EN中文

Economic geography >

2026 , Vol. 46 >Issue 3: 118 - 126

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.03.012

Spatiotemporal Evolution and Influencing Factors of the Agglomeration Development of China's Digital-driven Enterprise

  • SONG Pei , 1 ,
  • LI Lin 2 ,
  • ZHU Qing 2 ,
  • AI Yang , ※
Expand
  • 1 Antai College of Economics and Management， Shanghai Jiao Tong University， Shanghai 200030， China
  • 2 Institute of Applied Economics， Shanghai Academy of Social Sciences， Shanghai 200020， China
  • 3 School of Economics， Nankai University， Tianjin 300071， China

Received date: 2025-07-25

  Revised date: 2026-01-21

  Online published: 2026-04-29

Fold

Abstract

Based on the data from Chinese cities and enterprises, this study employs the methods of Dagum Gini coefficient, Moran index, and Markov chain analysis to reveal the spatiotemporal evolution and influencing factors of the agglomeration development of digital-driven enterprise in China. The key findings are that: 1) Overall, China's digital-driven enterprises exhibit distinct distribution characteristics in 2007-2022. High-agglomeration areas are concentrated in four types of economic functional core zones: national core hubs, coastal gateways for opening up, heavy industry transformation cities, and inland regional centers. Medium-agglomeration areas are radially distributed around high-agglomeration cities. Low-agglomeration areas are mainly located in the four provinces of Yunnan, Guizhou, Tibet, Gansu, as well as some cities of Hubei, exhibiting positive spatial autocorrelation. 2) From a regional perspective, it shows significant disparities in the agglomeration development level of digital-driven enterprise among China's 19 major urban agglomerations. The Guangdong-Hong Kong-Macao Greater Bay Area, the Yangtze River Delta, the Beijing-Tianjin-Hebei, the Northern Slope of Tianshan Mountains, the Central and Southern Liaoning, the Harbin-Changchun, and the Jinzhong urban agglomerations exhibit relatively higher agglomeration development levels. These urban agglomerations act as the main source of overall spatial differences. 3) In terms of dynamic evolution, the agglomeration development of digital-driven enterprise shows a "gradient solidification" feature in 2007-2022. The main peak of the kernel density curve shifts slightly left. The peak value first decreases and then increases. The curve narrows with a left tail, and its shape changes from a flat shape to a steep one. 4) The seven influencing factors of agglomeration development of digital-driven enterprise can be divided into three tiers by impact intensity. Economic development level and human capital level are in the strong tier. Digital innovation level, government intervention level, and financial development level are moderate. Digital infrastructure and economic openness level are weak.

Key words： digital-driven enterprise; agglomeration economy; the integration of the real economy and the digital economy; urban agglomeration; resource allocation; Moran index

Cite this article

SONG Pei , LI Lin , ZHU Qing , AI Yang . Spatiotemporal Evolution and Influencing Factors of the Agglomeration Development of China's Digital-driven Enterprise[J]. Economic geography, 2026 , 46(3) : 118 -126 . DOI: 10.15957/j.cnki.jjdl.2026.03.012

促进实体经济与数字经济深度融合（简称“实数融合”），已成为中国经济转换增长新动能、塑造竞争新优势的核心战略路径。实数融合的本质，是将数据这一新型生产要素与人工智能、物联网等数字技术，深度嵌入并重塑传统产业的生产、流通、消费、服务全链条，驱动经济社会实现质量、效率与动力变革。在此进程中，数字驱动型企业发挥着重要支撑作用 ① 。该类企业倾向于在特定区域形成集群，这一空间现象并非偶然，而是推动实数融合战略目标落地的加速器。集聚发展能够促进知识溢出与技术扩散，降低创新成本，构建深度融合的产业生态，从而更高效地将数据要素转化为现实生产力[1]。因此，探究数字驱动型企业的集聚发展规律，对促进区域经济高质量发展具有重要的理论和现实意义。理论层面，该研究有助于揭示数字经济时代产业空间组织的内在逻辑与演化动力，丰富区域创新系统和新发展动能形成机制的相关理论认知；实践层面，针对我国数字驱动型企业区域分布不均衡、集聚效应差异显著的现实格局，科学把握其集聚动因、模式与效应，可为优化区域数字经济布局、构建精准高效的实数深度融合政策体系提供决策依据。
既有相关研究主要围绕三方面展开：一是集聚经济时空演变规律的研究方法[2-3]。学者们主要使用直接指标[4]或间接指标测度空间分布特征，其中间接指标包括泰尔指数[5]、地理集中指数[6]、熵指数[7]、空间基尼系数[8]、区位商[9]和莫兰指数[10]等；经空间测度后，通常借助核密度、Markov链等方法进一步开展时空特征分析[11]。二是关于集聚经济的研究主题及核心结论。经济发展规律表明，经济要素的空间集聚呈现出由分散城市向城市群演进的趋势。早期研究多聚焦制造业集聚情况，如Krugman分析美国制造业分布特征后发现，制造业主要集聚于东北部至五大湖地区[8]；中国制造业同样存在显著的空间集聚效应，集中分布在东部沿海地区，且不平衡性突出[5,12]。伴随中国经济服务化转型，服务业区域分布特征成为研究热点，服务业亦呈现明显集聚态势，其中生产性服务业主要集聚于上海、广东、山东、江苏和浙江等沿海地区[13-14]。近年来，新一代信息技术的快速发展推动研究视角转向数字经济相关产业。王彬燕、王军、Wang等发现中国数字经济发展呈现自东向西梯度递减的空间格局[15-17]。在空间相关性方面，数字经济发展表现出正向空间相关、分布不平衡以及网络状分布的空间特征[18-20]。三是数字经济及相关产业发展的影响因素研究[21]。Wang等提出，人力资本、信息从业人员、电信业务收入及互联网是驱动数字经济发展的关键因素[22]；Zhang等研究表明，制造型数字产业更依赖专利授权量、产业园区集聚和手机普及率，服务型数字产业则更侧重软件开发能力、数字金融发展和外商投资强度[23]；刘修岩等揭示了京津冀城市群、长三角城市群、粤港澳大湾区的数字企业分别呈现单核主导、单核向多中心转型、双核驱动的空间格局[24]。
综上可知，现有文献已在集聚经济的研究方法、主题与影响因素方面形成较为丰富的研究成果，但以数字驱动型企业这一实数融合重要载体为特定研究对象的探索仍较为匮乏。鉴于此，本文基于多维数据，采用Dagum基尼系数、莫兰指数、Markov链分析、核密度分析、地理探测器等方法，揭示中国数字驱动型企业集聚发展的时空演变趋势及其影响因素，为推动实数融合及区域协调发展提供有益启示。

1 研究方法与数据处理

1.1 研究方法

1.1.1 区位商

为揭示中国数字驱动型企业集聚发展的时空分布特征，本文采用区位商测算各城市数字驱动型企业集聚发展水平。区位商是区域经济学研究产业集聚水平、产业专业化水平的重要工具，计算方式为：
$L{Q}_{i}=\left({E}_{di}/{E}_{i}\right)/\left({E}_{d}/E\right)$
式中：LQi是i城市数字驱动型企业集聚发展的水平；Edi是i城市数字驱动型企业的数目；Ei是i城市所有企业的数目；Ed是全国范围内数字驱动型企业的数目；E是全国范围内所有企业的数目。城市区位商大于1，表示该城市数字驱动型企业的集聚程度高于全国平均水平。

1.1.2 空间相关性分析

为考察中国数字驱动型企业集聚发展的空间相关性特征，本文采用莫兰指数进行空间相关性分析。莫兰指数是空间统计学中用于衡量空间自相关性的重要指标。

1.1.3 Dagum基尼系数

为揭示中国数字驱动型企业集聚发展的区域差异及其来源，本文采用Dagum基尼系数测算方法，从城市群视角剖析中国数字驱动型企业集聚发展的空间分布差异来源。

1.1.4 Markov链分析

为评估中国数字驱动型企业集聚发展水平的动态演变趋势，本文使用Markov链方法展开分析。马尔可夫性质是指系统的未来状态仅依赖于当前状态，与历史无关。

1.1.5 核密度分析

本文借助核密度分析方法考察中国数字驱动型企业集聚发展的时空演进特征。核密度分析是一种非参数统计方法，通过将离散的空间点位转化为连续密度表面，估计连续随机变量的概率密度分布，直观展示数据本身的分布特征。

1.1.6 影响因素分析

为探究中国数字驱动型企业集聚发展的影响因素，本文首先构建回归分析模型，初步揭示各因素与数字驱动型企业集聚发展之间的相关关系，再采用单因子探测方法剖析不同因素的影响强度。具体模型如下：
$L{Q}_{it}={\alpha }_{0}+\sum {\beta }_{i}{X}_{it}+{\epsilon }_{it}$
式中：LQit是第i个城市在第t年的数字驱动型企业集聚发展水平；Xit是第i个城市在第t年的影响因素变量；εit是随机误差项。
进一步地，采用单因子探测方法检验各因素影响数字驱动型企业集聚发展的程度差异。该方法是分析空间分异性的常用统计工具，通过计算q值识别研究对象产生空间分异的潜在因素与影响程度，其值越大表明对应因素的解释力度越强。

1.2 数字驱动型企业的划分方法

OECD于2018年发布工作报告《A Taxonomy of Digital Intensive Sectors》，从技术组成、人力资本和市场经济活动3个维度构建数字密集型行业测算框架，将行业划分为数字驱动型和非数字驱动型两类。本文基于OECD框架建立更契合中国实际的数字驱动型产业划分标准。技术维度：在ICT中间投入基础上，增补数字技术专利指标，剔除机器人使用指标，以克服服务业机器人数据缺失的问题。资本维度：将测度范围由ICT软硬件投资拓展至全口径数字相关有形与无形资本积累，突破原框架仅以ICT资产代表数字资产的局限。人才维度：舍弃以在线销售份额衡量的市场活动指标，纳入数字人才吸纳维度，强化人力资本的核心作用。结果表明，本文测算结果与OECD的分类呈现出高度一致性 ② 。

1.3 数据处理

为系统考察中国数字驱动型企业的集聚特征，本文以城市为基本空间单元展开研究。基于数据的可得性与连续性，选取2007—2022年中国275个城市作为研究样本，覆盖全国主要地级行政单元。数据包括企业和城市两个维度。企业层面的原始数据来自中国工商注册企业数据库。该数据库收录了全国5200万家企业、1.5亿个体工商户的工商企业注册信息，覆盖全国各省、自治区、直辖市的所有企业和个体[25]。数据处理过程为：①根据成立日期筛选出每年新增的注册企业，按照经营状态剔除“注销”的企业，得到当年存续的企业；②按照企业注册地址划分企业所属城市，将企业所属中类行业与数字驱动型行业匹配，识别出数字驱动型企业；③加总得到每个城市的数字驱动型企业数量。城市层面的原始数据来源于《中国城市统计年鉴》《中国统计年鉴》、各省份统计年鉴以及CNRDS数据库。所有名义指标均以2007年为基期进行平减。对于少量缺失值，本文采用线性插值法进行填补。

2 中国数字驱动型企业集聚发展的空间分布特征

2.1 总体空间分布特征

本文基于中国城市2007—2022年区位商的平均值，使用ArcGIS软件对中国数字驱动型企业集聚发展的总体空间分布特征进行可视化表达（图1）。按照集聚水平将城市划分为高、中等、低三类，分别对应图中橙色、黄色与绿色区域。首先，数字驱动型企业高集聚区主要集中于4类经济功能核心区域：国家核心枢纽（北京、上海、广州）、沿海开放门户（天津、大连、秦皇岛、宁波、厦门等）、重工业转型城市（沈阳、锦州、太原、长春、石家庄等）、内陆区域中心（郑州、西安、兰州、成都、昆明等）。上述城市经济发展水平整体领先，数字产业生态较为完善，进而吸引大量数字驱动型企业集聚。其次，围绕区域中心城市，形成了包含206个城市的数字驱动型企业中等集聚区。这类城市经济规模与增速处于中等水平，产业结构偏传统，且面临人才外流问题，企业集聚主要依托中心城市的溢出效应与本地产业数字化转型驱动。最后，低集聚水平城市主要分布于云南、贵州、西藏、甘肃4个省份以及湖北的部分城市。该类城市在经济发展、人力资本、数字创新、金融服务等方面仍有较大提升空间，对数字驱动型企业集聚的吸引力不足。
图1 城市数字驱动型企业集聚发展水平

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

Fig.1 Spatial distribution of the agglomeration development level of digital-driven enterprises in China's cities

进一步地，本文采用莫兰指数，基于空间邻接矩阵、空间地理矩阵和空间经济地理矩阵，对数字驱动型企业集聚发展水平进行空间自相关检验（表1）。结果显示，样本期内全局莫兰指数均显著为正，表明中国数字驱动型企业集聚呈现出显著的正向空间自相关性。时间趋势上，基于空间经济地理矩阵的计算结果呈逐步上升趋势，而基于空间邻接矩阵和空间地理矩阵的计算结果呈现先升后降趋势。这表明城市间数字驱动型企业集聚发展水平的相关性不断增强，并且经济相似性逐渐取代地理联系成为更重要的因素。此外，局部莫兰指数结果显示，样本城市主要处于第一、第三象限，呈现“高高聚集、低低聚集”的空间特征。与2007年相比，2022年数字驱动型企业集聚发展的空间自相关程度有所提升 ③ 。
表1 中国数字驱动型企业集聚发展水平全局莫兰指数

Tab.1 Global Moran index of the agglomeration development level of China's digital-driven enterprise

年份 数字驱动型企业集聚发展水平
空间邻接矩阵 空间地理矩阵 空间经济地理矩阵
Moran's I Z值 Moran's I Z值 Moran's I Z值
2007 0.310*** 7.564 0.073*** 14.495 0.083*** 2.800
2008 0.319*** 7.779 0.072*** 14.446 0.088*** 2.979
2009 0.343*** 8.358 0.077*** 15.216 0.115*** 3.847
2010 0.374*** 9.090 0.079*** 15.762 0.128*** 4.270
2011 0.392*** 9.537 0.081*** 16.079 0.131*** 4.383
2012 0.407*** 9.903 0.083*** 16.416 0.139*** 4.642
2013 0.414*** 10.075 0.082*** 16.194 0.151*** 5.011
2014 0.411*** 9.989 0.078*** 15.514 0.165*** 5.481
2015 0.410*** 9.963 0.079*** 15.657 0.181*** 6.010
2016 0.402*** 9.790 0.080*** 15.906 0.207*** 6.854
2017 0.399*** 9.704 0.080*** 15.897 0.231*** 7.625
2018 0.387*** 9.408 0.076*** 15.205 0.255*** 8.411
2019 0.373*** 9.093 0.073*** 14.564 0.269*** 8.864
2020 0.386*** 9.388 0.074*** 14.699 0.302*** 9.935
2021 0.370*** 9.011 0.072*** 14.425 0.301*** 9.902
2022 0.361*** 7.564 0.073*** 14.594 0.324*** 10.639

注：***、**和*分别表示在1%、5%和10%水平上显著。表4~表5同。

2.2 区域空间分布特征

前文从城市层面揭示了中国数字驱动型企业集聚发展的空间分布特征与显著区域差异。那么，这种城市间发展水平的差异根源何在?一个可能的解释是不同城市群之间的发展差异。为此，本文从城市群视角展开进一步分析，重点回答两个关键子问题：一是城市群之间的数字驱动型企业集聚发展水平是否存在显著差异?二是城市间的总体发展差异主要是源于城市群之间的差距，还是源于城市群内部各城市间的差距?
首先，回答第一个子问题。图2是2007—2022年19个城市群数字驱动型企业集聚发展水平平均值的雷达图，其中区位商的值由外向内递减，且第二个圆周对应的值为1。结果显示，城市群之间数字驱动型企业集聚发展水平的差异明显，其中粤港澳大湾区、长江三角洲、京津冀等7个城市群的数字驱动型企业集聚发展水平更高。可能原因是：①粤港澳、长三角、京津冀城市群的数字基础设施更加完备、科技人才供给充足，数字创新生态与应用场景领先，形成显著的“马太效应”，使其成为数字产业聚集高地。②天山北坡、辽中南、哈长、山西晋中城市群属于政策驱动型集聚高地，其集聚格局更多依托国家重大战略和政策红利支撑，而非成熟的数字经济生态。③数字驱动型企业的集聚反映了技术、资本、人才及政策的“马太效应”，其余城市群多存在关键要素供给不足或因政策支持力度较弱等问题，难以形成有效集聚。
图2 中国城市群数字驱动型企业集聚发展水平的雷达图

Fig.2 Radar map of the agglomeration development level of digital-driven enterprises in China's urban agglomerations

其次，回答第二个子问题。图3报告了2007—2022年中国数字驱动型企业集聚发展的Dagum基尼系数变化趋势及其分解情况。从时间趋势来看，总体基尼系数呈现先升后降趋势，表明全国层面数字驱动型企业集聚的空间差异先扩大后缩小。从分解结果看，研究期内区域内差异的贡献度较小且稳定在7%左右，区域间差异的贡献度较大且呈现出缓慢下降的趋势，超变密度贡献度则显著上升。上述结果表明：中国城市群内部各城市之间的差异对总体差异的贡献较低；城市群间平均发展水平差距是总体差异的主要来源，但其主导地位逐步弱化；不同城市群之间特定城市发展水平的交叉重叠，逐渐成为解释总体差异的重要因素，即欠发达群内的高发展水平城市超越部分发达城市群中低发展水平城市的现象日趋普遍。
图3 中国数字驱动型企业集聚发展的区域差异及其来源贡献率

Fig.3 Regional differences and contribution rates of the agglomeration development of China's digital-driven enterprise

3 中国数字驱动型企业集聚发展的动态演进

3.1 中国数字驱动型企业集聚发展的Markov链分析

本文使用Markov链分析方法，探索数字驱动型企业集聚发展的未来演进趋势，以四分位数为依据将样本划分为“低”“中低”“中高”和“高”4组，依次由类型Ⅰ、Ⅱ、Ⅲ、Ⅳ表示（表2）。首先，传统Markov链分析结果显示，中国数字驱动型企业集聚发展具有较强的“梯度固化”特征，即路径依赖。转移概率矩阵对角线数值均值为0.900，呈现“两端高，中间低”的特征，其中类型Ⅰ和类型Ⅳ维持状态的概率分别为0.949、0.909，显著高于其他类型。这表明数字驱动型企业集聚水平处于两极的城市，更倾向于维持现状。此外，在转移概率矩阵的非对角线数值中，类型Ⅰ和类型Ⅳ的跨水平变动概率为0，类型Ⅱ和类型Ⅲ的跨水平变动概率均小于1%，说明城市数字驱动型企业集聚发展水平仅能实现邻近水平变动，难以发生跨水平跃迁。
表2 Markov转移概率矩阵结果

Tab.2 Markov transfer probability matrix

Markov
链类型		 空间滞后类型 t/t+1 Ⅰ Ⅱ Ⅲ Ⅳ
传统 无滞后 Ⅰ 0.949 0.051 0.000 0.000
Ⅱ 0.055 0.894 0.048 0.004
Ⅲ 0.002 0.103 0.849 0.046
Ⅳ 0.000 0.000 0.091 0.909
空间 邻近程度低 Ⅰ 0.992 0.004 0.000 0.004
Ⅱ 0.200 0.667 0.133 0.000
Ⅲ 0.000 0.375 0.500 0.125
Ⅳ 0.000 0.000 0.020 0.980
邻近程度较低 Ⅰ 0.976 0.015 0.004 0.004
Ⅱ 0.273 0.545 0.152 0.030
Ⅲ 0.152 0.333 0.303 0.212
Ⅳ 0.004 0.013 0.069 0.914
邻近程度较高 Ⅰ 0.939 0.041 0.014 0.006
Ⅱ 0.352 0.338 0.268 0.042
Ⅲ 0.074 0.263 0.421 0.242
Ⅳ 0.012 0.005 0.054 0.929
邻近程度高 Ⅰ 0.903 0.073 0.019 0.004
Ⅱ 0.315 0.356 0.274 0.055
Ⅲ 0.078 0.252 0.515 0.155
Ⅳ 0.003 0.007 0.029 0.961
其次，为考察地理空间依赖性的动态影响，本文采用空间Markov链方法展开进一步分析（表2）。结果显示，转移概率矩阵对角线数值“两端高，中间低”的特征进一步加强。一方面，处于类型Ⅰ和类型Ⅳ的城市仍保持明显的“梯度固化”。尤其是类型Ⅳ在各类空间滞后类型下，维持状态的概率均高于传统Markov链结果，表明地理空间依赖强化了低集聚水平城市数字驱动型企业的发展壁垒，同时强化了高集聚水平城市的优势。另一方面，类型Ⅱ和类型Ⅲ的对角线数值显著低于传统Markov链结果，而非对角线数值显著提升，且向低类型转移的概率明显上升。这意味着，在地理空间依赖作用下，处于类型Ⅱ和类型Ⅲ的城市数字驱动型企业集聚状态稳定性下降，更易产生状态转移，且向下转移的概率更大。

3.2 中国数字驱动型企业集聚发展的核密度分析

为分析中国数字驱动型企业集聚发展的空间分布集中度及动态演变趋势，本文绘制2007—2022年全国层面的核密度曲线图，从峰值位置、分布形态和时间演变3方面揭示中国数字驱动型企业集聚发展水平的时空演变特征（图4）。从峰值位置来看，研究期内核密度曲线的主峰位置略微左移，峰值先下降后上升；从分布形态来看，研究期内核密度曲线呈现左部拖尾特征，且由扁平式变为高耸式，峰值逐步抬升，宽度持续收窄。这说明中国数字驱动型企业逐渐向少数城市集聚，且城市间集聚水平差异趋于缩小。具体而言，2007年核密度曲线呈多峰分布，数字驱动型企业集聚发展呈现多极化特征，侧峰整体偏左且峰形较宽，反映出早期数字驱动型企业集聚发展离散程度较高，以中低集聚水平城市追赶为主，头部城市间集聚水平差距较小。2022年核密度曲线转为单峰窄幅分布，集聚发展呈现极化特征。对比可见，历经十余年的发展，中国数字驱动型企业集聚发展水平整体提升并向少数城市集中，但尾部城市集聚水平仍存在发展停滞现象。
图4 中国数字驱动型企业集聚发展的核密度曲线图

Fig.4 Kernel density curve of the agglomeration development of China's digital-driven enterprise

进一步地，本文对中国19个城市群进行核密度分析（表3）。首先，在分布延展性上，各城市群的核密度曲线均表现为左拖尾，延展收敛，表明城市群区域内数字驱动型企业存在不同程度上的集聚发展。其次，在分布位置上，区域内数字驱动型企业集聚发展水平随曲线右移上升，左移下降。其中，粤港澳大湾区、长江三角洲等9个城市群右移，海峡西岸、山东半岛等10个城市群左移。再次，在主峰分布形态上，北部湾、天山北坡和黔中3个城市群主峰高度上升或持平、宽度变大，表明区域内城市数字驱动型企业集聚发展稳步推进。其余城市群的主峰分布形态表现为高度与宽度双向波动，表明区域内数字驱动型企业集聚发展处于调整重构阶段。最后，波峰数目反映了区域内时空演变的极化趋势。双峰格局对应黔中和呼包鄂榆城市群，呈现基础分工特征；多峰格局对应长江三角洲和京津冀等城市群，体现多中心发展特征；双峰与多峰并存则对应粤港澳大湾区、海峡西岸等城市群，表明区域内数字驱动型企业集聚发展的梯度转移趋于成熟。
表3 中国19个城市群数字驱动型企业集聚发展的分布及特征

Tab.3 Distribution characteristics of the agglomeration development of digital-driven enterprise in 19 urban agglomerations of China

城市群 分布位置 主峰分布形态 分布延展性 波峰数目
粤港澳大湾区 右移 高度先上升后下降，宽度变大 左拖尾，延展收敛 双峰、多峰
海峡西岸 左移 高度先上升后下降，宽度先变大后变小 左拖尾，延展收敛 双峰、多峰
长江三角洲 右移 高度先下降后上升，宽度先变小后变大 左拖尾，延展收敛 多峰
山东半岛 左移 高度先下降后上升，宽度变大 左拖尾，延展收敛 双峰、多峰
京津冀 左移 高度先下降后上升，宽度先变小后变大 左拖尾，延展收敛 多峰
长江中游 右移 高度先下降后上升，宽度变大 左拖尾，延展收敛 多峰
中原 右移 高度先下降后上升，宽度先变小后变大 左拖尾，延展收敛 多峰
山西晋中 左移 高度先下降后上升，宽度先变小后变大 左拖尾，延展收敛 双峰、多峰
成渝 左移 高度先下降后上升，宽度变小 左拖尾，延展收敛 多峰
北部湾 右移 高度上升，宽度变大 左拖尾，延展收敛 双峰、多峰
黔中 右移 高度上升，宽度变大 左拖尾，延展收敛 双峰
滇中 左移 高度先上升后下降，宽度不变 左拖尾，延展收敛 双峰、多峰
关中平原 右移 高度先上升后下降，宽度先变小后变大 左拖尾，延展收敛 双峰、多峰
兰西 左移 高度先下降后上升，宽度变小 左拖尾，延展收敛 单峰、双峰
宁夏沿黄 右移 高度先上升后下降，宽度变大 左拖尾，延展收敛 双峰、多峰
呼包鄂榆 左移 高度先下降后上升，宽度不变 左拖尾，延展收敛 双峰
天山北坡 右移 高度不变，宽度变大 左拖尾，延展收敛 单峰
辽中南 左移 高度先下降后上升，宽度变大 左拖尾，延展收敛 单峰、双峰
哈长 左移 高度先下降后上升，宽度先变小后变大 左拖尾，延展收敛 单峰、双峰、多峰

4 中国数字驱动型企业集聚发展的影响因素分析

4.1 数字驱动型企业集聚发展水平的影响因素选取

基于数据可得性，本文选取以下影响因素进行分析。①经济发展水平（Pgdpit）：数据要素的价值实现依赖于网络效应，相较于传统企业，市场规模对数字驱动型企业的影响更大。本文将经济发展水平作为城市市场规模的代理变量，采用地区人均GDP的对数值衡量。②经济开放水平（Openit）：更高的区域贸易开放度有助于数字驱动型企业拓展海外市场。本文采用城市进出口总额占GDP的比重衡量经济开放水平。③数字基础设施建设（Digit）：数字驱动型企业发展高度依赖新型数字基础设施建设。本文以城市电信业务收入占GDP的比重衡量数字基础设施建设。④政府干预程度（Govit）：资源配置效率取决于市场机制与政府行为的边界，过度或不恰当的政府干预可能扭曲价格信号、阻碍要素自由流动。本文以政府财政一般支出占GDP的比重衡量政府干预程度。⑤数字创新水平（Pantentit）：数字驱动型企业倾向于选择技术生态完善、产学研协同紧密的地区，以降低研发风险、加速技术迭代。本文选取城市创新水平作为城市数字技术要素的代理变量，以城市当年授权的数字经济相关发明数量（万件）衡量。⑥人力资本水平（Humanit）：数字技能人才已成为数字驱动型企业发展所需的关键生产要素，其区域供给水平直接影响企业技术吸收与创新能力。本文采用每万人高等学校在校学生数衡量城市人力资本水平。⑦金融发展水平（Finit）：金融资源供给是数字驱动型企业区位选择的核心考量。本文以年末金融机构存贷款余额占GDP的比重衡量城市的金融发展水平。
表4报告了相关变量之间的相关系数检验结果。结果显示，数字驱动型企业集聚发展水平与7个影响因素之间呈现出显著的相关性关系。仅政府干预程度与数字驱动型企业集聚发展水平之间呈现负向影响，其余影响因素均有利于促进数字驱动型企业集聚发展。上述结果初步揭示出7个影响因素对数字驱动型企业集聚发展的影响方向。
表4 变量的相关系数检验结果

Tab.4 Test results of the correlation coefficients of variables

变量 LQ Open Gov Fin Human Pgdp Dig Patent
LQ 1.000
Open 0.190*** 1.000
Gov -0.245*** -0.122*** 1.000
Fin 0.270*** 0.171*** 0.122*** 1.000
Human 0.408*** 0.203*** -0.250*** 0.633*** 1.000
Pgdp 0.301*** 0.216*** -0.332*** 0.396*** 0.470*** 1.000
Dig 0.070*** 0.046*** 0.078*** 0.012 -0.023 -0.333*** 1.000
Patent 0.214*** 0.161*** -0.054*** 0.263*** 0.227*** 0.279*** -0.039** 1.000

注：为节省版面，标准误不显示。表5同。

4.2 回归结果分析

本文采用最小二乘法对式（2）进行回归估计，表5列示了7个影响因素对数字驱动型企业集聚发展的回归结果。结果显示，各影响因素均通过显著性检验，且影响方向与理论预期一致。具体而言，经济开放水平、金融发展水平、人力资本水平、经济发展水平、数字基础设施建设、数字创新水平对数字驱动型企业集聚发展的回归系数为正，对数字驱动型企业集聚具有正向驱动作用；政府干预水平的回归系数显著为负，表明过度或不恰当的政府干预会抑制数字驱动型企业集聚。
表5 七大影响因素的回归结果

Tab.5 Regression results of seven major influencing factors

变量 （1） （2） （3） （4） （5） （6） （7）
Open 0.045*** 0.039*** 0.026*** 0.023*** 0.021*** 0.018*** 0.016***
Gov -0.303*** -0.358*** -0.234*** -0.202*** -0.191*** -0.192***
Fin 0.059*** 0.020*** 0.015*** 0.011*** 0.008*
Human 1.478*** 1.406*** 1.360*** 1.350***
Pgdp 0.015*** 0.026*** 0.022***
Dig 0.903*** 0.888***
Patent 0.065***
常数项 0.948*** 1.006*** 0.960*** 0.948*** 0.793*** 0.656*** 0.698***

4.3 单因子探测分析

本文使用地理探测器识别上述影响因素的影响强度。由表6可知，7个因素的影响强度在2007、2012和2017年较为稳定。其中，经济发展水平和人力资本水平的影响较大，处于第一梯队；数字创新水平、政府干预水平以及金融发展水平的影响强度次之，处于第二梯队；数字基础设施建设和经济开放水平的影响强度较弱，处于第三梯队。该结果契合新经济地理学中的市场规模效应以及人力资本理论中的技能偏向型技术进步理论，说明在数字经济发展初期，本地市场容量与高素质劳动力供给是驱动企业区位选择的核心因素。2022年数字创新水平影响强度大幅提升并跃迁至第一梯队，人力资本水平和金融发展水平的影响强度分别回落至第二、三梯队，经济开放水平影响强度有所提升并跃迁至第二梯队。这表明伴随数字驱动型企业集聚发展趋于成熟，人才与资本的稀缺性相对下降，而技术迭代、生态协同以及数字全球化的驱动作用逐渐凸显。
表6 空间分异因子探测结果

Tab.6 Spatial differentiation factor detection results

影响因子 2007 2012 2017 2022
q值 p值 q值 p值 q值 p值 q值 p值
Open 0.040 0.046 0.057 0.006 0.143 0.000 0.278 0.000
Gov 0.044 0.031 0.086 0.000 0.081 0.000 0.215 0.000
Fin 0.062 0.005 0.072 0.000 0.189 0.000 0.184 0.000
Human 0.153 0.000 0.131 0.000 0.221 0.000 0.260 0.000
Pgdp 0.075 0.000 0.155 0.000 0.190 0.000 0.297 0.000
Dig 0.013 0.529 0.009 0.696 0.010 0.630 0.036 0.062
Patent 0.071 0.000 0.092 0.000 0.149 0.000 0.288 0.000

5 结论与建议

5.1 主要结论

本文基于2007—2022年中国城市和企业数据，采用区位商、Dagum基尼系数、莫兰指数、Markov链分析等方法，揭示中国数字驱动型企业集聚发展的时空演变趋势；在此基础上，使用回归分析和单因子探测分析识别中国数字驱动型企业集聚发展的影响因素及其影响强度。主要结论如下：
①从总体来看，研究期内中国数字驱动型企业的空间分布特征明显。首先，高集聚区域集中于国家核心枢纽、沿海开放门户、重工业转型城市、内陆区域中心4类经济功能核心区，中等集聚区域围绕高集聚城市呈辐射状分布，低集聚区域主要位于滇黔藏甘4省份及湖北部分城市。其次，莫兰指数显示，2007—2022年中国数字驱动型企业集聚发展在不同城市之间呈现出不断加强的正向空间自相关性，具备“高高聚集、低低聚集”的特征，且经济联系成为促进数字驱动型企业集聚发展的更重要因素。
②分区域来看，中国19个城市群之间数字驱动型企业集聚发展水平差异明显，这也是造成总体空间差异的主要原因。首先，相较于其他城市群，粤港澳大湾区、长江三角洲、京津冀等城市群的数字驱动型企业集聚发展水平更高。其次，总体基尼系数呈现出先上升后下降的演变趋势，区域内差异对总体基尼系数的贡献度较小且稳定在7%左右，区域间差异的贡献度最大且呈现出缓慢下降的趋势，超变密度贡献度呈现显著上升趋势。
③从动态演进来看，中国数字驱动型企业集聚发展具有显著的“梯度固化”特征。首先，传统Markov链分析结果表明，城市数字驱动型企业集聚水平大概率维持原有状态，仅能实现邻近水平变动，较难发生跨水平跃迁。其次，空间Markov链分析结果表明，考虑地理空间依赖特征之后，类型Ⅰ和类型Ⅳ城市的“梯度固化”特征进一步加强，类型Ⅱ和类型Ⅲ的城市更易产生状态转移，且向下转移的概率更大。最后，全国层面核密度曲线的主峰小幅左移，峰值先下降后上升，宽度持续收窄，呈左拖尾、由扁平式向高耸式收敛的形态。城市群间核密度曲线分布差异明显，区域数字驱动型企业集聚发展处于调整重构阶段。
④从影响因素来看，经济开放水平、金融发展水平、人力资本水平、经济发展水平、数字基础设施建设、数字创新水平对数字驱动型企业集聚发展具有正向驱动作用，政府过度干预则存在显著抑制效应。单因子探测分析结果表明，在2007、2012和2017年，经济发展水平和人力资本水平对数字驱动型企业集聚发展的影响较大，数字创新水平、政府干预水平及金融发展水平的影响强度次之，数字基础设施建设和经济开放水平的影响强度较弱。到2022年，数字创新水平的影响强度跃迁至第一梯队；人力资本水平的影响强度滑落至第二梯队；金融发展水平的影响强度滑落至第三梯队；经济开放水平的影响强度跃迁至第二梯队。

5.2 政策建议

①实施差异化区域策略，重点培育与精准扶持并重。一是以长三角、珠三角、京津冀等高集聚区为核心，深化实体经济与数字经济融合，打造具有全球竞争力的数字产业集群。二是强化高集聚区的创新辐射能力，支持东部非核心城市和中西部省会城市的发展，利用其政策优势和产业基础，打造具有特色的数字产业集群，避免过度集中于少数核心城市，形成多点支撑的格局。而对于聚焦水平较低的城市群，则应结合本地禀赋发展特色化数字产业，强化其数字基础设施、公共服务平台和人才引育能力，建设区域性数字中心；同时，在政策上给予适度倾斜，承接转移和培育本土企业，着力缩小区域间发展差距，促进多极化发展。
②破解路径依赖，精准赋能中等梯队与防范低端陷阱。未来应基于差异化数字基建投入与产业政策精准赋能城市群数字驱动型产业发展，推动区域发展多极化。一是打破路径依赖，破解“接入不平等”。要加快“东数西算”工程，在新疆、山西等中西部节点布局算力中心，推动数据要素跨域流通，破解欠发达地区“接入不平等”。二是对低集聚水平地区，探索基于本地场景的特色数字化路径，普及数字素养，防范陷入低水平发展陷阱。三是政府应适度引导企业向高端化、智能化、绿色化方向发展，通过“数字飞地”模式吸引外部资源，推动产业升级和转型，避免企业长期处于低水平竞争状态，形成新的增长动力。
③动态优化政策组合，突出创新驱动与释放核心要素潜力。一是强化数字创新核心驱动力，大幅增加基础与关键技术研发投入，完善知识产权保护，激励企业创新；二是加大对5G网络、数据中心等数字基础设施的建设力度，向欠发达地区延伸覆盖，为数字驱动型企业发展提供硬件支持；三是加强教育和培训体系建设，培养和引进数字技术专业人才，为数字驱动型企业提供充足的人才保障；四是解决数字企业全生命周期融资需求，为数字驱动型企业的集聚发展提供金融支撑；五是优化营商环境，减少不必要的行政干预，充分发挥市场在资源配置中的决定性作用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
屠西伟, 史丹. 数字产业集聚与企业能源效率改进[J]. 数量经济技术经济研究, 2025, 42(10):70-89.

[2]
刘修岩, 张学良. 集聚经济与企业区位选择——基于中国地级区域企业数据的实证研究[J]. 财经研究, 2010, 36(11):83-92.

[3]
陈肖飞, 韩腾腾, 栾俊婉, 等. 新创企业的时空分异与区位选择——基于中国汽车制造业的实证研究[J]. 地理研究, 2021, 40(6):1749-1767.

DOI

[4]
范剑勇. 产业集聚与地区间劳动生产率差异[J]. 经济研究, 2006(11):72-81.

[5]
盛天翔, 许润韬, 范从来, 等. 中国金融科技公司时空格局及其影响因素[J]. 经济地理, 2025, 45(3):119-128.

DOI

[6]
唐晓华, 陈阳, 张欣钰. 中国制造业集聚程度演变趋势及时空特征研究[J]. 经济问题探索, 2017(5):172-181.

[7]
胡霞. 中国城市服务业空间集聚变动趋势研究[J]. 财贸经济, 2008(6):103-107,129.

[8]
Krugman P. Increasing returns and economic geography[J]. Journal of Political Economy, 1991, 99(3):483-499.

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]
赵放, 张淼, 金雨晴. 数字产业集聚能否带动人口集聚——基于劳动力市场分割与预期收入双重视角[J]. 人口学刊, 2025, 47(4):113-128.

[11]
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.

[12]
胡金焱, 郭太然, 张博. 金融发展与制造业集聚——基于专业化与多元化集聚的双重视角[J]. 财贸经济, 2025, 46(7):106-123.

[13]
刘奕, 夏杰长, 李垚. 生产性服务业集聚与制造业升级[J]. 中国工业经济, 2017(7):24-42.

[14]
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.

[15]
王彬燕, 田俊峰, 程利莎, 等. 中国数字经济空间分异及影响因素[J]. 地理科学, 2018, 38(6):859-868.

DOI

[16]
王军, 朱杰, 罗茜. 中国数字经济发展水平及演变测度[J] .数量经济技术经济研究, 2021, 38(7):26-42.

[17]
Wang S, Teng T, Xia Q, et al. The spatio-temporal characteristics of China's digital economy development level and its driving mechanism of innovation[J]. Economic Geography, 2022, 42(7):33-43.

DOI

[18]
姚冲, 甄峰, 席广亮, 等. 江苏省数字经济高质量发展的空间格局及影响要素[J]. 资源科学, 2025, 47(2):268-280.

DOI

[19]
杨承佳. 中国制造业智能化水平、区域差异及分布动态演进[J]. 统计与决策, 2024, 40(6):104-109.

[20]
Xu Q, Dong Y, Zhong M. Analysis of spatial correlation network of urban digital economy in China[J]. Information Technology for Development, 2024, 31(4):837-859.

DOI

[21]
李健旋. 中国制造业智能化程度评价及其影响因素研究[J]. 中国软科学, 2020(1):154-163.

[22]
Wang H, Hu X, Ali N. Spatial characteristics and driving factors toward the digital economy:Evidence from prefecture-level cities in China[J]. The Journal of Asian Finance,Economics and Business, 2022, 9(2):419-426.

[23]
Zhang H, Li F, Wei S, et al. Spatiotemporal evolution characteristics and influencing factors of digital industry in China[J]. Scientific Reports, 2024, 14(1):28591.

DOI

[24]
刘修岩, 王雨昕. 城市群尺度下中国数字企业的时空分布格局演变特征分析[J]. 经济与管理评论, 2025, 41(3):5-17.

[25]
封进, 李雨婷. 人口老龄化与企业进入:基于中国地级市的研究[J]. 世界经济, 2023, 46(4):170-191.

Options
Outlines

/

〈 〉