数字包容性金融与共同繁荣：通过创新和创业在中国产生的空间溢出效应

《Journal of Innovation & Knowledge》：Digital inclusive finance and common prosperity: Spatial spillovers through innovation and entrepreneurship in China

　　张一彤|刘鹏聚|王海霞|赵玲迪
中国海洋大学经济系，青岛市266100

摘要
在快速发展的数字经济背景下，探索如何促进共同繁荣具有重要的理论和实践意义。本研究将经济要素之间的空间互动纳入分析框架，利用2011至2023年间中国273个地级城市的面板数据。通过采用双向固定效应的空间杜宾模型（SDM）和空间中介模型，实证检验了数字包容性金融（DIF）对共同繁荣的影响机制。研究结果表明，DIF对共同繁荣具有显著的直接正向效应和空间溢出效应。异质性检验表明，这些效应在数字金融的使用深度、东部地区和核心城市中更为显著。进一步的机制检验确认，创新和创业是关键的中介渠道。本研究通过丰富金融发展和共同繁荣的空间理论框架，为利用DIF实现公平和可持续增长提供了政策启示。

引言
习近平主席强调，共同繁荣不仅是社会主义的本质，也是人民的共同愿望，代表了经济和社会发展的最终目标。这一目标强调了通过高质量发展促进社会公平和共享利益的重要性。其内涵不仅包括提高收入水平，还包括缩小收入差距和实现长期经济增长的可持续性（刘等人，2023）。实现共同繁荣需要在效率和公平之间找到辩证平衡。这可以通过优化资源配置来增强社会福利，并确保发展成果在全社会中公平分配（刘等人，2023；瑞超和布拉恩，2025）。然而，在推进这一发展议程的过程中仍存在重大挑战。根据《中国统计年鉴》（国家统计局，2024年），城市居民人均可支配收入为51,821元人民币，而农村居民为21,691元人民币，比例为2.39；东部地区居民年均收入为49,822元人民币，西部地区为31,100元人民币，比例为1.60。这些差距限制了国内需求的潜力，并对社会正义的追求构成了挑战。因此，寻找实现共享繁荣的可行机制已成为当代经济学的重要研究课题，对全球减贫和包容性增长具有深远影响。

数字包容性金融（DIF）作为数字技术和包容性金融的深度融合，有望解决包容性发展的结构性壁垒。DIF采用自下而上的服务模式，直接服务于传统金融体系排斥的人群，提供支付、投资和信贷等多种金融服务，体现了其内在的包容性（周等人，2024）。DIF的发展已成为现代经济的一个关键特征，弥补了传统金融体系在满足服务不足的家庭、小企业和欠发达地区金融需求方面的局限性（李等人，2024）。根据北京大学数字金融研究中心的数据，2011至2023年间，中国DIF指数的年均增长率为26.7%。其覆盖范围、使用深度和数字化水平均实现了快速增长，尤其是在农村和西部及中部欠发达地区。数字金融服务的可及性显著提升，打破了传统的地理和制度障碍。这一趋势与共同繁荣的目标高度契合：DIF的包容性确保了弱势群体能够平等获得金融资源，其数字化特性提高了金融资源的配置效率。这两种力量共同推动了包容性增长。然而，DIF对这一目标的影响并非绝对积极，因为它受到数字鸿沟、区域资源禀赋和监管能力等因素的影响（王俊业等人，2025；马泰，2020）。因此，准确评估DIF对共同繁荣的影响和机制对于提升金融服务质量和加速实现共享繁荣至关重要。

快速的技术进步、基础设施的改善以及社交网络连接的增强极大地提升了资本、劳动力、技术和数据的流通效率。这些动态为DIF的扩张提供了有力支持，促进了区域创新交流，激发了城乡人口的创业活动，优化了资源配置，并实现了区域发展的平衡（胡等人，2025；周和郭，2024；周等人，2025）。然而，现有文献的回顾表明，尽管关于DIF和共同繁荣的研究取得了显著进展，但在以下方面仍存在明显不足：首先，从研究角度来看，以往的研究往往将DIF视为主要在行政边界内运作的区域因素，主要关注其对地方经济发展的直接影响（李E等人，2024；张和李，2025）；相比之下，对其在更广泛的跨区域空间互动框架中的作用关注有限。DIF具有低成本以及跨时间和跨空间的可及性，这些特点使其能够通过要素流动和信息扩散产生空间溢出效应，从而对空间关联区域的发展产生间接影响。未能充分考虑这些空间联系可能影响政策评估的准确性。其次，在研究范围和测量方面，现有的共同繁荣定量研究主要在省级层面进行，而在地级城市层面的系统测量仍较为有限（张E等人，2023）。这限制了实证发现对更精细空间尺度的解释力，阻碍了全面捕捉城市间经济联系的空间互动。

本研究在多个方面为学术界做出了贡献。首先，从研究角度来看，将空间因素纳入分析框架，并采用空间计量模型来检验DIF的潜在空间溢出效应，扩展了以往主要关注地方影响的研究。其次，在测量方面，基于共享、发展和可持续性维度，构建了地级城市层面的共同繁荣系统评估指标，为测量共同繁荣提供了结构化框架。第三，关于机制方面，本研究探讨了DIF影响共同繁荣的直接和间接机制。直接来看，DIF与提高金融服务可及性和更有效地分配储蓄和信贷相关，有助于实现共享繁荣；间接来看，DIF有助于缓解融资约束，并促进资本、劳动力、技术和数据等生产要素的空间流动，进一步刺激创新和创业活动。此外，创新通过技术进步和产业协同作用促进包容性发展，而创业通过扩大就业机会和产生区域示范效应做出贡献。

**理论分析与研究假设**
**DIF与共同繁荣**
现有文献广泛探讨了DIF与共同繁荣之间的关系，确认它对促进多维度区域共同繁荣具有积极作用（钟等人，2025）。在共享维度上，DIF体现了包容性增长理论中的平等机会核心原则。利用互联网、人工智能和云计算等数字技术工具，可以克服地理限制，使DIF将金融服务扩展到农村地区和低收入人群，从而直接缩小城乡居民的收入差距（张等人，2024；李和马，2021）。在发展维度上，DIF实现了金融发展理论中提到的优化资源配置和提高效率的功能，降低了融资成本，提供了信贷支持和便捷的支付服务，更有效地满足了从事技术研发和市场扩展的企业以及农业生产及农产品流通的多样化金融需求，进而可能促进产业升级和全要素生产率的提升（李等人，2025；孙和唐，2022）。在可持续性维度上，DIF符合可持续发展的原则，通过大数据更准确地识别绿色产业和农村振兴等领域的融资需求，将金融资源更有效地投向环保项目和具有长期收入潜力的行业，从而确保共同繁荣的稳定性和可持续性（窦等人，2025；马，2023；吴等人，2025；郑等人，2026）。

上述讨论主要关注DIF对特定区域内共同繁荣的直接影响。此外，DIF的技术和网络特性使其具有空间影响力，对共同繁荣产生显著的空间溢出效应（杨等人，2025）。传统金融服务由于分支机构网络的物理限制而具有地域局限性，覆盖不足的欠发达地区往往无法获得与发展地区相同质量的金融服务。相比之下，DIF实现了无边界的服务提供，形成了核心-外围网络结构。一方面，来自发达地区的成熟数字金融产品可以直接惠及欠发达地区，使偏远地区的个人和企业无需依赖当地分支机构即可获得标准化、高质量的金融服务（孙和游，2023）；另一方面，这种空间扩散也带来了金融知识的溢出：通过采用数字金融产品，欠发达地区的居民间接获得了发达地区的先进金融理念和风险管理实践，提高了当地金融素养，为金融深化和财富积累奠定了基础（魏等人，2025）。

据此提出以下假设：
**假设1**：DIF对共同繁荣具有显著的直接正向效应和空间溢出效应。

**DIF对共同繁荣的机制**
本研究认为，创新是DIF促进共同繁荣的关键机制之一，也是重要的中介渠道。创新活动通常具有周期长、风险高和回报不确定的特点。由于风险厌恶，传统金融机构往往不愿提供长期信贷，可能导致资金中断并阻碍持续的研发工作（李和李，2022）。DIF能够分析研发投资路径、专利储备和产业合作网络等信息，从而更准确地评估创新项目的潜在价值和风险，设计灵活的信贷工具为研发团队和基于技术的小型企业提供持续的资金支持（张等人，2025；王等人，2025；刘等人，2024；赵和矫，2025）。此外，DIF通过促进生产要素的跨区域流动和优化配置，降低了创新资源的地理障碍，从而促进了区域创新网络的形成，提高了创新的效率和空间平衡。具体而言，融入数字金融网络使欠发达地区能够以较低成本获取发达地区的技术经验、市场信息和创新模式，加快了技术模仿和本土创新的步伐，缩小了区域经济差距（崔等人，2024）。因此，DIF通过缓解融资约束和促进创新相关资源的空间流动来激发创新活动。

关于创新与共同繁荣的关系，普遍认为创新是关键驱动力（张等人，2023）。作为高质量经济发展的核心引擎，创新通过技术进步强化了共同繁荣的物质基础，并通过产业协同效应和空间溢出效应重塑了区域发展模式。人工智能、智能物流和绿色技术等创新广泛应用于农业、制造业和服务业，提高了农业生产率，增强了产业竞争力，提升了服务效率。技术进步还促进了劳动力技能的提升和个人收入的增加，使低收入群体能够进入中等收入阶层，改善了收入分配公平性。此外，本地创新往往带动了高质量创新资源的集聚，通过基于产业协同的跨区域产业合作平台，这些资源可以在各地区间共享，降低获取创新要素的成本，为实现共同繁荣提供了能力基础。总结来说，创新通过推动技术进步和加强产业协同作用，促进了本地及空间相连区域的经济增长和可持续发展，从而为共同繁荣做出了贡献。图1展示了数字包容金融（DIF）在塑造共同繁荣结构中的机制。下载：下载高分辨率图片（157KB）；下载全尺寸图片。图1. 数字包容金融对共同繁荣的机制。综合这些理论见解，我们得出以下假设：

假设2：创新在数字包容金融对共同繁荣的影响中起着直接和空间中介作用。

数字包容金融、创业精神和共同繁荣
创业精神是数字包容金融促进共同繁荣的关键机制之一。相关文献表明，数字包容金融对创业精神的影响可以概括为两个方面：减轻企业家的资金 Constraint 和通过提高要素流动性扩大创业活动范围。首先，由于抵押品不足、信贷需求小且分散以及信息不对称，个人在传统金融系统中常常面临严重的融资困难。然而，数字包容金融利用其数字技术优势，能够对企业家的历史行为数据进行深入分析，以优化资源配置，从而降低创业启动资本门槛和运营流动性约束（Liang等人，2022；Qin等人，2024；Wu & Wu，2023；Xie等人，2020；Yang等人，2024）。其次，传统的创业活动受到地理限制，市场通常局限于本地区域。数字包容金融通过数字支付系统、跨境结算平台和供应链金融服务，促进了资本、劳动力、技术和信息等生产要素的跨区域流动，从而扩大了创业的空间范围。它使欠发达地区的创业者能够进入更广阔的市场，并从跨区域的价值增值中受益。这种空间扩散有助于平衡创业机会，并从空间角度促进包容性增长（C Zhang等人，2024）。

从直接影响角度来看，创业精神主要通过创造就业机会来提高共同繁荣（Komninos等人，2024；Su等人，2023；Yin，2022；Zhang等人，2020）。新企业的建立增加了对管理、技术和市场营销人员的需求。特别是在数字经济和新能源产业等新兴领域，创业活动创造了全新的职业和就业类型。此外，成功的创业活动还带动了上游和下游产业（如原材料、物流和销售）的发展，从而间接创造了大量的就业机会和收入增长。从空间溢出效应来看，一个地区的创业活动可以产生示范效应，激发邻近地区的內生增长动力，最终提高整体共同繁荣水平（Xu等人，2021）。一个地区的成功商业模式、运营逻辑和盈利能力策略往往成为其他地区的标杆。这种所谓的“榜样效应”有助于其他地区的创业者减少试错成本，避免风险陷阱，并加速当地经济增长（Audretsch & Lehmann，2025；Lattacher等人，2021；Lo等人，2025）。此外，创业成功率高的地区通常受益于成熟的政策支持体系、产业集群和创业生态系统。这些制度经验和支持性环境往往会在不同地区传播，促进政策学习、区域经济融合，最终实现共同繁荣。

基于这一理论分析，提出以下假设：

假设3：创业精神在数字包容金融对共同繁荣的影响中起着直接和空间中介作用。

**材料与方法**
**变量选择和数据来源**
**共同繁荣的评估指数系统**
(1) **指标选择**
建立了一个共同繁荣评估指数系统，以衡量各地区的共同繁荣水平。在选择具体指标之前，需要明确共同繁荣的概念定义。本研究认为，这一概念包含三个核心维度：
(1) **共享维度**。共同繁荣旨在确保经济增长的成果被所有人共享，而不仅仅是有特权的少数人。它代表了通过公平分配发展利益来实现人们对更好生活的渴望。
(2) **发展维度**。共同繁荣的基础在于持续的经济增长和社会进步，这为整个社会创造了越来越多的物质和精神财富。
(3) **可持续性维度**。共同繁荣不应被理解为特定地区的短期富裕；而应理解为与经济、社会、人口、资源和环境系统的承载能力相容的财富创造。它应满足当前一代的需求，而不损害未来几代人的需求（Wang等人，2022；Li等人，2023；Ma等人，2022）。基于这些维度，本研究选择了以下指标来具体化这些维度（见表1）：

**表1. 共同繁荣的评估指数系统**
- **一级维度**
- **二级维度**
| 具体指标 | 类型 |
| --- | --- |
| 共享 | 区域内差异 |
| | 区域内GDP差异 | 负指标 |
| | 区域内财政预算收入差异 | 负指标 |
| | 区域内财政预算支出差异 | 负指标 |
| | 区域间差异 |
| | 区域间GDP差异 | 负指标 |
| | 区域间财政预算收入差异 | 负指标 |
| | 区域间财政预算支出差异 | 负指标 |
- **发展** | 物质繁荣 | 收入 | 正指标 |
| | 消费 | 正指标 |
| | 精神繁荣 | 医疗保健 | 正指标 |
| | 社会保障 | 正指标 |
| | 公共设施 | 正指标 |
| | 文化和教育 | 正指标 |
- **可持续性** | 社会稳定 | 就业稳定 | 负指标 |
| | 财政稳定 | 正指标 |
| | 增长稳定 | 正指标 |
| | 人口稳定 | 正指标 |
| | 高质量发展 | 污染物排放 | 负指标 |
| | 生态状况 | 正指标 |

具体而言，共享维度通过区域内和区域间差异来体现。区域内差异通过城市区与整个城市之间的发展差距来衡量。相应的指标包括GDP、财政预算收入和财政预算支出的差异，这些都是以城市区人均值与整个城市人均值的比率来构建的。这些指标反映了同一城市内部核心区与边缘区之间的发展不平衡程度，因此可以作为城市内发展成果共享程度的代理指标。区域间差异通过县级城市与其所在省份之间的发展差距来衡量。这些指标包括GDP、财政预算收入和财政预算支出的差异，计算方法是城市层面的人均值与省级层面的人均值之比。这些指标反映了一个城市在更广泛区域背景下的相对发展位置及其偏离整体水平的程度。所有六个指标都是负指标，即数值越高，表示差异越大，共享程度越低。

发展维度包括两个方面：物质繁荣和精神繁荣。物质繁荣通过人均可支配收入和人均消费支出来衡量。收入反映了获取经济资源的能力，而消费支出则反映了实际的消费能力；这两个指标共同代表了物质生活水平的核心衡量标准。精神繁荣通过每万人拥有的医院床位数、社会保险的平均覆盖率、每万人拥有的公共交通车辆数以及每百人拥有的公共图书馆藏书数来衡量。这些指标分别反映了医疗保健、社会保障、公共设施和文化教育资源的可用性，是衡量居民获得公共服务和生活质量的关键维度。所有这些指标都是正指标。

可持续性维度关注实现共同繁荣的长期可持续性，包括社会稳定和高质量发展。社会稳定从多个方面进行评估，包括就业、财政能力、经济增长和人口结构。具体而言，城市登记失业率反映了劳动力市场的稳定性，是持续收入增长的基础。财政自给率反映了地方政府的财政能力，直接影响公共服务的提供和社会保障支出。GDP增长率表明了区域经济增长的势头，是持续财富积累的重要来源。自然人口增长率反映了人口动态和劳动力供应状况，这对长期经济活力和社会保障系统的运作至关重要。高质量发展通过环境和生态指标来衡量，包括工业二氧化硫排放量与GDP的比率以及人均公园绿地面积。前者反映了工业生产中的污染排放水平，是环境压力和绿色生产的重要指标；后者反映了城市生态质量和居民的生活环境。在这些指标中，城市登记失业率和污染物排放量是负指标，其余指标是正指标。

(2) **指数构建**
在指数构建方面，使用熵权法来计算县级共同繁荣指数。具体步骤如下：
**步骤1：标准化正负指标**：
\(X_{ijt}' = \frac{X_{ijt} - \min(X_{ijt})}{\max(X_{ijt})\)（当 \(X_{ijt}\) 为正指标时）；
\(X_{ijt}' = \frac{X_{ijt} - \max(X_{ijt})}{-\min(X_{ijt})\)（当 \(X_{ijt}\) 为负指标时）。
其中，\(i\) 代表城市，\(j\) 代表指标，\(t\) 代表年份，\(\min(X_{ijt}\) 和 \(\max(X_{ijt})\) 分别表示 \(X_{ijt}\) 的最小值和最大值。

**步骤2：计算信息熵值**：
\(e_{jt} = -\sum_{i=1}^{n} p_{ijt}\ln(p_{ijt})\)（其中 \(n\) 代表样本城市数量，\(m\) 代表指标数量，\(h = \frac{1}{\ln(n)}\)，\(p_{ij} = \frac{X_{ij}'}{\sum_{i=1}^{n} X_{ijt}'\)）。

**步骤3：计算每个指标的权重**：
\(w_{jt} = \frac{d_{jt}}{\sum_{j=1}^{m} d_{jt}}\)（其中 \(d_{jt} = 1 - e_{jt}\)。

**步骤4：计算共同繁荣指数**：
\(C_{Pit} = \sum_{j=1}^{m} w_{jt}X_{ij}'\)
综合指数值越高，表示共同繁荣程度越高。

**(3) 空间和时间分析**
为了系统地展示中国县级城市共同繁荣的现状，应用Jenks自然断点分类方法将每年的指数分为四个等级：低、中低、中高和高。使用ArcGIS 10.5生成了四个代表性年份（2011年、2015年、2019年和2023年）的共同繁荣空间分布图（见图2），从而全面描绘了其时空演变，并为后续的计量经济分析提供了实证基础。

**图2. 共同繁荣的空间分布图。**
从时间角度来看，2011年至2023年间共同繁荣水平呈现出稳步上升的趋势。具体而言，综合指数范围从2011年的0.2955增加到2015年的0.5021，2019年升至0.5143，2023年进一步扩大到0.5147–0.6340。从空间角度来看，共同繁荣的分布呈现出明显的梯度模式，东部地区的水平高于西部地区，沿海地区高于内陆地区，核心城市高于边缘城市，表明存在明显的区域差异。在所有四个时期，高水平集群始终集中在经济发达的东部沿海地区，特别是在长江三角洲、珠江三角洲和京津冀城市群。上海、北京、广州、深圳、杭州和苏州等核心城市始终名列前茅，得益于完善的公共服务体系、强大的创收能力和先进的数字经济，形成了稳定的高水平集群。相比之下，中低和低水平地区主要位于中国中部和西部的欠发达地区，如西南部和西北部。尽管这些地区随着时间的推移有所改善，但其共同繁荣水平仍然相对较低，可能由于地理位置、产业结构和公共资源供给能力的限制，与更发达的东部地区存在持续差异。

**变量描述**
**因变量：**共同繁荣（CP）。变量CP基于建立的评估指数系统构建。此外，为了检验结果的稳健性，本研究采用等权重方法重新计算共同繁荣指数，并将重新计算的指数作为替代因变量。
**自变量：**数字包容金融（DIF）。变量DIF使用Guo等人（2020）开发的北京大学数字包容金融指数进行衡量，该指数已在相关实证研究中得到广泛应用。此外，为了进行异质性分析，该指数被分解为三个主要子指标：覆盖广度、使用深度和数字化水平。
**中介变量：**创新（Inno）和创业精神（Entre）。根据以往研究，变量Inno通过每万人获得的专利数量来衡量，涵盖了发明、实用新型和设计专利的区域创新能力。变量Entre通过每万人新注册的企业数量来衡量，反映了每个城市的创业活力（C Zhang等人，2025；Liu等人，2021；Long等人，2023；Pfister等人，2021）。
**控制变量：**根据先前的实证研究，本文纳入了五个控制变量（C Wang等人，2022年；Hou和Gao，2025年；Shen等人，2021年；Zhang等人，2022年）：传统金融发展（finance），通过银行存款和贷款总额与GDP的比率来衡量；城市化水平（urban），通过居住在城市地区的人口比例与城市总人口的比例来衡量；产业结构（structure），通过第三产业产值在GDP中的占比来衡量；人口密度（density），通过每平方公里的居民数量来衡量；开放度（open），通过进出口总额与GDP的比率来衡量。由于在市级数据上具有可用性和完整性，因此使用了2011年至2023年中国273个地级城市的面板数据（国家统计局，2024年）。数据来源于中国城市统计年鉴和省级统计年鉴，而DIF指数则来自北京大学数字金融研究中心。缺失值通过插值和趋势外推方法进行处理。所有变量的描述性统计信息见表2。平均方差膨胀因子（VIF）为2.25，表明这些变量之间没有严重的多重共线性，因此数据集适合进行后续的回归分析。

表2. 描述性统计信息。

类型 变量 符号 样本量 均值 标准差 最小值 最大值
因变量 CP 3549 0.53 12 0.017 60.70 45
核心自变量 DIF 3549 5.20 45 0.518 3.05 85.92 22
覆盖广度 breadth 3549 5.16 68 0.57 41.50 19 6.01 19
使用深度 depth 3549 5.15 93 0.49 59 2.52 49 5.87 16
数字化水平 .level 3549 5.33 30 0.57 61 20.8 51 6

中介变量
创新 Inno 3549 1.78 43 1.24 ?2.79 35.06 32
创业 ?Entre 3549 4.71 54 0.55 97 2.79 18.53 30
控制变量
传统金融发展 finance 3549 2.62 10 1.27 0.0 0.58 79 21.30 15
城市化水平 urban 3549 0.58 46 0.14 56 0.22 32
产业结构 structure 3549 0.43 20 0.1 0.1 62 0.84 85
人口密度 -density 3549 5.77 40 0.91 31 62 27.88 16
开放度 open 3549 0.17 44 0.44 59 0.0 0.5 84

注：覆盖广度、使用深度和数字化水平代表DIF的三个一级维度。为了减少异方差性和尺度效应，在估计之前对核心自变量和中介变量进行了对数转换。

空间权重矩阵
为了克服使用单一空间权重矩阵的局限性，采用了空间经济地理嵌套权重矩阵，该矩阵综合考虑了城市之间的空间邻近性和经济相似性（Hao等人，2023年；Wang等人，2020年）。具体而言，首先构建地理距离权重矩阵如下：
(5) W1 = {1 if |dij| ≠ j, 0 otherwise}，其中dij表示城市i和城市j之间的地理距离，通常基于它们的经纬度坐标计算的大圆距离。距离越短，表示空间互动越强，因此权重越大。接下来，定义经济距离权重矩阵为：
(6) W2 = {1 if |Ei ? Ej| ≥ ε, 0 otherwise}，其中Ei和Ej分别表示城市i和j的人均GDP，|Ei ? Ej|表示两个城市之间的经济差异。当城市之间的经济发展水平相似时，经济联系、要素流动和技术传播的可能性通常更高，从而导致较大的经济权重。最后，构建空间经济地理嵌套权重矩阵为：
(7) W3 = τW1 + (1 ? τ)W2，其中τ表示地理距离的相对重要性。按照Lou等人（2022年）的方法，参数τ设定为0.5，给予地理和经济维度相同的权重。为了消除尺度差异对估计结果的影响，空间权重矩阵进行了行标准化，使得每一行的和为一。

计量经济模型
基线回归中使用的空间嵌套模型的一般形式如下：
(8) CPit = ρ∑j=1nWijCPit + βDIFit + φXit + θXit + γi + μit
(9) μit ～ λ∑j=1nWijμit + ξit
其中CPit是共同繁荣指数，DIFit是DIF指数，Xit代表控制变量向量，γi和θt分别表示城市固定效应和时间固定效应，μit是随机干扰项，ρ和λ分别表示空间自回归和空间相关性系数，Wij是空间权重矩阵，ξit～N(0, σit2)。根据参数限制，这种嵌套模型可以简化为空间计量经济学中常用的三种特定形式：当ρ≠0, φ=0, λ=0时，模型简化为空间自回归模型（SAR）；当ρ=0, φ=0, λ≠0时，模型简化为空间误差模型（SEM）；当ρ≠0, φ≠0, λ=0时，模型表示为空间杜宾模型（SDM）。不同的空间模型捕捉了不同的空间依赖形式。最终采用的模型规格是通过理论分析和统计测试确定的。

为了研究DIF影响共同繁荣的机制，构建了一个扩展的空间中介模型，纳入了创新（Inno）和创业（Entre）作为中介变量：
(10) Innoit = ρ∑j=1nWijInnoit + βDIFit + φXit + θXit + γi + μit
(11) CPit = ρ∑j=1nWijCPit + βInnoit + φXit + θXit + γi + μit
(12) Entreit = ρ∑j=1nWijEntreit + βDIFit + φXit + θXit + γi + μit
(13) CPit = ρ∑j=1nWijCPit + βEntreit + φXit + θXit + γi + μit
方程(10)和(11)用于测试创新和创业是否中介了DIF对共同繁荣的影响，而方程(12)和(13)进一步验证了创新和创业如何影响共同繁荣。

空间相关性测试
与以往的研究一致，采用了两种广泛使用的指标来测试空间相关性：Moran's I和Geary's C统计量（Liu等人，2023年；Lin，2023年）。通常，Moran's I的范围是从-1到1。当Moran's I大于0时，表示正的空间相关性；当它小于0时，表示负的空间相关性。Geary's C通常是非负的。当Geary's C大于1时，表示负的空间相关性；当它小于1时，表示正的空间相关性。空间自相关测试的结果见表3。

表3. 空间相关性测试。
年份 Moran’s I Geary’s C
2011 0.79 0.703 0.145 0.262
2018 0.726 0.772 0.213 0.210
2012 0.797 0.699 0.161 0.257
2019 0.798 0.794 0.202 0.194
2013 0.758 0.693 0.179 0.281
2020 0.852 0.816 0.167 0.178
2014 0.775 0.671 0.172 0.301
2021 0.909 0.863 0.101 0.131
2015 0.811 0.676 0.158 0.292
2022 0.891 0.858 0.115 0.146
2016 0.681 0.705 0.250 0.267
2023 0.912 0.838 0.092 0.165
2017 0.744 0.727 0.208 0.256
平均 0.795 0.755 0.166 0.226

注：*p < 0.1，??p < 0.05，???p < 0.01。
表3显示，CP和DIF的Moran’s I值均大于零，而Geary’s C值小于1。此外，这两个统计量都在1%或5%的显著性水平上拒绝了无空间相关性的零假设。这些结果表明，中国地级城市的共同繁荣和DIF之间存在显著的正空间依赖性。因此，空间计量经济模型在理论上适用且在实证分析中是必要的。

基线回归结果
与SAR和SEM模型相比，SDM包括了因变量和自变量的空间滞后项。这种规格不仅捕捉了空间相邻区域内因变量对本地结果的影响，还捕捉了通过空间溢出机制在邻近区域内的自变量的影响。因此，SDM为识别区域间的空间互动提供了更全面的框架。
从理论角度来看，考虑到因变量和自变量的空间滞后在当前研究中尤为重要。首先，共同繁荣的水平在不同区域之间存在显著的空间依赖性。空间相邻区域的社会经济发展可能通过基础设施连通性和区域市场整合的深化等渠道影响本地共同繁荣。其次，DIF的发展也可能产生空间溢出效应。一个地区DIF的进步不仅改善了当地居民和企业的金融服务获取，还可能通过技术传播和知识溢出等渠道间接促进其他地区的共同繁荣。因此，有必要考虑因变量的空间依赖性和自变量的空间溢出效应。相比之下，仅考虑因变量空间滞后的SAR模型，以及将空间依赖性完全归因于误差项的SEM模型可能无法完全捕捉这些理论因素。SDM更适于适应这些理论考虑，因此在本研究中被采用。

从实证角度来看，为了确定最合适的空间计量经济模型形式，按照Elhorst（2014年）的方法进行了一系列规格测试。结果见表4。

表4. 空间计量经济模型适用性测试。
测试 结果
LM测试无空间误差 24.02
Robust LM测试无空间误差 33.71
LM测试无空间滞后 11.70
Robust LM测试无空间滞后 13.93
LR测试空间滞后 45.60
Wald测试空间滞后 36.49
Wald测试空间误差 34.80
Hausman测试 67.62
个体效应 482.38

根据LM测试，SAR和SEM模型分别拒绝了无空间滞后和无空间误差的零假设，支持使用SDM。此外，LR和Wald测试的结果都显著，表明SDM不能简化为SAR或SEM模型。Hausman测试确认固定效应模型优于随机效应模型，并且双向固定效应规格（包括城市和时间效应）是最优的。基于这些测试，采用双向固定效应SDM进行实证分析。

为了进行比较，表5报告了OLS、SAR、SEM和SDM模型的估计结果。核心自变量DIF的系数在所有四种模型规格下均呈正值且在1%水平上显著，表明DIF的发展与共同繁荣水平的提高呈正相关。这一发现在不同模型设置中都具有稳健性。比较不同模型下的估计系数发现，随着空间依赖性的逐步纳入，DIF系数的幅度逐渐减小。具体来说，在不考虑空间溢出效应的OLS模型中，DIF的系数为0.0237。在引入因变量的空间滞后后的SAR模型中，系数降低到0.0219。在通过误差项捕捉空间依赖性的SEM模型中，系数进一步降低到0.0199。最后，在同时考虑因变量和自变量空间滞后的SDM模型中，DIF的系数估计为0.0163。这种模式表明，在控制了空间依赖性后，DIF对本地共同繁荣的直接影响变小，这意味着其部分影响可能通过空间溢出渠道实现。此外，从模型拟合度（如 goodness-of-fit和对数似然值）来看，SDM的表现优于SAR和SEM模型，进一步支持将其作为基线规格的使用。

表5. 基线回归结果。
变量 OLS SAR SEM SDM
DIF 0.0237 0.0219 0.0199 0.0163
finance ?0.0002 0.0005 *0.0006 0.0006 0.0006
urban 0.0229 0.0157 0.0161 0.0163 0.0056 0.0062 0.0062 0.0062
structure 0.0333 0.0290 0.0284 0.0286 0.0077 0.0043 0.0043 0.0043
density 0.0032 0.0014 0.0014 0.0014 0.0011 0.0011 0.0011
open 0.0071 ?0.0022 ?0.0022 *?0.0022 0.0014 0.0014 0.0014
constant 0.3608 0.0967 0.1105 0.0306 0.0310
lambda 0.1054 0.1054 0.0311
W*DIF 0.0204 0.0061 0.0029 0.0007
W*finance 0.0260 0.0007 0.0260 0.0172
W*structure ?0.0366 0.0110 0.0110 0.0004 0.0036
W*density 0.0004 0.0036 0.0053 0.0043

注：括号内为标准误差，*p < 0.1，??p < 0.05，???p < 0.01。
根据SDM的结果，空间滞后自变量W × DIF的系数为0.0204，在1%水平上显著。这一结果表明，一个地区的DIF与其自身的共同繁荣水平以及空间相邻地区的共同繁荣水平呈正相关，表明存在空间溢出效应。这一发现与假设1一致，意味着DIF可能表现出空间扩散特征，通过资本、劳动力和信息的流动性等渠道促进区域经济发展和收入增长。

应当注意的是，在空间计量经济模型中，估计的系数不能直接解释为解释变量的边际效应。因此，为了准确识别DIF对共同繁荣的空间影响，本研究采用了LeSage和Pace（2009）的方法，将每个变量的总效应分解为直接效应和间接效应。具体来说，直接效应衡量一个地区DIF变化对其自身共同繁荣的影响，而间接效应衡量其他空间相邻地区DIF如何影响本地共同繁荣，即空间溢出效应。直接效应和空间溢出效应之和构成了总效应。结果见表6。

表6. 总效应分解结果。
变量 直接效应 间接效应 总效应
DIF 0.0160 0.0171 0.0331
finance 0.0005 0此外，更发达的地区可以在推动数字金融服务向邻近较不发达地区传播方面发挥主导作用，从而促进更加平衡的区域共同繁荣。关于控制变量，传统金融发展（finance）具有0.0005的直接效应（在5%的水平上显著），0.0026的空间溢出效应（在1%的水平上显著），以及0.0031的总效应（在1%的水平上显著）。这表明传统金融也与共同繁荣呈正相关，并且会产生空间溢出效应。然而，这些效应的幅度相较于数字金融发展（DIF）要小，这可能反映了数字技术在金融发展中的更强驱动力。城市化水平（urban）具有0.0165的正直接效应（在1%的水平上显著），但其空间溢出效应在统计上不显著（0.0233，p > 0.1），这表明其对共同繁荣的影响主要是局部的，没有明显的空间溢出证据。产业结构（structure）显示出0.0291的正直接效应（在1%的水平上显著），但空间溢出效应为负（?0.0359，在1%的水平上显著）。这意味着第三产业的发展份额增加会促进当地共同繁荣，同时可能对邻近地区产生负面的空间溢出效应。一种可能的解释是，产业竞争可能会挤占周边地区新兴产业的发展空间。人口密度（density）具有0.0016的边际正直接效应（在10%的水平上显著），但其空间溢出效应和总效应在统计上不显著。开放程度（open）没有显示出显著的正直接效应、空间溢出效应或总效应。总体而言，这些发现表明，在这一实证框架内，人口密度和开放程度对共同繁荣的影响相对有限。

为了提高模型的稳健性，进行了以下测试：（1）内生性测试。尽管数字金融发展（DIF）推动了共同繁荣的实现，但共同繁荣程度较高的地区也可能对包容性金融服务有更大的需求，这反过来又促进了DIF的扩展。这种双向关系可能会导致潜在的内生性偏差。使用最大似然估计（MLE）估计的SDM模型部分缓解了这一问题。然而，DIF与共同繁荣之间的动态持续性和反向因果关系可能仍然存在。为了更严格地解决这些问题，本研究采用了动态空间面板GMM方法，在空间面板框架内使用滞后变量作为工具变量。这种两步估计程序结合了空间权重矩阵，考虑了变量之间的空间依赖性和潜在的同时性。此外，还进行了以下测试：（2）替代依赖变量。在构建共同繁荣指数时，基线估计采用了熵加权方法。为了验证这种测量的稳健性，采用了两种替代的加权方案：首先，对共享、发展和可持续性这三个主要维度赋予相同的权重；其次，对评估框架中的所有18个指标赋予相同的权重。这些替代措施用于检查实证结果是否对加权方案的选择敏感；（3）替代空间权重矩阵。基线估计使用了空间经济地理嵌套权重矩阵。为了验证其稳健性，用三种替代矩阵进行了替换：邻接矩阵、地理距离矩阵和经济距离矩阵。稳健性测试的结果见表7。

表7. 稳健性测试。

表7. 稳健性测试
变量 (1) (2) (3) (4) (5) (6)
DIF 0.140 0.026 0.019 0.020 0.021 0.019
W*DIF 0.192 0.013 0.009 0.028 0.0059
控制变量 控制 控制 控制 控制 控制 控制
城市固定效应 是 是 是 是 是 是
时间固定效应 是 是 是 是 是 是
rho 0.103 0.090 0.192 0.944 0.755

注：括号内为标准误差，*p < 0.1，??p < 0.05，???p < 0.01。AR (1)、AR (2)、Sargan测试和Hansen测试的结果为P值。

表7中，第（1）列对应于内生性测试。Arellano-Bond序列相关性测试显示AR(1)统计量显著（p = 0.024），而AR(2)统计量不显著（p = 0.659），表明残差中不存在二阶序列相关性。关于过度识别测试，Sargan测试（p = 0.604）和Hansen测试（p = 0.750）在统计上不显著，这意味着无法拒绝零假设，估计中使用的工具变量是有效的。估计结果显示，DIF的直接效应为0.1402，空间滞后项W×DIF的系数为0.1925。两者均在1%的水平上显著，表明在解决了DIF与共同繁荣之间的双向关系可能导致的反向因果关系后，对共同繁荣的正直接效应和空间溢出效应仍然稳健。第（2）-（3）列报告了替代依赖变量的结果。DIF的估计系数分别为0.0264和0.0192，W×DIF的系数分别为0.0132和0.0093。所有系数至少在5%的水平上显著，这些结果在符号和显著性上与基线发现一致，进一步支持了主要结论的稳健性。第（4）-（6）列基于替代空间权重矩阵的结果。DIF和W×DIF的系数在所有规范下均为正且显著，表明这些估计结果不受空间权重矩阵选择的影响，进一步证明了所识别的空间溢出效应的稳健性。

异质性测试：（1）结构异质性测试。DIF指数包括三个主要维度：覆盖范围广度、使用深度和数字化程度。覆盖范围广度衡量金融服务的可获取性，包括金融账户的获取和服务渠道的普及程度。使用深度捕捉金融服务的频率、强度和多样性，包括支付、信贷和财富管理活动。数字化程度反映了数字技术（如大数据、人工智能和移动互联网）在提高金融效率、降低交易成本和改善用户体验方面的作用。由于这三个维度可能对共同繁荣产生不同的影响，因此分别使用每个维度作为核心独立变量重新估计SDM模型，以共同繁荣（CP）作为因变量。结果见表8。

表8. 结构异质性测试

表8. 结构异质性测试
变量 (1) (2) (3)
覆盖范围广度 0.0069 0.0016
使用深度 0.0172 0.0018
数字化程度 0.0044 0.0005
W×覆盖范围广度 0.0071 0.0031
W×使用深度 0.0181 0.0056

注：括号内为标准误差，*p < 0.1，??p < 0.05，???p < 0.01。在表8中，覆盖范围广度的回归系数为0.0069，其空间滞后系数为0.0071，均在传统水平上显著。当使用使用深度作为核心独立变量时，其系数为0.0172，空间滞后系数为0.0181，均在1%的水平上显著。相比之下，数字化程度的系数为0.0044，而其空间滞后项不显著。这些结果的比较揭示了三个维度效应的显著结构差异。首先，使用深度对共同繁荣的直接效应最强，空间溢出效应最为明显。这一维度反映了家庭和企业的金融服务使用强度更高，直接缓解了流动性约束，促进了生产和消费，并增强了区域经济活力。此外，更深入的金融服务使用促进了技术扩散和资本流动，产生了示范和模仿效应，促进了空间相连城市的共同繁荣。其次，覆盖范围广度的影响大约是使用深度的40%，表明它主要起基础性作用。账户所有权和基本金融服务的扩展是共同繁荣的先决条件，主要通过改善基本金融可获取性来促进共享维度。然而，其在促进内生经济增长方面的作用相对有限。第三，数字化程度没有显著的空间溢出效应，表明DIF的技术红利可能受到数字鸿沟的限制，包括数字基础设施和数字素养的差异。因此，邻近地区可能难以共享数字金融创新的收益。这些发现表明，要充分发挥DIF促进共同繁荣的潜力，需要更加重视减少区域数字差距。（2）区域异质性测试。自从改革开放以来，中国的发展战略一直强调沿海优先，导致东部地区经济增长迅速。鉴于中国广阔的领土和资源禀赋、产业结构和市场化水平的巨大差异，DIF和共同繁荣的区域差异仍然明显（G Liu等人，2023；Zhou & Yang，2025）。为了研究这些区域差异，进行了两层异质性分析。首先，将城市分为东部、中部和西部地区，以评估区域层面的异质性。其次，将城市分为核心城市（包括直属中央政府的 municipality、地级市和省会）和边缘城市（其他县级市），以研究城市层级间的异质性。表9报告了区域组回归的结果，Chow测试进一步确认了各组间系数的差异在统计上是显著的。第（1）-（3）列展示了东部、中部和西部地区的区域层面异质性结果。结果表明，DIF对共同繁荣的效应在东部地区最大（直接效应分别为0.0325和空间溢出效应分别为0.0233）。这表明，在制度环境和市场条件更成熟的地区，DIF可以更有效地转化为共同繁荣的实质性驱动因素。特别是东部地区先进的数字基础设施和高度整合的产业链为数字金融服务的快速扩展提供了坚实基础，从而提高了当地居民和企业的金融可获取性。此外，长三角和珠三角等主要城市集聚区内的高经济互联性和要素流动性的增强，放大了DIF的空间溢出效应。在中部地区，空间溢出效应显著为正（0.0228，1%的水平上显著），而直接效应不显著（0.0019，p > 0.1）。这种模式可能反映了该地区对传统制造业的依赖以及数字技术与实体经济融合不足，限制了当地金融资源分配的效率。在西部地区，直接效应显著为正（0.0192，1%的水平上），而空间溢出效应不显著（0.0177，p > 0.1）。广阔的领土和相对较低的人口密度削弱了城市间的经济联系，阻碍了要素流动，从而限制了DIF效益的空间传递。这些发现与区域经济发展的总体模式一致，但也凸显了一个潜在风险：数字金融（DIF）的迅速扩张虽然促进了整体繁荣，但如果城市各层次之间的空间溢出机制不均衡，可能会加剧地区间的差异。总体而言，区域异质性分析表明，促进DIF发展的政策应根据区域发展阶段和制度环境进行定制。通过加强区域数字金融服务网络和提升政策协调机制，可以促进DIF收益的更广泛传播，从而提高各地区的共同繁荣水平。

机制测试
基线回归和异质性分析证实了DIF对共同繁荣的直接效应和空间溢出效应，这些效应在不同维度和地区之间存在差异。然而，这些分析主要探讨了这些效应是否存在，并未完全揭示其背后的传递机制。根据第2.2节的理论框架，创新和创业是两个关键的中介机制。为了实证验证这些假设，估计了方程（10）-（13）中的空间Durbin-Moore（SDM）模型，结果在表10中报告。

表10. 机制测试
变量 (1) (2) (3) (4)
DIF 1.0921 0.2833 (0.0831) (0.0739)
Inno 0.0027 0.0006 0.0021 (0.0007)
Entre 0.0021 0.0056 0.5772 0.0046
W*DIF 0.2126 0.0056 0.0016 0.0019
控制变量 控制 控制 控制 控制
城市固定效应 是 是 是 是
时间固定效应 是 是 是 是
rho 0.0882 0.0907 0.0972 0.0745
Within R-sq 0.4210 0.2323 0.2345 0.1923
对数似然 54.6068 2.2787 97.4491 33.0237
样本量 3549 3549 3549 3549

注：括号内为标准误差，*p < 0.1，??p < 0.05，???p < 0.01。
第（1）和（2）列展示了创新机制的估计结果。具体来说，第（1）列显示DIF对创新的直接效应为1.0921（在1%水平上显著），而空间溢出效应为0.5772（在5%水平上显著）。第（2）列显示创新具有正向的直接效应（0.0027，在1%水平上显著）和正向的空间溢出效应（0.0056，在1%水平上显著）。第（3）和（4）列用于验证创业机制。第（3）列显示直接效应为0.2833（在1%水平上显著），空间溢出效应为0.2126（在1%水平上显著），表明DIF显著促进了创业活动。第（4）列显示创业对共同繁荣具有显著的直接效应（0.0021，在1%水平上显著）和正向的空间溢出效应（0.0046，在5%水平上显著）。

总之，研究结果为假设2和3提供了实证支持。创新和创业机制都表现出显著的直接和空间溢出效应。这些发现表明，DIF不仅通过提升地方创新能力和创业活力来促进共同繁荣，还通过在空间上相互关联的地区产生积极的外部性来发挥作用。

讨论
本研究利用2011年至2023年中国273个地级城市的面板数据，采用了空间计量经济学框架，结合了经济地理嵌套权重矩阵和双向固定效应SDM模型，来考察DIF对共同繁荣的影响，以及创新和创业的中介作用。这些发现通过扩展连接金融发展和共同繁荣的空间分析框架，为促进数字经济中的包容性增长提供了政策相关见解，与Du等人（2023年）和Li等人（2020年）的研究结果一致。结果表明，DIF的双重属性——包容性和数字化——显著增强了共同繁荣。此外，本研究还发现了跨区域效应，提供了超出现有文献的额外实证证据。一方面，直接效应反映了DIF缓解传统金融排斥的能力。通过大数据驱动的风险评估，DIF减少了信息不对称，并为长尾群体（包括农村居民和中小企业）扩大了信贷渠道，这与金融包容性理论（Beck等人，2007年）相符。另一方面，积极的空间溢出效应凸显了DIF在跨越地理边界中的作用。DIF促进了金融产品、服务模式和风险管理实践从发达地区向欠发达地区的传播。这种跨区域的资本和知识流动是平衡发展的关键驱动力，这与资源再分配在减少不平等中的关键作用观点一致（Piketty，2014年）。

基于基线结果，异质性测试进一步揭示了DIF在不同维度和地区之间的效应差异。从结构角度来看，数字化水平的空间溢出效应不显著，这反映了数字鸿沟带来的限制（Goldfarb和Tucker，2019年）。在欠发达地区，有限的数字基础设施和低数字素养阻碍了技术驱动的效益的跨区域传播。这些发现与区域异质性结果一致，显示出东部和核心城市表现出更强的直接和空间溢出效应。从核心-边缘视角来看，这种模式表明，在缺乏适当政策干预的情况下，数字经济可能会无意中加剧地区差异。因此，利用DIF促进共同繁荣需要制定针对各地区的具体策略。这包括加强边缘地区的数字基础设施、提高数字素养和技能培训，并培育数字应用生态系统，从而促进更具包容性和平衡的发展（Feng等人，2025年）。

此外，通过使用空间中介模型，本研究确定了创新和创业的双重中介作用，深入了解DIF如何促进共同繁荣。与Sun等人（2024年）和Hu等人（2023年）的研究一致，DIF通过促进创新和创业来增强共同繁荣。与以往主要关注直接效应的研究不同，本研究将分析框架扩展到空间维度，揭示了跨区域传递机制。从创新的角度来看，产业协同在放大空间溢出效应方面的作用得到了强调。这一发现有助于解决内生增长理论的一个关键局限性，即该理论往往忽视了空间互动（Aghion和Howitt，1992年）。这与空间协同创新理论（Baptista，2000年）一致，认为区域产业协作可以放大创新溢出并减少发展差异。DIF减少了资本、技术和数据流动的地理障碍，从而促进了跨区域创新网络的形成，并增强了空间上相互关联地区的共同繁荣。从创业的角度来看，示范效应被确定为空间传递的关键机制，扩展了创业的知识溢出理论（Audretsch和Feldman，1996年）。发达地区的成功创业实践可以通过数字平台传播到欠发达地区，包括商业模式、运营策略和风险管理经验。这一过程降低了本地企业试错的成本，并支持了可持续增长（Porter，1998年）。

尽管有这些贡献，但仍存在一些局限性，需要未来的研究加以关注并提供研究方向。首先，未来的研究可以整合微观和宏观层面的数据集，将主观幸福感和基于感知的指标纳入评估框架。其次，未来的研究可以区分不同的DIF服务、创新专利类型和创业领域，以更好地捕捉异质性效应。第三，未来的研究应尝试构建多维的、随时间变化的空间权重矩阵，以更好地捕捉空间溢出效应的动态演变。

结论与建议
本研究使用了2011年至2023年中国273个地级城市的面板数据，采用了双向固定效应SDM模型结合空间中介模型来考察DIF对共同繁荣的影响及其传递机制。主要发现如下：首先，确定了DIF对共同繁荣的显著空间溢出效应。具体来说，一个地区的DIF发展不仅增强了当地的共同繁荣，还在空间上相互关联的地区产生了积极的外部性。分解结果显示，空间溢出效应占总效应的51.7%，表明跨区域溢出特征十分显著且不可忽视。这一发现经过一系列测试后仍然成立，包括内生性校正、替代因变量和不同的空间权重矩阵。其次，DIF的效应在不同维度和地区之间存在差异。结构异质性分析显示，使用深度具有最强的直接和空间溢出效应，而数字化水平没有显著的空间溢出效应。区域异质性分析进一步指出，最强的效应发生在东部地区和核心城市。第三，创新和创业是关键机制，都表现出显著的中介作用。

根据研究结论，本研究提出以下政策建议：首先，加强DIF的空间互动以放大跨区域溢出效应。由于空间溢出效应占总效应的很大一部分，因此建议努力改善区域间的数字基础设施连通性，并促进数字金融服务从发达地区向邻近地区的传播。其次，实施差异化的区域政策以解决发展不平衡问题。根据异质性测试，在东部地区，政策应优先考虑将DIF与先进的制造业和现代服务相结合，同时可能增强向中部和西部地区的溢出效应。在中部地区，重点可以放在将DIF与传统制造业升级相结合上，同时引导数字金融资源支持中小企业。在西部地区，可能需要更大的财政支持和有针对性的政策激励来加强城市间的联系并降低要素流动成本。对于核心城市，应加强其要素集聚和技术扩散功能，而边缘城市则应提高与核心城市的连通性，以更好地吸收外部溢出效应。第三，激活创新和创业的中介作用以增强向共同繁荣的传递机制。机制分析表明，DIF通过这两个渠道促进共同繁荣，两者都表现出显著的空间溢出效应。这意味着DIF的发展应与区域创新和创业系统协调进行。在创新方面，各地区应利用空间溢出效应，促进跨区域协作，减少过度竞争，并发展共享的创新资源机制。在创业方面，地方政府可以简化企业注册流程，提供财政支持和适当的政策激励，同时鼓励企业和职业教育机构之间的合作，培养新兴数字产业所需的技能劳动力。

作者贡献声明
张一通：可视化、验证、软件、方法论、正式分析、数据管理。
刘鹏菊：撰写原文草稿、概念化。
王海霞：撰写原文草稿、软件、正式分析、概念化。
赵玲笛：撰写原文草稿、数据管理、概念化。