科技金融政策、資金網絡與企業創新績效
——基于潛在狄利克雷分布模型

李媛媛，陳文靜，王 輝

（河北工業大學經濟管理學院，天津 300401）

科技企業是技術創新活力之源，是實現技術跨越的主要力量。但由于科技企業具有高風險、低資產的特征，容易產生融資不足的市場失靈現象，新冠肺炎疫情更是加劇了科技企業發展難的問題。科技金融政策在一定程度上可以幫助企業解決用工、資金、專利保護等問題，推動科技企業安全并高質量發展。國內學者對科技金融效能已逐步重視，需要各方各面的科技金融政策共同發力，對企業的各類短板“對癥下藥”，才能讓資金順利達到科技領域以支持企業創新、提升科技金融效能，從而直接或間接彌補企業科技創新的不足。我國目前頒發的科技金融政策具有一定的偏向性、針對性，但不同類型科技金融政策的創新績效存在差異，并且過度的政策支持也有可能會導致企業尋租行為等不良現象，因此對科技金融政策的績效水平仍存在爭議。目前，網絡化信息技術的突破和企業組織網絡化趨勢的加強使得企業創新體系正從傳統封閉式向開放網絡化轉變，資金網絡描繪了企業與資金供給方之間的關系，是獲取包括資金、技術等有形資源與社會支持等無形資源的重要媒介，更是共享資源的重要平臺。在資金網絡的支持下，企業有更充裕的資源與精力投入創新與發展，更好地滿足企業在發展中的多重個性化需求。那么在科技金融政策制定和實施過程中，能否借助網絡中企業與資金供給方的密切聯系及其二者間的資金流動，進一步釋放科技金融效能，從而提升企業創新績效呢？我國科技金融政策研究還需從企業網絡特征視角找到新的契合點，以深入挖掘科技金融政策潛力，為政策供給提供方向性引導，提高科技金融政策績效，從而進一步激發企業創新活力。

1 文獻回顧

1.1 科技金融政策的類型劃分

已有文獻常采用內容分析法對科技金融政策進行手動分類。有的學者根據政策支持的直接與否，將其劃分為資金支持政策和公共服務政策，資金支持政策主要包括稅費減免、專項補貼和政府采購政策，公共服務政策主要涉及知識產權保護和簡政放權［1］。還有的學者從市場主體角度出發，將科技金融政策分為科技政策、產業政策和金融政策三大類［2］，或更具體地分為財政補貼、稅收優惠、風險投資、科技信貸、科技保險、科技擔保、服務平臺和金融監管政策等8 類［3］。結合大數據分析方法對政策進行文本聚類，不僅可以提高文本處理速率［4］，還能夠憑借技術理性和機器效率挖掘出政策文本的潛在信息，為后續的文本量化提供有力支撐［5］。但政策文本始終不是由單純的字拼湊而成，其文字背后包含一定語義，如何解決隱藏在詞語背后的語義問題是文本挖掘的一大問題。為解決這一問題，Deerwester［6］首次提出潛在狄利克雷分布（LDA）模型，用于探索詞語之間的潛在語義關系；隨后，Hofmann［7］改進了潛在語義分析（LSA）模型，提出概率潛在語義分析（PLSA）模型，選擇結合概率模型避免聚類過程中的重復計算，但無法計算過大的數據量；最后，Blei 等［8］在上述模型基礎上使得文檔、主體和詞的概率分布參數服從狄利克雷先驗分布，是對PLSA 模型的改進，防止了過擬合現象，增強了模型的泛化能力。目前，在政策分析領域，可運用LDA模型挖掘地市政策實施的側重點，并與中央層面對比探究其不足［9］；也可用于探明修訂政策時公眾意見的主題領域，與具體修訂情況進行對比，從而考察政策制定對于公眾反饋的采納偏好和參考程度［10］。

1.2 科技金融政策績效評價

政策績效評價主要是針對政策運行實施情況的評價［11］，并分為正向效應、負向效應和混合效應3類作用觀點。一方面，通過政策供給，政府補貼能夠促進企業擴大投資規模，引導企業投資方向，提高投資效率和規模效率，對于企業創新活動的激勵效應是顯著存在的［12］。另一方面，部分學者發現企業多數偏好在政府支持的領域進行創新活動，導致激勵扭曲，擠出了政府未投資領域的創新行為，減少了在這些領域的研發投入［13］。此外，越來越多的研究結果發現，政府政策支持對于企業的創新活動同時存在正向效應和負向效應。在政策方面，Guellec 等［14］指出財政激勵對企業研發有短期的積極影響，但由于長期存在較高的稅收減免，會出現消極影響。在企業方面，Clausen［15］發現政策效應具有異質性，在社會回報率差距較大的領域，政府補貼具有更強的刺激效應。

1.3 網絡在政策績效評價中的作用

隨著經濟加速轉型，企業正在從傳統封閉式的創新體系逐漸向開放網絡化的創新體系轉變［16］。復雜網絡理論與政府科技政策制定具有內在的契合性，能夠揭示政策制定的復雜性產生的內在機理及內在規律［17］。因此，網絡視角得以引入。處于網絡中心位置的企業可被稱為“核心行動者”，它們的行為常被其他成員學習與跟隨，因此中心企業可以影響甚至決定網絡中其他成員的行為以及行為的選擇模式，進而對政策的制定與實施產生一定影響。并且，中心企業連接邊更多，即擁有更多合作伙伴與知識要素，這將會帶來許多可以幫助企業利用潛在資源的額外信息，有助于企業把握創新機會［18］，以便將更多資金用于更值得投資的研究方向上，促進資金有效流動，保障科技金融政策績效。

綜上所述，運用大數據分析方法進行文本聚類可以快速挖掘政策語義，提升類型劃分的效率，并且在對政策進行績效評價時，需要深入到網絡層面進行研究，考慮資金網絡特征在績效產生過程中發揮的效應。基于此，本研究運用Python 軟件對科技金融政策進行LDA 聚類分析，通過科學劃分科技金融政策類型，挖掘不同類型政策的創新績效差異，探求資金網絡在不同類型政策實施過程中的效用，進而提出有針對性的建議。

2 科技金融政策的類型劃分與量化

2.1 政策文本采集與預處理

（1）數據采集。數據收集對象為全國適用的、與科技金融相關的政策文本。在中國法律檢索系統中，通過設定“科技金融”“ 技術創新”“科技貸款”“風險投資”和“科技擔保”等17 個關鍵詞作為法規全文檢索詞，搜索下載我國2011—2020 年頒布的政策文件。進行篩選與剔除后，最終納入研究的科技金融政策共計223 項（以下簡稱“樣本政策”）。

（2）數據預處理。為了更好地利用Python 軟件對文本數據進行分析，首先對數據進行預處理，主要包括數據清洗、文本分詞、去除停用詞3 個步驟。

1）數據清洗。原始文本數據中包含一些特殊字符或英文字符，這部分數據價值含量低、數據結構混亂，易導致挖掘結果出現偏差，所以在數據清洗中選擇只保留文本中的漢字字符，并且采用正則表達方式。

2）文本分詞。通過文本分詞能夠縮小研究細粒度，在分詞基礎上進行的文本挖掘工作將會更加精確。使用Python 軟件中的jieba 程序包進行中文文本分詞，并將“財政補貼”“融資擔保”和“風險投資”等科技金融政策較獨有的詞匯匯總設置為字典，在分詞中予以保留。

3）去除停用詞。分詞后發現“了”“的”和“我”等無實際意義的詞所出現頻次較高，對后續文本分析結果的解讀幫助非常小，甚至可能會產生干擾作用，所以需要剔除。結合常見的3 種通用停用詞表（《哈爾濱工業大學停用詞表》《百度停用詞表》和《四川大學人工智能實驗室停用詞庫》），將對科技金融政策研究無用的高頻詞加入停用詞詞典，構建了自定義停用詞詞典，并依據該詞典在分詞結果中剔除停用詞。

2.2 主題個數選取

LDA 是一種機器學習技術，可以用來識別大規模文檔文件中潛藏的主題信息。LDA 模型算法可以保證一份文件的每個詞都會通過一定概率選擇某個主題，并且該主題也會有一定概率選擇某個詞語，從而實現主題與詞語的匹配，而政策分類也可視為類型與文件語義的匹配。LDA 模型以更快的效率實現了文本主題劃分，與政策分類具有一定的適用性，因此本研究選取LDA 算法對文本進行聚類。LDA 提取的每一個主題都應該是一個可理解的、有意義的、緊湊的語義簇，過多或過少的主題數量都不利于后期的具體分析。若主題數量較多，主題易重疊且相關性較高；但是若主題數量較少，主題包含的信息將過于冗雜。因此確定主題個數k值至關重要。借鑒Blei 等［8］的方法計算了不同主題數量對應的困惑度，樣本政策的主題數量困惑度和主題數曲線如圖1 所示。

圖1 樣本政策主題數量及其困惑度關系分布

2.3 主題提取與結果分析

從圖1 可以明顯看出，隨著主題數增加，困惑度隨之減小且困惑度下降速度變慢，當主題數為4個時，困惑度趨于平穩，繼續增加主題數所得到的邊際收益明顯減小。因此，確定樣本政策的最佳主題數為4 個，即將科技金融政策分為4 類最為合理。首先使用詞頻-逆向文件頻率（TF-IDF）算法抽取政策文本中的關鍵詞，此方法在文本挖掘中被廣泛用于評估一個詞語對文本的重要程度；隨后，依據TF-IDF 值較高的詞語進行LDA 聚類，聚類結果如表1 所示。可以看出，主題1 聚焦于國家整體的創新發展和對中小企業的創業支持，是對未來創新發展方向的宏觀規劃，以進一步引導平衡各類技術的差異性發展，充分激發民眾創業熱情，因此，主題1 可看作是宏觀導向類政策；主題2 聚焦于金融對實體企業的支持，此類政策鼓勵金融機構以降低門檻、減少息費等手段，通過銀行貸款、風險投資、設立基金等方式給予企業直接的資金支持，以緩解企業融資壓力，因此，主題2 可看作是資金支持類政策；主題3 聚焦于建設協同創新平臺，提倡合理運用互聯網技術，利用數字化優勢建立平臺幫助企業開展供需對接、資源匹配等工作，實現資源整合、信息共享、協同創新，因此，主題3 可看作是平臺建設類政策；主題4 聚焦于知識產權的保護，要求科技部規范專利項目申報流程，制定相關政策保護高價值核心專利，同時推動樹立版權意識、品牌觀念和專利思維，使我國從知識產權引進大國向知識產權創造大國轉變，從而激發企業創新活力，因此，主題4 可看作是專利保護類政策。

表1 樣本政策主題的LDA 聚類結果

2.4 政策分類量化

為了更全面地反映科技金融政策的內容和效度，在借鑒程翔等［19］、楊宜［20］研究的基礎上，從政策力度、政策目標和政策措施3 個維度對4 類科技金融政策進行量化，具體標準如表2 所示。科技金融政策力度是指政策頒布實施后特定社會群體對政策的信服程度，這與政策效力息息相關，本研究依據中國法律檢索系統顯示的政策效力級別來度量科技金融政策力度。科技金融政策目標是指有關主體為了促進科技金融相關問題的解決而采取的政策行為所要達到的目標、指標和效果，具有明確性、針對性和可能性的特點，本研究主要從政策對科技金融支持的全面程度，及其在處理科技金融發展中所遇到問題的行政效率的高低來度量科技金融政策目標。科技金融政策措施是指解決科技金融問題采取的具體處理辦法，本研究主要從具體措施的詳細程度來度量科技金融政策措施。

表2 科技金融政策量化標準

在對科技金融政策措施、政策目標和政策力度進行賦值量化后，首先將目標分值和措施分值相加之和乘以力度分值，得到某項科技金融政策的評價分值如下：

式（1）中：Si為第i項科技金融政策的評價分值；Pi為第i項科技金融政策的政策力度分值；Ti為第i項科技金融政策的政策目標分值；Mi為第i項科技金融政策的政策措施分值。

隨后依據以上分類結果，計算每年不同類別政策的得分情況。由于每項政策都有自己所屬的分類，計算出每類政策每年的總得分后，除以每年每類政策數量，得到的平均值即為每年每類政策的評價分值。評價分值計算方式如下：

式（2）中：SSjt為第t年第j類科技金融政策的評價分值；n為第t年第j類政策的項數；Si為第i項科技金融政策的評價分值。

3 研究假設與研究設計

3.1 研究假設

3.1.1 不同類型科技金融政策對企業創新績效的影響

（1）宏觀政策主要是為企業創新提供方向、力度與節奏［21］，通過制定國家層面戰略方針，可以確定未來發展的創新導向、國家支持的創業類型與亟需突破的技術瓶頸，從而引導區域因地制宜地落實詳細規劃，逐步形成崇尚創新精神，以及敢于拼搏創業、勇于科技研發的價值導向和文化氛圍，進一步激發企業創新活力。基于此，提出如下假設：

H1a：宏觀導向類科技金融政策有助于提升企業創新績效。

（2）企業創新活動的開展通常會受到資金約束［22］，再加上創新研發具有風險大、周期長、投入高等不確定性，科技企業融資難問題較為突出，而通過資金支持類科技金融政策的實施，增加了企業融資渠道，提升了融資便利性，更充足的資金有利于企業購置固定資產、擴大市場規模以及加大科技研發的投入，從而助力企業創新成長，保障了專利產出。基于此，本文提出如下假設：

H1b：資金支持類科技金融政策有助于提升企業創新績效。

（3）運用互聯網技術構建電子平臺是構建數字政府、實現國家治理能力現代化的現實通道［23］。通過平臺建設，可以實現創新資源和信息的集成，推動相匹配的要素之間以最便捷合理的方式相結合，從而提升政府服務效率，優化企業創新環境，加強企業創新信心。基于此，提出如下假設：

H1c：平臺建設類科技金融政策有助于提升企業創新績效。

（4）知識產權保護制度授予發明人排除權和臨時壟斷權，在一定程度上保障了創新回報［24］，專利保護類科技金融政策也是如此。一方面，此類政策賦予創新企業合規的專利認證，企業可以合理經營或出售其知識成果，不必擔心技術被盜用，促進了技術市場化；另一方面，權責分明的專利保護類政策為技術轉移轉化提供了紐帶與契機，企業間知識元素得以有效流動，有利于新產品的研究開發、新產業的優化拓展，加速技術專利產出，促進知識市場的繁榮發展。基于此，提出如下假設：

H1d：專利保護類科技金融政策有助于提升企業創新績效。

3.1.2 網絡效應下不同類型科技金融政策對企業創新績效的影響

（1）網絡中心度衡量企業在網絡中所處位置的中心程度，處于較高網絡地位的企業具有一定的權威性與便利性，資金、信息與知識資源較為充足，獲取資源的成本較低，更有助于企業提升創新績效。資金網絡中心企業多為行業龍頭或具有較優資質的企業，對其他企業有一定的領航作用，而宏觀導向類科技金融政策的制定初衷就是為創新發展提供一定指向性。中心企業的發展一般與宏觀大方向契合度較高，可以利用其他企業對中心企業的依賴性與跟隨性，推動行業整體發展質量符合預期，因此，在一定程度上把控中心企業發展趨勢，可以幫助此類政策取得更好的績效。基于此，提出如下假設：

H2a：網絡中心度增強了宏觀導向類科技金融政策對企業創新績效的促進作用。

（2）資金網絡內部連邊代表著資金的流動，中心度越高說明企業的資金優勢越顯著，較高的中心度減少了企業獲取資源所需時間和資金，為企業滿足自身的研發需求提供便利，從而中心企業能夠更有效地利用科技金融政策促進創新績效提升。基于此，提出如下假設：

H2b：網絡中心度增強了資金支持類科技金融政策對企業創新績效的促進作用。

（3）網絡中心度較高的企業具有一定的地位優勢，與網絡內其他成員知識與信息的交換頻率較高，并具有一定的持久性，網絡中連邊雙方的信任度與知識信息共享程度較高，可以幫助平臺建設類科技金融政策實現資源整合，有利于后續的資源開發拓展和匹配優化，促進雙方共贏、提高政策績效。基于此，提出如下假設：

H2c：網絡中心度增強了平臺建設類科技金融政策對企業創新績效的促進作用。

（4）在具有良好的專利保護水平基礎上，資金網絡近似于技術轉移的“橋梁”。中心企業可以在公開透明的網絡環境中出售或轉移自己所擁有的知識元素，不僅提高了技術轉移效率，也大大降低了轉移成本，有助于提升專利產出數量，即專利保護類科技金融政策的創新績效得以提升。基于此，提出如下假設：

H2d：網絡中心度增強了專利保護類科技金融政策對企業創新績效的促進作用。

綜合以上分析，得到基本概念模型如圖2 所示。

圖2 研究基本概念模型

3.2 研究設計

3.2.1 數據來源

政策樣本數據情況如以上所述。企業數據方面，選取2011—2020 年創業板上市企業作為初始樣本，并剔除金融行業上市企業、缺失數據的企業和經營情況異常的企業，數據來源于國泰安CSMAR 數據庫、同花順iFinD 金融數據庫。

3.2.2 變量定義與測度

（1）被解釋變量為企業創新績效。本研究認為專利是企業新技術、新產品以及新工藝的具體體現，故采用企業專利數量進行衡量。

（2）解釋變量為4 類科技金融政策，分別為宏觀導向類科技金融政策（Z1）、資金支持類科技金融政策（Z2）、平臺建設類科技金融政策（Z3）和專利保護類科技金融政策（Z4）。政策數據依據上述政策量化打分所得。

（3）調節變量為資金網絡中心度（degree）。借鑒李媛媛等［25］的方法，以資金供給方和企業作為兩方節點，但在邊的鏈接方式上進行改良，選取實際發生的資金數額大小作為鏈接依據，網絡構建完成后，運用UCINET 軟件輸出資金網絡中心度。

（4）控制變量具體如下：1）資產收益率（roa）。資產收益率可以反映企業的盈利能力；利用稅后凈利潤與總資產的比值衡量資產收益率。2）企業年齡（age）。隨著企業年齡的增長，企業規模、投資機會和人力結構等都會發生變化，企業年齡對創新績效具有重要影響；利用當期年份與企業成立年份之差衡量企業年齡。3）資本結構（lev）。保持健康的資本結構更有利于企業的長期可持續發展；利用期末總負債與期末總資產的比值衡量資本結構。4）研發投入強度（inv）。利用研發投入總額與營業收入額衡量研發投入強度。

3.2.3 研究方法

通過F檢驗判斷所采用的面板數據模型是否為非混合效應模型，隨后運用Hausman 檢驗進行隨機效應模型回歸分析適用性檢驗。被解釋變量屬于大于0 的計數型數據，且標準差大于均值，因此最終確定采用隨機效應負二項回歸。

4 實證結果與分析

4.1 描述性統計與相關性分析

變量描述性統計結果與相關系數如表3 所示。從均值上來看，資金支持類與宏觀導向類科技金融政策近10 年得分較高，專利保護類政策得分較低，說明在專利保護方面仍需加強。從標準差上來看，平臺建設類科技金融政策波動較大，說明近10 年在平臺建設方面制定變動較多。整體來看，相關系數普遍低于0.3，滿足實證研究條件。

表3 變量的描述性統計與相關系數

4.2 回歸結果分析

為緩解多重共線性問題，對解釋變量和調節變量進行中心化處理，隨后再構造自變量與調節變量的交乘項，最后將各變量依次加入回歸模型中分析其主效應與調節效應。回歸結果如表4 所示。其中，模型1 是包括4 類政策和控制變量的基礎模型，從回歸結果來看，4 類科技金融政策均對企業創新績效具有正向顯著影響，并且宏觀導向類政策的正向影響系數最大（0.048***），資金支持類政策次之（0.013***），說明這兩類科技金融政策的創新績效較優，即國家層面制定的戰略方針較好地帶領企業發展，為科技創新指明了方向，同時,資金的落實到位在一定程度上緩解了企業融資問題。即H1a、H1b、H1c、H1d得到檢驗。

表4 變量的模型回歸結果

模型2 在基礎模型中加入宏觀導向類科技金融政策和資金網絡中心度的交乘項，探討資金網絡對宏觀導向類科技金融政策的調節效應。回歸結果表明，資金網絡中心度對宏觀導向類科技金融政策與企業創新績效的關系具有正向的調節效應。正確的創新方向是降本增效、提升核心競爭力、實現企業可持續發展的基石，在此基礎上，資金網絡為企業提供了更加穩定的資金支持和更加高效的信息溝通，從而進一步提升了企業創新水平。即H2a得以驗證。

模型3 在基礎模型中加入資金支持類科技金融政策和資金網絡中心度的交乘項，探討資金網絡對資金支持類科技金融政策的調節效應。回歸結果表明，資金網絡中心度對資金支持類科技金融政策與企業創新績效的關系有正向的調節效應。資金網絡中心度越高，企業有更充足的資金以滿足創新成長、研發拓展等多種需求，提高了融資便利性，增強了資金支持類科技金融政策創新績效。即H2b得以驗證。

模型4 在基礎模型上加入平臺建設類科技金融政策和資金網絡中心度的交乘項，探討資金網絡對平臺建設類科技金融政策的調節效應。回歸結果表明，資金網絡中心度對平臺建設類科技金融政策與企業創新績效關系的正向調節效應并不顯著，說明目前資金網絡規模仍較小，中心企業尚未實現作為“交通樞紐”的功能。即H2c目前并不成立。

模型5 在基礎模型中加入專利保護類科技金融政策和資金網絡中心度的交乘項，探討資金網絡對專利保護類科技金融政策的調節效應。回歸結果表明，資金網絡中心度對專利保護類科技金融政策與企業創新績效關系的調節效應呈現負向不顯著的結果。專利對科技企業而言十分重要，是新產品、新技術發展的象征，中心企業所擁有的知識元素更加全面、知識產權得到一定的保護有助于保障整個網絡內部的知識流動，使得企業與企業之間、企業與科技金融機構之間的知識、信息、資金交互更加安全，專利保護類科技金融政策績效得以釋放。即H2d得以驗證。

5 結論與建議

本研究通過收集2011—2020 年我國國家層面的科技金融政策，利用LDA 算法將科技金融政策劃分為宏觀導向類、資金支持類、平臺建設類和專利保護類4 類，并對其逐一量化，同時運用2011—2020年我國創業板上市企業相關數據，研究不同類型政策對企業創新績效的提升效果，挖掘網絡在其中所發揮的效應。結果表明：（1）4 類科技金融政策對企業創新績效均具有顯著提升作用，其中宏觀導向類和資金支持類科技金融政策對企業創新績效的提升效應最強；（2）資金網絡中心度對宏觀導向類、資金支持類和專利保護類科技金融政策與企業創新績效關系具有顯著的正向調節效應，但對平臺建設類科技金融政策與企業創新績效關系的調節效應并不明顯。

科技金融政策在緩解融資約束、保障科技成果權益和促進技術轉移等方面可促進企業創新發展，對政策類型進行細分可以深入挖掘政策的不足之處，優化政策供給，以激發政策潛能。基于以上結論，從政策、網絡與企業3 個角度提出以下建議：

維持績優政策供給力度，賦能較弱效用政策。我國現有科技金融政策的宏觀導向和資金支持力度較優，可緊跟國家宏觀創新方向，同時落實減稅降費、提供項目補貼和建設產業基金等緩解企業融資困境的政策措施。除此之外，一方面應當持續保護科技專利成果，規范行政執法行為，針對新業態下的侵權行為出臺監管辦法，同時降低維權成本，以提高企業維權的積極性，從而促進知識市場的繁榮發展，彰顯專利保護權威；另一方面，要加大財政投入力度，借助互聯網搭建公共信息服務平臺，建立專業的人才隊伍，針對企業的共同需求和困難，為企業提供政策解讀、信息發布、信息檢索、人才交流與引進、專利維權等高水平、低成本、便利化的信息服務，克服信息不對稱問題，推動資源合理分配，正向激發政策潛力。

第二，擴大資金網絡規模，發揮網絡積極效應。目前仍需加強我國資金網絡內部的溝通合作，通過建立專屬的合作幫扶機制，吸引更多企業加入，從而進一步擴大網絡規模，提高網絡密度，以更好實現中心企業的“交通樞紐”功能；同時，還要注意穩定網絡內部資金流，充分發揮各類金融機構對企業發展的支撐作用，建立專門的扶持規定，如對于朝陽產業和高技術產業予以資金支持，對于發展困難的中小企業予以信貸優惠，穩定企業的現金流與資金鏈，從而在資金網絡效應下更好地通過科技金融政策推動資金流向科技研發領域。

第三，把握網絡核心地位，提升企業競爭力。從企業戰略角度出發，社會網絡有非常重要的利用價值，企業應該積極主動地利用各類網絡，提高企業核心競爭力，并積極與網絡中的成員加強溝通合作，增加成員間信任感，逐步成為核心網絡地位，從而利用網絡效應優化各類政策的實施效果，釋放創新潛能。對于發展方向迷茫、陷入融資困境或專利保護較弱的企業，其可主動加入資金網絡，從而找準未來創新發展方向，獲得穩定的現金流以及加強知識產權保護；而對于信息資源較為匱乏的企業，其可加入另一種有助于提升信息可得性的社會網絡，這也是未來的研究方向。