【文献分享】南昌大学刘耀彬等LUP:人工智能对中国碳中和过程影响的空间变化:企业布局视角

人工智能已深度融入经济与社会系统，其在碳中和进程中的作用成为全球气候治理的关键议题。本研究整合多源数据，分析2000—2022年中国AI企业的时空演变格局，并运用空间杜宾模型探讨AI对碳平衡指数（CBI）的多尺度空间效应及其异质性边界。研究发现：中国AI企业空间分布呈现“东多西少”格局；AI在省级和市级层面对CBI分别具有-0.115和-0.019的抑制作用，但在东北地区、京津冀、长三角城市群中则呈现促进作用。从空间邻近性看，AI对本地CBI具有抑制作用，但对邻近地区具有促进作用，呈现出“近距竞争、远距协作”的空间效应。研究为不同发展规模的城市如何借助AI实现碳中和提供了理论与实证支持。

自工业革命以来，温室气体排放远超生态系统吸收能力，引发全球变暖、极端气候频发等问题，严重威胁生物圈完整性与人类健康。《巴黎气候协定》设定温控目标，碳中和成为全球应对环境危机的核心路径。截至2024年，全球已有151个国家提出碳中和目标。碳平衡指数（CBI）作为衡量区域碳中和潜力的重要指标，反映了碳汇与碳排放之间的相对关系。

AI作为数字经济核心驱动力，其在产业升级、资源配置优化中的作用备受关注。然而，AI的发展也带来高能耗、高土地占用等问题，对碳中和形成潜在压力。现有研究多聚焦AI的单一环境效应，缺乏将碳排放与碳汇纳入统一框架的系统分析。尤其在中国这样一个区域发展不平衡、产业结构差异显著的国家，AI对碳平衡的影响是否具有空间异质性？其空间溢出效应如何？这些问题亟待回答。

本研究从企业布局视角出发，结合多源数据，揭示AI在省、市、县三级的时空演变特征，并运用空间计量模型探讨其对CBI的多尺度影响及空间异质性，旨在为区域绿色低碳转型提供科学依据。

图1 技术路线图

该研究综合运用多学科研究方法，融合空间分析、计量经济学等手段，构建了 “特征刻画 - 相关性分析 - 计量检验 - 空间效应分析” 的完整研究方法体系。研究区选取中国 31 个省、269 个地级市、3135 个县，兼顾中国行政层级的多尺度特征与区域经济发展的异质性。

（1）碳平衡指标体系构建

碳汇测算：基于植被净初级生产力（NPP）数据，采用CASA模型估算植被碳吸收能力。公式为：

其中，Fi为碳汇量，NPPi为单位面积NPP，Si为区域面积。

碳排放测算：利用全球大气研究排放数据库（EDGAR）提供的1km×1km分辨率碳栅格数据，通过ArcGIS分区统计，得到省、市两级碳排放总量。

碳平衡指数（CBI）：定义为碳汇与碳排放之比，反映区域碳中和潜力：

（2）双固定效应模型

为探究AI对CBI的影响，构建双固定效应面板模型：

控制变量包括人口密度、公路里程、专利授权数、年均气温、年均降水量。

（3）空间杜宾模型（SDM）

为揭示AI对CBI的空间溢出效应，构建SDM模型：

其中，WijWij为空间权重矩阵（0-1矩阵与地理距离矩阵），用于识别空间相关性。

（4）异质性分析

开展异质性分析，将研究样本按直辖市与普通省份、四大经济区、三大城市群进行分组，检验人工智能影响碳平衡指数的区位差异，并通过替换随机效应、个体固定效应等模型进行稳健性检验，确保研究结论的可靠性。数据来源上，整合了 NASA 的 MODIS 卫星数据、全球大气研究排放数据库、中国工商企业注册数据库、国家气象科学数据中心及各省地级市统计公报等多源数据，形成 2000-2022 年的面板数据集。

3.1 中国人工智能的时空演变特征

2000-2022 年中国人工智能企业数量呈指数增长，可分为 2000-2011 年缓慢增长、2012-2018 年加速增长、2019-2022 年高速增长三个阶段，政策支持是推动人工智能产业发展的重要驱动力。空间分布上呈现 “东多西少” 的格局，省域尺度集中于东部沿海省份，市域尺度表现为 “点 - 块” 结合的分布特征，省级省会为 “点”，京津冀、长三角、珠三角三大城市群形成 “块” 状集聚，县域尺度则以北京、上海、深圳、杭州等一线及高增长经济枢纽的核心区县为热点区域；且人工智能增长速率呈现区域差异，西北与东南地区差异显著，阳泉、宿迁等城市增长速率较高，而三大城市群核心区域增长动力相对不足。

图3 2000–2022年中国AI企业数量、政策实施及阶段

图4 2000年至2022年中国及四大经济区人工智能企业的总数量及增长率

图5 2000–2020年中国省份人工智能时空演进趋势

图6 2000–2020年中国地级市人工智能的时空演变趋势

图7 2000–2020年中国县域人工智能的空间和时间演变趋势

3.2 人工智能对碳平衡指数的基准影响

人工智能对中国碳平衡指数整体呈抑制作用，省级尺度抑制系数为 - 0.115，市域尺度为 - 0.019，即人工智能企业数量增加会降低区域碳中和潜力，这主要源于人工智能产业的规模效应超过技术进步效应，企业扩张导致生态用地向工业用地转换、高能源消耗推高碳排放，且当前清洁能源占比偏低进一步加剧了这一抑制效应。控制变量中，公路里程、人口密度、技术水平对碳平衡指数呈抑制作用，年降水量因促进植被光合作用、提升碳汇能力而对碳平衡指数呈正向影响。

3.3 人工智能影响碳平衡指数的异质性特征

行政层级上，四大直辖市的人工智能对碳平衡指数抑制作用显著（系数 - 0.316），普通省份则无显著影响；四大经济区中，西部地区人工智能对碳平衡指数呈显著抑制作用，东北地区呈显著促进作用，东部与中部地区无显著影响；三大城市群中，京津冀、长三角城市群的人工智能对碳平衡指数呈显著促进作用，珠三角城市群则呈显著抑制作用，区域经济结构、产业发展模式与政策导向的差异是导致上述异质性的核心原因。

3.4 人工智能对碳平衡指数的空间溢出效应

碳平衡指数存在显著的空间自相关性，人工智能对碳平衡指数的影响呈现距离依赖的空间不均衡效应，即短距离的竞争效应与长距离的协同效应。省级与市域尺度下，人工智能对本地碳平衡指数均呈显著负向直接效应，而对周边区域呈显著正向间接效应，表现为显著的正空间溢出效应；总效应上，省级尺度人工智能对碳平衡指数的正向影响显著，市域尺度正向影响虽存在但显著性较低，这与省级尺度资源与政策支持更集中、规模效应更突出相关。

本研究系统揭示了中国AI企业布局的时空演化特征及其对碳平衡指数（CBI）的多尺度影响，得出以下主要结论：

AI的可持续发展不仅是技术问题，更是空间治理问题。未来研究可进一步结合多情景模拟，探索AI与碳中和协同演化的路径。