数字技术与人工智能的采用：欧盟国家可持续经济绩效的面板数据分析

《Sustainability》：Adoption of Digital Technologies and Artificial Intelligence: A Panel Data Analysis of Sustainable Economic Performance in European Union Countries

　　

绿色与数字双重转型已成为欧盟的战略轴心，但关于数字技术与人工智能（Artificial Intelligence, AI）的采用在多大程度上有效支持经济增长与物质消费脱钩的定量证据仍然零散。研究人员利用完全由可验证的官方二手数据构建的平衡面板（2015–2024年），未使用任何插值，对欧盟27个成员国的这一关系进行了研究。因变量是资源生产率（Resource Productivity, RP），表示为国内生产总值（Gross Domestic Product, GDP）与国内物质消费（Domestic Material Consumption, DMC）之比。面板数据分析结果显示变量为一阶单整（first-order integrated）且存在协整关系（cointegrated）。固定效应模型（Fixed Effects Model）表明数字采用对资源生产率具有正向且显著的影响，其中人力资本是最稳健的决定因素，研究强度也产生正向效应。对近期AI采用系列（2021年、2023年、2024年）的分析突显了其与资源生产率的正向显著关联。研究结果支持数字化和AI可作为可持续性目标的补充，但不能替代对人力资本和制度质量的投资。该研究采用双组件架构：一个用于数字采用的平衡面板（2015–2024年），以及一个针对近期AI采用系列的探索性重复横截面分析。

**研究背景与问题**
在全球生态约束日益严峻的背景下，欧盟将绿色与数字双重转型作为政策核心，但关于数字技术及人工智能（AI）的采用能否有效推动经济增长与物质消耗脱钩，仍缺乏系统的定量证据。现有研究多聚焦于单一指标（如二氧化碳排放或能源强度），而资源生产率（Resource Productivity, RP）作为欧盟循环经济监测框架的核心指标，在数字化文献中鲜少作为因变量被系统分析。同时，AI在企业层面的统计测量始于2021年，序列短且不均衡，导致其与物质效率的关联缺乏经验支撑。为此，研究人员利用欧盟27个成员国2015–2024年的平衡面板数据，结合近期AI采用系列，旨在回答数字技术和AI采用如何与以资源生产率衡量的可持续经济绩效相关联，并检验人力资本、研究强度及制度质量等结构性因素的互补作用。该研究发表在《Sustainability》。

**主要关键技术方法**
研究采用两组件架构：主组件基于2015–2024年十年平衡面板，使用制造业企业电子商务销售占比作为数字采用的代理变量（数据源为Eurostat及世界银行全球治理指标数据库，无插值）；第二组件聚焦2021、2023、2024年AI采用系列（Eurostat数据，79个观测值），采用重复横截面分析。计量方法包括：面板单位根检验（Levin–Lin–Chu、Im–Pesaran–Shin、ADF–Fisher）、面板协整检验（Pedroni、Kao）、固定效应与随机效应模型（通过Hausman检验选择），并控制人力资本（25–34岁高等教育人口占比）、研究强度（研发支出占GDP比重）、资本形成（固定资本形成总额占GDP比重）及治理质量（政府效能指数）。所有数据均来自官方二次来源，完全可复现。

**研究结果**
**4. 结果**
描述性统计显示，资源生产率均值为约1.90欧元/千克，但成员国间差异巨大（从保加利亚的0.30到荷兰的6.0以上），反映经济结构异质性。数字采用均值约21%，同样存在显著数字鸿沟。相关性分析表明，资源生产率与治理质量（r=0.56）、人力资本（r=0.41）、研发强度（r=0.33）及数字采用（r=0.32）呈正相关，但方差膨胀因子（VIF）最大值约3.5，表明多重共线性不严重。
单位根检验显示，所有变量在水平值下非平稳，一阶差分后平稳，即为一阶单整（I(1)）。Pedroni及Kao协整检验支持变量间存在长期均衡关系，表明资源生产率与其决定因素的联系具有稳定性。
固定效应模型（Hausman检验拒绝随机效应，p=0.035）结果显示：数字采用对资源生产率具有正向显著效应（β=0.004，p<0.01），验证了第一假设，但效应量适中，符合通用目的技术缓慢扩散的特性。人力资本是最稳健的决定因素（β≈0.014，p<0.01），支持第二假设中人力资本和研究强度对物质效率的正向作用。研发强度同样正向显著（β=0.006，p<0.05），而固定资本形成则显著为负（β=-0.009，p<0.01），反映投资周期中短期内物质消耗上升。治理质量在固定效应模型中系数变小且不显著，表明其作用主要通过跨国结构性差异而非年度内变动体现。

**5. 人工智能的采用**
单独分析AI采用系列（2021、2023、2024年，79个观测值）发现，AI采用与资源生产率呈中等偏强正相关（r=0.51）。随机效应回归（控制其他变量）显示，AI采用系数为0.007（p<0.01），即企业AI采用比例每提高1个百分点，资源生产率约提升0.7%。该结果支持第三假设，但研究人员强调为相关证据而非因果结论。对比不同国家组，高资源生产率经济体（如荷兰、卢森堡）同时具备高AI采用率、高人力资本与高水平研究系统，而中欧东欧国家则因互补性不足限制了技术效能。

**讨论与结论**
**6. 讨论**
研究人员将实证结果置于文献理论框架中：数字采用的正向效应与Brynjolfsson和Hitt的互补性观点一致，人力资本的主导地位有力支持了吸收能力假说（Cohen and Levinthal）与内生增长理论（Lucas, Romer）。研发强度的正向效应呼应了Porter假说，而固定资本形成的负向系数反映了物质流文献中短期投资引致的物质压力。治理质量在固定效应模型中的弱化揭示其作为结构性背景条件的作用，而非年度调整杠杆。AI分析的结果与Vinuesa等关于AI服务于可持续目标的论断一致，但效应强度受限于互补资本积累时间，符合Brynjolfsson等提出的现代生产率悖论。研究的三项独特贡献在于：整合数字化与可持续性于单一面板框架，采用资源生产率这一罕见因变量；结合十年数字代理与近期AI序列；完全依赖可复现的官方二手数据。

**7. 结论与政策启示**
研究利用2015–2024年欧盟27个成员国的平衡且完全可验证的面板数据，辅以对近期AI采用系列的专门分析，探讨了数字技术与AI采用与资源生产率衡量的可持续经济绩效之间的关系。整个实证框架仅依赖Eurostat和世界银行的官方二手数据，未使用任何插值或估计值，以确保结果可在任何标准计量程序中完全复现。分析得出三个结论：第一，经济与环境变量为一阶单整并存在协整关系，确认了资源生产率与其结构性决定因素之间的稳定长期均衡联系；第二，在Hausman检验偏好的固定效应模型中，数字采用对物质效率具有正向显著关联，但最强劲的决定因素仍是人力资本和研发强度，而资本形成因投资相关的物质消耗而产生负向短期效应；第三，利用实际AI采用序列时，发现其与资源生产率存在正向显著关联，为论文核心论点提供了直接但谨慎的经验支持。