基于ＰＳＭ－ＤＩＤ 方法的地方数字经济政策实施成效评估

摘 要： ［目的／ 意义］ 数字经济政策已成为政府促进经济发展的重要政策工具， 实证分析我国地方数字经济政策的实施成效， 有助于推动地方经济实现高质量发展。［方法／ 过程］ 本文利用２０１０—２０２１ 年中国３３７ 个地级及以上城市的面板数据， 采用ＰＳＭ－ＤＩＤ 方法检验了地方数字经济政策对地区经济发展的影响。［结果／ 结论］地方数字经济政策能够显著促进地区经济增长， 但其促进作用存在两年时滞； 人口规模较大或行政等级较高的城市数字经济政策实施成效更显著； 中西部地区数字经济政策对地区经济发展的促进作用超过了东部地区。

关键词： 数字经济政策； 政策评估； 双重差分法； 倾向得分匹配； 地区经济增长

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０１．００３

〔中图分类号〕Ｆ４９ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２５） ０１－００３３－１３

随着大数据、云计算、人工智能和物联网等新一代数字技术的快速发展， 数字经济成为驱动中国经济高质量发展的新动能［１］ 。我国数字经济总体规模已连续多年位居世界第二［２］ ， 根据中国国家互联网信息办公室发布的《数字中国发展报告（２０２２ 年）》显示， ２０２２ 年我国数字经济规模达５０. ２ 万亿元，同比名义增长１０. ３％， 占国内生产总值比重提升至４１. ５％［３］ ， 数字经济已成为推动经济增长的新引擎。党中央与各级地方政府出台的一系列政策文件为数字经济的发展提供了政策保障与方向指引。然而，中国各地数字经济政策是否能促进地区经济显著性增长？ 数字经济政策效果的发挥是否存在一定的时滞效应？ 不同地区的数字经济政策效果是否存在异质性？ 这一系列问题尚未得到充分验证。基于此，本文采用倾向得分匹配—双重差分（ＰＳＭ－ＤＩＤ）方法对地方数字经济政策的实施成效进行评估， 检验地方数字经济政策对地区经济增长的直接影响， 并探讨其时滞性效应和地区异质性。

１ 文献回顾

１. １ 数字经济政策

数字经济以数字技术为基础， 以数据化、网络化、智能化和共享化为特征， 作为一种新型经济形态， 已成为全球经济增长的主要推力和新质生产力的重要构成［４－６］ 。而数字经济政策主要用于促进、规制和治理数字经济发展［７］ ， 经历了从信息化到平台经济、数字经济等不同的政策实践阶段， 数字经济、数字金融和数字贸易的相关政策法规逐渐成为政策聚焦点［８］ 。其中， 国家层面颁布的数字经济政策历经了萌芽、信息化、“互联网＋”、数字经济阶段演进， 政策重点总体上呈现从基础生产制造逐渐转向研发与应用［９］ ； 省际层面制定的数字经济政策从总体上看， 其政策性质、目标和内容等均处于比较完善的水平［１０］ ， 但还存在一定程度的“目标—工具” 不匹配问题［１１］ 。随着中国数字经济进入与实体经济不断融合深化的新阶段， 基础创新能力较弱、发展不平衡、产业数字化程度不高和数字经济治理薄弱等制约数字经济发展的问题愈发突出［１２］ ， 亟需各级政府从数字经济发展专用政策和通用政策两方面完善政策体系［１３］ ， 构建适合数字生产力发展的激励制度和约束制度体系［１４］ ， 探索包括创新、安全、开放合作、协调包容等数字经济深化发展的宏观政策框架［１５］ 。但是， 目前关于数字经济政策评估的研究还较少， 现有研究文献主要集中于数字经济政策文本量化评价［１６－２０］ ， 探讨政策如何促进数字经济的发展［２１－２４］ ， 以及数字经济政策如何促进创新［７，２５］ ， 尚缺乏数字经济政策对经济实证影响的研究。

１. ２ 数字经济对经济增长的影响

数字经济对经济增长的机制主要体现在两个方面： 一方面， 数字经济通过重构生产要素体系、提升全要素生产率、提高资源配置效率、促进产业融合等方式促进经济增长［２６］ ； 另一方面， 数字经济通过产生新的投资需求、增加新消费需求、创造新贸易需求等促进经济增长［２７］ 。王开科等［２８］ 通过构建数字经济投入产出模型， 实证分析发现， 我国数字经济发展可以显著改善社会生产效率。陈昭等［２９］利用熵值法和ＤＥＡ－Ｍａｌｍｑｕｉｓｔ 指数法， 实证检验了数字经济可以通过提升区域创新水平、产业结构升级显著促进经济高质量发展。Ｊｉａｏ Ｓ Ｔ 等［３０］ 运用工具变量法、双重差分法、中介效应模型、空间计量经济模型等多种模型分析发现， 中国数字经济发展对城市经济增长有正向影响。

数字经济对经济增长的促进作用也存在区域异质性。吕明元等［３１］ 发现， 中国区域数字经济总体发展水平虽然稳步提升， 但东部、西部、中部、东北部四大板块数字经济发展差异显著， 且空间分布的非均衡性和渐进演进态势可能会影响到数字经济对区域经济增长的整体效果。郑嘉琳等［３２］ 证实了数字经济对我国经济高质量发展的影响存在显著的区域差异， 其中西部地区受益最大， 中部地区受益最小。杨文溥［３３］ 采用面板门限模型， 发现数字经济对发达地区经济增长的促进作用强于落后地区。陈昭等［２９］ 发现， 数字经济对经济高质量发展具有促进作用， 但是异质性分析发现对中西部地区、高生产率地区与高人力资本水平地区影响更显著。姚常成等［３４］ 发现， 基础设施水平、城市创新水平以及市场化水平偏高的地区， 数字经济对区域经济的包容性增长效应更加突出。

数字经济对地区经济发展的影响具有时滞性。数字经济从建立、发展到其对区域创新格局产生影响需要一定的时间［３５］ 。数字经济与区域经济增长是周期性波动的， 尤其是数字技术的投入带来的波动变化较大， 这可能会对区域经济的稳定增长造成一定的影响［３６］ 。Ｚｈｏｕ Ｍ［３７］ 发现， 随着数字经济的持续发展， 区域经济差距呈现先扩大后缩小的倒Ｕ型趋势。

综上所述， 基于区域经济角度， 由于地区间的产业结构、资源禀赋、技术发展和政策实施情况等方面的差异， 数字经济在不同地区对经济的影响可能存在差异。在政策实施方面， 不同地区的政策措施差异会对数字经济发展产生不同影响， 并且这种影响与地区的产业结构、资源禀赋等相互交织， 这些因素如何共同塑造数字经济的区域效应仍有待进一步研究。由于地区间的初始条件不同， 数字经济政策在不同地区的经济影响可能存在差异， 这种差异可以通过ＰＳＭ－ＤＩＤ 方法进行准确地识别和分析。ＰＳＭ 方法通过综合考虑地区的产业结构、资源禀赋等特征， 将实施数字经济政策的地区（处理组）和未实施的地区（控制组）进行匹配， 以确保两组在这些特征上具有可比性。ＤＩＤ 方法则进一步利用处理组和控制组在政策实施前后的差异来估计数字经济政策的净效应。因此， 本文将结合ＰＳＭ 与ＤＩＤ 方法识别数字经济政策在不同地区的影响， 以及这些影响如何受到地区特征的调节。

２ 研究设计

２. １ 数据来源

为了准确、全面评估数字经济政策的实施效果，本文以中国３３７ 个地级及以上城市作为研究样本，以２０１０—２０２１ 年作为样本区间。主要原因如下： 首先， 根据中国国家统计局公布的数据， ２０１０ 年中国国内生产总值达到４０ 万亿人民币， 人均ＧＤＰ 从８ ５９２元增加到２９ ６７０元， 中国正式成为世界第二大经济体。与此同时， 《国务院关于加快培育和发展战略性新兴产业的决定》明确将新一代信息技术产业作为战略性新兴产业之一进行重点培育和发展， 强调加快建设宽带、泛在、融合、安全的信息网络基础设施， 推动新一代移动通信、下一代互联网核心设备和智能终端的研发及产业化， 为数字经济未来发展奠定了基础。因此， 本文选择２０１０ 年作为起始年进行考察。其次， 选择３３７ 个地级及以上城市涵盖了中国不同区域、不同规模和不同发展水平的城市类型， 能够全面地反映数字经济政策在不同地区、不同条件下的实施效果。在数据来源方面， 各城市年度地区生产总值、第三产业占比、人口密度等经济社会数据主要通过《中国城市统计年鉴》《中国统计年鉴》《中国城市建设统计年鉴》、各省或市国民经济和社会发展统计公报及统计年鉴、国泰安数据库、中国经济社会大数据研究平台等获取， 个别缺失数据借助线性回归预测的方式进行预测填补， 共计获得４ ０３２条有效数据。

２. ２ 变量定义

本文的研究重点是地方数字经济政策实施对地区经济发展的作用， 以及对地区差异性进行详细分析。但是考虑到地区经济发展受到多方面因素的影响， 结合已有文献与本文研究问题的实际情况， 本文的变量选取、定义和计算方法等如表１ 所示。

１） 被解释变量。数字经济政策能够直接影响经济发展水平， 而经济发展水平的变化能够在一定程度上反映数字经济政策的作用效果。因此， 本文采用地区经济发展水平作为衡量数字经济政策效果的结果变量。具体而言， 本文采用常用的地区实际ＧＤＰ 的对数作为结果变量度量各城市经济发展水平。

２） 核心解释变量。本文的核心解释变量是地方政府的数字经济政策采纳情况， 将其构建为一个虚拟变量ｄｉｇｉｔ ， 该变量用于表示城市ｉ 在第ｔ 年是否采纳了数字经济政策。具体而言， 若某城市ｉ 第ｔ 年已颁布数字经济政策， 则视为采纳， 并将虚拟变量赋值为１， 否则赋值为０。

３） 控制变量。为控制地方政府数字经济政策采纳行为以外的其他外生因素对城市经济发展水平的影响， 本文借鉴现有相关研究成果， 并基于数据的可获取性， 共选取９ 个控制变量。在经济发展中，地区经济增长离不开产业规模的扩张［４６］ ， 本文采用规模以上工业企业数度量产业规模化程度； 外商投资对区域经济发展有正向外溢作用［４７］ ， 本文通过实际利用外资额度量各城市的对外开放程度； 人口密度对经济发展影响比较复杂［４８］ ， 本文将其纳入控制变量以揭示其在本研究情境中的作用机制； 虽然产业结构高级化程度对经济发展影响不确定［４９］ ， 但为避免估计结果有偏误， 本文亦将其考虑在内； 已有研究证实了城市化水平对区域经济发展有驱动作用［５０］ ；普通高等学校在校学生数量反映各地区高学历层次人才积累［５１］ ， 高等教育能够直接拉动经济发展［５２］ ，本文采用普通高等学校在校生数量衡量城市人力资本水平； 考虑到中国重视政府调控在资源配置和经济发展中的作用［５３］ ， 且已有研究指出不同财政支出对经济发展作用不同［５４］ ， 本文选用较常使用的地方财政预算内支出衡量政府调控； 金融发展水平影响经济发展［５５］ ， 本文使用金融机构存贷款余额衡量；最低工资制度对经济增长具有影响［５６］ ， 因此本文采用职工平均工资的对数值衡量收入水平。表２ 为被解释变量、控制变量描述性统计分析结果。

２. ３ 倾向得分匹配

在政策评估研究中， 倾向得分匹配方法用于减少处理组与对照组之间的选择偏差。逐期匹配方法能够根据不同时期的特征进行匹配， 从而更好地捕捉政策效应随时间的潜在变化。核匹配作为一种非参数方法， 能够有效降低由于协变量分布差异引起的选择偏差。本文参照斯丽娟等［５７］ 的做法， 以控制变量为协变量， 构建Ｌｏｇｉｔ 回归模型， 采用核匹配方法分别对２０１０—２０２１ 年的样本数据进行逐期匹配。结果如表３ 所示， 全部协变量进行匹配后的标准偏差明显降低， 大部分降幅在１０％ 以内， 表明匹配过程有效地减少了处理组和对照组在协变量上的变异性。此外， ＰＳ Ｒ２、ＬＲ ＣＨＩ２、ＭｅａｎＢｉａｓ 等指标在匹配后的标准偏差均显著下降， 进一步证实了匹配后样本在关键协变量上的平衡性得到了明显提升。

为确保倾向得分匹配结果的可靠性和有效性，本文进一步进行了共同支撑假设检验。共同支撑假设要求处理组（Ｔｒｅａｔｅｄ）和未处理组（Ｕｎｔｒｅａｔｅｄ）的倾向得分必须在一个共同的范围内有重叠， 以确保匹配的样本可比。根据表４ 所示， ２０１０—２０２１ 年处理组（Ｔｒｅａｔｅｄ）和未处理组（Ｕｎｔｒｅａｔｅｄ）的样本数量都显示出明显的重叠， 表明共同支撑假设得到了满足。

２. ４ 模型设计

为检验已采纳数字经济政策的城市在政策实施后的具体政策效果， 本文采用多时点双向固定效应双重差分模型。具体的计量模型如式（１） 所示：