人工智能政策賦能城市能源效率提升

鍵詞人工智能政策；能源效率；人工智能創新發展試驗區；空間外溢效應中圖分類號 F49；F206.0 文獻標志碼A 文章編號1002-2104（2025）04-0024-14 DOI：10.12062/cpre.20250130

世界經濟發展正朝著效率化、集約化和生態化的方向邁進，能源效率的價值深刻地體現在減污降碳引致的廣泛而深遠的經濟社會結構性變化之中[1。黨的十八大以來，中國深入推進綠色發展的能源供給側結構性改革，并取得顯著成效，以年均 3% 的能源消費增速支撐了年均 6.2% 的經濟增長。然而，在能源環境約束趨緊的背景下，長期依賴高能耗的發展模式成為綠色轉型的最大挑戰。黨的二十大報告強調，“完善能源消耗總量和強度調控”“推動能源清潔低碳高效利用\"“加快發展方式綠色轉型”，為能源效率提升指明了方向。2023年12月底召開的2024年全國能源工作會議進一步強調，要以更大力度打造新質生產力，推動科技與產業融通銜接，著力建設能源科技創新高地。提升能源效率成為打造能源科技創新高地與發展方式綠色轉型的重要結合點與著力點。人工智能政策作為新質生產力的重要組成部分，有效契合了綠色發展的新訴求，成為實現能源效率提升的重要模塊。自2019年起，中國分8個批次在18個城市正式批復設立的國家新一代人工智能創新發展試驗區（以下簡稱人工智能試驗區），是中國提升人工智能科技創新能力、加大人工智能技術應用與發展新質生產力的集中體現。人工智能政策在推動可持續發展、優化資源分配以及增進民生福祉等方面也展現出實現綠色發展的現實緊迫性。本研究嘗試從能源環境層面考察人工智能政策的實施效果，探究以人工智能試驗區為示范的人工智能政策是否與城市能源效率之間存在內在聯系。對這一問題的回答，不僅有助于檢驗和拓展人工智能政策的有效性邊界，還是落實黨的二十大報告關于“推動制造業高端化、智能化、綠色化發展\"這一重要部署的先行基礎，具有理論和現實層面的雙重意義。

1文獻回顧

1.1人工智能的\"經濟模樣”

人工智能（artificial intelligence，AI）具有極強的“頭雁\"效應，日漸成為學者研究的一個熱點。從宏觀層面來看，AI不僅會促進生產力的提高，還會影響經濟乃至社會制度，實現產業內的包容性增長[2]。從微觀層面來看，AI優化了勞動和資本之間的配置效率和要素結構3，提升了企業勞動生產效率和企業價值4]。近年來，AI對能源消耗的影響成為一個突出的討論話題。一些悲觀的研究表明，AI的擴散和全球能源消費的顯著激增之間存在強烈的相關性。一方面，在未及時干預AI的情況下可能會出現全球范圍內的能源危機5；另一方面，隨著AI投入快速增長，生產規模擴張所催生的“回彈效應”壓力又為AI引致能源效率提升帶來了隱憂。相反，眾多學者則秉持更為積極的態度，強調了AI在推動節能技術進步方面的潛力[7]。AI帶來的資本體現式技術進步也可以減少能源要素消耗，提高能源使用效率[8]。Li等[9]發現AI可以幫助預測能耗和調度資源，進而提升能源效率；金祥義等[0認為AI通過生產前端控制、生產流程管理、生產末端治理實現企業減排;呂越等[的研究也表明，AI主要依靠研發創新效應、減排設備增長效應和勞動力替代效應降低污染物排放。這一支文獻從AI技術賦能的視角展開了較為翔實的分析，但現有文獻還未關注到從政策驅動視角探究AI對城市能源效率的影響。

1.2政府政策對能源效率影響的相關研究

在能源問題當中，政府往往扮演著非常重要的角色，因此政府政策與能源效率之間或許存在著某種內在的聯系[12]。環境規制與能源效率的關系一直存在著廣泛爭論，傳統分析認為環境規制通過施加污染治理成本，在短期可能降低能源效率，而“波特假說”則認為環境規制通過促進創新的渠道改善了能源效率。國內外文獻分別支持了“促進論”1]、“抑制論”[13]和“非線性論”[14]。除環境規制外，政府還采取鼓勵性產業政策，如孫鵬博等[15]指出，政府應實施稅收激勵政策提升企業能源效率；王賢彬等[1]發現節能目標政策明顯提升了城市能源效率；徐曉亮等構建動態CGE模型發現，能源補貼改革在一定程度上會提高能源消費強度。此外，政府采取排污費征收標準調高7等方式，從前端生產環節對污染進行治理，迫使污染型企業進行技術革新，以有效提升能源效率。

1.3 文獻評述

現有研究主要聚焦于人工智能政策實施的創新效應[18]、金融資產配置效應[19]，對其產生的能源環境效應的探討仍較為匱乏，缺乏系統性研究。無論是傳統的新古典經濟模型，還是內生增長模型，技術進步始終是推動綠色發展的底層邏輯和長期動能[20]。事實上，實現綠色發展，特別是如何提升能源效率，其關鍵在于識別阻礙新技術采納的因素[12]。鮮有文獻關注與探討人工智能政策與城市能源效率之間的關系。究其原因，人工智能政策是當下數智化浪潮席卷到的新領域，先前的研究半徑還未拓展到此，這為本研究提供了寶貴的研究空間。不可否認的是，與以環境效益為核心的傳統環境政策和經濟效益為核心的傳統產業政策工具相比，人工智能政策不僅兼顧技術進步，還將技術進步與節能減排機制有機結合起來，在不增加政策成本的條件下發揮“政策的正外部性”。因此，針對人工智能政策與能源效率這一問題的研究，不僅能在理論上厘清人工智能時代下政府扶持政策對城市能源效率的影響，且能夠在現實中回應“十四五”規劃關于“深入實施智能制造和綠色制造工程\"這一重要理念的必要性和緊迫性。

本研究可能的邊際貢獻在于：第一，研究視角方面，以人工智能試驗區的批復構造準自然實驗，評估論證了以人工智能試驗區為代表的人工智能政策對城市能源效率的影響。這在一定程度上拓展了有關人工智能政策的研究內容，也從政策層面豐富了有關中國情境下能源效率的研究體系。第二，作用機制方面，揭示了人工智能試驗區建設對城市能源效率提升的內在機制，重點關注城市要素配置、產業結構、綠色創新三者有機發展對能源效率的影響。同時將空間網絡因素納人考量，結合偏離份額方法的分析框架，探索和分析人工智能試驗區建設對各城市能源效率提升的自主內生作用。第三，政策啟示方面，以中間傳導路徑、多角度的異質性分析擴展了人工智能試驗區建設與城市能源效率內在關系的理論邊界。從提質增效的角度幫助理解政府政策中的人工智能政策在實際經濟活動過程中的智能化、綠色化驅動作用，為培育新質生產力和優化環境治理體系提供有益參考。

2政策背景與理論分析

2.1政策背景

為適應新一輪科技革命和產業變革，國務院分別于2015年、2016年印發了《中國制造2025》和《“十三五\"國家科技創新規劃》，將智能電網技術與裝備、煤炭清潔高效利用技術與裝備等列為重點發展領域，推動了人工智能技術在能源領域的研發與應用，為人工智能與能源制造業的融合發展提供了政策指引。2019年，科技部印發《國家新一代人工智能創新發展試驗區建設工作指引》，開始“試點先行、積累經驗、逐步推開”漸進式人工智能試驗區建設的實踐嘗試，在制造、物流、環保等領域開展人工智能技術應用，致力于打造一批具有重大引領帶動作用的人工智能創新高地。截至2024年8月，科技部分8批在北京、上海、天津、深圳、合肥、湖州、重慶、成都、、濟南、廣州、武漢、蘇州、長沙、鄭州、沈陽、哈爾濱等城市設立了國家新一代人工智能創新發展試驗區，重點圍繞京津冀協同發展、長江經濟帶發展、粵港澳大灣區建設、長三角區域一體化發展、成渝雙城經濟圈等重大區域發展戰略進行布局，兼顧東部、中部、西部及東北城市協同發展，推動人工智能成為區域發展的重要引領力量。例如，北京作為首個獲批的人工智能試驗區，以“大數據 + 大模型”為基礎推動人工智能發展，開發出首個可以實現數十種能源同時管理的“天樞一號\"智慧能源系統，在諸多場景里實現了能源的綜合能耗大大降低。

2.2 理論分析

中國前沿產業從初步探索邁向規?；l展，不僅需遵循產業自身規律、響應市場變化，更離不開系統性政策的有力支撐[21]。人工智能試驗區是國家經濟發展邁上“人工智能”發展階段的重要標志，直接推動戰略性新興產業融合集群發展，在地方布局和建設未來產業，解決人工智能科技和產業化重大前沿問題。結合人工智能試驗區建設的工作重點，其影響城市能源效率的作用機理，主要體現在以下3個方面。

2.2.1優化資源要素配置

人工智能試驗區積極探索人工智能發展的政策體系，通過優化資源要素配置提升城市能源效率。根據制度變遷理論，某一地區制度改革與機制創新會深刻影響當地資源要素配置與要素組織結構。人工智能試驗區在體制機制、政策法規等方面先試先行，加快形成支持人工智能發展的良好生態[18]，有效打破傳統資源要素配置中存在的時空約束和信息壁壘的限制，吸引更多新企業進入。這尤其體現在深入推進基礎設施建設、加強人才培育、健全財政金融服務機制、完善法制保障體系等改革舉措，通過重塑資源要素配置機制，減少資金、人才與人工智能不匹配的要素錯配狀況，進一步激發政策供給效能。在人工智能試驗區政策實施過程中，人工智能技術的深度應用通過培育高端要素催生新質生產力，引導資源要素從低生產率部門向高生產率部門流動，實現資源要素配置的“算法化”與“精準化”，優化資源要素配置。當地資源要素配置效率的提高，會引發能源投入要素比例的迅速調整。一方面，能源消耗與污染物排放的分布格局更加合理化2，在一定程度上緩解資源要素配置扭曲導致的能源效率損失23；另一方面，對于當地企業而言，顯著的資源要素配置優化效應會加劇當地在位企業與新進入企業之間的競爭，促使邊際生產率降低，即能源消耗強度更高的企業逐步退出市場，從而減少整體產出規模擴張所需的能源投入量，提升城市能源效率?；谏鲜龇治?，提出研究假設H1。

H1：人工智能試驗區通過優化資源要素配置，進而促

進城市能源效率提升。

2.2.2統籌產業結構調整

人工智能試驗區從產業橫向延伸和縱向深化兩個方面，不斷加強產業協同集聚和產業鏈韌性，有助于統籌產業結構調整，進而提升城市能源效率。在橫向延伸方面，人工智能試驗區為產業內及產業間建立良好的合作機制提供了必要的制度環境，這有助于加速轄域內產業集群形成，包括算法、數據、模型、人才、生態等人工智能關聯產業，引導資源要素更多地投入和轉移至新興產業部門，向中高端、智能化和生產性服務業集聚，從而優化產業布局；在縱向深化方面，根據熊彼特創造性破壞理論，以人工智能為代表的新興技術，對傳統產業會產生重大沖擊甚至顛覆性影響，實現由技術創新應用向產業創新的轉變，為產業基礎高級化、提升產業鏈韌性提供新動能。人工智能試驗區政策進一步明確了加快發展人工智能技術，有效推進了人工智能與傳統產業的深度融合，使得更多前沿知識、先進經驗等高級要素滲透傳統產業鏈，提高產業鏈上下游之間的協同程度，實現縱向的產業鏈韌性提升。依據“配第-克拉克定理\"的產業演進定理，產業結構調整將直接改變能源要素投入產出關系，改變能源的消費結構，進而影響能源效率。產業橫向延伸和縱向深化的結構調整，通過兩個或多個關聯產業在合理空間范圍內協同并進的方式，以及改造升級現有產業鏈生產模式的途徑，引發地區專業化分工完善、拓展能源獲取渠道，并產生顯著的馬歇爾外部性。由此加快淘汰傳統落后產能，即從高能耗、低附加值產業向低能耗、高附加值產業轉移，實現能源的需求和消耗量的降低。基于上述分析，提出研究假設H2。

H2：人工智能試驗區通過統籌產業結構調整，進而促進城市能源效率提升。

2.2.3提高綠色創新質量

人工智能試驗區強調持續提高綠色能源使用比率和加強節能環保技術的研發應用，通過提升綠色知識寬度，進而促進城市能源效率提升。與綠色創新數量相比，綠色創新質量更能凸顯出綠色創新水平的真實效果，對于推進綠色發展和實現“雙碳”目標具有重要意義。人工智能試驗區不僅通過為企業提供集聚的載體和創新的平臺，還通過不斷完善創新環境改革，加快建立綠色創新成果快速轉化的有效機制，減少和避免“創新假象”“專利泡沫”等現象的發生。具體而言，一方面，人工智能試驗區會加大對智能制造、高端設備等關鍵領域的科技投入，使綠色創新邊界逐漸模糊化，實現從知識積累、研發到應用的單一鏈條式創新過程向綠色創新生態網絡的轉變，增加顛覆式創新的可能性，拓展綠色創新的知識寬度；另一方面，試驗區通過制度創新優化企業創新環境，有利于企業在綠色創新決策時捕獲更多有價值的信息，激勵企業采取更加高效、精準和智能化的綠色技術創新方案，或與其他創新主體展開緊密的知識合作，增強新知識的豐富性和異質性，進而提升企業綠色創新質量。企業綠色創新質量的提升有利于改進生產設備、創新生產工藝和革新生產技術，助力綠色專利知識創造與累積，加速生產方式變革，驅動高投入、高耗能的傳統粗放型生產方式向綠色集約型生產方式轉變，通過產業綠色化提升城市能源效率[24]。而且，企業綠色創新質量的提升，加快了清潔工藝、治污技術和綠色裝備等綠色創新成果轉化，保障了綠色產品的有效供給[25]，有利于激發綠色創新的資源節約、清潔生產和環境友好優勢，形成低排放、低能耗和低污染的綠色經濟發展模式[26]?；谏鲜龇治?，提出研究假設H3。

H3：人工智能試驗區通過提升綠色創新質量，進而促進城市能源效率提升。

3 研究設計

3.1模型設定

為識別人工智能試驗區對能源效率的作用效果，將人工智能試驗區的批復構造準自然實驗，選用交錯雙重差分模型實證檢驗政策前后各城市能源效率的變化差異。借鑒許文立等2的研究，構建如下計量模型：

η_it=β₀+β₁Z_it+β₂X_it+ρ_i+τ_t+ω_pt+ε_it

式中：下標 i，p，t 分別表示城市、省份和年份； 表示城市 i 在 Φ_t 年的能源效率，使用超效率SBM模型測算能源效率； Z_?it 為城市 i 是否屬于人工智能試驗區的虛擬變量，若是則取值為1，若否則取值為 0;X_it 表示可能影響城市能源效率的隨時間變化的控制變量。除了上述可觀測的影響因素之外，還引入了城市固定效應 ρ_i ，用于控制城市層面不隨時間變化的特征； τ_t 為時間固定效應，用于控制隨時間變動的經濟因素或政策沖擊對城市能源效率的影響； ω_pt 為省份和時間聯合固定效應，用于控制省份隨時間變化的無法觀測的異質性因素，例如，不同省份能源政策沖擊及經濟周期波動對城市能源效率影響； ε_it 為殘差項，服從獨立同分布； β 是關注的核心系數，反映了人工智能試驗區建設對城市能源效率的平均處理效應。

3.2變量選擇

3.2.1被解釋變量

被解釋變量為城市能源效率 （η） ，借鑒已有學者的做法[1.24]，采用包含非期望產出的超效率SBM模型進行測度。具體來說，將各城市視為決策單元 （L） 。假設有 n 個L ，每個 L 均有 m 種投入，記作 x_i（i=1，2，3，…，m） 5 S_? 種期望產出，記作 y_r（r=1，2，3，…，S₁）;s S₂ 種非期望產出，記作 c_a （a=1，2，3，…，S₂） 。則生產可能集為：

式中： ξ 為測算的效率值； s_i^-，s_r⁺，s_t^a- 表示松弛變量，具體指代投入、期望產出以及非期望產出； λ_j 是強度變量。投入指標包括： ① 勞動力投入。使用各城市年末就業人數衡量。 ② 資本投入。使用各城市社會固定資產投資總額表示，并以2015年為基期，采用永續盤存法進行估算。③ 能源投入。使用各城市能源消耗總量來表示（各類能源消耗量統一折算為萬t標準煤）。產出指標包括： ① 實際地區生產總值。采用各城市實際地區生產總值（以2015年的價格作為基期，對地區名義生產總值進行平減得到地區實際生產總值）表示期望產出。 ② 工業二氧化硫排放量、工業廢水排放量以及工業煙粉塵排放量。采用線性數據轉換函數法對生產過程中的這3類非期望產出進行處理。

3.2.2核心解釋變量

根據國務院發布的試點城市名單，對人工智能試驗區虛擬變量 進行賦值，如果城市i在t年設立了人工智能試驗區，賦值為1，否則賦值為0。在界定試驗區設立的具體年份時，考慮到各城市實施試點政策是以該城市發布方案的時間為準，而部分城市具體政策實施內容的發布時間在下半年，當年難以發揮影響。因此，以6月30日作為分界點，若試驗區的批復在該日期前，視為當年實施政策；反之，則視為下一年實施。

圖1展示了2015—2022年不同城市組別能源效率的變化趨勢。由圖1（a）可以看出，人工智能試驗區組的平均能源效率一直高于非人工智能試驗區組，尤其在2019年之后，隨著人工智能試驗區的批復，兩組差異逐漸增大。由圖1（b）可以看出，在剔除人工智能試驗區城市后，發現人工智能試驗區毗鄰城市組和非毗鄰城市組之間的能源效率差異有減小的趨勢，可能伴隨著城市虹吸效應，在后續檢驗中佐證這一典型事實?？傮w來說，人工智能試驗區與能源效率的提升表現出了很強的正相關性，但其中是否具有因果聯系則需要進一步的實證檢驗。

3.2.3控制變量

控制變量包括經濟發展速度 （V_GDP） ，用地方生產總值增長率衡量；城鎮化水平 （H_URB） ，以非農業人口數與城市總人口數的比值表示；財政分權 （F） ，用地方財政一般預算內收入與地方財政一般預算內支出的比值衡量；對外開放程度 （o） ，用當年實際使用外資金額衡量，并做對數化處理；金融發展水平 （H_FIN） ，用年末金融機構存款余額與地方生產總值比值衡量；互聯網普及率 （I） ，以國際互聯網用戶數與年末戶籍人口數量的比值表示。

3.3 數據來源與說明

本研究采用中國282個地級及以上城市2015—2022年的城市面板數據（受數據可得性或數據缺失限制，未包括綏化市、三沙市、儋州市、畢節市、銅仁市、欽州市、海東市、吐魯番市、哈密市以及被撤銷的巢湖市和萊蕪市，未涉及西藏、香港、澳門和臺灣等省份的城市），人工智能試驗區名單及對應的實施時間來自科技部及各個試驗區頒布的文件；研究中使用的數據來自《中國城市統計年鑒》《中國能源統計年鑒》《中國環境統計年鑒》等；機制變量數據來自世界知識產權組織發布的“國際專利分類綠色清單”中國專利數據庫、天眼查特定搜索、國家專利局。對主要連續變量進行插值和上下 0.5% 的縮尾處理后，主要變量的描述性統計結果見表1。

4基準實證結果

4.1基準回歸

表2報告了人工智能試驗區建設與城市能源效率的基準回歸結果。列（1）僅控制城市和年份固定效應，可以看到Z的系數為0.096且在 1% 的水平上顯著；列（2）加入城市層面系列控制變量后，Z的系數變為0.098并在 1% 的水平上保持顯著，這說明人工智能試驗區建設對城市能源效率具有顯著的提升效應。列（3）結果顯示，Z的估計系數變為0.078，且在 5% 的水平上依舊顯著，說明在考慮到省份-年份異質性趨勢后，人工智能試驗區建設依然顯著提升城市能源效率。

4.2 模型的有效性檢驗

4.2.1平行趨勢檢驗

雙重差分方法的使用需要滿足平行趨勢假定，即在國家正式批復人工智能試驗區之前，處理組與對照組的城市能源效率的時間變動趨勢并不存在系統性差異。使用事件研究法對表2的估計結果進行事前平行趨勢檢驗，設定如下計量模型，同時可用來檢驗人工智能試驗區建設的時間異質性：

ω_pt+ε_it

式中： 是城市 i 在 Φ_t 年是否為人工智能試驗區。假定城市 i 批復人工智能試驗區年份為 Z_i ，令 k=t-Z_i ；當k=-5，-4，…，2，3 時， D_it=1 ，否則為 0 將 k=-1 即人工智能試驗區前1年作為基準期。通過比較式（4）中參數 α_k 的經濟和統計顯著性，可以檢驗人工智能試驗區政策效應的動態變化。檢驗結果如圖2所示，在人工智能試驗區正式批復之前，處理組與對照組的能源效率并無顯著差異1 95% 的置信區間），隨著人工智能試驗區陸續批復，其對提升能源效率的積極作用一直存在。

進一步，選擇Rambachan等[28]提出的相對偏離程度限制來構建穩健置信區間，進行平行趨勢敏感性分析。

該方法需滿足遺漏變量對處理效應的影響不敏感的基本假設。對此，參照 Oster^[29] 的做法，對潛在的遺漏變量問題做進一步檢驗。據表3可知，估計結果均較好地通過了Oster檢驗，故可認為處理效應估計量對不可觀測混淆因子不敏感。在此基礎上，設置最大偏差度為一倍的標準誤，以檢驗人工智能試驗區批復后，處理效應的平行趨勢敏感性。檢驗結果顯示（圖3），在相對偏離程度限制下，政策實施年和政策后一年得到的能源效率提升效應依舊十分穩健。這表明，即使平行趨勢存在一定程度的偏離，人工智能試驗區建設仍然顯著提升城市能源效率。

注：根據 得到真實估計系數的一致估計量，式中R_max 代表不可觀測的遺漏變量能夠被觀測時的最大擬合優度，8表示選擇比例，用以說明可觀測和不可觀測變量與內生變量之間的相關關系強弱。其次，采用以下兩種方法進行檢驗， ① 當 β=0，R_max= 1.3R時，可得 |δ|gt;1 ，表明通過檢驗； ② 當 δ=1，R_max=1.3R 時，由β^* 構成的內生變量回歸系數的取值范圍不包括0，表明通過檢驗。

4.2.2異質性處理效應檢驗

當交錯雙重差分的處理效應存在異質性時，即使滿足平行趨勢假定，權重會出現為負的情況，而不符合現實情況與研究目的。借鑒DeChaisemartin等[30]建議的估計量對基準模型進行檢驗，所得到的異質性處理穩健性指標為0.807，在一定程度上表明估計結果具有穩健性。為了進一步驗證異質性處理效應對估計偏誤風險有限，以從未受處理作為對照組進行動態效應檢驗，可得到人工智能試驗區在前4期、后3期的動態處理效應（圖4），檢驗結果與上文的平行趨勢檢驗并無顯著差別，表明交錯雙重差分模型的設置是合理且有效的。

4.3 穩健性檢驗

4.3.1安慰劑檢驗

根據國家對人工智能試驗區批復的情況，隨機生成了若干次虛擬處理組，進行與模型（1）相同的回歸，為基準回歸研究結論提供穩健性保證。對政策變量Z重復隨機抽樣500次，得到Z與城市能源效率回歸系數的 P 值分布和核密度分布圖。通過觀察圖5可以發現，使用隨機生成的虛擬政策變量系數分布在零值附近，且均遠離基準回歸系數，說明研究結論并非偶然，確實是由人工智能試驗區批復所帶來的。

4.3.2合成雙重差分法

在現實情況中往往無法觀測到政策發生后處理組的政策“不發生”，使用合成雙重差分法來評估人工智能試驗區的能源效率提升效應。該方法不僅能夠一定程度上減少政策出臺前后時間因素導致的差異，而且重新加權并匹配事前趨勢，極大削弱了估計量對平行趨勢假設的依賴性。在靜態效應方面，平均處理效應為0.087，在 1% 的水平上顯著，說明人工智能試驗區總體上有效提升城市能源效率。在動態效應方面，利用擴展的合成雙重差分法識別人工智能試驗區正式批復后的每一期政策效應（圖6。結果顯示，人工智能試驗區批復后，城市能源效率提升呈現逐漸加強趨勢。無論是靜態效應還是動態效應，都充分說明人工智能試驗區顯著提升城市能源效率，基準回歸的結論是穩健的。

4.3.3更換核心變量

對核心變量進行了重新調整：其一，超效率SBM模型雖然考慮了非徑向松弛變量，卻損失了投入產出實際值與目標值之間的比例信息，使用基于規模報酬不變假設的CCR模型對能源效率重新進行測度。表4列（1）在更換結果變量定義方式后， Z 系數值在 1% 水平上顯著為正，說明結論是穩健的。其二，出于對人工智能試驗區界定方式合理性的考慮，采用試驗區批復當年就將政策變量賦值為1的方式，重新構造人工智能試驗區政策變量（Z_A） ，表4列 （2）Z_A 的系數值在 5% 水平上依然顯著為正，說明前文結論具有較強的穩健性。

4.3.4改變研究樣本

一方面，考慮到北京、上海、天津和重慶4個直轄市在經濟發展、資源占有率等方面與其他城市存在較大的差異，將直轄市樣本剔除后重新估計，結果見表4列（3），Z系數仍在 5% 水平上顯著為正，并未發生明顯變化，說明基準回歸結果的顯著性不受直轄市這種特殊城市所影響。另一方面，以中國70個大中城市作為基礎樣本。此外，人工智能試驗區要求申請城市具有科教資源和產業基礎累積，考慮新增2015年之前依托國家高新區建設的國家自主創新示范區25個城市，但因部分城市已屬于70個大中城市，故凈增11個城市。因數據缺失問題，剔除70個大中城市中的大理市，篩選后的研究樣本為80個城市。估計結果見表4列（4），Z系數在 10% 水平上顯著為正，說明前文結論不受樣本選擇問題的干擾。

4.3.5緩解潛在內生性

科技部在確定人工智能試驗區城市時，明確要求申請城市應具備豐富的科教資源、較好的產業基礎、健全的基礎設施和相應的支持措施等，并且原則上是國家高新區建設的國家自主創新示范區城市。這些原本存在的城市之間的差異，隨著時間的推移對城市能源效率可能產生不同的影響，從而造成估計偏差。為了緩解試點城市選擇造成的內生估計偏誤，采用劉珊等[31的方法，在基準回歸模型的基礎上，加入樣本期內該城市是否擁有國家高新區和國家自主創新示范區兩個基準因素與時間趨勢的交叉項，表4列（5）Z的估計系數仍然顯著為正，表明城市固有的特征差異并不會影響研究結論。

4.3.6排除同期其他政策干擾

為排除同期可能會影響能源效率的政策對基準估計結果的干擾，整理了樣本時間段內執行的“中國制造2025”國家級示范區、用能權交易試點和數字經濟創新發展試驗區等政策。為排除上述政策變量的潛在影響，將“中國制造2025”國家級示范區、用能權交易試點和數字經濟創新發展試驗區納入基準回歸模型。表5列（1）結果表明，在加入相關政策變量后，Z的系數仍在 5% 水平上顯著。

4.3.7預期效應檢驗

為了排除可能的政策預期對估計結果的干擾，參考許文立等27的做法，將人工智能試驗區時間提前一年和提前兩年，構建試點前一年和前兩年的政策變量納入基準模型中。表5列（2）回歸結果顯示，Z系數值仍然在 5% 水平上顯著，說明人工智能試驗區并無預期效應。

4.3.8考慮虹吸效應的影響

由圖1（b）可知，人工智能試驗區可能對毗鄰城市產生一定的虹吸效應。為了驗證該推測，剔除人工智能試驗區樣本，并參照試驗區推行時間段，構建與人工智能試驗區在行政區劃上毗鄰城市是否批復人工智能試驗區變量 （S_PE） ，代替基準模型中的核心解釋變量進行回歸。表5列（3）的檢驗結果表明， S_PE 的系數為負，且不具有統計學意義上的顯著性。進一步，在基準回歸基礎上剔除與人工智能試驗區毗鄰城市樣本再次回歸，表5列（4）結果表明，Z系數值依舊在 1% 水平上顯著，證明主要結論是穩健的。

4.4 空間外溢效應

雖然人工智能試驗區可能對毗鄰城市產生一定的虹吸效應，但是政策本身具有很強的空間外溢性，在促進本城市能源效率提升的同時，還可能通過創新資源的集聚與擴散對全國各城市產生正向空間外溢效應。也就是說，人工智能試驗區建設的政策效應由各個城市共享。一方面，政府實施的政策手段可能會成為其他城市的模仿對象，產生“同群效應”32]。信息化、網絡化和高鐵貫通的便利性，很容易使城市間通過經貿聯系實現政策模仿，產生政策擴散效應，從而提升各城市的能源效率；另一方面，人工智能對新興產業和未來產業存在選擇性偏向，能引發城市創新要素集聚，推動城市群之間經貿往來、資源共享與合作33，形成規模效應，進而對各城市產生知識和技術的溢出效應。因此，人工智能試驗區能夠通過政策的空間外溢效應，加速傳統粗放型發展方式向清潔、綠色、低碳的轉型，進而促進各城市能源效率的提升。根據各城市獲批人工智能試驗區的時間和各城市間的經貿聯系，構建空間外溢效應的代理變量 B_it ，并在模型（1）的基礎上，設定下式（5）作為本部分回歸模型，以便考察人工智能試驗區的空間外溢效應對各城市能源效率的影響。

η_ii=β₀+β₁B_ii+β₂X_ii+ρ_i+τ_i+ω_pt+ε_ii

式中： 衡量了人工智能試驗區所帶來的空間外溢效應。本部分的研究目標是基于人工智能試驗區，準確識別空間外溢效應的存在性。通過借鑒Borusyak等[34]對偏離份額方法的討論，以及與張輝等35的處理方法類似，按照如下方式構建人工智能試驗區空間外溢效應代理指標： 其中， Z_jt 代表 χ_t 年城市j受到的人工智能試驗區沖擊。 w_i，j，0 是敞口份額（exposure shares），是城市i基年（樣本起始年份）對城市 j 的經貿聯系強度。引力模型最初屬于物理學領域的建模思路，隨著城市之間經貿關聯日益緊密，城市經濟學家將該方法引入經濟學領域，用以計算城市之間相互影響程度。借鑒該思路計算城市間經貿聯系強度，建立修正的城市間經貿引力模型如下： 其中， G 為城市實際生產總值， U 為常住人口數量， D 為城市與城市之間的距離， k_i，t 為引力模型修正系數。

模型（5）的回歸結果見表6。列（1）僅控制城市-年份固定效應，可以看到 Z 的系數在 1% 的水平上顯著;而在加入城市層面系列控制變量后，列 （2）B 的系數仍在 1% 的水平上保持顯著。列（3）加入省份-年份交互固定效應后， B 的系數變為0.0004，且在 5% 的水平上依舊顯著，表明人工智能試驗區的空間外溢效應使得各個城市能源效率提升0.04個百分點，占人工智能試驗區建設直接效應的 5‰ ，這一結論與理論預期及經驗事實相符，驗證了人工智能試驗區的空間外溢效應顯著提升城市能源效率。

5機制檢驗與異質性分析

5.1 機制檢驗

為考察人工智能試驗區影響城市能源效率的作用機制，借鑒王偉龍等2的做法，先分別考察人工智能試驗區對資源要素配置、產業結構調整和綠色創新質量的影響，然后分別將人工智能試驗區與3個作用機制的交互性分別納人模型，考察人工智能試驗區建設對城市能源效率的影響。具體模型為：

M_it=γ₀+γ₁Z_it+γ₂X_it+ρ_i+τ_t+ω_pt+ε_it

ω_pt+ε_it

式中： M_it 表示3個作用機制的代理變量，具體包含：① 資源要素配置。其一，根據\"企查查\"平臺的中國企業工商注冊年限和地址信息，將企業數量匯總整理到城市-年份層面來計算新企業進入數量 （M1） ；其二，借鑒白俊紅等3的做法，以城市資本錯配指數 （M2） 和勞動力錯配指數（M3）反映資源配置扭曲狀況，從以上兩個方面代理城市資源要素配置水平。 ② 產業結構調整。產業結構調整指標使用產業協同集聚 （M4） 和產業鏈韌性（M5）衡量。產業協同集聚（M4）的計算公式為： 其中， g_imt 表示制造業 m 在 i 城市 Φ_t 年的集聚度， g_int 表示生產性服務業 n 在i城市 χ_t 年的集聚度。采用熵權法將抗干擾能力和恢復能力標準化后降維處理來測度城市產業鏈韌性。其一，抗干擾能力的計算公式為： 其中， 代表城市產業多樣化程度， H 代表城市產業集中度， S_ej 表示第j個城市第 e 種產業就業人數占該城市總就業人數的比例；其二，恢復能力采用專利授權數量衡量，城市年度發明專利授權數量越多，說明城市產業鏈在應對外部風險時，可選擇的潛在路徑越多，其風險恢復能力越強。 ③ 綠色創新質量 （M6） 。分別利用R語言爬取WIPO企業綠色專利分類數據，使用主分類號的方法，并參照陳彥龍等37做法將測算的企業綠色專利知識寬度加總至城市層面的方法，表征城市綠色創新質量。其計算公式為： ， S_kmt 為企業 k 截至 χ_t 年在 σ_v 大組下綠色申請專利的累計數目， S_k 為企業 k 截至 Φ_t 年在全部大組下綠色申請專利的累計數目。 M6_kt 的值越大，說明企業綠色專利的知識寬度越大，綠色創新質量越高，繼而取均值于城市層面表征城市綠色創新質量 （G_it） 。 Z×M 表示人工智能試驗區建設與3個作用機制的交互項，其余各項與式（1）相同。 γ₁ 反映了人工智能試驗區建設通過資源要素配置效應、產業結構調整效應和綠色創新質量效應影響城市能源效率的作用強度。

5.1.1資源要素配置

企業進入退出是優化資源要素配置的重要過程，更低的資源扭曲程度意味著經濟發展趨向帕累托最優。人工智能試驗區建設是否能夠通過優化資源要素配置引發能源投人要素比例調整，進而提升城市能源效率有待檢驗。依據式（6）式（7）的檢驗步驟，表7列（1）列（3）列（5）回歸結果顯示，相比非試驗區而言，人工智能試驗區建設不僅顯著促進了新企業進入，而且降低了城市的要素錯配程度。列（2）列（4）列（6）結果顯示，Z與新企業進入數量、資本錯配指數、勞動力錯配指數三者交互項分別對城市能源效率的影響通過了顯著性檢驗，這意味著人工智能試驗區建設能夠優化資源要素配置狀況，提升城市能源效率。人工智能試驗區強調要加強人工智能發展體制機制、政策法規等方面體系建設。因此，試驗區通過實施政策優惠，吸引企業進入，促使資本、勞動力等創新要素通過培育高端要素形成帕累托最優效應實現資源要素配置優化。資源要素配置有助于改善城市粗放式發展模式，帶來提高生產效率、能源投入比例合理化配置等多重紅利，進而提升城市能源效率。

5.1.2產業結構調整

“人工智能 + ”是充分發揮規模經濟與范圍經濟比較優勢的重要突破口，在產業橫向延伸和縱向深化上，為產業結構調整提供有力支撐。表8列（1）和列（3）中，Z的系數均為正，但在列（1）中并不顯著，表明人工智能試驗區批復后，產業協同集聚水平并現顯著提高，產業鏈韌性明顯提升。列（2）和列（4）中，Z與產業協同集聚、產業鏈韌性的交互項對城市能源效率的影響均呈顯著正相關，意味著試驗區建設能夠通過提高產業協同集聚和產業鏈韌性影響城市能源效率。人工智能試驗區致力于引導傳統制造業向中高端、智能化和生產性服務業集聚，提高產業鏈上下游之間的協同程度，進而帶動地區產業結構趨向合理化和高級化，重塑地區產業布局，優化傳統產業結構。然而，鑒于部分人工智能技術仍處于研發或試驗階段，尚未達到大規模商業化應用的成熟度，使許多生產性服務企業對此持觀望態度，限制了人工智能技術在試驗區內的集聚。產業結構調整作為城市集約增長以及可持續發展的先決條件，能夠有效發揮“資源轉換器”與“污染物控制體”的功能與價值，在合理空間范圍內協同發展，持續釋放\"產業結構紅利”，對城市能源效率提升形成有效支撐。

5.1.3綠色創新質量

在人工智能試驗區賦能影響下，企業在生產經營過程中通過構建以綠色為導向的技術創新體系，進而加大綠色專利申請力度，實現綠色轉型發展，體現在企業的綠色專利知識寬度提高。因此，人工智能試驗區能否通過提高綠色創新質量，進而提升城市能源效率有待明確。表8列（5）和列（6）為綠色創新質量測度方法的回歸結果，結果顯示， z，z 與綠色創新質量交互項的系數二者均在 5% 的水平上顯著為正，說明人工智能試驗區建設能夠提高試點城市綠色專利知識寬度，有效提升城市綠色創新質量。在經濟實踐中，人工智能試驗區強調持續提高綠色能源使用比率和加強節能環保技術的研發應用，為企業提供集聚的載體和創新的平臺，加快建立綠色創新成果快速轉化的有效機制，減少和避免“創新假象”“專利泡沫\"等現象的發生。人工智能試驗區建設提高綠色專利知識寬度的同時，更好地促進了綠色研發、綠色創新技術轉化、創新鏈的內生融合，形成良性循環的綠色創新格局，改善了城市能源效率。因此，人工智能試驗區建設的綠色創新效應，會形成對能源效率的驅動作用。

5.2 異質性分析

由于不同的人工智能試驗區存在區位條件、發展基礎和發展目標上的差異，將進一步探究地理空間和綠色金融對城市能源效率影響的異質性。

5.2.1 空間地理距離異質性

在前文結論的基礎上，繼續探討人工智能試驗區在400km 范圍內虹吸效應和空間外溢效應的具體表現，設定如下模型來檢驗人工智能試驗區建設的空間異質性：

ω_pt+ε_it

式（8）在式（1）的基礎上引入了一組新的控制變量 其中，參數 s 表示任意兩個城市間的球面地理距離（單位為 km，s?50 ）。例如，如果在 Φ_t 年距離城市 i（s-50 s] 的空間范圍內存在人工智能試驗區，那么 N_it=1 ，否則N_it=0_? ，因此，變量 的系數 δ_s 衡量了人工智能試驗區批復后對周邊鄰近城市能源效率的影響，并分別報告了當s=50，100，…，350，400 時，式（8）的回歸結果，通過比較不同閥值下參數 δ_s 的經濟與統計顯著性，檢驗人工智能試驗區的空間地理距離異質性。圖7報告了式（8）變量 N_it^s 的系數隨地理距離的變化情況（置信區間為 95% ），可以發現，隨著到人工智能試驗區地理距離的增加，人工智能試驗區對周邊城市能源效率的提升效應呈現出先降低、后升高的變化趨勢。其中，人工智能試驗區的“城市陰影區\"在自身所在城市 100km 內，而超過這一距離人工智能試驗區的正向輻射效應才會發揮，并在 250～300km 范圍內，人工智能試驗區對城市能源效率具有顯著提升作用。也就是說，當距離人工智能試驗區太近時，受人工智能試驗區“城市陰影區\"的影響，人工智能試驗區建設對周邊城市能源效率提升效應負向顯著，表現為虹吸效應；只有超過一定距離擺脫城市陰影區后才產生顯著正向提升效應。

5.2.2空間地理區位異質性

沿海城市作為中國改革開放和經濟發展的重要戰略區域，在地理位置、國際先進技術、規模效應等方面展現出顯著的優勢，其對外貿易發展的成效對國內其他城市具有重要的引領和示范作用。將樣本城市劃分為沿海城市和非沿海城市，進行分組回歸。表9列（1）和列（2）結果顯示，人工智能試驗區建設對沿海城市能源效率的促進作用更強，對內陸城市雖產生了正向影響但沒有通過顯著性檢驗。這表明對于內陸城市而言，由于受基礎設施建設、交通運輸條件等因素的限制，能源效率不具備位置優勢。主客觀條件的限制導致人工智能試驗區建設對內陸城市能源效率的驅動效應相對有限，從而降低了人工智能試驗區建設對內陸城市能源效率提升的賦能作用。

5.2.3綠色金融資源豐裕程度的異質性

隨著環境治理邏輯深度融入金融體系，綠色金融成為彰顯人工智能試驗區賦能城市能源效率提升效果的關鍵因素。借鑒史代敏等[38的做法，運用熵值法構建綠色金融指數，以綠色金融指標的中位數為界分標準，對主回歸模型進行分組檢驗。表9列（3）和列（4）結果顯示，在綠色金融資源豐裕的城市，人工智能試驗區建設對城市能源效率的提升作用顯著為正；在綠色金融資源貧乏的城市，人工智能試驗區建設對城市能源效率展現出了負向作用。這說明綠色金融資源在人工智能試驗區建設提升城市能源效率中呈現明顯的增量補充效果。隨著綠色金融的持續深化，社會資金不斷向環保、節能、清潔能源等領域匯集，綠色金融將推動能源供給從高碳向低碳、從以化石能源為主向以清潔能源為主轉變，為低碳行業、企業加速發展注入“活水”，助力城市能源效率提升。

6 結論與建議

人工智能試驗區建設是近年來人工智能提升城市能源效率的重點舉措。以人工智能政策賦能城市能源效率問題展開研究，基于交錯雙重差分模型實證檢驗人工智能試驗區建設對城市能源效率的影響、機制和異質性現象，主要得到以下結論： ① 人工智能試驗區建設能夠顯著提升城市能源效率，在經過模型有效性檢驗和穩健性檢驗后結論依然成立； ② 結合偏離份額方法的分析框架，發現人工智能試驗區建設通過城市間經貿聯系網絡顯著提升了各城市的能源效率，該提升效應占直接效應的5‰ ③ 人工智能試驗區建設通過優化資源要素配置、統籌產業結構調整和提高綠色創新質量3個渠道提升城市能源效率； ④100km 范圍內城市易受人工智能試驗區的虹吸效應影響，成為“城市陰影區”。然而，人工智能試驗區顯著帶動了其周邊 250～300km 范圍內城市的能源效率提升，并且在沿海城市和綠色金融資源豐裕程度越完善的城市，人工智能試驗區對城市能源效率的提升作用越顯著。

基于以上結論，提出如下政策建議： ① 重視人工智能試驗區的經驗總結和推廣，為城市智能制造和綠色制造工程提供轉型升級經驗。擴大試驗區范圍的策略應該更加有序和謹慎，充分考慮各地的實際情況，以確保推廣人工智能試驗區的效果更為顯著。根據各試驗區的具體情況，制定差異化發展策略，引導城市向智能化、綠色化轉型，不斷推進綠色智造實踐的深入和拓展，以更好地推動城市能源效率的提升。 ② 加強各城市人工智能試驗區的經濟交流與合作，充分釋放知識與技術的空間外溢紅利。各城市應充分利用試點政策帶來的知識與技術外溢，加強各城市間的資源共享，在整個區域內形成合力。建立跨城市合作機制，有效整合不同區域創新資源，強化創新資源集聚轉化功能，打造協同創新共同體，以更好地發揮人工智能試驗區的政策活力，促進城市能源效率提升。③ 暢通作用渠道，進一步細化人工智能試驗區對資源要素配置、產業結構調整和綠色創新質量的制度安排。政府要加大政策導向，以資本、勞動力等資源要素提高生產率，引導傳統產業向高端、數智化轉型升級，統籌產業結構調整，吸引更多企業參與到人工智能試驗區建設中來。此外，還要加快發展綠色低碳節能環保產業，鼓勵企業采用節能技術和清潔設備，推動新能源、新材料的創新，助力城市能源效率提升。 ④ 按需精準施策，統籌規劃不同區域人工智能試驗區。分類指導并布局匹配人工智能試驗區，完善前沿企業扶持的相關政策，尤其是人工智能試驗區附近城市及非沿海城市的創新體系。同時，創新發展綠色金融和轉型金融，建立起高度智能化的綠色金融交易市場和信息共享平臺，不斷提升人工智能試驗區參與主體數量和交易工具的豐富度，把能源技術及其關聯產業培育成帶動我國經濟綠色發展的新動力。

參考文獻

[1]王賢彬，楊超群.節能目標政策與地區能源效率[J].數量經濟小江價兒

[2]陳東，姚笛.人工智能擴大了企業間的工資差距嗎：來自中國工業企業的證據[J].經濟科學，2022（3）：127-142.

[3]姚加權，張錕澎，郭李鵬，等.人工智能如何提升企業生產效率：基于勞動力技能結構調整的視角[J].管理世界，2024，40（2）：101-116.

[4]李磊，徐大策.機器人能否提升企業勞動生產率：機制與事實[J].產業經濟研究，2020（3）：127-142.

[5]DAUVERGNE P.Is artificial intellgence greening global supplychains：exposing the political economy of environmental costs[J].Review of international political economy，2022，29（3）：696-718.

[6]胡秋陽.回彈效應與能源效率政策的重點產業選擇[J].經濟研究，2014，49（2）：128-140.

[7] ZHANG X J，KHAN K，SHAO X F，et al. The rising role of artificialintellgence in renewable energy developmentin China[J].Energyeconomics，2024，132：107489.

[8]LI K，LINB Q.How to promote energy efficiency through technologi-cal progress in China？[J].Energy，2018，143：812-821.

[9]LI J，HERDEM M S，NATHWANI J，et al.Methods and applicationsforArtificial Intelligence，BigData，Internetof Things，andBlockchainin smart energy management[J].EnergyandAI，2023，11：100208.

[10]金祥義，張文菲.人工智能與企業污染減排：智能治理的環境效應[J].中國人口·資源與環境，2023，33（8）：138-145.

[11]呂越，馬明會，陳泳昌，等.人工智能賦能綠色發展[J].中國人□·資源與環境，2023，33（10）：100-111.

[12]王坤宇.國家發展戰略與能源效率[J].經濟評論，2017（5）：3-13.

[13］尤濟紅，高志剛.政府環境規制對能源效率影響的實證研究：以新疆為例[J].資源科學，2013，35（6）：1211-1219.

[14]陶長琪，李翠，王夏歡.環境規制對全要素能源效率的作用效應與能源消費結構演變的適配關系研究[J].中國人口·資源與環境，2018，28（4）：98-108.

[15]孫鵬博，葛力銘.稅收激勵能否提升企業能源效率：來自增值稅結構性改革的經驗證據[J].財經研究，2023，49（1）：154-168.

[16]徐曉亮，許學芬.能源補貼改革對資源效率和環境污染治理影響研究：基于動態CGE模型的分析[J].中國管理科學，2020，28（5）：221-230.

[17]張平淡，屠西偉.排污費征收標準調高、技術進步與企業能源效率[J].經濟管理，2023，45（2）：23-38.

[18]劉華珂，李旭超，聶禾，等.AI時代：城市數智化轉型與企業創新[J].中國軟科學，2024（2）：38-54.

[19]馮婉昕.人工智能與企業金融資產配置：來自國家人工智能創新應用先導區的經驗證據[J].當代財經，2024（4）：141-152.

[20]沈小波，陳語，林伯強.技術進步和產業結構扭曲對中國能源強度的影響[J].經濟研究，2021，56（2）：157-173.

[21]賀俊.新興技術產業趕超中的政府作用：產業政策研究的新視角[J].中國社會科學，2022（11）：105-124.

[22] SHAPIRO JS， WALKER R.Why is pollution from US manufacturingdeclining：therolesofenvironmental regulation，productivity，andtrade[J].American economic review，2018，108（12）：3814-3854.

[23]林伯強，譚睿鵬.中國經濟集聚與綠色經濟效率[J].經濟研究，2019，54（2）：119-132

[24]王俊豪，謝倩瑩，史丹.綠色技術創新對能源效率的影響研究[J].財貿經濟，2024，45（6）：143-159.

[25]王馨，王營.綠色信貸政策增進綠色創新研究[J].管理世界，2021，37（6）：173-188.

[26]王偉龍，王健龍，謝成興，等.“中國制造2025”試點示范城市建設對城市綠色發展效率的影響[J].中國人口·資源與環境，2023，33（9）：147-158.

[27]許文立，孫磊.市場激勵型環境規制與能源消費結構轉型：來自中國碳排放權交易試點的經驗證據[J].數量經濟技術經濟研究，2023，40（7）：133-155.

[28]RAMBACHAN A，ROTH J.A more credible approach to paralleltrends[J].The review of economic studies，2023，90（5）：2555-2591.

[29]OSTER E. Unobservable selection and coefficient stability： theoryandevidence[J].Journal of businessamp; economic statistics，2019，37（2）：187-204.

[30]DE CHAISEMARTIN C，D'HAULTF（EUILLE X. Two-way fixedeffects estimators with heterogeneous treatment effects[J]，Ameri-can economic review，2020，110（9），2964-2996.

[31]劉珊，馬莉莉，郭家琛.制度型開放與企業全要素生產率：來自準自然實驗的證據[J].國際貿易問題，2024（5）：159-174.

[32]鄧慧慧，趙家羚.地方政府經濟決策中的\"同群效應\"[J].中國工業經濟，2018（4）：59-78.

[33]王林輝，姜昊，董直慶.工業智能化會重塑企業地理格局嗎[J].中國工業經濟，2022（2）：137-155.

[34]BORUSYAK K，HULL P，JARAVEL X. Quasi-experimental shift-share research designs[J].Review of economic studies，2022，89（1）：181-213.

[35]張輝，閆強明，李寧靜.“一帶一路\"倡議推動國際貿易的共享效應分析[J].經濟研究，2023，58（5）：4-22.

[36]白俊紅，劉宇英.對外直接投資能否改善中國的資源錯配[J].中國工業經濟，2018（1）：60-78.

[37]陳彥龍，諶仁俊，李明軻.環?？己藢Ω黝愔黧w綠色創新活力的影響[J].數量經濟技術經濟研究，2023，40（12）：194-214.

[38]史代敏，施曉燕.綠色金融與經濟高質量發展：機理、特征與實證研究[J].統計研究，2022，39（1）：31-48.

Artificial intelligence policies empowering urban energy efficiency improvement

GUO Jiachen’，WANG Feng1，LIU Shan’，WANG Dongyang2 （1.Schoolof Economicsand Management，Northwest University，Xi'an Shaanxi 71O127，China; 2.School of Public Management，NorthwestUniversity，Xi'anShaanxi 71O127，China）

AbstractImprovingenergyefciecyisanieviablecoicefoachevingenergconservation，isioreductio，andgrendevelopmentoals.Aificialintellgencepoliciesfectivelyalignwithtenewdemandsofadvancedproductiveforcesandtenewqire mentsof greendevelopment，plangacucialoleintacklingkeyorethnologcalchaengsandfacilitatingtegreenandloar bontransition.Thisstudywasbasedonpaneldatafrom282prefecture-levelandabovecitiesinChinafromO15to2022.Ionstructedaquasi-naturalexperimentusingteppoalofnatioalextgeneratioartifalintellgeneinovativedeveoentpilotnes （AIIDPZs）.Byplogeodssuchssaggeddirenedifrenes，teachstmaticallamdteimpa PZconstructiononurbanenergyeficiencyfromapolicy-drivenperspective，includingitsmechanismsandeterogeneouschracteristics.The findings revealed that： ① The construction of AIIDPZs improved urban energy efficiency by approximately 7.8% ，and this conclusionremaiedvalidafteefectivenessandrobustnesstests.Usingtheshift-shareanalysisframeworkfoundtatthspatialspillover effects of AIIDPZs significantly enhanced the energy efficiency of citiesacross the nation，accounting for 5‰ of the direct effects. ② （20 Mechanismtests indicated thatAlDPZsconstructioncould improveurban energy eficiencythrough threepathways：optimizingresource allcation，coordinating industrial restructuring，and enhancing the quality of green innovation. ③ Heterogeneity analysis showedthat ADPZsexertedasiphonefectontheenergyeficiencyof ities withina10Okmradius，hiledemonstratingasignificant positivespillverfectoncitieslocatedwithinterangeof50to300km.ThepositiveimpactofADPZconstructiononurbannergy eficiencywasmorepronouncedincoastalitiesandtosewithrelativelyabundantgreenfinancialresoucesBasedontheabovecon clusions，itwasrecommendedthatthegovermentshouldplaceemphasisonsummarizingandpromotingtheexperienesofDZs， fullunleasngtedidendsofoledgeandthologsilovrs，ndleveagingstitioalangemntsinsoucoatio industrialupgadingndgreeniovati.Itwasssntialtoocusoteovralloodinatoofegoalplanngndaotdto promotetesynergisticdevelopmentofgenfnance.Thisstudynotonlydeepensthunderstandingofartificialintellgencepolicies butalsoprovidesreliableempircalevidenceforehancingurbanenergyeficiencypromotinggreentransformation，andachieving high-quality development through intelligent means.

Keywordsartiicialintellgeeolcyegieny;rtalitellgeneiovtieevelopmntpilote;stialsill effect

（責任編輯：閆慧珺）