人工智能与绿色发展：来自中国的效率与公平方面的证据

人工智能政策对城市绿色发展的效率与公平影响研究，基于286个城市2000-2023年面板数据，运用DEA和DID模型分析发现AI政策显著提升绿色效率，但存在区域异质性和空间负溢出效应，未实现全局收敛，而是形成六个收敛俱乐部和一个发散俱乐部。

　　

吴铁龙

中国人民大学应用经济学院，中国北京100872

摘要

本研究探讨了人工智能（AI）政策对城市绿色发展的影响，同时关注效率与公平两个层面。首先，我们应用绿色增长模型来分析绿色发展的情况。然后，利用2000年至2023年间中国286个城市的数据，通过数据包络分析（DEA）评估城市的绿色发展效率（GDE），并利用差异-in-differences（DID）模型分析AI政策对效率的影响。最后，我们进行收敛性分析，以探讨城市间绿色发展的公平性。研究结果表明，AI政策通过提升技术效率和规模效率、增加专利产出以及促进城市集聚，带来了整体绿色发展效率的提升。然而，研究也发现这些收益在各个城市之间的分配并不均衡。收敛性分析显示，城市之间并未出现整体收敛现象，但识别出六个收敛群体和一个分化群体。有序Probit分析表明，AI政策并未显著影响城市在不同发展群体之间的转换概率。同时，研究观察到地区间存在异质性：东部地区的AI政策效果更为显著，而中西部地区的改善程度较小。在AI政策实施半径50公里范围内的城市中，由于资源竞争，绿色发展效率出现下降。尽管AI政策提高了效率，但并未促进公平的绿色发展。未来的AI政策应更加注重推动公平的绿色转型。

引言

近年来，人工智能（AI）迅速发展成为重塑现代社会逻辑的关键力量。深度学习和图神经网络的突破不仅推动了医疗、制造和金融等领域的智能化升级，还在城市治理、资源配置和环境管理方面展现出巨大潜力（Batz等人，2025；Raza等人，2025；Tu等人，2025；Xiao和Xiao，2025）。AI的范式转变使得其在智能电网和能源优化等领域得到广泛应用（Jiang等人，2023；Yousaf等人，2024；El-Azab等人，2025；Gao和Wang，2025；Hoummadi等人，2025），并在碳中和建模、排放控制和污染监测中发挥着越来越重要的作用（Ding等人，2024；Tao等人，2024；Zhong等人，2024；Cao等人，2025；Cho和Ackom，2025）。

与此同时，全球气候治理已进入实施阶段，绿色转型不再是可有可无的选择，而是实现可持续增长的中心路径。在中国“双碳”战略下，绿色发展成为核心政策目标，强调通过技术创新推动低碳产业转型、高效利用资源和绿色增长（Yu和An，2024）。城市作为主要排放源和绿色技术传播及制度试验的关键平台，处于这一转型的中心。了解AI是否以及如何提升城市绿色发展效率（GDE）对于评估技术进步是否真正“绿色”至关重要，并为将数字化与生态发展相结合提供关键政策启示。

为顺应技术革命和绿色转型的双重趋势，中国积极推动AI融入可持续城市发展。自2019年以来，中国政府在多个城市设立了国家人工智能创新发展试验区（以下简称AI试验区）。这些试验区不仅是制度改革的试验场，也是推动AI驱动绿色转型的先行平台。AI试验区的一个核心目标是在环境治理、碳排放控制和生态保护等领域扩大AI应用规模，同时促进可在其他城市复制的制度创新和政策学习。

AI试验区在制度设计、资源配置和项目实施方面享有较大的政策自主权。地方政府可以根据自身的绿色发展优先事项制定支持措施，利用AI促进绿色交通、清洁能源、绿色建筑和智能环境管理。许多AI试验区还在数据共享、环境监管和碳信息披露等领域开展了改革试点——这标志着从单纯应用技术向将其嵌入绿色治理制度框架的转变。截至2023年底，中国共设立了18个AI试验区，涵盖了经济结构、产业基础和资源禀赋各异的城市。这种空间和制度背景的多样性为研究AI政策对绿色发展结果的影响提供了独特的实证环境，并支持将AI试验区作为评估其对城市GDE影响的准自然实验。基于此，本研究探讨了三个关键问题：

首先，AI试验区是否显著提升了城市GDE？其作用机制是什么？

其次，城市GDE的发展趋势是趋于全球收敛，还是分化为多个“绿色发展群体”？

第三，AI试验区是否有助于促进城市间绿色发展的协调与收敛，从而实现更公平的绿色转型？

本研究利用2000年至2023年中国286个城市的数据，结合简单的绿色增长模型和非径向方向距离函数-数据包络分析（NDDF-DEA）方法，系统评估了AI试验区对城市GDE的影响。结果表明，AI试验区主要通过提升技术效率和规模效率、增加人均专利产出以及促进城市集聚来显著提高GDE。然而，在50公里半径范围内也观察到负面空间溢出效应，邻近城市的GDE因资源竞争而下降。分位数回归结果显示，AI试验区对初始GDE较高的城市影响更显著，而对初始GDE较低的城市影响较弱。地区异质性分析表明，AI试验区在东部地区的积极效应更为明显，中西部地区的改善程度较小。证据表明，虽然AI试验区提高了效率，但可能未能促进公平的绿色发展。为进一步评估长期动态，我们对GDE进行了全球和群体收敛性测试。结果显示，中国城市之间并未出现整体收敛现象，但识别出六个收敛群体和一个分化群体。有序Probit分析表明，AI试验区并未显著影响城市在不同发展群体之间的转换概率，这进一步证实了早期研究结果：AI试验区尚未弥合发达地区与落后地区之间的绿色发展差距。AI试验区在提升城市GDE方面发挥了积极作用，但在促进地区间公平绿色发展方面仍有不足。未来的政策应更好地考虑地区差异，支持包容性的AI部署，确保绿色技术惠及更多城市。加强促进效率和公平的制度框架对于实现更加平衡和可持续的绿色转型至关重要。

本研究的其余部分结构如下：第2节回顾了关于AI、绿色发展和公平绿色转型的文献，强调了我们的贡献。第3节概述了分析框架、变量测量和数据处理方法。第4节提供了效率方面的实证结果。第5节提供了收敛性和公平性方面的实证结果。第6节进行了一系列稳健性检验。第7节总结了主要发现和政策启示。

相关文献与我们的贡献

本研究与近期关于AI如何重塑经济和社会结构的研究密切相关。AI技术的广泛应用不仅改变了传统生产方式，还重新定义了资本与劳动力的关系（Wang等人，2024），成为因素配置效率的关键驱动力。一方面，AI通过算法优化和预测能力显著提升了资源配置和单位产出（Yang，2022）。

理论分析

我们采用扩展版的绿色增长模型来探讨AI如何影响城市GDE，并分析其在实现公平绿色发展方面的潜力。具体而言，作为技术进步的驱动力，AI可以提升绿色技术并增加单位投入的产出。在该模型框架下，AI加速了技术进步的速度，使城市在相同的环境约束下实现更高的产出水平。

在我们的

基准

表2展示了基于方程（25）的基准回归结果。总体而言，AI试验区的设立显著提升了城市的GDE，且结果在不同模型设定下均具有稳健性。在第（1）至（3）列中，未控制其他变量时，AI试验区的DID系数显著为正，表明即使不考虑城市特征，AI试验区也对GDE有积极影响。在第（4）至（6）列中，加入控制变量后

关于收敛性和公平性的实证结果

在之前的分析中，我们探讨了AI试验区对GDE效率方面的影响。接下来，我们将转向考察公平性方面。在本研究中，公平的绿色发展指的是城市间GDE差异随时间减少的程度。这一解释与我们的收敛性框架逻辑一致：如果初始GDE较低的城市有赶上高GDE城市的趋势

平行趋势

为了检验AI试验区的设立是否对城市GDE产生了符合DID方法平行趋势假设的因果影响，我们采用了事件研究方法来分析动态效应。平行趋势假设要求，在没有AI试验区设立的情况下，处理组和对照组的GDE趋势应遵循相似路径。事件研究方法不仅用于验证这一假设的有效性，还允许我们描述动态变化

结论性意见

AI的快速发展正在重塑全球经济和社会体系。从深度学习的突破到生成式AI的广泛应用，这项技术正在推动新的工业革命，并成为各国确保未来竞争力的战略重点。与此同时，绿色发展获得了全球广泛共识，各国政府面临共同挑战：如何在保持资源保护和环境可持续性的同时实现高质量增长

CRediT作者贡献声明

吴铁龙：撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件开发、资源协调、项目管理、方法论设计、调查实施、资金筹集、正式分析、数据整理、概念构建。

利益冲突声明

作者没有需要披露的相关财务或非财务利益。

致谢

作者感谢中国人民大学提供的财政支持。