中國智能制造業(yè)綠色全要素生產(chǎn)率增長的時空演變

周 杰

（1.樂山師范學院 經(jīng)濟管理學院，四川 樂山 614000；2.廣東彩艷股份有限公司博士后工作站，廣東 江門 529000）

一、引言

當前，世界正面臨“百年未有之大變局”，產(chǎn)業(yè)變革與科技革命進入全新歷史節(jié)點，促使全球創(chuàng)新版圖、經(jīng)濟結(jié)構(gòu)重塑[1]。智能制造作為該歷史節(jié)點下萌生的核心技術之一，在成功顛覆傳統(tǒng)制造業(yè)競爭模式之余，也對全球價值鏈分配模式產(chǎn)生深遠影響[2]。雙碳目標導向下，綠色化成為其高質(zhì)量發(fā)展的必然走向。精準把握智能制造綠色發(fā)展機遇，實現(xiàn)智能制造業(yè)高效與可持續(xù)發(fā)展，對中國增強本國制造業(yè)全球競爭力具有重要意義。

開展智能制造業(yè)研究是把握智能制造綠色發(fā)展機遇的重要基礎。智能制造業(yè)研究最早可追溯到國外不同學派對智能制造系統(tǒng)組織基礎與框架構(gòu)建的探討[3]。隨著智能技術的快速發(fā)展，國內(nèi)學者在借鑒國外研究的基礎上，也對智能制造業(yè)進行了廣泛而深入的探討。詳細而言，研究多圍繞智能制造概念內(nèi)涵[4，5]、應用領域[6，7]等內(nèi)容展開，智能制造影響因素[8，9]、影響效應[10，11]也有所涉及。但囿于智能制造涵蓋范圍的復雜性和制造“智力”的隱含性，研究數(shù)據(jù)可得性受限，導致智能制造業(yè)全要素生產(chǎn)率方面的研究較為欠缺。僅有申丹虹、崔張鑫(2021)[12]以38 家智能制造業(yè)上市公司為樣本，基于SFA 方法對中國2010—2018年的智能制造業(yè)全要素生產(chǎn)率進行了測算，并指出技術水平落后是造成觀察期內(nèi)智能制造業(yè)處于規(guī)模遞減狀態(tài)的關鍵原因。對上述研究進行深入詮釋，可知考察智能制造業(yè)綠色全要素生產(chǎn)率有利于剖析智能制造高效與可持續(xù)發(fā)展著力點。綜上所述，文章認為有必要對智能制造業(yè)綠色全要素生產(chǎn)率增長情況進行深入挖掘。

文章創(chuàng)新貢獻表現(xiàn)在以下方面：第一，以2011—2020 年中國30 個省份面板數(shù)據(jù)為樣本，彌補樣本選擇片面可能帶來的偏誤；第二，構(gòu)建基于DEA 的Malmquist 指數(shù)模型，測度智能制造業(yè)綠色全要素生產(chǎn)率增長情況，嘗試填補既有研究空白；第三，分解技術對智能制造業(yè)綠色全要素生產(chǎn)率增長的影響，探尋智能制造業(yè)綠色全要素生產(chǎn)率主要增長動力，拓展現(xiàn)有研究的寬度與廣度；第四，采用核密度和馬爾可夫鏈模型對智能制造業(yè)綠色全要素生產(chǎn)率增長的整體分布形態(tài)、內(nèi)部動態(tài)特征及在空間的趨同效應進行分析，揭示其時空動態(tài)演變規(guī)律。

二、研究方法

1.Malmquist 指數(shù)模型

當前學術界有關全要素生產(chǎn)率(TFP)變化的測度方法主要分為兩種，分別是參數(shù)法（索洛余值法、隨機前沿函數(shù)法等）與非參數(shù)法（DEA、Malmquist 生產(chǎn)率指數(shù)法等）。與非參數(shù)法相比，參數(shù)法雖然能夠?qū)⒎切市缘挠绊懪c隨機擾動區(qū)分開，但無法區(qū)分設定偏誤導致的隨機誤差。因此，文章選用非參數(shù)法測算智能制造業(yè)綠色TFP 增長率。同時考慮到本次研究要對不同時期智能制造業(yè)綠色TFP 增長率對比分析，僅使用傳統(tǒng)DEA模型無法滿足研究需要。故而，借鑒既有研究[13-16]，基于DEA理論構(gòu)建了Malmquist 指數(shù)模型，測算方式如下：

式(1)中，M0表示決策單元在t 期和t+1 期的TFP 變化率，若M0大于1，表明從t 到t+1 期TFP 提高，反之則表明從t 到t+1 期TFP 降低。(xt，yt)、(xt+1，yt+1)分別為決策單元在t 期和t+1 期的投入量和產(chǎn)出，D0t和D0t+1分別表示以t 時期和t+1 時期為基準點的產(chǎn)出距離指數(shù)。

Malmquist 指數(shù)可分解為技術進步變化(TC)和技術效率變化(EC)兩部分，即M0=EC×TC，二者計算公示分別如下：

EC、TC 值大于1 表示技術效率改善或技術進步，EC、TC值小于1 表示現(xiàn)有技術利用未達到理想狀態(tài)。

在規(guī)模效率可變情境下，EC 可進一步分解為純技術效率變化(PE)和規(guī)模效率變化(SE)，即EC=PE×SE。限于篇幅，二者計算公式不在此列示。

2.核密度模型

核密度估計是一種在給定樣本集合下求解隨機變量分布密度函數(shù)的非參數(shù)估計方法，能夠通過平滑曲線對樣本運動演變進行直觀描述[17]。故而，本次研究選用核密度估計模型對智能制造業(yè)綠色全要素生產(chǎn)率演變態(tài)勢進行分析。假設Xi為隨機變量，其密度函數(shù)為f(x)，則對應點x 的概率密度函數(shù)為：

上式中，N為觀測值個數(shù)，Xi為獨立同分布的觀測值，h為平滑參數(shù)或帶寬。值得注意的是，核密度估計是否準確的關鍵在于h（帶寬）的選擇，它不僅決定著核密度估計精度還決定著曲線平滑程度。h（帶寬）越大，則核密度函數(shù)f(x)越光滑。K(·)為核函數(shù)，文章選用高斯核密度函數(shù)進行估計。

3.全局空間自相關分析

莫蘭指數(shù)可直觀描述觀測對象在整個空間范圍內(nèi)的集聚狀況[18]。文章選定莫蘭指數(shù)對中國智能制造業(yè)綠色全要素生產(chǎn)率的全局空間自相關關系進行度量，計算公式如下：

式(5)中，I代表全局Moran's I 指數(shù)，當I＞0 時，表示中國智能制造業(yè)綠色全要素生產(chǎn)率增長呈現(xiàn)空間正相關；當I＜0 時，表示中國智能制造業(yè)綠色全要素生產(chǎn)率增長呈現(xiàn)空間負相關；當I=0 時，表示中國智能制造業(yè)綠色全要素生產(chǎn)率增長呈現(xiàn)空間隨機分布。Wij是測度主體i 與j 的空間權(quán)重矩陣。

4.馬爾可夫鏈模型

考慮到全局空間自相關指數(shù)僅能反映數(shù)值整體空間分布情況，無法對地區(qū)內(nèi)部空間集群特征進行深入刻畫，也無法直觀描述空間集群時間演變歷程。故此，文章構(gòu)建傳統(tǒng)馬爾可夫鏈與空間馬爾可夫鏈，用以研究智能制造業(yè)綠色全要素生產(chǎn)率增長的時空演變規(guī)律及其在空間的趨同效應。

（1）傳統(tǒng)馬爾可夫鏈

傳統(tǒng)馬爾可夫鏈在應用過程中需將智能制造業(yè)綠色全要素生產(chǎn)率增長指數(shù)離散為k 種類型，通過計算各類型轉(zhuǎn)移概率分布以近似推斷智能制造業(yè)綠色全要素生產(chǎn)率演變的整個過程。為獲得穩(wěn)健的研究結(jié)論，本次研究擴展構(gòu)建基于多個年份的傳統(tǒng)馬爾可夫轉(zhuǎn)移概率矩陣。矩陣元素計算公式如下：

（2）空間馬爾可夫鏈

空間馬爾科夫鏈是傳統(tǒng)馬爾科夫鏈和“空間滯后”概念結(jié)合的產(chǎn)物[19]。一個區(qū)域的“空間滯后”就是該區(qū)域周邊地區(qū)屬性值的空間加權(quán)平均，計算公式為：

式(7)中，yb為b 地區(qū)的變量數(shù)值，wab為權(quán)重矩陣W 的元素。文章采用公共邊界原則確定空間權(quán)重矩陣，如下所示：

由此，空間馬爾可夫轉(zhuǎn)移概率矩陣將傳統(tǒng)馬爾可夫矩陣分解為k 個k×k 的條件轉(zhuǎn)移概率矩陣。矩陣元素(k)表示在條件k 下，a 區(qū)域在t 年屬于i 類型而在t+d 年份轉(zhuǎn)移為j 類型的空間轉(zhuǎn)移概率。

三、指標選取與數(shù)據(jù)來源

1.指標選取

當前學術界對智能制造業(yè)所涵蓋的具體行業(yè)領域并沒有統(tǒng)一概念，難以直接獲取智能制造業(yè)發(fā)展數(shù)據(jù)。因此，文章借鑒王媛媛、張華榮(2016)[20]的研究，以自動化儀器儀表、智能控制系統(tǒng)、工業(yè)機器人、3D 打印設備、數(shù)控機床等智能制造細分行業(yè)綜合考察智能制造業(yè)綠色發(fā)展狀況。同時參考張優(yōu)智、喬宇鶴(2022)[21]的研究，選取上述智能制造業(yè)細分行業(yè)銷售產(chǎn)值總額、污染排放總量為產(chǎn)出指標，能源、勞動以及資本投入作為投入指標。其中，智能制造業(yè)銷售產(chǎn)值總額需利用價格指數(shù)進行平減；污染排放總量通過“智能制造業(yè)銷售產(chǎn)值/工業(yè)總產(chǎn)值×工業(yè)SO2排放量”測算；能源投入采用年末各省份智能制造業(yè)能源損耗量衡量，數(shù)據(jù)通過“智能制造業(yè)銷售產(chǎn)值/工業(yè)總產(chǎn)值×工業(yè)終端能源損耗量”間接得到；勞動投入指標通過年末各省份智能制造業(yè)就業(yè)人數(shù)衡量；資本投入指標為各地區(qū)智能制造業(yè)固定資產(chǎn)投資額，亦需利用價格指數(shù)進行平減。

2.數(shù)據(jù)來源

2010 年《國務院關于加快培育和發(fā)展戰(zhàn)略性新興產(chǎn)業(yè)的決定》中首次提及智能制造裝備概念，并將智能制造業(yè)作為長期發(fā)展重點。故而文章以2011 年作為測算智能制造業(yè)綠色全要素生產(chǎn)率增長基期，研究時間跨度設為2011—2020 年，樣本設為30 個省份（不含西藏及港澳臺地區(qū)）。與此同時，為精確刻畫不同地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率增長差異，依據(jù)國家統(tǒng)計局標準，將30 個省份劃分為東、中、西部三大地區(qū)。研究所涉數(shù)據(jù)主要來源于歷年《中國統(tǒng)計年鑒》 《中國工業(yè)統(tǒng)計年鑒》等權(quán)威數(shù)據(jù)以及各省份公布的統(tǒng)計報告。對于少數(shù)缺失數(shù)據(jù)，采用線性插補法予以補充。

四、實證結(jié)果與分析

1.智能制造業(yè)綠色全要素生產(chǎn)率測度

將各省份智能制造業(yè)相關投入產(chǎn)出指標數(shù)據(jù)代入Malmquist指數(shù)模型中，利用DEAP2.1 軟件進行測算，結(jié)果見表1。

表1 2011—2020 年各省份Malmquist 指數(shù)變化及其分解

表1 中匯報了2011—2020 年中國30 個省份智能制造業(yè)Malmquist 指數(shù)及分解均值?？梢园l(fā)現(xiàn)，樣本期內(nèi)，30 個省份中所有省份智能制造業(yè)綠色全要素生產(chǎn)率均實現(xiàn)了正增長，其中有20 個省份的智能制造業(yè)綠色全要素生產(chǎn)率增長率超過了全國平均水平，包括河北、內(nèi)蒙古、遼寧、吉林、湖南等省份。這表明中國智能制造業(yè)綠色全要素生產(chǎn)率增長態(tài)勢良好。進一步分析綠色全要素生產(chǎn)率各內(nèi)部指標的變動情況可以發(fā)現(xiàn)，技術進步的平均增長率為9.2%，技術效率的平均增長率為1.1%。這說明技術進步是推動智能制造業(yè)綠色全要素生產(chǎn)率提升的核心驅(qū)動力。就技術效率的2 個子指標而言，純技術效率平均增長率為1.2%，而規(guī)模效率出現(xiàn)了負增長，平均增長率為-1.6%，這意味著純技術效率是改善技術效率的主要推動力。

通過梳理與整合表1 數(shù)據(jù)可得2011—2020 年全國及東、中、西部地區(qū)各年份智能制造業(yè)Malmquist 指數(shù)及其分解數(shù)值。就全國層面而言，觀測期內(nèi)除2011 年全國智能制造業(yè)的綠色全要素生產(chǎn)率出現(xiàn)了負增長，其他年份均為正增長，平均增長率高達10.7%。這一現(xiàn)象說明2011 年以來，中國智能制造業(yè)發(fā)展態(tài)勢整體向好，智能制造水平持續(xù)提升。進一步分析可知，2011—2020 年間中國智能制造業(yè)技術進步增長率由2.1%變?yōu)?4.1%，提升了12%，而技術效率增長率由-2.6%變?yōu)?7.2%，下降了4.6%，這表明技術進步始終在智能制造業(yè)綠色全要素生產(chǎn)率增長過程中發(fā)揮核心驅(qū)動作用。就地區(qū)層面而言，東、中、西部三大地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率增長速度存在差異性。2011—2020 年東部地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率的年均增長速度為8.1%，中部地區(qū)為17.6%，西部地區(qū)為16.6%?？梢园l(fā)現(xiàn)，中、西部地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率增長速度快于東部地區(qū)，表明近年來中、西部地區(qū)智能制造業(yè)發(fā)展更為迅猛。上述研究雖然能夠較為詳細地刻畫智能制造業(yè)綠色全要素生產(chǎn)率靜態(tài)分布規(guī)律，但是難以準確細致地揭示中國智能制造業(yè)動態(tài)演變收斂特征以及趨勢。故而基于上述測度與分解得出的各項指標數(shù)據(jù)，進一步對智能制造業(yè)綠色全要素生產(chǎn)率的時空動態(tài)演變展開研究。

2.智能制造業(yè)綠色全要素生產(chǎn)率增長的時序動態(tài)演變分析

（1）核密度估計

文章將研究時段均等分為3 份，選取2011 年、2014 年、2017 年和2020 年的智能制造業(yè)Malmquist 指數(shù)累積值為樣本，采用核密度模型估計其密度分布（見圖1）。其中，坐標橫軸表示智能制造業(yè)Malmquist 指數(shù)，縱軸表示核密度。

圖1(a)為全國范圍智能制造業(yè)Malmquist 指數(shù)的核密度曲線。由該圖可知：一是智能制造業(yè)綠色全要素生產(chǎn)率核密度曲線均呈右偏，有較多省份智能制造業(yè)綠色全要素生產(chǎn)率小于全國均值；二是4 個代表年份的智能制造業(yè)綠色全要素生產(chǎn)率核密度曲線波峰高度不斷降低，這表明全國范圍內(nèi)智能制造業(yè)綠色全要素生產(chǎn)率差距逐漸增大；三是2011 年核密度曲線由一個主峰和兩個側(cè)峰組成，2014 年兩個側(cè)峰趨于平緩，2017 年和2020 年均向單峰分布形式轉(zhuǎn)變，且主波峰與次波峰間距逐年減小，表明智能制造業(yè)綠色全要素生產(chǎn)率演變過程中的“兩極分化”效應在逐漸減緩。

圖1 全國及東、中、西部地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率核密度估計

圖1(b)、(c)、(d)分別為東、中、西部地區(qū)智能制造業(yè)Malmquist 指數(shù)的核密度曲線。分析圖像可以發(fā)現(xiàn)，東、中、西部三大地區(qū)核密度曲線具有高度相似性。其中，東部地區(qū)核密度曲線寬度逐漸變大、高度逐漸降低、尾部明顯拉長。這表明東部地區(qū)各省份智能制造業(yè)綠色全要素生產(chǎn)率增長幅度差異增大。中部地區(qū)智能制造業(yè)Malmquist 指數(shù)的核密度曲線寬度呈現(xiàn)先變窄、而后逐漸變大的趨勢，這表明中部地區(qū)各省份智能制造業(yè)Malmquist 指數(shù)差距在2011—2014 年間逐漸縮小，2014年以后又逐漸變大。究其原因可能在于，伴隨國家對中部地方落后省份在經(jīng)濟、政策、技術等方面的支持力度不斷加大，中部地區(qū)各省份智能制造業(yè)綠色全要素生產(chǎn)率增長速度得到顯著提升，其內(nèi)部差距逐漸縮小。西部地區(qū)智能制造業(yè)Malmquist 指數(shù)的核密度曲線波峰寬度在2011—2017 年間增大，2017 年之后無明顯變化，說明2017 年之前西部地區(qū)各省份智能制造業(yè)綠色全要素生產(chǎn)率增長幅度具有較大差異，而在2017 年后西部地區(qū)各省份智能制造業(yè)綠色全要素生產(chǎn)效率增長幅度趨于均衡。

（2）馬爾可夫鏈分析

文章以2011—2020 年中國30 個省份智能制造業(yè)Malmquist指數(shù)累積值作為樣本數(shù)據(jù)，在不考慮年份差異影響的情況下，采用四分位數(shù)方法確定1.061、1.095 和1.104 為分類閾值。由此，各省份智能制造業(yè)綠色全要素生產(chǎn)率可分成四種水平狀態(tài)，分別是低水平狀態(tài)（0，1.061]、中低水平狀態(tài)（1.061，1.095]、中高水平狀態(tài)（1.095，1.104]、高水平狀態(tài)（1.104，+∞），并依次用H、MH、ML 和L 表示。在此基礎上，用傳統(tǒng)馬爾可夫鏈模型測算不同時長內(nèi)各水平狀態(tài)間的轉(zhuǎn)移概率矩陣，如表2 所示。

根據(jù)表2，可具體剖析中國智能制造業(yè)綠色全要素生產(chǎn)率增長的時序動態(tài)演變情況。

表2 中國智能制造業(yè)綠色全要素生產(chǎn)率分布狀態(tài)的傳統(tǒng)馬爾可夫鏈測算結(jié)果

第一，無論考察時長是多久，轉(zhuǎn)移概率較大的數(shù)值均在矩陣對主角線上。這說明在1 年、2 年或3 年時長下，中國智能制造業(yè)綠色全要素生產(chǎn)率分布狀態(tài)轉(zhuǎn)移情況較為穩(wěn)定。

第二，智能制造業(yè)綠色全要素生產(chǎn)率向下或者向上轉(zhuǎn)移超過一種狀態(tài)類型的概率偏低，即智能制造業(yè)綠色全要素生產(chǎn)率難以跨狀態(tài)轉(zhuǎn)移。具體來說，僅有考察時長為3 年時，中國智能制造業(yè)綠色全要素生產(chǎn)率分布狀態(tài)存在跨狀態(tài)轉(zhuǎn)移，表現(xiàn)為低水平狀態(tài)向中高水平狀態(tài)轉(zhuǎn)移，轉(zhuǎn)移概率為1.1%。

第三，在期初智能制造業(yè)綠色全要素生產(chǎn)率是高水平狀態(tài)的省份，1 年后依然處于原狀態(tài)的概率是96.7%，2 年后是96.8%，3 年后是97.5%。而低水平狀態(tài)省份經(jīng)過發(fā)展后，依然處于原狀態(tài)的概率分別為72.3%、71.7%、69.5%?？梢?，智能制造業(yè)綠色全要素生產(chǎn)率增長的動態(tài)演進過程存在一定兩極分化現(xiàn)象，即強者越強，弱者越弱。

第四，當考察時長為1 年時，L、ML 和MH 向上轉(zhuǎn)移的概率分別是27.7%、15.8%和7.2%。當考察時長為2 年時，L、ML 和MH 向上轉(zhuǎn)移的概率分別是28.3%、19.1%、8.5%。當考察時長為3 年時，L、ML 和MH 向上轉(zhuǎn)移的概率分別是30.5%、21.6%和9.1%?？梢?，考察時長越長，偏低水平狀態(tài)的省份向上轉(zhuǎn)移概率越大。

3.智能制造業(yè)綠色全要素生產(chǎn)率增長的空間格局演變分析

（1）全局空間自相關分析

若想探究智能制造業(yè)綠色全要素生產(chǎn)率增長幅度在空間層面的動態(tài)演進特征，需先研判其全局空間自相關性。將智能制造業(yè)Malmquist 指數(shù)的各項指標代入式(5)中，得到各年份智能制造業(yè)綠色全要素生產(chǎn)率增長的全局莫蘭指數(shù)（見表3）。

表3 智能制造業(yè)全要素生產(chǎn)率的Moran's I 指數(shù)值及其相關統(tǒng)計指標

如表3 所示，研究期內(nèi)Moran's I 指數(shù)值均大于零，并且除前2 年P 值顯示僅通過5%的顯著性檢驗外，其余觀測年份都在1%上顯著。這說明從空間分布來看，智能制造業(yè)綠色全要素生產(chǎn)率增長會出現(xiàn)明顯的相似水平空間集聚現(xiàn)象。另外，2011—2020 年中國智能制造業(yè)綠色全要素生產(chǎn)率增長的空間格局演變大致可劃分為兩個階段：第一階段為2011—2014 年，該階段智能制造業(yè)綠色全要素生產(chǎn)率的Moran's I 指數(shù)值呈現(xiàn)平穩(wěn)上升趨勢，各省份間集聚水平逐步強化；第二階段為2015—2020 年，該階段Moran's I 指數(shù)值“下降、上升”趨勢不斷交替演變，各省份的智能制造業(yè)綠色全要素生產(chǎn)率增長的空間集聚效應波動不斷增強。綜合來看，各省份空間自相關性在考察期內(nèi)持續(xù)增強。

（2）空間馬爾可夫鏈分析

空間自相關分析表明，中國智能制造業(yè)綠色全要素生產(chǎn)率增長呈現(xiàn)出顯著的空間自相關性，即某地區(qū)智能制造業(yè)綠色全要素增長受到相鄰地區(qū)綠色全要素生產(chǎn)率水平影響。文章將進一步探究這種影響如何對智能制造業(yè)綠色全要素生產(chǎn)率增長的動態(tài)演變產(chǎn)生作用。文章將空間滯后條件設定為相鄰地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率增長水平，并以此搭建空間馬爾可夫鏈轉(zhuǎn)移概率矩陣（表4）。

表4 空間馬爾可夫鏈轉(zhuǎn)移概率矩陣

由表4 可知，空間滯后類型對智能制造業(yè)綠色全要素生產(chǎn)率演變有重要影響，不同空間滯后類型對不同分布狀態(tài)下智能制造業(yè)綠色全要素生產(chǎn)率轉(zhuǎn)移概率的影響各不相同。具體表現(xiàn)為：

第一，對于低水平狀態(tài)省份來說，在不考慮空間作用時，這些地區(qū)有27.7%的概率由低水平狀態(tài)往上轉(zhuǎn)移；在考慮空間作用且面臨低、中低、中高和高水平狀態(tài)鄰居時，這些地區(qū)分別有38.4%、45.5%、48.1%、0%的概率往上轉(zhuǎn)移?？梢姡叭悹顟B(tài)鄰居均提升了低水平狀態(tài)省份往上轉(zhuǎn)移的概率，而高水平狀態(tài)鄰居則具有負面影響。

第二，對于中低水平狀態(tài)省份來說，在不考慮空間作用時，這些地區(qū)有15.8%的概率由中低水平狀態(tài)往上轉(zhuǎn)移；在考慮空間作用且由低到高面臨四類狀態(tài)鄰居時，這些地區(qū)有17.3%、23.2%、35.7%和37.6%的概率由中低水平狀態(tài)往上轉(zhuǎn)移?？梢?，在四種空間滯后類型影響下，中低水平狀態(tài)地區(qū)智能制造業(yè)綠色全要素生產(chǎn)率增長向上轉(zhuǎn)移的概率均有所增加。

第三，對于中高水平狀態(tài)省份來說，在不考慮空間作用時，這些地區(qū)有7.2%的概率由中高水平狀態(tài)往上轉(zhuǎn)移；在考慮空間作用且由低到高面臨四類狀態(tài)鄰居時，這些地區(qū)有5.2%、8.3%、8.6%和9.1%的概率由中高水平狀態(tài)往上轉(zhuǎn)移。可見，對于中高水平狀態(tài)的省份來說，面臨中低、中高與高水平狀態(tài)鄰居時可增大向上轉(zhuǎn)移概率，面臨低水平狀態(tài)鄰居時會降低向上轉(zhuǎn)移概率。

第四，對于高水平狀態(tài)省份來說，在不考慮空間作用時，這些地區(qū)有3.3%的概率由高水平狀態(tài)往下轉(zhuǎn)移；在考慮空間作用且由低到高面臨四類狀態(tài)鄰居時，這些地區(qū)有6.8%、0、0、0 的概率由高水平狀態(tài)往下轉(zhuǎn)移?？梢姡敻咚綘顟B(tài)的省份面臨高水平狀態(tài)鄰居時，容易發(fā)生惡性競爭，進而增加往下轉(zhuǎn)移的概率。

五、結(jié)論與建議

文章采用基于DEA 的Malmquist 指數(shù)模型對中國各省份智能制造業(yè)綠色全要素生產(chǎn)率變化情況及其分解進行測度，并通過核密度與馬爾可夫鏈分析中國智能制造業(yè)綠色全要素生產(chǎn)率增長的時空演變規(guī)律。結(jié)果顯示：一是考察期內(nèi)中國各省份的智能制造業(yè)綠色全要素生產(chǎn)率整體呈現(xiàn)上升態(tài)勢，推動中國智能制造業(yè)綠色全要素生產(chǎn)率增長的核心驅(qū)動力是技術進步；二是各代表年份智能制造業(yè)綠色全要素生產(chǎn)率的核密度曲線出現(xiàn)了不同程度的右偏態(tài)勢，且隨時間不斷推移，波峰高度不斷降低；三是中國智能制造業(yè)綠色全要素生產(chǎn)率分布狀態(tài)具有一定的穩(wěn)定性，即跨狀態(tài)轉(zhuǎn)移概率不高。通過增加考察時長發(fā)現(xiàn)，智能制造業(yè)綠色全要素生產(chǎn)率增長的動態(tài)演變呈現(xiàn)出兩極分化現(xiàn)象，即“強者越強、弱者越弱”，且處于較低水平狀態(tài)的省份轉(zhuǎn)移到更高級別發(fā)展狀態(tài)的概率有所增加；四是不同空間滯后類型對不同狀態(tài)下智能制造業(yè)綠色全要素生產(chǎn)率轉(zhuǎn)移概率的影響各不相同。

基于以上結(jié)論，提出如下針對性建議：第一，培育“綠碳”優(yōu)勢智能制造業(yè)集群。智能制造業(yè)發(fā)達的東部地區(qū)應與周邊地區(qū)聯(lián)合組建產(chǎn)業(yè)集群，以點帶面增強區(qū)域智能制造業(yè)綠色全要素生產(chǎn)率，發(fā)揮規(guī)?；l(fā)展的正向促進效應。中部地區(qū)應結(jié)合本地區(qū)資源、社會現(xiàn)實情況，以“綠碳”為導向升級智能制造業(yè)結(jié)構(gòu)，進而改善智能制造業(yè)綠色全要素生產(chǎn)率。西部地區(qū)應加大智能制造業(yè)集群規(guī)模，積極承接其他地區(qū)的智能制造業(yè)轉(zhuǎn)移，持續(xù)提升低碳智能產(chǎn)品開發(fā)能力、生產(chǎn)制造能力與綜合管理能力。第二，加強智能制造業(yè)“綠碳”技術競爭力。智能制造業(yè)應以升級“綠碳”技術為關鍵突破口，大力發(fā)展新一代信息技術、生物安全等戰(zhàn)略性新興產(chǎn)業(yè)，進一步提高智能制造業(yè)的低碳化管理與生產(chǎn)效率。政府應鼓勵智能制造企業(yè)積極研發(fā)新型“綠碳”技術，及時發(fā)布技術突破引導政策，推動先進管理方式與技術研發(fā)流程對智能制造業(yè)綠色全要素生產(chǎn)率增長作出貢獻。各狀態(tài)等級地區(qū)均應重視引入和吸收前沿“綠碳”技術，加快將技術優(yōu)勢轉(zhuǎn)變?yōu)橹悄苤圃鞓I(yè)綠色發(fā)展動能。第三，打造智能制造業(yè)“綠色品牌”領軍企業(yè)。各地區(qū)應根植于本地市場基本情況，快速打造出具有本土特色的智能制造業(yè)“綠色品牌”領軍企業(yè)，再引導其輻射帶動周邊地區(qū)智能制造業(yè)企業(yè)“綠色品牌”發(fā)展，形成區(qū)域“綠色品牌”規(guī)?；l(fā)展態(tài)勢，為智能制造業(yè)綠色發(fā)展貢獻力量。同時，各地區(qū)應加速智能制造業(yè)“綠色品牌”領軍企業(yè)之間的資源循環(huán)流動速度，提升“綠色品牌”要素配置效率，最大化發(fā)揮領軍企業(yè)的輻射帶動作用。