是福是祸？人工智能创新对企业能效的影响

《Journal of Environmental Management》：A blessing or a curse? The impact of artificial intelligence innovation on corporate energy efficiency

　　

• 一个理论模型揭示了人工智能创新在企业能源效率中的作用。
• 基于自然语言处理的方法从大规模专利中识别企业层面的人工智能创新。
• 人工智能创新显著提高了企业能源效率。
• 颠覆性人工智能创新带来了大幅更高的能源效率收益。
• 制度和组织因素放大了人工智能创新的能源效率收益。

引言

随着全球气候治理经历深刻变革，能源转型已成为世界各国政府日益关注的优先事项。近期的冲击，包括美国-以色列对伊朗的战争、俄罗斯-乌克兰冲突以及不断升级的贸易紧张局势，进一步暴露了全球能源系统的脆弱性和不确定性。在此背景下，减少对传统化石燃料的依赖已成为确保能源安全的战略必需（Tao等，2024）。然而，根据《世界能源统计年鉴》（2024）的数据，化石燃料仍占全球一次能源消耗的84%，在能源结构中保持着主导地位。这表明仅靠可再生能源替代不足以应对当前的能源挑战，凸显了提高能源效率的紧迫性（Adua等，2021）。因此，探索通往能源效率变革的路径仍然是关键的研究优先事项。

技术创新长期以来被认为是提高能源效率的核心驱动力（Lu和Liu，2026）。大量文献表明，技术创新通过替代和扩散效应优化资源配置，从而产生能源转型的红利（Li和Lin，2018；Feng等，2023）。然而，这一乐观观点受到了强调存在回弹效应的研究的挑战。从这一视角来看，效率提升可能导致能源使用的边际成本降低，进而刺激额外的能源消费，部分甚至完全抵消初始的效率收益（Li和Lin，2015）。具体而言，如果技术带来的能源投入增长超过产出扩张，能源效率可能会恶化（Li和Lin，2018）。这些相互矛盾的研究结果表明，技术创新在能源转型中的净效应仍然不确定，其潜在的非预期后果值得进一步调查。

作为新兴和未来产业的关键驱动力，人工智能正在从根本上重塑全球生产格局。通过智能调度、工艺优化和能源管理，人工智能为低碳转型提供了全新的技术方案，并可能有助于克服能源效率提升中的传统路径依赖（Ahmadi等，2026）。然而，这场技术革命也表现出明显的"双刃剑"效应。虽然行业报告1表明人工智能可以产生巨大的能源效率收益，但大规模人工智能模型的训练和部署本身就是高度耗能的过程。例如，训练一个大型人工智能模型可能消耗相当于超过100户家庭年用电量的电力（Jiang等，2024）。关于人工智能在能源转型中作用的研究仍存在分歧。一些研究认为人工智能加速了向更清洁能源结构的转型（Zeng等，2022），而另一些研究则强调其与大规模数据处理和耗能基础设施相关的隐性能源成本（Jones，2018；Islam等，2025）。

尽管文献日益增多，但在考虑人工智能自身能耗的情况下，其创新最终是否会产生净能源效率收益仍然不清楚。此外，人工智能创新影响企业层面能源效率的渠道，以及塑造这种关系的背景条件，也尚未得到充分理解。为了解决这些空白，本研究探讨三个关键问题：（1）人工智能创新能否促进企业层面的能源效率？（2）这种效应通过什么机制发挥作用？（3）内部和外部因素如何影响这种关系？回答这些问题不仅推进了对人工智能创新环境后果的理解，也为绿色能源转型中的作用提供了证据。

本文对现有文献的贡献主要在于三个方面。首先，我们使用自然语言处理技术提出了一种企业层面的人工智能创新衡量方法，改进了现有的人工智能创新测量方式。现有研究通常依赖手动指定的关键词、专利分类代码或引用关系来识别人工智能创新（Acemoglu等，2022；Comino和Manenti，2022；Fang和Li，2024）。然而，这些方法存在明显局限。2基于中国国家知识产权局（CNIPA）于2023年发布的《重点数字技术专利分类体系》，我们通过一个三阶段程序识别人工智能专利，该程序包括"IPC筛选——构建结构化人工智能关键词以生成训练样本——BERT-TextCNN语义分类"，然后将这些专利与上市公司匹配，构建企业-年度的人工智能创新衡量指标。与现有方法相比，我们的方法同时利用了制度分类信息、领域专业词典信息和专利文本中包含的语义信息，减少了因关键词遗漏、分类映射偏差和依赖单一引用指标而产生的识别误差。因此，为研究企业层面的人工智能创新提供了一个更精细且可扩展的测量工具。在此基础上，我们进一步将专利引用网络与基于PatentSBERTa的语义相似性分析相结合，以识别企业的颠覆性人工智能创新，使该衡量指标不仅能捕捉创新的数量，还能捕捉其技术特征和潜在深度。

其次，我们建立了人工智能创新影响能源效率的微观理论模型，并使用上述衡量指标将实证分析扩展到企业内部生产过程。在理论上，通过将人工智能技术嵌入包含能源投入的一般均衡模型，我们明确建模了人工智能对企业能源效率的影响，为理解人工智能在能源效率转型中的作用提供了微观理论框架。在实证上，与省级或其他宏观层面的人工智能衡量指标不同，这些指标在识别企业内部调整方面的能力有限，我们使用2008年至2022年中国上市公司的大规模面板数据集，检验企业层面的人工智能创新如何通过生产流程优化影响能源效率，并从劳动生产率和劳动有效边际产出的角度评估这一机制。与现有文献相比，我们的工作旨在重新建立人工智能与能源效率之间的一般性关联，而是提供微观证据，说明这种关系如何在企业内部形成。

第三，我们揭示了人工智能创新对企业能源效率影响的技术异质性及其内部和外部条件。具体而言，我们检验了不同人工智能技术对硬件平台、通用技术和关键技术等不同维度上企业能源效率的异质性影响。我们进一步将专利引用网络与基于PatentSBERTa的语义相似性相结合，识别人工智能创新的颠覆性，并发现不同形式的人工智能创新相关的能源效率收益存在显著差异。此外，我们检验了地方政府对人工智能发展的关注以及企业内部数据共享如何影响人工智能创新的能源效率效应，揭示了外部政策环境和内部数据治理如何塑造人工智能创新向能源效率收益的转化。通过这种方式，我们为理解何种类型的人工智能创新、在何种条件下更有利于提高能源效率提供了详细的微观证据。

模型基本设置

借鉴 prior studies（Aghion等，2017；Coppens等，2025），我们建模了一个包含四个部门——家庭、企业、政府和研究与开发——在完全竞争条件下的经济。代表性企业做出生产决策以最大化利润。

家庭。代表性家庭在无限时间范围内最大化跨期效用，效用函数以对数形式定义，依赖于消费和劳动供给：
U = ∫(t=0到∞) e^(-ρt)(ln(Ct) - η/2 Lt2) dt
其中 ρ > 0 表示…

方法论

大多数 prior studies 采用单一方法来量化企业的人工智能创新。为了解决这一局限，我们通过一个三步程序来识别企业是否申请了人工智能专利，该程序结合了分类筛选、关键词精炼和大语言模型训练（见图1）。首先，结合中国国家知识产权局（CNIPA）发布的《重点数字技术专利分类体系》（2023），我们将人工智能相关专利映射到国际专利分类（IPC）代码，以进行…

数据

本研究使用2008年至2022年中国A股上市公司面板数据。为了识别企业层面的人工智能相关专利活动并构建人工智能创新强度衡量指标，我们将基于BERT-TextCNN的深度模型应用于从中国国家知识产权局（CNIPA）获得的专利申请记录。我们从2008年开始研究，原因有两个。首先，企业在早期知识产权保护意识较弱，导致申请专利的企业较少。一些研究表明，中国…

基线回归

本节展示了人工智能创新与企业能源效率之间关系的基线实证结果（见表2）。在第(1)列中，仅包含企业固定效应。第(2)列进一步引入了一组基线控制变量。第(3)列通过添加年度固定效应将模型扩展到双向固定效应模型。第(4)列和第(5)列依次纳入行业固定效应和城市-年度固定效应，以考虑…

技术类型

如图2所示，与关键技术相比，企业为通用人工智能技术提交的专利数量更多。这种差异不仅反映了企业在研发投入、技术储备和风险防御策略上的差异，而且逻辑上引发了一个问题：不同类型的人工智能技术对企业能源效率的影响是否存在差异？为解决这一问题，我们将企业的人工智能专利申请分为三类…

结论、启示与展望

在本研究中，我们开发了一个理论框架，将能源投入与内生人工智能技术选择相结合，以解释人工智能创新如何塑造企业能源效率，并使用2008年至2022年中国上市公司面板数据检验该框架。我们的主要发现如下：（1）在企业层面，人工智能创新显著提高了能源效率，与人工智能相关的专利申请增加1%会导致其单位能源产出上升0.0177%…

CRediT作者贡献声明

徐东：撰写——初稿，资金获取，概念化。
吕帅：方法论，数据整理。
杨树斌：撰写——审阅与编辑，可视化。
赵晓蒙：撰写——审阅与编辑，监督，概念化。

资金支持

本工作得到中国国家社会科学基金（批准号：24CTJ026）、河南省软科学研究项目（批准号：262400411054）、河南省高校青年骨干教师培训项目（批准号：2025GGJS097）以及中国国家自然科学基金（批准号：72473050）的支持。

利益冲突声明

作者声明，他们没有已知的竞争财务利益或个人关系，这些关系可能影响本文所报告的工作。

徐东 | 吕帅 | 杨树斌 | 赵晓蒙