数字经济与实体经济的深度融合正成为推动经济高质量发展的关键引擎。通过大数据、云计算、人工智能等先进技术的广泛应用，数字经济不仅优化了实体经济的资源配置，提高了生产效率，还催生了众多新业态、新模式，为经济发展开辟了新空间。这种融合促进了产业链上下游的紧密协作，加速了技术创新与产业升级，显著提升了实体经济的核心竞争力和市场响应速度。同时，数字经济还打破了地域限制，促进了区域间的协调发展，缩小了发展差距，为欠发达地区和中小企业提供了更多发展机遇。此外，数字政府的建设和营商环境的优化，进一步降低了企业运营成本，提高了市场准入效率，为经济高质量发展营造了良好的外部环境。因此，本文提出如下研究假设。

假设1：数字经济和实体经济融合可以促进城市高质量发展。

数字经济与实体经济的深度融合是建立在数据成为新的生产要素的基础上的 [12] ，两者的融合以新型数字化基础设施为基础、大数据为关键要素。数据作为一种虚拟的生产要素进入生产函数，重构了实体经济的要素体系 [13] ，通过巧妙融合“传统资源”与“尖端技术”，跨越部门、行业、地域及领域界限，实现了生产要素的高效整合与优化配置，进而持续提升实体经济部门的资源利用效能。随着数字经济与实体经济融合的深化，实体经济部门之间发展的平衡性与协调性将会加强，市场主体开始规模报酬递增，经济发展呈现出边际收益递增的趋势 [3] 。此外，数字经济与实体产业的广泛交融正逐步模糊各部门间的经济活动界限，大幅降低了信息获取成本于网络空间之中。这一趋势激发了创业者与传统创新力量的广泛参与，他们共同投身于经济高质量发展的征途，精准捕捉并深度挖掘高度差异化、碎片化的消费需求，从而催生了一系列契合市场需求的新业态、新模式，如网络化协同制造、个性化大规模定制及远程智能服务等。这一系列创新不仅营造了全民创业、万众创新的热烈氛围，还推动了高质量发展溢出效应的动态演进。因此，本文提出如下研究假设。

假设2：数字经济对经济高质量发展影响存在“边际效应递增”非线性特征。

本文运用耦合协调度模型，旨在量化评估中国数字经济与实体经济之间的融合发展状况。耦合协调度，作为衡量两个系统间信息或参数相互依存、关联紧密程度的指标，其核心在于反映系统间协调发展的综合水平。值得注意的是，在运用耦合评价模型之前，需先行对数字经济与实体经济这两个子系统进行独立评估。为此，本文首选熵权法作为分析工具，通过分别构建一级指标数字经济综合发展指数和实体经济发展指数的指标体系，进而使用熵权法对两者进行了量化测算。数字经济方面，本文参考了赵涛等 [14] 及郭峰等 [15] 的做法，构建了包含地级市互联网宽带普及率、计算机服务与软件业就业占比、人均电信业务量、移动电话普及率及数字普惠金融指数在内的综合指标体系。在实体经济方面，借鉴已有文献的做法，选取第二产业占GDP比重作为衡量实体经济总产出的核心指标，同时加入社会消费品零售总额以全面反映社会消费及需求状况，从而更为准确地把握实体经济的发展水平 [2] [16] ，具体指标如 表1 所示。

本文构建的数字经济和实体经济耦合水平测度方程如下：

$C_{ds}^t=\frac{2\sqrt{u_d^t\times u_s^t}}{\left(u_d^t+u_s^t\right)}$(1)

其中， $C_{ds}^t$表示第t期数字经济和实体经济的融合度， $u_d^t$表示数字经济第t期的发展水平(即数字经济综合发展指数)， $u_s^t$表示实体经济第t期的发展水平(即实体经济发展指数)。然而，当某些城市在数字经济与实体经济两方面均处于相对落后状态时，采用式(1)计算得出的融合测度结果可能存在高估现象，即产生伪高值。因此，本文在式(1)的基础上，借鉴郭晗和全勤慧 [3] 的做法，进一步构建了数字经济与实体经济的耦合协调度评估模型：

$D_{ds}^t=\sqrt{C_{ds}^t\times T_{ds}^t},T_{ds}^t=\alpha u_d^t+\beta u_s^t$(2)

在式(2)中， $D_{ds}^t$表示第t年数字经济和实体经济的融合度； $T_{ds}^t$表示数字经济和实体经济的综合水平； $\alpha$和 $\beta$分别表示数字经济和实体经济的权重， $\alpha +\beta =1$，鉴于我国实际情况，认为数字经济与实体经济具有同等的重要性，因此将两者的权重均设定为0.5。本文测度得到的数字经济和实体经济融合度 $D_{ds}^t$值域位于0至1之间，且该值越高，表明数字经济与实体经济的融合程度越深入。为便于分析，通常将融合度值划分划分为四个层次：当 $0\le D_{ds}^t\le 0.3$时，视为低度融合阶段；当 $0.3<D_{ds}^t\le 0.5$时，则为中度融合；当 $0.5<D_{ds}^t\le 0.8$时，定义为高度融合；当 $0.8<D_{ds}^t\le 1$时，则标志着数字经济与实体经济达到了极度融合的状态。

本文选取了我国具有代表性的九大城市群作为研究样本(具体城市名单详见 表2 )，同时，在确保数据完整性与分析准确性的前提下，对绥化、钦州及眉山等城市的数据进行了合理剔除。

图1 展示了我国在2011~2020年间九大城市群数字经济与实体经济融合程度的演变轨迹。据 图1 所示，我国珠三角城市群、长三角城市群和京津冀城市群数实融合度相对较高，其中珠三角城市群的数实融合度始终处于领先地位，且在2015年达到了高度协调。总体来看，尽管我国数字经济与实体经济的融合正稳步向前，但大多城市群目前仍处于中低融合阶段，且各城市群的数实融合度相差较大。这一现状可能归因于数字经济尚处于发展的初级阶段，其作为经济增长核心动力的潜力尚未完全释放，从而影响了两者间的协同效率。随着数字经济在国民经济体系中重要性的日益凸显，以及数字产业规模的不断扩张，加之国家政策层面的持续推动，特别是针对数字经济与实体经济深度融合、实现高质量发展的系列政策措施的实施，预计两者间的融合发展将迈入更深层次。

为验证前述研究假说，首要步骤是构建直接传导机制下的基础模型框架，具体形式如下：

$Ehq{g}_{i,t}={\alpha }_0+{\alpha }_{1}Drc{d}_{i,t}+{\alpha }_c{Z}_{i,t}+{\mu }_i+{\delta }_t+{\epsilon }_{i,t}$(3)

式(3)中， $Ehq{g}_{i,t}$表示城市i在t时期的经济高质量发展水平， $Drc{d}_{i,t}$表示城市i在t时期的数字经济与实体经济的融合度， $Z_{i,t}$代表控制变量； ${\mu }_i$控制个体固定效应， ${\delta }_t$则控制时间固定效应； ${\epsilon }_{i,t}$表示随机扰动项。

除了直接效应外，数实融合度和创新创业活跃度还可能间接地以非线性动态方式对数字经济推动经济高质量发展的过程产生溢出效应。因此，本文采用Hansen [17] 提出的面板门槛模型分析，设定如下面板门槛模型：

$Ehq{g}_{\text{i},\text{t}}={\phi }_{\circ }+{\phi }_{1}D{\text{rcd}}_{\text{i},\text{t}}\times I\left(Ad{j}_{\text{i},\text{t}}\le \theta \right)+{\phi }_{2}Drc{d}_{\text{i},\text{t}}\times I\left(Ad{j}_{\text{i},\text{t}}>\theta \right)+{\phi }_3{Z}_{\text{i},\text{t}}+{\mu }_{\text{i}}+{\epsilon }_{\text{i},\text{t}}$(4)

式(4)中，θ表示门槛变量的门槛值，Adj表示数实融合度和创业活跃度等门槛变量，这些变量通过指示函数 $I(\cdot )$(当括号内条件满足时取值为1，否则为0)来影响经济高质量发展的过程。式(4)考虑的是单门槛情形，但基于样本数据的进一步计量检验，可灵活扩展至多门槛模型，以更全面地捕捉潜在的复杂关系。

全要素生产率虽被广泛认可为经济增长可持续性的关键指标，但其波动性及维度局限性限制了其作为经济高质量发展单一评价标准的适用性。为全面反映经济高质量发展的多维特性，学术界逐渐倾向于构建多维度指标体系进行评估。本文在借鉴已有研究成果 [18] [19] 的基础上，结合城市层面数据的可得性，构建了一个包含创新、协调、绿色、开放及共享五大维度的综合评价体系。具体而言，我们首先对基础指标数据实施极差标准化处理，以实现无量纲化。随后，采用熵权法科学确定各指标权重，计算出2011至2020年间全国九大城市群内138个地级及以上城市的经济高质量发展指数Ehqg，具体指标体系参见 表3 。

图2 清晰描绘了2011至2020年间我国九大城市群经济高质量发展水平的动态演变。该图显示，珠三角与长三角城市群在此期间内，经济高质量发展水平显著领先。值得注意的是，2015年成为了一个转折点，多个城市群的经济高质量发展水平实现了显著提升，这一现象很可能归因于该年作为城市群规划启动的元年，伴随而来的广泛政策支持有效促进了城市群的经济增长与发展。从整体趋势来看，自2016年起，各城市群的经济高质量发展水平均呈现出稳步上升的态势。

本文综合运用熵值法与融合评估模型，针对各城市数字经济与实体经济融合状态进行精确测度，其详细指标构建流程已在前文详细阐述。

参考王年咏等 [11] 的研究方法，本文采用北京大学企业大数据研究中心 [20] 编制的“中国区域创新创业指数”作为衡量各城市创新创业活跃程度的量化指标，该指数能够精准捕捉并量化城市层面的创新创业活动强度与趋势。

为深入剖析城市经济高质量发展进程中数字经济与实体经济融合所产生的溢出效应，本文进一步设定了一系列控制变量，旨在全面考虑可能影响经济高质量发展的其他因素。具体包括：金融发展水平(FG)，用机构存贷款余额比地区生产总值表示；财政分权度(FD)，用财政预算内收入比财政预算内支出表示；外资依存度(Fcd)，用当年实际使用外资比地区生产总值表示；经济增长率(Egr)，用地区生产总值增长率来表示；绿色金融(GF)：各城市除六大高耗能工业产业外利息总支出占比。

为确保实证研究的严谨性与数据完整性，本研究选取了2011至2020年间九大城市群内共计138个地级及以上城市的面板数据作为研究样本。数据主要源自《中国城市统计年鉴》、部分地级市统计年报以及Wind资讯数据库。 表4 详尽列出了本研究核心变量的描述性统计概况。具体而言，经济高质量发展指数(Ehqg)的平均水平为0.0014，最高值达到0.0156，而最低值仅为0.0002，标准差为0.0018，显著揭示了地区间经济高质量发展水平的非均衡性与显著差异。此外，数实融合度(Drcd)及创新创业活跃度(IE)亦展现出“均值偏低、离散度高”的特征。从控制变量看，不同地级市在地区金融发展水平(FG)、财政分权度(FD)、外资依存度(Fcd)、经济增长率(Egr)以及绿色金融(GF)等方面同样呈现出明显的异质性。

本文将采用固定效应模型检验数实融合(Drcd)和经济高质量发展(Ehqg)的影响。

注：***、**和*分别表示回归结果在1%、5%和10%置信水平下通过显著性检验，括号内报告的是稳健标准误，使用robust标准误，下表同。

根据 表5 中的列(1)与列(2)数据，可以明确得出数实融合在1%显著性水平下展现出正向效应，说明数实融合显著提升了我国经济高质量发展。证实了数实融合对我国经济高质量发展的显著推动作用。这进一步表明，数字经济凭借技术创新的强大动力，能够深度改造传统产业，促进实体经济与数字技术的深度融合，从而孕育出新产业形态、基础设施、业务模式和经营方式，为产业发展带来根本性变革，并加速经济向高质量发展阶段迈进。因此，假设1得以充分验证。

为增强研究结论的稳健性与可信度，本文实施了以下稳健性检验策略。首先，通过剔除2011至2014年的数据样本，仅保留2015至2020年的数据进行分析，以检验时间范围变化对结论的影响。如 表5 列(3)与列(4)所示，在10%的显著性水平下，数实融合依然对城市经济的高质量发展具有显著的正面效应。其次，针对可能存在的反向因果及遗漏变量等内生性问题，本文采用了动态面板模型中的两步估计法 [21] [22] 进行回归分析，以减轻此类问题对估计结果的干扰。具体而言，通过执行Arellano-Bond自相关检验与Hansen过度识别检验来验证模型设定的合理性与工具变量的有效性。前者确保差分方程的随机误差项无二阶序列相关，后者则验证工具变量与误差项的不相关性，即工具变量的有效性。结果显示，所有模型均通过了这两项检验，确保了回归结果的稳健性。如 表6 所示，无论是差分GMM还是系统GMM估计，各模型的核心解释变量系数符号均保持一致，仅在参数值及显著性水平上略有差异，这进一步印证了本文基准回归结果的稳健性。

为验证假设2，本文采用面板门槛回归模型进行实证分析。首先运用“自助抽样法”(bootstrap)进行了400次重复抽样，以此为基础，依次对单一门槛、双重门槛及三重门槛进行了系统的检验。结果显示，数实融合度显著通过了单一门槛检验，而创新创业活跃显著通过了双重门槛。

表7 展示了门槛模型分析所得的估计结果。从列(1)的数据中可观察到，随着数实融合程度的加深，数字经济在高质量发展方面展现出了显著的正向溢出效应，且该效应呈现出“边际递增”的非线性特点。进一步分析列(2)所示的模型，该模型将创新创业活跃度作为门槛变量，结果显示，随着这一门槛变量值的提高，数实融合对城市经济高质量发展的推动作用持续增强，同时，数字经济的正向“边际递增”非线性特征依然显著。这揭示了数实融合对经济高质量发展的动态效应不仅依赖于其本身的深化，还受到创新创业活跃度这一因素的调节影响，形成了数字经济与城市创新创业生态系统间的良性互动循环。据此，假设2得到了有效验证。

为了深入分析数实融合对经济高质量发展的多维度效应，本文实施了分维度的回归分析。 表8 的回归结果显示，数实融合在创新和共享两个关键维度上均产生了显著的正向影响。具体而言，数实融合对共享维度的推动作用最为显著，紧随其后的是对创新维度的促进，这或许归因于数实融合催生了以共享经济为核心的商业模式，有效缓解了信息不对称导致的社会福利损失与资源配置低效问题，极大地推动了共享经济的发展。同时，大数据与云计算技术的运用，助力企业精准把握技术演进趋势与市场需求，优化创新决策过程，提升了企业的创新效率。然而，值得注意的是，数实融合在协调发展与开放水平方面却呈现出显著的负向效应，即在一定程度上抑制了这两个维度的进步。这一现象可能源于数字经济与实体经济融合尚处于初级阶段，国内市场尚未达到饱和状态，导致对外开放程度有所减缓。此外，当前城乡间数字基础设施的显著差异，以及数实融合战略在服务业中的相对集中，也可能成为阻碍协调发展的因素。

鉴于各地区在经济发展阶段与资源条件上的非均衡性，数实融合程度对经济高质量发展的推动作用在不同地域间可能展现出差异性。为深入探究此现象，本文选取了我国具有代表性的九大城市群作为研究样本。这一对比分析旨在揭示数实融合在不同地理与经济环境下的差异化影响，为制定更加精准的区域发展策略提供理论依据。

表9 与 表10 呈现了区域异质性检验的详细结果，显示在5%的显著性阈值下，数字经济与实体经济的深度融合显著推动了珠三角、长三角、长江中游及关中城市群的经济高质量发展进程，且珠三角城市群的受益最为显著。尽管对于京津冀、成渝、中原及北部湾城市群而言，该融合也展现出对经济高质量发展的正向潜力，但统计上的显著性并未达到既定标准。这一现象背后可能蕴含多重原因：其一，数字经济与实体经济的融合进程具有行业阶段性，服务业(如交通、餐饮)往往优先于工业和农业实现深度融合，而珠三角与长三角城市群在此方面已走在前列。其二，融合程度的深化促进了企业数字化水平的提升，为企业创新创业活动提供了肥沃土壤，进而加速了经济质量的提升。此外，数字产业的繁荣、数字基础设施的健全、人力资本的质量以及市场环境的成熟度，均是数字经济与实体经济融合促进经济高质量发展的关键要素。对比之下，珠三角与长三角城市群在这些方面拥有更为优越的条件，而中原、哈长及北部湾城市群则面临数字产业发展滞后、市场环境建设不足及人才流失等挑战，这些因素在一定程度上限制了融合效应对经济高质量发展的正向影响。