人工智能化、人力資本水平對碳排放績效的影響

【中圖分類號】F127 【文獻標識碼】A 【文章編號】2095-7009（2025）04-0075-10

Impact of Artificial Intelligence and Human Capital on Carbon Emissions ：

Empirical Evidence from Yangtze River Economic Belt

DING Min'，ZHAO Yu² ，WAN Zi-xin3

（1. Department of Economics and Management， Bozhou University， Bozhou 2368Oo，Anhui， China ;2. School of Chinese National Community， South-Central Minzu University， Wuhan 430074，China ;3. School of Economics and Management ， Yangtze University， Jingzhou 4340o， Hubei， China）

Abstract：Based onpaneldata from theYangtze River Economic Beltspanning 2011 to 2O23，this studyempirically examines the impact andunderlying mechanisms ofartificial intellgencedevelopment and human capitallevelsoncarbonemission performance using fixed efects and moderation effect models.The results show that both the advancementof artificialintelligenceand improvements inhumancapitalsignificantlysuppresscarbonemisions.Regionalheterogeneityanaly sis reveals thatthecarbon-reducing efectofartificialintellgenceis mostpronounced inupstreamregions，followed by downstreamand then midstream regions.In contrast，the suppressive efect of human capital on carbon emissions is strongest in downstream areas，folowed byupstream and finally midstream regions.Mechanism testing further ndicates thathigherlevelsof humancapitaltend to weakentheemission-reducing effectof artificial intelligence.Therefore，itis recommended todeepentheintegrationofartificialintellgence intheupgradingof traditional industries，acceleratethe green digital transformation，optimize regionalhuman capital allcation，strengthen talent support for gree industries， and promotecolaborative innovationbetweenartificial intellgence and high-end talenttoestablishregional models for low-carbon development.

Key words：artificial intelligence；humancapital；carbon emisionperformance；fixed effects model；moderation efect model

一、引言

黨的二十屆三中全會明確提出，“中國式現代化是人與自然和諧共生的現代化”，強調要“聚焦建設美麗中國”，加快經濟社會發展全面綠色轉型[]。2025年政府工作報告進一步指出，要深化生態文明體制改革，穩步推進碳達峰、碳中和目標，著力構建綠色低碳的經濟體系[2]。在“雙碳”戰略目標引領下，如何在保持經濟高質量發展的同時，有效降低碳排放、優化產業結構，實現環境保護與經濟增長的協調統一，已成為中國當前發展進程中的關鍵議題。新一輪科技革命和產業變革加速推進，為綠色低碳轉型提供了新的技術路徑。2024年世界智能產業博覽會政府賀信中指出，“中國高度重視人工智能發展，積極推動互聯網、大數據、人工智能和實體經濟深度融合，培育壯大智能產業，加快發展新質生產力，為高質量發展提供新動能。”[3]這一重要指示為推動綠色轉型與科技賦能協同發展指明了方向。作為推動綠色低碳轉型和經濟社會高質量發展的核心要素，人力資本在綠色技術創新、產業結構優化和能源效率提升等方面發揮著不可替代的作用。高素質人才通過推動技術研發、促進知識擴散與產業創新，為綠色技術應用和節能減排提供內生動力。隨著人工智能等先進技術在生產和服務領域的廣泛滲透，其對碳排放的影響呈現出多路徑、多層次的復雜特征，亟須從技術與人力資本雙重維度探討其協同作用與機制邏輯。基于此，本研究以人工智能化與人力資本的互動關系為切入點，旨在厘清其對碳排放的作用機制及區域異質性，重點分析人力資本在人工智能化影響碳排放過程中的調節作用，構建涵蓋理論邏輯、實證檢驗與政策建議的完整研究框架，為推動長江經濟帶①綠色低碳高質量發展提供政策參考。

二、文獻綜述

自“雙碳”目標提出以來，其作為驅動經濟綠色轉型、產業結構升級及低碳的核心變量，已成為學術界研究的熱點議題。現有研究圍繞人工智能化、人力資本與碳排放的相關研究，主要集中在以下幾個方面：

第一，人工智能化對經濟結構與環境的影響。作為新質生產力的關鍵支撐，人工智能化已廣泛應用于工業、農業、服務業等多個領域，其在資源配置優化、生產效率提升與產業升級中的作用被廣泛認可，并展現出顯著的減碳潛力。王瑞瑜等[4（2020）在老齡化背景下，指出人工智能化可通過替代勞動力推動智能養老產業發展，進而促進第三產業升級，盡管其在部分場景中也可能因工業擴張引發碳排放反彈。與許瀟丹等[5（2024）形成呼應，后者基于省級面板數據發現人工智能化顯著降低了工業碳排放強度，其減排作用主要通過綠色創新、效率提升與結構優化三大路徑實現，且呈現顯著的區域異質性。孫志娟6（2025）則從企業層面出發，發現氣候變化顯著抬升勞動力成本與財務風險，進而削弱企業全要素生產率，而人工智能化的引入可有效緩釋此類負面效應，展現出其在氣候韌性建設中的潛在價值。然而，其研究亦指出人工智能化對能源的依賴可能加劇碳負荷，揭示了其“雙刃劍”特性。鄧建鵬[7]（2025）強調，人工智能化可重塑生產邏輯、推動產業體系現代化，但其紅利釋放依賴于技術突破與制度支撐，若監管滯后或配套不足，可能帶來結構性不平等。

第二，人力資本在綠色低碳發展中的多元作用。人力資本作為綠色轉型的內生動能，不僅影響綠色技術的吸收與創新，還在碳減排實踐中體現出顯著的行為和制度外部性。殷鳳春等[8]（2023）以長三角為例發現，科技人才集聚可通過促進綠色技術轉移顯著抑制碳排放，且“技術一人才\"適配是實現綠色轉型的關鍵機制。何偉軍等[9]（2022）則通過長江經濟帶數據證實，人力資本通過綠色科技創新間接提升碳排放效率，且該機制存在門檻效應一—僅在人力資本存量較高時其作用才顯著。蘇科等[10]（2021）進一步指出，人力資本對綠色全要素生產率的推動效應顯著高于科技創新，低人力資本地區則可能面臨“約束效應”。安超等[11]（2019）從理論視角出發，構建內生增長模型驗證人力資本可克服物質資本的邊際遞減與環境負效用，實現經濟增長與碳減排雙重目標，但其效應高度依賴產業結構與能源消費模式。

第三，政策與制度對人工智能與人力資本協同效應的調節。越來越多研究指出，人工智能化與人力資本的融合路徑是實現“雙碳”目標的關鍵變量，其減排效應受到制度設計與區域治理的顯著制約。倪晨凱等[12]（2024）從稅制視角出發，認為人工智能化的發展應輔以綠色財政機制，如碳稅、補貼等，否則可能加劇技術性收入不平等。王東明等[13]（2025）則指出，人工智能化強化了國家間數字競爭與內部數據壟斷風險，需通過法律制度進行平衡與規制。張欣[14]（2025）強調，構建以“分類分級 + 軟硬法銜接”為核心的人工智能化治理框架，是提升治理效能、釋放減碳潛力的關鍵，而當前政策多集中于東部發達地區，對中西部區域的適配性關注不足。周杰琦等[15]（2020）則提出，環境規制的效力在很大程度上取決于人力資本的質量，而非單一的“量\"的擴張。

上述研究為進一步研究奠定了良好的基礎，由于研究的側重點有所不同，現有研究尚未系統地將人工智能化、人力資本與碳排放納入同一分析框架，為進一步研究留下了拓展的空間。本文的邊際貢獻有兩點：一是基于人工智能化與人力資本構建區域分類框架，識別長江經濟帶碳排放效應的異質性規律。二是揭示人工智能化與人力資本的協同降碳機制。現有研究多獨立分析二者對碳排放的影響，本文通過理論建模與實證檢驗，證明二者存在顯著交互效應。

三、理論基礎與研究假設

作為新一輪科技革命的核心驅動力，人工智能化通過多種途徑降低碳排放強度，提高碳排放效率[16]。人工智能化在生產過程中的應用能夠顯著提升生產效率，優化資源配置，催生符合綠色低碳發展理念的新興產業、創新業態及商業模式。借助智能制造和流程優化，企業得以大幅提高資源使用效率，實現清潔生產與節能減排[17]。同時，人工智能化驅動的智能化轉型還促進企業之間的網絡協作生產，優化資源投入結構，減少冗余浪費，從而進一步提高整體碳排放效率。人工智能化帶來的技術創新不僅推動經濟增長，更為環境保護提供了重要的技術路徑。然而，長江經濟帶區域內部經濟發展水平不均衡，不同地區處于產業升級和技術應用的不同階段，導致人工智能化在減排效果上的區域差異[18]。由此，本文提出：

假設1：人工智能化對碳排放具有顯著的正向影響，且地區間存在異質性。

人力資本是綠色低碳發展過程中至關重要的實施主體和基礎條件。具備較高素質的人力資本更傾向于在生產與管理環節選擇和應用清潔技術與先進工藝，從源頭控制污染排放[19]。同時，人力資本的積累強化了對先進技術的吸收和自主創新能力，推動了綠色技術的研發與工藝革新，實現生產的清潔化與環境友好型轉型。此外，人力資本水平的提高意味著公眾環保意識增強，對環境質量需求提升，推動企業和政府制定并實施更嚴格的減排政策與措施，形成良性互動的綠色發展模式[20]。長江經濟帶區域內部人力資本的差異也造成了碳排放抑制效果的顯著不同，這與各區域的經濟發展水平及產業結構狀況息息相關。由此，本文提出：

假設2：人力資本對碳排放具有顯著的抑制作用，且地區間存在異質性。

人力資本水平較高的地區更能有效地將人工智能化技術轉化為實際的減排效果。受教育程度高的群體與決策者對于清潔能源的認知更深入，政策執行力度更強，且具備較高的技術應用能力，從而放大清潔能源對減排的積極作用[22]。然而，隨著人力資本水平的提高，人工智能化的直接減排效果可能有所弱化。因為在高人力資本地區，人工智能往往優先被應用于產業規模擴張、技術升級及產能提升等經濟目標，盡管長期有利于產業結構優化和效率提升，但短期內對能源和資源需求的增加可能部分抵消人工智能化的直接減排效應[23]。此外，高人力資本地區對新技術的接受和應用更積極，可能會大量引進高端制造設備及配套設施，增加了短期能耗需求，使得人工智能化的綠色減排潛力階段性受限，甚至導致短期內碳排放的增加[24]。據此，本文提出：

假設3：人力資本在人工智能化影響碳排放的過程中具有顯著的調節效應。

四、研究設計

（一）變量選取

1.被解釋變量

本研究以碳排放（CE）為被解釋變量，基于已有研究，采用碳排放總量的自然對數作為其衡量指標。

2.解釋變量

本研究選取人工智能化（AI）和人力資本（PCE）作為核心解釋變量。基于現有研究[5]，構建了人工智能化指標體系，并采用熵值法測度了長江經濟帶各省份人工智能化發展水平，如表1所示。

關于人力資本的衡量，借鑒現有研究成果[9]，采用教育年限積累法，將各地區就業人員中未上過學，以及擁有小學、初中、高中、大專以上文化程度的人員占比按照0年、6年、9年、12年、16年的權重計算各地區就業人員平均受教育程度，以反映地區人力資本水平。

3.控制變量

為了盡可能避免因為遺漏變量所產生的內生性問題，加入以下控制變量：（1）科技創新水平（TEC）：采用發明專利當年申請量、實用新型專利當年申請量、外觀設計專利當年申請量總和的對數表征；（2）產業結構（IS）：采用第二產業與第三產業的比值表征；（3）環境規制（ER）：采用工業污染治理完成投資占工業增加值的比重表征；（4）經濟發展水平（DEV）：采用人均GDP表征。

（二）數據說明

1.描述性統計

考慮到數據選取的科學性和可得性原則，選取2011—2023年長江經濟帶11個省份面板數據①，實證分析人工智能化、人力資本對碳排放的影響效應。碳排放數據來源于全球大氣研究排放數據庫（EDGAR）；其他數據主要來源于國家統計局網站、國家科技統計公報、中國高技術產業統計年鑒以及各省份統計年鑒和公報，個別缺失數據以線性插值法補齊。將數據引入Stata17.0軟件，通過計算得出各變量的基本特征值，具體見表2。

表2數據分析表明，被解釋變量碳排放（CE）的樣本均值為12.6074，標準差為0.4934，表明整體碳排放數據波動較小，呈現出較低的離散性特征。最大值為13.7953，最小值為11.7251，反映出不同省份之間碳排放水平存在明顯的異質性，受到了省際間產業結構、能源結構、經濟發展階段以及政策執行力度等多重因素的影響，尤其是高碳行業的集聚程度在不同區域存在顯著差異。進一步分析人工智能化（AI）發展水平指標，其樣本均值為0.2917，標準差為0.2375，最小值為0.0242，最大值為0.9316，表明長江經濟帶各省份在人工智能化發展方面存在較大差異，與各地在科技投入、創新能力、數字基礎設施建設以及政策扶持力度等方面的不平衡密切相關。人力資本（PCE）樣本均值為9.1338，標準差為0.8536，最大值與最小值分別為11.7656和7.5886。各省份之間人力資本水平的差異相較于人工智能化指標略小，表明分布相對均衡，但整體水平仍有較大提升空間，或受到教育資源分布、人口流動趨勢、高技能人才儲備等因素的影響。

2.碳排放的動態演進

為深入解析長江經濟帶不同區域碳排放的時空演變特征，基于Kernel密度估計法，利用Mat-lab軟件繪制長江經濟帶及上游、中游、下游碳排放的核密度曲線，如圖1所示。通過對分布位置、峰值特征、波峰數量及分布形態的系統分析，揭示碳排放的異質性演變規律。

首先，從分布位置來看，長江經濟帶整體及上、中、下游地區碳排放核密度曲線的中心位置隨年份變化逐步右移，尤其是上游地區核密度分布曲線的右移現象最為明顯，體現該區域整體碳排放水平逐步上升，驗證了整體經濟增長與碳排放規模擴張的趨勢，印證了在2035年前實現碳達峰目標的政策導向，而中游與下游地區的碳排放水平則相對較為平穩。其次，從峰值特征來看，上游地區碳排放核密度曲線的峰值逐年上升，曲線趨于尖銳，表明區域內部碳排放差異逐步擴大；而中游地區峰值表現出先上升、后下降再上升的波動態勢，說明該地區碳排放經歷了復雜的階段性波動；下游地區的峰值則長期保持相對穩定，反映該區域內部碳排放處于較低且穩定狀態，區域差異較小。再次，從波峰數量來看，長江經濟帶整體呈現多個波峰，反映出區域內碳排放存在明顯的極化趨勢；而具體到上游與下游地區，核密度曲線則較為平滑，未見明顯多側峰，體現碳排放水平區域內分布均衡，無顯著極化現象。與之相比，中游地區的核密度曲線在樣本中期階段有所變寬，體現出區域內部碳排放的差異曾出現短暫擴大趨勢。最后，從分布形態來看，長江經濟帶整體碳排放核密度曲線呈現顯著拖尾特征，表明部分省份碳排放水平顯著高于區域整體水平，形成“高碳排放”領先現象。與之相對的是，上、中、下游各自區域的核密度曲線則呈現相對對稱形態，未表現明顯的拖尾現象，說明區域內碳排放水平差距相對較小，內部分布更為均衡。

綜上所述，長江經濟帶整體碳排放規模持續擴大，區域間呈現明顯異質性。上游地區碳排放增長最快且差距擴大顯著，中游地區碳排放波動性增強，而下游地區整體碳排放水平則長期保持低位穩定，區域內部差距較小。區域差異凸顯了區域經濟結構、產業布局及減排政策實施力度等多重因素共同作用下的動態演變特征。

（三）模型構建

1.基本模型構建

考慮到各變量之間的內在聯系，構建以碳排放 （CE ）為被解釋變量，人工智能化（AI）、人力資本 （PCE） 為解釋變量的基準回歸模型：

CE_it=α₀+α₁AI_it+

_α2PCE_it+α₃Col_it+γ_i+δ_t+ε_it

上式中， α₀ 為常數項， CE_it 為 i 省份 Ψ_t 時期的碳排放， AI_it 為 i 省份 Ψ_t 時期的人工智能化， PCE_it 為 i 省份 Ψ_t 時期的人力資本， Col_it 為 i 省份 t 時期的科技創新水平（TEC）、產業結構（IS）、環境規制0 ?ER ）、經濟發展水平 （DEV） 等控制變量。 α_i 為待估系數， γ_i 代表個體固定效應， δ_t 代表時間固定效應， ε_it 為隨機誤差項。

2.調節效應模型

為驗證人力資本（ PCE 對碳排放（ CE 的調節作用，構建調節模型如下：

CE_i，t=γ+γ_ιAI_i，t+γ_ιPCE_i，t+

γ_sAI_i，t×PCE_i，t+γ_xCol_i，t+e_i，t

式中， CE 為碳排放， AI 為人工智能化， PCE 代表人力資本作為調節變量引人模型，進行回歸檢驗。若式（2）中的 γ₁ 的系數均顯著，且人工智能化（AI）和人力資本（ PCE ）的交互項系數均顯著，則說明人力資本對碳排放存在調節作用。

五、實證檢驗與分析

（一）固定效應模型分析

1.平穩性檢驗

表3報告了核心變量的面板單位根檢驗結果。實證結果表明：碳排放（ ?CE^? 在 IPS 檢驗方法下未通過顯著性檢驗，說明原序列未全部通過單位根檢驗。一階差分變量 D_-CE，D_-AI，D_- PCE均通過了三種單位根檢驗，說明核心變量CE，AI，PCE 在經過一階差分后表現平穩。

2.模型分析

為分析不同解釋變量對被解釋變量影響效果及差異，通過分別構建基準回歸模型（模型1），檢驗人工智能化（AI）、人力資本（PCE）對碳排放（ CE ）的影響。為進一步精確估計結果，進行穩健估計（PCSE）和FGLS估計（模型2、模型3），以期充分解決可能存在的自相關和異方差問題，并估計模型的最終影響效果。檢驗的具體結果見表4。

根據表4的回歸結果，在模型1中，人工智能化 （AI） 對碳排放 ?CE ）的回歸系數為負，并在 5% 的統計顯著性水平上顯著，表明人工智能化的發展對碳排放具有顯著的抑制作用。人工智能化技術能夠通過優化能源配置、提升工業生產流程效率以及加速新能源技術的研發與應用，從而有效降低單位產出的碳排放水平。另一核心解釋變量人力資本（PCE）在模型1中的回歸系數同樣為負，但未達到顯著性水平，表明盡管提升人力資本水平有助于碳排放的減少，但目前這一影響尚不顯著，或受限于人力資本結構、人才使用效率或區域發展階段等因素。

3.修正模型檢驗

為提升模型估計結果的精確性，在原有模型的基礎上引入修正后的面板PCSE（模型2）和面板FGLS（模型3）對模型進行了穩健性檢驗。表4的回歸結果顯示，人工智能化（AI）對碳排放（CE）的回歸系數在兩種估計方法下均為負值，其中模型3在 5% 的統計顯著性水平上顯著，進一步驗證了人工智能化對碳排放具有顯著的抑制作用。同時，人力資本（ PCE ）的回歸系數亦為負，在模型2中于 5% 統計水平上顯著，在模型3中達到 1% 的顯著性水平，表明人力資本的碳減排效應更為穩健。

4.穩健性檢驗

為進一步驗證人工智能化、人力資本對碳排放影響的實證結論是否穩健，本研究采用多種方式對回歸結果進行穩健性檢驗，具體見表4。

（1）增加控制變量。表5列（1）增加政府干預水平（GL）作為控制變量，以財政一般預算支出占地區生產總值比重表征，進一步考察其他可能影響碳排放的因素。結果表明，新增控制變量，人工智能化和人力資本對碳排放的影響與前文結果一致，進一步增強了結論的穩健性。

（2）剔除特殊城市。為避免特殊城市（如直轄市）在綜合發展水平和政策支持力度方面對回歸結果造成偏誤，表5列（2）剔除了樣本中的北京市和上海市，重新對剩余數據進行回歸估計。結果表明：人工智能化和人力資本對碳排放的影響與前文結果一致，表明剔除特殊城市后結果未發生明顯變化。

（3）縮尾處理。為避免異常值對估計結果的影響，表5列（3）對所有變量進行了 1% 和 99% 縮尾處理，以減少極端值的干擾。結果表明：縮尾處理后，人工智能化和人力資本對碳排放的影響與前文結果一致，說明異常值對結果的影響可以忽略。

5.內生性分析

為進一步確保研究結論的穩健性，并緩解潛在的反向因果關系問題，本研究采用滯后變量法對核心解釋變量進行動態效應檢驗。具體而言，引入人工智能化（AI）與人力資本（ PCE ）的滯后一期和滯后二期變量，以探討其對碳排放（CE）的時間滯后影響。如表6所示，人工智能化滯后一期的回歸系數在 5% 的統計水平上顯著為負，表明人工智能化對碳排放的影響具有一定的持續性，歸因于人工智能化通過持續優化能源系統配置、提升工業自動化水平與資源利用效率，帶來中短期內的碳排放減少效應。相較之下，滯后一期的人力資本對碳排放的影響雖為負，但未達到顯著性水平，由于其減排效應尚處于積累階段，未能在短期內完全體現。進一步考察滯后二期變量發現，人工智能化的回歸系數雖仍為負，但不具統計顯著性，從側面反映出人工智能化的應用更具實時性，其技術更新迭代速度快，難以對碳排放產生長期穩定的滯后效應。而人力資本的滯后二期變量在 10% 的顯著性水平上對碳排放產生顯著抑制作用，說明人力資本的減排機制更具滯后性和積累效應。人力資本積累通過教育投入、職業技能培訓及高素質人才培養等投資需經歷一定的轉化周期，方能通過綠色技術研發與推廣，實現碳排放的持續降低。

6.區域異質性檢驗

基于長江經濟帶11省市分為長江上游區域、中游區域和下游區域，且三個區域客觀上存在一定的地域差異，本研究采用修正后的面板PCSE（模型2）和面板FGLS（模型3）方法，對人工智能化與人力資本對碳排放影響的區域異質性進行了實證檢驗。結果詳見表7。

如表7所示，在上游地區，人工智能化對碳排放的回歸系數在模型2和模型3中均為負，并在1% 的統計顯著性水平上顯著，表明人工智能化在上游具有顯著的碳減排效應。上游地區以采礦、冶金等資源型產業為主，人工智能化主要應用于能源使用優化與流程效率提升，直接降低單位產出的碳排放，邊際減排效應顯著。人力資本對碳排放的影響系數雖為負，但未達顯著性水平，由于上游地區人力資本整體水平偏低，技術吸收與轉化能力有限，尚未形成有效的綠色創新能力支撐。

在中游地區，人工智能化對碳排放的影響則呈現相反趨勢，其回歸系數在模型2和模型3中均為正，且在 1% 的統計水平上顯著，表明人工智能化技術在中游地區短期內加劇碳排放。中游地區是我國制造業的核心區域，人工智能化的主要應用集中于自動化生產線、產能擴張等方面，導致能源消費上升，從而帶來碳排放的階段性增長。

同時，人力資本對碳排放的影響在模型3中為正，且在 5% 的水平上顯著，反映出高技能勞動力更多流向重化工、制造業等高能耗行業，導致其技術效應被產業規模擴張所抵消。

在下游地區，人工智能化對碳排放的影響系數為正但未達顯著性水平。下游區域人工智能化技術應用相對成熟，如金融科技、智慧物流等領域的滲透率較高。由于碳排放基礎較低，人工智能化所帶來的邊際減排空間有限，呈現出減排效應遞減的趨勢。人力資本對碳排放的影響同樣為負，系數雖未顯著，但反映出高水平人力資本在一定程度上有助于綠色技術的推廣與應用，只是其影響尚未在統計意義上得到充分體現，

人工智能化與人力資本對碳排放的影響在上、中、下游地區表現出顯著差異。上游地區人工智能化抑制碳排放效果最為顯著，得益于其在高碳行業中的節能優化作用；下游地區邊際減排效應減弱；中游地區則因產能擴張導致碳排放反增。人力資本在中游地區反而顯著正向影響碳排放，因高技能勞動力流向高能耗行業；上游和下游地區雖系數為負但不顯著，表明人力資本減排作用尚需進一步釋放。

（二）調節效應模型分析

在基準回歸模型中引入人工智能化與人力資本的交互項 （AI×PCE ），旨在探討人力資本在人工智能化與碳排放關系中的調節作用。如表8列（2）所示。

交互項對碳排放的影響系數為0.4265，且在5% 的統計水平上顯著，表明人力資本水平提高會削弱人工智能化對碳排放的抑制效果。與此同時，人工智能化單獨對碳排放的回歸系數為-0.8248 ，在 1% 的顯著性水平上成立，表明人工智能化本身具有明顯的減排效應，但隨人力資本水平提高有所弱化。這是因為在人力資本較高的地區，人工智能化的應用方向更多地用于產業擴張、技術升級與產能提升等方面，在一定程度上抵消了人工智能化技術帶來的環境效益。

六、結論與啟示

（一）研究結論

本研究基于長江經濟帶11個省份2011一2023年面板數據，運用熵值法測度了人工智能化指標水平，采用基準效應模型和調節效應模型，實證檢驗了人工智能化與人力資本對碳排放的影響。可以得出以下結論：

（1）人工智能化對碳排放具有顯著抑制作用且存在明顯的區域異質性。整體來看，人工智能化發展有效降低了碳排放強度，內生性檢驗表明該減排效應具有持續性。從區域差異來看，上游地區的減排效果最為突出，主要得益于人工智能化技術在高碳排放產業中的節能降耗作用；中游地區人工智能化的應用更多地用于擴大產能，反而導致碳排放增加；下游地區人工智能化的減排邊際效應逐漸遞減，整體效應不明顯。

（2）人力資本對碳排放具有顯著且持續的抑制效應，區域異質性特征明顯。整體實證結果與內生性檢驗均證實人力資本的碳減排作用具有長期持續性。區域分析表明，人力資本在中游地區呈現顯著的碳排放正向效應，主要因該區域高技能人才傾向于流入高能耗產業，減排效應被規模擴張效應抵消；而在上游和下游地區，人力資本的減排作用雖表現為負但未達顯著水平，表明減排潛力尚未充分釋放。

（3）人力資本顯著調節人工智能化與碳排放之間的關系。交互項檢驗結果顯示，人力資本水平的提升顯著削弱了人工智能化的碳減排效應。由于人力資本較高的地區，人工智能化的應用更側重于產業擴張、產能提升以及技術升級領域，抵消了部分人工智能化技術本身帶來的環境效益。

（二）政策啟示

（1）深化人工智能賦能傳統產業升級，加快數字化綠色轉型。針對長江經濟帶上游地區資源型產業排放高、中游地區制造業產能擴張排放反彈及下游地區減排邊際效應遞減等特征，應加大人工智能化與工業互聯網技術應用力度，加速傳統產業數字化綠色轉型。上游地區通過人工智能技術實施精準能耗管控，中游地區應以人工智能化推動工藝流程低碳化改造，下游地區則鼓勵建設智能綠色供應鏈，充分釋放人工智能對碳減排的潛力，避免技術擴張帶來的碳排放反彈，確保區域協同減排與數字經濟發展并重。

（2）優化區域人力資本配置，強化綠色產業人才支撐。針對人力資本在長江經濟帶中游地區出現的高技能人才錯配問題，以及上、下游地區人才減排潛力尚未充分釋放的現狀，應優化區域人力資本配置。上游地區應通過職教融合強化綠色技能培訓；中游地區應實施人才定向流動政策，吸引高技能勞動力投身低碳產業；下游地區加強綠色創新人才激勵機制建設，推動高技能人才在數字經濟和綠色技術創新領域的深入融合，全面提升區域人力資本對綠色轉型的戰略支撐作用。

（3）推進人工智能化應用與高端人才協同創新，打造區域低碳發展標桿。為破解人力資本削弱人工智能化減排效應的難題，應在上游地區，鼓勵專業人才推進新能源技術開發；中游地區以人工智能化與高技能人才協同開發綠色制造工藝；下游地區著重推進人工智能化應用與金融、物流等服務業領域人才協作，打造智慧低碳城市和園區試點。通過區域間成功經驗交流和示范項目推廣，推動形成全域低碳協同發展的標桿，為實現碳達峰和碳中和目標提供強有力的區域示范效應。

【注釋】

① 長江經濟帶覆蓋上海、江蘇、浙江、安徽、江西、湖北、湖南、重慶、四川、貴州、云南11個省市行政區。

【參考文獻】

[1］中共中央關于進一步全面深化改革、推進中國式現代化的決定[M].北京：人民出版社，2024.

[2]2025年國務院政府工作報告要點[J].中國共青團，2025（5）：2.

[3]新華社.習近平向2024世界智能產業博覽會致賀信[EB/OL].（2024-06-20）[2025-04-10]. https：//www.gov.cn/yaowen/liebiao/202406/content_6958352.htm.

[4]王瑞瑜，王森.老齡化、人工智能與產業結構調整[J].財經科學，2020（1）：80-92.

[5」許瀟丹，惠寧.人工智能對工業綠色低碳發展的影響研究[J].陜西師范大學學報（哲學社會科學版），2024，53（6） ：74-86.

[6」孫志娟.氣候變化、人工智能與全要素生產率—基于A股涉糧企業的實證分析[J].經濟問題，2025（4）：120-129.

[7］鄧建鵬.人工智能驅動中國經濟產業升級[J].人民論壇，2025（5）：40-43.

[8]殷鳳春，田楠楠，嚴翔.綠色技術轉移視角下科技人才集聚的碳減排效應再檢驗[J].科學管理研究，2023，41（4） ：117-124.

[9]何偉軍，李聞欽，鄧明亮.人力資本、綠色科技創新與長江經濟帶全要素碳排放效率[J].科技進步與對策，2022，39（9）：23-32.

[10]蘇科，周超.人力資本、科技創新與綠色全要素生產率——基于長江經濟帶城市數據分析[J].經濟問題，2021（5）：71-79.

[11］安超，雷明.二氧化碳排放、人力資本和內生經濟增長研究[J].中國管理科學，2019，27（5）：149-160.

[12]倪晨凱，華知威.人工智能、稅收征管與稅制改革[J].中國科學基金，2024，38（5）：841-852.

[13]王東明，尹瑞濤.人工智能語境下的經濟管理與經濟安全[J].山西財經大學學報，2025，47（S1）：31-33.

[14］張欣.人工智能治理的全球變革與中國路徑[J].華東政法大學學報，2025，28（1）：18-32.

[15］周杰琦，梁文光.環境規制能否有效驅動高質量發展？——基于人力資本視角的理論與經驗分析[J].北京理工大學學報（社會科學版），2020，22（5）：1-13.

[16］姚樹俊，董哲銘.人工智能賦能戰略性新興產業新質生產力的路徑研究[J.浙江工商大學學報，2025（1）：100-113.

[17]劉深，曹玉娟.數字碳中和：人工智能推動產業降碳的雙重效應探析[J].江蘇大學學報（社會科學版），2025，27（2）：26-39.

[18］葉云嶺，張其仔.人工智能、產業集聚外部性與長江經濟帶碳排放效率[J].南通大學學報（社會科學版），2024，40（2）：55-65，159.

[19]別曉東，周德祿.人力資本賦能經濟低碳轉型：理論闡釋與實證分析[J].山東社會科學，2024（6）：28-38.

[20]劉斌，趙飛.人力資本提升對企業綠色發展的影響——來自中國“高校擴招\"的證據[J].湖北大學學報（哲學社會科學版），2023，50（1）：152-161，175.

[21]吳康，耿一睿，郭濤.城市群綠色技術創新對碳排放的影響——基于人力資本的調節效應[J].自然資源學報，2024，39（9）：2121-2139.

[22]王家庭，王浩然.區域一體化政策對新質生產力的影響——基于新一代人工智能發展的視角［J].學習與實踐，2025（1）：72-83.

[23]李建森，陶莉.人工智能賦能生態正義的前提反思、現實困固及紓解策略[J].云南社會科學，2025（2）：26-37.

[責任編輯：鐵國花]