Why Has the Digital Economy Become a New Driving Force for the Improvement of Regional Innovation Capability? Empirical Analysis Based on Factor Integration

Fan Decheng,Xiao Wenxue

(School of Management, Harbin Institute of Technology,Harbin 150001,China)

Abstract：Data, as a derivative element of the digital economy, has injected new impetus into regional innovation and development. In this process, the coupling and coordinated development of human capital and data elements are crucial. In recent years, the vigorous development of the digital economy has sparked widespread discussion in academic circles. To further expand the existing research boundaries, this paper focuses on the perspective of factor combination and uses inter-provincial panel data to explore their impact and mechanism on regional innovation.

In the characteristic fact statement, preliminary discussion is made based on the valid patent authorization information of the five major intellectual property offices from 2010 to 2021. During the statistical period, the total number of patents doubled, indicating that in the process of historical evolution, innovation-driven innovation is still an important engine to promote the progress of the Times. From the perspective of spatial and temporal distribution characteristics, the degree of coupling and coordination between data elements and human capital in China is generally on the rise, but it is still in the immature type, with significant regional differences. Specifically, the degree of coupling coordination between data elements and human capital is still low, and the overall stage is still developing. According to the coupling coordination type, the eight economic regions can be divided into the development pattern of inland regions driven by the growth pole of coastal areas.

Furthermore, the benchmark regression results show that both data factors and human capital as individual factors have significant innovation-driving effects, but as combination factors, innovation empowering effects are stronger. After a series of robustness tests, this conclusion is still valid. Heterogeneity analysis shows that there are significant differences in empowering effects of factor combination innovation in different digital industrialization and industrial digitalization regions. The mechanism test results show that the matching of data elements and human capital can promote regional innovation development through spillover effects, which are mainly reflected in the two paths of technology transfer and R &D personnel flow. From the analysis of the test results of technology transfer, when other factors remain unchanged, the factor coupling degree D increases by 1 unit, resulting in an indirect increase of 0.31 units in regional innovation capability, and the indirect effect accounts for 6.10%. According to the analysis of the test results of R&D personnel flow, the factor coupling degree D increases by 1 unit, the R&D personnel flow level increases by 0.789 points, resulting in an indirect increase of 0.24 units in regional innovation capability, with the indirect effect accounting for 7.68%. The results of three-dimensional spatial fitting show that the transformation and upgrading of industrial structures have differential impacts on the regional innovation development of factor combination, so the threshold model is introduced for further analysis.

Threshold regression results show that, on the whole, the transformation and upgrading level of industrial structure shows a dynamic role of marginal increase before and after crossing the threshold value, which fully indicates that the digital economy is a strong innovation driving force in the stage of high-quality development. However, from the perspective of sub-regions, before and after the transformation and upgrading of industrial structures crossed the threshold value, the eastern region has shown a promoting effect of marginal growth, with the factor coupling coordination coefficient passing the 1% significance test; while the central and western regions have exhibited a non-linear pattern of initial promotion followed by inhibition.

The findings suggest that it is essential to encourage deep coupling between data elements and human capital to create sustainable regional innovation competitive advantages, focus on cultivating development engines centered around the digital industry, and form a positive feedback mechanism that promotes innovation through technology. Moreover, the channel effect of knowledge spillover should be valued to strengthen technological exchange between regions, and it is critical to encourage the free flow of R&D personnel between regions, enhance the level of industrial structure transformation and upgrading, and fully stimulate the "Metcalfe’s power" of the combination of data and human capital formation elements.

Key Words：Data Element;Human Capital;Coupling Coordination Model;Regional Innovation; Threshold Regression

收稿日期：2023-12-01

修回日期：2024-02-10

基金项目：国家社会科学基金重点项目(19AGL007);黑龙江省高等学校智库开放课题项目(3072023WJG0910)

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。

DOI：10.6049/kjjbydc.2023120014

开放科学(资源服务)标识码(OSID)：

中图分类号：F492

文献标识码：A

文章编号：1001-7348(2025)05-0069-13

0 引言

近年来我国数字经济在逆势中始终保持高速增长,成为对抗严峻复杂国际经济形势以及保障国内经济稳步迈向高质量发展阶段的重要力量。2022年1月12日,国务院发布《 “十四五”数字经济发展规划》,旨在把握数字化发展新机遇、推动中国数字经济健康发展。创新经济学理论指出,新型生产要素通常是技术革命的产物。因此,数据要素参与价值分配的过程本身就具有创新的时代印记。值得注意的是,数据要素创新红利的发挥并不仅仅取决于数据要素存储量,还需要与人力资本相结合,进而将自身价值转移到新产品中,实现创新驱动发展[1]。鉴于此,存在以下问题亟待论证:数据要素与人力资本融合发展能否成为促进区域创新的新动能?其中的作用机制是什么?针对上述问题的研究,有助于为数字经济时代最大程度地释放创新红利提供理论借鉴。

1 文献综述

1.1 数据要素

目前,学术界关于数据是数字经济的关键衍生要素这一观点早已达成共识,随着数字技术与数字基建的蓬勃发展,数据总量呈现爆发式增长。中共十九届四中全会审议通过的《中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定》,首次明确提出数据可按贡献参与价值分配,数据要素从基础性资源上升为战略性资源。同时,也引来学术界广泛关注。现有关于数据要素的相关研究主要围绕数据要素特征、测度方法以及与传统要素的关系进行扩展和延伸。

(1)关于数据要素基本特征的归纳总结。当前的主流观点倾向于认为数据不同于资本、劳动等传统要素,是一种更高级且报酬递增的生产要素,具有强大的规模经济、数据网络效应及非竞争性特征等[2-3]。王超贤等[4]提出,数据要素的报酬回馈具有状态依赖特征,在不同领域、技术和制度条件下存在异质性。

(2)由于数据要素特有的虚拟性使其量化测度存在困难,而学术界针对其测度方法尚没有达成共识。李治国等[5]通过构建包含多个子维度的评价指标体系,测度数据要素配置水平。另外,部分学者以数字产业为基础,采用产出代替投入的方法,以各地区信息传输、软件和信息技术服务业人均创造收入作为数据要素新动能的替代变量。徐晔等[6]从数据资源生态系统构成出发,运用EBM模型对数据资源的生态化配置效率进行测度。

(3)关于数据要素与传统要素协同发展的研究。王颂吉等[7-8]认为,原始数据只有经过收集、存储、清理、分析等环节,转化为具有使用价值的数据产品,才能作为数据要素,投入产品生产,即数据要素是经过劳动加工的数据产品。王建冬和童楠楠[9]在将数据作为关键生产要素的基础上,提出数据与其它要素协同联动的五链协同机制。

1.2 数据要素对经济增长与创新发展的影响

(1)关于数据要素对经济增长影响的研究。蔡跃洲等[10]认为,数据要素对经济增长而言是把“双刃剑”:一方面,数据要素特有的技术—经济特征使得微观层面的运行效率提升在宏观层面得以放大,成为提高全要素生产率与增长潜力的重要途径;另一方面,在提升宏观增长潜力、更好匹配供需的同时,也会衍生个人隐私泄露、数据垄断等问题,进而对微观个体权益乃至宏观发展带来负面影响。田时中等[11 ]基于实证检验分析方法,提出将数据作为经济运行中的一种新型生产要素,通过改变其它生产要素存在形式,从而优化制造企业生产要素结构,促进制造业高质量发展;Farboodi等[12]通过构建数据经济增长模型,认为数据生产要素未必能促进经济长期增长。

(2)关于数据要素对创新影响的研究。徐翔等[13]的理论研究发现,相比于传统经济环境,数字经济下企业更倾向于依赖生产过程中伴生的数据要素进行迭代式创新,由于突破性创新动力不足,逐渐形成数据要素“陷阱”;谢康[14]从产品创新视角出发,构建 “大数据资源—企业能力—产品创新绩效”的链式中介模型并开展实证研究,提出数据是将现有生产要素紧密联系起来的桥梁型生产要素,进而助力企业产品创新;刘龙均等[15]基于资源编排理论,深入剖析大数据能力对企业创新的影响机制与边界条件,分析发现,大数据采纳、大数据常规化和大数据同化对企业创新有积极影响且分别通过资源整合与内部创业两条路径释放大数据资源创新红利;Akcigit &Liu[16]指出,数据要素的存在使得企业协同创新和合作效率更高,并且在“赢家通吃”的环境中竞争性企业可能会选择低成本的重复试验或放弃创新,因此整体创新投入反而降低;Ghasemaghaei等[17]的研究表明,数据速度和数据多样性对企业创新绩效有显著促进作用,但数据量对企业创新绩效没有显著促进作用;Müller等[18]认为,数据要素的充分使用有助于企业提高决策效率和预测精度,进而对企业研发创新活动产生更加深远的影响。

综上所述,尽管目前学术界有关数据要素的研究成果比较丰富,但大多停留在理论综述层面,并且有关数据—人力资本组合要素对区域创新影响的研究成果相对匮乏。鉴于此,本文可能存在的边际贡献主要有以下几点:①基于多维逻辑分析框架,对数据—人力资本组合与区域创新之间可能存在的作用关系进行深入剖析,从而拓展要素组合与区域创新的理论边界;②考虑到创新要素积累的滞后性,以专利存量作为区域创新发展代理变量以突出创新发展的可持续特征;③基于耦合协调度模型对数据要素与人力资本的耦合协调度进行测算,并实证检验数据与人力资本组合对区域创新发展的影响;④聚焦创新红利释放的有效渠道,对要素组合赋能区域创新的作用路径进行综合分析并提供实证依据;⑤充分考虑区域异质性,检验产业结构转型升级对要素组合赋能区域创新的门槛效应。

2 理论分析与研究假设

专利用于保护发明创造,其规模是衡量创新活动的重要指标,图1展示了2010-2021年世界五大知识产权局公布的有效专利授权数。可以看出,统计期内专利总量翻了一番,表明该时期创新驱动依然是推动时代进步的重要引擎。从增长率变化趋势看,美、日两国增速明显放缓,进入专利平稳增长期;中国涨幅明显,前期创新积累得以充分释放,同时反映出我国科研体制、创新文化总体上与科研队伍发展是相适应的。

根据《2022年全球创新指数报告》,我国专利申请数位居世界第一,然而科技创新实力排名第11位。这说明目前我国依然处于“数量长足,质量跛脚”的创新困境中,制约我国经济转型和创新型国家建设进程[19]。2017年习近平总书记在主持中共中央政治局第二次集体学习时发表重要讲话强调,要发挥数据的基础资源作用和创新引擎作用,加快形成以创新为主要引领和支撑的数字经济。我国经济迈向高质量发展阶段的过程中,人力资本对数据资源的利用和配置水平如何?二者形成的要素组合对区域创新能力的影响如何?

2.1 要素组合对区域创新的直接影响

从经济学角度,数据要素进入生产过程会改变生产函数的要素构成和相互关系。在生产函数中,数据要素既能够单独作为生产要素,也可以分别与劳动力、资本等传统要素组合,进而对区域创新发展发挥乘数效应[20]。具体分析如下:

结合要素链分析,数字经济对社会生产生活方式的深刻改变是基于其微观“细胞”——数据要素展开的(宋培等,2023)。数字化推动要素链由传统要素向包括数据在内的更高级要素阶段延伸和升级,丰富的数据要素因其特有的外部性特征成为人力资本实现创新赋能的基础性资源。数字经济的迅速发展极大地突破传统生产活动的时空边界限制,由数据与人力资本形成的要素组合可借助虚拟载体提供有形服务,延伸技术研发的创新触角。另外,人力资本作为数据资源的编排主体,能够转化与实现数据的战略性价值。资源编排理论强调,对资源与能力的配置甚至比资源和能力本身更加重要,通过有效编排资源和能力,可以充分利用各种机会进而建立竞争优势[21]。

结合创新链分析,根据现有创新链定义及结构研究,多数学者认为尽管创新链模式不断演变,但其本质是科技成果产业化的过程。如康健和胡祖光[22]强调,创新链的起点是创意孕育,终点是成熟技术产业化。本文认为,数据要素与人力资本结合能有效打破在线世界和离线世界间的 “藩篱”,数字化平台的广泛应用有助于拓宽异质性资源获取边界,广泛且深入的创新机会捕获使得知识生产、扩散与应用之间有效匹配、衔接和流转,大大提高思维碰撞的丰富性,推动创新链起点攀升,从源头实现区域创新赋能。另外,人力资本通过数据要素编码从而实现创新成果“嵌入”,这得益于数据要素的低成本复制能够极大降低数据要素使用门槛,加速科研成果大规模商业化应用,进而有效缩短创新链长度。因此,无论是智慧的沉淀与形成,还是其投入应用,人力资本都是促使数据要素纳入现实生产过程的必要条件[23]。综上,本文提出以下研究假设:

H1：数据要素与人力资本形成要素组合时,对区域创新存在显著促进作用。

H2：数据与人力资本均具有创新效能,且二者形成要素组合时作用效果更显著。

2.2 要素组合赋能区域创新的作用机制:溢出效应

20世纪90年代后信息技术对传统产业的溢出效应日益明显,新商业模式不断涌现,其中电子商务成为典型的新业态。在此背景下,Negroponte[24]在《数字化生存》中指出,数字技术的渗透性将使生产要素、生产关系和生活方式等呈现出全面数字化。数字情景将进一步扩大和深化这种溢出效应,其本质也是隐性创新资源扩散。要素组合赋能区域创新的作用机制具体表现为以下两条途径:

(1)技术转移。根据熊彼特[25]的创新经济学理论,技术创新成果只有经过扩散和应用才能发挥价值。技术要素循环是激发创新活力、提升科技水平的重要支撑,也是促进科技成果转移转化和经济发展方式转变的关键环节[26]。数据作为数字空间中的一种存在,表现为数据库中的一条条记录,人力资本借助数据库技术与互联网技术,促使数据在数字空间中发生实实在在的转移,该过程映射到现实空间则表现为区域间的技术溢出。一方面,技术转移是技术进步的重要方式,持续大规模的技术转移能够深刻影响受让方生产过程,推动该地区技术成果产业化进程。另一方面,技术转移过程涉及多个创新主体,稳定的转移网络有利于形成范围广且强度高的网络关系,推动区域间实现深度合作及价值创造。

(2)R&D人员流动。数字经济时代,在产生大量劳动力被替代的同时,也为技术人才创造出大量新职业和新岗位,数字经济发展打开了创业就业的新空间,对数字人才的新需求会加剧R&D人员在区域间流动。智力资本是创新活动开展和科技成果转化的基础与先决条件,其重要性超过土地、资本等传统生产要素,成为创新过程中最关键的稀缺性资源[27]。R&D人员流动隐含着知识跨区域的共享与传播,有助于降低技术创新对地理邻近性的依赖, 产生邻近地理范围内的溢出效应。据此,本文提出以下研究假设:

H3：数据与人力资本匹配可增强溢出效应,通过促进技术转移与R&D人员流动两条路径赋能区域创新。

2.3 产业结构转型升级的门槛效应

伴随数字经济发展,产业结构转型升级不断深入,成为推动数智赋能的重要驱动力量。从本质上而言,产业结构转型升级是利用微观要素的高效配置,进而促进宏观产业间比例趋于平衡的过程[28]。首先,数字经济快速发展夯实了产业结构转型升级的内生基础。无论是传统产业的“创造性破坏”,还是数字产业的异军突起,数字情景下的产业结构转型升级有助于传统要素数字化并降低生产要素流动壁垒,进而打破产业间独立性。传统产业的数字化转型是以数据赋能为主线的数字改造过程,数字产业化催生出新产业、新业态,最终形成产业集群的发展逻辑,为数据要素高效流通提供基础平台。其次,当产业结构基础条件足够支撑数字经济平稳运行时,“梅特卡夫威力”进一步凸显数据与人力资本组合赋能区域创新的乘数效应。在“以数强实”的发展逻辑下,有利于企业充分发挥自身平台、技术、数据等优势,降低传统区域创新活动拥挤效应外部性的同时,促进创新思维碰撞、创新成果转化,为创新以及高质量发展保驾护航。综上,本文提出以下研究假设:

H4：随着产业结构转型升级水平提高,数据要素与人力资本匹配组合所释放出的创新红利效应存在边际递增的非线性特征。

基于以上分析,构建理论分析框架如图2所示。

3 研究设计

3.1 模型设定

为检验人力资本有效配置数据要素赋能区域创新的直接影响,构建以下基准模型:

Innoit=α0+α1Dit+α2Xit+μi+λt+εit

(1)

其中,Innoit表示省份i在t时期的创新发展水平,Dit表示省份i在t时期的数据—人力资本耦合协调度,Xit为控制变量集;λ分别表示个体与年份的固定效应,ε表示随机误差项。

为进一步检验要素组合赋能区域创新的作用机制,分别以技术转移、R&D人员流动为中介变量(Med),在模型(1)的基础上构建递归模型以分析渠道效应。

Medit=β0+β1Dit+β2Xit+μi+λt+εit

(2)

Innoit=γ0+γ1Dit+γ2Medit+γ3Xit+μi+λt+εit

(3)

在上述检验基础上,考虑到产业结构水平可能对数据要素配置释放创新红利存在影响,借助经典门槛回归模型讨论数据—人力资本匹配赋能区域创新发展的非线性特征,构建式(4)。

Innoit=η0+η1Dit×I(Industry≤θ)+η2Dit×I(Industry>θ)+η3Xit+μi+λt+εit

(4)

式(4)中,Industry为门槛变量,即产业结构高级化水平。θ为门槛值,I(·)是指示函数,在满足括号内条件的情况下,取值为1,否则取值为0。另外,式(4)为以单门槛为例构建的非线性调节模型,若存在多个门槛值,可推广至多重门槛模型。

3.2 变量选择

3.2.1 被解释变量

区域创新发展水平(Inno)。丰富的创新要素积累有助于保持竞争优势,进而优化创新环境,加快创新成果扩散。因此,本文采用专利存量衡量区域创新发展水平。Popp[29]认为,技术变革主要有两个衡量维度:一个是新知识扩散速度,包括研发、专利获得以及专利应用;另一个是旧知识衰退速度,即新知识代替旧知识的速度。区域专利存量计算方式为:

Tit=

(5)

式(5)中,T表示省份i在t年份的专利存量,PAT为专利总数量,β1、β2分别表示知识衰减率和扩散率,s表示从专利授权到当前时间的时间间隔。β1、β2分别设置为10%和25%。

3.2.2 核心解释变量:数据—人力资本系统耦合协调度(D)

表1为构建的数据要素与人力资本耦合协调度综合指标体系。

(1)数据要素指标体系。与传统生产要素不同,数据要素属于无形要素范畴,难以用单一指标准确测度,因此本文从5个方面构建数据要素测度指标:第一,数据研发管理(v1)。在数字经济时代,数据如何确权、安全储存、可信传输以发挥其价值是数据要素发展中面临的重大挑战,数据要素管理集中体现为人力投入、人力组织掌控以及调配方面。第二,数据应用环境(v2)。数据应用环境是数据要素生产、流通并发挥其融合共生、网络外部性优势的重要外部环境支撑。第三,数据传播共享(v3)。数据已成为资源配置中不可替代的生产要素,但是只有通过传播共享才能够在满足市场需求的同时实现自身价值。数据流通有助于我国数字经济发展,经济活动中产生的大量数据成为企业努力挖掘的 “金矿”,数据传输与处理能力是企业在激烈的市场竞争中保持优势的决定性因素。第四,数字社会推进(v4),考虑到数字产业化、产业数字化的双重因素,主要选取快递业务收入、软件业务收入、数字普惠金融指数等指标,以此判断数据要素在经济社会与其它领域的融合渗透程度。第五,数字制度保障(v5)。数据作为生产要素在参与分配过程中,还存在数据产权界定不清、安全保护落后、分配主体不明确等主要问题,因此政府宏观调控是保证数据要素良好有序生产的重要屏障[30]。

(2)人力资本指标体系。参考现有研究,分别从医疗保障、基础教育、科创能力3个层面构建人力资本综合评价指标[23]。

在构建数据—人力资本要素组合综合评价体系后,进一步采用耦合协调度模型计算数据要素和人力资本两大子系统间的耦合协调度指数。

3.2.3 机制变量

(1)技术转移(Transfer)。技术转移具有定向性,即技术存在功能和效率上的级差,会由高势位向低势位转移,是创新资源溢出的重要渠道之一。本文选取技术转让合同项目数衡量技术转移水平。

(2)R&D人员流动(Flow)。作为创新要素主体,R&D人员流动量对区域创新发展有着举足轻重的影响。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。借鉴宛群超等[33]的研究,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。建立以下最终模型:

(6)

(7)

式(6)中,Flowij为i地流向j地的R&D流动量;M表征j地的R&D人员数;PGDP表征j地区人均GDP,也即市场机制作用对R&D人员产生的一种拉力。式(7)中,Flow为i地区的R&D人员总流动量。

3.2.4 门槛变量

产业结构转型升级(Industry)。打破以往资源配置效率低下的束缚,实现产业结构由劳动、资本密集型向技术密集型发展是高质量发展阶段产业结构升级的目标。此外,面对更加严格的资源环境约束,产业结构升级必须体现可持续发展理念,最终实现从数量扩张型向绿色低碳的质量提升型转变[34]。综上,分别选取高级化、合理化与绿色化3个子维度对产业结构转型升级水平进行测算,从而更加符合现阶段我国产业结构转向高集约化的发展要求,具体计算方法见表2。

3.2.5 控制变量

对以下变量进行控制:①地区经济发展水平(Pgdp),采用地区人均实际GDP(取对数)衡量;②外商直接投资水平(Fdi),采用地区外商直接投资额占GDP的比重衡量;③地方教育水平(Edu),采用各地教育支出占GDP的比重衡量;④城镇化水平(Urban),采用地区城镇人口年末数占总人口数的比重衡量;⑤交通基础设施水平(Infra),采用人均占有道路面积衡量。

3.3 数据说明

考虑到统计口径一致性以及数据可得性,选取中国内地的30个省份(西藏因数据不全,未纳入统计)作为最终研究样本,利用2012-2021年的平衡面板数据研究数据要素与人力资本形成的要素组合对区域创新发展的影响机理。使用数据来自CEIC数据库、北京大学开放数据研究平台、中国信息通信研究院、历年《中国统计年鉴》以及各省市统计年鉴,并对部分缺失值采用插值法补齐,具体描述性统计结果见表3。

4 实证结果与分析

4.1 时空分布特征

表4为数据—人力资本耦合协调度检验结果。其中,Mdata表示数据要素综合得分,Mhum表示人力资本综合得分。Mdata/ Mhum表示数据要素与人力资本的比值,以度量数据要素相对人力资本的领先或滞后程度。Dxy表示数据要素与人力资本耦合协调度,其值越大,表示二者耦合协调度水平越高。总体来看,研究期间数据要素水平滞后于同期人力资本水平,但数据要素水平提升较大,二者的耦合协调度呈现波动上升态势。这一结果充分表明随着数字化转型进程加快,我国数据管理体系更加完善,数据要素市场规模得以迅速扩大。

此外,参考尹昌斌等[35]的研究思路,分别以0.3、0.5、0.8、1为分隔点,将要素耦合协调关系划分为拮抗、磨合、耦合与协调4种类型。由测度结果可知,我国数据要素与人力资本的耦合协调度不断提升,并表现出2012—2016年的“拮抗型”以及2016—2021年的 “磨合型”等阶段性特征。目前,数据要素与人力资本的耦合协调度处于由 “磨合型”向 “耦合型”攀升的阶段。这表明数据要素与人力资本相互渗透、相互支撑,且研究期间这种相互促进作用逐渐增强。

表5为我国八大经济区域要素耦合协调度变化情况。可以发现,区域间存在显著差异。

(1)从整体看,虽然数据要素与人力资本耦合协调度处于攀升阶段,但是依然偏低。根据耦合协调类型,八大经济区域呈现为以沿海地区增长极带动内陆地区发展的格局。除大西北地区及东北地区外,其它六大区域的耦合协调度均表现为螺旋上升演化特征,说明多数地区的数据要素与人力资本协同作用逐渐增强。

(2)分区域看,各地区耦合协调发展水平差距明显。具体来看,大西北地区的耦合协调水平处于劣势地位,与三大沿海地区呈现近一倍的差距。大西南地区、东北地区及黄河中游地区在研究期间呈现为稳定的拮抗型发展态势。另外,长江中游地区在2019年实现由“拮抗型”向“磨合型”的转变,而沿海地区的要素耦合度始终保持领先地位,并向耦合型阶段演进。

4.2 基准回归结果

表6中列(1)—(3)为数据—人力资本组合赋能区域创新的基准估计结果,后续分析以模型(3)为准。可以看出,在逐步纳入不同控制条件后,要素耦合度D的弹性系数始终为正且通过1%水平下的显著性检验,表明要素组合显著促进区域创新发展,假设H1得证。列(4)和列(5)分别表示数据要素与人力资本单独对区域创新发展的影响。根据估计结果可知,数据要素的弹性系数为2.030,而人力资本的弹性系数为1.335,二者均通过1%水平下的显著性检验,表明数据要素与人力资本都具有创新驱动效应;就作用强度而言,数据—人力资本组合更胜一筹。据此,假设H2得证。

数据要素特有的技术—经济特征促使其拥有成为创新发展新动能的核心竞争力。一方面,低成本、非竞争性、易复制等特征是数据要素与传统有形生产要素之间的根本区别,也是近年来新产业、新业态及新模式得以涌现和发展的重要支撑[10]。另一方面,借助数字技术在供需主体间实现数据高效匹配,有助于发挥网络效应的正外部性,提高信息获取和传递效率,最终促进知识创造和技术研发。赖德胜等[36]研究指出,创新红利迸发是人力资本积累与人力资本配置联合作用的结果。现阶段尽管我国人力资本总量可观,但高素质人才流失、教育资源配置不合理等结构性问题仍然较为突出,成为约束创新活动的主要瓶颈之一。最后,符合数字经济时代要求的要素组合对创新效能起到催化剂作用。在以虚拟化方式交易商品和提供服务的数字经济时代,高素质人才、人工智能与海量数据相结合,形成先进的数字生产力,生产要素秩序表现为 “数据为王”[37]。人力资本对数据要素的激活是以多样化创新方式投入生产,从而有助于数据要素完全释放创新效能。人口优势与数据优势的结合,有助于数字化加速推进生产智能化、产业高端化、经济耦合化进程[38]。

4.3 稳健性检验

为提升研究结论可信度,采用3种方法对基准结果进行稳健性检验,回归结果见表7。首先,替换估计模型,采用FGLS模型再次检验,估计结果见模型(1)。结果显示,要素耦合度D对区域创新发展存在正向影响且通过1%水平下的显著性检验。其次,改变样本范围,重新估计。为防止异常值导致估计结果偏误,对被解释变量和解释变量进行上下5%的缩尾处理。由模型(2)的估计结果可知,剔除异常值后系统耦合度的回归系数减小,但作用方向及显著性不变,进一步说明研究结论稳健。再次,将解释变量滞后一期。由于原始数据无法直接利用,投入生产的数据要素通常是劳动加工后的数据产品,而当期数据要素的作用通常会受到前期数据要素规模的影响,因此采用核心解释变量滞后一期的方法重新进行估计[39]。由模型(3)可知,滞后一期的要素组合耦合度弹性系数为1.297且通过1%水平下的显著性检验。上述分析结果再次验证所得研究结论稳健,即数据要素与人力资本形成的要素组合能够成为驱动地区创新发展的新动能。

4.4 内生性检验

虽然上述实证结果表明数据—人力资本形成的要素组合对创新具有显著赋能效果,但为缓解内生性问题可能带来的影响,进一步确保结论稳健性,借鉴黄群慧等 [40]的研究,采用各地区1984年每万人电话数与上一年全国互联网用户数量的交互项作为组合要素的工具变量(IV),并通过两阶段最小二乘估计(2SLS)方法对内生性问题进行检验,结果见表8。回归结果再次验证了上述所得研究结论。此外,工具变量的相关检验,即K-LM与Wald F检验结果表明,不存在弱工具变量和识别不足问题,同时说明工具变量可行,进一步支持原有结论。

5 进一步讨论

5.1 异质性检验

参考杨刚强等 [41]的研究,根据中国信通院发布的《中国数字经济发展白皮书(2021)》中不同省市产业数字化水平和数字产业化水平排名,可划分为4组,即低数字产业化—低产业数字化(LL)、低数字产业化—高产业数字化(LH)、高数字产业化—低产业数字化(HL)、高数字产业化-高产业数字化(HH),异质性检验结果见表9。首先,低数字产业化—低产业数字化与高数字产业化-低产业数字化地区的要素组合存在显著的创新赋能效果,并且随着数字产业化水平提升,创新赋能作用也得到增强,该结论充分表明数字产业化是数字经济背景下推动创新发展的“加速器”。这是因为,相比于产业数字化,数字产业化更强调数字经济发展及其对产业链关键环节的控制能力。数字经济的规模化发展为技术创新提供了应用场景、试验环境,带来了经济效益,数字技术和传统产业的有机结合推进数字产业化与产业数字化的内在联动、深度融合,协同推进传统产业数字化、网络化与智能化转型,重塑以数据要素为核心的生产模式,推动传统产业由劳动密集型向数字密集型转变,促进传统产业与数字产业形成规模大、效率高的融合式发展[42]。其次,高数字产业化—高产业数字化地区的要素组合存在创新 “负能”作用,但影响并不显著。随着数字经济覆盖广度和深度逐步拓展,对劳动力技能与素质也提出更高要求。有研究指出,现阶段我国人力资本在部门之间不匹配现象较为突出,在数字经济领先发展地区,市场对数字人才需求强劲,人才稀缺和融资困难是企业数字化创新中面临的主要障碍,也是制约我国数字经济发展的掣肘因素[43]。

5.2 路径检验:溢出效应分析

通过上述理论分析可知,数据与人力资本形成的要素组合可通过溢出效应对区域创新发展发挥促进作用,并且具体表现为技术转移和R&D人员流动两条路径,回归结果见表10。其中,第(1)—(2)列为技术转移路径检验结果,第(3)—(4)列为R&D人员流动路径检验结果。由技术转移路径检验结果可知,在其它因素保持不变的情况下,要素耦合度D每增加1个单位,将间接促进区域创新能力提升0.31个单位,且间接效应占比6.10%。从R&D人员流动路径的检验结果可知,要素耦合度D每增加1个单位, R&D人员流动水平提升0.789个单位,从而间接促进区域创新能力提升0.24个单位,间接效应占比7.68%。由此,假设H3得证,即技术转移和R&D人员流动是要素组合赋能区域创新发展的有效路径。这是因为由数据与人力资本形成的要素组合,其知识性、可封装化有利于技术创新中隐性知识的跨区域共享与传递,能有效消除企业间技术和知识壁垒,加快知识和技术溢出,进而提升区域创新效率[44],促进区域创新发展。

5.3 非线性影响:产业结构转型升级的门槛效应分析

根据图3可以看出,区域创新、产业结构与要素耦合协调度的空间关系呈现出较为复杂的曲面结构,表明在产业结构转型升级水平这一变量约束下区域创新赋能效果表现出显著差异。考虑到这一空间异质性,本文分别对全国样本及不同地区子样本进行门槛回归,以综合考察产业结构转型升级对要素耦合赋能区域创新的非线性影响。

前文分析了要素耦合对区域创新发展存在的正向影响,但数据要素与人力资本耦合协调度提升是否就一定能够实现持续的创新赋能呢?为回答这一问题,以产业结构转型升级水平为门槛变量,进一步分析要素组合释放创新势能的非线性特征,对门限个数、门限值以及门限值的显著性进行检验,结果见表11。检验结果表明,全样本以及东部地区、中西部地区均存在单一门限效应且通过10%水平下的显著性检验。

借助门槛回归模型,检验不同产业结构转型升级水平下要素组合赋能区域创新的非线性溢出轨迹,回归结果见表12。从整体看,产业结构转型升级水平在跨越门槛值前后表现出边际递增的动态作用,充分说明数字经济是高质量发展阶段的强大创新动能,据此假设H4得证。这是因为产业结构转型升级过程伴随传统要素数字化,从而有助于破除要素流动壁垒,助推数字经济与实体经济融合发展,为创新模式演化提供更多可能性。当产业结构基础条件与本地区数字经济发展阶段、创新环境相匹配时,数据要素的“梅特卡夫威力”得以显现,通过与人力资本结合提高知识创造、传播和吸收效率,从而实现创新赋能的倍增效应。分区域看,在产业结构转型升级水平跨越门槛值前后,东部地区表现为边际递增的促进作用且要素耦合协调度系数均通过1%水平下的显著性检验;中西部地区表现为先促进后抑制的非线性特征,即跨越门槛前表现为正向影响但是作用并不显著,在跨越门槛值后表现为负向影响且通过1%水平下的显著性检验。这是因为东部地区作为改革开放和经济发展的先行区,在前期发展过程中积累的要素禀赋及结构红利使其具有率先发展数字经济的基础环境优势,有助于提前占领数字经济发展赛道,实现数字赋能“先发于人”。随着万物互联催生数据的爆发式增长,大数据 “摩尔定律”放大了创新驱动发展的 “马太效应”与 “串烧效应”[45]。从产业结构角度分析,现阶段我国正面临区域产业发展基础、高端产业培育能力参差不齐的瓶颈,内陆地区特别是西部地区尚处于技术创新水平低、内生动力不足的转型困难期,产业结构条件难以支撑数字经济良好有序发展。从数字基建角度分析,目前我国数字基建布局不平衡、不充分问题进一步加剧 “数据孤岛”现象,难以为数字经济平稳有序运行提供充分的算力保障,成为束缚中西部地区创新势能发挥的梗阻。

6 结论与启示

近年来,数据要素的爆炸式增长使其成为驱动创新范式变革的关键性力量,而如何将丰富的潜在创新要素转化为战略性资源对创新发展有着举足轻重的影响。针对这一主题,已有研究探讨了要素融合对创新发展的影响,本文以此作为重要理论基础并对该领域定量分析成果作有益延伸。一方面,对要素融合指标体系作进一步完善和扩充;另一方面,对区域创新发展水平的衡量采取有别于以专利数量作为表征变量的度量方式,选择以专利存量反映区域创新发展水平,更加突出可持续创新特征,与如今高质量发展的主旋律一脉相承。在阐述数据与人力资本结成要素组合赋能区域创新的理论机制基础上,对数据要素与人力资本的耦合协调度进行测算,并实证分析要素组合对区域创新发展的赋能效果及内在作用机制。研究结论如下:①时空分布特征分析结果显示,现阶段我国要素组合协调度总体处于磨合阶段,且八大经济区域间发展差距明显;②基准回归结果表明,数据及人力资本作为单独要素均有助于区域创新发展,二者形成要素组合时其创新赋能强度更大,这一结论经过系列稳健性检验后依然成立;③异质性分析结果表明,在不同数字产业化及产业数字化地区,要素组合对区域创新发展的影响存在显著差异,具体表现为“赋能”与“负能”两类作用效果;④从内在作用机制检验结果看,数据要素与人力资本匹配可以通过溢出效应促进区域创新发展,具体表现为技术转移、R&D人员流动两条作用路径;⑤空间三维拟合结果表明,在产业结构转型升级这一变量约束下,要素组合赋能区域创新呈现出复杂的曲面结构。引入门槛模型作进一步分析后发现,全样本及东部、中西部地区均存在单门槛作用。

研究结论有助于打通数字经济赋能区域创新的梗阻,丰富创新发展的动力体系研究,为我国未来如何促进要素组合赋能区域创新发展提供理论参考。获得的政策启示包括:

(1)促进数据要素与人力资本深度耦合,打造区域创新可持续竞争优势。一方面,明晰数据要素流通应用的安全边界,积极探索数据流通的交易模式,推进数字基础设施建设,在确保数据要素流通过程有法可依的基础上进一步消除数字壁垒。另一方面,加强数字技术人才培育,填补数字人才需求与缺口之间的“沟壑”。同时,高技术人才作为创新主体,要切实立足区域发展需求,充分挖掘数字资源,积极推进数据要素与传统生产要素、数字经济与实体经济的融合。

(2)重点培育以数字产业为核心的发展引擎,形成以“技术促创新”的正反馈机制。推动数字技术与传统产业融合发展,加速产业数字化革故鼎新的发展步伐,鼓励科技创新成果走向市场,转化为驱动经济创新发展的现实动力。因势利导,发挥区域自身优势,将“负能”梗阻转为“赋能”推手。

(3)重视知识溢出的渠道效应,实现区域创新“双轮驱动”。一方面,政府部门在重点关注本地区创新条件与环境的同时,要加强区域间技术交流,积极搭建协同创新发展平台,打破区域间创新发展的行政壁垒与技术壁垒,特别是要强化要素组合赋能创新发展的外溢效应。另一方面,智力资本作为研发创新活动的重要支撑,要加强R&D人员的合理配置。各地政府应按需制定人才引进政策,切实推进户籍制度改革进程,鼓励R&D人员在区域间自由流动,从而扩大创新发展的“地理半径”。

(4)提升产业结构转型升级水平,充分激发数据—人力资本组合要素的“梅特卡夫威力”。科学把握产业结构转型所处阶段,确保产业结构与数字经济发展所需的基础环境相匹配,进一步延伸创新溢出的地理半径,最大程度地激发产业结构的正向调节作用。此外,通过产业关联效应实现产业结构“由点连成线”,打造“数字+”产业集群,为增强要素组合的创新赋能效应提供新支点。

7 不足与展望

本文研究尚存在以下不足有待未来深入探讨:

首先,要素耦合指标体系有待进一步完善。数据要素所具备的虚拟性、渗透性、可复制性等公共属性使其价值难以准确度量,学术界也没有统一的数据要素水平测度方法。因此,未来可考虑以数据存储与计算、数据管理、数据流通、数据应用以及数据安全五大核心领域为基准,从各省市政府工作报告、数字经济发展政策等文本信息中筛选出与上述5个子维度相关的关键词频,汇总后作为数据要素发展水平代理变量,在此基础上进行数据要素与人力资本要素融合水平测度。

其次,要素融合内容有待扩充。数字经济时代的劳动力、技术、资本通常是被数字赋能后的生产要素,该过程势必涉及数据要素渗透。因此,未来可以进一步分析现阶段数据要素分别与资本、技术的融合水平、数据要素与传统生产要素融合在不同时期和地域呈现出的特征、融合升级后的生产要素对区域创新发展会产生怎样的影响等。对于这些问题的深入探讨,有助于以微观要素为重要抓手,确保数字经济对高质量发展提供高效率、全方位的赋能。

此外,要素融合与区域创新间的动态关系有待进一步分析。数字经济作为一种融合型经济形态,正在逐步模糊创新过程以及创新主体边界。通过前文分析可知,传统要素实现数字升级后会进一步激发区域创新活力。当区域创新绩效呈现积极的提高态势时,其反过来又会对传统要素与新型要素耦合发展产生怎样的影响?二者之间是否存在动态互促的良性循环?这些都是未来值得深入探讨的方向。

参考文献：

[1] 庄子银.数据的经济价值及其合理参与分配的建议[J].国家治理,2020,16(4):41-45.

[2] PRUFER J, SCHOTTMUllER C. Competing with big data[J]. The Journal of Industrial Economics, 2021, 69(4): 967-1008.

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

[4] 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.

[5] 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,2021,10(10):41-50.

[6] 徐晔,赵金凤.数据资源生态化配置效率的空间网络结构及影响因素[J].数量经济研究,2021,12(3):16-35.

[7] 王颂吉,李怡璇,高伊凡.数据要素的产权界定与收入分配机制[J].福建论坛(人文社会科学版),2020, 40(12):138-145.

[8] 何玉长,王伟.数据要素市场化的理论阐释[J].当代经济研究,2021,32(4):33-44.

[9] 王建冬,童楠楠.数字经济背景下数据与其他生产要素的协同联动机制研究[J].电子政务,2020,17(3):22-31.

[10] 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.

[11] 田时中,许玉久,范宇翔.数据要素新动能对制造业高质量发展的影响研究[J].统计与信息论坛,2023,38(8):55-66.

[12] FARBOODI M, VELDKAMP L. A growth model of the data economy[R].NBER Working Paper No.W28427,2021.

[13] 徐翔,赵墨非,李涛,等.数据要素与企业创新:基于研发竞争的视角[J].经济研究,2023,58(2):39-56.

[14] 谢康,夏正豪,肖静华.大数据成为现实生产要素的企业实现机制:产品创新视角[J].中国工业经济,2020,38(5):42-60.

[15] 刘龙均,龙静,柳汝泓,等.大数据能力如何驱动企业创新:基于资源编排视角[J].科技进步与对策,2024,41(7):72-80.

[16] AKCIGIT U, LIU Q. The role of information in innovation and competition[J]. Journal of the European Economic Association, 2016, 14(4): 828-870.

[17] GHASEMAGHAEI M, CALIC G. Assessing the impact of big data on firm innovation performance: big data is not always better data[J]. Journal of Business Research, 2020, 108: 147-162.

[18] MULLER O, FAY M, VOM BROCKE J. The effect of big data and analytics on firm performance: an econometric analysis considering industry characteristics[J]. Journal of Management Information Systems, 2018, 35(2): 488-509.

[19] 陈强远,林思彤,张醒.中国技术创新激励政策:激励了数量还是质量[J].中国工业经济,2020,38(4):79-96.

[20] 史丹.数字经济条件下产业发展趋势的演变[J].中国工业经济,2022,40(11):26-42.

[21] AMIT R , HAN X .Value creation through novel resource configurations in a digitally enabled world[J].Strategic Entrepreneurship Journal, 2017, 11(3):228-242.

[22] 康健,胡祖光.创新链资源获取、互联网嵌入与技术创业[J].科技进步与对策,2016,33(21):16-23.

[23] 陶长琪,丁煜.数据要素何以成为创新红利——源于人力资本匹配的证据[J].中国软科学,2022,37(5):45-56.

[24] NEGROPONTE N.Being digital[J].Library Quarterly Information Community Policy, 2000, 11(3):261-270.

[25] SCHUMPETER J A. The theory of economic development: an inquiry into profits, capital, credit, interest, and the business cycle[M]. America:Harvard University Press, 1949.

[26] 史丹,叶云岭,于海潮.双循环视角下技术转移对产业升级的影响研究[J].数量经济技术经济研究,2023,40(6):5-26.

[27] LEPORI B, SEEBER M, BONACCORSI A. Competition for talent. Country and organizational-level effects in the internationalization of European higher education institutions[J]. Research Policy, 2015, 44(3): 789-802.

[28] 白雪洁,宋培,李琳.数字经济发展助推产业结构转型[J].上海经济研究,2022,41(5):77-91.

[29] POPP D. Induced innovation and energy prices[J]. American Economic Review, 2002, 92(1): 160-180.

[30] 操奇,孟子硕.数据作为生产要素参与分配机制的几个问题[J].福建论坛(人文社会科学版),2020,40(11):19-27.

[31] 郭峰,王靖一,王芳,等.测度中国数字普惠金融发展:指数编制与空间特征[J].经济学(季刊),2020,19(4):1401-1418.

[32] 路天浩.要素禀赋、创新模式选择与区域经济高质量发展[D].长春:吉林大学,2023.

[33] 宛群超,袁凌.创新要素流动与高技术产业创新能力[J].科研管理,2021,42(12):80-87.

[34] 史丹.绿色发展与全球工业化的新阶段:中国的进展与比较[J].中国工业经济,2018,36(10):5-18.

[35] 尹昌斌,邱建军,林涛,等.我国创新型县市建设模式与途径[J].中国科技论坛,2007,15(3):67-70.

[36] 赖德胜,纪雯雯.人力资本配置与创新[J].经济学动态,2015,4(3):22-30.

[37] 于立,王建林.生产要素理论新论——兼论数据要素的共性和特性[J].经济与管理研究,2020,41(4):62-73.

[38] 胡鞍钢,周绍杰.中国的信息化战略:缩小信息差距[J].中国工业经济,2001,5(1):25-29.

[39] 蔡继明,刘媛,高宏,等.数据要素参与价值创造的途径——基于广义价值论的一般均衡分析[J].管理世界,2022,38(7):108-121.

[40] 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,2019,37(8):5-23.

[41] 杨刚强,王海森,范恒山,等.数字经济的碳减排效应:理论分析与经验证据[J].中国工业经济,2023,41(5):80-98.

[42] 杨勇.数字技术影响产业链内部创新分工的机制研究[J].科学学研究,2023,41(8):1495-1506.

[43] KAREN R,POLENSKE.创新经济地理[M].北京:高等教育出版社,2009.

[44] 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.

(责任编辑：胡俊健)