数字经济背景下新质生产力水平的统计测度研究

Research on Statistical Measurement of New Quality Productive Forces Level in the Context of Digital Economy

摘要: 为合理测度我国各地区新质生产力水平，本文从劳动人员基础、劳动资料投入、生产效率、技术成果、经济效益和绿色发展六个维度出发构建了新质生产力水平的评价指标体系。基于我国30个省份2012~2022年的面板数据，利用熵权法和Dagum基尼系数分解法对各地区新质生产力水平及区域差异进行研究，结果表明：1) 全国总体及30个省份的新质生产力水平呈逐年上升状态。2) 新质生产力发展水平总体差异及区域内和区域间的差异都呈上升趋势，且区域间的差异是新质生产力总体差异的主要来源。因此，在推动新质生产力发展的进程中，建议采取分区施策的策略，精准协调区域间的发展。

Abstract: To effectively assess the development levels of New Quality Productive Forces (NQPF) across China’s regions, this study constructs a comprehensive evaluation index system along six dimensions: labor force foundation, labor instrument inputs, production efficiency, technological achievements, economic benefits, and eco-friendly development. Utilizing panel data from 30 provinces (2012~2022), we employ the entropy weight method and Dagum Gini coefficient decomposition to analyze regional disparities. Key findings reveal: 1) Both national and provincial NQPF levels demonstrate significant upward trajectories. 2) Overall disparities, as well as inter- and intra-regional differences, exhibit widening trends, with inter-regional gaps constituting the primary source of total inequality. Therefore, in the process of promoting the development of new quality productive forces, it is recommended to adopt a region-specific policy approach to precisely coordinate inter-regional development.

1. 引言

1.1. 研究背景

近年来，数字经济已成为我国驱动经济增长的核心引擎，数字经济总量及其占GDP比重持续攀升(见图1)。随着我国经济从高速增长转向高质量发展阶段，现有生产力体系与人民日益增长的美好生活需要之间的结构性矛盾日益凸显。与此同时，保护主义抬头导致国际合作受阻，外部环境日趋复杂，传统发展模式面临效能瓶颈与升级压力。在此背景下，亟需通过发展以数字技术为基石、以电子商务等新业态为突破口的新质生产力，破解发展桎梏，筑牢社会经济“长期向好、稳中向优”的可持续动能。

Figure 1. Total volume and proportion of digital economy

图1. 数字经济总量与占比图

1.2. 研究意义

新质生产力作为先进生产力的具象形态，其本质体现为劳动者、劳动资料、劳动对象及其优化组合的系统性跃迁。它既是科技创新交叉融合的突破性成果，也是生产要素市场化高效配置的创新动能，更是产业结构深度升级的原生驱动力。在数字经济时代，数据作为新型关键生产要素，通过大数据、云计算、人工智能等颠覆性技术重构传统生产方式，驱动生产力创新与效率跃升，为新质生产力的培育提供技术基座。通过研究讨论数字经济背景下新质生产力的发展水平，有助于更准确地把握数字经济核心产业与新质生产力之间的关系，从而为各省(区、市)及地方政府加速推动新质生产力涌现提供参照，且对于提升国家竞争力、促进可持续发展具有重要的研究意义。

1.3. 文献综述

王珏[1]从生产力的三个构成要素(劳动者、劳动对象和劳动资料)出发，构建了新质生产力评价指标体系。施雄天和余正勇[2]借鉴了经济学家黄奇帆在第25届“北大光华新年论坛”上提出的新质生产力的3个“新”构成概念，围绕新制造、新服务、新业态和综合指标等方面来构建我国区域新质生产力水平测度指标体系。吴文生等[3]选取2008~2021年长三角41个城市为样本，从产业创新体系、人才供给体系、经济支撑体系和未来产业发展体系四个维度构建新质生产力水平的评价指标体系，以此探究数字经济对新质生产力的影响机制。韩文龙等[4]在考察新质生产力对经济增长的影响时，构建了空间杜宾模型对新质生产力的空间溢出效应进行检验。朱迪等[5]从农业新质生产力内涵出发构建评价指标体系，利用Kernel 密度、Markov链等方法对中国农业新质生产力的发展水平和动态演变特征进行了测度与分析。卢江等[6]采用改进的熵权-TOPSIS方法测度了2012~2021年我国30个省级区域的新质生产力水平。周佳卉[7]利用莫兰指数对空间相依性进行分析并利用随机森林模型研究了高质量发展投入要素对新质生产力的影响。赵鹏等[8]基于2011~2021年全国230个地级市面板数据，以大数据综合试验区试点政策为准自然实验，采用多期双重差分模型以评估试点政策对新质生产力影响的净效应。

2. 新质生产力评价指标体系

从新质生产力的理论内涵出发，新质生产力的核心在于生产要素的质变性提升和全要素生产率的系统性突破。因此，指标体系必须突破传统生产力衡量框架，不仅要包含劳动、资本等基础要素，更要突出创新驱动、数字化转型和绿色发展等新时代特征。结合现今已有的研究成果，本文从劳动人员基础、劳动资料投入、生产效率、技术成果、经济效益和绿色发展这六个方面构建新质生产力综合评价指标。其中，劳动人员基础指标着重考察人力资本质量，劳动资料投入指标体现数字化、智能化转型，技术成果指标反映创新驱动成效，经济效益指标衡量价值创造能力，绿色发展指标则关注可持续发展水平，共同构成一个全面反映新质生产力特征的指标体系，具体见表1。

Table 1. Comprehensive evaluation index system of new quality productivity

表1. 新质生产力综合评价指标体系

一级指标	二级指标	三级指标	属性
劳动人员基础	教育普遍程度	人均受教育平均年限	正
劳动资料投入	交通基础设施	公路里程	正
		铁路里程	正
	数字基础设施	移动基站密度	正
		互联网宽带接入用户数	正
		单位面积光缆线长度	正
	能源投入	能源消耗量/GDP	负
	创新投入	研究与实验(R&D)经费支出	正
		研究与实验人员全时当量	正
		教育经费情况	正
	生产进步	机器人安装密度	正
生产效率	人均产值	人均GDP	正
	人均收入	在岗职工工资	正
技术成果	科技研究产出	专利申请数量	正
		专利授权数量	正
		规模以上工业企业R&D项目数	正
	科技成果流动	技术合同成交总额	正
经济效益	宏观经济增长	社会经济生产总值	正
	数字经济效益	数字经济指数	正
		电子商务交易活动企业比例	正
		电信业务总量占GDP比重	正
		软件业务收入占GDP比重	正
绿色发展	废物排放	废水排放规模	负
		废气排放规模	负
		工业固体废物生产	负
	环境建设	森林覆盖率	正
		政府环境保护公共支出	正

在实践需求层面，现有生产力评价体系难以适应新发展阶段的要求。传统指标体系往往偏重经济规模指标，而忽视质量效益和可持续性；或者过于关注单一领域，缺乏系统性考量。本文构建的指标体系，既保留了人均GDP等传统生产力指标，又新增了数字经济指数、机器人安装密度等反映新质特征的指标，同时还设置了单位GDP能耗、废物排放等约束性指标，实现了规模与质量、效率与效益、发展与保护的有机统一。

指标数据源自《中国统计年鉴》《中国能源统计年鉴》《中国工业统计年鉴》、能源统计局、省统计局以及国家统计局官网，数据收集的时间跨度为2012~2022年，区域范围为全国30个省市(不含港澳台和西藏)，确保数据来源的准确性和可靠性。

3. 研究方法

3.1. 数据预处理

对于缺失数据，若某个省份某一指标的数据完全缺失，则用0填充这一指标数据，这一指标不参与该省份的新质生产力水平评估。若某个省份的某一指标为部分缺失，则利用线性插值法，建立该指标数据值与年份的函数关系式，进而计算出缺失年份的数据值。

指标体系中指标量纲和数量级不同，需要进行标准化处理，消除差异影响。分别对正向指标和负向指标进行标准化，计算公式如下：

正向指标：

$Y_{ij}=\frac{X_{ij}-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}$ (1)

负向指标：

$Y_{ij}=\frac{\max \left(X_i\right)-X_{ij}}{\max \left(X_i\right)-\min \left(X_i\right)}$ (2)

3.2. 熵权法

熵权法的构造原理主要来源于数学中的均值不等式，即当所有指标均相同的时候信息熵达到最大值，基本思路是根据指标变异的大小来确定客观权重，是统计分析中常用的赋权方法之一，则本文采用熵值法测度新质生产力发展水平。该方法能够克服主观思维的干扰，客观准确地反映评价指标对系统的贡献度。当信息熵越小(大)时，指标值变异程度越大(小)，提供的信息量越多(少)，权重越大(小)。具体步骤如下：

1) 计算各项指标的熵值

由熵的定义，得到信息熵的公式如下：

$E_{ij}=-\ln {\left(n\right)}^{-1}{\displaystyle \sum _{i=1}^n{p}_{ij}\ln p_{ij}}$ (3)

其中$p_{ij}$ 如下，代表第$i$ 个省份第$j$ 项指标的比重，$n$ 为省份数。

$p_{ij}=\frac{Y_{ij}}{{\displaystyle \sum _{i=1}^n{Y}_{ij}}}$ (4)

$E_j$ 为第$j$ 项指标的熵值，满足$0\le E_j\le 1$ 。第$j$ 项指标的差异系数为$H_j=1-E_j$ ，其中，$H_j$ 为第$j$ 项指标的差异系数，$H_j$ 差异性越小，指标对评价结果的影响也越小，该指标所占权重就越小。

2) 根据所得信息熵，计算出各个指标权重

$W_j=\frac{H_j}{{\displaystyle \sum _{j=1}^m{H}_j}}$ (5)

3) 计算新质生产力水平得分

在计算出各指标的对应权重后，便可由以下线性加权公式来计算各省(区、市)新质生产力水平的综合得分。

$NQPF{L}_t={\displaystyle \sum _{j=1}^n{W}_j\cdot y_j}$ (6)

其中，$NQPF{L}_t$ 表示第$t$ 年的新质生产力水平测度，$W_j$ 为根据熵权法计算得到的第$j$ 个指标的权重，$y_j$ 为第$j$ 个指标的标准化值。

3.3. Dagum基尼系数及其分解

为了分析新质生产力水平区域的差异及其来源，本文采用Dagum基尼系数法进行分析，相关计算公式如下。$n$ 为省份个数，$k$ 为区域个数，$y_{ji}$ 为区域$j$ 中第$i$ 个省份的新质生产力水平，$\overline{y}$ 为新质生产力水平的全国的均值，$n_j,n_h$ 代表区域内样本个数。

总体基尼系数$G$ ：

$G=\frac{{\displaystyle \sum _{j=1}^k{\displaystyle \sum _h^k{\displaystyle \sum _{i=1}^{n_j}{\displaystyle \sum _{r=1}^{n_h}\left|y_{ji}-y_{hr}\right|}}}}}{2n^2\overline{y}}$ (7)

区域$j$ 内部(组内)新质生产力水平的基尼系数$G_{jj}$ ：

$G_{jj}=\frac{{\displaystyle \sum _{i=1}^{n_j}{\displaystyle \sum _{r=1}^{n_h}\left|y_{ji}-y_{hr}\right|}}}{2\overline{y}{n}_j^2}$ (8)

区域$j$ 和$h$ 之间(组间)新质生产力水平的基尼系数$G_{jh}$ ：

$G_{jh}=\frac{{\displaystyle \sum _{i=1}^{n_j}{\displaystyle \sum _{r=1}^{n_h}\left|y_{ji}-y_{hr}\right|}}}{n_j{n}_h\left({\overline{y}}_j+{\overline{y}}_h\right)}$ (9)

区域内部(组内)差异对总体基尼系数贡献$G_w$ ：

$G_w={\displaystyle \sum _{j=1}^k{G}_{jj}{p}_j{s}_j}$ (10)

其中$p_j=\frac{n_j}{n}$ ，且$s_j=\frac{n_j{\overline{y}}_j}{n\overline{y}}$ 代表区域$j$ 的新质生产力水平占比。

区域之间(组间)差异对总体基尼系数贡献$G_{\text{w}}$ ：

$G_{nb}={\displaystyle \sum _{j=2}^k{\displaystyle \sum _{h=1}^{j-1}{G}_{jh}\left(p_j{s}_h+p_h{s}_j\right)D_{jh}}}$ (11)

区域间(组间)超变密度对$G$ 的贡献$G_t$ ：

$G_t={\displaystyle \sum _{j=2}^k{\displaystyle \sum _{h=1}^{j-1}{G}_{jj}\left(p_j{s}_h+p_h{s}_j\right)}}\left(1-D_{jh}\right)$ (12)

$G=G_w+G_{nb}+G_t$ (13)

不同区域间新质生产力水平的相互影响程度$D_{jh}$ ：

$D_{jh}=\frac{M_{jh}-N_{jh}}{M_{jh}+N_{jh}}$ (14)

其中$M_{jh}$ 为区域$j,h$ 的新质生产力水平之差，且

$\begin{array}{l}{M}_{jh}={\displaystyle {\int }_0^{\infty }\text{d}{F}_j\left(y\right)}{\displaystyle {\int }_0^y\left(y-x\right)\text{d}{F}_h\left(x\right)}\\ N_{jh}={\displaystyle {\int }_0^{\infty }\text{d}{F}_h\left(y\right)}{\displaystyle {\int }_0^y\left(y-x\right)\text{d}{F}_j\left(x\right)}\end{array}$ (15)

即$M_{jh}$ 表示区域间$j,h$ 中所有$y_{ji}-y_{hr}>0$ 的样本值加总的数学期望，$N_{jh}$ 表示区域间$j,h$ 中所有$y_{hr}-y_{ji}>0$ 的样本值加总的数学期望，$F_j,F_h$ 分别表示区域$j,h$ 新质生产力水平的累积分布函数。

4. 实证分析

4.1. 新质生产力水平特征分析

本节采用熵权法，在计算得到的各指标权重值和标准化后的数据以后，运用新质生产力水平测度模型，即式(6)，可测算2012~2022年全国的新质生产力水平测度，结果如表2所示。

Table 2. China’s new quality productivity level (2012~2022)

表2. 2012~2022年中国新质生产力水平

年份	新质生产力水平	年份	新质生产力水平
2012	0.0674	2018	0.5776
2013	0.1027	2019	0.5738
2014	0.1592	2020	0.7215
2015	0.2483	2021	0.7162
2016	0.3203	2022	0.7421
2017	0.3587	/	/

从图2中可以清楚看到，中国新质生产力水平在2012~2022年中取得了显著的增长，从2012年的较低水平增长到2022年的较高水平。这表明中国在推动新质生产力发展方面取得了积极的进展。虽然在发展过程中也存在一些波动，但整体发展趋势来看，中国的新质生产力水平保持“稳中有进”趋势。

Figure 2. Trend of China’s new quality productivity level

图2. 中国新质生产力水平趋势

进一步对各省域的新质生产力水平进行测算，结果表明(见图3)，中国30个省市的新质生产力水平总体呈上升趋势，这得益于在数字经济的驱动下，科技创新、新生产要素、政策支持等多个方面的因素的共同推动。其中，从2015年后，各省域的新质生产力开始逐步增长。究其原因，是因为从2015年开始，我国处于数字经济快速发展阶段，移动互联网和物联网的普及，带来了海量的数据生成和储存，进一步推动了大数据产业和数字经济的飞速增长。而数字经济推动了产业升级与转型、催生了新业态与新模式、优化了资源配置与提高了利用效率等，从而使得新质生产力水平得以快速增长。

从各省份发展角度来看，考察期内的新质生产力水平均值位于前3名的地区分别为广东、江苏、北京。其中，广东的新质生产力水平年均值最高，这是因为广东的经济较为发达和开放，这种开放型经济促进了技术、资金、人才等要素的跨境流动，为本省企业获取国际化的资源和市场提供了机会，从而有助于新质生产力的发展。江苏作为长三角地区的重要一员，始终将科技创新置于经济发展的核心位置，通过增加研发投入、建设科研平台、引进高端人才等多种方式提高科技创新水平，推动新质生产力水平稳步提升。北京作为一个历史悠久、文化底蕴深厚的城市，北京在文化和创意产业方面具有独特的优势，这些产业的发展不仅推动了经济增长，也促进了新质生产力的发展。而位于后3名的分别为海南、宁夏、青海。相比之下，海南、宁夏、青海的新质生产力较为滞后，且三者的新质生产力水平年均值较低，主要原因是这些区域经济结构较为单一，交通便利性较差，创新投入不足，因此制约了新质生产力的发展。

Figure 3. Trend of new-quality productivity level in regions

图3. 区域新质生产力水平趋势

4.2. 区域差异分析

4.2.1. 整体差异

我国新质生产力水平发展的非平稳性特征显著，根据地理位置对各区域进行划分(见表3)，使用Matlab软件计算全国整体和区域间的基尼系数。

Table 3. Regional division of eastern, central, and western China

表3. 东、中、西部地区划分

地区	省份(直辖市/自治区)
东部	北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南
中部	山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南
西部	内蒙古、广西、重庆、四川、贵州、云南、山西、甘肃、青海、宁夏、新疆

由表4可知，我国(2012~2022年)整体基尼系数介于0.187~0.305之间，并且全国新质生产力发展水平的基尼系数呈现上升的趋势，从最初的0.187增长到了0.305。其中，东部地区的基尼系数最大，对全国基尼系数的增长幅度贡献自然也就大。同时，这一变化也反映出了在这11年内中国新质生产力水平的区域差异逐渐增大，接下来，我们将分别对区域内差异以及区域间差异展开分析。

Table 4. Gini coefficient of new quality productivity level

表4. 新质生产力水平的基尼系数

年份	整体基尼系数	地区内基尼系数			地区间基尼系数
		东部	中部	西部	东–中	东–西	中–西
2012	0.187	0.196	0.043	0.095	0.229	0.271	0.087
2013	0.191	0.201	0.049	0.080	0.237	0.282	0.086
2014	0.194	0.199	0.053	0.083	0.241	0.287	0.087
2015	0.208	0.217	0.069	0.086	0.248	0.305	0.105
2016	0.228	0.239	0.091	0.085	0.269	0.327	0.119
2017	0.242	0.244	0.094	0.111	0.272	0.348	0.145
2018	0.260	0.268	0.109	0.112	0.295	0.366	0.149
2019	0.265	0.270	0.105	0.122	0.302	0.373	0.151
2020	0.279	0.281	0.116	0.142	0.317	0.386	0.165
2021	0.287	0.279	0.137	0.157	0.319	0.394	0.187
2022	0.305	0.282	0.174	0.155	0.329	0.421	0.219
均值	0.241	0.243	0.095	0.117	0.278	0.342	0.136

4.2.2. 区域内差异

我国三大区域内部各省的新质生产力分别处在不同水平，且存在明显差异，从图4可以看出这三个区域内的基尼系数曲线都表现为上升的趋势。分别从三大地区的变化情况来看，东部地区的基尼系数由2012年的0.196增长到2022年的0.282；而中部地区由2012年的0.043增长到0.174，增长速度是这三个地区中最快的，说明该区域内的各省差异在快速变大。近年来，中部地区中，安徽的集成电路、湖北的光电子信息、湖南的工程机械等新兴产业快速崛起，形成了具有竞争力的产业集群。以安徽为例，其战略性新兴产业产值占规上工业比重已达40%以上。反观山西和黑龙江等省份，山西的煤炭、黑龙江的石油等传统产业仍占主导地位，新兴产业培育相对滞后。这种产业结构差异直接导致全要素生产率的分化，加速了中部地区新质生产力差距；西部地区较中部地区来说，增长幅度较为适中。由2012~2022年基尼系数的均值来看，三个地区的区域内部差异表现为东部地区(0.243) > 西部地区(0.117) > 中部地区(0.095)。

4.2.3. 区域间差异

从图5可以看出，这三大地区之间的差异在2012~2022年间是逐年增长。中部地区与西部地区的差异最小，地区间基尼系数年均值为0.136；其次是东部地区和中部地区，地区间基尼系数年均值为0.278；而东部与西部地区的区间差异较大，地区间基尼系数年均值为0.342。这说明这三个区域之间的新质生产力水平都存在着较大的差异，而中–西部地区之间的差异相对较少，可见东–西部和东–中部地区间差异是导致中国新质生产力水平区域差异扩大的重要因素。

Figure 4. Evolution of Gini coefficients: national total and intra-regional comparisons

图4. 全国整体及区域内的基尼系数演进图

Figure 5. Evolution of inter-regional Gini coefficients

图5. 区域间的基尼系数演进图

4.3. 差异来源及贡献度分析

全国新质生产力水平之间存在差异，而造成这种差异的来源有两部分，一部分来自地区间的差异，另一部分来自各地区的内部差异。由表5可以得出，从2012到2022年，地区间的差异对全国差异的贡献率呈现缓慢下降的趋势，由2012年的66.861%下降到2022年的63.731%；而地区内的贡献率，由2012年的25.415%上升到2022年的26.026%；从超变密度来看，超变密度贡献率逐年增长，而本次研究中，地区间的差异始终是导致全国总体差异的最主要的因素，组内差异次之，超变密度贡献最小。

Table 5. Contribution of factors to disparities in new quality productivity

表5. 新质生产力水平差异来源贡献度

年份	贡献率(%)
	地区间差异	地区内差异	超变密度
2012	66.861	25.415	7.724
2013	67.695	24.649	7.657
2014	69.008	24.568	6.425
2015	66.478	25.056	8.466
2016	65.826	25.480	8.694
2017	65.844	25.584	8.573
2018	65.104	26.193	8.703
2019	64.933	26.205	8.862
2020	63.425	26.589	9.986
2021	63.026	26.607	10.367
2022	63.731	26.026	10.243
均值	65.630	25.670	8.700

东部沿海地区以其卓越的科技实力和得天独厚的地理优势，持续在全国新质生产力的发展中占据领先地位；中西部地区尽管努力追赶，但发展的差距依然显著。这种差异不仅涵盖了技术层次、产业构成以及创新能力等多个方面，更对各地的经济活力和社会进步产生了深远的影响，随着时间的推移，这种差异可能成为中国经济发展新阶段中不可忽视的重要特征。虽然区域间差异对全国差异的贡献率呈现缓慢下降的趋势，由2012年的66.861%下降到2022年的63.731%，但下降速度还有待提高，经济发达区域往往凭借其多元化的产业结构、先进的产业布局，能更有效地吸纳和应用新技术，引领新兴产业的快速发展，相比之下，一些发展滞后的区域，受限于产业结构的单一性和布局的不合理性，难以迅速适应新技术和新产业的变革，导致在新质生产力的发展上稍显滞后，所以区域间差异减小的速度缓慢。

5. 结论与建议

本文的研究表明，我国总体及30个省份的新质生产力水平呈逐年上升状态，但是整体水平偏低。同时，中国新质生产力发展水平总体差异及区域内和区域间的差异都呈上升趋势，且区域间的差异是新质生产力发展总体差异的主要来源。为加快发展各地区新质生产力水平，本文提出以下建议：

第一，在科技创新方面，要加大科研投入、鼓励企业自主创新和深化产学研合作以加速科技成果的转化与应用；在产业升级与转型方面，通过政策引导和市场驱动，推动传统产业向高端化、智能化方向升级，同时培育新兴产业，形成现代产业体系；在绿色发展方面，应坚持生态优先，推动经济与生态环境的和谐共生。从科技创新、产业升级、绿色发展和人才培养等维度出发，共同推动我国新质生产力水平加速发展。

第二，在推动新质生产力发展的进程中，采取分区施策的策略，从而精准协调区域间的发展。我国区域间新质生产力水平的发展差异日益显著，东部地区凭借强大的经济基础和创新能力已领先，中、西部地区由于人力资源和科技创新和东部地区有很大的差异，所以其还有很大的发展空间。为均衡全国发展，需制定精准的区域扶持策略；首先，利用东部地区的优势，加强区域间交流合作，推动产业和技术向中西部地区转移扩散；其次，针对中西部地区内部差异，选择潜力区域作为新质生产力发展的示范区，给予政策、资金和技术支持，促进其先行发展。最后，基础设施建设对新质生产力发展也至关重要，应加大对中西部地区基础设施的投入，提升交通、能源、通信等能力，为新质生产力发展奠定坚实基础。通过分区施策、精准扶持、加强区域合作和基础设施建设，有效推动全国新质生产力均衡发展，提升国家整体竞争力。