人工智能创新网络对城市减污降碳协同治理的影响

《Journal of Innovation & Knowledge》:The impact of artificial intelligence innovation networks on collaborative governance of urban pollution reduction and carbon reduction

【字体: 大 中 小 】 时间:2026年01月21日 来源:Journal of Innovation & Knowledge 15.5

编辑推荐:

  城市减污降碳协同(UPCRS)已成为实现城市可持续发展的关键。关于人工智能(AI)对城市污染治理与碳排放管理影响的研究已相对成熟。然而,从网络视角考察人工智能创新网络(AIIN)对城市减污降碳协同(UPCRS)影响的研究仍有待显著完善与深入拓展。基于中国282

  
城市减污降碳协同(UPCRS)已成为实现城市可持续发展的关键。关于人工智能(AI)对城市污染治理与碳排放管理影响的研究已相对成熟。然而,从网络视角考察人工智能创新网络(AIIN)对城市减污降碳协同(UPCRS)影响的研究仍有待显著完善与深入拓展。基于中国282个城市的数据,本研究通过AI合作专利构建AIIN指标,利用城市污染指数(PI)与碳排放强度(CEI)数据测度城市污染与碳排放协同指数(UPCESI),并进一步采用双重机器学习(Double Machine Learning, DML)方法检验AIIN对UPCRS的影响。结果表明:(1)AIIN可通过促进绿色创新、推动产业结构升级以及提升经济效率等渠道产生UPCRS效应。(2)在环境规制较强、市场一体化水平较高以及资源依赖程度较高的城市中,AIIN的UPCRS效应更为显著。(3)城市在AIIN中的网络位置对UPCESI具有差异化影响。上述结论为依据可持续发展目标(Sustainable Development Goals, SDGs)推进UPCRS治理提供了新的研究视角。
该文发表于《Journal of Innovation》,聚焦人工智能创新网络(AIIN)如何影响城市减污降碳协同(UPCRS)这一重要议题。研究背景在于,城市既是环境污染的重要承载空间,也是温室气体排放的关键来源,污染治理与碳减排并非彼此独立,而是具有共同来源、共同约束与协同治理需求。既有研究已经较多讨论人工智能(AI)在污染识别、能源优化、智能交通和低碳转型中的作用,但多停留于单项技术应用效果评估,较少从创新网络视角分析城市间知识流动、资源整合与协同创新如何共同塑造减污降碳成效。同时,既有文献也常将污染控制与碳减排分开考察,对二者内在协同机制的系统分析仍不充分。因此,研究人员以AI合作专利为切入点,将城市间AI协同创新关系纳入统一分析框架,试图解释AIIN如何推动城市环境治理由单目标走向多目标协同,并为可持续发展目标(SDGs)下的城市治理提供经验证据。

研究人员基于2011至2021年中国282个城市面板数据开展实证研究,核心结论是:AIIN能够显著降低城市污染与碳排放协同指数(UPCESI),即显著促进城市减污降碳协同治理;这一作用主要通过提升绿色创新水平、推动产业结构升级和提高经济效率三条机制实现;同时,这一效应在环境规制强、市场一体化水平高以及资源型城市中更为突出。此外,城市在网络中的具体位置会影响治理效果,接近中心、便于获取知识与技术扩散优势的城市更容易实现协同治理改善,而承担较强中介桥梁角色的城市反而可能面临更高环境负担。研究的重要意义在于,它将AI的环境效应研究从“技术应用”推进到“网络协同”层面,说明跨城市创新合作本身就是绿色治理能力的重要来源。

在技术方法上,研究主要使用三类关键方法。第一,以跨城市AI合作专利构建人工智能创新网络(AIIN),专利覆盖AI硬件平台、AI通用技术与AI关键应用技术。第二,基于282个中国城市样本,利用熵权-TOPSIS法构建城市污染指数(PI),结合CGER数据库1 km×1 km栅格碳排放数据测算碳排放强度(CEI),再通过耦合协调模型构建城市污染与碳排放协同指数(UPCESI)。第三,采用双重机器学习(DML)中的部分线性回归(PLR)框架与随机森林算法识别AIIN的因果效应,并通过更换算法、调整样本分割、替换变量、政策冲击双重差分(DID)与安慰剂检验进行稳健性验证。

研究结果部分可概括如下。
Literature review:论文首先梳理城市减污降碳协同治理研究进展,指出工业结构、能源结构、绿色技术创新与环境政策是影响污染与碳排放协同变化的主要因素。文献同时表明,数字化转型特别是AI发展已对能源需求、能源强度、能源转型及排放控制产生重要影响,但从创新网络视角解释其协同治理效应的研究仍明显不足。
The impact of AIIN on UPCRS:研究人员从技术扩散、资源配置优化和知识溢出三方面进行理论分析,提出AIIN能够通过城市间合作促进清洁生产技术扩散、优化环境治理要素配置,并提升整体环境技术能力,从而正向推动UPCRS。
The role of improving the level of green innovation:研究认为,AI具有通用目的技术属性,能够进入绿色创新全过程,以数据驱动方式替代传统试错式研发,缩短清洁技术开发周期并降低成本;在网络协同条件下,企业、高校、科研机构与政府可形成创新生态,进而加快绿色技术扩散。因此,绿色创新被提出为AIIN影响UPCRS的重要传导机制。
The role of upgrading industrial structure:论文指出,AIIN能够通过知识溢出推动产业向高技术、高附加值、低污染方向升级,并促使传统高耗能制造业向智能化、服务化与绿色化转型,从而降低资源与能源消耗强度,实现协同减排。
The role of improving economic efficiency:研究进一步提出,AIIN能够通过改善全要素生产率、缓解信息不对称、提高资源配置效率与生产效率,减少单位产出的资源投入和污染排放,因此经济效率提升也是关键机制之一。

Characteristics of AIIN:基于2021年空间分布图,AIIN呈现明显“核心—边缘”结构,北京、上海、深圳、广州等一线城市构成核心节点,周边城市通过技术合作与研发联系被带动。南京、杭州等城市在AI合作专利总量上也处于领先位置,表明中国城市AI创新资源具有显著集聚和层级分布特征。
Characteristics of UPCESI:城市UPCESI在2011至2021年间呈双峰分布,说明城市间减污降碳协同水平存在显著分化;随后分布整体左移,意味着协同指数下降、治理成效提升。空间上,沿海发达地区率先实现协同改善,并通过技术扩散和政策示范带动内陆地区提升,整体表现出由东向西、由南向北梯度推进的格局。
Benchmark regression results:基准回归采用双重机器学习模型,结果表明AIIN对城市污染指数(PI)、碳排放强度(CEI)及UPCESI均具有显著负向影响,说明AIIN不仅能够分别降低污染和碳排放,也能显著促进两者协同治理,核心假说得到验证。
Robustness test:研究人员通过更换机器学习算法为梯度提升(Gradient Boosting)、调整训练与预测样本分割比例、增加省份固定效应与省份×年份固定效应、对控制变量进行5%与95%缩尾处理、剔除直辖市与省会城市、改变AIIN测度方法、以PM2.5替代被解释变量、调整耦合协调模型权重等方式进行多重稳健性检验,结果均显示AIIN系数保持显著为负,说明结论具有较强稳健性。
Policy exogenous shock test:为进一步强化因果识别,论文利用“人工智能创新试验区”建设作为外生政策冲击,构建双重差分(DID)模型。结果显示,试验区建设显著降低UPCESI,平行趋势检验成立,安慰剂检验中虚假政策效应围绕零值分布,说明AIIN促进减污降碳协同的因果关系具有可信度。
Transmission channel inspection:机制检验显示,AIIN显著提升城市绿色创新水平、促进产业结构升级并提高经济效率。其中,绿色创新和产业结构升级作用最为显著,经济效率提升也表现出统计意义上的正向影响,表明三条传导路径共同支撑AIIN的治理效应。
Heterogeneity test:异质性分析表明,在环境规制强的城市,AIIN显著促进UPCRS,而在环境规制弱的城市作用不显著;在市场一体化水平高的城市,AIIN效应显著,而市场分割较强城市中效应不明显;在资源型城市中,AIIN对UPCESI的抑制作用更强,说明其在面临更重环境压力和转型需求的地区具有更高治理边际收益。
Further analysis: differential effects of AIIN position:进一步分析城市网络位置发现,度中心性对UPCESI影响不显著;中介中心性显著为正,说明承担“桥梁”角色的城市可能因要素过度集聚或产业转移而加重环境压力;接近中心性显著为负,表明越接近网络中心、越易获取技术和知识资源的城市,越能提升减污降碳协同治理绩效。

讨论部分强调,AIIN的价值不仅在于单一技术进步,更在于网络化协同放大了技术扩散、绿色研发、产业转型与效率提升的综合环境效应。研究将AI与环境治理的关系由“工具变量式应用”推进到“区域创新系统协同作用”层面,说明绿色治理能力具有显著的网络外部性。文章同时指出,中国作为发展中大国,其AI创新网络推动环境协同治理的经验,对其他新兴经济体具有参考意义,但也提示AI自身发展仍伴随资源消耗与治理挑战,因此其可持续效应取决于制度设计、网络结构与政策协同。

研究结论部分可译述为:基于2011至2021年中国282个城市数据,研究人员以AI合作专利测度城市人工智能创新网络(AIIN),并采用双重机器学习方法检验其对城市减污降碳协同(UPCRS)的影响。结果表明,第一,AIIN能够显著降低城市污染与碳排放协同指数(UPCESI),且该结论在多种稳健性检验和外生政策冲击检验下依然成立。第二,AIIN主要通过促进绿色创新、推动产业结构升级以及提升经济效率三条路径实现UPCRS。第三,AIIN的治理效应具有明显异质性,在环境规制更强、市场一体化程度更高以及资源依赖程度更高的城市中,这种协同效应更为显著。整体而言,论文证明了人工智能创新网络是推动城市绿色转型与协同环境治理的重要力量。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号