人工智能驱动制造业高质量发展的复合效应研究——基于知识创造与知识地理溢出的双重机制

徐 星，惠 宁，韩先锋，崔若冰

(1.西北大学经济管理学院，陕西 西安 710127；2.长安大学经济与管理学院，陕西 西安 710064；3.昆明理工大学管理与经济学院，云南 昆明 650093；4.西安紫光国芯半导体股份有限公司，陕西 西安 710075)

0 引言与文献综述

人工智能具有知识创造的突出特征，是产业变革核心驱动力和引领未来的战略性技术[1]。推动与制造业的深度融合是把握后发优势——技术吸收对传统制造业的赋能，促进我国制造业由要素驱动向全要素生产率驱动模式转变[2-4]，形成高质量发展新局面的重要机遇。截至2021年我国人工智能核心产业规模超过4000亿元，工业机器人使用密度超过全球平均水平近2倍[5]，在世界范围具有战略优势。那么，如何有效利用人工智能技术驱动我国制造业高质量发展？从产业发展角度出发两者之间存在什么样的作用机制与效应？回答这些问题对于制造业产业创新组织模式选择、区域创新体系的构建、新型基础设施布局等诸多方面具有重要的指导意义和政策启示。

人工智能与制造业生产融合的核心是智能制造模式[6]，这种模式突出信息驱动与自组织化[7]。从技术创新视角分析可知：①信息驱动体现生产流程的知识化，即制造流程从传统技术工艺转换转变为以非结构化数据驱动的知识扩散与应用[8]。②自组织化对应着生产过程的知识创造，即嵌入人工智能技术的制造环节通过知识获取、学习[9]，适应并控制生产的过程——知识创造。创新经济学理论认为，知识创造会改变技术创新轨迹与路径[10]，并通过优化生产资源、改变投入产出效益，提升生产的效率[11]。所以，从知识创造视角入手，剖析人工智能与制造业生产效率提升之间的内在机制，是促进制造业高质量发展的关键。

演化经济学认为，人工智能作为 “元思想”[12]会催生制造系统产生新的知识种类、质变、部门增多、结构变迁以及竞争强度增大[13]。那么，在微观与中观层面，制造企业的要素变化会导致系统层面的高阶属性 “涌现”，同时中观层面的技术轨迹变迁影响微观企业的行为与选择，呈现出复合性特征[14]，杜龙政等[15]提出 “复合效应”概念并进行准确论述。鉴于上述特征的存在，本文试图剖析人工智能与制造业知识创造之间内在机制中的 “复合效应”，这样有助于在技术创新组织与区域创新体系构建方面采取有效的措施，释放人工智能技术对于制造业生产效率提升的势能。

人工智能技术应用对制造业生产方式转变、效率提升的重要影响是当前学术研究的热点。从对制造业的技术创新延伸方面，江小涓等[16]认为数字经济、人工智能技术具有知识性特征，会加深制造业工业组织结构的重构和价值创造能力极大的提升。黄群慧等[2，17]认为在我国步入工业化后期后，制造业只有利用人工智能等通用技术的知识溢出效应才能通过个性化、复杂产品制造重新获得竞争优势；从技术替代效应方面分析，人工智能对于传统生产方式的替代效应存在异质性，把握其在部门间流动方向是制造业产业结构转型升级的重要条件[18-20]；在价值链溢出方面，人工智能技术降低资源错配率，改善生产要素结构，驱动企业生产效率提升和向高附加值环节攀升[21-23]，同时也促进产品质量提升和分工优势的形成[24-25]。然而，以上研究并未从技术创新视角出发以揭示人工智能作为一种新的技术形式对制造业生产效率提升产生的驱动机制与效应。

研究认为，在数字技术驱动下，制造业的生产模式、生产过程组织形式发生了关键变革[8，16-17]，向知识化、自组织化的方向转变[7]，并且在空间形式上形成了网络化、生态化的分工形式演化[8，26]。在这个背景下，在生产投入产出层面，人工智能作为发现知识的知识，如何推动在制造业生产过程的技术创新能力和生产效率的提升？在区域层面，人工智能如何形成对邻近制造业生产空间分工的促进？上述两个层面的内在机制存在什么样的效应？

本文从技术创新视角出发，以分析人工智能技术特征为切入点，在知识创造、知识地理溢出层面，剖析人工智能驱动制造业生产效率提升的内在机制及效应。创新点在于： (1)基于知识创造机制，剖析人工智能通过搜索、深度学习技术拓展制造业知识宽度、深化知识深度，推动制造业生产效率提升的复合效应。 (2)基于知识地理溢出机制，剖析人工智能通过知识流动、知识溢出路径促进邻近区域制造业研发强度增加、专业化分工深化，推动制造业生产效率提升的复合效应。

1 理论分析

1.1 基于知识创造机制的人工智能促进制造业生产效率提升的复合效应

1.1.1 人工智能以知识创造机制作用于制造业生产效率提升的内在机理

数字化重构下，制造业的生产流程向知识化转变，形成了人工智能技术通过知识创造与重组促进制造业生产效率提升的知识基础。从知识类型角度看，知识化转变体现在两个层面：①知识宽度[27]。制造业横向关联资源能力、投入要素信息以及纵向关联设计、工艺、关键参数数据共享，这些赋含知识的非结构化数据拓展了制造业的知识宽度；②知识深度[27]。技术创新隐含知识通过封装化的数据，在纵向关联环节之间形成创新扩散与交互[8]，产生了引发技术轨迹改变的 “高阶知识”，深化了制造业的知识深度。

人工智能技术是一个获得并应用知识的概念框架[9]，通过搜索 (知识获取)和发现 (结合现有知识生成新知识)，对于现有知识进行重组与创造[12]。从Romer构建的知识生产函数出发[12]，剖析人工智能知识创造的机制与路径。具体包括两方面：①人工智能认知增加与知识宽度拓展。搜索算法提高了人工智能人员的制造业知识储量Aφ，0<φ<1。人工智能人员认知增加后可以发现新的制造业知识类型，丰富了制造业的知识宽度。内生增长理论认为，制造业知识宽度拓展促进了生产技术和过程的创新，提升了制造业生产效率。②知识发现效率提高与知识深度深化。人工智能人员利用深度学习技术，通过挖掘复杂知识空间的知识提高了知识发现的效率θ，进而能够识别制造业知识库中的 “高阶知识”，深化了知识深度。根据内生技术变化模型[11]，人工智能对于知识深度的深化通过扩展生产过程的中间投入品 (如机器)种类或者形成熊彼特式的生产技术范式的更迭，推动制造业生产率提升。

1.1.2 人工智能以知识创造机制促进制造业生产效率提升的路径及复合效应

(1)人工智能以知识宽度拓展促进制造业生产效率提升的复合效应。人工智能技术作为支持其他思想产生和传播的元思想，是一种获得并应用知识的开放框架。一方面，人工智能搜索算法通过对于已有制造业知识库的 “非结构化”数据进行获取与分类，发现有价值的知识组合；另一方面，人工智能搜索算法通过知识获取学习提升了自身算法性能。如果把制造业知识看作是 “非结构化”数据组成的知识图谱，那么搜索算法获取知识的过程就是一个 “网络化”过程。基于知识生产的外部性特征[10]，在网络效应作用下，搜索算法性能与知识类型、数量呈现出收益递增的关系。与此同时，人工智能搜索算法性能的提升又会通过发现新的制造业知识拓展知识类型和数量。在累积循环机制下，人工智能搜索能力与制造业知识宽度拓展呈现出复合叠加的特征。这种知识宽度的拓展增强了知识的异质性，强化了生产资源的整合能力，产生了对制造业生产效率提升的复合效应。

(2)人工智能以知识深度的深化促进制造业生产效率提升的复合效应。人工智能深度学习技术具有发现 “高阶知识”的能力，这种能力有赖于已有知识学习和演化路径的识别[9]。创新经济学认为，这种对于既有知识、惯例的路径依赖会通过知识积累形成收益递增，并具有自我增强机制[10]。与此同时，深度学习能力的增强会提升发现 “高阶知识”的效率，深化制造业知识库的知识质量与层次。所以，在技术创新收益递增与自我增强机制的作用下，通过因果累积循环，人工智能深度学习技术与制造业知识的质量、层次的深化呈现出复合叠加的特征，这种特征进一步通过形成制造业中间投入产品 (机器)复杂程度的增加或者生产范式变革的质量阶梯跃升，对于制造业生产效率提升产生复合效应。

综上，本文提出假设1：人工智能搜索、深度学习技术扩展了制造业的知识宽度、深化了制造业的知识深度，并在网络效应、技术创新动态收益递增效应的驱动下，通过累积循环机制对于制造业生产效率的提升具有复合效应。

1.2 基于知识地理溢出机制的人工智能促进邻近区域制造业生产效率提升的复合效应

1.2.1 区域层面下人工智能作用于制造业生产效率提升的知识地理溢出机理

人工智能产业与制造业属于不同的知识创新产业类型，前者是STI模式，而后者属于DUI模式[14]，且两种技术类型的区域分布存在显著差异。人工智能产业多分布在科研结构和多元化生产要素聚集的大城市或者科学城，而制造业多分布在以大型制造企业及配套研究机构为主的产业区[14]。前者具有显著的地理根植性与集中性，后者则呈现出以区域创新网络、生态为尺度的演化特征[14]。在数字化重构下，人工智能的知识创新与制造业技术工艺通过封装化的数据实现了在虚拟—实体网络上的扩散与交互，这种数据的交互解构了两种类型知识创新的本地化地理分布特征。新经济地理理论认为，邻近的人工智能产业区、制造业产业区之间形成了不同类型知识创新的跨区域扩散、关联，产生了知识的地理溢出。

人工智能技术的核心是知识重组与创造[12]，而制造业技术注重 “干中学”、 “默会知识”的积累与应用[2]。两者之间的知识地理溢出存在两个路径：①知识流动。依托虚拟实体网络上远端知识库的支持，人工智能人才与制造业技术人才进行面对面交流、 “干中学”，在这个过程中实现知识的发送、接收与学习。②知识溢出。人工智能与制造业可分别看作是知识和物质生产部门，人工智能知识产出作为中间投入品，依托虚拟实体网络向邻近地区进行知识扩散，促进邻近区域制造业的分工深化。本文利用新经济地理理论，对知识流动和知识溢出所体现的 “复合效应”特征进行阐述。

1.2.2 人工智能作用于邻近区域制造业生产效率提升的知识地理溢出的路径及复合效应

(1)以知识流动路径促进邻近区域制造业生产效率提升的复合效应。人工智能技术应用的关键在于拥有该领域前沿知识的高技术人才[3]。根据新经济地理理论，人工智能人才与制造业技能人才之间的知识流动可以看作是 “知识关联”，借鉴Berliant构建的TP模型[28]，那么两者的知识流动机制可以解释如下。

如果存在南北两个区域，分别分布着人工智能人才与制造业技能人才，基于共同知识的合作创新效率会更优。在此集聚力吸引下，人工智能人才向制造业产业区流动，在面对面交流、 “干中学”的过程中知识创新的递增收益会增强制造业的研发活动强度，推动制造业产品、过程的创新。同时，制造业的应用创新又扩充了人工智能人才的算法知识库存量。在累积循环作用下，人工智能人才知识创新能力与邻近制造业研发活动强度的增加复合叠加，推动制造业产品、过程的更高水平创新，并对生产效率提升产生 “复合效应”。

(2)以知识溢出路径促进邻近区域制造业生产效率提升的复合效应。从长期看，人工智能对制造业的作用路径是收益递增的知识生产部门对收益递减的制造业部门产生知识外部性，这种外部性以跨区域知识溢出的形式产生。从新经济地理理论出发，可利用知识溢出双增长模型[28]剖析这种知识部门对制造部门的长期知识溢出过程。

如果存在南北两个区域，均分布着人工智能生产部门与制造业生产部门。在长期范围内，数据在虚拟实体网络上的流动降低了知识扩散的阻力，人工智能公共知识资本向邻近区域制造业部门的扩散，并作为中间投入品促进制造业生产效率的提高。在知识收益递增的作用下，南部区域制造业形成了更高的增长率，其成本型工艺环节向北部区域发生转移。同时，南部区域制造业应用创新丰富了人工智能部门的知识库存量，促进了人工智能的技术专业化。在累积循环作用下，南部区域人工智能知识资本的技术专业化与邻近区域制造业生产环节的分工深化，共同推动了区域中间产品投入 (机器)种类扩展、迂回生产流程的延长，产生了推动邻近区域制造业生产效率提升的 “复合效应”，具体机制如图1所示。

图1 人工智能对邻近制造业的知识地理溢出机制及效应图

综上，本文提出假设2：人工智能以知识流动、知识溢出的路径向邻近地区制造业形成知识地理溢出，促进邻近地区制造业研发活动强度的增强和制造业专业化分工的深化，同时丰富了人工智能技术人才和知识生产部门的知识库。在累积循环因果作用下，人工智能技术对邻近地区制造业生产效率的增长产生 “复合效应”。

2 计量模型、变量与数据

2.1 计量模型

2.1.1 基于知识创造机制的复合效应的随机前沿模型构建 (SFA)

本文采用随机前沿模型 (SFA)研究人工智能通过知识创造机制促进制造业生产效率提升的复合效应。根据Battese等[29]模型的基本原理，构建如下模型：

TEit=exp (-uit)

(1)

mit=β0+β1Robotit×Digitalit+β2Robotit×Digitalit×ωit+β3Xit+εit

(2)

其中，下标i代表省份，t代表时期；在效率解释函数mit中，Robotit衡量地区制造业智能化水平，Digitalit测度数字化发展水平，ωit为制造业空间集中度，Robotit×Digitalit考察数字化重构下人工智能应用水平，Robotit×Digitalit×ωit考察数字化重构下，人工智能应用与制造业空间集中度提高之间的交互作用，该交互项用以观测人工智能以知识创造的机制促进制造业生产效率提升的复合效应。当然，本文加入控制变量Xit，包含研发投资强度 (rdi)等。TE表示样本省份在t年度生产效率的水平，用e-uit表示。mit是技术无效率项，mit越大，表明技术效率越低，即技术无效率程度越高。

2.1.2 基于知识地理溢出机制的复合效应的中介效应模型构建

(3)

(4)

2.2 变量的设定

2.2.1 被解释变量

制造业的全要素生产率 (TFP)是本文的被解释变量。在考察知识创造机制时，通过选取SFA方法对其进行测算；在考察知识地理溢出机制时，通过Malmquist指数法进行估算。

2.2.2 核心解释变量

(1)制造业智能化水平 (Robot)。本文依据阿西莫格鲁[11]的观点以工业机器人投入量衡量制造业智能化水平，并借鉴宋旭光等[30]的做法对于省份层面的工业机器人投入量进行估算。公式为：

(5)

(2)制造业空间集中度 (ω)。鉴于创新活动一般以集群形式演化[10]，本文通过产业集聚效应的水平反映人工智能搜索、深度学习在产业集群中知识创造机制的网络效应与技术路径上的动态收益递增，并通过制造业空间集中程度对于产业集群的集聚效应进行测度，公式为：

(6)

(3)数字化发展水平 (Digital)。借鉴许宪春等[31]的研究，利用数字化指数和数字经济规模反映数字化发展水平。前者反映数字化的硬件水平，后者反映信息技术和资源的应用水平，公式为：

Digitali=Dinfri×Dscalei

(7)

其中，Dinfri表示区域i的数字化指数，Dscalei表示区域i的数字经济规模。

2.2.3 中介解释变量

(1)制造业研发人员R&D活动强度 (SR&D)。依据本文理论部分构建的TP模型假设，把制造业研发人员R&D活动强度作为人工智能以知识流动方式促进制造业技术创新的代理变量，并采用国际通用的R&D人员全时当量进行衡量。

(2)地区制造业相对专业化指数 (CS)。依据本文理论部分构建的知识溢出双增长模型的假设，把地区的专业化分工水平作为反映人工智能以知识溢出方式促进制造业技术创新的代理变量。本文采用地区相对专业化指数[32]进行测度。需要说明，当csi取值变小时，表明该省份与地区制造业结构平均水平趋于一致，即形成专业化分工。

2.2.4 控制变量

为了准确分析人工智能应用对制造业生产效率提升的复合效应，本文在随机前沿生产函数模型和中介效应回归模型中选取控制变量的依据及测度如下：①企业研发投资强度 (rdi)是企业提高全要素生产率的重要路径之一，采用省份规上工业企业每年R&D经费支出占制造业工业总产值的比重测度；②知识产权保护 (pat)有利于企业创新获得垄断收益，利用《中国知识产权发展状况评价报告》省份层面的知识产权保护指数计算；③外商直接投资 (fdi)有利于企业吸收先进生产管理技术提升生产效率，利用省份外资占有股份的规上制造业企业工业总产值占规上制造业企业总产值的比重测度；④贸易开放度 (tra)便捷知识人才等创新要素的流动，用人民币表示的进出口总额与GDP的比值衡量，该值越大，贸易开放度越高；⑤产业多样化 (idi)有利于企业之间的技术互补、知识共享，用三次产业产值在地区总值占比平方和的倒数测度；⑥交通可达性 (acc)通过降低运输成本的形式促进企业生产效率提升，利用省份公路、铁路营运里程与省份面积的比值衡量。

2.3 数据说明

本文依据《 “十四五”智能制造发展规划》《数字中国发展报告 (2020)》中我国智能制造、数字经济发展的重点布局，选取智能制造水平高、数字经济发展好的环渤海经济区 (北京、天津、河北、山东、辽宁)、长三角经济区 (上海、江苏、浙江、安徽)、粤港澳大湾区 (广东、香港、澳门)和成渝—关中经济区 (四川、重庆、陕西)4个区域作为样本区域。其次，收集4个区域的2012—2021年省级层面的前述核心变量和控制变量的数据。对数据的说明和处理如下：①在前沿生产函数中，利用地区工业增加值数据替代地区制造业工业增加值，并通过修正系数间接得到制造业工业增加值；②采用《2017年国民经济行业分类 (GB/T 4754—2017)》的二位产业分类的29个细分制造业部门工业总产值数据计算地区空间集中度和相对专业化指数；③原始数据均来自历年的《中国统计年鉴》《中国工业经济年鉴》《中国经济普查年鉴》《中国地区投入产出表-2017》、Wind数据库和CEIC环亚经济数据库。

3 实证结果及解释

3.1 模型设定性检验及变量相关性检验

3.1.1 模型设定性检验

鉴于本文拟利用超越对数形式的随机前沿模型进行分析，需要进行模型的设定性检验。建立原假设H0，令模型中的系数都为0，采用广义似然率统计量λ=-2ln[L(H0)-L(H1)]检验原假设。L(H1)和L(H0)分别是前沿模型的备择假设H1和零假设H0下的似然函数值，若原假设H0被拒绝，说明超越对数形式比C-D生产函数形式更有效。结果显示，广义似然率大于10%显著度下的卡方分布临界值，有理由拒绝原假设，采用超越对数生产函数测度人工智能应用促进制造业生产效率提升的过程。

3.1.2 变量相关性检验

上文模型中的核心解释变量制造业智能化水平 (Robot)和数字化发展水平 (Digital)存在一定程度的联系，需要进行相关性检验排除二者作为交互项 (Robot×Digital)对回归结果造成的统计偏误，相关性检验见表1。由表1可知，4个经济区域的制造业智能化水平与数字化发展水平的样本数据并不存在显著的相关关系，从而在使用两者交互项时并不会对回归结果造成有偏估计。

表1 制造业智能化与数字化发展水平的相关性检验

3.2 人工智能以知识创造机制促进制造业生产效率提升的复合效应分析

3.2.1 智能制造与数字经济发展的4个区域回归估计结果

不同区域的模型 (1)～ (2)分别为该区域的随机前沿基准模型回归和加入控制变量后模型的回归结果，见表2。效率损失方程回归结果显示，在人工智能与数字化交互项上，4个经济区域回归估计系数总体上在1%、10%的水平显著为负，表明数字化重构下人工智能应用有效减少效率的损失，促进了制造业生产效率的提高；在人工智能、数字化与制造业空间集中度的交互项上，4个经济区域回归估计系数均在1%、10%的水平显著为负。结果显示在数字化重构下，人工智能应用水平通过制造业产业的空间集聚，有力地降低效率损失，推动制造业生产效率的提高；从以上两个交互项系数的对比可知，4个经济区域中加入产业空间集中度的 “三项交互项”的估计系数绝对值均大于人工智能与数字化的交互项估计系数，或者是 “三项交互项”的估计系数在更高的置信水平下显著。回归结果表明，制造业产业空间集聚程度的提高和集聚效应的发挥，催化了数字化重构下人工智能应用水平对制造业生产效率提升的程度，呈现出 “复合性”增强的效应特征。

表2 人工智能以知识创造机制对制造业复合效应的随机前沿回归结果

从演化地理、产业集群理论出发，上述 “复合效应”是人工智能应用在产业集群内部知识溢出效应与集群的集聚效应的复合叠加作用。具体可以归纳为：①人工智能搜索算法通过在集群内部发现新的创新组合，形成了集群技术的革新和生产效率的提升。在技术创新收益递增的作用下，集群会产生对外部要素的集聚力，在因果累积循环作用下，产业集群的企业衍生、合作生态扩展与人工智能的知识溢出形成复合叠加效应。②人工智能的深度学习，通过对产业集群内部技术的自主学习形成整体技术创新的演化路径，并实现动态投入收益递增和对外部的垄断收益。在累积循环作用下，集群的中心—外围技术分工收益与人工智能技术迭代的收益递增形成复合叠加效应。

人工智能技术通过增加产业集群的技术类型和形成收益递增的技术创新演化路径，在知识收益递增和技术分工垄断收益递增的双重作用下，对于制造业生产效率的提升表现出的复合效应的特征，证明了本文理论部分提出的假设1。

3.2.2 内生性检验

考虑到制造业高质量发展与智能化水平存在双向因果关系，本文借鉴阿西莫格鲁[11]的实证方法，采用Bartik工具变量法构造中国制造业智能化水平的指标，并选取Mustafa[33]构造的内生性随机前沿模型进行工具变量回归，回归结果如表3所示。

表3 内生性随机前沿模型的工具变量回归结果

由表3的工具变量回归结果可知，4个区域列 (1)的第一阶段回归结果均显著，表明利用Bartik工具变量法的美国人工智能投入量工具变量与我国的机器人投入量具有较强相关性；4个区域列 (2)的第二阶段回归结果也均显著负相关，即与基准回归显示的结果即人工智能有利于减少技术效率的损失是一致的；内生性随机前沿模型给出检验内生性的变量η。4个区域的η项共同显著度检验显示不显著，依据模型假设表明无法拒绝原假设H0，方程无需考虑内生性的修正。所以，通过内生性检验表明，模型中不存在人工智能与制造业高质量发展之间的双向因果关系，随机前沿模型的预测结果不存在考虑内生性的偏误。

3.3 人工智能以知识地理溢出机制促进邻近区域制造业生产效率提升的复合效应分析

3.3.1 以知识流动为路径的复合效应估计结果

4个经济区域以研发人员R&D活动强度为中介变量的回归结果见表4知识流动路径。方程 (1)～ (4)显示，人工智能应用水平及其交互项在1%和5%的水平下，与研发人员R&D强度、制造业全要素生产率的估计系数均显著为正，且总体来看间接效应较显著。这表明，人工智能应用确实通过提升邻近地区研发人员R&D活动的强度推动了邻近制造业生产效率的提升。进一步，对比每个区域方程 (1) (2)和 (3) (4)的间接效应估计系数，可以看出方程 (3) (4)的绝对值高于方程 (1) (2)。这表明数字化水平提高与人工智能应用形成了复合效应，推动了邻近地区制造业研发人员R&D活动强度的 “复合性”增加，进一步促进制造业全要素生产率的复合性提高。由控制变量估计结果可知，贸易自由度、交通可达性总体呈现出正向作用，而知识产权保护程度则负向作用偏多。

表4 以知识地理溢出的人工智能与制造业生产效率间复合效应的中介效应模型回归结果

用创新地理理论进行分析，隐含知识通过编码化、封装化在虚拟空间流动的作用下[26]，人工智能人员与制造业研发人员通过面对面交流、 “干中学”实现了人工智能知识对于制造业技术工艺的扩散、吸收和问题解决——知识流动[34]。随着数字化水平的提高和数字经济规模的扩大，人工智能人员对于制造业研发人员知识扩散的当量、质量和应用范围逐渐提高，同时研发应用又丰富了人工智能算法的性能形成知识创造的收益递增，共同推动了生产效率 “复合性”提升。由此可以证明本文提出的假设2，人工智能以知识流动的形式促进制造业生产效率呈现 “复合性”提升。

进一步分析，控制变量的回归结果表明，区域之间要素流动便捷程度、知识产权保护以及运输成本会影响人工智能技术人才以知识流动的形式对于制造业生产效率提升复合效应的效果。演化地理理论认为，高技术人才的区域流动受到要素流动的便捷程度、知识产权保护和运输成本的影响[34]，这些因素在短期内决定人工智能技术向邻近区域流动的水平和区位黏性，进而作用于制造业生产效率提升的复合效应发挥。

3.3.2 以知识溢出为路径的复合效应估计结果

4个经济区域以相对专业化指数为中介变量的回归结果见表4知识溢出路径。方程 (1)～ (4)结果显示，人工智能应用水平及其交互项在1%、5%和10%的水平下，与相对专业化指数、制造业全要素生产率的估计系数均显著为负，且总体看间接效应大于直接效应。这表明，人工智能应用有效降低了地区制造业结构的差异，形成了地区专业化分工，进而地区的专业化分工又促进了邻近地区制造业生产效率的提高；对比方程 (1) (2)和 (3) (4)的间接效应估计系数，可以看出方程 (3) (4)的绝对值高于方程 (1) (2)。这表明数字化水平的提高催化了人工智能技术在制造业的应用范围与深度，推动地区制造业专业化分工产生 “复合性”的深化，进一步提升制造业全要素生产率。从控制变量估计结果可知，企业研发投资强度、市场化水平总体呈现出正向作用，而知识产权保护程度、交通可达性则负向作用偏多。

用创新地理理论进行分析，在数字技术驱动下，人工智能的公共知识以封装化的数据在虚拟网络上向邻近区域扩散。溢出的公共知识作为中间投入产品促进了邻近制造业生产的创新和收益递增，进而在拥挤效应的作用下制造企业将成本型的工艺环节向邻近区域转移，深化了制造业区域的专业化分工。在迂回生产流程延长的作用下，整个区域制造业的生产效率得到提升。与此同时，制造业专业化分工的深化扩展了生产流程的技术种类、数量，丰富了人工智能知识生产部门的知识库并形成收益递增。在累积循环作用下，人工智能知识的生产与制造业专业化分工的深化共同推动制造业生产效率复合性的增长。由此可以证明本文提出的假设2，人工智能技术以知识溢出的形式推动制造业生产效率复合性提升。

进一步分析，控制变量企业研发投资强度、市场化水平、知识产权保护、交通可达性会影响人工智能在以知识溢出的形式促进制造业生产效率复合性提升的效果。依据区域创新体系理论的观点，知识创新的企业文化氛围、知识转移交易费用、知识创新制度激励以及知识创新空间流动自由度这些区域体系中 “软” “硬”制度要素[35]，以制度塑造的形式对于创新体系中主体的行为起着战略引导的作用，而微观主体之间的非线性作用和系统的结构又会催生区域系统层面的 “知识创新 ‘涌现’”等高阶属性现象的产生。从长期看，这些区域内的 “软” “硬”制度要素会影响人工智能生产在区域的地理根植性，并形成与制造业生产效率持续提升的良性循环。

3.4 稳健性检验

为了研究结论的可靠性，对随机前沿回归模型和中介效应回归方程进行稳健性检验：一方面，在两个模型中，将研发投入变量换成专利申请数、地区产业结构由赫芬达尔指数换成吉布斯—马丁GM指数、交通可达性使用公路和铁路线路里程与省份面积的比值；另一方面，剔除2013年和2017年两年的样本后采用2012—2021年间样本区域面板数据再次进行回归分析。上述稳健性检验结果显示，各替代变量估计结果与上文估计结果是一致的，表明本文主要结论具有较好的稳健性。

4 结论及政策建议

把握人工智能技术规律，采取有效产业和区域创新政策，形成人工智能与制造业生产过程深度融合，是抓住技术革命机遇驱动制造业高质量发展的关键。本文从技术创新视角出发，以知识创造机制与知识地理溢出机制两个分析框架，剖析人工智能驱动制造业生产效率提升的内在机制与效应，并采用2012—2021年4个数实融合先行区域的面板数据进行实证分析，得到如下结论。

(1)在知识创造层面，人工智能应用对于制造业生产效率提升具有正向作用，人工智能与产业空间集中度的交互项对于制造业生产效率提升作用更为明显，即产业集群的创新组织形式，能够有效发挥人工智能对于制造业生产效率的提升作用，形成复合叠加的效应。

(2)在知识地理溢出层面，人工智能应用对于邻近地区制造业研发强度增加、专业化分工深化具有正向作用，间接促进了邻近制造业的生产效率提升。人工智能与数字化发展水平的交互项的这种间接促进作用更为明显，即区域数字化发展水平的提高能够加速人工智能向邻近地区制造业的知识溢出程度，对于邻近制造业生产效率提升具有复合叠加效应。

基于上述结论，得出以下政策启示。

(1)构建以产业集群的组织形式为核心的制造业与人工智能应用创新的产业生态。区别于以往的低端 “锁定”的集群形式，应当组建以科学为驱动的创新性集群，并有效协同高校、研究实验室与企业之间产学研互动和人才的双向流动，形成人工智能应用与集群技术创新演化之间的良性循环，推动我国传统制造业产业集群、战略新兴产业集群的转型与竞争优势的形成。

(2)注重区域创新体系构建，形成人工智能向邻近地区制造业知识溢出的洼地。首先，加大区域交通、知识和数字基础设施的共享，降低人员流动的成本，推动人工智能人才向邻近地区制造业的知识溢出与融合创新；其次，完善区域知识产权、技术交易、贸易等方面的软硬制度，促进人工智能生产部门技术专业化和制造业区域的分工深化。同时，加大以5G为代表的新型基础设施建设，推动人工智能人才、人工智能产业在地区的长期根植性。