人工智能（AI）使电力成为计算能力的战略性约束。数据中心已占全球用电约1.5%，国际能源署（International Energy Agency, IEA）预计其占比到2030年约翻倍。政策端通过资金用途标准（use-of-proceeds standards）与分类目录（taxonomies）降低合格清洁资产融资成本，使绿色债券（green bond）、清洁能源权益（clean energy equity）与ESG组合成长为数万亿美元资产类别。其理论链条为：政策标签、投资者需求、更低资本成本、清洁装机、兆瓦时（megawatt-hours）。既有文献多检验标签定价、市场连通性与发行对投资的影响，却很少检验“价格环节”——即绿色资产价格是否反映其所融资的物理电力产出。当AI带来巨大清洁电力需求冲击时，正是检验该价格信号是否存在的天然实验。
研究人员开展的研究与结论
研究人员构建基于用电量的数据中心需求代理变量，将绿色金融资产与按燃料分类发电量放入统一系统，采用时变参数向量自回归（time-varying parameter VAR, TVP-VAR）与状态依赖局部投影（state-dependent local projections），由数据内生划分 regime（机制/区制）。核心结论有三：其一，绿债回报从风电、光伏获得的物理信息在2019年6月结构性断裂后由预测误差方差的6.0%降至0.9%，生成式AI时代仅约0.6%；其二，绿债回报转而由10年期国债收益率与Baa级信用利差解释，二者解释力由7%升至62%，剔除利率暴露后物理信息缺失依旧存在；其三，负荷冲击在AI时代使燃气发电增速平均多抬升2.8个百分点，而绿色资产回报无系统响应。论文发表于《Energy Strategy Reviews》。
