开放科学(资源服务)标识码(OSID)：
Drawing on spatial economic theory and growth-pole analysis,this study examines the effects and mechanisms of computing-power technology innovation on coordinated regional development in China. The study uses panel data from 282 prefecture-level cities (2005-2021),and constructs a city-level computing-power technology innovation indicator by expanding a 36-term industry-standard lexicon with BERT and identifying 47 104 computing-power patents through an LLM-based classifier,which are then geocoded and aggregated to the prefectural level. Coordinated regional development is measured at multiple scales using 500-meter VIIRS-calibrated nighttime light data and 1-kilometer gridded population data. The empirical analysis applies single-regime and two-regime spatial Durbin models with time and city-fixed effects,complemented by threshold distance matrices to trace the nonlinear decay of spillovers. The findings indicate that computing power technology innovation produces significant positive spatial spillovers,raising the level of coordinated regional development and narrowing the relative development gap in administrative boundary areas,with marginal effects on boundary townships notably exceeding those on central townships. Regarding mechanisms,inter-industry co-agglomeration and the release of human capital agglomeration dividends serve as important paths,reshaping the spatial distribution into a polycentric and specialized pattern. Heterogeneity analyses show that the coordinating effect strengthens in cities with open public data platforms,whereas high entrepreneurial activity amplifies the siphoning effect. Further analysis shows that the spillovers of computing power innovation growth poles follow nonlinear geographic decay:within a 145-kilometer threshold,growth poles significantly promote neighboring cities' coordinated development,whereas beyond 160 kilometers the backwash effect dominates.
The contributions of this paper are reflected in three aspects. First,while most existing studies on digital economy and regional development focus on generic digital technologies or the macro-impacts of digital infrastructure,few studies define and measure computing power technology innovation as a distinct factor-driven paradigm. This study clarifies its connotation,uses LLM techniques to identify computing-power patents from large-scale textual data,and measures city-level computing power technology innovation at fine spatial resolution,thereby providing a new analytical construct and empirical basis for research on computing-power economics. Second,existing research rarely combines multi-scale spatial analysis with the geographically transferable properties of computing power. This study addresses the gap by combining spatial Durbin models with nighttime light data and gridded population data,jointly capturing inter-city spillovers and intra-city center and periphery dynamics at prefectural,township,and urban-core scales,thereby opening the black box of how computing power technology innovation affects coordinated regional development through inter-industry co-agglomeration and human capital redistribution. Third,existing research on regional growth poles mainly focuses on conventional innovation hubs,and few studies examine how computing power innovation growth poles shape surrounding cities under different geographic-distance conditions. Aligned with China's strategic orientation toward national supercomputing centers,this study builds a research framework for computing power innovation growth poles and empirically identifies the nonlinear distance-decay structure of their spillovers,providing spatial-planning guidance for national computing infrastructure and evidence-based support for reducing regional development disparities.
开放科学(资源服务)标识码(OSID)：
算力资源作为数字经济时代的核心生产力,已成为激活产业转型潜能、驱动经济社会高质量发展的战略性资源。2024年《政府工作报告》强调,“适度超前建设数字基础设施,加快形成全国一体化算力体系”。随着人工智能产业快速扩张,算力技术创新正迎来爆发式增长。根据国际数据公司(IDC)最新报告,2024年中国智能算力规模达到725.3百亿亿次/秒(EFLOPS),年增长率达74.1%,成为全球数字经济发展的重要推动力量。多元化技术路线探索与网络生态建设成为中国算力发展的关键特征。基于互联互通的空间属性,算力需求日益呈现多样化、动态化与实时化等特征,而现有算力技术服务难以满足灵活高效的用户算力需求,由此引发的结构性错配问题对区域协调发展构成新挑战。
算力技术创新是指以突破计算、存储及网络传输等基础设施的物理效能边界为核心,通过“云—边—端”架构优化资源配置,为各行业提供高效能计算服务的技术创新形态。与传统数字技术创新的市场驱动发展模式不同[1],算力技术创新的核心可归结为要素驱动的技术经济范式。一方面,数字技术创新聚焦于利用数字技术重构企业业务流程与组织形态,其演进紧密追随市场需求与商业应用场景变化[2],而算力技术创新致力于突破计算、存储与网络传输等算力基础设施的物理效能边界,从异构计算到量子计算,其发展高度依赖能源、气候、土地等基础生产要素的区域禀赋与相对价格[3]。另一方面,驱动机制的差异塑造了二者迥异的空间集聚规律。不同于数字技术创新呈现出的向高市场化水平、高经济密度的沿海经济圈高度集聚的特征[4],算力技术创新可经由高速光纤网络实现低成本的跨区传输,进而在具有能源禀赋与气候条件等比较优势的欠发达地区集聚,从而在更广的地理范围内实现资源配置优化。
我国算力资源已具备跨区域配置潜力,但其空间分布呈现“东高西低”的非均衡格局。由中国信息通信研究院发布的《综合算力评价研究报告(2024)》统计显示,全国综合算力排名前十的城市中有七个位于东部地区。东部地区依托数据要素密度、高端人力资本集聚以及智能产业生态等方面的先发优势,持续推动异构计算架构、分布式调度算法、低时延网络协议等关键领域的技术发展,引致技术、资本、数据等要素逆梯度流动,产生算力层面的虹吸效应[5]。相较而言,西部地区虽然具备能源成本低廉与气候条件适宜等比较优势,但算力产业链在数据存储、实时计算等关键环节仍存在短板。与此同时,算力发展仍然面临双重约束,计算能效低限制了智能化应用场景的拓展广度,算力增长慢又制约了智能化水平的进一步提升[6],而算力技术创新正成为突破上述约束的核心路径与关键载体。
算力技术创新不仅促进先进技术更大规模、更高效率地应用落地,成为核心技术产业实现创新性突破的关键力量[7],而且将重塑产业间协同发展格局。在算力资源与数据要素深度融合的过程中,算力技术创新有效释放数据要素流动发展红利,一定程度上破除地区与产业间信息壁垒,提升区域协调发展水平。已有研究更多聚焦于由数字技术导致的区域分化现象[8-9],而算力技术创新具有独特的技术经济属性,其影响区域协调发展水平的具体机制有待探究。尤其在实证研究范式上,对于算力技术创新这一内生驱动因素如何通过空间溢出效应影响区域协调发展水平缺乏系统测度与实证检验。本文利用2005—2021年中国282个地级市的专利申请数据和夜间卫星灯光数据等细颗粒度数据,构建地区算力技术创新的代理指标,针对上述问题进行实证分析,从多个维度上考察算力技术创新对城市区域协调发展水平的影响。
本文边际贡献主要体现在以下方面:第一,界定算力技术创新内涵,测算我国城市算力技术创新水平。尽管大量文献已经证实数字技术创新对经济高质量发展的影响[10-11],但鲜有文献讨论算力技术创新在数字经济发展过程中的基础支撑与先导作用。本文利用前沿文本分析技术,从专利数据中识别算力技术创新专利,并对其进行地理解码,转变为细颗粒度数据,从算力技术创新以及人力资本集聚红利释放的空间分布视角,实证考察算力技术创新对城市协调发展水平的影响,为算力经济的相关理论研究提供有益补充。第二,系统性分析算力技术创新的空间溢出特征。本文综合使用单区制及两区制空间杜宾模型,以及夜间卫星灯光数据、人口密度细颗粒度栅格数据等构建多种指标,从地级市、行政边界镇(乡、街道)内部与城市中心区内部等多尺度考察经济活动与人力资本集聚特征,丰富相关研究结论。第三,面向我国建设国家超算中心的战略导向,构建算力创新增长极研究框架。从“扩散—回波”效应视角,对算力技术创新的空间效应进行深化分析,进一步探明算力创新增长极城市的空间溢出效应在地理距离尺度上呈现的非线性特征,为理解算力技术创新空间溢出的不均衡性提供新的实证依据。
算力技术创新涵盖芯片技术、新型计算架构、云网边端协同、量子计算等诸多前沿领域,其高渗透性正加速算力技术与产业深度融合,改变生产要素的价值创造模式,并通过对区域经济活动的空间再配置,深刻影响区域协调发展水平。算力技术创新会促进区域知识流富集区的形成,高效传递市场信息,突破区域技术创新边界[12]。尤其是,算力技术创新能够充分释放数据要素的倍增价值,通过算力、数据与算法的协同作用带来更高效率的生产力。算力技术创新驱动的生产要素市场化配置将有效作用于新型基础设施及战略性新兴产业集群的协同优化,进而推动先进生产力升级[13]。各地区基于产业升级和生产率跃升形成新比较优势,实现协调水平更高的经济发展。
尤为关键的是,算力技术创新凭借其独特的地理负载可转移与跨区域低成本传输能力,深刻影响区域协调发展。一方面,与传统数字技术创新高度依赖本地市场响应与用户场景不同,算力技术创新的核心突破在于实现计算任务的地理负载可转移。算力技术通过融合计算能力与网络连接,使分布在不同地理位置的计算资源得以高效协同,计算任务可在多个节点分布式执行。单一算力集群因资源限制或排队问题往往无法满足需求,因此需要多个计算集群协同配合[14]。与此同时,算力一体化、协同化的布局能够充分利用各地区比较优势,使算力资源在地理上实现互联互通。通过构建全国一体化算力体系,可以整合地区、企业、机构的计算资源,避免资源分散和浪费,实现资源利用效率最大化[15]。这种互联互通和资源整合有助于消除区域间信息壁垒,促进区域经济协调发展。另一方面,算力技术创新通过跨区域流动机制和低成本传输能力促进区域协调发展。自2022年“东数西算”工程实施以来,8个国家算力枢纽和十大数据中心集群的布局,加之国家骨干直联网络的部署,算力供给服务通过标准化接口实现低时延、高可靠度且低摩擦成本的跨区域流动,显著降低跨区域数据调度的传输成本。跨区域的低成本传输能力不仅扩展了算力技术创新外溢的地理半径,更催生以数据实时交换为核心的虚拟网络集聚模式,即各主体依托算力网络实现协同创新,通过充分发挥比较优势,促进各区域协调发展。
综上所述,算力技术创新通过激发数据要素的倍增价值,凭借其独特的地理负载可转移和跨区域低成本传输能力,对不同区域市场主体形成系统性经济影响。算力技术创新影响地区协调发展水平的空间外溢性表现为区域知识溢出、生产要素流动与地区资源禀赋的再配置,其形成的算力网络在数字经济时代有助于落实区域协调发展战略,成为激活区域经济均衡增长的新动能。由此,本文提出如下假设:
H1:算力技术创新具有显著的空间溢出特征,能够显著提升区域协调发展水平。
1.2.1 产业间协同集聚
算力技术创新通过合理配置资源,优化产业链升级路径,夯实本地产业间协同集聚基础。一方面,以生产效率提升为重要目标,算力技术创新能够跨越产业边界,显著降低高技术产业与制造业获取高性能计算、大数据分析和人工智能服务的成本及门槛[16]。另一方面,算力技术创新作为关键的知识传播载体,降低了不同产业间信息沟通成本,为企业生产提供便利的环境,吸引外部企业进入,从而提高产业间协同集聚水平[17]。
算力技术创新具有网络溢出特征,使得产业间协同集聚得以突破地理尺度上的发展壁垒,助力区域协调发展。当城市成为算力技术创新高地后,其强大的算力平台与服务能力凭借网络效应向外辐射,周边地区企业无需独立承担高昂的算力基础设施建设成本,可参与区域研发设计、供应链管理与生产制造协同[18]。这不仅有利于突破地理距离对知识扩散和技术溢出的束缚,更催生以数据流为牵引的虚拟网络集群,使得跨行政区的功能分工与协同生产成为可能。据此,本文提出如下研究假设:
H2:算力技术创新通过推动产业间协同集聚促进区域协调发展。
1.2.2 人力资本集聚
算力技术创新在改善区域发展不协调问题时,其技术密集型特征激发对劳动力要素创新能力的需求[19],在技术的竞争与协作中形成专业化分工,释放知识的集群效应。在空间外部性上,人力资本通过生产网络实现信息与知识交换,借助跨区域分工合作机制,在空间上形成专业化集聚。在算力技术创新中,参与创新的软件与信息技术服务业、互联网等产业企业具有技术偏向性与知识高度密集等特征,其岗位要求对不同技能水平劳动力有显著的异质性影响[20]。通过优化区域间劳动力专业化分工水平,算力技术创新为释放人力资本集聚红利提供了新动能。
经济发展在空间上的不均衡特征,往往会在城市内部促进形成“中心—外围”结构[21]。经济发展较好的中心区域凭借领先的技术创新水平与资源配置能力,在人力资本与生产力方面具有较大优势,而周边邻近地区则紧紧依托中心区域。通常而言,由于周边地区从中心区域经济增长溢出中的获益递减,周边地区人力资本集聚水平也会随着远离中心区域而逐渐降低,即呈现区域发展的距离衰减规律[22]。因此,若人力资本在区域内得以重新配置,无论是促使区域内人口密度分布更均衡,还是推动区域边界地区加速发展,均会提升区域协调发展水平。由此,本文提出如下研究假设:
H3:算力技术创新通过释放地区人力资本集聚红利促进区域协调发展。
基于上述分析,本文构建理论框架如图1所示。
图1 理论框架
Fig.1 Theoretical framework
2.1.1 空间杜宾模型
借鉴已有文献做法[23],本文采用空间计量模型开展实证分析,构建如下空间杜宾模型:
Yit=α1+ρWYjt+β1lnzlit+γ1Xit+
1Wlnzljt+φ1WXjt+μi+νt+εit
(1)
其中,Yit代表城市区域协调发展水平,包括区域内夜间灯光数标准差(lneg)和区域内边界区夜间灯光数与中心区夜间灯光数据的比值(spa);W代表空间权重矩阵,本文采用反地理距离矩阵并将其作进一步标准化处理。选择反地理距离矩阵的原因在于,受计算任务的差异性以及算力供给服务对时延要求的影响,算力技术创新的空间溢出更多取决于地理、能源和气候条件等因素[24]。同时,反地理距离矩阵能够更客观且外生地反映由物理距离所决定的空间溢出效应。Xit代表一系列控制变量;μi表示城市个体固定效应,vt表示年份固定效应,εit表示残差项。
2.1.2 两区制空间杜宾模型
为验证不同区制范围内算力技术创新对区域协调发展水平的空间溢出效应可能存在差异,参考杨玉玲等[25]的做法,本文构建两区制空间杜宾模型,探究不同背景下算力技术创新对关联地区协调发展水平的边际影响:
Yit=α2+ρ1ditWYjt+ρ2(1-dit)WYjt+β2lnzlit+γ2Xit+φ2Wlnzljt+φ2WXjt+μi+νt+εit
(2)
其中,dit为虚拟变量,如果城市i在第t年成为公共数据开放城市或创业活跃度较高的城市,则赋值为1,否则为0;参数ρ1和ρ2分别表示异质性城市的算力技术创新对城市协调发展水平的边际效用。
2.1.3 算力创新增长极溢出效应的空间权重矩阵构建
参考Zheng等[26]的研究,将北京和上海以及建设国家超级计算中心的城市称作“算力创新增长极”。本文算力创新增长极城市包括北京、上海、天津、济南、无锡、昆山、深圳、广州、长沙、成都、郑州、西安、太原、乌镇14个城市。需说明的是,文昌航天超算中心和中新(重庆)国际超算中心投入运营时间较短,因此文昌、重庆未纳入本文算力创新增长极。根据《综合算力评价研究(2024)》,北京和上海均处于省级行政区综合算力评价前10名,具备较大的算力需求与较强创新驱动力,因此将这两个城市纳入本文的算力创新增长极范围。鉴于算力创新增长极的分布,加入虚拟变量来确定溢出效应。本文重点关注城市与其最近的算力创新增长极城市之间的物理距离。初始距离范围设定为0～60 km,随后每隔100 km重新设定一个门槛距离矩阵,如60～160 km,最大阈值设置为960 km。为精确算力创新增长极城市的空间溢出范围,设置5 km为一个门槛距离。基于不同空间距离阈值,构造门槛距离矩阵,矩阵中元素设定原则如下:
(3)
其中,dij为城市i与城市j基于经纬度计算的欧氏距离。当周边城市与算力创新增长极的空间距离在设定的阈值内,wij取其空间距离的倒数,否则为零。
2.2.1 区域协调发展水平
夜间卫星灯光栅格数据为城市经济水平衡量提供了更细颗粒度的数据支持,一定程度上克服了传统GDP指标在测度区域协调发展时的统计偏差与空间尺度上的局限,并且细化至栅格层面的数据能够在更大精度的地理尺度上探究城市内部协调发展水平。参考方锦程等[27]的研究,本文采用城市内夜间卫星灯光栅格数据的标准差作为城市内区域协调发展水平的代理指标。既有文献将夜间卫星灯光栅格数据广泛应用至城市内部空间布局、城市内中心区与郊区经济发展水平的测度[28],证实了该指标有效性。
2.2.2 行政边界地区相对发展水平
利用上述的夜间卫星灯光数据衡量行政边界地区的经济发展。本文将夜间卫星灯光栅格数据投影至各镇(乡、街道)级行政区划,获得各中心镇与边界镇所辖区域的夜间灯光亮度均值。为衡量算力技术创新是否促进行政边界镇相比中心镇更快发展,参考郭峰等[29]的做法,本文以边界镇的夜间灯光平均亮度与中心镇夜间灯光平均亮度之比作为衡量行政边界地区相对发展水平的代理指标:
(4)
其中,spait代表边界地区相对发展水平,suburbit表示边界镇所辖区域灯光亮度的均值,centralit表示中心镇所辖区域灯光亮度的均值。
2.2.3 算力技术创新水平
借鉴吴非等[30]测度企业数字化转型的思路,本文构建算力技术创新水平指标的步骤如下:
首先,构建算力技术词典。参考住房和城乡建设部发布的国家标准《数据中心设计规范(GB 50174—2017)》、国家发展改革委等印发的《数据中心绿色低碳发展专项行动计划》以及四川省发展和改革委员会等发布的《四川省算力基础设施高质量发展行动方案(2024—2027)》、中国通服数字基建产业研究院发布的《中国数据中心产业发展白皮书(2023)》、华为发布的2024版《数据中心2030》等,选取“东数西算”“算力”“高性能计算”“边缘计算”“异构计算”等28个词语作为种子词(Seed Words)。利用BERT模型,以2000-2023年中国上市公司年报文本作为训练语料。根据种子词与输出词语之间的余弦相似度,针对每个种子词扩展出10个语义相近的词语。将重复词语、与算力技术创新不相关的词语以及词频过低的词语剔除,最终共获得36个关键词,形成本文的算力技术词典。
其次,基于专利文本识别算力技术创新专利。利用上述的算力技术词典,对专利数据库中专利名称、摘要及正文包含算力相关概念的申请记录进行检索。作为初次筛选,将同时在名称、摘要及正文中出现算力关键词的专利界定为潜在的算力技术创新专利。为训练分类模型,随机抽取500个专利进行专家分类,根据关键词库的界定,将样本划分为算力技术创新专利与非算力技术创新专利。
最后,利用微软研究院开发的轻量级大语言模型all-MiniLM-L6-v2提取专利文本嵌入向量。将上述随机抽取的专利文本划分为训练集和测试集,基于该模型架构构建并训练专利分类器,识别出2005-2021年47 104个算力技术创新专利原始数据。本文使用的专利原始数据包含地区邮政编码以及专利所在地的具体地址,但无法直接获得有效可用的地区信息。为此,调用高德地图API对申请人地址进行地理编码,获取具体地址的经纬度坐标;基于民政部2021年发布的地级市行政区划矢量边界,调用高德地图API,利用其逆向地理编码与空间匹配算法,将每项专利精准归至所属地级市;将所有专利分年度分地区加和,得到完整的算力技术创新面板数据。
2.2.4 控制变量
为排除影响城市区域协调发展水平的因素,参考已有文献,选取以下控制变量:人力资本(中小学在校生人数占总人口的比重)、人口密度、经济增长(人均GDP的对数)、产业结构(包括第二产业增加值占GDP的比重、第三产业增加值占GDP的比重)。本文主要变量的描述性统计结果如表1所示。
表1 描述性统计结果(N=4 794)
Table 1 Descriptive statistics(N=4 794)
变量符号变量名称平均值标准差最小值最大值lneg区域协调发展水平2.139 40.581 30.193 03.214 9spa行政边界地区相对发展水平0.324 10.700 10.003 28.648 0lnzl算力技术创新水平0.675 21.221 30.000 07.433 1hc人力资本7.115 30.282 85.416 78.551 4lnpopdens人口密度5.727 60.931 5-0.446 37.886 7lnpgdp经济增长0.479 70.696 2-1.408 43.303 7sec第二产业占比0.466 70.112 90.106 80.909 7thir第三产业占比0.405 40.100 50.858 00.838 7
2.3.1 专利数据
本文使用的专利数据来源于国家知识产权局提供的《中国专利数据库》,解析出专利申请单位、时间、地址、分类等信息,并利用高德地图API等工具对具体地址进行地理编码,获取专利申请人所在地理位置的经纬度。
2.3.2 经济社会发展数据
城市经济层面数据主要来源于《中国城市统计年鉴》《中国工业统计年鉴》。部分缺失数据用统计局数据补充。此外,根据国家统计局提供的GDP各省份平减指数,将GDP调整为2005年不变价格。行政区划信息来源于民政部。
2.3.3 夜间灯光与人口密度数据
本文使用Chen等[31]发布的全球夜间灯光数据集,其校准了DMSP-OLS与NPP-VIIRS的夜间灯光数据,提供了1992—2023年空间分辨率为500 m的长时间序列栅格数据。对于人口密度栅格数据,本文使用Lebakula等[32]发布的2000—2022年全球1km×1 km网格化人口数据集。行政区划矢量数据来源于国家基础地理信息中心发布的2020年初行政区划数据,该数据主要用于地理卫星数据的剪裁提取和经济数据录入。
全局莫兰指数测算结果如表2所示。其显示,我国城市区域协调发展的莫兰指数均在1%水平上显著为正,2005年算力技术创新的莫兰指数在10%水平上显著为正,2006-2021年算力技术创新的莫兰指数均大于0,且均在1%水平上显著。从时间演变趋势来看,2005-2012年这两个变量的空间相关性呈现波动上升趋势,而2013-2021年空间相关性呈波动下降趋势。
表2 空间相关性分析结果
Table 2 Spatial correlation analysis results
年份lnegMoran's I Z值 P值lnzlMoran's I Z值 P值 2005 0.340 11.235 0.000 0.050 1.927 0.054 2006 0.347 11.461 0.000 0.228 8.020 0.000 2007 0.356 11.765 0.000 0.205 7.339 0.000 2008 0.364 12.029 0.000 0.234 8.093 0.000 2009 0.315 10.430 0.000 0.300 10.295 0.000 2010 0.364 12.029 0.000 0.257 8.712 0.000 2011 0.345 11.406 0.000 0.282 9.514 0.000 2012 0.354 11.693 0.000 0.337 11.278 0.000 2013 0.351 11.608 0.000 0.310 10.350 0.000 2014 0.327 10.814 0.000 0.300 10.038 0.000 2015 0.312 10.342 0.000 0.274 9.177 0.000 2016 0.309 10.220 0.000 0.308 10.269 0.000 2017 0.276 9.153 0.000 0.273 9.106 0.000 2018 0.260 8.654 0.000 0.282 9.374 0.000 2019 0.245 8.135 0.000 0.297 9.865 0.000 2020 0.259 8.603 0.000 0.264 8.763 0.000 2021 0.250 8.306 0.000 0.273 9.067 0.000
对于空间计量模型的选择,各项检验结果如表3所示。首先,通过对不包含空间效应的模型进行混合OLS估计,得到拉格朗日乘数(LM)及其稳健统计量(R-LM),可以看出误差项与滞后项均存在显著的空间相关性。其次,Hausman检验结果表明应采用固定效应模型。采用似然比(LR)检验法对SDM模型的固定效应进行检验,结果说明应使用同时包含空间固定效应和时间固定效应的模型。最后,对SDM模型进行Wald检验,表明空间杜宾模型不会退化为空间滞后模型或空间误差模型。根据检验结果,本文选取包含时间和空间固定效应的空间杜宾模型进行实证分析。
表3 空间计量模型检验结果
Table 3 Test results for spatial econometric model
检验指标统计值P值LM-error254.37***0.006Robust LM-error183.26***0.000LM-lag338.31***0.000Robust LM-lag221.17***0.002Hausman test261.40***0.000LR-both/ind500.15***0.000LR-both/time7 259.55***0.000Wald-SDM/SEM241.54***0.000Wald-SDM/SAR184.99***0.000
注：***、**、*分别表示1%、5%、10%的显著性水平,下同
本文以区域协调发展水平为被解释变量,考察算力技术创新对区域协调发展的影响。表4列(1)回归结果显示,解释变量的空间滞后项W×lnzl的系数为-0.062 1且在1%水平上显著,说明算力技术创新显著提升邻近城市区域协调发展水平。被解释变量空间滞后项rho的系数为0.127 2且在1%水平上显著为正,表明区域协调发展水平之间存在内生交互效应。进一步地,再考察算力技术创新能否改变行政边界地区存在的边界洼地效应。根据表4列(2)的回归结果,解释变量的空间滞后项W×lnzl的系数为0.034 7且在1%水平上显著为正,可以看出算力技术创新促进了边界地区的相对发展水平。列(3)(4)分别展示算力技术创新对中心地区与行政边界地区经济发展的绝对值的边际影响,列(4)中解释变量的空间滞后项W×lnzl的系数为1.154 4,表明算力对边界地区的边际影响远超中心地区,凸显其在打破行政壁垒、促进跨区域协同发展中的关键作用。
表4 空间杜宾模型分析结果
Table 4 Analysis results of spatial Durbin model
变量lnegspacentralsuburb(1)(2)(3)(4)lnzl-0.023 2***-0.019 7***0.693 1***0.697 6***(0.003 3)(0.003 9)(0.055 3)(0.052 1)hc-0.009 30.052 5***1.227 4***1.028 5***(0.015 9)(0.018 9)(0.270 0)(0.253 8)lnpopdens0.029 6***0.012 70.142 00.156 0(0.010 8)(0.012 9)(0.184 3)(0.172 8)lnpgdp0.250 4***0.017 11.372 6***0.167 0(0.015 0)(0.017 9)(0.254 8)(0.239 1)sec0.013 5***-0.001 10.061 4***-0.006 1(0.000 9)(0.001 1)(0.015 3)(0.014 3)thir0.015 2***-0.005 4***0.090 2***-0.012 0(0.001 0)(0.001 2)(0.016 8)(0.015 8)W×lnzl-0.062 1***0.034 7***0.387 3***1.154 4***(0.007 8)(0.009 0)(0.133 2)(0.129 9)W×hc-0.281 7***0.175 8***5.990 0***6.845 7***(0.041 6)(0.049 7)(0.711 5)(0.673 7)W×lnpopdens0.022 80.024 0-2.963 3***-0.886 0(0.037 9)(0.045 3)(0.644 0)(0.604 2)W×lnpgdp0.062 40.022 50.782 00.629 0(0.039 8)(0.046 7)(0.669 5)(0.624 7)W×sec0.006 9***-0.011 9***-0.369 9***-0.354 9***(0.002 4)(0.002 8)(0.040 6)(0.038 5)W×thir0.013 3***-0.011 9***-0.321 4***-0.458 2***(0.002 9)(0.003 4)(0.047 9)(0.045 5)rho0.127 2***-0.002 00.105 0***0.219 7***(0.027 0)(0.035 1)(0.026 5)(0.025 7)R20.566 00.002 30.073 20.004 0固定效应YESYESYESYES样本量4 7944 7944 7944 794
注：括号内为标准误,下同
根据Lesage&Pace[33]的研究,SDM模型的主回归结果仅能作为空间效应的初步判断,解释变量的参数估计值无法完全反映对被解释变量的影响,因此应进一步使用空间回归偏微分方法分解总效应。鉴于本文重点关注算力技术创新的空间溢出效应,将着重分析间接效应的回归结果。表5列(1)显示,间接效应系数为-0.073 2且在1%水平上显著,表明本地算力技术创新水平每提高1%,可带动周边城市经济协调发展水平上升约0.073个单位,即算力技术创新显著提高相关地区的区域协调发展水平。表5列(2)显示,回归系数为0.034 7且在1%水平上显著,即算力技术创新水平每提升1%,边界地区的相对发展劣势可收窄约0.035个单位,说明算力技术创新将有效缓解邻近区域的边界洼地效应。对比算力技术创新对城市边界镇与城市中心镇经济发展水平的回归结果可知,相比列(4)的回归系数,列(3)的回归系数更小。在其他条件不变的情况下,算力技术创新水平每提升1%,边界镇的经济发展水平平均提高约1.634个单位,而中心镇仅提高0.506个单位。这一结果说明算力技术创新在对边界地区经济增长产生正向影响时,能够一定程度上激发边界地区的内生增长动力,使其实现更大幅度的增长,假设H1得以验证。
表5 效应分解结果
Table 5 Decomposition of effect results
变量 lnegspacentralsuburb(1)(2)(3)(4)间接效应-0.073 2***0.034 7***0.506 4***1.633 8***(0.008 4)(0.009 2)(0.143 0)(0.150 4)直接效应-0.024 2***-0.019 6***0.701 5***0.739 6***(0.003 3)(0.004 0)(0.056 7)(0.053 4)总效应-0.097 4***0.015 21.208 0***2.373 3***(0.008 8)(0.009 4)(0.150 3)(0.161 0)控制变量YESYESYESYES固定效应YESYESYESYES
3.3.1 更换不同空间权重矩阵
本文分别采用空间邻接矩阵、地理距离平方矩阵、经济距离矩阵和经济地理嵌套矩阵重新进行回归分析,结果如表6所示。回归系数均在1%水平上显著,说明算力技术创新对区域协调发展水平的提升效应具有显著的空间溢出特征,验证本文结果稳健。
表6 稳健性检验结果(一)
Table 6 Robustness test results (1)
变量 空间邻接矩阵lnegspa(1)(2)地理距离平方矩阵lnegspa(3)(4)经济距离矩阵lnegspa(5)(6)经济地理嵌套矩阵lnegspa(7)(8)间接效应-0.055 3***0.020 8**-1.324 1***0.082 7***-0.103 2***0.049 7***-0.073 3***0.034 8***(0.012 4)(0.010 3)(0.403 9)(0.016 5)(0.014 0)(0.009 2)(0.008 4)(0.009 2)直接效应-0.039 7***-0.009 4**-0.037 2***-0.018 4***-0.019 3***-0.022 0***-0.024 2***-0.019 5***(0.002 8)(0.003 8)(0.003 2)(0.003 9)(0.003 2)(0.004 0)(0.003 3)(0.004 0)总效应-0.095 0***-0.010 2-1.361 3***0.064 4***-0.122 5***0.027 7***-0.097 5***0.015 2(0.014 2)(0.007 8)(0.405 7)(0.016 6)(0.015 0)(0.009 4)(0.008 9)(0.009 4)控制变量YESYESYESYESYESYESYESYES固定效应YESYESYESYESYESYESYESYES
3.3.2 更换被解释变量
参考现有文献的做法[34],基于夜间灯光数据计算地区间的基尼系数(gini)、泰尔指数(theil)和阿特金森系数(atkinson),使用以上指标作为区域协调发展水平的替代衡量指标。回归结果如表7列(1)～(3)所示,回归系数均在1%水平上显著为负,进一步说明本文回归结果的稳健性。
表7 稳健性检验结果(二)
Table 7 Robustness test results(2)
变量 更换被解释变量ginitheilatkinson(1)(2)(3)剔除算力创新增长极城市lnegspa(4)(5)增加控制变量lnegspa(6)(7)间接效应-0.018 6***-0.027 3***-0.008 7***-0.059 1***0.048 1***-0.057 8***0.026 8***(0.003 0)(0.009 1)(0.003 2)(0.009 4)(0.010 7)(0.008 6)(0.009 4)直接效应-0.007 0***-0.006 2***-0.004 3***-0.021 0***-0.018 9***-0.022 0***-0.020 5***(0.001 1)(0.001 7)(0.001 4)(0.003 5)(0.004 4)(0.003 4)(0.004 1)总效应-0.025 6***-0.033 5***-0.013 0***-0.080 1***0.029 2***-0.079 8***0.006 3(0.003 2)(0.009 8)(0.003 3)(0.009 8)(0.011 0)(0.009 0)(0.009 7)控制变量YESYESYESYESYESYESYES固定效应YESYESYESYESYESYESYES
3.3.3 剔除算力创新增长极城市样本
如前文所述,算力创新增长极城市在全国范围内具有极强的空间溢出与示范效应。为排除核心城市对整体回归结果的影响,本文剔除上述分析中的14个算力创新增长极样本城市重新进行回归。表7列(4)(5)中算力技术创新系数与基准回归系数无显著差异,表明实证结果稳健。
3.3.4 加入其他控制变量
考虑到地区协调发展水平和边界地区相对发展水平受到诸多经济社会特征的影响,遗漏变量可能导致估计偏差。如交通基础设施对区域内要素流动与市场一体化具有重要影响,地区间、区域内中心区与边界区的经济发展均受到交通可达性的影响[34]。与此同时,政府行为深刻影响城市经济发展与空间分布。本文借鉴郭峰等[29]的做法,使用政府支出占GDP的比重衡量地方政府能力。为剔除上述干扰,本文将公路密度和政府支出比率这两个指标纳入控制变量。表7列(6)(7)回归结果显示,加入额外控制变量后的回归系数与基准回归系数无显著差异,均在1%水平上显著。
3.3.5 应用动态空间杜宾模型
首先,考虑到区域协调发展过程可能存在较强的路径依赖特征,本文在稳健性检验中引入动态空间杜宾模型,并在基准设定基础上加入被解释变量的一期滞后项,以控制可能存在的动态效应。其次,为缓解核心解释变量与被解释变量之间可能存在的双向因果关系所导致的内生性问题,本文将核心解释变量算力技术创新滞后一期纳入模型。最后,为同时考虑区域协调发展的动态效应与算力技术创新影响的内生性,本文在回归模型中同时加入解释变量与被解释变量的一期滞后项。表8中列(1)(2)为动态空间杜宾模型回归结果,表明区域协调发展水平具有显著的路径依赖特征;无论是以区域内夜间灯光标准差(lneg)还是边界区与中心区的灯光比值(spa)作为测度指标,其一期滞后项均在1%水平上显著为正,表明区域协调发展水平具有较强的动态持续性。列(3)(4)的回归结果显示,核心解释变量滞后一期的系数与基准回归基本保持一致,并且均在1%水平上显著,再次证实本文结论的稳健性。列(5)(6)的回归结果显示,核心解释变量滞后一期的动态空间杜宾模型系数并无显著差异,仍然证实算力技术创新显著影响地区协调发展水平的空间溢出效应。
表8 动态空间杜宾模型回归结果
Table 8 Dynamic spatial durbin model regression results
变量 lnegspalnegspalnegspa(1)(2)(3)(4)(5)(6)L.lneg0.819 8***0.817 3***(0.010 4)(0.010 9)L.spa0.914 4***0.923 8***(0.008 7)(0.009 4)L.lnzl-0.027 2***-0.020 5***-0.007 7***-0.004 9*(0.003 5)(0.004 1)(0.002 6)(0.002 6)W×L.lnzl-0.070 2***0.040 2***-0.007 0***0.009 6***(0.008 6)(0.009 7)(0.002 6)(0.003 1)lnzl-0.003 5***-0.001 9***(0.001 1)(0.000 3)W×lnzl-0.004 6***-0.002 2***(0.001 1)(0.000 4)rho0.070 8***0.013 2***0.115 0***0.002 5***0.069 0***0.005 8***(0.022 6)(0.003 2)(0.028 0)(0.000 8)(0.023 8)(0.001 6)控制变量YESYESYESYESYESYESR20.839 60.673 80.579 50.009 40.824 30.649 9固定效应YESYESYESYESYESYES样本量4 5124 5124 5124 5124 2304 230
3.4.1 产业间协同集聚
本文使用区位熵指标测度高技术产业和制造业集聚程度。其中,高技术产业由信息传输、计算机服务和软件业来表示。区位熵指数计算公式如下所示:
(5)
其中,aggij是i城市j行业的集聚程度,eij是i城市j行业的就业人数,Ej为全国j行业的总就业人数,ei为i城市所有产业的总就业人数,E为全国总就业人数。基于以上结果,计算高科技产业与制造业之间的协同集聚指数,具体公式如下:
(6)
式中,coaggimh表示i城市高技术产业与制造业之间的协同集聚指数,aggim和aggih分别为高技术产业与制造业的集聚程度。
由表9列(1)的回归结果可以看出,算力技术创新的回归系数在1%水平上显著为正,反映出本地算力创新水平每提高1%,平均可带动周边城市产业间协同集聚水平上升约0.084 3个单位。这得益于算力技术创新不断突破知识溢出的地理边界,使得周边地区能够凭借生产要素的成本优势快速承接专业化分工环节,实现产业间协同集聚水平的跨越式提升。由此,验证了假设H2。
表9 机制分析结果
Table 9 Mechanism analysis results
类型 产业间协同集聚(1)人力资本集聚边界区均值边界区标准差中心区均值中心区标准差(2)(3)(4)(5)间接效应0.084 3***0.027 3***0.029 8***0.017 4**0.032 7***(0.019 1)(0.006 2)(0.007 2)(0.007 9)(0.008 8)直接效应0.041 8***0.003 8-0.029 2***0.002 9-0.008 8***(0.009 0)(0.002 4)(0.003 0)(0.003 2)(0.003 3)总效应0.126 1***0.031 1***0.000 60.020 4**0.023 9**(0.019 2)(0.006 6)(0.007 5)(0.008 2)(0.009 3)控制变量YESYESYESYESYES固定效应YESYESYESYESYES
3.4.2 人力资本集聚
算力技术创新通过重塑人力资本在中心区以及边界区的分布形成空间再配置效应,充分释放人力资本集聚红利。本文聚焦不同区域人口密度均值以及方差,基于更细颗粒度的研究数据,探讨算力技术创新对人力资本集聚的影响究竟是“扩散式增长”还是“集中式增长”。为全面评估上述影响,本文以行政地区边界区均值、边界区标准差、中心区均值以及中心区标准差等指标,刻画城市不同地区差异化的人力资本集聚模式。
表9中列(2)(4)显示,算力技术创新对周边城市边界区及中心区的人力资本集聚均呈现显著的正向促进作用,本地算力技术创新水平每提升1%,周边城市边界区和中心区的人力资本集聚水平分别提高0.027 3、0.017 4个单位。这表明算力技术创新的空间溢出效应对周边城市的人力资本分布产生双重强化作用,它既巩固了中心区作为知识吸收与创新策源地的优势,也通过改变区位选择约束与创造就业机会,为边界区吸引人力资本提供了强大动能。表9中列(3)(5)的回归结果表明,算力技术创新同时使周边城市边界区与中心区人力资本集聚的标准差分别扩大0.029 8和0.032 7个单位,且均在1%水平显著。算力技术创新对周边城市人力资本集聚标准差的扩大效应,本质上反映出中心区聚焦前沿研发,边界区承接算力运维、数据标注、边缘智能等新兴职能,区域空间结构从“单中心”向“多中心、专业化”演进的过程。由此,假设H3得证。
此外,为直观展示中介效应,本文使用面板固定效应模型进行量化分解。中介效应检验回归结果见表10。列(1)结果显示,算力技术创新的回归系数为0.054 5,在1%水平上显著为正,表明算力技术创新能够显著提升产业间协同集聚水平。列(3)结果显示,产业间协同集聚的中介效应占比为15.3%,Sobel Z值为-4.841,说明存在显著的中介效应。从列(4)(7)的回归结果可以看出,算力技术创新提升了区域人力资本集聚水平,该结论在地区边界区和中心区均至少在5%水平上显著为正。从列(6)(9)的回归结果可以看出,边界区人力资本集聚的中介效应占比为5.3%,而中心区人力资本集聚的中介效应占比为28.1%,说明算力技术创新通过吸引或培育高技能人才,提升本地知识吸收与转化能力,显著强化城市中心区的创新生态功能,推动区域协调发展。
表10 中介效应检验结果
Table 10 Mediation effect test results
变量 产业间协同集聚coaggBootstrap testSobel test(1)(2)(3)人力资本集聚边界区均值Bootstrap testSobel test中心区均值Bootstrap testSobel test(4)(5)(6)(7)(8)(9)lnzl0.054 5***0.012 3***0.006 4**(0.008 5)(0.002 3)(0.003 1)Indirect effect-0.002 3***-0.002***-0.000 3***(0.000 2)(0.000)(0.000 1)Ratio0.1530.0530.281Sobel Z-4.841-4.580-2.253控制变量YESYESYESYESYESYESYESYESYES固定效应YESYESYESYESYESYESYESYESYES
本文利用两区制空间杜宾模型,进一步探讨算力技术创新对区域协调发展空间溢出效应的异质性特征。一方面,算力技术推动数据要素高效流通与工业生产效率提升,极大加速数据要素在区域间的传播[35]。另一方面,创新集聚打破组织边界和地域壁垒,影响企业进入的区位选择偏好,具体表现为地区创业活跃度的爆发式增长深刻影响算力技术创新对区域协调发展的边际效应。基于上述分析,本文从公共数据开放程度与地区创业活跃度两个维度展开异质性分析。
地区间公共数据的流动与共享,有助于将数据要素纳入新兴生产体系,驱动经济增长。因此,公共数据平台开放如何影响算力技术创新的边际效应成为本文关注重点。利用两区制空间杜宾模型,本文对该问题进行实证探讨。将城市公共数据开放平台上线当年及以后年份赋值为1,否则赋值为0,进行回归分析。表11中列(1)(2)为针对ρ1-ρ2是否显著异于0的假设检验结果,其显示差异系数ρ1-ρ2为负且通过至少10%的显著性水平检验。这一结果说明,实施公共数据平台开放的地区能够强化算力技术创新对地区协调发展的促进作用。
表11 异质性分析结果
Table 11 Heterogeneity analysis results
变量公共数据开放lnegspa(1)(2)创业活跃度lnegspa(3)(4)ρ10.122 9***-0.021 01.021 2***0.032 7(0.046 2)(0.030 7)(0.176 2)(0.277 1)ρ20.304 0***0.161 3***-0.743 0***-1.798 9***(0.106 7)(0.081 9)(0.176 2)(0.270 7)ρ1-ρ2-0.181 2*-0.182 3**1.764 2***1.831 5***(0.110 1)(0.090 5)(0.280 5)(0.440 3)R20.952 40.955 10.952 30.956 0样本量4 7944 7944 7944 794控制变量YESYESYESYES固定效应YESYESYESYES
算力技术创新之所以能够促进区域协调发展水平提升,源于其在人工智能产业发展中的先导作用,当企业选择创业区位时,往往倾向于获取算力技术创新的外溢红利。这种创业活动的高度集中加剧了市场竞争和区位竞争,可能诱发算力技术创新的“虹吸效应”。本文参考白俊红等[36]的研究,使用企查查数据库,检索各地区新增企业工商注册信息,整理得到城市每年新增注册企业数量。根据各城市每百人新创企业数量,构造创业活跃度异质性分析的虚拟变量。其中,将创业活跃度高于中位数的城市赋值为1,否则为0,将此虚拟变量纳入式(2)式中进行回归分析。表11列(3)(4)的回归结果显示,针对ρ1-ρ2的假设检验结果表明,差异系数为正且均通过1%的显著性水平检验。这意味着,在创业活跃度较高的地区,其协调发展水平与周边地区呈现显著的竞争性关系,证实了算力技术创新在此情境下存在“虹吸效应”。
以增长极理论为基础的技术创新研究为理解我国区域协调发展提供了新的理论思路[21]。根据表12的回归结果,算力创新增长极对周边城市具有较显著的空间溢出效应。但与前文基准回归不同,列(1)结果显示,算力创新增长极对周边城市区域协调发展水平表现出显著的抑制作用。列(2)结果显示,算力创新增长极显著提升城市行政边界地区的相对发展水平。对此,可能的解释是:算力技术创新高地凭借其优越的技术基础设施、创新生态与政策环境,对周边地区的资本、人才与数据资源产生强劲的虹吸效应,反映出区域间可能存在竞争性格局。与此同时,算力创新增长极的“扩散效应”首先惠及的是与其地理接壤、联系成本低的边界地区。算力技术创新的应用通过优化跨行政区的供应链管理、推动边界地区承接数据加工处理等产业,有效缩小其与中心区的发展差距。
表12 算力创新增长极分析结果
Table 12 Analysis results of computing power innovation growth poles
类型 (1)(2)(3)(4)(5)(6)lnegspa60 km145 km145～160 km160～260 km间接效应0.096 3***0.015 5**-0.000 7*-0.029 6***-0.000 80.009 5***(0.020 1)(0.006 9)(0.000 4)(0.003 3)(0.000 9)(0.001 7)直接效应-0.039 1***-0.009 8***-0.033 9***-0.004 8***-0.038 0***-0.038 7***(0.003 2)(0.003 7)(0.003 2)(0.001 8)(0.003 3)(0.003 3)总效应0.057 2***0.005 7-0.034 6***-0.034 4***-0.038 8***-0.029 1***(0.021 7)(0.008 3)(0.003 3)(0.004 2)(0.003 5)(0.004 0)控制变量YESYESYESYESYESYES固定效应YESYESYESYESYESYES
根据地理经济学中空间交互的距离衰减效应,在不同地理距离尺度下,空间效应常表现出不同的边际影响[37]。因此,本研究通过更换空间权重矩阵的距离阈值来确定溢出距离。在60～160 km的阈值范围内,本文构造了21个空间权重矩阵,分析算力创新增长极促进区域协调发展的空间溢出边界。鉴于篇幅所限,本文仅列示关键拐点的回归结果。表12列(3)(4)显示,在145 km的门槛距离内,算力创新增长极能够显著提升周边城市的协调发展水平。得益于紧密的产业链配套以及高效的知识传播,算力创新增长极能够与周边城市形成高效的协同发展格局,表现为显著促进周边区域协调发展。但如列(6)所示,对于160 km范围以外列(6)的城市,算力创新增长极对区域协调发展水平的影响则表现为抑制作用,再次验证了地理经济学中的“回波效应”。
数字经济时代背景下的区域协调发展亟需实现算力技术的创新性增长。本文利用前沿的大语言模型技术和文本分析方法,构建并测度了区域算力技术创新水平,并结合夜间卫星灯光数据和人口栅格数据,在更细颗粒度的数据层面上分析了算力技术创新对区域协调发展的空间效应及作用路径。研究发现,算力技术创新具有显著的空间外溢特征,不仅显著提升区域协调发展水平,而且促进城市边界区的相对发展水平。该研究结论经过多重稳健性检验后仍然显著成立。机制分析显示,促进产业间协同集聚与释放人力资本集聚红利在其中发挥重要的中介作用。算力技术创新影响周边城市释放人力资本集聚红利的形式表现“多中心、专业化”的增长模式。异质性分析显示,城市是否开放公共数据平台以及城市创业活跃度的不同使得算力技术创新影响区域协调发展水平存在差异性。此外,基于“扩散—回波”视角,本文探究了算力创新增长极影响地区协调发展水平的空间溢出特征。结果显示,在145 km的门槛距离内,算力创新增长极城市的空间溢出效应能够显著促进周边城市的协调发展水平。对于160 km范围以外的周边城市,算力创新增长极反而产生显著的负外部性,验证了地理经济学中的“回波效应”。
结合上述研究结论,本文提出以下政策启示:
(1)推动算力技术创新发展,以协同研发和标准统一破解算力技术扩散的区域壁垒。在建设全国算力调度一张网的背景下,算力技术创新的空间扩散过程是一项涉及标准制定、平台搭建和机制创新的系统性工程。应推动建立跨区域、跨行业的算力核心技术联合攻关机制,由国家统筹引导龙头企业、科研机构与中西部地区围绕异构计算、算网融合、绿色冷却等关键环节开展协同研发。建立统一的算力技术创新标准体系,使得不同厂商、不同架构、不同芯片的算力能在统一的布局调度框架下被识别、管理和调用。
(2)强化数据要素的生产流通与共享,积极发挥数据要素效能。行政边界地区往往面临“边界洼地效应”的发展困境,但数据要素市场的蓬勃发展为破除行政边界地理信息壁垒提供了抓手。数据要素的高效流通同时又支撑了算力技术创新的变革式发展,减少了算力应用的“数据孤岛”现象。地方政府宜结合地区算力分布与数据流通的资源差异,统筹安排算力技术创新,有效释放算力与数据的乘数效应。
(3)推进算力基础设施与能源、人才、新创企业等同步建设。着力打造数网协同、数云融合、绿色智能的多层次算力基础设施新格局。推动人工智能芯片产业上下游企业供需匹配,通过产学研活动,促进算力技术创新产业链上下游的紧密联系与协同发展。
[1] 叶琴,蒋海云,曾刚,等. 中国城市关键数字技术创新格局:技术关联性的作用[J].地理科学进展,2025,44(5):896-907.
[2] 金星晔,李涛,张铭睿,等. 企业数字技术应用与全要素生产率提升[J].经济学动态,2025,53(9):59-77.
[3] 周辉,闫文光. 中国人工智能算力产业发展的规制困境及其解决路径[J].北京工业大学学报(社会科学版),2025,25(1):87-102.
[4] 陈楠,蔡跃洲. 人工智能技术创新与区域经济协调发展——基于专利数据的技术发展状况及区域影响分析[J].经济与管理研究,2023,44(3):16-40.
[5] 王欣亮,李想,于冰. 区域协调发展下建设全国一体化算力网的理论逻辑与实践路径[J].西北大学学报(哲学社会科学版),2026,56(1):55-68.
[6] 吕桐弢. 算力治理区域协同立法的现实需求与实现路径[J].内蒙古社会科学,2025,46(6):90-98.
[7] 孙德尔,谷国锋. 我国算力经济发展前景、挑战与对策[J].北方民族大学学报,2025,37(3):132-139.
[8] FAN X,DING G,LONG S,et al. Digital divide or dividend? exploring the impact of digital economy on regional gaps of high-quality economic development in China using relational data model[J].International Review of Economics &Finance,2025,101:104222.
[9] 丁迪. 数字科技时代技术扩散失衡的全球治理挑战[J].现代国际关系,2025,45(8):83-104,144-145.
[10] CHENG C,WANG L,XIE H,et al. Mapping digital innovation:a bibliometric analysis and systematic literature review[J].Technological Forecasting and Social Change,2023,194:122706.
[11] 黄勃,李海彤,刘俊岐,等. 数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J].经济研究,2023,58(3):97-115.
[12] 马述忠,张道涵,胡增玺. 数字知识流动如何促进区域协调发展——兼论经济增长和平衡发展双重目标[J].中国工业经济,2025,45(2):80-98.
[13] 马涛,钟化鑫,李子愚. 算力外部性、要素市场化配置与重大生产力布局优化[J].理论探讨,2025,42(3):154-161.
[14] 李克秋,赵来平,李卓钊,等. 智能算力网络研究中的重大挑战与核心技术[J].中国科学基金,2025,39(2):208-217.
[15] 余东华. 算力:数字经济时代的新质生产力[J].财贸研究,2024,35(7):1-16.
[16] 徐杰,赵春江. 数字经济对产业协同集聚的影响研究[J].经济纵横,2024,40 (8):118-128.
[17] 纪玉俊,尚嘉琳. 数字经济影响下的产业协同集聚:红利抑或陷阱?[J].北京理工大学学报(社会科学版),2025,27(3):130-152.
[18] FORT T C. Technology and production fragmentation:domestic versus foreign sourcing[J].The Review of Economic Studies,2017,84(2):650-687.
[19] 王冬彧,綦勇. 数字经济赋能双循环发展的空间作用机制研究——基于数字产业化与产业数字化的视角[J].外国经济与管理,2023,45(9):3-21.
[20] 李丽. 数字经济对就业的影响及应对策略[J].经济问题,2022,44(4):37-42.
[21] 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.
[22] 刘姝伶,杨文举,尹虹潘. 行政边界阻碍了跨界纵向经济关联吗?——重庆直辖影响川渝交界区人口分布的证据[J].经济科学,2025,46(1):69-91.
[23] 杨浩昌,钟悦,钟时权,等. 数智化对创新生态系统韧性的影响研究——基于“本地—邻地”的视角[J].科技进步与对策,2025,42(20):76-86.
[24] 王蕾,陈冬林,王建成. 中国省域算力基础设施建设水平测度、区域差异及动态演变[J].科技进步与对策,2026,43(7):58-70.
[25] 杨玉玲,贾锐宁,马原. 交通基础设施对服务业全要素生产率的影响研究——基于单区制及两区制空间杜宾模型的检验[J].统计研究,2025,42(3):117-130.
[26] ZHENG Y,COLLINS A,YAO S. Promoting sustainable and high-quality economic development in China via regional innovation poles[J].Journal of Regional Science,2024,64(3):671-699.
[27] 方锦程,刘颖,高昊宇,等. 公共数据开放能否促进区域协调发展?——来自政府数据平台上线的准自然实验[J].管理世界,2023,39(9):124-142.
[28] 秦蒙,刘修岩,李松林. 城市蔓延如何影响地区经济增长 ——基于夜间灯光数据的研究[J].经济学(季刊),2019,18(2):527-550.
[29] 郭峰,熊云军,石庆玲,等. 数字经济与行政边界地区经济发展再考察——来自卫星灯光数据的证据[J].管理世界,2023,39(4):16-33.
[30] 吴非,胡慧芷,林慧妍,等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(7):130-144,10.
[31] CHEN X,WANG Z,ZHANG F,et al. A global annual simulated VIIRS nighttime light dataset from 1992 to 2023[J].Scientific Data,2024,11(1):1380.
[32] LEBAKULA V,SIMS K,REITH A,et al. Landscan global 30 arcsecond annual global gridded population datasets from 2000 to 2022[J].Scientific Data,2025,12(1):495.
[33] LESAGE J,PACE R K. Introduction to spatial econometrics[M].New York:Chapman and Hall,CRC,2009.
[34] 年猛. 交通基础设施、经济增长与空间均等化——基于中国高速铁路的自然实验[J].财贸经济,2019,40(8):146-161.
[35] 刘海军. 人工智能驱动科技创新和产业创新融合:逻辑、机理与路径[J].中国流通经济,2025,39(9):3-14.
[36] 白俊红,张艺璇,卞元超. 创新驱动政策是否提升城市创业活跃度——来自国家创新型城市试点政策的经验证据[J].中国工业经济,2022,39(6):61-78.
[37] 刘瑜,汪珂丽,邢潇月,等. 地理分析中的空间效应[J].地理学报,2023,78(3):517-531.