數字碳中和：人工智能推動產業降碳的雙重效應探析

摘 要：人工智能技術作為數字碳中和的重要賦能工具，對推動產業優化升級、減少產業碳排放、實現綠色低碳高質量發展至關重要?；?006—2023年省際面板數據和STIRPAT模型分析框架，利用空間面板數據模型探討人工智能賦能產業降碳實現區域碳減排的實證分析結果表明，人工智能對降碳減排具有雙重效應：既有其作為技術創新帶來的各領域要素配置效率提升而產生的正面效應，也有人工智能發展應用中消耗大量電力造成環境污染的負面效應。進一步分析發現，人工智能在產業實體場景中廣泛應用，將有利于推動產業優化升級，形成降碳積極效應，并能有效抵消人工智能自帶的環境成本的不利影響，最終呈現出人工智能賦能產業降碳效應的顯著效果?？臻g效應分解結果反映出，人工智能對產業降碳的賦能效果具有顯著的溢出效應，不但推進產業優化升級實現降碳減排目標，還能有效將其提升的碳排放效率效應沿鏈傳導至相關聯的區域，為區域實現“雙碳”目標創造條件。為此，借力人工智能實現碳中和目標的關鍵在于將人工智能技術與實體產業深度融合，加快“數智”降碳應用場景落地，強化人工智能碳足跡監控優化機制，從而更好地發揮人工智能在產業降碳乃至實現區域碳達峰碳中和目標中的重要推動作用。

關鍵詞：人工智能；產業降碳；數字碳中和

基金項目：國家社會科學基金西部項目（21XGJ007）；廣西哲學社會科學研究年度課題（24JYF035）

作者簡介：劉深，廣西社會科學院宏觀經濟研究所副研究員，從事宏觀經濟、數字經濟研究；曹玉娟，廣西社會科學院宏觀經濟研究所研究員，經濟學博士，從事數字經濟、宏觀經濟與區域合作研究。

主持人簡介：張偉，中國地質大學二級教授、博士生導師、學科領軍人才，國務院政府特殊津貼專家，經濟學博士，從事綠色金融與“雙碳”經濟研究；孫華平，北京科技大學經濟管理學院、江蘇大學財經學院教授、博士生導師，經濟學博士，從事產業經濟、能源經濟研究。

中圖分類號：F124.3文獻標識碼：A" 文章編號：1671-6604（2025）02-0026-14

一、 引言

數字碳中和，是將數字經濟領域與綠色經濟領域緊密結合，通過人工智能、大數據、區塊鏈等數字技術創新運用，推動產業生產效率與碳排放效率雙提升，是在碳達峰、碳中和約束下實現高質量發展的重要技術路徑。習近平總書記在中央政治局第三十六次集體學習時強調：“要緊緊抓住新一輪科技革命和產業變革的機遇，推動互聯網、大數據、人工智能、第五代移動通信（5G）等新興技術與綠色低碳產業深度融合，建設綠色制造體系和服務體系，提高綠色低碳產業在經濟總量中的比重?！毙氯A社.習近平主持中共中央政治局第三十六次集體學習并發表重要講話[EB/OL].（2022-01-25）[2023-06-23].https：//www.gov.cn/xinwen/2022-01/25/content_5670359.htm.我國正處于數字化和綠色化兩大潮流交匯的新時代，必須把握好這一趨勢特征，轉換新思維、踐行新理念，積極探索尋求產業綠色低碳發展新路。

數字技術正引發一系列深刻的產業變革，作為數字經濟的核心技術之一，人工智能通過數實融合路徑，在各行各業推動實現“雙碳”目標過程中發揮著關鍵作用。已有文獻認為，依靠人工智能驅動的研發及應用平臺，將有助于構建生產資源互聯互通的高效連接網絡，帶來宏觀經濟整體全要素生產率提升蔡躍洲，陳楠.新技術革命下人工智能與高質量增長、高質量就業[J].數量經濟技術經濟研究，2019（5）：3-22.，推動全社會綠色低碳化轉型韓晶，陳曦，馮曉虎.數字經濟賦能綠色發展的現實挑戰與路徑選擇[J].改革，2022（9）：11-23.。在制造業領域，人工智能的深度應用將通過提高能源使用率和促進綠色技術創新實現制造業綠色發展唐曉華，遲子茗.工業智能化提升工業綠色發展效率的實證研究[J].經濟學家，2022（2）：43-52.。但也有學者認為，由于算法設計、數據集可靠性等因素，當前人工智能存在的技術性缺陷或將對環境形成不利影響張偉，李國祥.環境分權體制下人工智能對環境污染治理的影響[J].陜西師范大學學報（哲學社會科學版），2021（3）：121-129.。而且，人工智能技術發展也伴隨著更大的資源消耗（尤其是電力消耗）和碳排放量。在“雙碳”目標約束下，人工智能發展應用過程中表現出的雙重特性值得深入探討。

為此，本研究擬選取2006—2023年中國30個省份的面板數據，對人工智能賦能產業降碳進而驅動相關區域碳減排的作用機理進行實證探討。相比已有文獻，本研究的邊際貢獻主要在以下三個方面：一是在研究切入點方面，基于STIRPAT模型框架，從實證層面考察分析人工智能技術應用對解決產業降碳問題的雙重效應；二是在機理探討方面，本研究通過設計實證分析模型，探討人工智能賦能產業降碳的實現路徑，并分析將提升產業碳排放效率的效應沿鏈傳導至相關聯區域的推進路徑；三是在應用對策方面，結合人工智能技術發展應用的雙重效應，提出應在人工智能賦能產業降碳的現實場景中，同時兼顧區域整體碳足跡優化，以顯著提升人工智能技術對區域產業降碳增效的關鍵性作用。

二、理論分析與研究假設

（一） 人工智能技術對碳排放的雙重效應

人工智能技術在推進碳減排過程中扮演著雙重角色，在有效協助應對氣候危機的同時，自身也成為主要碳排放源之一DHAR P. The carbon impact of artificial intelligence[J]. Nature machine intelligence， 2020，2：423-425.。

一方面，人工智能助力實現能源高效利用，為企業污染治理帶來高效解決方案。人工智能驅動的循環經濟是實現能源可持續發展的關鍵要素，通過人工智能數字技術提升能源效率，將為碳交易提供便利，有助于實現循環經濟愿景，以緩解當前所面臨的極端天氣和氣候變化。而且，以人工智能技術為代表的第四次工業革命，將會給環境治理帶來實時和泛在的智能支持，推動智能制造和綠色生產，通過“研發增長效應”和“人工替代效應”，提高企業在降低污染排放方面的能力和水平，實現企業從高污高耗生產到綠色生產的重大轉變。在大數據時代，人工智能通過其極強的環境信息獲取能力，能夠在確保能源系統供能可靠性和高質性的同時，提升制造業企業污染治理的針對性和有效性，實現由高碳向低碳、再由低碳向碳中和的轉變。

另一方面，人工智能技術在應對氣候變化危機中也形成了較大挑戰。人工智能的碳足跡是值得廣泛關注的領域，運行人工智能訓練所需的算力自2012年以來呈指數級上升，隨之而來的是與日俱增的能源消耗，以及相關重大科技基礎設施造成的碳排放。盡管設備和硬件架構一定程度提升了能源利用效率，但對人工智能計算強度持續增長的需求仍將可能形成無法抵消的碳排放隱患。此外，人工智能對環境的不利因素還可能存在于自身架構方面。人類和社會認知的缺陷、原始數據的細微偏差等均會在實際應用中經由人工智能技術放大，進而對人類和自然環境形成威脅。再者，由于信息不對稱等原因，人工智能領域長期存在的可復現性問題，或將導致不必要的碳排放冗余。

據此，本文針對人工智能技術應用對區域碳減排效用，提出如下研究假設：

假設1： 人工智能技術對區域碳排放存在雙重效應，且兩者相互制約，導致人工智能技術自身無法直接形成顯著的碳減排效用。

（二） 人工智能技術賦能產業降碳

人工智能等數字技術對環境影響的一個重要方面就是賦能效應，即人工智能技術在經濟和社會活動場景中深度運用所產生的正向調節效應。制造業是推動產業降碳的主戰場，也是依托人工智能等技術突破賦能實現“雙碳”目標的重要實踐場景之一。

已有研究表明，在制造業優化升級過程中，人工智能技術通過賦能產業轉型及要素重構，有效實現能源效率提升和產業碳足跡優化。人工智能技術作為引領未來的前瞻性、戰略性技術，在與產業深度融合中不斷釋放強大潛能，在提高生產效率，加快產業優化升級方面發揮驅動引擎作用習近平在中共中央政治局第九次集體學習時強調 加強領導做好規劃明確任務夯實基礎推動我國新一代人工智能健康發展[N].經濟日報，2018-10-31（16）.。人工智能技術通過對智能設備賦能，全面優化生產設備，實現人機互聯，促進工業自動化控制、智能化管理、精益化生產，在提升產品質量中最大限度地節約資源、降低能耗陳素梅，李曉華.數字經濟驅動制造業綠色發展的作用機理[J].企業經濟，2022（12）：140-150.。人工智能技術不僅在終端碳減排上發揮作用，還在全產業鏈的減排場景中發揮出更為多元化的作用胡俊，杜傳忠.人工智能推動產業轉型升級的機制、路徑及對策[J].經濟縱橫，2020（3）：94-101.。此外，在數字技術和人工智能與傳統產業融合進程中，孕育出一批“人工智能+”新業態新模式，推動生產方式和消費模式向綠色、節能、循環方向發展，助力實現碳中和目標落基山研究所，百度智能云.數智碳中和——以數智技術助力關鍵相關方實現碳達峰碳中和[EB/OL].（2022-03-03）[2023-06-23].http：//healthnews.sohu.com/a/781552691_468661.。

為此，本文認為依托制造業優化升級這一重要的應用平臺和賦能場景，人工智能技術將在實現產業降碳過程中抵消自身對環境帶來的不利影響，據此提出如下研究假設：

假設2： 人工智能技術能夠在產業優化升級的應用場景中，通過賦能有效降低區域整體碳排放水平。

綜上所述，人工智能技術助力區域“雙碳”目標達成，但其運營會大量消耗能源，增加了人工智能助力碳減排的不確定性。而在產業降碳的實際應用場景中，通過人工智能技術賦能產業轉型升級引發降碳效能提升，將抵消人工智能技術對能源消耗的負面效應，從而正向推動區域低碳化綠色發展。總體分析思路如圖1所示。

三、 實證分析設計

本研究在STIRPAT（Stochastic Impacts by Regression on Population， Affluence， and Technology）理論框架下，結合空間面板數據模型、調節效應模型等分析思路，探討人工智能技術對產業降碳的賦能效應及作用機制。

（一） 計量模型設定

1. 基準模型設定。STIRPAT模型構建了人口因素、財富因素、技術因素對環境變化隨機影響效應的關系模型。因其具有相對靈活的模型形式，能夠分析多元化、非線性的環境沖擊效應，而廣泛應用于環境變化問題的實證分析中YORK R， ROSA E A， DIETZ T. STIRPAT， IPAT and ImPACT： analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological economics， 2003（3）：351-365.。模型的基本形式如下：

Iit=a·Pbit·Acit·Tdit·eit（1）

式中，Iit為因經濟社會活動對地區生態環境造成的沖擊效應，Pit、Ait和Tit分別表示影響地區環境水平的人口、財富和技術三要素，b、c和d分別表示對應因素的彈性，a為常數項，eit為隨機因素。

除了上述三個基本因素外，環境的影響因素涉及面較廣DIETZ T， ROSA E A. Rethinking the environmental impacts of population， affluence and technology [J]. Human ecology review， 1994（2）：277-300.，研究者往往通過在STIRPAT中合理引入額外變量分析有關驅動因素對生態環境的影響機制YORK R， ROSA E A， DIETZ T. STIRPAT， IPAT and ImPACT： analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological economics， 2003（3）：351-365.。本文重點在于分析人工智能技術賦能產業降碳的機制，設定如下基準分析模型：

ln（carbonit）=α0+α1·ln（AIit）+β1·ln（Pit）+β2·ln（Ait）+β3·ln（Tit）+β4·Zit+eit（2）

式中，carbonit為碳排放水平，AIit為人工智能發展水平，α1為人工智能技術發展對區域碳排放的邊際效應，Zit為其他控制變量，α0為常數項，β1、β2、β3為人口、財富、技術要素的邊際效應，β4為控制變量的對應系數。

同時，在分析人工智能對環境影響的雙重效應中，需要考慮人工智能技術應用及發展對地區能源消耗的影響，因此構建如下分析模型：

ln（Eit）=α0+γ·ln（AIit）+β·Zit+eit（3）

式中，Eit為能源消耗水平，γ為人工智能技術發展對能源消耗的邊際效應。

值得說明的是，STIRPAT模型中的技術因素作為對技術環境的綜合反映，體現了在當前生產技術、管理能力、要素配置等條件下實現效率水平提升的結果。而人工智能技術僅是生產過程中應用的一項新興技術，無法完全反映地區技術環境的整體情況。因此變量內涵及實證驗證表明，技術因素變量與人工智能技術變量間不存在信息冗余現象。

2. 調節效應模型。考慮人工智能技術對產業降碳的賦能效應主要在生產過程的融合及交互中實現，人工智能在技術上的突破將通過新型數字基礎設施應用于各行各業，并與行業的碳減排技術以及具體應用相結合，提升產業優化升級的降碳效用。因此，本文選擇用調節效應模型考察人工智能技術推動產業低碳化、綠色化發展的這一路徑。在假設2下，基于調節效應模型的一般分析思路，首先需要驗證產業優化升級能夠有效促進產業降碳，據此構建如下實證模型：

ln（carbonit）=α0+δ1·ln（transit）+β1·ln（Pit）+β2·ln（Ait）+β3·ln（Tit）+β4·Zit+eit（4）

式中，transit為產業優化升級水平，δ1為產業優化升級對區域碳排放的邊際效應。進而分析人工智能技術的賦能效應：

ln（carbonit）=α0+δ1·ln（transit）+α1·ln（AIit）+δ2·ln（AIit）··ln（transit）·+

β1·ln（Pit）+β2·ln（Ait）+β3·ln（Tit）+β4·Zit+eit（5）

式中，ln（AIit）·和ln（transit）·為中心化處理后的變量，δ2為人工智能技術與制造業優化升級對產業降碳的交互效應。在假設2條件下，式（5）中的系數δ2與式（4）中的系數δ1應有顯著的同向增益效應。

（二） 變量設定

1. 被解釋變量。碳排放水平（carbonit）：參考學界的主要做法孫振清，劉保留，李歡歡.產業結構調整、技術創新與區域碳減排——基于地區面板數據的實證研究[J].經濟體制改革，2020（3）：101-108.，本研究通過以下公式估算t時刻i地區的碳排放水平，并以此作為產業碳排放的代理變量：

carbonit=∑jEijt·NCVj·CEFj·COFj·4412（6）

式中，Eijt為t時刻i地區第j種能源的消耗量，NCVj為第j種能源的平均低位發熱量，CEFj為第j種能源的單位熱量含碳量，COFj第j種能源的碳氧化率。為了使前后年份計算的碳排放指標具有可比性，本文選擇使用煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣、電力等9種能源消耗數據進行測算，NCVj、CEFj和COFj等系數可以通過查閱《省級溫室氣體清單編制指南（試行）》和《綜合能耗計算通則（GB/T2589—2020）》獲得。

電力消耗量（electricityit）：電是人工智能運行所需消耗的主要能源，為此本研究選取地區電力消耗量指標作為分析人工智能技術對環境“負能”效應分析的因變量，該指標綜合反映了地區經濟社會活動對電力能源的總體消耗情況，基礎數據可以直接從統計年鑒中獲得。

2. 核心解釋變量。人工智能技術應用水平（AIit）：參考鈔小靜等鈔小靜，薛志欣，孫藝鳴.新型數字基礎設施如何影響對外貿易升級——來自中國地級及以上城市的經驗證據[J].經濟科學，2020（3）：46-59.和何玉梅等何玉梅，趙欣灝.新型數字基礎設施能夠推動產業結構升級嗎——來自中國272個地級市的經驗證據[J].科技進步與對策，2021（17）：79-86.的做法，利用某地區人工智能上市公司的營業總收入作為各地區人工智能技術應用水平的測量變量，并用GDP平減指數調整為基期不變價，以消除價格因素影響。

制造業高級化發展水平（manuStrit）：度量制造業結構升級水平的指標很多，較為常用的有三種，本文擬使用高端技術制造業產值與中端技術制造業產值之比為主要代理變量。制造業各行業的層次分類主要參考靖學青靖學青.上海制造業升級及動力機制實證研究[J].上海交通大學學報（哲學社會科學版），2021（4）：83-96. 的做法。

制造業合理化發展水平（manuRatit）：部分學者使用產業偏離度指標來衡量產業結構合理化發展水平何德旭，姚戰琪.中國產業結構調整的效應、優化升級目標和政策措施[J].中國工業經濟，2008（5）：46-56. ，但這忽略了各層級在經濟中的貢獻蘇方林，黎文勇.產業結構合理化、高級化對碳排放影響的實證研究——基于西南地區面板數據[J].西南民族大學學報（人文社會科學版），2015（11）：114-119.，因此，本文參考李宏等李宏，鄭婧，曹清峰.全球價值鏈嵌入促進了產業結構合理化嗎——基于中國70個大中城市的研究[J].當代財經，2020（5）：112-122.的做法，取每類產業偏離度的加權平均和作為測度制造業合理化發展水平的逆向指標，具體公式如下：

manuRatit=∑iYiY·Yi/LiY/L-1（7）

其中，Yi、Li分別為i類產業的產出和勞動力投入，Y、L分別為總產出和勞動力總投入。若對于任意i類產業，有Yi/Li=Y/L，則產業結構達到均衡狀態，manuRatit=0；若產業結構不合理，則有manuRatitgt;0，且manuRatit取值越大表明產業結構越偏離合理結構狀態。

3. 控制變量。在STIRPAT模型下，首先考慮引入人口因素、財富因素和技術因素作為模型的控制變量。參考前人研究PEI T W， GAO L， YANG C， et al. The impact of FDI on urban PM2.5 pollution in China： the mediating effect of industrial structure transformation[J]. International journal of environmental research and public health， 2021（17）：9107.，以人口密度（pDensityit）作為人口因素的代理變量，反映地區人口的集聚程度，人口密集程度越高的地區往往會對環境造成越大沖擊。以地區生產總值（GDPit）作為財富因素的代理變量，反映地區的發展水平，變量取值越高表明地區的財富水平越高，能源的消耗及相應的污染物排放需求越高。以單位耗電量地區生產總值（GDPpEit）作為技術因素的代理變量，從能源利用效率的角度反映技術水平提升。降低能耗水平，將有助于減少二氧化碳排放。

（三） 數據描述性分析

2006年深度學習技術的提出，開啟了人工智能的第三次浪潮梁迎麗，劉陳.人工智能教育應用的現狀分析、典型特征與發展趨勢[J].中國電化教育，2018（3）：24-30.。兼顧研究的現實意義及數據可得性，本文選取樣本期為2006—2023年，中國30個省（自治區、直轄市）不含西藏和港澳臺地區。的省際面板數據，基礎數據來源于《中國能源統計年鑒》《中國工業統計年鑒》《中國統計年鑒》和國泰安數據庫（CSMAR）、Wind數據庫、金融界等。其中，部分指標缺失數據通過線性插值法補充完善，地區生產總值數據用平減指數調整為基期不變價，以排除物價波動的干擾。

各變量的基本統計信息如下頁表1所示。峰度和偏度指標顯示碳排放變量carbon和地區生產總值變量GDP呈現出較為相似的尖峰正偏分布形態，一定程度反映了二氧化碳排放量與經濟發展存在的相互關聯。人工智能技術測度指標AI具有較大極差，反映出數字經濟在區域上極化發展態勢，區域間人工智能應用水平存在較大差異。

此外，在對碳排放的Moran檢驗（表2）中發現，自變量的Moran’s I取值為0.206 2，在1%的置信水平下存在顯著的空間正相關。由于省際生產協同與社會交流等互動關系影響，各省份的碳排放水平與周邊省份存在一定程度正相關關系，與一般研究結論相符。據此判斷，選擇用空間面板數據模型進行建模是合理的。

四、 實證分析

基于上述分析、假設及實證分析架構，本文實證考察人工智能技術對碳排放影響效應。模型擬合計算在MATLAB中完成，并根據擬合效果選取較優的空間面板數據模型形式，最終確定使用帶有固定效應的空間杜賓面板數據模型對數據進行分析。

（一） 人工智能技術發展對區域碳排放影響

下頁表3為基于（3）式擬合計算的結果，顯示了人工智能技術對區域碳排放影響情況。根據模型結果，人工智能變量AI對區域碳排放產生極其微弱的效應，其系數取值較小且在統計檢驗下不顯著。根據空間面板數據模型效應分解結果，人工智能技術對區域及周邊碳排放形成了一定程度的正向效應，且該效應較為微弱，從實證的角度沒有反映出人工智能技術對碳排放產生顯著影響。由此可知，當前人工智能技術與區域碳排放間存在復雜的作用機理，導致人工智能自身沒有形成明顯的碳減排效用。人工智能應用促進了區域內外要素資源重新配置，明顯提升了生產效能，推進了區域碳減排，與此同時，人工智能運行導致的資源消耗也給區域環境造成了新的隱患。

進一步從人工智能技術對能源消耗效應的擬合結果情況看（表4），在控制了人口、經濟等方面因素下，人工智能變量AI對區域耗電量水平呈顯著的正相關關系，其邊際效應系數為0.002 2，在5%的置信水平下顯著。實證結果與假設1一致，人工智能技術發展應用過程伴隨著本地大量的電力能源消耗，這也是人工智能技術會引發區域碳排放增長的主要原因之一。而人工智能對區域碳排放的直接影響并不顯著，或是因為其自身對各領域要素效率提升產生的效用，一定程度抵消了其帶來的負面影響。因此，人工智能技術本身并沒有直接促成碳減排，人工智能助力區域實現“雙碳”目標的關鍵，在于人工智能技術深度嵌入產業系統環境中，通過“數智”改造，對企業節能降碳流程進行實時監控、方案創新、流程調優和決策優化，讓區域節能降碳取得預期效果。

控制變量方面，實證結果與SPIRPAT模型理論假設相符。提升能源效率對減少本地和周邊地區的碳排放均有積極作用，降低整體二氧化碳排放水平，在一定程度上彌補了對資源環境過度開發帶來的負面影響。從該指標的總效應看，單位耗電量地區生產總值指標GDPpE每提升1%，平均將產生1.249 5%的綜合降碳效應。如表3所示，模型的直接效應、間接效應均表明地區發展水平對碳排放的影響是非線性的，地區生產總值與二氧化碳排放水平間呈現出一條開口向下的二次曲線。由此可知，經濟發展對碳排放具有邊際遞減效應。表象上部分地區二氧化碳排放量仍隨著GDP增長而逐步升高，但事實表明，當某地經濟發展水平足夠發達時，依托相對較高的經濟運行效率和較優的要素配置結構，使得區域更有效地接近“雙碳”目標。人口因素pDensity提升了區域用電量水平，但對于區域碳排放產生的效應顯示為負，說明人口集聚或將有利于形成碳治理的規模效應，提升區域碳排放控制的綜合效益。

（二） 數字碳中和：人工智能技術對產業降碳的賦能效應

中國是全球產業鏈供應鏈“關鍵一環”，龐大的制造業體量使其承擔著全球產業鏈上的巨量碳排放。制造業既是碳排放的主要源頭，也是人工智能技術嵌入實現數字碳中和的“用武之地”。在實證分析過程中我們發現，人工智能技術確實通過賦能產業優化升級加速了產業降碳進程。

下頁表5和表6分別列出了對人工智能賦能產業降碳的調節效應分析結果。其中基準回歸結果顯示，制造業高級化發展變量manuStr每提高1%，平均將降低本地碳排放水平0.075 3個百分點，系數在1%的置信水平下顯著；制造業合理化發展變量manuRat每降低1%，將平均降低本地碳排放水平0.011 6個百分點，但降碳效用相比制造業高級化指標而言并不顯著。制造業合理化主要反映為生產要素在制造業行業間的優化配置。就指標設定本身來說，相對向高科技、高附加值制造業行業方向躍遷，現階段單純追求行業間生產效率均衡化發展在降低能耗與減排方面并未形成顯著效應。

根據人工智能技術在產業降碳進程中賦能效應的驗證結果，在引入交互項后，制造業高級化和合理化發展指標對降低碳排放的主效應均有所提高。其中，制造業高級化發展變量manuStr促進地區碳減排的邊際效應從0.075 3提升至0.092 2，合理化發展變量manuRat促進地區碳減排的邊際效應從0.011 6提升至0.015 2。同時，變量AI與制造業優化升級的交互項均產生了正向調節效用。人工智能技術依托制造業高級化發展場景對碳排放降低形成的直接效應為0.005 5，在1%的置信水平下顯著；依托制造業合理化發展場景對碳排放降低形成的直接效應為0.003 4，在1%的置信水平下顯著。由此反映出，人工智能技術在制造業優化升級中的深度嵌入對產業降碳產生了積極的助推效應。而且，從模型效應分解結果（表6）還可以看出，人工智能技術賦能產業降碳的同時，通過產業鏈條將其碳排放效率提升效應有效地傳導至周邊地區，顯著促進了區域產業整體上的降碳減排。值得注意的是，人工智能技術不但增強了本地制造業升級的降碳能力，還通過空間溢出的間接作用進一步提升區域整體產業降碳水平。由此體現了人工智能技術對產業的賦能，不僅局限于生產工藝的數字化改造和流程的智能化管理，同時還在重構產業組織過程中，通過供應鏈、產業鏈、價值鏈實現數字技術賦能效應的跨空間跨領域傳導，影響并驅動區域朝著實現“雙碳”目標邁進。

由此可知，人工智能賦能產業降碳的路徑體現在兩個方面：一是直接加速本地區的產業降碳進程；二是通過與周邊區域的產業和技術關聯，將產業降碳效應有效傳導至周邊地區?，F階段，中國制造業與人工智能技術融合發展形成領軍者、追趕者、探索者三大梯隊國家工業信息安全發展研究中心.2020人工智能與制造業融合發展白皮書[EB/OL].（2020-11-21）[2023-06-23].https：//max.book118.com/html/2024/1121/5204333114012001.shtm.，高端技術制造業基本屬于追趕者和領軍者梯隊，擁有較好的融合基礎和較高的融合度。因此，相對而言，人工智能應用水平較高、產業優化升級程度較高的地區，能更好地發揮出產業數字化帶來的降碳作用。同時，由人工智能構建起的智能制造生態，有效地將技術和場景拓展至產業鏈的各生產環節中，進而產生產業降碳的空間溢出效應，形成跨地域協同降碳的有利局面。

此外，結合（2）式回歸結果可以發現，在與制造業優化升級融合的數字化場景中，人工智能技術對區域碳排放的效應相對有所減弱，并且人工智能技術對二氧化碳排放量的綜合效應將由正轉負。以制造業高級化場景為例，根據模型效應分解結果，人工智能技術對區域碳排放的綜合效應為（0.009 2-0.021 1*ln（manuStr））。在此場景下，制造業高級化發展水平每提高1%，人工智能技術應用在整個區域范圍產生的降碳效能平均為0.011 9。也即在實際的應用場景中，人工智能技術與各生產環節的深度融合，將能有效克服自身缺陷，綜合實現產業降碳減排的目的。這也從實證角度驗證了假設2的合理性。

五、 研究結論與政策啟示

數字碳中和是“雙碳”目標下數字經濟與綠色經濟交融中的焦點。本文以人工智能技術賦能產業降碳為切入點，基于STIRPAT分析框架，運用調節效應模型、空間面板數據模型，在制造業優化升級場景中，探討以人工智能技術助推產業和區域降碳減排的作用機制及現實路徑。在人工智能技術對碳排放影響的實證分析中發現，人工智能技術對區域碳排放具有復雜的雙重效應。人工智能在運行過程中會伴隨著大量電力資源消耗，對環境造成新的威脅；而人工智能作為技術創新提升了各領域要素配置效率，為降碳減排提供新的解決方案。在數字賦能產業降碳的現實場景中，人工智能技術能夠有效增進制造業高級化發展及合理化發展所產生的降碳效應。而且在與制造業深度融合中，人工智能技術所發揮出的降碳效應，也能夠抵消自身因能源消耗產生的“負能”效應。此外，空間面板數據模型分析結果表明，人工智能技術的數字降碳效應將通過制造業的空間關聯產生顯著的空間外溢作用，產生區域聯動的協同降碳效應，促使區域產業整體走上綠色低碳高質量發展之路。本文結論具有如下政策啟示：

第一，不斷完善對人工智能技術碳足跡的監測與優化機制。當前人工智能領域產生的碳排放大多處在非透明狀態，隨著模型的算力需求持續提升，對人工智能碳足跡的監測和優化機制變得尤為重要。為此，應著力研發兼具針對性和可操作性的碳足跡監測工具，建立人工智能碳評估及相關指標數據的開放共享機制，持續優化人工智能的能源使用方案，協同提升人工智能應對氣候變化能力。圍繞“雙碳”課題，不斷加強以人工智能、工業互聯網等為核心的數字化、網絡化、智能化基礎設施建設，打牢碳達峰碳中和基礎。

第二，人工智能加快發展與加深產業融合并重。當前我國已經進入以人工智能驅動的產業數字化、智能化轉型階段，人工智能只有進一步借助大數據、云計算、物聯網等成熟的數字技術才能實現加速發展，顯著提升其在提供全方位服務、實時數據分享以及無限資源及算法等方面的發展進階，不斷提高人工智能技術創新能力和產業發展水平。人工智能要與產業緊密融合，鼓勵與推動相關技術在制造業各領域多場景的廣泛應用與智能化模式的探索創新，培育形成制造業智能化產業生態系統，逐步實現人工智能服務企業與制造業企業共同向人工智能型制造業轉變的雙向發展路徑，進一步提升人工智能技術與制造業轉型協同推動產業降碳的效用。

第三，產業降碳與區域產業整體碳減排協同推進。目前，我國制造業總體上處于世界產業低端，面臨高能耗、高排放、高成本和低質量被動局面，還面臨實現碳減排碳中和目標的時空壓力，運用人工智能等數字技術加以改造變革，是制造業加快轉型升級的重要路徑。我國應把增強人工智能等數字技術推動產業升級降碳的賦能作用放在重要位置，通過用人工智能儀器設備和技術全面改造提升產業研發設計、市場調研、物流、管理咨詢等各環節，推廣數字化的先進工具和網絡化創新資源，改善智能化管理模式。有關部門應協同推進區域產業整體加快綠色低碳轉型，推動產業工藝工序與制造流程的數字化、智能化、低碳化改造，實現區域資源合理配置和能源效率優化，降低生產能耗、減少碳排放、提高生產效率，構建產業鏈供應鏈綠色發展網絡，促進區域產業綠色低碳高質量發展。

第四，激發企業動力與激活人工智能應用潛力共進。在充分發揮市場在資源配置中的決定性作用、激發企業廣泛應用人工智能技術的內生動力和創新活力的同時，積極培育“專精特新”中小企業，以龍頭企業為帶動，沿綠色供應鏈有序組合、協同交互，形成人工智能創新生態，創造更多數字經濟與實體經濟融合、數字經濟與綠色經濟協同下的新興經濟增長點。將在產業降耗、減排、低碳生產等方面推動人工智能技術創新應用作為人工智能與產業深度融合過程中的重點，優化低碳生產應用場景布局，運用數字化智能化手段助力低碳生產，開展碳排放源認定、碳排放數據分析、監管預測等，由此帶動企業內外部更多業務場景的AI泛化升級，最終達成以人工智能技術推動產業降碳的目標。

（責任編輯： 趙文青）

Digital Carbon Neutralization： An Empirical Study on the Dual Effects of Artificial Intelligence in Promoting Industrial Carbon Reduction

Liu Shen， CaoYujuan

（Institute of Macroeconomics， Guangxi Academy of Social Sciences， Nanning 530022， China）

Abstract： Based on the inter-provincial Panel data from 2006 to 2023 and the STIRPAT model， this paper uses the spatial Panel data model to explore the mechanism of how artificial intelligence achieves regional reduction of carbon emission through digital empowering. The results indicate that artificial intelligence increases carbon emission due to its consumption of a large amount of electricity in its development and application while it reduces carbon emission by the improvement of factor allocation efficiency in various fields brought about by technological innovation. A further analysis reveals that the wide use of artificial intelligence in industries accelerates industrial optimization and upgrading， which in turn enhances the carbon reduction effect， and effectively offsets the negative impact on environment， and does achieves the ultimate carbon reduction through artificial intelligence empowering. The decomposition results of spatial effects show that artificial intelligence not only promotes industrial optimization and upgrading to achieve emission reduction goals， but also effectively transmits the reduction effect to related regions along the chain， creating conditions for regional carbon reduction goals.

Key words： artificial intelligence; industrial carbon reduction; digital carbon neutralization