长三角地区数字经济一体化发展研究

吴青青，吴义根，赵甜甜

（池州学院，安徽 池州 247000）

0 引言

随着改革开放的不断深化，我国经济逐步迈入高质量发展阶段，各地政府也积极引导推进数字经济与实体经济深度融合，赋能产业升级，为经济发展提供新动能。目前国内学者围绕数字经济测度、数字经济发展现状、存在的问题、数字经济与高质量发展的关系等方面展开了大量的理论和实证研究。张雪玲从信息通讯基础设施、信息和通信技术产业、ICT初级应用、ICT高级应用、企业数字化这五个方面选取相关子指标，通过熵值法确定指标权重，得出了中国数字经济发展评价指数，并通过对各分类指标的灰色关联分析，提出数字经济发展中存在的种种问题和应对措施［1］。徐清源等认为，加强数字经济测度理论研究和创新数据来源是推进中国数字经济发展研究的有效途径［2］。刘海启、曹正勇等人分别从农业及制造业数字化方面验证数字经济将对传统经济活动产生深刻影响［3-5］。刘传辉、杨志鹏等人在研究城市群时得出的结论认为城市群之间存在数字经济差异且城市群内城市间的数字经济发展水平差异明显［6］。钟业喜、毛炜圣等人探讨长江经济带数字经济水平空间格局，认为长江经济带数字经济发展水平整体偏低，地理分布差异明显［7-8］。

总体来看，已有文献对数字经济测度、数字经济分布格局及影响因素的研究是丰富且有效的。由于各学者所用的测度方法不同，导致地区数字经济的研究结论有所差异。但是无论从数字经济发展的规模，还是数字化程度及经济可持续性增长来看，长三角地区在我国六大城市群中始终处于领先地位。研究长三角城市群的数字经济一体化，对推动长三角地区经济高质量发展，解决内部地区发展不均衡问题，促进国内国际经济双循环发展有着十分重要的现实意义。本文基于数字经济指数的测度，通过对长三角地区面板数据的实证分析，探究长三角地区数字经济发展水平影响因素及促进长三角地区数字经济一体化发展的有效方法。

1 方法介绍

1.1 熵值法

熵值法是判断某个指标对综合指数影响程度的一种数据处理方法，同时也可以作为综合评价指数的一种计算方法，要求指标具有同向性。计算步骤如下：

（1）选取m项指标，n个样本，则xij为第i个样本的第j项指标的数值，其中i=1,2,…,n;j=1,2,…,m；

（2）指标的标准化处理:为了避免量纲对指标计算的影响，需对数据进行标准化处理，处理后数据记作

（3）计算第j项指标下第i个样本占该指标比重

（4）计算第j项指标的熵值：

（5）计算第j项指标的差异系数：gj=1-ej，gj越大指标越重要；

1.2 面板数据模型

面板数据指的是N个不同个体在T个不同时期的观测值，其中个体可以是个人或企业，时间可以是任意周期。参考高铁梅的计量经济分析方法与建模［9］，在参数不随时间变化前提下，面板数据模型根据模型的截距项和系数向量是否为常数，分为混合回归模型（都为常数）、变截距模型（截距项为常数）和变系数模型（皆非常数）三种类型。

混合模型：

变截距模型：

变系数模型：

其中，yit是被解释变量；xit=(x1,it,x2,it,…,xk,it)′，αi是截距项，代表截面单元的个体特性，反映遗漏的体现个体差异的影响；βit是估计参数向量；xit是解释变量，是影响截面单元的解释变量向量；μit是随机扰动项，反映遗漏的体现截面与时序同时变化的影响；i代表不同截面单元，t代表不同时间。

在参数不随时间变化前提下，可以通过协方差分析构造的F统计量进行检验，检验个体效应模型一般使用F统计量检验，如式（4）所示：

其中N是截面个数，T是时间长度，K是解释变量个数，SSEp是混合估计模型的残差平方和，SSEf是个体固定效应模型的残差平方和。

本文为了更深层次地分析问题，先确定被解释变量的影响因素，再建立面板数据模型，由于实证部分的横截面个数大于时序个数，采用截面加权估计法（Cross Section Weights，CSW）来估计模型中的参数［10］。文中参数估计与检验均是通过Eviews7.2实现。

2 长三角地区数字经济指数测度

2.1 指标选取

为精确测度长三角城市群数字经济发展水平，在总结现有数字经济测度方法、指标选取方法的基础上，遵守简洁性、导向性、可行性、典型性四个原则，逐步建立了数字经济发展水平的指标体系［6，11］，如表1所示。

表1 城市数字经济指数指标体系

2.2 基于长三角地区各城市的数字经济指数结果分析

运用熵值法，进一步测算2010-2019年长三角地区26个城市的数字经济指数及其排名，如表2所示。

表2 2010-2019年城市数字经济指数与排名

由表2结果可知：2010-2019年，上海和苏州的数字经济指数在长三角地区排名稳居前列。从整个长江三角洲地区发展格局来看，苏沪一体化的程度高，二者地理位置相邻且有较强的互补性也是其得以不断发展的重要原因。若要实现更高质量的长三角地区数字经济一体化，发挥上海和苏州在长三角城市群的龙头作用，加强苏沪地区合作，已是重中之重。与此同时，宁波、杭州分别位列第三、第四，作为宁波通往上海的桥头堡，杭州湾新区利用其科技创新优势和地理优势，带动了杭州宁波以及长三角地区其他城市的共同发展。

表2 2010-2019年城市数字经济指数与排名（续表）

2.3 长三角地区数字经济发展水平的空间分布

2020年长三角城市数字经济指数见表3。以此为例研究其空间上分布特征，数字经济指数和累积百分比如图1所示，可知长三角地区各城市数字经济发展水平波动性较大，城市发展区域不平衡比较明显。基于长三角地区数字经济发展水平，运用K-均值进行聚类分析，结果见表4。

图1 2020年长三角地区数字经济指数分布及百分比

表3 2020年城市数字经济指数与排名

表4 长三角地区数字经济发展层次体系

由表4可知，上海作为长三角地区的核心城市竞争力最强，形成第一层级，苏州、南京、宁波、无锡、杭州、合肥、金华这些较发达城市的数字经济竞争力次之，形成第二层级，竞争力相对较弱的是后加入长三角地区的几个城市，包括安徽省所有沿江城市及江苏省、浙江省的一些欠发达地区组成第三层级。在空间上形成强强集聚、弱弱集聚的空间分布特征。也进一步说明了长三角地区内部经济发展不均衡不协调，数字经济发展的领头城市少，数字经济发展水平薄弱城市聚集且多。

3 长三角地区数字经济发展水平影响因素分析

为推进经济的高速度、高质量发展，需要更高质量的人力资本，人口总数决定了人力资源的基本规模，接受高等教育的在校大学生决定了人力资源的质量，由此选用人口总数（L1）、万人大学生数（L2）来衡量人力资源指标。人均收入水平不断提高助推了第三产业的迅速发展，因此选取人均GDP（E1）、第三产业占比（E2）作为提高生产力水平和社会进步的国民经济发展水平指标来反映地区经济发展基础。

3.1 个体固定效应建模

由于实证数据是基于2010-2020年长三角地区26个城市相关指标数据，其时序数小于截面数，为短截面数据，无需进行单位根检验。为保证面板数据的平稳性，首先对E1、L1两个指标取对数处理，再进行建模。

（1）F检验

F统计量检验式通常由混合估计模型以及个体固定效应模型的残差平方和构造，检验个体效应模型一般使用F统计量检验，见式（4）。Eviews7.2中两个模型估计得残差平方分别为：SSEp=0.0868，SSEf=0.0144。

将N=26，T=11，K=4代入式（4）计算出F统计量：

在显著性水平为0.05的情况下，F＝51.484即落在拒绝域内，从而根据检验结果拒绝原假设，选择个体效应。

（2）Hausman检验

Hausman检验能检验模型个体效应与解释变量是否相关，其原假设为个体效应与解释变量不相关，通过Hausman检验进而确定模型为固定效应还是随机效应，使用Eviews7.2中Hausman检验，结果如图2所示。

图2 Hausman检验图

从图2豪斯曼检验结果可以看出P值小于0.01，在显著性水平为0.01的情况下，检验结果落在拒绝域内，拒绝原假设，选择个体固定效应模型。

（3）参数估计

为了减小异方差和自相关对模型参数估计效果的影响，这里选择GLS Weight方法估计个体固定效应模型，参数估计结果如表5所示。

表5 模型参数估计结果

3.2 结果分析

从表5参数估计结果可以看出，模型F检验的P值小于0.01，说明面板回归模型是显著的，R2(adj)=0.959说明模型拟合效果较好。参数的T检验中，人口总数的P值大于0.05，在5%的显著性水平下系数不显著。人均GDP的估计系数小于零，说明此时经济发展和人口规模已经处于规模报酬递减的阶段。根据经济学中经济增长的收敛性［12］，尽管各地区的经济发展水平不同且人均GDP在特定时期内存在差异，但最终将趋于相同，即在不同的发展阶段，各个城市的数字经济发展水平与人均GDP水平相互影响程度不同。

第三产业占比和万人在校大学生数这两个变量的T检验均显著，且符号均为正。第三产业占比（E2）的估计系数为0.0002，在其他条件不变的情况下，E2每增加一个单位，数字经济指数平均增加0.0002。万人在校大学生数（L2）的估计系数为0.0005，在其他条件不变的情况下，L2每增加一个单位，数字经济指数平均增加0.0005。这也说明了地区的人力资源质量和经济发达程度对数字经济发展起正向作用。

由表5中各城市的截距项估计值可知，长三角地区上海以及江苏省和浙江省大部分城市的截距项大于0，安徽省的城市截距项均小于0。从另一个角度反映出上海及江浙地区的数字经济基础强，安徽省内城市数字经济发展水平相对较弱。结合实际可知，上海、江苏、浙江等部分城市综合实力较强，数字经济发展水平全国领先，数字产业化渗透广，数字经济基础设施建设较好，其中上海作为全国以及长三角各地区的核心城市在我国科技创新发展中起着决定性作用。安徽省内城市多半截距项为负值说明尽管安徽省数字经济不断增长，但由于产业结构、数字经济总量小、数字经济发展在省内严重不平衡等一系列问题影响，与其他省市相比仍在总量和占比上处于劣势。

4 结论及建议

4.1 结论

（1）长三角地区数字经济发展水平总体呈增长趋势，但各城市数字经济发展水平有差异，尤其是沪苏城市群与杭甬城市群、宁合城市群之间的差异明显。

（2）通过K-均值聚类分析可知，长三角地区的数字经济发展水平呈现出空间集聚性分布特征，以上海地区为中心，包括苏州、无锡、杭州、宁波、南京这些城市形成数字经济高水平聚集区，其他城市为数字经济低水平聚集区。地理位置对低水平聚集区城市的发展影响较大，地理位置好的城市，更容易接受到中心城市的经济辐射。

（3）第三产业占比和万人在校大学生数是数字经济发展的重要影响因素，这两个因素对长三角地区数字经济发展起到一定的推进作用；人均GDP对长三角地区数字经济发展的促进作用不明显；高质量的人力资源以及产业结构是当前阶段数字经济发展的必备条件。

4.2 建议

（1）优化资源配置，缩小长三角地区内部差异。长三角地区数字经济发展水平参差不齐，各城市的市场资源未得到充分利用。优化各城市间的资源配置，将各地区资源利用最大化，实现产业升级，各城市互助互利，促进长三角地区数字经济一体化发展。

（2）对于数字经济指数低的城市要加快区域产业转型，提高创新能力。比如杭甬城市群及宁合城市群内一些城市，受产业结构与自身地理位置、文化等因素影响，经济发展水平一直处于劣势，应加快区域产业转型，大力招揽人才，提高创新能力，增加同等区域城市的经济竞争力，缩小与长三角地区其他城市的差距，力求稳中求进。