本文计算创新效率的研发支出数据来自CSMAR数据库；申请和获批专利的数据均来自过往学者手工整理的专利数据库与国家知识产权局公布的原始专利数据，样本期为2011~2022年。此外，同时期的上市公司的财务数据和公司治理数据来自Wind数据库和CSMAR数据库。另一方面，本文计算的区域数字经济发展水平中数字基础设施建设情况和产业数字化两个维度所需的宏观社会经济变量来自于各年度的《中国统计年鉴》《中国城市统计年鉴》和CSMAR数据库，而数字金融维度来自于北京大学数字金融研究中心发布的各年度数字普惠金融指数。为了保证研究数据维度的一致性，本文将区域层面的省份数字经济发展水平匹配到上市公司–年份层面。

数据清洗方面，根据惯例，本研究首先剔除金融类上市公司的样本；其次，剔除非正常上市的处于特殊状态的公司样本(ST、*ST、暂停上市和退市类的上市公司)；再次，删除主要变量存在缺失值的、数据不完整的上市公司样本；然后，本研究对实证部分所有关注的连续变量进行前后1%水平的缩尾处理；最终，本研究得到30075个上市公司–年度的观测值。

在创新效率方面，本文选择用每单位创新投入的创新产出作为测度上市公司创新效率的综合指标。具体而言，在创新投入方面，参考潘越等 [2] 、易靖韬等 [3] 、Adhikari et al. [4] 、权小锋和尹洪英 [5] 的做法，本文选择上市公司年度研发支出指标测度上市公司的创新投入水平。在创新产出方面，参考Tong et al. [6] 、Bereskin et al. [7] 、黎文靖和郑曼妮 [8] 、孔东民等 [9] 的做法，本研究选择以上市公司申请专利的数量来衡量其创新产出水平。综上，本文使用上市公司专利数量比上Ln (1 + 研发支出)来表示创新效率。

本文从数字基础设施建设、产业数字化和数字普惠金融三个维度衡量区域的数字经济发展水平。具体而言，针对数字基础设施建设，本文借鉴焦豪等 [10] 、刘生龙和张晓明 [11] 、张洪胜等 [12] 、张勋等 [13] 、郭峰等 [14] 等人的测度方式构造本文所需的测算指标。本文将13个二级指标、3个一级指标的数据标准化后降维处理，通过主成分分析的方法得到区域数字经济发展水平综合指数(LnDigital1)。此外，在稳健性检验部分，本文还计算了基于熵值法得到的区域数字经济发展水平综合指数(LnDigital2)。 表1 汇总了区域数字经济发展水平综合指数计算过程中涉及的一二级指标信息。 表2 是文中出现的变量及定义。

进一步，这些变量的描述性统计汇总于 表3 。从描述性统计的结果来看，测度上市公司创新的几个指标的方差较大，说明上市公司创新效率差异较大；同样，区域数字经济发展水平的差距也较大，最大可达0.951(区域数字经济发展水平的上限为1)，可见，中国省际之间的数字经济发展不平衡情况非常严重。

为了检验上市公司创新情况与其所在地数字经济发展水平之间的关系，本文构建了以下双向固定效应模型：

${\text{InnoEff}}_{\text{it}}=\alpha +\beta {\text{Digital}}_{\text{it}}+{\displaystyle \sum \text{control}+\text{Year}+\text{Stkcd}+{\epsilon }_{\text{i}}}$

其中，被解释变量 ${\text{InnoEff}}_{\text{it}}$表示上市公司i在t年创新效率，本文使用上市公司专利数量(patent1) / Ln(1 + 研发支出)来表示，解释变量Digital_it表示上市公司i所在省份在t年时的数字经济发展情况，用主成分分析法得到的LnDigital1衡量。Σcontrol表示上市公司财务和内部治理层面的控制变量，具体包括企业规模、资产负债率、固定资产占比、总资产报酬率、经营性现金流、产权性质、董事会规模、独立董事占比、账面市值比、两职合一和企业年龄。此外，本研究选择控制时间固定效应和个体固定效应。ε_i表示随机扰动项，标准误聚类在行业层面。β为我们关注的系数。

回归结果如 表4 列所示。创新效率的β的估计值分别均在1%的水平上显著为正。这说明，上市公司所在省份的数字经济发展水平越高，则其创新效率越优越。上市公司所在省份数字经济发展水平综合指数每增加一个百分点，则其创新效率InnoEff就会分别平均增加3.2个百分点。可见区域数字经济发展水平对上市公司创新的影响是十分明显的。由此，假说得以验证。

以上可能存在反向因果、遗漏变量及测度误差等内生性问题，而这些问题均会造成β的估计量偏误。鉴于此，在本小节中，我们采用两种方法来处理应对这些问题。

1) 更换核心解释变量

考虑到解释变量的测度误差也可能会导致估计系数的偏误，本研究采用基于熵值法计算得到的区域数字经济发展水平“LnDigital2”替代基于主成分分析方法计算的区域数字经济发展水平综合指数“LnDigital1”。然后，我们将基于熵值法计算的区域数字经济发展水平综合指数“LnDigital2”更换以上模型中的核心解释变量“LnDigital1”，并重新进行回归。回归结果如 表5 所示，区域数字经济发展水平对地区上市公司创新效率的系数均在统计意义上显著为正，这与 表4 呈现的基准回归结果相一致。

2) 上市公司控制变量滞后一期

为了缓解同期上市公司财务特征、内部治理质量对其创新绩效的内生性影响，本研究还将上市公司层面的控制变量均滞后一期。然后，我们沿用上述模型进行重新回归。回归结果如 表6 所示，创新效率的2个指标的β的估计值分别均在1%的水平上显著为正。这说明，上市公司所在省份的数字经济发展水平越高，则其创新绩效越好。这与上文基准回归结果相一致。