人工智能技術對碳排放的影響

薛 飛，劉家旗，付雅梅,3

(1.中國社會科學院大學 應用經濟學院，北京 102488；2.西北大學 經濟管理學院，陜西 西安 710127； 3.西安財經大學 統計學院，陜西 西安 710100)

0 引言

站在“兩個一百年”奮斗目標的歷史交匯點，中國提出“碳達峰、碳中和”的目標愿景。2020年9月，國家主席習近平在第七十五屆聯合國大會一般性辯論上宣布“中國CO2排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和”，展現了中國應對氣候變化的堅定決心和責任擔當。為此，中央及地方政府針對碳減排進行了一系列部署。中國實現“雙碳”目標時間緊、任務重，如何推動經濟社會發展全面綠色低碳轉型成為當前社會各界面臨的重大課題，事關中華民族永續發展和人類命運共同體構建。

實現“碳達峰、碳中和”是一場廣泛而深刻的變革，需要全社會的共同努力。作為科技革命和產業變革的戰略性技術，人工智能在應對氣候變化方面扮演重要角色，并為低碳發展帶來重大機遇。“雙碳”目標的實現本質上是向技術密集型產業轉型的過程。在這一過程中，人工智能技術成為新型數字基礎設施的重要依托，廣泛應用于人類生產生活，并與行業碳減排技術融合，成為降碳減排的核心技術。同時，人工智能技術在數字時代具有特殊優勢，其能夠利用大數據、深度學習和傳感設備對碳排放進行有效監測、精準預測，從而優化政府、企業碳減排決策。例如，人工智能技術能夠精準預測國家電網電力供需，加強可再生能源調度，減少化石能源消耗，從供需兩側實現碳減排。隨著數字化技術的不斷進步，人工智能技術在節能減排方面的潛能得到進一步開發和利用。

然而，與政策層面備受關注和實踐層面蓬勃發展不同，人工智能技術能否推動碳減排仍是一個懸而未決的問題。已有研究表明，人工智能技術對碳排放具有較為復雜的雙重影響。一方面，人工智能技術發展與應用將會提高電力需求，從而產生大量碳排放；另一方面，人工智能技術與低碳技術融合所帶來的生產和消費方式變革將會抑制碳排放。人工智能技術發展對碳排放是產生推波助瀾作用，還是抑制效應有待驗證。鑒于此，本文重點解答以下問題：①人工智能技術能否賦能碳中和并降低碳排放？②人工智能技術通過哪些機制影響碳排放？③人工智能技術對碳排放的影響是否存在區域差異？通過對上述問題進行探索，旨在為人工智能技術碳減排效應提供政策啟示。

本文以2006—2019年中國內地30個省份面板數據為研究樣本，用人工智能專利數據度量人工智能技術發展水平，從中國碳核算數據庫獲取碳排放數據衡量碳排放水平，對人工智能技術影響碳排放的作用機理進行分析。本文邊際貢獻體現在：①從人工智能技術視角切入，就人工智能技術對碳排放的影響進行系統性研究，既有文獻對人工智能效益進行了廣泛討論，但鮮有文獻關注人工智能對碳排放的影響，本研究可對現有文獻進行有益補充；②通過手工整理人工智能專利數據衡量各地區人工智能技術發展水平，并采用面板半參數模型、非線性中介效應模型揭示人工智能碳減排效應與機制；③研究發現，人工智能技術與碳排放之間存在倒U型關系，且影響效應存在區域異質性，這一研究結論可為制定差異化人工智能碳減排策略提供經驗支撐。

1 文獻綜述

伴隨著新一代信息技術的快速發展，國內外學者對人工智能技術與碳排放展開了廣泛討論。早期關于人工智能技術的研究偏向于從技術進步視角切入。Acemoglu & Restrepo[1]認為，人工智能技術本質上是一種技能偏向型技術，作者重點分析了技術進步對碳排放的影響效應。部分學者對兩者關系持積極態度，認為技術進步發揮顯著節能減排效應[2-3]。Wang等[4]研究發現，能源技術進步能夠有效降低碳排放；盧娜等[5]研究發現，突破性低碳技術創新對碳排放具有顯著抑制作用；邵帥等[6]指出，若技術進步具有顯著綠色偏向特征則有助于節能減排，但若以提高生產率為導向則不利于節能減排。然而，也有學者持不同觀點，指出技術進步對碳排放的影響存在“回彈效應”，即技術進步雖然可以提高能源利用率、促進碳減排，但反過來也會造成碳排放量增加，最終產生碳減排折中效應或相反作用。因此，技術進步對碳排放的影響可能存在階段性拐點。馮烽等[7]研究發現，傳統技術創新通過提升能源效率促進經濟增長，并對能源產生新需求，新能源需求將部分甚至完全抵消所節約的能源總量，最終導致能源消費總量增長；楊莉莎等[8]明確技術進步對于CO2減排所發揮的關鍵性作用，指出技術進步具有雙重特征，既能夠提高碳排放效率，又有利于促進經濟增長，經濟增長所需能源消耗部分甚至完全抵消了技術進步實現的碳減排總量。此外，部分學者認為，技術進步與碳排放之間存在復雜的非線性關系[9]。張華等[10]研究表明，能源節約型技術進步與能源消耗呈顯著倒U型關系，即伴隨著能源節約型技術進步，能源消耗先增后降。結合已有文獻，本文認為技術進步碳減排效果可能存在雙重效應。作為數字經濟時代技術創新的典型代表，人工智能技術對碳減排的影響是否也具有雙重效應有待檢驗。

隨著數字技術與經濟社會各領域的深度融合，學者從數字經濟和工業智能化角度對碳減排效應進行了積極探索。謝云飛[11]采用省級面板數據對數字經濟與碳排放關系進行研究，發現數字經濟能夠顯著降低區域碳排放，能源結構改善是數字經濟降低碳排放的重要途徑；徐維祥等[12]基于中國內地286個城市面板數據進行實證檢驗發現，數字經濟發展能夠顯著改善城市碳排放，且不同經濟圈層空間外溢效應不同；繆陸軍等[13]運用中國內地地級市面板數據進行實證研究發現，數字經濟對碳排放的影響具有非線性特征，數字經濟發展能夠促進企業創新效率提升，從而間接改善碳排放；黃海燕等[14]基于我國細分行業數據，對工業智能化水平與碳排放關系進行實證研究，發現工業智能化對于碳排放具有抑制效應。已有文獻主要從數字經濟和產業智能化角度出發，指出智能化技術將為低碳發展帶來重大機遇，但對于人工智能技術對碳排放影響的討論較少。人工智能作為國家重點發展技術之一，對于碳排放的影響符合數字經濟時代低碳發展邏輯，但需要深入探討人工智能技術創新特征對于碳減排的作用機制。

關于人工智能技術影響效應，學者主要圍繞人工智能技術對經濟增長、收入分配、勞動力結構、就業等的影響進行分析，針對人工智能技術對環境影響的研究較少[15-18]。結合已有研究發現，人工智能技術是一把“雙刃劍”。一方面，人工智能技術對經濟社會發展具有積極影響。人工智能技術的新型基礎設施屬性特征對勞動或資本有可能產生替代偏向，在不同產業具有差異化應用前景(郭凱明，2019)。而且，人工智能技術能夠提高勞動生產率，進一步改善勞動力結構。另一方面，人工智能技術也有可能對經濟社會發展造成負面影響。隆云滔等[19]指出，人工智能技術會對勞動力就業產生巨大沖擊。人工智能替代效應會降低社會勞動力需求，導致低技能勞動力失業。關于環境治理，張文博和周馮琦[20]、張偉和李國祥[21]肯定了人工智能技術對環境治理的積極作用，認為人工智能感知功能能夠增強環境信息獲取能力，人工智能與大數據結合能夠拓展環境治理空間，人工智能決策規劃能夠優化環境治理決策，人工智能多場景應用可為環境精細化管理提供條件，人工智能交互學習能力能夠提高環境知識傳播效率。總之，上述研究集中于探討人工智能技術的優越性，忽視了人工智能技術對碳減排可能帶來的負面影響。而且，研究方法多以思辨性討論為主，鮮有文獻對兩者關系進行實證檢驗。因此，有必要厘清人工智能技術與碳排放之間的關系，在此基礎上系統、合理評估人工智能技術的碳減排效應。

綜上所述，已有文獻從技術進步、數字經濟和工業智能化視角對人工智能技術與碳排放關系進行了積極探討，但對于數字經濟時代人工智能技術與碳排放關系缺少理論分析與實證檢驗。從本質上講，人工智能技術是一種強大的變革性技術，是數字經濟時代的重要支柱，因此人工智能技術對于碳減排的影響應符合技術創新對于碳排放影響的一般邏輯。不同的是，人工智能技術所具有的機器學習、輔助決策、智能調控功能將數字基礎設施應用于各行各業，并與減碳排技術相融合，釋放出不同于一般技術創新的巨大潛能。因此，有必要基于人工智能技術內容和特征，探究其對于碳排放的作用機制。基于此，本文以人工智能技術作為切入點，系統考查其對碳排放的影響機制，基于手工整理的人工智能專利數據，采用面板半參數模型和非線性中介效應模型進行實證檢驗，從理論和經驗兩個層面明晰人工智能技術與碳排放之間的關系。

2 理論分析

人工智能的概念誕生于1956年，受智能算法、計算速度、存儲水平等因素的影響，人工智能技術應用與發展經歷了多次低谷和高潮。隨著以深度學習為代表的機器學習技術在機器視覺和語音識別等領域的廣泛應用，以及云計算與大數據的深度融合，人工智能技術逐步演變為“利用數字計算機或數字計算機機器模擬、延伸和擴展功能，感知環境、分析信息并獲得最佳結果的技術應用系統”。從這一定義可以看出，人工智能技術具有感知性、自學習性、互補性等特征，借助傳感器實現環境感知，并利用大數據不斷進行自適應調控，通過提升智能調控的精準性，挖掘不為人知的內在規律，實現與人類的優勢互補、共同協作。作為新一代通用信息技術，人工智能以其替代性和滲透性在各行各業、不同場景實現應用創新，并對碳排放產生深遠影響。

2.1 人工智能技術對碳排放的影響

(1)人工智能技術利用能源消耗加劇碳排放。隨著機器學習系統的普及，人工智能系統消耗過多電能，并產生大量碳排放[22]。Strubell等[23]研究發現，訓練一個現成的AI語言處理系統將產生1 400磅的CO2排放量，而從構建和訓練AI語言系統開始到全套實驗模擬將產生高達78 000磅的碳排放。因此，人工智能技術對于碳排放的影響存在回彈效應，即人工智能技術促進能源利用效率提升會加劇更多能源消費，從而抵消碳減排效應甚至增加碳排放總量。從本質上看，人工智能技術是數字經濟時代的一次重大變革，技術創新在實現節能減排的同時，反過來也會促進生產率大幅提升，導致能源需求增長和碳排放總量激增。此外，人工智能技術對經濟增長具有規模效應，即人工智能技術不僅會帶動新一代信息技術產業發展，還會產生行業溢出效應，帶動其它關聯產業增長，從而引發區域碳排放總量增加。

(2)人工智能技術通過輔助決策、重塑生產生活方式、助力低碳技術創新等途徑降低碳排放。首先，人工智能技術可以幫助政府和企業預測碳排放量，還可以模擬當期減排工作、新減排策略與大氣環境變遷，提高碳減排的針對性。同時，政府、企業還可利用人工智能技術監測和跟蹤碳足跡，提升碳減排相關決策的準確性。據調研，自2017年以來，運用人工智能技術使企業降低了12.9%的溫室氣體排放，提高了10.9%的電力效率。預計到2030年，目前大氣中存在的530億噸CO2可通過人工智能技術減少5%～10%，合計26～53億噸。其次，在交通領域，人工智能技術與智能汽車和智慧交通相結合，有利于緩解交通擁塞，減少碳足跡；此外，人工智能技術可以自動設置和調整機器運行參數，優化生產流程，讓機器和設備成為更加節能高效的系統。據估計，人工智能技術可以幫助鋼鐵企業減少5%～10%的碳排放。再次，人工智能技術在尋找高效吸附材料和碳儲存選址過程中發揮著重要作用。將人工智能技術應用于高排放重點行業(電力、熱力、建筑、制造等)、城市治理領域(交通、園林、環保、水務、應急等)和惠民領域(生活、出行等)，有利于提升能源使用效率，促進低碳循環。

綜上所述，人工智能技術與碳排放之間并非簡單的線性關系，而是體現為雙重效應。即，處于不同發展階段的人工智能技術對碳排放的影響有所不同。從短期看，人工智能技術產生的電力需求會導致碳排放量增加；但從中長期看，隨著人工智能技術的日益成熟與應用場景的愈發豐富，各經濟部門通過智能化升級與改造，有可能產生強大的低碳技術效應。據此，本文提出如下假設：

H1：人工智能技術與碳排放之間存在非線性倒U型關系。

2.2 人工智能技術對碳排放的影響機制

基于經濟邏輯和現有文獻，本文認為人工智能技術對碳排放的影響主要體現在能源利用效率上。陳詩一[24]指出，能源利用效率提升是碳減排的主要目標。碳排放實質上是能源消耗的過程，能源強度降低意味著能源利用效率提升，即降低經濟生產過程中的能源消費量和碳排放量。人工智能技術推廣和應用會影響能源利用效率，并最終影響碳排放效果。

(1)人工智能技術發展有利于促進全社會能源利用效率提升。相較于傳統技術手段，人工智能技術的優勢體現為通過經驗學習，在生產生活中搜集大量實時數據，精準監測、預測碳足跡，輔助政府、企業作出碳減排決策，并制定相應解決方案，減少能源消費量和使用成本，提升能源利用效率，從而降低碳排放。此外，人工智能技術作為數字時代的通用技術，通過與其它領域技術的廣泛結合，能夠發揮節能減排“智慧潛能”。例如，將人工智能技術應用于交通運輸領域，通過識別道路、車輛、擁堵情況、排放強度等關鍵因素，對車輛排隊、交叉口相位、路口通行效率等數據進行模擬，可以優化能耗和交通出行方案，提高人員出行效率，從而實現碳減排；又如，將人工智能技術與綠色技術創新相結合，有利于豐富綠色技術創新應用場景，提升綠色技術創新節能減排效果，提高能源利用效率，發展清潔能源，從而降低碳排放；再如，將智能生產應用于制造業，在生產過程中利用智能化綠色生產方式可以減少資源浪費，提升能源利用效率，從而實現碳減排；此外，將人工智能技術應用于能源管理、資源利用和行政執法等環節，能夠提高行業能源利用效率和環保綜合效益，促進節能減排。

(2)人工智能技術有可能導致能源利用效率低下。人工智能技術早期發展依賴于數據中心和機器學習系統，數字化需求的迅速增長使得數據中心負載大幅提升，成為數字時代能耗激增的重要隱患。國家能源局發布的數據顯示，2020年我國數據中心耗電量突破2 000億千瓦時，已成為全球增長速度最快的耗能設備之一。可見，人工智能技術發展所產生的能源消耗需求攀升有可能會加劇能源消費，產生更多碳排放。

綜上所述，人工智能技術通過影響能源利用效率影響碳排放。人工智能技術對于能源利用效率的影響具有不確定性，處于不同發展階段的人工智能技術對能源利用效率的影響作用不同，人工智能技術與能源利用效率存在倒U型關系。據此，本文提出以下假設：

H2：人工智能技術通過影響能源利用效率作用于碳排放。

3 實證檢驗

3.1 模型設定

為考察人工智能技術對碳排放的影響，本文構建如下計量模型：

(1)

其中，i、t分別表示省份和年份；C代表CO2排放水平；AI代表人工智能技術水平；X為控制變量；μi、?t分別代表地區固定效應和時間固定效應，εit為隨機誤差項。

為進一步考察人工智能技術對碳排放的影響，本文借鑒Hayes & Preacher[25]、許和連等[26]的研究，采用非線性中介效應模型進行實證檢驗。模型設定如下：

(2)

(3)

其中，lnei為中介變量，其它變量與基準回歸模型中的變量含義一致。

3.2 變量選取

(1)CO2排放水平。本文借鑒已有文獻的普遍做法，采用各省份碳排放量(lnCO2)衡量CO2排放水平，并作對數化處理。

(2)人工智能技術。人工智能衡量方式主要有兩種：一是借助工業機器人數據對人工智能發展水平進行測量，主要檢驗人工智能對產業智能化升級、產業結構升級、生產率及就業的影響[27]；二是采用人工智能專利數據進行測量，將人工智能技術作為經濟社會領域的一項全面技術變革，探究其對整個經濟范式的影響。考慮到人工智能技術對碳排放的影響不只局限于產業智能化升級，而是更側重于通過技術變革實現全社會能源利用效率提升。因此，本文借鑒彭代彥等[28]的研究，采用人工智能專利申請量衡量人工智能技術發展水平。根據國家工業信息安全發展研究中心發布的《人工智能中國專利技術分析報告》關于人工智能類別的劃分，以深度學習、語音識別、自然語言處理、計算機視覺、智能駕駛、云計算和智能機器人7類技術為關鍵詞，在Patenthub全球專利數據庫中檢索2006—2019年中國內地30個省份人工智能領域專利申請量。

(3)控制變量。為控制其它因素的影響，在參考既有文獻的基礎上，將經濟發展水平、產業結構、對外開放水平設置為控制變量。①經濟發展水平(pgdp)：采用人均實際GDP衡量。徐斌等[29]研究表明，地區經濟發展水平通常與碳排放量正相關，經濟發展水平越高，經濟活動越頻繁，能源消費需求越大，生產、生活及交通運輸等領域的碳排放量也就越多；②人口規模(pop)：采用地區常住人口數衡量。已有研究證實，人口規模對碳排放具有顯著促進作用，能源需求和能源消費伴隨著人口數量增長而增長，相應產生的CO2排放量也會隨之增長；③對外開放程度(fdi)：采用實際利用外商直接投資額占地區生產總值的比重度量。當前，已有研究對FDI與碳排放之間的關系存有爭議，一方面，部分學者認為FDI引入會產生“污染避難所”效應和“碳泄漏”問題[30]；另一方面，也有部分學者認為FDI有利于促進節能減排技術的引入和應用，從而推動碳減排[31]；④產業結構(ind)：采用工業增加值占地區生產總值的比重衡量。工業部門是碳排放的主要來源，工業化率提升不利于碳減排；⑤城鎮化率(urban)：采用城鎮常住人口占總人口的比重衡量。城鎮化進程加快會導致能源消費需求增長，進一步導致碳排放量增長；⑥能源消費結構(es)：采用煤炭消費占能源消費總量的比重衡量。能源消費結構是影響碳排放的主要因素，煤炭等化石能源消費比重提升會加劇碳排放。

3.3 數據來源

本文利用2006—2019年中國內地30個省份(因西藏數據缺失，故未納入統計)面板數據為研究樣本，以2006年作為起始年份。原因在于：“十一五”時期，政府開始將節能減排作為約束性指標，這一政策可能對碳排放產生重要影響。各省份碳排放數據來源于中國碳核算數據庫(CEADs)，人工智能專利申請量數據來源于Patenthub專利數據庫，其它變量來源于《中國統計年鑒》《中國能源統計年鑒》及各省份統計年鑒。在變量處理方面，實際利用外商直接投資額采用當年人民幣對美元年平均匯率進行折算。為剔除價格因素的干擾，各類貨幣量指標均以2006年為基期進行平調。為降低異方差的影響，對非百分比數據進行對數化處理。此外，由于部分地區人工智能專利申請量為0，為便于比較，對原始數據加1再取對數。表1列示了主要變量的描述性統計結果。

表1 主要變量描述性統計結果Tab.1 Descriptive statistics of main variables

4 實證結果分析

4.1 基準回歸

表2列示了人工智能技術對碳排放影響的基準回歸結果。其中，第(1)列為人工智能技術對碳排放的線性影響系數。可以發現，人工智能技術估計系數在10%顯著性水平下不顯著，說明人工智能技術未對碳排放產生顯著影響，但這并不代表人工智能在整個發展階段對碳排放水平的影響作用有限。第(2)、(3)列為人工智能技術對碳排放的非線性影響系數。從中可見，在加入人工智能技術二次項后，人工智能技術一次項估計系數在1%顯著性水平下顯著為正，二次項系數在1%顯著性水平下顯著為負，表明人工智能技術與碳排放之間呈倒U型關系，即碳排放水平隨著人工智能技術提升呈先升后降趨勢。由于以二次項形式判斷非線性關系容易造成極值點識別誤差，因此本文借鑒Lind & Mehlum[32]的研究，進一步檢驗拐點兩側區間是否存在相反的單調性。由表2可知，無論是以碳排放量還是以人均碳排放量作為被解釋變量，倒U型拐點值(3.821)均落入數據范圍內，且拐點值兩邊斜率顯著不同，假設H1得證。原因可能在于，在初始發展階段，人工智能技術的廣泛應用以及數據中心基礎設施的大規模建設會加劇區域用電量和能源消耗，同時人工智能技術進步推動通信技術及相關產業發展，也增加了能源消耗需求，從而導致區域碳排放增長。

4.2 穩健性檢驗

進一步，本文對基準結果進行穩健性檢驗，以確保模型估計結果的可靠性。借鑒已有文獻做法，采用以下方法：①更換估計方法，面板數據分析存在組間異方差與同期相關問題，有可能對估計結果產生不良影響，因此本文采用面板矯正標準誤回歸模型(PCSE)重新估計，結果如表3第(1)列所示；②替換被解釋變量，除碳排放量外，人均CO2排放量也常用于衡量地區碳排放水平，估計結果如表3第(2)列所示；③剔除極端值的影響，在基準回歸模型中，極端值有可能對回歸結果造成干擾，因此本文對被解釋變量進行上下5%的縮尾處理后重新進行回歸分析，結果如表3第(3)列所示。上述穩健性檢驗結果表明，人工智能技術與碳排放之間呈現倒U型關系的結論得到進一步證實。

表2 人工智能技術對碳排放影響的基準回歸結果Tab.2 Baseline regression of the impact of AI technologies on carbon emissions

表3 穩健性檢驗結果Tab.3 Robustness test results

由于參數估計模型對變量進行了較強的設定，因此有可能產生較大的設定誤差。為此，本文脫離參數分析框架，進一步采用面板半參數模型估計人工智能技術對碳排放水平的影響，圖1展示了面板半參數模型估計結果。可以發現，以碳排放量作為被解釋變量，人工智能技術與碳排放水平之間呈顯著倒U型關系，且拐點值在4附近。可見，即使更換估計模型，人工智能技術與碳排放水平之間呈現倒U型關系的結論依然成立。

圖1 面板半參數模型估計結果Fig.1 Estimation of panel semi-parametric model

5 拓展性分析

5.1 機制檢驗

進一步，本文利用公式(2)和公式(3)考察人工智能技術是否通過影響能源利用效率對碳排放產生影響，能源利用效率采用能源消費總量與實際GDP的比值計算而得，表4列示了中介效應檢驗結果。其中，第(1)列結果顯示，人工智能技術系數在1%顯著性水平上顯著為正，二次項系數在1%顯著性水平上顯著為負，說明人工智能技術與能源利用效率之間呈顯著倒U型關系，且當人工智能專利水平超過拐點值4.11后，人工智能技術促進能源利用效率提升。第(2)列結果顯示，人工智能技術一次項系數和二次項系數在1%水平上分別顯著為正、為負。這表明，即使考慮能源強度對碳排放的影響，人工智能技術依然與碳排放具有倒U型關系。與此同時，能源利用效率系數也在1%水平上顯著為正，說明能源利用效率提升是抑制碳排放的主要途徑，假設H2得到驗證。

5.2 異質性檢驗

由于中國各地區經濟發展水平不同，地區之間往往存在著較大的數字鴻溝，東部地區人工智能技術水平明顯高于中部和西部地區。那么，人工智能技術對碳排放的影響是否存在區域差異？為回答這一問題，本文將樣本劃分為東部、中部和西部地區進行回歸分析。由表5可知，對于東部地區而言，人工智能技術一次項系數不顯著，二次項系數顯著為負，說明人工智能技術與碳排放水平在東部地區同樣呈現倒U型關系。其中，倒U型曲線拐點值為2.572，明顯小于基準回歸中的拐點值。這表明，隨著人工智能技術發展及碳減排工作的深入推進，東部地區省份在“碳達峰、碳中和”目標實現過程中發揮“領頭羊”作用，利用人工智能技術的正外部效應，以局部帶動全局碳減排。與東部地區不同，雖然中部地區人工智能技術一次項系數在1%水平上顯著為正、二次項系數顯著為負，也呈現倒U型曲線特征，但未通過U-Test檢驗，拐點值位于數據最右端且不顯著。這表明，中部地區人工智能技術與碳排放呈正相關關系，即中部地區人工智能技術非但沒有實現碳減排效應反而增加了碳排放。原因在于：山西、安徽等中部地區省份煤炭資源豐富，傳統化石能源消費居高不下，電力生產及其它能源產業發展高度依賴于煤炭，人工智能技術發展反而增加了碳排放量。西部地區與全國整體結果相似，人工智能技術一次項系數顯著為正、二次項系數顯著為負，說明西部地區人工智能技術對碳排放的影響呈倒U型關系。這表明，西部地區可再生能源豐富，人工智能技術隨著可再生能源產業發展對碳排放起抑制作用。

表4 能源利用效率中介效應檢驗結果Tab.4 Mediation effect test of energy efficiency

表5 異質性檢驗結果Tab.5 Heterogeneity test

6 研究結論與政策啟示

6.1 研究結論

作為新一輪技術革命和產業變革的關鍵驅動力，人工智能技術對于實現“碳達峰、碳中和”目標發揮重要作用。本文基于2006—2019年中國內地30個省份面板數據，考察人工智能技術對碳排放的影響，得出如下結論：①在全國整體層面，人工智能技術對碳排放的影響呈倒U型關系，即當人工智能技術水平達到一定閾值后，碳減排效應逐漸凸顯，穩健性檢驗結果也驗證了這一結論；②中介效應檢驗結果表明，人工智能技術對碳排放的影響主要通過能源利用效率實現；③異質性分析結果表明，人工智能技術對碳排放的影響存在顯著區域差異，在東部和西部地區，人工智能技術與碳排放之間呈顯著倒U型關系，而在中部地區，人工智能技術未達到碳減排效果，反而加劇了碳排放。

6.2 政策啟示

根據上述研究結論，本文提出如下政策啟示：

(1)提升我國人工智能技術綠色低碳發展水平。在人工智能技術發展初期階段，大力普及人工智能技術不僅難以對碳排放產生抑制作用，反而有可能造成碳排放激增。因此，一方面，需要加強人工智能關鍵技術研發，尤其在綠色低碳研發與應用領域，推動人工智能與綠色低碳產業深度融合，促進人工智能與綠色低碳技術發展。另一方面，完善人工智能技術、數字中心等新型基礎設施能耗考核體系，以綠色低碳為發展導向開發人工智能技術。例如，開展綠色數據中心評估與建設，加強零碳數據中心關鍵技術研發，優化低碳數據中心能效方案。

(2)由于區域發展水平、產業結構和能源消耗不同，發展人工智能技術不一定能實現碳減排。因此，應充分發揮本地區比較優勢，因地制宜地制定針對性、差異化政策，合理劃定人工智能技術應用范圍和程度。對于碳鎖定效應較強的中部省份，應加快能源消費結構轉型，避免盲目跟風；對于碳減排發揮“領頭羊”作用的東部地區而言，應利用人工智能技術對現代產業鏈實行低碳化、數字化與智能化改造，提升產業綠色發展水平，當跨過碳減排拐點后，將低碳技術發展與地區發展相結合；對于西部地區而言，應利用人工智能技術對傳統產業進行綠色化和現代化改造，同時加強東數西算布局，完善人工智能產業綠色績效考核體系。

6.3 不足與展望

本文存在一些不足：①由于缺乏企業層面人工智能技術應用數據，未從微觀視角考察人工智能技術對碳排放的影響；②僅選取中國省級層面數據，研究結論可能只適用于中國，而不適用于其它國家。未來可探討微觀層面人工智能技術碳減排作用機制，利用多國數據對不同樣本國家人工智能技術對能源結構、發展水平、產業結構的碳減排效應進行測度。