数字经济驱动沿海地区海洋产业高质量发展研究

蹇令香,苏宇凌,曹珊珊

(大连海事大学 航运经济与管理学院,辽宁 大连 116026)

一、引 言

从党的十八大报告中首次提出“建设海洋强国”到十九大报告中提出的“坚持陆海统筹,加快建设海洋强国”,海洋产业高质量发展对推动中国海洋开发方式向循环利用型转变、促进国民经济持续健康发展都具有重大而深远的意义。而中国海洋GDP自2014年起增速放缓,意味着海洋产业必须改变以往的资源依赖发展模式、寻找新的增长动力。数字经济作为一种新的经济形态,已成为拉动中国经济可持续增长的新引擎[1],为海洋产业高质量发展及包容性增长提供了全新思路与可行路径。因此,如何通过数字经济发展驱动海洋产业高质量发展,已成为一个亟需解决的现实问题。

现有文献中关于海洋产业高质量发展的测度与评价的研究主要是从定性角度分析海洋产业高质量发展的内涵及影响因素,如Bostock等通过对欧盟地区海洋渔业和海洋水产养殖业结构的分析,指出海洋产业发展质量提高对欧盟经济发展有显著促进作用,并提出了相应的政策建议[2];郑鹏等提出海洋产业高质量发展反映在海洋产业的效益提高、结构优化、环境改善等方面,可用资本、技术和制度等内生要素数量增加来衡量[3];刘永红研究山东省海洋产业后指出海洋产业高质量发展应以提高海洋科技含量为重点,并提出了相应的对策与建议[4]。定量研究更多集中在比海洋产业更为宽泛的海洋经济高质量发展的测度与评价上,如黄英明等运用灰色关联模型实证研究了海陆经济一体化进程对海洋产业高质量发展的影响[5];鲁亚运等利用信息熵确权法,基于五大新发展理念构建了海洋经济高质量发展评价指标体系并对中国沿海地区海洋经济高质量发展水平进行了测算[6];刘波等从新时代对海洋经济高质量发展内涵、任务及要求的认识,同样基于五大发展理念建立了海洋经济高质量发展评价指标体系,并通过线性加权模型、核密度法以及耦合协调度模型对江苏省海洋经济高质量发展水平进行测算、分析其动态演化规律[7]。

国内外众多学者对数字经济发展水平的测算问题也进行了一系列研究,如OECD提出可从数字经济的智能基础设施投资及其对经济增长和就业的带动作用和推动创新创造能力等方面来测度数字经济发展[8];蔡跃洲从先增量后总量、先贡献度后规模的思路出发,基于GDP核算法和增长核算法构建了准确性更高、操作性更强的数字经济测算框架[9];刘方等以ICT产业为基础,从数字经济基础产业以及数字经济融合效应两部分测算了数字经济规模[10];温珺等基于对比法和直接法,从数字经济基础设施和应用程度两方面对数字经济发展水平进行了测算[11]。

随着数字经济规模的快速增长,其逐渐成为产业发展新的驱动力,许多学者开始关注数字经济对产业高质量发展的驱动作用,如Dolata基于一个启发式框架分析了技术对于不同行业影响模式的差异,提出技术的变革会促进国民经济以及相关产业产出的数量增加、质量提高[12];Corredoira等分析了阿根廷汽车零部件企业的相关数据,指出数字经济带来的网络化等技术升级能够将出口国知识要素与进口地实践经验相结合,推动产业增长与升级[13];曹正勇从理论上分析了数字经济如何促进工业高质量发展[14];齐亚磊等提出数字化技术将通过推动智能产业链建设和制造业向着智能化、平台化和协同发展方向迈进引领制造业高质量发展[15];楚明钦认为数字经济将重构农业生产性服务业,并提出了发展思路与对策[16]。

综上所述,现有研究尚存在以下不足:第一,目前大部分研究主要集中在对海洋经济高质量发展进行测度与评价,缺少对海洋产业高质量发展水平的定量测度与评价研究。第二,现有研究在测度评价产业高质量发展水平时多使用主成分赋权法、信息熵确权法等静态评价方法,忽略了时间因素的影响,因此评价对象缺乏不同时间节点上的可比性。第三,现有研究缺少数字经济对海洋产业高质量发展的影响分析。第四,现有研究大多只分析了数字经济对某产业的直接影响,而忽视了某些经济要素对这种影响的作用方向及大小,且大多数主要是定性分析,缺少定量测度。机器学习中的随机森林算法克服了传统回归方法可能带来的多重共线性、模型预设等诸多问题,可为数字经济在多种经济要素作用下对海洋产业发展的影响分析提供较为准确和稳定的测度结果。鉴于此,本文构建了沿海地区海洋产业高质量发展和数字经济发展水平评价指标体系,运用“VHSD-EM”模型综合动态和静态两种指标评价方法对中国沿海地区海洋产业高质量发展和数字经济发展水平进行了分地区、分维度测度与评价。在此基础上,还选取了12个特征变量,利用随机森林算法和偏效应模型研究了数字经济在不同经济要素作用下对海洋产业高质量发展的影响及海洋产业具体发展路径,以期推动中国海洋产业高质量发展和可持续增长。

二、数字经济对海洋产业高质量发展的影响

设海洋产业的生产函数为Y=AF(N,K),其中,Y、N、K分别为海洋产业的总产量、劳动投入量和资本投入量,A为全要素生产率。从生产函数可看出,数字经济发展主要是通过改变要素投入数量、增加新的投入要素及提高全要素生产率三种方式影响海洋产业发展。具体来讲,第一,数字经济带来的技术进步能提高劳动和资本要素的投入数量和质量,改善劳动和资本要素投入比例,从而推动海洋产业的可持续增长。第二,数字经济为海洋产业生产函数增加了信息资源这一新的投入要素:原生产函数Y=AF(N,K)里缺乏信息资源要素,虽然资本要素里面包含了无形资本(如知识产权、专利等),但并没有将信息资源考虑进来;如果将信息资源作为独立的生产要素加入到生产函数中,那么这个新的生产函数应表示为Y=AF(N,K,I),I就是新的生产要素——信息资源,信息资源要素缩短了生产的空间距离,加快了市场上要素流动,使得原有行业可以低成本开展更多业务,而业务范围的扩大又催生出了更多的海洋子产业,更好地满足了人民生活多样化的需求,使得海洋产业的成果更多地惠及到人民的生活,推动了海洋产业共享发展。在保持传统投入不变的前提下,信息资源I的投入变化会引起海洋产业的变化,这说明信息资源提高了生产的边际效率,使得海洋产业生产函数从规模报酬不变的一般规律转变为递增,大大提高了生产函数的生产效率,这也为海洋产业发展注入了新的活力,海洋产业与陆域产业的联系日趋紧密,区域间海洋产业协同发展进程加快,推动了海洋产业协调发展。第三,数字经济直接提高了全要素生产率A,大数据等信息技术促进了地区创新资源集成共享、产业内部资源的快速对接,从而提高了生产配置效率、催生了一批海洋生物医药业、海洋新能源产业等新兴产业,为新时代下海洋经济高质量发展注入新动能,并将传统“高投资、高能耗、高污染”的商业模式变革为一种创新、绿色的全新消费模式,如O2O、共享经济等;另外,数字技术已逐渐成为国际投资中至关重要的区位决定因素[17],在吸引外资和对外投资等方面起到了较大的推动作用,这有利于提高海洋产业的国际竞争力,扩大海洋产业的对外开放程度。综上所述,数字经济能够驱动海洋产业持续、创新、协调、开放、绿色、共享地发展。

三、研究方法与模型构建

(一)“VHSD-EM”模型

“VHSD-EM”模型是综合VHSD模型(‘Vertical and Horizontal’ Scatter Degree Method即“纵横向”拉开档次法)EM模型(Entropy Method,即信息熵确权法)的一种评价方法。传统信息熵确权法在不同时点上测算出的指标值不具有可比性;而“纵横向”拉开档次法则可将时间因素融入权重值的确定过程中,最大化地体现出评价对象在不同时间节点上的差异[18],其缺陷在于依赖于评价矩阵确定权重而不能像信息熵确权法那样完全反映出各评价指标含有的信息量大小。而海洋产业高质量发展和数字经济的评价皆兼具时间和空间的维度,需要综合考虑时空因素所带来的差异,因此,本文构建了“VHSD-EM”模型,即将这两种评价方法结合起来,综合考虑评价指标所包含的信息量差异及时间因素,试图对海洋产业高质量发展和数字经济发展水平进行更为准确、科学的测度与评价。

1.VHSD模型基本原理

首先,令海洋产业高质量发展水平为PIjt,则:

(1)

式中,PIjD表示第j个评价对象在d时期的综合评价值,Wi表示第i个指标权重,Xijd表示第j个评价对象在d时期的第i个指标原始数值xijd经过标准化处理后的值。

其次,根据最大可能地体现出各评价对象之间的差异的原则确定指标权重。评价对象之间的差异也即总离差平方和可表示为:

(2)

(3)

解得W为矩阵H的最大特征值λmax(H)所对应的特征向量。

最后,可根据式(1)计算评价对象综合评价值PIjd。

2.EM模型基本原理

首先同样进行标准化过程,得到标准化之后的指标值Xijd。

其次,用信息熵确定指标权数wid,即

(4)

(5)

其中,Ei为该指标信息熵,Pijd是归一化处理结果。最后根据式(1)计算综合评价值PIjd。

3.“VHSD-EM”模型的构建

计算式(3)、(4)所得权重即对两种评价方法所得权重取算术平均值,得最终权重δit:

δid=(Wi+wid)/2

(6)

其中,δid是“VHSD-EM”模型计算得出的海洋产业高质量发展水平在d时期第i个指标的权重。

数字经济发展水平计算过程同理。另外,应用斯皮尔曼相关性检验(Spearman)对“VHSD-EM”模型的稳定性进行验证:只有两种评价方法的测度结果之间具有显著的正向一致性,最终结果才较为稳定,便于进行科学的评价[19]。

(二)随机森林算法

由于数字经济对海洋产业高质量发展的驱动作用会受到诸多要素的影响,这使得本文中回归问题的解释变量较多,而机器学习中的随机森林算法(Random Forest)通过梯度下降法思路避免了回归模型中可能存在的多重共线性和自由度下降等估计问题[20],估计结果较为准确。随机森林通过计算某个特征变量的重要性(Feature Importance,也称为贡献率)来识别该特征变量与目标值之间相关性大小(1)随机森林算法中,特征变量即为回归模型中的解释变量,目标值即为被解释变量。;贡献率反映了特征变量本身及与其他特征变量交互作用后的综合影响,贡献率越高则该特征变量与目标值之间相关性越高。因此,本文通过构建随机森林模型并计算出特征变量的贡献率大小来识别不同要素对海洋产业高质量发展的影响。

本文中随机森林算法的构建过程使用Python编程语言实现(2)具体过程通过基于Python编程语言的机器学习算法库Scikit-learn实现,详见https:∥scikit-learn.org/stable/.。特征变量贡献率计算步骤如下:

第一步,输入特征变量进行样本估计以及样本分割:从特征变量平面(K1,K2,K3,…,KP)中选出某特征变量Kj及阈值分割点m,使得划分后样本目标值qi的残差平方和RSS最小:

(7)

(8)

R1、R2为分裂一次之后的两个区域,也是两个半平面,即:

R1(j,m)={qi,Ki1,Ki2,…,KiJ|Kj≤m},R2(j,m)={qi,Ki1,Ki2,…,KiJ|Kj>m}

(9)

对随机森林算法中每棵树重复式(7)～(9)分裂步骤,不断寻找下一个能使得分割后样本的总残差平方和RSS最小的最优特征变量和最优分割点,直到符合某种设定的准则(如规定每棵树节点数不超过1),这棵树分裂完毕;随机森林算法再对样本进行多次随机抽样,随机寻找不同划分节点的特征变量,最后投票选出最优模型,输出目标值。

第二步,为了降低过拟合问题,对模型进行参数调整,也即调参处理。调整参数依据应以综合考虑方差(Variance)和偏差(Bias)最小值也即泛化误差最小值点为调参目标,可通过网格搜索法实现。

第三步,用样本数据对调参后得到的最优参数组合模型进行训练,计算得每个特征变量贡献率(3)可用RF.feature_importances_()函数实现。。

随机森林的基本原理及特征变量贡献率计算过程如图1所示。

图1 随机森林基本原理及特征变量贡献率计算过程

(三)偏效应模型

在回归分析中,若自变量众多时,为了分析某一自变量的变动对于因变量的单独影响,可以通过偏效应模型实现[21]:假设自变量可表示为Xp(p=1,2,…,m),若想分析其中一个自变量XS对因变量Y的动态偏影响效应,可令XC表示m个自变量中除了XS以外的其他所有自变量,即满足XS∪XC={X1,X2,…,Xm}。此时XS对因变量Y的偏效应可以表示为:

fS(XS)=EXSf(XS,XC)

(10)

其中,fS(·)表示偏效应函数,EXS表示取不同的XS时所得因变量Y的数值的期望。

现将这一概念扩展至三维。假设现在需要分析两个自变量XA,XB对因变量Y的联合偏效应,即有XA∪XB∪XC={X1,X2,…,Xm},则XA,XB对Y的联合偏效应可表示为:

fA,B(XA,XB)=EXCf(XA,XB,XC)

(11)

式中,fA,B(·)表示联合偏效应函数,EXC表示取不同的XA,XB时所得因变量Y的数值的期望。

四、沿海地区海洋产业高质量发展与数字经济发展评价

(一)海洋产业高质量发展及数字经济发展的评价指标体系构建

结合中国数字经济发展进程,在总结已有文献测算经验的基础上,本文根据数字经济发展的内涵,从数字化赋权基础设施和数字化应用两方面构建起省域层面数字经济发展水平评价指标体系,如表2所示。指标的选取说明与计算方法如下:数字化赋权基础设施可从信息化和互联网发展基础两方面进行测度,在信息化发展基础的指标中,用某地区光缆线路长度、移动电话基站数量分别与该地区面积的比值表示光缆密度、移动电话基站密度;用企业拥有网站数和企业使用计算机台数与该地区企业总个数比值表示企业拥有网站数比例、互联网宽带用户数占比;数字化应用主要体现在数字化交易上,可用电子商务相关数据进行测度,其中智能物流收入这一指标用快递业务收入来测度[11]。

(二)数据来源及数据处理

由于电子商务相关数据统计的限制,数字经济相关统计数据、沿海省域相关数据采用的是2013—2019年沿海11省份三维面板数据。本文所有数据均源自EPS数据库、全国以及沿海各省份相关统计年鉴或公报。

表1 海洋产业高质量发展评价指标体系

表2 数字经济发展水平评价指标体系

(三)时间维度下演变规律分析

首先,分别使用“纵横向”拉开档次法、信息熵确权法分别对海洋产业高质量发展指数(HQD)和数字经济发展指数(DEI)进行评价,并利用斯皮尔曼相关性检验对评价结果进行一致性检验,结果如表3所示。

从表3中可以看出,“纵横向”拉开档次法、信息熵确权法的评价结果均在5% 的显著性水平下显著且具有较强正相关性,因此两种评价方法测算结果具备较好的一致性,本文构建的“VHSD-EM”模型具有较好的稳定性。基于此,经“VHSD-EM”模型计算得到2013—2019年各沿海地区海洋产业高质量发展指数(HQD)及数字经济发展指数(DEI)最终测算值,如图2所示。图2中,x轴为时间、y轴为指数值(HQD、DEI),实线、虚线分别代表HQD、DEI的变化趋势。

表3 VHSD模型与EM模型的斯皮尔曼相关性检验结果

图2 2013—2019年沿海地区海洋产业高质量发展与数字经济发展指数变化趋势

从图2中可以看出,第一,从整个沿海地区来看,数字经济发展一直处于迅速增长阶段,相对来讲,海洋产业发展质量上升趋势则较为平稳、增速较缓;同时,数字经济和海洋产业高质量发展往往呈现出较为同步的变化,即同时上升,这也初步佐证了数字经济与海洋产业高质量发展存在正相关关系的观点。第二,从不同沿海省市来讲,珠三角、环渤海地区的海洋产业发展质量和数字经济增长速度均较快、且显著高于沿海省市平均水平,但是河北的发展质量和上升趋势相对环渤海其他省市来讲较为缓慢;长三角地区数字经济增长显著高于其他沿海省市,但是该地区海洋产业发展质量波动较大,再结合该地区三个省市的发展趋势图可以发现这种波动主要来源于上海市的海洋产业,浙江和江苏两地海洋产业发展质量较为平稳;西南沿海和东南沿海地区海洋产业高质量发展的增长速度均相对较低,这可能与这些地区数字经济发展水平较低、增长较慢有关,特别是广西、海南两地,海洋高质量发展水平较低且增长较慢,同时也存在数字经济发展较为滞后的问题,因此应加快本地区的数字经济建设、为海洋经济发展找到新的增长点,带动海洋产业朝着可持续、包容性的方向发展,提高发展质量。

(四)空间维度下分布规律分析

同样地,经“VHSD-EM”模型计算得到2013—2019年各沿海地区海洋产业高质量发展指数(HQD)及数字经济发展指数(DEI)均值,如表4。

由表4可知,第一,从海洋产业高质量发展总指数(HQD)来看,不同沿海地区海洋产业发展质量呈现出明显的不均衡。其中,上海、广东位居全国前二,海洋产业高质量发展总指数分别为0.667、0.581,远远超过了其他沿海地区;而河北、广西高质量发展水平较低,分别为0.156、0.111,均不超过上海的1/4,反映了不同地区海洋产业之间存在较为严重的发展不均衡。

第二,从海洋产业高质量发展子系统指数也即五大新发展理念上来看,部分沿海地区海洋产业的不同子系统之间呈现出一种非均衡的发展状态。如海南海洋产业整体发展质量较低,但是其协调和绿色发展指数分别为0.449、0.595,发展水平远高于其他子系统,这可能与其海洋产业起步较晚、开发水平相对较低、第三产业中滨海旅游业发展程度相对较高有关,因此生态环境没有遭到严重破坏,但是海南在创新、开放、共享等方面的发展却落后于其他沿海地区,因此对于这类地区,应重点提高其海洋创新能力,如加大投资海洋科技创新类企业、加快建设海洋类科研院所及高校,扩大海上开放程度等。再如广东和山东的HQD皆较高,但是从子系统来讲,广东的绿色(0.539)和山东的协调发展水平(0.289)都处于平均水平附近甚至更低,因此对于这类发展不协调地区,应在保持其他方面发展继续领先的前提下,大力推进广东省海洋传统产业的节能减排、培育壮大海洋新能源行业,加快山东省海洋产业产出转换为社会福利,如推动沿海地区脱贫致富、加快涉海公共服务、海洋科教文化等体系的建立。

表4 2013—2019年沿海地区海洋产业高质量发展与数字经济发展平均指数

第三,从数字经济发展指数(DEI)来看,许多沿海省市的数字经济和海洋产业高质量发展都存在发展不同步的问题。如浙江和江苏的DEI分别为0.464、0.422,仅次于上海和广东,且均超过了自身海洋产业高质量发展水平;而天津和辽宁则正好相反,海洋产业的发展(HQD分别为0.451、0.384)显著优于自身数字经济发展水平(DEI分别为0.185、0.170);另外,对于同一片海区的省市,数字经济发展呈现出一种集聚的趋势,而海洋产业高质量发展往往呈现出一定的差异性。如长三角地区数字经济整体发展水平较高,但该地区中上海市海洋产业高质量发展水平(0.667)却远高于浙江省(0.381)和江苏省(0.362);再如环渤海地区中的山东省和河北省在数字经济与海洋产业发展水平上呈现出较为一致的趋势(HQD和DEI都较高或者都较低),但是天津市和辽宁省在海洋产业发展较好的同时,数字经济发展却较为落后。

五、数字经济对海洋产业高质量发展的影响分析

(一)数字经济对海洋产业高质量发展的直接影响

本文使用海洋产业高质量发展指数(HQD)作为随机森林算法中的目标值。因为数字经济对海洋产业高质量发展的影响大小并不是固定不变的,随着沿海地区某些经济要素的改变,数字经济对海洋产业发展的推动作用会产生大小上的差异。因此,在借鉴已有文献的基础上,结合前文中数字经济对海洋产业高质量发展的影响因素分析以及数据可得性,除了数字经济发展指数(DEI),本文还选择了其他12个变量作为特征变量,它们既是海洋产业实现高质量发展的重要推动力,也不同程度地会受到数字经济发展的影响,具体说明如下:用沿海地区社会消费品零售总额(CON)来衡量沿海地区消费水平;用社会融资规模(SSF)、金融发展水平(LFD)来衡量沿海地区融资水平和融资能力;用就业密度(LAB_D)和规模以上企业数(FIRM)体现沿海地区的企业集聚规模效应。用人均物质资本投入(CAP_PER)、实际利用外资额占比(OPE)来表示沿海地区物资资本投入水平。其中,就业密度是通过总就业人数除以该地区面积得到,实际外资额占比利用实际利用外资额除以该地区GDP得到;用发明授权量(IPA)、实用新型授权量(UMA)、外观设计授权量(DPA)衡量沿海地区的自主创新能力水平;用沿海地区从业人员数(LAB)和涉海从业人员占比(LAB_M)体现沿海地区及海洋产业提供的就业机会。使用随机森林算法用全部数据对模型进行训练,获得各特征变量对海洋产业高质量发展的贡献率,如表5所示。

如表5可知,第一,海洋产业高质量发展与数字经济(DEI)显著正相关,贡献率达到14.493%,说明海洋产业发展质量能从数字经济增长中受益。第二,12个特征变量同样也对海洋产业高质量发展显示出积极的影响,符合预期。其中,外观设计授权量(DPA)、就业密度(LAB_D)、涉海从业人员占比(LAB_M)、实用新型授权量(UMA)等四个特征变量对海洋产业发展质量也有显著的影响,贡献率分别为16.540%、15.455%、12.657%和10.749%,显著大于其他经济因素的贡献率。这说明沿海地区的创新能力、企业集聚密度、涉海就业水平也是影响海洋产业高质量发展的重要因素。相比较而言,消费需求因素对海洋产业高质量发展的影响较小。

表5 特征变量贡献率测度结果

(二)数字经济对海洋产业高质量发展的间接影响

在分析诸如此类类似于调节效应的回归问题时,可通过加入交互项的思路实现。对某特征变量而言,在未加入交互项时,随机森林算法计算得出的特征变量贡献率反映该特征变量本身以及该特征变量与其他特征变量交互作用后的综合影响,因此如果某特征变量对于目标值的影响随着其他特征变量大小的变化而变化,且两个特征变量之间存在较高相关性,则加入交互项后该特征变量自身的贡献率一定会有所下降,而交互项贡献率则占据一定的比重,同时拟合优度(R2)较未加入交互项之前会保持稳定甚至有一定的提升。因此,为了直观考察数字经济在不同经济要素影响下对海洋产业发展质量的影响大小,加入数字经济发展水平与12个特征变量一阶交互项,交互项贡献率可解释为特征变量数值的变动会在多大程度上改变数字经济对海洋产业高质量发展的影响,而此时特征变量自身贡献率则是数字经济发展对海洋产业高质量发展的固定影响。

加入数字经济发展指数(DEI)分别与12个特征变量的交互项,基于随机森林算法调参之后的最优模型,最终获得包含12个交互项在内的所有影响因素的贡献率,如表6所示。

表6 加入数字经济交互项的特征变量贡献率

比较表5、表6可知,第一,数字经济及12个特征变量的自身贡献率都有所下降,而交互项贡献率占据了较大比重。具体地,数字经济(DEI)的贡献率由之前的14.493%下降到6.601%,交互项的贡献率占比达到了60.8%,因此,这进一步验证了本文提出的影响效应,并为以下观点提供了实证支持:数字经济(DEI)的增长会推动海洋产业高质量发展,而且这种影响还会在沿海地区经济系统中的某些经济要素的作用下发生改变。

第二,在与DEI的交互项中,贡献率占比较大的要素集中在涉海从业人员占比(LAB_M)、就业密度(LAB_D)、社会融资规模(SSF)、外观设计授权量(DPA),分别达到19.657%、10.869%、10.608%、7.532%,且其自身贡献率从未加入交互项时候的12.657%、15.455%、4.909%、16.540%下降到加入交互项之后的2.362%、11.929%、0.670%、0.372%,降幅较大;加入DEI交互项后的贡献率下降较大的要素还有实用新型授权量(UMA)、发明授权量(IPA),分别从10.749%、6.231%降低到2.461%、1.364%,说明不论是从总的贡献率看,还是考虑交互作用,增强产业集聚规模效应、提高沿海地区融资水平和涉海就业水平以及促进创新能力等因素都会对海洋产业高质量发展起到直接推动作用,且大大增强数字经济(DEI)助力海洋产业发展质量的提升效应;相对来讲,提高沿海地区消费需求和增加物质资本投入的途径并没有其他几种途径那么显著。

(三)数字经济驱动海洋产业高质量发展的路径选择

由前文可知,海洋产业会受到数字经济等经济要素的静态影响,但若想进一步测算该要素的变化对海洋产业高质量发展的动态影响,分析各地区如何基于经济要素特征寻找适合本地区海洋产业的发展路径,可利用偏效应模型来分析这些影响海洋产业的重要经济要素是否处于或偏离最优要素组合点。进一步地,结合前文研究得到不同要素对海洋产业高质量发展的贡献率大小,找到适合本地区的海洋产业发展路径。

结合随机森林算法,本文中的单变量动态偏效应可按式(12)估计得出:

(12)

类似地,多变量动态偏效应可按式(13)估计得出:

(13)

其中,fS(·)、fA,B(·)是通过随机森林模型估计出的特征变量与海洋产业高质量发展之间的函数关系,n表示随机森林模型中训练集样本个数。式(12)、(13)可以理解为将连续函数的积分离散化处理,用求和取平均的手段将其他所有变量XC通过积分消去,得到XS对Y的偏效应、XA,XB对Y的联合偏效应。先令XS为数字经济发展水平,作出数字经济对海洋产业高质量发展的偏效应图,如图3所示。图3中的箭头指向几个主要的转折点,不同省份所处位置用圆圈标记出来。其中位于斜率最大转折点位置之前的省市依次为广西、海南、河北、辽宁、天津、福建、山东,位于之后的省市依次为江苏、浙江、广东、上海。

图3 数字经济驱动海洋产业高质量发展的偏效应

由图3中可知,随着数字经济增长,其对海洋产业高质量发展驱动作用的边际效应并非是线性的、均匀的,而是在某些特定位置存在着突变。图3中存在3个明显的转折点,且其中有一点的斜率最大。为便于区分,在图3中将该斜率最大点标记成“斜率最大”,其余2点则分别标记为点“1”和点“2”。如图3所示,若某地区数字经济(DEI)尚未到达转折点1,此时曲线斜率较小,说明数字经济相对于其他要素来说占比较低,无法充分发挥规模效应;如果数字经济(DEI)已经超过了转折点2,斜率从显著为正迅速降为几乎水平,说明数字经济已达到一定的规模,再想通过提高数字经济来提高海洋产业发展质量较为困难,如上海、广东;位于斜率最大点附近的地区偏效应最强,说明这些地区的数字经济发展已初具规模但又尚未到达规模报酬递减的阶段,因此应考虑通过加快发展其数字经济来迅速提高其海洋产业发展质量,如江苏和浙江,虽已越过斜率最大点,但还未到达转折点2,意味着这两地仍可以依托数字经济以及区块链等数字基础设施项目深化长三角“数字一体化”区域合作进程,瞄准前沿信息技术发展机遇,加快数字经济助力海洋产业转型与高质量发展。而还未越过斜率最大点的环渤海、东西南沿海地区应加速布局数字经济,结合自身比较优势因地制宜推动数字经济发展,从而不断提高海洋产业高质量发展的速度与动力。

图4 驱动海洋产业高质量发展要素的偏效应

由前文知涉海从业人员占比(LAB_M)等经济要素会影响数字经济对海洋产业的驱动作用,现使用多变量动态偏效应模型进一步分析数字经济及某要素对海洋产业高质量发展的联合动态偏效应,以此找出不同地区在发展海洋产业时的具体路径。若对每一特征变量逐一进行分析将使得本文篇幅过长,因此本文选取与数字经济交互项贡献率最大的四个要素(具体见表6)为例进行分析。利用式(13)构建模型,令XA为数字经济发展指数(DEI),XB为某经济要素、运用三维图像画出动态偏效应图4。图4中箭头位置是DEI及该特征变量(即横轴和纵轴上)偏导数同时最大时的交点,不同地区详细位置信息见表7。

图4中,横轴代表DEI,纵轴分别代表LAB_M、LAB_D、SSF、DPA等四个变量,竖轴代表HQD。从图4中可以看到随着XA,XB的变化,某地区海洋行产业fA,B的动态效应也在发生变化,在图4中体现为曲面高低程度的改变或偏导数的变化。图4中不同省份所处位置依然用圆圈标记出来、且具体位置信息见表7。箭头指向横轴和纵轴维度上的偏导数同时达到最大值时的交点、即XA,XB联合偏效应最大点,意味着在该点处同时达到DEI与这种要素的最优投入点。

表7 驱动海洋产业高质量发展要素的偏效应分类

如图4和表7所示,可得三点主要结论:第一,目前大部分地区已越过数字经济(DEI)最优投入点,而未到达LAB_M、LAB_D、SSF、DPA等要素的最优投入点,说明虽然整个沿海地区已经具备了相当的数字经济规模,但是仍有部分省市缺乏支撑数字经济发挥驱动作用的相应经济基础,如处于中游水平的福建,由于其涉海劳动者、创新能力等关键要素尚未到达最优投入点,数字经济在推动新个体和微经济、开辟就业新空间的过程中并不能充分发挥出潜力,无法建立起资源共享、协同共治的数字化生态,其对海洋产业的推动作用被弱化;第二,对于广东、江苏这类已经越过或者正处于最优投入点附近的地区来说,海洋产业高质量发展的限制可能不在于要素投入量不足,因此对于这类发展较为成熟的地区来讲,应考虑提高要素使用效率、规范行业发展准则、制定相应政策保护措施等来发展海洋产业;第三,对于数字经济尚未越过最优投入点的地区,应考虑从合理利用资源,提高要素投入力度和使用效率上入手,如广西对外贸易规模最低,加之许多驱动要素投入不够、产业结构不合理,因此应加大数字经济等关键要素的投入量和利用效率、辅之落实“科技兴海”战略,建立科技创新体系,加大引进外资和对外出口规模,提高发展质量。

六、结论与建议

通过探究数字经济对中国海洋产业高质量发展的促进作用、具体影响因素及发展路径,得出结论如下:第一,中国海洋产业发展质量在不断提高,但不同沿海省市间发展质量有显著差异;第二,沿海地区数字经济增长趋势迅猛,且位于同一海区内的省市发展水平较为接近;第三,数字经济会对海洋产业的高质量发展产生直接影响,且某些经济要素如就业水平、资本等要素投入及企业的集聚规模效应等的增加会增强这种影响;第四,不同地区具有不同的要素禀赋结构,这决定了不同地区的海洋产业高质量发展路径不尽相同,应充分发挥地区比较优势,找到最适合该地区的发展路径和有效的调控政策。

基于以上结论,为了加快沿海地区海洋产业高质量发展进程,推动中国经济可持续增长,提出以下建议:

第一,政府应加快数字化基础设施建设。针对中国目前数字经济发展现状,政府需要为相对欠发达地区提供相应的技术帮助以及资金支持,以扩大数字化基础建设的覆盖广度;还应为中小企业营造良好的营商环境、降低数字技术准入门槛、扩大企业间的集聚规模、促进产业间的协同集聚效应,以提升数字经济发展的使用深度;大力支持 “互联网+”及相关行业的结合以推广数字经济发展的数字技术支持服务。

第二,推动数字经济成果在海洋产业发展过程中的应用。应全力推动海洋产业从高速增长转向高质量发展,加快培育海洋战略性新兴产业,推动传统海洋产业的转型升级,找到海洋产业质量提升发展的新模式,从而构建起一个多元化、可持续发展的现代海洋产业体系,推动“海洋强国”建设。本文通过实证发现数字经济及提高沿海地区融资水平、加强海洋产业集聚规模效应、提高沿海地区居民消费水平、加大物质资本投入、提高科技创新能力、增加沿海地区就业机会等途径可为海洋产业高质量发展带来内生动力,因此应加快推动互联网、云计算、5G等数字技术的成果的转化与应用,推进数字中国建设,促进海洋产业发展。

第三,促进海洋产业与数字经济协同发展。应着力缩小不同沿海地区间海洋产业发展质量差异,推动中国海洋产业实现更为均衡的高质量发展。本文研究发现数字经济对海洋产业高质量发展产生的推动效应有待深化,因此应实施相应动态化、差异化的数字经济发展战略,让数字经济成为有效缩小地区间海洋产业发展不平衡的“硬件”技术支撑,增强与海洋产业的协同发展效应,推动中国经济可持续增长。