Spillovers, Innovation Difficulty, and the Dynamics of Productivity
通过使用一个基于1984年至2019年美国数据估计的中型DSGE模型，本文发现，尽管创新难度是影响创新成功概率的一个持续性因素，但总体的生产率波动主要是由溢出冲击而非创新难度的变化所驱动的。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，美国一直是发明创造的强国。从数字平台到人工智能，各种新技术以惊人的速度涌现，承诺重塑我们的生活和工作方式。然而，一个令人困惑的矛盾却笼罩着经济：尽管新想法和投资的速率在激增，但经济生产商品和服务的整体速度却放缓了。这种脱节让经济学家们苦于寻找解释。究竟是增长的引擎正在失去燃料，还是燃料只是没有到达正确的地方？要理解这一点，必须观察研究与开发（即R&D）转化为现实世界进步的两种截然不同的方式。第一种是集体努力的纯粹力量：投入在研究上的总金钱和时间在多大程度上推动了可能性的最前沿？第二种是个人尝试的挑战：一家特定公司的研究成功创造出一种新的、有用的产品的可能性有多大？区分这两种力量至关重要，因为其中一种力量的放缓并不一定意味着另一种力量的放缓，而解决经济谜题的方法完全取决于哪一个才是问题所在。
米兰比科卡大学的一个研究小组试图利用一个详细的美国经济计算机模型来理清这两种力量。他们构建了一个模拟系统，追踪资金如何流入研究领域，研究如何创造新技术，以及这些技术如何在市场中传播。该模型将这一过程分为两个渠道。一个渠道衡量“溢出”效应，即当许多公司共同进行研究时，它们如何集体推动技术前沿向前迈进，从而使下一个重大突破对每个人都变得更容易。另一个渠道衡量“创新难度”，它代表了一家特定公司的研究努力实际上成功创造出新产品的概率。研究人员利用1984年至2019年的真实数据为模型提供输入，包括GDP和投资等标准经济指标，以及一个基于专利文本开发的独特且新颖的技术创造力度量标准。这种专利数据作为一个直接的窗口，展示了实际成功生成的想法有多少，而不仅仅是进行了多少次尝试。
该模拟实验的结果为这个生产率减速之谜提供了一个清晰的答案。研究发现，经济增长速度的下降主要不是由单个发明成功率的下降引起的。相反，减速的主要驱动因素是溢出渠道的削弱。简单来说，全国范围内进行的各项研究的集体努力在推动技术绝对前沿方面变得不再那么高效。模型显示，对这种集体效率的冲击解释了全要素生产率（TFP）增长中绝大部分的波动，在增强模型中解释了大约88%到97%的方差。相比之下，获得单个发明成功的概率对整体经济速度的影响则小得多。虽然成功的概率会有波动，但这些变化并不会驱动生产率的主要趋势。
然而，当研究人员观察难度本身的性质时，情况发生了轻微的变化。当他们纳入基于专利的创造力数据时，模型揭示了创新的“难度”并不是一种每隔几个月就会变化的快速跳动的力量。相反，它表现得像一种缓慢移动的暗流。一旦模型考虑了专利中发现的现实成功率，难度冲击就表现为一种持续的、长期的力量，它塑造的是数年间的创新格局，而非短期的商业周期扰动。这表明，虽然制造一项新发明变得越来越难，但这种难度的增加是一种稳定的、缓慢的压力，而不是导致近期经济放缓的突然冲击。研究表明，生产率的放缓并非主要由成功的创新减少所驱动。数据表明，企业仍在寻找创新的方法，但将这些创新转化为广泛经济增长的集体引擎已经失去了部分动力。
这一发现的意义在于它如何改变我们看待经济的方式，以及我们可能如何尝试修复它。研究表明，仅仅鼓励更多公司去尝试发明新事物，或者在不解决研究如何与更广泛经济相连接的情况下投入更多研究资金，可能是不够的。如果问题在于知识的集体溢出效应较弱，那么政策需要关注想法如何传播以及技术前沿如何为所有人推进，而不仅仅是关注进行了多少次个人尝试。研究得出结论，生产率的放缓并非创新者本身的失败，而是将他们的集体工作转化为更快经济增长的机制出现了失效。通过分离这两个渠道，研究人员表明，经济并非缺乏想法，而是从这些想法通往普遍繁荣的路径变得更加难以驾驭。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。