数据要素配置与区域创新:赋能效果及作用路径

范德成,肖文雪

(哈尔滨工程大学 经济管理学院,黑龙江 哈尔滨 150001)

摘 要:聚焦数据要素,从多个维度构建数据要素配置水平综合评价指标体系,基于2012-2020年省际面板数据探讨数据要素配置对区域创新的赋能效果、差异性影响及作用路径。研究发现:①时空演化特征初步证明数据要素配置与区域创新之间存在显著正相关关系,且区域创新能力的空间分布呈现出东部>中部>西部的依次递减特征;②基准回归结果表明,数据要素配置效率高能够显著促进区域创新能力提升,该结论经过系列稳健性检验后依然成立;③数据要素配置的创新驱动效应存在异质性、条件性特征,前者表现为在高数字基础设施建设水平地区、东部地区以及对激进型创新的促进作用更显著,后者表现为在不同区域创新能力下,创新驱动效应呈现出边际递增规律;④渠道效应检验结果表明,提升创业活跃度、促进R&D人员流动以及降低产业结构扭曲度均为数据要素配置赋能区域创新的有效路径。

关键词:数字经济;数据要素配置;区域技术创新;多重中介;分位数回归

Data Element Allocation and Regional Innovation: The Enabling Effect and Action Path

Fan Decheng,Xiao Wenxue

(Schoool of Economics and Management, Harbin Engineering University,Harbin 150001, China)

AbstractWith the vigorous development of digital economy, the wide application of digital technology has a significant impact on the promotion of regional research and development activities and the enhancement of innovation ability. In particular, data elements, as the new production factors derived from the era of digital economy, are printed with the brand of innovation. As a derivative factor in the information age, data elements have become an increasingly important source of value creation that cannot be ignored. In terms of both breadth and depth, the integration process of data elements and various fields of economy and society is continuously strengthened, significantly changing the way of social and economic operation, and becoming a new engine to promote economic growth and technological innovation.

Therefore, this paper focuses on the perspective of data elements, selects 20 secondary indicators from four dimensions of data research and development management, data application environment, data dissemination and sharing and digital society promotion, and constructs a comprehensive evaluation index system of data element allocation level by entropy weight TOPSIS method. The inter-provincial panel data from 2012-2020 as the research interval is established and the empowering effect, difference and action path of data element allocation on regional innovation are discussed. It should be noted that the data used in this paper is all from the EPS database, China Academy of Information and Communications Technology, etc.

This paper first makes a preliminary analysis of the spatio-temporal evolution characteristics of the allocation level of data factors and the regional innovation capability. According to the spatio-temporal distribution of the two, the region with strong regional innovation capability tends to have a higher allocation level of data factors. From the perspective of spatial evolution, it is proven that there is a significant positive correlation between the allocation of data factors and the regional innovation capability, and the enabling effect is obvious. It corresponds to the theme of "digital +" innovation and development in the context of the Fourth Industrial Revolution. The elastic coefficient of regional innovation capability at the data element allocation level is 0.064 and passes the significance test of 1%, indicating that the data element allocation effectively enables regional innovation, and this conclusion still holds after a series of robustness tests. However, further analysis shows that the enabling effect of data factors on regional innovation has obvious heterogeneity as follows:(1)under the condition of different digital infrastructure levels, data element allocation has a promoting effect on local innovation capability and passes the significance test of 5%, but the effect is stronger in the region with higher digital infrastructure level;(2)the grouping test results of different innovation types show that the enabling effect of data element allocation level on regional innovation capability is more significant and stronger for radical innovation; (3) the test results of regional heterogeneity show that the enabling effect of data element allocation on regional innovation capability is greater in the central region than in the eastern region. In order to determine whether there are differences in the innovation-driving effect of data factor allocation in different stages of regional innovation capability, quantile regression is used to further analyze the conditional characteristics of data factor allocation on regional innovation capability. The results show that when regional innovation capability is different, data factor allocation enabling regional innovation also has significant differences. In provinces with strong regional innovation capability, the enabling effect of data element allocation is more obvious, which also proves that the development of digital economy will further widen the gap of innovation capacity between regions. According to the results of action path test, data factor allocation can also enable regional innovation through three paths, namely, improving entrepreneurial activity, accelerating R&D personnel flow and reducing industrial structure distortion, and the channel effect is obvious.

Finally the paper puts forward four policy suggestions: developing differentiated and dynamic digital economy development strategies, narrowing the "digital divide", improving the regulatory system of data elements, and removing the evolutionary obstacles of digital economy. Meanwhile,it is necessary to accelerate the evolution of digital platforms,and deepen the integration and application of data elements in economic and social production activities.

Key WordsDigital Economy; Data Element Allocation;Regional Technological Innovation; Multiple Mediation; Quantile Regression

DOI10.6049/kjjbydc.2022100059

开放科学(资源服务)标识码(OSID):

中图分类号:F061.5

文献标识码:A

文章编号:1001-7348(2023)20-0030-12

收稿日期:2022-10-08

修回日期:2022-11-07

基金项目:国家社会科学基金重点项目(19AGL007);黑龙江省哲学社会科学研究规划项目(18GLD291);辽宁省社科规划基金重大项目(L17AGL015)

作者简介:范德成(1964— ),男,山东平原人,博士,哈尔滨工程大学经济管理学院教授、博士生导师,研究方向为数字经济、产业结构与优化;肖文雪(1996—),女,内蒙古赤峰人,哈尔滨工程大学经济管理学院博士研究生,研究方向为数字经济、产业结构与优化。本文通讯作者:肖文雪。

武汉大学区域经济研究中心 协会

0 引言

数字经济是以数字化知识和信息作为关键生产要素,以数字技术作为核心驱动力量,加速重构经济发展与治理模式的新型经济形态[1]。2012—2021年我国数字经济占国内生产总值的比重从20. 8%增长至39.8%,发展前景可观。数据要素是数字经济的微观基础,据国际数据公司(IDC)测算,我国拥有的数据量将从 2018 年的7.5ZB 增长至2025年的48.6ZB,占全球总量的27.8%,远高于美国的17.5%。

伴随经济转型,我国区域创新先后经历了从模仿创新、线性合作创新到网络式发展、再到开放式的协同创新模式。随着大数据、人工智能技术的迅速应用,由数据驱动的产品研发范式成为数字经济时代企业创新的主流(刘意等,2020)。数据要素特有的渗透性、无边界性、外部性特征使得创新活动呈现出跨区域渗透融合、全产业链协同、多元共生的生态化发展态势[2]。目前,已有学者对数字创新概念进行界定,着重突出数字化技术与产品物理组件融合以及新产品、新工艺或新商业模式的出现[3],但Henfridsson &Lyytinen等[4]在定义中更强调创新过程如何从与非数字化要素关联转向与数字化要素关联。

数据要素作为信息化时代的衍生要素,正日益成为不容忽视的重要价值创造来源,无论是从广度还是深度而言,数据要素与经济社会各领域的融合不断推进,显著改变社会经济运作方式,成为推动经济增长和技术创新的新引擎。因此,厘清数字要素配置水平与区域创新能力之间存在怎样的联动特征以及其中的作用机制,能够为我国在数字经济浪潮中抢占数字创新发展先机和市场竞争制高点提供有益思路。

1 文献综述

从已有文献看,数字经济发展主要经历两个阶段:第一阶段是20世纪80年代至21世纪初,计算机兴起和信息技术发展。以Stiron、Jorgenson等[5-6]为代表的经济学家对信息通信技术(ICT)与经济增长关系进行了深入研究。第二阶段是21世纪初至今,随着计算机应用的普及,出现数字创新和人工智能发展。随着数字技术与经济社会各领域的深入融合,学者们从不同视角对数字经济进行定义和研究。宏观层面上,部分学者对数字经济与传统经济进行区分。与传统经济不同,数字经济是信息技术革命产业化与市场化的表现,在提升信息传输速度、降低数据处理和交易成本、精确配置资源等方面具有独特优势,数字技术的广泛应用改变了区域科技创新、信息与数据获取渠道,重塑了区域创新要素变量、主体间性、生态体系,催生出新的区域创新框架与范式[7]。微观层面上,数据要素的重要性日益凸显。学术界更倾向于认为数据与资本、劳动等传统生产要素不同,是伴随数字经济时代发展衍生的更高级生产要素,除具有强大的规模经济特征外,还具有强大的范围经济特征,数据要素在与其它要素结合的过程中会提升资源配置效率,驱动技术创新与社会进步[8]。还有学者指出,数字技术具有自生长性和同质性特征,能够促进产品持续迭代并打破产业边界,实现融合创新[9]。实证研究方面,余菲菲[10]运用案例研究法对数字技术赋能企业技术创新活动的“黑箱”进行研究,提炼出以技术整合为中心的产业链协同、以产品智能化为中心和以消费者个性化需求为导向的两端创新路径;李雪[11]认为,互联网发展水平和区际知识溢出都是促进区域创新能力提升的重要推力,但仅在东部地区作用显著;韩先锋[12]通过构建多维度互联网综合发展水平指标体系,研究发现,互联网的快速发展显著推动中国区域创新效率提升,并通过加速人力资本积累、金融发展和产业升级,间接对区域创新效率产生积极影响。

综上所述,目前有关数字经济的研究方兴未艾,在已有研究基础上,本文可能存在的边际贡献有:①研究主题上,尽管数字经济逐渐成为国民经济形态的重要组成,但鲜有研究从数据要素配置的微观视角出发,定量分析数字经济对区域创新能力的影响,本研究通过构建综合测度指标体系,对我国各地区数据要素配置水平进行测度,以弥补数字经济研究不足;②研究内容上,检验创业活跃度、R&D人员流动水平与产业结构扭曲度对数据要素配置赋能区域创新的渠道效应,完善数字经济影响区域创新能力的路径并分组检验数据要素配置的异质性特征和条件性特征;③研究意义上,为未来数字经济与区域创新的深度融合提供实证依据,为利用数字技术发展机遇实现中国高质量创新发展提供理论参考。

2 理论分析与研究假设

2.1 数据要素配置的创新驱动效应分析

数字信息技术的快速发展促使数字空间代替物理空间,成为资源配置的主要载体,数据要素配置牵引着资本、劳动力等传统要素流动,成为连接虚拟数字空间与实体物理空间的桥梁,其将带来生产力、生产关系变革以及技术创新的全面渗透(韩兆安等,2022)。数据要素配置的创新驱动效应具体表现为:

(1)从生产要素层面分析,数据要素已广泛渗透到生产活动的各个环节并普遍创造价值。数据作为新兴要素,具有强渗透性、高替代性特征,在降低生产要素流动壁垒的同时进一步实现传统要素数字化。要素供需双方能够突破物理空间局限,实现动态实时交互,改善地区间信息传输不对称性,淡化创新活动的时空界限,方便不同创新主体在不同时间地点参与创新过程,进而提高区域创新效率。另外,其同质化和可再编程特征为基于数据要素的创新活动提供了成本竞争优势,有利于区域创新活动规模扩张和质量提升[13]

(2)从生产力层面分析,产业数字化与数字经济实体化趋势增强,虚拟与现实“双循环”的进化思路有助于数据要素向各行业渗透。一方面,5G技术和工业互联网等新型基础设施从搭建设点走向融合应用,为进一步激发数据要素的“梅特卡夫威力”提供生产力的技术保证,加速产业数字化的发展红利逐步向智慧农业、智慧工业等领域辐射;另一方面,根据技术生命周期理论,一项技术从无到有、从萌芽到退出要经历创新期、成长期、成熟期和衰退期4个阶段,经过数十年发展,我国电子信息产业迅速崛起,数字产业化演进路径稳步推进。双管齐下的发展思路加快数字技术与数据要素相互渗透并构成新型生产要素组合,有效驱动全要素生产率提高和区域创新(钟世川等,2022)。

(3)从生产关系层面分析,数据配置市场化有助于推动形成包括个人、组织、政府等多主体参与的数字治理以及数字化知识模块,实现上下游产业链协同的生产模式。越来越多的研究发现,数据要素还具有强大的网络效应,即数据集越大越丰富,越有助于改善产品质量和服务体验,为客户、消费者参与新产品、新技术研发提供支撑,在构建网络创新发展机制的同时衍生出大量数据要素资源,如此周而复始,最终建立无可比拟的竞争优势[14-15]。根据上述分析,本文提出如下研究假设:

H1: 数据要素高效配置对区域创新能力存在显著促进作用。

2.2 数据要素配置对区域创新能力的影响路径分析

2.2.1 创业活跃度的渠道效应

数字经济可以通过影响市场规模、知识溢出和要素组合等培育更多创业机会,从加快信息交互和思想传播等途径丰富创业资源,从而提升创业活跃度(赵涛等,2020)。创业活跃度通常是地区创新能力、创新资源的外显,三者相辅相成。创业活跃度提升的渠道效应具体表现在:

(1)激发市场活力,优化产品匹配路径。互联网平台的迅速普及促使市场结构趋于完全竞争,有利于生产效率提升,进一步激发产品多样性、扩大市场规模、加速产品匹配和交易。同时,借助大数据、云计算等新兴技术为经济市场匹配问题提供优化路径,数字化平台的开发应用为创业活动开展提供了坚实的后台支持[16]

(2)分散金融风险,确保创业环境平稳有序。创业活动具有不确定性,易面临融资约束,创业过程中需承受巨大压力和重置成本。由互联网革命带来的信息或数据创造及共享,加速数字金融产业兴起,有效改善金融服务可得性和普惠性。依托数字网络的金融体系能够更加及时地捕获资金供需信息,有效分散创业过程中面临的金融风险,显著提高资金流转速度,为创业机会均等化提供条件。根据上述分析,本文提出如下研究假设:

H2:提升创业活跃度是数据要素配置赋能区域创新的有效路径。

2.2.2 R&D人员流动的渠道效应

随着以大智移云网为代表的新技术和相关数字产业的迅速发展,创新要素的区际流动规模日益扩大,我国正稳步迈入以创新要素自由流动为显著特征的开放式创新时代。作为创新活动主体的R&D人员,是推动国家创新驱动发展战略落地生效、支撑区域科技竞争力提升的战略性资源。智力资本是数字创新的基础和先决条件,而数字经济赋能区域创新需依托知识技术密集型产业发展,需要通过数据要素与传统产业的深度融合实现,因此对人才的依赖更为明显(曹威麟等,2015;顾承卫等,2016)。R&D人员流动的渠道效应具体表现在:

(1)从资源配置角度分析,物联网与互联网的深度融合促使通过采集、处理和共享大量利益相关者数据,建构大规模、高黏度的创新网络成为可能。边缘计算和云计算的相互支撑与发展促使网络空间进一步嵌入社会经济活动中,数据要素的流通与应用能够充分消解信息不对称性,进一步精确生产、服务等环节的供需匹配,实现在更广范畴内高效率地完成R&D人员配置,重构区域价值创新网络(宛群超等,2021;王钺等,2017)。

(2)从创新主体演化角度分析,数字经济时代的创新活动不再是单纯依靠企业内部资源进行技术创新的行为,而是多元创新主体与环境之间交互作用的结果,突出新时代区域技术创新范式的动态交互特征。多元创新主体可以联结形成不同种类创新集群,而创新活动由单一主体转向创新集群的演化势必会扩大R&D人员流动规模,加速区际创新溢出。根据上述分析,本文提出如下研究假设:

H3:提升R&D人员流动水平是数据要素配置赋能区域创新的有效路径。

2.2.3 产业结构扭曲的渠道效应

产业结构扭曲程度反映了资源要素配置效率,通常在产业扭曲程度较高的地区创新资源无法自由流动,导致企业和产业的创新效率低下,从而阻碍地区创新发展[17]。随着数字技术与产业发展的深度融合,大大提升了数据要素对产业结构升级的推动作用,成为赋能区域创新的有效路径,具体表现在:

(1)传统产业结构的创造性破坏。数字经济为传统产业带来颠覆性改变,数字技术的持续突破和发展推动传统产业向数字化、自动化、智能化方向转型升级,使部分传统工序被淘汰或替代,其产生的动能倍增效应通过赋能传统产业,为区域创新活动开展和创新模式演化提供更多可能性及发展空间[18-19]。数字技术脱离于传统工业体系中的技术生态系统,是一种全新的去中心化、突破性技术创新范式,打破了在线与离线世界的创新藩篱,引发区域创新生态系统整体变革,为其它地区发挥后发优势、实现赶超提供可能,进一步推动区域创新协同发展[7]

(2)战略性新兴产业异军突起。在产业结构不断转型的同时,新的颠覆性科技创新不断涌现,通过发展“ABCD”技术等软硬件信息产业,数字产品和数字服务逐步取代传统产品与传统服务(韩璐等,2021),展示了数字经济催生新产品、新模式、新业态、新产业的巨大潜力(刘意等,2020)。颠覆性的数字科技不仅会带来短期的战略性新兴产业发展,推动产业结构向高技术化、高集约化方向平稳升级,同时,能够促进科技创新的进一步发展和深化,并决定未来产业发展方向、模式与类型(韩兆安等,2020)。根据上述分析,本文提出如下研究假设:

H4:降低产业结构扭曲度是数据要素配置赋能区域创新的有效路径。

图1 数据要素配置赋能区域创新能力的理论框架
Fig.1 Theoretical analysis framework of enabling regional innovation ability by data element allocation

3 研究设计

3.1 变量设定

3.1.1 被解释变量

区域创新能力(Inno)。选取《中国区域创新能力评价报告》中的综合效用值衡量,该评价结果由包括知识创造、知识获取、企业创新、创新环境、创新绩效5个维度在内的共计138个四级指标,通过加权评价方法计算而来,在此基础上进一步提炼出综合、客观且动态的综合效用值指标作为区域创新能力的代理变量。

3.1.2 核心解释变量

数据要素配置水平(Data)。对于数字经济体量庞大、数字经济与实体经济融合渐趋深入的国内市场而言,我国数字化能力持续增强,数据量约占全球总量的20%,属于数据要素禀赋较丰富的国家。与传统要素如资本、技术、劳动力等不同,数据要素属于无形生产要素范畴,其配置水平难以用单一指标测度,参考李治国和潘为华等[20-21]的做法,将多重维度指标合成一个综合指标,采用熵权TOPSIS法,从4个层面构建评价指标体系,进而对数据要素的流通活力和融合深度进行度量。原始数据主要来源于各省区市统计年鉴以及中国信息通信研究院。需要指出的是,尽管文中所选指标与现有的数字经济发展水平测度研究有部分重合,但数据要素配置水平更加强调数据要素对生产活动微观效率及数字经济宏观增长的影响,是数字经济平稳运行的重要支撑[22]

表1 数据要素配置水平多维度指标体系
Tab.1 Multi-dimensional index system of data element allocation level

一级指标二级指标单位编码(Cj)数字化企业数个C1R&D投入强度%C2数据研发管理De1信息技术服务收入亿元C4数字产业法人单位数个C5数字产业从业人员数万人C3长途光缆线路万公里C7邮政营业网点数处C8数据应用环境De2互联网宽带接入端口数万个C9互联网宽带接入用户数万户C10电视节目综合人口覆盖率%C11邮政业务总量亿元C13电信业务总量亿元C14数据传播共享De3互联网网页数亿个C15互联网域名数万个C16移动电话年末用户数万户C12快递件数万件C17软件业务收入亿元C18数字社会推进De4快递业务收入亿元C19电子商务销售额亿元C20数字金融普惠指数/C21

3.1.3 机制变量

创业活跃度(Entre)。参考北京大学企业大数据研究中心编制的《中国区域创新创业指数》报告,采用其中的创新创业指数代替。该指数结合大数据思维与技术,立足于企业家、资本与技术三大核心要素,运用全国工商企业注册数据库的全量企业信息,从新建企业数量、吸引外来投资、吸引风险投资、专利授权数量和商标注册数量5个维度计算而来,多维、实时地反映了我国各地区创业活力与绩效。

R&D人员流动量(Flow)。R&D人员作为创新要素主体,其流动量对创新能力有着举足轻重的影响。借鉴白俊红和蒋伏心[23]的做法,采用引力模型测度R&D人员流动量。引力模型来源于牛顿的引力法则,其本质是物体A、B间的作用强度与其质量成正比,但与其距离成反比。该模型最初由Tinbergen引入经济学领域并逐步成为研究要素流动空间相互作用的重要工具,模型一般形式如式(1)所示。

Tij=KMiNj/Dij

(1)

式(1)中Tij表示ij地区间的空间联系强度;K为常数且通常取值为1;MiNj分别表示地区i与地区j的某种规模量;Dij表示ij的地区距离。美国学者Bogue最早提出人口迁移的“推力—拉力”理论。该理论指出,人口流动受到迁入地和迁出地两地间拉力与推力的共同作用,即i地区向j地区流动的人员与j地区的吸引力成正比。因此,在测算R&D人员流动量的过程中,利用各地区人均GDP表征本地区对其它地区R&D人员的吸引力,对引力模型进行改进,最终模型如式(2)、式(3)所示。

(2)

(3)

式(2)中Flowiji地向j地的R&D人员流动量;M表征j地的R&D人员数;PGDP表征j地区的人均GDP,即市场机制作用下对R&D人员产生的拉力;Flowi地区的R&D人员总流动量,进行取对数处理(宛群超等,2021)。

产业结构扭曲度(Twi)。产业结构扭曲会导致资源配置效率低下甚至无效率,本文借鉴Ando&Nassar提出的利用就业份额与产出份额之间的欧氏距离测度产业结构扭曲程度的方法。假设一个国家有N个经济部门,VAiLi分别表示部门i的增加值与就业人数,具体定义如式(4)所示[24]

(4)

其中,di是部门i的就业数量与产出数量之间的距离,d则是整体经济增加值与就业数量之间的欧氏距离。若d=0,则意味着部门劳动生产率均等化,即产业结构处于均衡状态。

3.1.4 控制变量

为避免其它因素对区域创新能力的影响,参考以往学者研究,对以下变量进行控制:地区经济发展水平(Pgdp)、外商直接投资水平(Fdi)、对外贸易水平(Tra)、交通基础设施水平(Infra)、地方教育水平(Edu)、城镇化水平(Urban)、工业化水平(Industry)。分别采用地区经济发展水平占人均GDP比重(取对数)、外商直接投资水平占GDP比重、进出口总额占GDP比重、人均占有道路面积、教育支出占GDP比重、城镇人口占总人口比重、第二产业产值占GDP比重进行测度。

3.2 模型构建

在上述理论分析基础上,构建双向固定效应模型以检验数据要素配置对区域创新能力的影响,基准模型设置如式(5)所示。

Innoi,t=β0+β1Datai,t+∑Controlsi,t+ηi+μt+εi,t

(5)

式(5)中,it分别表示省份和年份;∑Controlsit为一系列可能对研究问题产生影响的控制变量,η i为省域个体效应,μt为时间固定效应,εit表示随机误差项。

激发数据要素配置的赋能效应,还需要考虑区域创新能力,继续采用Koenker &Bassett提出的分位数回归方法对基准模型进行估计[25]。以区域创新能力分位数为因变量的回归能够反映不同区域创新水平下数据要素配置的创新驱动效应的动态性,揭示两者相互融合的条件性问题。

为进一步检验数据配置赋能区域创新能力的作用机制,采用逐步回归模型进行分析,式(5)与式(6)、(7)共同构成中介机制检验三步法。

Entrepi,t=γ0+γ1Datai,t+∑Controlsi,t+ηi+μt+εi,t

(6)

Innoi,t=α0+α1Datai,t+α2Entrepi,t+∑Controlsi,t+ηi+μt+εi,t

(7)

通过判断γ1α1α2回归系数显著性,进而检验中介效应是否存在,以及存在怎样的中介效应。

3.3 数据说明

考虑到统计口径一致性以及数据可得性,以国内30个省域为研究样本(西藏及港、澳、台地区因数据缺失严重,未采纳),并基于2012-2020年平衡面板数据研究数据要素配置对区域创新能力的作用机制。使用数据来自EPS数据库、中国信息通信研究院、北京大学数字普惠金融指数、北京大学开放数据研究平台、历年《中国统计年鉴》以及各省统计年鉴,对部分数据缺失值采用插值法补齐。为减少离群值对回归结果的影响,对所有连续变量进行上下1%的缩尾处理,具体描述性统计结果见表2。

4 描述性分析

4.1 相关性分析

表3为Person和Spearman相关性分析结果,两种检验结果表现出较强一致性。由结果可知,数据要素配置水平与区域创新能力存在显著正相关关系,初步支持假设H1。另外,所有变量之间的相关性系数均较小,表明存在多重共线性的可能性不大。但在未控制其它变量的影响下,两两变量间的相关性无法验证其它假设,因此采用双向固定效应模型,进一步检验数据要素配置赋能区域创新的主效应及作用机制。

表2 描述性统计结果
Tab.2 Descriptive statistical results

变量观测值均值标准差最小值最大值Inno27028.7410.5616.8059.49Data27010.1513.210.3569.18Pgdp27010.830.4210.0011.96Fdi27040.9939.545.64179.04Tra27029.4832.841.28139.70Infra27011.690.859.4712.71Edu27016.372.6310.7721.57Urban27059.4312.2438.1791.57Industry27040.728.0316.5055.76Entrep27071.1523.3120.8899.79Flow2706.692.052.0610.26Twi2701.901.300.156.16

表3 变量相关性分析结果
Tab.3 Variable coefficient analysis results

变量InnoDataPgdpFdiTraInfraEduUrbanInduInno1.0000.640***0.640***0.590***0.666***-0.0020.273***0.508***0.149**Data0.733***1.0000.713***0.606***0.531***0.120**0.136**0.555***-0.078Pgdp0.714***0.690***1.0000.773***0.543***-0.156**-0.119*0.832***-0.139**Fdi0.601***0.573***0.722***1.0000.686***-0.376***-0.0950.766***-0.238***Tra0.766***0.585***0.707***0.811***1.000-0.336***0.113*0.585***-0.059Infra-0.237***-0.135**-0.404***-0.615***-0.632***1.0000.340***-0.384***0.182***Edu0.207***0.092-0.138**-0.213***-0.0620.391***1.000-0.316***0.436***Urban0.621***0.513***0.852***0.742***0.807***-0.619***-0.329***1.000-0.150**Indu-0.108*-0.229***-0.289***-0.476***-0.366***0.465***0.397***-0.348***1.000

注:左下为Person相关性分析结果,右上为Spearman相关性分析结果,“*”、“**”、“***”分别表示在10%、5%、1%的统计水平下显著

4.2 时空演化特征分析

进一步将数字经济划分为数字产业化与产业数字化,并从投入产出角度对区域创新能力进行分解,图2给出了2002—2020年我国数字产业化规模(亿元)、产业数字化规模(亿元)与R&D经费支出(亿元)、发明专利申请数(万件)的变化趋势。可以看出:①数字产业化与产业数字化规模均稳步增长,且产业数字化规模始终高于数字产业化,而R&D经费支出、发明专利申请数变化趋势与产业结构数字化基本保持一致,呈现出波动上升的发展规律,进一步证明数字经济发展与区域科技创新存在明显的正相关关系,并且我国产业结构呈现调整性变化,对传统产业进行数字化改造是现阶段数字经济发展的主流变化;②总体来看,目前我国产业数字化正成为驱动创新的关键引擎,数字产业化则为创新活动的稳步推进夯实基础。在数字经济异军突起并成为我国主导产业的时代浪潮下,“两化融合”的持续推进以及工业互联网的深度融合应用重塑了我国工业生产流程体系。在产业数字化方面,传统产业与ICT产业表现出较强的产业关联性,并且逐渐形成“两超八极多强”的发展格局,增长极地区结合自身发展优势推动第二、三产业均衡发展并带动其它地区产业数字化转型升级,战略性新兴产业的颠覆性创新以及数字技术与传统产业的融合创新更趋灵活[1]

图2 数字产业化、产业数字化与R&D经费支出、发明专利申请数的变化趋势
Fig.2 Trends of digital industrialization, industrial digitalization, R&D expenditure and numbers of invention patent application

图3分别绘制了2014年、2016年、2018年以及2020年数据要素水平与区域创新能力的空间分布,可以看出:第一,从区域创新能力的空间分布来看,总体分为3个梯队,东部>中部>西部地区的依次递减分布特征随年份增长更趋凸显,形成以北京、上海、广东、江苏、浙江5个创新增长极省市带动内陆地区的发展格局,而山东、辽宁两省份的创新发展节奏尚不稳定,分别在第一、二梯队和第二、三梯队之间跃迁。第二,从数据要素配置水平的空间分布来看,沿海地区、京津冀地区以及四川、河南等区域发展迅速。近年来,“宽带中国”“智慧城市”“互联网金融”等系列政策以及“东数西算”工程、数字经济产业园区、国家大数据综合试验区等战略纷纷落地,为数字经济的平稳有序发展提供了良好的环境支撑和配套基础设施。值得注意的是,以2014年工信部推出首批“宽带中国”试点城市名单为参照,之后年份的数据要素配置水平取得长足发展,进一步说明政策效果显著。第三,从二者关系来看,区域创新能力较强的地区,其数据要素配置水平也较高,从空间演化视角再次证明数据要素配置与区域创新能力存在显著的正相关关系,且赋能作用显著,对应了第四次工业革命背景下“数字+”创新发展的时代主题。

5 实证结果分析

5.1 基准回归

Hausman检验结果表明,采用双向固定效应模型考察数据要素配置水平对区域创新能力的直接影响更准确,为尽可能降低内生性问题可能带来的干扰,逐步加入控制变量以校正内生性问题带来的影响,最终回归结果见表4,后续分析以模型(3)为准。

基准回归结果显示,数据要素配置水平对区域创新能力的弹性系数为0.064且通过1%水平下的显著性检验,表明数据要素配置有效赋能区域创新,假设H1成立。目前我国规模以上工业企业中的数字化工具普及率超过69.7%,可见数字技术已渗透到创新活动中,社会发展正步入数字创新时代。具体为:①近年来,在“宽带中国”“智慧城市”等政策指引下,新型基础设施建设工程如火如荼,数据要素的网络结构特征及高流动性使得依托数字基础设施能够实现供需精准匹配,突破知识流动的物理时空约束,降低区域间知识溢出成本,以及通过与其它生产要素的结合驱动技术进步,带动增值性创新技术的开发应用和三次产业的井喷式创新,缓解各行业在创新转型期遭遇的“阵痛”,为区域创新逐渐由“山峰”迁移至“平地”提供条件[7];②为了获取潜在利润并在激烈的竞争中崭露头角,初创企业往往会冒险尝试多元化技术路线和商业模式,从而加快智慧城市、智慧安防、远程医疗、远程教育、无人驾驶、车联网等新业态形成,由数据要素驱动的创新红利在激烈的竞争中得到充分释放 [26]。而传统企业迫于市场压力也纷纷采取数字化转型策略,推动由单个企业、单个部门实施的传统封闭式创新转向企业内部各系统、供应链、用户消费者共同参与的开放式、网络化协同创新,实现以数据价值网络促进区域创新能力提升[27]

图3 数据要素配置水平与区域创新能力的空间分布
Fig.3 Spatial distribution of data element allocation level and regional innovation capacity

表4 基准估计结果
Tab.4 Baseline estimation results

变量(1)(2)(3)InnoInnoInnoData0.053***0.063***0.064***(2.937)(3.220)(3.250)Pgdp10.075***7.883**(3.560)(2.421)Fdi0.0040.012(0.414)(1.232)Tra-0.038**-0.042**(-2.170)(-2.351)Infra3.1220.864(1.099)(0.292)Edu0.262*(1.779)Urban0.129(1.390)Industry0.062(0.787)_cons28.349***-112.915***-78.472*(78.206)(-3.042)(-1.884)Hausman90.98101.7282.93(0.000)(0.000)(0.000)Year控制控制控制N270270270R20.1290.2200.241

注:“*”、“**”、“***”分别表示在10%、5%、1%水平下显著,括号内为t值,下同

5.2 稳健性检验

考虑到基准回归结果可能存在一定偏差,从3个方面对基准结果稳健性进行检验:第一,替换估计模型。选择FGLS模型以排除组内自相关、组间异方差及同期相关的多重干扰,同样采取逐步加入控制变量的方法进行估计,回归结果见表5。由模型(3)可知,数据要素配置水平对区域创新能力仍存在正向影响且通过1%的显著性检验。第二,解释变量滞后一期。由于当期数据通常会受到前期数据要素规模的影响,因此采用滞后一期的数据要素配置水平重新进行估计。由模型(6)可知,数据要素配置水平对区域创新能力的弹性系数为0.048且通过1%的显著性检验,检验结果与基准估计保持一致,进一步说明结论稳健。第三,内生性问题讨论。由于自变量与因变量之间可能存在逆向因果关系并导致模型估计结果产生偏误,因此选择系统 GMM法对基准模型进行再估计,并将被解释变量的一阶滞后项作为工具变量。模型(7)中给出了GMM估计的检验结果:首先,AR(2)和Sargan检验的伴随概率值均大于0.1,表明工具变量有效且扰动项不存在二阶自相关,即选择系统GMM法估计模型是有效的;其次,数据要素配置水平回归系数的显著性和作用方向并未发生改变,但变量系数值变大,表明内生性问题导致静态面板模型估计结果明显向下偏倚,即低估数据要素配置水平对区域创新能力的赋能效果。

表5 稳健性检验结果
Tab.5 Robustness test results

变量(1)(2)(3)FGLS(4)(5)(6)解释变量滞后一期(7)SYS-GMML.Data0.033*0.044**0.048**L.Inno1.071***(1.704)(2.128)(2.297)(17.730)Data0.313***0.180***0.167***Data0.070***(7.166)(5.490)(5.342)(3.582)_cons25.91***-157.23***-167.21***29.641***-100.28**-71.03_cons33.278**(46.314)(-9.369)(-9.928)(87.532)(-2.490)(-1.615)(2.450)控制变量控制控制控制控制控制控制控制变量控制Year控制控制控制控制控制控制Year控制N270270270240240240N240R20.1390.2030.230AR(1)0.038AR(2)0.755Sargan0.683

5.3 异质性检验

5.3.1 不同数字基础设施建设水平检验

考虑到与劳动、资本、土地等传统生产要素不同,数据要素无法以独立形态存在,需要依附现代信息网络等载体才能够发挥其作用[28]。那么在不同数字基建投资强度和搭建密度下数据要素配置对区域创新能力的促进作用是否呈现差异化?本文采用邮电业务总量与GDP占比对数字基础设施建设水平进行衡量,并按中位数将其划分为高、低两组进行异质性检验,估计结果见表6。模型(1)、(2)分别为数字基础设施建设高、低水平的估计结果,两组回归结果均表明数据要素配置对当地创新能力存在促进作用且通过5%的显著性检验,但数字基建高水平地区的作用更显著。加大新型基础设施投资建设力度已成为地方政府的主要经济工作之一,2020年初中共中央政治局会议、国务院常务会议和中央全面深化改革委员会会议都明确提出,要“统筹传统和新型基础设施发展”、“加快5G、数据中心等新型基础设施建设进度”[29]。回归结果同样说明各地政府高度重视数字基础设施布局与建设,尽管搭建规模有差异,但均能够在较大程度上保证数据要素流通顺畅,通过与传统生产要素的结合渗透应用到生产活动的诸多环节,提高其微观运行效率,进而驱动技术进步与创新。

表6 异质性检验结果
Tab.6 Heterogeneity test results

变量(1)(2)(3)(4)(5)(6)(7)高水平低水平激进型增量型东部中部西部Data0.134**0.046**0.009***0.0030.130***0.263**-0.045(2.035)(2.190)(3.995)(1.081)(4.253)(2.203)(-0.761)_cons-165.159**52.249-17.070***-2.403-109.976-159.799**80.050(-2.511)(0.959)(-3.521)(-0.477)(-1.127)(-2.587)(0.948)控制变量控制控制控制控制控制控制控制Year控制控制控制控制控制控制控制N135135270270997299R20.3910.3740.7580.8370.4740.5770.235

5.3.2 不同创新类型检验

进一步将创新类型划分为激进型创新和增量型创新,分别进行回归,以检验数据要素配置对不同类型创新活动的作用效果是否存在异质性。采用发明专利申请数衡量激进型创新水平,采用外观设计专利和实用新型专利申请数衡量增量型创新水平。模型(3)(4)分别为激进型、增量型创新估计结果,回归结果显示,数据要素配置对两种创新类型均存在促进作用,但仅对激进型创新的作用显著且通过1%的显著性检验。数据作为数字经济时代的衍生要素,是技术—经济范式发展水平的集中体现,且主要表现为数字化知识和信息,其本身具有创新时代属性。在数字经济快速发展的当下,以传统要素数字化为重要特征的生产活动使数据要素能够全面渗透社会生产与生活中,快速驱动经济社会实现数字化转型。在此过程中,企业为进一步巩固自身市场竞争力并获取较为可观的创新收益,更青睐于创新含量较高的激进型创新,相比之下,增量型创新知识和资源更多来源于经验与实践,其创新含量较低且难以带来附加收益。

5.3.3 区域异质性检验

根据地理区位的不同,将研究样本划分为东、中、西部地区以作进一步分析,模型(5)—(7)依次为东中西部地区检验结果。回归结果表明,东、中部地区数据要素配置均能有效促进区域创新能力提升,且作用强度表现为中部>东部,而西部地区的估计系数为负且未通过显著性检验。从创新环境角度分析,由于东部地区总体产业结构完善、信息化水平较高,且沿海地区本身具有与海外市场联系紧密的先天区位优势,创新能力领先于其它地区,由数据要素带来的溢出红利得到提前释放并对中部地区的创新活动产生辐射带动作用。从技术转移角度分析,数字技术的更新迭代推动技术转移方式不断向智能化、纵深化方向发展,但囿于历史人文因素与地理区位因素,地区间数字经济发展程度不均衡导致技术转移活跃度存在较大差异,使错综复杂的技术转移网络存在“富人俱乐部”效应和“技术孤岛”困境[12]。2022年初由国家发改委牵头并联合多部门布局实施的“东数西算”工程是继“西电东输”“南水北调”之后的又一项跨区域资源调配措施,带动西部地区整体数字经济产业发展,通过算力调度构建全国一体化算力网络,成为推动全国数据资源优化配置的关键,为削弱地区间“数字鸿沟”、实现区域创新协同发展提供可能[1]

5.4 进一步讨论:区域创新能力差异

为判断区域创新能力处于不同阶段时数据要素配置的创新驱动效应是否存在差异,同时,考虑到分位数回归能够排除极端值干扰、充分刻画条件分布全貌的优势,选取25% 、50% 、75%等3个具有代表性的分位点分别对应低水平、中等水平与高水平创新能力省域,进一步分析数据要素配置影响区域创新能力的条件性特征,分位数回归结果见表 7。数据要素配置水平在3个分位点的回归系数依次为0.184、0.297、0.308,数据要素的创新驱动效应均成立且表现为依次递增趋势,表明当区域创新能力不同时,数据要素配置赋能区域创新也存在显著差异,在区域创新能力较强省域,数据要素配置的赋能作用更显著,同时也证明数字经济发展会进一步扩大区域创新能力差距,与韩璐等(2021)的研究结论一致。

表7 分位数回归估计结果
Tab.7 Estimation results of quantile regression

变量(1)(2)(3)低水平组中等水平组高水平组Data0.184***0.297***0.308***(3.747)(9.437)(7.633)_cons-94.873***-138.885***-151.941***(-3.827)(-8.765)(-7.476)控制变量YesYesYesYearYesYesYesN270270270R20.499 00.60750.689 9

6 作用路径检验

6.1 创业活跃度路径检验

模型(1)(2)是以创业活跃度为机制变量的检验结果。具体来看,在其它因素保持不变的情况下,数据要素配置水平每提高1个单位,区域创新能力会直接提升0.043个单位,同时,促使创业活跃度提升3.282个单位,从而导致区域创新能力间接提升0.02个单位,其中,间接效应占30.70%,故假设H2成立。这是因为数字经济催生出一批新产业、新业态,数字平台的普惠性特征有利于合理配置创业资源并实现创业机会公平。另外,数字经济还具有较强的社会互动性,不仅促进社会资本积累,还有助于提高创业成功示范效应,从而促进地区创业活跃度提升。

6.2 R&D人员流动路径检验

模型(3)(4)是以R&D人员流动水平为中介变量的检验结果。具体来看,在其它因素保持不变的情况下,数据要素配置水平每提高1个单位,区域创新能力会直接提升0.058个单位,同时也会促使R&D人员流动水平提升0.037个单位,从而促进区域创新能力间接提升0.006个单位,其中,间接效应占8.90%,故假设H3成立。这是因为,一方面,R&D人员的跨区域流动会伴随知识、技术交换,加速创新资源的空间溢出,数据要素的大规模流通能够进一步优化供需匹配,实现创新要素在空间上的合理配置;另一方面,R&D人员通常具有较高的消费力和市场偏好,对高技术含量、高附加值的创新产品易形成市场带动效应,从而加速创新产品的商业化进程[24]

6.3 产业结构扭曲路径检验

以往研究大多从产业结构升级角度实证检验创新驱动效应,本文将从反向视角,即以产业结构扭曲度为中介变量进行分析,模型(5)(6)是实证检验结果。具体来看,在其它因素保持不变的情况下,数据要素配置水平每提高1个单位,区域创新能力会直接提升0.057个单位,同时,促使产业结构扭曲度降低0.57个单位,导致区域创新能力间接提升0.07个单位,其中,间接效应占10.69%,故假设H4成立。在数字经济迅速发展的时代浪潮下,数字产业异军突起并逐渐成为我国经济的主导产业,同时,工业互联网与物联网互为支撑,重塑了我国传统工业生产流程体系,二者共同促进产业结构转向高技术化、高集约化,从而有利于创新生态系统平稳运行。

7 结论与启示

近年来,数字经济发展态势之迅猛使其成为重组全球要素资源、驱动技术创新范式变革的关键性力量,对区域创新有着至关重要的影响。本文在阐述数据要素配置赋能区域创新的理论机制基础上,从4个维度构建综合评价指标体系并对数据要素配置水平进行测度,选取30个省域作为最终研究样本并结合2012-2020年区间平衡面板数据,实证分析数据配置对区域创新的赋能效果、差异性及内在作用机制。研究结论如下: ①时空分布图初步证明数据要素配置与区域创新之间存在显著正相关关系,且区域创新能力的空间分布呈现出东部>中部>西部的逐次递减特征;②基准回归结果表明,数据要素配置能够显著促进区域创新能力提升,并且这一结论在后续进行的系列稳健性检验中依然成立;③进一步讨论发现,数据要素配置的创新驱动效应存在差异性和条件性特征,差异性特征表现为对数字基础设施建设高水平地区、东部地区以及激进型创新的促进作用更显著,而条件性特征表现为在不同的区域创新能力下创新驱动效应呈现边际递增规律;④从作用路径检验结果来看,数据要素配置还可以通过提升创业活跃度、加速R&D人员流动以及降低产业结构扭曲度3条路径赋能区域创新,且渠道效应显著。

表8 作用机制检验结果
Tab.8 Test results of action mechanism

变量(1)(2)(3)(4)(5)(6)FlowInnoEntrepInnoTwiInnoData0.006***0.043**0.154**0.058***-0.012**0.057***(7.045)(2.005)(2.185)(2.948)(-2.437)(2.894)Flow3.282**(2.260)Etre0.037**(2.003)Twi-0.570**(-2.108)机制识别机制有效—正向传导机制有效—正向传导机制有效—正向传导中介占比(%)30.708.90%10.69_cons-6.51***-57.09-181.18-71.75*19.38*-67.42(-3.429)(-1.348)(-1.213)(-1.728)(1.897)(-1.618)控制变量控制控制控制控制控制控制Year控制控制控制控制控制控制N270270270270270270R20.8600.2580.4690.2550.2830.256

针对研究结论,提出以下政策建议:

第一,强化数据要素与创新活动的融合进程,深入推进“数据+”区域创新战略实施。数据要素配置对区域创新能力提升作用显著,是新时代区域创新能力提升的新动能。数字技术与传统产业融合已成为大势所趋,战略性新兴产业的迅速发展也使区域创新模式发生显著变化。一方面,要牵住“自主创新”的牛鼻子,有针对性地开展高端芯片、操作系统、人工智能等关键核心技术研发,注重生态培育和原始创新。另一方面,要继续加强数字技术的集约化利用,鼓励高校、科研机构及企业等更多主体参与协同创新,推进颠覆性技术研发进程,打造“数字要素+”与“大众创业,万众创新”双轮驱动的创新环境,通过多方合作,共同助力区域创新能力提升。

第二,重视机制变量的渠道效应,充分发挥“加速器”作用。数据要素配置对区域创新能力除有直接影响外,还存在3条间接传导路径,表明数字经济与区域创新活动的融合进程并不是独立进行的,而是与创业活跃度、R&D人员流动以及产业结构升级等其它因素密切关联。因此,政府在促进数字经济良好有序发展并制定相关政策时,要基于现实条件发挥数字经济对区域创新影响的联动性特征,在创业环境、金融发展、教育投入、产业升级等多个领域充分考虑数字经济的积极影响,并借助互联网、人工智能、云计算等数字技术,强化创新溢出效应。

第三,制定差异化、动态化数字经济发展策略,缩小“数字鸿沟”。一方面,要尊重优势地区超前发展的客观规律,西部地区要根据自身所处发展阶段合理承接东部地区优势数字产业转移,充分借助数字平台吸收先进技术及管理经验,进一步缩小地区创新差距。另一方面,继续加大数字基础设施投资力度,完善数字经济发展的环境支撑,稳步推进“东数西算”工程,加快各地区大数据中心、数字经济产业园、工业互联网产业园等数字化试点的规划布局,提升跨网络、跨地域数据交互能力,进一步激发数据要素的“梅特卡夫”威力,实现数字经济在地区间的动态平衡发展。

第四,完善数据要素监管体系,扫除数字经济的进化障碍。现阶段我国数字经济发展应彻底告别“草莽时代”,在与时俱进的监管体系内有序推动数据要素配置市场化,以规范的姿态充分释放创新红利。同时,加速数字平台进化,培育数据要素流通主体生态,深化数据要素在经济社会生产活动中的融合应用,以数据要素的优化配置带动传统生产要素的同步优化,提升价值倍增效应,促进其成为新时代加速技术创新范式变革的新动能。

参考文献:

[1] 中国信息通信研究院.中国数字经济发展白皮书[R/OL].[2022-07].http://www.caict.ac.cn/kxyj/qwfb/bps/202207/P020220729609949023295.pdf.

[2] 韩若冰.数字技术推动下的文化创意产业生态化发展及其向度研究[J].山东大学学报(哲学社会科学版),2020,70(2):49-59.

[3] KALLINIKOS J,AALTONEN A V,MARTON A. A theory of digital objects[J]. First Monday, 2010,15(6):1-22.

[4] FICHMAN R G,SANTOS B L D,ZHENG Z. Digital innovation as a fundamental and powerful concept in the information systems curriculum[J]. MIS Quarterly, 2014,38(2):329-353.

[5] STIRON K J. Computers, productivity, and input substitution[J]. Economic Inquiry, 1998,36 (2):175-191.

[6] JORGENSON D W,STIRON K J.Information technology and growth[J].American Economic Review,1999, 89 (2):109- 115.

[7] 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.

[8] 王超贤,张伟东,颜蒙.数据越多越好吗——对数据要素报酬性质的跨学科分析[J].中国工业经济,2022,39(7):44-64.

[9] YOO Y,BOLAND R J,LYYTINEN K,et al. Organizing for innovation in the digitized world[J].Organization Science,2012,23( 5):1398-1408.

[10] 余菲菲,王丽婷.数字技术赋能我国制造企业技术创新路径研究[J].科研管理,2022,43(4):11-19.

[11] 李雪,吴福象,竺李乐.互联网发展水平、知识溢出与区域创新能力[J].经济经纬,2022,39(3):15-25.

[12] 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.

[13] 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.

[14] GREGORY R W,HENFRIDSSON O,KAGANER E, et al. The role of artificial intelligence and data network effect for creating user value[J]. The Academy of Management Review, 2021,46(3):534-551.

[15] GREGORY R W,HENFRIDSSON O,KAGANER E, et al. Data network effects: key conditions, shared data, and the data value duality (forthcoming in Academy of Management Review)[J]. The Academy of Management Review,2022,47(1):189-192.

[16] 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.

[17] 戴魁早,刘友金.要素市场扭曲与创新效率——对中国高技术产业发展的经验分析[J].经济研究,2016,51(7):72-86.

[18] KOHLI R,MELVILLE N P.Digital innovation: a review and synthesis[J].Information Systems Journal,2019,29(1):200-223.

[19] 郭美晨,杜传忠.ICT提升中国经济增长质量的机理与效应分析[J].统计研究,2019,36(3):3-16.

[20] 李治国,王杰.数字经济发展、数据要素配置与制造业生产率提升[J].经济学家,2021,33(10):41-50.

[21] 潘为华,贺正楚,潘红玉.中国数字经济发展的时空演化和分布动态[J].中国软科学,2021,36(10):137-147.

[22] 蔡跃洲,马文君.数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究,2021,38(3):64-83.

[23] 白俊红,蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究,2015,50(7):174-187.

[24] 沈小波,陈语,林伯强.技术进步和产业结构扭曲对中国能源强度的影响[J].经济研究,2021,56(2):157-173.

[25] KOENKER R,BASSETT G W. Regression quantiles[J]. Econometrica, 1978, 46(1):211-244.

[26] 谢伏瞻.论新工业革命加速拓展与全球治理变革方向[J].经济研究,2019,54(7):4-13.

[27] 涂心语,严晓玲.数字化转型、知识溢出与企业全要素生产率——来自制造业上市公司的经验证据[J].产业经济研究,2022,21(2):43-56.

[28] JONES C I,TONETTI C. Nonrivalry and the economics of data[J]. American Economic Review, 2020, 110(9):2819-2858.

[29] 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.

(责任编辑:胡俊健)