EN中文

地理科学, 2022, 42(7): 1207-1217 doi: 10.13249/j.cnki.sgs.2022.07.008

中国城市人工智能发展的时空演化特征及其影响因素

邹伟勇,1, 熊云军2

1.上海大学经济学院，上海 200444

2.上海财经大学公共经济与管理学院，上海 200433

Spatio-temproral Evolution Characteristics of AI Development in Chinese Cities and Its Influencing Factors

Zou Weiyong,1, Xiong Yunjun2

1. School of Economics, Shanghai University, Shanghai 200444, China

2. School of Public Economics and Management, Shanghai University of Finance and Economics, Shanghai 200433, China

收稿日期: 2021-08-6   修回日期: 2021-12-25   接受日期: 2022-06-10  

基金资助: 国家社会科学基金项目(19BJY079)
上海市哲学社会科学项目(2019BJB020)

Received: 2021-08-6   Revised: 2021-12-25   Accepted: 2022-06-10  

Fund supported: National Social Science Foundation of China(19BJY079)
Project of Shanghai Philosophy and Social Sciences(2019BJB020)

作者简介 About authors

邹伟勇（1990−），男，广东湛江人，博士研究生，主要从事区域经济研究E-mail:weiyongzou@shu.edu.cn

摘要

基于2000—2019年中国285个地级及以上城市面板数据，以关键词检索人工智能相关的专利申请数，运用标准差椭圆、探索性空间数据分析以及空间杜宾分解模型，探析中国城市人工智能的时空演变特征及其影响因素。结果表明：① 人工智能发展在时间上可分为起步期、成长期以及高速发展期；空间上呈明显的层级效应，东部沿海城市优势明显，中西部城市正加快崛起。② 人工智能存在较强的空间正向相关关系，局部地区城市形成集聚发展态势。空间分布沿“东北−西南”方向产生极化现象，沿“西北−东南”方向产生扩散现象。分布重心位于安徽省内，有持续向东南迁移的趋势。③ 市场化水平、人口密度、人力资本、外商投资水平和金融发展水平的提升有利于人工智能发展，存在正向空间溢出效应。政府干预与人工智能发展呈倒U型曲线关系，存在空间溢出效应。产业升级和基础设施建设水平的提升有利于人工智能发展，但空间溢出效应不明显。

关键词： 中国城市; 人工智能; 标准差椭圆法; 空间杜宾模型

Abstract

Based on the panel data of 285 cities in China from 2000 to 2019, this paper searches the number of patent applications related to artificial intelligence with keywords. Using standard deviation ellipse, exploratory spatial data analysis and spatial Dubin decomposition model, this paper analyzes the temporal and spatial evolution characteristics and influencing factors of urban artificial intelligence in China. The results show that: 1) The development of artificial intelligence can be divided into initial stage, growth stage and high-speed development stage. There is an obvious hierarchical effect in space. The advantages of eastern coastal cities are obvious, and the rise of central and western cities are accelerated. 2) Artificial intelligence has a strong spatial positive correlation, and cities in some areas form an agglomeration development trend. The spatial distribution produces polarization along the “northeast-southwest” and diffusion along the “northwest-southeast” direction. The distribution center is located in Anhui Province, with a trend of continuous migration to the southeast. 3) The improvement of marketization level, population density, human capital, foreign investment level and financial development level are conducive to the development of artificial intelligence, and there is a positive spatial spillover effect. The relationship between government intervention and the development of artificial intelligence shows an inverted U-shaped curve, with spatial spillover effect. Industrial upgrading and infrastructure construction are conducive to the development of artificial intelligence, but the spatial spillover effect are not obvious. The research conclusion can provide empirical enlightenment for China’s cities to accelerate the implementation of artificial intelligence strategy.

Keywords： Chinese cities; artificial intelligence; standard deviation ellipse; spatial Dubin model

PDF (2763KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

邹伟勇, 熊云军. 中国城市人工智能发展的时空演化特征及其影响因素[J]. 地理科学, 2022, 42(7): 1207-1217 doi:10.13249/j.cnki.sgs.2022.07.008

Zou Weiyong, Xiong Yunjun. Spatio-temproral Evolution Characteristics of AI Development in Chinese Cities and Its Influencing Factors[J]. Scientia Geographica Sinica, 2022, 42(7): 1207-1217 doi:10.13249/j.cnki.sgs.2022.07.008

改革开放释放强大的红利，中国创造了人类经济史奇迹。从国内环境看，现阶段的中国面临传统要素红利衰减以及经济增速换挡的挑战，传统数量型增长方式不能满足经济高质量发展的要求，经济进入“刘易斯拐点”[1]。从国际环境来看，境外疫情扩散蔓延、逆全球化暗流涌动等不利因素引发经济“停摆”。因此，加快攻关技术发展以提升产业链现代化水平，成为大变局深化背景下的必然选择。近年来，《机器人产业发展规划》（http://www.scio.gov.cn/index.htm）《新一代人工智能规划》（http://www.gov.cn/index.htm）等一系列政策相继出台，中国人工智能（AI）发展进入快车道。2020年《中国互联网发展报告》（https://www.chinanews.com.cn/）显示：中国人工智能专利数首次超越美国，位居世界第一。囿于区域资源禀赋和初始技术等发展条件存在较大差异，人工智能会扩大发达城市与欠发达城市的发展差距，马太效应的两级分化现象不利于社会公平，阻碍区域间协调发展。城市是国家或地区的政治、经济、文化和创新中心，人工智能发展是引导未来城市转型发展的关键变量。因此，科学地评估城市人工智能水平、探索其时空演变的规律以及发掘影响因素的内在机制，是推进城市协调发展和高质量发展的题中应有之义。

图灵撰写的《机器人会思考吗？》被誉为是开启人工智能新时代的杰出代表作[2]。人工智能可以感知所处的环境，并逐步具备类似于人类的认知、学习和决策能力，在没有人参与下完成任务[3]。奇点临近时刻，人工智能发生“爆炸式”进展，学界关于福音还是噩耗的争议性探讨不绝于耳。人机协同和深度学习等自动化技术替代人类完成生产决策，帮助企业解放和提升生产效率[4]。人工智能改善技术创新与性能过程，促进互补性创新，不仅节省研发时间和成本，而且促进高技能人才合理流动和高效集聚[5]。也有学者指出，机器换人降低劳动力作用，利润被攫取并集中掌握在资本家手中，转变了生产要素和技术要素的耦合度，产生“生产悖论”[6]“鲍莫尔病”[7]和“工资极化”[8]等现象。尽管相关研究存在争议性观点，但从世界各国长远的发展规划上看，美国的制造业复兴计划到德国的“工业 4.0 战略”，再到“中国制造2025”计划，人工智能都是发展战略技术的重要内容[9]，人工智能正对现在和未来经济社会产生重大而深远的影响。

既有文献为本文研究奠定逻辑起点和学理基础。由于数据的局限性，有效地量化人工智能仍给研究议题造成较大困难；人工智能的时间和空间演化规律仍有待探索；现有研究多数探讨人工智能对经济社会方面的影响，鲜有文献专门研究何种因素对人工智能发展产生影响。基于此，本文贡献如下：①研究视角。基于城市人工智能专利视角，弥补现有文献研究的不足。用关键词检索法，从算法、数据、计算能力、应用场景和相关技术等5个维度获取城市人工智能相关的专利申请数，提高研究结果的全面性和合理性，开辟研究新视阈。②研究路径。为了解人工智能的城市时空分布形态和演化特征，采用标准差椭圆和探索性空间工具，从时空两个维度探析城市人工智能的发展现状。③研究方法。由于人工智能等数字技术具有很强的空间外溢性，本文采用空间计量模型替代传统计量模型以减少估计偏误，探讨人工智能影响因素的内在机制，并观察变量的溢出效应特征。本研究有助于揭示中国城市人工智能时空分布规律，理清影响人工智能的作用机制，对推广智能技术具有指导作用。

1 研究方法与数据来源

1.1 研究方法

1） 标准差椭圆法（SDE）。椭圆圆心坐标为地理要素分布重心，其迁移轨迹可知空间演化特征。椭圆的长、短半轴分别度量地理要素的分布方向和范围。短半轴与长半轴之比为形状指数，揭示地理要素的空间演化趋势。本文采用标准差椭圆法探讨城市人工智能的空间分布形态和演化特征[10]。

2） 探索性空间数据分析（ESDA）。测算全局Moran’s I判定整体研究区域内与相邻区域属性值的空间相关特征，其取值范围为[–1,1]，绝对值越大表示空间相关性越大，反之则越小。全局Moran’s I取值分为大于0、小于0及等于0这3种情况，分别表示地理要素集聚、离散和独立的分布特征。局部Moran’s I考察研究局部区域集聚或异常值出现的位置和范围，并将研究范围划分为高高型集聚区（H-H），低低型集聚区（L-L），高低型集聚区（H-L）和低高型集聚区（L-H）4种类型[11]。

3） 空间杜宾模型（SDM）。相对于传统计量模型，SDM模型不仅可以考察因变量的内生相关性，也可以识别外部因素的直接效应和间接效应，更准确估算出空间相关性和影响因素的作用程度。本文采用空间杜宾模型作为分析模型，经济−地理嵌套矩阵作为模型的空间权重矩阵。SDM分解模型更能体现地理要素溢出效应[12]，包含直接、间接和总效应模型。直接效应模型衡量自变量对本区域因变量影响效果，间接效应模型衡量自变量对相关区域因变量影响效果，两者加总即为总效应。

1.2 研究范围和数据来源

鉴于吐鲁番市、林芝市等部分城市缺失较多数据值，故将此部分样本城市剔除。本文最终选取2000—2019年作为窗口期，中国285个地级及以上城市共5700个样本数据（不含港澳台数据）。相关数据来源于《中国城市统计年鉴》[13]、EPS数据库（https://www.jpgnet.com.cn/index.html#/Index）、佰腾网（https://www.baiten.cn/）等。个别数据存在缺失现象则采用插值法补全。为减少模型异方差等问题影响，计量指标均取对数处理。

被解释变量：人工智能（lnAI）。学术界常用计算机软件业固定资产投资[14]、机器人安装密度[15]、相关复合指标体系[16]等方法衡量人工智能。但上述方法存在较大局限性，不仅难以准确涵盖和衡量人工智能发展情况，而且难以有效地将数据量化至城市层面。参考现有研究[17,18]，学者提出了采用关键词检索法识别专利申请数，这为城市层面人工智能的相关议题提供了新思路。受此启发，本文以佰腾网的专利数据库为数据源，通过特定时期、城市作为约束条件，识别专利标题或摘要等包含相关关键词信息的专利申请数（专利申请数包含发明专利、实用新型、外观设计和WIPO认证的专利数）。本文从算法、数据、计算能力、应用场景和相关技术等5个维度、27个关键词作为筛选依据（表1），并删除专利申请号相同的重复值，获取2000—2019年285个地级及以上城市面板数据。采用专利检索法具有以下3方面优势：①科学性。可以规避人工智能存在的测量误差，更为综合、全面地评估人工智能发展水平；②合理性。有利于排除经济变量间相互影响、反向因果所导致的内生性问题，减少模型估计误差；③创造性。为研究城市层面的人工智能相关议题带来更为微观的数据。

表1   人工智能的相关关键词专利申请数检索

Table 1  Retrieval of patent applications for related keywords in AI

序号衡量维度检索关键词
1算法深度学习、机器学习、遗传算法、神经网络
2数据大数据、自然语言处理、机器视觉、计算机视觉
3计算能力专家系统、复杂系统、云计算
4应用场景智能机器人、工业机器人、智能制造、智能控制、自动驾驶、无人机、
语音识别、图像识别、人脸识别、指纹识别、生物识别
5相关技术人工智能、智能技术、机器人技术、自动化技术、人机交互

新窗口打开| 下载CSV


解释变量：本文从机制、劳动、资本和基础要素4方面考察城市人工智能的影响因素，其作用机制框架如图1所示。影响因素的指标选取和理论依据如下：①机制要素包括市场和政府两个主体，推动人工智能发展需要正确处理市场和政府的关系。市场具有优化资源配置的功能，政府支持短期内对人工智能发展起到很好的激励效果，但过度干预也会产生挤出效应现象。市场化水平（lnmar）用私营和个体就业人口占总就业人口比重衡量[19]；政府干预（lngov）用财政支出占GDP比重衡量，为考察是否存在非线性影响，纳入平方项加以分析。②劳动要素包括人口密度和人力资本。人口集聚和人力资本积累有助于激发技术创新、知识技能溢出，对人工智能发展产生重要影响。人口密度（lnpop）用人口数除以行政区域面积衡量；人力资本（lnhum）用科学研究、技术服务和地质勘查从业人员衡量[20]。③资本要素包括外商投资和金融发展。通过引进外资技术，拓宽融资渠道，为技术研发提供资本支持，与人工智能发展有正向关联性。外商投资（lnfdi）用合同利用外资项目数衡量[21]；金融发展水平（lnfin）采用金融机构存贷款余额占GDP比重衡量。④基础要素包括产业结构和基础设施建设。产业升级对工艺技术、研发水平提出更高要求，基础设施建设有利于提高要素流动效率，促进资金、技术和人才合理流动，两者是影响人工智能发展的重要变量。产业升级（lnind）用第三产业与第二产业产值之比衡量；基础设施水平（lninst）用公路里程衡量。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   影响人工智能发展的作用机制逻辑框架

Fig. 1   Logical framework of action mechanism affecting the development of AI


2 城市人工智能发展时空演化分析

2.1 时序特征

图2表示城市人工智能专利申请数及其增长情况，城市人工智能专利数由2000年191件上升至2019年132 422件，年均增长率达42.04%。时间上可分为3个发展阶段。第一个阶段为起步期（2000—2008年），人工智能专利数由2000年191件上升至2008年2926件，年均增长率达为41.82%。该阶段的城市人工智能发展相对缓慢，但随着财政资金对人工智能及相关课题研究的扶持力度逐渐加大，人工智能在社会关注度提升中得到初步发展。第二阶段为成长期（2009—2014年），人工智能专利数由2009年4165件上升至2014年21 960件，年均增长率达为40.31%。语音识别、深度学习等人工智能领域技术在此阶段取得重大突破。国内迎来人工智能创业热潮，华为、百度、阿里、腾讯等科技企业开始布局人工智能领域，智能产业规模得到进一步扩大。第三阶段为高速发展期（2015—2019年），人工智能专利数由2015年36 941件上升至2019年132 422件，年均增长率达44.45%。国家和地方政府陆续颁布一系列利好政策，人工智能成为国家发展战略，大规模的商业化应用使其进入快速发展时期。通过积累大数据、革新理论算法、提升计算能力，人工智能与经济社会各领域加快融合渗透，已在医疗、零售、安防、制造、金融等众多领域实现新的突破性应用发展。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2000—2019年中国城市人工智能专利申请数

不含港澳台数据

Fig. 2   AI patent applications in Chinese cities in 2000-2019


2.2 空间特征

利用ArcGIS10.5软件的自然间断分级法，将285个地级及以上城市人工智能发展水平分为6个梯队（图3），选取代表性年份以考察城市人工智能发展的空间分布变化特征。由图3可知：①层级效应显著。空间总体上可分为3个层级，东部沿海城市形成第一层级，如深圳、上海、苏州、广州等东部沿海城市凭借在经济、政策、人才、科技等优势要素，在人工智能领域担当“领头雁”角色。中部城市和西部城市分别为第二层级和第三层级①(①中国东中西部区域划分依据参考国家统计局关于三大地带标准（https://data.stats.gov.cn/easyquery.htm?cn=E0103），东部地区：北京市、天津市、河北省、辽宁省、上海市、江苏省、浙江省、福建省、山东省、广东省、海南省；中部地区：山西省、吉林省、黑龙江省、安徽省、江西省、河南省、湖北省、湖南省；西部地区：内蒙古自治区、广西壮族自治区、重庆市、四川省、贵州省、云南省、西藏自治区、陕西省、甘肃省、青海省、宁夏回族自治区、新疆维吾尔自治区。东中西区域划分未涉及香港、澳门和台湾。)。②马太效应凸显。随着时间发展，华东、华南地区创新资源丰富、产业基础雄厚，进一步吸引智能要素加速集聚，地区间发展差异正逐步扩大。③后发赶超态势明显。除了沿海发达城市外，中西部城市也在积极地加快人工智能产业布局，如重庆、武汉、合肥、长沙、成都、西安等城市，近年来入选了国家人工智能创新发展试验区，在科研、人才等方面落实奖励性政策，具有“弯道超车”的发展态势。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2000—2019年中国城市人工智能发展的空间分布

审图号：GS（2019）1822号（自然资源部监制），底图无修改；不含港澳台数据

Fig. 3   Spatial distribution of AI development in Chinese cities from 2000 to 2019


2.3 时空演化特征

采用标准差椭圆法中的第一级标准差（可将约占总数68%要素质心涵盖在内），选取代表年份进一步探讨城市人工智能的时空演化特征（表2）。结果显示，平均几何重心坐标大致为（116°15′04″E，32°28′01″N），位于安徽省区域内。但沿海城市的人工智能发展水平相较于重心所在区域的城市更高，即在空间上呈非正态分布。方向角在48°47′20″~53°18′11″变动，平均值为52°5′20″，在空间上呈“东北−西南”方向分布特征，与中国人工智能企业分布走向大体相近。椭圆的长半轴伸缩幅度高于短半轴伸缩幅度，表明空间演化力量来自于“东北−西南”方向。长轴总体上变短，长度相较期初减少14.614%，短轴总体上变长，长度相较期初增加1.499%，表明城市人工智能发展有沿“东北−西南”呈现极化现象，沿“西北−东南”方向呈现扩散现象。椭圆的覆盖面积逐渐缩小，说明城市人工智能发展的集聚程度在进一步增强。短轴与长轴的比值从期初0.556增加至期末0.647，形状指数表现出圆化趋势，形成原因是来自于“东北−西南”方向的收缩和“西北−东南”方向扩张所导致。采用重心模型绘制出重心迁移轨迹（图4），各期重心经纬度分别在115°50′02″E~116°41′46″E，31°15′29″N~33°38′13″N移动。呈现“先东南，再向西北，后向西南，最后向东南”多重转向特征，总体迁移趋势为东南方向。说明相对其他地区的城市而言，东南沿海城市在人工智能发展领域更具优势。

表2   2000—2019年中国城市人工智能标准差椭圆参数

Table 2  Standard deviation ellipse parameters of urban AI development level in Chinese cities from 2000 to 2019

年份重心坐标长半轴/km短半轴/km方位角面积/万km2形状指数
　　注：数据来源ArcGIS10.5软件测算得出；不含港澳台数据。
2000（115°50′02″E，33°38′13″N）1068.704593.96753°18′11″199.4040.556
2003（116°41′46″E，32°14′38″N）1013.212573.02550°47′46″182.3850.566
2006（116°32′17″E，32°24′29″N）1052.124610.48253°09′22″201.7700.580
2009（116°32′10″E，32°36′25″N）959.351611.96349°58′05″184.4260.638
2012（116°17′02″E，32°05′31″N）920.173635.20149°16′26″183.6130.690
2016（115°57′00″E，32°01′19″N）927.347628.65649°20′02″183.1380.678
2019（115°55′05″E，31°15′29″N）932.435602.86848°47′20″176.5880.647

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2000—2019年中国城市人工智能发展水平标准差椭圆及其重心迁移轨迹

审图号：GS（2019）1822号（自然资源部监制），底图无修改；不含港澳台数据

Fig. 4   Standard deviation ellipse of urban AI development level and its center of gravity migration trajectory in Chinese cities from 2000 to 2019


2.4 空间相关性特征

1） 全局自相关分析。运用Stata15.0计算人工智能专利数的全局Moran’sI（表3）。Moran’sI指数取值均大于0，且均通过1%的置信水平检验，表明城市人工智能发展水平在空间上存在显著的集聚特征。Moran’sI指数值呈逐步上升态势，由期初0.071上升至期末0.255，说明城市人工智能空间整体集聚性有所增强。

表3   2000—2019年中国城市人工智能发展水平全局莫兰指数

Table 3  The Global Moran index of the development level of AI in Chinese cities from 2000 to 2019

年份Moran’sIZ值P值年份Moran’s IZ值P值
　　注：不含港澳台数据。
20000.0713.7880.00020100.22611.2670.000
20010.0573.0100.00120110.23211.5690.000
20020.1075.4990.00020120.24111.9870.000
20030.1015.1850.00020130.24912.4030.000
20040.1387.0110.00020140.25312.5840.000
20050.1437.2730.00020150.25212.5330.000
20060.1608.1060.00020160.24712.2920.000
20070.1567.8920.00020170.26012.9160.000
20080.1969.8580.00020180.26413.1540.000
20090.22611.3020.00020190.25512.7180.000

新窗口打开| 下载CSV


2） 局部自相关分析。由于全局Moran’sI值反映的是整体区域而非局部区域空间关联性特征，因此引入局部Moran’sI，选取代表性年份以考察城市人工智能发展的局部空间相似和相异特征。由结果可知（图5），局部Moran’sI显著城市逐年增加，局部地区逐步形成集聚发展态势。局部空间分布特征以H-H（高−高）区和L-L（低−低）区为主，呈连绵式、集团化的发展态势；H-L（高−低）区和L-H（低−高）区城市范围较小，呈零散状的分布特征。H-H区从2000年18个城市扩展至2019年42个城市，L-L区从2000年0个城市扩展至2019年42个城市。H-H区为人工智能高水平集聚区，主要分布在长三角、珠三角和京津冀等地区城市。L-L区为城市人工智能低水平集聚区，主要分布在达州、鸡西等西部和东北部地区城市。H-L和L-H区分别以“极化”和“空心”为特征异质性区，昆明、重庆等中西部城市在H-L型区域；鄂州、营口等中部和东北部部分城市分布L-H型区。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2000—2019年中国城市人工智能发展水平局部莫兰指数

审图号：GS（2019）1822号（自然资源部监制），底图无修改；不含港澳台数据

Fig. 5   Local Moran index scatter diagram of urban AI development level in Chinese cities in 2000-2019


3 影响因素分析

运用Stata15.0软件进行空间计量估计和检验，在不考虑空间相关性情况下，Hausman检验通过1%置信水平，选择固定效应模型更优。由LR检验可知，空间杜宾模型不会退化为空间自相关模型和空间误差模型（SDM-SAR，P<0.01；SDM-SEM，P<0.01），选择空间杜宾模型更优；时空双固定效应模型优于时间、空间固定效应模型（Both-Ind，P<0.01；Both-Time，P<0.01），选择时空双固定的模型更优。由于空间杜宾模型的回归系数不能准确分析被解释变量影响和空间溢出情况[22]，故以其分解模型作为本文分析重点。

回归结果显示（表4），市场化水平（lnmar）的提高能够促进人工智能发展，直接效应项系数显著为正（β=0.032，P<0.10），对毗邻城市有显著的正向效应（β=0.846，P<0.01），总效应项系数显著为正（β=0.878，P<0.01）。市场机制增强企业竞争活力，市场化程度越高则越能降低智能型产业的进入门槛，促进智能企业发展，并淘汰落后产能企业。市场将价格信号和供求信息更精准地传递给企业，引导城市间企业间相互学习、模仿和吸收智能技术，提高城市间企业智能技术[23]。

表4   空间杜宾模型及其分解模型的估计结果

Table 4  Estimation results of spatial Dubin model and its decomposition model

变量主效应项空间滞后项直接效应间接效应总效应
　　注：括号内数值为各系数的标准误差；***、**、*分别表示1%，5%，10%水平的显著性； lnmar为市场化水平； lngov为政府干预； lnpop为人口密度；lnhum为人力资本；lnfdi为外商投资；lnfin为金融发展；lnind为产业升级；lninst为基础设施建设；SDM-SAR为SDM模型是否会退化为SAR模型的LR检验；SDM-SEM为SDM模型是否会退化为SEM模型的LR检验；Both-Ind为时空双固定模型还是空间固定模型更优的LR检验；Both-Time为时空双固定模型还是时间固定模型更优的LR检验；不含港澳台数据。
lnmar0.0160.394***0.032*0.846***0.878***
(0.018)(0.068)(0.019)(0.151)(0.153)
lngov0.247***0.2610.260***0.806**1.066***
(0.054)(0.189)(0.051)(0.374)(0.376)
lngov2−0.097***−0.225***−0.106***−0.571***−0.677***
(0.012)(0.040)(0.011)(0.081)(0.079)
lnpop0.561***1.398***0.625***3.568***4.193***
(0.110)(0.464)(0.109)(0.975)(0.999)
lnhum0.068**0.837***0.102***1.810***1.912***
(0.030)(0.113)(0.030)(0.247)(0.251)
lnfdi0.0220.184***0.029*0.408***0.437***
(0.015)(0.056)(0.016)(0.120)(0.123)
lnfin0.236***0.822***0.269***1.987***2.255***
(0.039)(0.148)(0.038)(0.314)(0.320)
lnind0.207***0.2840.228***0.7741.002*
(0.075)(0.284)(0.073)(0.583)(0.590)
lninst0.204***0.0960.210***0.4050.616**
(0.043)(0.153)(0.041)(0.302)(0.304)
ρ0.526***
sigma2_e0.367***
HausmanTest811.020***
SDM-SAR213.880***
SDM-SEM339.800***
Both-Ind139.370***
Both-Time2655.250***
R-squared0.287
观测值5700
样本数285

新窗口打开| 下载CSV


政府干预（lngov）与人工智能发展存在显著的倒U型曲线关系，分解模型的一次项系数显著为正，二次项系数显著为负（如直接效应一次项系数：β=0.260，P<0.01；二次项系数：β=−0.106，P<0.01）。政府颁布相关的补贴激励政策，人工智能等高新技术企业的认定享受优惠政策，扶持智能企业做大做强。但政府干预力度过强时，一定程度上消除了市场的力量，在“僧多粥少”的情况下容易产生寻租等不经济行为，产生“挤出效应”[24]。

人口密度（lnpop）越高有利于人工智能发展，直接效应项系数显著为正（β=0.625，P<0.01），对毗邻城市有显著的正向溢出效应（β=3.568，P<0.01），总效应项系数显著为正（β=4.193，P <0.01）。人口集聚的城市具有高度分工的专业化水平和多样化生产能力，有利于提升企业智能研发效率。人口密度越高意味着劳动力和企业相对集聚，高度专业化的集聚效应形成分工模式，不同领域和知识背景的人才具有正外部性，各种知识和技术等创新要素加速扩散，更有利于提高智能技术 [25]。

人力资本（lnhum）积累有利于人工智能发展，直接效应项系数显著为正（β=0.102，P<0.01），对毗邻城市具有显著的正向溢出效应（β=1.810，P<0.01），总效应项系数显著为正（β=1.912，P<0.01）。拥有专业技能、知识、能力和经验等人才具有超强的吸收作用力，是实现智能化研发活动的关键因素。高人力资本的地区有更强的技术吸收和扩散能力，有利于智能技术的推广和应用[26]。

外商投资（lnfdi）有利于人工智能发展，直接效应项系数显著为正（β=0.029，P<0.10），有显著正向的空间溢出效应（β=0.408，P<0.01），总效应系数显著为正（β=0.437，P<0.01）。外商投资为东道国提供高质量资金、技术和管理经验，有利于智能技术的自主创新与智能产业向纵深发展；外商投资具有正向技术外溢效应，周边城市获得智能发展所需的要素，节省研发时间和资金成本[27]。

金融发展（lnfin）有利于促进人工智能发展，直接效应项系数显著为正（β=0.269，P<0.01），有显著正向的空间溢出效应（β=1.987，P<0.01），总效应系数显著为正（β=2.255，P<0.01）。资本市场在信息搜集、整理和披露方面，帮助企业克服道德风险和逆向选择，促进企业开展智能创新活动。金融发展程度越高则越能降低企业的搜寻成本和识别风险成本，金融机构通过扩散和放大效应释放新的商业空间，为企业智能化发展提供新机遇[28]。

产业升级（lnind）有利于人工智能发展，直接效应项系数显著为正（β=0.228，P<0.01），存在一定的正向空间溢出效应（β=0.774，P＞0.10），总效应项系数显著为正（β=1.002，P<0.10）。产业升级是以技术创新为引领的资源要素再优化配置的过程，将低效率生产部门的生产要素转移至高效率生产部门。为提升产业升级基础能力和满升级技术需求，生产部门将加大技术研发力度和资本投入，为智能创新提供支持。但由于市场准入门槛和地理壁垒限制跨区域产业升级，城市间产业发展的协同性有待提升，使其产生有限的正向空间溢出效应[29]。

基础设施建设（lninst）有利于人工智能发展，直接效应项系数显著为正（β=0.210，P<0.01），存在一定的正向空间溢出效应（β=0.405，P＞0.10），总效应系数显著为正（β=0.616，P<0.05）。基础设施建设降低城市间运输产品和贸易成本，加快智能资源要素流通速度，实现智能资源高效配置。但由于城市间人工智能的基础设施建设尚处初步阶段，其产生的正向空间溢出效应相对较小[30]。

此外，城市人工智能存在显著的正向空间溢出效应（ρ=0.526，P<0.01），说明随着人工智能持续发展，会辐射带动周边城市人工智能发展。

4 结论与讨论

本文通过关键词检索法，从算法、数据、计算能力、应用场景和相关技术等5个维度的专利申请数衡量人工智能发展，并运用标准差椭圆、探索性空间数据分析以及空间杜宾分解模型，揭示了中国城市人工智能发展的时空演变特征及其影响因素，主要结论和政策启示如下：

1）时间上，人工智能发展分为起步期（2000—2008年）、成长期（2009—2014年）和高速发展期（2015—2019年）。空间上，城市人工智能呈现明显的层级效应、马太效应和后发赶超特征。东部沿海城市凭借优势要素享有先发优势，地区发展差异正逐步扩大。中西部城市积极布局智能基础设施建设，具有弯道超车的优势。

2）城市人工智能发展的空间分布沿“东北−西南”方向产生极化现象，沿“西北−东南”方向产生扩散现象。在时空演化上看，椭圆的覆盖面积逐渐缩小，集聚程度进一步增强。从迁移轨迹上看，分布重心在安徽省内，且有持续向东南迁移的趋势。城市人工智能发展存在稳定且较强的正向空间相关关系，局部空间集聚形态以H-H型和L-L型集聚区为主，长三角、珠三角、京津冀等城市群分布在热点区，中西部和东北部地区的城市多位于冷点区和异质性区。

3）影响因素中，市场化水平、人口密度、人力资本、外商投资、金融发展水平、产业升级和基础设施建设水平有利于人工智能发展，而政府干预程度与人工智能发展存在显著的倒U型曲线关系，市场化水平、政府干预、人口集聚、人力资本、外商投资和金融发展水平具有显著的空间溢出效应。

基于上述研究结论，本文提出以下政策建议：①加快关键技术研发，深度融合实体经济。加快机器学习、核心算法等智能关键技术的跨界、融合和创新，提升终端产业智能化水平。②完善政策体系，营造良好市场环境。各地方政府在制定财政政策时应明确自身定位，充分发挥市场资源配置基础性作用，政府也应合理的发挥引导和推动作用。③充分调动积极的影响因素，实现智能技术跃升。制定人才培育和引进政策，推动人工智能人才队伍建设。探索通过天使投资、知识产权证券化等方式推动人工智能成果资本化，为技术转移转化提供更多的金融产品服务支持。有效利用外资、引进人才和管理经验促进人工智能发展，同时树立智能专利保护意识和完善相关领域的知识产权制度。加快5G网络、大数据中心等新基建项目建设进度，推进产业数字化转型和集聚化发展。

参考文献

张月友, 董启昌, 方瑾, 等.

人口素质红利时代的中国服务业增长

[J]. 经济学家, 2020(3): 56-65.

[本文引用: 1]

Zhang Yueyou, Dong Qichang, Fang Jin et al.

Growth of China’s service industry in the era of demographic dividend

Economist, 2020(3): 56-65.

[本文引用: 1]

Turing A M, Haugeland J. Computing machinery and intelligence[M]. Cambridge, MA: MIT Press, 1950.

[本文引用: 1]

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.

DOI:10.3969/j.issn.1002-5502.2019.07.007      [本文引用: 1]

Guo Kaiming.

Development of artificial intelligence, transformation and upgrading of industrial structure and change of labor income share

Management World, 2019, 35(7): 60-77.

DOI:10.3969/j.issn.1002-5502.2019.07.007      [本文引用: 1]

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.

[本文引用: 1]

Sun Zao, Hou Yulin.

The impact of the development of artificial intelligence on industrial total factor productivity — An empirical study based on China’s manufacturing industry

Economist, 2021(1): 32-42.

[本文引用: 1]

张龙鹏, 张双志.

技术赋能: 人工智能与产业融合发展的技术创新效应

[J]. 财经科学, 2020(6): 74-88.

[本文引用: 1]

Zhang Longpeng, Zhang Shuangzhi.

Technology empowerment: Technological innovation effect of integrated development of artificial intelligence and industry

Financial Science, 2020(6): 74-88.

[本文引用: 1]

Raisch S, Krakowski S.

Artificial intelligence and management: The automation-augmentation paradox

[J]. Academy of Management Review, 2021, 46(1): 192-210.

DOI:10.5465/amr.2018.0072      [本文引用: 1]

Aghion P, Antonin C, Bunel S.

Artificial intelligence, growth and employment: The role of policy

[J]. Economie et Statistique, 2019, 510(1): 149-164.

[本文引用: 1]

Mellacher P, Scheuer T.

Wage inequality, labor market polarization and skill-biased technological change: An evolutionary (agent-based) approach

[J]. Computational Economics, 2021, 58(2): 233-278.

DOI:10.1007/s10614-020-10026-0      [本文引用: 1]

Li L.

China’s manufacturing locus in 2025: With a comparison of “Made-in-China 2025” and “Industry 4.0”

[J]. Technological Forecasting and Social Change, 2018, 135: 66-74.

DOI:10.1016/j.techfore.2017.05.028      [本文引用: 1]

曹可心, 邓羽.

城市共享汽车分布的时空演变及影响因素研究——以北京市主城区为例

[J]. 地理科学, 2021, 41(10): 1792-1801.

[本文引用: 1]

Cao Kexin, Deng Yu.

Study on temporal and spatial evolution and influencing factors of urban shared vehicles distribution: Taking the main urban area of Beijing as an example

Scientia Geographica Sinica, 2021, 41(10): 1792-1801.

[本文引用: 1]

王娜, 吴健生, 彭子凤.

深圳市零售业空间格局及影响因素

[J]. 经济地理, 2021, 283(9): 125-134.

[本文引用: 1]

Wang Na, Wu Jiansheng, Peng Zifeng.

Spatial pattern and influencing factors of retail industry in Shenzhen

Economic Geography, 2021, 283(9): 125-134.

[本文引用: 1]

滕堂伟, 谌丹华, 胡森林.

黄河流域空气污染的空间格局演化及影响因素

[J]. 地理科学, 2021, 41(10): 1852-1861.

[本文引用: 1]

Teng Tangwei, Chen Danhua, Hu Senlin.

Spatial pattern evolution and influencing factors of air pollution in the Yellow River Basin

Scientia Geographica Sinica, 2021, 41(10): 1852-1861.

[本文引用: 1]

国家统计局. 中国城市统计年鉴[M]. 北京: 中国统计出版社, 2001-2020.

[本文引用: 1]

National Bureau of Statistics. China urban statistical yearbook. Beijing: China Statistics Press, 2001-2020.

[本文引用: 1]

Borland J, Coelli M.

Are robots taking our jobs?

[J]. Australian Economic Review, 2017, 50(4): 377-397.

DOI:10.1111/1467-8462.12245      [本文引用: 1]

Liu J, Chang H, Forrest J Y L et al.

Influence of artificial intelligence on technological innovation: Evidence from the panel data of China’s manufacturing sectors

[J]. Technological Forecasting and Social Change, 2020, 158: 1-11.

[本文引用: 1]

孙早, 侯玉琳.

工业智能化如何重塑劳动力就业结构

[J]. 中国工业经济, 2019(5): 61-79.

[本文引用: 1]

Sun Zao, Hou Yulin.

How industrial intelligence reshapes labor employment structure

China Industrial Economy, 2019(5): 61-79.

[本文引用: 1]

Kim J, Choi J, Park S et al.

Patent keyword extraction for sustainable technology management

[J]. Sustainability, 2018, 10(4): 1-18.

[本文引用: 1]

Joung J, Kim K.

Monitoring emerging technologies for technology planning using technical keyword based analysis from patent data

[J]. Technological Forecasting and Social Change, 2017, 114: 281-292.

DOI:10.1016/j.techfore.2016.08.020      [本文引用: 1]

贺光烨, 吴晓刚.

市场化、经济发展与中国城市中的性别收入不平等

[J]. 社会学研究, 2015, 30(1): 140-165.

[本文引用: 1]

He Guangye, Wu Xiaogang.

Marketization, economic development and gender income inequality in Chinese cities

Sociological Research, 2015, 30(1): 140-165.

[本文引用: 1]

曾刚, 胡森林.

技术创新对黄河流域城市绿色发展的影响研究

[J]. 地理科学, 2021, 41(8): 1314-1323.

[本文引用: 1]

Zeng Gang, Hu Senlin.

Study on the impact of technological innovation on urban green development in the Yellow River Basin

Scientia Geographica Sinica, 2021, 41(8): 1314-1323.

[本文引用: 1]

刘建丽.

大变局下中国工业利用外资的态势、风险与“十四五”政策着力点

[J]. 改革, 2020(10): 50-62.

[本文引用: 1]

Liu Jianli.

The situation and risk of China’s industrial utilization of foreign capital under the great changes and the focus of the "14th five year plan" policy

Reform, 2020(10): 50-62.

[本文引用: 1]

Levinson A.

Environmental regulatory competition: A status report and some new evidence

[J]. National Tax Journal, 2003, 56(1): 91-106.

[本文引用: 1]

Zeng W, Li L, Huang Y.

Industrial collaborative agglomeration, marketization, and green innovation: Evidence from China’s provincial panel data

[J]. Journal of Cleaner Production, 2021, 279: 1-10.

[本文引用: 1]

Liu B, Zhou W, Chan K C et al.

Corporate executives with financial backgrounds: The crowding-out effect on innovation investment and outcomes

[J]. Journal of Business Research, 2020, 109: 161-173.

DOI:10.1016/j.jbusres.2019.11.055      [本文引用: 1]

Lyu L, Sun F, Huang R.

Innovation-based urbanization: Evidence from 270 cities at the prefecture level or above in China

[J]. Journal of Geographical Sciences, 2019, 29(8): 1283-1299.

DOI:10.1007/s11442-019-1659-1      [本文引用: 1]

钟雨齐, 王强, 崔璨, 等.

人力资本的空间迁移模式与影响因素分析——以南京市高校毕业生为例

[J]. 地理科学, 2021, 41(6): 960-970.

[本文引用: 1]

Zhong Yuqi, Wang Qiang, Cui Can et al.

Analysis on spatial migration mode and influencing factors of human capital: Taking College Graduates in Nanjing as an example

Scientia Geographica Sinica, 2021, 41(6): 960-970.

[本文引用: 1]

韩彩珍, 高婧怡, 金岳.

外资占比、政策冲击与企业创新: 中国的事实与解释

[J]. 产业经济研究, 2020(6): 55-67.

[本文引用: 1]

Han Caizhen, Gao Jingyi, Jin Yue.

Proportion of foreign capital, policy impact and enterprise innovation: Facts and explanations in China

Research on Industrial Economy, 2020(6): 55-67.

[本文引用: 1]

田秀娟, 李睿, 杨戈.

金融科技促进实体经济发展的影响——基于金融创新和科技创新双路径的实证分析

[J]. 广东社会科学, 2021(5): 5-15.

DOI:10.3969/j.issn.1000-114X.2021.05.001      [本文引用: 1]

Tian Xiujuan, Li Rui, Yang Ge.

The impact of financial technology on the development of real economy—An empirical analysis based on the dual path of financial innovation and scientific and technological innovation

Guangdong Social Sciences, 2021(5): 5-15.

DOI:10.3969/j.issn.1000-114X.2021.05.001      [本文引用: 1]

赵庆.

产业结构优化升级能否促进技术创新效率?

[J]. 科学学研究, 2018, 36(2): 239-248.

DOI:10.3969/j.issn.1003-2053.2018.02.006      [本文引用: 1]

Zhao Qing.

Can the optimization and upgrading of industrial structure promote the efficiency of technological innovation?

Scientific Research, 2018, 36(2): 239-248.

DOI:10.3969/j.issn.1003-2053.2018.02.006      [本文引用: 1]

盛磊, 杨白冰.

新型基础设施建设的投融资模式与路径探索

[J]. 改革, 2020(5): 49-57.

[本文引用: 1]

Sheng Lei, Yang Baibing.

Exploration on investment and financing mode and path of new infrastructure construction

Reform, 2020(5): 49-57.

[本文引用: 1]

/

〈 〉