EN中文

经济地理 >

2024 , Vol. 44 >Issue 7: 144 - 154

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.07.015

产业经济与创新发展

省域人工智能发展对绿色全要素生产率的空间效应

  • 邝劲松 , 1, 2 ,
  • 杨坤宇 1, 2 ,
  • 石校菲 , 3, ※ ,
  • 姚一凡 1, 2
展开
  • 1.湖南工商大学经济与贸易学院，中国湖南长沙 410205
  • 2.湖南工商大学湖南省数字经济与高质量发展重点实验室，中国湖南长沙 410205
  • 3.交通银行湖北省分行，中国湖北武汉 430014
※石校菲（1997—），男，硕士，研究方向为数字经济与高质量发展。E-mail：

邝劲松（1971—），男，博士，副教授，研究方向为数字经济与高质量发展。E-mail：

收稿日期: 2024-02-23

  修回日期: 2024-07-03

  网络出版日期: 2024-09-13

基金资助

湖南省社会科学成果评审委员会课题(XSP20YBC051)

国家社会科学基金重大项目(22&ZD051)

收起

Spatial Effect of Provincial Artificial Intelligence Development on Green Total Factor Productivity

  • KUANG Jinsong , 1, 2 ,
  • YANG Kunyu 1, 2 ,
  • SHI Xiaofei , 3, ※ ,
  • YAO Yifan 1, 2
Expand
  • 1. School of Economics and Trade，Hunan University of Technology and Business，Changsha 410205，Hunan，China
  • 2. Digital Economy and High-quality Development Key Laboratory，Hunan University of Technology and Business，Changsha 410205，Hunan，China
  • 3. Hubei Branch，Bank of Communications，Wuhan 430014，Hubei，China

Received date: 2024-02-23

  Revised date: 2024-07-03

  Online published: 2024-09-13

Fold

摘要

人工智能快速发展已然成为推动经济绿色转型的强大引擎。文章系统阐释了省域人工智能发展影响我国绿色全要素生产率的空间机制。基于2010—2022年省域面板数据，从技术条件、智能应用和创新实践3个维度构建省域人工智能发展水平综合评价指标体系，利用超效率SBM-GML指数模型测度绿色全要素生产率，构建空间杜宾模型实证检验省域人工智能发展对绿色全要素生产率的空间效应。研究发现：①不同省域人工智能发展和绿色全要素生产率的空间集聚现象存在显著差异；②人工智能发展对绿色全要素生产率具有明显空间溢出效应，多种稳健性检验方式验证结论可靠；③异质性检验显示分地区人工智能发展对绿色全要素生产率的空间效应存在差异。④调节机制检验表明，人工智能发展与绿色全要素生产率之间的关系受到产业集聚的调节，较高的产业集聚水平强化了人工智能的作用。研究结论为评估人工智能发展的空间效应提供了全新视角和数据支撑，同时为探寻绿色全要素生产率的提升路径及对应新质生产力形成提供参考。

关键词： 人工智能; 绿色全要素生产率; 空间效应; 数字经济; 空间杜宾模型

本文引用格式

邝劲松 , 杨坤宇 , 石校菲 , 姚一凡 . 省域人工智能发展对绿色全要素生产率的空间效应[J]. 经济地理, 2024 , 44(7) : 144 -154 . DOI: 10.15957/j.cnki.jjdl.2024.07.015

Abstract

The rapid development of artificial intelligence has become a powerful engine to promote green economic transformation. This article systematically explains the spatial mechanism of the impact of provincial artificial intelligence development on China's green total factor productivity,and builds a comprehensive evaluation index system of provincial artificial intelligence development level from three dimensions of technical conditions,intelligent application and innovation practice based on the provincial panel data from 2010 to 2022. It uses the superefficiency SBM-GML index model and the spatial Durbin model to measure the green total factor productivity and test the spatial effect of provincial artificial intelligence development on green total factor productivity respectively. The results show that: 1) The spatial agglomeration of artificial intelligence development and green total factor productivity is significantly different in different provincial regions. 2) The development of artificial intelligence has an obvious spatial spillover effect on green total factor productivity,and the results are reliable through various robustness testing methods. 3) Heterogeneity test shows that the spatial effect of artificial intelligence development on green total factor productivity is different in different regions. 4) The adjustment mechanism test shows that the relationship between artificial intelligence development and green total factor productivity is regulated by industrial agglomeration,and the higher level of industrial agglomeration strengthens the role of artificial intelligence. The research conclusions provide data support and a new perspective for evaluating the spatial effects of artificial intelligence development,and provide reference for exploring the improvement path of green total factor productivity and the formation of corresponding new quality productive forces.

Key words： artificial intelligence(AI); green total factor productivity(GTFP); spatial effect; digitaleconomy; spatial Durbin model

党的二十大报告指出：“推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能等一批新的增长引擎”。以工业机器人、大模型、深度学习、神经网络等作为关键技术支撑的人工智能，正成为我国推动数字产业化与产业数字化的重要引擎。培育能够在技术层与应用层发挥新增长引擎作用的人工智能技术，既是迎头赶上新一轮技术革命浪潮的现实抉择，也是推动新质生产力边际突破与中国式现代化发展的内在要求。弗若斯特沙利文（Frost & Sullivan）咨询集团发布的《2023年中国AI技术变革行业发展白皮书》显示，2022年中国人工智能行业市场规模达3716亿元，占全球人工智能市场份额约20％，呈现蓬勃增长态势。在当前的经济实践中，人工智能与各产业融合发展已经形成未来产业的雏形。比如，人工智能领域出现文本转视频生成器和分析型人工智能技术，大幅提升了数据分析与决策的能力。
人工智能技术的快速发展与广泛应用，不仅通过要素替代、效率提升和知识创造带来经济增长效应[1]，还通过扩大劳动力需求和对不同岗位的异质性影响产生就业的“创造效应”与“破坏效应”[2-5]。那么，人工智能在对经济发展产生一系列影响的同时，对生态环境产生何种程度的影响?换言之，人工智能发展带来的经济增长在自然环境层面的影响是正向抑或是负向?人工智能蓬勃发展的增长性质是否是环境友好的，其存在何种影响机制?这些问题逐渐成为广大学者及政策制定者极为关注的焦点。近来学者们分别考察了人工智能发展对碳减排[6]、绿色创新[7]以及绿色增长[8]的驱动作用，这些研究表明人工智能发展对推动所在地区经济的绿色转型具有积极作用。
综上所述，学者们对人工智能迅猛发展的经济效应和绿色效应进行了广泛探索，然而对人工智能发展与绿色全要素生产率之间关系的研究较为缺乏。从新经济地理学视角来看，邻近地区之间存在显著的产业分工差异和资源要素频繁流动，以致于经济发展相互联系、相互作用[9]。因此，在探索人工智能发展的绿色效应过程中，如果忽略不同地区人工智能的空间溢出影响可能导致研究结论的偏误。此外，空间效应积累量变到一定程度后，形成的产业集聚具有整合资源与深化分工的网络效应，在人工智能影响绿色全要素生产率过程中发挥的作用也不容忽视。当同类绿色产业或企业聚集同一地区时，它们不仅可以更有效地利用共享的绿色资源和技术以提高绿色竞争优势，还能助力整个区域的经济繁荣和绿色技术进步。然而，产业集聚对人工智能发展的绿色影响效应目前关注不足。
为此，本文将省域人工智能发展对绿色全要素生产率的空间效应作为研究的中心主题。首先，从示范效应、模仿效应和竞争效应3个方面考察人工智能发展影响我国绿色全要素生产率的空间机理，分析产业集聚在人工智能发展的绿色全要素生产率效应中的调节作用；然后基于2010—2022年我国省域面板数据，从技术条件、智能应用和创新实践3个维度构建省域人工智能发展水平综合评价指标体系，利用超效率SBM-GML指数模型测度省域绿色全要素生产率，并进一步构建空间杜宾模型进行实证检验，以期为政府有关部门制定人工智能助推绿色发展的适宜制度安排及政策措施提供理论视角与现实依据。

1 理论假说

在数字经济蓬勃发展的背景下，人工智能成为提升数字新质生产力的头雁技术，为推动经济绿色转型提供了强大引擎。人工智能技术可以通过提升信息处理效率、推动行业数智耦合和加强全方位环境监测对绿色全要素生产率的提升产生直接影响。首先，从微观层面看，人工智能技术的广泛应用有助于企业数字化转型，助力企业构建起贯穿生产全链条的智能网络体系，对高污染、高能耗生产环节进行数据智能感知和信息智能处理，推动绿色全要素生产率提升[10]。其次，从中观层面看，人工智能与制造业深度融合，通过全方位数智耦合、协同创新形成多节点、多层次的生态网络，提升绿色发展效率[11]。其中，新一代人工智能与数字技术深度融合，推动制造业形成智能化和绿色化发展模式，有助于制造业绿色全要素生产率提升。最后，从宏观层面看，随着人工智能逐渐渗透到各个领域，绿色技术进一步实现优化改进，全景生态分析与智能环境监督等服务得以推广，有利于全行业突破现有监管模式制约，将绿色管理模式纳入供应链体系[12]，进而优化资源配置，提升绿色全要素生产率水平。
同时，根据新经济地理学思想[13]，人工智能发展还通过地区之间的要素流动对邻近地区的绿色全要素生产率产生积极影响。首先，示范效应。核心企业通过运用人工智能技术，在推动自身生产经营模式智能化转型升级的同时，加速绿色显性隐性知识向周边地区扩散，对邻近地区企业产生绿色创新“示范效应”，最终提升绿色全要素生产率[14]。其次，模仿效应。根据马歇尔和雅各布斯的集聚理论[15]，“模仿”和“学习”效应可以促进地区间的资源聚集，并以此提高环境绩效。邻近地区企业可借助机器学习、深度学习等人工智能技术形成高水平智能化“学习模式”，这有助于绿色创新要素的空间流动，产生技术溢出效应[16]，进而改善本地绿色全要素生产率。最后，竞争效应。作为通用性极强的技术，人工智能具有典型的头雁技术特征，会在企业间产生一定的“竞争效应”。人工智能发展水平先进地区的企业具有较强市场优势和绿色产品优势，这在生产经营中会对邻近地区的企业形成同业压力，促使邻近地区企业增加绿色研发投入，进而促进绿色全要素生产率水平提升。
此外，产业集聚具有整合资源与深化分工的网络效应，有助于强化人工智能对绿色全要素生产率的空间效应。首先，产业集聚有助于强化人工智能的技术溢出效应。马歇尔和波特认为，知识技术溢出就是产业集聚的微观机制[17-18]。作为头雁技术的人工智能，能够在产业集聚环境中有效传播和复制，提升整体创新水平和生产效率。其次，产业集聚能够强化人工智能技术带来的“竞争效应”。集群内众多企业从属同一产业链，人工智能发展所产生的创新要素在产业集群内容易扩散。若产业链条上某一节点企业进行绿色创新，其成功经验将在集群内迅速传播，激发其他企业的竞争意识和创新动力，形成行业内竞相提升绿色技术水平的良好氛围。最后，产业集聚的规模效应有利于发挥人工智能的资源优化配置效应。相较于传统行业，智能交通、智慧能源以及智能制造等智能化行业资源错配现象明显减少[19]，这种改善作用在资源要素密集的产业集聚区得到更大程度激发，能够有效提升能源利用效率、降低行业能源消耗，进而提升绿色全要素生产率水平。
基于上述分析，本文构建省域人工智能发展影响绿色全要素生产率的理论机制（图1），并提出如下假说：
图1 省域人工智能发展对绿色全要素生产率的理论机制

Fig.1 Mechanism of provincial AI development on GTFP

H1：人工智能发展促进绿色全要素生产率提升。
H2：人工智能发展通过空间溢出提升邻近省域绿色全要素生产率。
H3：较高的产业集聚水平强化了人工智能发展对绿色全要素生产率的提升作用。

2 研究方法、变量及数据说明

2.1 研究方法

2.1.1 SBM-GML指数模型

索洛模型衍生出的TFP测算思路可由多种方法实现，如生产函数法与数据包络分析法等，但上述方法未考虑资源及环境约束条件的影响，无法准确解析新发展理念下GTFP所趋向的真实值。因此，本文参考刘钻扩等的测算思路，选用非径向非角度超效率SBM-GML指数模型测度绿色全要素生产率[20]。

2.1.2 空间相关性分析

数字经济时代，大型数字化企业通过数字技术创新连接市场，形成深度数实融合，人工智能发展的新质技术部分得以发挥倍乘效应，彰显空间裂变传播属性，适用于空间相关性分析。通过测度空间相关程度，检验空间单元某个要素与邻近单元相同要素是否存在数值关联，可以反映该要素空间集聚现象及程度。本文采用全局与局部Moran's I指数检验省域人工智能发展水平的空间自相关性，利用局部莫兰指数探究省域人工智能发展水平空间相关性分布格局。

2.2 计量模型设定

为了考察人工智能发展对绿色全要素生产率的影响，设定基准回归模型如下：
G T F P i t = α + β A I i t + X i t ' γ + ε i + λ t + μ i t
式中：下标 i、 t分别表示样本空间的省域与年份； G T F P为超效率SBM-GML方法测度的绿色全要素生产率； A I表示人工智能发展水平； X i t '表示一系列控制变量的行向量； β、 γ是对应变量的估计系数； α为常数项； ε i与 λ t分别表示城市固定效应与年份固定效应； μ i t为随机扰动项。
人工智能模型以大型数字企业为基础载体，以海量数据与大型算力为支撑快速迭代进化，不仅兼有互联网跨时空数据交互的特点，更能在模型训练与学习过程中嵌入产品与服务的新生产方式，形成“数字企业—市场需求—用户群体”的复合“地理—网络”空间。因此，某地区绿色全要素生产率可能受其他地区人工智能发展的空间溢出影响。为探讨人工智能发展对绿色全要素生产率的空间效应，本文参考LeSage等的思路[21]构建空间计量模型。模型设定如下：
G T F P i t = ρ W G T F P i t + β A I i t + X i i ' ϕ + α i + λ t + μ i t
G T F P i t = β A I i t + X i t ' ϕ + α i + λ t + μ i t ; μ i t = δ W μ i t + ε i t
G T F P i t = ρ W G T F P i t + β 1 A I i t + β 2 W A I i t + X i i ' ϕ + W X i t ' ξ + α i + λ t + μ i t
式（2）为空间滞后模型（SAR），式（3）为空间误差模型（SEM），式（4）为空间杜宾模型（SDM）。空间杜宾模型（SDM）包含以下两种空间效应假定：①空间溢出效应由随机冲击引致；②被解释变量存在影响其他地区的空间效应。 β、 ϕ为待估参数； W表示空间权重矩阵； W G T F P i t表示被解释变量的空间滞后项； ρ表示空间滞后项的估计系数，可反映各省域绿色全要素生产率之间的空间依赖程度； W X i t '表示系列控制变量的空间滞后项； ξ为空间滞后项系数。

2.3 变量选取与数据来源

2.3.1 变量选取

①被解释变量：绿色全要素生产率（GTFP）。参考主流学界的经验做法[22-23]，本文选取投入指标如下：劳动投入，采用各省份就业人数表征。资本投入，运用永续盘存法，将固定资本形成总额作为投资额，测得资本存量表征。其中，基期资本存量使用Reinsdorf提出的修正初始期资本存量增长率法测算[24]。能源投入，以能源消费量表示。同时，选取产出指标如下：期望产出，选择以2010年为基期计算的实际GDP作为期望产出的代理变量。非期望产出，选择“工业三废”（工业SO2、工业废水排放量、固体废弃物排放量）计算的合成指数作为代理变量。
②核心解释变量：人工智能发展水平（AI）。大多数文献采用国际机器人联盟（IFR）给出的历年分行业工业机器人使用数量作为不同省市人工智能发展的代理变量[25-26]。工业机器人主要应用于生产制造领域，而人工智能在医疗保健、金融、交通等领域也有广泛应用，以机器人数量衡量人工智能发展水平易忽视相关领域的创新和进展[27]。因此，本文采用客观赋值的熵值法，从技术条件、智能应用和创新实践3个维度构建省域人工智能发展水平综合评价指标体系（表1）。
表1 省域人工智能发展水平综合评价指标体系

Tab.1 Evaluation index system of provincial AI development level

一级指标 二级指标 三级指标 指标确定方法 权重
人工智能
发展水平		 技术条件 人工智能企业贡献度 各省域上市人工智能企业当年利润总额/当年GDP 0.3328
人工智能产学研基地数 各省域人工智能产学研基地数量
人工智能企业数 各省域人工智能企业数量
智能应用 机器人渗透度 不同行业机器人安装量和地区分行业劳动就业份额测算 0.3614
大数据采集及处理 信息传输、软件从业人员比重
数字化转型程度 人工智能技术、大数据技术、云计算技术、区块链技术和数字技术应用领域细分指标在报告中频次的省域均值
创新实践 人工智能专利数 G06F40*等共31类归属于人工智能专利分类标准的专利数量 0.3058
人工智能重点专项立项数 智能芯片研发计划数、人工智能软件开发项目数和互联网协同智能工业化制造技术研发项目数之和
需要说明的是，我国并未赋予人工智能行业明确的行业代码，本文参考欧春尧等的研究[28]，将属于智能芯片、智能终端平台、计算机视觉、人脸识别等领域的企业判定为人工智能企业。相关企业数据来源于东方财富Choice数据库；人工智能产学研基地数据来源于前瞻产业园区库；不同行业机器人安装量数据来源于国际机器人联盟（IRF）的公开数据；信息传输、软件从业人员比重数据来源于《中国城市统计年鉴》；人工智能专利数据来源于国家知识产权局数据库；人工智能重点专项立项数来源于科学技术部公布的“国家重点研发计划重点专项立项公示”。部分数据缺失使用插值法或类推法补全。省域人工智能发展水平综合测度结果见表2。
表2 省域人工智能发展水平综合测度结果

Tab.2 Results of comprehensive measurement of provincial AI development level

省域 2010 2012 2014 2016 2018 2020 2022
北京 0.0154 0.0270 0.0492 0.0906 0.1531 0.3074 0.3895
天津 0.0039 0.0083 0.0145 0.0269 0.0416 0.0748 0.1077
河北 0.0024 0.0050 0.0101 0.0203 0.0317 0.0461 0.0658
山西 0.0013 0.0025 0.0042 0.0083 0.0164 0.0282 0.0567
内蒙古 0.0005 0.0010 0.0023 0.0046 0.0079 0.0124 0.0233
辽宁 0.0043 0.0078 0.0136 0.0239 0.0422 0.0711 0.1124
吉林 0.0021 0.0052 0.0124 0.0210 0.0345 0.0489 0.0725
黑龙江 0.0017 0.0046 0.0055 0.0089 0.0135 0.0245 0.0354
上海 0.0101 0.0197 0.0293 0.0548 0.1020 0.1966 0.2669
江苏 0.0138 0.0246 0.0544 0.1088 0.2017 0.3678 0.5199
浙江 0.0120 0.0211 0.0346 0.0689 0.1343 0.2708 0.3996
安徽 0.0029 0.0065 0.0139 0.0312 0.0649 0.0973 0.1722
福建 0.0071 0.0121 0.0190 0.0371 0.0664 0.1128 0.1822
江西 0.0017 0.0036 0.0084 0.0185 0.0302 0.0583 0.1017
山东 0.0145 0.0243 0.0394 0.0708 0.1154 0.1989 0.3293
河南 0.0038 0.0078 0.0184 0.0412 0.0618 0.0962 0.1578
湖北 0.0052 0.0114 0.0224 0.0455 0.0747 0.1224 0.1902
湖南 0.0029 0.0050 0.0096 0.0198 0.0355 0.0687 0.1168
广东 0.0266 0.0459 0.0989 0.2207 0.4123 0.6788 0.9182
广西 0.0017 0.0038 0.0082 0.0182 0.0235 0.0444 0.0744
海南 0.0002 0.0007 0.0015 0.0030 0.0058 0.0231 0.0975
重庆 0.0036 0.0079 0.0146 0.0275 0.0482 0.0795 0.1171
四川 0.0048 0.0095 0.0179 0.0363 0.0634 0.1137 0.1824
贵州 0.0009 0.0016 0.0034 0.0066 0.0128 0.0222 0.0372
云南 0.0011 0.0020 0.0037 0.0075 0.0150 0.0221 0.0380
陕西 0.0048 0.0093 0.0166 0.0270 0.0519 0.0970 0.1602
甘肃 0.0008 0.0013 0.0023 0.0049 0.0079 0.0143 0.0263
青海 0.0001 0.0002 0.0007 0.0012 0.0019 0.0037 0.0079
宁夏 0.0001 0.0003 0.0009 0.0018 0.0033 0.0063 0.0128
新疆 0.0006 0.0012 0.0024 0.0046 0.0077 0.0157 0.0307
③控制变量：产业结构（Ind）。发展优质产能行业在提高生产效率的同时，助推清洁行业的智能化进程[29]，提高绿色全要素生产率，采用第三产业产值与第二产业产值的比值表征；经济发展水平（ED）。经济发展程度越高的地区，往往会将更多资源转移到绿色产业[30]，有助于绿色全要素生产率提升，本文经济发展水平指标是以2010年为基期，对人均GDP平减所得值；人力资源水平（H）。掌握专业知识和技能的人才，能够充分发挥行业产品的技术优势，进而赋能生产效率化，有效避免资源浪费[31]，采用高等院校在校生人数比总人口表征；金融发展水平（Finance）。地区金融发展可以有效推动本地经济发展，采用年末金融机构存贷款余额占GDP比重表征；创新水平（Inno）。创新水平高的行业，在产品研发和技术应用过程中会进一步考虑环境因素，通过提高能源利用效率、增加清洁能源使用，使生产流程符合绿色环保与节能减排需要[32]，采用发明专利申请受理数量表征。环境规制（Regu）。环境规制通过引导生产要素流动影响绿色全要素生产率，采用省级政府工作报告中与环境规制相关的关键词词频表征。

2.3.2 描述性统计

除人工智能发展水平外的其余变量原始数据均来源于历年《中国统计年鉴》、EPS统计数据库与国研网数据库，数据时空跨度为2010—2022年我国30个省（自治区、直辖市）（不含西藏及港澳台地区）（以下简称“省域”）。此外，为减小异方差对估计结果造成偏差，对所有变量取对数。具体描述性统计见表3。
表3 变量定义与描述性统计

Tab.3 Variable definition and descriptive statistics

变量类型 变量名称 变量符号 变量说明 样本数（个） 均值 标准差 最小值 最大值
被解释变量 绿色全要素生产率
（取自然对数，下同）		 lnGTFP 超效率SBM-GML指数模型测度所得（同时取自然对数，下同） 390 0.0492 0.1625 -0.9163 1.1979
核心解释变量 省域人工智能发展水平 lnAI 熵值法计算所得 390 -4.0694 1.7006 -9.2103 -0.0853
控制变量 产业结构 lnInd 第三产业产值与第二产业产值比值 390 0.1037 0.4199 -0.6939 1.6671
经济发展水平 lnED 人均GDP平减所得值 390 9.3261 0.4644 8.4672 10.8077
人力资源水平 lnH 高等院校在校生人数除以总人口 390 -3.9167 0.2865 -4.8293 -3.1299
金融发展水平 lnFinance 年末金融机构存贷款余额占GDP比重 390 1.1290 0.3142 0.4171 2.0957
创新水平 lnInno 发明专利申请受理数量 390 2.2452 0.1576 1.6606 2.5270
环境规制 lnRegu 省级政府工作报告中与环境规制相关的关键词词频数 390 3.9854 0.3640 1.7918 4.8203

3 空间格局演化与空间关联性分析

3.1 绿色全要素生产率空间格局演化

本文运用ArcGIS10.8软件绘制中国各省域绿色全要素生产率空间分布图。同时采用自然间断点分级法进行分组，并绘制2010、2014、2018和2022年可视化地图（图2）。
图2 省域绿色全要素生产率空间分布演变

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改。图2同。

Fig.2 Spatial distribution pattern of green total factor productivity （GTFP） at the provincial level

图2显示，各省域绿色全要素生产率（GTFP）空间演化格局具有以下特点：①从空间分布结构看，部分沿海发达省域（如浙江、上海、广东等）以及北京的绿色全要素生产率分布大多时期处于第四、五层级，存在空间集聚现象；长江中下游地区大多省域（如湖北、湖南等）逐步由2010年的第二、三层级跃升到第四、五层级。此外，我国西北部地区省域（如新疆、青海、内蒙古等）大多时期处于第四、五层级，需进一步着力培育绿色技术创新与绿色发展的内生动能。②从时间发展顺序看，除少数省域（如青海、内蒙古、河北等）绿色全要素生产率尚停留在较低层级，或有向低层级跃迁趋势，大多数省域能够形成稳定增长趋势。值得注意的是，图例对应数值区间显示，我国各区域绿色全要素生产率除2010—2014年出现略微下降以外，从整体时间段看，仍呈现上升态势。反映出我国经济在经济结构优化和可持续发展等方面取得了一定成效，能源、环境、资本等要素投入的产出效率不断提高，能够体现我国经济增长正由要素投入驱动的粗放式增长模式逐渐向全面协调可持续等适应新质生产力要求的集约模式转型。

3.2 人工智能发展水平的空间关联性分析

3.2.1 全局莫兰指数

人工智能作为通用性极强的技术，具有跨时空交互影响的特征。为分析人工智能发展水平的空间关联性，采用探索性空间数据分析法计算2010—2022年中国各省域人工智能发展水平的全局莫兰指数。结果显示，省域人工智能发展水平的全局莫兰指数均大于0.22，且在1%水平上显著。从时间维度看，2010—2022年各省域人工智能发展水平除2013、2014和2016年出现略微下降外，整体呈现上升趋势。表明各省域人工智能发展水平在时间和空间上并非无序分布状态，而是存在着明显的正向空间相关性。

3.2.2 局部莫兰指数

采用局部莫兰指数考察中国各省域人工智能发展水平的空间分布情况，选择2010、2014、2018、2022年数据，纳入地理反距离空间权重矩阵，不同省域局部莫兰指数空间聚类结果如图3所示。其中，属于“高—高”型与“低—低”型的省域人工智能发展呈现空间集聚态势，具备较好的空间正相关性质；属于“低—高”型与“高—低”型的省域则具备空间负相关性质，表明不同省域人工智能发展的区域差异较大。
图3 省域局部莫兰指数空间分布演变

Fig.3 Evolution of local Moran index

由图3可以发现：①4个年份中，属于“高—高”型、“低—低”型的省域明显多于“低—高”型和“高—低”型，这意味着大多数省域高值与高值集聚、低值与低值集聚，进一步验证人工智能发展水平具有正向空间相关性。②天津、安徽、上海、浙江、江苏、福建、山东、湖北、河南在4个年份中均属于“高—高”型，说明其自身与周边省域的人工智能发展水平均处较高水平，存在空间集聚现象。③海南在抽样等距观测期均属于“低—高”型，表明自身的人工智能发展水平较邻近省域低，尚有潜力可挖掘。④山西、贵州、内蒙古、云南、新疆、宁夏、青海、甘肃一直属于“低—低”型，即自身人工智能发展水平与邻近省域的都较低。⑤重庆、四川、陕西一直属于“高—低”型，即自身人工智能发展水平较高，邻近省域较低。

4 空间效应实证结果

4.1 空间计量模型的检验与选择

根据空间权重矩阵在模型设定所处不同位置的含义，空间计量模型衍生出多种设定形式，正确选择相应模型需进行多步骤检验。其中，Hausman检验的chi2统计量值在1%显著性水平上显著为39.71，选择固定效应模型；LR统计量分别为59.65与86.69，在1%显著性水平上拒绝时间固定效应模型与空间固定效应模型更优的原假设，选择时空双固定效应模型；Wald统计量分别为22.68与21.53，在1%显著性水平上拒绝空间滞后模型（SAR）与空间误差模型（SEM）优于空间杜宾模型的原假设，选择空间杜宾模型。综合检验结果，本文选择时空双固定空间杜宾模型作为空间计量模型的参数估计形式。

4.2 空间计量结果

可视化地图与莫兰指数等测度结果显示出绿色全要素生产率（GTFP）与人工智能发展水平（AI）具备较强的空间集聚效果，而空间权重矩阵的合理选用是达到实证目的的前置条件。地理反距离空间权重矩阵相对于地理距离空间权重矩阵更能有效捕捉远距离依赖关系，可以提供更平滑和连续的空间关系描述，本文采用地理反距离矩阵作为空间杜宾模型估计的权重矩阵。此外，作为基准回归，展示普通最小二乘与双向固定效应模型估计结果。其时空双固定空间杜宾模型结果见表4。
表4 基准回归及空间杜宾模型回归结果

Tab.4 Results of baseline regression and spatial Durbin regression

模型设定 普通最小二乘（1） 双向固定效应（2） 空间杜宾模型（3）
空间矩阵 / 地理反距离矩阵
ρ -0.2184**（0.0980）
W·lnAI 0.3221**
（0.1352）
W·lnInd -0.4651**（0.1862）
W·lnED 0.0059
（0.3175）
W·lnH 0.8498***（0.2601）
W·lnFinance 0.3633
（0.2929）
W·lnInno -3.0111***（0.7771）
W·lnRegu -0.0918
（0.0824）
lnAI 0.0331**
（0.0135）		 0.1093***（0.0233） 0.0335*
（0.0186）
lnInd -0.0497
（0.0375）		 -0.0941
（0.0655）		 -0.2848***（0.0715）
lnED 0.0430
（0.0271）		 -0.6043***（0.1597） -0.5981***（0.1515）
lnH -0.0177
（0.0438）		 0.0847
（0.0887）		 0.0321
（0.1015）
lnFinance 0.0090
（0.0483）		 -0.4162***（0.1187） -0.2938**（0.1293）
lnInno -0.5580***（0.1366） -1.2332***（0.2233） -0.9762***（0.2853）
lnRegu 0.0428*
（0.0250）		 0.0938***（0.0273） 0.0848***（0.0269）
Constant 0.7909*
（0.4201）		 9.3355***（1.7783）
地区&时间 No Control Control
N 390 390 390
Sigma2 - 0.0157***
R2 0.0903 0.1412 0.0500

注：*、**、***分别表示10%、5%、1%的显著性水平。表5~表7同。

由表4可见，列（1）~（3）分别表示使用OLS、双向固定效应模型、空间杜宾模型对相应回归模型进行估计的结果。从OLS与双向固定效应模型的估计结果可以看出：未考虑空间效应的前提下，人工智能发展对绿色全要素生产率产生显著正向影响，弹性系数分别为0.0331和0.1093，因此假说H1成立。SDM模型的空间项系数ρ显著为负，表明本省域的绿色全要素生产率会受到其他省域的影响；人工智能发展水平的滞后变量系数在5%的显著性水平估计值为0.3221，表示存在空间正向溢出，即本省域人工智能发展能促进周边省域绿色全要素生产率提升。
同时，Lesage等指出使用SDM模型变量系数的点估计判断空间效应容易产生偏误，需用变量变化的偏微分进行进一步分析[21]。故本文考虑空间效应影响而采用SDM模型估计的偏微分的办法，计算不同影响因素的直接效应、间接效应（空间溢出效应）与总效应，结果见表5。
表5 SDM模型下各变量对GTFP的直接效应与空间溢出效应

Tab.5 Direct effect and spatial spillover effect of each variable on GTFP under SDM model

效应类别 变量 系数 Z值 标准误
直接效应 lnAI 0.0229* 1.7123 0.0134
lnInd -0.2781*** -4.5756 0.0608
lnED -0.5942*** -3.5859 0.1657
lnH 0.0102 0.0878 0.1161
lnFinance -0.3159** -2.0854 0.1515
lnInno -0.8769*** -3.2996 0.2658
lnRegu 0.0890*** 3.2962 0.0270
间接效应
（空间溢出
效应）		 lnAI 0.2549** 2.4681 0.1033
lnInd -0.3533** -2.1849 0.1617
lnED 0.1094 0.3776 0.2898
lnH 0.7253*** 2.9147 0.2489
lnFinance 0.3666 1.4874 0.2464
lnInno -2.4090*** -3.9812 0.6051
lnRegu -0.0854 1.1990 0.0712
总效应 lnAI 0.2778** 2.4995 0.1111
lnInd -0.6314*** -3.6536 0.1728
lnED -0.4847* -1.7226 0.2814
lnH 0.7355*** 3.4239 0.2148
lnFinance 0.0507 0.2236 0.2267
lnInno -3.2859*** -4.7746 0.6882
lnRegu 0.0036 0.0505 0.0709
表5直观反映省域人工智能发展对绿色全要素生产率的直接效应、溢出效应与总效应。具体而言：①核心解释变量省域人工智能发展水平对绿色全要素生产率存在显著的直接效应、空间溢出效应与总效应，弹性系数分别为0.0229、0.2549和0.2778。这一结果表明，在观测期内，某省域人工智能发展可通过人力资本、技术转让等要素流动与知识流动等方式，对周边省域形成正向的空间溢出，促进邻近省域绿色全要素生产率提升，因此假说H2成立。②控制变量中，产业结构高度化与经济发展水平存有负向总效应。究其原因，产业结构高度化需从第三产业结构中寻找答案，由于绿色全要素生产率考虑资源与环境约束，故生产性服务业的技术支撑对绿色全要素生产率提升至关重要。类似地，产出结构性问题也可能间接导致经济发展水平产生负向直接效应。金融发展水平在直接效应中结果为负，可能的解释为，我国金融业主要通过银行等金融中介机构开展业务，以间接融资为主，且金融活动的地域性较为显著，说明金融业绿色信贷支持制造业及实体经济绿色发展的效能不足问题较为突出。创新水平在绿色全要素生产率空间效应分解结果中均显著为负，可能原因在于发明专利数量结构对绿色发展产生的实际贡献有限，需进一步提升创新项目支持绿色发展的基础能力。环境规制在直接效应中结果显著为正，而在间接效应和总效应中不显著，表明环境规制对本省绿色全要素生产率提高具有促进作用，但不存在明显溢出效应。

4.3 稳健性检验

4.3.1 内生性分析

注重环保和可持续发展的绿色全要素生产率政策可能推动企业采用更加环保和高效的生产技术，这也可能促进人工智能技术的发展和应用。换言之，人工智能在影响绿色全要素生产率的同时，也可能受到绿色全要素生产率水平的反向影响。由此可见，人工智能发展与绿色全要素生产率之间可能存在反向因果关系。为进一步解决遗漏变量、测量误差和反向因果关系等内生性问题，本文参考周杰琦等的做法与思路[33]，将省域人工智能发展水平滞后一期lnAI1和省域人工智能发展水平在时间上的一阶差分ΔlnAI1的乘积作为工具变量，记为ΔlnAI，纳入空间杜宾模型进行回归，结果显示ΔlnAI及其空间滞后项的系数和显著性与上文回归结果基本一致，一定程度上克服了核心解释变量lnAI可能存在的内生性问题，回归结果稳健。

4.3.2 变换空间权重矩阵

本文选用空间邻接矩阵对纳入空间计量模型的地理反距离空间权重矩阵进行替换，回归结果显示人工智能发展对绿色全要素生产率的直接效应、空间溢出效应及总效应均显著为正，弹性系数分别为0.0411、0.3318与0.3729，与地理反距离空间权重矩阵所估计系数的方向相同，显著性基本一致，说明变换空间权重矩阵的空间效应结果稳健。

4.3.3 地区异质性检验

本文将30个省域划分为东中西部3个区域，同样将偏微分计算下人工智能发展对绿色全要素生产率（GTFP）的直接效应、空间溢出效应与总效应进行报告，结果见表6。表6显示，在不同地区条件下，人工智能发展促进绿色全要素生产率提升的直接效应存在异质性。具体而言，中部地区省域人工智能发展对本地绿色全要素生产率提升具有显著促进作用，而东部和西部地区不显著，说明中部地区省域绿色全要素生产率受邻近省域人工智能发展带来的覆盖效应相对较小。此外，东、中、西部地区人工智能发展促进绿色全要素生产率提升的空间溢出效应和总效应均显著为正，与主回归结果一致，表明地区异质性检验的结果较为稳健。
表6 空间效应地区异质性检验

Tab.6 Regional heterogeneity test of spatial effect

效应类别 变量 东部 中部 西部
直接效应 lnAI 0.0622
（0.0503）		 0.0848**
（0.0424）		 -0.1127
（0.1351）
控制变量 Control Control Control
间接效应
（空间溢出效应）		 lnAI 0.2258***
（0.0826）		 0.1099**
（0.0552）		 0.1968***
（0.0625）
控制变量 Control Control Control
总效应 lnAI 0.2880***
（0.1010）		 0.1946***
（0.0760）		 0.1418**
（0.0678）
控制变量 Control Control Control
N 143 117 130
R2 0.0926 0.0159 0.0364

4.4 产业集聚的调节效应

参考罗军等的做法[34]，将人工智能发展与产业集聚的交叉项及其空间滞后变量分别纳入基准回归模型（1）和空间杜宾模型（4）中，以考察产业集聚在人工智能发展对绿色全要素生产率影响中发挥的调节作用，具体模型如下：
l n G T F P i t = α + β 1 l n A I i t + β 2 l n A I · l n A g g l o + X i t ' γ + ε i + λ t + μ i t
l n G T F P i t = ρ W l n G T F P i t + θ 1 l n A I i t + θ 2 l n A I · l n A g g l o + γ 1 W l n A I i t + γ 2 W l n A I · l n A g g l o + X i i ' ϕ + W X i t ' ξ + α i + λ t + μ i t
式中： l n A g g l o为产业集聚水平取对数，Agglo运用工业增加值与生产总值的比重表征； l n A I · l n A g g l o为省域人工智能发展与产业集聚的交叉项，用以捕捉产业集聚的强化作用。
参考Berry的做法[35]，省域人工智能发展与产业集聚交叉项的边际效应如图4所示。图4显示，在95%水平置信区间下，随着省域人工智能发展水平的提高，产业集聚对绿色全要素生产率的边际调节效应逐渐增加，且在统计量上愈加显著。
图4 产业集聚的边际调节效应

Fig.4 Marginal moderating effect of industrial agglomeration

表7展示了将 l n A I · l n A g g l o及其空间滞后变量纳入模型后的回归结果。基准回归结果显示变量 l n A I · l n A g g l o的系数显著为正，表明产业集聚强化了人工智能发展对绿色全要素生产率提升的促进作用。同时，变量 l n A I · l n A g g l o的空间效应分解系数均显著为正，表明人工智能发展对产业集聚水平更高的省域绿色全要素生产率空间溢出效应更大，因此假说H3成立。
表7 产业集聚的调节效应

Tab.7 Moderating effect of industrial agglomeration

变量 基准回归 空间杜宾模型 空间效应分解
直接效应 间接效应 总效应
ρ -0.2460**（0.0980）
W·lnAI 0.3125**（0.1472）
W· l n A I · l n A g g l o 0.0146*（0.0086）
lnAI 0.0382***（0.0131） 0.0425*（0.0251） 0.0306*（0.0178） 0.2540**（0.1204） 0.2847**（0.1326）
l n A I · l n A g g l o 0.0046*（0.0025） 0.0052*（0.0032） 0.0043*（0.0025） 0.0117**（0.0059） 0.0159**（0.0076）
控制变量 Control Control Control
N 390 390 390
Sigma2 - 0.0148*** -
R2 0.1481 0.0696

5 结论与建议

5.1 主要结论

本文基于2010—2022年我国30个省域数据，从技术条件、智能应用和创新实践3个维度构建省域人工智能发展水平综合评价指标体系，深入考察了省域人工智能发展对绿色全要素生产率的空间效应及其内在机制。主要结论如下：①人工智能发展对绿色全要素生产率产生显著正向影响，且具有明显的正向空间溢出效应，即人工智能发展对本省和邻近省域的绿色全要素生产率均具有显著的正向促进作用。②2010—2022年各省域人工智能发展水平整体呈现上升趋势，且存在明显的正向空间相关性，绿色全要素生产率在部分沿海发达省域存在空间集聚现象，在时间上呈现上升态势。③2010—2022年我国中部地区人工智能发展对绿色全要素生产率具有显著正向直接效应，东、西部地区直接效应不显著。④省域人工智能发展与绿色全要素生产率之间的关系受到产业集聚的调节，较高的产业集聚水平强化了人工智能对绿色全要素生产率的直接效应和空间溢出效应。

5.2 政策建议

①进一步加快人工智能技术普及应用，加强人工智能技术与各行业融合的广度和深度。一方面，促进行业数智融合、协同创新，发挥人工智能在构建多中心、多层级生态网络的关键作用。另一方面，推动人工智能技术在生产过程中的集成与优化，特别是在资源利用效率、能源消耗监控及优化方面的应用，以形成新的绿色增长极，促进绿色全要素生产率提升。②充分发挥人工智能发展高水平省域的示范引领作用，拓展人工智能发展的溢出效应红利。一方面，鼓励发达省域领头行业与周边行业进行资源要素合作，推动互补型产业和智能技术等资源要素链接，带动邻近省域乃至全国范围内的绿色协调发展，建立人工智能发展联动机制。另一方面，西北地区等人工智能发展相对滞后省域应加强与东部沿海发达省域合作，从而缩小地区间的技术鸿沟，有效减少各地区绿色发展不平衡，推动我国绿色全要素生产率水平整体提升。③推动产业园区建设，发挥产业集聚对人工智能的强化作用。一方面，政府应加大对产业园区的资金投入，建设智能化的基础设施和服务设施，为企业绿色发展提供较好的生产环境。另一方面，加强科研院所与企业的密切合作，促进产学研深度结合，培养人工智能时代所需要的专业人才，以产业集聚为引擎，进一步激发人工智能发展对绿色全要素生产率提升的促进作用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
林晨, 陈小亮, 陈伟泽, 等. 人工智能、经济增长与居民消费改善:资本结构优化的视角[J]. 中国工业经济, 2020(2):61-83.

[2]
陈彦斌, 林晨, 陈小亮. 人工智能、老龄化与经济增长[J]. 经济研究, 2019, 54(7):47-63.

[3]
汪前元, 魏守道, 金山, 等. 工业智能化的就业效应研究——基于劳动者技能和性别的空间计量分析[J]. 管理世界, 2022, 38(10):110-126.

[4]
Acemoglu D, Restrepo P. Automation and new tasks:How technology displaces and reinstates labor[J]. Journal of Economic Perspectives, 2019, 33(2):3-30.

DOI

[5]
郭凯明, 王钰冰, 龚六堂. 劳动供给转变、有为政府作用与人工智能时代开启[J]. 管理世界, 2023, 39(6):1-21.

[6]
林熙, 刘啟仁, 冯桂媚. 智能制造与绿色发展:基于工业机器人进口视角[J]. 世界经济, 2023, 46(8):3-31.

[7]
Wang Q, Sun T, Li R. Does artificial intelligence promote green innovation?An assessment based on direct,indirect,spillover,and heterogeneity effects[J]. Energy & Environment, 2023:0958305X231220520.

[8]
Qian Y, Liu J, Shi L, et al. Can artificial intelligence improve green economic growth? Evidence from China[J]. Environmental Science and Pollution Research, 2023, 30(6):16418-16437.

[9]
Anselin L. Spatial Econometrics:Methods and Models[M]. Dordrecht: Kluwer Academic Press, 1988.

[10]
张帆, 施震凯, 武戈. 数字经济与环境规制对绿色全要素生产率的影响[J]. 南京社会科学, 2022(6):12-20,29.

[11]
余东华, 李云汉. 数字经济时代的产业组织创新——以数字技术驱动的产业链群生态体系为例[J]. 改革, 2021(7):24-43.

[12]
许宪春, 任雪, 常子豪. 大数据与绿色发展[J]. 中国工业经济, 2019(4):5-22.

[13]
Krugman P. Increasing returns and economic geography[J]. Journal of Political Economy, 1991, 99(3):483-499.

[14]
向仙虹, 杨国歌. 要素市场整合、空间知识溢出与低碳转型发展[J]. 产业经济研究, 2023(6):128-142.

[15]
Marshall A, Guillebaud C W. Principles of Economics:An Introductory Volume[M]. London:Macmillan, 1961.

[16]
Liao B, Li L. Urban green innovation efficiency and its influential factors:The Chinese evidence[J]. Environment,Development and Sustainability, 2023, 25(7):6551-6573.

[17]
Marshall A, Guillebaud C W. Principles of Economics:An Introductory Volume[M]. London:Macmillan, 1961.

[18]
Porter M, Van der Linde C. Green and competitive:Ending the stalemate[J]. Harvard Business Review, 1995, 33:120-134.

[19]
Ding J, Yin Y, Kuang J, et al. The impact of enterprise digital transformation on financial mismatch:Empirical evidence from listed companies in China[J]. Finance Research Letters, 2024:105677.

[20]
刘钻扩, 辛丽. “一带一路”建设对沿线中国重点省域绿色全要素生产率的影响[J]. 中国人口·资源与环境, 2018, 28(12):87-97.

[21]
LeSage J, Pace R K. Introduction to Spatial Econometrics[M]. London: Chapman and Hall/CRC, 2009.

[22]
蔺鹏, 孟娜娜. 环境约束下京津冀区域经济发展质量测度与动力解构——基于绿色全要素生产率视角[J]. 经济地理, 2020, 40(9):36-45.

DOI

[23]
周晓辉, 刘莹莹, 彭留英. 数字经济发展与绿色全要素生产率提高[J]. 上海经济研究, 2021(12):51-63.

[24]
Feenstra R C, Reinsdorf M B. Should Exact Index Numbers Have Standard Errors?Theory and Application to Asian Growth[C]// Hard-to-Measure Goods and Services: Essays in Honor of ZviGriliches. University of Chicago Press, 2007:483-513.

[25]
王林辉, 胡晟明, 董直庆. 人工智能技术会诱致劳动收入不平等吗——模型推演与分类评估[J]. 中国工业经济, 2020(4):97-115.

[26]
孙早, 侯玉琳. 人工智能发展对产业全要素生产率的影响——一个基于中国制造业的经验研究[J]. 经济学家, 2021(1):32-42.

[27]
Javaid M, Haleem A, Singh R P, et al. Artificial intelligence applications for industry 4.0:A literature-based study[J]. Journal of Industrial Integration and Management, 2022, 7(1):83-111.

[28]
欧春尧, 刘贻新, 戴海闻, 等. 人工智能企业颠覆性创新的影响因素及其作用路径研究[J]. 软科学, 2021, 35(4):55-60,111.

[29]
Li C, Chen Y, Shang Y. A review of industrial big data for decision making in intelligent manufacturing[J]. Engineering Science and Technology,Aan International Journal, 2022, 29:101021.

[30]
李晓萍, 张亿军, 江飞涛. 绿色产业政策:理论演进与中国实践[J]. 财经研究, 2019, 45(8):4-27.

[31]
张桅, 胡艳. 长三角地区创新型人力资本对绿色全要素生产率的影响——基于空间杜宾模型的实证分析[J]. 中国人口·资源与环境, 2020, 30(9):106-120.

[32]
杜运周, 刘秋辰, 陈凯薇, 等. 营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J]. 管理世界, 2022, 38(9):127-145.

[33]
周杰琦, 陈达, 夏南新. 人工智能、产业结构优化与绿色发展效率——理论分析和经验证据[J]. 现代财经(天津财经大学学报), 2023, 43(4):96-113.

[34]
罗军, 邱海桐. 城市数字经济驱动制造业绿色发展的空间效应[J]. 经济地理, 2022, 42(12):13-22.

DOI

[35]
Berry W D, Golder M, Milton D. Improving tests of theories positing interaction[J]. The Journal of Politics, 2012, 74(3):653-671.

Options
文章导航

/

〈 〉