产业经济与创新发展

数字产业集群发展水平评价及其时空演变

  • 卢福财 ,
  • 钟诗韵 ,
展开
  • 江西财经大学 应用经济学院(数字经济学院),中国江西 南昌 330013
※钟诗韵(1996—),女,博士研究生,研究方向为数字经济与产业创新发展。E-mail:

卢福财(1963—),男,博士,教授,博士生导师,研究方向为数字经济与产业创新发展。E-mail:

收稿日期: 2023-11-14

  修回日期: 2024-06-26

  网络出版日期: 2024-09-14

基金资助

国家社会科学基金重大招标项目(23&ZD073)

国家自然科学基金项目(72373056)

国家自然科学基金青年项目(72201114)

江西省社会科学基金重点项目(23ZXQH08)

江西省2022年度研究生创新专项资金项目(YC2022-B169)

江西省2023年度研究生创新专项资金项目(YC2023-B198)

Evaluation of the Development Level of Digital Industry Clusters and Its Spatiotemporal Evolution

  • LU Fucai ,
  • ZHONG Shiyun ,
Expand
  • School of Applied Economics (School of Digital Economics),Jiangxi University of Finance and Economics,Nanchang 330013,Jiangxi,China

Received date: 2023-11-14

  Revised date: 2024-06-26

  Online published: 2024-09-14

摘要

文章从数字产业集群演化视角出发,结合区位商和社会网络分析法从中国302个城市中识别出36个数字产业集群;同时综合运用动态改进理想解法首次测算了数字产业集群发展水平,并通过整体与维度分析探究其区域差异及来源和分布动态。结果表明:①中国数字产业集群发展水平呈逐年增长趋势。②支持度及其增长率最高,是数字产业集群发展的“压舱石”;关联度增长率最低,是最具潜力的发展点。③区域差异呈微弱缩小趋势,主要源自区域间差异和超变密度。④数字产业集群发展具有稳定性和俱乐部趋同特征。从趋势预测来看,中国数字产业集群随时间的推移而逐步提升,但近邻水平越高越影响本地发展水平向高值集中的趋势。因此,要创新数字产业集群合作模式,探究兼顾异质性与长效性的协调发展路径和完善区域间关联互动机制,以保障打造具有国际竞争力的数字产业集群目标的实现。

本文引用格式

卢福财 , 钟诗韵 . 数字产业集群发展水平评价及其时空演变[J]. 经济地理, 2024 , 44(6) : 113 -123 . DOI: 10.15957/j.cnki.jjdl.2024.06.012

Abstract

From the perspective of digital industry cluster evolution,this study identifies 36 digital industry clusters from 302 Chinese cities using the methods of the locational quotient and the social network analysis. It employs the dynamic improved TOPSIS to measure the development level of digital industry clusters,and explores their regional differences,sources,and distribution dynamics through overall and dimensional analysis. The research shows that: 1) The development level of China's digital industry clusters has been increasing year by year. 2) The support degree and its growth rate are the highest,serving as the "ballast" for the development of digital industry clusters,while the correlation degree has the lowest growth rate,representing the most potential development point. 3) Regional differences show a slight narrowing trend,mainly originating from regional disparities and super-variable density. 4) The development of digital industry clusters demonstrates stability and club convergence characteristics. From the trend forecasts,China's digital industry clusters are gradually improving over time,but the higher the neighboring level,the more it affects the trend of local development level concentrating towards higher values. Therefore,it is necessary to innovate cooperation models for digital industry clusters,explore coordinated development paths that balance heterogeneity and long-term effectiveness,and improve inter-regional interaction mechanisms,thereby creating digital industry clusters with international competitiveness.

党的二十大报告提出“加快发展数字经济,促进数字经济和实体经济深度融合,打造具有国际竞争力的数字产业集群”[1]。以数据资源作为生产要素的数字经济正在成为我国经济发展的重要推动力,打造具有国际竞争力的数字产业集群是拥抱新一轮数字革命浪潮的客观抉择,也是提振内需、推动经济高质量发展的现实需要。截至2022年3月底,全国拥有超过200家数字经济产业园,以数字经济为主导的先进制造业集群占比超过60%[2]。那么,什么是数字产业集群?如何衡量数字产业集群发展水平?数字产业集群的发展趋势如何?是否存在区域差异?基于此,本文在测度中国数字产业集群发展水平的基础上,深入探究中国数字产业集群的变化趋势,以有助于政府了解数字产业集群发展情况,并为今后制定相关政策措施提供决策参考。
数字产业的内涵经历了从狭义的信息通信技术(ICT)产业向广义的数据要素、数字技术驱动的经济活动的演变。相应的数字产业测度方法可分为三类:一是从数字企业数量或资本的微观视角衡量[3];二是从产业的规模、主体、创新等中观视角测度[4-5];三是从投入产出表的宏观视角分析[6-7]。产业集聚的内涵及测度研究分为两类:一是实体产业集聚,指地理空间上的资源集中与要素配置[8],以区位指标密度、空间相关性、企业间线性距离、企业间联系聚类来衡量,或采用区位商指数和E-G指数结合等多种方法组合测度[9];二是虚拟产业集聚,指依托数据要素和数字技术,在虚拟空间中形成的跨区域资源整合和高效利用的网络生态系统[10],采用创新指数、地理集中化指标、地理距离外溢衰减指数等来表征[11]。目前,数字产业集群的研究主要包含内涵特征和实现路径。从内涵特征看,学界将数字产业集群的内涵概括为以新发展理念为引领,从事数字产业的企业以及配套组织在空间集聚或互联网平台上集聚,围绕创新链产业链资金链人才链相互融合、协同发展,形成彼此联结、共生、竞争、合作关系的群体[12-13];从实现路径来看,数字产业集群源自数字经济的蓬勃发展,因此普遍将数字技术、数字产业链韧性、产业融合作为数字产业集群发展的关键环节[14-15]
从已有研究文献来看,虽然近年来关于数字产业集群的研究逐渐增加,但该领域仍有很大的拓展空间。第一,尽管数字经济和产业集群的研究均较为丰富,但将两者结合的研究相对匮乏,特别是缺乏从数字产业集群视角来分析数字经济发展情况的实证研究;第二,现有产业集群的测度方法主要基于传统产业集聚指标,如区位商、E-G指数等,缺乏反映数字产业集群集聚特征和演化过程的测度指标;第三,虽然数字产业集群被视为推动区域经济发展的重要引擎,但缺少基于实证以及针对不同区域的差异化政策建议。鉴于此,本文采用城市口径数据,系统开展中国数字产业集群的水平测度、区域差异和动态演进研究。首先,本文从数字产业集群的演化角度出发,构建包含集中度、关联度、贡献度和支持度4个维度的指标体系,测算全国36个数字产业集群的发展水平;其次,运用整体与维度分析、Dagum基尼系数及其分解、核密度估计和空间马尔科夫链方法,深入研究全国重大战略区域数字产业集群发展水平的区域差异情况及动态演进特征;最后,本文结合特征事实、区域差异和分布动态的结果,针对不同发展阶段和不同地区特征,差异化地提出创新数字产业集群合作模式,探究兼顾异质性与长效性的协调发展路径和完善区域间关联互动机制的政策建议,为出台全国性和区域性的数字产业集群发展政策,加快数字经济高质量发展步伐提供理论依据和量化支持。

1 中国数字产业集群发展水平的测算

1.1 数字产业集群的内涵与形成过程

本文参照《数字经济及其核心产业统计分类(2021)》[16],将数字产业集群定义为:以新发展理念为引领,由从事数字经济核心产业(数字产品制造、数字产品服务、数字技术应用、数字要素驱动)的企业主体,与其具有分工合作关系的不同规模企业,以及相关支持机构和组织共同构成,通过纵横交错的网络关系紧密联系在一起的城市集聚体。
数字产业集群作为数字产业演进的高级形态,其构建是真实空间集聚模式与虚拟空间集聚模式的结合,是数字产业链的集聚。基于此,本文从数字产业集群的内涵与特征出发,将数字产业集群的形成和演进过程分为“数字企业产生—数字产业集聚—数字产业生态—数字产业集群”4个阶段(图1)。
图1 数字产业集群的形成与演进过程

Fig.1 Formation and evolution process of digital industrial cluster

首先,以数据要素为核心资产的数字企业开始出现,随着数字产业及其相关要素不断发展,数字企业在地域空间上形成了聚集趋势和集中分布,也跨越物理边界形成了虚拟联系。其次,随着数字技术的创新发展,数字企业的“虚实”结合形成了产业链和创新链,数字产业集聚出现,产生了规模效应和知识溢出效应推动数字产业效率显著提升。再次,产业间的协作更加开放、众包模式兴起,主要是因为数字企业通过平台方式实现了相关数据资源的无缝对接和互动,人工智能分析使供应链互通协作变得更加柔性、精准和有效,两者相结合无边界地汇集数字劳工参与分工,专业分工效应和竞合效应凸显,形成数字产业生态。最后,从事数字产业的各类参与者通过数据驱动和协同创新,促进了内部企业以把握市场趋势和用户需求为目的的协作研发生产,形成以企业与用户互惠互利的价值创造模式,产生的极化效应和网络效应促进了产业链进一步延伸和完善,最终形成了完整的数字产业集群。

1.2 数字产业集群的识别

已有集群研究发现,定量测度产业空间集聚状态的有效方法是运用基于行政单位的空间数据和区位商指标[17]。基于此,本文将地级及以上城市作为分析的空间单元,考虑到数字产业集群的实体集聚模式和虚拟集聚模式,本文综合运用区位商和基于社会网络分析的创新联系强度,识别并判断已形成数字产业集群的城市[18]。具体如下:
步骤1,集聚度计算。本文采用区位商 L Q = X i / X / Y i / Y从就业人数(信息传输、计算机服务和软件业从业人员数)和科技产出(数字经济发明专利数量)方面分别计算2012—2021年城市数字产业集聚度,再以自然断裂法划分的中高值区下界以及区位商的第80个百分位数作为下限,筛选确定北京等88个潜在城市数字产业集群。
步骤2,基于社会网络分析的数字产业集群创新联系测度。首先,参照《数字经济核心产业分类与国际专利分类参照关系表(2023)》[19],通过申请专利的IPC号在IncoPat平台检索联合申请专利,在确定申请时间(2012—2021年)、申请主体(剔除个人类型)后,得到587205条数据,结果如图2。然后,根据本地创新联系和集群间的创新联系,确定36个数字产业集群。从表1可以看出,中国数字产业集群主要集中分布在沿海的环渤海、长三角和珠三角等地区,其余零散地分布在各省的省会城市,形成数字产业集群的城市不仅代表了中国数字产业发展的前沿,也是数字经济增长最为迅速的区域。这与《中国数字经济发展报告(2022年)》[2]和《城市数字化发展指数(2022)》[21]的测算结果接近。
图2 中国潜在数字产业集群关联网络

注:该图基于自然资源部标准地图服务网站审图号为GS(2023)2763号的标准地图制作,底图无修改。图3同。

Fig.2 Association network of potential digital industrial clusters in China

表1 中国36个数字产业集群区域分布

Tab.1 Regional distribution of 36 digital industry clusters in China

序号 区域类型 数字产业集群 个数(个)
1 东北经济区 沈阳*、长春*、哈尔滨*、大连 4
2 北部沿海经济区 北京**、天津**、青岛、济南*、石家庄* 5
3 东部沿海经济区 上海**、南京*、杭州*、苏州、宁波、无锡 6
4 南部沿海经济区 深圳、广州*、佛山、福州*、珠海、东莞、厦门 7
5 黄河中游经济区 西安*、太原*、许昌、郑州* 4
6 长江中游经济区 武汉*、合肥*、长沙*、南昌* 4
7 西南经济区 成都*、重庆**、昆明*、贵阳* 4
8 西北经济区 兰州*、西宁* 2

注:以集群的中心城市命名数字产业集群,*代表省会城市,**代表直辖市;本文采用八大经济区划分方法分类[20]

1.3 数字产业集群发展水平的测算

1.3.1 指标体系构建

根据数字产业集群的内涵、特征与演化机制,在复杂自适度系统理论的分析框架下[22],从演化视角出发,采用集中度、关联度、贡献度和支持度刻画演化主体的行为结果,以此测算数字产业集群发展水平[23]。具体来说:①集中度是数字产业集群发展的基本前提和基础,表现为集群内企业集聚程度和相关要素资源的汇聚程度,其中,数字企业是地区数字产业集群发展的核心力量和数字经济高质量发展的重要体现,数字企业数量比例增长也是数字产业集群规模化的直接体现。②关联度是数字产业集群发展的内在本质,主要包括集群企业间的合作关系,例如产业链、价值链等横纵向关联结构。数字产业集群关联的特殊性在于其虚拟集聚模式,以及数字产业的平台创造性和技术支撑性,这颠覆了以往产业集群的关联方式,决定了数字产业集群虚实结合的关联结构。③贡献度是数字产业集群发展的目的和结果。数字产业集群汇聚了各种专业性数字技术、数字人才和资本等关键要素,通过提高资源的易获取性和利用效率,以及促进知识的快速流动,显著提升了企业的创新能力和经济效益,同时扩大了整个集群的社会影响力。④支持度是数字产业集群发展的外在条件,政府构建了数字产业集群发展的主体外部力量;交易网络是保障数字产品和数据要素市场公平竞争的外在环境;资本网络则为集群内部企业及其支持机构的发展提供资金支撑[24]。选取的具体指标见表2
表2 数字产业集群发展水平的指标体系

Tab.2 Index system of the development level of digital industry cluster

一级指标 二级指标 三级指标 指标属性 数据来源
集中度 企业密度 数字企业数量/地理面积 正向 企查查数据库、《中国城市统计年鉴》
人力集聚 区位商 正向 EPS数据库、《中国城市统计年鉴》
关联度 产业链分工 数字产业上市公司供应商公司集中度 负向 CSMAR数据库
数字产业上市公司客户公司集中度 负向
创新链协同 集群内联合发明专利申请强度 正向 Incopat专利数据库
集群间联合发明专利申请强度 正向
贡献度 经济效益 邮电业务贡献比 正向 CNRDS数据库
数字产业上市公司纳税额 正向
创新成果 数字经济发明专利授权量/总发明专利授权量 正向
社会影响 就业贡献量(信息传输、计算机服务和软件业从业人员)[25] 正向 《中国城市统计年鉴》
支持度 基础网络 政府数字化注意力 正向 北大法宝以及各地方政府门户网站
交易网络 市场化程度[26] 正向 各省份统计年鉴以及地级市统计公报
资本网络 金融网点数量 正向 国家金融监督管理总局
数字普惠金融指数[27] 正向 北京大学普惠金融指数
数字企业数量基于《数字经济及其核心产业统计分类(2021)》确定,通过利用该分类中的四位行业代码,从企查查数据库筛选得到截至2023年7月正常经营的大中小型企业,并以前一年存量表征当年数量[7];数字产业上市公司范围是根据《数字经济及其核心产业统计分类(2021)》,确定数字产品制造业、数字产品服务业、数字技术应用业和数字要素驱动业对应的二位行业代码,再从它们的行业名称与对应说明中收集关键词汇构成词库,据此对上市公司的经营范围进行筛选匹配,从而确定数字产业上市公司

1.3.2 测算方法

本文采用基于相对熵距离的动态改进理想解法、二次加权法测度数字产业集群发展水平[27],在此基础上使用二次加权法测度整体水平[28],测算具体步骤如下:
假设待评价对象m个,指标n项,时间N个。第 i = ( 1,2 , , m )个待评对象的第 j ( j = 1,2 , , n )项指标在第 t k ( k = 1,2 , , N )时刻的指标数据值是 x i j ' t k
步骤一,无量纲化处理[28]。本文对各指标进行无量纲化处理得到 x i j ' t k
步骤二,基于相对熵距离的动态理想解法[29]。根据改进熵权算式、与正负相对熵的距离计算出各数字产业集群的相对贴近度即各数字产业集群发展水平 d i c i t k
步骤三,二次加权法[30]。在得到 d i c i t k的基础上,依照公式(1)的“厚今薄古”思想得到时间权重,最终算出2012—2021年各数字产业集群总体发展水平(D I C i)。
D I C i = d i c i · e - ( k - N ) 2 2 k = 1 N e - ( k - N ) 2 2

1.3.3 测算结果

基于相对熵距离的动态理想解法测算得到2012—2021年中国36个数字产业集群发展水平与总体数字产业集群发展水平(表3)。
表3 中国数字产业集群发展水平的测度结果

Tab.3 Measurement results of the development level of China's digital industry cluster

区域 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 综合水平 排名
全国 0.2856 0.3204 0.3411 0.3736 0.3915 0.4160 0.4300 0.4532 0.4540 0.4712 0.4636
大连 0.2964 0.3012 0.2652 0.3947 0.4378 0.4352 0.4114 0.4318 0.4403 0.4796 0.4619 16
哈尔滨 0.2779 0.3686 0.3512 0.3386 0.3470 0.3925 0.4050 0.4239 0.4450 0.4620 0.4528 19
沈阳 0.2760 0.2949 0.3192 0.3636 0.4078 0.4135 0.4086 0.4075 0.4102 0.4411 0.4276 22
长春 0.2685 0.2827 0.3041 0.3471 0.3188 0.3589 0.3433 0.3571 0.3752 0.3860 0.3798 29
东北 0.2797 0.3118 0.3099 0.3610 0.3778 0.4000 0.3921 0.4051 0.4177 0.4422 0.4305
北京 0.7469 0.7976 0.8403 0.8524 0.8441 0.8139 0.8330 0.8551 0.8514 0.8595 0.8562 1
天津 0.2534 0.2785 0.3324 0.3263 0.3838 0.4080 0.4511 0.5007 0.4861 0.5011 0.4955 12
石家庄 0.1686 0.2036 0.2252 0.3522 0.3577 0.4042 0.4576 0.4716 0.4817 0.4960 0.4889 13
济南 0.2355 0.2973 0.3769 0.4079 0.4220 0.4345 0.4448 0.4140 0.4415 0.4742 0.4581 17
青岛 0.2383 0.2392 0.2590 0.2776 0.3145 0.3484 0.3717 0.4103 0.3897 0.4362 0.4177 25
北部沿海 0.3285 0.3632 0.4068 0.4433 0.4644 0.4818 0.5116 0.5304 0.5301 0.5534 0.5433
上海 0.4705 0.6005 0.6018 0.6273 0.6176 0.6333 0.6667 0.6940 0.7040 0.7035 0.7027 2
杭州 0.3748 0.4345 0.4477 0.4655 0.4816 0.5250 0.5532 0.5937 0.5943 0.6209 0.6092 5
南京 0.3342 0.4640 0.5078 0.5193 0.5455 0.5569 0.6018 0.6029 0.5916 0.6058 0.6006 6
苏州 0.2367 0.2637 0.2817 0.3135 0.3300 0.3611 0.3707 0.4078 0.4159 0.4340 0.4253 23
宁波 0.2482 0.2841 0.3247 0.3248 0.3445 0.2540 0.2438 0.2727 0.2885 0.3044 0.2961 34
无锡 0.0781 0.1198 0.1628 0.1931 0.2178 0.2483 0.2703 0.2531 0.2540 0.2873 0.2730 35
东部沿海 0.2904 0.3611 0.3878 0.4073 0.4228 0.4298 0.4511 0.4707 0.4747 0.4927 0.4845
深圳 0.4566 0.5246 0.5082 0.5351 0.5708 0.6003 0.6415 0.6799 0.6662 0.7031 0.6881 3
广州 0.3410 0.3980 0.4151 0.4634 0.5004 0.5330 0.5852 0.5991 0.6184 0.6414 0.6298 4
厦门 0.3070 0.3302 0.3480 0.3763 0.3924 0.4089 0.4266 0.5134 0.4715 0.4525 0.4636 15
福州 0.3176 0.3632 0.3939 0.4545 0.4232 0.4488 0.4629 0.4593 0.4372 0.4625 0.4535 18
珠海 0.2801 0.2977 0.3177 0.3787 0.3636 0.3868 0.3940 0.4557 0.4360 0.4385 0.4387 21
东莞 0.2411 0.2607 0.2765 0.2871 0.3337 0.3540 0.3683 0.3738 0.3727 0.3983 0.3873 28
佛山 0.2527 0.2517 0.2757 0.3072 0.3315 0.3525 0.3691 0.3794 0.3657 0.3722 0.3705 30
南部沿海 0.3137 0.3466 0.3621 0.4003 0.4165 0.4406 0.4639 0.4944 0.4811 0.4955 0.4902
郑州 0.2447 0.2943 0.3250 0.3530 0.3698 0.3934 0.4078 0.4975 0.5074 0.5143 0.5099 9
西安 0.3355 0.4036 0.3488 0.3903 0.4053 0.4333 0.4714 0.4732 0.4807 0.5120 0.4979 11
太原 0.1922 0.2005 0.2122 0.1686 0.2672 0.3526 0.2981 0.3515 0.3355 0.3670 0.3545 32
许昌 0.2027 0.2274 0.2543 0.3141 0.2759 0.3007 0.3017 0.3230 0.3176 0.3340 0.3272 33
黄河中游 0.2438 0.2815 0.2851 0.3065 0.3295 0.3700 0.3697 0.4113 0.4103 0.4318 0.4224
武汉 0.2996 0.3179 0.3358 0.3556 0.3961 0.4194 0.4695 0.4885 0.5046 0.5323 0.5189 8
合肥 0.2671 0.2808 0.3263 0.3810 0.3754 0.3935 0.4187 0.4224 0.4521 0.4810 0.4661 14
长沙 0.2415 0.2634 0.2820 0.3311 0.3416 0.3884 0.3905 0.4152 0.4297 0.4535 0.4419 20
南昌 0.2713 0.3123 0.3530 0.3637 0.3678 0.3740 0.3659 0.3906 0.4070 0.4074 0.4057 26
长江中游 0.2699 0.2936 0.3243 0.3578 0.3702 0.3938 0.4112 0.4291 0.4484 0.4686 0.4581
成都 0.4168 0.3706 0.3970 0.4209 0.4859 0.5234 0.5461 0.5525 0.5071 0.5288 0.5232 7
重庆 0.4431 0.4152 0.4694 0.4764 0.4311 0.4530 0.4717 0.4931 0.4921 0.5141 0.5046 10
贵阳 0.2214 0.2684 0.2705 0.3210 0.3657 0.4276 0.3915 0.4456 0.4063 0.4336 0.4248 24
昆明 0.2401 0.2563 0.2880 0.3003 0.3314 0.3562 0.3694 0.3671 0.4075 0.3805 0.3887 27
西南 0.3304 0.3276 0.3562 0.3796 0.4035 0.4400 0.4447 0.4646 0.4533 0.4642 0.4603
西宁 0.1767 0.2219 0.2161 0.2758 0.2905 0.3302 0.3444 0.3604 0.3749 0.3636 0.3671 31
兰州 0.0281 0.0439 0.0646 0.0934 0.1031 0.1590 0.1536 0.1777 0.1844 0.1796 0.1809 36
西北 0.1024 0.1329 0.1404 0.1846 0.1968 0.2446 0.2490 0.2690 0.2797 0.2716 0.2740

2 数字产业集群发展水平的时空演变分析

2.1 时空特征事实描述

2.1.1 整体及各区域的时空特征事实描述

中国数字产业集群发展水平存在明显的“东高西低”“沿海高于内陆”的不均衡空间分布特征,具体如图3。整体来看,全国数字产业集群发展水平呈现逐年上升的动态特征,5.13%的年均增长率凸显了数字产业集群的巨大发展潜力,也印证了数字经济、数字产业发展成果的高效转化。然而尽管增长态势明显,数字产业集群在形成和效应释放的方面仍有较大的提升空间。
图3 中国数字产业集群发展水平的空间分布

Fig.3 Spatial distribution characteristics of the development level of China's digital industry clusters

从各经济区数字产业集群发展水平来看,各区域均呈现波动上升趋势。北部沿海、南部沿海、东部沿海始终保持领先地位,构成了数字产业集群发展的第一梯队。相比之下,西南、长江中游、黄河中游、东北、西北数字产业集群发展水平均低于全国平均水平,形成了明显的区域梯度。西北经济区以10.24%的年均增长率领跑,展现出强劲的后发优势,黄河中游(5.88%)、长江中游(5.67%)和东部沿海经济区(5.43%)紧随其后,保持较快的增速,西南经济区的年均增长率(3.46%)相对较低,但仍保持正增长。从各城市数字产业集群发展水平来看,研究期间年均增长率基本为正,数字产业集群整体呈现出良好的发展趋势,区域间和城市间的数字产业集群发展水平和增长率基本呈现反比关系,表明全国层面相对差距正在逐渐缩小,落后地区后发优势的动力显现,增长潜力释放。

2.1.2 分系统的时空特征事实描述

全国整体层面上,数字产业集群各子系统均呈波动增长态势。表4显示,支持度的表现最为突出,其年增长率(14.20%)和发展总体水平(0.5736)最高,这得益于我国数字经济政策出台数量的井喷式增长,为数字产业集群的发展提供了良好的外部环境。集聚度相对较低,表明数字产业集群内生产要素的集中程度有待提升。从各区域的分系统时空演变特征来看,北部沿海、南部沿海和东部沿海经济区的各系统水平相对领先,东北、黄河中游和西北经济区相对滞后。值得关注的是除西北和西南经济区的集聚水平、东北经济区的关联水平呈下降趋势外,其余地区的发展趋势与全国整体变化保持一致。
表4 分指标层的中国数字产业集群发展水平测度结果

Tab.4 The measurement results of the development level of China's digital industry cluster by index level

年份 集聚度 关联度 贡献度 支持度
2012 0.2581 0.3796 0.2494 0.1559
2013 0.2901 0.3965 0.2742 0.2197
2014 0.3105 0.3962 0.2823 0.2782
2015 0.3229 0.3993 0.3036 0.3710
2016 0.3274 0.4011 0.3206 0.4230
2017 0.3470 0.3992 0.3789 0.4759
2018 0.3456 0.4103 0.3984 0.5006
2019 0.3672 0.4241 0.4100 0.5372
2020 0.3711 0.3991 0.4212 0.5592
2021 0.3964 0.4109 0.4244 0.5881
总体水平 0.3850 0.4078 0.4220 0.5736
增长率(%) 4.38 0.80 5.46 14.20
从分系统的时空演变特征来看,基本呈现出从东部向西部、沿海向内陆依次递减的趋势,沿海地区基本处于各子系统前列。北京的创新资源优势及其科技创新中心的功能定位,构成较为完整的数字产业链条并辐射周边城市,带动北部沿海在集聚度和关联度上稳居第一。深圳和广州“双城”联动推动创新平台和产业园区建设,汇聚了大量创新要素以及腾讯、华为等数字型头部企业,充分发挥了当地固有优势和数字产业集群发展红利。东部沿海经济区布局形成以数字产业为中心的“沿江向海,九城联动”的长三角数字经济发展格局,打造了数据资源循环流通、共享、共创的数字产业集群创新生态圈。西南经济区依托“西部大开发”战略,享有一定的政策体系和制度环境,例如成渝是第一批国家数字经济创新发展试验区,贵州的国家大数据(贵州)综合试验区,成为西南经济区数字产业集群发展高地。长江中游和黄河中游经济区作为数字产业集群发展的次极区,东部沿海和南部沿海经济区的集聚产生外溢效应带来的正外部性推动长江中游经济区集聚度增长迅猛,拥有较强的发展潜力。而尚未迎来转型升级的东北经济区作为传统重工业的核心地带对数字产业的生产需求较为疲软,在数字产业与其他制造业的关联上存在障碍[31]。西北经济区产业发展能力差,不仅获取数据要素和数字人才等资源难度大,处于关联网络边缘位置甚至会流失自身生产要素。

2.2 空间演变特征分析

2.2.1 区域差异分解

基尼系数及其分解方法被应用于各类区域差异问题的研究[32]。本文采用Dagum基尼系数对数字产业集群发展的相对区域差异进行测算和分解,进一步分析数字产业集群发展的总体差异及来源。Dagum基尼系数及其分解方法将总体基尼系数 G分解为区域内差异 G ω、区域间差异 G n b、超变密度贡献 G t三部分[33],本文具体结果见表5
表5 中国数字产业集群发展水平的区域差异来源分解

Tab.5 Source decomposition of regional differences in the development level of China's digital industry clusters

年份 组内
贡献
贡献率
(%)
组间
贡献
贡献率
(%)
超变密度
贡献
贡献率
(%)
2012 0.0223 10.83 0.0850 41.26 0.0989 47.91
2013 0.0237 11.65 0.0779 38.24 0.1021 50.11
2014 0.0217 11.36 0.0900 46.95 0.0800 41.70
2015 0.0197 11.46 0.0791 46.10 0.0728 42.44
2016 0.0179 11.41 0.0762 48.64 0.0626 39.96
2017 0.0163 11.53 0.0620 43.91 0.0629 44.56
2018 0.0175 11.40 0.0730 47.44 0.0633 41.16
2019 0.0173 11.52 0.0686 45.81 0.0639 42.66
2020 0.0169 11.72 0.0613 42.34 0.0665 45.94
2021 0.0165 11.56 0.0613 43.05 0.0646 45.39
均值 0.0190 11.44 0.0734 44.37 0.0738 44.18
①总体差异及区域内差异。从全国层面看,数字产业集群发展水平的整体基尼系数较低,在研究期内均值为0.0312,总体呈现“N”形结构,不均衡现象微弱且保持稳定。图4展示了各区域的发展趋势,具体来看,东北、长江中游和南部沿海经济区的数字产业集群发展水平内部差异逐渐扩大,北部沿海、西南、西北、东部沿海和黄河中游经济区的数字产业集群发展水平则相反;从数值大小来看,组内差异大小变化依次为西北(0.2329)、东部(0.2050)、北部沿海(0.1966)、南部沿海(0.1177)、黄河中游(0.1102)、西南(0.0944)、长江中游(0.0398)和东北经济区(0.0416)。
图4 中国及八大经济区数字产业集群发展水平的组内基尼系数演变趋势

Fig.4 Intra-group Gini coefficient evolution trend of the development level of digital industry clusters in China and eight economic zones

②组间变化差异。从数值上看,重大战略区域间差异来源于北部区域之间,西北与北部沿海的组间平均差异最大,反映了西北经济区在数字产业集群发展方面相对落后的现状和北部沿海经济区的领先地位。南部区域间的差异较小,如长江中游和西南经济区的基尼系数为0.0913,体现了南部地区数字产业发展的协同特征。东南沿海地区的“政策区位优势效应”带动数字产业集群率先快速崛起,长江中游和西南地区在“大数据战略”等政策规划下,紧随其后发展数字产业集群,侧面证明了政策实施的外部效应对数字产业发展的显著影响力。从区域间差异的时变趋势来看,西北、长江中游、黄河中游和西南经济区等后发优势地区与发达地区的组间基尼系数呈现下降趋势或稳定状态。东北地区数字产业集群发展受限,虽然与长江中游经济区的数字产业集群发展水平相当,但区域间差异逐渐显现,且与沿海发达地区差距逐渐扩大。北部各区域的组间差异明显缩小,年平均增长率约为-5%,除北京和天津外,数字产业集群发展虽不够突出但水平分布逐渐趋于合理。相反,由于南方城市数字产业集群规模集中,组间差异下降稍缓,位次不同的数字产业集群发展呈现明显的差异化增长趋势。
③总体差异及分解。研究期内组内贡献、组间贡献和超变密度的贡献率波动下降。组间贡献和超变密度对总体差异的贡献度大致相当,区域间样本的重叠交叉对数字产业集群发展的影响显著,同时要注意防范区域之间数字产业集群发展水平差距扩大,着重挖掘北部区域内西北和东北经济区的数字产业集群发展潜力,促进南部区域内数字产业集群协同发展是解决全国数字产业集群空间非均衡性的发展重点。

2.2.2 分布动态演进分析

在前文分析数字产业集群发展水平空间相对差异的基础上,从绝对差异角度进一步明晰全国及八大经济区数字产业集群发展水平的分布动态及演进规律。本文采用基于高斯核函数的核密度估计法来分析数字产业集群发展水平的分布位置、分布态势、极化趋势、分布延展性等。核密度估计是采用平滑核函数作为权重来对样本数据的概率密度进行拟合的非参数估计方法。假设 f r ( d i c )r区域数字产业集群发展水平的密度函数。
f r d i c i = 1 n h i = 1 n K d i c ¯ r - d i c i h
式中: K ·为核函数;nr区域内城市个数; d i c ir区域内数字产业集群i的发展水平; d i c ¯ rr区域数字产业集群发展水平的均值; h表示窗宽,本文采用最优窗宽选择方法确定窗宽[34],窗宽越小说明估计精度越高。
图5展示了全国数字产业集群的分布动态。自2012年起,国家陆续出台了“宽带中国”战略和“大数据”发展规划等一系列重要政策,此外,地方政府针对本地数字产业发展的具体实施措施,共同为推动数字经济发展和数字技术变革创造了有利的政策环境和制度基础,表现为全国数字产业集群发展水平分布曲线的主峰不断右移,发展水平不断提升。值得注意的是,2012年存在侧峰说明有一定的极化现象,但在后期得到缓解。各地区核密度曲线均右移,东北、北部沿海、南部沿海和黄河中游经济区存在极化现象,其中东北和黄河中游经济区由双峰向单峰转变,北部沿海经济区由三峰向双峰转变[35],南部沿海经济区侧峰高度提高、拖尾收缩,极化现象均得到有效缓解。东部沿海、西南和西北经济区拖尾变短说明空间分布差异在逐步缩小。相反,长江中游经济峰高降低、右拖尾拉长代表其空间差异扩大。
图5 中国数字产业集群发展水平的分布动态

Fig.5 Distribution dynamics of the development level of digital industry clusters in China

综上,八大经济区数字产业集群发展水平不断提升,各地区核密度曲线的右拖尾程度均呈减弱趋势,表明数字产业集群发展水平差异有所收敛,这与前文测算的区域内基尼系数所反映的特征基本吻合。存在极化现象的东北、北部沿海、南部沿海和黄河中游经济区的均衡化发展共同促进全国数字产业集群极化现象的改善。

2.3 时空转移动态特征分析

为深入分析中国数字产业集群发展水平的时空演变特征,本文构建传统和空间马尔科夫转移概率矩阵分析数字产业集群发展过程中的空间溢出效应。马尔科夫将区域现象演变过程近似为马尔科夫过程,计算各种类型的变化和概率[36]。空间马尔科夫则是将马尔科夫链与空间滞后相结合,以反映不同时空背景下数字产业集群发展水平提高或降低的可能性。 P c 1 c 2 ( k )表示某个城市以空间滞后条件类型k为条件时,从t年至t+1年由 c 1状态转移到 c 2状态的空间转移概率。公式如下:
P c 1 c 2 , t + 1 k = P c 1 c 2 , t k · N · W k
式中:k为城市数字产业集群发展水平状态类型数量; N N × N的转移矩阵; W k为空间滞后项类型; P c 1 c 2 , t + 1t+1年份以k为空间滞后条件下的第k种类型的概率矩阵。
预测结果见表6,不考虑空间滞后时,中国数字产业集群发展水平类型转移具有稳定性且存在“俱乐部趋同”现象,各类型在下一阶段维持原有状态的概率最大,且具有较小的“跳跃式”发展概率和极低的等级下降概率。在考虑空间滞后时,不同地理背景下数字产业集群发展水平类型的转移概率发生了明显的变化,当近邻类型为低水平和中等水平时,本地存在较小概率的跨级跃迁;而处于较高水平和高水平的地区,其近邻并不存在跨越式增长的路径,相反,甚至有可能出现向下转移的趋势,但不会出现断崖式的急剧变化。从长期来看,分布概率最小和最大的分别是本地与邻域构成的“高—高”和“低—高”集聚,高发展水平的数字产业集群拥有的数字产业发展禀赋能够吸引大量数据要素和数字技术,而低发展水平的数字产业集群难以产生竞争优势,反而可能更容易被虹吸效应影响[37]。因此,长期来看数字产业集群发展的“马太效应”现象将逐渐衰退消失,整体向高发展水平区间集中,这与前文结果一致。
表6 中国数字产业集群发展水平的马尔科夫转移概率矩阵

Tab.6 Markov transition probability matrix of the development level of China's digital industry clusters

邻近
类型
时间跨度
(年)
数量
(个)
本地所属类型
中等 较高
传统 1 88 0.7045 0.2841 0.0114 0.0000
2 85 0.0353 0.6471 0.3059 0.0118
3 79 0.0000 0.0506 0.7215 0.2278
4 72 0.0000 0.0000 0.0417 0.9583
空间 1 24 0.8333 0.1667 0.0000 0.0000
2 6 0.0000 0.3333 0.5000 0.1667
3 4 0.0000 0.5000 0.2500 0.2500
4 5 0.0000 0.0000 0.0000 1.0000
中等 1 39 0.6154 0.3590 0.0256 0.0000
2 28 0.0357 0.7143 0.2500 0.0000
3 12 0.0000 0.0000 0.6667 0.3333
4 17 0.0000 0.0000 0.0588 0.9412
较高 1 20 0.7000 0.3000 0.0000 0.0000
2 41 0.0488 0.6098 0.3415 0.0000
3 47 0.0000 0.0213 0.7872 0.1915
4 44 0.0000 0.0000 0.0227 0.9773
1 5 0.8000 0.2000 0.0000 0.0000
2 10 0.0000 0.8000 0.2000 0.0000
3 16 0.0000 0.0625 0.6875 0.2500
4 6 0.0000 0.0000 0.1667 0.8333
表7所示,按目前的趋势发展,中国数字产业集群的长期演变趋势较为乐观,数字产业集群发展水平随时间推移而逐步提升,分布呈现向高值集中的趋势,各类型的城市数量由等级低至高依次增加。不同邻域背景对当地数字产业集群发展水平演变的影响具有异质性,近邻类型为低水平和中等水平时,当地数字产业集群发展水平向高值集中;近邻类型为较高水平和高水平时,当地发展水平呈现多种类型的分布。这可能是因为本地与低水平的邻近竞争相对较少,资源更易集中,相反“高—高”聚集分布容易产生竞争效应,且有限的物理资源和相似的市场需求难以满足本地发展。因此,数字产业集群在发展过程中应该累积好自身发展基础和比较优势,采取相应措施规避竞争效应产生的不良影响。
表7 中国数字产业集群发展水平的演变趋势预测

Tab.7 Prediction of the evolution trend of the development level of China's digital industry cluster

状态类型 邻近
类型
本地所属类型
中等 较高
不考虑
空间滞后
初始状态 0.6944 0.1667 0.0833 0.0556
终极状态 0.0028 0.0237 0.1495 0.8240
考虑
空间滞后
终极状态 0.0000 0.0000 0.0000 1.0000
中等 0.0000 0.0000 0.1500 0.8500
较高 0.0011 0.0066 0.1053 0.8871
0.0000 0.1111 0.3556 0.5333

3 结论与建议

本文构建了数字产业集群发展水平的指标体系,利用基于相对熵距离的动态改进理想解法从综合及分系统角度测算了全国36个数字产业集群的发展水平;同时采用Dagum基尼系数、核密度估计和马尔科夫链具体分析了中国数字产业集群发展水平的区域差异及来源、时空分布动态。主要结论如下:①从特征事实来看,中国数字产业集群发展水平呈现“东高西低”“沿海优于内陆”不均衡的空间分布特征;数字产业集群发展呈现增长态势,支持度水平及其增长率最高,关联度增长缓慢。②从区域差异来看,数字产业集群发展水平的相对差异呈缩小趋势,区域间差异和超变密度是区域总体差异的主要来源,北方地区区域间差异最大,南方地区区域间差距最小。③从分布动态来看,总体上数字产业集群发展水平存在两极分化,东北、北部沿海、南部沿海和黄河中游经济区均存在不同程度的极化现象。数字产业集群发展具有稳定性和俱乐部趋同特征,难以实现“跳跃式”转移。考虑空间因素后,低水平和中等水平的邻域有利于本地向更高水平发展,较高水平和高水平的邻域引发的拥挤效应和虹吸效应,反而会减缓当地的进一步发展。
基于以上结论,本文提出以下政策建议:①创新合作模式,共享集群生态红利。为提升关联度水平和增长速度,首先要发挥支持度的引领作用,注意简化数字企业注册和审批流程,降低企业市场准入门槛,营造自由竞争市场环境,为数字企业解绑减负、储能蓄势,释放数字企业发展动力;其次要鼓励数字产业集群自发构建“高校—企业”产业科创联合体,以原创性为特征的创新成果夯实数字产业集群自主可控的创新链基础;最后要搭建以数字服务平台为核心的数字产业集群生态网络,在信息整合、数据共享和资源调度等方面进一步整合创新链和产业链,促进集群内部和跨集群的优质协作。②立足数字产业集群发展协调的差异特征,探究兼顾异质性与长效性的协调发展路径。研究结果表明,区域间差异是区域总体差异的主要来源,北方区域间差异最大,南方区域间差异最小。因此,北部沿海经济区的数字产业集群应强化与西北、东北经济区数字产业集群的知识技术区域联动、基础设施的跨域联结,避免单点极化空间结构的“集聚阴影”;南方地区需根据各地数字产业集群的特征来确定数字产业集群的功能型地位,以多向联系和功能互补为目的建立合作联动机制,连点成线、连线成面地形成多中心、网格化、特色化的数字产业集群空间体系。③关注数字产业集群发展的邻近效应,完善区域间内生关联互动机制。研究结果表明,近邻水平与本地未来发展水平呈反比。因此,当近邻水平为低水平或中等水平时,本地数字产业集群应把握机会实现跨级跃迁,打造核心竞争力,积极优化本地数字产业集群支持环境;当近邻为较高水平或高水平时,本地政府应在塑造自身比较优势的基础上,与近邻构建协同发展、互惠共赢的合作机制,充分吸收近邻效应的正向作用,避免无序、恶性竞争导致的资源浪费。同时,还要主动开拓视野,探索和利用更广泛的市场和资源,减轻因地理邻近导致的路径依赖,以促进各地区数字产业集群协调共进,在整体上实现中国建设具有国际竞争力的数字产业集群的目标。
[1]
习近平. 高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告[M]. 北京: 人民出版社, 2022.

[2]
中国信息通信研究院. 中国数字经济发展报告(2022年)[R/OL]. http://www.caict.ac.cn,2022-07-08.

[3]
陈梦根, 张鑫. 数字经济的统计挑战与核算思路探讨[J]. 改革, 2020(9):52-67.

[4]
潘为华, 贺正楚, 潘红玉. 中国数字经济发展的时空演化和分布动态[J]. 中国软科学, 2021(10):137-147.

[5]
赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界, 2020, 36(10):65-76.

[6]
许宪春, 张美慧. 中国数字经济规模测算研究——基于国际比较的视角[J]. 中国工业经济, 2020(5):23-41.

[7]
宋旭光, 何佳佳, 左马华青. 数字产业化赋能实体经济发展:机制与路径[J]. 改革, 2022(6):76-90.

[8]
周璇, 陶长琪. 要素空间集聚、制度质量对全要素生产率的影响研究[J]. 系统工程理论与实践, 2019, 39(4):1051-1066.

DOI

[9]
范剑勇, 刘念, 刘莹莹. 地理距离、投入产出关系与产业集聚[J]. 经济研究, 2021, 56(10):138-154.

[10]
王如玉, 梁琦, 李广乾. 虚拟集聚:新一代信息技术与实体经济深度融合的空间组织新形态[J]. 管理世界, 2018, 34(2):13-21.

[11]
刘烨, 王琦, 班元浩. 虚拟集聚、知识结构与中国城市创新[J]. 财贸经济, 2023, 44(4):89-105.

[12]
周海川, 刘帅, 孟山月. 打造具有国际竞争力的数字产业集群[J]. 宏观经济管理, 2023(7):27-32,48.

[13]
Sturgeon T J. Upgrading strategies for the digital economy[J]. Global Strategy Journal, 2021, 11(1):34-57.

[14]
Cannavacciuolo L, Ferraro G, Ponsiglione C, et al. Technological innovation-enabling industry 4.0 paradigm:A systematic literature review[J]. Technovation, 2023, 124:1-16.

[15]
姚朝成. 打造数字产业集群的三个着力点[N]. 中国社会科学报,2023-03-15(003).

[16]
中国统计局. 数字经济及其核心产业统计分类(2021)[R/OL]. https://www.stats.gov.cn/sj/tjbz/gjtjbz/202302/t20230213_1902784.html,2021-05-27.

[17]
Turkina E, Assche A V, Kali R. Structure and evolution of global cluster networks:Evidence from the aerospace industry[J]. Journal of Economic Geography, 2016, 16(6):1211-1234.

[18]
周灿, 曾刚, 曹贤忠. 中国城市创新网络结构与创新能力研究[J]. 地理研究, 2017, 36(7):1297-1308.

DOI

[19]
中国知识专利局. 数字经济核心产业分类与国际专利分类参照关系表(2023)[R/OL]. https://www.gov.cn/zhengce/zhengceku/2023-04/11/content_5750914.html,2023-03-20.

[20]
李彦龙, 毕钰. 城市创业活跃度:区域差异、动态演变与影响因素[J]. 中国软科学, 2023(5):99-106.

[21]
新华三集团. 城市数字化发展指数(2022)[R/OL]. http://deindex.h3c.com,2022-06-24.

[22]
吴磊, 张可云, 李贵才. 多样化联系空间与集群发展:基于“中观轨迹”的演化分析[J]. 中国软科学, 2021(4):71-81.

[23]
欧光军, 杨青, 雷霖. 国家高新区产业集群创新生态能力评价研究[J]. 科研管理, 2018, 39(8):63-71.

[24]
钟诗韵, 徐晔, 谭利. 双轮创新驱动对我国产业结构升级的影响[J]. 管理学刊, 2022, 35(1):70-85.

[25]
李宇, 唐蕾. “众乐乐”还是“独乐乐”?“有核”集群的双向技术溢出与集群创新绩效[J]. 南开管理评论, 2020, 23(2):39-50.

[26]
樊纲, 王小鲁, 马光荣. 中国市场化进程对经济增长的贡献[J]. 经济研究, 2011, 46(9):4-16.

[27]
郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展:指数编制与空间特征[J]. 经济学(季刊), 2020, 19(4):1401-1418.

[28]
邓宗兵, 何若帆, 陈钲, 等. 中国八大综合经济区生态文明发展的区域差异及收敛性研究[J]. 数量经济技术经济研究, 2020, 37(6):3-25.

[29]
李美娟, 刘佳鸿, 杨隆浩, 等. 基于相对熵距离的动态改进理想解法及其应用研究[J]. 系统科学与数学, 2023, 43(1):174-185.

DOI

[30]
易平涛, 周义, 郭亚军, 等. 一种体现发展趋势的动态综合评价方法[J]. 运筹与管理, 2016, 25(6):175-180.

DOI

[31]
李健旋. 制造业与数字经济产业关联融合测度及异质性研究[J/OL]. 中国管理科学:1-14[2024-01-24]. https://doi.org/10.16381/j.cnki.issn1003-207x.2022.2202.

[32]
徐晔, 赵金凤. 中国创新要素配置与经济高质量耦合发展的测度[J]. 数量经济技术经济研究, 2021, 38(10):46-64.

[33]
Dagum C. A new approach to the decomposition of the Gini income inequality ratio[J]. Empirical Economics, 1997, 22(4):515-531.

[34]
Silverman B W. Density estimation for Statistics and Data Analysis[M]. New York: Chapman and Hall, 1986.

[35]
焦音学, 黄群慧. 中国数字经济均衡发展与亲贫性研究[J]. 财贸经济, 2023, 44(8):91-109.

[36]
Rey S J. Spatial empirics for economic growth and convergence[J]. Geographical Analysis, 2001, 33(3):195-214.

[37]
丁煜, 陶长琪. 创新要素配置与数字经济耦合协调发展的时空特征及动态演进[J]. 统计与信息论坛, 2023, 38(11):47-61.

文章导航

/