一 引 言

隨著新一代信息技術(shù)在經(jīng)濟(jì)社會各領(lǐng)域的深度融入，以及移動互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展推動，社會信息化進(jìn)程進(jìn)入大數(shù)據(jù)時代，數(shù)據(jù)量呈現(xiàn)爆發(fā)式增長，數(shù)據(jù)資源已成為國家重要的戰(zhàn)略資源和核心創(chuàng)新要素。據(jù)國際權(quán)威機構(gòu)Statista調(diào)查和預(yù)測，2020年全球大數(shù)據(jù)市場的收入規(guī)模將達(dá)到560億美元。我國在“十三五”規(guī)劃建議中明確提出：“實施國家大數(shù)據(jù)戰(zhàn)略，推進(jìn)數(shù)據(jù)資源開放共享?！背浞轴尫藕屠煤Ａ繑?shù)據(jù)資源的價值，總結(jié)提煉數(shù)據(jù)中蘊含的規(guī)律和經(jīng)驗，預(yù)測經(jīng)濟(jì)社會發(fā)展的趨勢并提供決策輔助，將使社會經(jīng)濟(jì)發(fā)展發(fā)生重大變革，同時推動新一代信息技術(shù)與各行業(yè)的深度耦合和交叉創(chuàng)新，為國家發(fā)展帶來戰(zhàn)略性機遇(1)來源于國務(wù)院印發(fā)的《促進(jìn)大數(shù)據(jù)發(fā)展行動綱要》(國發(fā)〔2015〕50號)。。

創(chuàng)新是知識經(jīng)濟(jì)的重要特征。大數(shù)據(jù)的研究和應(yīng)用通過海量數(shù)據(jù)特征和關(guān)聯(lián)關(guān)系的抽取，可以與不同產(chǎn)業(yè)相融合，挖掘和分析行業(yè)與領(lǐng)域內(nèi)有價值的數(shù)據(jù)，獲得用戶行為信息，發(fā)現(xiàn)市場機會，提升信息技術(shù)水平，從而促進(jìn)創(chuàng)新，驅(qū)動整體經(jīng)濟(jì)良性增長。鑒于大數(shù)據(jù)對創(chuàng)新和經(jīng)濟(jì)發(fā)展的潛在影響，美國、日本、歐盟等經(jīng)濟(jì)體都將大數(shù)據(jù)視作戰(zhàn)略資源，并將大數(shù)據(jù)提升為國家戰(zhàn)略。2014年，我國在政府工作報告中首次提出了“大數(shù)據(jù)戰(zhàn)略”，接著在2015年和2016年分別發(fā)布了《國務(wù)院關(guān)于印發(fā)促進(jìn)大數(shù)據(jù)發(fā)展行動綱要的通知》、《國務(wù)院關(guān)于印發(fā)“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃的通知》和《大數(shù)據(jù)產(chǎn)業(yè)發(fā)展規(guī)劃(2016-2020年)》等文件，明確指出大數(shù)據(jù)是新一代信息技術(shù)產(chǎn)業(yè)的重要構(gòu)成和基礎(chǔ)，并提出要“形成若干創(chuàng)新能力突出的大數(shù)據(jù)骨干企業(yè)，培育一批專業(yè)化數(shù)據(jù)服務(wù)創(chuàng)新型中小企業(yè)，培育10家國際領(lǐng)先的大數(shù)據(jù)核心龍頭企業(yè)和500家大數(shù)據(jù)應(yīng)用及服務(wù)企業(yè)。形成比較完善的大數(shù)據(jù)產(chǎn)業(yè)鏈，建設(shè)10-15個大數(shù)據(jù)綜合試驗區(qū)，創(chuàng)建一批大數(shù)據(jù)產(chǎn)業(yè)集聚區(qū)，形成若干大數(shù)據(jù)新型工業(yè)化產(chǎn)業(yè)示范基地”。

政策效應(yīng)是學(xué)術(shù)界的研究熱點，例如“營改增”政策對產(chǎn)業(yè)結(jié)構(gòu)、宏觀經(jīng)濟(jì)(陳釗和王旸，2016)[1]及企業(yè)價值的影響(王桂軍和曹平，2018)[2]，財政支出政策的社會經(jīng)濟(jì)效應(yīng)(李娜等，2018)[3]，國家生態(tài)工業(yè)示范園政策對城市工業(yè)部門高質(zhì)量發(fā)展的促進(jìn)作用(周鳳秀和溫湖煒，2019)[4]，戰(zhàn)略性新興產(chǎn)業(yè)政策對企業(yè)創(chuàng)新的促進(jìn)作用(邢會等，2019)[5]等?，F(xiàn)有對我國大數(shù)據(jù)戰(zhàn)略效應(yīng)的研究較少，喻煒和王鳳生(2016)[6]構(gòu)建了由企業(yè)、消費者和政府組成的三階段子博弈精煉納什均衡模型分析大數(shù)據(jù)戰(zhàn)略問題。此外還有對主要發(fā)達(dá)國家大數(shù)據(jù)政策的對比研究(張勇進(jìn)和王璟璇，2014)[7]，以及對大數(shù)據(jù)政策的文本量化研究(周京艷等，2016)[8]。綜上可見，鮮有針對大數(shù)據(jù)戰(zhàn)略的定量分析，本文擬采用DID和機器學(xué)習(xí)方法，基于2013-2018年我國宏觀經(jīng)濟(jì)數(shù)據(jù)和上市公司信息，審視大數(shù)據(jù)戰(zhàn)略對中國企業(yè)創(chuàng)新產(chǎn)出的效應(yīng)和影響機制，探討大數(shù)據(jù)產(chǎn)業(yè)發(fā)展過程中的關(guān)鍵因素。

二 研究假設(shè)

(一)大數(shù)據(jù)戰(zhàn)略對企業(yè)創(chuàng)新產(chǎn)出的激勵效應(yīng)

2016年，國務(wù)院在《“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃》中指出：“未來5到10年是全球新一輪科技革命和產(chǎn)業(yè)變革從蓄勢待發(fā)到群體迸發(fā)的關(guān)鍵時期，信息經(jīng)濟(jì)繁榮程度將是國家實力的重要標(biāo)志，要實施網(wǎng)絡(luò)強國戰(zhàn)略，加快建設(shè)‘?dāng)?shù)字中國’，推動物聯(lián)網(wǎng)、云計算和人工智能等技術(shù)向各行業(yè)全面融合滲透，構(gòu)建萬物互聯(lián)、融合創(chuàng)新、智能協(xié)同、安全可控的新一代信息技術(shù)產(chǎn)業(yè)體系”。當(dāng)前各國都將產(chǎn)業(yè)數(shù)字化創(chuàng)新作為經(jīng)濟(jì)發(fā)展的高度側(cè)重點，互聯(lián)網(wǎng)、人工智能與農(nóng)業(yè)、傳統(tǒng)制造業(yè)、服務(wù)業(yè)深度融合的“全產(chǎn)業(yè)鏈”競爭時代已經(jīng)到來。2019年，全球互聯(lián)網(wǎng)用戶數(shù)量達(dá)到41億，活躍社交媒體用戶達(dá)到37.25億,產(chǎn)業(yè)數(shù)字化在各國的數(shù)字經(jīng)濟(jì)中已占據(jù)主導(dǎo)地位。邊緣計算、區(qū)塊鏈、物聯(lián)網(wǎng)云計算和大數(shù)據(jù)等創(chuàng)新技術(shù)不斷涌現(xiàn)，推動產(chǎn)業(yè)高速迭代、創(chuàng)新模式和業(yè)態(tài)發(fā)展，并不斷出現(xiàn)涌現(xiàn)式創(chuàng)新。

大數(shù)據(jù)對第一產(chǎn)業(yè)的創(chuàng)新推動作用主要體現(xiàn)在通過大數(shù)據(jù)的應(yīng)用來降低現(xiàn)代農(nóng)業(yè)發(fā)展過程中的試錯成本，提高決策的準(zhǔn)確性、時效性。精準(zhǔn)農(nóng)業(yè)不僅帶來高產(chǎn)，更重要的是提高生產(chǎn)效率?！掇r(nóng)業(yè)部關(guān)于推進(jìn)農(nóng)業(yè)農(nóng)村大數(shù)據(jù)發(fā)展的實施意見》中指出：“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)已成為現(xiàn)代農(nóng)業(yè)新型資源要素，是提高農(nóng)業(yè)生產(chǎn)精準(zhǔn)化、智能化水平，推進(jìn)農(nóng)業(yè)資源利用方式轉(zhuǎn)變的重要推手。大數(shù)據(jù)將在生產(chǎn)智能化、自然災(zāi)害預(yù)測月報、動植物病蟲害監(jiān)測預(yù)警、農(nóng)業(yè)環(huán)境資源精準(zhǔn)監(jiān)測、農(nóng)產(chǎn)品質(zhì)量全程追溯、農(nóng)產(chǎn)品產(chǎn)銷信息平臺等領(lǐng)域發(fā)揮巨大作用，形成新的產(chǎn)業(yè)增長機會”。大數(shù)據(jù)對第二產(chǎn)業(yè)的創(chuàng)新推動作用主要體現(xiàn)在工業(yè)互聯(lián)網(wǎng)領(lǐng)域，《工業(yè)和信息化部關(guān)于工業(yè)大數(shù)據(jù)發(fā)展的指導(dǎo)意見》中明確提出了“貫徹落實國家大數(shù)據(jù)發(fā)展戰(zhàn)略，促進(jìn)工業(yè)數(shù)字化轉(zhuǎn)型，激發(fā)工業(yè)數(shù)據(jù)資源要素潛力，加快工業(yè)大數(shù)據(jù)產(chǎn)業(yè)發(fā)展”的目標(biāo)。大數(shù)據(jù)與第三產(chǎn)業(yè)的融合已產(chǎn)出眾多創(chuàng)新成果，如電子商務(wù)、電子政務(wù)、網(wǎng)絡(luò)帶貨、網(wǎng)約車等，各種基于大數(shù)據(jù)的電子服務(wù)創(chuàng)新開辟了大量細(xì)分市場，拉動了內(nèi)需，不斷促進(jìn)經(jīng)濟(jì)發(fā)展。綜上所述，提出假設(shè)H1。

假設(shè)H1：大數(shù)據(jù)戰(zhàn)略正向影響企業(yè)的創(chuàng)新產(chǎn)出。

(二)知識管理能力在大數(shù)據(jù)戰(zhàn)略和創(chuàng)新產(chǎn)出之間的中介效應(yīng)

信息技術(shù)產(chǎn)業(yè)發(fā)展最重要的推動力是知識的學(xué)習(xí)和傳播，對應(yīng)著信息產(chǎn)業(yè)創(chuàng)新系統(tǒng)的重要功能是促進(jìn)顯性和隱性知識的學(xué)習(xí)以及有效擴(kuò)散。大數(shù)據(jù)的本質(zhì)是為了能更好地利用海量數(shù)據(jù)揭示出我們不知道的規(guī)律，解釋和說明事物，判斷事物間的聯(lián)系和邏輯，最終形成知識，不斷拓展知識領(lǐng)域，實現(xiàn)創(chuàng)新。近年國外研究者提出的“BD2K”概念，就是著眼于大數(shù)據(jù)與知識之間的聯(lián)系和轉(zhuǎn)換(Bourne et al.,2015[9]；Margolis et al.,2014[10])，并引申發(fā)展出大數(shù)據(jù)與知識工程(Hota et al.,2015)[11]、大數(shù)據(jù)與知識管理等多個研究領(lǐng)域(Baoan,2014)[12]。知識經(jīng)濟(jì)時代，知識和技術(shù)等無形資產(chǎn)已成為企業(yè)競爭優(yōu)勢的重要來源，是企業(yè)的戰(zhàn)略資產(chǎn)(Lai和Lin,2012[13]；Stump et al.,2002[14])。創(chuàng)新技術(shù)推動了產(chǎn)品和服務(wù)開發(fā)，企業(yè)擁有的知識資源是其技術(shù)創(chuàng)新能否成功的關(guān)鍵影響因素，良好的知識管理能力已經(jīng)成為企業(yè)的核心能力之一。知識管理融合了現(xiàn)代信息技術(shù)、知識經(jīng)濟(jì)理論和企業(yè)現(xiàn)代管理理念，是匹配于知識經(jīng)濟(jì)時代的管理思想與方法。Davenport et al.(1998)[15]將知識管理定義為收集、分配和有效使用知識資源的過程。Bhatt(2001)[16]認(rèn)為知識管理是創(chuàng)建、驗證、呈現(xiàn)、分發(fā)和應(yīng)用知識的過程。McDermott 和 O’Connor(2002)[17]指出，企業(yè)可以通過持續(xù)改進(jìn)或根本性創(chuàng)新來促進(jìn)業(yè)務(wù)發(fā)展，這兩種方法都是通過吸收組織內(nèi)部的新知識和相關(guān)知識而開展的。郝亞美(2016)[18]認(rèn)為知識管理的實施有助于提高研發(fā)型企業(yè)的核心競爭力，建立知識管理體系是研發(fā)型企業(yè)與傳統(tǒng)企業(yè)的本質(zhì)區(qū)別。魏江等(2004[19],2007[20])提出企業(yè)集群功能整合和知識整合是促進(jìn)集群企業(yè)創(chuàng)新能力躍遷的必要條件，通過知識嵌入能推動企業(yè)形成創(chuàng)新網(wǎng)絡(luò)從而獲得競爭優(yōu)勢。大數(shù)據(jù)是云計算實施的基礎(chǔ)，云計算為企業(yè)知識管理系統(tǒng)提供存儲空間和高性能運算能力，公有云的建設(shè)將使得中小型企業(yè)獲得和大型企業(yè)同樣的知識管理系統(tǒng)能力。此外，大數(shù)據(jù)與可視化以及數(shù)據(jù)挖掘的結(jié)合，使得知識管理系統(tǒng)更加智能化，運行速度更快，知識的表現(xiàn)形式更加多元化，有利于知識在組織內(nèi)部的高效傳播，優(yōu)化企業(yè)的知識結(jié)構(gòu)和使用流程，促進(jìn)創(chuàng)新產(chǎn)出。

2016年，為加快實施國家大數(shù)據(jù)戰(zhàn)略，貫徹落實國務(wù)院《促進(jìn)大數(shù)據(jù)發(fā)展行動綱要》，國家發(fā)展改革委員會連同工業(yè)與信息化部、中央網(wǎng)信辦，批復(fù)同意貴州省、京津冀、珠江三角洲、上海市、河南省、重慶市、沈陽市、內(nèi)蒙古八大區(qū)域開展國家大數(shù)據(jù)綜合試驗區(qū)建設(shè)，圍繞不同定位，開展系統(tǒng)性、整體性、協(xié)同性大數(shù)據(jù)綜合試驗探索。設(shè)立國家大數(shù)據(jù)綜合試驗區(qū)是大數(shù)據(jù)戰(zhàn)略中的一項重要舉措，從大數(shù)據(jù)制度創(chuàng)新、公共數(shù)據(jù)開放共享、大數(shù)據(jù)創(chuàng)新應(yīng)用、大數(shù)據(jù)產(chǎn)業(yè)聚集、大數(shù)據(jù)要素流通、數(shù)據(jù)中心整合利用、大數(shù)據(jù)國際交流合作等方面嘗試推動我國大數(shù)據(jù)創(chuàng)新發(fā)展。自設(shè)立以來，綜合試驗區(qū)獲得融資的大數(shù)據(jù)創(chuàng)投項目近千個，新申請大數(shù)據(jù)類技術(shù)發(fā)明專利超過8000項，并對上下游產(chǎn)業(yè)、制造業(yè)和服務(wù)業(yè)形成了強大的推動力。設(shè)立大數(shù)據(jù)綜合試驗區(qū)有助于提高區(qū)域知識集聚度和隱性知識的學(xué)習(xí)水平，從而增強企業(yè)的知識管理能力，提升創(chuàng)新產(chǎn)出。因此，提出假設(shè)H2。

假設(shè)H2：知識管理能力在大數(shù)據(jù)戰(zhàn)略和中國企業(yè)創(chuàng)新產(chǎn)出之間起正向中介作用。

(三)數(shù)字化成本在大數(shù)據(jù)戰(zhàn)略和創(chuàng)新產(chǎn)出之間的中介效應(yīng)

大數(shù)據(jù)的廣泛深入應(yīng)用，使人類社會逐漸走向數(shù)據(jù)經(jīng)濟(jì)時代，提升數(shù)據(jù)存儲、運營和應(yīng)用能力成為企業(yè)創(chuàng)新發(fā)展和獲得競爭優(yōu)勢的重要途徑，當(dāng)前主要互聯(lián)網(wǎng)企業(yè)的數(shù)據(jù)成本甚至達(dá)到20%-40%。另一方面，大數(shù)據(jù)中心建設(shè)、創(chuàng)新應(yīng)用等措施所帶來的新技術(shù)轉(zhuǎn)型升級壓力也可能導(dǎo)致企業(yè)數(shù)字化成本明顯提升，據(jù)統(tǒng)計，部分知識密集型企業(yè)的數(shù)字化成本已占總成本的30%-40%，主要支出為數(shù)據(jù)庫的建設(shè)和維護(hù)費用、機房維護(hù)費用、電費支出等，成本的增長使企業(yè)創(chuàng)新意愿受到影響，從而可能影響創(chuàng)新產(chǎn)出，因此進(jìn)一步提出假設(shè)H3。

假設(shè)H3：企業(yè)的數(shù)字化成本在大數(shù)據(jù)戰(zhàn)略和中國企業(yè)創(chuàng)新產(chǎn)出之間起正向中介作用。

圖1 研究假設(shè)

三 研究方法

(一)雙重差分法(DID)

雙重差分法是政策評估的常用方法，通過監(jiān)測實驗組和控制組間差距的變化情況來消除不隨時間變化的不可觀測因素。應(yīng)用DID方法必須滿足兩個關(guān)鍵條件：一是必須存在一個具有試點性質(zhì)的政策沖擊；二是必須具有一個相應(yīng)的至少兩年(政策實施前后各一年)的面板數(shù)據(jù)集。劉瑞明和趙仁杰(2015)[21]用雙重差分法驗證了國家高新區(qū)政策對地區(qū)經(jīng)濟(jì)發(fā)展的促進(jìn)效應(yīng)；曹平和王桂軍(2018)[22]運用DID、PSM-DID和DDD方法，從創(chuàng)新數(shù)量和創(chuàng)新質(zhì)量雙視角研究了“營改增”對服務(wù)業(yè)企業(yè)技術(shù)創(chuàng)新意愿的影響。參考這些研究的方法，把2016年國家大數(shù)據(jù)綜合試驗區(qū)政策的制定視為一次自然實驗，采用DID方法評估前后的政策效應(yīng)變化。具體模型設(shè)計如下：

Innovit=α0+α1Treati+α2Policyit+α3Treati×Policyit+α4Xit+εi, t

(1)

其中Innovit表示第i個企業(yè)在第t年的創(chuàng)新水平，虛擬變量Treati是對樣本企業(yè)的分組，Treati=1代表位于國家大數(shù)據(jù)綜合試驗區(qū)的上市企業(yè)，即實驗組；Treati=0代表位于國家大數(shù)據(jù)綜合試驗區(qū)外其它地區(qū)的上市企業(yè)，即控制組；Policyit表示國家大數(shù)據(jù)綜合試驗區(qū)政策的影響時間，政策提出當(dāng)年及以后年份取值為1(2016-2018年)，之前的年份取值為0(2013-2015年)。Treatit×Policyit是企業(yè)分組與時間分組的交互項。

(二)機器學(xué)習(xí)方法

Kleinberg et al.(2015)[23]認(rèn)為，政策問題是一個預(yù)測問題，政策效應(yīng)評估就是依據(jù)現(xiàn)有數(shù)據(jù)預(yù)測一個政策能達(dá)到的效果，并與實際達(dá)到的效果對比。從這個角度看，政策可以被視為一種風(fēng)險嘗試，一種藥物。Varian(2014)[24]通過整合包括訓(xùn)練集、驗證范例、修正機器學(xué)習(xí)中過擬合問題等在內(nèi)的各類特征來改進(jìn)計量經(jīng)濟(jì)學(xué)模型，實現(xiàn)大數(shù)據(jù)方法與計量經(jīng)濟(jì)學(xué)的融合。其研究表明恰當(dāng)?shù)臋C器學(xué)習(xí)模型預(yù)測精度可提高50%以上，達(dá)到較好的預(yù)測效果，并實現(xiàn)一定程度上的因果推斷。機器學(xué)習(xí)在政策效應(yīng)和因果推斷已有不少應(yīng)用研究成果，例如運用LASSO方法(高華川和白仲林，2019)[25]對政策進(jìn)行評估，以及隨機森林方法(劉衛(wèi)東等，2019)[26]的應(yīng)用。Athey(2017)[27]認(rèn)為機器學(xué)習(xí)在因果推斷和政策評估中具有很強的應(yīng)用前景，應(yīng)當(dāng)更多將因果樹和隨機森林等機器學(xué)習(xí)技術(shù)與現(xiàn)有的計量經(jīng)濟(jì)理論相結(jié)合。Chernozhukov et al.(2017)[28]認(rèn)為，機器學(xué)習(xí)的理論要求相對于傳統(tǒng)統(tǒng)計方法較弱，使用隨機森林、LASSO、Ridge、增強樹等各種現(xiàn)代的機器學(xué)習(xí)方法，以及這些方法的混合來估計高維回歸中的參數(shù)具有可行性。Tiffin(2019)[29]使用傳統(tǒng)計量經(jīng)濟(jì)學(xué)方法和機器學(xué)習(xí)方法估計金融危機對經(jīng)濟(jì)增長的負(fù)面效應(yīng)，得到相同的結(jié)論，并認(rèn)為機器學(xué)習(xí)方法在交互效應(yīng)、非線性效應(yīng)、異質(zhì)性效應(yīng)的研究方面更具優(yōu)勢。

本文參考已有研究的做法，結(jié)合研究目標(biāo)，選擇LASSO方法(特征縮減方法)、因果森林方法(樹型模型方法)和卷積神經(jīng)網(wǎng)絡(luò)三種機器學(xué)習(xí)方法進(jìn)行對比研究，各種方法的解釋性(因果性)依次遞減，但是預(yù)測性遞增。

1.效應(yīng)評估的機器學(xué)習(xí)方法

控制組的效應(yīng)為：

實驗組的平均效應(yīng)為：

(2)

(3)

(4)

此時政策干預(yù)的效應(yīng)估計為：

平均效應(yīng)估計為：

(5)

圖2 機器學(xué)習(xí)的效應(yīng)評估思路

將樣本按照“訓(xùn)練集-驗證集-測試集”進(jìn)行區(qū)分，其中訓(xùn)練集用于估計模型，驗證集(又稱為開發(fā)/保持集)用于監(jiān)控樣本外預(yù)測誤差，測試集用于評估所選模型的樣本外預(yù)測誤差。

2.LASSO方法

正則化是避免由于變量和特征過多導(dǎo)致過擬合的有效手段，線性回歸的L1正則化通常被稱為LASSO回歸，通過構(gòu)造一個懲罰函數(shù)得到一個較為精煉的模型，保留了子集收縮的優(yōu)點，是一種處理具有復(fù)共線性數(shù)據(jù)的有偏估計。LASSO方法的步驟為完成每次機器學(xué)習(xí)訓(xùn)練后計算損失Loss值，加入懲罰函數(shù)后采用最小角回歸法計算損失Loss的極小值，不斷與因變量進(jìn)行擬合，直至收斂至預(yù)設(shè)閾值為止。構(gòu)造懲罰函數(shù)的方式如下：

首先把式(2)的實驗組平均效應(yīng)改寫為線性函數(shù)形式：

(6)

3.因果森林方法

在機器學(xué)習(xí)領(lǐng)域，回歸樹是利用樹形結(jié)構(gòu)遞歸地將數(shù)據(jù)劃分為不同的子樣本，并將每個子樣本下yi的平均值作為最終預(yù)測值的一種統(tǒng)計方法。本文參考Athey和Imbens(2015)[30]的因果樹方法，把回歸樹方法中重點關(guān)注的預(yù)測值均方誤差改進(jìn)為處理效應(yīng)的均方誤差。首先在訓(xùn)練集樣本中隨機選取一部分，用于劃分空間即構(gòu)造樹的結(jié)構(gòu)，其他樣本被用來估計處理效應(yīng)，估計結(jié)果就是每一個劃分空間中的處理效應(yīng)及其相應(yīng)的置信空間。因果樹的構(gòu)造如下：

(7)

其中K表示樹中的葉子個數(shù)，代表模型的復(fù)雜度，α.K代表懲罰項，可以加速分裂和收斂。

基于生成的因果樹，有條件的平均效應(yīng)按以下公式計算：

(8)

(9)

4.CNN卷積神經(jīng)網(wǎng)絡(luò)

區(qū)別于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)是基于神經(jīng)元局部感受野的概念而設(shè)計的，通過針對某個局部的樣本信息進(jìn)行數(shù)據(jù)挖掘和分析，應(yīng)用卷積(Convolution)操作實現(xiàn)特征的抽取，在縱向上形成新的“視界”，將一段時間窗口周期內(nèi)的企業(yè)相關(guān)數(shù)據(jù)作為一個整體來衡量，通過不同的卷積核和池化進(jìn)行典型化抽取，在保持?jǐn)?shù)據(jù)本身存在的關(guān)聯(lián)性的同時加快迭代速度并提升運算效率，以期獲得更深層次的結(jié)果。

圖3 非線性關(guān)系下的條件平均效應(yīng)評估

四 數(shù)據(jù)和變量

專利內(nèi)化了創(chuàng)新的主要特征“新穎性”，我國的專利分為發(fā)明、實用新型和外觀設(shè)計三類，發(fā)明專利是企業(yè)技術(shù)競爭優(yōu)勢的重要構(gòu)成，因此選擇專利申請數(shù)量的自然對數(shù)和發(fā)明專利申請數(shù)量的自然對數(shù)作為創(chuàng)新代理變量。

Gold et al.(2011)[31]認(rèn)為，知識管理包含基礎(chǔ)建設(shè)和管理流程兩部分，管理流程指獲取、轉(zhuǎn)化、應(yīng)用和保護(hù)知識方面的能力。企業(yè)研發(fā)投入與知識管理基礎(chǔ)建設(shè)密切相關(guān)，而合格的知識型員工才能執(zhí)行知識管理流程并承載知識，知識管理的核心是知識型員工的管理，企業(yè)研發(fā)人員數(shù)量可以作為知識型員工的代表變量。本文選擇知識管理基礎(chǔ)投入(研發(fā)資金投入)、知識管理流程投入(管理投入)、知識員工比例(研發(fā)人員數(shù)量)作為研究變量。Tanriverdi(2005)[32]認(rèn)為，企業(yè)要更快地應(yīng)對高速變化的市場競爭，必須具備知識管理能力，包括技術(shù)知識管理能力、客戶知識管理能力、產(chǎn)品知識管理能力和運作知識管理能力。市場是企業(yè)知識管理能力的最佳衡量標(biāo)準(zhǔn)，企業(yè)學(xué)習(xí)和管理知識是為了快速地進(jìn)行知識的共享與應(yīng)用，以加快產(chǎn)品更新速度，縮短產(chǎn)品研發(fā)周期并降低成本，最終達(dá)到快速占領(lǐng)市場的目標(biāo)。因此，本文進(jìn)一步加入知識應(yīng)用投入(市場投入)、知識累積度(企業(yè)年限)作為知識管理能力的衡量指標(biāo)。

其他的控制變量包含創(chuàng)新環(huán)境和企業(yè)自身條件兩方面。參考曹平和王桂軍(2018)[22]、曹平和陸松(2020)[33]等的做法，同時考慮數(shù)據(jù)獲取的難易度，選取區(qū)域經(jīng)濟(jì)實力(GDP)、區(qū)域人員能力(信息技術(shù)產(chǎn)業(yè)從業(yè)人員數(shù)量)、用戶參與(大專以上學(xué)歷人員數(shù)量)、政府支持(政府補貼)、區(qū)域產(chǎn)學(xué)研協(xié)作能力(高校和科研院所數(shù)量)、金融環(huán)境(外資比例)、盈利能力(營業(yè)利潤率)、成長能力(所有者權(quán)益比例)、營運能力(資產(chǎn)周轉(zhuǎn)率)、資本結(jié)構(gòu)(資產(chǎn)負(fù)債率)、現(xiàn)金流量(總資產(chǎn)現(xiàn)金回收率)和企業(yè)績效(托賓Q值)作為控制變量。因為8個國家大數(shù)據(jù)綜合試驗區(qū)包括區(qū)域、省份和城市，因此在數(shù)據(jù)選擇時進(jìn)行了輻射范圍的推論。首先認(rèn)定京津冀大數(shù)據(jù)綜合試驗區(qū)直接輻射京津冀地區(qū)的企業(yè)，珠江三角洲大數(shù)據(jù)綜合試驗區(qū)直接輻射廣東省的企業(yè)，沈陽市大數(shù)據(jù)綜合試驗區(qū)直接輻射遼寧省企業(yè)，其余貴州、上海、河南、重慶和內(nèi)蒙古均直接輻射本省(直轄市)企業(yè)。不在八大試驗區(qū)范圍內(nèi)的省份為間接輻射省份。基于這個推論，創(chuàng)新環(huán)境指標(biāo)均選取企業(yè)所在省(直轄市)的相關(guān)指標(biāo)。

變量設(shè)定如表1所示。

表1 變量設(shè)定

本文以國家大數(shù)據(jù)綜合試驗區(qū)政策實施前后3年為時間窗口，選取2013-2018年數(shù)據(jù)進(jìn)行研究，2016年為效應(yīng)作用點，2013-2015年為政策前時間面板，2016-2018年為政策生效后觀察面板。宏觀數(shù)據(jù)從《中國工業(yè)統(tǒng)計年鑒》、《中國電子信息產(chǎn)業(yè)統(tǒng)計年鑒》和《中國信息產(chǎn)業(yè)年鑒》中獲取，專利相關(guān)數(shù)據(jù)通過國家知識產(chǎn)權(quán)局網(wǎng)站進(jìn)行手工收集，企業(yè)層面數(shù)據(jù)則來自于國泰安和萬德數(shù)據(jù)庫的上市公司數(shù)據(jù)以及部分上市公司的年報，在剔除金融、保險、ST、*ST及主變量存在嚴(yán)重缺失的公司樣本后，最后得到1107家上市公司的6642條觀測數(shù)據(jù)。為了消除極端值的影響，對主要連續(xù)型變量進(jìn)行了1%的Winsorize縮尾處理。主要變量描述性統(tǒng)計特征分析如表2所示，樣本上市公司專利申請數(shù)量(對數(shù))和發(fā)明專利申請數(shù)量(對數(shù))平均值分別為2.756和1.854，中位數(shù)分別為2.113和1.737，最小值均為0，最大值分別為8.341和6.128。

表2 主要變量的統(tǒng)計特征

五 實證結(jié)果及分析

(一)政策效應(yīng)分析

表3為DID估計結(jié)果，列(1)在加入控制變量的同時對年份固定效應(yīng)和行業(yè)固定效應(yīng)進(jìn)行了控制，結(jié)果顯示交互項Treat×Policy的回歸系數(shù)為0.625且在1%的水平上顯著。列(2)利用固定效應(yīng)模型(FE)對企業(yè)固定效應(yīng)進(jìn)行了控制，可以看到Treat×Policy的回歸系數(shù)為0.422，對比列(1)有所下降，但仍在5%的水平上顯著。因此不能從統(tǒng)計上拒絕假設(shè)H1。

表3 DID檢驗結(jié)果

采用雙重差分方法進(jìn)行政策效應(yīng)評估需要滿足外生性要求，即政策對樣本的選擇應(yīng)該是隨機的，具體到大數(shù)據(jù)綜合試驗區(qū)政策上，很顯然被選中的8個省市不是隨機的，但是樣本上市公司在注冊時并沒有預(yù)見到該政策，因此從企業(yè)層面上看這個政策是隨機的。而大數(shù)據(jù)綜合試驗區(qū)對被影響產(chǎn)業(yè)的選擇是非隨機的，很明顯信息技術(shù)產(chǎn)業(yè)和服務(wù)業(yè)將會受到更大和更直接的影響，如果各產(chǎn)業(yè)在實驗組和控制組之間分布不均勻，此時政策變量將存在一定的內(nèi)生性,需要采用工具變量法進(jìn)行處理。

受空調(diào)制冷、UPS不間斷電源和超大用電負(fù)荷等因素的影響，大數(shù)據(jù)中心的能耗非常巨大。根據(jù)統(tǒng)計，2017年，中國數(shù)據(jù)中心耗電量為1221.5億千瓦時。數(shù)據(jù)中心的巨大能耗受到重點關(guān)注。2019年，工信部、國家機關(guān)事務(wù)管理局和國家能源局出臺《關(guān)于加強綠色數(shù)據(jù)中心建設(shè)的指導(dǎo)意見》，要求到2022年，“數(shù)據(jù)中心平均能耗基本達(dá)到國際先進(jìn)水平，新建大型、超大型數(shù)據(jù)中心的電能使用效率值達(dá)到1.4以下”。很明顯在選定大數(shù)據(jù)綜合試驗區(qū)時，考慮了向煤炭基地及其他用電資源富余地區(qū)的傾斜，因此可以考慮將自然稟賦作為工具變量。參考鄧明和魏后凱(2016)[34]的做法，加總五大能源工業(yè)的工業(yè)產(chǎn)值，然后除以各省總?cè)藬?shù)，得到人均能源工業(yè)總產(chǎn)值，作為自然稟賦的度量標(biāo)準(zhǔn)，相關(guān)數(shù)據(jù)從各年度的《中國工業(yè)經(jīng)濟(jì)統(tǒng)計年鑒》中獲取，計算2013-2015年窗口期內(nèi)的各省數(shù)據(jù)并進(jìn)行平均?？梢哉J(rèn)為，自然稟賦與現(xiàn)代企業(yè)創(chuàng)新之間沒有直接相關(guān)的聯(lián)系，滿足工具變量法的“排他性約束”。

設(shè)置工具變量IV，IV=1表示窗口期內(nèi)自然稟賦指標(biāo)高于平均值的省、市和自治區(qū)，IV=0表示其他省、市和自治區(qū)，利用兩階段最小二乘法(2SLS)進(jìn)行估計。可以看到一階段回歸中IV和IV×Policy的系數(shù)均在1%水平上顯著，且Kleibergen-Paap Wald統(tǒng)計量和Kleibergen-Paap LM統(tǒng)計量所對應(yīng)的p值均遠(yuǎn)小于1%，說明工具變量具備較好的識別能力。二階段回歸的結(jié)果顯示，Treat×Policy的系數(shù)值為正，且在5%的水平上顯著，說明在緩解了政策實施可能存在的內(nèi)生性問題之后結(jié)論保持不變。

表4 工具變量法解決內(nèi)生性問題

表5為機器學(xué)習(xí)方法的估計結(jié)果。具體做法是先從控制組樣本中抽取訓(xùn)練集和驗證集，進(jìn)行模型訓(xùn)練，并用實驗組在政策實施之前的樣本作為測試集進(jìn)行誤差調(diào)整，運用構(gòu)造好的模型進(jìn)行實驗組的反事實推斷，然后評估在給定限制條件下政策的平均效應(yīng)。將數(shù)據(jù)樣本通過設(shè)計的模型進(jìn)行訓(xùn)練和測試，初始學(xué)習(xí)率按照Smith(2015)[35]的方法設(shè)置為0.001。采用不同的算法改變學(xué)習(xí)率，選擇不同的測試集與訓(xùn)練集比例，分別統(tǒng)計迭代到500次和迭代1000次以后的Loss值。結(jié)果顯示在初始學(xué)習(xí)率為0.01，隨機指定測試集和測試集(按70%和30%的比例)的情況下收斂較好，1000次迭代的Loss值低于0.01。同時設(shè)計了一個4層BP神經(jīng)網(wǎng)絡(luò)以對比模型的擬合優(yōu)度。其中輸入層設(shè)置16個節(jié)點；輸出層5個節(jié)點；隱藏層2層，按照經(jīng)驗公式估算，第一層設(shè)置14個節(jié)點，第二層設(shè)置7個節(jié)點。采用同樣的梯度下降方法和激勵函數(shù)，迭代次數(shù)設(shè)置為1000次，運行結(jié)果顯示，本文采用的機器學(xué)習(xí)方法在收斂時間和擬合優(yōu)度上均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

從表5結(jié)果可以看到，LASSO、因果樹(CT)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)三種方法的RMSE均小于0.1，LASSO方法和因果樹的RMSE小于0.05，模型具有較好的預(yù)測性能。根據(jù)模型進(jìn)行反事實推斷計算出來的條件平均效應(yīng)CATE均為正且大于0.3，參考Athey和Imbens(2016)[30]的研究結(jié)論，不能否定假設(shè)H1。

表5 機器學(xué)習(xí)的政策效應(yīng)評估結(jié)果

(二)中介效應(yīng)

為了研究知識管理和數(shù)字化成本在大數(shù)據(jù)戰(zhàn)略和企業(yè)創(chuàng)新之間的作用，進(jìn)一步進(jìn)行中介效應(yīng)檢驗。如上文所述，知識管理(KM)由知識管理基礎(chǔ)投入(研發(fā)資金投入)、知識管理流程投入(管理投入)、知識員工比例(研發(fā)人員數(shù)量)、知識應(yīng)用投入(市場投入)、知識累積度(企業(yè)年齡)五個子項構(gòu)成，采用專家評分法(Delphi方法)和問卷調(diào)查法進(jìn)行綜合評分并制定權(quán)值后(AHP方法)即可計算，得到企業(yè)的知識管理能力水平。數(shù)字化成本通常包括研發(fā)成本、生產(chǎn)成本、保存成本以及維護(hù)和支持成本，其中后面幾項在統(tǒng)計數(shù)據(jù)和企業(yè)年報中均沒有明確的項目對應(yīng)，而研發(fā)成本占據(jù)數(shù)字化成本較大比例，因此本文先將研發(fā)成本和年度變量作為被解釋變量與解釋變量進(jìn)行OLS回歸，估計出隨機擾動項作為數(shù)字化非預(yù)期成本，研發(fā)成本與數(shù)字化非預(yù)期成本分別除以企業(yè)年度總成本后相加，得到企業(yè)年度數(shù)字化成本支出水平，所有的數(shù)據(jù)進(jìn)行z-score標(biāo)準(zhǔn)化處理。

在式(1)的基礎(chǔ)上構(gòu)建中介效應(yīng)檢驗?zāi)Ｐ腿缦拢?/p>

Innov(i,t)=α0+α1Treati+α2Policyit+α3Treati×Policyit+α4Xit+μ1

(10)

KM(i,t)=β0+β1Treati+β2Policyit+β3Treati×Policyit+β4Xit+μ2

(11)

DC(i,t)=β0+β1Treati+β2Policyit+β3Treati×Policyit+β4Xit+μ2

(12)

Innov(i,t)=γ0+γ1Treati+γ2Policyit+γ3Treati×Policyit+γ4KMit+γ5Xit+μ3

(13)

Innov(i,t)=γ0+γ1Treati+γ2Policyit+γ3Treati×Policyit+γ4DCit+γ5Xit+μ3

(14)

其中KM(i,t)代表知識管理中介變量，DC(i,t)為數(shù)字化成本中介變量，μ為隨機擾動項。

中介效應(yīng)采用Sobel檢驗方法，由β3×γ4系數(shù)衡量，從表6結(jié)果可以看到，列(1)Treat×Policy的系數(shù)為正，且在1%的水平上顯著，說明大數(shù)據(jù)戰(zhàn)略確實促進(jìn)了企業(yè)的知識管理能力，列(2)中知識管理能力(KM)的系數(shù)為0.335，且在5%的水平上顯著，因此無需再進(jìn)行Sobel檢驗。計算β3×γ4=0.071，表示大數(shù)據(jù)戰(zhàn)略通過知識管理能力對企業(yè)創(chuàng)新的間接影響效應(yīng)占總效應(yīng)(0.422)的16.83%，即知識管理能力有一定的中介效應(yīng)。一方面，說明大數(shù)據(jù)戰(zhàn)略還有其他路徑推動企業(yè)創(chuàng)新；另一方面，也說明當(dāng)前企業(yè)的數(shù)字化轉(zhuǎn)型還處于初級階段，大數(shù)據(jù)戰(zhàn)略推動知識管理能力發(fā)展并最終促進(jìn)企業(yè)創(chuàng)新的效果還有提升空間。對數(shù)字化成本的檢驗結(jié)果顯示，β3為負(fù)且不顯著，γ4不顯著，說明來自數(shù)字化成本的中介效應(yīng)不顯著。

表6 DID中介效應(yīng)檢驗結(jié)果

利用Matlab中的靈敏度分析(Sensitivity Analysis)模塊進(jìn)行分析，分別設(shè)置4個模型，其中模型1和模型2分別衡量Treat×Policy對知識管理能力KM和數(shù)字化成本DC的輸出敏感度，模型3和模型4衡量Treat×Policy分別和知識管理能力KM以及數(shù)字化成本DC聯(lián)合輸入對企業(yè)創(chuàng)新的輸出敏感度，結(jié)果顯示知識管理能力KM在模型1中的敏感度為0.195，在模型3中的敏感度為0.359，對于企業(yè)創(chuàng)新的輸出具有一定影響力。而數(shù)字化成本在模型2和模型4中的檢驗結(jié)果均顯示其對企業(yè)創(chuàng)新輸出的敏感度較低。

表7 機器學(xué)習(xí)中介效應(yīng)檢驗結(jié)果

(三)穩(wěn)健性檢驗

政策相互干擾是影響DID估計結(jié)果的一個重要因素。通過對這段時間內(nèi)各級政府頒發(fā)的各項政策文件進(jìn)行研讀，本文認(rèn)為國家的大數(shù)據(jù)戰(zhàn)略是逐步遞進(jìn)的，前后無不一致之處，前期主要是思路方面的引領(lǐng)，最終成型的政策是《大數(shù)據(jù)綜合試驗區(qū)推進(jìn)(實施)方案》的頒布。其次進(jìn)行平行趨勢檢驗，參照羅知等(2015)[36]的做法，首先以2016年為政策基準(zhǔn)年，生成政策實施前后3年時間的虛擬變量與處理組虛擬變量的交互項，將這些交互項作為解釋變量進(jìn)行回歸，交互項系數(shù)反映的就是特定年份實驗組和控制組之間的差異。

(15)

結(jié)果顯示，政策時點前的虛擬變量與實驗組虛擬變量的交互項系數(shù)均不顯著，政策實施后二年的系數(shù)顯著為正且數(shù)值逐漸變大(圖4)，這表明大數(shù)據(jù)綜合試驗區(qū)政策實施前實驗組和控制組之間不存在顯著差異，政策實施后對企業(yè)創(chuàng)新產(chǎn)生了影響，平行趨勢假設(shè)成立。

圖4 平行趨勢檢驗結(jié)果

進(jìn)一步采用安慰劑效應(yīng)檢驗結(jié)果的穩(wěn)健性。具體做法是保持方法和模型不變，改用2010-2015年的數(shù)據(jù)來進(jìn)行安慰劑效應(yīng)測試，設(shè)定2010-2012年樣本為實驗組，2013-2015年為控制組。DID方法結(jié)果顯示交互項Treat×Policy的系數(shù)不顯著，機器學(xué)習(xí)方法的結(jié)果顯示CATE值平均為0.0875，出現(xiàn)大幅降低，這進(jìn)一步說明在2016年的政策時間點之前，實驗組和控制組企業(yè)在趨勢上不存在顯著差異。

最后，通過改變企業(yè)創(chuàng)新代理變量的方式進(jìn)行穩(wěn)健性檢驗，采用發(fā)明專利申請數(shù)量來代表企業(yè)創(chuàng)新的質(zhì)量，在DID方法中交互項系數(shù)在5%水平上顯著為正，在機器學(xué)習(xí)方法中CATE平均值為0.3014，接近用所有專利申請數(shù)量作為代理變量時的效應(yīng)水平。

(四)分樣本研究

為了進(jìn)一步檢驗大數(shù)據(jù)綜合試驗區(qū)政策對我國不同類型企業(yè)的影響，按照政策關(guān)聯(lián)性和企業(yè)規(guī)模分樣本進(jìn)行研究。首先，考慮到信息技術(shù)企業(yè)直接受到大數(shù)據(jù)綜合試驗區(qū)政策影響，按政策關(guān)聯(lián)性將樣本分為信息技術(shù)企業(yè)和其他企業(yè)進(jìn)行研究。對信息技術(shù)企業(yè)的DID雙重差分法研究結(jié)果顯示，信息技術(shù)企業(yè)樣本的Treat×Policy系數(shù)在1%水平上顯著為正，其他企業(yè)樣本的Treat×Policy系數(shù)在5%水平上顯著為正，大數(shù)據(jù)綜合試驗區(qū)政策對信息技術(shù)企業(yè)的創(chuàng)新促進(jìn)力度更大。按企業(yè)規(guī)模區(qū)分，結(jié)果顯示大數(shù)據(jù)綜合試驗區(qū)政策更能提升大型企業(yè)的創(chuàng)新水平?？赡茉蛟谟?，大型企業(yè)有更大的動力和資源進(jìn)行大數(shù)據(jù)應(yīng)用建設(shè)，通過提升整體的信息化和數(shù)字化水平而促進(jìn)創(chuàng)新。

表8 分樣本回歸(DID)

機器學(xué)習(xí)方法得到同樣的結(jié)論，LASSO、因果樹和CNN方法的模型擬合RMSE均達(dá)到要求，采用機器學(xué)習(xí)方法得到的信息技術(shù)企業(yè)政策效應(yīng)相較其他企業(yè)多53.78%，大數(shù)據(jù)綜合試驗區(qū)政策通過對信息技術(shù)企業(yè)的直接推動，帶來新的技術(shù)及促進(jìn)商業(yè)模式和市場模式改變，間接增強了其他企業(yè)的創(chuàng)新意愿。結(jié)論中還可以看到大型企業(yè)的政策效應(yīng)相較中小型企業(yè)更高，和上述DID方法研究得到的結(jié)論一致。因此，政策制定應(yīng)該考慮向信息技術(shù)企業(yè)之外的企業(yè)傾斜，并加大對中小企業(yè)的扶持力度，以期實現(xiàn)整個產(chǎn)業(yè)的迭代升級。

表9 分樣本回歸(機器學(xué)習(xí))

六 總結(jié)與進(jìn)一步討論

根據(jù)2010年發(fā)布的《國務(wù)院關(guān)于加快培育和發(fā)展戰(zhàn)略性新興產(chǎn)業(yè)的決定》和2016年國務(wù)院《“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃》(國發(fā)〔2016〕67號)中的定義，大數(shù)據(jù)產(chǎn)業(yè)是新一代信息技術(shù)產(chǎn)業(yè)發(fā)展的重要構(gòu)成，也是工業(yè)4.0和其他產(chǎn)業(yè)轉(zhuǎn)型升級的重要基礎(chǔ)，對數(shù)據(jù)資源的掌控和應(yīng)用已成為重要的國家戰(zhàn)略和創(chuàng)新的核心要素。大數(shù)據(jù)對于創(chuàng)新知識發(fā)掘和知識管理是一種高效率的新技術(shù)，會對企業(yè)創(chuàng)新產(chǎn)生深刻影響。我國政府也高度關(guān)注大數(shù)據(jù)產(chǎn)業(yè)，通過各種政策不斷促進(jìn)其高速發(fā)展。本文分析大數(shù)據(jù)戰(zhàn)略對企業(yè)創(chuàng)新的促進(jìn)作用，采用傳統(tǒng)的DID方法和近年來發(fā)展較快的機器學(xué)習(xí)方法開展聯(lián)合研究，將國家2016年頒布大數(shù)據(jù)綜合試驗區(qū)政策作為一項自然實驗，基于2013-2018年中國上市公司數(shù)據(jù)的實證結(jié)果表明，政策一定程度上提升了中國企業(yè)尤其是知識密集型企業(yè)的創(chuàng)新水平，促進(jìn)效應(yīng)部分來自于政策對于企業(yè)知識管理能力的影響。但是知識管理能力的中介效應(yīng)并不是特別突出，原因一方面在于知識管理能力是一個漸進(jìn)式的提高過程，并非短期內(nèi)的政策刺激就能實現(xiàn)；另一方面在于大數(shù)據(jù)本身的特性決定了技術(shù)外包和能力租用對于中小企業(yè)是一個短期內(nèi)效益較高的選擇，因此忽略自身的知識管理能力提升。這也是本文發(fā)現(xiàn)大數(shù)據(jù)戰(zhàn)略并未通過提升數(shù)字化成本而影響創(chuàng)新產(chǎn)出的一個主要原因。分樣本回歸結(jié)果顯示大數(shù)據(jù)戰(zhàn)略對信息技術(shù)企業(yè)和大型企業(yè)的創(chuàng)新促進(jìn)作用更加突出，政策制定應(yīng)該考慮向其他企業(yè)適當(dāng)傾斜，并加大對中小企業(yè)的扶持力度，例如設(shè)置大數(shù)據(jù)和數(shù)字化改造的專項扶持資金，以實現(xiàn)整體產(chǎn)業(yè)的迭代升級。

在政策效應(yīng)研究方面，DID方法是傳統(tǒng)的優(yōu)秀方法，但是必須嚴(yán)格做好假設(shè)，保障平行趨勢。機器學(xué)習(xí)是人工智能的重要領(lǐng)域，目的是通過對樣本特征的深度挖掘，獲得準(zhǔn)確的預(yù)測，并且實現(xiàn)對非線性關(guān)系的模擬與趨近，二者在方法論上存在共通之處，且一定程度上能夠互補。機器學(xué)習(xí)在政策評估方面主要的應(yīng)用是反事實模擬，即使用預(yù)處理和對照觀測的數(shù)據(jù)，預(yù)測如果沒有政策影響，外源觀測結(jié)果會發(fā)生什么變化，將這一預(yù)測與政策實施后的實際結(jié)果進(jìn)行比較，可以得到政策的平均處理效應(yīng)。政策往往帶有明顯傾向性，對于大數(shù)據(jù)綜合試驗區(qū)政策，資源稟賦(電費)和先發(fā)優(yōu)勢的影響無法忽視，相較于DID方法，機器學(xué)習(xí)可以在一定程度上緩解內(nèi)生性并發(fā)掘非線性關(guān)系。本文使用了LASSO、因果樹和CNN卷積神經(jīng)網(wǎng)絡(luò)三種方法進(jìn)行政策效應(yīng)評估，得到的結(jié)論與DID方法基本一致。但是機器學(xué)習(xí)目前有實質(zhì)性的限制，即無法獲得不確定性估計量，在因果關(guān)系判定上存在缺陷，后續(xù)必須進(jìn)一步做好理論基礎(chǔ)支撐研究，提高置信度。

根據(jù)研究結(jié)論，得到主要的產(chǎn)業(yè)發(fā)展政策含義為：首先，與美國、德國和日本等發(fā)達(dá)國家相比，我國的基礎(chǔ)產(chǎn)業(yè)尤其是制造業(yè)領(lǐng)域仍然處于較為初級的生產(chǎn)階段，大數(shù)據(jù)是推動制造業(yè)智能化水平提升和工業(yè)4.0升級的基礎(chǔ)支撐手段。大數(shù)據(jù)戰(zhàn)略會促進(jìn)生產(chǎn)企業(yè)的信息技術(shù)能力和知識管理能力提升，從而對整體產(chǎn)業(yè)的創(chuàng)新水平有正向作用，企業(yè)方面應(yīng)以大數(shù)據(jù)綜合試驗區(qū)政策頒布為契機主動實現(xiàn)數(shù)字化轉(zhuǎn)型，以數(shù)字化帶動自主創(chuàng)新。其次，政府方面應(yīng)保障公平的市場競爭環(huán)境并加強知識產(chǎn)權(quán)保護(hù)力度，出臺相關(guān)政策促進(jìn)產(chǎn)業(yè)間基于大數(shù)據(jù)的數(shù)字化創(chuàng)新，鼓勵產(chǎn)業(yè)間大數(shù)據(jù)的相互流動與協(xié)同創(chuàng)新，對大數(shù)據(jù)應(yīng)用進(jìn)行有效監(jiān)管，確保信息安全和數(shù)據(jù)安全。同時還應(yīng)當(dāng)通過政策和有效措施推動大數(shù)據(jù)基礎(chǔ)建設(shè)與大數(shù)據(jù)應(yīng)用之間的銜接，確保大數(shù)據(jù)的技術(shù)優(yōu)勢能夠向傳統(tǒng)工業(yè)和服務(wù)業(yè)轉(zhuǎn)移，推動整體產(chǎn)業(yè)的數(shù)字化轉(zhuǎn)型升級和創(chuàng)新發(fā)展。再次，知識管理能力在大數(shù)據(jù)戰(zhàn)略和企業(yè)創(chuàng)新產(chǎn)出之間起到一定的中介作用，后續(xù)應(yīng)當(dāng)繼續(xù)推動高校和研究機構(gòu)開展大數(shù)據(jù)和云計算的基礎(chǔ)研究，著重培養(yǎng)數(shù)字化轉(zhuǎn)型人才，激勵配套技術(shù)創(chuàng)新，進(jìn)一步推進(jìn)產(chǎn)業(yè)發(fā)展。最后，大數(shù)據(jù)產(chǎn)業(yè)的能耗較高，應(yīng)當(dāng)做好電費政策配套，在給予電費優(yōu)惠推動產(chǎn)業(yè)發(fā)展的同時加強綠色數(shù)據(jù)中心建設(shè)。同時做好產(chǎn)業(yè)布局規(guī)劃，避免發(fā)展過于粗放，各地盲目投入大數(shù)據(jù)產(chǎn)業(yè)園區(qū)項目造成資源閑置和浪費。