《清洁生产杂志》（Journal of Cleaner Production）第524卷（2025年）：146474

作者：辛芳（Xin Fang）、李洋（Li Yang），安徽理工大学经济管理学院

在线发表日期：2025年8月27日

摘要

本研究基于2011年至2021年中国30个省份的平衡面板数据，构建双向固定效应模型和中介效应模型，系统考察了人工智能（Artificial Intelligence, AI）对绿色全要素能源效率（Green Total Factor Energy Efficiency, GTFEE）的影响及其作用机制。研究发现，人工智能显著提升了中国的绿色全要素能源效率（β = 0.131，p < 0.01），这一结论在解决内生性问题并进行多项稳健性检验后依然成立。机制分析表明，产业集聚、技术创新、市场化水平、劳动力教育水平以及政府激励措施是人工智能促进绿色全要素能源效率提升的五条关键正向传导渠道，其中市场化水平和技术创新的贡献最为显著。区域异质性分析揭示了一个“区域悖论”：人工智能对东部地区（β = 0.202）和西部地区（β = 0.127）的绿色全要素能源效率具有显著正向影响，但对中部地区却表现出抑制作用（β = -0.074），这一差异与中部地区重工业占比明显较高（43.7%）密切相关。研究据此提出了差异化的政策建议。

一、研究背景与目标

自1978年以来，以“高投资、高消耗、高排放”为特征的传统粗放型经济增长模式支撑了中国经济的高速发展，使中国成为世界第二大经济体。然而，这种发展模式也引发了严重的资源与环境问题。作为全球最大的能源消费国，中国单位GDP的能耗仍比发达国家高出30%，能源效率差距在中部地区尤为突出。在此背景下，提高能源效率既是实现“双碳”目标的关键举措，也是推动经济社会全面绿色转型的重要途径。

人工智能作为新一轮科技革命和产业变革的核心驱动力，具有深度学习、人机协同以及跨界融合等特征。已有研究在微观层面证明人工智能能够优化能源效率，宏观研究则主要集中于技术扩散模型，但两个核心问题仍未得到解答：其一，人工智能如何通过产业集聚等中观机制产生系统性影响；其二，其影响是否存在区域异质性。本文的研究目标正是填补这一空白，将人工智能与绿色全要素能源效率纳入统一分析框架，实证检验人工智能的影响效应、中介机制与区域差异。

二、研究设计

本研究使用2011年至2021年中国30个省份（不含西藏、香港、澳门和台湾）的平衡面板数据，数据来源于《中国统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》以及碳排放数据库（CEADs）等。

在变量测度方面，研究构建了综合的人工智能评价指标体系，涵盖智能环境保障、智能人才投资、基础设施投资、技术创新成就、经济创新、智能制造运营、企业运营能力和资本运作能力等多个维度，采用熵权法计算省级人工智能发展指数。绿色全要素能源效率的测度则采用超效率SBM（Slacks-Based Measure）模型，投入指标包括劳动力、地区资本存量和能源消费总量，期望产出包括绿色地区生产总值、城乡居民基本养老保险参保人数和卫生技术人员，非期望产出包括废水中的化学需氧量、废气中的二氧化硫、一般工业固废产生量以及区域碳排放总量。

模型设定上，研究首先构建了双向固定效应模型作为基准回归方程，检验人工智能对绿色全要素能源效率的直接影响。其次构建中介效应模型，纳入五个中介变量：产业集聚（以区位熵衡量的AI产业集聚度）、技术创新（以授权发明专利数量衡量）、市场化水平（以各省市场化指数衡量）、劳动力教育（以高等教育人口比例衡量）和政府激励措施（以科技专项支出占比衡量）。控制变量包括经济发展水平、政府干预程度、能源消费结构、人力资本水平、对外开放程度和电信发展水平。所有变量的方差膨胀因子（VIF）均小于7.5，平均VIF值为2.58，不存在多重共线性问题。豪斯曼检验支持采用双向固定效应模型。

三、主要实证结果

基准回归结果显示，在不加入控制变量时，人工智能水平每提高1%，绿色全要素能源效率提升0.173%；加入控制变量后，回归系数略微下降至0.131，仍在1%的显著性水平上显著为正，支持了人工智能有助于提升绿色全要素能源效率的核心假设（假设H1）。控制变量中，经济发展水平和政府干预程度与绿色全要素能源效率呈显著正相关，而能源消费结构、人力资本水平、对外开放程度和电信发展水平的系数为负且不显著。

在内生性处理中，研究以同一时期其他省份工业机器人密度的对数均值作为工具变量，采用两阶段最小二乘法（2SLS）进行回归。Kleibergen-Paap rk LM统计量通过了10%显著性水平检验，Cragg-Donald Wald F统计量超过了10%水平的临界值16.38，证明工具变量不存在识别不足或弱识别问题。在考虑内生性问题后，人工智能对绿色全要素能源效率的回归系数依然显著为正。

多项稳健性检验进一步验证了结论的可靠性：其一，将核心解释变量替换为工业机器人安装密度后，结果保持一致；其二，采用系统GMM方法处理绿色全要素能源效率的累积效应后，人工智能的系数仍显著为正，AR检验和Hansen检验表明模型设定有效；其三，剔除北京、上海、广州和深圳四个城市的数据（这四个城市人工智能发展水平较高，内生性问题可能更突出）后，最终样本量为286个，结果依然稳健。

四、中介机制分析

产业集聚机制方面，人工智能相关系数在1%的显著性水平上显著为正，表明人工智能通过促进产业广泛集聚来提升绿色全要素能源效率（假设H2成立）。人工智能产业集聚能带来广泛的信息共享，加深企业间的技术交流，形成产业示范效应，优化产业结构，同时降低能耗和交易成本。

技术创新机制方面，人工智能发展水平每提高1%，技术创新水平提升0.566%，系数在1%水平上显著为正（假设H3成立）。人工智能通过加速知识学习与创造，提升企业收集和分析数据的能力，促进企业间协同创新，进而推动全要素能源效率提升。

市场化水平机制方面，人工智能发展水平每提高1%，市场化水平提升0.684%，系数在1%水平上显著为正（假设H4成立）。人工智能优化了资源配置，提升了市场中介机构的服务效率，增强了信息透明度，加速了生产要素从低效率地区向高效率地区的流动。

劳动力教育机制方面，人工智能发展水平每提高1%，劳动力教育水平提升0.082%，系数在1%水平上显著为正（假设H5成立）。人工智能驱动的个性化教育平台能够显著提升劳动者对绿色技术的理解与应用能力，缩短复杂绿色工艺的学习周期，加速清洁生产技术的传播。

政府激励机制方面，人工智能发展水平每提高1%，政府激励措施增加0.049%，系数在1%水平上显著为正（假设H6成立）。智能监控系统能够追踪企业的能耗数据，提高补贴发放的准确性，降低政策执行与监测成本，使政府激励措施更加精准有效。

五、区域异质性分析

研究将30个省份划分为东部、中部和西部三大区域进行异质性分析。结果显示，人工智能对东部地区（β = 0.202）和西部地区（β = 0.127）的绿色全要素能源效率具有显著正向影响，但对中部地区却表现出显著的负面影响（β = -0.074）。

东部地区经济高度发达，产业结构合理，产学研结合程度高，人工智能的影响最为显著。西部地区地处内陆，工业发展相对滞后，第三产业已占据主导地位，人工智能加速了信息流动，打破了空间障碍，显著促进了技术进步。而中部地区是中国传统的重工业基地，钢铁、有色金属、机械制造以及能源化工等高耗能产业占比过大（43.7%），这些流程型产业生产连续性强，利用人工智能进行优化需要改造整条生产线，成本高且进程缓慢。此外，中部地区的人工智能研发投入主要集中在省会城市，而重工业集群却分布在三四线城市，技术供给与需求之间存在错配。

中介效应的区域异质性分析显示，东部地区五条中介路径均显著为正；中部地区产业集聚、技术创新、市场化程度和政府激励的中介效应显著为正，但劳动力教育的负向影响十分明显，表明存在严重的人才流失现象；西部地区产业集聚与技术创新的中介效应显著为正，但市场化水平和劳动力教育的中介效应不明显。

六、结论与政策启示

本研究的主要结论是：人工智能显著提升了中国的绿色全要素能源效率，产业集聚、技术创新、市场化水平、劳动力教育水平和政府激励措施是五条关键传导渠道，且影响存在显著的区域异质性。

基于这些发现，研究提出了差异化的政策建议：东部地区应建立人工智能与绿色技术的协同创新体系，实施“智能+绿色”产业转型计划；中部地区需优先推进重工业的智能化改造，缓解技术供需错配，加大人才引进力度；西部地区应完善数字基础设施与碳市场之间的耦合机制，加强与东部和中部地区的交流合作，进一步推进市场化进程。这些建议为实现绿色低碳能源转型以及“3060”双碳目标提供了实证依据。

七、研究亮点

本研究的贡献体现在以下方面：其一，将人工智能与绿色全要素能源效率纳入统一的分析框架，系统整合了各类人工智能技术；其二，运用静态与动态面板模型实证分析人工智能的影响，并同时考察五条中介路径的联动机制，突破了以往研究仅检验单一中介路径的局限；其三，构建了多维度的综合指标体系来测度人工智能与绿色全要素生产率，缓解了以工业机器人等单一代理变量测度所带来的内生性问题；其四，进一步揭示了五个中介变量在不同地区的差异性影响，并探讨了其背后的作用机制；其五，定性分析提供了微观层面的佐证，如苏州工业园区通过人工智能共享平台实现9.2%的能耗削减，广东电力交易所的人工智能电价预测使绿色电力交易量增加22%等，这些案例验证了回归系数的微观基础，同时揭示了市场机制与政策干预之间的协同失衡问题。