[摘要]人工智能技術是伴隨計算機技術的研究使用逐步發(fā)展起來的一種新型技術。人工智能技術的發(fā)展在能耗方案優(yōu)化、節(jié)能減排以及提高能源利用效率等方面發(fā)揮了降低中國城市能耗碳排放強度的作用。研究如何從人工智能技術出發(fā)，通過影響產業(yè)結構升級、工業(yè)技術創(chuàng)新、工業(yè)生產效率和環(huán)境污染治理效率等中間因素，從而實現(xiàn)雙碳目標，對我國經濟的高質量發(fā)展具有重要的理論與現(xiàn)實意義。利用2012—2021年中國30個省域面板數(shù)據(jù)，基于空間Durbin模型，從固定效應的分解檢驗、穩(wěn)健性檢驗、異質性檢驗、實現(xiàn)路徑檢驗等角度實證研究人工智能技術對碳排放強度的影響。研究發(fā)現(xiàn)：人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融指數(shù)以及環(huán)境規(guī)制程度三個驅動因素均對省域的城市能耗碳排放強度具有負向影響，也就是對城市能耗碳排放強度的上升具有抑制作用，人均工業(yè)增加值占比、城市化水平以及工業(yè)能耗強度對省域的城市能耗碳排放強度具有正向影響。產業(yè)結構升級、工業(yè)技術創(chuàng)新、工業(yè)生產效率和環(huán)境污染治理效率對能耗碳排放強度產生的中介效應均顯著為負，即對省域的城市能耗碳排放強度具有中間抑制效應。

[關鍵詞]人工智能指數(shù)；碳排放強度；雙碳目標；中介效應

一、 引言及文獻綜述

氣候變化已經成為人類面臨的最為緊迫的全球性危機，極端天氣事件頻發(fā)、海平面上升、生態(tài)系統(tǒng)失衡等一系列問題正嚴重威脅人類的生存環(huán)境以及經濟發(fā)展狀況。近年來，我國政府高度重視節(jié)能減排工作，積極推進能源結構調整和技術創(chuàng)新，以期在實現(xiàn)經濟增長的同時降低碳排放。然而，傳統(tǒng)的節(jié)能減排手段在面對復雜多變的能源需求和生產方式時，逐漸顯現(xiàn)局限性。人工智能利用計算機模擬人的思維過程和智能行為，將人工智能應用于能耗及碳減排領域制定差異化發(fā)展政策，可以促進能耗碳排放強度的持續(xù)降低。根據(jù)國家統(tǒng)計局提供的統(tǒng)計數(shù)據(jù)，2024年中國全年能源消費總量為59.6億噸標準煤，比上年增長4.3%，扣除原料用能和非化石能源消費量后，全國萬元國內生產總值能耗比上年下降3.8%1。雖然我國近年來在碳減排領域取得了一定的成績，但是能耗碳排放強度仍高于全球平均水平。因此，在這種情況下，研究人工智能技術對省域能耗碳排放強度的影響及空間效應檢驗具有重要性和緊迫性。

為本文提供理論支撐的文獻主要有兩支，一支是研究人工智能技術賦能效應的文獻。人工智能是計算機發(fā)展及其應用的必然趨勢，伴隨“機器學習”的不斷發(fā)展，統(tǒng)計學、信息論以及控制論等逐步引入計算機應用。發(fā)達國家對人工智能的研究始于20世紀60年初期，中國學者對人工智能的研究始于20世紀70年代末期[1-3]。在能耗與碳排放領域，人工智能技術通過優(yōu)化工業(yè)生產過程、智能電網和智能建筑等應用，展現(xiàn)降低能耗和碳排放的巨大潛力 [4-5]。在產業(yè)智能化方面，人工智能技術通過提升生產效率和優(yōu)化資源配置，推動產業(yè)綠色轉型[6]。在政策制定和監(jiān)管領域，人工智能技術的應用有助于更準確地監(jiān)測和評估能耗與碳排放情況，為政策制定提供科學依據(jù)[7]。應用人工智能技術對生產過程中能耗的監(jiān)測和管理、對減少碳排放至關重要，這有利于加強可持續(xù)發(fā)展，從而促進提升環(huán)境和品牌形象[8]。環(huán)境規(guī)制強度能顯著提升區(qū)域綠色創(chuàng)新效率，政府應通過制定財政制度等手段加大環(huán)境規(guī)制強度，提升區(qū)域綠色創(chuàng)新效率[9]。此外，人工智能技術不僅可以顯著提升工業(yè)綠色全要素生產率，還可以催生新質生產力，通過創(chuàng)造新的就業(yè)機會和促進產業(yè)升級，推動經濟可持續(xù)發(fā)展[10]。人工智能對區(qū)域碳排放的影響，主要通過機制識別與回彈效應來實現(xiàn)，也就是主要通過改進能源效率間接促進能耗碳減排，通過產業(yè)結構調整以及市場化水平提升等促進區(qū)域碳排放強度的降低[11]。人工智能可以通過產業(yè)集聚的知識溢出效應、中間品投入共享效應提升碳排放效率，通過發(fā)展人工智能技術加強產業(yè)集聚，構建長江經濟帶綠色低碳產業(yè)體系，有助于降低區(qū)域碳減排強度[12]。

另一支是研究雙碳目標實現(xiàn)路徑的文獻。雙碳目標的實現(xiàn)需要在理念創(chuàng)新、技術創(chuàng)新及環(huán)境規(guī)制的基礎上，推動企業(yè)綠色轉型發(fā)展[13]。數(shù)字經濟能夠促進企業(yè)持續(xù)綠色創(chuàng)新，底層技術在數(shù)字經濟與企業(yè)可持續(xù)發(fā)展之間存在中介效應，最終有利于雙碳目標的實現(xiàn)[14]。數(shù)字化轉型對環(huán)境績效具有顯著正向影響，當區(qū)域環(huán)境規(guī)制強度較高時，其驅動效應更強，即環(huán)境規(guī)制強度提高有利于抑制能耗碳排放強度[15]。綠色技術進步能夠有力推動中國低碳轉型，其推動作用受到環(huán)境規(guī)制強度雙重門檻效應的影響，即提高環(huán)境規(guī)制強度時，綠色技術進步對中國低碳轉型的驅動作用更大，對雙碳目標的實現(xiàn)產生更積極的賦能作用[16]。低碳城市試點政策能夠誘發(fā)企業(yè)綠色技術創(chuàng)新，表現(xiàn)為能源節(jié)約和替代能源生產類專利申請數(shù)量的顯著提升，其效應對高碳行業(yè)、非國有企業(yè)綠色技術創(chuàng)新的誘發(fā)作用更為顯著[17-18]。碳達峰需要平衡清潔能源發(fā)展速度與能源需求增長速度之間的關系，尋求最優(yōu)方案以控制碳排放峰值，同時結合資源稟賦、技術儲備等因素采納應用低碳技術，盡可能降低化石能源消耗的占比[19-20]。實現(xiàn)“碳中和”目標，應進一步提高能源利用效率，持續(xù)推進以清潔能源為主的能源結構優(yōu)化，大力推進電力系統(tǒng)深度脫碳，以降低能源消耗碳減排強度[21]。

人工智能技術已經成為控制與降低碳排放強度的一種有效手段。對人工智能技術的研究發(fā)達國家早于我國，由于社會制度的私有化，發(fā)達國家關于人工智能對能耗碳排放的研究大多限于微觀層次，使人工智能對能耗碳排放的控制范圍和效果都相對較小；不同于發(fā)達國家以及其他發(fā)展中國家，我國研究人工智能對能耗碳排放強度的控制側重于宏觀層次，追求全面的能耗碳排放強度降低，這是我國政府發(fā)布“雙碳”目標及相關支持政策的結果。人工智能可以充分利用學習模型、科學合理的規(guī)劃設計、合理安排能源消耗以及其他有效手段，通過調整產業(yè)結構、生產效率、促進技術進步等最大限度降低能耗碳排放強度，促進我國能耗的可持續(xù)發(fā)展。

本文可能的邊際貢獻主要體現(xiàn)在：第一，拓展研究碳排放強度影響機理的理論邊界。既有文獻主要從數(shù)字經濟、產業(yè)政策和綠色創(chuàng)新等視角研究碳排放強度的影響因素和抑制路徑。本文將人工智能創(chuàng)新發(fā)展指數(shù)作為研究對象，系統(tǒng)分析其對碳排放強度的影響及作用機制。第二，深化人工智能對碳排放強度中介影響的理論深度。本文從產業(yè)結構升級、工業(yè)技術創(chuàng)新、工業(yè)生產效率和環(huán)境污染治理效率四個視角對碳排放強度的間接影響進行詳細解構，盡可能對中介效應分析進行全面刻畫。第三，豐富人工智能賦能雙碳目標實現(xiàn)的經驗證據(jù)。本文以“合肥指數(shù)”為核心解釋變量，實證檢驗人工智能賦能雙碳目標實現(xiàn)的具體路徑，為降低能耗碳排放強度，促進經濟可持續(xù)發(fā)展提供有益參考。

二、 理論分析與研究假設

1. 碳排放強度內涵的界定

2020年，習近平總書記向全世界提出了中國經濟發(fā)展一定要實現(xiàn)的“雙碳”目標，即在2030年前實現(xiàn)碳達峰，在2060年前實現(xiàn)碳中和1。碳中和是指標的物溫室氣體排放導致大氣中全球溫室氣體排放量凈增長為零的情形和狀態(tài)，即計算標的物溫室氣體排放量，然后通過植樹等方式進行抵消，從而達到“零”碳排放的目的。碳排放強度是指每單位國民生產總值的增長帶來的二氧化碳排放量，它是一個重要的環(huán)境指標，用于衡量一個國家或地區(qū)的經濟發(fā)展與碳排放之間的關系。如果一個國家在經濟增長的同時，能夠降低每單位GDP帶來的二氧化碳排放量，即降低碳排放強度，那么這個國家就被認為實現(xiàn)了可持續(xù)的經濟發(fā)展模式。根據(jù)碳排放強度的定義，其計算公式為：

碳排放強度=[碳排放規(guī)模（億噸）GDP（億元）] （1）

2. 人工智能對城市能耗碳排放強度的影響機制分析

（1）人工智能對能耗碳排放強度的抑制作用。人工智能主要是充分利用計算機的強大運算以及處理數(shù)據(jù)的功能，通過合理規(guī)劃能耗碳排放強度的控制方案、充分利用不同資源、優(yōu)化與修正控制策略以及選擇高效路徑等實現(xiàn)省域能耗碳排放強度有效控制的新興技術與方法。本文根據(jù)選定的中國省域能耗碳排放強度驅動因素組合變量控制機理，分析變量組合對中國省域碳排放強度的影響過程，構建影響省域碳排放強度理論模型，如圖1所示。

lt;E：＼2025-3＼圖片＼換17頁圖1.pnggt;

圖1 人工智能技術影響能源消耗碳排放強度的理論模型

圖1展示了人工智能技術及其控制變量組合對中國省域能耗碳排放強度的影響路徑。根據(jù)人工智能在能耗碳排放強度控制實踐及其效果證實，人工智能技術主要是通過優(yōu)化能耗碳排放方案、節(jié)能減排、提高能耗排放效率等多種途徑對能耗碳排放強度產生明顯的抑制作用。并且，人工智能對能耗碳排放強度的影響具有明顯的異質性特征，管理者可以通過人工智能對碳排放控制的區(qū)域差異，實現(xiàn)有效控制節(jié)能減排、降低能耗碳排放強度的目的?；谝陨侠碚摲治?，本文提出以下假設：

假設1：人工智能對能耗碳排放強度具有明顯的抑制作用。

（2）人工智能對能耗碳排放強度影響的驅動路徑。人工智能技術對能耗碳排放的影響，包括直接影響和間接影響兩個部分。直接影響是通過解釋變量以及控制變量的作用直接產生的，間接影響主要是指通過中介變量發(fā)揮的作用。本文主要從間接影響視角展開研究，人工智能技術可以促進產業(yè)結構升級，使技術密集型產業(yè)的比重有所上升，而技術密集型產業(yè)通常處于較低的碳排放水平。利用人工智能技術，可以有效實現(xiàn)工業(yè)技術創(chuàng)新，工業(yè)技術創(chuàng)新和技術進步有助于工業(yè)生產效率的提升，這無疑會對碳排放的降低產生積極的影響。此外，將人工智能技術應用于環(huán)境污染治理領域，可以更科學地分析環(huán)境污染存在的主要問題，針對其采用更有效的治理措施，顯著提高環(huán)境污染治理效率。在中國人工智能影響碳排放強度的過程中，工業(yè)發(fā)展主要通過產業(yè)結構升級、工業(yè)技術創(chuàng)新、工業(yè)生產效率和環(huán)境污染治理效率四個中介變量對省域城市工業(yè)能耗碳排放強度產生作用。因此，本文提出以下假設：

假設2：驅動因素主要通過中介變量對省域城市能耗碳排放強度產生影響。

（3）人工智能對能耗碳排放強度抑制作用的空間溢出效應。人工智能技術對省域城市能耗碳排放強度產生的抑制作用，存在明顯的空間溢出效應，主要表現(xiàn)為技術外溢效應、產業(yè)關聯(lián)效應以及資源共享效應等特征。GDP高水平城市以及沿海城市經濟發(fā)展水平較高，應用人工智能技術的基礎較好，在自身技術創(chuàng)新和技術進步的同時，可以通過技術外溢、產業(yè)關聯(lián)以及資源共享等形式，促進其他城市技術水平的提高，進而帶動其他城市能耗碳排放強度降低。因此，人工智能技術可以通過促進資源整合實現(xiàn)節(jié)能減排，通過產業(yè)結構調整以及綠色技術進步降低省域城市能耗碳排放強度。因此，本文提出以下假設：

假設3：人工智能技術對省域城市能耗碳排放強度的抑制作用存在明顯的空間溢出效應。

三、 研究設計

1. 中國省域能耗碳排放強度的測度

本文實證檢驗采用的基礎數(shù)據(jù)來自國家及各省區(qū)市《統(tǒng)計年鑒》《能源統(tǒng)計年鑒》以及《環(huán)境狀況公報》，為了計算中國省域能耗碳排放強度，利用Kaya模型擴展得到相關變量，在估算各省域能耗碳排放規(guī)模的基礎上，利用估算的省域能耗碳排放規(guī)模與各省域的GDP規(guī)模計算各省域能耗碳排放強度，具體計算過程如下：

能源消耗碳排放量[E（CO2）t]的估算。由于能耗碳排放最終都會轉化為CO2，因此碳排放實際上就是CO2排放。我國新型城鎮(zhèn)化中的碳排放主要表現(xiàn)為能源消耗排放，包括生產經營能源消耗產生的碳排放和居民生產消耗能源產生的碳排放。為了測度我國新型城鎮(zhèn)化中能源消耗產生的碳排放規(guī)模，借鑒《2016年IPCC國家溫室氣體清單指南》推薦的能源消耗碳排放量計量方法，根據(jù)《中國能源統(tǒng)計年鑒》對能源的統(tǒng)計分類，本文選擇煤炭、焦炭、原油、燃料油、汽油、煤油、柴油和天然氣等八種能源形式。采用[EC]表示中國城市化建設中能源消耗的碳排放規(guī)模，采用[SCCit]表示第[i]種能源標準煤折算系數(shù)，[CEFit]為第[i]種能源碳排放系數(shù)，城鎮(zhèn)化建設中能耗碳排放規(guī)模測算公式可以表示如下：

[ECt=i=1mECt×SCCt×CEFt]" （2）

上式中，[i=1，2，…，m；t=1，2，…，n]。過高的CO2排放會產生溫室氣體效應，這種溫室氣體效應會對人類的生存環(huán)境造成嚴重的威脅，影響居民健康。根據(jù)CO2的分子結構，二氧化碳的分子量為44，其中碳元素的分子量為12。如果采用[ECO2t]表示人均CO2排放量，則有：

[ECO2t=ECt×4412] （3）

本文根據(jù)2016年《中國能源統(tǒng)計年鑒》附錄中各種能源折算標準煤參考系數(shù)，以及《2016年IPCC國家溫室氣體排放清單指南》的碳排放系數(shù)，歸納匯總中國省域城市能耗標準折算系數(shù)及碳排放系數(shù)，確定省域城市能耗碳排放模型的參數(shù)（表1）。

表1 主要石化燃料的標準煤折算系數(shù)以及碳排放系數(shù)一覽表

[燃料名稱 煤炭 焦煤 原油 原料油 汽油 煤油 柴油 天然氣 [SCCit] 0.7143 0.9714 1.4286 1.4286 1.4714 1.4714 1.4571 1.3300 [CEFit] 0.7559 0.8550 0.5538 0.5857 0.5921 0.5714 0.6185 0.4483 ]

能源消耗碳排放強度（[ECIt]）是能源消耗產生的CO2排放總量與同期GDP的比值，反映單位GDP產生的CO2排放規(guī)模，本文在測度能源消耗CO2排放量的基礎上，利用測度結果以及《中國統(tǒng)計年鑒》中GDP的統(tǒng)計資料計算得到能源消費CO2排放強度的結果。根據(jù)能耗碳排放強度的含義以及相應基礎數(shù)據(jù)，確認第[t]期的能耗碳排放強度的計算公式為：

[ECIt=ECO2tGDPt] （4）

2. 數(shù)據(jù)來源及研究思路

為了檢驗人工智能技術對中國省域能耗碳排放的影響及其空間效應，本文選擇中國30個省域（基于數(shù)據(jù)可得性，不包括港澳臺和西藏地區(qū)）作為研究對象，根據(jù)中國省域能耗碳排放強度的驅動因素，從人工智能驅動因素視角選擇人工智能創(chuàng)新發(fā)展指數(shù)作為解釋變量，采用中國電子信息產業(yè)發(fā)展研究院2022年在安徽合肥發(fā)布的中國人工智能創(chuàng)新發(fā)展指數(shù)（簡稱為“合肥指數(shù)”，用AII表示）衡量；確定數(shù)字金融指數(shù)、人均GDP水平、城市化水平、環(huán)境規(guī)制強度和工業(yè)能耗強度等五個控制變量，來研究解釋變量與控制變量組合對中國省域能耗碳排放強度的影響程度?？刂谱兞恐械臄?shù)字金融指數(shù)使用《北京大學數(shù)字普惠金融指數(shù)2022》，用DFI表示；人均工業(yè)增加值占比使用國家統(tǒng)計局發(fā)布的各省域GDP規(guī)模與同期各省域期末常住人口計算，用PGL表示；城市化水平使用國家統(tǒng)計局發(fā)布的各省域的統(tǒng)計指標數(shù)據(jù)，用UL表示；環(huán)境規(guī)制強度反映環(huán)境規(guī)制成本與環(huán)境污染區(qū)域總產值的占比，本文借鑒劉榮增等[22]的方法，使用各省域的工業(yè)污染治理投資完成額占第二產業(yè)的比重衡量環(huán)境規(guī)制強度，用ERI表示；工業(yè)能耗強度反映單位工業(yè)增加值所消耗的能源量，用IECI表示。本文利用國家統(tǒng)計局以及各省域的《統(tǒng)計年鑒》《生態(tài)環(huán)境狀況公報》《能源統(tǒng)計年鑒》《城市統(tǒng)計年鑒》等統(tǒng)計資料，通過測度中國各省域的能耗碳排放強度的指標，收集整理了研究對象的基礎數(shù)據(jù)資料。由于“合肥指數(shù)”的數(shù)據(jù)截至2021年，因此，本文選擇的數(shù)據(jù)為2012—2021年的基礎數(shù)據(jù)。本文的研究思路如圖2所示。

lt;E：＼2025-3＼圖片＼換19頁圖2.pnggt;

圖2 本文的研究思路

3. 空間Durbin模型的設定

為檢驗人工智能技術對省域城市能耗碳排放強度的空間溢出效應，本文在空間模型基礎上采用Durbin空間模型，在綜合分析的基礎上選擇空間相鄰矩陣、經濟權重矩陣以及空間經濟地理權重矩陣?？臻g相鄰矩陣是反映省域相鄰城市之間關系的矩陣，相鄰城市為1，不相鄰城市為0；經濟權重矩陣反映兩個省域城市之間的經濟發(fā)展水平關系，采用兩個城市之間GDP規(guī)模差額的倒數(shù)來表示；空間經濟地理權重矩陣是空間相鄰矩陣與經濟權重矩陣的加權平均值。如果用W1表示空間相鄰矩陣，用W2表示經濟權重矩陣，用W3表示空間經濟地理權重矩陣，則三個矩陣可以表示如下：

[W1=1000010000?00001；][W2=GDPj-GDPi-1]；[W3=ξ1000010000?00001+（1-ξ）W2] （5）

上式中[ξ]為[W3]的權值系數(shù)，按照空間權值理論，一般選擇[ξ]=0.4，使[W3]的值上偏向于[W2]。為檢驗人工智能及其控制變量對中國省域城市能耗碳排放強度影響的溢出效應，引入Moran’s I指數(shù)，利用Moran’s I指數(shù)的空間檢驗結果判斷自變量對因變量影響的狀況。Moran’s I是1950年被提出并開始使用的統(tǒng)計檢驗方法，根據(jù)Moran’s I理論，當Moran’s I取值范圍在[-1，1]區(qū)間內， Moran’s Igt;0時表示具有空間正相關性，Moran’s I的值越大空間相關性越顯著; Moran’s Ilt;0時表示具有空間負相關性，Moran’s I的值越小空間差異越大，當Moran’s I=0時，空間呈隨機性。Moran’s I的計算公式如下：

[I=ni=1nj=1nwij?xi-x?xj-xi=1nxj-x2?i=1nj=1nwij] （6）

根據(jù)統(tǒng)計理論與方法，一般使用標準統(tǒng)計量Z指標來檢驗指標的顯著性水平，Moran’s I的標準統(tǒng)計量使用以下模型來計算Z值，具體計量模型如下：

[Z=I-EI?VarI-1/2]" （7）

為了提高變量空間檢驗的效果，本文引入C空間統(tǒng)計量，記為Geary’s C，這一指標通常被稱為愛爾蘭鄰接比，計算公式如下：

[C=n-1i=1nj=1nwij?xi-xj22i=1nj=1nwij?i=1nxi-x2=n-1i=1nj=1nwij?xi-xj22nS2i=1nj=1nwij]" （8）

式（8）中，[wij]是變量[x]差方的相對權值，n為變量個數(shù)，S是變量[x]的標準差。這一指標的值域可以表示為Geary’s C[?][0，2]，當Geary’s C=1時表示沒有空間自相關。當Geary’s Clt;1時表明正向空間自相關，當Geary’s Cgt;1時說明具有負向空間自相關。根據(jù)統(tǒng)計學的理論與方法，Geary’s C指數(shù)的標準統(tǒng)計量計算公式如下：

[C*=C-1?VarC-1/2=C-1?2W2+W3?n-1-4W21?2n+1?W21-1-1/2] （9）

式（9）中，[W1=i=1mj=1nwij]，[W2=12i=1mj=1nwij+wji2]，[W3=i=1mj=1nwij+wji2]。根據(jù)原假設，[p]值的計算公式如下：

[p=erfcC-EC?2VarC-1/2]" （10）

由于中國省域城市能耗碳排放強度受到眾多因素的影響，本文重點關注選擇自變量對因變量的影響情況。如果用i和t分別表示省域的城市序號和時間，用Y表示因變量，用AII表示人工智能創(chuàng)新發(fā)展指數(shù)，用Control表示控制變量，則影響因素檢驗的基本回歸面板模型如下：

[Yit=α0+βAIIit+ρiControlit+μi+θt+εit]" （11）

對基本回歸模型的基本回歸面板滯后模型如下：

[Yit=α0+α1Yit-1+α3AIIit+α4Controlit+μi+θt+εit]" （12）

本文借鑒Han等[23]的空間Durbin模型的形式，經過修正得到如下空間Durbin模型：

[Yit=ρt=1nWit?Yit+αiXit+t=1nβ1?Wit?Xit+μi+θt+εit]" （13）

以上公式是空間Durbin模型的一般公式。式中，[Yit]為因變量，也稱為被解釋變量，等式右邊的[Yit]稱為滯后項；[Xit]為驅動因素項，[Wit]為空間權重，[ρ、α 和β]為方程待定系數(shù)，[μi]為個體固定效應，[θt]為時間固定效應，[εit] 為誤差擾動項，其不能直接用于變量的相關性檢驗。根據(jù)中國省域城市能耗碳排放強度控制的實際情況，本文選擇人工智能創(chuàng)新發(fā)展指數(shù)（AII）、數(shù)字金融指數(shù)（DFI）、人均工業(yè)增加值占比（PGL）、城市化水平（UL）、環(huán)境規(guī)制強度（ERI）和工業(yè)能耗強度（IECI）作為控制變量，將變量代入Durbin空間滯后模型得到以下檢驗方程：

[ECIit=ρW?ECIit-1+α1AIIit+α2DFIit+α3PGLit+α4ULit+α5ERIit+α6IECIit+β1Wit?AII+β2WitDFIit+β3Wit?PGLit+β4Wit?ULit+β5Wit?ERIit+β6Wit?IECIit+εit] （14）

人工智能對省域城市能耗碳排放強度的間接影響，主要通過中介變量實現(xiàn)。本文選擇產業(yè)結構升級（ISU）、工業(yè)技術創(chuàng)新（ITI）、工業(yè)生產效率（IPE）和環(huán)境污染治理效率（EPGE）作為中介變量，中介變量的間接影響模型如下：

[ISUit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εitITIit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εitIPEit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εitEPGEit=ρW?ECIit-1+α1DFIit+α2PGLit+α3ULit+α4ERIit+α5IECIit+β1Wit?DFIit+β2Wit?PGLit+β3Wit?ULit+β4Wit?ERIit+β5Wit?IECIit+εit] （15）

四、 研究結果分析

1. 經驗變量的空間相關性檢驗

為檢驗中國省域能耗碳排放強度的驅動因素對能耗碳排放強度的影響程度，本文對所有的檢驗變量進行歸一化處理。在此基礎上對選定變量進行空間相關性檢驗，利用檢驗模型（7）和（9），進行Moran’s I和Geary’s C檢驗，檢驗各變量的空間相關性，具體的檢驗結果如表2所示。

表2 變量之間的空間相關性測試結果

[變量 Moran’s I P Geary’s C P ECI 0.3217 0.0021 0.3316 0.0002 AII 0.3026 0.0016 0.3125 0.0001 DFI 0.3138 0.0022 0.3235 0.0012 PGL 0.2986 0.0016 0.3025 0.0001 UL 0.2757 0.0021 0.2926 0.0001 ERI 0.3016 0.0018 0.3127 0.0002 IECI 0.3126 0.0024 0.3215 0.0003 ]

為了檢驗變量及模型的有效性，本文選用LM、LR和Hausman方法進行空間變量的相關性檢驗，其中LR和LM方法是用來測試變量是否具有空間滯后性以及和空間誤差效應的大小，Hausman檢驗是用來判斷變量服從固定效應模型還是隨機效應模型，以確定具體的空間檢驗模型。具體的LM檢驗、LR檢驗和Hausman檢驗結果如表3所示。

表3 變量滯后性、誤差效應及模型選擇檢驗

[檢驗類型 檢驗方法 系數(shù) P值 LM檢驗 LM（error）test 178.418 0.001 Robust LM（error）test 168.274 0.021 LM（lag）test 17.265 0.012 Robust LM（lag）test 10.417 0.009 LR檢驗 SDMamp;SAM chi2 48.326 0.002 SDMamp;SEM chi2 69.472 0.001 Hausman檢驗 16.625 0.014 ]

根據(jù)表3的檢驗結果可以看出，LM檢驗的P值明顯小于0.05，均顯著，證明了接受原假設，即不存在變量的自相關。根據(jù)檢驗結果可得，應選擇空間自相關（SAR）模型、空間誤差（SEM）模型或者Durbin空間固定效應（SDM）模型。根據(jù)LR的檢驗結果可得，SDM模型可以退化為SAR或SEM模型，檢驗結果顯示兩者均在0.5％水平上顯著，參數(shù)約束有效，也是非退化的；根據(jù)Hausman檢驗的結果，由于存在檢驗概率0lt;Plt;0.05， 因此，檢驗結果拒絕原假設，也就是固定效應模型比隨機效應模型更優(yōu)。綜合以上三種檢驗方法的檢驗結果可得，在實證檢驗的過程中，選擇固定效應模型比選擇隨機效應模型更好，因此，應選擇空間Durbin固定效應模型進行檢驗。本文研究的目的在于實證檢驗人工智能發(fā)展指數(shù)及其控制變量對中國省域城市能耗碳排放強度的影響。本文中的因變量是根據(jù)中國各省域能耗碳排放規(guī)模的估算結果以及國家統(tǒng)計局、各省域統(tǒng)計局確定的GDP計算后確定，這些基礎資料的描述性統(tǒng)計結果如表4所示。

表4 全部實證檢驗變量的描述性統(tǒng)計結果

[變量名稱 變量符號 均值 標準差 最小值 最大值 碳排放強度 ECI 2.06 2.01 0.08 8.32 人工智能創(chuàng)新發(fā)展指數(shù) AII 0.747 0.896 0.045 6.561 產業(yè)結構升級 ISU 42.78 9.93 11.17 85.47 工業(yè)技術創(chuàng)新水平 ITI 5.47 1.78 0.089 8.96 工業(yè)生產效率 IPE 11.27 10.27 4.251 19.28 環(huán)境污染治理效率 EPGE 0.581 0.47 0.251 1 數(shù)字金融指數(shù) DFI 1.57 0.69 0.18 2.86 人均工業(yè)增加值占比 PGL 7.638 10.18 1.793 20.45 城市化水平 UL 50.26 20.56 22.56 89.27 環(huán)境規(guī)制強度 ERI 1.511 3.273 0.102 1.862 工業(yè)能耗強度 IECI 0.979 0.556 0.212 3.964 ]

2. 空間Durbin面板模型的檢驗結果

根據(jù)分析結果，固定效應可以分解為直接效應和間接效應，在效應分解的基礎上應用模型（14）進行不同效應的檢驗。具體的檢驗結果如表5所示。

表5 空間Durbin面板模型固定效應的分解檢驗結果

[ 直接效應 間接效應 總效應 AII -0.5136***（-5.0651） -0.1787***（-4.857） -0.6923***（-3.546） DFI -0.4627***（-4.426） -0.1632***（-4.1731） -0.6259***（3.426） PGL 0.3815**（2. 962） 0.2257**（2.5462） 0.6072**（2.2134） UL 0.3616**（2.486） 0.2147**（2.2584） 0.5763**（-2.2325） ERI -0.3038***（-4.1624） -0.1684***（-3.8061） -0.4722***（-3. 2826） IECI 0.4168***（4.3217） 0.2237***（4.1726） 0.6405***（3.6527） W× [CEIt?1] 0.3562***（4.3427） 0.1615***（4.0781） 0.5177***（2.8632） W× AII -0.5043**（4.2751） -0.1673**（-3.8625） -0.6716**（3.6725） W× DFI 0.4327***（3.6521） 0.1605***（3.2527） 0.5932***（-3.1742） W× PGL 0.3685***（3.4537） 0.2064***（3.3256） 0.5749***（3.1736） W× UL 0.3464***（2.8952） 0.1807***（2.7628） 0.5271***（2.5628） W× ERI -0.3271***（-2.8726） -0.1652**（-2.6736） -0.4923***（-2.6027） W× IECI 0.4165***（4.3217） 0.2243***（4.1726） 0.6408***（3.6527） [R?o] 0.2284***（3.6726） 0.1878***（3.5217） 0.4162***（3.4872） [R2] 0.4416 0.4217 0.4126 [sigma2] 0.0784 0.0771 0.0763 [logL] -10.1627 -54.8726 -47.8425 ]

注：用***，**，*分別表示1%，5%，10%的顯著水平，括號內分別為T統(tǒng)計量，下同。對應的概率均為：Plt;0.05

在表5中，總效應=直接效應+間接效應。為了提高檢驗效果，檢驗結果保留到小數(shù)點后四位數(shù)。根據(jù)直接效應的檢驗結果可知，人工智能創(chuàng)新發(fā)展指數(shù)（AII）對能耗碳排放強度的影響最大，影響系數(shù)為-0.5136，數(shù)字金融指數(shù)（DFI）對能耗碳排放強度的影響次之，影響系數(shù)為-0.4627；環(huán)境規(guī)制強度（ERI）對能耗碳排放強度具有負向影響，影響系數(shù)為-0.3038；其他驅動因素均對能耗碳排放強度具有正向影響，影響系數(shù)排序為：工業(yè)能耗強度（IECI）影響最大，影響系數(shù)為0.4168；人均工業(yè)增加值占比（PGL）和城市化水平（UL）次之，影響系數(shù)依次為0.3815和0.3616。碳排放強度的滯后項顯著為正，說明中國省域城市能耗碳排放強度具有明顯的空間溢出效應；加權項的檢驗結果與無加權項的檢驗結果方向相同，其檢驗結果稍微降低，說明空間權值降低了能耗碳排放的空間強度。

3. 不同自變量組合的固定效應檢驗結果討論

為了檢驗全部自變量的不同組合對中國省域城市能耗碳排放強度的影響，本文在不使用空間權值的情況下簡化Durbin空間滯后模型，將其修正為一般滯后模型，簡化后的滯后模型如下所示：

[ECIit=ρ?ECIit-1+α1AIIit+α2DFIit+α3PGLit+α4ULit+α5ERIit+α6IECI+εit] （16）

在這種狀態(tài)下，將模型（16）中的變量進行不同形式的組合，公共項目為檢驗方程系數(shù)[α]和省域能耗碳排放強度滯后項[ECIit?1]，在此基礎上，逐一加入自變量AII，DEI，PGL，UL，ERI和IECI，形成六種不同變量組合的檢驗方程，具體檢驗結果如表6所示。

表6 不同變量組合固定效應模型的檢驗結果

[變量 模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6） [α] 0.5152***

（4.6537） 0.5228***

（4.5616） 0.5435***

（4.4163） 0.5567***

（4.2652） 0.5651***

（4.1636） 0.5765***

（4.0742） [ECIit?1] -0.5063***

（4.4517） -0.5126***

（4.3416） -0.5218***

（4.2651） -0.5317***

（4.1526） -0.5527***

（4.0763） -0.5656***

（3.8965） AII -0.4984***

（-4.8625） -0.5053***

（-4.6536） -0.5126***

（-4.4526） -0.5317***

（-4.3652） -0.5425***

（-4.2651） -0.5563***

（-4.1657） DFI -0.4988***

（-4.5628） -0.5156***

（-4.4672） -0.5208***

（-4.3761） -0.5258***

（-4.2167） -0.5387***

（-4.0862） PGL 0.4906***

（4.4851） 0.5083***

（ 4.3725） 0.5175***

（4.2763） 0.5237***

（ 4.1875） UL 0.5026**

（2 .8634） 0.5085**

（2 .6372） 0.5186**

（2.4664） ERI -0.4985***

（-5 .5173） -0.5076***

（-4.6856） IECI 0.4976***

（4.5482） ]

根據(jù)表6中的檢驗結果可得，模型（1）的檢驗結果反映了[α]常數(shù)、碳排放強度滯后項[ECIit?1]和AII共同對能耗碳排放強度ECI的影響，解釋變量AII的影響系數(shù)為-0.4984；模型（2）的檢驗結果主要反映變量AII和DFI共同對ECI的影響，影響系數(shù)分別為-0.5053和-0.4988；模型（3）的檢驗結果主要反映變量AII、DFI和PGL共同對ECI的影響，影響系數(shù)分別為-0.5126、-0.5156和0.4906，可知AII和DFI對ECI產生負向影響而使省域能耗碳排放強度呈現(xiàn)下降態(tài)勢；模型（4）的檢驗結果主要反映變量AII、DFI、PGL和UL共同對ECI的影響，影響系數(shù)分別為-0.5317、-0.5208、0.5083和0.5026；模型（5）的檢驗結果主要反映變量AII、DFI、PGL、UL和ERI共同對ECI的影響，影響系數(shù)分別為-0.5425、-0.5258、0.5175、0.5085和-0.4985；模型（6）的檢驗結果反映全部驅動因素共同對能耗碳排放強度的影響，相應的影響系數(shù)分別為-0.5563、-0.5387、0.5237、0.5186、-0.5076和0.4976。可見，模型（6）的檢驗結果就是最終的檢驗結果。

4. 研究結果的穩(wěn)健性討論

為檢驗人工智能對省域城市能耗碳排放強度的影響，需要對選擇的變量以及構建的實證檢驗模型進行穩(wěn)健性檢驗。穩(wěn)健性檢驗是當改變某些參數(shù)時，檢驗指標及其檢驗結果能夠保持相對穩(wěn)定解釋的過程。穩(wěn)健性檢驗有多種具體的方法，本文根據(jù)具體研究對象、驅動因素選擇以及實證檢驗模型，采用替代變量法、滯后期檢驗法以及縮短數(shù)據(jù)周期，在控制變量固定、城市效應固定、年份效應固定、城市固定以及時間固定條件下進行穩(wěn)健性檢驗，具體檢驗結果如表7所示。

根據(jù)表7中的檢驗結果，可以看出三種方法的檢驗結果均未出現(xiàn)符號改變以及不顯著的現(xiàn)象，這就證明了使用三種方法對穩(wěn)健性進行的檢驗都是有效的，也就是被檢驗的變量以及模型均具有穩(wěn)健性，檢驗結果是可信的。

表7 穩(wěn)健性討論結果

[ 替換變量法 滯后期檢驗法 縮短數(shù)據(jù)周期法

（2015—2021年） 替換因變量 解釋變量樣本修正法 滯后1期 滯后2期 AII -0.484***

（-4.852） -0.632***

（-4.158） 0.378***

（4.271） 0.367***

（3.871） 0.489***

（3.671） DFI -0.425**

（-2.283） -0.546***

（-2.173） 0.332***

（4.186） 0.338***

（4.064） 0.421***

（4.275） PGL 0.4781**

（2.316） 0.616**

（2.205） 0.367***

（3.871） 0.356***

（3.616） 0.475***

（3.561） UL 0.425**

（2.416） 0.506**

（2.231） 0.333***

（4.423） 0.328***

（4.232） 0.378***

（4.135） ERI -0.456**

（-2.326） -0.571**

（-2.182） 0.349***

（4.326） 0.345***

（4.152） 0.448***

（4.217） IECI 0.446**

（2.417） 0.561**

（2.262） 0.341***

（4.426） 0.339***

（4.236） 0.425***

（4.326） 控制變量 是 是 是 是 是 城市效應 是 是 是 是 是 年份效應 是 是 是 是 是 城市固定 是 是 是 是 是 時間固定 是 是 是 是 是 N 300 300 300 300 300 R2 0.441 0.432 0.39 0.42 0.44 ]

五、 實證結果討論

1. 實證結果的異質性討論

異質性檢驗是用來檢驗不同樣本之間是否存在顯著差異的統(tǒng)計方法，也就是檢驗樣本差異是否使檢驗結果存在明顯的結果差異。為了進行異質性檢驗，本文將中國30個省域的269個城市按照平均GDP區(qū)分為高水平城市和低水平城市兩類：高水平城市是指GDP超過平均GDP的城市，有104個城市；低水平城市是指GDP低于平均GDP的城市，有165個城市。進一步，按照地理位置將全部城市區(qū)分為沿海城市和內陸城市：沿海城市有35個地級市，內陸城市有234個地級市。兩種分類的城市異質性檢驗結果如表8所示。

表8 人工智能技術發(fā)展水平異質性與行政區(qū)劃異質性的檢驗結果

[ 按平均GDP劃分 按地域劃分 高水平城市ECI 低水平城市ECI 沿海城市ECI 內陸城市ECI AII -0.784***

（-4.026） -0.513**

（-2.475） -0.803***

（-3.851） -0.506**

（-2.215） DFI -0.696***

（-4.215） -0.487**

（-2.516） -0.725***

（-4.317） -0.615**

（-2.285） PGL 0.478***

（4.371） 0.386***

（4.152） 0.468***

（4.417） 0.402***

（4.185） UL 0.432***

（4.236） 0.341***

（4.136） 0.426***

（4.325） 0.362***

（4.137） ERI -0.426

（-4.316） -0.357

（-4.136） -0.405

（-4.251） -0.362

（-4.026） IECI 0.409

（3.971） 0.347

（3.872） 0.395

（4.026） 0.356

（3.826） 常數(shù)項 1.063***

（3842） 1.657**

（2.326） 0.936***

（3.264） 1.583**

（2.157） 控制變量 控制 控制 控制 控制 個體效應 控制 控制 控制 控制 時間效應 控制 控制 控制 控制 N 1040 1650 350 2340 R2 0.178 0.216 0.327 0.231 ]

根據(jù)表8的檢驗結果，可以看出人工智能技術在高水平省域城市對能耗碳排放強度的抑制作用遠比在低水平省域城市對能耗碳排放強度的抑制作用要強，人工智能技術在高水平省域城市的能耗碳排放抑制系數(shù)為-0.784，而在低水平省域城市的抑制系數(shù)為-0.513；人工智能技術在沿海省域城市的抑制系數(shù)為-0.803，而在內陸省域城市的抑制系數(shù)為-0.506，這說明了中國沿海省域城市的經濟發(fā)展程度比內陸省域城市要高。從檢驗結果的顯著性來看，人工智能技術在高水平省域城市和沿海省域城市的顯著性都很高，均通過了1%的顯著性檢驗，而人工智能技術在低水平省域城市以及內陸省域城市檢驗結果顯著性均相對較差，僅通過了5%的顯著性檢驗。為進一步檢驗不同產業(yè)的異質性差異，本文將目標城市按照產業(yè)結構以及使用能源的不同進行分類，檢驗不同類型產業(yè)對碳排放強度的影響，具體檢驗結果如表9所示。

表9 人工智能技術發(fā)展水平異質性與產業(yè)結構及能源類型異質性的檢驗結果

[ 按產業(yè)結構劃分 按能源類型劃分 初級產品與

資源產業(yè)ECI 制造業(yè)

ECI 服務業(yè)

ECI 可再生能源

產業(yè)ECI 傳統(tǒng)能源

產業(yè)ECI 綜合能源

產業(yè)ECI AII -0.1762***

（-4.226） -0.18421***

（-4.0215） -0.1235**

（-2.360） -0.2501***

（-4.3515） -0.1252***

（-4.2315） -0.1451***

（-4.0254） DFI -0.1532***

（-4.315） -0.1663***

（-4.2315） -0.1165**

（-2.4241） -0.1626***

（-4.317） 0.1326***

（4.1621） -0.1527***

（-4.0251） PGL 0.1427***

（4.571） 0.1505***

（4.4182） 0.1125***

（4.2161） 0.1436***

（4.417） 0.1204

（4.361） 0.1353***

（4.2041） UL 0.0532***

（4.431） 0.0632***

（4.215） 0.0231***

（4.032） 0.0451***

（4.425） 0.0251***

（4.261） 0.0345***

（4.152） ERI -0.1436***

（-4.516） -0.1562***

（-4.3521） -0.1252***

（-4.236） -0.1401***

（-4.451） -0.1263***

（-4.3521） -0.1371***

（-4.018） IECI 0.1518***

（4.4512） 0.1605***

（4.2521） 0.1104***

（4.0521） 0.1582***

（4.426） 0.1363***

（4.261） 0.1481***

（4.0812） 常數(shù)項 0.9512***

（4.6215） 0.9721***

（4.4216） 0.9641***

（4.2105） 0.936***

（4.5162） 0.9763***

（4.4015） 1.0262***

（4.2173） 控制變量 控制 控制 控制 控制 控制 控制 個體效應 控制 控制 控制 控制 控制 控制 時間效應 控制 控制 控制 控制 控制 控制 N 3000 3000 3000 1600 1400 3000 R2 0.169 0.201 0.226 0.251 0.262 0.241 ]

根據(jù)表9的檢驗結果，按照產業(yè)結構的劃分，制造業(yè)的正向作用和逆向作用都相對較大，初級產品與資源產業(yè)對碳排放強度的影響次之，服務業(yè)相關指標對碳排放強度的影響最弱；按照能源類型的分類，可再生能源對碳排放強度的影響最大，綜合能源對碳排放強度的影響次之，傳統(tǒng)能源產業(yè)對碳排放強度的影響最弱，這充分顯示了可再生能源具有良好的綠色轉化效應。

2. 中介效應檢驗結果

我國目前潔凈能源在全部能源中的占比不足20%，因此，短期內不可能全面實現(xiàn)潔凈能源發(fā)展經濟。在這種情況下，還要通過綠色技術創(chuàng)新、產業(yè)結構升級以及提高綠色生產效率等方式推動中國省域城市的綠色低碳轉型。本文選擇產業(yè)結構升級（ISU）、工業(yè)技術創(chuàng)新（ITI）、工業(yè)生產效率（IPE）和環(huán)境污染治理效率（EPGE）作為中介變量進行中介效應檢驗，中介影響結果如表10所示。

表10 中介效應檢驗結果

[ 產業(yè)結構升級（ISU） 工業(yè)技術創(chuàng)新（ITI） 工業(yè)生產效率（IPE） 環(huán)境污染治理效率（EPGE） ISU ECI ITI ECI IPE ECI EPGE ECI AII 0675***

（4.397） -0.765***

（-4.218） 0.682***、

（4.152） -0.652***

（-4.016） 0.548***

（3.816） -0.665***

（-4.16） 0.6426***

（4.026） -0.686***

（-3.981） ISU

-0.275***

（-4.682）

ITI

-0.217***

（-4.215） IPE

-0.396***

（-4.162） EPGE

-0.426***

（-3.861） 常數(shù)項 0.137***

（4.236） 0.168***

（4.147） 0.216

（4.106） 0.227

（4.018） 0.157***

（4.027） 0.184***

（3.952） 0.148***

（3.851） 0.218***

（3.763） 控制變量 控制 控制 控制 控制 控制 控制 控制 控制 個體效應 控制 控制 控制 控制 控制 控制 控制 控制 時間效應 控制 控制 控制 控制 控制 控制 控制 控制 N 300 300 300 300 300 300 300 300 R2 0.465 0.187 0.426 0.401 0.486 0.194 0.335 0.452 ]

從表10的檢驗結果可知，通過產業(yè)結構升級、工業(yè)技術創(chuàng)新、工業(yè)生產效率和環(huán)境污染治理效率對能耗碳排放強度發(fā)生的中介效應均顯著為負?？梢?，中介變量均可以降低能源消耗產生的CO2排放總量，進而促進中國省域城市能耗碳排放強度的降低。

3. 影響機制分析結果

本文研究驅動因素對省域的城市碳排放強度的影響，除了四個中介變量指標，還選擇一個解釋變量和五個控制變量。為檢驗六個驅動因素對省域的城市能耗碳排放強度的影響，還需要檢驗六個驅動因素對省域城市能耗碳排放強度的影響機制。影響機制檢驗可以進一步反映驅動因素對因變量影響的趨勢及其程度。具體的直接影響機制檢驗結果如表11所示。

表11 驅動因素對省域城市能耗碳排放強度的影響機制及其結果

[ DFI ECI PGL ECI UL ECI ERI ECI IECI ECI AII 0.346**

（2.43） -0.482**（-4.45） 0.406**

（2.56） -0.493***

（-4.46） 0.385**

（2.45） -0.456***

（-4.35） -0.373***

（-4.22） -0.475

（-4.16） 0.346**

（2.83） -0.495 ***

（-4.64） DFI

-0.482***

（-4.26）

PGL

0.447***

（4.16）

UL

0.317***

（4.072）

ERI

-0.375***

（-4.42）

IECI

0.326***

（3.86） 常數(shù)項 0.185***（4.35） 0.186***

（5.26） 0.196***

（4.816） 0.204***

（4.472） 0.216***

（4.461） 0.186***

（4.216） 0.197***

（4.527） 0.219***

（4.351） 0.1.84

（4.185） 0.226

（4.052） 控制變量 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes 時間固定 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes 城市固定 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes R2 0.526 0.416 0.426 0.437 0.445 0.452 0.365 0.426 0.436 0.452 ]

根據(jù)上述檢驗結果可知，人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融指數(shù)和環(huán)境規(guī)制強度對省域城市能耗碳排放強度具有顯著的逆向影響，而人均工業(yè)增加值占比、城市化水平以及工業(yè)能耗強度對省域城市能耗碳排放強度具有顯著的正向影響。人工智能對省域城市能耗碳排放強度具有逆向影響，在不同組合變量下具有一定差異，其最大的影響程度為-0.495，檢驗結果的顯著性為1%；控制變量對省域城市能耗碳排放強度的影響程度也各有不同，數(shù)字金融指數(shù)對能耗碳排放強度的影響最大，影響系數(shù)為-0.482，城市化水平對省域的碳排放強度的影響最小，影響系數(shù)為0.317。根據(jù)上述空間Durbin面板模型的檢驗結果，全部驅動因素對省域城市能耗碳排放強度的影響均通過置信度為5%以上的顯著性檢驗，說明本文選擇的驅動因素對因變量具有很好的擬合程度，不存在共線性問題。

六、 結論與政策建議

為研究人工智能技術水平對中國省域能耗碳排放強度的影響，探索最大限度降低中國省域能耗碳排放強度的有效途徑，本文在測度省域能耗碳排放強度的基礎上，利用空間Durbin面板模型、不同自變量組合的固定效應模型以及基礎統(tǒng)計數(shù)據(jù)檢驗了選定的驅動因素對省域能耗碳排放強度的影響。研究發(fā)現(xiàn)：人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融發(fā)展指數(shù)以及環(huán)境規(guī)制程度三個驅動因素均對省域城市能耗碳排放強度具有負向影響，也就是對省域城市能耗碳排放強度的上升具有抑制作用，其他三個驅動因素對省域城市能耗碳排放強度具有正向影響。研究還發(fā)現(xiàn)：產業(yè)結構升級、工業(yè)技術創(chuàng)新、工業(yè)生產效率和環(huán)境污染治理效率對省域城市能耗碳排放強度具有中間抑制效應。基于以上研究結論，本文提出以下政策建議：

充分發(fā)揮人工智能創(chuàng)新發(fā)展指數(shù)、數(shù)字金融發(fā)展指數(shù)以及環(huán)境規(guī)制程度抑制碳排放強度上升的作用。本文研究結論表明，上述三個驅動因素的直接效應和間接效應均為逆向影響，因此，通過嵌入人工智能技術對節(jié)能減排方案進行優(yōu)化，發(fā)揮數(shù)字金融對提高綠色生產效率的協(xié)同效應，加強污染治理項目的投資，最大限度發(fā)揮其抑制作用，是降低省域的城市能耗碳排放強度的有力手段。GDP高水平城市以及沿海城市，應因地制宜優(yōu)先發(fā)展人工智能技術，加大對人工智能領域創(chuàng)新平臺的投入力度，促進人工智能技術融合應用與發(fā)展，同時充分發(fā)揮人工智能技術的空間溢出效應，顯著提升碳排放效率，最終賦能“雙碳目標”的實現(xiàn)。

適度控制人均工業(yè)增加值占比、城市化水平以及工業(yè)能耗強度對碳排放強度的正向影響。本文研究結論表明，這三個因素是導致碳排放強度上升的主要因素，因此，應通過產業(yè)結構調整適度調節(jié)人均工業(yè)增加值占比；在合理的城市化水平背景下，重點控制工業(yè)能耗強度，實現(xiàn)GDP持續(xù)升高和降低碳排放強度的均衡目標。

合理利用產業(yè)結構升級等手段抑制碳排放強度上升。本文研究結論表明，中介變量具有抑制碳排放強度的作用，因此，應著力推進產業(yè)結構升級，強化工業(yè)技術創(chuàng)新，顯著提高工業(yè)生產效率和環(huán)境污染治理效率，逐步實現(xiàn)對碳排放強度的有效控制，從而降低省域城市能耗碳排放強度。

參考文獻：

[1] MARVIN M. A Selected Descriptor-Indexed Bibliography to the Literature on Artificial Intelligence[J].IRE Transactions on Human Factors in Electronics，1961，HFE-2（1）：39-55.

[2] HOUSE R， RADO T.An Approach to Artificial Intelligence[J].IEEE Transactions on Communication and Electronics，1964，83（70）：111-116.

[3] 陳步.人工智能問題的哲學探討[J].哲學研究，1978（11）：22-31.

[4] SHARMA N， SINGH U， MAHAPATRA S.Prediction of Cost and Emission from Indian Coal-Fired Power Plants with CO2 Capture and Storage Using Artificial Intelligence Techniques[J]. Frontiers in Energy，2019，13（1）：149-162.

[5] 薛瀾，趙靜.人工智能國際治理：基于技術特性與議題屬性的分析[J].國際經濟評論，2024（3）：52-69.

[6] 陳龍，劉剛，戚聿東，等.人工智能技術革命：演進、影響和應對[J].國際經濟評論，2024（3）：9-51.

[7] 周亞瑜，朱虹，肖春曲.自我認同的張力：人工智能與消費者關系的界定與重塑[J].江蘇社會科學， 2024（3）：187-194.

[8] 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（24）：1-9.

[9] 張燦，李繼霞，袁振龍.環(huán)境規(guī)制強度對綠色創(chuàng)新效率的影響——基于財政壓力的調節(jié)效應[J].技術經濟與管理研究，2024（4）：101-107.

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

[11] 孫振清，楊銳.人工智能技術創(chuàng)新對區(qū)域碳排放的影響——機制識別與回彈效應[J].科技管理研究， 2024（5）：168-177.

[12] 葉云嶺，張其仔.人工智能、產業(yè)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（2）：55-65.

[13] 于法穩(wěn)，林珊.“雙碳”目標下企業(yè)綠色轉型發(fā)展的促進策略[J].改革，2022（2）：144-155.

[14] 周雪峰，韓露，肖翔.“雙碳”目標下數(shù)字經濟對企業(yè)持續(xù)綠色創(chuàng)新的影響——基于數(shù)字化轉型的中介視角[J].證券市場導報，2022（11）：2-12.

[15] 李金昌，連港慧，徐藹婷.“雙碳”愿景下企業(yè)綠色轉型的破局之道——數(shù)字化驅動綠色化的實證研究[J].數(shù)量經濟技術經濟研究，2023（9）：27-49.

[16] 邱小燕.環(huán)境規(guī)制、綠色技術進步與中國低碳轉型[J].現(xiàn)代管理科學，2023（2）：18-26.

[17] 徐佳，崔靜波.低碳城市和企業(yè)綠色技術創(chuàng)新[J].中國工業(yè)經濟，2020（12）：178-196.

[18] 陳艷霞，張鵬.人工智能產業(yè)政策的創(chuàng)新促進效應——來自企業(yè)專利數(shù)據(jù)的證據(jù)[J].現(xiàn)代經濟探討， 2024（3）：69-79.

[19] 林伯強.碳中和進程中的中國經濟高質量增長[J].經濟研究，2022（1）：56-71.

[20] 馬海韻，張彤.率先碳達峰國家低碳技術創(chuàng)新采納應用規(guī)律對中國的啟示——基于“技術－組織－環(huán)境”框架的分析[J].現(xiàn)代經濟探討，2023（7）：15-22.

[21] 張希良，黃曉丹，張達，等.碳中和目標下的能源經濟轉型路徑與政策研究[J].管理世界，2022（1）：35-51.

[22] 劉榮增，何春.環(huán)境規(guī)制對城鎮(zhèn)居民收入不平等的門檻效應研究[J].中國軟科學，2021（8）：41-52.

[23] HAN X， CAO T.Urbanization Level， Industrial Structure Adjustment and Spatial Effect of Urban Haze Pollution： Evidence from China’s Yangtze River Delta Urban Agglomeration[J].Atmospheric Pollution Research，2022，13（6）：101427.

作者簡介：葛廣宇，男，碩士，江蘇第二師范學院商學院副教授，研究方向為數(shù)字經濟、綠色經濟；孫濤，男，博士，南京航空航天大學經濟與管理學院教授，博士生導師，研究方向為數(shù)字經濟與區(qū)域經濟。

（收稿日期：2025-01-10" 責任編輯：殷 俊）