人工智能潜力能否转化为绿色绩效？基于中国人工智能创新试点区的证据

《Environmental Development》：Can Artificial Intelligence Potential Be Transformed into Green Performance? Evidence from Artificial Intelligence Innovation Pilot Zones in China

　　

摘要
在多重环境约束下，数字技术如何促进绿色转型仍是一个悬而未决的问题。本研究从效率视角出发，考察中国国家新一代人工智能创新发展试验区是否提升了碳减排与污染治理之间的协同效应。利用 2010 年至 2023 年 280 个地级市的面板数据，我们将试验区政策视为准自然实验，采用交错双重差分（DID）设计结合空间 DID 模型估算其影响。结果表明，该政策显著提高了碳减排效率、污染治理效率及其协同效率，且这些发现在一系列稳健性检验中依然成立。机制分析表明，政策通过三条渠道发挥作用：降低能耗强度、增强产业协同集聚以及提升公众环境关注度，分别对应要素替代、系统协调和外部监督。异质性分析进一步显示，在创新能力更高、资源依赖度更低和环境监管更严格的地区，政策效果更强，这意味着政策效力取决于当地的发展基础和制度条件。空间计量结果进一步揭示了一种不对称的溢出模式：该政策在地理邻近城市间产生负向外溢效应，但在经济 - 地理嵌套权重方案下产生正向外溢效应，表明人工智能试验区政策的绿色治理效应主要通过区域经济联系、产业协作和要素流动传递，而不仅仅是通过地理邻近性。通过将关注点从排放结果转向效率协同，本研究揭示了以人工智能为导向的属地政策如何重塑绿色治理，并为技术驱动的低碳转型和区域协同环境管理提供了新证据。

引言
在全球气候变化加剧和生态约束日益严格的背景下，协调经济发展与环境保护已成为全球可持续发展的主要挑战。数十年来，以高能源投入和资源消耗扩张为特征的发展模式促进了经济增长，但也导致碳排放上升和环境污染积累（Tian et al., 2024; Wiedmann et al., 2020）。这种紧张关系在仍处于工业化和城镇化进程中的发展中经济体尤为显著，在那里，经济增长、能源需求扩张和环境治理压力往往同时出现。因此，依赖末端处理或单一目标减排的传统绿色转型途径面临日益明显的局限性（An et al., 2019; Xie et al., 2025）。随着多重环境目标的日益严格，碳减排与污染治理的协同推进已成为绿色低碳转型的重要要求（Shi et al., 2022; Vandyck et al., 2018; X. Wang et al., 2026）。从排放产生角度来看，二氧化碳和主要空气污染物主要源自化石能源消耗、工业生产和资源利用活动。其共同来源和重叠的治理过程为协同控制提供了现实基础（Kim et al., 2025; Miyazaki and Bowman, 2023）。然而，由于碳减排和污染治理在治理目标、政策工具和执行主体上存在差异，这些共同来源并不必然转化为治理绩效的同时改善。不同地区可能仍面临阶段性权衡取舍，甚至可能出现治理投入增加但环境绩效未相应改善的情况（Wei et al., 2020; Zhu et al., 2023）。此外，尽管一些绿色转型措施可以改善环境绩效，但也可能带来短期经济成本，表明环境效益的获得并非没有代价（Gao et al., 2026a）。因此，碳减排 - 污染治理协同的分析不应局限于两类排放是否同时下降。还应考察在给定资源投入约束下，碳减排效率和污染治理效率能否共同提升（S. Li et al., 2025）。

在此背景下，以人工智能为代表的一代通用技术为提高环境治理效率提供了新可能。凭借其在数据处理、预测分析和智能决策方面的能力，人工智能可应用于能源管理、生产调度和环境监管，以减少资源错配和无效投入，并提高污染检测与控制的及时性。然而，人工智能的环境效益并非自动源于技术进步。作为一种通用技术，其应用回报通常取决于组织变革、互补性投资和赋能制度环境的共同支持（Brynjolfsson et al., 2021）。只有当人工智能有效嵌入生产和治理场景时，其技术潜力才能转化为环境绩效。中国国家新一代人工智能创新发展试验区提供了一个适当的政策设置来考察这一转变。继 2017 年国务院发布《新一代人工智能发展规划》之后，科技部于 2019 年启动了试验区计划，使中国的人工智能政策从国家层面的战略规划转向地方技术示范、场景化应用和制度试验。与传统的产业支持政策不同，试验区计划不仅促进人工智能产业的发展，还汇聚了数据资源、算力、熟练人员和创新主体，同时改善了技术采纳所需的基础设施和制度条件。在此过程中，促进了人工智能向生产流程和公共治理的渗透。因此，试验区的建立不仅仅是增加当地的人工智能技术存量，而是代表了一种通过政策支持以及互补性制度安排来促进其实际部署的属地政策实践。利用这一政策设置，本研究考察人工智能创新发展试验区能否将技术应用的改善条件转化为更好的环境治理绩效，从而同时提升城市碳减排效率和污染治理效率。

现有研究已从多个视角广泛考察了环境绩效，包括环境全要素生产率（Zhong et al., 2022）、空气质量（Gao et al., 2025）以及碳排放与污染物排放的协同治理（Chen et al., 2023; Guan et al., 2023; K. Liu et al., 2024）。与本研究最相关的文献聚焦于碳排放与污染物排放之间的协同，并积累了关于其测度和决定因素的大量证据。然而，大多数现有研究是根据碳排放和污染物排放是否同时下降来评估协同程度的。尽管这种结果导向的方法捕捉了两个环境目标在排放层面的联系，但它无法轻易区分观察到的减少是否源于资源使用效率的提高、经济活动的收缩、产业转移或治理投入的增加。当以不同的资源投入和经济成本水平实现相似的减排结果时，仅排放变化可能无法准确评估环境治理绩效。因此，近期研究开始从效率视角重新审视碳减排和污染治理，强调需要将资源投入、经济产出和环境产出纳入统一分析框架，以识别由技术进步、资源优化配置和治理能力增强所带来的绩效改善（Ma et al., 2025; Yang et al., 2025）。尽管如此，在给定投入约束下，碳减排效率和污染治理效率能否共同提升仍缺乏充分考察。

第二个局限性在于环境治理本质上是空间的（Cui and Cao, 2024）。因为能源使用、产业布局、技术扩散和区域经济联系会产生跨区域传导效应，一个地区的环境治理行动可能通过要素流动、产业转移和技术扩散影响其他地区的环境绩效。现有研究同样记录到了环境绩效中明显的空间依赖和溢出效应（Chen and Wang, 2022; Liu et al., 2020）。然而，空间相互依赖并不必然意味着政策收益会向外扩散。在区域竞争和资源有限的条件下，地方政府可能会争夺资本、熟练劳动力、技术和创新资源。一方面，领先地区绿色技术进步和治理经验的扩散可能改善周边地区的环境绩效。另一方面，政策优势、资源集聚和创新平台发展可能会吸引高质量要素向优势地区集中，削弱周边地区的发展能力，并产生资源虹吸和区域竞争效应。Wan (2024) 认为，区域间环境治理具有竞争性特征，因为地方政府可能通过产业布局调整、环境政策竞争和资源分配策略影响邻近地区的环境绩效（Wan, 2024）。因此，具有强资源集聚属性的数字化和智能化政策可能产生两种相反的空间效应。就人工智能创新试验区而言，该政策可能通过技术扩散、知识溢出和治理经验传递促进区域绿色转型。与此同时，由于人工智能发展严重依赖数据资源、创新人才和资本投入，该政策可能进一步将创新要素集中在试点城市并产生空间虹吸效应。人工智能创新试验区政策是产生空间扩散效应还是区域竞争效应，以及它如何影响其他地区的碳减排与污染治理协同效率，因此仍然是一个开放的实证问题。

在此背景下，本研究从效率视角在更广泛的环境治理协同分析框架内扩展了碳减排 - 污染治理协同的概念。具体而言，我们将其定义为在给定投入约束下实现碳减排效率和污染治理效率共同提升的能力。利用 2010 年至 2023 年中国 280 个地级市的面板数据，并将人工智能创新试验区政策视为准自然实验，我们构建了一个交错双重差分模型来识别其对碳减排 - 污染治理协同的影响。我们进一步开发了一个包含三个维度的结构化机制框架，即要素替代、系统协调和信息治理，以考察政策发挥作用的潜在渠道。此外，鉴于区域间要素流动和空间联系，我们引入了空间计量模型来调查政策的空间溢出效应及其传导路径。

本研究做出了四方面的主要贡献。首先，本研究通过考察人工智能政策作为制度冲击，扩展了关于人工智能环境影响的文献。与主要依赖发展型指标（如人工智能企业数量和人工智能相关专利产出）来衡量人工智能发展水平的现有研究不同（J. Chen et al., 2025; L. Chen et al., 2025; Fan et al., 2025; Liu et al., 2025），本研究采用政策评估视角，将人工智能创新试验区的设立视为一种制度冲击。由此考察了在政策和制度支持下，人工智能进入生产和治理场景所产生的环境影响。尽管一些研究已开始调查人工智能采用及其经济后果（McElheran et al., 2024; Pastor-Merino et al., 2025），但对于政策驱动的人工智能技术如何嵌入区域生产和治理体系，关注仍不足。利用试验区交错设立的准自然实验，本研究识别了政策诱导的人工智能应用对城市环境治理绩效的影响。因此，它将现有对人工智能发展水平的关注扩展到了政策引导的人工智能技术部署，并为人工智能政策与绿色转型之间的关系提供了新的实证证据。

第二，现有关于人工智能对碳排放和污染物排放协同效应的研究主要依赖绝对指标（如碳排放总量和污染物排放总量）来表征其关系，特别关注人工智能能否产生排放结果的同时改善（Du et al., 2026）。然而，仅排放水平的变化无法充分捕捉人工智能应用于环境治理所提供的资源分配效率和技术效率的提升。为了克服这一局限性，本研究引入了基于效率的分析框架，分别构建碳减排效率和污染治理效率指标，然后评估两者之间的协同效率。这样做，它将分析从个体效率和基于结果的协同扩展到了效率协同，从而将多目标环境治理的研究从结果导向视角转向过程导向视角。

这一转变不仅弥补了现有文献对协同效率关注不足的缺陷，还揭示了效率提升如何支撑减碳与污染控制的协调推进。第三，本研究从能源利用优化、产业协调和公众监督三个角度，考察了人工智能创新发展试验区影响减碳与污染控制协同效率的潜在渠道。具体而言，本文以能耗强度、产业耦合集聚度和公众环境关注度为指标，检验人工智能政策是否通过提高能源效率、促进产业间协调以及强化公众对环境问题的关注和监督来改善环境治理绩效。这一分析有助于解释试验区政策所创造的技术应用条件改善如何转化为切实的环境效益。第四，本文进一步从空间溢出效应的视角扩展了人工智能环境影响的分析框架。鉴于碳排放和污染物排放均表现出显著的空间外部性，某一地区开展的环境治理行动往往通过要素流动、产业转移和污染扩散等渠道影响邻近地区。同样，人工智能创新发展试验区政策也可能通过技术扩散和示范效应产生空间溢出效应。为刻画这些区域间关联，本文引入空间计量方法，系统考察人工智能创新发展试验区政策的空间溢出效应。图1展示了本研究的分析框架。

研究节选

制度背景

在新一轮技术变革的大背景下，人工智能正快速从单一的技术工具演变为支撑经济运行与社会治理的基础性技术。现有研究指出，人工智能具有通用目的技术的典型特征，其影响不仅局限于特定行业，更可能引发广泛行业的技术与组织变革。

模型设定

鉴于试验区政策在不同城市的启动时间各不相同，本文采用交错双重差分（DID）模型评估人工智能试验区政策的实施效果：其中，i 表示城市，t 表示年份。表示减碳效率，表示污染控制效率，表示减碳—污染控制协同效率，该指标基于耦合协调模型计算得出，用以刻画减碳与污染控制之间的耦合与协调程度。

实证结果

从时间维度来看（见图3），呈现出一种有趣的现象：E_CO2、E_poll 和 E_synergy 在样本期内并未表现出单调改善的趋势，而是呈现出同步波动和周期性下降的动态特征。三项指标的变动方向高度一致，这表明在实践中减碳与污染控制并非独立演进，而是受到一组共同约束条件的共同塑造。

机制分析

人工智能试验区政策的核心功能在于通过制度安排推动人工智能在区域经济社会系统中的嵌入与扩散，从而引发生产方式和治理结构的系统性变革。作为典型的通用目的技术，人工智能并非通过直接影响被解释变量来一步到位地影响环境绩效，而是通过多个中间环节逐步传导其效应。

结论与政策启示

本文使用中国地级市的面板数据，并以人工智能创新发展试验区政策作为准自然实验，系统考察了人工智能在区域绿色治理中的作用。主要结论如下：第一，人工智能试验区政策显著提升了减碳—污染控制协同效率。在控制城市特征、时间趋势和空间效应后，该政策的效应依然显著。

作者贡献声明

周志成：资源保障、研究经费、数据整理、构思设计。

李艾芝：论文撰写（审校与编辑）、初稿撰写、研究经费。

未引用参考文献

Chen 等（2025）；Li 等（2025）；Liu 等（2021）；Liu 等（2024）；Wang 等（2026）。

发表许可

不适用。

伦理审批与参与同意

不适用。

数据可用性

本研究使用的大部分原始数据均可从稿件中引用的公开数据库中获取。用于实证分析的整理数据集和编码材料可由通讯作者在合理请求下提供。

生成式人工智能及AI辅助技术在写作过程中的声明

在撰写本文过程中，作者使用了ChatGPT 5.1以提升语言表达和可读性。使用该技术后，作者对所写内容进行了审阅和必要的编辑，并对公开发表文章的内容承担全部责任。

资金来源

本研究未获得公共、商业或非营利机构的具体资助。

利益冲突声明

作者声明，不存在可能影响本文研究成果的已知竞争性经济利益或个人关系。

李艾芝 | 周志成

重庆大学经济与工商管理学院，中国重庆，400044