人工智能技術促進“雙碳”目標實現的影響機制研究

中圖分類號：X321；F061.5 文獻標識碼：A

0 引言

《2021年中國人工智能助力“雙碳”目標達成白皮書》指出人工智能技術在減碳中的貢獻逐年提升，是實現碳減排的重要手段。人工智能通過數據分析，幫助企業有效監測和預測能源需求，實現生產過程精細化管理，提高能源使用效率1]；在人工固碳時，通過智能調度實現捕集設施動態調整，提高捕集效率。然而，也有研究表明，人工智能系統本身消耗大量電力，導致碳排放量大幅提升。同時，人工智能作為技術創新，會刺激生產力增長，降低能源成本引發能源反彈效應，可能會增加能源需求，抵消碳減排成效并增加整體碳排放[2]。由此可見，人工智能與碳排放存在復雜的關系。此外，人工智能技術應用還面臨技術成本、數據安全等挑戰，需在提高技術水平的基礎上合理規劃其應用程度和范圍。人工智能在能源和環境領域的應用，能否為中國實現“雙碳”目標賦能？如果可以，其作用機制是什么，各地區存在哪些異質性特征？在此背景下，本文構建“雙碳”踐行績效的綜合評價體系，并測算2006—2022年中國279個城市的“雙碳”踐行績效水平，綜合運用多種計量模型深入探究人工智能技術對開放科學（資源服務）標識碼（OSID）：文章編號：1001-7348（2025）15-0011-13“雙碳”踐行績效的影響及內在機制，以期為推動我國各地區有序如期實現“雙碳”目標提供參考借鑒。

1文獻綜述

1. 1 “雙碳”目標

實現“雙碳”目標是一個復雜且艱巨的過程，碳減排是首要任務，學界相關研究主要圍繞碳排放量、碳強度、碳生產效率或碳排放績效等展開（邵帥等，2022）。也有研究為了更全面地衡量低碳轉型，構建了低碳評價指標體系。如Gao等[3]從低碳經濟、技術進步、低碳生活方式、低碳政策和碳匯5個方面綜合考察城市低碳發展。而實現“雙碳”目標不僅要實現碳達峰還要實現碳中和。碳中和是指在降低碳排放的基礎上增加碳吸收，最終實現凈零排放。有學者從清潔能源的生產總量[4]、碳吸收和碳排放的差值[5]等方面考察碳中和目標成果。也有學者構建綜合指標體系，全面評價碳中和進程與績效[。張士寧等[基于“責任心、行動力、承壓力\"3個維度綜合評估全球各國碳中和發展指數；孫傳旺和占妍泓8從成長力、轉型力、持續力、協調力、競爭力等五力構建指標體系，測度中國碳中和發展力。當前，相關研究大多集中于低碳發展或碳中和，有少量研究考察“雙碳\"發展指數或績效。中國環境科學研究院與公眾環境研究中心（IPE）從氣候雄心、低碳狀態、排放趨勢3個維度綜合測度“雙碳”發展指數，科學評估各城市“雙碳”目標實現進程。王嬌等基于低碳狀態、排放趨勢、發展基礎3個維度構建“雙碳”發展績效綜合指標體系，考察數字經濟對“雙碳”目標的賦能效應。張友國和白羽潔[10]從碳排放影響因素、碳排放趨勢、碳脫鉤狀態與碳減排潛力等方面分析了各區域實現“雙碳”目標的差異化路徑。不同于以往研究，本文將碳達峰和碳中和置于同一評價框架中，以低碳狀態考察“雙碳”目標踐行效果、以低碳潛力考察“雙碳”目標踐行能力，全面評估“雙碳”踐行績效。

1.2 人工智能

人工智能具有自動化和智能決策等方面的優勢，其應用有助于解決復雜問題，改變傳統的產業形式和生產模式。已有研究表明，人工智能增加了社會勞動力總需求，在某些領域對傳統勞動力產生替代效應，提高生產率、降低勞動力成本，促進產業結構轉型升級和價值鏈攀升等[11-13]，進而促進宏觀經濟增長。隨著人工智能迅速發展，其在工業領域的應用日益廣泛，深度融人能源環境領域，有望成為全球應對環境問題與氣候變化的關鍵力量[14]。學者們積極探索人工智能技術是否會產生環境紅利。Li等[15]表明人工智能抑制空氣污染和 CO₂ 排放。Kehayov等[16]認為人工智能與碳捕獲和儲存以及可再生能源等其他碳減排工具不同，能夠影響整個產業鏈的減排情景。同時，其也能夠對能源系統產生廣泛影響，提高能源效率、促進能源低碳轉型[17]。當前，學界關于人工智能或“雙碳”目標的研究較多，但少有聚焦二者關系的研究，未能準確評估各城市“雙碳”踐行進程，剖析人工智能賦能作用。人工智能作為我國現階段經濟轉型和產業變革的重要驅動力量，對“雙碳”目標的實現進程影響深遠。

本文的邊際貢獻在于： ① 從低碳狀態和低碳潛力兩個維度構建科學合理的“雙碳”踐行績效評價體系，客觀評價城市“雙碳”踐行進程。 ② 揭示人工智能技術對“雙碳”踐行績效的非線性影響，精準把握人工智能的應用程度和范圍。 ③ 從要素升級、動力升級、產業升級的視角探究人工智能技術對“雙碳”踐行績效的影響機制。 ④ 多維度揭示不同類型城市中人工智能技術對“雙碳\"踐行績效的差異性影響，為有關部門差異化施策推動“雙碳”目標實現提供經驗證據。

2 理論分析與研究假設

2.1人工智能技術對\"雙碳\"踐行績效的影響

人工智能技術發展初期，構建數據中心、通信網絡等基礎設施以及處理海量數據需消耗大量能源[2]。同時，人工智能作為技術革新力量，促進數字產品和服務被廣泛采用，推動高耗能行業快速發展，進一步加劇了能源依賴，而能源消耗正是二氧化碳排放的主要根源。因此，人工智能發展初期可能會增加碳排放。隨著人工智能技術成熟與系統優化，其有效地融入生產、消費和監管環節，利用大數據、深度學習與傳感設備，對能源消耗進行精準監測及預測，能夠為政府、企業碳減排決策提供科學依據，從而實現節能降碳（陳彥斌等，2019）。在實際應用中，借助智能化技術可制定合理的能源供應策略，確保能源高效分配；同時，人工智能還能識別能源浪費問題，優化生產流程，提高能源使用效率。在碳交易市場，人工智能技術可提高碳市場透明度和流動性，優化運行方式。此外，人工智能應用能不斷激發創新活力[]，推動能源類型多元化、消費結構升級，同時降低碳移除成本、推動負排放技術規?；瘧肹1]，從而賦能碳中和?？傮w而言，人工智能技術對碳排放的影響取決于其促進綠色技術減碳與自身耗能增碳之間的平衡。從短期看，由于需要更多的能源和算力資源，人工智能會增加碳排放；從長期看，達到一定的應用規模，并隨著能源利用效率提高和能源結構優化，人工智能將發揮節能減排的規模效應，實現碳減排和碳吸收，提升“雙碳”踐行績效。基于此，提出如下假設：

H₁ ：人工智能技術對“雙碳”踐行績效的影響呈U型非線性關系。

2.2要素升級的中介效應

人工智能能夠優化人力資本結構、提高勞動力配置效率和勞動生產率，推動城市低碳發展。一是優化人力資本結構。人工智能及其催生的新興產業，促使常規低技能勞動力被替代，增加了非常規高技能勞動力需求[12]。激勵勞動者提高知識技能，強化經驗學習與思維創新，提升自身素質[11]，同時吸引知識密集型和技術密集型人才加人。優化人力資本結構，意味著企業不僅能夠熟練應用并升級先進技術，還能高效吸收清潔技術，加快技術效應釋放，進一步改進生產流程、優化能源配置、提高利用效率，推動綠色生產，助力“雙碳”目標實現。二是提高勞動力配置效率。人工智能技術在信息數據收集、處理和傳輸方面獨具優勢，能以數據驅動的方式使勞動力與崗位信息高效匹配[18]，從而促進勞動力資源在不同行業、部門和地區間合理分配，推動各領域采用高效能源利用方式，降低碳排放。三是提高勞動生產率。人工智能賦予機器設備智能性，替代部分人工勞動，尤其對于高頻、重復且規則明確的生產活動，實現智能化生產能夠減少勞動力需求（陳彥斌等，2019），降低企業生產成本，提高生產效率[11]。胡晟明等[19]從微觀層面證實人工智能應用能提高人機協作效率，進而提升勞動生產率，使企業資源利用更高效，減少不必要的能源消耗和浪費?；诖?，提出如下假設：

H₂ ：要素升級在人工智能技術與“雙碳”踐行績效

關系中發揮中介作用。

2.3產業升級的中介效應

人工智能以數字化、網絡化和智能化為基礎，與其他產業深度融合，其技術經濟特征將系統性重構產業體系，推動傳統產業改造升級并加快新型產業體系建設。第一，人工智能以“數據 + 算力 + 算法”為核心，融入實體經濟，改變了傳統產業的運營模式、組織形態、管理機制等，驅動傳統產業智能化、綠色化和數字化升級[20]，實現產業結構高級化發展。第二，人工智能通過科技創新重組生產要素，打破行業壁壘，促進不同產業間的多元融合與協同發展，既可推動要素優化再分配，也可催生戰略性新興產業和未來產業，使企業生產與所需技術精準匹配，以更高效的科技創新發展模式替代傳統發展模式[21]，推動產業結構合理化發展。第三，人工智能作為技術要素，深度融入各行各業，催生新產業、新業態，主要集中在第二、三產業，使產業結構向高度化方向發展[22]。雖然產業結構升級受技術、資源、市場、政策等因素制約，但隨著產業結構趨向高級化、合理化、高度化，高污染、高耗能行業被擠出，取而代之的是高端化、智能化、綠色化的現代產業體系，能夠降低能源依賴、減少能源損耗，助力實現環境與經濟共贏的綠色低碳發展。基于此，提出如下假設：

H₃ ：產業升級在人工智能技術與“雙碳”踐行績效關系中發揮中介作用。

2.4 動力升級的中介效應

人工智能應用可以促進技術創新，首先，有助于緩解信息不對稱，打破信息流動壁壘，推動資源要素整合共享。其次，加速企業生產智能化，提高生產效率，使勞動者有更多時間、企業有更多資金用于研發；同時人工智能的智能化特征還能提高技術研發效率[23]。最后，促使企業改進生產技術，實現從要素驅動到創新驅動模式的轉變[24]。綠色技術創新需要相應的資源基礎與之配套，當人工智能發展到一定程度，城市和企業的資源基礎無法繼續滿足綠色創新的需求，且綠色創新的等級要求也相應提高，其對綠色技術創新的促進作用可能變緩。

人工智能應用初期，在政策扶持和資金激勵情境下，企業可能存在較多的策略性創新活動，其與實質性創新相比往往成本及技術水平較低，不能真正促進技術進步（黎文靖等，2016）。隨著人工智能應用程度加深，企業為真正實現技術進步，更傾向于開展質量較高的實質性創新。綠色技術創新是從技術層面解決環境污染問題的有效手段，貫穿源頭控制、過程減排、末端治理全過程。在企業生產和居民消費活動中，綠色技術驅動傳統模式變革，提高資源利用效率，助力能源結構向清潔化轉型，加速能源綠色消費，有效降低碳排放。在新能源領域，綠色技術創新加速新能源開發、提升儲能、降低成本。此外，負碳技術作為二氧化碳捕集、封存與利用的關鍵手段，為實現凈零排放目標提供了新的路徑。綠色技術創新通過促進碳減排、碳吸收提升“雙碳”踐行績效。基于此，提出如下研究假設：

H₄ ：動力升級在人工智能技術與“雙碳\"踐行績效關系中發揮中介作用。

2.5數字化的調節效應

人工智能作為數字技術的前沿形態，其潛能的充分釋放需要數字基礎設施、數字產業發展、數字創新能力等多層次數字化體系的支撐。營造良好的數字化環境，不僅可以改善環境及其治理信息的透明度，為人工智能精準介入降碳場景提供清晰的“問題圖譜”。還為人工智能技術應用提供了更加廣闊的空間，深度融人能源環境領域，對生產過程進行實時監控和數據分析，優化生產流程提高生產效率。其一，完善的數字基礎設施不僅加速人工智能、區塊鏈等數字技術應用，使企業能夠更準確、更及時地收集、處理和分析與碳排放相關的數據。也提高了數據要素的利用效率，推動低碳治理從經驗決策邁向數據驅動。其二，數字產業發展加速人工智能算法的低碳化迭代。如芯片設計、云計算等數字產業環節的技術突破，為人工智能裝上“綠色引擎”。除此，數字產業搭建的標準化接口體系，讓人工智能技術快速嵌入高碳領域。數字產業支撐的人工智能低碳生態，實現從單點節能到系統降碳的躍升，通過“技術適配一場景滲透一效能放大\"強化人工智能的低碳效應。其三，數字創新能力高的地區，憑借知識快速流通的獨特優勢，構建起“新知識發現一技術應用一人才集聚”的正向循環，為人工智能技術的落地與升級提供沃土，人工智能算法能更快適配城市交通、工業制造等場景需求，既推動人工智能在能耗監測、碳排放核算等領域的技術創新，又通過優化算法模型降低人工智能自身能耗，實現“技術創新—能源節約一減排增效”的閉環，為實現“雙碳”目標提供了深層動力。因此，數字化發展水平高的地區，人工智能驅動“雙碳”踐行績效提高更具優勢?；诖?，提出如下研究假設：

H₅ ：數字化在人工智能技術對“雙碳”踐行績效的影響中發揮正向調節效應。

綜上，本文構建研究框架如圖1所示。

圖1研究框架

Fig.1 Researchframework

3 研究設計

3.1 模型設計

（1）基準回歸模型。為檢驗人工智能技術與“雙碳踐行績效之間是否存在非線性關系，構建模型如下：

DCP_it=β₀+β₁AIT_it+β₂AIT_it²+β₃Con_it+λ_i+μ_t +ε_it （1）

其中，下標 i.t 分別表示城市和年份； DCP_it 表示城市“雙碳”踐行績效； AIT_it 表示人工智能技術應用水平； Con_it 表示一系列控制變量； λ_i 為個體固定效應， μ_t 為年份固定效應， 為隨機誤差項； β 為估計系數，若β₁ 顯著為負且 β₂ 顯著為正，表示人工智能技術和“雙碳”踐行績效之間存在U型關系。

（2）中介效應模型。為檢驗人工智能技術影響“雙碳”踐行績效的中介效應，構建模型如下：

Mechanism _it=β₀+β₁AIT_it+β₂AIT_it²+β₃Con_it+ λ_i+μ_t+ε_it （2）

DCP_it=β₀+β₁AIT_it+β₂AIT_it²+β₃Mechanism_it +β₄Con_it+λ_i+μ_t+ε_it （3）

其中，Mechanismu表示中介變量，包含要素升級、產業升級、動力升級。

（3）調節效應模型。為檢驗數字化在人工智能技術對“雙碳”踐行績效影響中發揮的調節作用，構建模型如下：

（2 DCP_it=β₀+β₁AIT_it+β₂AIT_it²+β₃Modulatio nit+β₄Modulation_it×AIT_it+β₅Modulation_it×AIT_it²+ β₆Con_it+λ_i+μ_t+ε_it （4）

其中， .Modulation_it 表示調節變量，包含數字基礎設施、數字產業發展、數字創新能力；Modulation _it× AIT_it 表示調節變量與人工智能技術的交乘項；Modu-lation 表示調節變量與人工智能技術平方的交乘項。

3.2 變量設定

3.2.1 被解釋變量

本文被解釋變量是城市“雙碳”踐行績效（DCP）。考慮實現“雙碳”目標是個長期過程，需精準識別各地“雙碳\"治理態勢和潛力，本文參考已有研究[4，10-11]，從低碳狀態（LCS）和低碳潛力（LCP）兩個維度出發，構建城市“雙碳\"踐行績效綜合指標體系，并通過熵值法測度考察我國城市層面的“雙碳”踐行進程。其中，低碳狀態反映當前的低碳狀態與可持續性；低碳潛力評估政策體系、技術支持、人力資源等是否有利于低碳轉型以及進一步低碳轉型的潛力。具體指標體系見表1。

表1城市“雙碳\"踐行績效指標體系

Table1Indicator system ofurban dual carbon practice performance

3.2.2核心解釋變量

本文核心解釋變量是人工智能技術應用水平（AIT）。參考姚加權等[]、Wang等[1]的研究方法，考慮人工智能專利反映地區擁有的人工智能技術以及產出情況，因此采用人工智能專利申請量衡量人工智能技術應用水平。根據《戰略性新興產業分類與國際專利分類參照關系表（2021）》，從國家知識產權局官網檢索各地區“深度學習、計算機視覺、云計算、語音識別、智能機器人、智能駕駛和自然語言處理\"7類專利申請量。

3.2.3 中介機制變量

（1）要素升級。從勞動力配置效率（HCA）、人力資本結構優化（HCS）和勞動生產率 （LE）3 個方面考察人工智能的要素升級效應。借鑒已有研究，采用勞動力錯配指數反向衡量勞動力配置效率。采用地區生產總值與就業人口總數的比值衡量勞動生產率。人力資本結構優化用年末常住人口中在校大學生的比例表征。

（2）動力升級。由于研究對象為環境績效，因此以綠色技術創新水平考察人工智能的動力升級效應。借鑒王鏑和章揚[26]的研究，選擇地區綠色實用新型專利申請量衡量策略性綠色創新（GUP），綠色發明專利申請量衡量實質性綠色創新 （GIP ）。

（3）產業升級。借鑒現有文獻，本文從產業結構合理化（ISR）、高級化（ISA）高度化（ISS）3個方面考察人工智能的產業升級效應。借鑒已有研究[13]，產業結構合理化用泰爾指數衡量。產業結構高級化用第三產業與第二產業產值之比衡量。產業結構高度化用產業結構層次系數法測算。

3.2.4 調節變量

數字化。參考王嬌等9的研究，從數字基礎設施（DIL）、數字產業發展（ .DID ）、數字創新能力（DIC）3個維度刻畫城市數字化水平。具體指標見表2。

表2城市數字化發展水平綜合指標體系

Table2 Indicatorsystemof urbandigital development level

3.2.5 控制變量

參照既有文獻，本文選取如下控制變量[3，6，9]： ① 外貿依存度（OPEN），用地區生產總值中的貨物出口額占比表征； ② 城鎮化率（UR），用總人口中城鎮人口的占比表征； ③ 金融發展水平（FDL），用地區生產總值中年末金融機構貸款余額的占比表征； ④ 交通基礎設施水平（ICL），用人均城市道路面積表征，取對數處理； ⑤ 經濟發展水平（PGDP），用人均地區生產總值表征，取對數處理。

3.3樣本選擇與數據處理

選取2006—2022年中國279個地級及以上城市作為研究樣本。深度學習算法的概念在2006年被正式提出，推動人工智能技術應用取得突破式發展，因此本文將2006年作為研究起始時間。研究數據主要來源于《中國城市統計年鑒》《中國能源統計年鑒》；專利數據來源于國家知識產權局；人工智能企業數通過天眼查企業數據庫搜索獲得；碳排放數據來源于CGER提供的分辨率為 1km×1km 的柵格圖像，反映化石燃料燃燒、水泥生產和天然氣燃燒產生的二氧化碳排放量；能源消耗量利用城市層面的夜間燈光反推得到。部分缺失數據，通過線性插值法補全。

4實證結果

4.1 基準回歸分析

通過Hausman檢驗，選用時間和個體雙固定效應模型，基準回歸結果見表3。列（1）（2）表示人工智能技術對“雙碳\"踐行績效的線性影響，可以發現，無論是否添加控制變量，人工智能技術對“雙碳”踐行績效的影響都不顯著。進一步加入人工智能技術的二次項進行回歸，結果如列（3）（4）所示，人工智能技術的一次項系數顯著為負、二次項系數顯著為正，表明人工智能技術與“雙碳”踐行績效之間存在明顯的U型關系，即隨著人工智能技術應用的加深，“雙碳”踐行績效呈先降后升的趨勢。借鑒Lind 8 Mehlum[25]的研究，通過Utest檢驗驗證該非線性關系，U型轉折點為6.702，落在人工智能技術水平（對數值）的數據區間[2.485，12.548]內，左側區間斜率為一0.019，右側區間斜率為0.027，且在 1% 水平上顯著，表明人工智能技術和“雙碳”踐行績效確實存在顯著的U型關系，假設 H₁ 得以驗證。經統計，截至2022年，全國共有250個城市人工智能技術水平超過轉折點，說明大部分城市人工智能技術應用對“雙碳\"踐行績效提升具有賦能作用。

進一步分維度分析，分別以低碳狀態和低碳潛力作為被解釋變量進行回歸，結果如列（5）（6）所示，人工智能技術的回歸系數差異不大，拐點分別為9.170和6.527，表明隨著人工智能技術應用程度的加深，對低碳潛力先實現提升作用。經統計，截至2022年，全國共有49個城市人工智能技術對低碳狀態具有提升作用；251個城市人工智能技術對低碳潛力具有提升作用。這意味著大部分地區對低碳狀態的提升作用還未充分釋放，人工智能應用程度還需繼續加深。

4.2 穩健性檢驗

第一，更換指標測度方式。 ① 替換被解釋變量。“雙碳”目標實現的實質是降低碳排放，因此采用地區人均碳排放（ PCO₂ ）重新度量“雙碳”踐行績效。 ② 替換解釋變量。從技術實踐與應用角度選取地區人工智能企業數（AIC）重新度量人工智能發展水平。

第二，調整研究樣本。 ① 剔除極端值。對樣本數據分別進行雙側 1%.5% 的縮尾處理。 ② 改變樣本期。2012年“互聯網 + \"理念提出，人工智能領域開始飛速發展，因此將研究樣本期限調整為 2012-2022 年。 ③ 剔除直轄市樣本。直轄市經濟發展水平相對更高，可能對研究結果造成偏誤，因此將樣本中的4個直轄市剔除后再次回歸。

第三，排除政策干擾?？紤]到低碳試點政策和碳交易政策可能影響地區碳排放，從而干擾人工智能技術對“雙碳”踐行績效影響的評估，本文分別對剔除碳交易試點城市、剔除低碳試點城市以及同時剔除兩類試點城市得到的新樣本進行回歸分析。相關結果驗證了基準回歸的可靠性，具體見表4。

表3基準回歸結果Table3 Benchmark regression results

注： ?，??，??? 分別代表在 10%.5%.1% 的水平上顯著，括號內數值為穩健標準誤，下同

表4穩健性檢驗結果Table4Robustness test results

4.3 內生性檢驗

（1）變量滯后。人工智能技術應用對城市“雙碳”踐行績效的影響可能存在一定的滯后性，因此本文將解釋變量滯后一期進行回歸。表5列（1）的結果表明，人工智能技術與“雙碳”踐行績效存在U型關系，且關系影響存在一定的滯后性。

表5內生性檢驗結果Table5Endogeneity test results

（2）工具變量法。借鑒柏培文和張云（2021）的研究方法，采用地形起伏度構建工具變量（i）。城市的地形起伏度可能影響當地技術應用，但不會直接影響現階段“雙碳”踐行績效，可滿足工具變量的相關性和外生性條件。由于本文的研究樣本是城市一年份層面的面板數據，而地形起伏度基本不隨時間變化，借鑒Nunn等[2的研究引入一個隨時間變化的變量構造工具變量。參考姚加權等[1]的方法，用全國人工智能專利的申請數體現工具變量的時變性，本文將地形起伏度與上一年全國人工智能專利的申請數構成交互項，作為工具變量，采用兩階段最小二乘法進行回歸。表5列（2）（3）為估計結果，F值大于10，基本可排除弱工具變量的可能；LM統計量在 1% 水平上顯著，拒絕工具變量識別不足；第一階段結果顯示，工具變量的回歸系數在 1% 水平上顯著；第二階段結果顯示，人工智能技術與“雙碳\"踐行績效呈顯著的U型關系，表明考慮潛在內生性問題后，結果依然成立。

5 機制檢驗

5.1 中介效應

首先，從策略性綠色創新和實質性綠色創新兩方面考察人工智能技術的動力升級效應。表6列（1）顯示，人工智能技術對策略性綠色創新影響的一次項系數顯著為正，二次項系數顯著為負，說明人工智能技術應用能夠推動地區策略性綠色創新水平提升，但是隨著人工智能技術應用程度繼續加深，不斷增加的成本超越創新收益，且資源管理難度加大，則會抑制企業策略性綠色創新。列（3）顯示人工智能技術始終顯著促進地區實質性綠色創新水平提高。列（2）（4）表明綠色創新顯著促進“雙碳\"踐行績效提升，且實質性創新的促進作用更強。人工智能技術應用可激發企業開展綠色創新活動，尤其是成本和技術水平相對較低的策略性創新，能夠產生超越成本的補償性收益，但并不能真正促進技術進步（黎文靖等，2016）。隨著人工智能技術應用繼續加深，企業則會權衡成本收益，減少策略性創新。然而，企業在環境治理中遇到的技術和經濟挑戰，唯有通過實質性創新才可解決[26]。綜上，假設 H₄ 得以驗證。

表6要素與動力升級中介效應檢驗結果

Table6Results of the mediating effect test on factor and dynamicupgrading

其次，從人力資本結構優化、勞動生產率、勞動力配置效率3個方面考察人工智能技術的“要素升級\"效應。表6列（5）（7）（9）結果顯示，人工智能發展能夠顯著促進人力資本結構優化，提高勞動生產率，緩解勞動力錯配，實現人力資本要素升級；列（6）（8）（10）結果表明，人力資本優化、勞動生產率和勞動力配置效率提升能夠為“雙碳\"踐行績效賦能。綜上，假設 H₂ 得以驗證。

最后，從產業結構合理化、高級化、高度化3個方面考察人工智能技術的產業升級效應。表7列（1）（3）

（5）結果顯示，人工智能技術與產業結構合理化、產業結構高級化、產業結構高度化均存在倒U型關系。整體而言，人工智能技術首先應用于第三產業，提升高附加值行業在產業結構中的比重，激發新產業新業態涌現，促進產業升級；隨著應用程度加深，延伸至第二產業，尤其是制造業，高耗能、高排放的產業特征改變難度大，并且引起企業協調成本和資源管理難度增加，使產業升級受阻。列（2）（4）（6）結果表明，產業升級顯著促進“雙碳\"踐行績效提高。綜上，假設 H₃ 得以驗證。

表7產業升級中介效應檢驗結果

Table7Resultsof themediatingeffect test on industrial upgrading

5.2 調節效應

借鑒Haans等[28]的處理方法，進一步探究數字化對人工智能技術與“雙碳”踐行績效關系的調節效應。結果如表8所示，列 （2）～（4） 分別顯示數字基礎設施、數字產業發展、數字創新能力對人工智能技術與“雙碳”踐行績效非線性關系的調節效應，數字化水平與人工智能技術二次項的交乘項系數均在 1% 的水平上顯著為正，表明數字化強化人工智能與“雙碳”踐行績效的U型關系。經計算，曲線拐點分別為6.121、4.641、2.981，與基準回歸中拐點（6.702）相比，都向左移動了，表明數字化發展能夠顯著調節人工智能技術與“雙碳\"踐行績效的U型關系，激發人工智能技術的賦能效應。分析其原因，數字化水平高的地區擁有更先進和完善的數字基礎設施，能夠提供更加豐富、全面的數據資源，為人工智能應用筑牢硬件根基；同時，人工智能技術可深度融入能源領域，對生產過程進行實時監控和數據分析，精準把握能源供需，提高能源使用效率、促進節能減排（陳彥斌等，2019）。此外，數字化為人工智能技術創新提供了更加廣闊的空間，借助大數據分析、機器學習等手段，催生低碳領域新技術、新產品和新模式[29]。因此，數字化發展水平高的地區，人工智能技術對“雙碳\"踐行績效的驅動作用更強。值得注意的是，在數字創新能力的調節作用下，人工智能技術的拐點最小。這歸因于高素質數字人才的涌入和技術創新注入所形成的知識資本，使人工智能發展能夠更加有效地增強低碳轉型潛力，促進低碳轉型。綜上，假設H₅ 得以驗證。

6 異質性分析

6.1 區域“雙碳”踐行進程異質性

基于“雙碳\"踐行績效的兩個維度分區域考察人工智能的異質性影響，其中，低碳狀態代表碳減排效果，低碳潛力代表碳減排能力。本文以兩個維度的全國平均值為基準將樣本城市分為四組，如圖2所示，橫軸從左往右代表低碳狀態水平遞增，縱軸從下往上代表低碳潛力水平遞增。第一象限為領跑型，低碳狀態佳、潛力大；第二象限為潛力型，低碳狀態差、潛力大；第三象限為追趕型，低碳狀態差、潛力小；第四象限為跳躍型，低碳狀態佳、潛力小。各象限均報告了分別以“雙碳”踐行績效、低碳狀態、低碳潛力為被解釋變量，分樣本回歸人工智能技術的系數。以“雙碳\"踐行績效為被解釋變量時，領跑型地區人工智能技術與“雙碳”踐行績效呈U型關系，其他三個類型的區域為正向促進關系。

潛力型比追趕型系數大，領跑型比跳躍型系數大，說明低碳潛力越大的城市，人工智能技術的促進作用越大。潛力型與領跑型相比系數更大，追趕型與跳躍型相比系數更大，說明低碳狀態差的地區人工智能技術的賦能作用更強。由此可知，低碳潛力是人工智能技術充分發揮減碳作用的前提，低碳狀態差的地區人工智能技術賦能作用更強，同時也證明人工智能技術在實現“雙碳”目標過程中的潛力。進一步地，以低碳潛力為被解釋變量，人工智能技術顯著提高城市低碳潛力，且對潛力型城市更具賦能作用。以低碳狀態為被解釋變量時，在低碳潛力大的地區人工智能與低碳狀態呈U型關系，低碳潛力小的地區人工智能對低碳狀態無顯著影響，并且在低碳狀態佳的地區賦能作用更強。綜上所述，人工智能技術有效促進城市低碳潛力提升，低碳潛力是人工智能發揮減碳效應的重要支撐，并且低碳狀態差的地區轉型潛力大，凸顯了加強人工智能技術應用在“雙碳\"踐行過程中的重要性。

表8調節效應檢驗結果

Table8Testresultsofmoderating effects

圖2分組回歸系數估計

Fig.2Estimation of grouped regression coefficients

6.2 城市區位異質性

不同地區的資源稟賦、發展水平等存在較大差異，本文將研究樣本分為東部、中部和西部地區，進一步檢驗人工智能技術對“雙碳”踐行績效的區域異質性影響，回歸結果見表9。列（1）（2）顯示，東部、中部地區人工智能技術對“雙碳\"踐行績效的影響均為U型，且中部地區較早出現拐點（東部拐點為8.252，中部拐點為6.383），拐點左側斜率較小，拐點右側斜率更大，說明人工智能技術對中部地區激勵效果更大。列（3）顯示，西部地區人工智能技術對“雙碳”踐行績效的二次項系數不顯著。為進一步驗證二者關系，列（4）顯示二者線性回歸結果，可以看出西部地區兩者的關系不顯著。原因可能是東部地區經濟發達，技術應用和創新能力較強，政策制度完備，政府資金投入多，人力資本充裕，低碳轉型能力強，并且智能化技術發展較成熟。中部地區具備較好的智能化發展基礎，相較東部地區，產業結構偏重，化石能源依賴度高，低碳轉型空間更大，因此，人工智能發展賦能效應最大。而西部地區科技水平、技術創新能力較弱，人工智能需求不足，智能化融入難度大，且人工智能仍處于早期應用階段，短期內賦能效應不易顯現。

進一步將直轄市、副省級城市和省會城市劃分為中心城市，其他城市劃分為非中心城市，考察城市層級的異質性影響。表9列（5）（6）結果顯示，人工智能技術與“雙碳\"踐行績效均呈U型關系，但在中心城市人工智能技術所表現的賦能效應更強，并且拐點較?。ㄖ行某鞘泄拯c為6.9，非中心城市拐點為9.5），說明中心城市經濟發展水平高，科技創新能力強，且具有充足的資金和人力資本支持，在人工智能發展和“雙碳\"踐行兩方面均具有先發優勢，人工智能技術賦能效應釋放得更早、更充分。

6.3城市特征異質性

（1）創新創業活躍度。參考周銳波等[30]的研究，采用北京大學企業大數據研究中心發布的區域創新創業指數衡量地區創新創業活躍度，以中位數為基準，將樣本劃分為高低兩組，分組回歸結果見表10列（1）（2），創新創業活躍度高的地區，人工智能技術對“雙碳”踐行績效存在U型曲線關系；而創新創業活躍度低的地區，人工智能技術對“雙碳”績效的影響不顯著。原因可能是創新創業活躍的地區往往聚集了大量的高新技術企業、科研機構和人才，對產業升級、結構轉型等具有推動作用[26]。人工智能技術能更好地融入生產經營活動和現有技術體系中，與地區創新創業生態系統形成積極互動，改變“高投資、高能耗、低效率”的傳統增長模式。而創新創業薄弱的地區創新能力相對較低，人工智能技術賦能作用不明顯。

表9區域異質性檢驗結果Table9 Testresultsofregional heterogeneity

表10城市特征異質性檢驗結果

Table10Test resultsofurbancharacteristic heterogeneity

（2）信息基礎設施。采用互聯網寬帶用戶接人數占城市常住人口比值衡量地區信息基礎設施水平，以中位數為界將樣本劃分為高低兩組，分組回歸結果如表10列（3）（4）所示，在擁有先進信息基礎設施的地區，人工智能技術應用與“雙碳”踐行績效存在U型關系；而在信息基礎設施建設相對落后的地區，二者關系不明顯。原因可能是人工智能技術發揮作用需要以信息基礎設施為基礎，在沒有相應信息基礎設施配套的情況下，人工智能技術難以發揮作用，無法對“雙碳”踐行績效產生顯著影響。

（3）智慧城市試點?；诔鞘惺欠駥嵤┲腔鄢鞘性圏c將樣本分為兩組進行回歸，結果如列（5）（6）所示。試點城市和非試點城市中人工智能技術與“雙碳\"踐行績效均呈U型關系，且相比于非試點城市，試點城市人工智能技術的影響更大。智慧城市試點政策旨在推動城市低碳、綠色、智能發展，強調工業化、城鎮化和信息化的高度融合，為人工智能技術的應用提供了良好基礎。

7 結論與建議

7.1 研究結論

本文基于2006—2022年中國城市面板數據探究人工智能技術對“雙碳”踐行績效的影響及作用機制，得出以下研究結論： ① 人工智能技術與“雙碳”踐行績效之間存在明顯的U型關系，當人工智能技術達到一定水平后，會顯著促進“雙碳\"踐行績效提升。經過一系列內生性和穩健性檢驗，結論依然成立。分維度看，人工智能技術與低碳狀態和低碳潛力兩個維度均具有顯著的U型關系，并對低碳潛力的影響先達到拐點。 ② 中介機制檢驗表明，人工智能技術能夠通過要素升級、產業升級、動力升級影響城市“雙碳”踐行績效。 ③ 調節效應分析表明，數字基礎設施、數字產業發展、數字創新能力均正向調節人工智能技術與“雙碳”踐行績效的U型關系，激發人工智能應用的賦能效應，使拐點左移，并且在數字創新能力的調節作用下最早到達拐點。④ 異質性分析表明，低碳潛力大、低碳狀態差的地區，人工智能技術對“雙碳”踐行績效賦能效應更強；東、中部地區二者存在U型關系，而西部地區關系不顯著；中心城市相對非中心城市影響更大；創新創業活躍度高、信息基礎設施水平高、實施智慧城市試點的地區人工智能賦能效應更強。

7.2 政策建議

（1）推進人工智能技術應用，加速“雙碳”目標實現進程。其一，出臺激勵政策引導人工智能技術應用，立足本地實際，使其與生產力水平相匹配，防正過度配置和成本增加。其二，企業需充分把握人工智能發展帶來的“科技紅利”，結合行業特性制定發展戰略。高耗能行業應注重人工智能與低碳技術融合，優化生產決策，提高生產效率，加快綠色低碳發展。服務產業和高新技術產業應注重智能技術低碳化應用。其三，需重視人工智能自身高耗能問題，加快數據中心等新型基礎設施節能改造，完善其能耗考核和綠色低碳評估體系，促進智能化產業低碳化發展。此外，面對數據安全、隱私泄露和技術失控等潛在風險，應制定倫理規范、完善政策法規，加強技術研發、建立數據安全體系，共同構建高效、安全的智能化低碳社會。

（2）加強頂層設計，暢通人工智能的賦能機制。其一，堅持綠色發展方向，促進產業多元融合與協同，助力傳統產業轉型，催生新興產業，實現產業升級。其二，制定智能化人才發展戰略，健全人才培養、引進機制和交流平臺，提升勞動者素質，培養高技能復合型人才，優化人力資本結構。同時鼓勵勞動力自由流動，促進區域間資源合理配置。其三，鼓勵企業開展實質性創新，并促進綠色創新成果轉化。

（3）加快地區數字化轉型進程，充分發揮其賦能效應。加強數字基站、工業互聯網和數據中心等數字基礎設施建設，推動大數據與數字核心產業發展，構建大數據開放平臺，為人工智能的應用提供數據和硬件基礎。出臺政策鼓勵數字創新，提高數字化創新能力，推進數字技術和人工智能技術的融合發展，暢通技術轉化路徑，助力人工智能技術有效應用，增強其對“雙碳”踐行績效的提升效應。

（4）充分發揮本地比較優勢，因地制宜差異化施策。人工智能技術對“雙碳”踐行績效的驅動作用存在區域差異性，各地區需找準定位，識別難點和重點，堅持揚長補短，差異化規劃人工智能的應用。具體而言，東部地區需充分利用其優勢，培育新質生產力，推動產業智能化升級，加快低碳技術轉化應用，充分發揮智能化的綠色效應；中部地區應推動人工智能與現有產業深度融合，優化能源生產消費，實現能源供需精準匹配，提高能源利用效率，促進高耗能產業向低碳、高附加值轉型；西部地區應提高區域數字化程度和創新創業能力，給予導向性政策，為人工智能的應用創造條件，推動傳統產業智能化。

8 不足與展望

本研究深入剖析了人工智能技術在助力“雙碳”目標實現進程中具有巨大潛能，但是其應用過程中面臨數據管理難、數據質量參差不齊、隱私泄露以及技術失控等風險，未來研究可進一步聚焦于人工智能技術應用面臨的障礙與挑戰，探尋解決策略，以更好地促進“雙碳”目標實現。

參考文獻：

[1] VERENDEL V. Tracking artificial intelligence in climate inven-tionswith patent data[J].Nature Climate Change，2o23，13（1）：40-47.

[2] 薛飛，劉家旗，付雅梅，人工智能技術對碳排放的影響[J].科技進步與對策，2022，39（24）：1-9.

[3] GAO Z H，ZHOUP，WEN W.What drives urban low-carbon transition？ findings from China[J]. EnvironmentalImpactAssessmentReview，2025，110：107679.

[4] 周兵，劉婷婷．區域環境治理壓力、經濟發展水平與碳中和績效[J].數量經濟技術經濟研究，2022，39（8）：100-118.

[5] CHENJB，WENG SM，TAO WL，et al. Measuring car-bonneutralityand exploring the threshold effects of itsdriv-ing factors：evidence from China[J]. Applied Energy，∠U∠4，313：125024.

[6]李愛軍，張入川．中國碳中和發展績效及其內在驅動力研究[J]．山東大學學報（哲學社會科學版），2023，73（4）：112-124.

[7]張士寧，譚新，侯方心，等．全球碳中和形勢盤點與發展指數研究[J]．全球能源互聯網，2021，4（3）：264-272.

[8]孫傳旺，占妍泓.碳中和發展軌跡的國際比較與中國碳中和發展力研究[J].國外社會科學，2022，45（1）：120-132，199.

[9]王嬌，孫慧，廖振良．數字經濟賦能、“雙碳\"發展績效與區域協調效應[J]．經濟問題探索，2024，45（5）：125-148.

[10]張友國，白羽潔．區域差異化的實現路徑[J]．改革，2021，34（11）： 1-18.

[11]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）：101-122，133.

[12]ACEMOGLU D，RESTREPO P. Robots and jobs： evi-dence from US labor markets[J]. Journal of Political E-conomy，2020，128（6）：2188-2244.

[13]柴正猛，張培鐸，韓先鋒．工業智能化能成為產業結構升級的新動能嗎[J]．科技進步與對策，2024，41（19）：56-66.

[14]COWLS J，TSAMADOS A，TADDEO M，et al. The AIgambit： leveraging artificial intelligence to combat climatechange—opportunities，challenges， and recommendations[J].AI amp; Society，2023，38（1）： 283-307.

[15]LI Y， ZHANG Y，PAN A，et al. Carbon emission reduc-tion effects of industrial robot applications：heterogeneitycharacteristics and influencing mechanisms[J]. Technolo-gy in Society，2022，70：102034.

[16]KEHAYOV M，HOLDER L，KOCH V. Application ofartificial intelligence technology in the manufacturingprocess and purchasing and supply management[J]. Pro-cedia Computer Science，2022，200：1209-1217.

[17]WANG B，WANGJD，DONG K Y，et al. How does ar-tificial intelligence affect high-quality energy development？achieving a clean energy transition society[J]. Energy Pol-icy，2024，186：114010.

[18]孫早，高昕凱．智能化、勞動力有效配置與就業質量提升[J]．西安交通大學學報（社會科學版），2025，45（1）：53-68.

[19]胡晟明，王林輝，趙賀．人工智能應用、人機協作與勞動生產率[J].中國人口科學，2021，35（5）：48-62，127.

[20]范德志，于水，生成式人工智能大模型助推實體經濟高質量發展：理論機理、實踐基礎與政策路徑[J]．云南民族大學學報（哲學社會科學版），2024，41（1）：152-160.

[21]ZOU W Y，XIONG Y J. Does artificial intelligence pro-mote industrial upgrading？ evidence from China[J]. Eco-nomic Research-Ekonomska Istrazivanja，2023，36（1）：1666-1687.

[22]焦勇．數字經濟賦能制造業轉型：從價值重塑到價值創造[J].經濟學家，2020，32（6）：87-94.

[23] 仲崇陽，張雨朦，馬新嘯．智能制造對中國城市低碳發展的賦能效應——基于工業機器人應用視角[J]．資源科學，2024，46（4）：728-743.

[24]RIBEIRO-NAVARRETE S，BOTELLA-CARRUBI D，PALACIOS-MARQUES D，et al. The effect of digitali-zation on business performance：an applied study of KIBS[J].Journal of Business Research，2021，126：319-326.

[25]LIND J T，MEHLUM H. With or without U？ the appro-priate test foraU-shaped relationship[J].Oxford BulletinofEconomics and Statistics，201o，72（1）：109-118.

[26]王鏑，章揚．企業數字化轉型、策略性綠色創新與企業環境表現[J].經濟研究，2024，59（10）：113-131.

[27]NUNN N，QIAN N. US food aid and civil conflict[J]. A-merican Economic Review，2014，104（6）：1630-1666.

[28]HAANS R F J，PIETERS C，HE Z L. Thinking about U：theorizing and testing U- and inverted U-shaped relation-ships in strategy research[J]. Strategic Management Jour-nal，2016，37（7）：1177-1195.

[29]范彥成，劉儀，陳衍泰.區域數字化環境對制造業顛覆性與漸進性創新的影響——基于數字可供性理論的分析[J/OL].科技進步與對策，1-12[2025-05-06].http：//kns.cnki.net/kcms/detail/42.1224.G3.20241227.0826.002.html.

[30]周銳波，吳云峰，宋佳晞．共生共榮：工業智能化發展與包容性綠色增長[J]．中國人口·資源與環境，2024，34（5）：162-174.

（責任編輯：梅嵐嶠）

Mechanism of Artificial Intelligence Technology Promoting the Achievement of \"Dual Carbon\" Goals

Wang Jiao12，Sun Hui12，Liao Zhenliang1，3 （1.School of Economics and Management， Xinjiang University;

2. Xinjiang Innovation Management Research Center， Xinjiang University， Urumqi 830O46，China;

3. College of Environmental Science and Engineering，Tongji University，Shanghai 2Ooo92，China）

Abstract：The issueof climatechange is becoming increasingly severe，and countriesaround theworld have recognized the urgency of reducing carbon emisions. China has also expressed the ambitionto achieve thedual carbon goals and regards it as an important developmenttask atpresent.However，achieving this long-termgoal withinthetightdeadline is adauntingtask.Asa vital strategic technology inthenewera，artificial intellgence technology（AIT）has been extensivelyapplied inthe fields ofenergyandenvironment，significantly influencing theachievementof dual-carbon goals.Although numerous studies have been conducted in this area，several gaps remain.Firstly，while there is abundant research on AIT and dual-carbon goals individually，studies that specifically explore theirrelationshipare relativelyrare.Secondly，existing research tends to address carbon reduction or carbon neutrality from a singular perspective，lacking a comprehensive approach.Moreover，there is stillagap in studies that accurately assess the urban dual-carbon practice process and analyze the empowering role of AIT.

In view of this，this paper comprehensively considers carbon reduction and carbon absorption，scientificaly constructs an indicator system to measure the urban dualcarbon practice performance（DCP），and calculatestheDCP levelof 279 citiesinChina from 2006 to2022.Sinceexisting researchontheimpactofartificial inteligence technology（AIT）onurban dualcarbon practice（DCP）is limited，and achieving dual carbon goals is a long-term process requiringa preciseunderstanding oflocal carbon-governance dynamics and potential，the study develops an indicator system from two dimensions： low-carbon status （LCS）and low-carbon potential （LCP）．LCS reflects curent low-carbon status and sustainability， while LCP assesses thesupportiveness of policy，technology，and human resources for low-carbon transitionand the po tential forfurthertransition.Ituses theentropy method to measure DCPat theurban level in China.Thecore explanatory variable is the aplication levelof AIT，measured byAI patent applications，asthey indicate regional AI technologyand output.By comprehensively using the panel econometric model，mediation efect model，moderation efect model，this study explores theimpactandunderlying mechanismsofAITon DCP，inordertofind efective ways forcities toachieve their dual carbon goals.

The research results show that there is a U-shaped relationship between AITand DCP.When the level of AIT exceeds 6.702，the impact on DCPchanges from inhibitory efect to promoting efect.In terms of sub-dimensions，the promotive efectofAITon low-carbon potential is highlightedfirst.The mediating efect analysisshows thatfactorupgrading，industrialupgrading and power upgrading playimportant mediating roles.The moderation efectanalysis shows that digitalinfrastructure，digital industrydevelopment，anddigitalinnovationcapabityallpositivelymoderatetheU-shaped relationship between thetwo，shifting theturning pointtotheleft.Heterogeneityanalysisshows thatinregions withhigh low-carbon potential and poor low-carbon status，AIThas a stronger empowering efect on DCP.There is a U-shaped relationship between thetwointheeastern andcentral regions，whilethe relationship is not significantin thewesternregion.Thegreater impact stems fromcentral cities rather than peripheralcities.Theempowering effectof AIT is stronger inregions with high innovationandentrepreneurshipactivity，high information infrastructure level，and strong policy planning orientation.

Unlike previous studies，the possible marginal contributions of this paper include four aspects.Firstly，this study constructs a scientifically sound evaluation systemfor DCP from the dimensions of low-carbon status and low-carbon potential，objectivelyevaluatingthe processof urbandualcarbonpractices.Secondly，this studyrevealsthenon-linear impact of AITon DCP，to acurately grasp the aplication degreeand scopeof AIT.Thirdly，it explores the impact mechanisms of AITon DCP from the perspectives offactor upgrading，power upgrading，and industrialupgrading.Finally，this study rveals the differential impactsof AITon DCPin different typesof cities from multiple dimensions，providing the bases forgovernment diferentiated policies and promoting the achievement ofdual carbon goals.Overall，this studyenriches AI-related research and provides new empirical evidence for leveraging AIT in achieving the dual-carbon goals.

KeyWords：Artificial Intellgence Technology；Dual Carbon Goals；Dual Carbon Practice Performance；U-shaped Relationship