王信敏 孫金鳳

摘要：智能工業(yè)與能源可持續(xù)轉(zhuǎn)型存在互動(dòng)效應(yīng)，二者協(xié)同轉(zhuǎn)型更有利于加快傳統(tǒng)工業(yè)轉(zhuǎn)型升級(jí)。在構(gòu)建智能工業(yè)轉(zhuǎn)型指數(shù)（IITI）和區(qū)域能源可持續(xù)轉(zhuǎn)型指數(shù)（RETI）的基礎(chǔ)上，基于因子分析和耦合協(xié)調(diào)方法對(duì)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型水平進(jìn)行測(cè)度，研究2007—2018年我國(guó)30個(gè)省份協(xié)同轉(zhuǎn)型的時(shí)空分異特征，并基于探索性空間數(shù)據(jù)分析方法分析了協(xié)同轉(zhuǎn)型的空間關(guān)聯(lián)格局演化特征。結(jié)果表明：2007—2018年我國(guó)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型水平雖呈現(xiàn)出不斷提升的趨勢(shì)，但整體水平不高，2018年初級(jí)協(xié)調(diào)及以上水平的省份僅占20%，處于失調(diào)狀態(tài)省份高達(dá)40%;協(xié)同轉(zhuǎn)型呈現(xiàn)了“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局，“虹吸效應(yīng)”使得欠發(fā)達(dá)地區(qū)形成同步滯后現(xiàn)象;“南強(qiáng)北弱”特征較為明顯，北方省份普遍低低聚集，協(xié)同轉(zhuǎn)型形勢(shì)嚴(yán)峻;未來(lái)應(yīng)充分重視智能工業(yè)和區(qū)域能源可持續(xù)轉(zhuǎn)型的高耦合關(guān)系，發(fā)揮發(fā)達(dá)地區(qū)的“輻射作用”，引導(dǎo)資本、人才、技術(shù)向轉(zhuǎn)型滯后地區(qū)流動(dòng)，避免出現(xiàn)“銹帶化”危機(jī)。

關(guān)鍵詞：智能工業(yè)轉(zhuǎn)型;區(qū)域能源可持續(xù)轉(zhuǎn)型;耦合協(xié)調(diào);探索性空間數(shù)據(jù)分析

中圖分類號(hào)：F427;X24

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-5595（2021）06-0011-10

一、引言

自《中國(guó)制造2025》發(fā)布以來(lái)，我國(guó)一直在快速推進(jìn)傳統(tǒng)工業(yè)的智能化轉(zhuǎn)型。近年來(lái)，隨著人工智能、工業(yè)互聯(lián)網(wǎng)等信息技術(shù)的蓬勃發(fā)展，智能工業(yè)轉(zhuǎn)型迎來(lái)了新的發(fā)展契機(jī)。同時(shí)《中國(guó)制造2025》也提出了可持續(xù)發(fā)展目標(biāo)，到2025年重點(diǎn)行業(yè)單位工業(yè)增加值能耗、物耗及污染物排放達(dá)到世界先進(jìn)水平，單位工業(yè)增加值二氧化碳排放量下降40%。智能化轉(zhuǎn)型與能源可持續(xù)轉(zhuǎn)型之間并不是獨(dú)立的過(guò)程，二者存在互動(dòng)效應(yīng)，智能工業(yè)轉(zhuǎn)型需要與能源可持續(xù)轉(zhuǎn)型實(shí)現(xiàn)協(xié)調(diào)同步。當(dāng)前，能源可持續(xù)轉(zhuǎn)型成為全球面臨的挑戰(zhàn)，世界經(jīng)濟(jì)論壇2019年發(fā)布的Fostering Effective Energy Transition報(bào)告顯示，能源體系向更可負(fù)擔(dān)和更可持續(xù)方向轉(zhuǎn)型的進(jìn)程已陷入停滯，能源可持續(xù)轉(zhuǎn)型問(wèn)題也是我國(guó)面臨的亟需解決的難題。同時(shí)信息技術(shù)的蓬勃發(fā)展為傳統(tǒng)工業(yè)向智能工業(yè)轉(zhuǎn)型帶來(lái)了新的發(fā)展機(jī)遇，因此實(shí)現(xiàn)智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型是當(dāng)前我國(guó)傳統(tǒng)工業(yè)轉(zhuǎn)型升級(jí)和經(jīng)濟(jì)環(huán)境協(xié)調(diào)發(fā)展的緊迫任務(wù)。

本文針對(duì)我國(guó)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型問(wèn)題進(jìn)行研究，探索二者協(xié)同轉(zhuǎn)型的時(shí)空演化特征。首先構(gòu)建智能工業(yè)轉(zhuǎn)型指數(shù)（IITI）和區(qū)域能源可持續(xù)轉(zhuǎn)型指數(shù)（RETI），進(jìn)而對(duì)我國(guó)30個(gè)省份2007—2018年IITI與RETI的耦合協(xié)調(diào)度進(jìn)行測(cè)度，在此基礎(chǔ)上研究智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型的時(shí)空分異特征和空間關(guān)聯(lián)格局，并提出協(xié)同轉(zhuǎn)型的政策建議。論文的主要貢獻(xiàn)包括：（1）智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型并不是孤立的過(guò)程，研究二者的協(xié)同轉(zhuǎn)型可以避免獨(dú)立研究的片面性，協(xié)同轉(zhuǎn)型的時(shí)空演化特征可以刻畫產(chǎn)業(yè)與環(huán)境發(fā)展的協(xié)調(diào)水平，能夠?yàn)閭鹘y(tǒng)工業(yè)轉(zhuǎn)型升級(jí)宏觀政策的制定提供依據(jù);（2）構(gòu)建了IITI和RETI，IITI可以用來(lái)測(cè)度智能工業(yè)轉(zhuǎn)型能力，而RETI則有別于國(guó)家維度的能源可持續(xù)轉(zhuǎn)型指數(shù)（ETI），可以用來(lái)測(cè)度面向地區(qū)維度的能源可持續(xù)轉(zhuǎn)型能力，IITI和RETI能夠拓展現(xiàn)有的智能工業(yè)與能源轉(zhuǎn)型理論體系。

二、文獻(xiàn)評(píng)述

智能工業(yè)的概念源于德國(guó)“工業(yè)4.0”計(jì)劃，以機(jī)械化、自動(dòng)化、信息化和網(wǎng)絡(luò)化為特征，旨在實(shí)現(xiàn)生產(chǎn)的自動(dòng)化向智能化轉(zhuǎn)變。[1]智能工業(yè)是將具有環(huán)境感知能力的各類終端、各類技術(shù)不斷融入工業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)，以大幅提高制造效率、改善產(chǎn)品質(zhì)量、降低產(chǎn)品成本和資源消耗，將傳統(tǒng)工業(yè)提升到智能化的新階段。[2]智能工業(yè)轉(zhuǎn)型是我國(guó)工業(yè)的發(fā)展戰(zhàn)略，因此是當(dāng)前的研究熱點(diǎn)，相關(guān)研究主要集中于兩個(gè)方面：一方面是智能化轉(zhuǎn)型對(duì)產(chǎn)業(yè)發(fā)展的影響，如智能化轉(zhuǎn)型促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)[3]、智能制造驅(qū)動(dòng)勞動(dòng)密集型產(chǎn)業(yè)轉(zhuǎn)型[4]等;另一方面是智能工業(yè)轉(zhuǎn)型路徑，如企業(yè)組織變革與智能化轉(zhuǎn)型的匹配方法[5]、技術(shù)與服務(wù)的雙元驅(qū)動(dòng)路徑[6]、技術(shù)創(chuàng)新與數(shù)據(jù)驅(qū)動(dòng)路徑[7]等。

能源轉(zhuǎn)型的相關(guān)研究較為豐富，主要集中于轉(zhuǎn)型路徑[8]、轉(zhuǎn)型影響[9]和轉(zhuǎn)型政策[10]方面。能源轉(zhuǎn)型并不是單純提高可再生能源的比重或清潔能源的成本競(jìng)爭(zhēng)力，它具有長(zhǎng)期性、復(fù)雜性和有序性的特點(diǎn)，能源稟賦、政策導(dǎo)向、技術(shù)創(chuàng)新等都是導(dǎo)致能源轉(zhuǎn)型不可持續(xù)的重要誘因[11]，因此能源轉(zhuǎn)型需要考慮可持續(xù)問(wèn)題。能源轉(zhuǎn)型聚焦于能源消費(fèi)結(jié)構(gòu)和效率，而能源可持續(xù)轉(zhuǎn)型還涉及社會(huì)規(guī)范、經(jīng)濟(jì)增長(zhǎng)、技術(shù)創(chuàng)新、制度政策等維度的內(nèi)容，可持續(xù)轉(zhuǎn)型更符合綠色經(jīng)濟(jì)的要求，因此越來(lái)越多的學(xué)者開始關(guān)注能源可持續(xù)轉(zhuǎn)型問(wèn)題[12-14]。

智能工業(yè)轉(zhuǎn)型與能源可持續(xù)轉(zhuǎn)型并不是相互獨(dú)立的過(guò)程，當(dāng)前的相關(guān)文獻(xiàn)分別從智能工業(yè)轉(zhuǎn)型或能源轉(zhuǎn)型的角度展開研究，并未考慮二者的互動(dòng)過(guò)程。然而，高歌[15]研究發(fā)現(xiàn)，智能工業(yè)轉(zhuǎn)型與能源轉(zhuǎn)型在技術(shù)水平、產(chǎn)業(yè)結(jié)構(gòu)和產(chǎn)品成本3個(gè)層面存在高度相關(guān)，說(shuō)明二者之間存在耦合關(guān)系;鑒成[16]從歷史演進(jìn)的角度研究發(fā)現(xiàn)，制造范式與能源轉(zhuǎn)型之間存在明顯的協(xié)同現(xiàn)象。在科技創(chuàng)新驅(qū)動(dòng)下，制造范式不斷向規(guī)模化、自動(dòng)化、柔性化轉(zhuǎn)變，帶來(lái)了能源利用的高效化、清潔化、低碳化，從而導(dǎo)致了能源需求的變革;能源轉(zhuǎn)型也是制造范式轉(zhuǎn)變的重要驅(qū)動(dòng)力，在生態(tài)環(huán)境形勢(shì)驅(qū)動(dòng)下，綠色低碳能源供應(yīng)體系大大推動(dòng)了新型制造范式的形成。隨著信息技術(shù)與能源、制造業(yè)的深度融合，智能化水平不斷提升，從而將進(jìn)一步加快能源與制造范式的協(xié)同轉(zhuǎn)型?？梢钥闯?，智能工業(yè)轉(zhuǎn)型與能源可持續(xù)轉(zhuǎn)型之間存在協(xié)同特征，協(xié)同轉(zhuǎn)型更有利于發(fā)揮二者的互動(dòng)作用。當(dāng)前相關(guān)研究?jī)H發(fā)現(xiàn)了二者之間的協(xié)同關(guān)系，并未研究二者協(xié)同轉(zhuǎn)型的時(shí)空演化與空間關(guān)聯(lián)，也并未考慮存在協(xié)同現(xiàn)象時(shí)的傳統(tǒng)工業(yè)轉(zhuǎn)型政策。本文將基于這些問(wèn)題展開研究。

三、研究方法與數(shù)據(jù)來(lái)源

（一）智能工業(yè)與區(qū)域能源可持續(xù)轉(zhuǎn)型的指標(biāo)選取

智能工業(yè)相關(guān)指標(biāo)主要用于發(fā)展水平的測(cè)度，單一指標(biāo)和綜合評(píng)價(jià)方法均較為常用，比如Michaels等[17]使用了“信息技術(shù)應(yīng)用”指標(biāo)，Acemoglu等[18]使用了“機(jī)器人使用”指標(biāo)，Autor等[19]使用了“全要素生產(chǎn)率”指標(biāo)，楊飛等[20]使用了“全球計(jì)算機(jī)制造業(yè)和信息服務(wù)業(yè)投入到中國(guó)每個(gè)行業(yè)的中間品占增加值的比重”指標(biāo)。綜合指標(biāo)的選取標(biāo)準(zhǔn)并不統(tǒng)一，張萬(wàn)里等[21]使用了8項(xiàng)指標(biāo)基于主成分分析法進(jìn)行測(cè)度，陳曉等[22]則采用了基礎(chǔ)建設(shè)、生產(chǎn)應(yīng)用、競(jìng)爭(zhēng)力和效益3個(gè)維度的10個(gè)指標(biāo)進(jìn)行測(cè)度。上述指標(biāo)并未針對(duì)智能工業(yè)轉(zhuǎn)型能力進(jìn)行設(shè)計(jì)，同時(shí)單一指標(biāo)也存在一定的片面性。本文構(gòu)建智能工業(yè)轉(zhuǎn)型指數(shù)（IITI），用于測(cè)度區(qū)域智能工業(yè)轉(zhuǎn)型能力水平。參考世界經(jīng)濟(jì)論壇將能源可持續(xù)轉(zhuǎn)型指數(shù)（ETI）劃分為轉(zhuǎn)型準(zhǔn)備和轉(zhuǎn)型績(jī)效兩個(gè)維度的做法[23]，本文將IITI一級(jí)指標(biāo)分為智能化轉(zhuǎn)型準(zhǔn)備和智能化轉(zhuǎn)型績(jī)效，智能工業(yè)轉(zhuǎn)型準(zhǔn)備表示轉(zhuǎn)型的基礎(chǔ)條件，而智能化轉(zhuǎn)型績(jī)效則表示智能化轉(zhuǎn)型能夠產(chǎn)生的效益。在智能工業(yè)轉(zhuǎn)型準(zhǔn)備維度，互聯(lián)網(wǎng)、硬件、軟件是智能化發(fā)展的基礎(chǔ)設(shè)施，而信息服務(wù)則是智能決策的支撐，因此借鑒張萬(wàn)里等[21]的做法，將數(shù)據(jù)處理、信息平臺(tái)運(yùn)營(yíng)和維護(hù)作為信息服務(wù)能力的指標(biāo);創(chuàng)新能力是智能工業(yè)的重要驅(qū)動(dòng)力[16]，因此也納入智能工業(yè)轉(zhuǎn)型準(zhǔn)備維度。在智能工業(yè)轉(zhuǎn)型績(jī)效維度，參考Guo等[24]的做法將產(chǎn)出績(jī)效分為經(jīng)濟(jì)表現(xiàn)、社會(huì)表現(xiàn)和技術(shù)表現(xiàn)，選擇工業(yè)人均GDP產(chǎn)出、工業(yè)能源效率和新產(chǎn)品銷售收入作為衡量指標(biāo)，工業(yè)能源效率代表智能工業(yè)對(duì)環(huán)境的影響，而新產(chǎn)品銷售收入代表智能工業(yè)的創(chuàng)新產(chǎn)出水平。IITI的指標(biāo)體系如表1所示。

能源可持續(xù)轉(zhuǎn)型指數(shù)（ETI）的指標(biāo)體系由世界經(jīng)濟(jì)論壇提出，是用來(lái)測(cè)度各個(gè)國(guó)家能源消費(fèi)向可持續(xù)、安全和可獲得性轉(zhuǎn)型能力的框架體系。[23]ETI包含能源轉(zhuǎn)型準(zhǔn)備、系統(tǒng)績(jī)效2個(gè)一級(jí)指標(biāo)、9個(gè)二級(jí)指標(biāo)和40項(xiàng)三級(jí)指標(biāo)。該指標(biāo)體系主要面向國(guó)家層面，部分三級(jí)指標(biāo)無(wú)法應(yīng)用于區(qū)域?qū)用娴哪茉纯沙掷m(xù)轉(zhuǎn)型，因此本文沿用其一級(jí)和二級(jí)指標(biāo)，僅對(duì)三級(jí)指標(biāo)進(jìn)行遴選，使之適用于區(qū)域?qū)用娴哪茉纯沙掷m(xù)轉(zhuǎn)型。在能源轉(zhuǎn)型準(zhǔn)備方面，能源系統(tǒng)結(jié)構(gòu)包含能源消費(fèi)結(jié)構(gòu)和強(qiáng)度兩個(gè)主要方面，用于表征自然資源使用維度中各地區(qū)能源現(xiàn)狀，因此選取可再生能源比重和人均一次能源消耗兩個(gè)指標(biāo);資本投入是能源轉(zhuǎn)型的關(guān)鍵因素，能源行業(yè)整體投入決定了能源生產(chǎn)和傳統(tǒng)能源行業(yè)轉(zhuǎn)型的難易程度，而可再生能源發(fā)電投入則是新能源發(fā)展的重要支撐，考慮指標(biāo)的可獲得性和適用性，能源效率投資和投資自由度等指標(biāo)不再涉及;基礎(chǔ)設(shè)施和創(chuàng)新商業(yè)環(huán)境主要取決于能源創(chuàng)新的關(guān)鍵因素，包括人才、投入等，參考Guo等[24]的方法，采用R&D投入強(qiáng)度、綠色專利數(shù)量、能源行業(yè)R&D人員指標(biāo)。在能源轉(zhuǎn)型績(jī)效方面，能源安全性主要是指能源的安全保障水平，參考ETI、Iddrisu等[25]的選取方法，采用一次能源需求的多樣性和能源對(duì)外依賴度指標(biāo)，刪除了電力普及率、清潔能源可及性、供應(yīng)可靠性等不適用于區(qū)域維度的指標(biāo)。其他三級(jí)指標(biāo)均沿用ETI指標(biāo)的選取方法，其中不適用于區(qū)域維度的指標(biāo)不再考慮，僅保留了具有適用性和代表性的指標(biāo)。區(qū)域?qū)用娴哪茉纯沙掷m(xù)轉(zhuǎn)型指數(shù)（RETI）的指標(biāo)體系如表2所示。

其中，“可再生能源比重”用“可再生能源產(chǎn)量/能源總消費(fèi)量”來(lái)表示;“能源行業(yè)資本投入”用“能源工業(yè)固定資產(chǎn)投入/全社會(huì)固定資產(chǎn)投資”來(lái)表示;“可再生能源發(fā)電投入”用“新增可再生能源發(fā)電裝機(jī)容量”指標(biāo)來(lái)表示;“環(huán)境執(zhí)法力度”用“環(huán)保處罰額/工業(yè)總產(chǎn)出”來(lái)表示;“R&D投入強(qiáng)度”用“R&D投入/區(qū)域GDP”來(lái)表示;“能源行業(yè)R&D人員”用“能源行業(yè)R&D人員/能源行業(yè)從業(yè)人員”來(lái)表示;“受教育程度”用“高中及以上占總?cè)丝诘谋戎亍眮?lái)表示;“一次能源需求的多樣性”采用Herfindahl-Hirschman指數(shù)進(jìn)行計(jì)算，即各類一次性能源占各地區(qū)相應(yīng)類別能源消費(fèi)總量的比重的平方和;“能源依賴度”用“能源凈調(diào)入量/能源消費(fèi)總量”來(lái)表示;“排放強(qiáng)度”用“碳排放量/能源消費(fèi)量”來(lái)表示;“能源效率”用“能源消費(fèi)量/區(qū)域GDP”來(lái)表示;“空氣質(zhì)量”用“PM2.5濃度”來(lái)表示。

2.智能工業(yè)與區(qū)域能源可持續(xù)轉(zhuǎn)型測(cè)度

由于指標(biāo)間可能存在相關(guān)性，IITI和RETI均采用因子分析法進(jìn)行測(cè)度，該方法可以避免由指標(biāo)間的多重共線性所帶來(lái)的評(píng)價(jià)偏差。首選需要采用KMO和Bartlett球形檢驗(yàn)方法進(jìn)行因子分析的適用性檢驗(yàn)，因子數(shù)量根據(jù)累計(jì)貢獻(xiàn)度達(dá)到80%以上的原則進(jìn)行確定，公共因子的權(quán)重根據(jù)方差貢獻(xiàn)率確定，各因子得分與權(quán)重的乘積之和即為評(píng)價(jià)值。為了避免評(píng)價(jià)值為負(fù)而無(wú)法進(jìn)行后續(xù)的耦合協(xié)調(diào)度計(jì)算，采用式（1）和式（2）對(duì)IITI和RETI的綜合評(píng)價(jià)值進(jìn)行歸一化處理。

3.耦合協(xié)調(diào)度與類型劃分

耦合協(xié)調(diào)度是物理學(xué)中的概念，耦合指的是兩個(gè)或兩個(gè)以上的系統(tǒng)通過(guò)相互作用對(duì)彼此產(chǎn)生影響的現(xiàn)象，耦合度表示系統(tǒng)間相互作用的強(qiáng)弱程度，協(xié)調(diào)度則是指相互作用中良性耦合程度的大小，表示協(xié)調(diào)狀況的好壞。耦合協(xié)調(diào)度能夠?qū)ο到y(tǒng)間作用關(guān)系進(jìn)行度量，因此在經(jīng)濟(jì)系統(tǒng)、生態(tài)系統(tǒng)等領(lǐng)域也有廣泛的應(yīng)用。由于智能工業(yè)與區(qū)域能源可持續(xù)轉(zhuǎn)型之間存在互動(dòng)關(guān)系，因此可以采用耦合協(xié)調(diào)度對(duì)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型水平進(jìn)行量化。耦合度用來(lái)分析智能工業(yè)轉(zhuǎn)型與區(qū)域能源可持續(xù)轉(zhuǎn)型之間的相互作用、相互影響的程度，耦合度C的計(jì)算公式為

式中：Ui為某個(gè)系統(tǒng)或要素的值，表示區(qū)域能源可持續(xù)轉(zhuǎn)型指數(shù)和智能工業(yè)轉(zhuǎn)型指數(shù);C為二者的耦合度，C值越大說(shuō)明智能工業(yè)與區(qū)域能源持續(xù)轉(zhuǎn)型之間的互動(dòng)關(guān)系越強(qiáng)。

耦合度只能反映智能工業(yè)與能源可持續(xù)轉(zhuǎn)型的相互影響程度，并不能反映這種影響是相互促進(jìn)還是相互制約，因此需要使用協(xié)調(diào)度模型來(lái)研究二者之間的協(xié)同關(guān)系，計(jì)算公式為

式中：T為系統(tǒng)或要素間的協(xié)調(diào)指數(shù);D為耦合協(xié)調(diào)度，用來(lái)表示智能工業(yè)與能源可持續(xù)轉(zhuǎn)型的協(xié)同效應(yīng)大小，D值越大表示越協(xié)調(diào)，說(shuō)明智能工業(yè)與能源可持續(xù)轉(zhuǎn)型相互促進(jìn)，反之D值越小表示二者相互制約，處于失調(diào)狀態(tài);αi為各子系統(tǒng)的權(quán)重系數(shù)，αi越大表示重要程度越高。為了進(jìn)一步區(qū)分協(xié)同狀態(tài)中智能工業(yè)轉(zhuǎn)型與能源可持續(xù)轉(zhuǎn)型之間的相對(duì)強(qiáng)弱，可以對(duì)耦合協(xié)調(diào)類型進(jìn)行進(jìn)一步劃分，借鑒劉愿理等[26]的劃分方法，耦合協(xié)調(diào)度劃為8個(gè)等級(jí)，并根據(jù)兩個(gè)指數(shù)的差值將耦合協(xié)調(diào)類型劃分為3大類24小類，如表3所示。

（三）探索性空間數(shù)據(jù)分析

使用探索性空間數(shù)據(jù)分析方法對(duì)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型進(jìn)行空間關(guān)聯(lián)特征分析，獲得其空間分布類型。探索性空間數(shù)據(jù)分析方法包括全局莫蘭指數(shù)（Global Moran’s I）和局部莫蘭指數(shù)（Local Moran’s I），計(jì)算方法為

（四）樣本選擇及數(shù)據(jù)來(lái)源

考慮數(shù)據(jù)的可獲得性，本文針對(duì)我國(guó)30個(gè)省級(jí)行政區(qū)進(jìn)行研究，不包括西藏、香港、澳門和臺(tái)灣。數(shù)據(jù)收集范圍為2007—2018年，數(shù)據(jù)來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒》《中國(guó)能源統(tǒng)計(jì)年鑒》《中國(guó)環(huán)境年鑒》《中國(guó)科技統(tǒng)計(jì)年鑒》《中國(guó)固定資產(chǎn)投資統(tǒng)計(jì)年鑒》《中國(guó)電力年鑒》《中國(guó)信息年鑒》《中國(guó)軟件和信息服務(wù)業(yè)發(fā)展報(bào)告》等，涉及價(jià)格的數(shù)據(jù)均使用2007年不變價(jià)格進(jìn)行折算。

四、智能工業(yè)與區(qū)域能源可持續(xù)轉(zhuǎn)型的時(shí)空耦合協(xié)調(diào)分析

（一）IITI、RETI與耦合協(xié)調(diào)度動(dòng)態(tài)演化

IITI和RETI的因子分析中KMO檢驗(yàn)結(jié)果分別為0.801和0.721，Bartlett球形檢驗(yàn)的p值均為0.000，因此二者均適合使用因子分析方法。當(dāng)累計(jì)貢獻(xiàn)度超過(guò)80%時(shí)，IITI提取3個(gè)因子，根據(jù)方差貢獻(xiàn)率計(jì)算出的權(quán)重分別為0.668、0.209和0.122，RETI共提取7個(gè)因子，權(quán)重分別為0.403、0.188、0.132、0.100、0.070、0.058和0.049。使用式（3）、式（4）、式（5）對(duì)耦合度和耦合協(xié)調(diào)度進(jìn)行計(jì)算，其中子系統(tǒng)的權(quán)重αi參考相關(guān)研究的通常做法[23，26-27]，IITI和RETI的權(quán)重均設(shè)置為0.5。為了刻畫智能工業(yè)和區(qū)域能源可持續(xù)轉(zhuǎn)型的動(dòng)態(tài)演化過(guò)程，使用Epanechnikov核函數(shù)一維形式的核密度估計(jì)方法對(duì)IITI、RETI和耦合協(xié)調(diào)度的動(dòng)態(tài)演化情況進(jìn)行繪制，結(jié)果如圖1所示。

IITI的核密度分布曲線呈現(xiàn)右偏特征，2007—2018年間波峰逐漸降低且逐漸右移，可見隨著科技水平和信息技術(shù)蓬勃發(fā)展，我國(guó)各省份的智能工業(yè)轉(zhuǎn)型整體呈現(xiàn)了不斷提速的趨勢(shì)，同時(shí)各個(gè)地區(qū)之間的差距也在不斷擴(kuò)大。RETI在2007—2016年間波峰右移趨勢(shì)不明顯，2017—2018年明顯右移，說(shuō)明2007—2016年能源可持續(xù)轉(zhuǎn)型能力提升并不明顯，而2017—2018年呈現(xiàn)了快速提升趨勢(shì)，這主要是源于近年來(lái)我國(guó)污染排放、碳排放等環(huán)境規(guī)制力度明顯加強(qiáng)，同時(shí)可再生能源供給能力快速增長(zhǎng)。我國(guó)IITI和RETI雖呈現(xiàn)了增長(zhǎng)趨勢(shì)，但二者波峰的不斷降低說(shuō)明了區(qū)域之間的差異在不斷擴(kuò)大。2018年北京IITI值為1，而排名第二位的上海僅為0.461，低于0.3的省份高達(dá)27個(gè)，占比90%;2018年北京RETI的值僅為0.409，大于0.3的省份僅有5個(gè)，而小于0.1的省份高達(dá)7個(gè)。由此可見，我國(guó)IITI與RETI仍有巨大的增長(zhǎng)空間，整體較為落后的特征非常明顯。2007—2018年耦合協(xié)調(diào)度的核密度分布曲線波峰呈現(xiàn)不斷降低和右移趨勢(shì)，智能工業(yè)與區(qū)域能源可持續(xù)轉(zhuǎn)型的協(xié)同水平不斷提升，但整體水平并不理想，2017年我國(guó)耦合協(xié)調(diào)度均值為0.319，2018年僅為0.434，超過(guò)0.5的省份有7個(gè)，占比僅23.3%。

（二）協(xié)同轉(zhuǎn)型的時(shí)空分異特征

耦合度結(jié)果顯示，除內(nèi)蒙古和寧夏外，我國(guó)各省份智能工業(yè)與能源可持續(xù)轉(zhuǎn)型之間形成了高耦合特征，耦合度均高于0.9，因此智能工業(yè)與能源可持續(xù)轉(zhuǎn)型之間形成了較強(qiáng)的相關(guān)作用，這與高歌[15]和鑒成[16]的研究結(jié)論“智能制造與能源轉(zhuǎn)型具有互動(dòng)關(guān)系”是一致的。

根據(jù)耦合協(xié)調(diào)度結(jié)果繪制我國(guó)各省份智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型的空間分布特征圖，2007和2018年的結(jié)果分別如圖2、圖3所示。2007年我國(guó)30個(gè)省份中僅有北京實(shí)現(xiàn)了初級(jí)協(xié)調(diào)，上海和廣東屬于勉強(qiáng)協(xié)調(diào)，其他省份均處于失調(diào)狀態(tài)，北方各省的耦合協(xié)調(diào)水平明顯弱于南方地區(qū)，耦合協(xié)調(diào)水平較高的省份集中于東部沿海和長(zhǎng)江經(jīng)濟(jì)帶。隨著時(shí)間的推移，我國(guó)各省份耦合協(xié)調(diào)水平均實(shí)現(xiàn)了快速提升，2018年北京已達(dá)到了良好協(xié)調(diào)狀態(tài)，耦合協(xié)調(diào)度為0.799，即將達(dá)到優(yōu)質(zhì)協(xié)調(diào)狀態(tài)，上海則處于中級(jí)協(xié)調(diào)水平，天津、江蘇、浙江和廣東處于初級(jí)協(xié)調(diào)階段，初級(jí)協(xié)調(diào)及以上的省份僅占20%，勉強(qiáng)協(xié)調(diào)的省份達(dá)到12個(gè)，輕度失調(diào)的仍有10個(gè)，內(nèi)蒙古和寧夏中度失調(diào)，處于失調(diào)狀態(tài)的省份仍高達(dá)40%。從空間分布來(lái)看，我國(guó)各省份智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型呈現(xiàn)了明顯的“南強(qiáng)北弱”特征，東部沿海和長(zhǎng)江經(jīng)濟(jì)帶各省份的耦合協(xié)調(diào)水平和增長(zhǎng)態(tài)勢(shì)明顯優(yōu)于其他地區(qū)，而東部沿海的耦合協(xié)調(diào)狀態(tài)明顯更優(yōu)，“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局越來(lái)越明顯。

我國(guó)大部分省份的耦合協(xié)調(diào)類型屬于同步型，非同步型的省份均為能源可持續(xù)轉(zhuǎn)型滯后型，而同步型省份之間也存在較大差異。2018年北京、上海、內(nèi)蒙古、海南、寧夏5個(gè)省份為能源可持續(xù)轉(zhuǎn)型滯后型，北京、上海的RETI值分別為0.409和0.310，而海南、內(nèi)蒙古、寧夏分別為0.171、0.028、0.035，因此北京、上海是IITI水平較高導(dǎo)致的能源可持續(xù)轉(zhuǎn)型相對(duì)滯后，而內(nèi)蒙古、寧夏則為實(shí)際滯后型。在同步型省份中，山西、黑龍江、吉林、甘肅、新疆為同步滯后，RETI值均未超過(guò)0.1，IITI均未超過(guò)0.2，而江蘇、浙江、廣東屬于優(yōu)質(zhì)同步，RETI值均大于0.3。近年來(lái)隨著信息科技和創(chuàng)新水平的快速提升，較發(fā)達(dá)地區(qū)智能工業(yè)發(fā)展迅速，區(qū)域能源轉(zhuǎn)型也取得了長(zhǎng)足進(jìn)步，而欠發(fā)達(dá)地區(qū)智能工業(yè)與能源可持續(xù)轉(zhuǎn)型能力同步滯后情況較為突出。

（三）協(xié)同轉(zhuǎn)型的空間關(guān)聯(lián)格局分析

運(yùn)用全局莫蘭指數(shù)對(duì)我國(guó)各省份智能工業(yè)與能源可持續(xù)轉(zhuǎn)型耦合協(xié)調(diào)度的全局空間關(guān)聯(lián)性進(jìn)行計(jì)算，結(jié)果如表4所示。2007—2018年我國(guó)全局莫蘭指數(shù)呈現(xiàn)出逐漸增加的趨勢(shì)，2007年為0.245，2018年則達(dá)到了0.388，且各年度結(jié)果均通過(guò)了顯著性檢驗(yàn)，因此智能工業(yè)與能源可持續(xù)轉(zhuǎn)型耦合協(xié)調(diào)度空間分布存在顯著的正相關(guān)性，空間集聚水平逐年提升。

使用局部莫蘭指數(shù)可以對(duì)各省份空間聚集特征進(jìn)行進(jìn)一步分析，根據(jù)各省份空間聚集情況可以繪制LISA聚集圖，2007和2018年結(jié)果分別如圖4、圖5所示。

結(jié)果顯示，2007年我國(guó)高高聚集區(qū)域的省份有9個(gè)，主要集中于京津、重慶和東南沿海地區(qū)，低低聚集區(qū)域的省份共12個(gè)，主要集中于長(zhǎng)江以北地區(qū)。長(zhǎng)江流域的耦合協(xié)調(diào)水平較好，而周邊省份耦合協(xié)調(diào)水平普遍不高，因此高低聚集現(xiàn)象主要出現(xiàn)在了長(zhǎng)江流域，這與耦合協(xié)調(diào)度呈現(xiàn)“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局的結(jié)論是一致的。

2007—2018年間耦合協(xié)調(diào)度空間聚集格局變化不明顯，2018年僅4個(gè)省份發(fā)生了改變，其中山東由低低聚集轉(zhuǎn)變?yōu)楦吒呔奂睆母叩途奂D(zhuǎn)化為高高聚集，云南省耦合協(xié)調(diào)水平實(shí)現(xiàn)了快速增長(zhǎng)，由低低聚集轉(zhuǎn)化為高低聚集，陜西省增速相對(duì)較慢，由高低聚集轉(zhuǎn)向了低低聚集。在“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局下，高高聚集區(qū)域形成了對(duì)資本、人才、技術(shù)創(chuàng)新的“虹吸效應(yīng)”[28-29]，智能工業(yè)與能源可持續(xù)轉(zhuǎn)型協(xié)同發(fā)展較為迅速，導(dǎo)致臨近省份發(fā)展較為遲緩，如天津、安徽、江西、湖南、廣西、貴州等省份表現(xiàn)出了典型的低高聚集特征。同時(shí)也發(fā)現(xiàn)，我國(guó)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型形成了巨大的南北差異，北方多省份長(zhǎng)期處于低低聚集區(qū)域。

（四）結(jié)果討論

我國(guó)各省份智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型呈現(xiàn)出“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局，這一結(jié)論與黃麗等[27]在對(duì)我國(guó)區(qū)域創(chuàng)新能力與能源利用效率的耦合協(xié)調(diào)研究中的結(jié)論是一致的，區(qū)域創(chuàng)新能力是智能工業(yè)轉(zhuǎn)型與能源可持續(xù)轉(zhuǎn)型的重要驅(qū)動(dòng)力，智能工業(yè)轉(zhuǎn)型與能源效率提升之間也存在著因果關(guān)聯(lián)，因此區(qū)域維度上科技、經(jīng)濟(jì)、社會(huì)發(fā)展的諸多方面具有一致共性特征。東部沿海具有典型的先發(fā)優(yōu)勢(shì)，而長(zhǎng)江經(jīng)濟(jì)帶發(fā)展戰(zhàn)略大大加強(qiáng)了區(qū)域經(jīng)濟(jì)聯(lián)系[30]，對(duì)產(chǎn)業(yè)升級(jí)、科技創(chuàng)新、生態(tài)轉(zhuǎn)型等均表現(xiàn)出了顯著的效果[31]，這也是“T型”格局形成的主要原因。我國(guó)各省份智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型具有“南強(qiáng)北弱”特征，北方以勞動(dòng)密集型傳統(tǒng)工業(yè)為主，路徑依賴程度較高，能源和智能工業(yè)轉(zhuǎn)型緩慢，這與區(qū)域發(fā)展的內(nèi)生支撐力表現(xiàn)出了一致的特征。北方在資源環(huán)境、生態(tài)環(huán)境、城市建設(shè)和社會(huì)保障等內(nèi)生支撐力方面明顯落后于南方，從而導(dǎo)致了經(jīng)濟(jì)發(fā)展和創(chuàng)新活力等內(nèi)生動(dòng)力的不足。[32]劉金山等[33]通過(guò)對(duì)四大城市群“銹帶”指數(shù)研究發(fā)現(xiàn)，東北三省、河北普遍存在嚴(yán)重的“銹帶”危機(jī)，而長(zhǎng)三角、珠三角“銹帶”程度相對(duì)較輕，這與智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型的聚集特征也是吻合的。我國(guó)北方省份呈現(xiàn)的低低聚集現(xiàn)象應(yīng)該引起警惕，避免資源枯竭型城市的“銹帶化”危機(jī)，因此在智能工業(yè)發(fā)展與能源可持續(xù)轉(zhuǎn)型方面應(yīng)汲取國(guó)外典型“銹帶”地區(qū)轉(zhuǎn)型的成功經(jīng)驗(yàn)[34]，未雨綢繆，實(shí)現(xiàn)智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型。

智能工業(yè)與能源可持續(xù)協(xié)同轉(zhuǎn)型的相關(guān)結(jié)論依賴于IITI、RETI與耦合協(xié)調(diào)度測(cè)度結(jié)果的合理性，研究方法的合理性對(duì)研究結(jié)果的科學(xué)性影響較大。IITI與RETI指標(biāo)體系采用了多項(xiàng)綜合指標(biāo)，與單一代表性指標(biāo)選取不同，綜合性指標(biāo)可以避免單一指標(biāo)的片面性，從而可以大大提高評(píng)價(jià)結(jié)果的合理性水平。例如，對(duì)于IITI而言，僅使用“信息技術(shù)應(yīng)用”指標(biāo)[17]無(wú)法體現(xiàn)硬件、互聯(lián)網(wǎng)等基礎(chǔ)設(shè)施水平，更無(wú)法體現(xiàn)智能工業(yè)的產(chǎn)出能力，而僅使用“機(jī)器人使用”指標(biāo)[19]也只能代表智能工業(yè)中的硬件環(huán)境，因此綜合性指標(biāo)對(duì)于智能工業(yè)轉(zhuǎn)型的評(píng)價(jià)而言更為合理。在評(píng)價(jià)方法的選擇中，世界經(jīng)濟(jì)論壇采用層次分析法對(duì)ETI進(jìn)行評(píng)價(jià)[23]，各指標(biāo)均采用平均分配的方法設(shè)置權(quán)重，主觀性較強(qiáng)，無(wú)法區(qū)分指標(biāo)的重要程度，同時(shí)多重共線性問(wèn)題也可能會(huì)導(dǎo)致部分指標(biāo)的影響力過(guò)大。為了避免這些問(wèn)題，學(xué)者們經(jīng)常采用因子分析法[11，21，22，27，32]進(jìn)行評(píng)價(jià)。IITI、RETI指標(biāo)體系多個(gè)變量之間存在線性相關(guān)性，如IITI中互聯(lián)網(wǎng)應(yīng)用、智能設(shè)備應(yīng)用、軟件應(yīng)用、數(shù)據(jù)處理之間，RETI中人均GDP與能源工業(yè)投入、R&D投入等，采用因子分析法可以有效避免這些相關(guān)性引起的偏差。

耦合協(xié)調(diào)度計(jì)算中IITI和RETI的權(quán)重均采用文獻(xiàn)中常用的設(shè)置方法，即均為0.5，權(quán)重的變化可能會(huì)對(duì)耦合協(xié)調(diào)度評(píng)價(jià)結(jié)果產(chǎn)生影響。敏感性分析結(jié)果（見表5）顯示，當(dāng)IITI和RETI的權(quán)重發(fā)生變化時(shí)，耦合協(xié)調(diào)度也會(huì)隨之發(fā)生變化。當(dāng)IITI權(quán)重為0.4，RETI權(quán)重為0.6時(shí)，即相對(duì)于權(quán)重為0.5時(shí)幅度變化20%，耦合協(xié)調(diào)度在2007年平均變化1.6%，隨著時(shí)間的推移，變化率呈現(xiàn)逐漸縮小趨勢(shì)，2013年轉(zhuǎn)為負(fù)向，2018年為-1%，各年度變化率均未超過(guò)1.6%。在IITI權(quán)重為0.45，RETI權(quán)重為0.55時(shí)，權(quán)重變化幅度為10%，而耦合協(xié)調(diào)度變化率最大為0.8%，當(dāng)IITI權(quán)重為0.55和0.6時(shí)，耦合協(xié)調(diào)度變化率最大分別為0.8%和1.7%。從各省份年均變化情況（如圖6）來(lái)看，當(dāng)IITI權(quán)重為0.4，RETI權(quán)重為0.6時(shí)，變化率最大的寧夏地區(qū)為6.2%，有5個(gè)省份的變化率在2%到3%之間，其余省份均未超過(guò)1%。從平均變化率來(lái)看，IITI權(quán)重為0.4和0.6時(shí)各省份平均變化率為1.4%，而當(dāng)IITI權(quán)重為0.45和0.55時(shí)降為0.7%?？梢娍闯?，耦合協(xié)調(diào)度對(duì)于IITI和RETI權(quán)重的敏感性并不高，同時(shí)考慮到智能工業(yè)轉(zhuǎn)型與能源可持續(xù)轉(zhuǎn)型的重要性程度難以區(qū)分，因此將權(quán)重均設(shè)置為0.5具有科學(xué)性和合理性。

五、結(jié)論與建議

本文首先構(gòu)建了智能工業(yè)轉(zhuǎn)型指數(shù)和區(qū)域能源可持續(xù)轉(zhuǎn)型指數(shù)，基于因子分析法和耦合協(xié)調(diào)理論測(cè)度了我國(guó)30個(gè)省份2007—2018年智能工業(yè)與能源可持續(xù)轉(zhuǎn)型的協(xié)同水平，分析了二者協(xié)同轉(zhuǎn)型的時(shí)空分異特征，并基于探索性空間數(shù)據(jù)分析方法分析了協(xié)同轉(zhuǎn)型的空間關(guān)聯(lián)格局演化特征。主要研究結(jié)論有如下幾點(diǎn)：（1）智能工業(yè)和區(qū)域能源可持續(xù)轉(zhuǎn)型雖呈現(xiàn)了增長(zhǎng)趨勢(shì)，但整體水平不高，區(qū)域之間的差異不斷擴(kuò)大，二者協(xié)同水平同樣呈現(xiàn)了不斷提升趨勢(shì)，但2018年仍有40%的省份處于失調(diào)狀態(tài)，初級(jí)協(xié)調(diào)及以上省份僅占20%，整體仍處于較低水平;（2）智能工業(yè)與能源可持續(xù)轉(zhuǎn)型之間形成了高耦合特征，二者形成了較強(qiáng)的相互作用，協(xié)同水平呈現(xiàn)了“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局，同時(shí)“南強(qiáng)北弱”特征明顯，大多數(shù)省份中二者呈現(xiàn)了同步協(xié)調(diào)特征，發(fā)達(dá)地區(qū)表現(xiàn)為優(yōu)質(zhì)同步，而欠發(fā)達(dá)地區(qū)同步滯后特征明顯;（3）在“東部沿海+長(zhǎng)江經(jīng)濟(jì)帶”的“T型”格局中存在明顯的“虹吸效應(yīng)”，北方省份的聚集特征顯示出了與“銹帶”地區(qū)分布一致的現(xiàn)象。

智能工業(yè)轉(zhuǎn)型與區(qū)域能源可持續(xù)轉(zhuǎn)型具有高耦合性，推動(dòng)二者協(xié)同轉(zhuǎn)型既符合我國(guó)生態(tài)環(huán)境可持續(xù)發(fā)展要求，又滿足傳統(tǒng)工業(yè)轉(zhuǎn)型升級(jí)的戰(zhàn)略目標(biāo)，因此未來(lái)工業(yè)發(fā)展政策制定應(yīng)注意以下幾點(diǎn)：（1）宏觀政策應(yīng)傾向于推動(dòng)智能工業(yè)與區(qū)域能源可持續(xù)協(xié)同轉(zhuǎn)型，發(fā)揮“1+1>2”效應(yīng)，避免孤立和片面的政策導(dǎo)向;（2）積極引導(dǎo)沿海和長(zhǎng)江經(jīng)濟(jì)帶等發(fā)達(dá)地區(qū)發(fā)揮“輻射作用”，減少過(guò)度“虹吸效應(yīng)”，促進(jìn)智能工業(yè)轉(zhuǎn)型中產(chǎn)業(yè)鏈的平衡布局，帶動(dòng)欠發(fā)達(dá)地區(qū)能源可持續(xù)轉(zhuǎn)型，實(shí)現(xiàn)地區(qū)之間良好協(xié)同;（3）積極應(yīng)對(duì)北方地區(qū)智能工業(yè)與區(qū)域能源可持續(xù)轉(zhuǎn)型的同步滯后與低低聚集現(xiàn)象，避免“銹帶化”危機(jī)加劇，激勵(lì)資金、技術(shù)、人力等資源向北方欠發(fā)達(dá)地區(qū)流動(dòng)，加強(qiáng)信息基礎(chǔ)設(shè)施建設(shè)，積極引導(dǎo)傳統(tǒng)工業(yè)向智能工業(yè)轉(zhuǎn)型升級(jí)，實(shí)現(xiàn)全國(guó)層面的區(qū)域協(xié)同與平衡發(fā)展。

參考文獻(xiàn)：

[1] 王莉.德國(guó)工業(yè)4.0對(duì)《中國(guó)制造2025》的創(chuàng)新驅(qū)動(dòng)研究[J].科學(xué)管理研究，2017，35（5）： 100-103.

[2] Zhong R Y， Xun X， Klotz E， et al. Intelligent Manufacturing in the Context of Industry 4.0： A Review[J]. Engineering，2017（3）：616-630.

[3] 陳秀英，劉勝.智能制造轉(zhuǎn)型對(duì)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)影響的實(shí)證研究[J].統(tǒng)計(jì)與決策，2020（13）：121-124.

[4] 許清清，董培超，路蘭.智能制造驅(qū)動(dòng)勞動(dòng)密集型產(chǎn)業(yè)轉(zhuǎn)型實(shí)證研究[J].福建論壇（人文社會(huì)科學(xué)版），2020（7）：25-38.

[5] 池仁勇，梅小苗，阮鴻鵬.智能制造與中小企業(yè)組織變革如何匹配？[J].科學(xué)學(xué)研究，2020，38（7）：1244-1250.

[6] 陳旭升，梁穎.雙元驅(qū)動(dòng)下智能制造發(fā)展路徑——基于本土制造企業(yè)的多案例研究[J].科技進(jìn)步與對(duì)策，2020，37（10）：71-80.

[7] Zhou Y， Zang J， Miao Z， et al. Upgrading Pathways of Intelligent Manufacturing in China： Transitioning across Technological Paradigms[J]. Engineering，2019，5（4）：691-701.

[8] 王信敏，丁浩.經(jīng)濟(jì)發(fā)展和能源結(jié)構(gòu)調(diào)整約束下中國(guó)政府投資決策問(wèn)題研究[J].中國(guó)石油大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2017，33（2）：7-14.

[9] 齊紹洲，李楊.能源轉(zhuǎn)型下可再生能源消費(fèi)對(duì)經(jīng)濟(jì)增長(zhǎng)的門檻效應(yīng)[J].中國(guó)人口·資源與環(huán)境，2018，28（2）：19-27.

[10] 黃樸，辛瑩瑩，范萌陽(yáng)，等.新舊動(dòng)能轉(zhuǎn)換視角下促進(jìn)青島市能源轉(zhuǎn)型的財(cái)稅政策研究[J].中國(guó)石油大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2021，37（2）：20-27.

[11] 劉平闊，彭歡，駱賽.中國(guó)能源轉(zhuǎn)型驅(qū)動(dòng)力的結(jié)構(gòu)性特征研究[J].中國(guó)人口·資源與環(huán)境，2019，29（12）：45-56.

[12] Neofytou H， Nikas A， Doukas H. Sustainable Energy Transition Readiness： A Multicriteria Assessment Index[J]. Renewable and Sustainable Energy Reviews，2020，131：109988.

[13] Lazarevica D， Kivimaa P， Lukkarinen J， et al. Understanding Integrated-solution Innovations in Sustainability Transitions： Reconfigurative Building-energy Services in Finland[J]. Energy Research & Social Science，2019，59：101209.

[14] Munro F R， Cairney P. A Systematic Review of Energy Systems： The Role of Policymaking in Sustainable Transitions[J]. Renewable and Sustainable Energy Reviews， 2020，119：109598.

[15] 高歌.新工業(yè)革命中智能制造與能源轉(zhuǎn)型的互動(dòng)[J].科學(xué)管理研究，2017，35（5）：45-48.

[16] 鑒成.制造范式與能源轉(zhuǎn)型的協(xié)同演進(jìn)[J].求索，2017（9）：60-66.

[17] Michaels G， Natraj A， Van Reenen J. Has ICT Polarized Skill Demand？ Evidence from Eleven Countries over 25 Years[J]. Review of Economics and Statistics，2014，96（1）：60-77.

[18] Acemoglu D， Restrepo P. Robots and Jobs： Evidence from US Labor Markets[J]. Journal of Political Economy，2020，128（6）：2188-2244.

[19] Autor D， Salomons A. Is Automation Labor-displacing？ Productivity Growth， Employment， and the Labor Share[J]. Brookings Papers on Economic Activity，2018（1）：1-87.

[20] 楊飛，范從來(lái).產(chǎn)業(yè)智能化是否有利于中國(guó)益貧式發(fā)展？[J].經(jīng)濟(jì)研究，2020（5）：150-165.

[21] 張萬(wàn)里，宣旸，睢博，等.產(chǎn)業(yè)智能化，勞動(dòng)力結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)[J].科學(xué)學(xué)研究，2021，39（08）：1384-1395.

[22] 陳曉，鄭玉璐，姚笛.工業(yè)智能化、勞動(dòng)力就業(yè)結(jié)構(gòu)與經(jīng)濟(jì)增長(zhǎng)質(zhì)量——基于中介效應(yīng)模型的實(shí)證檢驗(yàn)[J].華東經(jīng)濟(jì)管理，2020，3（10）：56-64.

[23] Singh H V， Bocca R， Gomez P， et al. The Energy Transitions Index： An Analytic Framework for Understanding the Evolving Global Energy System[J]. Energy Strategy Reviews，2019，26：100382.

[24] Guo P， Kong J， Guo Y， et al. Identifying the Influencing Factors of the Sustainable Energy Transitions in China[J]. Journal of Cleaner Production，2019（215）：757-766.

[25] Iddrisu I， Bhattacharyya S C. Sustainable Energy Development Index： A Multi-dimensional Indicator for Measuring Sustainable Energy Development[J]. Renewable and Sustainable Energy Reviews，2015，50：513-530.

[26] 劉愿理，廖和平，蔡進(jìn)，等.西南山區(qū)土地利用多功能與多維貧困的時(shí)空耦合關(guān)系[J].中國(guó)人口·資源與環(huán)境，2020（10）：154-164.

[27] 黃麗，林詩(shī)琦，陳靜.中國(guó)區(qū)域創(chuàng)新能力與能源利用效率的時(shí)空耦合協(xié)調(diào)分析[J].世界地理研究，2020，29（6）：1161-1171.

[28] 羅巍，楊玄酯，唐震.“虹吸”還是“涓滴”——中部地區(qū)科技創(chuàng)新空間極化效應(yīng)演化研究[J].中國(guó)科技論壇，2020（9）：49-58.

[29] 李紅錦，曾敏杰.新興產(chǎn)業(yè)發(fā)展空間溢出效應(yīng)研究——?jiǎng)?chuàng)新要素與集聚效應(yīng)雙重視角[J].科技進(jìn)步與對(duì)策，2019，36（1）： 67-73.

[30] 陳磊，胡立君，何芳.長(zhǎng)江經(jīng)濟(jì)帶發(fā)展戰(zhàn)略對(duì)區(qū)域經(jīng)濟(jì)聯(lián)系的影響研究——基于雙重差分法的實(shí)證檢驗(yàn)[J].經(jīng)濟(jì)經(jīng)緯，2021，38（2）：23-32.

[31] 李標(biāo)，張航，吳賈.實(shí)施長(zhǎng)江經(jīng)濟(jì)帶發(fā)展戰(zhàn)略能降低污染排放強(qiáng)度嗎？[J].中國(guó)人口·資源與環(huán)境，2021，31（1）：134-144.

[32] 馬麗，道靈芝，程利莎，等.中國(guó)中心城市內(nèi)生動(dòng)力和支撐力綜合評(píng)價(jià)[J].經(jīng)濟(jì)地理，2019，39（2）：64-72.

[33] 劉金山，羅非.我國(guó)發(fā)達(dá)地區(qū)“銹帶”分布及其演化[J].開發(fā)研究，2019（4）： 8-14.

[34] 趙璐，呂利娜.從銹帶到先進(jìn)制造業(yè)集群：資源型經(jīng)濟(jì)轉(zhuǎn)型及高質(zhì)量發(fā)展的路徑探析——基于國(guó)外典型銹帶地區(qū)的成功轉(zhuǎn)型案例[J/OL].世界地理研究：1-12.http：//kns.cnki.net/kcms/detail/31.1626.P.20210323.0913.002.html.

責(zé)任編輯：曲 紅

Abstract： There exists an interaction effect between intelligent industry and energy sustainable transformation， and their synergetic development is conducive to accelerating the transformation and upgrading of traditional industries. On the basis of constructing Intelligent Industry Transformation Index （IITI） and Regional Energy Transformation Index （RETI）， the synergetic transformation levels between intelligent industry and regional energy sustainability in 30 provinces from 2007 to 2018 are measured by using the approaches of factor analysis and coupling coordination analysis. Furthermore， the spatial-temporal synergetic transformation characteristics are studied， and the evolution characteristics of spatial association state of synergetic transformation are analyzed by using the approach of exploratory spatial data analysis. The results show that the synergetic transformation level was constantly improving from 2007 to 2018. However， it was still at a low level on the whole. Only 20% of the provinces were at the primary coordination or above level in 2018， and the uncoordinated provinces were up to 40%. The phenomenon of "T-shaped" state of "eastern coastal and Yangtze River Economic Belt" emerged during the process of the synergetic transformation， and "Siphon effect" made the underdeveloped areas lag behind. The Southern provinces were better than the North and the Northern provinces were generally in the low-low aggregation state. Therefore， the situation of synergetic transformation remains severe in the North. In the future， more attention should be paid to the high coupling relationship between intelligent industry and regional energy sustainable transformation and efforts shall be made to accelerate the radiation effect of developed areas， and guide the flow of capital， human resource and technology to the areas of lagging transformation in order to avoid the "rust belt" crisis.

Key words： intelligent industry transformation; regional energy sustainable transformation; coupling coordination analysis; exploratory spatial data analysis

3047500589212