人工智能创新与碳排放强度之间的非线性关系：来自中国省份的证据

《Sustainability》：The Nonlinear Relationship Between AI Innovation and Carbon Emission Intensity: Evidence from Chinese Provinces

　　

中国在人工智能（AI）快速发展的背景下追求双碳目标，提出了一个重要问题：AI创新的环境影响是否随区域创新的推进而变化？利用2011年至2024年30个中国省份的平衡面板数据，本研究通过严格AI专利分类识别的专利申请，测量了基于专利的AI创新强度。研究人员估计了带有省份和年份固定效应的线性与二次模型，并使用Lind–Mehlum检验评估了观测范围内的关系形态。优选设定显示倒U型关联：碳排放强度最初随基于专利的AI创新增加而上升，但超过内部转折点后下降。当排放数据来源、专利分类、样本期、异常值处理以及AI项的时间设定发生变化时，负二次系数保持稳定。补充的Bartik和Copula控制分析保留了负曲率，尽管其识别局限性排除了明确的因果解释。基于Kaya的精确分解表明，估计曲率集中在能源强度上，而非碳化因子。人力资本增强了估计的凹性，而最明显的区域对比出现在中部与东部之间，中部省份的曲率最强。这些发现表明，更多的AI专利申请并不会自动减少排放。其环境影响取决于区域创新的阶段及其与能源效率和吸收能力的相互作用。因此，促进AI创新的政策应与清洁能源供应、效率提升和人力资本投资相协调。更广泛地，本研究提供了一个基于阶段敏感性的框架，通过可测量的碳排放强度变化来评估基于专利的AI创新的可持续性影响。

**论文解读：基于专利的AI创新与碳排放强度的非线性关系——来自中国省份的证据**

**1. 研究背景与问题提出**

在全球应对气候变化与中国“双碳”目标的背景下，如何在推动人工智能（AI）发展的同时实现碳减排，成为学术界和政策制定者关注的核心议题。AI技术既可通过优化生产调度、能源管理和资源配置降低单位产出碳排放，又因其对计算设施、数据中心和数字基础设施的依赖而增加电力消耗与相关排放。现有实证研究结论不一：部分研究支持AI降低碳强度，另一些则发现能源需求反弹或显著的区域差异。这些混合结果暗示，AI的环境效应可能随技术发展阶段而变化；线性模型可能掩盖这一动态过程。此外，已有研究存在三个不足：一是多数测量指标（如工业机器人渗透率、数字经济指数）主要反映技术采纳而非AI知识生产；二是仅凭二次项系数推断非线性关系缺乏严格检验，未验证端点斜率及转折点是否位于样本内；三是将能源强度视为常规中介变量混淆了会计恒等式与行为机制。为此，本研究利用2011–2024年中国30个省份的面板数据，系统考察基于专利的AI创新强度与碳排放强度之间的非线性关系，以提供阶段敏感的评估框架。

**2. 研究内容、结论与意义**

研究人员采用严格AI专利分类识别专利申请量，构建专利AI创新强度指标，以CEADs数据库计算碳排放强度，并纳入城市化率、第二产业占比、财政支持、人口密度、贸易开放度和数字基础设施等控制变量。通过双向固定效应模型及Lind–Mehlum检验，发现倒U型关系：碳排放强度随AI创新先升后降，转折点位于样本范围内。稳健性检验（更换数据源、专利分类、样本期、异常值处理、滞后项）均保持负二次项显著。内生性处理采用内部结构Bartik工具变量和2sCOPE-np非参数方法，结果支持负曲率。Kaya分解显示，估计曲率主要来自能源强度分量，而非碳化因子。人力资本调节效应表明，人力资本强化了凹性，使初始上升段和后续下降段更陡峭。区域异质性分析显示，中部地区曲率最强，东部地区较为平缓，西部地区不显著。该研究发表于《Sustainability》，其意义在于：提供可量化的阶段敏感框架，将专利创新测量与碳排放强度动态监测相结合，为评估AI创新的可持续性影响提供依据，并警示不能简单认为AI创新自动具有绿色效应。

**3. 关键技术与方法**

主要关键技术方法包括：（1）双向固定效应模型，控制省份与年份固定效应，缓解不可观测异质性；（2）Lind–Mehlum检验，正式验证倒U型关系，检验端点斜率及转折点是否位于样本内；（3）内部结构Bartik工具变量，利用2005–2010年各省AI技术分支（算法、计算机视觉、语音处理、自然语言处理）的预定期份额与中国境外同族专利增长交互构建，以处理内生性；（4）2sCOPE-np非参数Copula控制函数方法，无需外生工具变量，基于条件分布构建控制函数；（5）Kaya型精确分解，将碳排放强度分解为能源强度与碳化因子，识别估计曲率的来源；（6）调节效应模型，引入人力资本与线性及二次项的交互项；（7）区域交互项模型，检验东、中、西部系数差异。样本来源：2011–2024年30个中国省份，碳排放数据主要来自CEADs（2011–2022年），2023–2024年基于省份特定排放-能源转换系数外推；专利数据源于严格AI专利分类。

**4. 主要研究结果**

**4.1 基线回归结果**
通过双向固定效应模型，线性系数为正（0.062，10%水平显著），二次项系数为负（-0.016，1%水平显著），表明初始阶段碳排放强度随AI创新增加而上升，之后下降。该模式在控制变量和固定效应下成立。

**4.2 倒U型正式检验**
Lind–Mehlum检验显示，样本下端斜率正显著（0.062，p=0.0374），上端斜率负显著（-0.203，p=0.0015），整体检验统计量1.848（p=0.0374），拒绝单调或U型假设。转折点1.948（约6件专利申请），位于观测范围[0, 8.311]内，68个观测值低于转折点，352个高于或等于。

**4.3 稳健性检验**
在2011–2021年样本、替代碳排放强度（EDGAR）、宽泛专利分类、缩尾处理、剔除北京上海、滞后一期AI项等六种设定下，二次项系数均显著为负，转折点接近基准估计。Lind–Mehlum检验在2011–2021年样本中仍支持倒U型（p=0.0487）。

**4.4 内生性诊断**
Durbin–Wu–Hausman检验未拒绝线性与二次项的外生性（联合p=0.3441）。内部结构Bartik估计中，二次项系数-0.0240（1%显著），转折点3.6549位于样本内，但端点倒U检验p=0.1007，且弱识别检验（Kleibergen–Paap rk Wald F=4.213）表明联合识别较弱。随机化推断显示，实际一阶段F统计量和二次项学生化统计量位于随机分布极端尾部。2sCOPE-np估计中，Copula控制函数系数不显著，二次项系数-0.0155（1%显著），转折点2.852位于样本内。聚类自助法支持倒U型（10%水平），留一省分析显示结果稳健。

**4.5 分解与扩展分析**
Kaya分解表明，碳排放强度估计曲率的78.2%来自能源强度分量（二次项-0.0125，1%显著），碳化因子分量仅占21.8%且不显著。水平模型（以总碳排放和总能耗为因变量，控制GDP）同样保留负二次项，排除分母机械效应。人力资本调节：线性交互项正显著（0.184，5%水平），二次交互项负显著（-0.030，1%水平），表明人力资本强化凹性，使转折点右移。区域异质性：中部地区线性系数0.2701（5%显著），二次项-0.0433（1%显著），曲率最强；东部二次项-0.0094（5%显著），但线性不显著，整体向下倾斜；西部二次项-0.0163（1%显著），线性不显著。但区域交互项联合检验不显著（F=1.61，p=0.1988），仅有中-东差异在10%水平弱显著。

**5. 讨论与结论**

**讨论部分总结**：研究发现支持阶段依赖的倒U型关系，初始扩张效应（计算基础设施、电力消耗）主导，后期效率效应（优化调度、能源管理）占优。分解表明曲率主要源于能源强度，而非碳化因子，说明AI创新主要通过改变单位产出能耗影响碳排放，而非显著改变能源碳含量。人力资本作为边界条件，强化了阶段依赖特征，而非均匀减排。区域差异描述性明显但统计上不显著，可能受限于省级聚合水平和样本量。研究局限性包括：专利测量仅反映知识生产维度，未涵盖基础设施、人才等；内生性处理仍存在识别限制；2023–2024年排放外推可能存在测量误差；省级聚合掩盖了城市及企业级异质性。

**研究结论翻译**：基于2011–2024年30个中国省份的面板数据，本研究检验了基于专利的AI创新强度与碳排放强度之间的非线性关系。优选双向固定效应模型得出正线性系数和负二次系数。Lind–Mehlum检验支持观测范围内的倒U型关系。负曲率在替代结果变量、专利分类、样本处理和滞后结构下保持稳健，尽管这些稳健性检验不应被解释为独立的倒U型正式检验。补充识别分析支持谨慎解读：内部结构Bartik模型保留负曲率和样本内转折点，但联合识别较弱，端点检验略高于10%显著性水平（p=0.1007）；2sCOPE-np估计也保留负二次系数，而Copula控制函数项不显著。这些发现增强了对估计形态的信心，但未确立明确的因果效应或通用转折阈值。会计分解将大部分估计二次系数归因于能源强度分量，而碳化分量较小且不显著。人力资本使估计关系更凹，但其对转折点精确位置的影响未单独确定。区域交互检验未拒绝系数完全同质性，但点估计显示中部曲率最强，中-东差异在10%水平弱显著。因此，结果并不意味着增加AI专利数量会自动降低碳排放强度。AI创新的环境影响取决于区域发展阶段、技术知识转化为单位产出更低能耗的程度以及互补性区域能力的可得性。从可持续发展视角，本研究提供了一个可量化的阶段敏感框架，用于评估基于专利的AI创新的环境影响。研究发现警示不应假设AI创新本质上是绿色的：其与碳排放强度的关联随阶段变化，初期扩张可能增加能源需求，而后续减排收益取决于技术知识向生产和能源利用效率的转化。分解、调节和区域分析进一步表明，这种转化受能源使用、人力资本和本地实施条件的制约。因此，该框架将创新测量与碳排放强度动态监测联系起来，支持对技术发展、能源使用和碳减排进行更综合的评估，为不同AI创新阶段区域的动态、情境敏感的可持续性评估和政策监测提供定量基础。