从智能应用到绿色绩效：人工智能如何重塑能源企业的碳排放路径

《Sustainability》：From Intelligent Application to Green Performance: How Artificial Intelligence Reshapes the Carbon Emission Pathways of Energy Enterprises

　　

在全球气候治理日益强化、中国碳达峰与碳中和目标推进以及人工智能（Artificial Intelligence, AI）加速向低碳发展领域部署的共同背景下，本研究考察了AI应用如何影响能源企业的碳排放强度。研究利用2010—2023年中国能源业上市公司的面板数据并采用固定效应模型，发现AI应用显著降低了碳排放强度；该结论在更换变量度量方式、滞后设定及其他敏感性检验中保持稳健。高管数字背景强化了这一效应，而低碳城市试点政策则提供了互补性的制度激励，在与AI结合时产生额外的减排效果。机制检验表明，AI通过提高产能利用率、改善供应链效率和提升生产效率来降低碳排放强度。该效应在东部和中部地区、国有企业及传统能源企业中比在西部地区、非国有企业及新能源企业中更为明显。上述发现为AI如何促进能源部门低碳转型提供了企业层面的证据，并为政策设计与公司战略提供了可操作性的启示。

在全球气候变化治理与低碳转型的紧迫需求下，碳排放控制已成为国家政策制定与产业升级的核心议题。中国作为全球最大碳排放国，其能源部门贡献了全国二氧化碳（CO₂）排放总量的一半以上，因此降低高耗能企业的碳排放强度是实现“双碳”目标的关键任务。人工智能（Artificial Intelligence, AI）作为新一轮科技革命的核心驱动力，正在深刻改变生产组织方式，但AI运行所依赖的数据中心与算力基础设施同样伴随大量能源消耗，形成“数字—碳悖论”。在此背景下，AI究竟能否成为能源企业应对减排压力、实现绿色转型的有效技术路径，其内部机制如何，成为亟待回答的理论与现实问题。

本研究以2010—2023年中国能源行业上市公司为样本，构建固定效应面板模型，实证检验AI技术应用对企业碳排放强度的直接影响，并进一步从产能利用率、供应链效率和生产率三个维度揭示内部机制，同时考察高管数字背景的调节作用以及低碳城市试点政策的协同效应。研究的目标是为理解智能技术赋能能源企业绿色转型提供微观层面的证据，并为加速能源领域智能化与绿色化转型提供理论支撑与政策参考。

现有文献主要聚焦于宏观层面数字技术与碳排放的关系，对企业层面AI影响碳排放强度的微观机制研究尚显不足，尤其缺少将直接效应、多重中介路径与调节机制整合的分析框架。本研究弥补了这一缺口，构建了包含直接效应、中介机制、调节机制及政策协同效应的完整微观理论模型。在理论上，研究将AI技术赋能效应从效率提升拓展至环境治理领域，丰富了数字技术与碳排放关系的微观机理研究。在实践上，研究发现为政策制定者设计差异化的绿色低碳政策、为企业制定智能化减排战略提供了针对性参考。

为开展研究，作者采用了以下主要技术方法：第一，构建固定效应面板回归模型作为基准回归方法，控制企业固定效应与年份固定效应以缓解遗漏变量偏误；第二，运用中介效应检验程序，参考已有文献分别采用随机前沿生产函数测算产能利用率（Capacity Utilization, CU）、库存周转天数对数衡量供应链效率（Stock）、总资产周转率衡量生产效率（asset_turn），通过两步法识别传导机制；第三，采用倾向得分匹配（Propensity Score Matching, PSM）与工具变量两阶段最小二乘（Instrumental Variable Two-Stage Least Squares, IV-2SLS）方法处理内生性问题，工具变量选取同城同年其他企业AI采纳平均水平；第四，运用双重差分（Difference-in-Difference, DID）模型评估低碳城市试点政策效应及其与AI的交互作用，并配套平行趋势检验与安慰剂检验；第五，通过变更解释变量测度方式、滞后解释变量一期、剔除特殊年份样本进行稳健性检验。样本数据中，财务数据来源于国泰安数据库（CSMAR），AI专利数据来源于中国研究数据服务平台（CNRDS），碳排放数据从企业社会责任报告、可持续发展报告及环境报告中手工收集整理。

实证结果部分，首先，描述性统计显示样本企业AI采纳整体水平较低且企业间差异明显，碳排放强度呈左偏分布，多重共线性检验显示VIF均值远低于临界值，模型设定合理。其次，基准回归结果表明，在依次加入年份固定效应、企业层面控制变量及行业—年份交互固定效应后，AI技术应用对企业碳排放强度的回归系数始终在1%水平上显著为负，证实AI显著降低能源企业碳排放强度。

在内生性检验中，倾向得分匹配后的回归系数仍然显著为负，工具变量第一阶段的F统计量远高于弱工具变量临界值，第二阶段系数同样显著为负，表明在控制潜在内生性问题后结论依然稳健。稳健性检验通过更换AI度量方式为AI投资额、解释变量滞后一期以及剔除2020—2023年样本后，核心结论均未发生实质改变。

在机制分析中，产能利用率检验结果显示AI对产能利用率的影响系数显著为正，产能利用率对碳排放强度的影响显著为负，表明AI通过提高产能利用率降低碳排放强度；供应链效率检验显示AI显著缩短库存周期，库存周期越短碳排放强度越低，证实供应链效率改善是有效传导路径；生产效率检验显示AI显著提升总资产周转率，而总资产周转率与碳排放强度显著负相关，生产效率提升构成第三条传导渠道。

调节效应分析发现，高管数字背景与AI的交互项系数显著为负，表明具有数字背景的高管团队能够更准确地识别AI应用场景、更有效地配置资源，从而强化AI对碳排放强度的抑制效应。异质性分析显示，AI减排效应在东部和中部地区显著而在西部地区不显著，在国有企业中显著而在非国有企业中不显著，在传统能源企业中显著而在新能源企业中不显著，反映了区域数字经济发展差距、企业资源禀赋差异及减排空间不同对AI赋能效果的重要影响。

进一步的政策协同分析中，双重差分模型估计结果显示低碳城市试点政策与AI的交互项显著为负，表明AI技术采纳与低碳城市政策之间存在互补关系，政策激励能够放大AI的减排效能。平行趋势检验通过，安慰剂检验中真实估计值位于随机分配系数分布的尾部，排除随机因素驱动结论的可能性。

在讨论部分，本研究认为AI的减排效应本质上是技术赋能效率改进在环境维度的体现。产能利用率的提高摊薄了单位产出的固定能源消耗，供应链效率改善减少了运输与仓储环节的隐性排放，生产率的提升则意味着以更少的能源投入获得同等产出。高管数字背景的调节作用印证了高阶梯队理论在数字化情境下的适用性，即管理者的认知结构与技术素养直接影响企业数字化转型的实际成效。低碳城市试点政策的互补效应说明制度环境与技术能力在推动企业低碳转型中具有协同作用。研究尚存如下局限：碳排放数据依赖企业自愿性披露，可能存在测量误差；AI采纳的度量以专利和投资为主，未能涵盖算法、算力等更广泛的AI形态；研究结论在向其他行业和不同制度情境推广时需谨慎。

研究结论总结如下：第一，AI应用与能源企业碳排放强度显著负相关，该结论在多种稳健性检验下保持成立；第二，AI通过提高产能利用率、改善供应链效率和提高生产效率三条路径降低碳排放强度；第三，高管数字背景正向调节AI的减排效应；第四，AI减排效应存在区域、所有制和行业属性层面的异质性；第五，低碳城市试点政策与AI应用存在互补效应，制度激励与技术能力可协同促进企业脱碳。基于上述发现，研究建议政府强化绿色AI技术研发与推广的政策支持，加大西部数字基础设施建设力度并促进区域协作，发挥国有企业和传统能源产业的示范带头作用同时激发非国有企业的内生动力，构建技术—政策—市场协同的碳减排生态系统，系统推进能源企业低碳转型目标的实现。