,若企业当年面临的市场潜力为当年全样本市场潜力的前20%,则处理组变量Treatit为1,否则为0。对于处理期变量,样本期内2015年8月19日国务院常务会议提出坚决清除妨碍全国统一大市场建设的各种“路障”,同时,审议通过《促进大数据发展的行动纲要》,并部署推广和加快落实“互联网+流通”行动计划,推广电子商务等结合统一大市场优势与大数据红利的新兴流通方式,这是全国统一大市场建设与数据要素政策首次实现战略协同的关键年份,预期对同时具有高数据要素强度和高市场潜力的企业产生更显著的处理效应。因此,取2015年及之后的处理期变量Postit=1,否则Postit=0。基于此,构建DID模型如下:
Tit=α+β1DIDit×DTit+β2DIDit+β3DTit+X'itγ+λi+μt+εit
(6)
其中,DIDit=Treatit×Postit。由于模型中引入企业个体固定效应λi和时间固定效应μt,故不再单独引入Treatit和Postit的主效应。回归结果如表3所示,与表2结果高度一致,表明基准回归通过内生性检验。该结果还反映出,独立的全国统一大市场建设政策可能建立和激发超大规模市场的规模效应,但为了能够同时释放超大规模市场的技术扩散优势,需要将“大市场”与“大数据”相关政策进行有机结合、共同发力。
表3 DID模型回归结果
Table 3 Regression results of the DID model
变量(1)(2)(3)PCIPTCTDID×DT0.069 5**0.078 1**0.119 8***(0.027 1)(0.035 6)(0.032 8)DID0.064 80.065 70.049 8(0.045 3)(0.063 6)(0.055 7)DT0.025 6*0.073 7***0.048 2**(0.014 5)(0.025 1)(0.023 0)控制变量是是是企业固定效应是是是年份固定效应是是是观测值6 2198 8478 847R20.629 00.277 00.150 3
DID模型的无偏估计依赖于平行趋势假设,因此本文采用事件研究法,以2015年为政策效应起始年份,对处理组和控制组开展平行趋势检验,结果见图4。可以发现,政策处理效应开始前的年份,处理效应置信区间都包含0,表明处理组与控制组存在处理前的平行趋势;处理效应开始及后续年份,处理效应置信区间都显著异于0,表明处理效应系数的显著性合理,模型通过平行趋势检验。
图4 平行趋势检验
Fig.4 Parallel trend test
本文采用替换核心变量的方式进行稳健性检验,对于被解释变量:一是将专利被引用量替换为剔除企业专利自引的专利他引量;二是技术扩散的创新迭代部分核心关注有实质性扩散价值的企业专利,因此关键核心技术创新(CT)可作为发明专利(IPT)基于更细致测度方法的稳健性检验工具。对于解释变量:①将市场潜力测度中的加权距离替换为Harris市场潜力函数经典设定中的地理距离;②将数据要素测度替换为采用技术分类、组织赋能、数字化应用等类别下139个相关词频的测度结果进行检验。检验结果与基准回归一致,表明上述结论具有稳健性。
本文进一步考虑协同效应对实用新型专利和外观设计专利影响的异质性。表4选取上市公司当年独立申请的实用新型专利数量(UPT)和当年独立申请的外观设计专利数量(DPT),然后分别加1取对数作为被解释变量以考察协同效应影响的异质性。结果表明:①实用新型专利的交互项回归系数为负且不显著。这是因为边际细分市场是异质性需求或偏好尚未被现有技术或产品所满足的部分,而实用新型专利通常为“小发明”,侧重已有技术的自我优化,对需求的高技术和异质性拓展捕捉不足。边际细分市场的大量涌现使得对高技术和需求异质性的要求不断提升,因此其对实用新型这类“小发明”的驱动作用减弱,甚至在统计层面表现为负效应倾向。②外观设计专利的交互回归系数显著为正,印证边际细分市场的差异化效应,即空间异质性与市场多层级性的交叠促进差异化偏好大量涌现,激发对个性化偏好敏感的外观设计专利大量产生。
表4 异质性检验回归结果
Table 4 Regression results of heterogeneity test
变量 (1)(2)UPTDPTMP×DT-0.046 90.100 6**(0.047 2)(0.045 5)MP-0.286 50.113 1(0.213 1)(0.149 3)DT0.018 00.046 1***(0.019 8)(0.017 0)控制变量是是企业固定效应是是年份固定效应是是观测值10 91410 914R20.371 00.104 6
人工智能渗透、创新知识整合和创新协同网络构建是市场潜力与数据要素的协同创新效应促进技术扩散轨迹重构的三种重要渠道。为进行作用渠道检验,本文构建中介效应模型如下:
(7)
其中,Zit为中介变量,分别表示人工智能渗透、创新知识整合和创新协同网络构建。式(7)中的①与式(5)一致,因此主要关注式(7)中②③的结果。
对于人工智能渗透,参考姚加权等[29]的做法,根据上市公司年报MD&A文本内容对73个人工智能相关词频进行统计,汇总后加1取对数衡量企业人工智能渗透(AI)。渠道检验根据式(7)做逐步回归。考虑到企业的人工智能应用可能反向作用于企业数据要素获取和市场潜力发掘,回归中对市场潜力和数据要素变量采取滞后一期处理,分别用L.MP和L.DT表示,得到结果如表5所示。结果表明,市场潜力与数据要素的协同效应能够显著促进企业人工智能渗透,并且在专利被引用量、发明专利和关键核心技术专利的回归中市场潜力与数据要素交互项系数、企业人工智能渗透系数都显著为正,说明渠道效应在这几类技术扩散活动中均成立。原因是,企业实现人工智能迭代需要来自大市场的丰富应用场景和以数据要素为“燃料”的大规模训练数据支撑,同时,人工智能技术是人工智能时代促进企业技术创新和产业技术扩散的重要通用型技术基础,通过整合数据资源和挖掘市场潜力增强企业技术吸收能力,进而提升企业技术扩散效率。
表5 人工智能渗透渠道检验结果
Table 5 Channel test results of AI penetration
变量 (1)(2)(3)(4)AIPCIPTCTAI0.062 5***0.094 4***0.080 2***(0.019 1)(0.028 5)(0.027 2)L.MP×L.DT0.292 5***0.157 6**0.224 8***0.160 2**(0.056 4)(0.072 8)(0.080 3)(0.077 6)L.MP0.111 70.110 70.289 60.427 0(0.176 5)(0.201 6)(0.310 6)(0.262 1)L.DT0.181 3***0.027 4**0.037 3*0.037 9*(0.017 7)(0.013 9)(0.022 0)(0.022 3)控制变量是是是是企业固定效应是是是是年份固定效应是是是是观测值6 2675 4736 2676 267R20.230 50.584 60.223 40.121 5
对于创新知识整合,本文借鉴张杰等[30]的企业专利知识宽度测算方法测度企业创新知识整合(KI)。专利知识宽度指标越大,反映企业整合各类创新知识的能力越强。采用式(7)逐步回归,结果如表6所示。可以发现,市场潜力与数据要素的协同效应能够促进企业创新知识整合,同时,在企业专利被引用量、发明专利和关键核心技术专利的回归结果中创新知识整合的渠道作用均成立,表明企业创新知识整合是市场潜力与数据要素协同促进企业技术扩散效率提升和扩散轨迹重构的重要机制。原因是市场潜力扩张能够为企业技术扩散效率提升提供丰富的应用场景需求,数据要素则能通过跨平台、跨主体的知识和资源共享降低企业多领域知识获取成本,从而整合多元化知识以满足异质性需求,实现边际细分市场拓展。因此,企业对创新知识的整合是市场潜力与数据要素协同效应的重要作用渠道。
表6 创新知识整合渠道检验结果
Table 6 Channel test results of innovative knowledge integration
变量 (1)(2)(3)(4)KIPCIPTCTKI0.081 4**0.727 0***0.179 6***(0.035 2)(0.061 9)(0.049 0)MP×DT0.029 2***0.089 6**0.141 6***0.200 9***(0.008 0)(0.041 0)(0.053 3)(0.049 3)MP0.047 50.151 60.330 80.426 9*(0.042 1)(0.198 1)(0.278 8)(0.233 3)DT0.008 2**0.058 7***0.045 0**0.067 8***(0.003 5)(0.012 9)(0.019 6)(0.017 6)控制变量是是是是企业固定效应是是是是年份固定效应是是是是观测值9 0806 9529 0809 080R20.119 90.613 50.271 80.148 6
对于创新协同网络,参考刘斐然等[31]的方法,基于国家知识产权局上市公司的专利申请数据,通过关键词检索对专利申请人信息进行筛选,将上市公司与高校、科研院所联合申请的专利定义为产学研合作专利。若企业在当年的创新活动中存在产学研合作专利申请,则认为企业加入创新协同网络,记为CNit=1,否则记CNit=0。CN作为中介变量加入式(7)的回归中。由于CN为离散变量,因此式(7)中的②采取面板Logit模型进行回归,结果如表7所示。结果表明,市场潜力与数据要素的协同效应能够促进企业加入创新协同网络,同时,这一渠道效应在三组回归中均成立,验证了企业加入的创新协同网络在突破“卡脖子”技术和实现产业颠覆性技术创新方面具有重大价值。原因是,随着技术创新趋于复杂化和多元化,创新知识传递在企业边际创新实现过程中的重要性日益凸显,创新协同网络缩短了创新知识传递路径,为企业技术交流和创新协作提供了平台;市场潜力扩张能扩大企业创新协作空间,而数据要素引入则通过管理云、研发云、生产云等新型创新合作模式,进一步促进企业创新协同网络构建与完善。
表7 创新协同网络构建渠道检验结果
Table 7 Channel test results of innovation synergy networks
变量 (1)(2)(3)(4)CNPCIPTCTCN0.053 1**0.124 1***0.091 9*(0.024 7)(0.046 6)(0.049 9)MP×DT1.083 4***0.177 7*0.203 6**0.248 0***(0.307 2)(0.091 5)(0.091 1)(0.086 6)MP2.168 4*0.143 50.549 30.457 2(1.221 6)(0.252 5)(0.387 9)(0.337 3)DT0.193 8*0.025 30.032 40.022 9(0.113 8)(0.015 8)(0.025 9)(0.026 0)控制变量是是是是企业固定效应是是是是年份固定效应是是是是观测值1 6943 0574 0034 003R20.608 40.172 90.110 3
技术扩散成为新一轮科技革命下大国创新优势的关键支撑条件。超大规模市场是推动中国产业技术扩散升级的天然优势载体。本文聚焦超大规模市场促进产业技术扩散升级的内在逻辑,基于边际细分市场涌现机制,分析在以大数据为根基的智能革命时代超大规模市场与数据要素协同重塑企业技术扩散模式的作用机制,并构建理论模型对其进行分析和阐释。本文突破传统技术扩散理论和需求引致创新理论的存量市场规模观点,从“结构观”视角为理解超大规模市场优势的本质提供了理论参考。基于2009-2024年制造业上市公司数据,本文对理论模型和研究假设进行实证检验。结果表明,超大规模市场优势具有突破企业技术扩散饱和约束、重构扩散轨迹、推动技术持续迭代的潜在效应,且上述效应依赖数据要素协同,同时,为实现协同效应探寻到人工智能渗透、创新知识整合和创新协同网络构建三种作用渠道,进而为推动技术扩散升级实践提供参考。本文研究获得如下政策启示:
(1)深化超大规模市场与数据要素协同配置,激活产业技术扩散内生动力。研究结果表明,超大规模市场与数据要素协同能有效突破企业技术扩散约束、推动技术迭代升级。据此,应引导产业依托工业互联网平台打通研发、生产、销售全链条数据通道,将细分市场需求数据转化为技术研发与工艺优化方向,开展数据驱动的柔性生产与精准适配的研发。同时,深入推进“数据要素×工业制造”行动,统一跨行业工业数据标准,搭建行业级可信数据空间与需求数据服务平台,推动链主企业开放产业链数据资源,促进需求信号向研发端高效传导,形成市场牵引与技术扩散互促的良性格局。
(2)聚焦三大传导渠道精准施策,提升产业技术扩散与创新迭代实效。本研究发现,人工智能渗透、创新知识整合、创新协同网络构建是超大规模市场与数据要素发挥协同效应的核心渠道。基于此,首先,加快落实“人工智能+制造”专项行动,推广轻量化工业AI模型与普惠算力服务,打造一批制造业AI典型应用场景。其次,强化创新知识整合转化,搭建制造业专利技术共享与转化平台,完善知识产权开放许可机制,助力产业整合多元技术知识、适配差异化市场需求,降低技术扩散的信息与转化成本。最后,完善产学研协同创新体系,支持产业联合高校、科研机构共建制造业创新中心与中试平台,鼓励链主企业牵头组建创新联合体,推动创新资源沿产业链梯度配置,提升协同研发与技术扩散效率。
(3)依托边际细分市场优势培育专精特新能力,拓展产业技术应用新空间。研究表明,边际细分市场涌现是我国超大规模市场的核心特征,也是突破技术扩散饱和约束的关键支撑。应不断优化优质中小企业梯度培育机制,通过重大装备示范应用、首批次新材料推广、政府采购首购首用等政策,支持产业深耕特种装备、精密加工、定制化生产等细分领域,扩大差异化技术需求市场规模。产业可聚焦细分赛道,强化数据挖掘与技术攻关,精准捕捉未被满足的市场需求,开发专用化、差异化技术产品,通过需求发掘、技术迭代、场景开拓的持续循环,依托细分市场构筑竞争优势,以多点突破带动整体产业技术扩散效率提升。
[1] AKAEV A, PANTIN V. Technological innovations and future shifts in international politics[J].International Studies Quarterly, 2014,58(4):867-872.
[2] BENHABIB J,PERLA J,TONETTI C. Reconciling models of diffusion and innovation:a theory of the productivity distribution and technology frontier[J].Econometrica,2021,89(5):2261-2301.
[3] KALYANI A,BLOOM N,CARVALHO M,et al. The diffusion of new technologies[J].The Quarterly Journal of Economics,2025,140(2):1299-1365.
[4] DING J. Technology and the rise of great powers:how diffusion shapes economic competition[M].Princeton:Princeton University Press,2024.
[5] 贺俊. 新兴技术产业赶超中的政府作用:产业政策研究的新视角[J].中国社会科学,2022,43(11):105-124,206-207.
[6] 李娅,官令今. 从“市场换技术”到“市场育技术”:超大规模市场赋能的空间逻辑与培育机制[J].思想战线,2025,51(3):128-136.
[7] ROGERS E M. Diffusion of innovations[M].3rd ed. New York:Collier Macmillan,1962.
[8] DOSI G. Technological paradigms and technological trajectories[J].Research Policy,1982,11(3):147-162.
[9] 宋悦,张安然.平台生态系统如何助力低碳技术创新扩散——基于技术架构视角[J].科技进步与对策,2025,42(10):25-37.
[10] LIU Y,WEI T. Market and non-market policies for renewable energy diffusion:a unifying framework and empirical evidence from China's wind power sector[J].The Energy Journal,2016,37(1S):195-210.
[11] AGHION P,BERGEAUD A,LEQUIEN M,et al. The heterogeneous impact of market size on innovation:evidence from French firm-level exports[J].Review of Economics and Statistics,2024,106(3):608-626.
[12] GUERZONI M. The impact of market size and users' sophistication on innovation:the patterns of demand[J].Economics of Innovation and New Technology,2010,19(1):113-126.
[13] 庞瑞芝,李倩楠. 超大规模市场、数字技术与新质生产力[J].学术界,2024,39(4):25-40.
[14] 郑坚铭,张丽娜. 数字规制政策、知识产权保护与技术创新扩散[J].科技进步与对策,2025,42(4):100-109.
[15] 谢康,夏正豪,肖静华. 大数据成为现实生产要素的企业实现机制:产品创新视角[J].中国工业经济,2020,37(5):42-60.
[16] SOURATI J,EVANS J. Accelerating science with human versus alien artificial intelligences[J].Nature Human Behaviour,2023,7(10):1682-1696.
[17] 陈昌盛,许伟. 数字宏观 数字时代的宏观经济管理变革[M].北京:中信出版集团股份有限公司,2022.
[18] HARRIS C D. The market as a factor in the localization of industry in the United States[J].Annals of the Association of American Geographers,1954,44(4):315-348.
[19] JONES C I,TONETTI C. Nonrivalry and the economics of data[J].American Economic Review,2020,110(9):2819-2858.
[20] MELITZ M J. The impact of trade on intra-industry reallocations and aggregate industry productivity[J].Econometrica,2003,71(6):1695-1725.
[21] BASS F M. A new product growth for model consumer durables[J].Management Science,1969,15(5):215-227.
[22] COHEN W M,LEVINTHAL D A. Absorptive capacity:a new perspective on learning and innovation[J].Administrative Science Quarterly,1990,35(1):128.
[23] ARORA A,BELENZON S,PATACCONI A. The decline of science in corporate R&D[J].Strategic Management Journal,2018,39(1):3-32.
[24] NELSON R R. Why and how innovations get adopted:a tale of four models[J].Industrial and Corporate Change,2004,13(5):679-699.
[25] JAFFE A B,TRAJTENBERG M,HENDERSON R. Geographic localization of knowledge spillovers as evidenced by patent citations[J].The Quarterly Journal of Economics,1993,108(3):577-598.
[26] EATON J,KORTUM S. International technology diffusion:theory and measurement[J].International Economic Review,1999,40(3):537-570.
[27] 郑世林,汉馨语,郭锡栋,等. 国家战略科技力量与企业关键核心技术突破——来自国家和省级重点实验室的证据[J].中国工业经济,2024,42(9):62-80.
[28] 吴非,胡慧芷,林慧妍,等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(7):130-144.
[29] 姚加权,张锟澎,郭李鹏,等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J].管理世界,2024,40(2):101-116,133.
[30] 张杰,郑文平. 创新追赶战略抑制了中国专利质量么 [J].经济研究,2018,53(5):28-41.
[31] 刘斐然,胡立君,范小群. 产学研合作对企业创新质量的影响研究[J].经济管理,2020,42(10):120-136.