基于新发展格局的中国数字经济产业协同发展水平测度.pdf

统计与决策2023年第18期总第630期0引言构建新发展格局，应以畅通国内经济要素循环流动为战略基点，以数据为关键要素，构建数字产业化和产业数字化协同共进的经济发展新模式1。中国数字经济产业协同发展不仅是适应我国发展形势、塑造国际合作优势和提升国际竞争力的必然要求，也是应对国内外错综复杂环境变化的战略举措2。然而，在我国数字经济产业发展过程中，仍面临着产业同质化明显、协同机制不健全等问题3，导致其协同发展并未取得实质性成果，一体化产业发展格局尚未形成。在新发展格局构建的关键时期，准确把握数字经济产业协同发展趋势和集聚动向，科学识别地区发展潜力，持续打造产业发展新生态，已成为当前我国亟待解决的关键任务之一。目前，学术界关于产业协同已展开大量探讨并取得丰硕研究成果。马宗国和丁晨辉（2019）4基于“一带一路”视角，研究发现政府政策、经济开放程度、区域发展差异均是制约高新技术产业协同创新效率提升的关键因素。刘玉莲和张峥（2019）5采用复合系统协同度模型对各子系统有序度和复合系统协同度进行测度，发现我国高技术产业创新系统协同度整体偏低。刘韬等（2021）6运用超效率DEA方法对我国海洋高技术产业协同创新效率进行测度，发现海洋高技术产业协同创新效率整体较低。陈红川等（2022）7利用复合系统协同度模型测算我国及11个省份高新技术产业协同创新的协同度，结果显示研究期内高新技术产业协同创新的协同度整体偏低。虽然既有文献从多个维度对新发展格局和产业协同展开了探讨，但是以新发展格局构建为背景的数字经济产业研究尚未引起重视，特别是新发展格局下关于数字经济产业协同发展的测度较为鲜见。鉴于此，本文以新发展格局作为研究背景，构建中国数字经济产业协同发展评价指标体系，并进行区域比较；进一步，利用探索性空间数据分析法，从时间、区域双重维度分析数字经济产业协同发展的空间分布特征，以期为各地区加速推进数字经济产业协同发展提供理论借鉴和实践参考。1研究设计1.1指标体系构建国内大循环在“双循环”新发展格局中处于主体地位，是国际大循环的根本保证；国际大循环是国内大循环的外延、补充，对于国内大循环发挥引领和优化作用。因此，应立足“双循环”背景，全面研判数字经济产业协同发展特征。基于此，本文遵循全面性及代表性原则，结合国家统计局公布的 数字经济及其核心产业统计分类（2021）产业划分标准，将数字经济产业划分为数字产品制造业、数字产品服务业、数字技术应用业、数字要素驱动业和数字化效率提升业。进一步借鉴相关研究810，构建涵盖上述5个产业维度、30项具体指标的数字经济产业协同发展评价指标体系，如下页表1所示。1.2研究方法（1）加入时间变量的熵权法。熵权法是根据指标信息变化程度确定权重的一种客观赋权方法。为使测度结果基于新发展格局的中国数字经济产业协同发展水平测度徐春光1,2（1.河南大学 哲学与公共管理学院；2.河南开封科技传媒学院 商学院，河南 开封 475004）摘要：文章基于新发展格局，构建涵盖数字产品制造业、数字产品服务业、数字技术应用业、数字要素驱动业、数字化效率提升业五个维度的数字经济产业协同发展评价指标体系，对20102021年中国数字经济产业协同发展水平进行测度。在此基础上，采用探索性空间数据分析法，深入探讨数字经济产业协同发展综合指数及分维度指数的空间分布特征。结果显示：中国数字经济产业协同发展水平整体呈上升趋势，但数字产品服务业和数字技术应用业协同发展水平较低。数字经济产业协同发展综合指数及分维度指数均呈现“东高西低”态势，且区域间差异逐渐减小。数字经济产业协同发展综合指数及分维度指数具有不同空间集聚特征，主要表现为“H-H”和“L-L”的空间关联特征。关键词：发展格局；数字经济产业协同；熵权法；探索性空间数据分析法中图分类号：F49文献标识码：A文章编号：1002-6487（2023）18-0005-06基金项目：河南省科技厅软科学项目（222400410208）作者简介：徐春光（1978），男，河南永城人，硕士，副教授，研究方向：公共政策、公共经济。专 题 研 究DOI:10.13546/ki.tjyjc.2023.18.0015统计与决策2023年第18期总第630期具有可比性，参照黎新伍和徐书彬（2020）11的研究成果，将时间变量引入熵权法，测算各指标权重及研究期限内数字经济产业协同发展水平，具体步骤为：第一步，为消除各指标量纲及数量级差异，使用极差法对所有测度指标进行标准化处理：正向指标：Xij=()Xij-Xjmin/()Xjmax-Xjmin（1）负向指标：Xij=()Xjmax-Xij/()Xjmax-Xjmin（2）其中，Xij和Xij分别表示第j项指标在i省份第年的原始值和标准化值，Xjmax和Xjmin表示第j项指标的最大值和最小值。第二步，考虑到对数运算需要底数大于0，对标准化处理后的指标进行平移处理：Xij=Xij+A（3）第三步，测算第年第j项指标下i省份指标值的比重Pij：Pij=Xij/iXij()=12r;i=12n（4）其中，r和n分别为年份数量与省份数量。第四步，测算第j项指标的熵值Ej：Ej=-kiPijln()Pij（5）其中，k0且k=1/ln()rn，Ej的取值范围为01。第五步，确定第j项指标的权重Wj：Wj=()1-Ej/j()1-Ej（6）第六步，测算各省份数字经济产业协同发展综合得分Zi：Zi=jWjXij（7）（2）探索性空间数据分析法。探索性空间数据分析是一种空间统计的基本研究方法，主要通过测算空间关联度来分析观测值在空间上的集聚性与异质性，分为全局空间自相关分析与局部空间自相关分析12。全局空间自相关用于刻画所有观测值在研究范围内的平均关联程度，具体计算公式如下：MoransI=i=1nj=1nWij()Xi-X()Xj-XS2i=1nj=1nWij（8）其中，S2=i=1n()Xi-X2/n，用于表示样本方差。Xi表示i地区的观测值，Wij是空间权重。MoransI的取值范围是-1,1，数值越趋近于1，说明观测值空间正相关性越强；数值越趋近于-1，说明观测值空间负相关性越强；若数值接近于0，则说明该观测值空间相关性弱。区别于全局空间自相关，局部空间自相关能够进一步辨别观测值因空间位置差异产生的不同空间关联模式，一般用LocalMoransI进行度量。依据LocalMoransI，可将空间自相关模式分为“H-H”空间集聚型、“H-L”空间分异型、“L-H”空间分异型、“L-L”空间集聚型四种，具体测算过程如下：LocalMoransI=()Xi-XS2j=1nWij()Xj-X（9）其中，Xi为地区观测值，Wij表示空间权重。1.3数据来源考虑到数据可获取性，本文选取20102021年中国30个省份（不含西藏和港澳台）的面板数据作为研究样本，对数字经济产业协同发展水平进行探究。各指标数据来源于 中国统计年鉴 中国金融年鉴 中国经济普查年鉴 中国信息产业统计年鉴 中国工业统计年鉴 中国互联网企业综合实力研究报告 中国互联网络发展状况统计报告 以及各省份统计年鉴、农业农村部官网、工业和信息化部官网和商务部官网。针对个别缺失数据，利用线性插值法进行补齐。2数字经济产业协同发展水平测度及区域比较2.1全国数字经济产业协同发展水平20102021年全国数字经济产业协同发展综合指数及分维度指数得分见下页表2。从表2可以看出，2010年以专 题 研 究表1数字经济产业协同发展评价指标体系目标层数字经济产业协同一级指标数字产品制造业数字产品服务业数字技术应用业数字要素驱动业数字化效率提升业二级指标资源协同创新协同质量协同效益协同知识协同规模协同网络基础协同通信基础协同技术协同数量协同三级指标从业人员数量新增固定资产设备制造生产车间数量互联网专利申请数量信息技术改造经费支出R&D经费支出占GDP的比重电信用户满意度指数互联网用户满意度指数信息技术贡献率总资产增长率服务增值数字技术产品回报率软件开发人员中研究生数量软件研发过程自动化程度软件业务收入网络零售总额互联网接入总量企业网站拥有量数字电视用户数占家庭户数的比重互联网平台数量互联网域名数量移动电话基站密度光缆线路密度互联网接入端口密度自动化养殖技术开发经费支出数字仿真技术改造经费支出国家现代农业基地数量国家智能制造试点数量国家智慧物流配送单位数量淘宝村数量6统计与决策2023年第18期总第630期来，中国数字经济产业协同发展水平波动上升，且增幅稳定。全国数字经济产业协同发展综合指数由2010年的0.329 增加至 2021 年的 0.395，累计升高 0.066。从5个分维度指数的得分情况来看，从高到低依次为数字要素驱动业、数字产品制造业、数字化效率提升业、数字产品服务业、数字技术应用业。可见数字产品服务业和数字技术应用业协同发展水平较低。对此，各地区应紧抓新发展格局构建的良好机遇，充分发挥国内规模市场优势和内需潜力，运用数据分析、智能化手段加速传统产品向服务领域的延伸，进一步释放消费潜力，提升数字产品服务业协同发展水平。在此基础上，着手“锻长板”，加大对5G技术商业化应用的支持力度，深化5G技术领先优势与商业应用优势，为数字技术应用业协同发展增添助益。从5个分维度指数的增幅来看，从大到小依次为数字产品制造业、数字化效率提升业、数字技术应用业、数字产品服务业、数字要素驱动业，说明数字产品制造业和数字化效率提升业协同发展水平显著提升，数字要素驱动业维度对数字经济产业协同发展的贡献率较低。究其缘由，受制于统筹规划不够、协调机制不足等多项因素，我国数字要素驱动业在关键技术研发、数字人才要素流通方面尚未形成清晰的协作框架，难以为数字经济产业协同发展提供有力支撑。2.2四大区域数字经济产业协同发展水平及比较四大区域数字经济产业协同发展综合指数得分见表3。观察可知，四大区域数字产业协同发展水平均呈现增长趋势，东部、中部、西部、东北地区数字经济产业协同发展指数分别从2010年的0.408、0.318、0.281、0.365增长至2021年的0.446、0.345、0.305、0.388。从整体来看，我国数字经济产业协同发展水平呈现“东高西低”的分布态势。从增幅来看，东部地区增幅最大，西部地区次之，东北地区增幅最小。由此可知，东北地区数字经济产业协同发展水平虽然始终高于中西部地区，但是区域间差异正逐步缩小。细究其因，近几年中西部地区深入推进以大数据、智能化为引领的创新驱动发展战略，加快汇聚创新资源，不断推动数字技术与实体经济深度融合，协同推进数字产业化和产业数字化，培育出大批新产业、新业态，持续提升当地数字经济产业协同发展水平。四大区域数字经济产业协同发展各分维度指数得分详见表4。数字产品制造业协同发展的区域分布格局为东部地区东北地区中部地区西部地区。其中，东部地区的北京、广东、上海等省份数字产品制造优势最为突出。原因可能是，广东作为我国开放程度最高、经济活力最强区域中的省份，凭借得天独厚的数字经济资源优势已成为中国制造业的“领跑者”。不仅如此，依托当地庞大的独立软件开发商数量，广东数字产品制造业规模持续扩张，为数字经济产业协同发展带来全新机遇。西部地区在数字产品制造方面处于劣势，可能是由于当地工业化进程和信息化发展水平相对滞后，特别是在研发数字化、生产数字化、管理数字化等方面与东部地区仍存在较大差距，严重制约数字产品制造业竞争力提升。数字产品服务业协同发展的区域分布格局为东部地区东北地区中部地区西部地区。究其原因，以广东、北京、上海为代表的东部地区各省份依托信息通信产业集群发展优势，有效发挥上游关联产业的带动效应，持续深化下游数字产品服务业在实体经济中的运用，带动区域数字产品服务业协同发展。例如，广东ICT产业全国领先、福建数字产业集群飞速发展，均为当地数字产品服务打造了数字蓝海。相较而言，西部地区在数字产品服务方面的表现较为落后。数字技术应用业协同发展的区域分布格局为东北地区东部地区中部地区西部地区。原因可能是，近年来，东北地区各省份加快打造数字强省、智能强省，推动数字经济与实体经济深度融合，强化对工业软件等数字技术的应用，持续带动当地数字技术应用业协同发展。例如，黑龙江依托自主创新示范区等载体，通过部署人工智能、元宇宙、区块链等重点项目，不断加大数字技术应用攻关，推动科技成果即时转化，培育壮大当地数字技术应用业。西部地区数字基础设施覆盖和数字技术应用创新水平滞后，对数字技术需求相对较低，因而当地数字技术应用业协同发展较为缓慢。数字要素驱动业协同发展的区域分布格局为东部地区中部地区东北地区西部地区。原因可能是，东部地区创新能力较强、数字经济发展迅速、产业结构完善，对算力需求比较旺盛，促使数据中心建设相对密集，利于表220102021年全国数字经济产业协同发展综合指数及分维度指数得分维度综合指数分维度指数指标数字经济产业协同数字产品制造业数字产品服务业数字技术应用业数字要素驱动业数字化效率提升业20100.3290.0690.0570.0420.1120.05920110.3510.0740.0620.0430.1130.06720120.3610.0760.0670.0440.1130.06820130.3690.0810.0640.0460.1140.06820140.3890.0840.0630.0450.1150.06920150.3650.0870.0620.0450.1150.07120160.3420.0880.0660.0460.1160.07220170.3580.0880.0640.0480.1170.07420180.3620.0890.0680.0480.1180.07520190.3840.0910.0690.0490.1180.07620200.3910.0930.0710.0510.1190.07720210.3950.0960.0750.0560.1230.081201020210.0660.0270.0180.0140.0110.022增幅（%）20.0639.1331.5833.339.8237.29表320102021年四大区域数字经济产业协同发展综合指数地区东部中部西部东北20100.4080.3180.2810.36520110.4210.3250.2830.36820120.4230.3270.2850.37120130.4260.3280.2860.37420140.4280.3310.2890.37620150.4310.3340.2930.37920160.4350.3370.2960.38220170.4370.3390.2990.38420180.4380.3410.3020.38620190.4420.3430.3040.38720200.4430.3440.3040.38720210.4460.3450.3050.388201020210.0280.0270.0240.023增幅（%）9.318.498.546.30表4四大区域数字经济产业协同发展各分维度指数得分地区东部中部西部东北数字产品制造业2010年0.0890.0610.0450.0762021年0.0980.0750.0510.087数字产品服务业2010年0.0870.0610.0450.0682021年0.0960.0730.0540.079数字技术应用业2010年0.0790.0650.0460.0872021年0.0890.0730.0570.096数字要素驱动业2010年0.0860.0750.0510.0652021年0.0970.0840.0620.071数字化效率提升业2010年0.0750.0680.0540.0852021年0.0860.0770.0630.097专 题 研 究7统计与决策2023年第18期总第630期加强数据、算力和能源间的协同联动。基于此，东部地区对资金、人才、网络技术等关键要素需求较大，可带动当地数字要素驱动业协同发展。而西部地区经济发展水平较低，技术创新和资本积累能力较弱，以致信息网络、通讯基础设施相对滞后，不利于当地数字要素驱动业长远发展。数字化效率提升业协同发展的区域分布格局为东北地区东部地区中部地区西部地区。究其缘由，近年来，东北地区各产业持续巩固转型升级成效，深入推进智能制造，全面促进数字化效率提升业发展。就数字农业而言，作为举国闻名的“中国优质稻米之乡”，黑龙江省五常市着力发展稻米产业，不断打造高标准国家现代化农业产业园区，并开展多项以数字技术为引领的智慧农业建设项目。借此，以项目驱动的形式不断促进当地管理服务便捷化、高效化，从而促进数字化效率协同提升。反观西部地区，受制于从业人员网络信息素养不高、信息技术应用水平较低、新型农业生产技术匮乏等多重障碍因素，当地数字化效率协同提升进程仍处于缓慢阶段。2.3各省份数字经济产业协同发展水平及比较20102021年各省份数字经济产业协同发展水平具有显著差异，其中得分最高的为北京（0.586），最低的为青海（0.283）。数字经济产业协同发展水平排名前五的省份依次为北京、广东、上海、浙江、贵州，其中大部分省份位于经济发达地区，但核心驱动因素各不相同。北京主要表现在数字技术应用业和数字要素驱动业方面，如软件开发人员研究生数量、互联网域名数量、互联网接入端口密度均跻身全国前列。广东主要表现在数字产品制造业方面，如设备制造生产车间数量持续攀升。上海主要表现在数字技术应用业方面，如互联网接入总量、网络零售总额。浙江主要表现在数字化效率提升业方面，例如国家智慧物流配送单位数量不断增加。贵州主要表现在数字要素驱动业方面，如移动电话基站密度、光缆线路密度增加。在薄弱环节方面，排名前五位的省份较为一致，均表现为数字产品服务业协同发展水平落后，原因在于总资产增长率不稳定、互联网用户满意度指数不均衡。数字经济产业协同发展水平排名后五位的省份依次为青海、新疆、甘肃、宁夏、内蒙古，均为经济发展滞后地区，其驱动因素和薄弱环节差异较为明显。驱动因素方面，青海、新疆的核心驱动因素均为数字技术应用业，如互联网接入总量、企业网站拥有量不断攀升。甘肃、内蒙古主要表现在数字要素驱动业方面，如移动电话基站密度和光缆线路密度不断提升。宁夏主要表现在数字产品服务业方面，如信息技术贡献率日渐提升。不难发现，排名后五位的省份在数字产品制造业和数字化效率提升业方面表现均较差。主要体现为制造业与数字经济的融合不够深入，缺乏对数字技术的主动运用，尚未有效提升设备制造生产车间数量、国家智能制造试点数量，难以实现全面协同发展。3数字经济产业协同发展水平的空间分布特征3.1全局空间自相关分析本文运用探索性空间数据分析法，测算20102021年数字经济产业协同发展综合指数及分维度指数的MoransI值，结果如表5所示。表5数字经济产业协同发展综合指数及分维度指数的MoransI值年份201020112012201320142015201620172018201920202021综合0.245*0.247*0.251*0.253*0.257*0.259*0.263*0.269*0.274*0.278*0.281*0.241*数字产品制造业0.474*0.453*0.438*0.425*0.419*0.402*0.395*0.386*0.384*0.381*0.375*0.371*数字产品服务业0.242*0.246*0.251*0.257*0.263*0.268*0.271*0.270*0.268*0.265*0.261*0.258*数字技术应用业0.0320.0360.0410.0440.0480.0510.0550.0620.0730.0780.0890.091*数字要素驱动业0.139*0.141*0.145*0.152*0.159*0.165*0.148*0.135*0.128*0.119*0.117*0.114*数字化效率提升业0.258*0.243*0.241*0.238*0.235*0.231*0.235*0.246*0.252*0.254*0.261*0.263*注：*、*、*分别表示在10%、5%、1%统计水平上显著。（1）20102021年，数字经济产业协同发展综合指数的Morans I值为正，且呈现先上升后下降的态势，整体在1%的统计水平上显著。20102020年，数字经济产业协同发展综合指数的MoransI值持续上升，说明在该阶段我国数字经济产业协同发展具有显著的空间集聚特征。20202021年，数字经济产业协同发展综合指数的Mo-rans I值急速下降，最终跌落至考察期内最低值（0.241）。原因在于，部分省份数字经济产业发展水平急剧上升或下降，导致其脱离原有聚集区域，使得观测值整体聚集程度呈现下降趋势。（2）20102021年，数字产品制造业协同发展指数的MoransI值整体呈现下降态势，且在1%的统计水平上显著，主要是由于部分省份数字产品制造业发展规模持续扩大。例如，四川、河南等省份数字经济发展平稳推进、数字产品制造业规模持续扩大，不断脱离低水平集聚区。（3）20102021年，数字产品服务业协同发展指数的MoransI值整体呈现先上升后下降的态势，且在1%的统计水平上显著，说明该时期我国数字产品服务业协同发展具有明显空间集聚特征。20102016年，数字产品服务业协同发展指数的MoransI值不断提升，主要是由于浙江、广东等省份数字产品服务业规模持续扩大，逐渐形成高水平集聚区。（4）20102021年，数字技术应用业协同发展指数的MoransI值整体呈现上升态势，但在20102020年未通过显著性检验，说明在该阶段数字技术应用业协同发展呈现空间随机分布特征。2021年，MoransI值仍偏小（0.091），且在10%的统计水平上显著，表明数字技术应用业协同发展显现较弱的空间集聚特征。（5）20102021年，数字要素驱动业协同发展指数的专 题 研 究8统计与决策2023年第18期总第630期MoransI值整体呈现先上升后下降的态势，且在5%的统计水平上显著。2021年，数字要素驱动业协同发展指数的MoransI值偏小（0.114），说明具有一定的空间集聚特征。（6）20102021年，数字化效率提升业协同发展指数的MoransI值整体呈现先下降后上升的态势，且在1%的统计水平上显著，说明该阶段我国数字化效率提升业协同发展指数具有空间集聚特征。其中，20152021年，数字化效率提升业协同发展指数的MoransI值持续上升，原因可能是山东、天津、河北等省份数字化效率显著提升，形成大面积高水平集聚区域。3.2局部空间自相关分析从全局空间自相关分析可知，数字经济产业协同发展综合指数和分维度指数具有不同程度的空间集聚特征。为更有效地识别各省份间数字经济产业协同发展的具体空间关联性，本文对各指数的地域分布做进一步说明，如表6所示。可以看出，各省份数字经济产业协同发展综合指数和分维度指数的空间组织模式具体分为四类，分别是“H-H”空间集聚型、“L-H”空间分异型、“H-L”空间分异型和“L-L”空间集聚型。（1）数字经济产业协同发展综合指数。20102020年属于“H-H”“L-L”空间集聚型的省份均为7个。2021年，属于“H-H”“L-L”空间集聚型的省份数量均减少至6个，主要是由于辽宁和甘肃分别脱离“H-H”和“L-L”类型。20102021年属于“L-H”空间分异型的省份为6个。（2）数字产品制造业协同发展指数。20102021年始终属于“H-H”空间集聚型的省份包括北京、广东、浙江、辽宁、天津和吉林。黑龙江在20102015年属于该类型；山东在2021年属于该类型。20102021年，四川、贵州、广西、云南、内蒙古、湖南和江西始终属于“L-L”空间集聚型。（3）数字产品服务业协同发展指数。20102021年始终属于“H-H”空间集聚型的省份为浙江、江苏、山东、福建、安徽和湖南；江西于2016年加入该类型。20102021年属于“L-L”空间集聚型的省份大致保持在45个。（4）数字化效率提升业协同发展指数。20102021年长期属于“H-H”空间集聚型的省份为浙江、江苏、福建、广东、上海、安徽和湖北；湖南于 2017 年加入该类型。20102021年始终属于“L-L”空间集聚型的省份为宁夏、重庆和四川；云南自2016年起指数获得较大提升，转变为“H-L”空间分异型。（5）数字技术应用业协同发展指数属于“H-H”空间集聚型的省份从2010年的2个增加至2021年的4个，属于“L-L”集聚型的省份从2010年的4个降低至2021年的3个；数字要素驱动业协同发展指数“H-H”空间集聚类型的省份从2010年的3个增加至2021年的5个，“L-L”空间集聚类型的省份由2010年的4个增加至2021年的5个。也就是说，数字技术应用业协同发展指数和数字要素驱动业协同发展指数的空间集聚特征均不明显，但具有一定的增强趋势。4结论本文以新发展格局构建为背景，对中国数字经济产业协同发展水平进行测度及区域比较，得出如下结论：（1）中国数字经济产业协同发展水平整体呈现上升趋势，其中数字要素驱动业协同发展最突出，数字产品服务业和数字技术应用业协同发展水平较低。（2）四大区域数字经济产业协同发展水平均呈现上升趋势，区域间差异逐渐减小。数字经济产业协同发展综合指数及分维度指数整体呈现“东高西低”分布格局。（3）各省份间数字经济产业协同发展水平具有显著差异，其中经济发达地区数字经济产业协同发展水平较高，经济欠发达地区数字经济产业协同发展水平较低。（4）数字经济产业协同发展综合指数及数字产品制造业、数字产品服务业、数字化效率提升业3个分维度指数具有明显空间集聚特征，主要表现为“H-H”和“L-L”两种空间集聚模式。数字技术应用业和数字要素驱动业维度的空间集聚效应较弱，但存在增强趋势。参考文献：1任保平,何厚聪.中国式现代化新征程中我国数字经济创新体系的构建J.上海经济研究,2022,(12).2张兴祥,洪永淼.习近平关于新发展阶段、新发展理念、新发展格局的重要论述及其原创性贡献J.经济社会体制比较,2022,(5).3梁琳.数字经济促进农业现代化发展路径研究J.经济纵横,2022,专 题 研 究表6数字经济产业协同发展综合指数及分维度指数空间关联模式类型H-HL-HH-LL-L综合指数2010年辽宁、浙江、上海、山东、北京、江苏、广东吉林、湖南、山西、安徽、河南、湖北无重庆、贵州、云南、广西、四川、河南、甘肃2021年浙江、上海、山东、江苏、北京、广东辽宁、湖南、山西、安徽、河南、湖北无重庆、贵州、云南、广西、四川、河南数字产品制造业2010年北京、广东、浙江、辽宁、黑龙江、天津、吉林河南无重庆、四川、贵州、广西、云南、内蒙古、湖南、江西2021年北京、广东、浙江、辽宁、山东、天津、吉林河南重庆四川、贵州、广西、云南、内蒙古、湖南、江西数字产品服务业2010年浙江、江苏、福建、山东、安徽、湖南无无甘肃、青海、宁夏、云南、四川2021年山东、浙江、江苏、福建、江西、安徽、湖南河北无甘肃、青海、宁夏、云南数字化效率提升业2010年浙江、江苏、福建、广东、上海、安徽、湖北河北、江西无宁夏、重庆、四川、云南2021年浙江、江苏、福建、广东、上海、安徽、湖北、湖南河北、江西云南宁夏、重庆、四川、青海数字技术应用业2010年青海、四川新疆、宁夏无云南、广西、福建、安徽2021年宁夏、甘肃、青海、四川新疆无云南、广西、福建数字要素驱动业2010年山西、河北、江苏河南、天津、安徽无青海、四川、云南、贵州2021年浙江、天津、山西、河北、江苏湖南、河南、天津、安徽无青海、四川、云南、贵州、广西9统计与决策2023年第18期总第630期(9).4马宗国,丁晨辉.“一带一路”倡议下区域高新技术产业协同创新研究J.经济体制改革,2019,(1).5刘玉莲,张峥.我国高技术产业协同创新系统协同度实证研究J.科技管理研究,2019,39(19).6刘韬,吴梵,高强,等.海洋高技术产业协同创新效率测度及空间优化J.统计与决策,2021,(6).7陈红川,韦璐青,黄小军,等.高新技术产业协同创新协同度评价研究J.工业工程,2022,25(2).8Ren S M,Li L Q,Han Y Q,et al.The Emerging Driving Force of InclusiveGreenGrowth:DoesDigitalEconomyAgglomerationWork?J.Business Strategy and the Environment,2022,31(4).9Tian J F,Liu Y R.Research on Total Factor Productivity Measurement and Influencing Factors of Digital Economy Enterprises J.Procedia Computer Science,2021,187(187).10杨立勋,王涵,张志强.中国工业数字经济规模测度及提升路径研究J.上海经济研究,2022,(10).11黎新伍,徐书彬.基于新发展理念的农业高质量发展水平测度及其空间分布特征研究J.江西财经大学学报,2020,(6).12Sez C,Garca-Gmez J M.Kinematics of Big Biomedical Data toCharacterize Temporal Variability and Seasonality of Data Repositories:Functional Data Analysis of Data Temporal Evolution OverNon-parametric Statistical Manifolds J.International Journal ofMedical Informatics,2018,(119).（责任编辑/刘柳青）Measurement on the Coordinated Development Level of China s Digital EconomyIndustry Based on the New Development PatternXu Chunguang1,2（1.School of Philosophy and Public Management,Henan University;2.Business School,Technology&Media University of Henan Kaifeng,Kaifeng Henan 475004,China）Abstract:Based on the new development pattern,this paper constructs an evaluation index system for the coordinated devel-opment of digital economy industry covering five dimensions：digital product manufacturing industry,digital product service indus-try,digital technology application industry,digital factor driven industry,and digital efficiency improvement industry,and thenmeasures the coordinated development level of China s digital economy industry from 2010 to 2021.Finally,on this basis,the pa-per uses the exploratory spatial data analysis method to deeply explore the spatial distribution characteristics of the comprehensiveindex and multi-dimensional index of the coordinated development of digital economy industries.The results are shown as follows:The overall level of coordinated development of China s digital economy industry is on the rise,but the level of coordinated devel-opment of digital product service industry and digital technology application industry is lower.The comprehensive index andmulti-dimensional index of the coordinated development of digital economy industries show a trend of“high in the east and low inthe west”,and the regional differences are gradually decreasing.The comprehensive index and multi-dimensional index of the co-ordinated development of digital economy industries have different spatial agglomeration characteristics,mainly represented bythe spatial correlation characteristics of“H-H”and“L-L”.Key words:development pattern;coordination of digital economy industries;entropy weight method;exploratory spatial dataanalysis method专 题 研 究10