中国城市人工智能高质量发展路径研究——基于技术经济范式的定性比较分析

杨辉鹏 郭守亭

一、文献综述

比较政治经济学和福利国家理论认为，发展是基于社会经济条件和经济实践活动变化而不断更新和完善的报酬递增的过程。①袁富华：《经济社会一体化多目标平衡与治理机制》，《中国特色社会主义研究》2020 年第1 期。②高培勇、袁富华、胡怀国等：《高质量发展的动力、机制与治理》，《经济研究》2020 年第5 期。当前，中国进入由“总量扩张”向“结构优化”转变的高质量发展阶段，“迫切需要新一代人工智能等重大创新添薪续力”。因此，探究中国城市人工智能高质量发展的形成路径对于实现中国经济社会高质量发展具有十分重要的理论意义和实践价值。③程文：《人工智能、索洛悖论与高质量发展：通用目的技术扩散的视角》，《经济研究》2021 年第10 期。

近年来，作为一种新的重要生产要素和数字经济的核心①沈伟、赵尔雅：《数字经济背景下的人工智能国际法规制》，《上海财经大学学报》2022 年第5 期。，人工智能的迅猛发展及其广泛应用，引起社会各界的普遍关注，理论界和学术界也围绕人工智能发展的典型特征与测度指标及其对经济增长、产业发展、就业和工资等方面的影响展开了一系列研究。由于技术创新的持续推进，诞生于1956 年的人工智能的概念内涵至今也未能在理论界达成共识。②陈凤仙：《人工智能发展水平测度方法研究进展》，《经济学动态》2022 年第2 期。部分研究机构和学者认为，人工智能既是一种使机器能够在一定环境中进行智能化的活动③J.Nilsson，The Quest for Artificial Intelligence：A History of Ideas and Achievements.Cambridge University Press，2010.，同时也是一种基于机器或技术与软件的在人类定义的特定环境中具有不同自主性程度的系统④OECD（2019）.Artificial Intelligence in Society.OECD Publishing.Organization for Economic Co-operation and Development.；基于此，部分学者或认为人工智能是一种具有执行和使用与人类相关的认知功能进而完成各项任务能力的自动化技术⑤Mckinsey（2017）：A Future that Works: Automation，Employment，and Productivity.Mckinsey & Company.Report，Corpus ID:114479521.，或具备思考和学习功能，并根据环境采取各项行动的智能行为⑥Gillham，J（2018），The Macroeconomic Impact of Artificial Intelligence.PwC&Company RePORT，Corpus ID：218841992.⑦Rao，A，S，&G，Verweiji（2017）.Sizing the Prize What’s the Real Value of AIyou’re your Business and How Can You Capitalise？ PwC&Company RePORT，Corpus ID：169895787.；2022 年，OpenAI 发布的ChatGPT 以其 “对话式”的互动与“人性化”的服务进一步深化了社会各界对人工智能发展的新认识⑧郑世林、姚守宇、王春峰：《ChatGPT 新一代人工智能技术发展的经济和社会影响》，《产业经济评论》2023 年第3 期。。在对人工智能认识不断深化的基础上，为全方位考察全球人工智能发展水平，斯坦福大学自2017 年以来基于研发、技术、产业发展、经济影响、软件及其多样性角度测度了全球主要国家的人工智能发展情况⑨Stanford University.Artificial Intelligence Index，Stanford University，Report，http://aiindex Stanford.edu/.；国内研究机构如清华大学、中国信息通信研究院和Gartner、武汉大学和长江商学院及国家工业信息安全发展研究中心近年来也分别从数字支撑条件和产业发展等不同角度对中国人工智能发展现状进行了评价⑩顾国达、马文景：《人工智能综合发展指数的构建及应用》，《数量经济技术经济研究》2021 年第1 期。；在此基础上，顾国达和马文景[11]顾国达、马文景：《人工智能综合发展指数的构建及应用》，《数量经济技术经济研究》2021 年第1 期。、吕荣杰和郝力晓[12]吕荣杰、郝力晓：《中国人工智能发展水平、区域差异及分布动态演进》，《科技进步与对策》2021 年第24 期。及李旭辉等人[13]李旭辉、张胜宝、程刚等：《三大支撑带人工智能产业自主创新能力测度分析》，《数量经济技术经济研究》2020年第4 期。通过对人工智能发展水平进行测度后，对其演进过程及其特征进行了分析；也有部分研究机构和学者从专利和出版物数据[14]WIPO（2019），Technolopy trends 2019：Artificial Intelligence，World Intellectual Property Organization.、创新能力[15]李旭辉、杨梦成：《“一带一路”省域人工智能产业科技创新时空格局及动态演进》，《科学管理研究》2022 年第1 期。[16]李旭辉、彭勃、程刚等：《长江经济带人工智能产业发展趋势演进及空间非均衡特征研究》，《情报杂志》2020 年第5 期。[17]李旭辉、杨梦成、严晗：《中国人工智能产业科技创新能力测度及趋势演进》，《科研管理》2023 年第1 期。[18]袁野、汪书悦、陶于祥：《人工智能关键核心技术创新能力测度体系构建：基于创新生态系统视角》，《科技进步与对策》2021 年第18 期。、技术标准[19]周立军、瞿羽扬、刘思薇等：《我国人工智能产业技术标准形成能力的空间非均衡及分布动态演进》，《经济问题探索》2023 年第2 期。等方面对人工智能的发展进行了更为细致的考察，并认为随着老龄化程度的不断加剧，人工智能可以通过提高生产智能化、资本回报率和全要素生产率减少老龄化对经济的冲击[20]陈彦斌、林晨、陈小亮.《人工智能、老龄化与经济增长》，《经济研究》2019 年第5 期。，但有学者在Zeria 模型中考虑鲍莫尔“成本病”，并考察在生产技术中引入人工智能的影响后发现，人工智能的进步及其宏观经济效应取决于企业行为①Aghion，P.，B.F.Jones，and C.I.Jones，2017，“Artificial Intelligence and Economic Growth”，NBER Working Paper.。面对这一争论，林晨等在Aghion et al.和陈彦斌等基础上进一步研究后发现，人工智能可以增强实体投资和减轻对消费投资的挤压，实现居民消费的扩大和经济的进一步增长。②林晨、陈小亮、陈伟泽等:《人工智能、经济增长与居民消费改善：资本结构优化的视角》，《中国工业经济》2020年第2 期。至于就业方面，以ChatGPT 为代表的生成式智能技术的出现及其快速发展与应用，加快了人工智能对数据分析等非常规型工作的替代步伐，同时高端智能技术推动生产流程的重塑以及柔性生产方式的改变，使企业对劳动力的需求减少③吴立元、王忏、傅春杨等：《人工智能、就业与货币政策目标》，《经济研究》2023 年第1 期。，劳动力不断被人工智能所替代的直接后果表现为劳动力工资随之下降④王永钦、董雯：《机器人的兴起如何影响中国劳动力市场?——来自制造业上市公司的证据》，《经济研究》2020 年第10 期。，并导致产出缺口与就业缺口之间可能出现巨大的悖离，货币政策由此在二者之间面临权衡⑤吴立元、王忏、傅春杨等：《人工智能、就业与货币政策目标》，《经济研究》2023 年第1 期。，与此同时催生出的新业态又扩展了原有工作内容，使人工智能对就业的影响具有显著的异质性⑥尹志锋、曹爱家、郭家宝等：《基于专利数据的人工智能就业效应研究——来自中关村企业的微观证据》，《中国工业经济》2023 年第5 期。，但也有学者认为，劳动者收入的增减与否并不确定，这一方面是由于人工智能的要素扩展型技术属性催生出的新业态增加了对高技能劳动力的需求，进而优化了劳动力市场结构并缓解了资源错配⑦吕越、马明会、陈泳昌等：《人工智能赋能绿色发展》，《中国人口·资源与环境》2023 年第10 期。，另一方面还取决于资本和劳动的替代弹性⑧Nordhaus，w.（2015）.“Are we approaching an economic singularity? Information technology and the future of economic growth”，NBER Working Paper，No.21547.⑨Graetz，G.&G.Michaels （2015），“Obotsatwork：TheImpactonProductivityandJobs”，TechnicalReport，CentreforEconimic Performance，LSE.。由于人工智能还会引起产业自动化与非自动化部门的比例变化，当二者的替代弹性较低时，前者的劳动收入相反还会增加⑩郭凯明：《人工智能发展、产业结构转型升级与劳动收入份额变动》，《管理世界》2019 年第7 期。，因此，人工智能对劳动收入的影响也取决于它所在产业部门的生产方式。

上述研究对于推动人工智能的发展与应用具有重要的参考价值，并对中国城市人工智能的发展提供了有益的启示，但这些研究都忽略了一个重要的内容，即为什么不同区域的人工智能发展会有差别？如何协同政府与市场的关系更好地促进人工智能的发展？尽管已有学者从政府政策、产业布局、基础研究、人才培养等方面提出了人工智能的发展建议，但这些对策缺乏理论框架与量化分析，并且人工智能的发展是一个受到各个因素共同作用的复杂系统，在解释这类现象时，探究基于整体视角多因素组合对人工智能发展的协同作用很有必要。有鉴于此，本文基于技术经济范式理论，采用案例研究与定量研究于一体的模糊集定性比较分析（fsQCA），探索不同的条件组态的存在或缺失，引起中国城市人工智能高质量发展路径形成的因果复杂性问题。

二、理论基础

理论界一致认为，最先关注并研究技术进步与经济增长二者关系的学者是熊彼特，但提出并运用技术经济范式这一理论框架全面解释技术变革与经济变迁之间关系的学者则是Perez 和Freeman 等人。在他们看来，技术经济范式是通过由“一个特定投入或一组投入”的“关键要素”的变迁实现的，这种可能表现为某种自然资源、工业产品或者技术的“关键要素”，是推动技术经济范式变革的基本条件，同时也是其范式变革表现出来的典型特征及其类型划分的重要依据。由于技术经济范式总是与同时代的科技现状和产业发展相适应，并在一定时间内影响宏观社会结构与微观经济主体的运行。因此，技术经济范式变革在促进最具有生产力的新兴产业生产技术快速发展和工艺流程与管理构架不断优化的同时，也会凭借各种资本的力量逐步向其他产业扩散，一些传统产业也因为新技术带来的组织与管理的变革而得到复苏。同时，它会对经济领域带来直接或间接的冲击，因此社会和制度层面的变革与之必须相匹配，这种良好匹配的形成为未来几十年内稳定的长期投资行为和投资模式奠定了坚实的基础。

21 世纪以来，以人工智能、大数据等新一代通讯技术所形成的智能技术群，通过不断地提升自身的灵活性、共享性和高性能计算能力，在与社会经济系统进行融合与重构的过程中，形成以数据为关键生产要素、以人工智为核心的一系列的经济新形态，进而通过引发整个社会其他领域的全面变革，实现经济领域的新一轮技术经济范式转换。通过技术经济范式转换①沈伟、赵尔雅：《数字经济背景下的人工智能国际法规制》，《上海财经大学学报》2022 年第5 期。②杨青峰、李晓华：《数字经济的技术经济范式结构、制约因素及发展策略》，《湖北大学学报（哲学社会科学版）》2021 年第1 期。，植根于智能技术的数字基础设施，推动数字消费和一、二、三产业上下联动与深度融合协同发展③欧阳日辉：《数字经济的理论演进、内涵特征和发展规律》，《广东社会科学》2023 年第1 期。，进而推动市场规模的不断扩大。随着人工智能的持续发展，技术进步与应用、各种资本、社会制度和产业发展各要素之间与之良性互动，并形成一个正反馈的闭环系统，最终实现区域经济的持续增长（图1）。

图1 基于人工智能的技术经济范式结构与内在逻辑

上述技术经济范式结构与发展逻辑，为本文从组态的视角研究人力资本、技术应用、产业发展、市场规模、政府干预和金融支持多重并发因素对中国城市人工智能的高质量发展路径的形成提供了理论基础（图2）。

图2 本文的逻辑分析框架

三、研究方法

传统的回归分析认为，影响结果发生的各种条件之间是彼此严格独立的，即因变量取决于各个单变量的“净效应”①Fiss，P.C.，2007，“A Set-Theoretic Approach to Organiza? tional Configurations”，Academy of Management Review，Vol.32，pp.1180-1198.，但在经济管理的各种实践中，影响结果的各种条件之间相互依赖的情况更为普遍，某个现象发生总是由相互依存的多个条件共同作用且存在等效的多重路径②杜运周、贾良定：《组态视角与定性比较分析(QCA):管理学研究的一条新道路》，《管理世界》2017 年第6 期。。因此，在解释这类现象时，应该采用组合的方式，从整体视角来探寻现实世界中条件组态与结果之间多重并发的因果关系③Misangyi，V.F.，T.Greckhamer，S.Furnari，P.C.Fiss，D.Crilly and R.Aguilera，2017，“Embracing Causal Complexity：The Emergence of a Neo-Configurational Perspective”，Journal of Management，Vol.43，pp.255-282.。那么，中国城市人工智能高质量发展是否有路径突显呢，如果有，是否存在多条路径？ 本文下一步将借助模糊集定性比较分析（fsQCA）对此进行探讨。

（一）变量的测度

1.结果变量

人工智能发展指数。如前文所述，多家研究机构和多位学者对不同区域内的人工智能进行了测度，但这些测度均缺乏对中国城市层面的人工智能发展情况的关注。尽管有学者④邹伟勇、熊云军：《中国城市人工智能发展的时空演化特征及其影响因素》，《地理科学》2022 年第7 期。基于专利数据对中国城市人工智能发展进行了时空演化方面的探讨，但仍不能很好地全面把握其发展现状。有鉴于此，本文采用中国城市人工智能发展指数报告（2021—2022）中的综合发展指数反映各城市人工智能发展质量。

2.条件变量

市场规模。经济发展水平是人工智能发展的基础。一般说来，经济发展水平的差异，会导致人工智能的市场需求与应用程度也有差异⑤赵政楠、茹少峰、张青：《市场规模变化如何影响产业结构升级?——基于需求侧和供给侧双重视角的经验分析》，《经济体制改革》2023 年第3 期。；同时，不同的市场规模也会影响知识与创新要素的流动，进而对人工智能进一步向高端化方向推动的力度也不同。参考叶琴等人⑥叶琴、徐晓磊、胡森林：《长三角人工智能产业空间格局及影响因素》，《长江流域资源与环境》2022 年第3 期。的研究，采用地区生产总值表征各城市的市场规模。

人力资本。智能化的技术特性，使人工智能对高素质创新人才具有旺盛的需求，人力资本的差异也会使区域间人工智能的发展产生差距，创新型人才集聚度越高的地区，人力资本的投入就更加密集，人工智能产出也就更多。借鉴孙勇等人⑦孙勇、樊杰、刘汉初：《长三角地区数字技术创新时空格局及其影响因素》，《经济地理》2022 年第2 期。的研究，采用高等院校在校人数衡量人力资本。

政府干预。人工智能的发展离不开劳动、资本的积极参与和企业的创新驱动，政府的行为可能会起到很好的激励效果，但过度干预也会产生挤出效应，进而对人工智能的发展产生正向或负向影响⑧陈小辉、张红伟、文佳：《FinTech 信贷规模能刺激金融机构提升涉农贷款占比吗?》，《中国管理科学》2022 年第5 期。，参考邹伟勇和熊云军⑨邹伟勇、熊云军：《中国城市人工智能发展的时空演化特征及其影响因素》，《地理科学》2022 年第7 期。的研究，采用财政一般预算支出与GDP 比重表征政府干预程度。

金融资本。人工智能技术的研发、应用直至产业化的过程中需要大量的资金支持，金融资本市场一方面可以有效补充企业技术创新过程中所需的巨额资金需求，另一方面又可以基于风险评估，通过差异化的服务优化企业的金融资源配置效率。借鉴谢智敏等人①谢智敏、王霞、杜运周等：《创业生态系统如何促进城市创业质量——基于模糊集定性比较分析》，《科学学与科学技术管理》2020 年第11 期。的做法，采用各城市金融机构存款余额与常住人口比值测量金融资本。

产业基础。人工智能上下游产业链资源的集聚，在提高数字化基础设施的共享度的同时，降低了智能化产业布局的各项成本，引导传统产业由劳动力密集型向现代化的产业智能化方向逐级演进，并推动人工智能技术的进一步突破性发展与推广应用。参考朱恒源和王毅②朱恒源、王毅：《智能革命的技术经济范式主导逻辑》，《经济纵横》2021 年第6 期。的研究，本文采用中国城市数字化发展指数（2021）中的产业融合指数来表征人工智能产业基础发展情况。

技术创新。近年来，创新驱动发展战略的提出，直接导致对地方政府的考核体系与激励机制的变化，地方政府间原有的“为增长而竞争”，逐步演变成“为创新而竞争”。各种技术的创新与应用，可以不断提升区域内智能化水平，并推动区域内创新优势的进一步形成。借鉴马野青和余嘉莉③马野青、余嘉莉：《本土产业集聚、FDI 流入与城市创新能力》，《河海大学学报（哲学社会科学版）》2021 年第6 期。的处理方式，用每万人专利授权数来度量城市技术创新能力。

（二）数据来源与说明

本文选取中国城市人工智能发展指数报告（2021—2022 年）中排名前100 名的城市作为研究对象，6 个条件变量的数据分别来源于《中国城市统计年鉴》《中国城市数字化发展指数报告》。经过匹配，最终形成除衢州、日照、盘锦、丹东和韶关以外的95 个城市组成的案例样本。同时，为了避免结果变量与条件变量之间的互为因果关系，本文将结果变量作滞后一期处理，即结果变量使用2021 年数据，条件变量为2020 年数据。

（三）变量校准

在fsQCA 中，条件变量和结果变量数据均需要转换为0—1 之间的集合关系的隶属分数数据，这一过程即为校准。由于社会科学缺乏理论标准对结果变量和前因条件变量进行校准指导，国内外学者将条件变量和结果变量的完全隶属、交叉点和完全不隶属的3 个校准点或设定为0.75、0.5 和0.25④杜运周、刘秋辰、程建青：《什么样的营商环境生态产生城市高创业活跃度？ ——基于制度组态的分析》，《管理世界》2020 年第9 期。，或设定为0.95、0.5 和0.05⑤宋华、卢强：《什么样的中小企业能够从供应链金融中获益?——基于网络和能力的视角》，《管理世界》2017 年第6 期。，或设定为0.90、0.5 和0.10⑥杜运周、刘秋辰、陈凯薇等：《营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析》，《管理世界》2022 年第9 期。。考虑到数据非正态分布特征，本文采用直接校准法，并将完全隶属、中间点和完全不隶属的阈值分别设置为0.8、0.5 和0.2⑦Pappas，I.O.and A.G.“Woodside.Fuzzy-set Qualitative Comparative Analysis （fsQCA）：Guidelines for Research Practice inInformationSystemsandMarketing”，InternationalJournalof InformationManagement，2021，58102310.；同时，为了避免校准后数据刚好处于0.5 的隶属度的情况，本文将隶属度为1 以下的变量中加入0.00001 的常数⑧Fiss，P.C.，2011，“Building Better Causal Theories: A Fuzzy Set Approach to Typologies in Organization Research”，Acade-my of Management Journal，Vol.54，pp.393-420.。

表1 条件和结果变量的说明及描述性统计

三、结果分析

Ragin①Ragin，C.C.，2000，Fuzzy-Eet Social Science，University of Chicago Press.认为，模糊集定性比较分析本质上是研究条件、条件组态与结果之间的隶属关系，完整的模糊集定性比较分析是应当同时包含有前后顺序的条件（组态）的必要性和充分性分析。

（一）单个条件的必要性分析

在fsQCA 中，必要条件指的是结果存在时某个一致性水平不小于0.9 的前因条件也必然存在。②Ragin，C.C.，2008，Redesigning Social Inquiry:Fuzzy Sets and Beyond，Chicago:University of Chicago Press.③Schneider，C.Q.andC.Wagemann，2012，Set-TheoreticMethodsfortheSocialSciences:AGuidetoQualitativeComparative Analysis，CambridgeUniversityPress.表2 为fsQCA 3.0 软件分析的人工智能发展的必要条件检验结果，根据其认定标准可知，技术经济范式下的单一因素并不是推动人工智能发展的必要条件。因此，研究6 个条件变量的协同作用对人工智能发展的影响机制是十分必要的。

表2 必要条件分析

（二）条件组态分析

与必要性分析主要重在对单个前因条件进行检验不同的是，条件组态的充分性分析则更多关注的是多个前因条件构成的不同组态集合，对结果的产生是否具备充分性，其判断的依据依然用一致性水平衡量①Ragin，C.C.，2008，Redesigning Social Inquiry:Fuzzy Sets and Beyond，Chicago:University of Chicago Press.且其值应当不小于0.75②Schneider，C.Q.and C.Wagemann，2012，Set- Theoretic Methods for the Social Sciences: A Guide to Qualitative Comparative Analysis，Cambridge University Press.。根据国内外学者已有的相关研究来看，条件组态的充分性阈值的选择主要有0.75、0.76 和0.8。与此同时，条件组态的充分性分析还要根据研究样本数量来确定其频数阈值的设定。普遍认为，随着研究样本数量的增加，其频数阈值也应当相应的提高，但阈值设定应当确保至少75%的研究样本包含其中③Rihoux, B.，Ragin，C.C.Configurational Comparative Methods: Qualitative Comparative Analysis（QCA）and Related Techniques，Thousand Oaks:SAGE Publications，2009.；此外，研究者结合对样本内容的掌握详细程度和对其结果的精确度，条件组态的充分性分析还可以在以上分析内容的基础上考虑PRI 的一致性。尽管目前国外理论界和学术界对其值并没有达成统一共识，但国内学者在结合实际的学术研究后指出，PRI 临界值一般不低于0.70，理想的临界值不小于0.75。结合以上分析并参考杜运周、刘秋辰、程建青④杜运周、刘秋辰、程建青：《什么样的营商环境生态产生城市高创业活跃度？ ——基于制度组态的分析》，《管理世界》2020 年第9 期。的做法，本文将原始一致性阈值设定为0.80，频数为1，PRI 一致性临界值为0.75。

鉴于部分学者在其研究工作中，对本文中的6 个前因条件与结果变量之间的关系存在不一致乃至截然相反的看法，本文未作反事实分析，且在求解产生高质量发展的条件组态过程中，默认6 个前因条件“存在或缺失”都会引起结果变量的产生，并借鉴Ragin and Ragin⑤Rihoux，B.，Ragin，C.C.Configurational Comparative Methods：Qualitative Comparative Analysis（QCA）and Related Techniques，Thousand Oaks：SAGE Publications，2009.做法，对比简约解和中间解识别每个解的核心和边缘条件，具体fsQCA 分析结果见表3。

表4 稳健性检验

1.产生城市高人工智能发展的条件组态

表3 中H1、H2a、H2b 即为中国城市产生高人工智能发展的三种组态，并形成2 条解释和驱动路径。三种组态总体解的一致性和各自解（组态）的一致性水平都大于0.89，远高于一致性水平不低于0.75 的基本要求，且都有较高的原始覆盖度。其中，H2a 与H2b 构成了由核心条件为市场规模、人力资本和政府干预同时存在而组成的二阶等价组态①Fiss，P.C.，2011，“Building Better Causal Theories: A Fuzzy Set Approach to Typologies in Organization Research”，Acade-my of Management Journal，Vol.54，pp.393-420.。

市场—资本共同驱动型。组态H1 表明，在以高市场规模、高人力资本和高金融资本为核心条件，高产业基础为边缘条件的共同作用下可以产生高人工智能发展。在该发展路径中，市场规模、人力资本和金融支持通过协同联动的方式，促进了城市人工智能的高质量发展，市场规模确保了人工智能发展和应用基础条件，人力资本提供了人工智能发展的智力支持与人才需求，金融资本则有效缓解了企业发展人工智能的资金约束。此外，产业基础丰富了人工智能的表现形式和发展规模，并对于人工智能的进一步发展发挥着重要的推动作用。这一驱动路径下的典型案例主要是经济发达的东部沿海城市、中部省会城市和西部少数科教中心城市如成都和西安。

人才—营商环境驱动型。由组态H2a 和H2b 可以发现，城市人工智能高质量发展主要受较大的市场规模、丰富的人力资本和显著的政府干预协同联动的方式驱动形成。政府行为和市场规模，为当地人工智能的发展创造了良好的营商环境，并与人力资本共同促进其发展。从组态间的关系（纵—横双向）看，H2a 与H2b 构成了核心条件同时存在、以非高技术创新为边缘条件而组成的二阶等价组态，产业基础和金融资本具有明显的替代关系，表明这两个条件无需同时存在便可以与组态H2a 和组态H2b 中的余下四个条件一起导致结果的产生。这一驱动路径下的典型案例是东北和西南地区的省会城市。这些城市相对于市场—资本共同驱动型路径下的城市，政府干预较为明显，并与市场规模和人力资本共同促进了当地人工智能的发展。

2.产生城市非高人工智能发展的条件组态

为了寻找并发现中国城市非高人工智能发展的路径，本文也检验并发现了产生非高人工智能发展的路径的5 个条件组态NHc1、NHc2、NHc3、NHd1 和NHd2，并形成2 条解释和驱动路径。其中，NHc1、NHc2 和NHc3 构成了核心条件为产业基础、市场规模和人力资本同时缺乏的一个二阶等价组态。

产业—市场—人才抑制型。组态NHc1、NHc2、NHc3 显示，非高产业基础、非高市场规模和非高人力资本的同时存在抑制了城市人工智能的高质量发展。市场规模的不足限制了人工智能的需求，人才的匮乏也使其高质量发展缺乏必要的智力支持，这又影响其产业基础的形成与发展。在这种情况下，即使有金融资本的支持或政府的干预，也难以实现城市人工智能的高质量发展。这一抑制型路径下的典型案例主要是中西部省会城市外的其他城市和东部沿海省份少数科教资源相对落后的城市如湖州、中山等。

政府干预下的产业基础与金融服务缺乏型。组态NHd1、NHd2 显示，非高产业基础、非高金融资本和高政府干预的同时存在同样抑制了城市人工智能的高质量发展。产业基础的不足影响了人工智能的高质量发展，金融资本的支持度不够也使企业缺乏发展人工智能的必要的资金支持。这说明在政府的干预下，只要产业基础和金融支持的不足，即使有技术创新的支持，也难以实现城市人工智能的高质量发展。这一抑制型路径下的典型案例主要是中部省会城市外的其他城市。

（三）稳健性检验

根据Schneider and Wagemann 建议和评判标准，参考张明、杜运周、杜运周，刘秋辰，程建青和Judge et al 等人的做法，本文采用改变校准方法和改变一致性两种方法，对城市人工智能高质量发展的前因组态进行稳健性检验。如果改变校准方法和改变一致性后得到条件组态与原前因组态之间有明确的子集关系，结果就是稳健的。

本文采用直接校准法，并将完全隶属、中间点和完全不隶属的阈值分别由原来的0.8、0.5 和0.2 改变为0.85、0.5、0.15，在一致性阈值和频数不变的情况下，产生的组态一致；在不改变校准方法基础上，保持一致性阈值为0.80，频数为1 不变的情况下，将PRI 一致性临界值由0.75 提升至0.8，其结果不变，继续提升至0.84，产生的组态除个别边缘条件和核心条件发生变化外，人工智能高质量的组态路径并未发生改变，表明本文的分析结果是稳健的。

四、研究结论与政策建议

（一）研究结论

本文将城市作为研究对象，对于城市人工智能发展的分析更加系统和具体，这些发现是基于中国城市的不同发展现实来对各自在人工智能发展中的地位和角色解释的一种崭新的和有意义的尝试，也是基于组态的视角对其发展研究的丰富和补充。

如何促进人工智能的高质量发展是当前经济高质量发展的重要内容。更好地发挥政府的“帮助之手”，并发挥市场在资源配置中的决定性作用，是促进人工智能高质量发展的关键。本文基于技术经济范式理论，以95 个城市为研究样本，运用fsQCA 方法，从组态的视角探讨了产业基础、市场规模、人力资本、政府干预、金融资本和技术创新6 大前因条件的协同机制影响中国城市人工智能高质量发展的多元路径。主要结论如下：中国城市人工智能的发展具有殊途同归和多重路径并发的明显特征，对于产生城市高人工智能发展而言，任何单一因素既不能成为产生其高质量发展的必要条件，也不能成为引发产生其高质量发展的充分条件，但扩大市场规模和提升人力资本对产生城市高人工智能发展上发挥着更为普适的作用，这体现了市场和人才在推动中国城市人工智能高质量发展的重要地位，产生城市人工智能高质量发展是多种因素共同作用的结果，所形成的2 条驱动路径体现了不同城市人工智能高质量发展的多重实现方式；对于产生城市非高人工智能发展而言，任何单一因素既不能成为产生其非高质量发展的必要条件，也不能成为引发产生其非高质量发展的充分条件，但产业基础的不足是制约城市高人工智能发展的共同因素。

（二）政策启示

基于以上结论，本文提出推动中国城市人工智能高质量发展的对策建议。

加快区域经济发展，提高人力资本发展水平。中国城市人工智能高和非高质量发展路径表明，虽然单个的前因条件并不构成产生城市高人工智能发展的必要条件，但扩大市场规模和提升人力资本对产生城市高人工智能发展上发挥着更为普适的作用。因此，对于全国省会城市及东部沿海城市而言，推动区域内人工智能高质量发展的过程中，应将自身市场规模和人力资本的比较优势放在首位，进一步推动和提高人工智能的市场需求；对于中西部非省会城市和东部沿海科教资源相对落后的城市而言，改变区域内人工智能非高质量发展现状，应将做强做大市场规模放在突出位置，并逐步提高高素质人力资本水平，满足区域内人工智能发展所需的人才需求和智力支持。

夯实智能化产业基础，拓宽人工智能应用场景。前文研究表明，产业基础优势作为边缘条件辅助性地推动了中国城市人工智能的高质量发展，而其发展不足是制约城市高人工智能发展的共同因素。因此，全国省会城市及东部沿海城市在推动区域内人工智能高质量发展的过程中，要注重保持并不断发挥区域内产业基础的相对优势对其人工智能发展的推动作用；中西部非省会城市和东部沿海科教资源相对落后的城市应将夯实产业基础作为改变区域内人工智能非高质量发展现状的首要目标，通过不断推进传统产业与智能技术的嵌合应用，推动产业向智能化方向发展，为着力拓宽人工智能的应用奠定良好的基础。

立足区域资源禀赋，创造良好的市场环境。对于全国省会城市及东部沿海城市而言，政府可以综合考虑和充分把握区域内的金融支持与产业基础等各种资源的差异性，引导市场选择符合区域内经济社会现实的人工智能发展的驱动路径，并基于组态的思维制定各种有利于推动人工智能发展的金融支持和产业数智化发展的各种政策，坚持统筹兼顾并搞好综合平衡，通过发挥各项政策组合拳的优势，推动市场环境优势的进一步提升；对于中西部非省会城市和东部沿海科教资源相对落后的城市而言，政府要充分认识到人工智能发展的“非均衡性”，立足自身的资源禀赋，并发挥自身产业发展的规划与指导作用，通过财政与税收政策引导各种形式的资本向智能技术前沿领域集聚，为加快智能技术的应用进而推动区域内高质量发展动能的转换营造良好的社会环境。

（三）不足与展望

尽管本文基于技术经济范式理论，从组态的视角弥补了传统回归分析对中国城市人工智能高质量发展解释的不足，但和许多研究一样仍然难免存在疏漏之处。首先，受限于样本数据的可得性，本文仅对95 个城市的人工智能发展路径进行分析，未来可以进一步收集更多城市的相关资料，进一步提高其研究结论的可推广性。其次，由于城市层面有关人工智能的权威统计数据较少，且目前QCA 方法在面对时间变化方面的应用并不成熟，故本文对人工智能发展只是进行了静态分析，未来应重点关注人工智能跨时间变化下的动态发展路径的研究。