中国数字经济发展空间格局及影响因素研究

王帅军， 高岳林， 王苗苗

(1.北方民族大学 数学与信息科学学院，宁夏 银川 750021；2.安徽农业大学 经济管理学院，安徽 合肥 230036)

当前我国经济正处于快速发展向高质量发展的重要转变时期。在传统经济增长动力不足的情况下，数字经济为促进经济高质量发展提供了新动能和可行路径。

基于现有文献研究，数字经济发展研究的方向主要集中在数字经济定义和内涵、数字经济评价指标体系构建等领域。有关数字经济的定义和内涵以及测算方式，国际上尚未形成统一口径。Tapscott首次对数字经济的定义进行了解释：“数字经济是利用数字化手段将信息和商业活动融合，以互联网作为媒介进行交易的数字活动。”[1]对于数字经济的评价体系与测算，Li等基于基础设施建设、数字应用和数字产业发展三个维度构建衡量数字经济发展水平的指标体系，运用熵值法测算2018年我国各地区数字经济的发展水平，研究表明要素投入、技术进步和制度改革对数字经济空间分布的驱动模式呈现明显的空间性[2]。Zhang等从数字基础设施、数字产业、数字融合三个维度测算了我国30个省区市的数字经济发展指数，构建计量模型验证了数字经济与经济高质量发展之间技术进步的中介效应[3]。刘军等通过三个维度建立数字经济发展水平指标体系，运用模型分析促进经济增长的驱动因素，发现我国存在数字鸿沟问题和数字经济发展两极分化现象[4]。

本文基于前人研究基础，在数字经济测度方面重新构建数字经济评价指标体系，测算数字经济指数，并结合空间效应分析了数字经济发展的影响因素。

一、数据说明与模型设定

1.数据来源

本文数据来自《中国统计年鉴》，选取2014-2019年中国31个省区市(由于数据缺失，不含港澳台地区)的面板数据作为研究样本。

2.变量选取

数字经济发展空间格局与诸多社会因素有关。人口基础是影响数字经济发展的一个重要因素，本文选取“年末人口总数”作为衡量人口规模(PS)的指标。数字经济所依赖的互联网结构本质与经济发展密不可分，进而选取“人均GDP”作为衡量当地经济发展水平(EL)的指标。在数字时代，经济基础薄弱的地区可以考虑发展数字经济来另辟新径，发展数字经济必须以良好的网络为基础，因此选取“互联网宽带接入户数”作为衡量当地信息化水平(IL)的指标。数字经济产业以软件信息服务业居多，进而选取“软件、信息服务业人员数”作为衡量地区数字经济专项人力资本(HC)的指标。政府的政策支持和科技投入也是影响数字经济发展的重要因素，等级高的城市先天享有更多资源，因此选取“政府财政支出占比”作为衡量政府职能(GOV)的指标。政府职能也在促进数字经济发展方面具有巨大辅助作用。运输多样化以及基础交通建设的发展对于电子商务和互联网的发展至关重要，进而选取“铁路密度”作为衡量当地基础交通设施水平(TL)[5]的指标。

变量说明：人口规模(PS)用年末人口总数(x1)表示；经济发展水平(EL)用人均GDP(x2)表示；信息化水平(IL)用互联网宽带接入户数(x3)表示；人力资本(HC)用软件、信息服务业人员数(x4)表示；政府职能(GOV)用政府财政支出占比(x5)表示；基础交通建设(TL)用铁路密度(x6)表示。

3.模型设定

在计量经济学领域所运用到的空间计量模型主要有三种：空间滞后模型(SLM)、空间误差模型(SEM)、空间杜宾模型(SDM)。本文在三种模型基础上再加入莫兰指数、普通最小二乘回归模型(OLS)，前者用以测度数字经济发展的全局相关性，后者作为引入空间因子后所产生回归结果的对比分析。

(1)莫兰指数(Moran’s I) 在度量空间相关性测度指标中，莫兰指数是经常被引用的指数之一，本文使用全局莫兰指数来判断属性值整体上是否具有空间相关性。具体计算公式如下：

(1)

全局莫兰指数值的取值范围为[-1,1]，指数值越接近于-1，表明研究对象负相关性越显著，分布越随机。指数接近于0时表明研究对象之间相互独立。指数值越接近于1，表明研究对象正相关性越显著，分布越聚集。

(2)普通最小二乘法(OLS) OLS是对模型所需条件要求较少的一种参数估计法，在其原理上构建回归模型表达式为：

Yit=α+βxit+μit

(2)

其中：t=1,2,…,n表示观测年份；Yit表示因变量；α表示常数项；β为回归系数；xit表示自变量；μit表示随机误差项[7]。OLS线性回归方法的基本原理是：残差平方和达到最小。

(3)空间滞后模型(SLM) 传统的计量经济模型在使用时具有较强的局限性，如果被解释变量在空间上存在依赖性，传统的计量模型就不适用，而空间计量经济模型正是考虑了空间关联性。因此，可以构建空间滞后模型(SLM)[8]。

空间滞后模型表明一个变量同时受自身解释变量和其他区域的被解释变量的影响，模型形式如下：

(3)

其中：ρ为空间滞后被解释变量对被解释变量的影响程度；Wij表示权重矩阵；WijYjt表示相邻地区的平均观测值的空间滞后被解释变量；β为各个解释变量对被解释变量的影响程度；εit为随机误差项；其他字符含义与上述模型相同。

(4)空间误差模型(SEM) 如果随机扰动项在空间上存在相关性，即除解释变量之外其他因素对被解释变量的影响在空间上是相关的，那么一个空间的扰动会随空间效应影响到周边的空间[9]。空间计量经济模型中的空间误差模型(SEM)正是反映了这种情况，其模型形式如下：

Yit=α+βxit+εit

(4)

其中：λ表示空间误差相关系数；εit为空间误差项对区域经济发展的影响；μit为满足OLS假设的误差项；其他字符含义同上述模型。

(5)空间杜宾模型(SDM) 若考虑在空间滞后模型基础上强调因变量同时受到自变量与因变量的空间影响，可以构建空间杜宾模型(SDM)[10]，其模型形式如下：

(5)

其中：Wijxjt表示相邻区域的平均观测值的空间滞后解释变量；γ为空间相关系数；其他字符含义同上述模型。

二、指标体系构建与数字经济发展指数测度

1.数字经济发展综合评价指标体系构建

本文基于可获得的宏观数据，构建了我国省际数字经济发展评价指标体系，该体系包括数字基础、数字实践、数字创新、数字改革四个一级指标，移动基础、固定设施、企业实践、社会实践、创新投入、创新传播、电商发展改革、新产品效益改革八个二级指标，移动电话交换机容量、固定长途电话交换机容量、企业拥有网站数、网上零售额、发明型专利占专利申请比、软件业务收入、新品开发经费支出等23个三级指标，见表1所列。

表1 数字经济指数评价指标体系

2.数字经济指数的测算

数字经济指数使数据逻辑化，数字经济发展情况与其数值大小成正比，属于代表性指标。本文选择NBI指数权重确定法，对指标加以赋权，然后采用线性加权方法计算数字经济指数(DEI)，计算公式如下：

(6)

其中：j为标准化后的三级指标；ωj为第j个三级指标对数字经济指数的权重；Xit为测度指标。根据表1并结合公式(6)测算方法，计算得到本文后续模型中使用的被解释变量，即数字经济指数。

三、 实证分析

1.数字经济指数测算结果

基于NBI指数权重赋权法，对所选指标进行赋权。确定权重后采用线性加权方法，运用公式(6)测算出各地区2014-2019年数字经济指数。结果见表2所列。

表2 数字经济指数

续表

由表2可以看出，我国全局数字经济指数大体呈现上升趋势，证明我国数字经济正得到稳步上升发展；同时可以看出，我国各地区数字经济发展水平差异性较大，总体呈现出东高西低的态势。

2.空间相关性分析

(1) 全局空间自相关 通过计算莫兰指数来验证各年份的数字经济发展能力是否存在空间相关关系。 从表3可以看出基于测算出的2014-2019年数字经济指数的全局莫兰指数均为正值，从整体上看数字经济发展并非表现出完全随机状态，即数字经济发展能力较高区域与较高区域相邻，较低区域与较低区域相邻。由数字经济发展全局莫兰指数的Z值、P值可知，在1%显著水平下，数字经济发展在我国各省市之间整体上具有显著的空间正自相关性，说明存在着明显的集聚现象。因此，本文所涉空间计量模型应将空间依赖性纳入其中。

表3 数字经济发展全局莫兰指数值

(2) 局部空间自相关 2014年与2019年局部莫兰指数区域分布情况见表4所列。四个象限分别代表四种不同的空间自相关模式，第一象限表示该地区与相邻地区数字经济发展水平均较高，即高高集聚(H-H)；第二象限指该地区数字经济发展水平较低，但邻近地区数字经济发展水平较高，即低高集聚(L-H)；第三象限代表该地区与邻近地区的数字经济发展水平均较低，即低低集聚(L-L)；第四象限表示该地区的数字经济发展水平较高，其邻近地区的数字经济发展水平较低即高低集聚(H-L)。

表4 全国数字经济发展集聚空间关联模式

从表4中可以看出，中国数字经济发展存在空间集聚性和空间异质性，大部分地区位于第三象限且这些地区基本位于我国东北、西部、西北地区。2014年和2019年处于第一象限的均有七个地区，河南从2014第一象限转移至2019年第三象限，意味着该地区变为数字经济发展能力较低的地区且被数字经济发展能力水平低的地区包围，体现出正向的空间相关关系。2014年处于第二象限有八个地区，至2019年处于第二象限变为七个地区，福建从2014年的第二象限转移至2019年的第一象限，表明该地区已成为数字经济发展能力强的地区且与周边地区体现出正向的空间相关关系。根据表4显示可以得到这31个省区市中大部分以低高集聚和低低集聚为主，集聚分布具有不平衡性，两极分化格局较为明显，但绝大部分地区表现为较强的正向空间相关性。

(3) 空间计量模型实证分析结果 首先，通过莫兰指数的计算可知数字经济发展能力在空间上存在显著依赖性。如果忽视空间因素或者把空间因素归为随机扰动项，那么建模得到的结果存在误差。因此，在分析各解释变量对数字经济发展能力影响时，需要将空间因素考虑在内。

其次，为了减少变量间量纲不同可能产生的误差和异方差，对数据进行标准化处理。因为本文所选数据为短面板数据，所以基于Stata软件将数据进行HT平稳性检验，数据P值均小于0.05,证明数据在5%的显著水平下平稳，再做方差膨胀因子检验，VIF值均小于10，介于[1.56，2.85]。因此可以排除多重共线性干扰。

最后，进行Hausman检验，得到SLM、SEM、SDM模型均在1%的显著水平下显著，因此拒绝原假设采用面板固定效应模型。

本文先使用OLS模型对数据进行参数估计，得出回归结果，再使用考虑空间因素的SLM模型对数据进行估计，SLM模型正是强调本地区数字经济发展能力的空间溢出效应对其他地区数字经济发展能力变化的影响。SEM模型度量的是本区域影响数字经济发展能力的因素对本区域数字经济发展能力的误差冲击和对于其他区域数字经济发展能力变化的影响程度。SDM模型反映出本地区数字经济发展集聚程度、相邻地区数字经济发展集聚水平和整体数字经济发展对本地区数字经济发展的影响。具体回归结果见表5所列。

表5 模型回归估计结果

进行空间计量模型选择之前需要对空间存在形式进行检验，即对模型的合理性进行判断。经Wald检验可得出SLM、SEM模型适用且合理；再基于LR检验均拒绝原假设所得出SLM模型和SEM模型相较于SDM模型，SDM模型为合理模型；在模型选择方面，通过LR检验可得出个体固定效应模型优于时间固定以及双固定效应模型，因此本文采用个体固定效应的SDM模型来展开分析。

从表6可以看出，OLS回归分析结果下，人口规模、当地经济发展水平、人力资本在1%的置信水平下显著正相关，此回归结果与引入空间权重矩阵后的三个空间计量模型估计结果一致，说明此三要素是数字经济发展不可或缺的正向因素。SLM模型的空间自相关系数ρ显著为正，这说明数字经济发展水平较高的区域能直接带动周边省市数字经济发展水平的提升，这意味着数字经济发展能力可以产生正向辐射作用且系数为0.147，也就说明本地区数字经济发展能力提高1%，则相邻地区发展水平就会提高0.147%。SEM模型度量的是本区域影响数字经济发展水平的因素对本区域数字经济发展能力的误差冲击和对于其他区域数字经济发展水平变化的影响程度。其中误差项的空间自回归系数λ在1%的置信水平下显著为正，说明本地区数字经济发展水平所产生的误差冲击对于周边地区数字经济发展的影响不显著。就信息化水平而言，OLS回归结果显示信息化水平虽对数字经济发展呈现正相关关系但不显著，其余三个模型也是如此。因此可以得出信息化水平无法通过空间因素影响数字经济发展集聚。对于政府职能，OLS回归结果显示回归系数显著但SDM模型空间回归系数显示不显著为正，说明政府职能可通过空间因素影响数字经济发展。对于基础交通建设，OLS回归结果显示基础交通建设对数字经济发展呈现正相关关系但不显著，引入空间因子后SLM模型结果与OLS相同，SEM、SDM模型呈现出显著正相关性，说明基础交通建设可通过空间因素影响数字经济发展。

基于SDM模型的估计结果显示，在1%的置信水平下空间自相关系数ρ显著为正，说明各区域数字经济发展水平存在正向空间溢出效应，此结论与前文莫兰指数分析结果相一致。从各个影响因素来看人口规模、经济发展水平、人力资本、基础交通建设显著为正，而信息化水平与政府职能虽呈现正相关关系但不显著，且两者的空间滞后项依然如此，说明信息化水平和政府职能对本地区数字经济集聚发展不存在空间相关性。人口规模和基础交通建设在空间滞后项的结果为显著为负，即对本地区数字经济集聚发展呈现负空间相关性。

由于SDM模型同时包含被解释变量与解释变量的空间滞后项，得出的直接回归结果无法精准估计解释变量对本地区以及相邻地区被解释变量的影响，为将各个影响因素的空间效应更加具体化展示，对SDM模型分解得到直接效应(解释变量对本地区数字经济集聚发展水平的影响)、间接效应(解释变量对相邻地区的数字经济集聚发展水平的影响)、总效应(解释变量对所有地区的数字经济集聚发展水平的影响)，具体结果见表6所列。

表6 空间杜宾模型的直接效应、间接效应、总效应

结合表6分析各解释变量的效应结果：在人口规模方面，其直接效应显著为正，间接效应显著为负，体现出它能促进本地区数字经济集聚发展，却会对相邻地区数字经济发展的提高造成阻碍，即对相邻地区数字经济发展具有负向空间溢出效应。人口规模每增加1%，本地区数字经济集聚发展水平提高4.463%，相邻地区数字经济集聚发展水平会降低3.361%。人口规模越大对电子设备使用越多，会产生大量可供使用分析的数字信息。本地区数字经济集聚发展水平高时也会创造出更多的就业岗位，从而吸纳更多人口，使得人口规模增加。根据就近原则，最先受到影响的就是相邻地区，依据数字经济集聚发展水平与人口规模具有正相关关系，相邻地区劳动人口减少，其数字经济集聚发展水平自然也会降低。

在经济发展水平方面，分析结果表现出直接效应显著为正而间接效应不显著，反映出地区经济发展水平对本地区数字经济集聚发展起到促进作用，但对于相邻地区数字经济集聚发展影响不显著。经济发展每提高1%，本地区数字经济集聚发展水平提高0.209%。就现实情况而言，当地人均GDP高时其消费能力也会相应提升，加之随着数字经济的发展，电子信息服务业愈发完善，人们追求高质量生活的向往更加强烈，其在数字智能产品上的消费也会增多，促进当地数字经济发展。

在信息化水平方面，对于直接效应与间接效应两者都不显著，因此可认为信息化水平对本地区和相邻地区的数字经济集聚发展水平影响效果甚微。

人力资本分析表现出直接效应正向显著而间接效应不显著，反映出人力资本对本地区数字经济集聚发展起到促进作用，但对于相邻地区数字经济集聚发展影响不明显，即当地人力资本每提升1%，当地数字经济集聚发展水平提升0.643%。究其原因莫过于区域间竞争力增强以及人力资本数量有限，当地区从事软件与信息服务业的工作人员越多，说明数字经济在当地财政收入占比就越高，其数字化发展越好，对数字经济发展能力的促进作用越显著。

在政府职能方面，直接效应与间接效应皆为正向显著，证明政府职能对本地区以及相邻地区的数字经济集聚发展水平均有提高作用，政府职能在促进数字经济发展作用中每提升1%，则本地区数字经济集聚发展水平提升0.178%，相邻地区提升0.459%。由此看出政府在整体以及区域数字经济发展起到了重要作用，政府职能的提升对本地区和相邻地区的数字经济集聚发展均起到促进作用，政府通过干预当地市场资源配置以及政策环境，吸引人才、资金、高科技数字技术流入，提高数字经济发展水平。

最后基于基础交通建设分析结果显示，直接效应呈现显著正相关，而间接效应呈现显著负相关，即基础交通建设提高1%，本地区数字经济集聚发展水平提高0.194%，相邻地区会降低0.167%。基于现实分析，当地通过增加自身基础交通建设能促进目前以物流业为主的电子商务发展，进而促进由电子商务衍生出的新兴产业发展，通过吸引大量商户以及快递公司等，促进当地数字经济发展。交通方便时人口流动性强，数字经济发展能力弱的地区人才流向数字经济发展能力强的地区，因此基础交通设施水平对相邻区域的数字经济发展具有一定的抑制作用。

四、结论与建议

为探求我国数字经济发展空间格局及影响因素，本文采用空间计量模型，对2014-2019年中国31个省区市面板数据进行空间计量分析。研究结果表明：第一，依据数字经济指数发现，近些年来我国数字经济发展呈现上升趋势，但从水平分布来看，东部、中部、西部地区的数字经济发展水平呈现梯度式下降。第二，我国数字经济发展存在空间自相关且呈现集聚态势，主要模式呈现低低集聚和低高集聚态势，高高集聚与高低集聚现象相对较少。数字鸿沟问题突出，数字经济发展呈现两极分化态势[11]。第三，根据影响因素分析结果表明，各影响因素均对本地区数字经济集聚发展呈现促进作用，但人口规模和基础交通建设的提升对相邻地区的数字经济集聚发展产生抑制作用。

因此，本文提出以下建议：第一，推进数字经济协同发展，加强区域合作。重视并发挥我国数字经济集聚发展的正向溢出效应，发挥数字经济发达地区(北京、上海、山东、江苏、浙江、广东等)的正向辐射和带动作用，引导数字经济在中部地区协同发展。中部地区利用地理、人力资本、交通等优势与西部地区加强数字产业合作。西部地区应大力发展数字人才引进计划，助力西部地区数字经济发展。第二，制定合理数字经济发展战略，缩小数字鸿沟。政府在制定和实施数字经济发展战略时，应根据实际情况对数字经济发展相对落后地区实行战略倾斜，支援落后地区建设高标准数字基础设施，优化资源要素供给，完善数字人才培养机制，因地制宜，合理布局数字产业基地，促进各区域数字经济集聚发展。