工业智能化对绿色创新效率的影响研究

张琦 蒋军锋 贾窦洁

摘 要：工业智能化提供的技术优势不仅推动了数据、信息和知识的溢出、共享和重组，还影响了劳动力等要素的投入结构和绿色生态。在推动智能技术与实体产业融合过程中，政府干预扮演的角色愈加突出，本研究对三者之间的逻辑关系进行理论分析和实证检验。研究发现：工业智能化能够显著地提高绿色创新效率；政府干预正向调节工业智能化对绿色创新效率的驱动作用；不同政府干预水平下工业智能化对绿色创新效率的影响作用并不是均质的，随着政府干预水平的提高，工业智能化水平对绿色创新效率的促进作用呈现“阶段式增强”的特征。

关键词：工业智能化；绿色创新效率；政府干预；调节效应；门槛效应

文章编号：2095-5960（2023）05-0101-10；中图分类号：F424.3；文献标识码：A

一、 研究背景

在资源约束和环境压力日益严峻背景下，尤其是自2020年9月中国向国际社会做出“力争2030年前实现碳达峰，2060年前实现碳中和”承诺以来，绿色创新受到了前所未有的重视。［1］同时，智能技术的广泛应用为工业发展提供了“工业智能化”转型升级的全新方向。工业智能化也为促进绿色创新效率水平提升提供了新的驱动可能。于传统意义的创新效率而言，当知识创新完成向技术创新实践过渡之后，智能技术利用其自身技术优势影响知识溢出过程，扩展了技术创新应用范围且加深了技术创新商业化应用程度，对提升创新效率产生积极作用；于绿色发展而言，工业智能化在生态环保领域的潜能也逐渐凸显。因此，不同国家或地区尝试通过各种形式与内容的倾斜性鼓励或约束政策，干预工业智能化及相关产业的发展。

然而，工业智能化推进的过程需要新建能源密集型基础设施，反而可能会造成新的碳排放源。那么在分析创新效率过程中同时兼顾非期望产出环境污染排放和非典型投入能源消耗之后，工业智能化还能否改善或提高绿色创新效率水平？其作用路径或影响机制是怎样的？上述作用过程中是否受到政府干预因素的调节？根据以上拟解决的问题，本研究可能存在的边际贡献主要体现于：①创新性地将工业智能化与绿色创新效率结合起来，识别驱动绿色创新高效发展的因素，剖析了工业智能化驱动绿色创新驱动的途径。②将政府干预纳入同一框架中，分析并检验其在工业智能化影响绿色创新效率过程中的调节作用。

二、影响机制与假设建立

（一）工业智能化与绿色创新效率

智能技术在工业生产过程中的深度融合，通过改善技术的性能与创新过程，对技术创新和知识溢出产生巨大的影响。［2］在研发劳动方面，工业智能化擺脱了低技能手工劳动局限，通过计算机技术代替简单的重复的脑力劳动，使研发人员能够从基础性工作解放出来，为复杂的高级的研发设计工作提供更多的劳动力，为创新活动中对知识的学习和应用提供了更大的行动空间。［3］在知识溢出方面，知识的外溢往往受到认知距离的约束。工业智能化使得企业大幅度提高信息的搜集和处理能力，打破了认知距离在工业维度和地理维度的限制，能在更大范围内实现共享和外溢并且加速了知识和信息的流动与整合。［4］在技术性质方面，作为通用目的的智能技术通过“发明方法”往往比任何单一新产品具备更大的潜在价值。［5］智能技术同时能够促进互补性创新，带来乘数效应。［6］在一些极端的情况下，智能技术甚至可能会迅速地自我完善并引致奇点的到来，在有限的时间内带来无限的经济增长。［7］

工业智能化促进绿色转型过程中能源种类和劳动力需求存在替代效应，为提高生态效益提供技术优势和驱动潜能。［8］一方面，有赖于新兴技术的进步与应用，改变现有工业生产模式中对传统化石能源的依赖，逐步增加可再生能源在能源消费结构中的占比。另一方面，能源效率的提高需要面向可再生能源进行大量基础设施投资，工业智能化过程中释放的劳动力一定程度上能够满足绿色转型的需要。工业智能化在环境保护与污染治理等领域的应用也逐渐加强，一定程度上缓解了工业生产过程中所产生的生态破坏等问题。工业智能化依靠智能技术强大的计算能力，能够在短时间内发现影响因素之间的隐藏联系，不断更新应对环保和污染治理等问题的手段，避免了资源浪费，实现对资源的合理利用，强化低碳减排效用。［9］当前主要应用形式包括：智能预示、资源节约和问题监测三大类。［10］

基于以上“知识技术创新”和“绿色转型”两个角度的分析，提出以下假说。

H1：工业智能化水平的提高能够促进绿色创新效率的增长。

（二）政府干预调节作用分析

对于工业智能化而言，无监管无约束地发展可能产生破坏性竞争、无法提高人工生产效率等负面影响。D. Acemoglu et al.研究指出智能化技术在工业领域的过度渗透，将不利于生产效率的提高。［11］同用于开发新产品、新服务和新生产技艺的技术平台一样，如何发展智能技术也拥有许多选择，在没有任何监管的前提下，智能技术应用产生的结果并不会完全符合人类所寄予的良好愿景。但仅仅依靠市场竞争来遏制或扭转上述负面影响的发生是不够的，因此一定程度的人为监管或政策管制来调整智能化技术研究发展及应用方向是必要的。从技术创新角度看，对政府通过环境规制、创新补贴等激励或约束政策干预创新活动的研究经验已经比较充分。[12]因此，在研究工业智能化和技术创新之间的关系，或者对其他经济变量影响过程中，有必要将政府干预的存在及其功能纳入分析框架。

政府可通过产业政策引导可直接干预工业智能化发展。一方面，工业智能化是智能技术同实体产业嵌入融合的过程，这个过程既包含传统产业依靠智能技术的革新，也包括新兴智能产业的衍生。因此上升至产业发展维度，工业智能化进程的推进离不开政府“有形的手”进行顶层设计和政策布局，为工业智能化或智能转型提供更多驱动力。［13］尤其是在我国基础理论和底层算法能力创新不足、产业生态圈和产业链尚不完善的背景下，积极发挥政府的引导和支持的作用，对于破解上述工业智能化发展的制约因素是重要的途径之一。［14］在实际政府治理过程中，无论是国家还是地方，针对工业智能化或者智能产业发展都进行了大量的政策工具施以干预，这些政策工具包括创造环境类、动力供给类和扩大需求类三种类型。［15］另一方面，工业智能化对于劳动力结构所产生的显著的“两极化”调整特征，可能导致社会劳动力需求及劳动份额进一步失调，从而加剧社会不平等，单纯依靠技术进步解决因工业智能化产生的经济增长以及人口等方面的负面问题并不现实。如果政府不控制工业智能化的发展，资本将由传统物质部门流入智能化部门，利益分配将出现重此抑彼的现象。［16， 17］因此政府需要一定的政策干预控制工业智能化发展，在充分释放工业智能化提升生产效率的同时，规避工业智能化无序发展产生的弊端。并在利益分配过程中可充分发挥主导作用，促进技术红利惠及全社会。

政府干预为绿色治理提供公共管理和制度保障。实现绿色治理和经济绿色转型对国家治理体系和政府治理能力提出了更高的要求，不仅仅需要来自市场力量的激励，还需要依靠政府通过有效的监管和机制设计来保证过程的平稳进行。［18］同时需要对退出进行干预，以弥补市场“自发秩序”的功能局限。已有研究表明如果政府对绿色转型不加以干预，已经形成市场规模和既有投入的生产力将助力高污染部门形成市场竞争优势，所有创新和生产都将引入该部门，届时经济将不得不面临环境灾难。事实上，在国内减排目标和向国际做出“碳排放、碳中和”承诺背景下，中国政府在推进绿色转型方面不断尝试诸多积极措施。以绿色证书交易和全国碳排放交易市场为代表的举措，就是在政府直接干预下设计的公共管理机制。

基于以上“产业政策”和“绿色治理”两个角度分析，提出以下假说。

H2：政府干预对工业智能化促进绿色创新效率有正向调节作用。

三、实验设计

（一）核心变量测算

绿色创新效率测算：将希望通过绿色创新获得的正常产出称之为期望产出，而在生产过程中同时附加产生的工业污染称之为非期望产出。构造一个同时包括期望产出与非期望产出的生产可能性集，假设每个省份在绿色创新生产中使用N种投入x=（x1，…，xN）∈RN+，得到M种期望产出y=（y1，…，yM）∈RM+以及I种非期望产出b=（b1，…，bI）∈RI+，则生产可能性集P（x）可表示为：

P（x）={（y，b）：x可以生产（y，b），x∈RN+}（1）

为了表达在绿色创新生产过程中扩大期望产出同时降低非期望产出的目的，引入方向性距离函数。［19］基于产出角度的方向性距离函数可表示为：

D0（x，y，b;g）=sup{β：（y，b）+βg∈P（x）}（2）

式中，g=（gy，－gb）表示产出扩张方向向量，它能够反映决策单元对期望产出和非期望产出的不同效用偏好，在此假定二者按照同比例扩张或收缩，即g=（y，－b）。β表示该比例在既定生产可能性结构下最大可能数值。省份k′（xtk′，ytk′，btk′）在t时期的方向性距离函数可利用数据包络分析转述为如下线性规划问题：

在方向性距离函数基础上可以构造Malmquist-Luenberger（ML）生产率指数，以该指数此表示绿色创新全要素生产率（GTFP），即本研究被解释变量绿色创新效率。基于产出从t到t+1时期的ML指数可以通过计算四个方向性距离函数测得：

以ML指数表示的绿色创新效率可以进一步分解为绿色技术效率变化指数（GTEC）和绿色技术进步变化指数（GTC）。［20， 21］绿色技术效率变化指数（GTEC）体现的是在绿色创新活动中技术落后者向技术先进者的追赶速度，反映了生产决策单元向生产前沿面的追赶效应，公式为：

同传统的Malmquist指数一致，绿色创新全要素生产率（GTFP）、绿色技术效率变化指数（GTEC）和绿色技术进步变化指数（GTC）三个指标参照值为1。三个指数如果大于（小于）1，则分别代表绿色创新全要素生产率增长（下降）、绿色技术效率改善（恶化）和绿色技术进步（退步）。为了后续进行对比研究，利用未包含非期望产出的投入产出数据，在DEA-Malmquist框架测算出传统创新全要素生产率及其分解指数，以分析工业智能化对创新效率影响框架中是否纳入非期望产出两种情境的差异。

工业智能化水平：Acemoglu等提出的工业机器人安装密度指标［22］，基于国际机器人联盟（IFR）提供的数据，采用“行业映射、地区连接”的计算方法，是近期學界研究国家或地区工业智能化时广泛采用的量化方法。本研究采用工业机器人安装密度指代，具体测算公式为：

式中，下标i、t和j分别代表时间、地区和行业的标识，Lit代表i地区t年的城镇单位就业人员数量，Ljt代表j行业t年就业就业人员数量，Lijt则代表i地区j行业t年的就业人员数量，Robjt代表j行业t年工业机器人安装存量。

（二）计量模型构建

为考察工业智能化对绿色创新效率的影响效应，构建如下基准模型。

其中下标q代表控制变量的标识；被解释变量绿色创新效率GTFP为以ML指数测算的各省份绿色创新全要素生产率，核心解释变量IndI为各省份工业智能化水平，ConVar代表控制变量组；μi和γt分别代表地区固定效应和时间固定效应的标识，μit为随机误差项。

为了检验和分析政府干预在工业智能化影响绿色创新效率过程中的调节作用，在基准模型的基础上引入调节变量政府干预（Gov）及其与核心解释变量IndI的交互项，构建如下调节效应模型。

（三）变量与数据

在构建测算绿色创新效率的投入产出指标体系过程中，投入指标方面加入了资本投入与劳动力投入。其中资本投入具体量化指标是以R&D内部经费为基数通过永续盘存法，将折旧率设置为96%进行R&D固定资产存量的核算，初始期R&D固定资产存量采用等比求和法进行计算。［23］此外，投入指标中还加入了非典型的投入变量即能源消费。绿色创新期望产出从两个方面进行考量，一方面是代表新方法、新工艺的知识属性的产出，另一方面则是代表新知识市场化和商业化水平的经济属性产出，二者也分别为绿色创新过程的中间产出和终端产出。非期望产出用工业三废相关指标，衡量绿色创新引发的环境效应。［24］

测算核心解释变量的原始数据来源于IFR，其提供的机器人存量数据是基于国家及对应的行业层面，且统计过程中的行业分类标准与中国实际并不完全一致。借鉴闫雪凌的做法，对相关行业做合并处理。［25］考虑工业机器人在实际生产过程中的安装等必要技术工艺需投入一定的时间，故对其进行滞后一期处理。

调节变量政府干预，在地方财政一般预算支出的基础上剔除地方财政一般公共服务支出，用其差值同GDP的占比予以表征。［26］

除了上述两个变量分别作为调节效应模型的被解释变量和核心解释变量之外，为了避免遗漏变量，从经济水平（Level）、产业结构（IndS）、金融发展（Fin）、对外开放程度（Open）和基础设施（Infra）五个方面，构成控制变量组。调节变量以及控制变量代理指标，也参考文献根据一般的经验进行选取。综上，各个变量、含义、符号等信息归纳于表1。

样本区域和尺度限制在中国30个省级行政区①①即不包括香港、澳门特别行政区、台湾地区和西藏自治区。 ，样本期窗口设置为2011～2020年。各指标原始数据收集于2012～2021年《中国统计年鉴》《中国科技统计年鉴》《中国劳动统计年鉴》等资料。为了消除价格波动的影响，涉及货币类的指标以2011年为基期平减，经营单位所在地进出口总额在采用年平均汇率换算后再行平减。为了减少数据异方差对回归结果所产生的影响，对部分指标进行了取对数处理。根据研究的需要，初始年绿色创新效率及分解指标设定为1。

四、实证分析

（一）基准回归结果分析

本研究主要目的是分析工业智能化对绿色创新效率的影响，以及政府干预所起到的调节作用。因此采用研究调节效应的一般范式——层级回归法，通过逐步加入变量，观察回归结果解释力是否发生显著变化，此亦可间接反映模型构建的稳健与否。考虑到在进行绿色创新相关研究时面板数据在时间和区域维度会受到扰动项自相关的影响，致使回归系数和标准误被低估，因此需要在模型中对时间效应和区域效应进行控制。模型回归前进行豪斯曼检验提示选择固定效应模型，故后续报告均为时间效应和地区效应同时进行固定的回归结果。基准回归结果汇总于表2。

通过对比模型（1）分析主效应，核心解释变量工业智能化对绿色创新效率的回归结果显著为正，说明工业智能化在一定程度上促进了绿色创新效率的增长。验证假说H1的成立。与模型（4）对比可见在未考虑非典型投入和非期望产出的背景下，工业智能化主效应程度有所提高，因此在分析创新效率过程中忽略能源投入和环境污染产出等生态效益，可能会高估工业智能化对创新效率的促进作用程度。

在模型（3）中政府干预和工业智能化交互项系数在1%水平下显著为正，且与未加入交互项的模型（4）相比模型拟合优度显著提高，表明政府干预起到了正向调节效应，一定程度的政府干预能够强化工业智能化对绿色创新效率的促进作用，验证了假说H2的成立。

为了进一步辨识工业智能化对技术进步或者技术效率的影响，分别以绿色创新效率的分解指数绿色创新技术效率和绿色创新技术进步为被解释变量，沿用之前的模型进行分析，回归结果见表3。从主效应看，工业智能化对绿色创新技术效率的影响大于绿色创新技术进步，政府干预调节作用在二者之间的差异亦如是。从绿色创新效率分解指数回归结果来看，工业智能化对绿色创新效率的正向影响作用同时来源于其对绿色技术进步和绿色创新技术效率两方面的加强。从绿色創新技术进步的角度看，工业智能化可以克服信息传播的时空限制，实现对移动化、碎片化海量数据的收集、整合和分析，以其开放性和共享性优势直接降低信息搜索的难度，加速创新活动中信息和知识的传播和交流。这有利于创新要素的集聚和积累，进而带动技术创新。工业智能化以其无污染的特性可以显著推动绿色技术创新，同时也使得污染行为更加透明，迫使创新主体提高绿色创新的意识。新兴绿色技术借力于工业智能化进行更加高效的研发、传播与应用，创新主体人员实现对新技术的掌握和经验积累，技术溢出效应亦促进了绿色创新技术进步。从绿色创新技术效率的角度看，工业智能化有利于降低创新的不确定性和创新成本，提高创新过程中的能源利用效率，从而有效减少创新过程中的研发资金、研发人员、能源等要素投入，减少创新资源浪费和能源消耗。工业智能化领域中互联网等媒介技术进步，提高了信息沟通和决策效率，节约了时间成本，从而加速绿色技术创新过程。同时，工业智能化通过数字技术加强对生产要素和市场供需的监控，有助于对市场变化的快速响应，降低了市场交易阻碍和成本，提高了绿色创新成果市场化交易速度，从而对绿色创新技术效率起到正面影响。回归结果对比可见，工业智能化对绿色创新技术效率的加强作用更为显著。

（二）政府干预非线性分析

通过加入交互项分析调节效应，只能从单调递增或单调递减的线性效应角度分析政府干预的调节效应。为了弥补这一局限，更深入地辨析政府干预作用于工业智能化影响绿色创新效率的过程，引入非线性的门槛效应模型。门槛效应模型的基本思想将某一门槛值作为一个未知变量纳入回归模型之中建构分段函数，并且估计和检验相应的门槛值以及门槛效应的。采用Hansen提出的面板回归模型［27］，根据本研究具体涉及的对象，将政府干预作为门槛变量，考察不同水平下的政府干预，工业智能化对绿色创新效率产生的影响性质和大小。以单门槛效应为例，建立模型如下：

式中，th代表门槛值，I（·）代表示性函数，当括号内不等式成立时取值为1，不成立时取值为0。采用自助法反复抽样之后，门槛值搜寻过程及结果见表4。由搜寻结果可见政府干预门槛变量在工业智能化作用于绿色创新效率过程中具有显著的单门槛效应，门槛值为04238，双门槛与三门槛均未通过检验，且传统创新效率门槛值与之相同；而以绿色创新技术效率为被解释变量时，政府干预存在两个门槛值，分别为02224和03768，同时传统技术效率也通过了双门槛检验；而以绿色技术进步为被解释变量时未搜寻到门槛值，而在传统技术效率情境下存在单门槛效应。

在此基础之上设定相应门槛个数的回归模型，得到回归结果如表5。由于在以绿色创新技术进步为被解释变量并未搜到门槛值，因此模型（15）回归结果并不具有解释作用，仅作为对比参考予以汇报。

由于传统创新效率和绿色创新效率具有相同的门槛值，因此可将模型（13）和模型（16）进行政府干预影响效应对比。政府干预在未通过门槛值04238时，工业智能化对传统创新效率影响显著为正，而对绿色创新效率影响则显著为负，提示在现阶段创新过程中，低水平的政府干预由于对创新支持力度较弱或者对生态环境政策规制的放松，无法实现工业智能化促进绿色创新效率的情境。而这一论断也从第二阶段回归结果得到了验证。政府干预水平在跨越门槛值之后，工业智能化对传统创新效率正向效应发生显著提高，而对绿色创新效率的影响也由负向影响转向正向影响。模型（14）和模型（17）双门槛回归结果可见，政府干预对绿色/传统创新技术效率影响出现“阶段式增强”的特征，对比绿色技术进步门槛值搜寻和模型（15）可知，在政府干预的作用下，绿色创新技术效率受工业智能化的影响比绿色技术更加敏感。

（三）内生性与稳健性检验

内生性问题可能会影响估计结果，故分别对固定效应模型和面板门槛模型进行内生性检验，借鉴唐晓华等和孙早等的做法［28， 29］，使用同时期本地区以外省份的工业机器人密度均值的对数作为工具变量。本地区以外省份工业智能化平均水平与本地区的工业智能化水平存在一定的相关性，而与该地区工业绿色发展效率不存在直接联系，满足工具变量的外生性假设。内生性检验结果见表6，其中第1列和第2列分别以前文表2中的模型（3）和模型（6）为对比基准模型，第3列以前文表5中的和模型（13）为对比基准模型。对比可见在考虑了内生性问题之后，前文工业智能化对绿色创新效率以及政府干预的调节效应依然显著成立。

采用替代被解释变量的方法进行稳健性检验。通过绿色创新投入、绿色创新环境、绿色创新产出以及绿色创新吸收与扩散四个维度，构建包含24个指标综合指标体系，利用熵权-TOPSIS方法予以合成代替前文绿色创新效率指标。分别以表2中模型（3）和表5中的模型（13）为基础重新进行回归，稳健性检验结果分别汇报于表6的第4列和第5列。线性模型之下工業智能化对绿色创新效率的推动作用，以及政府干预的调节仍然显著存在，门槛模型之下工业智能化与绿色创新效率的非线性关系依然成立，验证了前文实证结论是具有稳健性的。

五、结论与建议

基于中国内地30个省级行政区2011～2020年的面板数据，在采用包含非期望产出的Malmquist-Luenberger指数对绿色创新效率进行测算的基础上，实证分析了工业智能化对绿色创新效率的影响，并检验了政府干预的调节作用。经检验发现工业智能化能够显著地促进绿色创新效率的增长，政府干预对上述过程能够起到正向调节效应。而且政府干预的调节作用存在非线性，随着政府干预水平的提高，工业智能化水平对绿色创新效率促进作用出现“阶段式增强”的特征。根据以上分析发现的问题以及研究得出的结论，提出如下政策建议。

拥抱智能技术、重视工业智能升级。主效应的回归结果启示工业智能化是提高绿色创新效率的重要途径之一。作为新一轮科技革命的引领性技术，应加强对智能技术的重视程度，以及工业智能转型的意识，破除“不想转、不敢转”的保守消极思想。积极采取各种针对性措施鼓励工业智能化发展，强化智能技术在新知识商业转化的过程中优势作用，进而促进区域绿色创新效率提升，助力实现绿色可持续的创新驱动。

政府主动参与、积极合理引导。调节效应分析结果再次证明了“有形的手”人为干预市场经济运行的重要性，结合描述性统计和门槛效应“阶段性增强”的分析结果可见，当前政府干预水平尚未触及边界。因此可以适当提高政府干预力度，强化其对工业智能化影响绿色创新效率水平的调节效应。一是可以借助于顶层产业政策，引导产业发展与新型智能技术的深度融合，推动工业智能化升级或转型；二是可以借助于全国统一大市场的建设，通过制度与规则打破地方保护与市场分割，以避免工业智能化发展在区域间形成两极分化的现象；三是进一步提高对研发创新的支持力度，同时借助技术进步与环境政策规制，推动实现生产活动兼具“绿色”和“创新”特性，从而提升绿色创新效率，最终助力经济高质量发展。

参考文献：

［1］杨阳， 曾刚， 葛世帅， 等. 国内外绿色创新研究进展与展望 ［J］. 经济地理， 2022（3）： 10～21.

［2］费艳颖，刘彩薇.习近平人工智能重要论述：发轫理路、逻辑结构及理论特色[J].理论学刊，2021（4）：5～13.

［3］黄蕊， 徐倩， 赵意. “人工智能+”模式下我国传统产业的效率锁定与解锁——基于路径依赖理论视域 ［J］. 经济问题， 2020（2）： 75～82.

［4］徐伟. 工业互联网赋能先进制造业企业转型影响因素——基于山东省先进制造业企业的研究 ［J］. 济南大学学报（社会科学版）， 2022（5）：94～107.

［5］刘亮， 李廉水， 刘军， 等. 智能化与经济发展方式转变：理论机制与经验证据 ［J］. 经济评论， 2020（2）： 3～19.

［6］朱恒源，王毅.智能革命的技术经济范式主导逻辑[J].经济纵横，2021（6）：66～72.

［7］Nordhaus W. D. Are We Approaching an Economic Singularity？ Information Technology and the Future of Economic Growth ［J］. American Economic Journal： Macroeconomics， 2021， 13（1）： 299～332.

［8］Korinek A.， Stiglitz J. E. Artificial intelligence， globalization， and strategies for economic development ［R］： National Bureau of Economic Research， 2021.

［9］How M.-L.， Cheah S.-M.， Chan Y.-J.， Khor A. C.， Say E. M. P. Artificial intelligence-enhanced decision support for informing global sustainable development： A human-centric AI-thinking approach ［J］. Information， 2020， 11（1）： 39.

［10］任安波. 环境保护中人工智能技术应用的风险治理 ［J］. 自然辩证法研究， 2022（8）： 67～72.

［11］Acemoglu D. Harms of AI ［R］： National Bureau of Economic Research， 2021.

［12］田澤，王若梅，肖钦文，等.长三角区域先进制造业绿色技术创新效率研究[J].安徽师范大学学报（人文社会科学版），2021（5）：137～147.

［13］余典范， 王超， 陈磊. 政府补助、产业链协同与企业数字化 ［J］. 经济管理， 2022（5）： 63～82.

［14］宋琪， 谷灏. 政策“工具-功能”视角下人工智能产业央地政策研究 ［J］. 科学与社会， 2022（1）： 84～102.

［15］袁野， 马彦超， 陶于祥， 等. 基于内容分析法的中国人工智能产业政策分析——供给、需求、环境框架视角 ［J］. 重庆大学学报（社会科学版）， 2021（2）： 109～121.

［16］薛丹妮.人工智能资本主义应用的资本逻辑及内在张力[J].深圳大学学报（人文社会科学版），2022（5）：130～137.

［17］黄旭， 许文立. 公共政策如何应对人工智能引发的失业风险？ ［J］. 中央财经大学学报， 2022（10）： 71～84；93.

［18］张平. 中国经济绿色转型的路径、结构与治理 ［J］. 社会科学战线， 2022（8）： 69～81；281.

［19］韩海彬. 中国农业环境技术效率及其影响因素分析 ［J］. 经济与管理研究， 2013 （9）： 61～68.

［20］Chung Y. H.， Fre R.， Grosskopf S. Productivity and undesirable outputs： a directional distance function approach ［J］. journal of Environmental Management， 1997， 51（3）： 229～240.

［21］Fre R.， Grosskopf S.， Pasurka J.， Carl A. Accounting for air pollution emissions in measures of state manufacturing productivity growth ［J］. Journal of regional science， 2001， 41（3）： 381～409.

［22］Acemoglu D.， Restrepo P. Robots and Jobs： Evidence from US Labor Markets ［J］. Journal of Political Economy， 2020， 128（6）： 2188～2244.

［23］张军， 吴桂英， 张吉鹏. 中国省际物质资本存量估算：1952～2000 ［J］. 经济研究， 2004 （10）： 35～44.

［24］王惠， 王树乔， 苗壮， 等. 研发投入对绿色创新效率的异质门槛效应——基于中国高技术产业的经验研究 ［J］. 科研管理， 2016（2）： 63～71.

［25］闫雪凌， 朱博楷， 马超. 工业机器人使用与制造业就业：来自中国的证据 ［J］. 统计研究， 2020（1）： 74～87.

［26］钱龙. 中国城市绿色经济效率测度及影响因素的空间计量研究 ［J］. 经济问题探索， 2018（8）： 160～170.

［27］Hansen B. E. Sample splitting and threshold estimation ［J］. Econometrica， 2000， 68（3）： 575～603.

［28］唐晓华， 迟子茗. 工业智能化提升工业绿色发展效率的实证研究 ［J］. 经济学家， 2022（2）： 43～52.

［29］孙早， 侯玉琳. 工业智能化如何重塑劳动力就业结构 ［J］. 中国工业经济， 2019（5）： 61～79.

Reasearch on the Influence of Industrial Intelligence on Green Innovation Efficiency- Analysis of the Moderating Effect Based on Government Intervention

ZHANG Qi1，JIANG Junfeng1，JIA Doujie2

（1. School of Management Science and Engineering， Nanjing University of Information Science & Technology， Nanjing 210044， Jiangsu； 2. School of Economics and Management， Xian University of Technology， Xian 710054， Shaanxi， China）

Abstract：On the one hand， the technical advantages provided by industrial intelligence not only promote the spillover， sharing and reorganization of data， information and knowledge， but also affect the input structure of labor force and other factors and green ecology. On the other hand， in the process of promoting the integration of smart technology and real industry， government intervention plays an increasingly prominent role. In view of this， this study attempts to carry out theoretical analysis and empirical test on the logical relationship between the three. The results show that： （1） the level of industrial intelligence can significantly improve the efficiency of regional green innovation; （2） Government intervention positively moderates the driving effect of industrial intelligence on green innovation efficiency. （3） The influence of industrial intelligence on green innovation efficiency under different government intervention levels is not uniform. The threshold effect model regression results show that with the improvement of government intervention level， the promoting effect of industrial intelligence on green innovation efficiency presents a “stage-like enhancement” feature.

Key words：industrial intelligence;green innovation efficiency;government intervention;moderating effect;threshold effect