面向闭环电动汽车供应链人工智能赋能减排的区块链可追溯性

《Resources, Conservation and Recycling》：Blockchain traceability for AI-enabled emission reduction in a closed-loop EV supply chain

　　

摘要近年来，电动汽车（EV）行业中应用的区块链和人工智能（AI）受到了越来越多的关注。然而，很少有研究考察在学习曲线理论下结合区块链的 AI 能力动态对闭环 EV 供应链减排的影响。因此，本研究构建了一个基于学习曲线的动态 AI 智能升级微分博弈模型，以探索三种策略，即非区块链 AI 策略、被动合作区块链 AI 策略（仅逆向溯源）和主动合作区块链 AI 策略（正向 - 逆向溯源）。分析结果表明，优先采用 AI 进行减排优于区块链溯源，且较高的 AI 转化效率促进了区块链的采用。此外，我们还发现当单位区块链成本较小且转化效率相对较高时，供应链倾向于选择主动合作区块链 AI 策略，但当单位区块链成本较高时，无论转化效率如何，供应链都会转向被动合作区块链 AI 策略进行减排。最后，我们在扩展部分也讨论了碳排放配额交易政策、零售分销模式、两条竞争性供应链以及非线性减排影响，进一步证明了模型的稳健性。

引言近年来，由于化石燃料枯竭和气候变化，能源可持续性和环境问题引起了越来越多的关注 (Duan et al., 2025)。在交通运输部门，约 97% 的能源使用来自化石来源，占全球碳排放量的 25% 以上。幸运的是，电动汽车（EVs）由于其节能和环保特性，已成为全球汽车行业转型的理想替代品 (Moawad et al., 2025)。然而，EV 的增长受到包括电池续航有限和充电基础设施不足在内的几个缺点的阻碍，这主要是由于电池技术的问题。电池是 EV 的核心组件，目前它们面临着巨大的退役挑战，因为预计到 2030 年将有超过 178 万吨电池退役并需要处理 (Zhang et al., 2023a)。

同时，全球 EV 数量的迅速增加和 EV 动力电池体积的增长呈指数级扩张 (Jia et al., 2024)。当这些电池达到使用寿命结束时，不当处置不仅会导致稀有金属的浪费，还可能造成土壤和大气环境的不可逆污染 (Zhang et al., 2023a)。因此，实施有效的废旧动力电池回收流程至关重要。通常，当电池容量降至 80% 以下时，就不认为其可用于使用了。但退役电池可以用于梯次利用，即重新用于能量密度要求较低的应用，如小型储能柜和路灯。该处理过程涉及收集、检查、分类、拆解、重组和各种处理，所有这些都会产生显著的碳排放 (Duan et al., 2025)。

为了实现减少碳排放的目标，许多国家制定了法规和政策，如碳排放配额交易、碳税和双积分政策等，以最小化碳排放 (Li et al., 2025)。在这种意义上，EV 制造商必须投资于减排技术并实施低碳战略以满足低碳要求。例如，一些 EV 制造商（如特斯拉、比亚迪）使用可再生能源（如水电、太阳能和风能）而不是化石燃料来生产其产品 (Li et al., 2024)。同时，EV 电池回收商通过绿色举措加强回收努力，从而有助于 EV 供应链的减排 (Duan et al., 2025)。众所周知，开发减排技术需要每个供应链成员持续投资，因此不可避免地会带来巨大的成本。然而，如果忽视这些成本，即使是最先进的减排解决方案也无法在实践中广泛采用。幸运的是，随着人工智能（AI）和区块链的出现，这两项技术都被认为能有效提高 EV 减排并降低相应成本。

一些全球巨头正在利用区块链和 AI 来减少排放，并在 EV 行业取得了巨大成功。值得注意的是，特斯拉作为全球 EV 制造商，使用 AI 优先利用可再生能源，并根据天气预报调整电池充放电策略，旨在最大化绿色电力的利用。同样，三星电子作为 EV 制造商，投资 AI 技术来预测电池生产线上的设备故障并优化维护周期，减少由意外停机造成的能源浪费，帮助生产线减少标准煤消耗 1.87%，每年减少二氧化碳排放 8400 吨。此外，格林美（GEM）作为知名的 EV 回收商，已与 EV 巨头比亚迪合作建立闭环回收网络，并使用区块链技术追踪退役 EV 电池，确保符合材料采购要求并满足欧盟新电池法规超过 98% 的回收率要求。同时，区块链技术也可用于碳足迹核算并支持跨境碳贸易。

尽管在 EV 行业采用 AI 和区块链技术来减少碳排放具有巨大潜力，但 EV 制造商仍然对如何同时或单独采用 AI 和区块链技术来减少碳排放感到困惑。随着 AI 智能随时间推移而提升，AI 能力动态如何影响区块链的减排？考虑到并非所有 EV 制造商都愿意在实践中实施区块链溯源，因为成本原因。即使一些 EV 制造商实施区块链，逆向溯源还是正向 - 逆向溯源对 EV 供应链最优？由于缺乏相关研究，所有这些问题都是模糊的。

因此，理解嵌入区块链溯源的 AI 赋能减排可以为管理者和政策制定者提供有益指导，但很少有研究解决区块链下的 AI 赋能运营决策问题，除了 Sodhi et al. (2022), He et al. (2025), 和 Singh et al. (2022)。其中，Sodhi et al. (2022) 发现用户早期对区块链和 AI 技术的体验涉及预期过高随后失望的情况。He et al. (2025) 调查了来自非欺骗性仿冒品的 AI 溢出效应对制造商采用区块链的影响。此外，Singh et al. (2022) 分析了这两项技术的特征，并确定了在交通系统中实施这两项技术的关键需求。然而，很少有研究从学习曲线角度考虑 AI 能力动态对减排改进影响的特征，结合闭环 EV 供应链中不同的区块链溯源策略。基于上述分析，本研究旨在回答以下问题：

研究问题 1（RQ1）：AI 能力动态（即智能水平迭代）如何影响三种典型区块链策略下 EV 供应链的减排？
研究问题 2（RQ2）：考虑 AI 能力动态（即智能水平迭代），在何种情况下 EV 供应链倾向于特定的基于 AI 的减排策略？
研究问题 3（RQ3）：如果采用区块链溯源，哪种策略（即逆向溯源还是正向 - 逆向溯源）对 EV 制造商最优，对于回收商的盈利能力是总是更好还是更差？

为了回答上述三个问题，本文使用微分博弈理论方法分析三种典型策略：非区块链溯源 AI 策略、被动合作区块链 AI 策略和主动合作区块链 AI 策略。

对文献的主要贡献有三方面。(i) 与以往仅关注单独区块链溯源的文献不同 (Jia et al., 2024; Li et al., 2024; Feng et al., 2024)，我们探索了 AI 能力动态与区块链采用之间的相互作用，特别考虑了逆向区块链溯源和正向 - 逆向区块链溯源，并在学习曲线驱动的 AI 迭代效应下提供了三种典型区块链策略。(ii) 本文测量了闭环 EV 供应链中基于学习曲线的动态 AI 智能升级对减排问题的影响。而以往工作专注于 AI 静态能力对减排的影响 (Sodhi et al., 2022; He et al., 2025; Singh et al., 2022)。(iii) 本研究采用碳排放配额交易政策来考察减排交易价格和政府配额在 AI 训练努力中的作用，这在现有 AI 碳排放减少文献中很少出现 (Choi and Koo, 2021; Yang et al., 2024)。

本文其余部分展开如下。第 2 节简要回顾相关文献。随后的两节特征化 AI 赋能减排并为三种典型策略建立模型。然后，第 5 节分析最优策略，第 6 节进行数值实验。第 7 节通过考虑碳排放配额交易政策、零售分销模式、两条竞争性供应链和非线性减排效应扩展模型。最后，第 8 节得出结论并展示实际意义。所有证明见附录。

章节片段

文献综述
本文相关文献涵盖三个流派：EV 供应链减排、EV 电池区块链溯源和 AI 赋能运营，下文将分别讨论。

用于减排的 AI 迭代
我们考虑一个微分博弈模型，其中包含一个闭环 EV 供应链，包括一个 EV 制造商（称为“他”）和一个负责为 EV 制造商收集退役电池的回收商（称为“她”），他们在连续时间 t ∈ [0, +∞) 内共同减少碳排放。EV 制造商不仅制造 EV 还制造电池，并以价格 p(t) 直接向消费者销售 EV，这种类型的供应链是常规的，已被包括特斯拉在内的一些主要 EV 制造商采用。

三种区块链溯源策略下的模型
在本节中，我们使用微分博弈方法建立模型，并分别考察三种策略对 AI 赋能减排的影响：非区块链溯源 AI 策略（情境 N）、被动合作区块链 AI 策略（情境 P）和主动合作区块链 AI 策略（情境 A）。

在博弈模型中，EV 制造商作为领导者，回收商作为追随者。本文的事件顺序如下：阶段 1. 电动汽车

最优策略决策
接下来的两节从 EV 制造商、回收商和整个供应链利润三个角度分别分析采用区块链的最优决策和关键参数影响。

为了更好地说明 EV 制造商、回收商和整个供应链选择三种策略的倾向，我们应用数值研究由几个关键参数对 (Δ, ??2), (????,??2), (????, ??1)。基于工作 (Li et al., 2024)，结合电动汽车的相关数据

三种策略下的轨迹
图 5 (a–d) 显示了三种策略下用于减排的 AI 智能程度、累积经验、AI 赋能减排水平和区块链溯源水平的轨迹。所有轨迹随时间 t 增加，并在 t 接近无穷大时在三种策略下趋于稳态。

与它们相比，我们发现主动合作区块链 AI 策略下的每条轨迹都是最高的，其次是被动合作区块链 AI 策略

扩展
在本节中，我们扩展了我们的模型：(1) 碳排放配额交易政策的影响；(2) 供应链中的三个参与者（制造商、零售商和回收商）；(3) 两条竞争性供应链；以及 (4) 对减排的凹性需求响应（非线性减排效应）。

结论
本文基于学习曲线理论，研究了 AI 能力动态和区块链采用对 EV 闭环供应链减排的影响。因此，考虑了三种典型策略：非区块链策略 AI、被动合作区块链策略 AI 和主动合作区块链策略 AI。

CRediT 作者贡献声明
Longyu Li：写作 – 初稿，验证，软件，资源，方法论，形式分析，数据整理。Shipeng Luo：监督，项目管理，资金获取，形式分析，构思。

竞争性利益声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能会影响本文报道的工作。

Longyu Li | Shipeng Luo
中国武汉理工大学工程管理学院