EN中文

经济地理 >

2025 , Vol. 45 >Issue 5: 122 - 131

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.05.013

产业经济与创新发展

长江中游城市群数智融合对制造业绿色转型的影响及空间效应

  • 黄嘉信 ,
  • 符安平 , ※ ,
  • 狄亚轩
展开
  • 湖南科技大学 商学院，中国湖南 湘潭 411201
※符安平（1977—），男，博士，副教授，硕士生导师，研究方向为经济地理与区域创新。E-mail：

黄嘉信（2000—），男，硕士研究生，研究方向为数智融合与绿色创新。E-mail：

收稿日期: 2024-10-12

  修回日期: 2025-03-16

  网络出版日期: 2025-07-07

基金资助

国家自然科学基金项目(42371192)

湖南省社会科学基金项目(23JD027)

收起

The Impact of Digital-Intelligence Integration on Green Transformation of the Manufacturing Industry and Its Spatial Effects of Urban Agglomeration in the Middle Reaches of the Yangtze River

  • HUANG Jiaxin ,
  • FU Anping , ※ ,
  • DI Yaxuan
Expand
  • School of Business，Hunan University of Science and Technology，Xiangtan 411201，Hunan，China

Received date: 2024-10-12

  Revised date: 2025-03-16

  Online published: 2025-07-07

Fold

摘要

文章以2011—2022年长江中游城市群19个城市为研究对象，运用超效率SBM模型和耦合协调度模型测算数智融合和制造业绿色转型水平，分析数智融合与制造业绿色转型的空间演变格局，并构建空间杜宾模型探究了数智融合对制造业绿色转型的影响及空间效应。研究发现：①长江中游城市群制造业绿色转型水平整体呈下降态势，其中环长株潭城市群下降幅度较大；空间演变上，长江中游城市群制造业绿色转型从分化转向趋同发展，各中心城市引领制造业绿色转型。②数智融合高—高集聚分布于武汉城市圈；低—低集聚分布于大南昌都市圈，且集聚范围随时间缩减。③数智融合不仅能促进本地制造业绿色转型，还能通过正向空间溢出效应促进邻地制造业绿色转型。

关键词： 数智融合; 制造业绿色转型; 耦合协调度模型; 空间杜宾模型; 长江中游城市群

本文引用格式

黄嘉信 , 符安平 , 狄亚轩 . 长江中游城市群数智融合对制造业绿色转型的影响及空间效应[J]. 经济地理, 2025 , 45(5) : 122 -131 . DOI: 10.15957/j.cnki.jjdl.2025.05.013

Abstract

Taking 19 cities of urban agglomeration in the middle reaches of the Yangtze River from 2011 to 2022 as the research objects, this article uses the coupling coordination degree model and the super-efficiency SBM model to calculate the levels of the digital-intelligence integration and the green transformation of the manufacturing industry, analyzes the spatial evolution patterns of digital-intelligence integration and the green transformation of the manufacturing industry, and constructs a spatial Durbin model to explore the impact and spatial effects of digital-intelligence integration on the green transformation of the manufacturing industry. The research findings are as follows: 1)The overall level of the green transformation of manufacturing industry of urban agglomeration in the middle reaches of the Yangtze River shows a downward trend, among which the urban agglomeration around Changsha-Zhuzhou-Xiangtan has a large decline; in terms of spatial evolution, the green transformation of the manufacturing industry of urban agglomeration in the middle reaches of the Yangtze River has shifted from differentiation to convergent development, and each central city leads the green transformation of manufacturing industry.2)The high-high agglomeration of digital-intelligence integration is distributed in the Wuhan Metropolitan Area; the low-low agglomeration is distributed in the Greater Nanchang Metropolitan Circle, and the agglomeration scope ruduces over time. 3)Digital-intelligence integration can not only promote the green transformation of the local manufacturing industry, but also promote the green transformation of the manufacturing industry in neighboring areas through the positive spatial spillover effect.

Key words： digital-intelligence integration; green transformation of the manufacturing industry; coupling coordination degree model; spatial Durbin model; urban agglomeration in the middle reaches of the Yangtze River

2024年，生态环境部发布《关于以高水平保护促进中部地区加快崛起的实施意见》 ① ，其中明确指出：“支持区域加快绿色低碳转型发展”“因地制宜引导产业转移和转型升级”“促进传统产业转型升级”。在中国经济转型和区域协调发展战略背景下，长江中游城市群承东启西、连南接北，是构建全国统一大市场、推动东中西区域良性互动协调发展的关键区域。长江中游城市群工业基础深厚、创新活力十足，是我国重要的现代装备制造及高技术产业基地，在承接产业转移过程中，工业化水平稳步提升[1]。然而，与东部沿海地区相比，长江中游城市群的第三产业发展相对滞后，整体产业结构层次较低，产业结构效益较差，对长江中游城市群制造业实现绿色转型形成了阻碍。不过，近年来国家大力推进“互联网+”“智能制造”等战略，为长江中游城市群提供了加速数字化和智能化转型的机会。2024年《中共中央 国务院关于加快经济社会发展全面绿色转型的意见》 ② 指出：“加快数字化绿色化协同转型发展”“推进产业数字化智能化同绿色化的深度融合”。数智融合为各个领域带来了新的机遇和发展空间，对我国要素市场和产业体系带来巨大冲击，为长江中游城市群制造业绿色转型提供了契机。因此，研究数智融合对长江中游城市群制造业绿色转型的影响，可为实现长江中游城市群绿色转型目标、推动经济绿色发展提供重要理论和政策参考。
既有研究中关于数智融合的界定存在3种不同的观点。其中，有学者认为数智融合是数字化和智能化的融合，以“数字化+智能化”的融合为特征，是一种新颖的战略组织形式，具有高度的创新性、渗透性和广泛的影响力，是高质量经济增长的关键驱动力[2-3]。另有学者认为数智融合是在数字化上的进一步升级，数智融合是在前阶段“数据化”基础上的跨越式变迁，体现了信息系统赋能的显著进阶[4-5]。还有学者认为数智融合既包含融合又包含在数字化基础上进一步升级，是数据化与智能化的融合与应用，是数字化与智能化的升级与再配置[6]。在方法上，当前对数智融合的测度方式主要有问卷调查法、指标体系法、内容分析方法等[7-9]。
制造业绿色转型作为当前制造业发展的重要方向，学界对其内涵与测算方法存在不同看法。其中，有学者对其内涵的解析侧重于生产绿色转型，认为制造业绿色转型是制造业企业改变原有的生产经营方式进而兼顾减排与增效的过程[10]，涉及整个生产周期的“绿色化”，使制造企业能够节约资源和环境友好，专注于资源节约、减排和效率提升，并追求环境和经济效益的协调[11]。另有学者则兼顾理念和生产绿色转型，认为制造业绿色转型是指制造业以绿色发展理念为指导，兼顾经济绩效和环境绩效[12]。在方法上，当前对于制造业绿色转型的测量主要有两种方式：一是基于生产效率的测量[13]；二是构建指标体系[14]进行测量。
数智融合对制造业绿色转型的影响研究主要包括以下方面：①多数研究认为数字经济对制造业绿色转型具有积极的促进作用。数字化转型能有效提升制造企业绿色全要素生产率、促进产业结构优化，从而促使制造业绿色转型[15]。②在智能化与制造业绿色转型的研究领域，智能化展现出多方面的积极影响。智能机器人应用达成了企业绿色发展中“减排”与“降污”，“提质”与“增效”的双重目标，显著提升了制造业企业绿色转型水平[16]。③数智融合与制造业绿色转型的相关研究认为，数智融合通过绿色认知、绿色创新、人力资本效应促进制造业绿色转型[17-18]。此外，在数智融合对制造业绿色转型影响的空间效应方面，陈福中等的研究表明，数字经济能凭借空间溢出效应带动周边地区的制造业达成绿色转型目标[12]；李健旋等从数字基础设施建设的视角切入，研究结果显示数字基础设施投入能通过空间溢出效应显著促进周边地区制造业的绿色转型[19]。
已有研究为本文奠定了坚实的理论基础，但现有研究主要侧重于数字化或智能化单一因素对制造业绿色转型的影响，且缺乏数智融合对制造业绿色转型的空间效应分析。基于此，本文以长江中游城市群19个城市的制造业绿色转型为研究对象，运用空间杜宾模型深入探究数智融合对长江中游城市制造业绿色转型的影响及空间效应，可为绿色转型提供有价值的参考和借鉴。

1 理论分析

1.1 数智融合对制造业绿色转型的直接影响

随着全球对环境保护和可持续发展的日益重视，制造业的绿色转型成为关键课题。数智融合在推动制造业绿色转型中发挥着至关重要的作用，具体体现在：①在自身禀赋和要素替换方面，数智融合与制造业绿色转型要求高度契合[20]。数智融合赋能制造业高技术含量与低环境成本，其本质与绿色化发展内涵高度一致。区别于传统生产技术，在提升生产效率之际，尤为注重生产与环境的协调性。这一特性能够促使制造业由高投入、高耗能的传统模式逐步向低碳、节能模式转变，助力制造业在提高生产效益的同时，充分考量生产模式对环境的负面效应，从而实现自身的绿色转型。同时，数智融合所催生的数智融合相关要素对传统要素投入产生替代效应。传统要素投入减少会直接降低资源消耗，削减生产过程中引发的污染，进而使制造业绿色转型[21]。②在扩展绿色技术的应用场景方面，数智融合赋能制造业供应链企业内部以及上下游企业协同优化，从生产到消费、从供给到需求，各环节主体联系更为紧密，信息交流更为便捷，从而使外部交易成本持续降低。创新主体借助数智融合使互联网与其他行业的技术交叉融合，打破产业间的界限，推动绿色新兴产业的诞生与发展，取代原有传统落后产业，完成产业的绿色转型。③在加强政府治理方面，数智融合通过赋能政府监管手段智能化、精准化与高效化，实现环境治理绩效提升，进而促进政府效率提升[22]。数智融合为政府提供了信息化支撑，通过将治理与环境规制相结合的方式，能够有效引导制造业借助绿色技术创新实现绿色转型。同时，随着人工智能、移动互联网等技术的普及，居民可以通过多渠道、多平台督促制造业绿色转型。此外，智能制造还可以通过多种方式增强媒体环境关注和企业自身环境关注，进而推动企业绿色转型[23]。

1.2 数智融合对制造业绿色转型的空间效应

数智融合对长江中游城市群制造业绿色转型的空间影响主要有以下3个：①在促进数智融合相关知识和技术溢出方面，数智融合相关要素的无形性和信息传递的高效性使其能够突破传统要素和资源流动的时空限制，对其周围地区产生正向空间溢出效应[24]。从新经济地理学角度出发，技术创新的扩散是创新过程的关键组成部分，数智融合创新表现出城市之间的空间互联性，其特征是趋同效应[25]。制造业核心企业通过运用数智融合相关技术深化自身数智融合水平的同时，加速了绿色显性、隐性知识向周边地区的扩散，对邻近地区的制造业产生了绿色创新的“示范效应”。②在打造统一市场方面，市场分割会削弱数智融合的空间溢出效应，阻碍跨区域环境协同治理与技术合作，进而抑制制造业绿色转型。相反，打破市场分割能通过空间技术溢出效应提高邻接地区的制造业绿色转型水平[26]。数智融合通过压缩不同区域之间的空间距离，加强了数智融合相关要素在城市间的传递转移，形成了网络化创新生态，有效影响了当地及周边区域的绿色转型水平。③在提高产业链绿色转型方面，数智融合通过释放其带来的红利为制造业产业链内各企业之间的绿色创新资源流通和创新知识的溢出提供作用渠道[27]。依托中国超大市场和完整产业体系的优势，数智融合相关技术也可溢出并扩散到与绿色创新产业相关的上下游产业，然后通过前向和后向产业联盟与邻近地区建立经贸联系，逐步形成互补的产业结构和联动的产业发展，从而产生空间溢出效应，促使产业链相关制造业绿色转型。

2 研究方法和数据来源

2.1 研究区概况

长江中游城市群包括武汉城市圈、环长株潭城市群、大南昌都市圈（图1）。武汉城市圈包括武汉、黄石、鄂州、孝感、黄冈、咸宁、仙桃、潜江、天门9个城市；环长株潭城市群包括长沙、株洲、湘潭、衡阳、岳阳、常德、益阳、娄底8个城市；大南昌都市圈包括南昌、九江、抚州、宜春和上饶5个城市。从地理位置看，长江中游城市群深居中国内陆腹地，是全国至关重要的交通枢纽和物流中心。在经济与社会上，伴随国家中部崛起战略的持续深化，该城市群经济增长势头强劲，其内部各城市间产业协同效应显著，已培育出涵盖汽车制造、电子信息、装备制造、现代农业、文化旅游等各具特色的优势产业体系。政策支持方面，国家高度重视长江中游城市群的发展，出台了一系列推动长江中游城市群发展的政策措施，为区域发展提供了坚实的政策后盾与有力的资金保障。此外，随着国家中部崛起战略的深入实施，长江中游城市群将在全国区域发展中发挥更加重要的作用。
图1 研究区概况

Fig.1 Study area

2.2 耦合协调度模型

耦合度是地理学领域从物理学引入的用以表征多系统之间离差公式的方法。参考丛晓男的研究[28]，在该模型中，当系统数目为两个时，常用的测度模型如下：
C = 2 · D i g i · I n t i / D i g i + I n t i 2 1 / 2
式中：C表示耦合度；Dig代表数字化；Int代表智能化。耦合度模型无法体现各系统自身发展程度，一方面是因为其设计初衷在于衡量系统间关联关系而非单个系统发展状况，重点关注系统间相互作用与协同效应；另一方面是指标选取多反映系统间关系，计算方法基于多系统综合指标运算，难以体现单个系统发展水平。耦合协调度模型比耦合度模型更具全面性，不仅考虑系统间耦合关系，还考量各系统自身发展水平，能全面反映多系统整体发展状况。由此，构建数字化与智能化的耦合协调度模型，以综合反映这两个系统在发展中的协调水平，即数智融合水平：
$D=\sqrt{C \cdot T}, T=\alpha D i g_{i}+\beta I n t_{i}$
式中：D代表耦合协调度，其含义为数智融合（Dii）水平；T为数字化和智能化的综合协调指数，能够体现二者的发展水平对整体协调度的贡献；α和β为待定系数，分别是数字化和智能化的影响权重，本文认为数智融合过程中，数字化和智能化同等重要，故将α和β赋值为0.5[29]。其他参数与式（1）相同。

2.3 计量模型设定

根据前文分析，数智融合相关要素流动性较强，可能存在一定的空间相关性。故选取同时考虑空间滞后模型（SAR）和空间误差模型（SEM）的空间杜宾模型（SDM）作为分析工具，具体公式如下：
G t i t = α 0 + α 1 · D i i i t + α 2 · l n x i t + ϕ 1 ∑ j = 1 n w i j · D i i i t + ρ ∑ j = 1 n w i j · G t i t + ϕ 2 ∑ j = 1 n w i j · l n x i t + μ t + λ i + ε i t
式中： G t i t为制造业绿色转型； D i i i t为数智融合； x i t为控制变量； α 0为截距项； α 1、 α 2分别表示经济韧性和控制变量的回归系数； ρ表示空间自回归系数； ϕ 1、 ϕ 2分别表示数智融合和控制变量空间交互的弹性系数； w i j为空间权重矩阵，选取地理反距离矩阵； μ t表示时间固定效应； λ i表示个体固定效应； ε i t表示随机干扰项。

2.4 变量选取与数据来源

2.4.1 变量选取

①被解释变量：制造业绿色转型（Gt）。参考陈福中等的研究[12]，根据资源投入、非期望产出、期望产出构建制造业绿色转型指标体系，采用包含非期望产出的超效率SBM模型进行测算。其中，资源投入方面，采用制造业从业人数、固定资产投资存量、工业用水量衡量；非期望产出方面，以工业废水、工业SO2、工业烟尘排放量三者衡量；期望产出方面，采用工业总产值表示。其中，各个城市的工业用水量数据基于各个省份单位工业增加值的工业用水量算得，固定资产投资存量由永续盘存法测算得到。
②核心解释变量：数智融合（Dii）。数智融合既包含融合，又包含在数字化基础上数据化与智能化的融合与应用，是数字化与智能化的升级与再配置[6]。因此，本文采用式（2）耦合协调度模型，将城市数字化与智能化水平代入其中进行计算。城市数字化（Dig）测算方面，以赵涛等的研究为基础[30]，构建涵盖数字基础设施等4个维度的城市数字化水平评价指标体系（表1），并运用熵值法对数字经济发展水平进行测度。在城市智能化（Int）的测算方面，参考陈楠等的做法[31]，选取人工智能专利申请数量作为智能化的衡量指标。
表1 城市数智融合指标体系

Tab.1 Indicator system of urban digital-intelligence integration

一级指标 二级指标 三级指标（单位） 指标说明
城市数字化 数字基础设施 互联网普及率（%） 每万人互联网宽带接入用户
移动电话普及率（%） 每万人移动电话用户数量
数字经济关注 上市公司数字化关注度（-） 上市公司年报中有关数字化的关键词统计加总到市级层面
政府数字经济发展关注度（-） 政府工作报告中与数字技术、数字应用相关的关键词的词频数量
数字产业发展 信息企业基础（万人） 信息传输、计算机服务和软件业从业人员数
电信企业发展（亿元） 电信业务收入
数字化企业上市公司数量（家） 与数字经济相关的行业企业数量
数字普惠金融 覆盖广度（-） 数字普惠金融覆盖广度
使用深度（-） 数字普惠金融使用深度
数字化程度（-） 数字普惠金融数字化程度
城市智能化 人工智能 人工智能专利数量 人工智能专利申请数量
③控制变量。根据已有研究[12]，控制变量选取：①外商直接投资（Fdi）：采用各城市外商投资量衡量，并进行取对数处理。引入外资有助于促进制造业绿色全要素生产率的提高，进而促进制造业绿色转型。②职工薪资（Wage）：采用全市的职工年平均工资来衡量。城市收入水平提高，从需求端促使消费升级、扩大市场规模，供给端增加技术创新投入、吸引培养人才及推动产业升级，同时政策与社会环境也更有利于制造业绿色转型。③环境规制（Er）：采用政府工作报告中有关环境规制的文本数量衡量。环境规制通过成本约束、市场引导、政策激励和监督管理等机制促使制造业进行绿色转型。④产业结构（Ind）：采用第三产业增加值与第二产业增加值的比值衡量。产业结构通过优化升级、产业集聚与分工以及产业关联与融合等多方面影响制造业绿色转型。⑤人均GDP（Pgdp）：采用地区人均GDP来衡量，并进行取对数处理。不同经济发展状况在资金支持、技术创新、产业结构调整和市场需求方面对制造业绿色转型影响不同。⑥人口密度（Pi）：采用城市人口密度来衡量。人口密度高的地区，通过需求推动、技术创新、产业集聚、基础设施和政策引导等多方面影响，为制造业绿色转型提供动力和支持。

2.4.2 数据来源

本文以2011—2022年长江中游城市群的19个地级及以上城市（以下简称“城市”）为研究对象，所选指标的主要数据来源于《中国城市统计年鉴》、各城市统计年鉴以及统计公报。人工智能专利数据来自中国专利数据库，数字普惠金融数据来源于蚂蚁金服与北京大学数字金融研究中心。描述性统计见表2。
表2 描述性统计

Tab.2 Descriptive statistics

变量类型 变量名称 变量符号 样本数 均值 标准差 最小值 最大值
被解释变量 绿色转型 Gt 228 0.5410 0.2740 0.2190 1.3050
核心解释变量 数智融合 Dii 228 0.4340 0.1600 0.0104 0.8630
控制变量 外商投资 Fdi 228 12.1700 20.510 0.0270 125.7000
人均GDP Pgdp 228 1.6730 0.4750 0.5210 2.6720
人口密度 Pi 228 0.0481 0.0258 0.0233 0.1590
产业结构 Ind 228 0.8960 0.2940 0.4100 1.7820
职工工资 Wage 228 5.8850 2.2630 2.3840 13.5600
环境规制 Er 228 45.3100 15.4900 12.0000 99.0000

3 制造业绿色转型的时空演变

3.1 制造业绿色转型时间演变

绘制2011—2022年长江中游城市群制造业平均绿色转型水平的时序发展图（图2）。总体来看，研究时段内长江中游城市群的制造业绿色转型水平呈现出下降的态势，由2011年的0.5725下降至2022年的0.4994，且波动幅度相对较小。其中，2016和2019年的变动幅度相对较大。诸如《工业绿色发展规划（2016—2020年）》 ① 与《中华人民共和国环境保护税法》 ② 等相关政策文件的出台，对长江中游城市群制造业的绿色转型起到了积极的推动作用。2019年制造业的绿色转型水平下降，其原因可能是全球经济增长放缓与中美贸易摩擦显著抑制了外部需求，叠加国内经济转型阵痛，导致企业普遍面临经营困难与利润下滑，生存压力迫使其大幅削减包括环保设备更新、清洁技术应用等在内的绿色投资意愿和能力。且在“稳增长、保就业”的宏观导向下，前期高强度环保整治的执行节奏出现阶段性调整，部分企业面临的合规压力有所缓冲，加之绿色金融支持、长效激励机制等配套措施尚未完全到位，削弱了制造业绿色转型的外部推力。整体下降可能的原因如下：①传统制造业占比高，在转型过程中设备更新、技术升级成本巨大，企业推进绿色转型动力不足。②部分地区过于注重短期经济指标，对绿色制造的政策支持和监管力度不够。③绿色能源供应体系不完善，制造业企业难以获取充足且稳定的清洁能源，导致高污染能源仍在大量使用。而且相关人才短缺，制约了绿色制造技术的研发和应用。分城市群而言，武汉城市圈、大南昌都市圈整体变化不大。环长株潭城市群的下降幅度较大，从2011年的0.70下降至2022年的0.64。其原因可能在于环长株潭城市群面临着新兴产业集群化程度不高、产业融合化程度偏低、产业生态化不够充分等问题。长株潭三市的协同发展程度仍有待提升，尽管签署了众多协议，但实际效果并不显著，三市基本上仍处于“异地竞赛”的状态。在横向对比中，研究期间内环长株潭城市群平均制造业绿色转型水平高于大南昌都市圈和武汉城市圈，其原因主要在于产业结构因素和政策支持力度两方面。从产业结构因素来看，环长株潭城市群产业结构相对灵活。在政策支持力度方面，环长株潭城市群当地政府制定了一系列针对性绿色转型政策，通过设立专项转型资金，对从事绿色制造技术研发、设备更新改造的企业给予高额补贴。
图2 2011—2022年长江中游城市群制造业绿色转型变化

Fig.2 Evolution of green transformation of manufacturing of urban agglomeration in the middle reaches of the Yangtze River from 2011 to 2022

3.2 制造业绿色转型空间演变

借助ArcGIS软件，对2011、2016和2022年的长江中游城市群制造业绿色转型空间分布特征进行可视化呈现（图3）。采用自然断点法将城市群制造业绿色转型水平划分为5个类别。2011年，因“两型社会试验区”政策助力，环长株潭城市群借能源清洁化改造与绿色制造先发优势，成为制造业绿色转型高值区；而武汉城市圈因国家及地方绿色转型政策处于早期探索阶段，对企业约束和激励不足，企业缺乏转型动力，污染治理、技术升级滞后，且科创平台、科研投入少，绿色转型技术供给不足，难以推动产业升级，多为低值区。2016年，武汉城市圈中武汉和咸宁等核心城市、环长株潭城市群中岳阳等市制造业绿色转型水平明显提高；而大南昌都市圈内南昌和上饶等核心城市制造业绿色转型水平下降。武汉作为国家中心城市，凭借“中国制造2025”等政策推动产业从高耗能向高技术转型，咸宁依托武汉城市圈协同发展承接绿色产业溢出；岳阳借助长江经济带政策推进石化等产业绿色化改造。反观南昌和上饶，2016年仍依赖钢铁、纺织等传统产业，且上饶承接了长三角部分高耗能产业，绿色技术改造投入不足。2022年，环长株潭城市群制造业绿色转型水平下降，而武汉城市圈和大南昌都市圈的部分城市如武汉、抚州、南昌制造业绿色转型水平上升。“双碳”目标与绿色消费爆发加速变革。环长株潭城市群因工程机械、冶金等传统产业绿色技术改造滞后，叠加新能源产业布局初期资源消耗大，且长江经济带生态治理政策执行力度减弱，导致整体转型水平下滑；武汉城市圈中，武汉凭借新能源汽车、光电子信息等绿色产业集群及技术创新优势实现转型提升，且作为全国碳排放权注册登记系统的所在地，2021年后武汉市凭借这一独特优势，吸引了大量资金、人才以及技术的集聚；大南昌都市圈内，南昌依托赣江新区绿色金融政策推动光伏、新能源汽车产业发展，制造业绿色转型加快。长江中游城市群制造业绿色转型空间格局从2011年的显著分化逐步走向2022年的趋同发展，政策引导与技术创新是核心驱动力，推动区域绿色转型水平整体提升、协调性增强。且到2022年，各个都市圈的中心城市都发挥引领作用。
图3 长江中游城市群制造业绿色转型空间格局演化

Fig.3 Spatial pattern evolution of green transformation of manufacturing industry of urban agglomeration in the middle reaches of the Yangtze River in 2011, 2016 and 2022

4 数智融合对长江中游城市群制造业绿色转型的空间效应

4.1 数智融合空间相关性分析

借助Stata软件，对数智融合的全局莫兰指数进行计算（表3）。结果显示，研究期内数智融合的全局莫兰指数均大于0，且多数年份中在1%的水平上显著。全局莫兰指数呈现先增后减的变化趋势，于2016年达到最大值。这意味着数智融合具有空间依赖性，存在集聚的特征，且集聚程度先提高后降低。制造业绿色转型的全局莫兰指数为正，在研究期内显著，且在大多数年份中通过了1%显著性水平检验，说明制造业绿色转型有可能存在集聚的现象。
表3 数智融合与制造业绿色转型的全局莫兰指数

Tab.3 The Global Moran's I of digital-intelligence integration and the green transformation of the manufacturing industry

年份 Moran′s I 年份 Moran′s I
Dii Gt Dii Gt
2011 0.043** 0.186*** 2017 0.115*** 0.075**
2012 0.072*** 0.194*** 2018 0.123*** 0.114**
2013 0.115*** 0.217*** 2019 0.099*** 0.181***
2014 0.139*** 0.123** 2020 0.102*** 0.184***
2015 0.143*** 0.100** 2021 0.072*** 0.204***
2016 0.155*** 0.187*** 2022 0.077*** 0.148***

注：*、**、***分别代表通过10%、5%、1%显著性水平检验。

为深入探究数智融合的局部集聚特征，引入局部莫兰指数，并绘制2011、2016和2022年3个时间点的数智融合离散特征图（图4）。总体而言，集聚方式存在高—高集聚和低—低集聚，呈现出城市群集团化的发展态势。其中，高—高集聚分布于武汉城市圈，2016—2022年，高—高集聚发展迅速，其主要原因如下：①良好的经济基础为数字技术和智能产业的发展提供了资金支持，使得制造业能够投入资源进行数字化转型和智能化升级。②武汉在“十四五”数字经济规划中被赋予“中部数智转型标杆”定位，相较于其他城市群有着更好的政策优势。③科技创新能力强，众多科研机构和高校开展前沿研究，为其提供了技术和人才保障，浓厚的创新氛围以及相关政策激发了创新热情。低—低集聚分布于大南昌都市圈，但是大南昌都市圈在2022年摆脱了低—低集聚状态。大南昌都市圈数智融合低—低集聚的主要原因如下：①经济发展水平相对有限，经济总量和发展速度与发达地区存在差距，导致数智融合投入不足，企业难以承担数字化转型和智能化升级的成本。②产业结构有待优化，传统产业占比较高（如煤炭、钢铁、农业等），对数字技术和智能化的需求低且转型困难，同时新兴产业发展不足，难以形成数智融合的产业集群效应。③科技创新能力较弱，科研投入不足影响了技术创新能力，且人才流失严重，制约了相关产业的发展。
图4 数智融合局部莫兰指数空间分布演变

Fig.4 Evolution of local Moran's index of the digital-intelligence integration

4.2 空间计量模型的检验与选择

在进行空间效应分析之前，需选取合适的空间计量模型。检验结果显示：①LM-lag、LM-error、Robust LM-error以及Robust LM-lag的检验值均在1%的显著性水平下显著，这表明长江中游城市群制造业绿色转型存在空间误差项与空间滞后项。②Wald检验和LR检验均在1%的显著性水平下通过检验，这意味着空间杜宾模型不会退化为空间滞后模型和空间误差模型。③Hausman检验在1%的显著性水平下显著，拒绝了随机效应的原假设。所以最终采用时间、城市双固定效应的空间杜宾模型。

4.3 数智融合对长江中游城市群制造业绿色转型的空间效应

由表4中的估计结果可知，Dii的空间溢出系数ρ在1%的显著性水平上为正，这说明数智融合对制造业绿色转型具有显著的空间溢出效应，本地区数智融合的发展能促进其邻近地区制造业绿色转型。Dii和空间滞后项在10%的显著性水平上通过了检验，系数分别为0.6470和1.1552。但是，偏微分方法计算所得的直接效应、间接效应和总效应相对于空间回归模型中的回归系数更为适宜[32]。其中，直接效应可理解为本地数智融合水平对自身制造业绿色转型的影响，间接效应可认为是自身数智融合水平对周围邻地制造业绿色转型的影响。
表4 数智融合对制造业绿色转型的空间回归结果

Tab.4 Spatial regression results of the impact of the digital-intelligence integration on the green transformation of the manufacturing industry

变量 估计结果 变量 估计结果
Dii 0.6470* W·Dii 1.1552*
Fdi 0.0008 W·Fdi -0.0032
Pgdp 0.2285*** W·Pgdp 1.3449***
Pi 0.9574 W·Pi 7.6558***
Ind 0.0494 W·Ind -0.0610
Wage -0.0062 W·Wage -0.0565*
Er 0.0015*** W·Er -0.0016
σ 2 0.0235*** ρ 0.2840***
R2 0.0530 N 228

注：*、**、***分别代表通过10%、5%、1%显著性水平检验，为节省版面，标准误不显示。表5~表7同。

依据表5中的估计结果，从核心解释变量的系数来看，数智融合Dii的直接效应、间接效应和总效应的系数都显著为正。说明数智融合不仅能正向促进本地制造业绿色转型，也能通过空间效应促进数智融合相关要素流动，从而影响周围地区制造业绿色转型。且数智融合的间接影响对本地制造业绿色转型的效果大于自身数智融合的作用。因此，加强区域间数智融合交流是促进制造业绿色转型的重要方式。
表5 数智融合对制造业绿色转型影响效应分解

Tab.5 Decomposition of the impact effects of the digital-intelligence integration on the green transformation of the manufacturing industry

变量 直接效应系数 间接效应系数 总效应系数
Dii 0.7129** 1.7922** 2.5051***
Fdi 0.0006 -0.0038 -0.0031
Pgdp 0.2966*** 1.9824*** 2.2790***
Pi 1.3099** 10.8791*** 12.1890***
Ind 0.0509 -0.0433 -0.0076
Wage -0.0079 -0.0834** -0.0914**
Er 0.0014** -0.0015 0.0000

4.4 稳健性检验

为了保证结果的稳健性，本文采用更换空间权重矩阵和改变自变量测量方式验证结果的稳健性。采用0-1邻接矩阵替换原有地理反距离矩阵，结果显示Dii的直接效应、间接效应、总效应与回归结果一致且显著。以人工智能企业数量替换人工智能专利申请数量重新测算数智融合进行回归，结果显示直接效应、间接效应、总效应与回归结果一致且显著，说明回归结果是稳健的。

4.5 不同城市群估计与结果分析

长江中游城市群存在数智融合的发展阶段、应用领域、创新能力、数据资源利用以及人才支撑等方面的差异，可能致使不同城市群的数智融合对制造业绿色转型的推动作用有所不同。鉴于此，本文进一步对不同城市群数智融合影响制造业绿色转型的空间溢出效应的异质性展开研究（表6）。从直接效应来看，除大南昌都市圈之外，其余城市群的数智融合对制造业绿色转型具有显著的促进作用。从产业结构差异来看，武汉城市圈的“光芯屏端网”、汽车制造与大健康产业，借数智融合相关技术加速创新、提效降耗，推动绿色进程。环长株潭城市群中，长沙、株洲、湘潭分别以高端装备与电子信息、轨道交通和航空航天、新能源和新材料等新兴产业为主，数智融合助力精准研发与生产，实现绿色发展。与之相比，大南昌都市圈传统制造业占比大，数智融合基础薄弱，新兴产业发展滞后，难以借助数智融合推动制造业绿色转型。从间接效应来看，武汉城市圈和环长株潭城市群的数智融合对制造业绿色转型的空间溢出效应为正，且在10%的显著性水平上显著，而大南昌都市圈无空间溢出效应。可能原因是武汉城市圈和环长株潭城市群产业基础雄厚，高校和科研机构众多，数智融合相关技术创新成果丰富，通过技术人才流动、产学研合作等方式，将绿色转型相关技术和经验辐射到周边区域，反观大南昌都市圈，因新兴产业发展滞后，数智融合水平不高，自身尚未形成成熟有效的数智融合发展模式，缺乏向周边辐射的能力。
表6 不同城市群数智融合对制造业绿色转型的空间异质性

Tab.6 Spatial heterogeneity of the impact of the digital-intelligence integration on the green transformation of the manufacturing industry in different urban agglomerations

城市群 效应类别 系数
大南昌都市圈 直接效应 -0.476
间接效应 -2.295
武汉城市圈 直接效应 2.101*
间接效应 2.998*
环长株潭城市群 直接效应 2.212**
间接效应 2.758*

5 结论与建议

5.1 主要结论

本文以长江中游城市群2011—2022年19个城市的制造业绿色转型为研究对象，运用熵权法和耦合协调度模型测算数智融合和制造业绿色转型水平，在此基础上，通过空间相关性分析数智融合与制造业绿色转型的空间演变格局，并构建空间杜宾模型探究了数智融合对制造业绿色转型影响的空间效应。主要结论如下：①2011—2022年长江中游城市群制造业绿色转型水平整体呈下降态势，其中环长株潭城市群下降幅度较大。空间分布上，长江中游城市群制造业绿色转型空间格局于2011—2022年从显著分化转向趋同发展，政策引导与技术创新为核心驱动力，推动区域转型水平整体提升、协调性增强，且各城市群中心城市发挥引领作用。②数智融合集聚方式存在高—高集聚和低—低集聚两种类型，呈现出城市群集团化的发展态势。其中，高—高集聚分布于武汉城市圈，2016—2022年高—高集聚发展迅速，低—低集聚分布于大南昌都市圈，且在2022年摆脱了低—低集聚。③数智融合不仅能正向促进本地制造业绿色转型，也能通过空间效应促进数智融合相关要素流动，影响周围地区制造业绿色转型，且间接影响对本地制造业绿色转型的效果大于自身数智融合的作用。

5.2 政策建议

①针对长江中游城市群制造业绿色转型水平整体下降的态势，应制定差异化区域政策。对于环长株潭城市群，鉴于其制造业绿色转型下降幅度较大，当地政府应设立专项的绿色转型扶持资金。可用于补贴企业采用绿色生产技术、购置环保设备等方面的投入，以降低企业绿色转型成本，提高其积极性。针对中心城市发挥引领作用，应建设区域创新枢纽，支持武汉、长沙、南昌等中心城市创建国家级绿色技术创新中心，重点突破新能源、智能制造、循环经济等领域关键技术。同时，推动技术成果跨区域转化，建立长江中游城市群绿色技术交易市场，依托国家绿色技术交易平台促进中心城市研发成果向周边转移。
②针对数智融合集聚态势，一方面应促进高—高集聚发展与巩固。政府应继续加大对该地区数智融合相关产业的扶持力度，如增加科研投入，设立专项科研基金，鼓励高校、科研机构与企业开展产学研合作，共同研发数智融合前沿技术，进一步提升数智融合的深度和广度；完善该地区的数字基础设施建设，包括提升网络速度、扩大数据中心容量等，为企业开展数智融合业务提供更优质的硬件条件。另一方面，应改善低—低集聚状况。对于大南昌都市圈，应制定针对性的数智融合产业发展政策，如设立产业引导基金，重点扶持本地传统制造业企业进行数智化改造，为企业提供资金支持、技术咨询等服务，帮助企业引入数智融合相关技术和设备，提升企业的数智融合水平；应总结其成功摆脱低—低集聚的经验，如在政策支持、产业创新、人才吸引等方面的有效举措，并在本地进行推广和巩固，确保数智融合发展态势持续向好。
③充分利用数智融合促进制造业绿色转型的空间效应。长江中游城市群应建立跨城市群的数智融合协同发展机制，打破行政区域界限，促进数智融合相关要素在城市群之间的自由流动。可设立区域数智融合要素交易市场，对技术、人才、资金等要素进行合理配置，实现资源共享，提高数智融合要素的利用效率，更好地发挥数智融合对周围地区制造业绿色转型的促进作用；加强跨城市群的数智融合经验交流与合作，定期举办跨城市群的数智融合研讨会、经验交流会等，分享各地在数智融合促进制造业绿色转型方面的成功经验和做法，互相学习借鉴，共同提升长江中游城市群制造业绿色转型的整体水平；制定跨城市群的数智融合产业发展规划，合理布局数智融合产业园区，引导数智融合企业在城市群之间合理分布，形成协同发展的良好态势，进一步放大数智融合对制造业绿色转型的促进作用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘耀彬, 刘娇, 李汝资, 等. 碳中和目标下的长江中游城市群产业生态可持续性演化特征与影响机制[J]. 经济地理, 2025, 45(2):58-68.

DOI

[2]
Zhang G, Wang X, Xie J, et al. A mechanistic study of enterprise digital intelligence transformation,innovation resilience,and firm performance[J]. Systems, 2024, 12(6):186.

[3]
陈剑, 刘运辉. 数智化使能运营管理变革:从供应链到供应链生态系统[J]. 管理世界, 2021, 37(11):227-240,14.

[4]
Mithas S, McFarlan F W. What is digital intelligence?[J]. IT Professional, 2017, 19(4):3-6.

[5]
陈国青, 任明, 卫强, 等. 数智赋能:信息系统研究的新跃迁[J]. 管理世界, 2022, 38(1):180-196.

[6]
张云, 柏培文. 数智化如何影响双循环参与度与收入差距——基于省级—行业层面数据[J]. 管理世界, 2023, 39(10):58-83.

[7]
解季非, 马露露, 杨勇, 等. 数智技术赋能可持续制造和循环经济的效应研究[J]. 管理评论, 2024, 36(7):82-95.

[8]
孙小强, 高秀云, 王玉梅. 制造业数智化融合转型发展的关键要素、机理分析及评价指标研究[J]. 中国科学院院刊, 2024, 39(2):323-332.

[9]
李婉红, 李娜. 绿色技术创新、智能化转型与制造企业环境绩效——基于门槛效应的实证研究[J]. 管理评论, 2023, 35(11):90-101.

[10]
万攀兵, 杨冕, 陈林. 环境技术标准何以影响中国制造业绿色转型——基于技术改造的视角[J]. 中国工业经济, 2021(9):118-136.

[11]
Zhang X, Nutakor F, Minlah M K, et al. Can digital transformation drive green transformation in manufacturing companies? Based on socio-technical systems theory perspective[J]. Sustainability, 2023, 15(3):2840.

[12]
陈福中, 蒋国海, 董康银. 数字经济对制造业绿色转型的空间溢出效应[J]. 中国人口·资源与环境, 2024, 34(5):114-125.

[13]
Wang H, Kang C. Digital economy and the green transformation of manufacturing industry:Evidence from Chinese cities[J]. Frontiers in Environmental Science, 2024,12:1324117.

[14]
Liu X, Chen S. Has environmental regulation facilitated the green transformation of the marine industry?[J]. Marine Policy, 2022,144:105238.

[15]
刘文俊, 彭慧. 区域制造企业数字化转型影响绿色全要素生产率的空间效应[J]. 经济地理, 2023, 43(6):33-44.

DOI

[16]
宋建, 胡学萌. 机器人应用如何提升中国制造企业绿色发展质量——基于“减排”与“增效”双重目标约束下指数构建分析[J]. 宏观质量研究, 2024, 12(2):15-28.

[17]
邝劲松, 杨坤宇, 石校菲, 等. 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

[18]
刘朝. 数智化技术助力制造业绿色发展[J]. 人民论坛, 2023(11):80-83.

[19]
李健旋, 姚帏之. 数字基础设施投入对中国制造业绿色增长的影响:空间效应与机制分析[J]. 科学学与科学技术管理, 2022, 43(8):82-98.

[20]
戴翔, 杨双至. 数字赋能、数字投入来源与制造业绿色化转型[J]. 中国工业经济, 2022(9):83-101.

[21]
Sun X, Zhang W, Kuang X. How the digital economy can contribute to green manufacturing efficiency[J]. Frontiers in Environmental Science, 2024,12:1418307.

[22]
李珒, 胡佳霖, 王熙. 全球视域下数字经济发展的碳减排效应及其作用机制[J]. 中国人口·资源与环境, 2024(8):3-12.

[23]
毛其淋, 石步超. 通向绿色发展之路:智能制造与企业绿色转型[J]. 世界经济, 2024(9):152-182.

[24]
洪银兴, 任保平. 数字经济与实体经济深度融合的内涵和途径[J]. 中国工业经济, 2023(2):5-16.

[25]
Zafar S Z, Zhilin Q, Malik H, et al. Spatial spillover effects of technological innovation on total factor energy efficiency:Taking government environment regulations into account for three continents[J]. Business Process Management Journal, 2021, 27(6):1874-1891.

[26]
Goldfarb A, Tucker C. Digital economics[J]. Journal of Economic Literature, 2019, 57(1):3-43.

DOI

[27]
周杰琦, 陈达, 夏南新. 人工智能的绿色发展效应:技术赋能和结构优化[J]. 当代经济科学, 2023, 45(5):30-45.

[28]
丛晓男. 耦合度模型的形式、性质及在地理学中的若干误用[J]. 经济地理, 2019, 39(4):18-25.

DOI

[29]
傅梦钰, 池仁勇, 蒋天颖, 等. 中国新质生产力与区域经济韧性耦合协调的时空特征[J]. 经济地理, 2025, 45(4):221-231.

DOI

[30]
赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界, 2020, 36(10):65-76.

[31]
陈楠, 蔡跃洲. 人工智能技术创新与区域经济协调发展——基于专利数据的技术发展状况及区域影响分析[J]. 经济与管理研究, 2023, 44(3):16-40.

[32]
LeSage J, Pace R K. Introduction to spatial econometrics[M]. Chapman and Hall/CRC, 2009.

Options
文章导航

/

〈 〉