人工智能技術(shù)對雙碳目標(biāo)實(shí)現(xiàn)的賦能效應(yīng)研究

[摘要]人工智能技術(shù)是伴隨計(jì)算機(jī)技術(shù)的研究使用逐步發(fā)展起來的一種新型技術(shù)。人工智能技術(shù)的發(fā)展在能耗方案優(yōu)化、節(jié)能減排以及提高能源利用效率等方面發(fā)揮了降低中國城市能耗碳排放強(qiáng)度的作用。研究如何從人工智能技術(shù)出發(fā)，通過影響產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、工業(yè)技術(shù)創(chuàng)新、工業(yè)生產(chǎn)效率和環(huán)境污染治理效率等中間因素，從而實(shí)現(xiàn)雙碳目標(biāo)，對我國經(jīng)濟(jì)的高質(zhì)量發(fā)展具有重要的理論與現(xiàn)實(shí)意義。利用2012—2021年中國30個(gè)省域面板數(shù)據(jù)，基于空間Durbin模型，從固定效應(yīng)的分解檢驗(yàn)、穩(wěn)健性檢驗(yàn)、異質(zhì)性檢驗(yàn)、實(shí)現(xiàn)路徑檢驗(yàn)等角度實(shí)證研究人工智能技術(shù)對碳排放強(qiáng)度的影響。研究發(fā)現(xiàn)：人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融指數(shù)以及環(huán)境規(guī)制程度三個(gè)驅(qū)動(dòng)因素均對省域的城市能耗碳排放強(qiáng)度具有負(fù)向影響，也就是對城市能耗碳排放強(qiáng)度的上升具有抑制作用，人均工業(yè)增加值占比、城市化水平以及工業(yè)能耗強(qiáng)度對省域的城市能耗碳排放強(qiáng)度具有正向影響。產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、工業(yè)技術(shù)創(chuàng)新、工業(yè)生產(chǎn)效率和環(huán)境污染治理效率對能耗碳排放強(qiáng)度產(chǎn)生的中介效應(yīng)均顯著為負(fù)，即對省域的城市能耗碳排放強(qiáng)度具有中間抑制效應(yīng)。

[關(guān)鍵詞]人工智能指數(shù)；碳排放強(qiáng)度；雙碳目標(biāo)；中介效應(yīng)

一、 引言及文獻(xiàn)綜述

氣候變化已經(jīng)成為人類面臨的最為緊迫的全球性危機(jī)，極端天氣事件頻發(fā)、海平面上升、生態(tài)系統(tǒng)失衡等一系列問題正嚴(yán)重威脅人類的生存環(huán)境以及經(jīng)濟(jì)發(fā)展?fàn)顩r。近年來，我國政府高度重視節(jié)能減排工作，積極推進(jìn)能源結(jié)構(gòu)調(diào)整和技術(shù)創(chuàng)新，以期在實(shí)現(xiàn)經(jīng)濟(jì)增長的同時(shí)降低碳排放。然而，傳統(tǒng)的節(jié)能減排手段在面對復(fù)雜多變的能源需求和生產(chǎn)方式時(shí)，逐漸顯現(xiàn)局限性。人工智能利用計(jì)算機(jī)模擬人的思維過程和智能行為，將人工智能應(yīng)用于能耗及碳減排領(lǐng)域制定差異化發(fā)展政策，可以促進(jìn)能耗碳排放強(qiáng)度的持續(xù)降低。根據(jù)國家統(tǒng)計(jì)局提供的統(tǒng)計(jì)數(shù)據(jù)，2024年中國全年能源消費(fèi)總量為59.6億噸標(biāo)準(zhǔn)煤，比上年增長4.3%，扣除原料用能和非化石能源消費(fèi)量后，全國萬元國內(nèi)生產(chǎn)總值能耗比上年下降3.8%1。雖然我國近年來在碳減排領(lǐng)域取得了一定的成績，但是能耗碳排放強(qiáng)度仍高于全球平均水平。因此，在這種情況下，研究人工智能技術(shù)對省域能耗碳排放強(qiáng)度的影響及空間效應(yīng)檢驗(yàn)具有重要性和緊迫性。

為本文提供理論支撐的文獻(xiàn)主要有兩支，一支是研究人工智能技術(shù)賦能效應(yīng)的文獻(xiàn)。人工智能是計(jì)算機(jī)發(fā)展及其應(yīng)用的必然趨勢，伴隨“機(jī)器學(xué)習(xí)”的不斷發(fā)展，統(tǒng)計(jì)學(xué)、信息論以及控制論等逐步引入計(jì)算機(jī)應(yīng)用。發(fā)達(dá)國家對人工智能的研究始于20世紀(jì)60年初期，中國學(xué)者對人工智能的研究始于20世紀(jì)70年代末期[1-3]。在能耗與碳排放領(lǐng)域，人工智能技術(shù)通過優(yōu)化工業(yè)生產(chǎn)過程、智能電網(wǎng)和智能建筑等應(yīng)用，展現(xiàn)降低能耗和碳排放的巨大潛力 [4-5]。在產(chǎn)業(yè)智能化方面，人工智能技術(shù)通過提升生產(chǎn)效率和優(yōu)化資源配置，推動(dòng)產(chǎn)業(yè)綠色轉(zhuǎn)型[6]。在政策制定和監(jiān)管領(lǐng)域，人工智能技術(shù)的應(yīng)用有助于更準(zhǔn)確地監(jiān)測和評(píng)估能耗與碳排放情況，為政策制定提供科學(xué)依據(jù)[7]。應(yīng)用人工智能技術(shù)對生產(chǎn)過程中能耗的監(jiān)測和管理、對減少碳排放至關(guān)重要，這有利于加強(qiáng)可持續(xù)發(fā)展，從而促進(jìn)提升環(huán)境和品牌形象[8]。環(huán)境規(guī)制強(qiáng)度能顯著提升區(qū)域綠色創(chuàng)新效率，政府應(yīng)通過制定財(cái)政制度等手段加大環(huán)境規(guī)制強(qiáng)度，提升區(qū)域綠色創(chuàng)新效率[9]。此外，人工智能技術(shù)不僅可以顯著提升工業(yè)綠色全要素生產(chǎn)率，還可以催生新質(zhì)生產(chǎn)力，通過創(chuàng)造新的就業(yè)機(jī)會(huì)和促進(jìn)產(chǎn)業(yè)升級(jí)，推動(dòng)經(jīng)濟(jì)可持續(xù)發(fā)展[10]。人工智能對區(qū)域碳排放的影響，主要通過機(jī)制識(shí)別與回彈效應(yīng)來實(shí)現(xiàn)，也就是主要通過改進(jìn)能源效率間接促進(jìn)能耗碳減排，通過產(chǎn)業(yè)結(jié)構(gòu)調(diào)整以及市場化水平提升等促進(jìn)區(qū)域碳排放強(qiáng)度的降低[11]。人工智能可以通過產(chǎn)業(yè)集聚的知識(shí)溢出效應(yīng)、中間品投入共享效應(yīng)提升碳排放效率，通過發(fā)展人工智能技術(shù)加強(qiáng)產(chǎn)業(yè)集聚，構(gòu)建長江經(jīng)濟(jì)帶綠色低碳產(chǎn)業(yè)體系，有助于降低區(qū)域碳減排強(qiáng)度[12]。

另一支是研究雙碳目標(biāo)實(shí)現(xiàn)路徑的文獻(xiàn)。雙碳目標(biāo)的實(shí)現(xiàn)需要在理念創(chuàng)新、技術(shù)創(chuàng)新及環(huán)境規(guī)制的基礎(chǔ)上，推動(dòng)企業(yè)綠色轉(zhuǎn)型發(fā)展[13]。數(shù)字經(jīng)濟(jì)能夠促進(jìn)企業(yè)持續(xù)綠色創(chuàng)新，底層技術(shù)在數(shù)字經(jīng)濟(jì)與企業(yè)可持續(xù)發(fā)展之間存在中介效應(yīng)，最終有利于雙碳目標(biāo)的實(shí)現(xiàn)[14]。數(shù)字化轉(zhuǎn)型對環(huán)境績效具有顯著正向影響，當(dāng)區(qū)域環(huán)境規(guī)制強(qiáng)度較高時(shí)，其驅(qū)動(dòng)效應(yīng)更強(qiáng)，即環(huán)境規(guī)制強(qiáng)度提高有利于抑制能耗碳排放強(qiáng)度[15]。綠色技術(shù)進(jìn)步能夠有力推動(dòng)中國低碳轉(zhuǎn)型，其推動(dòng)作用受到環(huán)境規(guī)制強(qiáng)度雙重門檻效應(yīng)的影響，即提高環(huán)境規(guī)制強(qiáng)度時(shí)，綠色技術(shù)進(jìn)步對中國低碳轉(zhuǎn)型的驅(qū)動(dòng)作用更大，對雙碳目標(biāo)的實(shí)現(xiàn)產(chǎn)生更積極的賦能作用[16]。低碳城市試點(diǎn)政策能夠誘發(fā)企業(yè)綠色技術(shù)創(chuàng)新，表現(xiàn)為能源節(jié)約和替代能源生產(chǎn)類專利申請數(shù)量的顯著提升，其效應(yīng)對高碳行業(yè)、非國有企業(yè)綠色技術(shù)創(chuàng)新的誘發(fā)作用更為顯著[17-18]。碳達(dá)峰需要平衡清潔能源發(fā)展速度與能源需求增長速度之間的關(guān)系，尋求最優(yōu)方案以控制碳排放峰值，同時(shí)結(jié)合資源稟賦、技術(shù)儲(chǔ)備等因素采納應(yīng)用低碳技術(shù)，盡可能降低化石能源消耗的占比[19-20]。實(shí)現(xiàn)“碳中和”目標(biāo)，應(yīng)進(jìn)一步提高能源利用效率，持續(xù)推進(jìn)以清潔能源為主的能源結(jié)構(gòu)優(yōu)化，大力推進(jìn)電力系統(tǒng)深度脫碳，以降低能源消耗碳減排強(qiáng)度[21]。

人工智能技術(shù)已經(jīng)成為控制與降低碳排放強(qiáng)度的一種有效手段。對人工智能技術(shù)的研究發(fā)達(dá)國家早于我國，由于社會(huì)制度的私有化，發(fā)達(dá)國家關(guān)于人工智能對能耗碳排放的研究大多限于微觀層次，使人工智能對能耗碳排放的控制范圍和效果都相對較小；不同于發(fā)達(dá)國家以及其他發(fā)展中國家，我國研究人工智能對能耗碳排放強(qiáng)度的控制側(cè)重于宏觀層次，追求全面的能耗碳排放強(qiáng)度降低，這是我國政府發(fā)布“雙碳”目標(biāo)及相關(guān)支持政策的結(jié)果。人工智能可以充分利用學(xué)習(xí)模型、科學(xué)合理的規(guī)劃設(shè)計(jì)、合理安排能源消耗以及其他有效手段，通過調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、生產(chǎn)效率、促進(jìn)技術(shù)進(jìn)步等最大限度降低能耗碳排放強(qiáng)度，促進(jìn)我國能耗的可持續(xù)發(fā)展。

本文可能的邊際貢獻(xiàn)主要體現(xiàn)在：第一，拓展研究碳排放強(qiáng)度影響機(jī)理的理論邊界。既有文獻(xiàn)主要從數(shù)字經(jīng)濟(jì)、產(chǎn)業(yè)政策和綠色創(chuàng)新等視角研究碳排放強(qiáng)度的影響因素和抑制路徑。本文將人工智能創(chuàng)新發(fā)展指數(shù)作為研究對象，系統(tǒng)分析其對碳排放強(qiáng)度的影響及作用機(jī)制。第二，深化人工智能對碳排放強(qiáng)度中介影響的理論深度。本文從產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、工業(yè)技術(shù)創(chuàng)新、工業(yè)生產(chǎn)效率和環(huán)境污染治理效率四個(gè)視角對碳排放強(qiáng)度的間接影響進(jìn)行詳細(xì)解構(gòu)，盡可能對中介效應(yīng)分析進(jìn)行全面刻畫。第三，豐富人工智能賦能雙碳目標(biāo)實(shí)現(xiàn)的經(jīng)驗(yàn)證據(jù)。本文以“合肥指數(shù)”為核心解釋變量，實(shí)證檢驗(yàn)人工智能賦能雙碳目標(biāo)實(shí)現(xiàn)的具體路徑，為降低能耗碳排放強(qiáng)度，促進(jìn)經(jīng)濟(jì)可持續(xù)發(fā)展提供有益參考。

二、 理論分析與研究假設(shè)

1. 碳排放強(qiáng)度內(nèi)涵的界定

2020年，習(xí)近平總書記向全世界提出了中國經(jīng)濟(jì)發(fā)展一定要實(shí)現(xiàn)的“雙碳”目標(biāo)，即在2030年前實(shí)現(xiàn)碳達(dá)峰，在2060年前實(shí)現(xiàn)碳中和1。碳中和是指標(biāo)的物溫室氣體排放導(dǎo)致大氣中全球溫室氣體排放量凈增長為零的情形和狀態(tài)，即計(jì)算標(biāo)的物溫室氣體排放量，然后通過植樹等方式進(jìn)行抵消，從而達(dá)到“零”碳排放的目的。碳排放強(qiáng)度是指每單位國民生產(chǎn)總值的增長帶來的二氧化碳排放量，它是一個(gè)重要的環(huán)境指標(biāo)，用于衡量一個(gè)國家或地區(qū)的經(jīng)濟(jì)發(fā)展與碳排放之間的關(guān)系。如果一個(gè)國家在經(jīng)濟(jì)增長的同時(shí)，能夠降低每單位GDP帶來的二氧化碳排放量，即降低碳排放強(qiáng)度，那么這個(gè)國家就被認(rèn)為實(shí)現(xiàn)了可持續(xù)的經(jīng)濟(jì)發(fā)展模式。根據(jù)碳排放強(qiáng)度的定義，其計(jì)算公式為：

碳排放強(qiáng)度=[碳排放規(guī)模（億噸）GDP（億元）] （1）

2. 人工智能對城市能耗碳排放強(qiáng)度的影響機(jī)制分析

（1）人工智能對能耗碳排放強(qiáng)度的抑制作用。人工智能主要是充分利用計(jì)算機(jī)的強(qiáng)大運(yùn)算以及處理數(shù)據(jù)的功能，通過合理規(guī)劃能耗碳排放強(qiáng)度的控制方案、充分利用不同資源、優(yōu)化與修正控制策略以及選擇高效路徑等實(shí)現(xiàn)省域能耗碳排放強(qiáng)度有效控制的新興技術(shù)與方法。本文根據(jù)選定的中國省域能耗碳排放強(qiáng)度驅(qū)動(dòng)因素組合變量控制機(jī)理，分析變量組合對中國省域碳排放強(qiáng)度的影響過程，構(gòu)建影響省域碳排放強(qiáng)度理論模型，如圖1所示。

lt;E：＼2025-3＼圖片＼換17頁圖1.pnggt;

圖1 人工智能技術(shù)影響能源消耗碳排放強(qiáng)度的理論模型

圖1展示了人工智能技術(shù)及其控制變量組合對中國省域能耗碳排放強(qiáng)度的影響路徑。根據(jù)人工智能在能耗碳排放強(qiáng)度控制實(shí)踐及其效果證實(shí)，人工智能技術(shù)主要是通過優(yōu)化能耗碳排放方案、節(jié)能減排、提高能耗排放效率等多種途徑對能耗碳排放強(qiáng)度產(chǎn)生明顯的抑制作用。并且，人工智能對能耗碳排放強(qiáng)度的影響具有明顯的異質(zhì)性特征，管理者可以通過人工智能對碳排放控制的區(qū)域差異，實(shí)現(xiàn)有效控制節(jié)能減排、降低能耗碳排放強(qiáng)度的目的。基于以上理論分析，本文提出以下假設(shè)：

假設(shè)1：人工智能對能耗碳排放強(qiáng)度具有明顯的抑制作用。

（2）人工智能對能耗碳排放強(qiáng)度影響的驅(qū)動(dòng)路徑。人工智能技術(shù)對能耗碳排放的影響，包括直接影響和間接影響兩個(gè)部分。直接影響是通過解釋變量以及控制變量的作用直接產(chǎn)生的，間接影響主要是指通過中介變量發(fā)揮的作用。本文主要從間接影響視角展開研究，人工智能技術(shù)可以促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)，使技術(shù)密集型產(chǎn)業(yè)的比重有所上升，而技術(shù)密集型產(chǎn)業(yè)通常處于較低的碳排放水平。利用人工智能技術(shù)，可以有效實(shí)現(xiàn)工業(yè)技術(shù)創(chuàng)新，工業(yè)技術(shù)創(chuàng)新和技術(shù)進(jìn)步有助于工業(yè)生產(chǎn)效率的提升，這無疑會(huì)對碳排放的降低產(chǎn)生積極的影響。此外，將人工智能技術(shù)應(yīng)用于環(huán)境污染治理領(lǐng)域，可以更科學(xué)地分析環(huán)境污染存在的主要問題，針對其采用更有效的治理措施，顯著提高環(huán)境污染治理效率。在中國人工智能影響碳排放強(qiáng)度的過程中，工業(yè)發(fā)展主要通過產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、工業(yè)技術(shù)創(chuàng)新、工業(yè)生產(chǎn)效率和環(huán)境污染治理效率四個(gè)中介變量對省域城市工業(yè)能耗碳排放強(qiáng)度產(chǎn)生作用。因此，本文提出以下假設(shè)：

假設(shè)2：驅(qū)動(dòng)因素主要通過中介變量對省域城市能耗碳排放強(qiáng)度產(chǎn)生影響。

（3）人工智能對能耗碳排放強(qiáng)度抑制作用的空間溢出效應(yīng)。人工智能技術(shù)對省域城市能耗碳排放強(qiáng)度產(chǎn)生的抑制作用，存在明顯的空間溢出效應(yīng)，主要表現(xiàn)為技術(shù)外溢效應(yīng)、產(chǎn)業(yè)關(guān)聯(lián)效應(yīng)以及資源共享效應(yīng)等特征。GDP高水平城市以及沿海城市經(jīng)濟(jì)發(fā)展水平較高，應(yīng)用人工智能技術(shù)的基礎(chǔ)較好，在自身技術(shù)創(chuàng)新和技術(shù)進(jìn)步的同時(shí)，可以通過技術(shù)外溢、產(chǎn)業(yè)關(guān)聯(lián)以及資源共享等形式，促進(jìn)其他城市技術(shù)水平的提高，進(jìn)而帶動(dòng)其他城市能耗碳排放強(qiáng)度降低。因此，人工智能技術(shù)可以通過促進(jìn)資源整合實(shí)現(xiàn)節(jié)能減排，通過產(chǎn)業(yè)結(jié)構(gòu)調(diào)整以及綠色技術(shù)進(jìn)步降低省域城市能耗碳排放強(qiáng)度。因此，本文提出以下假設(shè)：

假設(shè)3：人工智能技術(shù)對省域城市能耗碳排放強(qiáng)度的抑制作用存在明顯的空間溢出效應(yīng)。

三、 研究設(shè)計(jì)

1. 中國省域能耗碳排放強(qiáng)度的測度

本文實(shí)證檢驗(yàn)采用的基礎(chǔ)數(shù)據(jù)來自國家及各省區(qū)市《統(tǒng)計(jì)年鑒》《能源統(tǒng)計(jì)年鑒》以及《環(huán)境狀況公報(bào)》，為了計(jì)算中國省域能耗碳排放強(qiáng)度，利用Kaya模型擴(kuò)展得到相關(guān)變量，在估算各省域能耗碳排放規(guī)模的基礎(chǔ)上，利用估算的省域能耗碳排放規(guī)模與各省域的GDP規(guī)模計(jì)算各省域能耗碳排放強(qiáng)度，具體計(jì)算過程如下：

能源消耗碳排放量[E（CO2）t]的估算。由于能耗碳排放最終都會(huì)轉(zhuǎn)化為CO2，因此碳排放實(shí)際上就是CO2排放。我國新型城鎮(zhèn)化中的碳排放主要表現(xiàn)為能源消耗排放，包括生產(chǎn)經(jīng)營能源消耗產(chǎn)生的碳排放和居民生產(chǎn)消耗能源產(chǎn)生的碳排放。為了測度我國新型城鎮(zhèn)化中能源消耗產(chǎn)生的碳排放規(guī)模，借鑒《2016年IPCC國家溫室氣體清單指南》推薦的能源消耗碳排放量計(jì)量方法，根據(jù)《中國能源統(tǒng)計(jì)年鑒》對能源的統(tǒng)計(jì)分類，本文選擇煤炭、焦炭、原油、燃料油、汽油、煤油、柴油和天然氣等八種能源形式。采用[EC]表示中國城市化建設(shè)中能源消耗的碳排放規(guī)模，采用[SCCit]表示第[i]種能源標(biāo)準(zhǔn)煤折算系數(shù)，[CEFit]為第[i]種能源碳排放系數(shù)，城鎮(zhèn)化建設(shè)中能耗碳排放規(guī)模測算公式可以表示如下：

[ECt=i=1mECt×SCCt×CEFt]" （2）

上式中，[i=1，2，…，m；t=1，2，…，n]。過高的CO2排放會(huì)產(chǎn)生溫室氣體效應(yīng)，這種溫室氣體效應(yīng)會(huì)對人類的生存環(huán)境造成嚴(yán)重的威脅，影響居民健康。根據(jù)CO2的分子結(jié)構(gòu)，二氧化碳的分子量為44，其中碳元素的分子量為12。如果采用[ECO2t]表示人均CO2排放量，則有：

[ECO2t=ECt×4412] （3）

本文根據(jù)2016年《中國能源統(tǒng)計(jì)年鑒》附錄中各種能源折算標(biāo)準(zhǔn)煤參考系數(shù)，以及《2016年IPCC國家溫室氣體排放清單指南》的碳排放系數(shù)，歸納匯總中國省域城市能耗標(biāo)準(zhǔn)折算系數(shù)及碳排放系數(shù)，確定省域城市能耗碳排放模型的參數(shù)（表1）。

表1 主要石化燃料的標(biāo)準(zhǔn)煤折算系數(shù)以及碳排放系數(shù)一覽表

[燃料名稱 煤炭 焦煤 原油 原料油 汽油 煤油 柴油 天然氣 [SCCit] 0.7143 0.9714 1.4286 1.4286 1.4714 1.4714 1.4571 1.3300 [CEFit] 0.7559 0.8550 0.5538 0.5857 0.5921 0.5714 0.6185 0.4483 ]

能源消耗碳排放強(qiáng)度（[ECIt]）是能源消耗產(chǎn)生的CO2排放總量與同期GDP的比值，反映單位GDP產(chǎn)生的CO2排放規(guī)模，本文在測度能源消耗CO2排放量的基礎(chǔ)上，利用測度結(jié)果以及《中國統(tǒng)計(jì)年鑒》中GDP的統(tǒng)計(jì)資料計(jì)算得到能源消費(fèi)CO2排放強(qiáng)度的結(jié)果。根據(jù)能耗碳排放強(qiáng)度的含義以及相應(yīng)基礎(chǔ)數(shù)據(jù)，確認(rèn)第[t]期的能耗碳排放強(qiáng)度的計(jì)算公式為：

[ECIt=ECO2tGDPt] （4）

2. 數(shù)據(jù)來源及研究思路

為了檢驗(yàn)人工智能技術(shù)對中國省域能耗碳排放的影響及其空間效應(yīng)，本文選擇中國30個(gè)省域（基于數(shù)據(jù)可得性，不包括港澳臺(tái)和西藏地區(qū)）作為研究對象，根據(jù)中國省域能耗碳排放強(qiáng)度的驅(qū)動(dòng)因素，從人工智能驅(qū)動(dòng)因素視角選擇人工智能創(chuàng)新發(fā)展指數(shù)作為解釋變量，采用中國電子信息產(chǎn)業(yè)發(fā)展研究院2022年在安徽合肥發(fā)布的中國人工智能創(chuàng)新發(fā)展指數(shù)（簡稱為“合肥指數(shù)”，用AII表示）衡量；確定數(shù)字金融指數(shù)、人均GDP水平、城市化水平、環(huán)境規(guī)制強(qiáng)度和工業(yè)能耗強(qiáng)度等五個(gè)控制變量，來研究解釋變量與控制變量組合對中國省域能耗碳排放強(qiáng)度的影響程度。控制變量中的數(shù)字金融指數(shù)使用《北京大學(xué)數(shù)字普惠金融指數(shù)2022》，用DFI表示；人均工業(yè)增加值占比使用國家統(tǒng)計(jì)局發(fā)布的各省域GDP規(guī)模與同期各省域期末常住人口計(jì)算，用PGL表示；城市化水平使用國家統(tǒng)計(jì)局發(fā)布的各省域的統(tǒng)計(jì)指標(biāo)數(shù)據(jù)，用UL表示；環(huán)境規(guī)制強(qiáng)度反映環(huán)境規(guī)制成本與環(huán)境污染區(qū)域總產(chǎn)值的占比，本文借鑒劉榮增等[22]的方法，使用各省域的工業(yè)污染治理投資完成額占第二產(chǎn)業(yè)的比重衡量環(huán)境規(guī)制強(qiáng)度，用ERI表示；工業(yè)能耗強(qiáng)度反映單位工業(yè)增加值所消耗的能源量，用IECI表示。本文利用國家統(tǒng)計(jì)局以及各省域的《統(tǒng)計(jì)年鑒》《生態(tài)環(huán)境狀況公報(bào)》《能源統(tǒng)計(jì)年鑒》《城市統(tǒng)計(jì)年鑒》等統(tǒng)計(jì)資料，通過測度中國各省域的能耗碳排放強(qiáng)度的指標(biāo)，收集整理了研究對象的基礎(chǔ)數(shù)據(jù)資料。由于“合肥指數(shù)”的數(shù)據(jù)截至2021年，因此，本文選擇的數(shù)據(jù)為2012—2021年的基礎(chǔ)數(shù)據(jù)。本文的研究思路如圖2所示。

lt;E：＼2025-3＼圖片＼換19頁圖2.pnggt;

圖2 本文的研究思路

3. 空間Durbin模型的設(shè)定

為檢驗(yàn)人工智能技術(shù)對省域城市能耗碳排放強(qiáng)度的空間溢出效應(yīng)，本文在空間模型基礎(chǔ)上采用Durbin空間模型，在綜合分析的基礎(chǔ)上選擇空間相鄰矩陣、經(jīng)濟(jì)權(quán)重矩陣以及空間經(jīng)濟(jì)地理權(quán)重矩陣。空間相鄰矩陣是反映省域相鄰城市之間關(guān)系的矩陣，相鄰城市為1，不相鄰城市為0；經(jīng)濟(jì)權(quán)重矩陣反映兩個(gè)省域城市之間的經(jīng)濟(jì)發(fā)展水平關(guān)系，采用兩個(gè)城市之間GDP規(guī)模差額的倒數(shù)來表示；空間經(jīng)濟(jì)地理權(quán)重矩陣是空間相鄰矩陣與經(jīng)濟(jì)權(quán)重矩陣的加權(quán)平均值。如果用W1表示空間相鄰矩陣，用W2表示經(jīng)濟(jì)權(quán)重矩陣，用W3表示空間經(jīng)濟(jì)地理權(quán)重矩陣，則三個(gè)矩陣可以表示如下：

[W1=1000010000?00001；][W2=GDPj-GDPi-1]；[W3=ξ1000010000?00001+（1-ξ）W2] （5）

上式中[ξ]為[W3]的權(quán)值系數(shù)，按照空間權(quán)值理論，一般選擇[ξ]=0.4，使[W3]的值上偏向于[W2]。為檢驗(yàn)人工智能及其控制變量對中國省域城市能耗碳排放強(qiáng)度影響的溢出效應(yīng)，引入Moran’s I指數(shù)，利用Moran’s I指數(shù)的空間檢驗(yàn)結(jié)果判斷自變量對因變量影響的狀況。Moran’s I是1950年被提出并開始使用的統(tǒng)計(jì)檢驗(yàn)方法，根據(jù)Moran’s I理論，當(dāng)Moran’s I取值范圍在[-1，1]區(qū)間內(nèi)， Moran’s Igt;0時(shí)表示具有空間正相關(guān)性，Moran’s I的值越大空間相關(guān)性越顯著; Moran’s Ilt;0時(shí)表示具有空間負(fù)相關(guān)性，Moran’s I的值越小空間差異越大，當(dāng)Moran’s I=0時(shí)，空間呈隨機(jī)性。Moran’s I的計(jì)算公式如下：

[I=ni=1nj=1nwij?xi-x?xj-xi=1nxj-x2?i=1nj=1nwij] （6）

根據(jù)統(tǒng)計(jì)理論與方法，一般使用標(biāo)準(zhǔn)統(tǒng)計(jì)量Z指標(biāo)來檢驗(yàn)指標(biāo)的顯著性水平，Moran’s I的標(biāo)準(zhǔn)統(tǒng)計(jì)量使用以下模型來計(jì)算Z值，具體計(jì)量模型如下：

[Z=I-EI?VarI-1/2]" （7）

為了提高變量空間檢驗(yàn)的效果，本文引入C空間統(tǒng)計(jì)量，記為Geary’s C，這一指標(biāo)通常被稱為愛爾蘭鄰接比，計(jì)算公式如下：

[C=n-1i=1nj=1nwij?xi-xj22i=1nj=1nwij?i=1nxi-x2=n-1i=1nj=1nwij?xi-xj22nS2i=1nj=1nwij]" （8）

式（8）中，[wij]是變量[x]差方的相對權(quán)值，n為變量個(gè)數(shù)，S是變量[x]的標(biāo)準(zhǔn)差。這一指標(biāo)的值域可以表示為Geary’s C[?][0，2]，當(dāng)Geary’s C=1時(shí)表示沒有空間自相關(guān)。當(dāng)Geary’s Clt;1時(shí)表明正向空間自相關(guān)，當(dāng)Geary’s Cgt;1時(shí)說明具有負(fù)向空間自相關(guān)。根據(jù)統(tǒng)計(jì)學(xué)的理論與方法，Geary’s C指數(shù)的標(biāo)準(zhǔn)統(tǒng)計(jì)量計(jì)算公式如下：

[C*=C-1?VarC-1/2=C-1?2W2+W3?n-1-4W21?2n+1?W21-1-1/2] （9）

式（9）中，[W1=i=1mj=1nwij]，[W2=12i=1mj=1nwij+wji2]，[W3=i=1mj=1nwij+wji2]。根據(jù)原假設(shè)，[p]值的計(jì)算公式如下：

[p=erfcC-EC?2VarC-1/2]" （10）

由于中國省域城市能耗碳排放強(qiáng)度受到眾多因素的影響，本文重點(diǎn)關(guān)注選擇自變量對因變量的影響情況。如果用i和t分別表示省域的城市序號(hào)和時(shí)間，用Y表示因變量，用AII表示人工智能創(chuàng)新發(fā)展指數(shù)，用Control表示控制變量，則影響因素檢驗(yàn)的基本回歸面板模型如下：

[Yit=α0+βAIIit+ρiControlit+μi+θt+εit]" （11）

對基本回歸模型的基本回歸面板滯后模型如下：

[Yit=α0+α1Yit-1+α3AIIit+α4Controlit+μi+θt+εit]" （12）

本文借鑒Han等[23]的空間Durbin模型的形式，經(jīng)過修正得到如下空間Durbin模型：

[Yit=ρt=1nWit?Yit+αiXit+t=1nβ1?Wit?Xit+μi+θt+εit]" （13）

以上公式是空間Durbin模型的一般公式。式中，[Yit]為因變量，也稱為被解釋變量，等式右邊的[Yit]稱為滯后項(xiàng)；[Xit]為驅(qū)動(dòng)因素項(xiàng)，[Wit]為空間權(quán)重，[ρ、α 和β]為方程待定系數(shù)，[μi]為個(gè)體固定效應(yīng)，[θt]為時(shí)間固定效應(yīng)，[εit] 為誤差擾動(dòng)項(xiàng)，其不能直接用于變量的相關(guān)性檢驗(yàn)。根據(jù)中國省域城市能耗碳排放強(qiáng)度控制的實(shí)際情況，本文選擇人工智能創(chuàng)新發(fā)展指數(shù)（AII）、數(shù)字金融指數(shù)（DFI）、人均工業(yè)增加值占比（PGL）、城市化水平（UL）、環(huán)境規(guī)制強(qiáng)度（ERI）和工業(yè)能耗強(qiáng)度（IECI）作為控制變量，將變量代入Durbin空間滯后模型得到以下檢驗(yàn)方程：

[ECIit=ρW?ECIit-1+α1AIIit+α2DFIit+α3PGLit+α4ULit+α5ERIit+α6IECIit+β1Wit?AII+β2WitDFIit+β3Wit?PGLit+β4Wit?ULit+β5Wit?ERIit+β6Wit?IECIit+εit] （14）

人工智能對省域城市能耗碳排放強(qiáng)度的間接影響，主要通過中介變量實(shí)現(xiàn)。本文選擇產(chǎn)業(yè)結(jié)構(gòu)升級(jí)（ISU）、工業(yè)技術(shù)創(chuàng)新（ITI）、工業(yè)生產(chǎn)效率（IPE）和環(huán)境污染治理效率（EPGE）作為中介變量，中介變量的間接影響模型如下：

[ISUit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εitITIit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εitIPEit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εitEPGEit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εit] （15）

四、 研究結(jié)果分析

1. 經(jīng)驗(yàn)變量的空間相關(guān)性檢驗(yàn)

為檢驗(yàn)中國省域能耗碳排放強(qiáng)度的驅(qū)動(dòng)因素對能耗碳排放強(qiáng)度的影響程度，本文對所有的檢驗(yàn)變量進(jìn)行歸一化處理。在此基礎(chǔ)上對選定變量進(jìn)行空間相關(guān)性檢驗(yàn)，利用檢驗(yàn)?zāi)Ｐ停?）和（9），進(jìn)行Moran’s I和Geary’s C檢驗(yàn)，檢驗(yàn)各變量的空間相關(guān)性，具體的檢驗(yàn)結(jié)果如表2所示。

表2 變量之間的空間相關(guān)性測試結(jié)果

[變量 Moran’s I P Geary’s C P ECI 0.3217 0.0021 0.3316 0.0002 AII 0.3026 0.0016 0.3125 0.0001 DFI 0.3138 0.0022 0.3235 0.0012 PGL 0.2986 0.0016 0.3025 0.0001 UL 0.2757 0.0021 0.2926 0.0001 ERI 0.3016 0.0018 0.3127 0.0002 IECI 0.3126 0.0024 0.3215 0.0003 ]

為了檢驗(yàn)變量及模型的有效性，本文選用LM、LR和Hausman方法進(jìn)行空間變量的相關(guān)性檢驗(yàn)，其中LR和LM方法是用來測試變量是否具有空間滯后性以及和空間誤差效應(yīng)的大小，Hausman檢驗(yàn)是用來判斷變量服從固定效應(yīng)模型還是隨機(jī)效應(yīng)模型，以確定具體的空間檢驗(yàn)?zāi)Ｐ汀＞唧w的LM檢驗(yàn)、LR檢驗(yàn)和Hausman檢驗(yàn)結(jié)果如表3所示。

表3 變量滯后性、誤差效應(yīng)及模型選擇檢驗(yàn)

[檢驗(yàn)類型 檢驗(yàn)方法 系數(shù) P值 LM檢驗(yàn) LM（error）test 178.418 0.001 Robust LM（error）test 168.274 0.021 LM（lag）test 17.265 0.012 Robust LM（lag）test 10.417 0.009 LR檢驗(yàn) SDMamp;SAM chi2 48.326 0.002 SDMamp;SEM chi2 69.472 0.001 Hausman檢驗(yàn) 16.625 0.014 ]

根據(jù)表3的檢驗(yàn)結(jié)果可以看出，LM檢驗(yàn)的P值明顯小于0.05，均顯著，證明了接受原假設(shè)，即不存在變量的自相關(guān)。根據(jù)檢驗(yàn)結(jié)果可得，應(yīng)選擇空間自相關(guān)（SAR）模型、空間誤差（SEM）模型或者Durbin空間固定效應(yīng)（SDM）模型。根據(jù)LR的檢驗(yàn)結(jié)果可得，SDM模型可以退化為SAR或SEM模型，檢驗(yàn)結(jié)果顯示兩者均在0.5％水平上顯著，參數(shù)約束有效，也是非退化的；根據(jù)Hausman檢驗(yàn)的結(jié)果，由于存在檢驗(yàn)概率0lt;Plt;0.05， 因此，檢驗(yàn)結(jié)果拒絕原假設(shè)，也就是固定效應(yīng)模型比隨機(jī)效應(yīng)模型更優(yōu)。綜合以上三種檢驗(yàn)方法的檢驗(yàn)結(jié)果可得，在實(shí)證檢驗(yàn)的過程中，選擇固定效應(yīng)模型比選擇隨機(jī)效應(yīng)模型更好，因此，應(yīng)選擇空間Durbin固定效應(yīng)模型進(jìn)行檢驗(yàn)。本文研究的目的在于實(shí)證檢驗(yàn)人工智能發(fā)展指數(shù)及其控制變量對中國省域城市能耗碳排放強(qiáng)度的影響。本文中的因變量是根據(jù)中國各省域能耗碳排放規(guī)模的估算結(jié)果以及國家統(tǒng)計(jì)局、各省域統(tǒng)計(jì)局確定的GDP計(jì)算后確定，這些基礎(chǔ)資料的描述性統(tǒng)計(jì)結(jié)果如表4所示。

表4 全部實(shí)證檢驗(yàn)變量的描述性統(tǒng)計(jì)結(jié)果

[變量名稱 變量符號(hào) 均值 標(biāo)準(zhǔn)差 最小值 最大值 碳排放強(qiáng)度 ECI 2.06 2.01 0.08 8.32 人工智能創(chuàng)新發(fā)展指數(shù) AII 0.747 0.896 0.045 6.561 產(chǎn)業(yè)結(jié)構(gòu)升級(jí) ISU 42.78 9.93 11.17 85.47 工業(yè)技術(shù)創(chuàng)新水平 ITI 5.47 1.78 0.089 8.96 工業(yè)生產(chǎn)效率 IPE 11.27 10.27 4.251 19.28 環(huán)境污染治理效率 EPGE 0.581 0.47 0.251 1 數(shù)字金融指數(shù) DFI 1.57 0.69 0.18 2.86 人均工業(yè)增加值占比 PGL 7.638 10.18 1.793 20.45 城市化水平 UL 50.26 20.56 22.56 89.27 環(huán)境規(guī)制強(qiáng)度 ERI 1.511 3.273 0.102 1.862 工業(yè)能耗強(qiáng)度 IECI 0.979 0.556 0.212 3.964 ]

2. 空間Durbin面板模型的檢驗(yàn)結(jié)果

根據(jù)分析結(jié)果，固定效應(yīng)可以分解為直接效應(yīng)和間接效應(yīng)，在效應(yīng)分解的基礎(chǔ)上應(yīng)用模型（14）進(jìn)行不同效應(yīng)的檢驗(yàn)。具體的檢驗(yàn)結(jié)果如表5所示。

表5 空間Durbin面板模型固定效應(yīng)的分解檢驗(yàn)結(jié)果

[ 直接效應(yīng) 間接效應(yīng) 總效應(yīng) AII -0.5136***（-5.0651） -0.1787***（-4.857） -0.6923***（-3.546） DFI -0.4627***（-4.426） -0.1632***（-4.1731） -0.6259***（3.426） PGL 0.3815**（2. 962） 0.2257**（2.5462） 0.6072**（2.2134） UL 0.3616**（2.486） 0.2147**（2.2584） 0.5763**（-2.2325） ERI -0.3038***（-4.1624） -0.1684***（-3.8061） -0.4722***（-3. 2826） IECI 0.4168***（4.3217） 0.2237***（4.1726） 0.6405***（3.6527） W× [CEIt?1] 0.3562***（4.3427） 0.1615***（4.0781） 0.5177***（2.8632） W× AII -0.5043**（4.2751） -0.1673**（-3.8625） -0.6716**（3.6725） W× DFI 0.4327***（3.6521） 0.1605***（3.2527） 0.5932***（-3.1742） W× PGL 0.3685***（3.4537） 0.2064***（3.3256） 0.5749***（3.1736） W× UL 0.3464***（2.8952） 0.1807***（2.7628） 0.5271***（2.5628） W× ERI -0.3271***（-2.8726） -0.1652**（-2.6736） -0.4923***（-2.6027） W× IECI 0.4165***（4.3217） 0.2243***（4.1726） 0.6408***（3.6527） [R?o] 0.2284***（3.6726） 0.1878***（3.5217） 0.4162***（3.4872） [R2] 0.4416 0.4217 0.4126 [sigma2] 0.0784 0.0771 0.0763 [logL] -10.1627 -54.8726 -47.8425 ]

注：用***，**，*分別表示1%，5%，10%的顯著水平，括號(hào)內(nèi)分別為T統(tǒng)計(jì)量，下同。對應(yīng)的概率均為：Plt;0.05

在表5中，總效應(yīng)=直接效應(yīng)+間接效應(yīng)。為了提高檢驗(yàn)效果，檢驗(yàn)結(jié)果保留到小數(shù)點(diǎn)后四位數(shù)。根據(jù)直接效應(yīng)的檢驗(yàn)結(jié)果可知，人工智能創(chuàng)新發(fā)展指數(shù)（AII）對能耗碳排放強(qiáng)度的影響最大，影響系數(shù)為-0.5136，數(shù)字金融指數(shù)（DFI）對能耗碳排放強(qiáng)度的影響次之，影響系數(shù)為-0.4627；環(huán)境規(guī)制強(qiáng)度（ERI）對能耗碳排放強(qiáng)度具有負(fù)向影響，影響系數(shù)為-0.3038；其他驅(qū)動(dòng)因素均對能耗碳排放強(qiáng)度具有正向影響，影響系數(shù)排序?yàn)椋汗I(yè)能耗強(qiáng)度（IECI）影響最大，影響系數(shù)為0.4168；人均工業(yè)增加值占比（PGL）和城市化水平（UL）次之，影響系數(shù)依次為0.3815和0.3616。碳排放強(qiáng)度的滯后項(xiàng)顯著為正，說明中國省域城市能耗碳排放強(qiáng)度具有明顯的空間溢出效應(yīng)；加權(quán)項(xiàng)的檢驗(yàn)結(jié)果與無加權(quán)項(xiàng)的檢驗(yàn)結(jié)果方向相同，其檢驗(yàn)結(jié)果稍微降低，說明空間權(quán)值降低了能耗碳排放的空間強(qiáng)度。

3. 不同自變量組合的固定效應(yīng)檢驗(yàn)結(jié)果討論

為了檢驗(yàn)全部自變量的不同組合對中國省域城市能耗碳排放強(qiáng)度的影響，本文在不使用空間權(quán)值的情況下簡化Durbin空間滯后模型，將其修正為一般滯后模型，簡化后的滯后模型如下所示：

[ECIit=ρ?ECIit-1+α1AIIit+α2DFIit+α3PGLit+α4ULit+α5ERIit+α6IECI+εit] （16）

在這種狀態(tài)下，將模型（16）中的變量進(jìn)行不同形式的組合，公共項(xiàng)目為檢驗(yàn)方程系數(shù)[α]和省域能耗碳排放強(qiáng)度滯后項(xiàng)[ECIit?1]，在此基礎(chǔ)上，逐一加入自變量AII，DEI，PGL，UL，ERI和IECI，形成六種不同變量組合的檢驗(yàn)方程，具體檢驗(yàn)結(jié)果如表6所示。

表6 不同變量組合固定效應(yīng)模型的檢驗(yàn)結(jié)果

[變量 模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6） [α] 0.5152***

（4.6537） 0.5228***

（4.5616） 0.5435***

（4.4163） 0.5567***

（4.2652） 0.5651***

（4.1636） 0.5765***

（4.0742） [ECIit?1] -0.5063***

（4.4517） -0.5126***

（4.3416） -0.5218***

（4.2651） -0.5317***

（4.1526） -0.5527***

（4.0763） -0.5656***

（3.8965） AII -0.4984***

（-4.8625） -0.5053***

（-4.6536） -0.5126***

（-4.4526） -0.5317***

（-4.3652） -0.5425***

（-4.2651） -0.5563***

（-4.1657） DFI -0.4988***

（-4.5628） -0.5156***

（-4.4672） -0.5208***

（-4.3761） -0.5258***

（-4.2167） -0.5387***

（-4.0862） PGL 0.4906***

（4.4851） 0.5083***

（ 4.3725） 0.5175***

（4.2763） 0.5237***

（ 4.1875） UL 0.5026**

（2 .8634） 0.5085**

（2 .6372） 0.5186**

（2.4664） ERI -0.4985***

（-5 .5173） -0.5076***

（-4.6856） IECI 0.4976***

（4.5482） ]

根據(jù)表6中的檢驗(yàn)結(jié)果可得，模型（1）的檢驗(yàn)結(jié)果反映了[α]常數(shù)、碳排放強(qiáng)度滯后項(xiàng)[ECIit?1]和AII共同對能耗碳排放強(qiáng)度ECI的影響，解釋變量AII的影響系數(shù)為-0.4984；模型（2）的檢驗(yàn)結(jié)果主要反映變量AII和DFI共同對ECI的影響，影響系數(shù)分別為-0.5053和-0.4988；模型（3）的檢驗(yàn)結(jié)果主要反映變量AII、DFI和PGL共同對ECI的影響，影響系數(shù)分別為-0.5126、-0.5156和0.4906，可知AII和DFI對ECI產(chǎn)生負(fù)向影響而使省域能耗碳排放強(qiáng)度呈現(xiàn)下降態(tài)勢；模型（4）的檢驗(yàn)結(jié)果主要反映變量AII、DFI、PGL和UL共同對ECI的影響，影響系數(shù)分別為-0.5317、-0.5208、0.5083和0.5026；模型（5）的檢驗(yàn)結(jié)果主要反映變量AII、DFI、PGL、UL和ERI共同對ECI的影響，影響系數(shù)分別為-0.5425、-0.5258、0.5175、0.5085和-0.4985；模型（6）的檢驗(yàn)結(jié)果反映全部驅(qū)動(dòng)因素共同對能耗碳排放強(qiáng)度的影響，相應(yīng)的影響系數(shù)分別為-0.5563、-0.5387、0.5237、0.5186、-0.5076和0.4976。可見，模型（6）的檢驗(yàn)結(jié)果就是最終的檢驗(yàn)結(jié)果。

4. 研究結(jié)果的穩(wěn)健性討論

為檢驗(yàn)人工智能對省域城市能耗碳排放強(qiáng)度的影響，需要對選擇的變量以及構(gòu)建的實(shí)證檢驗(yàn)?zāi)Ｐ瓦M(jìn)行穩(wěn)健性檢驗(yàn)。穩(wěn)健性檢驗(yàn)是當(dāng)改變某些參數(shù)時(shí)，檢驗(yàn)指標(biāo)及其檢驗(yàn)結(jié)果能夠保持相對穩(wěn)定解釋的過程。穩(wěn)健性檢驗(yàn)有多種具體的方法，本文根據(jù)具體研究對象、驅(qū)動(dòng)因素選擇以及實(shí)證檢驗(yàn)?zāi)Ｐ停捎锰娲兞糠ā笃跈z驗(yàn)法以及縮短數(shù)據(jù)周期，在控制變量固定、城市效應(yīng)固定、年份效應(yīng)固定、城市固定以及時(shí)間固定條件下進(jìn)行穩(wěn)健性檢驗(yàn)，具體檢驗(yàn)結(jié)果如表7所示。

根據(jù)表7中的檢驗(yàn)結(jié)果，可以看出三種方法的檢驗(yàn)結(jié)果均未出現(xiàn)符號(hào)改變以及不顯著的現(xiàn)象，這就證明了使用三種方法對穩(wěn)健性進(jìn)行的檢驗(yàn)都是有效的，也就是被檢驗(yàn)的變量以及模型均具有穩(wěn)健性，檢驗(yàn)結(jié)果是可信的。

表7 穩(wěn)健性討論結(jié)果

[ 替換變量法 滯后期檢驗(yàn)法 縮短數(shù)據(jù)周期法

（2015—2021年） 替換因變量 解釋變量樣本修正法 滯后1期 滯后2期 AII -0.484***

（-4.852） -0.632***

（-4.158） 0.378***

（4.271） 0.367***

（3.871） 0.489***

（3.671） DFI -0.425**

（-2.283） -0.546***

（-2.173） 0.332***

（4.186） 0.338***

（4.064） 0.421***

（4.275） PGL 0.4781**

（2.316） 0.616**

（2.205） 0.367***

（3.871） 0.356***

（3.616） 0.475***

（3.561） UL 0.425**

（2.416） 0.506**

（2.231） 0.333***

（4.423） 0.328***

（4.232） 0.378***

（4.135） ERI -0.456**

（-2.326） -0.571**

（-2.182） 0.349***

（4.326） 0.345***

（4.152） 0.448***

（4.217） IECI 0.446**

（2.417） 0.561**

（2.262） 0.341***

（4.426） 0.339***

（4.236） 0.425***

（4.326） 控制變量 是 是 是 是 是 城市效應(yīng) 是 是 是 是 是 年份效應(yīng) 是 是 是 是 是 城市固定 是 是 是 是 是 時(shí)間固定 是 是 是 是 是 N 300 300 300 300 300 R2 0.441 0.432 0.39 0.42 0.44 ]

五、 實(shí)證結(jié)果討論

1. 實(shí)證結(jié)果的異質(zhì)性討論

異質(zhì)性檢驗(yàn)是用來檢驗(yàn)不同樣本之間是否存在顯著差異的統(tǒng)計(jì)方法，也就是檢驗(yàn)樣本差異是否使檢驗(yàn)結(jié)果存在明顯的結(jié)果差異。為了進(jìn)行異質(zhì)性檢驗(yàn)，本文將中國30個(gè)省域的269個(gè)城市按照平均GDP區(qū)分為高水平城市和低水平城市兩類：高水平城市是指GDP超過平均GDP的城市，有104個(gè)城市；低水平城市是指GDP低于平均GDP的城市，有165個(gè)城市。進(jìn)一步，按照地理位置將全部城市區(qū)分為沿海城市和內(nèi)陸城市：沿海城市有35個(gè)地級(jí)市，內(nèi)陸城市有234個(gè)地級(jí)市。兩種分類的城市異質(zhì)性檢驗(yàn)結(jié)果如表8所示。

表8 人工智能技術(shù)發(fā)展水平異質(zhì)性與行政區(qū)劃異質(zhì)性的檢驗(yàn)結(jié)果

[ 按平均GDP劃分 按地域劃分 高水平城市ECI 低水平城市ECI 沿海城市ECI 內(nèi)陸城市ECI AII -0.784***

（-4.026） -0.513**

（-2.475） -0.803***

（-3.851） -0.506**

（-2.215） DFI -0.696***

（-4.215） -0.487**

（-2.516） -0.725***

（-4.317） -0.615**

（-2.285） PGL 0.478***

（4.371） 0.386***

（4.152） 0.468***

（4.417） 0.402***

（4.185） UL 0.432***

（4.236） 0.341***

（4.136） 0.426***

（4.325） 0.362***

（4.137） ERI -0.426

（-4.316） -0.357

（-4.136） -0.405

（-4.251） -0.362

（-4.026） IECI 0.409

（3.971） 0.347

（3.872） 0.395

（4.026） 0.356

（3.826） 常數(shù)項(xiàng) 1.063***

（3842） 1.657**

（2.326） 0.936***

（3.264） 1.583**

（2.157） 控制變量 控制 控制 控制 控制 個(gè)體效應(yīng) 控制 控制 控制 控制 時(shí)間效應(yīng) 控制 控制 控制 控制 N 1040 1650 350 2340 R2 0.178 0.216 0.327 0.231 ]

根據(jù)表8的檢驗(yàn)結(jié)果，可以看出人工智能技術(shù)在高水平省域城市對能耗碳排放強(qiáng)度的抑制作用遠(yuǎn)比在低水平省域城市對能耗碳排放強(qiáng)度的抑制作用要強(qiáng)，人工智能技術(shù)在高水平省域城市的能耗碳排放抑制系數(shù)為-0.784，而在低水平省域城市的抑制系數(shù)為-0.513；人工智能技術(shù)在沿海省域城市的抑制系數(shù)為-0.803，而在內(nèi)陸省域城市的抑制系數(shù)為-0.506，這說明了中國沿海省域城市的經(jīng)濟(jì)發(fā)展程度比內(nèi)陸省域城市要高。從檢驗(yàn)結(jié)果的顯著性來看，人工智能技術(shù)在高水平省域城市和沿海省域城市的顯著性都很高，均通過了1%的顯著性檢驗(yàn)，而人工智能技術(shù)在低水平省域城市以及內(nèi)陸省域城市檢驗(yàn)結(jié)果顯著性均相對較差，僅通過了5%的顯著性檢驗(yàn)。為進(jìn)一步檢驗(yàn)不同產(chǎn)業(yè)的異質(zhì)性差異，本文將目標(biāo)城市按照產(chǎn)業(yè)結(jié)構(gòu)以及使用能源的不同進(jìn)行分類，檢驗(yàn)不同類型產(chǎn)業(yè)對碳排放強(qiáng)度的影響，具體檢驗(yàn)結(jié)果如表9所示。

表9 人工智能技術(shù)發(fā)展水平異質(zhì)性與產(chǎn)業(yè)結(jié)構(gòu)及能源類型異質(zhì)性的檢驗(yàn)結(jié)果

[ 按產(chǎn)業(yè)結(jié)構(gòu)劃分 按能源類型劃分 初級(jí)產(chǎn)品與

資源產(chǎn)業(yè)ECI 制造業(yè)

ECI 服務(wù)業(yè)

ECI 可再生能源

產(chǎn)業(yè)ECI 傳統(tǒng)能源

產(chǎn)業(yè)ECI 綜合能源

產(chǎn)業(yè)ECI AII -0.1762***

（-4.226） -0.18421***

（-4.0215） -0.1235**

（-2.360） -0.2501***

（-4.3515） -0.1252***

（-4.2315） -0.1451***

（-4.0254） DFI -0.1532***

（-4.315） -0.1663***

（-4.2315） -0.1165**

（-2.4241） -0.1626***

（-4.317） 0.1326***

（4.1621） -0.1527***

（-4.0251） PGL 0.1427***

（4.571） 0.1505***

（4.4182） 0.1125***

（4.2161） 0.1436***

（4.417） 0.1204

（4.361） 0.1353***

（4.2041） UL 0.0532***

（4.431） 0.0632***

（4.215） 0.0231***

（4.032） 0.0451***

（4.425） 0.0251***

（4.261） 0.0345***

（4.152） ERI -0.1436***

（-4.516） -0.1562***

（-4.3521） -0.1252***

（-4.236） -0.1401***

（-4.451） -0.1263***

（-4.3521） -0.1371***

（-4.018） IECI 0.1518***

（4.4512） 0.1605***

（4.2521） 0.1104***

（4.0521） 0.1582***

（4.426） 0.1363***

（4.261） 0.1481***

（4.0812） 常數(shù)項(xiàng) 0.9512***

（4.6215） 0.9721***

（4.4216） 0.9641***

（4.2105） 0.936***

（4.5162） 0.9763***

（4.4015） 1.0262***

（4.2173） 控制變量 控制 控制 控制 控制 控制 控制 個(gè)體效應(yīng) 控制 控制 控制 控制 控制 控制 時(shí)間效應(yīng) 控制 控制 控制 控制 控制 控制 N 3000 3000 3000 1600 1400 3000 R2 0.169 0.201 0.226 0.251 0.262 0.241 ]

根據(jù)表9的檢驗(yàn)結(jié)果，按照產(chǎn)業(yè)結(jié)構(gòu)的劃分，制造業(yè)的正向作用和逆向作用都相對較大，初級(jí)產(chǎn)品與資源產(chǎn)業(yè)對碳排放強(qiáng)度的影響次之，服務(wù)業(yè)相關(guān)指標(biāo)對碳排放強(qiáng)度的影響最弱；按照能源類型的分類，可再生能源對碳排放強(qiáng)度的影響最大，綜合能源對碳排放強(qiáng)度的影響次之，傳統(tǒng)能源產(chǎn)業(yè)對碳排放強(qiáng)度的影響最弱，這充分顯示了可再生能源具有良好的綠色轉(zhuǎn)化效應(yīng)。

2. 中介效應(yīng)檢驗(yàn)結(jié)果

我國目前潔凈能源在全部能源中的占比不足20%，因此，短期內(nèi)不可能全面實(shí)現(xiàn)潔凈能源發(fā)展經(jīng)濟(jì)。在這種情況下，還要通過綠色技術(shù)創(chuàng)新、產(chǎn)業(yè)結(jié)構(gòu)升級(jí)以及提高綠色生產(chǎn)效率等方式推動(dòng)中國省域城市的綠色低碳轉(zhuǎn)型。本文選擇產(chǎn)業(yè)結(jié)構(gòu)升級(jí)（ISU）、工業(yè)技術(shù)創(chuàng)新（ITI）、工業(yè)生產(chǎn)效率（IPE）和環(huán)境污染治理效率（EPGE）作為中介變量進(jìn)行中介效應(yīng)檢驗(yàn)，中介影響結(jié)果如表10所示。

表10 中介效應(yīng)檢驗(yàn)結(jié)果

[ 產(chǎn)業(yè)結(jié)構(gòu)升級(jí)（ISU） 工業(yè)技術(shù)創(chuàng)新（ITI） 工業(yè)生產(chǎn)效率（IPE） 環(huán)境污染治理效率（EPGE） ISU ECI ITI ECI IPE ECI EPGE ECI AII 0675***

（4.397） -0.765***

（-4.218） 0.682***、

（4.152） -0.652***

（-4.016） 0.548***

（3.816） -0.665***

（-4.16） 0.6426***

（4.026） -0.686***

（-3.981） ISU

-0.275***

（-4.682）

ITI

-0.217***

（-4.215） IPE

-0.396***

（-4.162） EPGE

-0.426***

（-3.861） 常數(shù)項(xiàng) 0.137***

（4.236） 0.168***

（4.147） 0.216

（4.106） 0.227

（4.018） 0.157***

（4.027） 0.184***

（3.952） 0.148***

（3.851） 0.218***

（3.763） 控制變量 控制 控制 控制 控制 控制 控制 控制 控制 個(gè)體效應(yīng) 控制 控制 控制 控制 控制 控制 控制 控制 時(shí)間效應(yīng) 控制 控制 控制 控制 控制 控制 控制 控制 N 300 300 300 300 300 300 300 300 R2 0.465 0.187 0.426 0.401 0.486 0.194 0.335 0.452 ]

從表10的檢驗(yàn)結(jié)果可知，通過產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、工業(yè)技術(shù)創(chuàng)新、工業(yè)生產(chǎn)效率和環(huán)境污染治理效率對能耗碳排放強(qiáng)度發(fā)生的中介效應(yīng)均顯著為負(fù)。可見，中介變量均可以降低能源消耗產(chǎn)生的CO2排放總量，進(jìn)而促進(jìn)中國省域城市能耗碳排放強(qiáng)度的降低。

3. 影響機(jī)制分析結(jié)果

本文研究驅(qū)動(dòng)因素對省域的城市碳排放強(qiáng)度的影響，除了四個(gè)中介變量指標(biāo)，還選擇一個(gè)解釋變量和五個(gè)控制變量。為檢驗(yàn)六個(gè)驅(qū)動(dòng)因素對省域的城市能耗碳排放強(qiáng)度的影響，還需要檢驗(yàn)六個(gè)驅(qū)動(dòng)因素對省域城市能耗碳排放強(qiáng)度的影響機(jī)制。影響機(jī)制檢驗(yàn)可以進(jìn)一步反映驅(qū)動(dòng)因素對因變量影響的趨勢及其程度。具體的直接影響機(jī)制檢驗(yàn)結(jié)果如表11所示。

表11 驅(qū)動(dòng)因素對省域城市能耗碳排放強(qiáng)度的影響機(jī)制及其結(jié)果

[ DFI ECI PGL ECI UL ECI ERI ECI IECI ECI AII 0.346**

（2.43） -0.482**（-4.45） 0.406**

（2.56） -0.493***

（-4.46） 0.385**

（2.45） -0.456***

（-4.35） -0.373***

（-4.22） -0.475

（-4.16） 0.346**

（2.83） -0.495 ***

（-4.64） DFI

-0.482***

（-4.26）

PGL

0.447***

（4.16）

UL

0.317***

（4.072）

ERI

-0.375***

（-4.42）

IECI

0.326***

（3.86） 常數(shù)項(xiàng) 0.185***（4.35） 0.186***

（5.26） 0.196***

（4.816） 0.204***

（4.472） 0.216***

（4.461） 0.186***

（4.216） 0.197***

（4.527） 0.219***

（4.351） 0.1.84

（4.185） 0.226

（4.052） 控制變量 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes 時(shí)間固定 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes 城市固定 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes R2 0.526 0.416 0.426 0.437 0.445 0.452 0.365 0.426 0.436 0.452 ]

根據(jù)上述檢驗(yàn)結(jié)果可知，人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融指數(shù)和環(huán)境規(guī)制強(qiáng)度對省域城市能耗碳排放強(qiáng)度具有顯著的逆向影響，而人均工業(yè)增加值占比、城市化水平以及工業(yè)能耗強(qiáng)度對省域城市能耗碳排放強(qiáng)度具有顯著的正向影響。人工智能對省域城市能耗碳排放強(qiáng)度具有逆向影響，在不同組合變量下具有一定差異，其最大的影響程度為-0.495，檢驗(yàn)結(jié)果的顯著性為1%；控制變量對省域城市能耗碳排放強(qiáng)度的影響程度也各有不同，數(shù)字金融指數(shù)對能耗碳排放強(qiáng)度的影響最大，影響系數(shù)為-0.482，城市化水平對省域的碳排放強(qiáng)度的影響最小，影響系數(shù)為0.317。根據(jù)上述空間Durbin面板模型的檢驗(yàn)結(jié)果，全部驅(qū)動(dòng)因素對省域城市能耗碳排放強(qiáng)度的影響均通過置信度為5%以上的顯著性檢驗(yàn)，說明本文選擇的驅(qū)動(dòng)因素對因變量具有很好的擬合程度，不存在共線性問題。

六、 結(jié)論與政策建議

為研究人工智能技術(shù)水平對中國省域能耗碳排放強(qiáng)度的影響，探索最大限度降低中國省域能耗碳排放強(qiáng)度的有效途徑，本文在測度省域能耗碳排放強(qiáng)度的基礎(chǔ)上，利用空間Durbin面板模型、不同自變量組合的固定效應(yīng)模型以及基礎(chǔ)統(tǒng)計(jì)數(shù)據(jù)檢驗(yàn)了選定的驅(qū)動(dòng)因素對省域能耗碳排放強(qiáng)度的影響。研究發(fā)現(xiàn)：人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融發(fā)展指數(shù)以及環(huán)境規(guī)制程度三個(gè)驅(qū)動(dòng)因素均對省域城市能耗碳排放強(qiáng)度具有負(fù)向影響，也就是對省域城市能耗碳排放強(qiáng)度的上升具有抑制作用，其他三個(gè)驅(qū)動(dòng)因素對省域城市能耗碳排放強(qiáng)度具有正向影響。研究還發(fā)現(xiàn)：產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、工業(yè)技術(shù)創(chuàng)新、工業(yè)生產(chǎn)效率和環(huán)境污染治理效率對省域城市能耗碳排放強(qiáng)度具有中間抑制效應(yīng)。基于以上研究結(jié)論，本文提出以下政策建議：

充分發(fā)揮人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融發(fā)展指數(shù)以及環(huán)境規(guī)制程度抑制碳排放強(qiáng)度上升的作用。本文研究結(jié)論表明，上述三個(gè)驅(qū)動(dòng)因素的直接效應(yīng)和間接效應(yīng)均為逆向影響，因此，通過嵌入人工智能技術(shù)對節(jié)能減排方案進(jìn)行優(yōu)化，發(fā)揮數(shù)字金融對提高綠色生產(chǎn)效率的協(xié)同效應(yīng)，加強(qiáng)污染治理項(xiàng)目的投資，最大限度發(fā)揮其抑制作用，是降低省域的城市能耗碳排放強(qiáng)度的有力手段。GDP高水平城市以及沿海城市，應(yīng)因地制宜優(yōu)先發(fā)展人工智能技術(shù)，加大對人工智能領(lǐng)域創(chuàng)新平臺(tái)的投入力度，促進(jìn)人工智能技術(shù)融合應(yīng)用與發(fā)展，同時(shí)充分發(fā)揮人工智能技術(shù)的空間溢出效應(yīng)，顯著提升碳排放效率，最終賦能“雙碳目標(biāo)”的實(shí)現(xiàn)。

適度控制人均工業(yè)增加值占比、城市化水平以及工業(yè)能耗強(qiáng)度對碳排放強(qiáng)度的正向影響。本文研究結(jié)論表明，這三個(gè)因素是導(dǎo)致碳排放強(qiáng)度上升的主要因素，因此，應(yīng)通過產(chǎn)業(yè)結(jié)構(gòu)調(diào)整適度調(diào)節(jié)人均工業(yè)增加值占比；在合理的城市化水平背景下，重點(diǎn)控制工業(yè)能耗強(qiáng)度，實(shí)現(xiàn)GDP持續(xù)升高和降低碳排放強(qiáng)度的均衡目標(biāo)。

合理利用產(chǎn)業(yè)結(jié)構(gòu)升級(jí)等手段抑制碳排放強(qiáng)度上升。本文研究結(jié)論表明，中介變量具有抑制碳排放強(qiáng)度的作用，因此，應(yīng)著力推進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)，強(qiáng)化工業(yè)技術(shù)創(chuàng)新，顯著提高工業(yè)生產(chǎn)效率和環(huán)境污染治理效率，逐步實(shí)現(xiàn)對碳排放強(qiáng)度的有效控制，從而降低省域城市能耗碳排放強(qiáng)度。

參考文獻(xiàn)：

[1] MARVIN M. A Selected Descriptor-Indexed Bibliography to the Literature on Artificial Intelligence[J].IRE Transactions on Human Factors in Electronics，1961，HFE-2（1）：39-55.

[2] HOUSE R， RADO T.An Approach to Artificial Intelligence[J].IEEE Transactions on Communication and Electronics，1964，83（70）：111-116.

[3] 陳步.人工智能問題的哲學(xué)探討[J].哲學(xué)研究，1978（11）：22-31.

[4] SHARMA N， SINGH U， MAHAPATRA S.Prediction of Cost and Emission from Indian Coal-Fired Power Plants with CO2 Capture and Storage Using Artificial Intelligence Techniques[J]. Frontiers in Energy，2019，13（1）：149-162.

[5] 薛瀾，趙靜.人工智能國際治理：基于技術(shù)特性與議題屬性的分析[J].國際經(jīng)濟(jì)評(píng)論，2024（3）：52-69.

[6] 陳龍，劉剛，戚聿東，等.人工智能技術(shù)革命：演進(jìn)、影響和應(yīng)對[J].國際經(jīng)濟(jì)評(píng)論，2024（3）：9-51.

[7] 周亞瑜，朱虹，肖春曲.自我認(rèn)同的張力：人工智能與消費(fèi)者關(guān)系的界定與重塑[J].江蘇社會(huì)科學(xué)， 2024（3）：187-194.

[8] 薛飛，劉家旗，付雅梅.人工智能技術(shù)對碳排放的影響[J].科技進(jìn)步與對策，2022（24）：1-9.

[9] 張燦，李繼霞，袁振龍.環(huán)境規(guī)制強(qiáng)度對綠色創(chuàng)新效率的影響——基于財(cái)政壓力的調(diào)節(jié)效應(yīng)[J].技術(shù)經(jīng)濟(jì)與管理研究，2024（4）：101-107.

[10] 許瀟丹，惠寧.人工智能對工業(yè)綠色低碳發(fā)展的影響研究[J].陜西師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）， 2024（6）：74-86.

[11] 孫振清，楊銳.人工智能技術(shù)創(chuàng)新對區(qū)域碳排放的影響——機(jī)制識(shí)別與回彈效應(yīng)[J].科技管理研究， 2024（5）：168-177.

[12] 葉云嶺，張其仔.人工智能、產(chǎn)業(yè)集聚外部性與長江經(jīng)濟(jì)帶碳排放效率[J].南通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2024（2）：55-65.

[13] 于法穩(wěn)，林珊.“雙碳”目標(biāo)下企業(yè)綠色轉(zhuǎn)型發(fā)展的促進(jìn)策略[J].改革，2022（2）：144-155.

[14] 周雪峰，韓露，肖翔.“雙碳”目標(biāo)下數(shù)字經(jīng)濟(jì)對企業(yè)持續(xù)綠色創(chuàng)新的影響——基于數(shù)字化轉(zhuǎn)型的中介視角[J].證券市場導(dǎo)報(bào)，2022（11）：2-12.

[15] 李金昌，連港慧，徐藹婷.“雙碳”愿景下企業(yè)綠色轉(zhuǎn)型的破局之道——數(shù)字化驅(qū)動(dòng)綠色化的實(shí)證研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2023（9）：27-49.

[16] 邱小燕.環(huán)境規(guī)制、綠色技術(shù)進(jìn)步與中國低碳轉(zhuǎn)型[J].現(xiàn)代管理科學(xué)，2023（2）：18-26.

[17] 徐佳，崔靜波.低碳城市和企業(yè)綠色技術(shù)創(chuàng)新[J].中國工業(yè)經(jīng)濟(jì)，2020（12）：178-196.

[18] 陳艷霞，張鵬.人工智能產(chǎn)業(yè)政策的創(chuàng)新促進(jìn)效應(yīng)——來自企業(yè)專利數(shù)據(jù)的證據(jù)[J].現(xiàn)代經(jīng)濟(jì)探討， 2024（3）：69-79.

[19] 林伯強(qiáng).碳中和進(jìn)程中的中國經(jīng)濟(jì)高質(zhì)量增長[J].經(jīng)濟(jì)研究，2022（1）：56-71.

[20] 馬海韻，張彤.率先碳達(dá)峰國家低碳技術(shù)創(chuàng)新采納應(yīng)用規(guī)律對中國的啟示——基于“技術(shù)－組織－環(huán)境”框架的分析[J].現(xiàn)代經(jīng)濟(jì)探討，2023（7）：15-22.

[21] 張希良，黃曉丹，張達(dá)，等.碳中和目標(biāo)下的能源經(jīng)濟(jì)轉(zhuǎn)型路徑與政策研究[J].管理世界，2022（1）：35-51.

[22] 劉榮增，何春.環(huán)境規(guī)制對城鎮(zhèn)居民收入不平等的門檻效應(yīng)研究[J].中國軟科學(xué)，2021（8）：41-52.

[23] HAN X， CAO T.Urbanization Level， Industrial Structure Adjustment and Spatial Effect of Urban Haze Pollution： Evidence from China’s Yangtze River Delta Urban Agglomeration[J].Atmospheric Pollution Research，2022，13（6）：101427.

作者簡介：葛廣宇，男，碩士，江蘇第二師范學(xué)院商學(xué)院副教授，研究方向?yàn)閿?shù)字經(jīng)濟(jì)、綠色經(jīng)濟(jì)；孫濤，男，博士，南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院教授，博士生導(dǎo)師，研究方向?yàn)閿?shù)字經(jīng)濟(jì)與區(qū)域經(jīng)濟(jì)。

（收稿日期：2025-01-10" 責(zé)任編輯：殷 俊）