现本身是站得住脚的。
现在,请大家从各自熟悉的角度,先过一遍。林工,你主要负责回应。”
压力瞬间聚焦到林窈身上。
计量方法专家陈教授率先发问,眼神锐利:“林研究员,你们用的这个企业数据库,覆盖面够不够广?有没有代表性?数据清洗的时候,对那些特别高或者特别低的异常值,是怎么处理的?整个处理过程能完整重现吗?”
林窈早有准备,从容地调出整理好的材料,语气平稳地回答:
“陈教授,我们用的是全国工商注册企业库和知识产权数据库的匹配样本,覆盖了主要行业和不同规模的企业,代表性是比较好的。
异常值处理我们采用了行业内常用的几种方法进行了交叉对比,结果都很接近。
所有处理数据的代码和步骤记录都保存着,随时可以重新走一遍流程。”
理论经济专家老王接着提问,更关注内在逻辑:“按照通常的理论,数据壁垒降低应该会持续推动创新。你发现的这个‘平台期’,甚至还有点回升,从经济学的基本逻辑上,该怎么理解?
会不会是你们的模型漏掉了一些既影响数据壁垒,又影响创新效率的其他因素?比如,处在这个特殊时期的企业,是不是正好碰上了技术升级的瓶颈期?”
林窈认真听完,略加思索后回答:
“王老师提的这一点非常关键。我们确实已经把常见的控制变量,比如研发投入、人才结构等都考虑进去了。
您提到的技术转型瓶颈期,是一个非常重要的可能性,这很可能是一个我们之前忽略的关键因素,也是我们下一步需要重点验证的方向。
我们初步猜测,会不会是数据流通达到一定水平后,企业面临的主要矛盾不再是数据‘有没有’,而是数据‘太多太杂’,自身的‘消化吸收能力’跟不上了?”
产业经济专家老李则更关心现实印证:“如果这个发现最终被证实,对咱们制定产业政策会有什么启发?我们能马上找到现实中的例子来支撑吗?
比如,在某个特定的产业聚集区,那里的企业有没有表现出类似的特点?”
会议室内,质疑、探讨、假设、辩论,气氛热烈而高效。
几位专家你来我往,有时为一个细节争得面红耳赤,有时又因一个新颖的猜想而眼前一亮。
“老李说的这个案例很重要!”老王拍了下桌子,“如果能找到现实中的对应,那说服力就强多了!”
本章未完,请点击下一页继续阅读!