EN中文

Economic geography >

2024 , Vol. 44 >Issue 7: 106 - 116

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.07.011

Temporal and Spatial Pattern Evolution of China's Digital Innovation and Multidimensional Analysis of Driving Forces：From the Perspective of Digital Economy Patent Application

  • LI Junjie , 1 ,
  • ZHOU Minliang , 1, 2, ※
Expand
  • 1. School of Applied Economics，University of Chinese Academy of Social Sciences，Beijing 102488，China
  • 2. Institute of Industrial Economics，Chinese Academy of Social Sciences，Beijing 100006，China

Received date: 2024-01-15

  Revised date: 2024-07-10

  Online published: 2024-09-13

Fold

Abstract

Based on the panel data of 251 cities in China from 2000 to 2020,this paper studies the spatial-temporal pattern evolution and driving factors of digital innovation in China with the help of the center of gravity model,standard deviation ellipse and the dynamic spatial panel Durbin model based on common factors. The results show that: 1) the spatial distribution of digital innovation in China is "strong in south and weak in north,high in east and low in west",and the imbalance in east and west is less than that in south and north;The spatial distribution of digital innovation in the northern region showed a "linear-flattening-shrinking" pattern,while that in the southern region showed a "multi-point-circular-expanding" pattern. 2) Digital innovation has strong temporal and spatial correlation with technological innovation and digital economy. Among them,the southern region and the central and eastern region are more sensitive to the development of national digital innovation. 3) Digital innovation has a technology locking effect in time,and digital innovation in the previous period has a negative impact on the current period. In addition to financial development,factors such as human capital,firmsize,marketcompetition,consumerdemand,big data resources and government support have greater short-term effects than long-term effects on digital innovation. 4) Human capital,firmsize,market competition and financial development have a driving effect on digital innovation in the city and neighboring cities;Big data resources and government support can promote the development of digital innovation in the local city,but can inhibit the neighboring city. However,the consumption demand has a restraining effect on the city and the neighboring city.

Key words： digital innovation; digitaleconomy; north-southgap; the center of gravity shifts; common factor; dynamic spatial panel Durbin model

Cite this article

LI Junjie , ZHOU Minliang . Temporal and Spatial Pattern Evolution of China's Digital Innovation and Multidimensional Analysis of Driving Forces：From the Perspective of Digital Economy Patent Application[J]. Economic geography, 2024 , 44(7) : 106 -116 . DOI: 10.15957/j.cnki.jjdl.2024.07.011

数字经济作为继农业经济和工业经济之后的主要经济形态[1]，正在成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量[2]。从本质上讲，数字经济是由数字技术革命引发的，突破传统经济发展边界的颠覆性创新变革的产物[3-4]，具有高创新性[2]。当前，我国数字经济发展与其他数字经济强国之间存在一定差距，面临的风险和挑战正逐渐增加，西方国家技术封锁、数字产业核心创新能力不足、区域数字创新鸿沟等问题成为制约我国数字经济高质量发展的重要因素。《全球数字经济发展指数报告（TIMG 2023）》指出，中国数字市场在全球范围内具有一定的竞争优势，但在数字技术和数字治理等方面落后于美国、新加坡和英国等国家，数字技术研发与创新潜力有待进一步释放。数字创新作为数字文明时代驱动数字经济发展的第一动力[5]，不仅是打破西方国家技术封锁，提升数字产业核心创新力，弥合区域数字鸿沟的重要力量，还是融通聚合各类创新要素，赋能传统产业数字化转型和增强国际竞争力的主导因素。党的二十大报告强调“坚持创新在我国现代化建设全局中的核心地位”，并明确指出要“加快发展数字经济，促进数字经济和实体经济深度融合”；同时，国务院发布的《“十四五”数字经济发展规划》也提出要“推进数字技术创新突破工程”，并在该项工程中提出要“抢先布局前沿技术融合创新”，为进一步促进数字创新，做大做强数字经济提供了政策支撑。因此，分析数字创新的时空格局演变及驱动力因素，对客观研判数字创新发展动态，把握数字创新发展规律意义重大。
目前，与数字创新密切关联的研究主要包括两方面：①数字创新的赋能效应。随着新一代数字技术与实体经济的深度融合，数字创新对革新生产方式，赋能高质量发展发挥着重要作用。相关研究主要从企业微观层面，重点关注数字创新对企业高质量发展[6]、企业价值[7]、定价能力生命周期[8]的影响。此外，还有研究从市域尺度考察数字创新对市域经济韧性的影响[9]。②经济政策和市场行为对数字创新的影响。相关研究重点考察了知识产权示范城市[10]、“加速折旧”[11]、明星分析师[12]、数字并购[13]等因素对企业数字创新的影响，但鲜有文献探讨数字创新的时空演变及其驱动力，虽有少量文献考察了数字创新管理和相应特征事实[14-15]，却并未重点关注数字创新在不同时间和空间上的演变及驱动力因素。因此，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）》，本文将数字创新定义为数字经济产业中发生的一系列技术创新，主要包括数字产品制造业、数字产品服务业、数字技术应用业、数字要素驱动业四大核心产业中新的数字技术、产品和服务。在此基础上，本文基于市域尺度，从重心视角切入，深度考察数字创新时空演变及其驱动力因素，比较分析数字创新与科技创新、数字经济之间的关系，既有助于全面了解数字创新发展的空间格局、区域差异和驱动力因素，又为促进数字创新与科技创新、区域数字经济之间协调发展提供一定的参考。

1 研究方法与数据来源

1.1 研究方法

1.1.1 重心模型

参照黄睿、刘凤朝、辛晓华等的研究[16-18]，计算出中国数字创新重心的移动角度、方向与移动距离。

1.1.2 标准差椭圆

参照白冰等的研究[19]，计算中国南北地区数字创新标准差椭圆相关参数值。

1.1.3 变动一致性指数

参照相关研究[20]，本文采用重心模型进行经纬度相关性分析和空间重叠性分析。同时，采用公式（1）进行变动一致性分析。计算公式如下：
V = c o s ψ = Δ X 1 Δ Y 1 + Δ X 2 Δ Y 2 Δ X 1 2 + Δ Y 1 2 Δ X 2 2 + Δ Y 2 2
式中：（X，Y）为市域i的数字创新重心坐标；V表示变动一致性指数，且V∈[-1，1]。当V=1时，数字创新重心与科技创新重心、数字经济重心变动完全一致；当V=-1时，变动完全不一致；V值越大，表示变动越一致。

1.1.4 空间计量估计方法

已有研究表明，影响数字创新的驱动力因素主要包括人力资本（Human）、企业规模（Scale）、市场竞争（Market）、消费需求（Consum）、大数据资源（Bigdata）、政府支持（Gov）和金融发展（Finance）[21-25]。分别采用普通高等学校在校学生数与常住人口的比值、规模以上工业企业数的对数值、市场化指数、社会消费品零售总额的对数值、国家级大数据综合试验区分组虚拟变量和政策时间虚拟变量形成的交互项、地方财政一般预算内支出占GDP的比值、年末金融机构存贷款余额占GDP的比值进行衡量。同时，不同地区数字创新之间存在空间关联性，如果忽视空间因素的影响会导致估计系数有偏，因而有必要通过建立空间面板计量模型来考察各驱动力因素对数字创新的影响。基于此，本文构建动态空间杜宾面板计量模型如下：
D i n ν i t = α 0 + β 1 D i n ν i t - 1 + β 2 W D i n ν i t + β 3 W D i n ν i t - 1 + γ 1 X i t + γ 2 W X i t + ε i t
式中：Dinvit为被解释变量，表示i市域第t年的数字创新；β1为数字创新时间滞后项Dinvit-1系数，表示数字创新的路径依赖；β2为数字创新空间滞后项WDinvit系数，表示不同市域间数字创新的空间关联性；β3为数字创新时空滞后项WDinvit-1系数，表示不同市域间数字创新的时空关联性；W表示空间权重矩阵，参照已有研究[26]，本文选取反距离地理空间权重矩阵，同时选取地理与经济距离嵌套矩阵进行稳健性检验；γ1为影响数字创新的各驱动力因素Xit系数，表示各驱动力因素对本市域数字创新的影响；γ2为影响市域数字创新的各驱动力因素空间滞后项WXit系数，表示其他市域相应驱动力因素对本市域数字创新的影响；εit表示随机误差项。
基于Vega等研究[27]，各市域数字创新在所属国家的共同政策环境作用下具有共同变动的情形，引致市域间具有一定的相关性。如果不剔除共同因子干扰，会导致模型出现估计偏误。因此，参照Bailey等研究[28]，本文采用两步估计法进行相应变换处理。第一步，构建市域层面数字创新与国家层面数字创新之间的回归模型，并计算相应残差值。该残差值表示剔除共同因子后的市域数字创新。第二步，将剔除共同因子后的残差值代入公式（2）进行回归分析。

1.2 数据来源及说明

在数字创新的衡量上，本文认为：第一，从微观层面看，企业作为创新的主体，申请专利除了可以获得专利制度对企业技术创新成果应用的保护外，专利交易可获得市场价值增值，专利申请企业还可以获得国家和地区层面产业政策的支持。因而，尽管基于商业竞争的考虑，企业层面拥有数字技术创新成果而不申请不扩大应用的数量应该较少。第二，数字技术统计分析涉及的领域还包括国防工业领域。我国大部分国防工业都可以借助于军民两用的政策拓展民品市场，企业也会按照国家知识产权管理的社会渠道申报专利和获得更多专利附加价值。但也有些专利会通过国防工业专利申请专门渠道进行申请，此类技术专用性较强、用途管制严格，存在解密限制与要求，与地区工业化程度关联不大，并且缺乏国防工业数字技术区域连续数据，限制实证分析开展。第三，数字技术成果包括专利与论文，专利更多地包括技术诀窍与技术专长，可用于转化与增值，而论文更多地展示科学知识，技术转化与增值效果不足。因此，专利作为当前研究中被学者普遍采用和广泛认可的度量指标，能够有效拟合技术发展方向。其中，专利申请和专利授权是学者们衡量创新的主要指标，专利授权具有一定的时滞性，而专利申请具备较强的完整性和时效性等特征。与之相比，专利引用虽然在一定程度上能够体现原始技术创新与后向的具体应用创新之间的联系，但其本身也存在引用的偏差性、时滞性、引用数量与质量不一定匹配等不足之处。综合考虑，参照已有研究成果[29-30]，本文最终选取专利申请数据。同时，通过数字核心产业分类和国际专利分类相匹配，采用专利申请数据来度量数字创新。
基于《数字经济核心产业分类与国际专利分类参照关系表（2023）》，本文将数字产品制造业、数字产品服务业、数字技术应用业、数字要素驱动业四大类86个小类作为数字经济核心产业统计范畴。进一步，对与数字经济核心产业相对应的国际专利号进行统计，将相应国际专利分类号和关键词输入国家知识产权局专利检索数据库进行检索，并依据专利申请人所在市域将历年相应专利申请新增绝对数加总后匹配到市域层面。考虑到数据可得性和空间计量模型对样本数据完整性的严格要求，为保证回归结果的准确性，本文暂不包括港澳台地区和西藏自治区以及部分统计数据严重缺失的市域，最终得到中国4个直辖市、247个地级市（本文将直辖市和地级市统一简称为市域），共计251个市域2000—2020年数字经济专利申请数据。其他数据均来自《中国城市统计年鉴》，少量缺失数据通过插值法予以补齐。

2 中国数字创新时空格局演变

2.1 中国数字创新及重心时空演变

图1展示了中国数字创新分别在2000、2010和2020年的空间格局演变。可以发现，数字创新水平在空间分布上呈现显著的非均衡性，北方地区数字创新活跃的区域以北京和天津为主，南方地区活跃区域主要分布在长三角地区的上海市、浙江省、江苏省部分市域和珠三角地区的广东省部分市域。
图1 2000、2010和2020年中国数字创新空间格局演变

注：基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767的标准地图制作，底图无修改。图2同。

Fig.1 Evolution of China's digital innovation spatial pattern in 2000，2010 and 2020

根据黄睿、刘凤朝、辛晓华等的研究[16-18]，计算得出2000—2020年中国数字创新重心的地理坐标、移动方向和距离，同时采用ArcGIS软件对相应年份数字创新重心移动进行可视化展示（图2）。
图2 2000—2020年中国数字创新重心移动轨迹空间演变

Fig.2 Spatial distribution of the center of gravity of digital innovation in China from 2000 to 2020

整体上看，由于创新要素资源空间分布的非均衡性，2000—2020年中国数字创新发展在空间分布上并未达到理想的均衡状态，仍处于调整变动之中。通过重心变动路径可以发现，中国数字创新重心主要分布在安徽省的阜阳市、六安市、安庆市和湖北省的黄冈市，呈现“东南—西北—西南—东北”的不规则变动，表明数字创新在不同区域的空间分布具有一定的动态性和异质性。
分区域看，一方面，在南北区域分布上，中国数字创新呈现“南北拉锯、南强北弱”的空间分布格局。在研究期内，数字创新在南北地区各有一次重要发展期。其中，2006—2014年期间，北方地区借助移动互联网技术的快速发展，在北京等地区集聚了诸多互联网头部企业，有效促进了移动互联网技术和相关服务业、电子商务、软件和信息技术等数字专利密集型产业发展，数字创新能力显著增强。然而，南方地区凭借市场环境、创新生态系统、科技人才和数字基础设施等方面的优势，在2014—2017年期间迎来了数字创新的大发展。尽管南北地区在数字创新发展上呈现一定的拉锯现象，但北方地区数字创新与南方地区仍然存在一定差距，表现在重心移动上为2000—2020年，数字创新重心向东、向西各移动11和9次，分别占移动总频数的55%和45%。同时，在由北向南的2个时期（2001—2006和2015—2017年）中，数字创新重心的年均移动距离分别为40.74 km和42.23 km，都大于整个研究期的年均移动距离28.25 km。而在由南向北的2个时期（2007—2014和2018—2020年）中，年均移动距离分别为19.79 km和11.84 km，均小于研究期年均移动距离。另一方面，在东西区域分布上，中国数字创新呈现“东西胶着、东高西低”的空间分布格局。2000—2020年期间，随着国家政策支持力度加大[31]、东部地区产业转移、创新生态系统的逐步完善，中西部地区数字创新能力正在增强，创新重心向西移动频数占移动总频数之比达到45%。然而，东部地区凭借创新要素资源丰富、数字基础设施完善、数字企业集中和市场环境成熟等优势，数字创新整体实力依然强于中西部地区，创新重心向东移动频数占移动总频数的55%。由此可见，中西部地区与东部地区之间的数字创新差距依然存在。
综合来看，中国数字创新的南北差距大于东西差距。从重心移动距离可以发现，2000—2020年数字创新重心在南北和东西方向上的移动距离分别为565 km和204.53 km。参照周民良的研究[32]，从创新重心偏离自然地理重心（108.56°E和34.33°N）程度上看，二者在东西方向上的偏离极差和方差各为101.21和719.51，而在南北方向上的空间偏离极差和方差各为212.85和3870.65。造成这一现象的主要原因既与政策层面更加注重协调东中西区域发展差距，而相对忽视南北区域差距有关，又与区域经济发展、数字创新要素资源分布不平衡相关。因此，在未来的政策设计中，应当更加关注南北地区数字创新发展的协调性。

2.2 中国南北地区数字创新发展的空间分异

根据白冰等[19]研究，计算中国南北地区数字创新标准差椭圆相关参数值（表1）。
表1 2000—2020年中国南北地区数字创新的标准差椭圆参数

Tab.1 Standard deviation ellipse parameters of digital innovation in North and South China from 2000 to 2020

区域 年份 经度
（°E）		 纬度
（°N）		 椭圆面积
（万km2）		 长半轴
（km）		 短半轴
（km）		 形状
指数		 旋转角度
（°）
北方地区 2000 117.34 39.49 78.88 681.10 368.68 0.54 51.76
2005 117.22 39.41 56.46 595.83 301.66 0.51 47.29
2010 116.48 38.73 65.57 633.70 329.37 0.52 47.41
2015 116.67 38.96 64.19 607.20 336.55 0.55 47.46
2020 116.25 38.55 71.63 629.72 362.12 0.58 50.56
南方地区 2000 115.99 27.99 115.04 741.73 493.72 0.67 45.67
2005 116.30 27.04 95.71 398.63 764.37 1.92 32.93
2010 116.56 27.88 105.41 447.99 749.01 1.67 35.58
2015 115.99 28.27 117.70 732.86 511.27 0.70 46.24
2020 116.08 28.10 108.08 469.92 732.17 1.56 37.49
整体上看，2000—2020年中国南北地区数字创新发展的主方向基本一致，均沿东北—西南方向分布。从重心移动轨迹可以发现，北方地区数字创新重心移动主要经过天津市和河北省的廊坊市、沧州市，南方地区数字创新重心移动位于江西省的宜春市和抚州市。由于开放程度高、经济结构多样化、企业和高校等创新能力强，南方地区的数字创新活动更加活跃，主要表现在数字创新椭圆的旋转角度上，研究期内，南方地区旋转角度变动8.18°，而北方地区只变动了1.2°，南方地区数字创新活跃度强于北方地区。
从空间集聚视角看，中国南北地区数字创新发展均呈集聚趋势，主要表现在两方面：一方面，在数字创新椭圆的形状分布上，南北地区数字创新椭圆的形状指数均呈现波动式上升趋势。其中北方地区上升趋势缓慢，形状指数上升了0.04。南方地区上升趋势更快，形状指数上升了0.89。另一方面，在数字创新椭圆的范围变动上，北方地区数字创新椭圆面积缩减7.25万km2，长短半轴长度分别减少51.38 km和6.56 km。南方地区数字创新椭圆缩减6.96万km2。然而，与北方地区数字创新发展呈椭圆式集聚不同，南方地区的集聚更趋于圆化，在集聚的同时又对长轴两侧地区进行拓展，有利于实现数字创新的均衡化发展。具体而言，南方地区数字创新椭圆的形状指数是北方地区的22.25倍，同时在研究期内长半轴减少271.81 km，短半轴增加238.45 km，圆形化趋势显著。原因在于，南方地区数字产业发展多样化，不同数字产业集群协同度高，加之拥有完善的交通和数字基础设施，有效促进了不同地区间人口、科技、信息等数字创新要素的流动，有利于数字创新在空间上的相对均衡性发展。

2.3 中国数字创新与科技创新、数字经济的对比分析

2.3.1 经纬度相关性分析

采用重心模型分别计算2000—2020年中国数字创新重心、科技创新重心与数字经济重心的移动坐标，并绘制相应的经纬度图（图3、图4）。
图3 经度分析图

Fig.3 Longitude analysis diagram

图4 纬度分析图

Fig.4 Latitude analysis diagram

从经度上看，数字创新重心与数字经济重心均呈现先向西再向东的发展趋势。然而，科技创新重心则表现为波动式向东移动趋势。上述趋势变动意味着数字创新和数字经济发展不仅在一定程度上依赖于科技创新发展，而且由于自身的高创新性、强渗透性和广覆盖性等特殊属性[2]，在发展上也同科技创新存在一定差异。在移动幅度上，虽然数字创新重心和数字经济重心从2017和2018年开始向东部地区移动，但此前二者重心呈波动式向中西部地区移动，因而移动幅度绝对值分别为0.38°和0.21°。同时，科技创新重心的移动幅度为0.75°，均大于前述两者的移动幅度。
从纬度上看，数字创新重心和数字经济重心整体上呈高纬度向低纬度移动趋势，移动过程具有一定波动性。然而，科技创新重心呈现由低纬度向高纬度平稳移动态势。虽然从表象上看，数字创新重心和数字经济重心移动在大方向上与科技创新重心移动相悖，但数字创新重心大致围绕科技创新重心上下波动，并且数字创新重心和数字经济重心也呈现出向科技创新重心收敛的趋势，三者之间存在较强的相关性。在移动幅度上，数字创新重心的移动幅度为1.60°，数字经济重心的移动幅度为1.58°。与上述两者相比，科技创新重心的移动幅度最小，为0.29°。综上可以发现，科技创新发展已迈入成熟期，而数字创新和数字经济发展依然处在成长期。

2.3.2 空间重叠性分析

计算2000—2020年中国数字创新与科技创新、数字经济之间的重心距离，并绘制空间重叠性图（图5）。由图5可知，2000—2020年数字创新重心与科技创新重心之间的距离减少了236.94 km，与数字经济重心的距离减少了18.94 km。这一距离上的缩减意味着数字创新与科技创新、数字经济之间的关联性正在增强，空间重叠性趋于显著。从距离在各年的动态过程看，在样本期内，数字创新重心与科技创新重心的距离有19年是小于数字创新重心和数字经济重心距离，占全部样本期的90.48%，意味着科技创新对促进数字创新具有重要的支撑作用。
图5 空间重叠性

Fig.5 Spatial overlap

2.3.3 变动一致性分析

根据公式（1），计算变动一致性指数并绘制相应图形（图6）。从偏移方向频数上看，数字创新重心与科技创新重心之间同向偏移14次、反向偏移6次；与数字经济重心之间同向偏移15次、反向偏移5次。其中，2019年数字经济重心和科技创新重心同数字创新重心发生一正一反的方向偏移，2001—2013和2020年为同向偏移，2014—2018年为反向偏移。从偏移方向强度上看，数字创新重心与科技创新重心、数字经济重心的平均变动一致性指数均为正，分别为0.15和0.16，后者大于前者，表明数字创新重心与科技创新重心、数字经济重心的变动方向均趋于一致，同时数字创新重心与数字经济重心的一致性程度强于科技创新重心。
图6 变动一致性

Fig.6 Change consistency

3 中国数字创新驱动力因素分析

3.1 模型识别检验结果

在采用空间面板计量模型进行回归之前，需要对被解释变量进行空间自相关检验。本文使用莫兰指数来测度空间相关性，各年份莫兰指数均大于0，均通过显著性检验，表明存在空间相关性，可以采用空间计量研究方法进行分析。进一步，采用LM、Robust_LM、LR、Wald和Hausman检验等方法，判断空间计量模型的适用性，结果见表2。经检验，最终选择双向动态空间面板杜宾模型研究各驱动力因素。
表2 空间杜宾模型适用性检验结果

Tab.2 Applicability test results of spatial Durbin model

检验类型 统计量值 P值
LM_spatial_lag 775.4855 0.0000
Robust_LM_spatial_lag 479.9216 0.0000
LM_spatial_error 4617.7373 0.0000
Robust_LM_spatial_error 4322.1734 0.0000
LR_spatial_lag 139.2200 0.0000
Wald_spatial_lag 147.1100 0.0000
LR_spatial_error 139.2200 0.0000
Wald_spatial_error 168.6000 0.0000
Hausman Test 112.6400 0.0000
LR_both_ind 318.6900 0.0000
LR_both_time 5257.5500 0.0000
根据前述研究[27]，首先判断全国层面数字创新活动对各市域数字创新是否存在影响。其中，CD统计量值为761.80，P值为0.000，拒绝原假设；α系数为1.0044，具有强相关性，意味着全国层面数字创新这一共同因子会对各市域数字创新之间的空间关联性产生影响。为估计共同因子对各市域数字创新的影响，本文进一步估计相应敏感性参数ζ。如果这一敏感性参数大于1，表示全国数字创新这一共同因子对各市域数字创新的影响大，反之则反。受篇幅所限，本文仅报告敏感性参数的各省份分布数量（表3）。总体而言，全国层面数字创新活动对各市域的影响存在异质性。其中，北京、天津、上海、浙江、江苏、山东等省市的敏感性参数大于1的市域占比大于50%，而河北、山西、辽宁、吉林、黑龙江等省份的占比小于50%。从区域分布看，中东部地区敏感性参数大于1的市域占比达到65.12%和63.16%，在四大区域中占据主导地位。同时，南方地区是南北区域中的主要分布地区，其敏感性参数占比为69.93%。进一步，计算上述模型的残差值，并再次采用CD检验α系数进行检验，统计量数值分别为181.96和0.9721，与先前相应统计量数值相比有较大下降，表明共同因子的影响已被剔除。
表3 中国市域数字创新对共同因子的敏感性参数及各省份分布数量

Tab.3 Sensitivity parameters of urban digital innovation to common factors Distribution number of provinces

样本
省份		 样本市域
数量（个）		 ζ>1 ζ<1 样本
省份		 样本市域
数量（个）		 ζ>1 ζ<1
市域
数量（个）		 市域
占比（%）		 市域
数量（个）		 市域
占比（%）		 市域
数量（个）		 市域
占比（%）		 市域
数量（个）		 市域
占比（%）
北京 1 1 100.00 0 0.00 江西 11 11 100.00 0 0.00
天津 1 1 100.00 0 0.00 河南 17 11 64.71 6 35.29
河北 11 4 36.36 7 63.64 湖北 12 8 66.67 4 33.33
上海 1 1 100.00 0 0.00 湖南 12 2 16.67 10 83.33
江苏 13 13 100.00 0 0.00 内蒙古 5 1 20.00 4 80.00
浙江 11 9 81.82 2 18.18 广西 12 7 58.33 5 41.67
福建 9 8 88.89 1 11.11 重庆 1 1 100.00 0 0.00
山东 16 11 68.75 5 31.25 四川 15 7 46.67 8 53.33
广东 21 11 52.38 10 47.62 贵州 5 5 100.00 0 0.00
海南 2 0 0.00 2 100.00 云南 3 3 100.00 0 0.00
辽宁 14 0 0.00 14 100.00 陕西 7 3 42.86 4 57.14
吉林 6 0 0.00 6 100.00 甘肃 5 1 20.00 4 80.00
黑龙江 12 0 0.00 12 100.00 青海 1 1 100.00 0 0.00
山西 9 1 11.11 8 88.89 宁夏 1 1 100.00 0 0.00
安徽 15 15 100.00 0 0.00 新疆 2 0 0.00 2 100.00

3.2 模型回归结果及分析

表4报告了双向动态空间面板杜宾模型的估计结果。列（1）（2）为剔除共同因子分别采用反距离地理空间权重矩阵、地理与经济距离嵌套矩阵的估计结果，列（3）为未剔除共同因子采用反距离地理空间权重矩阵的估计结果。本文以列（1）为基准回归结果进行分析，以列（2）（3）回归结果进行稳健性检验。列（1）结果显示，数字创新滞后一期的估计系数在1%的显著性水平下为负，表明数字创新在时间上存在技术锁定效应[33]，上一期数字创新发展对当期具有反向作用，主要原因在于随着专利保护制度的逐步完善，数字专利持有者对其专利成果拥有一定的垄断优势，并能够获得相应垄断利润，进而形成路径依赖，产生创新惰性，将更多创新要素资源投入到维持这种垄断优势上，对新的专利创新产生负面影响。这一结论同杨震宁等的研究[34]相似。同时，数字创新空间滞后项估计系数在1%的显著性水平下为正，意味着数字创新具有正向空间关联效应，数字创新程度较高的市域周边集聚着一定数量的具备较高数字创新能力的市域。此外，上一期数字创新的空间滞后项估计系数在1%的显著性水平下为正，表明邻近市域数字创新与本市域之间既在时间上具有一定的惯性促进效应，又在空间上存在明显的正向空间关联效应，也就是说邻近市域上一期数字创新活动对本市域数字创新发展具有溢出效应。本市域可能在与邻近市域交往中获取各种编码知识和缄默知识，通过模仿学习提升数字创新能力。
表4 双向动态空间面板杜宾模型估计结果

Tab.4 Results of bidirectional dynamic spatial panel Durbin model estimation

变量 （1）
反距离地理空间权重
矩阵		 （2）
地理与经济距离
嵌套矩阵		 （3）
未剔除共同因子
的估计结果
Human -0.0082***（0.0001） -0.0007***（0.0001） -0.0025***（0.0001）
Scale 0.4461***（0.0226） 0.0366（0.0228） 1.7048***（0.0243）
Market -1.3232***（0.0538） -0.0981*（0.0539） 2.3351***（0.0574）
Consum 0.7827***（0.0311） 0.1048***（0.0311） -0.2663***（0.0332）
Bigdata 4.0887***（0.0360） 0.3231***（0.0372） -0.4647***（0.0384）
Gov 5.0823***（0.1467） 0.8617***（0.1469） 13.4147***（0.1570）
Finance -0.7752***（0.0116） -0.0647***（0.0116） -0.9430***（0.0124）
Dinvt-1 -2.2612***（0.0132） 0.1400***（0.0132） -0.2206***（0.0123）
WDinv 191.0413***（0.0783） 11.8747***（0.0721） 75.8203***（0.0799）
WDinvt-1 145.0035***（0.1135） 10.4977***（0.1012） 9.3192***（0.1009）
WHuman -0.5131***（0.0008） -0.0260***（0.0007） -0.1501***（0.0009）
WScale -148.4452***（0.1472） -8.1660***（0.1324） -108.5872***（0.1789）
WMarket -214.9572***（0.5551） -7.7081***（0.4664） 173.6384***（0.6134）
WConsum 79.4964***（0.2107） 4.7637***（0.1901） -7.1796***（0.2241）
WBigdata -58.9533***（0.1880） -3.3740***（0.1780） 2.7672***（0.1994）
WGov -26.4579***（0.7343） 2.2531***（0.6690） 135.7371***（0.7954）
WFinance -25.4618***（0.0912） -1.2185***（0.0763） -28.3195***（0.1000）
Log-likelihood -1691.2813 -1691.4013 -2009.8441

注：表中***、**和*分别表示计量结果的显著性水平为1%、5%和10%，括号内的数值是标准误。表5同。

表5报告了剔除共同因子分别采用反距离地理空间权重矩阵、地理与经济距离嵌套矩阵的双向动态空间面板杜宾模型的短期和长期直接效应和间接效应。同时，报告了未剔除共同因子采用反距离地理空间权重矩阵的估计结果。本文以剔除共同因子采用反距离地理空间权重矩阵的估计结果为基准回归结果进行分析。
表5 双向动态空间面板杜宾模型的直接效应和间接效应

Tab.5 Direct and indirect effects of bidirectional dynamic spatial panel Durbin model

权重矩阵 效应 Human Scale Market Consum Bigdata Gov Finance
反距离地理
空间权重矩阵		 短期直
接效应		 0.0013***
（0.0000）		 0.7339***
（0.0035）		 0.8062***
（0.0111）		 -0.2597***
（0.0057）		 0.8010***
（0.0128）		 0.7826***
（0.0249）		 0.0150***
（0.0032）
短期间
接效应		 0.0015***
（0.0000）		 0.0448***
（0.0032）		 0.3317***
（0.0103）		 -0.1627***
（0.0056）		 -0.5123***
（0.0127）		 -0.6700***
（0.0247）		 0.1230***
（0.0031）
短期
总效应		 0.0027***
（0.0000）		 0.7788***
（0.0007）		 1.1378***
（0.0030）		 -0.4224***
（0.0010）		 0.2887***
（0.0009）		 0.1127***
（0.0036）		 0.1381***
（0.0005）
长期直
接效应		 0.0010***
（0.0000）		 0.4032***
（0.0011）		 0.5075***
（0.0028）		 -0.1763***
（0.0014）		 0.3117***
（0.0019）		 0.2658***
（0.0063）		 0.0362***
（0.0006）
长期间
接效应		 0.0006***
（0.0000）		 0.0415***
（0.0009）		 0.1423***
（0.0022）		 -0.0649***
（0.0013）		 -0.1468***
（0.0016）		 -0.2014***
（0.0060）		 0.0426***
（0.0005）
长期
总效应		 0.0016***
（0.0000）		 0.4447***
（0.0004）		 0.6498***
（0.0017）		 -0.2412***
（0.0006）		 0.1649***
（0.0005）		 0.0643***
（0.0021）		 0.0788***
（0.0003）
地理与经济
距离嵌套矩阵		 短期直
接效应		 -0.0040
（0.0948）		 -0.7122
（21.5886）		 -0.7854
（23.2236）		 0.7591
（17.5053）		 0.3449
（0.9820）		 1.7410
（31.9364）		 -0.2111
（5.1677）
短期间
接效应		 0.0064
（0.0948）		 1.4595
（21.5892）		 1.5003
（23.2202）		 -1.2056
（17.5057）		 -0.0647
（0.9807）		 -2.0241
（31.9368）		 0.3291
（5.1674）
短期
总效应		 0.0025***
（0.0001）		 0.7473***
（0.0116）		 0.7149***
（0.0444）		 -0.4465***
（0.0160）		 0.2802***
（0.0140）		 -0.2831***
（0.0581）		 0.1180***
（0.0068）
长期直
接效应		 0.0005***
（0.0001）		 0.2629***
（0.0153）		 0.1986***
（0.0309）		 -0.1059***
（0.0172）		 0.2221***
（0.0203）		 0.2498***
（0.0705）		 0.0137**
（0.0067）
长期间
接效应		 0.0007***
（0.0001）		 0.1150***
（0.0134）		 0.1629***
（0.0265）		 -0.1199***
（0.0169）		 -0.0805***
（0.0164）		 -0.3930***
（0.0683）		 0.0460***
（0.0062）
长期
总效应		 0.0012***
（0.0000）		 0.3779***
（0.0056）		 0.3615***
（0.0223）		 -0.2258***
（0.0081）		 0.1417***
（0.0070）		 -0.1432***
（0.0293）		 0.0597***
（0.0034）
未剔除共同因
子的估计结果		 短期直
接效应		 0.0076***
（0.0012）		 1.0904***
（0.0782）		 -8.0883***
（1.2803）		 0.5459***
（0.1080）		 0.4996***
（0.1256）		 -20.8381***
（4.1671）		 2.0219***
（0.3613）
短期间
接效应		 -0.0055***
（0.0012）		 0.3380***
（0.0794）		 5.7362***
（1.2785）		 -0.4462***
（0.1076）		 -0.5304***
（0.1260）		 18.8454***
（4.1652）		 -1.6308***
（0.3609）
短期
总效应		 0.0020***
（0.0000）		 1.4284***
（0.0025）		 -2.3521***
（0.0085）		 0.0997***
（0.0028）		 -0.0308***
（0.0023）		 -1.9927***
（0.0102）		 0.3911***
（0.0013）
长期直
接效应		 -0.0006**
（0.0003）		 1.3518***
（0.0152）		 0.4478
（0.2732）		 -0.1051***
（0.0266）		 -0.2515***
（0.0321）		 6.3240***
（0.8732）		 -0.3623***
（0.0764）
长期间
接效应		 0.0024***
（0.0003）		 -0.0783***
（0.0153）		 -2.5449***
（0.2721）		 0.1940***
（0.0262）		 0.2240***
（0.0313）		 -8.1006***
（0.8719）		 0.7109***
（0.0761）
长期
总效应		 0.0018***
（0.0000）		 1.2735***
（0.0022）		 -2.0971***
（0.0076）		 0.0889***
（0.0025）		 -0.0275***
（0.0021）		 -1.7767***
（0.0091）		 0.3487***
（0.0012）
总体而言，人力资本、企业规模、市场竞争、消费需求、大数据资源和政府支持等因素的短期效应均大于长期效应，表明这些因素在短期内对数字创新的效应更大，随着时间推移其效应相对减弱。而金融发展则是长期效应大于短期效应，意味着金融发展对数字创新具有长期性和持续性影响，对数字创新发展至关重要。进一步，不同因素对数字创新影响也具有明显的异质性，具体表现为：
①对数字创新的直接和间接效应均显著为正的因素主要有人力资本、企业规模、市场竞争和金融发展。这些因素不仅能够促进本市域数字创新发展，而且对邻近市域也具有正向空间溢出效应。具体而言，人力资本主要通过创新思维、专业知识、技术能力和团队协同等方式促进数字创新活动，并通过市域间人力资本流动、学习交流促进邻近市域数字创新发展。规模大的企业凭借雄厚的研发能力，通过增加要素投入增强市域数字创新能力，规模小的企业依靠敏捷灵活的优势，通过开放创新模式，找寻合作伙伴等方式发展适应市场需求的数字创新，在促进本市域数字创新的同时，也可以增强与邻近市域合作，推动其数字创新发展。市场竞争能激发创新思维和创新动力，促使创新主体不断探寻新商业模式，研发新产品和加速技术更新，增强本市域数字创新竞争力，同时本市域创新主体为强化竞争力，会积极寻求与邻近市域创新主体合作，通过同享资源要素，进行共同研发，促进邻近市域数字创新。金融发展不仅能为数字创新主体提供风险投资、股权融资等多种形式的资金支持，而且也进一步推动金融科技创新和金融市场创新，从而显著促进本市域和邻近市域数字创新发展。
②对数字创新的直接效应为正、间接效应为负的因素为大数据资源和政府支持，表明其对本市域数字创新具有促进作用，而对邻近市域具有抑制作用。大数据资源包含大量的消费和交易数据，数字创新主体通过充分挖掘和分析大数据资源，可以深入了解消费者行为和市场发展趋势，有利于明确数字创新方向，促进数字产品改进和精准营销。然而，由于本市域与邻近市域之间存在数据壁垒、技术差距或数据安全等问题，大数据资源会对邻近市域数字创新产生负面影响。同时，政府通过完善政策制度环境、加强数字基础设施建设和相应资金支持，为数字创新主体进行创新活动提供良好的政策技术环境，从而促进本市域数字创新发展。但政府由于会给予本市域数字创新主体更多要素资源和政策优惠，会导致本市域产业集中，对邻近市域产生极化效应，造成负向影响。
③对数字创新的直接和间接效应均显著为负的因素是消费需求，表明其对本市域和邻近市域数字创新具有抑制作用。一方面，消费需求不断增加可能引起本市域内企业之间，本市域与邻近市域企业之间产生过度竞争，导致创新要素资源错配和成本增加，加之消费者对部分数字产品持保守的消费态度以及市场规模有限，都会对数字创新产生明显的负面影响。另一方面，消费隐私和数据安全愈发受监管部门重视，会对数字创新主体带来新的风险和成本，从而对数字创新发展产生负面影响。

4 结论及启示

4.1 主要结论

通过探讨2000—2020年中国数字创新的时空格局演变和驱动力因素，得出如下结论：
①中国数字创新呈“南强北弱、东高西低”的空间分布格局，不平衡性主要体现在南北方向上。分地区看，南北地区数字创新发展的空间分布模式具有显著差异。其中北方地区数字创新主要沿东北—西南方向线性发展，椭圆形状呈扁化，表现为“线性—扁化—收缩”空间分布模式，数字创新集聚度呈逐渐衰减趋势；南方地区数字创新呈多点并进态势，椭圆形状趋于圆化，面积逐渐拓展，呈“多点—圆化—扩展”空间均衡性分布发展模式，数字创新聚集度正在逐渐增强。
②中国数字创新与科技创新、数字经济具有强时空相关性。在样本期内，科技创新发展相对成熟稳定，数字创新和数字经济发展处于成长波动期。在经纬度上，数字创新重心与数字经济重心均逐渐向科技创新重心收敛。在空间重叠性上，数字创新重心与科技创新重心、数字经济重心的空间重叠性明显增强，并且三者的空间一致性程度高，相关性强。
③中国市域数字创新显著受到全国数字创新影响，但不同市域存在异质性。在南北方向上，南方地区市域对全国数字创新发展的敏感性较强，北方地区市域的敏感性相对较低；在东西方向上，东部和中部地区市域对全国数字创新发展的敏感性较大，而西部地区市域的敏感性相对较小。
④中国数字创新在市域之间具有明显的空间相关性。数字创新在时间上具有显著的技术锁定效应，上一期对当期数字创新发展具有负向作用。其中，人力资本、企业规模、市场竞争、消费需求、大数据资源和政府支持等因素对数字创新影响的短期效应大于长期，而金融发展的影响与上述因素相反。同时，人力资本、企业规模、市场竞争和金融发展对本市域和邻近市域数字创新具有推动效应；大数据资源和政府支持对本市域数字创新具有促进作用，对邻近市域数字创新存在抑制作用；而消费需求对本市域和邻近市域均存在一定抑制效应。

4.2 政策启示

基于上述研究结论，本文得到如下政策启示：
①强化数字创新在区域协调发展战略中的政策设计，不断缩小区域数字创新发展差距。一要科学制定区域数字创新协调发展战略规划，加强对北方地区、中西部地区的政策倾斜力度，更加注重南北地区数字创新发展的均衡性，支持北方地区建设数字创新中心城市，优化北方地区和中西部地区市场发展环境，完善创新生态系统、培养壮大科技人才队伍，加快数字基础设施建设。二要推动南北地区、中西部地区创新资源要素流动，打造数字产业集群，探索推动南北跨区域数字协同创新发展，缩小区域差距。
②积极推动数字创新与科技创新、数字经济协调发展。一要充分发挥科技创新的基础性和支撑性作用，营造良好的数字创新发展生态，注重知识产权和数字专利保护。二要加强不同区域之间数字创新和科技创新、数字经济之间融合发展，推进企业、高校和科研机构等创新主体之间深度合作，不断拓展数字创新领域。三要积极推进数字技术与传统产业融合发展，将大量数字技术创新成果运用于产业转型升级、提升产业链附加值上，积极培育新兴产业，做大做强数字经济，有效弥合区域间数字鸿沟，充分释放数字红利。
③充分考虑不同地区市域发展数字创新的差异性，加大对北方地区和西部地区市域在资金、技术设备、人才等方面的支持力度，鼓励建设创新创业基地。一要开拓数字技术创新交易市场，激发科研人员积极性。二要合理引导高水平数字创新市域以对口帮扶、项目合作等多种形式与低水平数字创新市域展开合作，壮大数字研发人才队伍，鼓励支持不同规模科技创新企业发展，增加数据资源投入，建设数据中心、云计算等大数据基础设施，有效整合银行信贷、风险投资等多种融资方式，促进金融科技和市场创新。三要加大数字产品的正向宣传，增设形式多样的数字体验中心，逐步改善消费偏好，扩大数字消费市场规模。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
求是编辑部. 发展我国数字经济的科学指引[J]. 求是, 2022(2):9-14.

[2]
习近平. 不断做强做优做大我国数字经济[J]. 求是, 2022(2):4-8.

[3]
贺俊. 数字技术创新体系的特征与政府作用[J]. 求索, 2023(5):107-115.

[4]
Huang Q, Xu C, Xue X, et al. Can digital innovation improve firm performance:Evidence from digital patents of Chinese listed firms[J]. International Review of Financial Analysis, 2023,89:102810.

[5]
田秀娟, 李睿. 数字技术赋能实体经济转型发展——基于熊彼特内生增长理论的分析框架[J]. 管理世界, 2022, 38(5):56-74.

[6]
黄勃, 李海彤, 刘俊岐, 等. 数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J]. 经济研究, 2023, 58(3):97-115.

[7]
陶锋, 朱盼, 邱楚芝, 等. 数字技术创新对企业市场价值的影响研究[J]. 数量经济技术经济研究, 2023, 40(5):68-91.

[8]
Laatikainen G, Ojala A. The pricing capability lifecycle of digital innovations[J]. Technology Analysis & Strategic Management, 2023, 35(3):314-325.

[9]
张辽, 姚蕾. 数字技术创新对城市经济韧性的影响研究——来自中国278个地级及以上城市的经验证据[J]. 管理学刊, 2023, 36(5):38-59.

[10]
潘冬. 知识产权示范城市建设能促进企业数字创新吗?[J]. 经济体制改革, 2023(5):49-58.

[11]
赵扬, 杜凯. “加速折旧”如何赋能数字企业创新?[J]. 南方经济, 2023(4):130-158.

DOI

[12]
夏范社, 何德旭. 明星分析师第一名关注与企业数字技术创新[J]. 山西财经大学学报, 2023, 45(11):100-111.

[13]
唐蓓, 刘林荧. 数字并购能够提高企业的数字创新绩效吗?——基于A股上市公司的实证研究[J]. 东岳论丛, 2023, 44(10):142-153.

[14]
刘洋, 董久钰, 魏江. 数字创新管理:理论框架与未来研究[J]. 管理世界, 2020, 36(7):198-217,219.

[15]
周浩, 李健斌. 中国数字经济创新活动的特征事实与分析——来自专利的证据[J]. 暨南学报:哲学社会科学版, 2023, 45(9):54-68.

[16]
黄睿, 王坤, 黄震方, 等. 绩效视角下区域旅游发展格局的时空动态及耦合关系——以泛长江三角洲为例[J]. 地理研究, 2018, 37 (5):995-1008.

DOI

[17]
刘凤朝, 冯婷婷, 孙玉涛. 技术创新、FDI与经济重心移动及空间相关分析[J]. 大连理工大学学报:社会科学版, 2010, 31(3):1-7.

[18]
辛晓华, 吕拉昌. 中国城市创新重心的时空演变特征.[J] 地域研究与开发, 2020, 39(4):53-59.

[19]
白冰, 赵作权, 张佩. 中国南北区域经济空间融合发展的趋势与布局[J]. 经济地理, 2021, 41(2):1-10.

DOI

[20]
沈宏婷. 中国创新投入与创新产出的重心演变及耦合关系研究[J]. 现代经济探讨, 2023(4):125-132.

[21]
张萃, 王佰芳. 国内国际创新合作网络与城市创新[J]. 财贸经济, 2023, 44(11):122-136.

[22]
邹炀. 高等教育的多中心布局能提高城市创新水平吗[J]. 重庆高教研究, 2024, 12(1):46-62.

[23]
胡增玺, 马述忠. 市场一体化对企业数字创新的影响——兼论数字创新衡量方法[J]. 经济研究, 2023, 58(6):155-172.

[24]
Nambisan S, Lyytinen K, Majchrzak A, et al. Digital innovation management:Reinventing innovation management research in a digital world[J]. MIS Quarterly, 2017, 41(1):223-238.

[25]
谢康, 夏正豪, 肖静华. 大数据成为现实生产要素的企业实现机制:产品创新视角[J]. 中国工业经济, 2020(5):42-60.

[26]
韩峰, 阳立高. 生产性服务业集聚如何影响制造业结构升级?——一个集聚经济与熊彼特内生增长理论的综合框架[J]. 管理世界, 2020, 36(2):72-94,219.

[27]
Vega S H, Elhorst J P. A regional unemployment model simultaneously accounting for serial dynamics,spatial dependence and common factors[J]. Regional Science and Urban Economics, 2016,60:85-95.

[28]
Bailey N, Holly S, Pesaran M H. A two-stage approach to spatio-temporal analysis with strong and weak cross-sectional dependence[J]. Journal of Applied Econometrics, 2016, 31(1):249-280.

[29]
孙勇, 樊杰, 刘汉初, 等. 长三角地区数字技术创新时空格局及其影响因素[J]. 经济地理, 2022, 42(2):124-133.

DOI

[30]
左万水, 古恒宇, 周麟, 等. 中国市域数字经济创新空间格局演化及其驱动机制[J]. 经济地理, 2024, 44(6):102-112.

DOI

[31]
樊杰, 赵浩, 郭锐. 我国区域发展差距变化的新趋势与应对策略[J]. 经济地理, 2022, 42(1):1-11.

DOI

[32]
周民良. 经济重心、区域差距与协调发展[J]. 中国社会科学, 2000(2):42-53,206.

[33]
邓峰, 王一飞. 技术锁定对创新绩效的影响:创新模式的调节作用[J]. 科技进步与对策, 2022, 39(14):1-11.

DOI

[34]
杨震宁, 李东红, 马振中. 关系资本,锁定效应与中国制造业企业创新[J]. 科研管理, 2013, 34(11):42-52.

Options
Outlines

/

〈 〉