开放科学(资源服务)标识码(OSID)：
This paper believes that the digital innovation ecosystem is a complex system of coexistence between different innovation subjects and innovation environments in a region, relying on digital technology to achieve a new combination of digital resources and non-digital resources to create new products or services, it mainly includes digital enterprises, governments, universities and scientific research institutions, etc., while the innovation environment consists of digital innovation infrastructure, digital talents and financial services. On the basis of analyzing the relationship between various elements and innovation performance, the six elements involved in the digital innovation ecosystem, namely digital enterprises, governments, universities and scientific research institutions, digital innovation infrastructure, digital talents and financial services, are regarded as the antecedent variable, regional innovation performance as the outcome variable, together with 31 provinces and cities in China as samples. Since the impact of system element input on regional innovation performance has a certain time lag effect, this paper sets the lag period to two years, selects the latest available data, that is, the antecedent variable data in 2019 and the outcome variable data in 2021, NCA necessity analysis is carried out, and fsQCA is used to conduct element configuration research.
The results show that digital enterprises, governments, universities and scientific research institutions, digital innovation infrastructure, digital talents and financial services are the key elements of the digital innovation ecosystem, but a single element is not a necessary condition for improving regional innovation performance. In addition, four element configurations can improve regional innovation performance, and the digital innovation ecosystems are classified into the'government guidance, intelligence gathering' type, the ‘enterprise development, environmental support' type, thr 'diversified subjects, comprehensive development' type, and 'enterprise-led, capital-driven' type. It is suggested that each region should adapt to local conditions, select a suitable digital innovation ecosystem and cultivate new drivers of regional innovation to promote the new development of digital China.
The research conclusions of this paper provide a more detailed explanation for exploring the relationship between digital innovation ecosystem and regional innovation performance. It enriches the research framework of digital innovation ecosystem, provides new ideas for follow-up research, and inspiration for management practice. First, local governments should give full play to their guiding role, strengthen the construction and optimization of the elements of the digital innovation ecosystem, improve the system's radiation capability, and play a positive role in regional innovation performance. Second, local governments should pay attention to the combination and matching of multiple elements of the digital innovation ecosystem, and from an overall perspective, formulate targeted policies to promote the coordinated development of elements and improve regional innovation performance. Finally, local governments should choose from four systems according to their own conditions and resource endowment:'government guidance, intelligence gathering', 'enterprise development, environmental support', 'diversified subjects, comprehensive development', and 'enterprise-led, capital-driven' system types, select a digital innovation ecosystem suitable for development, formulate relevant policies, enhance regional innovation capabilities, and accelerate the construction of an innovative country.
开放科学(资源服务)标识码(OSID)：
数字创新生态系统作为新兴的创新范式，受到了学者们的广泛关注。数字创新生态系统是由异质的社会与技术要素组成[1]，将系统内不同层面行动者与不同层面业务通过数字化联系起来的复杂网络[2]，涉及到多种要素，包括不同组织、技术、基础设施、知识和工具等[3]，具有创新要素数字化、主体关系生态化等特征(魏江等，2021)。数字创新生态系统具有两种表现形式，一种是创新导向型的数字生态系统，它是围绕数字主体而形成的创新生态系统，旨在促进数字创新产生、应用与扩散；另一种是数字赋能的创新生态系统，它是数字化进程与创新主体间价值共创行为深度融合的结果[4]。两种数字创新生态系统相互渗透与促进，加速了数字创新生态系统的创新进程，并提供了价值创造的新路径。谷斌[5]阐释了复杂社会技术环境下数字创新生态系统价值创造的作用路径，分别为用户需求驱动、企业营业收入驱动以及政府激励驱动；Xu[6]认为数字创新生态系统中的个人、组织和数字技术之间通过协作及竞争，共同创造价值；Yuliani S[7]则认为，数字创新生态系统价值来自于系统中消费者和专业利益相关者之间的互动。基于创新生态系统的价值创造和价值共创逻辑，梁正[8]提出，数字创新生态系统是由商业价值和公共价值共同引领，由核心式数字企业、卫星式数字企业、高校与科研院所三主体在一定共生环境中互惠共生，从而达成系统演化的最佳目标(宁连举等，2021)。
通过文献回顾发现，一方面，现有研究多是从微观层面就数字创新生态系统内涵、表现形式、价值创造等内容展开一系列有益探索，很少从宏观层面研究数字创新生态系统与区域创新绩效间的关系，数字创新生态系统与区域创新绩效关系的研究框架也尚未建立；另一方面，数字创新生态系统涉及多个复杂的数字创新要素，而目前缺乏对数字创新生态系统要素以及要素联动对区域创新绩效影响的实证分析。针对上述研究不足，本文将首先界定数字创新生态系统内涵，研究系统构成要素，分析各要素与区域创新绩效关系，在此基础上，以我国内地31个省(区、市)为实证研究对象，应用NCA方法探索数字创新生态系统单个要素是否以及多大程度上是提高区域创新绩效的必要条件，并从组态视角出发，应用QCA方法探究数字创新生态系统对区域创新绩效的复杂影响，揭示数字创新生态系统要素耦合提高区域创新绩效的多元路径及作用机理，系统回答什么样的数字创新生态系统能够提高区域创新绩效的科学问题。
Yoo[9]将数字创新定义为实施数字与非数字资源的新组合以产生新产品的过程。此外，有学者指出，数字创新是将产品或服务的数字化与物理化组件相结合以创造新产品或服务的过程，创新过程中采用了信息、计算、沟通以及连接技术的组合，包括带来新产品产生、生产过程改进、组织模式变革、商业模式创建与改变等，具有收敛性与自生长性等特征(余江，等，2017)。
关于创新生态系统，Adner[10]强调在创新生态系统中不同创新主体间的协同共生关系对创新生态系统具有正向作用；还有学者认为创新生态系统是区域内不同创新主体之间及与创新环境之间，通过物质流、能量流和信息流的联结传导，形成动态演化的开放、复杂系统，该系统具有开放性、自组织演化和多样共生性等特征(曾国屏，苟尤钊，刘磊，2013)。
数字创新生态系统具有数字创新和创新生态系统特征，但绝不是二者的简单叠加，而是二者创造性交融产生的复杂系统(杨伟，等，2021)。Suseno[11]认为，数字创新生态系统是利用数字技术创造新产品及价值的组织与利益相关者之间的互动关系；Senyo[12]提出数字创新生态系统研究侧重于数字化转型对创新生态系统的影响，数字技术既是创新对象，也是创新活动推动者。
借鉴以上研究成果，本文认为数字创新生态系统是区域内不同创新主体与创新环境之间依托数字技术，实现数字资源与非数字资源新组合以创造新产品或服务的竞合共生的复杂系统。数字创新主体主要包括数字企业[13]、政府[14]、高校及科研机构[15]，数字创新环境则由数字创新基础设施[16]、数字人才[17]和金融服务(赵增耀，周晶晶，沈能，2016)等构成，如图1所示。其中，数字企业利用数字技术创造新产品或提供新服务，政府、高校及科研机构为数字创新活动提供政策与技术支持，数字创新基础设施为创新活动提供配套设施，数字人才是推动系统创新与发展的基本条件，金融服务为数字创新活动提供资金支持[13-17]。
1.2.1 主体要素与创新绩效
(1)数字企业。数字企业是数字创新主体，也是数字创新生态系统的重要构成[13]。企业集聚与区域创新绩效之间存在一定相关性。一方面，企业集聚有利于企业创新合作，促进数字资源与非数字资源有序流动、科学配置，发挥资源的正向溢出效应；另一方面，新数字企业的加入作为系统的新鲜“血液”，在带来优质创新资源的同时，也使企业竞争加剧，通过优胜劣汰促进系统健康发展，从而提高区域创新绩效[18]。
(2)政府。政府与创新生态系统建设、创新绩效之间存在一定联系[19]。针对数字创新生态系统中存在的薄弱环节，政府能够通过一定举措，如数字创新政策制定与实施、知识产权保护、科技经费投入等缓解或解决问题。具体为：政府制定与实施数字创新政策，有助于信息流通与共享，降低交易成本，提高区域创新绩效[14]；政府通过强有力的知识产权保护，营造有序的数字创新环境，当企业权力受到侵害时能够获得及时、有效的保护，打消其创新顾虑，激发企业创新，从而提高区域创新绩效；政府通过逐年加大数字创新科技投入，有助于缓解数字企业、高校及科研机构的资金约束，推动试验发展研究，从而提高区域创新绩效。
图1 数字创新生态系统结构模型
Fig.1 Structure model of digital innovation ecosystem
(3)高校及科研机构。它们在数字创新生态系统中扮演关键的数字技术创造者与知识传播者角色，其创新行为与区域创新绩效存在紧密关系[15]。近年来，我国在数字技术领域取得一系列成绩，但与西方发达国家相比，我国的基础研究和前沿技术研究尚显薄弱，芯片、系统等核心关键技术受制于人。作为拥有高层次科研团队、创新领军人才、先进实验设备和前沿信息的高校与科研机构，能够进行基础研究和前沿技术开发，产生颠覆性创新成果，突破我国数字技术发展中的重大关键瓶颈，进而助力区域创新绩效提升。
1.2.2 环境要素与创新绩效
(1)数字创新基础设施。数字创新基础设施是指支撑数字技术基础研究、应用开发与数字产品研制的具有公益属性的基础设施，涉及数据中心、智能计算中心、技术中心和5G基站等，是数字创新生态系统发展的物质基础和万物互联基础，为数字创新活动提供条件保障[17]。Takmasheva[20]提出，数字创新基础设施发展与完善有助于增加创新产出，提高区域创新绩效。
(2)数字人才。数字人才是指具备信息通信技术专业技能的人才，是数字创新生态系统发展的智力基础。健康的人才环境是保持创新活力的必要条件，加大数字人才投入和数字化专家培养均会对区域创新绩效产生明显的产出效应(肖振红，范君荻，2019)。据工信部统计数据显示，我国ICT相关专业毕业生人数年增长率未超过10%，数字人才缺口超千万，有些区域在引进与留住数字人才方面存在一定问题。近年，我国各地区政府相继出台多项政策，加大数字人才引进与培育力度，为推动数字创新和提高区域创新绩效提供了人才支撑。
(3)金融服务。金融服务主要涉及传统金融体系和民间融资体系[21]，其不仅为数字创新提供资金支持，还通过风险管理、监管机制、信息处理、技术吸收等方式促进区域创新[22]。现阶段，我国金融服务水平滞后于数字创新活动需求，成为阻碍数字创新的瓶颈，亟需优化传统金融体系，促进民间融资市场发展，以保障数字创新活动顺利开展。
数字创新生态系统对区域创新绩效的影响是系统内诸多因素综合作用的结果，依靠单一系统要素很难提高区域创新绩效，只有重视系统中各要素联动匹配，才能驱动区域创新发展。数字企业、政府、高校及科研机构、数字创新基础设施、数字人才、金融服务对区域创新绩效的影响存在差异，其不同要素组态也存在强弱配置或协同匹配差异，因此对提高区域创新绩效具有不同效用。本文将数字企业、政府、高校及科研机构、数字创新基础设施、数字人才、金融服务6个要素视为前因变量，应用必要条件分析NCA方法测量不同要素是否以及多大程度上是提高区域创新绩效的必要条件，在此基础上，应用模糊集定性比较分析方法(fsQCA)研究6个要素的组态效应，设计能够提高区域创新绩效的数字创新生态系统类型，为不同区域构建适宜的数字创新生态系统、提高区域创新绩效提供有效的理论依据。具体研究框架如图2所示。
图2 研究框架
Fig.2 Research framework
数字创新生态系统要素间具有复杂交互、协同共生等特征，关于“什么样的数字创新生态系统能够提高区域创新绩效”的研究属于复杂因果关系问题，而组态思想关注“多因一果”，有助于解释多重并发的因果复杂性问题，是分析数字创新生态系统各要素联动对区域创新绩效影响的理想方法(杜运周，等，2021)。QCA方法由Ragin[23]于1987年提出，其基于组态思想，借助架构理论和布尔代数运算，探析多个前因变量的组合对结果变量的影响，能够揭示现象背后的复杂因果关系。但QCA方法只能从定性角度判断前因变量是否是结果的必要条件，2020年Dul[24]提出的必要条件分析法——NCA方法可以有效弥补QCA方法的不足，从定量角度分析前因变量到达什么程度时才是产生结果的必要条件。因此，将NCA与QCA相结合，会使分析结果更具说服力与科学性。
本文将数字创新生态系统涉及到的6个要素，即数字企业、政府、高校及科研机构、数字创新基础设施、数字人才和金融服务视为前因变量，将区域创新绩效作为结果变量，应用NCA方法，检验单个前因变量是否以及多大程度上是产生结果变量的必要条件，并运用模糊集定性比较分析方法(fsQCA)检验NCA分析结果的稳健性。在此基础上，应用fsQCA 方法，从组态视角出发，探索数字企业、政府、高校及科研机构、数字创新基础设施、数字人才、金融服务6个要素的组合效应对区域创新绩效的影响，揭示数字创新生态系统不同要素耦合提高区域创新绩效的路径。
本研究以中国内地31个省(区、市)为样本。数据收集渠道如下：一是国内权威的《中国区域创新能力评价报告》和《中国城市科技创新发展报告》；二是《中国统计年鉴》《中国科技统计年鉴》和《中国城市统计年鉴》；三是国家知识产权局官方网站、中国知网期刊、搜索引擎、相关政策文件、Quandl网站等多种渠道。由于数字创新生态系统的要素投入对区域创新绩效的影响具有一定时滞性，本文将滞后期设置为两年[25]，选取最新可获取数据，即2019年的前因变量值与2021年的结果变量值进行分析。
由于数字创新生态系统研究尚不成熟，数字企业、政府、高校及科研机构、数字创新基础设施、数字人才、金融服务6个前因变量测量缺乏理论标准，在借鉴其他学者研究成果的基础上，重点参考《中国区域创新能力评价报告》里的经典指标，结合系统关键要素与创新绩效关系分析，基于科学性、全面性、数据可得性原则，针对前因变量下设二级指标。二级指标权重采用德尔菲法确定，由来自数字产业创新研究中心、政府决策咨询委员会、985高校、数据中心、智联招聘网、银行等部门的7位专家，采用背靠背的匿名方式，经过3轮打分确定。前因变量及权重如表1所示。
表1 前因变量测量及权重
Tab.1 Antecedent variable measurement and weight
一级指标二级指标指标解释权重(%)查询方法依据数字企业拥有数字产品的企业数量占规上企业的比重衡量数字创新生态系统的数字企业规模30《中国统计年鉴》、《中国城市统计年鉴》、搜索引擎查询整理张振刚等 [13]、柳卸林等 [18]、《中国区域创新能力评价报告》开展数字R&D活动的企业数量占规以上企业的比重衡量企业的数字创新能力30数字创新独角兽企业数量衡量系统的数字创新水平40政府知识产权保护衡量政府对数字创新成果的保护力度20国家知识产权局官网、各省市相关政策文件、《中国科技统计年鉴》康淑娟等 [14] 、齐晓丽等 [19]数字创新政策衡量政府对数字创新活动的支持程度30科学技术支出占GDP比例衡量政府对数字创新研发的投入情况50高校及科研机构城市拥有的普通高等学校数量衡量数字创新生态系统中高校规模40《中国城市统计年鉴》、《中国城市科技创新发展报告》宁连举等、李柏洲 [15]拥有的科研院所数量衡量数字创新生态系统中科研机构规模40高校数字创新实验基地数量衡量数字创新生态系统中高校创新基础20数字创新基础设施数据中心数量衡量系统数据资源拥有情况20搜索引擎、工业和信息化部官网查询整理王飞航等 [26]、李玲等 [16]智能计算中心数量衡量系统算力基础设施水平20技术中心数量衡量系统数字技术服务能力205G基站站点数量衡量系统万物互联基础40数字人才ICT相关专业毕业生人数衡量系统数字人才储备情况30搜索引擎、《中国城市统计年鉴》惠国安 [17]、肖振红 数字人才数量占就业人数的比例衡量系统数字人才拥有量50数字化专家数量衡量系统攻克关键技术的专业能力 20金融服务传统金融体系由数字创新的总体融资效率衡量50知网期刊、Quandl网站、国泰安数据库杜运周等、Soderlund B等[22]民间融资体系由数字创新的民间融资效率衡量50
前因变量的二级指标数据采用效用值法进行无量纲化处理，效用值取值范围为[0，100]，效用值越接近于100，说明该二级指标得分越高，在此基础上，通过加权平均法计算出6个变量的综合值。结果变量测量直接采用《中国区域创新能力评价报告(2021)》中的区域创新绩效值。将6个前因变量值和1个结果变量值输入到SPSS 26.0软件中，按照上四分位数0.75、中位数0.50、下四分位数0.25的标准进行校准，将变量校准为[0，1]区间内的集合数据[25]。
NCA方法能够分析要素是否以及多大程度上是结果的必要条件。本文利用上限回归CR和上限包络分析法CE两种估计方法计算6个前因变量的效应量。在NCA中，效应量表示由必要条件产生特定结果时需要达到的最低水平。效应量取值范围为[0，1]，当效应量小于0.1时，则代表低水平；当效应量处于0.1～0.3之间时，则代表中等水平；效应量越接近于1，则代表水平越高[24]。
通过NCA方法计算得出的必要条件必须同时满足两个条件：一是效应量不小于0.1，二是蒙特卡洛仿真置换检验结果显示效应量是显著的[27]。本文的NCA必要条件分析结果如表2所示。
表2 NCA的必要条件分析结果
Tab.2 Analysis results of necessary conditions for NCA
条件方法效应量d(Effect size)P值(p-value)数字企业CR0.0540.000CE0.0280.001政府CR0.1090.012CE0.0840.001高校及科研机构CR0.0800.017CE0.0430.010数字创新基础设施CR0.0250.007CE0.0330.008数字人才CR0.0380.006CE0.0550.000金融服务CR0.0900.005CE0.0660.000
注：0≤d<0.1表示“低水平” ； 0.1≤d<0.3表示“中等水平”； P值代表NCA分析中的置换检验(permutation test, number of redraws=10 000)，P值越接近0，表示影响越显著
根据表2所示，数字企业、高校及科研机构、数字创新基础设施、数字人才、金融服务的效应量(d)均小于0.1，p值小于0.01；而政府的效应量(d)大于0.1，P值大于0.01。由此得出，前因变量均未同时满足d>0.1且p<0.01的条件，说明单个前因变量影响显著，但不是产生结果变量的必要条件。
瓶颈水平分析能够计算出达到结果变量最大观测范围的水平值以及前因变量最大观测范围内需要满足的水平值(%)[24]。通过瓶颈分析得出，要达到100%的区域创新绩效水平，数字企业、政府、高校及科研机构、数字创新基础设施、数字人才和金融服务6个前因变量的水平值分别为57.6%、73.4%、36.9%、46%、95.7%以及33.5%，具体如表3所示。
在此基础上，应用fsQCA方法对NCA必要条件分析结果进行验证。前因变量是否为必要条件取决于前因变量对结果的一致性评价，如果一致性值大于0.9，则该前因变量被认为是结果的必要条件[25]。应用fsQCA3.0软件得到的前因变量必要性检测结果如表4所示，结果显示，单个前因变量的一致性值均小于0.9，说明数字创新生态系统的单一要素不是提高区域创新绩效的必要条件，与NCA分析结果一致。
将校准后的数据输入到fsQCA3.0软件进行处理，将原始一致性阈值设置为0.80，PRI一致性阈值设置为0.70，发生频率阈值设置为1，得到不同简化程度的解，出现在简化解与中间解中的条件为核心条件，只出现在中间解中的条件为辅助条件[28]，组态分析结果如表5所示。结果显示，一致性与总体一致性均大于0.8的门槛值能够覆盖50%以上的样本，得到4种高区域创新绩效要素组态，分别是a1、a2、a3、a4；3种非高区域创新绩效要素组态，分别是b1、b2和b3。非高区域创新绩效与高区域创新绩效组态不存在对应关系，导致非高区域创新绩效的前因变量组态与导致高区域创新绩效的前因变量组态不具有对称性。
表3 NCA方法瓶颈水平(%)分析结果
Tab.3 NCA method bottleneck level (%) analysis table
区域创新绩效数字企业政府高校及科研机构数字创新基础设施数字人才金融服务0NNNNNNNNNNNN10NNNNNNNNNNNN20NNNNNNNNNNNN30NNNNNNNNNNNN40NNNNNNNNNNNN50NNNNNNNNNN2.460NNNN2.8NNNN8.670NNNN11.3NNNN14.980NN23.819.8NNNN21.19027.148.628.34.3NN27.310057.673.436.946.095.733.5
注：此表选取CR方法分析，NN=不必要
3.2.1 高区域创新绩效组态分析
(1)组态a1：政府引导的智力聚集型数字创新生态系统。组态a1的一致性为0.942 25，原始覆盖率为0.220 467，能够解释22%的样本。在该组态下，高校及科研机构、数字人才发挥核心作用，政府起辅助作用，此类数字创新生态系统有助于提高区域创新绩效，故将其命名为政府引导的智力聚集型。本文发现，该组态以政府支持为依托，显示出智力资源的重要性，即高校及科研机构发展水平、完善的数字人才环境对提高区域创新绩效具有积极作用。该结论印证了已有研究，即政策资源在数字创新活动中具有导向作用(齐晓丽，2020)，科技人力资源投入会对区域创新绩效产生正向影响(苏屹等，2017)。
表4 单个前因变量必要条件检测结果
Tab.4 Necessary condition detection for a single antecedent variable
前因变量ConsistencyCoverage数字企业0.600 9620.815 471政府0.812 5000.892 830高校及科研机构0.618 8190.826 606数字创新基础设施0.668 2690.700 504数字人才0.762 3630.753 564金融服务0.487 6370.700 197～数字企业0.537 7750.386 285～政府0.401 7860.329 578～高校及科研机构0.592 0330.428 856～数字创新基础设施0.473 2140.402 688～数字人才0.372 2530.333 128～金融服务0.652 4720.455 417
注：“～”表示逻辑非
陕西省是组态a1的典型代表。虽然陕西省的数字企业数量在全国居第28位，数字企业主营业务收入居第25位，但陕西省是众多高校聚集地，集聚了如西安交通大学、西安电子科技大学、西北工业大学、长安大学、西北电子工程研究院、西安机电与信息技术研究所等众多高等院校和科研院所，并尤其重视人才培养。2020年，其万人普通本专科在校学生数居全国第10位，教育从业人数居全国第9位，在知识创造和获取方面位居全国前列。此外，陕西省通过“一带一路”倡议，发展成为亚欧合作交流的国际化大都市，人才吸引力不断增强。同时，政府进一步放宽落户政策，通过实施人才新政，加快优秀人才汇聚。这说明以陕西为代表的省域符合政府引导的智力聚集型组态，这些地区以高校及科研机构和数字人才为核心，依靠政府政策支持，大力提升区域创新绩效。同时，这也启示相关地区可以从提高政府创新服务水平、充分发挥高校及科研机构优势、加强数字人才培养三方面着手，优化数字创新生态系统。从长远看，数字企业作为重要的创新主体，加大数字企业培育力度、建设数字创新基础设施、改善金融环境，有助于实现数字创新生态系统的高质量发展，不断提升区域创新绩效。
表5 组态分析结果
Tab.5 Configuration analysis results
前因变量高区域创新绩效组态a1组态a2组态a3组态a4非高区域创新绩效组态b1组态b2组态b3数字企业●●●●政府╋高校及科研机构●●╋╋╋数字创新基础设施●●●●数字人才●●●●金融服务╋╋╋╋一致性0.904 2250.992 4430.993 5340.866 0290.927 2570.924 7310.914 046原始覆盖度0.220 4670.270 6040.316 6210.124 3130.643 5520.470 8030.530 414唯一覆盖度0.123 6260.043 956 10.084 478 10.056 318 70.209 8540.037 104 60.096 715 3总体一致性0.926 9730.926 087总体覆盖度0.540 5220.777 372
注：●表示核心条件，
表示辅助条件，⊗表示核心条件缺失，╋表示辅助条件缺失，空格表示前因变量可有可无
(2)组态a2：企业开拓的环境支撑型数字创新生态系统。组态a2的一致性为0.992 443，原始覆盖率为0.270 604，能够覆盖27%的样本。在该组态下，数字企业、数字创新基础设施和数字人才发挥核心作用，政府起辅助作用，此类数字创新生态系统有助于提高区域创新绩效，故将其命名为企业开拓的环境支撑型。研究发现，该组态以政府支持为依托，显现出数字企业、数字创新基础设施和数字人才的重要性，即数字企业汇聚、完善的数字创新基础设施、健康的数字人才环境对提高区域创新绩效具有积极作用。该组态符合已有研究结论，即企业集聚有利于提高区域创新绩效，人力资源、基础设施建设、政府科研投入都是影响区域创新绩效的重要因素(熊焰等，2021)。
浙江省是组态a2的典型代表。目前，浙江省区域创新能力居全国第5位、省区第3位，企业创新能力居全国第3位。R&D经费支出占GDP的比重从2015年的2.32%提高到2020年的2.8%，科技进步贡献率从57%提高到65%，高技术产业增加值占规上工业的比重从 37.5%提升至59.6%。到2022年，浙江省将建设5G基站12万个以上，大型和超大型云数据中心25个左右，率先完成双千兆宽带网络布局，在杭州建设国家互联网交换中心，进一步完善数字创新设施。浙江省已经集聚了全国70%的ICT基础产业数字化人才和全国1/3以上的电子商务网站，形成了以阿里巴巴等大型数字企业为核心，快的打车、蚂蚁金服等中小型数字企业共同发展的数字创新生态系统，云计算、大数据、人工智能等领域涌现出大量创新成果，提高了区域创新绩效。这些说明以浙江为代表的省域符合企业开拓的环境支撑型组态，它们以数字企业、数字创新基础设施和数字人才为核心，依托政府支持提高区域创新绩效。这启示相关地区应发挥数字企业优势，加强数字创新基础设施建设，提高人才吸引力，从而提升区域创新绩效。
(3)组态a3：主体多元的综合发展型数字创新生态系统。组态a3的一致性为0.993 534，原始覆盖率为0.316 621，是4个组态中原始覆盖率最高的一个组态，能够解释31%的样本。其中，数字企业、高校及科研机构、数字创新基础设施、数字人才4个要素是核心条件，政府是辅助条件，由此构成的主体多元的综合发展型数字创新生态系统有助于提高区域创新绩效。本文发现，该组态以政府支持为依托，显示出主体与环境综合发展的重要性，即数字企业、高校及科研机构、数字创新基础设施和数字人才对提高区域创新绩效具有积极作用，该结论与已有研究结果一致，即数字创新主体协同共生以及主体与环境之间的相互适应有助于充分发挥系统的协同创新效应，进而提高区域创新绩效[29]。
广东省是组态a3的典型代表。2020年，广东省区域创新能力位居全国第一，尤其是通过加大数字创新基础设施建设力度，涌现出以华为、腾讯等为代表的数字创新独角兽企业，带动中小型数字企业快速发展，当年其数字企业数量位居全国第一。此外，政府一直鼓励高层次人才创新、高校院所人才创新，在数字人才激励方面全国排名第4。通过数字企业、政府和高校及科研机构的协同创新，形成了良好的数字创新生态系统，促进了区域创新绩效提高。这说明以广东为代表的省域符合主体多元的综合发展型组态，以数字企业、高校及科研机构、数字创新基础设施和数字人才为核心，依托政府政策支持提升区域创新绩效。其启示相关地区要发挥自身优势，提高数字创新要素配置合理性，促进产学研政合作，最大程度地发挥数字企业、政府、高校及科研机构的作用；加大数字创新基础设施和人力资源投入，为数字创新生态系统注入活力。
(4)组态a4：企业主导的资本驱动型数字创新生态系统。该类组态以数字企业、数字创新基础设施为核心条件，金融服务为辅助条件，表明在不考虑政府、高校及科研机构、数字人才3个要素的情况下，如果数字企业数量较多、数字创新基础设施完善、金融服务水平较高，由其形成的数字创新生态系统仍然能够提高区域创新绩效，故将其命名为企业主导的资本驱动型。本文发现，该组态以金融服务为依托，显现出数字企业与数字创新基础设施的重要性，即数字企业聚集、数字创新基础设施建设对提高区域创新绩效具有积极作用，正如有学者认为，企业、基础设施是提高区域创新绩效的关键因素(王飞航等，2021)，在金融机构发挥辅助作用的情况下，数字创新生态系统能够对区域创新绩效产生正向影响(吴和成等，2015)。
贵州省是组态a4的典型代表。2020年，贵州省大数据基础设施完成投资146亿元，建设开通5G基站20 721个，通信光缆达到140.98万Km，互联网出省带宽达到1.7万GB，数据中心建设加快，服务器标准机架承载能力达18.6万架，算力网络加快构建，数字创新基础设施完善。2016年设立3 000亿元投资基金，助力脱贫攻坚。目前，AT、华为、富士康、联通、电信、移动、苹果等世界通讯巨头纷纷在贵州建设数据中心，数据处理加工贸易、智能终端产品制造、电子商务等产业蓬勃发展，区域创新能力不断增强。这说明以贵州为代表的省域符合企业主导的资本驱动型组态，形成的数字创新生态系统有助于提高区域创新绩效。其启示相关地区以培育数字创新独角兽企业为切入点，围绕打造数字企业集群，加快5G、数据中心等数字创新基础设施建设，汇聚金融力量，推动区域创新发展。
3.2.2 非高区域创新绩效的组态分析
由表5可知，产生非高区域创新绩效的组态有3个。组态b1表明，数字创新基础设施作为核心条件，数字企业、政府、高校及科研机构以及数字人才缺失作为辅助条件，对非高区域创新绩效发挥作用，该组态的一致性为0.927 257，原始覆盖率为0.643 552，是3个非高区域创新绩效组态中原始覆盖率最高的组态，说明该组态是导致非高区域创新绩效的主要原因。组态b2表明，如果区域仅注重数字企业建设，缺乏金融服务支持，忽视高校及科研机构、数字创新基础设施建设与数字人才培养，会导致非高区域创新绩效。组态b3表明，即使注重数字人才培养，但忽略数字创新主体作用、缺乏健康的数字创新环境，也将产生非高区域创新绩效。
本文通过调整一致性阈值进行结果稳健性检验。将一致性阈值从0.80调整到0.85，PRI值从0.70调高到0.75，发生频数阈值设为1，通过运行fsQCA3.0软件，结果显示，前因变量的单个一致性与总体一致性均高于0.9，所得新组态路径为原组态路径的子集，前因变量产生的组态并未发生实质性变化，如表6所示。因此，可认为上述分析结果具有稳健性。
借鉴先前研究成果，界定数字创新生态系统内涵，提出数字创新生态系统构成要素，在此基础上，从组态视角出发，运用NCA和QCA 相结合的方法，探究我国内地31个省(区、市)的数字创新生态系统与区域创新绩效关系，揭示出什么样的数字创新生态系统有助于提高区域创新绩效。
(1)将数字企业、政府、高校及科研机构、数字创新基础设施、数字人才和金融服务6个数字创新生态系统的构成要素作为前因变量，运用NCA方法进行必要条件分析，并运用fsQCA方法进一步验证，结果表明，单个系统要素并不构成提高区域创新绩效的必要条件。
(2)运用fsQCA方法识别出提高区域创新绩效的4种数字创新生态系统类型，分别是政府引导的智力聚集型、企业开拓的环境支撑型、主体多元的综合发展型、企业主导的资本驱动型4种数字创新生态系统。上述系统类型体现了不同区域提高创新绩效的实现方式。
(3)各地区可根据区域资源禀赋和数字创新现状，选择合适的数字创新生态系统类型，充分发挥系统辐射作用，提升区域创新绩效，带动区域创新发展，全面塑造发展新优势。
表6 提高一致性阈值与PRI值的组态分析结果
Tab.6 Configuration analysis results of improving the consistency threshold and PRI value
前因变量组态结果组态1组态2组态3数字企业●●政府高校及科研机构●●数字创新基础设施╋数字人才●●●金融服务╋╋一致性0.904 2250.992 4430.993 534原始覆盖度0.220 4670.270 6040.316 621唯一覆盖度0.123 6260.043 956 10.089 972 5总体一致性0.953 992总体覆盖度0.484 203
注：●表示核心条件，表示辅助条件，⊗表示核心条件缺失，╋表示辅助条件缺失，空格表示前因变量可有可无
4.2.1 理论贡献
首先，虽然有学者认为创新生态系统中的单个主体或环境要素与区域创新绩效存在显著互动关系(周景坤等，2013)，但本文应用NCA方法进行必要条件分析后发现，单个数字创新生态系统要素不是产生高区域创新绩效的必要条件，说明单个要素不足以实现高创新绩效。虽然我国各区域在数字企业、高校及科研机构、创新环境等方面存在一定差异，但并不妨碍通过系统要素组态方式提高区域创新绩效(王飞航等，2021)。该研究结果为探索数字创新生态系统与区域创新绩效关系提供了更有说服力的解释，丰富了数字创新生态系统研究框架(Tatiana B et al.，2019)。
其次，本文在借鉴既有研究成果基础上，界定数字创新生态系统内涵，整合系统构成要素，响应了学者对系统要素复杂关系进行研究的呼吁(谷斌等，2021)。基于组态理论，以中国内地31个省(区、市)为研究对象，应用fsQCA方法揭示了数字创新生态系统要素间复杂互动对区域创新绩效的影响，识别出提高区域创新绩效的4种数字创新生态系统类型，积极响应了将组态视角和QCA方法相结合应用于数字创新生态研究的呼吁[30]，拓展了将生态系统要素视为组态条件来分析不同系统要素组合构成不同生态系统的研究(杜运周等，2021)，不仅对数字创新生态系统的分析更加系统和具体，也更深层次地解释了数字创新生态系统与区域创新绩效之间的复杂因果关系。
最后，本文采纳相关学者的建议,将NCA与QCA两种新方法相结合，即结合NCA与QCA方法对复杂因果关系进行更细粒度的研究(杜运周等，2021)。先前的研究主要基于传统的统计分析方法，研究“自变量—因变量”二元关系，而NCA作为必要条件分析的新方法，可以从定量角度分析“一个条件达到什么程度时才是产生该结果的必要条件”，QCA能从定性角度对“一个条件是否是结果的必要条件”进行验证，并提出多重并发因果关系[31]。本文结合NCA与QCA两种方法，突破了传统研究方法的局限，进一步丰富了研究方法体系，使研究结果更加细粒度和稳健(Dul et al.，2020)。
4.2.2 管理启示
首先，各地区政府应充分发挥引导作用，提高服务水平，加大数字创新基础设施建设，引进和培育数字人才，优化金融服务环境，激发数字企业创新活力，加强产学研合作，从而促进数字创新生态系统健康发展，提升系统辐射能力，发挥其对区域创新绩效的正向作用。
其次，数字创新生态系统的出现催生了区域创新新范式，单一要素如企业或人才已不能满足创新发展需要，应注重数字企业、政府、高校及科研机构、数字人才、数字创新基础设施、金融服务等多重要素的组合匹配，从整体视角出发，有针对性地制定促进要素协同发展以及提高区域创新绩效的政策。
最后，各区域资源禀赋不尽相同，数字创新生态系统发展水平参差不齐。各地区应因地制宜，根据自身条件和资源禀赋，选择合适的数字创新生态系统类型，制定相关政策，提升区域创新能力，助力创新型国家建设。
4.2.3 不足与展望
本文研究存在以下不足，需要在未来进一步完善。首先，数字创新生态系统是由多种要素构成的复杂系统，本文从“主体—环境”两个维度，利用文献分析法提炼出6个关键系统构成要素，未来可从多角度、多层面对数字创新生态系统进行剖析；其次，关于数字创新生态系统的研究资料和统计数据较少，本文从多渠道仅获得了静态数据，未来可采用动态数据研究数字创新生态系统演化对区域创新绩效的作用；最后，本文仅对中国内地31个省(区、市)进行研究，未来可选取更多样本城市，采用大样本验证研究结论。
[1] MOORE J F. Predators and prey: a new ecology of competition [J]. Harvard Business Review，1993，71(3): 75-86.
[2] TATIANA B，MARCOS F，SSACHA K，et al. Dynamics of digital entrepreneurship and the innovation ecosystem: a multilevel perspective[J]. International Journal of Entrepreneurial Behavior & Research，2019，26(2): 266-284.
[3] BONGSUG (KEVIN) C. A General framework for studying the evolution of the digital innovation ecosystem:the case of big data[J]. International Journal of Information Management，2019，45(5): 83-94.
[4] 张超，陈凯华，穆荣平.数字创新生态系统：理论构建与未来研究[J].科研管理，2021，42(3):1-11.
[5] 谷斌，李润宜.基于系统动力学的数字创新生态系统价值创造路径研究[J].系统工程,2022,40(3):56-65.
[6] YANJU XU. Digital innovation ecosystem: research context, research hotspot and research trends—— knowledge mapping analysis using Citespace[J]. Journal of Electronics and Information Science，2020，5(1): 237-246.
[7] YULIANI S, CHRISTOFER L, NATHALIE S. Assessing value creation in digital innovation ecosystems:a social media analytics approach[J]. Journal of Strategic Information Systems，2018，27(4):335-349.
[8] 梁正，李佳钰.商业价值导向还是公共价值导向——对数字创新生态系统的思考[J].科学学研究，2021，39(6):985-988.
[9] YOO Y，HENFRIDSSON O，LYYTINEN K.Research commentary:the new organizing logic of digital innovation: an agenda for information systems research[J]. Information Systems Research，2010，21(4): 724-735.
[10] ADNER R.Match your innovation strategy to your innovation ecosystem[J].Harvard Business Review，2006，84(4): 98-107,148.
[11] SUSENO Y，LAURELL C，SICK N.Assessing value creation in digital innovation ecosystems:a social media analyt- ics approach[J].The Journal of Strategic Information Systems，2018，27(4) : 335-349.
[12] SENYO P K，LIU K，EFF AH J. Digital business ecosystem:literature review and a framework for future research [J]. International Journal of Information Management，2019，47 (13):52-64.
[13] 张振刚，袁斯帆，李云健,等.高层商业关联、创新合作与创新绩效的关系研究——以产品质量认证为调节变量[J].管理学报，2017，14(6):842-849.
[14] 康淑娟，安立仁.政府干预、知识资源与区域创新绩效——基于价值链视角的双重门限效应[J].科技进步与对策，2020，37(1):57-64.
[15] 李柏洲，周森.科研院所创新行为与区域创新绩效间关系研究[J].科学学与科学技术管理，2015，36(1) :75-87.
[16] 李玲，陶厚永.包容性创新环境对区域创新绩效的影响[J].科技进步与对策，2018，35(19):31-37.
[17] 惠国安.高等教育、人才供给与区域创新绩效关系研究[J].中国物价，2019，4(12):16-19.
[18] 柳卸林，杨博旭.多元化还是专业化? 产业集聚对区域创新绩效的影响机制研究[J].中国软科学，2020，35(9):141-161.
[19] 齐晓丽，郭沛珍，解威，等.政府支持对区域创新绩效的影响：综述及展望[J].华东经济管理，2020，34(3):44-52.
[20] TAKMASHEVA I V，ZELINSKAYA A B，BOGOMOLOVA L L. The improvement of the business system of the northern region of Russia on the basis of innovative infrastructure development[J].Turkish Online Journal of Design Art and Communication，2018(8):428-433.
[21] 杜运周，刘秋辰，程建青.什么样的营商环境生态产生城市高创业活跃度——基于制度组态的分析[J].管理世界，2020，36(9):141-155.
[22] SÖDERLUND B, TINGVALL P G. Capital freedom, financial development and provincial economic growth in China[J].The World Economy, 2017, 40(4): 764-787.
[23] RAGIN C C. The comparative method:moving beyond qualitative and qualitative strategies[M]. University of Cafornia Press，1987.
[24] DUL J，ERWIN V D L，ROELOF K. A statistical significance test for necessary condition analysis[J].Organizational Research Methods，2020，23(2): 385-395.
[25] MEILI ZHANG, BAIZHOU LI, SHI YIN. Configurational paths to regional innovation performance: the interplay of innovation elements based on a fuzzy-set qualitative comparative analysis approach[J]. Technology Analysis and Strategic Management，2020，32(12):1422-1435.
[26] 王飞航，本连昌.创新生态系统视角下区域创新绩效提升路径研究[J].中国科技论坛，2021，37(3):154-163.
[27] 杜雯秦，郭淑娟.双碳目标下我国绿色能源效率提升路径研究[J].管理现代化，2021，41(6):96-99.
[28] 张妮，赵晓冬.区域创新生态系统可持续运行建设路径研究[J].科技进步与对策，2022,39(6)：51-61.
[29] 李晓娣，张小燕.区域创新生态系统对区域创新绩效的影响机制研究[J].预测，2018，37(5):22-28,55.
[30] PARK Y K，FISS P C，SAWY O A E.Theorizing the multiplicity of digital phenomena: the ecology of configurations, causal recipes, and guidelines for applying QCA[J]. MIS Quarterly，2020，44(4):1493-1520.
[31] DU Y，KIM P H.One size does not fit all:strategy configurations, complex environments, and new venture performance in emerging economies-science direct[J]. Journal of Business Research，2021，124:272-285.