数字知识流动数据！发表顶刊《中国工业经济》！

借鉴Compustat、WRDS等国际知名数据库及FT50期刊专业标准，打造中国特色经济管理社会科学研究型数据库。涵盖环保上市公司、省份、地级市、专精特新等涵盖经济、法律、金融、政策、科技、文化、健康、环保、人口各类数据。好数据，才能发顶刊，领数据上ppmandata.cn

1881

城市数据知识流动(2009-2023)

数据简介

在数字经济时代，区域协调发展对中国实现经济高质量增长、共同富裕意义重大，需兼顾经济增长和平衡发展双重目标。知识流动是区域间经济互动的主要来源，而数字知识流动作为数字经济时代区域协同的重要形式，在欠发达地区产业与数字知识适配时，能改善供给侧对需求的适配性，缓解要素禀赋差距，促进区域协调发展。数据皮皮侠团队参考马述忠等[2025]的文章，计算了各省份以及各城市在2009-2024年间的数据知识流量。我们使用《数字经济核心产业分类与国际专利分类参照关系表（2023）》中的专利分类合并专利数据中的国际专利分类IPC判断该专利是否是数字专利，计算步骤如下：

首先将专利数据以城市或者省份进行分组，若同一年内两个城市（省份）间存在专利相互引用的关系，则构建一个城市（省份）对。城市（省份）对中，以当年的GDP为依据，GDP高的城市（省份）为当年相对发达的城市（省份），GDP低的城市（省份）为当年相对欠发达的城市（省份）。当一座城市（省份）的某一专利（非数字专利或者数字专利）的引用中包含另一座城市（省份）的数字专利时，记为一次数字流入。最后我们参照马述忠等[2025]的方法对由城市（省份）GDP从高至低的知识流量和从低至高的知识流量加一取对数，城市（省份）GDP从高至低的净知识流量为城市（省份）GDP从高至低的知识流量减去从低至高的知识流量。

数据来源

本数据来源于谷歌专利，通过专利受让人匹配上市公司并且获得上市公司所在地。专利所在城市通过上市公司所在地进行匹配。通过《中国城市统计年鉴》获得各市和各省份的GDP。

时间跨度

2009-2023

数据格式

Excel形式

数据指标

变量名称	城市对/省份对	年份	知识流量(高至低)	知识流量(低至高)	知识净流量(高至低)
变量说明			GDP较低城市引用GDP较高城市的专利数量加一取对数	GDP较高城市引用GDP较低城市的专利数量加一取对数	知识流量(高至低)-知识流量(低至高)

数据展示

相关研究

1.数字知识流动与区域协调发展的机制研究

数字知识流动作为数字经济时代的重要生产要素，其促进区域协调发展的核心机制在于通过优化资源配置和提升要素适配性，弥合区域间发展差距。马述忠等（2025）基于大语言模型与专利引用数据，构建了“知识适配性—需求适配性—要素禀赋差距”的传导路径，指出发达地区向欠发达地区的数字知识流动能够显著缓解区域发展失衡，其作用机制依赖于欠发达地区产业与数字知识的适配性提升，以及供给侧对需求的动态响应优化。这一结论与区域协调发展战略中“要素流动—产业升级—空间重构”的逻辑链条高度契合。例如，钟军（2024）提出的“东数西算”工程，通过算力资源跨区域配置推动西部地区产业链从低端存储向高附加值计算服务升级，进一步验证了知识适配性在区域协同中的关键作用。

2.数字知识流动的技术基础与测度方法

数字知识流动的测度方法经历了从传统统计指标向多维度动态模型的演进。早期研究多依赖专利引用、文献计量等静态数据，而马述忠等（2025）创新性地整合夜间灯光数据与人口栅格数据，结合大语言模型分析，实现了对知识流动空间分布与动态效应的精细化刻画。技术层面，陈柳钦（2008）提出的“数字城市”框架强调高分辨率遥感、分布式数据库与虚拟现实技术的融合，为多维动态地理信息系统的构建提供了基础，使得实时监测与仿真成为可能。例如，国际摄影测量与遥感学会（ISPRS）倡导的多维动态建模技术，已在城市管理与自然资源监测中验证了其支撑知识流动分析的实用性。

3.数字知识流动的异质性影响

研究显示，数字知识流动的效应因区域类型、规模及发展水平而异。马述忠等（2025）发现，东部向中西部、大型城市向小型城市的知识流动效果更显著，而发展水平相近城市间的流动则更易形成协同网络。这一结论与区域发展战略中的“梯度传递”向“网状联动”转型趋势一致。例如，邹德文（2024）提出的“节点—网络”理论指出，通过数字新基建弱化地理边缘性，可促进要素向枢纽流动，从而优化区域间分工。此外，城市内部“中心—外围”格局的缓解（如武汉、成渝的规划实践）也印证了知识流动在空间重构中的长期效应。

未来研究价值和研究方向

1. 数字知识流动对企业渐进式创新的影响

研究价值：

数字知识流动如何促进企业的渐进式创新是当前数字经济研究的重要议题。通过分析数字知识在企业内部的传播路径，可以揭示数字技术如何与企业现有知识体系融合，推动产品和服务的持续改进，从而实现渐进式创新。这一研究有助于理解企业如何在数字化转型中保持竞争优势。

技术路径：

基于企业内部知识管理系统的数据，结合专利数据分析，构建数字知识流动的网络模型。通过回归分析，检验数字知识流动对企业渐进式创新（如专利申请数量、产品迭代速度）的影响。同时，可以引入中介效应模型，分析知识适配性和管理能力在其中的中介作用。

2. 产业集群中的数字知识溢出与渐进式创新

研究价值：

产业集群是区域经济的重要组成部分，其内部的数字知识溢出机制对企业的渐进式创新具有显著影响。研究产业集群内数字知识的流动路径和溢出效应，可以揭示多元主体（企业、高校、科研机构）如何通过知识共享推动技术创新的持续改进。

技术路径：

以产业集群为研究对象，结合专利数据和企业网络数据，构建产业集群内的知识流动网络。通过社会网络分析（SNA）和空间计量模型，检验数字知识溢出对集群内企业渐进式创新的影响。同时，可以引入双重差分法（DID）分析政策干预（如产学研合作政策）的作用。

3. 数字知识流动与区域创新生态系统建设

研究价值：

数字知识流动能够促进区域创新生态系统的形成和优化，从而推动区域内的渐进式创新。研究这一机制有助于理解如何通过数字技术构建更具韧性和可持续性的区域创新体系。

技术路径：

以城市对为研究单位，结合数字技术专利数据和区域经济数据，构建区域创新生态系统的评价指标体系。通过空间面板模型，分析数字知识流动对区域创新生态系统的影响，同时引入中介效应模型，探讨知识适配性和政策支持的作用。

4. 数字知识流动与供给侧结构性改革

研究价值：

供给侧结构性改革是实现高质量发展的重要路径，而数字知识流动可以通过改善供给侧对需求的适配性，推动供给侧结构性改革的渐进式创新。研究这一机制有助于理解数字经济如何助力经济结构优化。

技术路径：

以供给侧结构性改革的核心指标（如全要素生产率、资源配置效率）为因变量，结合数字技术专利数据和企业微观数据，构建面板回归模型。通过工具变量法（IV）解决内生性问题，分析数字知识流动对供给侧结构性改革的影响。

5. 数字知识流动与区域协调发展

研究价值：

数字知识流动能够缓解区域间要素禀赋差距，推动区域协调发展的渐进式创新。研究这一机制有助于理解如何通过数字技术促进共同富裕。

技术路径：

以城市对为研究单位，结合数字技术专利数据和区域经济数据，构建区域协调发展评价指标体系。通过空间面板模型和异质性分析，检验数字知识流动对区域协调发展的影响，同时分析东部与中西部城市间的异质性。

6. 数字知识流动与企业创新能力提升

研究价值：

数字知识流动能够为企业引入先进的数字技术和管理经验，从而提升企业的创新能力。研究这一机制有助于理解企业如何通过数字知识流动实现渐进式创新。

技术路径：

以企业专利数据和数字技术专利数据为基础，构建数字知识流动的网络模型。通过回归分析和中介效应模型，检验数字知识流动对企业创新能力（如专利申请数量、技术突破频率）的影响。

7. 数字知识流动与产业链协同创新

研究价值：

数字知识流动能够促进产业链上下游企业的知识共享和协同创新，推动产业链的渐进式创新。研究这一机制有助于理解数字技术如何优化产业链结构。

技术路径：

以产业链为研究对象，结合数字技术专利数据和企业网络数据，构建产业链知识流动网络。通过社会网络分析（SNA）和空间计量模型，检验数字知识流动对产业链协同创新的影响。

8. 数字知识流动与数据要素市场发展

研究价值：

数据要素是数字时代的新型生产资料，其市场发展依赖于数字知识的流动。研究数字知识流动对数据要素市场发展的影响，有助于理解数据要素如何推动渐进式创新。

技术路径：

以数据要素市场为核心，结合数字技术专利数据和市场交易数据，构建数据要素市场发展的评价指标体系。通过面板回归模型，分析数字知识流动对数据要素市场发展的影响。

9. 数字知识流动与绿色技术创新

研究价值：

数字知识流动能够推动绿色技术的渐进式创新，从而助力碳中和目标的实现。研究这一机制有助于理解数字技术如何促进可持续发展。

技术路径：

以绿色技术专利数据为基础，结合数字技术专利数据和环境数据，构建绿色技术创新的评价指标体系。通过回归分析和中介效应模型，检验数字知识流动对绿色技术创新的影响。

10. 数字知识流动与消费者需求适配性

研究价值：

数字知识流动能够帮助企业更精准地识别和满足消费者需求，推动基于需求侧的渐进式创新。研究这一机制有助于理解数字经济如何实现供给与需求的高效匹配。

技术路径：

以消费者需求数据和企业专利数据为基础，结合数字技术专利数据，构建需求适配性评价指标体系。通过面板回归模型和异质性分析，检验数字知识流动对需求适配性的影响。

参考文献

[1]马述忠,张道涵,胡增玺.数字知识流动如何促进区域协调发展——兼论经济增长和平衡发展双重目标[J].中国工业经济,2025,(02):80-98.

[2]Jaffe, A. B., M. Trajtenberg, and R. Henderson. Geographic Localization of Knowledge Spillovers as Evidenced by Patent Citations[J]. Quarterly Journal of Economics, 1993, 108(3):577-598.

[3]Brynjolfsson, E.,Y. Hu, and D. Simester. Goodbye Pareto Principle, Hello Long Tail:The Effect of Search Costs on the Concentration of Product Sales[J]. Management Science, 2011, 57(8):1373-1386.

[4]Owen-Smith, J., and W. W. Powell. Knowledge Networks as Channels and Conduits:The Effects of Spillovers in the Boston Biotechnology Community[J]. Organization Science, 2004, 15(1):5-21.

更多数据上ppmandata.cn

声明：本数据由数据皮皮侠团队整理，仅用于学术研究