引言

当前，我国经济发展正面临增长速度换挡期、结构调整阵痛期、存量政策落地期、增量政策酝酿期、新的经济发展机遇期多期叠加的关键期，生态文明建设与创新驱动正在形成战略协同。“十四五”规划提及“生产生活方式绿色转型成效显著、生态环境持续改善”。党的二十大报告进一步将“广泛形成绿色生产生活方式，碳排放达峰后稳中有降”纳入新时代发展目标。并围绕“协同推进降碳、减污、扩绿、增长，推进生态优先、节约集约、绿色低碳发展”设立了多项环境治理目标。这一部署凸显了环境治理在实现“双碳”目标和美丽中国建设过程中的核心作用。作为兼具经济发展和环境治理责任的微观主体，企业正面临着发展模式转型和新兴技术发展的双重挑战^[1]。

作为新一轮引领科技革命的核心驱动力和具有强正外部性的通用技术，人工智能技术的发展与应用能够通过重塑生产函数、促进数实融合和优化要素配置等促进企业低碳转型^[2]。党的二十大报告明确将人工智能列为前沿领域，其“头雁效应”不仅体现在产业结构调整方面，在环境治理领域更是具有其独特价值创造作用——通过技术创新解决环境负外部性内部化的科斯难题。一方面，企业碳排放治理的边际成本受能源利用效率、主营业务、污染类型等特征的影响，其研发能力与成本约束可能形成合规门槛，进而加剧市场的选择效应。另一方面，在利润最大化目标的约束下，企业作为一个“理性人”，倾向于以最小化成本获取最大化利润，这就需要企业权衡短期研发成本投入与长期绿色竞争力培育的动态优化问题，寻求长期可持续发展的最优解。

这种技术—环境—经济的多维互动，是理解我国高质量发展的关键视角。尽管现有研究关注到了技术发展与环境治理^[3]、技术进步与经济增长^[4]、经济发展与环境保护^[5] 之间的关系，但关于人工智能技术如何协同优化经济绩效和环境绩效（即碳绩效），尚缺乏系统的理论阐述和实证检验。尤其是在我国推进高质量发展和“双碳”战略协同实施的新时代背景下，剖析人工智能技术的发展对企业碳绩效的影响，不仅是革新经济发展范式的关键路径，也是突破环境承载力阈值的内在动力，可能催生新型环境治理模式。

目前，关于企业碳绩效的研究主要集中在影响因素探讨上。在企业内部因素方面，董事会独立性和董事性别多样性^{[6, 7]}、管理层环境培训^[8]、企业绿色创新成果^[9]、股东关系网络^[10] 等能够促进企业碳绩效的提升，企业内部控制与治理能力、薪酬政策、资金管理能力、绿色创新能力是影响企业碳绩效的关键机制。影响企业碳绩效的外部因素较多，涵盖政策因素和非政策因素两个方面。一方面，中国的绿色金融改革与创新政策^[11]、碳排放权交易政策^[12] 等环境治理政策会改善企业碳绩效，且这种影响存在显著的区域、污染类型异质性。另一方面，市场化监管^[13]、政治稳定和政府效能^[14]、数字化转型进程^[15]、政府绿色采购^[16]、新质生产力发展水平^[16] 和产业融合水平^[17] 等非政策因素也会在不同程度上影响企业碳绩效，且上述因素主要通过观念塑造、源头防控、末端治理影响企业碳绩效。

关于人工智能对经济的影响，其理论渊源可以追溯到熊彼特创新理论^[18] 和索洛增长模型中^[19]。前者揭示了技术革命通过“创造性破坏”重塑经济结构的内在机制，后者则将人工智能视作外生技术进步，确立了技术进步作为长期经济增长源泉的核心地位。基于这两大经典理论框架，学者们围绕人工智能技术的经济效应展开了诸多探讨，主要集中在经济增长、产业结构和区域协同发展三个方面。①经济增长。Hanson利用新古典经济增长模型探讨了自动化对经济增长的促进作用^[20]，Aghion等进一步将人工智能引入生产函数模型，验证了上述的结论^[21]。基于中国城市数据，陈安平得出了相似结论^[4]，张千等则进一步揭示了知识创造和产业结构转化的中介效应^[22]。②产业结构。人工智能技术通过促进制造业服务化转型重塑产业结构^[23]。这种变革主要通过集约边际效应实现^[24]。③区域协调发展。随着全球化的深入推进，区域间合作已成为人工智能产业发展的必然路径。然而，针对人工智能对区域发展的影响，存在“分化风险”和“协同效应”两种观点。前者认为，人工智能技术的发展会形成技术垄断^[25]、加剧全球南方不平等^[26]；后者则主张“人工智能的发展会协调经济与区域发展之间的关系、促进两者协调发展” ^{[27, 28]}。且这种协调效应主要体现在缩小收入差距、提升居民生活质量^[29] 和城乡教育差距上^[30]。

亦有研究针对人工智能的碳减排效应展开初步探索，但主要集中于行业^[3]、城市^[31]、居民碳消费^[32] 等维度，针对企业这一核心市场主体的研究较为罕见。尽管刘婷婷等剖析了企业层面的人工智能技术对碳绩效的影响^[33]，该研究亦存在两个可改进之处：其一，代理变量的改进。该研究基于资本和劳动的双重要素视角，采用企业的机器账面价值与员工人数比值来表征人工智能化程度，但这一衡量方法无法有效区分自动化设备与具备机器学习能力的智能系统的账面价值。因为企业的机器设备价值反映的是固定资产投入，而非人工智能特有的算法、算力、数据要素。其二，样本的选择性偏差。该研究仅纳入了资产规模上亿和有污染排放的企业，这可能导致样本的选择性偏误、降低估计效率，也限制了研究结论的普适性。

本文在现有研究的基础上，在理论视角和研究方法上有所改进，系统回应人工智能如何协调环境治理与经济发展这一重要学术关切。与以往研究相比，本文的边际贡献主要体现在三个方面：首先，拓展了人工智能技术的微观效应。现有研究大多聚焦人工智能技术的发展对中宏观层面的影响，本文则构建了“技术—要素—绩效”的微观分析框架，剖析了人工智能技术驱动企业碳绩效的微观机理，为理解AI赋能碳治理的边界条件提供了理论框架。其次，深化了人工智能驱动企业碳绩效的作用机制。既有研究忽视了要素市场条件和人力资本禀赋对技术红利的调节机制，本文则突破了传统技术中性假设、识别了数据要素生产率和劳动力成本这两个关键调节渠道，深化了对技术扩散理论的理解，为完善要素市场改革提供了微观证据。最后，剖析了区域协同治理的分析框架。以往人工智能对碳排放的研究局限于地区，但环境治理是系统性工程、具有空间上的流动性特征，且我国也加强了区域污染治理联防联治的政策力度。本文试图打破市场分割，将区域协同引入回归模型，系统考察省域边界线和城市群协同在人工智能助推碳绩效中的重要作用，为破解“行政区划”和“生态流域”的空间错配、构建跨行政区域的环境治理体系提供新思路。

1 理论分析与研究假说

人工智能作为一种具有强渗透性的赋能技术，能够通过数据要素和算法创新赋予机器“智能”，在重塑企业生产函数的同时促进经济增长与环境效益的协同。其对企业碳绩效的影响主要源于三个基础性特征：算力突破带来的计算效率提升、算法迭代带来的持续学习能力、数据要素积累形成的海量数据网络^[34]，这三种特性通过改变企业生产过程中的要素组合和技术选择，优化碳排放的源头控制和末端治理，进而作用于企业碳绩效。

在源头治理方面，人工智能对碳绩效的影响主要体现在推动技术升级、放大数据要素的作用和人力资本使用三个方面。首先，从推动技术升级来看，人工智能技术的发展充分释放了绿色低碳技术的创新潜力，能够有效加速各类绿色低碳技术的研发进程、提升相关技术性能、降低技术转化成本。一方面，人工智能的机器学习算法能够与高通量筛选相结合，加速储能电池、高性能隔热材料等的筛选过程及筛选效率，这有助于提升材料的使用效率与使用寿命。另一方面，人工智能发展带来的机器学习算法能够与传统建模仿真技术结合，简化工艺流程，进而实现生产工艺的针对性优化。其次，在数据要素赋能层面，人工智能技术不仅能够降低数据的获取成本、提升数据时效性，为企业（尤其是制造业企业）的能耗优化和能源调度提供高质量的数据基础，还能便利数据要素的集成、调度和计算，为工业智能化发展提供有效的服务性支撑。此外，人工智能技术的发展还能够提升数据要素质量、丰富数据要素内容，为工业产品的全生命周期碳排放管理提供数据支撑。第三，在人力资本方面，尽管人工智能技术的发展挤占了部分就业岗位、提升了“机器换人”的替代速度^[35]，但也有助于优化企业人力资本结构、提升人力资本质量。这种质量提升效应主要通过提高知识传递效率、扩展研发人员的知识面、提供定制化代码生成等方式，降低研发过程中的技术门槛、补齐知识短板。同时，人工智能还可以模拟专家的决策过程，为企业决策者提供减排方案参考，进而提升决策质量和效率，最终实现碳绩效的提升。

在末端治理方面，人工智能对碳绩效的作用主要通过优化生产要素组合和强化碳排放监测能力实现。一方面，随着新古典生产理论与现代信息技术的融合，人工智能的深度学习算法突破了传统技术局限，能够充分发挥“风—光—储”的互补效益与热电协同效益，降低非必要的能源消耗与资源浪费。同时，长短期记忆网络等时间序列分析技术的发展为预测工况参数、优化供应链管理等提供了有效支撑，能够有效促进清洁工艺的应用，降低冗余库存和物流带来的碳排放。另一方面，人工智能技术依附于智能传感器，能够实时收集、监测企业的碳足迹变化，较好地克服了传统人工监测的高成本与数据分析偏差问题，能够大幅提高碳足迹监测的实时性与准确性。这能够为企业降低能源消耗、提高能源使用效率提供量化依据，最终助力企业碳绩效的提升。基于以上分析，本文提出以下假说：

H1：人工智能技术创新能够显著提升企业碳绩效。

数据作为人工智能技术的核心要素之一，不仅能够促进知识创造和经济结构优化，还有助于提升全要素生产率^[22]。尽管人工智能技术在数据处理、碳排放监测等方面较为出色，但其对碳绩效的作用效果受到数据要素基础的影响^[15]，这种限制主要体现在数据可得性、数据质量和数据分析能力上。首先，数据要素基础好的企业通常面临着更为严苛的数据安全合规管理，出于对经济主体隐私保护的监管要求，政府部门可能会限制其人工智能技术对碳排放数据的深度挖掘，这会限制碳排放数据的可获得性，进而弱化算法训练效率、降低模型预测精度。其次，企业间数字化转型程度的差异会形成“数据孤岛”并产生系统兼容壁垒，不同标准和格式的跨企业、跨行业数据分析需要额外的清洗和转换成本，这提高了人工智能技术应用的边际成本，导致其对碳绩效的提升效应有所弱化。此外，提高对数据要素基础建设的投资可能引发资源错配效应，挤占人工智能研发和训练的有限资源，进而通过误差传导放大碳排放核算的不确定性，最终抑制人工智能对碳绩效的提升作用。基于上述分析，本文提出假设2：

H2：数据要素基础负向调节人工智能技术对企业碳绩效的影响。

作为典型的技能偏向型技术进步，人工智能技术的发展会替代部分劳动力^[35]，进而影响企业的生产决策。当劳动力成本处于较高水平时，为平衡要素投入的边际收益，管理者倾向于将有限的人工智能技术优先配置于替代高成本劳动力的生产环节，而非碳排放监测等具有正外部性的环境治理领域，导致人工智能技术的碳减排潜力难以充分释放。同时，在资本预算约束下，高劳动力成本会挤占研发投资、诱发短视的管理者缩减用于人工智能技术与算法优化的投入，降低算法模型在碳排放核算、减排路径模拟等环节的精度。此外，劳动力成本过高会强化企业对“机器换人”的依赖、强化要素市场扭曲，若替代过程未能同步实现生产工艺的绿色转型，可能会触发“杰文斯悖论”，即人工智能技术替代虽然提高了生产效率^[36]、降低了单位产品的生产成本，但也会导致资源消耗激增、碳排放治理成效不及预期。基于上述分析，本文提出如下假设：

H3：劳动力成本会抑制人工智能技术驱动的企业碳绩效。

2 研究设计 2.1 样本选择与数据来源

企业作为碳排放的直接贡献者，亦是碳减排任务的具体执行者。因此，文章选取定期公布财务报告、经营信息等重要数据的A股上市公司为研究对象，并根据披露可得的最新数据，将样本期设置为2007—2023年。相关数据来自中国经济金融研究数据库（CSMAR）、中国研究数据服务平台数据库（CNRDS）。为获得研究所需数据，对两个数据库中的数据按照企业代码和年份进行逐个匹配。其中，人工智能数据来自CNRDS人工智能专利子库，数据要素基础变量数据来自CSMAR数据库合作数据子库的企业数字化转型表，其余变量来自CSMAR数据库财务报表子库、财务指标分析子库。为保证数据质量，在数据处理过程中剔除了异常样本：①剔除终止上市、上市不满一年的企业；②剔除特别处理、特别转让、退市风险警示类企业；③仅保留上市后的观测样本；④剔除碳绩效数据严重缺失的样本。为了消除极端值的影响，本文对自变量进行了双侧1% 的缩尾处理。

2.2 变量说明与模型设定 2.2.1 变量说明

（1）核心解释变量：人工智能技术（AI）。与以往使用人工智能词频数衡量企业人工智能技术水平不同，本文参考Damioli等^[37]、尹志锋等^[38] 的研究，以WIPO的IPC专利分类为基础，采用当年人工智能专利申请数来衡量其人工智能技术水平。并参考姚加权等^[36] 的研究，采用企业年报中提及的人工智能技术的关键词数量作为核心解释变量进行稳健性检验。

（2）被解释变量：碳绩效（Cpe）。关于碳绩效指数的测算，目前主要有三种核算方法。①表征法。主要使用碳排放强度、温室气体排放量等相关变量替代碳绩效^[39]，即采用范围内碳排放与总资产的比值进行衡量。②比值法。采用企业营业收入与其碳排放量的比值来衡量^{[12, 17]}。③合成法。将资本、劳动力和能源视为投入，将GDP和碳排放量分别作为期望产出和非期望产出，采用数据包络分析或方向性距离函数进行分析^[40]；或基于环境信息披露、环境风险管理等维度构建综合指标体系，并采用熵权法、主成分分析法等方法进行合成^{[41, 42]}。然而，表征法无法准确反映碳绩效，投入产出法的传统模型侧重效率测度、无法比较最优值为1时决策单元的效率，熵权法和主成分分析需要依据数据信息量确定权重。鉴于企业的数据较为微观、可能存在多个缺失值，若采用合成法会丢失观测样本、降低估计效率。因此，参考罗栋梁等^[10] 的研究，本文采用比值法计算企业碳绩效指数。鉴于我国尚未建立强制性的企业碳排放信息披露制度，导致微观层面的碳排放数据获取存在困难。因此，在数据收集过程中，若企业年报中披露了碳排放数据，则直接使用该数据；若未披露，则参照《中国能源统计年鉴》的碳排放系数、结合企业披露的能源消耗量估算其碳排放量。在此基础上核算企业的碳绩效指数。

（3）控制变量：为避免遗漏变量偏差，本文选取了企业碳绩效的潜在影响因素作为控制变量，主要涵盖：①投资支出率（Inv），采用购建固定资产、无形资产和其他长期资产支付的现金与总资产的比值进行衡量；②负债率（Tl），采用企业总负债与总资产的比值进行衡量；③企业规模（Size），采用企业总资产的对数进行衡量；④净利润率（Roa），采用企业总资产净利润率进行衡量；⑤企业年龄（Age），采用企业上市年龄进行衡量；⑥现金流量比（Cfl），采用经营活动产生的现金流净额与总资产的比值进行衡量。

（4）机制变量。根据前文的分析，本文重点选取数据要素、人力资本使用作为机制变量，剖析上述因素对人工智能驱动企业碳绩效的影响。具体指标如下：①数据要素基础（Dig）：采用企业数字化水平进行衡量。目前，企业层面的数字化水平主要采用问卷调查、词频法、合成法进行衡量。鉴于问卷调查存在较大的主观性、词频法的关键词设定尚无统一定论，因而本文采用企业数字化转型指数进行衡量^①。②劳动力成本（Lab）：采用企业平均劳动力使用成本进行衡量。劳动力成本与企业人工智能渗透率之间属于要素替代，且劳动力成本的提升也会通过技能结构优化和成本传导影响企业碳绩效。但企业基层、中层、高层的薪资水平存在差异，难以细化区分。因此，本文采用企业应付职工薪酬与员工人数的比值进行衡量。

① 企业数字化转型指数=0.3472×战略驱动评分+0.162×技术赋能评分+0.0969×组织赋能评分+0.0342×环境赋能评分+0.2713×数字化成果评分+0.0884×数字化应用评分，各项细分指标为标准化后值。各细分指标测算方式参见CSMAR团队与华东师范大学工商管理学院联合研发的《中国上市公司数字化转型研究数据库》。

2.2.2 模型设定

（1）基准模型设定

为识别人工智能对企业碳绩效的影响，参考李计广等（2025）^[3] 的研究，本文构建如下计量模型：

$ \mathrm{Cpe}_{i t}=\beta_0+\beta_1 \mathrm{AI}_{i t}+\beta_2 \mathrm{CVs}_{i t}+\mu_i+\gamma_t+\varepsilon_{i t} $

(1)

式中，i代表企业个体，t表示年份。Cpe_it表示企业i在第t年的碳绩效指数。AI_it表示企业i在第t年的人工智能专利的申请数量；CVs_it表示各控制变量；固定效应包括个体固定µ_i和时间固定γ_t；ε_it为随机扰动项。在分析过程中，本文采用了企业层面的聚类稳健标准误。β₀为常数项，β₁和β₂为待估参数。其中，β₁表示人工智能对企业碳绩效影响的估计系数，也是本文关注的重点。

（2）机制检验模型设定

根据前文分析，数据要素、劳动力成本会影响人工智能对企业碳绩效的作用。为进一步研究上述因素是否会干预人工智能对碳绩效的影响，上述因素起促进作用还是抑制作用，本文构建如下调节效应模型进行机制检验：

$ \begin{aligned} \mathrm{Cpe}_{i t}= & \alpha_0+\alpha_1 \mathrm{AI}_{i t}+\alpha_2 Z_{i t}+\alpha_3 \mathrm{AI}_{i t} \\ & \times Z s_{i t}+\alpha_4 X_{i t}+\mu_i+\gamma_t+\varepsilon_{i t} \end{aligned} $

(2)

其中，Zs_it表示前文选定的两个机制变量，其余变量的解释同模型（1）。调节效应模型关注的是人工智能技术在影响企业碳绩效的过程中，机制变量能否起作用及具体的作用成效，前者主要通过观察α₃系数的显著性来判断，后者则通过观察α₁和α₃乘积的符号来判断。

2.3 变量描述性统计

表 1报告了上述变量的描述性统计结果。其中，企业碳绩效的最大值为2.6939、最小值为0.2355，均值为0.4905，说明不同企业之间的碳绩效存在较大差异。人工智能专利申请数量最大值为47.79、最小值为0、均值为0.0716，说明我国目前人工智能专利的整体申请数量偏低。数据要素基础的观测值相对其他变量较少，主要是因为企业数字化转型指数的统计时间起于2011年，且部分企业未开展数字化转型业务，导致这部分观测值丢失。其余变量的描述性统计与现有研究大致相符。

为考察人工智能与碳绩效之间的关联特征，本文绘制双向标绘图进行可视化分析。在分析时，首先将企业人工智能专利申请数量、碳绩效及控制变量进行分箱处理、计算箱体内均值，随后绘制变量关系图。根据表 1，文章的观测值较多，为了便于观察，我们分两百箱进行分析，绘制关系图如图 1所示。采用双向标绘图进行分析主要基于两种考量：其一，均值平滑能够有效地缓解散点图因样本量过大导致的过度重叠问题；其二，能够更加清晰地揭示变量间的线性关系特征。根据图 1，点与线均呈现向右上方倾斜的趋势，表明人工智能正向作用于企业碳绩效、适用线性回归模型，从侧面印证了模型1的科学性。其中，横轴表示自变量和控制变量的相对状态，无具体单位。

3 实证结果与分析 3.1 基准回归与稳健性检验 3.1.1 基准回归分析

表 2显示了人工智能影响企业碳绩效的基准估计结果。第（1）列中，自变量（AI）的系数在1% 水平上显著为正，表明人工智能的发展对企业碳绩效具有显著的激励效应，即企业的人工智能发展水平越高，企业碳绩效水平越高，验证了假说1。列（2）至列（7）展现了逐个加入控制变量的分析结果，AI的系数仍旧在1% 显著性水平上为正，说明在控制其他潜在因素后，人工智能的发展仍旧能够显著促进企业碳绩效的提升，验证了假说1。

这一结论与Luqman等关于“人工智能技术对碳排放控制具有正向作用”的结论形成呼应^[43]，亦是定向技术变革理论在环境经济学领域的应用。这一结果表明人工智能技术能够通过优化生产流程、提高能源利用效率和增强环境管理能力等多重渠道，提升其碳绩效。这一结论也验证了“强波特假说”的核心观点，即技术进步带来的收益高于监管成本，能够提升企业绩效、实现环境治理与经济绩效的“双赢”。同时，在控制企业财务特征等特性后，人工智能对企业碳绩效的影响仍旧显著，说明这种技术进步带来的环境效益独立于其他个体特征、具有普遍适用性。这表明人工智能对碳绩效的提升效应具有独立于其他企业特征的内生性优势，这为智能经济时代的环境治理提供了新的研究思路。

3.1.2 内生性处理

① 遗漏变量偏误。企业所处城市的环境规制力度与居民环保意识、行业特性等诸多不可观测因素也会影响企业碳绩效，若在分析过程中忽视上述变量可能引起内生性偏误。因此，本文在分析过程中将所属城市、所属行业纳入模型，采用高维固定效应模型进行验证，回归结果如表 3第（1）列所示。②选择性偏误。企业发展人工智能技术可能受管理实践、行业竞争、劳动力价格、外部环境变化的影响^[36]，因而研究对象可能存在选择性偏误。因此，本文将企业碳绩效指数的差值上限设定为0.01，采用1∶ 1有放回的近邻匹配，剔除未被匹配的数据并进行回归，缓解由选择性偏误导致的内生性问题。结果如表 3第（2）列所示。③工具变量法。本文进一步构建人工智能的工具变量，并运用2SLS验证人工智能对企业碳绩效的促进作用。具体分析过程中采用两个工具变量，一是采用企业人工智能专利申请数量的一阶滞后项与其时间上的一阶差分乘积构建Bartik工具变量^[31]，二是采用企业当年专利申请数量作为工具变量。回归结果如表 3第（3）和第（4）列所示。其中，Kleibergen-Paap的LM统计量为47.632、p < 值为0.0000，拒绝工具变量“识别不足”的原假设；Cragg-Donald的Wald F统计量为572.432，大于Stock-Yogo弱工具变量检验的临界值16.38，表明不存在弱工具变量问题。

综合以上三种内生性检验的结果，回归系数依旧显著为正，与基准回归结果保持一致，证实了模型（1）回归结果的可靠性。说明在控制遗漏变量偏误、选择性偏误、测量误差等内生性问题后，研究结论依旧稳健。

3.1.3 稳健性检验

为提升研究结论的可信度，本文从变量、样本和方法三个维度进行稳健性检验。①更换因变量测算衡量方式。企业总营业收入可能包含一次性或非持续性收入。所以将企业总营业收入替换为主营业务收入，重新测算企业的碳绩效指数（Cpe2），回归结果如表 4第（1）列所示。②更换自变量测量方式。参考姚加权等^[36] 的研究，采用企业人工智能词频（AI）替换人工智能专利作为自变量，回归结果如表 4第（2）列所示。③缩减观测样本为制造业。金融、批发零售等行业的碳排放量相对较低，所以将研究对象更改为制造业企业，并重新回归，结果如表 4第（3）列所示。④剔除直辖市城市。直辖市在政治、经济上具有重要意义，将注册地在直辖市的企业剔除并重新测算，结果见表 4第（4）列。⑤广义矩估计。在使用OLS等传统计量方法进行估计时，要求模型的随机误差项服从正态分布或某种已知分布。但在某些情况下无法获知随机误差项的准确分布信息，此时的参数估计未必是最优无偏。因此，本文采用两阶段系统广义矩估计（2-step GMM）迭代更新权重矩阵，进而生成参数估计结果，如表 4第（5）列所示。

根据表 4，无论是更改变量测量方式、更改观测对象还是更改研究方法，人工智能对碳绩效的影响均显著为正，验证了基准回归结果的稳健性。同时，2-step GMM的估计结果显著为正，表明人工智能对企业碳绩效的影响不存在动态性。上述分析说明人工智能对企业碳绩效的提升作用具有测度不变性，这排除了特定指标、特定对象带来的估计偏差，为人工智能的环境治理价值提供了普适性的经验证据。

3.2 异质性分析 3.2.1 属行业竞争度

根据产业组织理论，市场竞争会影响企业的环境治理成效^[15]。人工智能的发展作为一种技术进步，会对市场结构造成冲击，进而影响企业的生产行为及其碳绩效。在这一过程中，与低竞争度的行业相比，高竞争度行业企业的可替代性较高、创新竞争的强度更大，因而人工智能技术对企业碳绩效的影响可能存在显著的行业竞争度异质性。

为验证上述猜想，我们将企业所属行业竞争度高于中位数的认定为高竞争度行业企业，否则认定为低竞争度行业企业，并进行分组回归，结果如表 5第（1）和（2）列所示。其中，高竞争度行业的AI系数为0.1503（p < 0.001），显著高于低竞争度行业的0.0550（p < 0.1），且似无相关检验（SUEST）显示组间差异在1% 水平上显著（χ² =24.83，p=0.0000）。上述分析说明行业竞争强化了“创新补偿”和“效率提升”两种效应，放大了人工智能对碳绩效的提升作用。具体而言，在高竞争度行业中，激烈的市场竞争迫使企业尽快适应技术进步的变化，通过人工智能技术优化生产流程；同时，为了挤占市场份额，企业会加速创新竞赛，这在无形中加速了人工智能技术驱动的低碳技术扩散。上述结论亦说明市场竞争与人工智能在企业的减污、降碳、扩绿、增长方面存在协同增效作用，未来在制定产业发展政策时，政策制定者应当关注行业竞争度的影响。

3.2.2 所在地人口密集度

根据区域经济理论，人口分布密度深刻影响着资源分配、能源消耗与区域政策制定，这为理解经济发展、技术进步与环境保护之间的互动关系提供了关键视角。随着智能经济的发展，人工智能技术会提高生产要素流动速度、能源利用效率等，进而影响企业的生产决策与碳绩效。同时，不同人口分布密度的企业面临着不同的要素配置约束与环境监管力度，且高密度地区通常具备更为完善的基础设施与更活跃的技术溢出效应。因此，对于处于不同人口分布密度的企业，人工智能技术对碳绩效的影响可能存在差异。

为验证上述猜想，本文根据“胡焕庸线”对企业按照注册所在地进行划分，处于“胡焕庸线”以东的企业视作高人口密集度组别，否则为低人口密集度组别，进行人口密度异质性分析，结果如表 5第（3）和（4）列所示。根据回归结果，人工智能技术对企业碳绩效的影响仅在高人口密集度企业中显著（$\hat{\beta}$ =0.0763，p < 0.001）。造成这一结果的潜在原因主要有三点：首先，高人口密集度地区地形平坦、工业发达，5G基站等数字基础设施建设、“东数西算”等新型算力枢纽布局较为密集，显著降低了人工智能技术的应用门槛，提升了性能调优效率，进而提升企业碳绩效。其次，高人口密集度地区工业基础好、制造业高度发达，环境污染问题较为严峻，因而面临更为严苛的环境规制约束，倒逼企业利用人工智能技术进行清洁生产。第三，高人口密集度地区的教育创新程度较高、产学研等创新主体分布较为集中，这种空间集聚形成了规模效应，既有助于提升能源利用效率、又能够加速人工智能技术的研发与扩散，最终助推企业碳绩效的提升。

3.2.3 绿色并购行为

企业绿色并购是指企业通过产权交易获取自身发展所需的绿色资源、绿色技术、绿色管理经验等战略性资产的市场行为，其实质是企业边界动态调整与环境战略协同演化的过程。作为环境规制约束下的一种战略性投资，绿色并购不仅能够促进企业产业结构优化、实现生产过程的绿色化和低碳化，还有助于提升其环境治理能力与绿色技术创新能力。而人工智能技术作为新型生产要素，其碳绩效提升效应在采用不同绿色并购策略的企业中可能也存在系统性差异。

为验证上述猜想，我们根据企业当年是否发生绿色并购行为进行分组，进行绿色并购行为异质性分析，结果如表 5第（5）和第（6）列所示。根据回归结果，人工智能技术对企业碳绩效的提升作用在未发生绿色并购行为的企业中显著（$\hat{\beta}$ =0.0818、p < 0.01）、对已实施绿色并购的企业并不显著。这一结论印证了“技术替代效应”，即绿色并购获取的绿色技术、管理经验等强化了人工智能技术的减排成效。也就是说，已完成绿色并购的企业通常具备更加成熟的减排技术与完善的环境管理体系，其对碳绩效的提升作用主要依赖于组织资本积累，因而人工智能技术对碳绩效的提升作用有效。尚未实施绿色并购的企业则通过人工智能技术优化生产工艺、实现能源消耗与碳排放的实时监控，其减排能力得以提高，碳绩效随之提升。

3.3 机制检验

根据前文分析，人工智能技术能够通过优化数据要素基础、劳动力成本影响企业碳绩效。基于模型（2），本文对上述影响机制进行检验，结果如表 6所示。

表 6第（1）列是数据要素基础作为机制变量的分析结果。根据检验结果，AI的系数为正、人工智能与数据要素基础的交互项显著为负，验证了H2。这说明数据要素基础起负向调节作用，抑制了人工智能技术对企业碳绩效的促进作用。造成这一结果的潜在原因在于：随着数字化水平的提高，数据要素的边际生产率递减，这会导致人工智能算法处理高维数据的边际效益递减，导致碳减排的边际成本提高。同时，数字化转型的深化会挤占低碳创新资源，进而触发碳回弹效应，抑制人工智能对碳绩效的作用。因为作为新型生产要素，人工智能技术需要与数据基础设施深度耦合才能充分发挥其减排效能。若企业的数据要素基础较为薄弱，企业需要将创新资源投入数据基础设施建设，这会挤占用于人工智能技术研发与算法训练的预算，抵消部分人工智能技术对碳绩效的提升作用。

表 6第（2）列是劳动力成本作为机制变量的分析结果。类似地，劳动力成本同样起负向调节作用，削弱了人工智能技术对企业碳绩效的影响，验证了H3。这种负向调节作用源于对人工智能技术扩散的抑制和企业资源再配置的挤出效应。一方面，人工智能作为技能偏向型技术进步，其研发与应用的门槛较高；若劳动力使用成本上升，则企业用于人工智能技术研发与应用转化的资金会相应降低，导致技术扩散的速度和广度受限，这会削弱人工智能技术对碳绩效的边际提升作用。另一方面，企业面临着生产支出和技术研发之间的预算约束，高人力成本会挤占企业的经营预算、迫使短视主义管理者优先选择短期运营而非长期技术投资，最终抑制人工智能技术对企业碳绩效的提升作用。

4 区域协同发展的进一步分析

基准回归和机制检验揭示了人工智能技术对企业碳绩效的影响及作用机制。然而，环境治理是一项具有正外部性的系统性工程，需要坚持系统观念，统筹考虑生态系统的完整性、地理单元的连续性、经济发展的可持续性等多项目标。党的二十大报告指出，“要促进区域协同发展，构建优势互补、高质量发展的区域经济布局和国土空间体系。”人工智能技术的发展能够突破地理约束，整合跨区域的环境监测数据、提升区域治理协同效率，在生态环境监管与污染治理等领域展现出巨大的应用潜力。那么，人工智能技术能否发挥其“头雁”效应，提升碳治理的区域协同度？人工智能技术对碳减排的作用在不同协同度地区是否存在差异？为解答上述问题，本文从省域内部协同和跨市协同两个维度进行分析。

4.1 省域内部协同发展

省域边界地区的环境治理存在公共资源环境的产权界定困境和行政分割引发的制度性失灵等问题，导致污染的负外部性难以实现内部化。尤其是在传统的区域经济发展范式下，各省域边界地区普遍面临环境治理激励不足、制度乏力的困境，“以邻为壑”的现象长期存在，进而形成持续性的“污染避难所”。省域边界地区通常受中心区经济发展的辐射作用较小、技术发展受阻^[44]，因此人工智能的发展对省域边界地区企业碳绩效的影响可能有限。

为验证上述观点，本文按照企业注册地所在区县是否为省市域边界，将企业划分为边界组和非边界组，前者认定为低协同度地区、后者认定为高协同度地区，并进行分组回归，结果如表 7第（1）和第（2）列所示。根据分析结果，与边界区相比，非边界区的AI系数显著为正（$\hat{\beta}$ =0.0922，p < 0.001），这证实了人工智能技术对企业碳绩效的影响存在省域内部协同度差异。这可能是因为，非边界地区的制度协同和要素市场整合更为完善、要素流动的交易成本更低，这降低了人工智能技术研发与应用过程中的制度性交易成本，使得技术创新的正外部性充分内化，从而充分释放了人工智能的碳减排潜力。相比之下，边界地区存在行政分割引起的市场碎片化和产权界定模糊，导致碳排放治理中“公地的悲剧”问题难以解决，导致人工智能对碳绩效的提升效应并不显著。

4.2 跨市区域协同发展

打破行政边界限制、实现环境治理的跨区域协同，是实现“双碳”目标的重要思路。“十四五”规划中强调，“以促进城市群发展为抓手，全面形成‘两横三纵’城镇化战略格局”；“十五五”规划更是明确指出，“加强重点城市群协调联动发展”“深化跨行政区合作，健全区域间规划统筹、产业协作、利益共享等机制”，凸显了国家对区域协同治理的要求与目标。城市群作为新型空间组织形态，能够促进要素资源在城市群内部的有效配置、打破行政边界障碍，为跨行政区的环境治理提供载体。通常来说，高区域协同度地区具有市场整合度高、经济联系密切、要素流动顺畅三大特征^[45]，这为人工智能技术的碳减排效应创造了有利条件。那么，人工智能技术的发展能否推进区域联动、提升碳治理效率，进而助推碳绩效？

为验证上述观点，本文以企业注册地为准则，基于国家规划的优化提升、发展壮大、培育发展的19个城市群名单，将企业依次划分为高协同度、中协同度、低协同度组，并进行回归。结果如表 7第（3）至第（5）列所示。根据回归结果，人工智能技术的发展能够显著提升中、高协同度地区企业碳绩效，对低协同度地区企业的影响虽为负数但并不显著（$\hat{\beta}$ =-0.0921，p=0.577）。说明人工智能技术对碳绩效的提升作用存在显著的空间协同度差异，区域协同水平与人工智能驱动的碳绩效存在正向关联。其内在机制在于：中、高协同度城市群的市场环境相对统一、产业配套设施相对完善、要素流动相对高效，这降低了技术扩散的交易成本、促进了创新成果的技术外溢、增强了人工智能技术应用的规模效应，因而人工智能技术对企业碳绩效的影响更为显著。

5 结论与建议

智能经济时代，人工智能技术能否推动企业碳绩效提升，是实现“双碳”目标和经济低碳转型的关键问题。本文使用中国2007—2023年上市企业的面板数据，检验人工智能技术对企业碳绩效的影响和调节机制，并结合区域协同度进行分析。结果表明：①人工智能技术显著提升了企业碳绩效，这一结论在缓解遗漏变量等内生性问题后依旧成立，且这种影响不存在动态性。②人工智能技术对碳绩效的影响在高人口密集度地区和未发生并购行为的企业中更为显著，对高竞争度行业企业的驱动作用更强。③数据要素基础和劳动力成本负向调节人工智能对企业碳绩效的提升作用。④从区域协调发展的角度切入，人工智能对企业碳绩效的提升作用在非边界区和中高协同度地区更为显著。

上述研究结论对政府的环保政策制定、企业的环保实践具有重要启示。为充分提升企业碳绩效与经济发展质量，本文提出如下对策建议：

（1）充分发挥政府的引导作用。为提升人工智能技术对企业碳绩效的促进作用，应当充分发挥政府政策的引导作用，构建“政策引导—减税激励—能力培育”的综合减排体系。在政策引导方面，政府应将人工智能技术的发展纳入气候政策体系，通过研发补贴、税收优惠等政策组合为企业提供必要的资金支持与政策保障，降低其技术研发与采纳成本。重点考虑设立与行业赫芬达尔指数挂钩的差异化减税机制；加强区域数字基础设施建设，重点提升胡焕庸线以西地区的人工智能算力支撑能力；同时搭建技术交流平台，促进绿色并购企业的技术溢出和管理经验扩散。在培育企业减排能力方面，可以结合机器学习、深度学习等算法开发针对不同主体碳治理需求的综合应用体系，通过“干中学”强化企业人工智能与碳治理的融合创新，充分发挥人工智能技术的减排潜力。

（2）强化生产要素市场建设。在加强数据要素市场建设方面，可以构建“政府—行业—企业”三方协同机制。一方面，政府应强化数据要素税收监管体系，对于存在冗余数据模块的企业征收数据存储税费、对于数据利用效率低于门槛值的企业征收阶梯数据资源税，避免企业过度数字化转型造成的资源错配。另一方面，政府可以考虑建立工业数据标准化联盟，降低跨区域、跨行业数据的清洗成本。行业可以构建技术交流平台和数据效能评估体系，促进人工智能技术和减排技术的扩散与应用、提升行业数据要素的配置效率。企业则应当推行数据全生命周期管理和数据要素精益化管理，通过人工智能算法优化数据架构、剔除冗余数据节点、淘汰低效数据模块，利用人工智能技术开发轻量化碳管理技术，实现碳排放的实时监测和动态优化。在劳动力成本管理方面，政府可以通过设立劳动者专项培训基金、完善职业资格认证体系等方式，提升劳动者的智能化生产能力。企业则应该建立与技术复杂度相匹配的薪酬激励机制，深化产学研协同培养模型，针对关键岗位开展人工智能技术专项培训，降低人工智能技术迭代过程中的人力资本适配成本、提升人工智能技术的应用效能。

（3）促进区域协调发展。分类指导、梯度推进，强化非边界区和中高协同度地区的示范引领作用、完善边界区的环境治理机制，提升全国各省市的区域协同水平。对于非边界地区，可以推行人工智能碳绩效与环保税率挂钩的浮动激励机制，给予碳绩效提升幅度显著的区域以环保税收优惠。对于中高协同度地区，可以整合城市群的碳管理数据，建立跨行政区划的碳排放数据共享中心，整合多源异构环境数据、形成区域碳排放量动态图谱，为企业的产能调配提供决策支持，并参考欧盟建立基于监测、报告和核查（MRV）机制的跨省碳市场配额互认体系。针对边界地区和低协同度地区，可以完善跨区域生态补偿机制和跨区结对帮扶计划，通过建立环境治理示范园区、开展技术交流和管理经验输出，发挥先进地区的示范引领作用，最终实现全国环境治理能力的协同提升、助力经济低碳转型。