吕延方，赵琳慧，王冬 | 数字经济与实体经济融合是否提升了企业创新能力 ——基于正反向融合度的非线性检验

 点击蓝字关注我们

数字经济与实体经济融合是否提升了企业创新能力

——基于正反向融合度的非线性检验

推荐语

促进数字经济与实体经济深度融合，依托数字技术与设备实现核心领域突破性创新，是高质量发展的关键。文章认为，数实融合可以通过技术吸收能力提升效应和成本效应对企业创新造成不同方向的影响。整体上，数实正向融合过程中，融合度对企业学习与技术吸收的提升作用占据主导地位，进而有效提高企业创新效率和质量，且在不同阶段由于其技术吸收能力差异，造成创新质量和效率增速不同。在两者反向融合过程中，当反向融合度处于合理区间，能够通过“逆向技术溢出”的反哺机制提升实体企业的技术吸收能力，带动企业创新效率和创新质量的提高。

作者简介

吕延方，华侨大学教授、博士生导师，福建省“闽江学者”特聘教授、“桐江学者”特聘教授，入选省百千万人才，省高层次人才，省杰出青年学者，市高层次人才。现已在《经济学》（季刊）、《数量经济技术经济研究》、《中国工业经济》、《财贸经济》、《经济学动态》、《国际贸易问题》、《经济管理》和SSCI、SCI等期刊发表40余篇论文，出版7部专著。主持国家自科基金、国家社科基金、国家留学基金、博士后特别资助和面上、省优秀人才、省社科重大和一般等项目20余项。获邓子基财经学术论文奖、全国商务发展研究成果奖、省市社科优秀成果奖、校学术成就奖等30余项。

赵琳慧，华侨大学数量经济研究院博士研究生。

王冬，闽南师范大学商学院副教授。

摘要：促进数字经济与实体经济深度融合，依托数字技术与设备实现核心领域突破性创新，是高质量发展的关键。编制我国非竞争投入产出表，从供需双层面和广义狭义双范畴，可构建并测算我国数字经济与实体经济正、反向融合度，探究数字经济与实体经济融合对实体企业创新影响及内在机制。研究发现，融合度对实体创新的影响存在非线性效应，正向融合度整体提升实体企业创新质量和效率，这与技术吸收能力强化相关；反向融合度处于合理区间时才能拉动创新增长，否则将因成本效应和适应性不足降低实体工业创新质量和效率。

关键词：数字经济；非竞争投入产出模型；融合度；创新能力；非线性效应

一、引言

创新作为推动人类社会进步的根本动力，是经济实现高质量发展的重要引擎。当前，以人工智能、物联网、大数据分析等为核心的新一代数字技术广泛应用，深刻改变实体公司生产制造流程和经营决策模式。数字技术作为数字经济产业的核心，具有渗透性、替代性、协同性特征，造成数字创新收敛性和自生长性，进而突破经济边界，实现与实体经济深度融合。作为新经济业态，数字经济以新技术创造新模式，新技术转化为新产业，新技术赋能传统产业的方式，变革实体经济创新布局。然而，数字经济与实体经济融合对创新影响存在双向效应。一方面，企业借助数字技术与设备，提升学习和技术吸收能力，进而激发创新潜力。另一方面，新技术采用过程并非一帆风顺，企业的学习和技术变革是一项复杂行为，这一过程企业面临投资数字化转型的经济成本与治理能力双重考验，不利于开展创新行为。

党的二十大报告在建设现代化产业体系部分要求“坚持把发展经济的着力点放在实体经济上”，并指出“加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群”，同时强调“坚持创新在我国现代化建设全局中的核心地位”。因此，在数字化渗透不断加深的背景下，我国数字经济与实体经济融合情况究竟如何？以企业为微观主体的实体经济在数字化转型浪潮中如何实现创新布局的优化升级？数字经济与实体经济的深度融合究竟如何影响工业行业的创新效率和创新质量？本文将针对这三个问题进行深入探讨。

本文可能的边际贡献主要体现在以下三个方面。第一，基于OECD国际投入产出表，编制我国非竞争投入产出表，利用投入产出法，依据数字产业供给和需求的不同层面，创新性测算我国数字经济与实体经济狭义和广义的正、反向融合度，科学全面反映我国数字经济与实体经济的深度融合水平。第二，以往关于数字经济对创新影响多从单一角度分析，本文同时考虑到经济融合过程中因学习和技术吸收能力提升的正向作用和因成本效应造成的负向影响，这一双向角度更具全面性，并利用数理模型对这一过程进行阐释与论证。第三，本文从创新效率和创新质量两个综合性视角，全面评估实体经济创新发展水平，在实证层面分别考察正、反向融合度对创新效率和质量非线性影响路径，丰富创新相关研究，并对深化数字资源应用，切实降低企业创新成本，实现创新驱动发展具有重要的政策启示。

二、数字经济与实体经济的融合度测算

（一）数字经济产业界定

数字经济内涵丰富，在测算融合度之前，首先要划分数字经济产业。当前，学术界对数字经济产业分类逐渐细化。总结现有研究，本文将数字经济产业划分为狭义和广义两个范畴。

狭义来看，数字经济主要涉及数字技术产业，包括数字化技术服务产业、数字化媒体产业、数字化交易产业，是传统服务业内容。其中，数字化技术服务产业包括OECD行业分类中电信业（D61）与IT和其他信息服务业（D62T63），数字化媒体产业涵盖出版、音像和广播活动（D58T60），数字化交易产业则主要是批发和零售业（D45T47）。广义来看，除数字技术产业，数字经济还包括数字设备产业，即数字基础设施制造业和数字化产品制造业，是传统制造业内容。数字基础设施制造业主要是计算机、电子和光学设备制造业（D26），数字化产品制造业对应于电器设备制造业（D27）。

（二）中国非竞争投入产出表的编制

本文基于OECD发布的ICIO表，编制我国非竞争投入产出表。借鉴Miller和Blair的研究，本文主要分为以下三个步骤编制我国非竞争投入产出表。

1.原始数据预处理：合并中国和墨西哥加工贸易与非加工贸易数据，删除本文不涉及的补贴数据。

2.多地区IRIO模型到两地区IRIO模型的合并：假设有r国n行业，将r个国家划分为中国（C）和其他国家（O）。首先，从本国角度出发，以中国为本国，中间投入矩阵Z包括两部分，一部分是中国产业对中国产业中间投入，另外一部分是他国产业对中国产业中间投入，加总处理这一部分，统称为其他地区（O）对中国产业的投入。最终需求矩阵也可分为两部分，一部分是中国对中国产品最终需求，另一部分是外国对中国产品最终需求，将地区2到地区r对中国产品最终需求合并为其他地区（O）对中国产品最终需求。其次，从他国角度出发，再把Z表分为两部分，一部分是他国产业对他国产业的中间投入，另一部分是中国对他国产业的中间投入。这两部分均需要合并从地区2到地区r的数据。同时，最终需求表又可以分为他国对他国产品的最终需求和中国对他国产品的最终需求，同样将这两部分的地区2到地区r数据进行加总合并。

3.两地区IRIO模型到非竞争投入产出表编制：将非竞争型投入产出模型（表1）中系统内部分视为两地区IRIO模型中本国（C）部分，系统外输入视为国外（O）部分投入。针对本国，先在两地区IRIO模型最终需求部分增加出口栏，将本国对他国的中间投入和他国对本国的最终需求合并为本国最终需求中的出口。出口计算如式（1）所示。剔除两地区IRIO模型中系统外对系统外中间投入部分。

（1）

式（1）中， 和分别是C国i行业对O国i和j行业中间投入，是O国对C国i行业最终使用。

（三）数字经济与实体经济融合度测算方式

本文以正向和反向融合度衡量我国数实融合状况。以实体经济对数字经济的吸收称为两者正向融合过程，以数字经济对实体经济的吸收称为两者反向融合过程。故测算包括狭义、广义正向融合度和狭义、广义反向融合度四部分。

1.狭义正向融合度（Narrow forward convergence degree）：指实体经济产业m对狭义数字经济产业的吸收过程，根据投入产出法，本文将这一过程定义为数字经济产业对实体经济产业的中间投入占实体经济产业总产出的比重。根据非竞争投入产出模型（表1），横向来看，有如下平衡关系：

（2）

式（2）表示本国i产业的产出由该产业对系统内的所有部门的中间投入和包括出口在内最终需求部分组成。将系统内的部门划分为数字技术部门k和非数字技术部门g，则式（2）又可以表示为：

（3）

则狭义的正向融合度（Narrow forward convergence degree）计算过程如式（4）所示。

（4）

2.广义正向融合度（Broad forward convergence degree）：将系统内的部门划分为广义数字经济部门l和非数字经济部门g，则式（2）又可以表示为：

（5）

广义正向融合度指实体经济产业对广义数字经济产业的吸收过程，即与包括数字技术产业和数字设备产业在内的所有数字经济产业的融合过程，具体计算方式如式（6）所示。

（6）

式（6）表示对某实体经济产业m，所有数字技术产业和数字设备产业l 对m产业中间投入的比重占m产业总产出的比重即为广义正向融合度。

3.狭义反向融合度（Narrow reverse convergence degreel）：表示狭义数字产业对实体经济的吸收过程，即实体产业对数字技术产业的中间投入占其总投入比例。纵向来看，表1存在如下平衡关系：

（7）

式（7）表示本国j产业的总投入包括国内各部门对其中间投入，国外各部门对其中间投入，以及增加值三个部分组成。将国内部门n划分为数字技术部门k和非数字技术部门g，则式（7）又可以表示为：

（8）

因此，根据式（8）我国数字经济与实体经济的狭义反向融合度计算如式（9）所示。

（9）

4.广义反向融合度（Broad reverse convergence degree）：同样将国内部门n划分为数字技术与设备部门l和非数字技术部门与设备部门g，则式（7）又可以表示为：

（10）

则广义反向融合度为实体经济产业m对包括数字技术和数字设备产业在内的数字经济产业l的中间投入占该实体经济产业总投入的比重，根据式（10）计算过程如式（11）所示。

（11）

三、数字经济与实体经济融合对创新影响机理

本文在Antràs等的生产外包模型基础上，将实体生产者使用的数字投入纳入其生产函数中，即为前文描述的数字经济与实体经济融合过程，通过数理模型分析数实融合对实体创新和生产率的影响机理。

（一）消费者

首先参考Dhyne等的研究，假设经济中的消费者是同质的，效用函数在最终品上均为CES形式：

（12）

式（12）中, Ω为消费品种类集合，σ＞1。假设消费者向企业提供劳动获得收入，并将可支配收入用于消费，均衡时，消费者劳动收入与支出E相等。给定消费品价格p(ω)，则最终需求q(ω)可表示为：

（13）

其中，为总体价格指数。

（二）生产者

1.最终品生产者。本文参考刘维刚等的研究，将知识资本投入和技术吸收能力α内生化入生产函数，此外，本文在其基础上进一步将最终生产者的中间投入区分为数字中间投入和非数字中间投入，并重点考察数字中间投入对企业创新和生产率的影响。因此，本文设定最终品生产需要四种要素投入，分别是劳动L、知识资本K和数字中间品I(v₁)和非数字中间品z(v₂)，其中v₁表示数字设备与技术产品，非数字中间品表示企业除数字经济产业产品以外的中间品投入。生产函数如式（14）所示为Cobb-Douglas形式。

（14）

式（14）中，α+β+γ+κ=1，数字中间品和非数字中间品均是连续的，即v₁，v₂∈[0,1]，且其生产为CES形式。φ为企业生产率，φ(K,α)表示生产率是知识资本K投入和技术吸收能力α的函数，假设φ′(K)=，分别表示知识资本投入越高或者技术吸收能力越强，生产率越高，描述了知识资本和技术吸收能力对企业创新的影响。

2.数字经济产业的生产者。本文重点分析最终品生产者对数字中间品采购和使用过程。假设每个数字品种类v₁的供给对应一家数字行业的公司j，即。数字行业内公司每生产1单位的中间投入品v₁需要l_j单位的劳动投入。借鉴Eaton和Kortum研究设定，假设j行业公司数字产品生产率1/l_j(v₁)服从Fréchet分布，即：

（15）

式（15）中，T_j＞0，θ＞1。其中，T_j表示数字行业整体技术水平，该值越大说明行业整体生产优势越大。θ表示行业内不同公司生产率差异，θ越大，公司j生产数字品比较优势越大。因此，最终品在采购过程中存在策略选择行为，最终品生产者需从数字行业所有数字品生产者j（j∈J）中选择最优供应商。此外，本文考虑到最终品生产者采购数字经济行业产品不仅存在固定成本f_j，还存在冰山成本τ_j（τ_j≥1）。冰山成本体现在两方面，一是数字设备产品的运输成本，二是数字技术产品技术识别成本和与数字技术服务质量相关的隐藏成本，如技术基础设施的维护等。由于冰山成本体现在商品价格中（王如玉等的研究），因此，数字行业的产品v₁被最终品生产者φ采购的成本是h_j (v₁ )=τ_j l_j (v₁)w_j。假设最终品生产者存在采购策略ST(J)，则最终品企业φ对数字中间品的支付价格如式（16）所示。

（16）

（三）均衡

均衡的求解分为三部分，分别是基于成本最小化求解最优知识资本K投入、基于最终生产者利润最大化求解最优数字品采购对生产率影响和市场出清。其目的是得到数字中间投入对最优知识资本K投入和技术吸收能力α的影响，进而得到数字中间投入对企业生产率φ的影响，反映对企业技术创新的影响。

1.生产者生产成本最小化问题：假设知识资本和劳动力要素价格均为w，数字中间品v₁的价格如式（16）所示。非数字中间品v₂的价格为s(v₂)，则最终品生产者最优化问题为在给定（14）所示的生产投入和技术条件下，求解最优要素投入以最小化其生产成本，即：

（17）

对式（17）的求解过程为构造拉格朗日函数并根据一阶条件求解，即可得边际最优知识资本K投入：

（18）

式（18）中，，同时可求得企业最优劳动L、中间品I和Z投入，进而可得企业边际生产函数。

接下来，考虑最终品生产者存在采购策略情况下，最优知识资本投入。先根据式（15）和式（16）求得对企业采购价格即h分布，根据这一分布函数，可求得数字公司向实体企业供给成功概率，进而求得实体企业向数字品行业的采购成功概率，即企业最优采购策略。具体求解过程如下，首先根据式（15）可得：

（19）

对于任意实体企业r，数字经济行业中的任意企业j供给价格小于h的概率为：

数字行业对实体企业r供给成功事件可表示为，只要该行业存在至少一家企业j_i（i=1,2,…,n）对实体企业r供给成功即可，对应的概率为：

（21）

将式（20）带入式（21）可得：

（22）

式（22）中，S_r (h)表示数字行业对实体企业r供给成功概率，但实体企业r对j行业采购成功还需满足r企业对数字中间品支付价格存在于所有供给价格条件。在这一条件下，数字品被企业r采购成功概率可被表示为给定所有可能的实体企业支付价格h，数字企业j的最小供给价格大于h,则实体企业r成功采购数字行业产品概率D_jr(h)为：

（23）

式（22）和式（23）中，定义，鉴于T_j是数字行业产品技术含量，τ_jw_j表示实体企业从数字行业采购产品成本，θ是行业内公司生产率差异。因此，Ψ表示以(τ_jw_j )^-θ为权重的数字行业产品技术含量，鉴于数字产业具有较高的技术密集度和技术扩散性，本文将Ψ称为数字技术与设备产业对实体经济的有效投入，表明数实融合过程中，它通过影响实体企业的知识资本投入K和技术吸收能力α进而影响企业的创新行为。

我们将式（22）带入中，则知识资本K投入又可进一步表示为：

（24）

在式（24）中为常数。同理，最终品生产者边际生产函数又可表示为。

2.生产者利润最大化问题：生产者的利润最大化问题为，给定式（13）所示的消费者总市场需求量q(ω)，以及边际生产函数c，选择最优的市场定价

p(ω)，以最大化利润水平π，即：

（25）

式（25）中，令π对价格p(ω)求导，根据一阶条件求得最优定价p(ω)=cσ/(σ-1)。

当企业面临中间投入数字产品的选择策略时，即企业生产过程中可选择从数字产品供应商I₁  … I_j… I_J有策略地进行采购，而不是从每一家数字产品供应商那里采购，以调整自己面临的采购成本。假设I_j=1时发生采购行为，否则等于0，将c和p(ω)表达式带入式（25），则企业利润优化问题可被改进为：（26）

式（26）中，，给定企业选择策略I_j^*时，其最优利润可表示为：

（27）

式（27）中，和分别表示最优决策下均衡的生产率和数字中间投入，分别将其带入最优边际知识资本K投入和边际成本函数c中。此时，边际最优知识资本为，令A=α^-αB，B=β^-βγ^-γκ^-κ，对K^*函数进行单调变换，可得：

式（28）中，首先求α和全微分，可得α对的函数：

（29）

根据式（29），，根据前文假设，可得到：

（30）

式（30）表明，数字技术与设备的有效投入通过提升企业技术吸收能力α进而提升企业创新能力，实体企业对数字品的投入反映了两者的正向融合过程，同理，数字经济行业对实体经济产品的中间使用，即反向融合过程同样会通过影响企业的技术吸收能力进而影响企业的创新行为，据此，本文提出假说1。

假说1：数字经济与实体经济的融合通过影响企业的技术吸收能力α对企业创新产生促进效应。根据边际成本函数，是K函数，同样经过单调变换后，对K和Ψ^*求全微分，并根据前文假设，可得：（31）

式（31）中，由于，故表示边际成本函数c关于数字技术与设备有效投入逆函数。因此，数字品投入提高企业生产成本进而不利于企业的创新，据此，本文提出假说2。假说2：数字经济与实体经济的融合通过成本c渠道对企业创新产生抑制效应。综合假说1和假说2，融合度对实体创新既可能呈现正向作用，也可能呈现反向抑制效应，据此，本文提出假说3。假说3：数字经济与实体经济融合度对实体经济的创新影响是不确定的。市场出清时，消费者总需求与总供给相等，劳动力供应与需求相等，鉴于本文主要关注优化决策下融合度对企业创新影响，因此对市场出清不再做探讨。接下来，本文构建实证模型对提出的假说进行验证。

四、数字经济与实体经济融合对创新影响的实证分析

（一）模型构建

制造业作为实体经济的核心部分，是经济实现高质量发展的关键。本文以制造业为核心的工业行业为例，从创新效率和创新质量两个层面分析融合度对实体创新的影响。鉴于广义数字产业内容更为全面，本文选择广义测算的正、反向融合度作为核心解释变量，随后以狭义测算的正、反向融合度对核心解释变量进行替换，并进行稳健性检验。鉴于融合度对实体创新影响是不确定的，为具体分析在不同融合度下数实融合对实体经济影响，本文采用非线性模型，同时考虑到经济惯性，构建动态半参数面板模型（32）（33）进行实证分析。

（二）数据来源与指标说明

1.核心解释变量： forward_b_it和reverse_b_it分别表示t时期工业行业i与数字经济行业的广义正、反向融合度，数据来源为本文测算。f(·)为非参数部分，是形式未知的函数。

2.被解释变量：y_it表示qual_it和effic_it两个变量（下文中分别以式（32-1）（32-2）和式（33-1）（33-2）进行区分），分别为t时期i行业的创新质量和创新效率。其中，qual为各行业发明专利申请数量，模型中取对数处理。effic使用随机前沿模型测算，以各行业R&D内部经费支出和R&D人员折合全时当量作为投入，使用专利申请数作为产出，参考Cornwell 等的研究进行测算，数据来源于《中国科技统计年鉴》。

3.控制变量：选取研发强度（intens）、行业规模（scale）、劳动生产率（produ）和行业竞争程度（comp）为控制变量。其中，研发强度代理变量为R&D内部经费支出占主营业务收入比例，行业规模用行业总产值比规模以上企业个数表示，劳动生产率以行业增加值与规模以上员工人数之比表示，行业竞争程度则用规模以上企业个数表示。行业总产值和增加值数据来源为OECD的TiVA数据库，其他数据来源为《中国科技统计年鉴》《中国工业统计年鉴》《中国统计年鉴》，并通过OECD行业分类及与国民经济行业对应表由于文章篇幅限制，该表未列示在正文中。对控制变量进行合并。

（三）模型估计过程

由于模型（32）和模型（33）中包含滞后一期被解释变量，直接使用Baltagi 和 Li提出的级数法（series method）估计会导致结果有偏且不一致。本文参考Baglan 和 Yoldas的研究，使用Everaert 和 Pozzi提出的迭代bootstrap程序校正这一偏差。以模型（32）为例，首先对其进行差分以消除固定效应c_i，如式（34）所示。

式（34）中，令Y=y_it-y_i,t-1，F=f(forward_b_it)-f(forward_b_i,t-1)， β表示系数向量，U=(μ_it-μ_i,t-1)，X为剩余控制变量的差分集合向量。则式（34）可被重新表达为：

Y=F+Xβ+U       (35)

式（35）中存在函数形式未定变量，借鉴Baltagi 和 Li在估计半参数面板固定效应模型时提出的级数法估计F，该方法使用一个m×1维的基函数p^m(forward_b)近似估计未知函数f(forward_b)。假设f(forward_b)二阶可微，基函数p^m (forward_b)满足两个条件，一是可加性，二是随着m增加，总存在p^m (forward_b)线性组合，在均方误差范围内任意近似拟合f(forward_b)。分别使用p^m(forward_b)和p^m(forward_b_it,forward_b_i,t-1)≡p^m (forward_b_it)-p^m(forward_b_i,t-1)近似估计f(forward_b)和F(forward_b_it,forward_b_i,t-1)=f(forward_b_it)-f(forward_b_i,t-1),其中，p^m(forward_b_it,forward_b_i,t-1)表示为：

（36）

令，,则P是NT×m维矩阵。定义投影矩阵R=P(P′P)^-1P′,其中，P′P是渐近非奇异矩阵，R左乘式（35），并定义，可得：

（37）

用式（37）减式（35）可得：

（38）

     通过与的最小二乘回归估计β，即可得到：

（39）

此时，函数f(forward_b)的估计为：

（40）

 由于模型（32）含有滞后一期被解释变量，故式（39）中β估计量有偏，需要根据迭代bootstrap方法校正。该方法重复抽样原模型参数，得到β的J偏估计序列：，则的期望为：

（41）

根据式（41），当满足式（43）时，那么可以称为β的无偏估计量：

（42）

在具体操作该方法时，首先要确定bootstrap的样本数量B，在每个bootstrap样本q中（q=1,2…B）得到估计量，并计算在每个bootstrap样本中的均值，计算方式如公式（43）所示。

（43）

bootstrap分布的均值可以被用来评估β的估计量是否能够成为β的无偏估计量。根据式（42），要成为β无偏估计量，则的bootstrap分布均值必须等于原始估计，即。为了找到满足这一条件的，需要不断重复迭代上述步骤，记迭代次数为d，在每次迭代过程中，计算以评估是否满足条件。若或小于某个设定的可接受水平，则是β的无偏估计量。若ω_(d)≠0或超出某个设定水平，令，进行第d+1次迭代，直至ω_(d)=0，或小于某个设定的可接受水平，即可完成校正。

（四）模型估计结果

根据（三）中的估计过程，对模型（32）和模型（33）进行估计，估计结果如表2所示。

模型（32）—（33）估计结果表明上一期创新质量和效率确实会对当期创新产生显著影响。根据图1—4，可以明显发现广义正、反向融合度对实体工业的创新质量和效率的边际影响拟合值有正有负，本文假说3得证，融合度对创新质量和效率影响既可能存在正向促进作用，也可能存在反向抑制作用，其影响是不确定的。

根据图1，广义正向融合度对创新质量影响的边际拟合值均为正，说明随着正向融合度的增加，实体经济创新质量得到有效提升，本文假说1得到验证，数字技术与设备的投入通过提升企业技术吸收能力，进而发挥正向作用。这一结论佐证了周红星和黄送钦提出的数字化能够有效提升企业创新能力的观点。一方面，企业吸收能力可被定义为识别外部新信息、吸收信息并将其应用于商业目的的能力，而数字经济能够通过降低信息搜索与获取成本、加快信息传播有效提升企业的技术吸收能力。另一方面，技术吸收能力对企业新产品开发、新商业模式应用等创新能力的提升至关重要。因此，本文认为数字经济与实体经济的正向融合能够通过技术的溢出与吸收效应有效提升实体工业的创新质量。

此外，本文还发现企业在不同融合度下的技术与吸收能力存在差异。图1中，正向融合度对创新质量影响的边际效应呈现非对称的“U”型趋势，说明虽然融合度能够通过提升企业技术吸收能力进而提升其创新质量，但在不同阶段，企业技术吸收能力存在差异，造成创新质量增速出现差异。具体来看，当融合度小于0.056时，创新质量边际产出呈现下降趋势，这可能是由于数字经济对实体经济的投入较少，两者处于初期融合阶段，企业对新技术的适应能力有限，技术吸收水平不高，进而导致创新质量增速降低。当广义正向融合度大于0.056时，创新质量边际产出不断增加，即随着企业越来越多地使用来自数字技术和设备领域的投入，两者逐渐进入深度融合阶段，跨过了学习与磨合阶段后，对新技术的使用程度愈加熟练，技术吸收能力不断增强，进而更高速提升边际创新质量，说明当越过某一融合门槛，企业能够借助数字化技术和设备实现创新质量的快速提升。这与田秀娟和李睿的数字技术与实体工业的集成整合面临较长的磨合期的观点一致。本文深入探索这一现象的影响机制，发现在磨合期内，由于企业技术吸收能力降低，集成整合速度变慢，表现为工业企业创新质量的增加速度降低。

根据图2，整体来看，广义反向融合度对创新质量影响的边际拟合值大部分为负值，即随着反向融合度的增加，实体企业创新质量不断降低。这说明此时融合过程中的成本效应强于技术吸收效应的影响，在两者反向融合过程中，成本提高是企业提升创新质量过程中的主要问题，验证本文假说2，即融合度通过成本效应渠道降低企业创新质量。然而，当广义反向融合度大于0.1且小于0.15时，边际拟合值为正值，说明此时企业的技术吸收能力作用凸显，使得实体工业的创新质量随着反向融合度的增加而增加。因此，当反向融合度处于某一合理区间，数字经济同样能够在需求侧拉动实体工业创新质量的提升。这一结论验证了黄远浙等的观点，实体企业的对外销售与投资存在“逆向溢出效应”和成本效应，本文进一步发现，当反向融合度大于0.1且小于0.15时，数字经济与实体经济反向融合过程中的 “逆向溢出效应”通过反哺机制能够提升实体经济的技术吸收能力，进而促进实体企业创新质量的提升。但整体来看，反向融合过程中成本效应造成的负面影响超过了“逆向溢出效应”带来的正面影响。

此外，本文还发现，反向融合度对创新质量的边际影响呈现倒“U”型趋势，说明在不同融合阶段，成本问题造成的影响程度存在差异。图2中，当广义反向融合度小于0.1时，随着反向融合度的增加，成本问题带来的负向影响逐渐减弱，鉴于反向融合度本质上是数字经济在需求侧对实体经济的拉动过程，表现为实体工业的销售行为，因此，这可能是由于融合度较低时，企业面临的销售成本可控，销售成本边际递减，由此造成的负面影响不断降低。当广义反向融合度大于0.15时，企业承担的销售成本不断增加，使得反向融合度对创新质量的负面影响程度不断加深。

根据图3，广义正向融合度对创新效率的边际影响拟合值基本为正值，即随着正向融合度的增加，实体工业企业的创新效率不断提升，再次验证本文的假说1，数字技术与设备通过提升实体企业技术学习与吸收能力推动其创新效率不断提升。这一结论与肖土盛等的企业对数字技术的使用能够有效提升其创新效率的观点一致。本文则从经济融合角度展开分析，发现数实正向融合过程是提升实体企业技术吸收能力和创新效率的重要渠道。此外，本文进一步发现，当融合度小于0.04时，拟合边际值小于0，这可能是由于此时处于融合初期，这一阶段企业因为引入新的数字技术或购买数字设备而造成初期成本的迅速提升，降低创新效率。但随着融合度的不断增加，技术吸收效应占据主导地位。整体来看，正向融合度对企业创新效率呈现促进作用。此外，图3中正向融合度对创新效率的边际影响呈现倒“U”型趋势，说明在不同融合阶段，企业同样因技术吸收能力差异造成创新效率增速差异。

根据图4，广义反向融合度对创新效率边际拟合值大部分为负值，随着反向融合度增加，实体工业企业创新效率不断降低，再次验证本文假说2，反向融合过程的成本效应高于“逆向技术溢出”对技术吸收能力的提升作用。此外，对比图2和图4，反向融合度对创新质量和创新效率影响具有一致性，均在不同阶段因成本变化造成创新质量和效率变化速度不同。图4中，当反向融合度大于0.1且小于0.15时，边际拟合值为正，说明当融合度处于某个合理区间时，技术吸收能力才可发挥主导作用，带动创新效率提升。

（五）稳健性检验

本文将核心解释变量由广义融合度forward_b和reverse_b替换为狭义融合度forward_n和reverse_n，重新估计基准模型以进行稳健性检验，结果如表3所示。

首先，根据表3，各模型中滞后一期被解释变量和各控制变量的估计系数方向一致，仅存在系数大小和置信区间范围差异。其次，从拟合的边际效应图来看，根据图5，整体来看，狭义正向融合度对创新效率的边际效应拟合值均在0值以上，说明随着正向融合度的增加，实体工业创新质量同样呈现上升趋势，与广义正向融合程度的边际影响（图1）相比，仅存在边际增速的差异。根据图6，狭义反向融合度对创新质量的影响的边际效应曲线两次越过了0边界线，对比广义反向融合度的影响（图2），两者对创新质量的影响具有一致性。同时，根据图7和图8，对比广义正向融合度和广义反向融合度对创新效率的影响（图3和图4），狭义正向融合度和狭义反向融合度对实体创新效率的影响方向同样具有一致性，仅存在不同融合程度下的边际效应变化大小差异。因此，本文估计结果具有一定的稳健性。

五、结论与政策建议

本文在兼具数据及时性和行业细致性的基础上，利用OECD投入产出数据，编制我国非竞争投入产出表。随后，使用投入产出法，先界定数字经济广义和狭义范畴，并从数字供给和需求两个角度，创新性测算我国数字经济与实体经济的广义正、反向融合度以及狭义正、反向融合度。接着，通过数理模型阐释数实融合对实体企业创新影响机理。最后从创新质量和创新效率两个层面经验分析融合度对我国实体工业创新的非线性影响效应。研究结果表明，数实融合通过技术吸收能力提升效应和成本效应对企业创新造成不同方向的影响。整体上，数实正向融合过程中，融合度对企业学习与技术吸收的提升作用占据主导地位，有效提高企业创新效率和质量，且在不同阶段由于其技术吸收能力差异，导致创新质量和效率增速不同。在两者反向融合过程中，虽然成本效应发挥主要作用，不利于企业创新发展，但当反向融合度处于合理区间，仍能够通过“逆向技术溢出”的反哺机制提升实体企业的技术吸收能力，带动企业创新效率和创新质量的提高。

聚焦提升实体企业学习与技术吸收能力，降低企业数字融合成本，实现创新驱动和高质量发展目标，本文提出以下政策建议：

第一，立足实体经济，以产业数字化为引领，强化数智赋能。一是汇聚数智赋能传统产业转型升级的典型案例，如智能网联汽车、远程医疗等，总结相关经验，针对不同类型、不同规模实体企业，形成可供借鉴的数字转型和智能改造模式，并加以宣传和推广，助力企业解决因路径不清晰造成的“不会转”难题。二是牵引协调数字产业与实体行业企业间的交流与沟通，尤其是两类行业中的龙头企业，鼓励数字公司针对特定实体应用场景和需求，通过搭建个性化服务平台等措施提供定制化数智赋能方案。三是全方位降低中小微企业数字化转型门槛。通过建设多层次工业互联网平台，推动中小微企业以上云等方式开展数字化转型，开发一批研发投入少的工业软件和轻型智能设备为其所用，并开展线上数字知识与技术培训。

第二，以数实融合为核心，推动实体经济与数字经济区域特色化和产业协调化发展。一是结合各地区资源禀赋优势和基础产业发展水平，在区域传统产业中重点选取一批专业化水平较高、运营和发展前景良好的企业，给予其数智化改造升级的资金支持与政策帮扶，形成试点带动作用和正向激励机制，打造区域特色化产业名片。二是依托智能制造示范项目，深化数字技术与制造业融合发展。借助人工智能、数字孪生、虚拟现实等新型数字技术打造标准操作、精准生产、最优库存的智能化车间，并以此为基础探索智能工厂建设。三是拓展数字技术在农业、渔业、采矿业等领域的应用场景。尤其是针对以农业、渔业、采矿业为主要优势的地区，通过在农产品种植、加工、销售，以及渔业检测和采矿业作业等环节引入数字技术与设备，重塑传统生产制造和销售流程，建设智慧农业、智慧海洋和智慧矿山。

第三，瞄准战略性新兴产业的核心和关键领域，强化政策引导，支持突破性创新。一是以先进制造业的龙头企业为抓手，在政策引领上重点支持其在智能传感器、工业芯片等关键领域的突破性创新，鼓励企业强强联合，注重产学研交流协作，打造联合创新氛围。二是加强战略性新兴产业重点园区建设，优化政策激励措施，营造良性创新竞争环境。挑选一批具备良好数字基础的产业集聚区，以战略性新兴产业发展为目标，鼓励其在关键领域攻坚克难。对于成绩突出和具备潜力的园区给予政策性奖励，以奖代补，树立典范，形成标杆和辐射作用。三是对于涉及国家安全等核心领域的新材料制造业，在资金与税收等方面倾注政策资源，加快培育出具备相关制造能力的本土企业，切实防范和化解重大供应链产业链安全性风险。

原文刊发于《厦门大学学报（哲学社会科学版）》2024年第2期《数字经济与高质量发展》专栏，第107—120页。因篇幅问题，注释删略。

相关文章：

欢迎关注“厦门大学学报哲社版”微信公众号

投稿平台

https://xdxbs.xmu.edu.cn/

https://xmds.cbpt.cnki.net/