The Mechanism of Science-Technology Coupling on Emerging Industry Growth: The Case of Information and Communication Technology Industry

Ba Zhichao1, Zhang Yujie1, Wang Liuhong1, Li Gang2

(1.Research Institute for Data Management &Innovation, Nanjing University,Suzhou 215163, China;2.School of Information Management, Wuhan University, Wuhan 430072, China)

Abstract：Investigating the science-technology coupling is essential for deepening the scientific understanding of technology transfer and synergistic innovation pathways in emerging industries, thereby enhancing the practical impact of research outcomes.Existing studies on strategic emerging industries often focus on single innovation elements from either the scientific or technological domain, rarely exploring the coupling phenomena and the associated feedback effects within the science-technology system from a parallel observation perspective.Drawing upon industrial growth theory, this study attempts to investigate the impact mechanisms and pathways of science-technology coupling on the growth of emerging industries, as well as the moderating role of regional government intervention, by matching and utilizing multi-source heterogeneous data.It designs a method to detect science-technology coupling at the knowledge content level through the coupling of knowledge networks, aiming to explore the impact of this internal techno-scientific synergy on industrial growth characteristics.Concurrently, considering government intervention as a key external driver in China’s industrial innovation system, the study examines its mechanisms, specifically investigating the moderating effects of regional industrial policy intensity and adoption speed on the relationship between science-technology coupling and industrial growth.

Then the study proposes two hypotheses.H1: A non-linear, inverted U-shaped relationship exists between science-technology coupling and the growth of emerging industries.H2: Government intervention has a positive moderating effect on the inverted U-shaped relationship between science-technology coupling and industrial growth.First, using scientific literature and technology patents as primary representations of scientific and technological outputs, the study constructs time-series science-technology knowledge networks and calculates the degree of science-technology coupling based on a network portrait projection method.Second, it employs a panel data model to empirically test the mechanism through which science-technology coupling affects industrial agglomeration, activity, and growth.Finally, by quantifying the industrial policy intensity of different regional governments, it analyzes the moderating role of government intervention to identify effective development paths.

Using the information and communication technology (ICT) industry as a case study, the study concludes that the coupling of science and technology and the growth characteristics of the ICT industry have progressively strengthened over time, exhibiting significant spatial heterogeneity.A non-linear, inverted U-shaped relationship exists between the degree of science-technology coupling and the growth characteristics of the ICT industry.Notably, government intervention positively and significantly moderates this inverted U-shaped relationship.These findings yield several policy implications.First, it is essential to formulate regionally differentiated strategies for ICT development by dynamically adapting policy objectives to the synergy between science, technology, and policy.This requires tailoring the ICT industrial policy toolkit to meet regional, stage-specific growth demands and constructing a resilience governance framework based on “precise identification of differences, dynamic adaptation of tools, and multi-level risk hedging.” Second, an optimal degree of coupling between the scientific and technological knowledge systems must be maintained.Over-coupling which is caused by factors such as cognitive lock-in, path dependency, profit-driven resource concentration, or institutional constraints should be avoided, as it leads to monolithic resource allocation and innovation pathway homogenization.This negative impact can be mitigated by optimizing resource allocation and benefit distribution mechanisms and strengthening market-oriented, demand-driven innovation.Third, moderate policy intervention can offset technology coupling’s negative effects and boost healthy industrial development.Regional governments should optimize basic research layouts, strengthen industry-academia-research collaboration, and improve technology transfer mechanisms to achieve synergistic science-technology-driven growth, supporting national high-quality economic development and sustainable social progress.

The contributions of this study are primarily reflected in three aspects: (1) By integrating and aligning multi-source heterogeneous data, it establishes an “industry-science-technology” connection, and explores the dynamic coupling characteristics of science and technology in emerging industries across diverse regions; (2) This study integrates science-technology relationships into an econometric model to explore technological coupling’s link with industrial growth theoretically, and empirically reveals the synergistic innovation effects and mechanisms of science-technology coupling; (3) It constructs an analysis model for emerging industry growth within the “science-technology-policy” framework, elucidating the dual driving forces of technology and government in achieving emerging industry outcomes.

Key Words：Strategic Emerging Industries; Science-technology Coupling; Knowledge Network Coupling; Industrial Growth; Industry of Information and Communication Technology

DOI：10.6049/kjjbydc.D52025030776

开放科学(资源服务)标识码(OSID)：

中图分类号：F49

文献标识码：A

文章编号：1001-7348(2026)05-0049-11

收稿日期：2025-03-21

修回日期：2025-07-10

基金项目：国家自然科学基金面上项目(72374098);江苏省社会科学基金青年项目(22TQC001)

作者简介：巴志超(1990—),男,山东滨州人,博士,南京大学数据管理创新研究中心研究员、博士生导师,研究方向为科技战略与决策、科技情报分析;张玉洁(1997—),男,甘肃天水人,南京大学数据管理创新研究中心博士研究生,研究方向为复杂网络与知识发现、科技前沿探测;王柳虹(1997—),女,浙江嘉兴人,南京大学数据管理创新研究中心博士研究生,研究方向为政策计量分析;李纲(1966—),男,河南信阳人,博士,武汉大学信息管理学院教授、博士生导师,研究方向为信息资源管理、科技情报分析。通讯作者:张玉洁。

0 引言

2024年1月,习近平总书记在中共中央政治局第十一次集体学习时强调,“要及时将科技创新成果应用到具体产业和产业链上,改造提升传统产业,培育壮大新兴产业,布局建设未来产业,完善现代化产业体系”。产业成长是产业发展生命周期的一个重要演进过程,体现为“量”层面的企业数量增加、规模扩张和资产增长,以及“质”层面的价值创造与传递、技术性与协同性提升、适应性与创新性增强[1]。根据产业成长理论,产业成长轨迹一般遵循形成期、成长期、成熟期和衰退期的S型发展形态,受到技术、市场和政策等因素的相互作用[2-3]。其中,科学技术是第一生产力,是推动现代化产业体系构建与高质量发展的重要力量。然而,我国科技创新和产业发展之间存在脱节现象,科技与产业存在“两张皮”问题,导致科技成果转化路径不明、转化率不高[4]。一方面,科学技术转化存在间隔与时滞,导致高校与科研院所的科技成果难以及时有效嵌入企业生产实践,形成技术供给与市场需求错位;另一方面,企业技术应用反馈机制不畅,导致技术创新与科学研究协同效应较弱。此外,科学研究与产业发展之间目标导向与评价机制不一、科技成果产权不明晰、转化激励机制不健全等障碍也会弱化科学技术对产业成长的内生推动作用[4]。短期来看,科技与产业脱节问题容易加剧创新风险,导致研发投入与产业应用效率降低;长期而言,有可能会抑制产业生态,削弱产业发展活力。

战略性新兴产业成长往往需要基础科学研究和技术创新活动协同,这种协同体现为科学系统与技术系统之间的耦合与共生[5]。现有研究多聚焦于科学或技术端单一创新要素,较少从并行观测视角探究科学—技术系统耦合现象及其正负反馈效应[6]。系统耦合主要遵循“构建指标体系—综合水平分析—耦合协调评价”理论框架[7],导致“重结果、轻过程”,即过度关注耦合结果而忽视对耦合机理、演化过程和作用机制等内在规律的探索。此外,当前相关研究主要探讨科学—技术关联对产业绩效、产业增长的影响[5-6,8]。产业成长不仅体现为“数量”层面的规模效应,还通过“质量”维度的效率递进与交易多元化实现价值跃迁与融资效应[3]。因此,本文旨在深入探讨科学—技术耦合如何从规模效应、融资效应和配置效应3个层面影响新兴产业成长,构建科技耦合促进新兴产业成长的理论框架,揭示科技协同与新兴产业成长之间的内在联系与规律,旨在为促进科技良性共生与新兴产业发展提供参考。

本文以信息与通信技术(Information and Communications Technology,ICT)产业为研究样本,从知识内容关联层面设计基于知识网络耦合的科学—技术关联探测方法,探究产业内部科技协同对产业成长(如聚集度、活跃度和成长性)的影响机制。同时,考虑到政府干预作为我国产业创新体系的重要外部驱动因素,进一步探索新兴产业成长过程中的政府作用机制,深入考察区域政府的产业政策强度和政策采纳速度在科技耦合与产业成长之间的调节效应。本文边际贡献主要体现在以下3个方面:①通过整合和匹配多源异构数据建立“产业—科学—技术”关联,挖掘不同区域新兴产业科学—技术动态耦合特征;②将“科学—技术”关系带入计量经济学模型,检验科技耦合与产业成长关系,揭示科学—技术关联的协同创新效应与作用机制;③构建基于“科学—技术—政策”框架的新兴产业成长模型,阐释新兴产业成长过程中科技与政府的双重驱动机制。

1 理论分析与研究假设

1.1 科学—技术耦合与产业成长

新兴产业成长是科学发现与技术应用之间相互作用、不断反馈与提升的过程。根据内生增长理论,科技耦合能促进新兴产业内部创新生态系统形成,为产业发展提供源源不断的动力源泉[9]。科技耦合驱动产业成长的作用机制体现为:①科学与技术紧密耦合加速新技术研发与应用,推动产业不断突破技术瓶颈,从而助推产业转型升级[10]。科学—技术双向互动构成“创新链”,从基础研究到应用开发再到市场应用,有助于形成“科学—技术-产业”的良性循环,尤其是在新兴产业早期,能够推动产业从无到有实现突破性成长。②科技耦合有助于优化资源配置,提升产业竞争力和适应能力[11]。科技创新能提升资源利用率,降低生产成本;同时,促进产业链上下游紧密合作,通过协同创新应对市场需求变化,增强企业市场竞争力。③科学与技术耦合也有助于打破传统产业界限,加速知识溢出效应,催生新的产业形态和市场应用空间[12]。另外,科技耦合还体现在跨学科、跨领域协同创新,新兴产业往往需要多学科知识交叉融合,通过构建开放合作的创新生态,加速科技成果转化与应用。

然而,科技系统耦合度过高会影响产业多样化创新与自由竞争,抑制新兴产业成长[6,13-14],主要体现在:①科学—技术耦合度过高会导致技术创新多元化和灵活性受限,以及技术路径依赖与创新僵化。科学—技术高耦合容易形成封闭式创新网络,限制知识多样性,引发技术同质化[14]。企业和科研机构往往只关注优化当前技术路线,忽视其它潜在创新路径。资源过度集中、创新路径单一和技术复杂性增加会导致产业内部科学—技术知识体系高相似、高耦合,削弱产业成长聚集能力和创新活力。②科学—技术强耦合可能会固化组织结构,削弱其应对市场变化的敏捷性。当科学与技术过度耦合时,科技创新往往会追随科学研究的节奏,而非响应市场需求,这会导致创新生态封闭,技术创新不能及时响应市场变化,致使科技与市场需求错位、脱节,抑制产业快速成长。③过高的科学与技术耦合度还有可能会造成资源错配与浪费,引发重复研发,限制产业链均衡发展[15]。过高的耦合度(如产业链与科技链过度绑定)可能会强化企业间技术壁垒,阻碍科技成果转化,使得企业重复投入研发,造成“锁定效应”,限制区域和行业平衡。

新兴产业成长制约因素会拉大科技耦合的双刃剑效应。一方面,新兴产业通常处于标准尚未统一、市场接受度不高的初期阶段,导致其在技术引进与成果转化过程中面临高不确定性;另一方面,创新资源配置受政策导向、资本投入倾斜及风险投资偏好的影响,可能会造成对特定技术路径的依赖,抑制技术多样性。企业自身技术吸收能力、协同治理水平及学习机制不健全,会削弱科技耦合的正向效应。诸多内在制约因素共同作用,使得科技耦合与产业成长之间呈现非线性特征[16]。综上所述,科技耦合在一定程度上对新兴产业成长具有积极影响,而过度耦合则会产生负面效应。同时,新兴产业自身特有的阶段性特征,以及政策、资本等制约因素也会扩大科技耦合的“双刃剑”效应。据此,本文提出如下假设:

H1:科学—技术耦合与新兴产业成长之间呈倒U型关系。

1.2 政府干预的调节作用

科技创新与产业成长之间并非始终处于平衡状态,尤其当产业发展面临高质量科技供给不足、科技成果转化不畅、企业科技创新主体地位不强等问题时,政府干预在调节产业内部科技创新与产业成长之间发挥重要作用。通过在不同阶段采取有针对性的政策措施,政府可引导和支持新兴产业快速发展与健康成长。例如,在新兴产业发展早期阶段,政府通过政策和资金倾斜引导科技创新方向,完善基础设施与平台建设,分担企业成本,降低创新风险,推动核心技术快速突破和实现产业化发展[17]。在新兴产业成长阶段,一方面,政府积极推动企业、高校、科研机构之间交流与合作,促进产学研用深度融合,通过建立产学研用协同创新机制,引导各方资源向新兴产业集聚,缩短科技成果产业周期,加速科技成果转化与应用[18];另一方面,政府通过培育创新生态体系营造良好的创新氛围,加强创新网络建设和管理,促进创新资源流动和共享,借助多元化、精细化干预措施,确保科技创新与产业成长持续推进。

在科技耦合与产业成长倒U型关系中,政策干预在不同阶段发挥着不同作用。在科学—技术耦合度提升U型曲线前期阶段,科技耦合度较低,产业成长速度较快。在该阶段,新兴产业和企业面临资金短缺、技术不成熟和市场认可度低等问题,政府干预通过提供初始动力、优化创新环境、促进产学研合作等措施,为科技创新和产业升级注入强劲动力,推动科技耦合与产业成长良性互动,从而加强科学—技术耦合对产业成长的正向影响。在科学—技术耦合度提升U型曲线后期阶段,政策干预通过引导资源优化配置、推动产业转型升级、促进区域协调发展等,克服资源约束、环境压力和市场滞后性等瓶颈,为产业成长提供新发展机遇和空间[19],从而削弱科学—技术耦合与产业成长之间的负向关系。需要注意的是,尽管政府干预对促进科技与产业协同具有积极作用,但如果干预强度方式不当,则容易引发资源配置扭曲、市场机制失灵和企业创新活力受限等问题。一方面,过度干预可能会使企业形成政策依赖,削弱其自主创新能力,抑制企业原创性技术突破;另一方面,行政性配置若缺乏透明度与竞争机制,则容易引发资源垄断和创新机会不均,从而阻碍产业生态系统健康发展。此外,不恰当的政策导向容易加剧科技投入的结构性错配,导致科研成果转化效率较低[19]。综上所述,政府干预体现为在有形之手与无形之手之间保持平衡,注重政策适度性、针对性与灵活性,防止“一刀切”。本文结合理论描述与现实情境,认为政府干预在科技耦合与新兴产业成长过程中主要发挥资源优化作用。据此,本文提出如下假设:

H2:政府干预对科技耦合与新兴产业成长间关系具有正向调节作用。

2 研究设计

2.1 样本选取与数据来源

本文以信息与通信技术(Information and Communications Technology,ICT)产业为研究样本,分析不同区域该产业科学—技术耦合与产业成长特征的关系,以及区域政府干预的调节作用。ICT作为国民经济战略性、基础性和先导性产业,在移动通信、智能制造、云计算与大数据、物联网与智能设备、智慧城市与数字政府等领域发挥关键作用[20],对于揭示科学—技术耦合对新兴产业成长作用机制具有一定代表性。“科学系统”主要指ICT领域的科研成果,如公开发表的学术文献;“技术系统”则以ICT领域的技术创新成果为代表,主要表现为公开授权的技术专利。由于科学文献是科学研究成果的重要体现,技术专利是技术创新的重要载体,通过对科学文献与技术专利数据进行深入挖掘,是目前探究科学与技术关系最直接、最有效的方法[5,21]。为分析不同区域ICT产业科技耦合度与产业成长特征,重点整合与匹配该产业科学文献、技术专利、工商企业信息、产业政策、城市统计年鉴等多源数据。借鉴Dash等[22]对ICT领域关键词和IPC的检索策略,从中国知网、Web of Science数据库分别获取与ICT产业相关的CSSCI核心期刊文献和SCI/SSCI外文期刊文献,从国家知识产权局、PatSnap专利数据库分别获取国内和国外发明专利;同时,从北大法宝法律法规数据库获取ICT相关政策文件,见表1。参考现有研究做法[23],根据企业所属行业、经营业务范围不同,筛选出从事通讯设备制造、软件和计算机编程、IT咨询和服务等业务领域相关ICT企业,获取各企业工商注册、业务活动、竞品信息、融资历程、专利信息等。城市相关GDP、科技研发投入、第三产业比重等信息主要从《中国城市统计年鉴》和地方统计局获取。通过对数据去重、缺失值/异常值进行清洗处理,得到不同来源数据信息,如表1所示。同时,考虑到2000年之前数据体量较小且不稳定,故选取2000—2022年时间节点数据作为实证数据,根据中国区域城市属性字段对不同来源数据进行匹配。

2.2 计量模型构建

根据上述分析,不同区域ICT科技耦合与产业成长特征表现为倒U型关系,为检验两者的非线性关系,构建如下基准回归模型:

IGi,t=α0+α1STi,t+α2STi,t2+α3Xi,t+μi+φi+εi,t

(1)

其中,i表示不同城市,t表示不同年份;IGi,t表示ICT产业成长特征;STi,t表示科学—技术耦合度;Xi,t为一组控制变量;μ表示城市虚拟变量,以控制个体效应;φ表示年份虚拟变量,以控制观察期的固定效应;ε为随机扰动项。为进一步检验区域政府政策干预的调节作用,构建如下调节效应模型:

IGi,t=β0+β1STi,t+β2STi,t2+β3STi,t×POIi,t+β4STi,t2×POIi,t+β5POIi,t+β6Xi,t+μi+φi+εi,t

(2)

其中,POIi,t表示城市i在t年份政策干预强度。

2.3 变量选取与测度

2.3.1 新兴产业成长特征

产业成长主要包括质和量两个层面,是产业规模、产业技术和产业组织3方面综合作用的结果,现有研究主要从规模效应、配置效应和融资效应3个维度反映产业成长[24-26]。本文主要用产业聚集度、产业活跃度和产业成长性3个指标衡量ICT产业成长特征。

(1)产业聚集度。产业聚集度是衡量产业区域聚集程度和聚集密度的指标,指在某一新兴产业内部,企业及相关机构由于共性和互补性特征而在空间地理上形成的集中分布现象。该指标不仅体现为产业规模扩张和企业数量增加,更体现为企业之间通过协同作用形成持续竞争优势,主要采用地方聚集的ICT产业企业总数E、单位GDP相关企业数(E/G)、城镇人口人均企业数(E/P)3个指标加权衡量[24],即聚集度(I)=E/G+E/P。该指标值越大,说明该产业在该城市聚集程度越高,企业密度、经济贡献度、人口与产业协同性越强。

(2)产业活跃度。产业活跃度是衡量产业发展潜力的重要指标,其直接关联产业增长动力、创新能力和市场竞争力。其中,产业活跃度通过资本流向产业的密集程度反映。企业在资本市场获得的融资总量(包括股权融资、债券融资、风险投资等)直接体现资本对该产业的青睐程度,进而表征产业活跃度。因此,参考相关研究[24-25],用相关企业在资本市场接受的投资总数衡量地方ICT产业在资本市场的受关注水平。该指标值越高,表明企业融资能力越强、发展潜力越大,市场对该产业的信心与认可度越高。

(3)产业成长性。产业成长性指产业扩张速度、创新活力和经济贡献的增强程度[26],用新注册企业数量及其占比衡量。新注册企业数量增加表明该产业正吸引投资、创新和创业活动,是产业成长性的直观体现。因此,参考相关研究[24,27],用新注册企业数量及其占比反映产业内部活力、创新能力和市场吸引力。通过观察新注册企业占比变化情况洞悉产业成长动态趋势,从而把握新兴产业发展脉搏。

2.3.2 科学—技术耦合测度

科学文献承载科研成果,而技术专利则覆盖产业技术创新。对科学文献与技术专利数据进行解构是测度科学—技术耦合最直接、有效的方式[5]。本文将科学与技术系统知识体系结构转化为知识网络模型,从知识网络耦合视角考察科学—技术知识网络的动态关联,进而挖掘科学与技术之间复杂的结构关联关系。参考已有研究[21],开展基于知识网络的科学—技术耦合测度,具体步骤包括:①科技关键词抽取与对齐。通过对比RAKE、Yake和KeyBert等算法,选择最优算法,从科学文献与技术专利题名、摘要中抽取关键词,采用BERT(Bidirectional Encoder Representations from Transformers)模型训练ICT产业的科学—技术语料库,基于预训练语义模型对科学—技术知识元进行对齐,包括科学知识元自对齐、专利知识元自对齐和科学—技术知识元自对齐,解决科学概念与技术术语之间粒度不匹配、表达方式差异等问题。②科技时序知识网络构建。将词对齐结果作为科学—技术核心知识元,根据知识元共现关联关系构建不同年份科学—技术知识网络。③科学—技术网络耦合计算。基于网络肖像距离(Network Portrait Divergence,NPD)算法[28]测算科学—技术知识网络之间的时序耦合强度。该方法分为两步:一是网络肖像生成,即利用广度优先搜索方法测算科学—技术知识网络中各节点的最短路径长度,将生成的路径长度分布投影成二维网络肖像;二是肖像距离计算,即采用Kullback-Leibler散度方法测算科学与技术概率分布差异Distance(G1,G2),并采用1-Distance(G1,G2)作为科学—技术耦合度,如图1所示。

为规避不同科学—技术耦合测度方法对科学—技术关系和产业成长的影响,本文进一步基于最大公共子图加权距离(Maximum Common Subgraph Weight Distance)[29]方法测算ICT产业科学—技术关联性,检验科学—技术耦合对产业成长特征影响的稳健性。

2.3.3 政策干预强度

政策干预通常将特定政策实施作0-1二分变量的简化处理,采用双重差分模型进行近似样本(对照组)与实验样本(处理组)差异比较,以得到统计意义上政策作用的无偏估计。这种测量方法仅考虑某一政策是否采纳且将政策实施视作一次实验,假设政策采纳概率和行为与时间无关,无法揭示政策采纳行为随时间变化的动态特征。考虑到政策干预并非瞬时完成,其过程通常包括政策制定、发布、传导与落实多个阶段,具有显著的时间扩展性和累积性特征。尤其是在区域治理背景下,不同地方政府在不同时期发布的产业政策数量往往反映其对特定产业关注程度、支持强度及制度供给的密集程度。因此,政策文件数量是衡量政策干预强度的可操作性指标。本文统计各地区在不同时期发布的ICT产业相关政策文件数量,据此构建区域—年度层面政策干预强度指标,以反映政策供给的实际密度与导向特征。

2.3.4 控制变量

考虑到影响产业成长的因素较多,参考现有研究,引入一组相关控制变量X,以考察科技耦合对产业成长回归估计的无偏性。相关变量主要包括:①区域经济发展水平:采用人均地区生产总值(人均GDP)衡量,即以全市地区生产总值除以城市年末总人口得到。②研发投资强度:产业创新能力提升很大程度上取决于研发投入的持续增加,采用各城市内部研发支出与总产值的比值衡量。③产业结构:产业结构升级反映区域产业生产要素的合理配置,采用第三产业占GDP的比重测度。④研发人员投入:较高人力资本更有可能整合和创造生产性知识,采用R&D人员折合全时当量表征。

3 实证结果分析

3.1 ICT产业科学—技术耦合

图2呈现ICT产业在各区域聚集度、活跃度和成长性的动态变化情况。可以看出,随着时间变化,ICT产业成长特征逐渐增强。ICT产业聚集度增强不仅体现为企业数量增加,还体现为ICT产业链上下游企业紧密协作和创新生态形成,这种高技术产业集聚使得产业在空间距离、市场结构、接受能力及社会网络等方面更具有优势。ICT产业活跃度增强主要体现为技术创新和市场需求不断增长,ICT快速发展和通信方式多样化、个性化,催生出新产品、新服务和新业态,引发行业内涵、边界、主体不断扩展,服务对象更广、服务种类更多、服务能力更强。值得注意的是,本文采用在资本市场中企业获得的投资数量作为活跃度指标,用以反映资本对产业热度的阶段性关注。2018—2020年产业活跃度出现下滑,一定程度上受宏观金融市场波动与资本市场调整的影响。ICT产业成长性逐渐增强表现为产业规模不断扩大、企业数量不断增多,主要得益于技术进步、市场需求和政策支持的共同影响。另外,ICT产业内部科学—技术耦合度也随时间演化逐渐增强。

3.2 基准回归分析

为降低多重共线性的不良影响,采用方差膨胀因子法(Variance Inflation Factor,VIF)检验各变量之间的相关关系。结果显示,所有变量的平均VIF为1.99,最大VIF值为3.16(<10),说明模型不存在严重的多重共线性问题。为规避伪回归问题、保证模型有效性,对数据平稳性进行单位根检验。同质面板单位根 Hadri检验和异质面板单位根Fisher-ADF检验结果显示,所有变量单位根均在5%水平上显著,表明模型中各变量时间序列均具有平稳性。为进一步判断多时间序列之间是否存在长期稳定关系,对多变量回归分析进行协整检验,结果如表2所示。Kao检验和Pedroni检验结果表明,两项检验均在1%(P<0.01)水平上强烈拒绝原假设,表明变量时间序列之间存在长期协整关系。

表3呈现科学—技术耦合度对产业成长特征(聚集度、活跃度和成长性)的回归结果。根据模型1、模型3 和模型5,在未加入控制变量情况下,科学—技术耦合度及其平方项系数分别为正和负,且至少在5%水平上显著,表明科学—技术耦合与产业成长之间呈倒U型非线性关系。根据模型2、模型4 和模型6,在加入控制变量后,两者的倒U型关系依然显著。

为验证倒U型关系的有效性,对曲线关系是否稳定、所用数据是否能够表征曲线极点(最高点或最低点)、是否存在高幂次函数(如三次方或者高阶次方)、“U”型关系是否真正成立等进行验证。借鉴Lind &Mehlum[30]开发的U型曲线稳健性检验方法,首先利用沃德检验(Wald test)评估变量不同效应的联合显著性。表4结果显示,科学—技术耦合及其平方项的联合效应显著。其次,计算最小值和最大值边界处的曲线斜率,观察两处斜率及其显著性,判断是否与U型曲线趋势一致。在科学—技术耦合最低处和最高处,曲线斜率显著且存在正负号,表明U型关系存在。再次,计算U型关系极值点并进行Fieller置信区间检验,观察极值点和置信区间是否在取值范围内。结果发现,科学—技术耦合作用于产业成长的主效应极点值和置信区间均在自变量数据范围内,并在1%统计水平上拒绝原假设。最后,基于Utest检验进行整体U型曲线判断,发现在至少1%统计显著性水平上拒绝零假设。此外,本文借鉴Simonsohn &Nelson[31]的二次回归改进方法,验证假设H1中倒U型非线性关系稳健。

3.3 调节效应检验

表5呈现政策干预强度对科学—技术耦合与产业成长关系的调节效应。模型1、模型3和模型5回归结果表明,政策干预强度对产业聚集度、产业活跃度和产业成长性具有显著正向影响。根据模型2、模型4和模型6,政策干预强度与科学—技术耦合及其平方项交互项至少在10%水平上显著,表明区域政府政策干预在科学—技术耦合与产业成长之间发挥调节作用。另外,在引入政策干预的调节效应后,倒U型曲线二次项系数的绝对值变大,说明政策干预使得科学—技术耦合与产业成长间的倒U型关系曲线变得更加陡峭。

图3呈现不同政策干预强度下科技耦合与产业成长特征之间的关系。当产业科技耦合水平较低时,高政策干预强度曲线斜率较大,即科技耦合对产业聚集度、产业活跃度和产业成长性的积极影响更加显著,表明政策干预能够强化科技耦合的正向效应。当科技耦合水平较高时,过高政策干预强度容易引发资源配置扭曲、市场机制失灵和企业创新活力受限等问题,进而加剧科技耦合对产业成长特征的负向影响,使得倒U型曲线的后半段迅速下降,呈现一条更陡峭的倒U型曲线。另外,政策干预在促进科技耦合与产业成长特征倒U型曲线变窄的同时,会使曲线极值点向左移动,表明政策干预促进科技耦合所带来的产业成长峰值提前到达。总体而言,政策干预正向调节科技耦合与产业成长特征的倒U型关系。

为进一步考察政策干预强度对科学—技术耦合与产业成长倒U型关系的调节作用,借鉴Haans等[32]的两项标准进行检验。由表5模型2可知:①β1=3.609,β2=-4.034,β3=4.524,β4=-6.213,表明随着政策干预强度增强,科学—技术耦合与产业聚集度之间的倒U型关系拐点向左偏移;②科学—技术耦合平方项与政策干预交互项的回归系数显著为负(β4=-6.213,p<0.1),表明调节变量增强了科学—技术耦合与产业聚集度之间的倒U型关系。同时,根据模型4和模型6中的回归系数发现,政策干预正向调节科学—技术耦合与产业活跃度、产业成长性之间的非线性关系。

3.4 稳健性检验

为分析科学—技术耦合对产业成长的直接效应以及政策干预调节效应的稳健性,通过替换科学—技术耦合和政策干预强度测算方法以及回归计量模型重新进行检验,结果如表6所示。①替换科学—技术耦合测度方法。基于最大公共子图加权距离方法,通过识别科学—技术知识网络中具有相同结构的最大子图测算ICT产业中科学—技术网络拓扑相似。模型1、模型4和模型7结果表明,科学—技术耦合与产业成长之间依然呈现倒U型非线性关系。②替换政策干预强度计算方法。用不同区域政府在特定年份发布政策的相对强度代替政策数量进行测度。模型2、模型5和模型8结果表明,政策干预依然正向调节科学—技术耦合与产业成长间的倒U型关系。另外,考虑到政策干预影响产业成长存在一定滞后性,本文检验当期政策干预对下一期产业成长的影响,结果仍然一致。③FGLS回归模型检验。由于研究数据为长面板数据,且组间异方差检验、组间同期自相关检验和组内自相关检验结果存在异方差和自相关性,模型3、模型6和模型9采用全面FGLS进行回归分析,进一步验证本文研究结论的稳健性。另外,借鉴相关研究[33],利用主成分分析法构建投资金额、投资案例数量、增长速度的综合指标测度新兴产业活跃度,结果表明上述结论依然稳健。

4 结论与启示

4.1 研究结论

本文以信息与通信技术(Information and Communications Technology,ICT)产业为研究样本,通过整合和匹配多源异构数据建立不同区域“产业—科学—技术”关联,分析不同区域该产业科学—技术耦合与产业成长特征的关系,以及区域政府政策干预的调节作用,得出以下结论:

(1)ICT产业科技耦合与成长特征随着时间演化逐渐增强。ICT产业聚集度增强主要体现为随着时间演进,产业规模扩张、企业数量增加以及ICT产业链上下游企业紧密协作和创新生态系统形成;ICT产业活跃度增强主要体现为技术创新和市场需求不断增长;产业成长性增强则主要体现为由于新注册企业数量逐渐增加,促使产业扩张速度加快和创新活力增强。

(2)科学—技术耦合与ICT产业成长特征呈现倒U型非线性关系。适度的科学—技术耦合关系有助于推动科技成果快速转化和产业化,促进产业成长。然而,当科学与技术耦合程度过高或过低都有可能对ICT产业成长造成不利影响。过高耦合可能导致科学研究过度依赖技术需求,忽视基础研究的长期价值,导致技术创新缺乏足够理论支撑而陷入瓶颈。相反,过低耦合则会导致科学研究与产业需求脱节,使得科研成果难以转化为实际应用,技术创新难以形成持续创新动力。

(3)区域政府政策干预正向调节科学—技术耦合与ICT产业成长特征之间的倒U型关系。在科学—技术耦合度提升U型曲线前期阶段,政府干预通过提供初始动力与支持、优化创新环境、促进产学研合作等措施,推动科技耦合与产业成长良性互动,增强科学—技术耦合对产业成长的正向影响。在科学—技术耦合度提升U型曲线后期阶段,政策干预通过引导资源优化配置、推动产业转型升级、促进区域协调发展等措施,为产业成长提供新发展机遇和空间,从而削弱科学—技术耦合与产业成长之间的负向关系。

4.2 研究启示

(1)制定ICT产业发展区域差异化策略,动态调整政策目标。ICT产业时空差异性本质上是技术、制度与地理要素的动态耦合结果。ICT产业空间分布呈现“东部高集聚、中西部低活跃”的显著分布特征,这种分化源于要素禀赋差异、空间溢出有限性、政策适配不足。因此,需构建差异化区域发展策略,如东部着力技术突破,中西部强化基础能力与协同机制,形成“多维互补、动态演进”的ICT产业生态。同时,重视科学—技术-政策协同在ICT产业成长中的作用,动态调整ICT产业政策工具箱,适配区域阶段性成长需求,构建“精准识别差异—动态适配工具—多层级风险对冲”的韧性治理框架。

(2)维持ICT产业科学与技术知识体系适度耦合。在ICT等技术密集型产业成长过程中,寻找科学与技术的适度耦合点,实现两者协同发展,是提升产业发展能力和竞争力的有效路径。通过搭建跨学科交流平台、推动产学研用深度融合、加强基础研究与应用研究衔接等措施,可促进科学知识与技术知识有效融合和相互作用。同时,要避免由认知锁定与思维惯性、利益驱动与资源集中、制度约束与文化影响等导致的科学与技术过度耦合,其会造成资源配置单一和创新路径同质化等问题。应通过优化资源配置和利益分配机制,强化市场导向与需求驱动,进而促进产业成长。

(3)适度政策干预能够缓解科技耦合的负向效应,促进ICT产业健康发展。ICT产业具有技术快速更迭、产业链结构复杂等特征,科学与技术协同驱动产业成长的过程比较复杂,亟需政府、企业和科研机构共同发力。区域政府可通过优化基础研究布局、加强产学研合作、完善科技成果转化机制等路径,实现科学与技术协同驱动ICT产业成长,为经济高质量发展和社会可持续进步提供有力支撑。

4.3 不足与展望

本文存在一些局限性。首先,仅从科学知识体系与技术知识体系耦合视角进行研究,未来可从科学系统与技术系统“投入—产出”构成要素耦合、转化效率耦合、知识体系耦合等多维角度进行研究;其次,仅以ICT产业为研究对象,忽视了科学—技术耦合对其它类型产业的作用,未来应整合与匹配多类型产业数据进行实证分析;最后,对产业成长特征的测度主要基于工商企业信息,并通过匹配科学文献数据、区域政策数据等检验科技创新与产业成长的关系,未来可深度挖掘企业运营数据和年度报告等信息,揭示产业成长机制。

参考文献：

[1] 叶振宇,庄宗武.产业链龙头企业与本地制造业企业成长:动力还是阻力[J].中国工业经济,2022,40(7):141-158.

[2] 吴艳,贺正楚,邹彬.驱动未来产业成长的机理与组态路径:基于数字创新生态系统的视角[J].科学决策,2025,32(4):10-20.

[3] 赵放,张淼,蒋国梁,等.科技创新和产业创新深度融合时空演化特征与机制研究——以高技术产业为例[J].科技进步与对策,2025, 42(13): 71-84.

[4] 张林山,陈怀锦.以科技体制改革促进我国科技创新和产业创新深度融合[J].改革,2024,37(8):35-44.

[5] BA Z C,LIANG Z T.A novel approach to measuring science-technology linkage: from the perspective of knowledge network coupling[J].Journal of Informetrics,2021,15(3):101167.

[6] WANG J J,HOU W F,LI Y, et al.Beyond boundaries: exploring the interaction between science and technology in fusion knowledge communities [J].Information Processing &Management,2025,62(4):104102.

[7] 徐宗煌,蔡鸿宇,张伟,等.我国科技安全系统耦合协调评价与驱动因素研究[J].科技进步与对策,2025,42(12):117-128.

[8] 马亚雪,巴志超,曹祯庭,等.科学—技术关联对高技术产业创新绩效的影响研究——对外技术依存度的调节作用[J].情报学报,2024,43(7):839-849.

[9] 王茤祥,刘杨.科技创新的“专业—产业”耦合范式与实践——以京津冀国家技术创新中心“三元耦合”协同创新机制为例[J].中国软科学,2022,37(11):175-180.

[10] 胡登峰,黄紫薇,李博,等.关键核心技术突破助推链长职能的培育机制研究[J].管理世界,2024,40(6):169-195.

[11] LUO T,ZHANG Y Q,ZHENG M G,et al.Can science and technology resources co-evolve with high-tech industries? empirical evidence from China[J].Technological Forecasting and Social Change,2024,208:123665.

[12] CHEN X,MAO J,MA Y X,et al.The knowledge linkage between science and technology influences corporate technological innovation: evidence from scientific publications and patents[J].Technological Forecasting and Social Change,2024,198:122985.

[13] LIN Z Z,LI S N,ZHOU H W,et al.Nonlinear impact of the interaction between internal knowledge and knowledge spillover on patent quality: evidence from China′s provincial high-tech industry[J].Managerial and Decision Economics,2023,44(1): 562-575.

[14] CHEN X,YE P F,HUANG L,et al.Exploring science-technology linkages: a deep learning-empowered solution[J].Information Processing &Management,2023,60(2):103255.

[15] 赵放,张淼,蒋国梁,等.科技创新和产业创新深度融合时空演化特征与机制研究——以高技术产业为例[J].科技进步与对策,2025,42(13):71-84.

[16] 贾卫峰,赵煜昕,刘梦.数字技术赋能产业链与创新链融合模式研究——核心-边缘理论视角[J].科技进步与对策,2025,42(19): 59-69.

[17] HUANG J J.Corporate social responsibility and financial performance: the moderating role of the turnover of local officials[J].Finance Research Letters,2022,46:102497.

[18] 黄菁菁,谢荣辉.协同创新促进产业技术升级的路径研究[M].北京:企业管理出版社,2022.

[19] 贾卫峰,李尚蓉,王艺宁.产业政策视角下数字技术对产业链与创新链融合的影响[J].科技进步与对策,2024,41(24): 72-84.

[20] 蒋仁爱,王龙国,杨圣豪,等.ICT与城市创新产出——创新增长、质量分化与空间溢出距离分析[J].科技进步与对策,2023,40(12):66-77.

[21] MENG K,BA Z C,MA Y X,et al.A network coupling approach to detecting hierarchical linkages between science and technology[J].Journal of the Association for Information Science and Technology,2024,75(2):167-187.

[22] DASH M K,SINGH C,PANDA G,et al.ICT for sustainability and socio-economic development in fishery: a bibliometric analysis and future research agenda[J].Environment, Development and Sustainability,2022,25:2201-2233.

[23] 王林辉,姜昊,董直庆.工业智能化会重塑企业地理格局吗[J].中国工业经济,2022,40(2):137-155.

[24] 腾讯研究院.数字化转型指数报告2023:构建未来产业竞争力[EB/OL].(2023-07-07) [2024-04-24].https://www.tisi.org/26275/.

[25] REBER B.Estimating the risk——return profile of new venture investments using a risk-neutral framework and thick models[J].The European Journal of Finance,2014,20(4):341-360.

[26] 庄仲乔.产融结合促进中国新兴产业成长的机制与路径研究[D].西安:西北大学,2019.

[27] ANNUSHKINA O E,MERCHANT H,COLONEL R T,et al.How do emerging markets differ from developed markets? a conceptual and empirical analysis[M].Cheltenham:Edward Elgar Publishing, 2016.

[28] BAGROW J P,BOLLT E M.An information-theoretic, all-scales approach to comparing networks[J].Applied Network Science, 2019,4(1):1-15.

[29] GOUDA K,HASSAAN M.CSI_GED: an efficient approach for graph edit similarity computation[C].Finland:2016 IEEE 32nd International Conference on Data Engineering (ICDE),2016.

[30] LIND J T,MEHLUM H.With or without U? the appropriate test for a U-shaped relationship[J].Oxford Bulletin of Economics and Statistics,2010,72(1):109-118.

[31] SIMONSOHN U,NELSON L.Thirty-somethings are shrinking and other U-shaped challenges [EB/OL].(2014-09-17) [2024-04-24].https://datacolada.org/27#footnote _3_720.

[32] HAANS R F J,PIETERS C,HE Z L.Thinking about U: theorizing and testing U-and inverted U-shaped relationships in strategy research[J].Strategic Management Journal,2016,37(7):1177-1195.

[33] 赵文楠,金蛟.中国企业对外直接投资活跃度评价工具的构建[J].经济统计学(季刊),2016,4(2):130-138.

(责任编辑：王敬敏)