《现代财经-早读早分享》2025年4月5日周六（第3333期）

今天是2025年4月5 日，星期六，农历三月初八，美好的一天从阅读《现代财经-早读早分享》开始！

每日晨语

---

掌握命运的关键不在于空有雄心大志，而在于不懈奋斗。不存幻想，不放过任何机遇，不中断每日的努力！好运自然伴你而行。周六，早安！

以下内容是由《现代财经》编辑部根据国内外财经类门户网站相关资讯编辑整理而成（总第3333期）。原创不易，敬请尊重。谢谢鼓励。

一、早读分享

1、商务部：加快推进云计算、生物技术等外资试点项目落地。 商务部新闻发言人何亚东在商务部例行新闻发布会上表示，商务部将坚定不移推进高水平对外开放，继续支持外资企业投资中国、深耕中国。进一步扩大对外开放方面， 何亚东表示 ，商务部将按照“落实开放举措宜早不宜迟、宜快不宜慢”的要求，加快推进云计算、生物技术、外商独资医院等外资试点项目落地。维护市场公平竞争方面， 何亚东表示 ，商务部将按照“做到法律适用上一致、地位待遇上平等”的要求，保障外资企业的国民待遇。（中证网）

蔡子微评： 此举措有助于吸引外资进入高科技、高附加值产业，不仅能够带来资金和技术上的支持，还能促进国内相关产业的创新升级和竞争力提升。云计算和生物技术是当前全球科技竞争的前沿阵地，通过外资试点项目的落地，可以加速这些领域的技术引进和消化吸收，推动形成新的经济增长点。同时，这也将增强我国在全球产业链、价值链中的地位，为构建新发展格局提供有力支撑。

话题关注：制度型开放、外资进入与高技术企业成长

2、上海率先形成四大万亿级产业集群。 近日举行的2025上海全球投资促进大会暨“投资上海”活动周开幕式上，随着前瞻部署的10条重点产业链重磅发布，上海率先形成四大万亿级产业集群。此次发布的10条重点产业链，包括集成电路、生物医药、人工智能、高端装备、智能网联新能源汽车、新一代电子信息、时尚消费品、新能源及绿色低碳、先进材料、软件和信息服务，共同组成电子信息、汽车、高端装备、软件和信息服务四大万亿级产业集群。（中国经济导报）

蔡子微评： 四大产业集群的形成，不仅标志着上海在全球产业链中的地位进一步巩固，也体现了其在新兴产业领域的强大竞争力和创新能力。这一成就得益于上海前瞻性的产业布局、开放的产业环境以及持续的创新驱动。随着这些产业集群的不断发展壮大，上海将有望在全球经济竞争中发挥更加重要的作用，为中国经济的持续健康发展提供有力支撑。

话题关注：创新要素配置赋能产业集群发展的作用机理与实现路径

3、央企带头打造企业数据资源开发利用标杆。 “我国拥有超过1.8亿经营主体，企业数据资源开发利用是数据要素市场化价值化的‘主阵地’，必须 要 发挥好企业的主体作用。”2日，国家数据局举办“数据价值化 我们在行动”系列新闻发布会，国家数据局 副局长 陈荣辉在发布会上表示，国家数据局正会同国务院国资委制定国有企业数据效能提升行动的实施方案，加快构建国资央企大数据体系，赋能产业转型升级。（中国经济网）

蔡子微评： 在全球数字经济迅猛发展的背景下，数据作为新型生产要素，正深刻影响着各国经济结构和经济增长方式。然而，数据要素在发展过程中还存在数据确权与数据流通的平衡问题。对此，一方面，制定覆盖不同数据类型的统一登记标准，明确要求登记数据的来源、类别、用途、处理者身份等信息，以确保数据的合规性和可追溯性。另一方面，通过激励措施鼓励企业积极参与数据共享，特别是为中小企业提供更多共享机会。

话题关注：数据要素市场赋能数字经济：价值、困境与发展路径

4、上海出台26条措施促进民营经济高质量发展。 上海市促进民营经济高质量发展大会3日举行。上海官方针对当前民企发展面临的挑战，发布持续优化民营经济发展环境等六个方面的26条具体措施。上海市委书记陈吉宁在会上表示，民营经济是上海发展的重要支柱。上海推动民营经济高质量发展，拥有加快建设“五个中心”的战略机遇，拥有改革开放先行先试的强大动力，拥有龙头带动和链接全球的独特优势。（中国新闻网）

蔡子微评： 营商环境优化是民营经济高质量发展的基石，它通过简化审批流程、降低企业成本，为民营经济营造了公平、透明、高效的市场环境。研发投入则是民营经济转型升级的关键动力，能够帮助企业在技术创新、产品升级上取得突破，提升市场竞争力。营商环境优化与研发投入相互促进，共同推动民营经济从传统要素驱动向创新驱动转变，助力民营经济在高质量发展的道路上行稳致远，成为经济增长的重要引擎。

话题关注：营商环境优化、研发投入与民营经济高质量发展

5、农业农村部：推动实质性派生品种制度早落地早见效，激发育种原始创新活力。 财联社4月3日电，农业农村部召开实质性派生品种制度实施座谈会，落实种子法有关要求，推动实质性派生品种（以下简称EDV）制度早落地早见效，激发育种原始创新活力。会议指出，目前，实施EDV制度的条件基本具备，国外经验可借鉴，国内实践有基础，品种DNA指纹库已建立，相关鉴定技术标准和判定规则正在加快制定。要积极推动植物新品种保护条例及配套规章修订出台，广泛开展科普宣传和解读，做好实施EDV制度的各项准备工作，并协同推进品种审定绿色通道、联合体试验整治和“仿种子”清理，进一步强化保护创新、激励创新的良好环境。（财联社）

蔡子微评： 实质性派生品种（EDV）制度落地面临双重挑战：技术层面，DNA指纹库的“静态性”与育种技术快速迭代存在冲突（如基因编辑可能突破传统分子标记检测框架）；制度层面，EDV判定标准若过于严苛，可能抑制改良品种扩散，反之过松则削弱原始创新保护。更深层矛盾在于，制度试图以“产权明晰”激发育种创新，但小农户与种子企业的议价能力失衡，可能导致“保护创新”异化为“巨头垄断”，反而挤压基层育种多样性。此外，DNA鉴定成本高企与基层执法资源匮乏的错配，可能使制度沦为“纸面保护”。

话题关注：种业巨头垄断风险与反垄断法规的适配性研究

6、保险资金重大股权投资行业范围进一步扩大。 国家金融监督管理总局3日对外发文调整保险资金对未上市企业重大股权投资的行业范围，增加与保险业务相关的“科技”“大数据产业”，引导保险资金加大对国家战略性新兴产业股权投资力度。当日对外发布的《关于保险资金未上市企业重大股权投资有关事项的通知》明确，重大股权投资是指保险机构及其关联方对未上市企业构成控制或共同控制的直接股权投资行为。（中经网）

蔡子微评： 在当前科技和大数据产业蓬勃发展的背景下，将其纳入保险资金投资范围，能为这些新兴产业提供强有力的资金支持。保险资金具有规模庞大、来源稳定的特点，对于科技、大数据企业而言，无疑是 一场“ 及时雨”。保险资金的注入可以助力突破资金瓶颈，加速技术研发、市场拓展等关键环节的推进，进而推动整个战略性新兴产业的发展。

话题关注：保险资金股权投资新政策对战略性新兴产业发展的影响机制研究 — 基于产业关联与创新驱动的视角

7、发展新型消费业态，因地制宜释放地方消费潜力。 消费已成为经济增长的重要引擎，去年底召开的中央经济工作会议将“大力提振消费、提高投资效益，全方位扩大国内需求，实施提振消费专项行动”列为2025年经济工作的首要任务。在今年的全国地方两会上，31个省份都将提振消费作为2025年度工作的核心内容，明确了消费增长目标，提出发展新型消费业态，并从做优消费供给、拓展消费场景、优化消费环境等方面细化了工作举措，旨在全方位扩大内需，推动经济持续稳定增长。（中经网）

蔡子微评： 消费市场快速变化的背景下，需持续关注市场动态，及时调整消费促进政策。在培育新兴消费业态时，应加强对市场趋势的研究和预判，提前布局，如在人工智能、虚拟现实等新技术与消费融合的领域积极探索，抢占发展先机。要注重文化内涵的深度挖掘，让消费者在消费过程中感受文化魅力，增强品牌忠诚度，全面提升消费市场的吸引力和竞争力。

话题关注：新型消费业态的融合发展模式与区域经济竞争力提升策略研究

8、银发红利应运而生。 银发旅游是银发经济的重要赛道之一。越来越多老人在退休后选择走出家门，饱览大好河山，给旅游市场带来新变量。此前有调查显示，“银发族”在工作日的出游占比最高，约占64％，明显高于其他年龄段人群。需求升温引领供给升级，银发旅游产品正从传统的观光旅游逐渐转向更为多元化 的品质化旅游 。以银发旅游专列为例，国铁集团近日表示，未来3年，将设计100条以上铁路银发旅游精品路线，打造160组适老型专用车组，银发旅游列车开行总规模将达到2500列以上。（经济日报）

蔡子微评： 随着老年人口的激增，银发经济的快速发展不仅能提升老年人的生活质量，也为社会经济带来了新的增长点。银发旅游等服务的创新，不仅彰显了社会对老年人群体的关怀，更展示了老年人群体多样化、活力化的需求。未来，进一步优化养老服务和产业链条，将是推动银发红利实现的关键。

话题关注：新型消费观念下银发旅游对经济增长的空间溢出效应研究

9、人工智能助力培育新型消费。 技术创新催生新消费热点。当前，人工智能（AI）技术热潮席卷各行各业，深刻影响消费的供需两端。一方面，AI技术推动消费场景更新；另一方面，新消费的 规模化发展 又推动了AI技术的加速应用与落地。近日，中共中央办公厅、国务院办公厅印发的《提振消费专项行动方案》指出，支持新型消费加快发展，开展“人工智能+”行动，促进“人工智能+消费”。近期，AI相关产品受到消费者广泛关注。AI产品成交量同比增长76%，环比增长89%。大众对AI的兴趣，正从应用端向消费端延伸。（经济日报）

蔡子微评： 随着人工智能技术的迅速发展，AI产品在消费市场中逐渐占据一席之地。中共中央办公厅和国务院办公厅发布的《提振消费专项行动方案》明确提出“人工智能+消费”战略，推动了AI技术在消费领域的广泛应用。消费者对AI产品的热情高涨，尤其在智能家居和家用电器领域，展现了强烈的需求。然而，技术进步和成本控制仍是关键，未来随着技术的成熟和成本的降低，AI将在消费市场中迎来更广阔的发展空间。

话题关注：人工智能赋能消费场景创新的作用机理与实现路径

10、拼多多加码高质量生态建设：计划三年投1000亿，扶持商家转型升级。 4月3日，拼多多“商家权益保护委员会” （ 以下简称“商保会” ） 宣布，平台将推出重磅惠商计划——“千亿扶持”，未来三年内拟投入资金、流量等资源超过1000亿元人民币，加码高质量电商生态建设，助推平台商家 创新提质 转型升级，全力构建用户、商家及平台多方共赢的商业生态。这是继2024年“百亿减免”“电商西进”“新质商家扶持计划”等惠商举措后，拼多多推出的新一项商家扶持战略，资源投入力度空前。（中国新闻网）

蔡子微评： 平台驱动下的高质量电商生态建设具有重要意义。电商平台作为核心纽带，整合了商家、消费者、物流、支付等多元要素，形成了庞大且复杂的商业网络。通过技术创新与规则优化，平台能够提升交易效率，保障交易安全，促进商品和服务的高效流通。同时，良好的电商生态还能激发中小商家的活力，推动产业数字化转型，助力消费升级。然而，生态建设也需关注数据隐私保护、虚假信息治理等问题，以实现可持续发展，为经济高质量发展注入新动力。

话题关注：平台驱动下高质量电商生态建设的内涵及发展路径研究

11、福建：促进首发经济高质量发展，对符合条件的福建首店给予最高不超过50万元资金奖励。 财联社4月3日电，福建省商务厅、福建省财政厅近日印发《促进首发经济高质量发展的若干措施》，其中提出，支持国内外知名品牌开设福建首店。福建首店是指在行业内具有较高代表性、知名度和美誉度的品牌在福建省内开业的第一家具有一定规模和代表性的门店；或以上品牌现有门店通过创新业态、模式或场景升级开设的具有创造性改变、有别于传统门店的创新型门店。对符合条件的福建首店给予最高不超过50万元资金奖励。（财联社）

蔡子微评： 福建省“首店经济”补贴政策试图通过资金激励打造消费地标，但其制度设计存在三重风险：一是“首店”认定标准模糊（如“创造性改变”缺乏量化指标），可能诱发企业通过“换壳翻新”套取补贴，催生“伪创新”泡沫；二是区域间政策攀比导致“首店争夺战”，加剧城市商业同质化竞争（如多个城市争抢同一品牌区域首店）；三是50万元上限对国际顶奢品牌吸引力有限，而对中小本土品牌则可能扭曲其正常扩张节奏，诱发“为补贴而开店”的短视行为。更深层矛盾在于，政策聚焦“首店”数量增长，却忽视在地文化融合与商圈生态协同，可能陷入“有首店无客流”的运营困境。

话题关注：中小品牌“补贴依赖症”的形成与破解路径

12、县域消费多点开花。 县域消费正在加速崛起，成为拉动消费市场的“潜力股”。今年1月份至2月份，包含镇区和乡村地区的县乡消费品零售额占社会消费品零售总额的比重为38.4%，比上年同期提高0.3个百分点。近期，中共中央办公厅、国务院办公厅印发的《提振消费专项行动方案》提出，完善城乡消费设施。深入实施县域商业建设行动和“千集万店”改造提升，加强县级物流配送中心和乡村终端物流配送设施建设。（中国经济网）

蔡子微评： 县域消费正在加速崛起，成为拉动消费市场的“潜力股”。然而，促进县域经济发展目前存在着产业结构不完善与城乡融合发展不足等问题。对此，一方面要优化产业结构，因地制宜打造特色产业集群，推动要素资源向县城产业平台集聚，加强数字经济与传统产业融合；另一方面要促进城乡融合，推进城乡基础设施一体化建设，促进城乡要素自由流动，完善城乡基本公共服务均等化机制，推动教育、医疗等公共服务向农村延伸。

话题关注：新经济时代下县域经济发展的产业结构发展与城乡融合发展研究

二、今日社科期刊佳作关注

数字要素及其对中国经济增长的贡献——来自中国人工智能专利的证据

---

作者：张千,佟家栋. 来源：《南开经济研究》2024年第10期

导读

摘要： 数字经济是继农业经济、工业经济之后的新生产方式，是一种新型经济形态，并逐渐成为全球经济增长与发展的重要引擎。数字要素是数字经济时代一种具有智慧属性的新型生产要素，是一种能够独立进行知识创造的智能体，逐渐实现对人类脑力劳动的延伸、增强和替代。本文基于中国人工智能专利数据考察数字要素对中国经济增长的影响及作用机制。研究发现，数字要素通过促进知识创造和推动产业结构转化等渠道提升中国地区经济增长速度和全要素生产率水平，并且这种影响在地区间存在差异。本研究从理论和经验上揭示了数字要素对中国经济增长的重要影响，为我国提升数字要素使用能力及推动数字经济快速发展提供了建议与启示。

关键词： 数字要素;数字经济;经济增长;人工智能;智能体;

引用格式： 张千,佟家栋.数字要素及其对中国经济增长的贡献——来自中国人工智能专利的证据[J].南开经济研究,2024,(10):169-189.

一、引 言

数字经济是继农业经济、工业经济之后的新生产方式，是一种新型经济形态，并逐渐成为全球经济增长与发展的重要引擎。根据中国信息通信研究院(2023)统计，2022 年我国数字经济规模达到50.2 万亿元，占国内生产总值比重为41.5%，同比名义增长10.3%，超出同期GDP 名义增速4.98 个百分点。自2012 年以来，我国数字经济增长速度始终超过同期国内生产总值增速，数字经济正在成为中国经济增长的重要组成部分。新的经济形态中通常会存在新的生产要素，这些“新元素”正是数字经济为全球经济发展带来超常贡献的关键。随着数字技术的发展，数字经济逐渐展现智能化特征，形成具有智慧属性的新型生产要素。2012 年谷歌公司设计出具有自动导航系统的无人驾驶汽车，2016 年DeepMind 公司设计的AlphaGo 击败了人类围棋世界冠军，2022 年OpenAI 研发的ChatGPT 在自然语言处理方面的能力接近人类。人工智能技术通过海量高维数据的训练，逐渐独立于人类主动编程设计，能够实现自我迭代进化，创造出新的智能体。这些由人工智能技术生成的智能体，逐渐胜任以往只能由人类完成的任务或工作，如字迹识别、语音识别、聊天对话等，并且具备一定的逻辑推理和知识生成能力。这意味着，在数据要素和数字技术的基础上，数字经济又产生了一种新型生产要素，这种新型生产要素具有智慧属性，逐渐成为知识创造的载体。

已有研究对数字经济中新生产要素的刻画更多聚焦于数据要素或数字化的信息与知识，并且对人工智能的研究更多关注其在技术层面的影响。然而，无论是数据要素，还是人工智能技术，都无法成为知识创造的独立载体，鲜有文献从智慧的角度认识和刻画新的生产要素。探究具有智慧属性的新型生产要素对于刻画数字经济十分关键，也有助于进一步理解数字经济与经济增长之间的关系。现有文献发现，数据要素、人工智能技术、数字资本、数字劳动等数字经济关键生产要素对经济增长水平的提升产生促进作用。而在考察这些数字经济关键生产要素对全要素生产率的影响时，结论并不统一，部分学者发现数字经济时代仍存在“生产率悖论”(Acemoglu 和Restrepo，2018)。我们认为具有智慧属性的生产要素能够显著促进知识的形成，推动技术进步，从而带来经济长期发展。因此，从具有智慧属性的新型生产要素出发，探究关键生产要素与经济增长之间的关系十分必要。

本文探究数字要素对中国经济增长的影响及作用机制。本文在理论上阐释了数字要素的内涵，认为数字要素是一种具有智慧属性的新型生产要素，即能够独立进行知识创造的智能体，逐渐实现对人类脑力劳动的延伸、增强和替代，同时阐述了数字要素对中国经济增长的影响机制。本文基于2012—2019 年中国30 个省级行政区划面板数据，通过确定人工智能专利检索与分类方法构建数字要素投入变量，实证检验数字要素对中国地区经济增长的影响及作用机制，发现数字要素能够通过促进地区知识创造和经济结构转化等渠道促进中国地区层面经济增长速度和全要素生产率水平的提升。数字要素对东部地区和数字要素投入水平较高地区经济增长速度的正向促进作用更加显著，对中西部地区、经济发展水平较低地区和全要素生产率变化水平较低地区全要素生产率水平的提升效果更加明显。这意味着，数字要素有助于促进中国经济增长“质”和“量”的提升，对中国经济长期增长做出贡献。

本文可能的边际贡献如下：①在理论上阐释了数字要素的概念与内涵，阐述了数字要素对经济增长的影响及机制；②对数字要素进行定量表达，从增速和效率两个角度考察数字要素对中国经济增长的贡献；③基于国家知识产权局专利检索与分析系统提供的专利数据构建数字要素投入变量，利用文本分析的方法对数字要素进行细致分类，为相关研究提供有效的变量指标。

二、理论分析与文献综述

（一）数字要素与数字经济的内涵

一种新型经济形态的到来往往伴随着新生产要素和新生产方式的产生。农业经济中，劳动是财富之父，土地是财富之母，劳动和土地是农业社会中重要的生产要素。工业经济前期阶段，工场手工业的发展再次提升劳动的地位，劳动生产率成为手工产品产出的决定性因素，劳动生产率的提升是社会生产力水平上升的关键，劳动创造价值成为劳动价值理论的核心。随着工业经济的发展，机器逐渐代替人类的体力劳动，显著提升劳动生产率，资本及附着在资本上的技术成为关键生产要素。在后工业时代，伴随着机械生产技术的进步，机器对人类体力劳动的替代性进一步增强，逐渐承担超越人类体力极限的生产任务，使社会生产活动变得精密化和自动化。数字经济时代，随着数字技术不断发展和数据要素使用能力快速提升，一种新型生产要素孕育而生。这种新型生产要素不是对人类体力劳动的简单代替，也不是一种以超越人类体力劳动为目标的生产技术突破，而是一种逐渐延伸、增强和替代人类脑力劳动的独立生产要素，我们称其为数字要素。

数字要素是数字经济中一种具有智慧属性的新型生产要素，是一种能够独立进行知识创造的人工智能体。首先，数字要素是一种新的生产要素。数字经济中新的关键生产要素包括数字化的信息、知识和智能：①数字化的信息，随着数字技术的发展，人类和机器对信息收集、标注、分析和储存的能力不断增强，海量信息转化为有效的数字化信息；②数字化的知识，在数字技术的帮助下，人类和人工智能体能够基于有效的数据和信息获得知识，并将其数字化；③数字化的智能，以往知识创造的载体通常是人的脑力劳动，随着机器学习、深度学习等数字技术的发展，在人工智能技术与海量高维数据的共同作用下，逐渐形成具有智慧属性的人工智能体。信息、知识和智能不是完全独立的，它们通过相互作用、相互融合，进一步延伸出新的智慧，而这些共同形成了数字经济时代具有智慧属性的新生产要素。这意味着，数字经济时代新的生产要素不仅包括数据要素和数字技术(前者是人类和人工智能进行有效分析与预测的投入原料，后者是帮助人类提升生产率的技术和工具)，还产生了一种具有智慧属性的新型生产要素，即数字要素。

其次，数字要素是一种独立的生产要素。相较于数字经济中其他新型生产要素，数字要素具有独立的知识创造能力。现有研究通常将人工智能视为一种新型数字技术，认为人工智能技术能够通过要素替代、要素补充和知识辅助生成等路径促进经济发展规模的扩大和全要素生产率水平的提升，更多发掘了人工智能技术在优化要素资源配置效率、辅助提升人类创新能力等方面的作用。传统的信息与通信技术在一定程度上能够实现对资本和劳动要素的替代，但这种自动化承担的任务范围有限，更多替代人类的体力劳动，归根结底还是由人类编程主导的自动化。人工智能技术则赋予数字经济时代更多的智能和智慧属性，基于海量高维数据的训练，逐渐摆脱人类主动编程与设计，形成具有智慧属性的独立智能载体。然而，无论是数据要素，还是人工智能技术，都无法成为知识创造的独立载体。如果说人工智能技术可以辅助人类整合和发现新知识，那么人工智能体则可以独立完成知识的创造。同时，数字要素在数字技术的加持下能够基于数据要素进一步延伸出新的知识和智能，使其可以实现自我迭代和进化，逐渐成为数字经济时代一种新型独立生产要素。

本文从数字要素出发，从经济学的视角阐释数字经济的内涵：数字经济以数字化的信息、知识和智能作为关键生产要素，以现代信息网络为载体，使数字要素、数据要素、数字技术、数字资本、数字劳动与传统生产要素充分结合，产生可交易的数字产品和数字服务，形成新的生产、交换、流通、分配和消费的经济运行全过程，逐步成为继农业经济、工业经济之后新时代下的新生产方式。

（二）数字要素影响经济增长的作用机制

数字要素能够通过促进知识创造实现经济长期增长。技术进步是实现经济长期增长的关键，而影响技术进步的重要因素之一正是知识创造。在数字要素出现之前，人类的脑力劳动是知识创造的唯一载体。在人工智能技术和海量高维数据的共同作用下，数字要素逐渐成为数字经济时代新型智慧载体。数字要素不仅可以替代人类的体力劳动，还可以延伸、增强和替代人类的脑力劳动。数字要素在协调各类生产要素、提高资源配置效率的同时，还作为智慧的独立载体形成新的知识(佟家栋和张千，2023)。一方面，数字要素能够辅助人类在冗杂的知识存量中继续发现和创造新的知识；另一方面，数字要素还可以借助人工智能等前沿数字技术处理超越人类脑力劳动能力范围的知识性工作，进一步拓展知识创造的边界。这意味着，数字要素不仅可以通过促进新知识的创造直接提升全要素生产率水平，还能够通过对人类脑力劳动的延伸、增强和替代，避免可能由人口数量减少等因素导致的经济增速放缓等问题。因此，数字要素能够通过提升知识创造能力，推进技术创新与技术进步，提升全要素生产率，从而带来经济长期增长。

数字要素可以通过推动产业结构转化促进经济增长。产业结构的转化与升级是经济增长的重要内驱力，使各类生产要素向具有更高附加值的现代产业流动，调整和改善资源的配置效率，充分发挥关键生产要素和技术在现代产业中的价值。数字经济新型生产要素和数字技术一方面可以促进传统产业的数字化、智能化转型进程，降低生产成本，扩大生产规模，合理配置传统产业内部的要素资源，提高产业部门内的生产效率(付晓东，2020)；另一方面有效促进要素资源在产业间的流动，减少部门之间生产要素的错配，促进现代制造业和服务业的发展，使数字产业化与产业数字化相互协调，促进全要素生产率的提升。数字要素是由人工智能技术和数据要素产生并不断迭代进化形成的独立生产要素，能优化资本和劳动要素在产业间的配置，充分提升各类生产要素间的协同性，拓宽甚至改变传统产业的结构和边界，使产业结构进行合理转化，从而实现生产效率的提升。

（三）新型生产要素与经济增长

已有研究认为数字经济新型生产要素包括数据要素、人工智能技术等，对相关文献展开述评。一支文献与数据要素相关。首先，明确数据要素的定义。2016 年G20 杭州峰会发布的《二十国集团数字经济发展与合作倡议》将数字经济关键生产要素描述为“数字化的知识和信息”。现实数据是海量的，蕴藏着巨大的价值和资源(Glaeser等，2018)。然而单纯的数据需要经过加工和处理、经历生产要素化的过程，且与其他要素相互融合，才能转化为新的生产要素(谢康等，2020)。徐翔和赵墨非(2020)提出数据资本的概念，即“充分数字化、生产要素化的信息和数据”。其次，关于数据要素与经济增长之间的关系。现有文献发现数据要素通过促进技术发展、降低新产品生产成本、引发新的创新、优化生产要素及资源配置等，形成经济的新增长点，推进高质量发展进程(Schaefer 等，2014；许宪春等，2019；徐翔和赵墨非，2020)。杨俊等(2022)视大数据为一种生产要素，发现数据要素会抑制短期的经济产出，但在长期经济增长中呈现显著的正向影响。

另一支文献与人工智能相关。伴随着深度学习的迅速发展及硬件设备计算能力的不断提升，2012 年开始，人工智能迎来了高速发展时期(WIPO，2019)。一些文献表明人工智能作为一种新型通用目的技术(GPT)，能够有效降低经济活动成本，优化要素资源配置效率，促进经济的快速发展(Acemoglu 等，2020)。已有文献分别从要素替代、要素补充、知识辅助生成等角度描述人工智能对经济增长影响的机制：①人工智能可以进一步降低数字产品和数字服务的价格，推动数字资本和数字劳动对传统资本和传统劳动的替代作用，带来生产效率的提升和经济规模的增长(蔡跃洲和张钧南，2015；蔡跃洲和陈楠，2019)；②人工智能可以创造新的需求场景，拓宽各类生产要素的应用范围，突破原有的生产可能性边界，从而带来经济规模的增长(Acemoglu 和Restrepo，2020；李磊等，2021)；③人工智能可以帮助人类针对高维数据进行快速有效的检索、分析和整合，从而实现对旧知识的分析及对新知识的预测，极大促进知识创新与技术进步，提高全要素生产率，推动经济增长(陈楠和蔡跃洲，2022；陈楠和蔡跃洲，2023；佟家栋和张千，2023)。一些学者进一步考察人工智能对经济高质量增长影响的异质性。郭凯明(2019)发现人工智能对生产要素流动方向和要素收入分配的影响在不同产业部门之间存在差异。陈东和秦子洋(2022)认为人工智能在总体上可以减小各产业部门内部的劳动收入差距，在整体上实现包容性增长，但也可能扩大不同产业部门间劳动收入的差距。陈楠和蔡跃洲(2022)发现地区数字经济发展水平及人工智能承载能力在很大程度上决定了人工智能对该地区经济增长的效应。

已有文献认为数字经济中新的关键生产要素包括数据要素和人工智能等，然而数字经济时代逐渐生成了具有智慧属性的独立生产要素，它将极大促进知识的形成，推动技术进步，带来经济长期发展。无论是数据要素，还是人工智能技术，都无法成为知识创造的独立载体。鲜有文献探究数字经济时代具有智慧属性的新型关键生产要素，并考察其对经济增长的影响及其作用机制。

（四）数字经济与全要素生产率

全要素生产率水平提升是实现长期经济增长的重要因素，当传统资本和劳动要素对经济增长的边际贡献逐渐减弱时，探究数字经济与全要素生产率之间的关系十分关键。Solow(1957)基于企业调查数据发现，计算机的应用对企业生产率的提升没有显著影响，这一现象被称为“生产率悖论”。此后涌现大量关于信息通信技术、互联网、数字经济与全要素生产率之间关系的研究与争论。随着信息技术的发展，学者们发现信息与通信技术产品可以通过降低成本带动全行业生产效率的提升，从而促进生产创新与技术进步，带来全要素生产率的提高(Oliner 和Sichel，2000；蔡跃洲和张钧南，2015；施炳展，2016)。一些学者通过构建地区层面数字经济发展水平指标定量分析数字经济与全要素生产率之间的关系，发现数字经济可以明显改善生产要素的错配水平，能够优化产业结构并积累人力资源，从而促进全要素生产率的提升(杨慧梅和江璐，2021)。同时，产业和企业的数字化转型使得要素与资源配置更加优化，突破了传统生产方式上的生产可能性边界，进而促进整体经济增长(Acemoglu，2003；付晓东，2020)。

上述研究普遍认为数字经济有助于促进全要素生产率的提升。然而，也有部分文献探讨数字经济时代下的“生产率悖论”。孙琳琳等(2012)基于中国行业面板数据发现信息化有助于ICT 制造业全要素生产率的改进，但未能带来全行业TFP 的提升。程文(2021)发现以人工智能为代表的新一代通用目的技术的扩散在短期内可能导致生产率的下降，但在长期则会有效提升生产率水平。部分学者还发现数字经济的快速发展可能出现要素资源过度集中于数字化领域的现象，从而导致资源错配，对生产率的提升带来阻碍(李静等，2017)。同时，数字技术需要与地区或企业的实际生产条件协调匹配，才能发挥最大的价值，过度数字化可能导致生产率的降低(Acemoglu 和Restrepo，2018)。现有文献大多探究数字技术或数字化对全要素生产率的影响，然而研究结论并不一致。鲜有文献从具有智慧属性的新生产要素角度出发，考察数字要素对全要素生产率的影响及其作用机制。

综上所述，本文从理论上阐释数字要素的内涵，阐述数字要素对经济增长产生影响的作用机制。数字要素逐渐成为数字经济中一种独立的新型关键生产要素，是一种具有智慧属性的、能够独立进行知识创造的人工智能体，能够通过提升知识创造能力、优化产业结构等渠道促进经济增长速度和全要素生产率的提升，从而推动经济长期增长。

三、实证研究设计

（一）样本数据

为探究数字要素对中国地区经济增长的影响，本文以2012—2019 年中国30 个省级行政区划的面板数据作为分析样本，使用人工智能专利统计量来衡量数字要素投入，其中专利数据来源于中国国家知识产权局的专利检索与分析系统，其他变量的原始数据来源于历年《中国统计年鉴》与国家统计局。由于西藏自治区统计数据缺失情况较为严重，本文剔除这部分数据，最终得到30 个省份8 年面板数据，并以此展开实证研究。

（二）变量定义

1.数字要素投入

本文从人工智能技术中与智慧属性相关的技术及检索方案出发，构建数字要素投入变量。首先，衡量人工智能技术。现有研究对人工智能技术的衡量方法为：使用工业机器人数据；使用人工智能相关专利申请量或授权量数据；使用人工智能相关科学研究出版物数量；使用与ICT 资本投入、ICT 劳动投入或企业问卷调查数据；利用人工智能相关产业的经济发展数据；使用上述变量进行组合，构建指标以表征人工智能发展水平。综合比较各类人工智能技术衡量方法，并结合数据可得性，本文选取人工智能专利统计数据来刻画数字要素投入。尽管专利数据无法统计未申请专利的技术发明和创新，但专利本身是刻画技术进步和创新发展水平最直接有效的方式，同时专利数据提供了一种评估研究趋势的方式，揭示了发明者关注的创新领域。相对于工业机器人、ICT 资本和ICT 劳动，专利数据有利于进一步分离出人工智能技术中具有智慧属性的部分。此外，专利数据具有可公开获得性，并且涵盖了多维信息，包括发明人、申请日期、申请人、专利分类号等，为检索、分类和分析人工智能技术及构建数字要素投入变量提供基础。

其次，识别人工智能技术中与智慧属性相关的部分。本文借鉴世界知识产权组织(WIPO，2019)和中国信息通信研究院的工作，根据中国国家知识产权局专利检索数据库所公开的专利信息数据特点，确定了基于专利分类号和关键词列表的人工智能专利检索方案，从而构建具有智慧属性的数字要素投入变量。具体检索方案如下：一是确定特定的人工智能国际专利分类号(IPC)，并进行检索；二是确定非特定人工智能国际专利分类号(IPC)和与之对应的非特定人工智能关键词列表，同时使用非特定的专利分类号和关键词列表进行检索；三是将前两步获得的专利数据集合并，从而得到中国人工智能专利检索结果。WIPO(2019)将人工智能专利划分为人工智能技术、人工智能功能应用和人工智能应用领域等三个类别：人工智能技术通常是指先进形式的统计和数学模型、人工智能功能应用是指基于一种或多种人工智能技术所实现的人工智能功能、人工智能应用领域是指人工智能技术或功能所应用的不同领域。本文将人工智能专利分为技术层、功能层和应用层三个大类，通过确定人工智能专利检索与分类方式，选取人工智能专利统计数据来刻画数字要素投入。

本文获得1985—2022 年中国省级层面人工智能专利统计信息数据，包含3 个大类和31 个小类。图1 展示了1985—2022 年中国人工智能专利申请量与授权量。自1985 年开始，我国人工智能专利申请量和授权量均呈现持续增长的态势。尤其在2012年之后，人工智能专利申请与授权量呈现出井喷式增长，人工智能技术中具有智慧属性的部分逐渐成为推动经济发展的新动力，数字要素逐渐融入各个行业之中。

图1 1985—2022年中国人工智能专利申请量与授权量

资料来源：国家知识产权局，由作者整理计算得到。

本文分别确定人工智能技术层、功能层、应用层中各子分类所对应的关键词列表，借助Python 软件并对人工智能专利信息数据进行文本分析，实现对中国人工智能专利的细致分类。表1 展示了2012—2022 年中国人工智能细分专利申请量与占比情况。对于技术层，“机器学习与深度学习”细分类别专利申请量占比最高，这一类别与知识生成和逻辑推理密切相关，这意味着本文识别的人工智能专利能够有效表征数字经济中具有智慧属性的关键要素。对于功能层，“计算机视觉”“自然语言处理”和“预测分析”等细分类别占比最大，这表明数字要素可以在一定程度上替代人类完成视觉、语言和分析方面的工作，这也意味着数字要素开始部分替代人类的脑力劳动。因此，根据上述方案获得的专利统计量可以有效衡量我国数字要素投入。

表1 2012—2022年中国人工智能细分专利申请量与占比

注：人工智能专利在进行类别细分时，存在同一专利属于不同细分类别的情况，即在每一大类中同一专利可能会被不同细分类别多次统计。为保证每一大类下人工智能专利细分类别占比总和等于1，本文在计算细分类别占比时将分母设置为该大类下所有细分类别统计量之和。AI 专利申请量的单位为件，专利占比的单位为%。

综上所述，本文使用人工智能专利申请量表征中国各地区数字要素投入水平。本文选取2012—2019 年我国省级行政区划的人工智能专利申请量，将其加1 并取自然对数之后得到地区数字要素投入变量(lndigitalfactor i t )，并将其作为实证研究的核心解释变量。

2.被解释变量

本文定量探究数字要素与经济增长之间关系，重点关注数字要素对经济增长速度和全要素生产率的影响及作用机制。对于经济增长速度，本文使用各省份地区实际生产总值的增长率来表示被解释变量，记作growthrate i t 。其中，地区实际生产总值序列由地区生产总值和地区生产总值指数计算得到。对于全要素生产率，参考杨慧梅和江璐(2021)的方法，使用DEA-Malmquist 指数测算方法确定省级层面TFP 的变化。本文将30 个省级单位设定为决策单元，将生产投入细化为省级层面数字资本、数字劳动、非数字资本、非数字劳动等要素，以地区实际生产总值作为总产出。本文借鉴蔡跃洲和张钧南(2015)、陈梦根和张鑫(2022)的方法，分别测算数字资本与非数字资本要素投入，其中数字资本与非数字资本使用生产性资本存量的概念进行衡量。同时，数字劳动与非数字劳动使用就业人数衡量。本文根据国家统计局发布的《数字经济及其核心产业统计分类(2021)》和《国民经济行业分类(2017)》对数字产业进行界定，数字资本与数字劳动均依据数字产业进行划分。原始数据来源于《中国地区投入产出表》《中国投入产出表》《中国电子信息统计年鉴》《中国电子信息统计年鉴(软件篇)》及国家统计局。

3.控制变量

地区实际资本投入变量(lnrealcap i t )使用地区实际全社会固定资本投入的对数值来表示，其中实际全社会固定资本投入由地区全社会固定资本投入数据和固定资产投资价格指数(上年＝100)计算得到。地区实际资本投入增速变量(realcapgr i t )使用地区实际资本投入增长率表示。地区劳动投入变量(lnlabor i t )以地区城镇单位就业人员数量的对数值表示。地区劳动投入增速变量(laborgr i t )使用地区劳动投入增长率表示。地方财政支出水平变量(fiscal i t )采用各地方财政一般预算支出与全国地方财政一般预算支出的比值进行衡量。对外贸易水平变量(trade i t )由地区出口总额与全国出口总额的比值来表示。外商直接投资水平变量(fdi i t )使用地区外商直接投资与全国外商直接投资的比值进行衡量。使用人民币对美元汇率数据，对地区外商直接投资数据的单位进行调整，使其与全国外商直接投资数据可比。

（三）模型构建

1.数字要素对经济增长速度的影响

其中，i 表示省份标识，t 表示年份标识，被解释变量growthrate i t 为地区经济增长速度变量，解释变量lndigitalfactor i t 为地区数字要素投入变量，回归系数 β 反映了地区数字要素对经济增长速度的影响。X it 为一组控制变量，包括地区实际资本投入增速变量(realcapgr i t )、地区劳动投入增速变量(laborgr i t )、外商直接投资水平变量(fdi i t )。计量模型中还纳入时间固定效应 δ t 和省份固定效应 θ i ，以控制整体经济环境随时间的变化，以及由不可观测因素造成的地区之间差异。最后， ε it 表示随机扰动项。本文对标准误进行了省份层面的聚类稳健处理。

2.数字要素对全要素生产率变动的影响

其中，被解释变量provtfp i t 为地区全要素生产率变动， β 反映了数字要素对地区全要素生产率的影响。X it 为一组控制变量，包括地区实际资本投入变量(lnrealcap i t )、地区劳动投入变量(lnlabor i t )、地方财政支出水平变量(fiscal i t )、对外贸易水平变量(trade i t )和外商直接投资水平变量(fdi i t )。具有绝对值属性的变量均以对数形式表示，以变化弹性的视角考察数字要素对地区经济发展规模的影响。其他变量设定同上。

四、实证结果与分析

（一）描述性统计

主要变量描述性统计特征见表2，最终得到2012—2019 年我国30 个省级行政区划的面板数据。

表2 主要变量描述性统计特征

注：作者整理汇编而成。

（二）基准回归检验

数字要素对经济增长速度和全要素生产率变动影响的基准回归结果见表3。其中，回归(1)以地区经济增长速度作为被解释变量，基于固定效应模型，验证省级层面数字要素对经济增长速度的影响，数字要素解释变量回归系数显著为正。回归(2)以地区全要素生产率变动作为被解释变量，考察省级层面数字要素对全要素生产率水平的影响，解释变量回归系数同样显著为正。基准回归结果说明，数字要素有助于促进中国地区经济增长速度和全要素生产率水平的提升。

表3 数字要素对经济增长速度和全要素生产率变动影响的基准回归结果

注：括号内为省份层面聚类稳健标准误， * 、 ** 、 *** 分别代表10%、5%和1%的显著性水平。下同。

（三）机制检验

1.知识创造机制

数字要素是一种能够独立进行知识创造的智能体，可以通过提升知识创造能力带来技术进步，促进全要素生产率水平与经济增长速度的提升，从而带来经济长期增长。为了验证知识创造能力的机制，本文构建两种地区知识创造能力变量：第一种，以省级层面地区专利申请受理量的对数值来表示，记作 ；第二种，以省级层面除人工智能类别之外的专利申请受理量的对数值来代表，记作k 。我们将这两种形式的地区知识创造能力变量分别设置为被解释变量，解释变量仍为数字要素变量。表4 报告了数字要素对地区知识创造能力影响的回归结果，其中第(1)列和第(3)列对应的控制变量与基准回归方程(1)一致，第(2)列和第(4)列对应的控制变量与基准回归方程(2)相同。数字要素变量回归系数均显著为正，说明数字要素能够促进地区知识创造能力的提升，不断增加的知识带来了技术进步，提升全要素生产率水平，从而推动地区经济增长。

表4 数字要素对地区知识创造能力的影响

2.产业结构转化机制

本文将被解释变量设置为地区产业结构转化水平变量，以省级层面地区第二产业和第三产业增加值之和占地区生产总值比重表示，以数字要素变量作为解释变量，控制变量分别按照基准回归方程(1)和(2)进行设置。表5 第(1)列和第(2)列分别报告了两种控制变量设置条件中数字要素对地区产业结构转化影响的回归结果，数字要素解释变量回归系数均显著为正，这说明数字要素有助于提升地区产业结构转化水平，提升全要素生产率水平和经济增长速度，进而推动中国地区经济增长。

表5 数字要素对产业结构转化的影响

（四）内生性检验

上述结果表明，数字要素对地区经济增长速度和全要素生产率变动均有着显著的正向促进作用。考虑到可能存在的内生性问题：数字要素投入的扩大有助于地区经济增长，同时地区经济的快速发展反过来创造更良好的投资环境和人才资源，进一步提升该地区的创新能力，推动数字要素的创造与投入。这可能使数字要素投入与经济增长速度及TFP 变动之间存在双向因果关系。本文通过两阶段最小二乘法(2SLS)尽可能克服这一问题。

对于工具变量的选取，本文考虑到专利申请与公开流程，将提前一期的专利申请公开变量(digitalfactoriv1 )作为地区数字要素投入的工具变量。专利申请公开变量是指利用专利申请公开(公告)日识别得到的年度统计量。选取原因如下：一方面，省级层面地区经济增长主要受到当期生产要素投入的影响，提前一期的专利申请公开变量对当期地区经济增长的直接影响有限，这使得工具变量满足外生性的假设；另一方面，根据数字要素的衡量方式可知，提前一期的专利申请公开变量又与数字要素关系紧密，这表明工具变量满足相关性的要求。表6 前两列和后两列分别对应经济增长速度与TFP变动的检验结果，数字要素解释变量回归系数均显著为正，说明数字要素投入的提高有助于推动地区经济增长。

表6 工具变量2SLS回归结果

注：对工具变量进行Kleibergen-Paap rk LM 不可识别检验，中括号内为P 值。对工具变量分别进行Cragg-Donald Wald F 统计量和Kleibergen-Paap rk Wald F 统计量弱工具变量检验，大括号内为Stock-Yogo 检验10%临界值。

（五）稳健性检验

1.数字要素对经济增长速度的影响

首先，本文从空间计量模型的角度验证数字要素对我国地区经济增长速度影响的稳健性。数字要素促使地区知识创造能力得到进一步提升，能够推动地区产业结构转型与升级，同时这些影响可以通过人才、技术、设备、投资在地区之间的流动渗透到周围地区，邻近省份之间经济发展的溢出效应可能更加容易实现。考虑到数字要素可能在我国各地区存在的溢出效应，本文进一步使用空间计量模型检验数字要素与地区经济增长速度之间的关系。构建空间权重矩阵，使用各省份地理位置距离绝对值的倒数生成地理距离权重矩阵 W 1 。对被解释变量(growthrate i t )进行莫兰指数(Moran’s I)检验，检验结果详见表7，地区经济增长速度之间存在显著的正向空间溢出效应，这意味着将地区空间溢出效应纳入数字要素与经济增长速度之间关系的分析中具有合理性。

表7 2012—2019年30省经济增长速度莫兰检验

注：括号内为P 值。

基于上述分析，本文借鉴Anselin(1988)的工作构建空间杜宾模型开展空间计量分析：

其中，被解释变量为地区经济增长速度，W 1 growthrate i t 表示被解释变量的空间滞后项，系数 ρ 表示被解释变量的空间溢出效应。 η W 1 X为空间杜宾项，表示其他地区对本地区经济增长速度的影响， η 代表空间杜宾项系数，X 包括解释变量和控制变量。其他设置与回归方程(1)一致。同时，借鉴LeSage 和Pace(2009)的做法将数字要素对地区经济增长速度影响进一步分解，得到直接效应和间接效应。其中，直接效应表示本地区数字要素对该地区经济增长速度的影响，间接效应表示其他地区数字要素对本地区经济增速的影响，具体结果详见表8 前4 列。结果显示单纯依靠地理距离相邻条件，数字要素对经济增长速度的影响很难向其他地区产生正向溢出效应。这说明，数字要素对地区经济增长速度的影响，需要地区具备与自身数字经济发展水平相适应的数字基础设施建设、数字资本和数字劳动投入，以及产业结构水平。与此同时，解释变量主回归系数显著为正，这也进一步验证了数字要素对地区经济增长速度促进作用的稳健性。

表8 数字要素对经济增长速度和全要素生产率变动的空间计量回归结果

其次，本文考虑国家级大数据综合试验区的设立对数字要素与地区经济增长速度之间关系的影响。2015 年9 月贵州省建立首个国家级大数据综合试验区，次年北京市、天津市、河北省、内蒙古自治区、辽宁省、河南省、上海市、重庆市和广东省分别获批建设大数据综合试验区。数字经济时代数字技术和数据要素赋能各行各业，人工智能、大数据等前沿数字技术的发展进一步促进数字要素的形成，从而推动地区经济的发展。基于此，本文在回归方程(1)中纳入国家级大数据综合试验区设立与数字要素投入的交互项(bigdata i ×ln digitalfactor it )、国家级大数据综合试验区设立虚拟变量(bigdata i )。其中，bigdata i 依据各地区国家级大数据综合试验区设立时间来取值，在设立之前取值为0，在设立之后取值为1。回归结果显示，数字要素变量系数为0.004，P值为0.081，交互项系数为0.003，P 值为0.025，均显著为正。这说明，国家级大数据综合试验区设立之后，数字要素对该地区经济增长速度的正向影响得到增强。

2.数字要素对全要素生产率变动的影响

首先，本文同样使用空间计量模型考察数字要素对我国地区全要素生产率影响的稳健性。地区技术进步与经济发展会受到其他地区全要素生产率的影响，存在空间自相关情况。数字要素具有虚拟性和智慧属性，能够与其他生产要素融合协同，渗透到经济运行各个环节。这意味着数字要素能够在一定程度上打破地理距离的束缚，为各地区实现超越时空限制的分工合作带来可能，由此也可能产生空间溢出效应。因此，构建经济距离权重矩阵考察数字要素对地区全要素生产率可能带来的溢出效应。使用各省份人均实际生产总值差额绝对值的倒数生成经济距离权重矩阵W 2 ，对被解释变量(provtfp it )进行莫兰指数检验，结果显示在大部分年份，地区TFP 变动之间存在明显的正向空间溢出效应。同样构建空间杜宾模型：

其中，被解释变量为地区全要素生产率变动，W 2 provtfp i t 表示被解释变量的空间滞后项，系数 ρ 表示被解释变量的空间溢出效应。 η W 2 X为空间杜宾项，表示其他地区对本地区TFP 变动的影响， η 代表空间杜宾项系数，X 包括解释变量和控制变量。其他设置与回归方程(2)一致。表8 后4 列报告了回归结果，一方面，数字要素对TFP 变动的影响很难对其他地区产生正向溢出效应；另一方面，解释变量主回归系数显著为正，这说明数字要素对地区TFP 变动的正向促进作用是稳健可靠的。

其次，本文分别通过变更控制变量和解释变量的方法，验证数字要素对全要素生产率变动产生正向影响的稳健性，回归结果如表9 所示。一是将基础回归中代表资本投入和劳动投入的控制变量分别变更为地区实际资本投入增速变量(realcapgr i t )、地区劳动投入增速变量(laborgr i t )，结果见表9 第(1)列，数字要素变量回归系数显著为正。二是将基础回归中代表资本投入和劳动投入的控制变量分别变更为研发投入水平变量(rd it )和人力资本水平变量(edu it )，研发投入水平变量以地区研究与试验发展(R&D)经费内部支出占地区生产总值比重来表示，人力资本水平变量以地区普通高等学校在校学生数与地区年末常住人口的比值来表示，结果见表8 第(2)列，回归系数同样显著为正。三是重新设置数字要素解释变量(ln digitalfactor 1 )，使用省级层面人工智能专利申请统计量的对数值表示，结果见表9 第(3)列，回归系数仍然显著为正。这说明数字要素有助于促进地区全要素生产率的提升，结论依然稳健。

表9 数字要素对全要素生产率变动影响的稳健性检验结果

五、进一步分析

（一）数字要素对不同地区经济增长速度的影响

1.东中西部地区

关注数字要素对地区经济增长速度影响的区位差异。由于中国不同区域在经济发展规模、数字基础设施建设程度、各类生产要素投入、创新技术水平等方面存在明显差异，可能导致数字要素对东、中、西部地区经济增长速度的影响程度不尽相同。本文按照东、中、西部地区划分样本，并采用分组回归的方式考察数字要素对中国不同区域经济增长速度的影响。表10 报告了数字要素对东、中、西部地区经济增长速度影响的回归结果。表10 第(1)列对应东部地区，数字要素变量回归系数显著为正，这说明数字要素对东部地区的经济增长速度产生明显的促进作用。东部地区依托传统经济发展优势地位，在数字经济中同样具备先发优势，数字技术设施建设较为完备，数字制造业和数字服务业发展迅速，产生和积累大量创新人才与先进技术，这为数字要素促进东部地区经济增长提供了坚实的基础。第(2)列和第(3)列分别对应中部地区和西部地区，回归系数较小且不显著，这说明数字要素尚未对中西部地区的经济增长速度带来显著的提升效应。中西部地区的数字基础设施尚处于建设中，与数字要素相适配的各类生产要素投入较低，同时数字要素对地区经济发展的空间溢出效应仍会受到地区资源禀赋和产业结构等因素的限制，数字要素对中西部地区经济增长速度的促进作用有待进一步开发。

表10 数字要素对东中西部地区经济增长速度的影响

2.数字要素投入水平高低

关注数字要素投入水平差异对数字要素与地区经济增长速度之间关系的影响。注意到数字要素通常与数字基础设施建设、数字资本和数字劳动投入相互协调，这意味着数字要素投入水平较高的地区可能会具备更加完善的数字经济发展条件。考虑按照数字要素投入水平高低对样本进行划分，采用分组回归的方式考察数字要素对具有不同数字要素投入水平的地区经济增长速度的影响。将全部30 个省份按照数字要素平均投入量排名前15 位和后15 位划分为数字投入水平较高地区和较低地区。表11 报告了数字要素投入变量对不同数字要素投入水平地区经济增长速度影响的回归结果，第(1)列对应数字要素投入水平较高地区，回归系数均显著为正，说明数字要素投入水平较高地区的数字要素对经济增长速度的提升作用更加明显。第(2)列对应数字要素投入水平较低地区，数字要素回归系数为正却不显著，说明数字要素投入水平较低地区的数字要素对经济增长速度的促进作用有待进一步验证。因此，数字要素对经济增长速度的影响存在地区差异，提升数字要素投入水平，有助于促进地区经济发展。

表11 数字要素对不同数字要素投入水平地区经济增长速度的影响

（二）数字要素对不同地区全要素生产率变动的影响

1.东、中西部地区与经济发展水平高低

关注数字要素对地区全要素生产率变动影响的区位差异。首先将样本按照东部地区和中西部地区进行划分，变量设置与基础回归一致，表12 前两列报告了数字要素投入对东、中西部地区TFP 变动影响的回归结果，第(1)列对应东部地区，数字要素变量回归系数符号为正但不显著，第(2)列对应中西部地区，回归系数显著为正，这说明数字要素显著促进了中西部地区TFP 的提升，但对东部地区TFP 变动的促进作用并不明显。一方面，数字要素具有较高的虚拟性、外部性和智能属性，这为中西部地区在数字经济时代在一定程度上摆脱地理束缚，加速提升全要素生产率水平提供可能；另一方面，相对于东部地区，中西部地区的TFP 水平具有较大的提升空间。这意味着数字要素对TFP 水平的提升作用在中西部地区更为明显。为了进一步探究不同经济发展水平地区间数字要素对TFP 影响的差异，我们将全部30 个省份按照地区实际生产总值排名前15 位和后15 位划分为经济发展水平较高地区和较低地区，变量设置与基准回归一致。表12 第(3)列对应经济发展水平较高地区，数字要素变量回归系数为正，第(4)列对应经济发展水平较低地区，解释变量系数显著为正。这再次说明，数字要素对经济发展水平较低地区TFP 水平的促进作用更加明显。

表12 数字要素对东中西部地区与不同经济发展水平地区全要素生产率变动的影响

2.全要素生产率变动水平高低

关注地区TFP 变化水平差异对数字要素与全要素生产率之间关系的影响。考虑到地区之间TFP 水平和技术创新能力存在较大差异，本文将全部30 个省份按照TFP变化排名前15 位和后15 位划分为TFP 变化水平较高地区和较低地区，其他变量与基础回归一致。表13 报告了数字要素对不同TFP 水平地区TFP 变动影响的回归结果，第(1)列对应TFP 变化水平较高地区，数字要素变量系数为正，第(2)列对应TFP 变化水平较低地区，回归系数显著为正。这说明数字要素对中国不同地区全要素生产率水平的影响存在明显差异，数字要素有助于促进各地区知识创造能力的提升，有利于推动各地区产业结构数字化转型与升级，显著促进TFP 水平较低地区的技术进步和经济增长。因此，在提升地区内数字要素投入规模的同时，也要关注地区之间经济质量协调发展，在数字经济时代充分发挥数字要素对技术水平相对落后地区经济发展的促进作用。

表13 数字要素对不同TFP变化水平地区全要素生产率变动的影响

六、研究结论与政策建议

数字经济是继农业经济、工业经济之后的新生产方式，是一种新型经济形态，并逐渐成为全球经济增长与发展的重要引擎。数字经济关键生产要素对经济增长产生深刻影响，本文关注具有智慧属性的数字要素，以全新的视角探究数字经济新型生产要素与经济增长之间的关系。在理论分析和经验研究的基础上探究数字要素对中国地区经济增长的影响及作用机制。研究发现：①数字经济时代，新型生产要素不仅包括数据要素、人工智能技术，还包括数字要素。数字要素是一种具有智慧属性的新型生产要素，是一种能够独立进行知识创造的智能体，可逐渐实现对人类脑力劳动的延伸、增强和替代。②数字要素能够通过促进地区经济结构转化和数字软件出口等渠道提升中国地区经济发展规模，并且在中部地区和数字要素投入水平较高地区更加明显。③数字要素能够通过促进地区经济结构转化和知识创造等路径提升中国地区全要素生产率水平，且对东部地区和全要素生产率变化水平较高地区的影响更加显著。因此，数字要素有助于中国经济增长“质”和“量”的提升，对中国经济长期增长做出贡献。

结合上述研究结论，本文得到如下政策建议：第一，提升数字要素投入水平，提高数字要素使用能力，加大我国数字基础设施建设的投入，建设具有世界先进水平的算力平台，提供优质的算法开发条件，设立高端数字技术人才汇聚中心，推动人工智能技术发展，提高数字技术基础研发能力，进一步提升我国数字要素投入水平。第二，合理配置地区间数字要素投入，各地区需要因地制宜，结合自身产业结构特点、优势产业分布情况及市场规模，在生产环节使数字要素和其他关键生产要素相互协调，在地区间和地区内实现数字要素的合理配置。第三，充分发挥数字要素对经济发展的促进作用，以数字产业化为起点，克服关键数字技术束缚，同时推动我国传统产业数字化转型与升级，积极发展数字服务业，提升我国数字贸易国际竞争力水平，重视数字要素独立进行知识创造的能力，进一步推动技术进步和全要素生产率水平提升。提升数字要素使用能力有助于我国构建新发展格局、推动高质量发展，成为推进中国式现代化的重要战略抓手。

参考文献

［1］蔡跃洲，张钧南.信息通信技术对中国经济增长的替代效应与渗透效应[J].经济研究，2015(12)：100-114.

［2］蔡跃洲，陈 楠.新技术革命下人工智能与高质量增长、高质量就业[J].数量经济技术经济研究，2019(5)：3-22.

［3］陈 东，秦子洋.人工智能与包容性增长——来自全球工业机器人使用的证据[J].经济研究，2022(4)：85-102.

［4］陈 楠，蔡跃洲.人工智能、承接能力与中国经济增长——新“索洛悖论”和基于AI 专利的实证分析[J].经济学动态，2022(11)：39-57.

［5］陈 楠，蔡跃洲.人工智能技术创新与区域经济协调发展——基于专利数据的技术发展状况及区域影响分析[J].经济与管理研究，2023(3)：16-40.

［6］程 文.人工智能、索洛悖论与高质量发展：通用目的技术扩散的视角[J].经济研究，2021(10)：22-38.

［7］付晓东.数字经济：中国经济发展的新动能[J].人民论坛，2020(21)：20-23.

［8］郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界，2019(7)：60-77.

［9］李静，楠玉，刘霞辉.中国研发投入的“索洛悖论”——解释及人力资本匹配含义[J].经济学家，2017(1)：31-38.

［10］李 磊，王小霞，包 群.机器人的就业效应：机制与中国经验[J].管理世界，2021(9)：104-119.

［11］施炳展.互联网与国际贸易——基于双边双向网址链接数据的经验分析[J].经济研究，2016(5)：172-187.

［12］孙琳琳，郑海涛，任若恩.信息化对中国经济增长的贡献：行业面板数据的经验证据[J].世界经济，2012(2)：3-25.

［13］佟家栋，张 千.中国式现代化建设与数字中国[J].南开学报(哲学社会科学版)，2023(3)：22-31.

［14］谢 康，夏正豪，肖静华.大数据成为现实生产要素的企业实现机制：产品创新视角[J].中国工业经济，2020(5)：42-60.

［15］许宪春，任 雪，常子豪.大数据与绿色发展[J].中国工业经济，2019(4)：5-22.

［16］徐 翔，赵墨非.数据资本与经济增长路径[J].经济研究，2020(10)：38-54.

［17］杨慧梅，江 璐.数字经济、空间效应与全要素生产率[J].统计研究，2021(4)：3-15.

［18］杨 俊，李小明，黄守军.大数据、技术进步与经济增长——大数据作为生产要素的一个内生增长理论[J].经济研究，2022(4)：103-119.

［19］中国信息通信研究院.中国数字经济发展研究报告[M].2023.

［20］Acemoglu D.Labor-and Capital-augmenting Technical Change[J].Journal of the European Economic Association，2003，1(1)：1-37.

［21］Acemoglu D.，Restrepo P.Artificial Intelligence，Automation，and Work[M].The Economics of Artificial Intelligence：An Agenda.University of Chicago Press，2018：197-236.

［22］Acemoglu D.，Lelarge C.，Restrepo P.Competing with Robots：Firm-level Evidence from France[C].American Economic Association，2020，110：383-388.

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

［24］Anselin.Spatial Econometrics：Methods and Models[M].New York：Springer Dordrecht，1988.

［25］Glaeser E.L.，Kominers S.D.，Luca M.，et al.Big Data and Big Cities：The Promises and Limitations of Improved Measures of Urban Life[J].Economic Inquiry，2018，56(1)：114-137.

［26］LeSage J.，Pace R.K.Introduction to Spatial Econometrics[M].CRC Press，2009.

［27］Oliner S.D.，Sichel D.E.The Resurgence of Growth in the Late 1990s：Is Information Technology the Story?[J].Journal of Economic Perspectives，2000，14(4)：3-22.

［28］Schaefer A.，Schiess D.，Wehrli R.Long-term Growth Driven by a Sequence of General Purpose Technologies[J].Economic Modelling，2014，37：23-31.

［29］Solow R.M.Technical Change and the Aggregate Production Function[J].The Review of Economics and Statistics，1957，39(3)：312-320.

［30］WIPO.WIPO Technology Trends 2019：Artificial Intelligence[M].2019.

* 张 千(通讯作者)，南开大学APEC 研究中心(邮编：300071)，E-mail：[email protected]；佟家栋，南开大学经济学院(邮编：300071)，E-mail：[email protected]。本研究得到国家社会科学基金重大项目“加快自由贸易试验区、自由贸易港等对外开放高地建设研究”(20ZDA052)的资助。感谢两位匿名审稿人的评论和建议。文责自负。

---

【免责声明】《现代财经》微信公众平台所转载的专题文章，仅作佳作推介和学术研究之用，未有任何商业目的；对文中陈述、观点判断保持中立，请读者仅作参考，并请自行承担全部责任；文章版权属于原作者，如果分享内容有侵权或非授权发布之嫌，请联系我们，我们会及时审核处理。

---

《现代财经-早读分享》是由《现代财经》天津财经大学学报编辑部编辑出版（总第 3333

期）

编辑整理： 蔡子团队

团队成员 ： 陈晨、张晓丹、王建飞、吴玉婷、王晴晴、丁慧、李炳杰、杨国臣、孙桂萍、王敬峰、韩俊莹、庞清月、王旭、张雅彤

审核审校： 蔡双立  方菲  胡少龙

长按以下二维码，关注《现代财经》公众微信号（modern-finance)

欣赏和阅读《现代财经》2025年第3期，敬请点击以下 阅读原文