周慧珺

一、引 言

作為引領新一輪科技革命和產(chǎn)業(yè)變革的重大戰(zhàn)略性領域，人工智能技術對全球經(jīng)濟產(chǎn)生了廣泛而深遠的影響，在社會發(fā)展中也日益扮演著不可或缺的角色。2020年，“十四五”規(guī)劃中再次強調科技和自主創(chuàng)新的重要性，并將人工智能、數(shù)字經(jīng)濟等作為最優(yōu)先發(fā)展的新興領域之一。事實上，早在2015年，《中國制造2025》就將智能制造工程作為五大工程之一；2017年3月，全國兩會首次將人工智能寫入政府工作報告，明確指出“要加快培育壯 大包括人 工智能在內的新 興產(chǎn)業(yè)”；同年，《新一 代人工智 能發(fā)展規(guī) 劃》出臺，人工智能的發(fā) 展正式上升至國家戰(zhàn) 略層面。在科技的快速進步和政策利好雙重驅動下，我國人工智能領域迅速崛起。2010年，我國工業(yè)機器人安裝量還僅為5.23萬臺，遠低于同期發(fā)達國家水平，而到2019年，這一數(shù)值已經(jīng)提高了近15倍，達到78.27萬臺［如圖1（a）所示］。《2020年全球機器人報告》顯示，截止到2019年，中國已經(jīng)成為全球規(guī)模最大且發(fā)展最為迅速的機器人市場，工業(yè)機器人安裝量已經(jīng)相當于美國的2.01倍、日本的2.21倍及歐盟的2.42倍［如圖1（b）所示］。人工智能和數(shù)字技術迅猛的發(fā)展勢頭和廣闊的市場空間為經(jīng)濟發(fā)展提供了強大的驅動力，據(jù)測算，2020年我國人工智能產(chǎn)業(yè)帶動產(chǎn)業(yè)增量約6 000億元。到2030年，人工智能對全球經(jīng)濟增長的貢獻將達到1.2個百分點，而其中70%將來自中美兩國。

圖1 人工智能行業(yè)發(fā)展趨勢

隨著人工智能技術的快速發(fā)展，其對于經(jīng)濟發(fā)展各個維度的影響也逐漸引起了眾多研究者的關注。最為典型的是，工業(yè)機器人的出現(xiàn)引發(fā)了人們對于就業(yè)市場動蕩和不平等加劇的擔憂，大量研究基于模型或實證方法檢驗機器人的興起對于勞動力市場的沖擊作用（國內研究如王永欽和董雯，2020；國外研究如Acemoglu and Restrepo, 2018）。此外，也有文獻針對人工智能對勞動生產(chǎn)率、市場結構、技術創(chuàng)新及收入分配等多方面的影響展開詳細的研究（如Acemoglu and Restrepo, 2019；郭凱明，2019；呂越等，2020）。然而，這些研究大多集中于人工智能的發(fā)展帶來的影響，卻對于人工智能的發(fā)展取決于什么、受到什么因素影響這一問題鮮有關注。考慮到人工智能領域未來巨大的市場潛能和發(fā)展韌性，這一問題無疑同樣值得探索和挖掘。本文認為，和人工智能一樣持續(xù)發(fā)展的是經(jīng)濟的空間集聚。受地理位置、自然環(huán)境、要素稟賦和政府戰(zhàn)略布局傾向性的影響，中國區(qū)域經(jīng)濟長期以來呈現(xiàn)不均衡、不協(xié)調的空間格局，村莊的衰落和大城市的不斷發(fā)展也是當前中國長期經(jīng)濟發(fā)展進程中一個重要的特點。經(jīng)濟的集聚意味著更加集中的資源和更高的發(fā)展效率，這將有利于人工智能技術的應用和推廣，但與此同時，經(jīng)濟集聚也加劇了資源的錯配程度，阻礙了其他資源稀缺地區(qū)技術的創(chuàng)新和發(fā)展，從而降低人工智能的整體發(fā)展水平。

鑒于以上考慮，本文使用國際工業(yè)機器人聯(lián)合會數(shù)據(jù)及國內省級層面、地級市層面統(tǒng)計數(shù)據(jù)對人工智能的發(fā)展如何受經(jīng)濟集聚程度的影響展開詳細的實證分析。在本文的研究中，經(jīng)濟的空間集聚程度被定義為經(jīng)濟發(fā)展水平在一個地區(qū)內部的地理集中度，集聚程度越高說明該地區(qū)的發(fā)展越依賴于地區(qū)內的某個或某幾個更小的行政單位。人工智能的發(fā)展和應用程度則定義為地區(qū)的工業(yè)機器人滲透度，由國際工業(yè)機器人聯(lián)合會提供的行業(yè)—年份數(shù)據(jù)和省份數(shù)據(jù)整合而成。為了排除空間相關性給實證結果帶來的可能影響，本文同時使用了空間杜賓模型對于數(shù)據(jù)進行擬合。出于穩(wěn)健性的考慮，本文還將采取換用衡量指標、空間權重矩陣和空間模型構建等多種方法對兩者的相關關系進行再檢驗。

本文的貢獻體現(xiàn)在以下三個方面：首先，與大多數(shù)人工智能的相關文獻不同，本文將人工智能作為被解釋因素，探討了人工智能發(fā)展的條件和基礎，為支持此后智能機器人技術的可持續(xù)發(fā)展提供了理論基礎；其次，本文基于各地級市數(shù)據(jù)構建各省份經(jīng)濟的空間集聚程度指標，并以此為基礎檢驗經(jīng)濟集聚對于人工智能發(fā)展的影響，而這也將為空間集聚影響整體經(jīng)濟發(fā)展的研究提供新的維度；第三，本文的研究基于最近10年的工業(yè)機器人及省份數(shù)據(jù)，能夠更準確地刻畫人工智能在其快速發(fā)展期內的特征，為未來政策和經(jīng)濟發(fā)展的動向提供了更具說服力和實效性的參考依據(jù)。

文章接下來的結構安排如下：第二部分進行文獻整理與評述，并基于文獻提出實證假設；第三部分說明數(shù)據(jù)來源、變量選取方法并闡述實證策略；第四部分匯報基準回歸結果并進行穩(wěn)健性檢驗；第五部分針對回歸結果可能存在的階段性做進一步討論；最后一部分總結全文及基于文章結論提出政策啟示。

二、文獻綜述及實證假設

從現(xiàn)有的文獻來看，人工智能對經(jīng)濟各方面的影響明顯吸引了更多研究者的關注，其中以對于人工智能與勞動力市場的研究最為廣泛。研究表明，人工智能對就業(yè)的影響可以劃分為三種效應，被提及最多的一種是替代效應，通過替代效應，人工智能降低了市場對勞動力尤其是中等技能勞動力（Acemoglu and Autor, 2011; Kunst, 2019；王永欽和董雯，2020）的需求及均衡條件下的工資水平（Autor and Duggan, 2003; Acemoglu and Restrepo, 2018, 2020）。其次是補償效應，一般指通過降低企業(yè)成本、擴大生產(chǎn)規(guī)模等形式擴大就業(yè)水平（Herrendorf et al., 2013）。此外，隨著新領域對于算法工程、圖像處理等新崗位的需求增加，人工智能還將進一步“創(chuàng)造”就業(yè)（Acemoglu and Restrepo, 2018）。與勞動力市場同時被關注和重視的是收入的不平等，隨著人工智能帶來資本要素份額的增加和“就業(yè)極化”現(xiàn)象，收入分配格局的惡化可能成為更嚴峻的社會問題（Autor, 2014; DeCanio, 2016; Lankisch et al., 2017），當然，也有另一類研究認為，人工智能對不平等的影響效果不完全是消極的，而是與經(jīng)濟的發(fā)展階段有關（Hémous and Olsen, 2016; Acemoglu and Restrepo, 2018）。比起在勞動力市場、收入不平等問題上結論的莫衷一是，人工智能對于經(jīng)濟發(fā)展和勞動生產(chǎn)率的積極影響則有目共睹（Aghion et al., 2018；陳彥斌等，2019）。不難看出，盡管發(fā)展起步較晚，但相關文獻已經(jīng)涵蓋了人工智能對于經(jīng)濟多個方面的影響，對于更好地應對人工智能發(fā)展的風險與挑戰(zhàn)也起到了重要作用（曹靜和周亞林，2018）。然而正如前文所述，這些研究更加關注工業(yè)機器人的研發(fā)和應用帶來的影響，卻很少關注人工智能興起的地區(qū)異質性及其原因，而這也是本文選擇經(jīng)濟集聚與人工智能作為研究重點的原因。

針對經(jīng)濟的空間集聚和人工智能的發(fā)展，一類文獻的結論更加支持兩者之間的正相關關系。首先，經(jīng)濟的空間集聚可能有利于當?shù)厝斯ぶ悄艿难邪l(fā)。Giuliani（2007）利用意大利和智利葡萄酒產(chǎn)業(yè)數(shù)據(jù)研究表明，盡管地理位置上很接近，但創(chuàng)新性知識的擴散仍然具有高度的空間選擇性和不均衡性。Roberto and Giulio（2011）也發(fā)現(xiàn)，空間集聚將對于由創(chuàng)新決定的全要素生產(chǎn)率的提高起到積極影響，進而促進創(chuàng)新產(chǎn)出。Capello and Lenzi（2014）、Guastella and Oort（2015）和Sultan and Dijk（2017）等從不同角度出發(fā)也得到了類似結果。國內研究方面，彭向和蔣傳海（2011）發(fā)現(xiàn)，產(chǎn)業(yè)集聚帶來的產(chǎn)業(yè)內和產(chǎn)業(yè)間的知識溢出都將對于中國地區(qū)產(chǎn)業(yè)創(chuàng)新產(chǎn)生積極作用。張可（2019）基于長三角地區(qū)縣級數(shù)據(jù)的研究也表明，空間集聚和區(qū)域創(chuàng)新之間存在雙向因果關系。其他如董曉芳和袁燕（2014）、白俊紅等（2017）也得到了類似的結論。作為集聚創(chuàng)新要素最多、迭代速度最快的新興領域之一，數(shù)字技術的研發(fā)同樣決定于當?shù)氐漠a(chǎn)業(yè)創(chuàng)新積極性，因此高度依賴于經(jīng)濟的空間集聚。其次，人工智能的快速發(fā)展還得益于其廣闊的應用場景和市場空間，這也就意味著，地區(qū)的企業(yè)數(shù)量越多，規(guī)模越大，資金越雄厚，則人工智能的用武之地越多。Brookings Institution對于美國5 000家3年內收入增長率最高的企業(yè)的統(tǒng)計顯示，幾乎全部5 000強企業(yè)都集中于舊金山、華盛頓等大都市區(qū)（98%）。美國《財富》雜志對于世界500強總部所在地的統(tǒng)計結果也表明，2019年世界500強企業(yè)有56家位于中國北京，這一數(shù)量占到了全國的43%；在韓國和日本，首都500強企業(yè)數(shù)量比例更是高達73%和58%。這些數(shù)據(jù)都表明，企業(yè)，尤其是大企業(yè)的空間分布并不是均勻的，經(jīng)濟的集聚同樣意味著企業(yè)規(guī)模和數(shù)量的集聚。不僅如此，基于同源國效應，集聚更多資源的地區(qū)還將能吸引更多的外商企業(yè)投資（顏銀根，2014），從而進一步提升企業(yè)數(shù)量和質量。因此，即使僅從人工智能技術應用的角度來說，經(jīng)濟集聚程度的提高也將有利于人工智能的持續(xù)發(fā)展。綜合以上兩點，我們提出

假設1：經(jīng)濟的空間集聚程度越高，人工智能的滲透程度也越高。

與此同時，另一類理論則支撐了相反的觀點。新經(jīng)濟地理學模型表明，經(jīng)濟的空間集聚一方面意味著更加集中的要素資源和更高的生產(chǎn)效率，因此可以提高總體的經(jīng)濟發(fā)展程度（Mitra and Sato, 2007; Geppert et al., 2008；劉修巖，2014），也可以為人工智能的發(fā)展提供更充足的條件。但另一方面，過高的經(jīng)濟集聚有可能帶來資源的過分集中和錯配，從而形成整體上的效率損失。Heish and Kelnow（2009）利用中印兩國數(shù)據(jù)考察要素錯配對制造業(yè)部門的影響，發(fā)現(xiàn)1998-2005年，中國制造業(yè)部門的TFP因要素錯配下降30%-50%。Brandt et al.（2013）對中國地區(qū)間、國有和非國有部門間勞動力和資本的錯配影響的測算則表明，從1985-2007年，要素錯配導致中國非農(nóng)業(yè)部門TFP下降20%，且這一損失還在隨年份逐漸加大。這些研究結果都預示著，由于資源錯配的存在，集聚不一定能夠加快整體高技術產(chǎn)業(yè)的發(fā)展，反而可能會拖累技術研發(fā)和應用的進程。更直接地，也有不少研究表明，空間集聚對于拉動整體經(jīng)濟增長的作用非常弱甚至為負（Brulhart and Sbergami, 2009）。鑒于此，站在整體經(jīng)濟發(fā)展的角度，我們認為，經(jīng)濟的集聚也可能對人工智能的整體發(fā)展影響不大，甚至形成阻礙作用。值得提出的是，當我們以經(jīng)濟密度作為當?shù)亟?jīng)濟集聚程度的衡量指標時，集聚程度高更多地意味著當?shù)赜行зY源的集中和市場規(guī)模的擴大，負面效應通常為市場的擁擠程度上升和單位投資的邊際效應下降，但這些都不意味著當?shù)匾氐腻e配或效率損失（資源配置較少帶來的消極效果體現(xiàn)在經(jīng)濟密度低的其他地區(qū)）。而在本文中，我們將經(jīng)濟的空間集聚定義為經(jīng)濟在省份內部的地理集中度或經(jīng)濟發(fā)展水平的GINI系數(shù)，因此兩種效應均存在?？傮w而言，我們提出與之前不同的理論

假設2：經(jīng)濟的空間集聚程度越高，可能越不利于人工智能的整體發(fā)展。

三、實證方法與數(shù)據(jù)說明

（一）數(shù)據(jù)來源及變量選取

本文工業(yè)機器人數(shù)據(jù)主要來源于國際機器人聯(lián)合會（International Federation of Robotics，IFR），該機構通過對全球工業(yè)機器人供應商的調查形成年份—國別—行業(yè)層面數(shù)據(jù)，數(shù)據(jù)覆蓋多個國家1993-2019年的機器人安裝量和存量。由于覆蓋范圍廣、權威性強，這一數(shù)據(jù)也是目前人工智能相關實證研究中最常用的數(shù)據(jù)之一?？紤]到在2010年之前，我國人工智能行業(yè)發(fā)展相對緩慢，工業(yè)機器人數(shù)據(jù)零值較多且數(shù)據(jù)較為分散，其他省份層面、城市層面變量數(shù)據(jù)豐富度也有所不足，本文僅提取中國所有行業(yè)2010-2019年的工業(yè)機器人存量數(shù)據(jù)作為被解釋變量的數(shù)據(jù)源。為了進一步獲得省份—年份層面的工業(yè)機器人發(fā)展程度，本文參考Acemoglu and Restrepo（2020）及王永欽和董雯（2020）的方法構建各省份的工業(yè)機器人滲透度指標。具體而言，這一做法類似于構建工業(yè)機器人發(fā)展程度的Brtrik工具變量（Goldsmith-Pinkham et al., 2020; 王永欽和董雯，2020），需要首先得出行業(yè)層面的機器人滲透度：

其中代表行業(yè)，代表時間，_operation代表年份行業(yè)工業(yè)機器人保有總量，Employment則代表該行業(yè)的就業(yè)人員，兩者之比_indu記為行業(yè)層面工業(yè)機器人滲透度。在此基礎上，我們進一步引入省份層面工業(yè)機器人滲透度：

其中代表省份，N代表行業(yè)總數(shù)，_b衡量年份省份的工業(yè)機器人滲透度，Employment和Employment分別代表該省份行業(yè)的就業(yè)人員數(shù)量及全省就業(yè)人員總數(shù)。借鑒陳秋霖等（2018）及王永欽和董雯（2020）的方法，我們以兩者之比作為行業(yè)在省份的經(jīng)濟比重，這也就是說，各省份的工業(yè)機器人發(fā)展程度將同時取決于各行業(yè)工業(yè)機器人的滲透程度及每個省份差異化的產(chǎn)業(yè)結構。統(tǒng)計顯示，2010-2019年，我國各省份工業(yè)機器人滲透度逐年上升，平均值為16.40臺/萬人（0.164臺/百人），標準差為13.27。分省份來看，工業(yè)機器人滲透度與各省份的經(jīng)濟發(fā)展程度呈明顯的正相關關系。圖2展示了以最高值為基準的相對工業(yè)機器人滲透度。從圖中不難看出，廣東省的工業(yè)機器人滲透度最高，江蘇、山東等地緊隨其后，此外，浙江、河北等東部發(fā)達省份的工業(yè)機器人滲透度普遍更高，說明在經(jīng)濟發(fā)展程度更高的地區(qū)，人工智能的應用也相對更廣泛。與之相對的，廣西、貴州等省份的工業(yè)機器人滲透度普遍更低，說明這些地區(qū)工業(yè)機器人的應用場景更少，智能化水平尚且不足。

圖2 工業(yè)機器人滲透度的描述性統(tǒng)計結果

值得提出的是，IFR數(shù)據(jù)庫中包含六個大類行業(yè)，分別為農(nóng)林牧漁業(yè)、采礦業(yè)、制造業(yè)、電力，熱力，燃氣、水生產(chǎn)、供應業(yè)、建筑業(yè)、教育與研發(fā)業(yè)，其中制造業(yè)還包含食品、飲料和煙草業(yè)，紡織、服裝與皮革制品業(yè)，木材以及制品業(yè)（含家具），紙制品出版與印刷業(yè)，塑料及化學制品業(yè)，玻璃、陶瓷、石材和礦產(chǎn)品業(yè)，金屬業(yè)，電氣及電子業(yè)，汽車及其他交通設施業(yè)等，這與各省份從業(yè)人員行業(yè)分類并不完全一致，因此，我們根據(jù)行業(yè)名稱、內容等進行了詳細對照整理，將行業(yè)名稱、內容完全相同或非常類似的行業(yè)一一對應，其他難以完全對應的行業(yè)則使用合并行業(yè)、記為大類行業(yè)其他細分行業(yè)等方式加以區(qū)分整合。

本文的核心解釋變量為經(jīng)濟的集聚程度。從以往文獻來看，這一指標的構建方法及涵義主要分為兩類：第一類可以理解為“外部集聚程度”，通常用于描述某一地區(qū)單位行政區(qū)域的經(jīng)濟承載量或經(jīng)濟承載能力占比（Ciccone and Hall, 1996），例如劉滿鳳和謝晗進（2014）使用生產(chǎn)總值占比與行政面積占比的比例作為空間經(jīng)濟集聚的衡量指標，張可（2019）和邵帥等（2019）分別使用單位面積的非農(nóng)產(chǎn)出、省份所有地級市非農(nóng)產(chǎn)出之和與城市行政土地面積之和的比例作為衡量指標。不難看出，這類指標更加關注整體經(jīng)濟在該地區(qū)的集中程度，該數(shù)值越大，則代表經(jīng)濟越集中于該省份（而不是其他省份）。而與之相對應的，另一類指標則更側重于描述地區(qū)內部的經(jīng)濟集中度，如陸銘和馮皓（2014）使用市轄區(qū)非農(nóng)業(yè)人口規(guī)模及第二產(chǎn)業(yè)從業(yè)人員規(guī)模的基尼系數(shù)度量城市規(guī)模的集聚程度，王瑩瑩和楊青生（2021）以人口占比與面積占比的差異之和作為人口集中指數(shù)的衡量指標，劉修巖（2014）也以類似的形式作為空間集聚指數(shù)的度量。這一指標越大，反映的是該省份內部的集中程度越高，例如當該省份經(jīng)濟基本靠某一個或兩個大城市拉動，而其他城市極為落后時，則該經(jīng)濟集聚指標越大。僅從直接的指標構建形式上來看，這一指標和當?shù)氐恼w發(fā)展程度，即“外部集聚程度”的關系并不強，而更像是對于地區(qū)內部均等化程度的刻畫。針對本文的研究目的，我們使用第二類指標度量經(jīng)濟的集聚程度。同劉修巖（2014）及邵帥等（2019）類似，鑒于傳統(tǒng)的空間集聚程度指標，如Herfindahl指數(shù)，空間GINI指數(shù)、Theil指數(shù)和EG指數(shù)等均可能存在偏誤或敏感性強的問題，我們使用調整后的地理集中指數(shù)作為衡量指標。由于北京、天津、重慶、上海為單個直轄市，無法構建集聚程度指標，因此沒有被包含在內；西藏自治區(qū)、香港特別行政區(qū)、澳門特別行政區(qū)及臺灣地區(qū)等由于數(shù)據(jù)來源問題也沒有包含在內，每年數(shù)據(jù)中共計包含26個省份或自治區(qū)。當省份內每個地級市所占產(chǎn)出份額完全等于其面積占比，各地級市的經(jīng)濟密度完全相同時，表示空間完全不集聚，而當各地級市經(jīng)濟密度差異增大時，這一指標也會迅速膨脹。描述性統(tǒng)計結果表明，經(jīng)濟集聚程度的平均值為0.36，標準差為0.10。

考慮到人工智能的發(fā)展不僅取決于當?shù)亟?jīng)濟的集聚程度，還受到經(jīng)濟發(fā)展、產(chǎn)業(yè)結構等一系列變量的影響，本文引入多個省份層面控制變量，變量定義及描述性統(tǒng)計如表1所示：①經(jīng)濟發(fā)展水平。參考絕大多數(shù)文獻的做法，使用人均GDP來衡量各省份的經(jīng)濟發(fā)展水平，數(shù)據(jù)來自國家統(tǒng)計局?？紤]到隨著經(jīng)濟發(fā)展水平的逐漸提高，對于工業(yè)機器人的研發(fā)和推廣越來越有可能取得突破性的進展，即邊際效應有可能呈上升趨勢，因此，本文同時引入其二次項作為控制變量。②產(chǎn)業(yè)結構。工業(yè)機器人主要集中于制造業(yè)產(chǎn)業(yè)，服務業(yè)及農(nóng)業(yè)部門相對較少，因此工業(yè)機器人的滲透程度也很有可能受到當?shù)禺a(chǎn)業(yè)結構的影響。鑒于此，我們引入當?shù)氐诙a(chǎn)業(yè)占比和第三產(chǎn)業(yè)占比作為控制變量，其中第二產(chǎn)業(yè)、第三產(chǎn)業(yè)增加值數(shù)據(jù)來自國家統(tǒng)計局。③金融發(fā)展水平。以（本外幣各項存款余額+本外幣各項貸款余額）/GDP衡量，其中金融數(shù)據(jù)來自Wind數(shù)據(jù)庫。金融的發(fā)展程度越高，說明企業(yè)的可貸資金越充足，對于人工智能研發(fā)和機器人應用的積極性也可能越高。④交通基礎設施。參考白俊紅等（2017）的方法，以各省鐵路運營里程數(shù)衡量。交通基礎設施的發(fā)展連通了各個地區(qū)的物質和人力資本，因此可能有利于機器人應用技術的推廣和空間溢出。⑤對外開放度。以外商投資企業(yè)占GDP的比重衡量，外商投資數(shù)據(jù)來自Wind數(shù)據(jù)庫。正如前文中所提到的，在過去的很長一段時間內，美國、日本等發(fā)達國家的人工智能發(fā)展程度遠高于中國，因此對外開放程度同樣可能影響地區(qū)智能機器人的滲透程度。⑥地區(qū)教育發(fā)展程度。以小學、初中及高中階段生師比衡量。一般來說，本地的教育發(fā)展水平很大程度上影響當?shù)鼐用竦氖芙逃潭群瓦m齡學生家長的遷移意愿，進而影響該地區(qū)就業(yè)人員的整體勞動技能，而就業(yè)人員的勞動技能越高，越有利于智能機器人的研發(fā)應用，但同時降低了機器人對于勞動的可替代性，阻礙了機器人的大面積推廣。因此，我們將地區(qū)教育發(fā)展程度的三個變量同時引入計量模型，以期更好地控制額外因素對于核心自變量回歸結果的影響。

表1 其他控制變量定義及描述性統(tǒng)計

（二）計量模型設定

基于以上變量特征，本文對于經(jīng)濟集聚和人工智能發(fā)展的關系做如下的計量模型假設：

其中代表省份，代表時間。與前文一樣，_b表示年份省份的工業(yè)機器人滲透程度。Ago表示當年該省份經(jīng)濟的空間集聚程度，系數(shù)反映空間集聚程度對于工業(yè)機器人滲透程度的邊際影響，X由一系列控制變量構成，φ和η分別代表省份和年份固定效應，ε代表誤差項。進一步的，隨著戶籍制度的放開和交通設施的日益便利，城市群、都市圈越來越成為各地區(qū)經(jīng)濟發(fā)展的新模式，相鄰省份之間經(jīng)濟的相互影響也越來越不可忽視。而本文所使用的被解釋變量及解釋變量均為省份層面變量，之間很可能存在一定的空間相關性，從而導致回歸結果出現(xiàn)偏誤。鑒于此，本文進一步使用空間杜賓模型檢驗兩者之間的相關關系?？臻g杜賓模型是一類空間計量經(jīng)濟分析模型，它綜合了被解釋變量空間自相關及誤差項空間自相關兩種空間傳導途徑，因此能夠更好地刻畫和捕捉由于各類原因產(chǎn)生的空間溢出效應，保證回歸結果的準確性和可信性。具體而言，我們將模型設定如下：

其中均代表省份，代表省份總數(shù)，ω表示空間權重矩陣中的對應矩陣元。和代表空間相關性為0時，當和同時為0時，則模型回到（3）式?？臻g權重矩陣用于描述變量之間的空間相關程度，通常來說，空間權重矩陣有多種構建方法，其中最簡單的一種是二值空間權重矩陣，即當?shù)貐^(qū)和地區(qū)相鄰時，設矩陣元素為1，否則設為0。這種方法方便易行，但事實上，不相鄰的省份之間的空間相關性并不是完全不存在，同樣，不相鄰省份之間的相關性也會由于地理距離、商貿往來等多種因素而有所差異。因此，這種方法雖然簡便，但也存在相對粗糙的問題。鑒于此，本文構建距離倒數(shù)空間權重矩陣，以空間距離的倒數(shù)作為矩陣元，此時地理距離越近的省份間相關性越強，而這也符合現(xiàn)實經(jīng)濟中區(qū)域間溢出效應的基本特征。出于穩(wěn)健性的考慮，本文也將同時使用二值空間權重矩陣對回歸結果進行檢驗。

四、實證結果及分析

（一）基準回歸結果

表2展示了經(jīng)濟的空間集聚與人工智能發(fā)展的基準回歸結果。其中第（1）列中僅包含經(jīng)濟的空間集聚程度作為自變量，并加入時間、省份的固定效應。可以看出此時在1%的顯著性水平上，可以拒絕兩者之間不存在相關關系的原假設，當?shù)貐^(qū)經(jīng)濟的空間集聚程度越高時，人工智能的滲透程度也越高。這也驗證了前文的假設1，即經(jīng)濟的集聚程度越高，人工智能研發(fā)和應用的條件均越充足，發(fā)展勢頭也更迅猛，而集聚帶來的資源過度集中等問題則尚未出現(xiàn)或相對較小，并未影響到整體效應的正向性。第（2）列在回歸方程中引入經(jīng)濟發(fā)展水平、產(chǎn)業(yè)結構、金融發(fā)展水平等控制變量，發(fā)現(xiàn)此時核心被解釋變量的回歸系數(shù)有所減弱，但依然正向顯著，說明在保持控制變量不變的情況下，經(jīng)濟空間集聚程度高的省份人工智能發(fā)展程度依然較高。從具體數(shù)值上來看，經(jīng)濟集聚程度指標每提高0.01，該省份每萬名從業(yè)人員工業(yè)機器人數(shù)量將增加0.29臺。

考慮到可能存在的空間溢出效應，我們擬使用空間面板模型對于回歸結果進行進一步的穩(wěn)健性檢驗。在此之前，我們首先對于OLS回歸的殘差進行空間相關分析，當殘差存在空間相關性時，說明回歸結果受到空間相關性的影響，那么使用空間面板模型則是必要的，如果不存在空間相關性，則非空間的固定效應模型也是可行的。結果顯示，在2013年之前，殘差值之間不存在顯著的空間相關性，而在2014年之后，殘差之間的空間相關性開始顯現(xiàn)，因此，出于保險性和穩(wěn)健性的考慮，本文在第（3）-（5）列中使用空間面板模型重新進行回歸，將被解釋變量和誤差項的空間相關性納入模型的考慮范圍。其中，第（3）列同第（1）列一樣，僅將經(jīng)濟集聚單個變量納入模型并考慮其空間相關性，此時變量本身的回歸系數(shù)依然正向顯著，且顯著程度不變，但空間滯后項系數(shù)卻不顯著，這說明至少在這一回歸模型中，本省的人工智能發(fā)展水平并不受其他省份經(jīng)濟變量的影響。鑒于此，第（4）列將控制變量納入回歸模型，以更好地測度經(jīng)濟集聚對于工業(yè)機器人滲透程度的影響。為了控制可變因素，此時我們仍然僅考慮經(jīng)濟集聚變量的空間相關性。結果同第（3）列一樣，經(jīng)濟空間集聚指標的結果依然顯著，但其空間滯后項系數(shù)卻提示我們，經(jīng)濟的空間集聚對于人工智能的發(fā)展不存在空間溢出效應，回歸殘差的空間相關性更有可能體現(xiàn)在其他變量上。因此，第（5）列在第（4）列的基礎上引入其他控制變量的空間相關性，此時的空間自回歸系數(shù)表現(xiàn)為顯著，說明模型存在空間溢出效應，經(jīng)濟空間集聚指標的回歸系數(shù)有所下降，但符號及其顯著性依然不變，這也從一定程度上證明了模型結果的穩(wěn)健性。

從控制變量的回歸結果來看，在第（2）、（4）和（5）列的回歸中，人均GDP及其平方項指標分別為負向顯著和正向顯著且結果穩(wěn)健，這說明經(jīng)濟發(fā)展和智能機器人滲透度之間的確存在U型關系，這可能是因為在經(jīng)濟發(fā)展前期，機器人研發(fā)投入不足，且人口紅利尚且存在，勞動力供給還存在剩余，因此經(jīng)濟的發(fā)展首先帶來勞動就業(yè)人數(shù)的上升。而在此之后，隨著經(jīng)濟發(fā)展水平的進一步提高和人口紅利的消失，工業(yè)機器人技術應運而生并快速發(fā)展。另外，值得指出的是，結合一次項、二次項的系數(shù)及人均GDP數(shù)據(jù)的實際取值范圍來看，超過80%的經(jīng)濟發(fā)展水平數(shù)據(jù)位于U型的右側，且這一二次函數(shù)的開口較寬，因此當經(jīng)濟發(fā)展程度較低時，模型顯示的經(jīng)濟的發(fā)展對于智能機器人應用的抑制或擠出作用實際上非常小。此外，從第（5）列來看，金融發(fā)展水平和對外開放度對于人工智能發(fā)展的正向影響得到了驗證，且對外開放程度、產(chǎn)業(yè)結構的空間項系數(shù)表現(xiàn)為負向溢出，說明其他省份的對外開放度及第二產(chǎn)業(yè)比重越高，反而占據(jù)了過多人力和物質資源，對本省份的智能機器人發(fā)展產(chǎn)生擠出或虹吸效應。從教育發(fā)展程度的回歸系數(shù)來看，小學生師比的回歸結果顯著為負，即小學生師比越高，當?shù)厝斯ぶ悄馨l(fā)展程度越低。這一結果來源于作為義務教育，小學的學生人數(shù)相對穩(wěn)定，且小學教育質量與教師的參與程度息息相關，因此小學生師比越高，越反映教師資源不足，教育質量堪憂?？紤]到本文所使用的生師比數(shù)據(jù)均為當期數(shù)據(jù)，小學教育質量低說明該省份無法以子女教育吸引新興技術領域求職者，這才導致人工智能技術發(fā)展遲緩。而與之相對應的，高中生師比越高，則當?shù)毓I(yè)機器人滲透程度越高，這可能是因為隨著年級的提高，教學質量與教師尤其是教師人數(shù)的關系大大降低，且高中教育不是義務教育，高中生師比高更有可能反映的是當?shù)爻踔猩龑W率較高，能夠獲得更高學歷的就業(yè)人員比例增大。初中介于高中和小學之間，其生師比越高一方面反映初中教師資源不足，一方面也可能是反映適齡學生人數(shù)充足，教育資源吸引力強。從結果來看，初中生師比的空間滯后項系數(shù)顯著為正，證明其他省份的初中生師比對于本省份人工智能的發(fā)展具有正向溢出作用，這也說明教育資源吸引力強的假設可能更占上風。與此同時，其他控制變量的結果并不顯著或顯著性很弱，說明在其他因素不變的情況下，這些變量對于地區(qū)人工智能的發(fā)展沒有明顯的影響或其他變量可以作為它們的中介變量。

表2 經(jīng)濟的空間集聚與人工智能發(fā)展的基準回歸結果

續(xù)表

（二）基于衡量指標和空間權重矩陣的穩(wěn)健性檢驗

關于經(jīng)濟空間集聚程度的衡量，以往的文獻從不同的角度提出了不同的度量指標，其中較為常見的一種即空間GINI系數(shù)。盡管正如前文所言，空間GINI系數(shù)指標中不包含行政面積，因此可能帶來空間偏誤等問題（劉修巖，2014；邵帥等，2019），但其充分利用各單元之間的數(shù)值差異，可以很好地刻畫地區(qū)間各單元之間的差異程度的絕對大小，在衡量地區(qū)內不均等程度方面仍然扮演著非常重要的角色。鑒于此，為了驗證文章結論的穩(wěn)健性，我們仍以空間GINI系數(shù)替代地理集中指數(shù)作為解釋變量重新進行回歸。GINI系數(shù)通過每個省份各地級市人均GDP數(shù)據(jù)測算，數(shù)據(jù)來源于《中國城市統(tǒng)計年鑒》2011-2020，描述性統(tǒng)計結果顯示其平均值為0.24，標準差為0.08。此外，空間GINI系數(shù)與地理集中度指標顯著正相關，相關系數(shù)為0.55，這一方面說明GINI系數(shù)和地理集中度所表達的涵義有類似之處，且都能夠較好地衡量省份內經(jīng)濟的集中程度；另一方面，這也說明兩者并不完全等價，空間GINI系數(shù)的確能夠起到補充作用，更全面和完整地反映省份內部的經(jīng)濟集聚程度。

同表2一樣，表3第（1）-（2）列使用固定效應模型進行回歸，其中第（2）列在第（1）列的基礎上引入其他控制變量。從結果來看，此時空間GINI系數(shù)的回歸結果表現(xiàn)為正，且在1%的容錯率下通過了檢驗。以第（2）列為例，空間GINI系數(shù)每上升0.01，則省份每萬名勞動就業(yè)人員對應的工業(yè)機器人數(shù)量增加0.26臺。第（3）-（5）列再次換用空間杜賓模型，變量控制情況與表2完全類似。如表中所示，即使不考慮省份間各地級市的行政區(qū)域差異，以空間GINI系數(shù)為衡量指標的經(jīng)濟空間集聚程度對于工業(yè)機器人滲透度仍然存在顯著的正向影響。與此同時，空間滯后項的回歸系數(shù)顯示，同之前一樣，GINI系數(shù)對于工業(yè)機器人滲透度的影響同樣不存在空間溢出性。此外，值得說明的是，第（4）列在第（3）列的基礎上引入了控制變量，但其擬合優(yōu)度卻不升反降，這可能是因為在不引入控制變量的情況下，模型將部分控制變量對于被解釋變量的影響歸結于GINI系數(shù)的空間溢出效應，從而提高了空間面板模型的解釋力，當然，這也從一定程度上說明，當完全不引入控制變量及其空間滯后項時，回歸的系數(shù)可能存在偏誤，這也是我們以第（5）列為準展開分析的原因。

表3 基于空間GINI系數(shù)的穩(wěn)健性檢驗

續(xù)表

除此之外，在基準回歸中，我們使用地理距離倒數(shù)作為空間權重矩陣元素，而在以往的文獻中，還有另一種常見和簡便的空間權重矩陣構建形式，即二值空間權重矩陣（如高遠東等，2013）。因此，我們也嘗試用是否相鄰作為空間權重矩陣元素，以進一步檢驗基準結果的穩(wěn)健性，提高結論的說服力。由于空間權重矩陣僅用于空間面板模型，我們也僅對空間模型的結果進行再檢驗。表4第（1）-（3）列以地理集中度作為經(jīng)濟空間集聚程度的衡量指標，第（4）-（6）列則以空間GINI系數(shù)為衡量指標。從結果來看，此時的空間自回歸系數(shù)及模型整體的擬合優(yōu)度均發(fā)生了變化，說明在這一空間權重矩陣下，模型對于觀測數(shù)據(jù)的擬合方式的確會發(fā)生變化，使用其作為穩(wěn)健性檢驗也是有價值的。而與此同時，核心解釋變量依然為正向顯著且系數(shù)大小差異較小，空間溢出效果也被證明的確不存在，結果的穩(wěn)健性再次得到了驗證。

表4 基于二值空間權重矩陣的穩(wěn)健性檢驗

（三）基于內生性問題處理的穩(wěn)健性檢驗

人工智能技術作為一種新興技術，以勞動力替代，智能化施工等形式給企業(yè)的生產(chǎn)效率帶來了質的飛躍，大大提高了當?shù)亟?jīng)濟產(chǎn)值，而其他沒有研發(fā)或引入工業(yè)機器人技術的城市則可能變得相對更加落后，經(jīng)濟的集聚程度也可能因此提高。這也就是說，人工智能的發(fā)展與經(jīng)濟的空間集聚程度之間可能存在反向因果問題，回歸變量存在內生性。此外，經(jīng)濟的空間集聚也是經(jīng)濟社會發(fā)展到一定程度后的必然產(chǎn)物，集聚效應和規(guī)模效應又提示我們，集聚發(fā)展將能帶來更強的邊際效應，從而引發(fā)經(jīng)濟差異的進一步擴大和集聚程度的正反饋調節(jié)。

為了盡可能避免類似的內生性問題帶來的影響，文獻中引入過多種不同的實證策略。例如，田相輝和張秀生（2013）、伍駿騫等（2016）研究認為，空間杜賓模型其實已經(jīng)在一定程度上考慮了內生性問題，尤其是忽略空間滯后帶來的內生性問題。此外，系統(tǒng)廣義矩方法（sys-GMM）也被視為解決內生性問題的重要和常用方法。以國內聚焦于經(jīng)濟空間集聚的研究為例，伍駿騫等（2016）通過系統(tǒng)廣義矩方法檢驗了經(jīng)濟集聚對農(nóng)民收入的影響，發(fā)現(xiàn)更高的經(jīng)濟密度的確有助于提升農(nóng)民人均收入。蒲艷萍和成肖（2017）同樣引入了系統(tǒng)廣義矩方法，研究表明，即使在考慮了內生性問題的前提下，經(jīng)濟集聚仍然對于企業(yè)所得稅的實際稅率有降低作用。邵帥等（2019）主要討論經(jīng)濟集聚對碳排放強度的影響，這一研究使用固定效應、系統(tǒng)廣義矩方法及動態(tài)空間面板杜賓模型等多種實證方法發(fā)現(xiàn)，經(jīng)濟集聚和碳排放之間存在倒N型關系，只有當經(jīng)濟集聚超過一定程度之后，其節(jié)能和減排效應才能體現(xiàn)出來。另一種解決內生性的重要方法是工具變量方法。劉修巖（2014）是國內為數(shù)不多使用工具變量方法的研究者，他引入Ramcharan（2009）和Hering and Poncet（2010）的做法，使用地理中心度（省會城市與省內其他城市的距離）、地表粗糙度和地面坡度作為工具變量，討論中國的空間集聚對經(jīng)濟增長和收入差距的影響。與之類似的，林伯強和譚睿鵬（2019）引入Ciccone and Hall（1996）和Fingleton and Longhi（2013）等文獻的做法，使用地形特征及1933年是否開通鐵路作為經(jīng)濟集聚程度的工具變量，探討經(jīng)濟集聚與綠色經(jīng)濟效率的相關關系。考慮到數(shù)據(jù)可得性等多方面因素，我們參考伍駿騫等（2016）及邵帥等（2019）的方法，使用系統(tǒng)廣義矩方法（sys-GMM）減弱內生性對于回歸結果的影響。

表5第（1）、（3）列分別以地理集中度和GINI系數(shù)作為經(jīng)濟空間集聚程度的衡量指標進行了sys-GMM 回歸，Arellano-Bond Test結果顯示，兩個回歸擾動項的差分對應的P值分別為0.005和0.043，即存在一階自相關，但二階自相關對應的P值分別0.502和0.211，即不存在二階自相關，可以接受“擾動項不存在自相關”的原假設。Sargan檢驗結果顯示，在1%的顯著性水平上，無法拒絕“所有工具變量均有效”的原假設。回歸結果表明，此時經(jīng)濟集聚指標的系數(shù)依然為正，說明經(jīng)濟集聚的確能夠促進工業(yè)機器人的應用和推廣。此外，針對回歸中存在的空間相關性因素，第（2）、（4）列進一步使用廣義空間二階段最小二乘法回歸，回歸結果同樣表明，經(jīng)濟的空間集聚對于人工智能的發(fā)展有所裨益，這也就意味著在盡可能減少內生性問題的干擾后，實證結果表現(xiàn)依然是穩(wěn)健的。

表5 基于內生性問題處理的穩(wěn)健性檢驗

續(xù)表

與此同時，為了進一步檢驗反向因果問題的存在性，我們以工業(yè)機器人的滲透度作為解釋變量，以經(jīng)濟的空間集聚程度作為被解釋變量進行反向回歸，為了保證與前文的一致性，所有控制變量不變。表6展示了在兩種模型和兩種經(jīng)濟的空間集聚的衡量方法下的回歸結果。四列的結果均表明，人工智能的發(fā)展更多的還是經(jīng)濟發(fā)展的產(chǎn)物，其發(fā)展程度并不會影響省份經(jīng)濟的集聚，即不存在反向因果。這也可能是因為我國現(xiàn)階段人工智能技術的研發(fā)和應用投入較弱，尚不足以影響經(jīng)濟集群。另外，值得指出的是，當以經(jīng)濟的空間集聚程度作為被解釋變量時，解釋變量的選擇還可以有所差別，因此我們也嘗試在回歸模型中加入城鎮(zhèn)化率（城鎮(zhèn)人口/年末常住人口）、醫(yī)療水平（每萬人擁有的衛(wèi)生技術人員數(shù)）作為控制變量，發(fā)現(xiàn)此時工業(yè)機器人滲透度變量的回歸系數(shù)依然是類似的，表明我國人工智能技術的發(fā)展的確尚未影響到省份內部的經(jīng)濟集聚。

表6 人工智能和經(jīng)濟的空間集聚程度的反向檢驗

續(xù)表

五、進一步討論

從以上的分析中我們得到，經(jīng)濟的空間集聚程度越高，越有利于工業(yè)機器人在該省份的應用與發(fā)展。這一結論以經(jīng)驗事實和理論分析為基礎，也符合經(jīng)濟社會發(fā)展的基本規(guī)律，然而從區(qū)域間協(xié)調發(fā)展的角度出發(fā)，這一結論無疑是讓人擔憂的。十九屆五中全會指出，到2035年，我國要實現(xiàn)中等收入群體的顯著擴大，城鄉(xiāng)和區(qū)域發(fā)展差距顯著縮小，居民生活水平差距顯著縮小。這一遠景目標意味著在未來的十年內，我國的政策目的都應該是區(qū)域間人均收入差距的縮小，即經(jīng)濟的地理集中度、空間GINI系數(shù)的下降，然而文章的實證結果卻表明，經(jīng)濟空間集聚程度的下降并不利于人工智能技術的應用與發(fā)展。因此，更為重要的問題是，在什么樣的情況下，我們可以更少地依靠經(jīng)濟的集聚來促進人工智能的發(fā)展？隨著GDP絕對量的增長，經(jīng)濟的集聚程度對于人工智能發(fā)展的影響是否會有所減弱？

針對上述問題，我們可以將經(jīng)濟分為幾個不同的發(fā)展階段并針對每個階段的特征做出如下假設：①經(jīng)濟發(fā)展水平相對較低的階段。在這一階段，人工智能的發(fā)展將經(jīng)歷從無到有的過程，且通常起源于經(jīng)濟密度最高的地區(qū)，因為僅有這些地區(qū)才能集中對外開放程度高、高技能勞動力密集、政策待遇優(yōu)厚、研發(fā)經(jīng)費充足等諸多優(yōu)勢條件，而這也是在這一階段內其他地區(qū)所不具備的。因此，此時經(jīng)濟的空間集聚程度越高，說明有更多的資源集中起來，為人工智能的發(fā)展提供肥沃的土壤，人工智能的發(fā)展程度也就越高。由于此時整體的經(jīng)濟發(fā)展水平尚且較低，即使存在經(jīng)濟空間集聚，這些地區(qū)的人力和物力條件也不足以支撐人工智能技術的大規(guī)模發(fā)展，因此，此時兩者的正相關系數(shù)也相對較?。ㄈ鐖D3中第一階段）。②經(jīng)濟發(fā)展水平中等階段。隨著經(jīng)濟增長繼續(xù)提速，在超過某一個臨界點后，大多數(shù)集聚體的經(jīng)濟發(fā)展程度足以支持人工智能的發(fā)展和應用，此時集聚度每增加一單位，能夠直接加入到人工智能的研發(fā)和應用中的企業(yè)增加量更多，集聚程度對于人工智能發(fā)展的影響系數(shù)依然為正且系數(shù)大小高于前者（如圖3中第二階段）。③經(jīng)濟發(fā)展水平較高階段。這一階段的人均收入水平通常已經(jīng)超過高收入國家收入水平，即使是經(jīng)濟發(fā)展相對落后的地區(qū)也足以應用智能機器人技術，人工智能的進一步發(fā)展同經(jīng)濟增長一樣，不再強烈依賴于經(jīng)濟是否集聚（Henderson, 2003; Brulhart and Shergami, 2009; 孫浦陽等，2011）。不僅如此，此時經(jīng)濟空間集聚帶來的錯配效應開始占據(jù)一定地位，兩者之間的正相關關系消失或相關系數(shù)非常低（如圖3中第三階段）。

圖3 經(jīng)濟的空間集聚與人工智能發(fā)展之間的關系隨經(jīng)濟發(fā)展水平的變化示意圖

為了從實證上檢驗這一假設，我們通常使用分樣本回歸等形式直接對圖3進行擬合，然而這意味著我們需要首先人為區(qū)分樣本，而這往往難以避免主觀因素的干擾。不僅如此，在實證檢驗之前，我們其實尚不確定對于不同經(jīng)濟發(fā)展程度的樣本，不同的回歸系數(shù)是否存在?；谝陨系目紤]，我們使用固定效應門限回歸模型，該模型首先使用統(tǒng)計推斷的方法判斷門檻值的存在性，而后給出不同的門限范圍內變量的回歸系數(shù)。具體而言，我們將計量模型設置如下：

其中q代表門檻變量，即人均經(jīng)濟發(fā)展水平的對數(shù)。代表其門檻值，和代表門檻值前后的回歸系數(shù)。式（4）代表僅存在單個門檻值的情況，兩個及以上門檻值的情況以此類推。在實際的檢驗過程中，為了明確我國經(jīng)濟發(fā)展水平所處的階段，我們分別檢驗了單門檻和雙門檻兩種情況。表7第（1）列將解釋變量設置為Ago，模型結果顯示，單門檻效應檢驗的F值為76.37，能夠拒絕線性模型的原假設，說明存在單門檻，且門檻值顯示為11.37，即人均GDP等于86 943元。在經(jīng)濟發(fā)展程度未達到門檻值之前，集聚程度每增加0.01，每萬名從業(yè)人員對應的工業(yè)機器人數(shù)量將增加0.20，而在達到門檻值之后，這一系數(shù)將上升至0.42且依然顯著。這驗證了圖3的第一階段和第二階段假設，即人均GDP達到門檻值前，經(jīng)濟的空間集聚對于人工智能發(fā)展的邊際影響較低，而在達到門檻值之后，經(jīng)濟的空間集聚對于人工智能發(fā)展的影響開始抬升。與此同時，雙門檻效應結果顯示，三個階段的回歸系數(shù)仍在逐漸提高，說明并未出現(xiàn)圖3第三階段的情況，我國的經(jīng)濟發(fā)展正處于第一和第二階段，隨著經(jīng)濟空間集聚程度的提高，智能機器人的應用程度也會更高。第（2）列以空間GINI系數(shù)作為經(jīng)濟內部差異的衡量指標，此時單門檻效應檢驗的F值為95.28，且門檻值同樣顯示為11.37。不同的是，GINI系數(shù)對人工智能發(fā)展的邊際效應受到發(fā)展階段的影響更大，當人均GDP不超過門檻值時，回歸系數(shù)為0.162，在超過門檻值后則提高到0.640且顯著性更強。但與此同時，這一回歸結果也表明，我國經(jīng)濟發(fā)展的確尚未達到第三階段，人工智能仍有賴于經(jīng)濟的空間集聚。

表7 門限回歸結果

六、結論與政策啟示

本文基于IFR、《中國城市統(tǒng)計年鑒》等多個數(shù)據(jù)庫2010-2019年的數(shù)據(jù)，采用空間杜賓模型等多種方法對經(jīng)濟的空間集聚與人工智能發(fā)展程度的關系進行了實證檢驗。研究表明：①經(jīng)濟的空間集聚程度越高，則當?shù)毓I(yè)機器人的滲透度越高，兩者之間呈顯著的正相關關系，控制變量及其空間滯后項的引入將不會影響結果的符號及顯著性；②更換經(jīng)濟空間集聚變量的衡量指標、空間權重矩陣后，基準結論依然具有穩(wěn)健性，基于內生性問題處理的sys-GMM方法和廣義空間二階段最小二乘法結果則表明，經(jīng)濟的空間集聚有利于工業(yè)機器人的應用和推廣，而工業(yè)機器人的滲透則不會影響經(jīng)濟的集聚，即不存在反向因果性；③經(jīng)濟集聚對于人工智能的影響可能與經(jīng)濟發(fā)展的階段息息相關，基于面板門限回歸的實證檢驗表明，在我國目前的經(jīng)濟發(fā)展狀態(tài)下，經(jīng)濟的進一步集聚還將給人工智能帶來正面效應，但隨著經(jīng)濟的繼續(xù)增長，人工智能對于集聚程度的依賴性也可能會有所下降。

本文的結論明晰了經(jīng)濟的空間集聚對于人工智能的積極作用，也為如何應對未來空間集聚和人工智能持續(xù)發(fā)展帶來的機遇和挑戰(zhàn)提供了幾點政策啟示：首先，應當正視城鎮(zhèn)化的發(fā)展及其帶來的空間集聚效應。改革開放以來，我國以先富帶動后富的模式抓住國際分工機會，贏得了數(shù)十年經(jīng)濟的高速增長，但同時，不均衡、不協(xié)調的空間增長格局也逐漸形成。其實不止在中國，縱觀全球各國的經(jīng)濟發(fā)展史，不平衡的空間經(jīng)濟格局也幾乎是經(jīng)濟發(fā)展過程中的必經(jīng)之路。但正如文獻綜述中所提到的，很多研究證明這種空間的集聚有利于整體經(jīng)濟的發(fā)展，本文的研究也證明，經(jīng)濟集聚對于人工智能這一戰(zhàn)略性技術的深度應用也是有所裨益的，因此不應該視經(jīng)濟的集聚為洪水猛獸，而是應該在不破壞集聚效應的前提下盡可能實現(xiàn)欠發(fā)達地區(qū)居民生活質量和福利水平的提高。第二，應該繼續(xù)堅定不移地推動經(jīng)濟的可持續(xù)發(fā)展和區(qū)域協(xié)調政策的深入。人工智能的發(fā)展最終是經(jīng)濟社會發(fā)展的產(chǎn)物，隨著經(jīng)濟的可持續(xù)發(fā)展，人工智能的應用前景必定會越來越廣，且受到經(jīng)濟集聚程度的影響可能會越來越小，縮小區(qū)域城鄉(xiāng)收入差距和促進人工智能產(chǎn)業(yè)發(fā)展的目標并不矛盾。不僅如此，多數(shù)區(qū)域協(xié)調發(fā)展政策，尤其是公共服務均等化等社會保障政策主要以欠發(fā)達地區(qū)居民福利的提高為目標，事實上不僅不會直接影響或破壞發(fā)達城市經(jīng)濟的空間集聚效應，還能有效緩解發(fā)達地區(qū)與欠發(fā)達地區(qū)之間居民生活差異的繼續(xù)加大。因此，應當堅持經(jīng)濟發(fā)展的“硬道理”，并持續(xù)推動社會保障等方面區(qū)域協(xié)調政策的發(fā)展，以促進數(shù)字經(jīng)濟等創(chuàng)新領域的發(fā)展和經(jīng)濟發(fā)展格局的改善。

本文為人工智能發(fā)展及其影響因素的研究提供了新的視角，在之后的研究中，本文還可以在企業(yè)層面上智能機器人技術的研發(fā)和應用及其受經(jīng)濟集聚影響的差異性等方面展開更深入的討論。此外，通過更細致的地形特征數(shù)據(jù)，我們還將有望通過工具變量方法進一步驗證經(jīng)濟空間集聚對于人工智能發(fā)展的影響。通過更廣泛、更全面的國際數(shù)據(jù)樣本，各發(fā)展階段經(jīng)濟集聚與人工智能關系的差異性有望得到更完整的檢驗，而這也將成為未來研究和探索的方向。