EN中文

Economic geography >

2024 , Vol. 44 >Issue 8: 137 - 147

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.08.016

Does Artificial Intelligence Application Promote Green Innovation in Three Major City Clusters of the Yangtze River Economic Belt?Based on the Perspectives of “Digital Dividend” and “Digital Divide”

  • HE Xingxing ,
  • RUAN Junjie , ※ ,
  • BIAN Caixing
Expand
  • School of Business，Guilin University of Electronic Science and Technology，Guilin 541004，Guangxi，China

Received date: 2024-03-04

  Revised date: 2024-07-09

  Online published: 2024-09-23

Fold

Abstract

The article empirically examines the spatial effect of AI application on green innovation using the spatial Durbin model with panel data of the three major urban agglomerations of the Yangtze River Economic Belt from 2011 to 2021 as a sample. The results show that:1) There is a significant positive spatial correlation between the level of AI application and the level of green innovation in the three major urban agglomerations of the Yangtze River Economic Belt,while the Moran's I value of the level of green innovation shows the characteristic of distance weakening. 2) Within the three major city clusters of the Yangtze River Economic Belt, the application of AI can significantly promote the local green innovation level to generate a "digital dividend",but the negative spillover to the green innovation level of its neighbours exacerbates the "digital divide", and this relationship is significantly varied with the difference of geography and location. This relationship changes significantly with geographic location differences. In addition, further analysis reveals that there is an "inverted U-shape" relationship between the local and spillover effects of AI applications on the level of green innovation, in which the local and spillover effects are first promoted and then suppressed. 3)The analysis of spatial effect decay found that the negative spillover effect of AI applications on green innovation level showed a geographic distance decay trend,and the maximum spillover decay boundary was reached at 450 km. Digital inclusive finance and digital industrial agglomeration have a significant moderating role in the "inverted U-shape" relationship between the level of AI application and the level of green innovation. Focusing on the dual perspectives of AI and green innovation,we provide theoretical support and empirical evidence for promoting China's green,low-carbon and cyclical development.

Key words： artificial intelligence applications; green innovation; inverted U-shaped curve; spatial spillover effect; decaying boundaries; urban agglomeration

Cite this article

HE Xingxing , RUAN Junjie , BIAN Caixing . Does Artificial Intelligence Application Promote Green Innovation in Three Major City Clusters of the Yangtze River Economic Belt?Based on the Perspectives of “Digital Dividend” and “Digital Divide”[J]. Economic geography, 2024 , 44(8) : 137 -147 . DOI: 10.15957/j.cnki.jjdl.2024.08.016

《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出：“构建市场导向的绿色技术创新体系，实施绿色技术创新攻关行动”[1]，明确了绿色创新的重要性。随着长江经济带上升为国家战略区域，长江经济带城市群能够在更大范围内优化资源配置，形成集聚、扩散辐射效应，逐渐成为我国实现绿色创新发展战略的焦点区域；同时，数字经济时代以人工智能为代表的数字技术更给绿色创新发展提供了新途径、新动能和新活力。人工智能拥有新一代通用技术属性、强溢出效应和高发展潜力等优势[2]，促使数据要素与传统创新要素融合重组，提升绿色创新要素的配置效率，能够有效促进绿色创新发展。然而，人工智能等数字技术在长江经济带的广泛应用也给绿色创新发展带来了新的挑战，单纯依靠市场机制选择的技术进步速度和方向通常难以满足绿色创新发展的最优化的要求，人工智能等数字技术可能会导致欠发达地区绿色创新资源和成本优势的弱化、要素收入分配差距扩大以及加速绿色创新相关人才流失等问题，加剧区域之间绿色创新发展不平衡的趋势。比如东部沿海的长三角城市群的数字技术优势明显、数字经济发展迅速，而中部和西部内陆地区的长江中游城市群与成渝城市群由于相对落后则难以分享前沿数字技术所带来的“数字红利”，进一步加剧了“数字鸿沟”，不利于长江经济带三大城市群绿色创新协同发展战略的深入实施。
目前，学术界在关于人工智能等数字技术对绿色创新的影响研究仍然存在分歧。一方面，部分学者认为人工智能通过释放“数字红利”为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[3]，加速绿色创新相关资源在产业链内的企业之间的流动，并在此基础上形成良好的辐射带动作用，实现“数字红利”在相邻地区的双向流动，进而推进区域整体绿色创新协同发展[4]。另一方面，部分学者认为人工智能的出现可能会进一步加剧行业与地区之间的“数字鸿沟”。从所属行业看，高技术行业往往具备更多的高素质劳动力、更先进的技术知识以及更快的研究速度[5]，因此人工智能对企业技术创新的提升效果往往集中在服务业[6]或资本密集型制造行业中[7]；从地理区位看，数字技术率先在中国东部地区落地并迅速发展，西部地区因缺乏数字技术创新能力，最终会产生显著要素禀赋差异，落入“比较优势陷阱”。因此，人工智能在中东部发达省份更容易发挥出“技术红利”，促进区域经济规模有效增长，但由于地理距离和经济水平差距的影响难以实现省际之间的溢出效应[8]，从而加剧“数字鸿沟”的不利影响。尤其值得注意的是，已经有学者注意到人工智能等核心数字技术的影响效果应该是较为复杂的非线性关系，并非简单的线性关系。如陈蓓等通过实证检验得出数字技术对湖南省城市绿色发展存在显著的倒“U”型关系[9]；刘富华等提出数字技术能够有效提高各经济主体的技术融合和外部技术获取的有效性，加快数字经济水平对工业高质量发展的“U”型影响效应更快到来，进而实现产业的绿色创新发展[10]。由此可见，人工智能等数字技术对绿色创新的影响已引起部分学者关注，但是较少从空间溢出效应视角深入探究人工智能应用对长江经济带三大城市群绿色创新的非线性影响关系以及讨论人工智能应用的空间溢出边界问题。
基于此，本文聚焦人工智能与绿色创新双重视角，在明确界定人工智能概念和使用人工智能企业数据构建核心解释变量的基础上，基于2011—2021年长江经济带三大城市群67个地级及以上城市的面板数据，利用空间杜宾模型，实证分析人工智能应用对长江经济带三大城市群绿色创新的影响，客观把握人工智能应用的发展状况和区域特征。以期为更好推动区域绿色创新协同发展和绿色低碳循环发展提供经验证据。

1 理论分析与假设

1.1 人工智能与绿色创新

人工智能通过释放“数字红利”促进绿色创新。在微观层面，人工智能利用“自动感知学习”“自主决策执行”和“自我适应调整”等多种能力为企业提供更为准确的成本管理和资源调度方案，精准把控企业绿色创新过程中的投入与产出[11]，提高企业绿色创新过程中的资源利用效率。同时，人工智能充分发挥时空压缩效应和强大的信息检索能力，将分散化的绿色创新相关知识进行集中化处理，建立创新知识共享平台，此举克服了创新知识溢出中存在的时空约束，以高效化的“集体学习机制”取代知识壁垒下的“囚徒困境”[12]，为不同地区企业提供一条更为便捷的绿色创新学习通道，助力企业绿色创新能力的提升。从宏观上看，人工智能通过强渗透性的特点被广泛运用在各个行业，模糊了不同部门的经济活动边界，不仅有助于资源要素的重新整合与要素供给结构优化，还赋能传统行业向智能化转型，不断产生新技术、新业态、新产业，促进经济系统向智能化发展[13]，进而提升绿色创新水平。
另外，随着人工智能的广泛运用也可能带来“数字鸿沟”，抑制绿色创新水平的提升。一方面，随着人工智能技术的不断迭代，企业也同样会面临“信息超载和信息安全等问题[14]，导致企业的信息处理成本倍增，加重企业的资金负担，挤占了绿色创新的资金[15]，抑制企业绿色创新水平的提升。另一方面，由于不同区域资源禀赋存在明显差异，相比于中西部欠发达地区，人工智能首先会在经济较为发达的东部沿海地区（如长三角城市群）落地并且迅速发展壮大，因此其人工智能的普及与应用远远高于欠发达地区，从而形成较为明显的人工智能发展优势。同时，各类绿色创新要素也将会更多地流入东部发达地区，造成对中西部欠发达地区的虹吸效应，从而抑制绿色创新水平的提升。基于此，本文提出2个对立假设：
假设1：人工智能产生“数字红利”，助力绿色创新水平的提升。
假设2：人工智能产生“数字鸿沟”，阻碍绿色创新水平的提升。

1.2 人工智能对绿色创新的空间衰减边界

依据空间经济学理论和新经济地理学的“中心—外围”模型等相关理论，空间溢出效应理应遵循距离衰减规律，即技术要素空间溢出存在一定的空间范围，并且随着地区间距离的增加，空间溢出产生的效益会逐渐衰减，这使得外围城市难以享受到中心城市所释放出来的技术红利。具体而言，地理位置相近的城市在产业布局和智能技术水平上相似，城市之间制度壁垒和贸易阻碍相对较弱，两城之间知识要素流动与经济联系也更为紧密，因此，当地人工智能发展会给邻近地区带来更多的空间溢出效应。然而，当人工智能借助智能化平台实现对周边地区的资源共享时，需要考虑到智能化平台服务的空间半径是有限的，平台辐射的范围及效果会随着周边城市与中心点距离的拉长而不断弱化。同时，智能平台搭载的数据信息也会随着空间距离的拉大导致信息传播与应用的难度随之上升。因此，人工智能对城市绿色创新产生的空间溢出效应也应遵循随距离衰减的规律。基于此，本文提出假设3。
假设3：人工智能对绿色创新的空间溢出效应存在空间边界并随距离的拉长而衰减。
图1 作用机制框架图

Fig.1 Action mechanism frame diagram

2 研究设计

2.1 变量选择及说明

①被解释变量：绿色创新水平（Getch）。目前国内外学者皆认为绿色专利申请量和授权量是地区绿色创新活动的直接体现[16-17]，结合城市绿色创新能力自身内涵和固有性质，借鉴董直庆等的做法[18]，本文使用长江经济带各城市的绿色发明专利授予数量和绿色实用新型专利授予数量之和来衡量绿色创新水平。考虑到长江经济带各城市的绿色专利授予数差距较大，对此将所有数据加1后取对数；同时采用绿色发明专利申请数量和绿色实用新型专利申请数量之和进行稳健性检验。图2为我国长江经济带三大城市群绿色创新水平的时空演化趋势图。由图2可知，长江经济带三大城市群绿色创新水平在空间上存在不均衡分布特征，其中长三角城市群强于长江中游和成渝城市群。此外，主要以上海、杭州、南京为绿色创新核心城市，并呈现出从中心向外围降低的趋势。
图2 长江经济带城市群绿色创新水平的时空分布演变

Fig.2 Spatio-temporal evolution trend of green technology innovation level of city clusters in the Yangtze River Economic Belt，2011-2021

②解释变量：人工智能应用水平（lnai）。现有文献大多将地区信息传输、计算机服务和软件业相关数据和工业机器人安装数或者安装密度刻画人工智能应用水平，但是上述表征智能用来衡量某一维度的人工智能，不能全面体现人工智能应用水平。区域人工智能企业数量能够在一定程度上反映地区人工智能领域研发活动、人才集聚、投资及应用的发展活力[19]。
基于此结合清华大学与中国工程院知识智能联合研究中心知识工程研究室发布的《2019人工智能发展报告》，将人工智能产业分为技术层、基础层以及应用层 ① [20]。同时借鉴叶琴等做法[21]，将所研究的人工智能企业范围划定为：人工智能软件和硬件开发的基础层企业、为人工智能提供数据及算力支撑的技术层企业、面向特定应用场景需求的应用层企业[22]。同时，以天眼查数据库作为信息搜集平台，将企业成立的地址、年限、经营范围 ① 和类型等信息与相应城市进行匹配，得到长江经济带三大城市群人工智能公司数据库。此外，考虑到长江经济带三大城市群的各城市人工智能公司数量差距较大，最终将数据进行加1取对数处理，以此来测度城市人工智能应用水平。图3展示了长江经济带三大城市群人工智能应用水平的时空演化趋势。由图3可知，三大城市群之间人工智能应用水平呈现出明显的“东高西低”差异化分布格局。但是，2016年以后长江经济带各城市群的人工智能应用均得到迅速发展，城市群之间的差距也在不断缩小，空间非均衡状态有所缓解。此外，长江经济带三大城市群人工智能应用以重庆、成都、长沙、武汉、上海、南京和杭州为主要发展规模核心城市。
图3 长江经济带城市群人工智能发展的时空分布演进

Fig.3 Spatio-temporal evolution trend of AI development in the Yangtze River Economic Belt city clusters，2011-2021

③调节变量：数字普惠金融（DIF）采用北京大学数字金融研究中心发布的《北京大学数字普惠金融指数》中的地级市层面的数字金融水平[23]。数字产业集聚（Digagglomeration），借鉴袁歌骋、张治栋等的做法[24-25]，利用由信息传输、软件和信息技术行业从业人数构建的区位商指数作为数字产业集聚的代理变量。
④其他控制变量：创新环境（Inno）用科学支出占财政预算收入的比重来表示；对外开放程度（Open）以各城市的进出口额占该地区GDP的比重作为代理指标；经济发展水平（lnagdp）采用人均GDP取对数来表示；政府干预（Gover）以财政预算支出占GDP的比重来表征；地区产业结构（Itr）以各城市的第二产业产值占GDP的比重来表示；金融发展水平（Fin）以各城市年末金融机构贷款余额占地区GDP的比重来表征。

2.2 长江经济带城市群人工智能和绿色技术创新的时序特征

综上分析发现，2011—2021年长江经济带三大城市群无论是人工智能应用水平还是绿色创新水平总体上呈现上升的趋势（图4）。但值得注意的是，长三角城市群的人工智能应用水平和绿色创新水平都远远高于其他两大城市群。这可能是因为：第一，相比于其他两大城市群，作为中国第一大经济区的长三角城市群具有明显区位优势和雄厚经济实力，一直致力于打造可持续的绿色创新环境，加之绿色发展的政策引导，再次推动了长三角绿色专利授予量的快速增长；第二，现阶段长三角城市群努力构建科技创新共同体，形成具有全球影响力的科技创新高地，区域内数字技术的基础设施完善、高端技术与产业深入融合，长三角地区引领人工智能发展的地位愈加凸显。
图4 2011—2021年长江经济带城市群人工智能与绿色创新水平的时序变化

Fig.4 Time-Series Changes in the Level of Artificial Intelligence and Green Technology Innovation in the City Groups of the Yangtze River Economic Belt，2011-2021

2.3 模型设定

本文在基础回归模型的基础上通过引入空间权重矩阵，构建空间杜宾模型（SDM），模型的公式如下：
G t e c h i t = β 0 + β 1 l n a i i t + λ c o n t o r l s i t + ρ ∑ j = 1 n W i t G t e c h i t + ϕ ∑ j = 1 n W i t l n a i i t + ω ∑ j = 1 n W i t c o n t o r l s i t + γ t + δ i + ε i t
式中：Wij为行标准化的空间权重矩阵，包括地理距离和经济地理嵌套两类空间权重矩阵；Gtechit表示第i个城市第t年的绿色创新水平；β0表示常数项；lnaiit表示第i个城市第t年的人工智能应用水平；Contorlsit表示控制变量；γt和δi分别表示时间、地区固定效应； ε i t代表残差项；ρ代表被解释变量的空间滞后项系数，即邻近城市绿色创新对本地区的影响；ϕ为解释变量的空间滞后项系数，即人工智能应用的空间溢出效应；β1为人工智能应用的本地效应影响系数。

2.4 数据来源与处理

本文的研究时段为2011—2021年，研究范围为长江经济带三大城市群67个地级及以上城市（以下简称城市）。其中，长江三角洲城市群包括27个城市；长江中游城市群包括24个城市；成渝城市群包括16个城市。数据主要来源于CNRDS数据库 ① 、天眼查数据库、《北京大学数字普惠金融指数》以及《中国城市统计年鉴》，部分缺失值用插值法补齐。数据分析和处理采用STATA17.0进行，为验证本文变量选取的合理性，对变量进行多重共线性检验。检验结果显示，所有解释变量的平均VIF值为2.88，远远低于10，说明变量之间不存在严重的多重共线性问题。

3 空间效应分析

3.1 空间自相关性分析

3.1.1 绿色创新水平与人工智能应用水平空间全局自相关分析

为探究长江经济带三大城市群绿色创新和人工智能是否存在空间自相关性，构建经济地理嵌套矩阵，对2011—2021年长江经济带三大城市群67个城市的绿色创新、人工智能进行全域Moran's I指数测算。表1结果显示，长江经济带三大城市群绿色创新与人工智能的Moran's I指数均在1%水平上显著为正，表明绿色创新与人工智能存在一定的空间相关性。
表1 长江经济带三大城市群绿色科技创新与人工智能的Moran's I指数

Tab.1 Moran's I index of Green technical innovation and Artificial Intelligence

年份 Gtech lnai
Moran's I Moran's I
2011 0.715*** 0.591***
2012 0.787*** 0.581***
2013 0.790*** 0.586***
2014 0.749*** 0.581***
2015 0.790*** 0.569***
2016 0.788*** 0.555***
2017 0.722*** 0.548***
2018 0.727*** 0.548***
2019 0.761*** 0.508***
2020 0.758*** 0.559***
2021 0.758*** 0.533***

注：***、**和*分别表示在1%、5%和10%的水平下显著。表2~表5同。

3.1.2 绿色创新Moran’s I值的距离衰减测度

为了进一步探究长江经济带三大城市群的绿色创新的空间自相关性，对不同距离临界值下绿色创新的距离依赖性进行测度，选取2011、2016和2021年的截面数据分别进行测度（图5），其中纵轴表示Moran's I值的大小，横轴表示空间距离。从图5中可以看出，当空间距离在100~250 km时，绿色创新的Moran's I整体呈现随着距离增加而减小的线性趋势，表现出随“距离衰弱”特征[26]。区别于以往研究所呈现的结果，当空间距离在250~850 km时，长江经济带三大城市群的绿色创新Moran's I值则变成负相关，并且在250~450 km呈现出随着距离的不断增加出现了负向递增的现象。其原因是当距离在250 km以内时，并未超过城市群所辐射范围，城市群内部城市之间能够“享受”到绿色创新核心城市所带来的技术正向溢出的好处，所以呈现出正向的空间自相关关系。但是城市的创新势能也会随着距离的增大而衰减[27]，即距离绿色创新核心城市越远受核心城市的扩散影响越小，导致Moran's I值下降。当距离超过250 km之后，其就会超出核心城市技术溢出的辐射范围，大量暗默知识的高度意会性决定了知识溢出的局域性难以完全消弭[28]，地理距离的进一步增大导致创新知识传递的“知识壁垒”过大，核心城市的技术正向外溢的“涓滴效应”受阻，相较之下，核心城市对于绿色创新资源的“虹吸效应”大于其所带来的技术正向外溢的“涓滴效应”，从而呈现出其抑制周围城市的绿色创新（Moran's I值则变成负相关）。
图5 2011、2016和2021年不同距离水平下的Moran's I值变化

Fig.5 Moran's I values at different distance levels in 2011，2016 and 2021

3.2 空间计量模型选择

为了科学研究变量之间的关系，本文分别采用LM检验、LR检验、Wald检验以及固定效应检验模型进行选择检验（表2），以达到选取合适空间计量模型的目的。首先，在全样本中的LM检验、LR检验、Wald检验以及固定效应检验统计量均在1%水平下显著为正，结果表明对于全样本而言，最优的空间计量模型为包含城市与时间的双向固定的空间杜宾模型（SPDM）；其次，为了能够准确描述长江经济带三大城市群中每个城市群所呈现的空间溢出效应，分别对3个城市群同样进行上述检验，根据结果得出对于长江中游和成渝城市群宜运用空间滞后模型（SPLM），而长三角城市群则适用空间杜宾模型（SPDM）。
表2 空间模型选择检验结果

Tab.2 Results of spatial model selection test

检验方法 全样本 长三角城市群 长江中游城市群 成渝城市群
P值 统计值 P值 统计值 P值 统计值 P值 统计值
LM_Spatialerror 0.000 42.38*** 0.000 41.74*** 0.000 33.40*** 0.001 12.11***
RobustLM_Spatialerror 0.000 40.68*** 0.000 41.52*** 0.000 59.69*** 0.000 13.16***
LM_Spatiallag 0.015 5.97** 0.061 3.51* 0.659 0.19 0.402 0.70
RobustLM_Spatiallag 0.039 4.27** 0.070 3.29* 0.000 34.29*** 0.186 1.74
Wald_Spatiallag 0.0002 28.87*** 0.0001 33.06*** 0.0007 25.21*** 0.0767 12.82*
Wald_Spatialerror 0.0001 29.19*** 0.0001 31.91*** 0.0001 29.08*** 0.3850 7.44
LR_Spatialerror 0.0002 28.04*** 0.0001 30.92*** 0.0027 26.66*** 0.4901 6.43
LR_Spatiallag 0.0002 28.77*** 0.0001 30.88*** 0.0004 21.88*** 0.0971 12.11*
个体固定效应：LR test 0.000 111.75*** 0.000 50.90*** 0.000 34.29*** 0.000 94.01***
时间固定效应：LR test 0.000 776.86*** 0.000 182.66*** 0.000 246.26*** 0.000 205.56***

3.3 长江经济带三大城市群空间效应分析

表3为人工智能对绿色创新的基准回归结果。表3列（1）为双向固定效应模型的回归结果；列（2）~（3）表示空间杜宾模型估计结果，两者之间的区别在于列（3）加入了控制变量。为了更加准确分析人工智能对邻地绿色创新的空间溢出效应，本文借助偏微分方程对人工智能对绿色创新的空间溢出效应进行分解。结果表明，列（1）~（3）人工智能（lnai）的直接效应估计系数均为正，且均通过了1%的显著性水平检验。即在长江经济带三大城市群范围内，人工智能在本地能够产生“数字红利”，直接促进绿色创新的提升，假设1得到验证。在列（2）~（3）中人工智能对绿色创新的间接效应均为负且通过了显著性检验，人工智能对绿色创新具有显著的负向空间溢出效应，即抑制了邻地的绿色创新的提升，假设2得到验证。因此忽视空间因素将严重低估的人工智能在长江经济带三大城市群范围内的作用效果。
表3 空间模型基准回归结果

Tab.3 Baseline regression results for spatial models

变量 地理经济嵌套空间权重矩阵
（1） （2） （3） （4）
直接效应 lnai 0.4587***（2.70） 0.4161***（5.78） 0.4194***（5.12） 0.5764***（6.25）
lnai2 -0.0188***（-3.87）
间接效应 lnai -0.0406*（-1.71） -0.2167***（-3.82） 0.0637（0.58）
lnai2 -0.0139**（-2.12）
总效应 lnai 0.4164***（4.81） 0.2026**（2.05） 0.6401***（4.87）
lnai2 -0.0328***（-4.88）
N 737 737 737 737
sigma2_e 0.0697***（19.20） 0.0754***（19.20） 0.0725***（19.23）
控制变量 是 否 是 是
控制个体 是 是 是 是
控制时间 是 是 是 是
r2_a 0.9707 0.7840 0.8434 0.8517

注：括号内数值表示t值。表4、表5同。

然而，在长江经济带三大城市群范围内，随着人工智能的发展，人工智能能否在本地继续保持活力促进绿色创新?对邻近地区绿色创新的负向抑制作用是否一直不变?两者是否存在非线性的影响关系?为了回答以上问题，本文在空间杜宾模型的基础上，引入人工智能的二次项，旨在探究人工智能与绿色创新的非线性关系。结果表明，在表3列（4）的直接效应、间接效应和总效应中，人工智能平方项（lnai2）的系数显著为负，说明人工智能无论是对本地的绿色创新还是邻地的绿色创新都存在显著的“倒U型”关系。即在U型拐点之前，人工智能能够促进本地和邻地绿色创新水平的提升，但是在拐点出现之后，人工智能则会抑制本地和邻地的绿色创新的发展。

3.4 稳健性及内生性检验

为了保证结论稳健可靠，本文采用4种方式进行稳健性检验：①将矩阵更换为地理距离权重矩阵；②将静态空间杜宾模型变换成动态空间杜宾模型进行回归；③变换被解释变量的测算方式；④剔除长江经济带三大城市群中的两大直辖市（上海和重庆市）后运用空间杜宾模型进行重新估计。回归结果表明，系数都通过了5%或1%显著性水平检验，虽然数值之间存在差异，但是系数符号相同，因此得出的结论仍然是一致的，这说明本文的研究结论具有稳健性。
本文对于可能存在的内生性问题处理方法如下：第一，运用工具变量法处理内生性问题。一是选择人工智能滞后一期（L.lnai）作为工具变量；二是考虑人工智能可能会因为测量误差所导致的内生性问题，本文借鉴Lewbel构造工具变量的思路[29]，以AVE=[lnai-E（lnai）]3作为工具变量，其中E（lnai）表示样本人工智能发展水平均值，利用2SLS进行内生性检验。结果表明2种工具变量的一阶段的回归系数分别通过了1%的水平上的稳健性检验，即原解释变量与工具变量具有相关性。2个工具变量的二阶段的估计结果显示，LM统计量和Cragg-Donald Wald F统计量显著拒绝工具变量的“识别不足”和“弱识别”的假设，说明该工具变量的选择是合理的。同时，人工智能对长江经济带三大城市群绿色创新的影响依旧显著为正，再次表明基准检验结论是可信的，支持本文的结论。

3.5 不同城市群估计与结果分析

由于长江经济带三大城市群资源禀赋、创新基础、数字技术设施建设基础程度不同，可能导致不同区域人工智能对绿色创新的推动作用存在差异。为此，本文尝试进一步分析在地理经济嵌套权重矩阵下，人工智能对不同城市群绿色创新的空间溢出效应的异质性（表4）。表4列（1）~（3）分别为长三角、长江中游和成渝3个城市群人工智能对绿色创新的影响。从直接效应的结果来看，三大城市群人工智能的估计系数都在1%的显著水平下为正；从间接效应的结果来看，长三角与长江中游城市群人工智能的间接效应均在1%和10%的水平下显著为正，但是人工智能对成渝城市群绿色创新的空间溢出效应在5%的水平下显著为负，说明在成渝城市群范围内，人工智能未能发挥“数字红利”的作用，直接提升邻近地区的绿色创新水平，反而抑制邻近地区的绿色创新的提升。原因可能是在成渝城市群范围内，成都和重庆两大中心城市的资源禀赋与周围城市的差距过大，周围城市因资源匮乏无法实现人工智能等前沿的数字技术的广泛应用，从而导致周围城市与核心城市之间的创新知识智能化共享难以实现，随之而来的是对周围城市绿色创新资源和成本优势的弱化，进而加剧了“数字鸿沟”，最终抑制了周围城市绿色创新的提升。
表4 不同城市群人工智能对绿色创新的空间异质性估计结果

Tab.4 Estimated spatial heterogeneity of AI on green technology innovation in different urban agglomerations

变量 长三角城市群 长江中游城市群 成渝双城经济圈
（1） （2） （3）
直接效应 lnai 0.4141***（7.96） 0.3896***（4.29） 0.5486***（5.18）
间接效应 lnai 0.2998***（3.22） 0.0886*（1.66） -0.1043**（-2.16）
总效应 lnai 0.7139***（6.52） 0.4781***（4.03） 0.4442***（5.17）
N 297 264 176
sigma2_e 0.0401***（12.53） 0.0672***（11.57） 0.0375***（8.54）
控制变量 是 是 是
控制个体 是 是 是
控制时间 是 是 是
r2_a 0.7721 0.8324 0.8382

4 进一步分析

4.1 地理距离异质性分析

人工智能作为新一代数字技术的代表，其空间溢出效应可能会受到数字技术溢出成本、基础设施建设等多方面因素的制约而存在地理衰退的特点。因此，在此理论分析的基础上，参考蔡超岳等[30]、张跃等[31]的做法，设定两个城市距离为[dmin，dmax]，并将距离矩阵代入空间杜宾模型中进行连续回归， η为从dmin到dmax的递进距离，以验证是否存在地理衰减特征。
W d , d = d m i n , d m i n + η , d m i n + 2 η , ⋯ , d m a x
在式（2）中，Wd=[Wij，d]n×n为距离矩阵，
W i j , d = 1 d m i n , 当 d i j ≥ d 0 , 当 d i j d
本文以100 km作为城市间的最短距离，继而在城市间距离每增加50 km进行一次空间杜宾模型回归，直到城市间距离达到450 km。这是由于城市间距离超过450 km以后，人工智能的空间溢出系数没有通过显著性水平检验，所以本文记录了450 km以内人工智能的空间溢出系数与相应距离阈值d。人工智能空间溢出系数与距离阈值d的关系如图6。
图6 不同距离阈值下人工智能对绿色创新的空间溢出效应

Fig.6 Spatial spillover effect of artificial intelligence on green technology innovation under different distance thresholds

由图6可知，人工智能对绿色创新的空间溢出效应在100~450 km为负，其负向空间溢出效应大体趋势呈现地理距离衰减特征，即负向空间溢出效应随着地理距离的增加相应衰减，到达450 km处时，负向空间溢出效应变得非常微弱，估计系数下降至-0.0323。这表明在长江经济带三大城市群范围内，450 km将是人工智能对绿色创新影响的最大负向外溢临界点。因此大致可以推断出在长江经济带三大城市群范围内人工智能对周边城市绿色创新的溢出半径约为100~450 km。此外，也有学者通过实证检验出数字经济对碳排放、旅游业发展的空间溢出效应也存在距离衰减的特点[31-32]，进一步验证了本研究结论的科学性。

4.2 调节效应分析

为了进一步分析数字普惠金融与数字产业集聚在人工智能对城市绿色创新的非线性影响中的调节作用，本文通过构建回归方程对其进行检验。具体方程如下：
G t e c h i t = β 0 + β 1 l n a i i t + β 3 l n a i i t 2 + β 4 l n a i i t 2 · M i t + λ c o n t o r l s i t + ρ ∑ j = 1 n W i t G t e c h i t + ϕ 1 ∑ j = 1 n W i t l n a i i t + ϕ 2 ∑ j = 1 n W i t l n a i i t 2 + · ϕ 3 ∑ j = 1 n W i t l n a i i t 2 M i t ω ∑ j = 1 n W i t c o n t o r l s i t + γ t + δ t + ε i t
式中：lnaiit2是人工智能的平方项；Mit为调节变量；ρ代表被解释变量的空间滞后项系数，即邻近城市绿色创新对本地区的影响；ϕ1为解释变量的空间滞后项系数，即人工智能应用的空间溢出效应；β1为人工智能应用的本地效应影响系数；其他与式（1）相同。当交互项lnaiit2·Mit的系数β4和φ3通过显著性检验时，表明调节变量对人工智能与绿色创新“倒U型”关系存在调节效应。
表5为调节效应的回归结果，其中lnaiit2·Mit变量为人工智能的平方项与调节变量的交互项作为本部分重点关注的变量。根据表5列（1），关键变量人工智能的平方项和数字普惠金融的交互项对绿色创新的影响分别为-0.0002和-0.0004，但只有空间效应中的系数（-0.0004）通过了5%显著性水平，表明数字普惠金融在人工智能对绿色创新“倒U型”的空间效应影响关系中起着调节作用。此外，通过回归方程（4）得到拐点位置坐标为- ϕ 1 2 ϕ 2 + ϕ 3 D i f，将 ϕ1=-0.0271、 ϕ2=0.0069、 ϕ3=-0.0004代入后，坐标位置为 0.0271 2 0.0069 - 0.0004 D i f。由此可见，随着数字普惠金融水平的提升，倒U型曲线的拐点在向右上方发生偏移。也就意味着，较高的数字普惠金融能够促使拐点在更高的水平上到来，间接促进了人工智能空间效应的适度区间，进一步提升了绿色创新水平。这可能是因为数字普惠金融的进一步提升，改善了企业外部融资环境，降低了企业的融资门槛和融资成本，为企业的绿色创新提供了足够的资金支持，进而刺激了企业绿色创新的积极性。
表5 调节效应估计结果

Tab.5 Estimated results of moderating effects

变量 数字普惠金融（1） 数字产业集聚（2）
lnai 0.5058***（4.58） 0.5513***（6.08）
lnai2 -0.0085（-0.70） -0.0172***（-3.37）
lnai2·DIF -0.0002（-0.74）
lnai2·Digagglomeration -0.0051（-0.69）
W·lnai -0.0271（-0.23） 1.1045（0.16）
W·lnai2 0.0069（0.58） -0.5108（-1.28）
W·lnai2·DIF -0.0004**（-1.98）
W·lnai2·Digagglomeration -1.5074**（-2.49）
N 737 737
sigma2_e 0.0721***（19.18） 0.0719***（19.23）
控制变量 是 是
控制个体 是 是
控制时间 是 是
r2_a 0.8199 0.8520
根据表5列（2），人工智能的平方项和数字产业集聚的交互项对城市绿色创新的影响分别为 -0.0051和-1.5074，但也只有空间效应中的系数 （-1.5074）通过了5%的显著性水平检验，表明数字产业集聚在人工智能对绿色创新“倒U”型的空间效应影响关系中起着调节作用。同样，通过回归方程（7）得到拐点的位置坐标，并且将对应的系数相应带入后，坐标位置为：
1.1045 2 0.5108 + 1.5074 D i g a g g l o m e r a t i o n
由此可见，随着数字产业的进一步集聚，倒U型曲线的拐点在向左下方发生偏移。这说明较高的数字产业集聚可能会导致拐点在更低的水平上提前到来，间接减小了人工智能空间效应的适度区间，阻碍了绿色创新的提升。这可能是因为数字产业集群具有共享资源、协同创新、提高效率、降低成本等优势，能够为本地人工智能水平赋能，进一步加快人工智能数字技术的突破，使得本地区与邻近地区的人工智能发展差距扩大，从而进一步加剧了“数字鸿沟”，阻碍邻近地区绿色创新的提升。

5 结论与政策启示

本文基于2011—2021年长江经济带67个城市的面板数据，从长江经济带三大城市群入手，运用空间计量模型实证检验了人工智能对绿色创新的空间溢出效应。主要结论如下：
①长江经济带三大城市群人工智能与绿色创新均存在显著的空间正相关，同时绿色创新的Moran's I值呈现距离衰弱特征。人工智能对绿色创新的影响强度及方向存在差异。在长江经济带三大城市群范围内，人工智能能够显著促进本地绿色创新产生“数字红利”，但对其邻地绿色创新的负向溢出加剧了“数字鸿沟”。进一步分析发现两者之间存在先促进后抑制的“倒U型”影响关系。
②地理区位异质性分析发现，长三角城市群与长江中游城市群充分发挥了人工智能对本地和邻近城市绿色创新的促进作用，整体实现了区域绿色创新协同发展，但成渝城市群尚未实现人工智能对周边城市绿色发展的推动作用，反而抑制邻近城市的绿色创新水平的提升。
③空间效应衰减边界检验发现，人工智能对绿色创新的负向空间溢出效应大体趋势呈现地理距离衰减特征，450 km处达到最大溢出衰减边界。在调节效应分析中，数字普惠金融和数字产业集聚二者能够影响人工智能对绿色创新水平正向空间溢出效应的拐点，数字普惠金融水平的提升能够扩大人工智能对绿色创新的正向空间溢出效应的适度区间，而数字产业集聚却使人工智能对绿色创新的空间效应拐点提前到来，缩小了人工智能对绿色创新的正向空间溢出效应的适度区间。
根据以上结论，本文得出政策启示如下：
①长江经济带各城市群要聚焦人工智能发展领域，抓住“智能热”浪潮的发展机遇，在积极推进绿色发展战略的背景下，政府应更加重视提高人工智能发展质量，加大人工智能在绿色清洁、高科技领域的投入，提高人工智能学习转化的速度与质量，最大限度发挥人工智能在绿色创新方面的“数字红利”。
②在加强区域协同创新的过程中，政府应因地制宜地对不同阶段以及不同区域实施差异化绿色创新政策，加强长江经济带绿色创新协同发展建设，以实现绿色创新活动在空间规划上的联动发展。与此同时，为进一步激活长江流域绿色创新活力，政府需深化数字普惠金融与创新之间的相互融合，加大对数字普惠金融相关领域的建设力度，并为发展动力相对较弱的区域给予差异性投入。
③长江经济带不能简单局限于“中心—外围”的发展模式，长三角和长江中游城市群需要充分利用其内在优势，重点转向绿色创新的突破以及绿色管理理念的变革等方面，牵头构建跨区域、跨行业的绿色创新协同创新平台，引领区域内城市转型。而对于成渝城市群，地方政府则要积极投入资源，高度重视人工智能在绿色创新方面的驱动作用，并努力提高区域内人工智能基础设施建设质量，从而为技术研发和产业发展提供良好条件。
④目前人工智能对邻地绿色创新已处于拐点右侧，人工智能对周围城市“虹吸”效应明显。因此，长三角地区也要加大对邻地人工智能与绿色创新的扶持力度，实现技术、人才、资金等多个要素的有效流通与共享。同时建立长江经济带人工智能与绿色创新联盟，鼓励城市间开展产学研合作，缩小区域间差异，从而提高整体发展水平。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
聂长飞, 周璇. 公益诉讼制度诱发重污染企业绿色技术创新的效应与机制[J]. 环境经济研究, 2023, 8(3):88-107.

[2]
郭凯明. 人工智能发展、产业结构转型升级与劳动收入份额变动[J]. 管理世界, 2019, 35(7):60-77,202-203.

[3]
周杰琦, 陈达, 夏南新. 人工智能对绿色经济增长的作用机制与赋能效果——产业结构优化视角[J]. 科技进步与对策, 2023, 40(4):45-55.

[4]
王晓红, 李娜. 数字技术发展、产学研合作与企业创新能力——基于国家级大数据综合试验区的分析[J]. 科技管理研究, 2022, 42(17):1-8.

[5]
姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J]. 管理世界, 2024, 40(2):101-116,133,117-122.

[6]
Ding Y, Shi Z, Xi R, et al. Digital transformation,productive services agglomeration and innovation performance.[J]. Heliyon, 2024, 10(3):e25534-e25534.

[7]
Xie W, Zheng D, Li Z, et al. Digital technology and manufacturing industrial change:Evidence from the Chinese manufacturing industry[J]. Computers & Industrial Engineering, 2024,187109825.

[8]
陈楠, 蔡跃洲. 人工智能、承接能力与中国经济增长——新“索洛悖论”和基于AI专利的实证分析[J]. 经济学动态, 2022(11):39-57.

[9]
陈蓓, 江嘉欣. 数字技术影响湖南城市绿色发展的空间效应[J]. 经济地理, 2023, 43(11):46-54.

DOI

[10]
刘富华, 宋然. 数字经济是否促进了中国工业高质量发展?[J]. 当代经济管理, 2023, 45(6):61-70.

[11]
崔伟. 人工智能促进绿色创新了吗?[J]. 科学决策, 2024(4):61-74.

[12]
王文军, 李琪, 刘丹. 论人工智能时代绿色发展的挑战及应对[J]. 西安财经大学学报, 2020, 33(1):30-36.

[13]
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.

[14]
周青, 王燕灵, 杨伟. 数字化水平对创新绩效影响的实证研究——基于浙江省73个县(区、市)的面板数据[J]. 科研管理, 2020, 41(7):120-129.

[15]
成琼文, 陆思宇. 数字技术应用、经济不确定性与绿色创新[J]. 软科学, 2023, 37(5):1-7,30.

[16]
Amore M D, Bennedsen M. Corporate governance and green innovation[J]. Journal of Environmental Economics and Management, 2016, 75:54-72.

[17]
曾萍, 肖静. 长江经济带发展战略能否提升地区绿色创新能力——基于准自然实验的证据[J]. 统计研究, 2023, 40(6):91-104.

[18]
董直庆, 王辉. 环境规制的“本地—邻地”绿色技术进步效应[J]. 中国工业经济, 2019(1):100-118.

[19]
人工智能如何影响劳动收入份额——基于产业结构与企业升级的机制探讨[J]. 南开经济研究, 2024(4):3-22.

[20]
张鑫, 王明辉. 中国人工智能发展态势及其促进策略[J]. 改革, 2019(9):31-44.

[21]
叶琴, 徐晓磊, 胡森林, 等. 长三角人工智能产业空间格局及影响因素[J]. 长江流域资源与环境, 2022, 31(3):526-536.

[22]
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.

[23]
郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展:指数编制与空间特征[J]. 经济学(季刊), 2020, 19(4):1401-1418.

[24]
袁歌骋, 潘敏, 覃凤琴. 数字产业集聚与制造业企业技术创新[J]. 中南财经政法大学学报, 2023(1):146-160.

[25]
张治栋, 赵必武. 互联网产业集聚能否缓解地区资源错配——基于长三角41个城市的经验分析[J]. 科技进步与对策, 2021, 38(13):46-54.

DOI

[26]
杨轩宇, 任胜钢, 靳海攀. 中国287个城市创新的空间分异与溢出效应[J]. 经济地理, 2023, 43(9):52-61.

DOI

[27]
陈超凡, 蓝庆新, 王泽. 城市创新行为改善生态效率了吗?——基于空间关联与溢出视角的考察[J]. 南方经济, 2021(1):102-119.

[28]
陆菊春, 王新怡. 长江经济带城市绿色创新效率的时空特征及影响因素[J]. 科技管理研究, 2021, 41(20):224-232.

[29]
Lewbel A. Constructing instruments for regressions with measurement error when no additional data are available,with an application to patents and R&D[J]. Econometrica:Journal of the Econometric Society 1997, 65(5):1201-1213.

[30]
蔡超岳, 唐健雄, 刘雨婧. 数字经济对旅游发展影响的空间效应——基于中国284个地级及以上城市的实证研究[J]. 热带地理, 2023, 43(4):720-733.

DOI

[31]
张跃, 伯娜. 市场潜能、衰减边界与城市绿色创新效率[J]. 经济经纬, 2023, 40(4):37-47.

[32]
徐维祥, 周建平, 刘程军. 数字经济发展对城市碳排放影响的空间效应[J]. 地理研究, 2022, 41(1):111-129.

DOI

Options
Outlines

/

〈 〉