数字经济会促进高技术产业创新能力的提高吗？

施卫东，张雅婕

(东南大学 经济管理学院，江苏 南京 211189)

一、引言

我国高技术产业在快速发展的同时，在关键技术自给、核心技术掌握方面仍然存在一定问题，而创新能力不足是其发展的主要障碍之一。创新能力反映了一个地区或产业的科技竞争力，与发达国家相比，我国科技创新资源仍然比较短缺，提升高技术产业创新能力已成为提高产业综合竞争力的重要途径。

近年来，我国数字经济迅速发展，极大地推动了产业升级与经济发展。2019年底突如其来的新冠肺炎疫情给全球经济造成冲击，而2020年我国数字经济不仅抵抗住了冲击，实现了逆向增长，而且还推动了世界经济的复苏和增长。当前世界经济受到疫情冲击，正面临衰退风险，而与此同时，新一代信息技术作为数字经济的根本依托广泛地渗透于人们生活、生产的各个方面，给区域经济带来的影响也是前所未有的。

由此引发的值得深思的问题是，数字经济的发展对地区高技术产业创新能力的提升有哪些影响，数字经济由于自身特性是否存在着外溢效应，即一个地区的数字经济发展水平是否对其邻接地区高技术产业的创新能力产生影响，并且会产生怎样的影响。基于以上问题，本文利用全国30个省(市、区)(不含西藏、港澳台)2014—2020年的面板数据，从创新产出的角度，利用熵值法计算全国各省(市、区)的创新能力水平；运用因子分析方法测算得出中国30个省(市、区)的数字经济发展水平综合评价指数；通过门槛回归和分位数回归检验数字经济对高技术产业创新能力的非线性效应；继而运用随机效应下的SDM模型，以邻接矩阵为权重进行空间计量分析，考察数字经济发展水平对高技术产业创新能力的影响。

二、文献综述与研究假说

随着新冠肺炎疫情的暴发和反复，数字经济得到了越来越多的关注。疫情期间国家与国家、地区与地区之间的经济往来受到了诸多限制，全球经济面临动荡风险，此时数字经济发挥了稳定器的作用，支持着贸易的发展与全球经济的复苏(Lestari等,2020)[1]。越来越多的研究发现经济高质量发展可以以数字经济作为其新的推动力。Carlsson(2004)[2]认为数字经济这种“新经济”并不是“新”在对生产力的促进，而是由于不同的想法和行为的连接组合而产生的新的产品和新的经济活力。Kim等(2019)[3]认为在技术进步的推动下，数字经济改变了制造业的前景，第四次工业革命的新浪潮为新兴亚洲的新制造中心提供了机遇，使其生产能力提高到前所未有的水平。Moriset(2011)[4]认为数字经济的发展可以促进乡村地区经济的振兴。李柏洲和张美丽(2022)[5]利用分位数回归和系统广义矩估计得出数字化转型可以显著提高区域经济发展质量，但这种促进作用在减弱的结论。

经济的高质量发展与创新息息相关，因此数字经济与创新之间也就不可避免地存在着一定的联系。温珺等(2019)[6]指出数字经济对创新能力的推动作用会随着数字经济能力的提高而减弱。韩先锋等(2019)[7]则发现互联网在促进区域创新效率提升方面呈现出边际效应递增的非线性特征。殷群和田玉秀(2021)[8]基于省际面板数据运用Tobit模型分析数字化转型与高技术产业创新效率之间的关系，发现我国数字化转型程度存在区域差异，且数字化转型可以促进高技术产业的创新效率的提升。武可栋和阎世平(2021)[9]从理论上分析了数字经济对区域创新效率提升的直接和间接路径，并通过实证检验发现数字经济对创新效率影响呈现出倒“U”形效果。通过梳理文献发现，学者们普遍对数字经济发展会给创新带来积极影响持肯定判断，然而，正如 Watanabe 等(2018)[10]所言，数字经济也有可能由于其自身特性，使得免费提供、免费复制变得容易和大规模化，造成抄袭、侵权等阻碍创新行为的成本下降，从而使得知识产权保护工作变得更加困难，进而阻碍创新。根据以上分析，本文提出如下研究假设：

H1：数字经济发展对高技术产业创新能力具有促进作用，但是这种促进作用是非线性的，呈现出边际递减的趋势。

数字经济与创新关系的研究得到越来越多的关注，越来越多的学者将目光投入到数字经济对创新的空间效应上来。一些研究表明数字经济影响科技创新绩效的空间异质性，我国东部地区比中西部地区受到数字经济对科技创新的影响更大(李雪等，2021)[11]。赵滨元(2021)[12]则关注到了数字经济对创新绩效影响的空间溢出效应，运用空间杜宾模型，得出了数字经济发展不仅对本地区的创新具有积极影响，而且还能够推动周边城市的创新绩效提升的结论。然而在数字经济时代，先进入者往往成为掌握大量数据的在位者，形成数据垄断的“赢家通吃”局面(Eferin等，2019)[13]，甚至导致过度并购产生巨型企业，这将降低市场的竞争程度与创新活力，形成对后入者或者潜在进入者的壁垒。也就是说，如果一个地区的数字经济发展水平很高，就会形成数据垄断，而就目前来说这种数据垄断是难于识别的(Wei，2020)[14]。这种数据垄断也许会吸引周边地区更多的资源，对周边地区创新能力的提高产生一定的限制。因此本文提出以下研究假设：

H2:数字经济发展水平对本地的高技术产业创新能力具有正向的直接效应影响，但是对邻近地区的间接效应为负。

通过对已有文献的梳理，可以大致从降低成本和提高产出两个角度来分析数字经济对高技术产业创新能力提高的作用路径。在降低成本方面，数字经济的发展依托于坚实的互联网技术、数字技术的基础，而在这些技术的作用下，信息搜寻、信息获得、信息共享等行为的成本大大降低，速度也大大提升，有利于高技术产业充分掌握消费者需求与市场动态，对于创新活动的开展具有良好的导向作用。在提高产出方面，数字化的平台给了新产品更多更广的展示舞台，从而在一定程度上提高新产品的知名度并打开销路，更迅速更广泛地进行资源配置，创新产出获得更高的价值与更普遍的认可，从而有利于高技术产业积累创新资本并投入下一轮创新活动中，形成创新能力提升的良性循环。基于以上两点研究假说，本文将数字经济发展水平纳入高技术产业创新能力提升的分析框架，试图对数字经济发展水平对高技术产业创新能力的影响进行实证层面的分析，以期为高技术产业创新能力的提升提出相应的对策建议。

三、变量测度与数据来源

(一)被解释变量

创新能力(inno)是本文的被解释变量，这里用创新成果和创新价值来衡量，其中创新成果产出水平用高新技术产业专利申请数来表示，因为专利是创新活动较为权威与直观的成果，常常被用以衡量一个地区的创新产出水平；创新价值产出用高新技术产业新产品销售收入来表示，因为新产品的销售收入可以反映出创新产品所创造出的价值及其应用普及程度。本文基于熵值法，运用MATLAB 2021软件进行测算，为创新成果指标和创新价值指标赋予权重，从而计算得出2014—2020年全国30个省市自治区的创新能力水平。创新能力指标及各指标权重具体如表1所示。

(二)核心解释变量

本文的核心解释变量是数字经济发展水平(dig)，这里参考温珺等(2019)[6]的做法并适当改变，从基础设施和使用程度两个维度进行分析，将基础设施和使用程度作为一级指标，其中基础设施又包括了移动电话用户数、互联网宽带用户数、企业网站数三个二级指标，使用程度下又包括了移动互联网接入流量和电信业务收入两个二级指标。具体指标情况如表2所示。

表1 创新能力指标及各指标权重

表2 数字经济发展水平指标

文章运用软件SPSS Statistic 22对以上数据进行因子分析，为指标设定权重。

根据前文的指标体系指定提取两个因子，从表2可知，提取两个因子可以解释原变量总方差的95.694%，表示仅丢失约4.3%的信息，因子分析达到了较好的效果。第三组数据项显示旋转后的因子1的方差贡献率为51.090%，因子2的方差贡献率为44.604%，累积方差贡献率仍保持95.694%不变，但是旋转后的因子意义更分明更易于解释。

由表3可知，在第1个因子上有较高载荷的指标有企业拥有网站数、移动电话用户数、互联网宽带用户数，在第2个因子上具有较高载荷的指标有移动互联网接入流量、电信业务总量，我们把第1个因子定义为基础设施，把第2个因子定义为使用程度，这与我们之前的数字经济发展水平测度体系也是吻合的。

根据表4可以写出以下因子得分函数：

基础设施=0.434移动电话用户数+0.295互联网宽带用户数+0.537企业拥有网站数-0.270移动互联网接入流量-0.169电信业务总量

使用程度=-0.136移动电话用户数+0.036互联网宽带用户数-0.283企业拥有网站数+0.618移动互联网接入流量+0.529电信业务总量

最后根据上式计算得出的基础设施和使用程度两个一级指标，以这两个一级指标的方差贡献率为权重对其加权，计算得出各地区数字经济发展水平的最终得分。其计算公式为：

数字经济发展水平=0.51090基础设施+0.44604使用程度

表3 旋转后的因子载荷矩阵

表4 因子得分系数矩阵

(三)控制变量

本文选取了消费水平(pgdp)、创新投入(peo)、产业结构(str)、经济环境(city)四个控制变量，具体如表5所示。

表5 控制变量的测度

(四)数据来源

本文选取了我国30个省(市、区)(西藏、港澳台除外)2014—2020年的面板数据，其中专利申请数、新产品销售收入、R&D人员全时当量的数据来自《中国科技统计年鉴》，移动电话用户数、互联网宽带用户数、企业网站数、移动互联网接入流量、电信业务收入、人均GDP、第三产业增加值占比、城镇化率的数据来自《中国统计年鉴》。对所有变量进行描述性统计，结果如表6所示。

表6 描述性统计

四、研究设计与实证分析

(一)非线性效应分析

1.非线性计量模型的构建

对数字经济对高技术产业创新能力影响的非线性效应分析，本文的思路是,首先构造一个简单的非线性模型,并结合散点图初步判断非线性的影响的存在与否。如果非线性影响存在的话，则进一步进行分析，并且将非线性效应的分析分为两部分：一方面是数字经济对高技术产业创新能力的影响是否会随着数字经济发展水平的变化而变化，这部分通过将数字经济这一变量作为门槛变量进行门槛回归分析；另一方面是数字经济对不同的创新能力水平的影响是否存在差异，这一部分是通过分位数回归来进行分析。首先，构造简单的非线性模型，将数字经济这一变量设置为幂函数的形式，具体的模型构造如下：

lninnoit=β0+β1(lndigit)β2+β3lnpgdpit+β4lnpeoit+β5lnstrit+β6lncityit

(1)

在以上非线性模型中，β0为常数项，β1为数字经济对高技术产业创新能力的影响的待估参数，β2为数字经济的指数。如果β2大于1，表示数字经济对高技术产业创新能力的影响边际递增；如果小于1，则表示数字经济对高技术产业创新能力的影响呈边际递减；如果接近1，则表示数字经济对创新的影响是线性的。β3、β4、β5、β6为控制变量的系数。以数字经济作为门槛变量的门槛回归模型构造如下：

lninnoit=α0+α1lndigit*I(lndigit≤θ)+α2lndigit*I(lndigit≥θ)+∑αilnXit+εit

(2)

式(2)为一个以数字经济为门槛变量的单门槛模型，实验时可以扩展至多门槛，α1为数字经济低于门槛值时的系数，α2为数字经济高于门槛值时的系数，Xit为控制变量的合集，αi为控制变量的系数。对创新能力的分位数回归模型如下所示：

lninnoit=γ0+γ1lndigit+∑γilnXit+λit+μit

(3)

式(3)中，lninnoit表示高技术产业创新能力，也是模型的被解释变量，lndigit为核心解释变量即数字经济发展水平，γ1为数字经济这一变量的待估参数，lnXit为控制变量，λit为固定效应，μit为残差项。根据分位数的不同，γ1如果发生变化，就意味着数字经济对不同水平的创新能力产生差异化影响。

2.非线性计量模型实证结果分析

基于上文的非线性计量模型，本文运用stata14软件进行计量分析，非线性效应分析结果如表7所示。

表7 非线性效应分析结果

根据表7所示，第一列模型是模型(1)的回归结果。我们需要重点关注的是β2，因为它是数字经济这一变量的指数，我们希望通过这一指数来初步判断非线性效应的存在。可以看到，β2为0.049，小于1且通过了5%的显著性水平检验，说明数字经济对创新能力具有边际递减的影响，而数字经济的系数为12.192，大于0且显著，说明数字经济对创新能力具有正向影响，所以可以初步判断数字经济对创新能力的影响为正，但是存在边际递减的趋势。并且通过散点及拟合曲线图(图1)，我们也可以大致看出数字经济对高技术产业创新能力的影响呈正向边际递减。

图1 散点及拟合曲线图

基于以上初步的非线性检验结果，下面进一步从两个角度来探究非线性效应的影响。首先是运用以数字经济作为门槛变量的门槛回归来检验不同程度的数字经济发展水平对高技术产业的创新能力的影响是否存在差异。对于门槛效应的检验,先是进行单门槛回归，结果显著，然后进行三门槛检验，在三门槛检验中发现第二个门槛和第三个门槛均不显著，于是得出此模型仅存在单门槛效应，其结果如表7第二列模型所示。当数字经济这一变量低于10.59时，数字经济对创新能力的影响系数为0.201；当数字经济水平高于10.59时，数字经济对创新能力的影响系数为0.165，且两个系数均通过了1%的显著性水平检验。可以看出，数字经济对高技术产业创新能力的促进作用随着数字经济水平的提高而逐渐降低，所以可以认为数字经济对高技术产业创新能力的影响确实呈现出边际递减的趋势，这也在一定程度上证明了我们的假说1。

接下来是运用分位数回归来分析数字经济对不同程度的创新能力水平的影响是否是非线性的，这部分结果如表7第三列、第四列、第五列模型所示。第三列模型是普通最小二乘法面板回归的结果，可以用于和分位数回归的结果对比。第四列模型和第五列模式分别是对创新能力变量在30%、60%的分位数的回归结果。以上三个模型的回归结果中核心解释变量数字经济的系数均在5%的显著性水平下显著。可以看出，30%的分位数回归结果中，数字经济的系数为0.202，大于OLS回归的0.142，而60%的分位数回归结果显示数字经济的系数为0.074，小于OLS回归的0.142，可见创新能力水平提高过程中，数字经济对高技术产业的创新能力的影响系数呈逐渐降低的趋势，因此验证了我们的假说1，数字经济对高技术产业的创新能力的影响为正但呈现出边际递减的趋势，因此这种影响是非线性的。

这种促进作用递减现象出现的原因有两种可能，一种可能是促进作用自身逐渐减弱了，比如数字经济可以通过共享信息降低信息搜寻成本，通过开拓销路提升产出收入，从而提高高技术产业的创新能力，但是随着创新能力的提升，信息已经进行了充分交流，有利于创新的信息越来越少，并且通过数字平台打入其他地区市场时也会面临相应市场竞争对手的挑战，且市场也会逐渐饱和，从而创新收入也很难持续上升，因此外化表现为数字经济对高技术产业创新能力的促进作用逐渐减弱了；另一种可能是抑制作用逐渐加强从而抵消了一部分促进作用。数字经济的环境下，免费复制、免费获得变得更加容易，从而更易引发剽窃、侵权等损害创新能力的行为，并且现代化大数据分析的普遍应用往往会使得人们进入一个信息茧房，即人们更多看到的是自己感兴趣的知识与信息，这在一定程度上会束缚人们进行创新活动的思维活跃度，从而更难从固有思维中跳脱出来，以至于造成创新能力的降低，因此这种数字经济对高技术产业创新能力的负面影响可能会随着数字经济的发展而增强，从而抵消了一部分促进作用，呈现出数字经济对高技术产业创新能力边际递减的促进作用这样一个现象。

(二)空间效应分析

1.空间自相关检验

在构建空间计量模型之前，我们首先要分析高技术产业的创新能力的空间相关性以及数字经济的空间相关性情况，使用的方法是全局Moran’s I指数。莫兰指数大于-1且小于1、空间相关性为正时，指数大于0，空间相关性为负时，指数小于0，相关性越强绝对值越大。本文选取邻接权重矩阵进行Moran’s I检验，其中邻接权重矩阵的设置是根据地区的相邻与否，这里的相邻包括边相邻和点相邻，当两个地区相邻接时矩阵对应位置权重为1，否则为0，海南由于位置的特殊性，本文设置为仅与广东相邻。Moran’s I检验结果如表8所示，观测期内创新能力的莫兰指数均在0.270～0.390之间，显著为正值。数字经济综合得分的莫兰指数均处于0.140～0.260之间，也显著为正值。以上空间自相关检验结果表明我国各地区高技术产业的创新能力和各地区数字经济发展水平都具有显著的正向空间相关性，因此适合进行空间计量分析。

表8 全局Moran’s I空间自相关检验

2.空间计量模型构建

上文的空间自相关检验结果表明，我国各地区高技术产业的创新能力和各地区数字经济发展水平空间相关性均显著为正，因此本文构建包含空间效应的面板模型，首先构建空间杜宾模型(1)，这是一般形式的空间计量模型：

其中，lninnoit表示高技术产业创新能力，也是模型的被解释变量；lndigit为核心解释变量，即数字经济发展水平；lnXit为控制变量的集合，包括消费水平、创新投入、产业结构、经济环境这四个控制变量，分别用人均GDP、R&D人员全时当量、第三产业增加值占比、城镇化率来表示；ρ是空间滞后系数；λ为空间误差系数；wij表示权重。本文采用的是邻接权重矩阵，β、δ、θ1、θ2为待估参数，其中β表示数字经济对高技术产业创新能力的直接影响，δ表示控制变量对创新能力的直接影响，θ1表示数字经济对高技术产业创新能力的空间效应，θ2表示控制变量对创新能力的空间效应。μi表示空间固定效应，ηt表示时间固定效应，vit为随机误差项。如果ρ=θ1=θ2=0，此时模型就变成了空间误差模型(SEM)，如果λ=θ1=θ2=0，此时模型转化为空间滞后模型(SAR)。

3.空间计量模型的选择

对于空间计量模型的选择，需要进行LM检验来确定是适用于SDM、SAR、SEM中的哪一个模型。方法是首先将模型设定为SDM，然后对得到的残差进行LM检验，考察模型是否可以退化为SAR或SEM。本文运用软件stata.14进行LM检验,得到的结果如表9所示。

表9 LM检验

由表9的检验结果可知，空间误差的三个检验均强烈拒绝“SDM可以退化为SEM”的原假设，空间滞后的两个检验中也有一个检验在1%的显著性水平下拒绝“SDM可以退化为SAR”的原假设，因此初步选择SDM模型。接下来要确定模型是选择固定效应还是随机效应，方法是进行Hausman检验。利用stata.14进行SDM下的Hausman检验，检验结果不拒绝模型随机效应有效的原假设，则应该选择随机效应的空间杜宾模型。接下来需要通过LR检验和Wald检验对模型的稳健性进行检验，考察空间杜宾模型是否会退化为SAR或SEM，同样使用stata.14进行检验，LR检验结果和Wald检验结果显示的P值均在1%的显著性水平下拒绝退化为SAR或SEM的原假设。综合以上检验结果，本文的模型应该采用随机效应的空间杜宾模型。

4.空间计量模型实证结果分析

根据上文一系列有关模型选择的检验结果，本文采用随机效应的空间杜宾模型更为合适，表10为随机效应的空间杜宾模型的回归结果。

表10显示，模型拟合效果很好，拟合优度为0.924；数字经济发展水平的估计结果为0.356，这表明区域的数字经济发展可以提升高技术产业的创新能力，数字经济的发展能够降低创新过程中的信息获取成本、管理监管成本，并且有利于技术共享与交流，从而推动高技术产业创新能力的提高；加入空间权重的数字经济的系数显著，为-0.306，表明数字经济对高技术产业创新能力产生了负向的空间影响，当然这里的检验只是初步检验，为进一步探究数字经济水平对高技术产业创新能力的空间效应，还需要继续将变量效应分解为直接效应、间接效应及总效应进行分析。

表10 随机效应空间杜宾模型回归结果

从表11中对解释变量效应分解的结果可以看出，核心解释变量数字经济发展水平对高技术产业创新能力具有显著的正向直接效应和显著的负向间接效应，且直接效应相比于间接效应处于主导地位，可见一个地区高技术产业的创新能力不仅受到本地区数字经济发展水平的影响，还会受到邻接地区数字经济发展水平的影响，但是总的来说，受本地数字经济发展水平的影响要大于受邻接地区数字经济发展水平的影响，一方面，这可能是由于在数字经济的环境下，互联网技术的发展使得临近地区之间的信息交流、信息共享更加便捷，信息搜集成本大大降低，从而一个地区的高技术产业往往会较为容易地获取到邻近地区的创新技术信息，从而影响本地区的创新活动；另一方面，可能由于地域、网关、权限等方面的限制，同地区之间的创新活动交流仍然会大于跨地区之间的交流，那么产生的结果就是一个地区高技术产业的创新活动在数字经济时代下，会受到临近地区的影响，但是这种影响是要小于本地区数字经济发展水平对创新效率的影响的。此外，更值得关注的是，数字经济发展水平对高技术产业创新能力有正向的直接效应和负向的间接效应。这就意味着一个地区的数字经济得到发展，会对本地区高技术产业的创新能力提高产生积极的影响，但会对邻接地区高技术产业的创新能力产生负向影响。这主要是因为数字经济的发展必然会依托于互联网技术以及互联网平台，从而产生“赢家通吃”的网络效应，一个地区如果具有比邻接地区更高的数字经济发展水平的话，就可能会吸引到邻接地区的大部分资源，从而使得本地区高技术产业的创新能力得到进一步发展；然而邻接地区由于处于弱势地位，可能会产生“回流效应”，即人力资本、物质资本都倾向于流向更发达的地区，那么这往往会导致弱势地区的创新人力、物质资本的缺乏，从而使得该地区高技术产业的创新水平降低。当然这也许与本文的相关实证数据有一定关系，因为我们可以根据实证结果判断数字经济由于自身特性会存在着溢出效应，但是这种溢出应该会具有一定的辐射范围，大概率会随着距离的增加而逐渐减弱。因此当基于省级层面进行分析时，检验范围可能已经超出了目前数字经济正向溢出的辐射范围。而另一方面省际交流必然会低于市际交流，省内的联系紧密程度会远远大于与省外的联系紧密程度，省与省之间也更容易形成进入门槛，“赢家通吃”的垄断局面在省际也会比市际更易形成。因此数字经济对高技术产业创新能力的促进作用的正向溢出在省际更难实现，而负向溢出却更易形成，从而导致了数字经济发展水平对高技术产业创新能力的直接效应为正、间接效应为负的局面。这一结果也在一定程度上证实了本文假设2，数字经济发展水平对本地区的高技术产业创新能力具有正向的直接效应影响，但是对临近地区的间接效应影响是负向的。

表11 随机效应空间杜宾模型下变量效应分解

续表

5.稳健性检验

为进一步提高研究结论的可靠性，本文尝试通过以下三种形式来对研究模型进行稳健性检验：第一，对于非线性效应分析，改变分位数，将原有的30%、60%改为20%、70%，进行重新估计；第二，对于空间效应分析，将邻接权重矩阵换为经济邻接权重矩阵重新进行杜宾模型估计，经济邻接权重矩阵为邻接权重矩阵与各地区在观察期内人均可支配收入均值之差的绝对值的倒数的乘积；第三，对于空间效应分析，对变化控制变量进行重新估计，将原有控制变量消费水平的测度由人均GDP替换为人均可支配收入，将创新投入的测度由R&D人员全时当量替换为R&D经费内部支出。

稳健性检验回归结果如表12和表13所示。其中表12的模型(1)为OLS回归结果用于与分位数回归结果对照，模型(2)和(3)分别为20%、70%分位数回归结果。表13的第(1)至(3)列为运用经济邻接权重矩阵估计的杜宾模型结果，第(4)至(6)列为更换控制变量的杜宾模型回归结果。稳健性检验结果显示，数字经济发展水平这一核心解释变量的系数与前文的结果保持了较好的一致性，即在非线性效应分析中呈边际递减，在空间效应的分析中呈现出正向的直接效应和负向的间接效应，这也就说明前文得出的主要结论具有一定的稳健性。

表12 非线性效应稳健性检验

表13 空间效应稳健性检验

五、结论与建议

(一)结论

本文利用2014—2020年全国30个省(市、区)(不含西藏、港澳台)的面板数据，基于创新成果和创新价值角度，选取熵值法计算全国各省市自治区的创新能力水平；又运用因子分析方法测算得出全国30个省(市、区)的数字经济发展水平综合评价指数；通过门槛回归和分位数回归检验数字经济对高技术产业创新能力的非线性效应；继而以邻接权重矩阵进行个体固定的空间杜宾模型计量分析，以考察数字经济发展水平对高技术产业的创新能力的影响。具体得出以下几点结论：

第一，数字经济发展水平对高技术产业创新能力存在非线性效应，即数字经济发展水平对高技术产业创新能力的提高具有正向作用，但是这种正向作用呈边际递减。和过去很多学者的研究一样，本文同样得到了数字经济对创新能力具有积极影响这一结论，但是本文的研究结果表明，这一积极影响不但会随着数字经济的发展水平的提高而降低，也会随着创新能力的提高而降低。这可能是数字经济使得免费提供、免费复制变得容易和大规模化，造成抄袭、侵权等阻碍创新行为的成本下降，从而使知识产权保护工作受到威胁，进而阻碍创新。也就是说，经济学中经典的边际递减效应在数字经济对高技术产业创新能力的影响中同样存在。

第二，数字经济的发展显著促进本地区高技术产业创新能力提高，即存在显著的正向的直接影响。一方面数字经济使传统的商业运行模式发生改变，大大降低企业的管理、经营成本，从而使得企业有更多的精力转移到创新活动中去；另一方面数字经济使得生产者与消费者的交流、信息交换更加方便快捷，这在一定程度上使消费者与生产者之间的信息不对称程度减弱，降低了生产者对于消费者创新需求的信息搜寻成本，因此高技术产业创新能力的提高受到了积极影响。

第三，数字经济的发展对高技术产业创新能力存在显著的间接的负向影响。数字经济对创新能力影响的间接效应表现为邻接地区的数字经济发展水平对本地区高技术产业创新能力的负向影响，这种间接效应虽然要弱于直接效应，但是仍然是不可忽视的一种力量。因为这种间接效应恰恰是数字经济发展的网络效应的最大体现，“赢家通吃”的网络效应的存在，使得弱者更弱、强者更强，数字经济发展水平更高的地区会吸引到更多的创新投入资源，如科研人员、科研经费等，而处于弱势的地区由于创新资源减少，可能会导致其高技术产业创新水平停滞不前甚至降低。

第四，区域间的发展差距可能会阻碍落后地区高技术产业创新能力的提升。这种发展差距体现在数字经济发展水平的高低、创新氛围的好坏上，如果邻近地区的发展水平更高，则可能产生“回流效应”，即人力资本、物质资本都倾向于流向更发达的地区，那么往往会导致本地区的创新人力、物质资本的缺乏，进而阻碍本地区高技术产业的创新能力的提高。

(二)启示

根据以上结论，本文提出如下建议。

第一，应大力发展数字经济。首先要使发展数字经济所必需的基础设施得到完善与强化，然后在基础设施稳固的基础上不断降低数字经济基础设施的边际成本，包括移动网络流量费、宽带使用费、通信费用等，从而让数字经济基础设施的渗透作用更大、普及面更广，构建起互联互通的数字网络，让数字经济对生活质量与工作效率的促进作用惠及更多群众。

第二，数字经济和实体经济融合才能使数字经济焕发更大活力，从而利用数字经济对高技术产业创新能力的驱动效应来进一步提升区域的创新水平。这不仅需要对数字经济的发展给予鼓励，还需要持续支持各创新主体包括高新技术企业、科研机构、高校等的活动，除了给予资金、政策等支持外，健全知识产权保护的法律法规也是应有之意，从而提升创新主体的创造主动性与积极性，提高区域的创新能力。

第三，我国各省(市、区)数字经济发展水平存在着差距，而这种差距的存在可能会危害到弱势地区高技术产业创新能力的提高，因此各地区应根据自身实际情况制定数字经济发展战略，更好地利用数字经济对创新能力的驱动效应来促进本地区高技术产业创新水平的提高，从而进一步带动当地经济发展，让弱势地区抓住机会逐步缩小差距，并且让高技术产业成为引领我国经济发展的先锋之势，为把我国建设成为现代化的科技强国而贡献力量。