The Nonlinear Relationship Between Internal Digital Governance and Scientific and Technological Innovation Capability in Universities

Feng Shaodan1,2

(1.Faculty of Education, Henan Normal University, Xinxiang 453000, China;2.School of Humanities and Law, Zhengzhou University of Aeronautics, Zhengzhou 450046, China)

Abstract：The digital economy has placed digital technology at the core of national competitiveness. Universities occupy a dual role as strategic scientific forces and living laboratories of digital governance. Yet two decades of informatization have left persistent obstacles: system construction outpacing operational integration, entrenched data silos, and creeping digital bureaucracy, which together obscure the link between digital governance and research output. Empirical work on digital governance and innovation focuses largely on firms and government agencies, leaving universities under-examined. Open questions include whether the association turns rather than rises steadily, how regional ecosystems and authority structures bend the curve, and how far research administration informatization translates reform into bench-level practice.

To work through these puzzles, the study leans on four theories: organizational information processing, structural inertia, loose coupling, and institutional theory. Wider information-processing capacity ought to sharpen coordination, yet once business processes are hardwired into digital systems they can stiffen into inertia, and loose coupling paired with a gap between form and substance weakens whatever signal travels from governance reform down to actual scientific practice. The analysis rests on cross-sectional data covering 483 Chinese universities, pieced together from the Grendep University 360-Degree Panoramic Data Platform, the 2023 Report on Informatization Development of Chinese Universities, and details gathered from institutional websites. Six proxy indicators, among them system coverage, database applications, service portals, unified authentication, and cross-departmental data exchange, capture the level of internal digital governance, and the entropy weight method aggregates them into a single score. To capture potential nonlinearity, the baseline regression includes both a linear and a quadratic term. Endogeneity is addressed through two-stage least squares, with provincial internet penetration and the digital economy development index serving as instruments. Confidence intervals for the indirect component are derived from the bias-corrected percentile bootstrap. A series of robustness checks, encompassing broader outcome measures, principal component analysis, winsorization, and an extended set of controls, then tests whether the core structural parameters remain stable.

Internal digital governance and university innovation capability turn out to trace a significant inverted-U. Across a moderate band of governance the two climb together, but once a discernible turning point is passed the gains flatten and can slip into negative territory, a sign that piling on systems and the coordination they demand may cancel the very efficiency digitalization was meant to deliver. The two-stage least squares estimates keep both the sign and the significance of the quadratic term, and the curve holds its shape through the robustness checks. Splitting the sample by context sharpens the reading. The pattern stands out for universities in the eastern and central regions and for those whose informatization answers to a president-level leader, yet it never reaches significance in the western, northeastern, and Double First-Class subsamples, much as arguments about ecosystem maturity, loose coupling, and where strategic authority sits would lead one to expect. Unpacking the mediation confirms that research administration informatization operates as one channel among several: its indirect share is statistically real but small relative to the direct link.

This study makes three contributions. First, by incorporating a quadratic term, it moves beyond the linear specifications and provides evidence for a nonlinear relationship between digital governance and performance in higher education. Second, the combination of instrumental-variable estimation with robustness checks mitigates endogeneity concerns that otherwise undermine causal inference in cross-sectional designs. Third, bias-corrected bootstrap confidence intervals for the indirect effect advance mediation analysis from a binary significance test to a quantitative assessment of the intermediate channel's actual magnitude. For practitioners, the findings caution against accumulating digital systems indiscriminately. Universities benefit more from strategies tailored to their regional digital ecosystems, resource endowment, and internal governance structure, and from ensuring that redesigned research-administration processes genuinely penetrate researchers' daily workflows.

Key Words：Internal Digital Governance; Scientific and Technological Innovation Capability in Universities; Association Structure; Inverted U-shaped Relationship; Research Management Informatization

收稿日期：2026-04-15

修回日期：2026-07-02

基金项目：国家社会科学基金高校思政课研究一般项目(23VSZ136);河南省软科学研究计划项目(252400410406)

作者简介：冯韶丹(1990—),女,河南郑州人,河南师范大学教育学部博士研究生,郑州航空工业管理学院文法学院副教授,研究方向为教育领导与管理。

DOI：10.6049/kjjbydc.D62026040359

开放科学(资源服务)标识码(OSID)：

中图分类号：G647

文献标识码：A

文章编号：1001-7348(2026)19-0149-12

0 引言

习近平总书记在二十届中共中央政治局第五次集体学习时强调,“教育数字化是我国开辟教育发展新赛道和塑造教育发展新优势的重要突破口”。数字经济正在以前所未有的广度与深度影响经济与国家竞争格局,数字科技已成为驱动社会生产方式、生活方式和治理方式变革的关键变量[1]。大学作为科技创新体系甚至国家战略科技力量的重要组成部分,在数字化革命浪潮之中,成为孕育先进数字科技、用数字科技驱动自身治理效能以更好地服务自身使命的领地与前沿阵地。大学承担着科技创新的使命,科技范式、科技效率、科技生态都受到数字科技的重塑,其以要素投入、资本投入驱动的创新模式将加快向以数据、算力和算法驱动、协同高效治理驱动、智慧驱动模式转变[2]。

现实层面的转型路径难以一蹴而就。多数高校历经20余年信息化建设之后已基本越过“数字校园”阶段,在基础设施与应用系统层面虽已累积相当规模的存量资源,但向数据驱动的“智慧校园”与现代化治理能力跃迁却面临多重制约。“重建设、轻治理”的取向较为普遍,资金大量投入到系统建设与平台构建环节,数据资产盘活、数据质量保障与数据流通实现等治理性需求未得到同步重视[3]。长期形成的“条块分割”治理结构进一步固化了部门壁垒,科研处、人事处、财务处与资产处等职能部门应用系统建设各自为政、标准不一,“数据孤岛”与“信息烟囱”叠加共生,跨部门科研协同与管理决策难以获得及时完整的信息支撑。部分高校的数字治理主要表现为线下业务流程的线上迁移,跨部门数据协同程度相对有限,带来重复填报、系统操作增加等负担,从而削弱了数字治理对科研协同与创新活动的支持作用[4]。

既有围绕数字治理与组织创新的研究多以企业或公共部门为研究对象,针对高校情境的研究相对薄弱,对二者关联的非线性结构、情境异质性缺乏基于较大规模样本的系统性识别。本研究的边际贡献主要体现在以下3个层面:首先,在变量关联结构层面,引入二次项设定以检验内部数字治理与高校科技创新能力之间可能存在的非线性关系。其次,在识别策略层面,借助省级互联网普及率与数字经济发展指数构建两阶段最小二乘估计模型,通过多重稳健性检验,缓解单期截面建模存在的潜在内生性偏误。最后,在中介机制层面,将科研管理信息化作为与宏观治理水平和微观科研产出存在可观测关联的中观载体纳入中介模型,对二者关联关系进行检验。

1 文献综述

1.1 大学内部数字治理概念演进与测度

随着教育数字化战略的推进,围绕大学内部数字治理的研究日益丰富。相关讨论从单一的技术工具视角,逐步拓展为兼顾治理理念、组织重构与制度安排的综合性概念。已有研究主要聚焦于数字技术驱动与治理逻辑变革,其中一部分研究侧重探讨信息系统与平台体系的成熟度,强调技术基础对治理能力的支撑作用[5];另一部分研究则聚焦决策权配置、跨部门协同与组织文化转型,强调治理逻辑的结构性更新[6-7]。由于概念边界较为模糊,定量测度指标体系仍面临内部一致性不强、跨样本可比性有限等挑战,部分研究尝试从治理流程、能力体系与组织运行等方面构建可观测的内部数字治理水平评价指标体系[8-10],但量化路径的稳健性与可推广性有待进一步验证。

1.2 数字治理与科技创新的关系

诸多研究探究了企业、公共部门及高校情境中数字治理与组织创新绩效的关系。认为信息系统建设、跨职能数据整合与决策智能化通过降低协同成本、压缩信息处理时滞可提升组织创新绩效;过度数字化引发的认知资源稀释与组织复杂度上升也受到关注,“信息技术生产率悖论”在制造业情境下得到较为系统的检验[11-12]。面向公共部门的研究则侧重于流程再造、数据共享与决策科学化所带来的治理效能提升,对企业创新产出的影响关注较少[13]。聚焦高校情境的研究多以个案与思辨为主,对内部数字治理与科技创新关系的量化研究较少,对两者是否存在非线性结构关系且在何种水平上出现拐点等关键问题缺乏基于较大规模样本的稳健性检验[14-17]。

1.3 异质性与作用机制

围绕情境异质性,区域层面研究主要聚焦于数字基础设施成熟度对创新空间集聚与外溢效应的影响。已有研究表明,数字生态成熟度较高区域更容易将治理改善转化为创新增量[18-19];组织层面研究则关注资源禀赋、组织规模、产业属性与高管认知等对数字化收益的调节作用[20]。聚焦中介效应,多数研究将信息化建设、组织能力升级或战略匹配作为中介变量[21-23],检验方法以Sobel检验或回归分析为主,对中介效应的判断较为粗略。高校情境下“宏观治理变革—中观信息化—微观科研行为”3层结构间的关联关系较少被系统刻画,不同领导级别、不同学校类别下情境约束如何改变关联曲线形态,也缺乏来自较大规模样本的量化判断[24-25]。

1.4 研究述评

既有研究虽在概念建构、机制讨论与情境识别层面提供了坚实基础,但仍存在可拓展的空间。在变量关联结构层面,多数实证检验默认线性关联设定,鲜有研究对内部数字治理与科技创新间非线性关系进行系统性检验,难以回应数字化投入边际收益变化的现实问题。在实证识别层面,现有截面研究对潜在内生性问题的处理方式较为有限,工具变量的选取及其排他性条件也需要更充分的论证,因此相关结果主要反映变量之间的统计关联。在中介结构层面,已有研究多关注中介效应是否显著,对间接效应的大小、置信区间及其在总效应中所占比重的关注相对较少,因而对中介作用强度的刻画仍有进一步细化空间。本研究整合组织信息处理、结构惯性与松散耦合等多重视角构建分析框架,引入二次项刻画非线性结构,借助省级数字环境指标进行两阶段最小二乘估计来缓解内生性偏误,并采用偏差校正百分位Bootstrap法对中介效应进行检验,力图为既有讨论提供更为审慎的实证证据。

2 理论分析与研究假设

2.1 功能结构:从信息处理到结构惯性的非线性图景

组织信息处理理论认为,组织所面临的任务不确定性需要与其信息处理能力保持动态匹配。当组织通过制度安排扩展信息处理容量时,能够更高效地协调内部活动并降低协同成本(Hanelt等,2021)。相较于普通行政事务,高校科研活动在前沿探索性、跨学科组合度与不确定性方面均处于更高水平,对组织信息处理能力的要求更高。内部数字治理水平较高的高校在信息系统建设、跨部门数据整合与流程数字化层面具备更为成熟的支撑条件,认知资源由重复性行政事务向科研主业的转移空间相对更加充裕,资源配置效率与跨部门协同效率两个维度的可观测水平相对更高。据此,本文提出以下假设:

H1:内部数字治理水平与高校科技创新能力之间存在显著正相关关系。

然而,这种正向关系并非在所有治理水平区间内均保持稳定。当高校数字治理水平较高时,系统层级、指标颗粒与数据采集呈现更为密集的分布特征,治理对象复杂度也较高,组织信息处理能力的边际效应表现出趋于衰减的关联形态。结构惯性理论从组织变革视角指出,组织业务流程一旦被编码进数字系统,其调整成本也将随之上升,组织在面对新型科研模式时有可能因路径依赖而失去灵活性,颠覆性研究的孕育空间也会相应受到限制[26]。在制造业、企业转型情境下,已有研究对“信息技术生产率悖论”的系统性检验表明,过度数字化与组织产出之间存在边际递减甚至反转的关联结构[11,17]。两类机制在不同治理水平区间内呈现方向相反的关联倾向,内部数字治理水平与高校科技创新能力之间有可能表现为先升后降的非线性关联结构。据此,本文提出以下假设:

H2:内部数字治理水平与高校科技创新能力之间呈现倒U型关系,即在适度区间内表现为正向相关性,越过临界值后正向关联趋于减弱。

2.2 情境约束:外部生态与内部权威的双重调节作用

外部数字生态成熟度与高校数据资源供给、产学研协同网络密度以及数字人才储备紧密相关。在数字基础设施较为完备、协同网络较为活跃的区域,内部数字治理建设与外部资源之间更容易呈现紧密联系,二者正向相关性呈现更显著的斜率[18-19]。而在外部生态发展不足的区域,其可调用的外部资源相对有限,正向相关性有可能趋于平缓甚至不显著。

从战略权威结构看,由高层领导直接主管信息化建设的高校,其跨部门资源调度的组织条件相对更加优越,资源基础观所强调的“组织独特资源转化为竞争优势”的可能路径具备相对完备的现实条件[27]。与之相对应,内部数字治理水平与高校科技创新之间的正向关联强度在不同主管领导级别下会呈现系统性差异[28]。在资源禀赋方面,资源密集的“双一流”高校在科研要素积累与学科结构复杂度方面均处于较高水平,松散耦合特征使得学校层面的治理结构与学科层面的科研行为之间很难呈现紧密对应关系,治理水平提升与该类高校科技创新增量的边际相关性也相对有限[20]。综合外部生态与内部权威的双重调节作用,内部数字治理与高校科技创新能力之间的关系在区域、学校类别与主管领导级别等情境维度上呈现系统性差异。据此,本文提出以下假设:

H3:内部数字治理水平与高校科技创新能力关系在不同区域、不同学校类别与不同主管领导级别下存在情境异质性。

2.3 中介效应:以科研管理信息化为中观载体的部分中介

松散耦合理论将大学描述为各类子系统在制度层面相互关联、在操作层面相对独立的组织形态[29]。科研管理信息化作为与内部数字治理水平和科研业务运行存在关联的中观变量,与项目申报、经费拨付、成果登记等业务节点的数字化进度高度相关,已有围绕数字化转型与组织绩效关系的研究发现科研管理信息化与组织运营之间存在系统性共变[30]。基于此,内部数字治理水平与高校科技创新能力的总体关联在统计层面可被分解为不经由科研管理信息化的直接关联与经由科研管理信息化的间接关联两部分。制度同形理论认为,科研管理信息化作为面向上级监管与外部评估的展示性结构,与一线科研工作之间存在“形式—实质”解耦的可能,部分组织内部学科文化、研究范式与个体研究偏好难以被该中观变量所捕捉[31]。据此,本文提出以下假设:

H4:科研管理信息化在内部数字治理水平与高校科技创新能力关系中发挥中介作用。

3 研究设计

3.1 样本选取与数据来源

本文使用《2023年中国高校信息化发展报告》、艾瑞深“大学360度全景数据平台”2023年10月发布的高校数据及各高校官网公开信息,并依据高校名称、变量口径和数据年度进行匹配。受公开资料可得性和不同来源之间可匹配程度的限制,最终形成483所高校的可用样本。依据教育部、财政部和国家发展改革委公布的第二轮“双一流”建设高校及建设学科名单,样本中包含122所“双一流”建设高校。地区划分采用东部、中部、西部和东北地区口径,其中东部、中部、西部和东北地区高校分别占41.408%、23.188%、24.638%和10.766%。

3.2 变量定义与测量

3.2.1 被解释变量:高校科技创新能力

高校科技创新能力是指高校运用人才、经费与平台等资源,在知识创新、技术研发、管理优化与成果转化等环节开展创造性活动并产出有价值科研成果的综合能力[32]。围绕该构念的测度,遵循国内外创新系统评价的“投入—产出-转化”分析范式,将创新活动视为由资源投入到知识产出再到经济社会影响的动态过程[33]。本文借鉴柳卸林等[34]对我国创新评价体系研究的“基础条件—投入—产出—转化—辐射”分析框架,考虑到指标可得性与口径一致性,在该范式下从创新产出与成果转化两个维度选取核心指标构建基础测度口径,并在稳健性检验环节进一步引入扩展指标以提升对基础研究质量与学科结构特征的覆盖能力。

基准科技创新能力指标由5个具体观测指标构成。其中,科研产出方面包括F5000顶尖学术论文数和PCT国际专利申请量2项指标,分别反映高水平学术产出和国际专利申请能力;成果转化方面包括3项指标,即技术转让、技术开发、技术咨询和技术服务方式转化合同金额,转让、许可和作价投资方式转移转化科技成果合同金额,以及科技成果转化奖励个人现金和股份总金额,分别反映技术合同实现、成果权利转移和转化激励。上述2项科研产出指标与3项成果转化指标采用熵权法合成为基准科技创新能力指数,主要表征高校已经实现的科研产出和成果转化能力,不直接测量科研人员、科研经费、实验平台及学科结构等投入性条件。考虑到基准指标对基础研究质量、重大项目承担和学科结构的覆盖范围有限,进一步构建扩展的科技创新能力指标用于稳健性检验,即在上述5项基准指标的基础上,增加ESI全球前1%高被引论文数、国家自然科学基金重点项目数、国家重点研发计划牵头项目数、第四轮学科评估A类学科数和“双一流”建设学科数5项指标,形成共10项指标的扩展测量。基准指标与扩展指标的具体构成、数据来源、采集年度及匹配方式见表1[35-36]。

3.2.2 核心解释变量:内部数字治理水平

内部数字治理水平作为高校信息系统建设、跨业务数据整合等可观测指标,并不完全等同于高等教育治理能力这一理论构念,相关研究所讨论的治理能力是指上述可观测维度所反映的工程性特征。依据《2023年中国高校信息化发展报告》,本文选取管理信息系统覆盖范围、基于微服务架构的应用覆盖的业务范围、基于基础或公共数据库开展的应用、面向师生的信息服务入口、对接统一身份认证和对接数据交换共享6项指标进行测量[8](见表2)。

上述指标分别反映数字技术对核心业务的覆盖程度、业务系统的灵活性、公共数据的应用程度、师生服务的可获得性、统一认证和数据共享水平。它们虽然能够从流程覆盖、数据应用和跨部门协同等方面反映高校信息化建设情况,但不能充分测量治理理念、组织文化、制度规则和权力结构等软性因素。因此,本文将其界定为内部数字治理水平的工程性代理指标,即内部数字治理水平是指由系统覆盖、数据应用、服务入口、身份认证和数据交换等指标反映的技术—流程基础,不延伸为对高校治理理念、制度质量、组织文化或权力结构的完整评价。本文对回归结果的解释也限定在上述可观测范围内。

3.2.3 中介变量:科研管理信息化

科研管理信息化是高校在科研管理流程中深度融合现代信息技术,实现科研活动各环节数字化与智能化处理的动态演进过程[37]。参考数字化转型由技术基础建设向业务流程整合和数据应用深化演进的相关研究[12,24,38],本文选取科研管理系统覆盖范围、业务流程网上办理程度和跨系统数据集成程度3项指标,分别反映科研业务系统建设广度(项目、经费、成果、合同、知识产权等业务模块是否上线)、科研管理流程数字化深度(预算审批、合同签署等关键业务能否实现全流程网上办理)以及科研数据在跨业务系统间的流通程度(科研管理系统能否与财务、人事、资产等系统对接共享数据并提供数据分析支撑),并采用熵权法计算综合指数。该变量与内部数字治理水平来自同一报告,且在系统覆盖和数据集成方面存在内容接近性。因此,本文将其作为科研业务层面的中介变量,相关结果用于描述平均线性关联的分解结构。

3.2.4 控制变量

本文设置网络基础、学校类型、地区和信息化主管领导级别4个控制变量。其中,网络基础以师生人均出口带宽衡量;学校类型包括“双一流”建设高校与普通高校;地区包括东部、中部、西部和东北高校;信息化主管领导级别包括正校级、副校级和其他级主管3种情形。学校类型、地区和信息化主管领导级别均属于类别变量,表3中的数字仅作为类别标识,不表示不同类别之间存在等距连续关系。分组回归按照相应类别划分样本;在需要将类别变量作为控制变量纳入模型时,按照分类变量方式处理,并以相应基准类别进行比较,不对其数字编码作连续变量解释。

3.3 模型设定

(1)

其中,Innovationi表示高校i的科技创新能力,DigGovi表示内部数字治理水平,εi为随机扰动项。如果系数β1显著为正,则假设H1成立;若系数β2显著为负,说明二者为倒U型关系,假设H2成立。

为验证情境异质性,本文按照学校类型、所在区域和信息化主管领导级别3个维度分别划分样本,并比较各组一次项与二次项系数的方向、大小和显著性。具体而言,按学校类型划分为“双一流”建设高校和普通高校,按学校所在区域划分为东部、中部、西部和东北地区4组,按信息化主管领导级别划分为正校级、副校级和其他级3组,分别进行基准回归分析,比较各组回归系数差异,考察内部数字治理与高校科技创新能力关系在不同分组样本中所呈现的差异。为检验假设H4所涉及的中介机制结构,运用偏差校正百分位Bootstrap法构建中介模型,该方法不依赖间接分量服从正态分布的设定,在小样本与多变量情境下统计检验的稳健性相对更高。中介模型构建包括以下3个步骤:

Innovationi=cDigGovi+γ1Controlsi+ε1i

(2)

Mediatori=aDigGovi+γ2Controlsi+ε2i

(3)

(4)

模型(2)考察内部数字治理水平与高校科技创新能力之间的总体关联;模型(3)考察内部数字治理水平与科研管理信息化之间的关系;模型(4)同时纳入内部数字治理水平和科研管理信息化,考察科研管理信息化与高校科技创新能力之间的关系,以及加入科研管理信息化后内部数字治理水平与科技创新能力之间的直接关系。进一步,采用Bootstrap法检验间接效应[30]。

4 实证结果与分析

4.1 基准回归分析

内部数字治理水平对高校科技创新能力的基准回归结果见表4。内部数字治理水平的一次项系数为0.457(p<0.01),与高校科技创新能力呈显著正相关关系。内部数字治理水平的二次项系数为-0.398(p<0.01),表明内部数字治理水平与高校科技创新能力之间呈倒U型非线性关系,样本截面内治理水平较低区段所对应的高校组别与高校科技创新能力之间呈正相关关系,治理水平较高区段所对应的高校组别则呈正相关关系收敛甚至反向形态,边际相关性在样本上表现为递减,假设H1和H2得到验证。模型R2为0.286,调整R2为0.283,模型整体通过显著性检验(F=96.249,p<0.01)。

表5加入网络基础变量进行分层回归检验。分层1未加入网络基础,内部数字治理水平的一次项系数(B=0.451,p<0.01)和二次项系数(B=-0.390,p<0.01)均显著;分层2加入网络基础后,内部数字治理水平的一次项(B=0.436,p<0.01)和二次项系数(B=-0.374,p<0.01)依然显著。网络基础系数为0.018(p<0.01),表明网络基础与高校科技创新能力呈显著正相关关系;模型R2由0.283提高至0.302,ΔR2=0.019,ΔF=12.850(p<0.01),表明加入网络基础变量后模型解释力显著提升,即网络基础作为外部因素同内部数字治理与高校科技创新能力形成正向关联结构。

4.2 稳健性检验

4.2.1 工具变量法估计

高校内部数字治理水平既受外部数字环境的影响,也与自身科技创新基础有关,普通最小二乘估计可能受到反向关联或遗漏变量的影响。为考察核心系数在引入外部数字环境指标后是否方向保持一致,本文以高校所在省份互联网普及率和数字经济发展指数拟合内部数字治理水平,并将拟合值及其平方项纳入第二阶段模型。

工具变量的选取兼顾相关性与条件意义上的外生性两方面考量。在相关性维度上,省级互联网普及率反映高校所处区域的数字基础设施供给水平,数字经济发展指数反映区域内数字产业聚集与数字技术应用的成熟度,二者均与高校能够调用的外部数字资源密切相关,构成内部数字治理建设的外部约束条件,第一阶段F统计量与系数估计结果支持相关性假设(见表6)。在排他性维度上,省级数字环境指标由区域整体经济发展水平、人口结构与产业政策构成,相对于单一高校而言可视为外生扰动;与此同时,区域数字环境还有可能通过产学研合作、人才流动和地方科技投入等途径影响高校科技创新产出,因此现有单期截面数据难以直接验证工具变量的排他性条件。高校所在省份互联网普及率数据来源于《中国统计年鉴2023》,省级数字经济发展水平采用中国信息通信研究院发布的《中国数字经济发展报告(2023年)》中的省级综合指数测度[39-40]。

两阶段最小二乘估计基本设定如下:第一阶段用内部数字治理水平作为被解释变量,用两个工具变量及控制变量作为解释变量进行回归,得到内部数字治理水平的拟合值;第二阶段将拟合值及其平方项代入科技创新能力方程,同时引入原模型的全部控制变量。

DigGovi= π0+π1Interneti+π2Digecoi+π3Controlsi+ui

(5)

Innovationi= β0+β1DigGoviIV+ β2(DigGoviIV)2+γControlsi+εi

(6)

式(5)为第一阶段方程,Interneti与Digecoi分别表示高校i所在省份的互联网普及率与数字经济发展指数;式(6)为第二阶段方程,DigGoviIV为内部数字治理水平的工具变量拟合值。

两阶段最小二乘回归估计结果见表6。第一阶段回归结果显示,省级互联网普及率对内部数字治理水平的回归系数为0.213(p<0.01),省级数字经济发展指数的系数为0.087(p<0.01),第一阶段F统计量为23.586,远大于经验阈值10,说明两个工具变量对内部数字治理水平具有较强解释力,弱工具变量问题不突出。第二阶段回归结果显示,内部数字治理水平拟合值的一次项系数为0.512(p<0.01),二次项系数为-0.443(p<0.01)。Cragg-Donald Wald F值为18.473,拒绝弱工具变量原假设;Sargan过度识别检验统计量为1.847(p=0.174),表明两个工具变量之间不存在系统性矛盾;Hausman内生性检验统计量为3.486(p=0.062),在10%水平上拒绝解释变量外生性的原假设。与基准OLS估计相比,2SLS估计系数有所上调,提示样本中可能存在内生性带来的轻度估计偏误。倒U型相关结构在工具变量估计下方向保持一致,基准回归对二者关联方向、强度与拐点位置的刻画在外生信息约束下仍具有稳健性[41]。

4.2.2 扩展被解释变量

考虑到基准模型使用的科技创新能力指标主要刻画产出数量与转化绩效,对基础研究质量、重大项目承担与学科建设质量的覆盖范围有限,本文进一步以扩展的科技创新能力指标作为被解释变量进行基准回归分析,以检验倒U型关系是否依然成立。扩展指标运用熵权法加权,为便于与原结果进行对比,回归分析仍采用模型(1)的设定。扩展指标下的基准回归结果见表7列(1),与基准模型相比,扩展指标下一次项和二次项系数的方向与显著性均保持一致,系数分别为0.483(SE=0.078,p<0.01)和-0.421(SE=0.092,p<0.01)。模型R2为0.244,较基准回归的0.286略有下降,与扩展口径所涉指标在不同高校间分布更稀疏从而拟合难度上升的统计规律相符;F统计量为76.831(p<0.01),整体模型仍具有显著解释力。由两项系数推算的倒U型拐点为0.574,与原始指标下的拐点吻合,表明倒U型关系并非由原始指标的口径选择所驱动。

4.2.3 替换核心解释变量测量方法

熵权法对内部数字治理水平的综合度量依据各指标的信息熵确定权重,可能受样本分布偏斜与指标选择数量的影响。为缓解潜在测度偏误,将基准模型中用熵权法构建的内部数字治理水平替换为用主成分分析提取第一主成分得分构建的指数。降维条件检验结果显示,KMO抽样值为0.764,达到Kaiser建议的“较好”水平;Bartlett球形度检验结果显著,说明指标之间存在相关性,可进一步进行主成分分析。第一主成分的解释方差率为53.27%,前两个主成分累计解释方差率为71.84%,第一主成分能够较为充分地反映原始指标的共同信息。表7列(2)显示,用第一主成分得分替换核心解释变量后,内部数字治理水平的一次项系数为0.493(p<0.01),二次项系数为-0.426(p<0.01),与基准回归结果的方向与显著性一致;根据一次项和二次项系数计算得到的拐点为0.579,与基准模型的0.574接近。模型R2为0.271,较基准模型的0.286略低,但核心系数的方向、显著性及拐点位置均未发生明显改变。在替换测度方法后,核心结论的结构性参数未发生方向性变化,说明倒U型关系并非由特定指标加权方式所驱动。

4.2.4 异常值缩尾处理

高校在科技创新产出与内部数字治理建设水平上存在较为明显的右偏分布特征,部分顶尖高校的产出量级与治理水平显著高于样本均值,可能会对最小二乘估计系数与标准误产生影响。表7列(3)显示,在对连续变量进行1%和99%分位数缩尾处理后,内部数字治理水平的一次项系数为0.441(SE=0.043,p<0.01),二次项系数为-0.385(SE=0.049,p<0.01),二者的方向和显著性均与基准回归模型一致。与基准模型相比,一次项和二次项系数的绝对值略有下降,模型R2由0.286提升至0.293,F统计量由96.249提升至102.385。总体来看,缩尾处理后核心系数的方向和显著性未发生明显改变,说明基准结果对极端值处理具有一定稳健性。由两项系数推算的倒U型关系拐点为0.572,与基准估计的0.574高度接近。这说明,倒U型关联结构并非由少数极端样本所驱动,关键参数对样本的尾部分布并不敏感。

4.2.5 扩展控制变量

基准模型可能因学校办学规模与办学历史等可观测到的遗漏变量产生偏误。本文数据来自《中国教育统计年鉴2022》公开的高校在校生数据与教育部发布的高等学校信息,将学校在校生规模(本科生与研究生在校生总数的自然对数)与学校建校年限两个变量加入控制变量重新进行回归分析[42],以观察核心结构性参数对控制变量遗漏的敏感程度。表7列(4)显示,在扩展控制变量后,内部数字治理水平的一次项系数为0.428(SE=0.045,p<0.01),二次项系数为-0.371(SE=0.051,p<0.01),方向、显著性与基准回归结果保持一致;与基准模型相比,在加入在校生规模和建校年限后,一次项和二次项系数的绝对值均略有下降,但方向和显著性保持不变,表明核心结果在进一步控制高校规模与办学历史后仍具有稳定性。在校生规模(取自然对数值)的系数为0.063(SE=0.018,p<0.01),建校年限的系数为0.012(SE=0.006,p<0.05),与规模较大、办学历史较长的高校在科研要素积累与学术声誉沉淀方面具有相对优势的经验观察一致;模型R2由基准回归的0.286提升至0.304,调整R2由0.283提升至0.300,F统计量为87.413,新增控制变量贡献了可观察的边际解释力;倒U型关联拐点为0.577,与基准估计的0.574比较接近。

4.3 情境异质性检验

表8为按学校类型分组的回归结果,用以考察内部数字治理水平与不同类型高校科技创新能力关联的差别。列(1)结果显示,内部数字治理水平一次项(B=0.457,p<0.01)、二次项系数(B=-0.398,p<0.01)均显著,呈现倒U型关系;列(2)显示,内部数字治理水平一次项(B=0.128,p<0.01)、二次项系数(B=-0.110,p<0.01)均显著,表明数字治理与普通院校科技创新能力之间存在较强的正向关联且边际递减;列(3)显示,内部数字治理水平一次项系数(B=0.522,p>0.05)、二次项系数(B=-0.456,p>0.05)在“双一流”高校样本中均不显著。这可能与该类高校创新活动更依赖战略资源积累、对运营层面治理效率水平样本差异更不敏感的特征有关,宏观治理水平的样本差异在该类高校科技创新产出中难以观测到独立的统计关联[22]。

表9为不同地区高校内部数字治理水平与科技创新能力关联的异质性检验结果。整体样本回归结果与前文一致。其中,东部地区高校内部数字治理水平一次项系数(B=0.663,p<0.01)和二次项系数(B=-0.616,p<0.01)均显著,东部地区高校内部数字治理水平与科技创新能力呈现倒U型关系。中部地区高校内部数字治理水平的一次项系数(B=0.362,p<0.01)和二次项系数(B=-0.327,p<0.01)也显著。但在东北地区和西部地区高校中,内部数字治理水平的一次项系数均不显著。这可能是因为,东部、中部地区数字经济发展水平相对较高,创新生态较为成熟,数字治理与科技创新的正向关联在统计上更为显著;而东北、西部地区受数字基础设施与产业配套的限制,二者关联未通过显著性检验[13,23]。

表10展示了在信息化主管领导级别差异下,内部数字治理与高校科技创新能力关联的异质性结果。整体样本结果与上文一致。其中,正校级领导主管组别内部数字治理水平与科技创新能力的一次项系数为0.928(p<0.01),明显大于副校级和其他级组别,其二次项系数为-1.046(p<0.01),绝对值也大于其他组别。在正校级领导主管信息化的高校样本中,二者正向关联更为突出,边际递减形态更为明显;在副校级主管组别中,内部数字治理水平的一次项系数未通过显著性检验;其他级主管组别的一次项和二次项系数也均达到显著性水平,但该组样本量较小,相关结果仅作描述性呈现。这表明,不同主管领导级别高校样本的估计结果存在显著差异。综上,假设H3得到验证。

4.4 科研管理信息化的中介效应

科研管理信息化在内部数字治理与高校科技创新能力之间的中介关系效应结果见表11。表11列(1)显示,内部数字治理水平与高校科技创新能力之间的回归系数为0.079(p<0.01),呈显著正向关联。列(2)显示,内部数字治理水平与科研管理信息化之间的回归系数为0.656(p<0.01),同样呈显著正向关联。列(3)显示,内部数字治理水平与高校科技创新能力的直接关联系数为0.069(p<0.01),科研管理信息化与高校科技创新能力之间的回归系数为0.015(p<0.01)。

本研究采用偏差校正百分位Bootstrap法进行中介机制检验。由表12可知,间接分量a×b=0.010,基于偏差校正百分位Bootstrap法(5 000次重复抽样)得到的95%置信区间为[0.003,0.018],不包含0;对应标准误为0.004,z=2.564,p=0.010,置信区间结论与显著性检验结论一致,间接分量在5%水平上通过显著性检验。直接关联系数c′为0.069(p<0.01),总关联系数c为0.079(p<0.01),表明在截面数据约束下,将科研管理信息化纳入条件变量后,内部数字治理水平与高校科技创新能力之间的关联系数由0.079下调至0.069,调整幅度有限;Bootstrap检验的间接分量虽通过显著性检验,但绝对量级在总关联中所占比重较小。

5 结语

5.1 研究结论

(1)在基础二次项模型中,内部数字治理水平一次项系数显著为正、二次项系数显著为负,样本结果呈现先升后降的关联形态。替换科技创新能力指标,改用主成分分析、缩尾处理、增加控制变量以及工具变量敏感性分析后,一次项系数和二次项系数的方向总体保持一致。因此,内部数字治理水平与高校科技创新能力之间呈现显著的倒U型非线性关系,在适度区间内二者正向共变较为明显,超过拐点后正向关联趋于收敛甚至转负。

(2)学校类型、地区和信息化主管领导级别分组呈现不同的估计形态,内部数字治理水平与高校科技创新能力关系在普通高校、东部和中部地区高校以及由正校级领导主管信息化的高校样本更为突出。

(3)科研管理信息化呈现部分中介效应,但间接效应较小。这说明,科研管理信息化能够解释内部数字治理水平与科技创新能力平均线性关联的一部分,但不能解释倒U型关联的形成过程。

(4)总体而言,本文识别的是内部数字治理工程性代理指标与高校科技创新能力结果端代理指标之间的样本关联。系统叠加、流程僵化、技术负担、区域数字生态和校级统筹等因素可作为理解上述结果的理论解释,但具体作用机制仍有待进一步检验。

5.2 对策建议

(1)分层推进数字治理,高校不宜将系统数量或技术投入规模直接等同于治理水平。数字化基础相对薄弱的高校可优先完善数据标准、身份认证、数据共享和核心业务协同;数字化基础相对完善的高校则应加强存量平台评估,关注新增系统的实际使用效果、维护成本和一线人员负担,减少功能重复和流程叠加。

(2)提高科研管理流程的适配程度,项目申报、经费管理、成果登记和成果转化等业务是高校内部数字治理与科研活动发生联系的重要场景。高校可根据科研人员的实际使用反馈优化线上流程,减少重复填报,并加强科研、人事、财务和资产系统之间的数据衔接。

(3)完善跨部门协调机制,在实践中可根据学校组织结构建立校级统筹、部门协同和使用者参与相结合的数字治理机制,明确数据责任、业务权限和问题反馈渠道,避免数字化建设仅停留在技术部门层面。

(4)实施条件适配的支持政策,教育主管部门可根据不同地区和不同类型高校既有网络基础、数据治理能力、人才储备和科研组织特点配置不同支持资源,同时推进数据目录、接口、共享和安全规则衔接。

5.3 不足与展望

本文存在如下不足:第一,使用2023年单期截面数据,只能反映不同高校之间的样本内统计关联,不能识别内部数字治理与高校科技创新能力的因果方向,也不能判断同一高校在持续推进数字治理过程中是否经历了相同的倒U型轨迹。第二,现有二次项模型尚未报告样本区间端点斜率、拐点置信区间和正式的组间系数差异检验,因此倒U型与异质性结论应视为方向性证据。第三,内部数字治理主要由系统覆盖、数据整合、服务入口和身份认证等工程性指标代理,对治理理念、组织文化、制度规则和权责结构的覆盖不足;科研管理信息化与核心解释变量同源且内容接近,中介结果只能说明平均线性关联的统计分解,未揭示倒U型关系的形成机制。第四,多源数据在采集年度、机构名称和披露口径上可能存在误差,公开资料可匹配样本也不等同于全国高校随机样本。未来可使用多时段面板数据,结合教育数字化政策试点或主管领导调整开展准实验识别,补充教师使用体验、数字负担、跨部门协调和科研自主性等指标,对不同地区、学校类型与学科群体进行组间差异检验,以进一步验证关联曲线、适用边界和作用机制。

参考文献：

[1] ACEMOGLU D,RESTREPO P．Automation and new tasks:how technology displaces and reinstates labor[J].Journal of Economic Perspectives,2019,33(2):3-30．

[2] BAKAR S．Investigating the dynamics of contemporary pedagogical approaches in higher education through innovations,challenges,and paradigm shifts[J].Social Science Chronicle,2021,1(1):1-19．

[3] 巫俊强,张文新,罗倩倩,等．人工智能及大数据赋能高校智慧校园建设研究[J]．职业教育,2022,11(6):581-587．

[4] YANG W．A topological model of municipal social governance in the digital age[J].Journal of Beijing Institute of Technology(Social Sciences Edition),2024,26(1):167-176．

[5] 于双媛．高校数字治理的内涵、特征及基本要素分析[J].鞍山师范学院学报,2024,26(3):101-105．

[6] 袁利平,林琳．高等教育数字治理:内在机理、逻辑构架与实现路径[J].江淮论坛,2022(4):183-192．

[7] 封海波．迈向“数据治理”:数据确权方案的本土争论与理论调和[J].法理——法哲学、法学方法论与人工智能,2024(2):180-199,371-372．

[8] 教育部高等学校科学研究发展中心,中国高等教育学会教育信息化分会．2023年中国高校信息化发展报告[R].2024.

[9] 常乔丽,胡德鑫．变革与重塑:美国高校数字治理的实践路径与启示——基于亚利桑那州立大学的范例[J].外国教育研究,2024,51(3):63-77．

[10] 张博．数字治理的责任伦理向度:情境转换、实践困境与破解之道[J].理论探讨,2023(4):76-82．

[11] 陈怀超,刘柏君,梁晨,等.数字化转型、失败学习与制度资本对企业数字化创新影响的组态研究[J].科技进步与对策,2024,41(15):65-73.

[12] BHARADWAJ A,EL SAWY O A,PAVLOU P A,et al．Digital business strategy:toward a next generation of insights[J].MIS Quarterly,2013,37(2):471-482．

[13] 孙萍,胡珍．政府数字治理、营商环境与城市创新[J].统计与决策,2024,40(8):162-167．

[14] 侯二秀,徐嵘琦,尹西明,等．数字时代的企业创新生态系统治理研究综述[J].技术经济,2022,41(11):78-93．

[15] 汪世超．政府数字平台治理绩效提升研究——基于35个案例的模糊集定性比较分析[J].上海对外经贸大学学报,2023,30(6):93-106．

[16] 岳宇君,顾萌．制造业企业智能化转型影响企业业绩实证研究[J].中央财经大学学报,2023(2):114-128．

[17] 李晓燕,钱婧,孙瑞彬．数字化转型中的组织惰性——高管认知的作用[J].管理科学学报,2023,26(11):81-101．

[18] 胡海青,秦欣悦,刘方南.数字生态下创业质量多元驱动机制研究——基于省域面板数据的动态QCA分析[J].科技进步与对策,2025,42(18):41-52.

[19] 荆鹏,吕立杰．弥合数字鸿沟:教育数字化转型的国际镜鉴与本土应对[J].国家教育行政学院学报,2023(12):46-56．

[20] 查道林,陈思．“双一流”建设政策对高校科技创新产出的影响效应研究——基于博弈模型和双重差分法的实证分析[J].中国地质大学学报(社会科学版),2025,25(1):141-156．

[21] 刘意,肖静华,盛君叶．组织冲突、权力转移与企业数字化转型——索菲亚2014年—2021年纵向案例研究[J].管理科学学报,2023,26(11):39-57．

[22] 彭绪庶．城市治理模式与城市创新效率关系研究——基于智慧城市试点的准自然实验分析[J].价格理论与实践,2023(3):52-58．

[23] 赵星欣,董千金,谭蕾．数字经济对地方政府治理能力影响机制研究[J].电子科技大学学报(社科版),2024,26(6):1-10．

[24] NOLAN R L．Managing the computer resource:a stage hypothesis[J].Communications of the ACM,1973,16(7):399-405．

[25] LEI H,TANG S,ZHAO Y,et al．Enterprise digitalization,employee digital literacy and R&D cooperation:the moderating role of organizational inertia[J].Chinese Management Studies,2024,18(2):479-505．

[26] HANNAN M T,FREEMAN J．Structural inertia and organizational change[J].American Sociological Review,1984,49(2):149-164．

[27] BARNEY J B．Firm resources and sustained competitive advantage[J].Journal of Management,1991,17(1):99-120．

[28] JING M,GUO Z,WU X,et al．Higher education digital academic leadership:perceptions and practices from Chinese university leaders[J].Education Sciences,2025,15(5):606．

[29] WEICK K E．Educational organizations as loosely coupled systems[J].Administrative Science Quarterly,1976,21(1):1-19．

[30] TAN C W,PAN S L．Managing e-transformation in the public sector:an e-government study of the Inland Revenue Authority of Singapore(IRAS)[J].European Journal of Information Systems,2003,12(4):269-281．

[31] MEYER J W,ROWAN B．Institutionalized organizations:formal structure as myth and ceremony[J].American Journal of Sociology,1977,83(2):340-363．

[32] 吴一鸣．高职院校科研创新能力的内涵解构与提升策略[J].教育与职业,2024(5):59-66．

[33] KLINE S J, ROSENBERG N. An overview of innovation[M]//LANDAU R, ROSENBERG N. The positive sum strategy: harnessing technology for economic growth. Washington, DC: National Academy Press, 1986:275-306.

[34] 柳卸林,陈傲．中国区域创新能力报告2011:区域创新与战略性新兴产业发展[M].北京:科学出版社,2012．

[35] 教育部学位与研究生教育发展中心．全国第四轮学科评估结果公布[EB/OL].(2017-12-28)[2026-05-26]．https://www.cdgdc.edu.cn/dslxkpgjggb/index.htm.

[36] 中国科学技术信息研究所．2021年度中国科技论文统计与分析(年度研究报告)[M].北京:科学技术文献出版社,2023．

[37] 王星．教育信息化促进教育均衡转型发展路径研究[J].中国教育信息化,2015(9):28-31．

[38] VIAL G．Understanding digital transformation:a review and a research agenda[J].The Journal of Strategic Information Systems,2019,28(2):118-144．

[39] 中国信息通信研究院．中国数字经济发展研究报告(2023年)[R].北京:中国信息通信研究院,2023．

[40] 国家统计局．中国统计年鉴2023[M].北京:中国统计出版社,2023．

[41] STOCK J H,YOGO M．Testing for weak instruments in linear IV regression[M]//ANDREWS D W K,STOCK J H．Identification and inference for econometric models:essays in honor of Thomas Rothenberg．New York:Cambridge University Press,2005:80-108．

[42] 中华人民共和国教育部发展规划司．中国教育统计年鉴2022[M].北京:中国统计出版社,2023．

(责任编辑：王敬敏)