创新型省份建设、区域数智化和区域创新生态系统竞争力

关键词：创新型省份建设；数智化；区域创新生态系统竞争力；空间双重差分模型；双重机器学习模型

0 引言

在区域创新的视阈下，区域创新生态系统是区域各创新主体（创新生产者、消费者、分解者）、创新要素和创新环境之间进行动态物质交换、能量交流和信息交互产生的区域经济系统［1］。而区域创新生态系统竞争力则是在创新型国家建设进程中需要重点关注的变量，其是对区域创新生态系统的创新主体及环境的发展能级和进化水平、创新主体与资源环境的协同演化态势等方面的考察［2］。

在构建新型举国体制加快实现高水平科技自立自强的当下，通过新型体制机制驱动和政策调整下的创新生态系统结构的深层次调整和竞争力的大幅度跃升是实现创新型国家建设、区域高质量发展的题中应有之义［3］。而在创新型国家战略驱动下，省级层面的创新型省份建设成为区域创新发展的重要战略支撑。2013年以来，国家共批复江苏等11个省份推进创新型省份建设试点，同时科技部于2016年印发《建设创新型省份建设工作指引》（以下称《指引》）政策试点以来，试点地区在顶层设计、创新基础设施建设、创新资源供给等方面显现出较强的政策效应，因此在此背景下有必要讨论创新型省份建设对区域创新生态系统竞争力的具体影响机制。

作为一套统筹全局的区域创新体系建设和机制变革的“组合拳”，创新型省份建设试点对区域创新生态系统竞争力具有多方面的影响，尤其是各创新型试点省份都形成了大量的配套政策和制度安排，从地方出台的各类相关政策文件上看，大部分创新型试点省份都将推动区域数智化作为创新型省份建设的工作重点，例如江苏在《“十四五”科技创新规划》中也明确将加快突破和发展以集成电路、人工智能、智能通信、高端软件、区块链为代表的新一代信息技术作为创新型省份建设的重要任务。这些政策文件表明创新型省份建设将推动区域数智化作为政策实施的重要锚点。从内容上看，区域数智化是基于新一代信息技术的最新成果，通过大数据、人工智能、虚拟现实、大语言模型等新兴技术赋能经济增长模式转变、产业转型升级、助推新质生产力催生的重要力量。从数字化向数智化的转变，不仅体现在信息技术的升级，更体现在要素机制、生产组织模式的全方位转型，对区域发展全局产生了颠覆性影响。在这一背景下，讨论创新型省份建设驱动下的数智化进程能否产生赋能创新主体升级、创新资源配置优化、创新环境健全的效应就尤为重要，因此本文将数智化对区域创新生态系统竞争力的影响机制引为另一个研究主线。

综上所述，创新型省份建设与区域数智化发展具有明显的作用逻辑，创新型省份建设不仅是以新技术、新成果、新业态为特征的数智化的战略支撑，同时其对新一代信息技术和未来技术的催生特性也驱动了数智化的深化。本文拟针对创新型省份建设对区域创新生态系统竞争力的机制作用展开因果推断，并引入区域数智化作为考察创新型省份建设向区域创新生态系统竞争力传导政策效应的重要机制变量，立足现实需求和理论缺口构建“创新型省份建设—区域数智化—区域创新生态系统竞争力”研究系统，一方面验证在新一代信息技术兴起背景下，创新型省份建设能否借区域数智化“东风”对区域创新生态系统竞争力发挥政策效应，另一方面期望通过实证研究论证在“创新型省份建设→区域数智化→区域创新生态系统竞争力”传导机制中是否存在机制堵点，为创新型省份建设的政策改革提供理论参考。

1 文献回顾

1.1 政策驱动框架下区域创新生态系统发展研究回顾

在针对区域创新生态系统的已有研究中，不少学者已经关注到创新政策对区域创新生态系统形成的支配性影响，并探讨了不同的政策驱动下，区域创新生态系统的各项维度具备何种演化特色和运行规律。柳卸林等［4］以入选全面创新改革试验的城市为研究样本，对区域创新主体的形成演化、内部组织的构建过程和外部网络的交织过程进行了全面评价，并探讨了“全创改”试点在区域创新生态系统演化中的关键影响；吕鲲等［5］则基于省域视角，论证“全创改”在改善软环境中发挥的抓手作用，并最终促进区域创新生态系统的多样性、进化性、缓冲性、流动性和协调性；而王一伊等［6］将湖南省作为研究案例，构建了包括微观主体、单元集合、逻辑路径、运行基础等基础单元的区域军民科技协同创新生态系统，将“军民融合”政策的精准实施和效能发挥融入创新生态位的视角。

1.2 数智情境下区域创新生态系统发展路径的研究回顾

随着新一代信息技术的兴起和区域数智化的推动，区域创新生态系统在演化过程中表现出明显的数智情境适应性和发展路径数智化，李晓娣等［7］在创新生态系统资源编排的多重并发因果关系中提炼出数智情境下驱动区域创新生态系统高能级发展的三条组态路径——“资本—数字平台主导型”“人才—资本—数字平台主导型”“人才—资本主导型”；何伟等［8］认为数字化转型能够通过驱动产业融合，改善制度环境，进而优化区域创新生态系统生态位适宜度；王海军等［9］则基于针对中关村的纵向案例研究，分析获得区域创新生态系统在数字化背景下的组织和演化机制。

1.3 文献述评

从文献梳理来看，已有研究具有以下3点特点及尚需进一步探究之处。①已有研究基于不同的分项维度、评价方法和理论框架，为探究区域创新生态系统竞争力提供了有益的启示，但鲜有文献能够在针对区域创新生态系统竞争力进行评价的基础上，引入创新政策、区域发展模式和发展程度等外部因素，对其进行深入的驱动因素分析。②已有文献固然在探究区域创新生态系统构建和演化的同时考虑了政策因素，但仍存在一定的局限性：其一，当前鲜有基于“全创改”等试点政策的因果推断研究，以在探究我国在区域创新领域的改革进程、政策路径和变革方向进行良好的准自然实验；其二，鲜有此类研究探讨创新型省份建设政策对区域创新生态系统竞争力的形成和强化机制。③已有研究证明区域数智化情境的演化与区域创新生态系统各项维度有着密切联系，但区域数智化作为区域特色发展指标，其发展进程也必然受到政策干预，因此探讨数智化在政策驱动下对区域创新生态系统竞争力的影响机制十分必要，已有研究对此鲜有涉及。

综合当前研究缺口，本文旨在探讨“创新型省份建设→区域数智化→区域创新生态系统竞争力”的机制传导路径是否成立，既基于因果推断的方法延伸了研究政策驱动区域创新生态系统协同演化、升级发展的具体范式，同时也为政策驱动区域数智化发展，赋能创新型国家建设提供了理论指导和政策参考。

2 机制分析与研究假设

2.1 创新型省份建设和区域创新生态系统竞争力

创新型省份建设是兼具综合性和协调性的“一揽子”创新政策集合［10］，能够通过驱动创新链、产业链、人才链、资金链4链融合等机制提升区域创新生态系统竞争力［11］，在本文的研究视阈中，区域创新生态系统竞争力跃升被视为是创新主体、创新支撑、创新活力、创新资源、创新环境等环节竞争力提升的集中体现。

2.1.1 创新主体进入约束缓释效应 地方政府在创新型省份建设进程中会集中增加区域知识供给，并引导区域同高校、研究机构形成协同治理机制和耦合并进关系，以提升区域创新生态系统中的创新生产者规模竞争力和协同竞争力；地方政府还会通过缓解融资约束、集聚风险投资、资金奖补、专家指导等方式驱动高技术产业等创新消费者进入区域和市场［12］，增加创新消费者的规模竞争力，进而实现区域创新生态系统创新主体竞争力的提升［13］。

2.1.2 资源配置优化效应 创新型省份建设能够提升区域创新生态系统竞争力的资源支持效率，一方面，随着中国地方政府的职能逐渐从规制型政府、发展型政府向赋能型政府、服务型政府转变，其更为注重通过提供创新服务和创新平台间接实现分散化创新激励，为区域创新生态系统进化提供相应的支撑，强化其竞争力；另一方面，在创新型省份建设政策驱动下，地方政府落实安居工程、户籍政策、科研资助以打造创新人才高地，并以发展创新型经济和提升科技进步贡献率为导向，加大研发投入，同时形成以“揭榜挂帅”、组织重大技术联合攻关、“引凤筑巢”等为代表的创新政策组合拳，在资源供给层面为区域创新生态系统竞争力持续赋能。

2.1.3 多元主体创新激励效应 创新型省份建设首先是一项制度上的“破坏式创新”，对应到具体措施上必然追求超常规的创新要素配置手段和颠覆式的制度安排，这就会极大地激发区域创新生态系统的创新活力。从各试点地区实施经验而言，无论是湖南布局的长株潭“科创谷”“动力谷”“智造谷”三谷协同，还是陕西建设的军民融合科技产业基地、“丝绸之路”国际科技合作基地，都为战略性、专业性、特色性科技团队以及龙头骨干企业创新引领、科技型中小企业培育注入了高水平的创新活力，有利于助推区域创新生态系统实现活力跃升。

2.1.4 软环境支持效应 地方政府依托对创新环节的精准定位和高效率支持，全面提升区域创新生态系统的创新环境竞争力，“揭榜挂帅”“创新券”等制度创新体现了政府在基于市场中立和尊重市场资源配置的立场上对于产业链、创新链等环节的痛点、断点、堵点进行有效干预；同时在政策助推下，金融、文化、技术市场环境的优化，为资金、知识、技术等创新资源的快速流通和创新性配置创造制度条件，因此创新型省份建设不仅提升了支撑平台和创新资源等硬件的竞争力，同时也优化了创新生态系统的环境竞争力。

基于上述分析，提出如下假设。

H1 创新型省份建设能够显著促进区域创新生态系统竞争力。

2.2 数智化和区域创新生态系统竞争力

区域数智化基于海量数据的接入集聚和高效处理能够贯通创新主体之间的数据壁垒，驱动数字经济、人工智能和实体经济之间双向激活，为区域创新生态系统竞争力提升注入动力。

2.2.1 创新群落催生效应 数智化的发展会驱动创新主体群落以人工智能、大数据、虚拟现实、大语言模型等第三代信息技术为支撑，围绕电子商务、工业互联网、智能终端等一系列数智技术落地应用分化出横向和纵向产业网络［14］。数智赋能下的创新消费者在区域创新生态系统演化进程中率先进入规模报酬递增阶段［15］，进而提升了区域创新生态系统的创新主体竞争力，例如工业元宇宙通过智能空间汇聚创新链和产业链的各个主体，更好地激发区域创新生态系统的内部协调。此外数智化会倒逼高校等创新生产者推动工程学、医学、经济学等传统学科领域的数智化转型［16］，使科学发展和基础研究根植于海量数据资源和智能技术赋能，激发区域创新生态系统的创新策源力。

2.2.2 资源平台集聚效应 区域数智化能够赋能创新平台建设和为创新主体提供更为便捷智能的创新支撑和新质的创新资源，其一，物联网、大数据、大语言模型等数智技术加强了科技企业孵化器、科创走廊、产业科技园等创新平台的运行效率，使产学研合作、“揭榜挂帅”等创新项目的筛选、投融资、跟进、验收等环节充分实现数字化管理，提高了区域创新生态系统的创新活力、创新支撑竞争力及创新环境竞争力；其二，由企业与企业、平台及其他创新主体之间数智连接形成的数智创新网络能够驱动创新要素供需双方精准对接［17］，以提升技术成果的落地性，进而强化区域创新生态系统中创新资源的竞争力。

2.2.3 多元创新过程赋能效应 区域数智化依托人工智能、区块链、大数据等形式渗透至创新主体、创新要素的各个环节［18］。在基础研究领域，区域数智化能够强化创新主体的跨界搜索的能力［19］，进而增强区域创新生态系统创新主体的知识生产能力；同时区域数智化能够赋能“数据要素×”产业新业态催生，从多元过程中实现区域创新生态系统的创新主体竞争力、创新资源竞争力和创新活力的跃升。

2.2.4 软环境技术变革效应 在区域创新生态系统创新环境竞争力优化方面，数智化正在深刻改变政府的治理方式和理念，政府能够在数智化变革中利用大数据、数智政务公开、虚拟数字人参与等具有颠覆性的治理方式提升施政纲领转化落地效率，进而进化成为对创新链演化发展具有关键影响的赋能型政府。同时，近年来金融、技术市场等软环境的发展和区域数智化的结合日益紧密，为区域创新生态系统的环境竞争力提升提供了新的催生动力。

基于上述分析，提出如下假设。

H2 数智化能够显著促进区域创新生态系统竞争力。

2.3 创新型省份建设驱动数智化赋能区域创新生态系统竞争力

创新型省份建设试点区域地方政府在推进创新型省份建设过程中，往往会表现出较高的数智化注意力，例如，浙江省委明确指出要通过数字经济等数智化发展要素引领现代化产业体系建设作为创新型省份建设的突破口。基于“创新型省份建设—数智化”传导路径对区域创新生态系统竞争力具体分项维度（创新主体、创新活力、创新资源、创新支撑、创新环境）进行分析，在驱动创新主体竞争力提升上，地方政府通过构筑云计算大数据平台、扶持元宇宙等新业态新模式发展，有利于创新主体之间共享数据和计算资源，促进创新主体协同创新；在激发区域创新活力环节，创新型省份建设加大了数字化工具、平台和服务供给，促进了创新效率的快速提升，例如，计算机辅助设计（CAD）和辅助工程（CAE）能够赋能新产品设计和测试，大幅缩短创新周期，激活创新活力；在为创新生态系统提供创新资源和信息方面，创新型省份建设试点区域关注于扩大信息流，促进企业等创新主体的创新成果契合市场需求，提升创新消费者的竞争力；地方政府对以数智化为主题和引领的新业态新模式培育又进一步助力区域创新生态系统的创新环境竞争力提升，例如，数智政府建设能够驱动政府治理效率提升，赋能其为创新主体提供更加精准、高效的服务。

综上所述，地方政府能够强化区域数智化发展，使其更有力地赋能区域创新生态系统的创新主体、创新资源、创新支撑、创新环境等环节的竞争力跃升，并构成了“创新型省份建设→数智化发展→区域创新生态系统竞争力提升”的传导路径（上述机制作用路径如图1所示）。

基于上述分析，提出如下假设。

H3 创新型省份建设能够通过促进区域数智化发展间接促进区域创新生态系统竞争力。

3 准自然实验设计、模型构建和变量说明

3.1 数据来源

本文中与企业相关的数据来源于CSMAR数据库；地区专利相关数据来源于壹专利平台；立法相关数据来源于北大法宝；其余数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国火炬统计年鉴》《中国环境统计年鉴》等公开统计资料，个别数据源于网页爬虫。2009年是商业化3G普及元年，同年阿里云和百度全球研究院等成立标志着云计算、人工智能等数智技术的市场开发起步，因此，2009年可以被视为我国深化区域数智化的重要时间节点，故本文将2009—2021年中国30个省、直辖市、自治区（不包括港澳台地区和西藏地区）的面板数据作为样本数据。

3.2 变量说明

3.2.1 被解释变量区域创新生态系统竞争力（Com） 区域创新生态系统竞争力代表区域创新生态系统的演化水平、发展阶段和地位优劣，参考丁雪和杨忠［20］提出的生态位态势理论构建区域创新生态系统竞争力评价指标体系，其中“态”（T）代表创新生态系统在某一时点的发展状态，其能够表征区域创新生态系统在当下具体领域所体现的竞争力；“势”（S）表示区域创新生态系统的演化趋势和进化潜力，其能够描述区域创新生态系统向更高能级演化的内生动力和潜在动态实力。在具体指标体系构建中，“态”包括区域创新生态系统中的创新主体（Sub）、创新支撑（Sur）、创新资源（Res）、创新环境（Evn），而“势”则包括区域创新生态系统的创新活力（Vit）（见图2），据此构建如表1所示的区域创新生态系统竞争力综合评价指标。

在表1中，选取“深度学习”“人工智能”“大数据”等57个关键词，采用Python爬取百度检索中各省地级市的上述关键词词频，进行逐年逐省加总获得表征创新活动和新兴产业媒体关注度；从地级市政府工作报告中爬取“人工智能”“创新”“大数据”等121个创新关键词词频，将其与总词频数之比作为政府创新注意力。区域创新生态系统竞争力（Com）据表1的指标体系基于熵值法评价获得。

3.2.2 解释变量Ⅰ创新型省份建设政策处理变量（DID） 根据准自然实验设计的要求，将2009—2021年期间处于国家级创新型省份建设政策试点期的处置组的该变量赋值为1，其余赋值为0。

3.2.3 解释变量Ⅱ区域数智化指数（Di） 区域数智化基本内涵包括数字化和智能化，前者强调将事物、过程、数据等信息通过数字转化进行处理和管理，其由21世纪第2个10年的数字化发展进程衍生而来，表现为数据集成规模更大、处理数据效率更高、信息瞬时传输和信息传输零损耗，其典型代表为大数据、云计算、5G/6G技术及其所赋能的电子商务、电子政务、数字货币等数字化应用［21］；而智能化则突出将人工智能、虚拟现实等第三代信息技术与具体生产环节相对接，以代替人类复杂劳动及对生产过程的监测管理［22］，实现万物互联、万物感知、万物智能。因此本文采用数字化和智能化两个维度评价区域数智化指数（评价指标体系见表2）［23］。在表2中，将各地区共计4 335家上市企业披露的机器账面价值和员工人数之比［24］作为企业人工智能技术采纳程度代理指标；另采用逐年爬取2009—2021年各省份上市企业年报中186个人工智能相关词汇的词频总计，并将其与各省上市公司年报的总词频之比作为企业智能化转型的代理变量。采用熵值法将表2的指标体系综合评价为区域智能化指数。

3.2.4 控制变量 地方政府干预和环境规制、绿色金融、产业结构深度调整等经济变量能够倒逼知识生产、破解创新技术锁定、激发区域创新活力［25-26］。因此选择政府规模（GI）、政府环境注意力（Att）、绿色金融水平（GF）、产业结构合理化（RIS）作为控制变量。采用地方政府一般公共预算支出与实际GDP的之比表征GI；采用产业结构合理化泰尔指数的倒数表征RIS。以环保项目信贷额/所有信贷总额、环境污染治理投资/GDP、环境污染责任保险收入/总保费收入、绿色债券发行总额/所有债券总额、绿色基金市值/所有基金总市值、（碳、用能权交易额+排污权交易额）/权益市场交易总额6项指标基于熵值法表征GF。以政策规划注意力（包括绿色发展关注度、“五位一体”生态文明布局强度两个维度）、资源配置注意力（包括环境污染治理支出/一般公共预算支出、环境基础设施投资/GDP两个维度）、立法注意力（生态环境相关的地方立法数/地方总立法数）3个指标基于熵值法表征Att，其中采用各省下辖地级市每年政府工作报告中绿色发展相关关键词（包括“环保”“生态”“低碳”等94个词汇）总词频，与当年政府工作报告所有词频总和之比表征绿色发展关注度；并在政府工作报告中分别测算出“生态”“经济”“社会”“政治”“文化”5个关键词词频，而后以“生态”词频数占5个关键词总词频数之比表征“五位一体”生态文明布局强度。

3.3 准自然实验设计和模型构建

3.3.1 空间双重差分模型构建 为验证创新型省份建设和区域数智化及其空间效应对区域创新生态系统竞争力的影响，引入空间相关性进行因果推断，构建空间双重差分模型进行检验［27］。

式（1）～式（3）依次为基于空间自回归（SAR）、空间误差（SEM）和空间杜宾（SDM）的空间双重差分模型。其中，α1 和α2 分别为解释变量DIDit 和Diit系数；ΣβXit 为控制变量及其系数乘积之和，ρ 和θ 分别为空间自回归空间溢出效应系数；vit 为冲击变量，ui 和γt 分别为地区和时间固定效应；W 为空间权重矩阵，鉴于本文研究对象与地理之间的经济活动联系密切，因此将W确定为经济空间权重矩阵，具体如式（4）。

其中，W为空间权重矩阵，Wiθ为其中元素，yi和yθ分别为地区i和θ 平均实际GDP。

3.3.2 双重机器学习模型构建 为弥补传统双重差分模型存在的维数诅咒、关键控制变量难以穷举、控制变量的线性组合无法精确拟合回归模型等问题，本文在准自然实验中引入双重机器学习模型进行因果推断分析［28］）。为验证H1、H2，构造基准回归模型如式（5）～式（6）。

其中，g （Xit ）为高维协变量的函数，将采用机器学习模型进行估计。同时，为验证H3中的中介机制，本文构建基于逐步回归的双重机器学习中介效应模型（模型6）。

4 实证分析

在进行样本选择、数据收集和模型构建后，本文依据如下步骤进行假设验证：第一步，基于空间双重差分模型针对创新型省份建设和区域数智化对区域创新生态系统竞争力的空间效应进行估计和分析；第二步，采用双重机器学习模型和因果中介效应模型验证机制路径“创新型省份建设→区域数智化→区域创新生态系统竞争力”是否成立并可以推广。

4.1 相关性分析

由相关性分析可知（限于篇幅，结果留存备索），变量Dig、Int、Di、DID 和被解释变量Com 的相关系数分别为0.844、0.881、0.892、0.524，均在0.01水平上显著；同时自变量之间的相关系数的绝对值低于阈值，即表明不存在严重的多重共线性问题。

4.2 基于空间双重差分模型的实证分析

4.2.1 空间自相关性检验 采用全局Moran’s Ⅰ对被解释变量是否存在空间自相关性进行检验，表3为被解释变量区域创新生态系统竞争力（Com）的逐年全局Moran’s Ⅰ。由表3可知，2009—2021年每一年的区域创新生态系统竞争力均通过了全局Moran’s Ⅰ检验。

4.2.2 空间双重差分模型的选择与检验 需要从模型1～模型3中选择合适的空间双重差分模型进行实证分析，检验项目及过程报告如表4所示。其中，稳健形式下LM的检验结果显示针对SAR和SEM的检验均显著，表明应当采SDM进行实证分析；Hausman检验的结果表明应当采取随机效应。而后Wald和LR检验均支持SDM不能退化为SAR和SEM，因此本文最终采用SDM进行参数估计。

4.2.3 空间双重差分模型参数估计 在确定空间双重差分模型的具体形式之后，对模型3进行参数估计，结果如表5所示。其中，本地效应反映了单个区域内部因素对其结果变量的直接影响；邻地效应则为解释变量通过空间权重矩阵对其他地区被解释变量的平均处理效应。基于本地效应考察创新型省份建设和区域数智化对区域创新生态系统竞争力的直接影响，并采用邻地效应评估两个变量对区域创新生态系统竞争力的空间效应。列（1）显示，在模型3中，DID和Di的本地效应系数分别为0.025和0.530，均通过1%的显著性检验，验证了H1和H2。该结果表明，创新型省份建设发挥的创新主体进入约束缓释效应、资源配置优化效应、多元主体创新激励效应、软环境支持效应，以及数智化在创新群落催生效应、资源平台集聚效应、多元过程赋能效应、软环境技术变革效应的支撑下，均能够促进本地区的创新生态系统竞争力。

列（2）显示，DID 的邻地效应系数为0.238，在5%的水平下显著为正，表明创新型省份建设对区域创新生态系统竞争力具有正向空间溢出效应，原因在于《指引》强调试点地区的引领示范作用，并且要求加强区域协同、央地协同，最终形成上下联动、左右协同的创新型省份建设格局。同时列（2）显示，Di 的邻地效应系数在1%的水平下显著为负，值为-1.564，这一结果说明了区域间数智化竞争优势差距形成会导致数智化对区域创新生态系统竞争力产生负向空间溢出效应，说明在当前数智化发展可能引发区域间的“数字鸿沟”现象，即数智化发展先进地区会对其他区域的创新主体、创新资源产生虹吸［29］，因此数智化发挥的区域创新生态系统竞争力效应会产生空间极化现象。

4.2.4 平行趋势检验 平行趋势假设是使用双重差分模型的前提假设，故本文设定如式（8）的平行趋势检验。

其中，policyi（t ± n） 分别是i 地区进行创新型省份建设试点前后n 年的虚拟变量（以t -8为基期），图3显示了policyi（t ± n） 的系数情况，图中policyi（t - n） 的系数θ 不显著，而policyi（t + n） 的系数θ 显著，则说明本文准自然实验通过平行趋势检验。

4.3 基于双重机器学习模型的实证分析

4.3.1 双重机器学习模型基准回归分析 采用基于随机森林算法的双重机器学习模型进行实证分析，并将机器学习的样本分割比例确定为1∶4。表6报告了模型4～模型5的参数估计结果，其中，模型4中DID 和模型5中Di 的系数分别为0.053和0.517，均通过1%的显著性检验，再次验证了H1和H2。

4.3.2 作用于区域创新生态系统竞争力分项指标的机制路径分析 为验证H3中“创新型省份建设→数智化→区域创新生态系统竞争力”的机制路径是否存在，基于区域创新生态系统竞争力的分项维度，检验“DID→Di→Sub”“DID→Di→Sur”“DID→Di→Vit”“DID→Di→Res”“DID→Di→Evn”5条机制路径，参数估计和检验结果报告如表7所示。

表7显示，5条中介效应机制路径均通过Sobel等检验，说明数创新型省份建设能够通过促进区域数智化发展嵌入区域创新主体、创新支撑、创新活力、创新资源、创新环境，进而在创新型省份建设的驱动下促进区域创新生态系统竞争力整体跃升；在5条机制路径中，仅“DID→Di→Sur”表现为完全中介效应，该结果说明创新型省份建设在一定程度上与创新企业孵化器、生产力促进中心等创新支撑的协同性不足[30]，而数智化的发展恰好能成为创新型省份建设试点政策的着力点。

4.3.3 扩展分析：数字化和智能化的中介效应检验 为进一步检验H3，基于反事实框架对“创新型省份建设→区域数智化（数字化、智能化）→区域创新生态系统竞争力”传导机制进行进一步检验，根据FARBMACHER等[31]的研究，基于双重机器学习模型的因果中介效应不仅能够验证中介效应路径是否能在处置组成立，同时也能够推导出中介效应路径是否能够在处置事件被推广至控制组后依然协助成立。

依据因果中介效应检验方法，如表8验证了“DID→Di→Com”“DID→Dig→Com”“DID→Int→Com”3条机制路径的直接效应和间接效应不仅在处置组成立，同时也在控制组成立。①处置组的结果表明区域数字化依托海量数据为新业态、新模式、新产业的塑造提供了新的要素驱动力，而智能化基于网络技术、人工智能技术、传感技术在自然语言处理、工业制造业生产等创新消费者主体活动中使之形成智能化竞争优势，同时赋能科研活动实现知识计算的过程优化和效率提升，而创新型省份建设为数智化驱动区域创新生态系统竞争力提升提供了新契机。②控制组的结果表明当前的创新型省份建设政策尽管只是一项试点政策，但经推广和复制后，能够驱动控制组的“DID→Di（Dig、Int）→Com”机制路径高效运转。

4.3.4 稳健性检验 本文就机制路径“DID→Di→Com”做了4组稳健性检验：①前文由于江西省未获国务院批复将其列入准自然实验的控制组，但该省却自发进行了创新型省份建设试点，也在创新型省份建设中亦对创新体制机制进行了一些探索，故本文在稳健性检验中将江西作为处置组再次进行参数估计；②先前将处置组在创新型省份建设试点政策实施当年的DID 赋值为1，但政策实施当年并非全年都实施了试点政策，政策效应存疑，因此剔除处置组中所有省份在政策实施当年的数据进行检验；③前文在双重机器学习模型中将样本分割比例设定为1∶4，而该比例较大可能会减少模型的学习能力，较小又可能会造成过度拟合，在此本文将样本分割比例分别调整为1∶3和1∶7以验证稳健性；④前文鉴于随机森林具备较强的鲁棒性，故而双重机器学习模型中引入该算法，然而随机森林的“黑盒”特性导致解释性较弱，而套索回归和梯度提升均能够有效减少模型复杂度并增强预测精度，因此采用这两种算法进行稳健性检验。在进行上述检验后，共得到了7组结果（限于篇幅，结果留存备索），均与前文的结论基本一致，本文的核心结论和主要机制通过稳健性检验。

4.3.5 异质性分析 ①地理分区异质性分析 鉴于我国不同地区经济社会发展的巨大差异和地理分区之间存在有“数智鸿沟”，因此有必要将全样本分割为东部地区（包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西、海南）、中部地区（包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南）和西部地区（包括内蒙古、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆）3组样本，逐一检验“DID→Di→Com”的机制路径是否成立（结果见表9）。表9显示，在东部和中部地区，机制路径“DID→Di→Com”在两组样本中均为部分中介效应路径；在西部地区，该路径却为完全中介效应路径，可能是因为西部地区囿于资金和人才等创新要素短缺、创新禀赋不足，在实施创新型省份建设时无法兼顾全局，必须采取重点推进的形式，因此对区域创新生态系统竞争力的直接作用有限。②建设周期异质性 严圣艳和朱凯［32］认为创新型省份建设试点实施之前，国家已经先期开展了创新型城市建设试点，而创新型城市获批越多的省份创新生态系统演化较之于其他省份越趋向于成熟。据此将在被批复为创新型试点省份之前已经有2个以上城市获批创新型试点城市的省份确定为成熟型省份，其余省份为萌芽型省份，并对机制路径“DID→Di→Com”再次进行异质性分析（结果见表9）。表9表明，成熟型省份样本的参数估计结果与全样本基本一致，而在萌芽型省份样本中不存在显著的“DID→Di→Com”机制路径，说明萌芽型省份的创新型省份建设尚处于政策规划和试验探索的初步阶段，创新型省份建设政策效应有限。

5 结论和政策建议

5.1 研究结论

本文依据准自然实验设计与实证分析结果，得出如下结论：①基准回归表明，创新型省份建设和区域数智化发展对区域创新生态系统竞争力均具有显著的正向促进作用，同时创新型省份建设的政策效果不仅局限于试点省份内部，还能够通过示范带动、资源共享等方式惠及周边地区，形成正向空间溢出效应，但区域数智化基于经济空间权重矩阵的“虹吸效应”会对区域创新生态系统竞争力产生负向邻地效应；②中介效应检验结果证明创新型省份建设能够通过提升区域数智化，进而提升区域创新生态系统的创新主体、创新支撑、创新资源、创新活力、创新环境各个环节的竞争力；③扩展分析结果显示，创新型省份建设已经能够在处置组发挥驱动区域数智化发展，赋能区域创新生态系统竞争力的政策效应，而控制组一旦实施创新型省份建设，“创新型省份建设→数字化和智能化→区域创新生态系统竞争力”的机制路径依然有效。

5.2 政策建议

基于上述研究结论，本文提出如下政策建议：①发挥数智化承担创新型省份建设顶层设计与区域创新生态系统对接的桥梁作用，在具体措施上地方政府需要加强数字基础设施建设，推进高速宽带网络、智能交通系统、智慧市政设施建设促进区域智能转型，并开展高技术企业孵化、协同创新、网络众包等“双创”大数据平台标准化复制推广，将数智化牢牢作为驱动区域创新生态系统竞争力的重要抓手；②加快创新型省份建设试点成功经验的复制推广，尤其要深入发掘创新型省份建设在数智化转型和区域创新生态系统竞争力跃升的进程中所形成的政策机制，将“创新型省份建设→区域数智化发展→区域创新生态系统竞争力提升”的政策传导链推广到全国，尤其对于西部地区要加大战略全局性的指导和支持，并强化对萌芽型省份的政策迁移和帮扶支持，加快创新型省份建设成果落地，将创新体制优势转化为创新生态系统生态位优势；③关注数智化发展的区域协同，弥合区域长期发展形成的“数智鸿沟”，可以采取推进区域间数据、人才、技术等数智化资源的开放共享，并通过“数智化+”战略推动数智化与地方产业紧密融合，要扭转数智化的“虹吸效应”为“扩散效应”，引导数智化赋能产生的新业态新模式向后进地区推广。

5.3 研究局限与展望

以下为本文可能存在的研究局限性，并对进一步可以采取的研究方向进行展望。①囿于研究口径在宏观层面对区域创新生态系统竞争力进行了探讨，但创新型省份的政策效应不仅能够在全局上支持区域创新生态系统竞争力提升，应当也会对具体特定的创新生态系统要素产生影响，例如将产业创新生态系统、企业创新生态系统、产学研用融合生态系统纳入研究框架，则能够对创新型省份的政策效应有更深入的理解。②当前数智化进程呈现跨越式发展，近年来随着算法创新的不断深入、应用场景的不断深化，其形式已经从数据处理应用、体力劳动替代应用逐渐向海量数据监测响应、AIGC、元宇宙等模式进化，而本文并未对数智化的阶段性特征进行明确的区分，未来可以依据情报分析技术，根据数智化的阶段性发展探究其对创新生态系统竞争力的阶段性影响。