數字經濟賦能工業創新的機理及效應研究
——基于工業創新活動的技術效率和技術進步視角

廖直東,代法濤

(1.廣東財經大學 財政稅務學院,廣東 廣州 510320;2.河南財經政法大學 經濟學院,河南 鄭州 450016)

一、引言

深入實施創新驅動發展戰略是有效破解我國制造業大而不強發展困境的必由之路,也是積極應對發達國家和發展中國家“雙重擠壓”嚴峻挑戰的關鍵所在。在我國持續發力創新能力建設和以企業為主體的創新體系構建后,如何提高創新效率值得深入研究。制度(陳克兢等,2020)[1]、制度變遷(王婧和藍夢,2019)[2]和外貿(趙甜和方慧,2019)[3]等生產關系方面因素對創新效率的影響得到廣泛關注。然而,創新活動過程中使用的新工具和新技術手段同樣會帶來創新效率的改變。以人工智能、物聯網、大數據、云計算等數字技術為代表的新一輪科技革命浪潮方興未艾,數字經濟蓬勃發展,這為我國制造業實現轉型升級和由大變強帶來了機遇。對創新而言,數字技術,尤其是人工智能,不僅為創新活動提供了新的工具,還有可能是關于發明方法的發明[4]。那么,數字經濟發展對工業創新效率①的作用機理及影響效應究竟如何?

2016年G20峰會在《倡議》②中提出的數字經濟定義得到學術界的較多認可,該定義認為,數字經濟是使用數字化的知識和信息作為關鍵生產要素、以現代信息網絡作為重要載體、以信息通信技術的有效使用作為效率提升和經濟結構優化的重要推動力的一系列經濟活動。學術界已經對數字經濟的分類[5-7]等進行了廣泛的研究。隨著數字經濟的快速發展,數字經濟發展的效應也得到越來越多的關注。數字經濟發展對生產效率[8]、城市高質量發展[9]、區域全要素生產率[10]、制造業質量升級[11]和就業質量[12]等具有積極作用。而關于數字經濟發展對創新影響的研究主要集中在兩個方面。

一是著重研究數字經濟發展對創新產出的作用。余泳澤等[13]發現互聯網促進了城市技術創新,Liu et al.[14]則以中國制造業數據為基礎,實證檢驗了人工智能對專利產出的促進作用,這兩份研究重點關注單項數字技術的創新產出效應。而直接研究數字經濟發展與創新產出間關系的文獻表明,數字經濟發展提高了區域專利產出[15,16],且具有空間效應和門檻效應[17,18]。韓璐等[19]發現數字經濟提升了城市層面的專利市場價值,董香書等[20]發現數字經濟可以促進企業創新產出,且呈現“邊際效應”非線性遞增特點。

二是從不同視角、不同層次分析數字經濟發展對創新效率的影響及其機制。侯世英和宋良榮[21]發現數字經濟對企業創新效率具有促進作用,而且能夠正向調節市場整合對企業創新效率的提升效應。此外,蔣仁愛等[22]的分析表明,互聯網發展水平對城市創新效率具有促進作用,但經濟發展水平和人力資本水平反向調節互聯網發展水平的促進作用;韓先鋒等[12]的分析表明,互聯網發展對區域創新效率具有提升作用,且人力資本、金融發展和產業升級對互聯網發展影響區域創新效率具有中介作用。汪文璞和徐藹婷[24]研究發現,數字經濟可以集聚人才資源、緩解融資約束和優化營商環境進而驅動企業創新效率。

現有相關文獻為理解數字經濟發展對工業創新效率的影響提供了有益洞見和方法支持,但是現有文獻尚存在以下兩點不足。其一,直接研究數字經濟發展對工業創新效率影響的文獻較少。堅持創新驅動是我國工業尤其是制造業發展困境的破解之道,而互聯網、大數據、人工智能等數字技術已呈融合發展之勢,數字經濟將快速發展,研究數字經濟發展是否以及如何影響工業創新效率顯得尤為必要。其二,對數字經濟發展影響創新效率機制的研究有待深化和拓展。現有研究分析了市場整合、金融發展和人力資本等機制變量的中介作用。本質上,互聯網、大數據、人工智能等數字技術在創新領域的應用,不僅改善了創新活動的技術手段,也促進了創新資源的配置。但現有文獻對這兩個影響渠道的分析尚不夠深入。

本文首先從促進創新資源的優化配置和改進創新活動的技術手段兩個方面分析了數字經濟發展賦能工業創新的理論邏輯,并以工業創新活動的全要素生產率表示創新效率,采用基于連續前沿的DEA-Malmquist指數模型測算工業創新活動的全要素生產率、技術效率和技術進步,進而實證檢驗數字經濟發展對工業創新效率的作用及影響渠道。本文的創新之處有三點：其一,本文從理論上分析了數字經濟發展對工業創新效率的技術效率影響渠道和技術進步影響渠道,這就有力地拓展和深化了關于數字經濟發展對創新效率影響機制的研究;其二,本文基于2011—2019年的工業企業省級面板數據,采用工具變量法檢驗了數字經濟發展對工業創新效率及其影響渠道的作用,為進一步認識數字經濟發展的經濟效應提供了經驗證據;其三,本文的研究為促進我國工業尤其是制造業數字化轉型提供了知識基礎和政策支持,為破解我國制造業發展困境提供了路徑支持。

二、研究假設

與把經濟增長的驅動機制區分為要素投入驅動、效率驅動和創新驅動類似,可以把工業創新活動的績效提升來源區分為創新要素投入驅動、創新資源配置效率驅動和創新技術手段改進驅動。夏杰長等[16]從創新要素投入驅動分析了數字經濟發展對區域創新產出的影響。但較少有文獻從創新資源配置效率驅動和創新技術手段改進驅動視角探討數字經濟發展對工業創新活動的作用。為了與本文的實證研究部分充分銜接,參考DEA-Malmquist指數模型,用工業創新活動的全要素生產率表示工業創新活動的效率,并把工業創新活動效率的改進來源區分為工業創新活動的技術進步和技術效率提升。本質上,工業創新活動的技術進步表示工業創新的技術手段改進狀況,工業創新活動的技術效率提升則表示工業創新資源優化配置狀況。因此,通過分析數字經濟發展對工業創新活動的技術進步和技術效率的作用,進而研究數字經濟發展對工業創新效率的作用機理。

(一)數字經濟發展對工業創新活動技術進步的作用機理分析

工業創新活動的技術進步指工業創新活動過程中采用的工具、手段和方法的改進狀況。在工業創新投入不變的情況下,工業創新活動的技術進步能提高創新產出,即可以帶來創新效率的提升,表現為工業創新活動前沿面的外移。可以從創新過程視角和創新系統視角分析數字經濟發展對工業創新活動技術進步的推動作用。

從企業創新過程視角分析,數字經濟發展可以克服企業創新過程中面臨的各種約束,進而促進工業創新活動的技術進步。在充滿不確定性的現實世界中,企業投資經營面臨認知水平約束。企業的創新活動是企業投資經營活動的重要內容,但比企業其他投資經營活動面臨更高的不確定性,因而也更易受到企業經營者認知水平的影響。具體到企業創新活動中,企業經營者不僅面臨由人類認知極限導致的信息處理約束,還面臨局部搜尋慣例結果[25]。企業的創新過程大體上有創意產生、創意發展和創意實施三個階段[26]。顯然,每一個階段都需要以數據為支撐,并從數據中挖掘、提取有用知識,進而做出決策。但由于信息處理約束,企業經營者獲取的信息是不完全的,這就會極大地限制企業經營者對創新機會的識別、問題解決方案的評估和確定、新產品和新服務的開發等。而由于局部搜尋慣例,企業局限在與現有技術相臨近的技術空間中搜尋問題解決方案,這會限制創意和新技術的有效性。大數據、云計算、區塊鏈和人工智能等數字技術的融合發展,使企業能夠收集、整合、分類、加工和處理大數據,使企業決策呈現數據智能化特點[27]。大數據具有完備性和多維性。機器學習等人工智能作為一種新知識、新思想生產的元技術,它有助于在復雜的知識空間中進行搜索,從而改進了對相關知識的獲取,并提高了預測新組合價值的能力[28]。因而,人工智能技術在大數據加工和處理中的應用,大大拓展了企業搜尋的廣度和增加了搜尋的深度,可以有效實現企業的知識重組,進而能夠克服企業創新活動中面臨的信息處理約束和避免局部搜尋慣例結果,有助于企業掌握市場需求變化信息和科技創新的最新動態,能夠快速識別創新機會和形成有效解決方案。不僅如此,數據智能化可有效支持創新過程中的各階段的決策,這會縮短創新周期、節省創新成本,提高創新績效。

從創新系統視角分析,數字經濟發展可以促進創新系統內各主體決策的數據智能化程度,進而有力地支持企業的創新活動。根據創新系統理論,企業是實施創新的直接主體,但企業的創新活動能否成功不僅與消費者、供應商等有關,還與區域內的科研機構、金融機構和政府部門等有關。大數據、云計算、機器學習等技術的融合發展,不僅能克服企業創新活動中的信息處理極限和避免局部搜尋慣例結果,還能為創新系統內其他主體的決策提供技術支持,提高其決策的數據智能化程度。這就不僅促進了這些主體自身的發展,也有利于企業創新活動過程中各階段的決策,進而支持企業創新活動的順利實施和成功實現創新。因此,從創新系統視角分析,數字經濟發展可以促進創新系統內各主體的良性互動,進而實現創新活動的網絡協同效應。

綜合上述討論,可以提出本文的第一個待檢驗研究假設：

H1：數字經濟發展可以促進工業創新活動的技術進步。

(二)數字經濟發展對工業創新活動技術效率的作用機理分析

工業創新活動的技術效率是指工業創新活動過程中的資源配置狀況,在工業創新投入不變的情況下,優化工業創新活動過程中的創新資源配置同樣可以提高創新產出水平,表現為在給定創新投入的情況下,創新產出水平不斷向創新活動前沿面逼近。根據Goldfarb和Tucker[29],數字技術可以降低五類經濟成本,因此,數字經濟的發展可以促進工業創新活動中的創新資源配置,這可以從微觀企業個體和宏觀整體的角度進行分析。

從微觀企業個體的角度分析,數字經濟發展有助于企業創新管理,從而實現創新資源的高效配置。創新決策的數據智能化不僅有助于企業發現創新機會、提出解決方案、評估和篩選解決方案,還有助于企業加強對創新活動的管理,優化創新活動中的人力資源和物質資源的配置。在創新過程的各個階段,尤其是在創意實施階段,創新活動涉及企業內各部門和企業外各類主體,創新決策的數據智能化有助于企業創新部門與企業內其他部門和企業外各類主體的協調。這就能提高企業創新活動的技術效率。

從宏觀整體的角度分析,數字經濟發展有助于創新資源的優化配置。與數字經濟發展促進創新系統內各類主體之間的良性互動密切相關;本質上,數字經濟發展促進創新系統內各類主體之間的良性互動,即是促進技術要素、資金和人才等創新資源的優化配置。創新活動往往具有高度不確定性,這會導致實施創新活動的企業面臨很高的融資約束,金融機構決策的數據智能化有助于降低企業面臨的融資約束,為企業創新活動提供必要的資金支持。創新活動還具有很強的正外部性,尤其是越往創新價值鏈上游,正外部性越強,因而創新活動對整個社會而言往往是不足的,而這需要政府的財政支持,政府部門決策的數據智能化有助于篩選出具有發展潛力的創新項目和創新企業,充分發揮財政支持的“擇優”“扶優”作用。此外,科技成果的轉化和創新的順利實施還需要實現技術要素的供需對接和有效匹配,數字經濟的發展使技術要素供需雙方的決策呈現數據智能化特點,技術要素供給方能夠及時、充分地掌握技術要素需求方的技術要素需求信息,而技術要素需求方也能夠及時、充分地掌握技術要素供給方的技術要素供給信息,進而雙方都能夠基于云計算、機器學習等人工智能技術實現對接和匹配,這就能極大地提高科技成果轉化率,實現創新資源的優化配置,最終促進創新活動的效率水平。概括起來,數字經濟發展可以有效促進創新資源在企業間、行業間和地區間等多個層面的優化配置,進而促進工業創新活動的技術效率。

綜合上述討論,可以提出本文的第二個待檢驗研究假設：

H2：數字經濟發展可以促進工業創新活動的技術效率。

考慮到工業創新活動的全要素生產率可以分解為創新資源配置效率和創新活動的技術進步,因此綜合以上分析,還可以提出本文的第三個待檢驗研究假設：

H3：數字經濟發展可以提升工業創新活動的全要素生產率。

三、研究設計

(一)計量模型

假設工業部門創新活動產出函數如下：

Y=tfp×F(K,L)

(1)

K代表用于創新活動的物質資本投入,L代表用于創新活動的勞動力投入,tfp代表創新活動的全要素生產率,進一步把tfp分解為創新資源配置效率和創新活動的技術進步,根據前文的研究假設,數字經濟發展會同時影響企業的創新資源配置和創新活動的技術進步,因而有：

tfp=te(dige,z)×tec(dige,w)

(2)

te表示創新資源配置效率,即技術效率;tec表示創新活動的技術進步;dige表示數字經濟發展;z和w分別表示會影響創新技術效率和創新技術進步的其他因素。本文實證研究采用的數據是2011—2019年工業企業省級面板數據,因此,根據上式,可設計如下三個面板數據模型：

(3)

(4)

(5)

上式中,下標i表示省份,t表示年份。由于工業創新活動涉及多種創新投入和多種創新產出,參考效率分析的文獻,用工業創新活動的全要素生產率表示工業創新活動效率。α0、γ0和λ0表示常數項。α1、γ1和λ1表示數字經濟發展變量的回歸系數。xit、zit和wit表示控制變量向量,β、η和τ表示控制變量系數構成的向量,μi表示固定效應。εit表示隨機擾動項,隨機擾動項符合慣常的假設。本文重點關注α1、γ1和λ1的符號、大小和統計顯著性情況。

(二)變量說明

1.被解釋變量

本文的主要解釋變量是工業創新效率,用工業創新活動的全要素生產率(tfp)表示,如前所述,為分析數字經濟發展對工業創新效率的內在作用機理,進一步把工業創新活動的技術進步(tec)和技術效率(te)作為被解釋變量。測算以上三個變量需要采用基于DEA的Malmquist方法,具體步驟如下：

首先,確定工業創新活動的投入和產出。參考相關文獻的做法[23],以地區規模以上工業企業研發經費內部支出和研發人員全時當量分別表示工業創新活動的物力投入和人力投入,以地區規模以上工業企業的新產品銷售收入和專利申請數量表示地區工業創新活動的產出,研發經費內部支出和新產品銷售收入采用物價指數進行了處理。

其次,采用基于連續前沿面和產出導向DEA的Malmquist方法測算2011—2019年各地區工業創新活動的全要素生產率變化、潛在技術進步和技術效率變化。在當期前沿的基礎上構建連續前沿(Oh and Heshmati,2010)[30]。假設和分別表示非負實數投入向量和非負實數產出向量,則時期的當期生產可能性集如下：

Pt(xt)={yt：xt能夠生產yt}

(6)

t時期的連續生產可能性集如下：

(7)

其中,1≤t≤T。決策單元i(i=1,L,K)在t時期的產出距離函數如下：

(8)

該產出距離函數可以通過如下線性規劃進行求解：

(9)

(10)

(11)

(12)

最后,基于Malmquist全要素生產率指數計算工業創新活動的全要素生產率(tfp)。參考程惠芳和陸嘉俊[31]的思路,2011年各地區工業創新活動的全要素生產率設定為1,2012年某地工業創新活動的全要素生產率等于2012年該地工業創新活動的全要素生產率指數乘以2011年該地工業創新活動的全要素生產率,而2013年該地工業創新活動的全要素生產率等于2013年該地工業創新活動的全要素生產率指數乘以2012年該地工業創新活動的全要素生產率,以后年份以此類推。采用同樣的方法,可以計算各地工業創新活動的技術進步(tec)和技術效率(te)。

2.解釋變量

本文的解釋變量為數字經濟發展指數(dige)。參考趙濤、張智、梁上坤的方法[9],從互聯網發展和數字普惠金融兩個方面對數字經濟發展進行測度。具體地,選取百人中互聯網寬帶接入戶數、百人中移動電話戶數、信息傳輸計算機服務和軟件業從業人員占城鎮單位就業人員的比重、人均電信業務量、數字普惠金融指數五個指標,標準化后采用主成分分析法進行降維處理。

參考韓先鋒等[23]的研究,本文的控制變量主要包括：金融發展(fin),用金融機構存貸款余額與地區GDP的比值表示;產業結構(ind),用第二產業和第三產業增加值之和與地區GDP的比值表示;人力資本(humcap),用地區人均受教育年數表示;貿易開放度(open),用地區進出口總額與地區GDP的比值表示;政府支持(gov),用規模以上工業企業研發經費內部支出中來自政府的資金所占比重表示;知識產權保護(techm),用地區技術市場技術輸出地域合同金額與地區GDP的比值表示;地區研發強度(rdd),用地區研發經費內部支出總額與地區GDP的比值表示;市場化(mar),用地區非國有單位就業人員與地區城鎮單位就業人員年末人數的比值表示。

(三)數據說明和描述性統計分析

構建數字經濟發展指數所需主要原始數據,其中省級數字普惠金融指數來自北京大學數字金融研究中心[32],其他數據來自歷年《中國統計年鑒》。測算工業創新活動全要素生產率、技術進步和技術效率所需數據,以及構建控制變量所需數據主要來自EPS全球統計數據/分析平臺。由于省級數字普惠金融指數只有2011—2020年的數據,而2020年省規模以上工業企業創新活動投入、產出統計數據尚未公布;另外,西藏自治區創新數據有較多缺失值,因而本文可用數據為2011—2019年30個省級地區的面板數據。表1給出了主要變量的描述性統計。

表1 描述性統計

四、實證分析

(一)固定效應模型回歸

首先,考察數字經濟發展對工業創新活動全要素生產率的影響。Hausman檢驗顯示,應該采用固定效應模型進行估計,結果如表2序列(1)和序列(2)所示。結果表明,在沒有加入控制變量的情況下,數字經濟發展對工業創新活動全要素生產率的影響系數為0.163,且具有很強的統計顯著性。而在加入控制變量后,影響系數變為0.245,且在10%的水平下顯著,這說明在控制其他變量的情況下,估計結果顯示數字經濟發展能夠顯著促進工業創新活動的全要素生產率水平。

表2 固定效應模型回歸結果

然后,分析數字經濟發展對工業創新活動全要素生產率的作用渠道,即分別研究數字經濟發展對工業創新活動技術效率和技術進步的影響。表2序列(3)和序列(4)的估計結果表明,在加入控制變量和不加入控制變量的情況下,數字經濟發展對工業創新活動技術效率的影響系數均為正,但都不具有統計顯著性。這意味著,數字經濟發展并沒有促進工業創新活動的技術效率。而表2序列(5)和序列(6)的估計結果表明,在加入控制變量和不加入控制變量的情況下,數字經濟發展對工業創新活動的技術進步影響系數分別為0.109和0.111,符號都為正,且都在1%水平下顯著,這說明數字經濟發展顯著促進了工業創新活動的技術進步。

綜上,采用固定效應模型的回歸結果表明,數字經濟發展可以提高工業創新活動的全要素生產率,且數字經濟發展對工業創新活動績效的提升作用主要是通過促進工業創新活動的技術進步來實現的。

(二)工具變量回歸

上述固定效應模型的回歸結果表明,數字經濟發展對工業創新效率具有提升作用,且主要是通過促進工業創新活動的技術進步實現的,但是上述結果是基于當期數字經濟發展數據的估計結果。然而,一方面大數據、人工智能等數字技術的發展可以突破人類信息處理極限和避免局部搜索慣例結果,進而從數據中發現尚未滿足的需求和創新機會,并迅速從海量的知識中取得解決方案,這將大大提升工業創新效率,進一步地,數字技術還可以迅速協調消費者、廠商和供應商,實現供給和需求的快速匹配和有效對接,這會帶來網絡協同效應,進而提升創新效率。另一方面工業創新效率的提升也有可能進一步推動數字經濟的發展,屬于數字經濟的一些行業,本身可能就是工業行業[6],此外,數字經濟的快速發展可能依賴數字硬件設施的完善,而這又與上下游工業行業的發展密切相關。因此,數字經濟發展與工業創新效率之間可能存在反向因果關系,如果經驗分析不考慮這種情況,則可能會導致估計偏誤。

為了緩解內生性引起的估計偏誤,本文參考相關文獻的方法[9,33],采用1985年各省級地區每百人固定電話數作為數字經濟發展的工具變量。一方面,1985年固定電話普及率較高的地區,相較于固定電話普及率更低的地區,互聯網普及應該更早,且普及率也更高,這就為數字經濟發展提供了更好的發展條件。另一方面,1985年的固定電話普及率并不會直接影響當前各地區的工業創新效率水平。因而該變量滿足工具變量相關性和外生性要求。參考Nunn和Qian[34]的思路,以各地區1985年每百人固定電話數與上一年全國信息傳輸計算機服務和軟件業的社會固定資產投資構造交互項,用于面板數據估計。在構造交互項前,用以2009年為基期的固定資產投資價格指數對2010—2018年全國信息傳輸計算機服務和軟件業的社會固定資產投資額進行處理,以剔除價格因素的影響。所需數據來自EPS全球統計數據/分析平臺、各地歷年統計年鑒。采用兩階段最小二乘法(2SLS)重新估計式(3)、式(4)和式(5),估計結果如表3所示。

表3 工具變量回歸結果

在進行估計結果分析之前,首先需要考察工具變量的識別不足問題和弱識別問題,本文采用Kleibergen-Paap rk LM檢驗和Kleibergen-Paap rk Wald F檢驗分別分析工具變量的識別不足問題和弱識別問題。表3的結果顯示,六個模型的Kleibergen-Paap rk LM檢驗結果和Kleibergen-Paap rk Wald F檢驗結果都顯示工具變量是合理的。且在加入控制變量和沒加入控制變量的情況下,關鍵解釋變量數字經濟發展(dige)的影響系數都具有很強的統計顯著性,這里的分析以加入控制變量的模型估計結果為主。

序列(2)和序列(6)顯示,在考慮數字經濟發展變量內生性的情況下,數字經濟發展對工業創新活動全要素生產率和技術進步的影響系數符號均為正,且都在1%水平下顯著,與表2序列(2)和序列(6)的估計結果相比,系數符號一致,但統計顯著性更強。表3序列(4)的估計結果表明,數字經濟發展對工業創新活動技術效率的影響系數符號為正,且在1%水平下顯著,與表2序列(4)的估計結果相比,系數符號一致,但從不顯著變為顯著。這說明,在考慮數字經濟發展內生性后,數字經濟發展對工業創新活動的全要素生產率、技術進步和技術效率都具有提升作用。此外,表3中序列(4)和序列(6)數字經濟發展對工業創新技術效率和技術進步的影響系數分別為0.198和0.182,兩者差別不是很大,這說明數字經濟發展可以通過技術效率渠道和技術進步渠道提高工業創新活動的創新效率,且兩種渠道的作用大體相當。

五、研究結論與政策啟示

首先,本文把工業創新活動效率的改進來源區分為工業創新活動的技術進步渠道和技術效率渠道,進而從創新過程視角和創新系統視角分析了數字經濟發展促進工業創新活動技術進步的理論邏輯,并從微觀企業個體和宏觀整體兩個層面探討了數字經濟發展優化工業創新活動過程中資源配置的內在機理。基于2011—2019年工業企業省級面板數據,采用工具變量法的實證分析表明,數字經濟發展提高了工業創新活動的全要素生產率、技術進步和技術效率,這說明,數字經濟發展可以通過工業創新活動的技術進步渠道和技術效率渠道影響工業創新活動效率,且兩種渠道的作用大體相當。

其次,本文的研究聚焦于數字經濟發展對工業創新效率的影響,同時豐富了關于數字經濟發展效應方面和創新效率方面的研究文獻。關鍵的是,本文從促進創新資源的優化配置和改進創新活動的技術手段兩個方面分析了數字經濟發展促進工業創新效率的理論邏輯,并采用經驗數據驗證了工業創新效率改進的技術進步渠道和技術效率渠道,這就深化了我們對數字經濟發展促進工業創新效率影響機制的理解。

最后,本文的研究具有深刻的政策啟示。基于上述研究結論,本文認為,應該抓住新一輪科技革命給我國制造業帶來的發展機遇和發展窗口,充分發展數字經濟以深入實施創新驅動發展戰略,進而破解我國制造業大而不強的發展困境,有效應對我國制造業面臨發達國家和發展中國家“雙重擠壓”的嚴峻挑戰。具體而言,一方面,應進一步完善財稅支持政策,支持數字化賦能行業發展,增加對數字化賦能基礎設施的投入,促進工業尤其是制造業的數字化轉型,推動企業創新活動數字化轉型。另一方面,加快制定和完善與數字經濟相關的法律法規和政策體系,提高數字經濟治理水平。唯有如此,才能加快推動數字經濟發展和充分發揮數字經濟賦能創新活動的效應,進而破解制造業發展面臨的困境和全面塑造發展新優勢。

[注 釋]

① 按國民經濟行業分類,工業包括采礦業、制造業和電力、熱力、燃氣及水生產和供應業,由于分地區產業創新數據的統計口徑是工業,因而本文著重研究工業的創新效率。

② 二十國集團數字經濟發展與合作倡議[EB/OL]．http： / /www．g20chn．org /hywj /dncgwj /201609/t20160920_3474．html, 2016-09-20．