开放科学(资源服务)标识码(OSID)：
While the existing literature has laid a foundation, there remains room for expansion. Firstly, most current studies focus on measuring general digital infrastructure, with their indicator systems heavily emphasizing information and communication technology (ICT) access indicators, such as internet penetration rates and fiber-optic cable density. In contrast, the assessment of computing power infrastructure construction levels often relies on single or limited indicators. A comprehensive evaluation system that systematically reflects its functional positioning and technical characteristics has yet to be established. Secondly, existing research lacks empirical analysis regarding the dynamic evolution, sources of regional disparities, and spatial correlation of computing power infrastructure construction levels. In light of this, this paper constructs a measurement indicator system for computing power infrastructure construction levels, comprehensively evaluates the level of provincial computing power infrastructure development in China, and reveals its regional disparities and spatial linkages.
Following the logic of "core elements - external support - high-quality development goals",this study takes 30 provincial-level regions in China from 2016 to 2022 as research samples, and constructs an evaluation index system for China's computing infrastructure construction level from four dimensions: scale of computing facilities, network carrying capacity, computing support environment, and green development of computing power. The entropy method is employed to measure China's computing infrastructure construction level. Then, the Dagum Gini coefficient is employed to reveal regional differences in China's computing infrastructure construction level and their sources, while Moran's I index is applied to explore its spatial correlation.
The findings are as follows: First, China's computing infrastructure construction level has steadily improved, showing a gradient pattern, where Eastern China leads, followed by Central and then Western China, with provinces and cities such as Guangdong and Beijing taking a significant lead. Second, the overall regional differences in computing infrastructure construction level have shown a fluctuating upward trend, with inter-regional differences being the primary source. An analysis of intra-regional variation reveals that Eastern China exhibits the greatest internal disparity, ahead of Western and then Central China. Regarding inter-regional disparity, the East-West divide is the most significant, exceeding both the East-Central and Central-West gaps. Third, the construction level of computing infrastructure across provinces exhibits positive spatial correlation, with the intensity of spatial association characterized by an initial increase followed by a decrease.
Compared with existing studies, this paper makes several key contributions. First, it constructs a more comprehensive evaluation index system for computing infrastructure construction level from four dimensions: scale of computing facilities, network carrying capacity, computing support environment, and green development of computing power. Second, through the Dagum Gini coefficient, it analyzes regional differences and their sources, providing decision support for formulating differentiated regional development policies and promoting coordinated regional development of computing infrastructure. Third, it applies Moran's I index to analyze the spatial correlation of computing infrastructure construction level, revealing its spatial agglomeration phenomenon. This study deepens the understanding of China's computing infrastructure construction level and provides a theoretical framework for optimizing the national layout of computing infrastructure and advancing its high-quality development.
开放科学(资源服务)标识码(OSID)：
算力是数字经济时代的新质生产力,算力基础设施是算力向社会赋能的载体,其建设水平直接决定新质生产力应用广度与深度[1]。《2022—2023全球计算力指数评估报告》显示,算力指数平均每提高1点,数字经济和GDP将分别增长3.6‰与1.7‰,凸显了算力在经济质量变革中的倍增效应。在此背景下,算力基础设施建设已上升至国家战略高度。2021年5月,《全国一体化大数据中心协同创新体系算力枢纽实施方案》提出开展“东数西算”工程,在京津冀、长三角、粤港澳大湾区、成渝,以及贵州、内蒙古、甘肃、宁夏布局建设全国一体化算力网络国家枢纽节点(以下简称“国家枢纽节点”)。2023年10月,《算力基础设施高质量发展行动计划》强调提升算力综合供给、运载和存储能力,促进绿色低碳算力发展。2024年12月,《国家数据基础设施建设指引》进一步明确算力设施、网络设施和应用设施共同构成国家数字基础设施,要求推进国家数字基础设施建设。我国各省(市)在能源禀赋、产业基础与数字化水平上存在显著差异,算力基础设施也呈现区域失衡格局[2]。因此,科学测度中国省域算力基础设施建设水平、剖析其演变规律及区域差异,对于优化全国算力基础设施布局、推动区域协调发展,以及赋能人工智能驱动的新质生产力跃升具有重要意义。
学界围绕“数字基础设施”形成四类测度方法:第一,单指标测度法,即采用移动基站数量[3]等单一指标表征数字基础设施建设水平;第二,政策试点表征法,即将“宽带中国”[4-5]“智慧城市”[6]等试点政策视为准自然实验,间接衡量数字基础设施建设水平;第三,文本分析法,即采用政府工作报告中数字基础设施相关关键词的词频度量[7-8];第四,综合指标体系法,即从网络设施、应用渗透、产业支撑等维度,选取移动基站密度、互联网普及率和软件产业规模等指标,采用主成分分析或熵权法赋权,量化数字基础设施建设水平[9-11]。综合指标体系法通过结构化维度设计与科学赋权模型,克服了单指标的片面性,成为主流测度方法,为算力基础设施建设水平测度提供了方法参考。
随着数据跃升为核心生产要素,算力基础设施作为支撑数据加工、存储与流通的核心载体,在数字基础设施体系中的地位愈发重要[12]。相较于传统数字基础设施的数据流动与连通功能,算力基础设施充当数据价值化枢纽,具有更强的基础支撑性和赋能泛在性,使其能够驱动新质生产力跃升。它能够提供数据计算、存储与处理能力,支撑数据要素融入社会再生产全过程,驱动生产方式革新、生产要素优化配置以及产业转型升级,从而充分释放数据要素的放大、叠加、倍增效应,最终实现数据价值创造[13]。但算力基础设施的能耗与碳排放显著高于传统数字基础设施。鉴于算力基础设施的功能定位与能源消耗的独特性,其建设水平测度不能简单沿用传统数字基础设施的指标框架,而需结合其内在属性构建评价体系。然而,学界对算力基础设施建设水平测度的关注不足。尽管有学者尝试采用国家超算中心运营虚拟变量[14]、数据中心机架数[15]等单一指标,或国家算力枢纽节点城市和绿色数据中心数量[16]等有限维度进行度量,但均难以充分展现算力基础设施的独特属性。
已有文献为本研究奠定了一定基础,但仍存在拓展空间:一是现有研究多聚焦广义数字基础设施建设水平测度,指标体系偏重互联网普及率、光缆密度等信息通信技术接入能力指标,而对算力基础设施建设水平的衡量多依赖单一或有限指标,尚未构建起能够系统反映其功能定位与技术特征的综合评价体系。二是现有研究对算力基础设施建设水平的动态演变、区域差异来源及空间相关性的实证分析欠缺。鉴于此,本文将构建算力基础设施建设水平测度指标体系,全面评估中国省域算力基础设施建设水平,并揭示其区域差异与空间关联性。本文的边际贡献在于:①从算力设施规模、网络运载能力、算力支撑环境及算力绿色发展4个维度建立算力基础设施建设水平测度指标体系,实现规模与质量的一体化度量,并契合新质生产力的绿色高效要求;②通过Dagum基尼系数分解区域差异来源,为制定差异化区域发展政策、推动算力基础设施区域协调发展提供决策支持;③运用Moran's I指数揭示其空间集聚特征,深化对算力基础设施空间布局规律的认识。
依据《算力基础设施高质量发展行动计划》的界定,算力基础设施是集信息计算力、网络运载力、数据存储力于一体的新型信息基础设施。基于对此概念的解构,同时,响应国家绿色低碳数字基础设施建设要求,兼顾数据可得性,本文遵循“核心要素-外在支撑-高质量发展目标”的逻辑,构建涵盖算力设施规模、网络运载能力、算力支撑环境及算力绿色发展4个维度的测度指标体系(见表1),以评估算力基础设施建设水平。
表1 算力基础设施建设水平测度指标体系
Table 1 Indicator system for evaluating the construction level of computing infrastructure
一级维度 二级维度代理变量属性单位指标权重算力设施规模数据中心规模数据中心数量正个0.108 0数据中心机架规模数据中心机架数量正万架0.087 8运营中的算力资源存量区域内企业持有的IDC许可证数量正个0.161 7网络运载能力骨干网络覆盖水平光缆线路长度正km0.046 0宽带传输速率固定宽带下载速率正Mbps0.048 5移动网络接入能力4G基站数量正个0.096 0算力支撑环境算力人才储备规模信息传输、计算机服务和软件业就业人数正人0.108 8政策支持力度政府工作报告中算力术语词频占报告总词频的比重正%0.072 2投资力度信息传输、软件和信息技术服务业固定资产投资正万元0.053 4算力绿色发展自然冷源利用潜力年平均气温负℃0.020 4数据中心绿色化程度国家绿色数据中心数量正个0.175 3电能利用效率平均PUE适度-0.012 9区域综合能源电价煤风光电加权价格负t/元0.009 0
(1)算力设施规模维度聚焦计算与存储能力。数据中心作为集计算与存储于一体的算力基础设施,其数量和机架数量直接反映算力设备规模[17-18]。此外,IDC许可证申领需通过注册资本核验、技术方案评审及实地机房测评等多重审核,要求企业具备符合国家标准的算力基础设施及持续运营能力,故采用区域内企业持有的IDC许可证数量衡量其运营算力资源存量[12]。
(2)网络运载能力是保障算力基础设施间算力高效传输与调度的基础[19]。光缆线路长度是衡量骨干网络覆盖水平的关键指标,直接决定算力资源的传输能力[20]。固定宽带下载速率是衡量网络传输速率的核心指标,直接影响算力资源调度与使用效率。4G基站数量则表征了移动网络接入能力,是保障算力服务泛在可达的基础。
(3)算力支撑环境维度聚焦人才、政策和投资等软性条件。算力基础设施的建设、运营和维护需要专业人才[21],信息传输、计算机服务和软件业就业人数可反映地区算力人才储备规模。政策支持力度体现政府重视程度,可通过政府工作报告中算力相关术语的词频占比测度[22]。算力基础设施作为资本密集型领域,其发展需大量固定资产投入[14],信息传输、软件和信息技术服务业固定资产投资可表征社会资本对算力基础设施的投入力度。
(4)算力绿色发展维度紧扣国家绿色数字基础设施建设要求与新质生产力的绿色发展理念。算力基础设施是能源密集型设施,2024年全球数据中心耗电量达415太瓦时,其中冷却系统占比为1/3[23]。自然冷源利用潜力是指利用自然条件降低算力基础设施能耗的潜力[24],由年平均气温表征,气温越低,表明潜力越大[25]。数据中心绿色化程度采用国家级绿色数据中心数量衡量,反映各省份在算力中心设计、建设与运营全生命周期的绿色实践水平[16]。电能利用效率采用国际通用的PUE平均值衡量[26]。数据中心的电力成本占其运营总成本的60%～70%,区域综合能源电价影响算力基础设施的运营成本和能源选择。
本文以2016—2022年中国30个省份(西藏因数据不全未纳入)为研究样本,参照国家统计局全国经济普查系列报告中区域划分,将研究区域划分为东部、中部和西部。该划分方式与《关于深入实施“东数西算”工程 加快构建全国一体化算力网的实施意见》中“统筹东中西部算力一体化协同”相符合,有助于揭示三大区域算力基础设施建设的空间差异与发展特征,为制定区域适配的算力发展政策提供科学依据,增强研究的现实指导意义。数据中心数量是基于工业和信息化部发布的《全国数据中心应用发展指引》(以下简称《发展指引》)、国家新型数据中心及绿色数据中心名单以及IDC圈数据中心名录等多源信息的整合结果。算力中心机架数量来源于《发展指引》。IDC许可证数量源自工业和信息化部电信业务市场综合管理信息系统(https://dxzhgl.miit.gov.cn),从系统查询许可证编号和企业名称,结合爱企查和天眼查数据库获取企业注册地与所属省份,依据许可证编号规则识别批准年份,汇总得到省级IDC许可证数量。固定宽带下载速率源自《中国宽带速率状况报告》。4G基站数量来源于OpenCelliD平台。年平均气温数据源自《中国统计年鉴》。国家绿色数据中心数量依据工业和信息化部发布的国家绿色数据中心名单统计获得。平均PUE参考Li等[27]研究,综合《发展指引》和《中国综合算力评价白皮书2023》数据获得。煤风光电加权价格基于《中国能源统计年鉴》获取的火力、风力及太阳能发电量数据,以及《中国电力行业年度发展报告》提供的对应能源电价,按发电量占比对三类电价进行加权计算得出。光缆线路长度和信息传输、计算机服务和软件业就业人数源于国家统计局官网。政府工作报告中算力术语词频占比通过文本分析方法获得:参考王华等[18]、任保平等[28]研究及国家层面算力政策,构建算力术语词典,运用Python对各省份政府工作报告文本进行分词处理,计算算力词典中词频占报告总词频的比重。信息传输、软件和信息技术服务业固定资产投资源自《中国固定资产投资统计年鉴》《中国投资领域统计年鉴》。
1.3.1 熵值法
确定算力基础设施建设水平综合指数时,需对各指标进行科学赋权,本文采用熵值法实现客观赋权[29]。具体步骤如下:
(1)指标标准化。由于选取的13项指标分属不同层级,指标值的量纲与数量级存在差异,需通过标准化消除量纲影响。正向指标和负向指标的标准化公式如下:
(1)
(2)
对于适度指标,参考相关研究(马茹等,2019),首先通过绝对值倒数转换为正向指标,如下所示:
(3)
其中,t为年份(t=1,2,…,T ),i表示省份(i=1,2,…,I),j表示指标(j=1,2,…,J),则xtij为第t年省份i的第j项指标值。max(xj)和min(xj)分别为指标j在所有年份、所有省份中的最大值与最小值;
为标准化后的无量纲值;Aj为指标j的理论最优值。为避免标准化后出现零值,导致熵权计算失效,对上述结果加0.000 01,然后按式(1)缩放至[0,1]区间内。
(2)计算第t年i省第j项指标的占比ptij。
(4)
(3)计算第j项指标的信息熵ej。
(5)
(4)计算信息熵冗余度dj。
dj=1-ej
(6)
(5)计算指标权重ωj。
(7)
(6)计算综合得分。基于标准化后的指标及测算的指标权重ωj,加权求出算力基础设施建设水平(CLCIti)。
(8)
其中,CLCIti的取值范围为[0,1],数值越大,表明算力基础设施建设水平越高。
(7)计算一级维度得分。对于算力设施规模、网络运载能力、算力支撑环境及算力绿色发展等一级维度k,其各含nk个指标,计算如下[30]:
(9)
1.3.2 Dagum基尼系数
本文采用Dagum基尼系数探究算力基础设施建设水平的区域差异及其来源[31]。总体基尼系数G的计算公式为:
(10)
其中,K代表区域分组数(本文将30个省份划分为三组,即东部、中部和西部),yji和yhr分别表示第j区域第i省份与第h区域第r省份的算力基础设施建设水平,
为全国算力基础设施建设水平均值,n为省份总数,nj和nh分别为区域j与h的省份数量。
基尼系数G可分解为区域内差异贡献Gw、区域间净差异贡献Gnb和组间超变密度Gt,即G=Gw+Gnb+Gt。
(1)区域内差异贡献Gw。
(11)
式中,pj=nj/n为区域j的省份数量占比,
代表区域j的算力基础设施建设水平在全国的占比。Gjj为区域j内的基尼系数:
(12)
(2)区域间净差异贡献Gnb。
(13)
Gjh为区域j与区域h间的基尼系数,计算公式如下:
(14)
(15)
式中,Djh表示区域j和区域h算力基础设施建设水平的相对差距,djh为
时,区域i与区域j中所有yji-yhr>0的加权平均;pjh是区域j和区域h间超变一阶矩,为所有yhr-yji>0的加权平均。Fj和Fh分别为区域j和区域h的累积分布函数,公式如下:
(16)
(17)
(3)组间超变密度Gt。
(18)
1.3.3 Moran's I指数
本文采用Moran's I指数探究算力基础设施建设水平的空间自相关特征。全局Moran's I指数用于度量研究区域内算力基础设施建设水平的整体空间关联程度,计算公式如下[32]:
(19)
(20)
其中,n为省份数量,xi为第i个省份算力基础设施建设水平,
是所有省份算力基础设施建设水平的均值,wij为空间权重矩阵,S2为样本方差。Moran's I指数取值范围为[-1,1]。若I>0,表示存在正空间自相关,即相似值(高-高或低-低)在空间上聚集;若I<0,表明存在负空间自相关,即相异值在空间上聚集(高值被低值包围,或低值被高值包围),且绝对值越大,表明空间相关性越强;若I=0,表示随机分布,无显著空间相关性。
局部Moran's I指数用于识别省份i与其邻域省份的局部空间关联模式,计算公式为:
(21)
莫兰散点图可直观呈现省域算力基础设施建设水平的局部空间相关性,其4个象限含义如下:第一象限(高-高,H-H型)为扩散效应区,表示观测省份算力基础设施建设水平与周边省份算力基础设施建设水平均较高,呈现正向空间关联;第二象限(低-高,L-H型)为过渡区,表示观测省份水平较低而其周边省份水平较高,呈现负向空间关联;第三象限(低-低,L-L型)为低速增长区,表示观测省份水平与其周边省份水平均较低,呈现正向空间关联;第四象限(高-低,H-L型)为极化效应区,表示观测省份水平较高而其周边省份水平较低,呈现负向空间关联[33]。
全国算力基础设施建设水平以30个省份测算结果的平均值表示,一级维度采用相应指标的省份平均值予以衡量,结果如图1所示。数据显示,我国算力基础设施建设水平的全国均值及一级维度的全国均值均呈现稳步增长态势。具体来看,总体水平较低但增长迅速,从0.087 6上升到0.279 7,年均复合增长21.35%,这主要得益于国家“东数西算”工程以及算力基础设施高质量发展等政策的推动,标志着我国算力基础设施体系不断完善。分维度来看,算力设施规模稳步提升,从0.035 2增长到0.200 3,年均复合增长33.63%。这主要源于算力中心物理机架规模的持续扩容、算力中心数量的快速攀升,以及企业IDC许可证持有量的增长。网络运载能力逐渐提升,从0.107 8增长到0.418 6,年均复合增长25.37%,其快速增长得益于骨干光缆网络覆盖率提高与移动通信技术迭代,为算力高效调度奠定基础。算力绿色发展呈波动上升趋势,从0.087 7增长到0.292 6,年均复合增长22.25%。算力支撑环境同样呈波动上升趋势,从0.151增长到0.276,年均复合增长10.58%。
图1 2016—2022年中国算力基础设施建设水平及一级维度演变趋势
Fig.1 Evolutionary trends of China's computing infrastructure construction level and its first-level dimensions from 2016 to 2022
2.2.1 三大区域算力基础设施建设水平综合指数演变趋势
各区域算力基础设施建设水平及其一级维度指标均以区域内所包含省份相应指标的均值进行衡量。2016—2022年,三大区域算力基础设施建设水平持续提升,且始终保持“东部>中部>西部”的梯度格局,如图2所示。
图2 2016—2022年三大区域算力基础设施建设水平演变趋势
Fig.2 Evolutionary trends of computing infrastructure construction level in three regions from 2016 to 2022
东部地区保持显著领先优势,其均值区间为0.116 6～0.396 5,显著高于同期全国平均水平;中部与西部地区走势基本相同,呈追赶态势,中部地区的算力基础设施建设水平均值由0.071 5提升至0.224 2,西部地区从0.070 3增长至0.203 3。从增长速度看,东部地区在2016—2021年间增长较为强劲,2021年后增速趋缓;中部与西部地区在2016—2019年增速平缓,2019年后显著提升,追赶势头明显。各地区增速的差异化演变主要受“东数西算”国家战略性工程驱动,该工程通过在东西部地区建立国家枢纽节点,系统优化算力基础设施空间布局,引导资本、技术等要素向中西部集聚,有效促进区域算力协调发展。
2.2.2 三大区域算力基础设施建设水平一级维度演变趋势
2016—2022年,全国算力基础设施建设呈现蓬勃发展态势(见图3(a)),网络运载能力自2017年起处于雷达图最外围,算力支撑环境次之,算力绿色发展与算力设施规模相对滞后。
图3 2016—2022年全国及三大区域算力基础设施建设水平一级维度指标演变趋势
Fig.3 Evolutionary trends of first-level dimensions of computing infrastructure construction level in China and its three regions from 2016 to 2022
各地区算力设施规模、网络运载能力、算力支撑环境及算力绿色发展指数为对应省份指数的算术平均值。东部地区在算力设施规模、网络运载能力和算力支撑环境维度长期处于领先地位(见图3(b)),这是因为其人工智能与数字经济的快速发展催生了大量算力需求,促使算力基础设施建设加速与网络架构迭代升级。2022年东部算力设施规模与网络运载能力分别达到全国均值的1.84倍和1.21倍。同时,政策倾斜与市场资源优势吸引大量资金投入和人才集聚,算力支撑环境数值在2022年达到0.352 7。然而,早期因老旧算力中心集中、改造成本高及绿色算力政策体系缺位,东部地区算力绿色发展长期处于劣势,2016年指标值较全国均值低16.42%;自2018年起,北京和上海率先划定PUE准入红线,2019年深圳实施PUE等级与能耗指标挂钩政策,2021年上海加强节能技术创新与清洁能源接入,这些政策组合措施推动东部算力绿色发展指标从2018年的0.168 3跃升至2022年的0.393 5,反超中西部,成为绿色转型最快地区,形成“政策驱动技术革新—绿电消纳体系完善—指标反超”的转型示范路径。
中部地区呈现网络枢纽优势突出、设施规模与绿色发展相对滞后的特征(见图3(c))。2022年网络运载能力与全国均值持平,凸显了中部作为全国算力网络通道的区位优势[34]。从增长态势看,2016—2022年各维度增幅呈现设施规模领跑、网络运载跟进、绿色发展与支撑环境缓增的特征。其中,算力设施规模从0.015 5跃升至0.106 9,累计增幅589.68%,虽增速居首但基数偏低,说明中部算力基础设施建设仍处于补短板阶段。网络运载能力增长340.14%,进一步凸显中部作为国家东西部算力传输通道的功能定位。算力绿色发展与算力支撑环境的增幅相对滞后,分别为133.45%和125.70%,其发展瓶颈主要源于两方面:一是能源结构制约,区域内可再生能源资源禀赋相对薄弱,算力中心能源供给仍以煤电为主,导致低碳转型面临较高的技术壁垒和成本风险;二是要素支撑薄弱,区域内算力产业的资金投入和专业人才储备不足,且未被纳入“东数西算”国家枢纽节点,难以获得资源倾斜与政策红利,致使算力基础设施建设动能不足。这种网络运载先行、设施规模跟跑、绿色发展滞后的结构特征,展现出中部地区在全国算力产业价值链中“传输枢纽”的作用。尽管中部地区依托区位优势承接了部分外溢的东部地区算力需求,但本地算力设施规模不足,难以对算力产业价值进行深度转化与挖掘。
西部地区算力发展呈现绿色领先、多维度追赶特征(见图3(d))。2022年,其算力绿色发展指标虽低于东部,但显著高于中部,稳居三大区域第二位。这得益于其优越的能源禀赋与气候条件,为绿色算力中心提供低成本清洁能源与天然冷源。“东数西算”工程进一步发挥了这一优势,鼓励绿色算力中心在西部布局,其算力绿色发展指标较2016年增长151.23%,成为该区域算力发展的核心竞争力。算力设施规模与网络运载能力呈快速扩张态势,2016—2022年算力设施规模和网络运载能力分别增长577.26%、469.13%,但绝对量仍处低位,2022年分别为0.100 7和0.354 5,东部较之高出3.65倍和1.43倍。这种“高增速、低基数”特征,表明西部算力基础设施建设仍处于初期阶段。由于算力人才缺口与资本投入不足,西部支撑环境薄弱,2022年算力支撑环境指标远低于全国均值。这种能源富集但要素匮乏的矛盾,导致西部地区难以将绿色优势有效转化为算力产业竞争力。
如图4所示,2016—2022年中国算力基础设施建设水平呈持续上升态势,且省域间差异显著。广东、北京等东部省份持续领跑,河北、四川等中部省份进步明显,而多数西部省份则相对滞后。2022年,30个省份的算力基础设施建设水平分布在0.073 9～0.839 9之间,区间跨度较大,表明各省份间差异显著。
图4 2016—2022年各省份算力基础设施建设水平热力图
Fig.4 Heat map of the construction level of computing infrastructure across provinces (2016-2022)
注：按2022年算力基础设施建设水平降序排列
为识别各省份算力基础设施建设水平的分布格局,本文基于2022年数据,使用K-Means++聚类算法,将30个省份划分为领先型、进步型、追赶型与落后型4类,如表2所示。其中,省份区域参照国家统计局《第四次全国经济普查系列报告之十三》划分,如前文所述。
表2 2022年4种算力基础设施建设水平类型的省份分布
Table 2 Distribution of four types of provinces by computing infrastructure construction level in 2022
类型 东部地区 中部地区 西部地区领先型广东、北京进步型江苏、上海、河北、浙江四川追赶型山东、天津、福建湖南、湖北、河南、安徽、江西、山西贵州、内蒙古、重庆、陕西落后型辽宁、海南黑龙江、吉林广西、甘肃、宁夏、云南、新疆、青海
领先型地区包括北京和广东,其算力基础设施建设水平综合指数均值高达0.750 7。依托国家发展战略与产业基础优势,两地成为全国算力资源核心集聚区、算力绿色转型先行区和高水平算力人才汇聚地,从而在算力设施规模、网络运载能力、算力绿色发展、算力支撑环境各维度全面领先。进步型地区包括上海、江苏、浙江、河北和四川,平均综合指数为0.451 0。这些地区位于长三角“东数西算”工程枢纽位置,具备经济基础扎实、数字产业活跃或享有重大区域发展战略红利的共性优势,因而算力基础设施快速发展。河北借助“东数西算”契机加速扩大算力设施规模,以承接北京外溢算力需求;四川则依托西部枢纽定位与清洁能源优势,积极打造绿色算力基地,成为西部地区算力增长的重要支点。追赶型地区包含13个省份,主要集中在中西部地区,平均综合指数为0.245 0。此类地区在算力基础设施建设各维度尤其是算力设施规模方面存在明显短板,仍处于夯实基础、补齐短板阶段。尽管内蒙古和贵州凭借能源禀赋与政策支持,在算力设施规模与绿色发展方面取得局部突破,但追赶型地区整体仍面临算力设施滞后与人才、技术及资本等高端要素不足的制约。落后型地区包括10个省份,集中在东北、西南边缘及西北地区,平均综合指数仅为0.145 0。这些地区受经济发展水平与财政能力制约,难以支撑数据中心等资本密集型设施建设,导致算力基础设施严重不足。同时,技术研发能力与高端人才储备薄弱,使其难以适应算力技术的快速迭代,面临硬件滞后与软实力欠缺的双重困境。
算力基础设施在空间上延续了传统数字基础设施“东强西弱”的总体格局,但其形成逻辑更复杂。传统数字基础设施水平与区域经济发展水平高度耦合,呈现鲜明的“东高西低”阶梯式分布特征[35]。然而,算力基础设施作为支撑数据价值化的新型底座,其布局是经济需求、要素禀赋与战略干预共同作用的结果:一方面,多市场需求驱动,在经济发达地区形成集聚;另一方面,显著受到能源条件、气候环境、土地资源等要素禀赋以及“东数西算”等国家战略性工程的牵引。这些因素共同作用,推动算力基础设施在河北、四川、贵州、内蒙古等地区实现跨越式发展。
综上,我国区域算力基础设施建设呈现“东强中西弱”的非均衡格局,领先型地区的指数均值约为落后型地区的5.2倍。然而,从进步型的四川,到追赶型的内蒙古、贵州等案例可见,依托国家战略引导与本地资源优势,部分西部省份有望在算力领域实现局部突破与后发赶超,为打破区域非均衡格局提供可行路径。
进一步对比分析各省份算力基础设施建设水平一级维度指标,剖析各省份优势与短板,旨在为各省份推进算力基础设施建设提供科学指引。图5(a)显示,2016—2022年各省份算力设施规模呈扩张态势。其中,广东保持领先地位,其在全国算力中心集群中的核心地位突出;北京、江苏、浙江依托市场需求与产业集聚优势,算力设施规模指数紧随广东之后;贵州的算力设施规模近年增长势头显著,2022年的曲线较2016年大幅外扩,这与“东数西算”工程中贵安数据中心集群发展规划落地密切相关;内蒙古、甘肃等西部省份的算力设施规模则相对滞后。图5(b)显示,网络运载能力呈逐年提升态势。其中,广东领跑全国,其较长的光缆线路、较快的下载速率和密集的移动基站,构筑了网络运载能力高地;北京、浙江、江苏同样依托类似优势位居前列;相比之下,山西、贵州、内蒙古、宁夏、甘肃等中西部省份的网络运载能力仍然滞后。图5(c)显示,算力绿色发展呈波动式增长。其中,排名靠前的主要为东部省份与资源型省份。贵州、四川、内蒙古等资源型省份凭借清洁能源禀赋,算力绿色发展增长显著,曲线外扩幅度明显,展示出将资源优势转化为绿色算力发展动力的巨大潜力;广东、北京、江苏、上海等省(市)则率先实行算力中心绿色准入制度,激励算力中心开展节能技术创新与接入清洁能源,因而在算力绿色发展领域保持领先。这表明不同区域需立足自身资源禀赋与产业基础,探索差异化算力绿色发展路径,以实现算力提升与环境保护协同。图5(d)显示,算力支撑环境呈现波动式增长。其中,广东、北京等凭借优越的政策环境、高度集聚的算力人才资源以及强劲的算力投资,在算力支撑环境方面位居全国前列;中西部省份则因政策协同不足、人才外流以及投资强度偏低,支撑环境相对薄弱,制约了算力基础设施建设与发展。
图5 2016—2022年各省份算力基础设施建设水平一级维度指标特征
Fig.5 First-level dimension features of computing infrastructure construction level across provinces from 2016 to 2022
为检验熵值法结果的稳健性,本文参考刘洋等[36]、简新华等[37]研究,采用熵权TOPSIS法与变异系数法作为替代的测算方法,并与熵值法结果进行对比,结果见表3。数据显示,基于三种方法得到算力基础设施建设水平值,其两两之间的Spearman相关系数均超过0.97,且省份排名具有较高一致性,表明测度方法的选择未对测度结果产生显著影响,即基于熵值法的测度结果稳健可靠。
表3 三种方法测算结果的Spearman相关系数
Table 3 Spearman correlation coefficients of the results calculated by three methods
方法熵值法熵权TOPSIS法变异系数法熵值法1.000 00.980 6***0.994 2***熵权TOPSIS法0.980 6***1.000 00.975 9***变异系数法0.994 2***0.975 9***1.000 0
注：*、**和***分别代表在10%、5%和1%水平上显著,下同
图6显示,2016—2022年中国算力基础设施建设水平的总体区域差异呈波动式上升,Dagum基尼系数由2016年的0.259 5上升至2022年的0.304 1,表明省域间建设水平差距扩大。区域内差异保持东部>西部>中部的格局,东部地区内部差异持续高位波动,基尼系数介于0.286 0～0.313 5之间,表明东部省份间算力基础设施建设落差长期存在。西部地区内部差异显著扩大,基尼系数从2016年的0.152 2上升至2022年的0.206 9,2020年后维持在较高水平。这主要是因为在“东数西算”工程驱动下,四川、贵州、内蒙古、甘肃等国家枢纽节点省份的算力基础设施建设水平显著提升,拉大了与区域内其他省份间的差距。中部地区内部差异最小且相对稳定,基尼系数在0.084 0～0.123 9间波动,表明其省域间算力基础设施发展相对均衡。上述分化格局表明,东部地区省际发展落差持续显著,西部地区在“东数西算”工程推动下区域内部发展差距快速扩大,而中部地区则维持了相对协调的发展态势。未来政策应着重于以下方面:一是遏制全国总体差异扩大态势;二是建立健全西部地区内部的协调发展机制,防范“东数西算”工程在区域内引致新的发展失衡问题;三是针对东部地区内部差异,需引导资源优化配置,促进区域内部协同发展。
图6 2016—2022年中国算力基础设施建设水平总体及区域内差异演变趋势
Fig.6 Evolutionary trends of overall and intra-regional differences in China's computing infrastructure construction level from 2016 to 2022
图7显示,2016—2022年中国算力基础设施建设水平的区域间差异呈波动式上升态势。具体而言,东-西部地区基尼系数从0.330 4上升至0.395 1,增幅为19.58%;东-中部地区差异从0.316 6波动上升至0.355 8,增幅为12.38%;中-西部地区差异最小,但基尼系数从0.131 3升至0.178 8,增幅达36.09%。从区域间差异的均值来看,2016—2022年基尼系数均值呈现“东-西>东-中>中-西”的梯度发展格局,东-西地区间的基尼系数均值较东-中地区高出0.032 3,较中-西地区高出0.213 0,东-中地区基尼系数均值较中-西地区高0.180 7。这表明东-西部地区算力基础设施建设水平的差异最显著,东-中部地区间差异次之,而中-西部地区间差异较小但增幅最大。
图7 2016—2022年中国算力基础设施建设水平区域间差异演变趋势
Fig.7 Evolutionary trends of inter-regional differences in China's computing infrastructure construction level from 2016 to 2022
图8反映2016—2022年中国算力基础设施建设水平区域差异贡献率。从贡献率均值来看,研究期内区域内差异贡献、区域间净差异贡献和组间超变密度的平均占比分别为28.46%、53.56%及17.98%,表明区域间净差异是主要差异来源。具体而言,区域间净差异贡献率稳定在47%以上,呈现先升后降的变化态势,从2016年的47.36%提升至2019年的59.13%,2022年回落至52.76%。区域内差异贡献保持缓慢下降趋势,由2016年的29.84%降至2022年的28.37%。超变密度贡献率从2016年的22.80%持续下降至2019年的13.93%,2022年回升到18.87%。可见,中国算力基础设施的区域差异主要源于三大区域间差距,其次为区域内部的不平衡。因此,缩小区域差异应着力于促进各区域协调发展。
图8 2016—2022年中国算力基础设施建设水平区域差异贡献率演变趋势
Fig.8 Evolutionary trends of the contribution rate of regional differences in China's computing infrastructure construction level from 2016 to 2022
表4结果显示,2016—2022年中国算力基础设施建设水平的全局Moran's I指数在经济地理嵌套矩阵和经济距离矩阵下均为正,所有年份均通过10%水平上的显著性检验,部分年份通过5%水平上的显著性检验,表明中国算力基础设施建设呈现空间正相关,即存在空间集聚。从时间演变来看,两类矩阵下的全局Moran's I指数均在2019年达到峰值,此后逐渐下降。该趋势转变与“东数西算”工程的推进在时间上高度耦合,体现了国家顶层设计对算力基础设施空间格局的重塑作用。
表4 2016—2022年中国算力基础设施建设水平的全局Moran's I指数演变趋势
Table 4 Evolutionary trends of global Moran's I of China's computing infrastructure construction level from 2016 to 2022
年份经济地理嵌套矩阵Iz经济距离矩阵Iz20160.053*1.5130.162**1.77520170.047*1.4110.135*1.54220180.064**1.7050.162**1.78120190.080**2.0020.177**1.92920200.068**1.7760.155**1.71020210.064**1.7020.145*1.62320220.048*1.4270.112*1.318
为进一步探究省域算力基础设施建设水平的局部空间相关性,本文基于经济距离矩阵绘制2016年、2019年和2022年的莫兰散点图,如图9所示。从静态格局看,多数省份分布于高-高型和低-低型区域,表明正向空间关联性占主导地位。其中,广东、北京、江苏、上海等东部省市始终处于高-高型区域,形成稳定的算力高地集群;而云南、宁夏、青海等西部省份长期位于低-低型区域,反映出欠发达地区低算力基础设施建设水平的空间锁定效应。从动态演变看,高-高型区域缩减至4个,山东、重庆等省份退出,表明东部算力高地向更集中的核心区域收缩。低-高型区域从5个增至8个,广西、新疆、重庆加入,表明更多西部省份进入自身低但邻域高的过渡阶段。河北和贵州由低-低型向高-低型跃迁,体现国家枢纽节点省份依托“东数西算”工程实现低值突破。
图9 2016、2019、2022年算力基础设施建设水平的莫兰散点图
Fig.9 Moran scatter plots of computing infrastructure construction level in 2016, 2019, and 2022
本文基于2016—2022年中国30个省份面板数据,采用熵值法测度中国算力基础设施建设水平,运用Dagum基尼系数和Moran's I指数揭示其区域差异与空间相关性。主要研究结论如下:
(1)从建设水平看,2016—2022年我国算力基础设施建设水平总体偏低,但呈增长态势,年均复合增长达21.35%。区域层面,算力基础设施建设水平始终保持“东部>中部>西部”的梯度发展格局。省域层面,算力基础设施建设水平的省际差异显著,广东和北京领跑全国,领先型地区的算力基础设施建设水平均值约为落后型地区的5.2倍。分维度看,四大维度均值呈现“网络运载能力>算力支撑环境>算力绿色发展>算力设施规模”的梯次格局,增长率呈现“算力设施规模>网络运载能力>算力绿色发展>算力支撑环境”的梯次格局。
(2)从区域差异看,2016—2022年我国算力基础设施建设水平的总体差异呈波动式上升趋势,区域间差距是其主要来源,全国基尼系数由0.259 5上升至0.304 1。区域内差异保持东部>西部>中部的发展格局,区域间差异呈现东-西>东-中>中-西的发展格局。从差异来源看,区域间净差异贡献占比53.56%,构成总体差异的主要来源。
(3)从空间关联看,各省份算力基础设施建设水平存在空间集聚现象,多数省份分布于高-高型和低-低型区域。其中,广东、北京、上海等东部省份稳定分布在高-高型区域;河北和贵州由低-低型向高-低型跃迁,实现低值突破。
基于上述结论,为促进我国算力基础设施高质量与均衡发展,提出如下政策建议:
(1)当前全国算力基础设施建设水平偏低且各维度发展不协调,需补齐短板,为新质生产力的蓬勃发展夯实基础底座。算力设施规模方面,中西部应加快算力中心集群建设,推动机架规模合理扩容,东部地区从规模扩张转向能级提升,严格控制传统数据中心增量,优化存量设施效能;网络运载能力方面,增强中西部末端网络接入能力,加大骨干光缆网络与5G基站覆盖密度,优化跨域传输链路,提升跨域调度效率;算力绿色发展方面,东部深化“政策驱动技术革新”模式,健全算力中心绿色准入标准与绿电消纳机制,西部建立“绿电消纳+算力输出”联动机制,通过能源优势降低算力中心碳排放与运营成本;算力支撑环境方面,通过东部人才西输、设立算力专项基金等措施,促进技术、人才与资金的跨域流动,提升全域算力支撑能力。
(2)鉴于区域间算力基础设施建设水平差异显著,应实施差异化策略,改善非均衡格局。一方面,发挥东部地区的辐射带动作用,加快建设全国一体化算力网络体系,构建“东部算力需求有序外溢+中西部算力供给高效承接”的跨域协作机制,实现跨域算力供需匹配,缓解算力基础设施东部过载而西部闲置的问题。同时,完善跨域协作政策体系,引导技术、人才、资本等要素向中西部流动。另一方面,各地需立足自身比较优势,实现错位发展。其中,东部地区聚焦算力基础设施提质增效,构建算存运协同的智算设施体系,精准对接人工智能等高端智算需求,并加强算力芯片、先进存储与调度算法等核心技术攻关,巩固其算力价值链引领地位;中部地区建设低时延算力调度枢纽,打通承东启西的算力跨域调度通道,加快算力基础设施建设,提升承接东部外溢算力需求的能力;西部地区依托清洁能源优势,探索绿电直供、就地消纳的可持续发展路径,吸引绿色导向的算力项目落地,并培育本地化算力人才,构建以绿色算力为特色产业集群,将能源优势转化为产业竞争优势。
(3)东部和西部地区均存在省际发展不均衡问题,需缩小区域内部差异,促进省域均衡发展。东部地区可建立算力协同发展联盟,鼓励领先省份在算力技术标准、运营模式、人才培育等方面帮扶周边省份,促进区域内部资源整合。同时,推动算力相关产业在区域内有序转移与合理布局,构建分工协作、功能互补的算力产业生态。在西部地区,需防范国家枢纽节点与非枢纽省份间的两极分化,在强化枢纽功能的同时,对非枢纽省份给予一定的资金、项目和政策倾斜,鼓励其发展适配本地需求的区域性算力基础设施。
本文尚存在以下局限:首先,受数据可得性限制,仅聚焦省域尺度对中国算力基础设施建设水平进行测度与分析,未来研究可将分析尺度细化至城市层面,以更精准地揭示空间分异特征与发展动态。其次,囿于高精度的PUE监测数据难以获取,本研究使用的PUE数据由多源异构数据集成所得,随着国家监测体系的持续完善,未来研究可结合更系统的官方数据进行优化,进一步提升分析精度。最后,本研究重点刻画了算力基础设施建设水平的区域差异、空间关联及演变特征,但未系统揭示其背后的驱动机制。未来研究可深入剖析政策投入、能源禀赋与产业结构等多维因素的驱动作用,以揭示区域算力基础设施差异格局的形成机制,从而为差异化政策制定提供参考。
[1] 米加宁, 李大宇, 董昌其. 算力驱动的新质生产力:本质特征、基础逻辑与国家治理现代化[J].公共管理学报, 2024,21(2):1-14.
[2] 洪涛, 程乐. 全国算力体系一体化建设的五大问题及治理对策[J].中国科学院院刊, 2024, 39(12): 2086-2095.
[3] LIAO K, LIU J. Digital infrastructure empowerment and urban carbon emissions:evidence from China[J].Telecommunications Policy, 2024, 48(6): 102764.
[4] SONG H, CHEN W. A digital blueprint for sustainability:can digital infrastructure policies promote renewable energy innovation[J].Renewable Energy, 2025, 244: 122727.
[5] MA R,LIN B.Digital infrastructure construction drives green economic transformation: evidence from Chinese cities[J].Humanities and Social Sciences Communications,2023,10(1):1-10.
[6] 刘秉镰, 袁博, 刘玉海. 数字基础设施如何畅通区域间资本要素流动——基于企业注册大数据的证据[J].数量经济技术经济研究, 2025, 42(1): 72-92.
[7] WANG N, HUANG Y, LIAO R. Kill two birds with one stone:how to strengthen digital new infrastructure's impacts on urban green innovation-the channel of factor allocation[J].International Review of Economics &Finance, 2025, 98: 103853.
[8] WANG L, SHAO J. The energy saving effects of digital infrastructure construction:empirical evidence from Chinese industry[J].Energy, 2024, 294: 130778.
[9] YAO L, LI A, YAN E. Research on digital infrastructure construction empowering new quality productivity[J].Scientific Reports, 2025, 15(1): 1-14.
[10] ZHANG H, ZHANG K, YAN T, et al. The impact of digital infrastructure on regional green innovation efficiency through industrial agglomeration and diversification[J].Humanities and Social Sciences Communications, 2025, 12(1): 1-15.
[11] ZHANG W, FAN H, ZHAO Q. Seeing green:how does digital infrastructure affect carbon emission intensity[J].Energy Economics, 2023, 127: 107085.
[12] 许诺, 毛聚, 毛新述, 等. 算力部署、数据跨域流动与企业全要素生产率——来自智算中心的证据[J].中国工业经济, 2025,43(4): 61-79.
[13] 闫强, 许冠南, 易兰丽. 数据基础设施赋能新质生产力:理论阐释、底层逻辑与优化路径[J].公共管理学报, 2025, 22(3): 1-27.
[14] 杨壮, 吴福象. 算力基础设施建设能破解“生产率悖论”吗——基于合作创新和劳动力技能结构的视角[J].经济学家, 2025,47(1): 56-65.
[15] 吉雪强, 尤华珉, 王野, 等. 数据中心、新兴产业与新质生产力发展[J].经济问题探索, 2025,46(3): 16-35.
[16] 顾洁, 刘玉博, 王振, 等. 信息生态理论视角下城市数据要素市场就绪度评估[J].信息资源管理学报, 2024, 14(2): 82-94.
[17] 杨春林, 郭爱君, 张永年. 数据要素市场化能否提升城市绿色创新效率——基于数据交易平台建设的准自然实验[J].科技进步与对策, 2025, 42(19): 10-22.
[18] 王华, 谭鑫语. 筑算促新:算力基础设施投入与企业新质生产力[J].中央财经大学学报, 2025,45(4): 5-23.
[19] 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.
[20] 李源, 刘承良, 毛炜圣, 等. 全球数据中心扩张的空间特征与区位选择[J].地理学报, 2023, 78(8): 1936-1954.
[21] SAUNAVAARA J, LAINE A, SALO M. The Nordic societies and the development of the data centre industry: digital transformation meets infrastructural and industrial inheritance[J].Technology in Society, 2022, 69: 101931.
[22] 孙晓华, 马雪娇, 孔一杰, 等. 中国制造业的数字鸿沟——“接入—应用—转化”的分析框架[J].管理世界, 2025, 41(4): 38-58.
[23] 李振福, 李杭蔚, 齐芯莉. 碳中和背景下北极低温经济发展的潜力和挑战[J].中国软科学, 2024,39(2): 9-17.
[24] TUREK D, RADGEN P. Optimized data center site selection-mesoclimatic effects on data center energy consumption and costs[J].Energy Efficiency, 2021, 14(3): 33-48.
[25] WANG L, CHEN D, YAO M, et al. Spatial distribution and influencing factors of data centers in China:an empirical analysis based on the geodetector model[J].Energy and Buildings, 2025, 336: 115588.
[26] 韩先锋, 郑酌基, 徐杰, 等. 绿色数字基建驱动城市绿色创新的机制及效应研究[J].管理学报, 2024, 22(1): 1-11.
[27] LI G, SUN Z, WANG Q, et al. China's green data center development: policies and carbon reduction technology path[J].Environmental Research, 2023, 231(P3):116248.
[28] 任保平, 迟璐婕. 数据+算法+算力的人工智能新质生产力时序变化与空间格局[J].厦门大学学报(哲学社会科学版), 2025, 75(3): 26-39.
[29] 王军, 朱杰, 罗茜. 中国数字经济发展水平及演变测度[J].数量经济技术经济研究, 2021, 38(7): 26-42.
[30] 陈景华, 陈姚, 陈敏敏. 中国经济高质量发展水平、区域差异及分布动态演进[J].数量经济技术经济研究, 2020, 37(12): 108-126.
[31] DAGUM C. A new approach to the decomposition of the Gini income inequality ratio[J].Empirical Economics, 1997, 22(4): 515-531.
[32] 王曦. 中国式现代化产业体系建设水平测度与影响因素[J].科技进步与对策, 2024, 41(21): 54-65.
[33] 郭芸, 范柏乃, 龙剑. 我国区域高质量发展的实际测度与时空演变特征研究[J].数量经济技术经济研究, 2020, 37(10): 118-132.
[34] 于施洋, 马骁, 郭明军, 等. 国家算力大通道总体布局和推进策略研究[J].电子政务, 2024, 41(11): 1-14.
[35] 刘建君, 梁大鹏. 中国数字基础设施发展水平的时空格局[J].资源科学, 2025, 47(6): 1295-1311.
[36] 刘洋, 周智翔. 新发展格局评价指标体系构建与测度——基于省级行政区层面的探讨[J].统计研究, 2025, 42(7): 17-29.
[37] 简新华, 聂长飞. 中国新质生产力水平测度及省际现状的比较分析[J].经济学动态, 2024,65(10): 3-20.