人工智能驅動制造業高質量發展的復合效應研究
——基于知識創造與知識地理溢出的雙重機制

徐 星，惠 寧，韓先鋒，崔若冰

(1.西北大學經濟管理學院，陜西 西安 710127；2.長安大學經濟與管理學院，陜西 西安 710064；3.昆明理工大學管理與經濟學院，云南 昆明 650093；4.西安紫光國芯半導體股份有限公司，陜西 西安 710075)

0 引言與文獻綜述

人工智能具有知識創造的突出特征，是產業變革核心驅動力和引領未來的戰略性技術[1]。推動與制造業的深度融合是把握后發優勢——技術吸收對傳統制造業的賦能，促進我國制造業由要素驅動向全要素生產率驅動模式轉變[2-4]，形成高質量發展新局面的重要機遇。截至2021年我國人工智能核心產業規模超過4000億元，工業機器人使用密度超過全球平均水平近2倍[5]，在世界范圍具有戰略優勢。那么，如何有效利用人工智能技術驅動我國制造業高質量發展？從產業發展角度出發兩者之間存在什么樣的作用機制與效應？回答這些問題對于制造業產業創新組織模式選擇、區域創新體系的構建、新型基礎設施布局等諸多方面具有重要的指導意義和政策啟示。

人工智能與制造業生產融合的核心是智能制造模式[6]，這種模式突出信息驅動與自組織化[7]。從技術創新視角分析可知：①信息驅動體現生產流程的知識化，即制造流程從傳統技術工藝轉換轉變為以非結構化數據驅動的知識擴散與應用[8]。②自組織化對應著生產過程的知識創造，即嵌入人工智能技術的制造環節通過知識獲取、學習[9]，適應并控制生產的過程——知識創造。創新經濟學理論認為，知識創造會改變技術創新軌跡與路徑[10]，并通過優化生產資源、改變投入產出效益，提升生產的效率[11]。所以，從知識創造視角入手，剖析人工智能與制造業生產效率提升之間的內在機制，是促進制造業高質量發展的關鍵。

演化經濟學認為，人工智能作為 “元思想”[12]會催生制造系統產生新的知識種類、質變、部門增多、結構變遷以及競爭強度增大[13]。那么，在微觀與中觀層面，制造企業的要素變化會導致系統層面的高階屬性 “涌現”，同時中觀層面的技術軌跡變遷影響微觀企業的行為與選擇，呈現出復合性特征[14]，杜龍政等[15]提出 “復合效應”概念并進行準確論述。鑒于上述特征的存在，本文試圖剖析人工智能與制造業知識創造之間內在機制中的 “復合效應”，這樣有助于在技術創新組織與區域創新體系構建方面采取有效的措施，釋放人工智能技術對于制造業生產效率提升的勢能。

人工智能技術應用對制造業生產方式轉變、效率提升的重要影響是當前學術研究的熱點。從對制造業的技術創新延伸方面，江小涓等[16]認為數字經濟、人工智能技術具有知識性特征，會加深制造業工業組織結構的重構和價值創造能力極大的提升。黃群慧等[2，17]認為在我國步入工業化后期后，制造業只有利用人工智能等通用技術的知識溢出效應才能通過個性化、復雜產品制造重新獲得競爭優勢；從技術替代效應方面分析，人工智能對于傳統生產方式的替代效應存在異質性，把握其在部門間流動方向是制造業產業結構轉型升級的重要條件[18-20]；在價值鏈溢出方面，人工智能技術降低資源錯配率，改善生產要素結構，驅動企業生產效率提升和向高附加值環節攀升[21-23]，同時也促進產品質量提升和分工優勢的形成[24-25]。然而，以上研究并未從技術創新視角出發以揭示人工智能作為一種新的技術形式對制造業生產效率提升產生的驅動機制與效應。

研究認為，在數字技術驅動下，制造業的生產模式、生產過程組織形式發生了關鍵變革[8，16-17]，向知識化、自組織化的方向轉變[7]，并且在空間形式上形成了網絡化、生態化的分工形式演化[8，26]。在這個背景下，在生產投入產出層面，人工智能作為發現知識的知識，如何推動在制造業生產過程的技術創新能力和生產效率的提升？在區域層面，人工智能如何形成對鄰近制造業生產空間分工的促進？上述兩個層面的內在機制存在什么樣的效應？

本文從技術創新視角出發，以分析人工智能技術特征為切入點，在知識創造、知識地理溢出層面，剖析人工智能驅動制造業生產效率提升的內在機制及效應。創新點在于： (1)基于知識創造機制，剖析人工智能通過搜索、深度學習技術拓展制造業知識寬度、深化知識深度，推動制造業生產效率提升的復合效應。 (2)基于知識地理溢出機制，剖析人工智能通過知識流動、知識溢出路徑促進鄰近區域制造業研發強度增加、專業化分工深化，推動制造業生產效率提升的復合效應。

1 理論分析

1.1 基于知識創造機制的人工智能促進制造業生產效率提升的復合效應

1.1.1 人工智能以知識創造機制作用于制造業生產效率提升的內在機理

數字化重構下，制造業的生產流程向知識化轉變，形成了人工智能技術通過知識創造與重組促進制造業生產效率提升的知識基礎。從知識類型角度看，知識化轉變體現在兩個層面：①知識寬度[27]。制造業橫向關聯資源能力、投入要素信息以及縱向關聯設計、工藝、關鍵參數數據共享，這些賦含知識的非結構化數據拓展了制造業的知識寬度；②知識深度[27]。技術創新隱含知識通過封裝化的數據，在縱向關聯環節之間形成創新擴散與交互[8]，產生了引發技術軌跡改變的 “高階知識”，深化了制造業的知識深度。

人工智能技術是一個獲得并應用知識的概念框架[9]，通過搜索 (知識獲取)和發現 (結合現有知識生成新知識)，對于現有知識進行重組與創造[12]。從Romer構建的知識生產函數出發[12]，剖析人工智能知識創造的機制與路徑。具體包括兩方面：①人工智能認知增加與知識寬度拓展。搜索算法提高了人工智能人員的制造業知識儲量Aφ，0<φ<1。人工智能人員認知增加后可以發現新的制造業知識類型，豐富了制造業的知識寬度。內生增長理論認為，制造業知識寬度拓展促進了生產技術和過程的創新，提升了制造業生產效率。②知識發現效率提高與知識深度深化。人工智能人員利用深度學習技術，通過挖掘復雜知識空間的知識提高了知識發現的效率θ，進而能夠識別制造業知識庫中的 “高階知識”，深化了知識深度。根據內生技術變化模型[11]，人工智能對于知識深度的深化通過擴展生產過程的中間投入品 (如機器)種類或者形成熊彼特式的生產技術范式的更迭，推動制造業生產率提升。

1.1.2 人工智能以知識創造機制促進制造業生產效率提升的路徑及復合效應

(1)人工智能以知識寬度拓展促進制造業生產效率提升的復合效應。人工智能技術作為支持其他思想產生和傳播的元思想，是一種獲得并應用知識的開放框架。一方面，人工智能搜索算法通過對于已有制造業知識庫的 “非結構化”數據進行獲取與分類，發現有價值的知識組合；另一方面，人工智能搜索算法通過知識獲取學習提升了自身算法性能。如果把制造業知識看作是 “非結構化”數據組成的知識圖譜，那么搜索算法獲取知識的過程就是一個 “網絡化”過程。基于知識生產的外部性特征[10]，在網絡效應作用下，搜索算法性能與知識類型、數量呈現出收益遞增的關系。與此同時，人工智能搜索算法性能的提升又會通過發現新的制造業知識拓展知識類型和數量。在累積循環機制下，人工智能搜索能力與制造業知識寬度拓展呈現出復合疊加的特征。這種知識寬度的拓展增強了知識的異質性，強化了生產資源的整合能力，產生了對制造業生產效率提升的復合效應。

(2)人工智能以知識深度的深化促進制造業生產效率提升的復合效應。人工智能深度學習技術具有發現 “高階知識”的能力，這種能力有賴于已有知識學習和演化路徑的識別[9]。創新經濟學認為，這種對于既有知識、慣例的路徑依賴會通過知識積累形成收益遞增，并具有自我增強機制[10]。與此同時，深度學習能力的增強會提升發現 “高階知識”的效率，深化制造業知識庫的知識質量與層次。所以，在技術創新收益遞增與自我增強機制的作用下，通過因果累積循環，人工智能深度學習技術與制造業知識的質量、層次的深化呈現出復合疊加的特征，這種特征進一步通過形成制造業中間投入產品 (機器)復雜程度的增加或者生產范式變革的質量階梯躍升，對于制造業生產效率提升產生復合效應。

綜上，本文提出假設1：人工智能搜索、深度學習技術擴展了制造業的知識寬度、深化了制造業的知識深度，并在網絡效應、技術創新動態收益遞增效應的驅動下，通過累積循環機制對于制造業生產效率的提升具有復合效應。

1.2 基于知識地理溢出機制的人工智能促進鄰近區域制造業生產效率提升的復合效應

1.2.1 區域層面下人工智能作用于制造業生產效率提升的知識地理溢出機理

人工智能產業與制造業屬于不同的知識創新產業類型，前者是STI模式，而后者屬于DUI模式[14]，且兩種技術類型的區域分布存在顯著差異。人工智能產業多分布在科研結構和多元化生產要素聚集的大城市或者科學城，而制造業多分布在以大型制造企業及配套研究機構為主的產業區[14]。前者具有顯著的地理根植性與集中性，后者則呈現出以區域創新網絡、生態為尺度的演化特征[14]。在數字化重構下，人工智能的知識創新與制造業技術工藝通過封裝化的數據實現了在虛擬—實體網絡上的擴散與交互，這種數據的交互解構了兩種類型知識創新的本地化地理分布特征。新經濟地理理論認為，鄰近的人工智能產業區、制造業產業區之間形成了不同類型知識創新的跨區域擴散、關聯，產生了知識的地理溢出。

人工智能技術的核心是知識重組與創造[12]，而制造業技術注重 “干中學”、 “默會知識”的積累與應用[2]。兩者之間的知識地理溢出存在兩個路徑：①知識流動。依托虛擬實體網絡上遠端知識庫的支持，人工智能人才與制造業技術人才進行面對面交流、 “干中學”，在這個過程中實現知識的發送、接收與學習。②知識溢出。人工智能與制造業可分別看作是知識和物質生產部門，人工智能知識產出作為中間投入品，依托虛擬實體網絡向鄰近地區進行知識擴散，促進鄰近區域制造業的分工深化。本文利用新經濟地理理論，對知識流動和知識溢出所體現的 “復合效應”特征進行闡述。

1.2.2 人工智能作用于鄰近區域制造業生產效率提升的知識地理溢出的路徑及復合效應

(1)以知識流動路徑促進鄰近區域制造業生產效率提升的復合效應。人工智能技術應用的關鍵在于擁有該領域前沿知識的高技術人才[3]。根據新經濟地理理論，人工智能人才與制造業技能人才之間的知識流動可以看作是 “知識關聯”，借鑒Berliant構建的TP模型[28]，那么兩者的知識流動機制可以解釋如下。

如果存在南北兩個區域，分別分布著人工智能人才與制造業技能人才，基于共同知識的合作創新效率會更優。在此集聚力吸引下，人工智能人才向制造業產業區流動，在面對面交流、 “干中學”的過程中知識創新的遞增收益會增強制造業的研發活動強度，推動制造業產品、過程的創新。同時，制造業的應用創新又擴充了人工智能人才的算法知識庫存量。在累積循環作用下，人工智能人才知識創新能力與鄰近制造業研發活動強度的增加復合疊加，推動制造業產品、過程的更高水平創新，并對生產效率提升產生 “復合效應”。

(2)以知識溢出路徑促進鄰近區域制造業生產效率提升的復合效應。從長期看，人工智能對制造業的作用路徑是收益遞增的知識生產部門對收益遞減的制造業部門產生知識外部性，這種外部性以跨區域知識溢出的形式產生。從新經濟地理理論出發，可利用知識溢出雙增長模型[28]剖析這種知識部門對制造部門的長期知識溢出過程。

如果存在南北兩個區域，均分布著人工智能生產部門與制造業生產部門。在長期范圍內，數據在虛擬實體網絡上的流動降低了知識擴散的阻力，人工智能公共知識資本向鄰近區域制造業部門的擴散，并作為中間投入品促進制造業生產效率的提高。在知識收益遞增的作用下，南部區域制造業形成了更高的增長率，其成本型工藝環節向北部區域發生轉移。同時，南部區域制造業應用創新豐富了人工智能部門的知識庫存量，促進了人工智能的技術專業化。在累積循環作用下，南部區域人工智能知識資本的技術專業化與鄰近區域制造業生產環節的分工深化，共同推動了區域中間產品投入 (機器)種類擴展、迂回生產流程的延長，產生了推動鄰近區域制造業生產效率提升的 “復合效應”，具體機制如圖1所示。

圖1 人工智能對鄰近制造業的知識地理溢出機制及效應圖

綜上，本文提出假設2：人工智能以知識流動、知識溢出的路徑向鄰近地區制造業形成知識地理溢出，促進鄰近地區制造業研發活動強度的增強和制造業專業化分工的深化，同時豐富了人工智能技術人才和知識生產部門的知識庫。在累積循環因果作用下，人工智能技術對鄰近地區制造業生產效率的增長產生 “復合效應”。

2 計量模型、變量與數據

2.1 計量模型

2.1.1 基于知識創造機制的復合效應的隨機前沿模型構建 (SFA)

本文采用隨機前沿模型 (SFA)研究人工智能通過知識創造機制促進制造業生產效率提升的復合效應。根據Battese等[29]模型的基本原理，構建如下模型：

TEit=exp (-uit)

(1)

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

(2)

其中，下標i代表省份，t代表時期；在效率解釋函數mit中，Robotit衡量地區制造業智能化水平，Digitalit測度數字化發展水平，ωit為制造業空間集中度，Robotit×Digitalit考察數字化重構下人工智能應用水平，Robotit×Digitalit×ωit考察數字化重構下，人工智能應用與制造業空間集中度提高之間的交互作用，該交互項用以觀測人工智能以知識創造的機制促進制造業生產效率提升的復合效應。當然，本文加入控制變量Xit，包含研發投資強度 (rdi)等。TE表示樣本省份在t年度生產效率的水平，用e-uit表示。mit是技術無效率項，mit越大，表明技術效率越低，即技術無效率程度越高。

2.1.2 基于知識地理溢出機制的復合效應的中介效應模型構建

(3)

(4)

2.2 變量的設定

2.2.1 被解釋變量

制造業的全要素生產率 (TFP)是本文的被解釋變量。在考察知識創造機制時，通過選取SFA方法對其進行測算；在考察知識地理溢出機制時，通過Malmquist指數法進行估算。

2.2.2 核心解釋變量

(1)制造業智能化水平 (Robot)。本文依據阿西莫格魯[11]的觀點以工業機器人投入量衡量制造業智能化水平，并借鑒宋旭光等[30]的做法對于省份層面的工業機器人投入量進行估算。公式為：

(5)

(2)制造業空間集中度 (ω)。鑒于創新活動一般以集群形式演化[10]，本文通過產業集聚效應的水平反映人工智能搜索、深度學習在產業集群中知識創造機制的網絡效應與技術路徑上的動態收益遞增，并通過制造業空間集中程度對于產業集群的集聚效應進行測度，公式為：

(6)

(3)數字化發展水平 (Digital)。借鑒許憲春等[31]的研究，利用數字化指數和數字經濟規模反映數字化發展水平。前者反映數字化的硬件水平，后者反映信息技術和資源的應用水平，公式為：

Digitali=Dinfri×Dscalei

(7)

其中，Dinfri表示區域i的數字化指數，Dscalei表示區域i的數字經濟規模。

2.2.3 中介解釋變量

(1)制造業研發人員R&D活動強度 (SR&D)。依據本文理論部分構建的TP模型假設，把制造業研發人員R&D活動強度作為人工智能以知識流動方式促進制造業技術創新的代理變量，并采用國際通用的R&D人員全時當量進行衡量。

(2)地區制造業相對專業化指數 (CS)。依據本文理論部分構建的知識溢出雙增長模型的假設，把地區的專業化分工水平作為反映人工智能以知識溢出方式促進制造業技術創新的代理變量。本文采用地區相對專業化指數[32]進行測度。需要說明，當csi取值變小時，表明該省份與地區制造業結構平均水平趨于一致，即形成專業化分工。

2.2.4 控制變量

為了準確分析人工智能應用對制造業生產效率提升的復合效應，本文在隨機前沿生產函數模型和中介效應回歸模型中選取控制變量的依據及測度如下：①企業研發投資強度 (rdi)是企業提高全要素生產率的重要路徑之一，采用省份規上工業企業每年R&D經費支出占制造業工業總產值的比重測度；②知識產權保護 (pat)有利于企業創新獲得壟斷收益，利用《中國知識產權發展狀況評價報告》省份層面的知識產權保護指數計算；③外商直接投資 (fdi)有利于企業吸收先進生產管理技術提升生產效率，利用省份外資占有股份的規上制造業企業工業總產值占規上制造業企業總產值的比重測度；④貿易開放度 (tra)便捷知識人才等創新要素的流動，用人民幣表示的進出口總額與GDP的比值衡量，該值越大，貿易開放度越高；⑤產業多樣化 (idi)有利于企業之間的技術互補、知識共享，用三次產業產值在地區總值占比平方和的倒數測度；⑥交通可達性 (acc)通過降低運輸成本的形式促進企業生產效率提升，利用省份公路、鐵路營運里程與省份面積的比值衡量。

2.3 數據說明

本文依據《 “十四五”智能制造發展規劃》《數字中國發展報告 (2020)》中我國智能制造、數字經濟發展的重點布局，選取智能制造水平高、數字經濟發展好的環渤海經濟區 (北京、天津、河北、山東、遼寧)、長三角經濟區 (上海、江蘇、浙江、安徽)、粵港澳大灣區 (廣東、香港、澳門)和成渝—關中經濟區 (四川、重慶、陜西)4個區域作為樣本區域。其次，收集4個區域的2012—2021年省級層面的前述核心變量和控制變量的數據。對數據的說明和處理如下：①在前沿生產函數中，利用地區工業增加值數據替代地區制造業工業增加值，并通過修正系數間接得到制造業工業增加值；②采用《2017年國民經濟行業分類 (GB/T 4754—2017)》的二位產業分類的29個細分制造業部門工業總產值數據計算地區空間集中度和相對專業化指數；③原始數據均來自歷年的《中國統計年鑒》《中國工業經濟年鑒》《中國經濟普查年鑒》《中國地區投入產出表-2017》、Wind數據庫和CEIC環亞經濟數據庫。

3 實證結果及解釋

3.1 模型設定性檢驗及變量相關性檢驗

3.1.1 模型設定性檢驗

鑒于本文擬利用超越對數形式的隨機前沿模型進行分析，需要進行模型的設定性檢驗。建立原假設H0，令模型中的系數都為0，采用廣義似然率統計量λ=-2ln[L(H0)-L(H1)]檢驗原假設。L(H1)和L(H0)分別是前沿模型的備擇假設H1和零假設H0下的似然函數值，若原假設H0被拒絕，說明超越對數形式比C-D生產函數形式更有效。結果顯示，廣義似然率大于10%顯著度下的卡方分布臨界值，有理由拒絕原假設，采用超越對數生產函數測度人工智能應用促進制造業生產效率提升的過程。

3.1.2 變量相關性檢驗

上文模型中的核心解釋變量制造業智能化水平 (Robot)和數字化發展水平 (Digital)存在一定程度的聯系，需要進行相關性檢驗排除二者作為交互項 (Robot×Digital)對回歸結果造成的統計偏誤，相關性檢驗見表1。由表1可知，4個經濟區域的制造業智能化水平與數字化發展水平的樣本數據并不存在顯著的相關關系，從而在使用兩者交互項時并不會對回歸結果造成有偏估計。

表1 制造業智能化與數字化發展水平的相關性檢驗

3.2 人工智能以知識創造機制促進制造業生產效率提升的復合效應分析

3.2.1 智能制造與數字經濟發展的4個區域回歸估計結果

不同區域的模型 (1)～ (2)分別為該區域的隨機前沿基準模型回歸和加入控制變量后模型的回歸結果，見表2。效率損失方程回歸結果顯示，在人工智能與數字化交互項上，4個經濟區域回歸估計系數總體上在1%、10%的水平顯著為負，表明數字化重構下人工智能應用有效減少效率的損失，促進了制造業生產效率的提高；在人工智能、數字化與制造業空間集中度的交互項上，4個經濟區域回歸估計系數均在1%、10%的水平顯著為負。結果顯示在數字化重構下，人工智能應用水平通過制造業產業的空間集聚，有力地降低效率損失，推動制造業生產效率的提高；從以上兩個交互項系數的對比可知，4個經濟區域中加入產業空間集中度的 “三項交互項”的估計系數絕對值均大于人工智能與數字化的交互項估計系數，或者是 “三項交互項”的估計系數在更高的置信水平下顯著。回歸結果表明，制造業產業空間集聚程度的提高和集聚效應的發揮，催化了數字化重構下人工智能應用水平對制造業生產效率提升的程度，呈現出 “復合性”增強的效應特征。

表2 人工智能以知識創造機制對制造業復合效應的隨機前沿回歸結果

從演化地理、產業集群理論出發，上述 “復合效應”是人工智能應用在產業集群內部知識溢出效應與集群的集聚效應的復合疊加作用。具體可以歸納為：①人工智能搜索算法通過在集群內部發現新的創新組合，形成了集群技術的革新和生產效率的提升。在技術創新收益遞增的作用下，集群會產生對外部要素的集聚力，在因果累積循環作用下，產業集群的企業衍生、合作生態擴展與人工智能的知識溢出形成復合疊加效應。②人工智能的深度學習，通過對產業集群內部技術的自主學習形成整體技術創新的演化路徑，并實現動態投入收益遞增和對外部的壟斷收益。在累積循環作用下，集群的中心—外圍技術分工收益與人工智能技術迭代的收益遞增形成復合疊加效應。

人工智能技術通過增加產業集群的技術類型和形成收益遞增的技術創新演化路徑，在知識收益遞增和技術分工壟斷收益遞增的雙重作用下，對于制造業生產效率的提升表現出的復合效應的特征，證明了本文理論部分提出的假設1。

3.2.2 內生性檢驗

考慮到制造業高質量發展與智能化水平存在雙向因果關系，本文借鑒阿西莫格魯[11]的實證方法，采用Bartik工具變量法構造中國制造業智能化水平的指標，并選取Mustafa[33]構造的內生性隨機前沿模型進行工具變量回歸，回歸結果如表3所示。

表3 內生性隨機前沿模型的工具變量回歸結果

由表3的工具變量回歸結果可知，4個區域列 (1)的第一階段回歸結果均顯著，表明利用Bartik工具變量法的美國人工智能投入量工具變量與我國的機器人投入量具有較強相關性；4個區域列 (2)的第二階段回歸結果也均顯著負相關，即與基準回歸顯示的結果即人工智能有利于減少技術效率的損失是一致的；內生性隨機前沿模型給出檢驗內生性的變量η。4個區域的η項共同顯著度檢驗顯示不顯著，依據模型假設表明無法拒絕原假設H0，方程無需考慮內生性的修正。所以，通過內生性檢驗表明，模型中不存在人工智能與制造業高質量發展之間的雙向因果關系，隨機前沿模型的預測結果不存在考慮內生性的偏誤。

3.3 人工智能以知識地理溢出機制促進鄰近區域制造業生產效率提升的復合效應分析

3.3.1 以知識流動為路徑的復合效應估計結果

4個經濟區域以研發人員R&D活動強度為中介變量的回歸結果見表4知識流動路徑。方程 (1)～ (4)顯示，人工智能應用水平及其交互項在1%和5%的水平下，與研發人員R&D強度、制造業全要素生產率的估計系數均顯著為正，且總體來看間接效應較顯著。這表明，人工智能應用確實通過提升鄰近地區研發人員R&D活動的強度推動了鄰近制造業生產效率的提升。進一步，對比每個區域方程 (1) (2)和 (3) (4)的間接效應估計系數，可以看出方程 (3) (4)的絕對值高于方程 (1) (2)。這表明數字化水平提高與人工智能應用形成了復合效應，推動了鄰近地區制造業研發人員R&D活動強度的 “復合性”增加，進一步促進制造業全要素生產率的復合性提高。由控制變量估計結果可知，貿易自由度、交通可達性總體呈現出正向作用，而知識產權保護程度則負向作用偏多。

表4 以知識地理溢出的人工智能與制造業生產效率間復合效應的中介效應模型回歸結果

用創新地理理論進行分析，隱含知識通過編碼化、封裝化在虛擬空間流動的作用下[26]，人工智能人員與制造業研發人員通過面對面交流、 “干中學”實現了人工智能知識對于制造業技術工藝的擴散、吸收和問題解決——知識流動[34]。隨著數字化水平的提高和數字經濟規模的擴大，人工智能人員對于制造業研發人員知識擴散的當量、質量和應用范圍逐漸提高，同時研發應用又豐富了人工智能算法的性能形成知識創造的收益遞增，共同推動了生產效率 “復合性”提升。由此可以證明本文提出的假設2，人工智能以知識流動的形式促進制造業生產效率呈現 “復合性”提升。

進一步分析，控制變量的回歸結果表明，區域之間要素流動便捷程度、知識產權保護以及運輸成本會影響人工智能技術人才以知識流動的形式對于制造業生產效率提升復合效應的效果。演化地理理論認為，高技術人才的區域流動受到要素流動的便捷程度、知識產權保護和運輸成本的影響[34]，這些因素在短期內決定人工智能技術向鄰近區域流動的水平和區位黏性，進而作用于制造業生產效率提升的復合效應發揮。

3.3.2 以知識溢出為路徑的復合效應估計結果

4個經濟區域以相對專業化指數為中介變量的回歸結果見表4知識溢出路徑。方程 (1)～ (4)結果顯示，人工智能應用水平及其交互項在1%、5%和10%的水平下，與相對專業化指數、制造業全要素生產率的估計系數均顯著為負，且總體看間接效應大于直接效應。這表明，人工智能應用有效降低了地區制造業結構的差異，形成了地區專業化分工，進而地區的專業化分工又促進了鄰近地區制造業生產效率的提高；對比方程 (1) (2)和 (3) (4)的間接效應估計系數，可以看出方程 (3) (4)的絕對值高于方程 (1) (2)。這表明數字化水平的提高催化了人工智能技術在制造業的應用范圍與深度，推動地區制造業專業化分工產生 “復合性”的深化，進一步提升制造業全要素生產率。從控制變量估計結果可知，企業研發投資強度、市場化水平總體呈現出正向作用，而知識產權保護程度、交通可達性則負向作用偏多。

用創新地理理論進行分析，在數字技術驅動下，人工智能的公共知識以封裝化的數據在虛擬網絡上向鄰近區域擴散。溢出的公共知識作為中間投入產品促進了鄰近制造業生產的創新和收益遞增，進而在擁擠效應的作用下制造企業將成本型的工藝環節向鄰近區域轉移，深化了制造業區域的專業化分工。在迂回生產流程延長的作用下，整個區域制造業的生產效率得到提升。與此同時，制造業專業化分工的深化擴展了生產流程的技術種類、數量，豐富了人工智能知識生產部門的知識庫并形成收益遞增。在累積循環作用下，人工智能知識的生產與制造業專業化分工的深化共同推動制造業生產效率復合性的增長。由此可以證明本文提出的假設2，人工智能技術以知識溢出的形式推動制造業生產效率復合性提升。

進一步分析，控制變量企業研發投資強度、市場化水平、知識產權保護、交通可達性會影響人工智能在以知識溢出的形式促進制造業生產效率復合性提升的效果。依據區域創新體系理論的觀點，知識創新的企業文化氛圍、知識轉移交易費用、知識創新制度激勵以及知識創新空間流動自由度這些區域體系中 “軟” “硬”制度要素[35]，以制度塑造的形式對于創新體系中主體的行為起著戰略引導的作用，而微觀主體之間的非線性作用和系統的結構又會催生區域系統層面的 “知識創新 ‘涌現’”等高階屬性現象的產生。從長期看，這些區域內的 “軟” “硬”制度要素會影響人工智能生產在區域的地理根植性，并形成與制造業生產效率持續提升的良性循環。

3.4 穩健性檢驗

為了研究結論的可靠性，對隨機前沿回歸模型和中介效應回歸方程進行穩健性檢驗：一方面，在兩個模型中，將研發投入變量換成專利申請數、地區產業結構由赫芬達爾指數換成吉布斯—馬丁GM指數、交通可達性使用公路和鐵路線路里程與省份面積的比值；另一方面，剔除2013年和2017年兩年的樣本后采用2012—2021年間樣本區域面板數據再次進行回歸分析。上述穩健性檢驗結果顯示，各替代變量估計結果與上文估計結果是一致的，表明本文主要結論具有較好的穩健性。

4 結論及政策建議

把握人工智能技術規律，采取有效產業和區域創新政策，形成人工智能與制造業生產過程深度融合，是抓住技術革命機遇驅動制造業高質量發展的關鍵。本文從技術創新視角出發，以知識創造機制與知識地理溢出機制兩個分析框架，剖析人工智能驅動制造業生產效率提升的內在機制與效應，并采用2012—2021年4個數實融合先行區域的面板數據進行實證分析，得到如下結論。

(1)在知識創造層面，人工智能應用對于制造業生產效率提升具有正向作用，人工智能與產業空間集中度的交互項對于制造業生產效率提升作用更為明顯，即產業集群的創新組織形式，能夠有效發揮人工智能對于制造業生產效率的提升作用，形成復合疊加的效應。

(2)在知識地理溢出層面，人工智能應用對于鄰近地區制造業研發強度增加、專業化分工深化具有正向作用，間接促進了鄰近制造業的生產效率提升。人工智能與數字化發展水平的交互項的這種間接促進作用更為明顯，即區域數字化發展水平的提高能夠加速人工智能向鄰近地區制造業的知識溢出程度，對于鄰近制造業生產效率提升具有復合疊加效應。

基于上述結論，得出以下政策啟示。

(1)構建以產業集群的組織形式為核心的制造業與人工智能應用創新的產業生態。區別于以往的低端 “鎖定”的集群形式，應當組建以科學為驅動的創新性集群，并有效協同高校、研究實驗室與企業之間產學研互動和人才的雙向流動，形成人工智能應用與集群技術創新演化之間的良性循環，推動我國傳統制造業產業集群、戰略新興產業集群的轉型與競爭優勢的形成。

(2)注重區域創新體系構建，形成人工智能向鄰近地區制造業知識溢出的洼地。首先，加大區域交通、知識和數字基礎設施的共享，降低人員流動的成本，推動人工智能人才向鄰近地區制造業的知識溢出與融合創新；其次，完善區域知識產權、技術交易、貿易等方面的軟硬制度，促進人工智能生產部門技術專業化和制造業區域的分工深化。同時，加大以5G為代表的新型基礎設施建設，推動人工智能人才、人工智能產業在地區的長期根植性。