2026, Vol. 47
近年来，随着环境污染与气候变化问题日益严峻，传统治理模式难以满足减污降碳协同治理的现实需求，亟需引入更具效能的新兴技术手段以增强环境治理能力[1]. 作为引领新一轮科技革命与产业变革的重要力量，人工智能在污染源精准识别和能耗精细化管理等方面展现出巨大潜力，为减污降碳协同治理提供了新的技术路径[2]. 然而，其作用效果尚存争议：一方面，人工智能能够通过优化控制等技术手段促进减污降碳协同增效；另一方面，其算力基础设施的高能耗可能引发“技术减排-能源增排”的抵消效应，削弱其环境净效益. 因此，深入探讨人工智能在减污降碳协同治理中的作用效果与影响机制，对于完善中国城市绿色转型政策体系、提升环境治理效能和实现“双碳”目标具有重要的理论和现实意义.
人工智能作为一种以机器为核心，能够围绕人类设定目标进行预测、提供建议并作出决策，从而影响现实或虚拟环境的系统[3]，具备人类甚至超越人类的行为能力[4]. 目前，学术界围绕人工智能的影响效应展开了丰富的探讨. 在经济层面，有研究表明人工智能通过调整社会劳动力需求结构[5]，提升全要素生产率[6]，成为驱动经济增长的新引擎[7]；在社会层面，人工智能被视为优化就业结构[8]，应对老龄化挑战[9]，以维护社会稳定的有效工具[10]；在技术层面，人工智能的赋能作用体现在加速研发要素流动，增强区域创新生态系统竞争力等方面[11]. 然而，相较于人工智能对经济、社会和技术影响方面的丰硕成果，人工智能的环境效应，尤其是人工智能对减污降碳协同增效影响的相关研究则相对匮乏. 现有相关研究主要围绕数字技术和数智融合发展等对减污降碳协同效应的影响展开. 例如，卿玲丽等[12]以中国沪深A股上市公司面板数据为研究对象，考量数字技术应用的减污降碳协同效应，研究发现，企业数字技术的应用能够显著提升减污降碳协同效应水平，且在中小规模企业、非重污染行业以及东部地区企业更为显著；张杰等[13]运用双向固定效应模型和中介效应模型等多种计量模型，探究数智融合发展对减污降碳协同的影响，研究发现，数智融合发展不仅能够直接提升减污降碳协同治理水平，还可以通过加快技术创新和优化能源结构，促进减污降碳协同治理. 尽管这些研究揭示了数字化转型的环境价值，但人工智能相较于一般的数字技术具有更强的自学习、自决策与系统优化能力[14]，其在能耗管理、排放监测与资源配置等方面能够实现更高层次的智能优化与反馈调节. 因此，现有研究难以精准刻画人工智能真实的环境效应.
综上所述，尽管现有文献对人工智能的影响效应进行了多维度探讨，但对其环境效应的研究尚不充分，尤其是关于其在减污降碳协同增效中的作用机制与实现路径亟待深入探讨. 因此，本文的边际贡献如下：一是将人工智能与减污降碳协同增效纳入同一分析框架，通过构建多种计量模型，从产业结构升级、绿色技术创新和缓解资源错配这3个维度揭示人工智能对减污降碳协同增效的作用路径，并结合数字基础设施发展水平的门槛效应，探讨了人工智能对减污降碳协同增效的非线性影响，进一步打开了人工智能影响减污降碳协同增效的作用机制黑箱. 二是从空间视角出发，构建空间杜宾模型，系统分析人工智能对减污降碳协同增效的空间溢出效应，有效弥补了既有文献在空间效应研究方面的不足. 三是运用随机森林算法，并构建偏效应模型，深入分析人工智能和地区教育水平对减污降碳协同增效的动态影响，以期为减污降碳协同治理提供更加精准的政策建议.
1 理论分析与研究假设 1.1 人工智能对减污降碳协同增效的直接影响减污降碳协同增效强调在实施环境防治措施的过程中，实现污染物排放和碳排放的同步下降，并带来绿色全要素生产率的提升，即实现经济环境综合效率的提升[15]. 人工智能作为新一代信息技术的代表，其本身具有一定绿色属性[16]. 首先，人工智能能够融合多源环境数据，降低环境信息获取与处理的交易成本，缓解污染治理中的信息不对称，推动污染物与碳排放的协同监测与响应机制的构建，从而有效提升绿色全要素生产率，进而实现经济环境综合效率的同步优化[17]. 其次，人工智能能够提升碳市场与污染排放治理机制的运行效率，其通过高精度风险预测，强化排放行为与治理成本之间的联动机制，推动污染物与碳排放同步内生于市场定价体系，从而在最小治理成本下实现综合环境效益最大化[18]. 最后，人工智能能够基于行为偏好与碳足迹数据构建个性化绿色行为激励体系，在信息引导与反馈机制中实现对污染物与碳排放的同步抑制，有效强化个体低碳决策的激励效应与绿色选择的资源配置效率，促进减污降碳协同增效[19]. 因此，本文提出假设1：人工智能对减污降碳协同增效具有促进作用.
1.2 人工智能对减污降碳协同增效的间接影响 1.2.1 产业结构升级产业结构升级是指伴随技术进步和生产社会化，传统产业进行改造升级，落后产业被逐步淘汰，从而推动产业结构向更合理、更高级方向发展的过程，其实质是生产要素在各部门和产业间的重新配置[20]. 在高污染和高能耗的传统产业中，减少碳排放可能伴随着污染物排放的增加，导致污染物和碳排放无法同步减少，进而影响减污降碳协同效应和经济的可持续发展[21]. 这一现象的根源在于，碳排放和污染物排放的治理往往依赖于不同的技术路径和管理手段，而传统产业的改造升级往往未能充分考虑这一点，导致减碳措施可能加重了污染物排放问题. 人工智能作为技术变革的重要驱动力，能够引导经济体系从高能耗和高污染的传统部门向清洁低碳和高附加值的现代产业体系演进. 在此过程中，中低端制造业将逐步被边缘化，而智能制造、绿色物流和数字服务等新兴产业将迅速崛起，推动产业结构向高技术和绿色化方向发展，带来污染物和碳排放的同步下降. 同时，人工智能提高了资本与技术要素在绿色产业中的边际产出水平，增强了要素配置的效率，使污染控制与碳减排在整体经济活动中由被动响应转为内生驱动，有助于提升绿色全要素生产率和经济环境的综合效率[22].
1.2.2 绿色技术创新绿色技术创新能够兼顾资源节约、经济效益提升与污染减排，是实现经济发展与环境保护协调统一的核心驱动力[23]. 然而，在绿色技术研发和初期应用阶段，可能会出现碳排放降低而污染物排放未同步改善的情况. 其原因在于，部分绿色技术虽然能有效减少二氧化碳排放，但在转换过程中可能产生更多的其他污染物. 例如，某些清洁能源技术的生产和转换过程可能依赖于高污染的生产工艺，或者使用的原材料和技术本身在短期内无法实现污染物的同步减少，导致减污降碳的协同效应受限[24]. 这一“脱节”现象使减污降碳协同增效的目标难以同步达成，从而影响绿色技术创新的整体效果. 人工智能一方面能够通过提升信息处理效率，优化绿色技术的研发路径，从而减少绿色技术创新过程中的试错周期与资源投入冗余，促进绿色技术的加速落地与应用[25]，另一方面能通过知识共享和大数据分析，加速绿色技术的扩散和应用，推动传统高碳和高污染生产方式逐步转型为低碳、智能和高效的现代生产方式. 这一转型不仅降低了碳排放，还通过智能化的污染物控制技术，有效减少了污染物的排放. 随着绿色技术产出能力和应用边界的不断拓展，绿色生产的边际效益将显著提高，从而实现污染物排放和碳排放的协同降低，并带来经济环境综合效率的持续提升.
1.2.3 缓解资源错配资源错配是指经济体系中资源未能按照最优效率原则进行配置，从而偏离了可能实现的最大社会产出状态[26]. 在现实经济中，受信息不对称、技术壁垒和政策障碍等因素的影响，资源往往难以在最需要的领域和环节中实现最优配置，表现为不同程度的资源错配. 这种错配不仅制约了经济效率，也削弱了污染治理与碳减排的协同效能，导致减污降碳协同增效的目标难以实现[27]. 人工智能作为新一代信息技术的代表，凭借其强大的信息整合能力，能够缓解资源错配. 一方面，人工智能可以识别各地区和各行业的碳排放边际治理成本和减排潜力，引导治理资金和环保技术等资源向污染控制收益更高的方向集中，提升治理资源的边际产出水平；另一方面，人工智能可通过智能管理系统，优化绿色岗位与高技能劳动力之间的信息对接，提升劳动力在绿色生产中的配置效率. 当要素在各部门之间形成更优组合时，不仅促进了绿色全要素生产率的提升，也增强了污染控制与碳减排的协同能力.
综上所述，本文提出假设2：人工智能通过产业结构升级、绿色技术创新和缓解资源错配促进减污降碳协同增效.
1.3 人工智能对减污降碳协同增效的非线性影响随着数字基础设施的不断完善，人工智能对减污降碳协同增效的影响呈现非线性特征. 首先，技术互补性理论指出，核心技术的产出效应依赖于互补要素的完善程度. 数字基础设施作为人工智能运行的关键支撑，在数据采集、传输、存储与处理等环节提供必要的硬件与制度保障，其发展水平直接决定了人工智能在污染源监测、节能调度与排放管理等领域的应用效率. 当基础设施薄弱时，数据质量不足和传输延迟等问题将严重限制人工智能的功能发挥；而在设施完善的条件下，人工智能与数字化平台的高效对接能够显著放大其协同治理能力. 其次，网络外部性理论进一步指出，技术价值会随着用户规模和网络连接程度的提高而增强. 数字基础设施的扩展不仅扩大了人工智能的应用覆盖范围，还能增强跨行业和跨区域的资源配置与信息共享效率，从而提升其在节能降耗与污染减排中的整体效用. 最后，技术扩散理论揭示了新技术在导入期、成长期和成熟期的效能差异. 在导入期，人工智能往往只能在局部实现边际改进；在成长期，随着设施升级和制度适配推进，人工智能可能会出现短期适应成本上升与产出滞后现象；在成熟期，人工智能与完善的数字基础设施深度融合，形成规模经济、范围经济与学习效应，使其减污降碳协同治理能力实现显著提升. 因此，本文提出假设3：人工智能对减污降碳协同增效的影响因数字基础设施发展水平不同而存在非线性门槛特征.
1.4 人工智能对减污降碳协同增效的空间溢出影响人工智能的发展不仅能够促进本地区减污降碳协同增效，还能够通过要素流动、技术扩散和知识溢出等方式带动邻近地区减污降碳协同增效. 首先，人工智能发展水平较高地区的企业往往率先实现绿色产品的技术突破与市场先发优势，在市场竞争压力作用下，会对周边地区企业形成绿色转型倒逼机制，促使其加快绿色技术研发与生产效率提升. 其次，根据雅各布斯外部性理论与马歇尔外部性理论，学习与模仿能够有效提升环境绩效[25]. 人工智能能够为周边地区提供新型智能学习模式与深度信息处理路径，增强绿色创新要素的空间流动性，加快绿色技术在不同区域间的扩散，助力周边地区减污降碳协同增效. 最后，人工智能能够促进生产智能化、流程可视化与数据共享，使绿色生产中的隐性知识转化为可传递的显性经验，助推传统产业绿色升级路径经验在区域间快速传播. 随着绿色知识、技术与管理模式的不断跨区流动，人工智能在本地形成的绿色治理优势将外溢至更大空间范围，有效带动邻近地区绿色全要素生产率提升，实现区域整体污染物与碳排放的协同降低，促进减污降碳协同增效. 因此，本文提出假设4：人工智能对减污降碳协同增效的影响具有正向的空间溢出效应.
2 材料与方法 2.1 研究方法 2.1.1 基准回归模型为探究人工智能对减污降碳协同增效的影响，同时，消除时间差异和个体差异等对研究结果的干扰，构建双向固定效应模型检验人工智能对减污降碳协同增效的影响效应. 具体模型如下：
| (1) |
式中，POLLit表示城市i在t年的减污降碳协同增效水平；AIit表示城市i在t年的人工智能发展水平；Controlsit表示其他控制变量；α0、α1和α2表示待估计参数；μi表示个体固定效应；νt表示时间固定效应；εit表示随机误差项.
2.1.2 中介效应模型为探究人工智能对减污降碳协同增效的传导路径，借鉴江艇[28]的研究思路，从产业结构升级、绿色技术创新和资源错配程度这3个方面，构建中介效应模型检验人工智能影响中国城市减污降碳协同增效的作用机制. 具体模型如下：
| (2) |
式中，Mit为机制变量，依次为产业结构升级（UIS）、绿色技术创新（GRE）和资源错配程度（TKL），其它变量符号含义同式（1）.
2.1.3 面板门槛模型为探究人工智能对减污降碳协同增效的非线性影响，本文构建了面板门槛模型. 具体模型如下：
| $ \begin{aligned} \mathrm{POLL}_{i t}= & \alpha_0+\omega_1 \mathrm{AI}_{i t} \times I\left(\mathrm{DIG}_{i t} \leqslant \delta_1\right)+\omega_2 \mathrm{AI}_{i t} \times \\ & I\left(\delta_1<\mathrm{DIG}_{i t} \leqslant \delta_2\right)+\cdots+\omega_n \mathrm{AI}_{i t} \times I\left(\delta_{n-1}<\right. \\ & \left.\mathrm{DIG}_{i t} \leqslant \delta_n\right)+\omega_{n+1} \mathrm{AI}_{i t} \times I\left(\mathrm{DIG}_{i t}>\delta_n\right)+ \\ & \alpha_2 \text { Controls }_{i t}+\mu_i+\nu_t+\varepsilon_{i t} \end{aligned} $ | (3) |
式中，DIGit为门槛变量，即数字基础设施发展水平，δ表示门槛值，
为探究人工智能对减污降碳协同增效的空间溢出效应，本文构建了空间杜宾模型（SDM）. 具体模型如下：
| $ \begin{aligned} \text { POLL }_{i t}= & \rho \boldsymbol{W} \text {POLL }_{i t}+\alpha_1 \mathrm{AI}_{i t}+\theta \boldsymbol{W}\mathrm{AI}_{i t}+\alpha_2 \text { Controls }_{i t}+ \\ & \eta \boldsymbol{W} \text {Controls }_{i t}+\mu_i+\nu_t+\varepsilon_{i t} \end{aligned} $ | (4) |
式中，ρ表示空间自相关系数，W表示空间权重矩阵，选取邻接矩阵，θ表示相邻地区人工智能对本地区减污降碳协同增效水平的影响程度，其它变量符号含义同式（1）.
2.1.5 偏效应模型为探究人工智能对减污降碳协同增效的动态影响效应，本文参考Friedman[29]的做法，构建偏效应模型. 模型设定如下：
| (5) |
式中，fs为人工智能对减污降碳协同增效的偏效应函数，
为进一步探究人工智能与地区教育水平对减污降碳协同增效的联合偏效应，本文将模型扩展至3个维度. 模型设定如下：
| (6) |
式中，fλ为人工智能与地区教育水平对减污降碳协同增效的联合偏效应函数，
本文以减污降碳协同增效水平为被解释变量. 减污降碳协同增效是指在能源-环境-经济系统中，通过联合减排多种污染物与二氧化碳，实现资源利用效率提升、环境质量改善与经济增长的协调发展，故借鉴陶长琪等[15]的研究思路，采用数据包络分析法（DEA）结合全域技术前沿、非角度和非径向方向性距离函数（NN-DDF）及Luenberger生产率指标对其进行测度，用符号POLL表示. 具体测算过程如下.
首先，假设存在T个决策单元（DMU），各单元使用N种投入向量
| $ P^G=\left\{\begin{array}{c} \sum\limits_{i=1}^T \sum\limits_{i=1}^l \lambda_i^l x_{i n}^l \leqslant x_{i n}^t, \quad \forall n, \\ \sum\limits_{i=1}^T \sum\limits_{i=1}^l \lambda_i^l y_{i n}^l \geqslant y_{i n}^l, \quad \forall m, \\ \sum\limits_{i=1}^T \sum\limits_{i=1}^l \lambda_i^l b_{i j}^l=b_{i j}^l, \quad \forall j, \quad \lambda_i^l \geqslant 0, \quad \forall i . \end{array}\right. $ | (7) |
其次，构建非期望产出的非角度、非径向方向距离函数（NN-DDF）：
| $ \begin{gathered} \vec{D}\left(x^t, y^t, b^t ; g_x, g_y, g_b\right)=\sup \left\{\pi^{\top} \beta:\left[\left(x^t, y^t, b^t\right)+\right.\right. \\ \left.\left.\left(g_x, g_y, g_b\right) \times \operatorname{diag}(\beta)\right] \in P^G\right\} \end{gathered} $ | (8) |
式中，权重向量
再次，以资本（K）、劳动（L）和能源（E）为投入要素，其中资本采用通过永续盘存法计算得到的资本存量衡量，劳动采用城镇年末从业人数衡量，能源采用能源消费总量衡量；以区域生产总值（Y）为期望产出；以PM2.5质量浓度（P）、废水排放量（W）、二氧化硫排放量（S）和氮氧化物排放量（N）为减污子系统的非期望产出；以二氧化碳排放量（C）为降碳子系统的非期望产出. 对投入要素、期望产出和非期望产出分别赋予1/3的权重，各子系统内部再进行平均分配，据此构建的非角度、非径向方向距离函数（NN-DDF）可通过求解以下线性规划实现：
| $ \begin{aligned} & \vec{D}^G\left(x^t, y^t, b^t ; g_x, g_y, g_b\right)=\max \left\{\pi_\kappa \beta_K+\pi_L \beta_L+\right. \\ & \;\;\;\;\;\;\;\;\pi_E \beta_E+\pi_Y \beta_Y+\pi_P \beta_P+\pi_W \beta_W+\pi_S \beta_S+ \\ & \;\;\;\;\;\;\;\;\left.\pi_N \beta_N+\pi_C \beta_C\right\} \end{aligned} $ | (9) |
基于环境技术前沿弱可处置性公理，DMU效率改进遵循投入要素缩减、期望产出扩张与非期望产出缩减的帕累托优化路径，故设定方向向量
| $ \begin{aligned} & \operatorname{POLL}=\vec{D}^{\mathrm{G}}\left(x^t, y^t, b^t ; g_x^t, g_y^t, g_b^t\right)- \\ & \quad \vec{D}^{\mathrm{G}}\left(x^{t+1}, y^{t+1}, b^{t+1} ; g_x^{t+1}, g_y^{t+1}, g_b^{t+1}\right) \end{aligned} $ | (10) |
式中，当减污降碳绩效指数（POLL）显著大于0时，表明在多污染物和碳排放协同治理框架下，区域绿色全要素生产率得到提升，实现了减污降碳协同增效，反之则相反.
2.2.2 核心解释变量本文以人工智能发展水平为核心解释变量，借鉴孙雪等[30]和黄赜琳等[31]的研究思路，采用工业机器人渗透度衡量人工智能发展水平，用符号AI表示. 具体计算过程如下.
首先，将国际机器人联盟（IFR）提供的机器人安装数据与《国民经济行业分类》（GB/T 4754—2002）进行匹配，得到中国分行业的工业机器人安装数量. 其次，以2010年为基准，运用Bartik工具变量法对工业机器人渗透度进行测度以表征人工智能发展水平. 具体公式如下：
| (11) |
式中，i表示城市，j表示行业，t表示年份，AIit表示城市i在t年的人工智能发展水平，labori，j，t=2010表示城市i的j行业在2010年的劳动力规模，labori，t=2010表示城市i在2010年的劳动力规模，robotjt表示j行业在t年的机器人安装数量，laborj，t=2010表示j行业在2010年的劳动力规模.
2.2.3 中介变量本文选取产业结构升级（UIS）、绿色技术创新（GRE）及资源错配程度（TKL）为中介变量. 其中，产业结构升级（UIS）采用第二产业和第三产业的增加值之和在国民生产总值中的占比衡量[32]，绿色技术创新（GRE）采用绿色专利申请量取对数衡量[33]；资源错配程度（TKL）采用资本错配指数与劳动力错配指数的交乘项衡量[34].
2.2.4 门槛变量本文选取数字基础设施发展水平（DIG）为门槛变量，借鉴刘满凤等[35]的做法，从数字基础设施建设水平和数字基础设施应用水平两个基本维度构建数字基础设施发展水平综合评价指标体系，具体指标如表 1所示，并采用熵值法对其进行测度.
|
表 1 数字基础设施发展水平综合评价指标体系 Table 1 Comprehensive evaluation index system for the development level of digital infrastructure |
2.2.5 控制变量
基于既有研究，本文选取以下变量为控制变量：经济发展水平（PGDP），采用人均GDP取对数衡量[36]；政府干预程度（GOV），采用政府一般预算内支出与地区GDP的比值衡量[37]；教育支持力度（PBEF），采用教育支出在一般财政支出中的比重衡量[30]；外商投资水平（FDI），采用外商直接投资与地区GDP的比值衡量[38]；人口密度（POP），采用城市年末总人口与城市当年行政区域面积的比值衡量[39]；环境规制强度（ENV），采用各城市一般工业固体废物综合利用率衡量[40].
2.3 数据来源及描述性统计考虑到数据的可获得性、完整性及行政区划调整等因素，选取2014~2023年中国267个地级市为研究样本，对于样本中的少量缺失值采用线性插值法填充，同时，对所有连续变量进行上下1%的缩尾处理以消除极端值对研究结果的影响，并最终得到2 670个有效数据. 数据来源于《中国环境统计年鉴》《中国城市统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》、地方统计局、国际机器人联盟（IFR）、中经网统计数据库和EDGAR数据库等. 主要变量的描述性统计如表 2所示，相关指标的统计结果与已有研究无明显差异.
|
|
表 2 主要变量描述性统计 Table 2 Descriptive statistics of main variables |
3 结果与讨论 3.1 直接影响效应分析 3.1.1 基准回归结果分析
人工智能对减污降碳协同增效影响的基准回归结果如表 3所示，其中列（1）为不加入控制变量的回归结果，列（2）为加入控制变量后的回归结果. 两次回归结果显示，无论是否加入控制变量，人工智能的回归系数均为正，且均在1%的统计水平上显著，表明人工智能能够显著促进减污降碳协同增效，且人工智能发展水平每提高1个单位，能够促进减污降碳协同增效水平提高0.769个单位. 可能的原因是人工智能具备绿色属性，不仅能够通过提升环境信息处理效率，推动污染物与碳排放的协同控制，提升绿色全要素生产率与治理效率，还能够优化排放治理机制，在最小化治理成本下实现环境效益最大化，假设1得以验证.
|
|
表 3 基准回归结果1） Table 3 Baseline regression results |
3.1.2 内生性检验
为了缓解内生性对研究结果的影响，运用工具变量法，选取互联网普及率（INT）和光缆密度（FOC）作为工具变量进行两阶段最小二乘估计，回归结果如表 4所示. 一方面，互联网普及率和光缆密度都能够有效反映地区信息通信技术的发展水平，是人工智能技术应用与扩散的重要基础条件，与人工智能高度相关，符合工具变量相关性要求；另一方面，互联网普及率和光缆密度的变动主要受通信基础设施投资等因素的影响，这些因素更多取决于历史建设条件、人口分布与地理特征等长期结构性因素，而非直接由本期的减污降碳协同增效水平所决定，满足工具变量外生性要求. 结果显示，互联网普及率与光缆密度均通过了工具变量的可识别性与弱工具变量检验，进一步说明二者具备较强的解释力，能够作为有效的工具变量使用. 在第二阶段回归中，人工智能变量的系数均在至少10%的显著性水平上显著为正，且方向与基准回归保持一致，表明在缓解内生性问题后，人工智能对减污降碳协同增效的促进作用依然稳健，进一步验证了基准模型设定的合理性与研究结论的可靠性.
|
|
表 4 内生性检验结果1） Table 4 Results of endogeneity tests |
3.1.3 稳健性检验
为检验基准回归结果的稳健性，本文从以下3个方面进行稳健性检验：一是替换被解释变量. 为排除单一指标依赖对研究结论的影响，本文参照陶长琪等[15]的做法，采用绿色全要素生产率增长与地区生产总值增长之比作为减污降碳协同增效的替代指标，重新进行回归，结果如表 5列（1）所示. 二是剔除直辖市和副省级城市. 考虑到直辖市和副省级城市通常具备更完善的人工智能基础设施、更大的科技投入强度以及更强的环境治理能力，在政策资源、绿色转型等方面显著优于一般地级市. 如果不加控制地将这些城市纳入整体样本，可能会夸大人工智能对减污降碳协同增效的实际影响，从而引发模型估计偏误. 因此，本文剔除了直辖市和副省级城市，并在此基础上重新进行回归，结果如表 5列（2）所示. 三是剔除异常年份. 考虑到新冠疫情期间大规模的工业停工、交通管控及线下活动中断，导致污染物与碳排放出现异常下降，同时也加快了人工智能在智慧医疗、应急物流调度和线上办公等领域的应用，这些应用虽短期加速了人工智能的发展，却与绿色生产、节能减排的直接关联性较弱，易对识别减污降碳协同增效机制带来噪声. 此外，疫情背景下的数据统计口径、监测频率和治理策略也存在波动性，进一步增加了模型估计的误差风险. 因此，本文剔除了2020年之后的年份，并在此基础上重新进行回归，结果如表 5列（3）所示. 3次回归结果显示，人工智能变量的估计系数均显著为正，表明人工智能能够有效促进减污降碳协同增效，研究结论稳健可靠.
|
|
表 5 稳健性检验结果 Table 5 Results of robustness tests |
3.1.4 异质性检验
（1）城市区位异质性 鉴于中国地理区位特征与资源禀赋差异，人工智能对减污降碳协同增效的影响也可能存在异质性. 为此，本文依据《全国资源型城市可持续发展规划（2013—2020年）》，将样本城市划分为资源型与非资源型两类，检验人工智能作用效果的区域差异，回归结果如表 6列（1）和列（2）所示. 结果显示，人工智能对减污降碳协同增效的促进作用在非资源型城市和资源型城市之间存在显著差异，且在非资源型城市显著强于资源型城市，与已有研究结果一致[41]. 可能的原因是，相较于资源型城市，非资源型城市产业结构相对多元，服务业占比更高，绿色转型弹性更大，人工智能更易融入产业流程与环境治理体系，实现要素配置优化与绿色技术快速扩散，从而显著提升减污降碳协同治理成效.
|
|
表 6 异质性检验结果 Table 6 Results of heterogeneity tests |
（2）城市规模异质性 鉴于城市规模可能导致人工智能对减污降碳协同增效影响的异质性，本文依据国务院《关于调整城市规模划分标准的通知》（国发〔2014〕51号），将样本城市区分为大型城市与中小型城市进行实证检验，结果如表 6列（3）和列（4）所示. 结果显示，人工智能对减污降碳协同增效的影响在大型城市与中小型城市之间存在显著的组间差异，且在大型城市更为显著，与已有研究结果一致[42]. 可能的原因是相较于中小型城市，大型城市在数字基础设施、人才集聚与技术供给等方面具备显著优势，能够为人工智能在污染监测、碳排放管理和智能制造中的深度应用提供良好支撑. 同时，大型城市的产业结构更具复杂性，更易使人工智能融入生产环节，释放绿色技术创新与生产效率提升的协同效应，从而更有效促进减污降碳协同增效.
（3）城市特征异质性 由于城市特征不同可能导致人工智能对减污降碳协同增效的影响也不同，故本文按照2007年国务院印发的《国家环境保护“十一五”规划》，将城市样本划分为环保重点城市和非环保重点城市进行实证检验，结果如表 6列（5）和列（6）所示. 结果显示，人工智能对减污降碳协同增效的影响在环保重点城市和非环保重点城市之间存在显著的组间差异，且在环保重点城市更为显著，与已有研究结果一致[43]. 可能的原因是，相较于非环保重点城市，环保重点城市长期面临较大的环境治理压力，治理政策更为严格、监管体系更为完善，形成了制度驱动与技术导向相结合的治理基础. 在此背景下，人工智能更易嵌入环境监测、排放控制和资源优化配置等治理环节，助力污染物与碳排放的协同治理. 同时，环保重点城市在财政支持、技术引进与绿色治理绩效考核方面具备先发优势，为人工智能赋能绿色治理提供了更坚实的制度保障和更广阔的应用空间，从而显著提升其对减污降碳协同增效的促进效应.
3.2 间接影响效应分析基于理论分析得到人工智能影响减污降碳协同增效的3条作用机制，下面将运用中介效应模型对这3条作用机制进行检验，检验结果如表 7所示. 列（1）展示了以产业结构升级作为中介变量的回归结果，结果显示，人工智能变量的估计系数在1%的显著性水平上为正，说明人工智能能够显著促进产业结构升级，结合马彦瑞等[44]已证实产业结构升级能够促进减污降碳协同增效，表明产业结构升级是人工智能促进减污降碳协同增效的重要路径. 可能的原因是人工智能能够加速产业智能化转型，有助于淘汰高能耗、高污染和低附加值的传统产业，推动生产要素向数字经济、绿色制造和新能源等低碳高效产业流动，促进产业结构从重工业主导向绿色服务业和先进制造业演进，从而减少污染物和碳排放并提升绿色全要素生产率，实现减污降碳协同增效. 列（2）展示了以绿色技术创新作为中介变量的回归结果，结果显示，人工智能变量的估计系数为正，且通过了1%水平的显著性检验，表明人工智能能够显著促进绿色技术创新，结合陶长琪等[15]已证实绿色技术创新能够促进减污降碳协同增效，故绿色技术创新是人工智能促进减污降碳协同增效的重要路径. 可能的原因是人工智能能够通过深度学习等手段，提升绿色技术的研发效率，加速绿色创新技术的应用与扩散，并推动绿色隐性知识向显性技术积累转化，从根本上增强污染治理能力与碳减排控制效率，并在实现污染物与碳排放协同抑制的同时，带动绿色全要素生产率提升，助力减污降碳协同增效的实现. 列（3）展示了以资源错配程度作为中介变量的回归结果，结果显示，人工智能变量的估计系数在1%的统计水平上显著为负，说明人工智能能够有效缓解资源错配，赵晓梦等[45]已证实，缓解资源错配能够促进减污降碳协同增效，故缓解资源错配是人工智能促进减污降碳协同增效的重要路径. 可能的原因是人工智能具备高效的信息处理与决策优化能力，能够精准识别不同产业间的边际产出效率与边际环境代价，并在此基础上引导资本与劳动力等资源向污染强度低、绿色技术密集度高的产业部门集聚，从而缓解资源在高污染、低效益产业中的冗余配置，促进整体要素配置的绿色转向，进而实现减污降碳协同增效. 假设2得以验证.
|
|
表 7 影响机制检验结果 Table 7 Results of mechanism tests |
3.3 门槛效应分析 3.3.1 门槛效应存在性检验
基于前文理论分析，人工智能在数字基础设施不同发展水平下对减污降碳协同增效的影响可能呈现非线性门槛特征. 为检验门槛效应的存在及门槛数量，本文选取数字基础设施发展水平作为门槛变量，采用Bootstrap重抽样300次的方法，依次检验单一、双重及三重门槛效应，结果如表 8所示. 检验结果显示，单一门槛和双重门槛均在至少10%显著性水平下通过检验，而三重门槛未通过显著性检验. 据此判定模型存在双重门槛，且其门槛值分别为0.200和0.210.
|
|
表 8 门槛效应检验结果 Table 8 Results of threshold effect tests |
3.3.2 门槛效应检验结果
门槛效应回归结果如表 9所示. 根据回归结果，当数字基础设施发展水平处于不同区间时，人工智能对减污降碳协同增效的影响存在显著差异. 具体而言，当数字基础设施发展水平处于较低阶段时（DIG≤0.200），人工智能的回归系数为0.133，并在5%显著性水平下显著. 这表明在数字基础设施较为薄弱的条件下，人工智能的应用仍然能够显著提升减污降碳协同增效水平，原因可能是人工智能能够在污染源监测、节能优化调度等方面发挥边际改进作用，尤其在传统产业中，人工智能能够通过算法优化与设备升级实现即时的能效提升与排放控制，但是受制于数字基础设施水平不足，其应用范围与数据获取能力受到限制，整体推动效应相对有限. 当数字基础设施发展水平处于过渡阶段时（0.200 < DIG≤0.210），人工智能的回归系数为-0.187，未通过显著性检验，表明数字基础设施水平在跨越第一门槛但尚未达到第二门槛时，人工智能对减污降碳协同增效的促进作用暂时消失甚至转为负向，原因可能是在数字基础设施升级过程中，硬件和软件系统处于调整与整合期，企业在技术适配、数据标准化及人员培训等方面需要额外投入，短期内增加了成本压力，同时，人工智能项目可能出现“投入增加而产出滞后”现象，叠加制度与数据治理规则的不完善，削弱了减污降碳协同增效效果. 当数字基础设施发展水平进入高水平阶段时（DIG > 0.210），人工智能的回归系数为0.231，并通过了1%的显著性检验，这表明在数字基础设施相对完善的条件下，人工智能对减污降碳协同增效的促进作用显著增强，且幅度几乎是低水平阶段的两倍，原因可能是成熟的数字基础设施显著降低了人工智能应用的边际成本，提升了数据实时采集、传输与处理能力，使人工智能能够在更大范围、更高精度上实现排放预测、能耗优化与协同调度，同时，良好的基础设施条件促进了人工智能与绿色工艺、智能制造及可再生能源系统的深度融合，进而放大了其对减污降碳协同增效的推动作用，假设3得以验证.
|
|
表 9 门槛效应回归结果 Table 9 Results of threshold effect regression |
3.4 空间溢出效应分析
为系统检验人工智能对减污降碳协同增效的空间溢出效应，表 10列（1）~（3）分别展示了人工智能对减污降碳协同增效影响的空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型的回归结果. 结果显示，在不同空间计量模型设定下，人工智能的估计系数均显著为正，说明人工智能发展对减污降碳协同增效具有较为稳健的促进作用. 同时，空间滞后模型回归结果显示，空间自回归系数显著为正，表明减污降碳协同增效在地区间存在显著的空间依赖特征；空间误差模型回归结果显示，误差项空间相关系数显著，说明不可观测因素在区域层面具有明显的空间集聚性. 在此基础上，空间杜宾模型回归结果显示，人工智能对减污降碳协同增效的影响系数显著为正，表明人工智能的发展不仅能够促进本地区减污降碳协同增效，还能通过空间溢出机制对周边地区产生积极影响. 具体来看，人工智能对减污降碳协同增效的直接效应系数为0.556，且通过了1%水平的显著性检验，说明人工智能发展水平每提高1个单位，可以促进本地区减污降碳协同增效水平提高0.556个单位；人工智能对减污降碳协同增效的间接效应系数为1.034，且通过了1%水平的显著性检验，说明人工智能发展水平每提高1个单位，可以带动周边地区减污降碳协同增效水平提高1.034个单位，假设4得以验证. 因此，在政策制定过程中，应统筹本地区人工智能发展与周边地区协同联动，通过加强区域间的技术交流、制度协同与资源整合，进一步放大人工智能在减污降碳协同治理中的外溢效应，推动构建区域联动和优势互补的绿色低碳发展新格局.
|
|
表 10 空间计量模型回归结果 Table 10 Regression results of spatial econometric models |
3.5 进一步拓展分析 3.5.1 单变量动态偏效应分析
为进一步探究人工智能对减污降碳协同增效的动态影响，借鉴Friedman[29]的做法，构建偏效应模型[式（5）]. 该模型基于随机森林算法估计的特征变量与减污降碳协同增效之间的函数关系，通过对估计值取平均并整合消除其他变量对被解释变量的影响，从而得到人工智能发展水平对减污降碳协同增效的动态偏效应，如图 1所示.
|
图 1 人工智能对减污降碳协同增效的偏效应 Fig. 1 Bias effects of artificial intelligence on synergistic pollution and carbon reduction |
图 1展示了人工智能对减污降碳协同增效的动态偏效应. 从中可知，人工智能对减污降碳协同增效的边际效应呈现非线性的动态变化. 具体而言，在人工智能水平较低时，其对减污降碳协同增效的促进作用较弱，边际效应较小，这与Gu等[46]的观点一致. 随着人工智能水平的提升，边际效应显著增加，表明人工智能对减污降碳协同增效的推动作用逐步增强，这与Wang等[47]的观点一致. 然而，当人工智能水平达到一定阈值后，边际效应开始减弱，并最终趋于平稳，呈现出明显的边际效益递减趋势. 这一现象表明，随着人工智能应用水平的提升，其对减污降碳协同增效的影响逐渐趋于饱和，进一步提升技术水平所带来的效益逐步递减，符合边际报酬递减规律.
3.5.2 联合动态偏效应分析考虑到地区教育水平在人工智能影响减污降碳协同增效过程中存在正向调节作用[48]，且这种调节作用在人工智能影响减污降碳协同增效过程中也可能发生动态变化[49]. 因此，本文采用地区平均受教育年限衡量地区教育水平（EDU）[50]，进一步扩展了偏效应模型[式（6）]，从而得到人工智能发展水平和地区教育水平对减污降碳协同增效的联合动态偏效应，如图 2所示.
|
图 2 人工智能和地区教育水平对减污降碳协同增效的联合偏效应 Fig. 2 Joint bias effect of artificial intelligence and regional education level on synergistic pollution and carbon reduction |
图 2展示了人工智能和地区教育水平对减污降碳协同增效的联合偏效应. 由图 2可见，人工智能和地区教育水平的相互作用对减污降碳协同增效的影响呈现明显的非线性特征. 首先，当人工智能发展水平和地区教育水平都较低时，减污降碳协同增效值也较低，表明在教育水平较低的情况下，人工智能技术的应用受到限制，从而使其对减污降碳协同增效的作用效果相对较差. 随着教育水平的提升，减污降碳协同增效值逐步上升，表明教育水平的提高能够促进人工智能技术的有效应用，从而放大人工智能对减污降碳协同增效的促进作用. 其次，随着人工智能发展水平的提升，减污降碳协同增效值显著增加，尤其在较高教育水平的背景下，这表明人工智能对减污降碳协同增效的提升作用在教育水平较高的地区得到了更加有效的发挥，高水平的人工智能技术应用与教育水平的相互作用能够显著促进减污降碳协同增效. 最后，当人工智能发展水平和地区教育水平进一步提高时，减污降碳协同增效值的增长幅度逐渐变小，最终趋于平稳，呈现边际效应递减趋势，这一现象表明，尽管人工智能和教育水平的提升仍在一定程度上能够促进减污降碳协同增效，但在高人工智能发展水平和高教育水平的交互作用下，边际效益逐渐递减，最终达到饱和状态. 因此，政策制定应着重推动人工智能与教育水平在初期阶段的协同提升，力求达到最优要素组合，以最大化减污降碳协同增效效益，在达到较高发展水平后，探索多维度的综合改革措施，以维持减污降碳协同增效的持续增长，并优化其边际效应.
4 建议（1）加大人工智能在减污降碳中的应用 将人工智能作为推进生态文明建设和绿色低碳转型的重要战略工具，设立专项基金，并通过税收减免和绿色信贷等政策工具，鼓励企业和科研机构在污染源监测、碳排放控制和能源系统优化等关键领域的技术创新与应用. 同时，建立跨部门协作机制，设立专门组织协调政策的实施和资源的高效配置. 加快绿色数据基础设施建设，提升数据共享、流通和安全性，为人工智能技术在减污降碳关键领域的试点应用提供技术支持. 此外，建立奖补政策机制，鼓励人才培养和技术创新，吸引更多高端人才和科研团队参与绿色转型项目，加快绿色低碳转型目标的实现.
（2）畅通三大传导路径 在产业结构升级方面，通过财政补贴等手段，鼓励企业引进智能化设备和节能技术，推动能源利用效率提升；建立智能制造示范区，鼓励企业在实际生产中应用智能化技术，实现制造业的智能化升级；通过政策引导和奖励机制，促进传统产业的绿色转型，并为中小企业提供技术支持与转型培训. 在绿色技术创新方面，设立专项资金支持企业建设绿色创新平台，并通过政策引导促进智能制造技术与绿色生产技术的深度融合；支持企业进行技术研发，重点鼓励清洁生产和低碳技术的集成应用；通过产业联盟、跨行业协作，推动绿色技术的技术转移与商业化应用，促进绿色技术的普及和标准化. 在缓解资源错配方面，通过人工智能对各行业的能源消耗、碳排放和生产效率等数据进行大数据分析和预测，指导政策的制定与资源的高效配置；引导资本流向低碳、智能和绿色产业，推动资本市场对绿色项目的支持；提供劳动力培训和职业转换支持，确保产业转型过程中劳动力的平稳过渡，缓解结构性错配.
（3）因地制宜推进差异化发展战略 鉴于人工智能对减污降碳协同增效的影响存在异质性，故应结合地方资源禀赋、产业基础与治理能力制定差异化发展战略. 非资源型城市可通过发展绿色智能制造、智慧城市管理和绿色交通等领域，充分发挥其产业多元化和服务业占比高的结构优势，推动人工智能与绿色低碳技术融合，提升环境治理效率，助力减污降碳. 大型城市可加大对绿色人工智能技术的研发投入，推动智能化技术在能源、交通和环保等领域的集成应用，打造绿色智能产业集群，吸引更多的创新资源和绿色投资，培育人工智能绿色治理新高地. 环保重点城市可通过政策支持、建设人工智能绿色治理平台和示范项目，推动智能技术在污染监测和碳排放控制等领域的应用，同时，采取税收优惠和绿色补贴等激励措施，鼓励企业研发绿色技术，并建立跨部门数据共享机制，提升资源配置效率，形成可推广的绿色智能治理模式.
（4）统筹推进人工智能与数字基础设施协同发展 在数字基础设施水平较低的地区，优先解决数据采集、传输和处理的短板，推动能源、交通和制造等高排放行业的信息化改造，为人工智能在污染监测和节能调度中的应用奠定基础. 在过渡阶段地区，重点加快软硬件升级，推动数据标准化和共享机制建设，缩短技术投入与实际效益之间的时滞，提升数字基础设施的应用效果. 在数字基础设施水平较高的地区，推动人工智能与绿色工艺深度融合，在智能能源管理、绿色建筑和工业优化等领域，构建跨行业、跨区域的智能协同治理体系，最大化人工智能在减污降碳中的叠加效应，形成高效的绿色转型驱动力.
（5）完善区域协同治理体系 充分考虑人工智能对减污降碳协同增效的空间溢出特征，建立跨区域绿色技术协作与治理联动机制，打破行政区划壁垒，促进数据互通、平台共建和政策协同. 鼓励具有先进技术和资源优势的地区发挥辐射带动作用，通过技术援助、人才交流和资金支持等方式，提升周边城市在智能治理、绿色生产和碳排放管理方面的协同能力. 同时，推动区域间共享绿色技术、数据和成功实践，放大绿色治理的边际效应，提高整体减污降碳水平. 通过促进跨区域合作，建设一体化平台，推动区域间形成智能化和网络化的减污降碳协同治理新格局，促进区域绿色转型，实现协同增效.
（6）加快推动人工智能与地区教育水平协同发展 在教育水平较低的地区，设立专项资金和绿色技术培训项目，提升居民的技术素养，促进人工智能在环保领域的应用. 同时，鼓励地方企业、高校和科研机构合作，推动人工智能与绿色低碳技术的融合，形成高效的技术应用模式. 在教育水平较高的地区，推动人工智能与绿色低碳产业深度融合，利用优质教育资源和创新能力，结合智能技术与高素质劳动力，形成最优要素组合，促进减污降碳协同增效.
5 结论（1）人工智能能够显著促进减污降碳协同增效，这一结论经过一系列稳健性和内生性检验后仍然成立，表明人工智能是促进减污降碳协同增效的重要因素.
（2）推动产业结构升级、促进绿色技术创新及缓解资源错配是人工智能促进减污降碳协同增效的3条重要作用路径.
（3）人工智能对减污降碳协同增效的影响存在明显的区域异质性，在非资源型城市、大型城市和环保重点城市更为显著，应因地制宜的制定区域差异化政策.
（4）人工智能对减污降碳协同增效的影响随数字基础设施发展水平变化呈“双重门槛”特征，在低数字基础设施发展水平和高数字基础设施发展水平阶段均表现为正向作用，且在高数字基础设施发展水平阶段的促进效应更为显著，而在过渡阶段作用不显著.
（5）人工智能对减污降碳协同增效的影响存在显著的空间溢出效应，不仅能够直接促进本地区减污降碳协同增效，还能够通过技术扩散和知识共享等方式带动周边地区减污降碳协同增效.
（6）人工智能对减污降碳协同增效影响的边际效应存在非线性动态变化，且与地区教育水平之间存在减污降碳协同增效投入要素的最优组合.
| [1] |
唐湘博, 张野, 曹利珍, 等. 中国减污降碳协同效应的时空特征及其影响机制分析[J]. 环境科学研究, 2022, 35(10): 2252-2263. Tang X B, Zhang Y, Cao L Z, et al. Spatio-temporal characteristics and influencing mechanism of synergistic effect of pollution and carbon emission reduction in China[J]. Research of Environmental Sciences, 2022, 35(10): 2252-2263. |
| [2] |
吕越, 马明会, 陈泳昌, 等. 人工智能赋能绿色发展[J]. 中国人口·资源与环境, 2023, 33(10): 100-111. Lyu Y, Ma M H, Chen Y C, et al. Artificial intelligence and green development[J]. China Population, Resources and Environment, 2023, 33(10): 100-111. |
| [3] |
陈凤仙. 人工智能发展水平测度方法研究进展[J]. 经济学动态, 2022(2): 142-158. Chen F X. Research progress on measurement methods of artificial intelligence development level[J]. Economic Perspectives, 2022(2): 142-158. |
| [4] |
蒋长流, 宁毅. 人工智能技术发展与能源消费低碳化: 一个U型关系[J]. 消费经济, 2025, 41(5): 75-90. Jiang C L, Ning Y. Artificial intelligence development and low-carbon energy consumption: a U-shaped relationship[J]. Consumer Economics, 2025, 41(5): 75-90. |
| [5] |
姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J]. 管理世界, 2024, 40(2): 101-116, 133. Yao J Q, Zhang K P, Guo L P, et al. How does artificial intelligence improve firm productivity? Based on the perspective of labor skill structure adjustment[J]. Journal of Management World, 2024, 40(2): 101-116, 133. |
| [6] |
唐要家, 王蜡, 唐春晖. 人工智能如何提升企业全要素生产率——基于技术创新和技术应用视角[J]. 财经问题研究, 2025(1): 87-100. Tang Y J, Wang L, Tang C H. How does artificial intelligence improve enterprises' total factor productivity: based on the perspective of technological innovation and technology application[J]. Research on Financial and Economic Issues, 2025(1): 87-100. |
| [7] |
吴立元, 王忏, 傅春杨, 等. 人工智能、就业与货币政策目标[J]. 经济研究, 2023, 58(1): 56-72. Wu L Y, Wang C, Fu C Y, et al. Artificial intelligence, employment and monetary policy objectives[J]. Economic Research Journal, 2023, 58(1): 56-72. |
| [8] |
陈琳, 高悦蓬, 余林徽. 人工智能如何改变企业对劳动力的需求?——来自招聘平台大数据的分析[J]. 管理世界, 2024, 40(6): 74-91. Chen L, Gao Y P, Yu L W. How is AI shaping the labor demands of enterprises? Evidence from big data analysis of recruitment platforms[J]. Journal of Management World, 2024, 40(6): 74-91. |
| [9] |
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. Chen Y B, Lin C, Chen X L. Artificial intelligence, aging and economic growth[J]. Economic Research Journal, 2019, 54(7): 47-63. |
| [10] |
赵豪. 人工智能赋能社会治理的法治路径[J]. 法律适用, 2024(9): 148-163. Zhao H. Legal paths of social governance promoted by artificial intelligence[J]. Journal of Law Application, 2024(9): 148-163. |
| [11] |
文文, 顾成敏. 人工智能应用、研发要素流动与区域创新生态系统竞争力[J]. 中国软科学, 2025(7): 109-119. Wen W, Gu C M. Artificial intelligence application, the flow of R & D factors, and the competitiveness of regional innovation ecosystems[J]. China Soft Science, 2025(7): 109-119. |
| [12] |
卿玲丽, 季周, 张雯悦. 企业数字技术应用的减污降碳协同效应研究[J]. 财经理论与实践, 2024, 45(4): 136-143. Qing L L, Ji Z, Zhang W Y. Research on the synergistic effects of firm digital technology application on pollution and carbon reduction[J]. The Theory and Practice of Finance and Economics, 2024, 45(4): 136-143. |
| [13] |
张杰, 刘亚琪. 数智融合发展对长三角地区减污降碳协同治理的影响研究[J]. 长江流域资源与环境, 2025, 34(5): 964-975. Zhang J, Liu Y Q. Impact of numerical intelligence integration development on collaborative governance of pollution and carbon reduction in the Yangtze River delta region[J]. Resources and Environment in the Yangtze Basin, 2025, 34(5): 964-975. |
| [14] |
李力行, 莫怡青. 从自动化、信息化到人工智能: 数字技术演进与就业的性别差异研究[J]. 劳动经济研究, 2025, 13(3): 18-42. Li L X, Mo Y Q. From automation and informatization to artificial intelligence: the evolution of digital technology and gender differences in employment[J]. Studies in Labor Economics, 2025, 13(3): 18-42. |
| [15] |
陶长琪, 谢涛, 徐晔. 绿色技术创新与减污降碳协同增效——基于联合减排与环境改善的视角[J]. 统计研究, 2025, 42(4): 31-47. Tao C Q, Xie T, Xu Y. Green technology innovation and synergies of reducing pollution and carbon: from the perspectives of joint emission reduction and environmental improvement[J]. Statistical Research, 2025, 42(4): 31-47. |
| [16] |
王薇, 梁超. 人工智能对企业污染排放的影响效应研究[J]. 改革, 2024(11): 72-83. Wang W, Liang C. Research on the impact of artificial intelligence on corporate pollution emissions[J]. Reform, 2024(11): 72-83. |
| [17] |
张华. 地区间环境规制的策略互动研究——对环境规制非完全执行普遍性的解释[J]. 中国工业经济, 2016(7): 74-90. Zhang H. Strategic interaction of regional environmental regulation——an explanation on the universality of incomplete enforcement of environmental regulation[J]. China Industrial Economics, 2016(7): 74-90. |
| [18] |
连旭, 裴童心, 汪文生, 等. 碳交易机制与技术应用对中国煤电行业碳减排的影响——基于强化学习的多智能体仿真[J]. 资源科学, 2024, 46(6): 1186-1197. Lian X, Pei T X, Wang W S, et al. The impact of carbon trading mechanism and technology application on carbon emission reduction in China's coal-fired power industry: multi-agent simulation based on reinforcement learning[J]. Resources Science, 2024, 46(6): 1186-1197. |
| [19] | 胡雪萍, 李玉颂. 人工智能如何驱动居民消费碳减排?[J]. 福建论坛(人文社会科学版), 2025(4): 80-100. |
| [20] |
徐姗, 曹芷君. 产业结构优化升级、绿色税收与绿色全要素生产率——基于门槛效应与调节效应的分析[J]. 生态经济, 2024, 40(6): 45-53. Xu S, Cao Z J. Optimization and upgrading of industrial structure, green tax and green total factor productivity: an analysis based on the threshold effect and regulation effect[J]. Ecological Economy, 2024, 40(6): 45-53. |
| [21] |
姜博艺, 张涵. 我国减污降碳协同效应的时空特征与策略[J]. 环境工程技术学报, 2025, 15(2): 465-473. Jiang B Y, Zhang H. Spatiotemporal characteristics and strategies of synergistic effect of pollution and carbon reduction in China[J]. Journal of Environmental Engineering Technology, 2025, 15(2): 465-473. |
| [22] | Zhang H, Tao T Y. How does artificial intelligence affect carbon emission efficiency? Empirical evidence from the Pearl River Delta in China[J]. Polish Journal of Environmental Studies, 2025. DOI:10.15244/pjoes/197461 |
| [23] | 李阳阳, 刘伟江. 双重环境规制、绿色技术创新与经济高质量发展[J]. 统计与决策, 2025, 41(6): 75-80. |
| [24] |
赵曼仪, 王科. 减污降碳协同效应综合评估的研究综述与展望[J]. 中国人口·资源与环境, 2024, 34(2): 58-69. Zhao M Y, Wang K. Comprehensive evaluations of the synergistic effects of carbon emission reduction and air pollution control: a literature review[J]. China Population, Resources and Environment, 2024, 34(2): 58-69. |
| [25] |
张雪. 人工智能与低碳经济转型: 作用机制与实证检验[J]. 技术经济与管理研究, 2025(5): 44-50. Zhang X. Artificial intelligence and low-carbon economics transformation: mechanisms of action and empirical tests[J]. Journal of Technical Economics & Management, 2025(5): 44-50. |
| [26] |
陈永伟, 胡伟民. 价格扭曲、要素错配和效率损失: 理论和应用[J]. 经济学(季刊), 2011, 10(4): 1401-1422. Chen Y W, Hu W M. Distortions, misallocation and losses: theory and application[J]. China Economic Quarterly, 2011, 10(4): 1401-1422. |
| [27] |
孙振清, 杨锐. 中国新型基础设施建设的减污降碳协同效应——基于创新要素错配视角[J]. 自然资源学报, 2025, 40(7): 1839-1856. Sun Z Q, Yang R. Research on the synergistic effect of pollution reduction and carbon reduction in China's new infrastructure construction: based on the perspective of mismatch of innovation elements[J]. Journal of Natural Resources, 2025, 40(7): 1839-1856. |
| [28] |
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. Jiang T. Mediating effects and moderating effects in causal inference[J]. China Industrial Economics, 2022(5): 100-120. |
| [29] | Friedman J H. Greedy function approximation: a gradient boosting machine[J]. The Annals of Statistics, 2001, 29(5): 1189-1232. DOI:10.1214/aos/1013203450 |
| [30] |
孙雪, 宋宇, 赵培雅. 人工智能如何影响劳动收入——基于个人能力的微观解析与实证检验[J]. 山西财经大学学报, 2022, 44(8): 17-29. Sun X, Song Y, Zhao P Y. How does artificial intelligence affect labor income——micro analysis and empirical test based on personal ability[J]. Journal of Shanxi University of Finance and Economics, 2022, 44(8): 17-29. |
| [31] |
黄赜琳, 蒋鹏程. 数字低碳之路: 工业机器人与城市工业碳排放[J]. 财经研究, 2023, 49(10): 34-48. Huang Z L, Jiang P C. Digital low-carbon road: Industrial robots and urban industrial carbon emissions[J]. Journal of Finance and Economics, 2023, 49(10): 34-48. |
| [32] |
李博薇, 乔宏. "双碳"背景下绿色金融对产业结构升级的影响——基于中介效应的分析[J]. 河北农业大学学报(社会科学版), 2022, 24(2): 64-71. Li B W, Qiao H. The impact of green finance on the upgrading of industrial structure in the context of "dual carbon": an intermediary effect[J]. Journal of Hebei Agricultural University (Social Sciences), 2022, 24(2): 64-71. |
| [33] |
葛星. 人工智能与碳排放效率: 来自中国城市的证据[J]. 环境科学, 2026, 47(3): 1554-1565. Ge X. Artificial intelligence and carbon emission efficiency: evidence from Chinese cities[J]. Environmental Science, 2026, 47(3): 1554-1565. |
| [34] |
白俊红, 刘宇英. 对外直接投资能否改善中国的资源错配[J]. 中国工业经济, 2018(1): 60-78. Bai J H, Liu Y Y. Can outward foreign direct investment improve the resource misallocation of China[J]. China Industrial Economics, 2018(1): 60-78. |
| [35] |
刘满凤, 李昕耀, 周楚君. 中国市域数字基础设施水平及其"降碳—增效"效应[J]. 经济地理, 2025, 45(8): 20-30. Liu M F, Li X Y, Zhou C J. Level and "carbon reduction-efficiency enhancement'' effect of digital infrastructure in China at the prefecture level[J]. Economic Geography, 2025, 45(8): 20-30. |
| [36] |
姜祎, 张庆红. 资源型城市可持续发展政策对减污降碳的影响[J]. 环境科学, 2026, 47(7): 4572-4582. Jiang Y, Zhang Q H. Impact of sustainable development policies in resource-based cities on the synergy of pollution reduction and carbon emission reduction[J]. Environmental Science, 2026, 47(7): 4572-4582. DOI:10.13227/j.hjkx.202505096 |
| [37] |
檀菲菲, 闫晨晓. 数字经济的减污降碳协同促进效应: 以长三角城市群为例[J]. 环境科学, 2025, 46(7): 4175-4185. Tan F F, Yan C X. Synergistic effects of pollution and carbon emission reductions in a digital economy: a case study of the Yangtze River Delta urban agglomeration[J]. Environmental Science, 2025, 46(7): 4175-4185. DOI:10.13227/j.hjkx.202406127 |
| [38] |
陆瑶, 孙慧, 夏学超, 等. 新质生产力对降碳减污协同推进的影响[J]. 环境科学, 2026, 47(7): 4519-4531. Lu Y, Sun H, Xia X C, et al. Impact of new quality productivity on the synergistic advancement of carbon reduction and pollution control[J]. Environmental Science, 2026, 47(7): 4519-4531. DOI:10.13227/j.hjkx.202504215 |
| [39] |
邵汉华, 王庆祥, 何铿辉. 绿色技术创新对省域减污与降碳协同水平的影响及其驱动机制[J]. 经济地理, 2025, 45(1): 17-24, 35. Shao H H, Wang Q X, He K H. Impact of green technology innovation on the cooperation level of provincial-level pollution Reduction and carbon Reduction and its driving mechanism[J]. Economic Geography, 2025, 45(1): 17-24, 35. |
| [40] |
郭沛, 王光远. 数字经济的减污降碳协同作用及机制——基于地级市数据的实证检验[J]. 资源科学, 2023, 45(11): 2117-2129. Guo P, Wang G Y. The synergistic effect of digital economy on pollution and carbon reduction and the influence mechanism: an empirical test based on prefecture-level city data[J]. Resources Science, 2023, 45(11): 2117-2129. |
| [41] |
李德山, 贾子萱. 新质生产力的减污降碳效应研究[J]. 生态经济, 2025, 41(9): 188-197. Li D S, Jia Z X. Research on the reduction of pollution and carbon emissions effects of new quality productive forces[J]. Ecological Economy, 2025, 41(9): 188-197. |
| [42] |
杨思莹, 王汉磊, 陈佳馨. 数实融合对城市减污降碳协同增效的影响研究[J]. 财经问题研究, 2025(8): 87-99. Yang S Y, Wang H L, Chen J X. The impact of the integration of the digital economy and the real economy on the synergy of urban pollution reduction and carbon emission reduction[J]. Research on Financial and Economic Issues, 2025(8): 87-99. |
| [43] |
李德山, 贾子萱. 新质生产力对减污降碳协同的影响效应与作用机制[J]. 环境科学, 2026, 47(7): 4493-4505. Li D S, Jia Z X. Impact effects and mechanisms of new quality productive forces on the synergistic effects of pollution reduction and carbon mitigation[J]. Environmental Science, 2026, 47(7): 4493-4505. DOI:10.13227/j.hjkx.202506020 |
| [44] |
马彦瑞, 刘强. 新型城镇化建设的减污降碳效应[J]. 中国人口·资源与环境, 2024, 34(1): 33-45. Ma Y R, Liu Q. Effect of the reduction of pollution and carbon emissions in China's new urbanization construction[J]. China Population, Resources and Environment, 2024, 34(1): 33-45. |
| [45] |
赵晓梦, 魏婷, 朱俊鹏. 从排污费到环保税: 绿色税制改革视阈下的减污降碳协同治理研究[J]. 中国地质大学学报(社会科学版), 2024, 24(3): 57-72. Zhao X M, Wei T, Zhu J P. From sewage charge to environmental protection tax: research on collaborative governance of pollution control and carbon reduction from the perspective of green tax reform[J]. Journal of China University of Geosciences (Social Sciences Edition), 2024, 24(3): 57-72. |
| [46] | Gu S W, Javed A. Artificial intelligence adoption and role of energy structure, infrastructure, financial inclusions, and carbon emissions: quantile analysis of E-7 nations[J]. Sustainability, 2025, 17(13). DOI:10.3390/su17135920 |
| [47] | Wang Q, Li Y F, Li R R. Ecological footprints, carbon emissions, and energy transitions: the impact of artificial intelligence (AI)[J]. Humanities and Social Sciences Communications, 2024, 11(1). DOI:10.1057/s41599-024-03520-5 |
| [48] | Sahu M, Prusty T, Alahdal W M, et al. The role of education in moderating the impact of development on environmental sustainability in OECD countries[J]. Discover Sustainability, 2024, 5(1). DOI:10.1007/s43621-024-00450-9 |
| [49] | Khan Z, Khan N, Zhu X F. Harnessing artificial intelligence for environmental sustainability via human capital and renewable energy[J]. Scientific Reports, 2025, 15(1). DOI:10.1038/s41598-025-20613-6 |
| [50] |
张美丽, 李燕钊. 新质生产力对减污降碳协同增效的影响[J]. 环境科学, 2026, 47(7): 4506-4518. Zhang M L, Li Y Z. Influence of new quality productivity on the synergistic effect of pollution reduction and carbon emissions reduction[J]. Environmental Science, 2026, 47(7): 4506-4518. |