数字经济对区域创新效率的空间溢出效应研究——基于要素市场化配置视角

张慧 易金彪 徐建新

(杭州电子科技大学管理学院，浙江 杭州 310000)

一、引言

随着大数据、人工智能等新兴数字技术与传统经济深度交融，数字经济日益成为推动世界经济发展和社会变革的关键引擎之一。数据资源已成为促进数字经济与区域创新发展的重要生产要素，并通过对经济社会各领域的渗透改造，实现对传统生产要素的赋能升级，极大地促进了要素质量与流动效率的提升(蔡跃洲和马文君，2021)，为跨区域要素利用下创新效率的提升创造了良好条件。然而，由于中国市场化改革的渐进性，相较于日益成熟完善的产品市场，要素市场发育仍然相对滞后(张杰等，2011)，资源错配、效益损失、结构失调等深层次、系统性问题突出，制约了要素配置效率的进一步提升。2020年3月，中共中央国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》明确指出，要充分发挥市场配置资源的决定性作用，加强数据资源整合，充分培育和发挥数字经济所蕴含的创新潜力与发展动能。因此，在全球新冠肺炎疫情局势和国内外经济环境存在诸多不确定因素的背景下，明确数字经济、要素市场化配置与区域创新效率之间的内在联系，对于发展数字经济、深入实施创新驱动发展战略具有重要的理论价值与现实意义。

学者们从多个角度对数字经济影响创新活动的内在机理进行了有益探索，为其发展的现实路径提供了理论支持。如Teece(2018)指出，数字经济的持续渗透，能够协助在企业间创造出横向和纵向的互补性资产，表现出强大的整合效应，实现对企业原有创新价值识别机制的重塑；Bosler et al.(2021)通过案例研究探寻了数字设施如何影响企业创新活动中的价值创造机制，指出数字化转型能够提升企业价值创造网络的开放程度，进而在短时间内弥补现有资源和技能的差距；康瑾和陈凯华(2021)发现，在数据赋能下形成泛在互联的要素网络，有效提升了创新活动中资源的联接与利用效率；Räisänen and Tuovinen(2020)、韩璐等(2021)结合创新扩散理论分析指出，数字经济的发展加大了城乡地区的“数字鸿沟”，但同时能够通过促进创新知识扩散使地区创新效率提升。此外，一些研究还分析了数字技术(Usai et al.，2021)、数字平台(De Falco et al.，2017)对企业创新的影响机理，结论均肯定了数字经济发展的积极影响。

梳理相关文献发现：其一，现有研究多以微观企业为研究对象，从数字经济活动本身出发考察其对创新活动的直接影响，但忽略了数字经济影响创新活动过程中可能存在的间接作用机制和空间传导机制。其二，当前有关数字经济与创新效率的研究均是建立在区域要素市场化配置均衡完善的基础上。事实上，由于信贷配给、融资约束、利率把控、资源垄断供应等要素市场扭曲现象的存在(白俊红和卞元超，2016；罗德明等，2012)，各地区要素市场化配置水平存在明显的区域差异(卢现祥和王素素，2021)，这导致数字经济发展带来的要素市场活力未能在市场化机制下实现最优，进而影响区域创新效率(毛其淋，2013)。

本文可能的边际贡献在于：第一，以往研究普遍忽略了要素市场化配置对区域创新效率的潜在影响，本文则以要素市场化配置为着力点，探讨数字经济影响区域创新效率的内在机理，从理论上拓展了区域创新效率的研究视角；第二，考虑到区域经济活动的空间关联特征，本文从空间溢出视角系统分析并检验了数字经济对区域创新效率的影响效应与空间传导机制，为深入理解数字经济与区域创新效率的内在联系提供经验参考；第三，本文遵循“现象-机制-效应”的分析路径，从极化效应和扩散效应两方面对数字经济影响创新效率的区域异质性进行探讨，有利于客观、全面地把握数字经济发展的一般规律，为统筹区域协调创新发展提供政策启示。

二、理论分析与研究假设

(一)数字经济与区域创新效率

数字经济正推动技术范式和创新范式前所未有的变革升级，为资源的跨区域整合以及创新效率的整体提升创造了良好的外部条件。首先，新兴数字技术与传统产业的深度融合，催生出平台经济、共享经济等新业态、新模式，推动创新主体与创新过程向多元化、网络化演变(张昕蔚，2019)，“平台+数据+开发者+产品(服务)”的创新模式带来创新思维的大规模生产与碰撞，使处于不同环节的主体得以更深、更优地融入区域创新体系中，通过持续的创新，满足用户多样化与异质化需求，在提高创新潜在收益的同时，强化区域各主体的创新动力与效率。其次，依靠数字化网络强大的联接效应，数字经济能够促进市场中相对分散的知识、信息在不同主体间的水平扩散和垂直整合(Teece，2018)，这使得市场竞争比以往更加强调“靠实力说话”，为区域创新效率的整体提升创造良好的外部环境。在数字经济背景下，产业竞争形态高度不确定，使企业必须突破原有信息壁垒，通过加强数据资源的整合与应用、整合碎片化信息价值，创造出新的技术路径，倒逼创新效率提升。最后，有学者指出，地区的技术结构应与要素投入结构相匹配，才能更好地促进效益的提升(Acemoglu and Zilibotti，2001)。数据要素对传统要素的赋能升级逐步带动经济形态、生产流程的数字化变革，使数字信息得以渗透于社会经济活动的各个环节，加速创新知识与技术在经济主体间的融合交互，进而推动实现创新资源的高效配置与创新价值链的整体跃迁，有力促进数字经济红利释放以及创新动力提升(Carriere-Swallow and Haksar，2019)，在改善供需错配、推动供给侧改革的同时激励区域创新效率的普遍提升。

此外，创新活动与知识溢出相伴而生，创新要素的空间流动使区域创新网络形成动态联动机制，数字经济的规模效应与范围效应则会进一步对区域创新活动产生重要空间影响。一方面，数字基础设施的普及和完善使各创新主体之间具有高度的数字连通性，促进了创新主体间的跨区域合作(薛成等，2020)，加速了创新知识的空间溢出扩散，也极大地提升了区域主体间资源匹配、融合协同水平，进而带动区域创新效率的整体提升。另一方面，数字经济还能加速人才、知识、技术等创新资源的跨时空整合，推动区域创新范式的数字化转型(康瑾和陈凯华，2021)。数字技术的广泛应用则进一步强化了区域创新网络的虚拟集聚以及各创新主体对创新要素的配置效率，在增强创新知识正外部性与普惠性的同时，也弱化了技术溢出的地理距离衰减特征，放大了创新集聚带来的知识溢出效应，有助于区域创新效率的提升。基于此，本文提出以下研究假设：

H1：数字经济能够促进区域创新效率的提升且存在显著的空间溢出效应。

(二)数字经济、要素市场化配置与区域创新效率

数字经济在对传统要素渗透、改造和增值的同时，还能促进劳动力、资本、数据等各类要素的融合协同(黄鹏和陈靓，2021)，降低要素市场匹配的扭曲，推动生产要素市场化配置，从而带动区域创新效率的提升。数字经济环境下信息不对称问题的有效解决，进一步强化了要素市场以及要素本身的甄别能力，优化了要素市场化配置的制度机制(王宏鸣等，2022)，增强要素市场的包容性与协调性。要素质量与要素流动动能的双重提升使各类要素表现出更强烈的流动意愿，进一步强化了区域间创新活动的空间关联程度。一方面，要素市场化配置通过“无形的手”合理引导要素资源的有效配置，推动各类要素向先进生产力集聚，由此带来的要素流出危机会在一定程度上倒逼低效企业积极推行数字化改造，并通过数字技术、数字平台加强与区域内各主体的交流学习，进而实现要素收益及创新效率的共同提升。另一方面，数字经济赋能下的要素市场化高效配置使创新主体能够突破时空壁障，彼此联接进行更为深入的交互合作，实现技术、信息、资源等要素的优势互补，突破既有技术创新路径(Zhao et al.，2015)，激励知识空间溢出水平，提高区域创新效率。

在数字技术和市场化机制的双重赋能下，数字经济能够通过强化要素区际流动、示范与模仿机制、协同研发机制产生知识溢出效应，推动要素流向升级与创新效率的持续优化(蔡跃洲和马文君，2021)，实现区域要素配置效率在现行环境下的最优水平。而出于自身的逐利性，在完善、高效的要素市场内，所有要素都倾向于向生产效益高的企业(地区)流动。由于资本、技术、劳动力等初始要素的非均衡分布，创新能力强的区域拥有更好的市场效益和更完善的市场化机制，对要素的市场化流动有更大的吸引力(戴魁早和刘友金，2016)。数字经济信息网络则能进一步强化要素集聚效应，加快知识、技术等高端要素在相邻区域间的空间溢出与吸收利用，实现“集聚-优化-再集聚”的发展，使区域内要素质量和创新效率得以持续提升；而创新能力弱的地区受制于较薄弱的数据处理应用能力与较低的生产创新效益，数字经济环境下要素时空关联限制的放宽则可能会加剧这些区域的要素流出危机，抑制创新知识在区域内的渗透交流，形成发达地区对欠发达地区的虹吸效应，使有益因素不断趋向增长极，导致区域创新效率出现极化效应。

同时，数字经济的高渗透性和规模效应，以及伴随其发展所内生的开放高效的交互式网络(Raphael and Xu，2017)，为各类要素的流动、增值和融合提供了良好的外部环境，这也可能促使创新活动在区域间产生扩散效应。一方面，伴随数字经济发展而激增的各类新兴基础设施，具有极强的“赋能特性”，能够实现虚拟空间和现实空间的高效链接，刺激地区创新知识更大规模的空间溢出(Constantinides et al.，2018)，使得区域创新效率的整体提升成为可能。另一方面，数据作为一种新型要素同时也是一种使能技术，能够推动初始生产要素的数字化整合以及区际流动(许恒等，2020)，邻近地区通过示范模仿效应与交流协作等渠道进一步融入区域创新网络，强化地区间创新活动的相互渗透与依赖。创新活动具有正外部性和知识的溢出效应，使落后地区能够加速对先进生产力的追赶(张勋和乔坤元，2016)。从该角度看，数字经济反而可能对初始创新效率低的地区产生更明显的赋能效应。基于上述分析，本文提出以下竞争性假设：

H2a：数字经济能够完善地区要素市场化配置进而间接促进区域创新效率的提升，但可能会导致有利因素不断向优势地区集聚，使得区域创新效率出现极化效应。

H2b：数字经济能够完善地区要素市场化配置进而间接促进区域创新效率的提升，并可能存在扩散效应，从而缩小区域间的创新效率差距。

三、模型设定与变量说明

(一)计量模型设定

地区间的社会经济活动通常伴随着明显的空间相关性，空间计量模型能够有效地将空间关联特征考虑在内，排除空间相关性对实证结果可能造成的估计偏差(白俊红等，2017)。而不同的空间计量模型往往体现着不同的空间作用机制，所表示的现实含义也不尽相同，出于对实证拟合效果的考量，本文同时构建了未考虑空间相关性的OLS模型以及考虑不同空间关联特征的四类空间计量模型，并于后文经过一系列统计检验以选取本文最优计量模型。具体设定如下：

此外，为了检验数字经济发展影响区域创新的传导机制及影响效应，本文在以上空间计量模型的基础上，进一步将要素市场化配置纳入相应的中介效应模型。构建中介效应模型如下：

模型中Effi代表区域创新效率，Digital代表数字经济水平，Market代表要素市场化配置，Controls为一系列控制变量，为空间权重矩阵，ε和τ满足ε～iid(0,)、τ～iid(0,)。在式(1)～(3)中，μ和φ分别表示时间和地区固定效应，、、、为空间项系数，当上述空间项系数均为0时，模型即为传统的OLS模型；当=0时，模型为空间杜宾模型(SDM)，当==0时，模型为广义空间自回归模型；当===0时，模型为空间自回归模型(SAR)；当===0时，模型为空间误差模型(SEM)。中介效应检验过程中，第一，式(1)中体现了数字经济对区域创新效率的总效应；第二，若式(2)中显著为正，则表明数字经济能够促进要素市场化配置；第三，若式(3)中显著为正，则表明要素市场化配置在数字经济影响区域创新效率的路径中发挥着中介作用，当式(3)中系数显著时为部分中介效应，不显著则为完全中介效应。

(二)空间权重矩阵

关于空间权重矩阵的设定，本文从地区间的地理联系与社会经济联系两个角度出发分别构建了空间地理距离权重矩阵和空间经济距离权重矩阵，以准确把握不同空间关联下区域创新效率的空间溢出效应，同时检验空间计量模型结果的稳健性。其中，空间地理距离权重矩阵是根据各省份地理中心经纬度距离d平方的倒数进行构建，空间经济距离矩阵则根据各地区2010—2019年人均GDP差额c平方的倒数加以构建。

(三)变量与数据说明

1.区域创新效率()

当前对于创新效率的测度方法多采用传统DEA模型或随机前沿法(SFA)，但这两种方法都存在一定局限性，可能导致测度结果出现偏误。因此，本文参考余泳泽和刘大勇(2013)的研究，引入结合了DEA与SFA方法的三阶段DEA模型，通过剔除环境效应、随机因素的影响，以期得到中国各省份更真实准确的创新效率。其简要运算过程为：第一阶段，将投入产出数据代入一般的DEA模型中得到各地区的初始效率值；第二阶段，引入SFA对第一阶段得到的投入变量松弛值加以分解，剔除环境因素和随机干扰的影响，并据此调整投入值；第三阶段，将调整后的投入值替代原始投入代入DEA模型，再次运算得出各地区调整后的创新效率值。

本文选取的投入产出变量以及环境变量如表1所示，考虑到创新活动的滞后性，对投入变量和环境变量均做滞后一期处理。本文选取我国30个省份(不含西藏以及港澳台地区)作为研究样本。DEA与SFA运算分别使用DEAP 2.1软件及Frontier 4.0软件。

表1 三阶段DEA 变量选取

对比2010年与2019年我国各省份调整后的创新效率水平分布情况(如图1所示)，可以发现，10年间我国各省份创新效率水平普遍得到了较大幅度的提升。2010年，我国各地区创新效率空间相关性并不明显，而到2019年，各地区创新效率具有明显的空间相关性。这一定程度上表明，随着各地区社会经济联系的日益密切，创新活动的空间溢出效应得到了较充分的释放。此外，高创新效率地区普遍集中在东中部，通过与邻近省份的交流合作带动了区域创新效率的整体提升，使东中部地区与西部地区的创新效率水平差距存在扩大的倾向，这可能初步预示着我国区域创新效率的确存在极化效应，后文将对此进行验证。

图1 2010年与2019年全国各省份创新效率分布

2.数字经济发展水平()

目前学界关于数字经济发展水平的衡量并未形成统一标准。参考王军等(2021)、杨慧梅和江璐(2021)的研究，本文构建了包括数字基础设施、数字产业化、产业数字化三大维度17个分指标的数字经济发展水平综合指标体系。为便于直观比较各省份不同年份的数字经济发展水平，本文首先对各项指标进行标准化处理以消除量纲影响，然后采用面板熵权法，参考杨丽和孙之淳(2015)的处理步骤，对各指标进行加权综合，得到各省份数字经济发展水平指数，各项细分指标及对应权重如表2所示。

表2 数字经济发展水平综合指标体系

3.要素市场化配置()

关于要素市场化配置的定量研究并不多见，已有研究多采用王小鲁等人测算的市场化指数(2021)，或选取土地、资本、劳动等单一要素维度指标对要素市场化配置加以衡量(张琳等，2018；李明珊等，2019)。但就侧重点而言，王小鲁等人测算的市场化指数更多是对地区整体市场化水平的度量，缺乏对要素市场化的聚焦；单一维度指标则信息量包含相对偏少，以此衡量要素市场化配置可能存在一定的片面性。针对以上局限，卢现祥和王素素(2021)在研究中从产权保护、区域协调、竞争中性等多个微观层面构建了包含52个细分指标的要素市场化配置综合评价指标体系。本文以该指标体系为基础，利用熵权法计算得到2010—2019年各地区要素市场化配置水平指数。

本文还选取了一系列控制变量加入计量模型：(1)地区发展水平()，以地区人均GDP来衡量；(2)城镇化程度()，用各地区城镇人口数与地区年末总人口数的比值来衡量；(3)贸易开放度()，以各地区进出口总额与GDP总量的比值来衡量；(4)人力资源水平()，用各地区每万人高校在校学生数的对数值衡量；(5)科技支出()，以各省市政府科技支出占政府总支出的比重衡量，(6)产业结构水平()，以产业结构水平指数(第一产业比重×1+第二产业比重×2+第三产业×3)加以衡量。本文数据主要来源于EPS数据平台、《中国统计年鉴》《中国第三产业统计年鉴》以及《各省份统计年鉴》。表3给出了主要变量的描述性统计结果。

表3 变量描述性统计结果

四、实证结果与分析

(一)被解释变量的空间相关性检验

本文采用Moran’I指数对不同空间权重矩阵下的区域创新效率、要素市场化配置程度进行全局空间自相关检验，结果如表4所示。无论是在经济权重矩阵还是地理权重矩阵下，区域创新效率与要素市场化配置程度均存在显著的空间正相关性，这也说明随着我国各省份间交流合作的密切深入，数字经济发展与要素市场化配置表现出明显的空间依赖性。因此，如果采用普通的面板OLS回归，可能会使模型估计产生偏误，有必要引入空间计量模型作更深入的实证考察。

表4 区域创新效率与要素市场化配置的全局Moran’I 指数

(二)数字经济发展对区域创新效率的影响

为了进一步确保回归结果的稳健性，本文分别选用普通面板OLS以及考虑了创新活动空间效应的四类空间计量模型对变量进行估计，尝试对影响效应做出判断，并对各模型拟合效果进行初步对比。各计量模型在两类空间权重矩阵下的回归结果如表5所示，所有计量模型的空间项系数都为正数且在1%水平下显著，说明本省的创新活动在一定程度上会对邻近省份的创新效率产生正向影响。而在模型的拟合效果和变量系数的正负关系上，各模型并未出现明显差异，因此需要对各模型作进一步检验以对模型的适用性做出准确判断。

表5 各计量模型全样本回归结果

本文选用Wald检验、LR检验、LM检验对模型加以检验，结果如表6所示。在两类空间权重矩阵下，Wald检验和LR检验普遍显著接受原假设，说明能够将SDM模型进一步弱化为SAR或SEM模型，因此需要继续作LM检验对SAR模型和SEM模型的适用性进行选择。结果显示，在地理距离矩阵下，除稳健LM-lag检验外均显著拒绝原假设，表明SEM模型的拟合效果为最优。而在经济距离矩阵下LM-error比LM-lag显著，即空间效应主要表现为空间误差相关性，这同样表明SEM模型的拟合效果相对更优。因此，后文将依据SEM模型结果对数字经济影响区域创新效率的机制效应加以分析，并作进一步的中介效应检验，同时列出其他几类空间计量模型估计结果作对比。

表6 空间计量模型适用性检验结果

由表5中SEM估计结果可知，无论是在地理特征矩阵和经济特征矩阵下，模型的空间项系数λ均在1%水平下显著为正，分别为0.404和0.306，表明地区创新效率水平具有正向的空间溢出效应。此外，数字经济项系数显著为正，表明数字经济发展能够显著促进区域创新效率的提升，假设1得以验证。而相较于地理联系的影响，地区间的社会经济联系对区域创新效率影响要更大，其空间溢出效应也更强烈。这可能是因为：在地理特征矩阵下，由于区域间的邻近关系，数字经济发展带来的市场活力突破了要素流动壁垒，同时提升了各地区对现有要素的利用能力，使得高创新效率地区的经验知识得以高效溢出，也加速了落后地区对技术成果的承接与吸收，进而导致创新效率存在显著的空间溢出效应。而在经济特征矩阵下，考虑到创新活动可能的效益，经济水平相近的地区彼此之间通常存在更广泛和密切的创新合作，高创新效率地区具有更先进的初始技术水平和更完善的要素市场化机制，使与之社会经济联系紧密的区域能够更有效地培育和利用数字经济发展带来的创新潜能，形成区域间数字经济发展红利释放与创新动能提升的良性循环，刺激创新效率更大规模的溢出效应。

(三)要素市场化配置的中介效应检验

本文对要素市场化配置可能发挥的中介效应进行验证，仅报告地理距离权重矩阵下的检验结果。首先，检验数字经济对要素市场化配置的影响，由表7 Panel A结果可知，各模型中的空间滞后项与空间误差项均显著为正，说明要素市场化配置存在着正向空间溢出效应，地区间的地理和经济活动联系不仅能促进要素的跨区域、高质量流动，更能在数字技术的赋能下带动地区间对市场化机制的学习与完善；数字经济发展的系数值在SEM模型中及其他计量模型中均显著为正，表明数字经济发展在样本期内对要素市场化配置有显著的正向影响，且结果是稳健的。

其次，根据模型(3)检验数字经济发展与要素市场化配置对区域创新效率的影响。由表7 Panel B结果可知，数字经济与要素市场化配置的系数值在所有模型中均显著为正，说明在考虑要素市场化配置的情况下，数字经济发展对区域创新效率仍存在显著的正向影响。因此，结合中介效应检验可知，无论在一般的OLS回归还是在考虑了空间相关性的SEM模型中，数字经济发展与要素市场化配置在中介效应检验的各步骤中均显著为正。因此可以判断，要素市场化配置在数字经济发展影响区域创新效率的过程中起到了中介作用。这一结果证实了要素市场化配置对创新活动的重要影响，也明晰了数字经济与创新发展的内在联系。

表7 要素市场化配置的中介效应检验结果

(四)极化效应还是扩散效应？

为了探究要素市场化配置的中介效应是会促进区域创新效率形成扩散效应还是进一步刺激产生极化效应，本文进一步对数字经济影响地区要素市场化配置的区域异质性进行检验。由表8可知，在两类不同的空间权重矩阵下，数字经济对东部、中部和西部的要素市场化配置水平都产生了显著影响，并且在经济距离矩阵下区域间存在更大的空间溢出效应。具体来看，数字经济发展在1%的显著性水平下对东部和中部地区要素市场化配置程度产生显著正向影响，其中对中部地区要素市场化配置程度的提升影响最大，但对西部地区要素市场化配置水平为显著的负向影响。

表8 数字经济对要素市场化配置的分区域回归结果

结合上述分析，东中部地区更为优化完善的市场化环境为其吸引了更多的高质量要素，数字经济的高速发展进一步促进了该地区对市场要素的合理配置与利用。尽管数字经济的发展能够有效消除要素流动壁垒，增强要素市场活力，但由于资源基础薄弱、市场化机制体制不完善等问题，原本数字处理应用能力相对较弱的西部地区无法有效利用数字经济发展带来的要素市场动能，反而加剧了地区要素的流出危机，给要素市场化配置带来负向影响。总体来说，要素市场化配置在数字经济发展影响区域创新效率的过程中发挥着中介作用，但数字经济发展通过对区域要素市场化配置程度的不同影响进一步扩大了区域间创新效率的差距，形成了极化效应。

(五)内生性处理

各类模型的回归结果都表明数字经济能够显著促进区域创新效率的提升。而地区创新效率也可能对数字经济发展产生重要影响，导致模型存在互为因果的问题，使估计结果产生偏误。为此，本文尝试选取合适的工具变量来识别数字经济发展对区域创新效率的净效应。

借鉴已有研究构建随时间与地区双维度变动工具变量的思路(Nunn and Qian，2014)，本文以省份层面的能源消耗强度来体现地区层面的变动，同时借鉴柏培文和张云(2021)的思路，以2009—2019年全国数字经济企业存量数来体现工具变量的时变性特征。一方面，由于数据中心数量和机架数量的增多，大数据综合试验区建设伴随巨大的能耗增长。据中国数据中心工作组(CDCC)统计，2020年全国数据中心用电量占全社会用电总量的比重达到2.7%，预计到2030年这一比例将提升至3.7%。2019年工信部出台的《关于加强绿色数据中心建设的指导意见》明确要求，到2022年中国数据中心平均能耗基本达到国际先进水平。能源消耗的约束会对地区数字经济发展产生重要影响，满足相关性条件；而能源消耗与地区创新活动之间并不存在直接关联，满足工具变量的外生性要求。另一方面，数字企业作为数字化发展的基本单位，能够较好地反映地区数字发展水平，而全国数字经济企业数量不会对地区创新活动产生直接影响，同样满足“严外生”和“强相关”条件。为此，本文利用各省能源消耗总量的对数()与全国数字经济企业存量的对数()的交互项(×)作为第一个工具变量。此外，数字基础设施建设对数字经济发展起到重要支撑作用，考虑到地形因素对数字基建的潜在影响，本文还进一步从地理特征角度出发，将地区能源消耗强度()与各省份地形起伏度()的交乘项(×)作为第二个工具变量。

如表9所示，K-P rk LM统计量值为23.959，值为0.000，显著拒绝了工具变量识别不足的原假设；Cragg-Donald Wald统计量值明显大于Stock-Yogo弱工具变量检验的临界值，说明不存在弱工具变量问题。Hansen统计量值同样表明不存在过度识别问题。因此，本文选取的工具变量有效。根据工具变量结果可知，无论是采用2SLS、LIML还是GMM估计，各变量估计系数的方向和显著性水平均未出现根本性变化。本文的研究结果依然稳健。

表9 工具变量回归结果

五、结论与建议

考虑到我国区域要素市场化改革的渐进性与差异性，本文将要素市场化配置纳入数字经济发展对区域创新效率影响的分析框架中，梳理了三者之间作用的内在机理。结合2010—2019年中国30个省份面板数据，本文测算了各省份创新效率和数字经济发展水平，运用空间计量模型和中介效应模型，对上述理论机制和研究假设进行了实证检验，主要结论如下：第一，数字经济显著促进了区域创新效率的提升，同时也加强了要素市场化配置的空间溢出水平。区域创新效率和要素市场化配置的空间溢出效应随着数字经济发展水平的提升而愈发明显。第二，中国各省份创新效率与要素市场化配置水平均存在显著的空间正相关性和空间溢出效应。各省份创新效率与要素市场化配置会受本区域和邻近区域的加权影响。相较于地理联系，区域间的经济活动联系能够激发地区创新效率更大规模的空间溢出效应。第三，要素市场化配置水平在数字经济影响区域创新效率的过程中起到了部分中介作用，但其中介效应对不同地区的影响存在异质性。数字经济发展能够有效促进东中部地区要素市场活力，形成“集聚-优化-再集聚”的良性循环，但却降低了西部地区要素市场化配置水平，进而造成有利因素不断趋向优势极，导致出现区域创新效率差距不断扩大的极化效应。

基于上述结论，本文建议：

第一，充分利用数字经济发展带来的要素市场活力与空间溢出效应，加强区域间创新合作。各地区应以数字经济发展为契机，积极搭建区域协作平台，形成布局合理、紧密协同的区域创新链、产业链，调动市场要素高效流动以更好地发挥出数字经济发展带来的创新潜能。

第二，加强多主体、多环节的协同创新网络构建，促进形成主体互联互通、要素流通顺畅、流程高度赋能的数字创新生态体系。各地区应加速推动数字技术的广泛普及，通过新兴技术激发传统产业革新，构建并完善以数据流为主导的新型要素应用体系，促进创新要素的精准和高效配置，实现区域创新效率的整体提升。

第三，推进数字经济与实体经济深入融合，充分发挥数据在要素市场化配置中的赋能效应、渗透效应，因地制宜采取差异化发展战略。在完善区域间要素市场化配置机制的同时，也要认识到现阶段各地区要素市场化配置和数字经济发展存在的差异性，因地制宜逐步部署数字经济发展与要素市场化改革战略。东中部地区在推进创新发展战略的同时，要积极引导数字化技术的应用发展，发挥其向西部地区的辐射作用，形成“涓滴效应”；而西部地区则应重点加强基础设施和平台建设，消除区域间“数字鸿沟”，通过数字化变革赋能实体经济发展，增进区域间协作交流及体制机制完善，提升地区要素市场活力。 ■