人工智能能否成为中国制造业供应链中碳减排的加速器？——来自国家新一代人工智能创新与发展试验区的证据

《International Journal of Production Economics》：Can Artificial Intelligence Serve as an Accelerator for Carbon Reduction in Supply Chains within China's Manufacturing Sector? — Evidence from the National New Generation Artificial Intelligence Innovation and Development Pilot Zones

本研究基于中国人工智能创新发展试验区（AIIDPZ）政策，采用多期差分模型分析2016-2022年A股制造企业数据，发现该政策通过数字转型、供应链效率提升和技术创新显著降低企业碳排放，且对高污染行业、客户集中度高及环境治理薄弱地区效果更明显，为供应链碳中和提供政策启示。

　　

尹建华|周春风|严晓彤|阚金卓|董天宇

对外经济贸易大学商学院，中国北京100029

摘要

低碳运营和供应链脱碳已成为实现净零目标的核心途径。我们利用中国的人工智能创新与发展试验区（AIIDPZ）政策作为一个准自然实验，来研究人工智能如何重塑制造业供应链中的碳治理。通过分析2016年至2022年间A股上市制造企业及其上下游合作伙伴的数据，我们应用多期差异-in-differences模型发现，AIIDPZ政策通过供应链溢出效应显著降低了目标企业的排放量。机制分析表明，人工智能通过数字化转型、供应链效率和能源技术创新有效减少了企业的碳排放。异质性分析进一步显示，在污染严重的行业、客户集中度较高的企业以及位于环境治理较弱地区的企业中，政策效果更为显著。总体而言，这些发现为前沿技术在推进可持续供应链管理和制定气候缓解脱碳战略中的作用提供了政策相关证据。

引言

全球变暖已成为可持续发展的严峻挑战。国际能源署（IEA）的2025年全球能源评论报告指出，2024年全球二氧化碳排放量达到了378亿吨的历史新高，凸显了气候危机的紧迫性以及围绕“净零”目标的广泛共识。包括欧盟（EU）、英国和美国在内的许多主要经济体都承诺推进碳控制和减排。例如，欧盟的碳边境调整机制（CBAM）对钢铁、铝和水泥等高碳密集型进口产品征税，给非欧盟出口商带来了制度压力，并促使他们加速绿色升级以满足欧盟的碳标准（Bellora和Fontagné，2023）。英国是最早设定2050年净零目标的国家之一（Saif等人，2025）。美国计划到2050年将温室气体排放量减少80%（Healey等人，2019）。中国承诺在2030年前达到碳排放峰值，并在2060年前实现碳中和（Tian等人，2023）。作为全球最大的碳排放国，中国的脱碳路径对全球温度目标和高质量发展具有重要意义。因此，加快实现碳峰值和碳中和的进程不仅对于履行《巴黎协定》下的共同但有区别的责任至关重要，也是缓解资源和环境约束、重塑产业竞争力、保障能源安全以及推进全球净零目标的战略要求。

制造业约占全球二氧化碳排放量的29.0%，因此减少制造业的排放对于缓解全球碳排放和资源浪费至关重要（Alqahtani和Gupta，2017；Mao等人，2023）。先前的研究表明，大约70%的碳排放发生在从材料采购、生产到物流和最终消费的整个供应链过程中（Gopalakrishnan等人，2021）。因此，制造业供应链的脱碳已成为维持生态平衡和实现可持续发展的关键议题。尽管制造商尝试通过采用工业机器人（Lee等人，2022）、绿色技术创新（Borah等人，2023；尹建华和余宇，2023）、提升绿色动态能力（Shahzad等人，2022）、绿色供应链实践（Wang等人，2024）以及绿色和低碳转型（Xu等人，2023）来减少排放，但实施过程中仍存在诸多瓶颈（Abdullah等人，2016）。一方面，“数据孤岛”和供应链中的“协调摩擦”加剧了信息不对称性和牛鞭效应，导致部分减排措施未能转化为整个供应链的脱碳（Wang等人，2021）。另一方面，传统的运营决策往往不依赖于实时数据，导致过度生产和冗余物流。此外，智能技术的成熟度有限继续制约着运营效率（Dong等人，2022；Zhang等人，2025）。国际能源署的2050年净零：全球能源行业路线图报告进一步指出，净零路径中近60%的减排依赖于仍处于研发阶段的技术，这些技术的成熟度不足使得深度脱碳难以实现（图1）。因此，仅依靠企业自身的技术升级难以克服供应链脱碳的挑战，这凸显了国家政策干预和指导的紧迫性。

应对这些挑战需要强有力的国家政策指导、充足的资源支持以及企业的技术进步。在中国科技部的引领下，国家新一代人工智能创新与发展试验区（AIIDPZ）政策为将数字经济与实体经济融合提供了战略杠杆，并为解决上述问题提供了新方法（Wang等人，2025；Dong等人，2024）。与单一技术采用不同，该政策在多个城市设立试验区，通过“技术赋能+场景驱动”的模式推动人工智能（AI）深入传统产业。从运营角度来看，该政策推动的智能算法和数字基础设施的部署（Jonny Holmstr?m，2022）增强了供应链协调性，并降低了单位产出的能源消耗（Uren和Edwards，2023）。从资源配置角度来看，该政策打破了企业之间的技术和数据“孤岛”，通过更准确的预测和优化的资源调度，扩大了资源供应的有效规模，减少了能源消耗（Sorrell等人，2008），并提高了整体资源分配效率（Chatterjee和Dethlefs，2022）。

然而，批评者认为AIIDPZ政策的减排效果可能受到杰文斯悖论的影响。一方面，政策实施需要大量建设和维护数据中心、计算基础设施和通信网络等数字基础设施，这可能在短期内增加能源消耗（Xie等人，2021），从而增加碳排放。另一方面，政策推动的智慧城市发展可能会吸引更多人口和工业活动，导致城市空间扩张，加剧“城市病”问题，如公共服务短缺、资源浪费和环境污染（Liu等人，2023）。此外，在政策激励下，快速的AI迭代加剧了对大型模型训练的依赖。由于模型训练高度依赖能源，相关的碳排放量不容忽视（Zhong等人，2023；Wang等人，2024）。总体而言，相关文献主要在宏观层面评估了政策效果，或研究了AI在微观层面的生产率影响（Borah等人，2023；尹建华和余宇，2023；Zhang等人，2025），而关于AIIDPZ政策对企业碳排放影响的直接证据仍然有限。

基于以上背景，本研究聚焦于中国的制造业，探讨AIIDPZ政策的减排效果。具体而言，它旨在解决三个主要问题：首先，AIIDPZ政策能否有效促进企业减排？其次，AIIDPZ政策通过哪些供应链协调机制帮助上下游合作伙伴支持目标企业的减排？第三，这些效果在不同类型企业、供应链集中度以及环境治理优先级上是否存在差异？

本研究在三个方面为该领域做出了贡献。首先，我们将AIIDPZ政策视为一种外部制度冲击，可以催化绿色供应链管理，从而扩展了关于技术政策和低碳运营的文献。其次，我们探讨了该政策如何通过供应链传导影响目标企业的碳排放，将实证研究重点从总体行业层面的排放结果转向企业层面的机制。最后，我们手动编制了上市和非上市企业的数据，并构建了一个完整的链式面板数据集。这一设计明确了上下游企业之间的政策传导路径，并为在全球制造业中建立净零操作系统提供了基于中国的证据。

本文的其余部分安排如下：第2节回顾了政策背景、相关文献和研究假设。第3节介绍了实证模型和数据。第4节展示了实证结果。最后一节总结了主要发现和政策启示。

政策背景

主要发达国家将人工智能（AI）视为提升国家竞争力和保障国家安全的关键战略。例如，美国推动了国家人工智能研究与发展战略计划，以建立产业-学术-研究合作，保持其在AI技术领域的领导地位。加拿大推出了涵盖整个技术生命周期的84项AI治理措施，以促进AI发展（Blair

样本和数据来源

根据中国证券监督管理委员会（CSRC）2012年的行业分类，本研究以中国A股上市的制造企业为样本，构建了一个年度匹配的数据集，连接上游企业、中游企业和下游企业。为了减轻政策实施前过长时间窗口可能引入的时间变化不可观测变量并影响识别的问题，我们选取2019年——首批AIIDPZ宣布的年份——作为政策基准。

假设检验

• (1)
  描述性统计

主要变量的描述性统计数据显示（参见 附录表A1），因变量（CarEm）的平均值为上游供应链企业10.74，下游企业为11.06，表明下游企业的排放量略高于上游供应商。这种差异可能反映了下游企业在最终产品加工等能源密集型环节的更大参与度。

研究结论

绿色和低碳发展是高质量发展的关键支柱。人工智能已成为推动技术创新、要素配置和企业减排的重要驱动力。本研究利用AIIDPZ政策作为一个准自然实验，利用2016年至2022年中国A股上市制造企业的数据，构建了一个“供应商-制造商-客户-年份”对的匹配面板数据集。

CRediT作者贡献声明

周春风：撰写——原始草稿、可视化、方法论、调查、正式分析、数据整理、概念化。尹建华：撰写——审稿与编辑、监督、资源协调、项目管理、资金获取。董天宇：可视化、验证、软件、方法论。严晓彤：验证、资源协调、方法论。阚金卓：可视化、软件、方法论

未引用的参考文献

Attard-Frost等人，2024；Casalin等人，2017；Cui等人，2024；Dobbe等人，2020；Lu等人，2025；Holmstr?m，2022；Khan等人，2023；Ferrara Eliana等人，2012；Yang等人，2017；Liu等人，2024；Kim和Chai，2017；Lyulyov和Pimonenko，2025；Wang等人，2024；Cao等人，2025；Shi等人，2025；Imada等人，2024；Lee和Park，2020；Guo等人，2024；Sorrell和Dimitropoulos，2008；Healey和Jaccard，2016；Tian和Qi，2023；Wang和Shin，2015；Wang等人，2024；Wang等人，