长三角城市群数字产业发展评价及驱动因素研究

刘冬萍

(合肥师范学院 经济与管理学院,安徽 合肥 230001)

1 引言

随着大数据、云计算、区块链等技术的广泛应用,新一代信息技术产业逐步成熟,经济体的行为习惯和偏好正在发生改变,叠加疫情因素,促使全球经济向互联网、人工智能等数字应用方向发展。数字经济成为世界各国为提高经济发展质量和在国际经济、科技竞赛中争夺话语权而抢占的制高点[1]。自2015年以来,国务院先后发布了《中国制造2025》《关于积极推进“互联网+”行动的指导意见》《促进大数据发展行动纲要》《关于深化制造业与互联网融合发展的指导意见》《新一代人工智能发展规划》等战略性文件,大力支持和推动新一代信息技术产业发展,持续优化数字产业发展环境。2022年4月,国务院《关于加快建设全国统一大市场的意见》进一步明确:加快数字化建设、推动线上线下融合发展、形成更多商贸流通新平台新业态新模式、加快培育统一的技术和数据市场是实现国内市场高效畅通和规模拓展的重要举措[2]。党的二十大报告提出建设“网络强国”“数字中国”,打造具有国际竞争力的数字产业集群,向世界展示了中国大力发展数字经济的决心[3]。

长三角城市群是我国制造业体系最完备、城镇化基础最好、综合实力最强的城市群之一。从经济发展指标来看,是我国经济总量最大的城市群,拥有6个GDP万亿城市,总数占到全国的三分之一。当前,长三角城市群正跨越工业化时代,迈向突出以数字资产和流量经济为主要特征、更加强调城市国际竞争力和全球影响力的后工业化时代(信息化时代)[4]。然而,区域内数字经济发展的不均衡、不平衡特性也十分明显,这引起了部分学者的关注。陈建军[5]以长三角和浙江省为研究对象,从现实经验和理论角度出发分析了区域属性对数字经济发展的影响路径和作用机理。

数字产业是数字经济发展的基础性、先导性产业,为数字经济发展提供技术、产品、服务和解决方案等[6]。数字产业的发展推动了数字技术、数字产品不断出新,不仅打造出新的经济增长动能,更能促进制造业、农业的数字化转型,进一步深挖传统产业的增长潜力。目前,国内外学者针对数字产业(或ICT产业)的探讨也日益丰富。与本文相关的文献主要包括两类:数字经济发展综合评价领域大多沿着构建指标体系、改进评价方法等方向,围绕产业竞争力[7]、产业创新效率[8-9]、产业创新水平[10]等角度展开。李旭辉等[11]运用改进的CRITIC赋权法评价了我国三大经济圈新一代信息技术产业竞争力;刘亦文和欧阳莹[12]采用SBM超效率模型测算了我国28个省份新一代信息技术产业的创新效率;李佳等[13]运用三阶段DEA方法评价了我国数字产业细分行业的持续创新水平。数字产业发展驱动因素的研究主要从宏观、微观两个维度展开。宏观方面,不少学者认为经济基础、开放性程度、市场化水平、R&D水平等是数字产业发展的关键因素[14]。微观方面,刘婧等[15]研究发现用地成本、产业基础、人力资本等因素对数字企业区位选择有显著影响;毛丰付等[16]以长江经济带1375971家数字产业企业为样本,研究发现制造型数字产业主要受经济发展水平影响,而服务型数字产业则受信息化发展潜能影响更加明显。

综上所述,学术界关于数字产业发展的研究视角主要集中于全国、省际范围,聚焦城市视角的并不多见,特别是城市视域下数字产业发展的差异性及空间关联性研究还有待拓展。因此,本文以长三角城市群为研究对象,综合评价各市数字产业发展水平,分析时空演变趋势及空间关联性特征,运用空间计量模型检验驱动因素,为长三角城市群缩小城市数字鸿沟、塑造区域一体化竞争新优势提供现实依据。

2 研究方法

2.1 CRITIC-熵权组合TOPSIS评价法

熵权法是根据各指标数据的分散程度,利用信息熵计算指标熵权,再根据各指标对熵权进行一定修正,从而得到较为客观的指标权重,但没有考虑各指标间的对比强度和冲突性。而CRITIC方法是根据指标间的相关系数和指标自身的变异系数确定权重,综合两种方法获取权重可以更全面客观反映各指标的重要性。因此本文采用CRITIC-熵权组合与TOPSIS法进行综合评价,计算步骤为:

首先,计算CRITIC熵权组合权重。参考傅为忠等[17]的做法,分别计算评价指标j的熵权φj和CRITIC权数νj,并假定两种权数具有相同的重要性,构建组合权重Wj:

Wj=(φj+νj)/2

(1)

Zij=(Yij·Wj)m×n

(2)

则最优值、最劣值及其距离为:

(3)

最后,评价地区i与最优值的相对接近度Si,即综合得分

(4)

0≤Si≤1,取值越大说明该城市的数字产业发展水平越高。

2.2 空间自相关分析

全域莫兰指数(Moran’s I)是检验全域空间自相关最常用的统计量,也是建立空间回归模型的前提。计算公式如下:

(5)

其中,x为各市数字产业综合得分,S2为样本方差;Wij为空间权重矩阵。一般来看,Moran’s I的取值区间为[-1,1],大于0表示正向的空间自相关,即空间集聚现象;小于0表示负向的空间自相关,即空间分散,0则为随机分布。

全域莫兰指数分解到各市即为局域莫兰指数(Local Moran’s I),可用来测度第i市与邻近市观测值的相似程度,公式如下:

(6)

将局域莫兰指数作散点图,Ⅰ、Ⅲ象限分别为高-高集聚区和低-低集聚区,Ⅱ、Ⅳ象限分别为低-高分异区和高-低分异区。

2.3 空间计量模型

常用的空间面板模型有空间自回归模型(SAR)、空间误差模型(SEM)、空间杜宾模型(SDM)和广义空间自回归模型(SAC),模型分别为:

Yit=ρW·Yit+Xitβ+εit

Yit=Xitβ+εit,εit=λWεit+νit

Yit=ρW·Yit+Xitβ+WXitθ+εit

Yit=ρW·Yit+Xitβ+εit,εit=λWεit+νit

(7)

其中,Yit为被解释变量,Xit为解释变量,ρ表示空间自回归系数,W表示空间权重矩阵,β表示待估计的解释变量参数,θ表示待估计的自变量空间滞后项参数,ε、ν表示随机误差项。

不同模型假定的空间传导机制不同,适用的情境也不同。SAR假定空间相互作用的影响(即考虑解释变量的空间滞后),SEM假定空间随机冲击的影响(即考虑误差项的空间滞后),SDM假定一个区域的被解释变量受到相邻区域解释变量的影响(即考虑解释变量的空间滞后)。有研究认为空间计量模型的选择应当遵循“SAR/SEM-SDM-SAC”的路径,先对空间滞后和空间误差的显著性进行检验,由此判断能否对SDM进行简化。为保证结果的稳健性,本文对四种形式的空间计量模型都进行尝试。

3 长三角城市群数字产业发展水平及其时空演化

3.1 指标体系及数据来源

本研究借鉴于长钺等[18]、李旭辉等[11]的研究成果,基于行业视角,综合考虑指标直观性、科学性和数据的可获得性,以计算机、通信和其他电子设备制造业与信息传输、软件和信息技术服务业两个数字产业的核心产业为研究范围,从产业设施、产业规模、经济效益和产业创新4个维度构建评价指标体系,具体见表1。

表1 数字产业指标体系

产业设施是指以信息和通信网络为基础的新一代信息技术演化生成的物质工程设施,如5G、物联网、数据中心、人工智能、卫星通信、区块链等,也是工业互联网、智慧物流设施、智慧环境资源设施、智慧城市设施等新型基础设施建设的构建基础。基础设施建设水平的高低决定了数字产业发展的支撑能力。考虑到指标数据的可比性,本研究以城市人均电信业务收入和固宽普及率两个二级指标衡量数字产业的基础设施情况,相关数据来自于国研网数据库,部分缺失值则利用各市统计年鉴相关指标进行插补。

产业规模和经济效益是直观体现数字产业发展体量和质量的维度。本研究根据制造业和服务业的异质性特征,分别以计算机、通信和其他电子设备制造业的规模以上企业数、总产值、固定资产净值,信息传输、软件和信息技术服务业从业人员数衡量产业整体规模;以计算机、通信和其他电子设备制造业利润总额,主营业务收入和信息传输、软件和信息技术服务业增加值衡量产业发展质量,即经济效益维度。相关数据均来自于各市统计年鉴。

数字产业本身就是高新技术产业中的一部分,具有高新技术的创新特性,且创新性决定了数字产业的高端化水平和未来发展趋势。王欢芳等[19]以区域整体创新投入和产出作为衡量指标,但指标范围过宽,难以准确衡量数字产业的创新水平,而基于各市的信息传输、软件和信息技术服务业的创新指标几乎空白,故选取计算机、通信和其他电子设备制造业的R&D研发人员和R&D经费支出作为衡量产业创新水平的指标。相关数据来自于各市统计年鉴。

3.2 综合评价结果及分析

根据熵权法和CRITIC法计算得到组合权重,结果见表2。将表中的组合权重与标准化数据代入式(2)(3)(4),计算得到长三角主要城市数字产业的综合发展水平,如表3所示。

表2 熵值-CRITIC法组合权重

表3 长三角25城数字产业CRITIC-熵权组合的TOPSIS得分

总体来看,2010—2020年长三角城市群25个城市的数字产业综合发展水平大体呈现上升趋势。2010年,长三角25城数字产业的平均得分仅为0.1,到2015年增长为0.13,2020年为0.19,反映出近五年来该区域数字产业的增长速度明显加快。然而主要城市的数字产业发展具有明显差异。2020年,上海综合得分大于0.6,排名第一,处于长三角地区最高发展水平;其次是苏州、杭州、南京、无锡,综合得分均在0.3～0.6,数字产业处于较高的发展水平;合肥、宁波、嘉兴、常州、湖州等城市综合得分超过平均水平0.1376,但低于0.3,处于中等偏上的发展水平;金华、泰州、温州、南通、滁州、马鞍山、绍兴等城市综合得分在0.1～0.1376,处于中等偏下的发展水平;扬州、舟山、盐城、芜湖、宣城、池州、铜陵、安庆等城市综合得分低于0.1,处于低发展水平。总体来看,当前上海与浙江、江苏主要城市的数字产业发展水平明显更高,而安徽省整体较为落后,芜湖、宣城、池州、铜陵、安庆等市均低于平均得分,仅合肥超过平均得分,排名第六,但与苏杭相比,还有较大差距。

从发展趋势上看,上海和苏州处于我国先进制造业发展的首位和第五位城市(《2020先进制造业城市发展指数》),数字产业一直保持高位增长,得分分别由2010年的0.4138和0.4745增长到2020年的0.6554和0.5578,在长三角地区处于明显的领先地位。其中,苏州的数字制造业具有明显的区位优势。事实上,电子信息产业作为苏州的四大支柱产业之一,经过多年的积累沉淀,已形成较为完整的上下游产业链和具有国际竞争力的产业集群。2021年,苏州电子信息产业总产值达1.16万亿元,位列全国第一方阵,已成为我国重要的电子信息产业生产基地。作为电商之都的杭州,数字产业综合得分由2010年中等发展水平的0.1575,快速增长到2020年较高发展水平的0.4643,年均增长率达11.4%。主要得益于阿里巴巴引领的跨境电商、数字贸易的快速崛起,带动了软件和信息服务业等相关数字产业的高质量发展。在长三角25城市中,合肥虽然最初处于较低水平,但发展速度呈现迅猛趋势,综合得分由2010年的0.0513增长到2020年的0.2183,年均增长率约为15.58%。滁州虽然当前处于中等偏下水平,但发展势头也很明显,年均增长率达到了17.3%。而安庆、铜陵、池州、芜湖、宣城等市近十年来数字产业发展十分缓慢,综合得分一直处于较低发展阶段,没有非常明显的变化。

3.3 空间集聚态势分析

本文采用欧式地理反距离空间权重矩阵,即以各市中心点直线距离的倒数作为权重,利用Arcgis计算长三角城市群各市数字产业发展水平的空间关联性及其分布规律(见表4)。长三角城市群数字产业发展的全域Moran’s I均大于0,2010—2018年在5%显著性水平下通过检验,表示样本在95%的可信度上为集聚状态,而显著偏离了随机分布;2019和2020年的显著性水平分别为0.05和0.069,在10%的显著性下通过检验,表示样本这两年在90%的可信度上为集聚状态,显著偏离了随机分布。总体而言,2010—2020年长三角各城市数字产业发展具有较为显著的空间依赖性,存在正向的空间自相关性,反映各市数字产业发展具有明显的空间集聚特征。但Moran’s I值逐年下降,表明空间集聚特征有所减弱,可能是因为各市数字产业发展的分异化逐渐增加。

表4 长三角城市群数字产业发展的全域空间自相关指数

结合主要年份的局域Moran’s I散点图(图1),进一步分析各市数字产业与周围邻近市集聚或分异的关系变化。在2011年和2020年两个时间截面中,位于第Ⅰ、Ⅱ、Ⅲ、Ⅳ象限的城市数量所占比例分别为12%、32%、42%和14%。其中,第Ⅲ象限所占比例最高,是长三角城市群数字产业空间关联的主要类型,即以“低-低”集聚为主,而“高-高”集聚(第Ⅰ象限)占比偏低。另一方面,2020年相对2011年来说,第Ⅱ象限和第Ⅳ象限的城市数量占比有所上升,即“低-高”分异区和“高-低”分异区的城市数量增加,表明长三角城市群数字产业发展的空间关联性减弱,空间分异特征增强,呈现出强者俞强、弱者俞弱的两级发展趋势,较高发展水平地区的辐射带动作用有限。具体来看,上海、苏州、无锡三市一直处于第Ⅰ象限,即“高-高”集聚区,其数字产业不仅自身发展较好,地理坐标周围城市数字产业发展也相对较好;宣城、芜湖、铜陵、安庆、池州、马鞍山、扬州、温州、盐城等市一直位于第Ⅲ象限,即低-低集聚区,其数字产业不仅自身发展水平偏低,周边邻近城市发展水平也偏低。杭州、南京、宁波一直位于第Ⅳ象限,即“高-低”集聚区,自身数字产业发展水平较高,但周边城市发展水平偏低,表明其数字产业发展对周边城市数字产业的辐射带动作用没有明显体现。值得一提的是合肥市,其数字产业由2011年的“低-低”集聚区突围而出,进入到2020年的“高-低”分异区。

图1 2011年和2020年长三角城市群数字产业发展的局域莫兰散点

4 长三角城市群数字产业发展的驱动因素分析

4.1 变量选取说明

本文的研究对象为数字产业综合发展水平,相关解释变量的获取主要参考国内学者陈美华等[20]、曾武佳等[21]有关数字产业等高新技术产业的研究结论(见表5)。采用面板数据单位根检验发现,数字产业综合得分(ITS)为非平稳面板数据,参考姚震宇[22]的做法采用对数化处理,考虑到数字产业综合得分在0～1,对数化后为负值,故将其乘100后再取对数作为被解释变量。

表5 相关变量选取说明

经济基础(EF) 经济基础是数字产业发展的保障。拥有良好经济基础的城市,可以投入更多经费用于高效集约的现代化基础设施建设,提高人才、信息、资金等要素的流通速度,从而提高数字企业的生产效率,本文选择人均GDP的对数衡量各城市的经济基础。

金融资本便利性(IFI) 数字产业兼具高技术产业发展的高风险高投入特征,金融资本不仅有利于数字技术及其产品的研发和推广,同时城市金融资本获得的便利性也能加速其他制造业、农业等传统产业的信息化、智能化改造,进而提高数字产业的引导性和渗透性。本文选择“北京大学普惠金融指数”[23]的对数来衡量各城市金融资本获得的便利性。

人力资本(HC) 人力资本对数字产业的发展具有不可替代的作用。一方面,专业技术人才凭借自身能力与知识经验,能够突破关键技术、改进生产工艺、研发新产品和创新生产运营模式等,进而推动数字产业发展。另一方面,城市人才聚集,促进了知识和信息传播从而产生外溢效应,加快了生产生活智能应用场景的建设和推广,进一步带动了数字技术的创新和应用。本文以每万人高校在校生人数的对数衡量其人力资本相对量。

政府教育支持(ES)和政府科研支持(ST) 数字产业的发展离不开政策引导和政府扶持。一方面,政府教育支持是地方人力资本积累和研究人才培育的重要支撑,政府科研支持则能缓解企业研发资本约束,降低企业科研风险。本文以财政支出中人均教育经费支出和人均科研经费支出的对数衡量地方政府在教育支持和科研支持上的投入力度。

经济开放性程度(FTD) 经济开放性程度越高,越能促进数字技术企业间的竞争,进而优化市场要素资源分配,带动数字技术产业的创新发展。本文以进出口总额与GDP的比值衡量各市的经济开放性程度。

市场化水平(MI) 良好的制度环境可以调动生产和研发的积极性,增加数字产业的产出效率。本文以樊纲市场化指数的对数反映各市的制度环境。

4.2 基准回归结果

由于空间计量模型要求面板数据必须为平衡面板,而普惠金融指数的编制年份为2011—2020年,因此本研究以2011—2020年的样本进行实证分析。首先进行混合回归,然后运用LM检验空间计量模型是否优于混合回归模型,结果均显著,表明需建立空间计量模型。Hausman检验后,表明固定效应优于随机效应,因此在进行SAR、SEM、SDM、SAC估计时,均采用固定效应,以反距离空间权重矩阵作为空间权重因子。结果如表6所示。

表6 数字产业驱动因素估计结果

比较各模型的可决系数R2和极大似然值,并经过LR检验后,认为具有时空固定效应的空间杜宾模型(SDM)估计更为合适。其中,空间自回归系数ρ在10%的显著性水平下显著,表明城市间数字产业发展具有一定的正向依赖性,与前文空间自相关性分析结果基本一致,即长三角城市群数字产业存在着一定的空间集聚特征(高值集聚或低值集聚)。虽然空间杜宾模型可以估计自变量及其空间滞后项的估计系数,但该系数值并非真实对因变量作用的大小[24],特别是在估计中使用空间距离权重矩阵,需要进一步对其空间效应进行分解,结果见表7。

表7 空间效应分解

经济基础(EF) 直接效应系数为0.118,通过了5%的显著性检验,表明本地城市经济基础越好,数字产业发展水平越高,这与毛丰付等[16]的研究结论相一致。间接效应系数则未通过10%显著性水平检验,表明邻近城市经济基础对本地城市数字产业发展尚未形成显著的影响。事实上,邻近城市经济基础对本地城市数字产业发展的影响取决于两个方面,一方面是邻近城市经济基础的改善会促使本地城市学习、模仿和追随,即同群效应[25],从而有利于本地城市数字产业的发展;另一方面则是本地城市的流动性资源会因其逐利性而流向邻近经济基础较好的城市,从而不利于本地城市数字产业的发展。

金融资本便利性(IFI) 直接效应系数为0.565,通过了1%的显著性检验,表明金融资本普惠性越强的城市,越能促进数字技术的推广,推动数字产业发展。间接效应系数为-0.263,且显著,反映邻近城市金融资本便利性会通过负向空间溢出效应抑制本地数字产业的发展。主要原因是资本的“虹吸效应”,即邻近城市金融便利性水平越高,会进一步吸引和集聚周边城市的金融资本[26],从而导致本地城市资本流失,数字产业发展受阻。

人力资本(HC) 直接效应系数为0.158,且通过5%的显著性检验,表明人力资本的提升对本地数字产业发展有显著的促进作用,这与张帅等[27]的研究结论相一致。间接效应系数为0.102,且通过10%的显著性检验,表明邻近城市人力资本提升对本地城市数字产业发展具有显著促进作用。随着长三角一体化的发展,劳动力要素在城市群内部的流动愈加频繁,人力资本对数字产业发展的空间外溢效应也会逐步显现。

政府教育支持(ES) 直接效应系数和间接效应系数均不显著,可能的原因是数字产业属于资本和技术密集型产业,而根据蒋玉成和贾婷月[28]的研究,教育支出对资本、技术密集型产业的影响有限。

政府科研支持(ST) 直接效应系数和间接效应系数分别为0.076和-0.204,均通过5%的显著性检验,表明本地政府在科研上的支持和投入越大,即创新资金投入越大,越能促进数字产业的创新发展,邻近城市政府科研支持力度的增强则会通过空间溢出效应限制本地数字产业发展。主要原因在于数字产业作为高新技术产业,政府科研支持是降低研发风险的重要保障,数字企业会优先选择政府支持力度大的城市落户,从而形成对邻近城市数字产业的竞争性限制。

经济开放性程度(FTD) 直接效应系数和间接效应系数分别为0.324和0.758,均通过了1%的显著性检验,表明本地城市经济开放性程度越高,越能促进数字产业发展,且邻近城市开放性程度的提升会通过空间溢出促进本地城市数字产业发展。这与焦帅碧等的研究相一致[29]。主要原因在于数字产业本身的高新技术特性,需要加强与外界交流合作,以通过知识和技术外溢来促进自身发展,同时也能带动邻近城市数字产业发展。

市场化水平(MI) 直接效应系数和间接效应系数均不显著,可能的原因是随着长三角一体化发展,使得城市群内各市的市场化水平差异较小[30],但各市数字产业发展则呈现出明显的差异化特征,从而使得两者相关性较弱。

4.3 稳健性检验

为了保证估计结果的可靠性,本研究基于不同空间权重矩阵进行估计结果的稳健性验证。选择一阶Queen近邻矩阵做为空间权重矩阵,再次建立空间自回归模型(SAR)、空间误差模型(SEM)、空间杜宾模型(SDM)和广义空间自回归模型(SAC),所得结果如表8所示。

表8 基于Queen近邻矩阵的回归结果

由表8可知,替换Queen近邻空间权重矩阵后的回归结果与表6基本一致,经济基础(EF)、金融资本便利性(IFI)、人力资本(HC)、政府科研支持(ST)和经济开放性程度(FTD)的回归系数均在10%水平下显著且为正,Queen空间权重矩阵与关键解释变量的交互项W·IFI、W·HC、W·ST、W·FTD的回归系数方向也与基准估计结果相近,且均在10%水平下显著,进一步反映了估计结果的一致性和稳健性。

5 结论和建议

本文综合运用综合评价、空间自相关、空间计量等方法对长三角区域主要城市的数字产业发展水平、时空演变及驱动因素等进行了分析。结果表明:首先,长三角城市群数字产业发展水平综合得分差异明显,上海、苏州、杭州、南京、无锡综合得分较高,而安庆、芜湖、宣城、池州、扬州、盐城等市综合得分偏低。第二,数字产业发展自身具有显著的空间正相关特征,即相邻城市或者距离较近的城市存在着数字产业空间高-高集聚或低-低集聚的特征。第三,经济基础、金融资本便利性、人力资本、经济开放性水平、科研支出水平对本地数字产业的发展具有显著正向影响。人力资本、经济开放性程度具有显著的正向空间溢出效应,即邻近城市人力资本水平、经济开放性程度越高,对本地城市数字产业发展有显著促进作用;金融资本便利性、政府科研支持则有显著的负向空间溢出效应,即邻近城市的金融资本获取越便利、政府科研支持水平越高,越不利于本地城市数字产业发展。根据以上结论,提出以下建议:

一是完善基础设施建设,推动产业高端化升级。基础设施建设是产业发展的基础条件,完善的基础设施建设有利于吸引劳动力、资本等流动性要素,从而带动产业协同集聚,促进产业升级。一方面,要补足交通、能源、水利等传统基础设施建设的短板,着力构建大学科技园区和企业孵化器等,从硬件和软件方面促进合作创新基础设施平台建设;另一方面,适时加大“新基建”投资力度,充分发挥5G、互联网、大数据等新型高端技术对数字产业发展的推动作用。

二是要加强创新投入力度,培育专业化人才队伍。数字产业是以数字技术及其衍生物为内卷动力,为充分激发数字技术的潜力与优势,需要培育人工智能、信息网络、大数据、云服务等数字技术多层次复合型人才,形成一套完整的人才培养和配置体系,为创新发展持续地注入动能。

三是深化城市群内部合作,塑造一体化、开放性的营商环境。通过整合数字技术资源禀赋与产业优势,深化城市群内的多层次、多元化分工协作体制,打造有效衔接的数字产业网络组织体系,推动区域内联动发展,改变数字产业发展的“中心强周边弱”趋势。