人工智能发展对水—能源—食物系统技术效率的影响机制——一项基于中国的实证研究

《Water》：The Impact Mechanism of Artificial Intelligence Development on Water–Energy–Food System Technical Efficiency—An Empirical Study in China

　　

为探讨人工智能发展（AID）与水—能源—食物系统技术效率（WEF-TE）之间的相互作用，研究采用了2013—2023年中国264个城市的面板数据，并利用随机前沿分析（SFA）估算研究区域的WEF-TE。随后，研究采用误差修正模型（ECM）和随机森林模型，从企业规模、应用水平与劳动力素养三个维度，实证检验AID对WEF-TE的调节机制与驱动机制。结果表明：（1）中国WEF-TE总体呈上升趋势；然而，高值地区与低值地区之间仍存在明显差异，落后地区的偏离程度最高可达0.507。与此同时，作为中国WEF系统核心区域的黄河流域，在技术效率优化过程中始终低于全国平均水平。（2）在各研究维度上，AID与WEF-TE之间均存在长期均衡关系，并且能够在短期内有效调节技术无效率，在不同检验规则下其调节系数介于0.004—0.021之间。（3）在企业规模和应用水平维度上，AID对WEF-TE的驱动效应相对较强，其特征权重分别为0.16和0.155，与人力资本投入（0.172）和产业结构合理化（0.15）的作用较为接近。该研究为构建整合WEF关联（WEF Nexus）与AID的跨学科研究框架提供了重要参考价值。

该文发表于《Water》，围绕人工智能发展（AID）如何影响水—能源—食物系统技术效率（WEF-TE）这一问题展开，研究背景建立在全球人口扩张、资源储量有限与环境退化持续加剧的现实基础之上。水、能源和食物是支撑人类社会发展的三类基础资源，但三者在生产、消费与治理过程中存在高度复杂的相互依赖关系，因此单一资源或双资源视角已难以支撑可持续治理。自WEF关联（WEF Nexus，即将水、能源、食物置于统一平台进行综合分析的理论框架）提出以来，学界持续关注WEF系统技术效率问题，因为效率提升不仅能够减少系统运行中的资源消耗与损失，还能够在绿色经济框架下提高期望产出并减少二氧化碳、硫化物和废水等非期望副产物，从而缓解环境压力。既有研究已在WEF-TE测度、模型改进、异质性分析及要素拓展方面取得较大进展，但仍存在若干不足：一是研究尺度多集中于国家或省域层面，城市层面的精细化证据不足；二是人工智能对单一资源效率的影响已有讨论，但在WEF Nexus框架下缺乏大样本、综合性的宏观实证；三是多数研究主要关注静态或动态因果关系，对长期均衡与短期调整机制的区分不够充分，对影响强度的识别也相对有限。正是在这一背景下，研究人员以中国264个地级市为样本，系统评估WEF-TE，并进一步从企业规模、应用水平和劳动力素养三个维度考察AID的调节与驱动机制，以弥补现有研究空白。

在研究方法上，研究人员首先基于2013—2023年中国264个地级市共2904个有效观测值开展分析，剔除缺失严重样本并对异常值和个别缺失值进行处理。随后，采用随机前沿分析（SFA）测度WEF-TE，以水、能源、食物子系统投入和地区生产总值为核心投入产出指标，并使用Cobb–Douglas生产函数构建模型。为识别AID与WEF-TE之间的长期均衡与短期调整关系，研究构建自回归分布滞后误差修正模型（ADL-ECM）。同时，为比较各解释变量对WEF-TE的相对贡献，研究引入随机森林模型，以特征重要性指标评估驱动效应；数据来源包括天眼查、百度指数、中国城市统计年鉴、中国能源统计年鉴、省级统计年鉴和DataSeed数据库。

在研究结果部分，论文首先给出“4.1. Measurements and Analysis of the WEF-TE”的结论。基于SFA估计结果，中国样本城市的WEF-TE在2013—2023年间总体呈渐进上升趋势，平均增长率约为18%，表明研究期内技术发展与资源治理政策总体发挥了作用。箱线图分析显示，不同年份波动总体较为稳定，说明全国范围内效率改善具有一定均衡性，但极端低值现象依然显著。进一步通过低异常值空间统计，研究发现有51个地级市在多个年份处于较低四分位区间，其中18个城市在整个研究期内持续表现为低异常值，且空间上主要集聚于东北地区、南部沿海以及黄河流域中上游。这说明部分地区在基础资源转化技术方面仍存在明显短板。区域比较还表明，中国WEF-TE呈现“东部城市＞中部城市＞西部城市”的梯度格局，东部地区自2014年后提升速度明显快于中部地区，而黄河流域在整个研究期内始终低于全国平均水平，不过自2019年相关高质量发展与生态保护政策实施后，该差距有所收窄。

“4.2. Test Results and Analysis of the Adjustment Mechanism in WEF-TE”主要揭示AID对WEF-TE的长期与短期作用机制。协整检验结果表明，人工智能企业规模（ai.e）、人工智能应用水平（ai.a）与劳动力人工智能素养（ai.w）均对WEF-TE具有显著正向的长期影响，说明不同维度的AID与WEF-TE之间存在长期均衡关系。ECM回归结果进一步显示，当期ai.e、ai.a和ai.w的变动均会对WEF-TE当期波动产生正向调节作用，即AID能够在短期内修正WEF系统的技术无效率。研究据此指出，AI企业集聚能够提供更加丰富的技术供给，AI应用扩展有助于相关技术与WEF系统融合，而劳动力技能提升则保障了AI技术在实践中的功能实现。同时，AI发展也伴随数据中心算力需求上升和能源消耗压力增加，因此其对WEF-TE的优化并非无限扩张，而是呈现带有约束条件的均衡调节关系。误差修正项ECM(-1)为负且在1%水平上显著，绝对值为0.124，表明当WEF-TE偏离由AID变化所决定的长期均衡状态时，系统将以12.4%的强度逐步回归均衡。

“4.3. Roustness Test for ECM”进一步验证了上述调节机制的稳健性。研究分别采用替换被解释变量、剔除东部城市样本、剔除ai.w变量以及引入工具变量等方法进行稳健性检验。替换WEF-TE测度方法后，核心变量估计结果与基准回归基本一致；剔除东部城市样本后，ai.w的调节效应不再显著，但ai.e、ai.a及误差修正项依然保持稳定，说明企业规模与应用水平维度的AID作用更为稳健。针对潜在内生性问题，研究以地形坡度及其与时间的交互项作为工具变量，结合两阶段最小二乘方法重新估计后，结论仍未发生实质性改变。由此可以确认，AID对WEF-TE的长期均衡关系和短期调节作用具有较强可靠性。

“4.4. Assessment Results and Analyses of the Driving Mechanism in WEF-TE”则从驱动强度上比较了各变量的重要性。随机森林模型的R²与EVS均处于0.78—0.85区间，且训练集与测试集之间差异较小，说明模型解释力较强且不存在明显过拟合。特征重要性分析显示，技术投入（tec）权重最高，达到0.27，构成独立的第一梯队，是提升WEF-TE的最关键因素。人工智能企业规模（ai.e）和人工智能应用水平（ai.a）权重分别为0.166和0.15，与人力资本投入（hum，0.172）及产业结构合理化（ind，0.15）共同构成第二梯队，表明AID已成为影响WEF-TE的重要结构性力量。相比之下，政府干预（gov）和劳动力人工智能素养（ai.w）的驱动效应相对较弱，位于第三梯队。研究据此认为，中国WEF-TE的改善仍主要依赖技术投入和高技能人力资本，但AI企业发展和AI应用扩散已经表现出与产业结构优化相协同的显著推动作用；而ai.w当前影响有限，提示AI能力在WEF系统中下层环节的渗透仍不充分。

在讨论部分，论文首先从比较与创新角度总结研究贡献。研究人员指出，相较于以往多以省域为单位开展的WEF效率研究，本文采用地级市尺度，能够更细致地识别低效率异常区域、黄河流域等特殊空间单元及其政策含义；相较于主流的DEA及其衍生模型，SFA能够区分随机误差与技术无效率，在城市尺度多指标数据较难充分获取的条件下更具适用性；在机制分析上，ECM弥补了传统静态、动态面板和空间计量模型难以同时识别长期与短期作用的不足，随机森林则增强了对驱动强度的比较能力。此外，文章还尝试利用Python 2.7网络抓取和百度指数等数据测度AID，从而将人工智能因素纳入WEF系统效率研究框架。与此同时，研究也明确指出其局限性：AID指标体系仍较为有限，尚未充分覆盖政策、基础设施等维度；劳动力人工智能素养代理变量的有效性仍有待进一步验证；研究对象主要聚焦于WEF-TE，尚未深入讨论WEF Nexus中的协同、可持续性与安全等其他核心概念。

最后，论文在“6. Conclusions”中得出结论：2013—2023年中国整体WEF-TE持续上升，但区域技术差距依旧显著，东、中、西部呈梯度分布，黄河流域虽有改善但整体仍低于全国平均水平；AID能够从多个维度提升WEF-TE，并通过长期均衡与短期调整机制修正技术效率损失，但这一优化过程受到AI自身能耗约束，存在阈值效应；技术投入与人力资本仍是提升WEF-TE的核心驱动力，而人工智能企业规模与应用水平也已展现出重要作用，并与区域产业结构合理化形成协同。结论部分可译为：基于2013—2023年中国264个城市的面板数据，研究首先运用随机前沿分析（SFA）测度研究区域水—能源—食物系统技术效率（WEF-TE），随后采用误差修正模型（ECM）和随机森林模型，从企业规模、应用水平和劳动力素养三个维度检验人工智能发展（AID）对WEF-TE的调节机制与驱动机制。研究表明，中国WEF-TE总体上升但区域差异显著；AID与WEF-TE之间存在稳健的长期均衡关系，并能在短期内纠正技术无效率；技术投入和人力资本是主要驱动因素，同时人工智能企业规模与应用水平对WEF-TE具有重要推动作用，而劳动力人工智能素养的潜力仍有待进一步释放。整体而言，该研究为理解人工智能与WEF系统之间的互动关系提供了跨学科证据，也为资源效率治理提供了实证支撑。