The Mechanism and Enabling Effect of Artificial Intelligence on Green Economic Growth: The Perspective of Industrial Structure Optimization

Zhou Jieqi1 , Chen Da1 , Xia Nanxin2

(1.School of Economics, Guangdong University of Finance and Economics, Guangzhou 510320, China; 2.Linnan College, Sun Yat-Sen University, Guangzhou 510970, China)

Abstract：As innovation is the key of fostering green development which can meet people's aspirations for a "beautiful home" and a "beautiful China". Innovation in green technology is especially of great importance to achieve win-win results in economy, ecology and society in global green competition. At this stage, artificial intelligence (AI) which has the attributes of a new generation of general technology, strong spillover effect and high development potential, is undoubtedly the core force and important support to realize green technology innovation. The new generation of AI technology uses big data combined with strong algorithm power to gradually realize autonomous learning, rule identification and judgment decision, providing a new way to promote energy saving and consumption reduction. Therefore, the “14th Five-Year Plan” of the Chinese government focuses on strengthening fundamental research and original innovation,and improving the supply system of common basic technologies, and aims at the construction of a number of forward-looking and strategic national major science and technology projects such as AI.

The following questions remain unanswered in this context: does China's AI promote green economic growth? what is the transmission mechanism? what variances exist in the release of AI green impacts when diverse heterogeneous components are present? Furthermore, how can the government shape its AI development policies in order to fully capitalize on AI’s technological and structural benefits in green and low-carbon transformation?

To address these issues, this study builds an indicator system based on Chinese provincial panel data from 2010 to 2020 and implements modeling approaches such as the panel fixed-effects model, mediated-effects model, the moderated mediating effect model, spatial autoregressive model, and employs the instrumental variables to empirically test the enabling effect, path mechanism, heterogeneous impact and spatial spillover effect of AI on China's green economic growth. Meanwhile according to the empirical test results, targeted industrial policies for the development of AI are put forward, so as to improve the quality and efficiency of the economy and achieve green growth.

The major conclusion is that AI drives green economic growth, and its green growth effect remains significant after accounting for endogeneity bias due to reverse causality and omitted variables. AI has a driving effect on green economic growth through an advanced and rationalized industrial structure,that is, AI releases technological dividends through direct effects and generates structural dividends by promoting industrial structure optimization. Moreover, in the context of China's economic transformation, the structural dividend of AI is more obvious in regions with lower distortion of factor markets, a higher level of innovative human capital, and a better institutional environment, and its empowering effect on green growth can thus be stronger. In addition, AI has a significant positive spatial spillover effect, and its development will drive green economic growth in economically connected regions.

This paper has the following highlights. First, a unified theoretical logical framework of "AI-industrial structure optimization-green economic growth" is established, and the industrial structure optimization mechanism of AI affecting green economic growth is revealed from two dimensions of industrial structure upgrading and rationalization. Second, a comprehensive indicator system is used to reflect the whole picture of AI development, which effectively alleviates the problem of variable measurement errors and uses two different instrumental variables to strengthen the control of endogeneity problems. Third, the heterogeneous effects of AI industrial structure optimization effects are captured in terms of factor market distortions, innovative human capital, and the market institutional environment. Fourth, given the adoption of the geographic distance weight matrix and the economic distance weight matrix, the actual effect of AI-enabled green economic growth is further revealed from the perspective of spatial spillover, which provides useful decision-making references for the authorities to comprehensively measure the characteristics of AI development, formulate forward-looking industrial policies and promote inter-regional green synergistic development.

Key Words:Artificial Intelligence; Industrial Structure Optimization; Green Economic Growth; Moderated Mediating Effect; Spatial Spillover Effect

收稿日期：2022-07-13

修回日期：2022-09-30

基金项目：国家社会科学基金项目(18CJL034)

作者简介：周杰琦(1983-)，男，广东韶关人，博士，广东财经大学经济学院副教授，研究方向为环境经济学和技术创新；陈达(1998-)，男，湖北黄冈人，广东财经大学经济学院硕士研究生，研究方向为人工智能与绿色发展；夏南新(1961-)，男，江西南昌人，博士，中山大学岭南学院教授，研究方向为科技创新与政策。

DOI：10.6049/kjjbydc.2022070343

开放科学(资源服务)标识码(OSID)：

中图分类号：F407.6

文献标识码：A

文章编号：1001-7348(2023)04-0045-11

0 引言

目前，中国经济已由高速增长阶段转向高质量发展阶段，传统以规模扩张为特征的数量型增长模式难以持续支撑新阶段高质量发展。中国亟需培育经济发展新动能，实现以全要素生产率提升为重要特征的效率驱动型高质量发展。在这一关键发展时期，面对“三期叠加”阶段性发展压力，经济增速放缓与环境问题凸显成为中国转型发展攻坚阶段亟需解决的难题。特别是在大国博弈加剧、国内要素低成本红利逐渐褪去、新冠疫情防控常态化等多重因素叠加影响下，如何平衡与协调经济增长、资源节约和环境友好之间的关系，有效促进绿色经济增长，不仅是实现碳达峰、碳中和发展战略的重要前提，也是中国在未来大国博弈中抢占高质量发展制高点的必由之路。

绿色经济增长的核心内涵是协调经济增长、资源节约和环境友好之间的关系[1]，即探寻环境、资源约束下的经济增长新动能。现阶段，具有高发展潜力和强溢出效应的人工智能技术无疑是值得关注的焦点[2]。发展人工智能既是通过走创新驱动内涵式增长道路实现经济绿色增长的捷径，也是连接绿水青山和金山银山的桥梁。习近平总书记为中国人工智能发展把脉定向，强调“人工智能技术加速创新，正成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量”。应深刻认识加快发展新一代人工智能的重大意义，促进其同实体经济发展融合共生，为中国经济高质量发展添薪续力。然而，由于人工智能仍处于“弱智能”时期，“要发展”抑或“要环保”的结构性矛盾还未化解，因而尽管当前智能技术创新活动对社会经济有着广泛而深刻的关联影响，但从经济学视域系统考察人工智能技术赋能绿色增长的文献较少。那么，人工智能能否促进中国绿色经济增长？其机制逻辑又是怎样的？不同异质性因素影响下的人工智能绿色效应释放存在何种差异？更进一步，政府应该如何因地制宜制定人工智能发展政策，进而充分挖掘人工智能在绿色低碳转型方面的技术与结构红利？解答上述问题不仅有助于深入理解人工智能的绿色经济增长效应，也对贯彻新发展理念、构建新发展格局、推动中国经济由单一追求经济高速增长迈向高质量发展具有重要理论价值和实践意义。

1 文献综述

相关文献对人工智能经济增长效应的考察多从定性角度展开，如人工智能技术扩散与创新应用、人工智能对劳动力市场的冲击、智能产业布局与发展趋势[3]。也有研究依据人工智能的经济特征，构建多维度测度指标，量化评估其社会经济效应，如对居民消费结构、要素收入分配和就业等的影响[4-5]。已有文献对人工智能绿色增长效应的研究，多立足于大数据发展过程中智能制造对中国地区全要素生产率或绿色经济效率的影响，并指出绿色发展是实现中国经济提质增效的战略目标和重要推力(许宪春等，2019)。

尤需关注的是，在研究人工智能释放绿色增长效应的同时，产业结构优化在人工智能赋能绿色经济增长过程中的作用。非连续创新理论认为，现阶段人工智能技术发展壮大是以全新知识或各种知识融合为基础，在创新模式和技术路径选择上呈现非连续性创新特征。这有利于破解后发国家在原有技术轨道的锁定现象，推动产业变轨，并为新兴产业发展提供“机会窗口”，有效积累创新能力的同时，实现产业结构优化转型。智能服务抑或其扩展型技术改进，促使生产要素在产业部门间高效配置，进而推动人工智能在不同产业的创新应用、融合发展，最终在垂直距离(产业层次)和水平范围(产业布局)释放技术红利，加速产业模式深度调整和产业结构优化转型[2]。产业结构优化可充分释放生产要素潜能，产生结构红利，带来显著的绿色绩效和经济绩效[6]。产业结构优化过程持续演进、绿色产业配套政策、信贷资源支持等因素将进一步提升绿色经济效率[7]。并且，从产业结构空间关联视角看，胡安军等[8]研究发现，产业结构优化调整过程中的集聚特征会影响区域绿色发展水平，特别是以高新技术为导向的专业化产业集聚在发挥规模效应和技术进步效应时对区域绿色发展具有促进作用。

现有研究有助于理解人工智能、产业结构优化与绿色经济增长之间的关系，但仍存在深入探索的空间：在研究对象上，鲜有文献直接考察人工智能的绿色增长效应，大多数研究基于一般技术进步的环境绩效间接推断人工智能的绿色增长效应。实际上，人工智能作为新型通用技术，可以与经济结构形成有效关联，其大规模商业化应用将带来宏观经济整体全要素生产率提升[9]。因此，有必要结合中国情景将产业结构优化纳入“人工智能—绿色发展”理论框架，连接人工智能与产业结构优化、产业结构优化与绿色发展两个独立领域，丰富与拓展有关绿色发展动因的文献，也为发挥人工智能与产业结构优化的协同效应实现经济绿色增长提供重要启示。在实证层面，有关人工智能技术效能的研究多运用动态一般均衡模型进行数值模拟[2,5,10]，该模型能在统一框架内对人工智能作为新型基础设施的外溢性、劳动或资本的偏向性替代以及在不同产业的差异化应用前景进行恰当描述[2]，实现对经济系统各变量内在联系的综合刻画，但由于其分析基于投入产出表，从而难以获得时间上连续的研究结果并进行动态分析。此外，大多数文献以发达经济体作为研究对象进行经验总结，缺乏来自中国的经验证据。如Aghion等[11]、Prettner[12]主要以美国等发达国家为研究对象，分析人工智能对经济集约增长和经济提质增效的影响效果及路径选择。但这难以为发展中国家的人工智能发展与绿色低碳转型提供富有启发意义的中国方案。并且，部分实证研究以工业机器人等单一指标表征人工智能发展[13-14]，但由于人工智能技术应用效果与智能化基础、智能技术创造能力等因素存在内在关联，工业机器人等单一指标不能准确衡量智能化水平的全貌从而造成测度偏误[15]，导致研究结论容易受到质疑。最后，既有文献缺乏对人工智能增长效应可靠的因果推断，也较少立足“百年未有之大变局”、经济结构深刻调整和要素禀赋剧烈变化等中国现实情景，从异质性因素方面深入探讨人工智能绿色增长效应的差异化效果。

与已有研究相比，本文可能的贡献是：第一，在学理层面，结合非连续性技术创新理论与中国情景，构建“人工智能—产业结构优化—绿色经济增长”的整体逻辑框架，从产业结构高级化和合理化两个维度揭示人工智能发展影响绿色经济增长的产业结构优化机制，可丰富与深化人工智能与绿色发展方面的理论研究，为全面客观评价人工智能的经济社会效应提供新视角。第二，在实证层面，相较于大多数文献使用工业机器人作为人工智能发展代理变量的做法，本文从客观反映人工智能发展全貌的综合指标体系入手，有效缓解了变量测度误差问题，并进一步以地区高校平均科技产出和《中国制造2025》政策冲击为工具变量进行内生性修正，强化对内生性问题的控制，得到更稳健和准确的经验结论。第三，在异质性分析方面，对中国情景下人工智能赋能绿色增长的边界条件进行多维分析。尽管经过多年改革，中国市场化程度显著提升，但作为市场机制尚未健全的转型经济体，中国在绿色增长中必将面临诸多制度障碍。因此，本文基于要素市场扭曲、创新人力资本作用凸显和市场制度环境建设步伐加快的中国独特情景，采用有调节的中介效应模型，捕捉人工智能产业结构优化效应的异质性效果，不仅能为人工智能绿色增长效应的研究开拓新思路，且研究结论蕴含着重要政策启示，可为今后人工智能与产业结构优化的协同发展提供有针对性的中国方案，对推动绿色低碳转型有重要现实意义。第四，考虑到人工智能本身的渗透性和协同性特征可能导致其发展具有地理空间尺度上的区域关联效应，本文在同时采用地理距离权重矩阵和经济距离权重矩阵的基础上，利用空间自回归模型(SAR)对人工智能的空间溢出效应进行检验，从空间溢出视角进一步揭示人工智能技术发展赋能绿色经济增长的实际效果。

2 理论分析与研究假设

2.1 人工智能对中国绿色经济增长的影响

目前，鲜有文献系统探讨人工智能与中国绿色经济增长的关系。实际上，基于经济逻辑和现实经验，人工智能作为新型技术创新范式，至少与中国绿色经济增长发生3个方面的联系：首先，从企业生产层面看，人工智能通过自学习、自适应和自行动属性能够应对生产活动的复杂性和综合性，重构服务和生产流程。智能思维监控的全流程生产不仅可以实现源头污染控制，还能利用动态感知与科学决策能力准确识别高污染、高能耗生产环节信息，提供改进生产工艺或生产流程的方案，形成中程污染治理，带动绿色生产效率提高。其次，从产业链层面看，人工智能扩散式创新特征带动产业链整体形成技术创新系统，系统内创新要素集聚重组、协同配置助推绿色技术创新[16]，进而加速产业链自身绿色改造，形成绿色技术溢出效应，从产业链前端迈进和后续延伸两极并向驱动行业整体绿色经济效率提升[7]。最后，从经济系统看，智能技术呈现出跨界融合、人机协同、群智开放等新特征，并渗透到经济系统各个领域，与先进制造技术和新一代信息通讯技术充分协同与融合，形成“人—机—物”三元互联的智能系统[17]，为绿色增长提供技术支撑的新动能。同时，随着经济系统中互补性技术、人员素质、组织架构等配套条件的逐步完善，制约智能技术红利释放的不利条件得以改善，这不仅有利于人工智能通过要素供给结构优化和要素资源重新整合从整体层面建立智能化经济流通渠道，打破自然市场分割的桎梏，促使生产效率与资源利用效率提高[9]，还能在更大技术辐射范围内通过赋能效应催生大批注重绿色技术创新的新产业、新业态，助力经济增长、资源节约和环境保护的均衡发展。综上，提出如下假设：

H1：人工智能通过技术红利效应直接推动中国绿色经济增长。

2.2 人工智能对中国绿色经济增长的作用机制

Graetz&Michaels[13]指出，智能化、自动化通过破坏效应和创造效应提高产业生产效率，而产业结构高级化与合理化对应产业内及产业间生产效率的纵向提高和横向转移。因此，本文认为人工智能通过产业结构优化(产业结构高级化与合理化)驱动绿色经济增长。

人工智能技术应用推动全产业技术进步和要素使用效率提高，促进产业结构高级化。首先，这一进程促使资本结构优化，将物质资本、人力资本、制度资本从高能耗、高污染行业挤出，流入以知识、技术密集为主要特征的清洁行业[5]，在更深层次和更广范围淘汰落后产能。资本结构变动会削弱对创新要素的挤占效应，驱使潜在创新者和研发资金从低效率部门转移到高效率部门，加速技术创新并提升创新绩效，为产业绿色经济效率提升提供基础。其次，人工智能推动产业结构高级化有利于打破制造业低端锁定，催生先进智能化制造业，特别是通过有效需求拉动效应和新职位创造效应推动智能化生产性服务业发展[14]。这些新兴产业不但能实现更高水平的节能环保，且提供的产品也具备绿色属性，从而有效推动绿色经济增长。最后，人工智能具有非连续性技术创新特征，能不断改造现有技术生产方式，并通过推动产业层次向更高水平迭代创造新的经济结构模式。新经济结构模式的典型特征是可以通过自主操控和深度学习有效减少低端制造业能源投入冗余，提高能源效率，从能源结构效应方面为中国绿色经济增长作出边际贡献。

人工智能能够提升产业间聚合质量，通过改变要素投入结构和协调产业间组合关系推进产业结构合理化。一方面，伴随人工智能技术应用场景落地和应用范围扩大，生产要素的技术效率和边际产出比发生相对变化，且在价格效应和规模效应驱动下，要素具有向高边际产出生产方式和高生产效率产业部门收敛的倾向，动态收敛过程中要素跨部门流动和优化配置推动产业结构趋向合理[18]。另一方面，人工智能因其渗透性特征能形成强大的产业关联效应，特别是一旦与区块链、云计算、大数据等新兴技术深度耦合，不仅能明显提升不同产业间衔接配合的契合度，降低摩擦成本，提高运行效率，还会使产业间的生产运营出现融合趋势和共同协作能力大幅提升。人工智能通过协调产业间组合关系、加强产业间有效联动推动产业结构合理化，可为清洁产业和更一般化的绿色经济活动协同集聚提供有效支撑。不同于资源驱动或政策驱动形成的集聚，智能技术驱动型集聚具有多样性、专业性和可持续性特征，能促进企业间环保知识、治污经验和污染处理技术的分享与溢出，提升企业生产效率和污染处理技术水平[19]，从而有助于打造绿色技术生产系统，为经济增长、资源节约和环境保护的共赢提供重要支撑[6]。综上，提出如下假设：

H2：人工智能通过产业结构高级化和合理化两条途径赋能绿色经济增长。

2.3 人工智能对绿色经济增长的异质性：基于产业结构优化视角

上文已剖析人工智能赋能绿色经济增长的作用机制，但未考虑区域特征这一核心外部因素的调节作用，进而难以为加速释放人工智能的技术与结构红利提供针对性参考。基于中国作为转型国家的独特情景，通过文献梳理发现，由于各区域在要素市场发育程度、创新人力资本、制度环境等维度上表现各异，使得企业在人工智能冲击下面临的政府干预程度、市场竞争环境、创新氛围、配套制度等存在显著差异，由此不得不在转变发展理念、改变经营模式与研发策略、调整生产方式、创新工艺与产品等方面作出选择、切换、适应和突围。因此，人工智能赋能绿色经济增长的边界条件主要包括：

(1)要素市场扭曲是影响人工智能产业结构优化效应的重要因素。首先，人工智能应用以自身深度学习、万物互联等特征为基础，推动全产业数字化、智能化发展，使产业内各环节要素利用效率提高、资源配置更合理，但由于中国各地区要素市场普遍存在扭曲，要素市场化进程滞后[20]，生产要素在产业内和产业间流动整合受阻，难以向高效率生产部门集聚，人工智能对产业结构优化的作用效果大打折扣。其次，要素价格扭曲造成价格信号失真，破坏市场运行机制，使落后产能因密集使用廉价生产要素或通过寻租活动仍能获利而难以被淘汰[21]，抑制企业在人工智能领域的研发动力，对粗放增长方式形成锁定效应，进而不利于地区产业结构优化。最后，要素市场扭曲还可能引起要素错配，这不仅违背将资源优先配置给高生产率企业的市场原则，使资源总体利用效率下降，而且使依赖人工智能赋能的技术密集型和资本密集型行业难以获得知识扩散、人才共享和信贷支持等方面的优势，产业层次难以提高，形成低端锁定，阻碍产业发展模式转型和结构优化[20]。

(2)创新人力资本对释放人工智能产业结构优化效应具有重要作用。在智能时代，生产进一步向自动化与智能化发展，知识结构中专业理论知识突出的创新型人力资本能更好地与之契合[22]。创新型人力资本不仅能够更大程度促进信息、知识、思想和创意等要素的生产，还能在信息共享和知识传递中加速这些要素的积累和扩散，激发整个社会的创新灵感，产生巨大的正外部性[23]，进而推动产业结构不断优化。特别是创新人力资本与人工智能在结构、规模上的关联性和协同性进一步提高，不但可以充分激发各种生产要素的活力，共同推动知识和技术密集型产业发展，而且有助于创新人力资本与其它先进制造业和现代服务业深度融合，从而避免优质人力资本错配[24]，为产业结构优化升级提供新动能。

(3)人工智能产业结构优化效应还受到制度环境影响。首先，市场竞争加剧会压缩同质产品的利润空间，迫使企业研发智能技术，生产差异化产品，以提高市场竞争力。在这一优胜劣汰过程中，人工智能技术不断被复制、模仿、改进、研发和应用，使产业逐步由劳动密集型向知识密集型转变，推动产业结构不断优化升级[25]。其次，随着市场不断完善(如法律制度的完善和市场中介组织的发育)，推动人工智能产业分工明确化、精细化，智能生产效率得以提高，还能加强对企业知识产权的保护，激励企业研发创新，保障R&D溢出渠道畅通，进而通过智能高效生产方式和强创新效应范式加速产业升级[26]。最后，地区市场制度环境改善有利于减少政府对科技创新活动的干预，发挥市场机制在科技资源配置与科技成果转换中的决定性作用[26]，进而避免地方政府在晋升锦标赛压力下选择粗放增长方式这种逐底竞争策略，有效引导各类要素资源向以人工智能为代表的前沿科技集中，在推动前沿科技发展的同时，逐渐优化产业结构。综上，提出如下假设：

H3：要素市场扭曲对人工智能产业结构优化效应具有负向调节作用，创新人力资本积累和制度环境改善对人工智能产业结构优化效应具有正向调节作用。

3 模型设定与变量选择

3.1 基准模型设定

为验证上文的理论假设，并控制潜在遗漏变量引发的内生偏误，本文构建双向固定效应模型检验人工智能对绿色经济增长的影响。

lnGegit=α0+β1lnAIit+β2lnFDIit+β3lnRegit+β4lnESit+γXit+μi+λt+εit

(1)

式中，lnGegit表示i省份t年的绿色经济增长水平，lnAIit表示i省份t年的人工智能发展水平。基于有关绿色经济增长的经典文献，本文引入外商直接投资(FDIit)、环境规制(Regit)和能源结构(Esit)。Xit为其它控制变量，具体包括基础设施水平(Infit)、财政自主权(Fiscalit)、金融发展水平(Finit)、教育投入(Eduit)和城镇化率(Urbanit)。α0为截距，μi为地区固定效应，λt为年份固定效应，εit为随机扰动项。β1、β2、β3、β4和γ为待估参数，其中β1为本文关注的核心结果。

3.2 中介效应模型设定

为进一步研究人工智能发展如何影响中国绿色经济增长，根据前文理论分析，本文重点检验产业结构高级化和合理化在其中的传导作用(H2)。借鉴温忠麟和叶宝娟[27]的做法，构建如下中介效应模型：

lnGegit=α0+α1lnAIit+α2Xit+μi+λt+εit

(2)

lnMit=β0+β1lnAIit+β2Xit+μi+λt+εit

(3)

lnGegit=ρ0+ρ1lnAIit+ρ2lnMit+ρ3Xit+μi+λt+εit

(4)

其中， Mit为中介变量，代表人工智能发展对绿色经济增长的传导途径。根据上文机制分析，从产业结构高级化和合理化两方面检验人工智能对绿色经济增长的作用机制。Xit包含所有控制变量，其它符号的含义与式(1)相同。

3.3 调节效应模型设定

为深化对人工智能发展影响绿色增长机制的认识，有必要研究在要素市场扭曲、创新人力资本作用凸显和市场制度环境建设加快作用下人工智能产业结构优化效应的差异。因此，借鉴Holland等[28]的思想，在模型(3)(4)基础上构建有调节的中介效应模型，并检验H3。

lnMit=β0+β1lnAIit+β2lnWit+β3lnAIit*lnWit+β4Xit+μi+λt+εit

(5)

lnGegit=ρ0+ρ1lnAIit+ρ2lnMit+ρ3lnWit+ρ4lnAIit*lnWit+ρ5Xit+μi+λt+εit

(6)

其中，Wit为调节变量，包括要素市场扭曲(Fmdit)、创新人力资本(Ihcit)和制度环境(Ieit)。

3.4 指标构建与变量设定

3.4.1 被解释变量

绿色经济增长(Geg)。根据绿色经济增长的基本内涵并考虑操作的可行性，参考周杰琦和徐国祥[29]的做法，选用单要素指标，以单位环境资源消耗的实际GDP表征绿色经济增长。

(7)

其中，Gegit表示i省t年的绿色经济增长，Iavit为i省j产业t年的增加值，Epit表示i省t年的能源消耗(Eit)与代表性污染物烟尘(Dit)、二氧化硫(Sit)和废水(Wit)排放量的加权和，计算方式为：鉴于能源消耗与污染物排放量在计量单位与统计口径上存在差异，在加总前，采用如下方法处理：

(8)

将绝对指标转换成相对指标。其中，xit=Eit，Dit，Sit，Wit；n取30，表示省份数量。取值越大，说明i省的环境资源消耗水平在全国范围内越高。

3.4.2 核心解释变量

人工智能(AI)。借鉴顾国达和马文景[3]的研究，并参考《国家创新指数报告2020》中的指标评价思想和设计框架，构建人工智能发展综合评价指标体系(见表1)，既从相对全面的研究视角反映中国人工智能发展现状，也一定程度上避免因工业机器人等代理变量测量误差引致的内生性问题。运用熵值法对2010—2020年中国省级层面人工智能发展水平进行综合评价，得出人工智能发展指数。指数值越大，表明人工智能发展水平越高。

3.4.3 中介变量

产业结构高级化(TS)与合理化(TL)。采用第三产业产值与第二产业产值之比度量产业结构高级化。产业结构合理化反映产业间聚合质量，采用泰尔指数刻画，计算方法如下：

(9)

其中，Y、L分别表示产值、就业人数，i为产业，n为产业部门数。当TL为0时，表明经济处于均衡状态，产业结构合理；当TL不为0时，表明产业结构偏离均衡状态，产业结构不合理。

3.4.4 调节变量

(1)要素市场扭曲(Fmdit)。采用柯布道格拉斯生产函数法度量，即Y=AKαLβ。其中，Y为总产出，K为资本投入，L为劳动投入，α为资本产出弹性，β为劳动产出弹性。根据厂商利润最大化条件，可得到资本边际产出MPKit=αit(Yit/Kit)和劳动边际产出MPLit=βit(Yit/Lit)。当资本和劳动价格分别为r、w时，以要素边际产出与其实际价格之比表征劳动扭曲、资本扭曲，进而构建要素市场总体扭曲指标。

(10)

当Fmdit值为1时，要素市场总体完善，越偏离1，扭曲现象越严重。

(2)创新人力资本(Ihcit)。本文重点关注技术创新型人力资本，用各地区R&D人员中大学及以上学历人员占比表征。

(3)制度环境(Ieit)。制度环境的核心要素是地区市场化程度，用各地区私有部门就业人数占本地区就业人员总数比值表征。

为兼顾数据的有效性和可获得性，本文选取2010—2020年中国内地30个省份(西藏因数据不全，未纳入统计)面板数据作为样本，数据来源于《中国科技统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》《中国高技术产业统计年鉴》《中国人口和就业统计年鉴》及各地方统计年鉴。对于个别缺失数据，采用插值法补齐，最终形成330个样本的平衡面板数据。本文采用相应的价格指数将所有名义变量统一折算为以2010年为基期的固定价格。为处理异方差问题，所有变量均取自然对数。主要变量的描述性统计结果见表2。

4 实证检验与分析

4.1 基准回归结果

由于各地区同期经济活动可能存在较大相关性，因而首先对模型进行组间异方差修正Wald检验、组内自相关Wooldridge检验和组间同期相关Pesaran检验。结果表明，模型存在组间异方差、组内自相关和组间同期相关。因此，采用可行广义最小二乘估计(FGLS)法进行回归，以解决存在的异方差、自相关和同期相关问题。

在表3中，列(1)汇报了人工智能作为解释变量的回归结果，列(2)汇报了加入外商直接投资(FDI)、环境规制(Reg)和能源消耗结构(ES)作为控制变量后的回归结果，列(3)汇报了引入控制变量基础设施水平(Inf)、财政自主权(Fiscal)、金融发展水平(Fin)、教育投入(Edu)以及城镇化率(Urban)后的回归结果，列(4)是在列(3)基础上控制固定效应后的回归结果。结果显示，lnAI的系数均在1%水平上显著为正，表明人工智能发展有助于释放技术红利，直接推动绿色经济增长。

在FGLS估计的基础上，为进一步控制异方差，提升估计效率和准确性，进行两步最优GMM估计，结果见表3中列(5)～(8)。结果显示，lnAI的系数均在1%水平上显著为正，进一步表明人工智能发展具有显著的绿色增长效应。综上，H1得到验证。

4.2 机制分析

为进一步理解人工智能如何影响绿色经济增长，并为人工智能更好地赋能绿色发展提供优化路径和差异化实施方案，有必要进行机制分析。由前文理论分析可知，人工智能通过产业结构高级化与合理化两条路径作用于绿色经济增长。因此，本文利用中介效应模型进行机制识别，结果见表4。

在中介效应模型检验中，传统逐步回归法因存在检验力低下的问题受到批判和质疑[27,30]。因此，本文借鉴温忠麟和叶宝娟[27]的做法，采用Sobel法验证产业结构优化的中介效应。结果表明，中介效应成立，人工智能通过产业结构高级化与合理化两条路径促进绿色经济增长，两者相对贡献占比分别为20.33%和8.35%。两条路径产生的中介效应接近总效应的30%，表明产业结构优化在人工智能绿色经济增长效应中的中介作用较强。此外，考虑到Sobel法受限于正态性假定，为进一步提高估计准确性，使用自举法(Bootstrap)抽样500次进行估计，结论依然成立。综上，H2得到验证。一方面，人工智能通过协同技术进步和要素利用效率提升加速产业高级化；另一方面，在智能服务应用场景和应用范围扩大过程中，优化要素投入结构和协调产业间组合关系，助推产业合理化。人工智能从两方面推动地区产业模式转变和结构调整，为中国经济绿色增长提供坚强支撑。

通过比较分析可知，人工智能对绿色经济增长的贡献主要来源于产业结构高级化。究其原因，一方面，智能产业本身代表更高层次的产业形态，其发展也需要更高的产业形态与之互补协同，产业结构高级化可为人工智能发展壮大提供产业配套、产业价值链分工和产业耦合的重要支撑，也能提高人工智能与高级产业形态的聚合效益，助推经济绿色发展。另一方面，随着改革开放的深入推进，资源配置失衡、产业链与供应链脱节以及产业结构不合理等限制经济增长的问题有了较大改善，产出结构与要素禀赋结构间的协调性能得到更好的保障。因此，人工智能通过产业结构合理化路径进一步推动绿色经济增长的边际效应可能呈递减规律。

4.3 异质性分析

在异质性分析中，采用有调节的中介效应模型检验要素市场扭曲、创新人力资本和制度环境在人工智能促进产业结构优化最终推动绿色经济增长这一过程中的调节作用，回归结果见表5。

其中，列(1)～(3)分别显示了要素市场扭曲、创新人力资本和制度环境在人工智能促进产业结构高级化中的调节作用检验结果。交互项结果显示，要素市场扭曲存在负向调节作用，创新人力资本存在正向调节作用，都符合理论预期，但制度环境在人工智能促进产业结构高级化中的调节作用不显著(lnIe*lnAI的系数为0.015，但未通过显著性检验)。可能的原因在于：一方面，人工智能发展前期阶段资本有效积累不足，初始资本约束较大，仅靠制度环境要素特别是市场手段难以在短期内将资源自发调节至人工智能产业，无法获取资源优势，进而导致人工智能促使产业结构向更高层次演进的效果不明显。另一方面，人工智能向上拓展产业层次，探索式创新过程面临的不确定性和相关外部性内部化的潜在风险更大，产业内部对于损失控制和价值创造协调性要求更高，市场制度环境下的创新风险化解是一个不断强化产业内部控制和加强外部力量参与的系统渐进过程。因此，制度环境对产业高级化路径的调节作用仍有待人工智能进一步发展后才能凸显。

列(4)～(6)分别显示了要素市场扭曲、创新人力资本和制度环境在人工智能促进产业结构合理化中的调节作用检验结果。在产业结构合理化路径中，要素市场扭曲与人工智能交互项的系数显著为负，创新人力资本、制度环境与人工智能交互项的系数显著为正，表明要素市场扭曲存在负向调节作用，创新人力资本和制度环境存在正向调节作用，都符合理论预期。综上，H3部分得到验证。

4.4 内生性修正

人工智能释放绿色增长效应的同时，还可能面临内生性挑战：一是逆向因果关系。中国经济实现绿色增长是一个逐步淘汰落后产能，优化产业布局，打造现代化产业体系的过程，更加注重科技创新和优质人力资本协同发展。因此，人工智能与各种互补性技术的高效联动成为常态，智能技术得到充分发展。二是遗漏变量问题。各地区市场规模和市场环境特征中政府干预也可能是影响人工智能发展的重要因素。

针对逆向因果关系导致的内生性问题，本文选用如下两个工具变量予以解决：①地区高校平均科技产出(IV1)，用各地区高校平均发表科技论文篇数衡量。高校科技产出能为人工智能发展提供必要的智力支持，产学研之间相互配合也可形成强大的研究、开发和生产一体化先进系统，促进技术创新，因而能促进人工智能发展，满足工具变量相关性要求。同时，高校发表论文的经济转换作用需要时间积累和其它物质支撑，不会对现在的绿色经济增长产生直接影响，一定程度满足外生性要求；②鉴于人工智能处于战略性新兴产业核心地位，其发展易受政策驱动，因而考虑以一个政策冲击作为工具变量控制内生性问题。2015年国务院印发《中国制造2025》，这是一个全面推进实施制造强国的战略文件，系统推动包括智能制造工程在内的五大工程建设，能对中国人工智能发展产生深远影响，是一个良好的政策冲击。构造工具变量Post2015×Inf_year，Post2015为虚拟变量，代表是否发生冲击，年份大于等于2015取值为1，反之取值为0；Inf_year代表各地区基础设施建设超过近10年平均水平的年份，反映各地区基础设施建设水平差异，基础设施建设水平会影响人工智能发展。

对于工具变量的相关性检验，Anderson canon.corr.LM统计量的P值均小于0.1，拒绝工具变量识别不足的原假设；Cragg-Donald Wald F统计量均大于相应的Stock-Yogo临界值16.38，拒绝弱工具变量的原假设，表明工具变量选取较为适宜。工具变量IV1对人工智能的回归系数、人工智能对绿色经济增长的回归系数均显著为正，表明人工智能依然能释放绿色增长效应。在以Post2015×Inf_year为工具变量的回归中，第一阶段工具变量回归系数显著为正，说明基础设施建设水平较低的地区在政策发布后确有推动人工智能发展，第二阶段人工智能系数显著为正，表明政策冲击后人工智能促进了中国绿色经济增长。综上，即使考虑潜在逆向因果关系导致的内生性偏误，人工智能依然能释放绿色增长效应。

针对遗漏变量导致内生性控制不够的问题，将市场规模(Market)、政府干预(Gov)引入模型，结果发现前文结论依然稳健。限于篇幅，内生性检验与加入遗漏变量的回归结果未作汇报，备索。

4.5 其它稳健性分析

首先，剔除极端值干扰。为避免数据极端值对模型回归结果造成偏误，对样本数据分别截尾1%和5%回归。其次，更换人工智能发展水平测度方法。分别采用层次分析法(AHP)和主成分分析法(PCA)重新测度各地区人工智能发展水平。最后，更换模型估计方法。考虑到宏观经济变量通常存在惯性，将绿色经济增长(Geg)的一阶滞后项纳入模型(1)并扩展为动态面板模型，分别采用差分GMM和系统GMM方法进行估计。以上3种方法回归结果显示前文结论依然稳健。

5 进一步分析：人工智能对绿色增长的空间溢出效应

在智能时代，人工智能因具有渗透性和协同性特征，在促进技术和信息高效流动整合方面能突破时空束缚，压缩地理距离限制，这决定人工智能对经济增长的影响具有广泛性和全局性[9]。因此，在人工智能技术突破区域限制、发挥空间溢出效应时，能够激发邻近区域的绿色技术创新活力，实现跨区域的绿色经济增长。尤其是绿色技术创新会通过示范效应和经济关联效应，形成区域间绿色技术创新系统，从整体上为区域内绿色经济效率提高注入新动能[6]。因此，有必要对人工智能的空间溢出效应进行深入分析，从而为政府综合衡量人工智能技术特征、制定前瞻性产业政策、形成区域间绿色协同发展格局提供决策参考。

本文构建如下两种空间权重矩阵：①以各省会城市经纬度坐标为基础的地理权重矩阵W1，基于客观地理位置构造的权重矩阵能够直观且客观满足空间权重矩阵的外生性假定；②以人均实际GDP之差的绝对值倒数构建经济距离空间权重矩阵W2，基于社会经济因素构造的权重矩阵有较强的经济含义且更符合实际应用背景。在两种不同空间权重矩阵的基础上，采用空间自回归模型(SAR)进行空间相关性检验，模型设定如下：

lnGegit=α0+ρ∑wijlnGegit+βlnAIit+γ∑wijXit+μi+λt+εit

(11)

其中，k、j对应各省域截面单位，wij为空间权重矩阵中的元素，Xit包含所有控制变量，其它符号的含义与式(1)相同。为比较估计结果的稳健性，同时汇报了空间误差模型(SEM)和空间杜宾模型的估计结果(SDM)，见表6。

在对人工智能空间溢出效应的显著性进行判断时，采用莫兰指数(Moran's I)和吉尔里指数(Geary's C)进行检验。结果显示，在两类不同空间权重矩阵设定下，全局莫兰指数均大于0，吉尔里指数均小于1，且两者至少都在5%的显著性水平下强烈拒绝无空间相关性的原假设。由表6可知，空间自回归模型(SAR)的直接效应和间接效应均至少在5%的水平上显著为正，空间杜宾模型(SDM)的间接效应至少在5%的水平上显著为正，说明人工智能不仅对绿色经济增长的赋能效果明显，而且还存在空间外溢效应，辐射带动邻近地区的绿色经济增长。

6 结论与政策启示

面对资源环境约束趋紧对经济持续增长的现实压力，如何进一步释放人工智能绿色增长效应，成为中国实现绿色低碳转型和高质量发展目标的迫切要求。在此背景下，本文结合非连续性技术创新理论，从产业结构优化视角切入，构建人工智能技术绿色增长效应的分析框架，并实证考察人工智能对绿色经济增长的影响效果，厘清其逻辑链条。结果表明，人工智能通过技术红利效应直接推动绿色经济增长，在考虑逆向因果和遗漏变量导致的内生性偏误后，人工智能的绿色增长效应仍显著存在。机制分析表明，人工智能通过产业结构高级化和合理化对绿色经济增长产生驱动效果，二者间接效应占比分别为20.33%和8.35%。综合来看，人工智能通过直接效应释放技术红利，通过推动产业结构优化产生结构红利。异质性分析发现，中国转型经济背景下，人工智能的结构红利在要素市场扭曲程度更低、创新人力资本水平更高、制度环境更完善的地区表现得更为明显，从而更充分地释放其对绿色增长的赋能效果。拓展性分析发现，人工智能具有显著正向空间溢出效应，其发展会带动经济关联地区的绿色经济增长。本文结论具有如下政策启示：

第一，构建不断释放人工智能绿色增长效应的路径机制，打造智能产业基础生态。中国各地区应该加强产业链发展与人工智能技术创新突破的紧密连接和动态耦合，推进产业和智能生态的内在协同发展，为绿色经济效率提高奠定产业结构优势。同时，加大对人工智能技术创新活动的政策支持力度。本文研究发现，政策冲击能显著提升中国各地区智能化水平。中国各地区获取人工智能技术红利，须依托产业政策路径优势，发挥产业政策对人工智能发展的前瞻性和引导性作用。政策制定也应有所侧重，对人工智能促进产业结构优化的效果进行重点甄别，以提升产业层次与产业链地位、加速产业结构高级化进程为主攻方向，聚焦战略性新兴产业和关键核心领域，培育中国科技竞争新优势。

第二，以市场化为导向，疏通人工智能发展过程中的关键堵点。中国各地区要素市场扭曲、要素流动受阻及市场分割，成为充分释放人工智能产业结构优化效应这一结构红利的制度性障碍。鉴于此，应该以加快建设全国统一大市场为契机，通过有效的制度安排营造市场化制度环境，强化顶层设计，同时综合运用各种手段对地方官员政绩考核体系、地方财税制度与工资制度等进行全面深入改革，构建有效的市场体系。通过提高市场竞争度和完善度，抑制价格信号失真、资源配置扭曲，整合各种要素资源，为人工智能发展提供坚强支撑。

第三，加强创新人力资本积累，提高其与人工智能技术的适配性。本文研究发现，创新人力资本通过知识技能溢出的正外部性及与现代产业的高效协同助推人工智能产业结构优化。为此，一方面，应该转变教育理念和人才选拔机制，从培养工程师思维切换至培养创新思维，提高创新人力资本对新技术、新业态和新模式的适配能力。另一方面，运用技术和政策手段将创新人力资本从高能耗、高污染行业或国有垄断领域挤出，使得高质量人力资本的作用在以绿色技术为自主创新重要突破口的新兴产业中得到更大释放。

第四，建立地区联动机制，形成人工智能赋能绿色增长的生态合力。人工智能对推动绿色经济增长具有显著正向空间溢出效应，本地人工智能发展对空间关联地区的绿色绩效提高存在辐射带动效应。这表明“不谋全局者，不足谋一域”，产业模式选择和产业政策制定应以区域内共建共赢为目标，探索互信机制，连接起智能技术共享的发展网络。各级政府应加强有效沟通和协调，推动互补性产业、技术和要素资源的深度对接，努力打造区域绿色发展共同体，加快形成区域间绿色协同发展格局，最终为中国全局性绿色增长提供坚实基础。

参考文献:

[1] 杜龙政,赵云辉,陶克涛,等. 环境规制、治理转型对绿色竞争力提升的复合效应——基于中国工业的经验证据[J]. 经济研究,2019,54(10):106-120.

[2] 郭凯明. 人工智能发展、产业结构转型升级与劳动收入份额变动[J]. 管理世界,2019,35(7):60-77,202-203.

[3] 顾国达,马文景. 人工智能综合发展指数的构建及应用[J]. 数量经济技术经济研究,2021,38(1):117-134.

[4] ACEMOGLU D,P RESTREPO. Automation and new tasks:how technology displaces and reinstates labor[J].Journal of Economic Perspectives,2019,33(2):3-30.

[5] 林晨,陈小亮,陈伟泽,等. 人工智能、经济增长与居民消费改善：资本结构优化的视角[J]. 中国工业经济,2020,37(2):61-83.

[6] 邵帅,范美婷,杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界,2022,38(2):46-69,4-10.

[7] 金环,于立宏,徐远彬. 绿色产业政策与制造业绿色技术创新[J]. 中国人口·资源与环境,2022,32(6):136-146.

[8] 胡安军,郭爱君,钟方雷,等. 高新技术产业集聚能够提高地区绿色经济效率吗[J]. 中国人口·资源与环境,2018,28(9):93-101.

[9] 蔡跃洲,陈楠. 新技术革命下人工智能与高质量增长、高质量就业[J]. 数量经济技术经济研究,2019,36(5):3-22.

[10] 陈彦斌,林晨,陈小亮. 人工智能、老龄化与经济增长[J]. 经济研究,2019,54(7):47-63.

[11] AGHION P, JONES B F, JONES C I. Artificial intelligence and economic growth[J]. NBER Chapters, 2017(10):237-282.

[12] PRETTNER K. A note on the implications of automation for economic growth and the labor share [J].Macroeconomic Dynamics,2019,23(2)：1294-1301.

[13] GRAETZ G, G MICHAELS. Robots at work[J]. Review of Economics and Statistics,2018, 100(5):753-768.

[14] 王文,牛泽东,孙早. 工业机器人冲击下的服务业:结构升级还是低端锁定[J]. 统计研究,2020,37(7):54-65.

[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] CLAUDIA, NYARKO, MENSAH. Technological innovation and green growth in the organization for economic cooperation and development economies[J]. Journal of Cleaner Production, 2019, 240: 118204.

[17] 唐晓华,迟子茗. 工业智能化提升工业绿色发展效率的实证研究[J]. 经济学家,2022,34(2):43-52.

[18] 赵伟,赵嘉华. 离岸与技术进步的要素偏向:生产率效应与结构效应[J]. 国际贸易问题,2020,46(6):75-92.

[19] 陈喆,郑江淮. 产业互动下高技术产业集聚的环境治理效应[J]. 财经科学,2021,65(8):78-92.

[20] 徐盈之,张瑞婕,孙文远. 绿色技术创新、要素市场扭曲与产业结构升级[J]. 研究与发展管理,2021,33(6):75-86.

[21] 邹涛,李沙沙. 要素价格扭曲阻碍了企业有效市场退出吗——来自中国制造业企业的微观证据[J]. 产业经济研究,2021,20(6):87-100.

[22] CINNIRELLA F,STREB J. The role of human capital and innovation in economic development: evidence from post-Malthusian Prussia[J]. Journal of Economic Growth, 2017, 22(2):1-35.

[23] ISHISE H,Y SAWADA. Aggregate returns to social capital:estimates based on the augmented augmented-solow model[J]. Journal of Macroeconomics,2009,31(3):376-393.

[24] YIAN C.Misallocation of human capital and productivity: evidence from China[J]. Economic Research-Ekonomska Istrazivanja,2019,32(1):3342-3359.

[25] 王林辉,姜昊,董直庆. 工业智能化会重塑企业地理格局吗[J]. 中国工业经济,2022,39(2):137-155.

[26] 叶祥松,刘敬. 政府支持与市场化程度对制造业科技进步的影响[J]. 经济研究,2020,55(5):83-98.

[27] 温忠麟,叶宝娟. 中介效应分析:方法和模型发展[J]. 心理科学进展,2014,22(5):731-745.

[28] HOLLAND S J, SHORE D B, CORTINA J M. Review and recommendations for integrating mediation and moderation[J].Organizational Research Methods, 2017,20(4):686-720.

[29] 周杰琦,徐国祥. 全球化对绿色经济增长是“诅咒”还是“福音”——基于要素市场扭曲视角的分析[J]. 财贸研究,2020,31(8):14-27.

[30] HAYES A F, SCHARKOW M. The relative trustworthiness of inferential tests of the indirect effect in statistical mediationanalysis: does method really matter[J].Psychological Science, 2013,24(10):1918-1927.

(责任编辑：陈 井)