【摘要】人工智能通过推动节能降碳、完善环境治理、发挥技术外溢效应，助推绿色全要素生产率攀升。从人工智能视角探索提升绿色全要素生产率的路径，选取2011—2018年省际面板数据，厘清并检验人工智能与绿色全要素生产率之间的关系。研究发现：首先，人工智能显著提高了绿色全要素生产率。其次，人工智能通过技术外溢的遮掩效应强化了对绿色全要素生产率的提升作用。最后，分地区样本的考察显示地区间存在一定的异质性：中西部地区人工智能对绿色全要素生产率的提升作用比东部地区更为显著；相较于南部地区，北部地区人工智能对绿色全要素生产率的影响效果更为显著。

　　【关键词】人工智能；技术外溢；遮掩效应；绿色全要素生产率

　　一、引言

　　几十年来，中国经济发展虽然取得巨大成就，但能源消耗、环境污染等问题也变得愈发严重。绿色发展作为一种科学的发展方式，是当前世界的重要趋势。习近平总书记强调：“要坚持不懈推动绿色低碳发展，建立健全绿色低碳循环发展经济体系，促进经济社会全面绿色转型。①”《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》更是把“推动绿色发展”作为明确要求。当前，我国正处于经济转型的关键过渡期，要想经济高质量发展，必须走绿色发展的道路。过去，大多数学者使用全要素生产率来衡量经济发展，但这一做法并未考虑能源、环境等因素的影响，而绿色全要素生产率的测算则纳入这些变量，符合当前的经济发展理念。因此，绿色全要素生产率逐渐成为广泛关注的政策主题。

　　实现经济高质量发展，需要全面推动社会各生产环节转型升级，持续优化中国的经济结构。人工智能作为一种新兴的科学技术，其强大的渗透性将会使得各个行业发生颠覆性的变化。首先，人工智能技术发展和应用带来了一批新产品和新产业，这给消费者带来了全新的价值体验。其次，人工智能与传统产业深度融合，为传统产业发展提供新的动力。最后，人工智能的发展和应用对生产方式进行优化升级，降本增效的同时进一步增强了企业市场竞争力，进而重塑全球产业格局。因此，人工智能对于我国经济高质量发展具有重大意义。

　　在当前智能化变革和高质量发展的趋势下，人工智能与绿色全要素生产率二者有什么关系？其影响机制又如何？现有文献对此并未给出确切回答，因此，我们研究的边际贡献在于：第一，运用省级面板数据实证研究人工智能对绿色全要素生产率的影响，为相关研究提供了一些经验证据；第二，从技术外溢视角深入考察这种影响的区域异质性；第三，进一步检验技术外溢在上述影响关系中的间接效应。

　　二、文献综述

　　基于技术外溢视角，深入研究人工智能对绿色全要素生产率的影响及内在机制，相关文献主要集中在以下几个方面。

　　（一）人工智能的相关文献

　　人工智能的相关文献分为指标测度与效应两方面。在指标测度方面，目前学术界关于人工智能的文献层出不穷，定量研究文献中衡量人工智能发展水平的指标也各具特色。Borland和Coelli（2017）[1]将“信息传输、软件和信息技术服务业全社会固定投资额与生产总值的比值作为人工智能发展水平的衡量指标。”也有学者将中国制造业细分行业与IFR制造业的行业分类进行匹配，采用工业机器人安装量作为人工智能发展水平的衡量指标（闫雪凌等，2020）[2]。

　　关于人工智能效应的研究，通过对相关文献进行梳理，从微观、中观、宏观三个层面进行探究。从微观层面来看，人工智能的积极效应体现在两个方面：第一，人工智能技术发展直接创造了许多新任务，对人才的需求力度增加，提升了就业人员的收入水平；第二，人工智能技术发展促进了产品的创新，通过产品创新的中介效应促进了就业人员数量和收入的增长（何勤，2020）[3]。从中观层面来看，郑琼洁（2021）[4]从企业层面分析了人工智能对全要素生产率的影响，认为人工智能通过技术创新、优化生产要素投入以及转变生产方式等路径促进企业全要素生产率提升。从宏观层面分析，有学者从税收制度的视角去研究人工智能对就业的影响，并通过理论推导得出偏向于资本的税收制度会使得人工智能发展低效率化，若对自动化技术征税将能促进就业水平（Acemoglu，2020）[5]。也有文献从当前政策背景出发，认为人工智能发展方向与五大新发展理念相契合，人工智能可以通过对生产方式的改革和交换模式的优化等多个方式促进经济高质量发展（师博，2020）[6]。

　　（二）绿色全要素生产率的相关文献

　　绿色全要素生产率测算方法分为参数法和非参数法。参数法中，武义青等（2018）[7]通过引入势效系数计算了河北各市区绿色全要素生产率。非参数法中，陈超凡（2016）[8]基于方向性距离函数的ML指数测算了我国绿色全要素生产率，进一步研究发现我国绿色全要素生产率在地区间具有较大的异质性（宋长青等，2014）[9]。

　　有学者们对绿色全要素生产率的影响因素进行考察，刘赢时等（2018）[10]研究发现能源效率、产业结构优化等因素可提高绿色全要素生产率。逯进等（2021）[11]实证检验得出，产业结构升级、技术创新能提升绿色全要素生产率，进一步研究发现，这种影响具有显著的省际差异。另外，还有学者们通过研究得出环境治理投资、人口规模、要素扭曲等因素对于绿色全要素生产率也具有重要的影响作用（周晓辉，2021[12]；Xue，2022[13]）。

　　（三）人工智能对绿色全要素生产率影响的相关文献

　　关于人工智能对绿色全要素生产率影响的研究，学者们的结论基本上趋于一致，认为人工智能可以促进绿色全要素生产率。郭娅妮（2021）[14]基于省级层面数据，实证分析得出人工智能技术的发展和应用能显著提高绿色全要素生产率，并且存在研发投入的门槛效应。宣旸等（2021）[15]学者认为人工智能等新技术与企业生产、政府治理等领域相结合形成的“智慧城市”能提升地区绿色全要素生产率水平，并进一步研究发现，生产性服务业专业化等因素能正向中介这种影响效应。Zhang（2021）[16]基于省际面板数据实证分析得出，智能化技术的应用显著提高制造业绿色全要素生产率，并认为政府应加大对智能化技术发展的关注，推动绿色低碳产业的构建。

　　综上所述，目前关于人工智能和绿色全要素生产率已积累很多有价值的研究，但仍存在一些不足：第一，关于人工智能的相关文献虽然很多，但多数聚焦于企业、行业、产业等方面，探究人工智能影响生产率的文献较少；第二，目前从技术外溢的视角探究人工智能与绿色全要素生产率的关系，并将三者结合起来进行研究，缺少一定的经验证据。鉴于以上不足，我们通过构建2011—2018年的省级面板数据，基于技术外溢的视角，探究人工智能对绿色全要素生产率的影响机制，并进一步分析人工智能对不同区域绿色全要素生产率影响的异质性。

　　三、理论机制分析

　　人工智能对绿色全要素生产率的影响机制可分为直接效应和间接效应两个部分，作用机制如图1所示。

　　（一）人工智能对绿色全要素生产率的直接效应

　　人工智能主要通过两方面直接影响绿色全要素生产率：一方面，人工智能技术发展和应用为环境治理提供了新的解决方法。首先，人工智能技术所带来的数据收集、处理和分析能力可以使环境工作者对环境进行有效的检测，从而对环境状况达到精准掌控（张文博，2019）[17]。其次，人工智能强大的算法能力可以准确分析出当前环境污染重点区域以及造成各区域污染的原因，通过对人力、设备等资源进行合理搭配，在节约资源的同时，提高环境治理的效率（张伟，2021）[18]。最后，人工智能技术的发展和应用可以直接促进一系列环保产品的产生，对于绿色发展具有极大的促进作用；另一方面，对于以往高消耗、高排放的传统行业，人工智能技术的发展和应用可以为这些行业节能减碳提供强有力的技术支撑。例如人工智能强大的云计算能力可以有效调配如光能、风能等新能源与传统的化石能源进行合理搭配，不仅提高了能源利用的效率，而且也减少了碳排放。可见，人工智能通过环境治理效应以及节能降碳效应直接影响了绿色全要素生产率，并对其产生积极作用。

　　（二）人工智能对绿色全要素生产率的间接效应

　　人工智能通过技术外溢的间接效应进一步提高绿色全要素生产率，主要体现在以下几点：首先，人工智能所带来的技术外溢效应通过构建智能生态产业链并与各传统产业相结合，不仅扩大了各个产业的生产规模，同时增加了高技术在产业中的占比，通过对产业结构的优化提高绿色全要素生产率，助力经济高质量增长（周健军，2021）[19]。其次，人工智能、大数据等技术的发展和应用可以通过促进数字经济的发展进而对中国绿色全要素生产率产生促进作用。人工智能等技术对数字经济的促进作用主要体现在三个方面：第一，人工智能等相关技术直接促进了互联网行业、软件业以及信息技术服务业等数字经济发展；第二，人工智能相关技术的技术外溢效应可以对传统产业重新赋能，使得产业的生产规模和生产效率大幅提升，促进了产业数字化；第三，人工智能等技术发展和应用渗透到经济社会各领域，从而带动了数字经济的发展（罗以洪，2019）[20]。而数字经济发展则可以通过激发创新效率、优化要素配置等方式促进绿色全要素生产率的提升（乌静等，2022）[21]。最后，人工智能技术的不断进步促进了信息的流通速度，有效降低了创新企业进行研发的准入门槛和研发费用，为经济发展提供了新的活力，最终有效提高了绿色全要素生产率。

　　基于以上分析，提出以下研究假设：

　　H1：人工智能正向促进绿色全要素生产率。

　　H2：人工智能通过技术外溢效应提升绿色全要素生产率。

　　四、研究设计

　　（一）模型设定

　　选取中国2011—2018年30个省（市、自治区）的面板数据，采用固定效应模型②进行研究，基准回归模型如下：

　　其中，gtfpit为绿色全要素生产率，robotit为人工智能发展水平，controls为控制变量，μi为省份固定效应，εit为随机误差项，下标i和t依次表示省份和年份。

　　（二）变量测定

　　1.被解释变量（gtfp）。测算方法参考陈超凡（2016）[8]使用的基于方向性距离函数的ML生产率指数方法，采用数据包络法（DEA），要素投入包括：资本投入、劳动投入以及能源投入。资本投入使用资本存量来表示，计算方法为“永续盘存法”，劳动投入用各省市年末就业人数表示，能源投入选用各省市用电总量来衡量。非期望产出指标使用“工业三废”；期望产出采用以2004年为基期的各省市实际生产总值衡量，通过MaxDEA测算得出2011—2018年各省市的绿色全要素生产率指数以及绿色全要素生产率的两个子指标绿色技术效率指数和绿色技术进步指数。数据来源于《中国城市统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》以及各省统计公报。

　　2.解释变量。解释变量人工智能衡量指标参考了Acemoglu&Restrepo（2020）[22]、康茜等（2021）[23]的人工智能衡量指标处理方法，使用工业机器人密度进行衡量。具体做法是首先将《中国劳动统计年鉴》的行业类别与国际机器人联合会（IFR）公布的中国机器人使用量进行匹配，然后采取Bartik工具变量法计算出人工智能发展水平指数，并取对数处理。数据来源于国际机器人联盟数据库、EPS数据库。

　　3.控制变量。（1）环境规制。环境规制强度能直接反映一个地区能源消耗和环境污染状况，本文参考田杰等（2021）[24]的做法，采用熵值法将二氧化硫去除率、生活污水处理率等5个指标拟合得出环境规制衡量指标，同时进行取对数处理。（2）地区开放水平。选用外商投资企业投资总额衡量地区的开放水平，并取对数处理。（3）资本要素配置扭曲。这一指标能衡量实际使用资本要素与要素达到最佳配置时资本要素之间的偏离程度，测算方法参考周晓辉（2021）[12]处理方法。（4）城市基础建设。城市的基础设施建设与环境污染状况有着密切的联系，进而影响绿色全要素生产率水平，采取人均光缆长度来衡量城市基础设施建设，并取对数处理。（5）产业结构高级化。使用第三产业生产总值与第一产业、第二产业二者生产总值之和的比值表示。以上数据均来源于《中国统计年鉴》。

　　4.中介变量。中介变量为技术创新水平，采用专利申请数进行衡量，并取对数处理，数据来源于《中国统计年鉴》。

　　（三）描述性统计

　　选取2011—2018年中国30个省（市、自治区）的面板数据（剔除西藏）进行实证研究，变量描述性统计结果如表1所示。

　　五、实证结果和分析

　　（一）基准回归结果分析

　　根据Hausman检验结果，选用固定效应模型。基准回归结果见表2，表2列（1）到列（6）为依次加入控制变量回归结果，从表中可以观察到解释变量人工智能发展水平系数为正，且在1%的显著水平下通过检验，这表明人工智能能显著提高中国绿色全要素生产率，假设1成立。其原因主要在于：一是人工智能强大的算法能力以及数据智能化决策能力能够加强对环境水平状况的监测，对区域内资源、能源的配置效应进行优化，提高环境治理效率；二是人工智能通过赋能能源生产、传统基础设施等领域，在帮助提高能源生产效率的同时，也起到了减少碳排放的效果。

　　从控制变量看，开放水平显著提高了绿色全要素生产率，环境规制、资本要素扭曲以及基础设施建设阻碍了绿色全要素生产率的提升。

　　（二）中介效应分析

　　为检验人工智能对绿色全要素生产率影响机制中技术创新的间接效应，参考温中麟等（2004）的研究，构建如下中介效应模型：

　　回归结果如表3所示：列（1）和列（2）回归结果显示人工智能技术的发展和应用对绿色全要素生产率和技术创新具有显著的正向效应，且都在1%的显著水平下通过检验，列（3）中人工智能的系数符号和显著水平保持不变，但中介变量系数为-0.113，根据温忠麟（2004）[25]的研究可知，此时技术创新所产生的效应为遮掩效应。在分析自变量、中介变量以及因变量三者的关系时，一般会出现三种机制，即中介效应、混淆效应以及遮掩效应。与前两种机制作用效应相反，遮掩效应会使得自变量对因变量的效应增强（范长煜，2016）[26]。我们认为，人工智能技术发展本身所带的技术进步的特性，在实际应用过程中（如工业机器人在行业的应用）会通过技术外溢、技术转化、技术叠加等效应，强化人工智能对绿色全要素生产率的作用，在表3中列（3）解释变量的系数比列（1）解释变量系数增大也进一步证明了遮掩效应的存在，假设2成立。

　　（三）区域异质性分析

　　考虑到人工智能技术的发展和应用对绿色全要素生产率的影响可能存在地区间差异，因此将30个省（市、自治区）划分为东部、中部、西部地区。从表4列（1）、列（2）、列（3）可知，人工智能显著提高了中部地区、西部地区的绿色全要素生产率，但对于东部地区并不显著，说明人工智能对于欠发达地区绿色全要素生产率促进作用更加显著。为了进一步验证该结论，我们参考蔡之兵（2019）[27]的研究将30个省（市、自治区）划分为南部地区和北部地区进行区域异质性检验，回归结果见表4中列（4）和列（5）。由回归结果可得，人工智能对北部地区绿色全要素生产率的促进作用比南部地区效果更强，进一步说明人工智能对于欠发达地区绿色全要素生产率促进作用更加显著。

　　（四）稳健性和内生性检验

　　使用机器人实际安装量（robot1）替代机器人保有量去计算人工智能发展水平指数，回归结果如表5列（1）所示，人工智能提高绿色全要素生产率的效应仍然在1%的显著水平下通过检验，因此，基准回归结果较为稳健。另外，我们也采取被解释变量绿色全要素生产率的分解子指标绿色技术进步进一步检验结论的可靠性，表5列（2）结果表明，除控制变量显著性有所差异，其他并无显著变化，表明本文结论依然稳健。

　　同时，考虑到可能因为内生性问题导致回归结果存在误差，因此，采用二阶段最小二乘法，将解释变量工业机器人密度取对数后的滞后一阶和其一阶差分的乘积（iv=L.lnrobot*D.lnrobot）作为工具变量进行内生性检验。表5列（3）为工具变量对解释变量回归结果，列（4）为第二阶段的回归结果，由列（3）和列（4）回归结果可得，人工智能对绿色全要素生产率具有显著促进作用的结论依然可靠。

　　六、结论和政策建议

　　（一）结论

　　选取2011—2018年省际面板数据，实证研究人工智能对中国绿色全要素生产率的影响，并从技术外溢的视角出发，分析了其影响的作用机制。研究结果显示：第一，人工智能显著提高中国绿色全要素生产率；第二，人工智能通过技术外溢的遮掩效应进一步强化对绿色全要素生产率的正向效应；第三，地区异质性分析结果表明，人工智能对绿色全要素生产率影响对于欠发达地区作用效果更为显著。

　　（二）政策建议

　　1.加快绿色人工智能发展，在经济高质量发展和“双碳”目标下，推动人工智能在环境治理和节能减排领域的技术转化。在环境治理方面，利用人工智能技术助力环保产业发展，如在垃圾分类、污水治理等领域。对于节能减排方面，将人工智能、大数据能技术赋能交通领域，通过构建智能化交通体系，不仅可以起到缓解道路拥堵，减少事故的作用，同时还能达到降低碳排放和节约能源等效果。

　　2.加大技术研发力度，要提高国内科技自主创新能力，加强对国外先进技术的吸收和转化能力，助力人工智能技术与传统产业深度融合，提高产业智能化水平。例如对于制造业，人工智能不仅能优化企业生产流程，提高生产效率和生产质量，同时还能有效降低企业创新的研发成本。另外，人工智能等技术还能帮助企业创新产品，提高产品附加值，为企业在市场竞争中增强优势。

　　3.因地制宜制定政策，统筹协调区域间人工智能发展。要注意人工智能发展在地区间的异质性，在人工智能技术应用过程中，根据各地区实际状况制定针对性的人工智能应用相关政策。对于欠发达地区，要加快人工智能技术发展和应用的进程，在改善基础设施建设水平基础上，充分利用人工智能在地理位置和网络空间的技术溢出效应，减小地区间经济水平差距，助力中国经济均衡发展。

　　【参考文献】

　　[1]Borland J，Coelli M.Are Robots Taking Our Jobs?[J].Australian Economic Review，2017，50（4）：377-397.

　　[2]闫雪凌，朱博楷，马超.工业机器人使用与制造业就业：来自中国的证据[J].统计研究，2020（1）：74-87.

　　[3]何勤，邱玥.人工智能的就业效应研究：锦上添花抑或是釜底抽薪?[J].北京联合大学学报（人文社会科学版），2020（2）：84-95.

　　[4]郑琼洁，王高凤.人工智能技术应用与中国制造业企业生产率——兼对“生产率悖论”的再检验[J].学习与实践，2021（11）：59-69.

　　[5]Acemoglu D，Manera A，Restrepo P.Does the US Tax Code Favor Automation?[J].NBER Working Papers，2020.

　　[6]师博.人工智能助推经济高质量发展的机理诠释[J].改革，2020（1）：30-38.

　　[7]武义青，陈俊先.绿色全要素生产率测定的一种新方法——以河北省11个设区市工业为例[J].河北经贸大学学报，2018（2）：12-16.

　　[8]陈超凡.中国工业绿色全要素生产率及其影响因素——基于ML生产率指数及动态面板模型的实证研究[J].统计研究，2016（3）：53-62.

　　[9]宋长青，刘聪粉，王晓军.中国绿色全要素生产率测算及分解：1985—2010[J].西北农林科技大学学报（社会科学版），2014（3）：120-127.

　　[10]刘赢时，田银华，罗迎.产业结构升级、能源效率与绿色全要素生产率[J].财经理论与实践，2018（1）：118-126.

　　[11]逯进，李婷婷.产业结构升级、技术创新与绿色全要素生产率——基于异质性视角的研究[J].中国人口科学，2021（4）：86-97.

　　[12]周晓辉，刘莹莹，彭留英.数字经济发展与绿色全要素生产率提高[J].上海经济研究，2021（12）：51-63.

　　[13]Xue Y.Evaluation analysis on industrial green total factor productivity and energy transition poli-cy in resource-based region[J].Energy&Environment，2022（3）：419-434.

　　[14]郭娅妮.人工智能发展对我国绿色全要素生产率的影响——基于动态系统GMM估计和门槛模型的实证研究[J].河北农业大学学报（社会科学版），2021（5）：29-37.

　　[15]宣旸，张万里.智慧城市、经济集聚与绿色全要素生产率[J].现代经济探讨，2021（9）：12-25.

　　[16]Zhang Y，Wu Z.Intelligence and Green Total Factor Productivity Based on China's Province-Level Man-ufacturing Data[J].Sustainability，2021（9）.

　　[17]张文博.环境治理中的人工智能[J].国外社会科学前沿，2019（10）：56-62.

　　[18]张伟，李国祥.环境分权体制下人工智能对环境污染治理的影响[J].陕西师范大学学报（哲学社会科学版），2021（3）：121-129.

　　[19]周健军.人工智能对产业结构优化效应分析——基于技术创新视角[J].科技和产业，2021（1）：17-23.

　　[20]罗以洪.大数据人工智能区块链等ICT促进数字经济高质量发展机理探析[J].贵州社会科学，2019（12）：122-132.

　　[21]乌静，肖鸿波，陈兵.数字经济对绿色全要素生产率的影响研究[J].金融与经济，2022（1）：55-63.

　　[22]Acemoglu D，Restrepo P.Robots and Jobs：Evidence from US Labor Markets[J].Daron Acemoglu，2020（6）.

　　[23]康茜，林光华.工业机器人对就业的影响机制——产业结构高级化还是合理化?[J].软科学，2021（4）：20-27.

　　[24]田杰，谭秋云，陈一明.数字普惠金融、要素扭曲与绿色全要素生产率[J].西部论坛，2021（4）：82-96.

　　[25]温忠麟，张雷，侯杰泰等.中介效应检验程序及其应用[J].心理学报，2004（5）：614-620.

　　[26]范长煜.遮掩效应与中介效应：户籍分割与地方城市政府信任的中间作用机制[J].甘肃行政学院学报，2016（3）：98-110.

　　[27]蔡之兵.南北分化视角下的北方区域经济失速问题探因[J].江淮论坛，2019（5）：70-77.