《Frontiers in Environmental Science》：Can artificial intelligence be the answer to green development? evidence from China’s artificial intelligence innovation and development pilot zones
编辑推荐：
引言：该研究利用2011—2023年中国282个城市的面板数据，考察了面向人工智能（AI）的区域导向型政策（place-based policy）是否促进了城市绿色发展。方法：研究人员利用中国国家新一代人工智能创新发展试验区（AIIDPZ）的分批设立作为准自然
引言：该研究利用2011—2023年中国282个城市的面板数据，考察了面向人工智能（AI）的区域导向型政策（place-based policy）是否促进了城市绿色发展。方法：研究人员利用中国国家新一代人工智能创新发展试验区（AIIDPZ）的分批设立作为准自然实验，并采用交错双重差分法（staggered difference-in-differences）估计其对城市绿色全要素生产率（GTFP）的因果效应。结果：结果表明，AIIDPZ显著提升了城市GTFP。机制分析显示，这一效应主要通过产业结构升级和绿色技术创新发挥作用。异质性检验进一步表明，该效应在东部城市、非资源型城市以及数字基础设施较好的城市中更为显著。讨论：总体而言，该研究提供了新的证据，表明面向人工智能的公共政策有助于促进绿色发展，并为区域创新政策的设计提供了启示。
### 研究背景与问题
气候变化正在重塑全球发展战略、产业竞争和公共政策。中国作为世界最大的发展中经济体和制造业中心，需要在保持经济增长的同时减少碳排放和对资源密集型产业的依赖。中国提出2030年前实现碳达峰、2060年前实现碳中和的目标，使这一转型更加紧迫。研究人员指出，未来增长不能再主要依赖要素投入扩张，而需要依靠技术进步、效率提升和结构转型。为了衡量经济增长是否变得更高效且更环境友好，该研究采用绿色全要素生产率（GTFP）作为核心指标。与普通生产率测度不同，GTFP同时纳入要素投入、期望产出以及污染排放等非期望产出，能够更全面地反映“既更高效又更清洁”的发展质量。
人工智能（AI）作为一种通用目的技术，可能通过提升预测、调度、自动化、过程控制和组织决策能力，推动制造业、交通、能源、城市治理等领域的效率改善与资源节约。然而，AI的环境效应并非天然为正：数据中心和计算设施会消耗大量能源，AI应用可能产生调整成本和短期资源错配，且政策效果在产业基础或数字基础薄弱地区可能有限。因此，AI能否真正促进绿色发展是一个实证问题。中国自2019年起分批设立国家新一代人工智能创新发展试验区（AIIDPZ），为考察面向AI的区域导向型政策对绿色发展的因果效应提供了准自然实验。该研究发表于《Frontiers in Environmental Science》。
### 研究设计与关键方法
研究人员以2011—2023年中国282个城市的面板数据为样本，将AIIDPZ的分批设立视为准自然实验，采用多期双重差分法（DID）识别其对城市GTFP的因果效应。被解释变量GTFP通过包含非期望产出的超效率松弛变量测度模型（super-efficiency SBM）与全局曼奎斯特-卢恩伯格（GML）指数测算；核心解释变量为政策虚拟变量（Treat×Post）。控制变量包括经济发展水平（EDV）、金融发展（FND）、对外开放（OPN）、城镇化率（URB）、政府干预（GIN）、财政投资（FIN）、财政分权（FDC）和财政压力（FPR）。机制变量为产业结构高级化（IAD）与绿色专利申请量（GRI）。数据来源包括《中国城市统计年鉴》、CEIC中国经济数据库、《中国能源统计年鉴》、中国环境统计相关年鉴、中国国家知识产权局（CNIPA）专利数据库以及世界知识产权组织（WIPO）绿色专利清单。稳健性检验采用了倾向得分匹配-双重差分法（PSM-DID）、Callaway-Sant’Anna交错DID估计量（CSDID）、双重去偏机器学习（DML），并控制宽带中国、低碳城市、国家数字经济创新发展试验区、公共数据开放等同期竞争性政策。
### 研究结果
**基准回归结果**：在逐步加入城市固定效应、年份固定效应和控制变量后，Treat×Post的系数为0.019，且在1%水平上显著，表明AIIDPZ显著提高了城市GTFP。
**平行趋势检验**：采用事件研究法发现，政策实施前各期交互项系数均不显著，说明处理组与对照组在政策前具有相似趋势；政策实施后系数呈上升趋势，且政策后第一至第三年显著为正，表明政策效应存在一定滞后但具有持续性。
**安慰剂检验**：通过随机分配处理组并重复估计500次，得到的伪政策系数集中在零附近，而基准回归估计值0.019位于模拟分布右尾，说明基准结果并非由不可观测因素或随机噪声驱动。
**稳健性检验**：PSM-DID在三种匹配方法下均得到显著的Treat×Post系数；CSDID估计的平均处理效应为0.022，在1%水平上显著；基于LASSO和梯度提升的DML估计系数分别为0.018和0.023，均在1%水平上显著；在纳入四项同期政策虚拟变量后，核心解释变量的系数仍保持显著，说明AIIDPZ的独立效应稳健。
**机制分析**：以产业结构高级化（IAD）为因变量时，Treat×Post的系数为0.109，在5%水平上显著，说明AIIDPZ推动了产业结构向更高附加值、更清洁方向升级。以绿色专利申请量（GRI）为因变量时，系数为0.406，在1%水平上显著，说明政策有效激励了绿色技术创新。由此，产业结构升级和绿色技术创新是AIIDPZ提升城市GTFP的两个主要渠道。
**异质性分析**：分区域回归显示，东部城市的Treat×Post系数为0.021且在1%水平上显著，非东部城市的系数为0.014且仅在10%水平上显著，政策效应集中于东部城市。按资源禀赋分组，非资源型城市的系数为0.023且在1%水平上显著，资源型城市的效应不显著。以1984年每百人电话机数作为历史数字基础设施的代理变量，数字基础较好的城市系数为0.026且在1%水平上显著，数字基础较弱城市的系数为0.013且在5%水平上显著。这说明AI政策红利的发挥高度依赖地方吸收能力、产业结构和数字基础。
### 讨论与结论
讨论部分强调，AIIDPZ的绿色效应并非自动产生，而是受制于区域基础条件、资源禀赋和数字基础设施的路径依赖。政策设计应充分考虑地区差异，对中西部和资源型城市加强数字基础设施投资和传统产业数字化转型支持；应促进AI与制造业、能源、交通等高碳行业深度融合，通过开放应用场景和建设产学研平台强化“AI+绿色”创新体系；同时应加强数据治理、标准制定和知识产权保护等制度配套，形成更协调的政策体系。研究也指出若干局限：样本期仅覆盖AIIDPZ实施的早期阶段，政策后观察窗口较短；城市层面数据无法直接观测企业AI实际采用强度；除产业结构升级和绿色创新外，能源效率、劳动力重新配置和城市治理优化等渠道尚未充分检验；GTFP测度对指标选择存在敏感性；结论外推到其他国家需要谨慎。
研究结论（翻译）：该研究使用2011—2023年中国282个城市的面板数据，将AIIDPZ设立视为准自然实验，采用交错双重差分模型系统考察了人工智能试验区政策对城市GTFP的影响。实证结果显示，人工智能试验区政策显著提高了城市GTFP，并且该结论在平行趋势检验、安慰剂检验和一系列稳健性检验后依然成立。机制分析表明，政策效应主要通过产业结构升级和绿色技术创新两个渠道实现。异质性分析进一步显示，AI带来的绿色生产率提升效应在东部城市、非资源型城市和数字基础设施较好的城市中更为明显。总体而言，该研究从准实验视角提供了面向AI的政策干预如何促进城市绿色发展的实证证据。
