引言

人工智能作为新一轮科技革命的核心驱动力，被认为是发展新质生产力的主要阵地。为探索人工智能高质量发展的新路径、新机制，科技部拟建设一批国家新一代人工智能创新发展试验区，加快形成推进中国人工智能发展的可复制、可推广的发展模式。2019年，首个国家新一代人工智能创新发展试验区——北京国家新一代人工智能创新发展试验区设立。截至2025年上半年，共设立了18个国家新一代人工智能创新发展试验区。国家布局的人工智能创新发展试验区政策，既是抢占科技制高点的制度设计，亦被寄予推动绿色低碳转型的厚望。那么，人工智能创新发展试验区是否有效赋能于碳减排？具体路径是什么？又是否具有异质性？科学系统地研判人工智能创新发展试验区的赋能成效，该研究为“十五五”时期地方政府统筹释放制度红利，加快推动经济社会发展全面绿色转型提供了启示。

现有关于人工智能创新发展试验区的相关研究，尚未关注对城市碳排放的影响。李媛媛和高帅科研究得出，国家新一代人工智能创新发展试验区能显著提高试点地区企业的劳动收入份额，且能够改善企业内部的收入不平等。欧阳金琼等利用中国30个省份面板数据发现，新一代人工智能创新发展试验区显著提升了地区新质生产力，且随着时间的推移，其影响程度逐步扩大。廖斌和韩雷研究得出，新一代人工智能创新发展试验区存在空间溢出效应，能够在促进本地区新质生产力发展的同时，辐射带动周边地区新质生产力发展。张同蕾和马远研究发现新一代人工智能创新发展试验区能有效提升城市数字创新数量与质量，且能够与国家自主创新示范区产生政策合力，发挥“1+1>2”的政策效能。

与既有研究相比，本文可能的创新点主要包括以下三个方面：第一，检验了人工智能创新发展试验区对城市碳减排的赋能效果，加深了对人工智能与碳排放之间因果关系的认识。第二，从提升产业高级化水平和促进科技型企业进入两个渠道追溯了试验区政策影响城市碳排放的机制，与试验区建设实际需要和未来发展趋势更为契合。第三，结合城市发展方式的差异，分别从资源禀赋和地理区位双重维度，考察了人工智能创新发展试验区对城市碳排放的动态异质性，这有助于高水平规划建设人工智能创新发展试验区，更好发挥政策效力。

1研究假设

人工智能创新发展试验区对城市碳排放主要通过提升产业高级化水平和促进科技型企业进入两条路径来影响。

1.1 提升产业高级化水平

人工智能创新发展试验区通过制度创新重塑区域创新生态，为产业高级化演进提供核心驱动力。试验区作为政策载体，能促使产业体系在三个维度实现质变：在价值链层面，人工智能加速低碳技术研发进程，缩短创新周期；在生产流程层面，数字孪生等技术实现虚拟化试错，减少实体资源消耗；在产业组织层面，智能平台促成跨行业资源共享与协同优化。本质上，试验区构建了“技术渗透—要素重组—制度适配”的传导链条，推动产业高级化表现为知识密集度提升、数字化深度整合与产业边界重构的融合进程。

产业高级化水平的提升能调控经济系统的运行逻辑，在多维度重塑经济增长与碳排放的传统关联。提升产业高级化水平的核心减排机制，首先体现为对“技术回弹效应”的根本性破解，人工智能驱动的实时反馈系统与全局优化算法，使能源效率提升不再伴随消费总量扩张，而是通过精准匹配供需实现绝对减排。当第三产业通过智能化延伸其价值链时，其固有的低排放特性被进一步放大，推动经济发展与碳排放加速脱钩。更为关键的是，产业高级化能有效发挥绿色技术的规模报酬递增效应：人工智能算法的零边际复制成本特性，使成功减排模式能在不同场景快速扩散，单次技术突破产生几何级数的减碳收益。基于此，本文提出以下假说：

H1：人工智能创新发展试验区通过提升产业高级化水平，从而降低城市碳排放。

1.2促进科技型企业进入

人工智能创新发展试验区通过重塑区域制度环境与要素禀赋结构，显著降低科技型企业的市场进入壁垒，形成企业动态进入的“政策洼地”。根据新经济地理学理论，试验区通过构建人工智能专用基础设施，大幅压缩科技型企业的固定成本沉淀。这种公共品供给有效缓解了初创企业的资本约束，使算法开发、智能硬件研发等高固定成本活动的初始投资门槛下降。更重要的是，试验区形成的技术集聚外部性触发自我强化机制——领先科技企业的区位选择产生“信号效应”，吸引配套企业跟随进入；创新人才的区域集中进一步通过人力资本匹配效应，降低新企业招募专业人才的搜寻成本，最终驱动企业进入率呈现结构性跃升。

新进入的科技型企业普遍采用人工智能驱动的清洁技术，通过生产要素重置直接替代高碳生产方式。根据导向型技术变迁理论，这类企业的规模扩张会提升绿色技术需求，诱导上游设备供应商增加低碳技术研发投入，进而形成技术供给端的路径依赖。其次，新企业进入触发竞争驱动的绿色创新扩散，存量企业为维持市场份额，被迫加速智能化改造，这种“鲶鱼效应”使减排技术普及率呈现非线性提升。第三，科技型企业通过产业生态重构实现系统性降碳：其主导的智能服务平台推动生产方式从“产品导向”转向“服务导向”，抑制过剩生产；其构建的产业互联网则通过实时匹配供需，削减传统经济中的资源闲置与无效运输。基于此，本文提出以下假说：

H2：人工智能创新发展试验区通过促进科技型企业进入，从而降低城市碳排放。

2研究设计

2.1 模型设定

本文将人工智能创新发展试验区的设立当作一项准自然实验，采用双重差分模型检验人工智能创新发展试验区对城市碳排放的影响。鉴于人工智能创新发展试验区分批设立，故构建如下双向固定的渐进双重差分模型：

其中，为城市碳排放；表示是否设立试验区的虚拟变量；代表一组城市层面的控制变量；和分别是城市、年度固定效应，为随机扰动项。

2.2变量设定及说明

2.2.1 被解释变量：城市碳排放（）

本文采用城市年度二氧化碳排放量的自然对数来衡量城市碳排放。城市年度二氧化碳排放量数据来源于全球大气研究排放数据库（Emissions Database for Global Atmospheric Research，EDGAR）。

2.2.2 核心解释变量：人工智能创新发展试验区（）

该变量采用虚拟变量的形式，为与变量的乘积。是识别实验组与对照组的根据，这里将建设人工智能创新发展试验区的城市设为实验组，即为1，其他城市列为对照组，即为0。将实验组的变量在实施试验区政策的首年开始赋值为1，其余年份赋值为0。

2.2.3 控制变量（）

为更准确地考察人工智能创新发展试验区对城市碳排放的影响，参考熊彬和王志伟的思路，结合城市经济的典型特征及数据可获得性，本文对一些可能影响估计结果的变量予以控制。①社会消费水平（）：采用社会消费品零售总额的自然对数来体现。②金融发展水平（）：采用金融机构各项存贷款余额的自然对数来表示。③政府规模（）：采用财政一般预算内支出与地区生产总值之比来测度。④人口密度（）：采用年末总人口与行政区域面积之比来衡量。

2.3 数据来源

本文采用2011—2023年中国285个城市面板数据作为研究样本，数据均来自EDGAR数据库、各年度的《中国城市统计年鉴》和各城市历年统计公报。对部分个别缺失数据采用线性插值法予以补齐。

3 实证分析

3.1 基准回归结果

将公式（1）进行回归估计，得到的基准回归结果如表1所示。列（1）至（2）的结果表明，人工智能创新发展试验区对城市碳排放的估计系数为-0.0495，说明人工智能创新发展试验区的实施使得试点城市的碳排放量比非试点城市平均降低了约4.95%，表明人工智能创新发展试验区能有效降低城市碳排放。

变量	(2)	(3)
	RRC	RRC
	-0.0519***	-0.0495***
	(-2.8273)	(-2.7698)
		0.0087
		(0.3796)
		0.0551
		(1.3337)
		0.0046
		(0.0383)
		-0.0002***
		(-2.9286)
城市固定效应	是	是
时间固定效应	是	是
观测值	3705	3705
R-squared	0.9859	0.9860

注：括号内为聚类至城市标准误下对应的t值；***、** 和 * 分别表示1%、5%和10%的显著性水平。下同。

3.2识别假设检验

满足平行趋势假设是双重差分模型能够有效地识别因果关系的重要前提，要求在设立人工智能创新发展试验区之前，实验组与对照组样本的估计系数的变化趋势应保持相似。由于人工智能创新发展试验区在不同城市逐期发生作用，因此，需要依据不同城市的政策实施时间来设置虚拟变量。采用以下估计模型进一步分析：

为了避免完全共线性，所以选择政策实施前第1期作为基期，即其回归系数归零。估计结果如图1所示，可以看出在政策实施之前，3个年度系数估计值在0周围浮动，且均不显著，说明平行趋势假设成立，适合进行DID模型分析。

3.3 安慰剂检验

借鉴Cao & Chen的思路，从总样本无放回地随机抽取若干个体作为“伪处理个体”，在公式（1）基础上进行回归，这一过程重复进行500次，便可得到伪试点的500个估计系数。图2报告了安慰剂检验的核密度图，随机试验组中人工智能创新发展试验区对城市碳排放的估计系数集中在0附近，均显著异于随机试验的回归分布，这进一步验证了本文的稳健性。

3.4 稳健性检验

3.4.1 Bacon分解

处理效应在组间或异时存在异质性，采用传统双向固定效应模型回归会得到很难解释的处理效应估计。本文参考Goodman-bacon的思路，将基准回归中人工智能创新发展试验区的估计系数分解为三个部分。DID分解的结果如表2所示，“处理对比于从未处理”所占的权重最大，这表明人工智能创新发展试验区对城市碳排放的影响主要是由试验区政策所致。故可知，基准回归中双向固定效应的多期DID估计量偏误很小。

分解组	权重	估计量
早处理对比于后处理	0.009	0.016
后处理对比于早处理	0.002	0.010
处理对比于从未处理	0.989	-0.053

3.4.2 联合固定效应

现阶段中国的组织方式以自上而下为主，省级政府对辖区内城市的发展具有重要影响。为尽可能排除随时间和地区变动难以观测的因素对城市碳排放的影响，在模型（1）的基础上还控制了省份×时间固定效应，表3的列（1）报告了回归结果，在进一步控制省份×时间固定效应后，人工智能创新发展试验区的回归系数仍显著为负，这与基准回归的结论相吻合。

3.4.3 排除其他政策的干扰

现有研究表明公共数据平台设立、碳排放权交易政策和用能权交易试点政策有显著碳减排作用，为排除对人工智能创新发展试验区政策效果评估的干扰作用，为此，将政策虚拟变量纳入到基准回归模型重新进行回归，结果如表3列（2）所示，可以发现本文研究结论依然稳健。

变量	(1)	(2)
	联合固定效应	排除其他政策的干扰
	-0.0546*	-0.0503***
	(-1.8765)	(-2.8200)
控制变量	是	是
城市固定效应	是	是
时间固定效应	是	是
省份－时间固定效应	是	否
观测值	3653	3705
R-squared	0.9874	0.9862

3.5影响机制检验

为进一步探究人工智能创新发展试验区通过何种作用渠道对城市碳排放产生影响，根据前文理论分析和江艇的观点，通过研判核心解释变量对机制变量的影响效应来进行机制识别。具体分析如表4所示。

	(1)	(2)
变量
	0.1746**	5.2452***
	(2.1273)	(4.1916)
控制变量	是	是
城市固定效应	是	是
时间固定效应	是	是
观测值	3705	3705
R-squared	0.8727	0.7974

3.5.1 提升产业高级化水平（）

本文采用城市第三产业产值与第二产业产值之比来衡量城市产业高级化水平。由表4中列（1）可知，人工智能创新发展试验区有助于提升产业高级化水平。产业高级化通常伴随着经济重心从高能耗、高排放的能源密集型重工业向低能耗、低排放的服务业和先进制造业转移。服务业的单位增加值能耗和碳排放强度远低于工业。这种结构转型直接降低了城市经济的整体碳排放量。

3.5.2促进科技型企业进入（）

本文参考蒋墨冰等的做法，选取科学研究和技术服务业、研究和试验发展、专业技术服务业以及科技推广和应用服务业的企业作为科技企业，利用工商登记注册信息数据按照年份—城市统计新增的科技企业数量，以此衡量科技企业进入。表6列（2）展示了对科技型企业进入的回归结果，不难发现，人工智能创新发展试验区有效促进了科技型企业进入。科技型企业进入形成知识溢出的正反馈循环，如某个企业的算法突破通过区域创新网络快速扩散，使减排技术迭代速度超越传统线性模式。这些机制共同推动经济系统从“能源投入依赖型”向“数据驱动型”转型，最终在宏观层面实现碳减排。

4进一步讨论

尽管前文验证了人工智能创新发展试验区对城市碳减排的积极作用，但受城市资源禀赋和地理区位的差异可能会导致政策赋能效果呈现异质性特征。为此，本文进一步从多维度的区域异质性特征出发，综合考察人工智能创新发展试验区政策对城市碳排放的差异化影响。表5展示了异质性的估计结果，具体分析如表5所示。

	(1)	(2)	(3)	(4)
变量	非资源型城市	资源型城市	东部	中西部
	-0.0696***	0.1020***	-0.0339	-0.0621***
	(-3.9229)	(5.9811)	(-1.3016)	(-2.8728)
控制变量	是	是	是	是
城市固定效应	是	是	是	是
时间固定效应	是	是	是	是
观测值	2210	1495	1300	2405
R-squared	0.9846	0.9881	0.9897	0.9825

4.1 城市资源禀赋

鉴于不同资源禀赋水平的城市在经济发展方式和产业结构上存在明显不同，因此人工智能创新发展试验区对城市碳排放的政策驱动效果很有可能存在异质性特征。为此，本文依据国务院印发的《全国资源型城市可持续发展规划（2013—2020年）》，将样本划分为非资源型城市和资源型城市两类。表5的列（1）与列（2）展示了不同资源禀赋条件下人工智能创新发展试验区的实施效果，从影响系数来看，人工智能创新发展试验区对非资源型城市的积极影响大于资源型城市。一般来说，非资源型城市通常拥有更为多元化的产业基础，在这些城市部署人工智能创新发展试验区，其降低交易成本、提升资源配置效率的特性在相对灵活和低碳导向的经济体系中得以充分发挥。然而，在资源型城市，其经济高度依赖资源开采、初加工及关联的重化工产业，形成了深厚的“路径依赖”和“锁定效应”。人工智能技术的引入，短期内最直接且最符合地方经济利益的应用方向，往往不是“减排”，而是“增效”，这体现了“杰文斯悖论”的一种现实映射——效率提升反而刺激了总量扩张。

4.2 城市地理区位

由于历史、要素禀赋与改革开放政策等原因，中国东部沿海地区经济率先崛起，中西部地区则相对滞后，这种区域间发展不平衡、不充分的特点导致了人工智能创新发展试验区效果存在地理位置差异。本文将样本按照地理区位分为东部城市和中西部城市，估计结果可见表5的列（3）与列（4）。可以发现，在中西部城市，人工智能创新发展试验区的碳减排效果强于东部城市。究其原因，在中西部地区，人工智能技术的引入，特别是应用于工业生产过程的优化、物流系统的智能化以及城市基础设施的智慧化管理，能产生显著的效率提升型技术效应。这种效应在中西部相对粗放的增长模式下尤为突出。反观东部城市，整体经济与能源强度的“脱钩”已相对明显，使得人工智能创新发展试验区所诱发的效率提升型技术效应，其边际减排空间已大大压缩。在已经高度优化的系统中，通过人工智能进一步降低单位能耗和排放的难度增大、成本可能更高，减排的绝对量相对有限。

5结论与启示

本研究立足2011—2023年中国285个城市的面板数据，基于渐进双重差分法探索了人工智能创新发展试验区对城市碳排放的影响。结果表明：第一，整体而言，人工智能创新发展试验区能显著降低城市碳排放；第二，试验区政策可以通过提升产业高级化水平和促进科技型企业进入两条路径赋能碳减排效应；第三，人工智能创新发展试验区对非资源型和中西部城市的碳减排效果更为有效。

综合上述研究结论，本文提出以下建议：

第一，继续加快高水平的人工智能创新发展试验区建设，及时总结并推广前几批示范区建设实践中的经验，将更多城市纳入到试点范围。一方面，持续推进深化经济体制改革与推进政策先行先试，形成并推广更多有效的经验和模式，让人工智能创新发展试验区的碳减排效应惠及更多城市。另一方面，重视人工智能创新发展试验区与城市碳排放之间的内在联系。一是以人工智能创新发展试验区为契机，推动引进新一代信息技术、产业互联网等新兴产业落地，建设现代产业集群，增强城市碳减排的能力；二是加快传统产业转型，以技术创新赋能城市经济增长方式重构和增长路径转换，优化城市碳减排的路径。

第二，强化产业智能化与绿色科技企业培育的市场激励机制，巩固试验区减排主渠道。针对产业高级化与科技型企业驱动减排的核心路径，政策应着力构建市场化激励相容机制，破解技术渗透的制度摩擦。建议将人工智能赋能传统产业升级纳入碳排放权交易体系，允许企业通过智能化改造获得的额外碳配额进入市场交易；同步设立区域性绿色科技企业孵化加速器，对从事AI减碳技术研发的企业实施“研发费用税收抵免+首台套应用保险补贴”政策组合，降低创新风险与市场导入成本。在资源禀赋允许地区试点数据要素确权流通，推动工业能源数据与AI算法平台合规共享，破解中小制造企业“数据荒”导致的智能化改造瓶颈，使产业升级与科技企业成长的内生动力转化为可持续的减排动能。

第三，实施区域差异化干预策略，破解资源型城市与东部发达地区的减排失灵困境。需设计精准匹配区域发展阶段与结构特征的定制化政策。对资源型城市，建立“高碳产能退出—AI产业承接”的转型补偿机制，将资源税增量部分定向用于人工智能基础设施建设和劳动力技能转换培训，推动能源依赖型经济向智能服务型经济跃迁；探索矿业权与数据中心用能指标置换模式，引导资源资本流向低碳数字产业。对东部发达城市，将数据中心等数字基础设施纳入用能预算管理，依据单位算力碳排放强度动态分配绿电配额。中西部建立以人工智能技术的减排技术承接中心，利用东部资本与中西部应用场景的互补性，促进减排技术梯度扩散。

参考文献：

1. [1] 李媛媛, 高帅科. 人工智能与企业劳动收入份额——基于新一代人工智能创新发展试验区试点的准自然实验[J]. 工业技术经济,2024,43(07):120-130.
2. [2] 欧阳金琼, 魏德强, 王雨濛. 人工智能对新质生产力的影响——基于新一代人工智能创新发展试验区的政策效应[J].软科学,2025,39(03):28-36.
3. [3] 廖斌, 韩雷. 人工智能对新质生产力发展的影响研究——基于国家新一代人工智能创新发展试验区的考察[J]. 云南民族大学学报(哲学社会科学版),2025,42(03):100-114.
4. [4] 张同蕾, 马远. “双试点”创新政策与城市数字创新增量提质——来自国家自主创新示范区与人工智能创新发展试验区的证据[J].现代经济探讨,2025(05):68-79.
5. [5] 张传兵. 数字经济如何影响碳排放强度？——基于产业结构高级化与合理化的双重视角[J]. 科学学与科学技术管理,2024,45(10):56-73.
6. [6] 李佳, 吴静怡, 曹睿涵. 金融科技能否打通城市创新之路？——来自科技企业进入的经验证据[J]. 金融评论,2024,16(02):114-134.
7. [7] 熊彬, 王志伟. 数字经济“双试点”政策对创业活跃度影响效应研究——有为政府与有效市场协同视角[J].现代财经(天津财经大学学报),2024,44(06):36-53.
8. [8] Cao Y, Chen S. Rebel on the canal: Disrupted trade access and social conflict in China,1650–1911[J]. American economic review,2022,112(05):1555-1590.
9. [9] Chaisemartin C D, D'Haultfoeuille X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American economic review,2020,110(09):2964-96.
10. [10] Goodman-Bacon A. Difference-in-differences with variation in treatment timing[J]. Journal of econometrics,2021,225(02):254-277.
11. [11] 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,2022,40(05):100-120.
12. [12] 蒋墨冰, 李莹, 徐晓慧.反垄断法与科技企业进入——基于双重机器学习的因果推断[J]. 科学学研究,2025,43(04):864-875.
13. [13] 熊彬, 王志伟. 承接产业转移政策能够提升转入城市经济韧性吗?[J]. 首都经济贸易大学学报,2024,26(06):63-78.