中國人工智能發展水平、區域差異及分布動態演進

呂榮杰，郝力曉

(河北工業大學 經濟管理學院，天津 300401)

0 引言

科技是國之利器。2020年10月29日，中國共產黨第十九屆中央委員會第五次全體會議審議通過了《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二O三五年遠景目標的建議》，科技創新首次在五年規劃中單獨成章，并置于各項重點任務之首。當前，人工智能已成為引領未來的戰略性技術，是各國力圖在新一輪國際科技競爭中掌握主導權的著力點。中國在人工智能領域已經取得一定進展，主動掌握人工智能發展情況，研判大勢，把握方向，對戰略層面的系統研發布局至關重要。因此，本文研究的核心問題是：如何測度人工智能發展水平？我國人工智能發展的空間分布特征和時間演進趨勢如何？上述問題的解決，可以為研究人工智能對經濟社會的影響提供實證依據，為掌握我國人工智能整體發展格局，推動高質量發展和區域協同發展提供政策依據。

測度人工智能發展水平是一個新問題，但關于技術創新評價的研究由來已久。已有文獻主要使用評分模型、增長模型、訪談調查法、問卷調查法和構建指標體系法對技術水平進行衡量。其中，評分模型[1-2]是針對某一個具體產品或設備進行評分，而本文涉及的人工智能作為一個技術領域，包含眾多產品類型，甚至細分技術領域，因而評分模型不適用于本研究；增長模型[3-6]是通過設置技術上限，動態預測技術發展趨勢，而本文研究對象是當前人工智能發展情況，屬于靜態下的技術狀態研究；訪談調查法主要是運用專家默會知識對技術發展現狀進行評估，主觀和定性方法很難準確評估多個省份多年來的人工智能發展水平面板數據；問卷調查法[7-8]是針對企業進行微觀數據調查，微觀數據有助于研究人工智能應用對調研企業發展的影響，但容易忽略宏觀經濟重新配置的情況，也很難反映中國人工智能整體發展格局；構建指標法是通過利用多個客觀數據，從多個方面對當前技術狀態進行測量，該方法對于產品種類較多、缺乏直接統計數據的人工智能來說，是最優選擇。

鑒于此，本文構建人工智能發展評價指標體系，測度我國人工智能發展水平。在此基礎上，利用Dagum基尼系數和核密度估計探究我國人工智能發展的地區差異。首先，基于2003—2018年我國內地30個省份(西藏因數據不全，未納入統計)數據，利用熵權法測度我國人工智能發展水平；其次，采用Dagum基尼系數測算我國人工智能總體差異并對其進行分解，探究差異來源及貢獻；再次，采用Kernel核密度估計法分析四大區域及各區域內部人工智能發展的動態演進，進一步揭示我國人工智能發展分布動態規律；最后，總結研究結論，給出具體政策建議。

1 指標體系構建

已有文獻對構建技術創新能力評價指標體系開展了卓有成效的研究，并取得了可觀的研究成果。然而，作為一個具體技術領域，人工智能發展評價指標體系的研究仍處于初始階段。

技術創新能力評價一般采用單一指標或多指標構建兩種方法。單一指標法是指直接采用研發投入、專利申請量、技術市場成交額或新產品銷售額等指標衡量創新能力[9-10]，但事實上，單一指標有時難以準確反映技術創新能力，如技術研發投入常常與技術創新產出不對等，專利申請量與轉化為實際生產力的專利量相差甚遠。因此，單一指標法的優點在于指標含義清晰、數據易于收集與整理，缺點是具有局限性和片面性。多指標構建法是指綜合運用多個指標對企業和地區技術創新能力進行評價。企業技術創新能力評價指標體系主要包括投入、產出和組織環境3個維度，其中產出往往包括技術創新產出[11]和生產制造產出[12-13]，組織環境主要包括決策能力[14]、企業控制力[15]和營銷能力[16]等。對于區域或國家技術創新能力評價指標體系構建，《國家創新指數報告2018》從創新資源、知識創造、企業創新、創新績效和創新環境5個方面對全球40個國家創新能力進行評價；陶長琪和周璇(2016)基于創新能力系統觀，從技術溢出、環境—技術耦聯、環境規制角度對省域技術創新能力進行評價。可見，要素稟賦、產出能力和外部環境是評價企業和區域技術創新能力的主要維度。

目前采用多指標方法構建人工智能發展評價指標體系的研究較少。Ding[17]、陳明藝和胡美齡[18]認為，硬件、教育科研、數據是推動人工智能發展的組成要素，并從這3個維度構建人工智能發展評價指標體系。該指標體系反映了人工智能發展的基礎條件，但忽略了人工智能的生產和應用。孫早和侯玉琳[19]從基礎建設、生產應用、競爭力與效益3個方面對工業智能化進行衡量，并基于 “信息化基礎+信息化應用+信息化績效” 思路，認為工業化與信息化融合會帶來績效提升，因而在競爭力與效益指標中包含經濟績效和社會績效兩個基礎指標，經濟效益和社會效益越好，則工業化與信息化融合越好。對本研究而言，人工智能發展帶來的效益尚不明朗，仍是學者們正在探討的問題[20-23]。因此，選擇社會和經濟發展程度反映人工智能發展水平，并不適用于本研究。

綜上，本文基于技術創新評價理論框架，結合工業智能化評價指標體系，構建人工智能發展測度指標，包括制度環境、基礎設施、技術創新和生產應用4個維度，共涉及財政支持力度、政府關注力度、軟件基礎、智能化設備基礎、信息技術服務基礎、數據供應基礎、人才規模、創新物質條件、創新效率、智能制造企業生產情況、智能制造企業新產品應用情況11個基礎指標(見圖1)。鑒于實證分析需要和數據可得性，本文選擇的測度指標不可能全面概括人工智能發展涉及的方方面面，而是盡可能在可行范圍內最大程度反映人工智能發展水平。

本文指標體系遵循樊綱[24]構建市場化指數的兩個基本原則。首先，由于每個分項指標只能從某一特定角度反映人工智能的應用，本文從不同角度對上述分項指標均采用兩個及以上基礎指標進行度量，選擇的每個指標至少能在一定程度上、一定時期內近似地反映人工智能發展情況。其次，選擇的指標必須是可度量的，而且能夠獲得具體數據。有些指標雖然理論上可行，但缺乏數據來源，則寧可暫缺，避免以主觀判斷代替客觀度量。在某些情況下，雖然能夠獲取數據，但經過驗證發現其可信度較低，也盡量避免使用。指標具體定義如下：

(1)制度環境。制度環境是指人工智能發展的外部軟環境，本文使用財政支持力度和政府關注力度兩個指標進行測度。財政支持是國家財政以無償撥付的方式，如財政撥款、財政補貼等，對政府扶持的產業、部門或企業進行資金方面的支持。由于缺乏政府對人工智能產業資金支持的具體統計數據，本文依據李旭輝等[25]的做法，選用科技撥款作為測度指標。政府重視是保障產業長期穩定發展的法規基礎，智能、“互聯網+”、機器人等在政府工作報告中出現的次數能夠反映政府在制度建設上對人工智能發展的重視程度。

圖1 人工智能發展評價指標體系

(2)基礎設施。基礎設施是指人工智能發展的外部基礎建設情況。本文從軟件基礎、智能化設備基礎、信息技術服務基礎和數據供應基礎4個方面對基礎設施進行測度。軟件基礎的測度指標是基礎軟件、支撐軟件、應用軟件等軟件產品收入；智能化設備基礎的測度指標為通訊設備、計算機應用產品、裝備自動化控制產品、信息系統安全產品等營業收入；信息技術服務基礎的測度指標為信息技術咨詢服務、集成實施服務、運行維護服務、數據服務、運營服務、電子商務平臺服務、集成電路設計等服務收入；數據供應基礎的測度指標為各省份互聯網發展水平，用互聯網上網人數衡量。

(3)技術創新。技術創新是指企業發展人工智能的內部環境，主要包括人才規模、創新物質條件和創新效率3個基礎指標。由于缺乏人工智能相關直接數據，本文用軟件與電子信息技術產業研發人員表征人才規模，用每名研發人員擁有的儀器和設備支出測度創新物質條件，用每萬名科技人員技術市場成交額表征創新效率。

(4)生產應用。生產應用是指人工智能產出與應用水平，主要包括智能制造企業生產情況和新產品應用情況兩個基礎指標。智能制造企業生產情況的測度指標為計算機、通信及其它電子設備制造業，儀器儀表制造業，電器機械及器材制造業，專用設備制造業等企業主營業收入；新產品應用的測度指標為上述企業的銷售產值。

2 數據來源與模型構建

2.1 數據來源

中國人工智能發展并不是最近幾年才開始的，早在1989年，我國就召開了首次中國人工智能聯合會議，進入21世紀后，與人工智能相關的課題不斷獲得國家重點和重大基金計劃支持。綜合考慮中國人工智能發展階段和相關數據的可得性，本文最終確定樣本區間為2003—2018年中國內地30個省份面板數據。其中，財政支持力度、創新物質條件和創新效率等數據來自《中國宏觀經濟數據庫》，政府關注力度數據來自省級政府工作報告，軟件基礎、智能化設備基礎、信息技術服務基礎、人才規模等相關數據來自《電子信息產業統計年鑒》，數據供應基礎數據來自《中國統計年鑒》，智能制造企業生產情況和新產品應用情況等相關數據來自《中國科技數據庫》。考慮到樣本時間跨度較長，本文按照最近鄰法思想對缺失值和異常值進行修正。

2.2 模型構建

2.2.1 熵權法

作為客觀賦值方法，熵權法是根據指標離散程度判斷其對綜合評價的影響，熵權法僅依賴數據本身的離散性，能夠避免權重賦予時可能存在的主觀性，具有一定數學意義。本文將2003—2018年全部數據設為基礎數據，對權重進行測算。

首先，建立指標矩陣，假設人工智能發展評價指標體系中有m個指標，n個評價對象，可以得到多指標矩陣X=(xij)m×n。其中，xij表示第j個被評價對象的第i個指標值。其次，將指標矩陣標準化，為規避量綱不一致帶來的影響，本文采用臨界值法對指標矩陣X=(xij)m×n進行標準化處理，得到S=(sij)m×n。然后，計算熵和熵權，第i個評價指標的信息熵計算公式為：

(1)

第i個評價指標的熵權wi計算公式為：

(2)

最后，計算各被評價對象的綜合得分。

(3)

2.2.2 Dagum基尼系數

傳統方法無法解決地區差異中的分解和樣本描述問題，而Dagum基尼系數及其分解方法能夠有效彌補這一欠缺。因此，本文采用Dagum基尼系數及其子群分解方法，對中國人工智能發展水平區域分布差異進行分析。根據Dagum[26]的分解理論，總體基尼系數(G)可以分解為區域內差異貢獻(Gw)、區域間差異貢獻(Gnb)和轉移變異貢獻(Gt)，其測度結果可以反映人工智能發展水平的相對差異及其來源情況。

(4)

G=Gnb+Gw+Gt

(5)

第j個區域的基尼系數Gjj和區域內差異貢獻Gw可表示為：

(6)

(7)

j、h區域間基尼系數Gjh可表示為：

(8)

j、h區域間差異貢獻Gnb可表示為：

(9)

轉移變異貢獻Gt可表示為：

(10)

Djh表示j、h區域間人工智能發展水平的相對影響；djh表示區域間人工智能發展水平的差值，即j、h區域中所有yji>yhr的樣本值之和的數學期望；pjh是轉移變異的一階矩，表示j、h區域中所有yji

Djh=(djh-pjh)/(djh+pjh)

(11)

(12)

(13)

其中，Fj、Fh分別是j、h區域的累計分布函數。

2.2.3 核密度估計

核密度估計利用平滑的峰值函數擬合樣本數據，使用連續密度曲線描述隨機變量的分布形態，具有模型依賴性弱、穩健性強等優點。因此，本文采用核密度估計方法對人工智能發展水平的概率密度進行估計，并用連續密度曲線對人工智能發展的分布動態情況進行可視化描述。

假設隨機變量X1,X2,…,XN獨立同分布，其密度函數f(x)未知，可以通過經驗分布函數得到密度函數的核估計。經驗分布函數為：

(14)

其中，I(z)為示性函數，N為觀測值數量，z為條件關系式。當z為真時，I(z)=1；當z為假時，I(z)=0。核密度估計式為：

(15)

3 實證分析結果

3.1 人工智能發展評價指標權重及測算結果分析

基于熵值法，本研究測算出各基礎指標和分項指標的權重，如表1所示。

觀察表1可以發現，生產應用(38.867 4%)在4個維度中所占權重最大，基礎設施(34.612 6%)緊隨其后，表明夯實人工智能發展的基礎設施建設，助力相關智能制造企業發展，可以有效提升人工智能發展水平。此外，制度環境中政府關注力度(9.376 0%)權重超過其余大部分基礎指標，說明從制度層面優化營商環境是推動人工智能產業發展的加速器。

表1 人工智能發展評價指標體系及權重

對于中國省際人工智能發展水平的測度，本文基于30個省份連續16年數據，共計480個樣本。受限于篇幅，測度結果未全部展示，圖2僅列示了主要年份的中國省際人工智能發展情況。可以看出，中國省際人工智能發展水平不斷提高，2011—2015年和2015—2018年主要省份人工智能發展速度明顯加快。此外，北京、廣東、江蘇、上海、浙江屬于中國人工智能發展領跑者，2011年之后，山東、四川、福建、陜西、湖北、遼寧、湖南、海南、湖北、重慶、天津等開始發力，屬于人工智能發展的追趕者，其余省份人工智能發展水平相對落后。

圖2 主要年份中國省際人工智能發展水平

3.2 人工智能發展區域差異及來源分析

本文運用Dagum基尼系數及子群分解方法，對中國人工智能發展的總體差異、區域內差異、區域間差異和轉移變異進行分析，以反映人工智能發展的差異程度及來源。

(1)中國人工智能發展的總體差異。表2測算的總體基尼系數反映出2003—2018年中國人工智能發展水平在全國層面的空間分布差異及其演變趨勢。從全國層面看，中國人工智能發展的區域差異較大，基尼系數分布在0.480 3～0.594 9之間，空間非均勻特征顯著。從演變趨勢看，基尼系數總體上呈現N型走勢，2003年基尼系數為0.579 92，隨后下降至2009年的0.515 9，年均遞減率達到2.068 2%，表明此階段人工智能發展不均衡問題得到持續緩解；2009—2015年，基尼系數又開始增大并保持在0.562 7～0.594 9之間，說明相較于前一階段，此階段人工智能區域發展不均衡程度加劇；2016年以后，基尼系數開始回落，到2018年，降至0.480 29，說明近幾年人工智能發展不均衡現象有所改善，但總體上，區域差異仍然較大。

(2)中國人工智能發展的區域內差異。從表2可以看出，東部地區人工智能發展的區域內差異最大，平均值達到0.415 6，波動幅度較小，下降趨勢不明顯；西部地區略低于東部地區，平均值為0.381 1，但波動幅度較大，2003—2010年呈正U型波動，2011—2018年呈倒U型波動；東北地區平均基尼系數小于東部和西部地區，2003—2012年呈上升趨勢，2012年以后，基尼系數開始不斷下降；中部地區人工智能發展的區域內差異最小，平均基尼系數為0.211 5，但考察期內的基尼系數呈波動上升趨勢。

(3)中國人工智能發展的區域間差異。從表3可以看出，東—西區域間差異最大，平均基尼系數達到0.721 2；其次是東—中和東—東北，平均基尼系數分別為0.623 9和0.552 8；東北—中和中—西區域間差異較小，平均基尼系數分別為0.351 5和0.367 4。從波動趨勢看，東—西與東—中波動趨勢基本一致，呈下降—上升—下降的小幅波動趨勢；東北—西和東北—中波動趨勢基本一致，呈下降—上升—下降的大幅波動趨勢，2012年和2013年東北—西的基尼系數一度超過東—東北同期數據，而2018年東北—西的基尼系數卻小于所有區域間基尼系數；中—西波動幅度在2003—2008年較小，在2009—2014年上升幅度較大，2014—2018開始明顯下降。

具體而言，2014—2018年，東北—西、東—西和中—西的基尼系數均呈下降趨勢，表明該階段西部地區人工智能發展水平有所提高。2007—2012年，東北—西和東北—中的基尼系數呈上升趨勢，表明該階段東北與中西部地區人工智能發展水平差距有所擴大。東北—中和中—西的基尼系數呈交錯變化趨勢，2004—2008年，人工智能發展水平的中—西差異大于東北—中，2009—2014年，東北—中差異逐漸擴大，超過中—西差異，2014—2018年，東北—中差異大幅縮小，開始小于中—西差異，到2018年，兩者都維持在0.33左右。2003—2017年，東—西和東—中的基尼系數變化趨勢基本一致，但在2017—2018年，東—西的基尼系數有所下降，而東—中的基尼系數有所上升。

表2 全國及四大區域人工智能發展的基尼系數

表3 人工智能發展區域間基尼系數

(4)中國人工智能發展區域差異來源及其貢獻。表4報告了中國人工智能發展區域差異來源及其貢獻，2003—2018年，區域間差異貢獻占比最大，遠大于區域內差異和轉移變異貢獻，但2010年以后基本呈下降趨勢，由2010年的71.905 1%下降至2018年的65.925 3%。區域內差異貢獻率維持在22%左右，2010年以后呈小幅上升趨勢，由2010年的21.639 5%上升至2018年的23.406 7%。轉移變異主要用于識別區域間的交叉重疊現象，如東部地區人工智能發展水平顯著高于西部地區，但東部地區人工智能發展水平較低的部分省份可能低于西部地區人工智能發展水平較高的省份(如四川、重慶、陜西等)。2003—2009年，轉移變異貢獻基本維持穩定，到2009—2014年，轉移變異貢獻明顯增加，表明湖北、湖南、四川、重慶等中西部地區省份人工智能發展水平超過東部地區部分省份(如河北等)。綜上，中國人工智能發展水平總體差異主要來自于區域間的巨大差距，區域內差異并不是導致總體區域差異的主要原因，而不同區域間的交叉重疊對于總體差異造成的影響更小。區域間差異貢獻遠超轉移變異貢獻，說明不同區域間人工智能發展的凈差異較大，從而造成全國范圍內人工智能發展不均衡。

表4 基尼系數分解結果

3.3 人工智能發展分布動態分析

前文利用Dagum基尼系數從相對差異角度刻畫了中國人工智能發展的區域差異及其來源，下文將從絕對差異角度，利用核密度估計法，通過估計核密度曲線的位置、形態和延展性等，探討2003—2018年中國人工智能發展的分布動態特征。

3.3.1 全國人工智能發展整體分布動態

本文對省際人工智能發展水平進行年度核密度估計，并繪制不同時段人工智能發展水平的分布動態圖(見圖3)。由圖3可知，觀測期內，中國人工智能發展大致可以分為2003—2006年、2007—2010年、2011—2014年和2015—2018年4個階段。這4個階段的分布曲線不斷右移，其中，2003—2010年右移幅度較小，到2011—2014年右移幅度增大，尤其是2015—2018年右移幅度最大，說明我國人工智能發展水平正在不斷提升，尤其是2015年之后，提升速度最快。此外，4個階段的主峰高度持續下降，曲線寬度不斷擴大，意味著省際間人工智能發展水平的絕對差異呈擴大態勢。

從分布位置和形態看，主峰位置不斷右移，主峰高度持續下降。具體地，2003—2006年、2007—2010年、2011—2014年和2015—2018年主峰中心位置橫坐標分別位于0～0.005、0.01～0.02、0.02～0.05和0.07～0.1之間，主峰高度分別位于75～137、30～60、12～22和5～8之間。從分布延展性看，4個階段都具有右拖尾現象，且延展性呈明顯拓寬趨勢，表明每個階段都存在人工智能發展水平相對較高的省份，且隨著時間推移，其相對水平不斷提升。此外，4個階段均出現側峰，且側峰不斷右移，但峰值較小，說明中國人工智能發展水平存在一定梯度效應，各梯度發展水平在考察期內均有所提升，整體呈現出多級分化趨勢。

3.3.2 區域層面人工智能發展水平分布動態

對區域層面人工智能發展水平進行核密度估計，結果如圖4所示。整體看，東部地區人工智能發展水平呈正態分布；東北地區表現為強烈的兩極分化；中部地區2003—2010年呈正態分布，2011—2018年開始出現側峰，但側峰峰值較小；西部地區呈現出強烈的多級分化趨勢，有多個小側峰出現。這說明東部地區人工智能發展具有擴展效應，東北地區呈現兩極分化效應，中部地區擴展效應和回程效應程度相當，西部地區則表現為多極分化效應。可能的原因是，人工智能發展領跑省份都位于東部地區，東部地區通過技術溢出帶動周圍地區人工智能發展；東北地區僅遼寧的人工智能發展水平較高，而吉林和黑龍江屬于人工智能發展的落后者，促使與人工智能相關要素進一步向遼寧集中；中部地區的湖北和湖南人工智能發展水平相對較高，但與區域內其它省份差距不大，因而在引入人工智能資本、智能應用等方面對其它省份可能存在擴散效應，但同時也不可避免地在人才、企業生產等方面具有回程效應；西部地區的四川和重慶人工智能發展水平排名基本處于前10位，陜西在10～15位之間，而其它省份則處于25位之后，多極分化效應促使人工智能發展要素向多個中心點集聚。

圖3 不同時段人工智能發展水平分布動態

從分布位置看，四大區域的主峰位置都在不斷右移，說明考察期內人工智能發展水平在不斷提升。其中，東部地區4個階段的平均峰值分別為0.015、0.02、0.05、0.15，東北地區平均峰值分別為0.005、0.01、0.02、0.05，中部地區平均峰值分別為0.005、0.01、0.025、0.075，西部地區平均峰值分別為0.001、0.005、0.007、0.025。這說明考察期內，東部地區人工智能發展水平提升速度最快，2003—2010年東北地區和中部地區人工智能發展水平相當，但2011—2018年中部地區略高于東北地區，西部地區人工智能發展水平提升較慢。從分布形態看，四大區域的主峰峰值均在不斷下降，主峰跨度變寬，說明考察期內各區域人工智能發展水平整體差異擴大。其中，東部地區4個階段的最高峰值最大，主峰跨度最寬，表明東部地區內部人工智能發展水平差異最大，這印證了Dagum基尼系數分析結果。從分布延展性看，考察期內四大區域均表現出右拖尾現象，說明四大區域內都存在人工智能發展水平相對較高的省份，如東部地區的北京、上海、廣東、江蘇、浙江等，東北地區的遼寧，中部地區的湖北和湖南，西部地區的四川、重慶和陜西等。此外，考察期內四大區域的核密度曲線都具有較好的延展性，說明人工智能發展水平相對較高的省份，其相對水平也在提升。

圖4 區域人工智能發展水平分布動態

4 結論與政策建議

4.1 研究結論

實施區域協調發展戰略是新時代國家重大戰略之一，而人工智能作為經濟發展的新引擎和社會建設的新機遇，勢必會為區域協調發展帶來新格局。在此背景下，本文構建人工智能發展評價指標體系，通過對2003—2018年中國內地30個省份面板數據進行相應處理，測度中國省際人工智能發展水平。進一步地，利用Dagum基尼系數和核密度估計方法，考察中國人工智能發展水平的區域差異及分布動態演進特征。本文主要結論如下：

首先，人工智能發展評價指標體系包含制度環境、基礎設施、技術創新和生產應用4個分項指標，且權重分別為15.099 2%、34.612 6%、20.911 0%和38.867 4%。其次，北京、廣東、江蘇、上海、浙江屬于中國人工智能發展領跑者，山東、遼寧、天津、四川、重慶、湖南、湖北、陜西、福建屬于追趕者，考察期內其余省份屬于落后者。第三，總體上，中國省際人工智能發展空間非均衡特征顯著，樣本期內基尼系數始終保持在0.480 3～0.594 9之間，區域間貢獻率為69.642 3%，區域內貢獻率為22.177 0%，轉移變異貢獻率為8.180 7%。具體地，東—西、東—中和東—東北的區域間差異是主要差異來源，平均基尼系數分別為0.721 2、0.623 9、0.552 8；東北—中、東北—西和中—西的區域間差異較小，平均基尼系數分別為0.353 8、0.470 7、0.367 4；東部、東北、中部和西部地區的平均基尼系數分別為0.415 6、0.314 9、0.211 5、0.387 9，其中，東部和西部的基尼系數超過東北—中和中—西區域間基尼系數。最后，在樣本觀測期內，中國人工智能發展水平不斷提升，但發展水平的絕對差異在逐漸擴大。無論是全國層面還是四大區域層面，人工智能發展均呈現出顯著的非均衡態勢，具體表現為：東部地區表現為擴展效應，東北地區呈現出兩極分化效應，中部地區擴展效應和回程效應相當，西部地區呈現出多極分化效應。

4.2 政策建議

根據以上研究結論，我國人工智能發展存在空間非均衡性，降低區域間差異程度，合理控制區域內部極化現象已經成為人工智能產業發展過程中亟待解決的問題。為此，本文提出以下建議：

首先，重視區域內發展不均衡問題。核密度估計結果表明，四大區域人工智能發展水平均存在區域內差異，這對我國人工智能發展既是挑戰也是機遇。挑戰在于，人工智能是引領未來的戰略性技術，人工智能產業發展不平衡，勢必會加劇我國經濟發展不平衡問題；機遇在于，“星星之火，可以燎原”，在各區域設立一個或多個人工智能發展高地，促使與人工智能發展相關的資金、技術、人才等由中心點向四周有序擴散，待人工智能產業外溢之時，便是形成“燎原”之日。此外，由于基礎設施建設是人工智能發展的基石，對于人工智能發展水平較低的區域，需要充分發揮社會主義制度集中力量辦大事的優勢，夯實基礎設施建設，提供培育人工智能發展的平臺。

其次，統籌區域間人工智能協調發展，促進人工智能與實體經濟深度融合。本文實證結果表明，區域間差異是人工智能發展的主要差異來源。探索人工智能帶動實體經濟發展模式，通過縮小人工智能發展區域間差距，促進區域經濟協同發展，是當前我國人工智能發展進程中亟需解決的問題。Dagum基尼系數表明，東—西、東—中、東—東北區域間差異最大。因此，在推進人工智能發展過程中，要分階段、分批次實施建設，不能 “一把抓”。根據構建的指標體系，除需要營造有利于人工智能發展的制度環境和技術創新環境外，西部地區要重點夯實人工智能發展的基礎設施建設，而中部和東北地區則要制定相關政策，重點助力相關智能制造企業發展。此外，根據人工智能發展的領跑者、追趕者和落后者角色，政府可以制定省際間協作機制，打破阻礙人工智能技術流動的壁壘。例如，依照 “點、線、面、體”遞次推進，領跑者形成線，追趕者形成面，最終縮小區域間差異，形成中國人工智能發展優勢，帶動國家競爭力整體躍升和跨越式發展。