“双控”目标下产业智能化的节能降碳减排效应

赵培雅 高煜 孙雪

摘要 作为新一轮技术进步的重要标志，产业智能化是“双控”目标下实现节能降碳减排的重要路径。运用2011—2021年275个城市面板数据，检验产业智能化对能源消费、碳排放、工业污染排放总量和强度的影响及机制。理论分析表明，产业智能化应用产生规模扩张效应、技术创新效应和产业结构升级效应，三种效应的相互作用将决定产业智能化对能源消费、碳排放、工业污染排放总量和强度的影响方向和程度。该研究采用固定效应模型进行基准回归，并运用工具变量、GMM动态面板、外生冲击检验和替换解释变量等方法，确保基准结果的稳健性。研究表明：①产业智能化不仅能够减少能源消费和工业污染排放总量，而且可以降低能源消费、碳排放和工业污染排放强度，实现节能降碳减排。②经验证据显示，产业智能化对能源消费、碳排放和工业污染排放的总量影响小于对其强度的影响。产业智能化主要作用于“能耗双控”，对“工业污染排放双控”作用较小，但未能实现“碳排放双控”。③机制检验得出，目前产业智能化所推动的绿色技术创新水平较低是产业智能化未能实现“碳排放双控”的根本原因，采用智能化技术提升绿色技术创新水平是由“能耗双控”向“排放双控”转型的重要条件。产业结构升级是“双控”目標下产业智能化实现节能降碳减排的重要机制。基于研究结果提出了提升各地级市产业智能化发展水平，加快企业智能化绿色技术研发，有序推进智能化产业结构转型升级的政策措施。

关键词 产业智能化；节能降碳减排；绿色技术创新；产业结构升级

中图分类号 F062. 1 文献标志码 A 文章编号 1002-2104（2023）09-0059-11 DOI：10. 12062/cpre. 20230505

技术进步是实现节能降碳减排的根本路径［1］，作为新一轮技术进步的重要标志，中国智能化产业发展呈现出急剧增长态势。《2020中国人工智能产业白皮书》数据显示，2025 年中国人工智能产业市场规模将有望超过4 000亿元，中国将有可能拥有全球最大的智能化产业市场［2］。产业智能化以突破性技术为基础，通过深度学习迅速而广泛地应用于经济社会中的各个产业，对经济体系产生系统性影响［3］，从而为实现节能降碳减排创造了新的机遇。《2022年政府工作报告》强调“推动能耗‘双控’向碳排放总量和强度‘双控’转变”［4］。因此，实现节能降碳减排的主要目标不仅要着力于总量下降和强度调控，而且应创造条件实现由“能耗双控”向“排放双控”的转变。在“总量和强度双控”目标下产业智能化是否具有节能降碳减排效应？产业智能化对能源消费、碳排放和工业污染排放总量和强度的影响程度是否存在差异？产业智能化实现“双控”目标下的节能降碳减排存在怎样的作用机制？产业智能化应用如何实现由“能耗双控”向“排放双控”的转变？为解决以上问题，该研究将通过理论分析与实证检验探究产业智能化对节能降碳减排的影响，为中国绿色发展提出政策启示。

1 文献综述与研究假说

Panayotou［5］提出，技术进步影响环境的主要因素包括规模扩张效应、技术创新效应和结构转型效应。白俊红等［6］研究表明，在规模扩张效应、技术创新效应和结构转型效应的作用下技术进步对于降低能耗、减少环境污染存在“双刃剑作用”。一方面，技术进步所产生的技术创新效应和结构转型效应，通过提高产业部门能源使用效率，减少生产过程中的污染排放，进而实现节能减排［7］。另一方面，也有学者指出技术进步将引发生产规模不断扩张，所产生的规模扩张效应可能抵消技术创新效应和结构转型效应所带来的节能减排效果，反而造成更加严重的环境问题［8-9］。随着数字化、智能化等新兴技术的蓬勃兴起，新兴技术是否具有节能降碳减排效应逐渐成为新的研究热点。汪东芳等［10］提出互联网的普及引发经济规模扩张导致能源消耗增大，而其引发的产业结构变迁则提升了企业生产效率，降低了单位产出能耗，进而实现节能减排。刘慧等［11］认为数字化转型不仅能够引发技术创新改善企业能耗模式，而且可以实现结构优化促进企业节能减排，但其节能减排最终效果受限于外部规模。张思思等［12］指出数字化技术应用所引发的经济规模扩张为产业结构清洁化调整带来发展机遇，但同时数字化基础设施建设又导致能源消耗和碳排放加大。蒋为等［13］研究表明由于机器人的技术创新减排效应高于其规模扩张增排效应，因此机器人应用能够显著降低中国制造业碳排放量。以上文献表明，与传统技术进步类似，新兴技术应用引发经济规模加速扩张，同时伴随着技术创新和产业结构转型，产生规模扩张效应、技术创新效应和产业结构升级效应，三种效应将决定新兴技术对节能降碳减排的影响。而目前文献对于有关产业智能化对节能降碳减排的综合性研究较少，特别是对“双控”目标下产业智能化影响节能降碳减排的具体机制仍有待研究。

在宏观经济运行中，产业智能化展现出自动化工具和通用目的技术两大基本属性［14］。作为自动化工具，产业智能化能够在操作重复的流程性生产中，以较低的成本快速协调生产系统，显著提高生产率，避免生产过程中的资源过度使用，提升整体经济运行效率。作为通用目的技术，产业智能化具有较强的知识溢出效应，其普遍性、可持续性等特征，能够广泛渗透并融入其他技术之中，演化为一种新的技术，实现“颠覆性创新”［15］。两大基本属性使得产业智能化所引发的规模扩张不仅包含经济规模增大对能源消费和排放总量产生的直接影响，而且促使经济结构发生转型并直接影响到能源消费和排放的强度。同时在新的经济规模下，产业智能化所产生的技术创新效应和产业结构升级效应，将间接影响到能源消费和排放的总量和强度。因此，三种效应的相互作用将决定产业智能化对“双控”目标下节能降碳减排的影响方向和影响程度。

规模扩张效应。与传统技术模式不同，产业智能化所引发的规模扩张效应具有一般性和特殊性。一方面，产业智能化所引发的规模扩张效应的一般性在于，作为自动化工具产业智能化应用促使产业生产效率的逐步提升，加速产业规模扩张，增大能源需求，导致能源消费、碳排放和工业污染排放总量增加。另一方面，产业智能化所引发的规模扩张效应的特殊性在于，产业智能化应用所具备的通用目的技术属性为高效清洁生产提供技术支持，通过减排设备更新换代，突破对原有技术的路径依赖［16］。随着智能化技术在全产业的逐步应用，其规模扩张效应将形成技术溢出［17］，进而重新设定整个产业的技术轨道，在规模扩张的同时实现能源消费、碳排放和工业污染排放量的大幅降低，即降低能源消费、碳排放和工业污染排放强度。由此，提出以下假说。

假说1a：产业智能化所引发的规模扩张效应导致能源消费、碳排放和工业污染排放总量增加。

假说1b：产业智能化所引发的规模扩张效应能够降低能源消费、碳排放和工业污染排放强度。

技术创新效应。产业智能化的核心在于推动“绿色智能技术革命”［14］。一方面，产业智能化的自动化工具属性有助于企业具备低成本、高效率的创新能力［18］。企业在智能化技术的支持下采用自主推理决策的智能化生产模式［19］，能够有效降低企业绿色研发创新成本，控制绿色交易管理中的冗余成本，加快企业创新频率，提高企业绿色技术创新水平［20］。企业绿色技术创新通过优化生产环节，提高能源利用效率，促使能源消费、碳排放、工业污染排放总量和强度的下降。另一方面，Agrawal等［21］指出，智能化是科学发现的发明方法的发明。作为通用目的技术，产业智能化技术通过与其他技术的融合产生知识溢出，为企业绿色转型提供技术支持，促使企业采用绿色创新模式提升技术水平，引发产业生产中突破性、颠覆性绿色技术产生。产业智能化所引发的绿色技术创新，能够解除企业高污染生产技术黏性，降低生产过程中的化石能源消耗，进而降低能源消费、碳排放、工业污染排放总量和强度。由此，提出以下假说。

假说2a：产业智能化能够通过绿色技术创新减少能源消费、碳排放和工业污染排放总量。

假说2b：产业智能化能够通过绿色技术创新降低能源消费、碳排放和工业污染排放强度。

产业结构升级效应。Grossman等［22］认为，产业结构演进是技术进步影响环境污染的主要原因。《促进新一代人工智能产业发展三年行动计划（2018—2020年）》中指出智能化是产业变革的关键因素［ 23］。产业结构升级是指经济结构演进中第一产业向第二产业、第三产业的规律性变化，不仅表现为产业比例关系的优化，也体现了新兴产业逐步发展的过程［24］。一方面，以能源为基础的传统产业部门是智能化融合度最高的部门之一［25］，产业智能化的自动化工具属性能够优化该部门技术路线中化石能源的使用，推动高能耗、高污染产业不断延伸并实现与第三产业融合，推动传统产业逐步向高级化方向演进［26］，带动能源消费、碳排放、工业污染排放总量和强度的下降。另一方面，产业智能化的通用目的技术属性驱动各产业形成新的产业形态，促进一批智能化产业的兴起［27］。产业智能化带动具有更高生产力和技术水平的新兴主导产业迅速发展，引导劳动、资本密集型产业为主的传统产业结构，向技术、知识密集型产业为主的清洁化产业结构转型演进［28］，从而降低能源消费、碳排放、工业污染排放总量和强度。由此，提出以下假说。

假说3a：产业智能化能够通过产业结构升级减少能源消费、碳排放和工业污染排放总量。

假说3b：产业智能化能够通过产业结构升级降低能源消费、碳排放和工业污染排放强度。

其中：AIBit为城市i 在t 年的工业机器人渗透度，J 表示各行业的合集，employi，j，t=2011为城市i 中行业j 在2011年的就业人数，employi，t=2011是城市i 在2011年的就业人数，Robotjt为由《全球工业机器人报告》所提供的行业j 在t 年的工业机器人安装量，employj，t=2011是行业j 在2011年的就业人数；信息资源采集能力和处理能力，采用地级市信息传输、计算机服务和软件业从业人员数占该地级市总从业人员总数的之比进行衡量。

智能化技术。采用人工智能专利进行衡量。利用Python软件按照王林辉等［18］的做法选取人工智能关键词爬取万方专利数据库中各地级市中人工智能发明专利、实用新型专利和外观设计专利的专利数据，将其加总后与科研从业人员数之比表征智能化技术。

2. 2. 2 被解释变量

能源消费总量。参照《中国能源统计年鉴》中各能源折算标准煤系数对各地级市的人工、天然气供气总量、液化石油气供气总量及全社会用电量进行计算，换算为万吨标准煤加总得出能源消费量并取对数进行衡量。能源消费强度，使用地级市能源消费总量与实际工业增加值（以2011年为基期）之比的对数值表示能源消费强度，该值越小表明单位工业增加值所消耗的能源越少。

碳排放总量。碳排放量采用标准煤的折算系数对煤炭、原油和天然气三种化石能源进行核算，将三种化石能源核算结果加总后得出各地级市的碳排放总量并取对数进行衡量。碳排放强度，使用地级市碳排放总量与实际工业增加值（以2011年为基期）之比的对数值表示碳排放强度，该值越小表明单位工业增加值所产生的碳排放越少。

工业污染排放总量。采用工业废水排放量、工业SO2排放量和工业粉尘烟尘排放量平均赋权计算污染物排放总量并取对数进行衡量。工业污染排放强度，使用地级市工业污染排放总量与实际工业增加值（以2011年为基期）之比的对数值表示工业污染排放强度，该值越小表明单位工业增加值所产生的工业污染排放越少。

2. 2. 3 控制變量

地级市节能降碳减排取决于多种因素，除了产业智能化外其他变量也对地级市节能降碳减排产生重要影响。因此，选取经济发展水平、基础设施水平、人力资本水平、对外开放水平、市场化水平以及环境规制6个变量作为控制变量。

各主要变量的名称、符号、数据指标含义及计算方法见表1。

2. 3 数据来源与样本选择

基于数据可得性，选取2011—2021年中国275个地级市面板数据作为研究样本，未涉及的地级市包括：衡水市、黑河市、绥化市、泰州市、淮北市、亳州市、中山市、钦州市、三沙市、儋州市、遵义市、毕节市、铜仁市、拉萨市、日喀则市、昌都市、林芝市、山南市、那曲市、海东市、吐鲁番市、哈密市。研究区域未涉及香港、澳门、台湾。产业智能化代理变量中工业机器人数据来自《全球工业机器人报告》。其他数据来自《中国城市统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》以及各地级市统计年鉴，个别缺失值通过插值法补齐。

3 实证检验

3. 1 基准回归

根据式（1）的设定，对产业智能化能否实现节能降碳减排进行检验。依据Hausman检验的结果选择固定效应模型，所有模型均控制时间固定效应和个体固定效应，并将标准误聚类到城市层面，回归结果见表2。

由表2可知，列（1）中产业智能化（AI）对能源消费总量（energy）的影响系数为-0. 909且在1%的水平下显著，列（2）中产业智能化（AI）对能源消费强度（EI）的影响系数为-2. 050且在1%的水平下显著，表明产业智能化能够显著降低能源消费的总量和强度。对比列（1）和列（2），产业智能化对能源消费强度的影响系数高于其对能源消费总量的影响系数，产业智能化对能源消费强度的影响程度相对较高。列（3）中产业智能化（AI）对碳排放总量（CO2）的影响系数为负但并不显著。列（4）中产业智能化（AI）对碳排放强度（CI）的影响系数为-1. 902且在5%的水平下显著，表明产业智能化未能降低碳排放总量，但能够显著降低碳排放强度。列（5）中产业智能化（AI）对工业污染排放总量（POL）的影响系数为-0. 412且在1%的水平下显著，列（6）中产业智能化（AI）对工业污染排放强度（PI）的影响系数为-1. 399且在1%的水平下显著，表明产业智能化能够显著降低工业污染排放的总量和强度。

对比列（5）和列（6），产业智能化对工业污染排放强度的影响系数相对较大，表明产业智能化对工业污染排放强度的影响程度相对较高。由表2可知“双控”目标下产业智能化应用不仅能够减少能源消费和工业污染排放总量，而且可以降低能源消费、碳排放和工业污染排放强度，实现节能降碳减排。

控制变量中，市场化水平（market）和环境规制（ER）的影响系数显著为负，表明二者有助于产业智能化背景下的节能降碳减排。而经济发展水平（agdp）和人力资本水平（hum）的影响系数显著为正，表明目前经济发展模式仍需进一步调整，人力资本水平与产业智能化匹配程度仍有待提升。而对外开放水平（open）对节能降碳减排的影响方向并不确定，基础设施水平（facility）对节能降碳减排的影响并不显著。

由表2实证结果可知，产业智能化能够显著减少能源消费的总量和工业污染排放总量。结合理论分析，相比于假说1a中产业智能化所产生规模扩张效应，假说2a和假说3a中产业智能化所引发的技术创新效应和产业结构升级效应作用相对较大，因此除碳排放总量，产业智能化对能源消费总量和工业污染排放总量具有显著的抑制作用。表2中，产业智能化对能源消费、碳排放和工业污染排放强度的影响程度均高于其对总量的影响，其原因在于假说1a中产业智能化发展所产生的规模扩张效应，导致产业智能化对能源消费、碳排放和工业污染排放总量的影响程度相对较小。由表2结果，产业智能化对能源消费强度、碳排放强度和工业污染排放强度的影响系数均显著为负。因此，产业智能化所产生的规模扩张效应、技术创新效应和产业结构升级效应能够降低能源消费、碳排放和工业污染排放强度，从而证实了假说1b、假说2b和假说3b。对比表2中各列结果，得出产业智能化对能源消费的影响程度最大，而对碳排放和工业污染排放的影响程度相对较小。经验证据表明目前产业智能化主要作用于“能耗双控”，对“工业污染排放双控”作用较小，但未能实现“碳排放双控”。

3. 2 稳健性分析

3. 2. 1 工具变量法

采用工具变量法缓解内生性问题，参考Acemoglu等［27］的方法计算美国工业机器人渗透度（AIU）作为工具变量，回归结果见表3。

采用工具变量两阶段最小二乘法（IV-2SLS）进行回归，工具变量（AIU）均通过了“弱工具变量”检验和“不可识别”检验。由表3列（1）可知，一阶段工具变量（AIU）与各城市产业智能化（AI）在1% 水平下呈显著的正相关。

列（2）和列（3）中，产业智能化工具变量拟合值（AI_IV）对能源消费总量（energy）和能源消费强度（EI）的影响系数均显著为负。列（4）和列（5）中，产业智能化工具变量拟合值（AI_IV）对碳排放总量（CO2）的影响系数并不显著，而对碳排放强度（CI）的影响系数显著为负。列（6）和列（7）中，产业智能化工具变量拟合值（AI_IV）对工业污染排放总量（POL）和工业污染排放强度（PI）的影响系数均显著为负。表3结果与表2结果一致，从而验证了基准回归结果。

3. 2. 2 GMM动态面板分析

由于静态面板结果可能存在内生性及估计偏误问题，为此采用系统GMM进行估计，回归结果见表4。表4列（1）和列（2）中，产业智能化（AI）对能源消费总量（energy）和能源消费强度（EI）的影响系数均显著为负。列（3）和列（4）中，产业智能化（AI）对碳排放总量（CO2）的影响系数为负但并不显著，而对碳排放强度（CI）的影响系数显著为负。列（5）和列（6）中，产业智能化（AI）对工业污染排放总量（POL）和工业污染排放强度（PI）的影响系数均显著为负。基准回归结果再次得到验证，产业智能化能够从总量和強度实现节能降碳减排。

3. 2. 3 外生冲击检验

为精确识别产业智能化与节能降碳减排间的因果关系，进一步进行外生冲击检验。2013 年12 月工业和信息化部发布《关于推进工业机器人产业发展的指导意见》（以下简称“意见”），指出“工业机器人作为产业智能化发展的自动化装备，是未来产业智能化的发展方向”。2017年7月《国务院关于印发新一代人工智能发展规划的通知》（以下简称“通知”）指出“我国应把握智能化发展的重大历史机遇，加快形成智能化发展的先发优势，为我国经济发展注入新动能”。“意见”和“通知”作为中国政府有关智能化应用的政策文件，对于各城市而言是促进其智能化转型的一个相对外生冲击。因此，选取两个政策冲击时点2013年和2017年构建DID模型。连续型DID不仅能够呈现出更为丰富的样本异质性，而且可以避免主观设定处理组和实验组所产生的偏差，减少模型的内生性问题［32］。使用“产业智能化”这一连续变量作为模型分组变量的代理变量，构建连续型DID 模型如下：

式（2）中：Postit为时点变量，政策冲击后该值取1，之前取0。AIit ×Postit的系数δ 反映冲击影响，若δ 显著为负，则表明受冲击较大的城市节能降碳减排效果较为明显，即产业智能化能够显著实现节能降碳减排。DID的估计结果见表5和表6。

表5表明：列（1）和列（2）中“意见”冲击对能源消费总量（energy）和能源消费强度（EI）的影响系数均显著为负。列（3）中“意见”冲击对碳排放总量（CO2）的影响系数为负同样并不显著，而列（4）中“意见”冲击对碳排放强度（CI）的影响系数显著为负。列（5）和列（6）中“意见”冲击对工业污染排放总量（POL）和工业污染排放强度（PI）的影响系数均显著为负。表5结果再次证实了基准回归结果的稳健性。

表6表明：列（1）和列（2）中“通知”冲击对能源消费总量（energy）和能源消费强度（EI）的影响系数均显著为负。与基准结果不同，列（3）中“ 通知”冲击对碳排放总量（CO2）的影响系数显著为负，表明近年来随着“通知”冲击所引发的产业智能化水平的提升能够减少碳排放总量，列（4）中“通知”冲击同样能够显著降低碳排放强度（CI）。表明“通知”冲击能够实现“碳排放双控”。列（5）和列（6）中“通知”冲击对工业污染排放总量（POL）和工业污染排放强度（PI）的影响系数均显著为负。表6结果再次验证了基准回归结果。

3. 2. 4 替换解释变量

与熵值法不同，纵横向拉开档次法确定权重系数的原则能够有效减少指标合成的信息损耗［33］。采用纵横向拉开档次法再次构建产业智能化指数（AIR）并进行回归，回归结果见表7。

由表7可以看出，替换解释变量后产业智能化对能源消费总量（energy）、能源消费强度（EI）、碳排放强度（CI）、工业污染排放总量（POL）和工业污染排放强度（PI）的影响系数均显著为负，但对碳排放总量（CO2）的影响并不显著，从而保证了基准回归结果的稳健性。

4 机制分析

4. 1 机制检验模型

实证检验结果表明，产业智能化能够实现节能降碳减排。该研究以温忠麟等［34］所提出中介效应模型为基础，探究产业智能化节能降碳减排的具体机制。首先，验证产业智能化对机制变量的影响：

式（3）中M 为中介变量。依据假说2a、假说2b、假说3a和假说3b可知，产业智能化能够通过技术创新效应和产业结构升级效应实现节能降碳减排“双控”。因此，选取表征技术创新效应的绿色技术创新和表征产业结构升级效应的产业结构高级化作为机制变量，具体包括：绿色技术创新（patent），采用各地级市上市企业某年所申请的绿色发明型专利数和绿色实用新型专利数之和，与其当年申请所有专利数之比取对数，衡量各地级市绿色技术创新水平。产业结构升级（HIS），参考付凌晖［24］的做法采用产业结构高级化值（HIS）取对数表征产业结构升级。HIS 越大，表明产业结构升级水平越高。

其次，结合江艇［35］有关中介效应分析的操作建议，为考察产业智能化的节能降碳减排效应在多大程度上可以被机制变量的作用渠道所捕捉，进一步在基准回归中控制机制变量：

4. 2 机制检验结果分析

依据式（3）和式（4）的设定，对产业智能化影响能源消费、碳排放和工业污染排放总量和强度的具体机制进行实证检验，回归结果见表8和表9。

在表8中，由列（1）可以看出，产业智能化（AI）对绿色技术创新（patent）的影响系数在5%的水平下显著为正，表明产业智能化能够推动“绿色智能技术革命”，实现绿色技术创新。进一步将绿色技术创新（patent）作为控制变量加入基准回归中，结果见表8列（2）—列（7）。列（2）中产业智能化（AI）对能源消费总量（energy）的影响系数为-0. 422且在1%的水平下显著，较基准回归结果影响系数-0. 909明显减少，表明绿色技术创新是产业智能化减少能源消费总量的重要机制。列（3）中产业智能化（AI）对能源消费强度（EI）的影响系数为-1. 950且在1%的水平下显著，较基准回归结果影响系数-2. 050有所下降，表明产业智能化能够通过促进绿色技术创新进而降低能源消费强度。列（4）中产业智能化（AI）对碳排放总量（CO2）的影响仍未显著，表明产业智能化所引发的绿色技术创新未能减少碳排放总量。列（5）中产业智能化（AI）对碳排放强度（CI）的影响系数为-0. 679且在5%的水平下显著，较基准回归结果影响系数-1. 902明显减少，表明产业智能化所引发的绿色技术创新能够降低碳排放强度。列（6）产业智能化（AI）对工业污染排放总量（POL）的影响系数为-0. 125且在1%的水平下显著，较基准回归结果影响系数-0. 412明显减少，表明产业智能化能够通过促进绿色技术创新进而降低工业污染排放总量。列（7）中产业智能化（AI）对工业污染排放强度（PI）的影响系数为-1. 140且在1%的水平下显著，较基准回归结果影响系数-1. 399有所下降，因此产业智能化能够通过促进绿色技术创新进而降低工业污染排放强度。

表8中列（2）和列（6）证明了假说2a中产业智能化能够通过绿色技术创新减少能源消费和工业污染排放总量。而列（4）未能证明假说2a中产业智能化能够通过绿色技术创新减少碳排放总量。基准回归中产业智能化对碳排放总量并未起到显著的抑制作用，由表8列（4）结果可知目前产业智能化所引发的绿色技术创新未能减少碳排放总量，绿色技术创新水平较低是产业智能化未能实现“碳排放双控”的主要原因。其原因可能在于，目前产业智能化发展仍以增量为主，依托智能化应用产生具有突破性的绿色创新技术积累仍有待提高。表8中列（3）、列（5）和列（7）证明了假说2b中产业智能化能够通过绿色技术创新降低能源消费、碳排放和工业污染排放强度。

在表9中，产业智能化（AI）对产业结构升级（HIS）的影响系数在1%的水平下显著为正，表明产业智能化能够形成良好的结构转型效应，实现产业结构升级。进一步将产业结构升级（HIS）作为控制变量加入基准回归中，结果见表9列（2）—列（7）。列（2）中产业智能化（AI）对能源消费总量（energy）的影响系数为-0. 251且在1% 的水平下显著，较基准回归结果影响系数-0. 909明显下降，表明产业智能化应用能够推动产业结构升级进而减少能源消费总量。列（3）中产业智能化（AI）对能源消费强度（EI）的影响系数为-0. 950且在5% 的水平下显著，较基准回归结果影响系数-2. 050明显减少，表明产业结构升级是产业智能化降低能源消费强度的重要路径。值得注意的是，列（4）中产业智能化（AI）对碳排放总量（CO2）的影响系数为-1. 041且在5% 的水平下显著，表明产业智能化能够通过产业结构升级进而减少碳排放总量。列（5）中产业智能化（AI）对碳排放强度（CI）的影响系数为-0. 470且在10%的水平下显著，较基准回归结果影响系数-1. 902明显下降，表明产业智能化能够通过产业结构升级进而降低碳排放强度。列（6）产业智能化（AI）对工业污染排放总量（POL）的影响系数为-0. 122且在5%的水平下显著，较基准回归结果影响系数-0. 412 有所下降，表明产业智能化能够推动产业结构升级减少工业污染排放总量。列（7）中产业智能化（AI）对工业污染排放强度（PI）的影响系数为-0. 660且在1% 的水平下显著，较基准回归结果影响系数-1. 399明显下降，表明产业智能化能夠通过推动产业结构升级进而降低工业污染排放强度。

表9中列（2）、列（4）和列（6）证明了假说3a中产业智能化能够通过产业结构升级减少能源消费、碳排放和工业污染排放总量。列（3）、列（5）和列（7）证明了假说3b中产业智能化能够通过产业结构升级降低能源消费、碳排放和工业污染排放强度。

由表8和表9可知，产业智能化通过产业结构升级能够实现“双控”目标下的节能降碳减排。目前通过智能化技术所推动的绿色技术创新水平较低，是产业智能化未能实现“碳排放双控”的根本原因。因此，进一步提升地级市绿色技术创新水平，是由“能耗双控”向“排放双控”转型的重要条件。

5 结论与启示

基准回归结果得出：除碳排放总量外，产业智能化对能源消费总量、能源消费强度、碳排放强度、工业污染排放总量和工业污染排放强度均具有负向影响。产业智能化对能源消费、碳排放和工业污染排放强度的影响均高于对其总量的影响。产业智能化对能源消费的影响最大，而对碳排放和工业污染排放的影响相对较小。由此可得，目前产业智能化主要作用于“能耗双控”，对“工业污染排放双控”作用较小，但未能实现“碳排放双控”。机制检验证明：产业智能化通过绿色技术创新能够降低能源消费和工业污染排放的总量和强度，未能降低碳排放总量但可以降低碳排放强度；通过产业结构升级能够降低能源消费、碳排放、工业污染排放总量和强度，实现节能降碳减排“双控”。因此，通过智能化技术提升地级市绿色技术创新水平是实现由“能耗双控”向“排放双控”转型的重要条件。基于研究结果得到以下政策启示。

第一，提升各地级市产业智能化发展水平，充分发挥产业智能化节能降碳减排作用。地方政府应把握产业智能化发展机遇，加大产业智能化前沿研究所需的财政支持，依据智能化技能需求构建人才培养体系，完善智能化能源互联网基础设施建设，通过制定有助于智能化技术普及的政策体系，促进各地级市运用智能化技术完成全产业技术升级，为各地级市节能降碳减排“双控”提供技术支撑。

第二，加快企业智能化绿色技术研发，推动“能耗双控”向“排放双控”转型。地方政府应为绿色偏向型技术创新提供政策支持，通过税收优惠和研发补贴鼓励智能化企业开展绿色技术研究，积极搭建产学研合作项目，落实知识产权保护相关政策，促进绿色技术成果快速转化。企业应加大智能化研发投资力度，加强绿色技术自主研发能力，尽快突破“卡脖子”关键技术，创造由“能耗双控”向“排放双控”转型的技术条件。

第三，有序推进智能化产业结构转型升级，逐步实现节能降碳减排“双控”。地方政府应依据其自身产业结构基础制定差异化产业政策，促进智能化技术在产业中的规模化应用。以节能降碳减排为导向推进产业结构升级，推动智能化技术与传统产业融合创新，突破对污染属性技术的路径依赖，提高产业结构中清洁型产业比重，逐步形成节能降碳减排“双控”的产业新格局。

参考文献

［1］ 陈诗一. 中国的绿色工业革命：基于环境全要素生产率视角的解释（1980—2008）［J］. 经济研究，2010，45（11）：21-34，58.

［2］ 广州日报. 2020中国人工智能产业白皮书［N/OL］. 2021-02-28［2022-10-28］. https：//baijiahao. baidu. com/s？id=1692940905082939624&wfr=spider&for=pc.

［3］ 高煜. 我国经济高质量发展中人工智能与制造业深度融合的智能化模式选择［J］. 西北大学学报（哲学社会科学版），2019，49（5）：28-35.

［4］ 李克强. 政府工作报告：2022年3月5日在第十三届全国人民代表大会第五次会议上［N］. 光明日报， 2022-03-13.

［5］ PANAYOTOU T. Empirical tests and policy analysis of environmentaldegradation at different stages of economic development［R］. 1993.

［6］ 白俊紅，聂亮. 技术进步与环境污染的关系：一个倒U 形假说［J］. 研究与发展管理，2017，29（3）：131-140.

［7］ 潘雄锋，彭晓雪，李斌. 市场扭曲、技术进步与能源效率：基于省际异质性的政策选择［J］. 世界经济，2017，40（1）：91-115.

［8］ 李标，张航，吴贾. 实施长江经济带发展战略能降低污染排放强度吗［J］. 中国人口·资源与环境，2021，31（1）：134-144.

［9］ YANG L S，LI Z. Technology advance and the carbon dioxide emissionin China： empirical research based on the rebound effect［J］.Energy policy，2017，101：150-161.

［10］ 汪东芳，曹建华. 互联网发展对中国全要素能源效率的影响及网络效应研究［J］. 中国人口·资源与环境，2019，29（1）：86-95.

［11］ 刘慧，白聪. 数字化转型促进中国企业节能减排了吗［J］. 上海财经大学学报，2022，24（5）：19-32.

［12］ 张思思，崔琪，马晓钰. 数字要素赋能下有偏技术进步的节能减排效应［J］. 中国人口·资源与环境，2022，32（7）：22-36.

［13］ 蒋为，龚思豪，李锡涛. 机器人冲击、资本体现式技术进步与制造业碳减排：理论分析及中国的经验证据［J］. 中国工业经济，2022（10）：24-42.

［14］ 胡岚曦，胡志浩. 人工智能的经济与经济学影响分析［J］. 国外社会科学，2020（6）：127-135.

［15］ ACEMOGLU D，AGHION P，BURSZTYN L， et al. The environmentand directed technical change［J］. American economic review，2012，102（1）：131-166.

［16］ 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.

［17］ 胡俊，杜传忠. 人工智能推动产业转型升级的机制、路径及对策［J］. 经济纵横，2020（3）：94-101.

［18］ 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（2）：137-155.

［19］ AGHION P， JONES B F， JONES C I. Artificial intelligence andeconomic growth［M］. Chicago： University of Chicago Press，2018： 237-282.

［20］ 孙早，侯玉琳. 人工智能发展对产业全要素生产率的影响：一个基于中国制造业的经验研究［J］. 经济学家，2021（1）：32-42.

［21］ AGRAWAL A，GANS J S， GOLDFARB A. Exploring the impactof artificial intelligence： prediction versus judgment［J］. Informationeconomics and policy，2019，47：1-6.

［22］ GROSSMAN G M，KRUEGER A B. Economic growth and the environment［J］. The quarterly journal of economics，1995，110（2）：353-377.

［23］ 工业和信息化部. 促进新一代人工智能产业发展三年行动计划（2018—2020年）［R］. 2017.

［24］ 付凌晖. 我国产业结构高级化与经济增长关系的实证研究［J］. 统计研究，2010，27（8）：79-81.

［25］ 张万里，宣旸. 产业智能化对产业结构升级的空间溢出效应：劳动力结构和收入分配不平等的调节作用［J］. 经济管理，2020，42（10）：77-101.

［26］ 郭凯明. 产业智能化发展、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.

［27］ ACEMOGLU D，RESTREPO P. The race between man and machine：implications of technology for growth，factor shares，and employmen［t J］. American economic review，2018，108（6）：1488-1542.

［28］ 魏下海，張沛康，杜宇洪. 机器人如何重塑城市劳动力市场：移民工作任务的视角［J］. 经济学动态，2020（10）：92-109.

［29］ BARTIK T. How do the effects of local growth on employmentrates vary with initial labor market conditions［R］. 2009.

［30］ 樊纲，王小鲁，马光荣. 中国市场化进程对经济增长的贡献［J］. 经济研究，2011，46（9）：4-16.

［31］ 陈诗一，陈登科. 雾霾污染、政府治理与经济高质量发展［J］.经济研究，2018，53（2）：20-34.

［32］ BERTRAND M，MULLAINATHAN S. Enjoying the quiet life：corporategovernance and managerial preferences［J］. Journal of politicaleconomy，2003，111（5）：1043-1075.

［33］ 钞小静，薛志欣，王昱璎. 中国新经济的测度及其经济高质量发展效应分析［J］. 人文杂志，2021（8）：38-49.

［34］ 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.

［35］ 江艇. 因果推断经验研究中的中介效应与调节效应［J］. 中国工业经济，2022（5）：100-120.

（责任编辑：李琪）