The Impact of Digital Intelligence on the Resilience of Innovation Ecosystem:The Perspective of "Local-Neighborhood" Effect

Yang Haochang1,Zhong Yue1,Zhong Shiquan1,Li Lianshui2

(1.School of Economics &Management,Nanchang University,Nanchang 330031,China; 2.China Institute of Manufacturing Development,Nanjing University of Information Science &Technology,Nanjing 210044,China)

Abstract：As China transitions from a stage of high-speed growth to one of high-quality development,the traditional development model driven by factors and investment is becoming increasingly inadequate.The single-handed innovation paradigm also fails to meet the inherent requirements of high-quality economic development.The "innovation ecosystem," characterized by symbiotic cooperation and dynamic evolution among various innovation entities and their interactions with the innovation environment,is gradually emerging as a new paradigm and driving force for promoting high-quality economic development.In this context,digital intelligence,which integrates digitalization and intelligence,plays a significant role in accelerating the digital transformation and intelligent upgrading of traditional industries.Digital intelligence enhances the resilience and recovery of innovation ecosystems,thereby contributing to the construction of a resilient innovation ecosystem.Against the backdrop of accelerating the construction of a digital powerhouse,and addressing key technology bottlenecks,core component supply disruptions,and the decoupling of traditional international partnerships,studying the local neighborhood effect of digital intelligence on the resilience of innovation ecosystems is of great significance.Because it is not only beneficial for promoting the deep integration of digitalization and intelligence,accelerating the formation of new productive forces,and providing new effective approaches for the digital transformation and upgrading of traditional industries,but also of significant theoretical and practical value for building an efficient innovation ecosystem,empowering high-quality economic development in China,and accelerating the construction of a digital China and achieving high-level technological self-reliance and strength.

This study utilizes panel data from 30 provinces spanning 2012 to 2022 to investigate the "local-neighborhood" effect of digital intelligence on the resilience of innovation ecosystems.Specifically,the spatial Durbin model is employed to analyze this impact,while the mediation effect model is used to elucidate the underlying mechanisms.Additionally,the study explores the heterogeneity of these effects across different regions and various dimensions of innovation ecosystem resilience.The results indicate that (1) digital intelligence can significantly improve the resilience of local innovation ecosystem,but has negative spatial spillover effect on the resilience of innovation ecosystem in neighboring areas; (2) digital intelligence mainly promotes the resilience of the innovation ecosystem by adopting the transmission path such as optimizing the allocation of innovation resources and improving the level of scientific and technological innovation; (3) digital intelligence can significantly improve the resilience of the local innovation ecosystem in the eastern,central and western regions,with negative effects on the resilience of the innovation ecosystem in the eastern neighbors,and no significant spatial spillover effect on the central and western regions.In addition,there is an obvious heterogeneity in the "local-neighborhood" effect of the influence of digital intelligence on each dimension of innovation ecosystem resilience.

Compared with existing research,the marginal contributions of this paper are mainly reflected in three aspects:(1) Building on the concept of evolutionary resilience,this study constructs an evaluation index system for the resilience of innovation ecosystems from four dimensions:buffering,diversity,liquidity,and evolvability.The study employs a combined evaluation method,VHSD-EM,to conduct dynamic and comprehensive measurements and analyses.This approach enriches the existing body of research on measuring innovation ecosystem resilience by providing a more nuanced and multidimensional assessment.(2) From the "local-neighborhood" perspective,this study employs a spatial Durbin model to analyze the direct and spatial effects of digital intelligence on the resilience of the innovation ecosystem.Additionally,a mediation effect model is used to test whether digital intelligence can enhance the resilience of the innovation ecosystem by optimizing the allocation of innovation resources and improving the level of scientific and technological innovation,revealing the mechanism and transmission paths of the impact of digital intelligence on the resilience of the innovation ecosystem.(3) In accordance with the regional levels of east,central and west,and the resilience dimensions of the innovation ecosystem,this study explores the heterogeneity of the "local-neighborhood" effect of digital intelligence on the resilience of the innovation ecosystem across different regions and resilience dimensions of innovation ecosystems.The findings aim to provide insights for implementing differentiated strategies of digital-intelligent integration development,empowering the overall enhancement of the resilience of innovation ecosystems.

Key Words：Digital Intelligenization; Innovation Ecosystem Resilience; "Local-neighborhood" Effect; Spatial Durbin Model

DOI：10.6049/kjjbydc.2024090600

开放科学(资源服务)标识码(OSID)：

中图分类号：F062.3

文献标识码：A

文章编号：1001-7348(2025)20-0076-11

收稿日期：2024-09-23

修回日期：2024-12-23

基金项目：国家自然科学基金项目(72574094,72004087,72372121);教育部人文社会科学研究项目(24YJC790213);江西省高校人文社会科学研究项目(JJ24106)

作者简介：杨浩昌(1989—),男,江西南昌人,博士,南昌大学经济管理学院副教授,研究方向为制造业发展与创新管理;钟悦(2001—),女,江西瑞金人,南昌大学经济管理学院硕士研究生,研究方向为数字经济与创新管理;钟时权(1997—),男,江西新余人,南昌大学经济管理学院硕士研究生,研究方向为技术创新与工业经济;李廉水(1957—),男,江苏泰州人,博士,南京信息工程大学中国制造业发展研究院教授、博士生导师,研究方向为创新管理与制造业发展。

0 引言

随着我国经济由高速增长阶段转向高质量发展阶段,以要素驱动、投资驱动为主导的传统发展模式已难以适应经济高质量发展的内在要求,创新驱动已成为我国建设现代化经济体系的战略性支撑。然而,我国现阶段的创新发展模式仍存在原始创新不足、成果转化渠道不畅以及科技创新“孤岛现象”等问题,依靠单一创新主体“单打独斗”的创新范式已远远不能适应现在发展要求。以共生竞合、动态演化为主要特征的创新生态系统逐渐成为推进经济高质量发展的一种新范式和创新驱动力[1]。同时,经济发展面临的不确定因素增多,“黑天鹅”“灰犀牛”事件频繁发生,给创新生态系统发展带来严重的负面影响。如何在外部冲击与扰动难以预测和改变的情境下,构建可持续发展的创新生态系统,进而提升创新生态系统韧性已成为面临的现实问题。

当前,世界百年未有之大变局加速演进,以物联网、大数据、云计算、5G、人工智能、区块链为代表的新一代信息技术应用广泛,数字化、网络化、智能化逐渐成为经济转型升级方向,也是我国重塑经济高质量发展新优势的战略选择(李廉水等,2019)。数智化是数字化发展到人工智能更高阶段的产物,是数字化和智能化的融合与应用[2]。数智化将数据和人工智能有机结合起来,有利于新技术、新产业、新业态、新模式培育与构建,加速推动传统产业数字化转型与智能化升级,从而赋能创新生态系统在受到外部冲击时能够通过自组织、自适应、自学习等方式,增强抵抗力与恢复力,进而构筑富有韧性的创新生态系统。因此,在加快建设数字强国,破解关键技术“卡脖子”、核心元器件“断供”、原有国际合作伙伴“脱钩”等难题背景下,研究数智化对创新生态系统韧性影响的“本地-邻地”效应,不仅有利于推动数字化与智能化深度融合,加快形成新质生产力,为传统产业数智化转型升级提供新途径,而且对于构建高效创新生态体系,进而赋能我国经济高质量发展,加快推进数字中国建设和实现高水平科技自立自强等具有重要理论意义与实践价值。

1 文献综述

目前关于创新生态系统韧性的研究主要围绕以下三方面展开:一是创新生态系统韧性的内涵研究。韧性原意为“反弹”“弹回”(Martin,2012),Holling[3]将韧性概念融入生态系统,提出韧性是指一个系统面对外部冲击和压力时持续恢复与适应的能力。随着时代演进,学术界对韧性的认识也不断深化。就创新生态系统韧性而言,有研究基于一般系统演进韧性的概念,将其界定为创新生态系统面对外部环境冲击和扰动时,通过抵抗、吸收、缓冲和适应等方式快速恢复至初始或更高功能状态的能力(梁林等,2020);赵玉帛等[4]提出,数字经济产业创新生态系统韧性是指系统面对冲击和不确定扰动风险时,通过自组织、自适应、自学习和系统记忆等方式恢复至更高功能水平的能力。二是创新生态系统韧性测度研究。创新生态系统是一个类似生态系统的,由相互依存、共同演进且具有代理作用的参与者组成的复杂自适应系统(柳卸林等,2021;李天柱等,2022)。在创新生态系统韧性研究中,测度方法还处于探索阶段。如梁林等(2020)识别出创新生态系统具有多样性、流动性、缓冲性和进化性的四维特征,并分别采用不同评价方法测算,然后借鉴耦合协调度模型计算方式测度国家级新区创新生态系统韧性;刘和东等(2023)采用二次加权方法测度我国内地30个省域创新生态系统韧性。三是创新生态系统韧性影响因素研究。学者们从政策组合(刘兵等,2023)、群落演化(王文静等,2023)、多样性投资(Van等,2024)等多个角度对创新生态系统韧性进行广泛探索,但较少从数智化角度探究其对创新生态系统韧性的影响。

数字化注重数据收集和处理,智能化以机器学习、人工智能等为核心,而数智化更强调数据识别和应用。相较之下,数智化展现出实时化、可量化、可视化和智能化等核心属性,彻底改变传统人机互动模式,呈现出交互、全景、可扩展和智能等多种特点,并逐渐融入不同组织和系统中,促进流程优化、效率提高和价值创造[5]。从现有文献看,关于数智化对创新生态系统韧性影响的研究相对匮乏,少量的研究如吕鲲等[6]的实证研究表明,数智赋能显著提升区域创新生态系统韧性,并随着绿色金融发展显著增强。也有学者研究了数智化与创新生态系统关系,如储节旺等[7]运用概念模型法探索数智赋能的创新生态系统构成及运行机制。但大部分研究主要从数字化的单一视角分析创新生态系统韧性。如吴群等[8]的实证研究表明,数字化对平台型电商企业创新生态系统韧性有显著促进作用;Chen等[9]研究表明,数字工业化对区域数字创新生态系统韧性有显著正向影响。

综上所述,已有文献为本文研究数智化对创新生态系统韧性的影响提供了有利借鉴,但现有研究较少考虑到创新生态系统韧性评价是一个具有时间序列特性的多层次、多指标综合复杂问题。因此,关于数智化与创新生态系统韧性关系的研究尚处于起步阶段。现有研究多将创新生态系统韧性当作一个“灰箱”处理,鲜有从创新生态系统韧性分维度层面展开实证分析,也缺少基于“本地-邻地”视角探究数智化的作用效应及空间影响,更缺乏探讨数智化是否因区域差异而导致影响效应存在显著差异性。鉴于此,本文的边际贡献主要体现在以下3个方面:①基于演化韧性思想,从缓冲性、多样性、流动性与进化性4个维度构建创新生态系统韧性评价指标体系,并采用纵横向拉开档次和熵权的组合评价方法(VHSD-EM)进行动态的综合测度分析,丰富与拓展现有创新生态系统韧性研究;②基于“本地-邻地”视角,采用空间杜宾模型分析数智化对创新生态系统韧性影响的直接效应与空间效应,同时,采用中介效应模型检验数智化是否可以通过优化创新资源配置和提高科技创新水平等传导路径促进创新生态系统韧性提升,揭示数智化对创新生态系统韧性的影响机理与传导路径;③基于东中西部不同地区和创新生态系统韧性不同维度,探究数智化对创新生态系统韧性影响的“本地-邻地”效应在不同地区及不同维度的异质性,为实施差异化数智融合发展战略、赋能创新生态系统韧性提升提供借鉴。

2 理论分析与研究假设

2.1 数智化对本地创新生态系统韧性的促进效应

(1)数智化有利于提升系统创新主体多样性与要素流动性,增强系统应对外部冲击和扰动的抵御能力与恢复能力,进而提升创新生态系统韧性。数智化使原来的单点突破转向多主体协同创新,实现数字数据作为新要素投入并与传统产业相融合,形成新发展模式与新创新业态,促使创新主体更加多元化、创新网络结构更加复杂化。当创新生态系统受到外部冲击时,该网络结构有助于系统获得更大的环境应变空间。同时,数智化加快信息交互与传播,提高资源要素重组能力与运行效率,促进创新主体转型升级,进而增强创新生态系统风险抵御能力。

(2)数智化有利于提升创新资源冗余度与系统透明度,增强系统适应与调节能力,进而提升创新生态系统韧性。数智化通过将智能算法与云计算、云储存等技术相结合,为创新生态系统知识传播与资源存储奠定竞争优势。大量创新资源经长期积累形成资源冗余,使得系统在面对外部冲击时有足够的资源基础进行应对和调节。此外,数智化通过对海量数据收集与分析,实现创新主体内部发展的可视化分析,有助于不断提高自身管理水平和生产能力。借助数智化带来的先进信息技术还可以模拟各类危机事件,针对各种应对方案进行低成本试错,提高创新生态系统韧性。

(3)数智化有利于提高创新主体协同共生性与竞争性,增强系统创新与转型能力,进而引领其进入新一轮增长周期。数智化有利于催生新技术、新模式,促进系统内部创新思维碰撞、创新主体合作、创新升级,增强协同共生性,进而提升创新生态系统韧性。此外,先进信息技术运用会弱化区域发展边界,通过产业融合推动区域创新发展,增强创新生态系统整体竞争力,进而提升创新生态系统韧性。基于此,本文提出如下研究假设:

H1:数智化对本地创新生态系统韧性具有显著促进作用。

2.2 数智化对邻地创新生态系统韧性的空间溢出效应

随着数字化和智能化深度融合发展,地区间交流机制不断完善,创新主体可以通过数字平台共享经验、共同合作开发项目,形成更为紧密的创新生态网络,促进本地区创新链条向相邻地区延展,进而对周边地区产生溢出效应。同时,强创新生态系统韧性地区通常集聚大量高校、研究机构、初创企业以及大型科技公司等创新主体,拥有更丰富的人才资源和更大的市场规模,这种集聚效应使得本地创新生态系统成为吸引高水平人才和投资的“高地”,进而对邻近地区创新生态系统发展形成一定挑战。随着地区平台交易机制不断完善,产品竞争更加激烈。为扩展产业链,本地产业将扩大市场覆盖范围,从而对周边地区产生“剥夺效应”[10]。此外,本地区为培育高科技产业生态,将通过创新主体的强大网络效应,不断吸收邻近地区创新资源要素,从而对邻近地区产生“虹吸效应”,不利于邻近地区创新生态系统韧性提升。基于此,本文提出如下研究假设:

H2:数智化对邻地创新生态系统韧性具有显著负向作用。

2.3 数智化对创新生态系统韧性影响的中介效应

(1)数智化可以通过优化创新资源配置促进创新生态系统韧性提升。数智化借助大数据分析、人工智能算法等技术手段,提升市场透明度、信息时效性,促使市场发展环境更加公平、公正,使得创新主体能够迅速了解市场需求变化,从而缓解由信息不对称或滞后引发的资源配置效率较低问题。同时,通过数字化平台带来的信息共享和知识溢出效应,促进资金、人力以及各类创新资源在创新主体内部的灵活调配,避免内部出现产能过剩或资源配置不当等问题,进而提高资源配置效率,为提升创新生态系统韧性提供有利条件。

(2)数智化也可以通过提高科技创新水平促进创新生态系统韧性增强。数字化与智能化技术的结合和应用有助于加速新一代信息技术广泛传播及渗透,促使创新模式从经验依赖型转向数据驱动型,拓展技术创新范畴,极大程度上提升生产效率和治理效率。同时,借助神经算法、机器学习等尖端技术,创新主体可以及时掌握和应用创新知识,并逐步将内部隐性知识转化为显性知识[11],增强创新生态系统信息获取能力,激发技术创新活力,进而对创新生态系统韧性产生正面影响。基于此,本文提出如下研究假设:

H3:数智化可以通过优化创新资源配置的传导路径提升创新生态系统韧性。

H4:数智化可以通过提高科技创新水平的传导路径提升创新生态系统韧性。

综上所述,数智化对创新生态系统韧性的影响机理如图1所示。

3 研究设计

3.1 模型构建

由前面的理论分析可知,数智化不仅对本地创新生态系统韧性存在促进作用,而且对邻地创新生态系统韧性也存在空间溢出效应。为了检验上述研究假设,本文构建如下空间计量模型:

(1)

其中,Ecoreit为被解释变量创新生态系统韧性;Diginit为解释变量数智化;Xit为控制变量,即影响创新生态系统韧性的其它重要因素;W为空间权重矩阵;δ、β、γ分别为创新生态系统韧性、数智化及控制变量的空间效应系数;α0为常数项;α1为数智化对创新生态系统韧性的直接影响系数;εit为随机误差项;下标i和t分别表示省域与年份。地理距离作为一个关键因素,对地区间关联程度具有显著影响,随着地理距离扩大,这种关联程度会相应减弱。因此,借鉴郭秋秋和马晓钰(2023)的研究,本文采用基于经纬度的地理距离构建空间权重矩阵,其表达式为:

(2)

3.2 变量选取与数据说明

(1)创新生态系统韧性(Ecore)。本文借鉴梁林等(2020)对创新生态系统韧性的特征分析,从缓冲性、多样性、流动性与进化性4个维度,构建包含19个一级指标、36个二级指标的创新生态系统韧性评价指标体系(见表1)。创新生态系统韧性测度是具有时间序列特性的多层次、多指标综合评价,因此借鉴唐孝文等[12]的做法,采用VHSD-EM(纵横向拉开档次和熵权组合评价)方法测算创新生态系统韧性。

(2)数智化(Digin)。数智化是指数字化与智能化在发展中相互影响、相互渗透的过程。借鉴潘为华等[13]、Yang等[14]的研究,从数字化和智能化两个角度构建数智化评价指标体系(见表2),其中,数字化包括数字基础设施、数字产业化、产业数字化和数字化治理4个维度,智能化包括智能化基础、智能化技术以及智能化结果3个维度。具体测算借鉴王昊等[15]的做法,采用复合系统协同度模型进行测度。由于测度结果有负数,为便于后文实证分析,对其测度结果进行加1处理。

(3)控制变量。①经济发展水平(Pgdp),采用人均GDP表示;②政府支持(Gov),采用一般公共预算支出占 GDP的比重表示;③知识产权保护(Kpro),采用技术市场成交额占GDP的比重表示;④产业结构高级化(Ais),借鉴付凌晖(2010)的做法,采用向量指数法计算省域产业结构高级化指数表示;⑤基础设施水平(Infra),采用人均道路面积表示;⑥企业规模(Gm),采用规模以上工业企业数表示。

(4)中介变量。①借鉴宋德勇等[16]、刘斌和潘彤[17]的研究,选取科研支出强度(Scite)和研发人员数量(Sciply)作为代理变量,分别从资金和人力两个维度衡量创新资源配置水平。其中,科研支出强度(Scite)采用科技支出占地方政府财政支出的比值表示,研发人员数量(Sciply)采用规模以上工业企业研发人员数表示。②借鉴黄继承和朱光顺[18]的研究,采用发明专利授权数占全部专利授权数的比重衡量科技创新水平(Techp)。

所有数据来源于《中国统计年鉴》《中国固定资产投资统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国工业统计年鉴》《北京大学数字普惠金融指数》等及各省域统计年鉴和国家统计局网站,部分缺失值使用线性插值法补齐。同时,对上述变量采取对数化处理以缓解异方差对模型的影响,主要变量描述性统计结果见表3。

4 实证检验及结果分析

4.1 空间自相关检验

采用全局莫兰指数对2012-2022年我国内地30个省域(西藏数据不全,未纳入统计)创新生态系统韧性进行空间自相关检验。表4结果显示,创新生态系统韧性的全局Moran's I指数均大于0且通过显著性检验,表明创新生态系统韧性具有显著的空间正相关特征,即创新生态系统韧性较高地区,其周边地区创新生态系统韧性也较高,空间依赖性较为稳定。

为了进一步考察不同地区的空间相关程度,采用局部莫兰指数对创新生态系统韧性的局部空间关联性进行分析,结果如图2所示。

由图2可知,各省域创新生态系统韧性的莫兰散点主要集中在第一、三象限内,表明大部分省域在局部呈现出显著的空间正相关性,与全局莫兰指数的检验结果相同。需要指出的是,2022年位于第一、三象限的省域数量有所增加,表明创新生态系统韧性在局部地区的相关性呈现增强趋势。此外,全局莫兰指数和局部莫兰指数的检验结果均表明,我国各地区创新生态系统韧性并未呈现出完全的随机状态,即地区间创新生态系统韧性并不是孤立存在的,而是呈现出一定的空间集聚状态。上述空间自相关检验结果为本文进行空间计量回归提供了逻辑支撑。

4.2 全国总体回归分析

4.2.1 空间计量模型选择性检验

为进一步确定使用何种空间计量模型,本文依次进行LM检验、Hausman检验、LR检验以及Wald检验,检验结果如表5所示。结果显示,以创新生态系统韧性为被解释变量,分别加入空间滞后项和空间误差项后LM检验结果均显著,因此选用空间杜宾模型拟合效果最好。根据Hausman检验、LR检验及Wald检验结果,本文最终选择时间和空间双向固定的空间杜宾模型进行回归分析。

4.2.2 数智化对创新生态系统韧性影响的回归分析

在包含全局效应的空间杜宾模型中,为更准确地分析被解释变量的边际影响和空间溢出情况,本文在规避直接采用解释变量衡量空间相关性可能存在偏差的基础上,借鉴陈天宇和解学芳(2023)的做法,采用偏微分方法对空间效应进行分解,以进一步探讨数智化对创新生态系统韧性影响的空间效应,结果见表6。

由表6可见,一方面,数智化对本地创新生态系统韧性存在显著正向影响,数智化水平每提升1%,本地创新生态系统韧性提升0.812%,表明数智化对本地创新生态系统韧性具有显著促进作用,即研究假设H1得到验证。主要原因可能是:数智化具有的共享性和渗透性有助于促进新业态、新产业发展,同时,引发大量技术涌现和知识流动,从而有效提升本地创新生态系统韧性。另一方面,数智化对邻地创新生态系统韧性的空间溢出系数显著为负,表明数智化会抑制邻近地区创新生态系统韧性提升,故研究假设H2得到验证。主要原因可能是:数智化有助于消除人才、知识、资金等创新资源流动的地域壁垒,而创新资源更倾向于流向数智化水平较高地区,导致邻近地区创新资源流失,抑制其创新生态系统韧性提升。此外,在市场机制作用下,创新资源的溢出效应无法抵消“虹吸效应”,致使发达地区更加繁荣,而落后地区进一步滞后,地区创新生态系统韧性差距进一步扩大[19]。

4.3 稳健性与内生性检验

4.3.1 稳健性检验

(1)更换空间权重矩阵。考虑到地理距离权重矩阵较为单一,不能全面反映地区间相互影响关系,本文构建邻接权重矩阵和反距离平方权重矩阵进行回归分析。此外,地区经济发展水平也是影响创新生态系统韧性的重要因素,因此进一步采用经济距离权重矩阵和经济地理加权矩阵进行回归分析。

(2)更换动态空间面板模型。采用静态空间面板模型会忽略创新生态系统韧性发展的持续性,可能造成估计结果偏误。因此,本文同时引入创新生态系统韧性的时间和空间滞后项作为解释变量,进行动态空间面板模型回归分析。结果见表7,与表6结果相比,数智化对创新生态系统韧性影响的本地与邻地效应系数符号和显著性均未发生明显变化,表明本文研究结论较稳健。

4.3.2 内生性检验

分析数智化对创新生态系统韧性的影响时可能因遗漏变量和逆向因果等而存在内生性问题。为了缓解这一问题,本文采用数智化滞后项作为工具变量进行检验,运用两阶段最小二乘法进行估计,结果见表8。工具变量的不可识别检验结果均在1%显著性水平上拒绝原假设,弱工具变量检验的统计量均大于临界值,表明工具变量具有合理性。此外,列(1)结果显示工具变量与创新生态系统韧性显著正相关,列(2)结果显示数智化的回归系数在1%水平上显著为正,从而进一步证明本文研究结论稳健。

4.4 影响机制检验

通过前文理论分析可知,数智化通过优化创新资源配置和提高科技创新水平两条传导路径增强创新生态系统韧性。因此,本文构建中介效应模型,对上述路径进行实证检验。模型设定如下:

(3)

(4)

其中,主效应检验方程与空间回归方程一致,中介变量Mediation包括科研支出强度(Scite)、研发人员数量(Sciply)和科技创新水平(Techp)3个变量,X为控制变量,其余变量符号与式(1)一致。

分别以科研支出强度、研发人员数量和科技创新水平作为中介变量,与数智化进行回归,结果见表9。由表中模型1、模型3、模型5可知,数智化对研发人员数量和科技创新水平的“本地-邻地”效应均显著为正,对科研支出强度的本地效应也显著为正,但邻地效应不显著。将解释变量和中介变量同时纳入回归模型,由模型2、模型4、模型6可知,科研支出强度和科技创新水平对创新生态系统韧性的“本地-邻地”效应均显著为正,研发人员数量对创新生态系统韧性的本地效应也显著为正,但邻地效应不显著。同时,数智化的回归系数均显著为正,分别为0.699、0.731、0.595,与表6结果相比,回归系数有所下降。由此可见,科研支出强度、研发人员数量和科技创新水平在数智化对创新生态系统韧性的影响中均存在部分中介效应,中介效应占比分别为7.278%、6.199%、14.803%。

综上,数智化可以通过提高科研支出强度和增加研发人员数量,即优化创新资源配置与提高科技创新水平两条路径增强创新生态系统韧性,故研究假设H3和H4得到验证。相较于其它中介变量,科技创新水平在数智化增强创新生态系统韧性过程中的中介作用最显著。因此,各地区在推进数字化与智能化深度融合发展的过程中,要重视创新资源配置和科技创新水平在提升创新生态系统韧性中的作用,不断优化创新资源配置,充分发挥科技创新的支撑引领作用,积极推动企业创新模式变革,利用数智技术赋能创新生态系统韧性不断提升。

4.5 进一步分析

4.5.1 东中西部地区异质性分析

为了进一步探究数智化对创新生态系统韧性的影响是否存在区域异质性,本文对东部、中部和西部3个地区分别进行回归分析,结果见表10。

由表10可知,数智化对东、中、西部地区创新生态系统韧性影响的“本地-邻地”效应存在显著差异。其中,在东部地区,数智化对创新生态系统韧性影响的本地效应显著为正,邻地效应显著为负;而在中部和西部地区,数智化对创新生态系统韧性的本地效应显著为正,但邻地效应均不显著。这表明,在东部地区,数智化有利于提升本地创新生态系统韧性,而对邻地创新生态系统韧性具有负向作用;在中部和西部地区,数智化均有利于提升本地创新生态系统韧性,但对邻地创新生态系统韧性的溢出效应不显著。

其原因可能在于:东部地区具有较高经济发展水平,拥有较强技术实力和丰富的人才储备优势,有利于增强本地创新生态系统应对外部冲击和扰动的抵御能力、恢复能力,进而促进本地创新生态系统韧性提升。同时,东部地区也是我国数智化发展“高地”,通过提高科技水平和创新能力促进地区生产力提高与生产效率提升,这将吸引更多企业和人才聚集到高生产效率地区,形成产业集聚效应,从而对周围区域形成“虹吸效应”[20]。此外,东部地区具备显著的政策优势和更大的市场规模,为创新生态系统韧性升级提供了优良环境,成为吸引高水平人才和投资的高地,而对邻地创新生态系统韧性产生负向影响。中西部地区具有独特的资源禀赋和特色产业优势,并获得国家科技创新政策的大力支持,因此有助于推动数字化与智能化融合发展,进而提高本地创新生态系统韧性。但是,由于中西部地区创新生态系统韧性整体水平较低,对人才和投资的吸引力有限,因此对邻地创新生态系统韧性的空间溢出效应较弱。

4.5.2 创新生态系统韧性分维度异质性分析

为了进一步比较分析数智化对创新生态系统韧性不同维度的影响,本文对创新生态系统韧性维度进行分解,分别探究数智化对缓冲性、多样性、流动性以及进化性4个维度影响的“本地-邻地”效应,回归结果见表11。数智化对创新生态系统韧性各维度影响的“本地-邻地”效应也存在明显差异。其中,对本地效应而言,数智化对创新生态系统韧性流动性与进化性的影响系数分别为1.518和0.614,且均通过1%水平下的显著性检验;对创新生态系统韧性缓冲性和多样性的影响均不显著。对邻地效应而言,数智化对创新生态系统韧性缓冲性和多样性的影响系数分别为-1.426与-2.417,且均通过5%水平下的显著性检验;对流动性和进化性的影响均显著为正。上述结果表明,数智化对本地创新生态系统韧性的提升作用主要通过增强流动性和进化性实现,对邻地创新生态系统韧性的负向作用主要通过缓冲性和多样性实现。

其原因可能在于:一方面,数智化带来的信息共享和知识溢出效应,有助于促进人才、信息、资金等多种创新要素在创新主体之间高效流动和灵活调配,不断提高系统资源配置效率,显著增强创新生态系统韧性的流动性。同时,数智化通过将数据和人工智能有机结合,推动创新生态主体新技术和新模式诞生,加速其数字化转型与智能化升级,从而提升创新生态系统韧性的进步性。另一方面,数智化可能导致“数字鸿沟”,使得邻近地区面临高水平人才流失、资源获取难等问题。此外,高数智化地区往往对应高创新生态系统韧性,即其本身具有创新主体多元化、网络结构复杂化、创新资源冗余等特性,因此具有高水平创新能力和竞争优势,这种竞争力会对邻近地区创新主体和创新资源形成强大的“虹吸效应”,从而对邻地创新生态系统韧性的缓冲性和多样性造成负向影响。

5 结论与政策建议

5.1 研究结论

本文基于2012-2022年我国内地30个省域面板数据,采用空间杜宾模型分析数智化对创新生态系统韧性影响的“本地-邻地”效应,同时,采用中介效应模型检验其作用机理,并进一步探讨这种影响在不同地区及不同创新生态系统韧性维度之间的异质性,得出以下主要研究结论:

(1)数智化可以显著提升本地创新生态系统韧性,但对邻地创新生态系统韧性具有负向空间溢出效应,这一结论经稳健性与内生性检验后均成立。

(2)机制检验表明,数智化主要通过优化创新资源配置和提高科技创新水平等传导路径增强创新生态系统韧性,相较于创新资源配置,科技创新水平在数智化对创新生态系统韧性的影响中发挥更显著的中介作用。

(3)地区异质性分析表明,数智化能显著提升东、中、西部地区本地创新生态系统韧性,而对东部地区邻地创新生态系统韧性具有负向影响效应,对中西部地区的空间溢出效应不显著。此外,从创新生态系统韧性不同维度而言,数智化对本地创新生态系统韧性的提升作用主要通过促进流动性和进化性实现,而对邻地创新生态系统韧性的负向溢出作用主要通过影响缓冲性和多样性实现。

5.2 理论贡献

(1)丰富和拓展了创新生态系统韧性测度研究。现有研究较少考虑到创新生态系统韧性测度是具有时间序列特性的多层次、多指标的动态综合评价问题(梁林等,2020),且大多将创新生态系统韧性视作一个“灰箱”,尚未有文献从创新生态系统韧性不同维度展开实证分析。本文基于演化思想,从缓冲性、多样性、流动性与进化性4个维度构建创新生态系统韧性评价指标体系,采用纵横向拉开档次和熵权的组合评价方法(VHSD-EM)进行综合测度分析,对现有测度研究进行了补充和深化。同时,进一步探讨了数智化对创新生态系统韧性不同维度的影响,为后续的创新生态系统韧性研究提供了新理论视角。

(2)揭示了数智化对创新生态系统韧性影响的“本地-邻地”效应。数智化通过采用数字化数据,运用智能化工具和算法,挖掘数据背后的价值,打破创新主体之间的数据壁垒,驱动数字经济、人工智能与实体经济双向促进,有效提升区域创新生态系统韧性。但现有研究大多仅关注数字化对创新生态系统韧性的影响[8-9],少量研究从数智化角度考虑对创新生态系统韧性的直接影响效应[6]。本文剖析了数智化对创新生态系统韧性的“本地-邻地”效应,揭示了作用机制,拓展了数智化研究范畴和创新生态系统韧性前置影响因素研究,丰富了数智化转型情景下的研究成果,也丰富了数智化与创新生态系统韧性的交叉融合研究。

5.3 政策建议

(1)以数字中国建设为核心,构筑具有韧性的创新生态系统。各地区应大力发展数字经济,加强数字中国建设的顶层设计,积极推进数字产业化、产业数字化,加大数字信息产业投资力度,促进数字技术与实体经济深度融合。同时,积极培育新一代信息技术人才,促进数据要素与资本、劳动力等要素协同,大力推动创新链、资金链、产业链、人才链深度融合,进而构筑高效协同的创新生态体系,提升创新生态系统韧性。

(2)实施差异化的数智融合发展战略,赋能创新生态系统韧性整体提升。一方面,东部地区应抓住数字经济机遇,聚焦5G运用、人工智能平台、大数据中心等领域,加快构建完备的数字基础设施体系,推动数智资源向传统产业渗透,加快创新生态系统优化;另一方面,中西部地区应依托自身资源禀赋优势,充分利用数据等核心生产要素,提升算力等核心生产力,以“东数西算”为牵引,打造面向全国的算力保障基地,进而推动数智融合发展,赋能创新生态系统韧性提升。

(3)优化创新资源配置,充分发挥科技创新的引领作用。各地区应大力提升创新要素配置效率,推动从生产到分配、从流通到消费等不同环节的无缝对接,激发创新活力,助力产业数字化转型和智能化升级。同时,充分发挥科技创新的核心引领作用,加快数字技术应用升级,构建高质量的科技创新平台,催生新产业、新模式、新动能,加快形成新质生产力,进而实现高质量发展。

5.4 不足与展望

(1)本文探讨了数智化对创新生态系统韧性的中介效应,对中介变量的空间溢出效应作了初步研究和分析,未来研究可作进一步深入挖掘。

(2)本文探究了数智化对不同维度创新生态系统韧性的影响,未来可进一步对数智化指标进行分类探讨,并考量不同制度环境下这一影响是否存在差异。

(3)出于对数据完整性方面的考量,本研究未使用城市或企业层面数据,未来研究可以从城市或企业层面深入探讨数智化对创新生态系统韧性的影响。

参考文献：

[1] 柳卸林,吉晓慧,杨博旭.城市创新生态系统评价体系构建及应用研究——基于“全创改” 试点城市的分析[J].科学学与科学技术管理,2022,43(5):63-84.

[2] 戚聿东,郝越,侯娜,等.装备制造企业数智化转型的模式与路径探索——基于山河智能的案例研究[J].经济管理,2022,44(11):25-45.

[3] HOLLING C S.Resilience and stability of ecological systems[J].Annual Review of Ecology and Systematics,1973,4:1-23.

[4] 赵玉帛,张贵,王宏.数字经济产业创新生态系统韧性理念、特征与演化机理[J].软科学,2022,36(11):86-95.

[5] 单宇,许晖,周连喜,等.数智赋能:危机情境下组织韧性如何形成——基于林清轩转危为机的探索性案例研究[J].管理世界,2021,37(3):84-104.

[6] 吕鲲,管天宁,李北伟.绿色金融、数智赋能对区域创新生态系统韧性的影响[J].科技管理研究,2024,44(16):204-216.

[7] 储节旺,吴蓉,李振延.数智赋能的创新生态系统构成及运行机制研究[J].情报理论与实践,2023,46(3):1-8.

[8] 吴群,韩天然.数字化能力对平台型电商企业创新生态系统韧性的提升机制研究[J].当代财经,2023,44(12):81-93.

[9] CHEN H M,CAI S L.Research on evaluation and influencing factors of regional digital innovation ecosystem resilience——empirical research based on panel data of 30 provinces and cities in China[J].Sustainability,2023,15(13):10477.

[10] 郭爱君,杨春林,张永年,等.数字经济产业发展对城市绿色创新效率的影响——基于两阶段价值链视角的分析[J].城市问题,2023,42(1):49-59.

[11] 肖静,曾萍.数字化能否实现企业绿色创新的“提质增量”——基于资源视角[J].科学学研究,2023,41(5):925-935,960.

[12] 唐孝文,缪应爽,孙悦,等.高端装备制造企业数字化成熟度测度及影响因素研究[J].科研管理,2022,43(9):10-19.

[13] 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.

[14] YANG H C,LI L S,LIU Y B.The effect of manufacturing intelligence on green innovation performance in China[J].Technological Forecasting and Social Change,2022,178:121569.

[15] 王昊,朱淑贤,韦茜,等.城市基础设施与经济发展协同度评价及其敏感性分析——以中国84个重点城市为例[J].经济地理,2023,43(8):21-30.

[16] 宋德勇,李超,李项佑.新型基础设施建设是否促进了绿色技术创新的“量质齐升”——来自国家智慧城市试点的证据[J].中国人口·资源与环境,2021,31(11):155-164.

[17] 刘斌,潘彤.地方政府创新驱动与中国南北经济差距——基于企业生产率视角的考察[J].财经研究,2022,48(2):18-32.

[18] 黄继承,朱光顺.绿色发展的中国模式:政府采购与企业绿色创新[J].世界经济,2023,46(11):54-78.

[19] 梁琦,肖素萍,李梦欣.数字经济发展、空间外溢与区域创新质量提升——兼论市场化的门槛效应[J].上海经济研究,2021,33(9):44-56.

[20] 闫东升,孙伟,陈东,等.长江三角洲城镇化率与城乡收入差距的关系研究[J].中国人口·资源与环境,2021,31(5):28-36.

(责任编辑：胡俊健)