基于DEA与群体智能驱动的神经网络:工业虚拟集聚中数字生产要素拥堵效应的评估与模拟
《Expert Systems with Applications》:Evaluation and simulation of congestion effects of digital production factors in industrial virtual agglomeration: Based on DEA and swarm intelligence-driven neural networks
【字体:
大
中
小
】
时间:2026年04月19日
来源:Expert Systems with Applications 9.4
编辑推荐:
滕仁|陈杰|李思迪|肖赫卢 中国中南林业科技大学,长沙,410004
摘要:随着数字经济推动产业虚拟集聚,数字技术投入不仅可能缓解传统的拥堵约束,还可能带来新的拥堵风险。这两种效应的共存反映了数字时代区域发展面临的重要挑战。为探讨这一问题,本研究构建了一个综合框架,用于衡量、解
滕仁|陈杰|李思迪|肖赫卢 中国中南林业科技大学,长沙,410004
摘要:随着数字经济推动产业虚拟集聚,数字技术投入不仅可能缓解传统的拥堵约束,还可能带来新的拥堵风险。这两种效应的共存反映了数字时代区域发展面临的重要挑战。为探讨这一问题,本研究构建了一个综合框架,用于衡量、解释和预测中国区域间资源配置中的数字要素拥堵现象。具体而言,采用基于自然条件和管理条件下的扩展DEA模型,将整体效率低下分解为技术效率部分和拥堵因素部分,并区分不良数字拥堵与良性数字拥堵。同时运用赫克曼样本选择模型,在纠正拥堵非随机发生的情况下,估算不良数字拥堵的决定因素。实证结果表明,技术效率低下是造成损失的主要原因,而与拥堵相关的效率问题则存在明显的区域差异;较强的数字平台以及更好的人力资本结构有助于降低不良数字拥堵。为突破单纯回顾性评估的局限,本研究还引入了基于群体智能的预测模块,通过开发学习型粒子群优化与反向传播神经网络来实现这一目标。该模块通过精英学习策略处理停滞的粒子,并采用自适应种群更新机制,提升了群体在不同演化状态下的搜索能力,从而获得更优质的初始网络权重和偏差值。通过具有时间有效性的外样本测试,该预测模型相比传统反向传播模型具有更高的预测精度。总体而言,本研究为数字要素配置中的拥堵问题提供了综合评估与模拟分析体系,结合基于DEA的测量方法、机制识别与模拟分析,有助于对不良数字拥堵的发展动态进行前瞻性监测。
引言:在数字经济时代,以大数据、人工智能和物联网为代表的新一代信息技术正深入实体经济,不断重塑产业结构与区域发展模式。传统上,产业集聚主要依赖于地理邻近性,遵循要素流动的中心-边缘逻辑,其效率提升通常源于规模经济、知识溢出以及空间集中带来的分工优势。然而,当资本、劳动力和技术过度集中在有限的地理区域内时,日益上升的土地租金、通勤成本和环境治理成本往往会引发传统的拥堵问题。相比之下,数字技术的广泛普及大大削弱了产业结构对物理距离的依赖。通过将生产、交易和协调过程嵌入网络空间,数字技术实现了跨区域连接以及信息流、技术流和某些生产者服务的实时互动,从而推动产业集聚超越地理界限,演变为一种以专业化分工、基于网络的协调以及跨区域联动为特征的新的产业虚拟集聚形式(Wang, Wang, & Wu, 2018a)。一方面,产业虚拟集聚为打破区域壁垒、降低交易成本和提高资源配置效率创造了新可能;另一方面,它也意味着产业运营越来越依赖于数据、计算能力和算法等数字生产要素的持续投入与有效协调。因此,由数字经济驱动的产业虚拟集聚并不意味着传统拥堵问题的自动消失。相反,在其形成和深化的过程中,数字要素的配置本身就可能产生新的拥堵形式,进而对区域产业协调与配置绩效产生更为复杂的影响。
然而,在数字经济背景下,数字要素投入与经济成果之间的关系本质上是非线性的。作为知识密集型且依赖网络的生产要素,数字要素的有效性在很大程度上取决于区域技术吸收能力与现有要素禀赋之间的匹配程度(Fan, He, & Zhang, 2025)。当数字投资超出系统的有效转化能力时,边际生产力提升反而可能下降。与传统空间集聚类似,虚拟集聚也存在最优规模条件,超过这一限度后,过度的数字要素集中就会引发拥堵效应。这种拥堵通常表现为要素冗余、运营效率下降以及配置结构扭曲,尤其是在算法治理和协调机制不完善的情况下。忽视这些能力限制可能会导致系统性效率损失,而非持续的数字经济驱动型增长。至关重要的是,由于数字要素配置具有快速调整性且通过网络相互关联,拥堵风险可能在总体结果显现之前就以隐性方式积累。这一特性使得纯粹的回顾性诊断无法满足治理需求,因此有必要整合能够提前预警潜在拥堵损失的预测工具。
长期以来,拥堵一直被视为资源分配分析中效率低下的重要原因。除了传统的调度和优化方法之外(Wang, Pan, Wang, 2021; Wang, Liang, Li, 2018b),数据包络分析已成为一种广泛应用的非参数框架,用于识别拥堵效应。早期的拥堵识别基于F?re和Leif提出的理论框架(F?re & Svensson, 1980),由此发展出了FGL模型(F?re, Grosskopf, & Lovell, 1985)。该模型基于边际产出递减的拥堵特征,构建了两阶段径向DEA模型,通过在强假设和弱假设下比较投入变量的技术差异来衡量拥堵程度(F?re, Grosskopf, Lovell et al., 1989)。随后,Cooper等人指出了FGL模型的理论局限性(Cooper, Deng, Gu et al., 2001),并提出了更为精细的Cooper-Thompson-Thrall(CTT)模型,该模型被广泛应用于能源拥堵度量研究之中(Cooper, Deng, Huang, et al., 2002; Wu, Zhou, Zhou, 2015)。随着对气候变化与经济运行之间相互作用机制研究的深入,学者们开始将污染排放等不良产出纳入拥堵分析框架。在FGL和CTT模型的基础上,他们开发了多种改进模型,包括WY-TS模型(Tone & Sahoo, 2004)、Noura模型(Sueyoshi & Goto, 2012)以及基于锚点的改进DEA模型(Shadab, Saati, Saen, & Mostafaee, 2020)。这些进展显著丰富了衡量拥堵的方法体系。
近年来,学术界对拥堵效应的理解已从“拥堵等于效率损失”的简单观点,发展为区分“不良拥堵”与“良性拥堵”的双重框架(Sueyoshi & Goto, 2016)。在这一框架下,“不良拥堵”指的是效率损失状态,即要素投入超过了系统的承载能力阈值,导致预期产出增长放缓,同时不良产出增加。而“良性拥堵”则描述的是在技术升级或管理优化条件下,适度增加要素投入反而能提升预期产出,同时抑制不良产出,属于“拥堵条件下的效率优化”的一种特殊情况。这一理论的发展与数据包络分析及其扩展模型方法论的进步密切相关(Xuan, Zhang, Wu et al., 2025)。为准确识别因投入过剩导致的效率损失,本研究构建了一个包含不良产出的环境DEA模型。该模型将系统效率低下分解为“纯技术效率低下”和“拥堵效率低下”,从而有效衡量拥堵效应(Zeng, Zhou, Xiao et al., 2022)。这一方法论框架已被应用于多个层面的实证研究:在宏观工业和能源领域,相关研究不仅揭示了中国工业部门以及APEC经济体中的能源拥堵现象(Zeng et al., 2022; Zhou, Meng, Bai et al., 2017),还分析了省级和行业层面的工业碳减排过程中的良性与不良拥堵效应,探讨了它们与技术效率及减排潜力之间的内在联系(Zhang, Liu, & Su, 2020)。此外,针对特定关键行业的深入研究表明,中国的区域燃煤发电(Chen, Li, Zhao et al., 2019)、交通运输(Pang, Qiu, Zhang et al., 2023)、造纸业(Ren & Yang, 2024)以及电力行业(Sueyoshi & Goto, 2016)普遍存在拥堵现象。拥堵的具体原因和表现因行业特定的技术经济特征而异,这凸显了开展基于情景研究的必要性。
值得注意的是,研究方向正在逐步从单纯的拥堵识别转向根源分析及治理策略研究。例如,有研究通过无谓损失分析,精准识别了中国造纸行业的关键拥堵因素(Ren & Yang, 2024);另有研究则构建了两阶段模型,同时分析了中国省级层面碳减排过程中的能源和资本拥堵效应(Wu et al., 2015)。随着包括Tobit模型、多元线性回归(Fang, Luo, Xiao et al., 2025)以及窗口分析法(Zhang, Liu, Su, 2020; Zhou, Meng, Bai, et al., 2017)在内的多种计量经济方法的引入,拥堵研究逐渐从“效应识别”转向“机制探索”,系统性地探讨“拥堵如何产生”以及“如何对其进行调控”等更深层次的问题。
与此同时,另一类以治理为导向的研究观点认为,事后的拥堵诊断与事前的拥堵预测是相辅相成而非相互替代的。虽然基于分解的评估方法可以确定拥堵损失的来源,但决策往往需要一个前瞻性的基准——即在没有及时干预的情况下拥堵可能会如何发展——这样政策制定者才能在拥堵状况严重化之前进行早期风险筛查并准备应对方案(Wang, Liu, Gu, & Pan, 2025)。这在数字要素配置领域尤为重要,因为其中的非线性互动、能力限制以及跨区域溢出效应使得拥堵过程难以用线性或加性结构来近似描述(Xu et al., 2023)。因此,以预测为导向的分析方法,尤其是机器学习预测技术,越来越多地被用来将诊断指标转化为具体的操作决策支持(Liu & Hong, 2022)。在这一领域中,混合元启发式-神经网络模型常被用于提升训练的稳健性(Yang, Ren, Yu, Chen, & Wang, 2025)。特别是学习型粒子群优化与反向传播神经网络,可被视为一种基于群体智能的神经网络模型,其中群体智能优化器会对网络参数进行全局搜索,以降低对随机初始化的敏感性(Ren et al., 2023)。由于这类设计能够在非线性预测任务中提升收敛稳定性和泛化能力,因此在政策相关信息集中在稀疏、高拥堵的极端情况下尤为适用(Ren et al., 2022)。
对现有文献的回顾表明,尽管基于DEA的拥堵度量体系已在能源和工业等传统领域趋于成熟,并取得了丰硕成果,为理解要素配置效率与系统承载能力之间的关系提供了重要见解,但其应用范围仍然存在明显局限。目前的研究大多聚焦于能源和资本等传统要素的拥堵现象,尚未将拥堵理论系统地延伸到以数据、计算能力和算法为核心的数字生产要素领域。这一遗漏并非无关紧要,因为数字要素具有内在的网络属性,并表现出强烈的外部性:额外的数字要素投入可能同时产生正向溢出效应(如连通性提升、学习效应、匹配效应)和负向溢出效应(如信息过载、协调摩擦、重复冗余),其净效应取决于地区的吸收能力与治理水平。此外,传统环境中应用的常规拥堵DEA模型通常用于事后诊断“投入冗余导致的效率损失”,但它不太适用于存在不良副产品以及治理改进措施并存的数字要素场景。具体而言,如果不明确纳入不良产出并分离不同的效率组成部分,就很难(i)区分由拥堵导致的损失与纯粹的技术效率低下,以及(ii)判断所观察到的“过量”数字要素投入属于不良数字拥堵还是良性数字拥堵。即便成功测出了拥堵,大部分证据仍属于事后描述性质,难以为在快速变化的技术和制度环境下实现前瞻性数字治理提供有效的预测支持。为弥补这些不足,本研究采用了基于自然条件和管理条件双重假设、并包含不良产出的扩展DEA框架,同时对不良数字拥堵与良性数字拥堵进行了分类,该框架专门针对数字要素的网络外部性、吸收能力限制以及受治理因素影响的不良产出而设计。
需要进一步明确的是,本文将拥堵理论应用于数字要素领域并非简单的概念移植。数字要素所具有的非排他性、强烈的网络外部性以及近乎为零的边际复制成本等固有特征,使其拥堵机制与能源、资本等传统要素有着显著差异(Li & Zhao, 2024)。基于这些特征,本文提出一个核心理论:数字要素的拥堵本质上是其网络化配置中的结构性失衡。具体而言:对于UDC而言,过度且同质的数字投入会引发负向网络外部性(Chen, Li, Song等人,2022年;Li, Zhao,2024年),从而导致信息过载以及协调成本急剧上升。这些成本的增长率可能会超过零边际成本所带来的收益,进而出现边际收益递减的情况。而对于DDC而言,其形成依赖于各区域通过先进的技术能力与协作治理,将“过剩”的投入转化为更强的连通性与创新能力,从而充分发挥正向网络外部性的作用(Chen等人,2022年),进而实现更高的规模报酬。为将这一框架付诸实践,该研究构建了一个基于两阶段DEA的拥堵分析模型,该模型纳入了自然约束与管理约束假设,能够将整体效率低下问题分解为纯技术效率低下与拥堵效率低下两部分。通过结合时间分割与区域分层,该模型充分考虑了2014年至2023年间中国30个省份在数字要素分配方面的时空异质性。此外,为探究不良数字拥堵的形成机制,研究还采用了Heckman两阶段模型,通过选择方程与结果方程来区分拥堵的发生与严重程度。这种综合方法为衡量数字要素分配中的效率损失以及识别导致不良拥堵的关键因素提供了系统化的框架。在这些诊断工具的基础上,研究进一步引入了LPSO-BP模型,用于预测UDC值,并在具有时间有效性的外样本环境下评估其预测性能。在本研究中,“模拟”指的是基于预测的UDC风险前瞻性评估,而非结构性反事实模拟。具体而言,我们通过训练LPSO-BP模型来生成连续UDC指数的外样本预测值,从而在现有要素分配模式持续下去的背景下描绘出未来的发展轨迹。这种基于预测的模拟补充了纯粹的诊断性拥堵测量方法,能够实现前瞻性监测与早期预警——即在与拥堵相关的损失完全显现之前,就能识别出可能向高UDC状态转变的趋势。这一拓展形成了从测量、机制诊断到面向预测的决策支持的一体化流程,不仅有助于识别由拥堵引发的效率低下问题,还能预判其潜在的发展趋势,从而为制定更加精准且及时的政策提供依据。
整体框架
本研究采用三阶段的数据与模型驱动框架,用于评估、解释并预测数字要素分配的效率。第一阶段:利用纳入自然约束与管理约束的扩展DEA模型,对数字要素分配的效率低下问题进行测量与分解,从而构建出纯技术效率低下与拥堵效率低下的连续指标,并区分UDC与DDC类型。第二阶段:机制识别与优化分析。
UDC的时空特征
根据中国国家统计局制定的区域分类标准,本研究涉及的30个省份被划分为东部、中部、西部和东北部四大区域。东部地区包括10个省份:北京、天津、河北、山东、上海、江苏、浙江、广东、福建和海南。中部地区由6个省份组成:湖南、山西、江西、河南、湖北和安徽。西部地区则包含11个省份:
数字要素分配中拥堵模式的解读
实证结果表明,中国各省份在数字要素分配方面的拥堵现象存在显著的时空异质性。与传统生产要素不同,数字投入具有强烈的网络外部性及可扩展性,这改变了拥堵的产生方式。在这种背景下,拥堵并非简单的投入冗余,而是反映了那些受治理状况影响的不良副产品——比如协调摩擦、重复劳动以及网络过载等问题,而这些问题的严重程度会随着某些因素的变化而上升。
结论
数字经济的发展加速了产业间的虚拟集聚,同时也使得数字生产要素分配领域的拥堵问题日益凸显。根据其对分配效率的不同影响,这类拥堵可被区分为DDC与UDC两种类型。本研究构建了一个整合了DEA与Heckman模型的框架,旨在分析数字经济背景下跨区域数字要素分配的效率损失问题。
CRediT作者贡献说明
滕仁:概念构思、数据整理、资金获取、初稿撰写、审稿与编辑。陈杰:概念构思、数据整理、方法设计、可视化处理、初稿撰写、审稿与编辑。李思迪:方法设计、初稿撰写、审稿与编辑。肖赫鲁:数据整理、方法设计、可视化处理、审稿与编辑。
利益冲突声明
作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。