段丁允,冯宗宪,2
1.西安交通大学 经济与金融学院,陕西 西安 710061 2.西安交通大学 “一带一路”自由贸易试验区研究院,陕西 西安 710049
数字技术的不断发展给传统生产方式和贸易方式带来巨大影响和深刻变革,数字经济和数字贸易已经成为改变全球竞争格局的关键力量。根据联合国贸易与发展会议(UNCTAD)发布的数据,中国的数字化服务贸易额增速较快,从2005年的173亿美元增长至2020年的1 543亿美元,其占总体服务贸易规模的比例也从2005年的22.11%增长至2020年的55.01%,占世界总体数字化服务贸易规模的份额从2005年的1.44%上升至2020年的4.87%。数字贸易发展进程加快,已经成为中国服务贸易增长的新支柱。
近年来,中国政府越发重视数字贸易,2021年12月国务院印发的《“十四五”数字经济发展规划》中提到要完善数字贸易促进政策,加强制度供给和法律保障。江苏省、广东省、河南省在其数字经济促进条例中均提出加快数字贸易发展,推广新零售,发展社交电商、直播电商等新业态新模式,引导数字贸易集聚。北京市是全国范围内数字贸易政策方面的先行者,2020年北京市商务局印发《北京市关于打造数字贸易试验区实施方案》,2021年印发《北京市关于促进数字贸易高质量发展的若干措施》。作为对外开放的新高地,多个中国自由贸易试验区(简称“自贸区”)条例中均提到要以数字化改革为引领,加强数字经济领域国际规则对接,推动传统产业数字化转型,支持跨境数字贸易发展,建设数字自贸区。
随着人力资本的积累、知识信息的溢出和资源要素流动性的增强,单个中心城市能够带动周边城市发展,形成片状城市群,从而促进经济发展。目前,中心城市和城市群正在成为承载发展要素的主要空间形式,也成为经济增长的新引擎和载体[1]。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》和《2021年新型城镇化和城乡融合发展重点任务》中均提出要“发挥中心城市和城市群带动作用,建设现代化都市圈”,说明城市群对中国城镇化和区域协调发展具有重要意义。数字经济和数字贸易影响着生产生活的各个方面。随着数字化转型的不断深入,城市数字化也已经初现成效,对城市群的发展产生了深远影响。在这一背景下,中国城市和城市群数字贸易发展情况如何,其演进和变化过程如何,是否存在地区差异,成为需要进一步探究的问题。
鉴于此,本文从数字贸易的特征出发,基于十大城市群127座城市2011—2019年的面板数据,构建城市层面的数字贸易发展指标体系,采取熵值法测度其数字贸易发展情况,并采取Dagum基尼系数分析其区域差异,使用核密度估计、马尔可夫链分析其动态演进,采用σ收敛和β收敛方法分析其收敛水平。本文可能的创新点在于:第一,以城市和城市群为对象评价其数字贸易发展现状,进一步补充有关中国数字贸易发展在城市和城市群层面的证据;第二,构建了由6个一级指标和18个二级指标构成的地级市层面数字贸易发展指标体系,并在其中加入数字贸易政策的量化数据,力图全面客观地分析城市层面数字贸易发展情况;第三,从区域差异和演化特征的角度出发,探究中国十大城市群数字贸易发展的区域差异及其来源和动态演进特征,并且对城市群数字贸易协调发展提出行之有效的对策建议。
(一)跨境电子商务
数字贸易最早由跨境电子商务发展而来。1997年美国政府发布的《全球电子商务纲要》将电子商务定义为通过互联网进行的广告、交易、支付等商务活动,并将电子商务分为两类,即企业与企业的电子商务和企业与个人的电子商务。而跨境电子商务是不同国家或地区的贸易双方通过互联网平台完成的商务活动,其中涉及国际支付、运输、海关等环节,是与国内电子商务的主要区别。
最初对于跨境电子商务的研究主要集中于其贸易成本效应,比如Lendle等[2]通过61个国家跨国交易数据发现,跨境电子商务能够降低贸易成本,从而减弱地理距离对贸易的负面影响。马述忠等[3-5]基于阿里巴巴发布的跨境电子商务连接指数(ECI)、2012年中国跨境电子商务相关政策和敦煌网的数据同样证明了这一点。近年来,跨境电子商务的不断发展对经济产生的影响受到学界关注。宏观方面,王喜荣等[6]发现,跨境电子商务能够促进传统贸易的增长;魏悦羚等[7]基于海关交易数据进行研究发现,跨境电子商务有利于出口产品质量升级。微观方面,企业和消费者的影响均是主要关注对象,如刘斌等[8]利用微观企业数据计量分析发现跨境电子商务能够促进企业价值链参与。
然而,目前跨境电子商务相关研究最难解决的问题仍是统计数据不完整。Meltzer[9]指出跨境电子商务使得贸易数据的统计更复杂。中国海关对跨境电子商务的统计仅限于货物贸易,主要统计通过贸易报关、快件运输和邮政三种方式进出境的货物贸易,不包括服务贸易。现有研究大多是通过eBay、敦煌网和阿里巴巴等数字平台企业的数据对跨境电子商务进行研究[10],不能完整反映跨境电子商务的特征。
(二)数字贸易
伴随着数字贸易的不断发展,学界对数字贸易的重视程度也不断提升。起初对数字贸易的研究主要集中在概念和内涵方面,Weber[11]认为数字贸易是通过电子化手段传输商品或服务的商业交易活动,熊励等[12]3-5将数字贸易定义为通过互联网等数字技术交易商品的商业模式。但数字贸易并不等同于跨境电子商务,目前对于数字贸易的定义总体可以分为广义和狭义两种类型。狭义层面的数字贸易并不包括数字方式交付的实体货物,比如美国国际贸易委员会2013年发布的《美国与全球经济中的数字贸易》中就将数字贸易阐释为借助互联网传输的数字内容和其他产品或服务。而广义层面的数字贸易包含通过数字方式交易的货物、通过数字方式交付的服务产品和跨境数据流动。比如2014年美国国际贸易委员会对数字贸易的概念进行了更新,认为通过互联网技术交付的产品和服务、跨境数据流动,以及使之实现的平台和应用均是数字贸易的一部分;经济合作与发展组织(OECD)、世界贸易组织(WTO)和国际货币基金组织(IMF)2019年共同发布的《数字贸易测度手册》[13]中也认为除了通过数字交付的商品或服务以外,数字贸易还应当包括数字中介平台;中国商务部发布的《中国数字贸易发展报告2020》中认为数字贸易是能够用数字技术交付和实现的货物贸易、服务贸易和数据贸易的加总。本文借鉴OECD、WTO、IMF和商务部的定义,认为数字贸易是通过数字技术实现的货物贸易、服务贸易、跨境数据流动和数字中介平台的总和。
(三)数字贸易的测度和统计
在数字贸易测度和统计方面,目前数字贸易数据的缺失仍是亟须解决的问题。《数字贸易测度手册》提出了指导性框架和方法,后续有研究尝试对菲律宾、新西兰、中国以及双边数字贸易进行测算和加总。由于数字贸易统计口径不一致和数据缺失,WTO的外国附属机构服务贸易统计(FATS)数据或UNCTAD的国际收支服务贸易统计(BOP)数据[14]常被用来替代数字贸易数据。商务部在《中国数字贸易发展报告2020》中也用同样的方法对中国的数字服务贸易进行了统计。从方法上来看,目前对于数字贸易发展现状的分析主要分为两类:第一类主要使用社会网络模型分析全球数字贸易网络的竞争性、互补性等特征,第二类主要采用集成指标评价的方法对跨境电子商务发展情况和数字贸易发展水平进行综合性评价。
(四)城市群数字贸易的发展
数字经济和数字贸易影响着生产生活,城市数字化也已初现成效。除了研究机构对城市层面数字经济的评估,如腾讯“互联网+”数字经济大数据平台公布的城市数字经济发展指数、新华三集团发布的中国城市数字经济指数,部分研究也关注到了城市层面数字经济的发展情况,比如王胜鹏等[15]以285个地级市为对象分析了2011—2018年数字经济发展水平。城市是构成区域空间的要素,随着城市化的发展,城市的分布状态逐渐密集,与相邻城市之间联系逐渐紧密,出现了城市群[16]46。城市群的特征是以中心城市为引领,辐射和带动周边城市共同发展。部分学者从城市群的角度考察数字经济和数字化现状,比如刘传明等[17]使用腾讯城市经济发展指数分析了五大城市群数字经济发展的地区差距。
梳理现有相关文献可以发现,首先,当前对数字贸易发展情况的分析主要集中在国家或省域层面,仍然缺少对城市和城市群层面数字贸易发展现状及其发展差异的相关研究。其次,对城市层面数字经济和数字化发展虽有了一定的研究,但都忽视了数字贸易和数字贸易相关政策的作用。最后,中心城市的发展能够带动周边城市发展从而形成城市群,城市群内部和不同城市群间的数字贸易发展情况均存在差异,现有研究缺乏对城市群数字贸易发展差异和分布动态演进的研究。为弥补现有研究的空白,本文以城市和城市群为对象,基于十大城市群127座城市2011—2019年的面板数据,构建城市层面的数字贸易发展指标体系,并在其中加入数字贸易政策的量化数据,采取熵值法测度数字贸易发展情况,采用Dagum基尼系数、Kernel密度估计、马尔可夫链分析法以及σ收敛和β收敛方法,综合对数字贸易发展现状的地区差距和分布动态演进进行分析考察。
(一)研究范围
由于地理位置、经济水平、发展定位存在差异,不同城市群数字贸易发展水平也不同。本文参照国务院、国家发展和改革委员会及各省级政府印发的城市群文件,将研究对象定为中国十大城市群,包含长三角、珠三角、京津冀、长江中游、成渝城市群在内的重点建设的五大国家级城市群和辽中南、山东半岛、海峡西岸、中原、关中五大区域级城市群,共127座城市。具体城市群见表1。
表1 十大城市群及其城市
(二)数字贸易发展综合评价指标体系构建
在充分考虑数字贸易发展应用的基础上,兼顾指标数据的可得性,本文构建了由6个一级指标和18个二级指标构成的地级市层面数字贸易发展的评价指标体系,具体见表2。
表2 中国城市数字贸易发展评价体系
表3 2011—2019年中国十大城市群数字贸易发展水平
数字贸易环境是影响数字贸易发展的重要支撑,本文主要分两个方面测度。其一是金融环境,主要选择数字普惠金融指数进行衡量,数据来源于北京大学数字金融研究中心和蚂蚁集团研究院共同发布的地级市层面的北京大学普惠金融指数[18];其二是数字创新环境,主要选取中国区域创新创业指数进行衡量,数据来源于北京大学企业大数据研究中心发布的中国区域创新创业指数。
数字贸易人才是数字贸易发展的核心动力,本文主要选取信息传输、计算机服务和软件从业人员数量进行衡量,数据来源于《中国城市统计年鉴》。
数字基础设施是城市数字化发展的基础,也是数字贸易发展的基本条件,参考赵涛等[19]的研究,主要选取邮政业务总量、电信业务总量、移动电话年末用户数和国际互联网用户数进行衡量,数据来源于《中国城市统计年鉴》。
数字产业基础是数字贸易发展的主要载体,本文根据国家统计局发布的《数字经济及其核心产业统计分类(2021)》中的数字经济产业分类,主要选取电信、广播电视和卫星传输服务业,广播电视电影和影视录音制作业,互联网和相关服务,计算机、通信和其他电子设备制造业,软件和信息技术服务业,电子商务业务,智能化服务7个与数字经济相关产业的上市公司数量进行衡量。上市公司具体信息数据来源于国泰安数据库,本文筛选出数字经济相关产业的上市公司,根据其注册位置信息与地级市进行匹配,并在地级市层面进行汇总得到各地级市相关上市公司数量。
数字贸易现状方面,目前地级市层面数字贸易的统计仍然缺失,因此本文选取信息和通信技术产品(ICT)出口额来代替数字贸易出口额,根据UNCTAD发布的ICT产品HS6位代码,计算出地级市层面的ICT产品出口额,采用ICT产品出口额占货物出口额的比例来衡量数字贸易现状,其中2017—2019年的缺失数据用均值进行补充替代,数据来源于EPS数据平台。
数字贸易政策能够有效促进数字贸易发展,本文选取跨境电子商务综合试验区数量、自贸试验区数量和数字贸易政策文本进行衡量。其中,跨境电子商务综合试验区和自贸试验区对数字贸易具有促进作用,政府工作报告中出现数字贸易相关词汇的频次能够体现地级市政府对数字贸易发展的重视程度。本文手动收集整理各地级市2011—2019年的政府工作报告,以数字贸易相关词汇作为关键词,使用Python爬虫功能进行分词处理和词频统计,以政府工作报告中词频统计数量为具体指标,衡量政府对数字贸易发展的关注度和促进作用。
(三)研究方法
1.数字贸易发展评价指标体系的测度方法
本文采取熵值法对各项指标的权重进行计算,以避免主观赋权法存在的主观性问题。由于评价体系中各项指标的量纲差异较大,对每一个指标的数据进行标准化处理:
zij=(Zij-minZij)/(maxZij-minZij)+0.01
(1)
其中,Zij为第i个城市第j个指标的原始值,zij为标准化后的值。其中,i=1,2,3,…,n;j=1,2,3,…,m。
计算第i个城市第j个指标的比重wij:
(2)
计算指标的信息熵ej:
(3)
计算信息效用值aj:
aj=1-ej
(4)
计算指标权重μj:
(5)
基于指标权重,加权计算出数字贸易发展指数水平DIi:
(6)
2.Dagum基尼系数分解
Dagum[20]提出了基尼系数以及以子群为单位的分解方法,将总体基尼系数分解为区域内差异贡献Gw、区域间差异贡献Gnb和超变密度贡献Gt,能够有效解决传统基尼系数和泰尔指数的弊端。总体的计算公式如下:
(7)
其中,G为总体基尼系数,k为城市群个数,本文中为10个城市群;i和r分别为城市群内的城市序号;j和h为城市群序号;yji和yhr分别代表j、h组内城市的数字贸易发展水平;n为总体城市数量,在本文中为127个城市;μ为城市群数字贸易发展水平的均值。
区域j内部的基尼系数可以表示为
(8)
区域j和h之间的基尼系数可以表示为
(9)
其中,|yji-yhr|为区域j或h城市i或r数字贸易发展水平差值的绝对值。
Qj=nj/n
(10)
sj=njμj/(nμ)
(11)
Djh=(djh-pjh)/(djh+pjh)
(12)
(13)
(14)
其中,Qj为j区域内城市数量占总体城市数量的比重;sj为j区域内所有城市数字贸易发展水平之和占总体城市高质量发展水平之和的比重;Djh表示第j、h个地区间数字贸易指标的相对影响;djh为数字贸易发展水平的差值,是第j、h个地区中所有yji-yhr>0的样本值加总的数学期望;pjh为超变一阶矩,是第j、h个地区中所有yhr-yji>0的样本值加总的数学期望。Fj和Fh分别为第j个和第h个地区的累积密度分布函数。
Gw、Gnb、Gt分别是区域内差异贡献、区域间差异贡献、超变密度贡献,共同构成了总体基尼系数,其关系为G=Gw+Gnb+Gt,具体计算公式如下:
(15)
(16)
(17)
3.Kernel密度估计方法
核密度估计法是一种具有较强稳健性的非参数估计方法,能够通过密度曲线对随机变量的分布形态和不均衡现象进行描述。假设有满足独立同分布的数字贸易发展水平随机变量为y1,y2,…,yn,f(y)表示随机变量y的密度函数,可以估计为
(18)
本文采用高斯核密度函数,具体公式如下:
(19)
4.马尔可夫链
马尔可夫链是研究离散时间随机过程的模型,本文将数字贸易发展水平按照四位数分为四种类型,构建马尔可夫状态转移矩阵以探究十大城市群数字贸易发展情况的转移特征。将t时刻各城市所处状态假设为不同的概率分布向量,不同时刻状态间转移呈现为一个K×K阶的矩阵,马尔可夫状态转移概率矩阵为
(20)
Pij=αij/αi
(21)
其中,Pij为数字贸易水平从i类型转移到j类型的概率,αij为从i类型转移到j类型城市数量,αi则表示研究时间段i类型的城市总数。
5.收敛性分析
本文使用σ收敛模型和β收敛模型对十大城市群数字贸易发展水平的收敛性进行分析。σ收敛主要考察十大城市群数字贸易发展水平离差的动态变化,常见的测算方法包括Gini系数、Theil指数和变异系数等,本研究采用变异系数来刻画σ收敛,公式如下:
(22)
β收敛又分为绝对β收敛和条件β收敛。绝对β收敛认为初始发展水平低的地区增长速度比初始发展水平高的地区更快,最终会收敛到相同的稳态水平;条件β收敛则是在加入控制变量的基础上,不同城市的数字贸易发展仍会收敛到相同的稳态水平。β绝对收敛公式如下:
ln(DIit+1/DIit)=α+βlnDIit+μi+ϑt+εit
(23)
其中,ln(DIit+1/DIit)为第i个城市第t年数字贸易发展指数在t+1期的增长率,α为常数项,μi和ϑt分别为个体效应和时间效应,εit为误差项,β为收敛系数。当β显著小于0时,存在绝对β收敛,城市群数字贸易水平趋向收敛;反之则趋向分散。条件收敛公式如下:
ln(DIit+1/DIit)=α+βlnDIit+ηXit+μi+ϑt+εit
(24)
其中,ln(DIit+1/DIit)为第i个城市第t年数字贸易发展指数在t+1期的增长率,α为常数项,μi和ϑt分别为个体效应和时间效应,εit为误差项,β为收敛系数,X为其他控制变量,γ为其他控制变量的系数。同绝对收敛一样,当β显著小于0时,存在条件β收敛,城市群数字贸易水平趋向收敛;反之则趋向分散。
另外,考虑到城市之间存在互动性和流动性,因此对十大城市群数字贸易发展水平收敛性进行分析时,有必要考虑空间效应。本文基于相邻权重矩阵、地理距离权重矩阵和经济距离权重矩阵,构建绝对收敛和条件收敛的SAR、SEM、SDM模型分析空间β收敛性。其中,空间SDM模型可以看作是SAR和SEM模型的一般形式,绝对收敛和条件收敛的空间SDM模型分别为
ln(DIit+1/DIit)=α+βlnDIit+ρWij·
ln(DIit+1/DIit)+θWijlnDIit+μi+ϑt+εit
(25)
ln(DIit+1/DIit)=α+βlnDIit+ρWij·
ln(DIit+1/DIit)+θWijlnDIitηXit+1+
μi+ϑt+εit
(26)
其中,DIit表示i城市在t年数字贸易发展指数,ρ为空间自回归系数,θ为空间外溢系数,Wij为权重矩阵,μi为个体固定效应,ϑt为时间效应,εit为误差项。β为收敛系数,当β<0并通过显著性检验时,数字贸易发展存在收敛趋势。
(一)城市群得分综合分析
根据熵值法测算出中国十大城市群数字贸易发展指数,结果见3。从中可以看出,十大城市群范围内数字贸易发展最好的是珠三角城市群,2011—2019年间均处于第一位,均值为0.128,珠三角城市群数字贸易现状和数字贸易产业发展均处于全国领先水平;其次是京津冀和长三角城市群,2011—2019年间在十大城市群中排名均保持在第二位和第三位,数字贸易发展水平均值分别为0.072和0.070;其他城市群的数字贸易发展水平低于全国平均水平,2011—2019年数字贸易发展水平均值均低于0.05,海峡西岸城市群得分为0.048,山东半岛城市群得分为0.041,中原城市群得分为0.041,长江中游城市群得分为0.036,成渝城市群得分为0.035,辽中南城市群得分为0.035,关中城市群得分为0.027。这说明全国城市群数字贸易发展水平差异较大。
(二)城市综合得分分析
从城市来看,本文研究对象共包括127个城市,其中2011—2019年平均数字贸易发展水平最高的城市是北京,前10名分别是上海、深圳、广州、杭州、成都、重庆、苏州、天津、武汉,平均得分前30名的城市见表4。数字贸易发展前30名的城市最多的是长三角城市群,共有8座城市。其次是珠三角城市群,共有4座城市。此外,除了省会和直辖市以外,长三角和珠三角城市群中仍有其他区域中心城市数字贸易发展较好。再次是京津冀、海峡西岸和山东半岛城市群,分别有3座城市排名在前30名。长江中游、辽中南、成渝和中原城市群分别有2座城市排在前30名。关中城市群数字贸易发展较差,仅有西安一座城市排在前30名。这些城市群的共同特点是数字贸易发展较好的城市均为城市群范围内的中心城市。
表4 2011—2019年中国数字贸易发展前30名城市及排名
(三)演化格局分析
如图1所示,从时间趋势上看,十大城市群的数字贸易发展水平整体均呈现出波动中增长的趋势。其中,中原城市群增长幅度最大,从2011年的0.009上升到了2019年的0.098;山东半岛和辽中南城市群的增长幅度也相对较大;增长幅度最小的城市群是珠三角城市群,从2011年的0.074增长到了2019年的0.198。从城市来看,珠三角、长三角、京津冀和成渝城市群中广州、深圳、上海、杭州、北京、重庆、成都的数字贸易发展较好,在区域内一直处于领先水平。各大城市群的数字贸易发展均呈现出中心城市带动和辐射周边、城市群内部数字贸易水平不均衡的现象。
图1 2011—2019年十大城市群数字贸易发展水平趋势
根据Dagum基尼系数分解方法,可以得出中国十大城市群2011—2019年数字贸易发展水平的Dagum基尼系数及其分解情况。
(一)总体差异
运用Dagum基尼系数分解方法,本文对2011—2019年十大城市群间数字贸易发展的总体差异、城市群内部差异、城市群之间差异和超变密度进行测度。各城市群内部数字贸易发展Dagum基尼系数和分解的具体结果见表5。从总体来看,十大城市群数字贸易发展差异较大,2011—2019年总体差异的数值保持在0.62～0.69之间;从时间趋势上看,十大城市群数字贸易发展差异较为稳定,但也呈现出缩小的趋势,说明十大城市群数字贸易发展差异总体而言在缩小。
表5 2011—2019年中国十大城市群数字贸易发展水平区域内基尼系数
(二)区域内差异
从城市群来看,十大城市群中京津冀城市群内部的数字贸易发展的差异最大,均值达到0.646。京津冀城市群的内部差异高于总体平均水平,说明北京、天津和京津冀其他城市的数字贸易发展差异较大,但从时间趋势上看,2011—2019年处于下降的趋势。成渝城市群的内部差异也较大,2011—2019年的均值达到0.600以上,城市群内部差异均处于先缩小后增大的V型趋势。长三角、珠三角、长江中游、关中和辽中南城市群2011—2019年的均值均达到0.500以上。长三角和珠三角城市群的内部差异均值分别为0.597和0.571,并在9年内较为稳定;关中、长江中游和辽中南城市群的区域内差异呈现出先下降再增长的趋势,从2011年的0.606下降至2016年的0.468,2016年后再次增长,2019达到0.615;长江中游城市群的内部差异从2011年的0.636下降至2016年的0.447,后增长至2019年的0.602;辽中南城市群的内部差异从2011年的0.550下降至2015年的0.339,后增长至2019年的0.587;内部差异较小的三个城市群分别是中原、海峡西岸和山东半岛城市群,均值在0.500以下,但2011—2019年间区域内差异总体上均表现出扩大的趋势。这说明各城市群内部的差异在2011—2019的9年间均扩大,城市群内中心城市引领数字贸易发展,和周边城市的差异在扩大。
(三)区域间差异
表6报告了2011—2019年十大城市群数字贸易发展的区域间差异的均值,区域间差异的均值在0.280～0.560 之间。珠三角城市群和关中、辽中南、成渝、中原和长江中游城市群的区域间差异最大,2011—2019年差异均值分别为0.762、0.751、0.7454、0.724和0.722,均大于0.700,说明珠三角城市群的数字贸易发展较优,与其他城市群差距较大。从变动趋势上看,珠三角与其他城市群的区域间差异逐渐缩小。长三角和京津冀城市群作为数字贸易发展仅次于珠三角城市群的地区,与关中、辽中南、长江中游和成渝城市群之间的区域间差异较大,2011—2019年均值均大于0.650,但9年差异处于缩小的趋势。京津冀、珠三角和长三角城市群和海峡西岸、山东半岛、中原城市群的区域间差异也较大,2011—2019年均值保持在0.600以上。区域间差异最小的城市群是山东半岛和长江中游、中原、海峡西岸城市群,区域间差异的均值分别为0.529、0.528和0.478,但城市群之间的差异处于不断扩大的趋势中。
表6 2011—2019年十大城市群数字贸易发展区域间差异均值
(四)城市群差异来源和贡献率
十大城市群的数字贸易发展水平的差异来源和贡献率测算结果见表7,分解为区域内差异、区域间差异和超变密度。从整体上来看,十大城市群的数字贸易发展水平差异主要来源于超变密度,来源在0.230～0.390之间,均值为0.293;其次是区域之间,其大小在0.190～0.350之间,2011—2019年均值为0.278;区域内差异测度值最小,其大小在0.070左右。
表7 2011—2019年十大城市群数字贸易发展水平差异来源分解
从贡献率来看,超变密度的贡献率最大,变动区间在45%～58%之间,超变密度的变动呈现增长的趋势,从2011年的38.57%上升至2019年的56.84%。其次是区域间差异,贡献率均值达到43.05%;从变动趋势来看,区域间差异呈现出下降的趋势,具体来看,从2011年的49.729%下降至2019年的31.992%。区域内差异贡献率均值为11.558%,变动趋势较为稳定。这说明不同城市群之间的差异是中国数字贸易发展差异的主要来源。
(一)数字贸易水平动态演进
Dagum基尼系数的测算结果能够体现中国十大城市群数字贸易发展差异的大小和来源,但未能反映城市群内部数字贸易发展水平的绝对变化。基于此,本文采用Kernel密度估计方法对2011—2019年十大城市群的数字贸易发展水平的分布位置、延展性和极化趋势等分布特征进行分析。
2011—2019年的十大城市群数字贸易发展水平的核密度估计结果如图2所示。从分布位置来看,十大城市群核密度曲线总体分布呈左移的趋势,主峰中心位置呈右侧拖尾的现象,曲线的主峰高度波动中上升,说明十大城市群数字贸易发展水平存在极化现象。从波峰来看,左侧波峰较高,并且逐渐分化出了多峰,体现了成渝、关中、海峡西岸、辽中南、长江中游、山东半岛城市群数字贸易发展水平情况,右侧波峰延展性较强,并且逐渐后移,体现了珠三角、长三角和京津冀城市群的发展状况,同样说明十大城市群数字贸易的发展存在着一定的梯度效应和多极化现象。
图2 2011—2019年总体数字贸易发展水平核密度估计及动态演进
图3报告了2011—2019年十大城市群的核密度分布曲线。总体来看,十大城市群的核密度分布曲线中心位置均呈现出小幅度右移,说明各城市数字贸易均得到一定的发展;核密度分布曲线的主峰宽度变化不大,高度均呈现在波动中增长的现象,各大城市群的核密度分布曲线的主峰均位于左侧,右侧均有侧峰分布,存在右侧拖尾现象,说明各城市群内部均有中心城市引领其他城市的数字贸易发展,并且与其他城市发展具有较大差距。从中原、长江中游、辽中南、海峡西岸、关中和成渝城市群的核密度分布曲线来看,主峰和侧峰之间的距离在2011—2019年逐渐拉大,说明这几座城市群内部中心城市数字贸易发展较快,和其他城市的发展速度不同,城市群内部差异拉大,存在梯度效应。山东半岛城市群的核密度分布曲线从单峰转换成双峰,说明青岛、济南数字贸易发展崛起,与城市群内其他城市拉开差距,存在分化现象。珠三角城市群的分布曲线呈现出多峰的趋势,且波峰高度相似,说明珠三角城市群内部发展具有一定的梯度效应和“小俱乐部”效应。京津冀城市群和长三角城市群的分布曲线较为类似,主峰分布在左侧,右侧呈现长拖尾现象,并且存在较小的侧峰,与主峰之间的距离较大,说明北京和上海在这两座城市群中数字贸易发展水平领先。总体而言,各大城市群内部数字贸易发展始终呈现出极化的现象,中心城市数字贸易发展速度较快,和其他城市之间的差距逐步拉大。
图3 2011—2019年十大城市群数字贸易发展水平核密度估计及动态演进
(二)十大城市群数字贸易发展水平的马尔可夫链分析
本文通过传统马尔可夫链的方法将数字贸易发展水平按照四分位法分为低水平地区、中低水平地区、中高水平地区和高水平地区,并且在各城市群内部进行划分,进一步对2011—2019年十大城市群数字贸易发展的内部趋势进行分析。马尔可夫链的概率转移矩阵计算结果如表8所示。
表8 十大城市群数字贸易发展水平马尔可夫链转移概率矩阵
从总体层面的结果来看,对角线上的概率值远大于非对角线的概率值,最大值为0.958,最小值为0.689,说明各地级市的数字贸易发展稳定,改变类型的概率较低。其中,高水平地区保持高水平的概率为95.76%,低水平地区保持低水平的概率为71.28%,说明高水平城市的数字贸易发展具有俱乐部趋同的现象,低水平城市的数字贸易发展实现跃升的难度较大。中低水平地区滑落至低水平地区的概率有6.56%,而上升至中高、高水平地区的概率分别为23.36%和1.23%;中高水平地区滑落至中低水平地区的概率有11.02%,而上升至高水平地区的概率有13.39%,说明中低水平和中高水平地区向上转移的概率比向下转移到概率高,但是跨越式转移发生概率较低。
从各个城市群的结果来看,和总体层面的结果类似,大部分城市群概率转移矩阵中对角线上的概率值远大于非对角线的概率值,说明各城市群内部城市数字贸易发展类型的改变概率较低。此外,各城市群均表现出高水平地区和低水平地区保持类型的概率较高的现象,比如京津冀、珠三角和长三角城市群的高水平地区保持的概率分别为95.83%、100%和100%,说明各城市群数字贸易发展一定程度上存在马太效应。所有城市群的中低水平地区向上转移概率高于向下转移概率。珠三角、中原、长三角、长江中游、山东半岛和成渝城市群的中高水平地区向上转移概率高于向下转移概率,辽中南城市群则相反,京津冀、海峡西岸和关中城市群中高水平地区向上转移概率和向下转移概率一样,说明中低水平和中高水平地区类型并不固定,但总体来看向上转移的概率均较高。
(一)σ收敛检验
本文通过对2011—2019年十大城市群数字贸易发展水平变异系数的测算,对数字贸易发展的σ收敛进行检验,结果如图4所示。从十大城市群总体层面来看,阶段性收敛的特征较为明显,2011—2019年呈现出收敛的趋势。分别观察十大城市群收敛性特征可以发现,山东半岛、海峡西岸、关中城市群2011—2019年总体呈现出发散的特征,而珠三角、长三角、京津冀城市群2011—2019年总体呈现出收敛的趋势,长江中游、辽中南、中原、关中和成渝城市群则呈现出先收敛后发散的阶段性特征。比较来看,十大城市群数字贸易发展的σ收敛性特征与Dagum基尼系数演进规律具有一定的相似性。
图4 十大城市群数字贸易发展水平σ收敛系数趋势
(二)β收敛检验
十大城市群数字贸易发展状况的绝对β收敛检验结果如表9所示。总体来看,除了关中城市群外,其余城市群的β系数均为负值,其中总体层面、珠三角、长三角、成渝城市群通过了显著性检验,说明这些城市群的数字贸易发展均存在绝对β收敛。从收敛速度来看,总体城市群的收敛速度为0.022,珠三角、长三角、山东半岛和海峡西岸城市群的收敛速度均高于全国平均水平。
表9 十大城市群数字贸易发展水平绝对β收敛检验结果
本文进一步控制了各城市的人均GDP进行条件β收敛检验,十大城市群数字贸易发展状况的条件β收敛检验结果如表10所示。从中可见,十大城市群数字贸易发展的β系数均通过了显著性检验,其中总体、珠三角、长三角、山东半岛、京津冀、海峡西岸、成渝城市群至少在10%的水平上通过了显著性检验,说明再加入经济因素之后,这些城市群存在显著的条件β收敛,朝稳态水平收敛。而中原、长江中游和辽中南城市群的β系数虽然为负,但并未通过显著性检验。从收敛速度来看,总体城市群的收敛速度为0.023%,珠三角、长三角、山东半岛、京津冀和海峡西岸的收敛速度均高于全国平均水平,而中原、长江中游、辽中南和成渝城市群的收敛速度低于平均水平。
(三)空间β收敛检验
如果各个城市在地理位置上临近,会通过流动等因素对彼此的数字贸易发展水平产生一定空间影响。基于此,本文进一步采用空间β收敛检验方法考察十大城市群数字贸易发展的收敛性。本文在相邻权重矩阵、地理—经济权重矩阵、地理距离矩阵的基础上,分别用SDM、SEM、SAR模型对十大城市群数字贸易发展进行空间绝对β收敛检验,结果如表11所示。从中可见,总体、成渝、海峡西岸、京津冀、辽中南、山东半岛、长江中游、长三角、珠三角城市群在三类权重下绝对β收敛检验均为负,说明这些城市群存在明显的收敛特征。关中和中原城市群在三种权重矩阵下的绝对β收敛系数均为正,呈现出发散的特征,但不显著。从收敛速度上来看,长三角和珠三角城市群的收敛速度最快,远高于总体平均水平,说明这两座城市群内数字贸易发展水平较低的城市能够较快追赶上发展较好的城市,并且较快达到稳态水平。
表11 十大城市群数字贸易发展水平空间绝对β收敛检验结果
进一步考察在经济因素影响下十大城市群数字贸易发展的空间β收敛情况,表12报告了加入人均GDP的对数这一控制变量后,在相邻权重矩阵、地理—经济权重矩阵、地理距离矩阵下SDM、SEM、SAR模型考察的空间条件β收敛的检验结果。与空间绝对β收敛检验结果类似,总体、成渝、海峡西岸、京津冀、辽中南、山东半岛、长三角、珠三角城市群在三类权重下条件β收敛系数均为负。关中城市群、长江中游、中原城市群在三种权重下条件β收敛系数不全显著。从收敛速度的结果来看,长三角、珠三角和京津冀收敛速度较快,以SDM模型为例,在三种矩阵下长三角的收敛速度分别为0.047、0.050、0.033,珠三角的收敛速度分别为0.036、0.040、0.038,京津冀的收敛速度分别为0.036、0.035、0.038,高于总体约为0.015的平均水平。
表12 十大城市群数字贸易发展水平空间条件β收敛检验结果
本文构建了18个指标组成的数字贸易发展评价指标体系,通过面板数据熵值法测度了中国十大城市群127座城市2011—2019年的数字贸易发展水平,并且运用Dagum基尼系数分析十大城市群数字贸易发展的区域差异和来源,运用核密度估计法和马尔可夫链法分析十大城市群数字贸易动态演进分布情况,通过σ收敛和β收敛方法分析其收敛性。主要结论如下:
第一,总体来看,中国十大城市群2011—2019年数字贸易水平不断提升,城市群内数字贸易发展较好的城市群是珠三角、京津冀和长三角城市群,分别有4、8、3座城市的数字贸易发展平均水平在前30名内,数字贸易发展较好的城市前10名分别是上海、深圳、广州、杭州、成都、重庆、苏州、天津、武汉。
第二,Dagum基尼系数分解的结果说明,十大城市群数字贸易发展差异较大,且在2011—2019年呈现出增长的趋势;不同城市群之间的差异是中国数字贸易发展差异的主要来源,其中,珠三角和关中、成渝、辽中南、长江中游、中原、京津冀城市群的区域间差异较大,说明珠三角城市群的数字贸易发展较好,与其他城市群差距较大;十大城市群中京津冀城市群内部的数字贸易发展的差异最大。
第三,核密度估计结果中可知,十大城市群数字贸易发展水平存在一定的梯度效应和多极化现象,城市群之间存在较大的差异;各个城市群的核密度估计结果均显示城市群内部均有中心城市引领其他城市的数字贸易发展,发展速度较快,并且与城市群其他城市发展具有较大差距。马尔可夫链分析结果显示,总体来看,各城市数字贸易发展水平稳定,改变类型的概率相对较低;高水平城市的数字贸易发展具有俱乐部趋同的现象。
第四,收敛性分析结果表明,珠三角、长三角、京津冀城市群呈现出σ收敛和绝对β收敛的趋势;总体、成渝、海峡西岸、京津冀、辽中南、山东半岛、长江中游、长三角、珠三角城市群存在显著的空间绝对β收敛;总体、成渝、海峡西岸、京津冀、辽中南、山东半岛、长三角、珠三角城市群存在显著的空间条件β收敛过程,说明这些城市群区域内数字贸易朝着各自稳态水平发展。
基于上述结论,本文提出以下政策建议:
第一,提高各城市数字贸易发展水平。中国各个城市的数字贸易水平在近年来已经得到了长足的发展,但仍存在较大的进步空间。基于此,各城市应当进一步优化数字金融发展环境和数字创新环境,加快数字贸易人才的培养和引进,加强区块链、人工智能、大数据等新型数字技术的发展,推动数字基础设施进一步建设和普及,推进数字产业化和产业数字化的发展,提升数字产业的对外开放程度,出台扶持数字产业和数字贸易发展的相关政策,提高对数字贸易的重视程度。
第二,推动城市群内数字贸易共同发展。京津冀、成渝、长三角、珠三角等城市群内部的数字贸易发展水平差异均较大,存在不均衡的现象。因此,一方面需要充分发挥城市群内核心城市的引擎作用,通过环境优势、人才优势、政策优势,打造高层次的数字贸易高地,辐射带动周边城市数字贸易发展;另一方面,应当进一步明确各个城市的定位,根据各城市产业基础和特点培育和发展相关数字产业,通过城市群内的规划和引导,整合各城市的优势资源,提高资源配置效率,优化数字产业链布局,不断推动城市群内数字贸易协同发展。
第三,促进城市群之间数字贸易协同发展。京津冀、长三角和珠三角城市群数字贸易发展水平较高,与其他城市群存在较大差异。因此,首先应当树立全局观念,正视区域发展不均衡问题;其次,京津冀、长三角和珠三角三大城市群应当对标全球数字贸易发展领先地区,学习全球最先进的数字技术,激活数字企业创新活力,充分发挥当前的发展优势,对其他城市群发展起到“领头羊”的示范作用;再次,关中、中原等数字贸易发展水平较弱的城市群应当在明确自身定位、了解自身发展现状的基础上错位发展,制定差异化的数字贸易发展政策,加大对数字企业的扶植力度,加强对数字领域人才的吸引,促进互补性的数字产业链的建立,推动数字基础设施的普及,以缩小发展差距,实现对数字贸易发展优势城市群的追赶;最后,应当打破城市群之间的区域壁垒,促进不同城市之间建立帮扶制度,加强城市群之间的合作,促进城市群之间数字人才的交流和资金的流动,带动全国数字贸易整体性协调发展。
猜你喜欢城市群京津冀贸易“2021贸易周”燃爆首尔金桥(2022年1期)2022-02-12贸易融资砥砺前行中国外汇(2019年6期)2019-07-13长三角城市群今年将有很多大动作领导决策信息(2018年7期)2018-05-22我国第7个城市群建立建筑科技(2018年1期)2018-02-16贸易统计中外玩具制造(2017年11期)2017-11-09把省会城市群打造成强增长极领导决策信息(2017年10期)2017-05-17从国外经验看我国城市群一体化组织与管理区域经济评论(2015年4期)2015-12-21京津冀大联合向纵深突破中国卫生(2015年10期)2015-11-10贸易统计中外玩具制造(2015年11期)2015-07-18京津冀一化中国卫生(2014年12期)2014-11-12