In terms of theoretical research, this paper believes that the impact of AI technologies on carbon emissions may have a dual effect.On one hand, AI can increase total carbon emissions through direct energy consumption.At the same time, AI technology on carbon emissions may have a rebound effect.In addition, AI technologies has scale effect on economic growth, which will lead to the increase of total regional carbon emissions. On the other hand, AI technology can reduce carbon emissions by assisting decision-making, reshaping production and life styles, and facilitating low-carbon technological innovation.First, it can help reduce carbon emissions by assisting decision-making.Second, it can drive changes in production and consumption patterns to reduce carbon emissions.Third, AI reduces carbon emissions by enabling low-carbon technology innovation.To sum up, the relationship between AI technologies and carbon emissions is not a simple linear relationship, but depends on the combined effect of the above dual effects.In terms of influence mechanism, the effect of AI technologies on carbon emissions is mainly reflected in energy utilization efficiency.
This paper analyzes the effects, mechanisms and differences of AI technology on carbon emissions by manually collating AI patent data as a measure of AI technology, using panel data from 30 provinces in China from 2006 to 2019 as a research sample. The empirical results show that the effect of AI technology on carbon emissions shows an "inverted U-shaped" relationship at the national level as a whole. It means when the level of AI technology reaches a certain threshold, its carbon emission reduction effect gradually becomes prominent, and the robustness test results also reinforce this conclusion. The results of the intermediate effect test show that the effect of AI technology on carbon emissions is mainly achieved by affecting energy use efficiency. The heterogeneity analysis shows that there is a significant regional difference in the impact of AI technology on carbon emissions, with a significant "inverted U-shaped" relationship between AI technology and carbon emissions in the eastern and western regions. In the central region, AI technology has not achieved carbon emission reduction, but had a significant contribution to carbon emissions.
The marginal contributions of this paper are as follows. First, from the perspective of research, this paper examines the effect of AI technology on carbon emissions in a more systematic way from the perspective of AI technology for the first time. Second, in terms of the research methodology, AI patent data are collected manually to measure the level of AI technology in each region, and a panel semi-parametric model and a nonlinear mediated effects model are used. Third, from the research findings, it is found that there is an "inverted U-shaped" relationship between AI technology and carbon emissions, and there is regional heterogeneity in the effect of AI. This provides empirical support for the development of differentiated AI carbon emission reduction strategies.
开放科学(资源服务)标识码(OSID)：
站在“两个一百年”奋斗目标的历史交汇点，中国提出“碳达峰、碳中和”的目标愿景。2020年9月，国家主席习近平在第七十五届联合国大会一般性辩论上宣布“中国CO2排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”，展现了中国应对气候变化的坚定决心和责任担当。为此，中央及地方政府针对碳减排进行了一系列部署。中国实现“双碳”目标时间紧、任务重，如何推动经济社会发展全面绿色低碳转型成为当前社会各界面临的重大课题，事关中华民族永续发展和人类命运共同体构建。
实现“碳达峰、碳中和”是一场广泛而深刻的变革，需要全社会的共同努力。作为科技革命和产业变革的战略性技术，人工智能在应对气候变化方面扮演重要角色，并为低碳发展带来重大机遇。“双碳”目标的实现本质上是向技术密集型产业转型的过程。在这一过程中，人工智能技术成为新型数字基础设施的重要依托，广泛应用于人类生产生活，并与行业碳减排技术融合，成为降碳减排的核心技术。同时，人工智能技术在数字时代具有特殊优势，其能够利用大数据、深度学习和传感设备对碳排放进行有效监测、精准预测，从而优化政府、企业碳减排决策。例如，人工智能技术能够精准预测国家电网电力供需，加强可再生能源调度，减少化石能源消耗，从供需两侧实现碳减排。随着数字化技术的不断进步，人工智能技术在节能减排方面的潜能得到进一步开发和利用。
然而，与政策层面备受关注和实践层面蓬勃发展不同，人工智能技术能否推动碳减排仍是一个悬而未决的问题。已有研究表明，人工智能技术对碳排放具有较为复杂的双重影响。一方面，人工智能技术发展与应用将会提高电力需求，从而产生大量碳排放；另一方面，人工智能技术与低碳技术融合所带来的生产和消费方式变革将会抑制碳排放。人工智能技术发展对碳排放是产生推波助澜作用，还是抑制效应有待验证。鉴于此，本文重点解答以下问题：①人工智能技术能否赋能碳中和并降低碳排放？②人工智能技术通过哪些机制影响碳排放？③人工智能技术对碳排放的影响是否存在区域差异？通过对上述问题进行探索，旨在为人工智能技术碳减排效应提供政策启示。
本文以2006—2019年中国内地30个省份面板数据为研究样本，用人工智能专利数据度量人工智能技术发展水平，从中国碳核算数据库获取碳排放数据衡量碳排放水平，对人工智能技术影响碳排放的作用机理进行分析。本文边际贡献体现在：①从人工智能技术视角切入，就人工智能技术对碳排放的影响进行系统性研究，既有文献对人工智能效益进行了广泛讨论，但鲜有文献关注人工智能对碳排放的影响，本研究可对现有文献进行有益补充；②通过手工整理人工智能专利数据衡量各地区人工智能技术发展水平，并采用面板半参数模型、非线性中介效应模型揭示人工智能碳减排效应与机制；③研究发现，人工智能技术与碳排放之间存在倒U型关系，且影响效应存在区域异质性，这一研究结论可为制定差异化人工智能碳减排策略提供经验支撑。
伴随着新一代信息技术的快速发展，国内外学者对人工智能技术与碳排放展开了广泛讨论。早期关于人工智能技术的研究偏向于从技术进步视角切入。Acemoglu & Restrepo[1]认为，人工智能技术本质上是一种技能偏向型技术，作者重点分析了技术进步对碳排放的影响效应。部分学者对两者关系持积极态度，认为技术进步发挥显著节能减排效应[2-3]。Wang等[4]研究发现，能源技术进步能够有效降低碳排放；卢娜等[5]研究发现，突破性低碳技术创新对碳排放具有显著抑制作用；邵帅等[6]指出，若技术进步具有显著绿色偏向特征则有助于节能减排，但若以提高生产率为导向则不利于节能减排。然而，也有学者持不同观点，指出技术进步对碳排放的影响存在“回弹效应”，即技术进步虽然可以提高能源利用率、促进碳减排，但反过来也会造成碳排放量增加，最终产生碳减排折中效应或相反作用。因此，技术进步对碳排放的影响可能存在阶段性拐点。冯烽等[7]研究发现，传统技术创新通过提升能源效率促进经济增长，并对能源产生新需求，新能源需求将部分甚至完全抵消所节约的能源总量，最终导致能源消费总量增长；杨莉莎等[8]明确技术进步对于CO2减排所发挥的关键性作用，指出技术进步具有双重特征，既能够提高碳排放效率，又有利于促进经济增长，经济增长所需能源消耗部分甚至完全抵消了技术进步实现的碳减排总量。此外，部分学者认为，技术进步与碳排放之间存在复杂的非线性关系[9]。张华等[10]研究表明，能源节约型技术进步与能源消耗呈显著倒U型关系，即伴随着能源节约型技术进步，能源消耗先增后降。结合已有文献，本文认为技术进步碳减排效果可能存在双重效应。作为数字经济时代技术创新的典型代表，人工智能技术对碳减排的影响是否也具有双重效应有待检验。
随着数字技术与经济社会各领域的深度融合，学者从数字经济和工业智能化角度对碳减排效应进行了积极探索。谢云飞[11]采用省级面板数据对数字经济与碳排放关系进行研究，发现数字经济能够显著降低区域碳排放，能源结构改善是数字经济降低碳排放的重要途径；徐维祥等[12]基于中国内地286个城市面板数据进行实证检验发现，数字经济发展能够显著改善城市碳排放，且不同经济圈层空间外溢效应不同；缪陆军等[13]运用中国内地地级市面板数据进行实证研究发现，数字经济对碳排放的影响具有非线性特征，数字经济发展能够促进企业创新效率提升，从而间接改善碳排放；黄海燕等[14]基于我国细分行业数据，对工业智能化水平与碳排放关系进行实证研究，发现工业智能化对于碳排放具有抑制效应。已有文献主要从数字经济和产业智能化角度出发，指出智能化技术将为低碳发展带来重大机遇，但对于人工智能技术对碳排放影响的讨论较少。人工智能作为国家重点发展技术之一，对于碳排放的影响符合数字经济时代低碳发展逻辑，但需要深入探讨人工智能技术创新特征对于碳减排的作用机制。
关于人工智能技术影响效应，学者主要围绕人工智能技术对经济增长、收入分配、劳动力结构、就业等的影响进行分析，针对人工智能技术对环境影响的研究较少[15-18]。结合已有研究发现，人工智能技术是一把“双刃剑”。一方面，人工智能技术对经济社会发展具有积极影响。人工智能技术的新型基础设施属性特征对劳动或资本有可能产生替代偏向，在不同产业具有差异化应用前景(郭凯明，2019)。而且，人工智能技术能够提高劳动生产率，进一步改善劳动力结构。另一方面，人工智能技术也有可能对经济社会发展造成负面影响。隆云滔等[19]指出，人工智能技术会对劳动力就业产生巨大冲击。人工智能替代效应会降低社会劳动力需求，导致低技能劳动力失业。关于环境治理，张文博和周冯琦[20]、张伟和李国祥[21]肯定了人工智能技术对环境治理的积极作用，认为人工智能感知功能能够增强环境信息获取能力，人工智能与大数据结合能够拓展环境治理空间，人工智能决策规划能够优化环境治理决策，人工智能多场景应用可为环境精细化管理提供条件，人工智能交互学习能力能够提高环境知识传播效率。总之，上述研究集中于探讨人工智能技术的优越性，忽视了人工智能技术对碳减排可能带来的负面影响。而且，研究方法多以思辨性讨论为主，鲜有文献对两者关系进行实证检验。因此，有必要厘清人工智能技术与碳排放之间的关系，在此基础上系统、合理评估人工智能技术的碳减排效应。
综上所述，已有文献从技术进步、数字经济和工业智能化视角对人工智能技术与碳排放关系进行了积极探讨，但对于数字经济时代人工智能技术与碳排放关系缺少理论分析与实证检验。从本质上讲，人工智能技术是一种强大的变革性技术，是数字经济时代的重要支柱，因此人工智能技术对于碳减排的影响应符合技术创新对于碳排放影响的一般逻辑。不同的是，人工智能技术所具有的机器学习、辅助决策、智能调控功能将数字基础设施应用于各行各业，并与减碳排技术相融合，释放出不同于一般技术创新的巨大潜能。因此，有必要基于人工智能技术内容和特征，探究其对于碳排放的作用机制。基于此，本文以人工智能技术作为切入点，系统考查其对碳排放的影响机制，基于手工整理的人工智能专利数据，采用面板半参数模型和非线性中介效应模型进行实证检验，从理论和经验两个层面明晰人工智能技术与碳排放之间的关系。
人工智能的概念诞生于1956年，受智能算法、计算速度、存储水平等因素的影响，人工智能技术应用与发展经历了多次低谷和高潮。随着以深度学习为代表的机器学习技术在机器视觉和语音识别等领域的广泛应用，以及云计算与大数据的深度融合，人工智能技术逐步演变为“利用数字计算机或数字计算机机器模拟、延伸和扩展功能，感知环境、分析信息并获得最佳结果的技术应用系统”。从这一定义可以看出，人工智能技术具有感知性、自学习性、互补性等特征，借助传感器实现环境感知，并利用大数据不断进行自适应调控，通过提升智能调控的精准性，挖掘不为人知的内在规律，实现与人类的优势互补、共同协作。作为新一代通用信息技术，人工智能以其替代性和渗透性在各行各业、不同场景实现应用创新，并对碳排放产生深远影响。
(1)人工智能技术利用能源消耗加剧碳排放。随着机器学习系统的普及，人工智能系统消耗过多电能，并产生大量碳排放[22]。Strubell等[23]研究发现，训练一个现成的AI语言处理系统将产生1 400磅的CO2排放量，而从构建和训练AI语言系统开始到全套实验模拟将产生高达78 000磅的碳排放。因此，人工智能技术对于碳排放的影响存在回弹效应，即人工智能技术促进能源利用效率提升会加剧更多能源消费，从而抵消碳减排效应甚至增加碳排放总量。从本质上看，人工智能技术是数字经济时代的一次重大变革，技术创新在实现节能减排的同时，反过来也会促进生产率大幅提升，导致能源需求增长和碳排放总量激增。此外，人工智能技术对经济增长具有规模效应，即人工智能技术不仅会带动新一代信息技术产业发展，还会产生行业溢出效应，带动其它关联产业增长，从而引发区域碳排放总量增加。
(2)人工智能技术通过辅助决策、重塑生产生活方式、助力低碳技术创新等途径降低碳排放。首先，人工智能技术可以帮助政府和企业预测碳排放量，还可以模拟当期减排工作、新减排策略与大气环境变迁，提高碳减排的针对性。同时，政府、企业还可利用人工智能技术监测和跟踪碳足迹，提升碳减排相关决策的准确性。据调研，自2017年以来，运用人工智能技术使企业降低了12.9%的温室气体排放，提高了10.9%的电力效率。预计到2030年，目前大气中存在的530亿吨CO2可通过人工智能技术减少5%～10%，合计26～53亿吨。其次，在交通领域，人工智能技术与智能汽车和智慧交通相结合，有利于缓解交通拥塞，减少碳足迹；此外，人工智能技术可以自动设置和调整机器运行参数，优化生产流程，让机器和设备成为更加节能高效的系统。据估计，人工智能技术可以帮助钢铁企业减少5%～10%的碳排放。再次，人工智能技术在寻找高效吸附材料和碳储存选址过程中发挥着重要作用。将人工智能技术应用于高排放重点行业(电力、热力、建筑、制造等)、城市治理领域(交通、园林、环保、水务、应急等)和惠民领域(生活、出行等)，有利于提升能源使用效率，促进低碳循环。
综上所述，人工智能技术与碳排放之间并非简单的线性关系，而是体现为双重效应。即，处于不同发展阶段的人工智能技术对碳排放的影响有所不同。从短期看，人工智能技术产生的电力需求会导致碳排放量增加；但从中长期看，随着人工智能技术的日益成熟与应用场景的愈发丰富，各经济部门通过智能化升级与改造，有可能产生强大的低碳技术效应。据此，本文提出如下假设：
H1：人工智能技术与碳排放之间存在非线性倒U型关系。
基于经济逻辑和现有文献，本文认为人工智能技术对碳排放的影响主要体现在能源利用效率上。陈诗一[24]指出，能源利用效率提升是碳减排的主要目标。碳排放实质上是能源消耗的过程，能源强度降低意味着能源利用效率提升，即降低经济生产过程中的能源消费量和碳排放量。人工智能技术推广和应用会影响能源利用效率，并最终影响碳排放效果。
(1)人工智能技术发展有利于促进全社会能源利用效率提升。相较于传统技术手段，人工智能技术的优势体现为通过经验学习，在生产生活中搜集大量实时数据，精准监测、预测碳足迹，辅助政府、企业作出碳减排决策，并制定相应解决方案，减少能源消费量和使用成本，提升能源利用效率，从而降低碳排放。此外，人工智能技术作为数字时代的通用技术，通过与其它领域技术的广泛结合，能够发挥节能减排“智慧潜能”。例如，将人工智能技术应用于交通运输领域，通过识别道路、车辆、拥堵情况、排放强度等关键因素，对车辆排队、交叉口相位、路口通行效率等数据进行模拟，可以优化能耗和交通出行方案，提高人员出行效率，从而实现碳减排；又如，将人工智能技术与绿色技术创新相结合，有利于丰富绿色技术创新应用场景，提升绿色技术创新节能减排效果，提高能源利用效率，发展清洁能源，从而降低碳排放；再如，将智能生产应用于制造业，在生产过程中利用智能化绿色生产方式可以减少资源浪费，提升能源利用效率，从而实现碳减排；此外，将人工智能技术应用于能源管理、资源利用和行政执法等环节，能够提高行业能源利用效率和环保综合效益，促进节能减排。
(2)人工智能技术有可能导致能源利用效率低下。人工智能技术早期发展依赖于数据中心和机器学习系统，数字化需求的迅速增长使得数据中心负载大幅提升，成为数字时代能耗激增的重要隐患。国家能源局发布的数据显示，2020年我国数据中心耗电量突破2 000亿千瓦时，已成为全球增长速度最快的耗能设备之一。可见，人工智能技术发展所产生的能源消耗需求攀升有可能会加剧能源消费，产生更多碳排放。
综上所述，人工智能技术通过影响能源利用效率影响碳排放。人工智能技术对于能源利用效率的影响具有不确定性，处于不同发展阶段的人工智能技术对能源利用效率的影响作用不同，人工智能技术与能源利用效率存在倒U型关系。据此，本文提出以下假设：
H2：人工智能技术通过影响能源利用效率作用于碳排放。
为考察人工智能技术对碳排放的影响，本文构建如下计量模型：
ϑt+εit
(1)
其中，i、t分别表示省份和年份；C代表CO2排放水平；AI代表人工智能技术水平；X为控制变量；μi、ϑt分别代表地区固定效应和时间固定效应，εit为随机误差项。
为进一步考察人工智能技术对碳排放的影响，本文借鉴Hayes & Preacher[25]、许和连等[26]的研究，采用非线性中介效应模型进行实证检验。模型设定如下：
ϑt+εit
(2)
ϑt+εit
(3)
其中，lnei为中介变量，其它变量与基准回归模型中的变量含义一致。
(1)CO2排放水平。本文借鉴已有文献的普遍做法，采用各省份碳排放量(lnCO2)衡量CO2排放水平，并作对数化处理。
(2)人工智能技术。人工智能衡量方式主要有两种：一是借助工业机器人数据对人工智能发展水平进行测量，主要检验人工智能对产业智能化升级、产业结构升级、生产率及就业的影响[27]；二是采用人工智能专利数据进行测量，将人工智能技术作为经济社会领域的一项全面技术变革，探究其对整个经济范式的影响。考虑到人工智能技术对碳排放的影响不只局限于产业智能化升级，而是更侧重于通过技术变革实现全社会能源利用效率提升。因此，本文借鉴彭代彦等[28]的研究，采用人工智能专利申请量衡量人工智能技术发展水平。根据国家工业信息安全发展研究中心发布的《人工智能中国专利技术分析报告》关于人工智能类别的划分，以深度学习、语音识别、自然语言处理、计算机视觉、智能驾驶、云计算和智能机器人7类技术为关键词，在Patenthub全球专利数据库中检索2006—2019年中国内地30个省份人工智能领域专利申请量。
(3)控制变量。为控制其它因素的影响，在参考既有文献的基础上，将经济发展水平、产业结构、对外开放水平设置为控制变量。①经济发展水平(pgdp)：采用人均实际GDP衡量。徐斌等[29]研究表明，地区经济发展水平通常与碳排放量正相关，经济发展水平越高，经济活动越频繁，能源消费需求越大，生产、生活及交通运输等领域的碳排放量也就越多；②人口规模(pop)：采用地区常住人口数衡量。已有研究证实，人口规模对碳排放具有显著促进作用，能源需求和能源消费伴随着人口数量增长而增长，相应产生的CO2排放量也会随之增长；③对外开放程度(fdi)：采用实际利用外商直接投资额占地区生产总值的比重度量。当前，已有研究对FDI与碳排放之间的关系存有争议，一方面，部分学者认为FDI引入会产生“污染避难所”效应和“碳泄漏”问题[30]；另一方面，也有部分学者认为FDI有利于促进节能减排技术的引入和应用，从而推动碳减排[31]；④产业结构(ind)：采用工业增加值占地区生产总值的比重衡量。工业部门是碳排放的主要来源，工业化率提升不利于碳减排；⑤城镇化率(urban)：采用城镇常住人口占总人口的比重衡量。城镇化进程加快会导致能源消费需求增长，进一步导致碳排放量增长；⑥能源消费结构(es)：采用煤炭消费占能源消费总量的比重衡量。能源消费结构是影响碳排放的主要因素，煤炭等化石能源消费比重提升会加剧碳排放。
本文利用2006—2019年中国内地30个省份(因西藏数据缺失，故未纳入统计)面板数据为研究样本，以2006年作为起始年份。原因在于：“十一五”时期，政府开始将节能减排作为约束性指标，这一政策可能对碳排放产生重要影响。各省份碳排放数据来源于中国碳核算数据库(CEADs)，人工智能专利申请量数据来源于Patenthub专利数据库，其它变量来源于《中国统计年鉴》《中国能源统计年鉴》及各省份统计年鉴。在变量处理方面，实际利用外商直接投资额采用当年人民币对美元年平均汇率进行折算。为剔除价格因素的干扰，各类货币量指标均以2006年为基期进行平调。为降低异方差的影响，对非百分比数据进行对数化处理。此外，由于部分地区人工智能专利申请量为0，为便于比较，对原始数据加1再取对数。表1列示了主要变量的描述性统计结果。
表1 主要变量描述性统计结果
Tab.1 Descriptive statistics of main variables
符号指标与说明 观测值均值标准误最小值最大值lnco2CO2排放量对数4205.451 40.754 02.954 96.842 8lnpco2人均CO2排放量对数4201.872 40.489 4 0.831 53.442 7lnai人工智能专利对数4205.080 52.029 60.000 010.025 2lnai2人工智能专利对数平方项42029.921 220.953 90.000 0100.504 1lnpgdp实际地区人均生产总值对数4209.318 50.953 96.474 711.313 9lnpop地区常住人口对数4208.184 20.743 26.306 39.351 9fdi外商直接投资占地区生产总值的比重4202.230 91.741 00.009 58.191 6ind工业增加值占地区生产总值的比重42038.114 18.660 911.089 153.036 4urban城镇常住人口占总人口的比重42054.657 713.565 827.490 089.600 0es煤炭消费占能源消费的比重42042.412 315.449 71.210 074.760 0
表2列示了人工智能技术对碳排放影响的基准回归结果。其中，第(1)列为人工智能技术对碳排放的线性影响系数。可以发现，人工智能技术估计系数在10%显著性水平下不显著，说明人工智能技术未对碳排放产生显著影响，但这并不代表人工智能在整个发展阶段对碳排放水平的影响作用有限。第(2)、(3)列为人工智能技术对碳排放的非线性影响系数。从中可见，在加入人工智能技术二次项后，人工智能技术一次项估计系数在1%显著性水平下显著为正，二次项系数在1%显著性水平下显著为负，表明人工智能技术与碳排放之间呈倒U型关系，即碳排放水平随着人工智能技术提升呈先升后降趋势。由于以二次项形式判断非线性关系容易造成极值点识别误差，因此本文借鉴Lind & Mehlum[32]的研究，进一步检验拐点两侧区间是否存在相反的单调性。由表2可知，无论是以碳排放量还是以人均碳排放量作为被解释变量，倒U型拐点值(3.821)均落入数据范围内，且拐点值两边斜率显著不同，假设H1得证。原因可能在于，在初始发展阶段，人工智能技术的广泛应用以及数据中心基础设施的大规模建设会加剧区域用电量和能源消耗，同时人工智能技术进步推动通信技术及相关产业发展，也增加了能源消耗需求，从而导致区域碳排放增长。
进一步，本文对基准结果进行稳健性检验，以确保模型估计结果的可靠性。借鉴已有文献做法，采用以下方法：①更换估计方法，面板数据分析存在组间异方差与同期相关问题，有可能对估计结果产生不良影响，因此本文采用面板矫正标准误回归模型(PCSE)重新估计，结果如表3第(1)列所示；②替换被解释变量，除碳排放量外，人均CO2排放量也常用于衡量地区碳排放水平，估计结果如表3第(2)列所示；③剔除极端值的影响，在基准回归模型中，极端值有可能对回归结果造成干扰，因此本文对被解释变量进行上下5%的缩尾处理后重新进行回归分析，结果如表3第(3)列所示。上述稳健性检验结果表明，人工智能技术与碳排放之间呈现倒U型关系的结论得到进一步证实。
表2 人工智能技术对碳排放影响的基准回归结果
Tab.2 Baseline regression of the impact of AI technologies on carbon emissions
变量(1)(2)(3)lnai0.012 60.129 2∗∗∗0.085 3∗∗∗(0.014)(0.016)(0.015)lnai2-0.014 6∗∗∗-0.011 2∗∗∗(0.001)(0.001)lnpgdp0.363 9∗∗∗0.223 7∗(0.128)(0.117)lnpop0.169 30.346 9∗∗(0.160)(0.146)fdi-0.004 8-0.004 7(0.006)(0.005)ind0.002 50.005 1∗∗∗(0.002)(0.002)urban0.019 0∗∗∗0.014 9∗∗∗(0.004)(0.003)es0.012 2∗∗∗0.008 4∗∗∗(0.001)(0.001)常数项-1.053 14.855 5∗∗∗-1.111 0(1.563)(0.046)(1.413)省份固定效应控制控制控制时间固定效应控制控制控制观测值420420420R20.7950.7920.833拐点值4.4243.821U-Test7.64∗∗∗5.63∗∗∗
注：***、**、*分别表示1%、5%和10%水平上显著；括号内为标准误，下同
表3 稳健性检验结果
Tab.3 Robustness test results
变量(1)(2)(3)lnai0.050 8∗∗∗0.085 3∗∗∗0.039 3∗∗(0.007)(0.015)(0.018)lnai2-0.007 2∗∗∗-0.011 2∗∗∗-0.005 7∗∗∗(0.001)(0.001)(0.001)lnpgdp0.435 0∗∗∗0.223 7∗0.267 5∗(0.118)(0.117)(0.138)lnpop0.162 0-0.653 1∗∗∗0.250 3(0.162)(0.146)(0.172)fdi0.001 4-0.004 70.010 1(0.004)(0.005)(0.006)ind0.004 7∗∗∗0.005 1∗∗∗0.005 9∗∗∗(0.001)(0.002)(0.002)urban0.009 2∗∗∗0.014 9∗∗∗0.014 1∗∗∗(0.003)(0.003)(0.004)es0.006 9∗∗∗0.008 4∗∗∗0.007 6∗∗∗(0.001)(0.001)(0.001)常数项-1.322 03.494 1∗∗-0.578 9(1.614)(1.413)(1.665)省份固定效应控制控制控制时间固定效应控制控制控制观测值420420420R20.7990.732拐点值3.5433.8213.451U-Test6.43∗∗∗5.63∗∗∗2.20∗∗
由于参数估计模型对变量进行了较强的设定，因此有可能产生较大的设定误差。为此，本文脱离参数分析框架，进一步采用面板半参数模型估计人工智能技术对碳排放水平的影响，图1展示了面板半参数模型估计结果。可以发现，以碳排放量作为被解释变量，人工智能技术与碳排放水平之间呈显著倒U型关系，且拐点值在4附近。可见，即使更换估计模型，人工智能技术与碳排放水平之间呈现倒U型关系的结论依然成立。
图1 面板半参数模型估计结果
Fig.1 Estimation of panel semi-parametric model
进一步，本文利用公式(2)和公式(3)考察人工智能技术是否通过影响能源利用效率对碳排放产生影响，能源利用效率采用能源消费总量与实际GDP的比值计算而得，表4列示了中介效应检验结果。其中，第(1)列结果显示，人工智能技术系数在1%显著性水平上显著为正，二次项系数在1%显著性水平上显著为负，说明人工智能技术与能源利用效率之间呈显著倒U型关系，且当人工智能专利水平超过拐点值4.11后，人工智能技术促进能源利用效率提升。第(2)列结果显示，人工智能技术一次项系数和二次项系数在1%水平上分别显著为正、为负。这表明，即使考虑能源强度对碳排放的影响，人工智能技术依然与碳排放具有倒U型关系。与此同时，能源利用效率系数也在1%水平上显著为正，说明能源利用效率提升是抑制碳排放的主要途径，假设H2得到验证。
由于中国各地区经济发展水平不同，地区之间往往存在着较大的数字鸿沟，东部地区人工智能技术水平明显高于中部和西部地区。那么，人工智能技术对碳排放的影响是否存在区域差异？为回答这一问题，本文将样本划分为东部、中部和西部地区进行回归分析。由表5可知，对于东部地区而言，人工智能技术一次项系数不显著，二次项系数显著为负，说明人工智能技术与碳排放水平在东部地区同样呈现倒U型关系。其中，倒U型曲线拐点值为2.572，明显小于基准回归中的拐点值。这表明，随着人工智能技术发展及碳减排工作的深入推进，东部地区省份在“碳达峰、碳中和”目标实现过程中发挥“领头羊”作用，利用人工智能技术的正外部效应，以局部带动全局碳减排。与东部地区不同，虽然中部地区人工智能技术一次项系数在1%水平上显著为正、二次项系数显著为负，也呈现倒U型曲线特征，但未通过U-Test检验，拐点值位于数据最右端且不显著。这表明，中部地区人工智能技术与碳排放呈正相关关系，即中部地区人工智能技术非但没有实现碳减排效应反而增加了碳排放。原因在于：山西、安徽等中部地区省份煤炭资源丰富，传统化石能源消费居高不下，电力生产及其它能源产业发展高度依赖于煤炭，人工智能技术发展反而增加了碳排放量。西部地区与全国整体结果相似，人工智能技术一次项系数显著为正、二次项系数显著为负，说明西部地区人工智能技术对碳排放的影响呈倒U型关系。这表明，西部地区可再生能源丰富，人工智能技术随着可再生能源产业发展对碳排放起抑制作用。
表4 能源利用效率中介效应检验结果
Tab.4 Mediation effect test of energy efficiency
变量lnei(1)lnco2(2)lnai0.069 6∗∗∗0.022 1∗(0.01 2)(0.011)lnai2-0.008 6∗∗∗-0.003 4∗∗∗(0.001)(0.001)lnei0.909 0∗∗∗(0.048)控制变量控制控制省份固定效应控制控制时间固定效应控制控制观测值420420R20.9240.916
注：控制变量与基准回归模型相同
表5 异质性检验结果
Tab.5 Heterogeneity test
变量东部中部西部(1)(2)(3)lnai0.030 40.245 9∗∗∗0.042 3∗(0.019)(0.051)(0.022)lnai2-0.005 9∗∗∗-0.014 8∗∗∗-0.008 7∗∗∗(0.001)(0.005)(0.003)lnpgdp0.641 3∗∗∗0.182 80.328 6(0.111)(0.299)(0.322)Lnpop-0.391 6∗∗0.984 22.059 2∗∗∗(0.151)(0.601)(0.401)fdi-0.006 60.018 50.047 0∗∗(0.004)(0.022)(0.018)ind-0.002 60.003 30.014 0∗∗∗(0.002)(0.003)(0.004)urban0.013 1∗∗∗0.012 6∗∗-0.057 2∗∗∗(0.003)(0.006)(0.013)es0.007 1∗∗∗0.009 2∗∗∗0.003 2(0.001)(0.002)(0.002)常数项0.030 40.245 9∗∗∗0.042 3∗(0.019)(0.051)(0.022)省份固定效应控制控制控制时间固定效应控制控制控制观测值154112154R20.9130.8780.909拐点值2.5728.3152.427U-Test1.60∗0.811.94∗∗
作为新一轮技术革命和产业变革的关键驱动力，人工智能技术对于实现“碳达峰、碳中和”目标发挥重要作用。本文基于2006—2019年中国内地30个省份面板数据，考察人工智能技术对碳排放的影响，得出如下结论：①在全国整体层面，人工智能技术对碳排放的影响呈倒U型关系，即当人工智能技术水平达到一定阈值后，碳减排效应逐渐凸显，稳健性检验结果也验证了这一结论；②中介效应检验结果表明，人工智能技术对碳排放的影响主要通过能源利用效率实现；③异质性分析结果表明，人工智能技术对碳排放的影响存在显著区域差异，在东部和西部地区，人工智能技术与碳排放之间呈显著倒U型关系，而在中部地区，人工智能技术未达到碳减排效果，反而加剧了碳排放。
根据上述研究结论，本文提出如下政策启示：
(1)提升我国人工智能技术绿色低碳发展水平。在人工智能技术发展初期阶段，大力普及人工智能技术不仅难以对碳排放产生抑制作用，反而有可能造成碳排放激增。因此，一方面，需要加强人工智能关键技术研发，尤其在绿色低碳研发与应用领域，推动人工智能与绿色低碳产业深度融合，促进人工智能与绿色低碳技术发展。另一方面，完善人工智能技术、数字中心等新型基础设施能耗考核体系，以绿色低碳为发展导向开发人工智能技术。例如，开展绿色数据中心评估与建设，加强零碳数据中心关键技术研发，优化低碳数据中心能效方案。
(2)由于区域发展水平、产业结构和能源消耗不同，发展人工智能技术不一定能实现碳减排。因此，应充分发挥本地区比较优势，因地制宜地制定针对性、差异化政策，合理划定人工智能技术应用范围和程度。对于碳锁定效应较强的中部省份，应加快能源消费结构转型，避免盲目跟风；对于碳减排发挥“领头羊”作用的东部地区而言，应利用人工智能技术对现代产业链实行低碳化、数字化与智能化改造，提升产业绿色发展水平，当跨过碳减排拐点后，将低碳技术发展与地区发展相结合；对于西部地区而言，应利用人工智能技术对传统产业进行绿色化和现代化改造，同时加强东数西算布局，完善人工智能产业绿色绩效考核体系。
本文存在一些不足：①由于缺乏企业层面人工智能技术应用数据，未从微观视角考察人工智能技术对碳排放的影响；②仅选取中国省级层面数据，研究结论可能只适用于中国，而不适用于其它国家。未来可探讨微观层面人工智能技术碳减排作用机制，利用多国数据对不同样本国家人工智能技术对能源结构、发展水平、产业结构的碳减排效应进行测度。
[1] ACEMOGLU D, RESTREPO P. The race between man and machine: implications of technology for growth, factor shares, and employment[J]. American Economic Review, 2018, 108(6): 1488-1542.
[2] 魏巍贤,杨芳.技术进步对中国二氧化碳排放的影响[J].统计研究,2010,27(7):36-44.
[3] 鄢哲明,杨志明,杜克锐.低碳技术创新的测算及其对碳强度影响研究[J].财贸经济,2017,38(8):112-128.
[4] WANG Z, YANG Z, ZHANG Y, et al. Energy technology patents——CO2, emissions nexus: an empirical analysis from China[J]. Energy Policy, 2012, 42(2):248-260．
[5] 卢娜,王为东,王淼,等.突破性低碳技术创新与碳排放:直接影响与空间溢出[J].中国人口·资源与环境, 2019, 29(5): 30-39.
[6] 邵帅,张可,豆建民.经济集聚的节能减排效应:理论与中国经验[J].管理世界,2019,35(1):36-60，226.
[7] 冯烽,叶阿忠.技术溢出视角下技术进步对能源消费的回弹效应研究——基于空间面板数据模型[J].财经研究, 2012, 38(9): 123-133.
[8] 杨莉莎,朱俊鹏,贾智杰.中国碳减排实现的影响因素和当前挑战——基于技术进步的视角[J].经济研究,2019,54(11):118-132.
[9] 王道平,杜克锐,鄢哲明.低碳技术创新有效抑制了碳排放吗——基于PSTR模型的实证分析[J].南京财经大学学报, 2018(6): 1-14.
[10] 张华,魏晓平,吕涛.能源节约型技术进步、边际效用弹性与中国能源消耗[J]. 中国地质大学学报(社会科学版), 2015, 15(2): 11-22.
[11] 谢云飞.数字经济对区域碳排放强度的影响效应及作用机制[J].当代经济管理,2022,44(2):68-78.
[12] 徐维祥,周建平,刘程军.数字经济发展对城市碳排放影响的空间效应[J].地理研究,2022,41(1):111-129.
[13] 缪陆军,陈静,范天正,等.数字经济发展对碳排放的影响——基于278个地级市的面板数据分析[J]. 南方金融，2022(2):45-57.
[14] 黄海燕,刘叶,彭刚.工业智能化对碳排放的影响——基于我国细分行业的实证[J].统计与决策,2021,37(17):80-84.
[15] 曹静,周亚林.人工智能对经济的影响研究进展[J].经济学动态,2018，59(1):103-115.
[16] 朱巧玲,李敏.人工智能、技术进步与劳动力结构优化对策研究[J].科技进步与对策,2018,35(6):36-41.
[17] ACEMOGLU D, RESTREPO P. Robots and jobs: evidence from US labor markets[J]. Journal of Political Economy, 2020, 128(6): 2188-2244.
[18] 杨光,侯钰.工业机器人的使用、技术升级与经济增长[J].中国工业经济,2020，38(10):138-156.
[19] 隆云滔,刘海波,蔡跃洲.人工智能技术对劳动力就业的影响——基于文献综述的视角[J].中国软科学,2020，35(12):56-64.
[20] 张文博,周冯琦.人工智能背景下的环境治理变革及应对策略分析[J].社会科学,2019，34(7):23-30.
[21] 张伟,李国祥.环境分权体制下人工智能对环境污染治理的影响[J].陕西师范大学学报(哲学社会科学版), 2021, 50(3): 121-129.
[22] HENDERSON P, HU J, ROMOFF J, et al. Towards the systematic reporting of the energy and carbon footprints of machine learning[J].Journal of Machine Learning Research, 2020,21:1-43.
[23] STRUBELL E, GANESH A, MCCALLUM A. Energy and policy considerations for deep learning in NLP[C]. 57th Annual Meeting of The Association For Computational Linguistics, 2019.
[24] 陈诗一.中国碳排放强度的波动下降模式及经济解释[J].世界经济,2011,34(4):124-143.
[25] HAYES A F, PREACHER K J. Quantifying and testing indirect effects in simple mediation models when the constituent paths are nonlinear[J]. Multivariate Behavioral Research, 2010, 45(4): 627-660.
[26] 许和连, 成丽红, 孙天阳. 制造业投入服务化对企业出口国内增加值的提升效应——基于中国制造业微观企业的经验研究[J]. 中国工业经济, 2017(10): 62-80.
[27] 韩民春,韩青江.机器人技术进步对劳动力市场的冲击——基于动态随机一般均衡模型的分析[J].当代财经,2020，41(4):3-16.
[28] 彭代彦,李亚诚,彭旭辉.人工智能对流动人口工资收入的影响及其作用机理[J].经济体制改革,2021，38(3):32-38.
[29] 徐斌,陈宇芳,沈小波.清洁能源发展、CO2减排与区域经济增长[J].经济研究,2019,54(7):188-202.
[30] WAGNER U J, TIMMINS C D. Agglomeration effects in foreign direct investment and the pollution haven hypothesis[J]. Environmental & Resource Economics, 2009, 43(2):231-256.
[31] ANTWEILER W, COPELAND B R, TAYLOR M S. Is free trade good for the environment[J]. American Economic Review, 2001, 91(4):877-908.
[32] LIND J, MEHLUM H. With or without U-the appropriate test for a U shaped relationship[J]. Oxford Bulletin of Economics and Statistics, 2010, 72(1): 1-12.