国家级大数据综合试验区对城市数字创新能力的影响研究

摘 要：将国家级大数据综合试验区的设立视作准自然实验，基于中国282个地级市2011—2020年的面板数据，构建双重差分模型，实证检验了试验区政策对城市数字创新的影响效应，并从城市区位和行政等级两个方面入手，探究大数据试验区政策的异质性影响。结果表明：第一，大数据试验区的建设能够显著提升城市数字创新能力；第二，通过安慰剂检验、倾向得分匹配法和排除宽带中国政策等方法证明基准回归结果是稳健可靠的；第三，异质性分析结果表明，大数据试验区对东部城市和一般地级市数字创新能力的提升作用更显著。

关键词：国家级大数据综合试验区；数字创新；双重差分；数字经济；倾向得分匹配

中图分类号：F276.44 文献标识码：A 文章编号：2096-0298（2024）07（a）--05

1 引言

当前，新一轮科技革命引领人类社会进入了数字经济时代，根据《中国数字经济发展白皮书》，2022年中国数字经济规模已达50.2万亿元，占GDP比重达到41.5%，对服务业、制造业、农业的渗透率分别达到44.7%、24.0%和10.5%，数字经济与经济社会各领域融合的广度和深度不断加强，在激发消费、拉动投资、创造就业、创新发展等方面发挥了重要作用，极大地改变了社会经济的运作方式，成为经济增长的新动能[1]。数字经济的快速发展引起了我国政府的高度重视。习近平总书记在十九届中央政治局第三十四次集体学习时指出：“当今时代，数字技术、数字经济是世界科技革命和产业变革的先机，是新一轮国际竞争重点领域，我们一定要抓住先机、抢占未来发展制高点。”为了充分发挥数据要素的红利，促进数字经济高质量发展，2015年国务院印发《促进大数据发展行动纲要》。2016年，国务院公布了国家级大数据综合试验区名单，包括贵州省、河南省、上海市、内蒙古自治区、重庆市、沈阳市、京津冀地区和珠三角地区。由此可见，大数据试验区的建设已成为推动大数据融合应用和经济数字化转型的重要战略部署[2]。

综观学术界关于数字创新的研究成果，主要集中于数字创新的作用和数字创新的驱动因素等方面。KL Lo等（2023）通过实证研究发现数字技术创新能够提升制造业企业全要素生产率，并且此效应是通过降低运营成本、提高资源配置效率等方式实现的[3]。王智新等（2022）认为数字创新可以通过促进数字技术与传统产业的融合渗透实现数字经济的高质量发展[4]。甄俊杰等（2023）认为数字创新是当前实现经济高质量发展的重要驱动力[5]。部分学者探究了数字基础设施对数字创新的驱动作用。范合君和吴婷（2022）认为数字基础设施的外部效应打破了要素流动的地域限制，降低了创新主体之间的信息不对称，促进了区域内创新要素的流动与扩散[6]。桑玉昆和冯绪猛（2023）认为数字基础设施建设能够有效打造区域性数字应用体系，实现海量数据的存储及计算，打破创新要素供求信息交互的时空限制，有助于降低创新要素搜索成本与交易摩擦成本，进而促进创新要素合理化配置[7]。有学者探究了资源要素投入对数字创新的驱动作用。宋培等（2023）通过实证分析发现，研发人员和研发资本等创新资源要素投入对数字经济创新发展有显著的支撑作用[8]。张瑶等（2023）认为资金要素的投入有助于促进创新资源要素的集聚并激发主体的创新动力，从而提升区域数字创新能力[9]。还有学者探究了政策因素对数字创新的驱动作用。X Wang等（2023）认为政府数字化政策会提高企业对数字技术的关注，从而推动数字创新[10]。蒋永彩（2022）认为地方政府支持能够通过财政补贴、税收优化等方式扶持中小企业发展，影响区域数字创新[11]。从现有的研究结果来看，尽管有大量学者对数字创新的驱动因素进行了探究，但有关政策对城市数字创新能力影响的相关研究依然存在不足，无法有效指导我国数字创新的发展，因此本文从政策角度对城市数字创新能力进行实证分析。

2 研究假设

首先，国家级大数据综合试验区通过政府补贴、政策支持等方式推进大数据产业集聚。产业集聚使创新主体之间形成了紧密的联系与合作交流，促进了知识技术的流动与溢出，为创新活动提供了有利条件[12]。贵州省在被选定为试验区之后，大力打造大数据产业集群，构建数字经济生态圈，吸引了苹果、微软、英特尔、惠普、戴尔等大批国际企业落户。其次，大数据试验区的设立使区域间数据要素的流动更加通畅，有效打破了数据资源的流动壁垒。数据资源的传递有效缓解了区域创新系统内信息不对称问题，交易市场更加开放透明，极大降低了创新主体获取创新资源所需付出的交易成本，有助于创新主体释放更多资金用于研发创新，并可通过数字技术整合自身的资金流、信息流等形成去核化、扁平化的组织结构，提高管理效率，为数字创新活动提供更加优质的条件及环境。最后，国家级大数据综合试验区能够完善大数据产业链布局，推动地区产业数字化的发展。目前，我国产业结构存在发展水平较低、转型速度较慢等方面的问题[13]。各试验区针对工业、农牧业、制造业、服务业等产业的转型升级，均提出了明确的发展规划。如沈阳出台了《沈阳市新一代人工智能发展规划（2018—2030年）》，充分发挥人工智能产业对制造业转型升级的辐射带动作用。产业的数字化转型会不断催生新产业、新业态和新商业模式，为区域带来了新的创新增长点。因此，本文提出假设：大数据试验区政策能够提升城市数字创新能力。

3 模型构建与变量说明

3.1 模型构建

双重差分（DID）是评估在特定时间点制定的政策或计划（例如新法律的实施）效应的常用方法。DID方法将未受政策干预影响的个体随时间的变化与受政策干预影响的个体随时间的变化进行比较，两个变化之间的差异就是政策干预对个体的影响[14]。Heckman等（1985）最早提出将DID方法用于公共政策效应评估，之后，DID方法的研究成果层出不穷[15]。基于此，本文采用双重差分法进行准自然实验，将试验区城市视为实验组，其余城市为对照组。具体模型设定如下：

Innit=α0+α1didit+α2Xit+μi+vt+εit（1）

式中，Innit表示城市数字创新能力，didit表示国家级大数据综合试验区的政策虚拟变量，α0表示常数项，Xit表示一系列控制变量。系数α1是本文重点关注的指标，表示政策的数字创新效应。μi为地区固定效应，vt为时间固定效应，εit为随机误差项。

3.2 变量说明

本文选取2011—2020年282个地级市的平衡面板数据，城市数字产业专利数量来源于中国研究数据服务平台（CNRDS数据库）。

（1）被解释变量：数字创新（Inn）。由于专利数据具有客观性、及时性和容易获得的特点，因此专利数据被普遍用作创新能力的代理指标。本文参考宋培等（2023）[16]的做法，采用各地区数字产业专利授权量的对数值来衡量。

（2）核心解释变量：国家级大数据综合试验区（did）。本文的核心解释变量为个体虚拟变量（treated）和时间虚拟变量（time）的交互项。个体虚拟变量根据该城市是否纳入试验区进行赋值，试验区城市为实验组，其对应的treated=1；未设立试验区的城市为对照组，对应的treated=0。时间虚拟变量根据大数据试验区设立前后的年份进行赋值，政策实施当年及之后赋值为1，政策实施之前为0。

（3）控制变量。本文参考以往文献归纳总结出以下控制变量：固定资产投资（Inf），固定资产投资可以提升城市经济水平、调整优化产业结构，从而提高城市数字创新能力，采用固定资产投资额占GDP比重来衡量；经济发展水平（Gdp），经济发达地区拥有更优越的基础设施和制度环境，有利于城市数字创新产出，采用人均GDP的对数进行衡量；对外开放水平（Open），外商投资能够促进技术的引进和转移，产生技术溢出效应，提高城市的数字创新能力，采用实际利用外资额占GDP的比重来衡量；政府财政支出（Exp），政府的财政投入会对技术研发活动提供资金方面的支持，采用政府财政支出占GDP比重来衡量；金融发展水平（Fin），金融水平的提升可以提高城市的资源配置能力和风险防范能力，采用金融机构贷款余额占GDP比重来衡量；进出口贸易（Trade），采用进出口贸易总额占GDP比重来衡量。

4 实证研究

4.1 基准回归

基准回归结果如表1所示。表1模型（1）是试验区政策与城市数字创新能力的基本回归结果；模型（2）是在模型（1）的基础上加入了固定资产投资、经济发展水平、对外开放水平、政府财政支出、金融发展水平和进出口贸易六个控制变量后的回归结果。可以看出，加入控制变量之后did项的估计系数为0.161，在1%的统计水平下显著为正，验证了本文的基本假设。

4.2 平行趋势检验

双重差分法的使用前提是，在受到政策冲击前，实验组与对照组满足平行趋势假设。平行趋势检验结果如图1所示，大数据试验区政策实施之前，实验组和对照组的数字创新能力不存在显著的差异，满足双重差分法的平行趋势假设。

图1 平行趋势检验

4.3 异质性检验

不同城市的初始禀赋和国家对其政策倾斜不同，导致各个城市的发展呈现出不平衡的特点。为进一步深化对大数据试验区政策的认识，本文将从城市的区位和行政等级两个方面入手，考察大数据试验区政策的异质性影响。

4.3.1 城市区位异质性

我国东中西部地区的自然资源、地理条件和政策环境等存在显著的差异[17]，因此本文探究大数据试验区提升城市数字创新能力的区位异质性。区位异质性回归结果如表2的模型（1）和模型（2）所示。东部城市和中西部城市did项的系数分别在1%和5%水平下显著为正，表明大数据试验区对东部城市和中西部城市的数字创新能力均有提升作用，但对于东部城市的促进作用在显著度上要优于中西部城市。产生这种结果可能是因为大数据试验区的建设需要数字化基础设施的支撑，相对于中西部地区，东部地区的基础设施建设更完善、经济发展水平更高，且能够吸收大量数字人才的集聚，为城市数字创新活动营造良好的环境。

4.3.2 行政等级异质性

行政等级高的城市在交通水平、政策支持和产业基础等方面的优势是一般地级市难以比拟的。因此，本文进一步探究大数据试验区提升城市数字创新能力的城市行政等级异质性。城市行政等级划分借鉴徐林等（2022）的研究，将直辖市、省会城市和副省级城市作为行政等级高的城市[18]。和一般地级市相比，此类城市具有优越的经济实力，能够发挥辐射作用，带动区域经济社会的全面发展。表2模型（3）和模型（4）的结果表明，大数据试验区对直辖市、省会城市和副省级城市数字创新能力的促进作用并不显著，在一般地级市中，大数据试验区对数字创新能力的促进作用才得以显现，满足“边际效率递减规律”[19]，即大数据试验区对于城市数字创新的推动作用随着城市行政等级的下降反而上升。

4.4 稳健性检验

4.4.1 安慰剂检验

为了避免大数据试验区对城市数字创新能力的促进作用是其他不可观测的遗漏变量导致的，本文借鉴Li等（2016）[20]的研究进行安慰剂检验。具体思路是，在样本数据中随机选取伪实验组和伪对照组，生成伪政策虚拟变量并重新对模型（1）进行回归，由此完成一次安慰剂检验，得到一个伪政策虚拟变量的估计系数。将上述过程重复500次，图2绘制了500个估计系数的核密度图。由图2可知，随机处理下的估计系数主要分布在0附近，与真实系数存在显著差异，且近似于正态分布。由此证实了本文的估计结果不是偶然获得，大数据试验区设立对城市数字创新能力的影响几乎没有受到不可观测因素的干扰，进一步表明基准回归结果的稳健性。

图2 安慰剂检验结果

4.4.2 PSM-DID检验

试验区的设立可能会受到经济发展水平、地理位置等因素影响，并不完全满足随机性的特征。为准确评估大数据试验区的数字创新效应，本文借鉴常皓亮等（2023）[21]的做法，用PSM-DID法进行稳健性检验。首先，对实验组和对照组样本按照一对一近邻匹配法进行匹配，为保证匹配结果的可靠性，还需要进行平衡性检验。若匹配后城市样本中实验组和控制组在相关控制变量上没有表现出明显差异，则说明PSM-DID方法具有合理性。平衡性检验结果如图3所示，可以看出倾向得分匹配后控制变量的标准化偏差明显减小，并且大多数匹配变量的标准化偏差绝对值小于5%，匹配效果良好。

将匹配好的样本纳入双重差分模型重新进行基准回归分析，得到回归结果如表3中的模型（1）和模型（2）所示。从结果看出，在进行倾向得分匹配后，虚拟变量did的系数均在1%的置信水平下显著为正，可以证明前文的基准回归结果具有较强的稳健性，大数据试验区的设立显著提升了城市数字创新能力。

4.4.3 排除其他政策的影响

由于试验区设立期间存在其他相关政策对研究效果产生影响，为解决这一问题，本文借鉴石大千等（2018）[22]的做法，将宽带中国试点政策作为虚拟变量纳入基准模型加以控制，结果见表4模型（3），加入了宽带中国政策虚拟变量以后，did项的回归系数仍在1%的水平上显著为正，进一步支持了本研究的核心结论。

5 结论与建议

本文以国家级大数据综合试验区的设立为切入点，运用双重差分估计方法，基于我国2011—2020年282个地级市的面板数据，分析了大数据试验区的建设对城市数字创新能力的影响，并进一步探讨了政策效应的异质性，研究结果表明：

第一，大数据试验区的建设能够显著提升城市数字创新能力。第二，本文通过安慰剂检验、倾向得分匹配法和排除相关政策等方法证明基准回归结果是稳健可靠的。第三，异质性分析结果表明，大数据试验区对东部城市和一般地级市数字创新能力的提升作用更显著。

基于实证研究结果，本文提出以下建议：第一，积极推进国家级大数据综合试验区建设。政府要加大对大数据产业的财政投入，加强数字人才队伍建设，构建完善的制度体系，为大数据的发展和创新活动的开展提供制度保障。第二，注重城市数字创新能力的提升。加强云计算、人工智能、5G等数字技术的研发与应用，推进数字技术与传统产业融合发展，为数字创新提供良好的发展空间。第三，因地制宜制定大数据发展战略。由于不同城市在地理区位和行政等级等方面存在差异，大数据试验区建设对城市数字创新的驱动效应也具有差异性。因此，在建设大数据试验区的过程中，应坚持因地制宜，充分考虑不同城市的实际发展阶段，抓住当地发展数字创新的禀赋优势和区域特色，构建更加包容、灵活的城市数字创新体系，平衡数字创新在东中西部地区和不同行政等级城市之间的发展。

6 研究局限与未来展望

本文采用数字产业专利数量衡量城市数字创新能力，未能考虑到城市数字创新能力的其他产出，未来可以通过构建指标体系的方式对城市数字创新能力进行测度。本文仅考察了试验区建设对城市数字创新影响的直接效应和异质性分析，未来在数据能够获得的前提下，可以进一步探索试验区提升城市数字创新能力的作用路径和空间效应。

参考文献

岳书敬，董迪妮，赖晓冰.数字创新如何影响城市经济差距：“数字鸿沟”还是“数字红利”[J].财经科学，2023（9）： 76-88.

邱子迅，周亚虹.数字经济发展与地区全要素生产率： 基于国家级大数据综合试验区的分析[J].财经研究，2021，47（7）：4-17.

Lo K L， Zhang J， Xia F. Does digital technology innovation work better for industrial upgrading？ An empirical analysis of listed Chinese manufacturing firms[J]. Applied Economics Letters， 2023， 30（18）： 2504-2509.

王智新，高天，王若男.数字创新赋能数字经济发展研究： 一个文献综述[J].科学管理研究，2022，40（5）：91-97.

甄俊杰，师博，张新月.中国数字创新与经济高质量发展的协同效应及动态演进预测[J].现代财经（天津财经大学学报），2023，43 （3）：3-20.

范合君，吴婷.新型数字基础设施、数字化能力与全要素生产率[J].经济与管理研究，2022，43（1）：3-22.

桑玉昆，冯绪猛.数字基础设施、创新要素配置与全球价值链嵌入[J].软科学，2023（12）： 1-11.

宋培，李琳，艾阳，等.中国数字经济创新发展的技术选择与效果评估[J].科学学研究，2023，41（8）：1410-1421.

张瑶，张光宇，张洪振.组态视角下区域数字创新发展的驱动机制研究[J].技术经济与管理研究，2023（1）：123-128.

Wang X， Li Y， Tian L， et al. Government digital initiatives and firm digital innovation： Evidence from China[J]. Technovation， 2023， 119： 102545.

蒋永彩.政府偏好、财政分权与区域数字创新[J].统计与决策，2022，38（4）：32-37.

梁海萌，申丹虹.数字经济发展战略对产业结构升级的政策效应： 基于国家级大数据综合试验区的准自然实验[J].现代管理科学，2023（1）：46-55.

许锋，时海博.产业集聚、数字技术创新与制造业发展质量[J].商业经济，2023（7）：52-55.

Stuart E A， Huskamp H A， Duckworth K， et al. Using propensity scores in difference-in-differences models to estimate the effects of a policy change[J]. Health Services and Outcomes Research Methodology， 2014， 14： 166-182.

Heckman J J， Robb Jr R. Alternative methods for evaluating the impact of interventions： An overview[J]. Journal of econometrics， 1985， 30（1-2）： 239-267.

宋培，白雪洁，李琳，等.数字产业创新对产业结构现代化的影响研究[J].科学学研究，2023（6）：1-18.

支宇鹏，黄立群，陈乔.自由贸易试验区建设与地区产业结构转型升级： 基于中国286个城市面板数据的实证分析[J].南方经济，2021（4）：37-54

徐林，侯林岐，程广斌.国家级大数据综合试验区创新效应研究[J].科技进步与对策，2022，39（20）：101-111.

付平，刘德学.智慧城市技术创新效应研究： 基于中国282个地级城市面板数据的实证分析[J].经济问题探索，2019（9）：72-81.

Li P， Lu Y， Wang J. Does flattening government improve economic performance？ Evidence from China[J]. Journal of development economics， 2016， 123： 18-37.

常皓亮，金碚，薛飞.大数据战略对电力消费碳排放的影响： 基于国家级大数据综合试验区的准自然实验[J].经济与管理研究，2023，44（5）：93-109.

石大千，丁海，卫平，等.智慧城市建设能否降低环境污染[J].中国工业经济，2018（6）：117-135.