Can Artificial Intelligence Empower Regional Technological Innovation? The Mediating Effect of Innovation Environment

Chen Wei1,2, Deng Yao2, Yang Bai1,2, Chen Yinzhong3

(1.Research Center for Enterprise Management, Chongqing Technology and Business University;2.School of Business Administration, Chongqing Technology and Business University, Chongqing 400067, China;3.College of Finance and Economics, Sichuan International Studies University, Chongqing 400031, China)

Abstract：At present, the global “fourth” industrial revolution is accelerating, the world’s competitive landscape is being reshaped, and improving technological innovation has become the core strategy for countries to seek competitive advantages. Artificial intelligence (AI), as a new generation of “general-purpose technology” after the Internet, is regarded as the key to promoting the “fourth” industrial revolution, and its increasingly strong penetration and high spillover are becoming an important driving force to enable technological innovation. The current research has explored the direct impact of artificial intelligence on technological innovation, but there has been no discussion on the possible nonlinear relationships; the mechanism of the role of innovation environment in the relationship between artificial intelligence and technological innovation has not been explored yet; and the impact of regional differences and innovation type differences has not yet been paid attention to, and heterogeneity analysis is warranted.

This study selects the number of patent authorizations from each province to represent the level of technological innovation in the region, uses the number of patent applications to replace the number of patent authorizations for robustness testing, and takes the installation volume of industrial robots in each province as an indicator to measure artificial intelligence. Using the sample data of 30 provincial-level administrative regions in China from 2011 to 2020, the study analyzes and tests the empowering effect of AI on enhancing technological innovation and the mediating effect of the innovation environment using a two-way fixed-effect model and a mediating-effect model.

The results reveal that, first of all, AI can significantly empower the enhancement of regional technological innovation. The empowering effect of AI can accelerate knowledge integration and creation, promote knowledge spillover, optimize resource allocation, and thus improve technological innovation. Secondly, the facilitation effect of AI on technological innovation works through the intermediary mechanism of innovation environment and is further tested by the mediating effects of sub-mediating variables such as new enterprises, foreign investment and venture capital. Thirdly, in the heterogeneity analysis, it is found that AI has a significant empowerment promotion effect on technological innovation in eastern regions, coastal regions and technology-intensive regions, and has not yet shown a significant promotion effect in Midwest regions, non-coastal regions, and non-technology-intensive regions, although the regression coefficients are positive. AI has a significant empowerment-boosting effect on all three innovation types and shows a higher marginal effect on design patents. Finally, the promotion of AI in technological innovation shows a marginally decreasing non-linear characteristic, which indicates that there is an “optimal interval” of AI-empowered technological innovation enhancement.

The implications arising from the study are listed. (1) The government should integrate knowledge resources between different subjects with the help of the AI technological innovation platform, strengthen knowledge spillover and knowledge creation, and enhance technological innovation through industry-university-research integration. In addition, the government should further strengthen basic AI research, make a strict investigation of the use of government funds for innovation and provide special government funds to reduce the innovation crowding-out effect of rent-seeking behavior. (2) It is essential to accelerate the intelligent transformation of infrastructure to empower technological innovation, apply AI technology in enterprise project decision-making, project risk demonstration, build an intelligent risk warning platform based on AI technology to carve a multi-dimensional risk portrait of enterprises in the region from assets, cash, and transactions, and build an inter-regional cooperation and innovation network based on AI technology to realize cross-regional and cross-field resource integration. (3) Because of the regional heterogeneity of the promotion of AI in technological innovation, governments in regions with relatively weak foundations should improve the top-level design and institutional guarantee of AI development and strengthen the financial and policy support for intelligent transformation of infrastructure. Then the leading regions should focus on improving the level of AI technology application, and take the lead in undertaking key technology research tasks. Finally, the government should play a policy-guiding role in actively promoting AI hardware facilities, such as AI data centers and AI innovation pilot zones, to enrich the areas with weak foundation, realize regional division of labor synergy, and give play to the innovation empowerment effect of AI technology.

Key Words：AI; Technological Innovation; Technology Empowerment; Innovation Environment

DOI：10.6049/kjjbydc.2023040175

开放科学(资源服务)标识码(OSID)：

中图分类号：F124.3

文献标识码：A

文章编号：1001-7348(2024)10-0057-10

收稿日期：2023-04-15

修回日期：2023-07-19

基金项目：国家社会科学基金项目(23BGL063)

作者简介：陈伟(1983-),男,湖北潜江人,博士,重庆工商大学工商管理学院副院长、教授、博士生导师,研究方向为技术创新管理;邓堯(1999-),男,重庆人,重庆工商大学工商管理学院硕士研究生,研究方向为企业数字化转型与技术创新管理;杨柏(1971-),男,四川乐山人,博士,重庆工商大学工商管理学院院长、教授、博士生导师,研究方向为技术创新管理;陈银忠(1978-),男,福建泉州人,博士,四川外国语大学国际金融与贸易学院教授、硕士生导师,研究方向为制造业服务化、技术创新管理。本文通讯作者:杨柏。

武汉大学区域经济研究中心 协办

0 引言

目前,全球第四次工业革命加速演进,世界竞争格局正在重塑,各国均将提高科技创新水平作为构建竞争优势的核心战略。人工智能(Artificial Intelligence,AI)作为继互联网之后的新一代“通用性技术”,被视为推进第四次工业革命的关键(Dwivedi,2021)。为抓住人工智能带来的发展机遇,世界各国纷纷将人工智能上升为国家重点发展战略。中国也高度重视人工智能发展,2017年国务院印发《新一代人工智能发展规划》,指出“人工智能作为新一轮产业变革的核心驱动力,能够释放历次科技革命积蓄的巨大力量,催生新引擎、新技术、新业态等的诞生,要推动人工智能与各行业融合创新,全面增强科技创新基础能力”;2021年《“十四五”数字经济发展规划》提出要高效布局人工智能基础设施,提升“智能+”发展的行业赋能能力;2022年科技部印发《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》,指出要加快人工智能场景应用,提升人工智能场景创新能力,推动经济高质量发展。由此可见,人工智能日益呈现出强渗透性和高溢出性,正成为赋能创新水平提升的重要驱动力,对实现经济高质量发展具有重要推动作用,有关人工智能赋能技术创新的问题逐渐引起学术界和实务界的广泛关注。

目前学术界关于人工智能赋能发展的研究主要集中于以下几个方面:一是人工智能赋能经济增长,主要从技术进步视角[1,2]、要素视角[3,4]和产业结构视角[5, 6]探讨人工智能对经济增长的影响;二是人工智能赋能产业结构优化升级,主要通过人工智能赋能传统产业融合[7]、优化消费结构[8]、促进企业绿色转型[9],实现产业结构优化升级;三是人工智能对劳动就业方面的影响,主要包括人工智能对劳动收入份额[10,11]、劳动收入差距[12,13]和就业效应[14,15]的影响;四是人工智能对创新的影响,如束超慧等(2022)运用案例对人工智能赋能企业颠覆性创新的路径进行研究,提出人工智能赋能企业颠覆性创新的理论模型;张龙鹏等[16]与Liu等[17]利用制造业数据实证研究人工智能对技术创新的直接影响,发现人工智能有利于技术创新水平提高,且不同行业之间存在异质性影响。

上述关于人工智能赋能技术创新的研究为本研究提供了良好的逻辑起点和理论借鉴,但还存在有待拓展之处:第一,上述研究探讨了人工智能对技术创新的直接影响,但尚未对可能存在的非线性关系进行讨论。实际上,行为主体对人工智能技术的应用可能存在“寻租”行为,从而对真正利用人工智能技术实施创新研发产生“挤出效应”。在此背景下,人工智能对技术创新的影响可能是非线性且动态变化的。第二,创新环境是影响技术创新的重要外部因素,人工智能技术往往通过促进地区基础设施智能化转型等实现对创新环境的改善,从而促进区域技术创新,而现有研究尚未对创新环境在人工智能与技术创新关系中的作用机制作出探索。第三,相关研究探讨了不同行业下人工智能对技术创新的异质性影响,但尚未关注区域差异和创新类型差异带来的影响,异质性分析有待进一步拓展。

基于此,本文将人工智能、创新环境和技术创新纳入同一分析框架,利用省级层面数据,从以下几个方面展开探讨:一是从直接影响和非线性影响两个角度,对人工智能如何影响技术创新展开探索性研究,有助于打开人工智能影响技术创新的“黑箱”,丰富技术创新理论;二是加入创新环境作为机制变量,从中介路径分析创新环境在人工智能影响技术创新中的作用机制,对人工智能影响技术创新的内在机理进行拓展;三是针对不同区域禀赋、不同创新类型进行异质性分析,有助于加深对人工智能赋能区域创新发展的理解,为区域协调发展与技术资源调配提供经验依据。通过上述研究,以期为我国借助人工智能赋能效应优化创新环境,从而提高技术创新水平、实现创新驱动发展,提供理论借鉴和决策参考。

1 理论分析与研究假设

1.1 人工智能与技术创新

人工智能被视为继互联网之后的新一代“通用性技术”,是互联网、云计算、大数据等信息技术的集大成者[16]。有所区别的是,人工智能在具有其它信息技术普遍特性的同时拥有其它信息技术所不具备的独特技术特征。因此,本文从人工智能所具有的其它信息技术特征及其自身具备的独特技术特征出发,对人工智能如何赋能技术创新展开论述。

首先,技术创新是产生新技术的一系列活动[17],知识是技术创新的核心要素,有效的新知识是技术创新的基础(Chen,2004)。无论是现有技术改进还是全新技术的诞生,都是知识整合与创造的过程。同其它信息技术一样,人工智能也具有从外部吸收新知识并在主体间进行知识流动与分享的作用,通过吸收外部多元化知识,达到弥补企业内部创新资源、增强创新活力、重塑企业创新模式的目标。另外,借助人工智能领域的机器学习、深度学习、神经网络算法等智能算法,能够更有效地进行知识和数据的检索处理,提高知识处理的准确性和可靠性[17],弥补人类脑力的局限,加速新知识创建和旧知识重组过程,提高知识整合与创造效率,从而快速融合其它领域知识,缩短技术创新周期。

其次,作为一项通用技术,人工智能也具有基础设施外溢性特征[4]。习近平总书记在中共中央政治局第九次集体学习上的讲话中提到,“人工智能具有溢出带动性很强的‘头雁’效应”。这意味着人工智能的应用无可避免地会导致知识技术从高技术部门向低技术部门溢出,而知识技术溢出会改变创新主体的知识环境、降低创新成本与风险[18],部门间知识技术溢出的不断累积将推动创新活动的开展。另外,借助人工智能构建的知识传播网络,知识传播和共享的成本降低,部门间知识传播更加便利,能够缩短知识溢出时滞,更有利于区域创新主体通过吸收和同化外部知识提高技术创新水平[19]。

最后,技术创新是一种十分耗费资源且具有较高风险的消耗性活动(Patel &Chrisman,2014),能否有效配置资源对成功实现创新研发具有重要影响,人工智能技术的应用则在很大程度上为优化资源配置提供了解决方案。一方面,人工智能能够通过对市场海量数据的搜集、筛选、加工、整理实现信息精准匹配,不仅能够降低人为搜集处理信息的成本,而且能够通过智能算法对创新主体行为进行分析预测,缓解信息不对称造成的资源错配和低效率配置[9]。另一方面,人工智能技术在生产研发环节的应用能够帮助企业决策,调整资源结构,及时发现并规避因为资源配置不当而引发的问题。同时,在人工智能设备支持下,资源的智能化配置和跨区域资源对接得以实现,资源配置效率进一步提升[20],从而有利于实现技术创新研发,提高技术创新水平。基于以上分析,本文提出以下假设:

H1:人工智能能够赋能技术创新水平提升。

1.2 创新环境的中介作用机制

创新作为一种交互学习过程,根植并融入当地复杂的环境之中[21],创新环境能够显著改善创新效率、支撑创新活动和提升城市创新能力[22]。人工智能作为新一代“通用性”技术,其所具有的技术赋能效应能够改善地区创新环境,进而提升技术创新水平。

首先,人工智能加速基础设施向智能化转变,改善地区创新环境。“人工智能+交通”融合所诞生的智慧交通提高交通运营和调度效率,改善物流环境,有助于延伸产业链条,实现要素与条件的有效协同和配置,降低创新研发成本。智慧通信提高数据采集、计算和传输能力,以人工智能感知技术和网络通信技术为主要手段的物联网基础设施进一步实现人、机、物的泛在连接,提高数据协同处理效率和信息服务水平,从而推动技术融合创新。企业是创新主体,人才是创新第一资源,由“人工智能+政务”发展而来的智慧政务从源头缩短企业审批流程和周期,降低区域内企业创新的制度性交易成本(王晓晓,2021),有助于吸引更多新创企业落地,并聚集高素质创新人才(党琳,2021),推动区域技术创新水平提升。

其次,技术创新研发活动需要耗费大量资金,企业仅仅依靠内部资金难以完成创新研发(周煜皓,2017),外部融资成为企业获取研发资金的重要渠道。然而,融资难一直是企业从事创新活动面临的重要问题。其原因在于,相比其它投资项目,创新项目不确定性高、周期长且伴随较高的投资风险,投资者难以作出投资决策。随着人工智能技术嵌入到创新研发环节和投资决策中,凭借其强大的算法和数据处理能力,一方面能够帮助企业提高研发过程中信息甄别和风险控制的准确性与及时性,降低研发风险,提高融资成功率;另一方面,能够缓解投资者与企业间的信息不对称[23],优化投资决策环境,提高投资质量,帮助研发企业获取投资。在足够资金的保障下,创新研发成功率得到提升,从而推动所在地区技术创新水平提高。

最后,快速变化的外部环境对技术创新带来新的挑战。一方面,创新主体难以仅凭自身资源和能力独自完成研发活动;另一方面,技术迭代速度加快以及技术研发难度提高使得创新主体不得不打破现有内生创新模式,转向有助于内外部资源整合的合作创新模式(阮鸿鹏,2022)。人工智能有助于赋能建立高效的区域联合创新开放平台,促进不同区域创新主体间人才、技术等创新资源的交流与共享。通过区域联合创新平台,大幅降低区域创新主体间信息不对称,使得信息交流更加便利与透明,从而优化合作创新环境,实现区域技术协同创新。基于以上分析,本文提出以下假设:

H2:人工智能能够通过改善创新环境提升技术创新水平。

基于上述分析,人才和资金作为创新环境中的两大关键因素,对于提高技术创新具有重要影响。因此,为了进一步验证人工智能通过赋能创新环境促进技术创新的中介机制,本文使用新建企业以及外来投资和风险投资分别代表人才与资金两大子环境因素作为子机制变量进行分析,并提出以下假设:

H2a:人工智能能够改善基础设施环境,吸引并聚集人才,进而提升技术创新水平;

H2b:人工智能能够改善投融资决策环境,助力区域内企业获取资金,进而提升技术创新水平。

1.3 非线性关系

数据、算法和算力是人工智能的核心三要素。其中,数据是人工智能的“饲料”,算法是人工智能的“推手”,而算力是人工智能的基础设施,支撑算法和数据,进而影响人工智能发展。据OpenAI的测算,从2012年开始,全球AI训练的计算量呈现指数级增长,远超算力增长速度。而算力源于芯片,我国AI芯片很大程度上依赖进口,高算力芯片短缺。尽管人工智能的使用场景不断丰富,但算力的制约可能导致人工智能对技术创新的赋能效应减弱。另外,国家大力推动人工智能技术发展,发挥人工智能场景赋能效应,在人工智能风口下,由于政企信息不对称可能导致部分企业利用人工智能获取政府资金,却未实质性运用人工智能技术开展创新研发(魏志华等,2015),从而产生“技术寻租”行为,导致对真正利用人工智能实现技术创新提升产生“挤出效应”。基于此,本文提出以下假设:

H3:人工智能对技术创新可能存在非线性影响,表现为人工智能赋能技术创新提升呈现边际递减的特征。

综上所述,本文构建理论模型,如图1所示。

2 研究设计

2.1 计量模型

为了验证人工智能赋能技术创新的直接影响,构建基准计量模型如下:

Innov_auit=α+βAIit+ζ∑Controlit+ut+λi+εit

(1)

式(1)中,Innov_au表示被解释变量技术创新,使用专利授权总数的自然对数表征;AI表示解释变量人工智能,使用各省工业机器人安装数的自然对数表示;Control为控制变量,包括经济发展水平、高等教育水平、产业结构和交通基础设施等可能影响技术创新的其它因素;ut、λi分别表示i地区不可观测的时间效应和个体效应;εit为随机扰动项。

2.2 数据来源与变量说明

本文选取2011—2020年中国30个省级行政区(不包括西藏及港澳台)的面板数据作为研究样本。数据主要来源于国家统计局、《中国统计年鉴》、国际机器人联盟(IFR)、北京大学企业大数据研究中心,对少量缺失值使用移动平均法填补。为降低异常值和离群值可能导致的估计偏误,对连续变量进行异常值缩尾替换。对所有以货币为单位表示的数据使用GDP平减指数处理为实际值,以消除价格变动带来的影响。另外,根据变量最终形式作对数化处理,减少异方差带来的影响,变量描述性统计结果如表1所示。

(1)技术创新(Innov_au)。关于技术创新,现有文献主要通过专利申请数、专利授权数、新产品销售额等指标表征。然而,相比于专利申请数和新产品销售额,专利授权数通过国家知识产权局的认证审核,更能体现创新的真实质量和数量。因此,本文选取各省份专利授权数表征该区域技术创新水平。同时,使用专利申请数(Innov_ap)替代专利授权数进行稳健性检验。

(2)人工智能(AI)。各领域广泛使用的工业机器人集成了大量人工智能技术,是人工智能技术应用最直观的体现,本文采用各省份工业机器人安装量作为衡量人工智能的指标。国际机器人联盟(IFR)提供的工业机器人数据只包含国家和行业层面,并不包括省级层面,为了得到省级层面工业机器人安装量,借鉴韩春民等(2020)对于工业机器人渗透度的处理思路,假设工业机器人分布程度在我国各区域具有一致性,计算全国层面工业机器人安装密度,即每万人工业机器人安装量。得到全国工业机器人安装密度后,省级工业机器人安装量就取决于地区就业人数。目前全国已有多数省份将人工智能作为“十四五”阶段的重点发展产业,已建成并运行近20个国家新一代人工智能创新发展试验区。试验区的目的在于积累可复制推广的人工智能发展经验,从而发挥对后发地区的引领带动作用。在试验区引领带动下,区域间工业机器人等人工智能的分布与应用会趋于一致。因此,使用全国工业机器人安装数除以全国就业人数得到全国层面工业机器人安装密度后,将全国层面工业机器人安装密度与地区就业人数相乘,得到各省工业机器人安装量。这样处理能够更均衡地得到省级工业机器人安装量,避免因为地区属性造成某一行业人数差距过大而导致估算偏误。具体计算公式如下:

(2)

式(2)中,AIit表示i地区t时期的工业机器人安装量;Robott表示t时期全国工业机器人安装总量;Lit表示i地区t时期的就业人员数;Lt表示t时期全国就业人员总数,Robott/Lt表示全国层面工业机器人安装密度。为消除量纲的影响,对各省工业机器人安装量作自然对数处理。

(3)创新环境(envir)。区域创新环境是影响技术创新水平提升的重要因素,为了全面衡量创新环境,本文选取北京大学企业大数据研究中心测算的中国区域创新创业指数作为创新环境的代理变量。同时,将区域创新指数中的新建企业(firm)、外来投资(finv)和风险投资(vcpe)这3项分指数作为创新环境的子机制变量纳入研究。

(4)控制变量。参考相关文献关于控制变量的选取,本文在回归分析中加入以下控制变量:经济发展水平(pgdp),区域经济发展水平会影响该地区相关设施建设和创新投入,本文使用地区当年生产总值与年末常住人口的比重计算人均地区生产总值表示经济发展水平(刘保留等,2022);高等教育水平(edu),技术创新需要高素质的科技研发人才,地区教育水平越高,越有利于为地区创新活动的开展提供研发保障,本文使用每万人高等学校在校生人数表示地区高等教育水平(董会忠等,2021);产业结构(structure),从经验来看,地区产业结构越高级,越有利于实现较高的技术创新水平,本文使用第二产业生产总值占地区生产总值的比重表示产业结构(郭进,2019);交通基础设施(infra),交通越便利越有利于科研人员跨区域流动,同时有助于优化资源配置,进而影响区域技术创新,本文使用每平方千米公路里程数表示,具体计算方法为各省份等级公路里程与各地区行政区域面积的比重(李雪等,2021)。

3 实证分析

3.1 回归前检验

3.1.1 面板单位根检验

本文使用2011—2020年我国30个省级行政区的面板数据进行实证分析,为了防止因数据不平稳造成的伪回归问题,在实证分析前对数据进行单位根检验。参考潘雄锋等(2019)的做法,采用同质单位根LLC和异质单位根ADF两种方法检验数据平稳性,结果如表2所示,所有变量无论是水平值还是一阶差分均为平稳序列,因此可以直接进行实证分析。

3.1.2 多重共线性检验

为了排除多重共线性导致的回归结果偏误,计算所有变量的方差膨胀因子VIF。如果VIF值不超过10,则说明模型多重共线性问题对研究结果干扰不大。由表3可知,所有变量的VIF值远小于10,VIF均值为2.04,不存在严重的共线性问题。

3.2 基准回归分析

在回归前,运用F检验、LM检验和稳健Hausman检验进行回归模型选择,结果显示,F检验和LM检验都在1%水平上显著拒绝使用混合回归的原假设,同时,稳健Hausman检验在1%水平上拒绝使用随机效应模型。因此,本文采用固定效应模型进行回归分析。

表4中列(1)显示在仅控制个体固定效应且未加入控制变量和时间固定效应的情况下人工智能对技术创新的回归结果,回归系数在1%水平上显著为正,表明人工智能对技术创新具有显著正向影响。列(2)在列(1)的基础上加入控制变量,回归系数仍显著为正。列(3)同时加入控制变量、个体和时间固定效应,人工智能对技术创新的回归系数为0.699,在1%水平上显著,说明人工智能能够显著赋能技术创新水平提升,因此,假设H1得到验证。另外,根据列(3)的结果可以发现,控制变量中的经济发展水平(pgdp)、高等教育水平(edu)和产业结构(structure)均对技术创新具有显著正向影响。交通基础设施(infra)的回归系数为负但不显著,与相关研究结论不符。本文认为可能是由于交通基础设施水平发展的不平衡性,导致更多创新资源由沿途城市向发达地区聚集,使得创新资源外流,从而产生创新资源“虹吸效应”[24],导致交通基础设施对技术创新没有表现出正向影响,甚至在统计上呈现不显著的负向作用。

3.3 稳健性检验

为了保证基准回归结果的稳健性,开展以下稳健性检验。第一,更换被解释变量。专利授权数和专利申请数作为衡量技术创新的指标各有优劣,因此,将被解释变量替换为专利申请数,与基准回归互为检验,回归结果见表5列(1)。第二,直辖市所处地位特殊,隶属于中央政府管制,具有明显的区位优势和经济政治优势,无论是经济发展还是资源获取都较其它省份更为特殊,因此,本文剔除直辖市样本,排除其可能对回归结果产生的干扰,回归结果见表5列(2)。第三,为了避免方程联立内生性造成回归结果误差,参考汪伟等(2015)的研究,将解释变量和控制变量滞后一期,使用被解释变量当期值进行回归,回归结果见表5列(3)。从稳健性检验结果来看,人工智能对技术创新的回归系数至少在5%水平上显著为正,与基准回归保持一致,说明基准回归结果是稳健的。

3.4 内生性检验

由于影响人工智能赋能技术创新提升的因素比较复杂,虽然在基准回归中加入一些控制变量进行回归且进行了稳健性检验,但是,仍无法排除由于解释变量和被解释变量之间存在反向因果关系可能导致的内生性问题。因此,本文使用两阶段工具变量最小二乘法(IV-2SLS)进行内生性检验。考虑到工具变量选择的相关性和排他性原则,本文选择解释变量滞后一阶(L.AI)和日本工业机器人(Japan_AI)作为工具变量。采用解释变量滞后一阶作为工具变量是学界通用做法,此处不再论述。在样本研究区间内,日本工业机器人安装量与中国工业机器人安装量具有相似趋势,将同时期日本工业机器人安装量通过就业份额作为权重赋值中国各省份,满足工具变量选取的相关性原则,同时,由日本工业机器人数据所得到的各省工业机器人安装量与中国技术创新水平无直接关系,满足工具变量选取的排他性原则。2SLS工具变量回归结果如表6所示,列(1)和列(3)为对应工具变量第一阶段的回归结果,列(2)和列(4)为对应工具变量的系数估计。Kleibergen-PaapWald rk LM在1%水平上显著,拒绝工具变量不可识别的原假设。Cragg-Donald Wald F和Kleibergen-Paap Wald rk F统计量的值均大于Stock-Yogo弱识别检验10%水平上的临界值16.38,说明工具变量的选择是合理的。考虑内生性问题后,人工智能对技术创新的回归系数仍然在1%水平上显著为正,说明基准回归结果是可靠的。

4 机制分析

为了进一步探究人工智能通过创新环境影响技术创新的内在机制,本文从主流的3种中介效应检验方法(因果逐步回归法、Sobel检验法和Bootstrap抽样法)中选择检验效力最强的Bootstrap抽样法进行创新环境的中介效应检验,结果如表7所示。

使用Bootstrap抽样检验500次,结果表明中介变量创新环境(envir)以及子中介变量新建企业(firm)、外来投资(finv)和风险投资(vcpe)的系数均至少在5%水平上显著,直接效应、中介效应和总效应的置信区间均不包含0,表明上述变量的中介效应显著。中介变量创新环境以及子中介变量新建企业、外来投资和风险投资在人工智能对技术创新的影响中均发挥部分中介作用,中介效应占总效应的比例分别为49.41%、23.17%、31.18%、14.07%。中介效应结果表明,人工智能能够改善创新环境,进而提升区域技术创新水平,子机制变量亦通过检验,因此,假设H2、H2a、H2b得证。

5 拓展讨论

5.1 异质性分析

5.1.1 区域异质性分析

考虑到省级行政区所处地理位置和要素禀赋结构的异质性,本文将研究样本划分为东部地区和中西部地区、沿海地区和非沿海地区,以及技术密集区和非技术密集区三组进行区域异质性分析。其中,技术密集区的划分方式参考钞小静等[10]的研究,具体计算公式如下:

(3)

其中,yi表示第i产业产值占总产值的比重,L表示最终用于划分是否为技术密集区的产业结构升级程度值。如果某一省份样本期间的平均L大于所有省份样本期间的平均L,则定义为技术密集区。根据测算结果,将北京、天津、山西、辽宁、上海、江苏、浙江、山东、广东、重庆10个地区划分为技术密集区,其它地区则归类为非技术密集区。区域异质性回归结果如表8所示,东部地区、沿海地区和技术密集区人工智能对技术创新在1%水平上显著为正,中西部地区、非沿海地区和非技术密集区回归系数虽然为正但不显著,说明不同发展水平地区人工智能赋能技术创新提升具有显著区域异质性。本文认为,人工智能作为继互联网之后的新一代“通用性技术”,对经济社会发展各个方面都具有深远影响,东部、沿海地区以及技术密集区对于人工智能未来前景的认识和嗅觉高于其它地区,因此,率先一步对人工智能发展作出规划和实施行动,并取得一定成效。反观其它地区,由于发展相对滞后且缺乏足够资源投入人工智能领域,导致现阶段无法发挥出人工智能对技术创新的赋能效应。

5.1.2 创新异质性

根据我国专利法对专利类型的划分,发明专利、实用新型专利和外观设计专利3种专利类型在资源投入、创新程度等方面存在较大差异(Fang,2017)。其中,发明专利、实用新型专利、外观设计专利的创新程度依次递减(Tian,2020)。因此,人工智能赋能技术创新提升可能对不同创新类型产生异质性影响。采用Invent表示发明专利授权量,Utility表示实用新型专利授权量,Design表示实用外观设计专利授权量。人工智能对3种创新类型影响的回归结果如表9所示,人工智能对不同创新类型的回归系数都至少在5%水平上显著为正,表明人工智能对3种创新类型均具有显著赋能提升效应,且表现出对外观设计专利更高的边际效应。这是因为基于人工智能的设计工具在一些设计元素的应用上更为先进,利用人工智能的自然语言处理、图像识别等技术能够很大程度上简化设计流程。另外,相较于其它两类专利,外观设计专利需要的创新资源更少,创新周期更短,创新主体能够更早通过专利获取创新收益。因此,人工智能表现为对外观设计专利更高的边际效应具有技术上和效益上的合理性。

5.2 非线性关系

为了验证二者之间是否存在非线性关系,参考Hansen(1999)的研究,构建如下面板门槛模型:

Innovit=α+β1AIit×I(AIit≤γ1)+β2AIit×I(γ1<AIit≤γ2)+β3AIit×I(γ2<AIit)+ζ∑Controlit+ut+λi+εit

(4)

其中,Innov表示被解释变量,包括Innov_au与Innov_ap,γi(i=1, 2, 3)为门槛值,γ1<γ2<γ3,I(.)为示性函数,当括号内条件满足时为1,否则为0,其余变量含义与前文相同。

以专利授权数和专利申请数为被解释变量的门槛效应检验结果如表10所示,人工智能赋能技术创新具有显著的双重门槛效应和单一门槛效应。各门槛区间的系数估计值均在1%水平上显著为正,且随着门槛区间的上移,系数逐渐下降,表明人工智能赋能技术创新水平提升的边际效应呈现递减趋势。因此,假设H3得到验证。

6 结论与启示

6.1 主要结论

本文基于2011—2020年中国30个省级行政区的样本数据,采用双向固定效应模型和中介效应模型分析并检验人工智能对提升技术创新水平的赋能效应以及创新环境在其中的中介效应,得到以下结论:

(1)人工智能能够显著赋能区域技术创新水平提升。人工智能的技术赋能效应能够加速知识整合和创造、促进知识溢出、优化资源配置,进而实现技术创新水平提升。

(2)人工智能对技术创新的促进作用会通过创新环境这一中介机制发挥作用,子中介变量包括新建企业、外来投资和风险投资。

(3)异质性分析结果显示,人工智能在东部地区、沿海地区和技术密集区对技术创新具有显著的赋能促进效应,在中西部地区、非沿海地区和非技术密集区虽然回归系数为正,但尚未表现出显著促进效应;人工智能对3种创新类型均具有显著的赋能提升效应,且表现出对外观设计专利更高的边际效应。

(4)人工智能对技术创新的促进效应呈现边际递减的非线性特征,说明人工智能赋能技术创新存在“最优区间”。

6.2 研究启示

(1)构建技术创新平台,发挥人工智能技术的知识效应。政府应积极引入人工智能技术项目和资金,通过项目纵横向连接同区域和不同区域的高校、产业、研发机构,借助人工智能技术创新平台,整合不同主体间知识资源,强化知识溢出和知识创造,通过产学研融合提升技术创新水平。另外,政府应进一步加强人工智能基础研究,加大对芯片供应链研发企业的经费投入,突破关键核心技术限制,打破人工智能赋能技术创新的算力制约。同时,严格考察创新主体对政府资金的使用情况,落实政府专项资金专项使用,减少寻租行为,弱化创新挤出效应。

(2)深化人工智能技术应用,改善区域创新环境。首先,加速推动基础设施智能化转型,赋能技术创新水平提升。利用人工智能技术的大数据处理计算能力,实现对基础设施信息数据的智能感知分析,例如通过“人工智能+政务”构建智慧政务服务平台,简化资料审核流程,实现自动化行政审批。其次,在企业项目决策中应用人工智能技术,论证项目风险,为投资者在项目选择上提供良好投资决策条件。构建基于人工智能技术的智能风险预警平台,从资产、现金、交易等多维度刻画区域内企业风险画像,对区域内企业进行风险评级和预警,为金融机构和投资者构建良好的投融资决策环境。最后,积极构建基于人工智能技术的区域间合作创新网络,实现跨区域跨领域资源整合,淡化合作边界,优化合作创新环境,突破技术创新瓶颈。

(3)推进区域协同发展,强化实质创新产出。区域异质性分析结果显示,人工智能对技术创新的促进作用在东部地区、沿海地区、技术密集区等发展领先地区更为显著,区域发展呈现较大差距。因此,基础相对薄弱的地区政府应结合地区优势,完善人工智能发展的顶层设计和制度保障,加强基础设施智能化转型的资金和政策支持,创新人工智能技术应用场景。领先地区应依托人工智能技术基础优势,着力提升人工智能技术应用水平,率先承担关键技术攻关任务,完善人工智能技术应用体系建设,为周边地区和基础薄弱地区提供可复制推广的发展经验。政府应发挥政策引导效应,积极促进人工智能硬件设施如人工智能大数据中心、人工智能创新试验区等向基础薄弱地区聚集,实现区域分工协同,充分发挥人工智能技术的创新赋能效应。另外,虽然人工智能对外观设计专利具有更高的促进效应,但创新实力的体现依然取决于实质创新产出的累积。因此,相关企业应合理调整人工智能资源分配与应用模式,强化人工智能技术对实质创新产出的积极影响。

参考文献：

[1] ACEMOGLU D, RESTREPO P. Secular stagnation? the effect of aging on economic growth in the age of automation[J]. American Economic Review, 2017, 107(5): 174-179.

[2] 陈楠, 蔡跃洲. 人工智能、承接能力与中国经济增长——新“索洛悖论”和基于AI专利的实证分析[J]. 经济学动态, 2022, 63(11): 39-57.

[3] ZHAO P, GAO Y, SUN X. How does artificial intelligence affect green economic growth——evidence from China[J]. Science of The Total Environment, 2022,834(8): 1-14.

[4] 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[J]. 管理世界, 2019, 35(7): 60-77,202-203.

[5] 周杰琦, 陈达, 夏南新. 人工智能对绿色经济增长的作用机制与赋能效果——产业结构优化视角[J]. 科技进步与对策, 2023, 40(4): 45-55.

[6] 王智毓, 冯华. 科技服务业发展对中国经济增长的影响研究[J]. 宏观经济研究, 2020, 42(6): 102-113,121.

[7] 胡晟明, 王林辉, 赵贺. 人工智能应用、人机协作与劳动生产率[J]. 中国人口科学, 2021, 35(5): 48-62,127.

[8] OLAN F, SUKLAN J, ARAKPOGUN E O, et al. Advancing consumer behavior: the role of artificial intelligence technologies and knowledge sharing[J]. IEEE Transactions on Engineering Management, 2021, 99(6): 1-13.

[9] 师博. 人工智能促进新时代中国经济结构转型升级的路径选择[J]. 西北大学学报(哲学社会科学版), 2019, 49(5): 14-20.

[10] 钞小静, 周文慧. 人工智能对劳动收入份额的影响研究——基于技能偏向性视角的理论阐释与实证检验[J]. 经济与管理研究, 2021, 42(2): 82-94.

[11] QIAN C, ZHU C, HUANG D H, et al. Examining the influence mechanism of artificial intelligence development on labor income share through numerical simulations[J]. Technological Forecasting and Social Change, 2023, 188(3): 1-10.

[12] 黄志, 程翔. 人工智能对劳动收入水平和收入差距的影响——理论解读与实证检验[J]. 经济理论与经济管理, 2023, 43(1): 78-95.

[13] XIE M, DING L, XIA Y, et al. Does artificial intelligence affect the pattern of skill demand? evidence from Chinese manufacturing firms[J]. Economic Modelling, 2021, 96(3): 295-309.

[14] 崔艳. 人工智能对制造业就业的影响及应对研究:来自微观企业和劳动者调查数据[J]. 当代经济管理, 2022, 44(3): 59-66.

[15] TRAJTENBERG M. AI as the next GPT: a political-economy perspective[J]. National Bureau of Economic Research, 2018, 2(14): 1-11.

[16] 张龙鹏, 张双志. 技术赋能:人工智能与产业融合发展的技术创新效应[J]. 财经科学, 2020, 64(6): 74-88.

[17] LIU J, CHANG H, FORREST J Y L, et al. Influence of artificial intelligence on technological innovation: evidence from the panel data of China′s manufacturing sectors[J]. Technological Forecasting and Social Change, 2020, 158(6): 1-11.

[18] 陶长琪, 彭永樟. 制度邻近下知识势能对区域技术创新效率的空间溢出效应[J]. 当代财经, 2018, 39(2): 15-25.

[19] 张骞, 吴晓飞. 信息化对区域创新能力的影响——马太效应存在吗[J]. 科学决策, 2018, 25(7): 1-21.

[20] 师博. 人工智能助推经济高质量发展的机理诠释[J]. 改革, 2020, 33(1): 30-38.

[21] 詹绍文, 曹桢. 文化产业园区创新要素、创新环境与创新绩效:一个有调节的中介作用模型[J]. 技术经济, 2019, 38(9): 58-64.

[22] 韩璐, 陈松, 梁玲玲. 数字经济、创新环境与城市创新能力[J]. 科研管理, 2021, 42(4): 35-45.

[23] 张一林, 郁芸君, 陈珠明. 人工智能、中小企业融资与银行数字化转型[J]. 中国工业经济, 2021, 39(12): 69-87.

[24] 诸竹君, 黄先海, 王煌. 交通基础设施改善促进了企业创新吗——基于高铁开通的准自然实验[J]. 金融研究, 2019, 62(11): 153-169.

(责任编辑：万贤贤)