鍵詞人工智能政策；能源效率；人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)；空間外溢效應(yīng)中圖分類號(hào) F49；F206.0 文獻(xiàn)標(biāo)志碼A 文章編號(hào)1002-2104（2025）04-0024-14 DOI：10.12062/cpre.20250130

世界經(jīng)濟(jì)發(fā)展正朝著效率化、集約化和生態(tài)化的方向邁進(jìn)，能源效率的價(jià)值深刻地體現(xiàn)在減污降碳引致的廣泛而深遠(yuǎn)的經(jīng)濟(jì)社會(huì)結(jié)構(gòu)性變化之中[1。黨的十八大以來(lái)，中國(guó)深入推進(jìn)綠色發(fā)展的能源供給側(cè)結(jié)構(gòu)性改革，并取得顯著成效，以年均 3% 的能源消費(fèi)增速支撐了年均 6.2% 的經(jīng)濟(jì)增長(zhǎng)。然而，在能源環(huán)境約束趨緊的背景下，長(zhǎng)期依賴高能耗的發(fā)展模式成為綠色轉(zhuǎn)型的最大挑戰(zhàn)。黨的二十大報(bào)告強(qiáng)調(diào)，“完善能源消耗總量和強(qiáng)度調(diào)控”“推動(dòng)能源清潔低碳高效利用\"“加快發(fā)展方式綠色轉(zhuǎn)型”，為能源效率提升指明了方向。2023年12月底召開(kāi)的2024年全國(guó)能源工作會(huì)議進(jìn)一步強(qiáng)調(diào)，要以更大力度打造新質(zhì)生產(chǎn)力，推動(dòng)科技與產(chǎn)業(yè)融通銜接，著力建設(shè)能源科技創(chuàng)新高地。提升能源效率成為打造能源科技創(chuàng)新高地與發(fā)展方式綠色轉(zhuǎn)型的重要結(jié)合點(diǎn)與著力點(diǎn)。人工智能政策作為新質(zhì)生產(chǎn)力的重要組成部分，有效契合了綠色發(fā)展的新訴求，成為實(shí)現(xiàn)能源效率提升的重要模塊。自2019年起，中國(guó)分8個(gè)批次在18個(gè)城市正式批復(fù)設(shè)立的國(guó)家新一代人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)（以下簡(jiǎn)稱人工智能試驗(yàn)區(qū)），是中國(guó)提升人工智能科技創(chuàng)新能力、加大人工智能技術(shù)應(yīng)用與發(fā)展新質(zhì)生產(chǎn)力的集中體現(xiàn)。人工智能政策在推動(dòng)可持續(xù)發(fā)展、優(yōu)化資源分配以及增進(jìn)民生福祉等方面也展現(xiàn)出實(shí)現(xiàn)綠色發(fā)展的現(xiàn)實(shí)緊迫性。本研究嘗試從能源環(huán)境層面考察人工智能政策的實(shí)施效果，探究以人工智能試驗(yàn)區(qū)為示范的人工智能政策是否與城市能源效率之間存在內(nèi)在聯(lián)系。對(duì)這一問(wèn)題的回答，不僅有助于檢驗(yàn)和拓展人工智能政策的有效性邊界，還是落實(shí)黨的二十大報(bào)告關(guān)于“推動(dòng)制造業(yè)高端化、智能化、綠色化發(fā)展\"這一重要部署的先行基礎(chǔ)，具有理論和現(xiàn)實(shí)層面的雙重意義。

1文獻(xiàn)回顧

1.1人工智能的\"經(jīng)濟(jì)模樣”

人工智能（artificial intelligence，AI）具有極強(qiáng)的“頭雁\"效應(yīng)，日漸成為學(xué)者研究的一個(gè)熱點(diǎn)。從宏觀層面來(lái)看，AI不僅會(huì)促進(jìn)生產(chǎn)力的提高，還會(huì)影響經(jīng)濟(jì)乃至社會(huì)制度，實(shí)現(xiàn)產(chǎn)業(yè)內(nèi)的包容性增長(zhǎng)[2]。從微觀層面來(lái)看，AI優(yōu)化了勞動(dòng)和資本之間的配置效率和要素結(jié)構(gòu)3，提升了企業(yè)勞動(dòng)生產(chǎn)效率和企業(yè)價(jià)值4]。近年來(lái)，AI對(duì)能源消耗的影響成為一個(gè)突出的討論話題。一些悲觀的研究表明，AI的擴(kuò)散和全球能源消費(fèi)的顯著激增之間存在強(qiáng)烈的相關(guān)性。一方面，在未及時(shí)干預(yù)AI的情況下可能會(huì)出現(xiàn)全球范圍內(nèi)的能源危機(jī)5；另一方面，隨著AI投入快速增長(zhǎng)，生產(chǎn)規(guī)模擴(kuò)張所催生的“回彈效應(yīng)”壓力又為AI引致能源效率提升帶來(lái)了隱憂。相反，眾多學(xué)者則秉持更為積極的態(tài)度，強(qiáng)調(diào)了AI在推動(dòng)節(jié)能技術(shù)進(jìn)步方面的潛力[7]。AI帶來(lái)的資本體現(xiàn)式技術(shù)進(jìn)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(fā)現(xiàn)AI可以幫助預(yù)測(cè)能耗和調(diào)度資源，進(jìn)而提升能源效率；金祥義等[0認(rèn)為AI通過(guò)生產(chǎn)前端控制、生產(chǎn)流程管理、生產(chǎn)末端治理實(shí)現(xiàn)企業(yè)減排;呂越等[的研究也表明，AI主要依靠研發(fā)創(chuàng)新效應(yīng)、減排設(shè)備增長(zhǎng)效應(yīng)和勞動(dòng)力替代效應(yīng)降低污染物排放。這一支文獻(xiàn)從AI技術(shù)賦能的視角展開(kāi)了較為翔實(shí)的分析，但現(xiàn)有文獻(xiàn)還未關(guān)注到從政策驅(qū)動(dòng)視角探究AI對(duì)城市能源效率的影響。

1.2政府政策對(duì)能源效率影響的相關(guān)研究

在能源問(wèn)題當(dāng)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(nèi)在的聯(lián)系[12]。環(huán)境規(guī)制與能源效率的關(guān)系一直存在著廣泛爭(zhēng)論，傳統(tǒng)分析認(rèn)為環(huán)境規(guī)制通過(guò)施加污染治理成本，在短期可能降低能源效率，而“波特假說(shuō)”則認(rèn)為環(huán)境規(guī)制通過(guò)促進(jìn)創(chuàng)新的渠道改善了能源效率。國(guó)內(nèi)外文獻(xiàn)分別支持了“促進(jìn)論”1]、“抑制論”[13]和“非線性論”[14]。除環(huán)境規(guī)制外，政府還采取鼓勵(lì)性產(chǎn)業(yè)政策，如孫鵬博等[15]指出，政府應(yīng)實(shí)施稅收激勵(lì)政策提升企業(yè)能源效率；王賢彬等[1]發(fā)現(xiàn)節(jié)能目標(biāo)政策明顯提升了城市能源效率；徐曉亮等構(gòu)建動(dòng)態(tài)CGE模型發(fā)現(xiàn)，能源補(bǔ)貼改革在一定程度上會(huì)提高能源消費(fèi)強(qiáng)度。此外，政府采取排污費(fèi)征收標(biāo)準(zhǔn)調(diào)高7等方式，從前端生產(chǎn)環(huán)節(jié)對(duì)污染進(jìn)行治理，迫使污染型企業(yè)進(jìn)行技術(shù)革新，以有效提升能源效率。

1.3 文獻(xiàn)評(píng)述

現(xiàn)有研究主要聚焦于人工智能政策實(shí)施的創(chuàng)新效應(yīng)[18]、金融資產(chǎn)配置效應(yīng)[19]，對(duì)其產(chǎn)生的能源環(huán)境效應(yīng)的探討仍較為匱乏，缺乏系統(tǒng)性研究。無(wú)論是傳統(tǒng)的新古典經(jīng)濟(jì)模型，還是內(nèi)生增長(zhǎng)模型，技術(shù)進(jìn)步始終是推動(dòng)綠色發(fā)展的底層邏輯和長(zhǎng)期動(dòng)能[20]。事實(shí)上，實(shí)現(xiàn)綠色發(fā)展，特別是如何提升能源效率，其關(guān)鍵在于識(shí)別阻礙新技術(shù)采納的因素[12]。鮮有文獻(xiàn)關(guān)注與探討人工智能政策與城市能源效率之間的關(guān)系。究其原因，人工智能政策是當(dāng)下數(shù)智化浪潮席卷到的新領(lǐng)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(rèn)的是，與以環(huán)境效益為核心的傳統(tǒng)環(huán)境政策和經(jīng)濟(jì)效益為核心的傳統(tǒng)產(chǎn)業(yè)政策工具相比，人工智能政策不僅兼顧技術(shù)進(jìn)步，還將技術(shù)進(jìn)步與節(jié)能減排機(jī)制有機(jī)結(jié)合起來(lái)，在不增加政策成本的條件下發(fā)揮“政策的正外部性”。因此，針對(duì)人工智能政策與能源效率這一問(wèn)題的研究，不僅能在理論上厘清人工智能時(shí)代下政府扶持政策對(duì)城市能源效率的影響，且能夠在現(xiàn)實(shí)中回應(yīng)“十四五”規(guī)劃關(guān)于“深入實(shí)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(xiàn)在于：第一，研究視角方面，以人工智能試驗(yàn)區(qū)的批復(fù)構(gòu)造準(zhǔn)自然實(shí)驗(yàn)，評(píng)估論證了以人工智能試驗(yàn)區(qū)為代表的人工智能政策對(duì)城市能源效率的影響。這在一定程度上拓展了有關(guān)人工智能政策的研究?jī)?nèi)容，也從政策層面豐富了有關(guān)中國(guó)情境下能源效率的研究體系。第二，作用機(jī)制方面，揭示了人工智能試驗(yàn)區(qū)建設(shè)對(duì)城市能源效率提升的內(nèi)在機(jī)制，重點(diǎn)關(guān)注城市要素配置、產(chǎn)業(yè)結(jié)構(gòu)、綠色創(chuàng)新三者有機(jī)發(fā)展對(duì)能源效率的影響。同時(shí)將空間網(wǎng)絡(luò)因素納人考量，結(jié)合偏離份額方法的分析框架，探索和分析人工智能試驗(yàn)區(qū)建設(shè)對(duì)各城市能源效率提升的自主內(nèi)生作用。第三，政策啟示方面，以中間傳導(dǎo)路徑、多角度的異質(zhì)性分析擴(kuò)展了人工智能試驗(yàn)區(qū)建設(shè)與城市能源效率內(nèi)在關(guān)系的理論邊界。從提質(zhì)增效的角度幫助理解政府政策中的人工智能政策在實(shí)際經(jīng)濟(jì)活動(dòng)過(guò)程中的智能化、綠色化驅(qū)動(dòng)作用，為培育新質(zhì)生產(chǎn)力和優(yōu)化環(huán)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(yīng)新一輪科技革命和產(chǎn)業(yè)變革，國(guó)務(wù)院分別于2015年、2016年印發(fā)了《中國(guó)制造2025》和《“十三五\"國(guó)家科技創(chuàng)新規(guī)劃》，將智能電網(wǎng)技術(shù)與裝備、煤炭清潔高效利用技術(shù)與裝備等列為重點(diǎn)發(fā)展領(lǐng)域，推動(dòng)了人工智能技術(shù)在能源領(lǐng)域的研發(fā)與應(yīng)用，為人工智能與能源制造業(yè)的融合發(fā)展提供了政策指引。2019年，科技部印發(fā)《國(guó)家新一代人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)建設(shè)工作指引》，開(kāi)始“試點(diǎn)先行、積累經(jīng)驗(yàn)、逐步推開(kāi)”漸進(jìn)式人工智能試驗(yàn)區(qū)建設(shè)的實(shí)踐嘗試，在制造、物流、環(huán)保等領(lǐng)域開(kāi)展人工智能技術(shù)應(yīng)用，致力于打造一批具有重大引領(lǐng)帶動(dòng)作用的人工智能創(chuàng)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(jì)南、廣州、武漢、蘇州、長(zhǎng)沙、鄭州、沈陽(yáng)、哈爾濱等城市設(shè)立了國(guó)家新一代人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)，重點(diǎn)圍繞京津冀協(xié)同發(fā)展、長(zhǎng)江經(jīng)濟(jì)帶發(fā)展、粵港澳大灣區(qū)建設(shè)、長(zhǎng)三角區(qū)域一體化發(fā)展、成渝雙城經(jīng)濟(jì)圈等重大區(qū)域發(fā)展戰(zhàn)略進(jìn)行布局，兼顧東部、中部、西部及東北城市協(xié)同發(fā)展，推動(dòng)人工智能成為區(qū)域發(fā)展的重要引領(lǐng)力量。例如，北京作為首個(gè)獲批的人工智能試驗(yàn)區(qū)，以“大數(shù)據(jù) + 大模型”為基礎(chǔ)推動(dòng)人工智能發(fā)展，開(kāi)發(fā)出首個(gè)可以實(shí)現(xiàn)數(shù)十種能源同時(shí)管理的“天樞一號(hào)\"智慧能源系統(tǒng)，在諸多場(chǎng)景里實(shí)現(xiàn)了能源的綜合能耗大大降低。

2.2 理論分析

中國(guó)前沿產(chǎn)業(yè)從初步探索邁向規(guī)?；l(fā)展，不僅需遵循產(chǎn)業(yè)自身規(guī)律、響應(yīng)市場(chǎng)變化，更離不開(kāi)系統(tǒng)性政策的有力支撐[21]。人工智能試驗(yàn)區(qū)是國(guó)家經(jīng)濟(jì)發(fā)展邁上“人工智能”發(fā)展階段的重要標(biāo)志，直接推動(dòng)戰(zhàn)略性新興產(chǎn)業(yè)融合集群發(fā)展，在地方布局和建設(shè)未來(lái)產(chǎn)業(yè)，解決人工智能科技和產(chǎn)業(yè)化重大前沿問(wèn)題。結(jié)合人工智能試驗(yàn)區(qū)建設(shè)的工作重點(diǎn)，其影響城市能源效率的作用機(jī)理，主要體現(xiàn)在以下3個(gè)方面。

2.2.1優(yōu)化資源要素配置

人工智能試驗(yàn)區(qū)積極探索人工智能發(fā)展的政策體系，通過(guò)優(yōu)化資源要素配置提升城市能源效率。根據(jù)制度變遷理論，某一地區(qū)制度改革與機(jī)制創(chuàng)新會(huì)深刻影響當(dāng)?shù)刭Y源要素配置與要素組織結(jié)構(gòu)。人工智能試驗(yàn)區(qū)在體制機(jī)制、政策法規(guī)等方面先試先行，加快形成支持人工智能發(fā)展的良好生態(tài)[18]，有效打破傳統(tǒng)資源要素配置中存在的時(shí)空約束和信息壁壘的限制，吸引更多新企業(yè)進(jìn)入。這尤其體現(xiàn)在深入推進(jìn)基礎(chǔ)設(shè)施建設(shè)、加強(qiáng)人才培育、健全財(cái)政金融服務(wù)機(jī)制、完善法制保障體系等改革舉措，通過(guò)重塑資源要素配置機(jī)制，減少資金、人才與人工智能不匹配的要素錯(cuò)配狀況，進(jìn)一步激發(fā)政策供給效能。在人工智能試驗(yàn)區(qū)政策實(shí)施過(guò)程中，人工智能技術(shù)的深度應(yīng)用通過(guò)培育高端要素催生新質(zhì)生產(chǎn)力，引導(dǎo)資源要素從低生產(chǎn)率部門向高生產(chǎn)率部門流動(dòng)，實(shí)現(xiàn)資源要素配置的“算法化”與“精準(zhǔn)化”，優(yōu)化資源要素配置。當(dāng)?shù)刭Y源要素配置效率的提高，會(huì)引發(fā)能源投入要素比例的迅速調(diào)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(dǎo)致的能源效率損失23；另一方面，對(duì)于當(dāng)?shù)仄髽I(yè)而言，顯著的資源要素配置優(yōu)化效應(yīng)會(huì)加劇當(dāng)?shù)卦谖黄髽I(yè)與新進(jìn)入企業(yè)之間的競(jìng)爭(zhēng)，促使邊際生產(chǎn)率降低，即能源消耗強(qiáng)度更高的企業(yè)逐步退出市場(chǎng)，從而減少整體產(chǎn)出規(guī)模擴(kuò)張所需的能源投入量，提升城市能源效率。基于上述分析，提出研究假設(shè)H1。

H1：人工智能試驗(yàn)區(qū)通過(guò)優(yōu)化資源要素配置，進(jìn)而促

進(jìn)城市能源效率提升。

2.2.2統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整

人工智能試驗(yàn)區(qū)從產(chǎn)業(yè)橫向延伸和縱向深化兩個(gè)方面，不斷加強(qiáng)產(chǎn)業(yè)協(xié)同集聚和產(chǎn)業(yè)鏈韌性，有助于統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，進(jìn)而提升城市能源效率。在橫向延伸方面，人工智能試驗(yàn)區(qū)為產(chǎn)業(yè)內(nèi)及產(chǎn)業(yè)間建立良好的合作機(jī)制提供了必要的制度環(huán)境，這有助于加速轄域內(nèi)產(chǎn)業(yè)集群形成，包括算法、數(shù)據(jù)、模型、人才、生態(tài)等人工智能關(guān)聯(lián)產(chǎn)業(yè)，引導(dǎo)資源要素更多地投入和轉(zhuǎn)移至新興產(chǎn)業(yè)部門，向中高端、智能化和生產(chǎn)性服務(wù)業(yè)集聚，從而優(yōu)化產(chǎn)業(yè)布局；在縱向深化方面，根據(jù)熊彼特創(chuàng)造性破壞理論，以人工智能為代表的新興技術(shù)，對(duì)傳統(tǒng)產(chǎn)業(yè)會(huì)產(chǎn)生重大沖擊甚至顛覆性影響，實(shí)現(xiàn)由技術(shù)創(chuàng)新應(yīng)用向產(chǎn)業(yè)創(chuàng)新的轉(zhuǎn)變，為產(chǎn)業(yè)基礎(chǔ)高級(jí)化、提升產(chǎn)業(yè)鏈韌性提供新動(dòng)能。人工智能試驗(yàn)區(qū)政策進(jìn)一步明確了加快發(fā)展人工智能技術(shù)，有效推進(jìn)了人工智能與傳統(tǒng)產(chǎn)業(yè)的深度融合，使得更多前沿知識(shí)、先進(jìn)經(jīng)驗(yàn)等高級(jí)要素滲透?jìng)鹘y(tǒng)產(chǎn)業(yè)鏈，提高產(chǎn)業(yè)鏈上下游之間的協(xié)同程度，實(shí)現(xiàn)縱向的產(chǎn)業(yè)鏈韌性提升。依據(jù)“配第-克拉克定理\"的產(chǎn)業(yè)演進(jìn)定理，產(chǎn)業(yè)結(jié)構(gòu)調(diào)整將直接改變能源要素投入產(chǎn)出關(guān)系，改變能源的消費(fèi)結(jié)構(gòu)，進(jìn)而影響能源效率。產(chǎn)業(yè)橫向延伸和縱向深化的結(jié)構(gòu)調(diào)整，通過(guò)兩個(gè)或多個(gè)關(guān)聯(lián)產(chǎn)業(yè)在合理空間范圍內(nèi)協(xié)同并進(jìn)的方式，以及改造升級(jí)現(xiàn)有產(chǎn)業(yè)鏈生產(chǎn)模式的途徑，引發(fā)地區(qū)專業(yè)化分工完善、拓展能源獲取渠道，并產(chǎn)生顯著的馬歇爾外部性。由此加快淘汰傳統(tǒng)落后產(chǎn)能，即從高能耗、低附加值產(chǎn)業(yè)向低能耗、高附加值產(chǎn)業(yè)轉(zhuǎn)移，實(shí)現(xiàn)能源的需求和消耗量的降低。基于上述分析，提出研究假設(shè)H2。

H2：人工智能試驗(yàn)區(qū)通過(guò)統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，進(jìn)而促進(jìn)城市能源效率提升。

2.2.3提高綠色創(chuàng)新質(zhì)量

人工智能試驗(yàn)區(qū)強(qiáng)調(diào)持續(xù)提高綠色能源使用比率和加強(qiáng)節(jié)能環(huán)保技術(shù)的研發(fā)應(yīng)用，通過(guò)提升綠色知識(shí)寬度，進(jìn)而促進(jìn)城市能源效率提升。與綠色創(chuàng)新數(shù)量相比，綠色創(chuàng)新質(zhì)量更能凸顯出綠色創(chuàng)新水平的真實(shí)效果，對(duì)于推進(jìn)綠色發(fā)展和實(shí)現(xiàn)“雙碳”目標(biāo)具有重要意義。人工智能試驗(yàn)區(qū)不僅通過(guò)為企業(yè)提供集聚的載體和創(chuàng)新的平臺(tái)，還通過(guò)不斷完善創(chuàng)新環(huán)境改革，加快建立綠色創(chuàng)新成果快速轉(zhuǎn)化的有效機(jī)制，減少和避免“創(chuàng)新假象”“專利泡沫”等現(xiàn)象的發(fā)生。具體而言，一方面，人工智能試驗(yàn)區(qū)會(huì)加大對(duì)智能制造、高端設(shè)備等關(guān)鍵領(lǐng)域的科技投入，使綠色創(chuàng)新邊界逐漸模糊化，實(shí)現(xiàn)從知識(shí)積累、研發(fā)到應(yīng)用的單一鏈條式創(chuàng)新過(guò)程向綠色創(chuàng)新生態(tài)網(wǎng)絡(luò)的轉(zhuǎn)變，增加顛覆式創(chuàng)新的可能性，拓展綠色創(chuàng)新的知識(shí)寬度；另一方面，試驗(yàn)區(qū)通過(guò)制度創(chuàng)新優(yōu)化企業(yè)創(chuàng)新環(huán)境，有利于企業(yè)在綠色創(chuàng)新決策時(shí)捕獲更多有價(jià)值的信息，激勵(lì)企業(yè)采取更加高效、精準(zhǔn)和智能化的綠色技術(shù)創(chuàng)新方案，或與其他創(chuàng)新主體展開(kāi)緊密的知識(shí)合作，增強(qiáng)新知識(shí)的豐富性和異質(zhì)性，進(jìn)而提升企業(yè)綠色創(chuàng)新質(zhì)量。企業(yè)綠色創(chuàng)新質(zhì)量的提升有利于改進(jìn)生產(chǎn)設(shè)備、創(chuàng)新生產(chǎn)工藝和革新生產(chǎn)技術(shù)，助力綠色專利知識(shí)創(chuàng)造與累積，加速生產(chǎn)方式變革，驅(qū)動(dòng)高投入、高耗能的傳統(tǒng)粗放型生產(chǎn)方式向綠色集約型生產(chǎn)方式轉(zhuǎn)變，通過(guò)產(chǎn)業(yè)綠色化提升城市能源效率[24]。而且，企業(yè)綠色創(chuàng)新質(zhì)量的提升，加快了清潔工藝、治污技術(shù)和綠色裝備等綠色創(chuàng)新成果轉(zhuǎn)化，保障了綠色產(chǎn)品的有效供給[25]，有利于激發(fā)綠色創(chuàng)新的資源節(jié)約、清潔生產(chǎn)和環(huán)境友好優(yōu)勢(shì)，形成低排放、低能耗和低污染的綠色經(jīng)濟(jì)發(fā)展模式[26]?；谏鲜龇治?，提出研究假設(shè)H3。

H3：人工智能試驗(yàn)區(qū)通過(guò)提升綠色創(chuàng)新質(zhì)量，進(jìn)而促進(jìn)城市能源效率提升。

3 研究設(shè)計(jì)

3.1模型設(shè)定

為識(shí)別人工智能試驗(yàn)區(qū)對(duì)能源效率的作用效果，將人工智能試驗(yàn)區(qū)的批復(fù)構(gòu)造準(zhǔn)自然實(shí)驗(yàn)，選用交錯(cuò)雙重差分模型實(shí)證檢驗(yàn)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(gòu)建如下計(jì)量模型：

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

式中：下標(biāo) 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(cè)算能源效率； Z_?it 為城市 i 是否屬于人工智能試驗(yàn)區(qū)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(shí)間變化的控制變量。除了上述可觀測(cè)的影響因素之外，還引入了城市固定效應(yīng) ρ_i ，用于控制城市層面不隨時(shí)間變化的特征； τ_t 為時(shí)間固定效應(yīng)，用于控制隨時(shí)間變動(dòng)的經(jīng)濟(jì)因素或政策沖擊對(duì)城市能源效率的影響； ω_pt 為省份和時(shí)間聯(lián)合固定效應(yīng)，用于控制省份隨時(shí)間變化的無(wú)法觀測(cè)的異質(zhì)性因素，例如，不同省份能源政策沖擊及經(jīng)濟(jì)周期波動(dòng)對(duì)城市能源效率影響； ε_it 為殘差項(xiàng)，服從獨(dú)立同分布； β 是關(guān)注的核心系數(shù)，反映了人工智能試驗(yàn)區(qū)建設(shè)對(duì)城市能源效率的平均處理效應(yīng)。

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(xué)者的做法[1.24]，采用包含非期望產(chǎn)出的超效率SBM模型進(jìn)行測(cè)度。具體來(lái)說(shuō)，將各城市視為決策單元 （L） 。假設(shè)有 n 個(gè)L ，每個(gè) L 均有 m 種投入，記作 x_i（i=1，2，3，…，m） 5 S_? 種期望產(chǎn)出，記作 y_r（r=1，2，3，…，S₁）;s S₂ 種非期望產(chǎn)出，記作 c_a （a=1，2，3，…，S₂） 。則生產(chǎn)可能集為：

式中： ξ 為測(cè)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(chǎn)出以及非期望產(chǎn)出； λ_j 是強(qiáng)度變量。投入指標(biāo)包括： ① 勞動(dòng)力投入。使用各城市年末就業(yè)人數(shù)衡量。 ② 資本投入。使用各城市社會(huì)固定資產(chǎn)投資總額表示，并以2015年為基期，采用永續(xù)盤存法進(jìn)行估算。③ 能源投入。使用各城市能源消耗總量來(lái)表示（各類能源消耗量統(tǒng)一折算為萬(wàn)t標(biāo)準(zhǔn)煤）。產(chǎn)出指標(biāo)包括： ① 實(shí)際地區(qū)生產(chǎn)總值。采用各城市實(shí)際地區(qū)生產(chǎn)總值（以2015年的價(jià)格作為基期，對(duì)地區(qū)名義生產(chǎn)總值進(jìn)行平減得到地區(qū)實(shí)際生產(chǎn)總值）表示期望產(chǎn)出。 ② 工業(yè)二氧化硫排放量、工業(yè)廢水排放量以及工業(yè)煙粉塵排放量。采用線性數(shù)據(jù)轉(zhuǎn)換函數(shù)法對(duì)生產(chǎn)過(guò)程中的這3類非期望產(chǎn)出進(jìn)行處理。

3.2.2核心解釋變量

根據(jù)國(guó)務(wù)院發(fā)布的試點(diǎn)城市名單，對(duì)人工智能試驗(yàn)區(qū)虛擬變量 進(jìn)行賦值，如果城市i在t年設(shè)立了人工智能試驗(yàn)區(qū)，賦值為1，否則賦值為0。在界定試驗(yàn)區(qū)設(shè)立的具體年份時(shí)，考慮到各城市實(shí)施試點(diǎn)政策是以該城市發(fā)布方案的時(shí)間為準(zhǔn)，而部分城市具體政策實(shí)施內(nèi)容的發(fā)布時(shí)間在下半年，當(dāng)年難以發(fā)揮影響。因此，以6月30日作為分界點(diǎn)，若試驗(yàn)區(qū)的批復(fù)在該日期前，視為當(dāng)年實(shí)施政策；反之，則視為下一年實(shí)施。

圖1展示了2015—2022年不同城市組別能源效率的變化趨勢(shì)。由圖1（a）可以看出，人工智能試驗(yàn)區(qū)組的平均能源效率一直高于非人工智能試驗(yàn)區(qū)組，尤其在2019年之后，隨著人工智能試驗(yàn)區(qū)的批復(fù)，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(yàn)區(qū)城市后，發(fā)現(xiàn)人工智能試驗(yàn)區(qū)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(shì)，可能伴隨著城市虹吸效應(yīng)，在后續(xù)檢驗(yàn)中佐證這一典型事實(shí)?？傮w來(lái)說(shuō)，人工智能試驗(yàn)區(qū)與能源效率的提升表現(xiàn)出了很強(qiáng)的正相關(guān)性，但其中是否具有因果聯(lián)系則需要進(jìn)一步的實(shí)證檢驗(yàn)。

3.2.3控制變量

控制變量包括經(jīng)濟(jì)發(fā)展速度 （V_GDP） ，用地方生產(chǎn)總值增長(zhǎng)率衡量；城鎮(zhèn)化水平 （H_URB） ，以非農(nóng)業(yè)人口數(shù)與城市總?cè)丝跀?shù)的比值表示；財(cái)政分權(quán) （F） ，用地方財(cái)政一般預(yù)算內(nèi)收入與地方財(cái)政一般預(yù)算內(nèi)支出的比值衡量；對(duì)外開(kāi)放程度 （o） ，用當(dāng)年實(shí)際使用外資金額衡量，并做對(duì)數(shù)化處理；金融發(fā)展水平 （H_FIN） ，用年末金融機(jī)構(gòu)存款余額與地方生產(chǎn)總值比值衡量；互聯(lián)網(wǎng)普及率 （I） ，以國(guó)際互聯(lián)網(wǎng)用戶數(shù)與年末戶籍人口數(shù)量的比值表示。

3.3 數(shù)據(jù)來(lái)源與說(shuō)明

本研究采用中國(guó)282個(gè)地級(jí)及以上城市2015—2022年的城市面板數(shù)據(jù)（受數(shù)據(jù)可得性或數(shù)據(jù)缺失限制，未包括綏化市、三沙市、儋州市、畢節(jié)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(tái)灣等省份的城市），人工智能試驗(yàn)區(qū)名單及對(duì)應(yīng)的實(shí)施時(shí)間來(lái)自科技部及各個(gè)試驗(yàn)區(qū)頒布的文件；研究中使用的數(shù)據(jù)來(lái)自《中國(guó)城市統(tǒng)計(jì)年鑒》《中國(guó)能源統(tǒng)計(jì)年鑒》《中國(guó)環(huán)境統(tǒng)計(jì)年鑒》等；機(jī)制變量數(shù)據(jù)來(lái)自世界知識(shí)產(chǎn)權(quán)組織發(fā)布的“國(guó)際專利分類綠色清單”中國(guó)專利數(shù)據(jù)庫(kù)、天眼查特定搜索、國(guó)家專利局。對(duì)主要連續(xù)變量進(jìn)行插值和上下 0.5% 的縮尾處理后，主要變量的描述性統(tǒng)計(jì)結(jié)果見(jiàn)表1。

4基準(zhǔn)實(shí)證結(jié)果

4.1基準(zhǔn)回歸

表2報(bào)告了人工智能試驗(yàn)區(qū)建設(shè)與城市能源效率的基準(zhǔn)回歸結(jié)果。列（1）僅控制城市和年份固定效應(yīng)，可以看到Z的系數(shù)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(shù)變?yōu)?.098并在 1% 的水平上保持顯著，這說(shuō)明人工智能試驗(yàn)區(qū)建設(shè)對(duì)城市能源效率具有顯著的提升效應(yīng)。列（3）結(jié)果顯示，Z的估計(jì)系數(shù)變?yōu)?.078，且在 5% 的水平上依舊顯著，說(shuō)明在考慮到省份-年份異質(zhì)性趨勢(shì)后，人工智能試驗(yàn)區(qū)建設(shè)依然顯著提升城市能源效率。

4.2 模型的有效性檢驗(yàn)

4.2.1平行趨勢(shì)檢驗(yàn)

雙重差分方法的使用需要滿足平行趨勢(shì)假定，即在國(guó)家正式批復(fù)人工智能試驗(yàn)區(qū)之前，處理組與對(duì)照組的城市能源效率的時(shí)間變動(dòng)趨勢(shì)并不存在系統(tǒng)性差異。使用事件研究法對(duì)表2的估計(jì)結(jié)果進(jìn)行事前平行趨勢(shì)檢驗(yàn)，設(shè)定如下計(jì)量模型，同時(shí)可用來(lái)檢驗(yàn)人工智能試驗(yàn)區(qū)建設(shè)的時(shí)間異質(zhì)性：

ω_pt+ε_it

式中： 是城市 i 在 Φ_t 年是否為人工智能試驗(yàn)區(qū)。假定城市 i 批復(fù)人工智能試驗(yàn)區(qū)年份為 Z_i ，令 k=t-Z_i ；當(dāng)k=-5，-4，…，2，3 時(shí)， D_it=1 ，否則為 0 將 k=-1 即人工智能試驗(yàn)區(qū)前1年作為基準(zhǔn)期。通過(guò)比較式（4）中參數(shù) α_k 的經(jīng)濟(jì)和統(tǒng)計(jì)顯著性，可以檢驗(yàn)人工智能試驗(yàn)區(qū)政策效應(yīng)的動(dòng)態(tài)變化。檢驗(yàn)結(jié)果如圖2所示，在人工智能試驗(yàn)區(qū)正式批復(fù)之前，處理組與對(duì)照組的能源效率并無(wú)顯著差異1 95% 的置信區(qū)間），隨著人工智能試驗(yàn)區(qū)陸續(xù)批復(fù)，其對(duì)提升能源效率的積極作用一直存在。

進(jìn)一步，選擇Rambachan等[28]提出的相對(duì)偏離程度限制來(lái)構(gòu)建穩(wěn)健置信區(qū)間，進(jìn)行平行趨勢(shì)敏感性分析。

該方法需滿足遺漏變量對(duì)處理效應(yīng)的影響不敏感的基本假設(shè)。對(duì)此，參照 Oster^[29] 的做法，對(duì)潛在的遺漏變量問(wèn)題做進(jìn)一步檢驗(yàn)。據(jù)表3可知，估計(jì)結(jié)果均較好地通過(guò)了Oster檢驗(yàn)，故可認(rèn)為處理效應(yīng)估計(jì)量對(duì)不可觀測(cè)混淆因子不敏感。在此基礎(chǔ)上，設(shè)置最大偏差度為一倍的標(biāo)準(zhǔn)誤，以檢驗(yàn)人工智能試驗(yàn)區(qū)批復(fù)后，處理效應(yīng)的平行趨勢(shì)敏感性。檢驗(yàn)結(jié)果顯示（圖3），在相對(duì)偏離程度限制下，政策實(shí)施年和政策后一年得到的能源效率提升效應(yīng)依舊十分穩(wěn)健。這表明，即使平行趨勢(shì)存在一定程度的偏離，人工智能試驗(yàn)區(qū)建設(shè)仍然顯著提升城市能源效率。

注：根據(jù) 得到真實(shí)估計(jì)系數(shù)的一致估計(jì)量，式中R_max 代表不可觀測(cè)的遺漏變量能夠被觀測(cè)時(shí)的最大擬合優(yōu)度，8表示選擇比例，用以說(shuō)明可觀測(cè)和不可觀測(cè)變量與內(nèi)生變量之間的相關(guān)關(guān)系強(qiáng)弱。其次，采用以下兩種方法進(jìn)行檢驗(yàn)， ① 當(dāng) β=0，R_max= 1.3R時(shí)，可得 |δ|gt;1 ，表明通過(guò)檢驗(yàn)； ② 當(dāng) δ=1，R_max=1.3R 時(shí)，由β^* 構(gòu)成的內(nèi)生變量回歸系數(shù)的取值范圍不包括0，表明通過(guò)檢驗(yàn)。

4.2.2異質(zhì)性處理效應(yīng)檢驗(yàn)

當(dāng)交錯(cuò)雙重差分的處理效應(yīng)存在異質(zhì)性時(shí)，即使?jié)M足平行趨勢(shì)假定，權(quán)重會(huì)出現(xiàn)為負(fù)的情況，而不符合現(xiàn)實(shí)情況與研究目的。借鑒DeChaisemartin等[30]建議的估計(jì)量對(duì)基準(zhǔn)模型進(jìn)行檢驗(yàn)，所得到的異質(zhì)性處理穩(wěn)健性指標(biāo)為0.807，在一定程度上表明估計(jì)結(jié)果具有穩(wěn)健性。為了進(jìn)一步驗(yàn)證異質(zhì)性處理效應(yīng)對(duì)估計(jì)偏誤風(fēng)險(xiǎn)有限，以從未受處理作為對(duì)照組進(jìn)行動(dòng)態(tài)效應(yīng)檢驗(yàn)，可得到人工智能試驗(yàn)區(qū)在前4期、后3期的動(dòng)態(tài)處理效應(yīng)（圖4），檢驗(yàn)結(jié)果與上文的平行趨勢(shì)檢驗(yàn)并無(wú)顯著差別，表明交錯(cuò)雙重差分模型的設(shè)置是合理且有效的。

4.3 穩(wěn)健性檢驗(yàn)

4.3.1安慰劑檢驗(yàn)

根據(jù)國(guó)家對(duì)人工智能試驗(yàn)區(qū)批復(fù)的情況，隨機(jī)生成了若干次虛擬處理組，進(jìn)行與模型（1）相同的回歸，為基準(zhǔn)回歸研究結(jié)論提供穩(wěn)健性保證。對(duì)政策變量Z重復(fù)隨機(jī)抽樣500次，得到Z與城市能源效率回歸系數(shù)的 P 值分布和核密度分布圖。通過(guò)觀察圖5可以發(fā)現(xiàn)，使用隨機(jī)生成的虛擬政策變量系數(shù)分布在零值附近，且均遠(yuǎn)離基準(zhǔn)回歸系數(shù)，說(shuō)明研究結(jié)論并非偶然，確實(shí)是由人工智能試驗(yàn)區(qū)批復(fù)所帶來(lái)的。

4.3.2合成雙重差分法

在現(xiàn)實(shí)情況中往往無(wú)法觀測(cè)到政策發(fā)生后處理組的政策“不發(fā)生”，使用合成雙重差分法來(lái)評(píng)估人工智能試驗(yàn)區(qū)的能源效率提升效應(yīng)。該方法不僅能夠一定程度上減少政策出臺(tái)前后時(shí)間因素導(dǎo)致的差異，而且重新加權(quán)并匹配事前趨勢(shì)，極大削弱了估計(jì)量對(duì)平行趨勢(shì)假設(shè)的依賴性。在靜態(tài)效應(yīng)方面，平均處理效應(yīng)為0.087，在 1% 的水平上顯著，說(shuō)明人工智能試驗(yàn)區(qū)總體上有效提升城市能源效率。在動(dòng)態(tài)效應(yīng)方面，利用擴(kuò)展的合成雙重差分法識(shí)別人工智能試驗(yàn)區(qū)正式批復(fù)后的每一期政策效應(yīng)（圖6。結(jié)果顯示，人工智能試驗(yàn)區(qū)批復(fù)后，城市能源效率提升呈現(xiàn)逐漸加強(qiáng)趨勢(shì)。無(wú)論是靜態(tài)效應(yīng)還是動(dòng)態(tài)效應(yīng)，都充分說(shuō)明人工智能試驗(yàn)區(qū)顯著提升城市能源效率，基準(zhǔn)回歸的結(jié)論是穩(wěn)健的。

4.3.3更換核心變量

對(duì)核心變量進(jìn)行了重新調(diào)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(chǎn)出實(shí)際值與目標(biāo)值之間的比例信息，使用基于規(guī)模報(bào)酬不變假設(shè)的CCR模型對(duì)能源效率重新進(jìn)行測(cè)度。表4列（1）在更換結(jié)果變量定義方式后， Z 系數(shù)值在 1% 水平上顯著為正，說(shuō)明結(jié)論是穩(wěn)健的。其二，出于對(duì)人工智能試驗(yàn)區(qū)界定方式合理性的考慮，采用試驗(yàn)區(qū)批復(fù)當(dāng)年就將政策變量賦值為1的方式，重新構(gòu)造人工智能試驗(yàn)區(qū)政策變量（Z_A） ，表4列 （2）Z_A 的系數(shù)值在 5% 水平上依然顯著為正，說(shuō)明前文結(jié)論具有較強(qiáng)的穩(wěn)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(gè)直轄市在經(jīng)濟(jì)發(fā)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(jì)，結(jié)果見(jiàn)表4列（3），Z系數(shù)仍在 5% 水平上顯著為正，并未發(fā)生明顯變化，說(shuō)明基準(zhǔn)回歸結(jié)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(guó)70個(gè)大中城市作為基礎(chǔ)樣本。此外，人工智能試驗(yàn)區(qū)要求申請(qǐng)城市具有科教資源和產(chǎn)業(yè)基礎(chǔ)累積，考慮新增2015年之前依托國(guó)家高新區(qū)建設(shè)的國(guó)家自主創(chuàng)新示范區(qū)25個(gè)城市，但因部分城市已屬于70個(gè)大中城市，故凈增11個(gè)城市。因數(shù)據(jù)缺失問(wèn)題，剔除70個(gè)大中城市中的大理市，篩選后的研究樣本為80個(gè)城市。估計(jì)結(jié)果見(jiàn)表4列（4），Z系數(shù)在 10% 水平上顯著為正，說(shuō)明前文結(jié)論不受樣本選擇問(wèn)題的干擾。

4.3.5緩解潛在內(nèi)生性

科技部在確定人工智能試驗(yàn)區(qū)城市時(shí)，明確要求申請(qǐng)城市應(yīng)具備豐富的科教資源、較好的產(chǎn)業(yè)基礎(chǔ)、健全的基礎(chǔ)設(shè)施和相應(yīng)的支持措施等，并且原則上是國(guó)家高新區(qū)建設(shè)的國(guó)家自主創(chuàng)新示范區(qū)城市。這些原本存在的城市之間的差異，隨著時(shí)間的推移對(duì)城市能源效率可能產(chǎn)生不同的影響，從而造成估計(jì)偏差。為了緩解試點(diǎn)城市選擇造成的內(nèi)生估計(jì)偏誤，采用劉珊等[31的方法，在基準(zhǔn)回歸模型的基礎(chǔ)上，加入樣本期內(nèi)該城市是否擁有國(guó)家高新區(qū)和國(guó)家自主創(chuàng)新示范區(qū)兩個(gè)基準(zhǔn)因素與時(shí)間趨勢(shì)的交叉項(xiàng)，表4列（5）Z的估計(jì)系數(shù)仍然顯著為正，表明城市固有的特征差異并不會(huì)影響研究結(jié)論。

4.3.6排除同期其他政策干擾

為排除同期可能會(huì)影響能源效率的政策對(duì)基準(zhǔn)估計(jì)結(jié)果的干擾，整理了樣本時(shí)間段內(nèi)執(zhí)行的“中國(guó)制造2025”國(guó)家級(jí)示范區(qū)、用能權(quán)交易試點(diǎn)和數(shù)字經(jīng)濟(jì)創(chuàng)新發(fā)展試驗(yàn)區(qū)等政策。為排除上述政策變量的潛在影響，將“中國(guó)制造2025”國(guó)家級(jí)示范區(qū)、用能權(quán)交易試點(diǎn)和數(shù)字經(jīng)濟(jì)創(chuàng)新發(fā)展試驗(yàn)區(qū)納入基準(zhǔn)回歸模型。表5列（1）結(jié)果表明，在加入相關(guān)政策變量后，Z的系數(shù)仍在 5% 水平上顯著。

4.3.7預(yù)期效應(yīng)檢驗(yàn)

為了排除可能的政策預(yù)期對(duì)估計(jì)結(jié)果的干擾，參考許文立等27的做法，將人工智能試驗(yàn)區(qū)時(shí)間提前一年和提前兩年，構(gòu)建試點(diǎn)前一年和前兩年的政策變量納入基準(zhǔn)模型中。表5列（2）回歸結(jié)果顯示，Z系數(shù)值仍然在 5% 水平上顯著，說(shuō)明人工智能試驗(yàn)區(qū)并無(wú)預(yù)期效應(yīng)。

4.3.8考慮虹吸效應(yīng)的影響

由圖1（b）可知，人工智能試驗(yàn)區(qū)可能對(duì)毗鄰城市產(chǎn)生一定的虹吸效應(yīng)。為了驗(yàn)證該推測(cè)，剔除人工智能試驗(yàn)區(qū)樣本，并參照試驗(yàn)區(qū)推行時(shí)間段，構(gòu)建與人工智能試驗(yàn)區(qū)在行政區(qū)劃上毗鄰城市是否批復(fù)人工智能試驗(yàn)區(qū)變量 （S_PE） ，代替基準(zhǔn)模型中的核心解釋變量進(jìn)行回歸。表5列（3）的檢驗(yàn)結(jié)果表明， S_PE 的系數(shù)為負(fù)，且不具有統(tǒng)計(jì)學(xué)意義上的顯著性。進(jìn)一步，在基準(zhǔn)回歸基礎(chǔ)上剔除與人工智能試驗(yàn)區(qū)毗鄰城市樣本再次回歸，表5列（4）結(jié)果表明，Z系數(shù)值依舊在 1% 水平上顯著，證明主要結(jié)論是穩(wěn)健的。

4.4 空間外溢效應(yīng)

雖然人工智能試驗(yàn)區(qū)可能對(duì)毗鄰城市產(chǎn)生一定的虹吸效應(yīng)，但是政策本身具有很強(qiáng)的空間外溢性，在促進(jìn)本城市能源效率提升的同時(shí)，還可能通過(guò)創(chuàng)新資源的集聚與擴(kuò)散對(duì)全國(guó)各城市產(chǎn)生正向空間外溢效應(yīng)。也就是說(shuō)，人工智能試驗(yàn)區(qū)建設(shè)的政策效應(yīng)由各個(gè)城市共享。一方面，政府實(shí)施的政策手段可能會(huì)成為其他城市的模仿對(duì)象，產(chǎn)生“同群效應(yīng)”32]。信息化、網(wǎng)絡(luò)化和高鐵貫通的便利性，很容易使城市間通過(guò)經(jīng)貿(mào)聯(lián)系實(shí)現(xiàn)政策模仿，產(chǎn)生政策擴(kuò)散效應(yīng)，從而提升各城市的能源效率；另一方面，人工智能對(duì)新興產(chǎn)業(yè)和未來(lái)產(chǎn)業(yè)存在選擇性偏向，能引發(fā)城市創(chuàng)新要素集聚，推動(dòng)城市群之間經(jīng)貿(mào)往來(lái)、資源共享與合作33，形成規(guī)模效應(yīng)，進(jìn)而對(duì)各城市產(chǎn)生知識(shí)和技術(shù)的溢出效應(yīng)。因此，人工智能試驗(yàn)區(qū)能夠通過(guò)政策的空間外溢效應(yīng)，加速傳統(tǒng)粗放型發(fā)展方式向清潔、綠色、低碳的轉(zhuǎn)型，進(jìn)而促進(jìn)各城市能源效率的提升。根據(jù)各城市獲批人工智能試驗(yàn)區(qū)的時(shí)間和各城市間的經(jīng)貿(mào)聯(lián)系，構(gòu)建空間外溢效應(yīng)的代理變量 B_it ，并在模型（1）的基礎(chǔ)上，設(shè)定下式（5）作為本部分回歸模型，以便考察人工智能試驗(yàn)區(qū)的空間外溢效應(yīng)對(duì)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(yàn)區(qū)所帶來(lái)的空間外溢效應(yīng)。本部分的研究目標(biāo)是基于人工智能試驗(yàn)區(qū)，準(zhǔn)確識(shí)別空間外溢效應(yīng)的存在性。通過(guò)借鑒Borusyak等[34]對(duì)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(gòu)建人工智能試驗(yàn)區(qū)空間外溢效應(yīng)代理指標(biāo)： 其中， Z_jt 代表 χ_t 年城市j受到的人工智能試驗(yàn)區(qū)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(duì)城市 j 的經(jīng)貿(mào)聯(lián)系強(qiáng)度。引力模型最初屬于物理學(xué)領(lǐng)域的建模思路，隨著城市之間經(jīng)貿(mào)關(guān)聯(lián)日益緊密，城市經(jīng)濟(jì)學(xué)家將該方法引入經(jīng)濟(jì)學(xué)領(lǐng)域，用以計(jì)算城市之間相互影響程度。借鑒該思路計(jì)算城市間經(jīng)貿(mào)聯(lián)系強(qiáng)度，建立修正的城市間經(jīng)貿(mào)引力模型如下： 其中， G 為城市實(shí)際生產(chǎn)總值， U 為常住人口數(shù)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(shù)。

模型（5）的回歸結(jié)果見(jiàn)表6。列（1）僅控制城市-年份固定效應(yīng)，可以看到 Z 的系數(shù)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(shù)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(yīng)后， B 的系數(shù)變?yōu)?.0004，且在 5% 的水平上依舊顯著，表明人工智能試驗(yàn)區(qū)的空間外溢效應(yīng)使得各個(gè)城市能源效率提升0.04個(gè)百分點(diǎn)，占人工智能試驗(yàn)區(qū)建設(shè)直接效應(yīng)的 5‰ ，這一結(jié)論與理論預(yù)期及經(jīng)驗(yàn)事實(shí)相符，驗(yàn)證了人工智能試驗(yàn)區(qū)的空間外溢效應(yīng)顯著提升城市能源效率。

5機(jī)制檢驗(yàn)與異質(zhì)性分析

5.1 機(jī)制檢驗(yàn)

為考察人工智能試驗(yàn)區(qū)影響城市能源效率的作用機(jī)制，借鑒王偉龍等2的做法，先分別考察人工智能試驗(yàn)區(qū)對(duì)資源要素配置、產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和綠色創(chuàng)新質(zhì)量的影響，然后分別將人工智能試驗(yàn)區(qū)與3個(gè)作用機(jī)制的交互性分別納人模型，考察人工智能試驗(yàn)區(qū)建設(shè)對(duì)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(gè)作用機(jī)制的代理變量，具體包含：① 資源要素配置。其一，根據(jù)\"企查查\"平臺(tái)的中國(guó)企業(yè)工商注冊(cè)年限和地址信息，將企業(yè)數(shù)量匯總整理到城市-年份層面來(lái)計(jì)算新企業(yè)進(jìn)入數(shù)量 （M1） ；其二，借鑒白俊紅等3的做法，以城市資本錯(cuò)配指數(shù) （M2） 和勞動(dòng)力錯(cuò)配指數(shù)（M3）反映資源配置扭曲狀況，從以上兩個(gè)方面代理城市資源要素配置水平。 ② 產(chǎn)業(yè)結(jié)構(gòu)調(diào)整。產(chǎn)業(yè)結(jié)構(gòu)調(diào)整指標(biāo)使用產(chǎn)業(yè)協(xié)同集聚 （M4） 和產(chǎn)業(yè)鏈韌性（M5）衡量。產(chǎn)業(yè)協(xié)同集聚（M4）的計(jì)算公式為： 其中， g_imt 表示制造業(yè) m 在 i 城市 Φ_t 年的集聚度， g_int 表示生產(chǎn)性服務(wù)業(yè) n 在i城市 χ_t 年的集聚度。采用熵權(quán)法將抗干擾能力和恢復(fù)能力標(biāo)準(zhǔn)化后降維處理來(lái)測(cè)度城市產(chǎn)業(yè)鏈韌性。其一，抗干擾能力的計(jì)算公式為： 其中， 代表城市產(chǎn)業(yè)多樣化程度， H 代表城市產(chǎn)業(yè)集中度， S_ej 表示第j個(gè)城市第 e 種產(chǎn)業(yè)就業(yè)人數(shù)占該城市總就業(yè)人數(shù)的比例；其二，恢復(fù)能力采用專利授權(quán)數(shù)量衡量，城市年度發(fā)明專利授權(quán)數(shù)量越多，說(shuō)明城市產(chǎn)業(yè)鏈在應(yīng)對(duì)外部風(fēng)險(xiǎn)時(shí)，可選擇的潛在路徑越多，其風(fēng)險(xiǎn)恢復(fù)能力越強(qiáng)。 ③ 綠色創(chuàng)新質(zhì)量 （M6） 。分別利用R語(yǔ)言爬取WIPO企業(yè)綠色專利分類數(shù)據(jù)，使用主分類號(hào)的方法，并參照陳彥龍等37做法將測(cè)算的企業(yè)綠色專利知識(shí)寬度加總至城市層面的方法，表征城市綠色創(chuàng)新質(zhì)量。其計(jì)算公式為： ， S_kmt 為企業(yè) k 截至 χ_t 年在 σ_v 大組下綠色申請(qǐng)專利的累計(jì)數(shù)目， S_k 為企業(yè) k 截至 Φ_t 年在全部大組下綠色申請(qǐng)專利的累計(jì)數(shù)目。 M6_kt 的值越大，說(shuō)明企業(yè)綠色專利的知識(shí)寬度越大，綠色創(chuàng)新質(zhì)量越高，繼而取均值于城市層面表征城市綠色創(chuàng)新質(zhì)量 （G_it） 。 Z×M 表示人工智能試驗(yàn)區(qū)建設(shè)與3個(gè)作用機(jī)制的交互項(xiàng)，其余各項(xiàng)與式（1）相同。 γ₁ 反映了人工智能試驗(yàn)區(qū)建設(shè)通過(guò)資源要素配置效應(yīng)、產(chǎn)業(yè)結(jié)構(gòu)調(diào)整效應(yīng)和綠色創(chuàng)新質(zhì)量效應(yīng)影響城市能源效率的作用強(qiáng)度。

5.1.1資源要素配置

企業(yè)進(jìn)入退出是優(yōu)化資源要素配置的重要過(guò)程，更低的資源扭曲程度意味著經(jīng)濟(jì)發(fā)展趨向帕累托最優(yōu)。人工智能試驗(yàn)區(qū)建設(shè)是否能夠通過(guò)優(yōu)化資源要素配置引發(fā)能源投人要素比例調(diào)整，進(jìn)而提升城市能源效率有待檢驗(yàn)。依據(jù)式（6）式（7）的檢驗(yàn)步驟，表7列（1）列（3）列（5）回歸結(jié)果顯示，相比非試驗(yàn)區(qū)而言，人工智能試驗(yàn)區(qū)建設(shè)不僅顯著促進(jìn)了新企業(yè)進(jìn)入，而且降低了城市的要素錯(cuò)配程度。列（2）列（4）列（6）結(jié)果顯示，Z與新企業(yè)進(jìn)入數(shù)量、資本錯(cuò)配指數(shù)、勞動(dòng)力錯(cuò)配指數(shù)三者交互項(xiàng)分別對(duì)城市能源效率的影響通過(guò)了顯著性檢驗(yàn)，這意味著人工智能試驗(yàn)區(qū)建設(shè)能夠優(yōu)化資源要素配置狀況，提升城市能源效率。人工智能試驗(yàn)區(qū)強(qiáng)調(diào)要加強(qiáng)人工智能發(fā)展體制機(jī)制、政策法規(guī)等方面體系建設(shè)。因此，試驗(yàn)區(qū)通過(guò)實(shí)施政策優(yōu)惠，吸引企業(yè)進(jìn)入，促使資本、勞動(dòng)力等創(chuàng)新要素通過(guò)培育高端要素形成帕累托最優(yōu)效應(yīng)實(shí)現(xiàn)資源要素配置優(yōu)化。資源要素配置有助于改善城市粗放式發(fā)展模式，帶來(lái)提高生產(chǎn)效率、能源投入比例合理化配置等多重紅利，進(jìn)而提升城市能源效率。

5.1.2產(chǎn)業(yè)結(jié)構(gòu)調(diào)整

“人工智能 + ”是充分發(fā)揮規(guī)模經(jīng)濟(jì)與范圍經(jīng)濟(jì)比較優(yōu)勢(shì)的重要突破口，在產(chǎn)業(yè)橫向延伸和縱向深化上，為產(chǎn)業(yè)結(jié)構(gòu)調(diào)整提供有力支撐。表8列（1）和列（3）中，Z的系數(shù)均為正，但在列（1）中并不顯著，表明人工智能試驗(yàn)區(qū)批復(fù)后，產(chǎn)業(yè)協(xié)同集聚水平并現(xiàn)顯著提高，產(chǎn)業(yè)鏈韌性明顯提升。列（2）和列（4）中，Z與產(chǎn)業(yè)協(xié)同集聚、產(chǎn)業(yè)鏈韌性的交互項(xiàng)對(duì)城市能源效率的影響均呈顯著正相關(guān)，意味著試驗(yàn)區(qū)建設(shè)能夠通過(guò)提高產(chǎn)業(yè)協(xié)同集聚和產(chǎn)業(yè)鏈韌性影響城市能源效率。人工智能試驗(yàn)區(qū)致力于引導(dǎo)傳統(tǒng)制造業(yè)向中高端、智能化和生產(chǎn)性服務(wù)業(yè)集聚，提高產(chǎn)業(yè)鏈上下游之間的協(xié)同程度，進(jìn)而帶動(dòng)地區(qū)產(chǎn)業(yè)結(jié)構(gòu)趨向合理化和高級(jí)化，重塑地區(qū)產(chǎn)業(yè)布局，優(yōu)化傳統(tǒng)產(chǎn)業(yè)結(jié)構(gòu)。然而，鑒于部分人工智能技術(shù)仍處于研發(fā)或試驗(yàn)階段，尚未達(dá)到大規(guī)模商業(yè)化應(yīng)用的成熟度，使許多生產(chǎn)性服務(wù)企業(yè)對(duì)此持觀望態(tài)度，限制了人工智能技術(shù)在試驗(yàn)區(qū)內(nèi)的集聚。產(chǎn)業(yè)結(jié)構(gòu)調(diào)整作為城市集約增長(zhǎng)以及可持續(xù)發(fā)展的先決條件，能夠有效發(fā)揮“資源轉(zhuǎn)換器”與“污染物控制體”的功能與價(jià)值，在合理空間范圍內(nèi)協(xié)同發(fā)展，持續(xù)釋放\"產(chǎn)業(yè)結(jié)構(gòu)紅利”，對(duì)城市能源效率提升形成有效支撐。

5.1.3綠色創(chuàng)新質(zhì)量

在人工智能試驗(yàn)區(qū)賦能影響下，企業(yè)在生產(chǎn)經(jīng)營(yíng)過(guò)程中通過(guò)構(gòu)建以綠色為導(dǎo)向的技術(shù)創(chuàng)新體系，進(jìn)而加大綠色專利申請(qǐng)力度，實(shí)現(xiàn)綠色轉(zhuǎn)型發(fā)展，體現(xiàn)在企業(yè)的綠色專利知識(shí)寬度提高。因此，人工智能試驗(yàn)區(qū)能否通過(guò)提高綠色創(chuàng)新質(zhì)量，進(jìn)而提升城市能源效率有待明確。表8列（5）和列（6）為綠色創(chuàng)新質(zhì)量測(cè)度方法的回歸結(jié)果，結(jié)果顯示， z，z 與綠色創(chuàng)新質(zhì)量交互項(xiàng)的系數(shù)二者均在 5% 的水平上顯著為正，說(shuō)明人工智能試驗(yàn)區(qū)建設(shè)能夠提高試點(diǎn)城市綠色專利知識(shí)寬度，有效提升城市綠色創(chuàng)新質(zhì)量。在經(jīng)濟(jì)實(shí)踐中，人工智能試驗(yàn)區(qū)強(qiáng)調(diào)持續(xù)提高綠色能源使用比率和加強(qiáng)節(jié)能環(huán)保技術(shù)的研發(fā)應(yīng)用，為企業(yè)提供集聚的載體和創(chuàng)新的平臺(tái)，加快建立綠色創(chuàng)新成果快速轉(zhuǎn)化的有效機(jī)制，減少和避免“創(chuàng)新假象”“專利泡沫\"等現(xiàn)象的發(fā)生。人工智能試驗(yàn)區(qū)建設(shè)提高綠色專利知識(shí)寬度的同時(shí)，更好地促進(jìn)了綠色研發(fā)、綠色創(chuàng)新技術(shù)轉(zhuǎn)化、創(chuàng)新鏈的內(nèi)生融合，形成良性循環(huán)的綠色創(chuàng)新格局，改善了城市能源效率。因此，人工智能試驗(yàn)區(qū)建設(shè)的綠色創(chuàng)新效應(yīng)，會(huì)形成對(duì)能源效率的驅(qū)動(dòng)作用。

5.2 異質(zhì)性分析

由于不同的人工智能試驗(yàn)區(qū)存在區(qū)位條件、發(fā)展基礎(chǔ)和發(fā)展目標(biāo)上的差異，將進(jìn)一步探究地理空間和綠色金融對(duì)城市能源效率影響的異質(zhì)性。

5.2.1 空間地理距離異質(zhì)性

在前文結(jié)論的基礎(chǔ)上，繼續(xù)探討人工智能試驗(yàn)區(qū)在400km 范圍內(nèi)虹吸效應(yīng)和空間外溢效應(yīng)的具體表現(xiàn)，設(shè)定如下模型來(lái)檢驗(yàn)人工智能試驗(yàn)區(qū)建設(shè)的空間異質(zhì)性：

ω_pt+ε_it

式（8）在式（1）的基礎(chǔ)上引入了一組新的控制變量 其中，參數(shù) s 表示任意兩個(gè)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(nèi)存在人工智能試驗(yàn)區(qū)，那么 N_it=1 ，否則N_it=0_? ，因此，變量 的系數(shù) δ_s 衡量了人工智能試驗(yàn)區(qū)批復(fù)后對(duì)周邊鄰近城市能源效率的影響，并分別報(bào)告了當(dāng)s=50，100，…，350，400 時(shí)，式（8）的回歸結(jié)果，通過(guò)比較不同閥值下參數(shù) δ_s 的經(jīng)濟(jì)與統(tǒng)計(jì)顯著性，檢驗(yàn)人工智能試驗(yàn)區(qū)的空間地理距離異質(zhì)性。圖7報(bào)告了式（8）變量 N_it^s 的系數(shù)隨地理距離的變化情況（置信區(qū)間為 95% ），可以發(fā)現(xiàn)，隨著到人工智能試驗(yàn)區(qū)地理距離的增加，人工智能試驗(yàn)區(qū)對(duì)周邊城市能源效率的提升效應(yīng)呈現(xiàn)出先降低、后升高的變化趨勢(shì)。其中，人工智能試驗(yàn)區(qū)的“城市陰影區(qū)\"在自身所在城市 100km 內(nèi)，而超過(guò)這一距離人工智能試驗(yàn)區(qū)的正向輻射效應(yīng)才會(huì)發(fā)揮，并在 250～300km 范圍內(nèi)，人工智能試驗(yàn)區(qū)對(duì)城市能源效率具有顯著提升作用。也就是說(shuō)，當(dāng)距離人工智能試驗(yàn)區(qū)太近時(shí)，受人工智能試驗(yàn)區(qū)“城市陰影區(qū)\"的影響，人工智能試驗(yàn)區(qū)建設(shè)對(duì)周邊城市能源效率提升效應(yīng)負(fù)向顯著，表現(xiàn)為虹吸效應(yīng)；只有超過(guò)一定距離擺脫城市陰影區(qū)后才產(chǎn)生顯著正向提升效應(yīng)。

5.2.2空間地理區(qū)位異質(zhì)性

沿海城市作為中國(guó)改革開(kāi)放和經(jīng)濟(jì)發(fā)展的重要戰(zhàn)略區(qū)域，在地理位置、國(guó)際先進(jìn)技術(shù)、規(guī)模效應(yīng)等方面展現(xiàn)出顯著的優(yōu)勢(shì)，其對(duì)外貿(mào)易發(fā)展的成效對(duì)國(guó)內(nèi)其他城市具有重要的引領(lǐng)和示范作用。將樣本城市劃分為沿海城市和非沿海城市，進(jìn)行分組回歸。表9列（1）和列（2）結(jié)果顯示，人工智能試驗(yàn)區(qū)建設(shè)對(duì)沿海城市能源效率的促進(jìn)作用更強(qiáng)，對(duì)內(nèi)陸城市雖產(chǎn)生了正向影響但沒(méi)有通過(guò)顯著性檢驗(yàn)。這表明對(duì)于內(nèi)陸城市而言，由于受基礎(chǔ)設(shè)施建設(shè)、交通運(yùn)輸條件等因素的限制，能源效率不具備位置優(yōu)勢(shì)。主客觀條件的限制導(dǎo)致人工智能試驗(yàn)區(qū)建設(shè)對(duì)內(nèi)陸城市能源效率的驅(qū)動(dòng)效應(yīng)相對(duì)有限，從而降低了人工智能試驗(yàn)區(qū)建設(shè)對(duì)內(nèi)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(zhì)性

隨著環(huán)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(yàn)區(qū)賦能城市能源效率提升效果的關(guān)鍵因素。借鑒史代敏等[38的做法，運(yùn)用熵值法構(gòu)建綠色金融指數(shù)，以綠色金融指標(biāo)的中位數(shù)為界分標(biāo)準(zhǔn)，對(duì)主回歸模型進(jìn)行分組檢驗(yàn)。表9列（3）和列（4）結(jié)果顯示，在綠色金融資源豐裕的城市，人工智能試驗(yàn)區(qū)建設(shè)對(duì)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(yàn)區(qū)建設(shè)對(duì)城市能源效率展現(xiàn)出了負(fù)向作用。這說(shuō)明綠色金融資源在人工智能試驗(yàn)區(qū)建設(shè)提升城市能源效率中呈現(xiàn)明顯的增量補(bǔ)充效果。隨著綠色金融的持續(xù)深化，社會(huì)資金不斷向環(huán)保、節(jié)能、清潔能源等領(lǐng)域匯集，綠色金融將推動(dòng)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(zhuǎn)變，為低碳行業(yè)、企業(yè)加速發(fā)展注入“活水”，助力城市能源效率提升。

6 結(jié)論與建議

人工智能試驗(yàn)區(qū)建設(shè)是近年來(lái)人工智能提升城市能源效率的重點(diǎn)舉措。以人工智能政策賦能城市能源效率問(wèn)題展開(kāi)研究，基于交錯(cuò)雙重差分模型實(shí)證檢驗(yàn)人工智能試驗(yàn)區(qū)建設(shè)對(duì)城市能源效率的影響、機(jī)制和異質(zhì)性現(xiàn)象，主要得到以下結(jié)論： ① 人工智能試驗(yàn)區(qū)建設(shè)能夠顯著提升城市能源效率，在經(jīng)過(guò)模型有效性檢驗(yàn)和穩(wěn)健性檢驗(yàn)后結(jié)論依然成立； ② 結(jié)合偏離份額方法的分析框架，發(fā)現(xiàn)人工智能試驗(yàn)區(qū)建設(shè)通過(guò)城市間經(jīng)貿(mào)聯(lián)系網(wǎng)絡(luò)顯著提升了各城市的能源效率，該提升效應(yīng)占直接效應(yīng)的5‰ ③ 人工智能試驗(yàn)區(qū)建設(shè)通過(guò)優(yōu)化資源要素配置、統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和提高綠色創(chuàng)新質(zhì)量3個(gè)渠道提升城市能源效率； ④100km 范圍內(nèi)城市易受人工智能試驗(yàn)區(qū)的虹吸效應(yīng)影響，成為“城市陰影區(qū)”。然而，人工智能試驗(yàn)區(qū)顯著帶動(dòng)了其周邊 250～300km 范圍內(nèi)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(yàn)區(qū)對(duì)城市能源效率的提升作用越顯著。

基于以上結(jié)論，提出如下政策建議： ① 重視人工智能試驗(yàn)區(qū)的經(jīng)驗(yàn)總結(jié)和推廣，為城市智能制造和綠色制造工程提供轉(zhuǎn)型升級(jí)經(jīng)驗(yàn)。擴(kuò)大試驗(yàn)區(qū)范圍的策略應(yīng)該更加有序和謹(jǐn)慎，充分考慮各地的實(shí)際情況，以確保推廣人工智能試驗(yàn)區(qū)的效果更為顯著。根據(jù)各試驗(yàn)區(qū)的具體情況，制定差異化發(fā)展策略，引導(dǎo)城市向智能化、綠色化轉(zhuǎn)型，不斷推進(jìn)綠色智造實(shí)踐的深入和拓展，以更好地推動(dòng)城市能源效率的提升。 ② 加強(qiáng)各城市人工智能試驗(yàn)區(qū)的經(jīng)濟(jì)交流與合作，充分釋放知識(shí)與技術(shù)的空間外溢紅利。各城市應(yīng)充分利用試點(diǎn)政策帶來(lái)的知識(shí)與技術(shù)外溢，加強(qiáng)各城市間的資源共享，在整個(gè)區(qū)域內(nèi)形成合力。建立跨城市合作機(jī)制，有效整合不同區(qū)域創(chuàng)新資源，強(qiáng)化創(chuàng)新資源集聚轉(zhuǎn)化功能，打造協(xié)同創(chuàng)新共同體，以更好地發(fā)揮人工智能試驗(yàn)區(qū)的政策活力，促進(jìn)城市能源效率提升。③ 暢通作用渠道，進(jìn)一步細(xì)化人工智能試驗(yàn)區(qū)對(duì)資源要素配置、產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和綠色創(chuàng)新質(zhì)量的制度安排。政府要加大政策導(dǎo)向，以資本、勞動(dòng)力等資源要素提高生產(chǎn)率，引導(dǎo)傳統(tǒng)產(chǎn)業(yè)向高端、數(shù)智化轉(zhuǎn)型升級(jí)，統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，吸引更多企業(yè)參與到人工智能試驗(yàn)區(qū)建設(shè)中來(lái)。此外，還要加快發(fā)展綠色低碳節(jié)能環(huán)保產(chǎn)業(yè)，鼓勵(lì)企業(yè)采用節(jié)能技術(shù)和清潔設(shè)備，推動(dòng)新能源、新材料的創(chuàng)新，助力城市能源效率提升。 ④ 按需精準(zhǔn)施策，統(tǒng)籌規(guī)劃不同區(qū)域人工智能試驗(yàn)區(qū)。分類指導(dǎo)并布局匹配人工智能試驗(yàn)區(qū)，完善前沿企業(yè)扶持的相關(guān)政策，尤其是人工智能試驗(yàn)區(qū)附近城市及非沿海城市的創(chuàng)新體系。同時(shí)，創(chuàng)新發(fā)展綠色金融和轉(zhuǎn)型金融，建立起高度智能化的綠色金融交易市場(chǎng)和信息共享平臺(tái)，不斷提升人工智能試驗(yàn)區(qū)參與主體數(shù)量和交易工具的豐富度，把能源技術(shù)及其關(guān)聯(lián)產(chǎn)業(yè)培育成帶動(dòng)我國(guó)經(jīng)濟(jì)綠色發(fā)展的新動(dòng)力。

參考文獻(xiàn)

[1]王賢彬，楊超群.節(jié)能目標(biāo)政策與地區(qū)能源效率[J].數(shù)量經(jīng)濟(jì)小江價(jià)兒

[2]陳東，姚笛.人工智能擴(kuò)大了企業(yè)間的工資差距嗎：來(lái)自中國(guó)工業(yè)企業(yè)的證據(jù)[J].經(jīng)濟(jì)科學(xué)，2022（3）：127-142.

[3]姚加權(quán)，張錕澎，郭李鵬，等.人工智能如何提升企業(yè)生產(chǎn)效率：基于勞動(dòng)力技能結(jié)構(gòu)調(diào)整的視角[J].管理世界，2024，40（2）：101-116.

[4]李磊，徐大策.機(jī)器人能否提升企業(yè)勞動(dòng)生產(chǎn)率：機(jī)制與事實(shí)[J].產(chǎn)業(yè)經(jīng)濟(jì)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(yáng).回彈效應(yīng)與能源效率政策的重點(diǎn)產(chǎn)業(yè)選擇[J].經(jīng)濟(jì)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(yè)污染減排：智能治理的環(huán)境效應(yīng)[J].中國(guó)人口·資源與環(huán)境，2023，33（8）：138-145.

[11]呂越，馬明會(huì)，陳泳昌，等.人工智能賦能綠色發(fā)展[J].中國(guó)人□·資源與環(huán)境，2023，33（10）：100-111.

[12]王坤宇.國(guó)家發(fā)展戰(zhàn)略與能源效率[J].經(jīng)濟(jì)評(píng)論，2017（5）：3-13.

[13］尤濟(jì)紅，高志剛.政府環(huán)境規(guī)制對(duì)能源效率影響的實(shí)證研究：以新疆為例[J].資源科學(xué)，2013，35（6）：1211-1219.

[14]陶長(zhǎng)琪，李翠，王夏歡.環(huán)境規(guī)制對(duì)全要素能源效率的作用效應(yīng)與能源消費(fèi)結(jié)構(gòu)演變的適配關(guān)系研究[J].中國(guó)人口·資源與環(huán)境，2018，28（4）：98-108.

[15]孫鵬博，葛力銘.稅收激勵(lì)能否提升企業(yè)能源效率：來(lái)自增值稅結(jié)構(gòu)性改革的經(jīng)驗(yàn)證據(jù)[J].財(cái)經(jīng)研究，2023，49（1）：154-168.

[16]徐曉亮，許學(xué)芬.能源補(bǔ)貼改革對(duì)資源效率和環(huán)境污染治理影響研究：基于動(dòng)態(tài)CGE模型的分析[J].中國(guó)管理科學(xué)，2020，28（5）：221-230.

[17]張平淡，屠西偉.排污費(fèi)征收標(biāo)準(zhǔn)調(diào)高、技術(shù)進(jìn)步與企業(yè)能源效率[J].經(jīng)濟(jì)管理，2023，45（2）：23-38.

[18]劉華珂，李旭超，聶禾，等.AI時(shí)代：城市數(shù)智化轉(zhuǎn)型與企業(yè)創(chuàng)新[J].中國(guó)軟科學(xué)，2024（2）：38-54.

[19]馮婉昕.人工智能與企業(yè)金融資產(chǎn)配置：來(lái)自國(guó)家人工智能創(chuàng)新應(yīng)用先導(dǎo)區(qū)的經(jīng)驗(yàn)證據(jù)[J].當(dāng)代財(cái)經(jīng)，2024（4）：141-152.

[20]沈小波，陳語(yǔ)，林伯強(qiáng).技術(shù)進(jìn)步和產(chǎn)業(yè)結(jié)構(gòu)扭曲對(duì)中國(guó)能源強(qiáng)度的影響[J].經(jīng)濟(jì)研究，2021，56（2）：157-173.

[21]賀俊.新興技術(shù)產(chǎn)業(yè)趕超中的政府作用：產(chǎn)業(yè)政策研究的新視角[J].中國(guó)社會(huì)科學(xué)，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(qiáng)，譚睿鵬.中國(guó)經(jīng)濟(jì)集聚與綠色經(jīng)濟(jì)效率[J].經(jīng)濟(jì)研究，2019，54（2）：119-132

[24]王俊豪，謝倩瑩，史丹.綠色技術(shù)創(chuàng)新對(duì)能源效率的影響研究[J].財(cái)貿(mào)經(jīng)濟(jì)，2024，45（6）：143-159.

[25]王馨，王營(yíng).綠色信貸政策增進(jìn)綠色創(chuàng)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(guó)制造2025”試點(diǎn)示范城市建設(shè)對(duì)城市綠色發(fā)展效率的影響[J].中國(guó)人口·資源與環(huán)境，2023，33（9）：147-158.

[27]許文立，孫磊.市場(chǎng)激勵(lì)型環(huán)境規(guī)制與能源消費(fèi)結(jié)構(gòu)轉(zhuǎn)型：來(lái)自中國(guó)碳排放權(quán)交易試點(diǎn)的經(jīng)驗(yàn)證據(jù)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)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(kāi)放與企業(yè)全要素生產(chǎn)率：來(lái)自準(zhǔn)自然實(shí)驗(yàn)的證據(jù)[J].國(guó)際貿(mào)易問(wèn)題，2024（5）：159-174.

[32]鄧慧慧，趙家羚.地方政府經(jīng)濟(jì)決策中的\"同群效應(yīng)\"[J].中國(guó)工業(yè)經(jīng)濟(jì)，2018（4）：59-78.

[33]王林輝，姜昊，董直慶.工業(yè)智能化會(huì)重塑企業(yè)地理格局嗎[J].中國(guó)工業(yè)經(jīng)濟(jì)，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(qiáng)明，李寧?kù)o.“一帶一路\"倡議推動(dòng)國(guó)際貿(mào)易的共享效應(yīng)分析[J].經(jīng)濟(jì)研究，2023，58（5）：4-22.

[36]白俊紅，劉宇英.對(duì)外直接投資能否改善中國(guó)的資源錯(cuò)配[J].中國(guó)工業(yè)經(jīng)濟(jì)，2018（1）：60-78.

[37]陳彥龍，諶仁俊，李明軻.環(huán)保考核對(duì)各類主體綠色創(chuàng)新活力的影響[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2023，40（12）：194-214.

[38]史代敏，施曉燕.綠色金融與經(jīng)濟(jì)高質(zhì)量發(fā)展：機(jī)理、特征與實(shí)證研究[J].統(tǒng)計(jì)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(zé)任編輯：閆慧珺）