工業智能化對綠色創新效率的影響研究

張琦 蔣軍鋒 賈竇潔

摘 要：工業智能化提供的技術優勢不僅推動了數據、信息和知識的溢出、共享和重組，還影響了勞動力等要素的投入結構和綠色生態。在推動智能技術與實體產業融合過程中，政府干預扮演的角色愈加突出，本研究對三者之間的邏輯關系進行理論分析和實證檢驗。研究發現：工業智能化能夠顯著地提高綠色創新效率；政府干預正向調節工業智能化對綠色創新效率的驅動作用；不同政府干預水平下工業智能化對綠色創新效率的影響作用并不是均質的，隨著政府干預水平的提高，工業智能化水平對綠色創新效率的促進作用呈現“階段式增強”的特征。

關鍵詞：工業智能化；綠色創新效率；政府干預；調節效應；門檻效應

文章編號：2095-5960（2023）05-0101-10；中圖分類號：F424.3；文獻標識碼：A

一、 研究背景

在資源約束和環境壓力日益嚴峻背景下，尤其是自2020年9月中國向國際社會做出“力爭2030年前實現碳達峰，2060年前實現碳中和”承諾以來，綠色創新受到了前所未有的重視。［1］同時，智能技術的廣泛應用為工業發展提供了“工業智能化”轉型升級的全新方向。工業智能化也為促進綠色創新效率水平提升提供了新的驅動可能。于傳統意義的創新效率而言，當知識創新完成向技術創新實踐過渡之后，智能技術利用其自身技術優勢影響知識溢出過程，擴展了技術創新應用范圍且加深了技術創新商業化應用程度，對提升創新效率產生積極作用；于綠色發展而言，工業智能化在生態環保領域的潛能也逐漸凸顯。因此，不同國家或地區嘗試通過各種形式與內容的傾斜性鼓勵或約束政策，干預工業智能化及相關產業的發展。

然而，工業智能化推進的過程需要新建能源密集型基礎設施，反而可能會造成新的碳排放源。那么在分析創新效率過程中同時兼顧非期望產出環境污染排放和非典型投入能源消耗之后，工業智能化還能否改善或提高綠色創新效率水平？其作用路徑或影響機制是怎樣的？上述作用過程中是否受到政府干預因素的調節？根據以上擬解決的問題，本研究可能存在的邊際貢獻主要體現于：①創新性地將工業智能化與綠色創新效率結合起來，識別驅動綠色創新高效發展的因素，剖析了工業智能化驅動綠色創新驅動的途徑。②將政府干預納入同一框架中，分析并檢驗其在工業智能化影響綠色創新效率過程中的調節作用。

二、影響機制與假設建立

（一）工業智能化與綠色創新效率

智能技術在工業生產過程中的深度融合，通過改善技術的性能與創新過程，對技術創新和知識溢出產生巨大的影響。［2］在研發勞動方面，工業智能化擺脫了低技能手工勞動局限，通過計算機技術代替簡單的重復的腦力勞動，使研發人員能夠從基礎性工作解放出來，為復雜的高級的研發設計工作提供更多的勞動力，為創新活動中對知識的學習和應用提供了更大的行動空間。［3］在知識溢出方面，知識的外溢往往受到認知距離的約束。工業智能化使得企業大幅度提高信息的搜集和處理能力，打破了認知距離在工業維度和地理維度的限制，能在更大范圍內實現共享和外溢并且加速了知識和信息的流動與整合。［4］在技術性質方面，作為通用目的的智能技術通過“發明方法”往往比任何單一新產品具備更大的潛在價值。［5］智能技術同時能夠促進互補性創新，帶來乘數效應。［6］在一些極端的情況下，智能技術甚至可能會迅速地自我完善并引致奇點的到來，在有限的時間內帶來無限的經濟增長。［7］

工業智能化促進綠色轉型過程中能源種類和勞動力需求存在替代效應，為提高生態效益提供技術優勢和驅動潛能。［8］一方面，有賴于新興技術的進步與應用，改變現有工業生產模式中對傳統化石能源的依賴，逐步增加可再生能源在能源消費結構中的占比。另一方面，能源效率的提高需要面向可再生能源進行大量基礎設施投資，工業智能化過程中釋放的勞動力一定程度上能夠滿足綠色轉型的需要。工業智能化在環境保護與污染治理等領域的應用也逐漸加強，一定程度上緩解了工業生產過程中所產生的生態破壞等問題。工業智能化依靠智能技術強大的計算能力，能夠在短時間內發現影響因素之間的隱藏聯系，不斷更新應對環保和污染治理等問題的手段，避免了資源浪費，實現對資源的合理利用，強化低碳減排效用。［9］當前主要應用形式包括：智能預示、資源節約和問題監測三大類。［10］

基于以上“知識技術創新”和“綠色轉型”兩個角度的分析，提出以下假說。

H1：工業智能化水平的提高能夠促進綠色創新效率的增長。

（二）政府干預調節作用分析

對于工業智能化而言，無監管無約束地發展可能產生破壞性競爭、無法提高人工生產效率等負面影響。D. Acemoglu et al.研究指出智能化技術在工業領域的過度滲透，將不利于生產效率的提高。［11］同用于開發新產品、新服務和新生產技藝的技術平臺一樣，如何發展智能技術也擁有許多選擇，在沒有任何監管的前提下，智能技術應用產生的結果并不會完全符合人類所寄予的良好愿景。但僅僅依靠市場競爭來遏制或扭轉上述負面影響的發生是不夠的，因此一定程度的人為監管或政策管制來調整智能化技術研究發展及應用方向是必要的。從技術創新角度看，對政府通過環境規制、創新補貼等激勵或約束政策干預創新活動的研究經驗已經比較充分。[12]因此，在研究工業智能化和技術創新之間的關系，或者對其他經濟變量影響過程中，有必要將政府干預的存在及其功能納入分析框架。

政府可通過產業政策引導可直接干預工業智能化發展。一方面，工業智能化是智能技術同實體產業嵌入融合的過程，這個過程既包含傳統產業依靠智能技術的革新，也包括新興智能產業的衍生。因此上升至產業發展維度，工業智能化進程的推進離不開政府“有形的手”進行頂層設計和政策布局，為工業智能化或智能轉型提供更多驅動力。［13］尤其是在我國基礎理論和底層算法能力創新不足、產業生態圈和產業鏈尚不完善的背景下，積極發揮政府的引導和支持的作用，對于破解上述工業智能化發展的制約因素是重要的途徑之一。［14］在實際政府治理過程中，無論是國家還是地方，針對工業智能化或者智能產業發展都進行了大量的政策工具施以干預，這些政策工具包括創造環境類、動力供給類和擴大需求類三種類型。［15］另一方面，工業智能化對于勞動力結構所產生的顯著的“兩極化”調整特征，可能導致社會勞動力需求及勞動份額進一步失調，從而加劇社會不平等，單純依靠技術進步解決因工業智能化產生的經濟增長以及人口等方面的負面問題并不現實。如果政府不控制工業智能化的發展，資本將由傳統物質部門流入智能化部門，利益分配將出現重此抑彼的現象。［16， 17］因此政府需要一定的政策干預控制工業智能化發展，在充分釋放工業智能化提升生產效率的同時，規避工業智能化無序發展產生的弊端。并在利益分配過程中可充分發揮主導作用，促進技術紅利惠及全社會。

政府干預為綠色治理提供公共管理和制度保障。實現綠色治理和經濟綠色轉型對國家治理體系和政府治理能力提出了更高的要求，不僅僅需要來自市場力量的激勵，還需要依靠政府通過有效的監管和機制設計來保證過程的平穩進行。［18］同時需要對退出進行干預，以彌補市場“自發秩序”的功能局限。已有研究表明如果政府對綠色轉型不加以干預，已經形成市場規模和既有投入的生產力將助力高污染部門形成市場競爭優勢，所有創新和生產都將引入該部門，屆時經濟將不得不面臨環境災難。事實上，在國內減排目標和向國際做出“碳排放、碳中和”承諾背景下，中國政府在推進綠色轉型方面不斷嘗試諸多積極措施。以綠色證書交易和全國碳排放交易市場為代表的舉措，就是在政府直接干預下設計的公共管理機制。

基于以上“產業政策”和“綠色治理”兩個角度分析，提出以下假說。

H2：政府干預對工業智能化促進綠色創新效率有正向調節作用。

三、實驗設計

（一）核心變量測算

綠色創新效率測算：將希望通過綠色創新獲得的正常產出稱之為期望產出，而在生產過程中同時附加產生的工業污染稱之為非期望產出。構造一個同時包括期望產出與非期望產出的生產可能性集，假設每個省份在綠色創新生產中使用N種投入x=（x1，…，xN）∈RN+，得到M種期望產出y=（y1，…，yM）∈RM+以及I種非期望產出b=（b1，…，bI）∈RI+，則生產可能性集P（x）可表示為：

P（x）={（y，b）：x可以生產（y，b），x∈RN+}（1）

為了表達在綠色創新生產過程中擴大期望產出同時降低非期望產出的目的，引入方向性距離函數。［19］基于產出角度的方向性距離函數可表示為：

D0（x，y，b;g）=sup{β：（y，b）+βg∈P（x）}（2）

式中，g=（gy，－gb）表示產出擴張方向向量，它能夠反映決策單元對期望產出和非期望產出的不同效用偏好，在此假定二者按照同比例擴張或收縮，即g=（y，－b）。β表示該比例在既定生產可能性結構下最大可能數值。省份k′（xtk′，ytk′，btk′）在t時期的方向性距離函數可利用數據包絡分析轉述為如下線性規劃問題：

在方向性距離函數基礎上可以構造Malmquist-Luenberger（ML）生產率指數，以該指數此表示綠色創新全要素生產率（GTFP），即本研究被解釋變量綠色創新效率?；诋a出從t到t+1時期的ML指數可以通過計算四個方向性距離函數測得：

以ML指數表示的綠色創新效率可以進一步分解為綠色技術效率變化指數（GTEC）和綠色技術進步變化指數（GTC）。［20， 21］綠色技術效率變化指數（GTEC）體現的是在綠色創新活動中技術落后者向技術先進者的追趕速度，反映了生產決策單元向生產前沿面的追趕效應，公式為：

同傳統的Malmquist指數一致，綠色創新全要素生產率（GTFP）、綠色技術效率變化指數（GTEC）和綠色技術進步變化指數（GTC）三個指標參照值為1。三個指數如果大于（小于）1，則分別代表綠色創新全要素生產率增長（下降）、綠色技術效率改善（惡化）和綠色技術進步（退步）。為了后續進行對比研究，利用未包含非期望產出的投入產出數據，在DEA-Malmquist框架測算出傳統創新全要素生產率及其分解指數，以分析工業智能化對創新效率影響框架中是否納入非期望產出兩種情境的差異。

工業智能化水平：Acemoglu等提出的工業機器人安裝密度指標［22］，基于國際機器人聯盟（IFR）提供的數據，采用“行業映射、地區連接”的計算方法，是近期學界研究國家或地區工業智能化時廣泛采用的量化方法。本研究采用工業機器人安裝密度指代，具體測算公式為：

式中，下標i、t和j分別代表時間、地區和行業的標識，Lit代表i地區t年的城鎮單位就業人員數量，Ljt代表j行業t年就業就業人員數量，Lijt則代表i地區j行業t年的就業人員數量，Robjt代表j行業t年工業機器人安裝存量。

（二）計量模型構建

為考察工業智能化對綠色創新效率的影響效應，構建如下基準模型。

其中下標q代表控制變量的標識；被解釋變量綠色創新效率GTFP為以ML指數測算的各省份綠色創新全要素生產率，核心解釋變量IndI為各省份工業智能化水平，ConVar代表控制變量組；μi和γt分別代表地區固定效應和時間固定效應的標識，μit為隨機誤差項。

為了檢驗和分析政府干預在工業智能化影響綠色創新效率過程中的調節作用，在基準模型的基礎上引入調節變量政府干預（Gov）及其與核心解釋變量IndI的交互項，構建如下調節效應模型。

（三）變量與數據

在構建測算綠色創新效率的投入產出指標體系過程中，投入指標方面加入了資本投入與勞動力投入。其中資本投入具體量化指標是以R&D內部經費為基數通過永續盤存法，將折舊率設置為96%進行R&D固定資產存量的核算，初始期R&D固定資產存量采用等比求和法進行計算。［23］此外，投入指標中還加入了非典型的投入變量即能源消費。綠色創新期望產出從兩個方面進行考量，一方面是代表新方法、新工藝的知識屬性的產出，另一方面則是代表新知識市場化和商業化水平的經濟屬性產出，二者也分別為綠色創新過程的中間產出和終端產出。非期望產出用工業三廢相關指標，衡量綠色創新引發的環境效應。［24］

測算核心解釋變量的原始數據來源于IFR，其提供的機器人存量數據是基于國家及對應的行業層面，且統計過程中的行業分類標準與中國實際并不完全一致。借鑒閆雪凌的做法，對相關行業做合并處理。［25］考慮工業機器人在實際生產過程中的安裝等必要技術工藝需投入一定的時間，故對其進行滯后一期處理。

調節變量政府干預，在地方財政一般預算支出的基礎上剔除地方財政一般公共服務支出，用其差值同GDP的占比予以表征。［26］

除了上述兩個變量分別作為調節效應模型的被解釋變量和核心解釋變量之外，為了避免遺漏變量，從經濟水平（Level）、產業結構（IndS）、金融發展（Fin）、對外開放程度（Open）和基礎設施（Infra）五個方面，構成控制變量組。調節變量以及控制變量代理指標，也參考文獻根據一般的經驗進行選取。綜上，各個變量、含義、符號等信息歸納于表1。

樣本區域和尺度限制在中國30個省級行政區①①即不包括香港、澳門特別行政區、臺灣地區和西藏自治區。 ，樣本期窗口設置為2011～2020年。各指標原始數據收集于2012～2021年《中國統計年鑒》《中國科技統計年鑒》《中國勞動統計年鑒》等資料。為了消除價格波動的影響，涉及貨幣類的指標以2011年為基期平減，經營單位所在地進出口總額在采用年平均匯率換算后再行平減。為了減少數據異方差對回歸結果所產生的影響，對部分指標進行了取對數處理。根據研究的需要，初始年綠色創新效率及分解指標設定為1。

四、實證分析

（一）基準回歸結果分析

本研究主要目的是分析工業智能化對綠色創新效率的影響，以及政府干預所起到的調節作用。因此采用研究調節效應的一般范式——層級回歸法，通過逐步加入變量，觀察回歸結果解釋力是否發生顯著變化，此亦可間接反映模型構建的穩健與否?？紤]到在進行綠色創新相關研究時面板數據在時間和區域維度會受到擾動項自相關的影響，致使回歸系數和標準誤被低估，因此需要在模型中對時間效應和區域效應進行控制。模型回歸前進行豪斯曼檢驗提示選擇固定效應模型，故后續報告均為時間效應和地區效應同時進行固定的回歸結果?；鶞驶貧w結果匯總于表2。

通過對比模型（1）分析主效應，核心解釋變量工業智能化對綠色創新效率的回歸結果顯著為正，說明工業智能化在一定程度上促進了綠色創新效率的增長。驗證假說H1的成立。與模型（4）對比可見在未考慮非典型投入和非期望產出的背景下，工業智能化主效應程度有所提高，因此在分析創新效率過程中忽略能源投入和環境污染產出等生態效益，可能會高估工業智能化對創新效率的促進作用程度。

在模型（3）中政府干預和工業智能化交互項系數在1%水平下顯著為正，且與未加入交互項的模型（4）相比模型擬合優度顯著提高，表明政府干預起到了正向調節效應，一定程度的政府干預能夠強化工業智能化對綠色創新效率的促進作用，驗證了假說H2的成立。

為了進一步辨識工業智能化對技術進步或者技術效率的影響，分別以綠色創新效率的分解指數綠色創新技術效率和綠色創新技術進步為被解釋變量，沿用之前的模型進行分析，回歸結果見表3。從主效應看，工業智能化對綠色創新技術效率的影響大于綠色創新技術進步，政府干預調節作用在二者之間的差異亦如是。從綠色創新效率分解指數回歸結果來看，工業智能化對綠色創新效率的正向影響作用同時來源于其對綠色技術進步和綠色創新技術效率兩方面的加強。從綠色創新技術進步的角度看，工業智能化可以克服信息傳播的時空限制，實現對移動化、碎片化海量數據的收集、整合和分析，以其開放性和共享性優勢直接降低信息搜索的難度，加速創新活動中信息和知識的傳播和交流。這有利于創新要素的集聚和積累，進而帶動技術創新。工業智能化以其無污染的特性可以顯著推動綠色技術創新，同時也使得污染行為更加透明，迫使創新主體提高綠色創新的意識。新興綠色技術借力于工業智能化進行更加高效的研發、傳播與應用，創新主體人員實現對新技術的掌握和經驗積累，技術溢出效應亦促進了綠色創新技術進步。從綠色創新技術效率的角度看，工業智能化有利于降低創新的不確定性和創新成本，提高創新過程中的能源利用效率，從而有效減少創新過程中的研發資金、研發人員、能源等要素投入，減少創新資源浪費和能源消耗。工業智能化領域中互聯網等媒介技術進步，提高了信息溝通和決策效率，節約了時間成本，從而加速綠色技術創新過程。同時，工業智能化通過數字技術加強對生產要素和市場供需的監控，有助于對市場變化的快速響應，降低了市場交易阻礙和成本，提高了綠色創新成果市場化交易速度，從而對綠色創新技術效率起到正面影響。回歸結果對比可見，工業智能化對綠色創新技術效率的加強作用更為顯著。

（二）政府干預非線性分析

通過加入交互項分析調節效應，只能從單調遞增或單調遞減的線性效應角度分析政府干預的調節效應。為了彌補這一局限，更深入地辨析政府干預作用于工業智能化影響綠色創新效率的過程，引入非線性的門檻效應模型。門檻效應模型的基本思想將某一門檻值作為一個未知變量納入回歸模型之中建構分段函數，并且估計和檢驗相應的門檻值以及門檻效應的。采用Hansen提出的面板回歸模型［27］，根據本研究具體涉及的對象，將政府干預作為門檻變量，考察不同水平下的政府干預，工業智能化對綠色創新效率產生的影響性質和大小。以單門檻效應為例，建立模型如下：

式中，th代表門檻值，I（·）代表示性函數，當括號內不等式成立時取值為1，不成立時取值為0。采用自助法反復抽樣之后，門檻值搜尋過程及結果見表4。由搜尋結果可見政府干預門檻變量在工業智能化作用于綠色創新效率過程中具有顯著的單門檻效應，門檻值為04238，雙門檻與三門檻均未通過檢驗，且傳統創新效率門檻值與之相同；而以綠色創新技術效率為被解釋變量時，政府干預存在兩個門檻值，分別為02224和03768，同時傳統技術效率也通過了雙門檻檢驗；而以綠色技術進步為被解釋變量時未搜尋到門檻值，而在傳統技術效率情境下存在單門檻效應。

在此基礎之上設定相應門檻個數的回歸模型，得到回歸結果如表5。由于在以綠色創新技術進步為被解釋變量并未搜到門檻值，因此模型（15）回歸結果并不具有解釋作用，僅作為對比參考予以匯報。

由于傳統創新效率和綠色創新效率具有相同的門檻值，因此可將模型（13）和模型（16）進行政府干預影響效應對比。政府干預在未通過門檻值04238時，工業智能化對傳統創新效率影響顯著為正，而對綠色創新效率影響則顯著為負，提示在現階段創新過程中，低水平的政府干預由于對創新支持力度較弱或者對生態環境政策規制的放松，無法實現工業智能化促進綠色創新效率的情境。而這一論斷也從第二階段回歸結果得到了驗證。政府干預水平在跨越門檻值之后，工業智能化對傳統創新效率正向效應發生顯著提高，而對綠色創新效率的影響也由負向影響轉向正向影響。模型（14）和模型（17）雙門檻回歸結果可見，政府干預對綠色/傳統創新技術效率影響出現“階段式增強”的特征，對比綠色技術進步門檻值搜尋和模型（15）可知，在政府干預的作用下，綠色創新技術效率受工業智能化的影響比綠色技術更加敏感。

（三）內生性與穩健性檢驗

內生性問題可能會影響估計結果，故分別對固定效應模型和面板門檻模型進行內生性檢驗，借鑒唐曉華等和孫早等的做法［28， 29］，使用同時期本地區以外省份的工業機器人密度均值的對數作為工具變量。本地區以外省份工業智能化平均水平與本地區的工業智能化水平存在一定的相關性，而與該地區工業綠色發展效率不存在直接聯系，滿足工具變量的外生性假設。內生性檢驗結果見表6，其中第1列和第2列分別以前文表2中的模型（3）和模型（6）為對比基準模型，第3列以前文表5中的和模型（13）為對比基準模型。對比可見在考慮了內生性問題之后，前文工業智能化對綠色創新效率以及政府干預的調節效應依然顯著成立。

采用替代被解釋變量的方法進行穩健性檢驗。通過綠色創新投入、綠色創新環境、綠色創新產出以及綠色創新吸收與擴散四個維度，構建包含24個指標綜合指標體系，利用熵權-TOPSIS方法予以合成代替前文綠色創新效率指標。分別以表2中模型（3）和表5中的模型（13）為基礎重新進行回歸，穩健性檢驗結果分別匯報于表6的第4列和第5列。線性模型之下工業智能化對綠色創新效率的推動作用，以及政府干預的調節仍然顯著存在，門檻模型之下工業智能化與綠色創新效率的非線性關系依然成立，驗證了前文實證結論是具有穩健性的。

五、結論與建議

基于中國內地30個省級行政區2011～2020年的面板數據，在采用包含非期望產出的Malmquist-Luenberger指數對綠色創新效率進行測算的基礎上，實證分析了工業智能化對綠色創新效率的影響，并檢驗了政府干預的調節作用。經檢驗發現工業智能化能夠顯著地促進綠色創新效率的增長，政府干預對上述過程能夠起到正向調節效應。而且政府干預的調節作用存在非線性，隨著政府干預水平的提高，工業智能化水平對綠色創新效率促進作用出現“階段式增強”的特征。根據以上分析發現的問題以及研究得出的結論，提出如下政策建議。

擁抱智能技術、重視工業智能升級。主效應的回歸結果啟示工業智能化是提高綠色創新效率的重要途徑之一。作為新一輪科技革命的引領性技術，應加強對智能技術的重視程度，以及工業智能轉型的意識，破除“不想轉、不敢轉”的保守消極思想。積極采取各種針對性措施鼓勵工業智能化發展，強化智能技術在新知識商業轉化的過程中優勢作用，進而促進區域綠色創新效率提升，助力實現綠色可持續的創新驅動。

政府主動參與、積極合理引導。調節效應分析結果再次證明了“有形的手”人為干預市場經濟運行的重要性，結合描述性統計和門檻效應“階段性增強”的分析結果可見，當前政府干預水平尚未觸及邊界。因此可以適當提高政府干預力度，強化其對工業智能化影響綠色創新效率水平的調節效應。一是可以借助于頂層產業政策，引導產業發展與新型智能技術的深度融合，推動工業智能化升級或轉型；二是可以借助于全國統一大市場的建設，通過制度與規則打破地方保護與市場分割，以避免工業智能化發展在區域間形成兩極分化的現象；三是進一步提高對研發創新的支持力度，同時借助技術進步與環境政策規制，推動實現生產活動兼具“綠色”和“創新”特性，從而提升綠色創新效率，最終助力經濟高質量發展。

參考文獻：

［1］楊陽， 曾剛， 葛世帥， 等. 國內外綠色創新研究進展與展望 ［J］. 經濟地理， 2022（3）： 10～21.

［2］費艷穎，劉彩薇.習近平人工智能重要論述：發軔理路、邏輯結構及理論特色[J].理論學刊，2021（4）：5～13.

［3］黃蕊， 徐倩， 趙意. “人工智能+”模式下我國傳統產業的效率鎖定與解鎖——基于路徑依賴理論視域 ［J］. 經濟問題， 2020（2）： 75～82.

［4］徐偉. 工業互聯網賦能先進制造業企業轉型影響因素——基于山東省先進制造業企業的研究 ［J］. 濟南大學學報（社會科學版）， 2022（5）：94～107.

［5］劉亮， 李廉水， 劉軍， 等. 智能化與經濟發展方式轉變：理論機制與經驗證據 ［J］. 經濟評論， 2020（2）： 3～19.

［6］朱恒源，王毅.智能革命的技術經濟范式主導邏輯[J].經濟縱橫，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. 環境保護中人工智能技術應用的風險治理 ［J］. 自然辯證法研究， 2022（8）： 67～72.

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

［12］田澤，王若梅，肖欽文，等.長三角區域先進制造業綠色技術創新效率研究[J].安徽師范大學學報（人文社會科學版），2021（5）：137～147.

［13］余典范， 王超， 陳磊. 政府補助、產業鏈協同與企業數字化 ［J］. 經濟管理， 2022（5）： 63～82.

［14］宋琪， 谷灝. 政策“工具-功能”視角下人工智能產業央地政策研究 ［J］. 科學與社會， 2022（1）： 84～102.

［15］袁野， 馬彥超， 陶于祥， 等. 基于內容分析法的中國人工智能產業政策分析——供給、需求、環境框架視角 ［J］. 重慶大學學報（社會科學版）， 2021（2）： 109～121.

［16］薛丹妮.人工智能資本主義應用的資本邏輯及內在張力[J].深圳大學學報（人文社會科學版），2022（5）：130～137.

［17］黃旭， 許文立. 公共政策如何應對人工智能引發的失業風險？ ［J］. 中央財經大學學報， 2022（10）： 71～84；93.

［18］張平. 中國經濟綠色轉型的路徑、結構與治理 ［J］. 社會科學戰線， 2022（8）： 69～81；281.

［19］韓海彬. 中國農業環境技術效率及其影響因素分析 ［J］. 經濟與管理研究， 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］張軍， 吳桂英， 張吉鵬. 中國省際物質資本存量估算：1952～2000 ［J］. 經濟研究， 2004 （10）： 35～44.

［24］王惠， 王樹喬， 苗壯， 等. 研發投入對綠色創新效率的異質門檻效應——基于中國高技術產業的經驗研究 ［J］. 科研管理， 2016（2）： 63～71.

［25］閆雪凌， 朱博楷， 馬超. 工業機器人使用與制造業就業：來自中國的證據 ［J］. 統計研究， 2020（1）： 74～87.

［26］錢龍. 中國城市綠色經濟效率測度及影響因素的空間計量研究 ［J］. 經濟問題探索， 2018（8）： 160～170.

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

［28］唐曉華， 遲子茗. 工業智能化提升工業綠色發展效率的實證研究 ［J］. 經濟學家， 2022（2）： 43～52.

［29］孫早， 侯玉琳. 工業智能化如何重塑勞動力就業結構 ［J］. 中國工業經濟， 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