1. 引言
当前是国家产业经济稳定增长、效率提升和结构调节的关键时期,区域融合和产业集聚成为经济发展的显著特征。在长江经济带,尽管交通渠道得到加强,但因资源优势、地理位置、经济发展基础和人文历史因素的差异,发展不均衡,急需优化。产业集聚对于降低成本、提升效率和预测发展趋势具有重要作用,对于长江经济带意味着空间结构优化和协同发展的促进。
随着新一代信息技术如互联网、大数据、人工智能的发展,智能经济成为第四次工业革命的标志,引领经济进入新阶段。智能产业,作为智能经济的主导,正变得生态化、系统化,推动信息技术与实体经济的融合,为经济高质量发展提供支撑。智能经济,以人工智能为核心,预计将深刻影响社会生活和经济发展。
长江经济带作为重大的区域发展战略,对提升中国经济质量发挥着重要作用。《长江经济带发展规划纲要》强调了创新驱动和产业转型升级的重要性,其中发展人工智能产业关键在于提升产业竞争力和优化产业结构。通过评价长江经济带人工智能产业的发展、分析其空间关联特征及非均衡程度,旨在提供产业发展的定量分析和策略建议,促进高质量发展。
2. 国内外研究现状
2.1. 产业集群
对于产业集群的含义,文献多是从其空间特征和产业特征两个角度来界定的。大多数理论对于产业集群有着一致或相似的理解,即大量产业联系密切的企业以及相关支撑结构在特定空间上的集聚[1]。迈克尔·波特教授则从集群的竞争优势角度把这种空间意义上静态的集群推进到功能意义上的动态的集群。一个产业集群内部企业不仅表现出基于产业关联性集群孕育要素共享的共生性,而且还要具备在合理分工基础上进行协作的互补性。正是由于这两个特征,集群产业在进行专业化分工的同时又充分发掘了制度、创新、市场等的合作网络,将产业集群根植在区域特征的同时又保持了应对各种外部环境变化的足够的柔韧性[2]。
2.2. 产业集群生态化及产业集群生态系统
“产业集群生态”概念[3]首由美国学者艾尔斯在1972年提出[4],经过数十年的发展,目前研究可分为两大类。第一类基于生物学视角,认为产业集群生态化类似于自然中的生态链,强调在追求经济利益的同时,应构建产业链以维持生态平衡,保护环境,并合理利用自然资源[5]。通过这种方式,模拟自然生态系统中的共生关系,减少环境破坏,促进集群的生态化发展。第二类从系统学角度出发,看待产业集群生态化作为一个整体系统,涉及工业、农业和自然的协同进化[6]。这一观点强调产业生态系统的稳定性和可持续性,提出产业集群应在外部政治经济驱动下,合理利用资源,实现生态发展[7]。产业集群生态化不仅涉及产业间的协调组装,而且要与区域环境相融合,探索内生资源,建立稳定良性循环的发展模式[8]。此外,强调产业集群的发展应考虑区域资源环境容量,实现经济、社会和生态三者间的整体协调与和谐[9]。
2.3. 人工智能产业发展
在2017年7月,国务院发布了《新一代人工智能发展规划》,明确提出将人工智能产业的发展提升至国家战略层面。至此,我国的新一代人工智能产业已经建立了较为全面的产业链结构,该结构涵盖基础硬件和算法的基础层(包括CPU,GPU以及深度学习算法等)、技术研发的技术层(如语音识别和计算机视觉等领域)以及在特定领域或场景中应用这些技术和产品的应用层。中国在新一代人工智能产业的发展方面具备明显的条件优势,已经形成了明显的竞争优势。2018年9月17日,国家发布的《关于加快推进人工智能高质量发展的实施办法》,将人工智能作为战略性自兴产业重点领域,对相关项目给予最髙一亿元的专项支持。人工智能技术成为经济高质量发展的助推器,为经济持续健康发展注入强劲动力,已成为我国经济新的增长点。2019年,中国人工智能相关的技术算法、数据处理能力日益发展成熟,机器学习、知识图谱、自然语言处理、人机交互、计算机视觉和生物特征识别等技术不断更新,中国人工智能产业也迎来了前所未有的大发展[10],智能汽车、智能机器人、智能无人机等产业相继出现。
2.4. 流空间——人工智能产业集群生态系统空间环境建构
信息社会区别于工业社会,其基于自动化、信息化和智能化的生产方式,依赖信息技术处理手段,具有交互性、全球性和虚拟性的空间交往特征。信息社会的形成使得人类的生存空间和经济活动模式发生了根本变化,其中流空间是信息技术和经济全球化催化的产物。
空间被视为事物存在和变化的维度,是社会与经济发展的基础。社会空间表现为人的实践活动痕迹和主体与客体环境的互动,而经济空间则是社会空间在经济维度的体现。这些空间不仅反映了人类社会的组织和经济活动的布局,而且随时间发展而演变,体现历史特征[11]。
社会空间的分析强调了社会系统通过沟通要素的递归运作和自我再生产,将外界复杂性的信息处理能力内化为系统的一部分。而经济空间的分析则关注人类经济活动如何与特定的地理环境和条件相结合,形成由节点、网络、域面等构成的立体交叉结构,其中基础设施如交通和信息网络对于节点的连接与互动至关重要。
信息化和数字化的发展不仅重塑了我们的生存空间,还重新定义了我们的实践方式。数据的重要性在于其能够通过流动和应用优化我们的生活环境,并在人与数据的交互过程中相互塑造。在这一过程中,数据、知识、算法和算力的结合对客体进行重塑和再生产。同时,新型的基础设施建设、大数据中心和云平台等技术进步促进了数据的分析传递和再生产,从而使我们能够在新的社会空间中更有效地进行经济活动。
这种信息社会和经济空间的变化指向了一个新的时代,其中数字化和智能化成为主导,构建了一个以信息流和数据循环为基础的新型经济和社会生态系统。这一系统不仅改变了人类的生活和工作方式,也为经济发展和社会组织提供了新的视角和方法。
3. 长江经济带人工智能产业集群生态化机制
3.1. 动力机制
产业集群形成的正外部经济效应[12],包括成本降低、信息共享和技术创新,既降低企业运营成本,又促进技术快速应用,推动产业高质量发展。因此,优化产业集群的正外部经济性对区域经济增长和产业升级极为重要。
要素空间集聚与扩散效应在市场经济中,企业追求利润最大化,选择生产地点,形成产业集群,推动经济发展。生产要素流动引起产业集聚或扩散,影响集群生态平衡[13]。生产要素集中在吸引力大的区域,通过基础设施共享和企业合作产生规模经济。技术成熟后,形成城市网络,破坏传统区域空间组织,形成新的经济空间分布。
创新网络由企业和机构组成,通过合作创新,利用产业集群的资源多样性促进创新,尤其对中小企业而言,提供联合创新方式。人工智能产业的集聚强调数据重要性,依托互联网和大数据技术挖掘需求,优化生产要素配置[14]。线上集聚特征通过技术实现资源信息实时在线化,提高产业链效率。创新网络促进资源信息流动,加速技术升级和产业集群发展,为产业发展开辟新路径。
3.2. 运行机制
要素流动通过企业、机构之间的互动及其要素的交换,推动了产业集群内的创新与知识积累,成为形成经济网络和发展要素结构的核心。高效合理的要素流动增强了要素结构的效益,促进了产业点集中和外部经济的作用,加深了企业间复杂的联系,形成多样化的业务运作和经济联系。产业集群从简单的聚集转向广泛的区域性聚集,得益于外部规模经济和范围经济的刺激,此过程中基础设施共享减轻了企业投资负担,促进了社会经济与文化环境的发展[15]。
要素流动的运行涉及人力、技术、资金和信息流,各有特点。人力流动频繁,促进了技术与知识的传播;技术流具有强传导性和快速创新特点;资金流向经济中心,促进集群成长;信息流的快速传输和共享性强化了产业集群的发展和创新。这些要素流在集群内的互动促进了创新。
在现代智能经济中,企业通过数字化信息系统的构建,使生产和经营活动社会化,实现生产的柔性化,快速响应消费者需求,满足小批量、多品种的生产方式。碎片化的需求促进了信息的广泛流动,转而更注重个性化需求满足。人工智能产业集群在技术获取、交换、资源汇集方面对合作和协议的新环境提出了新要求,降低了技术交换成本,促进了创新和创业活动。数字化和互联网技术的进步不仅增加了生产活动的灵活性和对消费者需求的精准响应,还通过资源共享和信息流通优化,促进了产业集群的生态化[16]。这种变化为技术创新和新企业成长创造了条件,推动产业生态的快速发展与升级。
3.3. 演化机制
在信息时代,知识成为核心资源,其多样性包括技术、专利和经验等,具有显性和隐性之分[17],其中显性知识易于转移,而隐性知识难以移动。知识生产依赖跨部门协作,具有公共产品特性,边际成本低,共享可创造更大价值。信息技术加速了显性知识流动,但隐性知识传播更复杂。产业集群集合了大量显性和隐性知识,促进成员间知识的吸收转化,彰显了集群在知识共享和创新中的重要作用。
互联网和物联网技术促进产业集群内知识的实时在线化,加快了企业和消费者间的互动,是新产品和业务模式创新的关键。产业集群通过相似的产业文化和沟通渠道加速技术扩散,提高技术吸收和扩散效率。人员流动及知识转移,尤其是隐性和显性知识的传递,对知识流动至关重要,降低了雇员搜索成本并促进了人才培养和吸引,加强了知识传播和创新。
企业间基于信任的合作是知识转移的直接方式,产业集群的生态化为此提供了理想环境,共同的行为规范和习惯降低了合作风险,促进了双方和集群的创新能力。通过协同效应,合作和技术联盟显著提升了集群的创新力[18]。
知识在产业集群内的演化分为起源、采用和保留三个阶段,从微观企业的创新探索到知识的集成、适配,再到稳定采用和制度化。这个过程中,集群通过内外部协调,调整和适应新行为,实现了内外部知识联系的综合协调,展示了产业集群如何通过互动和反馈调整,进而促进了企业、集群及其内部关系的宏观层面协调,推动内外部联系的全面和谐发展[19]。
4. 长江经济带人工智能产业集群生态化的现状评估
4.1. 长江经济带人工智能产业集群生态内部现状发展评估
4.1.1. 人工智能产业集群生态系统内部指标评价体系构建
在构建人工智能产业集群生态系统评价体系时,关键在于确保其科学性、全面性和实用性,以便反映和促进生态系统的健康发展。评价体系需基于科学方法和逻辑推理,确保指标与评价目标间有直接联系,定义清晰且可量化,以保证评价的准确性。全面性要求评价指标涵盖技术、经济、社会等多维度,并揭示因素间的相互作用。实用性强调指标体系应结合理论和实际操作性,选取易于理解、收集和分析的指标,服务于产业实践[20]。
由此设计内部指标体系见表1设计的指标体系包含经济效益、创新能力、生存环境、经济发展水平、学术生态、社会效益和链接效益七个一级指标,从不同角度评估人工智能产业集群的生态化水平。经济效益反映产业经济规模,创新能力显示技术创新和知识产权发展,生存环境展示基础设施完善程度,经济发展水平和学术生态分别指向产业发展质量与地区教育资源丰富性,社会效益和链接效益评价资本环境和产业合作程度。这些指标相互依赖,共同促进人工智能产业集群生态化的健康、持续发展,形成良性循环。对于长江经济带整体人工智能产业集群内部生态化水平的评估,见图1,反映出各个城市梯度水平层级是不一样的。
Table 1. Internal evaluation indicators of the artificial intelligence industry cluster ecosystem
表1. 人工智能产业集群生态系统内部评价指标
一级指标 |
二级指标 |
三级指标 |
经济效益 |
集群规模 |
人工智能企业数量 人工智能产业从业人员数量 人工智能产业收入 |
创新能力 |
人工智能专利数量 规模以上工业企业R&D人员全时当量 |
生存环境 |
基础设施 |
固定资产 |
经济发展水平(可持续发展) |
人均消费支出 |
生存环境 |
学术生态 |
高校数量 |
每十万人口高等学校平均在校生数 |
社会效益 |
资本环境 |
金融发展水平 |
人力资源 |
教育经费支出 |
链接效益 |
链接能力 |
规模以上工业企业R&D项目(课题)数 |
技术合同成交总额 |
Figure 1. Internal ecological level of the artificial intelligence industry cluster ecosystem in the Yangtze river economic belt from 2016 to 2021
图1. 2016~2021年长江经济带人工智能产业集群生态系统内部生态水平
4.1.2. 人工智能产业集群生态系统内部评价
Table 2. Economic connection indicators of artificial intelligence industry cluster
表2. 人工智能产业集群生态联系指标
一级指标 |
二级指标 |
数据来源 |
信息流 |
人均消费支出 |
《中国统计年鉴》 |
资本流 |
人工智能产业收入 |
《中国信息产业年鉴》《中国高技术产业统计年鉴》 |
固定资产 |
《中国固定资产投资统计年鉴》 |
人流 |
信息传输计算机服务和软件业人数 |
《中国信息产业年鉴》《中国高技术产业统计年鉴》 |
Table 3. Normalization of ecological connection indicators for artificial intelligence industry clusters
表3. 人工智能产业集群生态联系指标归一化处理
项 |
信息熵值e |
信息效用值d |
权重系数w |
MMS_居民人均消费支出(元) |
0.81 |
0.19 |
26.36% |
MMS_信息传输、软件和信息技术服务业从业人数(万人) |
0.7714 |
0.2286 |
31.71% |
MMS_人均固定资产投资(元/人) |
0.885 |
0.115 |
15.96% |
MMS_人工智能产业收入(万元) |
0.8127 |
0.1873 |
25.98% |
由表2找到内部生态化指标当中的核心指标作为生态联系的指标,见表3知:人工智能产业集群生态效益 = 人均消费支出*0.282 + 信息传输计算机服务和软件业人*0.308 + 固定资产*0.267 + 人工智能产业收入*0.297。
Table 4. Results of the TOPSIS evaluation calculation
表4. TOPSIS评价计算结果
TOPSIS评价计算结果 |
项 |
正理想解距离D |
负理想解距离D− |
相对接近度C |
排序结果 |
上海 |
0.167 |
0.435 |
0.723 |
1 |
江苏 |
0.185 |
0.386 |
0.675 |
2 |
浙江 |
0.215 |
0.299 |
0.582 |
3 |
安徽 |
0.437 |
0.09 |
0.17 |
7 |
江西 |
0.465 |
0.078 |
0.143 |
9 |
湖北 |
0.416 |
0.108 |
0.205 |
6 |
湖南 |
0.435 |
0.129 |
0.228 |
5 |
重庆 |
0.446 |
0.083 |
0.157 |
8 |
四川 |
0.365 |
0.17 |
0.319 |
4 |
贵州 |
0.503 |
0.037 |
0.068 |
10 |
云南 |
0.502 |
0.015 |
0.029 |
11 |
利用熵权法后加权生成的数据进行TOPSIS分析。
第一步:确定评价指标并确保评价指标同为正向趋势;
第二步:上表格中D+和D−分别表示评价对象与正负理想解的距离;
第三步:C表示评价对象与最优方案的接近程度,该值越大说明越接近最优方案。从上表4可知,利用熵权法后加权生成的数据进行TOPSIS分析,针对4个指标,进行TOPSIS评价,同时评价对象为11个;TOPSIS法首先找出评价指标的正负理想解值(A+和A−),接着计算出各评价对象分别与正负理想解的距离值D+和D−。根据D+和D−值,最终计算得出各评价对象与最优方案的接近程度(C值),并可进行排序。
在评价人工智能产业集群的内部生态化水平时,见表4,我们观察到不同地区之间的发展不平衡。江苏、浙江、上海(江浙沪)构成了第一梯度地区,其中上海以其显著的信息流、资金流、技术流和人流优势在长江经济带中的人工智能产业发展中独占鳌头。江苏和浙江虽稍落后于上海,但相比其他省份,它们的发展水平也是领先的。这些地区的优势在于它们的地理位置和资源条件,特别是位于长江三角洲这一中国快速发展区域的核心,资金、技术人才积累雄厚,相关科研机构与企业合作数量高,技术合同成交额与规模工业以上企业的课题数量都是在第一梯队的,并享有政府的重点支持和政策优势。江浙沪地区的信息技术和高新技术产业发展迅猛,科技资源丰富,人才池深厚,这为人工智能产业生态化发展提供了关键技术和强大的技术创新能力。
第二梯度包括安徽、四川、湖北、湖南,尽管它们在人工智能产业的发展上与第一梯度存在差距,但在产业成熟度和信息技术推动下,这些地区取得了显著进步。它们的发展得益于与快速发展城市的邻近位置和产业联动效应,同时也因人才众多、经济实力不俗和坚实的科技基础。为了进一步的发展,这些省份需要更好地利用周边城市的影响力,吸引更多资源和人才,促进人工智能产业的创新和进步。
第三梯度地区包括江西、云南、贵州和重庆。尽管这些地区在人工智能产业发展上有所进步,部分城市近年来发展速度可观,但相比于第一和第二梯度,仍存在显著差距。它们在产业投入、技术引进、资金支持以及产学研合作等方面不足,竞争力受限。此外,从地理和资源条件来看,这些省份的发展基础和技术创新能力较弱。因此,这些地区需要借鉴先进地区的经验,根据人工智能产业的特点,寻求战略机遇,发挥自身优势,提升人工智能产业发展生态化水平。
4.2. 人工智能产业集群生态外部空间发展
数据信息建构下的集群外部空间网络
税收政策作为国家宏观调控的重要工具,通过影响经济主体的行为选择促使资源流向优先领域,从而推动资源合理配置。特别是,对人工智能产业的税收优惠不仅吸引企业投资,增强产业规模,也促进技术创新和产业发展。例如,研发活动的税收减免使企业能将更多资金投入研发,提升产品技术含量和市场竞争力。此外,城市间的经济空间联系和人工智能产业发展显现出流空间的影响,即信息和交通网络的发展使得空间单元间的互动突破地理限制,促进了长距离的经济活动和资源流动。流动空间的概念说明了虽然地理空间依旧对短距离互动有影响,但在长距离互动中流空间起主导作用,改变了传统的中心地层级结构,促使网络层级结构的形成,以长江经济带为例,基于长江经济带上的所形成的都市圈,找到各都市圈人工智能产业发展的核心–边缘结构,见表5。这种变化不仅体现在信息社会的空间交互特性上,也深刻影响了人工智能产业集群的地理分布和区域经济发展策略。通过对城市间人工智能企业数量的分析,可明确城市引力矩阵中的修正系数K,进而优化产业布局和促进产业集群生态的发展。式中,Fij为i城市对j城市的空间联系强度;Mi为i城市的所获人工智能产业税收补贴总额;Mj为j城市的所获人工智能产业税收补贴总额;dij为i城市与j城市的最短距离。Vi与Vj表示i城市的所含与人工智能产业有关的企业数与j城市所含与人工智能产业有关的企业数。在表6~14中通过(1)~(3)式对于建立各个都市圈内部的人工智能产业集群空间经济联系矩阵,来探究长江经济带整体各都市圈层级区域的空间分布情况,进而明晰集群生态空间环境的优劣。
(1)
(2)
(3)
Table 5. Analysis of the core-periphery structure of urban agglomerations in the Yangtze river economic belt
表5. 长江经济带各都市圈核心–边缘结构分析
城市 |
核心度 |
常州市 |
0.002 |
南通市 |
0.003 |
宁波市 |
0.223 |
上海市 |
0.941 |
苏州市 |
0.253 |
无锡市 |
0.039 |
舟山市 |
0.001 |
杭州市 |
0.999 |
湖州市 |
0.013 |
黄山市 |
0.001 |
嘉兴市 |
0.030 |
绍兴市 |
0.041 |
宣城市 |
0.001 |
滁州市 |
0.031 |
淮安市 |
0.030 |
马鞍山市 |
0.185 |
南京市 |
0.961 |
芜湖市 |
0.189 |
扬州市 |
0.074 |
镇江市 |
0.019 |
蚌埠市 |
0.001 |
合肥市 |
1.000 |
淮南市 |
0.002 |
六安市 |
0.006 |
马鞍山市 |
0.001 |
鄂州市 |
0.001 |
黄石市 |
0.001 |
武汉市 |
1.000 |
咸宁市 |
0.001 |
孝感市 |
0.001 |
宜昌市 |
0.001 |
湘潭市 |
0.303 |
长沙市 |
0.892 |
株洲市 |
0.337 |
抚州市 |
0.985 |
九江市 |
0.001 |
南昌市 |
0.170 |
上饶市 |
0.001 |
宜春市 |
0.003 |
成都市 |
0.993 |
达州市 |
0.001 |
德阳市 |
0.014 |
广安市 |
0.003 |
乐山市 |
0.005 |
泸州市 |
0.002 |
眉山市 |
0.006 |
绵阳市 |
0.094 |
南充市 |
0.001 |
遂宁市 |
0.004 |
雅安市 |
0.001 |
宜宾市 |
0.019 |
重庆市 |
0.073 |
资阳市 |
0.002 |
自贡市 |
0.003 |
贵阳市 |
0.998 |
黔西南布依族苗族自治州 |
0.006 |
遵义市 |
0.044 |
昆明市 |
0.053 |
铜仁市 |
0.001 |
Table 6. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Shanghai metropolitan area
表6. 上海都市圈人工智能产业集群空间经济联系矩阵
|
常州市 |
南通市 |
宁波市 |
上海市 |
苏州市 |
无锡市 |
舟山市 |
常州市 |
|
85 |
1009 |
4287 |
4873 |
4201 |
1 |
南通市 |
319 |
|
1031 |
6221 |
3405 |
1055 |
2 |
宁波市 |
946 |
258 |
|
107,640 |
23,708 |
3101 |
435 |
上海市 |
545 |
211 |
14,595 |
|
45,469 |
2914 |
8 |
苏州市 |
1232 |
230 |
6393 |
90,427 |
|
13,076 |
3 |
无锡市 |
2424 |
162 |
1908 |
13,227 |
29,839 |
|
1 |
舟山市 |
17 |
12 |
10,442 |
1385 |
261 |
44 |
|
Table 7. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Hangzhou metropolitan area
表7. 杭州都市圈人工智能产业集群空间经济联系矩阵
|
杭州市 |
湖州市 |
黄山市 |
嘉兴市 |
绍兴市 |
宣城市 |
杭州市 |
|
11,579 |
0.2 |
21,713 |
32,868 |
74 |
湖州市 |
312,640 |
|
0.1 |
12,538 |
2794 |
58 |
黄山市 |
121 |
2 |
|
5 |
4 |
1 |
嘉兴市 |
716,536 |
15,324 |
0.3 |
|
15,316 |
102 |
绍兴市 |
976,165 |
3073 |
0.2 |
13,784 |
|
50 |
宣城市 |
10,940 |
319 |
0.2 |
461 |
250 |
|
Table 8. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Nanjing metropolitan area
表8. 南京都市圈人工智能产业集群空间经济联系矩阵
|
滁州市 |
淮安市 |
马鞍山市 |
南京市 |
芜湖市 |
扬州市 |
镇江市 |
滁州市 |
|
0.8 |
49 |
2697 |
77 |
34 |
6 |
淮安市 |
0.3 |
|
1 |
76 |
2 |
5 |
1 |
马鞍山市 |
29.2 |
1.8 |
|
15,914 |
1936 |
120 |
27 |
南京市 |
23.8 |
2.2 |
234 |
|
240 |
536 |
113 |
芜湖市 |
46.4 |
4.7 |
1936 |
16,312 |
|
255 |
57 |
扬州市 |
3.4 |
1.7 |
20 |
6245 |
42 |
|
402 |
镇江市 |
0.6 |
0.3 |
5 |
1377 |
10 |
431 |
|
Table 9. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Hefei metropolitan area
表9. 合肥都市圈人工智能产业集群空间经济联系矩阵
|
蚌埠市 |
合肥市 |
淮南市 |
六安市 |
马鞍山市 |
蚌埠市 |
|
11,289 |
515 |
126 |
36 |
合肥市 |
275 |
|
400 |
2058 |
357 |
淮南市 |
772 |
24,605 |
|
361 |
53 |
六安市 |
126 |
84,381 |
240 |
|
89 |
马鞍山市 |
27 |
10,981 |
26 |
67 |
|
Table 10. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Wuhan metropolitan area
表10. 武汉都市圈人工智能产业集群空间经济联系矩阵
|
鄂州市 |
黄石市 |
武汉市 |
咸宁市 |
孝感市 |
宜昌市 |
鄂州市 |
|
0.165 |
690 |
0.14 |
0.039 |
0.03 |
黄石市 |
0.099 |
|
68 |
0.02 |
0.004 |
0.01 |
武汉市 |
4.694 |
0.929 |
|
12.51 |
14.339 |
9.22 |
咸宁市 |
0.035 |
0.011 |
460 |
|
0.023 |
0.04 |
孝感市 |
0.011 |
0.002 |
602 |
0.03 |
|
0.03 |
宜昌市 |
0.003 |
0.001 |
129 |
0.02 |
0.011 |
|
Table 11. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Changsha-Zhuzhou-Xiangtan metropolitan area
表11. 长株潭都市圈人工智能产业集群空间经济联系矩阵
|
湘潭市 |
长沙市 |
株洲市 |
湘潭市 |
|
54,769 |
3941 |
长沙市 |
5025 |
|
8883 |
株洲市 |
2463 |
60,519 |
|
Table 12. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Nanchang metropolitan area
表12. 南昌都市圈人工智能产业集群空间经济联系矩阵
|
抚州市 |
九江市 |
南昌市 |
上饶市 |
宜春市 |
抚州市 |
|
12.579 |
6957.0 |
0.1326 |
125.132 |
九江市 |
50.3 |
|
20.8 |
0.0006 |
0.357 |
南昌市 |
3092.0 |
2.310 |
|
0.0056 |
13.583 |
上饶市 |
0.3 |
0.001 |
0.1 |
|
0.001 |
宜春市 |
71.5 |
0.051 |
17.5 |
0.0002 |
|
Table 13. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Chengdu-Chongqing metropolitan area
表13. 成渝都市圈人工智能产业集群空间经济联系矩阵
(a) |
|
成都市 |
达州市 |
德阳市 |
广安市 |
乐山市 |
泸州市 |
眉山市 |
成都市 |
|
0.263 |
78.3 |
2.0 |
9.51 |
1.63 |
10.01 |
达州市 |
34 |
|
0.1 |
0.5 |
0.03 |
0.02 |
0.02 |
德阳市 |
3302 |
0.024 |
|
0.2 |
0.29 |
0.06 |
0.23 |
广安市 |
518 |
1.003 |
1.2 |
|
0.69 |
0.47 |
0.40 |
乐山市 |
981 |
0.027 |
0.7 |
0.3 |
|
0.24 |
3.26 |
泸州市 |
76 |
0.007 |
0.1 |
0.1 |
0.11 |
|
0.04 |
眉山市 |
1722 |
0.024 |
0.9 |
0.3 |
5.43 |
0.13 |
|
绵阳市 |
22,099 |
0.299 |
67.9 |
2.1 |
1.91 |
0.65 |
1.18 |
南充市 |
322 |
0.174 |
0.7 |
4.5 |
0.23 |
0.13 |
0.13 |
遂宁市 |
1037 |
0.181 |
2.1 |
3.9 |
0.77 |
0.38 |
0.48 |
雅安市 |
368 |
0.014 |
0.4 |
0.1 |
1.72 |
0.07 |
0.95 |
宜宾市 |
4704 |
0.251 |
3.6 |
2.5 |
11.44 |
13.16 |
2.70 |
重庆市 |
10,624 |
0.210 |
1.2 |
3.7 |
0.65 |
1.83 |
0.24 |
资阳市 |
347 |
0.008 |
0.3 |
0.1 |
0.31 |
0.05 |
0.25 |
自贡市 |
798 |
0.050 |
0.8 |
0.6 |
2.44 |
1.51 |
0.77 |
(b) |
|
绵阳市 |
南充市 |
遂宁市 |
雅安市 |
宜宾市 |
重庆市 |
资阳市 |
自贡市 |
成都市 |
1370 |
3.1 |
8.0 |
2.79 |
109 |
7412 |
2.69 |
9.3 |
达州市 |
2 |
0.2 |
0.2 |
0.01 |
1 |
19 |
0.01 |
0.1 |
德阳市 |
181 |
0.3 |
0.7 |
0.10 |
4 |
37 |
0.10 |
0.4 |
广安市 |
33 |
11.3 |
7.8 |
0.21 |
15 |
662 |
0.22 |
1.8 |
乐山市 |
12 |
0.2 |
0.6 |
1.03 |
27 |
47 |
0.25 |
2.9 |
泸州市 |
2 |
0.1 |
0.1 |
0.02 |
14 |
60 |
0.02 |
0.8 |
眉山市 |
13 |
0.2 |
0.6 |
0.95 |
11 |
28 |
0.34 |
1.5 |
绵阳市 |
|
3.7 |
6.9 |
0.60 |
34 |
779 |
0.56 |
3.0 |
南充市 |
24 |
|
6.1 |
0.06 |
5 |
125 |
0.09 |
0.6 |
遂宁市 |
56 |
7.7 |
|
0.20 |
14 |
243 |
0.45 |
2.1 |
雅安市 |
6 |
0.1 |
0.3 |
|
6 |
15 |
0.07 |
0.6 |
宜宾市 |
91 |
2.0 |
4.7 |
1.42 |
|
1220 |
1.00 |
62.0 |
重庆市 |
71 |
1.7 |
2.7 |
0.12 |
41 |
|
0.15 |
2.7 |
资阳市 |
4 |
0.1 |
0.4 |
0.05 |
3 |
14 |
|
0.7 |
自贡市 |
16 |
0.5 |
1.4 |
0.28 |
124 |
160 |
0.44 |
|
Table 14. Matrix of spatial economic connections of the artificial intelligence industry cluster in the Guiyang-Kunming metropolitan areas
表14. 贵阳、昆明都市圈人工智能产业集群空间经济联系矩阵
|
贵阳市 |
黔西南布依族苗族自治州 |
遵义市 |
昆明市 |
铜仁市 |
贵阳市 |
|
0.732 |
4.29 |
49.9 |
1.4 |
黔西南布依族苗族自治州 |
13.5 |
|
0.30 |
20.8 |
0.1 |
遵义市 |
79.3 |
0.300 |
|
5.9 |
0.5 |
昆明市 |
49.9 |
1.126 |
0.32 |
|
0.3 |
铜仁市 |
2.2 |
0.004 |
0.04 |
0.4 |
|
5. 长江经济带人工智能产业集群生态化的研究分析
5.1. 人工智能产业集群生态化流空间网络特征
长江经济带人工智能产业集群生态发展呈现显著的空间差异,以东部沿海的长三角地区为核心,其生态化发展远超西部内陆地区。长三角地区,尤其是江苏、浙江和上海,因其优越的科技资源配置、产业基础设施和信息技术水平,以及人才引进和科技发展质量,成为人工智能产业发展的领头羊。这一区域不仅推动了长江经济带,也引领了国家战略性新兴产业的进步。然而,相较长三角,西延的安徽、湖南、湖北、重庆、四川等地虽具科研和资源优势,但产业发展水平和长三角存在显著差距。江西、云南和贵州等省市因经济发展水平较低、创新机制不健全及地理位置限制,人工智能产业生态化水平相对落后。
人工智能产业的空间扩散与集聚效应主要集中在长三角核心区域的江苏、浙江和上海,这些地区的人工智能产业起步早,基础设施持续优化,产业应用效益提高,支撑性高技术产业快速发展。区域强大的经济实力保持了其人工智能产业集群生态的领先地位,并对周边地区形成辐射带动作用,产生“近朱者赤”的集聚效应,推动了整个长江经济带人工智能产业生态化的发展。
5.2. 流空间状态下的人工智能产业集群生态化效益分析
5.2.1. 空间计量模型构建
1) 变量选取
长江经济带上各省市之间人工智能产业集群生态效益为因变量,长江经济带的各省市人工智能专利数、教育支出、金融发展水平为核心解释变量,以长江经济带的传统、现代、信息、创新的基建指数为控制变量,来从省域的角度,综合虚拟和实际的生态发展空间考察人工智能产业集群生态化发展。
2) 空间权重矩阵选取
空间权重矩阵的设定依托于地理学第一定律,即地理位置上临近的区域的属性和特征在空间上存在关联性,故在进行空间效应研究时,有必要将研究对象间的空间关系作为模型的重要假设,进而探析其在空间分布上的关联性。在实证操作上即要把空间权重矩阵加入到传统的计量模型中。过往学者的研究中常用的空间权重矩阵包括邻接关系矩阵、地理距离矩阵以及经济距离矩阵等。本文首要采用的是0~1空间邻接权重矩阵,即以两个测量单位之间是否存在公共边或者公共点为标准,将其关系区分为邻接与否。
3) 空间计量模型构建
(4)
(5)
5.2.2. 实证分析
1) 空间自相关性检验
现有研究表明,我国长江流域的人工智能产业集群生态联系水平在不同程度上呈现出交互外溢的空间效应,但未考虑其他独立变量。新兴的人工智能产业可以利用“虹吸效应”吸引大量的创新因素,如人才,技术,资本等,这有助于提升本地区的人工智能产业集群生态水平,当然也可能提高了相邻区域的人工智能产业经济联系水平,本地区的人工智能产业发展也有可能受到技术转移和产业输出等溢出效率的影响。为此,对不同区域的人工智能产业集群生态效益水平进行了空间集聚效应的Moran’s I检验,其结果见下表15。
Table 15. Moran’s I index of the ecological benefit levels of artificial intelligence industry clusters by year
表15. 各年度人工智能产业集群生态效益水平的Moran’s I指数
年份 |
Moran’s I |
Sd(I) |
Z |
P |
2015 |
0.455 |
0.158 |
3.497 |
0.000 |
2016 |
0.442 |
0.154 |
3.521 |
0.000 |
2017 |
0.424 |
0.152 |
3.439 |
0.000 |
2018 |
0.405 |
0.149 |
3.369 |
0.000 |
2019 |
0.419 |
0.153 |
3.387 |
0.000 |
2020 |
0.421 |
0.158 |
3.294 |
0.001 |
2021 |
0.472 |
0.164 |
3.492 |
0.000 |
从表15中可以看出,区域人工智能产业集群生态效益水平的Moran’s I均在1%的水平下显著为正,表明长江流域的人工智能产业集群生态联系存在显著的正向空间积聚效应,即人工智能产业发展会受到相邻城市的影响,从数值上看,空间积聚状态相对稳定,在稳步增强。
2) 空间溢出效应分析
在验证完具有空间相关性基础上,为选择适合的空间计量模型,本文进行如下的一系列检验。
Table 16. Estimation results of the spatial panel model
表16. 空间面板模型估计结果
检验选择 |
原假设 |
检验统计量 |
P值 |
LM-err |
|
33.379 |
0.000 |
LM-lag |
|
13.802 |
0.000 |
Wald检验 |
H0:SDM可以简化成SLM |
45.83 |
0.000 |
LR检验 |
H0:SDM可以简化成SEM |
44.58 |
0.000 |
从上表16就可以看出,在进行事前的LM-err、LM-lag与稳健LM-err均通过了显著性检验,这与前文的空间相关性检验结果是一致的,即人工智能产业集群生态效益发展存在空间相关性。同时事后的Wald检验和LR检验均在1%水平下通过了显著性,表明检验结果拒绝原假设,空间杜宾模型(SDM)比空间滞后模型(SAR)和空间误差模型(SEM)更为适合。依据上面的检验结果,本文采用面板空间杜宾模型(SDM)来进行空间溢出分析,模型设定如下:
(6)
(7)
为控制变量,
为空间项系数,
为空间权重矩阵,
为空间自相关误差项,
为空间自相关系数。采用空间邻接矩阵对模型(1)、(2)进行计量,结果见表17。
Table 17. Results of spatial econometrics
表17. 空间计量结果
变量 |
(1) 空间邻接矩阵 |
人工智能专利数 |
0.084** (2.55) |
金融发展水平 |
0.594** (1.98) |
教育支出 |
1.138*** (2.61) |
信息基建 |
0.561*** (3.32) |
传统基建 |
1.108 (1.06) |
现代基建 |
1.024*** (2.97) |
创新基建 |
0.886*** (3.06) |
ρ |
0.409*** (6.15) |
年份 |
YES |
地区 |
YES |
Log-Likelihood |
494.417 |
R2 |
0.699 |
注释:*显著性水平10% (P < 0.1);**显著性水平5% (P < 0.05);***显著性水平1% (P < 0.01)。
表17为采用空间邻接矩阵的回归结果,人工智能专利数、金融发展水平和教育支出前面估计系数分别为0.084、0.594和1.138,且均在5%水平下显著,即人工智能专利数的增多、金融发展水平的提高和教育支出的增加会显著提升人工智能产业集群生态效益。空间相关系数前面的估计系数为0.409,且在相应水平下显著,表明长江流域各省份人工智能产业生态效益水平的正向溢出效应,人工智能专利数、金融发展水平和教育支出均会通过空间溢出效应正向推动临近区域人工智能产业经济发展。可能的原因是由于专利信息的传播、资金流动以及人才培养等方面的影响,带动了本区域人工智能产业经济联系水平提升,同时周边区域会相互模仿,同时通过知识溢出效应来推动临近区域的人工智能产业的发展。
3) 空间杜宾效应分解分析
为进一步研究空间溢出效应的形成过程,本文对上述SDM模型进行相应的相邻矩阵的效应分解,得到具体的直接效应、间接效应和总效应,结果见表18。
Table 18. Decomposition results of SDM model effects
表18. SDM模型效应分解结果
变量 |
直接效应 |
间接效应 |
总效应 |
(1) |
(2) |
(3) |
人工智能专利数 |
0.096* (1.65) |
0.048* (1.78) |
0.144* (1.61) |
金融发展水平 |
0.015** (1.72) |
0.043*** (3.24) |
0.058** (2.21) |
教育支出 |
0.139* (1.91) |
0.327** (2.13) |
0.466*** (2.55) |
信息基建 |
0.046** (1.71) |
0.105(0.77) |
0.151 (0.41) |
传统基建 |
0.002 (0.03) |
0.259 (1.28) |
0.261 (1.21) |
现代基建 |
0.176** (2.11) |
0.019(0.14) |
0.195 (1.09) |
创新基建 |
0.111* (1.79) |
0.383** (2.19) |
0.494*** (4.88) |
注释:*显著性水平10% (P < 0.1);**显著性水平5% (P < 0.05);***显著性水平1% (P < 0.01)。
从表18第(3)列发现,总效用与前文计量结果是一致的,人工智能专利数第(1)列中直接效应的估计系数为0.096,且在相应水平下显著,同时第(2)列间接效应的估计系数为0.048,也在相应水平下显著。表明人工智能专利数的增多不仅直接带动了周边区域人工智能产业集群生态的发展,而且也会通过人才、技术和资本的优势带动周边区域人工智能产业进步,进而间接推动周边区域人工智能产业集群生态效益水平的发展。另外控制变量里面,创新基础建设水平也会显著带动周边省份人工智能产业经济发展,可能的原因是创新基建的提升有助于吸引人才、加快科技成果转化和产业化进程,以及吸引更多的资金投入,本区域的创新基础建设将成为区域人工智能产业发展的引擎,同时也将促进周边省份的人工智能产业蓬勃发展,从带动周边区域人工智能产业集群生态效益水平的发展。
6. 结语
人工智能产业集群的生态化的形成是当代技术革新和产业发展的重要趋势。一方面,人工智能产业的快速发展对于基础设施和地区技术环境的要求日益增加,推动了生态化产业集群内部空间的紧密集聚,形成了以技术创新和资源共享为特征的微观“生态节点”。另一方面,数据和信息技术的发展促进了去中心化的网络结构快速发展,改变了知识和技术溢出的传统机制,促使基于数字和网络的分散式生态布局成为常态,形成了覆盖更广泛区域的宏观“生态网络”[21]。
人工智能产业的生态化转型,通过技术依赖性和共生性加强了产业内部互动与合作,促进了公共资源共享,导致产业集聚向细分化和专业化演进。这种转型以城市服务、绿色环保技术和人工智能基础设施为核心,形成生态化集聚模式,突出生态技术融合,追求生产效率与可持续性,强调微观细节与宏观网络的和谐。生态化转型改造了生产要素和环境资源利用方式,匹配效应优化重组,促进了不同生产环节和区域空间的生态集聚形成,提升了资源利用效率和环保性。智能技术应用增强了生产要素选择的技术附加值和生态兼容性。人工智能的发展创新了知识技术的生态溢出路径,打破地理物理限制,促进了知识信息的自由流动。网络信息池和数据池为产业发展提供新的生态信息获取学习机会,平台和数字技术成为生态信息交换和技术创新主场,促使产业布局灵活生态化。技术进步和数据驱动重定义产业集聚本质结构,促进“小节点”形成,这些以技术为核心的微观集聚突出专业化,展现微观尺度集中。人工智能普及应用促进知识信息去中心化流动,形成覆盖广泛的“大网络”,这种网络化产业集聚依赖虚拟平台,促进行业部门间连接协作,实现产业生态化布局。