Mechanisms and Spatial Spillover Effects of Artificial Intelligence Innovation Pilot Zones on Smart Economy Development

Liu Songlin1, Hao Zhenlong2, Jiang Yongsheng2

(1. Faculty of Mathematics and Statistics, Hubei University, Wuhan 430062, China;2. School of Statistics and Mathematics, Zhongnan University of Economics and Law, Wuhan 430073, China)

Abstract：Against the backdrop of global technological revolution and industrial transformation, the smart economy driven by artificial intelligence as its core and representing an advanced form of the digital economy has emerged as a central engine for China′s high-quality economic development and the construction of a modernized economic system. To promote the deep integration of AI and the real economy, China has implemented the strategic initiative of National New Generation Artificial Intelligence Innovation and Development Pilot Zones (hereinafter referred to as “AI Pilot Zones”). Existing research has rarely directly examined the causal relationship between this pilot policy and the development of the smart economy, nor has it systematically explored the underlying transmission mechanisms, spatial spillover effects, and heterogeneous impacts. Thus, this study evaluates the enabling role of AI Pilot Zones in the smart economy, explores their internal mechanisms and spatial dynamics, and offers empirical insights to optimize AI policy frameworks and promote regional coordinated development.

Utilizing provincial-level panel data from 30 provinces (municipalities and autonomous regions) in China spanning the period from 2011 to 2023, this study constructs a comprehensive evaluation index system comprising four dimensions:smart resource foundation, smart factor integration, smart industry application, and smart environment support. The entropy-weighted TOPSIS method is employed to measure the smart economy development level of each province. To identify the net effect of the pilot policy on smart economy development, this study treats the establishment of AI Pilot Zones as a quasi-natural experiment and adopts a time-varying difference-in-differences model as the baseline regression method. A mediation model is further used to examine the underlying mechanisms, and a spatial Durbin difference-in-differences model is applied to investigate spatial spillover effects. To ensure the robustness of the empirical findings, multiple endogeneity tests and robustness checks are conducted, alongside heterogeneity analyses from the perspectives of regional location and the degree of marketization.

The empirical results yield the following findings: First, the AI Pilot Zone policy significantly promotes the development of the regional smart economy, a conclusion that remains robust after a series of endogeneity and robustness checks. Moreover, the AI Pilot Zones significantly enhance the development levels of the four sub-dimensions of the smart economy:smart resource foundation, smart factor integration,smart industry application, and smart environment support. Second, the policy exerts its impact through three key mediating channels: enhancing human capital levels, fostering digital industry agglomeration, and mitigating the misallocation of innovation factors. Specifically, the pilot policy attracts high-end talent and improves labor quality, promotes the agglomeration of digital industries leading to economies of scale and knowledge spillovers, and optimizes the allocative efficiency of innovation resources, thereby jointly driving the growth of the smart economy. Third, China′s smart economy development exhibits significant positive spatial autocorrelation. The AI Pilot Zone policy generates notable positive spatial spillover effects, not only enhancing the smart economy level of the host locality but also effectively stimulating the development of smart economies in neighboring regions. Fourth, significant heterogeneity characterizes the policy effects: the promotional effect is strongest in the Western region, followed by the Eastern, Central, and Northeastern regions in a descending order. The policy dividend is more pronounced in areas with higher degrees of marketization, while the effect is relatively weaker in regions with lower marketization levels.

The study links the AI Pilot Zone policy to the smart economy through a quasi-natural experiment, clarifying mechanisms and spatial spillover effects while providing a scientific basis for differentiated policymaking and coordinated regional advancement. The study recommends expanding AI Pilot Zones with resource tilted toward the Central, Western, and Northeastern regions, strengthening talent-industry linkages to optimize innovation allocation, and leveraging spatial radiation effects alongside market-oriented reforms to sustain AI's long-term driving force on the smart economy.

Key Words：AI Pilot Zone; Smart Economy Development; Human Capital; Industry Agglomeration;Innovation Factors

收稿日期：2026-04-17

修回日期：2026-06-19

基金项目：国家社会科学基金一般项目(24BTJ002)

作者简介：刘松林(1980—),男,河南南阳人,博士,湖北大学数学与统计学学院副教授、硕士生导师,研究方向为经济统计、产业大数据分析;郝振龙(2000—),男,河南洛阳人,中南财经政法大学统计与数学学院博士研究生,研究方向为区域经济发展、计量经济;蒋永生(1982—),男,河南驻马店人,博士,中南财经政法大学统计与数学学院教授、博士生导师,研究方向为计量模型理论及应用。

通讯作者：郝振龙。

DOI：10.6049/kjjbydc.D62026040423

开放科学(资源服务)标识码(OSID)：

中图分类号：F49;F124

文献标识码：A

文章编号：1001-7348(2026)15-0060-13

0 引言

智能经济是数字经济演进到更高阶段的重要表现形态,是以人工智能(AI)为核心驱动,以数据要素为关键投入,以智能技术与实体经济深度融合为基本特征的新型经济发展形态[1]。当前,高质量发展已成为全面建设社会主义现代化国家的首要任务,发展智能经济不仅是顺应全球科技革命和产业变革大势的战略选择,也是推动发展方式转变、产业结构优化和增长动能转换的现实要求。2025年《国务院关于深入实施“人工智能+”行动的意见》提出,到2030年,我国人工智能全面赋能高质量发展,新一代智能终端、智能体等应用普及率超90%,智能经济成为我国经济发展的重要增长极。2026年《政府工作报告》也指出,打造智能经济新形态。近年来,我国围绕数字中国建设、制造强国建设和创新驱动发展战略,相继出台了一系列支持AI与数字技术创新发展的政策举措,为智能经济发展奠定了坚实基础。然而,在智能经济发展过程中仍存在技术创新体系尚不完善、要素配置效率有待提高、产业协同机制不够健全等突出问题。筑牢智能经济发展新优势、挖掘智能经济发展的潜在动力,对于增强国家竞争新优势和实现经济社会高质量发展,具有重要的理论价值与现实意义。

在转向高质量发展的关键阶段,AI技术的战略性作用日益凸显,其作为第四次工业革命的代表性技术和推动经济增长的新动能,对国家竞争力至关重要。2019年,科技部印发《国家新一代人工智能创新发展试验区建设工作指引》。截至2024年,已有18个地区被列入国家新一代人工智能创新发展试验区(以下简称AI试验区)。2022年,科技部等六部门印发的《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》明确提出,“探索人工智能发展新模式新路径,以人工智能高水平应用促进经济高质量发展”。在此背景下,AI试验区政策在提升智能经济发展方面是否产生显著成效?其传导路径又是怎样?深入探究这些问题,有助于探索适应国情的AI创新发展路径,全面揭示其对智能经济发展水平的影响。

关于智能经济的界定,学者们观点各异。如张夏恒[2]认为,智能经济特征主要体现在数据要素化、技术智能化、决策协同化和业态融合化4个方面,其本质是以数据为关键生产要素、以AI等数智技术为核心驱动力,推动经济活动由单纯的效率提升转向智能决策与价值创造;周文和何雨晴[3]则提出智能经济主要包括数据驱动、人机协同、跨界融合和共创分享四个方面。综合现有研究来看,智能经济作为一个复杂系统,其构成主要包括四个方面:一是智能资源基础,这是智能经济发展的前提条件和物质保障;二是智能要素集成,即智能资源通过市场化机制和组织变革嵌入经济系统,进而改变传统要素的组合方式和配置效率;三是智能产业应用,这是智能经济显性价值的集中体现,也是检验前两个维度有效性的重要标准;四是智能环境支撑,这是智能经济实现健康、有序和可持续发展的外部条件与制度基础。

学界关于AI试验区政策经济效应的研究较为丰富,但现有文献尚未直接考察其对智能经济发展的影响,仅从多个方面提供了间接证据:一是AI通过优化人力资本结构和提高知识吸收能力促进企业持续性创新[4];二是AI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经济增长的促进作用[5];三是AI通过产业结构高级化和合理化提升绿色发展效率[6],促进“双碳”目标实现[7];四是AI赋能智能经济发展的理论研究[8]。然而,以上研究并未揭示AI试验区政策对智能经济发展的影响效应与作用机制,也未探析试验区政策可能存在的异质性影响。

与现有研究相比,本文的潜在边际贡献有:其一,现有文献虽然注意到AI试验区政策对智能经济发展相关方面的促进作用,但是理论分析居多,能够深入聚焦两者关系并考察其机制渠道的研究较少。本研究从AI试验区政策入手,探究其对智能经济发展的影响,并从人力资本、数字产业集聚和创新要素配置视角分析AI试验区政策影响智能经济发展的作用机制,为智能经济发展研究提供新视角。其二,引入空间杜宾双重差分模型,进一步探究AI试验区政策对智能经济发展影响的空间溢出效应,为强化试验区的示范作用、推动智能经济发展目标达成提供决策依据。此外,本研究考虑了地区的地理位置以及市场化程度的异质性,为因地制宜地强化试验区政策的智能经济发展效应提供理论依据。

1 理论分析与研究假设

1.1 试验区政策与智能经济发展

AI试验区政策对智能经济的影响,主要体现在智能资源基础、智能要素集成、智能产业应用和智能环境支撑四个方面。其一,试验区政策通过加强算力设施、数据平台、科研载体和创新平台建设,提升区域AI发展的底层支撑能力,为智能经济发展奠定资源基础[9]。其二,试验区政策有助于推动数据、算法、算力、资本和人才等生产要素集聚[10],促进各类创新资源高效匹配,从而增强智能经济发展的内生动力。其三,试验区政策依托应用场景开放、示范项目建设和重点行业试点,推动AI技术向制造、金融、医疗、教育、交通和社会治理等领域加速渗透,既带动传统产业智能化改造,也催生新产品、新服务和新业态,不断拓展智能经济的现实载体。其四,试验区政策通过在数据治理、标准规范、知识产权保护和开放合作等方面开展先行探索,逐步形成与AI发展相适应的制度体系,为智能经济提供更加稳定、透明和可预期的外部环境。综上,试验区政策通过夯实智能资源基础、促进智能要素集成、深化智能产业应用和完善智能环境支撑,系统推动智能经济发展。据此,本文提出研究假设如下:

H1:AI试验区政策能促进智能经济发展。

1.2 AI试验区政策、人力资本水平与智能经济发展

试验区政策可以通过提升人力资本水平进而促进智能经济发展。AI技术具有明显的知识密集、技能偏向和跨学科融合特征,AI试验区政策能否转化为智能经济绩效,关键在于区域是否拥有能够支撑算法研发、数据治理、算力运维、场景开发和产业应用的复合型人力资本。从人才供给端看,AI试验区政策通过建立灵活快速的决策机制,顶格支持尖端人才,给予项目资助、住房补贴、科研平台和创新创业空间[11],降低高端人才流入和创新创业的制度成本,提升区域对AI领域专业人才的吸引力。从人才需求端看,AI试验区政策推动AI技术与传统产业深度融合,加速产业数字化、网络化和智能化转型,催生新产业形态和新商业模式[12],进而改变企业用工结构并扩大对研发型、应用型和复合型人才的需求。这种需求牵引会倒逼劳动者开展技能更新和知识迭代,推动一般劳动力向数字技能劳动力和创新型人才转化。人力资本水平提升后,一方面能够增强区域对AI技术的吸收、消化和再创新能力,使数据、算法和算力更有效地转化为现实生产力;另一方面能够推动企业组织流程、生产方式和商业模式智能化改造,提高全要素生产率和产品附加值。更进一步,高水平人力资本集聚还会形成知识溢出、创业外部性和学习效应,带动新兴智能产业成长并优化产业结构[13]。据此,本文提出研究假设如下:

H2:试验区政策能够推动人力资本水平提升,进而促进智能经济发展。

1.3 试验区政策、数字产业集聚与智能经济发展

党的二十大报告明确提出,加快发展数字经济,促进数字经济和实体经济深度融合,打造具有国际竞争力的数字产业集群。作为国家推动AI创新布局与场景落地的重要政策载体,AI试验区政策可以通过提升数字产业集聚水平进一步促进智能经济发展。智能经济并不是单个企业的孤立智能化,而是以数据、平台、算法、算力和应用场景为纽带的产业生态系统演进。在宏观层面,试验区政策通过制度创新、产业规划、平台建设和基础设施完善,为AI、大数据、云计算、区块链、工业互联网等数字产业集聚创造稳定预期和低成本环境。政策支持和场景开放能够吸引数字企业、科研机构、服务平台和风险资本在特定区域内集中布局,推动创新链、产业链、资金链和人才链耦合,形成面向智能经济的专业化分工体系。数字产业集聚能够通过规模经济、范围经济和共享投入机制降低企业获取数据资源、算法工具、算力服务和数字化解决方案的成本,提高技术研发、应用和扩散效率[14]。在微观层面,AI试验区政策通过提供制度支持、场景开放、算力平台和数据资源,能够降低数字企业研发试错、技术验证和市场拓展成本,从而促进数字产业集聚。其不仅提升区域数字技术供给能力,而且通过产业链上下游协同降低传统企业智能化转型门槛,促进AI技术嵌入生产、管理、服务和治理等环节(Choi,et al.,2025)。综上,试验区政策能够将数字产业集聚优势转化为智能经济发展动能。据此,本文提出研究假设如下:

H3:试验区政策通过推动数字产业集聚促进智能经济发展。

1.4 试验区政策、创新要素配置与智能经济发展

试验区政策能够通过缓解研发资本与研发人员这两类核心创新要素的错配问题,优化创新资源配置效率,从而促进智能经济发展。智能经济发展具有高研发投入、高不确定性和强互补性特征,当研发资本、研发人员、数据资源和应用场景实现有效匹配时,AI技术才能顺利完成从知识创造到产业化应用的转化。若创新要素因信息不对称、行政分割、市场壁垒或激励机制不完善而流向低效率部门,会造成研发资本沉淀、人才闲置等问题,进而削弱智能经济的创新效率。试验区通过体制机制探索、创新平台建设和产学研深度融合,降低企业、科研机构与金融资本之间的信息壁垒和交易成本,促使研发资本从过剩或低效领域流向更具技术潜力和应用前景的企业与项目[15]。同时,试验区依托区域协作和场景示范,打破资本跨区域、跨产业流动的隐性壁垒,引导资本向创新效率更高的产业环节和应用场景集聚。研发人员方面,试验区一方面通过新型研发机构设立、人才培养基地和校企合作体系增加AI领域高质量人才供给,从源头缓解结构性短缺;另一方面通过优化创新创业生态、完善成果转化激励和提升公共服务水平吸引海内外高端人才汇聚[16]。根据熊彼特创新理论,创新是驱动经济发展的关键动力。在智能经济语境下,创新要素配置效率提高能够加快新技术、新产品和新业态形成,推动智能资源向智能能力、智能产品和智能产业转化。据此,本文提出研究假设如下:

H4:试验区政策通过缓解创新要素错配促进智能经济发展。

1.5 试验区政策、空间溢出与智能经济发展

试验区的空间外溢效应,主要通过要素流动与知识溢出两类机制,对邻近地区的智能经济发展产生辐射与带动作用。①极化-涓滴效应。在初始阶段,试验区的政策红利与市场机遇会产生强大的极化效应,吸引周边地区的技术、资本、人才等高端要素向区内集聚,形成产业高地。当试验区发展趋于成熟、内部成本上升或产业需要更广阔腹地时,便会产生扩散效应,部分产业、资本及衍生机会向成本更低、承载空间更大的邻近地区转移。周边地区通过有效承接这种转移,能够优化本地产业结构,避免同质化竞争,推动区域经济协同发展。②示范效应。一是技术应用示范,试验区通过打造标杆场景,为邻近地区提供可复制的解决方案;二是政策创新示范,试验区的先行先试为邻近地区提供改革样本;三是人才与文化示范,试验区通过人才培养和文化输出影响邻近地区。两类效应协同作用,既通过资源流动实现产业协同,又通过能力输出推动制度创新,最终提升邻近地区智能经济发展水平。 据此,本文提出研究假设如下:

H5:试验区政策通过自身的正外部性促进周边地区智能经济发展水平提升。

2 模型构建与变量设定

2.1 模型构建

2.1.1 基准回归

为检验AI试验区政策对智能经济发展水平的影响,本文构建如下基准回归模型:

Sedit=α0+α1Didit+γXit+λt+μi+δit

(1)

式(1)中,Sedit代表第i个省份在t年的智能经济发展水平;Didit代表第i个省份在t年是否被设立为AI试验区。α0为常数项;α1是核心解释变量的回归系数;λt、μi和δit分别代表时间效应、个体效应与随机扰动项;γ是控制变量的回归系数;Xit代表一系列控制变量。

2.1.2 中介效应模型

为检验AI试验区政策影响智能经济发展的作用机制,构建如下机制检验模型:

Mit=β0+β1Didit+γXit+λt+μi+δit

(2)

式(2)中Mit是机制变量,主要包括人力资本水平、数字产业集聚水平、创新要素错配。β1为核心解释变量估计系数,其余变量解释同式(1)。

2.1.3 空间杜宾双重差分模型

为检验试验区政策可能存在的空间溢出效应,在式(1)的基础上引入智能经济发展、AI试验区政策以及各控制变量的空间滞后项,扩展为空间杜宾双重差分模型,具体公式如下:

(3)

式(3)中,ρ是空间自回归系数,ωij是空间权重矩阵,具体采用空间邻接权重矩阵,如果i和j相邻,则ωij=1,反之ωij=0。φ和η分别为核心解释变量与控制变量的空间滞后项系数,其余变量解释与式(1)相同。

2.2 变量设计

2.2.1 被解释变量:智能经济发展水平(Sed)

本研究在借鉴相关文献的基础上遵循系统性、层次性、可比性、可操作性原则,构建指标体系,如表1所示。智能经济是以AI、数据要素和数字基础设施为支撑,以技术创新、人才集聚和产业智能化应用为核心,以制度环境和社会智能化水平为外部保障的复合型经济系统。因此,本文将智能经济发展水平划分为智能资源基础、智能要素集成、智能产业应用和智能环境支撑4个层面。在指标筛选过程中,主要依据智能经济、数字经济和AI产业发展相关文献[17-19],并结合省级面板数据的可得性和跨期可比性,选取能够稳定反映区域智能经济发展水平的指标。为避免指标之间含义重复和层级交叉,本文按照基础条件、要素配置、产业转化、环境支撑的逻辑关系进行筛选,使各指标分别对应智能经济形成与发展的不同环节。

具体来看,从智能资源基础维度,信息基础设施、数据与算力资源刻画了智能经济发展的底层支撑,能够反映数字连接能力、信息传输能力和智能承载能力;从智能要素集成维度,技术创新能力与研究人员潜力衡量了知识创造、技术研发和人才供给水平,体现了智能经济持续演进的核心动力;从智能产业应用维度,产业智能化水平从高技术产业、软件产业、AI技术渗透、工业机器人应用等方面反映智能技术向现实生产力转化的程度;从智能环境支撑维度,制度与政策环境、社会智能化水平则进一步刻画了政策支持、公共治理、数字普惠和社会接受度等外部条件。智能经济发展水平的测算使用熵权TOPSIS法。

2.2.2 核心解释变量:AI试验区政策(Did)

考虑到智能经济发展水平的测度指标较为复杂,且部分数据在城市层面难以获取,本文借鉴肖素萍和潘家栋[20]、欧阳金琼等[16]的做法,将政策冲击单元从城市上移至省份。若城市i在t年获批为试验区,则该城市所属省份在t年及以后的Did=1,否则Did=0。此外,试验区多设立于科教资源丰富、产业基础良好、基础设施完备、支持措施明确的城市,其经济发展水平普遍较高。鉴于此,稳健性检验将基于各省份内试验区城市的GDP之和占全省GDP的比重,构建强度双重差分模型,作进一步验证。

2.2.3 中介变量

(1)人力资本水平(Hcap)。借鉴相关研究[21],使用(小学学历人数×6+初中学历人数×9+高中和中专学历人数×12+大专及本科以上学历人数×16)/6岁以上人口总数的结果来衡量人力资本水平。

(2)数字产业集聚水平(Agglomeration)。借鉴相关研究[22],采用区位熵指数进行测算,具体计算公式如下:

Agglomerationit=(employedit/employit)/

(∑employedit/∑employit)

(4)

式中,employedit为i省份t年数字产业(数字产品制造业和数字产品服务业)从业人数,employit为i省份t年就业人数。Agglomerationit表示i省份t年数字产业集聚水平。

(3)创新要素错配。本文分别对表示地区创新要素错配程度的研发资本错配指数τKit和研发人员错配指数τLit进行衡量,具体估算过程如下:

τKit=1/γki-1,τLit=1/γli-1

(5)

其中,γki和γli分别为研发资本、研发人员绝对扭曲系数,测算公式为:

(6)

式(6)中,si=piyi/Y表示地区i的创新产出占整个经济体创新产出的份额,βki和βli分别表示地区i的研发资本与研发人员的产出弹性。估算βki和βli时,根据经典的柯布-道格拉斯生产函数(C-D生产函数)模型进行回归估计:

(7)

式(7)中,Y是创新产出,用专利数量表示,Kit是研发资本投入量,用各地区R&D资本存量衡量,Lit是研发人员投入,使用研发人员全时当量衡量。关于各地区R&D资本存量,使用永续盘存法计算。在此基础上,使用面板变系数模型对各省份的要素产出弹性进行估计,再代入式(5)和式(6),得到研发资本错配指数和研发人员错配指数。

2.2.4 控制变量

本研究控制了可能对智能经济发展水平产生影响的变量:人口密度(Pop),使用常住人口与行政区域面积的比值然后取自然对数表示;市场化程度(Market),使用《中国分省份市场化指数报告(2021)》中的市场化指数衡量[23];政府干预(Gil),使用一般公共预算财政支出与GDP比值衡量;固定资产投资(Pca),使用地区固定资产投资总额与GDP比值衡量;运输能力(Tl),使用公共交通客运总量与常住人口比值的自然对数表示。

变量描述性统计结果如表2所示。智能经济发展水平的最大值是0.745,最小值是0.084,表明在样本考察期内各地区智能经济发展水平存在较大差异,反映了研究样本存在一定的异质性特征。对所有变量进行方差膨胀因子(VIF)检验,平均值为2.82,远低于10,故不存在严重的多重共线性问题。

2.3 数据来源

本研究以2011-2023年我国30个省份作为研究对象(西藏数据不全,未纳入统计)。每万人5G/4G基站数量数据来自OpenCelliD基站数据;工业机器人安装密度的测度方面借鉴芦婷婷等[24]的做法,其机器人存量数据来源于国际机器人联盟(IFR);新注册AI企业数量借鉴王林辉等[25]的做法,以企业经营范围文本为基础,采用关键词模糊匹配识别AI核心产业企业。进一步保留存续企业,剔除重复注册及分支机构样本,按注册地匹配至省份,并依据注册年份逐年统计各省份新注册AI企业数量。AI发明专利数根据乔刚等[26]的做法,根据AI关键词词典在申请专利文本中检索出AI专利,并将所有识别出的AI授权专利在省份层面加总;规模以上高技术产业有效发明专利数、高技术产业主营业务收入数据来源于《中国高技术产业统计年鉴》。企业AI采纳程度,借鉴何勤等[27]的做法,采用企业机器设备的人均价值衡量;上市公司AI水平,参考姚加权等[28]的做法,根据上市年报MD&A文本内容,对AI的相关词频进行统计;AI关注度,根据各省份政府工作报告,整理和统计AI政策相关词频数据并汇总到省级层面。数字普惠金融指数来自北京大学数字金融研究中心[29]。数字产业就业人数数据来源于《中国高技术产业统计年鉴》《中国工业统计年鉴》。其余社会经济统计数据来源于相应年份的《中国统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》《中国教育统计年鉴》《中国劳动统计年鉴》及各省统计年鉴、统计公报。数据库使用EPS数据库。个别指标存在部分年份缺失以及明显异常值的数据,通过线性插值法进行补充和替换。

3 实证结果与分析

3.1 基准回归

本研究采用多期双重差分模型评估AI试验区政策对智能经济发展水平的影响。表3列(1)～(6)是逐步加入控制变量的回归结果,可以看出,AI试验区政策对智能经济发展水平的影响系数始终在1%水平上显著为正,表明试验区政策能够有效促进智能经济发展。列(6)显示,试验区政策估计系数为0.064,表明相对于非试验区地区,该政策使试验区智能经济发展水平指数平均提升了0.064个单位。综上,验证了假设H1。

3.2 模型有效性检验

3.2.1 平行趋势检验

双重差分模型要获得无偏估计,其关键在于满足平行趋势假设。为验证该假设,本文采用事件研究法考察AI试验区政策的动态影响。鉴于各试验区实施时点存在异质性,无法统一设定单一处理起始期,故采用多期双重差分模型框架下的平行趋势检验方法。模型设定如下:

(8)

式(8)中,k表示试验区在第t年距离政策实施的年份时长,k=3对应试验区实施政策三年。本文将政策实施超过7年统一合并到第7期,将政策实施后第4年合并到第3期,并将政策实施前一年(k=-1)作为基期。是时间虚拟变量和政策处理变量的交互项,其余变量同式(1)。图1绘制了95%置信区间下参数的估计值。

在实施AI试验区政策之前,试验区和非试验区的智能经济发展存在一致的时间变化趋势。因此,试验区政策的实施可以被当作一个准自然实验来研究其对智能经济发展的影响。从动态效应来看,在政策实施后,AI试验区的智能经济发展水平提升,且该效果是逐步显现,再次验证假设H1。

3.2.2 安慰剂检验

为了进一步检验是否有其他未观察到的混杂因素导致了目前结果,本研究首先开展了时间安慰剂检验。具体操作是将政策冲击时点依次前移1～8年,据此执行双重差分回归分析。图2直观展示了时间安慰剂效应的95%置信区间,可以看出所有区间均包含0值,进一步证实不存在显著的安慰剂效应。

其次,采取随机抽取地区和随机抽取年份的方法,将其作为试点地区和政策时间,进行间接的安慰剂检验。从样本中随机抽取未替换的个体作为“假处理单位”,并随机选择一个统一的“假处理时间”进行双重差分估计。通过重复这个过程500次,得到安慰剂效应的分布结果如图3所示。

由图3可见,在随机模拟过程中,参数估计值近似服从正态分布,且大多集中在零值附近,与真实估计值(α1=0.064)存在明显偏离,表明未观测因素对回归结果的干扰基本可忽略。由此可判定,多期双重差分模型的估计结果具有稳健性,AI试验区政策对智能经济发展具有促进作用。

3.2.3 异质性处理效应

鉴于不同样本间的处理效应存在差异性,若直接采用双向固定效应模型进行因果推断,得到的估计结果易出现偏误。为了化解潜在的选择偏差对评估结论的干扰,本文进一步引入CSDID框架下的稳健估计量,以尽可能缓解异质性处理效应[30]。经计算,平均处理效应为0.042,且在1%水平上显著,表明AI试验区政策能够有效促进智能经济发展。此外,本文借助Goodman-Bacon提出的分解方法,考察双向固定效应处理下多期双重差分估计的偏误程度[31],具体结果如表4所示。可以看出,绝大多数权重(0.858)集中在处理组与未处理组的比较上,其估计值为0.083。尽管存在处理组之间的相互比较,但其权重总和仅为0.102,且可能产生负偏误的组别权重低至0.040。鉴于有效比较组别的累计权重高达0.960,可以认为本文估计结果并未受到严重的异质性偏差影响,结论依然成立。

3.3 内生性检验

3.3.1 测量误差问题

测量误差一般来说不可避免。本研究通过替换被解释变量和核心解释变量的方法来缓解测量误差。第一,替换被解释变量。智能经济发展水平测度方法由熵权TOPSIS法替换为熵权法和主成分分析法,回归结果见表5列(1)(2)。可以看出,回归结果与基准回归结果相似,再次论证了回归结果的稳健性。第二,替换核心解释变量。考虑到“政策单元上移”问题,可能削弱DID识别的准确性,本研究使用省份中所有试验区城市的GDP与省份GDP比值来构建核心解释变量,其样本周期与真实试验区政策相同,重新根据式(1)进行回归估计。结果见表5列(3),可以看出,回归结果在5%水平上显著为正,可见在缓解测量误差这一内生性问题后基准结论仍然稳健。

3.3.2 遗漏变量偏误

当某个关键因素被遗漏且其与核心解释变量相关时,误差项就会“吸收”这个遗漏因素,从而使解释变量与误差项相关,产生内生性,导致估计系数有偏且不一致,而增加控制变量可以在一定程度上缓解这一问题,所以本文将工业发展水平(工业增加值占GDP比重)与工薪水平(城镇单位在岗职工平均工资取自然对数)纳入控制变量,以有效控制潜在遗漏变量的干扰。如表5列(4)所示,增加控制变量之后,AI试验区政策的估计系数方向和显著性未发生明显变化,再次印证了结果的稳健性。

3.3.3 样本选择偏误

如果样本选择并非随机,而是受到某些与被解释变量或解释变量相关因素的影响,这些未观测因素进入误差项后,会使解释变量与误差项相关,出现样本选择偏误问题。为避免该问题出现,采用以下方法:首先,使用倾向得分匹配(PSM)方法,基于基准回归的控制变量,对试验区虚拟变量进行Logit回归,再运用1∶4最近邻和0.01卡尺半径匹配法构建平衡样本,在匹配后的样本上重新执行DID回归分析,以有效控制选择性偏差。由表5列(5)(6)可见,AI试验区政策估计系数的方向和显著性均未发生明显变化。其次,使用Heckman两阶段回归以缓解样本选择偏误影响[32]。一是在控制省份特征变量的基础上,通过Probit模型估计省份内申请并获批为试验区的概率,计算出逆米尔斯比率(IMR)。二是将第一阶段回归得出的IMR纳入式(1)进行第二阶段估计。回归结果见表5列(7),可以发现AI试验区政策系数依然显著为正。

综上,在考虑样本选择偏差后,AI试验区政策依然能够促进智能经济发展。

3.4 稳健性检验

第一,控制变量滞后一期。考虑到所选控制变量可能会与智能经济发展之间存在反向影响关系,降低潜在的内生性问题,故将控制变量作滞后一期处理。结果见表6列(1)。第二,考虑到直辖市的特殊性[33],其政治经济地位与普通省份存在一定差异,并且直辖市具有高度城市化的特征,产业结构、人口构成和发展模式与普通省份明显不同,这种异质性可能导致估计偏差。因此,剔除直辖市的数据进行回归,结果见表6列(2)。第三,自由贸易区试点政策是为深化改革开放、推动制度型开放而实施的重要战略举措,自2013年上海自贸试验区设立以来,已形成覆盖全国23个自贸试验区的多层次开放格局,这些试点政策以“制度创新”为核心。国家人工智能创新应用先导区是以促进AI与实体经济深度融合为核心任务的创新示范区。自2019年启动以来,工业和信息化部已分批支持建设了上海、深圳等11个地区。创新是引领发展的第一动力,自贸区和先导区的设定也可能对智能经济发展产生影响,为排除自贸区试点政策(Did2)和AI先导区试点政策(Did3)的影响,在公式(1)中加入Did2和Did3进行回归,结果见表6列(3)。第四,增加时间与省份交互项。为了控制各省份随时间变化的不可观测特征,从而缓解遗漏时变因素导致的估计偏差问题,本文将时间与省份的交互项加入式(1)重新进行回归,结果见表6列(4)。第五,更换估计模型。双重机器学习能有效克服高维数据干扰,解决正则化偏误,在无需预先设定函数形式的前提下对高维控制变量进行筛选,从而获得因果效应的一致估计。因此,本文使用双重机器学习模型重新进行估计。具体来说,使用随机森林对辅助回归和主回归进行预测求解以及进行5折交叉验证,具体结果见表6列(5)。

由表6可知,本研究采用滞后控制变量、缩小样本空间、增加外生冲击、控制省份与时间交互项和更换估计模型等方式进行稳健性检验后,核心解释变量Did的显著性水平和系数值均没有发生明显变化。由此,验证了基准回归结果的可靠性。

3.5 机制检验

3.5.1 人力资本水平机制

人才是第一资源。AI试验区通过培养高素质人才、吸引高端人才集聚、提升劳动者技能以及促进人才交流合作等方式,提升人力资本水平;而人力资本水平提升为产业发展提供了智力支持,吸引高端人才集聚则为产业发展注入了新的活力,从而促进智能经济发展水平提升。由表7列(1)可知,AI试验区政策的估计系数显著为正,说明该政策对人力资本水平具有显著提升作用,并能够进一步推动智能经济发展。综上,假设H2得证。

3.5.2 数字产业集聚机制

数字产业集聚是推动产业升级和智能经济发展的重要路径。AI试验区政策通过完善数字基础设施、促进数据资源流动、吸引平台企业与数字人才集聚,加强产业链上下游协同,加快数字产业要素向重点区域集中。数字产业集聚水平提升后,一方面有助于形成规模经济和范围经济,降低信息搜寻、交易协调与资源配置成本;另一方面也能强化知识溢出、技术扩散与分工协作,提升区域产业体系的关联度和运行效率,进而为智能经济发展提供坚实支撑。由表7列(2)可知,AI试验区政策的估计系数显著为正,表明该政策能够有效促进数字产业集聚,并进一步对智能经济发展产生积极推动作用。综上,假设H3得证。

3.5.3 创新要素配置机制

AI试验区通过政策引导和市场机制,促进人才、技术、资本和数据等创新要素的高效流动与精准匹配,降低信息不对称性和交易成本,提高创新要素配置效率;创新要素配置效率提升通过优化要素组合、畅通流动渠道和健全激励机制,推动智能经济发展。由表7列(3)(4)可知,AI试验区政策的系数显著为负,表明政策能够显著抑制研发资本错配和研发人员错配,进而优化创新要素配置效率,促进智能经济发展。综上,假设H4得证。

4 进一步研究

4.1 空间溢出效应探究

4.1.1 空间相关性分析

本文基于空间邻接权重矩阵计算了2011—2023年30个省份智能经济发展水平的全局莫兰指数(见表8)。结果表明,智能经济发展的全局莫兰指数至少在5%水平上显著,且呈现递增趋势,说明2011—2023年我国智能经济发展具有显著的空间正自相关性,在空间分布上出现集聚现象。

4.1.2 空间溢出效应分析

空间溢出效应的回归结果见表9列(1)～(3)。可以看出,智能经济发展的空间滞后项系数为0.544,且通过了1%的显著性水平检验,再次证明智能经济发展具有空间自相关性,一个省份的智能经济发展水平会受到周边邻近地区发展水平提升的积极影响。根据空间效应分解结果,试验区政策直接效应的回归系数为0.053,且通过了1%的显著性水平检验,证实该政策对本地区智能经济发展具有明显的促进作用。同时,其间接效应系数同样在1%水平上显著为正,表明试验区政策对周边地区产生了显著的空间溢出效应,有效促进了邻近区域的智能经济发展。试验区政策带来的技术创新、产业升级和资源优化会产生示范效应与溢出效应,邻近地区可通过学习模仿、产业关联和要素流动受益;同时,政策激励下的市场需求扩大和基础设施改善也会辐射周边,从而协同提升邻近地区的智能经济发展水平。综上,假设H5得证。

为确保空间溢出效应的稳健性,采取更换回归模型(空间自回归模型也能够对直接效应和间接效应进行分解)的方法检验其结果可靠性。由表9列(4)～(6)可见,与空间溢出效应回归结果大致相同。

4.2 异质性研究

4.2.1 区域异质性

中国幅员辽阔,不同地区的经济基础及资源禀赋存在一定差距,AI试验区政策对智能经济发展的影响也可能存在差异。对此,本研究将样本地区分为东部、中部、西部和东北地区进行分组回归,结果如表10列(1)～(4)所示,AI试验区政策对东部、中部、西部和东北地区的促进效应均显著为正。为了比较4个区域AI试验区政策估计系数的差异性,本研究对分组样本进行邹检验(Chow test)。可以看出,邹检验在1%水平上显著,表明四组系数间的差异性显著,促进效应从大到小依次是西部、东部、中部和东北地区。西部地区促进作用最强,主要是其数字基础较薄弱,试验区政策带来的资金、技术和基础设施投入能产生更明显的边际提升效用。东北地区促进作用较弱,这是因为产业结构相对偏重工业,市场活力不足,加之人才外流较多,政策红利释放有限。

4.2.2 市场化程度异质性

为考察AI试验区政策对智能经济发展的影响是否因地区市场化程度不同而存在差异,依据各年度市场化指数均值(2011年市场化指数以2011年市场化指数均值为界,2012年市场化指数以2012年市场化指数均值为界,以此类推),将总体样本划分为高市场化地区和低市场化地区两组。表10列(5)(6)的回归结果显示,AI试验区政策对市场化程度较高省份的促进作用更显著。高市场化程度的省份凭借成熟的要素市场、敏捷的企业响应、完善的制度保障和密集的创新网络,能够将政策红利转化为实实在在的生产力提升。同时,人才、资金和技术也更愿意流向市场化程度高的地区,同样增强了AI试验区政策对智能经济发展的促进作用。

4.2.3 智能经济发展子维度异质性

这里着重考察AI试验区政策对智能经济发展4个子维度(智能资源基础、智能要素集成、智能产业应用、智能环境支撑)的影响。AI试验区政策对上述4个子维度的估计结果见表11。可以看出,AI试验区政策能够显著赋能区域智能资源基础建设、智能要素集成、智能产业应用和智能环境支撑。首先,在智能资源基础和智能要素集成方面,试验区往往被赋予数据开放、算力基建、专项资金和人才引进等先行先试权,直接加速数据、算力、算法与智力等核心资源的聚集与积累,为智能经济筑牢底座。其次,在智能产业应用维度,试验区通过开放城市治理、智能制造、医疗等应用场景,并配套首购首用、补贴和示范推广等激励,大幅降低技术落地的市场风险,缩短了从研发到产业化的路径,推动智能技术快速渗透实体产业。最后,在智能环境支撑方面,试验区政策本身就是一种制度供给,通过制定包容审慎的监管规则、构建伦理标准和安全保障体系,并优先部署新型基础设施,营造了可信、便利的创新生态,为前三个维度提供了不可或缺的“土壤”和保障。综上,试验区政策能够显著促进智能经济4个子维度发展水平的提升。

5 结论与政策建议

本研究以AI试验区设立为准自然实验,基于2011—2023年中国30个省份的面板数据,采用多期双重差分模型实证检验AI试验区政策与智能经济发展的因果关联。研究发现:①AI试验区政策对智能经济发展具有显著促进作用,且对智能经济的4个子维度也具有显著作用;②机制分析表明,人力资本积累、数字产业集聚水平提升及创新要素配置优化是政策作用的关键传导路径;③空间溢出效应检验证实,AI试验区政策不仅有效推动本地智能经济发展,还对周边区域产生显著的正向溢出效应;④AI试验区政策对智能经济发展的促进作用也存在异质性,其在西部地区的促进效应大于东部地区,中部地区和东北地区次之,在高市场化程度地区的促进作用显著强于低市场化程度地区。根据以上研究结论提出如下政策建议:

(1)实施“梯度倾斜”的试验区扩容策略,优先向西部和东北地区布局。实证结果表明,AI试验区政策的促进效应呈现出西部>东部>中部>东北的梯度特征。这意味着西部地区因原有数字基础薄弱,试验区政策带来的资金、技术和基础设施投入能产生更明显的边际提升效应;而东北地区因产业结构偏重工业、人才外流较多,政策红利释放相对有限。因此,在未来试验区增设中可优先向西部和东北地区倾斜,并给予财政补贴与专项政策扶持以弥补创新要素短板。对东北地区则需配套人才引育机制和营商环境改善措施,缓解结构性约束,释放政策红利。

(2)在高市场化地区深化制度型开放,在低市场化地区强化要素市场建设。异质性分析显示,高市场化程度地区的政策效果显著强于低市场化地区,据此建议采取双轨策略。对高市场化地区,宜在试验区进一步放宽市场准入,减少政府对创新要素的直接干预,完善知识产权保护体系并建立AI领域的侵权行为快速响应机制,最大化释放制度红利;对低市场化地区,则应优先推进要素市场化改革,建立跨区域资本、技术和数据要素对接平台,引导创新资源向试验区集聚,缩小与高市场化地区的政策效果差距。

(3)围绕三大传导机制精准施策,形成“人才—产业—要素”联动格局。机制检验证实,人力资本积累、数字产业集聚和创新要素错配缓解是试验区政策驱动智能经济发展的三条核心路径。其一,持续加大教育与技能培训投入,尤其围绕AI、大数据、云计算等领域培养复合型人才,提升劳动力数字素养与产业适配能力;同时,在试验区探索建立“人才共享池”等机制,促进高端人才跨区域流动与资源共享,为数字产业集聚提供坚实支撑。其二,围绕数字产业链关键环节,加快数字基础设施、平台载体和产业园区建设,吸引数字企业、服务机构及配套资源集聚,推动形成分工协作、优势互补的数字产业生态。其三,建立跨区域资本、技术和数据要素对接平台,引导资金、项目和创新资源向试验区集聚,提升数字产业集聚水平,进一步增强对智能经济发展的带动作用。

(4)构建跨区域协同网络,将空间溢出效应转化为区域协调发展动能。空间杜宾模型结果显示,试验区政策的间接效应系数为0.071,总效应0.124中约57%来自空间溢出。这表明政策的辐射带动作用已超过本地直接效应。因此,建议以试验区为节点构建区域协同创新网络:一方面,通过建立跨区域协同创新机制、共享创新资源、开展联合招商引资等方式,促进极化-涓滴效应与示范效应的充分释放;另一方面,加快中西部数字基础设施建设以降低要素流动成本,促使空间溢出效应从东部向中西部传导,最终推动全国智能经济协调发展。

本文运用多期双重差分模型、空间杜宾模型探究了AI试验区政策赋能智能经济发展的影响机制和空间溢出效应,但也存在一定的局限性:①智能经济发展水平的测度体系有待完善。本文从智能资源基础、智能要素集成、智能产业应用和智能环境支撑4个维度构建评价指标体系,力求全面反映智能经济的多维度特征。然而,当前指标体系更多反映智能经济的“存量”特征,对动态演进能力、系统协同性及技术迭代速度等方面的刻画仍显不足。未来研究可进一步拓展数据来源,融合企业微观调查数据、实时网络数据与大模型语义分析技术,构建更具动态性和预测能力的智能经济测度框架。②机制分析存在深化的空间。本文识别了人力资本积累、数字产业集聚和创新要素错配缓解三条核心传导路径,但受限于中介变量测度的宏观属性,未能深入揭示各机制在不同发展阶段或不同产业类型中作用强度的差异化。未来研究可结合行业或企业层面数据,进一步探讨试验区政策是否通过优化企业创新行为、产业链协同效率或区域创新网络结构等机制,间接影响智能经济发展。

参考文献：

[1] 刘诚. “十五五”时期我国智能经济发展的机遇、趋势与路径[J].中国特色社会主义研究, 2025(5): 23-34.

[2] 张夏恒. 从数字化到智能化:“十五五”时期智能经济的核心内容、时代价值与发展趋势[J].贵州师范大学学报(社会科学版), 2026(1): 12-22.

[3] 周文, 何雨晴. 论智能经济:技术突破与经济形态重塑[J].改革, 2026(3): 1-14.

[4] 蒋恒鹏, 史安娜, 周颖秋. 人工智能对区域创业活跃度的影响及作用机制研究[J].科技进步与对策, 2025, 42(14): 1-10.

[5] 陈楠, 蔡跃洲. 人工智能技术创新与区域经济协调发展——基于专利数据的技术发展状况及区域影响分析[J].经济与管理研究, 2023, 44(3): 16-40.

[6] 周杰琦, 陈达, 夏南新. 人工智能、产业结构优化与绿色发展效率——理论分析和经验证据[J].现代财经(天津财经大学学报), 2023, 43(4): 96-113.

[7] 王娇, 孙慧, 廖振良. 人工智能技术促进“双碳”目标实现的影响机制研究[J].科技进步与对策, 2025, 42(15): 11-23.

[8] 刘典, 伍笛凯. 从形态跃迁到治理革新:“人工智能+”驱动智能经济和智能社会深度融合的新图景[J].学习与实践, 2026(1): 61-72.

[9] HOU Y, HUANG J, XIE D, et al. The limits to growth in the AI-driven economy[J].China Economic Review, 2025, 94: 102510.

[10] 徐维祥, 石伊凡, 周建平. 数据要素集聚与人工智能产业高质量发展[J].财经论丛, 2026, 42(2): 29-40.

[11] 王慧英,向蓓姗.中国科技创新人才政策注意力演变与整合转型研究[J].科技进步与对策,2025,42(23):95-105.

[12] SESTINO A, DE MAURO A. Leveraging artificial intelligence in business: implications, applications and methods[J].Technology Analysis &Strategic Management, 2022, 34(1): 16-29.

[13] TEIXEIRA A A C, QUEIRS A S S. Economic growth, human capital and structural change: a dynamic panel data analysis[J].Research Policy, 2016, 45(8): 1636-1648.

[14] LU D, HUI E C M, SHEN J, et al. Digital industry agglomeration and urban innovation: evidence from China[J].Economic Analysis and Policy, 2024, 84: 1998-2025.

[15] LIN B Q, YANG Y X. Building efficiency:how the national AI innovation pilot zones enhance green energy utilization? evidence from China[J].Journal of Environmental Management, 2025, 387: 125945.

[16] 欧阳金琼, 魏德强, 王雨濛. 人工智能对新质生产力的影响——基于新一代人工智能创新发展试验区的政策效应[J].软科学, 2025, 39(3): 28-36.

[17] 周伟良, 李亚平. 智能经济对新质生产力发展的影响机制研究[J].华东经济管理, 2025, 39(8): 50-60.

[18] 曾鹏, 黄丽露, 罗丽娟. 中国城市智能经济的发展基础及其障碍因子研究[J].云南师范大学学报(哲学社会科学版), 2025, 57(6): 85-98.

[19] 许锦锦. 中国智能经济高质量发展水平的区域差距与空间收敛特征[J].统计与决策, 2026, 42(10): 77-82.

[20] 肖素萍, 潘家栋. 数智政策、协同赋能与区域创新水平——来自国家大数据与人工智能“双试点”的经验证据[J].浙江学刊, 2026(1): 214-226,240.

[21] 韩先锋, 宋文飞, 李勃昕. 互联网能成为中国区域创新效率提升的新动能吗[J].中国工业经济, 2019,38(7): 119-136.

[22] 赵放, 宋健. 数字产业集聚能否助力企业拓展供应链地理分布[J].江汉论坛, 2026,69(1): 35-46.

[23] 樊纲, 王小鲁, 马光荣. 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.

[24] 芦婷婷, 祝志勇. 人工智能是否会降低劳动收入份额——基于固定效应模型和面板分位数模型的检验[J].山西财经大学学报, 2021, 43(11): 29-41.

[25] 王林辉, 姜昊, 董直庆. 工业智能化会重塑企业地理格局吗[J].中国工业经济, 2022,39(2): 137-155.

[26] 乔刚, 钱圆圆. 人工智能技术、创业生态与新企业进入[J].数量经济技术经济研究, 2025, 42(8): 110-130.

[27] 何勤, 李雅宁, 程雅馨, 等. 人工智能技术应用对就业的影响及作用机制研究——来自制造业企业的微观证据[J].中国软科学,2020,35(S1): 213-222.

[28] 姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J].管理世界, 2024,40(2):101-122,133.

[29] 郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展:指数编制与空间特征[J].经济学(季刊), 2020, 19(4): 1401-1418.

[30] CALLAWAY B,SANT′ANNA P H C. Difference-in-Differences with multiple time periods[J].Journal of Econometrics, 2021, 225(2): 200-230.

[31] GOODMAN-BACON A. Difference-in-Differences with variation in treatment timing[J].Journal of Econometrics, 2021, 225(2): 254-277.

[32] 陈淑芳, 郭文乐, 李晗筱. ESG评级分歧对企业绿色技术创新的影响研究[J].西安财经大学学报, 2025, 38(6): 51-65.

[33] 黄漫宇, 王浩旸, 杨露. 全国统一大市场建设、区域分工与新质生产力发展[J].统计与信息论坛, 2026, 41(2): 16-28.

(责任编辑：胡俊健)