EN中文

资源科学 >

2024 , Vol. 46 >Issue 5: 936 - 947

DOI: https://doi.org/10.18402/resci.2024.05.07

资源经济

中国工业智能化的时空跃迁及其驱动机制

  • 李莉萍 , 1 ,
  • 邓宗兵 , 2 ,
  • 肖沁霖 2
展开
  • 1.上海财经大学城市与区域科学学院，上海 200433
  • 2.西南大学经济管理学院，重庆 400715
邓宗兵，男，安徽长丰人，博士，教授，博士生导师，研究方向为区域经济与技术经济。E-mail:

李莉萍，女，四川南充人，博士研究生，研究方向为区域经济与数字经济。E-mail:

收稿日期: 2023-09-07

  修回日期: 2024-02-02

  网络出版日期: 2024-06-26

基金资助

教育部人文社会科学研究规划基金项目(19YJA790005)

重庆市社会科学规划项目(2021NDYB058)

西南大学中央高校基本科研业务费专项资金项目(SWU2009221)

收起

Spatiotemporal transition of China’s industrial intelligence and the driving mechanism

  • LI Liping , 1 ,
  • DENG Zongbing , 2 ,
  • XIAO Qinlin 2
Expand
  • 1. School of Urben and Regional Sciences, Shanghai University of Finance and Economics, Shanghai 200433, China
  • 2. College of Economics and Management, Southwest University, Chongqing 400715, China

Received date: 2023-09-07

  Revised date: 2024-02-02

  Online published: 2024-06-26

Fold

摘要

【目的】本文旨在厘清中国工业智能化的时空跃迁特征，探索其时空跃迁的驱动机制，为推动工业智能化区域协调发展提供参考依据。【方法】在测度2010—2021年中国30个省（市、区）工业智能化水平的基础上，利用探索性时空数据分析方法（ESTDA）、分位数回归与时空跃迁镶嵌模型探究工业智能化时空跃迁特征及其驱动机制。【结果】①2010—2021年中国工业智能化水平整体呈上升趋势，增速呈波动型增长趋势，并呈现出“东部占优，中西低平”空间不均衡格局。②时空跃迁分析显示，中国工业智能化具有较强的路径锁定和空间依赖特征，其中多数西部省（市、区）始终锁定在低水平“俱乐部”；空间格局演化具有较强的整合性，其中正向协同跃迁为主要发展模式。③机制分析显示，各地区工业智能化时空跃迁的驱动模式各异，其中，多数东部沿海省（市、区）的跃迁动力主要来自“经济水平-对外开放-区域创新”驱动模式，多数中西部内陆省（市、区）的跃迁阻力主要来自“产业结构”制约模式。在空间上，工业智能化时空跃迁模式自东向西呈现出“同向发展→同向制约”梯式演变格局。【结论】中国工业智能化发展仍存在较大提升空间，亟需因地制宜填补地缘劣势，突破空间路径锁定，强化工业数智融合，形成工业发展合力。

关键词： 工业智能化; 时序演化; 时空跃迁; 驱动机制; 探索性时空数据分析方法（ESTDA）; 分位数回归; 中国

本文引用格式

李莉萍 , 邓宗兵 , 肖沁霖 . 中国工业智能化的时空跃迁及其驱动机制[J]. 资源科学, 2024 , 46(5) : 936 -947 . DOI: 10.18402/resci.2024.05.07

Abstract

[Objective] The objective of this study was to clarify the characteristics of the spatiotemporal transition of industrial intelligence in China and its driving mechanism, and provided a reference basis for promoting the coordinated regional development of industrial intelligence. [Methods] On the basis of measuring the industrial intelligence level of 30 provinces in China from 2010 to 2021, this study investigated the spatiotemporal transition characteristics of industrial intelligence by using exploratory spatiotemporal data analysis (ESTDA). We then used quantile regression with spatiotemporal transition mosaic model to explore the driving mechanism of the spatiotemporal transition. [Results] The results show that: (1) From 2010 to 2021, China’s industrial intelligence level as a whole showed an upward trend, and the growth rate exhibited a fluctuating growth trend. Spatially, the distribution exhibited an unbalanced pattern of “advanced in the east and weak in the central region and the west”. (2) The results of spatiotemporal transition analysis indicated that China’s industrial intelligence had powerful path-locking and spatial dependence characteristics. Most western provinces were always locked in the “club” of low intelligence attributes. The change of spatial pattern of industrial intelligence in China showed strong integration characteristics, in which positive synergistic transition was the main development mode. (3) Mechanism analysis revealed that the driving and restricting modes of spatiotemporal transition of industrial intelligence varied among different regions. The spatiotemporal transition in most eastern coastal provinces was mainly “economic level, opening up, and regional innovation” driven, while the resistance of spatiotemporal transition in most central and western provinces primarily arose from the restricting mode of “industrial structure”. The spatiotemporal transition pattern of industrial intelligence from the east to the west presented a trapezoidal evolution pattern from “same direction development” to “same direction constraints”. [Conclusion] China’s industrial intelligence still has a large room for improvement. Therefore, in the future, there is an urgent need to address the geographical disadvantages according to local conditions, break through the spatial path of locking in. Meanwhile, it is also necessary to strengthen the integration of industrial digitalization and intelligence, and form industrial development synergies to promote the development of industrial intelligence.

Key words： industrial intelligence; temporal change; spatiotemporal transition; driving mechanism; exploratory spatiotemporal data analysis (ESTDA); quantile regression; China

1 引言

在新一轮科技革命和产业变革中，人工智能技术与产业深度融合催生出工业智能化发展新模式，成为中国建设制造强国的强劲动力。然而，工业智能化进程在保持加速之势时，也面临区域劳动力结构变化、核心技术高度依赖国际大循环以及地方各自为政、相互掣肘等突出问题，严重阻碍了中国工业区域协调和高质量发展目标的实现。如何提高区域工业智能化发展水平，实现地区工业智能化交互协调演进成为当前亟需解决的难题。早在2015年，《中国制造2025》提出“要推进信息化和工业化的深度融合”，把智能制造作为发展的主攻方向。党的二十大报告再次强调推动制造业高端化、智能化、绿色化发展，明确了工业智能化的重要发展地位。可见，工业智能化是当前各部门关注的重点，尤其是在“地区化”特征明显的现实背景下，协同推进工业智能化成为构建新发展格局的重要路径。基于此，从时空动态视角揭示中国工业智能化的时空跃迁特征及其驱动机制，对推动工业智能化时空协调发展、加快构建新发展格局具有重要意义。
20世纪80年代，美国和日本在制造业创新实践中就已关注到智能化的技术发端，并从技术融合、智能生产等方面界定了内涵[1,2]，但直到2013年德国“工业4.0”战略才明确提出“工业智能化”概念。随着智能技术在工业领域全方位渗透，工业智能化逐渐成为学术界的热议话题，主要涉及水平测度、影响因素、作用效果及空间特征等研究内容。在水平测度方面，最初国内外学者侧重于智能化某一领域，以工业机器人单一指标表征智能化水平[3,4]。随着智能化涵义日趋丰富，单一指标难以刻画工业智能化全貌，继而转为综合评价体系，代表性研究有从基础建设、生产应用、竞争力和效益3个维度构建指标[5]，或从智能化条件、智能化应用、智能化技术等维度构建评价体系[6]。在此基础上，学者多采用熵值法、主成分分析法等对其进行测量。在影响因素方面，国外研究从技术因素展开，通过理论演绎验证了技术革命（如智能制造和工业4.0）是工业智能化重要推手[7]。国内研究主要从经济、社会因素展开，运用传统计量回归方法对其具体影响因素进行识别，认为除却经济发展、产业结构等因素，对外开放、人口结构、技术创新、营商环境等因素对工业智能化也起重要作用[8,9]。在作用效果方面，国外研究已发现工业智能化对生产效率、碳排放、就业结构等存在重要影响[10,11]；国内研究主要论述工业智能化的积极作用，如工业智能化对高质量发展、劳动生产率、低碳发展、产业升级、城市层级结构等方面的影响[6,12,13]。当然，也有学者发现智能技术可能引发“生产率悖论”[14]。在空间特征方面，已有研究运用泰尔指数、核密度系数、Dagum基尼系数等空间分析方法揭示了工业智能化的空间分异特征，一致认为智能化发展存在明显的区域不平衡以及同质性集聚特征[15,16]，同时也有运用空间Markov链等方法发现智能化发展存在空间极化现象[17]。总体而言，国外研究侧重于研究技术驱动工业智能化发展，而国内更关注工业智能化对各领域及空间的影响。
学术界对中国工业智能化的研究逐渐深入，但仍存在可拓展空间：①对于工业智能化测度体系的研究虽已逐步完善，但指标构建较为单一，多侧重于经济或社会的某一方面，导致工业智能化测算结果难免有偏。鲜有文献从系统论视角构建工业智能化评价指标体系，精准刻画省域工业智能化的全貌。②已有研究主要聚焦于工业智能化的水平测度、经济效应等方面，而对工业智能化时空交互特征的关注略显不足。虽有部分研究揭示了工业智能化的时空分异特征，但局限于空间差异与关联作用的截面特征，未能有效结合时间属性与空间属性来深入剖析其时空跃迁规律。③在影响因素的发掘上，已有研究多借助传统回归模型探究工业智能化的驱动因素，但却忽略了不同工业智能化水平下驱动因素存在异质性。事实上，中国地域辽阔，梯度跨度较大，不同地区在经济基础、产业构成、区域创新、对外开放等方面均存在一定差异，如果继续沿用既有的研究范式，极有可能忽略工业智能化所处的发展阶段与区域差异，也不利于国家和各级政府因地制宜地制定工业智能化发展策略。
基于此，本文在测度2010—2021年中国30个省（市、区）工业智能化水平的基础上，利用探索性时空数据分析方法考察中国工业智能化的时空跃迁类型与时空跃迁路径，并运用分位数回归与时空跃迁镶嵌模型探究中国工业智能化的时空跃迁特征及其驱动机制模式，以期为中国工业智能化高质量发展提供理论依据，为制定“共同但有区别”的工业智能化发展政策提供决策参考。

2 指标构建、研究方法及数据来源

2.1 指标构建

2.1.1 工业智能化

工业智能化是一个多维、复合、系统的概念，因而已有研究者采用构建评价体系的方式进行衡量。本文将工业智能化视作一个系统进化的过程，也是系统要素、结构与功能三者相互作用的过程。鉴于此，基于系统论思想将工业智能化内涵界定为：工业智能化依托智能技术与工业产业深度融合，驱动传统工业产业在生产、服务、销售等方面智能化发展，最终实现工业价值链攀升和经济、社会和环境效益提高。这包含3个方面内容：一是智能化基础（要素），工业智能化发展是质效提升的过程，依托基础资源要素投入；二是智能化运用（结构），工业智能化发展催生出以智能技术为基础的智能运用场景，表现为智能技术的开发和利用；三是智能化效应（功能），工业智能化发展在经济、社会和环境上的全方位体现，反映了其生产潜力、社会效益和环境友好性。根据上述界定，考虑数据可得性，本文构建了工业智能化的指标体系（表1）。
表1 工业智能化指标体系

Table 1 Industrial intelligence indicator system

目标层 准则层 指标层 指标解释 属性 单位
工业智能化 智能化基础 网络基础 光纤线路长度与年末户籍人口数之比 + m/人
智能投资 高技术制造业R&D经费 + 万元
专业人才 计算机服务和软件从业人员占从业人员总数的比重 + %
智能化运用 智能设备利用 制造业企业机器账面价值与企业员工总数之比 + 万元/人
新产品生产 工业新产品销售收入占工业企业主营业务收入的比重 + %
智能软件运用 基础软件、支撑软件和嵌入式应用软件等产品的收入占所有工业企业主营业务收入的比重 + %
智能化效益 经济效益 智能制造企业的主营业务收入占全国工业企业的主营业务收入的比重 + %
社会效益 智能制造企业税收总额 + 万元
智能制造企业从业人员数量占所有从业人员的比重 + %
环境效益 工业单位GDP能源消耗 - tce/万元
具体而言：①智能化基础。工业智能化实现的基础在于网络设施、资金和人才等要素投入，借鉴刘军等[18]的研究，划分为网络基础、智能投资和专业人才3个分项，分别选取光纤线路长度与年末户籍人口数之比、高技术制造业R&D经费与计算机服务和软件从业人员占从业人员总数的比重近似表征。②智能化运用。智能化运用是工业智能化发展的关键环节，其加快了智能设备、智能产品、智能软件等在工业系统中有效融合，参考陈晓等[5]的研究，划分为智能设备利用、新产品生产、智能软件运用3个分项，分别选取制造业企业机器账面价值与企业员工总数之比、工业新产品销售收入占工业企业主营业务收入的比重和基础软件、支撑软件和嵌入式应用软件等产品的收入占所有工业企业主营业务收入的比重近似表征。③智能化效益。本文将其划分为经济效益、社会效益和环境效益3个分项。其中，经济效益反映智能化进程中的市场盈利情况[18]，选取智能制造企业的主营业务收入占全国工业企业的主营业务收入的比重近似表征；环境效益反映工业智能化的节能降耗情况，选取工业单位GDP能源消耗近似表征；就业是民生之本、税收调节社会分配，工业智能化的社会效益能够体现在税收贡献和就业人数上，借鉴高运胜等[19]的研究，选取智能制造企业税收总额和智能制造企业从业人员数量占所有从业人员的比重表征。

2.1.2 驱动因素

根据工业智能化发展的本质要求及当前中国大环境，本文综合考虑经济发展情况、社会发展程度及智能化基础等方面选取驱动因素：①经济水平。经济发展能给予智能化发展支持，不断实现基础设施完善、资金要素投入、智能人才供给，为人工智能和互联网等数字技术提供资源要素，推动工业高端化、智能化发展。本文使用人均GDP的自然对数表征。②对外开放。对外开放的程度往往和区域资源配置、技术创新能力等直接挂钩，开放程度越高，外资进入壁垒越小。对外开放能够带来技术示范及知识外溢，助推工业智能化发展。但是对于发展初期，对外开放引致大量劳动密集型和重污染产业进入，可能会打击本土工业智能化发展。因此本文借鉴王松茂等[20]的研究，使用地区进出口总额占GDP的比重表征。③人口老龄化。人口结构变化能够有效影响信息技术变革[21]。人口老龄化会直接引致劳动力比例下降，使得“人口红利”优势减少，而工业智能发展能够有效实现对常规性、复杂性等方面劳动力的替代，也创造出新的智能化技术人员就业岗位，“倒逼”企业智能化转型。同时，人口老龄化加深对人口质量的重视，助推“工程师红利”释放，有利于工业智能化发展。因此本文使用地区65岁以上人口占总人口数的比重表征。④区域创新。区域创新水平是工业智能化发展的基础，能够催生出新一代工业智能技术，并通过研发新产品、获取专利技术、优化智能设备等实现工业价值攀升。因此本文借鉴苏屹等[22]的研究，使用地区国内专利申请授权数与地区就业人数之比表征。⑤产业结构。产业结构对工业智能化发展有重要影响，其中，高级化、合理化的产业结构会加大引进先进设备、提高创新研发投入，使得低技术行业向智能化行业扩散[23]。但产业结构不合理也会导致资源要素在各行业间配置不均，不能充分发挥产业结构优势，使用第二产业增加值占GDP的比重表征。

2.2 研究方法

2.2.1 熵值法

熵值法是一种能够根据指标所含信息赋予各评价指标权重的客观赋权方法，其测算结果具备很强的客观性和可靠性。据此，本文采用熵值法客观评价2010—2021年中国30个省（市、区）工业智能化水平。鉴于已有文献对熵值法进行了详细阐释[24]，因此具体测算过程不再赘述，仅给出关键计算步骤：
y i t = ∑ j = 1 n ω j × x i j '
式中： y i t为i省（市、区）第t年的工业智能化水平； ω j为指标j的权重；n为指标个数； x i j '为原始值的无纲量值。

2.2.2 探索性时空数据分析方法

探索性时空数据分析（ESTDA）不仅可以对研究单元的空间格局进行可视化表达，还充分考虑了时间这一关键因素，实现了时空交互分析[25]。因此，本文借助ESTDA系统分析中国工业智能化的时空跃迁特征。
（1）LISA（Local Indicators of Spatial Association）时间路径。LISA时间路径在Moran’s I散点图的基础上纳入时间要素，考察坐标在Moran’s I散点图上的动态转移，既能反映各评价对象水平值在区域层面上的时空协同变化，也能探究其时空差异动态性特征。具体包括LISA时间路径相对长度和弯曲度等，表达式分别为：
L i = M × ∑ t = 1 T - 1 d ( L i , t ,   L i , t + 1 ) ∑ m = 1 M ∑ t = 1 T - 1 d ( L i , t ,   L i , t + 1 )
δ i = ∑ t = 1 T - 1 d ( L i , t ,   L i , t + 1 ) d ( L i , t ,   L i , T )
式中：M为省（市、区）数量；T为时间长度；Li,t为t年省（市、区）i的LISA坐标；Li为相对长度；δi为弯曲度； d ( L i , t ,   L i , t + 1 )为省（市、区）i从t年到t+1年坐标移动的距离。
（2）LISA时空跃迁。LISA时空跃迁反映局部空间关联类型在样本期内的转换，包括高高（HH）、高低（HL）、低低（LL）和低高（LH），并将其时空跃迁分为4种基本类型：类型I为自身跃迁，但邻域不变，包括HH→LH，HL→LL，LH→HH，LL→HL；类型II为自身不变，但邻域发生跃迁，包括HH→HL，HL→HH，LH→LL，LL→LH；类型III为自身与邻域都发生跃迁，包括HH→LL，HL→LH，LL→HH，LH→HL；类型IV为自身与邻域均未发生空间关联形态转移，包括HH→HH，HL→HL，LH→LH，LL→LL。

2.2.3 分位数回归模型

分位数回归能够在不同分位数下对因变量和自变量进行线性估计，也不需要较强的分布假设，即使存在极端值也能得到稳健的结果。因其对条件分布的细致刻画，能够与时空跃迁类型进行深度嵌套，较好揭示工业智能化时空跃迁的驱动机制，具体的模型构建参考张子昂等[26]的研究。

2.2.4 时空跃迁与分位数回归的嵌套

基于分位数回归模型，结合LISA时空跃迁分析，本文借鉴张子昂等[26]研究思路，将不同响应阶段驱动因素的分位数与时空跃迁类型进行紧密嵌套（表2）。具体而言，依据分位数模型的分位数大小和驱动因素的回归系数正负性，工业智能化驱动机制可分为4种类型：低分位模型分位点范围为(0.0, 0.5)，对应探索性时空数据分析中工业智能化处于较低水平，再根据驱动因素回归系数的正负性将分位模型分为低分位驱动与低分位制约，其中，低分位驱动表示在低分位点范围内各驱动因素促进了工业智能化发展，低分位制约表示在低分位点范围内各驱动因素抑制工业智能化发展。高分位模型分位点范围为[0.5, 1.0)，对应探索性时空数据分析中工业智能化处于较高水平，再根据驱动因素回归系数的正负性将高分位模型分为高分位驱动与高分位制约，其中，高分位驱动表示在高分位点范围内各驱动因素促进工业智能化发展，高分位制约表示在高分位点范围内各驱动因素抑制工业智能化发展。
表2 时空跃迁类型与高低分位数回归模型的嵌套

Table 2 Nesting of spatiotemporal transition types and high/low quantile regression models

响应类型 驱动类型 跃迁类型 发展类型
高分位响应 高分位驱动 HH→HL 反向发展
HH→HH 同向发展
HL→HL 反向发展
HL→HH 同向发展
高分位制约 HH→LH 反向发展
HH→LL 同向制约
HL→LL 同向制约
HL→LH 反向发展
低分位响应 低分位驱动 LH→HL 反向发展
LH→HH 同向发展
LL→HL 反向发展
LL→HH 同向发展
低分位制约 LH→LL 同向制约
LH→LH 反向发展
LL→LH 反向发展
LL→LL 同向制约

2.3 数据来源

本文样本选自2010—2021年中国30个省（市、区）的面板数据（数据所限，未含西藏、港澳台地区），相关数据均来源于2011—2022年《中国统计年鉴》《中国科技统计年鉴》、国家统计局及国泰安（CSMAR）数据库，其中，涉及市场价值的指标以2010年为基期进行价格指数平减，部分缺失数据采取线性模拟补齐。

3 结果与分析

3.1 中国工业智能化的时序演化分析

通过熵值法得到2010—2021年中国工业智能化水平并分析其时序演变趋势（图1）。图1直观显示，2010—2021年中国工业智能化水平呈现逐年增长态势，从2010年的0.036提升到2021年的0.085，年均增幅约8.1%。从工业智能化历年增速来看，呈现出先下降后上升再下降的波动型增长趋势。2010年中国传统制造业较多、智能化技术尚缺、创新能力不足等问题一定程度制约着工业智能化发展，2013年德国提出“工业4.0”战略，短暂刺激了中国工业智能化发展。但直到2015年中央出台加快实施创新驱动发展战略，这激发了市场主体的活力，促使新技术研发深化、创新资源合理配置，工业智能化设备在更高层面上实现了对体力劳动的部分替代，逐步成为推动经济社会发展的引擎。因此，2015年以前工业智能化水平增长率呈波动下降趋势，2015年以后才迎来了样本期内第一次“井喷式”增长，2015年全国增速达8.5%，2016—2018年全国增速也均维持在9.5%以上。2019—2020年美国贸易制裁加码，关键核心技术领域对中国“卡脖子”，新型工业化、人工智能发展受国际环境不确定的影响，出现明显的回落现象，2019年工业智能化增速下降到7.2%，此后增速也均处于相对较低态势。在区域层面上，工业智能化水平呈现出明显的“东部占优、中西低平”的空间结构。2010年东、中、西部地区工业智能化水平分别为0.051、0.028、0.029，2021年分别为0.143、0.056、0.047，分别提升了0.092、0.028、0.018。可见，各区域工业智能化水平均得到提升，但区域发展不平衡特征突出。
图1 2010—2021年中国工业智能化发展的时序演变趋势

Figure 1 Trend of temporal change of industrial intelligence development in China, 2010-2021

3.2 中国工业智能化的LISA时空动态特征

3.2.1 LISA时间路径相对长度和弯曲度分析

在同时考虑时间和空间双重因素后，本文测算了中国工业智能化水平的LISA时间路径相对长度与弯曲度（表3）。具体结果如下：
表3 LISA时间路径相对长度和弯曲度测算结果

Table 3 Results of relative length and curvature of the local indicators of spatial association (LISA) time path

省（市、区） 相对长度 弯曲度 省（市、区） 相对长度 弯曲度
北京 1.679 6.288 湖南 1.070 2.154
天津 1.127 4.016 广东 2.037 2.150
河北 0.806 1.453 广西 0.866 4.659
山西 0.519 3.027 海南 2.033 2.147
内蒙古 0.422 2.449 重庆 1.938 5.481
辽宁 0.609 12.641 四川 0.752 1.738
吉林 0.711 1.643 贵州 0.490 2.492
黑龙江 0.533 1.452 云南 0.566 3.011
上海 2.247 1.763 陕西 0.597 8.223
江苏 0.935 2.525 甘肃 0.541 1.523
浙江 1.375 1.150 青海 1.770 1.683
安徽 0.564 1.363 宁夏 0.601 4.544
福建 1.163 1.518 新疆 1.053 2.066
江西 0.827 2.084 东部 1.369 3.500
山东 1.047 2.847 中部 0.668 1.875
河南 0.542 1.519 西部 0.873 3.443
湖北 0.579 1.758 全国 1.000 3.046
中国工业智能化整体空间格局相对稳定。2010—2021年工业智能化的LISA时间路径相对长度小于均值1的省（市、区）有18个，占比60.0%，表明区域工业智能化的整体空间格局具有一定的稳定性。从区域来看，东、中、西部地区的工业智能化水平相对长度均值为1.369、0.668和0.873，呈现出“东部˃西部>中部”的空间特征，表明东部地区具有更为动态的局部空间结构，而中部和西部地区局部空间结构较为稳定。主要原因是：东部地区具备工业智能化发展的区位优势、经济基础及创新能力，不断对周边区域产生“虹吸效应”，以此为工业智能化注入新要素、新活力和新竞争优势，形成更加波动的局部空间结构。相较而言，中、西部地区工业智能化发展面临技术人才匮乏、产业结构不合理等困境，难以激发和释放区域内生增长动力，致使整体处于低水平，共同构成了相对稳定的局部空间结构。从省域来看，相对长度的高值区集中在东部的上海、广东和海南等省（市、区），表明这些省（市、区）工业智能化水平提升较为明显，表现出更加动态的局部空间结构；相对长度的低值区集中在中部的山西、河南等省（市、区）及西部的贵州、甘肃等省（市、区），这些省（市、区）工业智能化水平提升缓慢，一直处于低水平俱乐部，呈现出较为稳定的局部空间结构。
中国工业智能化的局部空间结构具有稳定的空间依赖方向。从总体来看，弯曲度小于均值3.046的省（市、区）有23个，占比76.7%，表明工业智能化的局部空间格局的依赖方向具有稳定性。从区域来看，东、中、西部地区的工业智能化弯曲度均值为3.500、1.875和3.443，呈现出“东部˃西部>中部”的空间特征，表明东部和西部地区具有更加波动的时空依赖关系，而中部地区时空依赖关系则更加稳定。究其原因在于：东部地区工业智能化发展正处于蓬勃发展阶段，区域内人力资本、技术和资源等要素快速流动与集聚，因而其工业智能化的动态变迁过程受空间影响较大，呈现出动态的变动方向与空间依赖关系。西部地区因地理优势不佳、技术水平较差和产业结构单一等影响，部分省（市、区）会受发展相对较好的邻近区域吸虹效应的影响，也表现出动态的空间依赖关系。然而，中部地区工业智能化发展较为均衡，省（市、区）更多依靠自身资源基础和产业结构等优势推进工业智能化发展，因而弯曲度较小。从省域来看，弯曲度排名前5的是辽宁、陕西、北京、重庆和广西，说明这些省（市、区）局部空间依赖方向更具动态性，其在工业智能化发展上受周边省份的影响较大。排名后5的是福建、河北、黑龙江、安徽和浙江，表明这些省份工业智能化具有稳定的空间依赖方向，波动特征不明显，意味着对于邻近地区的依赖和影响较小，存在“独善其身”的情况。

3.2.2 LISA时间路径移动方向分析

为揭示工业智能化时空跃迁的移动方向，本文绘制了2011年和2021年30个省（市、区）的LISA坐标在散点图中的位置变动情况（图2），箭头方向为跃迁方向。[0°, 90°)方向表示自身与邻域发生正向协同跃迁，[180°, 270°)方向表示自身与邻域发生负向协同跃迁，[90°, 180°)和[270°, 360°)方向表示自身与邻域发生反向跃迁。图2显示，中国工业智能化水平空间格局演化具有较强的空间整合性。自身及邻域工业智能化发生正向协同跃迁和反向协同跃迁的省（市、区）有19个，占比63.3%，表明中国工业智能化拥有良好的空间整合条件，具备协同发展的基础。其中，省域间正向协同跃迁是中国工业智能化的主要发展模式。在[0°, 90°)方向上，正向协同跃迁包括北京、河北、山西、江苏、安徽、福建、江西、河南、广西、海南等10个省（市、区），多数位于东部地区，其工业智能化发展具有强劲动力，呈现出协同高速增长态势。因此，加强省域间交流，实现更大区域间共同发展和协同合作，是未来工业智能化整体协同发展的重要内容。此外，省域间负向协同发展中的部分省（市、区）并未发生象限跨越，依旧维持原有的跃迁类型未发生改变。在[180°, 270°)方向上，类型I有3个（重庆、四川、青海），类型II和类型III的数量为0个，类型IV有6个（内蒙古、吉林、黑龙江、陕西、宁夏、新疆）。可见，这9个发生负向协同跃迁的省（市、区）未跨越象限，意味着若其能够及时调整工业智能化发展战略、加速完善区域智能化发展合作手段与方式、促进工业智能化转型，依旧有望促进工业智能化转变为正向协同发展，填补地区“洼地”，突破低速增长困境。
图2 LISA时间路径移动方向

Figure 2 Moving direction of the local indicators of spatial association (LISA) time path

3.2.3 LISA时空跃迁分析

为了分析中国工业智能化的局部空间关联类型转移情况，进一步利用Moran’s I转移概率矩阵揭示不同局部类型间的演化过程（表4）。从整体上来看，中国工业智能化的局部空间关联结构较为稳定，多数省（市、区）并未脱离其原来的空间集聚范畴，呈现出一定的跃迁惰性。从局部空间来看，中国工业智能化的局部空间关联结构存在“路径依赖”现象。对角线上的概率均大于非对角线上的概率，最普遍的类型为类型IV，该类型在散点图中保持象限不变概率为83.3%，表明工业智能化空间关联结构较为稳定，存在较强的路径依赖和路径锁定特征。类型I、类型II、类型III的跃迁比例分别仅为13.3%、0.0%、3.4%，表明省（市、区）自身工业智能化受邻域溢出效应影响较小，受自身工业智能化影响较大。从省域来看，高值区存在向下跃迁的风险，低值区很容易锁定在低水平“俱乐部”。HLt→LLt+1转移概率为42.8%，意味着部分高值区工业智能化的增长速度较为缓慢，存在一定的向下跃迁风险，因此未来规避这一风险至关重要；LLt→LLt+1转移概率为91.7%，这意味着低值区容易陷入智能化发展困境，表现出较强的低水平“俱乐部”趋同现象，由此形成了最稳定的区域“洼地”。如何推动这些省（市、区）突破低水平的路径锁定，将成为驱动中国工业智能化整体向上跃迁的关键。总体而言，中国工业智能化受邻域的影响较小，主要由自身因素所致，具有较强的空间锁定特征。
表4 省域工业智能化的Moran’s I转移概率矩阵

Table 4 Local Moran’s I transfer probability matrix of industrial intelligence in provinces

类型 省（市、区）数量/个 HHt+1 LHt+1 LLt+1 HLt+1 类型 省（市、区）数量/个 比例/%
HHt 3 IV(100.0) I(0.0) III(0.0) II(0.0) I 4 13.3
LHt 8 I(0.0) IV(100.0) II(0.0) III(0.0) II 0 0.0
LLt 12 III(0.0) II(0.0) IV(91.7) I(8.3) III 1 3.4
HLt 7 II(0.0) III(14.3) I(42.8) IV(42.9) IV 25 83.3

注：括号内为Moran’s I转移概率，单位为%。

3.3 中国工业智能化时空跃迁的驱动机制

整合工业智能化时空跃迁类型与不同分位数驱动因素的回归结果，本文构建了“产业结构”制约、“经济水平-对外开放-区域创新”驱动、“对外开放-区域创新-人口老龄化”驱动的3种时空跃迁驱动/制约模式（表5）。具体分析如下：
表5 中国工业智能化发展驱动因素的分位数回归结果

Table 5 Quantile regression results of driving factors of China’s industrial intelligence level

分位点 经济水平 对外开放 人口老龄化 区域创新 产业结构
0.1 0.0063** 0.0019 0.0019*** 0.0017*** -0.0179**
(0.0025) (0.0033) (0.0003) (0.0001) (0.0088)
0.2 0.0044 0.0117*** 0.0015*** 0.0021*** -0.0239**
(0.0031) (0.0041) (0.0004) (0.0001) (0.0109)
0.3 0.0054* 0.0185*** 0.0012*** 0.0024*** -0.0370***
(0.0032) (0.0042) (0.0004) (0.0001) (0.0110)
0.4 0.0052 0.0311*** 0.0013*** 0.0025*** -0.0424***
(0.0036) (0.0047) (0.0004) (0.0001) (0.0125)
0.5 0.0097*** 0.0388*** 0.0012*** 0.0024*** -0.0497***
(0.0036) (0.0047) (0.0004) (0.0001) (0.0125)
0.6 0.0124*** 0.0408*** 0.0010 0.0027*** -0.0536***
(0.0036) (0.0048) (0.0004) (0.0001) (0.0126)
0.7 0.0124 0.0456*** 0.0014** 0.0027*** -0.0715***
(0.0053) (0.0069) (0.0006) (0.0002) (0.0183)
0.8 0.0136 0.0622*** 0.0009 0.0027*** -0.1083***
(0.0107) (0.0142) (0.0013) (0.0003) (0.0374)
0.9 0.0295*** 0.0700*** -0.0013 0.0022*** -0.2194***
(0.0113) (0.0149) (0.0014) (0.0004) (0.0393)

注：***、**、*分别表示在1%、5%和10%水平上显著，括号内为标准误。

（1）“经济水平-对外开放-区域创新”驱动模式。在高分位驱动类型中，经济水平、对外开放、区域创新是驱动工业智能化发展的关键因素，其中对外开放、区域创新的影响最为显著，各分位点均在1%的水平上显著。究其原因在于：对外开放和区域创新对工业智能化发展至关重要。随着对外开放进程加快，中国不仅能够抓住国际产业和资本转移的机遇，也能在交流中获得新技术、新知识，从而实现国内区域工业智能升级。区域创新能够加快互联网、人工智能、区块链等技术的快速迭代，实现数字技术在工业领域充分融合与应用，推动其从传统领域扩展到智能化领域，并实现工业转型升级。此外，经济水平也存在正向影响，但只有部分分位点显著。经济发展能够对工业智能化发展实现全方位渗透，既能直接孕育智能化产业，也能促使更多资金进入研发创新领域，为现有产业新技术、新产品、新设备的设计与研发提供资金保障，为工业智能化发展赋予强大发展动力。从空间分布来看，该模式的分布较为分散，但主要包括经济发展较好、工业基础雄厚的沿海省（市、区），如上海、江苏、浙江、北京、山东、广东等。其中，上海、江苏、浙江为同向发展型省（市、区），其自身在维持高水平情况下，邻域向高水平跃迁，实现两者的协同发展，“涓滴效应”显著；而北京、山东、广东为同向制约型省（市、区），其自身位于高水平发展情况下，其邻域却向低水平跃迁，导致两者之间的差距逐渐增大。
（2）“产业结构”制约模式。在高分位制约类型和低分位制约类型中，产业结构的影响系数均始终为负，各分位点均在5%水平上显著，且随着分位点的提高，产业结构的抑制作用逐渐增强。可见，产业结构是工业智能化发展的主要制约因素。究其原因在于，中国的产业结构不完善、不合理，还未实现质量和效益的统一，阻碍了工业智能化发展进程。具体而言，一是可能因过早“去工业化”原因，由重点支持工业化逐渐转向支持服务业发展，致使中国工业化受阻、经济发展减速[27]，影响工业智能化进程；二是可能源于地区内部多为传统产业，依旧依靠密集劳动、能源消耗和要素投入等模式发展，而知识密集型、高科技和高附加值的工业发展不充分，智能化发展受阻。该模式省（市、区）主要分布在中、西部地区，其中江西、河南、广西、山西等23个省（市、区）为同向制约型省（市、区），自身及邻域工业智能化发展均受阻，且发展困境难以突破，形成“洼地”；湖南为反向发展型省份，这类省份自身并未发生向上跃迁，但邻域发生向上跃迁，两者的差距逐渐增大。
（3）“对外开放-区域创新-人口老龄化”驱动模式。在低分位驱动类型中，对外开放、区域创新和人口老龄化是工业智能化发展的关键驱动因素，但对外开放的促进作用不断增强，人口老龄化的作用逐渐减弱。对外开放促进工业智能化的原因与高分位驱动中的基本一致，但该模式中省份工业智能化较为落后，更加需要外资进入赋予工业智能化动力。究其原因在于：一是对外开放以后能够利用国外市场，促使中国工业企业能够引进并吸收外来先进的知识与技术，激发创新并实现持续性技术进步，促进工业智能化发展；二是外资进入能够弥合地区工业发展的资金缺口，使得工业企业拥有更多资金进行研发与创新，为工业智能化发展注入了新活力。工业智能化发展也离不开区域创新驱动，创新能够带来先进的智能技术、提高智能化设备的利用率，有效加快了工业智能化进程。人口老龄化带来了劳动力比例下降、人才后备军减少、用工成本增加等现实问题，实际上对工业智能化发展形成了倒逼作用，促使工业企业通过智能化实现对劳动力的代替。同时人口老龄化推动了“人口红利”向“工程师红利”转变，有利于工业智能化发展。该模式省份仅有湖北，且属于反向发展型省份，其自身由低水平向高水平跃迁，其邻近省份却向低水平跃迁。
综上所述，3种驱动/制约模式自东向西呈现出由“同向发展”至“同向制约”的演变格局，但各模式的驱动/制约因素存在显著差异，其中，高分位驱动主要表现为“经济水平-对外开放-区域创新”驱动，高分位制约和低分位制约均表现为“产业结构”制约，低分位驱动主要表现为“对外开放-区域创新-人口老龄化”驱动。

4 结论与政策建议

4.1 结论

本文以时空交互视角为切入点，利用探索性时空数据分析方法、分位数回归与时空跃迁镶嵌模型，对2010—2021年中国工业智能化的演化特征、时空跃迁及其驱动机制进行研究。主要结论如下：
（1）2010—2021年中国工业智能化水平整体呈上升趋势，从0.036提升至0.085，年均增幅约8.1%；工业智能化增速呈明显的先下降后上升再下降的波动型增长态势，其中东部地区的增长速度最快，西部最慢；工业智能化区域不平衡特征突出，呈现出“东部占优，中西低平”的空间格局，其中，东部地区占据工业智能化发展高地，而中西部地区发展缓慢。
（2）中国工业智能化的局部空间结构具有较强的空间稳定性，但就地区而言，LISA时间路径移动长度整体呈现出“东部˃西部>中部”的空间特征，其中，东部地区具有更加动态的局部空间结构。中国工业智能化的局部空间结构具有稳定的空间依赖方向，其中福建、河北、黑龙江、安徽和浙江等省（市、区）的空间依赖方向最为稳定，而辽宁、陕西、北京、重庆和广西等省（市、区）则更具动态性。工业智能化在时空演进上呈现出较强的空间整合性，有83.3%省（市、区）间发生了协同跃迁。工业智能化时空跃迁表现出稳定的空间关联结构和较强的路径依赖特征，多数西部省（市、区）更容易锁定在低水平“俱乐部”。
（3）中国工业智能化发展时空跃迁的驱动机制可归结为“经济水平-对外开放-区域创新”高分位驱动型、“产业结构”高/低分位制约型、“对外开放-区域创新-人口老龄化”低分位驱动型3类。在各驱动/制约模式中，省（市、区）整体自东向西呈现出“同向发展→同向制约”梯式演变格局，其中，在高分位阶段受要素驱动省（市、区）较多，制约省（市、区）较少；而在低分位阶段受要素驱动省（市、区）较少，制约省（市、区）较多。

4.2 政策建议

上述结论为实现中国工业智能化高质量发展提供了以下政策启示：
（1）根据地区差异特征进行政策规划，实行差异化地区工业智能化发展策略。中国各地区工业智能化发展参差不齐，制定发展政策时应避免“一刀切”的情况。具体而言，政府在助推工业智能化发展时应当明确各地区在国家发展战略中的角色定位，结合区域发展的实际需求，统筹合理分配资源，形成精准的规划政策体系。政府也需关注工业智能化发展“俱乐部”集聚现象，上海、浙江、江苏等省（市、区）一直处于工业智能化发展的高水平集聚区，应鼓励其大力发展工业智能化，维持智能化发展领先地位并将优势辐射至邻近地区；而对于多数工业智能化水平较低的中、西部地区，政府应鼓励其打破地区发展壁垒，吸收高水平地区发展经验。
（2）充分发挥空间溢出效应，实现工业智能化协同发展。对于高工业智能化水平省（市、区）应充分利用空间路径依赖关系和空间整合性特征，加强省际资源流动和技术共享，比如加大智能化投资、培养智能化人才等，推动工业智能化发展；对于陷入发展困境的低值省（市、区）应该努力突破低值“锁定”状态，跳出路径依赖“陷阱”。这类低值省（市、区）提升的重点在于从内部进行突破，应给予更多支持挖掘其内部优势条件，培养具有竞争潜力的城市（区县），通过溢出效应带动其省（市、区）内周边城市（区县）发展，最终“以点带面”突破低水平“锁定”，实现区域工业智能化发展水平提升。
（3）运用驱动机制，形成发展合力。各省（市、区）应结合自身发展的阶段性特征和驱动机制，通过糅合各种有效措施共同推进工业智能化发展。其中，对于高分位驱动型省（市、区），应加大对外开放，同时重视开放质量，以此实现技术效应和知识共享；深化区域创新，推动新一轮科技革命，打破技术信息传播时空约束。对于高分位制约和低分位制约的省（市、区），应努力协调产业结构和智能化发展间的矛盾，加快产业结构高级化、合理化。对于低分位驱动型省份，促使对外开放、区域创新与人口老龄化形成有效合力，提高开放质量，加强技术创新，实现数智融合，建立健全工业智能化发展体系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Maskuriy R, Selamat A, Maresova P, et al. Industry 4.0 for the construction industry: Review of management perspective[J]. Economies, 2019, DOI: 10.3390/economies7030068.

[2]
Palhares R M, Yuan Y, Wang Q. Artificial intelligence in industrial systems[J]. IEEE Transactions on Industrial Electronics, 2019, 66(12): 9636-9640.

[3]
杨春蕾, 佟继英. 工业智能化与全球碳减排[J]. 经济经纬, 2024, 41(1): 110-119.

[Yang C L, Tong J Y. Industrial intelligence and global carbon reduction[J]. Economic Survey, 2024, 41(1): 110-119.]

[4]
Arents J, Greitans M. Smart industrial robot control trends, challenges and opportunities within manufacturing[J]. Applied Sciences, 2022, DOI: 10.3390/app12020937.

[5]
陈晓, 郑玉璐, 姚笛. 工业智能化、劳动力就业结构与经济增长质量: 基于中介效应模型的实证检验[J]. 华东经济管理, 2020, 34(10): 56-64.

[Chen X, Zheng Y L, Yao D. Industrial intelligence, employment structure of labor force and quality of economic growth: Empirical test based on mediating effect model[J]. East China Economic Management, 2020, 34(10): 56-64.]

[6]
罗良文, 张郑秋, 周倩. 产业智能化与城市低碳经济转型[J]. 经济管理, 2023, 45(5): 43-60.

[Luo L W, Zhang Z Q, Zhou Q. Industrial intelligence and urban low-carbon economic transformation[J]. Business and Management Journal, 2023, 45(5): 43-60.]

[7]
Ahmed I, Jeon G, Piccialli F. From artificial intelligence to explainable artificial intelligence in industry 4.0: A survey on what, how, and where[J]. IEEE Transactions on Industrial Informatics, 2022, DOI: 10.1109/TII.2022.3146552.

[8]
李晓娣, 原媛. 营商环境生态驱动制造业智能化的组态路径研究[J]. 科学学研究, 2024, 42(4): 746-756.

[Li X D, Yuan Y. Research on the configuration path of manufacturing intelligentization driven by ecosystem of doing business[J]. Studies in Science of Science, 2024, 42(4): 746-756.]

[9]
罗良文, 张郑秋. 中国城市产业智能化空间关联网络及其驱动机制[J]. 财经研究, 2024, 50(1): 109-123.

[Luo L W, Zhang Z Q. Spatial association network of urban industrial intelligence in China and its driving mechanisms[J]. Journal of Finance and Economics, 2024, 50(1): 109-123.]

[10]
Wang L H, Chen Q, Dong Z Q, et al. The role of industrial intelligence in peaking carbon emissions in China[J]. Technological Forecasting and Social Change, 2024, DOI: 10.1016/j.techfore.2023.123005.

[11]
Yang S Y, Liu F S. Impact of industrial intelligence on green total factor productivity: The indispensability of the environmental system[J]. Ecological Economics, 2024, DOI: 10.1016/j.ecolecon. 2023.108021.

[12]
史丹, 叶云岭. 人工智能、就业结构与高质量发展[J]. 当代财经, 2023, (5): 3-14.

[Shi D, Ye Y L. Artificial intelligence employment structure and high-quality development[J]. Contemporary Finance & Economics, 2023, (5): 3-14.]

[13]
王书斌. 工业智能化升级与城市层级结构分化[J]. 世界经济, 2020, 43(12): 102-125.

[Wang S B. Industrial intelligent upgrading and urban hierarchical structural differentiation[J]. The Journal of World Economy, 2020, 43(12): 102-125.]

[14]
何小钢, 王善骝. 信息技术生产率悖论: 理论演进与跨越路径[J]. 经济学家, 2020, (7): 42-52.

[He X G, Wang S L. ICT productivity paradox: Theoretical evolution and breaking path[J]. Economist, 2020, (7): 42-52.]

[15]
杨承佳. 中国制造业智能化水平、区域差异及分布动态演进[J]. 统计与决策, 2024, 40(6): 104-109.

[Yang C J. Intelligentization level in China’s manufacturing industry, regional differences and distribution dynamic evolution[J]. Statistics & Decision, 2024, 40(6): 104-109.]

[16]
占华, 后梦婷, 檀菲菲. 智能化发展对中国企业绿色创新的影响: 基于新能源产业上市公司的证据[J]. 资源科学, 2022, 44(5): 984-993.

DOI

[Zhan H, Hou M T, Tan F F. Influence of intelligentization on enterprise green innovation: Evidence from listed companies of new energy industry in China[J]. Resources Science, 2022, 44(5): 984-993.]

DOI

[17]
郑玉, 孙瑾瑾. 中国制造业智能化发展水平测度及其时空演化分析[J]. 统计与决策, 2023, 39 (11): 89-93.

[Zheng Y, Sun J J. Measure and spatiotemporal evolution analysis of intelligence development level of China’s manufacturing industry[J]. Statistics & Decision, 2023, 39(11): 89-93.]

[18]
刘军, 钱宇, 曹雅茹, 等. 中国制造业智能化驱动因素及其区域差异[J]. 中国科技论坛, 2022, (1): 84-93.

[Liu J, Qian Y, Cao Y R, et al. Driving factors and regional differences of intelligent manufacturing in China[J]. Forum on Science and Technology in China, 2022, (1): 84-93.]

[19]
高运胜, 杨阳. 全球价值链重构背景下我国制造业高质量发展目标与路径研究[J]. 经济学家, 2020, (10): 65-74.

[Gao Y S, Yang Y. Research on the goals and paths of China’s manufacturing high quality development under the background of global value chain reconstruction[J]. Economist, 2020, (10): 65-74.]

[20]
王松茂, 尹延晓, 徐宣国. 数字经济能促进城乡融合吗? 以长江经济带11个省份为例[J]. 中国软科学, 2023, (5): 77-87.

[Wang S M, Yin Y X, Xu X G. Can digital economy promote urban-rural integration? Taking 11 provinces and cities in the Yangtze River Economic Belt as an example[J]. China Soft Science, 2023, (5): 77-87.]

[21]
戴翔, 王如雪. 人工智能条件下人口老龄化对全球价值链攀升的影响[J]. 经济管理, 2023, 45(3): 28-43.

[Dai X, Wang R X. The impact of population aging on the global value chain upgrade under the condition of artificial intelligence[J]. Business and Management Journal, 2023, 45(3): 28-43.]

[22]
苏屹, 支鹏飞, 郭秀芳. 区域数字经济规模测算及其对区域创新的影响[J]. 科研管理, 2023, 44(9): 29-38.

[Su Y, Zhi P F, Guo X F. Measurement of the scale of regional digital economy and its impact on regional innovation[J]. Science Research Management, 2023, 44(9): 29-38.]

[23]
吕荣杰, 郝力晓. 中国人工智能发展的空间关联特征及其形成机制[J]. 软科学, 2022, 36(2): 15-22.

[Lv R J, Hao L X. The spatial correlation of artificial intelligence and its formation mechanism in China[J]. Soft Science, 2022, 36(2): 15-22.]

[24]
韩璟, 陈泽秀, 卢新海. 中国海外耕地投资发展的时空格局演变与影响因素[J]. 资源科学, 2020, 42(9): 1715-1727.

DOI

[Han J, Chen Z X, Lu X H. Spatiotemporal change of China’s overseas investment in farmlands and influencing factors[J]. Resources Science, 2020, 42(9): 1715-1727.]

DOI

[25]
Rey S J, Janikas M V. Stars: Space-time analysis of regional systems[J]. Goegraphical Analysis, 2006, DOI: 10.1007/978-3-642-03647-7_6.

[26]
张子昂, 黄震方, 曹芳东, 等. 浙江省县域入境旅游时空跃迁特征及驱动机制[J]. 地理研究, 2016, 35(6): 1177-1192.

DOI

[Zhang Z A, Huang Z F, Cao F D, et al. The space-time transition characteristics and its driving mechanism of county-scale inbound tourism in Zhejiang Province[J]. Geographical Research, 2016, 35(6): 1177-1192.]

DOI

[27]
黄群慧, 黄阳华, 贺俊, 等. 面向中上等收入阶段的中国工业化战略研究[J]. 中国社会科学, 2017, (12): 94-116.

[Huang Q H, Huang Y H, He J, et al. Research on China’s industrialization strategy for middle and upper income stage[J]. Social Sciences in China, 2017, (12): 94-116.]

Options
文章导航

/

〈 〉