厘清人工智能对中国碳中和目标的复杂影响

《Journal of Innovation & Knowledge》：Disentangling the Complex Effects of Artificial Intelligence on Carbon Neutrality in China

中国30个省份2000-2022年面板数据显示，AI企业密度每10,000平方公里达12.57家时，AI对碳排放产生阈值效应，密度低于该值时AI扩张推高碳排放，高于该值后AI技术通过工业合理化实现减排。工业升级未显著中介减排效应，人力资本正向调节AI减排效果，市场化调节作用不显著。研究构建EKC-技术扩散-绿色计算三维框架，采用空间杜宾模型和混合方法验证，揭示AI减排存在非线性阈值和空间溢出效应。

　　人工智能（AI）的迅猛发展已成为推动碳减排和促进可持续增长的关键催化剂。本研究基于2000年至2022年间中国30个省份的平衡面板数据，采用空间杜宾模型以及中介和调节效应模型，探讨了工业智能化对城市碳排放的影响及其背后的机制。研究发现，AI发展与碳排放之间存在倒U型关系，当每10,000平方公里的AI企业密度达到12.57个时，这一关系的关键转折点显现出来。在此阈值之上，碳强度从持续增长转变为持续下降。机制分析表明，工业合理化在优化生产流程方面显著介导了减排过程，而工业升级则因能源反弹效应和时间滞后性表现出无显著中介效应。调节效应分析显示，人力资本能够增强AI的去碳化效果，而市场化则表现出统计上不显著的调节效应，这主要归因于环境定价机制的制度性缺陷和碳市场碎片化问题。

在面对全球气候变化带来的日益严峻挑战时，碳治理已经成为国际社会广泛关注的话题。AI作为第四次工业革命的核心驱动力，正在以前所未有的方式改变全球经济体系、社会框架和工业结构。特别是在中国，AI技术的发展速度和应用范围令人瞩目，其投资规模和融资能力在全球范围内处于领先地位。此外，由于中国是全球最大的碳排放国之一，其在AI技术方面的进展不仅对构建完整的智能芯片、大模型、基础设施和操作系统等技术体系具有重要意义，也对智能城市建设、智能制造、智能农业等广泛应用领域产生深远影响。然而，AI技术的双面性不容忽视：一方面，其计算过程需要大量能源，尤其是电力资源；另一方面，AI又推动了技术进步，鼓励了节能创新的采用，并支持了工业转型。在这一实际背景下，研究AI是否能够成为实现碳中和的有效工具具有重要的现实意义。

随着数字经济的兴起，学术界对数字创新和数字经济体系如何影响碳排放的兴趣不断增长。关于AI驱动的碳减排研究主要集中在三个关键维度。首先，许多学者探讨了AI在气候变化缓解中的系统潜力。AI技术可以通过优化能源系统、加速可再生能源整合和提升能源效率，实现显著的、可扩展的减排效果。其次，研究特别关注AI在实际碳减排中的作用，有充分证据表明，工业智能化、智能制造和城市规模AI应用有助于降低单位产出的碳强度。最后，AI在碳捕集与封存（CCS）系统中的应用已成为关键研究前沿。在这里，AI算法的实时优化能够同时提高碳捕集率并减少能源消耗，从而解决大规模CCS部署中的基本技术障碍。

然而，现有研究在AI与碳排放关系方面存在三个关键局限。理论上，现有研究尚未建立一个结合环境库兹涅茨曲线（EKC）和技术扩散理论等多维视角的综合框架，因此未能充分解释AI高能耗与减排潜力之间的内在张力。实证上，大多数分析忽略了阈值效应和空间异质性，这可能导致结论偏倚，过度概括线性负相关。方法上，主要依赖静态计量模型，缺乏与政策文本分析、案例研究和空间计量经济学的系统整合，限制了研究结果的稳健性和情境有效性。

为了解决这些问题，本研究构建了一个综合的“EKC-技术扩散-绿色计算”三元理论框架，系统分析了AI技术在碳排放方面表现出的“高能耗-高减排”悖论及其动态平衡机制。在此理论基础上，采用动态空间杜宾模型来捕捉AI技术对碳减排的非线性影响。同时，通过政策文本分析和代表性企业的深入案例研究，增强了实证结果的稳健性。这种方法不仅提供了宏观层面的定量评估，还结合了中观和微观层面的定性验证。

研究的直接效应表明，AI对碳排放的影响呈现出倒U型关系，即在AI技术发展的初期阶段，碳排放可能上升，随后随着技术成熟和效率提升，碳排放逐渐下降。这一发现支持了AI发展与碳排放之间的倒U型关系。此外，AI在优化生产流程和提升资源分配效率方面显著地介导了碳排放的减少。而工业升级对碳排放的中介效应则不显著，这可能与AI渗透不足导致的能源反弹效应以及当前技术应用和减排效应的时间滞后有关。

研究还发现，人力资本对AI与碳排放之间的关系具有调节作用，即人力资本能够通过提升技术吸收能力和创新扩散效率，增强AI的碳减排效果。然而，市场化水平对AI碳减排效果的调节作用则不显著，这主要归因于环境外部性定价机制的不完善以及减排技术商业化路径的不成熟。此外，制度性约束，如强制性排放目标和区域碳市场的碎片化，也限制了市场化对AI减排效果的增强作用。

为了验证这些发现，本研究采用了多种稳健性检验方法。首先，通过替换空间权重矩阵，采用经济地理嵌套矩阵进行分析，结果与之前的发现一致。其次，采用人均碳排放作为碳排放水平的替代指标，进一步验证了AI对碳排放的影响，结果依然保持一致。此外，通过不同的模型设定和变量选择，研究结果的稳健性得到了加强。

研究结论表明，AI的发展与碳排放之间存在倒U型关系，即当省份的AI企业密度达到12.57个/10,000平方公里时，这一关系的关键转折点显现出来。在此阈值之上，技术优化和绿色计算的应用显著降低了单位GDP的能源消耗，使得减排效果逐渐显现。此外，工业升级在AI与碳排放关系中表现出差异化的中介效应，即工业合理化在优化生产流程和提高资源分配效率方面显著地介导了减排过程，而工业升级则因AI渗透不足和时间滞后性而表现出不显著的中介效应。

在政策层面，研究提出了四点建议。首先，应建立多层次的支持体系，以促进AI技术的创新。在政策制定层面，国家发改委应牵头制定“AI驱动碳减排技术路线图”，优先支持智能电网调度和工业流程优化等关键领域的研发，设立专项资金。在工业实施层面，应在制造集群如长江三角洲和珠江三角洲建立“AI+工业互联网”创新中心，配备行业级数字孪生平台以监测能源消耗。在企业层面，应实施“三年AI能效改造计划”，针对年综合能耗超过标准的高能耗企业，提供设备投资的公司所得税减免，并要求其与省级能源监测系统集成。

其次，应发展差异化的工业转型路径。在政策制定层面，工信部应修订“绿色产业指导目录”，设立专门的AI驱动清洁生产技术类别，并设定2025年前制造业智能化改进的强制性目标。在工业实施层面，应在京津冀和成渝地区启动“智能化绿色工业转型”试点项目，建立关键行业的碳足迹追踪平台。在企业层面，应推出“AI碳减排星级评价体系”，对在碳交易和绿色融资方面获得三星级评价的企业给予额外的税收减免。

第三，应实施系统的人才培养计划。在政策制定层面，教育部应与人力资源和社会保障部合作，启动“双碳目标数字人才”计划，建立智能环保项目，旨在在未来一段时间内培养大量熟练的技术人员。在工业实施层面，应在国家级创新示范区设立“绿色AI培训基地”，鼓励参与碳市场的企业每年接纳一定数量的实习生。在企业层面，应将企业对AI技能培训的投资纳入环境税收减免标准，对投入一定比例收入用于培训的企业给予额外的公司所得税减免。

第四，应加强市场驱动的减排激励措施。在政策制定层面，生态环境部应将AI驱动的减排信用纳入国家碳市场，允许经认证的AI减排量抵消一定比例的企业碳配额。在工业实施层面，应在选定的主要城市建立“AI碳减排算法交易平台”，利用区块链技术对减排量进行验证和交易。在企业层面，应鼓励商业银行向实现显著年度减排量的企业提供低于标准利率的绿色贷款，并优先考虑碳中和债券的发行配额。

研究也指出了其局限性。首先，虽然AI企业的绝对数量有助于捕捉集群效应，但这一指标可能未能充分反映技术深度或创新质量，从而导致测量误差。为优先考察聚集效应，本研究采用绝对数量而非标准化的相对指标，这有助于减轻人口或经济波动带来的混淆偏差。然而，这种方法也可能导致在较大省份中AI影响的略微高估。其次，尽管空间杜宾模型有助于控制空间依赖性并部分解决内生性问题，但在评估AI的碳减排效应时，仍存在由于双向因果关系和选择偏差导致的内生性挑战。第三，虽然本研究结合了宏观计量分析与微观文本挖掘，增强了结论的稳健性，但对企业层面机制的验证仍显不足，特别是对代表性企业的深入案例研究较少。

未来的研究可以构建一个更全面的AI发展指标体系，整合大数据来源，如专利文本挖掘和计算基础设施，以建立更精确的框架来评估技术成熟度。此外，可以采用动态空间面板模型和工具变量方法，系统考察AI碳减排效应的时间模式，特别关注可能的滞后影响。第三，可以发展一个“宏观-中观-微观”三级验证框架，特别是通过关键行业领先企业的纵向案例研究。在此过程中，可以将生产流程的定量评估与管理决策的定性访谈相结合，以实现更全面和详细的分析。