摘 要：本文基于2012—2022年苏州市的面板数据，采用熵值法和面板固定效应回归模型进行分析。结果显示，数实融合显著促进了苏州制造业的产业升级，区域经济韧性起到中介作用。政府调控、科研教育投入和产业结构的改善对数实融合与产业升级之间的关系具有显著的调节效应。据此，本文提出相应建议：促进数字经济与实体经济的深度融合，增强区域经济韧性，并建立健全相关市场制度和法律体系，以确保产业升级的顺利进行，仅供参考。
关键词：数字经济与实体经济的融合；制造业产业发展；区域经济韧性；科教投入
中图分类号：F127；F121.3 文献标识码：A 文章编号：2096-0298（2025）02（b）--05
1 研究内容
中国经济数字化新模式的发展，传统制造业向数字化转型的趋势是大势所趋。作为世界第一制造业大国，中国制造在转型过程中对技术进步和经济环境有着重要影响。新时代以来，传统制造业拉动经济增长的趋势正在放缓。制造业产业发展成为经济新常态背景下解决经济增长的主要方式。数字经济与实体经济融合（以下简称数实融合），能够为制造业产业发展提供要素支持。同时，工业5.0背景，为制造业的产业升级提供了发展框架和方向，也提出新的挑战和问题。本文基于中国苏州市的制造业现况，旨在探讨数实融合对制造业的影响路径，区域经济韧性在其中的作用。
根据国家统计局的《2023数字中国发展报告》，中国数字经济规模增长持续提升，2023年数字经济核心产业增加值估计超过12万亿元，占GDP比重10%左右；高技术制造业中，计算机、通信和其他电子设备制造业投资同比增长9.3%，增速比全部固定资产投资高6.3%，中国的制造业数字化转型持续深化。数字经济转型正在积极推进，中国数字经济发展水平有望不断提升，与各行各业深度融合，推动中国制造业产业发展。
2 研究综述
2.1 数字经济与实体经济的融合
已有研究表明，数字实体融合对高质量经济发展具有显著的直接和间接促进作用，且不同地区和经济发展水平存在显著异质性。
部分研究通过对数字经济发展程度的测算，从产业结构合理化和升级角度评价了产业升级水平，并构建了计量模型来验证数字经济对带动产业升级的贡献。
在两种经济的融合研究中，通过使用数字经济在实体经济中的占比来衡量两者的整合程度，发现数字经济与实体经济的整合发展系统通过创新增长模式、优化产业结构、提升制造能力和拓展应用领域，显著提升了经济发展的质量和效益。
同时，在数实融合测度研究中，主要集中于行业层面，Meng（2023）采用投入产出法测算了中国工业部门各行业数实融合程度。他们的研究揭示了不同工业部门之间数字经济与实体经济融合水平的差异[1]。
Fei（2024）基于已有研究，根据耦合协调度构建了中国现有的数字经济与实体经济融合体系，并基于此评价了中国不同地区和省份的融合发展水平的现状[2]。
2.2 制造业产业发展影响因素
Cheng（2024）以京津冀地区为研究对象，实证分析了数字经济发展水平能够推动制造业升级水平，此外，外商直接投资、经济发展、行业规模以及科技投入等因素也能促进京津冀地区制造业整体的升级[3]。
Tanina Anna（2022）论证了数字化技术对俄罗斯的制造业水平与经济效应的影响，通过实证研究发现数字化技术对俄罗斯制造业升级的影响最为显著[4]。Wu（2023）分析了数字经济与三大类制造业（劳动密集型、资本密集型、技术密集型）融合对碳排放的影响机制，并实证检验了数字经济与三大制造业融合的影响机制，验证了数字经济与技术密集型制造业的深度融合有助于促进碳减排[5]。
2.3 区域经济韧性
在数字经济与区域经济韧性的相关研究中，Cao（2024）论证了数字经济通过促进创新和创业活动及提升社会安全水平，间接增强了城市经济韧性，并在模型中表现为中介效应[6]。Silvia（2017）以意大利为研究对象，论证了产业间的相关性、不同产业所依赖的知识和技术类型的多样性、产业结构、创新能力对区域经济韧性的影响[7]。Guo（2023）的研究揭露了数字化程度对区域经济韧性的影响，数字化对城市经济韧性的积极影响主要通过提高区域劳动力素质和全要素生产率来实现，随着人口密度的增加，数字化程度与经济韧性之间呈现倒U型关系[8]。Wang（2018）采用阻力敏感度、工业用地面积、区域经济联系等阻力指标评价TLB工业经济在2008年金融危机和2018年中美贸易冲突期间的抵抗能力。引入阻力敏感性和自主创新能力来评估两轮冲击后的恢复能力，并基于熵权法评估综合经济韧性[9]。
2.4 综述总结
本文在已有研究的基础上进行创新，希望为理论研究和实证分析提供新的参考。苏州是中国制造业的代表性城市，本文以苏州市为研究区域，探究数实融合对苏州制造业产业升级的影响机制，同时采用熵值法进行耦合协调调度评估，以满足实证结果的稳定性和可靠性。文章引入多种调节变量，对数实融合对制造业产业升级的影响路径进行探索。
3 研究设计
3.1 数据来源
本文采用2012—2022年苏州统计年鉴的面板数据，探讨数字经济与实体经济融合对苏州制造业升级的复杂影响。通过手动整理，利用插值法补充部分缺失数据，相关地区经济指标来源于国家统计局与统计年鉴、省市级统计年鉴。
3.2 变量解释与描述
3.2.1 解释变量定义：数字经济与实体经济融合的测度
数字经济与实体经济的融合（数实融合）是本文的核心解释变量，其测度需兼顾多维指标与动态交互性。我们采用了熵值法，这是一种基于信息熵原理的客观赋权方法，能够有效评估各指标的权重。
具体而言，我们从数字基础设施、数字化制造、数字金融服务和数据要素驱动四个方面构建了数字经济的指标体系。在数实融合的测度体系构建中。本文参考Sun（2024）的贡献，采用熵值法评估数字经济与实体经济的发展阶段[10]。熵值法在对制造业升级系统各指标赋权后，计算出综合发展指数。
如表1所示（数字经济amp;实体经济）：具体而言，数字经济子系统的指标涵盖数字基础设施（21.28%）、数字化制造（54.1%）和数字金融服务数据要素驱动（24.61%）。其中，数字化制造的高权重（54.1%）反映了苏州作为制造业强市的特征，其智能制造平台、工业互联网应用及数字化生产流程的渗透率对融合程度具有决定性影响。
实体经济的测度则聚焦农业（8.21%）、工业（23.7%）、建筑业（16.12%）、运输邮政电信业（13.37%）、批发零售业（15.01%）和住宿餐饮业（14.7%）。工业占比最高，符合苏州以制造业为核心的产业结构特征。
数字经济与实体经济相互作用的量化可通过以下公式实现：
式（1）中：Ctde表示t时期数实融合程度，utd表示t时期经济发展水平，ute表示同一时间跨度内实体经济发展水平。基于公式（1），本文构建了数字经济与实体经济的耦合评价模型：
式（2）中：Srtde变量表示t时期数实融合程度，Ttds表示数字经济和实体经济的综合水平，α和β是反映数字经济和实体经济重要性的系数。值得注意的是，约束α+β=1确保重要性分配均衡。融合值（标记为Sr）介于0和1之间，量化了数字经济和实体经济之间的相互作用。该范围内的数实融合程度与此数值成正比。
通过耦合协调度模型（公式1-2）计算数实融合值（Sr），其范围在0～1之间，数值越高表明融合程度越深。例如，2022年苏州市Sr值为1.423，较2012年的1.415仅小幅提升，反映出融合进程已进入平稳期，需通过结构性改革突破瓶颈。
3.2.2 被解释变量：制造业产业发展水平
本文借鉴Liu（2021）等的研究成果，同样采用熵值法对变量制造业升级评估指标赋权方法进行客观指标赋权计算[11]。具体表现如表1所示（制造业产业发展水平）。制造业产业发展水平的测度采用智能化（27.85%）、服务化（22.35%）、网络化（20.36%）和环保化（29.43%）四大维度。智能化权重最高，体现了苏州制造业向“智造”转型的战略导向，如苏州工业园区内规上企业智能化改造覆盖率已达92%。服务化指标则通过生产性服务业占比衡量，2022年苏州制造业服务化收入占比提升至18.6%，但仍低于发达国家30%的平均水平，表明服务化潜力尚未充分释放。环保指标权重为负向（-29.43%），表明碳排放强度、单位产值能耗等逆指标对综合指数产生抑制作用。例如，苏州2022年制造业碳排放强度同比下降7.3%，但钢铁、化工等高耗能行业仍占工业总能耗的65%，环保化转型压力显著。
3.2.3 中介变量
本文选取区域经济韧性作为中介变量，结合我国经济发展特点，选择多种指标建立综合指标体系，从多个维度评价区域内经济韧性。本文参考张辽（2023）等关于区域经济韧性系统的研究[12]。从抵抗与恢复能力、适应与调节能力和转型与发展能力三个维度构建多维指标体系，并采用熵值法计算得到城市经济韧性综合指数。
具体数据参考表1区域（经济韧性）。其中，抵抗与恢复能力包括地区生产总值增长率、固定资产投资增长率等，权重为26.5%；适应与调节能力涵盖产业结构调整速度、劳动力市场灵活性等，权重为35.89%；创新与转型能力则涉及专利申请数、高新技术企业数等，权重为37.62%。这些指标综合反映了苏州地区经济在面对各种挑战时的适应性和创新能力。
3.2.4 调节变量
为了进一步探讨数字经济与实体经济融合对制造业产业发展的影响路径，本文引入多个调节变量。政府调控：本文以苏州市地方财政支出占地区GDP的比重作为政府调控程度的替代指标，记为Govt，以苏州市地方财政支出占地区GDP的比重作为替代指标，反映了政府在经济发展中的干预程度。产业结构：采用第二产业和第三产业产值比重作为产业结构的指标，反映了苏州产业结构的优化程度，记为Indt。科学教育投入：科教投入是指科教支出占地方公共预算支出的比重，反映一个城市的创新活力。加强科教投入可以优化产业结构，促进经济增长，提高城市的经济韧性，记为SciEdt。
3.3 模型构建与分析
3.3.1 描述性统计
在回归分析之前，对2012—2022年苏州市统计数据进行分析，各变量统计结果如下：数字经济与实体经济融合的平均值为1.419，方差仅为0.002，表明其数值较为稳定，波动极小。最大值为1.423，最小值为1.415，两者相差甚微，整体数值集中在1.415～1.423，反映出数字经济与实体经济融合程度在样本中表现较为一致，差异不大。
制造业产业发展的平均值为0.985，方差为0.008，同样显示出较小的波动性。最大值0.992与最小值0.966之间的差距也不大，说明制造业产业发展在样本中的表现相对稳定，各观测值之间的差异有限，整体发展水平较为均衡。政府调控变量的平均值为1.062，方差0.061，相较于前两个变量，其波动有所增大。最大值1.122与最小值0.932之间的差距为0.19，反映出政府调控在不同情况或时期存在一定差异，但整体仍处于相对合理的波动范围内。产业结构变量的平均值高达308.355，方差达到152.651，波动幅度显著。最大值551.419与最小值101.885之间差距巨大，表明产业结构在样本中存在极大的差异，不同地区的产业结构或不同产业之间的结构差异明显，部分样本的产业结构数值远高于其他样本，导致整体分布较为分散。科研教育投入变量平均值为0.236，方差0.02，波动相对稳定。最大值0.266与最小值0.209之间的差距较小，说明科研教育投入在样本中的表现较为一致，各观测值之间的差异不大，整体投入水平较为均衡。区域经济韧性变量的平均值0.679，方差0.042，波动处于中等水平。最大值0.734与最小值0.626之间的差距为0.108，反映出区域经济韧性在不同区域或不同情况下的表现存在一定差异，但整体仍处于相对集中的范围内，各区域的经济韧性水平有一定波动，但差异不是特别极端。
3.3.2 回归模型构建
本文使用面板固定效应回归模型对数字经济和实体经济融合对制造业产业发展的影响进行实证检验，构建如下回归方程模型：
Iut=α1+α2Srtde+α3Govt+α4Indt+α5SciEdt+α6Regiont（3）
式（3）中：t表示年份；Iut表示苏州市制造业的产业升级水平；Srtde表示数实融合程度；Govt表示政府调控；Indt表示产业结构；SciEdt表示科研教育投入；Regiont表示区域经济韧性。系数值α2表示数字经济和实体经济融合对制造业产业发展的影响程度，如果该系数值大于0，表示数字经济和实体经济融合有利于提升制造业产业发展水平。
4 实证结果分析
4.1 基准回归结果
回归结果如表2所示，数实融合有利于制造业产业发展水平的提升，这不是制造业企业的生产模式的升级，而是对全产业链的智能化、服务化、网络化、可持续化的协同升级。其中，政府调控（P=0.023*）产业结构（P=0.015*）、科研教育投入（P=0.003**）的调节效应表现为显著，说明此类变量数实融合有助于制造业产业发展水平的提升。最终回归方程模型的调整R2=0.967，P=0.002，DW=2.061符合标准。最终回归方程模型为：
Iut=166.754+140.292rtde+4.696Govt-42.7Indt+28.518 SciEdt-2.219Regiont（4）
4.2 中介效应回归结果
采用Bootstrap对区域经济韧性的中介效应进行检测，在此过程中，直接效应为13.205，中介效应值为-80.333，总效应为-67.128，95% Boot CI为-1.277—0.001，95%区间并不包括数字0，说明区域经济韧性在数实融合影响制造业产业发展的关系中具有中介效应。
5 结语
5.1 结论与建议
本文基于2012—2022年苏州市制造业的面板数据，理论分析与实证检验相结合，验证了数实融合对苏州制造业的产业升级水平的影响路径，并得出以下启示：数实融合能够显著提升苏州制造业的产业升级水平，在数实融合对制造业产业发展的过程中，政府调控、科技教育投入和产业结构改善的调节作用必不可少。区域经济韧性是数实融合与制造业产业发展之间的重要中介因素。
促进数字经济与实际经济的融合程度，这对制造业升级来说至关重要。随着苏州的数据中心和基站在内的数字基础设施的完善，合理的管理和布局可以提高效率并降低数字经济的成本。同时，提升人力资本等资源的新质生产力要素的应用，能够有效提升相关产业的升级速度。此外，规范市场制度和完善法律制度，是数字经济与实体经济融合的重要保障，也是提升区域经济韧性的重要措施。
5.2 研究不足与展望
本文具有一定的局限性，受限于苏州市的城市特殊性和样本容量限制，所采用的横截面数据不够全面，并未考虑不同区域的异质性，未来可以扩大研究范围。针对数字经济与实体经济融合的测度只从宏观层面进行，未来可以更加深入探索数实融合对个别企业的直接影响。
参考文献
Meng S， Su H， Yu J. Digital Transformation and Corporate Social Performance： How Do Board Independence and Institutional Ownership Matter？ [J]. Frontiers in Psychology， 2022， 13.
Qian F. Coupling Coordination and Dynamic Analysis of the Integration and Development of Digital Economy and Real Economy [J]. Academic Journal of Business amp;amp; Management， 2024， 6（6）.
Cheng J， Wang Q. Research on the Influence of Digital Economy on the Upgrading of Manufacturing Industry in Beijing-Tianjin-Hebei Region of China [C]//Proceedings of the 3rd International Conference on Big Data Economy and Digital Management， BDEDM 2024， January 12-14， 2024， Ningbo， China. EAI， 2024.
Anna T， Marina I， Grigory K， et al. Model of State Support for The Digital Transformation of The Manufacturing Industry in Russian Regions [J]. International Journal of Technology， 2022， 13（7）： 1538.
Wu T， Peng Z， Yi Y， et al. The synergistic effect of digital economy and manufacturing structure upgrading on carbon emissions reduction： Evidence from China [J]. Environmental Science and Pollution Research， 2023， 30（37）： 87981-87997.
Cao L， Pan N， Lu Y， et al. Digital Innovation and Urban Resilience： Lessons from the Yangtze River Delta Region[J]. Journal of the Knowledge Economy， 2024.
Sedita S R， De Noni I， Pilotti L. Out of the crisis： an empirical investigation of place-specific determinants of economic resilience [J]. European Planning Studies， 2016， 25（2）： 155-180.
Tian Y， Guo L. Digital development and the improvement of urban economic resilience： Evidence from China [J]. Heliyon， 2023， 9（10）： e21087.
Wang Y， Xu J， Liu D， et al. Analysis and Comparison of the Industrial Economic Resilience in the Taihu Lake Basin under the 2008 Financial Crisis and the 2018 Sino-US Trade War [J]. Land， 2023， 12（2）： 481.
Sun G， Fang J， Li J， et al. Research on the impact of the integration of digital economy and real economy on enterprise green innovation [J]. Technological Forecasting and Social Change， 2024， 200： 123097.
Liu E， Wang Y， Chen W， et al. Evaluating the transformation of Chinas resource-based cities： An integrated sequential weight and TOPSIS approach [J]. Socio-Economic Planning Sciences， 2021， 77： 101022.
张辽， 姚蕾. 数字技术创新对城市经济韧性的影响研究： 来自中国278个地级及以上城市的经验证据[J].管理学刊.2023，36 （5）：38-59.
