绿金论文 | 智能技术、监管政策与城市碳公平

摘要

研究背景

研究贡献

本研究的创新之处主要体现在三个维度：首先，学界关于人工智能（AI）能否有效缓解碳不平等（CI）的讨论尚不充分。本文立足中国实际，将两者置于同一分析框架内，深入剖析了AI如何重塑大型发展中经济体内部城市碳排放的空间分布。其次，既往研究未能清晰揭示AI影响CI的具体传导机制及制度适配条件，且忽视了跨区域的空间关联。本文将AI演进与具体作用渠道及绿色金融制度相结合，厘清了其内在逻辑，并借助空间计量模型，首次证实了周边城市AI进步对本地的负面溢出效应。最后，文章从CI总量及城市功能属性两个视角展开异质性探讨，锁定了AI减碳的高效场景，为利用AI制定差异化策略、统筹减排与公平提供了实证依据。

研究结果

5. 进一步分析结果

表A5展示了调节效应的回归数据。分析显示，绿色金融发展水平越高，AI抑制碳不平等的效果越显著。也就是说，绿色金融对AI与CI的关系起到了正向调节作用。当绿色金融体系成熟时，AI驱动的节能技术能获得更多资金支持和风险分担，不再局限于富裕地区，而是向资源匮乏区扩散，进而缩小区域间碳排放差距。相反，若绿色金融发展滞后或应用不足，AI应用可能无法降低碳不平等，甚至可能拉大现有差距。

鉴于某城市的碳不平等可能受邻近城市AI发展的波及，本文利用空间杜宾模型（SDM）剖析空间溢出效应。为检验空间效应的稳健性，构建了三种空间权重矩阵：反距离矩阵（W1）、反距离平方矩阵（W2）及经济地理权重矩阵（W3）。表9列出了SDM的估计结果。在三种权重设定下，ln AI的系数均为负值，且在1%水平上显著。这与基准回归结论相符，即本地AI发展显著降低了本市碳不平等程度。此外，空间自回归系数ρ在三种权重下均为正且高度显著，说明各城市间的CI存在显著的正向空间自相关，即周边城市碳不平等的恶化会传导至本地。

表10列出了在三种空间权重矩阵（W1反距离矩阵、W2反距离平方矩阵、W3经济地理权重矩阵）下的分解结果。结果显示，AI在本地是缩小碳差距的“平等化力量”，但在区域间却因污染转移和人才虹吸而演变为加剧邻近城市碳不平等的“差异化力量”。这要求政策制定者不能仅局限于单个城市，而应建立跨区域的协同治理机制。

研究结论

本文基于2003—2021年中国251个城市的面板数据，实证检验了人工智能（AI）对碳不平等（CI）的影响。研究发现，AI发展能显著缓解CI。AI企业数量每增长10%，CI水平约下降0.5%。该结论在多种模型设定及内生性处理下依然稳健。进一步分析表明，AI通过促进绿色技术创新和推动产业升级两条路径降低CI。此外，绿色金融发挥调节作用，通过优化可持续AI应用的资本配置，增强了AI抑制CI的效果。异质性分析显示，AI缓解CI的效应在碳不平等程度较低、环境治理关注度较高及老工业城市中更为明显。受污染避难所效应和人才虹吸效应影响，邻近城市的AI发展反而会加剧本地城市的CI。

基于上述结论，提出以下政策建议：第一，实施因地制宜、差异化的AI部署策略，最大化公平脱碳效益。政策制定者需依据不同城市的结构特征和技术吸收能力，定制差异化的AI融合方案。第二，构建技术与金融协同的生态系统，协调AI部署与绿色金融体系。政策制定者应摒弃碎片化政策思维，致力推动AI产业与绿色金融体系的协同发展。第三，建立跨区域协同治理框架，缓解负向空间外部性。为避免城市间恶性竞争带来负面后果，上级政府应建立标准化的横向技术补偿机制。第四，利用严格的环境规制作为AI驱动脱碳的制度催化剂。政府必须实施强有力的环境规制，如刚性排放上限、递进式碳定价及严格的环境审计，以创造合规驱动型的可持续技术需求。