作为一种新型生产要素,数据在人类生产活动中的地位迅速提升,数据共享、开放、增值以及应用正在深刻改变人类社会生产、生活与工作方式[1-3]。近年来伴随数字经济上升为国家战略,大数据、云计算、人工智能、数字孪生等新一代数字技术高速发展,新基建、城市大脑、“上云用数赋智”等新提法层出不穷[4-5]。随着“生产服务+商业模式+金融服务”融合发展的数字经济生态逐渐形成,数字经济成为推动经济增长的新引擎,在国家发展战略中居于重要位置[6]。
由于知识转移、人才流动与经济关联等原因,创新活动往往具有一定空间溢出属性[7-10]。从表层看,数字经济发展会消弭创新主体、创新资源要素等存在的地理距离和空间分布对协同创新的影响,同时,弱化区域创新活动在地理维度上的空间关联。然而,在长三角、珠三角、京津冀等围绕大城市形成的城市群中,各城市间的协同创新关系并未在数字经济发展下变得日渐疏远,但区域创新能力差距仍然较大,区域创新产出、创新投入、创新资源的分布不均衡问题仍然存在[11]。从理论视角看,数字经济具有规模经济、范围经济、长尾效应等特征,有助于提升本地区创新绩效[12-14];从实证视角看,数字经济与创新活动也呈现出一定空间关联效应[15]。但从现有研究成果看,关于数字经济对区域创新绩效的影响是否具有空间溢出效应的问题仍然缺乏深入分析与明确回答。
基于此,本文试图从理论上分析数字经济、区域创新活动及其空间溢出效应的内在联系,并运用空间杜宾模型对上述空间联系进行实证检验。与现有研究成果相比较,本文将从资源要素、载体平台和技术创新3个角度系统梳理数字经济特征与属性,为深化对数字经济属性的认识提供新视角。在此基础上,本文进一步研究数字经济发展水平对区域创新活动的影响,剖析数字经济对区域创新绩效及其空间溢出效应的作用机制。
自提出“数字经济”概念以来,关于数字经济的研究不断深入。如Negroponte[16]认为,数字经济是广泛运用信息通讯技术(ICT)的经济系统,通过数字化、信息化、网络化对人类生存模式带来巨大变化。2016年G20杭州峰会上提出,数字经济是以数字化信息与知识作为生产要素、以信息化网络为载体、以ICT使用促进效率提升和宏观经济结构优化的经济活动总和。总的来看,数字化时代的经济运行方式呈现出数据驱动、万物互联、创新迭代的特征,因此数字经济具有资源要素、载体平台和技术创新等三重属性。
从资源要素角度看,作为一种生产要素,数据已经成为经济发展和科技创新的重要驱动力。不同于劳动力、资本、自然资源等生产要素,数据要素具有非竞争性特点,可以在虚拟空间内无限次重复使用。同一数据的不同使用者互不干扰,数据使用者越多,数据的利用率就越高[17]。
从载体平台角度看,数字化网络连接了大量生产者和消费者,为信息交流和资源配置提供了平台。智能终端的互联和科技创意素材的数字化共享、开放消弭了创新主体间存在的时空距离,迅速扩大了在线创新群体规模,形成了基于海量动态数据、全景智能链接与智力资源全天候泛在的数字化创新平台。不同于传统载体平台,数字化平台具有规模收益递增属性和显著的外部性[18]。按照梅特卡夫定律,数字化平台的价值与用户数量的平方成正比。因此,在数字化平台上,在线创新资源获取、信息交互和思维碰撞将成为常态,创新资源配置效率和创新绩效将在数字化平台上得到提升。王金杰等[19]对4 130家上市公司进行实证研究,发现互联网的广泛应用全面打开了企业边界,形成了全新的开放式创新框架。
从技术创新角度看,与农业技术、工业技术不同,数字技术的扩散速度快、迭代周期短。而由数字技术引发的创新是一个持续迭代过程,没有清晰的起点和终点。在数字经济时代,整个产业体系要敏锐捕捉市场变化,迅速制定调整策略,这对技术创新速度提出了更高要求,催生了技术创新的分工与合作[20]。也有一些学者从实证角度提出质疑,认为信息通信技术并未带来生产率变化[21-22]。然而,作为一种通用技术,大数据、人工智能、云计算、数字孪生、5G、物联网和区块链等新一代数字技术与实体经济深度融合,不断拓展科技活动、创新驱动与成果转化边界,全方位放大实体经济的技术延展空间,全面促进生产效率提高和经济增长。
通过上述分析,本文提出如下研究假设:
H1:数字经济发展水平对本地创新绩效具有显著正向影响。
从资源要素角度看,数据的低扩散成本与高扩散速度导致其具有天然的流动属性。这种流动性受地理空间的限制较小,体现出较强的地理空间溢出效应。在创新活动中,地理位置较邻近的创新主体具有更多交流合作机会,通过共享开放数据提升数据要素的利用率,进而增强区域创新绩效的空间溢出效应。有研究对339名研发人员和中高层管理者进行问卷调查发现,数据溢出对集群创新能力形成具有显著促进作用(曹勇、蒋振宇、孙合林等,2016)。因此,数据要素不仅能够提高本地区创新绩效,还能够通过共享开放提高周边地区的创新绩效。
从载体平台角度看,数字化平台不仅为创新主体提供了在线协同配置创新资源的机会,也为创新主体寻找合作伙伴、加强交流与对接提供了信息获取渠道。创新主体可以通过数字化平台了解潜在创新合作对象,并在线上交流的基础上,通过实地调研、线下研讨、共建实体平台等方式进一步深化合作。韩先锋等[23]实证分析了中国内地30个省域2006-2017年互联网综合发展水平对创新效率的影响,结果显示,互联网不仅促进了区域创新效率提升,而且呈现出显著的创新溢出效应。因此,数字化平台有助于促进创新主体的地理空间集聚,进而为创新资源与创新主体匹配以及空间集聚提供资源支撑。
从技术创新角度看,随着数字经济和数字技术发展,企业内部创新平台的数字化转型也正在加速。如阿里巴巴人工智能实验室、腾讯AI Lab、百度AR实验室等创新平台运用数字化工具或软件进行数字化设计、分析、仿真、验证,实现数字化产品定义、模型数据检查、机电一体化协同设计、协同工程计算和数字化仿真分析,为研发人员提供虚拟的并行协同设计和仿真的集成工作环境[24]。数字技术提高了实体创新平台对人才、技术、知识等创新资源的配置效率,增强了实体创新平台对创新资源的集聚效应,促进了创新资源要素流动和区域协同创新。
通过上述分析,本文提出如下研究假设:
H2:数字经济发展水平对创新绩效的空间溢出效应具有显著正向影响。
(1)创新绩效。现有研究成果大多从创新产出、创新能力、创新程度、创新效率等方面考察创新绩效。其中,创新产出通常使用专利申请数等指标衡量[25];创新能力通常使用《中国区域创新能力评价报告》中有关指标衡量[26];创新程度通常使用复合系统协同度模型测度[27];创新效率通常使用DEA-BCC模型和Malmquist指数模型求解[28]。虽然关于专利数量能否准确衡量创新产出仍然存在争议,但由于专利数据的可获得性较强,使用专利数量衡量创新产出的做法已经被普遍接受。因此,本文也将从创新产出角度考察创新绩效,并使用专利申请数(件)衡量创新产出。
(2)数字经济发展水平。结合数字经济的数据要素、载体平台、技术创新三重属性,综合考虑相关性和可获得性等,使用“互联网宽带接入用户数(万户)”衡量数字经济发展水平,主要基于以下考虑:一是从相关性看,互联网宽带接入用户既是数据要素的生产主体,也是互联网平台的使用主体。因此,互联网宽带接入用户数兼顾了数字经济的数据要素和载体平台的双重属性,但是未体现数字经济的技术创新属性。考虑到本文研究的主题是数字经济对创新绩效及其空间溢出效应的影响,而数字经济的技术创新属性与区域创新绩效可能存在双向因果关系,因此使用“互联网宽带接入用户数”指标可在一定程度上削弱由双向因果关系导致的内生性问题。二是从可获得性看,数字经济主要包括数字产业化(数字经济核心产业)和产业数字化(数字经济赋能产业)两部分[29]。目前,国家统计局尚无关于数字经济核心产业的统一分类标准,未开展统计监测及增加值核算工作,而数字经济促使传统产业效率提升所对应的增加值难以通过常规方法测算,因此数字经济增加值的测算仍然存在现实困境[30-31]。相比之下,“互联网宽带接入用户数”指标具有明确的内涵和外延,更适合进行不同时点、不同区域的比较分析和计量检验。
(3)控制变量。基于知识生产函数,创新产出与创新资源投入密切相关,人力资本和研发经费资本都对创新绩效具有显著影响。此外,创新绩效也受到地区经济发展水平等基础条件制约(陈升,何增华,顾娟,2020)。因此,本文选择3项指标作为控制变量:一是研发经费投入,使用R&D内部经费支出(万元)衡量;二是研发人员投入,使用R&D人员数量(人)衡量;三是经济发展水平,使用地区生产总值(万元)衡量。
基于数据可得性,以我国361座地级以上城市2010-2018年数据作为考察样本,原始数据来源于《中国城市统计年鉴》。剔除数据缺失样本后,为削弱计量单位和异方差对检验结果的影响,对原始数据进行对数化处理。为削弱价格变动造成的影响,以2009年为基期,使用当年消费者价格指数对R&D内部经费支出、地区生产总值进行价格平减处理。各变量描述性统计结果如表1所示。
表1 各变量描述性统计结果
变量含义样本量均值标准差最小值最大值pat创新绩效3 2493.6070.6620.3015.359dig数字经济发展水平3 2491.9750.3510.0003.105exp研发经费投入3 2495.1110.6322.2557.133hum研发人员投入3 2493.8120.4851.4155.433gdp经济发展水平3 2497.2520.3866.1328.514
常见的空间权重矩阵W包括相邻权重矩阵、地理距离权重矩阵、经济距离权重矩阵、加权相邻权重矩阵、加权地理距离权重矩阵等类型[32]。综合考虑到权重矩阵的简洁性和有效性,选择相邻权重矩阵衡量城市空间关系,并对权重进行标准化处理,以开展空间相关性检验和构建空间计量模型。标准化前的相邻权重矩阵如下:
其中,
空间计量模型的一般形式为:Y=ρWY+α+Xβ+WXθ+μ,μ=λWμ+ε。其中,Y、X、W分别代表被解释变量、解释变量和空间权重矩阵,WY、WX、Wμ分别是被解释变量、解释变量和随机扰动项的空间滞后项。由于各空间计量模型并不一定包含所有类型的空间滞后项,因此需要根据统计检验结果和研究目的进行取舍,进而构建适合的空间计量模型[33]。本文在进行空间计量模型设定时,主要考虑两方面因素:一是从统计检验角度看,通过Wald检验和LR检验判定,空间杜宾模型不宜退化为空间自回归模型或空间误差模型;二是从研究目的看,在考察各城市创新绩效空间溢出效应的基础上,进一步研判数字经济对创新绩效及其溢出效应的影响,因此运用空间杜宾模型更为适当。综合考虑上述因素,本文运用空间杜宾模型进行后续分析。
借鉴田增瑞等[34]、崔庆安等[35]的做法,使用莫兰指数(Moran′s I)检验创新绩效的空间相关性。各城市2010-2018年创新绩效的全局莫兰指数如表2所示。由上可知,各年度全局莫兰指数均通过了1%的显著性检验,表明各城市创新绩效存在正空间相关性,区域创新在空间上具有显著的正向溢出效应,即创新能力强的地区能够对周边地区产生正向影响。
表2 各城市2010-2018年创新绩效的全局莫兰指数
题项201020112012201320142015201620172018Moran'I0.4360.4260.3960.3800.3850.3650.3570.3350.354P值0.0010.0010.0020.0040.0030.0050.0060.0080.006
注:p值为双尾检验结果
为考察各城市创新绩效的空间溢出效应,进一步测算2018年各城市创新绩效的局部莫兰指数,局部莫兰指数散点分布如图1所示。图1表明,2018年225座城市创新绩效的局部莫兰指数分别位于第一象限和第三象限内,表明创新绩效呈现高—高集聚和低—低集聚特征,存在较强的正空间相关性。从区域角度看,呈现高—高集聚特征的城市主要集中在以长三角为主的东南沿海一带,东北地区、西部地区城市创新绩效的局部莫兰指数呈现出低—低集聚特征,说明受创新人才分布、资金投入分布和经济发展水平分布等因素影响,我国创新绩效仍然呈现东—中—西梯度分布特征。
图1 2018年创新绩效局部莫兰指数散点分布
常见的空间计量经济模型参数估计方法主要包括极大似然估计法(MLE)、广义空间两阶段最小二乘法(GS2SLS)、空间广义矩估计法(空间GMM)3种[36],本文将使用上述估计方法对以创新绩效为被解释变量的空间杜宾模型进行回归。由于空间计量模型的点估计结果并不能解释变量的边际作用,因此需要在初步回归结果的基础上进一步估计各解释变量的直接效应和间接效应,进而分析各解释变量作用效果的差异和空间溢出效应。表3中的模型1-模型3分别列出了使用极大似然估计法、广义空间两阶段最小二乘法和空间广义矩估计法的估计结果,出于简洁性考虑,表3仅报告了各解释变量的直接效应、间接效应、总效应及判断回归结果拟合优度的部分指标。
表3显示,使用极大似然估计法、广义空间两阶段最小二乘法和空间广义矩估计法进行估计,得到的各解释变量系数和稳健标准误基本相似。比较模型1-模型3的可决系数和对数似然比可知,模型1的拟合效果更优。因此,仅就模型1的估计结果进行分析,在稳健性检验中仅报告极大似然估计法的估算结果。
表3 空间杜宾模型回归结果
变量模型1直接效应间接效应总效应模型2直接效应间接效应总效应模型3直接效应间接效应总效应dig0.349***0.077**0.424**0.325**0.068**0.393**0.346**0.073**0.419**(0.129)(0.032)(0.192)(0.138)(0.035)(0.156)(0.183)(0.032)(0.198)exp0.393***-0.2410.152**0.410***-0.2270.183**0.389***-0.2380.151**(0.123)(0.208)(0.051)(0.118)(0.182)(0.069)(0.117)(0.190)(0.057)hum0.370***0.132*0.502**0.401***0.112*0.513**0.410***0.131*0.541**(0.127)(0.087)(0.141)(0.152)(0.075)(0.161)(0.133)(0.076)(0.149)gdp0.978***-0.2210.757***0.981***-0.257*0.724***1.030***-0.2580.772***(0.242)(0.248)(0.145)(0.229)(0.202)(0.182)(0.266)(0.310)(0.187)样本数量 3 249 3 249 3 249 可决系数(R2) 0.819 20.805 90.813 1对数似然比(Log-L)270.53262.39263.33
注:括号内为稳健标准误,***、**、*分别表示双边t检验在1%、5%、10%的水平下显著,下同;根据Chow检验和Hausman检验结果,选择个体—时点双固定效应模型进行估计
在控制变量中,研发经费投入的直接效应为正且通过了1%的显著性检验,间接效应为负且未通过显著性检验,说明研发经费主要来源于地方财政,一般用于支持本地区创新活动,因此研发经费投入有利于提升本地区创新产出,但对周边城市的空间溢出效应不明显。研发人员投入的直接效应和间接效应均为正且分别通过了1%与10%的显著性检验,说明研发人员不仅在本地区创新活动中发挥重要作用,而且通过人员流动、信息交流、知识共享等方式带动了周边城市创新,体现出一定的空间溢出效应。地区经济发展水平的直接效应为正且通过1%的显著性检验,表明一个地区经济发展水平对于本地区创新产出的提升具有促进作用,但间接效应不显著,说明经济发展水平对创新产出的促进作用更多地发生于本地区,对周边城市的溢出效应不明显。与上述控制变量相比,数字经济发展水平的直接效应和间接效应均为正,且分别通过了1%和5%的显著性检验。其中,模型1的回归结果显示,dig的直接效应和间接效应分别为0.349与0.077,表明在其它条件不变的情况下,数字经济发展水平每变动1%,当地创新绩效均值将变动0.35%,而周边地区创新绩效均值将变化0.08%。由此,可以得出,数字经济发展不仅在本地区创新活动中扮演重要角色,而且能够增强区域创新绩效的空间溢出效应。
考虑到不同区域创新绩效及其空间溢出效应存在显著差距,为检验数字经济发展水平对不同区域城市创新绩效的影响,将361个城市按照地理位置分为东部城市、中部城市、西部城市3类。表4中,模型4在模型1的基础上加入区域与数字经济的交叉项,与模型1的回归结果相比,其解释变量的系数符号和显著性水平均未发生明显变化,而东部地区数字经济发展水平的直接效应与间接效应均略高于模型1的回归结果,中、西部地区结果低于模型1的回归结果。与东部地区相比,中、西部地区数字经济发展水平的直接效应和间接效应均较低,表明中西部地区数字经济发展水平仍有待提高,对本地创新绩效的提升作用有限,且数字经济对创新的溢出红利也未充分释放,通过数字经济发展带动周边地区创新绩效提升的空间较大。
表4 分区域变系数模型检验结果
题项模型4直接效应间接效应总效应dig(东部地区)0.355***0.083**0.438***(0.085)(0.040)(0.112)dig(中部地区)0.301**0.072**0.373**(0.152)(0.035)(0.162)dig(西部地区)0.297**0.068**0.365**(0.156)(0.026)(0.167)exp0.371***-0.2590.112**(0.101)(0.225)(0.050)hum0.346***0.108*0.454***(0.097)(0.062)(0.101)gdp0.956***-0.2430.713***(0.209)(0.265)(0.148)样本数量1 080 可决系数(R2) 0.856 4对数似然比(Log-L)305.73
注:东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省(市);中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西等10个省(区);西部地区包括重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆等10个省(市、区)
为克服统计变量选择对估计结果的影响,用相似的统计变量替换模型中的统计变量以进行稳健性检验。表5给出了替换创新绩效、创新经费投入和创新人员投入3项指标的统计变量稳健性检验结果。其中,模型5使用“专利授权数量”代替被解释变量“专利申请数量”,模型6使用“R&D经费投入强度”(R&D经费内部支出占地区生产总值的比重)代替解释变量“R&D经费内部支出”的对数值,模型7使用“R&D人员全时当量”代替解释变量“R&D人员数量”。由表5的回归结果可以发现,模型5-模型7的可决系数和对数似然比相对稳定,各解释变量系数符号均与模型1的回归结果保持一致,系数绝对值和显著性水平也未发生明显变化,表明模型1的回归结果稳健。
表5 变量稳健性检验结果
变量模型5直接效应间接效应总效应模型6直接效应间接效应总效应模型7直接效应间接效应总效应dig0.312***0.066**0.378***0.343***0.075**0.418***0.395***0.104**0.499***(0.080)(0.031)(0.093)(0.127)(0.057)(0.146)(0.147)(0.053)(0.162)exp0.422***-0.2540.168***0.461***-0.2590.202***0.400***-0.2400.160***(0.142)(0.246)(0.067)(0.153)(0.230)(0.076)(0.122)(0.211)(0.055)hum0.383***0.158*0.541**0.415***0.1240.539**0.368***0.106*0.474**(0.142)(0.097)(0.179)(0.144)(0.105)(0.166)(0.123)(0.081)(0.149)gdp1.013***-0.2340.779***1.020***-0.2690.751***0.935***-0.2110.722***(0.182)(0.212)(0.114)(0.246)(0.254)(0.157)(0.223)(0.224)(0.159)样本数量 3 249 3 249 3 249 可决系数(R2) 0.839 10.820 10.825 7对数似然比(Log-L)265.26262.52264.51
为进一步控制遗漏变量带来的内生性问题,考虑到2016年在贵州省、京津冀、珠三角等8个区域批准设立国家大数据综合试验区,据此生成国家大数据综合试验区虚拟变量,对上述8个区域2016年之后的样本和其它样本分别赋值1与0,以此作为工具变量,进行两阶段最小二乘回归。使用国家大数据综合试验区作为虚拟变量的合理性主要体现在两个方面:一是从相关性看,设立国家大数据综合试验区体现出国家发展数字经济的区域导向,有助于地方更好地调配资源、发展数字经济。表6第1列第一阶段回归结果显示,工具变量与数字经济发展水平正相关,系数在1%的水平下显著。二是从外生性看,2016年设立国家大数据综合试验区属于无法事先预料的外生冲击性事件,弱工具变量检验F统计量也大于10%的临界水平,因此能够有效保证工具变量的外生性。表6中第二阶段回归结果显示,数字经济发展水平的直接效应和间接效应均在5%的水平下显著为正,进一步验证了本文结果的稳健性。
表6 两阶段最小二乘法回归结果
模型8变量第一阶段dig第二阶段直接效应间接效应总效应IV0.377***(0.009)dig0.335**0.071**0.406**(0.161)(0.034)(0.177)exp0.037*0.399***-0.2320.167**(0.022)(0.129)(0.186)(0.063)hum0.056**0.405***0.122*0.527**(0.023)(0.142)(0.079)(0.155)gdp0.335***1.010***-0.2390.771***(0.058)(0.249)(0.256)(0.186)样本数量3 249 3 249 可决系数(R2)0.878 40.809 5对数似然比(Log-L)326.95262.86
表7报告了空间权重矩阵的稳健性检验结果,其中,模型9-模型11分别使用地理距离权重矩阵、经济距离权重矩阵、加权相邻权重矩阵(用地区生产总值加权)3种矩阵替换模型1的相邻权重矩阵以进行检验。与模型1的回归结果相比,各解释变量对创新绩效的直接效应、间接效应、总效应方向及稳健标准误并未发生明显变化,表明模型1的回归结果具有一定稳健性。
表7 空间权重矩阵稳健性检验结果
变量模型9直接效应间接效应总效应模型10直接效应间接效应总效应模型11直接效应间接效应总效应dig0.312***0.063**0.375***0.281***0.055**0.336***0.350***0.072**0.422***(0.108)(0.034)(0.118)(0.074)(0.037)(0.088)(0.123)(0.038)(0.139)exp0.417***-0.2520.165***0.472***-0.3600.112***0.386***-0.2350.151***(0.139)(0.236)(0.057)(0.142)(0.218)(0.083)(0.129)(0.192)(0.054)hum0.361***0.129*0.490**0.405***0.1520.557**0.392***0.119*0.511**(0.113)(0.085)(0.130)(0.160)(0.102)(0.184)(0.128)(0.081)(0.146)gdp0.970***-0.2290.741***1.041***-0.286*0.755***0.907***-0.2050.702***(0.249)(0.292)(0.150)(0.237)(0.228)(0.167)(0.229)(0.234)(0.158)样本数量 3 249 3 249 3 249 可决系数(R2) 0.838 60.812 40.840 1对数似然比(Log-L)271.06257.54275.64
在进行面板数据模型设定时,仅通过Chow检验和Hausman检验判定个体—时点双固定效应的存在,而未考察不同时点差异性对面板数据模型的影响,因此有必要对构建的面板数据模型进行稳健性检验。表8列出了面板数据模型的稳健性检验结果,其中,模型12-模型14分别使用个体固定效应模型、时点固定效应模型、个体—时点双随机效应模型进行检验。检验结果显示,表8中各模型的可决系数和对数似然比均小于模型1的回归结果,且各解释变量系数及其稳健性标准误差与模型1的回归结果基本一致。因此,模型1使用的个体—时点双固定效应模型估计方法具有较强稳健性。
表8 面板数据模型稳健性检验结果
变量模型12直接效应间接效应总效应模型13直接效应间接效应总效应模型14直接效应间接效应总效应dig0.335***0.083**0.418***0.327***0.069**0.396***0.324***0.098**0.422***(0.113)(0.041)(0.164)(0.086)(0.032)(0.095)(0.091)(0.059)(0.115)exp0.399***-0.2440.155***0.388***-0.2160.172***0.442***-0.2570.185***(0.121)(0.222)(0.058)(0.122)(0.190)(0.066)(0.133)(0.212)(0.069)hum0.409***0.165*0.574**0.393***0.113*0.506**0.362***0.112**0.474**(0.127)(0.089)(0.131)(0.141)(0.077)(0.155)(0.146)(0.066)(0.165)gdp1.008***-0.2560.752***0.972***-0.2440.728***0.971***-0.2680.703***(0.205)(0.263)(0.126)(0.165)(0.182)(0.129)(0.193)(0.258)(0.141)样本数量 3 249 3 249 3 249 可决系数(R2) 0.815 90.824 90.792 4对数似然比(Log-L)267.25261.68251.59
在国家大数据战略引导下,数字经济发展如火如荼。关于数字经济对技术创新和经济增长的影响,现有研究已经作了较为详尽的分析。然而从地理空间维度看,数字经济对创新究竟发挥了怎样的作用尚未形成定论。本文聚焦数字经济与区域创新绩效及其空间溢出效应的关系,从数字经济的资源要素属性、载体平台属性和技术创新属性3个维度展开讨论:①从资源要素属性看,数据具有较强的非竞争性、非排他性等公共物品属性,重复利用成本较低,容易通过信息传播、人员“面对面”交流等方式传播与扩散,从而促进区域协同创新活动发生;②从载体平台属性看,网络经济不仅为创新主体提供了线上协同创新平台,而且能够为一定空间范围内的创新主体提供信息互通、资源共享渠道,加强地理邻近创新主体之间的联系;③从技术创新属性看,作为应用领域广泛的一种通用技术,新一代数字技术降低了创新主体协作创新的边际成本,但在技术迭代过程中产生的隐性知识又限制了数字技术扩散的地理空间范围,强化了创新的空间集聚性。在此基础上,本文运用空间杜宾模型检验数字经济发展水平对区域创新绩效及其空间溢出效应的影响。实证研究结果验证了以下结论:数字经济发展不仅能够带动本地创新绩效提升,而且对周边地区创新绩效产生显著正向作用,带动周边城市创新绩效提升。分区域看,东部地区数字经济发展对本地创新绩效的促进作用更显著,对周边地区创新绩效的带动作用也显著。
本文研究结论为实践提供了政策启示,即推动数字化转型不仅可以作为促进本地区经济高质量发展的主导力量,同时,能够促进周边地区创新绩效提升。据此,提出三方面政策建议。
(1)以数据资源赋能创新应用。由于数据的所有权、使用权、控制权、收益权难以有效分割,数据确权、数据流通、数据安全等关键问题尚未有效破解,在一定程度上制约了数据资源在创新活动中的开发利用。因此,可根据社会数据、政府数据的不同属性,分区分类,精准施策。东部地区可引导社会数据所有者参与创新活动,通过市场化配置手段释放数据要素在创新过程中的应用价值,带动本地和周边地区创新绩效提升。中、西部地区可做好政府数据的共享开放,持续推进政府数据在线活用,探索政府数据的创新应用场景。
(2)以网络平台支撑对接合作。网络作为一种新兴载体,在创新活动中的服务支撑功能日益显现,而不同地区在创新活动中的网络应用能力也各有不同,应根据地区特点探索本地化发展路径。具体而言,东部地区可增强本地互联网科技网站资源汇聚能力,引导本地科技资源在线对接,促进线上线下交流合作;中、西部地区可加强5G、数据中心、人工智能等新一代数字基础设施建设,探索“东数西算”可行路径,打造区域数据枢纽节点。
(3)以数字技术引领科技攻关。在疫情冲击下,以数字经济为代表的新动能逆势成长,催生了新一代数字技术创新应用,数字技术已经成为引领带动创新驱动发展的重要引擎。东部地区可根据自身产业技术发展特点,聚焦关键核心技术重点突破口,加快建设布局基础性、前瞻性、引领性重大创新平台;中、西部地区可聚焦本地标志性产业链,支持龙头企业建设产业链级工业互联网平台,组织开展智能化技术改造,营造良好的创新发展生态。
受限于数字经济发展水平的衡量与测算研究尚处于探索阶段,本文实证分析仍存在一定不足:一是数字经济的统计体系缺乏,在一定程度上限制了实证分析效果,城市层面数字经济发展衡量指标的选择有限,有待进一步提升其科学性;二是数字经济统计指标的时间较短且多为年度数据,难以进行平稳性检验和动态分析,无法通过实证检验反映数字经济发展对创新动态演化历程的影响路径。随着统计数据的日臻完善,上述问题将在今后的研究中进一步完善。
[1] 胡鞍钢,王蔚,周绍杰,等. 中国开创“新经济”:从缩小“数字鸿沟”到收获“数字红利”[J]. 国家行政学院学报,2016,18(3):2,4-13.
[2] BUKHT R,HEEKS R. Defining,conceptualising and measuring the digital economy[J]. International Organisations Research Journal,2018,13(2):143-172.
[3] KERTZ M,BOILY É. The rise of the digital economy:thoughts on blockchain technology and cryptocurrencies for the collaborative economy[J]. International Journal of Innovation Studies,2019,3(4):84-93.
[4] 逄健,朱欣民. 国外数字经济发展趋势与数字经济国家发展战略[J]. 科技进步与对策,2013,30(8):124-128.
[5] 裴长洪,倪江飞,李越. 数字经济的政治经济学分析[J]. 财贸经济,2018,39(9):5-22.
[6] 许宪春,张美慧. 中国数字经济规模测算研究:基于国际比较的视角[J]. 中国工业经济,2020,37(5):23-41.
[7] 邬滋. 集聚结构、知识溢出与区域创新绩效:基于空间计量的分析[J]. 山西财经大学学报,2010,32(3):15-22.
[8] ASHEIM B T,SMITH H L,OUGHTON C. Regional innovation systems:theory,empirics and policy[J]. Regional Studies,2011,45(7):875-891.
[9] 陈泽明,杨敏,何山. 三维空间对企业内生创新的知识流溢出机理及其实证研究:基于开放创新视角[J]. 软科学,2016,30(1):9-13,35.
[10] 王承云,孙飞翔. 长三角城市创新空间的集聚与溢出效应[J]. 地理研究,2017,36(6):1042-1052.
[11] 魏守华,吴贵生,吕新雷. 区域创新能力的影响因素:兼评我国创新能力的地区差距[J]. 中国软科学,2010,35(9):76-85.
[12] 荆文君,孙宝文. 数字经济促进经济高质量发展:一个理论分析框架[J]. 经济学家,2019(2):66-73.
[13] 温珺,阎志军,程愚. 数字经济与区域创新能力的提升[J]. 经济问题探索,2019,40(11):112-124.
[14] 曹玉娟. 数字化驱动下区域科技创新的框架变化与范式重构[J]. 学术论坛,2019,42(1):110-116.
[15] 王淑英,常乐,张水娟,等. 创新生态系统、溢出效应与区域创新绩效:基于空间杜宾模型的实证研究[J]. 哈尔滨商业大学学报(社会科学版),2019,37(1):107-116,128.
[16] NEGROPONTE N. Being digital[M]. New York: Random House, 1996.
[17] 徐翔,赵墨非. 数据资本与经济增长路径[J]. 经济研究,2020,55(10):38-54.
[18] 张昕蔚. 数字经济条件下的创新模式演化研究[J]. 经济学家,2019(7):32-39.
[19] 王金杰,郭树龙,张龙鹏. 互联网对企业创新绩效的影响及其机制研究:基于开放式创新的解释[J]. 南开经济研究,2018,34(6):170-190.
[20] 王梦菲,张昕蔚. 数字经济时代技术变革对生产过程的影响机制研究[J]. 经济学家,2020(1):52-58.
[21] SOLOW M. We′d better watch out[J]. New York Review of Books, 1987, 36(1).
[22] ACEMOGLU D,AUTOR D,DORN D,et al. Return of the solow paradox? IT,productivity,and employment in US manufacturing[J]. American Economic Review,2014,104(5):394-399.
[23] 韩先锋,宋文飞,李勃昕. 互联网能成为中国区域创新效率提升的新动能吗[J]. 中国工业经济,2019,36(7):119-136.
[24] 刘洋,董久钰,魏江. 数字创新管理:理论框架与未来研究[J]. 管理世界,2020,36(7):198-217,219.
[25] 王赫,吴朝阳. 经济差距对创新溢出与技术交流的影响:基于经济距离矩阵的空间计量研究[J]. 经济问题,2020,42(9):78-84.
[26] 李兴光,王玉荣,周海娟. 京津冀区域创新能力动态变化分析:基于《中国区域创新能力评价报告(2009—2016)》的研究[J]. 经济与管理,2018,32(2):9-16.
[27] 鲁继通. 京津冀区域科技创新效应与机制研究[D]. 北京:首都经济贸易大学,2016.
[28] 危怀安,平霰. 区域协同视角下城市群科技创新与经济产出效率时空分异研究:以武汉城市圈为例[J]. 科技进步与对策,2019,36(11):40-45.
[29] 王思瑶. 数字经济的统计界定及行业分类研究[J]. 调研世界,2020,33(1):4-9.
[30] 关会娟,许宪春,张美慧,等. 中国数字经济产业统计分类问题研究[J]. 统计研究,2020,37(12):3-16.
[31] 蔡跃洲. 数字经济的增加值及贡献度测算:历史沿革、理论基础与方法框架[J]. 求是学刊,2018,45(5):65-71.
[32] 吴燕. 空间计量经济学模型及其应用[D]. 武汉:华中科技大学,2017.
[33] 李晓龙,冉光和,郑威. 科技服务业空间集聚与企业创新效率提升:来自中国高技术产业的经验证据[J]. 研究与发展管理,2017,29(4):1-10.
[34] 田增瑞,田颖,吴晓隽. 科技孵化产业协同发展对区域创新的溢出效应[J]. 科学学研究,2019,37(1):57-69.
[35] 崔庆安,王文坡,张水娟. 金融深化、产业结构升级与技术创新:基于空间杜宾模型的实证分析[J]. 工业技术经济,2018,37(2):42-50.
[36] CAPELLO R,LENZI C. Innovation modes and entrepreneurial behavioral characteristics in regional growth[J]. Small Business Economics,2016,47(4):875-893.