【www.zhangdahai.com--其他范文】
杨友才，王玉聪，魏 涛
(青岛科技大学 经济与管理学院，山东 青岛 266061)
当前，受日趋复杂的国际形势和新冠肺炎疫情所致贸易链不稳定等多方面因素的影响，我国经济下行压力不断增大，寻求经济增长新动能的任务迫在眉睫。数字经济作为人类历史上最新的一种社会经济形态[1]，无疑是一种更高层次、可持续的经济形态[2]。据《中国数字经济发展白皮书(2021)》显示，2020年我国数字经济规模已达到39.2万亿元，约占当年GDP的38.6%，逐渐成为我国新一轮经济增长的重要驱动力。如何推动数字经济发展，推进产业结构变革，促进经济高质量增长是学术界重点研究的关键问题之一。
全要素生产率(TFP)的差别是拉开经济体发展差距的最主要原因之一。1995年日本完成工业化时的GDP为美国70%，TFP也是70%。2021年我国GDP总量虽然达到美国的77%，但全要素生产率却远低于包括美国在内的诸多发达经济体，反映出我国全要素生产率的提高仍存在巨大空间。历史经验表明，传统“粗犷式”发展模式不仅会导致严重的生态问题，还会对资源形成过度依赖，抑制新技术的开发和人力资本积累[3]，从而严重阻碍我国经济高质量发展的步伐。作为新一轮经济增长的“动力引擎”，数字经济凭借数字技术高效获取数据和处理信息、准确发现潜在需求、快速匹配要素供需、有效降低成本[4]等方面的优势，不断与传统产业部门相互融合，通过数据监测来优化资源配置和提高要素利用率，进而赋能传统产业价值链的非物质化转型和促进经济快速增长。同时数字化转型会促进绿色技术水平的提高，可有效控制和降低工厂污染物排放量。因此，在我国经济转型的关键阶段，深入分析数字经济如何影响绿色全要素生产率(GTFP)，尤其是探讨城市数字经济的影响，对明确智慧城市、数字城市和绿色城市发展具有重要的现实意义。
本文边际贡献主要体现在：其一，将研究样本拓展至地级市，从城市层面上更细致地讨论数字经济对GTFP的影响；
其二，将数字经济与GTFP纳入同一框架，运用空间计量模型研究数字经济影响GTFP的溢出效应；
其三，考虑到空间计量模型对于空间权重矩阵的敏感性，分别构造静态和动态空间权重矩阵，从生产性要素流动视角讨论数字经济的空间效应影响。
(一)文献综述
数字经济异军突起，日益成为推动我国未来新一轮经济增长的核心“动力引擎”。中国信通院认为，数字经济是通过数字技术和实体经济深度融合，持续提高经济社会的数字化和智能化水平，加速重构经济发展与治理模式的新兴经济形态。(1)参见《中国数字经济发展白皮书(2021)》。在数字信息时代，Elena认为随着无形成分占商品最终价值比例的增加和数字技术平台门槛的降低，将会改变我们对财富生产与分配的理解。智力资本、创新理念和无形资产将替代有形资产成为最有价值的因素[5]。目前数字经济的特征和衡量标准仍处于动态发展之中，国内外尚未建立通用的测度标准，对数字经济的定量研究较少，主要为定性分析。如张雪玲和焦月霞围绕信息通信基础设施及其应用和产业发展来构建评估我国数字经济水平的指标体系[6]；
刘军等则主要从信息化、互联网、数字交易活动等角度对我国省级数字经济水平进行评测[7]。此外，还有学者从产业数字化和电子商务等视角对城市数字化水平进行评价。现有文献主要从微观、中观、宏观三个层面对数字经济的影响进行分析。微观层面，数字技术与创新价值链的融合，可降低企业创新投入、培养新型领域进入者、提高生产效率，并在价值链中创造出新价值和助力公司管理革新。中观层面，数字经济可通过提升产业链强度和行业技术效率，从而有效赋能传统产业转型。宏观层面，数字经济对改善要素价格扭曲、提高要素配置效率[8]和激发社会创业活跃度等方面具有积极影响。
关于GTFP的研究主要分两方面：一是探讨驱动GTFP增长的影响因素，二是研究GTFP的测度体系及演化特征。从定义来看，全要素生产率忽视了环境污染和资源承载力等因素，所以在衡量社会福利增减和计算经济绩效等方面有失偏颇，而GTFP恰好弥补了这一缺陷。从本质上来讲，它们都是用以衡量纯技术因素对经济增长的贡献，但后者强调自然资源和环境的约束，能更好地反映实际经济发展质量。目前对GTFP的研究主要集中在金融发展[9]、环境规制、碳排放和FDI等领域。
数字经济及其衍生形式对于提高GTFP水平具有积极的正向作用。从企业视角看，电子商务的兴起显著提升了中国企业的TFP水平，且电子商务应用比其所提供的服务贡献更大[10]。在省市层面，邱子迅和周亚虹分析了数字经济发展对地区TFP的影响，发现试验区的建立能显著促进地区TFP的提高[11]。杨慧梅和江璐则从数字产业化和产业数字化两个维度实证研究了数字经济对TFP的影响，结果表明数字经济不但对提高TFP水平有显著影响，且存在明显的空间溢出效应[12]。同时，张焱的研究也证实了这一点，并指出技术效率对TFP产生的作用效果明显强于技术进步[13]。上述研究主要关注数字经济对TFP的影响，但尚未有文献从要素流动视角研究数字经济对GTFP的空间效应影响。基于此，本文在分析数字经济影响GTFP作用机制基础上，运用SDM模型从资本流动和劳动力流动的视角探讨数字经济对GTFP的空间溢出效应。
(二)研究假设
随着我国智慧城市发展战略的不断深入，“以创新为核心”日益成为城市技术引进和产业转型的关键特征。作为城市未来经济发展的重要“引擎”，数字经济为城市绿色经济效率的提升创造了诸多路径。
首先，数字经济通过推动产业结构升级提高GTFP。作为经济投入产出的“资源转换器”，产业结构调整对提高能源利用效率具有重要作用。科技进步则是推动产业结构高级化发展的动力，绿色技术创新不仅会引起传统产业生产方式转变，而且能持续促进产业结构优化。而以数据为核心生产要素的数字经济，不仅具备高清洁、可复制和低成本传输等优势，还能通过数字技术渗透引导产业向高技术化和低能耗方向发展，进而促进产业结构升级。
其次，数字经济通过优化要素配置提高GTFP。对资本市场而言，金融摩擦是造成资本错配的主要原因，破除区域金融壁垒和降低信贷门槛可有效减少金融资源错配。目前，融资难和信贷约束是限制中小民营企业发展的关键，数字经济的发展使金融机构能够通过技术手段更有针对性地对中小企业进行帮扶，缓解其资金短缺并降低金融资本的无效配置，逐步引导和激励企业向绿色发展模式转型。随着数字技术与传统金融的融合，大数据和风险分析技术的应用也随之深化，对降低资本流动性风险、改善金融资源配置和优化市场结构具有显著作用。同时，金融服务的触达能力和资本流动性的提高有效降低了信贷门槛和融资环节的冗余成本。对劳动力市场而言，更高的收入是吸引劳动力持续流动的重要驱动力[14]，但劳动市场分割和信息不对称等因素却阻碍了劳动力自由流动，使其供求偏离市场规律。数字经济的发展有利于全国要素市场趋向一体化，这有力地促进了劳动力的跨区域流动，在缓解劳动力市场扭曲的同时促进了城市间的技术溢出效应。此外，数字化为劳动力的创业决策提供更多的市场有效信息和风险研判依据，减少了信息不对称和无效创业，为城市发展注入了更多的活力。因此，本文提出如下假设。
假设1：数字经济可以通过促进产业结构升级和改善要素扭曲提高绿色全要素生产率。
数字经济历经信息经济、互联网经济等多个阶段，其高效的信息传输拉近了组织间的时空距离，使得线上市场在物流体系支撑下不断扩大，促进了组织间的经济交流与合作，且数字经济活动不局限于区域内部，使其空间溢出特征得以突显。Yilmaz较早地发现了信息化会带来空间溢出效应[15]，Keller则从知识和技术扩散的角度对溢出距离进行了补充[16]。我国学者也证实了互联网发展会产生空间溢出效应。一方面，信息通信技术加快了数据信息的传播，能够以较低的成本实现知识和技术的跨时空溢出，并向生产环节渗透；
另一方面，数字经济与传统产业部门的深度融合，为企业整合上下游产业链资源提供了技术支持，很大程度改变了传统生产要素的配置方式和流向，资源环境问题得到有效缓解。同时，数字金融凭借数字技术穿透性和低成本优势突破了传统物理边界，能为更多中小型企业和欠发达地区提供信贷资金支持，并通过创造就业机会、增加劳动预期收入引导劳动力流动[17]和资本流动，而劳动力和资本流动能显著增强城市经济活动的关联。已有研究表明，数字经济在促进区域经济增长、加快工业转型升级、提高区域协同创新、治理地区贫困等方面均具有显著的空间溢出作用。因此，本文提出如下假设。
假设2：数字经济发展对城市绿色全要素生产率不仅存在直接影响，还可通过资本和劳动力的跨区域流动形成空间溢出效应。
(一)计量模型的构建
针对假设1，构建的基准回归模型如下：
Gtfpit=α0+α1Digitalit+αcZit+ui+δt+εit
(1)
Mit=β0+β1Digitalit+βcZit+ui+δt+εit
(2)
Gtfpit=γ0+γ1Digitalit+γ2Mit+γcZit+ui+δt+εit
(3)
针对假设2，构建空间计量模型：
(4)
其中，Gtfpit和Digitalit分别代表城市i在t年的GTFP和数字经济水平；
ρ为空间自回归系数；
WijGtfpit和WijDigitalit分别为被解释变量和核心解释变量的空间交乘项，其中Wij为空间权重矩阵；
Zit为控制变量；
ui和δt分别为个体和时间固定效应，εit为随机误差项。
本文构建的空间矩阵分静、动态两类，静态矩阵包括地理距离(W1)和经济地理距离(W2)两种矩阵。动态矩阵根据引力模型对区域间要素流动引起的空间动态关联性进行计算得到，其公式为：
TLij=ALiLj/Dij
(5)
在(5)式中，i和j代表地区；
A是常量，其值固定为1；
L代表地区就业人员数量，D表示两地距离。求出TLij之后，即可设定劳动力流动权重矩阵(W3)，该矩阵中的元素可表示为：
(6)
ωij为劳动力流动空间矩阵中的一个元素。同理可计算资本流动空间权重矩阵(W4)。
(二)变量说明与指标测度
考虑部分地区的数据缺失严重，本文选取272个城市作为研究样本。数据来源于《中国城市统计年鉴》、各省《统计年鉴》和腾讯研究院。
1.被解释变量。相对于全要素生产率，绿色全要素生产率综合考虑了要素投入以及“好”“坏”两类产出，能够更加合理地衡量经济发展质量。本文采用Super-SBM模型对城市绿色全要素生产率进行测度。
2.核心解释变量。本文借鉴赵涛等[18]的方法，以互联网发展、数字金融为切入点测度城市数字经济指数。指标包括：百人中网络宽带接入用户数、每百人手机用户数、人均电信业务量、计算机从业人数占互联网从业人员的比重、北京大学数字普惠金融指数。
3.中介变量。(1)产业结构升级。产业结构升级主要表现为整体产业结构趋向高级化发展，其本质是对劳动生产率的衡量。本文选用结构层次系数对其进行刻画，公式为：
yimt和limt分别表示i 地区第m产业在t年产值占地区生产总值的比例和劳动生产率。其中，limt的计算公式为：
limt=Yimt/Limt
(7)
(7)式中，Yimt和Limt分别表示i 地区第m产业在t年的增加值和就业人员数量。
(2)劳动和资本要素扭曲。劳动和资本的绝对扭曲系数计算公式如下：
(8)
其中，τKi和τLi分别为资本和劳动错配指数，但因该指数并非事先给定，所以常用相对扭曲系数来衡量劳动和资本的扭曲程度：
(9)
4.控制变量。控制变量主要包括：科技研发投入(RD)，用城市科研支出占该市当年产出总额的比例表示；
人力资本水平(Humk)，选取普通本科和专科在校学生人数来表示；
科学教育支出(Edu)，用城市科技投入和教育支出的总额与当年政府财政总支出的比值表示；
城市服务基础设施(Bed)，用城市医院和卫生院床位数量衡量；
对外开放度(Fcapital)，用城市当年实际使用外资额度衡量(2011年为基期)；
房地产指标(House)，用当年房地产开发实际完成额表示；
产业发展(Industry)，用城市第三与第二产业产值之比衡量。为尽可能减少异方差影响，对Humk、Bed、Fcapital、House指标进行取对数处理。
(一)机制分析
下页表1报告了基准回归和机制分析结果。由第(1)列可知，数字经济对GTFP的回归系数为0.048，且高度显著，说明数字经济对GTFP增长存在显著的正向作用。由(2)至(4)列可知，数字经济对产业结构升级的系数显著为正，对资本和劳动力扭曲的系数均显著为负，表明数字经济发展对推动我国产业结构转型升级、改善资本与劳动力扭曲具有显著促进作用；
由(5)至(7)列可知，数字经济对GTFP的系数相较于第(1)列明显变小，产业结构升级、资本扭曲和劳动力扭曲的系数依次为0.0448、-0.0809和-0.0026，并且均显著，说明数字经济对绿色全要素生产率不仅会产生直接影响，还存在间接效应。第(8)列回归结果显著。综上所述，假设1得到验证。
表1 数字经济影响绿色全要素生产率的回归分析
(二)空间效应分析
1.空间相关性分析。利用Moran’I指数法在W1和W2矩阵下分别计算出2011—2019年我国各城市数字经济和绿色全要素生产率的空间自相关系数。结果显示，(2)限于篇幅原因未将莫兰指数结果呈现在文章中，如需要可向作者索要。Moran’I指数全部显著大于零，这说明城市的数字经济发展和绿色全要素生产率均具有较强的空间相关性。
2.空间回归分析。根据LM、Robust LM以及 LR、Wald检验，本文采用时间固定效应的SDM模型，并构造静态空间权重矩阵(地理距离W1、经济地理距离W2)和动态空间权重矩阵(劳动力流动W3、资本流动W4)。
由表2可知，四种权重矩阵下的数字经济对绿色全要素生产率的估计系数均显著为正，表明数字经济对提高城市GTFP具有显著的正向影响。绿色全要素生产率的提高不仅受到本地区和邻近地区数字经济直接效应和间接效应影响，同时还受本地区绿色全要素生产率自身水平的影响。
表2 数字经济影响GTFP的空间效应回归结果
3.空间效应分解。表3结果显示，数字经济对GTFP的直接效应和空间溢出效应的系数均显著大于零，且在多数矩阵下后者更大，表明本地区GTFP增长不仅受自身数字经济水平的直接影响，还受周围地区数字经济的溢出效应影响，且后者占主要地位。从地理距离权重矩阵来看，数字技术对物理条件的突破，实现了数据、信息和技术的跨时空传播，明显提高了社会各领域和生产环节的技术融入度。相对于W1，W2矩阵下数字经济的溢出效应有所减弱，这可能是因为数字技术的传播与扩散需要双向趋同，而城市经济发展的差距会对数字技术的扩散方向和速度造成非平衡性阻碍，减缓数字经济与实体经济的融合，导致数字经济对GTFP的溢出效应减弱。从劳动力流动的角度来看，数字经济对GTFP的直接、间接和总效应均显著为正，说明劳动力流动所带来的知识、技能等溢出会增强数字经济对GTFP的影响。与矩阵W3相似，W4矩阵下数字经济对GTFP的三种效应同样显著为正，但后者的空间溢出效应远超前者，对总效应的贡献率高达70%，反映出资本流动相对于劳动力流动具有更多优势，能在更大范围内协同数字经济发挥作用。
表3 不同类型矩阵下的空间效应分解结果
(三)稳健性检验
1.剔除直辖市样本。直辖市的特殊性可能导致本文基本结论出现偏误，所以借鉴欧阳艳艳等[19]的做法，剔除北京、天津、上海、重庆4个直辖市样本进行回归分析。由下页表4分析可知，数字经济对GTFP存在显著的正向影响。其中，数字经济的交互项W×Digital和空间溢出效应的估计系数均大于零且高度显著，说明数字经济发展不但能提升本城市GTFP水平，还能辐射临近城市间接促进其GTFP的提高。该结果与前文基本一致，说明结论稳健。
表4 稳健性检验回归结果
2.更换核心解释变量。采用腾讯研究院2016—2020年发布的“互联网+”指数对数字经济指数进行替换，考虑到样本数据的连续性，选用2016—2019年的数据进行检验，估计结果如表4第(5)至(8)列所示。在四种不同空间矩阵下，数字经济的空间交互项与直接效应的估计系数均大于零且显著。同时，空间溢出效应的估计系数也均为正，但在W4矩阵下的空间溢出效应不显著。这可能是因为随着时间的推移，日益激烈的“城市竞赛”使得城市间资本流动量相对减少，减弱了数字经济对GTFP的溢出效用。综上，数字经济发展所带来的直接效应和空间溢出效应均会对本地和邻近城市的GTFP产生正向作用，但显著性又因城市发展阶段的变化而出现差异。因此，前文的基本结论保持稳健。
3.内生性讨论。本文主要分析城市数字经济对绿色全要素生产率的影响，但研究可能会受到内生性问题的干扰。因此，本文将通过工具变量法来减弱内生性问题。
借鉴张璇等[20]的做法，使用地级市i周围城市的数字经济指数的平均数作为城市i数字经济指数的工具变量(PDigital)。一方面，地理上相距较近的城市在网络基础设施、经济实力和开放程度等方面差距较小，所以数字经济发达城市对它们的辐射作用差距小，且邻近城市经济来往较多，具有较强的关联性；
另一方面，尽管数字技术具有较强地理穿透性，但城市往往是根据自身需求进行技术引进，且其空间溢出作用的着力点在于辐射范围内的城市，并不对邻近城市GTFP产生直接影响。下页表5第(1)列PDigital的估计系数为0.0592且在1%的置信水平上显著，与表1中的回归系数相当。第(2)至(5)列是在不同权重矩阵下的空间估计结果，除了W3矩阵下数字经济的空间交乘项和间接效应系数不显著外，其余矩阵下数字经济对GTFP的空间交乘项、直接效应和间接效应的系数均显著为正值。整体来看，数字经济水平的提高不仅会直接影响到本地GTFP增长，其产生的空间溢出效应还会向周围扩散，对提高范围内城市的GTFP存在间接作用，且后者作用效果突出。由此佐证了前文的结论，即数字经济可通过直接效应和空间溢出效应对城市绿色全要素生产率产生正向作用。
表5 工具变量的回归结果
(一)分城市行政级别
不同行政级别的城市在互联网基础设施建设、数字化水平以及发展潜力等方面均存在较大差别，数字技术的广泛应用的确推动了社会的发展，但并非对所有城市都同等有利[3]。数字经济对城市发展的作用效果不仅与经济发展水平密切相关，还受数字制度完备性、政府治理水平等因素的制约，其作用效果具有非平衡性。因此，有必要按城市行政等级对样本进行划分讨论其异质性。将城市分为中心城市和非中心城市展开讨论，其中，中心城市包括直辖市、副省级城市和省会城市，其余为非中心城市。由结果可知，(3)限于篇幅原因未将描述性分析结果呈现在文章中，如需要可向作者索要。中心城市的数字经济水平和绿色全要素生产率均要明显高于非中心城市，二者均值分别相差0.045和0.881，这为异质性分析提供了基础。
对比下页表6第(1)至(2)列结果可知，在4种空间矩阵下，两类城市数字经济对GTFP的直接效应系数均显著为正，但中心城市的系数相对较小，这意味着数字经济在非中心城市对GTFP具有更强的直接作用。对于空间溢出效应，数字经济在中心城市对GTFP的系数全部显著为正，在非中心城市对GTFP的系数在大部分矩阵下也显著为正，整体强于中心城市。相对于中心城市，数字经济在非中心城市对绿色全要素生产率所产生的直接效应和间接效应均更强。其原因可能为：就我国一般城市而言，地方支柱性产业以劳动密集型的制造业为主且以中小型民营企业居多，资金短缺、创新不足、产品技术含量低等成为限制这类企业发展的关键原因，而数字经济能在很大程度上缓解此类问题。其一，数字技术平台拓宽了企业的信息来源和产品的销售渠道，有助于帮助企业提高决策能力；
(4)参见李晓华、司晓：《产业互联网如何更好服务实体经济》，载《经济日报》2019 年9 月10 日。其二，数字金融的发展使得这类城市的资源与产业链整合进度明显加快，企业资金流转与产品生产效率实现大幅提升；
其三，数字化技术还为政府提供了智能公开办公平台，城市综合效率得到明显提高。相对于中心城市，由于非中心城市的发展相对落后，所以技术冲击对其具有较强的边际效应，对绿色全要素生产率作用更大。
(二)分经济区域
由于各地区在经济发展、产业结构、交通设施和信息化建设等方面存在相当差距，所以本文将通过划分经济区来检验数字经济对城市GTFP的异质性影响。由描述性结果可知，(5)限于篇幅原因未将结果呈现在文章中，如需要可向作者索要。东部地区的指标值要明显高于其他地区，中部地区略低于西部和东北部地区。
下页表6第(3)至(6)列结果显示，不同区域数字经济对GTFP的影响存在明显差异。东部地区数字经济对城市GTFP的直接、间接效应系数均大于零且高度显著，表明东部地区GTFP受到了数字经济直接效应和空间溢出效应的正向影响。中部地区数字经济在静、动态矩阵下对GTFP的直接效应均显著大于零，但间接效应仅在W2和W4矩阵下显著为正，说明虽然数字经济发展对GTFP具有较强的直接促进作用，但对区域内部城市的溢出效果存在差异。这是因为：尽管中部地区拥有较好的地理位置，但沿海地区激烈的人才争致使中部地区人才流失严重，而人才短缺导致该地区无法充分发挥数字经济的影响。西部地区数字经济对绿色全要素生产率的直接效应仅在W3矩阵下显著为正，空间溢出效应在W1和W4矩阵下显著为正。其原因可能为：受经济发展水平和地理条件限制，技术人才密度低和城市关联度低是造成在该地区效果不显著的主要原因。数字经济在东北地区对绿色全要素生产率的直接效应系数在大部分权重矩阵下显著为正，但空间溢出效应系数差异较大，仅在W2和W4矩阵下显著大于零。这说明数字经济发展对提高东北地区的GTFP水平的直接作用明显，但空间溢出效应会因城市禀赋的不同而出现较大差异。其原因可能为：经济持续衰退致使大批人员外流，城市资源竞争使得城市间的正向溢出减少，但同时经济坚挺城市又会因新生资本的注入并在数字经济水平内外部落差较大的条件下产生正向溢出效应。
表6 分城市行政级别和经济区域的异质性回归结果
本文基于数字经济日益成为我国经济发展新动能的客观事实，在测算数字经济和绿色全要素生产率指数的基础上，实证研究了数字经济对GTFP增长的影响，主要结论如下。首先，数字经济对GTFP存在显著促进作用。数字经济通过加快产业结构升级和改善要素扭曲影响GTFP。这说明数字经济不仅能直接促进GFTP增长，还会通过与传统行业融合加快经济体产业结构优化以及通过数字技术减少信息不对称来改善劳动力和资本市场扭曲，从而间接对GTFP增长产生促进作用。
其次，数字经济和GTFP具有显著的空间关联性，且前者对后者具有显著的直接和间接影响，即本城市GTFP的提高不仅受本地数字经济水平的作用，还与邻近城市数字经济水平变化所带来的空间溢出效应紧密相关。数字经济可通过资本和劳动力的跨区域流动促进本城市绿色全要素生产率的提升，且前者占据主导地位。稳健性检验中，通过替换核心解释变量、剔除特殊样本、使用工具变量等方式得出的估计结果均支持此结论。
最后，数字经济对绿色全要素生产率存在异质性影响。相对中心城市，非中心城市的数字经济发展对提高绿色全要素生产率的空间溢出效应更强。数字经济在人才密集和经济发达的东部地区对GTFP的作用最强，其次是中部、东北部和西部地区。中部地区由于受沿海和中心城市“虹吸效应”影响，导致数字经济在该地区的空间溢出效果不明显；
东北地区可能受到人口外流等因素的影响，整体溢出效果不显著；
西部地区则因自然条件和基础设施等因素制约，导致数字经济在该地区对绿色全要素生产率的作用最不明显。因此，针对数字经济对GTFP增长存在空间关联性和溢出效应的特征，政府在制定政策提高本地区绿色全要素生产率时，不应只关注本城市发展数字经济的优势，还应关注邻近城市和数字化水平较高城市的动态，积极搭建交流与合作平台，增强城市间的数字经济协同性，从而扩大数字经济发展的空间溢出效应。此外，鉴于数字经济对GTFP的影响存在异质性，国家可以在政策上适当地向落后地区倾斜，加大支持力度，着力引导人才和资源回流，提升区域整体技术水平。
