开放科学(资源服务)标识码(OSID)：
Existing research has addressed the role of economic activities generated in the process of digital-physical integration in promoting new quality productive forces, but it has not yet clarified how digital-physical integration can better form new quality productive forces. In fact, no single factor can adequately elucidate the intricate dynamics propelling the advancement of new quality productivity; thus, a broader perspective is essential for a more holistic understanding. While a one-size-fits-all approach is insufficient for guiding regions in selecting development drivers that align with their unique circumstances, necessitating further investigation into diverse pathways tailored to specific realities. Additionally, empirical research that systematically examines the evolution of data-physical integration and its qualitative influence on new quality productivity remains scarce.
Considering the complex interactive effects of the elements of digital-physical integration, this paper, based on the view of complex systems, constructs an analysis framework of "digital foundation-digital industry-digital finance-industrial structure-industrial agglomeration-industrial chain modernization" for digital-physical integration. It uses the dynamic qualitative comparative analysis method to analyze and reveal the relationship between the path evolution of digital-physical integration and the emergence of new quality productive forces in the case of 30 provinces, autonomous regions, and municipalities across China from 2013 to 2022.
The research results show that (1) neither the digital economy nor the real economy possesses a single, indispensable condition for fostering high new quality productive forces. (2) In the aggregated configuration analysis, there are mainly three constituting pathways, namely, digital finance empowerment type, full-chain digital upgrade type, and high-tech industry agglomeration type. (3) A comparison of the configuration results indicates that a robust digital foundation and a thriving digital industry are pivotal in catalyzing new quality productive forces during digital-physical integration, whereas digital finance and industrial agglomeration exhibit a substitutable relationship. (4) The inter-group analysis shows that the aggregated configuration has a temporal universality, while the formation of new quality productive forces has undergone an evolutionary process from high-tech industry agglomeration-oriented to digital finance empowerment-oriented and further differentiation. (5) The intra-group analysis indicates that the formation of new quality productive forces requires tailored development, and the agglomeration-oriented configuration of high-tech industries is suitable for areas where the industrial chain is not yet fully developed, while areas with better digital finance development are more poised to cultivate new quality productive forces.
This paper establishes an analytical framework of "digital economy-real economy" linkage configuration for the emergence of new-quality productive forces, revealing the complex causal relationships behind the emergence of new-quality productive forces. It analyzes the development of new-quality productive forces, which has undergone a transformation from the regulation of a materialized economic system to the regulation of a virtualized economic system. The paper has developed the perspective of complex systems regarding the creation of new technologies.Furthermore, it offers tailored recommendations for enhancing new-quality productive forces, tailored to local contexts, such as bolstering the construction of digital infrastructure and the digital industry, encouraging and supporting the development of digital finance, and accelerating the industrial chain's modernization.
开放科学(资源服务)标识码(OSID)：
2023年9月,习近平总书记在黑龙江考察时强调,“整合科技创新资源,引领发展战略性新兴产业和未来产业,加快形成新质生产力”。新质生产力是由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生的当代先进生产力,它以劳动者、劳动资料、劳动对象及其优化组合的质变为基本内涵,以全要素生产率提升为核心标志[1]。推动新质生产力向好向快发展,是新时代应对全球科技革命和产业变革新挑战、实现中国经济高质量发展的关键一步,同时也向社会生产方式变革与生产关系改革提出了新要求。
数智时代背景下,以大数据、人工智能、区块链等为代表的数字技术对实体经济的浸润催生了智能制造、数字化农业、远程医疗等新模式新业态,不仅改变了传统产业生产和经营方式,也促进新产业的兴起和成长。数字经济与实体经济融合成为新质生产力发展的重要系统性阵地和战略性动力[2]。然而,基础设施滞后、区域发展不均衡等问题制约着数实融合对新质生产力发展的推动作用,如何以发展新质生产力为目标进一步推动数字经济与实体经济融合,是当前亟待解决的关键问题。
已有研究对数实融合与新质生产力内在关系及影响因素展开系列探讨,认为数实融合与新质生产力发展均以数字化为发展趋势,以新业态为表现形式,具备内在一致性,数实融合能推动产业升级、提升企业生产效率进而促进新质生产力发展[2-3]。在数实融合过程中形成的“四链”融合、数据要素供给、数字普惠金融、新兴支柱产业对新质生产力的形成起重要推动作用[4-9]。
上述研究从不同理论角度探讨数实融合对新质生产力的推动作用,但存在如下不足:一方面,新质生产力已经不像传统生产力那样仅由几个生产力要素组合形成,而是由众多经济技术因素组成的复杂系统[10]。单一因素无法诠释新质生产力发展的复杂驱动机制,需进一步将视域拓宽至更全面的解释视角;另一方面,新质生产力发展需充分考虑本地资源禀赋、产业基础、科研条件等,单一路径无法指导各区域因地制宜地选择发展新动能,需进一步根据实际情况探究多元化发展路径[11],但目前鲜有研究从实证角度关注数实融合系统性演进对新质生产力的增质性影响。
本研究基于复杂系统观,从数字经济与实体经济深度融合演化视角透视新质生产力的发展逻辑,旨在探讨数实融合与新质生产力的复杂因果关系,挖掘数实融合演进过程中驱动新质生产力发展的主要路径。考虑到数实融合各要素的复杂交互效应,借助动态定性比较分析(Dynamic QCA)方法揭示时间纵轴上前因变量的组态演化过程(Camino等,2016),以便能够更好地剖析新质生产力发展的多重路径[12]。鉴于此,本文选取中国内地30个省市自治区(由于西藏地区数据不全,故未纳入统计)作为研究样本,探讨多重影响因素及其组合影响机制如何驱动区域新质生产力发展。本文通过系统分析数实融合引导新质生产力发展的内在机制,有助于拓展复杂系统观在数实融合领域的应用,并为培养新质生产力、实现区域经济高质量发展提供决策参考。
复杂系统观强调技术不是静态的,而是不断演化的[13]。该演化过程的产生是因为市场主体之间存在高度关联,而经济活动本身又缺乏明确的定义[14]。市场主体间存在密切的相互联系与高度互动,它们在竞争与合作中相互协调、彼此适应。当面临经济系统中普遍存在的定义模糊性挑战时,市场主体通过深入学习、精细调整并审慎选择合适的应对措施来探索多元化解决方案,以精准应对复杂多变的新环境[14]。因此,经济系统会自发推动生产力发展。
不同于传统经济学收益递减的假设,复杂系统观认为技术演化通过正反馈机制(如网络效应和规模经济)得到自我强化(布莱恩·阿瑟,2018)。因此,经济系统中的生产力会不断发展[15]。在一般市场中,技术领先者会优先锁定市场,以较低成本获取李嘉图租金,从而进一步扩大自身规模和市场规模以争取更多收益。而其他市场主体为争夺李嘉图租金,会自发采取模仿战略,并倒逼技术领先者不断采取创新行为以维持自身市场竞争优势。因此,经济系统中的市场主体在收益递增的作用下会推进生产力发展。
复杂系统观进一步指出,新技术的出现和现有技术组合推动创新发展,并进一步促进生产力提升[15]。该过程被描述为:旧有技术通过组合涌现出新技术,以新技术为生产方式涌现出围绕该技术的经济系统,而经济系统进一步引导既有技术不断组合形成更新的技术。由于最初创新往往发生在现有知识的边缘,因此这些边缘区域有可能成为新思想和新技术的孵化器[13]。技术组合的发生是由于个体之间形成了交互网络,这些网络不仅能促进信息传播,也有可能形成正反馈循环,其中成功的技术或实践被广泛采纳,从而能够提高整个系统的生产力。复杂系统的行为往往是非线性的,小的变化可通过系统交互结构被放大,从而促进生产力显著提升[13]。
综上所述,复杂系统观将生产力涌现机制描述为系统的自我更新过程。生产力发展是复杂系统中自发涌现的现象,市场主体之间的不断交互是生产力发展的核心来源,该理论对理解数实融合作为经济系统,如何推动新质生产力发展具有作用。
1.2.1 数实融合与新质生产力
数字技术革命是培育和发展新质生产力的关键窗口。推动数字经济与实体经济融合是我国实现产业转型升级进而推动智能产业体系发展的重要抓手与契机,为新质生产力发展提供了结构性载体[11]。
从生产力基本要素角度看,数实融合通过数字化手段对生产力的基本要素——劳动者、劳动资料、劳动对象进行质性重塑。第一,数字经济与实体经济深度融合能够大幅提升劳动者知识和技能水平,创新劳动者工作方式,增强劳动者决策能力[16]。第二,数字经济与实体经济融合能更新劳动资料。实体产业技术通过吸收数字产业技术,能提高生产过程的智能化、精准化水平,发挥实体产业“干中学”效应积累丰富的融合经验,从而提高企业对融合技术的吸纳和应用效率[17]。第三,数字经济与实体经济融合使得数据要素成为新型劳动对象,从而推动技术创新和劳动对象非物质化演进,节约产业在创意生成、研发设计、技术试验等创新环节的搜寻成本,提高产业知识整合与技术研发效率[18]。
从生产关系变革角度看,数实融合作为生产关系的变革,可为新质生产力的生成减少障碍因素。第一,从宏观层面看,数实融合通过强化数字基础设施建设、优化数字社会治理效能、完善数字化创新体制机制,推动国家治理体系和治理能力现代化,为新质生产力涌现提供稳定的环境保障和制度保障[3]。第二,从中观层面看,数实融合引领传统产业向数字化、智能化方向转型升级,同时借助数字产业化进程,构建开放包容、协同共进的数字产业链生态系统,实现产业数字化与数字产业化的双向深度融合[19]。第三,从微观层面看,数实融合着力于提升企业全要素生产率,通过不断发展数字技术优化资源配置,并通过数智化赋能带动企业组织架构、管理模式革新升级,从而全方位实现企业内部资源高效利用和创新潜能释放[20]。
综上所述,数实融合通过促进生产力要素的数字化转型,推动国家治理、产业发展和企业创新的全方位数字化,共同赋能新质生产力生成。这一过程涉及技术创新、制度创新、组织创新和模式创新,是推动经济社会高质量发展的重要途径。
1.2.2 理论框架
基于复杂系统观,一方面,数字经济与实体经济之间的关系是典型的生产关系,会反作用于新质生产力发展。另一方面,数字经济与实体经济融合是技术组合产生的关键,数字经济和实体经济市场主体面临经济不确定性时所采取的差异化措施对新质生产力发展起重要推动作用。基于此,本文从数字经济和实体经济两个角度选择代表性变量,分析数字经济和实体经济融合如何影响新质生产力涌现。参考王军[21]对数字经济的划分,从数字基础、数字产业和数字金融3个方面进行分析;参考田秀娟(2022)的研究,认为数字技术赋能实体经济产业发展主要体现在产业结构转型升级上,因此本研究从区域产业发展角度对实体经济展开讨论,主要包括区域产业空间结构、区域产业类型结构和产业链建设情况。
综上所述,本文构建理论框架,如图1所示。
图1 数实融合中新质生产力涌现机制
Fig.1 Emergence mechanism of new quality productive forces in the integration of digital economy and real economy
数字经济与实体经济深度融合会改造经济结构中的组织、制度、需求等因素,重塑系统结构,从而催动出新质生产力。本文基于数字经济形态和实体经济载体差异,认为数实融合与新质生产力发展存在3种可能的形式。
(1)全链路数字化升级。该形式以数字经济与链式产业组织形式的耦合为表征。作为一种全新的“技术—经济”范式,数字经济对传统产业生产组织方式产生了巨大影响。实体经济产业链受以电子交易平台和直播电商为代表的数字经济的冲击,与数字技术、新生产组织形式相互磨合、最终耦合。大数据、云计算与人工智能技术的深入应用对产业链各个环节进行深度改造和升级,实现机器换人、工厂互联和智能制造的转型。这一变革促使传统产业链从线性和树形结构向网状结构转变,显著提升实体经济产业链的安全性和稳定性,有助于研发资源汇聚、数据高效交互以及新产品加速涌现。通过降低产业成本、提升运营效率以及激发创新活力,产业链中的关键堵点和瓶颈得以有效疏通,逐步突破产业链关键环节核心技术瓶颈,促进新质生产力加速形成。
(2)产业集群数字化转型。该形式以数字经济与集群式产业组织载体融合为表征。由于部分地区产业链尚不健全,产业集群数字化通过对产业链进行散点解构,形成以各空间焦点为核心的数字化独立产业生态。数字经济与传统产业集群的有机结合推动传统产业数字化与智能化转型,促使传统产业由劳动密集型向数字密集型转变。围绕数字化技术,服务商、软件开发者、产业服务平台、工业互联网平台等进行生态共建,加强多方协同,通过数字技术实现产业集群内部资源整合和外部专业资源链接。可见,产业集群数字化转型能增强专业化集聚的内部互动与多样化集聚的跨领域联通,提升产业集群主体创新效率,促进新质生产力涌现。
(3)金融链产业链融合。该形式以数字金融与实体经济产业链嵌合为表征。新质生产力的产生既是系统层面自然涌现的结果,也是市场主体主观创新的集合。创新需要资金支持,稳定的融资渠道是影响产业链创新发展的重要因素。金融链与实体经济产业链相互嵌合能够缓解资金供求双方的信息不对称,减少逆向选择和道德风险问题。通过发挥“认证效应”,数字金融为资金来源方传递关于创新项目质量优良的信号,对产业链项目技术信息起到认证作用。因此,数字金融与产业链之间的嵌合释放了资源协同效应,有利于促进新质生产力发展。
定性比较分析(QCA)基于集合论,将案例视为条件变量的组态,通过识别不同案例的必要性条件和充分性条件解释复杂系统中相互依赖因素的交互作用,是识别系统多元路径的重要方法,适用于数字经济与实体经济两个异质性经济系统交互影响新质生产力发展的复杂性系统研究。然而,一般意义上的QCA多用于分析截面数据,难以更好地理解因果关系随时间演变以及在不同时间节点或不同时间段内导致结果变化的原因。新质生产力发展是一个发生在时间轴上的连续事件,单独截面组态不足以阐释因果与时间的互动关系。因此,本研究采用动态QCA分析,参照Garcia-Castro等(2016)提出的相关理论及方法,利用R语言“QCA”包和“SetMethods”包分析时间效应下的组态关系。不同于传统QCA,动态QCA从汇总、组间、组内3个维度展开分析,重点关注一致性水平,即条件集合与结果集合之间的包含关系,评估案例之间的共同点和差异[12]。
本文基础数据来源于2013—2022年《中国统计年鉴》《中国电力统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》和各省统计年鉴等,少量缺失数据采用历年数据均值法或差值法补齐。由于2017年《中国高技术产业统计年鉴》存在大量缺失数据,故本次研究未将2017年各省份情况纳入案例样本。
(1)结果变量:新质生产力。本研究参考韩文龙等[22]构建的省级新质生产力指标,从实体性要素和渗透性要素两个角度进行测算,具体如表1所示。
表1 新质生产力测算指标体系
Table 1 Measurement index system of new quality productivity forces
维度 构成要素 分项指标 实体性要素 新劳动者 高新技术企业研发人员人数 新劳动资料 机器人安装密度 集成电路数 5G 移动用户 新劳动对象 新能源发电比重 新能源利用效率 新材料产值 新材料企业数 渗透性要素 新技术 高新技术企业研发经费 高新技术企业研发机构数 高新技术企业发明专利数 高新技术企业新产品销售收入 生产组织 有电子商务交易的企业数 人工智能企业数 工业污染治理完成投资额 数据要素 移动互联网接入流量
(2)前因变量。本文参考王军等[21]对数字经济的衡量维度,构建数字经济3个前因变量评价指标体系,使用熵权法进行合成。①数字基础:本文选取省内域名数、IPV4个数、互联网接入端口数、移动电话普及率、单位面积长途光缆长度5个指标衡量;②数字产业:选取信息化企业数、每百家企业拥有网站数、电子商务交易额(亿元)、软件业务收入(万元)4个指标衡量;③数字金融:使用郭峰等(2020)构建的数字金融覆盖广度指数、数字金融使用深度指数、数字金融数字化程度3个指标衡量;④产业结构:参考付凌晖(2010)的研究对产业结构进行测度,通过计算低层次产业与高层次产业间的空间向量夹角余弦值反映产业结构高级化,其值越大,说明第二三产业占比越高[23];⑤产业集聚:反映产业空间分布情况,借鉴王林辉(2022)对企业地理格局的测算方法,运用区位熵计算产业空间分布,其值越大表明产业集聚度越高[24];⑥产业链现代化:参考张虎[25]的研究,由于产业链现代化在某些含义上代表产业链数字化,因此剔除其中与数字经济相关的内容,主要选取产业链基础、产业链创新、产业链协同等内容对产业链现代化进行评价,包括货物周转量、规模以上工业企业R&D人员全时当量、战略性新兴产业主营业务收入、规模以上工业企业营业收入利润率、制造业与生产性服务业协同集聚EG指数、单位地区生产总值能耗、单位工业增加值二氧化硫排放等。
本文在现有理论及之前学者研究的基础上,对数据进行统一校准,以便后续分析组内、组间及整体一致性与覆盖度[26]。根据本次变量的数值特点,采用直接校准法,将90%分位数、50%分位数、10%分位数设为校准锚点,分别代表完全隶属、交叉点、完全不隶属,具体校准结果如表2所示。
表2 变量校准
Table 2 Variable calibration results
变量名称 校准 完全隶属 交叉点 完全不隶属 结果变量 新质生产力 0.291296 0.074196 0.022211 条件变量 数字基础 0.435731 0.214172 0.139201 数字产业 0.371475 0.180523 0.109841 数字金融 0.821193 0.61095 0.374262 产业结构 5.455132 5.310259 5.198703 产业聚集 1.140202 0.991287 0.720189 产业链现代化 0.313474 0.195459 0.141772
必要条件分析判断标准是当一致性水平高于0.9时,则该条件变量可视为结果变量的必要条件。在QCA面板数据分析中,当组间调整距离小于0.2时,汇总一致性精确度较高,可作为判断依据。当调整距离大于0.2时,需要研究者进一步探究其必要性[27-28]。此次分析结果如表3所示,可见所有条件变量的汇总一致性均小于0.9,表明这些因素均非结果变量的必要条件。为检查上述结果的稳定性,需调整一致性距离,其中数字基础、数字金融和产业结构3个变量的组间调整距离大于0.2,逐年查看其一致性水平发现3个变量组间调整距离过大,其一致性水平在2013年均在0.1左右,而到2022年接近0.9,说明其并非必要条件。
表3 必要性分析结果
Table 3 Necessity analysis
变量 高新质生产力 汇总 一致性 汇总 覆盖度 组间 一致性距离 组内 一致性距离 低新质生产力 汇总 一致性 汇总 覆盖度 组间 一致性距离 组内 一致性距离 高数字基础 0.813 0.808 0.231 0.143 0.442 0.504 0.545 0.336 低数字基础 0.501 0.439 0.221 0.318 0.832 0.836 0.210 0.146 高数字产业 0.860 0.839 0.114 0.186 0.445 0.508 0.255 0.361 低数字产业 0.496 0.442 0.141 0.329 0.856 0.875 0.083 0.136 高数字金融 0.691 0.624 0.600 0.111 0.568 0.588 0.669 0.179 低数字金融 0.544 0.523 0.703 0.211 0.637 0.703 0.614 0.129 高产业结构 0.633 0.602 0.279 0.254 0.56 0.611 0.334 0.336 低产业结构 0.591 0.539 0.352 0.279 0.636 0.665 0.352 0.246 高产业聚集 0.679 0.667 0.031 0.293 0.522 0.588 0.100 0.368 低产业聚集 0.580 0.514 0.062 0.325 0.704 0.716 0.090 0.239 高产业链现代化 0.822 0.823 0.197 0.154 0.438 0.503 0.386 0.371 低产业链现代化 0.504 0.439 0.207 0.325 0.846 0.845 0.128 0.168
组态分析是QCA方法的核心部分,主要用于分析不同条件组合如何共同作用产生特定的结果。参考任相伟等[29]、Navarro等[30]的研究,在真值表构建过程中,本文选取一致性阈值为0.8,频数阈值为1,PRI阈值为0.6,最终涵盖270个案例。构建真值表后进入强化标准分析阶段,在反事实分析部分先将矛盾简化假设排除,由于不同省份间特质差异较大,前因条件对结果的作用难以统一判断,所以不进行方向预设,全部选择“存在或缺失”,最终得到增强型的简单解、中间解、复杂解。本文以增强型中间解为主,辅助增强型的简约解,找到核心条件和边缘条件。表4呈现了此次整体组态分析结果,共包含3种组态,进一步提炼为3种模型,即数字金融驱动型(H1a)、全链路数字化升级型(H1b)和高技术产业集聚型(H2)。
表4 实现高/非高新质生产力的组态路径
Table 4 Configurations for achieving high/non-high quality productivity forces
前 因 变 量 组 态 高 新 质 生 产 力 H 1 a H 1 b H 2 非 高 新 质 生 产 力 N 1 N 2 N 3 数 字 基 础 ● ● ● 数 字 产 业 ● ● ● 数 字 金 融 ● 产 业 结 构 ● 产 业 聚 集 ● 产 业 链 现 代 化 ● ● 一 致 性 0 . 9 2 9 0 . 8 8 5 0 . 9 1 9 0 . 9 3 8 0 . 9 0 5 0 . 9 6 2 P R I 0 . 8 1 8 0 . 7 3 6 0 . 8 0 4 0 . 8 9 3 0 . 8 4 7 0 . 9 2 6 原 始 覆 盖 度 0 . 5 9 6 0 . 4 0 1 0 . 3 0 4 0 . 5 3 7 0 . 7 6 0 0 . 3 2 1 唯 一 覆 盖 度 0 . 1 9 7 0 . 0 2 1 0 . 0 6 0 0 . 0 5 4 0 . 2 7 7 0 . 0 1 5 组 间 一 致 性 调 整 距 离 0 . 1 1 3 0 . 1 3 8 0 . 1 2 0 0 . 0 4 4 0 . 0 7 6 0 . 0 3 6 组 内 一 致 性 调 整 距 离 0 . 2 1 9 0 . 2 3 0 0 . 1 6 1 0 . 2 7 0 0 . 2 8 8 0 . 2 6 5 整 体 一 致 性 0 . 9 0 1 0 . 8 9 7 整 体 P R I 0 . 8 1 8 0 . 8 3 7 整 体 覆 盖 度 0 . 5 9 6 0 . 8 2 9
注:●表示核心条件存在;⊗表示核心条件缺失;●表示边缘条件存在;⊗表示边缘条件缺失;下同
3.2.1 汇总结果分析
由表4结果可知,产生高新质生产力整体解的汇总一致性为0.901,大于0.75,且单个组态的组间一致性调整距离均低于0.2,组内一致性调整距离最高为0.230,表明汇总一致性具有较好的解释力,3类组态是产生高新质生产力的充分条件。组态H1a与组态H1b以高数字基础、高数字产业和高产业链现代化为核心条件,构成二阶等价组态(杜运周,2022),反映实体经济的产业链数字化。其中,数字金融驱动型(H1a)以数字金融为边缘条件,在该组态中,无论产业类型结构还是空间结构都能够较好地涌现出新质生产力。组态全链路数字化升级型结果(H1b)显示,当以高数字基础、高数字产业和高产业链现代化为核心条件、非高产业聚集为边缘条件时,数字金融和产业类型结构无论如何变化都不能影响新质生产力的形成。组态高技术产业集聚型结果(H2)表明,当以高数字基础、高数字产业和非高数字金融为核心条件、高产业结构和高产业聚集为边缘条件时,无论产业链建设情况如何,均能产生高新质生产力。接下来,就各组态进行具体分析和比较分析。
组态H1a为3类组态中唯一以高数字金融为存在条件的组态,本文将其命名为数字金融驱动型。该组态表明,当一个区域数字基础设施、数字产业和产业链现代化达到较高水平时,数字金融的辅助作用可进一步推动新质生产力创新和发展。金融作为科技创新的关键驱动力量,对于新质生产力培育和形成起至关重要的作用[7]。新技术往往具有高风险、高投资和长周期特征,金融支持尤为迫切和重要。作为数字经济的代表,数字金融能够有效校正非效率投资、驱动企业技术创新(唐松等,2020),并优化技能劳动力结构[31],从而促进新质生产力的形成。数字经济和实体经济融合发展需要数字金融引导各类资源在各部门间的配置,其与数字基础、数字产业和现代化产业链的结合放大了各核心要素对新质生产力的催动机制。
组态H1b为全链路数字化升级型。该组态表明,在数字经济赋能下,实体经济产业链升级对催生新质生产力起关键作用。在这一过程中,以机械为劳动资料的传统模式正在向以智能系统为核心的模式转变。这些智能系统包括智能算法、人工智能、虚拟现实设备和自动化制造设备等,已经成为产业链中不可或缺的劳动工具,它们具备自主决策和协作能力,能够提高生产效率和质量[4]。同时,数据资源作为可循环使用的关键要素,已成为产业链中非物质形态的劳动对象。数据深度挖掘和智能化处理为产业链优化升级提供了强大的信息支持和决策依据,这种转变促进数字产业化和产业数字化发展,不仅推动新产业、新业态形成,也加速了新质生产力发展[4]。
组态H1a与组态H1b均体现为产业链的数字化转型,尤其是有形的数字要素与实体经济产业链的交融。数字产业化协同下的产业链数字化强调利用数字技术优化实体经济产业链中各经营主体的经营管理活动[3],立足于数字技术的信息融通和竞合战略有助于产业链中形成以创新为核心的“链主”企业。产业链“链主”作为产业链核心企业,利用当地发达的数字基础与数字产业,牵引链上企业开展开放式创新,形成全员参与的创新生态,最终推动新质生产力发展。如上海牵头的“全长三角造”计划,其中机器人产业链以新时达机器人为链主,充分发挥周边数字产业发展优势,形成国家级人形机器人制造业创新中心。
组态H2为高技术产业集聚型。在该类组态中,产业类型结构偏向于第二第三产业,产业空间结构偏向于产业集聚,同时还存在较为深厚的数字化产业基础。这表明,即使在数字金融不发达情况下,产业结构和产业聚集也有可能推动新质生产力发展。产业结构高级化表明资本和技术密集型产业占比较高,该类产业往往伴随着较高的创新能力。此类产业产生的集聚效应往往被视为区域创新的加速器,也是新质生产力产生的摇篮。通过促进产业内知识溢出和互动,产业集聚可加速同类产业创新思想传播、交流和完善,推动区域新质生产力快速增长[32]。
通过组态共性分析可知,数字基础和数字产业是数实融合过程中产生新质生产力的关键因素。两者将数据资源接入、存储、计算、管理、开发和使能,数字经济主体和实体经济主体借助数字基础设施处理数据资源、数据信息,能降低区域学习成本和交易成本,为区域新质生产力的形成提供物质基础,解决数字孤岛林立的痛点,提高区域创新的链式反应能力。
通过对比组态数字金融驱动型(H1a)与全链路数字化升级型(H1b)可进一步得出组态间的潜在互补关系。组态数字金融驱动型(H1a)和全链路数字化升级型(H1b)均以高数字基础、高数字产业和高产业链现代化为核心条件,不同之处在于数字金融驱动型(H1a)以数字金融为边缘条件,而全链路数字化升级型(H1b)则以非产业集聚为边缘条件。这在一定程度上表现为组态数字金融驱动型(H1a)与全链路数字化升级型之间(H1b)的互补关系,即当区域数字金融发展水平较低时,可通过升级实体经济产业空间布局结构来发展新质生产力,该观点将会在后续组内分析中得到进一步验证。
通过对比组态高技术产业集聚型(H2)与数字金融驱动型(H1a)、全链路数字化升级型(H1b)可进一步得出组态间的时序演化关系。组态高技术产业集聚型(H2)的核心案例主要集中在2013—2016年,表明数实融合促使新质生产力涌现的机制经历了由高技术产业集聚型(H2)向数字金融驱动型(H1a)和全链路数字化升级型(H1b)分化的过程。数字金融驱动型(H1a)、全链路数字化升级型(H1b)与高技术产业集聚型(H2)的差异主要体现在以下3个方面:第一,产业链现代化的重要性逐步凸显。数字金融驱动型(H1a)和全链路数字化升级型(H1b)均以产业链现代化为核心条件,表明数实融合实践逐步从产业集群延伸至产业链。产业链现代化能够产生源头技术、实现产业升级、构建产业生态,不仅涉及技术层面的创新和应用,还包括产业组织方式变革、产业链全球竞争力提升等多个方面,是推动新质生产力形成的重要途径。第二,数字金融的辅助作用开始凸显。高技术产业集聚型(H2)中数字金融作为核心条件缺失,而数字金融驱动型(H1a)中数字金融则作为边缘条件显现。数字金融能提供更便捷的金融服务,降低交易成本,促进资本流动,从而间接支持创新和新质生产力发展。第三,产业集聚的效应式微。在高技术产业集聚型(H2)中产业集聚为边缘条件,但其在数字金融驱动型(H1a)和全链路数字化升级型(H1b)中均不存在。这表明,即使没有高度的产业集聚,也能实现新质生产力发展。由于数字技术和现代化物流发展降低了地理集聚的必要性,使得分散企业和组织通过网络平台进行创新与合作成为可能。
3.2.2 组间结果分析
(1)一般适用性。3个组态的组间一致性调整距离均未大于0.2,除数字金融驱动型组态略有波动外,其余组态基本平稳,表明不存在显著时间效应,所以本文研究结果对于常态下新质生产力形成具有较强的适用性。此外,高技术产业集聚型(H2)一致性降幅显著高于全链路数字化升级型(H1b),在一定程度上回应了前文所述,即高技术产业集聚型(H2)向数字金融驱动型(H1a)和全链路数字化升级型(H1b)演化的观点,组间一致性结果如表5和图2所示。
表5 组间一致性水平检验结果
Table 5 Consistency between groups
年份 数字金融 驱动型(H1a) 全链路数字化 升级型(H1b) 高技术产业 集聚型(H2) 2013 0.992 0.997 0.999 2014 0.989 0.995 0.997 2015 0.997 1.000 1.000 2016 0.980 0.987 0.985 2018 0.934 0.957 0.940 2019 0.920 0.964 0.946 2020 0.950 0.961 0.926 2021 0.928 0.960 0.894 2022 0.846 0.926 0.925
图2 组间一致性水平
Fig.2 Inter-groups consistency
(2)组态演化关系。虽然所有组态的一致性水平均高于基本阈值,符合一般性适用标准,但在2018年开始有所降低。为在一般规律中寻找矛盾特殊性,进一步验证数实融合的演化规律,将样本缩减为2018—2022年,验证2018年以后实现高新质生产力的组态与一般适用性组态间的差异和联系。由表6结果可知,2018年以后产生高新质生产力整体解的汇总一致性为0.903,大于0.75,且单个组态的组间一致性调整距离均低于0.2,表明汇总一致性具有较强的解释力,两类组态是产生高新质生产力的充分条件。
表6 2018年以后实现高新质生产力的组态路径
Table 6 Configurations for achieving high quality productivity forces after 2018
前因变量 组态 高新质生产力 数字金融 驱动型I型 H3 数字金融 驱动型II型 H3 数字基础 ● ● 数字产业 ● ● 数字金融 ● ● 产业结构 产业聚集 ● 产业链现代化 ● ● 一致性 0.903 0.955 PRI 0.811 0.903 原始覆盖度 0.643 0.586 唯一覆盖度 0.243 0.187 组间一致性调整距离 0.172 0.077 整体一致性 0.903 整体 PRI 0.811 整体覆盖度 0.643
表6结果呈现两种组态,其中H3以数字产业、产业集聚和产业链现代化为核心条件,H4以数字基础、数字产业、非高产业结构和产业链现代化为核心条件。2018年以后不存在不以产业链现代化为核心条件的组态,即产业链现代化完全成为核心条件,这符合前期对高技术产业集聚型(H2)向数字金融驱动型(H1a)和全链路数字化升级型(H1b)演化的基本判断。通过对比数字金融驱动型(H1a)与H1、H2可进一步发现,数字金融驱动型(H1a)由组态H3和组态H4组成,即产业结构与产业集聚存在与否并不影响新质生产力的形成。这意味着,数实融合形成新质生产力的组态演化与分化过程是由高技术产业集聚型(H2)演进至数字金融驱动型推动的(H1a),并进一步分化为H3和H4的结果。因此,将H3与H4分别命名为数字金融驱动I型和数字金融驱动Ⅱ型。H3与H4间的替代关系可理解为数字基础和产业聚集融合对产业结构的替代。
3.2.3 组内分析
发展新质生产力要遵循因地制宜的原则。组内一致性距离反映各组态解释力度是否存在个体(集群)效应。数字金融驱动型(H1)和全链路数字化升级型(H2)组内一致性距离大于0.2,说明上述两类组态在相应省份中存在差异,需要展开进一步分析,验证新质生产力涌现机制是否符合当地数实融合的资源禀赋。
(1)组态一致性分布。如图3所示,通过绘制3种组态在各省份的一致性分布可以看出,海南、贵州两地更适合以高技术产业集聚型的发展方式形成新质生产力,而宁夏、青海两地尚无通过数实融合形成新质生产力的适宜路径。这是因为,海南、贵州两地不具备厚实的制造业产业链基础,但数字经济的迅猛发展为其打造了独特的新兴产业集群优势。两地依靠独特的政策资源优势和地理资源优势大力发展数字经济,成为近年来数字经济发展势头较猛的地区。海南大力打造大数据、区块链人才培养基地,同时以“一本三基四梁八柱”战略框架为指引,大力发展数字经济,加快智慧海南建设。自2011年起,海南专利授权总量10年增长了17倍,技术合同交易额增长了8.2倍。贵州数字经济发展连续7年位居全国首位,建设了国家首个大数据综合实验区。贵州省地域安全、电力资源充足,吸引了大量大数据中心前来落户,为贵州省技术研发与创新带来了活力。
图3 组内一致性水平
Fig.3 Inter-groups consistency
(2)组态内案例分析。通过数字金融驱动型(H1a)和全链路数字化升级型(H1b)案例可以得出,数字金融驱动型(H1a)案例覆盖全链路数字化升级型(H1b)案例的80.92%,且未覆盖案例为已覆盖省份的早期年份。这进一步说明数字金融对产业集聚的互补作用,尽管全链路数字化升级型(H1b)中未将数字金融作为核心条件或边缘条件,但该组态区域多为金融业发展较为发达地区,如上海、重庆、安徽等省市,为其新质生产力的形成提供了关键助力。
本文从复杂系统观切入,以2013—2022年中国内地30个省市自治区为研究案例,从数字经济和实体经济两个维度构建数实融合驱动新质生产力发展的组态研究框架,采用动态fsQCA方法探究数实融合路径演化与新质生产力涌现之间的关系,得出以下结论:
(1)数字经济与实体经济中并没有单个条件成为高新质生产力发展的必要条件。新质生产力发展是数字经济与实体经济相互融合、共同作用的结果。
(2)在汇总组态分析中主要有3条构成路径。其一为数字金融赋能型,特点是以产业链现代化与数字基础数字产业为核心条件,联同较高的数字金融水平,共同推动新质生产力形成;其二为全链路数字化升级型,特点是以数字化赋能产业链现代化从而形成新质生产力;其三为高技术产业集聚型,在高数字基础及高数字产业情况下,以产业集聚为数实融合载体。
(3)组态对比分析结果显示,数字基础和数字产业是通过数实融合发展新质生产力的关键条件,数字金融与产业集聚存在替代效应。
(4)组间分析结果表明,汇总组态具备时序上的普适性,但2017年前后存在明显的组态演化,2013—2016年以高技术产业集聚型为主,2018年以后以数字金融赋能型为主,并根据产业结构和产业聚集度差异进一步分化。
(5)组内分析结果表明,新质生产力的形成需要因地制宜地发展数实融合,产业链尚未健全地区更适合以产业集聚为载体实施数实融合,进而发展新质生产力,而数字金融发展较好地区则更偏向于以全产业链为数实融合载体。
本文理论贡献主要体现在以下3个方面:
(1)借鉴复杂系统观,结合中国实践情境,构建新质生产力涌现的“数字经济—实体经济”联动组态分析框架,涵盖3个一级条件、6个二级条件。该分析框架从数字经济、产业链、产业集群3个方面探究影响因素间的联动匹配关系,揭示新质生产力涌现的复杂因果关系,有助于从新视角理解我国新质生产力涌现的推动因素。
(2)本文在一定程度上发展了复杂系统观的相关观点。复杂系统观认为,新技术创造由结构化的经济系统调节,但未指明什么样的经济系统发挥何种作用。本文进一步得出围绕数字技术形成的经济系统推动新质生产力发展的观点,并分析新质生产力发展经历了由实体化经济系统调节向虚拟化经济系统调节的变革[13]。
(3)将动态QCA方法运用到中国新质生产力发展问题研究中,探索纵向时间维度下的组态效应。以往研究大多运用回归分析法,忽视了复杂的因果依赖关系[7-8]。本文运用动态QCA,分析时间维度下我国新质生产力涌现的驱动因素,同时结合组内和组间分析,探究了不同组态时间序列和区域样本间的异质性。
为更好地因地制宜发展新质生产力,本文提出以下政策建议:
(1)强化数字基础设施与数字产业化建设。制定长期数字基础设施发展规划,提供必要的财政支持和政策激励,促进基础设施建设和升级。加快5G网络部署,支持未来数字经济发展,建设高效能、高环保数据中心,为云计算、大数据分析和人工智能等技术提供强大的计算和存储支持。鼓励数字企业加大研发投入,推动技术创新,提高产品和服务附加值。通过鼓励企业数字化转型、推动传统基础设施数字化改造等措施强化数字设施建设与工业化深度融合,提升实体经济网络化、信息化、智能化水平,驱动生产效率与管理效能双重提升。
(2)鼓励和支持数字金融发展。制定和完善数字金融发展国家战略规划,明确发展目标、重点任务和实施路径。降低数字金融服务门槛,使更多中小企业受益,提高金融服务覆盖面和可获得性。建立健全数据共享机制,促进金融机构与实体经济之间的数据流通,提高数据利用效率。引导金融资源与社会资本、社会需求有效对接,开发适应实体经济需求的金融产品,鼓励金融机构加强与科技企业合作,推动数字金融在制造业、农业等实体经济领域的应用。
(3)深化产业链现代化建设。利用数字技术推动传统产业链转型,构建产业互联网平台,实现产业链各环节的互联互通,促进信息共享和资源整合。利用数字技术对制造业、服务业、农业进行全方位、多角度、全链条改造,大力开拓数字化转型场景,鼓励不同产业之间融合,利用数字技术创造新商业模式和服务模式,开拓新市场空间,不断培育发展新产业新业态新模式。加强基础理论研究和关键核心技术攻关,提升原始创新水平,加快核心技术突破,减少对外依赖。鼓励上下游企业加强合作,增强产业链韧性,提升产业链水平,形成更强创新力和更高附加值的产业链。
本研究存在如下不足:首先,从数字经济和实体经济两个角度进行筛选,虽然包含较多已被检验的变量,但仍有缺失。此次分析框架受限于数据可得性,在实体经济层面未包含企业层面和劳动者层面数据。其次,重点探讨数实融合作为生产关系如何促进新质生产力的形成,对数字经济与实体经济中阻碍新质生产力发展的因素挖掘较少。最后,仅在组内分析的基础上进行定性分析,未像个案研究那样深入开展定性研究,未来需要进一步结合质性访谈和参与观察等,从微观层面揭开影响新质生产力形成的作用机制。
[1] 中央财办有关负责同志详解2023年中央经济工作会议精神[N]. 人民日报, 2023-12-08.
[2] 张姣玉,徐政,丁守海. 数实深度融合与新质生产力交互的逻辑机理、战略价值与实践路径[J]. 北京工业大学学报(社会科学版), 2024, 24(3): 114-124.
[3] 卢鹏.数实融合驱动新质生产力涌现的逻辑与实践进路[J/OL].电子政务:1-11[2024-05-13].http://kns.cnki.net/kcms/detail/11.5181.TP.20240422.0908.002.html.
[4] 张志鑫,郑晓明,钱晨.“四链”融合赋能新质生产力:内在逻辑和实践路径[J/OL].山东大学学报(哲学社会科学版):1-12[2024-05-13].http://kns.cnki.net/kcms/detail /37.1100.C.20240320.0940.002.html.
[5] 张夏恒,刘彩霞.数据要素推进新质生产力实现的内在机制与路径研究[J/OL].产业经济评论:1-21[2024-05-13].https://doi.org/10.19313/j.cnki.cn10-1223/f.20240313.002.
[6] 周文, 许凌云. 论新质生产力:内涵特征与重要着力点[J]. 改革, 2023,36(10): 1-13.
[7] 杨秋菊,王文福. 数字普惠金融、新质生产力与城乡共同富裕 [J]. 中国流通经济, 2024, 38 (6): 115-126.
[8] 孙献贞,李言,高雨晨. 数字普惠金融发展与企业新质生产力 [J/OL]. 兰州学刊, 1-13[2024-06-20]. http://kns.cnki.net/kcms/detail/62.1015.C.20240615.2141.002.html.
[9] 刘志彪,凌永辉,孙瑞东. 新型支柱产业:发展新质生产力的主阵地与政策选择 [J/OL]. 山东大学学报(哲学社会科学版), 1-14[2024-06-20]. http://kns.cnki.net/kcms/detail/37.1100.C.20240607.1643.018.html.
[10] 任保平. 生产力现代化转型形成新质生产力的逻辑[J]. 经济研究, 2024, 59(3): 12-19.
[11] 黄群慧, 盛方富. 新质生产力系统:要素特质、结构承载与功能取向[J]. 改革, 2024,37(2): 15-24.
[12] IESE BUSINESS SCHOOL, CAMINO DEL CERRO DEL AGUILA, MADRID, et al. A general approach to panel data set-theoretic research[J]. Journal of Management and Decision Making, 2016, 1(1): 11-41.
[13] ARTHUR W B. Foundations of complexity economics[J]. Nature Reviews Physics, 2021, 3(2): 136-145.
[14] 杜运周, 刘秋辰, 陈凯薇, 等. 营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J]. 管理世界, 2022, 38(9): 127-145.
[15] 布莱恩·阿瑟. 复杂经济学[M]. 杭州:浙江人民出版社, 2018.
[16] SOUSA M J, ROCHA A. Skills for disruptive digital business[J]. Journal of Business Research, 2019, 94: 257-263.
[17] 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.
[18] 黄先海, 高亚兴. 数实产业技术融合与企业全要素生产率——基于中国企业专利信息的研究[J]. 中国工业经济, 2023,41(11): 118-136.
[19] PARK Y, PAVLOU P A, SARAF N. Configurations for achieving organizational ambidexterity with digitization[J]. Information Systems Research, 2020, 31(4): 1376-1397.
[20] RADICIC D, PETKOVIC S. Impact of digitalization on technological innovations in small and medium-sized enterprises (SMEs)[J]. Technological Forecasting and Social Change, 2023, 191: 122474.
[21] 王军, 朱杰, 罗茜. 中国数字经济发展水平及演变测度[J]. 数量经济技术经济研究, 2021, 38(7): 26-42.
[22] 韩文龙,张瑞生,赵峰.新质生产力水平测算与中国经济增长新动能[J].数量经济技术经济研究,2024,41(6):5-25.
[23] 付凌晖. 我国产业结构高级化与经济增长关系的实证研究[J]. 统计研究, 2010, 27(8): 79-81.
[24] 王林辉, 姜昊, 董直庆. 工业智能化会重塑企业地理格局吗[J]. 中国工业经济, 2022,40(2): 137-155.
[25] 张虎, 张毅, 韩爱华. 我国产业链现代化的测度研究[J]. 统计研究, 2022, 39(11): 3-18.
[26] PAPPAS I O. Fuzzy-set Qualitative Comparative Analysis (fsQCA): guidelines for research practice in information systems and marketing[J]. International Journal of Information Management, 2021, 58: 102310.
[27] 荆玲玲,黄慧丽. 时空双维下数字创新生态系统对区域创新能力的激发与影响研究——基于省域面板数据的动态QCA分析 [J/OL]. 科技进步与对策, 1-11[2024-06-20]. http://kns.cnki.net/kcms/detail/42.1224.G3.20240112.1408.012.html.
[28] 张吉昌,龙静,王泽民. 什么样的制度环境有利于产生高创业活跃度——基于省域面板数据的动态QCA分析 [J/OL]. 科技进步与对策, 1-13[2024-06-20]. http://kns.cnki.net/kcms/detail/42.1224.G3.20231205.2223.016.html.
[29] 任相伟,孙丽文.因情施策:如何激活制造企业多元绿色转型路径——基于模糊集定性比较分析方法的研究[J/OL].科技进步与对策:1-9[2024-06-20].http://kns.cnki.net/kcms/detail/42.1224.G3.20240425.1330.002.html.
[30] NAVARRO S, LLINARES C, GARZON D. Exploring the relationship between co-creation and satisfaction using QCA[J]. Journal of Business Research, 2016, 69(4): 1336-1339.
[31] 胡玥,张涵萌.数字金融发展与企业技能劳动力结构优化[J/OL].外国经济与管理:1-17[2024-05-13].https://doi.org/10.16538/j.cnki.fem.20240331.201.
[32] 徐丹, 于渤. 高技术产业集聚对区域阶段创新绩效的影响研究[J]. 科研管理, 2024, 45(3): 113-121.