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！