据中国信通院测算，2022年，全球数字经济呈规模化扩张态势，全球51个国家数字经济增加值规模为41.4万亿美元，同比名义增长7.4%，占GDP比重46.1%，成为拉动全球经济增长的主要动力。中国2022年数字经济规模为7.5万亿美元 [1] 。习近平总书记在十九届中共中央政治局第三十四次集体学习时指出，数字经济发展速度之快，辐射范围之广，影响程度之深前所未有，正在成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量，需要不断做强做优做大我国数字经济。

然而，已有研究指出，我国区域数字经济发展呈现出“东高西低”的不平衡格局，即东部沿海省份数字经济发展水平高于西部地区 [2] 。同时，区域内数字经济出现数字产业化发展不充分、未能带动传统产业转型升级的问题；传统产业数字化转型动力不足，资源配置失效使得数字化发展遭遇瓶颈。因此，有必要了解数字经济受哪些因素的驱动，这些因素在多大程度上影响数字经济以及如何影响数字经济的发展。探究数字经济的驱动因素能够在立足区域资源禀赋特征基础上“对症下药”，充分利用本区域优势，挖掘数字经济增长新动能，拉动传统产业数字化升级，打造产业优势等。

G20杭州峰会在2016年通过的《二十国集团数字经济发展与合作倡议》中指出：“数字经济是指以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。”

探寻区域数字经济受哪些因素驱动，大部分学者立足于相关理论及前人工作，总结已有研究成果，在过往研究的基础上不断增添新内容。例如，已有研究探究了区域经济基础对数字经济发展的影响，结果表明经济基础好的省份数字经济发展水平更高，因为经济基础好表明区域对技术、技术设施以及教育的投资能力大，消费市场也更为广阔，更能支撑数字经济的良好发展 [3] 。此外，苏冰杰 [4] 等认为政府科技投入对区域数字经济发展存在正向的显著影响，对外开放程度则对数字经济存在负向的显著影响。除了经济基础、政府科技投入等因素，也有文章从制度环境、人才储备、风险防范等方面为推动数字经济进一步发展提出建议。

由此看出，数字经济作为一种经济形态，它受到的影响因素较多，且多种因素之间还可能存在协同效应，符合多因并发的情形。需要指出的是，社会科学研究中，多因并发情形很常见，复杂社会现象是多个并发条件和结果的集合。因此，有必要区分不同的因果关系，厘清复杂现象背后的因果机制。

由于区域数字经济发展受多种因素共同作用，传统回归分析研究的“净效应”的解释力度在本领域内十分有限，主要原因有三。第一，传统回归分析是基于“因果对称性”发展起来的，对条件的充分性和必要性不加以区分。例如，当研究者提出“核心能力是竞争优势”时，正确的理解是，拥有核心能力就能带来竞争优势，但是没有核心能力也能通过其他途径(非市场战略)来获得竞争优势。而不是非此即彼，认为没有核心能力就没有竞争优势，这是典型的“因果对称”表现。正确的区分因果的非对称性对于揭示复杂的社会现象非常重要。因为在社会科学中，集合关系常常被错误地表述为相关关系，“这个错误是所有当代社会科学中最常见的错误之一” [5] 。第二，受制于研究方法的局限性，多数研究在探究某一因素对结果的影响时，单独将该因素拿出来分析，这是自然科学研究中常见的研究方法。然而，在社会科学研究中，脱离了系统内的环境，因素是否仍能发挥作用则有待商榷。由此造成的后果是，即使是同一个问题的研究结论还存在异议，取得该结论的边界条件也十分模糊。第三，传统的回归分析忽视了不同因素之间的协同效应。不同因素之间可能存在“1 + 1 > 2”的效应，此时探究某一因素的“净效应”对于揭示问题的本质帮助有限。

为了改善传统回归分析中的三个不足之处，定性比较分析应运而生。首先是改变方法中的因果对称性，即区分充分条件、必要条件、充要条件，而不是笼统的将它们混为一谈。传统回归分析不区分充分性和必要性，因而存在因果对称性。正确区分逻辑关系中的充分性、必要性以及充要性有助于我们解释复杂现象的因果逻辑关系。同样是“X导致Y”，根据必要性因果关系，意味着X是Y的必要条件，即“如果没有X，就不会产生Y”；而充分性因果关系则强调X是Y的充分条件，即“如果X存在，则Y也存在”；根据充要性因果关系，“X导致Y”，意味着X对Y是充分的也是必要的，即“如果X存在，则Y也存在”，并且“如果X不存在，则Y也不存在”。需要说明的是，充要条件在社会现实中很少存在 [6] ，因此，有必要区分这些逻辑关系以正确解释现象的因果关系。

其次，定性比较分析认为，是“条件的组合”导致了结果，这比传统回归分析中讨论单个因素对结果的影响更具有操作价值。从经验来看，导致结果出现的条件可能有多种，并且不同条件的组合也可能触发结果。在定性比较分析中，把这种“条件的组合”称为“组态”。显然，对于我们关注的结果来说，研究者们更关心如何引起或避免该结果。至于单个条件和结果之间的关系，在实践中可能不具备操作性，即这个特定条件可能非常苛刻。

最后，定性比较分析讨论的是组态与结果的关系，一个组态内的条件如果不止一个，那么定性比较分析能获知条件之间的“协同效应”。如果定性比较分析结果表明，任何单一条件都不能触发结果，但是某一条件组合触发结果，表明这些条件之间是存在“协同效应”的。而在回归分析中，由于是分析单个条件对结果的作用，无法获得条件之间的“协同效应”。这种效仿自然科学的做法不一定适合社会科学的研究，因为社会现象的发生往往是多因素共同起作用的，单个因素的作用往往是非常有限的。因此，很有必要关注“协同效应”在社会科学研究中的作用。

当学者们意识到了复杂现象背后的多因并发关系并注意到因素之间可能存在相互作用时，为了改进传统研究方法的缺陷，定性比较分析方法(QCA)被引入到社会科学研究中。组态视角和QCA方法作为一种新兴研究范式，能较好地分析多要素并发的因果复杂性问题，已被广泛用于管理学研究 [7] 。定性比较分析具有如下特点：

第一，QCA使用集合关系表述必要、充分等因果关系，因而能够解决传统研究中对因果关系类型不加以区分的问题，能够清晰地描述充分条件、必要条件、充要条件。这就避免了由于混淆不同类型的因果关系导致研究结果“非黑即白”。在社会科学中，“如果没有X，就不会产生Y”和“如果X存在，则Y也存在”两者不能等同在一起。QCA运用集合的思想，通过集合运算找到一项结果的多项前因组合，并且这些前因组合与结果的关系不能简单表述为“前因组合导致了结果”，而是应该从必要性和充分性的角度分别讨论。

第二，QCA聚焦于多要素的组态效应，认为管理现象是由多种因素共同产生的，且存在多条路径。这是完全符合现实的，实践已经表明，同一问题存在不同的现实案例，且这些现实案例之间往往具有矛盾的地方，因而达到预期结果的路径显然不止一条。例如夏明等 [8] 在研究了人力资本、金融资本、研发能力、数字基础设施、政府规模和市场规模六个要素后，发现城市数字经济高质量发展路径不止一条，存在网络–资本驱动型、人才–营商环境驱动型和研发–市场驱动型三条数字经济高质量发展路径。

第三，QCA关注的是特定案例的因果关系。这主要表现为QCA分析的数据集是特定案例，而不要求是抽样数据，因而QCA方法得出的结论在推广时必须保持谨慎的态度。案例研究结合因果分析、诠释分析和概念生成等进行深入的分析，关注案例的独特性和整体性，适合于探究少数案例的固定的因果模式，但是因为不能处理过多案例数，结论不太适合推广，因此经常被致力于在比较方法上发展通用理论的社会学者批评 [9] 。QCA的优点也很明显，其结论对于解释某些反常识案例很有说服力。

第四，传统对称性定量方法中普遍存在的一些内生性问题在QCA方法中不存在 [5] 。这些内生性与传统回归方法依赖均衡和正态分布假设，聚焦于个体变量的线性、对称性关系有关，而QCA方法使用子集合关系来表达多因并发的组态效应和因果非对称性，通过提出清晰的必要与充分性关系，能够从源头上规避反向因果、遗漏变量偏差和样本选择偏差的内生性问题 [7] 。正是因为QCA方法具备的这些优点，使得其在管理研究中被广泛使用。

但是，也有学者指出，QCA方法存在“时间盲区”，而“时间盲区”会造成理论构建存在静态性与不饱和得问题；另一方面会在实证检验阶段造成样本时间选取偏差和非稳健组态结论的问题 [10] 。因为QCA在处理研究问题时普遍使用截面静态数据，而非时间序列数据，忽略时间在事态发展过程中的作用会造成结论不具有稳健性，这在实证研究中是不可被接受的。

QCA之所以会表现出忽略时间作用的弊端，正是因为QCA起源于未经历“挤压式发展”的西方。但是中国在短短两百年的时间走完西方几个世纪才走完的工业化转型和治理现代化，表明中国的环境在短期内的巨变是不可忽略的，不可认为在较短时间内环境是稳态的，这与西方国家短时间内环境是稳态的假设不符。因而起源于西方的QCA方法带着地域特征和地域思维，不是一个放之四海皆适用的方法。学者在使用QCA方法研究中国问题时，必须考虑时间造成的环境变化，由此引发的结果变异问题。未来QCA的改良方向正是纳入时间的影响。目前的实证论文中极少文章将时间纳入研究范畴，但是考虑时间对事件造成的影响是未来研究的主流。学术研究必须秉持着“顶天立地”的原则，将文章写在中国大地上，必须符合中国的国情，而不是生搬硬套外国的研究范式及方法。

随着数字经济的到来，外部环境体现为“VUCA”环境，即具有不稳定、不确定、复杂、模糊的特点。一方面，管理普遍经历了从“线性管理”到“非线性管理”的过程，需要相关的管理研究考虑数字技术、数字平台、管理流程、管理组织等多要素之间的相互作用；另一方面，随着数字技术的快速发展，技术的更新迭代使得组织、环境的变化周期缩短，即组织、环境完成新一轮的升级仅需要很短的时间。鉴于实际环境的复杂多变，讨论单一因素对结果的影响对于解决实际问题的帮助很有限。考虑到学术研究不能脱离实际，否则失去了指导实践的作用。为此，组态理论和QCA的研究方法正是为了解决传统研究方法中仅考虑单一因素，忽略因素之间相互作用的弊端。组态理论认为达到某一预期结果的前因组合不止一种，有多组不同甚至冲突的前因组合能够带来预期结果。

目前，已有许多关于数字经济、数字化转型的研究采用了QCA的研究方法，取得了许多有益的成果，但是，这些论文普遍存在将时间排除在外的问题。例如，林倩 [11] 等通过研究2019年的数据，发现研发资本投入是数字经济发展的重要条件，其还发现高数字经济发展的路径有4条，归纳起来是三种发展模式，分别是资本 + 资源 + 创新驱动模式、资本 + 创新双驱动模式和资本 + 数据双驱动模式。同时，非高数字经济发展的路径有2条，资本 + 创新 + 基础设施制约型以及资本 + 数据资源制约型。其研究结论还表明，高数字经济发展水平与非高数字经济水平并不是对称的，表现为高与非高数字经济发展的路径存在非对称性。但是，其结论仅仅适用于当时的研究时点，作者无法解释为何仅选择2019年的数据进行分析，也无法将结论推广至所有时点。

周乐欣 [12] 以区域数据要素市场化发展为研究对象，基于TOE框架，选取了“政府–市场–技术”三个层面的7个因素，探究区域数据要素市场化发展的路径，发现区域数据要素市场化发展存在三条路径：后发赶超型路径、重点突破型路径、技术领先型路径。三种路径各有特点，需要的条件各不相同，各地要在自身资源禀赋基础上做出选择。这样的研究结论符合我们对复杂社会现象的观察，即达到同一结果的路径往往不止一条，“条条大路通罗马”正是此意。

通过总结已有研究，发现数字经济驱动因素的相关研究正在经历传统线性分析到组态分析的转换过程，这种转换过程不仅仅表现为研究方法的转换，更是研究范式、研究思维的转换。已经有许多学者注意到不能单独考量某一因素对结果的“净效应”，而是应该运用组态的思维，考虑某些因素的组合对结果的影响。在这种研究范式下，研究框架应该使用系统论和集合论的范式，以期弄清哪些因素的组合可以带来预期结果。这对于发展高质量数字经济和推动数字化转型具有深刻的现实意义。

^*通讯作者。