人工智能对清洁能源转型的非线性影响：异质环境法规的不对称作用

《Journal of Environmental Management》：Nonlinear impact of artificial intelligence on clean energy transformation: The asymmetric role of heterogeneous environment regulations

人工智能与异质性环境规制协同驱动中国清洁能源转型的非线性机制及空间溢出效应。

　　人工智能与环境政策对清洁能源转型的协同作用研究

在当前全球推动清洁能源转型（CET）的关键时期，人工智能（AI）和环境政策如何共同促进这一转型仍存在诸多不确定性。本研究基于中国地级市的面板数据，时间跨度为2006年至2022年，通过线性插值方法处理部分缺失数据，运用双向固定效应模型和空间杜宾模型，深入探讨了AI对CET的影响及其空间溢出效应，同时分析了异质性环境政策在其中所扮演的角色。研究发现，AI与CET之间存在“U型”关系，这种关系在中部和东北地区、大型城市以及非资源型和非低碳试点城市中尤为显著，进一步验证了波特假说（Porter's hypothesis）。此外，AI对CET的影响表现出非对称的非线性调节效应，正式环境政策（FER）在初期阶段通过成本效应加剧了AI对CET的抑制作用，但在成熟阶段则通过技术协同效应增强了AI对CET的推动作用；而非正式环境政策（IER）则呈现出相反的趋势，初期由于其灵活的约束机制影响不大，但在成熟阶段由于虚假合规行为削弱了AI的正面效应。此外，AI在邻近地区的应用对本地CET也产生了积极的溢出效应。这些发现为政府制定分阶段的差异化环境政策，以最大化AI在清洁能源转型中的作用提供了关键的决策依据。

AI作为第四次工业革命的核心技术，正在为环境治理和清洁能源转型带来前所未有的机遇。在污染控制领域，AI能够优化污染物去除过程，通过吸附建模精准预测吸附剂的去除效率，从而降低运行成本。这不仅有助于提高污染治理的效率，还能间接减少能源生产过程中污染物处理的能耗，实现能源与环境治理的协同推进。此外，AI技术在水质量监测中的应用也日益广泛，例如通过实时监测和预测技术对水温、溶解氧等关键指标进行智能管理，这不仅提升了水产养殖系统的可持续性，也为能源与水资源的协调管理提供了技术路径。

然而，AI在能源领域的应用并非总是带来积极影响。一方面，AI设施和设备的运行会消耗大量能源，产生较大的生态足迹，这可能引发“能源反弹效应”（Wang et al., 2022a），即AI技术的应用虽然提高了能源利用效率，但其自身能耗的增加可能会抵消部分节能减排效果。另一方面，AI在初期发展阶段由于技术成本较高，可能会对清洁能源转型形成抑制作用。例如，企业需要投入大量资金用于AI研发和合规，这会增加运营成本，进而影响其对清洁能源的投资意愿和实施效果。因此，如何缓解AI对清洁能源转型的抑制效应，成为当前亟需解决的问题。

环境政策在推动清洁能源转型中的作用同样复杂。一方面，严格的环境政策如能源税和技术创新激励措施，能够有效促进清洁能源技术的研发和应用，成为推动清洁能源转型的关键引擎（Cappelli and Carnazza, 2025）。另一方面，环境政策的实施效果会受到AI发展阶段的影响。在AI发展的初期阶段，正式环境政策（FER）可能因成本效应而加剧AI对CET的抑制作用，而在成熟阶段，FER则通过促进技术创新合作，增强了AI对CET的推动作用。相比之下，非正式环境政策（IER）的影响则更为微妙，其初期由于缺乏明确的政策约束，对AI的影响不显著，但在成熟阶段，由于企业缺乏战略合规意识，IER可能削弱AI对CET的正面效应。

本研究通过构建非线性调节模型和空间杜宾模型，深入分析了AI与CET之间的非线性关系，以及异质性环境政策在不同发展阶段对这一关系的调节作用。研究结果表明，AI对CET的影响并非单一的正向或负向，而是呈现出“U型”曲线，即在初期阶段可能抑制CET，而在后期阶段则有助于其加速推进。这一发现不仅丰富了对AI与环境政策协同作用的理解，也为政策制定者提供了新的视角。

在具体分析中，研究发现正式环境政策（FER）在AI发展的初期阶段，由于其严格的约束机制，可能会导致企业将资源过度集中于合规成本，从而抑制AI对CET的积极作用。然而，随着AI技术的成熟，FER通过促进技术创新合作，能够增强AI对CET的推动作用。这一过程体现了环境政策在AI发展不同阶段的动态调节作用，即从初期的成本抑制到后期的技术协同。相比之下，非正式环境政策（IER）的影响则更为复杂，其初期由于缺乏明确的监管机制，对AI的影响不显著，但在成熟阶段，由于企业缺乏战略合规意识，IER可能会削弱AI对CET的正面效应。这一发现表明，非正式环境政策在AI发展后期可能成为清洁能源转型的阻碍因素。

此外，研究还发现AI在邻近地区的应用对本地CET产生了积极的溢出效应。这种空间溢出效应表明，AI技术的扩散和共享不仅能够提升局部地区的清洁能源转型效率，还能促进区域间的协同合作。因此，加强区域间的政策协调和AI资源分享，有助于形成更广泛的清洁能源转型网络，实现跨区域的协同效应。

本研究的边际贡献主要体现在三个方面。首先，大多数现有文献主要关注AI和环境政策对清洁能源转型的线性影响，缺乏对非线性调节效应的深入探讨。本研究通过构建非线性调节模型，全面分析了AI对CET的非线性影响，填补了这一研究空白。其次，考虑到不同类型的环境政策可能对AI的影响存在差异，本研究将环境政策分为正式和非正式两类，深入分析了它们在不同AI发展阶段对CET的调节作用。这种分类方法有助于更准确地识别不同地区在清洁能源转型中的发展瓶颈，为制定差异化的环境政策提供了理论依据。第三，本研究结合非线性调节模型和空间杜宾模型，更全面地捕捉了变量之间的关系及其空间数据特征。通过分析AI在邻近地区对本地CET的影响，本研究不仅揭示了AI的空间溢出效应，还为加强区域间的政策协调和资源分享提供了实证支持。

本研究的结构安排如下：第二部分进行文献综述并提出研究假设；第三部分详细阐述研究方法；第四部分报告实证分析结果；第五部分进行扩展分析，包括非线性调节效应和空间溢出效应；最后，第六部分总结研究发现，提出政策建议，并指出未来研究的方向。

在文献综述部分，研究回顾了AI在环境治理和清洁能源转型中的应用现状。AI技术在污染控制、水质量监测和能源管理等领域展现出巨大的潜力，但其对清洁能源转型的影响并非单一的正向或负向，而是受到环境政策、技术成本、企业行为等多种因素的共同作用。此外，现有研究多关注AI对单一技术或指标的影响，缺乏对AI与环境政策协同作用的系统分析。因此，本研究旨在填补这一研究空白，探索AI与异质性环境政策在清洁能源转型中的联合机制。

在研究方法部分，本研究采用了双向固定效应模型和空间杜宾模型，以分析AI对CET的非线性影响及其空间溢出效应。双向固定效应模型能够控制个体和时间固定效应，从而更准确地捕捉AI对CET的动态变化趋势。空间杜宾模型则能够分析AI在邻近地区对本地CET的影响，揭示其空间溢出效应。此外，研究还引入了非线性调节变量，以探讨不同类型的环境政策在AI不同发展阶段对CET的调节作用。

在实证分析部分，研究结果表明，AI与CET之间存在显著的“U型”关系，且这一关系在不同地区和城市规模中表现出差异性。例如，在中部和东北地区、大型城市以及非资源型和非低碳试点城市中，AI对CET的影响更为显著。这表明，AI在不同地区的应用效果存在异质性，需要根据不同地区的实际情况制定差异化的环境政策。此外，研究还发现，正式环境政策（FER）在AI发展的初期阶段可能加剧其对CET的抑制作用，但在成熟阶段则能够增强AI对CET的推动作用，而非正式环境政策（IER）则表现出相反的趋势，其初期影响不显著，但在成熟阶段可能削弱AI对CET的正面效应。这一发现表明，环境政策的类型和实施阶段对AI的影响存在显著差异，需要根据AI的发展阶段灵活调整政策工具。

在扩展分析部分，研究进一步探讨了非线性调节效应和空间溢出效应。通过引入调节变量的交互项，研究发现正式环境政策（FER）能够增强AI对CET的“U型”关系，而非正式环境政策（IER）则可能削弱这一关系。此外，AI在邻近地区的应用对本地CET产生了积极的溢出效应，表明AI技术的扩散和共享能够促进清洁能源转型的协同推进。这些发现不仅深化了对AI与环境政策协同作用的理解，也为政策制定者提供了新的思路。

本研究的结论表明，AI与清洁能源转型之间存在复杂的非线性关系，且这一关系受到环境政策类型和实施阶段的影响。因此，政府在制定环境政策时，需要充分考虑AI的发展阶段，灵活调整政策工具，以最大化AI在清洁能源转型中的作用。此外，加强区域间的政策协调和AI资源分享，有助于形成更广泛的清洁能源转型网络，实现跨区域的协同效应。

总之，本研究通过实证分析揭示了AI与环境政策在清洁能源转型中的联合机制，为政策制定者提供了理论依据和实践指导。未来的研究可以进一步探讨AI在不同环境政策下的具体作用机制，以及如何通过政策创新优化AI在清洁能源转型中的应用效果。