解锁中国制造业的排放与增长协同效应：智能化转型与要素重新配置的非线性作用

《Journal of Environmental Management》：Unlocking emission-growth synergy in China's manufacturing: The nonlinear role of intelligent transformation and factor reallocation

　　

摘要为了考察智能化转型如何促成制造业的排放 - 增长协同，本研究开发了一个非线性要素偏向配置强度模型。该问题对全球低碳发展至关重要。该框架将智能化投入引发的多重再分配效应分解为经济产出和碳排放的变化。碳生产率作为评估协同绩效的综合指标。实证分析进一步从产业和企业层面验证并扩展了理论结论。研究结果表明，智能化投入水平与协同绩效之间存在显著的倒 U 型关系。具体而言，智能化转型引发了三种不同的效应：要素替代、配置优化和回弹效应。随着智能化投入水平的变化，每种效应都表现出差异化的非线性动态。当智能化投入水平处于特定阈值内时，会出现排放 - 增长协同的最佳区间。在此范围内，智能化转型通过用非能源要素替代能源、纠正资源错配和抑制回弹效应来增强协同绩效。此外，这些效应的方向和大小在不同制造业子部门和个人企业间表现出相当大的异质性。

引言随着中国承诺实施越来越严格的减排目标，其制造业面临日益增长的脱碳压力。该行业是国家能源使用和排放的主要贡献者。自改革开放以来，工业占中国 GDP 的约 40%。它还消耗了约 68% 的总能源并排放了 83% 的二氧化碳（世界银行，2007 年）。在该行业内部，制造业占据了能源消耗和排放的大部分。这一挑战超出了中国的范围。制造业对全球经济至关重要，贡献了全球 GDP 的 30% 以上和全球近 40% 的碳排放，使得低碳转型成为全球“净零”议程的核心焦点。对此，中国政府出台了一系列政策以促进制造业的节能减排。这些措施包括淘汰落后生产能力和建设能源输送走廊。该行业在其可持续性转型中仍面临相当大的障碍。中国对高碳能源的持续依赖加剧了这些挑战。清洁技术和储能技术的采用和开发相关的不确定性和高昂的研发成本也加剧了这些挑战。总而言之，这些因素继续制约着制造业绿色转型的速度。

与此同时，智能化转型 1 因其推进全球排放 - 增长协同的潜力而得到广泛认可。它代表了建立在自动化和数字化基础上的制造业升级的高级范式。概念上，它指的是人工智能、数据和智能算法与生产系统的深度融合。这种嵌入实现了资源分配的自主决策和自优化（Kagermann 等，2013 年；Wang 等，2022a）。这些特征使智能化转型区别于替代劳动力的自动化（工业 3.0）和以 ERP 和物联网系统为中心的流程导向数字化。该范式与全球关于“工业 4.0”、“智能制造”和"AI 赋能制造”的话语相一致。它也与制造业升级的核心方向相对应。这一方向涵盖智能制造发展的“十四五”规划（2021-2025 年）和新兴的“十五五”规划框架（2026-2030 年）。在后者的框架中，新一代智能制造被指定为绿色低碳转型的关键杠杆。

然而，尽管智能化转型在生产率和产出方面的增益已得到充分记录，但其净环境后果和核心机制在全球学术界仍存在争议。在国际学术界，智能化转型是一个常与“智能制造”和"AI 赋能制造”互换使用的概念，并表示为数字化的先进阶段。潜在因果机制仍处于探索阶段。现有研究在三个相关方面推进了理解，但重要的空白仍然存在。

首先，关于数字化和智能化转型环境后果的实证评估已大量涌现。相关发现聚集成三条不同的证据线。一条线索支持企业和行业层面的显著碳减排效应。这些效应通过能源效率提高（Zheng 和 Wang，2021 年；Pan 和 Lin，2025 年；Pan 等，2026 年）、绿色技术创新（Zhu 等，2024 年；Wang 等，2024 年；Chen 和 Wang，2026 年）、资源配置优化（Zhong 等，2022 年；Li 等，2022 年；Chen 和 Wang，2026 年）以及缓解可再生能源间歇性（Zhang 和 Shen，2023 年；Lin 和 Xu，2024 年）来实现。第二条线索指出了由能源密集型智能基础设施部署驱动的碳增加效应，即使用效应（Higón 等，2017 年；Liu 等，2022 年）。它还指出了由生产和能源消耗规模扩张驱动的效应（Li 等，2026a；Yang 等，2024 年）。第三类工作揭示了智能化转型与环境绩效之间的非线性关系（Ahmadova 等，2022 年；Li 和 Wang，2022 年；Hao 等，2025 年）。这些不同的发现可能反映了潜在影响机制之间异质的权衡，并因研究样本、时间覆盖范围和实证规格的变化而进一步复杂化。然而，两个更深层次的研究空白构成了这种持续不一致的基础。尽管这些研究推进了理解，但它们通常仅将智能化投入视为嵌入式资本或要素增强型技术进步。它们未能将这些投入视为具有独立属性（如非竞争性和自我强化）的独立先进生产要素。这种概念限制反过来阻止了现有研究拆解制造业生产函数的内部结构。因此，智能化投入通过要素再分配塑造环境结果的机制在很大程度上仍然是一个“黑箱”。这一基础空白在解决要素替代机制和回弹效应量化的特定研究流派中进一步显现。

其次，关于智能化转型因果机制的研究势头强劲。要素替代和生产率效应是文献的核心。相关研究提出，数字和智能技术可以通过改变劳动、资本和能源的相对生产率来重塑生产投入结构（Cao 等，2024 年）。在微观层面，工业机器人采用减少了企业层面的能源强度和碳排放。这种减少通过电气化和清洁能源对化石燃料的相对替代来实现（Lin 和 Xu，2024 年；Pan 等，2026 年）。自动化通过资本 - 劳动替代和节能渠道实现了类似的双重经济 - 环境效应（Zhang 等，2024 年）。在行业层面，更广泛的数字化转型促进了偏向节能的技术进步。这种进步源于优化资源配置和提高能源监控的精度（Zhong 等，2022 年；Lyu 等，2025 年）。它还通过改变能源结构来改善碳绩效（Huang 和 Lin，2024 年）。Zhao 和 Wang（2025 年）构建了一个要素投入强度模型。他们的工作与本研究最为接近。它从要素配置的角度识别了数字赋能的效应。然而，他们的分析基于所有传统要素之间对称替代的假设。它使得智能化投入在劳动、资本和能源之间的不对称替代效应未被充分探索。因此，要素配置结构内生的非线性演变仍未得到充分理解。

第三，智能化转型的回弹效应被确定为削弱碳减排效力的主要因素。它也有助于解释上述记录的冲突的总效应。尽管现有研究已经考察了回弹效应和非线性动态，但结构建模中的关键空白仍然存在。具体而言，行业和国家级研究表明，投入数字化通过产出扩张提高了碳排放强度。规模驱动的回弹效应部分或完全抵消了全球和中国制造业样本中的效率增益（Ahmadova 等，2022 年；Bieser 等，2023 年；Kunkel 等，2023 年；Li 等，2026b；Yang 等，2024 年）。从理论建模的角度来看，现有的宏观层面方法，如可计算一般均衡（CGE）框架，分解了数字化的碳效应。它们揭示产出和收入效应完全抵消了替代驱动的减少，从而引发回弹效应（Zhang 等，2025 年）。虽然这种宏观层面的量化捕捉了全经济的一般均衡反馈，但它依赖于聚合部门参数。因此，它缺乏企业和子部门层面要素再分配机制的微观基础建模。将智能化投入与回弹效应在碳减排效应上的主导地位联系起来的微观基础结构路径在理论上仍未充分发展。这一空白在异质性要素再分配动态以及回弹效应与要素配置偏向之间的联系方面尤为明显。因此，智能化转型是否真的能促进中国制造业的排放 - 增长协同，仍缺乏基于理论因果证据的充分支持。

受这些空白驱动，本研究从生产要素维度考察智能化投入。它借鉴了资源基础观和动态能力理论。本研究将智能化投入概念化为一种独立的先进生产要素形式。它探索了它们在塑造经济和环境价值中的作用。这种双重价值创造能力的发展源于重新组织智能化投入与传统生产要素之间的配置联系。为了揭示将智能化转型与排放 - 增长协同联系起来的因果逻辑和传输路径，我们开发了一个统一的分析框架。该框架整合了智能化投入、要素配置结构、碳排放和经济产出。它正式表征了智能化转型下制造业生产函数的演变。具体而言，我们放宽了智能化投入与传统生产要素之间对称替代的假设。因此，我们构建了一个非线性、要素偏向配置强度模型。该模型引入了要素偏向配置强度的概念，以系统地解开智能化转型在制造业中的替代、配置优化和回弹效应。在实证上，本研究采用中国制造业子部门和上市制造企业的面板数据来验证和扩展理论发现。这种方法增强了结果的解释力和实际相关性。作为世界最大的制造业中心，中国提供了一个新兴经济的代表性案例。它还对发达经济体具有政策意义。

本文的贡献有三点。首先，它通过将智能化投入重新定位在生产理论框架内，推进了分析智能化转型和排放 - 增长协同的概念基础。不同于将智能化投入作为嵌入式资本或要素增强型技术进步的传统框架，本研究将它们概念化为一种独立的先进生产要素。该要素具有非竞争性、系统集成和自我强化的独特属性。这种概念重新定位提供了一个统一的理论镜头。它调和了先前文献中不同的实证发现，并为后续的结构建模奠定了一致的分析基础。其次，它通过开发一个非线性、要素偏向配置强度模型，扩展了要素配置的研究议程。我们放宽了现有理论框架背后的隐含对称替代假设。我们还引入了要素偏向配置强度的概念，以解开三种不同的再分配机制：要素替代、配置优化和回弹效应。该框架打开了制造业生产函数内部要素配置结构长期存在的“黑箱”。它使得能够更精确地表征智能化转型如何通过智能化投入与能源及非能源要素之间的不对称替代来影响经济产出和排放。它还正式捕捉了要素配置结构内生的非线性演变。第三，它深化了回弹效应的理论解释。它将这种解释锚定在要素再分配的微观基础机制中。现有研究，包括宏观层面的一般均衡分析，主要通过总产出和收入渠道来表征回弹效应。它们未能建立与要素配置内生演变的结构性联系。在要素偏向配置强度框架内，本研究使回弹效应内生。它识别了回弹效应占主导地位或被替代和配置优化效应抵消的阈值条件。这种识别直接从要素再分配的角度进行。通过这样做，它阐明了广泛观察到的智能化投入与碳生产率之间倒 U 型非线性关系背后的内生逻辑。它还提供了一个统一的理论解释，以调和关于智能化转型净环境效应的长期争论。此外，本研究采用了一种双层分析设计。它使用中国制造业子部门和上市制造企业的匹配面板数据来交叉验证理论机制。该设计还考察了中观行业和微观企业层面的异质性再分配效应。实证架构加强了因果识别。它还通过三种方式增强政策相关性：为中国制定有针对性的减排政策提供更清晰的指导，为其他拥有大型制造业的新兴经济体提供可操作的见解，并为发达经济体优化其智能化转型策略提供参考。

本研究的结构概述如下。第 2 节开发了一个理论模型，以规范地分析智能化转型影响排放 - 增长协同的机制。第 3 节构建实证模型并描述数据来源。

第 4 节实证结果和第 5 节结论与政策启示展示了实证结果，并提供了结论及未来研究方向。章节摘要 基础与形式化 智能投入代表了制造业智能化转型的要素体现。在本研究中，它们指代数据、算力和智能算法的集成包。这些要素使得生产系统能够实现人工智能驱动的自主优化。它们具有集成性、非竞争性和自我增强性的核心属性（Wang 等，2022b）。传统要素通过直接消耗和转化创造价值。相比之下，智能投入重塑了 数据与实证框架 本研究采用了制造业行业和微观企业层面的样本数据。利用这些数据验证理论结论并进行扩展分析。实证分析分为两个主要阶段。首先，我们考察了智能化转型与碳生产率之间的非线性关系。我们还考察了要素再配置效应的作用。其次，我们根据智能投入水平和能耗 基准结果 本研究在行业和企业层面实证估计了方程（11）。同时还纳入了个体固定效应以减少潜在的遗漏变量偏差。逐步加入控制变量以评估稳健性。表 5，表 6 展示了相应的回归结果。两个表格中各模型的调整 R 方呈逐步上升趋势。这一模式表明全模型设定具有最强的解释力。智能化转型表现出显著的 结论 推进制造业主动碳减排是全球共识。这对于实现中国“双碳”目标至关重要。本研究全面探讨了智能化转型影响制造业排放 - 增长协同的机制。本研究结合了理论方法与实证方法。具体而言，本研究构建了一个要素偏向配置强度模型。它分解了 的多种要素再配置效应 CRediT 作者贡献声明 赵英梅：概念化，数据整理，方法论，写作 – 原稿，写作 – 审阅与编辑。王文平：监督，写作 – 审阅与编辑。利益冲突声明 作者声明他们没有已知的竞争性财务利益或个人关系，这些可能会影响本报告中所描述工作的公正性。致谢 本研究得到了 [国家自然科学基金委员会] 在 [42277493; 71973023] 资助下的支持。赵英梅 | 王文平 东南大学经济管理学院，南京，211189，中国