长江经济带人工智能产业发展动态评价及系统协调度研究

李旭辉，彭 勃，程 刚

(安徽财经大学 管理科学与工程学院，安徽 蚌埠 233030)

一、引 言

随着人工智能理论和技术的整体完善，以“人工智能+”为代表的应用层产业链日臻丰富，催生出了产业发展的新业态、新模式和新方向。习近平总书记指出：“人工智能是新一轮的科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。[1]”因此，作为新一轮产业变革核心驱动力的人工智能正推动着现代产业体系沿着数字化、网络化、智能化发展主线演进，已经成为社会经济发展的新引擎。党的十九大工作报告中明确指出，加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合[2]。发展人工智能产业是加快人工智能与经济社会深度融合的重要渠道。深度推进人工智能产业发展是构筑产业新竞争优势的迫切需要，是推动创新驱动发展和产业转型升级的重要途径，是助力经济高质量发展的新动能，它具有重要的意义和价值。

推动长江经济带发展是一项国家级重大区域发展战略[3-4]。长江经济带覆盖中国九省二市，面积占全国的21%，人口和经济总量均超过全国的40%，生态地位重要，综合实力较强，是经济高质量发展的重要推动力量。2016年，中央政治局颁布的《长江经济带发展规划纲要》(以下简称《纲要》)为长江经济带发展战略进行了顶层设计，确立了长江经济带“一轴、两翼、三极、多点”的发展新格局。其中，以创新驱动促进产业转型升级是长江经济带实现经济提质增效和绿色发展的重要任务[5]，人工智能产业是实现产业转型升级和产业结构优化调整的重要途径。因此，发展人工智能产业成为提升长江经济带产业发展质量、效益和效率的重要支撑，也是建立长江经济带产业竞争新优势的内在要求。

以人工智能产业支撑长江经济带产业的高质量发展，关键是要将反映人工智能产业发展水平的指标纳入到长江经济带人工智能产业发展评价体系中，使其成为人工智能产业推进过程中的“航向标”。在经济高质量发展的环境下，长江经济带各省份人工智能产业发展现状如何？长江经济带人工智能产业的发展有哪些优势和不足？长江经济带人工智能产业发展系统协调度如何？这些是长江经济带人工智能产业发展过程中需要解决的重要问题，这些问题解决的关键是构建长江经济带人工智能产业发展评价体系，并进行严谨的实证分析。构建长江经济带人工智能产业发展评价体系是推动长江经济带人工智能产业发展的重要抓手，是长江经济带利用自身发展的优势实现产业变革和升级的理论基础，具有重要的现实价值和意义。

二、文献综述

随着人工智能技术的快速发展，高技术产业、战略性新兴产业、人工智能产业等新兴产业的相关研究吸引了学者们的广泛关注。从评价角度来看，学者主要对高技术产业、战略性新兴产业、信息技术产业等进行了相关评价研究[6-12]。人工智能产业已经成为中国经济最富有活力的增长点，对中国传统产业转型升级、实现经济高质量发展具有重要的作用。因此，本研究将人工智能产业作为研究对象，对其发展进行科学严谨的动态评价，探索其发展规律和趋势。此外，从评价对象来看，相关学者对产业的评价主要以特定省份为研究对象[13-15]。其中对长江经济带的研究主要围绕技术产业创新效率、生态效率以及城市协同发展水平等领域展开。长江经济带已经成为中国战略性经济带，对加速产业升级、调整产业结构和促进产业分工合作有引领作用。因此，本研究以长江经济带为研究对象构建人工智能产业发展评价指标体系，并完成对人工智能产业发展水平的动态分析，这对加速长江经济带产业升级变革具有指导意义。

从评价指标体系来看，学者们针对高技术产业以及战略性新兴产业等构建了各种评价指标体系。这些指标体系多数是以投入—产出的角度构建的，这种构建方法充分考虑生产各环节中的依存关系，具有整体性、综合性的优点，但是它没有考虑到创新的因素，也忽略了外部环境对产业发展的影响，导致评价结果不科学。本研究为了避免这种缺点，采用修正的钻石理论模型来构建指标体系，既充分考虑了科技创新因素又重视相关政策等外部环境对产业发展的影响，这使得评价结果更具科学性以及合理性，这也是本研究的创新点之一。另外，目前已构建的指标体系缺乏科学的理论依据，这严重影响评价结果的准确性。本研究根据人工智能产业的特性对每一个准则层以及每一个选取的指标进行分析，充分考虑每个指标选取的理论逻辑，构建评价指标体系，这样可以全面、系统、真实地反映出长江经济带人工智能产业发展现状。

从评价方法来看，学者们在指标赋权时主要采用了主观赋权法和客观赋权法。主观赋权法主要有层次分析法(AHP法)、专家调查法和灰色模糊评价法。客观赋权法主要集中在熵值法、主成分分析法、因子分析法和变异系数法。主观赋权法充分考虑了决策的主观意向，但过分重视人的主观判断，可能会导致评价结果准确度不高。客观赋权法降低了决策者的负担，但这种方法对样本数据以及实际问题有着比较高的要求，缺乏通用性和可参与性，无法体现评价者对不同指标的重视程度，得到的权重可能会和实际重要程度相差较大。因此，单独使用主观赋权法和客观赋权法会降低评价结果的准确性和科学性，而将这两种方法结合起来，可以克服两者单独使用时的缺点。基于此，本研究采用DEMATEL法和熵值法的主客观组合赋权法确定各指标的权重。在评价模型方面，本研究采用改进的TOPSIS模型，传统的TOPSIS模型计算的是各评价方案与正负理想解之间的欧氏距离，如果一个方案最接近正理想解而同时又远离负理想解，那么该方案便是最好的方案。但是与正负理想解之间的欧氏距离可能都很相近，所以依据相对欧氏距离对各方案进行排序并不能准确反映出方案间的优劣性[16]。因此，本研究为了解决这问题引入“垂面距离”，由于与理想解垂面距离更小的方案同时与负理想解的垂面距离更大，则根据垂面距离的相对大小可以科学地判断各方案的优劣性。

三、人工智能产业发展评价指标体系构建

(一)修正的钻石理论模型

钻石理论模型是由美国战略管理学家迈克尔·波特提出的，主要用于分析一个国家某种产业为什么会在国际上有较强的竞争力，该理论被提出后得到了学者们的认可和广泛应用，国内学者利用钻石理论模型对体育产业的发展、文化产业竞争力评价、动漫产业发展规律、绿色产业竞争力评价等不同产业领域进行了定性和定量研究。因此，在本研究中人工智能产业发展评价指标体系的构建以钻石理论模型为重要理论依据。由钻石理论模型可知，决定某种产业发展水平的影响因素主要包括四大基本要素和两个变数要素，它们之间相互作用、相互影响。其中，四大基本要素分别为市场需求、生产要素、相关产业及支持产业以及企业的战略结构和竞争状况，两个变数因素分别为机遇和政府。由此，人工智能产业发展评价指标体系构建以钻石模型理论所涉及的影响因素作为理论基础，但是，由于人工智能产业是新一代信息技术产业的重要组成部分，具有规模性、高科技性和创新性三个显著特征，这些显著特征促使人工智能产业发展评价指标体系构建必须考虑生产竞争力、技术水平和创新能力等因素对人工智能产业发展的影响，而这些因素并不在钻石理论模型的四大基本因素中。此外，人工智能产业对政府政策的反应敏感度高，这要求人工智能产业评价指标体系构建必须将政府因素作为基本因素，而不是变数因素。综上所述，由于人工智能产业的特殊、显著特征，不能直接简单套用钻石理论模型，而是需要在传统钻石理论模型的基础上进一步修正，从而使评价指标体系构建的理论基础更具科学性和合理性。具体来说，钻石理论模型的修正包括以下几个方面：

第一，将传统钻石理论模型中的变数因素“政府”修正为影响人工智能产业发展的基本要素。由于人工智能产业是新一代信息技术产业，而该类型的产业对国家政策反应敏感度较强，因此，政府在新一代信息技术产业发展中扮演着十分重要的角色，其制定的有关该产业发展的政策措施都将直接影响着人工智能产业发展方式和前景。因此，本研究更加重视政府因素对人工智能产业发展的影响，将其修正为基本要素。

第二，将传统模型中的“市场需求”这一基本要素延伸为“市场需求和生产竞争力”。科学、全面、客观评价人工智能产业发展状况，必须依托于该产业宏观发展水平的测度，而人工智能产业的生产竞争力能够客观地反映出该产业的宏观发展水平，它也是人工智能产业发展最直观的外在表现。因此，本研究在“市场需求”的基础上，充分考虑生产竞争力的影响，将其延伸为“市场需求和生产竞争力”。

第三，将传统模型中的“企业战略、结构和同业竞争”修改为“技术创新能力”。人工智能产业作为战略性新兴产业的重要组成部分，具有技术上的复杂性和创新性特点，因此，它对技术创新能力的需求较大，它只有不断追求创新才会有更好的发展前景。此外，本研究以整个人工智能产业为研究对象，所以无需考虑企业战略和结构因素的影响。综上所述，本研究将创新作为人工智能产业发展的重要驱动因素，并将“企业战略、结构和同业竞争”这一要素修正为“技术创新能力”。

基于传统钻石理论模型考虑的四个基本因素，以及对传统钻石理论模型的修正，人工智能产业发展评价指标体系构建主要涉及生产要素、市场需求和产业竞争力、相关产业及支持产业、技术创新能力、机遇和政府六个维度。这也是国家层面人工智能产业发展必须重点考虑的关键因素，同时也契合了《新一代人工智能发展规划》(以下简称《规划》)提出的“人工智能产业的发展要在加大生产要素投入的基础上坚持市场主导、开放的基本原则，坚持人工智能研发攻关、产品应用和产业培育‘三位一体’推进，构建科技创新体系”和“人工智能产业的发展离不开国家政策的支持”的要求，即人工智能产业的发展必须要在加大生产要素投入的前提下，把握市场需求，以产业合作为“催化剂”，以科技创新为“跳板”，充分利用国家政策和国际市场给予的发展机遇，不断提高其发展水平。以下是修正钻石理论模型包括的六个因素。

(1)生产要素。所谓生产要素是指人工智能产业发展所需要的资源、设备和技术等。它包括人工智能产业在发展过程中所需要的各种社会资源，是人工智能得以发展的重要基础。此外，由于人工智能产业属于新一代信息技术产业，因此，以高技术要求和高资源需求为主要特征的新一代信息技术产业在发展过程中高级生产要素起着重要作用。

(2)市场需求和生产竞争力。钻石理论模型中的市场需求指的是国内市场对于人工智能的需求，是人工智能产业发展的动力所在。此外，生产竞争力是评价产业发展水平的最直观因素，因此，市场需求和生产竞争力是长江经济带人工智能产业发展评价的重要内容。

(3)相关产业及支持产业。波特认为，任何一个拥有优势的产业绝不是“单打独斗”，它离不开其他产业的支持和协作，只有高度融合上下游产业并形成产业集群，才能保证产业竞争力持续性提高。人工智能产业发展的相关产业及支持产业包括教育产业、软件业和高技术产业等，这些产业的发展对人工智能产业的发展起着重要作用。

(4)技术创新能力。技术创新是引领人工智能发展的第一动力，为人工智能产业的发展提供了强大的战略支撑。《规划》中明确指出，人工智能产业的发展要以提高其创新能力为主攻方向，构建开放协同的人工智能科技创新体系。

(5)机遇。钻石理论模型中的机遇指的是外部机遇，包括政治、经济等多因素形成的外部环境。随着人工智能技术的飞速发展，各领域正在向智能化方向迈进，这对技术能力提出了更高要求。由于国内技术有限，因此需要将目光转向国外，这使得人工智能产业的发展很大程度上受到国际经济环境影响，因此，机遇对人工智能产业的发展有重要作用。

(6)政府。人工智能产业的发展得到了国家和政府的高度重视，与此同时，政府出台了很多关于人工智能产业发展的政策，这些政策为人工智能产业的发展不断带来利好。基于此，相较于传统的钻石理论模型，本研究将原本的变数因素“政府”变更为基本要素。

(二)评价指标体系构建

对传统钻石理论模型的修正，结合《规划》中对人工智能产业发展的目标和要求，遵循评价指标体系构建的系统性、科学性、可操作性和客观性等基本原则，以影响人工智能产业发展的影响要素——生产要素、市场需求和生产竞争力、相关产业及支持产业、技术创新能力、政府和机遇为准则层，并在此基础上构建了包含33个一级指标的长江经济带人工智能产业发展评价指标体系，如表1所示。

表1 长江经济带人工智能产业发展动态评价指标体系及其权重

四、评价方法和评价模型

评价方法和评价模型的设计是动态评价的关键。如前文所述，本研究的评价方法主要采用基于主客观组合赋权法。主观赋权法注重决策者的知识和经验，但是受到较大的主观偏好影响。客观赋权法充分考虑了客观环境的因素，通过指标数值进行赋权更具理论依据，但是忽略了决策者的经验和知识。可见单独使用主观或者客观赋权法都存在赋权结果不科学的缺点，导致评价结果的准确性受到影响。所以，本研究将两者组合起来共同确定指标权重系数，可以做到取长补短，提高赋权结果的科学性和准确度。此外，在评价模型方面，为了避免传统TOPSIS模型的不足，本研究采用“垂面距离”对传统的TOPSIS评价模型进行改进和修正，从而克服了现有模型的缺点，使评价结果更加科学和客观。

(一)基于主客观组合赋权的评价方法

1.客观赋权法——熵值法。熵值法是一种利用信息熵原理对各评价指标进行客观赋权的方法。它通过计算指标的信息熵，根据所提供的数据指标的数量大小、不确定性和指标变异程度来确定指标间的相互重要程度进而确定各个评价指标的初始权重。这种赋权的方法可以深刻地反映出指标信息熵的效用价值，这种思想和产业评价很相似，影响各省份产业发展水平差异的主要因素正是其中数据差距较大的因素，所以通过熵值法得出的权重具有较高的可信度。其工作原理和步骤如下：

假设有m个评价对象，各评价对象有n个评价指标。首先根据评价指标体系获取各评价对象每个评价指标数值构建初始评价矩阵X={xij}(i=1，2，…，m；j=1，2，…，n)。由于评价指标体系中的指标中存在正向指标和逆向指标，为了保证赋权结果的准确性，需要对上述评价矩阵针对正项指标和逆向指标分别进行归一化处理，得到归一化矩阵V= {vij}。正项指标和逆向指标的处理方法分别为：

然后计算出第i个评价对象的第j个评价指标的特征比重，其具体的计算方法为：

(1)

再根据上述计算得出的特征比重求出第j个评价指标的熵值，其计算方法为：

(2)

最后利用上述计算结果计算出各个指标的初始权重向量w1，其计算方法为：

(3)

2.主观赋权法——DEMATEL法。决策试行与评价实验法(DEMATEL法)是一种有效测算各元素之间的相互影响程度或逻辑关系的方法，该方法的基本原理是通过评价指标之间相互逻辑作用关系借助矩阵计算工具和图论，通过聚集专家或群组的知识和经验判断，建立所有指标因素之间的直接影响矩阵，利用计算得出的影响权重对初始权重进行修正得到综合权重。这种方法减少了系统要素的构成，使要素之间的关系简化。此外它充分利用了专家的经验和知识，可以处理复杂的社会问题，对于要素关系不确定的系统，该方法极为有效。其具体原理和步骤如下：

首先确定评价系统的影响因素，然后设计专家评估的语意量表，通过专家对各影响因素之间的两两比较，记录分值，构建各因素的直接影响矩阵A，其中直接影响矩阵反映了系统各影响因素之间的直接关系T=(1-B)-1=(tij)m×n。接着根据直接影响矩阵A，通过将直接关系矩阵每行数值求和，得到最大值k，再用直接影响矩阵除以最大值，然后建立规范化直接影响矩阵B={b}n×n，其具体计算公式为：B=A/k。在规范化权重矩阵的基础上，通过计算得到综合影响矩阵，其中tij指的是第i个元素对第j个元素的综合影响程度，再根据上述计算得出的综合影响矩阵进一步计算得到影响权重，具体计算方法为：

(4)

3.组合赋权。DEMATEL法反映了众多专家的知识和主观经验，但是这主要基于过去问题的认知，一旦客观环境发生变化，权重系数的变化就无法及时体现出来。熵值法反映了指标数值的变化程度，随着客观环境的变化而变化，而且熵值法确定的权重系数能够真实反映指标数据中的隐含信息，提高指标的分辨率，避免因指标差异过小导致选择偏差，故能全方位反映指标信息，但是有时候确定的权重系数会和指标实际的重要程度相差较大。因此，将DEMATEL法和熵值法进行组合赋权，可以充分考虑主观赋权法和客观赋权法单独使用时的优缺点，组合赋权得到的权重系数既可以反映专家的知识经验，又可以反映客观环境的变化，这种方法确定的权重系数更加科学合理。组合赋权有多种方法，本研究采用乘法集成法进行组合赋权，设w为使用DEMATEL法和熵值法组合赋权后的综合权重，其计算公式如下：

(5)

(二)基于“垂面距离”修正改进的TOPSIS评价模型

TOPSIS法是利用逼近理想解的技术对各评价对象进行排序的决策模型，其原理是：以归一化之后的数据矩阵为基础，确定各指标的正、负理想解，然后计算得出各个待评价方案到正、负理想值之间的加权欧氏距离，并依据各方案和理想解之间的接近程度来对各方案进行排序。此时如果一个方案最接近正理想解而同时又远离负理想解，那么该方案便是最好的方案，但是与正负理想解之间的欧氏距离都很相近时会使得评价结果的准确性受到很大的影响，所以依据相对欧氏距离对各方案进行排序并不能准确反映出方案间的优劣性。改进的TOPSIS法在传统的方法基础上考虑“垂面距离”之后，会使得和理想解之间的垂面距离近的方案必定离负理想解也更远，这克服了传统TOPSIS模型的不足之处，其具体计算步骤如下：

首先，根据已构建的标准化评价矩阵V构建加权规范化评价矩阵，将上述过程中确定的各指标的权重向量考虑到决策矩阵中，矩阵V中的第j行乘以其相应的权重wj得到加权规范化矩阵Z，矩阵如下式所示：

(6)

Si=|(s+′-s-′)·(s+′-Ri)|

(7)

(8)

五、长江经济带人工智能产业发展动态评价与实证分析

(一) 数据来源和预处理

2018年12月，国家统计局发布的《战略性新兴产业分类 (2018)》(以下简称《分类2018》)中将战略性新兴产业分为新一代信息技术产业、高端装备制造产业和数字创意产业等9大领域。其中，新一代信息技术产业包括5个子产业，具体为：下一代信息网络产业、电子核心产业、新兴软件和新型信息技术服务、互联网与云计算、大数据服务产业和人工智能产业，而人工智能产业属于新一代信息技术产业。《分类2018》将人工智能产业分为人工智能软件开发、智能消费相关设备制造和人工智能系统服务三个部分，它与国民经济行业相对应的关系如表2所示。

表2 《战略性新兴产业分类 (2018)》中人工智能产业分类

由于长江经济带各省份在2012—2016年的产业分类使用的是《战略性新兴产业分类 (2012)》(以下简称《分类2012》)，但是《分类2012》中尚未对人工智能产业进行界定和细分类，即《分类2018》中的人工智能软件开发、智能消费相关设备制造业和人工智能系统服务为新增产业类型，难以在统计年鉴中直接查找相关数据，因此需要在参考《高技术产业(服务业)分类(2018)》以及《高技术产业(制造业)分类(2018)》中产业业务活动内容的基础上进行综合考虑，将部分人工智能产业数据利用高技术产业数据进行近似转换处理。其中，人工智能软件开发和人工智能系统服务的数据采用软件与信息技术服务产业数据来表示，智能消费相关设备制造业由电子及通信设备制造业近似表达。

各指标数据主要来源于2012—2016年的《中国统计年鉴》《中国科技统计年鉴》《中国信息年鉴》《中国电子信息产业统计年鉴》《中国高技术产业统计年鉴》《中国火炬统计年鉴》及长江经济带11个省份2012—2016年的统计年鉴等。另外，部分高阶指标(产业集中度、产业对区域GDP贡献度、产业R&D经费投入强度)需要进行计算获得，具体计算公式为：产业集中度=人工智能产业产值/某地区生产总值、产业对区域GDP贡献度=某地区人工智能产业产值增加值/某地区生产总值增加值、产业R&D经费投入强度=该地区人工智能产业R&D总经费/人工智能产业主营业务收入值。

完成上述各指标数据收集后，需要对原始指标数据进行预处理。原始指标数据预处理主要包括数据类型一致化和无量纲化处理。首先，由于不同的指标量纲和量级存在差异，这种不可公度性要求对数据进行无量纲化处理，本文采用标准化的处理方法，记为：

(9)

(二)实证研究

1.权重系数的确定。根据前述方法完成原始数据收集和预处理后，首先按照熵值法的具体步骤，将数据分别代入公式(1)～(3)中，从而获得客观赋权法的权重系数，由于数据量较大，本文应用Python工具进行计算，从而获得了客观赋权法权重系数w1(如表1的第4列所示)。接着按照主观赋权法DEMATEL法的原理，本研究邀请了三位在人工智能产业、大数据产业、产业理论等领域具有丰富经验的专家，按照DEMATEL法的步骤，计算出主观赋权法的权重系数w2(如表1的第5列所示)。最后根据组合赋权的方法，将w1和w2代入公式(5)中，从而获得了基于主客观组合的综合权重系数W(如表1的第6列所示)。

2.动态评价值计算。通过上述方法获得评价指标组合权重系数后，应用修正后的TOPSIS模型，将权重系数和处理后的指标数据代入公式(6)～(8)得到2012—2016年长江经济带11个省份的人工智能产业发展评价值，进而根据评价值的大小获得2012—2016年长江经济带人工智能产业发展水平排名(如表3所示)。

表3 长江经济带人工智能产业发展水平评价值和排名(2012—2016年)

(三)结果分析

1.整体分析。结合表3来看，2012—2016年，上海、江苏、浙江的人工智能产业发展水平名列前茅，其中仅仅在2015年上海的排名略高于浙江，其余年份中前三名依次为江苏、浙江和上海。统计数据显示，长三角地区人工智能企业数占中国人工智能企业总数的46%，是人工智能产业主要聚集区，这为江浙沪地区人工智能产业的发展奠定了坚实的基础。此外，江浙沪人工智能产业快速发展得益于三地政府的重视和支持。另外，长三角地区良好的协调机制整合了本地区的综合优势，江浙沪之间高度接轨，经济一体化得以推进，这为人工智能产业的发展提供了优越的环境。

从波动情况来看，除了江苏省之外的所有省份在2013年的人工智能产业发展水平都呈现明显上升趋势，在2014年只有江苏省和重庆市呈现上升趋势，尤其是重庆市排名有大幅度上升。各省份在2015年均回归正常，且波动很小。究其原因，从发展动力来看，正是物力、财力和人才的匮乏导致了这种“平和型”波动的现象，而且由于人工智能产业属于新兴产业，各地区对人工智能产业发展的配套政策没有正式出台，都在做尝试性发展，致使各省份人工智能产业的发展较为平缓。此外，从沿江开发来看，虽然各省份相继提出了一系列沿江开发战略，但是各省份之间缺乏系统化的、有效的协调合作机制，各省份各自为政、恶意竞争，严重影响了长江经济带人工智能产业整体竞争力。再者，国务院2014年颁发《意见》一文，要求国家和政府更重视对长江经济带人工智能产业等新兴产业的发展，加大资金投入，并将产业的发展落实到具体的规划当中，这一举措助推了长江经济带各省份在2015年集体呈现“向阳性”发展态势。

2.聚类分析。为了揭示长江经济带不同省份之间人工智能产业发展状况的差异，对上述实证结果利用K-均值聚类的方法进行聚类分析，聚类结果显示，长江经济带11个省份的人工智能产业发展水平被划分为三类，具体的划分结果如表4所示。

表4 聚类分析结果

第一类为江浙沪地区，江苏是长江经济带人工智能产业发展最好的区域，其人工智能产业发展综合得分明显高于浙江和上海，可见江苏在长江经济带人工智能产业发展位居前列，浙江和上海的发展水平基本相当，虽和江苏有一定差距，但遥遥领先其他省份。这三个省份人工智能产业的发展很大程度上得益于良好的地理位置和资源条件。从地理位置来看，江浙沪位于中国高速发展的长江三角洲地区，长三角地区和国外先进的科学技术具有高度的关联性。此外，该地区为中国重点发展区域，政府给予的政策措施充足，这为人工智能产业的发展提供独特的条件。从资源基础角度来看，江浙沪地区类似于信息技术行业等一系列高新技术产业发展迅速，拥有丰厚的科技资源和大量科技型人才，技术创新能力突出，这使得该地区拥有更多关于人工智能产业的核心、关键技术。

第二类包括安徽、四川、湖北、湖南四个省份。虽然这些省份人工智能产业的发展水平同第一类地区有着较大的差距，但是这些地区的产业发展进步明显。人工智能产业的成熟度日益提高，信息技术产业的发展推动了该地区人工智能产业的前进，而且它们紧邻快速发展的一线城市，受到这些城市的产业带动效应。此外，该地区的人才数量较多、经济实力较强、科技基础坚实，这为人工智能产业不断发展进步提供了可能性。对于第二类省份来说，应当更好地利用临近城市的产业推动作用，为各自的发展纳入更多的资源，引进更多的人才，为人工智能产业的发展创造更多的创新点。

第三类包括江西、云南、贵州、重庆四个省份。第三类省份人工智能产业发展虽然紧跟前两类省份，但同前两类省份有着较大的差距，在人工智能产业的发展上仍存在短板。这四个省份中的部分城市近些年人工智能产业发展进步幅度较大且与第二类地区相比差距较小，但是总体而言这四个省份的人工智能产业总体投入能力、技术引进力度以及政府扶植强度同第一类城市相比仍有很大差距，这使得其人工智能产业竞争力受到较为严重的影响。此外，无论从地理位置和资源条件来看，这四个省份的发展基础欠佳、技术创新能力和资金支撑力度的欠缺导致该地区和其他地区相比发展速度相对较慢，难以在短时间赶超一、二类地区。因此，对于第三类地区来说，应该借鉴前两类地区的发展经验，依据人工智能产业的特征，寻找战略机遇，利用自己的优势提高人工智能产业发展水平。

六、长江经济带人工智能产业系统协调度分析

系统协调发展是产业各要素相互联动的重要保障，是推动产业高质量发展的着力点。2018年习近平同志在武汉召开深入推动长江经济带发展座谈会，提出要协调、均衡推动长江经济带高质量发展。因此，本研究从生产要素、市场需求和生产竞争力、相关产业及支持产业、技术创新能力、政府和机遇六个子系统出发研究长江经济带人工智能产业的系统协调度，揭示出人工智能产业各方面协调发展的状况。这对推动长江经济带人工智能产业一体化协同发展具有重要的意义。

(一)系统协调度测算方法

系统协调度分析是分析评价系统中的各个子系统协调发展的情况，反映它们在发展过程中彼此和谐一致的程度。计算步骤为：首先根据前文实证结果分别计算出各个子系统的发展水平得分，接着计算出各子系统得分的平均值σ和标准差s，最后得出协调度E=1-σ/s。借鉴当前学术界对于E值的普遍分类法，同时结合人工智能产业及各子系统协调的特性，可将2012—2016年长江经济带11个省份人工智能产业子系统协调度划分为四个类型(如表5所示)，有优质协调0.7≤E<1、良好协调0.5≤E<0.7、勉强协调0.3≤E<0.5以及濒临协调0≤E<0.3。

(二)结果分析

1.长江经济带人工智能产业子系统发展指数分析。本研究是以修正的钻石理论模型为理论基础，分别以生产要素、市场需求和生产竞争力、相关产业及支持产业、技术创新能力、政府和机遇六个子系统为依托，构建长江经济带人工智能产业动态评价体系，并通过上述实证评价得到的长江经济带人工智能产业子系统发展指数，揭示了六个子系统之间的相互关系以及各子系统动态发展规律。

长江经济带11个省份人工智能产业六个子系统发展水平整体上呈稳步增长的趋势，其中政府子系统增长幅度最为明显，相关产业及支持产业子系统增长幅度次之，再次之为市场需求和生产竞争力子系统以及技术创新能力子系统，可见，各子系统指数增长幅度不一致，而且部分子系统无显著增长趋势，如生产要素子系统和机遇子系统指数基本保持不变。具体来说，长江经济带各省份为深入贯彻习近平同志的重要指示，对长江经济带人工智能产业的发展工作进行了聚焦和细化，更加重视政府对产业发展的重要性，且收到了较好的效果，2015年政府子系统得分升至考察期内最高点。长江经济带人工智能产业相关产业及支持产业子系统的发展轨迹表明，随着长江经济带产业集群的打造、产业链的承建以及产业格局的重塑，相关产业及支持产业子系统发展指数虽在2014年跌落至最低点，但是在2015年重新回到最高点并在2016年得以保持。市场需求和生产竞争力子系统受到市场环境的影响，其发展指数呈现“W形”上下波动，2012年和2013年市场需求和生产竞争力子系统发展指数相当，2014年有所好转，但在2015年市场需求和生产竞争力子系统发展指数达到最低点，随后在2016年再次回暖并达到最高点。随着长江经济带人工智能产业创新体制的升级，其技术创新能力子系统得分稳步提升，但受到传统模式的惯性作用，该子系统发展指数上升态势较为缓慢，年增长率在5%上下波动。受到国际经济形势、政策变动和传统产业发展模式的影响，长江经济带人工智能产业生产要素子系统和机遇子系统发展水平在2012—2016年保持平稳，没有上升态势也没有下降迹象。

2014年习近平同志指出：“要重点实施‘一带一路’倡议、京津冀协同发展、长江经济带发展战略。”至此，长江经济带发展战略正式成为国家级发展战略。沿江各地政府纷纷落实习近平同志的工作指示，在多产业领域加大资金投入的同时增强政府扶植力度，为长江经济带的发展保驾护航。此外，人工智能产业的相关产业及支持产业，如智能制造、高技术产业、电子科技产业和新一代信息技术产业等正是近年来长江经济带各省份为了响应国家发展政策所优先承接发展的对象。这些为长江经济带人工智能产业政府子系统和相关产业及支持产业子系统的快速发展带来了保障。此外，长江经济带人工智能产业处于发展初期，无论是技术层面、营销层面、战略层面，还是生产规模方面均尚未成熟，因此多采用模仿跟随的策略，这使得市场需求和生产竞争力发展水平出现明显波动。为了挖掘长江经济带人工智能产业发展动力，各省份充分利用智力资源，以创新驱动人工智能产业的发展，积极打造长江经济带人工智能产业创新增长极，技术创新能力子系统发展水平得以稳步提升。由于这五年间鲜有关于人工智能产业发展的政策出台，因此长江经济带各省份未能全面把握人工智能产业发展的大方向，导致人工智能产业要素投入未产生明显改善，产业结构调整未得到及时调整。2012—2016年中国仍处于国际金融危机后的深度调整期，总体复苏疲弱态势没有明显改观，国际市场波动较大，这对人工智能产业发展所面临的外部机遇环境产生较大影响。

2.长江经济带人工智能产业系统协调度分析。首先，应用上述组合赋权方法及评价模型，可以获得2012—2016年长江经济带人工智能产业各子系统的权重系数和各子系统评价值。然后，利用系统协调度测算公式，获得2012—2016年长江经济带人工智能产业各子系统的协调度指数以及协调性类别(如表5所示)。

结合表5结果，从时间维度来看，2012—2016年，长江经济带人工智能产业系统协调度不断提升，但仍基本处于良好协调和勉强协调状态，尚未出现优质协调状态的地区。除了云南省整体协调度略有下降之外，其他省份协调度均稳中有升，比如江西省和贵州省的协调性由2012年的不协调上升至勉强协调，湖北省和四川省在5年间的协调性也有比较为明显的好转，协调状态由勉强协调发展至良好协调等。究其原因，长江经济带作为国家性战略经济带，近年来受到了政府的高度重视，与此同时，政府先后出台多项政策，为长江经济带人工智能产业的发展做了宏观设计和协调把控。这使得长江经济带人工智能产业各要素之间能够有序自由流动，系统结构得以优化，发展模式实现转化升级，这很大程度上实现了长江经济带各省份人工智能产业高效率、高质量、可持续的发展，从而提高了长江经济带各省份人工智能产业的协调发展水平。

表5 长江经济带11个省份人工智能产业系统协调度

注：本研究结果中无优质协调型。S代表良好协调，T代表勉强协调，U代表不协调。

从空间维度来看，长江经济带下游城市的人工智能产业整体协调度高于中上游地区，其中下游江浙沪地区的人工智能产业发展水平属于第一梯队，可见人工智能产业发展水平越高的城市，其系统协调度相应的也越好。这可能是因为江浙沪地区不仅拥有坚实的产业基础，还建立了高度规范、开放的人工智能产业发展体系，这很大程度弥补了人工智能产业的发展短板，从而提高了人工智能产业发展协调水平。此外，处于濒临协调状态的省份数量越来越少，处于勉强状态和良好协调状态的省份在不断增加。可以预见，随着经济高质量发展以及人工智能技术的日益成熟，长江经济带各省份人工智能产业系统协调度将继续提升，达到良好协调和优质协调状态的省份数量会越来越多。

七、结论和政策建议

(一)研究结论

本研究利用修正的钻石理论模型构建了长江经济带人工智能产业发展评价指标体系，并采用组合赋权法和修正的TOPSIS评价模型对长江经济带2012—2016年的人工智能产业发展实施了动态评价，并以此为基础，深入研究分析了长江经济带人工智能产业各子系统发展动态水平及其协调度，得到以下结论：

1.产业发展缺乏要素支撑，产业核心技术空心化问题亟需解决。实证分析可知，长江经济带人工智能产业整体发展态势缓慢，其中生产要素以及技术创新能力这两个子系统发展指数较低。此外，从长江经济带人工智能产业各子系统发展水平动态演化分析可见，2012—2016年生产要素子系统发展指数未出现上升趋势，且技术创新能力子系统发展水平进步不显著。究其原因，一是长江经济带各省份在人工智能产业发展过程中人力、物力和财力的投入较少，导致产业发展基础不牢固、资源配置合理性欠缺以及产业质量偏低；二是技术创新能力有限造成了关键核心技术缺乏，导致各省份在近年来没有实现突破性发展，甚至在个别年份出现微弱的倒退现象，这一方面由于创新投入力度偏低而导致的创新环境欠佳，另一方面是从事创新发展的技术人员缺乏创新意识。正是这种生产要素整合不足和技术创新能力欠缺的现象阻碍了人工智能产品的延伸开发，最终使得产业核心技术空心化问题难以解决。

2.区域发展协同性差，亟需构建跨区合作帮扶模式。通过聚类分析及系统协调度分析中空间维度的分析可见，人工智能产业发展是一个动态过程，各省份受到地理位置、产业基础、政策等多因素的影响，出现了各地区发展不均衡、协同性差的现象。分析发现，虽然长江经济带各省份人工智能产业发展水平排名波动性较小，发展较为平稳，但是11个省份之间近年来发展存在显著的异质性，江苏、上海和浙江的人工智能产业发展较大幅度领先于其他沿江城市，尤其是江苏省，近五年的人工智能产业水平都位居首位。安徽、四川、湖北、湖南的人工智能产业发展水平相对较高，发展相对较差的为江西、云南、贵州。各省份没能准确地抓住发展机遇从而实现持续性发展，而且彼此之间没有形成一个“赶帮比超”的良好发展环境。《长江经济带发展规划》明确指出长江经济带要实现区域协同发展。此外，由于长江经济带不同区域人工智能产业发展模式和发展体系存在差异，使得长江经济带下游城市的人工智能产业整体系统协调度高于中上游地区，且人工智能产业发展水平越高的省份，其系统协调性相应也越好，存在高度一致性，进一步印证了长江经济带人工智能产业区域协调性不足，因此，长江经济带人工智能产业的协同发展必须构建跨区合作帮扶模式，从而实现协同发展目标。

3.联动发展缺乏保障机制，系统发展协调度欠缺。从长江经济带人工智能产业各子系统发展水平动态演化分析可见，由于各要素发展缺乏联动，使得各子系统在2012—2016年整体上虽呈现稳中有升的趋势，但是各子系统指数增长幅度不一致，甚至部分子系统未出现上升态势，且各子系统具有不同的发展轨迹。此外，通过系统协调度分析中时间维度分析可见，2012—2016年虽由于政府扶植力度的增强，初步优化了长江经济带人工智能产业结构，改善了人工智能产业发展环境，长江经济带人工智能产业系统协调度整体呈上升趋势，但是仍未达到优质协调状态。

(二)政策建议

1.加大产业生产要素投入，夯实产业发展基础。根据上述研究，要解决产业发展要素缺乏支撑的问题，关键是加大产业要素投入，夯实产业发展基础。资源禀赋、基础设施、人力资源对人工智能产业的发展均具有重要影响，因此，各地区应该优化要素资源配置，打造高质量产业体系，应依托长江经济带产业基础优势，整合资源要素，引导产业资源合理布局。这通过以下两个方面来实现，一是政府增强宏观调控能力，加大对产业基础要素的投资占比，逐渐完善产业发展基础设施；二是各省份应该提升资源综合利用水平，提高要素资源利用率。

2.加强技术创新，实施创新驱动。通过上述分析可知，技术创新能力不足导致产业核心技术空心化问题出现，想要解决这一难题必须加强技术创新，实施创新驱动。技术创新是人工智能产业发展的灵魂与核心，没有技术创新人工智能产业就会停滞不前，因此，各地区应该健全人工智能产业技术创新体系，利用创新驱动产业的发展，进一步提高人工智能产业竞争力。这一方面要求积极推进长江经济带人工智能产业走向中高端，在重点行业、关键技术和核心产品方面促进技术进步与利用，并通过优化技术和产品资源的配置，引导其向价值链高端爬升；另一方面需要增强技术创新意识，引导技术型人才用创新的眼光和思维去发现和探索新领域、新方向和新路径。政府和企业应该结合人工智能产业的特点，制定适宜的创新驱动发展方案，完善创新体制机制，打造人工智能产业发展新动力。

3.结合区位优劣势，遴选合适的产业发展战略。从上述分析结果可以看出，解决长江经济带人工智能产业区域发展非均衡性问题，各省份应该充分利用本地区的区位优势并有效避免区位劣势，进而遴选合适的产业发展战略。例如江浙沪地区应该充分利用其较强的技术创新能力、丰厚的人工智能产业发展基础以及优异的国际化发展平台。争取在全球价值链分工体系下，利用较低的成本实现人工智能产业高端化技术的跨越式发展，在国际分工中占据更重要的位置。此外，相较于江浙沪地区，安徽、湖北等省份可以重点实施资源积累战略，通过资金积累、人才积累以及技术积累来逐渐推动该地区人工智能产业的转型升级，并抓住机遇，寻找人工智能产业追赶性发展机会。

4.加强政策扶植，拒绝“马太效应”。通过上述分析可知，长江经济带各省份人工智能产业出现严重异质性，因此，各地政府应该加强政策扶植，各地区之间应当积极推动合作帮扶模式。对于各省份而言，应认真分析自身短板，有的放矢，积极学习其他省份的产业发展经验，通过“主干”引领带动，“多支”竞相发展，“干”“支”协同联动等举措，实现各地区优势互补、错位发展，推动长江经济带人工智能产业健康发展。此外，各省份应当深入学习有关长江经济带产业区域协调发展的重要精神，贯彻落实《纲要》中对长江经济带发展战略的工作指示，全区域、全方位推动长江经济带高质量、一体化发展，并紧扣《规划》中对人工智能产业发展要求，实现长江经济带人工智能产业区域协同发展。

5.增强要素联动，促进系统协调发展。上述结果显示，由于各要素联动发展缺乏保障机制，使得各子系统发展水平及动态变化存在异质性，并且产业系统发展整体协调度不足。解决此问题必须增强人工智能产业要素优化配置以达到有效组合，从而提高人工智能产业整体发展水平。此外，协调是持续健康发展的内在要求，长江经济带各省份要摆脱传统产业发展模式的束缚，坚持问题导向，以实现高质量发展为主线，以完善各要素配置为重点，加强六个要素相互联动，进而实现协同发力，共同推进长江经济带人工智能产业实现系统协调发展。