一、 引言

国外智能工业转型起步较早，2013 年德国“工业 4. 0”计划就提出了智能工业的定义，即将网络、信息等智能技术整合到产品生产全过程，给工业注入“智慧”的综合技术。 ^[1] 近年来，我国传统工业也正在进行智能化转型。党的十九大报告提出了加快先进制造业发展的战略，推动数字化、智能化和实体经济深度融合，推进智能工业转型; 2019 年工业和信息化部提出的《“5G+工业互联网” 512 工程推进方案》 是我国智能工业转型的重要顶层设计。同时，能源转型也是我国当前的紧迫任务，2021 年发布的《2030 年前碳达峰行动方案》中明确提出了促进能源高效利用、绿色低碳发展的可持续发展战略; 2022 年国家发展改革委和国家能源局发布的《关于完善能源绿色低碳转型体制机制和政策措施的意见》中也指出，要推动构建能源可持续发展体系，完善能源转型机制，全面推进能源转型。可见，智能工业转型和能源转型都是我国重要的发展战略。

智能工业转型与能源转型并不是独立进行的，二者存在着紧密的联系。 Zhao 等^[2] 通过对电力行业的研究发现，智能化发展能够改善能源利用率、促进能源转型; 能源转型可以为创新发展提供动力^[3-4]，从而促进智能工业转型。可见，智能工业转型和能源转型之间可能存在互动效应，同时二者协同转型更有利于我国经济高质量增长和生态环境的持续性发展。

基于此，本文主要研究智能工业转型和区域能源转型的互动效应，分析二者互动关系的调节机理，从而提出二者同步进行的政策建议。本文的主要贡献包括:（1）对智能工业转型和能源转型的互动效应进行了检验，证明了二者之间的相互促进关系;（2）研究了智能工业转型和能源转型的互动机理，从企业效益和环境政策调节作用的视角分析了这种互动效应的成因，进一步补充和完善了互动效应的形成理论。

二、 理论回顾与研究假设

（一） 智能工业转型对能源转型的影响

智能工业转型的核心是将数字化、网络化、智能化与传统工业相结合，以提升工业生产效率，促进工业转型发展。智能工业转型需要加大研发投入和加强新技术应用，同时也会带来能源需求的变化。当企业效益较好时，企业更有实力增加研发投入和应用新技术。陈爱萍等^[5] 研究表明，研发活动投入的增加可以有效促进生态技术创新; 随着生态技术创新水平的不断提升，能源效率、环境绩效等均可以得到有效改善^[6-7]。 Yang 等^[8] 研究发现，智能工业转型能够对企业财务表现和创新能力产生显著的促进作用; 同时，管理创新能够降低能源强度、减少能源投入、降低能源成本，也是改善我国环境绩效的重要手段^[9-10]。能源需求的变化能够促进绿色技术创新，提高绿色能源比重，减少对一次能源依赖。 ^[11] 当清洁能源占比增加时，能源成本会随之降低，环境绩效相应提高。 ^[12] 综上所述，智能工业转型能促进企业增加研发投入、加强技术创新，同时调整能源结构，进而促进能源转型。由此提出本文第一个假设。

假设 H1:智能工业转型能够正向促进区域能源转型。

资本对于能源转型而言意义重大，资本充足能源转型才能顺利进行。张锐等^[13] 通过研究台湾能源转型发现了资本对能源转型的重要性，认为企业效益低下阻碍了能源转型的步伐。绿色技术创新也能够有效促进能源转型，其同样需要充足的资金支持。 ^[14]企业效益是资本的重要来源，对能源转型的意义重大，由此提出本文第二个假设。

假设 H2:企业效益能够正向调节智能工业转型对区域能源转型的促进效果。

智能工业转型对能源转型影响的因果关系如图1 所示。

（二） 能源转型对智能工业转型的影响

能源转型能够提升环境绩效，当环境政策压力较大时，企业有动力加大投入以提高环境绩效。秦佩恒等^[15]认为环境绩效的提升能够迫使企业进行碳减排，推动清洁生产技术的运用，从而促进能源技术创新和能源结构的调整。能源技术创新和能源结构调整是规模化、自动化生产的要求，因此能源转型能够影响企业实现生产自动化。同时，能源安全和经济支撑也是能源转型的国家战略要求。在相关政策引导下，为了保障能源供给，企业会主动减少一次能源的使用，提高能源利用效率，进行高效管理。 ^[16] 而高效管理正是企业智能化转型的结果，因此企业智能化转型符合国家能源战略和政策需求。由此提出本文第三和第四个假设。

假设 H3:区域能源转型能够正向促进智能工业转型。

假设 H4:政策强度能够正向调节区域能源转型对智能工业转型的促进效果。

能源转型对智能工业转型影响的因果关系如图2 所示。

三、 研究设计

（一） 模型设定与估计方法

本文主要探讨智能工业转型与区域能源转型之间的互动效应，因此需要分别检验二者的相互影响关系。由图1 可知，在智能工业转型对区域能源转型影响的研究中，可以将智能工业转型作为影响因素之一; 除此之外，能源方面资本投入、清洁能源比重、能源成本、能源利用效率和研发投入等也是重要的影响因素。由图2 可知，在区域能源转型对智能工业转型的影响中，可以将区域能源转型作为影响因素之一; 同时，产出效率、管理效率、技术创新能力等也是重要的影响因素。由此，将模型设定为

式中:RETI_it 为第 i 个行业第 t 年的区域能源转型指数; IITI_it 为第 i 个行业第 t 年的智能工业转型指数; ECI_it 为能源方面资本投入; POCE_it 为清洁能源比重; EC_it 为能源成本; EE_it 为能源利用效率; RDI_it 为研发投入; OE_it 为产出效率; TII_it 为技术创新能力; ME_it 为管理效率; β 和 γ 分别为两个方程的常数项; ε_it为随机误差项; 选择函数 D（ ·）在 0~1 之间取值，D（·）= 0 为不选择，D（·）= 1 为完全选择。

为了研究企业效益和政策变量的调节作用，本文借鉴超越对数函数，在式（1）和式（2）中引入交叉项，用于测度调节变量的调节作用。企业效益选择了企业运营与融资环境两个变量，政策变量选择了环境政策变量。模型设置为

式中:FE_it 为第 i 个行业第 t 年的融资环境; EO_it 为第 i 个行业第 t 年的企业运营情况; PI_it 为第 i 个行业第 t 年的环境政策; FE_it ×IITI_it、EO_it ×IITI_it 和 PI_it × RETI_it 分别为融资环境、企业运营、环境政策对解释变量和被解释变量影响关系的调节程度。

本文采用似不相关回归方法进行模型估计。由于智能工业转型与区域能源转型二者互为因果，各自都不是独立的过程，因此各模型之间的扰动项很可能具有相关性。面板似不相关回归方法更适合对本文的模型进行估计，相比于单个方程独立进行逐个回归，该回归方法可以提高回归结果的效率和有效性。 ^[17-18]

（二） 变量说明

1 . 模型（1）和模型（3）的变量说明

为了研究智能工业转型对区域能源转型的作用以及企业效益对这一作用的调节效应，本文将模型（1）和模型（ 3）中的变量进行了分类，如表1 所示。

（1）被解释变量

区域能源转型的测度采用王信敏等^[19] 提出的区域能源转型指数（RETI）。 RETI 包括能源转型准备和能源转型绩效两个维度，能源转型准备包括能源结构、能源资本投入、政策法律环境、机构和管理、基础设施和创新商业环境 5 个二级指标，能源转型绩效包括能源安全性、环境绩效和经济支撑 3 个二级指标。 RETI 采用因子分析法进行测度，该方法可以避免因指标间的多重共线性带来的评价偏差。

（2）解释变量

智能工业转型的测度主要采用综合评价方法，不同学者选用的评价指标也有所区别，例如，Chen 等^[20]从文化、组织、技术和洞察力 4 个维度评估数字成熟度，并以此衡量智能工业转型; Yu 等^[21] 从企业财务报告中选取指标来测度新能源企业的智能化转型; 而 Xiong 等^[22] 则使用企业经济活动、企业环境治理和企业资源利用率等评价指标，等等。本文采用王信敏等^[19] 的智能工业转型指数（ IITI）来测度区域智能工业转型水平。智能工业转型包含智能化转型准备和智能化转型绩效两个维度，智能化转型准备包括互联网普及、智能化设备普及、软件使用、数据处理、平台运营维护和创新能力 6 个二级指标，智能化转型绩效包括产出效率、社会效益和新产品生产 3 个二级指标。与 RETI 相同，IITI 也采用因子分析法进行测量。

（3）调节变量与控制变量

本文借鉴黄勇等^[23]、潘亚东等^[24] 的相关研究，选择融资环境和企业运营两个变量来研究企业效益对解释变量的调节作用。融资环境由负债总额占资产总额的比重来确定，企业运营使用利润总额占资产总额的比重来量化。

控制变量包括能源方面资本投入、清洁能源占比、能源成本、能源效率和研发投入。能源方面资本投入和研发投入的选择参考了陈爱萍等^[5] 的研究，借鉴彭旭等^[12]的研究使用清洁能源占比作为控制变量，借鉴黄维和等^[4] 的相关研究选取能源成本和能源效率研究控制变量对 RETI 的影响。

2 . 模型（2）和模型（4）的变量说明

为了研究区域能源转型对智能工业转型的促进作用以及政策调节效应，相关变量及类型设计如表2 所示。

被解释变量为智能工业转型，使用上文中的IITI 指标。解释变量为区域能源转型，使用上文中的 RETI 指标。借鉴李晟婷等^[25]的研究选取环境执法力度来研究政策的调节作用，通过排污收费占工业总产值的比重来评估; 参考秦佩恒等^[15] 的研究，选择技术创新能力作为控制变量之一; 产出效率、管理效率的选择则是参考了薛静静等^[16]的研究。

（三） 样本选择与数据来源

已有文献中针对区域问题的研究较多使用省际数据，例如，王兆华等^[26] 采用我国省际数据研究了区域能源效率，林周周等^[27] 使用我国 30 个省份数据研究了区域创新绩效问题。借鉴这一做法，本文选取除西藏、港澳台外的 30 个省级行政区作为研究对象，以 2007—2020 年的数据为样本，对我国区域能源转型和智能工业转型的互动问题进行研究。能源与环境方面的指标数据来源于《中国能源统计年鉴》《中国环境年鉴》和《中国工业统计年鉴》; 智能工业转型相关指标数据来源于《中国统计年鉴》 《中国信息年鉴》; 科技创新和投入相关指标数据来源于《中国科技统计年鉴》; 融资环境和企业运营的指标数据主要来源于《中国工业统计年鉴》和《中国统计年鉴》; 个别缺失数据采用插值或线性拟合方法进行了估计。

四、 结果分析与讨论

（一） IITI 和 RETI 的动态演化分析

在对 IITI 和 RETI 进行因子分析的结果中，KMO 检验结果分别为 0.792 和 0.745，均超出 0.5，Bartlett 球形检验的 p 值不及 0. 05，均为 0. 000，因此 IITI 和 RETI 可以使用因子分析方法。

为了描绘 IITI 和 RETI 的动态演化过程，本文使用小提琴图来绘制智能工业转型和区域能源转型的动态演化情况，分别如图3、图4 所示。

由图3 可以看出，IITI 的均值在 2007—2020 年间上升较为明显，这说明随着创新驱动政策的深入实施，近年来我国智能工业转型取得了较好的成果，数字化水平迅速提升; 分布曲线的形态也说明了 IITI 在各省份间的差距在不断缩小。由图4 可以看出，RETI 在 2007—2020 年间同样呈现出增长趋势，只是增速略低于 IITI。从分布曲线来看，RETI 明显比 IITI 更为扁平，说明我国各省份 RETI 的区域差异小于 IITI，智能工业转型的区域差异更为明显。

（二） 回归结果分析

为了验证本文提出的假设，采用面板似不相关回归方法，对智能工业转型与区域能源转型之间的互动效应以及企业效益和环境政策的调节作用进行检验。估计结果如表3、表4 所示。表中 M1 为式（1）和式（2）中 D（·）= 0 时的关系模型，仅检验控制变量对区域能源转型或者智能工业转型的影响; M2 为式（1）和式（2）中 D（·）= 1 时的关系模型，检验加入解释变量后的影响; M3 为式（3）和式（4）检验调节变量企业效益和环境政策对解释变量的调节作用。在卡方检验中，三个模型的 χ ² 的 p 值均为 0. 000，在 1%水平上显著，表明该模型适用面板似不相关回归方法。

注:括号内为 z 值，∗、∗∗、∗∗∗分别表示在 10%、5%、1%的水平下显著。下同。

在智能工业转型对区域能源转型的影响关系模型中加入解释变量后，R ² 从 0.777 增加到了 0.812; 再加入调节变量后，R ² 增加到 0.823，解释力得到了明显提升，说明考虑了解释变量和调节变量的调节作用后模型得到改善。在区域能源转型对智能工业转型的影响关系模型中，未加入解释变量前，R² 为 0.821，加入解释变量后，R ² 增加到了 0.850，再加入调节变量后，R ² 增加到了 0.872，解释力也得到了明显提升，因此增加解释变量和调节变量后模型同样得到了改善。

在区域能源转型方面，控制变量 ECI、POCE、EC 和 RDI 均对区域能源转型表现出显著的正向影响，说明加大能源资本投入、优化能源结构、降低能源成本和增加研发投入对于区域能源转型均具有促进作用。 EE 的回归系数为 0，因此 EE 对区域能源转型的影响并未得到检验。在智能工业转型方面，控制变量 OE、TII 和 ME 均对智能工业转型有显著的正向影响，表明产出效率、技术创新能力、管理效率越高，对智能工业转型的促进作用越强。

表3 显示，M2 中解释变量 IITI 的系数为 0.357，且通过了 1%的显著性检验，说明智能工业转型对区域能源转型有显著的促进作用，假设 H1 是成立的，即智能工业转型能促进能源效率提升、降低能源成本，从而促进区域能源转型。在增加调节变量和交互项后，IITI 的系数变为负值，说明 IITI 对 RETI 影响的主导作用减弱，调节变量的调节作用占据主导。表4 显示，M2 中解释变量 RETI 的系数是 0.662，增加了调节变量 PI 后，RETI 的系数变为 0.526，均通过了 1%的显著性检验，说明增加调节变量和交互项后，RETI 对 IITI 影响的主导作用并没有明显下降。因此，区域能源转型对智能工业转型存在显著的正向促进作用，假设 H3 成立，说明区域能源转型能促使企业提高生产效率，进行智能化转型。

表3 中调节变量 FE 和 EO 的系数分别为 0.204 和-0. 093，对比 M2 和 M3，解释变量 IITI 的系数由 0.357 变为-0.440，FE×IITI 的系数为 1.192 且通过了 1%的显著性检验，EO×IITI 的系数为 1.254 且通过了 5%的显著性检验。增加调节变量后，FE×IITI 和 EO×IITI 主导作用明显高于 IITI 和调节变量本身，说明融资环境和企业运营能够正向调节智能工业转型对区域能源转型的促进作用，即当企业获得的效益增加时，智能工业转型对区域能源转型的促进作用更加显著，因此假设 H2 成立。表4 中调节变量 PI 和交叉项 PI×RETI 的系数分别为 0.139 和 0.189，且均高度显著，表明环境政策能正向影响智能工业转型且能正向调节区域能源转型对智能工业转型的促进作用，因此假设 H4 成立。

（三） 空间异质性分析

为了进一步分析不同地域中智能工业转型与区域能源转型之间的互动效应，本文将 30 个省份按照 RETI 和 IITI 两个指标进行分类，最终划分为高水平协同地区、智能工业转型滞后地区、低水平协同地区和能源转型滞后地区 4 个类别^①。本文依据 2007—2020 年 RETI 和 IITI 的因子分析评价值的均值进行分类。由于因子分析结果中 0 表示平均值，因此，高水平协同为 RETI 和 IITI 均大于 0，低水平协同为二者均小于 0，智能工业转型滞后为 IITI 小于 0 而 RETI 大于 0，能源转型滞后为 IITI 大于 0 而 RETI 小于 0。

使用式（3）对各类地区互动效应及调节作用进行检验，似不相关回归估计结果分别如表5、表6 所示，从中可以看出，RETI 与 IITI 之间的互动效应存在空间异化特征。

表5 结果显示，智能工业转型滞后地区和能源转型滞后地区中 IITI 的系数分别为 1.312 和4.02 3，且通过了 1%的显著性检验，说明在两类地区中 IITI 对 RETI 的直接影响更为显著，能源转型滞后地区中智能工业发展较为迅速，能够更好地促进能源转型，这一作用明显强于智能工业转型滞后地区。高水平协同和低水平协同地区中 IITI 对 RETI 的直接影响并不显著，智能工业发展对于能源转型的影响有待加强。表6 结果显示，只有智能工业转型滞后地区的 RETI 的系数小于零，其他类型区域的回归系数均显著为正，表明智能工业转型较为积极的地区中能源转型显著促进了智能工业转型。智能工业转型滞后地区中并未观测到能源转型对智能工业转型产生正向影响，这与假设 H3 是一致的。

调节变量对被解释变量的调节效应也存在空间异化特征。表5 中企业效益的调节作用检验结果显示，FE×IITI 和 EO×IITI 在智能工业转型滞后地区和低水平协同地区的回归系数均未表现出显著的正向影响，无法观测到融资环境和企业运营在智能工业转型促进区域能源转型中的调节作用; 同时融资环境和企业运营变量本身的回归系数也不显著，这是由于这两类地区工业企业盈余资本不足，智能工业转型滞后，无法对能源转型产生显著影响。高水平协同地区的 FE×IITI 和 EO× IITI 回归系数均显著为正，但 FE 和 EO 自身的回归系数并不显著，说明高水平协同地区 FE 和 EO 的调节效应占据主导地位。相比较而言，能源转型滞后地区的这种调节效应并不显著，FE 和 EO 主导作用更为明显。对于政策变量而言，RETI 对 IITI 的正向调节作用在智能工业转型滞后地区和高水平协同地区表现更为显著; 能源转型滞后地区也能够观测正向调节作用，但回归系数明显小于智能工业转型滞后地区和高水平协同地区，因此这一调节效应较弱。政策对于低水平协同地区中 RETI 对 IITI 的调节作用并不理想，由于低水平协同地区在多个方面处于落后地位，智能工业转型和能源转型需要加大支持力度。

（四） 结果讨论

智能工业转型能够促进区域能源转型，这与温馨^[28]的结论是一致的; 区域能源转型也可以促进智能工业转型，这与高歌^[29] 的研究结论相符合，因此智能工业转型与区域能源转型之间存在互动效应。区域能源转型对智能工业转型的促进作用明显，即使增加了政策变量和交叉项，RETI 的系数也仅从 0.662 降为 0.526，说明这一促进作用仍然非常显著。而智能工业转型对区域能源转型的促进作用则有所差别，增加了企业效益的调节变量后，IITI 的系数从 0.357 变为-0.440，交叉项 FE×IITI 和 EO×IITI 的系数达到了 1.192 和 1.254 且显著，可见交叉项起到了主导作用，说明企业效益对于区域能源转型具有更为显著的影响。智能工业转型对区域能源转型的影响相对偏低，但这并不能否定假设 H1 的成立。这一现象较为常见，如王炳成等^[30] 研究企业实现可持续性商业模式创新时，增加调节变量股权融资后，环保投资变量的回归系数从正值变为负值。可以看出，资本对于企业发展具有主导作用，对其他变量的影响也较大，这也是导致 IITI 系数变化的原因。

在空间异质性特征方面，高水平协同地区中模型的交叉项都非常显著，说明调节效应在高水平协同地区表现较为突出。王信敏等^[19] 研究发现，我国智能工业与能源可持续协同转型呈现了“东部沿海 +长江经济带”的“T 型”格局; 在本研究中，高水平协同地区均分布在东部沿海，二者的研究结论是基本一致的。调节效应的结果表明，企业效益和政策调节变量是智能工业转型与能源转型通过互动实现协同转型的纽带。低水平协同地区中调节变量的调节作用均不理想，主要源于经济水平欠佳以及传统产业的路径依赖严重。

企业效益能够直接影响能源转型，这与范英等^[31]的结论一致，企业效益也可以调节智能工业转型对能源转型的影响。 PI 的系数为正值，政策变量也可以直接影响智能工业转型，这与王雪冬等^[32]的结论相符; 同时 PI ×RETI 的系数显著为正，说明它可以通过影响企业行为正向调节能源转型对智能工业转型的促进作用。企业效益和政策变量是互动效应的重要调节变量，本文研究了这两个变量对互动效应的调节效果。值得注意的是二者同样存在一些关联，Yu 等^[21] 在新能源汽车领域的研究发现，智能化转型较快的企业中政府补贴可以有效提升企业的财务表现，可以看出政策变量和企业效益之间并不是独立的，本文并未考虑二者的关联性。

（五） 稳健性检验

为了检验模型的稳健性，本文采用固定效应模型进行了重新估计，选取调节变量 FE、EO 和 PI 的代理变量进行估计，从而验证模型的可靠性和结果的稳健性。 Hausman 检验显示固定效应模型估计结果更为合适，估计结果如表7、表8 所示。 M2 中解释变量 IITI 和 REIT 的系数分别为 0.184、0.116，均通过了 1%的显著性检验; M3 中的交互项系数均为正，且通过了 1%的显著性检验，与似不相关回归的估计结果较为一致。

注:M3 似不相关回归中，FE、EO 及交叉项为代理变量的估计结果。

注:M3 似不相关回归中，PI 及交叉项为代理变量的估计结果。

使用“流动资产/ 流动负债”数据替代调节变量 FE，使用“利润总额/ 地区生产总值” 作为 EO 的代理变量，使用“环境污染治理投资总额/ 地区生产总值”作为 PI 代理变量，对模型结果进行了重新估计。对比发现，FE×IITI 对 RETI 的影响水平、显著性与原变量完全一致，EO×IITI 结果也基本一致，显著性略低; 同样 FE×IITI、EO×IITI 和 PI×RETI 对解释变量的影响水平、显著性与原变量也完全一致，说明代理变量与原变量调节效果一致。

五、 结论与建议

本文使用 2007—2020 年我国 30 个省份数据，分析了智能工业转型与区域能源转型的演化过程，实证检验了二者之间的互动效应; 以企业效益和环境政策两个调节变量，研究了调节变量对互动关系的调节作用和空间异化特征，得到以下结论:（ 1）2007—2020 年间，我国智能工业转型呈现稳步提升的趋势，区域能源转型持续改善，区域差异逐渐减弱;（2）智能工业转型与区域能源转型之间存在显著的互动关系，企业效益能够显著调节智能工业转型对区域能源转型的促进作用，而环境政策可以调节区域能源转型对智能工业转型的促进作用;（3）互动效应存在明显的空间异化特征，高水平协同地区中企业效益和环境政策的正向调节效应均较为显著，能源转型滞后地区中企业效益在智能工业转型促进区域能源转型过程中的直接影响更为明显，智能工业转型滞后地区中环境政策在区域能源转型促进智能工业转型中的作用明显强于其他地区，低水平协同地区中调节变量和调节效应均不理想。

基于上述结论，本文提出智能工业转型与区域能源转型同步进行的几点建议。（1）充分利用智能工业转型与区域能源转型的互动关系，加快实现传统产业智能化与能源协同转型。传统产业要加快推动新一代信息技术与工业融合，完善新技术产业链条，拓展智慧服务类高附加值业务; 同时，要重视研发创新，从企业独立创新向跨领域合作、网络化的创新体系转变，充分发挥产业集群化优势。能源转型要强调可持续能力，与智能工业转型同步推进，重视智能化、低碳化的绿色能源技术创新与空间溢出。（2）充分发挥政策工具的杠杆作用。环境规制要与传统产业转型升级相适应，相关部门应依据产业结构特征制定相应的能源消费、碳排放规制的强度，实现正向激励效果; 同时应注意区域经济、资源禀赋等差异，采用倒逼与激励相结合的政策设计思路。（3）关注企业效益，优化传统产业发展环境。一方面可以优化传统产业的融资环境，实现生态技术创新和智能化升级，提高企业效益，可以引入“PPP”模式，设计合理互惠的商业模式，引导股权资本更多地进入到智能化和能源转型进程; 另一方面可以完善补贴性扶持政策，加大对绿色技术创新等高风险活动的资金补贴力度，同时实施差异化降税减费，帮助传统行业改善经营环境。

注释:

① 高水平协同地区包括:北京、天津、上海、江苏、浙江、福建、广东和海南; 智能工业转型滞后地区包括:湖北、四川、云南和青海; 低水平协同地区包括:河北、山西、内蒙、辽宁、吉林、黑龙江、安徽、江西、山东、河南、湖南、广西、贵州、陕西、甘肃、宁夏和新疆; 能源转型滞后地区为重庆。

参考文献