基于全局主成分与熵值法对数字经济水平的综合评价

Comprehensive Evaluation of Digital Economy Level Based on Global Principal Component Analysis and Entropy Method

摘要: 为了解我国各地区数字经济水平发展情况，从数字基础设施、产业规模、创新环境、融合程度四方面选取互联网宽带接入端口数、移动电话基站数、电信业务总量、软件产品收入、R&D经费、专利授权数、数字惠普金融指数、电子商务销售额8个指标数据，构建能够准确反应数字经济发展水平的指标体系；采用全局主成分分析与全局熵值法相结合的权重计算法测算我国30个省份8年的数字经济水平，得出各地区的数字经济发展水平综合指数与排名，分析其存在的地区性差异并提出合理性建议。根据结果可以看出数字经济水平的发展在地区上表现不均衡，整体呈现由东部地区向西北地区递减的特征。

Abstract: To understand the development level of digital economy across different regions in China, an indicator system has been constructed to accurately reflect the digital economy’s progress. The system selects eight key indicators from four dimensions: digital infrastructure, industry scale, innovation environment, and integration level. These indicators include the number of broadband internet access ports, the number of mobile phone base stations, total telecommunications business volume, software product revenue, R&D expenditure, number of authorized patents, the digital inclusive finance index, and e-commerce sales. Using a weighting calculation method that combines global principal component analysis with the global entropy method, the digital economy level of 30 provinces in China over eight years is measured, resulting in a comprehensive index and ranking of the digital economy development level in various regions. The regional differences are analyzed, and reasonable suggestions are provided. The results reveal that the development of the digital economy is uneven across regions, generally showing a decreasing trend from the eastern to the northwestern regions.

1. 引言

1.1. 研究背景

当前，我国经济发展正不断转变，数字经济以其独特的数字化和信息化优势推动了产业结构的转型升级，是当前发展新质生产力的重要抓手，逐渐成为推动我国经济增长的主要动力。未来中国数字经济发展将是支撑新质生产力的核心领域，政府工作报告也已提出要支持制定相关政策促进我国数字经济的高质量发展。数字经济也与电子商务之间存在着密切的关系，电子商务是数字经济的重要组成部分和具体表现，同时数字经济的发展也为电子商务提供了技术和基础设施支持，助力电子商务的扩展和创新。

1.2. 研究意义

我国数字经济发展迅速并且已经成为经济增长的新动力，但各个地区的数字经济发展水平可能不均衡，存在地区差异。因此准确测算数字经济发展水平，探究其影响因素与影响程度，能够更好掌握数字经济的发展趋势，为解决数字经济地区省份间存在的发展不平衡等问题提出合理性建议，对推动我国数字经济健康发展具有重要意义。

1.3. 研究现状

数字经济正在加速融入国民经济的各个领域，对数字经济的学术研究成为了时代热点。曹建飞[1]等发现数字经济能够促进城市经济高质量发展。张蕴萍等[2]基于省级面板数据探索数字经济推动经济高质量发展的作用机制，发现该机制在东部与中西部之间具有区域异质性。王军等[3]对数字经济发展时空的演变特征进行深入剖析，发现中国数字经济发展的不充分与不平衡问题依然严峻。沈洋等[4]采用全局时序因子分析法对各省份的数字经济发展水平进行测度，发现其逐年上升且呈现显著的空间正相关性。何地等[5]发现我国数字经济发展水平持续增长，但区域差异较大。李勇等[6]采用空间错位修正的纵横向拉开档次法测算，发现数字经济发展水平两极分化明显。姚维瀚等[7]研究发现数字经济能够显著促进中国产业结构的升级。

2. 理论知识

2.1. 全局主成分分析

若分别对每年数据进行单独主成分分析，将无法比较在不同时间点的同一样本的数据连贯性，从而使分析结果在时序维度上失去连贯性和比较价值，降低分析的效性。为克服这一局限，全局主成分分析应运而生。它将不同年份截面数据整合成一个按年份排列的面板数据，实现了数据的整体性和可比性。实施步骤为：

① 建立时序性立体数据表

假设样本个体数为a、特征数为b，分别用$X_1,X_2,\cdots ,X_b$ 表示，则第n年有一张数据表，表示为：

$X^n={\left(x_{ij}\right)}_{a\times b}$ (1)

将N年的数据表根据年份重新整理，按照纵向排列得到新的数据表，记作：

$X={\left(X^1,X^2,\cdots ,X^n\right)}_{Na\times b}={\left(x_{ij}\right)}_{Na\times b}$ (2)

② 数据标准化

通过Z-score法进行数据标准化，消除各个指标之间的量纲差异：

$\{\begin{array}{l}{y}_{ij}=\frac{x_{ij}-{\overline{x}}_{ij}}{s}\\ {\overline{x}}_{ij}=\frac{1}{n}{\displaystyle \sum _{i=1}^{N\times a}{x}_{ij}}\\ s=\sqrt{\frac{1}{n-1}{\displaystyle \sum _{i=1}^{N\times a}{\left(x_{ij}-{\overline{x}}_{ij}\right)}^2}}\end{array}$ (3)

其中，$y_{ij}$ 为标准化后的值，${\overline{x}}_{ij}$ 为原始序列均值，s为原始序列的标准差，标准化后得到的新序列$\left\{y_{ij}\right\}$ 为无量纲序列，其均值为0，标准差为1。标准化后的矩阵记为：

$Y={\left(Y^1,Y^2,\cdots ,Y^n\right)}_{Na\times b}={\left(y_{ij}\right)}_{Na\times b}$ (4)

③ 进行KMO和Bartlett检验

④ 计算矩阵$Y$ 的相关系数矩阵$R$

⑤ 计算矩阵$Y$ 的特征根${\lambda }_i$ 及其对应的特征向量

⑥ 计算每个特征根对应的方差贡献率

⑦ 将特征根${\lambda }_i>1$ 的成分作为主成分，计算其载荷数

⑧ 计算各主成分的线性组合系数矩阵

⑨ 计算各主成分的权重系数w

2.2. 全局熵值法

根据各指标的离散程度来确定其在综合评估中的权重是熵值法的核心。当一个指标的离散程度较高时，其权重会相应增加。这种离散程度可以通过计算信息熵来衡量，其中，信息熵的大小与指标携带的有效信息量成反比，即信息熵越大，有效信息量越少，从而该指标的权重也就越小。全局熵值法在传统的熵值法基础上，引入了时间和空间的维度，使得评价更为全面。其一般步骤为：

① 数据标准化处理

为确保数据的一致性和可比性，采用极差法对数据进行标准化处理。此外，为防止标准化后可能出现的零值，影响后续信息熵计算中的对数运算，在标准化数据的基础上加上一个极小的常数(0.0001)，以确保计算的顺利进行。这一处理过程的表达式如下：

正向指标：$Z_{ij}=\frac{X_{ij}-\min \left(X_j\right)}{\max \left(X_j\right)-\min \left(X_j\right)}\times 10+0.0001$ (5)

负向指标：$Z_{ij}=\frac{\max \left(X_j\right)-X_{ij}}{\max \left(X_j\right)-\min \left(X_j\right)}\times 10+0.0001$ (6)

② 计算第j项指标的信息熵值$e_j$

$\{\begin{array}{l}{e}_{j=}-k{\displaystyle \sum _{n=1}^N{\displaystyle \sum _{i=1}^b{z}_{ij}^n\ln z_{ij}^n}}\\ k=\frac{1}{\ln aN}\end{array}$ (7)

③ 计算第j项指标的信息效用值$d_j$

$d_j=1-e_j$ (8)

④ 计算第j项指标的权重系数$w_j$

$w_j=\frac{d_j}{b-{\displaystyle \sum _{j=1}^b{d}_j}}$ (9)

3. 数字经济发展水平测算

3.1. 变量说明与数据来源

本文考虑到指标的可量化性以及数据的可获得性，确保所选取的指标既能够全面反映数字经济的发展状况，又能够在实际操作中进行有效的测量和比较。基于王军等[3]与张翠菊等[8]研究成果知，数字基础设施是数字经济发展的基础条件；数字产业的发展是数字经济的核心驱动力；数字经济的发展离不开技术创新，创新环境直接影响着数字经济未来的发展潜力和竞争力；数字融合程度是衡量传统行业与数字技术深度融合的关键指标，其融合的广度和深度能够表明数字经济对整体经济的渗透和影响力。故本文从数字基础设施、数字产业规模、数字创新环境、数字融合程度四个方面出发构建一套全面反映数字经济发展水平的指标体系[9]。其中，基于张帅等[10]的研究，以互联网接入端口数体现互联网发展水平，以移动电话基站数体现通信发展水平，进而反映数字基础设施情况；以电信业务总量体现电信产业发展水平，以软件产品收入体现信息产业发展水平，进而反映数字产业规模。在数字创新环境层面，参考张翠菊等[8]的研究，以R&D经费与专利授权数分别反映科研投入水平与技术创新水平，进而反映数字创新环境。在数字融合程度层面，孙小强等[11]以数字金融的覆盖广度、使用深度、数字化程度反映数字融合程度，本文在此基础上以以上三维度构建的数字普惠金融指数与电子商务销售额来反映数字融合程度。具体指标见表1。

各评价指标的数据来源于权威统计机构，包括国家统计局各年份统计年鉴、各省份统计年鉴以及CSMAR中国数字经济研究数据库，确保数据的准确性和可靠性。

Table 1. Evaluation index system for data digital economy level

表1. 数据数字经济水平评价指标体系

一级指标	二级指标	单位
数字基础设施	互联网宽带接入端口数	万个
	移动电话基站数	万个
数字产业规模	电信业务总量	亿元
	软件产品收入	亿元
数字创新环境	R&D经费	亿元
	专利授权数	件
数字融合程度	数字惠普金融指数	/
	电子商务销售额	亿元

3.2. 数字经济发展水平计算

为评估我国各省份在2013~2019年间的数字经济发展状况，采用综合指数法进行研究[9]。具体计算步骤如下：

① 指数无量纲化处理：通过对数型功效函数法对数据进行无量纲化处理，公式如下：

$x_{\omega ij}=\frac{\log x-\log x_{\min }}{\log x_{\max }-\log x_{\min }}\times 100$ (10)

为便于各省份的数字经济相关指标能同时进行横向和纵向比较，取$x_{\max }$ 为95%分位数，$x_{\min }$ 为5%分位数。通过对数据进行“缩尾”处理来避免极端值出现，超过$x_{\max }$ 的取为上限值$x_{\max }$ ，低于$x_{\min }$ 的取为下限值$x_{\min }$ ；

② 定义一级指标的权重为${\omega }_1$ ，二级指标的权重为${\omega }_2$ ；

③ 计算各省份数字经济发展水平的具体综合得分：

$x_{ij}={\displaystyle \sum {\omega }_1\cdot {\omega }_2\cdot x_{\omega ij}}$ (11)

3.3. 数字经济指标权重确定

指标权重确定方式有两种，分别是主观赋权法和客观赋权法，其优缺点如表2所示。

Table 2. The advantages and disadvantages of subjective and objective weighting method

表2. 主客观赋权法的优缺点

方法		优点	缺点
主观赋权法	AHP法	能对多个因素对决策结果的影响进行综合考虑	主观性较强，易受人为因素影响
	德尔菲法	强调预测过程中的反馈性、匿名性和广泛性	难以量化，缺乏通用性
客观赋权法	主成分分析法	能简化数据结构、保证评价的客观性、 解决信息交叉和冗余问题	降维会导致部分信息的丢失
	熵值法	避免了人为因素带来的偏差	缺乏指标间的横向比较且权重确定极度依赖数据
	神经网络分析法	具有自我调整和优化的功能， 降低了主观因素的影响	不能看见推理过程和推理依据

比较国内外学者关于权重确定方法的选择后，发现客观赋权法受到广泛青睐，其中熵值法的应用尤为普遍。然而，在经过对本文所选取指标之间相关关系的分析后，如图1所示的各指标相关关系热力图，可知各指标间存在一定相关性。因此，为提升评价结果的准确性和可信度，本文决定采用全局主成分分析与全局熵值法相结合的组合赋权方法。该方法既能够充分利用客观数据所蕴含的信息，又能融入主观判断和经验知识，从而确保权重确定更加科学、合理。

Figure 1. Heat map of the correlation between various indicators

图1. 各指标相关关系热力图

3.3.1. 全局主成分分析法确定各指标权重

首先评估数据集的适用性，选择使用KMO和Bartlett检验。从表3可知，KMO值高达0.847，接近0.9的阈值，根据常用的KMO检验标准(如表4所示)，可知本数据集满足进行主成分分析的条件。同样，Bartlett检验结果也支持这一结论，其原假设是各数据变量间不相关，检验结果0.00 < 0.05，拒绝原假设，确定各指标相关，进一步地验证了数据集适合进行主成分分析。

在遵循主成分分析的基本原则下，为最大限度保留原始数据信息，本文在选取主成分时，以方差累计贡献率超过85%和特征根大于1为准则，最终提取了3个关键主成分。如表5所示，方差解释率分别为66.21%、12.70%和11.69%，三者合计的方差累计解释率高达90.60%。该结果表明，这三个主成分能够有效代表和反映原始数据的大部分信息。

Table 3. KMO and Bartlett’s test

表3. KMO和Bartlett检验

KMO值	0.847
Bartlett球形度检验	近似卡方	1907.171
	df	28
	p值	0.000

Table 4. KMO inspection standard

表4. KMO检验标准

	范围	主成分分析适合情况
KMO值	>0.9	十分适合
	0.8~0.9	很适合
	0.7~0.8	适合
	0.6~0.7	不太适合
	<0.6	不适合

Table 5. Principal component eigenvalues, contribution rates, and cumulative contribution rates

表5. 主成分特征值、贡献率及累计贡献率

成分	未旋转的主成分			方差极大旋转的主成分
	特征根	方差解释率%	累积%	特征根	方差解释率%	累积%
1	5.29	66.21	66.21	3.12	39.00	39.00
2	1.02	12.70	78.91	3.12	38.90	77.90
3	0.94	11.69	90.60	1.02	12.70	90.60

本文选择正交旋转的方差极大旋转，使每个主成分仅由一组有限变量解释，便于理解和分析。根据表6可知，第一主成分载荷数最大的指标分别为移动电话基站数、互联网宽带接入端口数、电信业务总量，可将第一主成分命名为数字产业化；第二主成分载荷数较高的指标分别为软件产品收入、专利授权数、R&D经费，可将第二主成分命名为数字环境；第三主成分载荷数最大的指标为数字普惠金融指数、电子商务销售额，可将第三主成分命名为数字金融。

由表7得到3个主成分的线性组合：

$\{\begin{array}{l}{F}_1=0.390z_1+0.385z_2+\cdots +0.030z_7+0.369z_8\\ F_2=-0.107z_1-0.162z_2+\cdots +0.933z_7+0.056z_8\\ F_3=0.330z_1+0.392z_2+\cdots +0.336z_7-0.394z_8\end{array}$ (12)

通过全局主成分分析法可得表8中各指标的权重结果。从表8知，数字基础设施所占数字经济发展水平的权重最高，为29.44%，说明其为衡量地区数字经济发展水平的基础。数字创新环境占26.74%。数字融合程度权重最低，为20.05%，虽然其权重相对较低，但仍不可忽视其重要性。

Table 6. Number of rotating component matrix loads

表6. 旋转成分矩阵载荷数

变量	第一主成分	第二主成分	第三主成分
互联网宽带接入端口数	0.87	0.40	0.04
移动电话基站数	0.92	0.34	0.01
电信业务总量	0.86	0.25	−0.04
软件产品收入	0.28	0.92	0.02
R&D经费	0.65	0.62	0.10
专利授权数	0.39	0.89	0.06
数字普惠金融指数	0.01	0.03	1.00
电子商务销售额	0.34	0.87	0.87

Table 7. Linear combination coefficient matrix

表7. 线性组合系数矩阵

变量	第一主成分	第二主成分	第三主成分
互联网宽带接入端口数	0.390	−0.107	0.330
移动电话基站数	0.385	−0.162	0.392
电信业务总量	0.342	−0.214	0.395
软件产品收入	0.368	0.142	−0.450
R&D经费	0.392	0.052	0.044
专利授权数	0.394	0.140	−0.332
数字普惠金融指数	0.030	0.933	0.336
电子商务销售额	0.369	0.056	−0.394

Table 8. Weight coefficients of global principal component analysis indicators

表8. 全局主成分分析指标权重系数

一级指标	权重	二级指标	权重
数字基础设施	0.2944	互联网宽带接入端口数	0.1479
		移动电话基站数	0.1465
数字产业规模	0.2377	电信业务总量	0.1283
		软件产品收入	0.1094
数字创新环境	0.2674	R&D经费	0.1419
		专利授权数	0.1255
数字融合程度	0.2005	数字普惠金融指数	0.0930
		电子商务销售额	0.1075

3.3.2. 全局熵值法确定各指标权重

通过标准化处理后的数据计算各指标的信息熵值和信息效用值，进而得出各指标的权重系数。全局熵值法权重系数见表9。

Table 9. Weight coefficients of digital economy indicators using global entropy method

表9. 全局熵值法数字经济指标权重系数

指标	信息熵值e	信息效用值d	权重系数w
互联网宽带接入端口数	0.9466	0.0534	6.92%
移动电话基站数	0.9533	0.0467	6.06%
电信业务总量	0.9410	0.0590	7.66%
软件产品收入	0.8424	0.1576	20.44%
R&D经费	0.8868	0.1132	14.68%
专利授权数	0.8819	0.1181	15.31%
数字普惠金融指数	0.8955	0.1045	13.56%
电子商务销售额	0.8814	0.1186	15.37%

3.3.3. 全局主成分分析–全局熵值法确定各指标权重

由上可知，全局主成分分析法和全局熵值分析法得到的权重并不一致，存在明显差异。为更全面反映各指标的权重，本文结合两种方法的结果，采用算术平均值的方法得到组合权重见表10。该方法综合了两种不同权重确定方法的优点，使得权重更加科学和准确。由表10得到的组合权重可知，数字创新环境对于数字经济发展水平的影响最大，其次为数字产业规模与数字融合程度，再为数字基础设施，但其所占权重相差不大，说明数字基础设施、数字产业规模、数字创新环境与数字融合程度在数字经济水平的发展中重要程度近似，因此各地区在发展数字经济时应要求四方面均衡发展，才能实现数字经济的高速稳定发展。

Table 10. Weight of combination methods

表10. 组合方法的权重

一级指标	权重	二级指标	全局主成分分析	全局熵值法	组合权重
数字基础设施	0.21210	互联网宽带接入端口数	0.1479	0.0692	0.10855
		移动电话基站数	0.1465	0.0606	0.10355
数字产业规模	0.25935	电信业务总量	0.1283	0.0766	0.10245
		软件产品收入	0.1094	0.2044	0.1569
数字创新环境	0.28365	R&D经费	0.1419	0.1468	0.14435
		专利授权数	0.1255	0.1531	0.1393
数字融合程度	0.24490	数字普惠金融指数	0.0930	0.1356	0.1143
		电子商务销售额	0.1075	0.1537	0.1306

3.4. 数字经济发展水平的综合评价

在确定各指标的权重后，计算各区2013~2019年的数字经济发展水平综合指数与排名，如表11所示。

由表11知，我国各省份数字经济发展水平存在明显差异，最高为8.9415，最低为0.0184。从各省份的综合得分来看，广东的数字经济发展水平一直处于领先地位。其次为江苏、北京、浙江、山东、上海等，以上地区经济发展水平在全国处于第一发展梯队，主要是由于这些省份处于沿海经济贸易繁荣地带，与其经济水平的高速发展密不可分，致使其各项基础设施相对于其他省份更加完备、人才引进更多，

Table 11. Development level of digital economy in various provinces of China from 2013 to 2019

表11. 我国各省份2013~2019年数字经济发展水平

地区	2013年	2014年	2015年	2016年	2017年	2018年	2019年	平均值	排名
北京	4.9795	6.0533	5.0101	6.0147	5.9858	5.5262	5.6793	5.6070	3
天津	1.0858	1.7931	1.1447	1.6713	1.3664	1.3454	1.2933	1.3857	17
河北	1.9074	2.0644	2.3372	2.2324	2.2260	2.0187	2.0811	2.1239	13
山西	0.9820	1.2498	0.9103	1.2030	1.1228	1.0750	1.1092	1.0931	21
内蒙古	0.6622	0.9595	0.6939	1.0962	0.8557	0.6860	0.7321	0.8122	24
辽宁	2.8507	3.3565	2.6450	2.5997	2.4215	2.0807	2.0240	2.5683	11
吉林	0.7147	0.9928	0.6883	0.9812	0.9283	0.7357	0.6317	0.8104	25
黑龙江	0.9403	1.1985	0.8819	1.1786	1.0762	0.8084	0.7704	0.9792	22
上海	3.4250	5.1768	3.8758	4.7680	4.3397	3.9930	4.1912	4.2528	6
江苏	7.3124	7.7352	8.0135	7.4921	7.2888	6.8841	6.9850	7.3873	2
浙江	4.6633	5.7293	5.2699	5.9718	5.7161	5.5144	5.8733	5.5340	4
安徽	1.6320	2.1686	2.0442	2.4854	2.3351	2.4422	2.5431	2.2358	12
福建	2.2013	3.0525	2.3729	3.0353	2.9972	2.9352	2.7972	2.7702	9
江西	0.9926	1.3404	1.1786	1.5384	1.4723	1.3967	1.4916	1.3444	18
山东	5.0230	5.8399	5.3797	5.9619	5.8633	5.4187	5.1731	5.5228	5
河南	3.4385	2.6423	2.5794	2.9663	2.9178	2.7925	2.7238	2.8658	8
湖北	2.1073	2.7631	2.3411	2.8534	2.8272	2.7183	2.7893	2.6285	10
湖南	1.8223	2.2366	1.9624	2.0548	2.0302	1.9990	2.1281	2.0334	14
广东	8.5678	9.2116	8.3953	9.1000	9.1107	9.1424	9.0626	8.9415	1
广西	1.0292	1.2756	1.0685	1.3933	1.2997	1.2927	1.3561	1.2450	20
海南	0.1486	0.5670	0.1743	0.5813	0.5741	0.6270	0.5841	0.4652	28
重庆	1.0626	1.6794	2.3325	1.7912	1.8177	1.7334	1.8067	1.7462	16
四川	2.5888	3.1785	2.9264	3.2414	3.3142	3.2293	3.2542	3.1047	7
贵州	0.6912	0.7576	0.7347	0.9610	1.0073	1.0160	1.0270	0.8850	23
云南	1.0478	1.3358	1.1914	1.2936	1.2818	1.2841	1.2930	1.2468	19
陕西	1.4745	1.7553	1.5218	1.9719	1.8849	1.8155	1.9138	1.7625	15
甘肃	0.4865	0.5964	0.4719	0.5427	0.5652	0.5354	0.5621	0.5372	27
青海	0.0051	0.0216	0.0631	0.0318	0.0067	0.0001	0.0001	0.0184	30
宁夏	0.0432	0.2897	0.0335	0.2098	0.2521	0.1635	0.1450	0.1624	29
新疆	0.5417	0.7844	0.5901	0.7233	0.6671	0.6535	0.7057	0.6665	26

而上海的数字经济发展水平相对低于广东等，主要源于其经济发展趋势不如广东[12]。四川、湖北、河南、湖南、重庆等地区处在第二梯队，其数字经济发展水平位于中流。而青海、宁夏、甘肃、新疆、内蒙古与黑龙江、吉林等西部地区与东北部地区的数字经济发展水平都相对落后，可能受其地理位置与其地理环境等因素影响。从空间上来看，我国数字经济发展水平呈现由东部地区向西部地区递减的趋势，表明我国数字经济发展水平呈现不均衡的特点，需进一步加强区域间的协调发展。

注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2023)2767号的标准地图制作，底图无修改。

Figure 2. Mean distribution of digital economy development levels in various provinces of China from 2013 to 2019

图2. 我国各省份2013~2019年数字经济发展水平均值分布图

由图2可知，我国各省份数字经济发展水平存在显著的区域差异，呈现出不均衡的分布态势。广东省在数字经济发展方面处于全国领先地位，紧随其后的是江苏省。中西部地区相较于东部地区的土地资源更加丰厚、旅游资源更多，且较东部地区的数据与算力的使用成本要低，应充分利用自身优势加快发展。然而，青海、宁夏、甘肃、新疆等中西部地区的数字经济发展水平相对滞后，其数字经济产业链条并没有真正形成，产业基础相对薄弱，数字基础设置建设还有待进一步加强，高层数字人才严重缺乏，这些问题严重制约了中西部地区的数字经济的发展，致使其不能充分利用自身优势发展数字经济。我国数字经济发展不均衡，这种不均衡的发展特点，不仅影响我国数字经济的整体竞争力，也对区域经济的协调发展构成挑战。

4. 结论与建议

4.1. 结论

我国区域间数字经济发展不均衡

我国各区域经济基础、产业基础和网络基础设施等方面存在显著差距，因此，我国各地区的数字经济发展水平也具有显著的空间不平衡特征，呈现由东部地区向西部地区递减的趋势，表明我国数字经济发展水平呈现不均衡的特点。经济发展水平通常与数字经济发展水平呈正相关，即对于经济发展水平较高的省份，其数字经济发展水平也较高。而地区间数字经济发展水平这种不均衡的发展特点，不仅影响我国数字经济的整体竞争力，也对区域经济的协调发展构成挑战。

4.2. 建议

4.2.1. 推动数字技术普及，带动落后地区经济发展

为缩减区域间数字经济发展水平的差距，我国应当在增强区域合作的基础上，积极促进数字技术的跨地区转移，特别是从经济发达地区向相对落后地区流动。同时，应给予落后地区数字经济发展更多支持，包括推动其优势产业的数字化转型，以及构建一个有利于数字经济成长的环境，以吸引更多互联网公司参与并推动这些地区的数字经济蓬勃发展。

4.2.2. 改善数字基础设施，完善经济高质量发展的宏观调控

为实现我国各地区数字经济水平高速协调发展的目标，中国政府需要优先改善数字经济发展薄弱地区的数字基础设施，为促进实体经济的数字化转型和升级，我国需要着力提升数字经济的基础设施建设水平。这不仅为数字产业的蓬勃发展提供了稳固基石，也为传统产业的数字化转型提供了有力支持，从而加速实体经济与数字经济的深度融合。同时在数字经济快速发展的时代背景下，我国需要对各地区的宏观调控制度进行优化和精细打磨，以此来适应并推动经济的高质量发展[13]。