中国省域新质生产力空间网络结构动态演进及驱动力分析

摘 要：为推动区域协调发展和新质生产力的均衡布局，本文基于K-means聚类分析和随机森林算法测算了2012—2022年中国30个省份的新质生产力发展水平，采用社会网络分析方法系统地研究了中国省域新质生产力空间网络的动态演进特征，并结合文本分析和QAP回归模型探讨了省域新质生产力空间网络差异的驱动因素。研究发现：中国新质生产力整体上呈上升趋势，但区域间发展不均衡问题突出，呈现出东强西弱的特点；在空间分布上，省域新质生产力空间网络的复杂度逐年增加，网络关联和互动不断增强，其中东部沿海省份始终处于核心区域，中部省份逐渐进入核心区，而东北地区始终处于边缘区域。此外，QAP回归结果显示，加强技术进步、提高人力资本素质和有效利用数据要素可以显著提升省域新质生产力水平，推动区域经济的协调和可持续发展。

关键词：新质生产力；随机森林算法；社会网络分析；文本分析方法；QAP

中图分类号：F830 文献标识码：A 文章编号：1674-2265（2024）09-0014-11

DOI：10.19647/j.cnki.37-1462/f.2024.09.002

一、引言

2024年两会期间，习近平总书记在参加江苏代表团审议时强调，要牢牢把握高质量发展这个首要任务，因地制宜发展新质生产力。因地制宜发展新质生产力是推动区域协调发展、缩小城乡差距以及提升人民生活质量的重要路径。近年来，中国在科技创新、数字经济、绿色经济和产业结构优化等领域均已取得突破性进展，为新质生产力的发展奠定了坚实基础。然而，各地区在资源禀赋、经济基础和发展水平上存在显著差异，区域间新质生产力发展不均衡问题依然突出。因此，把握省域之间新质生产力发展的协同和竞争关系，对因地制宜发展新质生产力具有重要意义。在此背景下，本文基于社会网络分析方法系统地研究中国省域新质生产力空间网络的动态演变特征，利用QAP回归分析方法探索新质生产力空间网络演进的驱动因素，为中国省域新质生产力发展提出科学建议。

目前，国内关于新质生产力的研究多从以下几个方面展开：一是从理论层面对新质生产力的科学内涵、理论逻辑、实现路径以及研究现状进行系统性分析（胡洪彬，2023；姚树洁和张小倩，2024；杨广越，2024）[1-3]。二是通过构建不同的指标体系对新质生产力的发展水平进行测度，并利用空间计量模型分析新质生产力发展的时空变化（卢江等，2024；王珏和王荣基，2024；雷学，2024；韩文龙等，2024）[4-7]。三是从高质量发展（赵若男等，2024）[8]、数字经济（吴文生等，2024）[9]、现代化（洪田芬，2024）[10]和工业化（赵秋运和严佳佳，2024）[11]等角度对新质生产力的影响机制进行研究。现有文献表明，学术界关于新质生产力的测度和评价多以熵权法和空间计量模型为主，对新质生产力复杂空间网络以及网络的驱动因素进行探索的研究较少。相较于传统的空间计量模型，利用社会网络分析方法分析新质生产力空间网络变化有如下优势：第一，社会网络分析可以揭示新质生产力空间网络中地区之间的复杂关系，直观地展现地区之间的联系和差异（Wellman，1983）[12]。第二，通过社会网络分析可以识别在新质生产力空间网络中具有重要影响力和起关键作用的省份，更直观地理解整个网络的结构和稳定性（Scott，1988）[13]。第三，社会网络分析可以发现地区之间的潜在关系和非显性连接，帮助发现新质生产力空间网络中可能存在但不易观察到的重要联系和影响（Freeman，2002）[14]。

鉴于此，首先，本文选取2012—2022 年中国30个省（自治区、直辖市，不包括港澳台地区及西藏自治区，以下简称省份）的面板数据构建新质生产力综合评价指标体系，并搭建基于K-means聚类算法和随机森林算法的无监督聚类—随机森林模型，测算出新质生产力综合评价指数（漆家森，2022）[15]。其次，结合修正的引力模型和社会网络分析法对中国30个省份新质生产力空间网络进行系统分析。最后，运用文本分析法提取133篇有关新质生产力的文献中的关键词并识别出新质生产力的核心驱动因素，采用QAP回归分析法探析核心驱动因素对新质生产力空间网络变化的影响。

与现有研究相比，本文可能存在以下边际贡献：一是摒弃传统熵权法，采用K-means聚类算法和随机森林算法相结合的方式计算综合评价指数，将机器学习方法运用到综合评价中，使得评价更客观、更准确。二是运用引力模型和社会网络分析从空间网络视角探究中国省域新质生产力空间网络结构特征和动态演变，丰富新质生产力的研究方法。三是利用文本分析法识别新质生产力的核心驱动因素，结合QAP方法分析各驱动因素对新质生产力空间网络的影响，揭示其背后的驱动力和影响机制。

二、研究设计

（一）新质生产力综合评价指标体系的构建及数据来源

本文基于新质生产力的定义、内涵和相关理论，结合数据的可获得性，参考相关文献（卢江等，2024；雷学，2024；任宇新等，2024）[4，6，16]选取2012—2022 年我国30个省份的相关指标，从劳动者、劳动对象和劳动资料三大维度构建新质生产力综合评价指标体系（见表1），以衡量中国各地区新质生产力发展水平。本文数据来源于《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》以及各省份统计年鉴，个别缺失数据采用插值法和移动平均法予以补充，以确保数据的完整性和分析的准确性。

（二）基于K-means聚类分析和随机森林算法的综合评价方法

在对新质生产力进行综合评价时，多数学者采用熵权法或熵权-TOPSIS法，但这些方法仅依赖简单的计算，往往会忽略指标之间的复杂关系，从而导致权重计算不够准确。而利用K-means聚类算法对2012—2022年中国30个省份的新质生产力指标进行分组，不仅可以捕捉到不同省份之间的相似性和差异性，生成的聚类标签也为随机森林算法提供了目标变量，有效地解决了使用随机森林算法进行综合评价时缺乏目标变量的问题，同时提高了指标计算结果的准确性。因此，本文基于K-means聚类算法和随机森林算法来构建新质生产力综合评价指数。

为确保数据的一致性和可比性，在进行K-means聚类分析之前需对数据进行标准化，以消除数据量纲的影响。本文选取最大最小归一化方法对数据进行标准化处理，计算公式为：

正向指标：[x=x-xminxmax-xmin] （1）

负向指标：[x=xmax-xxmax-xmin] （2）

其中，[xmin]为最小值，[xmax]为最大值。

另外，为确定最优聚类个数，本文通过轮廓系数和手肘法对不同聚类个数进行评估，选择评分最优的结果作为最终聚类个数。基于最优聚类个数对标准化后的数据进行聚类，并为每个样本点赋予聚类标签。将聚类标签作为目标变量，根据每个样本点的相关指标数据建立随机森林模型，用于预测相关新质生产力指标的重要程度。该模型的输出结果被用作新质生产力指标体系中各个指标的权重。最后，利用线性加权法得到中国30个省份的新质生产力综合评价指数，计算公式如下：

[Wj=j=1mwj×x′ij] （3）

其中，[Wj]为新质生产力综合评价指数，[wj]为指标权重，[x′ij]为标准化后的指标数据。

（三）修正的引力模型

本文采用引力模型来度量省域新质生产力的空间关联强度，参考罗良文和张郑秋（2024）[17]的研究，根据研究对象的不同对传统的引力模型进行修正，公式如下：

[Rij=KijPiGiIi3PjGjIj3D2ij]，[Kij=IiIi+Ij] （4）

其中，[Rij]为[i]省和[j]省之间的新质生产力关联强度；[Ii]、[Ij]分别为[i]省和[j]省的新质生产力综合指数；[Pi]、[Pj]分别表示[i]省和[j]省的年末人口总数；[Gi]、[Gj]分别表示[i]省和[j]省的年末GDP总量；[Dij]为[i]省和[j]省省会之间的距离（单位为千米）；[Kij]为修正系数，表示[i]省新质生产力发展的贡献率。

由于进行社会网络分析要求使用二值型数据，需要将由式（4）计算得出的新质生产力关联强度进行二值化处理。将矩阵中每行数据的平均值设为阈值，每行数据中大于该行阈值的数据视为1，表示该行省份与其他省份的新质生产力之间具有一定的空间关联性；低于阈值数据视为0，表示该行省份与其他省份的新质生产力之间不具备空间关联性。由此，可以获得关于中国省域新质生产力空间关联强度的0-1非对称矩阵，即中国省域新质生产力空间关联有向网络。

（四）社会网络分析法

社会网络分析起源于图论，是一种用于研究社会系统中个体之间关系的网络分析方法（Borgatti等，2009）[18]。近年来，国内外很多学者将社会网络分析法应用到经济领域的研究中，包括国际贸易（刘敏等，2021；Matinju等，2023；马菁等，2024）[19-21]、数字经济（金灿阳等，2022；崔蓉等，2023；闫春等，2024）[22-24]和环境资源（Salpeteur等，2017；林明裕和崔兴华，2024；Jariego和Corral，2024）[25-27]等领域，用以分析地区间的网络联系和经济互动。本文拟将该方法应用于省域新质生产力空间关联网络的研究中，选取网络密度和网络互惠性刻画整体网络特征，选取点度中心度、中介中心度和接近中心度刻画个体网络特征，并结合核心—边缘结构特征对2012—2022年中国30个省份新质生产力空间关联网络时空演进过程进行分析。

（五）QAP回归方法

QAP回归方法是一种适用于社会网络数据的统计分析方法，通过对网络矩阵数据进行随机置换和重抽样，检验变量之间的相关性和回归关系（刘军，2004）[28]。QAP 相关分析通过比较两两矩阵中的元素来确定矩阵间的相关系数，并使用随机置换的方式来进行非参数检验。QAP回归分析用于研究一个或多个自变量矩阵对因变量矩阵的影响，通过判定系数和回归系数的显著性来判断不同因素对因变量矩阵的影响程度和重要性。本文利用该方法对2012—2022年中国省域新质生产力空间网络及其影响因素差异矩阵进行回归分析，探究新质生产力空间网络时空演进的核心驱动因素。

三、实证分析

（一）中国省域新质生产力综合评价

根据K-means聚类分析和随机森林算法对新质生产力综合评价指标数据进行测算，得出中国省域新质生产力综合发展变化图（图1）。由图1可知，2012—2022年中国新质生产力水平整体呈现上升趋势，新质生产力指数范围由0.05～0.26上升到0.14～0.66。其中，北京、广东、江苏、上海和浙江的新质生产力发展显著领先于其他省份，青海、新疆、宁夏、黑龙江、吉林等西部和东北地区新质生产力指数普遍较低，区域间发展不均衡问题突出。

为分析新质生产力发展水平的空间差异，绘制各省份新质生产力综合指数散点图，如图2所示。由图可知，2012—2022年中国新质生产力发展出现区域集群效应。位于东部沿海地区的一些省份经济发达、产业结构优化，形成高新质生产力集群，区域间经济发展呈现出一定的带动效应和协同效应。中西部地区经济发展较为缓慢，虽然有一定的政策支持，但产业基础薄弱、技术创新能力不足，新质生产力发展整体呈现出较低水平。

（二）中国新质生产力空间关联强度分析

根据修正后的引力模型计算2012—2022年中国各省份之间新质生产力空间关联强度，表2展示了2012年、2017年和2022年关联强度排名前30的省份关联对。整体来看，2012—2022年间绝大多数省份之间的关联强度显著增加，省域在新质生产力方面的合作和互动变得更加紧密，协同效应逐年增强。东部地区的一些省份经济发达、产业基础好、创新能力强，且地理位置相对接近，便于形成紧密的经济联系和合作，省份之间的关联强度显著高于其他地区。西部省份（如新疆、青海、甘肃等）之间的关联强度虽然也有所增加，但总体水平仍较低，且区域间发展差距较大。

（三）新质生产力空间网络整体结构特征

基于修正的引力模型计算出的2012—2022年中国省域新质生产力空间关联强度矩阵，借助Gephi 0.10软件绘制2012年、2015年、2019年和2022年中国省域新质生产力空间网络结构图，如图3所示。2012—2022年，中国省域新质生产力空间网络的复杂度逐年提升，省份之间的网络连接数量显著增加，网络结构逐步从简单走向复杂，省域之间新质生产力的关联和互动不断增强。另外，区域间新质生产力网络关联逐渐从中部和东部沿海地区向中西部地区扩展，区域间的互动也从2012年的相对较少变为2022年省份间的紧密关联，说明全国新质生产力发展趋于均衡且区域协作有一定的提升。

利用UCINET 6.0软件计算出2012—2022年中国新质生产力空间网络的网络密度和互惠性，并绘制二者随时间变化的折线图，如图4所示。网络密度和互惠性分别可以衡量网络中节点的紧密程度和双向连接程度。2012—2022年，网络密度在0.241和0.247之间波动，各省份之间的新质生产力关联程度相对稳定。互惠性从2012年的0.439逐渐上升到2022年的0.445，整体呈现上升趋势，在2015年、2017年和2018年显著增加。2017年和2018年的互惠性最高，说明这两年各省份之间的双向互动更加频繁，省域间合作更加紧密。

（四）新质生产力空间网络个体结构特征

利用UCINET 6.0软件计算出2012—2022年中国30个省份的点度中心度、接近中心度和中介中心度，相关指标2012—2022年的平均值和各省份的排名如表3所示。

由表3可知，近年来在相关政策的支持下，河南和山东在产业基础和市场规模方面具备优势，吸引了大量资源和合作机会，处于新质生产力关联网络中的核心地位。近年来湖北和湖南的新质生产力水平显著提升，处于新质生产力关联网络中的关键位置。江苏、广东、浙江等东部沿海地区充分发挥区域优势，经济互补性强，区域经济一体化程度高，省域间合作和互动频繁，区域内省份不仅在本区域内实现高效的信息流通和资源共享，也在全国范围内起到桥梁和纽带作用。中西部省份渐进发展，四川和陕西的中心度排名均较靠前，这两个省份拥有大量的高校、科研机构和科技园区，创新能力强，能够吸引大量的高端人才和企业。科技创新推动了新质生产力的发展，使得这些省份在省际合作中具备更强的竞争力和影响力。吉林、黑龙江和海南等省份在所有指标上得分较低，这些省份由于地理位置偏远、经济基础薄弱、产业结构单一等，新质生产力发展相对滞后，在新质生产力关联网络中处于边缘地位。

（五）核心—边缘结构分析

利用UCINET 6.0软件分析2012年、2015年、2019年和2022年中国省域新质生产力空间网络核心—边缘结构情况及变化，结果如表4所示。2012年核心区域集中在东部沿海地区，中西部地区大多处于边缘地带；2015年中部省份逐渐进入核心区，边缘地带逐渐向西部和东北部移动，但总体结构仍呈现出东强西弱的特点；2019年核心区域进一步扩大，中西部省份新质生产力发展水平提升；2022年全国范围内新质生产力核心度都显著增加，核心—边缘结构逐渐均衡。

总体来看，中国新质生产力发展逐渐从东部向中西部扩展，核心—边缘结构逐渐均衡。具体表现为东部沿海省份始终处于核心区域，中部崛起逐渐进入核心区域，西部地区从边缘地区向核心区域靠拢，东北地区新质生产力发展缓慢，始终处于边缘地带，西部和东北地区仍有较大发展空间。

四、新质生产力空间网络驱动因素分析

（一）基于文本分析的驱动因素识别

基于文本分析方法，利用python软件对关于新质生产力的133篇文献进行词频统计，提取出影响新质生产力发展的相关因素，根据词频绘制词云图，如图5所示。

本文从词云图中出现的高频词汇中总结出五个主要的新质生产力驱动因素。

一是产业升级。根据词云图中出现的生产力、发展、高质量发展、产业、产业链、结构、升级和转型等关键词总结出第一个驱动因素：产业升级。产业升级涉及传统产业的转型和新兴产业的培育，通过提升产业链价值和融合不同产业，提高整体经济效率和竞争力。

二是技术进步。根据技术、创新、科技创新、人工智能、信息和生产要素等高频词汇总结出第二个驱动因素：技术进步。除了硬件技术的提升以外，软件、数字技术和人工智能等方面的创新都能够有效提高生产效率和资源利用效率。

三是人力资本。根据词云图中人才、教育、劳动力、核心培养等词汇总结出第三个驱动因素：人力资本。新质生产力的发展离不开高素质的人才，教育和培训系统需要不断完善，以培养具有创新能力和技术技能的劳动力，为经济发展提供强大的人力资本支持。

四是数据要素。根据数据、数字经济、网络、信息等关键词总结出第四个驱动因素：数据要素。数据作为新的生产要素，能够驱动数字经济的发展，通过大数据分析、数据共享和数据挖掘可以提高决策效率和市场反应速度，从而推动新质生产力水平的提升。

五是政府支持。根据政府、政策、支持、战略、建设等关键词总结出第五个驱动因素：政府支持。政府可以通过制定政策、提供资金支持、建设基础设施等方式，营造良好的创新环境和市场条件，推动新质生产力的快速发展。

综上，本文选取产业升级、技术进步、人力资本、数据要素和政府支持作为核心驱动因素。

（二）变量说明

本文的被解释变量是由2012—2022年中国30个省份新质生产力综合指数均值的绝对差值构造的新质生产力空间网络差异矩阵（[Net]），核心解释变量为通过文本分析识别出的五个主要驱动因素对应的差异矩阵。核心解释变量的测度说明如下。

一是产业升级。本文参考杨渝筱（2023）[29]的研究方法，分别对第一、二、三产业赋予不同的权重以构造产业升级指数：

[Ind=i=13yi×i=y1×1+y2×2+y3×3] （5）

其中，[yi]表示第[i]产业的增加值占GDP 的比重，将第一、二、三产业的权重设置为 1、2、3，[Ind]越大表明产业结构升级的程度越高。

二是技术进步。本文选取利用DEA-Malmquist指数法测算的全要素生产率衡量技术进步，分别选择地区生产总值（GDP）、全社会就业人员和资本存量作为全要素生产率计算中的产出、劳动投入与资本投入指标。其中，资本存量用固定资产投资额表示（郜攀峰，2023；蔡湘杰和贺正楚，2024；危平等，2024）[30-32]。

三是人力资本。参考李梦娜和周云波（2022）[33]的研究方法，采用向量夹角法度量人力资本结构高级化水平。按照受教育程度将人力资本分为文盲半文盲、小学、初中、高中或中专、大专或本科以上共五类，利用向量夹角法度量省级人力资本发展指数。

四是数据要素。结合相关研究（梁晴，2022；李何波等，2023）[34，35]，选取相关变量来构造衡量数据要素的指标体系（见表5），用熵权法计算得出数据要素指数。

五是政府支持。参考刘如玉（2023）[36]的研究方法，从两方面构造政府支持指数：一方面，利用文本分析方法统计2012—2022年省级政府工作报告中关于政府支持新质生产力发展的词语（主要包含新质生产力、人工智能、科技创新、技术革新、科学发展和创新动能等）的词频；另一方面，结合地方财政支出占地方生产总值的比例，计算政府支持财政指数。将词频和政府财政支持指数分别标准化处理后，利用线性阈值法加权得到政府支持数据。

根据上述方法分别测算出对应核心解释变量2012—2022年的均值。由于QAP回归分析要求变量为矩阵形式，因此，分别计算出中国30个省份对应核心解释变量均值的绝对差值，根据绝对差值结果构建变量的差异矩阵。另外，本文在构建差异矩阵之前用极大极小标准化方法对数据进行标准化处理，以消除量纲的影响。

综上，构建如下新质生产力空间网络回2edL5zg2lOeGPuEURbiL8wqazhwP6wj85WvHYSE7IiI=归模型：

[Net=f（Ind，Ta，Hc，Dig，Gov）] （6）

其中，[Net]为新质生产力空间网络差异矩阵，[Ind]为产业升级差异矩阵，[Ta]为技术进步差异矩阵，[Hc]为人力资本差异矩阵，[Dig]为数据要素差异矩阵，[Gov]为政府支持差异矩阵。

（三）QAP回归分析

利用UCINET 6.0 软件对省域新质生产力空间网络回归模型中的相关变量进行相关性分析，选择5000次随机置换，得到 QAP 相关性分析结果（见表6）。

由QAP相关性分析结果可知，产业升级差异矩阵、技术进步差异矩阵、人力资本差异矩阵和数据要素差异矩阵均与新质生产力空间网络差异矩阵显著正相关。其中，技术进步差异矩阵、人力资本差异矩阵和数据要素差异矩阵在1%水平上显著，产业升级差异矩阵在5%水平上显著。政府支持差异矩阵与新质生产力空间网络差异矩阵负相关但不显著。这说明产业升级、技术进步、人力资本和数据要素在推动新质生产力发展中起着至关重要的作用。

进一步利用UCINET 6.0 软件对核心解释变量的差异矩阵和新质生产力空间网络差异矩阵进行QAP回归分析，选择5000 次随机置换，回归分析结果见表7。从回归结果可知，调整后的R2为0.692，且通过了1%的显著性水平检验，说明产业升级、技术进步、人力资本、数据要素和政府支持五个核心驱动因素能够较好地解释中国各省份在2012—2022年新质生产力的空间网络差异。

其中，产业升级差异矩阵与新质生产力空间网络差异矩阵呈现出负相关关系，但影响不显著。技术进步差异矩阵的标准化回归系数为正且通过了1%的显著性检验，说明技术进步是新质生产力发展最重要驱动因素。技术进步可以带来生产效率的提升和创新能力的增强，从而促进省域间新质生产力的协同发展。人力资本差异矩阵的标准化回归系数为正且在1%水平上显著，说明人力资本对新质生产力的提升具有显著的正向作用。高素质的人力资本是创新和技术进步的重要保障，能够推动省域间的技术创新和产业升级，有助于经济结构的优化和新质生产力水平的提高。数据要素差异矩阵的标准化回归系数显著为正，说明通过对数据要素的有效利用，可以优化资源配置，提高生产和管理效率，从而促进新质生产力的发展。政府支持差异矩阵的标准化回归系数显著为负，即不同地区支持新质生产力的政策有所差异，政府政策的实施效果不均衡或者政策资源分配不合理在一定程度上会制约省域间新质生产力的发展。

五、结论与建议

（一）主要结论

首先，本文利用K-means聚类分析和随机森林算法测算了2012—2022年中国省域新质生产力综合指数；其次，基于社会网络分析方法系统分析了2012—2022年中国省域新质生产力空间网络的动态演进特征；最后，通过QAP回归分析模型探索其主要影响因素。主要结论如下：

第一，2012—2022年中国新质生产力发展整体呈现上升趋势，省域空间关联强度逐年提升，形成区域集群效应。东部沿海省份新质生产力发展显著领先于其他省份，形成明显的高新质生产力集群，呈现出区域经济带动和协同效应；中部和南部省份之间的关联强度稳步上升，省域间的合作和互动更加紧密；西部和东北部分省份新质生产力指数较低，省份之间的关联强度虽有所提升但整体来说仍然较低，区域间发展不均衡问题突出。

第二，2012—2022年省域新质生产力空间网络的复杂度逐年增加，各省份在网络中的重要程度存在差异。网络密度和互惠性总体呈上升趋势，省份之间的关联和互动不断增强，区域间的互动从东部沿海地区逐渐向中西部地区拓展。河南、山东、湖北和湖南等省份地理位置优越，交通发达，在相关政策的支持下处于新质生产力关联网络中的关键位置；江苏、广东、浙江等东部沿海省份具有高接近中心度和中介中心度，经济基础和创新能力较强，区域合作和互动频繁，在新质生产力关联网络中起到桥梁和纽带作用；西部和东北部地区地理位置偏远、经济基础薄弱、产业结构单一，处于新质生产力关联网络的边缘地位。

第三，2012—2022年省域新质生产力空间网络核心区域逐渐扩展，核心—边缘结构逐渐均衡。2012年核心区域集中在东部沿海地区，中西部地区处于边缘地带；2015年中部省份逐渐进入核心区；到2022年核心区域进一步扩大，东部沿海省份始终处于核心区域，中部崛起并逐渐占据核心区域，西部地区新质生产力逐年提升，但西部和东北部地区新质生产力发展仍需进一步加强以缩小与东部地区的差距。

第四，由QAP分析结果可知，中国省域新质生产力空间网络受产业发展水平、技术进步、人力资本、数据要素和政府支持等因素综合作用影响。其中，技术进步差异矩阵、人力资本差异矩阵和数据要素差异矩阵与新质生产力空间网络差异矩阵显著正相关。技术进步提高了生产效率和创新能力，人力资本提供了高素质的创新人才和智力支持，而数据要素优化了资源配置和管理效率，通过加强技术进步、提升人力资本素质和有效利用数据要素，各省份新质生产力水平有望显著提升，推动区域经济的协调和可持续发展。政府支持差异矩阵与新质生产力空间网络差异矩阵显著负相关，说明政策实施效果的不均衡、政策导向和重点的差异或政策的持续性和稳定性不足等因素，导致各省份在获取政府支持方面存在显著差异，进而加剧了省域间新质生产力发展的不平衡。

（二）政策建议

基于以上结论，本文提出如下建议：

第一，加强区域创新合作，推动全国范围内科技资源共享和协同创新。要完善多中心区域创新体系，在中西部和东北地区布局区域科技创新中心，打造科技创新策源地，与东部地区形成协同创新网络。聚焦地区发展需求和要素禀赋，结合区域特色和发展战略，促进产学研合作，推动产业链和创新链精准对接，构建区域创新差异化发展路径。加强科教资源统筹布局，推动科教资源向欠发达地区和中西部地区倾斜，加大教育资金投入，促进科教资源合理分布，推动创新要素向西部地区有序流动和高效汇集。

第二，构建全国统一的数据要素市场，提升数据资源的流动性和利用效率，缩小区域发展差距。要完善数据基础设施，加强数据存储、网络和算力建设，推动全国一体化大数据中心协同创新体系，优化“东数西算”跨域大数据资源调度。促进数据要素流动，建立健全关于数据安全、交易流通、开放共享等的基础性制度和标准，构建安全可靠的数据开放共享空间和数据交易市场，实现数据资源的整合共享。

第三，优化人力资本配置，构建区域人才共享机制，促进区域间的人才流动与合作。各地区应制定具有吸引力的人才引进政策，加强职业教育和培训，提高本地劳动力的技能水平，满足新质生产力发展对高素质人力资本的需求。搭建多元化、专业化的人才资源信息库，建设人才共享交流平台，实现区域人才信息互通互联，发挥人才共享的协同效应，加强区域人才政策衔接。

第四，因地制宜发展新质生产力，促进区域均衡发展。要加快发展新质生产力，推动创新链与产业链耦合，突破前沿技术，强化区域联动，催生新产业和模式，促进东西部协同发展。特别地，中部地区应充分利用其区位优势和资源禀赋，优化产业结构，重点发展新兴和高技术产业，推动中部省份间合作，形成区域协同发展机制，提升区域经济竞争力；东北地区应利用科技教育资源优势，以科技创新引领产业创新，推动科技成果转化，减少对传统产业的依赖，创造有利于新质生产力发展的环境；西部地区应加强区域创新资源的统筹布局，建设带动能力强的区域科技创新中心，与东部地区形成协同创新网络，构建大保护、大开放、高质量的发展格局。

参考文献：

[1]胡洪彬.习近平总书记关于新质生产力重要论述的理论逻辑与实践进路 [J].经济学家，2023，（12）.

[2]姚树洁，张小倩.新质生产力的时代内涵、战略价值与实现路径 [J].重庆大学学报（社会科学版），2024，30（01）.

[3]杨广越.新质生产力的研究现状与展望 [J].经济问题，2024，（05）.

[4]卢江，郭子昂，王煜萍.新质生产力发展水平、区域差异与提升路径 [J].重庆大学学报（社会科学版），2024，30（03）.

[5]王珏，王荣基.新质生产力：指标构建与时空演进[J].西安财经大学学报，2024，37（01）.

[6]雷学.中国新质生产力水平测度、区域差异分解及动态演进 [J].工业技术经济，2024，43（06）.

[7]韩文龙，张瑞生，赵峰.新质生产力水平测算与中国经济增长新动能 [J].数量经济技术经济研究，2024，41（06）.

[8]赵若男，宋香荣，陈海龙.新质生产力、新型工业化与高质量发展[J].金融与经济，2024，（06）.

[9]吴文生，荣义，吴华清.数字经济赋能新质生产力发展——基于长三角城市群的研究 [J].金融与经济，2024，（04）.

[10]洪田芬.新质生产力对现代化产业体系建设的影响——基于数据要素市场化的调节效应分析 [J].技术经济与管理研究，2024，（05）.

[11]赵秋运，严佳佳.中国工业现代化、工业高质量发展与新质生产力 [J/OL].广西社会科学，1-10[2024-08-21].

[12]Wellman B. 1983. Network Analysis：Some Basic Principles [J].Sociological theory.

[13]Scott J. 1988. Social Network Analysis [J].Sociology，22 （1）.

[14]Freeman LC. 2002. Centrality in Social Networks： Conceptual Clarification [J].Social Network：Critical Concepts in Sociology. Londres：Routledge，1.

[15]漆家森.基于机器学习的全球智能创新综合评价研究 [D].北京外国语大学，2022.

[16]任宇新，吴艳，伍喆.金融集聚、产学研合作与新质生产力 [J].财经理论与实践，2024，45（03）.

[17]罗良文，张郑秋.中国城市产业智能化空间关联网络及其驱动机制 [J].财经研究，2024，50（01）.

[18]Borgatti SP，Mehra A，Brass DJ，Labianca G. 2009. Network Analysis in the Social Sciences [J].Science，323（5916）.

[19]刘敏，薛伟贤，赵璟.全球数字贸易中的竞争互补关系及其演化——基于社会网络分析方法 [J].国际经贸探索，2021，37（10）.

[20]Matinju MH，Alizadeh H，Aghaie L V. 2023. Analysis of Social Network Effects on Water Trade in An Informal Water Market [J].Journal of Cleaner Production，425

[21]马菁，曾刚，孙康.全球数字贸易网络结构演化及影响因素分析 [J].地理科学，2024，44（03）.

[22]金灿阳，徐蔼婷，邱可阳.中国省域数字经济发展水平测度及其空间关联研究 [J].统计与信息论坛，2022，37（06）.

[23]崔蓉，翟凌宇，孙亚男.中国数字经济空间关联网络结构及其影响因素 [J].经济与管理评论，2023，39（06）.

[24]闫春，丁一，刘新红.数字经济空间关联及其与实体经济发展的交互影响 [J].中国流通经济，2024，38（04）.

[25]Salpeteur M，Calvet-Mir L，Diaz-Reviriego I， Reyes-García V. 2017. Networking the Environment：Social Network Analysis in Environmental Management and Local Ecological Knowledge Studies [J].Ecology and Society，22（1）.

[26]林明裕，崔兴华.碳排放绩效的空间关联网络结构及其形成机制——以长江经济带为例[J].中国环境科学，2024，44（05）.

[27]Jariego MI，Corral DFD. 2024. Editorial： Network-based Assessments and Interventions in the Marine Environment [J].Frontiers in Marine Science，11

[28]刘军.社会网络分析导论 [M]. 北京： 社会科学文献出版社，2004.

[29]杨渝筱.数字经济视域下区域经济的产业升级转型路径 [J].中国集体经济，2023，（21）.

[30]郜攀峰.技术进步、产业结构升级与城市经济韧性 [J].中国流通经济，2023，37（09）.

[31]蔡湘杰，贺正楚.新质生产力何以影响全要素生产率：科技创新效应的机理与检验 [J/OL].当代经济管理，1-15[2024-07-17].

[32]危平，陈斌，赵允宁.绿色治理、技术进步与就业[J].当代经济科学，2024，46（03）.

[33]李梦娜，周云波.数字经济发展的人力资本结构效应研究 [J].经济与管理研究，2022，43（01）.

[34]梁晴.数字要素驱动经济高质量发展研究——兼对生产率悖论的再检验 [J].科技广场，2022，（06）.

[35]李何波，刘渝琳，陈翊旻.数字要素参与是扩大中等收入群体的福音吗——基于阶层流动和收入差距双重维度的经验证据 [J].南开经济研究，2023，（09）.

[36]刘如玉.政府支持、普惠金融与家庭收入增长 [J].首都经济贸易大学学报，2023，25（06）.