关键使能技术和智能专业化策略

1. 引言
       本文旨在填补S3政策与理论之间的空白；本文的具体目的是评估所谓的”关键使能技术”（KETs）是否真能助力该政策前进。事实上，欧盟委员会最近已经在该政策议程表上确立了6项技术——工业生物科技，纳米科技，微（纳）米电子，光电，先进材料和先进制造技术——旨在”确保欧洲各行业在知识经济上的竞争力”（EC，2009；2012）。此外，这6项技术在S3政策下的发展潜力已经在S3的最佳实践中显现出来（索维克等人，2013年），这些项目在一般的区域技术活动中各尽所长。尽管如此，KETs在S3上的应用潜力可能仍然受制于政策与学科间分明的鸿沟。事实上，现今很多政策的制定都会关注这些前沿技术，因为这些技术将是未来欧洲工业发展的关键助力。但另一方面，除了”欧盟对关键使能技术的监控机制的可行性研究”（EC，2011）这一例外——自此之后，从科学原理上分析KETs 在政策制定上的关键作用的可行性研究就难见踪影。而二者相关性的证明也似乎销声匿迹。因此，本研究重点分析了区域层面上的政策不匹配性，鉴于与S3相关的KETs已经成为各区域发展的重点问题，本文给出了明确的监控政策推荐（如S3平台和Eye@RIS3观察的推荐）和区域发展支持（如区域实施计划）方案。
       本文试图解决这种不匹配性并评估KETs对S3的作用，因此我们对前者提出了一种更为科学的、切合实际的研究方法，并对后者提出了一个演化的地理研究方法来分析KETs的影响（科隆贝利等人，2014年；爱思勒齐比克勒，2013年）。更确切地说，我们认识到KETs的一些基本属性，并且考虑到人们对现有技术的认知近似性，我们认为这些属性会影响地区新技术专业的发展能力。因此，本文旨在解决以下研究问题：作为新技术专业孕育的特别过程，KETs是否增加了S3的区域发展能力？KETs能否改变技术认知近似性对新技术发展的影响？更简单的说，KETs能否使区域的专业化发展超乎想象？或者说，KETs会不会在一定程度上使现有技术束缚了区域新专业的发展？
       这些研究问题包含了一些重要的政策含义。一方面，第一组问题的肯定回答将告诉地区决策者KETs能否在实际上成为S3的一个额外驱动力量，能否弥补其他驱动力量的不足，或者增强它们的功能，是否应该早就在此应用这些KETs技术。事实上，KETs并非孤军作战，并且KETs也必须与其他力量相互协作，而S3的结果也将最终取决于各种技术力量的共同作用。第二组问题也反映出了重要的政策意义，它将告诉我们KETs能否走出现有的区域技术局限，向更广阔的领域“探索”新技术，而不是纵向“深挖”以获取新的技术优势。换句话说，根据我们的分析，决策者还可以通过 KETs 找出最适合该区域的智能策略。最后，我们分析了KETs在相关区域多样性中的作用，这样我们就可以更清晰地拆解KETs与S3的关系。
       如上所述，我们可以在S3的区域和城市研究中使用已有的研究方法来分析先前政策的含义，本文对此也至少给出了两个可供使用的研究方向。一方面，从理论角度，我们试图对KETs的商品相关性做进一步的简要研究——如“未来商品和服务的重要（投入）”（EC，2012），多识别一些关于KETs能够影响S3发展的铰接特征。另一方面，从实证角度，我们通过对相关专利数据和方法论的扩展来测试这种潜在作用，并在区域研究中将S3与新区域技术优势(RTAs)联系起来（科隆贝利等人，2014年；爱思勒齐比克勒，2013年）。
       本文其余部分的安排如下。第2节为本文的理论背景，在该节中，我们从区域层面上对一些重要技术可能具有的“关键”作用提出了一些新颖的假设。第3节给出了测试这些假设的实证应用，相关数据和计量策略。第4节阐述了主要的实验结果并阐述了这些技术的政策含义。第5节总结全文并制定了未来的研究议程。

2. 理论背景和假设
       这6种技术要想成为“关键使能技术”就必须让支持它们的欧洲决策者（详见EC 2009和2012）看到它们的实用能力和发展潜力。所谓实用能力就是所说的“使能”：“新型产品和新型服务的研发，以及工业流程的重组”（我们认为的重点）。简而言之，通过关键使能技术的投入来获得新的“基于KETs的产品和应用”，这是（下文所述意义的）“关键”；根据知识生产函数的机制（格里利兹，1989年），创新的过程是一个明显的“黑箱化”过程。不过从实用的角度，虽然可能有所赘述，但我们还是想说，KETs与非/略关键使能技术的共同特点就是他们都属于“知识密集型技术，研发强度高，创新周期短，资本支出大，职业技能强”。从潜力上看，同样被视为“关键”的技术自然也有望促使（在上述意义中）欧洲产业“走向低碳环保、以知识为基础的经济”路线上（我们认为的重点）。因此，想要知道KETs是否真能打开“未来社会挑战”的“大门”，我们就只能通过一个经济展望框架来找打答案。
       虽然KETs已经收编在政策旗下，但其（相对于非/略关键使能技术）的性质和职能界限显然还是很宽泛的，尤其与它在政策领域的牢固作用相反。这种政策上的高度关注必定需要一个健全的科研基础，至少要做到以下两个方面：1）要有说服力（并不是说要多科学），要能重点解释这6项技术的“关键使能”作用；2）要确定这6项技术所发挥的作用是不是够资格使它们力排其他技术，成为“KETs俱乐部”的一员。
       在下文中，我们将避免谈及第二个问题，该问题将自然过渡到我们今后的研究议程中。（EC）政策定位的这6项重要技术实际上有着其他技术可能不具备的共同“关键使能”特点。我们改为集中探讨第一个问题，尝试通过区域层面上的分析和在S3的辩论中KETs的位置，找出这一作用的健全解释。事实上，从分析层面上研究政策的不匹配性也可以显示出KETs的作用（卡佩罗等人，2014年；卡玛格尼和卡佩罗，2013年；弗瑞等人，2011年；经合组织，2013年）。一方面，欧洲决策者建议各地区在优先领域推广和/或应用KETs技术，建立起区域智能专业化策略：不仅通过通用的“最佳”政策实践与其他地区分享技术成果——因为它最初是由JRC-IPTS欧盟委员会的S3平台调用的——而且还可以在具体的“区域实施计划”中进行持续监控（例如Eye@ RIS3行动），加强落实。另一方面，在S3的政策优先领域使用KETs技术的理论基础太宽泛，通常与“水平优先领域……除技术、部门或跨部门优先领域外”的需求相挂钩（索维克等人，2013年）。但从区域层面上分析，S3的概念已经幸运地在经济地理上建立起来，并设置了有趣而严格的界定方法，这样研究政策的不匹配性对KETs的影响可能会减少。
       正如波斯玛所说 (2014年)， 从经济地理学的角度，智能专业化的概念分享了区域优势构建 (CRA)的主要原则，它要求各地区识别相关技术的发展模式，充分利用知识，商品种类和政策平台（奥顿等人，2002年；阿西姆等人，2011年）。反过来，CRA方法所确定的“相关商品种类”将成为区域多样化和产业分支的主要驱动力（波斯玛，2011年）。部门/技术的近似性塑造了区域发展的轨迹，这样，区域能力就随时间不断积累，有望实现动态的不可逆性，形成路径依赖的多元化动态（波斯玛等人，2013年和2014年；科隆贝利等人2014年；爱思勒齐比克勒，2013年）。与CRA不同，智能专业化并不意味着明确的区域界定。正如麦肯和奥尔特加 – 阿吉尔斯（2011年）所说，地理维度应该高度融入智能专业化中，让企业家在区域特色的熏陶下不断学习，提升能力。在这方面，S3对区域多样化的刺激应当专注于能够产生经济和技术机会的特定领域。 通过S3和CRA的结合，各地区的代理商就可以运用不断积累的知识来管理自己所属的S3区域。在区域发展中，产业开始多元化，而新品种的引进又受到区域基础能力的制约。新的活动，新产业的诞生都与区域的现实生产力密切相关。新的活动要（至少部分）依靠现有的开发流程。
       以前的概念框架当然会受到技术性质的影响，因为技术性质决定了区域系统和S3-CRA组合的动态。特别是对于掌握相关KETs技术知识的区域，这些技术的特性可能会影响该区域的S3定位。
       第一个特性就是KETs的一般性质，它决定了这些技术的应用数量和应用种类。这6项技术都是偌大产品和产业流程中的技术构建模块。基于“技术”定义和产品数量的这一模块性质已经记录在KETs的可行性研究中（EC，2011），不论商用与否。
       KETs技术的定义实际上指的是它们应用的几种领域。而且，对这些技术（基于现有文献、网络搜索、专家观点）的分析可以确定它们的不同构成，这样反过来，它们也是以不同的现有和潜在产品为依托的。与通用技术(GPTs)类似——这些技术互不相同，军事和国防上的应用较少（甚至没有）(拉坦，2006年) ，基础设施建设方面的作用较小 (利普西等人, 2005年)。KETs 应用范围广，对其他技术的发展也发挥了重要的溢出作用。在区域层面上，KETs的一般性质有望影响S3的定位，在原有技术上建立起新的RTAs优势 (如上所述)。这种衍生过程是类似的，各区域运用KETs技术（相见脚注6）的溢出效应，同时兼顾其他应用领域的知识，而不是在众多应用中只取其一。例如,某一区域将纳米科技上的优势应用在碳纳米管的生产上，这样该地区就获得了新的技术专业——聚合物薄膜或微纤维。实际上，这些应用都要归功于纳米技术知识和区域技术能力向不同领域的延伸。同样地，利用先进材料的专业知识来生产玻璃和陶瓷也会有溢出效应，也可以把区域技术能力延伸到利用先进材料的电场或磁场应用中。总之，KETs的一般性质可以促进新RTAs优势的生成，并直接影响区域技术发展水平。所以，我们可以得出以下的假设：
假设1：KETs技术增强区域新技术优势的构建能力。
       KETs的第二个特性对S3的发展有主要意义——这就它的系统性质，以及该系统性质与其他技术领域的关系。
       类似于托马斯•休斯的“大型技术系统”(休斯, 1987年)，一般情况下，KETs技术的潜在应用（详见上述特性）都会与其他技术相结合，这样它们的应用就会变得更专业化，更实用。例如，要制造电动车，就需要将先进材料和其他相关的KETs技术联系起来，并与机械学/电子学等更标准的技术相结合，系统性的完成制造工作。根据以前的经济地理学方法，在区域层面上KETs知识可以与其他技术相结合，这样即使不够专业化，该区域也可以获得技术的实践经验。但关键是，通过与地区现有技术相结合，KETs技术可以提高它的可利用率，从而获得相关的新技术。另一方面，KETs技术也可以以地区知识为基础扩展其应用机会，然后通过与现有知识的重组来放宽区域技术构成在种类和认知近似性上的限制。例如，某地区将(KETs)微电子与较“传统”的家庭技术相结合（例如，木材和塑料的技术组合），这样可以使后者的应用领域放宽，该地区就可以在该领域获得新的专业能力，例如家庭智能化。另一方面，KETs也可以起反作用，使区域技术纵向深入发展，增加对相关技术种类的制约。例如，(KETs) 某地区将光电技术与渔业领域的航运技术相结合，这样就要求后者具备更多的新RTAs优势。原则上，这两者结果都可能发送。实际上，这不仅取决于特定KETs技术和非KETs技术的区域技术互补，还会取决于区域的政策选择是趋向于放松还是加强，以及本地现有知识基础的影响。因此，我们可以提出以下2个假设，而它们的有效性由实证应用来决定：
假设2a：KETs技术对区域新技术优势的构建有消极影响。
假设2b：KETs技术对区域新技术优势的构建有积极影响。
       在对假设进行实证检验之前，应注意的是，上述6种欧洲决策者定义的KETs技术的特性影响程度不同。它们的固有知识基础实际上是异质的，各种特性对技术的通用性和系统属性的影响程度不同。因此，将假设1和假设2中的每种技术分开测试更合理，不排除可能得到不同的结果：一种情况是测试结果对区域的实际KETs技术构建定位很有帮助，有助于区域特定KETs技术的最终选择。

3. 实证应用
3.1 数据
       鉴于KETs技术与欧盟政策的相关性，我们选择欧盟地区作为假设的自然测试环境。像往常一样，这些技术的实证覆盖率主要取决于测量关键现象的数据可用性。在本实验中，关键数据包括区域KETs知识以及文献确定的关于新RTAs优势的其他区域驱动因素。
       就第一点而言，我们已经提出了可行性研究；对于KETs技术在现有数据库中的识别我们提出了3种方法，我们选择了一种“技术扩散法”并将它应用于区域分析中（EC，2011，第21页）。而且在这种方法中，我们用KETs技术项下的国际专利分类（IPC）应用来代表相关领域产生的新知识。
       本研究方法最关键的分析步骤包含了基于IPC编码的KETs专利识别。为了强调这一问题，我们在可行性研究（仍在修订中）中已经给出了一个相应的转换表。
在目前的应用中，我们已经更新到最新的可用版本（见扎尼等人2014年的研究），并使用该版本来评估经合组织的注册专利数据集（2014年7月），其中包含了多项专利项目的信息（例如，国际专利分类（所有数字）；地区代码和专利号）。
       然后，我们就可以将这些信息与相关发明人的地区联系起来，而不是与相关经济部门相联系（原始方法假设知识将会“扩散”）。这样，我们有信心可以检测出区域KETs技术（其中的一种技术/几种技术）项下，与工业应用和商业化有关的新技术知识的研发能力。
       至于其他的S3驱动因素，我们已经将NUTS2地区的区域专利数据与欧洲地区数据库相结合，并由英国剑桥计量经济学会负责维护。以便在领土单位的统计上建立同一水平的其他相关控制变量（见下面的章节）。虽然分析变得更细化，例如NUTS3地区在该问题上的分化更为细化，涉及到更多的细小元素，但数据可用性规定了NUTS2地区的参考范围。另一方面，以往的研究表明，无论是政府机构对S3的分析（罗德里格斯-波兹等人，2014年），还是区域层面上KETs技术的诞生和推广分析（帕丁森等人，2015年），NUTS2地区的分析都是在相应的水平上进行的。合并上述两个数据集后，我们还剩下一个1981年到2010年的区域数据集。其中包含了26个欧盟成员国（由于数据的限制，此处不含28个欧盟成员国中的希腊和克罗地亚），该数据集的特点是：地理范围广，时间跨度大。

3.2 变量
       根据经济地理学法对上述S3的分析，焦点因变量是某一特定区域i 的新RTAs优势的数量，即在时间t内表现出的RTAs数量，而在时间t-1内尚未显现，即：

其中，Xist =1，如果 RTAist≥1 且0<RTAist-1<1

反过来，我们可以通过关于贸易专业化的标准巴拉萨显性比较指数，确定时间t内，（n个地区中）地区i显示出的（m个技术中）技术s的优势，然后重新定义相应IPC分类下(PATist)的专利数量（休特，1987年）：

在本例中，m = 632，n = 235，并且考虑到一个新RTA优势的诞生需要l年的滞后时间。

       根据相同的方法，某地区RAT的动态首先由本地代理商在过去设法达到的技术空间进行解释，即通过因变量的滞后值New_RTAit-1来解释。在现存文献（波斯玛等人，2013年，科隆贝利等人，2014年）中，我们保留第一个回归因子来解释区域技术专业化的路径依赖性；“成功可以带来成功”，也就是说它还可以为我们带来一些可能的滞后模式。所以，它的包容性是最根本的，虽然它增加了估算自回归模型的复杂性（见下节）。
       第二个核心回归因子来自该方法本身的地理性质，即多种概念的近似性作用（波斯玛，2004年）。特别是技术/认知近似性已被证明在该研究中起到关键作用。各地区应基于学习实践的相似性和“有关品种”的启发性原则（弗兰肯等人，2007年），通过地区与现有技术的联系，着力开发新型技术优势。简单来说，“创造不同的专业”应是S3的核心内容（波斯玛和吉安内里，2014年）；这也促使人们展开了大量的研究，尝试找出区域现有技术和新技术之间相关技术种类的测量方法（弗兰肯等人，2007年；波斯玛和亚马里诺，2009年；奎特罗，2010年）。
       虽然后很多选择，但我们在此坚持使用一种研究方法，虽然KETs概念所隐含的技术焦点是相一致，但这一方法似乎特别适用于我们基于专利性质的应用。借鉴伊达尔戈等人的（2007年）研究，把一个国家的产品空间呈现方式应用到一个地区的技术空间呈现上，然后关注这些联系的密度，在时间t内，区域i中每种技术s（即RTAt）（在其他    中）显示出的技术优势（而在时间t-1内尚未显现）；然后我们就可以算出区域i的密度平均值（Av_ Densit），如下面所述。
       我们首先计算出两种技术s和z之间的一个近似性（），将该值定义为某一具备RTA优势的区域在技术s上的成对条件概率的最小值，已知该地区在另一技术z上也有RTA优势，则：

其中，然后，对于每种焦点技术z，我们计算了它与其他不同的s个技术的（加权）平均近似性，其中，区域i已经在时间t内获得了这些技术对应的新技术优势，具体如下：

最后，对于每个区域i，我们算出了在时间t-1内，技术z的特定距离的区域平均值（或平均密度），通过将之与在时间t，该区域关于技术z所获得的（相对）技术优势进行加权，得到：

       总而言之，Av _ Densit代表了某地区在时间t内获得的新技术优势的总的（即平均的）程度，（在上述规定的意义上）接近该区域在时间t-1内获得的优势。简而言之，它代表了一个相对的技术种类，其中，智能专业化策略对我们的因变量有积极影响，这表明“附近”已经出现技术能力的积累，或者已经出现用于新技术开发的互补技术。
下面的自变量列表中包含了一些地区的控制变量。其中的一个重要控制变量就是区域的“技术”规模。在一般情况下，该值由焦点区域的研发强度来代表，定义为研发支出及其总附加值之间的比。然而，当我们在内部数据一致的情况下计算R＆Dt-1的值时，即来自同一数据集，作为其他变量来计算相对区域比值的滞后对数时，很不幸，我们观察到了大幅的数据损失（见表2）。因此，至少在我们的基准估计中（见第3节），我们将宁愿坚持用一个值来代表区域技术规模，这更符合我们模型的专利性质，即IPC编码的数量，其中，该区域已经在时间t-1中注册了专利申请CountIPCit -1。略观察几次后，我们仅在模型的鲁棒性检查与估计中插入了R＆Dt-1来取代或与CountIPCit-1一同计算（见第3.3节）。事实上，将其同时纳入可以明确一个事实，虽然它们都是规模变量，但它们具有不同的性质，因为CountIPCit-1也解释了各地区随时间而探索新技术的“自由度”。
       至于其他控制变量，我们在估计模型中加入了区域附加值（的滞后对数）和区域就业（的滞后数）。
       为了将KETs技术的作用插上到该模型中并检测我们的假设，我们借鉴了上述的“技术扩散法”，为它们建立了2个代值。第一个，KETs_ Fileit-1，该值代表KETs映射的IPC分类数量；其中，地区i的发明者已经在时间t-1内申请了专利，不管该申请发生在哪一个特定KETs技术上（考虑到一致性，我们还是会保留一个1年的时间滞后期）。该一指标首次部分证明了该地区基于KETs知识进行的技术研发努力，而KETs知识还会与本地其他的技术相结合。
       我们建立的第二个代值，KETs_ RTAit-1试图超越该地区KETs知识的“简单可用性”，并算出技术申请的相应实际数量（即IPC分类）；其中，该技术专业化的可用性（正如RTA指数所测量的）仍然不考虑具体的KETs技术类型。简而言之，与前者不同，后者的KETs代值表明，KETs不仅是各区域知识库的一部分，还是高端专业领域的一部分。最后，为了测试所有KETs技术的作用，参照对应这6种技术的IPC分类数量，我们重新计算了这两个指标。
表 1总结了本研究中使用的变量，它们的定义方式和及其数据来源。

3.3 计量策略
我们用来测试假设的模型含义如下：

其中，除了先前的定位，z也是我们的结构区域控制变量（包括鲁棒性检验和评估中的研发）之一，dtime和dregion代表年和地区，为标准属性的一个误差项。
而且，假设1的测试与KETs的意义和符号有关，根据二者中的任一形式，我们把假设2a和假设2b对于KETs的意义和符号作为Av_dens产生的影响的调节变量。
我们在估算模型（6）中使用的计量策略首先由我们的因变量NEW_RTA的性质所驱动，这是一个计数变量，它具有强大的分散性质（正如图1的检测和表2中对我们的变量的主要描述性统计）。它与所识别的回归因子的相关性如表3所示。

       由于使用基线估计，所以我们采用了固定效应的负二项（NegBin）模型。在处理纵向数据中设立一个框架，在该框架中可以将NUTS2地区看作一个簇，将观察到的年份以某种方式嵌套进去，进行基线上的鲁棒性检查；我们还采用了一个多级负二项（MMNegBin）模型，通常在观察数据不在同一层面上（比如NUTS2地区，NUTS1地区等…）时使用这一模型（戈尔茨坦，1995年）。因此，该函数的形式估计如下：

       在扩充基线时，我们应该考虑在公式（6）中的模型中，时间t内因变量相对于滞后值的回归情况。这里涉及到模型的一个内在动态问题，需要通过一项计量策略将估算中可能出现的偏差最小化。因此，根据卡梅伦和特里维迪（2005年和2010年）的研究，我们使用动态GMM模型多进行了一组数据的计数估算。而且，我们使用了一个条件相关随机（CCR）效应模型（曼德拉克，1978年，张伯伦，1984年）为固定效应估值和随机效应估值进行一个折中处理。

原文始发于：关键使能技术和智能专业化策略