科技和产业

子系统	一级指标	二级指标	属性
地方高校创新力	创新资源投入	地方高校研究与发展全时人员	正向
地方高校R&D成果应用及科技服务全时人员	正向
地方高校研究与发展项目经费	正向
地方高校R&D成果应用及科技服务项目经费	正向
地方高校科技经费支出固定资产购置费	正向
创新成果产出	地方高校出版科技著作数量	正向
地方高校发表学术论文	正向
地方高校知识产权与专利授权数	正向
创新成果转化	地方高校技术转让合同数	正向
地方高校技术转让当年实际收入	正向
创新成果溢出	地方高校国际科技交流合作研究接受	正向
地方高校国际学术会议交流论文	正向

子系统	一级指标	二级指标	属性
地方高校创新力	创新资源投入	地方高校研究与发展全时人员	正向
地方高校R&D成果应用及科技服务全时人员	正向
地方高校研究与发展项目经费	正向
地方高校R&D成果应用及科技服务项目经费	正向
地方高校科技经费支出固定资产购置费	正向
创新成果产出	地方高校出版科技著作数量	正向
地方高校发表学术论文	正向
地方高校知识产权与专利授权数	正向
创新成果转化	地方高校技术转让合同数	正向
地方高校技术转让当年实际收入	正向
创新成果溢出	地方高校国际科技交流合作研究接受	正向
地方高校国际学术会议交流论文	正向

变量	观测值	平均值	标准差	最小值	最大值
LUIP	351	1.893	1.623	0.009	10.907
DE	351	0.198	0.328	0.001	2.250
lnGDP	351	10.036	0.715	7.633	11.768
GOV	351	0.222	0.070	0.106	0.429
HUM	351	0.021	0.006	0.009	0.044
UNB	351	0.594	0.117	0.338	0.896
OPEN	351	0.317	0.386	0.001	1.721
RDI	351	0.017	0.011	0.002	0.065
lnROAD	351	11.749	0.855	9.390	12.913
ITP	351	1.445	2.542	0.008	22.406
INS	351	1.256	0.742	0.500	5.297

变量	观测值	平均值	标准差	最小值	最大值
LUIP	351	1.893	1.623	0.009	10.907
DE	351	0.198	0.328	0.001	2.250
lnGDP	351	10.036	0.715	7.633	11.768
GOV	351	0.222	0.070	0.106	0.429
HUM	351	0.021	0.006	0.009	0.044
UNB	351	0.594	0.117	0.338	0.896
OPEN	351	0.317	0.386	0.001	1.721
RDI	351	0.017	0.011	0.002	0.065
lnROAD	351	11.749	0.855	9.390	12.913
ITP	351	1.445	2.542	0.008	22.406
INS	351	1.256	0.742	0.500	5.297

变量	(1)	(2)	(3)	(4)
DE	2.120^*** (2.905)	2.513^*** (2.969)	3.184^*** (5.442)	2.897^*** (4.399)
lnGDP		1.384^*** (9.423)	0.446 (1.551)	0.396^* (1.645)
GOV		28.608^** (2.251)	122.036^*** (6.206)	60.952^** (2.229)
HUM		-0.545 (-0.635)	-1.357 (-0.629)	1.434^* (0.717)
UNB		-1.017^* (-1.770)	-1.647^*** (-3.630)	-1.282^*** (-2.775)
OPEN		-10.478 (-0.778)	73.204^*** (3.533)	96.131^*** (4.891)
RDI		-0.158 (-0.764)	-1.420^*** (-2.738)	-1.171^** (-2.146)
lnROAD	0.641^* (1.853)	-10.416^*** (-4.608)	7.637^** (2.044)	3.596^* (0.787)
地区固定	YES	NO	YES	YES
年份固定	YES	NO	NO	YES
观测值	351	351	351	351
调整后R²	0.860	0.722	0.878	0.894

变量	(1)	(2)	(3)	(4)
DE	2.120^*** (2.905)	2.513^*** (2.969)	3.184^*** (5.442)	2.897^*** (4.399)
lnGDP		1.384^*** (9.423)	0.446 (1.551)	0.396^* (1.645)
GOV		28.608^** (2.251)	122.036^*** (6.206)	60.952^** (2.229)
HUM		-0.545 (-0.635)	-1.357 (-0.629)	1.434^* (0.717)
UNB		-1.017^* (-1.770)	-1.647^*** (-3.630)	-1.282^*** (-2.775)
OPEN		-10.478 (-0.778)	73.204^*** (3.533)	96.131^*** (4.891)
RDI		-0.158 (-0.764)	-1.420^*** (-2.738)	-1.171^** (-2.146)
lnROAD	0.641^* (1.853)	-10.416^*** (-4.608)	7.637^** (2.044)	3.596^* (0.787)
地区固定	YES	NO	YES	YES
年份固定	YES	NO	NO	YES
观测值	351	351	351	351
调整后R²	0.860	0.722	0.878	0.894

变量	(1)	(2)	(3)	(4)	(5)
DE	0.503^*** (103.239)	0.542^*** (9.294)	3.071^*** (47.668)	4.490^*** (460.081)	8.366^*** (7.730)
Controls	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES
观测值	405	405	405	405	405

变量	(1)	(2)	(3)	(4)	(5)
DE	0.503^*** (103.239)	0.542^*** (9.294)	3.071^*** (47.668)	4.490^*** (460.081)	8.366^*** (7.730)
Controls	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES
观测值	405	405	405	405	405

变量	(1)	(2)	(3)	(4)	(5)
DE	5.062^*** (23.230)	2.762^*** (4.162)	0.178^*** (3.801)	3.102^*** (10.323)	3.707^*** (12.420)
Controls	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES
观测值	299	351	351	297	351
调整后R²	0.963	0.896	0.710	0.899	0.953

变量	(1)	(2)	(3)	(4)	(5)
DE	5.062^*** (23.230)	2.762^*** (4.162)	0.178^*** (3.801)	3.102^*** (10.323)	3.707^*** (12.420)
Controls	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES
观测值	299	351	351	297	351
调整后R²	0.963	0.896	0.710	0.899	0.953

变量	(1)	(2)
DE	6.859^*** (3.839)	0.285^*** (2.851)
Controls	YES	YES
省份固定	YES	YES
年份固定	YES	YES
观测值	351	351
调整后R²	0.820	0.960

变量	(1)	(2)
DE	6.859^*** (3.839)	0.285^*** (2.851)
Controls	YES	YES
省份固定	YES	YES
年份固定	YES	YES
观测值	351	351
调整后R²	0.820	0.960

变量	(1)	(2)	(3)	(4)	(5)	(6)
DE	3.056^*** (3.793)	4.918^*** (5.884)	3.579^*** (3.173)	2.964^*** (4.025)	5.073^*** (11.768)	2.601^*** (3.484)
Controls	YES	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES	YES
观测值	143	208	182	169	169	182
调整后R²	0.889	0.916	0.882	0.877	0.961	0.862

变量	(1)	(2)	(3)	(4)	(5)	(6)
DE	3.056^*** (3.793)	4.918^*** (5.884)	3.579^*** (3.173)	2.964^*** (4.025)	5.073^*** (11.768)	2.601^*** (3.484)
Controls	YES	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES	YES
观测值	143	208	182	169	169	182
调整后R²	0.889	0.916	0.882	0.877	0.961	0.862

数据要素化赋能地方高校创新力提升路径

PDF下载

彭影

科技和产业 | 治理绩效 2025,25(8): 307-312

收起

科技和产业 | 治理绩效 2025, 25(8): 307-312

数据要素化赋能地方高校创新力提升路径

全屏

彭影

作者信息

长春工业大学经济管理学院, 长春 130012

彭影(1991—),女,吉林通化人,博士,讲师,研究方向为数字经济与区域创新。

Path of Enhancing the Innovation Ability of Local Universities Empowered by Data Elementalization

Ying PENG

Affiliations

School of Economics and Management, Changchun University of Technology, Changchun 130012, China

出版时间: 2025-04-25

文章导航

摘要

收起

地方高校作为区域创新体系的重要组成部分,其创新力对区域经济高质量发展至关重要。利用2010—2022年27个省份面板数据,实证探究数据要素化对地方高校创新力的影响。研究发现:数据要素化显著增强地方高校创新力,不同创新力分位点上的正向效应逐渐增强;数据要素化通过智能创新驱动和产业结构优化间接促进地方高校创新力提升;在中西部、创新强度及工业化水平较低地区,数据要素化对地方高校创新力的促进作用更为明显。

关键词

数据要素化 / 地方高校创新力 / 智能技术创新 / 产业结构升级

Abstract

收起

As an important part of the regional innovation system, the innovation ability of local universities is crucial to the high-quality development of the regional economy. Based on the panel data of 27 provinces in China from 2010 to 2022, the impact of data elementalization on the innovation ability of local universities was empirically explored. The results show that data elementalization significantly enhances the innovation ability of local universities, and the positive effect of different innovation quantile points is gradually enhanced. Data elementalization indirectly promotes the improvement of the innovation ability of local universities through intelligent innovation drive and industrial structure optimization. In the central and western regions, where the innovation intensity and industrialization level are low, the promotion effect of data elementalization on the innovation ability of local universities is more obvious.

Key words

data elementalization / innovation ability of local universities / intelligent technology innovation / industrial structure upgrading

引用本文

彭影. 数据要素化赋能地方高校创新力提升路径. 科技和产业, 2025 , 25 (8) : 307 -312 .

Ying PENG. Path of Enhancing the Innovation Ability of Local Universities Empowered by Data Elementalization[J]. Science Technology and Industry, 2025 , 25 (8) : 307 -312 .

正文

收起

近年来,数据作为新型生产要素的地位愈加凸显,已成为推动经济发展和社会进步的关键要素。与传统生产要素不同,数据要素具有流动性强、可复用、可叠加的特点,在各行业具有丰富的应用场景,成为数字经济时代的“新石油”。2020年,《关于构建更加完善的要素市场化配置体制机制的意见》首次提出“加快培育数据要素市场”,标志着数据要素正式纳入要素市场化改革的核心范畴。2022年,《关于构建数据基础制度更好发挥数据要素作用的意见》进一步强调数据产权、流通交易等关键领域建设,旨在激发数据资源潜力,推动数据要素市场化配置与价值实现。2024年,《关于加快公共数据资源开发利用的意见》聚焦公共数据开发利用,提出优化数据流通、扩大数据资源供给等措施,力求破除体制性障碍,推动数据要素化发展。地方高校作为地方科技创新的重要主体,在数据要素化过程中面临全新发展契机。目前,关于数据要素化与地方高校创新力提升的研究仍较为稀缺,且鲜有文献运用实证工具探究数据要素化赋能地方高校创新力提升的驱动效应。那么,数据要素化是否能够有效促进地方高校创新力提升?数据要素化通过哪些机制间接促进地方高校创新力提升?不同区位、强度及工业化水平下,数据要素化对地方高校创新力的影响是否存在差异?文章围绕上述问题展开研究,以期为地方高校充分利用数据要素赋能创新力提升提供现实依据。

1 文献回顾

收起

现有文献从多视角探讨地方高校创新力构成与测算方法,并在分析路径上呈现多元化与深入化研究趋势。从研究视角来看,学者们通过知识生产、创新生态系统等不同维度,揭示地方高校在创新体系中的重要角色^[1]。知识生产视角聚焦地方高校作为知识生成与传播的核心,强调科研成果质量与数量对地方高校创新力的直接影响^[2]。创新生态系统视角延展分析框架,强调地方高校、政府与企业之间的协同作用,以提升高校协同创新能力^[3]。在测算指标方面,主要采用单一指标测算法与综合指标测算法两类方法。单一指标法基于学术论文数量、专利数量等关键变量^[4],但单一指标法无法全面反映地方高校创新力的多维特性,综合指标法则通过多元统计工具整合创新投入、创新产出等多个维度,提供更系统化的评估方法^[5]。

随着数字化转型的深入,学者们逐渐开始从数字经济视角出发,系统分析数据要素化对地方高校创新力的驱动机制^[6]。一方面,数据要素化通过数字技术赋能地方高校科研效率和创新产出。大数据与人工智能使地方高校对海量数据进行实时分析,发现潜在研究课题与趋势,提升科研成果质量与数量。另一方面,数据要素化推动知识共享与跨学科合作,通过数据开放和知识共享,推动高校创新资源优化配置,激发多元化创新思维,加速科研成果市场化进程,增强高校社会服务功能^[7]。数据要素化为高校创新力提升提供技术支撑与合作机会,推动科研成果市场化,形成高效、动态化的区域创新体系。

基于此,本文边际贡献如下:首先,基于地方高校创新资源投入、创新成果产出、创新成果转化和创新成果溢出四个核心维度构建综合性分析框架,为后续实证研究奠定坚实理论基础。其次,利用2010—2022年中国27个省份面板数据,采用固定效应模型深入分析数据要素化对地方高校创新力的作用效果,并通过分位数模型揭示数据要素化在不同创新力分位点下的具体表现。此外,运用机制检验模型进一步探究数据要素化的智能创新驱动效应和产业结构优化效应。最后,从地理区位、强度与工业化水平深入探讨数据要素化对地方高校创新力的异质性影响,丰富数据要素化在地方高校创新体系中的差异性研究,为数据要素化与地方高校创新力的深度融合提供实践启示。

2 理论依据与研究假设

收起

2.1 数据要素化影响地方高校创新力的直接效应

数据要素化直接推动地方高校创新能力提升。首先,数据要素化显著提升知识资源获取与共享效率。数据要素通过数字平台与开放科学数据,打破知识壁垒,使地方高校实时获取全球前沿科研数据、技术资料和研究成果,缩短创新时滞效应,促进地方高校更快速接轨学术前沿^[8]。其次,数据要素化显著提升地方高校科研活动效率。大数据技术与智能分析工具确保科研数据收集、存储和处理的高效精准性,减少人为干预与误差,提升科研数据精确度与可重复性。此外,数据要素化赋能地方高校与外部创新资源深度融合,促进跨学科、跨领域协同创新。数据平台为协同创新提供技术基础,增强地方高校与企业、科研院所等外部机构的创新协同效应,提升地方高校在科研链条中的协作能力,强化创新资源集聚效应^[9]。最后,数据要素化优化高校创新环境。智能化、数据化的科研管理平台能提升科研资源配置效率,通过数据分析与预测技术为创新决策提供支持^[10]。由此提出如下假设。

H1:数据要素化能有效促进地方高校创新力提升。

2.2 数据要素化影响地方高校创新力的间接效应

数据要素化对地方高校创新力的智能创新驱动效应主要体现在智能化科研基础设施建设与创新生态系统智能协同两个方面。首先,数据要素化推动高校建立先进智能化科研基础设施。依托大数据、人工智能(AI)等技术,地方高校能高效处理复杂科研数据,从而快速识别潜在的学术规律和创新机会,缩短科研周期,增强科研人员解决复杂问题的能力^[11]。其次,数据要素化促进高校与外部创新生态系统的智能协同。通过智能技术构建数据共享平台,通过智能平台实时更新产业动态、市场需求和前沿科技信息,帮助高校及时调整科研方向,促进研究成果转化与应用^[12]。通过智能数据分析与外部创新生态的动态交互,地方高校能够精准响应市场变化,提升科技成果的市场适应性,智能化协同机制不仅增强高校与外部主体的互动与合作,也为地方高校持续创新提供动力支撑^[13]。

数据要素化通过影响产业结构优化方向和进程作用于地方高校创新力提升。一方面,数据要素化推动地方产业结构的精准调整与优化。通过大数据分析与智能技术应用,地方高校能够深入了解地方经济发展现状、产业优势及瓶颈问题,为学科布局和科研方向调整提供科学依据^[14]。地方高校根据地方产业发展需求,聚焦新兴产业和战略性新兴产业,推动传统产业转型升级^[15]。产业导向型科研布局不仅提升地方高校科研质量和影响力,也为地方经济高质量发展提供智力支持。另一方面,数据要素化加速产业结构升级进程。通过智能化数据平台和信息共享机制,地方高校通过数据分析识别行业发展痛点与技术瓶颈,积极参与产业升级过程^[16]。产学研深度融合助力企业技术创新和产业链升级,也为地方高校科研成果提供更广泛的应用场景^[17]。由此提出如下假设。

H2:数据要素化通过智能创新驱动效应和产业结构优化效应双重路径促进地方高校创新力提升。

3 研究设计

收起

3.1 模型设立

为检验数据要素化对地方高校创新力的作用效果,构建如下双固定效应模型:

(1)

$LUI{P}_{it}={a}_{0}+{\alpha }_{1}D{E}_{it}+{\alpha }_{2}Control{s}_{it}+{\mu }_{i}+{\nu }_{t}+{\epsilon }_{it}$

式中:LUIP_it为地方高校创新力;DE_it为数据要素化水平;t为年份;i为地区;

${\alpha }_{1}$

为数据要素化对地方高校创新力的影响大小;Controls_it为控制变量;

${\mu }_{i}$

和

${\nu }_{t}$

分别为地区固定和年份固定效应;

${\epsilon }_{it}$

为随机误差项。

为进一步探究数据要素化对地方高校创新力的间接效应,构建如下机制检验模型:

(2)

${M}_{it}={\beta }_{0}+{\beta }_{1}D{E}_{it}+{\beta }_{2}Control{s}_{it}+{\mu }_{i}+{\nu }_{t}+{\epsilon }_{it}$

式中:M_it为机制变量,包括智能技术创新和产业结构升级,机制模型检验数据要素化对机制变量的影响路径(

$D{E}_{it}\to {M}_{it}$

)。

3.2 变量说明

3.2.1 被解释变量:地方高校创新力(LUIP)

从地方高校创新资源投入、创新成果产出、创新成果转化和创新成果溢出四个方面,构建包含12个二级指标的综合评价指标体系,并采用熵值法测算地方高校创新力水平。如表1所示,创新资源投入包括创新人才投入和创新资本投入,创新成果产出包括著作、学术论文和专利授权数,创新成果转化包括技术转让合同数和技术转让当年实际收入,创新成果溢出包括接受的国际科技合作和论文。

3.2.2 核心解释变量:数据要素化(DE)

选取软件业务销售收入测度数据要素化水平。软件业务销售收入反映地区对数据要素的开发利用程度,体现地区数字化、智能化水平以及产业对数据驱动的依赖性。

3.2.3 机制变量:智能技术创新(ITP)和产业结构升级(INS)

智能技术创新用工业机器人安装密度衡量,即国际机器人联合会(International Federation of Robotics,IFR)公布的全国各行业工业机器人安装量乘以细分行业各省份就业人数占全国总就业人数的比率。产业结构升级用第三产业产值与第二产业产值之比表示。

3.2.4 控制变量

选取以下控制变量:经济发展水平(lnGDP)用GDP的对数表示;政府干预程度(GOV)用财政支出占GDP的比例表征;人力资本水平(HUM)用地区高校在校学生人数占总人口数的比例测度;城市化水平(UNB)以城镇人口所占比率度量;对外开放程度(OPEN)以货物进出口贸易总额占GDP的比例表征;研发强度(RDI)用R&D经费内部支出与GDP之比衡量;交通基础设施(lnROAD)用公路里程数的对数表征。

3.3 数据说明

数据来源于《中国统计年鉴》《高等学校科技统计资料汇编》《中国教育经费统计年鉴》,以及IFR公布的工业机器人数据库。其中,甘肃、青海、宁夏、西藏及港澳台地区的数据缺失严重,故选取2010—2022年中国27个省份面板数据进行分析,部分缺失数据采用线性插值法补齐,变量具体特征如表2所示。

4 实证结果分析

收起

4.1 基准回归结果

表3为数据要素化对地方高校创新力的基准回归结果。列(1)和列(2)为未加入控制变量和加入控制变量未控制地区和年份固定效应的回归结果,列(3)为控制年份固定效应的回归结果,列(4)为双固定效应的回归结果。在各回归模型中,数据要素化对地方高校创新力的影响均显著为正,意味着数据要素的深入应用与开发显著增强地方高校创新力,已成为推动地方高校创新能力提升的重要驱动因素,H1得以验证。

为全面反映不同分位点数据要素化对地方高校创新力的作用效果,选取0.1、0.25、0.5、0.75和0.9分位点,运用面板分位数模型分别进行回归分析,表4为分位数回归结果。结果显示,数据要素化在各分位点对地方高校创新力的影响系数分别是0.503、0.542、3.071、4.490和8.366,均在1%的水平下显著,表明数据要素化对地方高校创新力的影响在不同分位点表现明显的正向增长趋势,并且数据要素化的作用力在低分位点较为温和,而在中高分位点则显著增强。

4.2 稳健性检验

为验证上述研究结论的可靠性,采用异常值处理、排除政策冲击和更换被解释变量测算方法进行稳健性检验,并运用工具变量法和两阶段GMM模型处理可能存在的内生性问题,检验结果如表5所示。

列(1)为剔除四个直辖市后的回归结果,数据要素化的系数为5.062,且在1%的水平下显著。剔除经济发展较快、创新能力强的直辖市后,回归结果依然显著为正,表明异常值对回归结果的影响较小,验证数据要素化对高校创新力的促进作用具有稳健性。列(2)为控制与数据要素化密切相关的国家级大数据综合试验区、宽带中国试点政策后的回归结果,影响系数仍然显著为正,数据要素化对地方高校创新力的促进作用依然显著,说明研究结论未受到相关政策的冲击。列(3)为采用熵权TOPSIS法重新测算地方高校创新力水平的回归结果,数据要素化的回归系数为 0.178,依然在1%的水平下显著,再次验证研究结论的稳健性。列(4)为运用两阶段广义矩估计法的回归结果,回归系数显著为正,说明在考虑模型中异方差问题后,数据要素化对地方高校创新力的促进作用依然稳健。列(5)为2SLS第二阶段的回归结果,选取数据要素化与1984年邮局数量面板数据的交叉项作为工具变量,工具变量对地方高校创新力的回归结果依然显著为正,进一步验证上述研究结论的可靠性。

4.3 机制检验

为检验H2和H3,从智能创新驱动效应和产业结构优化效应两个方面,分别探究数据要素化对地方高校创新力提升的间接效应。表6为机制检验结果,数据要素化对智能技术创新和产业结构升级的影响系数分别为6.859、0.285,均通过显著性检验,表明数据要素化通过智能创新驱动效应和产业结构优化效应显著推动地方高校的创新力提升。智能技术应用有效提升地方高校科研效率,加强数据要素化的智能创新驱动效应。同时,数据要素化通过产业结构优化效应改善创新资源配置效率,精准匹配地方高校所需的技术与资金支持,显著提升地方高校创新力。

4.4 异质性分析

第一,区位异质性。按照地理区位将样本划分成东部地区和中西部地区两组,表7列(1)和列(2)为区位异质性检验结果。东部地区回归系数为3.056,表明数据要素化凭借较强的经济基础、科研设施和人才储备有效提升地方高校创新力。而中西部地区回归系数为4.918,意味着数据要素化对中西部地方高校的促进作用更为明显,由于中西部地区经济基础相对薄弱,数据要素化在优化创新资源配置和改善科研环境方面发挥较大的补充作用。因此,尽管两地区均受益于数据要素化政策,但中西部地区提升潜力更大。

第二,强度异质性。依据地方高校创新力均值将样本划分为“低强度”和“高强度”两组,以检验数据要素化对不同创新力发展阶段地方高校的异质性影响,表7列(3)和列(4)为强度异质性检验结果。“低强度”组的回归系数为 3.579,“高强度”组的回归系数为 2.964,尽管数据要素化对创新力“高强度”地方高校仍具积极作用,但效果相对较小,主要是因为创新力“高强度”地方高校已具备完善的创新体系,数据要素化的边际效应相对较低。

第三,工业化水平异质性。根据工业化水平均值中位数分成“低水平”和“高水平”两组分别进行回归,表7列(5)和列(6)为工业化水平异质性检验结果,数据要素化在“低工业化”地区显著提升地方高校创新力,而在“高工业化”地区,数据要素化的驱动效应相对较小,因“高工业化”地区已有完善的创新机制,数据要素化的边际效应较低,导致数据要素化对地方高校创新力的促进作用减弱。

5 结论与启示

收起

本文基于2010—2022年27个省份面板数据,系统探究数据要素化对地方高校创新力的影响。研究发现:①数据要素化显著增强地方高校创新力,且在不同分位点显示出逐步递增的正向效应,中高分位点效果更为显著。②机制检验结果表明,数据要素化通过智能创新驱动效应和产业结构优化效应显著促进地方高校的创新力提升。智能技术应用提高科研效率,而产业结构优化则提升创新资源配置效率。③异质性分析表明,数据要素化对地方高校创新力的影响因区位、强度和工业化水平不同而存在显著差异。东部地区受益于数据要素化较多,而中西部地区提升潜力更大;在创新力“低强度”地方高校中,数据要素化的边际效应较大,而在创新力“高强度”地方高校中,边际效应逐渐递减;此外,在低工业化地区,数据要素化的促进作用更为显著,而在高工业化地区,其效应较弱。

基于上述研究结论,得出如下启示:第一,加快数据基础设施建设,强化数据要素化的广度与深度。加强地方高校数据平台建设,提高数据存储、处理和分析能力,确保科研数据资源的有效利用。同时,推动数据开放与共享,建立跨部门、跨行业的数据协同机制,以促进高校科研资源的整合与应用。第二,积极搭建创新平台,推动产学研深度融合。地方政府通过设立专项资金和创新平台,支持地方高校与企业的联合科研与技术转化,促进科研成果与产业需求的对接。在地方特色产业领域,鼓励高校利用数据技术开展技术研发,推动智能化、信息化技术在地方产业中的应用,从而提升地方产业竞争力与创新能力。第三,加强跨学科人才培养与高层次人才引进,积极培养复合型人才。在数据科学、人工智能等领域,培养复合型人才以适应地方创新需求。通过政策引导和资金支持,引进高层次创新人才,进一步提升地方高校科研水平和创新能力,充分发掘数据要素化新动能,为地方经济的高质量发展提供持续创新动力。

基金

收起

吉林省教育科学“十四五”规划2024年度一般课题(GH24772)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

范剑勇, 张丰, 唐为. 高校学科质量与区域科技创新[J]. 世界经济, 2024(4): 65-98.

[2]

孙丹, 徐辉. “知识社区”知识生产、弥散与应用的逻辑理路——基于创新生态系统理论视角[J]. 科学管理究, 2022, 40(5): 22-30.

[3]

何琦, 艾蔚, 潘宁利. 数字转型背景下的创新扩散: 理论演化、研究热点、创新方法研究——基于知识图谱视角[J]. 科学学与科学技术管理, 2022, 43(6): 17-50.

[4]

沈志锋, 李静, 李智慧. 人工智能参与下的创新生态系统构建研究[J]. 科研管理, 2024, 45(10): 12-23.

[5]

许晓东, 于冰洁. 区域高等教育一体化政策对高校科技创新能力的影响[J]. 高等教育研究, 2023, 44(12): 36-47.

[6]

李滋阳. 人工智能领域高校创新策源潜力评价研究——我国31个省份截面数据的实证分析[J]. 高校教育管理, 2024, 18(3): 95-109.

[7]

刘皛. 高等教育高质量发展与国家区域发展战略[J]. 华东师范大学学报(教育科学版), 2024, 42(10): 98-109.

[8]

吴飞燕, 吴军其, 文思娇, 等. 数智技术赋能新质教育: 逻辑意蕴、现实挑战和实践路径[J]. 开放教育研究, 2024, 30(5): 54-62.

[9]

朱才朝, 夏杉珊, 肖韶. 高校强化有组织科技创新的思考和实践[J]. 研究与发展管理, 2024, 36(3): 169-174.

[10]

, YANG

, XU

W S

, et al. The influence of innovation resources in higher education institutions on the development of sci-tech parks’ enterprises in the urban innovative districts at the stage of urbanization transformation[J]. Land, 2020, 9(10): 396.

[11]

马永霞, 马聪颖. 高校科技创新与城市创新耦合协调度及路径探析——以京津冀13个城市为例[J]. 天津大学学报(社会科学版), 2024, 26(3): 250-258.

[12]

JOBES

I C

, TONETTI

. Nonrivalry and the economics of data[J]. American Economic Review, 2020, 110(9): 2819-2858.

[13]

姜顺腾, 刘惠琴, 余继. 面向新质生产力发展的政产学研协同驱动路径研究——基于数智新兴产业的组态分析[J]. 中国高教研究, 2024(8): 14-22.

[14]

LONG

, PHUONG

, NGA

, et al. The relation among organizational culture, knowledge management and innovation capability: its implication for open innovation[J]. Journal of Open Innovation: Technology, Market and Complexity, 2021, 7(1): 66.

[15]

柴正猛, 张培铎, 韩先锋. 工业智能化能成为产业结构升级的新动能吗[J]. 科技进步与对策, 2024, 41(19): 56-66.

[16]

马璨婧, 马吟秋. 新质生产力视角下高校“三融”建设的价值旨归与机制建构[J]. 南京社会科学, 2024(7): 133-142.

[17]

余长林, 孟祥旭. 高等教育与中国城市产业结构转型[J]. 教育与经济, 2021, 37(6): 20-29.

2025年第25卷第8期

PDF下载

299

120

引用本文

BibTeX

文章信息

接收时间：2024-10-22
首发时间：2025-07-19
出版时间：2025-04-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-10-22

基金

吉林省教育科学“十四五”规划2024年度一般课题(GH24772)

作者信息

长春工业大学经济管理学院, 长春 130012

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kjhcy/CN/1153420091078201755

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

子系统	一级指标	二级指标	属性
地方高校创新力	创新资源投入	地方高校研究与发展全时人员	正向
地方高校R&D成果应用及科技服务全时人员	正向
地方高校研究与发展项目经费	正向
地方高校R&D成果应用及科技服务项目经费	正向
地方高校科技经费支出固定资产购置费	正向
创新成果产出	地方高校出版科技著作数量	正向
地方高校发表学术论文	正向
地方高校知识产权与专利授权数	正向
创新成果转化	地方高校技术转让合同数	正向
地方高校技术转让当年实际收入	正向
创新成果溢出	地方高校国际科技交流合作研究接受	正向
地方高校国际学术会议交流论文	正向

子系统

一级指标

二级指标

属性

地方高校
创新力

创新资
源投入

地方高校研究与发展全时人员

正向

地方高校R&D成果应用及科技服务全时人员

正向

地方高校研究与发展项目经费

正向

地方高校R&D成果应用及科技服务项目经费

正向

地方高校科技经费支出固定资产购置费

正向

创新成
果产出

地方高校出版科技著作数量

正向

地方高校发表学术论文

正向

地方高校知识产权与专利授权数

正向

创新成
果转化

地方高校技术转让合同数

正向

地方高校技术转让当年实际收入

正向

创新成
果溢出

地方高校国际科技交流合作研究接受

正向

地方高校国际学术会议交流论文

正向

变量	观测值	平均值	标准差	最小值	最大值
LUIP	351	1.893	1.623	0.009	10.907
DE	351	0.198	0.328	0.001	2.250
lnGDP	351	10.036	0.715	7.633	11.768
GOV	351	0.222	0.070	0.106	0.429
HUM	351	0.021	0.006	0.009	0.044
UNB	351	0.594	0.117	0.338	0.896
OPEN	351	0.317	0.386	0.001	1.721
RDI	351	0.017	0.011	0.002	0.065
lnROAD	351	11.749	0.855	9.390	12.913
ITP	351	1.445	2.542	0.008	22.406
INS	351	1.256	0.742	0.500	5.297

变量

观测值

平均值

标准差

最小值

最大值

LUIP

351

1.893

1.623

0.009

10.907

351

0.198

0.328

0.001

2.250

lnGDP

351

10.036

0.715

7.633

11.768

GOV

351

0.222

0.070

0.106

0.429

HUM

351

0.021

0.006

0.009

0.044

UNB

351

0.594

0.117

0.338

0.896

OPEN

351

0.317

0.386

0.001

1.721

RDI

351

0.017

0.011

0.002

0.065

lnROAD

351

11.749

0.855

9.390

12.913

ITP

351

1.445

2.542

0.008

22.406

INS

351

1.256

0.742

0.500

5.297

变量	(1)	(2)	(3)	(4)
DE	2.120^*** (2.905)	2.513^*** (2.969)	3.184^*** (5.442)	2.897^*** (4.399)
lnGDP		1.384^*** (9.423)	0.446 (1.551)	0.396^* (1.645)
GOV		28.608^** (2.251)	122.036^*** (6.206)	60.952^** (2.229)
HUM		-0.545 (-0.635)	-1.357 (-0.629)	1.434^* (0.717)
UNB		-1.017^* (-1.770)	-1.647^*** (-3.630)	-1.282^*** (-2.775)
OPEN		-10.478 (-0.778)	73.204^*** (3.533)	96.131^*** (4.891)
RDI		-0.158 (-0.764)	-1.420^*** (-2.738)	-1.171^** (-2.146)
lnROAD	0.641^* (1.853)	-10.416^*** (-4.608)	7.637^** (2.044)	3.596^* (0.787)
地区固定	YES	NO	YES	YES
年份固定	YES	NO	NO	YES
观测值	351	351	351	351
调整后R²	0.860	0.722	0.878	0.894

变量

(1)

(2)

(3)

(4)

LUIP

2.120^***
(2.905)

2.513^***
(2.969)

3.184^***
(5.442)

2.897^***
(4.399)

lnGDP

1.384^***
(9.423)

0.446
(1.551)

0.396^*
(1.645)

GOV

28.608^**
(2.251)

122.036^***
(6.206)

60.952^**
(2.229)

HUM

-0.545
(-0.635)

-1.357
(-0.629)

1.434^*
(0.717)

UNB

-1.017^*
(-1.770)

-1.647^***
(-3.630)

-1.282^***
(-2.775)

OPEN

-10.478
(-0.778)

73.204^***
(3.533)

96.131^***
(4.891)

RDI

-0.158
(-0.764)

-1.420^***
(-2.738)

-1.171^**
(-2.146)

lnROAD

0.641^*
(1.853)

-10.416^***
(-4.608)

7.637^**
(2.044)

3.596^*
(0.787)

地区固定

YES

年份固定

YES

观测值

351

调整后R²

0.860

0.722

0.878

0.894

变量	(1)	(2)	(3)	(4)	(5)
DE	0.503^*** (103.239)	0.542^*** (9.294)	3.071^*** (47.668)	4.490^*** (460.081)	8.366^*** (7.730)
Controls	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES
观测值	405	405	405	405	405

变量

(1)

(2)

(3)

(4)

(5)

0.1

0.25

0.5

0.75

0.9

0.503^***
(103.239)

0.542^***
(9.294)

3.071^***
(47.668)

4.490^***
(460.081)

8.366^***
(7.730)

Controls

YES

省份固定

YES

年份固定

YES

观测值

405

变量	(1)	(2)	(3)	(4)	(5)
DE	5.062^*** (23.230)	2.762^*** (4.162)	0.178^*** (3.801)	3.102^*** (10.323)	3.707^*** (12.420)
Controls	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES
观测值	299	351	351	297	351
调整后R²	0.963	0.896	0.710	0.899	0.953

变量

(1)

(2)

(3)

(4)

(5)

异常值
处理

排除政
策冲击

更换被解释变
量测算方法

两阶段
GMM

工具变
量法

5.062^***
(23.230)

2.762^***
(4.162)

0.178^***
(3.801)

3.102^***
(10.323)

3.707^***
(12.420)

Controls

YES

省份固定

YES

年份固定

YES

观测值

299

351

297

351

调整后R²

0.963

0.896

0.710

0.899

0.953

变量	(1)	(2)
DE	6.859^*** (3.839)	0.285^*** (2.851)
Controls	YES	YES
省份固定	YES	YES
年份固定	YES	YES
观测值	351	351
调整后R²	0.820	0.960

变量

(1)

(2)

ITP

INS

6.859^***
(3.839)

0.285^***
(2.851)

Controls

YES

省份固定

YES

年份固定

YES

观测值

351

调整后R²

0.820

0.960

变量	(1)	(2)	(3)	(4)	(5)	(6)
DE	3.056^*** (3.793)	4.918^*** (5.884)	3.579^*** (3.173)	2.964^*** (4.025)	5.073^*** (11.768)	2.601^*** (3.484)
Controls	YES	YES	YES	YES	YES	YES
省份固定	YES	YES	YES	YES	YES	YES
年份固定	YES	YES	YES	YES	YES	YES
观测值	143	208	182	169	169	182
调整后R²	0.889	0.916	0.882	0.877	0.961	0.862

变量

(1)

(2)

(3)

(4)

(5)

(6)

东部
地区

中西部
地区

低强度

高强度

低工
业化

高工
业化

3.056^***
(3.793)

4.918^***
(5.884)

3.579^***
(3.173)

2.964^***
(4.025)

5.073^***
(11.768)

2.601^***
(3.484)

Controls

YES

省份固定

YES

年份固定

YES

观测值

143

208

182

169

182

调整后R²

0.889

0.916

0.882

0.877

0.961

0.862