人工智能技术应用后,城市制造业空间的新变化有哪些？丨城市数据派

1.1  研究框架

针对人工智能技术应用后城市制造业空间的新变化，本文提出以下假设。

假设1：人工智能技术的应用将使制造业空间更靠近科研空间。Lejpras等指出，与大学或科研机构的邻近程度是影响技术密集型企业创新能力的最重要因素。人工智能的应用将使技术成为产业的核心竞争力，众多以往依赖人工劳动力的产业将更多地依赖技术。因此，研发产业将成为制造业的依赖对象，导致制造业空间和科研空间之间形成更紧密的互动。

假设2：人工智能技术的应用将改变制造业的选址，使制造业分布更加集聚。根据新经济地理理论，规模收益递增效应会驱动产业集聚。尤其是对于技术密集型企业而言，其区位选择显著依赖于高技术企业集群所构建的创新网络与知识外溢环境。一定程度的空间集聚有利于企业进行技术交流和合作。因此，应用人工智能后的制造业企业可能会愈发集聚。

假设3：人工智能技术的应用将提高制造业对新成立企业的空间吸引力，形成更大的产业集群。产业集群是在地理位置上相对集中的相互联系、具有协同效应的企业和机构的集合体，企业进入集群的前提是可以比不进入集群获得更大的收益。新成立企业中，一部分可能是应用人工智能的企业，进入集群是为了更好地进行交流与合作，发挥集聚效应；一部分可能是未来计划进行升级的传统制造业，在地理位置上靠近已应用人工智能的企业是为了提前学习先进经验，享受集群的溢出效应；一部分可能是传统上下游企业，地理邻近能更好地进行产业协作，发挥集群的链式效应。

本文采用对比研究的思想，通过设置实验组（应用人工智能的企业）、控制组（未应用人工智能的企业）来分析是否有人工智能应用作用。主要设置两组对比：

研究框架

来源：笔者自绘。

一是通过观测实验组与控制组空间变化的结果差异，来发现应用人工智能后的制造业空间产生的新变化；二是进一步将实验组划分成高机器替代率、中机器替代率、低机器替代率3组^①，通过观测应用人工智能后这3组的结果差异，来发现人工智能应用水平不同的制造业空间产生的不同变化。其空间变化具体包括空间分布和集聚特征两个维度。首先，运用标准差椭圆、核密度估计等方法，刻画并描述这种空间变化。其次，运用双重差分、线性回归等数理模型，验证这种空间变化是否由人工智能技术的应用引起。

本文以2014年东莞颁布“机器代人”政策为节点，重点对前后5年的空间变化进行分析。经试验，企业1年的空间变化特征并不显著。因此，在标准差椭圆和核密度分析中以5年为一个跨度进行分析，即重点刻画2009年、2014年、2019年的空间特征。而在后续的双重差分分析中，采用的是逐年数据，即2009—2013年为人工智能应用前5年，2015—2019年为人工智能应用后5年。

1.2  研究区概况及选取原因

东莞市位于我国广东省中南部，市域面积2 542.67 km²，下辖4个街道、28个镇、1个国家级高新技术产业开发区——松山湖。

东莞市是全球规模领先的制造业基地之一，且第二产业体系齐全，基本覆盖制造业类别，被誉为中国的“制造业之都”。从2014年起，东莞市政府陆续出台了一系列政策，开始在全市大力推行“机器代人”。至今，东莞市已成为中国“机器代人”应用水平领先的城市之一。因此，选择东莞市作为研究区具有典型性和代表性。

1.3  数据来源及处理

本文的研究数据包括：（1）东莞市行政区范围矢量数据，数据来源于东莞市自然资源局。（2）东莞市截至2019年底制造业企业数据（含企业所属行业类别、成立时间、地址等信息），数据来源于天眼查（https://www.tianyancha.com/）。经过数据清洗，将部分信息不全或重复的数据剔除，共获取有效数据165 080条。通过高德地图API接口（https://lbs.amap.com/）获取每一个企业地址所对应的经纬度坐标，从而得到空间矢量化。（3）东莞市各制造业企业机器替代率，数据来源于行业调研。因为难以获取企业逐年的机器替代率，且本文是宏观层面的研究，重点研究整体趋势而非个体差异，所以采用行业机器替代率近似替代企业机器替代率。根据所属行业是否应用人工智能技术，将制造业企业划分为未应用人工智能和应用人工智能两类。其中，未应用人工智能的制造业企业数据共计32 466条，应用人工智能的制造业企业数据共计132 614条。

由于各制造业行业机器替代率差异较大，呈明显的3个梯度分布，结合整体机器替代率均值为10%这一特征，将机器替代率为0%—5%、5%—15%、15%—25%的企业分别划分为低机器替代率、中机器替代率、高机器替代率3类，以便分析人工智能应用水平不同的制造业空间产生的空间变化。

注：各行业代码指《国民经济行业分类》（GB/T 4754-2017）中的行业代码。

各制造业行业机器替代率数据分布情况

来源：笔者自绘。

其中，低机器替代率制造业企业数据共计32 413条，中机器替代率制造业企业数据共计73 723条，高机器替代率制造业企业数据共计26 478条。

1.4  研究方法

1.4.1  标准差椭圆分析

标准差椭圆（SDE）是一种分析点要素方向分布的方法，能够反映点要素的总体主导分布方向和各个方向的离散度。本文采用该方法对制造业企业的分布方向和集聚趋势进行分析。

1.4.2  核密度估计

核密度估计方法（KDE）是一种非参数估计方法，可以对点数据进行高质量的密度估计，能直观地反映点要素的集聚地和集聚程度。在进行核密度估计时，带宽的选择尤为重要。本文通过对点数据分布密度的估算，发现当带宽设为5 km时，分析结果具有良好的稳定性。此外，本文将研究区域进行格网划分，再计算格网单元尺度的制造业企业核密度，有利于数据的精细化和后续进行相关性分析。根据经验公式：

（1）

式中：A表示研究区域的面积；n表示研究区域内点的数量；Q表示单位格网面积。

计算得到本研究中Q的最佳尺度为0.49 km²。因此，借助ArcGIS 10.7软件创建渔网工具，将研究区划分成6 178个700 m×700 m的格网。

1.4.3  双重差分模型

双重差分（DID）是一种比较成熟的进行政策研究的分析方法，核心思想是将公共政策视为外生于城市系统的一项“准自然实验”，通过控制政策执行前后实验组和控制组之间的差别，构造出反映政策效果的双重差分统计量。DID模型能有效控制其他因素的影响，以及实验组和控制组的事前差异，进而识别出人工智能技术应用对企业空间分布所带来的效应。经试验，在划分未应用人工智能和应用人工智能的基础上，分别计算各行业的平均最近邻指数ANN，再纳入模型进行分析，模型拟合优度更高。因此，具体模型设定如下：

（2）

式中：c和t分别代表制造业行业类别和年份，被解释变量Y_ct指行业c在t年的平均最近邻指数。X_ct为核心解释变量，用于识别行业c在t年是否应用了人工智能，若应用了人工智能，则X_ct取1，反之取0；δ_C和φ_t分别表示行业固定效应和年份固定效应；ε_ct是随机扰动项；α₀、α₁为待估参数。

1.4.4  一元线性回归模型

一元线性回归模型是分析自变量和因变量线性相关关系的方法。本文用其分析应用人工智能的制造业对新成立企业的空间吸引力。具体模型设定如下：

（3）

式中：因变量Y指2015—2019年新成立的制造业企业核密度值；自变量X指2014年应用人工智能的制造业企业核密度值；β₀是截距；β₁是斜率；ε是误差项。

2.1  制造业空间分布与集聚趋势变化

2.1.1  标准差椭圆分析

分析结果显示：①应用人工智能后的制造业企业空间分布更为集聚。未应用人工智能的制造业企业椭圆面积先缩小后增大，表明空间分布先集聚后分散。应用人工智能的制造业企业椭圆面积持续缩小，且在“机器代人”政策实施后的减小幅度增强，表明人工智能的应用有可能加剧了企业的空间集聚。②制造业空间集聚趋势随机器替代率的不同而呈现差异。应用人工智能后，中机器替代率的制造业企业标准差椭圆面积减小幅度最大，低机器替代率的减小幅度最小。说明中机器替代率的制造业空间集聚趋势最强，低机器替代率最弱。③人工智能应用水平越高，以研发高地为中心的分布趋势越明显。中机器替代率、高机器替代率的制造业企业分布中心均位于松山湖，而低机器替代率的制造业企业分布中心位于大岭山镇。松山湖是国家级高新技术产业开发区，前述这种空间变化说明应用人工智能的制造业企业正逐渐呈现以研发高地为中心的分布模式，人工智能应用端与研发端在空间距离上日益靠近，产业空间与创新空间趋于融合发展。

应用/未应用人工智能的制造业空间椭圆参数

注：面积变化分别指2014年相较于2009年、2019年相较于2014年的变化。

来源：笔者自制。

人工智能应用水平不同的制造业空间椭圆参数

注：面积变化指2019年相较于2014年的变化。

来源：笔者自制。

2.1.2  基准回归分析

前述分析表明，应用人工智能的制造业企业分布更加集聚，但这种变化是否由人工智能引起，还有待进一步验证。本文使用DID模型对其进行验证，Before表示人工智能应用前5年，After表示人工智能应用后5年，共计10年数据。基准回归结果显示，在0.01的显著性水平下，Diff-in-Diff效应值为-0.119。

DID模型结果

注：R²= 0.935，调整R²= 0.923；“*”表示p＜0.05，“**”表示p＜0.01。

来源：笔者自制。

说明应用人工智能后，相比于未应用人工智能的制造业企业，应用人工智能的制造业企业ANN下降了11.9%。ANN越小，表明空间越集聚，即人工智能技术的应用确实改变了制造业的选址，使制造业分布更加集聚。

2.1.3  平行趋势检验

本文采用t检验法对DID模型进行平行趋势检验。结果显示，实验前，Diff效应值为-0.024，但没有呈现出显著性（p＞0.05），意味着人工智能应用前，实验组和控制组的空间集聚趋势基本一致，无明显差异。实验后，Diff效应值为-0.143＜0且呈现出1%水平的显著性，意味着人工智能应用后，实验组效应值低于控制组效应值，具有明显差异。表明该模型通过了平行趋势检验，验证了模型结论的有效性。

t检验结果

注：“*”表示p＜0.05，“**”表示p＜0.01。

来源：笔者自制。

2.2  制造业空间集聚特征变化

2.2.1  核密度分析

分析结果显示：①应用了人工智能的制造业企业集聚范围持续收缩。2009—2019年，北部片区在经历初步收缩后最终淡化，整体布局演变为西南长安镇为主中心、东南塘厦等三镇为次中心的“一主一次”模式。②2015—2019年新成立的制造业企业空间集聚特征与2014年应用人工智能的制造业企业空间集聚特征十分相似。二者均呈现出以长安镇为主要集聚地，向西南、东南及中部3大片区集聚的态势。说明新成立企业可能更倾向于往应用人工智能的企业周边集聚。

2.2.2  回归分析

建立一元线性回归模型对前述结论进行验证，结果表明：①在95%的置信区间内，新成立的制造业企业核密度值与2014年应用人工智能的制造业企业核密度值存在明显的相关性，相关系数达92.5%，模型解释力度高达85.6%，表明应用人工智能的制造业企业选址对新成立的制造业企业选址具有显著影响。②高机器替代率的制造业企业选址对新成立的制造业企业选址影响最大，其次为低机器替代率和中机器替代率。在95%的置信区间内，2015—2019年新成立的制造业企业核密度值与低机器替代率、中机器替代率、高机器替代率的制造业企业模型回归系数依次为8.91、4.56、10.76，表明新成立的制造业企业在选址时首先倾向于往高机器替代率的制造业企业周边集聚，其次是低机器替代率的制造业企业，最后才往中机器替代率的制造业企业周边集聚。

2015—2019年新成立的制造业企业与2014年应用人工智能的制造业企业核密度相关性

来源：笔者自绘。

2.2.3  F检验

采用F检验对上述模型进行显著性检验。如下表所示，在0.05的显著性水平下，4组模型均通过F检验，表明上述结论均具有有效性。

线性回归分析F检验

来源：笔者自制。

3.1  人工智能应用背景下的城市制造业空间演变模式

基于前述分析可以发现，对比未应用人工智能的制造业企业，应用人工智能后的制造业空间发生了显著变化。

人工智能技术应用背景下的城市制造业空间演变模式

来源：笔者自绘。

一是选址时会更多地考虑当地科技水平。从制造业整体分布来看，未应用人工智能的制造业企业空间变化趋势始终保持不变，而应用人工智能的制造业企业则进一步往工业基础良好、科技水平较高的长安镇集聚，其分布中心也日益靠近松山湖的几何中心。松山湖是国家级高新技术产业开发区，松山湖科学城也是大湾区综合性国家科学中心先行启动区，科技创新生态体系完善。2014年，松山湖更是成立了机器人基地，陆续孵化了60多家机器人科技企业，成为东莞乃至大湾区工业机器人的主要供应商。前述的这种空间变化可能与企业的高技术特性和土地租金承受能力有关。从经济效益看，人工智能的应用提升了产业效率与经济效益，这使得企业受土地租金的约束减小，继而促使其向更优地理区位迁移。从产业结构看，人工智能驱动产业由劳动密集型向技术或知识密集型转型，而后者高度依赖研发与科技创新，因此更倾向于分布在科技资源富集的地区。

二是空间集聚趋势显著加强。应用人工智能的制造业在初期为了资源共享和信息交流，在空间上会愈发集聚。因此，应用人工智能的制造业的集聚趋势会进一步加强。但这种空间变化程度与人工智能应用水平并未呈现出明显的相关关系。人工智能应用水平越高，制造业企业的集聚趋势并未越强。反而是中机器替代率的企业集聚趋势最强。这说明随着人工智能应用水平的提高，制造业企业会先经历集聚化的过程，而后又逐渐趋向分散化和网络化。此外，应用人工智能的制造业企业也吸引了其他制造业企业在其周边集聚，既包括应用人工智能的制造业企业，也包括未应用人工智能的制造业企业。在人工智能应用水平不同的制造业中，这种空间吸引力大小依次为：高机器替代率＞低机器替代率＞中机器替代率。因而，也产生了不同大小的产业集群规模。

3.2  对城市规划的启示与建议

人工智能的应用正逐渐改变城市空间的组织方式。其中，制造业空间已悄然发生了许多变化。为更好地应对新一轮技术革命的冲击，城市规划应着重考虑以下几个方面。

一是产业布局。城市规划应充分尊重产业发展的内在演进脉络，引导人工智能赋能下的制造业企业向技术创新要素富集的地区进行空间集聚，形成智能产业集群。同时，需要合理控制产业集群规模，使其规模经济效应最大化。在集群内部也可以规划专门的智能制造产业园区，以便于管理。在人工智能应用初级阶段，这类园区应强调“研发—制造—服务”的空间集成与产城融合。待技术纵深发展至“无人化”阶段，服务功能需让位于物流枢纽功能，形成“研发—制造—物流”新组合，其选址考量亦由城市内部的职住平衡转向郊区更优的交通与土地成本条件。

二是土地利用。产业用地的管控体系需依据智能化生产的内在要求进行适应性调整。一方面，智能化生产要求研发、制造与服务功能在空间上深度融合，这需要通过提高土地混合使用强度来提供复合载体。另一方面，智能化生产所需的配套催生了新的空间需求，为此可规划智能工业用地，集成布局多功能，并探索与之相适应的地块控制指标。

三是产城关系。产城融合是当前城市规划所秉持的重要理念，但由于人工智能的应用，将来的制造业空间都会呈现“无人化”趋势。此时，产城关系可能被重新定义。城市规划不仅需反思“产城分离”模式在智能化时代的潜在价值，更需将关注点转向科研空间的构建及其与产业空间的深度融合研究。

本文在既往关于人工智能与城市发展的社会经济研究的基础上，将视野拓展至空间维度，以东莞作为实例，从定量的角度探究了人工智能应用背景下制造业空间演变的新规律，弥补了现有研究对人工智能应用后产业空间的变化多是预测性的不足。主要研究结论如下：

（1）从空间分布来看，应用人工智能的制造业企业逐渐呈现以研发高地为中心的分布模式，且分布中心日益靠近科技区的几何中心，尤其是中、高机器替代率的制造业企业。

（2）从空间集聚趋势来看，人工智能技术的应用有利于提高企业的空间集聚程度，且中机器替代率的企业集聚程度和集聚趋势最强。

（3）从空间集聚格局来看，人工智能技术的应用提高了制造业企业对其他企业的空间吸引力，新成立的制造业企业更倾向于往应用了人工智能的企业周边集聚，尤其是往高机器替代率的制造业企业周边集聚。

（4）城市规划应合理引导应用人工智能的企业向科技水平较高的地区布局，形成一定的集聚效应。同时，探索混合用地和专门的智能工业用地，并重新审视产城关系，尤其应重点关注产业空间与创新空间之间的关系。

注释：

①机器替代率是指使用智能机器后劳动力数量的减少量与使用智能机器前劳动力数量的比值，机器替代率越高，说明人工智能应用程度越高。

详情请关注《上海城市规划》2025年第5期《人工智能技术应用背景下的城市制造业空间演变——基于东莞的研究》，作者：杨石琳，广州市城市规划勘测设计研究院有限公司，广州市资源规划和海洋科技协同创新中心，广东省城市感知与监测预警企业重点实验室；黄经南 （通信作者），武汉大学城市设计学院，湖北省人居环境工程技术研究中心。本文内容仅代表作者观点。

原文始发于微信公众号（城市数据派）：人工智能技术应用后,城市制造业空间的新变化有哪些？丨城市数据派