开放科学(资源服务)标识码(OSID)：
To address this research gap, this study draws on the perspective of dynamic externalities and incorporates dynamic agglomeration of digital industries, urban knowledge allocation capacity, and urban innovation into a unified analytical framework. This study constructs an unbalanced panel dataset of 3 237 city-year observations across 222 prefecture-level Chinese cities from 2006 to 2022. Urban innovation is proxied by the natural logarithm of one plus the sum of city-level invention and utility model patent applications. To measure digital industrial dynamic agglomeration, this study first identifies digital industries using the National Bureau of Statistics classification and then employs a dartboard approach with 500 Monte Carlo iterations to compute a standardized Z-index capturing deviations from random spatial allocation. The Bai-Perron structural break test is applied to detect regime shifts in each city′s agglomeration trajectory, and segmented trend regressions are estimated to quantify directional momentum, with the resulting slope coefficient serving as the dynamic agglomeration proxy. Urban knowledge allocation capacity is operationalized via betweenness centrality in intercity patent transfer networks (knowledge flow configuration) and patent collaboration networks (knowledge synergy configuration), reflecting a city′s bridging role in cross-regional knowledge circulation. City-level economic development, industrial structure, science-education expenditure, and digital infrastructure are included as controls.
The study finds that there is a significant inverted U-shaped relationship between the dynamic agglomeration of digital industries and urban innovation. Moderate dynamic agglomeration can effectively promote urban innovation by generating resource adsorption effects, network restructuring effects, and path renewal effects. However, excessive dynamic agglomeration may inhibit urban innovation because it increases the costs of knowledge transformation, structural adjustment, and factor allocation. This conclusion remains robust after a series of robustness checks. Furthermore, the moderating effect analysis shows that urban knowledge allocation capacity significantly strengthens the inverted U-shaped relationship between the dynamic agglomeration of digital industries and urban innovation. Specifically, cities with stronger knowledge allocation capacity exhibit a steeper inverted U-shaped curve, and the turning point shifts to the left. This indicates that stronger knowledge allocation capacity amplifies both the positive effect of dynamic agglomeration in the low-to-moderate stage and the negative effect in the excessive agglomeration stage. Heterogeneity analysis further reveals that the inverted U-shaped effect is more pronounced in central cities and cities with well-developed digital infrastructure, suggesting that the innovation consequences of dynamic agglomeration vary across cities with different resource endowments and digital foundations.
This study makes several marginal contributions. First, it moves beyond the static research paradigm of digital industrial agglomeration by introducing the perspective of cluster dynamics, thereby enriching research on the relationship between digital industrial agglomeration and urban innovation from the lens of dynamic agglomeration. Second, it develops a measurement index for the dynamic agglomeration of digital industries, providing a methodological reference for capturing the evolutionary characteristics of industrial agglomeration in the digital era. Third, it reveals the moderating mechanism of urban knowledge allocation capacity and the heterogeneous effects of urban attributes, thus clarifying the environment-strategy matching logic underlying the innovation effects of digital industrial dynamic agglomeration. Finally, the findings provide theoretical support and policy implications for optimizing the spatial layout of digital industries, promoting the differentiated development of digital industrial clusters, and enhancing urban innovation and high-quality development in the context of the digital economy.
开放科学(资源服务)标识码(OSID)：
随着数字经济的蓬勃发展,数字产业成为驱动城市创新和经济增长的重要引擎。党的二十大报告提出“加快发展数字经济,促进数字经济和实体经济深度融合,打造具有国际竞争力的数字产业集群”。作为数实融合的重要组织形态,数字产业集群通过推动数字技术、数据要素与产业集群融合,催生出大量新技术、新产品和新业态,为建设创新型城市与推动经济高质量发展提供了重要支撑。推进数字产业集聚发展,既是应对新一轮科技革命和产业变革、抢占未来竞争制高点的战略选择,也是培育新质生产力和构建现代化产业体系的重要途径。
虽然数字产业集聚对城市创新的促进作用已得到广泛探讨,但围绕其动态性的研究较为匮乏。现有研究多从静态视角出发,主要考察特定时点数字产业集聚整体水平、内部结构及协同集聚对区域创新的影响,对数字产业集聚动态性的研究较少[1-4]。数字产业集聚水平并非稳定不变,随着外部环境和发展机会的变化,集群内部企业、劳动力及其他行为主体会在不同地域和行业之间持续流动并重新配置[5]。数字产业集聚水平变化,可能会通过知识溢出、要素重组和主体协作对城市创新产生复杂影响。因此,为更全面、准确地理解数字产业集聚对城市创新的影响,不仅要关注其静态规模特征,还需深入考察其动态性,即数字产业集聚水平随时间变化的趋势。数字产业动态集聚虽能为城市带来更多外部知识、创新资源和发展机会,但这些外部因素并不会自然转化为城市创新产出。城市能否有效吸收、整合并利用这些资源,在很大程度上取决于其知识配置能力[6]。若忽视城市知识配置能力,将难以准确把握数字产业动态集聚创新效应,也难以揭示其作用实现的边界条件。由此,引发出一系列关键问题:数字产业动态集聚如何影响城市创新?城市知识配置能力在这一过程中扮演何种角色?
为回答上述问题,本文基于动态外部性视角,将数字产业动态集聚、城市知识配置能力和城市创新纳入统一分析框架,以2006—2022年中国地级及以上城市为研究样本,深入考察数字产业动态集聚对城市创新的影响,以及城市知识配置能力在其中所发挥的调节作用。本文贡献主要体现在以下3个方面:其一,理论分析方面,现有研究多从静态视角考察数字产业集聚与城市创新之间的关系,对集聚动态性的关注相对不足。本文引入集群动态性视角,从动态外部性视角出发考察数字产业动态集聚对城市创新的影响,不仅有助于拓展数字经济与产业集聚研究框架,还能丰富数字产业集聚与城市创新关系研究。其二,指标测度方面,本文构建数字产业动态集聚指标,刻画数字产业集聚水平随时间演化的动态趋势,可为相关研究提供新的测度思路。其三,经验分析方面,本文系统检验数字产业动态集聚与城市创新之间的非线性关系,并进一步考察城市知识配置能力的调节作用及其在不同区域条件下的异质性效应,可为理解数字产业动态集聚的创新效应提供新的经验证据。
现有研究通常将产业集聚定义为特定产业内企业空间集聚[7]。沿着这一思路,本文将数字产业集聚定义为“数字产业相关企业在特定区域内的集聚”。然而,与静态数字产业集聚水平不同,数字产业动态集聚强调的不是某一时点上集聚水平的高低,而是集聚水平在时间维度上的演变趋势[5]。这一过程不仅体现集聚规模的增减变化,也反映出企业进入与退出、要素流动与重组以及区域间资源再配置等深层次调整。换言之,数字产业集聚水平主要刻画的是集聚的静态特征,而数字产业动态集聚则更关注集聚的演进过程。
目前,相关研究主要包括如下两类:第一类文献主要聚焦于数字产业集聚识别、测度及其经济后果。在概念界定与测度方面,通常依据数字经济核心产业分类标准,利用省份、城市和行业层面数字产业数据,采用空间基尼指数、EG指数、熵值法等方法测算数字产业集聚水平[3,8],这类文献为识别数字产业集聚空间分布特征提供了基础。但宏观统计数据口径相对粗略,难以揭示数字产业集聚内部微观结构与异质性。为提高测度精度,部分学者借助工商注册信息等微观企业数据识别数字产业企业,并据此测算数字产业集聚水平[9-10]。在此基础上,有学者进一步分析数字产业集聚对能源效率、区域创新、绿色发展、经济韧性以及企业创新能力等的影响[1,9,11-12]。上述研究在数字产业集聚识别、测度和经济效应评估方面取得丰硕成果,但多以静态地理集中度为核心,侧重考察数字产业集聚规模或集聚类型产生的经济效应,鲜少关注集聚水平动态变化趋势对城市创新的影响[4]。第二类文献则聚焦于传统产业动态集聚。这类研究突破了将集聚视为某一时点静态空间分布的局限,转为关注产业集聚在时间维度上的动态演进过程。这类文献多从微观企业进入与退出以及跨区域迁移等方面刻画传统产业动态集聚,并据此探讨传统产业动态集聚形成机制及其经济后果[4-5,13-14]。虽然相关研究构建了企业净进入、净退出以及相邻时期集聚规模差异等指标,但本质上仍是通过集聚水平的增减变化来近似反映传统产业动态集聚水平。换言之,其更多刻画的是集聚规模的年度波动,即集聚“变化了多少”,而非真正意义上的演进趋势,即集聚“如何演进”。为弥补这一不足,部分学者采用时间序列分析方法刻画传统产业集聚的动态变化,不再局限于相邻年份之间的规模比较,而是试图从更长时间跨度上识别传统产业集聚演化的阶段特征与转折过程[4-5]。然而,这种探讨主要集中于制造业等传统产业,对数字产业的研究较少。相较于传统产业,数字产业对数据要素、平台生态和网络连接的依赖性更强,企业进入与退出节奏更快,要素跨区域流动更频繁,资源重组方式也更具灵活性[15]。因此,有必要进一步分析数字产业集聚的动态影响。
综上,现有研究存在如下不足:①数字产业集聚研究主要停留在静态测度与效应分析层面。②传统产业动态集聚研究尚未充分进入数字产业情境。③现有关于数字产业集聚与创新关系的讨论更多回答的是静态集聚水平是否促进创新,而对数字产业动态集聚如何影响城市创新缺乏系统分析。基于此,本文从动态外部性视角考察数字产业动态集聚与城市创新之间的关系,以期为优化数字产业空间格局、因地制宜推进数字产业集群建设提供参考。
动态外部性为理解数字产业动态集聚的创新效应提供了重要视角。在关于动态外部性的经典讨论中,Glaeser等[16]将MAR外部性、Jacobs外部性和Porter外部性视为3种具有代表性的理论解释。这3种外部性虽然在知识溢出来源、产业专业化或多样化作用以及竞争机制的判断上存在差异,但都强调地方产业结构通过知识和技术在时间维度上的持续积累、扩散和重组,进而影响企业创新和经济增长。从动态外部性视角看,数字产业动态集聚并非某一时点上数字产业在城市空间的静态集中状态,而是相关企业、技术要素与创新资源在时间维度上持续进入、退出、重组并重新配置的演进过程。与集聚水平反映的规模水平高低不同,数字产业动态集聚更强调集聚水平的演进趋势、调整强度与变化节奏,本质上体现为微观主体持续进入、既有结构动态调整以及创新联系不断重构所形成的动态外部性。由此可见,数字产业动态集聚对城市创新的影响不能简单理解为静态集聚外部性的线性延伸,而应视为一种随着集聚演进不断调整的动态效应。
在较低至中等水平动态集聚区间内,数字产业动态集聚主要通过资源吸附收益、网络重构收益与路径更新收益促进城市创新。首先,数字产业动态集聚的持续增强会通过信号传递机制释放产业活跃度提升、创新机会增多与收益预期改善等积极信号,从而增强城市对企业、人才、资本与数据等关键创新要素的吸附能力,并借由异质性知识的持续汇聚形成资源吸附收益[17]。其次,数字产业动态集聚能推动本地创新网络持续更新,新进入主体所携带的跨区域经验、跨领域知识和异质性资源嵌入既有网络,可促进知识扩散与主体间协同,由此形成网络重构收益[18]。最后,适度的动态变化能够削弱既有技术路径与组织惯例的锁定效应,使城市创新体系更快识别外部需求变化、技术变迁方向与新兴应用场景,拓展创新搜索边界,提升创新探索能力,由此形成路径更新收益[19]。3类收益共同构成数字产业动态集聚前半段促进城市创新的主要来源,但上述收益并不会随着动态集聚的持续增强而无限扩张,当集聚演进速度超出城市创新体系的有效承接范围时,动态集聚继续增强所带来的新增收益将逐步降低,从而呈现出边际递减特征。
随着数字产业动态集聚的持续增强,其边际成本主要体现为知识转化成本、结构调整成本与要素配置成本的依次递增。其一,知识转化成本不断上升。外部知识流入速度与技术更新频率越高,创新主体对新知识的筛选、整合与内化难度越大,知识增量转化为稳定创新成果所需投入也就越多[20]。其二,结构调整成本持续上升。企业进入退出频率加快、技术替代周期缩短与资源重组节奏提速,将会压缩集群形成稳定发展路径的时间窗口,使既有产业基础与技术秩序反复承受再调整压力[21]。其三,要素配置成本加速增长。过度的数字产业动态集聚将会加剧人才、资本、数据、平台与政策支持等关键要素竞争,诱发资源拥挤、重复投入与结构失衡,进而降低创新资源配置效率[22]。3类成本在高水平动态集聚阶段相互交织、彼此强化,共同推动集聚成本边际递增。
综上,数字产业动态集聚对城市创新的作用具有典型的非线性特征:在较低至中等水平动态集聚区间内,前期收益高于相应成本,城市创新水平随之提升;随着动态集聚进一步增强,前期收益逐步递减,后期成本持续上升;当动态集聚总成本上升速度超过创新收益扩张速度时,数字产业动态集聚对城市创新的净效应便由正转负,城市创新绩效反而下降。因此,数字产业动态集聚与城市创新之间存在倒U型关系(见图1)。据此,本文提出以下假设:
图1 数字产业动态集聚与城市创新的关系
Fig.1 Relationship between dynamic agglomeration of digital industries and urban innovation
H1:数字产业动态集聚对城市创新具有倒U型影响。
城市知识配置能力反映城市将自身知识“送出去”和外部知识“引进来”并进行吸收、转化和再配置的能力[6],体现了城市在知识空间的网络位置、连接范围和整合效率,是城市创新体系的基础。当数字产业动态集聚水平较低或处于适中区间时,城市知识配置能力越强,数字产业动态集聚对城市创新的促进作用越显著。数字产业动态集聚通常伴随着企业进入退出、人才流动、技术和知识交换,这一过程会为城市带来更多外部知识来源和新的知识组合机会[23]。为抓住这些机会,城市还需要具备较强的知识识别、吸收和整合能力,将外部流入的知识嵌入本地创新活动[24]。知识配置能力较强城市往往更容易从流动知识中筛选出与本地产业需求和技术基础相契合的内容,推动企业、高校、科研机构等主体围绕这些知识进行吸收、转化和再组合。因此,数字产业动态集聚带来的知识流动就不再只是要素层面的变化,而能够进一步转化为技术改进、知识重组和创新增量。换言之,当数字产业动态集聚未超出合理范围时,城市知识配置能力越强,越能够将外部知识流动转化为实际创新绩效,从而强化数字产业动态集聚对城市创新的促进作用。
然而,随着数字产业动态集聚的持续增强,这种促进作用将逐渐衰减。当数字产业动态集聚超过合理范围时,城市面对的是更高频率、更大范围和更强异质性的知识输入与要素重组。创新活动虽然需要开放的知识流动,但也需依赖一定的吸收周期、协作关系的稳定性和持续积累[25]。只有当新进入知识能够在本地逐渐消化,并在相对稳定的组织关系和研发活动中不断得以深化时,知识流动才可能转化为持续创新。若外部知识输入过于密集,本地创新主体尚未完成对上一轮知识的吸收和应用,就被卷入新一轮技术调整和资源配置之中,那么,知识更新速度便有可能快于知识沉淀速度[26]。此时,城市虽然接触到更多知识来源,但更容易频繁调整研发方向,合作关系也趋于动态变化,使得原本应当逐步深化的技术积累受到扰动,导致创新收益出现递减。据此,本文提出以下假设:
H2:城市知识配置能力会强化数字产业动态集聚与城市创新之间的倒U型关系,使得倒U型关系曲线更为陡峭,且拐点向左移动。
综上,本文构建理论框架,如图2所示。
图2 理论框架
Fig.2 Theoretical framework
本文以中国地级及以上城市为研究对象,研究区间为2006—2022年,验证数字产业动态集聚对城市创新水平的影响机制。数据来源如下:①从国泰安(CSMAR)数据库获取城市层面工商企业注册信息数据;②从国家知识产权局官网获取专利信息的详细数据;③从《中国城市统计年鉴》收集城市层面经济、人口、财政与教育等数据。对数据进行以下处理:首先,剔除关键变量数据缺失的城市样本,个别缺失数据采用线性插值法补齐;其次,剔除有效观测年份不足5年的城市样本;最后,构建覆盖222个城市共3 237个观测值的非平衡面板数据集。
3.2.1 被解释变量:城市创新(RI)
城市创新通常表现为新知识、新技术和新产品的持续产出。考虑到专利申请能够较为直接地反映地区技术创新活动的活跃程度,且相关数据在城市层面具有较好的可获得性与可比性,本文因此使用城市专利申请数量衡量城市创新水平。具体而言,采用城市层面发明专利申请量与实用新型专利申请量之和加1取自然对数测度城市创新水平。
3.2.2 解释变量:数字产业动态集聚(DIM)
借鉴胡晓辉[4]的做法,本文按照以下步骤测算城市层面数字产业动态集聚指标。
第一步,界定数字产业范围并统计企业数量。 依据国家统计局发布的《数字经济及其核心产业统计分类(2021)》及其与《国民经济行业分类(GB/T4754-2017)》的参照关系,将计算机通信和其他电子设备制造业、电信广播电视和卫星传输服务、互联网及相关服务、软件和信息技术服务业等行业界定为数字产业[8]。鉴于数据可得性,具体行业包括印刷和记录媒介复制业(C23)、电气机械和器材制造业(C38)、计算机、通信和其他电子设备制造业(C39)、仪器仪表制造业(C40)、电信、广播电视和卫星传输服务(I63)、互联网及相关服务(I64)、软件和信息技术服务业(I65)以及广播、电视、电影和录音制作业(R87)。在此基础上,结合工商企业信息数据,汇总得到全国及各城市每年企业总数量和数字产业企业数量。
第二步,构建随机分配基准。为建立参照基准,本文采用“飞镖板方法”将全国每年的数字产业企业随机分配至各城市。考虑到不同城市分配概率的差异性,将分配权重设定为城市实际GDP。为降低单次模拟的偶然性,通过蒙特卡罗模拟将该过程重复500次。
第三步,计算模拟基准值。通过上述随机模拟得到各城市每年分配的数字产业企业数量的平均值
和标准差(σ),将其作为检验实际观测值偏离程度的参照。
第四步,测算数字产业集聚程度。结合各城市数字产业企业数量(Obsc,t)与模拟结果,构建标准化的集聚指标Z值,见公式(1)。
(1)
其中,Zc,t表示第t年城市c的数字产业集聚程度,反映各城市实际数字产业企业集中程度与随机预期的偏离程度。Z值越大,表明该城市数字产业集聚程度相对于随机预期越高。
第五步,识别集聚趋势。为进一步刻画集聚过程中的动态特征,本文采用Bai-Perron结构断点检验法识别各城市Z值时间序列中的结构性转折点,并将其划分为若干分段趋势,包括每个趋势开始和结束的年份。Bai-Perron检验从具有m个断点(m+1个趋势)的纯结构变化模型开始,见公式(2)。
Zc,t= θ′tγj+μt
(2)
其中,t=Tj-1+1,…,Tj,j=1,…,m+1。Zc,t表示城市c的数字产业集聚程度;θ′t表示协变量向量,其系数会在不同趋势下发生变化;γj表示系数向量;μt表示时间t的扰动。断点(T1,T2,…,Tm)被设定为未知数,通过动态规划方法估计,使残差平方和达到全局最小。通过Bai-Perron检验,识别各城市集聚过程中的结构断点数量和具体年份,并将时间序列划分为若干分段。由于结构断点对应的是集聚水平变化规律的转折点,因此每个分段可视为“一个集聚趋势”。
第六步,量化动态集聚指标。对各阶段的集聚趋势与时序t进行回归分析,以量化各阶段集聚程度变化的方向和幅度。若趋势回归系数β>0,则表明该阶段数字产业处于加速集聚状态;若β<0,则表明该阶段数字产业呈消散趋势。进一步,用各阶段的趋势回归系数β作为各城市数字产业动态集聚的代理变量。为便于展示,本文将数字产业动态集聚指标缩小为原来的1/10。
3.2.3 调节变量:城市知识配置能力
城市配置能力是指城市在知识网络中调动、整合和利用外部知识资源的水平,是衡量城市创新潜能与空间联系的重要指标。城市作为知识生产与扩散的重要空间载体,其知识配置能力在很大程度上取决于其在知识网络中的位置及其与其他节点的连接关系。基于此,本文分别从城市间专利合作网络和专利转移网络视角,对城市知识配置能力进行测度。具体而言,将城市知识配置能力划分为知识流动配置能力和知识协同配置能力两个方面。其中,知识流动配置能力(TP)用城市间专利转移网络的中介中心性衡量,主要反映城市在技术转移、知识流通和跨区域资源再配置中的枢纽作用;知识协同配置能力(CP)用城市间专利合作网络的中介中心性衡量,主要反映城市在联合研发与协同创新中的知识桥接和协作能力。两者共同刻画了城市在跨区域知识网络中桥接不同节点、促进知识重组并将外部知识资源转化为创新优势的能力。
3.2.4 控制变量
为尽可能减少遗漏变量对估计结果的干扰,借鉴已有研究[9,27],本文控制以下变量:①经济发展水平(GDPP):用地区人均生产总值的自然对数衡量;②产业结构(IS):用第三产业增加值占地区生产总值的比重衡量;③科教重视程度(TEE):用科教支出占财政支出的比重衡量;④信息通讯水平(IPR):用每百人互联网宽带接入数衡量;⑤对外开放水平(Open):用进出口贸易总额占地区生产总值的比重衡量;⑥数字产业集聚规模(DIC):用城市数字产业企业占比相对全国占比的比值衡量。为削弱异常值对模型估计结果造成的不良影响,本文对所有连续变量进行1%水平的双侧缩尾处理。表1报告了主要变量的描述性统计与相关性分析结果。从中可见,核心解释变量数字产业动态集聚的最小值为-1.737,最大值为2.668,表明不同时期、不同城市数字产业发展趋势差异较大。进一步检验发现,各变量间的方差膨胀因子(VIF)介于1.05～3.34之间,均值为2.11,说明模型不存在严重的多重共线性问题。
表1 描述性统计与相关性分析结果
Table 1 Descriptive statistics and correlation analysis
变量 RI DIM DIM 2 TP CP GDPP IS TEE IPR Open DIC RI 1.000 DIM -0.050 *** 1.000 DIM 2 0.369 *** 0.386 *** 1.000 TP 0.381 *** 0.020 0.349 *** 1.000 CP 0.260 *** 0.020 0.196 *** 0.787 *** 1.000 GDPP 0.746 *** -0.118 *** 0.343 *** 0.290 *** 0.184 *** 1.000 IS 0.592 *** 0.101 *** 0.373 *** 0.370 *** 0.292 *** 0.464 *** 1.000 TEE 0.201 *** 0.023 0.057 *** 0.085 *** 0.037 ** -0.000 -0.057 *** 1.000 IPR 0.669 *** -0.039 ** 0.458 *** 0.336 *** 0.181 *** 0.743 *** 0.616 *** 0.032 * 1.000 Open 0.446 *** 0.056 *** 0.268 *** 0.460 *** 0.325 *** 0.418 *** 0.285 *** 0.143 *** 0.458 *** 1.000 DIC 0.444 *** 0.205 *** 0.455 *** 0.340 *** 0.210 *** 0.363 *** 0.348 *** 0.131 *** 0.400 *** 0.488 *** 1.000 平均值 7.646 -0.141 0.368 0.010 0.009 10.709 0.420 0.195 0.236 0.186 0.765 最小值 3.584 -1.737 0.000 0.000 0.000 8.818 0.198 0.092 0.013 0.003 0.117 最大值 11.538 2.668 7.118 0.665 0.963 12.008 0.716 0.295 0.891 1.749 10.545 标准差 1.682 0.590 1.024 0.046 0.061 0.617 0.101 0.041 0.178 0.271 0.491 观测值 3237 3237 3237 3237 3237 3237 3237 3237 3237 3237 3237 VIF — 1.360 1.830 3.340 2.750 2.370 1.810 1.050 3.240 1.710 1.620
注:*p<0.1,**p<0.05,***p<0.01,下同
基于上述分析,为检验数字产业动态集聚对城市创新的非线性影响,本文构建如下基准回归模型:
RIc,t= α10+α11DIMc,t+α12DIM2c,t+
∑Controlsc,t+δt+μc+εc,t
(3)
其中,下标c、t分别表示城市和年份;RIc,t表示第t年城市c的创新水平;DIMc,t表示第t年城市c的数字产业动态集聚水平,DIM2c,t是其平方项;Controlsc,t表示城市层面控制变量;δt、μc分别表示年份固定效应和城市固定效应;εc,t为误差项。
为进一步检验城市知识配置能力在数字产业动态集聚与城市创新之间的调节作用,本文在公式(3)的基础上,进一步构建如下调节效应模型:
(4)
其中,Moc,t为调节变量,表示城市c在第t年的知识配置能力,包括知识协同配置能力CPc,t和知识流动配置能力TPc,t。其余变量含义与公式(3)保持一致。
表2汇报了数字产业动态集聚对城市创新影响的基准回归结果。列(1)展示了在控制年份和城市固定效应后,控制变量对城市创新的估计结果。可以发现,地区经济发展水平、科教重视程度对城市创新均具有显著正向影响。在列(1)的基础上,本文在模型中进一步引入核心解释变量,结果如列(2)所示。数字产业动态集聚一次项系数在1%水平上显著为正(β=0.073),二次项系数在1%水平上显著为负(β=-0.047),表明在控制其他潜在影响因素后,数字产业动态集聚与城市创新之间存在倒U型关系。换言之,在数字产业动态集聚达到某一特定临界值之前,其对城市创新具有促进作用;而当数字产业动态集聚超过特定临界值后,其对城市创新产生抑制作用,假设H1得到初步验证。
表2 基准回归结果
Table 2 Baseline regression results
变量 RI (1) (2) DIM 0.073 *** (0.025) DIM 2 -0.047 *** (0.017) GDPP 0.553 *** 0.572 *** (0.074) (0.074) IS -0.410 -0.563 (0.385) (0.381) TEE 1.189 ** 1.184 ** (0.518) (0.497) Open 0.043 0.090 (0.150) (0.146) IPR 0.330 0.225 (0.201) (0.182) DIC 0.139 0.137 (0.101) (0.100) Cons 0.201 0.089 (0.781) (0.776) 年份固定效应 是 是 城市固定效应 是 是 调整后 R 2 0.898 0.900 观察值 3237 3237
注:()中数值为城市层面聚类标准误,Cons为常数项,下同
借鉴Haans等[28]的做法,本文对上述倒U型关系进行更为严格的检验。具体步骤如下:①倒U型曲线拐点是否位于样本区间内;②拐点两侧斜率是否不同;③两侧斜率变化是否具有统计显著性。如表3所示,核心解释变量DIM的取值区间为[-1.737,2.668],计算得到的拐点为0.766,95%置信区间为[0.144,1.389],位于DIM取值区间之内。进一步检验结果表明,在左侧区间[-1.737,0.766)内,数字产业动态集聚DIM的斜率为0.237,且在1%统计水平上显著;在右侧区间(0.766,2.668]内,DIM的斜率为-0.180,且在5%统计水平上显著。上述检验结果表明,数字产业动态集聚与城市创新之间存在显著倒U型关系。图3对这一关系进行直观呈现,假设H1再次得到验证。
表3 倒U型关系再检验结果
Table 3 Re-examination of the inverted U-shaped relationship
项 目 左 侧 区 间 右 侧 区 间 取 值 [ - 1 . 7 3 7 , 0 . 7 6 6 ) ( 0 . 7 6 6 , 2 . 6 6 8 ] 斜 率 0 . 2 3 7 - 0 . 1 8 0 t 值 3 . 3 0 9 - 2 . 0 7 2 P >|t| 0 . 0 0 0 5 0 . 0 1 9 7 拐 点 估 计 值 9 5 % 置 信 区 间 0 . 7 6 6 [ 0 . 1 4 4 , 1 . 3 8 9 ]
注:倒U型存在的全局检验:t=2.072,p>|t|=0.019 7
图3 数字产业动态集聚与城市创新倒U型关系
Fig.3 Inverted U-shaped relationship between dynamic agglomeration of digital industries and urban innovation
为缓解数字产业动态集聚与城市创新之间可能存在的潜在内生性问题,本文借鉴柏培文等[29]的研究,采用份额移动工具变量法构建数字产业动态集聚的工具变量。该工具变量由初始份额(Share)与外生冲击(Shift)两部分相乘得到。初始份额选取各城市1984年每万人邮电局数,外生冲击则采用上一年度同省份其他城市数字产业动态集聚的均值。这一构建方式兼顾了相关性与外生性要求。在相关性方面,20世纪80年代初邮电局数量反映城市信息通讯基础设施的初始禀赋,而信息基础设施较完善的城市往往更容易吸引数字经济相关企业进入,从而推动数字产业地理集聚[30];在外生性方面,1984年邮电布局属于历史既定事实,作为传统物理基础设施,其难以直接影响当期城市创新活动,因而满足工具变量排他性约束条件。
表4汇报了基于工具变量的两阶段最小二乘法(2SLS)回归结果。列(1)(2)为第一阶段回归结果,结果显示工具变量一次项(IV)与二次项(IV2)系数均在1%水平上显著为正,说明工具变量与城市创新之间存在显著正相关关系,相关性条件得到验证。列(3)为第二阶段估计结果,Kleibergen-Paap rk LM检验在1%水平上显著为正,且Kleibergen-Paap rk Wald F值(14.546)明显高于Stock-Yogo弱工具变量检验10%的临界值(7.03),说明工具变量不存在识别不足和弱工具变量问题。在控制潜在内生性后,数字产业动态集聚一次项系数仍在1%水平上显著为正,二次项系数在5%水平上显著为负,表明数字产业动态集聚对城市创新具有显著倒U型影响,假设H1再次得到验证。
表4 工具变量法检验结果
Table 4 Instrumental variable estimation
变量 DIM DIM 2 RI (1) (2) (3) IV 0.087 *** 0.000 (0.014) (0.024) IV 2 -0.005 0.025 *** (0.004) (0.007) DIM 0.186 *** (0.039) DIM 2 -0.079 ** (0.036) 控制变量 是 是 是 年份固定效应 是 是 是 行业固定效应 是 是 是 调整后 R 2 0.290 0.268 0.890 观察值 3237 3237 3237 KPrkLM 值 28.091 *** KPrkWaldF值 14.546 [7.03]
注:[ ]中数值为Stock-Yogo弱工具变量检验10%临界值
4.3.1 替换被解释变量
考虑到发明专利更能反映创新活动的技术含量和质量水平,专利授权量在一定程度上更接近创新成果的实际情况,故本文分别采用发明专利申请量加1取自然对数(RII)以及发明专利与实用新型专利授权量之和加1取自然对数(GRI)作为城市创新的替代指标,并进行回归分析。表5列(1)(2)结果表明,数字产业动态集聚一次项系数仍显著为正,二次项系数仍显著为负,说明在替换被解释变量后,数字产业动态集聚对城市创新的倒U型影响依然成立,基准回归结果稳健。
表5 稳健性检验结果
Table 5 Robustness checks
变 量 R I I ( 1 ) GR I ( 2 ) R I ( 3 ) ( 4 ) ( 5 ) D I M 0 . 0 8 1 * * 0 . 0 4 3 * 0 . 0 7 3 * * * 0 . 0 6 5 * * * ( 0 . 0 3 4 ) ( 0 . 0 2 5 ) ( 0 . 0 2 5 ) ( 0 . 0 2 4 ) D I M 2 - 0 . 0 5 5 * * * - 0 . 0 3 1 * - 0 . 0 4 7 * * * - 0 . 0 4 0 * * ( 0 . 0 1 9 ) ( 0 . 0 1 7 ) ( 0 . 0 1 7 ) ( 0 . 0 1 7 ) LD I M 0 . 0 8 1 * * * ( 0 . 0 2 8 ) LD I M 2 - 0 . 0 4 3 * * ( 0 . 0 1 8 ) SCD I D - 0 . 0 0 5 ( 0 . 0 4 9 ) B B D I D - 0 . 0 6 1 ( 0 . 0 4 4 ) B D D I D 0 . 0 4 3 ( 0 . 0 4 8 ) AI D I D - 0 . 2 5 9 * * * ( 0 . 0 7 5 ) Con s - 0 . 7 1 9 - 1 . 2 0 6 0 . 0 1 2 1 . 3 8 1 0 . 1 6 4 ( 0 . 8 9 4 ) ( 0 . 7 7 8 ) ( 0 . 7 8 1 ) ( 0 . 8 4 1 ) ( 0 . 7 5 9 ) 控 制 变 量 是 是 是 是 是 年 份 固 定 效 应 是 是 是 是 是 城 市 固 定 效 应 是 是 是 是 是 省 份 固 定 效 应 是 调 整 后 R 2 0 . 8 2 1 0 . 9 1 4 0 . 8 9 9 0 . 9 6 8 0 . 9 0 1 观 察 值 3 2 3 7 3 2 3 7 3 2 3 7 3 2 3 7 3 2 3 7
4.3.2 考虑滞后效应
数字产业动态集聚对城市创新的驱动作用往往并非即时显现,而是可能经过一段时间后才逐步释放。基于此,本文将数字产业动态集聚及其平方项分别滞后一期重新进行回归分析。表5列(3)结果显示,滞后一期数字产业动态集聚一次项系数显著为正,二次项系数显著为负,表明在考虑滞后效应后,数字产业动态集聚与城市创新之间的倒U型关系依然成立。
4.3.3 加入省份固定效应
为进一步控制省域层面不可观测因素对估计结果造成的影响,本文在基准模型的基础上纳入省份固定效应。表5列(4)结果显示,数字产业动态集聚一次项和二次项系数的符号与显著性均未发生实质性改变。
4.3.4 排除其他政策影响
样本期内,国家相继实施了智慧城市、宽带中国、国家大数据综合试验区和国家人工智能创新应用先导区等多项与数字经济密切相关的政策。这些政策可能通过改善数字基础设施、提升数据治理能力和优化创新环境等途径影响城市创新。为此,本文进一步将智慧城市(SCDID)、宽带中国(BBDID)、国家大数据综合试验区(BDDID)和国家人工智能创新应用先导区(AIDID)等政策虚拟变量纳入模型加以控制。表5列(5)结果表明,在控制相关政策因素后,数字产业动态集聚对城市创新的倒U型影响依然显著,说明基准回归结果具有较强稳健性。
表6为用城市知识配置水平作为调节变量的估计结果。其中,列(1)(2)用以检验知识流动配置水平(TP)的调节作用,列(3)(4)用以检验知识协同配置水平(CP)的调节作用。结果显示,在列(1)(3)中,TP和CP的回归系数在统计上不显著,说明城市知识流动配置水平与知识协同配置水平对城市创新的直接影响不显著。进一步观察交互项发现,列(2)中DIM×TP的估计系数在1%水平上显著为正,DIM2×TP的估计系数在1%水平上显著为负;列(4)中DIM×CP的估计系数在1%水平上显著为正,DIM2×CP的估计系数在5%水平上显著为负。这表明,无论是知识流动配置能力,还是知识协同配置能力,均会显著强化数字产业动态集聚与城市创新之间的倒U型关系。结合图4和图5可以进一步发现,随着城市知识配置水平的提高,倒U型曲线整体变得更加陡峭,拐点位置也相应左移。这表明,在知识配置能力较强城市,数字产业动态集聚在前期更容易释放创新促进效应,但当动态集聚超过适度区间后,其对城市创新的抑制作用将进一步增强。由此可见,城市知识配置水平不仅会影响数字产业动态集聚创新效应的强度,也会改变其边际作用的转换节奏。由此,假设H2得到验证。
表6 调节效应检验结果
Table 6 Moderating effect analysis
变量 RI (1) (2) (3) (4) DIM 0.071 *** 0.046 * 0.073 *** 0.056 ** (0.025) (0.025) (0.025) (0.024) DIM 2 -0.046 *** -0.040 ** -0.047 *** -0.040 ** (0.017) (0.018) (0.017) (0.018) TP -0.402 0.863 * (0.488) (0.446) DIM ×TP 0.617 *** (0.101) DIM 2×TP -0.351 *** (0.111) CP 0.019 1.252 (1.122) (0.825) DIM ×CP 0.390 *** (0.109) DIM 2×CP -0.239 ** (0.100) Cons 0.126 0.295 0.088 0.219 (0.780) (0.779) (0.775) (0.774) 拐点 0.576 0.695 控制变量 是 是 是 是 年份固定效应 是 是 是 是 城市固定效应 是 是 是 是 调整后 R 2 0.900 0.901 0.900 0.901 观测值 3237 3237 3237 3237
图4 城市知识流动配置能力的调节作用
Fig.4 Moderating role of urban knowledge flow allocation capacity
图5 城市知识协同配置能力的调节作用
Fig.5 Moderating role of urban knowledge collaboration allocation capacity
4.5.1 城市数字基础设施水平
数字基础设施是支撑信息流动和资源配置的重要载体,其完善程度直接影响数字产业集聚所产生的知识能否被有效吸收与转化。在数字基础设施完善的城市,其通常具有较好的网络连接能力、数据传输能力和平台支撑能力,因而能够更顺畅地整合外部资源,并将动态集聚带来的外部性快速转化为创新增量。相比之下,在数字基础设施水平较低的城市,信息传输和要素配置效率相对较弱,数字产业动态集聚的正向作用更容易受到限制。借鉴钞小静等[30]的研究,本文在测度城市数字基础设施水平的基础上,用数字基础设施水平的均值作为划分标准,将城市划分为数字基础设施高水平组和低水平组,分别进行回归分析。表7列(1)(2)结果显示,在数字基础设施更加完善的城市,数字产业动态集聚对城市创新的倒U型影响更为显著。
表7 异质性分析结果
Table 7 Heterogeneity analysis
变量 RI 基础设施 水平低 基础设施 水平高 非中心 城市 中心 城市 (1) (2) (3) (4) DIM 0.036 0.041 * 0.058 * 0.047 (0.040) (0.024) (0.034) (0.029) DIM 2 -0.037 -0.030 * -0.042 -0.049 ** (0.024) (0.016) (0.029) (0.021) Cons 0.444 6.850 *** -0.282 3.708 (1.065) (1.037) (0.836) (2.248) 控制变量 是 是 是 是 年份固定效应 是 是 是 是 城市固定效应 是 是 是 是 调整后 R 2 0.876 0.743 0.897 0.929 观测值 1827 1410 2722 515
4.5.2 城市行政级别
不同行政级别城市在资源集聚能力、政策支持强度和创新平台建设方面往往存在明显差异。相较于一般城市,中心城市通常集聚了更多高端创新要素、科研机构和数字产业资源,能够更有效地吸收动态集聚带来的知识溢出和协作机会。本文将直辖市、省会城市和副省级城市划分为中心城市,将其他城市划分为非中心城市,分别进行分组回归分析,以检验城市行政级别的异质性影响。表7列(3)(4)结果显示,在中心城市,数字产业动态集聚对城市创新的倒U型影响更加显著。
数字产业动态集聚为城市创新注入了新活力,但其影响并非简单的线性特征。本文以2006—2022年中国地级及以上城市为研究样本,考察数字产业动态集聚对城市创新的影响,得出以下结论:①数字产业动态集聚对城市创新具有显著倒U型影响,适度动态集聚能够促进城市创新,过度动态集聚则会抑制城市创新。②城市知识配置能力能显著调节数字产业动态集聚与城市创新之间的倒U型关系。无论是知识流动配置能力,还是知识协同配置能力,均能显著强化数字产业动态集聚对城市创新的倒U型影响,表现为倒U型曲线变陡,拐点左移。③数字产业动态集聚创新效应具有明显的异质性特征。在数字基础设施水平较高城市和中心城市,数字产业动态集聚与城市创新之间的倒U型关系更为显著。
在推动数字产业集群发展过程中,不能将集聚简单理解为企业数量的扩张和空间密度的提升,而应更加重视动态集聚的适度性,并结合城市知识配置能力与区域基础条件,因地制宜地设计发展路径,促进数字产业集群与城市创新形成更加稳定的良性互动。据此,本文提出如下启示:
(1)转变集群治理导向,兼顾有序增长与动态平衡。数字产业动态集聚并非越强越好,当数字产业动态集聚水平偏低时,集群内部知识更新、要素流动和组织调整相对不足,容易导致惯性依赖和路径锁定;当数字产业动态集聚水平过高时,则可能会引发创新波动加剧、企业间协作关系不稳定以及资源重组过快等问题,从而削弱其对城市创新的持续支撑作用。因此,在培育数字产业集群过程中,政府应注重动态集聚节奏,建立常态化动态监测与评估机制,及时识别集聚节奏过快或过慢风险,引导数字产业动态集聚保持在合理区间。
(2)提升城市知识配置能力,充分释放数字产业动态集聚的创新效应。城市知识配置能力在数字产业动态集聚影响城市创新过程中扮演着重要角色。数字产业企业在空间上的动态集聚并不会自动转化为创新优势,关键在于城市是否具备较强的知识整合与再配置能力。因此,政策不能仅停留在引项目、建园区和扩规模层面,还应同步完善产学研协同平台、技术转移体系和跨区域知识流动通道,推动高校、科研机构、龙头企业与中小企业之间形成更紧密的创新联系,提升城市对知识资源的组织、配置和转化能力。
(3)立足区域资源禀赋,实施差异化发展策略。数字产业动态集聚创新效应具有明显的异质性特征,不同城市并不适合采取同一种发展模式。对于数字基础设施较好、创新资源较强的中心城市,应注重提升数字产业集群发展质量,强化其技术策源和区域辐射带动功能;同时,防止数字产业动态集聚水平过高带来的资源拥挤和边际抑制效应。对于普通地级市和数字基础设施相对薄弱的城市,应将政策重心放在夯实数字基础设施和发展细分优势产业上,避免脱离本地条件过度追求数字产业集聚速度和规模,形成与本地资源禀赋和产业基础相适应的发展模式。
本文存在以下不足:首先,核心变量测度方面,本文主要依据国民经济行业大类界定数字产业,识别精度有待提升。未来可在行业中类或小类层面进一步细分数字产业,并据此改进数字产业动态集聚测度方法。其次,研究周期方面,本文样本期为2006—2022年,对长期性和周期性的影响刻画不足。未来可持续跟踪研究,以更全面地识别数字产业动态集聚对城市创新的长期效应。最后,研究内容方面,本文主要关注数字产业动态集聚对城市创新数量的影响,对创新质量、创新效率和创新结构的考察不够充分。未来可进一步分析数字产业动态集聚对城市创新质量和结构的影响,并拓展到其他产业动态集聚情形。
[1] 张天顶,王庆柯. 数字产业集聚对中国制造业出口技术复杂度的影响研究[J]. 治理研究,2025, 41(1): 117-136.
[2] 赵佳丽,吴榕. 数字产业与制造业协同集聚对区域创新效率的影响研究[J]. 管理学刊,2024, 37(5): 113-127.
[3] 赵放,蒋国梁,徐熠,等. 数字产业集聚赋能区域绿色技术创新:创新要素与创新环境双重视角[J]. 科技进步与对策, 2024, 41(18): 1-11.
[4] 胡晓辉. “动态集聚”还是“集聚动态”:制造业集群韧性提升的路径[J]. 地理研究,2024, 43(2): 340-356.
[5] KIM M J, SHAVER J M, FUNK R J. From mass to motion: conceptualizing and measuring the dynamics of industry clusters[J]. Strategic Management Journal, 2022, 43(4): 822-846.
[6] 杨孟禹,王智慧,张凤云.数据共享、知识能力与城市创新协同[J].财贸经济,2025,46(9):141-155.
[7] FRENKEN K, CEFIS E, STAM E. Industrial dynamics and clusters: a survey[J]. Regional Studies,2015, 49(1): 10-27.
[8] 韩君,高瀛璐. 中国省域数字经济发展的产业关联效应测算[J]. 数量经济技术经济研究,2022, 39(4): 45-66.
[9] 屠西伟,史丹. 数字产业集聚与企业能源效率改进[J]. 数量经济技术经济研究,2025, 42(10): 70-89.
[10] 蒋为,龚思豪,李锡涛. 数字企业赋能中国对外贸易方式转型的效率与动力变革——基于中间品成本与需求结构的双重视角[J]. 管理世界,2024, 40(9): 41-72.
[11] 刘耀彬,邓伟凤,李硕硕,等. 数字产业集聚对减污降碳协同的影响——以长江经济带为例[J]. 资源科学,2024, 46(4): 744-760.
[12] 齐平,刘佩瑶,赵放. 数字产业集聚与区域经济韧性——基于省级面板数据的实证分析[J]. 浙江学刊,2025,27(2): 129-137.
[13] 郝良峰,李小平,李松林. 企业进入退出、产业动态集聚与城市生产率协同——来自我国制造业的证据[J]. 系统工程理论与实践,2021, 41(8): 1942-1960.
[14] 毛其淋,盛斌. 中国制造业企业的进入退出与生产率动态演化[J]. 经济研究,2013, 48(4): 16-29.
[15] 李天健,李伟. 数字产业集群发展:竞争优势重塑与政策范式重构[J]. 经济学家,2025,36(2): 35-44.
[16] GLAESER E L, KALLAL H D, SCHEINKMAN J A, et al. Growth in cities[J]. Journal of Political Economy,1992, 100(6): 1126-1152.
[17] AGHION P, JARAVEL X. Knowledge spillovers, innovation and growth[J]. The Economic Journal,2015, 125(583): 533-573.
[18] ROTHAERMEL F T, HESS A M. Building dynamic capabilities: innovation driven by individual, firm, and network-level effects[J]. Organization Science,2007, 18(6): 898-921.
[19] LEE S. Learning-by-moving: can reconfiguring spatial proximity between organizational members promote individual-level exploration?[J]. Organization Science,2019, 30(3): 467-488.
[20] COHEN W M, LEVINTHAL D A. Absorptive capacity: a new perspective on learning and innovation[J]. Administrative Science Quarterly,1990, 35(1): 128-152.
[21] KARIM S. Business unit reorganization and innovation in new product markets[J]. Management Science,2009, 55(7): 1237-1254.
[22] DURANTON G, PUGA D. From sectoral to functional urban specialisation[J]. Journal of Urban Economics,2005, 57(2): 343-370.
[23] XIAO T, MAKHIJA M, KARIM S. A knowledge recombination perspective of innovation: review and new research directions[J]. Journal of Management,2022, 48(6): 1724-1777.
[24] ZAHRA S A, GEORGE G. Absorptive capacity: a review, reconceptualization, and extension[J]. Academy of Management Review,2002, 27(2): 185-203.
[25] LI B,TEECE D J,BASKARAN A,et al.Dynamic knowledge management: a dynamic capabilities approach to knowledge management[J]. Technovation,2025, 147: 103316.
[26] BROERSMA L, OOSTERHAVEN J. Regional labor productivity in the Netherlands: evidence of agglomeration and congestion effects[J]. Journal of Regional Science,2009, 49(3): 483-511.
[27] 辛璐璐. 数字产业集聚、颠覆式技术创新与城市绿色经济效率[J]. 学习与实践,2023,40(10): 71-80.
[28] HAANS R F, PIETERS C, HE Z L. Thinking about U: theorizing and testing U-and inverted U-shaped relationships in strategy research[J]. Strategic Management Journal,2016, 37(7): 1177-1195.
[29] 柏培文,喻理. 数字经济发展与企业价格加成:理论机制与经验事实[J]. 中国工业经济,2021,37(11): 59-77.
[30] 钞小静,廉园梅,元茹静,等. 数字基础设施建设与产业链韧性——基于产业链恢复能力数据的实证分析[J]. 数量经济技术经济研究,2024, 41(11): 112-131.