EN中文

Economic geography >

2025 , Vol. 45 >Issue 3: 129 - 138

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.03.013

Spatiotemporal Evolution Characteristics and Influencing Factors of Generative Artificial Intelligence Attention Degree in China

  • CHEN Huashuai , 1 ,
  • XIE Keqin , 1, ※ ,
  • ZHANG Qisheng 2
Expand
  • 1. Business School，Xiangtan University，Xiangtan 411105，Hunan，China
  • 2. Business School，East China University of Political Science and Law，Shanghai 201620，China

Received date: 2023-12-14

  Revised date: 2024-06-27

  Online published: 2025-05-13

Fold

Abstract

Based on the data of Baidu search index of ChatGPT from December 2022 to June 2023 this article analyzes the evolution characteristics and influence mechanism of generative artificial intelligence (GenAI for short) attention degree by the ArcGIS, multivariable linear regression model, and spatial econometric model. The results show that: 1） GenAI attention degree showed the inverted-V evolution trend in China during the research period. 2) GenAI attention degree had the characteristics of regional agglomeration, which initially showed the distribution of a giant block shape with the Shandong Peninsula, the Yangtze River Delta and the Pearl River Delta as the cores, later evolved into the distribution of a small block shape. 3) Scientific and technological development, corporate development, advanced industrial structure, education level, degree of opening up, digital infrastructure and government support all had a significant positive effect on GenAI attention degree, and in addition to the digital infrastructure, the other influencing factors have the spatial spillover effect, which is the main reason for the regional aggregation of GenAI attention degree. Based on the research conclusions, this article proposes some suggestions that are increasing the technological investment and policy support for high-tech cities, establishing a high-level talent training system, improving relevant regulations and ethical standards to promote the development of GenAI industry and optimize the layout of high-tech industry.

Key words： generative artificial intelligence; ChatGPT; Baidu search index; driving factor; regional agglomeration; spatial spillover effect

Cite this article

CHEN Huashuai , XIE Keqin , ZHANG Qisheng . Spatiotemporal Evolution Characteristics and Influencing Factors of Generative Artificial Intelligence Attention Degree in China[J]. Economic geography, 2025 , 45(3) : 129 -138 . DOI: 10.15957/j.cnki.jjdl.2025.03.013

2022年末，以ChatGPT聊天机器人程序为代表的生成式人工智能 ① （Generative Artificial Intelligence，GenAI）引发全球关注。GenAI是一项利用复杂算法、模型和规则，通过海量数据集进行学习以创造新内容（文本、图片、视频和代码等）的人工智能技术，能有效提升科研、艺术、金融和自动驾驶等多个领域的效率和质量，助力多个行业形成新的生产力[1]。在全球“AI革命”大背景下，中国正全面迈向实体经济与人工智能融合的高质量发展时代，充分释放GenAI发展潜力将成为实现中国式现代化的重要抓手。2017年7月国务院印发的《新一代人工智能发展规划》中提出“到2030年我国人工智能理论、技术与应用总体要达到世界领先水平，成为世界主要的人工智能创新中心” ② 。尽管，我国现阶段GenAI行业的发展已取得了显著进展，但仍与国际一流水平存在差异，其主要体现在基础研究、技术体系、应用生态、创新人才和法律法规等方面[2]。在GenAI的发展中，我国如何进行合理布局、谁来引领发展以及如何实现技术突破，仍然是亟待解决的问题。
GenAI作为最新一代高新技术产业，其空间上的合理布局是推动高新技术产业快速发展的关键，是提升城市自主创新能力和发展中国式现代化的重要因素。已有研究表明，高新技术产业集聚有利于优化产业结构、促进产业协同发展和增强地区创新能力[3]。然而，GenAI作为新兴高新技术产业，是否有其独特的时空分布特点?其发展是否与所在城市的社会经济特征之间存在关联?迄今为止，鲜有学者对此进行深入研究。主要原因可能在于：①GenAI在2023年初才开始引起广泛的社会关注，对于经济地理学界而言是一个较新的话题；②如何度量GenAI的发展状况仍是一个比较棘手的问题。目前，搜索引擎所获取的海量网络关注数据已广泛应用于信息挖掘领域，运用公众网络关注度来衡量GenAI的发展潜力，并探讨其时空演变特征及影响机制，一方面有助于识别GenAI技术创新的热点区域，引导资金流动，帮助政府和投资机构关注在GenAI产业中处于领先地位的地区，以促进政企合作、创造当地就业、影响相关产业发展；另一方面可以反映地区间GenAI专业人才的培养情况，有利于学校对教育培养计划和职业发展方向进行科学决策，以弥补我国高精尖类人才短缺的问题。此外，识别GenAI的发展潜能和趋势还能够在一定程度上预测GenAI在技术、应用和政策方面的可能变化，有益于我国对高新技术产业进行合理的战略布局，提高我国现代化水平和国际话语权。
鉴于此，本文以地级市为研究对象，拟用GenAI的网络关注度衡量地级市GenAI的发展潜力，运用Origin、ArcGIS和Stata等软件对数据进行深入分析，厘清GenAI关注度的时空演变特征及其作用机理，为优化地区高新技术产业布局提供新的视角。

1 概念介绍与文献综述

1.1 生成式人工智能的概念

GenAI是指能针对用户需求生成信息并自行学习的大规模预训练语言模型。以ChatGPT为代表的GenAI具备代码生成、内容撰写、文本回答等功能，并能帮助人类思考、创造、理解和推理，促进科学技术革命[1]。与以往的语言类程序不同，GenAI更具精准性、逻辑性和连贯性，它能广泛采用深度学习算法和神经网络等先进技术，从大规模文本数据中学习语法、语义、上下文，从而达到有效捕捉用户意图、连续对话、对用户的错误提问提出质疑、承认自己回答中的错误并修改的目的。如今，有GenAI在文本创作、图像和音频处理、科学研究、教育培训、医疗诊断等方面具有惊人的影响力[4]。

1.2 文献综述

1.2.1 高新技术产业方面的文献

高新技术产业发展的空间布局及其影响机制一直是经济地理学者关注的重点。汤长安等发现，在全国范围内，高新技术产业的集聚程度呈现出自东部向西部、沿海向内陆递减的分布趋势[5]。由于服务产品与过程的特殊性，科技服务业在创新网络中处于偏中心位置[6]。杨凡等对北京和上海研发密集型制造企业的集聚模式和影响因素进行了对比分析，发现北京的企业呈现出明显的集中分布特征，而上海则表现出集聚与扩散并存的共生集聚特征[7]。此外，学者们还对人工智能的发展进行了充分探讨，并得出共识：人工智能将极大地推动社会技术进步和全要素生产率的提升[8-9]。然而，GenAI作为备受瞩目的高新技术产业之一，由于数据的难获得性造成其目前的研究主要集中在理论分析领域，具体表现为以下两个方面：一是GenAI的内涵研究，包括GenAI的风险防范和法制应对[10-11]、GenAI的发展路径以及未来展望[12-13]、GenAI对经济社会的影响[14-15]；二是GenAI在不同学科的应用研究，如探讨GenAI在医学[16-17]、教育学[18-19]、文学[20-21]、计算机科学[22-23]等领域的应用价值以及政策规范。

1.2.2 网络关注度方面的文献

随着互联网技术的普及和大数据的深入挖掘，社会公众通过互联网搜索、了解和获取产品信息已成为日常活动的重要组成部分。已有研究表明，庞大的搜索数据与现实的社会发展之间存在相关性[24]。例如，百度、微博、抖音、小红书、论坛和贴吧等平台对关键词的搜索量均能体现其热点程度。但微博、小红书和抖音等社交媒体平台的搜索指数通常指关键词被提及的结果，而百度搜索指数是搜索的次数，前者与宣传力度直接相关，全面衡量网民对内容的被动关注度，而后者是通过宣传使用户主动搜索和了解的结果，全面衡量网民对内容的主动关注度。且各个平台由于本身的业务偏向和计算依据不同，各自展现的数据也会稍有差别。具体来说，微博、小红书、抖音和贴吧等平台更擅长展示社交场景中的热度，而百度搜索指数则侧重展现搜索热度。百度搜索指数与其他媒体搜索量之间不能够完全替代，因此本文仅针对百度搜索指数展开研究。
百度搜索是基于网页搜索和新闻搜索的数据分析服务，它能通过追踪过去一段时间内的用户关注度和媒体关注度，反映关键词的热度和趋势[25]。目前把百度搜索应用于高新技术领域的研究较少，通常集中在旅游、金融和企业等领域。例如，张晓梅等利用百度搜索指数探究了平遥古镇网络关注度的时空特征及其影响因素[26]；王宇哲等基于百度搜索指数测算出公众环境关注度，并衡量了其对个体投资者行为及特定股指收益率的影响[27]；王燕武等利用百度搜索指数测算了地区政务诚信水平，并探究其对企业创新质量的影响[28]。因此，百度搜索指数不仅能反映伦理、社会、经济、政策等多个领域的问题和发展趋势，还是衡量技术发展的指标，它能帮助我们及时了解GenAI的搜索趋势、洞察网民的兴趣和需求等信息、针对性挖掘各地区发展GenAI的潜力[25]。用该指数衡量GenAI关注度的优势在于：①整体上能客观反映地级市GenAI的发展状况，避免抽样带来的样本不足、填答主观随意和自选择问题[29]；②百度搜索指数具有较高的代表性，百度搜索引擎平台全端（PC端+移动端）月活跃用户行业渗透率高达96.3%，稳居行业第一且领先优势巨大 ① ；③使用百度搜索的用户大多为中国大陆用户，能更真实地反映中国公众对话题的关注度。
通过梳理文献可知，研究GenAI的空间布局和内在演变机制对推动我国产业结构转型和经济高质量发展有重大意义，但鲜有文献对GenAI进行统计和实证研究。本文运用百度搜索指数抓取GenAI的关注度能解决数据获取难题，并能提供GenAI关注度的时空变化趋势，帮助企业和政府了解GenAI领域的市场动态、技术发展潜力及其驱动因素。

2 数据来源与研究方法

2.1 数据来源与处理

本文使用的数据主要来源于：①关于GenAI关注度的数据来源于百度搜索指数（http://index.baidu.com/）。由于ChatGPT的发布时间为2022年11月30日，无法做年度时间演化分析，所以本文仅对2022年12月—2023年6月的ChatGPT百度搜索指数月度数据进行研究。②关于地级市层面的社会经济类指标均来源于《中国城市统计年鉴》。
数据获取和处理方法如下：首先，本文运用数据挖掘法得到用户使用“ChatGPT”作为关键词在2022年12月1日—2023年6月30日的搜索次数，将用户对ChatGPT的阅读、评论、转发、点赞等行为的数量进行加权求和、指数化处理后得到这一时段中333个地级行政区的ChatGPT每日搜索量；其次，对日度数据进行分类、加总、取均值处理，分别得到 333个地级行政区的ChatGPT月度搜索均值和7个月的综合搜索均值 ② ；最后，本文利用区县码对上述两组数据进行筛选、合并处理，得到278个地级市2022年12月—2023年6月的ChatGPT百度搜索指数月度时间序列数据和地级市截面数据 ③ 。

2.2 研究方法

2.2.1 空间自相关检验

单变量空间自相关检验可用于测度单个变量的空间聚集程度。本文利用Stata14.0计算出GenAI关注度的全局莫兰指数，若全局莫兰指数在5%的统计水平上显著，则表明各地级市的GenAI关注度在空间上具有相关性。

2.2.2 影响机制检验

本文构建多元线性回归模型以探究地级市层面影响GenAI关注度的可能机制，具体模型如下：
C h a t G P T c = β 0 + β 1 X c + Z c + ε c
式中： C h a t G P T c是因变量，代表地级市c的ChatGPT百度搜索指数7个月综合均值； X c是机制变量，表示2021年地级市层面的影响因素； Z c为控制变量； ε c为随机扰动项。采用2021年的地级市社会经济因素对GenAI关注度进行影响机制研究的原因如下：①社会经济指标对GenAI的发展通常存在时间滞后效应，使用2021年的地级市数据能更准确地估计出其影响程度；②使用滞后两年的地级市数据有利于解决由反向因果造成的内生性问题，保证模型结果的有效性。若 β 1在5%的统计水平上显著，则表示模型中的地级市因素能对当地的GenAI关注度产生显著影响。此外，本文将对全国样本分地域进行异质性分析，以检验所选机制变量对因变量影响程度的地区差异，有利于精准识别区域间影响GenAI关注度的主要因素。

2.2.3 空间溢出效应检验

本文使用截面数据，拟采用空间误差模型和空间滞后模型探究影响机制的空间溢出效应。其中，空间误差模型（SEM）通常假定地区间的相互作用是通过误差项实现，空间溢出效应是由随机冲击造成的；空间滞后模型（SAR）则包含因变量的一个空间滞后算子，即所有自变量都会通过空间传导机制对其他地区产生影响。空间计量模型设定如下：
C h a t G P T c = β 0 + β 1 X c + λ W ε + μ c
C h a t G P T c = β 0 + ρ W C h a t G P T c + β 1 X c + ε c
具体来说：①式（2）为空间误差模型。其中， λ W ε + μ c = ε c；λ为空间自相关误差项的待估计系数，即空间自相关系数；W为空间权重矩阵； μ c为误差项；其他同式（1）。②式（3）为空间滞后模型。其中，ρ表示因变量空间滞后项的待估计系数，也被称为空间自回归系数；W表示空间权重矩阵；其他同式（1）。
此外，常见的空间权重矩阵主要包括空间邻接矩阵和反地理距离矩阵，空间邻接矩阵是基于各地级市地理空间是否相邻构建的0-1矩阵，用于表示不同地区间的相邻关系；而反地理距离矩阵则是根据地区质心之间的距离进行计算。考虑到互联网时代信息的跨时空传播特性，本文采用反地理距离矩阵进行空间相关性检验和空间溢出效应检验。

3 生成式人工智能关注度的时空演变分析

3.1 生成式人工智能关注度的时序演变特征

由图1可知，全国样本的GenAI关注度随时间呈“倒V”型演化轨迹，且满足话题发酵经历的3个阶段：话题萌芽期（2022年12月—2023年1月）、话题爆发期（2023年2月）和话题衰退期（2023年3月—2023年6月）。具体来说，我国在2022年12月和2023年1月对GenAI的关注度不高，ChatGPT百度搜索指数月度均值基本保持在200以内；到2023年2月，该指数出现爆炸式增长，数值高达1019.854，环比增长541.81%；随后该指数逐月下降，但其均值也基本维持在400左右。从东中西部样本来看，东部地区的ChatGPT百度搜索月度均值均高于全国均值，而中西部地区的均低于全国均值，说明GenAI关注度在我国呈现出由东向西逐渐递减的趋势，并表现出以东部地区为主导地位的发展格局。
图1 ChatGPT百度搜索指数的统计分布

Fig.1 Statistical distribution of Baidu search index of ChatGPT

由图2可知，中国GenAI关注度表现为“集中—分散—再集中”模式，其中2023年2月—2023年6月的数据分布均呈现出右偏态的特征。以上结果表明：①我国对GenAI表现出浓厚兴趣。尽管话题爆发期已过，但GenAI在我国仍是备受关注的领域。②GenAI关注度存在长尾效应。即使在话题衰退期，也仍有部分地级市对GenAI保持着较高的关注。
图2 ChatGPT百度搜索指数箱型图

Fig.2 Box map of Baidu search index of ChatGPT

3.2 生成式人工智能关注度的空间演变特征

2022年12月—2023年6月中国GenAI关注度的空间分布演化如图3所示。从整体来看，各地区对GenAI的关注度呈现出由沿海向内陆逐渐递减的分布趋势。从局部来看，GenAI关注度的空间分布在我国存在区域性和差异性。具体来说，各演变阶段及其特征如下：
图3 中国生成式人工智能关注度的空间分布演变

注：基于自然资源部标准地图服务网站下载的审图号为GS（2023）2763号的标准地图制作，底图边界无修改。

Fig.3 Evolution of GenAI attention degree in China

①话题萌芽期。2022年12月初—2023年1月底。这一时期，GenAI还未大规模激起我国公众的兴趣，但已引发部分城市的关注，如成都、西安、武汉、长沙、广州、深圳、南京、杭州、上海、青岛、北京等。这些城市基本上是我国的一线或新一线城市，拥有高度发达的科技和创新生态系统，其在AI研发、投资和创业方面具有显著优势，率先展示出对GenAI的较高关注。
②话题爆发期。2023年2月。这一时期，公众对这一新研究成果的讨论开始在全国蔓延，并迅速引发大规模关注。具体分布特征如下：第一，GenAI的关注度以上述几个在话题萌芽期就表现出强烈兴趣的城市为中心向四周扩散，如：以广州和深圳为中心扩散为珠三角地区；以上海和杭州为中心扩散为长三角地区；以青岛为中心扩散为山东半岛地区；以北京为中心扩散为京津冀地区。第二，GenAI的关注度开始在全国蔓延并不断加深，除上述地区外，各地区对GenAI的关注开始以省会为中心向周围蔓延。其中，山东半岛、长三角和珠三角对GenAI的关注度分布呈深红色巨型团块状，这可能是因为中国的一些科技产业园区，如中关村（北京）、张江（上海）、南山（深圳）等，集聚了大量的AI企业、初创公司和研究机构，是AI创新和研发的热点区域，从而对GenAI表现出强大的兴趣。同时，中国政府鼓励将科技创新和AI发展扩展到中西部地区，以促进区域均衡发展，因此，一些中西部城市也开始关注和投资AI技术和应用。此外，这些核心城市通常有一些重要高校，如清华大学、北京大学和上海交通大学等，一方面这些高校在AI领域有着杰出的研究成果和专业技术人才，对GenAI表现出巨大的关注；另一方面，GenAI对科研方式和论文写作产生巨大的影响，导致这些高校其他专业的研究人员、学生同样对GenAI表现出浓烈的兴趣。
③话题衰退期。2023年2月底—2023年6月底。这一时期，大部分城市对GenAI的关注开始下降，只有经济较为发达的地区（如山东半岛、京津冀、长三角、珠三角）和部分省会城市还对GenAI保持着较高的关注。其中，北京、杭州、南京、深圳、青岛为主要关注中心。此时，热点爆发期出现的巨型团块状逐渐演变为分散的小板块，体现出集聚与扩散并存的共生集聚特征。
综上来看，二三线城市或者科技不发达城市对GenAI的关注只是昙花一现，对GenAI保持高度关注度的地区通常为科技发达的一线城市及其周围城市群，这些地区更有可能和潜力把GenAI作为一个长期研究方向，并在后续着重解决GenAI技术的研发和人才培养问题。

3.3 生成式人工智能关注度的空间关联

本文基于反地理距离矩阵，采用全局空间自相关对我国GenAI关注度的空间关联特征进行检验。表1显示，2022年12月—2023年6月的全局莫兰指数介于0.019~0.035，且均在1%水平上显著，说明GenAI关注度存在正的空间相关性。结合上述GenAI关注度的时空演化情况来看，GenAI的发展通常会在某一区域内先形成一个创新核心单位，并以之为中心向四周扩散，该核心单位通常是经济、人才、科研和技术中心，是推动技术创新的关键。随后，该区域内会形成技术生态系统，它具有强大的区域协同作用，这种协同作用有助于加速技术发展、促进技术成熟和市场竞争。最后，这种集聚效应会进一步促使区域加强合作，倒逼该区域再次扩大集聚优势和紧密度，形成区域合作良性循环。
表1 生成式人工智能关注度的全局自相关莫兰指数

Tab.1 Global autocorrelation Moran index of GenAI attention degree

时间 反地理距离权重矩阵
Moran's I Z值 p值
2022.12 0.027*** 6.261 0
2023.01 0.035*** 7.706 0
2023.02 0.025*** 5.781 0
2023.03 0.023*** 5.225 0
2023.04 0.025*** 5.616 0
2023.05 0.021*** 4.780 0
2023.06 0.019*** 4.438 0

注：***p<0.01，**p<0.05，*p<0.10。

4 生成式人工智能关注度的影响机制分析

4.1 生成式人工智能关注度影响机制的理论分析

GenAI关注度在一定程度上能够反映当地人工智能发展水平，因此，影响人工智能发展的因素也可视为影响GenAI关注度的因素。既有研究表明：①若地级市拥有一个强大的技术生态系统，并着重于技术创新和新兴产品研发，则该地区的人工智能发展水平也较高[9]。②地区拥有初创企业孵化器和风险投资机构，鼓励初创企业参与前沿科技研究，将有助于地区人工智能发展[30]。③不同产业对GenAI的需求和应用情况不同，例如：金融、医疗诊断、广告策划、新闻媒体等领域可以应用GenAI来改善客户体验、优化运营环境、提升文案写作效率等[31]。通常而言，第三产业发达的地级市，人工智能发展水平也更高。④教育质量高的地区能够培养出大量具备GenAI技术背景的人才，为科技创新提供灵感，为人工智能发展提供高质量人力资本支持，能有效推动当地人工智能发展[32]。⑤政府对当地的投资可用于支持对人工智能的研究、创新和应用，从而促进技术发展、引导投资和资金流动，推动人工智能的发展。政府还可以通过制定政策和法规来鼓励人工智能的技术发展和应用，这包括知识产权法、数据隐私法、监管框架等[33]。有明确和支持性的政策可以增强企业对GenAI研发的信心，促进GenAI的发展。⑥人工智能模型通常需要大量的数据进行训练，数据储存能力、5G技术、高性能计算机集群和云计算资源都将影响地区GenAI的发展[34]。⑦人工智能是一个高度技术密集型领域，需要不断吸纳国际先进技术和研究成果[35]。对外开放能够促进国际合作与知识流动，地区可以通过鼓励国内科研机构与国际伙伴合作来促进地区人工智能发展。综上，影响GenAI关注度的可能机制包括科技发展、企业发展、产业结构高级化、教育水平、政府支持度、数字基础设施和对外开放程度。

4.2 变量选取及说明

在机制变量的定义上，本文选取“科学技术支出（万元）对数”以衡量当地的科技发展水平；选取“规模以上工业企业数（个）对数”以衡量当地的企业发展水平；选取“第三产业与第二产业的比值”以衡量当地的产业结构高级化程度；选取“普通高等学校数量（所）”以衡量当地教育水平；选取“地方一般公共预算支出（万元）对数”以衡量当地的政府支持力度；选取“互联网宽带接入用户数（万户）对数”以衡量当地数字基础设施完善程度；选取“规模以上外商投资企业工业总产值（万元）对数”以衡量当地的对外开放程度。在控制变量方面，本文选取“全市户籍人口数（万人）对数”以避免地级市人口数量差异带来的搜索偏误，选取“城市等级” ① 和“地级市生产总值增长率”以避免经济发展差异带来的偏误。变量的描述性统计见表2。
表2 变量的描述性统计

Tab.2 Descriptive statistics of influencing factors

变量 具体指标 观测值 均值 标准差 最小值 最大值
机制变量 科技发展 科学技术支出（万元）对数 278 10.805 1.508 7.571 15.156
企业发展 规模以上工业企业数（个）对数 278 6.700 1.087 3.584 9.475
产业结构高级化 第三产业与第二产业的比值 278 48.026 8.051 25.640 79.000
教育水平 普通高等学校数量（所） 278 8.687 13.411 1.000 83.000
政府支持度 地方一般公共预算支出（万元）对数 278 14.120 1.032 11.914 17.638
数字基础设施 互联网宽带接入用户数（万户）对数 278 3.606 1.643 0.000 7.979
对外开放程度 规模以上外商投资企业工业总产值（万元）对数 278 2.953 1.428 0.693 7.946
控制变量 人口数量 全市户籍人口数（万人）对数 278 5.890 0.685 3.091 7.351
城市等级 大型城市=1，中小型城市=0 278 0.054 0.226 0.000 1.000
经济增长率 地级市生产总值增长率 278 7.858 2.283 -2.100 16.800

4.3 多元线性回归结果分析

由表3列（1）可知，R2为0.923，F统计量为0，模型拟合度良好，所选自变量在统计意义上能够解释92.3%的因变量，且模型平均VIF因子为3.28，多重共线性问题不明显；从单个变量来看，在控制了全市户籍人口数量、城市等级和经济增长率的情况下，所选机制变量均对ChatGPT百度搜索指数有显著正向影响。以科技发展为例，在其他条件不变的情况下，若科技支出增加6.4%，当地对GenAI的关注度将增加1%。
表3 生成式人工智能关注度影响机制的线性回归结果

Tab.3 Linear regression results of the influencing factors of GenAI attention degree

变量 ChatGPT百度搜索指数对数
（1）
全国		 （2）
东部		 （3）
中部		 （4）
西部
科技发展 0.064*** 0.027 0.038 0.087***
（0.017） （0.033） （0.030） （0.028）
企业发展 0.091*** 0.204*** -0.004 0.084**
（0.022） （0.051） （0.027） （0.036）
产业结构高级化 0.125*** 0.256*** 0.060 0.026
（0.036） （0.059） （0.067） （0.055）
教育水平 0.094*** 0.062* 0.042 0.087**
（0.021） （0.037） （0.035） （0.040）
政府支持度 0.065*** 0.237*** -0.049 -0.002
（0.023） （0.049） （0.033） （0.037）
数字基础设施 0.021*** 0.014*** 0.028*** 0.032***
（0.001） （0.003） （0.002） （0.003）
对外开放程度 0.075*** 0.071** 0.020 0.054
（0.019） （0.033） （0.037） （0.041）
人口数量 0.104*** 0.053 0.243*** 0.134***
（0.030） （0.055） （0.054） （0.041）
城市等级 0.186** 0.240** -0.0262 -0.417**
（0.077） （0.099） （0.166） （0.180）
经济增长率 0.001 -0.007 0.008 0.004
（0.006） （0.012） （0.007） （0.010）
R2 0.923 0.937 0.931 0.940
F统计量 0.000 0.000 0.000 0.000
有效样本量 278 96 99 83

注：***p<0.01，**p<0.05，*p<0.10，括号内的数值是稳健标准误。表4同。

表3列（2）~（4）的分组多元线性回归结果表明，上述机制变量对GenAI关注度的影响程度存在区域差异性。具体来看：①对东部地区而言，企业发展、产业结构高级化、教育水平、政府支持度、数字基础设施和对外开放程度均对GenAI关注度有显著正向影响；②对中部地区而言，仅有数字基础设施能增加当地对GenAI的关注；③对西部地区而言，科技发展、企业发展、教育水平和数字基础设施会促进当地对GenAI的关注。因此，需要因地制宜发展GenAI产业，精准高效地推动我国科技进步。

4.4 机制变量的空间溢出效应分析

本部分将利用空间计量模型探究造成GenAI关注度区域集聚的原因。在选择空间计量模型之前，本文基于反地理距离矩阵对模型进行了LM检验，结果显示，空间误差模型和空间滞后模型中LM系数的P值分别为0.064和0.013，Robust-LM系数的P值分别为0.006和0.001，空间滞后模型均通过了5%的显著性检验。因此，本文将运用空间滞后模型来对机制变量的空间溢出效应展开探讨。
由表4列（1）可知，除数字基础设施变量外，所有机制变量的影响系数和空间滞后项系数ρ均为正，且在1%的统计水平上显著。这表明当地的科技发展、企业发展、产业结构高级化、教育水平、政府支持度和对外开放程度均会促进周边地区GenAI关注度的提升，是造成GenAI关注度区域聚集的主要原因。在列（2）中加入控制变量后，回归结果依然稳健。
表4 生成式人工智能关注度影响机制的空间溢出效应分析

Tab.4 Spatial spillover effect of the influencing mechanism of GenAI attention degree

变量 ChatGPT百度搜索指数
（1） （2）
科技发展 0.059***（0.016） 0.070***（0.016）
企业发展 0.083***（0.021） 0.140***（0.036）
产业结构高级化 0.211***（0.026） 0.068***（0.022）
教育水平 0.084***（0.019） 0.020***（0.001）
政府支持度 0.001***（0.002） 0.088***（0.021）
数字基础设施 0.011（0.001） 0.007（0.009）
对外开放程度 0.073***（0.019） 0.102***（0.020）
人口数量 0.102***（0.029）
城市等级 0.170**（0.075）
经济增长率 0.001（0.006）
ρ 0.643*** 0.496***
有效样本量 278 278

5 中国生成式人工智能行业的发展回顾与挑战

5.1 中国生成式人工智能行业的发展回顾

2014年前，中国GenAI行业处于早期起步阶段，人工智能生成内容（Artificial Intelligence Generated Content，AIGC）面临着算法瓶颈、应用范围有限等问题。2014年后，随着深度学习算法的发展，特别是生成式对抗网络的提出和不断迭代，中国的AIGC进入了新的时代，生成内容呈现多样化。2024年7月3日，世界知识产权组织发布的《生成式人工智能专利态势报告》显示，2014—2023年，中国发明人申请的生成式人工智能专利数量最多，远超美国、韩国、日本和印度等国 ① 。2023年初，中国各大高科技厂商、高校以及团队就相继推出人工智能大语言模型产品，如百度的文心一言、阿里云的通义千问和华为的盘古等。中国GenAI开始形成“百家争鸣”的繁荣局面。随后的2023年10月9日，北京月之暗面科技公司推出“Kimi”智能助手，2024年5月15日，北京字节跳动公司发布了“豆包”。这意味着中国GenAI领域在技术迭代、市场格局以及行业应用层面实现了多重突破。2025年1月20日，杭州深度求索公司推出开源推理模型“DeepSeek-R1”，该模型不仅性能比肩OpenAI o1模型，更是以低廉的成本迅速引发全球关注。2025年3月6日，中国AI研究团队Monica推出“Manus”，标志着全球首款通用型AI智能体问世，其性能超越了OpenAI的同层次大模型 ① 。

5.2 中国生成式人工智能行业的挑战与风险

尽管中国GenAI行业的发展十分迅猛，但仍然面临着算力基础设施不足、数据基础设施建设滞后、隐私安全与数据滥用、知识产权争议和法规滞后性等问题[2]。例如在数据方面，数据质量参差不齐，数据标注成本高且效率低，同时数据安全和隐私保护问题亟待解决；在内容生成方面，生成内容的准确性和可靠性难以保证，容易出现虚假信息、误导性内容；在道德伦理方面，其生成的内容可能涉及违背公序良俗、侵犯知识产权等问题。此外，生成式人工智能还可能对就业市场产生冲击，一些重复性、规律性的工作岗位可能会被替代，引发就业结构的调整和社会稳定问题。
中国GenAI行业存在着强劲的发展潜力，但科技发展往往是把双刃剑，中国GenAI行业需在技术自主性、伦理合规性、安全防御性及产业协同性上实现突破。随着政策完善与技术迭代，行业有望从“野蛮生长”转向“高质量发展”，但需警惕技术滥用对社会信任的侵蚀，平衡创新与风险治理的长期挑战。

6 结论与对策建议

6.1 研究结论

本文运用ChatGPT百度搜索指数代表我国公众对GenAI的关注度，以研究其时空分布格局特征及影响机制。研究结论如下：①从时间维度看，GenAI关注度整体随时间呈“倒V”型演变趋势。其中，2022年12月初—2023年1月底处于话题萌芽期，全国对GenAI的关注整体偏低；到2023年2月初，我国对GenAI的关注出现规模式增长，处于话题爆发期；随后的4个月，话题热点开始下降，但对GenAI的关注仍然保持在一定水平上。②从空间维度看，我国对GenAI的关注存在区域性和差异性。首先，GenAI关注度在我国整体呈现由沿海向内陆逐渐减弱的态势；其次，我国对GenAI的关注最初会先在一部分一线或新一线城市中爆发，然后以该城市为中心向四周扩散，随即蔓延到全国范围内，并出现以山东半岛、长三角、珠三角为核心的网络关注度巨型团块，话题爆发期一过，巨型团块便开始在区域范围内缩减，最终在全国形成小板块区域聚集态势。③从影响机制分析来看，科技发展、企业发展、产业结构高级化、教育水平、数字基础设施、对外开放程度和政府支持度均会对当地的GenAI关注度带来显著正向影响，但这些因素对东部、中部和西部地区的影响存在差异。④从空间溢出效应来看，本地的科技发展、企业发展、产业结构高级化、教育水平、对外开放程度和政府支持度均会对地理距离相近城市的GenAI产生显著正向影响，是造成GenAI关注度空间聚集的主要原因。

6.2 对策建议

本文的研究在一定程度上为促进我国对GenAI的研发提供了理论参考，丰富了GenAI研究相关文献。为挖掘我国研发GenAI的巨大潜力，优化高新技术产业布局，本文提出以下建议：①发展以核心区域为主导的产业集群。北京以中国科学院、清华大学、北京大学等机构为技术策源地，深圳/广州依托华为、腾讯等企业推动应用落地，杭州、南京/苏州、合肥等地通过政策扶持和产业园区建设吸引初创企业，形成区域性互补。②加大研发投资和产业支持力度。政府应鼓励和支持在GenAI领域的研究与开发，主要包括资金投入、设立研究中心、提供创新奖励等方式，以鼓励科研机构、高校和企业参与研究与开发；鼓励创新生态系统的发展，主要包括孵化器、加速器和风险投资，以支持初创公司在GenAI领域的创新。同时，政府可以通过资金支持、税收优惠和政策创新来鼓励企业在GenAI领域进行研发和应用。这有助于推动相关产业的发展，提高中国在全球市场中的竞争力。政府还可以推动数据的开放与共享，以便更多的研究人员和企业能够利用大规模数据来培训GenAI模型。③加强人才培养和国际交流合作。政府应制定政策鼓励高校开设与新一代人工智能相关的课程，并提供奖学金以吸引更多学生从事这一领域的学习。建立专门的人才引进计划，以吸引国际顶尖的GenAI研究者和从业者，包括提供优厚的薪酬、住房津贴和研究经费，以及简化签证和居留手续。支持国际合作项目，鼓励中国高校和研究机构与国际知名大学和实验室合作，共同进行GenAI的研究和教育项目。④优化产业链和建立人工智能产业园。应加强硬件制造、软件开发和应用服务等多个环节的合作与协同创新，深化产业链上下游合作，拓展GenAI应用场景。建立人工智能产业园，形成产业集聚效应，以强化企业间人才、产品和技术的交流与合作，促进产业链完善，提高整个产业的竞争力。⑤完善法规和伦理标准。政府需要制定适当的法规和伦理标准，以确保GenAI的发展和应用是安全和合乎伦理的，包括隐私保护、数据安全、知识产权和伦理原则等方面的规范。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
梁正, 何江. ChatGPT意义影响、应用前景与治理挑战[J]. 中国发展观察, 2023(6):25-29.

[2]
戚凯. ChatGPT与数字时代的国际竞争[J]. 国际论坛, 2023, 25(4):3-23,155.

[3]
朱喜安, 张秀. 高新技术产业聚集与区域经济增长质量的空间溢出效应研究——基于面板空间杜宾模型的研究[J]. 经济问题探索, 2020(3):169-184.

[4]
Wu T, He S, Liu J, et al. A brief overview of ChatGPT:The history,status quo and potential future development[J]. IEEE/CAA Journal of Automatica Sinica, 2023, 10(5):1122-1136.

[5]
汤长安, 张丽家, 殷强. 中国战略性新兴产业空间格局演变与优化[J]. 经济地理, 2018, 38(5):101-107.

DOI

[6]
李燕凌, 蔡湘杰. 科技金融促进了工业新质生产力发展吗?[J]. 财经理论与实践, 2024, 45(6):10-18.

[7]
杨凡, 杜德斌, 段德忠, 等. 城市内部研发密集型制造业的空间分布与区位选择模式——以北京、上海为例[J]. 地理科学, 2017, 37(4):492-501.

DOI

[8]
赵志君, 庄馨予. 中国人工智能高质量发展:现状、问题与方略[J]. 改革, 2023(9):11-20.

[9]
杜传忠, 疏爽. 人工智能与经济高质量发展:机制、成效与政策取向[J]. 社会科学战线, 2023(12):78-87,281.

[10]
张爱军, 贾璐. 类ChatGPT人工智能语境下网络舆情安全的风险样态及其规制[J]. 情报杂志, 2023, 42(12):180-187.

[11]
李长健, 杨骏. 生成式人工智能赋能数字乡村治理实践、风险及其防范研究[J]. 云南民族大学学报(哲学社会科学版), 2023, 40(6):107-115.

[12]
武俊宏, 赵阳, 宗成庆. ChatGPT 能力分析与未来展望[J]. 中国科学基金, 2023, 37(5):735-742.

[13]
张辉, 刘鹏, 等.姜钧译, ChatGPT:从技术创新到范式革命[J]. 科学学研究, 2023, 41(12):2113-2121.

[14]
汪寿阳, 李明琛, 杨昆, 等. ChatGPT+金融:八个值得关注的研究方向与问题[J]. 管理评论, 2023, 35(4):3-11.

[15]
吕健, 陆宣. ChatGPT为劳动者带来的机遇、挑战及其应对[J]. 当代经济管理, 2023, 45(12):1-8.

[16]
Jeblick K, Schachtner B, Dexl J, et al. ChatGPT makes medicine easy to swallow:An exploratory case study on simplified radiology reports[J]. European Radiology, 2024, 34(5):2817-2825.

[17]
Eggmann F, Weiger R, Zitzmann N U, et al. Implications of large language models such as ChatGPT for dental medicine[J]. Journal of Esthetic and Restorative Dentistry, 2023, 35(7):1098-1102.

DOI PMID

[18]
Rahman M M, Watanobe Y. ChatGPT for education and research:Opportunities,threats,and strategies[J]. Applied Sciences, 2023, 13(9):5783.

[19]
Cotton D R E, Cotton P A, Shipway J R. Chatting and cheating:Ensuring academic integrity in the era of ChatGPT[J]. Innovations in Education and Teaching International, 2024, 61(2):228-239.

[20]
Zhang Z X, Yu G H, Liu Y, et al. The influence of ChatGPT on library & information services[J]. Data Analysis and Knowledge Discovery, 2023, 7(3):36-42.

DOI

[21]
Haman M, Školník M. Using ChatGPT to conduct a literature review[J]. Accountability in Research, 2024, 31(8):1244-1246.

[22]
Biswas S. Role of ChatGPT in computer programming[J]. Mesopotamian Journal of Computer Science, 2023,2023:9-15.

[23]
Surameery N M S, Shakor M Y. Use ChatGPT to solve programming bugs[J]. International Journal of Information Technology and Computer Engineering, 2023(31):17-22.

[24]
韩锋, 宁攸凉, 赵荣, 等. 我国林产品网络关注度时空特征——基于百度指数技术分析以木材和人造板为例[J]. 林业科技通讯, 2020(5):10-13.

[25]
赖继年. 红色旅游经典景区发展路径——以网络关注度时空演变为视角[J]. 社会科学家, 2022(8):44-51.

[26]
张晓梅, 程绍文, 刘晓蕾, 等. 古城旅游地网络关注度时空特征及其影响因素——以平遥古城为例[J]. 经济地理, 2016, 36(7):196-202,207.

[27]
王宇哲, 赵静. “用钱投票”:公众环境关注度对不同产业资产价格的影响[J]. 管理世界, 2018, 34(9):46-57.

[28]
王燕武, 莫长炜. 政务诚信与企业创新质量[J]. 当代财经, 2024(4):17-29.

[29]
赵龙凯, 陆子昱, 王致远. 众里寻“股”千百度——股票收益率与百度搜索量关系的实证探究[J]. 金融研究, 2013(4):183-195.

[30]
任英华, 刘宇钊, 李海彤. 人工智能技术创新与企业全要素生产率[J]. 经济管理, 2023, 45(9):50-67.

[31]
郑世林, 姚守宇, 王春峰. ChatGPT新一代人工智能技术发展的经济和社会影响[J]. 产业经济评论, 2023(3):5-21.

[32]
崔金贵, 马莹莹. 我国人工智能教育研究进展与展望[J]. 高校教育管理, 2023, 17(6):31-39.

[33]
阮荣彬, 朱祖平, 陈莞, 等. 政府科技伦理治理与人工智能企业科技向善[J]. 科学学研究, 2024, 42(8):1577-1586,1606.

[34]
尹西明, 陈泰伦, 金珺, 等. 数字基础设施如何促进区域高质量发展:基于中国279个地级市的实证研究[J]. 中国软科学, 2023(12):90-101.

[35]
吕越, 谷玮, 尉亚宁, 等. 人工智能与全球价值链网络深化[J]. 数量经济技术经济研究, 2023, 40(1):128-151.

Options
Outlines

/

〈 〉