Innovation Efficiency Measurement,Regional Difference and Spatial Convergence of High-tech Digital Manufacturing Industry

Zhang Yuanqing1,2,Liu Shuo3,Qi Ping2,4

(1.Party School of Liaoning Provincial Party Committee, Shenyang 110004, China;2.School of Economics, Jilin University, Changchun 130012, China;3. School of Economics, Shenyang University, Shenyang 110044, China;4.China State-owned Economy Research Center of Jilin University, Changchun 130012, China)

Abstract：For a long time, China's manufacturing industry has been dependent on cost advantages to gain competitiveness. However due to the normalcy characterized with trade friction and disappearing population dividend, the cost advantages of China's manufacturing industry are difficult to sustain. At the same time, China is also faced with the situation that the core and key technologies in the upstream of the industrial chain are subject to foreign constraints. Therefore, it is necessary to make breakthroughs in innovation to maintain international competitiveness. At present, the digital economy based on digital technology has shown strong vitality and played an important role as an innovation engine under the continuous impact of the epidemic. The Chinese government is endeavoring to promote the high-end and intelligent development of manufacturing industry, create new growth engines such as new generation information technology and artificial intelligence, and improve the innovation efficiency of manufacturing industry. But in the process of rapid development of digital economy, the problem of unbalanced and inadequate development of digital industry within and between regions has become increasingly prominent. Against the backdrop of rapid development of the digital economy, further research is needed on the following questions: (1) what is the innovation efficiency of China's high-tech digital manufacturing industry? (2) is there a regional difference in the innovation efficiency of high-tech digital manufacturing industry?(3) is there a convergence mechanism for the innovation efficiency of high-tech digital manufacturing industry?

This study selects the data from 2009 to 2020 to measure and analyze innovation efficiency in 25 provinces. Drawing on existing research on innovation efficiency, the study divides the measurement of innovation efficiency into two stages: the first stage is the industrial research and development stage, and the second stage is the achievement transformation stage which is based on absorbing the achievements of the first stage of research and development. Thus it adopts the Super-SBM two-stage DEA model, Dagumn Gini coefficients and spatial convergence model to measure the innovation efficiency level of China's high-tech digital manufacturing industry from the perspective of value chain, and analyzes the dynamic characteristics of regional differences and spatial convergence of high-tech digital manufacturing industry.

The results show that (1) there is still a gap between the innovation efficiency of high-tech digital manufacturing industry in China and its optimal state, and the innovation efficiency in the east is significantly higher than that of other regions; (2) there are large differences in innovation efficiency between regions and within regions, and the sources of the differences in the two stages show different characteristics with significant changes in 2016; (3) the central R&D stage and the achievement transformation stage have had convergence characteristics since 2016, and the national level has significant spatial absolute and conditional convergence characteristics, while the eastern absolute convergence spatial characteristics have not passed the significance test. The findings are conducive to advancing an objective and comprehensive understanding of the current situation of innovation efficiency of China's digital manufacturing industry from the perspective of value chain, thus providing theoretical and empirical supports for how to strengthen the coordination and correlation between digital industry research and development and achievement transformation,upgrade the relevant industry chain, promote the development of the digital economy, improve the economic quality and avoid the regional digital gaps.

According to the above research conclusions, the marginal contributions of this paper are listed as follows: first, according to the classification of the digital economy industry by the National Bureau of Statistics, the two-stage innovation efficiency of high-tech digital manufacturing industry has been sorted and measured; second, the Dagumn Gini coefficient is used to measure the regional differences of innovation efficiency of high-tech digital manufacturing industry in China, and the spatial convergence characteristics of high-tech digital manufacturing industry are analyzed using the σ and β convergence models.

Key Words：Digital Economy; High-tech Digital Manufacturing Industry; Measurement of Innovation Efficiency; Regional Differences

DOI：10.6049/kjjbydc.2022110008

开放科学(资源服务)标识码(OSID)：

中图分类号：F264.2

文献标识码：A

文章编号：1001-7348(2023)13-0040-10

收稿日期：2022-11-01

修回日期：2023-01-29

基金项目：国家社会科学基金一般项目(16BJY064);中国工程科技发展战略吉林研究院咨询研究项目(JL2020-005-05);辽宁省社会科学规划基金项目(L19BJL013,2201zxzb18)

作者简介：张元庆(1980—),男,辽宁沈阳人,博士,吉林大学经济学院博士后,中共辽宁省委党校副教授,研究方向为制度经济学、企业管理;刘烁(1993—),女,辽宁沈阳人,博士,沈阳大学经济学院讲师,研究方向为经济统计、城镇化;齐平(1964—),女,吉林长春人,吉林大学中国国有经济研究中心、经济学院教授、博士生导师,研究方向为企业管理、制度经济学。

0 引言

中共二十大报告提出,建设现代化产业体系,推进新型工业化,加快建设制造强国、质量强国、航天强国、交通强国、网络强国、数字中国。新一代信息技术与制造业深度融合是助推我国制造业创新效率提升的重要引擎。随着大数据、云计算、人工智能等前沿技术的迅猛发展和不断创新,数字经济越来越紧密融入经济社会生活各个环节,已经成为重构全球创新版图、重塑全球经济结构的关键因素。2021年,我国数字经济规模已达45.5万亿元,占GDP比例达39.8%,位居世界第二位。与此同时,我国依然面临西方国家严格的技术封锁和核心技术 “卡脖子”问题,也面临技术创新不足、老工业基地改造及产业升级等诸多重大挑战。中国加入世界贸易组织20多年来,虽然已发展成为世界第二大经济体、第一制造大国,制造业增加值占全球30%,甚至超过欧美之和。然而,长期以来我国制造业主要依靠成本优势获得竞争力,随着疫情冲击、贸易摩擦和人口红利消失成为常态,我国制造业成本优势无以为继,同时面临核心技术和产业链上游关键技术受制于人的局面。因此,必须在创新上取得突破,才能保持国际竞争力。当前,以数字技术为基础的数字经济在疫情持续冲击下,表现出强大生命力,发挥着重要的创新引擎作用。但在数字经济高速发展过程中,数字产业区域内、区域间发展不平衡、不充分问题也日益突出。那么,在数字经济迅猛发展背景下,我国高技术数字制造业创新效率如何?是否存在区域差异和收敛机制?本文基于价值链视角对我国高技术数字制造业创新效率进行测度,并分析高技术数字制造业创新效率的区域差异和空间收敛特征。

1 文献回顾

(1)数字经济与经济增长的关系。由于数字经济对经济增长的拉动作用巨大,学者们对此进行了重点研究。如王如玉等[1]认为信息技术与实体经济深度融合是实现产业升级的重要途径;荆文君和孙宝文[2]认为,数字经济促进经济增长主要通过提升资源配置效率与全要素生产率、增加新的要素投入实现。新冠疫情暴发后,世界经济遭受巨大冲击,而数字经济却一枝独秀。此后,学界对数字经济的研究更加深入。如郭凯明等[3]提出传统基础设施投资向数字经济领域转移是高质量发展的必然选择;杨文博[4]指出数字经济对发达地区经济增长的促进作用大于对相对落后地区的促进作用;任保平和何厚聪[5]认为,以人工智能和大数据为代表的数字经济已成为我国经济快速发展的重要引擎。随着我国数字经济规模不断扩大,一定程度上缓解了疫情对就业和经济的冲击。如韩君和高瀛璐[6]研究发现,数字经济能够通过数字平台增强生产性服务业的就业效应。综上,学界关于数字经济对经济增长的拉动作用已达成共识,且数字经济的拉动效应会因区域基础设施投入不同而存在差异。

(2)数字经济与高技术产业创新效率的关系。孙早和徐远华[7]指出,信息基础设施建设对高技术产业创新效率具有显著促进作用,且这一促进作用会随着市场化程度提升而增强;黄群慧等[8]提出,互联网技术通过减少资源错配和降低交易成本显著促进制造企业生产效率提升。可见,信息基础设施和技术进步对高技术产业创新效率提升具有促进作用。面对疫情对经济的持续冲击与影响,通过何种方式保持经济持续增长成为学界研究的重点课题。张龙鹏和张双志[9]认为,人工智能与高技术产业融合能够产生更强的创新效应;施炳展和李建桐[10]研究表明,互联网普及率能够有效提升中国制造业分工水平,进而提升创新效率。此外,在互联网共享性功能的贡献方面,魏成龙和罗天正[11]提出,互联网能够通过金融发展促进科技创新和创新产出。在数字经济作用于制造业的机理和效果方面,张艳萍等(2022)认为,数字经济通过网络连接效应对中国制造业全球价值链(GVC)广度和高度均有促进作用,但对资本和技术密集型行业GVC升级存在先抑后扬的“U”型单门槛效应;Usai等[12]研究证实数字经济对产业升级与转型具有积极促进作用;Karhade等[13]认为,如果考虑企业成本等问题,数字经济对产业升级与转型的创新效应存在不显著或负向的可能。

(3)创新效率测度及区域差异与空间收敛。简晓彬等[14]通过构建空间收敛性模型发现,地理位置相邻省份的制造业价值链攀升效率存在空间自相关性,且随着时间推移呈现出收敛性;薛永刚[15]基于空间计量方法研究珠三角地区医药制造业创新能力的空间相关性,发现医药制造业创新能力存在负向空间相关性和收敛性;刘明和王思文[16]通过构建两组含有空间因素的收敛模型考察制造业收敛性,发现中国制造业的空间收敛性显著,但存在显著的区域差异;肖仁桥等[17]通过构建模型研究发现,我国高技术制造业整体效率偏低,效率排序为东部>中部>西部,区域间技术差距较大。也有学者从高端服务业与先进制造业关系的角度研究两者的区域差异和收敛性,如孙畅和吴芬[18]采用核密度法和Dagum基尼系数分析先进制造业与高端服务业的关系,发现两者水平存在区域差异及收敛特征。此外,基于创新价值链角度,朱慧明等[19]通过构建模型研究发现,我国制造企业整体技术创新效率较低且存在区域和行业异质性。基于区域协同创新发展视角,学者们就企业异地进入对区域创新的影响进行了研究,如嵇正龙等[20]通过模型构建和理论分析发现,企业异地进入能够显著促进区域创新空间收敛;赖红波和王高兴[21]通过构建知识生产模型发现,产业集聚不利于区域创新效率提升,而政府政策和资金支持有利于区域创新效率提升。综上,制造业创新效率测度及区域差异与收敛性研究一直备受关注,学者们从不同视角进行了研究和分析,有共识也有分歧,但都提出了针对性的对策措施。

以上文献为深入理解数字经济与经济发展、制造业创新效率间的关系提供了丰富见解,但多数文献基于数字经济单独角度展开分析与测量,对制造业创新效率的研究也多集中在传统制造业方面,鲜有文献研究并测量高技术数字制造产业的创新发展情况及其区域差异。因此,本文边际贡献在于:第一,依据国家统计局对数字经济产业的分类,梳理并测量高技术数字制造业两阶段创新效率。第二,采用Dagum基尼系数分析我国高技术数字制造业创新效率的区域差异,并采用σ和β收敛模型对高技术数字制造业空间收敛特征进行分析。

2 高技术数字制造业创新发展的理论分析

近年来数字经济和数字技术迅猛发展,但学界对数字制造业的理论研究相对不足。在数字制造业的概念被提出之前,学界通常使用“互联网+制造业”等概念[22],相关研究也主要围绕传统制造业创新效率、互联网与传统制造业的关系等问题展开。以数字技术为基础的数字经济对人类社会生产、消费和分配方式都产生了重要影响,也大大提高了经济运行效率[23]。数字经济为数字制造业发展提供了契机,通过有效刺激数字产品需求,促进数字制造业创新效率提升。数字经济能够跨越时空限制,使更多有效大数据被用于信息处理,降低信息不对称带来的道德风险[24],纠正市场扭曲,优化资源配置,加速资金、人员跨区域流动,从而打破制造业空间布局,为缩小区域差异提供可能。此外,数字制造业具有高门槛、高投入等特性,其发展过程中又形成路径依赖性和集聚效应等特征。高技术数字制造业与传统制造业既有相似性又存在区别,经验证据表明,高技术数字制造业最先在传统制造业基础较好的东部地区落地并快速发展,这证明高技术数字制造业对传统制造业具有一定路径依赖性。同时,高技术数字制造业是基于数字技术产生的新模式,有别于传统制造业的部分属性,这为其路径依赖性解锁提供了可能。因此,可以推断,数字经济发展将改变高技术数字制造业创新发展的空间格局,但这种改变具有一定路径依赖特征,并存在较大的不确定性。

根据空间竞争理论,运输成本降低、数据要素共享将打破地理隔离的竞争保护,随之而来的是产品差异化竞争趋势。同时,远程技术发展为跨区域合作提供了可能。在数字技术共享性和正外部性效应下,信息以较低的成本和适合的方式流向市场参与者[25],进而打破劳动力、技术等要素的空间封锁格局,使其以竞争的方式向周边溢出。同时,数字经济的内生刺激将进一步提高各区域数字制造业创新水平,各区域通过有效创新竞争形成增速趋同的收敛特征。基于上述推断,本文对我国数字制造业创新效率的区域差异及其空间收敛特征进行探讨。

3 模型构建与数据说明

3.1 模型构建

依据国家统计局对数字经济产业的分类,结合高技术制造业分类标准并考虑数据可得性,本文最终选取计算机制造(0101)、通讯及雷达(0102)、数字媒体设备制造(0103)、智能消费设备制造(0104)、电子元器件及专利材料制造业(0105)作为高技术数字制造业的核心产业。

借鉴已有研究,本文将创新效率测度分解为两阶段,第一阶段为研发阶段,第二阶段为成果转化阶段。考虑到可变规模报酬更符合实际经济发展情况,本文选取产出角度的规模报酬可变Super-SBM模型对两阶段创新效率进行综合测度,具体模型如下:

(2)

其中,ρo*为产出角度的两阶段效率值;k表示阶段,包括研发阶段和成果转化阶段;wk为第k阶段的权重,本文采用等权重方法对两阶段进行赋值;xj、yj分别为j省份的投入与产出集。ρk为第k阶段创新效率,则两阶段综合创新效率和各阶段创新效率的关系为:

(3)

3.2 数据说明

本文选取2009—2020年数据测量并分析25个省域的创新效率,其中未包含海南、西藏、甘肃、青海、宁夏和新疆,主要是因为其数据缺失较为严重,较多的估计值将导致结论出现较大偏差。此外,海南、西藏等地区高技术数字制造业发展的代表性较弱,其数据缺失对本文影响不大,故未考虑上述地区。借鉴已有研究[26-27],投入产出变量选取(pearson相关检验表明,投入产出变量间存在较强的相关性)如下:

(1)研发阶段投入。研发阶段投入包含劳动和资本,选取R&D人员全时当量、R&D经费存量和新产品开发经费存量作为投入变量。其中,R&D经费、新产品开发经费采用研发价格指数进行不变价处理[28],存量采取永续盘存法以2009年为基期计算各省份历年的资本存量,折旧率选取15%[29]。

(2)研发阶段产出(中间投入)。选取新产品开发项目数、专利申请数、发明专利数作为研发阶段产出。同时,成果转化阶段吸收研发阶段的产出,作为成果转化阶段的投入继续进行生产。

(3)成果转化阶段。所谓成果转化,即将研发成果转化为实际收入,采用企业人均净用工人数(排除科研人员后的用工人数)作为成果转化阶段的投入,选取企业利润、新产品销售收入作为成果转化阶段的产出,并采用出厂价格指数进行不变价处理。

考虑到研发投入、产出及最终经济产出的时滞性,借鉴已有研究,本文选取滞后期为两年[30]。以上数据来源于《中国高技术产业统计年鉴》《中国统计年鉴》及各地区统计年鉴。对部分缺失数据采用局部线性插值进行插补,考虑到数据口径的一致性,由于2017年数据缺失,涉及到跨期数据,采用2016年数据进行替补。

4 高技术数字制造业创新效率测度

运用产出角度的规模报酬可变Super-SBM模型对我国高技术数字制造业研发阶段效率、成果转化阶段效率及两阶段综合创新效率进行测度,其中两阶段综合创新效率值由各阶段创新效率赋予等权重拟合得到。根据国家统计局对经济带的划分方式,对东、中、西部地区高技术数字制造业创新效率进行测度,由于西部地区大部分省份数据缺失,考虑到结果的准确性,仅选取西南地区进行分析,具体结果见表1。

由表1可知,从全国层面看,我国高技术数字制造业研发阶段和成果转化阶段创新效率均较高,均值分别为0.895和0.907,但两阶段综合创新效率偏低(0.752),说明我国对创新投入要素的综合利用还有很大提升空间。从发展趋势看,得益于成果转化阶段创新效率的提升,两阶段综合创新效率呈现出小幅上升趋势。分区域看,2011—2020年,东部地区两阶段综合创新效率均值为0.98,中部地区为0.57,西南地区为0.74。其中,东部地区研发阶段创新效率一直处于较高水平,均大于1,成果转化阶段创新效率则较为平稳,始终保持在超效率水平。中部地区研发阶段和成果转化阶段创新效率发展较为平缓,均值在0.7上下波动,各阶段及综合效率显著低于其它区域,存在较大提升空间。西南地区成果转化阶段创新效率波动较大,个别年份效率较高。在加快发展数字经济的背景下,西南地区抓住机遇,实现数字制造业创新资源的合理分配,但西南地区高技术数字制造业创新成果转化效率受外界影响较大,自我调控和发展的内在机制较为欠缺。

从省际层面看,各省份发展差异较大。其中,在东部地区,北京、广东的创新效率一直处于较高水平,而辽宁、河北的综合创新效率却始终较低;在中部地区,安徽的研发阶段创新效率较高,而山西、湖北、湖南则相对较低;在西部地区,广西、重庆的创新效率较高,而四川、贵州则相对较低。从2018年开始,各区域的研发创新效率差距有所缩小,且均呈上升趋势,某种程度上表明,随着数字经济蓬勃发展,高技术数字制造业在各区域得到更多关注,极大激发了数字制造业创新活力。与全国趋势一致的是,2020年各区域成果转化效率和两阶段综合效率下降明显,可见,新冠疫情对各区域数字产业造成较大影响,但由于东部地区雄厚的数字产业基础,虽然创新效率也有所下滑,但仍处于最优状态。

为进一步分析高技术数字制造业创新效率的区域差异,根据国家统计局的分类和数据可得性,将数字制造业分为电子通讯设备制造业和计算机办公设备制造业两大行业,并对2018—2020年两大行业各阶段及两阶段综合创新效率进行分析,结果如表2所示。

由表2可知,2018—2020年,对于两阶段综合创新效率而言,除东部地区电子通讯设备制造业达到最优外,全国以及其它区域各行业创新效率均未达到最优水平。对于研发阶段而言,全国以及各区域计算机办公设备制造业创新效率均未达到最优水平,西南地区仅为0.61,与最优水平差距较大;除西南地区电子通讯设备制造业创新效率未达到最优外,其它区域研发效率均较高。对于成果转化阶段而言,中部地区两大数字行业的创新效率均较低。值得注意的是,东部地区各行业平均创新效率均低于中部,主要原因是东部地区各行业创新效率两极分化严重,拉低了整体均值水平。由此可知,计算机办公设备制造业研发创新是我国数字制造业的软肋,同时在发展过程中应重点关注东部地区创新效率差异以及提高中部地区研发成果转化效率。

5 区域差异分解

本文进一步采用Dagumn基尼系数对我国数字制造业创新效率的区域差异进行测量并将差异分解为组内、组间及超密度3个部分,具体结果见表3。

由表3可知,从全国整体水平看,2011—2015年数字制造业研发阶段创新效率空间差异呈逐年缩小趋势,2016年以后空间差异有所增大,主要是由于中部地区内部差异扩大所致,且这一差异未见缩小;成果转化阶段创新效率的区域差异则较小。从各区域内部看,东部地区研发阶段创新效率内部差异较大,但整体呈缩小趋势,由于2020年新冠疫情和经济不确定性的冲击,其内部差异有所扩大;2016年,中部地区研发阶段创新效率内部差异显著拉大,随后逐年缩小,区域内部差异具有较大的波动性;西南地区各省份的基尼系数较小,在0.2上下波动,并在2020年显著下降。进一步分析成果转化阶段创新效率的组内差异发现,2016年以后,东部地区内部差异呈逐年扩大趋势,中部地区内部差异显著缩小,虽然2020年有所回升,但整体仍呈收窄趋势,西部地区波动较大,内部差异呈波动扩大趋势。可见,2016年是我国数字制造业创新效率的转折点,在研发阶段,中部地区创新效率内部差异拉大,在成果转化阶段,东部地区创新效率差距扩大而中部地区缩小。可能的原因是,北京、广东、浙江等东部省市数字产业较为发达,能够依赖固有优势和数字经济发展红利实现充分发展,而山东、河北等省份数字产业创新效率较低,从而出现两极分化,导致区域差异扩大。同时,受数字经济影响,2016年以后,中部地区大部分省份创新效率有所提高,创新效率变化趋同,由此,区域差异得以缩小。由图1可知,东部地区两阶段综合创新效率内部差异呈扩大趋势,而全国及中西部地区内部差异总体发展趋势并不明显,其中2020年各区域组内差异均有所扩大,可能是由于新冠疫情的短暂冲击使得整体经济水平下降所致。

进一步分析组间差异可知(见图2),东中部地区研发阶段创新效率差异始终较大,根据发展趋势,大致以2016年为界线将考察期分为两个阶段。第一阶段(2011—2015年),东中部地区差异最大,其次为东西部地区,并且差异呈缩小趋势,即数字制造业研发阶段创新效率的区域差异在缩小。第二阶段(2016—2020年),东中部地区差异始终较大且较为平稳,中西部地区差异呈显著缩小趋势,而东西部地区差异在不断扩大。到2020年,东西部地区差异超过中西部地区差异。可见,我国数字制造业研发阶段创新效率的区域差异始终存在,并且未见缩小趋势。由图3中成果转化阶段的组间差异可知,东西部地区差异呈波动扩大趋势,大致以2016年为界线将考察期分为两个阶段。第一阶段(2011—2016年),中部与东部和西部地区差异较大。第二阶段(2016—2020年),东西部地区差异继续呈波动扩大态势,而中部与东西部地区差异呈波动缩小趋势。可见,2016年以后,中部地区的追赶效应显著。由图4可知,我国数字制造业两阶段综合创新效率组间差异波动较大,其中大部分年份东中部地区差异较大,东西部、中西部地区差异具有周期交替特征,并且在2016年以后出现新的区域特征。可能的原因是,随着互联网的普及和数字经济的发展,各区域数字产业活力被充分激发,区域间数字资源得以重新分配,由此打破固有格局,导致区域差异发生较大变化。

从基尼系数分解及其贡献率看(见图5、表3),数字制造业研发阶段和成果转化阶段创新效率区域差异的内生机制随时间推移有所改变,表现在超变密度和组间差异贡献率的变化上。具体而言,2011—2020年,组内贡献率总体变化不大,超密度贡献率在2016年以后逐年下降,而组间贡献率随之逐年上升,但研发阶段的这一趋势在2020年发生改变;2016年以后,各区域两阶段综合创新效率和超变密度贡献率均出现较大波动。这说明2016年是我国数字制造业创新效率改变的转折点,与上文不谋而合。由此可知,新的经济形态、发展动能转换会打破数字产业发展的固有格局,导致区域间差异出现较大波动,而区域内差异仍然较为平稳,这也从侧面验证了数字产业发展可能存在空间集聚性。

6 数字制造业创新效率收敛机制

6.1 σ收敛分析

所谓σ收敛,即随着时间推移,各地区数字制造业创新效率偏离总体平均水平逐年下降的趋势,通常采用变异系数测量并根据变化趋势确定是否具有σ收敛特征。具体公式如下:

σjk=

(4)

由表4可知,从全国层面看,从2016年开始,我国数字制造业各阶段创新效率均呈σ发散特征。2016年是东中部地区研发阶段和成果转化阶段创新效率的转折点,其中,东部地区研发阶段创新效率在2016年前具有典型收敛特征,而2016年后出现波动;2016年,中部地区σ收敛系数出现跳跃,前后两段具有收敛特征。在成果转化阶段,2016年后,东部地区创新效率有所发散,中部地区具有典型σ收敛特征,虽然2020年出现反弹,但不影响整体趋势。综合来看,中部地区不具典型收敛特征,东部地区在2016年后有所发散,西部地区各阶段及两阶段综合创新效率收敛系数均较为波动,不具有典型σ收敛特征,与基尼系数得到的结论一致。

6.2 β收敛分析

β收敛按是否考虑控制因素可分为绝对β收敛和条件β收敛,其中绝对β收敛考察的是相同稳态水平,条件β收敛考察的是不同稳态水平。

借鉴已有研究[31-33],采用空间杜宾模型(SDM)进行测算。数字制造业创新效率的绝对空间收敛和条件收敛模型如下:

(lnInnoit+1k-lninnoitk)/T=α+βlninnoitk+ρW(lnInnoit+1k-lninnoitk)/T+Wlninnoitkδ+εitk

(5)

(lnInnoit+1k-lninnoitk)/T=α+βlninnoitk+γlnSit+ρW(lnInnoit+1k-lninnoitk)/T+Wlninnoitkδ+WlnSitφ+εitk

(6)

其中,(lnInnoit+1k-lninnoitk)/T表示t+1期省份i在第k(k=1,2,3)阶段的数字制造业创新效率平均增长率,T为时间间隔,lninnoitk为t期第k阶段数字制造业创新效率的对数值。lnSit为t期的控制变量,考虑到人力资本、规模效应和高技术市场水平对数字产业的影响,本文选取人均教育水平、高技术数字制造企业数、平均用工人数、技术市场成交额作为控制变量,并对其作对数处理。

W为空间权重矩阵,本文采用空间地理距离进行衡量,具体公式为:

(7)

其中,dij为省份i与省份j的距离。地理距离越小,省域间数字制造业创新效率联系越密切,空间权重越大。

由表5可知,考虑空间因素后,我国数字制造业研发阶段、成果转化阶段以及两阶段综合创新效率均呈现出较为显著的β收敛特征,说明随着时间推移,数字制造业创新效率将趋于稳态水平,其内部具有追赶机制。进一步分析发现,两阶段综合创新效率收敛速度最快,研发阶段收敛速度最慢,这意味着两阶段综合创新效率将最先达到稳态水平,而研发阶段则相对较慢。可能的原因是,研发创新具有较高的准入门槛,潜在投入较大,因而收敛速度相对较慢。由空间回归系数ρ可知,成果转化阶段创新效率更易受周边地区影响,其空间效应相对较大,而两阶段综合创新效率的空间效应较小且不显著。

条件β收敛与绝对β收敛结果较为相似,不同的是,条件β收敛的空间回归系数ρ、δ均通过显著性检验,且自回归空间溢出效应差异并不大,研发阶段的δ值较大,说明考虑区域异质性后,空间效应有所增强,周边地区创新效率对本地区研发阶段创新效率增长速率的负向传导效应增强。系数ρ、δ显著为负表明,创新效率增长速率对自身具有负向空间溢出效应,周边地区存在竞争机制,通过竞争使当地创新效率增速放缓,从而进一步加快区域间收敛速度。

由表6可知,考虑空间因素后,各区域β收敛系数均显著为负,说明各区域数字制造业创新效率均具有β收敛特征。由各阶段收敛速度可知,在不考虑其它因素的情况下,东部地区成果转化阶段、中部地区研发阶段以及西部地区两阶段综合创新效率将最先达到稳态水平。

进一步考虑空间效应发现,东部地区空间效应不显著,区域间空间联系并不紧密,研发阶段和两阶段综合创新效率的绝对收敛空间系数均未通过显著性检验,且成果转化阶段的自回归系数为-0.581,空间传导作用相对较弱。中部地区空间联系较为紧密,周边地区创新效率对其创新速率影响相对较大,各阶段空间系数均通过显著性检验,且δ值较大。西部地区的空间联系主要表现为周边地区创新效率增速的空间溢出效应,其自回归系数ρ值相对较大,研发阶段和成果转化阶段的δ值并不显著。也即,周边地区创新效率增速对本地区影响较大,各地区通过相互竞争加快创新效率的收敛速度。

由表7可知,考虑区域异质因素后,西部地区趋于稳态的速度最快,东部地区最慢。可能的原因是,西部地区受地理位置等因素影响,经济基础较为薄弱,发展较为滞后,因而在控制其它因素后,其收敛速度有所提高。进一步分析条件β收敛的空间效应,考虑区域异质因素后,东部地区研发阶段的空间效应仍不显著,而成果转化阶段和两阶段综合创新效率的空间效应显著;中西部地区条件收敛仍具有空间效应,且中部地区的内部空间联系较东部地区更密切。

7 结论与建议

本文基于产业链视角,采用Super-SBM两阶段DEA模型、Dagumn基尼系数和空间收敛模型测度我国高技术数字制造业创新效率,得出以下主要结论:首先,我国高技术数字制造业两阶段综合创新效率相对较低,对创新投入要素的利用还有很大提升空间。其次,从全国整体水平看,我国数字制造业研发阶段创新效率的区域差异未见明显改善,2016年是我国数字制造业成果转化阶段创新效率的转折点。全国以及中西部地区数字制造业两阶段综合创新效率的区域差异总体发展趋势并不明晰,东部地区两阶段综合创新效率的区域差异呈扩大趋势。最后,2016年以后,我国东部地区成果转化阶段创新效率具有典型的σ发散特征,中部地区研发阶段和成果转化阶段创新效率具有收敛特征,而考察期内西部地区各阶段不具备σ收敛特征。β收敛分析表明,我国数字制造业研发阶段、成果转化阶段以及两阶段综合创新效率均呈现出较为显著的空间β收敛特征。条件收敛分析表明,考虑区域异质性后,空间效应有所增强,周边地区创新效率对本地区研发阶段创新效率增长速率的负向传导效应增强,相较而言,东部地区的空间联系较弱。

基于以上结论,本文提出如下政策建议:第一,积极实施高技术数字制造业核心技术攻坚,突破“卡脖子”困局。加大高技术数字制造业研发投入,促进成果转化,重视人力资本要素,积极引进人才,攻克关键核心技术,突破西方国家的技术封锁和“卡脖子”困局,通过信息技术推动企业创新发展,布局产业链上游,实现经济增长与技术突破。第二,提高数字产业研发与成果转化协调关联水平,完善相关产业链。考虑到部分省份出现研发效率与成果转化效率脱节(高研发投入,低成果转化)的情况,各地应注重高技术数字制造业研发投入与成果转化效率之间的协调发展,完善产业链布局,充分利用区位优势和数字经济共享效应,提升高技术数字制造业研发水平和成果转化率。第三,扎实推进高技术企业数字化改造,提升企业创新能力与效率。应加大企业数字化改造力度,积极应用互联网、大数据和人工智能等数字技术降低企业生产和营销成本,优化产品结构,精准掌握消费者需求。同时,加强数字基础设施建设,利用数字技术优化资源配置和企业要素投入比例,提升企业创新效率与能力。第四,统筹推进区域间数字经济协同发展,避免区域间数字“鸿沟”。对于数字基础较为薄弱的中西部地区,应加大信息基础设施建设投入,扩大数字化投资规模,加快数字技术在各领域的推广应用。应重视东部地区的内部差异,提高内部合作水平,充分发挥发达省份对周边地区的带动作用。

参考文献：

[1] 王如玉,梁琦,李广乾．虚拟集聚:新一代信息技术与实体经济深度融合的空间组织新形态[J]. 管理世界,2018,34(2):13-21.

[2] 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,2019,31(2):66-73.

[3] 郭凯明,潘珊,颜色．新型基础设施投资与产业结构转型升级[J].中国工业经济,2020,37(3):63-80.

[4] 杨文溥．数字经济与区域经济增长:后发优势还是后发劣势[J].上海财经大学学报,2021,23(3):19-31,94.

[5] 任保平,何厚聪．数字经济赋能高质量发展:理论逻辑、路径选择与政策取向[J].财经科学,2022,66(4):61-75.

[6] 韩君,高瀛璐．中国省域数字经济发展的产业关联效应测算[J]. 数量经济技术经济研究,2022,39(4):45-66.

[7] 孙早,徐远华．信息基础设施建设能提高中国高技术产业的创新效率吗——基于2002—2013年高技术17个细分行业面板数据的经验分析[J]. 南开经济研究,2018,34(2):72-92.

[8] 黄群慧,余泳泽,张松林．互联网发展与制造业生产率提升:内在机制与中国经验[J]. 中国工业经济,2019,36(8):5-23.

[9] 张龙鹏,张双志．技术赋能:人工智能与产业融合发展的技术创新效应[J].财经科学,2020,64(6):74-88.

[10] 施炳展,李建桐．互联网是否促进了分工:来自中国制造业企业的证据[J].管理世界,2020,36(4):130-149.

[11] 魏成龙,罗天正．互联网、金融发展与科技创新[J].经济经纬,2021,38(1):143-151.

[12] USAI A, FIANO F, PETRUZZELI A M,et al. Unveiling the impact of the adoption of digital technologies on firms'inno-vation performance[J]. Journal of business research, 2021,133(2):327-336.

[13] KARHADE P P,DONE J Q.Information technology investment and commeroialized innovation performance[J].Manage-ment Information Systems Quarter1y, 2021,45(3):101-145.

[14] 简晓彬,仇方道,车冰清.我国制造业价值链攀升效率的区域分异及空间收敛性[J].经济地理,2016,36(11):100-108.

[15] 薛永刚.1995—2015年“泛珠三角”区域医药制造业创新能力空间计量分析:基于空间误差分量模型的实证研究[J].软科学,2018,32(7):21-34.

[16] 刘明,王思文.β收敛、空间依赖与中国制造业发展[J].数量经济技术经济研究,2018,35(2):3-23.

[17] 肖仁桥,陈忠卫,钱丽.异质性技术视角下中国高技术制造业创新效率研究[J].管理科学,2018,31(1):48-68.

[18] 孙畅,吴芬.中国高端服务业与先进制造业匹配发展的空间分异及收敛性[J].数量经济技术经济研究,2020,37(12):3-24.

[19] 朱慧明,张中青扬,吴昊,等.创新价值链视角下制造业技术创新、效率测度及影响因素研究[J].湖南大学学报(社会科学版),2021,35(6):37-45.

[20] 嵇正龙,宋宇.企业异地进入促进区域创新空间收敛吗[J].财经论丛,2021,37(9):3-13.

[21] 赖红波,王高兴.我国东中西部地区创新效率差异研究——基于电子及通信设备制造业产业聚集视角[J].科技进步与对策,2022,39(11):52-62.

[22] 童有好. “互联网+制造业服务化”融合发展研究[J].经济纵横,2015,31(10):62-67.

[23] 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.

[24] BERG T,BURG V,GOMBOVI A,et al.On the rise of the fintechs-credit scoring using digital footprints[J].Review of Financial Studies,2020,33(7):2845-2897.

[25] ANDRIANAIVO M,KPODAR K.Mobile phones,financial inclusion and growth[J].Review of Economics and Institutions,2012,3(2):30.

[26] 刘迎春.中国战略新兴产业技术创新效率实证研究——基于DEA方法的分析[J].宏观经济研究,2016,38(6):43-48,57.

[27] 肖仁桥,王宗军,钱丽.我国不同性质企业技术创新效率及其影响因素研究:基于两阶段价值链的视角[J].管理工程学报,2015,29(2):190-201.

[28] FRANTZEN D.The causality between R&D and productivity in manufacturing: an international disaggregate panel data study[J]. International Review of Applied Economics, 2003,17(2):125-146.

[29] 朱有为,徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济,2006,23(11):38-45.

[30] 肖仁桥,钱丽,陈忠卫.中国高技术产业创新效率及其影响因素研究[J].管理科学,2012,25(5):85-98.

[31] ERTUR C,KOCH W.Growth, technological interdependence and spatial externalities:theory and evidence[J].Journal of Applied Econometrecs,2007,22(6):1033-1062.

[32] ELHORST P,PIEAS G, ARBIA G.Growth and convergence in a multiregional model with space-time dynamics[J].Geographical Analysis,2010,42(3),338-355.

[33] 聂长飞,简新华.中国高质量发展的测度及省际现状的分析比较[J].数量经济技术经济研究,2020,37(2):26-47.

(责任编辑：陈 井)