李旭洋

摘?要：數字經濟的蓬勃興起為提升區(qū)域創(chuàng)新能力帶來新的機遇。然而基于歷史數據的實證研究雖已定量驗證數字經濟對區(qū)域創(chuàng)新能力的賦能作用，但鮮有研究實現中國區(qū)域創(chuàng)新能力預測。在此背景下，本文基于2004-2020年9個國家中心城市的樣本數據，運用雙向長短期記憶網絡模型，實現了對中國區(qū)域創(chuàng)新能力的預測。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)新能力將進一步擴大；金融支持、人才聚集、基礎設施分別是限制東部、中部、西部地區(qū)的首要因素。

關鍵詞：數字經濟；區(qū)域創(chuàng)新能力；深度學習；雙向長短期記憶網絡

中圖分類號：F2?????文獻標識碼：A??????doi：10.19311/j.cnki.16723198.2023.01.007

0?引言

隨著我國進入新發(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)展數字經濟是實施國家創(chuàng)新驅動發(fā)展戰(zhàn)略的重要路徑。然而數字經濟對區(qū)域創(chuàng)新能力的促進作用存在區(qū)域異質性，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)調發(fā)展起到了一定的阻礙作用。因此，預測中國區(qū)域創(chuàng)新能力發(fā)展趨勢、識別數字經濟對區(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字經濟發(fā)展政策提供參考，對加快區(qū)域創(chuàng)新能力協(xié)調發(fā)展具有重要的理論與實踐價值。

現有研究主要從城市或企業(yè)的層面，研究數字經濟驅動創(chuàng)新能力發(fā)展的作用機理。在城市層面上，數字經濟能夠改善在人才環(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，數字經濟會不斷提升城市數字基礎設施建設水平，為創(chuàng)新活動提供支撐。在企業(yè)層面上，數字經濟能夠引領企業(yè)創(chuàng)新發(fā)展，主要表現為培育新動能和傳統(tǒng)產業(yè)提質升級兩條路徑；并且數字經濟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)域整合數據、資本、人才和技術等生產要素，提高資源配置效率，減少交易成本。在數字經濟的評價方面，現有研究主要基于基礎設施建設、人才聚集度、金融支持、創(chuàng)新投入四個方面構建評級體系。其中，基礎設施是數字經濟發(fā)展的重要支撐，可分為固定網絡基礎和移動網絡基礎兩類；人才集聚是數字創(chuàng)新的基礎和先決條件，是創(chuàng)新活動中關鍵的稀缺資源；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)金融向數字金融轉型三個方面優(yōu)化創(chuàng)新活動的融資環(huán)境，正向調節(jié)數字經濟與城市創(chuàng)新能力之間的關系；創(chuàng)新投入是企業(yè)競爭的結果，在數字經濟擴張下，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)新投入來促進新產品開發(fā)，進而促成了區(qū)域創(chuàng)新能力的提高。

多數學者在研究數字經濟對區(qū)域創(chuàng)新能力的促進作用時，較多采用統(tǒng)計學方法，利用歷史面板數據進行實證分析，鮮有預測區(qū)域創(chuàng)新能力變化趨勢的相關研究，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據評價的區(qū)域創(chuàng)新政策調整滯后的問題。此外，雖然已有研究認為數字經濟對區(qū)域創(chuàng)新能力的促進作用存在空間異質性，但未能識別數字經濟背景下各區(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，深度學習模型被廣泛應用于預測研究中，但該方法在預測區(qū)域創(chuàng)新能力上的有效性尚未得到驗證。在此背景下，本研究參考現有數字經濟評價指標體系，采用深度學習中的雙向長短期記憶網絡模型預測數字經濟背景下中國區(qū)域創(chuàng)新能力，并通過設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：第一，結合中國數字經濟發(fā)展背景，采用深度學習方法構建了數字經濟與區(qū)域創(chuàng)新能力間的定量分析模型，并實現了對中國未來五年內區(qū)域創(chuàng)新能力的預測，揭示了未來中國區(qū)域創(chuàng)新能力呈擴大趨勢的現象；第二，通過設置對比實驗，探討了中國各區(qū)域創(chuàng)新能力的主要影響因素；第三，結合研究結論，提出了各區(qū)域應如何差異化利用數字經濟賦能創(chuàng)新能力，實現區(qū)域創(chuàng)新能力的協(xié)調發(fā)展。

1?研究設計

1.1?研究方法

雙向長短期記憶神經網絡（Bi-LSTM）是深度學習模型的一種，是在長短期記憶網絡（LSTM）模型的基礎上增加雙反向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，具有進一步挖掘當前負荷數據同過去及未來時刻負荷數據的內在聯系、提升模型預測精度和特征數據利用率的能力。因此，本文應用雙向長短期記憶網絡模型（Bi-LSTM）對區(qū)域創(chuàng)新能力進行預測。Bi-LSTM模型結構如圖1所示。

1.2?指標選取與數據來源

現有數字經濟驅動創(chuàng)新能力發(fā)展的理論研究聚焦于數字基礎設施建設、科研人才聚集度、金融支持、創(chuàng)新投入四個方面，本文參考現有研究中構建的評價體系，從以上四個維度選取輸入指標。選取互聯網寬帶接入用戶數和移動電話年末用戶數作為基礎設施建設評價指標，選取科學研究、技術服務和地質勘探業(yè)從業(yè)人數以及信息傳輸、計算機服務和軟件業(yè)從業(yè)人數作為人才聚集度評價指標，選取年末金融機構人民幣各項存款余額和年末金融機構人民幣各項貸款余額作為金融發(fā)展水平的測度指標，選取R&D內部經費支出作為創(chuàng)新投入的評價指標，選取專利授權量衡量創(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，根據地理位置劃分為東部、中部、西部三個區(qū)域，輸入指標及輸出指標數據來源于2003-2020年《中國城市統(tǒng)計年鑒》及各城市統(tǒng)計年鑒。80%的數據用于計算機通過Bi-LSTM模型自主學習，20%數據用于檢驗Bi-LSTM模型的學習結果。本文采用平均絕對百分誤差（MAPE）作為模型精度的衡量指標。

2?實驗結果與討論

2.1?預測模型有效性分析

經過模型測試，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)預測模型精度均小于10%，說明該Bi-LSTM模型能夠有效預測中國區(qū)域創(chuàng)新能力。為了檢驗選取的Bi-LSTM模型的預測精度與適用情況，將其與當前較為成熟的門控循環(huán)單元模型（Gated?recurrent?neural?network，GRU）、長短期記憶網絡模型（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）進行了區(qū)域創(chuàng)新能力預測對比，結果見圖2。

圖2直觀展示了5種預測模型的實驗結果，可以看出Bi-LSTM模型在三個區(qū)域的預測結果上都更貼近于實際值，特別是在近兩年的預測中，Bi-LSTM模型預測準確度較高，而同為深度學習的GRU和LSTM模型在測試數據的預測中出現較大程度的偏離，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，在整體預測精度和極端值擬合上表現更好、泛化能力更強；此外多元線性回歸分析模型在預測精度上同樣不及Bi-LSTM模型，說明Bi-LSTM模型與常見的預測模型相比更夠有效應用于區(qū)域創(chuàng)新能力的量化體系構建，實現區(qū)域創(chuàng)新能力的預測。

2.2?中國區(qū)域創(chuàng)新能力預測結果

本文運用Bi-LSTM模型對中國區(qū)域創(chuàng)新能力進行預測，預測周期為“十四五”時期，即2021-2025年，其預測結果如表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，專利授權量增速逐年加快，2025年將達到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年出現負增長，2023年扭轉至2025年保持高速增長，2025年將達到10.38萬件；東部地區(qū)創(chuàng)新能力提升較快，專利授權量增速保持在13%左右，2025年將達到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大，增速保持在14%以上，表明數字經濟不僅在過去數年對區(qū)域創(chuàng)新能力的協(xié)調發(fā)展產生不利影響，還將在未來五年持續(xù)產生影響。區(qū)域創(chuàng)新能力能夠促進區(qū)域經濟高質量發(fā)展，區(qū)域創(chuàng)新能力的差異將轉化為區(qū)域經濟差異，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)展不平衡的關鍵，為了探究輸入指標對各區(qū)域創(chuàng)新能力的影響程度，本研究設置三組對比實驗，通過減少依次輸入指標后模型精度的變化表征輸入指標對輸出指標的影響程度。T1實驗組旨在探究西部地區(qū)創(chuàng)新能力的影響因素，具體實驗設計如下：（1）T1（a）刪除輸入指標中的互聯網接入戶數；（2）T1（b）刪除輸入指標中的移動互聯網用戶數；（3）T1（c）刪除輸入指標中的R&D內部經費支出；（4）T1（d）刪除輸入指標中的科學研究和技術服務業(yè)就業(yè)人數；（5）T1（e）刪除輸入指標中的信息傳輸、計算機服務和軟件業(yè)從業(yè)人數；（6）T1（f）刪除輸入指標中的年末金融機構人民幣各項存款余額；（7）T1（g）刪除輸入指標中的年末金融機構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。實驗結果如表2所示。

T1（c）和T1（g）實驗分別剔除R&D內部經費支出和年末金融機構人民幣各項貸款余額兩個輸入指標對于模型精度的影響最大MAPE分別達到了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。這二者可能存在內生性，由于數字創(chuàng)新活動具有投入大、周期長的特征導致研發(fā)投入面臨較高的資金要求，導致創(chuàng)新主體對金融支持的需求較高。然而，西部地區(qū)數字金融在覆蓋廣度、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)應以數字金融和科研投入為抓手，加強企業(yè)創(chuàng)新支持。

T2（d）和T2（e）實驗分別剔除科學研究和技術服務業(yè)就業(yè)人數和信息傳輸、計算機服務和軟件業(yè)從業(yè)人數兩個輸入指標對于模型精度的影響最大，MAPE分別達到了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。我國數字化人才儲備難以滿足數字產業(yè)發(fā)展的需要，并且中國數字人才的分布與數字經濟的發(fā)達程度表現出高度的一致性，數字人才集中于上海、北京、深圳、廣州、杭州、蘇州等東部城市，導致中部地區(qū)數字人才稀缺。中部地區(qū)除加強人才引進外，還應內部人才培養(yǎng)，依托高校資源，培育特色化數字人才。T3（g）和T3（d）實驗分別剔除年末金融機構人民幣各項貸款余額和科學研究和技術服務業(yè)就業(yè)人數兩個輸入指標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)數字經濟產業(yè)較為發(fā)達，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?結論

本研究通過構建雙向長短期記憶網絡模型，實現了對中國區(qū)域創(chuàng)新能力的預測，并通過對比實驗識別數字經濟背景下各區(qū)域創(chuàng)新能力的首要影響因素，得到如下結論：第一，基于雙向長短期記憶神經網絡的區(qū)域創(chuàng)新能力預測模型預測誤差小，能較好地解決機器學習模型擬合度欠佳的問題，是一種適合的區(qū)域創(chuàng)新能力預測方法。第二，數字經濟對城市創(chuàng)新能力具有顯著的積極影響，在數字經濟背景下，“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年可能出現負增長；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

[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].財貿研究，2021，32（01）：1425.

[2]夏杰長，姚戰(zhàn)琪，徐紫嫣.數字經濟對中國區(qū)域創(chuàng)新產出的影響[J].社會科學戰(zhàn)線，2021，312（6）：6778.

[3]韓璐，陳松，梁玲玲.數字經濟、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.網絡基礎設施與數字經濟產業(yè)化——來自“寬帶中國”政策的準自然實驗[J].云南財經大學學報，2021，37（07）：114.

[5]焦帥濤，孫秋碧.我國數字經濟發(fā)展對產業(yè)結構升級的影響研究[J].工業(yè)技術經濟，2021，40（5）：146154.

[6]楊文溥.數字經濟與區(qū)域經濟增長：后發(fā)優(yōu)勢還是后發(fā)劣勢？[J].上海財經大學學報，2021，23（03）：1931+94.

[7]陶浪平，厲雨捷，王剛貞，等.數字普惠金融、城鄉(xiāng)收入差距與區(qū)域異質性[J].青海師范大學學報（哲學社會科學版），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投入與技術創(chuàng)新績效關系研究[J].預測，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)電功率預測方法[J].電力系統(tǒng)自動化，2021，45（8）：175184.