解锁边际SDG动态：基于KRLS机器学习的人工智能技术与太阳能对可持续发展目标的驱动机制分析

本刊推荐：针对现有研究依赖不准确AI代理指标且仅关注单一环境指标的局限性，研究人员采用KRLS机器学习方法，首次实证分析AI专利与太阳能(SEN)对可持续发展目标指数(SDGI)的边际影响。研究发现AI在SDG高水平国家呈现显著正向边际效应，而太阳能与经济全球化(EGB)、制度生产力(INP)均对SDGI产生积极影响。该研究为通过数字技术与清洁能源协同推进SDGs提供了量化依据，对制定差异化政策具有重要参考价值。

　　

随着全球对可持续发展议题的日益关注，联合国2015年通过的17个可持续发展目标(SDGs)已成为国际社会的共同行动纲领。然而现实情况不容乐观——根据联合国可持续发展报告显示，自2020年以来SDGs进展明显停滞，按照当前速度，到2030年可能无法实现任何一项既定目标。这种进展缓慢的现状迫使人们寻找创新性解决方案，其中人工智能(AI)和太阳能(SEN)等新兴技术被寄予厚望。

但现有研究存在明显局限性：多数量化AI对SDGs影响的研究依赖不准确的代理指标，如使用整体专利数据或工业机器人数量来衡量AI进展，这无法准确反映AI技术的真实发展水平。更重要的是，现有文献主要关注环境或增长指标，未能全面评估AI对包含17项目标的整体SDG框架的贡献。与此同时，尽管太阳能作为增长最快的可再生能源之一，其占绿色能源消费比例已超过20%，但尚未有研究直接探讨其对SDG指数的边际影响。

针对这些研究空白，发表在《Geoscience Frontiers》上的这项开创性研究，首次使用基于核函数的正则化最小二乘法(Kernel-Based Regularized Least Squares, KRLS)机器学习方法，分析了2000-2022年间10个最大经济体（日本、美国、法国、中国、德国、英国、韩国、加拿大、澳大利亚和意大利）中AI技术和太阳能对可持续发展目标指数(SDGI)的边际影响。

研究人员采用多种先进计量方法确保研究可靠性。首先通过Pesaran和Yamagata检验确认数据存在异质性，采用Pesaran的CD检验检测截面相关性，并运用第二代面板单位根检验方法CADF和CIPS确定变量平稳性。核心分析采用KRLS机器学习回归，该方法能够捕捉变量间的复杂非线性关系，无需遵循严格的参数假设，可自动识别非线性效应并模拟变量间交互作用。同时使用面板校正标准误(PCSEs)和可行广义最小二乘法(FGLS)进行稳健性检验，最后通过Dumitrescu-Hurlin因果检验分析变量间的因果关系。

研究结果显示，AI对SDGI的平均边际影响为正值(0.2608)，表明在10个最大经济体中，AI技术整体上促进了可持续发展目标的实现。但分位数分析揭示了有趣的异质性：在第25分位数处，AI对SDGI呈现负向影响(-0.1692)，这可能源于AI在化石能源领域的应用产生的负外部性，或国家技术应用能力不足；而在第50和75分位数处，边际效应转为正值且逐渐增强(0.3513和0.8999)，表明在SDG成就水平较高、AI成熟度较好的国家，AI对可持续发展的促进作用更加明显。

太阳能(SEN)对SDGI的影响则 consistently positive，平均边际效应为0.4735，且从第25到第75分位数呈现增强趋势(0.2273→0.5331→0.7341)。这表明太阳能作为清洁能源，通过促进能源转型和改善环境质量，对SDGs实现产生了积极推动作用，且这种效益随着SDG成就水平的提高而增强。

控制变量分析发现，经济增长(GDP)对SDGI consistently产生负向边际影响，平均值为-2.8510，表明在这些大型经济体中，经济增长模式仍以资源消耗和环境代价为特征，阻碍了可持续发展进程。经济全球化(EGB)则显示正向影响(平均0.1330)，说明国际贸易和投资通过技术溢出和竞争效应促进了SDGs进展。制度生产力(INP)的平均边际效应为正值(0.0265)，但在不同分位数处存在波动，反映了制度质量对可持续发展的复杂影响机制。

因果关系检验显示，AI到SDGI存在单向因果关系，而SDGI与太阳能、经济全球化、制度生产力之间存在双向因果关系，表明这些因素与可持续发展之间存在相互促进的动态关系。

研究结论强调，虽然AI技术整体上对可持续发展目标指数产生积极影响，但其效果在不同发展水平的国家间存在显著差异。政策制定需要采取差异化策略：在SDG水平较低的国家，应重点防范AI技术可能带来的负外部性，同时加强AI基础设施和能力建设；而在SDG高水平国家，则应充分发挥AI技术的促进作用。太阳能发电被证明是推动SDGs实现的有效途径，需要通过改进净计量政策和税收优惠等措施进一步推广。同时，应通过政策引导使经济全球化和制度建设的效益最大化，同时转变经济增长方式以降低其对可持续发展的负面影响。

这项研究的重要意义在于首次直接量化了AI技术和太阳能对整体SDG指数的边际影响，突破了以往研究仅关注单一环境指标的局限；采用了更精确的AI专利数据而非替代指标，提高了研究准确性；运用KRLS机器学习方法捕捉了变量间的非线性关系和异质性效应，为制定差异化政策提供了科学依据。研究成果对各国协调数字技术发展、清洁能源转型与可持续发展目标提供了重要政策启示，特别是在AI技术快速发展的背景下，如何最大化其可持续发展效益同时防范潜在风险具有重要参考价值。