數(shù)字經(jīng)濟(jì)背景下中國區(qū)域創(chuàng)新能力預(yù)測

李旭洋

摘?要：數(shù)字經(jīng)濟(jì)的蓬勃興起為提升區(qū)域創(chuàng)新能力帶來新的機(jī)遇。然而基于歷史數(shù)據(jù)的實證研究雖已定量驗證數(shù)字經(jīng)濟(jì)對區(qū)域創(chuàng)新能力的賦能作用，但鮮有研究實現(xiàn)中國區(qū)域創(chuàng)新能力預(yù)測。在此背景下，本文基于2004-2020年9個國家中心城市的樣本數(shù)據(jù)，運(yùn)用雙向長短期記憶網(wǎng)絡(luò)模型，實現(xiàn)了對中國區(qū)域創(chuàng)新能力的預(yù)測。研究表明：東部地區(qū)創(chuàng)新能力增速高于中西部地區(qū)，區(qū)域創(chuàng)新能力將進(jìn)一步擴(kuò)大；金融支持、人才聚集、基礎(chǔ)設(shè)施分別是限制東部、中部、西部地區(qū)的首要因素。

關(guān)鍵詞：數(shù)字經(jīng)濟(jì)；區(qū)域創(chuàng)新能力；深度學(xué)習(xí)；雙向長短期記憶網(wǎng)絡(luò)

中圖分類號：F2?????文獻(xiàn)標(biāo)識碼：A??????doi：10.19311/j.cnki.16723198.2023.01.007

0?引言

隨著我國進(jìn)入新發(fā)展階段，提升區(qū)域創(chuàng)新能力成為提高國家競爭力的核心戰(zhàn)略。發(fā)展數(shù)字經(jīng)濟(jì)是實施國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略的重要路徑。然而數(shù)字經(jīng)濟(jì)對區(qū)域創(chuàng)新能力的促進(jìn)作用存在區(qū)域異質(zhì)性，東部地區(qū)創(chuàng)新能力獲得的紅利高于中西部地區(qū)，對于區(qū)域協(xié)調(diào)發(fā)展起到了一定的阻礙作用。因此，預(yù)測中國區(qū)域創(chuàng)新能力發(fā)展趨勢、識別數(shù)字經(jīng)濟(jì)對區(qū)域創(chuàng)新能力的主要影響方式，能夠為制定有針對性的數(shù)字經(jīng)濟(jì)發(fā)展政策提供參考，對加快區(qū)域創(chuàng)新能力協(xié)調(diào)發(fā)展具有重要的理論與實踐價值。

現(xiàn)有研究主要從城市或企業(yè)的層面，研究數(shù)字經(jīng)濟(jì)驅(qū)動創(chuàng)新能力發(fā)展的作用機(jī)理。在城市層面上，數(shù)字經(jīng)濟(jì)能夠改善在人才環(huán)境、資金環(huán)境、市場環(huán)境、創(chuàng)業(yè)環(huán)境、競爭與合作環(huán)境等五個維度改善城市創(chuàng)新環(huán)境、提高城市創(chuàng)新效率；同時，數(shù)字經(jīng)濟(jì)會不斷提升城市數(shù)字基礎(chǔ)設(shè)施建設(shè)水平，為創(chuàng)新活動提供支撐。在企業(yè)層面上，數(shù)字經(jīng)濟(jì)能夠引領(lǐng)企業(yè)創(chuàng)新發(fā)展，主要表現(xiàn)為培育新動能和傳統(tǒng)產(chǎn)業(yè)提質(zhì)升級兩條路徑；并且數(shù)字經(jīng)濟(jì)能夠在一定程度上打破創(chuàng)新資源地域約束，企業(yè)能夠跨區(qū)域整合數(shù)據(jù)、資本、人才和技術(shù)等生產(chǎn)要素，提高資源配置效率，減少交易成本。在數(shù)字經(jīng)濟(jì)的評價方面，現(xiàn)有研究主要基于基礎(chǔ)設(shè)施建設(shè)、人才聚集度、金融支持、創(chuàng)新投入四個方面構(gòu)建評級體系。其中，基礎(chǔ)設(shè)施是數(shù)字經(jīng)濟(jì)發(fā)展的重要支撐，可分為固定網(wǎng)絡(luò)基礎(chǔ)和移動網(wǎng)絡(luò)基礎(chǔ)兩類；人才集聚是數(shù)字創(chuàng)新的基礎(chǔ)和先決條件，是創(chuàng)新活動中關(guān)鍵的稀缺資源；金融發(fā)展能夠通過緩解融資約束、改善信息不對稱以及傳統(tǒng)金融向數(shù)字金融轉(zhuǎn)型三個方面優(yōu)化創(chuàng)新活動的融資環(huán)境，正向調(diào)節(jié)數(shù)字經(jīng)濟(jì)與城市創(chuàng)新能力之間的關(guān)系；創(chuàng)新投入是企業(yè)競爭的結(jié)果，在數(shù)字經(jīng)濟(jì)擴(kuò)張下，企業(yè)面臨信息透明和競爭加劇的壓力，必須通過加大創(chuàng)新投入來促進(jìn)新產(chǎn)品開發(fā)，進(jìn)而促成了區(qū)域創(chuàng)新能力的提高。

多數(shù)學(xué)者在研究數(shù)字經(jīng)濟(jì)對區(qū)域創(chuàng)新能力的促進(jìn)作用時，較多采用統(tǒng)計學(xué)方法，利用歷史面板數(shù)據(jù)進(jìn)行實證分析，鮮有預(yù)測區(qū)域創(chuàng)新能力變化趨勢的相關(guān)研究，難以有效識別區(qū)域未來創(chuàng)新能力變化趨勢，無法解決基于歷史數(shù)據(jù)評價的區(qū)域創(chuàng)新政策調(diào)整滯后的問題。此外，雖然已有研究認(rèn)為數(shù)字經(jīng)濟(jì)對區(qū)域創(chuàng)新能力的促進(jìn)作用存在空間異質(zhì)性，但未能識別數(shù)字經(jīng)濟(jì)背景下各區(qū)域創(chuàng)新能力的首要影響因素，對制定差異化區(qū)域創(chuàng)新策略的參考價值較小。近年來，深度學(xué)習(xí)模型被廣泛應(yīng)用于預(yù)測研究中，但該方法在預(yù)測區(qū)域創(chuàng)新能力上的有效性尚未得到驗證。在此背景下，本研究參考現(xiàn)有數(shù)字經(jīng)濟(jì)評價指標(biāo)體系，采用深度學(xué)習(xí)中的雙向長短期記憶網(wǎng)絡(luò)模型預(yù)測數(shù)字經(jīng)濟(jì)背景下中國區(qū)域創(chuàng)新能力，并通過設(shè)置對照實驗探究各區(qū)域創(chuàng)新能力的主要限制因素。相較于已有研究，本研究主要完成以下三點貢獻(xiàn)：第一，結(jié)合中國數(shù)字經(jīng)濟(jì)發(fā)展背景，采用深度學(xué)習(xí)方法構(gòu)建了數(shù)字經(jīng)濟(jì)與區(qū)域創(chuàng)新能力間的定量分析模型，并實現(xiàn)了對中國未來五年內(nèi)區(qū)域創(chuàng)新能力的預(yù)測，揭示了未來中國區(qū)域創(chuàng)新能力呈擴(kuò)大趨勢的現(xiàn)象；第二，通過設(shè)置對比實驗，探討了中國各區(qū)域創(chuàng)新能力的主要影響因素；第三，結(jié)合研究結(jié)論，提出了各區(qū)域應(yīng)如何差異化利用數(shù)字經(jīng)濟(jì)賦能創(chuàng)新能力，實現(xiàn)區(qū)域創(chuàng)新能力的協(xié)調(diào)發(fā)展。

1?研究設(shè)計

1.1?研究方法

雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（Bi-LSTM）是深度學(xué)習(xí)模型的一種，是在長短期記憶網(wǎng)絡(luò)（LSTM）模型的基礎(chǔ)上增加雙反向LSTM層，使得過去和未來的隱藏層的狀態(tài)均可得到遞歸反饋，具有進(jìn)一步挖掘當(dāng)前負(fù)荷數(shù)據(jù)同過去及未來時刻負(fù)荷數(shù)據(jù)的內(nèi)在聯(lián)系、提升模型預(yù)測精度和特征數(shù)據(jù)利用率的能力。因此，本文應(yīng)用雙向長短期記憶網(wǎng)絡(luò)模型（Bi-LSTM）對區(qū)域創(chuàng)新能力進(jìn)行預(yù)測。Bi-LSTM模型結(jié)構(gòu)如圖1所示。

1.2?指標(biāo)選取與數(shù)據(jù)來源

現(xiàn)有數(shù)字經(jīng)濟(jì)驅(qū)動創(chuàng)新能力發(fā)展的理論研究聚焦于數(shù)字基礎(chǔ)設(shè)施建設(shè)、科研人才聚集度、金融支持、創(chuàng)新投入四個方面，本文參考現(xiàn)有研究中構(gòu)建的評價體系，從以上四個維度選取輸入指標(biāo)。選取互聯(lián)網(wǎng)寬帶接入用戶數(shù)和移動電話年末用戶數(shù)作為基礎(chǔ)設(shè)施建設(shè)評價指標(biāo)，選取科學(xué)研究、技術(shù)服務(wù)和地質(zhì)勘探業(yè)從業(yè)人數(shù)以及信息傳輸、計算機(jī)服務(wù)和軟件業(yè)從業(yè)人數(shù)作為人才聚集度評價指標(biāo)，選取年末金融機(jī)構(gòu)人民幣各項存款余額和年末金融機(jī)構(gòu)人民幣各項貸款余額作為金融發(fā)展水平的測度指標(biāo)，選取R&D內(nèi)部經(jīng)費支出作為創(chuàng)新投入的評價指標(biāo)，選取專利授權(quán)量衡量創(chuàng)新力。

本研究選取北京、天津、上海、廣州、重慶、成都、武漢、鄭州、西安等9個國家中心城市作為研究對象，根據(jù)地理位置劃分為東部、中部、西部三個區(qū)域，輸入指標(biāo)及輸出指標(biāo)數(shù)據(jù)來源于2003-2020年《中國城市統(tǒng)計年鑒》及各城市統(tǒng)計年鑒。80%的數(shù)據(jù)用于計算機(jī)通過Bi-LSTM模型自主學(xué)習(xí)，20%數(shù)據(jù)用于檢驗Bi-LSTM模型的學(xué)習(xí)結(jié)果。本文采用平均絕對百分誤差（MAPE）作為模型精度的衡量指標(biāo)。

2?實驗結(jié)果與討論

2.1?預(yù)測模型有效性分析

經(jīng)過模型測試，西部地區(qū)模型精度為42%，中部地區(qū)模型精度為65%，東部地區(qū)模型精度為71%，三個地區(qū)預(yù)測模型精度均小于10%，說明該Bi-LSTM模型能夠有效預(yù)測中國區(qū)域創(chuàng)新能力。為了檢驗選取的Bi-LSTM模型的預(yù)測精度與適用情況，將其與當(dāng)前較為成熟的門控循環(huán)單元模型（Gated?recurrent?neural?network，GRU）、長短期記憶網(wǎng)絡(luò)模型（Long?short-term?memory，LSTM）、支持向量回歸模型（Support?vector?regression，SVR）、多元線性回歸分析模型（Multiple?regression，MLR）進(jìn)行了區(qū)域創(chuàng)新能力預(yù)測對比，結(jié)果見圖2。

圖2直觀展示了5種預(yù)測模型的實驗結(jié)果，可以看出Bi-LSTM模型在三個區(qū)域的預(yù)測結(jié)果上都更貼近于實際值，特別是在近兩年的預(yù)測中，Bi-LSTM模型預(yù)測準(zhǔn)確度較高，而同為深度學(xué)習(xí)的GRU和LSTM模型在測試數(shù)據(jù)的預(yù)測中出現(xiàn)較大程度的偏離，這說明Bi-LSTM在增加后向LSTM后能夠完整利用過去和未來的時間序列信息，在整體預(yù)測精度和極端值擬合上表現(xiàn)更好、泛化能力更強(qiáng)；此外多元線性回歸分析模型在預(yù)測精度上同樣不及Bi-LSTM模型，說明Bi-LSTM模型與常見的預(yù)測模型相比更夠有效應(yīng)用于區(qū)域創(chuàng)新能力的量化體系構(gòu)建，實現(xiàn)區(qū)域創(chuàng)新能力的預(yù)測。

2.2?中國區(qū)域創(chuàng)新能力預(yù)測結(jié)果

本文運(yùn)用Bi-LSTM模型對中國區(qū)域創(chuàng)新能力進(jìn)行預(yù)測，預(yù)測周期為“十四五”時期，即2021-2025年，其預(yù)測結(jié)果如表1所示。

整體而言，我國各區(qū)域創(chuàng)新能力總體呈上升趨勢。其中，西部地區(qū)創(chuàng)新能力逐步提升，專利授權(quán)量增速逐年加快，2025年將達(dá)到12.83萬件；西部地區(qū)創(chuàng)新能力波動較大，2021年增速較慢，2022年出現(xiàn)負(fù)增長，2023年扭轉(zhuǎn)至2025年保持高速增長，2025年將達(dá)到10.38萬件；東部地區(qū)創(chuàng)新能力提升較快，專利授權(quán)量增速保持在13%左右，2025年將達(dá)到49.79萬件。值得注意的是，我國東部地區(qū)與中西部地區(qū)創(chuàng)新能力間的差距逐年擴(kuò)大，且增速雖呈震蕩下降趨勢，但將依然高于14%。

值得注意的是，我國東部地區(qū)與中西部地區(qū)創(chuàng)新能力間創(chuàng)新能力的差距逐年擴(kuò)大，增速保持在14%以上，表明數(shù)字經(jīng)濟(jì)不僅在過去數(shù)年對區(qū)域創(chuàng)新能力的協(xié)調(diào)發(fā)展產(chǎn)生不利影響，還將在未來五年持續(xù)產(chǎn)生影響。區(qū)域創(chuàng)新能力能夠促進(jìn)區(qū)域經(jīng)濟(jì)高質(zhì)量發(fā)展，區(qū)域創(chuàng)新能力的差異將轉(zhuǎn)化為區(qū)域經(jīng)濟(jì)差異，加劇我國發(fā)展不均衡的問題。

2.3?中國區(qū)域創(chuàng)新能力影響因素分析

識別各區(qū)域創(chuàng)新能力的影響因素是破解中國區(qū)域創(chuàng)新能力發(fā)展不平衡的關(guān)鍵，為了探究輸入指標(biāo)對各區(qū)域創(chuàng)新能力的影響程度，本研究設(shè)置三組對比實驗，通過減少依次輸入指標(biāo)后模型精度的變化表征輸入指標(biāo)對輸出指標(biāo)的影響程度。T1實驗組旨在探究西部地區(qū)創(chuàng)新能力的影響因素，具體實驗設(shè)計如下：（1）T1（a）刪除輸入指標(biāo)中的互聯(lián)網(wǎng)接入戶數(shù)；（2）T1（b）刪除輸入指標(biāo)中的移動互聯(lián)網(wǎng)用戶數(shù)；（3）T1（c）刪除輸入指標(biāo)中的R&D內(nèi)部經(jīng)費支出；（4）T1（d）刪除輸入指標(biāo)中的科學(xué)研究和技術(shù)服務(wù)業(yè)就業(yè)人數(shù)；（5）T1（e）刪除輸入指標(biāo)中的信息傳輸、計算機(jī)服務(wù)和軟件業(yè)從業(yè)人數(shù)；（6）T1（f）刪除輸入指標(biāo)中的年末金融機(jī)構(gòu)人民幣各項存款余額；（7）T1（g）刪除輸入指標(biāo)中的年末金融機(jī)構(gòu)人民幣各項貸款余額。T2、T3實驗組按照同樣思路分別探究中部和東部地區(qū)創(chuàng)新能力的影響因素。實驗結(jié)果如表2所示。

T1（c）和T1（g）實驗分別剔除R&D內(nèi)部經(jīng)費支出和年末金融機(jī)構(gòu)人民幣各項貸款余額兩個輸入指標(biāo)對于模型精度的影響最大MAPE分別達(dá)到了1218%和1014%，說明對于西部地區(qū)而言科研投入和金融支持是影響區(qū)域創(chuàng)新能力的首要因素。這二者可能存在內(nèi)生性，由于數(shù)字創(chuàng)新活動具有投入大、周期長的特征導(dǎo)致研發(fā)投入面臨較高的資金要求，導(dǎo)致創(chuàng)新主體對金融支持的需求較高。然而，西部地區(qū)數(shù)字金融在覆蓋廣度、使用深度上與東部地區(qū)還有一定差距，企業(yè)創(chuàng)新投入受限，阻礙了西部地區(qū)創(chuàng)新能力的提升。因此，“十四五”期間西部地區(qū)應(yīng)以數(shù)字金融和科研投入為抓手，加強(qiáng)企業(yè)創(chuàng)新支持。

T2（d）和T2（e）實驗分別剔除科學(xué)研究和技術(shù)服務(wù)業(yè)就業(yè)人數(shù)和信息傳輸、計算機(jī)服務(wù)和軟件業(yè)從業(yè)人數(shù)兩個輸入指標(biāo)對于模型精度的影響最大，MAPE分別達(dá)到了1245%和1146%，說明對于中部地區(qū)而言人才聚集度是區(qū)域創(chuàng)新能力的首要影響因素。我國數(shù)字化人才儲備難以滿足數(shù)字產(chǎn)業(yè)發(fā)展的需要，并且中國數(shù)字人才的分布與數(shù)字經(jīng)濟(jì)的發(fā)達(dá)程度表現(xiàn)出高度的一致性，數(shù)字人才集中于上海、北京、深圳、廣州、杭州、蘇州等東部城市，導(dǎo)致中部地區(qū)數(shù)字人才稀缺。中部地區(qū)除加強(qiáng)人才引進(jìn)外，還應(yīng)內(nèi)部人才培養(yǎng)，依托高校資源，培育特色化數(shù)字人才。T3（g）和T3（d）實驗分別剔除年末金融機(jī)構(gòu)人民幣各項貸款余額和科學(xué)研究和技術(shù)服務(wù)業(yè)就業(yè)人數(shù)兩個輸入指標(biāo)對于模型精度的影響最大，說明東部地區(qū)而言金融支持和人才聚集是區(qū)域創(chuàng)新能力的首要影響因素。金融發(fā)展和人才聚集是東部地區(qū)創(chuàng)新能力發(fā)展的主要限制因素。雖然東部地區(qū)在金融和人力資源上較為聚集，但由于東部地區(qū)數(shù)字經(jīng)濟(jì)產(chǎn)業(yè)較為發(fā)達(dá)，所需資源也相對較多，故依然需要一定的資金和人才資源投入。

3?結(jié)論

本研究通過構(gòu)建雙向長短期記憶網(wǎng)絡(luò)模型，實現(xiàn)了對中國區(qū)域創(chuàng)新能力的預(yù)測，并通過對比實驗識別數(shù)字經(jīng)濟(jì)背景下各區(qū)域創(chuàng)新能力的首要影響因素，得到如下結(jié)論：第一，基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的區(qū)域創(chuàng)新能力預(yù)測模型預(yù)測誤差小，能較好地解決機(jī)器學(xué)習(xí)模型擬合度欠佳的問題，是一種適合的區(qū)域創(chuàng)新能力預(yù)測方法。第二，數(shù)字經(jīng)濟(jì)對城市創(chuàng)新能力具有顯著的積極影響，在數(shù)字經(jīng)濟(jì)背景下，“十四五”期間我國區(qū)域創(chuàng)新能力穩(wěn)步提升，其中東部地區(qū)創(chuàng)新能力增速將保持在13%左右；中部地區(qū)波動較大，2022年可能出現(xiàn)負(fù)增長；西部地區(qū)增速穩(wěn)步提升，發(fā)展?jié)摿^大。第三，東部地區(qū)與中西部地區(qū)創(chuàng)新能力間創(chuàng)新能力的差距逐年擴(kuò)大。第四，科研投入和金融支持是影響西部地區(qū)創(chuàng)新能力的首要因素，人才聚集度是中部地區(qū)創(chuàng)新能力的首要影響因素，金融支持和人才聚集是東部創(chuàng)新能力的首要影響因素。

參考文獻(xiàn)

[1]

劉華軍，曲惠敏.中國城市創(chuàng)新力的空間格局及其演變[J].財貿(mào)研究，2021，32（01）：1425.

[2]夏杰長，姚戰(zhàn)琪，徐紫嫣.數(shù)字經(jīng)濟(jì)對中國區(qū)域創(chuàng)新產(chǎn)出的影響[J].社會科學(xué)戰(zhàn)線，2021，312（6）：6778.

[3]韓璐，陳松，梁玲玲.數(shù)字經(jīng)濟(jì)、創(chuàng)新環(huán)境與城市創(chuàng)新能力[J].科研管理，2021，42（04）：3545.

[4]魏亞飛，李言.網(wǎng)絡(luò)基礎(chǔ)設(shè)施與數(shù)字經(jīng)濟(jì)產(chǎn)業(yè)化——來自“寬帶中國”政策的準(zhǔn)自然實驗[J].云南財經(jīng)大學(xué)學(xué)報，2021，37（07）：114.

[5]焦帥濤，孫秋碧.我國數(shù)字經(jīng)濟(jì)發(fā)展對產(chǎn)業(yè)結(jié)構(gòu)升級的影響研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2021，40（5）：146154.

[6]楊文溥.數(shù)字經(jīng)濟(jì)與區(qū)域經(jīng)濟(jì)增長：后發(fā)優(yōu)勢還是后發(fā)劣勢？[J].上海財經(jīng)大學(xué)學(xué)報，2021，23（03）：1931+94.

[7]陶浪平，厲雨捷，王剛貞，等.數(shù)字普惠金融、城鄉(xiāng)收入差距與區(qū)域異質(zhì)性[J].青海師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2021，43（1）：111.

[8]徐斌，羅文.價值鏈視角下科技人才分布對區(qū)域創(chuàng)新系統(tǒng)效率的影響[J].科技進(jìn)步與對策，2020，37（3）：5261.

[9]孫凱.中國區(qū)域創(chuàng)新能力影響因素靈敏度分析[J].數(shù)理統(tǒng)計與管理，2021，40（03）：417428.

[10]陳婕.政府支持、企業(yè)R&D投入與技術(shù)創(chuàng)新績效關(guān)系研究[J].預(yù)測，2021，40（02）：4046.

[11]謝小瑜，周俊煌，張勇軍，等.基于WBiLSTM的可再生能源超短期發(fā)電功率預(yù)測方法[J].電力系統(tǒng)自動化，2021，45（8）：175184.