长三角城市群人工智能产业发展测度及耦合协调研究

(安徽财经大学管理科学与工程学院，安徽蚌埠233030)

一、引言

作为继三次工业革命之后的第四次信息技术革命核心驱动力，人工智能技术将进一步推动关联技术和新兴科技、新兴产业的深度融合［1］。习近平总书记指出，我国经济已由高速增长阶段转向高质量发展阶段，正处在转变发展方式、优化经济结构、转换增长动力的攻关期，迫切需要新一代人工智能等重大创新添薪续力［2］。因此，新一代人工智能已成为我国把控全球信息技术竞争主动权的重要突破口，是我国科技跨越发展、产业优化升级、生产力整体跃升的重要战略资源。2017年12月，工业和信息化部印发的《促进新一代人工智能产业发展三年行动计划（2018—2020年）》（以下简称《行动计划》）明确指出，要以新一代人工智能技术的产业化和集成应用为重点，推动人工智能产业发展［3］，将人工智能产业发展上升到国家战略地位。因此，推动人工智能和实体经济深度融合，积极培育人工智能新兴业态，对促进各产业领域发展、促进经济高质量发展有重要作用。

长三角城市群主要分布于国家“两横三纵”城市化格局的优化开发和重点开发区域［4］，其开放程度高、创新能力强、经济活力旺，是经济高质量发展的重要驱动器。2016年经国务院批复的《长江三角洲城市群发展规划》（以下简称《规划》），对长三角城市群发展战略进行了总体规划，确立了长三角城市群“一核五圈四带”的空间发展格局，明确了长三角城市群以创新链产业链深度融合为重要途径的创新驱动经济转型升级的战略发展任务，以新产品、新技术、新模式为核心的人工智能产业是实现创新链产业链深度融合的主要渠道。因此，发展人工智能产业是长三角城市群产业转型升级的助推器，是产业结构优化的内生动力，是抢抓新一轮产业变革和科技革命战略机遇、实现更高质量发展的必然选择。鉴于此，本文关心的主要问题是：如何科学合理地构建适用于长三角地区人工智能产业的自主测度体系？长三角城市群各地区人工智能产业是否协调发展？各地区人工智能产业子系统间又是否协调发展，换言之，各子系统间存在怎样的耦合协调关系？基于以上问题的分析有助于把脉长三角地区人工智能产业的发展现状，对构建人工智能产业子系统耦合协调关系、推动产业协同发展具有重要现实意义。

二、文献综述

近年来随着人工智能技术的发展，人工智能产业成为国内学者研究的热点。从已有相关研究进展看，对人工智能产业的研究大多从理论层面展开，主要涵盖人工智能产业发展对策及政策激励等方面［5］-［8］，如邓子云等以湖南省为研究对象，在深入考察该区域人工智能产业现状的基础上，提出区域人工智能产业发展战略应由“三发一划一策”构成［9］；汤志伟等基于政策工具和创新价值链两个维度对25份人工智能产业政策进行文本内容分析，研究发现供给型政策工具使用最为频繁，且大多数政策工具集中体现在创新价值链的研发阶段［10］；吕文晶等认为中国人工智能产业政策需增加需求侧政策工具，随着产业的成熟应向人工智能商业化阶段的政策转移［11］。总的来说，针对人工智能产业开展的定量研究较为匮乏，目前国内只有少数学者对此进行了探索，研究内容主要集中在以下三方面：一是人工智能产业动态评价及趋势演进研究。李旭辉等运用CRITIC客观评价方法、探索性空间数据分析、Kernel密度估计和Dagum基尼系数，全面考察了长江经济带人工智能产业发展的趋势演进以及空间非均衡特征［12］。二是人工智能产业影响因素研究。薛澜等以人工智能产业为例，探讨了资源异质性与知识流动对产学研协同创新的动态交互效应［13］；姜妍基于Super-SBM和Logit模型对我国人工智能产业的融资效率及其影响因素进行了测度［14］。三是人工智能产业创新能力与融资生态的耦合研究。耿成轩等基于系统动力学视角，采用耦合协调度模型探讨了人工智能产业创新能力与融资生态的耦合演进阶段［15］。

现有研究为人工智能产业动态测度研究及深入考察产业系统间耦合协调关系奠定了良好的理论基础，但仍存在一定的局限性。第一，现有研究多是基于单个省市纵向分析，缺乏横向比较，难以总体把握区域人工智能产业发展的非均衡特征；第二，目前对人工智能产业发展水平的研究大多从主观或静态分析的角度展开，较少从客观赋权的角度进行分析，而人工智能产业发展是一个客观动态的过程，若仅从主观或静态分析角度衡量人工智能产业发展演变过程难免有失偏颇；第三，已有研究仅对人工智能产业个别要素及其外部环境的耦合进行探究，未能揭示人工智能产业系统的协调性，而深入探究其内在协调性有利于准确识别人工智能产业提升过程中的短板因素，促进产业协调发展。鉴于已有研究的不足，本文将从长三角城市群视角考察人工智能产业发展现状及其耦合协调关系。首先，基于产业环境、产业资源、产业产出三个子系统构建指标体系，运用基于二次加权的纵横向拉开档次法对长三角城市群人工智能产业进行动态测度；其次，借助耦合协调模型考察人工智能产业子系统间的协调关系，进而揭示人工智能产业发展的短板因素；最后，依据分析得出结论，并提出政策建议。

三、长三角城市群人工智能产业发展测度指标体系构建

《行动计划》明确指出，要坚持以系统布局、重点突破、协同创新、开放有序为基本原则，实现人工智能和传统行业进一步融合，促进产业发展环境优化。因此，长三角城市群人工智能产业发展应以政策为引导，以产业现实环境为基础，集中优势和创新资源，通过重点领域产品研发，加强产业合作、开放共享，从而促进人工智能和实体经济进一步融合，产业产出进一步扩大。基于此，本研究从产业环境、产业资源和产业产出三个方面设置准则层。

（一）产业环境

产业环境是产业生存和发展的外部条件，是促进产业健康有序发展的支撑和保障，因此，产业环境是测度人工智能产业发展水平的重要内容之一。人工智能产业作为新一代信息技术产业，其发展优化必须依托产业现实环境基础，必须充分发挥政府政策和技术支撑在其中的作用，因此，产业环境可以从产业政策及社会支持环境和技术支持环境来综合表征。其中，产业政策及社会支持环境是产业发展的大环境，主要反映了政府对人工智能产业发展的扶持和引导力度；而技术支持环境是产业创新发展的基础条件，反映了地区技术发展和人才汇集情况。

（二）产业资源

产业资源是指产业发展所需要的各种资源要素，是产业活动的起点和源头，人工智能产业的发展离不开产业资源的投入，由此，产业资源也是衡量人工智能产业发展水平的重要指标之一。由于人工智能产业自身创新性和发展性的特点，发展人工智能产业不仅仅局限于传统物质资源的投入，更重要的是创新资源的投入，因此，产业资源需要从发展资源和创新资源两方面反映。发展资源是企业进行生产活动的物质基础，也是发展人工智能产业基础设施建设的依托，反映了产业发展潜力。创新资源是企业进行技术创新所需投入的人力、物力、财力要素，主要由科研绩效、科研经费和人员投入构成，是产业创新发展的反映。

（三）产业产出

产业产出是产业发展水平最直观的反映，是产业发展的最终归宿和目标，是产业对社会经济发展贡献的体现，由此，产业产出是人工智能产业测度体系的重要指标之一。产业产出最直观的表现就是产业在经济市场上的经营成果，因此，财务效益和市场份额是反映产业产出的重要指标。其中，财务效益是指产业项目实施后的经济收入，反映产业的营运能力。市场份额则用来衡量人工智能产业的市场地位，是测度产业产出的重要量化指标。

表1 长三角城市群人工智能产业发展水平测度指标体系

基于上述构建人工智能产业发展水平测度指标体系的依据，在深入把握人工智能产业科学内涵的基础上，遵循全面性、科学性、整体性、可获得性、可比性等原则，构建产业环境、产业资源、产业产出三个准则层，并在此基础上建立了产业政策及社会支持环境、产业技术支持环境、创新资源、发展资源、财务效益、市场份额6个一级指标，科技经费支出占全市地方财政支出比重、政府资金占R&D项目内部经费比例、普通高等学校在校学生数等14个二级指标，如表1所示。

四、研究方法

（一）基于二次加权的纵横向拉开档次法

长三角城市群人工智能产业测度属于多因素的综合评价问题，针对此类问题的研究，目前学术界多采用截面数据进行静态评价，但这难以克服在不同时期评价指标由于变化程度差异化引起的跨时期比较问题。针对以上问题，郭亚军提出了纵横向拉开档次法，这是一种基于时序立体数据的不受主观色彩影响的动态测度方法［16］，该方法可以有效弥补上述缺陷。但传统的纵横向拉开档次法只考虑指标差异，缺少对指标增长性的考量，无法揭示考察期内样本的总体发展状况。鉴于此，本文引入基于二次加权的纵横向拉开档次法，其不仅能横向分析各测度指标相对于测度目标的重要程度，还能纵向拉开各被测度对象之间的整体差异，而且能深层次考虑各个测度对象在研究期内的总体发展质量，使测度结果更加科学合理。基本原理如下：

假设有n个被测度对象u1，u2，u3，…，un，每个被测度对象都有m个相同的测度指标x1，x2,x3,…,xm，按时间顺序t1，t2，t3，…，tk组成一个时间序列数据表，并对其进行标准化处理，得到标准化后的数据表{xij(ts)}。在此基础上，构建测度模型。对于时刻ts(s=1，2，3，…，k)，取综合测度函数：

其中，wj(j=1,2,3,…,m)是xj的权重系数，xij(ts)是ts时刻第i个被测度对象的第j个指标经过标准化后得到的值，ui(ts)是第i个被测度对象在ts时刻的综合测度值。由于确定权重系数wj的原则是尽可能体现出时序立体数列表中各测度对象之间的差异，因此可设定us(ts)的总离差平方和取最大值：

由于（1）中对原始数据进行了无量纲化处理，ui(ts)的样本标准差和样本均值分别为1和0，于是有：

因此，如何确定权重系数wj就可以转化为线性代数求解问题，即在限定w取值情况下，寻找使σ2取得最大值的w值，如下式所示：

σ2取最大值的条件是w为矩阵H最大特征值λmax对应的特征向量。以上问题的求解可以通过MATLAB等软件进行。通过上述步骤即可得到被测度对象各个测度指标的权重系数，从而得出被测度对象各年的测度值。在此基础上，采用“厚今薄古”的时间加权方法进行二次加权，对考察期内的各个城市进行综合测度。其基本原理如下：

首先，对时间序列t1，t2，…，tk进行加权，假设ts(s=1,2,…,k)的权重系数为φs，于是：

接着用时间加权系数对各时期的平均值进行加权求和，如下式所示：

其中，vi是一段时期内被测度对象的总测度值。

（二）耦合协调度模型

耦合源于物理学，是指两个或两个以上系统通过本系统内部或其他外部系统的相互作用而相互影响的现象［17］。耦合度是系统间关联程度的度量，用来描述系统之间作用的影响程度［18］，但由于该指标无法反映系统整体协同效应，本文采用耦合协调度分析人工智能产业三系统间的协调发展程度，其计算公式如下：

其中，D表示耦合协调度；C表示耦合度；T表示三个系统之间的综合协调指数；α、β、γ为待定系数，表示产业环境、产业资源和产业产出三个系统的权重。参考丁翠翠等［19］关于耦合协调度的等级划分原则，将三个子系统耦合协调度划分为十类，三个区间，如表2所示。

表2 耦合协调度划分标准

五、长三角城市群人工智能产业发展测度分析

（一）研究对象及数据来源

根据国务院批复的《长江三角洲城市群发展规划》，本文将长江三角洲城市群范围内的省会城市作为测度对象，即上海、合肥、南京和杭州。长三角城市群地处“两带一路”汇合区域，是推动中国区域发展格局由“T”型战略格局向“H”型战略格局转变最重要的区域之一［20］，对促进产业升级与辐射带动周边区域提质发展具有重要战略意义［21］，在国家现代化发展进程中有重要地位。同时，上海、合肥、南京和杭州作为长三角城市群中的省会城市，其人工智能产业发展能有效带动周围地级市协同发展，因此本文选取这4个城市作为测度对象具有代表性和合理性。

本文所用的数据主要源于2012—2017年《合肥市统计年鉴》、《上海市统计年鉴》、《南京市统计年鉴》、《杭州市统计年鉴》，以及长三角城市群所属安徽省、浙江省、江苏省统计年鉴，同时对合肥、上海、南京、杭州等各地市统计局公布的国民经济和社会发展统计公报、科技统计公报等进行数据整理补充取得。其中对部分数据来源作如下说明：根据国家统计局公布的《战略性新兴产业分类（2018）》，人工智能产业作为新兴产业，成为新一代信息技术产业的一部分，主要包括智能消费相关设备制造业、人工智能软件开发业和人工智能系统服务业。同时，根据国民经济行业分类，计算机、通讯设备及其他电子设备分类中包含人工智能产业大多数数据，因此本文关于人工智能产业的测度指标数据由国民经济行业中计算机、通讯设备及其他电子设备的相关数据近似代替。其中部分数据由原始数据计算所得，如人工智能产业市场占有率=产业主营收入/规模以上工业企业主营收入、人工智能产业销售利润率=产业利润总额/产业销售收入。

在完成指标体系构建后，即可通过收集数据获得观测值，由于各指标数据存在量纲、量级不一致的现象，首先要对其进行指标一致化处理和无量纲化处理。由于本文选取指标均为正向指标，指标值越大越好，无需对指标进行一致化处理，因此本文采用Z-score标准化方法对指标数据进行无量纲化处理，其基本原理是用同一变量减去平均值再除以标准差，具体公式为：

其中，vij(ts)是经过Z-score标准化后的数据，为原始数据的平均值，uj(ts)为原始数据的标准差。

（二）长三角城市群人工智能产业发展水平比较分析

根据上述方法完成原始数据收集和预处理后，按照基于二次加权的纵横向拉开档次法基本步骤，将各指标数据分别代入公式中，应用MATLAB软件测算出各指标的权重系数，从而得到2012—2017年上海市、合肥市、南京市、杭州市人工智能产业发展水平的分项指标测度值和综合测度值，如表3所示。

由产业环境子系统综合得分可知，研究期内上海市人工智能产业环境综合测度值为0.5514，以微弱优势居第一；从波动趋势上看，上海、南京和杭州人工智能产业环境发展整体呈现下降趋势，而合肥人工智能产业环境则呈现“缓慢增长—高速增长”的发展态势。深入探究可知，在2012—2014年间，合肥产业环境影响因素中政府资金占R&D经费支出比例的得分明显提高，而在2014—2017年间合肥在保持其政府资金占R&D经费支出比例稳步上升的条件下，政府对科技支出的比例也明显上升。对此可能的解释是，立足于科大讯飞，通过设立政府引导基金以及天使基金等，合肥全面打造“中国声谷”，科技支出占地方财政支出的比重大幅上升，高素质人才集聚，促使合肥人工智能产业环境迅速发展。此外，通过对杭州的趋势分析发现，在2012—2015年间杭州呈现缓慢增长的趋势，但在2015—2016年间杭州人工智能产业环境得分骤然下降，并在2017年有所回升，通过对比其指标的得分变化情况，发现杭州产业环境得分发生波动主要是政府及社会支持环境得分变化所致。由此可见，政府的扶持对提升人工智能产业环境有重要影响。因此，各地发展人工智能产业环境的关键在于政府在保持原有发展的基础上，加大扶持力度以及改善科技基础环境。

表3 2012—2017年长三角城市群人工智能产业发展分维度及综合测度值

由产业资源子系统综合得分可知，考察期内上海市人工智能产业资源得分均位列第一，综合得分为0.6490，其他三市得分相似，与上海市差距较大；从波动趋势来看，上海、南京、杭州和合肥4市人工智能产业资源发展趋势均处于平缓发展态势，无较大波动。对此可能的解释是，上海市与其他三市人工智能产业资源差异明显，相比于其他三个城市，上海市在创新资源和发展资源的投入方面优势明显，在专利申请量、专利授权量、R&D人员与经费投入、固定资产投资额等方面投入较大，因此其他三市应借鉴上海市的成功经验，鼓励高校、科研机构和企业提高对发明专利的投入度，加强对科技人才的培育和引进工作以及人工智能产业基础设施的建设工作。

由产业产出子系统综合得分可知，研究期内杭州市人工智能产业产出综合测度值为0.7052，以明显优势居第一；从波动趋势来看，杭州和合肥在2012-2017年间处于稳步上升趋势，上海经过短暂的下降上升波动后又趋于平缓，而南京则处于急速下降的趋势。从杭州人工智能产业产出子系统来看，在2012-2017年间，杭州在产业利税总额收益以及产业销售利润率上得分较高，这表明其人工智能产业在规模以上工业市场竞争力较强。而合肥虽然一直处于上升阶段，但各年的得分均在平均值以下。从产业产出准则层来看，合肥人工智能产业财务效益和市场份额均处于最低值，这与合肥致力打造“中国声谷”的计划不相符，说明合肥市政策执行力有待提高，要充分发挥政府在人工智能产业市场中的引导推动作用。对比来看，上海市主营业务收入和市场占有率得分较高但利税总额和产业销售利润率得分较低，说明上海市人工智能产业虽然有一定的市场，但是其自身盈利优势不明显，因此上海市应在保持其市场占有率的同时提升其盈利能力。

从长三角城市群人工智能产业发展水平综合得分的波动趋势看，上海市人工智能产业发展水平经历了两次下降上升波动后，于2017年趋于平稳，其各年的测度值大多居于最高，这与上海市雄厚的经济实力以及中国科技中心之一的身份是密不可分的。但通过上述分析可知，产业环境和产业产出是上海市人工智能产业发展的“短板因素”，应着力改善。合肥市人工智能产业发展水平居第四名，与上海市差距明显，但正处于蓬勃发展的上升时期。结合上述对各子系统的研究可知，合肥市应加大对产业资源的投入，鼓励企业、科研院所、高校积极发明专利，并将科研成果转化为经济效益。从总体来看，长三角城市群人工智能产业发展水平存在马太效应，且梯度效应明显，第一名上海市的总测度值为1.6790，杭州、南京和合肥相对应的总测度值分别为1.2876、1.1423和0.9850，差距明显。长三角城市群作为服务全国、辐射亚太的门户，其产业发展事关国家现代化建设大局，因此，必须制定有针对性的政策方针，缩小长三角城市群范围内各城市间人工智能产业发展的差距，促进长三角城市群人工智能产业协调、高质量和一体化发展。

（三）长三角城市群人工智能产业耦合协调度分析

本文利用上述构建的耦合协调度模型，并结合2012—2017年的产业环境、产业资源和产业产出子系统测度值，可以得到三者的耦合协调度，计算结果见表4。

表4 耦合协调度分析

由表4及耦合协调度等级划分标准可知，2012-2017年，长三角各城市人工智能产业各子系统的耦合协调度均呈小幅波动下降的发展态势，总体数值变化较小。具体而言，研究时段内各市人工智能产业三个系统耦合协调度等级类型分类基本保持不变，表明其产业环境、产业资源、产业产出耦合协调发展关系比较稳定，其耦合协调水平得分在0.1260—0.7362之间。其中上海得分最高，其耦合协调度在2013年短暂地由协调提升类型降至中间过渡类型，此后又上升为协调提升类型。此外，合肥、南京、杭州三大系统耦合协调度在考察期内始终处于失调衰退类型。整体来看，上述城市在人工智能产业发展各子系统间的耦合协调情况不容乐观。其中上海耦合协调得分最高，但也仅处于初级协调阶段；南京各子系统间已经处于中度失调；杭州、合肥情况最为严重，各子系统耦合协调得分在0.2以下，处于严重失调阶段。由此可见，对各市人工智能产业各子系统之间的协调发展应引起足够的关注和重视。

结合表3进一步探究发现，在合肥市人工智能产业各子系统指数值中，产业环境＞产业产出＞产业资源。在研究初期，产业资源子系统值为0.1125，在研究期末已达到0.1521，其二级指标包含专利申请量、专利授权量、产业R&D人员等均为正指标，其值越大，说明合肥市人工智能产业资源越丰富。值得注意的是，近年来合肥市人工智能产业环境子系统和产业资源子系统的差距不断扩大，特别是2017年，产业环境子系统与产业资源子系统得分相差0.5360，说明合肥市人工智能产业子系统间协调性较差，未来需进一步协调产业发展环境与有限的资源条件之间的矛盾。与之类似，南京市人工智能产业各子系统指数值中，产业环境＞产业产出＞产业资源，产业资源已成为制约南京市人工智能产业发展的瓶颈。此外，杭州市人工智能产业各子系统指数值中，产业产出＞产业环境＞产业资源，究其原因，在政策层面，上海市、合肥市、南京市均推出了市级的专项规划，而杭州市未出台人工智能产业专项政策或实施方案，政策引导力较弱。与上述城市有所不同，在上海市人工智能产业各子系统指数值中，产业资源＞产业环境＞产业产出，产业资源得分远高于其他三市，对此，可能的解释是人工智能产业竞争以顶尖人才为根本，而上海市作为长三角一体化发展的“龙头”，在科技创新、高端研发人才培养、成果转移转化等方面具有独特优势，是人才流动的“交汇之地”，从而形成丰富的产业资源。总的来说，长三角城市群人工智能产业各子系统间耦合协调性较弱，各市应合理协调人工智能产业各子系统间的要素分配，形成产业协同发展格局。

六、结论与启示

准确把握长三角城市群人工智能产业发展演变趋势是科学制定区域人工智能产业发展政策的重要前提。本文从产业环境、产业资源、产业产出三个子系统构建了长三角城市群人工智能产业发展测度指标体系，并采用二次加权的纵横向拉开档次法对长三角城市群2012-2017年的人工智能产业发展实施了动态测度，并对三个子系统的耦合协调关系展开了实证分析，主要研究结论如下：从子系统来看，不同城市具有不同的人工智能产业子系统水平，具体表现为上海、合肥和南京人工智能产业环境较优，上海人工智能产业资源较强，杭州人工智能产业产出较高。从综合水平来看，样本考察期内长三角城市群人工智能产业发展存在马太效应，且梯度效应明显，其中上海市综合测度值为1.6790，其他各市人工智能产业发展综合测度值均不超过1.2876。从耦合协调关系来看，长三角各城市人工智能产业各子系统的耦合协调度均呈小幅波动下降的发展态势，总体数值变化较小，其中上海耦合协调度得分最高，处于初级协调阶段；南京各子系统间已经处于中度失调；杭州、合肥情况最为严重，各子系统耦合协调度得分在0.2以下，处于严重失调阶段。

根据上述研究结论，为积极推进长三角地区人工智能产业不同子系统全面提升以及人工智能产业的区域协同发展，提出以下政策建议：

第一，加强人才体系建设，培育创新型科技人才。应充分发挥高校在人才培养中的重要作用，各大高校与人工智能产业发展需要紧密结合，在高校中开设人工智能相关课程，完善教学改革方案，培养人工智能产业亟需人才。各地区应制定科学合理的人才引进政策，为科技人才提供更好的待遇，吸引国内外科技人才，为人工智能产业发展服务。各地区应完善技术人才体系建设，搭建人才共享服务平台，实现各地区科技创新人才互通有无、地域人才共享。

第二，制定针对人工智能产业的税收减免政策，鼓励各大企业加大创新研发在公司发展中的比重，以推动传统企业向人工智能企业转变，促进创新技术的研发。政府应在充分尊重市场发展机制的前提下，完善其管理制度，充分调动政府相关部门，发挥政府的引导带动作用，制定切实可行的政策并协调有序、科学高效地实施，如加大科技资金的投入、设立人工智能产业专项基金、为科技人才提供创业支持和就业保障等。

第三，鼓励各科研机构和高校积极参与专利研发，并将研发成果转化为产业发展优势，获得经济效益。高校和科研机构拥有充裕的创新资源，应充分发挥高校和科研机构在创新方面的作用，使其与企业紧密联系，建立产学研创新协同机制，促进企业创新研发，提高企业自主创新能力。各地区应加大固定资产投入，完善对人工智能产业的基础性建设工作，建设人工智能产业园区。

第四，强化区域中心城市辐射带动作用，促进产业协调发展。以上海为核心，加快推动南京、杭州、合肥、苏锡常、宁波5大都市圈同城发展，强化沿海、沿江、沪宁合杭甬、沪杭金4大经济发展带发展，促进形成“一核五圈四带”的网络空间布局。逐步建立长三角城市群人工智能产业发展辐射机制，加强区域中心城市与周边城市人工智能产业的合作，以区域中心城市带动周边城市的人工智能产业发展。