——以长三角城市群为例

闵继庆

（芜湖职业技术学院，安徽 芜湖 241006）

摘要：随着科技革命和产业变革的深入推进，人工智能产业逐渐成为推动区域经济高质量发展的重要引擎。长三角城市群作为中国经济高质量发展的核心区域，其人工智能产业的布局与发展对于全国经济具有重要的示范意义。基于新质生产力理论，本文从创新驱动和资源优化的角度，分析了人工智能产业在促进长三角区域经济高质量发展中的作用机制，构建了理论框架并进行了实证分析。研究结果表明，人工智能产业通过提升区域内创新能力、优化资源配置以及强化区域协同效应，有力地推动了长三角经济的可持续发展。本文进一步提出了强化区域创新网络、优化资源要素配置以及完善产业生态体系的政策建议，为其他区域经济高质量发展提供理论参考和实践启示。

关键词：人工智能；新质生产力；高质量发展；长三角

一、引言

人工智能作为推动经济转型和产业升级的关键驱动力，正在全面重塑全球经济格局。其广泛的技术应用和产业拓展，使其成为当前全球竞争的战略制高点之一。长三角城市群凭借其产业基础雄厚、创新资源密集的优势，成为探索人工智能与区域经济深度融合的关键区域。当前，人工智能产业在长三角的发展呈现出集聚效应显著、技术创新活跃的特征，但也面临区域间发展不平衡、产业链协同不足等问题。如何充分利用新质生产力的理论视角，研究人工智能产业促进区域经济高质量发展的作用路径和实践策略，是一个亟待深入探讨的议题。

本文以长三角城市群为研究对象，聚焦人工智能产业在促进区域经济高质量发展中的作用机制，首先从理论角度分析新质生产力的理论内涵及其对人工智能产业的启示；其次，探讨人工智能产业促进区域经济高质量发展的路径与关键驱动因素，基于实证检验评估长三角人工智能产业的区域经济效应；最后，基于研究结论，为促进长三角城市群及全国的经济高质量发展提出相应的政策建议。旨在通过理论与实证的结合，揭示人工智能产业对区域经济发展的深远影响，并为决策者提供具有实际意义的政策依据。

二、理论分析与研究假设

在2024年全国两会期间，“人工智能+”首次被纳入《政府工作报告》，标志其作为当代技术创新浪潮与产业体系重构的核心引擎，将在加快培育新质生产力方面发挥关键作用。人工智能产业通过优化生产效能、缩减运营开支及实现价值创新三重路径，催生并推动新型生产力的培育与演进。其应用深度重构传统产业格局，有效激活战略性新兴产业与前沿技术领域的发展动能，为现代化产业体系构建注入强劲动力。同时，该技术范式推进国民经济各领域向智能化、数字化及低碳化方向转型，形成支撑经济转型升级的关键驱动力[1]。同时，作为驱动国家现代化进程的战略性技术，人工智能通过构建创新能级跃升、生态效益优化、全球资源配置强化、普惠成果共享及区域协同增强五大机制，系统性推进高质量发展新范式形成，这种技术赋能路径构成了现代化建设战略目标达成的核心支撑体系。但这一影响具有显著滞后性和异质性，因此需要构建人工智能技术发展支撑体系，创建智能经济创新生态示范区[2]。

1.人工智能产业对长三角城市群发展质量跃升的驱动路径

科技创新驱动社会进步，人工智能凭借其多学科交叉融合特征，特别是生成式技术的突破，正在重构产业创新生态。其赋能机制体现在四个维度：首先，优化研发流程，通过智能数据处理降低创新风险，加速技术突破；其次，智能化决策支持系统整合多维度数据，提升运营效能并优化资源配置；再次，推动跨行业颠覆式创新，典型如自动驾驶与智能物联系统的突破性进展；最后，拓宽企业创新维度，通过提升研发转化率与运营效能构建差异化优势。这种技术驱动在降低创新成本的同时，还可以显著增强企业核心竞争力，形成可持续的技术迭代与产业升级路径[3]。在科技创新视角下，人工智能作为数字经济时代的战略性技术基石，其本质是依托高阶技术集成的新型生产范式，通过重构生产要素体系，实现全要素渗透式的创新扩散，进而推动资源配置模式向智能化方向演进。从经济效应维度观察，人工智能的智能自动化特征表现为双重驱动力：一方面通过压缩资本支出与优化知识整合路径驱动增长曲线跃迁，另一方面借助技术储备升级与人力资本结构调适，持续提升微观主体的生产效能与市场适应力。人工智能的技术迭代不仅倒逼制度体系的适应性变革，其制度创新效应本身即具有降低交易摩擦、提升系统运行效能的治理价值 [4]。

人工智能技术迭代、经济系统演进与产业能级提升构成动态关联的三元结构。学术研究在解析智能技术对经济增长的作用机理时，必然延伸至技术革新与产业升级的协同关系。现有理论框架主要从市场驱动与技术赋能双重路径，系统阐释其互动机理。人工智能技术的深度演进正在引发生产范式的结构性变革，其通过重构生产工具与决策范式，形成驱动企业效能跃升的双重变革动能。从生产维度观察，智能装备应用实现了劳动工具从能量传导型向认知增强型的质变，显著提升劳动生产效能。在决策领域，算法模型的演进突破了传统认知边界，尤其在数据要素全面渗透的背景下，智能系统通过解析海量异构数据，构建出基于数据图谱的决策支持体系，推动企业决策机制从经验依赖型向数据智能型转型。当前研究证实，智能技术对企业创新的促进作用已延伸至产品研发、流程优化及宏观经济提质等多重维度。随着技术商业化路径的持续拓展与场景矩阵的完善，人工智能引发的生产工具智能化与决策体系科学化变革，将持续重构产业价值链条，形成数字经济时代的核心变革力量[5]。据麦肯锡研究报告，生成式人工智能技术在未来二十年中将推动劳动效率年均增长0.1%-0.6%，若结合其他数字化技术协同作用，综合效能可扩展至0.2%-3.3%区间。该技术正通过重构创新价值链驱动生产力范式变革，特别是在研发流程优化层面，其突破性效能提升可能超越传统技术迭代的线性预期。这种生产力重塑机制不仅体现于效率指标的量变，更预示着产业创新模式的质变演进[6]。

由此得出假设1：人工智能产业通过技术创新驱动、优化资源配置、促进产业升级和提升劳动力素质等新质生产力的发展，显著促进了长三角城市群经济的高质量发展。

长三角区域人工智能领域的创新要素流动呈现高效协同特征，以核心城市为枢纽的创新协同体系逐步显现引领效能。区域内多元创新主体间的技术交互与资源整合持续深化，关键技术研发路径形成差异化竞争优势，技术要素与城市发展深度融合。研究表明，该协同网络的演化与区域城市化进程存在显著耦合关系，其空间结构受工业化梯度、人力资本储备及政策调控力度等多维因素动态影响。依托区域工业化基础与制度性保障，通过优化既有创新网络拓扑结构，强化核心节点辐射功能与技术枢纽效应，长三角地区已构建起覆盖多层级节点、交互关系复杂的创新协作系统 [7]。长江经济带作为国家战略布局中的核心增长极，其智能技术发展能级对重塑国家人工智能战略布局具有关键价值。研究表明，区域间技术势差呈现梯度粘滞特征，高能级城市对邻近区域的技术演进存在显著空间关联机制。技术先发区域既存在要素集聚的极化效应，又形成技术扩散的辐射效应，这种双向作用机制揭示了要素流动黏性与知识溢出的复杂耦合关系[8]。

新一代信息技术的融合重构了智能技术的应用边界，孵化出新型产业形态和消费需求空间，显著降低新兴市场主体的准入壁垒。研究表明，智能技术的迭代升级不仅加速核心领域技术瓶颈突破，更通过人力资本极化效应提升城市创新密度，形成知识溢出与技术扩散的复合外部性，进而优化区域创新生态系统。从空间分布特征看，技术赋能效应呈现显著的区位异质性，数字经济基础设施完善、要素市场化程度较高的东部沿海区域及核心城市群成为主要受益载体。值得注意的是，数字要素市场的深化与制度环境的完善可触发智能技术应用的规模报酬递增特性，产生非线性增长动能。研究进一步揭示，以工业智能化为代表的技术渗透不仅重构市场结构，更通过创业文化培育与制度适应性调整，形成驱动全要素生产率提升的长效机制[9]。

由此得出假设2：人工智能产业集聚效应在长三角城市群高质量发展中起到中介作用。

2.人工智能产业对长三角城市群高质量发展促进的滞后性

国家战略级城市群建设对智能技术迭代的推动作用主要体现在竞争驱动与规模经济双重机制。竞争机制源于城市群内市场分割的弱化，通过消除行政辖区间的制度性壁垒，加速要素流动与市场整合进程。在此环境下，市场主体为获取竞争优势，主动强化技术研发投入，形成"创新竞赛"格局——技术领先企业通过人工智能技术升级巩固市场地位，低效主体则面临淘汰压力，从而提升区域智能技术整体能级。规模经济效应则依托区域协同政策深化，降低制度性交易成本与要素错配损耗。资源再配置释放的额外资本为企业技术投资提供支撑，特别是人工智能基础设施的规模部署与共性技术研发，形成边际成本递减的正向循环[10]。

长三角区域人工智能产业在沪宁合杭甬产业走廊呈现空间集聚态势，沿主要交通轴线形成"Z"型空间分布特征，并已形成上海、南京、苏州、杭州、合肥五大核心节点，但各城市集群化路径存在差异化特征。研究表明，区域产业禀赋与创新能力构成产业发展的关键影响因子，其中硬件制造企业密度、软件服务商规模、科研人力资本积累及技术创新产出水平等指标具有显著解释力（标准化系数>0.9）。分技术层级观察，应用层发展更依赖区域硬件制造基础，技术层与软件产业知识储备呈现高度耦合，而基础层则需综合性的技术创新生态支撑，对城市研发基础设施与复合型技术储备要求更为严苛[11]。

由此得出假设3：人工智能产业对高质量发展的促进受到当前区域高质量发展水平的影响，具有滞后性。

三、研究设计

为准确识别人工智能对新质生产力的影响，本文以长三角城市群41个地级以上城市2010-2022数据为基础，参考齐平等[12]（2024）的研究，构建双向固定效应模型（1）进行实证检验，如下式：

本文被解释变量为新人工智能+产业驱动下地市经济高质量发展指数，用QG表示，利用熵值法来计算长三角城市群经济高质量发展指数。依据“五大发展理念”来建立经济高质量发展指标体系，包括3个二级指标和8个三级指标[13]，以上变量的具体衡量方式与前文中述保持一致，具体如表1所示。

表1　长三角城市群经济高质量发展指标体系

核心解释变量为人工智能产业发展情况，用AI表示，基于各地市专利授权数量取对数表示，以“智能”、“人工智能”和“机器人”等作为关键词，筛选符合条件的专利，得到各地市人工智能技术方面的专利数；选取部分控制变量，具体如表2所示：

表2　变量设定表

四、实证分析

1.描述性统计

本文用于实证检验的各变量描述性统计结果如表3所示。从被解释变量经济高质量发展(QG)的描述性统计结果可以发现，其最大值为0.705，表明在所考察的样本中，存在达到或接近这一较高水平的经济体或时期。这反映了在某些条件或策略下，经济高质量发展的潜力是显著的，能够接近或达到一个相对较高的标准。最小值为0.159，可能意味着在某些不利条件、政策缺失或资源限制下，经济高质量发展面临挑战，处于相对较低的水平。均值为0.393。更接近于最小值，表明在整体上，样本中的经济高质量发展可能还有较大的提升空间。同时，均值也反映了经济高质量发展的普遍水平

从解释变量人工智能（AI）的描述性统计结果可以发现，其最大值为8.738，表明在样本中存在对人工智能的极高投入、应用或发展水平。这可能反映了某些地区、企业或行业在人工智能方面的领先地位和强大实力。最小值为0，意味着在样本中也存在完全没有人工智能应用或投入的情况。这可能是由于某些地区、企业或行业缺乏必要的资源、技术基础或市场动力来发展和应用人工智能。均值为6.771。更接近最大值，这表明整体上，样本中的人工智能应用或投入处于一个相对较高的水平。反映了随着技术的发展和市场的推动，越来越多的地区、企业或行业开始重视并投入到人工智能领域，从而推动了整体水平的提高。

其余各变量的描述性统计结果与以往研究相近，全部变量的标准差在经过连续变量的上下1%的缩尾处理后的值均较小，证明本文各变量的构建与预处理方式合理，满足后续进一步开展实证检验的需要。

表3　描述性统计

2.相关性分析

模型（2）中各变量间的直接相关系数结果如表4所示。从表4可知解释变量人工智能（AI）与被解释变量经济高质量(QG)的相关系数为0.056，初步证明了本文的研究假设，即人工智能会正向影响经济高质量发展。

实证检验显示，所有控制变量与被解释变量间的统计关联性均通过不同置信度阈值检验。证明模型（2）中选取的各项控制变量是必要且合理的。但各变量间的相关系数仅代表二者的直接关系，没有考虑到其他控制变量、行业特征、时间特征和其他模型问题，因此仅以变量间的直接相关系数结果对理论分析所提出的假设进行检验是不符合研究设计的要求的，本文将进一步通过后续的实证结果分析验证本文的理论分析。

表4　相关性分析

3.多重共线性检验

为防止模型（1）中各变量间存在严重的多重共线性问题，导致本文的研究结果有效性存在缺陷，本文进一步对各变量的方差膨胀因子（VIF）进行检验，检验结果如表5所示，可以看到各变量的VIF值最大不超过2，远小于10，证明本文各变量间不存在会对回归结果产生显著影响的严重的多重共线性问题。

表5　VIF检验

4.基准回归检验

模型（1）的回归结果如表6所示，分别展示了控制城市和年份后，加入控制变量后的回归结果。从表中可知，解释变量人工智能（AI）对被解释变量经济高质量(QG)的回归系数为0.058始终为正，且在1%的显著性水平上显著，证实了本文的研究假设1，即人工智能会对经济高质量产生显著的促进作用。

人工智能作为一种前沿技术，其核心是模拟人类的智能行为和思维过程。通过引入人工智能，企业能够实现生产流程的自动化、智能化，提高生产效率和质量。这种技术创新驱动了经济的高质量发展，使得生产过程更加高效、精准。人工智能技术渗透至企业运营体系，通过需求感知算法重构生产流程与供应链体系，显著降低资源冗余并提升要素配置效率。随着人工智能技术的普及和应用，企业对劳动力的需求也在发生变化。为了适应这种变化，劳动力需要不断提升自身的技能和素质。这种提升不仅有助于劳动力更好地适应新的工作环境和需求，还能提高企业的生产效率和创新能力，从而推动经济的高质量发展。

总体而言，人工智能对经济高质量发展的促进作用主要体现在技术创新驱动、优化资源配置、促进产业升级和提升劳动力素质等方面。这些作用共同推动了经济的持续增长和质量的不断提升。

表6　基准回归检验

5.稳健性检验

剔除特殊事件的影响:新冠疫情作为一次全球性的重大公共卫生事件，对各国经济、社会、环境等方面都产生了深远的影响。为防止2020年的新冠疫情可能引发的影响对回归结果出现变差，本文将2020年之后的样本数据剔除，虽然剔除了2020年之后的样本数据较原来减少，但剩余样本仍然具有足够的代表性和广泛性，将剩余样本进行重新回归，回归结果如表7所示，可以看到解释变量人工智能（AI）对被解释变量经济高质量(QG)的回归系数为0.034且在5%水平上显著。这一结果证明了原回归结果的稳健性。即便是在排除了可能受到疫情显著影响的样本数据后，结果依旧稳健。

表7　稳健性检验结果

6.异质性检验

不同经济发展水平的地区，其经济基础、产业结构、技术水平和市场环境等方面存在差异。这些差异会直接影响人工智能技术的应用和效果。通过异质性分析，可以更准确地了解不同地区或国家在新质生产力发展上的特定需求和挑战。

经济发展水平较高的地区往往有更强的经济实力和技术基础来支持人工智能技术的研发和应用。这些地区可能更早地采用人工智能技术，并在更广泛的领域实现技术应用。相比之下，经济发展水平较低的地区可能在技术应用上相对滞后或局限于特定领域。异质性分析有助于揭示这种技术应用上的差异，并为政策制定者提供有针对性的建议。

因此本文按照GDP中位数将样本划分为经济高质量发展水平地区和经济低质量发展水平地区，其中高质量发展水平地区为：上海市、南京市、杭州市、苏州市等27个城市。重新回归结果如表8所示，可以看到在高质量组回归结果回归系数为0.126，且在1%的显著性水平上显著，表明人工智能技术对经济转型升级的边际效应呈现显著强化趋势，验证了技术赋能效用的区域异质性特征。而在低质量组回归结果，回归系数为0.023，且统计上不显著，则表明在低质量发展水平地区，人工智能的促进作用尚未充分显现。说明在高质量发展水平与低质量发展中存在显著的差异。高质量地区具备更完善的人才储备和基础设施。低质量地区面临要素短缺的制约。

原因可能在于高质量发展水平较高的地区往往拥有更强大的技术基础和吸收能力。这些地区的企业和机构可能更早地接触和应用人工智能技术，从而能够更充分地利用这些技术提升生产效率、优化资源配置和创新业务模式，随着经济发展水平的提升，消费者对产品和服务的需求也会不断升级。高质量发展地区的市场需求可能更加多样化和高端化，这为企业利用人工智能技术提供定制化、智能化的解决方案创造了有利条件。高质量发展水平地区往往形成了一定的产业集聚效应，各类企业和机构之间的协同效应更加明显。这种产业集聚有助于促进人工智能技术与相关产业的深度融合，形成更具竞争力的产业链和产业集群。相比高质量发展地区，低质量发展地区的技术基础可能相对薄弱，缺乏必要的技术人才和研发能力。这导致这些地区在人工智能技术的应用上面临更多的障碍和挑战。政府在低质量发展地区可能对科技创新的支持力度有限，资金和政策投入不足。这制约了这些地区在人工智能技术研发和应用上的发展速度和规模。

总体而言，人工智能在经济高质量发展水平较高的地区促进作用更为突出，而在低质量发展水平地区尚未充分显现的原因主要与技术基础、市场需求、政策支持和产业结构等多方面因素有关。这一结论验证了假设3，即人工智能产业对高质量发展的促进受到当前区域高质量发展水平的影响，具有滞后性。

表8　异质性分析

7.内生性检验

为解决双向因果等其他内生性问题，本文进一步通过两阶段最小二乘法对本文的回归结果进行检验。有关工具变量（Tool）的选取问题，本研究采用人工智能（AI）滞后一期作为工具变量进行回归分析，这一设定既满足与内生变量的相关性要求，又符合工具变量的外生性假定。通过两阶段最小二乘法（2SLS）的估计结果验证了基准回归的稳健性，主要发现如表9所示，人工智能（AI）对地市经济高质量发展（QG）的回归系数为0.043，且在10%的水平上显著。实证检验验证了人工智能技术对经济转型升级的积极驱动效应，其参数方向性特征与基准模型具有一致性，研究结论的统计可靠性得以确认。证明本文回归结果不会受到内生性问题的显著影响。

表9　内生性检验结果

8.中介检验

为检验赫芬达尔指数是否为人工智能发展水平对人工智能对新质生产力的影响的传导机制，本文对模型（2）进行检验，回归结果如表10所示。

表10报告了基于HHI传导机制的回归分析结果。列（1）显示，人工智能（AI）对中介变量（HHImean）的回归系数为0.037，且在5%的显著性水平上显著，这一研究结果表明人工智能的推广应用显著提高了各个城市的赫芬达尔指数HHI，支持了研究假设。列（2）在控制其他变量的基础上同时纳入人工智能（AI）和中介变量（HHImean）后，结果显示（HHImean）对经济高质量发展（QG）的回归系数为0.087，且在5%的显著性水平上显著，同时人工智能（AI）对于地市经济高质量发展（QG）的回归系数仍保持为正且在1%水平显著。此结果验证了各城市赫芬达尔指数HHI在人工智能影响经济高质量发展过程中发挥中介效应。这一结论验证了假设2，即人工智能产业集聚效应在长三角城市群高质量发展中起到中介作用。

表10　中介效应检验结果

9.调节检验

为检验区域创新水平（patent）是否在人工智能发展水平对人工智能对新质生产力的影响中发挥调节机制，本文构建以下模型再次进行检验。

表11报告了基于区域创新水平（专利授权量）的调节效应检验结果。本研究通过引入调节变量区域创新水平及其与核心解释变量人工智能（AI）的交互项（AI×专利授权数量），考察创新产出在人工智能影响经济高质量发展过程中的调节作用。回归结果显示，交互项Q的系数为0.004，且在5%的显著性水平上显著，虽然数值较小但具有统计显著性，表明专利授权数量对人工智能与经济高质量发展的关系具有正向调节作用。这一发现支持了本文的研究假设。

表11　调节机制检验

五、结论与建议

1.研究结论

本研究基于新质生产力理论框架，以长三角城市群为研究对象，系统探讨了人工智能产业对长三角城市群经济高质量发展的作用机制与影响路径。通过理论分析与实证检验，得出核心结论：人工智能对长三角城市群经济高质量发展具有显著驱动作用。

实证结果显示，人工智能产业通过技术创新驱动、资源配置优化、产业升级赋能及劳动力素质提升等多维路径，显著促进了长三角城市群经济的高质量发展。基准回归中，人工智能（AI）对地市经济高质量发展（QG）的回归系数为0.058（1%水平显著），表明人工智能每提升1单位，经济高质量发展水平可提高5.8%。异质性分析表明，人工智能的促进作用在高质量发展水平较高的地区更为突出（系数0.126，1%水平显著），而在低质量发展地区尚未充分显现（系数0.023，统计不显著）。这表明区域经济基础、技术吸收能力与政策支持水平是影响人工智能赋能效果的关键因素。赫芬达尔指数（HHI）在人工智能与经济高质量发展间具有显著中介效应（中介效应占比15.3%），表明产业集聚是人工智能发挥作用的重要传导路径。同时，区域创新水平（专利授权量）对两者的关系具有正向调节作用（交互项系数0.004，5%水平显著），凸显创新生态对技术赋能效果的放大效应。人工智能对高质量发展的促进作用存在滞后性，其技术迭代与制度变革需协同推进。实证研究显示，长三角城市群需突破行政区划约束，促进资源要素流通与制度创新协同，从而充分释放智能技术的持续增长动能。

2.政策建议

基于上述结论，本文提出以下政策建议，旨在推动人工智能产业与区域经济深度协同发展：

（1）构建区域协同创新网络：强化长三角核心城市（如上海、杭州、苏州）的创新辐射作用，推动技术、人才与数据资源的跨区域共享。建立人工智能共性技术研发平台，支持高校、科研机构与企业联合攻关，形成“基础研究-技术转化-产业应用”的全链条创新生态。

（2）优化要素配置与产业布局：针对低质量发展地区，加大基础设施建设与数字技术普及力度，提升其技术吸收能力。引导人工智能产业链向应用层（如智能安防、智慧医疗）延伸，避免基础层（如芯片、算法）过度集中于核心城市，缓解区域发展失衡。

（3）完善制度保障与政策支持：制定差异化政策，对低质量发展地区提供税收优惠、研发补贴等专项扶持，缩小区域发展差距。加快数据要素市场化改革，建立统一的数据交易平台与隐私保护机制，释放数据驱动的创新潜力。

参考文献：

[1]李猛.“人工智能+”赋能新质生产力发展——内在机理与路径探索[J].北京航空航天大学学报(社会科学版),2024,37(4):127-137.

[2]罗良忠,余雨倩,谭云清.人工智能对长三角城市群高质量发展的影响——基于地级市面板数据的实证分析[J].城市问题,2022(12):77-85.

[3]郗胡平.人工智能赋能经济高质量发展[J].宏观经济管理,2024(9):19-27+38.

[4]欧阳金琼,魏德强,王雨濛.人工智能对新质生产力的影响——基于新一代人工智能创新发展试验区的政策效应[J].软科学,2025,39(3):28-36.

[5]沈坤荣,林剑威.人工智能赋能产业变革的机制与推进路径[J].经济纵横,2025(1):55-65+136.

[6]McKinsey Global Institute The Economic Potential of Generative AI: The Next Productivity Frontier [R].https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potantial-of-generative-AI-the-next-produtivity-frontier#introduction,2023-06

[7]王曰芬,周玜宇,岑咏华.长三角地区AI领域城市协同创新网络及影响因素研究[J].情报学报,2024,43(4):377-390.

[8]付华健,蒋兵,张力元.人工智能发展水平时空差异及影响因素研究——以长江经济带三大城市群为例[J].长江流域资源与环境,2024,33(10):2150-2164.

[9]陈浩,黄小洪,隆杰,等.人工智能对战略性新兴企业进入的影响研究[J].软科学,2025,39(3):19-27.

[10]王家庭,王浩然.区域一体化政策对新质生产力的影响——基于新一代人工智能发展的视角[J].学习与实践,2025(1):72-83.

[11]叶琴,徐晓磊,胡森林,等.长三角人工智能产业空间格局及影响因素[J].长江流域资源与环境,2022,31(3):526-536.

[12]齐平,宋威辉,高源伯.数字经济对制造业“四链”融合的影响[J].当代财经,2024(9):126-138.

[13]赵建吉,闫明涛,王艳华.新质生产力发展水平测度：指标与数据[J].河南大学学报(社会科学版),2024,64(6):7-13+152.

[14]温忠麟,叶宝娟.中介效应分析:方法和模型发展[J].心理科学进展,2014,22(5):731-745.

[注]基金项目：2022年度安徽省高校科学研究项目《长三角G60科创走廊绿色发展与产业结构耦合协调研究》2022AH052184；2025年度芜湖职业技术学院校级科学研究项目《新能源汽车产业碳会计信息披露质量评价研究》（项目编号： wzyrw202542）