與「明星」互動中的創新：結構模型在創新研究中的應用

通過互動（interaction）的創新

所謂「知識就是力量」，發明者的知識（knowledge）可以說是創新過程中的重要一環，這些知識從哪來呢？一部分來自於與他人的互動，一部分來自學習。為了探究發明者的互動（interaction），最近發表在NBER的工作論文，由五位科學家合作撰寫，從數學模型的構建到微觀數據的實證，再到數據的估計擬合，到政策實驗的定性分析解釋這個問題。小編私以為，這篇文章可以說是吧一個問題研究做到了淋（wu）漓（xie）盡（ke）致（ji）。

問題的提出

發明者的自身知識和人力資本是科學產出的重要輸入，他們通過與他人的互動和學習來建構自己的知識，高校、公司和研究機構為了促進這種互動創造了大量的機會，公共咖啡屋和正式的國際交流會議。不同研究團隊的發明者使用他們的知識創造者不同的創意（ideas），這些創意帶來了技術和產品，最終帶來了經濟增長。

基於此，作者提出了以下問題：

1、如何正確地將發明者層面的互動和知識嵌入到基於創新的增長模型中？

2、如何用微觀的數據的方式去探索發明者的互動和研究團隊層面的創新產出？

3、如何捕捉髮明人進一步發展其知識和生產的過程，然後轉化為新的想法或創新？

理論模型

為了解決以上的問題，作者將以創新為基礎的增長模型、研究團隊模型、知識擴散和人力資本模型，構建了整個理論體系。這些模型之間互相連接，構建了一個通過學習和交互帶來創新和增長的模型。

那麼這些模型是怎麼連接在一起的呢？首先需要作者就基於幾個概念和理論構建了一個宏大的圖景。

作者從上圖頂部的標準的以創新為基礎的增長模型開始構建，首先，經濟部門中有兩個部門：產生創意（idea）的研究部門（即創新innovation）和一個產出最終消費品的產品部門，同時，將這些部門中也有兩種類型的工人：提供創新的有技能的研究人員，以及提供生產的沒有技能的勞動力。在這個過程中最終產品部門通過購買研究團隊（研究部門）的創新，與沒有技能的勞動力結合生產最終物品。

在這一鏈條中，研究部門是如何增長生產率的呢？就來到了上圖中間部分間關於研究團隊的理論，研究部門當然是依靠研究團隊來提高生產率。但是在研究團隊中，由於每個研究者的異質性，那些產出最多的研究者會成為團隊的領導（leader），團隊中的leader組建研究團隊，僱傭團隊成員來提供創新和創意，所以在這一部分，研究團隊的質量是一個關於研究領導產出和團隊規模的函數。

那麼，研究者的異質性產出是怎麼形成的呢，這就來到上圖的第三部分模型，關於知識的擴散和人力資本模型。這裡的解釋是，研究者通過兩種渠道造成了產出的不同，一種是通過互動，例如與他人見面來獲得他們的知識；另一種是通過外部的學習。這樣，這就將知識擴散（或基於人力資本的模型）與基於創新的增長模型相結合了起來。研究人員通過與他人會面來獲取知識並將其分散開來，並且知識被用於產生推動技術前沿的創新。

需要注意的是，這裡每個模型都基於了數學的推導過程，在上圖中可以看到。

實證部分

為了驗證這一理論，作者利用了1977年到2010年歐洲專利局的調查數據進行驗證。專利數據是是研究發明者互動、學習和創新的理想數據，包含了大量需要的信息，可以說在研究這一問題上具有天然的優勢。

--------->>

自變數：

互動。作者使用了高質量互動和低質量互動來定義，高質量互動是指為某一發明人在過去幾年中與特別發明人的合作的次數，而這個特別發明人在和自己互動發生前就擁有比自己更高的生產率（簡言之就是比自己牛的人互動），低質量的互動同樣定義（也就是比自己弱的人互動）。此外，

研究團隊。從數據可以看到，超過70%專利申請都是由至少兩個發明者共同申請的，那麼研究團隊的衡量就是按照發明者人數來衡量的。

--------->>

因變數：

個體產出的測量。是發明人在一段時間內產生的引用加權（專利質量）的專利數量。這一指標同時測量了創新的質量和數量。

創意的質量。研究一個團隊的idea 質量，利用了 團隊產出專利的質量，專利質量是由未來的引用來衡量的，在本文中作者使用了給定專利後三年的時間窗口內的引用來衡量。

--------->>

控制變數：

團隊領導（在一段時期內個體累計產出最高的就是團隊領導）、企業固定效應、部門和 區域固定效應、年齡。

具體的描述性統計如下表所示：

接下來，在進行了回歸之後，得出以下結果：

從第一列可以看出，高質量的互動對專利質量的影響始終是積極和顯著的：一個額外的高質量互動使隨後的專利質量提高了0.02個水平，這相當於在3年期限內每個專利的引用次數增加了0.06個水平。

從第二列可以看出，我們同時包括那些生產力較高的共同發明人，和那些在遇到生產力低的共同發明人。可以看出，高質量的相互作用的影響增加到30％，個人受益更多的是與他們的比他們更優秀的人互動，即生產力更高的人。

第三列的回歸，作者將樣本限制在高科技行業在高科技行業，可以看出，高質量互動的影響在高科技產業更強。

從第四列和第五列可以看出，企業和區域層面的互動也影響著生產。這些互動作用的影響小於列一的影響，因為與同一公司或地區中的某個人的相互作用較為疏遠，因此較弱。

同時，作者還通過計算重複的互動作用；用五年時間來計算引用；排除了自引和只關注低科技領域進行了穩健性檢驗。同時，作者還使用了少數成員網路作為了工具變數進行了分析。

光有計量模型的分析還不夠！作者將模型和實證結果彙集在一起，使用生產率，創新和相互作用的新數據來估計了模型。作者使用數值演算法，參數估計以及目標時刻估計。 然後證明該模型非常適合數據。作者利用了數據對模型中的係數進行了參數估計和擬合優度檢驗，結果如下圖。

在驗證了該模型足夠完整，可用於了解知識擴散，生產力和創新過去和現在的變化。 為了說明這一點，作者還將估計模型用於工作並定量研究四個政策場景：

1、互動的重要性：作者量化了互動相對於其他學習渠道對生產率和成長的重要性，通過計算互動對經濟增長的貢獻，發現關閉兩個學習渠道中的任何一個都會顯著減少增長；內生互動渠道比外生學習渠道對增長貢獻更大，且兩種學習渠道之間有很強的互補性。

2、降低互動成本：互動成本降低時會發生什麼？ 這可以解釋為採用「Google模式」的公司或行業。這種情況可以模擬信息技術（IT）的傳播，即使在較大的地理距離上也可以使通信更容易，使互動更容易。研究人員可以更輕鬆地與其他人會面，他們可以學到更多，創新的質量和增長率更高。團隊領導者更多，因此對作為團隊成員聘用的熟練研究人員的競爭更加激烈。因此，團隊平均變得更小。

3、減少對外部idea。 如果減少對外部學習的來源會發生什麼？一些地區可能存在強大的人才集聚和地域集中；可能會有非常強烈的專業化；同時也可能帶來保護主義。

4、美國與德國。最後作者分別為德國和美國這兩個大創新國家估算模型，以比較其創新生產函數和團隊動態。作者使用了自己的模型來了解互動如何影響不同經濟環境下的生產力和增長。

用許多不同的方式分割了數據，並按時間段，技術部門或國家分別估算模型。這兩個主要專利國家的勞動力市場和教育（即人力資本收購）系統截然不同。與此相關的是，這兩個國家的互動和生產力具有非常不同的生命周期概況。可以說，該模型非常適合每個國家的數據。

結論

本文構建了一個基於創新的內生增長模型，在這個模型中，作者利用了專利數據驗證個體發明者和研究團隊層面微觀的創新過程。一個發明者通過與其他比他更熟悉的人或通過其他渠道（比如個人發現，經驗或邊干邊學）交流來獲取知識。最富有成效的發明家形成了不同規模的研究團隊，併產生了取決於他們自己的知識的異質性的想法。

在未來，作者還提出這一模型可以用來研究影響不同方式互動成本對增長和生產率的影響；禁止發明者在公司之間流動的非競爭法律的影響是什麼？由於勞動力摩擦帶來的互動便利會間接影響創新和生產力嗎？移民政策如何影響新發明者和創意的流入等等問題。

參考文獻：

Akcigit, Ufuk, Caicedo, Santiago, Miguelez, Ernest, Stantcheva, Stefanie and Sterzi, Valerio, (2018), Dancing with the Stars: Innovation Through Interactions, No 24466, NBER Working Papers, National Bureau of Economic Research, Inc

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！