Patents, a direct indicator of technological advancement, objectively reflect the technological landscape of regions or enterprises. The "technological complementarity" notion holds that diverse tech categories drive regional complementarity, while homogeneous ones intensify competition. On the basis of the calculations, the study constructs a digital tech complementarity network for 30 Chinese provinces, and calculates provincial-level digital technology complementarity indices based on China's digital technology patent data from 2007 to 2023. It then employs a spatial-varying coefficient panel regression model to quantify regional linkage effects of digital technology complementarity in China and utilizes a temporal exponential random graph model to analyze its transformation mechanisms.
The study finds that between 2007 and 2023, the degree of digital technology complementarity among Chinese provinces demonstrated a significant upward trend, with cross-regional digital technology complementarity becoming increasingly active. In terms of linkage forms, the interaction effects of digital technology complementarity exhibited dynamic changes. The siphon effect was primarily concentrated in the Northeast and Northwest regions, exacerbating inter-provincial disparities in digital technology complementarity. In contrast, the radiation effect was mainly observed in the Yangtze River Delta region, tending to narrow these gaps. The transformation process of these linkage forms was influenced by structural dependence effects, actor-relation effects, and temporal dependence effects, with triadic structures serving as the primary network configuration. High-level digital technology complementarity provinces and their radiation capacity emerged as key nodal attributes. Heterogeneity analysis revealed that the linkage transformation mechanism in the eastern region was predominantly driven by structural dependence effects, with a stronger influence than in the central and western regions. Regarding different levels of digital technology development, the structural dependence effect was only significant in regions with high digital technology development. Furthermore, the influence of the out-degree indicator, digital technology complementarity index, and geographical distance on the formation of the radiation effect was more pronounced in high-level regions.
The research contributions of this paper are primarily reflected in the following aspects: First, it supplements existing provincial-level digital technology research from a complementarity perspective. Although the concept of digital technology is relatively mature, research on its complementarity remains insufficient. This study analyzes the provincial digital technology complementarity landscape in China by constructing an inter-provincial digital technology complementarity index. Second, it explores the linkage patterns and changing characteristics of provincial digital technology complementarity in China from a regional linkage perspective. By integrating a spatial-varying panel regression model, this study identifies the linkage effects of digital technology complementarity between provinces and precisely quantifies the impact of changes in one province's digital technology complementarity level on other provinces. Third, this study investigates the transformation mechanisms of digital technology complementarity linkage forms from a network structure perspective. Employing a temporal exponential random graph model, it examines the dynamic forces driving transformations within digital technology complementarity linkage networks. Robustness tests are conducted using multiple methodologies to validate the findings, providing empirical evidence to better advance coordinated digital technology development across China's provinces.
开放科学(资源服务)标识码(OSID)：
2023年1月,习近平总书记在二十届中共中央政治局第二次集体学习时强调,“推动区域协调发展战略、区域重大战略、主体功能区战略等深度融合,优化重大生产力布局,促进各类要素合理流动和高效集聚”。2024年7月,党的二十届三中全会提出,“构建优势互补的区域经济布局和国土空间体系”。随着全国统一大市场建设的逐步完善,各地区以跨界要素配置为推手,依靠自身比较优势进行差异化技术研发,以形成技术互补发展格局,助力区域经济协调发展。基于技术的关联性,各地采取模仿、互动以及合作研发等方式,利用技术溢出效应提升自身技术水平[1]。然而,部分地区由于技术来源区别度小、技术结构相似性大[2],易造成重复科研现象。技术互补发展格局强调各地依据比较优势布局自身技术,并与技术匹配的其他地区开展技术合作与研发。有研究指出,技术邻近性产生的技术创新溢出效应大于地理邻近性产生的技术创新溢出效应[3]。此外,随着技术互补程度加深,其带来的市场收益可以覆盖地理距离成本[4]。这表明地区间的技术互补活动并非仅局限于地理邻近区域,还可以通过技术半径拓展实现更广泛的技术合作与协同创新。
数字技术互补作为驱动企业数字化转型的重要力量,依托技术革新与跨界协同的融合效应,降低行业壁垒、优化企业资源配置、促进产品创新迭代[5-6]。由于数字技术广泛存在,其已深度融入各类组织架构并促进技术主体跨领域交流[7]。在国家政策引导和市场压力下,数字技术互补正以技术研发模式的开源化[5]以及过程边界的动态化[8]不断渗透并重构传统的技术生态[9]。尽管有学者关注到数字技术互补的重要性,但仍存在以下研究局限:第一,现有研究对数字技术互补联动效应的关注不足。随着区域协调发展战略的深入推进,我国各省域间的联系日益紧密,区域间呈现相互依赖、彼此影响的复杂特征[10]。作为以技术合作为纽带的数字技术互补在省域间的联动效应不仅影响整体的数字技术发展,而且对实现经济高质量发展产生重要影响。第二,有关网络微观结构对数字技术互补的影响探讨较少。当前研究多集中于外生因素对数字技术互补的影响分析,而对网络微观结构等内在因素如何影响数字技术互补的研究较少,从网络结构特征视角的分析还有待深入。本文系统刻画我国省际数字技术互补格局及区域联动效应强度,阐释联动效应的转化机制,为增强辐射效应、促进区域数字技术协同发展提供经验证据。
随着数字经济的快速发展,数字技术成为新一轮科技革命中重要的共性技术[11]。数字技术不仅能够降低数据储存、计算和运输成本[12],而且通过终端互联、数据积累与算力跃升,能够突破时空约束[13]。由于数字技术所涉及的学科背景和技术领域跨度较大,传统意义的知识外溢和技术扩散可能无法在数字产业间广泛展开,创新协同可能更多地以技术互补方式呈现[14]。数字技术互补是指不同地区依托同一数字技术大类下的不同子类技术,通过协作共同完成数字产品研发与生产的过程,其本质是该产品的技术构成具有跨地域来源特征[1]。当地区间的技术结构具有关联性且不存在直接竞争关系时,才能实现有效的技术互补。此外,数字技术的互补性体现了数字技术的出现加快要素流动,各地区通过要素禀赋的比较优势参与区域分工[15]。根据“流空间”理论,数字技术的快速发展促进生产要素自由流动,为跨区域技术合作提供了条件[16]。现有的数字技术互补研究多集中在微观层面。如Elena等[17]通过对俄罗斯多家企业的数字技术应用情况进行分析,发现不同的数字技术应用之间存在正相关或因果关系,表明数字技术之间存在互补性;María等[18]利用1991—2016年5 511家西班牙制造企业的样本数据,分析数字技术互补对生产率和就业的影响;Fusillo等[19]利用欧洲专利数据发现,数字技术互补是循环经济下实现技术重组的关键驱动力。
区域联动主要研究区域之间的联系与合作机制,强调通过科学的分工与协作,破除边界壁垒,在提升全局整体利益的同时寻求各区域发展最大化[20]。数字技术互补深刻揭示了不同区域间数字技术体系的结构关联性,强调不同数字技术架构之间存在相互依存与协同关系。从区域联动层面分析,数字技术互补机制通过构建跨区域技术协作网络,突破传统的地理边界和行政壁垒,显著促进人才、资本、数据等生产要素在区域间的优化配置与高效流动,大幅提升区域间信息交互效率与知识共享水平[21]。此外,数字技术本身所具有的非竞争性以及高度可重组性[22],为区域联动发展提供了坚实的技术基础与创新空间。区块链、物联网和人工智能等数字技术本身具有显著的区域异质性[23],导致数字技术互补的区域联动效应也呈现差异化。因此,针对区域联动效应的差异性制定合适的区域数字化发展战略尤为重要。
经济地理学将区域联动效应进一步划分为虹吸效应和辐射效应。其中,虹吸效应向辐射效应转化是缩小区域间数字技术发展差距的重要条件。由于网络演化过程受互惠效应、结构依赖效应、行动者关系效应、时间依赖效应以及外生网络效应的共同驱动,本文将就上述网络属性对数字技术互补联动效应转化机制的影响进行理论探讨。
互惠效应和结构依赖效应作为内生结构属性,是指网络内部结构和网络节点之间的相互联系对网络演化的影响[24]。近年来,学者们逐渐关注到网络中的微观结构,认为网络关系形成会受到网络内生结构自下而上的驱动,导致全局网络发生质性变化[25]。戴靓等[26]研究发现,长三角城市科研合作网络是内外动力共同作用的结果,其中,结构依赖效应促进科研合作网络关系形成;Liu等[27]研究了内生结构对工业大气污染空间关联网络的影响,发现在互惠效应和结构依赖效应影响下网络表现出路径依赖特征。在联动效应转化过程中,辐射效应的形成不可避免地受到已有关系的影响。微观层面的相互依赖关系持续作用于宏观的地区合作关系,促使节点嵌入特定的网络内生结构。这种结构嵌入决定地区数字技术发展禀赋,并反作用于微观主体行为,从而强化网络内生结构的作用[28]。
行动者关系效应描述了网络节点属性和特征对网络关系的影响,主要包括同配效应和节点属性效应[24]。其中,同配效应强调节点间共同属性对网络关系的作用,节点属性效应表征网络节点的外部特征(如资源禀赋和技术水平等)对网络演化的影响。苏佳璐等[29]研究发现,人力资本水平的同配性对长三角城市群技术协同创新网络关系形成具有积极影响;Zhang&Jiang[30]发现,在全球稀土贸易网络中,可再生能源投资、人口以及GDP等节点属性会促进网络关系形成。一方面,省份间具有相似的数字技术配置特征,其共同属性促进联动效应转化;另一方面,资源禀赋突出的核心节点凭借其在网络中的关键地位,能够高效获取并传递资源,进而对其他节点产生辐射效应[29]。
外生网络效应强调外部环境在网络演化中的作用。例如,空间位置变化可能导致网络节点连接与重组[31]。Jia等[32]研究发现,地理距离对碳排放关联网络有显著负向影响;邓创和曹子雯[33]研究了人口流动、地理距离等多个外部网络协变量对经济高质量发展联动效应转化的影响。新经济地理理论认为,地理空间邻近促使生产要素流动更加便捷,有利于区域间模仿和学习[34],从而形成辐射效应。
时间依赖效应揭示了网络演变不仅会受当前结构的影响,而且受到历史状态的影响,强调网络演变的动态效应[35]。根据演化经济地理学的路径依赖理论,网络关系形成不仅受到同期内外生变量的影响,而且与历史结构有关[36]。Pan等[37]在TERGM模型中加入时间依赖效应以检验全球碳转移网络稳定性与可变性;Li等[38]发现,时间依赖效应会显著促进建筑业碳排放空间关联网络关系形成。上述文献说明相对稳定的联动关系能加深节点交流与合作,有利于辐射效应形成。时间依赖效应还能强化辐射效应在网络中的持续性,这是因为转化关系稳定有助于资源或影响力的长期扩散。
通过对已有文献进行梳理和总结发现,虽然有关技术互补的研究已经较为丰富,但探讨数字技术互补联动效应转化机制的研究仍然较为缺乏。此外,现有的技术互补研究并未对技术类型进行细分,或深入探讨某类技术互补情况。本文尝试结合已有文献构建数字技术互补指标,分析我国省域数字技术互补水平,并进一步测度省域间数字技术互补联动效应,深入考察不同因素对数字技术互补联动效应转化的影响。
专利作为技术成果的直接体现,能够客观反映一个地区或企业在技术领域的发展水平。数字技术专利具有明确的分类体系(如IPC国际专利分类),能够将数字技术划分为不同技术大类和小类,便于统计和比较不同地区或领域的数字技术发展情况。技术互补强调不同种类技术有助于形成地区间技术互补格局,而相同的技术类别则会加剧地区间技术竞争。本文参考陈喆等[39]关于省际技术互补的界定,认为当两个省份拥有同一大类的不同小类数字技术时,两省在该大类上易形成数字技术互补格局。随着小类数字技术差异化程度不断提升,省际数字技术互补水平也不断提高。具体计算如式(1)所示:
(1)
其中,Craij表示i省份与j省份之间数字技术互补程度。m和n表示大类数字技术,p为大类数字技术专利数与地区数字技术专利数之比,SG为小类数字技术集合;g为小类数字技术,G为小类数字技术类别总数,P为小类数字技术专利数与地区数字技术专利数之比。根据国家知识产权局办公室印发的《关键数字技术专利分类体系(2023)》,数字技术共分为7个大类、585个小类。本文使用2007-2023年中国专利数据库中的发明专利申请数据,按照年度、省份以及IPC码,将专利申请信息进行分类,得到每个省份拥有大类数字技术和小类数字技术的发明专利申请数。
基于测算结果,本文构建中国内地30个省份(西藏因数据不全而未纳入)的数字技术互补网络,如图 1所示。其中,连边的深浅度和粗细度反映了两省间互补程度的高低。
图1 数字技术互补网络
Fig.1 Complementary networks of digital technology
2007-2023年我国省域间数字技术互补关系呈现显著变化。2007年网络连边的粗细度相似,说明此时数字技术互补水平在不同省域间差异较小;2012年部分连边呈现变粗态势,表明部分地区数字技术互补能力提升,部分省域之间开始构建起相对紧密的合作关系;至2017年,连边粗细差异更加明显,数字技术互补网络愈发紧密,一些省域成为数字技术互补的关键节点,与众多其他省域形成强互补关系;到2023年,网络节点差异进一步扩大,核心省域在网络中的地位更加凸显。
整体来看,广东、浙江以及河南等省份的数字技术互补程度相对较高。这些省份高度重视数字基础设施建设,依托其先行优势,进一步强化数字技术创新与应用,进而与其他省份构建起较强的数字技术互补关系。此外,广东、浙江等地区在数字技术研发、推广及创新方面居领先地位,具备先进的技术体系与雄厚的人才储备,而重庆、贵州等地区则拥有丰富的自然资源与特色产业,双方基于资源对接和优势互补,实现数字技术互补。值得注意的是,宁夏在2023年成为各地区数字技术互补的核心省份,主要源于近年宁夏算力产业快速发展。例如,宁夏银川成功建立了首个百亿级参数大模型“九天”,以及西北首个国家双备案大模型“希言”。此外,宁夏在算力建设领域还签署了31个国家重点项目。这些举措使得在算力背景下宁夏成为数字技术互补的重要省份。
目前关于区域联动效应的测度有多种方式。本文参考邓创和曹子雯[33]的研究,采用空间变系数面板回归模型并结合空间权重矩阵对其进行逆分解,以测算任意两个省份间的数字技术互补联动效应,具体见式(2)。
(2)
其中,yit表示第i个省份在t年的数字技术互补水平,本文采用该省份与其它省份数字技术互补程度的均值衡量。γiwijt表示其它省份数字技术互补水平变化对第i个省份数字技术互补水平的影响,即由第j个省份指向第i个省份的联动效应。Wijt为空间权重矩阵,本文采用动态引力矩阵形式。
和
分别表示第i个省份和第j个省份在样本期内的人均GDP均值,
表示i省份与j省份距离的平方。controls为控制变量,选取产业结构(第三产业增加值/第二产业增加值)、外商投资规模(外商投资企业进出口总额/GDP)、政府规模(一般公共预算支出/GDP)以及社会消费(社会消费品零售总额/GDP)4个因素。
结合数字技术互补特点,本文将其划分为3个时间段进行测算:2007-2011年为移动互联网和智能终端快速普及阶段,该阶段数字技术互补主要体现在硬件与软件的初步协同[40];2012-2016年为云计算和大数据技术成熟阶段,该阶段数字技术互补转向平台化与数据驱动[41];2017-2023年则为人工智能、5G和物联网的深度融合阶段,该时期数字技术互补进一步扩展到跨行业生态系统的整合[12]。
本文根据测算的数字技术互补联动效应值绘制网络图,如图 2所示。其中,箭头代表一个省域对另一个省域产生的单向联动效应,箭头越粗代表联动效应越强。
图2 数字技术互补联动效应网络
Fig. 2 Networks of linkage effects of digital technology complementarity
2007-2011年网络连边较稀疏且粗细度差异不大,表明不同省份间数字技术联系不够紧密,未形成显著的数字技术互补联动效应;2017-2023 年不同地区间数字技术互补联动效应增强,一些省份间形成较为稳定的强联动关系。此外,地理邻近省份间的数字技术互补联动效应普遍大于地理位置相距较远省份间的数字技术互补联动效应。如2007-2011年的北京→天津、2012-2016年及2017-2023年的江苏→安徽等,这些地理邻近省份间的连边普遍较粗。其归因于地缘优势带来的多方面便利:首先,邻近省份间数字技术发展的协同性更强,更易实现资源互补与技术共享。其次,邻近省份间往往会形成经济圈或协同发展区。例如,长三角地区的上海、江苏、浙江等地,在数字经济发展过程中相互借鉴、互相促进,形成了强大的数字技术互补联动效应。
区域联动效应可划分为虹吸效应和辐射效应。具体而言,若低数字技术互补水平省份与高数字技术互补水平省份之间的净联动效应作用方向为从低水平省份指向高水平省份,此时两省份之间的联动效应表现为虹吸效应;相反,则为辐射效应。为清晰展现各省份之间的联动效应与转变,本文对3个时间段的虹吸效应和辐射效应分别进行识别,如图 3、图 4所示。
图3 虹吸效应网络
Fig.3 Siphon effect networks
图4 辐射效应网络
Fig.4 Radiation effect networks
从图 3可以看出,2007-2011年宁夏、江西、福建、陕西以及四川是虹吸效应的主要输入地区,而湖南、山西、内蒙古以及上海为主要输出地区;相较于前一阶段,2012-2016年的虹吸现象有所减弱,其中,宁夏、重庆、四川以及福建仍为主要输入地区,而江西、安徽、天津、湖南以及陕西则成为主要输出地区;2017-2023年是虹吸现象最为普遍的阶段,从分布情况来看,宁夏、甘肃、贵州以及海南成为主要输入地区,而北京、湖北、天津、湖南以及上海为主要输出地区。
从图 4可以看出,2007-2011年新疆、海南、青海、广西、贵州以及吉林为辐射效应的主要输入地区,而输出地区分布较为分散,其中,浙江、北京以及广东为最大的3个输出地区;相比前一阶段,2012-2016年辐射现象有所增加,其中,西部地区和东北地区成为主要的辐射效应输入地区,而京津冀地区、长三角地区及部分东部沿海地区为主要输出地区;2017-2023年辐射现象出现较大程度减少,从分布情况来看,输入地区主要集中在东北及西北地区,输出地区集中于长三角地区。
虹吸效应与辐射效应在区域数字技术互补中扮演对立角色,其中,前者会加剧省际互补程度的不均衡性,后者则有利于改善这种不均衡性。若虹吸效应大于辐射效应,区域间数字技术水平差距将趋于扩大;反之,当辐射效应占据主导时,区域间数字技术水平差距将呈现缩小趋势。为缩小区域发展差距、实现高质量发展,促进不同地区间数字技术互补由虹吸效应转为辐射效应具有重大现实意义。因此,本文将进一步分析省域间数字技术互补联动效应的转化机制。
时间指数随机图模型(Temporal Exponential Random Graph Models,TERGM)作为一种前沿的网络分析工具,充分考虑了网络数据的时间依赖性和动态演化特征,为动态网络研究提供了有力的方法支撑[42]。基于此,本文采用TERGM构建了2007-2023年联动转化机制分析的实证模型。
Yt为网络关系矩阵,yt为t时刻下的网络格局。TERGM模型可表示为如下形式:
P(Yt=yt|Yt-1=yt-1,θ)=
(3)
其中,Yt为t期网络,Yt-1为t-1期网络;P(Yt=yt|Yt-1=yt-1,θ)表示真实网络y在随机网络集合Y中出现的概率;c(·)为标准化常数;H为影响该网络形成的属性;gH(·)为该属性变量的数学表达式;θH为该属性变量的系数;θ为θH形成的系数向量。
联动效应转化包括两种效应的相互转化以及前后均呈现虹吸效应或辐射效应这4种情形。由于本文重点研究联动效应由虹吸向辐射转化的机制,因此基于2007-2011年的辐射网络数据构建NETt-1期网络,基于2012-2016年的辐射网络数据构建NETt期网络,基于2017-2023年的辐射网络数据构建NETt+1期网络,模型构建如下:
P(NETt=nett|NETt-1=nett-1,θ)=(1/c)exp(θ0Edges+θ1Mutual+θ2Triple+θ3Transitivety+θ4Dcra+θ5Homphily+θ6Distance+θ7Odegsqrt+θ8Memory[I])
(4)
其中,NETt为联动网络的t期网络,NETt-1为联动网络的t-1期网络,边(Edges)、互惠性(Mutual)、三元组(Triple)以及传递闭合性(Transitivety)作为内生结构变量;数字技术互补水平(Dcra)、板块同配性(Homphily)以及出度指数(Odegsqrt)作为行为者-关系效应变量;地理距离(Distance)作为外部网络效应变量;时间依赖效应(Memory[I])是在时间依赖效应模型中用以检验是否属于该模型的检验项。
将构建的辐射网络(NET)作为被解释变量,解释变量选取如表 1所示。
表1 解释变量
Table 1 Explanatory variables
变量名称变量符号微观结构变量含义及计算方法边Edges联动效应网络中边的数目互惠结构Mutual互惠性是指两节点之间存在双边关系三元组结构Triple三元组是指存在三元关系的组合传递闭合结构Transitivety传递闭合性是指存在梯度传递关系板块同配性Homphily判断联动效应网络中任意两个省份是否处于同一地理板块,如果处于同一板块则为1,否则为0出度指数Odegsqrt联动效应网络中节点发射的所有链接数的平方根数字技术互补水平Dcra当联动效应网络中任意两个省份间的数字技术互补水平高于全国平均水平时,上述省份划为高数字技术互补省份地理距离Distance联动效应网络中任意两个省份之间的距离
表2为TERGM的实证结果,模型1～模型3为不包含时间依赖效应的模型,模型4～模型6为包含时间依赖效应的模型。模型设定如下:模型1为基准模型;模型2加入互惠效应;模型3在模型2的基础上加入结构依赖效应;模型4至模型6则按相同方式依次引入其余变量。
表2 TERGM实证结果
Table 2 TERGM empirical results
变量模型1模型2模型3模型4模型5模型6Edges-6.16*-4.96*-4.34*-4.82*-3.94*-3.93*[-6.32,-5.94][-5.19,-4.52][-4.65,-4.13][-5.06,-4.56][-4.33,-3.50][-4.31,-3.56]Mutual-17.68*-17.13*-17.25*-16.66*[-17.93,-17.38][-17.39,-16.62][-17.60,-16.90][-17.00,-16.21]Triple0.07*0.10*[0.03,0.09][0.09,0.10]Transitivety-0.49*-0.41*[-0.50,-0.49][-0.41,-0.40]Memory[I]0.96*0.83*0.81*[0.89,1.05][0.75,0.95][0.71,0.92]Homphily-0.41*-0.27*-0.39-0.40*-0.35*-0.60*[-0.61,-0.25][-0.45,-0.04][-0.62,0.02][-0.59,-0.21][-0.48,-0.18][-0.66,-0.51]Odegsqrt1.75*1.44*1.27*1.41*1.19*1.08*[1.68,1.82][1.33,1.51][1.16,1.37][1.35,1.46][1.09,1.25][0.98,1.19]Dcra1.51*1.19*1.02*1.23*0.99*0.94*[1.33,1.62][0.88,1.38][0.82,1.22][1.01,1.46][0.66,1.30][0.67,1.21]Distance-5.78*-4.06*-4.58*-5.68*-4.33*-5.49*[-6.37,-5.36][-5.03,-3.07][-6.48,-3.24][-6.31,-4.95][-5.01,-3.15][-6.53,-4.12]Num.obs.2 6102 6102 6101 7401 7401 740
注:括号中分别为95%置信区间下限和上限;*代表系数估计结果在5%的显著性水平上通过检验,下同
表3 稳健性检验结果
Table 3 Robustness test results
变量更换年份非时间依赖效应模型时间依赖效应模型增加多期网络非时间依赖效应模型时间依赖效应模型Edges-4.42*-4.32*-4.20*-4.01*[-4.55,-4.33][-4.41,-4.19][-4.65,-3.77][-4.39,-3.57]Mutual-17.21*-16.59*-17.47*-17.17*[-17.50,-16.92][-16.76,-16.43][-17.73,-17.23][-18.19,-16.99]Triple0.12*0.13*0.11*0.10*[0.12,0.12][0.13,0.14][0.08,0.15][0.07,0.11]Transitivety-0.53*-0.51*-0.60*-0.48*[-0.84,-0.40][-0.78,-0.30][-0.80,-0.34][-0.80,-0.10]Memory[I]0.82*0.73*[0.68,0.96][0.63,0.86]Homphily-0.33-0.37-0.18-0.09[-0.57,0.11][-0.54,0.03][-0.41,0.17][-0.30,0.43]Odegsqrt1.19*1.11*1.15*1.15*[1.11,1.26][1.04,1.18][1.03,1.26][1.03,1.27]Dcra0.82*0.96*0.66*0.65*[0.68,0.95][0.85,0.99][0.52,0.80][0.51,0.69]Distance-4.55*-5.44*-4.20*-5.26*[-4.89,-3.88][-5.50,-4.78][-5.29,-2.83][-5.92,-3.37]Num.obs.2 6101 7403 4802 610
表4 地理位置异质性分析
Table 4 Heterogeneity analysis of geographic location
变量东部非时间依赖效应模型时间依赖效应模型中西部非时间依赖效应模型时间依赖效应模型Edges-2.97*-1.75*-4.56*-4.58*[-4.54,-1.81][-1.75,-0.92][-5.16,-4.05][-4.84,-3.85]Mutual-17.37*-18.23*-17.34*-17.21*[-18.50,-17.28][-20.47,-17.71][-18.28,-16.75][-17.96,-16.60]Triple0.240.17*0.14*0.23*[-0.26,0.42][0.05,0.27][0.00,0.26][0.14,0.28]Transitivety-0.61-0.39-0.45*-0.43*[-1.45,0.08][-0.65,0.26][-0.63,-0.35][-0.57,-0.33]Memory[I]1.49*0.51*[1.49,2.31][0.44,0.57]Homphily-1.91*-2.42*-0.72-1.05*[-2.36,-1.37][-3.23,-2.20][-1.38,0.18][-1.42,-0.87]Odegsqrt2.49*2.16*1.62*1.51*[2.23,2.98][1.95,2.16][1.59,1.66][1.46,1.51]Dcra0.781.181.16*1.10*[-0.18,1.37][-0.27,2.35][0.93,1.40][0.86,1.34]Distance-18.90*-25.34*-3.25*-4.26*[-24.34,-9.96][-40.61,-10.82][-4.88,-1.02][-5.24,-3.72]Num.obs.3302201 026684
表5 数字技术发展水平异质性分析
Table 5 Heterogeneity analysis of the levels of digital technology development
变量高水平非时间依赖效应模型时间依赖效应模型低水平非时间依赖效应模型时间依赖效应模型Edges-4.39*-3.26*-3.74*-3.94*[-5.71,-2.32][-4.94,-2.19][-4.25,-3.12][-4.46,-3.57]Mutual-16.82*-16.39*-17.43*-17.38*[-16.97,-16.08][-16.51,-16.35][-17.78,-17.23][-17.41,-17.10]Triple0.44*0.26*0.180.26[0.08,0.93][0.02,0.44][-0.21,0.43][-0.13,0.46]Transitivety-0.96*-0.89*-0.31-0.20[-1.38,-0.88][-0.89,-0.78][-0.63,0.23][-0.60,0.27]Memory[I]0.85*0.67*[0.85,0.98][0.67,0.78]Homphily-0.43-0.36*-0.64-1.03*[-0.64,0.01][-0.55,-0.23][-1.37,0.45][-1.55,-0.59]Odegsqrt1.73*1.78*1.56*1.51*[1.60,2.08][1.76,2.00][1.22,2.13][1.04,2.06]Dcra0.88*0.520.74*0.71[0.03,1.23][-0.11,1.27][0.17,1.54][-0.09,1.74]Distance-10.56*-11.30*-3.65*-3.89*[-14.85,-8.46][-11.33,-10.31][-4.36,-1.27][-3.89,-1.72]Num.obs.630420630420
图5分别展示两种模型的拟合优度图。模型拟合得越好,绘制的箱线图的中位数则越接近于实际观测网络的统计值。可以看出,非时间依赖效应模型和时间依赖效应模型的整体拟合效果较好,其统计值均处于中位线上。
图5 拟合优度检验图
Fig.5 Plots of goodness-of-fit test
由表 2可知,模型2中互惠性效应系数显著为负,表明双边互惠链接关系减少会促进虹吸网络转化为辐射网络。互惠性意味着节点间存在双向传导关系,即两节点间既存在辐射效应也存在虹吸效应。从网络结构看,联动效应转化仅赖于单向的传导路径,即虹吸网络转化为辐射网络。因此,互惠性不利于虹吸网络转化为辐射网络。模型3中的三元组系数显著为正,表明3个节点间的链接关系会促进虹吸网络转化为辐射网络。从虹吸网络转变为辐射网络过程中,三元组结构稳定有助于辐射效应产生。这是由于在转化过程中结构稳定有利于区域间构建紧密关系并且形成团体结构,从而助力转化。传递闭合结构系数显著为负,表明3个节点间存在的梯度传递关系并不能促进其他节点间产生链接关系,不利于虹吸网络转化为辐射网络。
在模型1～模型3中,只有模型3中的板块同配性系数不显著,未通过检验。在外部网络中,地理距离网络系数显著为负,说明发达省份的辐射范围受到地理距离的约束,未能充分发挥辐射作用。同配性矩阵系数显著为负,表明网络中存在同质化连接倾向,即各省份倾向于与自身技术配置相似的省份建立互补关系。这种结构限制了资源从高配置省份向低配置省份的溢出,对跨层级的技术辐射构成结构性障碍。数字技术互补水平网络系数显著为正,表示高技术互补省份会发挥辐射作用,带动低技术互补省份发展。出度指标显著为正,表明一个省份对外产生的辐射作用较强,其自身的辐射能力也随之增强。这说明在联动转化过程中,高辐射能力省份更易形成并维持其影响力。
在模型4～模型6中加入时间依赖效应,结果显示,尽管部分变量系数大小发生改变,但正负关系并未改变,表明各模型具备时间稳定性。在区际联动效应转化中,地理距离是影响辐射效应传导效率的关键因素之一。模型结果还显示,地理距离的网络系数显著为负,说明随着交通设施水平提高,空间可达性增强,有助于区域联动由虹吸效应转向辐射效应。同时,具备较高技术互补能力与较强技术扩散能力的节点,对辐射网络形成具有促进作用。具体而言,这类省份通常拥有更优质的资源与更高效的配置能力,能够有效带动低发展水平省份,进而推动区域整体协调发展。
为了保证实证结果的科学性,本文采用两种方式进行稳健性检验:一是更换年份,即重新调整2007-2012年辐射网络数据并构建NETt-1期网络,重新调整2013-2017年辐射网络数据并构建NETt期网络,重新调整2018-2023年辐射网络数据并构建NETt+1期网络。二是增加多期网络,即重新设计四阶段辐射网络,分别是2007-2010年、2011-2014年、2015-2018年和2019-2023年。两种方式检验结果如表 3所示,核心解释变量整体显著且效应波动幅度不大,表明模型具备稳健性。
4.5.1 地理位置异质性
为了进一步探索不同地区联动效应的转化机制,本文首先按照国家统计局的划分标准,将各省份划分为东部和中西部两大区域进行异质性分析,结果如表 4所示。就核心解释变量来说,东部地区的出度指标值和同配性矩阵效应值比中西部大。究其原因,东部地区包括京津冀经济带、粤港澳大湾区和长三角城市群等大型经济带,其数字产业聚集程度高,经济发展成熟,已形成了较为完备的基础配置,从而在推动联动效应由虹吸转向辐射的过程中发挥关键作用。相比之下,中西部省份由于数字化发展水平相对滞后,区域内辐射能力有限,进而导致整体转化能力相对不足。值得注意的是,地理距离的负向效应在东部地区表现更显著。可能的原因是,地理距离引致可达性降低,显著影响转化结果。因此,提高东部地区省份间可达性,能够有效促进整体转化能力提升。
4.5.2 数字技术发展水平异质性
我国不同省份间数字技术发展水平存在显著差异,会影响区域间联动效应转化。因此,本文以数字技术专利申请数的中位数作为划分标准,将各省份划分为高数字技术水平地区与低数字技术水平地区以进行异质性分析,结果如表 5所示。可以看出,结构依赖效应仅在高数字技术发展水平地区表现显著;高数字技术水平地区的出度指标效应值高于低数字技术水平地区;地理距离对辐射效应的阻碍作用在高数字技术水平地区中表现更明显。究其根源,高数字技术发展水平地区倾向于通过多边协同构建稳定的技术互补关系,进而形成辐射作用;而在低数字技术发展水平地区技术应用门槛较低,点对点的技术互补即可满足需求,削弱了辐射周边省份的能力倾向。地理距离的阻碍作用在高数字技术水平地区表现更突出,这是因为高度专业化的数字技术更需要地理邻近来保障高频交流,而低数字技术水平地区较低的数字技术难度淡化了空间约束。因此,应进一步完善配套基础设施,提升地理可达性,削弱地理阻隔对辐射效应的制约。
本文首先基于关键数字技术专利分类体系构建了数字技术互补指标,分析了不同省份间数字技术互补情况,而后采用空间变系数面板回归模型对省际数字技术互补联动效应进行测度,最后基于联动效应网络采用TERGM模型对联动效应转化机制进行分析,为数字技术互补联动形式由虹吸网络转向辐射网络提供了经验借鉴。主要结论如下:
(1)我国省际数字技术互补网络呈现显著的动态变化。2007年不同省份间的数字技术互补水平差距并不明显,至2023年核心省份地位进一步强化,跨地域互补关系活跃,地理邻近性对数字技术网络的影响逐渐减弱,跨地理的强连边数量显著增多。
(2)长三角及珠三角地区省份成为联动网络中的核心省份。就联动形式来看,西部地区和东北地区成为辐射效应的主要输入地区;京津冀地区、长三角地区及部分东部沿海地区为辐射效应的主要输出地区。
(3)从联动效应转化机制看,互惠结构和传递闭合结构在转化过程中起抑制作用,而三元组结构的结构依赖效应显著促进转化过程。地理距离对发达省份的辐射范围存在一定约束,高技术互补能力和强辐射能力的省份更易实现联动效应转化,促进区域间数字技术共享与均衡发展。
(4)从地理位置异质性来看,东部地区在出度指标、数字技术互补指数和同配性矩阵效应值上的表现优于中西部地区。从数字技术发展水平异质性来看,结构依赖效应仅在高数字技术发展水平地区表现显著;高数字技术发展水平地区的出度指标与数字技术互补指数效应值均高于低数字技术发展水平地区;地理距离对辐射效应形成的阻碍作用在高数字技术水平地区表现更明显。
(1)破解虹吸效应困境,提升数字技术水平。针对东北、西北地区虹吸效应突出的问题,需实施差异化策略。首先,定向强化数字基础设施建设与要素供给,通过设立数字边疆振兴基金等专项资金,支持5G、算力网络、工业互联网标识解析节点等新型基础设施的差异化布局,减少网络覆盖盲区。其次,推行数字人才回流计划,通过税收减免、科研项目倾斜及创新创业孵化器建设,吸引技术人才返乡,同时,联合头部企业共建区域性数字技能培训中心,提升本地劳动力数字素养。最后,构建特色化数字产业链,依托东北地区的装备制造业、西北地区的能源资源优势,推动传统产业数字化转型,通过本地应用场景培育减少技术的单向依赖。
(2)释放东部地区辐射潜能,优化长三角协同枢纽功能。首先,升级辐射通道能级,在辐射效应集中的长三角地区设立数字技术扩散中心,构建开源共享平台,促进数字技术对其他地区的持续性渗透。其次,激活三元组结构协同效应。例如以上海为枢纽,定向对接安徽、江西等邻近省份,辐射中西部地区,实现多地区数字技术的协同发展。最后,破解同配性锁定风险。加强东西部地区高校、企业间协作,特别是与技术结构差异大的地区合作,突破同质化锁定。
(3)构建全域协同体系,破除地理与发展水平的约束。首先,强化交通-数字复合基建联通。为突破地理距离约束,推进智慧交通走廊建设。如在高铁、高速干线沿线部署低时延数据中心;重点提升西北陆港、东北边境口岸的数字通关能力,增强跨境技术吸纳能力。其次,实施分层级技术互补策略。在高数字技术水平发展地区(如京津冀、长三角),应聚焦基础专利技术突破与国家实验室集群建设;在低水平地区则采用模块化技术导入降低学习门槛,建立省级技术匹配平台以动态对接供需。
[1] 郑江淮,陈喆,孙志燕,等.从竞争到互补:区域技术结构变迁的测度与理论假说[J].经济评论,2022,43(1):13-29.
[2] LAI M, WANG H, ZHU S. Double-edged effects of the technology gap and technology spillovers: evidence from the Chinese industrial sector[J]. China Economic Review, 2009, 20(3): 414-424.
[3] LESAGE J P, FISCHER M M, SCHERNGELL T. Knowledge spillovers across Europe: evidence from a Poisson spatial interaction model with spatial effects[J]. Papers in Regional Science, 2007, 86(3): 393-422.
[4] 郑江淮,陈喆,冉征.创新集群的“中心-外围结构”:技术互补与经济增长收敛性研究[J].数量经济技术经济研究,2023,40(1):66-86.
[5] FANG X, LIU M. How does the digital transformation drive digital technology innovation of enterprises evidence from enterprise's digital patents[J]. Technological Forecasting and Social Change, 2024, 204: 123428.
[6] JIANG W, LI J. Digital transformation and its effect on resource allocation efficiency and productivity in Chinese corporations[J]. Technology in Society, 2024, 78: 102638.
[7] SHAHZAD K, IMRAN F, BUTT A. Digital transformation and changes in organizational structure: empirical evidence from industrial organizations[J]. Research-Technology Management, 2025, 68(3): 25-40.
[8] COZZOLINO A, VERONA G, ROTHAERMEL F T. Unpacking the disruption process: new technology, business models, and incumbent adaptation[J]. Journal of Management Studies, 2018, 55(7): 1166-1202.
[9] 陈晓红,张静辉,汪阳洁,等.数字技术赋能中国式创新的机制与路径研究[J].科研管理,2024,45(1):13-20.
[10] 年猛,张海鹏,王垚.中国区域协调发展战略的增长贡献——兼论区域政策路径之争[J].中国社会科学,2024,45(4):24-45,204-205.
[11] MOUTHAAN M, FRENKEN K, PISCICELLI L, et al. Systemic sustainability effects of contemporary digitalization: a scoping review and research agenda[J]. Futures, 2023, 149: 103142.
[12] GOLDFARB A, TUCKER C. Digital economics[J]. Journal of Economic Literature, 2019, 57(1): 3-43.
[13] 顾冬冬.数字技术赋能高质量充分就业:作用机理与路径选择[J].经济学家,2025,37(4):24-35.
[14] 章激扬,邵记友,冯金梅.技术互补如何促进战略性新兴产业效率提升——以长三角为例[J].经济问题探索,2025,46(1):67-91.
[15] CAPELLO R. The city network paradigm: measuring urban network externalities[J]. Urban Studies, 2000, 37(11): 1925-1945.
[16] 陈明星,汤淑娟,陆大道,等.流空间理论与多尺度分析[J].地理科学进展,2024,43(12):2327-2336.
[17] SHAKINA E,PARSHAKOV P,ALSUFIEV A.Rethinking the corporate digital divide:the complementarity of technologies and the demand for digital skills[J].Technological Forecasting and Social Change,2021,162:120405.
[18] BALLESTAR M T, CAMI
A E, D
AZ-CHAO 
, et al. Productivity and employment effects of digital complementarities[J]. Journal of Innovation &Knowledge, 2021, 6(3): 177-190.
[19] FUSILLO F, QUATRARO F, SANTHI
C. Leveraging on circular economy technologies for recombinant dynamics: do localised knowledge and digital complementarities matter[J]. Regional Studies, 2025, 59(1): 2329255.
[20] 陆剑宝,符正平.海南自由贸易港与粤港澳大湾区联动发展的路径研究[J].区域经济评论,2020,36(6):130-135.
[21] TIAN Z, LI Y, NIU X, et al. The impact of digital economy on regional technological innovation capability: an analysis based on China's provincial panel data[J]. Plos one, 2023, 18(7): e0288065.
[22] 余倩,詹新宇.数字技术何以驱动企业创新:非对称驱动效应与机制解析[J].经济评论,2025,45(4): 101-116.
[23] SHI X,GENG S.Double-edged sword heterogeneous effects of digital technology on environmental regulation-driven green transformation[J]. Journal of Environmental Management,2025,389:125960.
[24] WANG H, LU X, FENG L, et al. Dynamic change and evolutionary mechanism of city land leasing network-taking the Yangtze River Delta region in China as an example[J]. Land Use Policy, 2023, 132: 106821.
[25] 顾伟男,刘慧,王亮.国外创新网络演化机制研究[J].地理科学进展,2019,38(12):1977-1990.
[26] 戴靓,刘承良,王嵩,等.长三角城市科研合作的邻近性与自组织性[J].地理研究,2022, 41(9): 2499-2515.
[27] LIU J, WANG R, TIAN Y, et al. The driving mechanisms of industrial air pollution spatial correlation networks: a case study of 168 Chinese cities[J]. Journal of Cleaner Production, 2024, 470: 143255.
[28] 戴靓,丁子军,曹湛,等.长三角地区城市协同创新网络的演化特征及其驱动力[J].资源科学,2023,45(5):1006-1019.
[29] 苏佳璐,李明星,马泽君,等.基于TERGM的跨区域技术协同创新网络演化动力研究[J].系统管理学报,2023,32(6):1255-1268.
[30] ZHANG H, JIANG J. The evolving impact of renewable energy investment on the rare earth trade network: an industrial Chain perspective[J]. Energy, 2025: 137195.
[31] ZHANG H, LI H, ZHENG X, et al. Dynamic evolution of the global copper trade dependency network structure and influence mechanism in the context of energy transition: an industrial chain perspective[J]. Renewable and Sustainable Energy Reviews, 2025, 212: 115318.
[32] JIA B, XIE M, WU J, et al. Towards low carbon urban agglomerations: spatiotemporal characteristics and influencing factors of carbon emission intensity and network linkages in China's urban agglomerations[J]. Ecological Indicators, 2025, 177: 113728.
[33] 邓创,曹子雯.我国经济高质量发展的区域联动效应及其转化机制研究[J].统计研究,2023,40(4):34-45.
[34] 肖沁霖,邓宗兵,文江雪.中国制造业智能化发展的空间关联网络与形成机制研究[J].科技进步与对策,2025,42(19):70-82.
[35] SHI X,HUANG X,ZHANG W,et al. Examining the characteristics and influencing factors of China's carbon emission spatial correlation network structure[J]. Ecological Indicators, 2024, 159: 111726.
[36] 贺灿飞,李伟.区域高质量发展:演化经济地理学视角[J].区域经济评论,2022, 38(2):33-42.
[37] PAN A, XIAO T, DAI L. The structural change and influencing factors of carbon transfer network in global value chains[J]. Journal of Environmental Management, 2022, 318: 115558.
[38] LI X, QIU Y, LIN C. Spatial network structure characteristics and dynamic evolution mechanisms of carbon emissions in the construction industry: an empirical study of East China coastal cities[J]. Sustainable Cities and Society, 2025: 106625.
[39] 陈喆,郑江淮,冉征.全国统一大市场建设、地区间技术互补与省际贸易增长[J].管理世界,2025,41(3):68-95.
[40] BRESNAHAN T F, TRAJTENBERG M. General purpose technologies 'Engines of growth'[J]. Journal of Econometrics, 1995, 65(1): 83-108.
[41] BRYNJOLFSSON E, MCAFEE A. The second machine age: work, progress, and prosperity in a time of brilliant technologies[M]. New York:WW Norton &Company, 2014.
[42] 李金昌,徐棽一,徐蔼婷.中国高质量技术转移网络的演化与内生机制研究[J/OL].科研管理,1-19[2025-11-12].https://link.cnki.net/urlid/11.1567.g3.20241212.1535.008.