摘要：本文使用人工智能专利统计量构建核心解释变量，以2010—2019年284个地级及以上城市面板数据为分析样本，就人工智能技术对中国区域经济增长、经济差距、经济关联的影响进行实证检验。结果表明：（1）人工智能技术对区域经济增长具有持续、稳健的促进作用，技术进步对东部、中部地区的影响更为显著；（2）人工智能技术基础层、技术层、应用层各分支在东部、中部、西部地区的分布呈现同构化特征，技术发展方向与区域比较优势之间存在错配，阻碍了西部地区分享技术红利；（3）人工智能缩小了中部城市与全国平均水平的经济差距，但扩大了西部城市与全国平均水平的差距；（4）人工智能对经济增长的促进作用难以通过经济水平相近、产业结构相似、地理位置邻近等条件传导至邻近区域，技术进步尚未对区域经济关联产生显著影响。为引导中国人工智能技术长期健康发展、实现高质量区域协调发展，未来应加强人工智能关键核心技术攻关、优化人工智能产业区域布局、重点提升西部地区技术水平和区域承接能力。
关键词：人工智能，技术创新，区域协调发展，人工智能专利，高质量发展
基金项目：国家社会科学基金青年项目“制造业数字化转型异质性特征与分类促进策略研究”（22CJY047）
一、问题提出
党的二十大报告提出，“高质量发展是全面建设社会主义现代化国家的首要任务”。深入实施区域协调发展战略，夯实区域发展基础、理顺区域经济关系、促进区域经济协调发展，既是高质量发展的内在要求和组成部分，也是全面建设社会主义现代化国家的重要途径。数字经济时代，以新一代人工智能为代表的数字技术、数字产业快速发展，已经成为支撑宏观经济高质量发展的新动能、新优势。然而，人工智能技术的广泛应用也为区域协调发展带来了新的挑战。单纯依靠市场机制选择的技术进步速度和方向通常难以实现社会总福利水平最大化，人工智能等数字技术可能带来欠发达地区资源及成本优势弱化、要素收入分配差距扩大等问题，加剧发展不平衡趋势[1]。在国内，上述不平衡问题则具体表现为东部沿海省份的数字技术优势突出、数字经济发展迅速，中部、西部相对落后地区则难以分享前沿数字技术的发展红利。“数字鸿沟”持续存在，不利于国民经济长期健康发展。
中国幅员辽阔，各地受自然条件、社会发展程度、历史背景、社会人文环境等因素影响，经济发展存在一定差距。区域之间适度的经济差距有助于保证市场机制的运营效率，但持续加剧的区域不平衡趋势不符合高质量发展的目标和要求[2]。面对人工智能等数字技术带来的区域经济极化风险，有必要对人工智能技术及产业链发展状况、技术创新对区域经济的影响效果和机制展开全面深入的分析检验。针对人工智能技术将如何影响区域经济发展，已有研究存在争议。主要原因在于对研究对象缺乏清晰界定，难以开展全面系统的分析评估；且人工智能代理变量与实际技术范畴之间存在较大偏差，影响回归结果的可靠性。为此，本文将在明确界定区域经济协调发展这一关键概念的基础上，使用人工智能专利数据构建核心解释变量，基于2010—2019年284个地级及以上城市面板数据，就人工智能技术对中国区域经济增长、经济差距、经济关联的影响开展实证分析，客观把握人工智能技术发展状况和区域特征，准确判断人工智能技术及其分支对中国区域经济的影响，为引导人工智能技术的长期健康发展、实现高质量的区域协调发展提供理论和实证支撑。
本文后续内容安排如下：第二部分，文献述评与研究思路，从中国人工智能技术的发展趋势及区域特征、人工智能技术对区域经济增长的影响等方面梳理述评已有研究成果，说明本文的贡献和研究思路；第三部分，研究设计与数据来源，介绍本文实证分析的样本选择、数据来源、变量和模型构建；第四部分，人工智能技术对区域经济增长的影响分析，就人工智能技术及其分支对经济增长的整体影响和区域异质性开展实证分析；第五部分，人工智能技术对区域经济差距的影响分析，判断人工智能技术是否有利于缩小不同区域的城市经济增长与全国平均水平之间的经济差距；第六部分，人工智能技术对区域经济关联的影响分析，采用空间计量模型，分析检验人工智能技术是否通过空间溢出效应促进了区域经济活动的关联依存程度；第七部分，研究结论与政策建议。
二、文献述评与研究思路
（一）中国人工智能技术的发展趋势及区域特征
2010年以来，以机器学习算法为核心的第三代人工智能技术在全球范围内快速演进、广泛渗透，已经成为新一轮科技革命和产业变革的主导通用目的技术，也是国际竞争的重要战略领域[3]。近年来，中国人工智能技术发展势头强劲、产业规模迅速扩张，技术专利、学术论文等创新产出数量已达到世界领先水平[4]。但是，与美国、日本等发达经济体相比，中国人工智能技术在创新质量、国际竞争力、影响力等方面仍然存在不小的差距[5]。王雅薇等（2019）指出，尽管中国人工智能产业发展迅速，但仍与发达国家之间存在明显差距，需重点加强科技自主创新能力[6]。聂洪光和范海荣（2020）基于专利检索数据，比较了中美两国的人工智能创新水平和创新潜力，指出尽管中国人工智能专利总量已经超越美国，但专利国际化水平不高、专利布局不合理、基础层和技术层发展不足等问题，都可能对中国人工智能技术的长期发展形成制约和瓶颈[7]。顾国达和马文景（2021）从环境支撑力、知识创造力、产业竞争力等方面对主要经济体的人工智能发展水平进行了量化评估，发现全球人工智能产业整体呈上升趋势，但增速并不稳定，而中国人工智能产业发展势头强劲、潜力巨大，存在“弯道超车”的可能性[8]。
在国内，受资源禀赋、产业传统、市场环境、政策导向等多种因素影响，人工智能技术及相关科技产业发展呈现显著的区域异质性。首先，人工智能技术和产业发展水平的地区差距较大，发展不平衡特征突出。北京、上海、广东、江苏、浙江等东部省份起步早、发展快，已经进入技术领先阶段，而西部、中部和东北地区人工智能发展水平则大多处于技术追赶和落后阶段[9-10]。其次，在领先的东部地区内部，重点省份及周边区域的人工智能科技产业各具特色。北京、杭州和深圳的人工智能科技产业发展在全国乃至世界排名前列，而三地在人工智能技术类型、创新要素集聚方式和政策导向上均具有较强的地方特色。例如，北京人工智能科技产业由早期的互联网产业逐步扩展到数字内容和科技金融，杭州率先把人工智能技术与电子商务、传统安防产业相结合，深圳则更多关注人工智能技术在传统制造业、社交领域的发展应用[11]。
（二）人工智能技术对区域经济的影响
就技术进步所带来的经济社会影响而言，已有研究普遍支持人工智能技术通过替代落后生产要素、提升经济运行效率、助力传统产业转型升级等路径，促进宏观经济增长[12-16]。然而，技术进步可能引发的区域经济差距扩大、收入分配不平衡加剧等潜在负面影响也受到了越来越多的关注。在经济体之间，人工智能技术的资源和劳动力节约效应更加符合发达国家和地区的需求，但会削弱发展中国家、新兴经济体的相对竞争优势，损害其国际贸易和竞争条件，造成“赢者通吃”的不平衡发展趋势[1]。在经济体内部，人工智能技术也可能扩大资本与劳动要素之间、劳动群体内部的收入分配差距。长期来看，完全依靠市场机制决定的技术进步和产业发展方向不但无法有效提升生产效率，甚至可能降低社会总福利水平，资本持有者和高技能劳动者将成为技术进步的受益方，而低技能劳动者的处境则持续恶化[17-19]。新自由主义提出的涓滴效应（trickle-down effect）不会自然而然地发生，因此有必要对人工智能等数字技术的发展方向进行引导和干预[20]。
围绕人工智能、数字技术、数字经济对中国区域经济增长的影响，国内学者采用多种数据和研究方法、从不同角度开展了理论和实证分析，得到的研究结论并不一致，对于人工智能技术将如何影响中国区域经济协调发展还存在争议。部分学者认为人工智能等前沿数字技术能够打破地域空间限制、促进分工协作、更好发挥区域比较优势，从而有利于缩小差距、促进区域协调发展[21-23]。张俊英等（2019）基于城市面板数据的研究结果表明，电子商务对经济增长存在显著的空间溢出效应，能够通过知识溢出提高邻近区域生产效率、促进产业集聚，从而促进邻近区域经济增长[24]。侯世英和宋良荣（2021）基于2012—2018年省级面板数据，利用经济收敛模型分析了数字技术对区域增长的影响机制和效果，发现数字技术可以通过提升全要素生产率和资本回报率对区域经济增长质量的动态空间收敛产生正向影响[25]。邵秀燕和陈思华（2022）同样使用了增长收敛模型，基于城市面板数据考察数字经济对区域经济增长的影响，发现数字经济在中国城市经济增长收敛过程中发挥了显著的促进作用，且在中西部地区的促进作用更为显著[26]。
然而，也有学者认为中国不同区域之间依然存在巨大的“数字鸿沟”[27]，完全依靠市场机制主导的人工智能技术发展方向将进一步扩大区域之间、区域内部的技术和经济差距。首先，人工智能技术及相关的数字产业、数字经济自身发展就存在较大的区域不平衡，尽管相对差距有所缩小，但区域间绝对差距依然较大[10]。其次，人工智能技术创新和应用对数字基础设施、人力资本、组织管理等互补性投入的要求较高，经济和技术基础较好的地区更有可能收获技术红利[28]。付文宇等（2021）分析了人工智能技术对区域创新的影响，认为人工智能技术对中部、东部地区的创新水平产生了显著的促进效应，对西部地区的影响则不显著[29]。陈德余和汤勇刚（2021）认为由于大城市凭借技术和产业优势形成的虹吸效应，人工智能产业发展进一步扩大了区域之间的经济差距[30]。孟彩霞等（2022）考察了人工智能应用对区域产业结构的影响，认为人工智能技术显著促进了产业结构优化升级，但其影响具有显著的区域异质性，进一步扩大了东部-西部的产业结构发展差距，阻碍了区域经济协调发展[31]。
（三）已有研究述评及本文研究思路
通过梳理中国人工智能技术及相关数字产业、数字经济的发展状况，以及人工智能技术对经济增长、高质量发展、区域协调发展等方面的影响，可以发现目前，中国人工智能技术发展势头迅猛、产业规模快速扩张，但与美国等发达经济体相比，技术创新质量仍有较大提升空间。就国内市场而言，人工智能技术及科技产业整体呈现“东强西弱”的区域特征，发展不平衡问题突出。尽管人工智能技术对经济增长的促进作用已得到普遍认可，但对于技术进步是否有助于促进区域经济协调发展、助力高质量发展等关键问题，尚未得到一致结论。本文认为，围绕人工智能技术与区域经济增长的已有研究存在两个方面的不足，这也是造成相关研究结论难以统一的主要原因。首先，缺少对区域经济协调发展这一核心概念的清晰界定，因而无法对人工智能技术的影响开展系统性分析。已有研究多以区域经济增长规模和速度、经济增长收敛程度、经济差距、空间溢出效应等单一变量作为被解释变量，难以全面反映区域经济协调发展状况，无法系统评估人工智能技术对区域协调发展的实际影响。其次，用于表征人工智能技术创新和应用的核心解释变量选取存在较大差异，从而直接影响了实证分析结果。国内研究多使用工业机器人、数字经济指标体系、上市企业年报词频等作为人工智能技术的代理变量，与人工智能技术创新和应用的客观水平和实际范围存在一定偏差，可能会影响回归结果的可靠性。
针对上述问题，本文拟从以下两个方面进行补充：
首先，对区域经济协调发展的研究范围做出明确定义，并就人工智能技术对其产生的影响开展全面系统的实证检验和分析。本文参考覃成林等（2011）[32]对区域经济协调发展的相关定义，提出评估人工智能技术对区域经济协调发展的影响应包含至少三个方面的内容。一是人工智能技术能否促进区域自身经济规模的增长。区域经济体量的稳步提升是实现区域自身发展、推动宏观经济高质量发展的基础，需要首先检验人工智能技术能否实现对本地经济增长的有效提升。二是人工智能技术是否有助于缩小区域经济增长差距。持续加剧的区域不平衡趋势不符合经济高质量发展的内在要求，需要客观评估人工智能技术对于区域之间经济差距的影响，对技术发展和应用方向加以引导。三是人工智能技术能否促进区域间经济活动关联程度的持续深化。增强区域之间的经济关联和依存程度，加强资本、技术、人才等生产要素在区域间的自由流动是实现区域经济协调发展、支撑经济高质量发展的重要途径。提升区域经济增长、缩小区域经济差距、深化区域经济关联三者之间既逐层递进，又相互支撑。区域经济从自身规模扩张，到经济差距缩小，再到经济活动广泛关联，体现了区域经济协调发展从量到质的转型升级路径。同时，区域自身经济增长是缩小区域差距的基础和关键所在，而提升区域经济关联又是促进经济规模增长、实现高质量区域协调发展的重要手段。
其次，本文使用人工智能技术及其分支的专利统计量作为核心解释变量，客观表征中国人工智能技术创新和应用水平。专利数据作为人工智能技术的代理变量已经在经济学研究中得到普遍使用[13，16，33-34]，相较于其他代理变量，专利数据能够更加客观、全面地反映技术进步和渗透应用水平。本文使用的专利数据还可以进一步划分人工智能基础层、技术层和应用层专利，可以就人工智能技术分支对区域经济协调发展的影响效果和作用机制，开展更为细致的检验分析。
三、研究设计与数据来源
（一）样本选择与数据来源
为分析判断人工智能技术对中国区域经济协调发展的影响，本文将以2010—2019年中国284个地级及以上城市面板数据作为分析样本，综合使用固定效应、工具变量、动态面板、空间计量等多种计量模型，就人工智能技术进步对中国区域经济增长、经济差距、经济关联的影响开展全面系统的实证检验。本文使用专利数据表征人工智能技术创新和应用水平，数据来源为国家知识产权局专利数据库。在中汽知识产权投资运营中心的数据服务支持下①，使用国际专利分类（International Patent Code，IPC）和关键词检索相结合的方法，将国家知识产权局全量数据中属于人工智能技术范畴的专利进行提取和整理，并按照人工智能产业链划分为基础层、技术层、应用层三类分支专利，作为回归分析的核心解释变量。将人工智能专利数据与《中国城市统计年鉴》（2011—2020）数据进行匹配，选取与区域经济增长和协调发展相关的解释变量和控制变量，最终获得284个城市10年面板数据，作为实证分析的总样本。
（二）变量构建
1.核心解释变量
近年来，在全球范围内，人工智能、智能机器人等相关专利申请活动日渐活跃，基于人工智能技术的解决方案被应用至生产生活各领域，并产生了广泛深刻的经济社会影响。越来越多的经济学研究开始使用专利数据作为人工智能技术创新和应用的代理变量[13，16，33-34]。专利数据被用作技术创新和生产投入的代理变量存在一定的局限性，例如部分企业出于保护商业秘密的考虑而选择不进行专利申请，或专利授权受非技术因素影响而导致质量参差不齐等[35]。但是，近期的研究认为，专利数据能够有效度量样本期内企业在技术创新领域所做出的努力和投入，较好地反映企业已具备的技术水平和知识存量[16]，且在大多数情况下，为防止竞争企业的抄袭和复制，企业拥有充分动机为其技术创新申请专利保护[34]。因此，使用专利数据表征人工智能技术创新和应用具有合理性。
本文使用的人工智能技术专利数据还具备三个方面的优势。第一，使用IPC和关键词检索相结合的方法选取专利，更加准确、全面识别人工智能技术相关专利。相较于工业机器人、信息化系统等已有研究常用的代理变量，专利数据能够更好对应人工智能技术范畴，从而提升回归结果的准确性。第二，同时使用人工智能专利申请量和授权量进行回归，二者交叉验证，可被视为稳健性检验的一部分。第三，根据专利文本将人工智能产业链划分为上、中、下游，分别对应人工智能基础层（软硬件基础设施）、技术层（通用产品及平台）、应用层（应用产品及场景）三类分支，每个分支又包含多项细分技术，由此获得人工智能及其技术分支的专利统计量，能够就人工智能技术细分领域的经济影响开展更为细致的检验，更好把握技术进步对区域经济的影响机制和效果。
表1展示了2010—2019年中国人工智能技术分支的专利授权量、各分支在人工智能专利授权总量的占比，以及在三类分支中，细分技术的专利授权量及其分支占比。由表1可知，中国超过半数（50.91%）的人工智能专利授权集中在基础层分支。其中，大数据专利占基础层分支的66.34%，传感器和智能芯片硬件专利分别占比15.95%和14.51%，而代表第三代人工智能技术核心的机器学习、深度学习算法专利占比合计不足1%（分别为0.16%和0.36%）。大数据专利的集聚一方面反映出中国超大规模市场在数据要素积累方面的优势，另一方面也暴露出中国人工智能技术在高端芯片、数据挖掘等关键环节的短板和弱项。人工智能技术层分支占比最低，仅为9.68%；该分支包含了计算机视觉、人机交互、知识图谱和自然语言处理4项细分技术，代表了新一代人工智能的重点发展方向。技术层专利的缺失和发展不充分可能阻碍基础层研发的商业转化，也会降低应用层专利质量和经济影响潜力。人工智能应用层分支占比为39.41%，排名第二，所涵盖的细分技术主要涉及人工智能技术在不同产业的应用。目前占比最高的三大领域分别是智能设备（28.11%）、智能机器人（22.78%）和智能家居（16.29%），表明现阶段中国人工智能技术的应用主要集中在制造业相关领域，对第一、第三产业的渗透程度还相对较低。
综上，本文将使用284个城市的人工智能技术及三类分支专利变量，表征各地人工智能技术创新与应用水平。同时，选取2010—2019年城市人工智能技术专利申请量和授权量，以及基础层、技术层、应用层分支的专利申请量和授权量，取自然对数后，得到相应的人工智能专利变量作为实证分析的核心解释变量②。
2.被解释变量
本文将区域经济协调发展定义为区域自身经济规模不断扩大、区域间经济差距逐步缩小、区域间经济活动关联程度持续深化三个方面，需要构建相应变量和模型对经济增长、经济差距、经济关联进行测度和分析。首先，选取各城市2010—2019年的地区生产总值和地区生产总值指数（上年=100），以2010年为基年计算实际地区生产总值，除以年末常住人口数量并对其取自然对数，生成实际人均地区生产总值变量（lnrpcgdp），用于表征经济增长规模，作为检验区域经济增长和经济关联的被解释变量。
然后，参照赵建新（1998）[36]和倪鹏飞等（2014）[37]的做法，使用离差法计算284个城市的区域经济增长差距，作为检验区域经济差距的被解释变量。具体公式如下：
y_d1it=｜lnrpcgdpit-lnrpcgdp_mt|
y_d2it=｜lnrpcgdpit-lnrpcgdp_mt|/（（lnrpcgdpit+lnrpcgdp_mt）/2）
其中，y_d1it表示区域经济绝对差距，即i市t年实际人均地区生产总值自然对数与当年全国平均地区人均生产总值自然对数之间的差距的绝对值。y_d1it与原经济增长指标单位相同，数值大小可直接比较且含义明确。y_d2it表示区域经济相对差距，消除了量纲限制，可以不受时间、物价指数、衡量指标的限制进行比较。
3.控制变量
根据新古典经济增长理论和已有研究，影响区域经济增长、经济差距、经济关联的因素主要包括固定资产投入、劳动要素投入、技术进步水平、基础设施发展水平、制度环境、对外开放程度等。为此，本文在参考已有文献的基础上选取了以下控制变量[38]，作为除人工智能技术以外影响区域经济协调发展的主要因素。
（1）要素投入：选取城市固定资产投资总额数据，计算其占当年地区生产总值的比重，生成固定资产投资率变量（fixrate），用于表征固定资产投入水平；选取城市从业人员年平均数，取自然对数，生成劳动要素投入变量（lnemploy）。
（2）技术水平：选取城市政府科学支出数据，计算其占地方财政一般预算内支出的比重，生成科学支出占比变量（stspendrate），从财政支出角度反映当地技术水平；选取城市政府教育支出数据，计算其占地方财政一般预算内支出的比重，生成教育支出占比变量（eduspendrate），反映当地人力资本水平。
（3）开放程度：选取城市当年实际使用外资金额数据，按当年汇率转换后，计算其占地区生产总值的比重，生成外资依存度变量（fdirate）。
（4）市场环境：选取城市年末金融机构贷款余额数据，取自然对数后，生成金融市场环境变量（lnloan）；使用北京国民经济研究所中国省域市场化指数，作为市场化水平变量（market）。该指数从政府与市场的关系、非国有经济的发展、产品市场的发育程度、要素市场的发育程度、市场中介组织发育和维护市场的法治环境5个方面，对中国各省份制度环境进行了评分，市场化指数越高，则该省份当年的制度环境越好[39]③。
（5）基础设施：选取城市互联网用户数，取自然对数后，生成信息技术基础设施变量（lninternetuser），用于表征当地传统信息化、网络化技术覆盖率。
表2是本文实证分析所使用的全部变量的描述性统计。
（三）回归模型
1.人工智能技术对区域经济增长的影响
为检验人工智能技术对区域经济增长规模的影响，构建模型（1）：
式（1）中，被解释变量lnrpcgdpit表示i市t年的实际人均地区生产总值，用于表征城市经济增长规模。核心解释变量AIpatentit表示i市t年的人工智能专利变量，在分析过程中将被替换为i市t年人工智能及其技术分支的专利统计量自然对数。控制变量Controlitj，包括固定资本投资率变量fixrateit劳动投入变量lnemployit、科学支出变量stspendrateit、教育支出变量eduspendrateit、外资依存度变量fdirateit、金融市场环境变量lnloanit、市场化水平变量marketit、互联网用户变量lninternetuserit。α0为常数项，μi代表不随时间变动的城市固定效应，θi代表不因城市变动的年份固定效应，εit为误差项。β1和βj是待估参数，其中β1是本文关注的参数，表示人工智能专利变量对经济增长的影响方向和程度。
2.人工智能技术对区域经济差距的影响
针对人工智能技术对区域经济增长差距的影响，构建模型（2）：
将模型（1）中的被解释变量替换为Gapit，用于表征i市t年的区域经济增长差距，在回归分析中被替换为区域经济增长绝对差距变量y_d1it和相对差距变量y_d2it。其他设定与模型（1）一致，重点关注参数β1，即人工智能专利变量对经济增长差距的影响方向和程度。
3.人工智能技术对区域经济关联的影响
本文通过考察人工智能技术对经济增长影响的空间传导效应，分析判断区域之间经济活动的关联和依存程度。为此，选择空间杜宾模型（spatial Dubin model，SDM）以确保同时考虑核心解释变量AIpatentit和被解释变量lnrpcgdpit的空间滞后影响，由此构建模型（3）：
其中，被解释变量为实际人均地区生产总值变量lnrpcgdpit，W表示标准化的空间权重矩阵，Wlnrpcgdpit表示被解释变量的空间滞后项，系数ρ则表示被解释变量的空间相关性。解释变量包括人工智能专利变量AIpatentit和控制变量Controlitj，相关设定与模型（1）和模型（2）保持一致。WXθ为空间杜宾项，用于表示其他城市解释变量对本地经济增长的影响，θ表示空间杜宾项系数，X包括人工智能专利变量和其他控制变量。α0为常数项，εit为误差项，β1、βj、θ是待估参数，μi和γt分别表示城市固定效应和年份固定效应。
四、人工智能技术对区域经济增长的影响分析
（一）对区域经济增长的影响
1.基准回归结果分析
人工智能技术对区域经济协调发展的影响，主要体现在技术进步对区域自身经济增长的促进作用。为此，本文使用284个城市10年面板数据作为基准回归总样本，对人工智能专利变量与实际人均地区生产总值之间的关系开展实证检验。模型（1）回归的相关结果见表3。其中，列（1）、列（5）的单变量回归结果表明，人工智能专利申请、授权与实际人均地区生产总值之间存在显著的正相关关系，系数在1%水平下显著。由列（2）—列（4）、列（6）—列（8）可知，分别加入要素投入、技术水平、开放程度、市场环境、基础设施水平等控制变量后，人工智能专利变量的回归系数依然在1%水平下显著。基准回归结果表明，在保证其他条件不变的前提下，人工智能技术专利变量与实际人均地区生产总值之间存在显著且稳健的正相关关系。
2.人工智能技术的滞后性影响分析
作为新一代通用目的技术，人工智能技术所产生的经济影响通常具有一定的滞后效应[40]。其原因包括技术自身迭代优化需要时间积累，技术应用的互补性投入也需要较长时间的识别和完善。为此，本文构建了人工智能专利滞后一期至四期变量，模型（1）回归相关结果见表4。由表4可知，人工智能专利的滞后一期至四期变量依然能够对地区生产总值产生显著的正向影响，专利变量回归系数在1%水平下显著为正，说明人工智能技术对区域经济增长产生了显著且持久的提升作用。
3.内生性处理
本文所关注的人工智能技术进步与区域经济增长之间，可能存在反向因果、遗漏变量、测量误差等造成的内生性问题。为进一步识别二者间的因果关系，本文使用鲍尔蒂克（Bartik）工具变量（IV）和动态面板两种方法，对基准回归结果进行内生性处理和稳健性检验。
（1）Bartik工具变量回归
基于份额移动法构造Bartik工具变量，使用单元初始份额和整体增长率计算历年单元估计值，从而减弱反向因果、遗漏变量造成的内生性问题[41-42]，具体公式如下：
AIpatentivit=AIpatenti，t-1×（1+AIpatentgrowtht）
其中，AIpatenti，t-1代表i市t年的期初人工智能专利变量，AIpatentgrowtht代表t年全国人工智能专利变量增长率，所得工具变量AIpatentivit代表i市按照全国人工智能专利增长率得到的预测值。全国人工智能专利变化率不受单个城市经济增长的影响，因而满足外生性要求；同时，基于初始变量的预测值与本地人工智能技术进步之间存在紧密相关性。表5是两阶段最小二乘法（2SLS）估计结果，其中无论使用人工智能专利申请还是专利授权变量，Bartik工具变量均通过了不可识别检验和弱工具变量检验，且第二阶段结果依然非常显著，表明人工智能专利变量对实际人均地区生产总值的正向影响满足统计推断要求，影响效果稳健。
（2）动态面板回归
为进一步验证人工智能技术与经济增长之间的关系，本文使用动态面板模型进行稳健性检验，引入被解释变量和专利变量的滞后项构成动态面板，并使用系统广义矩估计（SYS-GMM）方法进行参数估计，相关结果见表6。其中，人工智能专利变量及滞后变量的回归系数均显著为正；AR（1）和AR（2）大于0.1，表明残差项不再存在自相关，萨甘（Sargan）统计量在1%水平下显著，SYS-GMM估计结果较好。人工智能技术对区域经济增长产生了显著、稳健的促进作用，在有效控制遗漏变量、双向因果等内生性问题的前提下，回归结果依然满足因果统计推断要求，说明影响效果稳健。
（二）对区域经济增长的异质性影响
在明确了人工智能对区域经济增长的整体提升效应后，接下来将围绕人工智能技术及其分支在东、中、西部地区产生的异质性影响开展实证检验，分析人工智能技术在不同区域的影响特征及路径。
1.人工智能技术对区域经济增长的异质性影响
将284个城市划分为东、中、西部地区三个子样本，并按照模型（1）进行分组回归，结果如表7—表9所示。由表7可知，在东部地区，人工智能专利变量对同期实际人均地区生产总值没有产生显著的提升效应，但滞后期影响显著。专利申请变量滞后二期和三期、授权变量滞后一期至三期对东部城市经济增长产生了显著的正向影响。表8结果表明，中部地区人工智能专利统计量在同期和滞后期，均对区域经济增长产生了显著的正向影响，回归系数在1%水平下显著为正，说明人工智能技术对中部城市经济增长的影响具有稳健的经济和统计显著性。西部地区子样本回归结果表明（见表9），专利统计量与西部城市经济增长规模之间不存在显著的相关性。其中，仅专利授权量对同期实际人均生产总值的回归系数为0.004，在10%水平下显著。从经济和统计显著性而言，人工智能技术还没有在西部地区产生显著的经济增长促进作用，与东、中部地区存在较大差距。
区域异质性分析结果表明，现阶段人工智能技术对中国不同区域的经济增长影响存在较大差异。其中，东部地区的技术收益存在明显的滞后效应，专利变量的增长促进效应在滞后一期后才开始逐步显现；中部地区获得的技术收益最为稳健，专利变量从同期至滞后三期均对区域经济增长产生了显著的促进作用；西部地区的回归结果则没有展现出人工智能技术与经济增长之间的显著相关性。
2.人工智能技术分支对区域经济增长的异质性影响
人工智能技术产生上述区域异质性影响的原因可能在于，不同区域的主导技术分支及其经济影响机制存在差异。2010—2019年人工智能技术三类分支的专利授权量在东、中、西部地区的分布如表10所示。其中，东部地区凭借科研人才集聚、技术积累丰富等研发优势，专利授权数量具有绝对优势，三类分支数量均远高于中、西部地区。分支专利在区域内的分布呈现同构化特征，占比排名依次为基础层、应用层和技术层。东部地区的技术层专利占比、中部地区的应用层专利占比略高于其他地区，而西部地区尽管技术基础和科研条件相对落后，其基础层专利占比却高达51.53%，技术发展方向存在一定的不合理性。为进一步把握人工智能技术发展的区域特征、异质性影响及成因，本文接下来将使用人工智能技术分支的专利变量进行分组回归。
在以东部地区为样本时（见表11），人工智能基础层专利授权变量从滞后三期才开始显现正向影响，技术层同期和滞后一期、应用层滞后一期已经可以产生显著的正向影响。据此判断，人工智能技术对东部地区经济增长的滞后性影响主要受到了基础层专利的影响。东部地区高校、科研机构众多，技术、人才、资本等研发资源集聚，其基础型分支专利具有更强的通用性特征，但相应的商业转化和应用过程较长，存在2～3年的滞后期。技术层和应用层专利变量则可以对本地经济增长带来更为直接的积极影响。
中部地区获得了最显著且稳健的经济增长促进效应（见表12），与使用人工智能专利总量的回归结果一致。人工智能三类分支的专利授权变量均对实际人均地区生产总值产生了显著的正向影响，且回归系数在1%水平下显著。三类分支专利授权的滞后变量也得到了相似的回归结果，影响系数显著为正。其原因可能在于，中部地区在人工智能技术布局和发展方面更加注重市场需求导向、创新与应用紧密结合，同时中部地区的人才积累、产业配套、政策机制等互补性条件相对完善，可以较快实现技术应用的经济收益。
表13结果表明，西部地区获得的人工智能技术红利最低，仅少数专利对经济增长产生了促进作用。与东部地区相比，西部地区基础层专利没有对经济增长产生滞后的促进作用。由此推断，西部地区人工智能基础层专利质量有待提高，对经济增长的影响有限，可能存在技术发展方向与本地科技创新能力、市场需求、产业结构等区域比较优势的错配。
整体而言，人工智能技术对区域经济增长产生了显著的促进作用，技术进步的增长提升效应在滞后一期至四期持续释放。从区域异质性角度来看，东部地区技术收益的滞后效应尤为突出，中部地区获得了最为显著且稳健的技术收益，而西部地区分析结果则不支持人工智能技术对经济增长的积极影响。本文尝试从技术分支角度解释上述区域异质性成因，发现人工智能技术分支在东部、中部、西部地区的分布呈现同构化特征，可能阻碍了西部地区发挥区域比较优势、分享前沿技术红利。人工智能技术对东部地区经济增长的滞后效应主要受到了基础层专利的影响；中部地区人工智能应用层占比最高，且三类分支专利均对经济增长产生了显著促进作用；在西部地区，人工智能技术专利分布不合理、专利质量有待提高、技术互补性投入不完善等因素，都可能制约技术进步对本地经济增长的支撑作用。
五、人工智能技术对区域经济差距的影响分析
前文的基准回归和稳健性检验结果明确了人工智能技术对区域经济增长的整体促进作用，以及人工智能及其技术分支对东部、中部、西部地区的异质性影响机制和效果。接下来，本文将围绕人工智能技术能否缩小区域经济差距、促进区域协调发展开展实证检验，判断人工智能技术能否缩小不同区域的城市经济增长与全国平均水平之间的差距。
图1是2010—2019年全国和区域平均实际人均地区生产总值的发展趋势。东部地区经济增长规模始终高于全国平均水平，在中国经济发展中持续发挥带动作用；而中、西部地区在样本期内的经济增长规模低于全国平均水平。在研究人工智能技术对区域经济差距的影响时，应重点关注技术进步是否有助于缩小中、西部地区城市与全国平均水平的差距。为此，本文使用离差法构建了区域间经济增长的绝对差距变量（y_d1）和相对差距变量（y_d2）作为被解释变量，对模型（2）进行回归，分析人工智能专利变量对区域经济差距产生的整体影响和区域差异。
（一）人工智能技术对区域经济绝对差距的影响
表14是以中部城市面板数据作为样本的回归结果④。从表14可知，人工智能专利申请量对中部地区的区域经济增长的绝对差距产生了显著的负向影响，专利申请变量在同期至滞后三期均得到了显著的负向回归系数，且回归系数稳定在-0.009～-0.010，满足统计推断要求。以人工智能专利授权变量作为解释变量时，专利变量在同期至滞后二期没有产生显著影响，但滞后三期和四期的专利授权量对中部城市的区域间经济增长差距产生了显著的负向影响，回归系数分别为-0.008和-0.006，且在10%水平下显著。上述结果表明人工智能技术有助于缩小中部地区城市经济增长与全国平均水平之间的差距，对区域经济协调发展产生了积极影响。
以西部地区为分析样本的回归结果表明（见表15），人工智能技术的发展和应用可能会扩大区域经济差距。人工智能专利申请的滞后四期和五期变量回归系数为正（0.004和0.006），分别在5%和1%水平下显著；专利授权滞后五期变量的回归系数为0.005，且在5%水平下显著。结合表13的回归结果，人工智能技术没有对西部城市的地区生产总值产生显著的提升作用，而在全国总样本、东部和中部地区子样本均获得增长提升效应的背景下，人工智能技术进步扩大了西部城市与全国平均水平之间的差距，由此对区域经济协调发展产生了一定的负面影响。
（二）人工智能技术对区域经济相对差距的影响
为进一步检验人工智能技术对区域经济差距的影响，本文使用去除量纲的相对差距变量（y_d2）替代被解释变量，进行稳健性检验。中部和西部地区结果分别见表16、表17，结果依然支持前文实证分析结论，即人工智能技术有助于缩小中部地区与全国平均水平之间的经济差距，回归系数显著为负；而在西部地区，专利申请的滞后二期、三期变量对区域经济相对差距的回归系数为正，即人工智能技术的发展和应用扩大了西部地区与全国平均水平之间的差距。
综上，人工智能技术对区域经济差距的影响主要表现为缩小中部城市与全国平均经济增长水平之间的差距，扩大西部城市与全国平均水平的差距。结合人工智能技术对区域经济增长的分析结果来看，人工智能技术对中部城市的地区生产总值产生了最为突出的提升作用。由此可见，区域自身经济增长规模的不断提升是逐渐缩小区域经济差距的基础和关键所在，未来应更加关注人工智能技术在相对落后的西部地区的发展和应用落地。
六、人工智能技术对区域经济关联的影响分析
人工智能技术对区域经济的影响还体现为提升区域经济活动的关联程度，通过促进资本、人才、技术等生产要素在区域内部和区域之间的自由交易和流通，实现技术进步对邻近区域的溢出效应。然而，本文认为人工智能等新一代信息技术对互补性投入的高要求决定了技术进步及相关经济影响可能无法通过简单的地理位置或经济水平相近而产生溢出效应。为验证上述观点，本文使用空间计量模型，分析本地人工智能技术对其他区域经济增长的影响，由此判断技术进步对区域经济关联的影响。
（一）空间自相关性检验
1.空间权重矩阵构建
人工智能技术的渗透和扩散应用以地理位置邻近为基础，同时受到地区经济发展水平、产业结构特征等经济因素的影响。为此，本文构建了两组经济-地理空间权重矩阵，用于检验人工智能专利变量对经济增长的空间溢出效应。
（1）经济规模-地理距离权重矩阵：先进技术的渗透应用和空间扩散，在经济发展水平相近且地理位置邻近的城市之间通常更容易实现。为此，本文使用样本期间城市实际人均地区生产总值和地理位置数据，构建了经济水平-地理距离权重矩阵W1（以下简称“经济-地理矩阵”）。其中，gdpi和gdpj分别表示i市和j市2010—2019年实际人均地区生产总值平均值，D_ij代表基于经纬度计算的两地之间地理距离，两个城市的经济差距越小、地理位置越近，则经济-地理矩阵的权重值越高。
W1=[1/|gdpi-gdpj+1|]×exp（-D_ij）
（2）产业结构-地理距离权重矩阵：基于表1统计的专利类别信息，中国人工智能技术的主要应用领域集中在以制造业为代表的工业场景，因此各地第二产业发展水平是否相近，也将直接影响人工智能技术的空间溢出效果。为此，本文使用样本期内地级市第二产业增加值和地理距离数据，构建了产业结构-地理距离权重矩阵W2（以下简称“产业-地理矩阵”）。其中，indi和indj表示i市和j市2010—2019年第二产业增加值平均值，D_ij代表基于经纬度计算的两地之间地理距离，两个城市的二产规模差距越小、地理位置越接近，则产业-地理矩阵的权重值越高。
W2=[1/|indi-indj+1|]×exp（-D_ij）
2.莫兰指数检验
分别使用上述空间权重矩阵对被解释变量进行空间自相关性检验，即全局莫兰指数（Moran's I）检验⑤，相关结果见表18。在经济-地理距离和产业-地理距离矩阵设定下，莫兰指数均大于0，且具有统计显著性，表明样本期内被解释变量存在显著的正向空间自相关，即使用空间计量模型具有合理性。
（二）人工智能技术对区域经济增长的空间溢出效应分析
按照模型（3）设定，对中国284个地级市10年面板数据进行空间杜宾模型回归，结果见表19。在经济-地理矩阵和产业-地理矩阵的设定下，空间自相关系数（spatial rho）在1%水平下显著为正，表明本文采用空间计量模型的分析方法合理。本文重点关注人工智能专利变量对邻近地区经济增长的空间溢出效应，因此采用包含解释变量空间滞后项的空间杜宾模型，并进行了模型检验。在两种空间权重矩阵设定下，LR检验和Wald检验结果均支持空间杜宾模型选择，且相关统计量在1%水平下显著。
基于表19的回归结果可知，在经济-地理矩阵设定下，人工智能专利申请和授权变量的主效应（Main）回归系数显著为正，与前文基准回归结果一致。专利变量空间滞后项（Wx）的回归系数不显著，说明邻近城市的人工智能技术专利没有对本地经济增长产生显著的空间溢出效应。类似地，在产业-地理矩阵设定下，人工智能专利申请和授权变量的主效应显著为正，但空间滞后项系数不显著，即回归结果不支持人工智能技术的空间溢出效应。
实证结果表明，现阶段人工智能技术对区域经济关联的影响效果不显著。人工智能技术创新和应用还无法依靠经济水平相近、产业结构相似、地理位置邻近等条件，实现对邻近城市的正向溢出效应。其原因可能在于：第一，人工智能技术的创新质量有待提升，基础层和技术层短板可能阻碍了人工智能更加广泛深刻的影响。基于表1专利信息可知，中国在机器学习等核心算法、计算机视觉等重点技术方向的专利比重较低，真正实现跨主体、跨场景应用的基础型、通用型人工智能技术创新还非常有限，制约了人工智能技术的经济影响范围和程度。第二，人工智能技术应用对互补性投入要求较高，技术红利的释放需要人力资源、市场环境、产业结构等多方面条件予以支撑。中国不同区域的技术和经济基础差距较大，适用于东部和中部地区的技术类型很难依靠简单的经济和地理邻近条件，渗透或转移至西部地区。已有研究指出，人工智能等数字技术所产生的虹吸效应更为显著，人才、资本和技术要素将更多流向数字产业较为成熟的城市和地区[28]。
七、研究结论与政策建议
人工智能技术对中国区域经济协调发展的影响体现在多个方面，包括提升区域经济增长规模、缩小区域经济差距、深化区域经济关联水平。其中，区域自身经济增长是缩小区域差距的基础和关键所在，而提升区域经济活动的关联依存程度又是促进经济规模增长、实现高质量区域协调发展的重要途径，三者之间既逐层递进又相互支撑。本文使用人工智能技术及其分支的专利统计量构建核心解释变量，基于2010—2019年中国284个地级及以上城市面板数据，使用固定效应、工具变量、动态面板、空间计量等回归模型，围绕人工智能技术对区域经济增长、经济差距和经济关联的影响进行了全面系统的实证检验。研究结果表明：（1）人工智能技术对中国区域经济增长产生了持续、稳健的提升作用，技术进步对东部和中部地区的影响更为显著，在有效控制内生性的基础上，回归结果依然稳健；（2）人工智能技术分支在东部、中部、西部地区的分布呈现同构化特征，技术发展方向与区域比较优势之间存在错配，阻碍了西部地区分享前沿技术红利；（3）人工智能技术缩小了中部城市与全国平均经济增长水平的差距，但扩大了西部城市与全国平均水平的差距，未来需更加关注西部地区人工智能技术的发展和应用落地；（4）人工智能对经济增长的促进作用难以通过经济水平相近、产业结构相似、地理位置邻近等条件传导至邻近地区，技术进步对区域经济关联的影响尚不显著。
现阶段，人工智能技术对中国区域经济的影响主要体现在提升本区域经济增长规模方面，而对于缩小区域经济差距、深化区域经济关联的影响还有待进一步优化提升。为引导人工智能技术及相关科技产业的长期健康发展、推动实现区域经济协调发展和宏观经济高质量发展，提出如下建议：
第一，持续加强人工智能技术相关领域研发投入，确保关键核心技术自主可控。基于专利数据分析可知，目前中国人工智能技术的产业链布局有待提升，第三代人工智能技术的核心基础层专利、涉及重点战略方向的技术层专利占比仍然较低。尽管中国在人工智能创新成果数量方面已达到世界领先水平，但创新质量与美国等发达经济体之间仍存在较大差距，关键核心技术的短板和缺失可能制约相关科技产业的长期健康稳定发展。未来应继续加强对人工智能技术和产业领域的人才、资金和制度支持，充分发挥中国超大规模市场和新型举国体制优势，加快实现人工智能关键核心技术的自主可控，支撑产业链供应链安全稳定。
第二，完善优化人工智能产业顶层设计和区域布局，构建优势互补的区域发展格局。东、中、西部地区的人工智能技术专利分布呈现同构化特征，可能造成重复建设、资源错配等低效率投入，不利于发挥区域比较优势。应充分考虑东部地区的科技创新资源集聚、中部地区的产业和技术积累、西部地区的资源和成本优势，引导人工智能技术和产业从东部地区向中、西部地区梯度转移，充分利用各地已有的技术和市场优势，合理分工，优化布局，在整体发展中促进区域相对平衡，逐步缩小区域发展差距。
第三，重点关注西部地区人工智能技术创新和应用落地，提升区域技术承接能力。本文实证分析结果表明，人工智能技术对经济增长的促进作用主要集中在东部地区和中部地区，对西部地区的影响尚不显著。应重点关注西部地区相关科技产业发展，在实施人工智能技术和产业转移的过程中，重视互补性投入的识别和配套转移，培养和提升区域市场在业务流程、组织架构、人力资本、制度监管等各个方面的技术承接能力，确保西部地区尽快实现技术进步所带来的经济和社会收益。
作者感谢匿名审稿人的评审意见。
注释：
①中汽知识产权运营中心是一家从事专利数据分析的专业机构，笔者所在课题组向其购买了数据服务。
②共生成8项人工智能技术专利变量，分别为人工智能技术专利申请变量lnaiapply、人工智能技术专利授权变量lnaigrant、人工智能基础层专利申请变量lnai1apply、人工智能基础层专利授权变量lnai1grant、人工智能技术层专利申请变量lnai2apply、人工智能基础层专利授权变量lnai2grant、人工智能应用层专利申请变量lnai3apply、人工智能应用层专利授权变量lnai3grant。
③市场化指数的数据来源为《中国分省份市场化指数报告（2021）》。2016—2019年指数计算基期、基础数据发生变动，因此本文在2010—2016年数据基础上进行了外推计算，以获取样本期内的可比数据。
④在以全国总样本和东部地区子样本进行回归时，人工智能专利变量对区域经济增长差距的影响不显著，受篇幅限制，不在文中汇报相关结果。
⑤莫兰指数的取值范围是[-1，1]，大于0表示正相关，即高值与高值相邻，低值与低值相邻；小于0表示负相关，即高值与低值相邻；等于0则表示不相关，空间分布是随机的。
参考文献：
[1]KORINEK A, STIGLITZ J E. Artificial intelligence, globalization, and strategies for economic development[Z]. NBER Working Paper No. 28453, 2021.
[2]高洪深，汪彬.区域经济学[M].6版.北京：中国人民大学出版社，2022.
[3]蔡跃洲，陈楠.新技术革命下人工智能与高质量增长、高质量就业[J].数量经济技术经济研究，2019，36（5）：3-22.
[4]袁野，吴超楠，李秋莹.人工智能产业核心技术的国际竞争态势分析[J].中国电子科学研究院学报，2020，15（11）：1128-1138.
[5]周峻宇，于磊，李信，等.科学计量学视角下全球人工智能研究现状与趋势[J].电子技术与软件工程，2019（7）：239-242.
[6]王雅薇，周源，陈璐怡.我国人工智能产业技术创新路径识别及分析——基于专利分析法[J].科技管理研究，2019，39（10）：210-216.
[7]聂洪光，范海荣.基于专利数据的中美人工智能创新能力比较研究[J].中国科技论坛，2020（5）：154-162.
[8]顾国达，马文景.人工智能综合发展指数的构建及应用[J].数量经济技术经济研究，2021，38（1）：117-134.
[9]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[J].科技进步与对策，2021，38（24）：76-84.
[10]郑言.中国人工智能产业区域发展差异性研究[J].技术经济与管理研究，2021（7）：36-41.
[11]刘刚，杜爽.我国人工智能科技产业发展动力机制的区域比较研究——基于北京市、杭州市和深圳市智能企业样本的价值网络分析[J].社会科学辑刊，2021（1）：107-117.
[12]AGHION P, JONES B F, JONES C I. Artificial intelligence and economic growth[Z]. NBER Working Paper No. 23928, 2017.
[13]COCKBURN I M, HENDERSON R, STERN S. The impact of artificial intelligence on innovation[Z]. NBER Working Paper No. 24449, 2018.
[14]陈彦斌，林晨，陈小亮.人工智能、老龄化与经济增长[J].经济研究，2019，54（7）：47-63.
[15]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[J].中国工业经济，2020（2）：61-83.
[16]DAMIOLI G, VAN ROY V, VERTESY D. The impact of artificial intelligence on labor productivity[J]. Eurasian Business Review, 2021, 11（1）: 1-25.
[17]GRIES T, NAUDÉ W. Artificial intelligence, jobs, inequality and productivity: does aggregate demand matter?[Z]. IZA Discussion Paper No. 12005, 2018.
[18]KORINEK A, STIGLITZ J E. Artificial intelligence and its implications for income distribution and unemployment[M]//AGRAWAL A, GANS J, GOLDFARB A, et al. The economics of artificial intelligence: an agenda. Chicago: University of Chicago Press, 2019: 349-390.
[19]ACEMOGLU D. Harms of AI[Z]. NBER Working Paper No. 29247, 2021.
[20]蔡昉.涓流经济学的最后盛宴[J].探索与争鸣，2020（8）：9-11.
[21]段博，邵传林.数字经济加剧了地区差距吗？——来自中国284个地级市的经验证据[J].世界地理研究，2020，29（4）：728-737.
[22]钟文，郑明贵.数字经济对区域协调发展的影响效应及作用机制[J].深圳大学学报（人文社会科学版），2021，38（4）：79-87.
[23]陈晓东，刘冰冰.数字经济推动区域协调发展的实证研究——基于2013～2019年中国省级面板数据[J].经济研究参考，2022（4）：78-97.
[24]张俊英，郭凯歌，唐红涛.电子商务发展、空间溢出与经济增长——基于中国地级市的经验证据[J].财经科学，2019（3）：105-118.
[25]侯世英，宋良荣.智能化对区域经济增长质量发展的影响及内在机理——基于2012—2018年中国省级面板数据[J].广东财经大学学报，2021，36（4）：4-16.
[26]邵秀燕，陈思华.数字经济发展是否促进了中国区域经济增长收敛？[J].南京社会科学，2022（8）：37-46.
[27]胡鞍钢，周绍杰.中国如何应对日益扩大的“数字鸿沟”[J].中国工业经济，2002（3）：5-12.
[28]ECKERT F, GANAPATI S, WALSH C. Urban-biased growth: a macroeconomic analysis[Z]. NBER Working Paper No. 30515, 2022.
[29]付文字，李彦，贺子欣.人工智能对区域创新发展的影响研究[J].工业技术经济，2021，40（12）：51-57.
[30]陈德余，汤勇刚.人工智能产业对区域经济发展影响测度分析[J].科技管理研究，2021，41（2）：138-144.
[31]孟彩霞，宋清，田晖.人工智能应用加大了区域产业结构发展差距吗？——基于Dagum Gini系数的实证分析[J].当代经济管理，2022，44（12）：50-62.
[32]覃成林，张华，毛超.区域经济协调发展：概念辨析、判断标准与评价方法[J].经济体制改革，2011（4）：34-38.
[33]FUJII H, MANAGI S. Trends and priority shifts in artificial intelligence technology invention: a global patent analysis[J]. Economic Analysis and Policy, 2018, 58: 60-69.
[34]ALDERUCCI D, BRANSTETTER L, HOVY E, et al. Quantifying the impact of AI on productivity and labor demand: evidence from US census microdata[C]. San Diego, CA: 2020 ASSA Annual Meeting, 2020.
[35]GRILICHES Z. Patent statistics as economic indicators: a survey[Z]. NBER Working Paper No.3301, 1990.
[36]赵建新.论区域经济差距的衡量指标与测度方法[J].经济地理，1998，18（3）：20-24，29.
[37]倪鹏飞，刘伟，黄斯赫.证券市场、资本空间配置与区域经济协调发展——基于空间经济学的研究视角[J].经济研究，2014，49（5）：121-132.
[38]许召元，李善同.近年来中国地区差距的变化趋势[J].经济研究，2006（7）：106-116.
[39]王小鲁，胡李鹏，樊纲.中国分省份市场化指数报告（2021）[M].北京：社会科学文献出版社，2021.
[40]BRYNJOLFSSONE, ROCK D, SYVERSON C. Artificial intelligence and the modern productivity paradox: a clash of expectations and statistics[M]//AGRAWAL A, GANS J, GOLDFARB A, et al. The economics of artificial intelligence: an agenda Chicago: University of Chicago Press, 2019: 23-57.
[41]杨文溥.数字经济促进高质量发展：生产效率提升与消费扩容[J].上海财经大学学报，2022，24（1）：48-60.
[42]赵奎，后青松，李巍.省会城市经济发展的溢出效应——基于工业企业数据的分析[J].经济研究，2021，56（3）：150-166.
作者简介：陈楠，中国社会科学院数量经济与技术经济研究所助理研究员；蔡跃洲，中国社会科学院数量经济与技术经济研究所数字经济研究室研究员、博士生导师，通信作者。
