時空雙維下數字創新生態系統對區域創新能力的激發與影響研究

摘" 要：區域創新能力是深入實施國家創新驅動發展戰略的基礎要素，識別區域創新能力影響因子、挖掘區域創新能力聯動機制是加速提升區域創新能力的關鍵。運用動態QCA分析方法，構建“數字創新主體—數字創新平臺—數字創新生態環境”分析框架，從時空雙維視角綜合分析2017-2021年我國內地31個省份面板數據，探索驅動區域創新能力提升的組態路徑。研究發現：政府、企業、中介機構和數字治理環境在提升區域創新能力中發揮重要核心作用。其中，高水平區域創新能力組態有4條路徑，可歸納為“創新主體+創新平臺”驅動型、“創新主體+創新平臺+創新環境”驅動型、“創新環境”驅動型3種模式；低水平區域創新能力組態路徑有8條，可歸納為“創新主體+創新環境”限制型、“創新環境”限制型、“創新主體+創新平臺”限制型3種模式；在時間維度上，4條高水平組態路徑均在2020年呈現一致性下降趨勢；在空間維度上，區域創新能力呈現出明顯的東西部發展不平衡現象。

關鍵詞關鍵詞：數字創新生態系統；區域創新能力；面板數據；動態QCA

DOI：10.6049/kjjbydc.YX202305136

開放科學（資源服務）標識碼（OSID）""""" 開放科學（資源服務）標識碼（OSID）：

中圖分類號：F061.5

文獻標識碼：A

文章編號：1001-7348（2024）16-0013-11

收稿日期：2023-05-20" 修回日期：2023-07-07

基金項目：

作者簡介：荊玲玲（1978—），女，遼寧東港人，博士，哈爾濱師范大學經濟與管理學院副教授、碩士生導師，研究方向為公共政策分析、社會治理創新等；黃慧麗（1995—），女，山東泰安人，哈爾濱師范大學經濟與管理學院碩士研究生，研究方向為數字治理。

0" 引言

人工智能、區塊鏈、云計算、大數據等數字技術與社會經濟的深度融合，不斷催生出新產品、新產業、新模式和新業態。數字創新成為時代發展主題，數字創新生態系統則為數字創新提供源頭保障。《中華人民共和國國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》著重指出，要“加快建設數字經濟、數字社會、數字政府，以數字化轉型整體驅動生產方式、生活方式和治理方式變革”，要“打造數字經濟優勢，充分發揮海量數據和豐富應用場景優勢，促進數字技術與實體經濟深度融合，賦能傳統產業轉型升級，催生新產業新業態新模式，壯大經濟發展新引擎”［1］。隨著數字技術廣泛應用，其與區域創新呈現出高度耦合性［2］。憑借專業優勢，數字技術有助于激發創新系統活力，促進系統內部信息交流與互動。同時，數字技術在一定程度上可以降低成本，拓寬創新渠道，從而提升區域創新能力。

梳理相關文獻發現，目前針對數字創新生態系統的研究尚有不足，已有研究大多是針對理論機制的探討或是對單一變量的凈效應進行衡量，且大部分使用靜態截面數據，忽視了時間維度對區域創新能力的影響。區域創新能力是一個持續發展過程，其成效存在滯后現象，因此如何更好地衡量區域創新能力并突破時間盲點問題值得深入研究。鑒于此，本文基于數字創新生態系統理論，使用2017—2021年面板數據，運用動態QCA研究方法分析我國內地31個省（自治區、直轄市）的創新能力及其影響因素間的復雜因果關系，并借助組態方法，系統回答什么樣的數字創新生態系統能夠提高區域創新績效的科學問題。

1" 文獻綜述與分析框架

1.1" 文獻綜述

創新生態系統是基于生態學理念，考察、審視并分析創新系統形成的概念譜系［3］。其最早源自Moore提出的商業生態系統，經過不斷演化發展，現已成為創新領域的基礎理論［4］。Adner［5］認為，創新主體間的協同共生關系對創新生態系統具有正向作用，參與者通過互動協調實現創新，共同為客戶創造價值［6］。隨著大數據、人工智能等數字技術發展和應用，創新生態系統表現出數字化技術擴散特征及數字化與創新生態主體行為深度融合的價值共創特征［7］。作為由不同社會與技術要素組成的新興創新范式［8］，創新生態系統將不同層面行動者與不同層面業務通過數字化聯系起來［9］，其涉及到多種要素，包括不同組織、技術、基礎設施、知識和工具等［10］，因此該系統具有創新要素數字化、參與主體虛擬化和主體關系生態化特征［11］。

當前，關于數字創新生態系統的系列問題引起學界的廣泛關注與研究。其一是從該理論概念、內涵、演化過程、表現形式和治理機制等方面展開。如從數字創新的數據要素化和數字賦能角度出發，對數字創新生態系統的理論體系、概念、結構和運行機制進行闡述（布和礎魯，陳玲，2022）；從表現形式上對創新導向的數字生態系統和數字賦能的創新生態系統進行界定（張超，2021）；從數字創新生態系統特征及治理困境入手，構建創新生態系統治理機制（魏江，2021）。其二是對數字創新生態系統績效或能力的實證研究，如借助層次回歸分析法，對數字平臺能力與制造業服務創新績效關系的研究（廖民超，2023）；使用演化博弈對多元參與主體關系及價值創造的研究（劉科文，2021；艾志紅，2023）。此外，學者們還借助fsQCA分析方法探索影響區域創新能力的因素（TORRES，2021；馬鴻佳，2022；楊偉，2022等）。

綜上，學者們從系統概念內涵、演化過程、作用機理等方面對數字創新生態系統的探索，為之后的深入研究奠定了堅實的理論基礎。但仍存在以下不足：一是傳統的線性回歸實證分析法聚焦單因素的凈效應，忽視了多因素聯動情況。二是為解決這一問題，學者們廣泛使用fsQCA法進行多因素聯動的組態分析，將數據導向與案例導向有機結合，但是數據大多是靜態截面數據，忽視了時間維度的影響。為彌補上述缺陷，部分學者考慮使用平均化的面板數據，但本質上也是一種靜態樣本，無法捕捉組態和案例在時間及空間上的動態演化。鑒于此，如何破解“時間盲區”、研究數字創新生態系統對區域創新能力的影響值得深入探討。

1.2" 分析框架

創新生態系統是一個共生耦合的參與者網絡，網絡中的領導者、供應商、用戶、專家和監管者等組織群落利用異質性資源、能力等，實現共同價值創造［12，13］。數字技術應用使得該系統具備自成長性、創新平臺化、創新分布化、收斂性、開放性和動態性等數字化特征［14］。數字創新生態系統是數字技術與創新生態系統的有機結合，反映了利用數字技術創造新產品、實現價值的組織與利益相關者之間的互動關系［15］。基于本文主要目的是探討數字技術對創新生態系統的作用，因此主要從數字創新主體、數字創新平臺和數字創新環境3個維度構建數字創新生態系統研究框架，具體見圖1。

創新主體。主要包括政府、企業、高校和科研機構、中介機構。其中，政府發揮區域創新引導作用。有研究指出，政府的直接參與，如財政科技支出［16］、財政補貼［17］、科技支出等投入顯著正向影響區域創新能力［18］，同時，有助于緩解數字企業、高校及科研機構的資金約束，推動試驗發展研究，從而提高區域創新績效。此外，政府還可以通過強有力的知識產權保護，營造有序的知識創新環境。當企業權利受到侵害時能夠獲得及時、有效的保護，打消其創新顧慮，激發企業創新意愿，從而提高區域創新績效［19］。企業作為創新主體，承擔著具體的創新活動，包括技術、產品、服務的創新、開發以及升級等。其中，關鍵因素是企業內部科研力量的投入，如人員數量、科研資金等，這些資源是企業數字化創新的基礎。高校和科研機構作為知識創新主體，通過知識溢出帶動區域發展，如以人才、技術輸出促進區域循環，實現整體效益最大化［20］。上述主體一方面在政府政策引導下積極發揮基礎研究優勢，另一方面與企業聯動，為企業培養和儲備創新人才。中介機構作為提供專業服務的組織，與其他參與者保持廣泛聯系，為不同主體間互動提供橋梁，幫助企業建立正式或非正式聯系以獲得各種關鍵的無形資源，例如金融資源、供應商資源、客戶資源和政府資源等。本研究中的中介機構主要是指科技企業孵化器，該組織為科技企業創新發展提供專業咨詢和服務，對區域創新能力提升有著重要作用。

數字創新平臺。數字生態系統中的創新主體通過創新平臺進行信息連接、交互，是系統內創新主體進行創新活動的硬性基質。已有研究指出，較為完善的數字化基礎設施有助于加速區域數字創新生態系統人力資本積累、加速金融產業發展、促進相關產業轉型升級，提升區域創新效能［21，22］。良好的創新基礎設施環境既是系統吸引創新資源流入的重要引力，也是知識流動的重要載體［23］。因此，在參考既有研究基礎上，本文主要從數字基礎設施、大數據發展基礎兩個角度測度數字創新平臺，主要選取移動電話普及率、互聯網普及率、互聯網寬帶接入端口數量、大數據發展指數等指標進行衡量。

數字創新生態環境。數字創新生態環境是整個創新生態系統維系的基礎，且該生態系統邊界是開放的。本文主要選取數字治理環境、數字普惠金融環境和營商環境3個分指標進行衡量。其中，“數字技術+治理”有助于顯著提升數字創新生態系統中政務服務平臺集約化水平及政務服務供給水平，是區域中重要的數字生態環境組成［24］。研究發現，數字金融發展對區域創新能力提升具有顯著促進作用［25］。因此，本文選取北京大學數字普惠金融指數衡量區域數字普惠金融環境。有研究證明，良好的營商環境會顯著提升區域創新能力，因此選取營商環境報告中的綜合指數衡量區域營商環境［26，27］。

2" 研究設計

2.1" 研究方法

傳統QCA方法在理論構建中存在靜態性和不飽和問題，加之分析工具的桎梏，在多因素聯動分析中大多使用靜態截面數據，存在時間盲區問題，即忽視了時間對條件組態的影響［28］。由于區域創新能力發展是一個持續過程，且多元主體參與、多要素投入的創新生態系統建設對區域創新能力的影響具有時滯性（高霞等，2022），僅依靠截面數據，并不能充分解釋其間的因果關系及與時間的聯動關系。基于此，本研究選用動態QCA方法，并參考既有研究，借助編程工具對面板數據進行處理和分析，探索數字創新生態系統中各要素變量對區域創新能力的影響以及時間效應下的組態變化。相比于傳統QCA方法，動態QCA可以通過匯總一致性、組內一致性、組間一致性、匯總覆蓋度、組間覆蓋度和組內覆蓋度等指標精準分析不同案例間和同一案例內條件組態結果及其變化［28］，并借助一致性調整距離捕捉組態在時間與空間維度的細微變化［29］。

2.2" 樣本選擇與數據來源

本研究選取我國內地31個省域作為樣本，從數字創新主體、數字創新平臺以及數字創新生態環境3個層面選取9個指標，分析數字創新生態系統對區域創新能力的影響路徑。選擇省域作為樣本基礎單位，一方面是因為區域創新需要大量資源投入，地市級或縣市資源有限，不能充分體現一個地區的創新能力；另一方面，省級區域數據相對全面，大部分報告也是以省域為單位，因此可以借助各省域統計年鑒收集數據，從而降低數據缺失帶來的偏差，而QCA方法也適合對中小樣本數據進行分析。

鑒于數字創新生態系統對區域創新能力的影響研究尚不豐富，對該系統中政府、企業、高校等創新主體的衡量還缺乏成熟的理論標準支持。因此，在借鑒前人研究基礎上，本文重點參考《中國區域創新能力評價報告》中的評估體系，對數字創新生態系統要素指標進行拓展。其中，結果變量選擇《中國區域創新能力評價報告》中的綜合指標“區域創新能力”，采用報告中的“創新能力綜合效用值”進行衡量，而綜合效用值是由5個二級指標按照一定權重計算而得。與之相似，本研究其它變量指標也進行多層級篩選，這些數據來自《中國統計年鑒》《中國科技統計年鑒》《中國高技術產業統計年鑒》等權威報告，具體變量見表1。

2.3" 標準化處理與數據校準

因數據單位不統一，為了保證研究結果的客觀性，需要對收集到的二手數據進行均值化處理，即將變量原始數值除以變量均值以進行壓縮處理并保留數據特征。利用熵值法確定變量中的二級指標權重，并進行變量綜合指數計算。其中，創新能力綜合效用值、大數據發展基礎、數字治理環境、數字普惠金融環境以及營商環境變量直接選擇原始報告中的綜合指數。在此基礎上，借助Excel確定標準化處理后各數據隸屬度錨點，設置完全隸屬=95%，交叉點=50%，完全不隸屬=5%，將變量校準為［0，1］內的數據集合，具體校準值見表2。

3" 數據分析與實證結果

3.1" 單個條件必要性分析

與傳統QCA檢驗必要條件的步驟類似，借助一致性水平和覆蓋度兩個指標對單個條件變量是否構成充分或必要條件進行驗證。一般認為，當一致性介于0.8～0.9之間時，X是Y的一個充分條件；當一致性大于0.9時，則X是Y的一個必要條件。在QCA面板數據分析中，當調整距離小于0.2時，匯總一致性精確度更高，對判斷結果的支撐性更強［30］。當調整距離大于0.2時，需進一步研究條件必要性。表3結果顯示，在高水平區域創新能力中，“數字治理環境（G1）”的匯總一致性大于0.9，且匯總覆蓋度遠大于0.5，是構成高水平區域創新能力的必要條件，其它條件變量均低于判斷標準，不構成必要條件。在低水平區域創新能力中，低政府參與（～A1）、低企業參與（～B1）和低中介機構參與（～D1）的匯總一致性大于0.9，且條件變量的匯總覆蓋度也大于0.5，因此上述因素是導致低水平區域創新能力的必要條件，但這里的“高水平”和“低水平”并非絕對意義上互斥的兩個方面。

進一步對組間一致性調整距離大于0.2的因果關系組合進行分析，如表4所示。結果顯示：首先，情況1-4、7和9中的組間一致性水平均小于0.9，故不存在必要性關系；其次，情況5雖然在2019-2021年的一致性大于0.9，且覆蓋度也大于0.5，但借助X-Y散點圖檢驗發現，該條件變量未通過必要條件檢驗［31，32］；類似地，如圖2所示，通過繪制2021年情況6和2017-2018年情況8的散點圖發現，條件變量也未通過必要性檢驗。最后，由圖3所示的情況2、5、6的組間一致性水平變化可以發現，隨著數字技術更迭、數字經濟發展，各省域對數字治理和數字普惠金融的關注度越來越高，其必要性程度呈現顯著上升趨勢，這也印證了之前研究中提出的數字治理環境、數字普惠金融在提升區域創新能力中發揮重要作用的結論［33，34］，但與之前的研究相比，本研究從時間效應維度揭示數字普惠金融變化趨勢，不僅豐富了該領域理論研究，也為促進區域創新能力提升提供了支撐依據。

3.2" 條件組態充分性分析

QCA方法的核心是分析不同條件組合對結果變量的影響，而條件組態充分性的一致性水平是重要判斷標準。在不同的研究問題中選擇標準不同，一般設置大于等于0.75。參照先前研究并結合實際情況，最終選擇一致性閾值為0.80，頻數閾值為1，PRI閾值為0.75，構建真值表，該模型覆蓋了155個案例樣本。為了充分展現組態多樣性特征，同時，基于必要條件分析結果，在組態充分性分析過程中預設一些變量方向，即在高水平區域創新能力中將條件變量A1、D1、G1設置為“1”，表示存在；其它變量設置為“-”，表示不確定；在低水平區域創新能力中將B1、D1條件變量設置為“0”，表示不存在。借助R軟件進行處理后，最終得到相應中間解和簡約解。

以中間解為主，簡約解為輔，尋找符合條件的組態路徑，考慮到因素非對稱性問題，分別對高、低水平區域創新能力進行組態分析，具體見表5。結果顯示，獲得高水平區域創新能力有4條組態路徑，可以分為3種類型；獲得低水平區域創新能力共有16條組態路徑，其中，有4條組態路徑中的案例無效，有4條組態路徑中的條件變量大部分為缺失狀態，且案例主要集中分布在西藏、新疆、云南、內蒙古和青海等西部地區。為更好地體現組態特征，本研究選取剩余8條路徑進行討論。同樣，按條件變量分布特點，將低水平區域創新能力中的8條組態劃分為3種類型。

3.2.1" 匯總結果分析

通過表5可以看出，高、低水平區域創新能力整體解的一致性分別為0.982、0.919，遠大于標準值0.75，且總體覆蓋度也滿足判斷標準。同時，單個組態路徑的組間一致性調整距離和組內一致性調整距離均低于0.2，表明總體路徑具有較高解釋力，生成的組態是高、低水平區域創新能力的充分條件。分別對高、低水平區域創新能力組態進行分類，可歸納為6種模式。

（1）M1：實現高水平區域創新能力的“創新主體+創新平臺”驅動型。該模型組態是a1，組態一致性為0.983，覆蓋度為0.613，能夠解釋61.3%的案例。在該組態下政府、高校科研機構、中介機構、大數據發展基礎和數字治理環境是核心變量，企業、數字基礎設施和營商環境是輔助條件。其表明多元主體基于完善的數字創新平臺與良好的數字創新環境協同合作，推動地區實現高水平創新能力。這也驗證了先前研究中提出的“數字創新平臺建設通過增強生態系統吸收整合知識、重組內外部創新資源的能力，促進創新主體生產經營網絡化、平臺化與智慧化”的觀點（馮檬瑩，2023；趙炎，2023）。

（2）M2：實現高水平區域創新能力的“創新主體+創新平臺+創新環境”驅動型。該模式主要包括組態a2和a3，兩個組態的一致性和覆蓋度較高，可分別解釋56.5%、56.3%的樣本案例。在該模型中，政府、中介機構、數字普惠金融環境和營商環境均是兩個組態的核心條件，企業、數字基礎設施、大數據發展基礎是共同的邊緣條件。不同的是，組態a2強調高校科研機構的知識創新能力，組態a3關注的是數字治理環境優化。通過模型分析發現，多元創新主體在創新生態系統各司其職，依靠數字創新平臺等堅實的數字基礎設施以及強大的大數據能力，實現區域數據、信息的加速流動，這為多元主體創新活動增添了動力。整體來看，該模式是綜合發展型，數字創新生態系統中各維度要素為高水平區域創新能力實現發揮了巨大作用。

（3）M3：實現高水平區域創新能力的“創新環境”驅動型。該模式組態為a4，組態一致性為0.987，覆蓋度為0.334，可以解釋33.4%的樣本案例。在該組態中，政府、高校科研機構、中介機構、大數據發展基礎、數字生態環境的3個變量均是核心條件。雖然在該組態下創新平臺建設存在不足，但在數字生態環境三變量充分發展的背景下，加之創新主體間良性互動，仍然可實現高水平區域創新能力。這也驗證了既有研究中提出的“數字創新環境的迅速變化不斷激發創新主體的認知交互能力及自我增強與適應能力，從而促進區域數字創新績效與可持續發展能力”的論斷（劉景東，2023；王傳征，2022）。

（4）M4：導致低水平區域創新能力的“創新主體+創新環境”限制型。該模式主要是組態b1、b2。兩個組態一致性都大于0.99，且分別覆蓋30.3%和28%的樣本案例。該模式中創新主體參與度、創新生態環境建設存在不足，雖然大數據發展基礎為區域創新提供輔助功能，但實現高水平區域創新能力仍存在較大的努力空間。

（5）M5：導致低水平區域創新能力的“創新環境”限制型。該模式主要包括組態b3、b4、b5，3個組態的一致性均大于0.97，分別可以解釋27.3%、29.1%和25.1%的樣本案例。該模式中，數字生態環境中的數字治理環境、數字普惠金融環境、營商環境是核心缺失條件，表明在數字治理環境、數字普惠金融環境和營商環境不佳時，其它條件變量對創新能力的改善效果不顯著。這是因為，數字創新生態系統需要創新環境的“培育”，它不僅為區域創新實踐提供資源投入，而且可以進一步激發創新主體活力，最終實現良性循環。因此，國家應大力推進區域數字政府建設，引導數字經濟向縱深發展，并通過出臺一系列規章制度深入推進“放管服”改革，打造良好的營商環境，為區域企業創新提供良好的政治、法律和市場環境。

（6）M6：導致低水平區域創新能力的“創新主體+創新平臺”限制型。該模式主要包括組態b6、b7、b8，3個組態的一致性均大于0.99，且分別可以解釋36.5%、28.1%和25.3%的樣本案例。其中，企業、中介機構是核心缺失條件，同時，在其他創新主體參與不足和數字創新平臺建設欠缺的情況下，區域創新能力呈現出低水平。該模式也與高水平區域創新能力下的M1形成鮮明對比。

通過對以上6種區域創新能力模式的分析，可以發現，在數字創新生態系統中，數字創新主體、數字創新平臺建設以及數字生態環境3個維度不同變量的組合聯動殊途同歸。橫向來看，在實現高水平區域創新能力組態中，政府、中介機構等參與主體發揮的作用越來越顯著，而在低水平組態中更突出了數字創新生態環境不佳的限制作用。這為提升區域創新能力提供了有益借鑒——是否存在一些具有替代效應的條件組合，當某省域不滿足某維度條件時，可以從替代變量角度出發，實現高水平區域創新能力。

3.2.2" 組間結果分析

為改善傳統QCA組態中的時間盲區問題，借助組間一致性探討組態時間效應。如圖4所示，生成的12個組態的組間一致性都大于0.90，大于一致性判斷標準0.75；同時，計算組間一致性調整距離，結果都小于0.2，表明上述組態不存在明顯的時間效應。進一步對每個組態變化進行研究，發現，2017-2021年所有組態一致性水平在0.94～1.00之間波動，且高水平的4個組態和低水平的組態b6、b7在2020年出現顯著下降趨勢。思考其背后的原因，可能是因為受新冠疫情影響，企業、高校科研機構以及中介服務機構參與度不高，政府關注點也更多地放在疫情防控上，區域創新環境受到暫時沖擊，尤其是國內外市場面臨巨大壓力。但該現象產生并不影響組態整體解釋力度，對于正常的區域創新能力衡量仍具有參考價值。

3.2.3" 組內結果分析

在高水平區域創新能力和低水平區域創新能力兩組數據中，12個組態的組內一致性調整距離均小于0.2，說明每個組態的解釋力度在各省域不存在顯著差異。通過對每個組態的有效案例進行統計分析，發現：高水平組態案例大致可以分為4個梯度，以北京市、江蘇省、廣東省為主的卓越型；以上海市、浙江省為主的優秀型；以安徽省、山東省為主的良好型；以及以四川、湖北、河南為主的普通型，且高水平案例大多集中于中、東部經濟發達地區；低水平組態案例主要集中在陜西、湖南、天津、重慶等偏中西部地區。案例的差異化分布也反映出我國區域創新能力發展不平衡的現實，引發對提升區域創新能力、改善發展不平衡問題的深入思考。

以處于高水平區域創新能力卓越組的廣東省為例，自2017年以來，廣東省已連續6年穩居全國區域創新能力首位。廣東深入貫徹落實創新驅動發展戰略，以科技創新為引領，推動經濟高質量發展。依托優越的地理位置，以粵港澳大灣區和深圳先行示范區建設為契機，破除體制機制藩籬，以改革激發創新活力，強化戰略科技力量和關鍵核心技術攻關。從基礎指標上看，政府研發投入、知識產權保護力度、規模以上企業研發投入等要素一直穩居全國首位。這些創新成果的取得不僅肯定了廣東省在建設創新型國家戰略中發揮的引領示范作用，也為進一步擴大創新范圍、提高創新能力奠定了基礎。未來，廣東應主動適應國際國內形勢變化，深化國際科技合作，吸引集聚更多的海內外高層次人才來廣東創新創業。同時，加快落實高質量經濟發展布局，完善區域協調發展體系，充分發揮創新驅動發展戰略排頭兵的作用，肩負起國家的戰略使命。

以處于高水平區域創新能力優秀組的浙江省為例，《中國區域創新能力評估報告（2022）》數據顯示，浙江省創新能力綜合排名位居全國第四，比2021年上升1位。其背后的原因是其深入實施人才強省、創新強省的首位戰略；不斷加大研發投入，之江實驗室被納入國家實驗室體系，并新增雨江、甌江兩家省級實驗室；依靠雄厚的教育資源和互聯網企業資源，浙江深入開展產學研交流合作，高校和科研院所研發經費內部支出中來自企業的資金、科技企業孵化器基金總額均穩步提升。同時，浙江省大力建設數字治理環境，為區域創新提供堅實保障。近5年來，浙江省數字政府建設一直走在全國前列，其政務服務水平和數據開放能力一直是數字治理發展中的典范。各維度資源的投入為浙江區域創新提供資金、知識、技術以及環境保障。未來，浙江省應繼續按照“十四五”規劃目標，構建以實驗室為引領的科技力量，繼續完善實驗室體系，助推浙江省“最前沿科學發布地、最先進技術展示地、最創新人才匯聚地”建設，形成科學知識引導的高質量發展新動能。

低水平區域創新能力樣本案例主要集中在西部和東北地區。這些地區的數字基礎條件不佳，但在國家“東數西算”等戰略工程推動下，發展條件逐步改善。未來，上述地區要牢牢抓住國家數字發展機遇，將本省域自然資源稟賦轉化為科技力量，不斷縮小與高水平省域的差距。如重慶市在知識創新方面存在桎梏，尤其是知識創造和獲取方面，嚴重影響了其數字創新能力發揮。未來，重慶市應以建設西部科學城作為主平臺，進一步加大大學、研究院所人才培養，以提高知識創造能力，促進區域創新知識流動。抓住“智造重鎮”和“智慧名城”的建設機遇，推動數字經濟和實體經濟深度融合，培育新經濟增長點，加快傳統產業智能化升級、綠色化轉型。東北地區如遼寧省，近20年的創新能力排名呈現“兩階段”變化特征，即前10年居于全國前10名，后十年呈現明顯下降趨勢，從第11位下降至第25位。作為東北地區經濟發展的領頭羊，面對創新能力整體表現不佳、經濟增長放緩、人口外流嚴重、就業機會銳減的不利局面，遼寧省要著力優化營商環境，營造高效便利的政務環境、公平公正的法治環境、公平開放平等的市場環境，大力激發市場主體活力，在招商引資、項目引育、創業孵化等方面下足功夫，從而打造更加完善、更具競爭力的創新生態系統。

4" 研究結論與啟示

4.1" 研究結論

本文基于數字創新生態系統理論，運用動態QCA研究方法，以我國內地31個省（自治區、直轄市）為例，探究數字創新生態系統中各要素對區域創新能力的協同影響效應，通過對2017-2021年區域創新能力面板數據的分析，揭示什么樣的數字創新生態系統有助于提高區域創新能力。研究發現：

（1）在必要條件分析中，創新生態環境中的數字治理環境是實現高水平區域創新能力的核心條件，政府、企業以及中介機構是導致低水平區域創新能力的核心條件。數字治理環境和數字普惠金融環境的必要性逐年突顯，呈現明顯的時間效應。此外，對數字治理和數字普惠金融的關注度持續上升。

（2）條件充分性分析結果顯示，生成高水平區域創新能力有4條組態路徑，可歸納為“創新主體+創新平臺”驅動型、“創新主體+創新平臺+創新環境”驅動型、“創新環境”驅動型3種模式；生成低水平區域創新能力有8條有效組態路徑，可歸納為“創新主體+創新環境”限制型、“創新環境”限制型、“創新主體+創新平臺”限制型3種模式。

（3）雖然組態的組間一致性低于判斷標準，并未表現出顯著的時間效應，但高水平組態的組間一致性均在2020年出現明顯下降。可能的原因是，受到新冠疫情的影響，各創新要素投入不足，區域創新活動受到一定影響。

（4）組態的組內一致性調整距離也小于判斷標準，未表現出明顯的空間分布效應，但對比高、低水平案例可以發現，我國區域創新能力存在東西部發展不平衡現象，尤其是中西部和東北地區，如重慶、山西、西藏、新疆和東三省等省域相較于東部地區的北京、上海、浙江、江蘇、廣東等省域，存在較大的創新能力差距。

（5）面對我國區域創新能力發展不平衡格局，高水平省域要繼續提升數字創新能力，肩負起完善國家創新體系的使命；中西部地區要抓住數字技術發展的紅利期，立足本省域優勢，向高水平省域學習，通過制定相關政策，加大政府創新補貼力度，激勵企業和高校科研機構以及中介機構積極參與區域創新活動；進一步促進產學研合作，吸引高技術人才，為區域創新儲備人才。

4.2" 理論貢獻與局限

本研究的理論貢獻主要體現在兩個方面：第一，將動態QCA研究方法運用于區域創新能力影響因素分析，彌補了以往QCA研究中存在的“時間盲區”問題，同時，借助一致性調整距離，進一步探究條件變量和組態空間分布情況。第二，在變量設計方面，將數字創新環境指標進一步細化，綜合先前研究中的創新環境變量，使得數字創新生態系統更加完善。但是本研究還存在一些不足：首先，研究變量是在參考前人研究基礎上，選自《中國區域創新能力評估報告》中的數據，但該報告中變量較多，未能涵蓋全面，未來可選擇從其它角度進行分析。其次，研究數據來自《中國科技統計年鑒》《中國統計年鑒》等二手數據，僅從宏觀角度進行探討，未來可從重點城市進行具體分析。

參考文獻：

［1］" 新華社. 中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要 ［EB/OL］. （2021-03-13）［2023-05-15］. https：//www.gov.cn/xinwen/2021-03/13/content_5592681.htm.

［2］" 曹玉娟. 數字化驅動下區域科技創新的框架變化與范式重構［J］. 學術論壇， 2019， 42（1）：110-116.

［3］" 胡寧寧， 侯冠宇. 區域創新生態系統如何驅動高技術產業創新績效——基于30個省份案例的NCA與fsQCA分析［J］. 科技進步與對策， 2023， 40（10）：100-109.

［4］" 戎珂， 柳卸林， 魏江， 等. 數字經濟時代創新生態系統研究［J］. 管理工程學報， 2023，37（6）：1-7.

［5］" ADNER R. Match your innovation strategy to your innovation ecosystem［J］. Harvard BusinessReview， 2006， 84（4）：98-107.

［6］" ADNER R， KAPOOR R. Value creation in innovation ecosystems： how the structure of technological interdependence affects firm perfor-mance in new technology generations［J］. Strategic Management Journal， 2010， 31（3）：306-333.

［7］" 石翠仙. 基于CiteSpace的科技創新數字生態系統可視化研究［J］. 科技創新與應用， 2023， 13（2）：20-24，31.

［8］ "林艷， 盧俊堯. 什么樣的數字創新生態系統能提高區域創新績效——基于NCA與QCA的研究［J］. 科技進步與對策， 2022， 39（24）：19-28.

［9］" BELIAEVA T， FERASSO M， KRAUS S， et al. Dynamics of digital entrepreneurship and the innovation ecosystem：a multilevel perspective［J］.Entrepreneurial Behaviour amp; Research， 2019， 26（2）：266-284.

［10］" CHAE B. A General framework for studying the evolution of the digital innovation ecosystem： the case of big data［J］. International Journal of Information Management， 2019， 45：83-94.

［11］" 布和礎魯， 陳玲. 數字創新生態系統：概念、結構及創新機制［J］. 中國科技論壇， 2022，38（9）：54-62.

［12］" BOB W， MADIS T， S. P K， et al. A multi-level perspective on innovation ecosystems for path-breaking innovation［J］. Technological Forecasting and Social Change， 2018， 136：103-113.

［13］" DEDEHAYIR O， MKINEN S J， ORTT J R. Roles during innovation ecosystem genesis：a literature review［J］. Technological Forecasting amp; Social Change， 2016， 136：18-29.

［14］" 閆俊周， 姬婉瑩， 熊壯. 數字創新研究綜述與展望［J］. 科研管理， 2021， 42（4）：11-20.

［15］" SUSENO Y， LAURELL C， SICK N. Assessing value creation in digital innovation ecosystems：a social media analytics approach［J］. Strategic Information Systems， 2018， 27（4）：335-349.

［16］" 哈梅芳， 王小琴， 李建平. 政府科技支出如何作用于區域創新能力——區域創新中政府與企業、市場關系的思考［J］. 技術經濟， 2023， 42（2）：11-19.

［17］" 魏巍， 史建軍， 張麗. 政府補助對區域創新績效的影響——以2009—2020年31省份的面板數據樣本分析為例［J］. 中國高校科技， 2022，36（8）：63-67.

［18］" 齊曉麗， 郭沛珍， 解威， 等. 政府支持對區域創新績效的影響：綜述及展望［J］. 華東經濟管理， 2020， 34（3）：44-52.

［19］" 杜偉岸， 張宇浩. 知識產權環境與區域創新——金融發展的調節作用［J］. 科技管理研究， 2022， 42（16）：167-175.

［20］" XU J， HOU Q， NIU C， et al. Process optimization of the University-Industry-Research collaborative innovation from the perspective of knowledge management［J］. Cognitive Systems Research， 2018， 52：995-1003.

［21］" 韓先鋒， 宋文飛， 李勃昕. 互聯網能成為中國區域創新效率提升的新動能嗎［J］. 中國工業經濟， 2019，37（7）：119-136.

［22］" VENIAMINOVNA T I，ZELINSKAYA A B， BOGOMOLOVA L L.The improvement of the business system of the northern region of Russia on the basis of innovative infrastructure development［J］.Management，2018，8（3）：428-433.

［23］" 賀靈， 單汨源， 邱建華. 創新網絡要素及其協同對科技創新績效的影響研究［J］. 管理評論， 2012， 24（8）：58-68.

［24］" 李曉娣， 饒美仙. 區域數字創新生態系統發展路徑研究——基于fsQCA的組態分析［J］. 管理工程學報，2023，37（6）：20-31.

［25］" 王啟鳳， 鐘堅. 金融發展、FDI溢出與區域創新績效［J］. 科學決策， 2021，28（9）：13-24.

［26］" 劉鵬飛， 韓曉琳， 劉燕. 營商環境對區域創新能力的影響研究——作用機制與實證檢驗［J］. 山東財經大學學報， 2023， 35（1）：27-38，85.

［27］" 劉新智， 黎佩雨. 營商環境優化與區域創新發展的耦合協調研究——基于長江經濟帶的實證分析［J］. 西南大學學報（自然科學版）， 2022， 44（6）：99-114.

［28］" 蒙克， 魏必. 反思QCA方法的“時間盲區”：為公共管理研究找回“時間”［J］. 中國行政管理， 2023，39（1）：96-104.

［29］" 張放. 影響地方政府信息公開的因素——基于省域面板數據的動態QCA分析［J］. 情報雜志， 2023， 42（1）：133-141，207.

［30］" GARCIA-CASTRO R， ARIO M A. A general approach to panel data set-theoretic research［J］. Journal of Advances in Management Sciences amp; Information System， 2016，1（1）：63-76.

［31］" SCHNEIDER C Q， WAGEMANN C. Set-theoretic methods for the social sciences： a guide to qualitative comparative analysis［M］.America：Cambridge University Press， 2012.

［32］" 譚海波， 范梓騰， 杜運周. 技術管理能力、注意力分配與地方政府網站建設——一項基于TOE框架的組態分析［J］. 管理世界， 2019， 35（9）：81-94.

［33］" 溫雅， 郭雯華. 數字普惠金融、區域創新能力與產業高質量發展研究［J］. 產業創新研究， 2022， 6（23）：30-32.

［34］" 陳清華， 王艷， 賀靜宜. 數字普惠金融、企業技術創新與經濟增長質量［J］. 當代金融研究， 2022， 5（1）：38-49.

（責任編輯：胡俊健）

The Stimulation and Impact of Digital Innovation Ecosystem on Regional Innovation" Capability in Two Dimensions of Time and Space： A Dynamic QCA Analysis Based on Provincial Panel Data

Jing Lingling， Huang Huili

（School of Economics and Management， Harbin Normal University， Harbin 150025， China）

Abstract：Regional innovation capability is a fundamental element for the in-depth implementation of the national innovation-driven development strategy. Identifying the influencing elements of regional innovation capability and discovering the linkage mechanism of regional innovation capability is the key to accelerating the enhancement of regional innovation capability. With the extensive and in-depth promotion of digital technology， digital technology and regional innovation present a high degree of coupling. However， the current research on digital innovation ecosystems is still in the development stage， especially on the relationship between the coupling of digital innovation ecosystem elements and regional innovation capacity there are still some research gaps. Therefore， it is necessary to further explore the connection between the two. Are there any necessary conditions between cause and effect？ Are there any combinations of \"different cause and effect\" ？ What is the impact of these combinations on the enhancement of regional innovation capability？ Are there any laws of time and space？ This will further open the \"black box\" of the operating mechanism of digital innovation ecosystem elements and regional innovation capabilities.

Most of the existing studies have only focused on the \"net benefit\" of a single element of the innovation ecosystem on regional innovation capabilities， ignoring the impact of the linkage combination of elements. Although the traditional QCA analysis method has improved the problem of multi-factor linkage combination， it is limited by the static and unsaturated theoretical construction. Most of the multi-factor linkage analysis uses static cross-sectional data. The problem of \"time blind zone\" cannot effectively examine the influence of time and space on the linkage combination of multiple factors. Thus， this study takes the regional innovation of 31 provinces as the research objects， uses the dynamic QCA analysis method to build the analysis framework of \"digital innovation subject-digital innovation platform-digital innovation ecological environment\"; it further analyzes the provincial panel data of 31 provinces and cities from 2017 to 2021 from the two-dimensional perspective of time and space， and explores the configuration path to drive regional innovation capabilities.

The research finds that the government， enterprises， intermediaries and digital governance environment play vital roles in enhancing regional innovation capabilities. The necessity of the variables including \"digital governance environment\" and \"digital financial inclusion environment\" exhibits a clear time effect. There are four paths for the configuration of high-level regional innovation capabilities， which can be summarized into three modes： \"innovation subject + innovation platform\" driven mode， \"innovation subject + innovation platform + innovation environment\" driven mode， and \"innovation environment\" driven mode. There are eight paths in the configuration of low-level regional innovation capabilities， which can be summarized into three modes： \"innovation subject + innovation environment\" restriction mode， \"innovation environment\" restriction mode， and \"innovation subject + innovation platform\" restriction mode. In the time dimension， the four configurations at high levels all showed a consistent downward trend in 2020. In the spatial dimension， the level of regional innovation capabilities presents an obvious unbalanced development between the east and the west. It is suggested that localities should choose appropriate digital innovation ecosystems according to their local conditions to cultivate new regional innovation power and promote the new development of digital China.

This study applies the dynamic QCA research method to examine the factors influencing regional innovation capability， analyzes the relationship between digital innovation ecosystem elements and regional innovation capability， makes up for the time blind zone in previous QCA research， and explores typical cases of multiple combinations of paths from the spatial and temporal dimensions， providing theoretical references and inspirations for the development of regional innovation capacity. It also discusses typical cases of multiple combinations of paths from both spatial and temporal dimensions， which provides theoretical reference and enlightenment for the development of regional innovation capability. Future research on regional innovation capability can be explored from key cities and high-tech industries， and makes empirical analysis of the technological innovation process of national key facilities.

Key Words：Digital Innovation Ecosystem; Regional Innovation Capability; Panel Data; Dynamic QCA