智能经济对绿色全要素生产率的影响

Impact of intelligent economy on green total factor productivity

摘要

在数字化转型与绿色低碳转型协同推进的背景下，为检验智能经济发展对绿色全要素生产率的影响及其作用机制，运用智能经济发展水平评价指标体系， 采用熵权-TOPSIS法测度2015—2024年中国30个省份的智能经济发展水平（统计数据未含西藏及港澳台地区，下同），并运用SBM-GML模型测度绿色全要素生产率，在此基础上实证检验智能经济对绿色全要素生产率的影响，探究其作用机制。结果表明：1）智能经济与绿色全要素生产率之间存在显著的U型非线性关系；2）机制检验表明，碳生产率是智能经济影响绿色全要素生产率的一条传导渠道，智能经济对碳生产率的影响同样呈U型；3）智能经济的绿色效应在区域、人力资本、市场化水平和政府干预等方面存在显著的异质性。综上，本研究构建的“成本效应—创新效应”理论框架及实证结论，可为理解智能经济的绿色发展效应、推动智能经济赋能“双碳”目标的实现提供新的经验证据与政策启示。

Abstract

Against the backdrop of the coordinated advancement of digital transformation and green low-carbon transformation， this study aims to examine the impact of intelligent economy development on green total factor productivity and its underlying mechanisms. Based on the evaluation index system of intelligent economy development， the entropy-weighted TOPSIS method is used to measure the development level of the intelligent economy in 30 Chinese provinces from 2015 to 2024 （The data do not include those of Xizang， Hong Kong， Macao and Taiwan regions. The same below）， Green total factor productivity （GTFP） is measured by the SBM-GML model. On this basis， this study empirically examines the impact of the intelligent economy on GTFP and its underlying mechanisms. The findings are as follows. First， there is a significant U-shaped nonlinear relationship between the intelligent economy and GTFP. Second， mechanism analysis shows that carbon productivity is a transmission channel through which the intelligent economy affects GTFP， and the impact of the intelligent economy on carbon productivity is likewise U-shaped. Third， the green effect of the intelligent economy exhibits significant heterogeneity across regions， human capital， marketization level， and government intervention. The “cost effect–innovation effect” theoretical framework constructed in this paper， together with its empirical conclusions， provides new empirical evidence and policy implications for understanding the green development effect of the intelligent economy and for promoting the intelligent economy to empower the achievement of the “dual carbon” goals.

关键词

智能经济 / 绿色全要素生产率 / 碳生产率 / U型关系 / SBM-GML模型

Key words

intelligent economy / green total factor productivity / carbon productivity / U-shaped relationship / SBM-GML model

当前，中国经济正处于数字化转型与绿色低碳转型协同推进的关键阶段。一方面，以人工智能、大数据、云计算、区块链和工业互联网为代表的新一代信息技术快速发展，推动经济运行方式由数字化向智能化加速演进，智能经济逐渐成为培育新质生产力的重要载体。党的二十大报告明确提出要加快发展数字经济，促进数字经济与实体经济深度融合；中央经济工作会议进一步强调要开展“人工智能+”行动，加快形成以智能技术为核心驱动力的新增长模式。另一方面，在“双碳”目标约束下，推动经济发展方式绿色转型已成为实现高质量发展的内在要求。绿色全要素生产率作为同时考虑资源消耗、环境约束和经济产出的综合效率指标，被广泛视为衡量绿色发展水平的重要标准。

然而，智能经济与绿色发展之间的关系并非如传统技术进步理论所描述的那样必然一致。近年来，随着大模型训练、算力基础设施建设以及数据中心规模扩张，人工智能技术快速发展的同时也带来了能源消耗持续增长的问题。国际能源署（IEA）发布的相关报告显示，全球数据中心和人工智能算力设施的用电需求呈现快速增长趋势，这一定程度上表明了大规模相关基础设施的建设、算力资源的投入以及产业系统的重构会带来显著的能源消耗与调整成本。与此同时，在智能技术广泛应用于生产过程后，又能够通过优化资源配置、提高能源利用效率和促进绿色技术创新降低资源消耗与环境污染。这意味着智能经济既可能成为推动绿色发展的新引擎，也可能因高能耗投入和转型成本而抑制绿色效率提升。因此，智能经济究竟是绿色发展的“成本负担”，还是绿色发展的“效率红利”，已经成为当前经济学研究亟待回答的重要问题。

围绕绿色全要素生产率的影响因素，国内外学者已经开展了大量研究。从研究内容来看，现有文献主要集中于环境规制^［1］、技术创新^［2］、产业结构升级^［3］、绿色金融发展^［4］等方面。王兵等^［5］将资源环境因素纳入生产率分析框架，发现技术进步是推动中国绿色经济增长的重要动力。Yang等^［6］则论证环境规制是工业智能化赋能绿色全要素生产率不可或缺的制度前提。随着数字技术广泛渗透到经济社会各领域，越来越多研究开始关注数字化转型的绿色效应。赵涛等^［7］发现数字经济能够通过激发创新创业活力促进经济高质量发展；荆文君等^［8］研究表明数字经济可以通过新的投入要素、资源配置效率以及全要素生产率促进经济高质量发展；乌静等^［9］进一步证实数字经济也能够通过发挥数字政策的红利和知识与技术在区域间的溢出促进绿色效率提升。与此同时，也有研究对数字化发展的绿色效应提出不同观点。一些学者认为，数字基础设施建设、大规模数据处理以及人工智能训练过程往往伴随着较高的能源消耗，数字技术发展并不必然带来环境改善。Lange等^［10］指出，信息通信技术虽然能够提高资源利用效率，但其产生的反弹效应和新增能源需求可能部分甚至完全抵消节能收益。Li等^［11］则认为数字化赋能绿色增长存在门槛效应，数字化自身节能潜力有限，只有人力资本、产业结构达到一定水平，数字化的减排增效价值才能充分释放，进而影响绿色全要素生产率。

随着人工智能技术快速发展，学术界开始关注智能经济这一新兴经济形态。智能经济并不是数字经济概念的简单升级^［12］，与数字经济强调信息传递和数据流通不同，智能经济更加突出人工智能技术对生产组织方式和资源配置模式的深度重构^［13］。关于智能经济的内涵，目前尚未有完全统一的界定，但普遍认为其本质上是人工智能等数字技术与实体经济深度融合所催生的新型经济形态，其核心特征表现为智能技术逐步成为新的生产要素，并深度嵌入资源配置、生产组织和产业运行全过程，具有数据驱动、人机协同和跨界融合等典型特征^［14-15］。智能经济不仅推动生产要素重新配置和劳动方式变革，还能够促进产业结构优化升级和制度体系变革，从而为经济高质量发展提供新的增长动能，是培育新质生产力的重要实现路径^［15-16］。在此基础上，相关学者进一步从新质生产力、科技创新与产业创新协同等视角，对智能经济促进经济增长的理论机制进行了探讨^［17-18］。然而，现有关于智能经济的研究成果仍主要集中于理论阐释和政策分析，对于智能经济绿色效应的研究相对不足，特别是在智能经济是否能够提升绿色全要素生产率、通过何种路径发挥作用以及不同地区是否存在差异等方面，还有待开展进一步研究。

综上所述，现有研究为理解绿色全要素生产率的影响机制以及数字化转型的绿色效应提供了重要参考，但仍存在进一步拓展空间。在研究对象方面，现有文献主要关注数字经济对绿色全要素生产率的影响，而对于智能经济这一更高阶段经济形态的研究相对不足。随着人工智能成为推动经济发展的核心力量，智能经济与数字经济在技术特征、要素结构和运行机制上已经呈现明显差异，其绿色发展效应有必要单独考察。在研究结论方面，已有研究对于数字技术发展的绿色效应尚未形成一致认识。部分研究强调技术进步和资源优化效应，认为数字化转型能够促进绿色全要素生产率提升；另一些研究则强调能源消耗增加和反弹效应，认为数字化发展可能带来新的环境压力。这表明智能经济对绿色全要素生产率的影响可能并非简单的线性关系，而是存在复杂的动态演进过程。在作用机制方面，现有研究主要从技术创新、资源配置和产业升级等角度解释数字化发展的绿色效应，而对于能源利用效率改善和低碳价值创造等绿色转型机制关注不足。特别是在“双碳”目标背景下，智能经济是否能够通过提升碳生产率促进绿色全要素生产率增长，仍缺乏直接证据。

基于此，本研究拟运用2015—2024年中国30个省份的面板数据（统计数据未含西藏及港澳台地区，下同），将智能经济与绿色全要素生产率纳入统一分析框架，在测度智能经济发展水平和绿色全要素生产率的基础上，运用多个模型系统考察智能经济对绿色全要素生产率的影响特征及其作用机制，以期为理解智能经济赋能绿色发展的内在逻辑提供经验依据，并为推动数字化转型与绿色低碳转型协同发展提供政策参考。

1　理论分析与研究假设

1.1　智能经济影响绿色全要素生产率的理论分析

智能经济作为以人工智能、大数据、云计算等新一代信息技术为核心驱动力的新型经济形态，在其发展初期，智能化转型需要大规模建设数据中心、5G基站、算力平台等数字基础设施，这些设施的建设和运营带来了显著的能源消耗与碳排放增量，在短期内提高了单位GDP的资源环境成本^［10］。并且智能技术的引入往往伴随着传统生产方式调整和要素重新配置。企业推进智能化改造时，需要完成设备更新、技术适配、组织重构以及人力资本再配置等一系列转型任务，由此产生较高的调整成本和学习成本^［19］，这些调整成本在短期内可能降低生产效率。当前我国数据要素市场仍有待完善，数据流通机制、产权制度建设也存在滞后，智能技术的应用深度与广度因此受到限制，网络外部性和规模经济优势尚未充分释放。在该阶段，智能化建设所增加的资源投入可能难以及时转化为生产效率提升，其成本支出甚至可能超过技术进步所带来的收益，进而对绿色全要素生产率产生阶段性的抑制作用。

随着智能经济不断发展，上述约束条件将得到改善，创新效应开始释放。人工智能、大数据等技术逐渐融入到生产的全过程，提高生产过程的自动化、数字化和智能化水平，使企业能够更加精准地开展生产调度、设备运行监测和能源管理，生产效率和资源利用效率随之提升^［20］。同时，智能经济的发展有利于知识传播和技术扩散，为绿色技术研发、成果转化以及推广应用提供有利条件，从而推动生产方式向绿色化、低碳化方向转变。除此之外，数据、资本、技术和人才等创新要素在智能技术的支撑下能够实现更加高效的匹配，有利于进一步促进产业结构优化升级，向高附加值、低能耗的方向转型，增强经济发展的绿色属性。当智能技术进入规模化应用阶段时，其通过技术创新等因素创造的收益将逐渐超过前期基础设施建设以及转型任务所带来的成本，对绿色全要素生产率的作用由抑制转为促进。

成本效应与创新效应的相对强弱决定了智能经济对绿色全要素生产率的净效应方向。在发展初期，生产方式调整造成的结构性摩擦以及大规模基础设施建设的投资需求使得成本效应占据主导地位，智能经济的绿色效应表现为抑制；随着智能技术的持续积累与发展进步，数字基础设施、相关制度的完善以及新产业生态的成熟，创新效应逐渐超越成本效应，智能经济的绿色效应由抑制转为促进。“成本效应-创新效应”的动态转换过程，在计量上必然表现为先下降、后上升的U型特征。根据以上分析可以得知，智能经济对绿色全要素生产率的影响呈现出由成本主导向效率主导的结构性转变，其整体效应呈现出非线性特征。具体表现为在发展初期抑制绿色全要素生产率的提升，随着智能经济发展水平不断提高转而发挥促进作用。

据此提出假设：

H1：智能经济与绿色全要素生产率之间存在U型关系。

1.2　智能经济影响绿色全要素生产率的作用机制

在持续推进“双碳”目标实现的背景下，保持经济增长的同时降低碳排放是绿色转型过程中需要解决的重要问题。碳生产率通常被用来衡量单位碳排放所创造的经济产出，反映经济增长与碳排放之间的协调程度。碳生产率越高，说明经济增长对碳排放的依赖程度越低，也意味着经济增长与碳排放的逐步脱钩。智能经济发展初期，人工智能基础设施建设以及数字化转型需要投入大量的生产资料，而其技术创新效和规模效应还未充分显现，短期内经济产出的增长难以完全覆盖新增投入所带来的碳排放，因此碳生产率的提升并不明显，甚至可能出现阶段性下降的情况。

随着智能经济持续发展，人工智能、大数据等带来的技术优势开始逐步显现。人工智能技术能够通过提升技术水平以及优化管理效率等机制来降低碳排放强度^［21］，智能经济推动绿色技术应用和产业数字化转型，促进传统生产方式向低碳化、智能化方向转变，打破经济发展必然伴随碳排放同步扩张的传统路径，实现经济增长与碳排放的脱钩。在这一过程中，单位碳排放创造更高水平的经济产出，碳生产率不断提升，增强了经济增长与环境保护之间的协调性，有利于实现经济增长与环境保护协同发展，为绿色全要素生产率的提升提供了有力支撑。

据此提出假设：

H2：智能经济通过影响碳生产率进而作用于绿色全要素生产率。

基于上述分析，本研究构建“成本效应—创新效应”理论框架。智能经济在发展初期主要表现为高投入、高能耗和高调整的成本特征，成本效应占据主导地位，从而抑制绿色全要素生产率提升；随着技术成熟和规模效应显现，创新效应逐渐超过成本效应，推动绿色全要素生产率增长，最终形成U型关系。同时智能经济通过影响碳生产率作用于绿色全要素生产率，发展初期碳产出效率因高投入、高能耗而下降，跨越拐点后随创新效应释放而回升，同样呈现出非线性的特征。

2　研究设计

2.1　模型设定

2.1.1　基准回归模型

为了实证检验智能经济对绿色全要素生产率的非线性影响，本研究设定如下基准回归模型：

\begin{array}{l}\mathrm{G}\mathrm{T}\mathrm{F}{\mathrm{P}}_{it}={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}\mathrm{I}{\mathrm{E}}_{it}+{\beta }_{\mathrm{2}}\mathrm{I}{\mathrm{E}}_{it}^{\mathrm{2}}+\\ {\beta }_{\mathrm{3}}\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}{\mathrm{s}}_{it}+{\lambda }_i+{\mu }_t+{\epsilon }_{it}\end{array}（1）

式中：i和t分别为城市和时间；\mathrm{G}\mathrm{T}\mathrm{F}\mathrm{P}为绿色全要素生产率；\mathrm{I}{\mathrm{E}}_{it}为智能经济发展水平；\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}\mathrm{s}为一系列控制变量；{\lambda }_i为省份固定效应；{\mu }_t为时间固定效应；{\epsilon }_{it}为随机扰动项。为考察智能经济与绿色全要素生产率的非线性关系，本研究在基准回归模型中引入了智能经济的二次项\mathrm{I}{\mathrm{E}}_{it}^{\mathrm{2}}。

2.1.2　中介效应模型

进一步检验智能经济对绿色全要素生产率的影响机制，参考江艇^［22］的做法，采用两步法构建模型进行验证，模型构建如下：

\begin{array}{l}{M}_{it}={\gamma }_{\mathrm{0}}+{\gamma }_{\mathrm{1}}\mathrm{I}{\mathrm{E}}_{it}+{\gamma }_{\mathrm{2}}\mathrm{I}{\mathrm{E}}_{it}^{\mathrm{2}}+\\ {\gamma }_{\mathrm{3}}\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}{\mathrm{s}}_{it}+{\lambda }_i+{\mu }_t+{\epsilon }_{it}\end{array}（2）

式中:M_{it}为中介变量，其余变量含义同基准回归模型一致。

2.2　变量说明

2.2.1　被解释变量

绿色全要素生产率（\mathrm{G}\mathrm{T}\mathrm{F}\mathrm{P}）。与传统全要素生产率仅考察资本、劳动等生产要素投入与经济产出效率不同，绿色全要素生产率将能源消耗、资源投入以及污染排放等非期望产出纳入统一分析框架，更能够反映资源环境约束下经济增长质量以及可持续发展水平，其测度结果更能体现经济效益与生态效益相协调的可持续发展导向。在测度方法上，传统径向数据包络分析（DEA）未考虑投入冗余和产出不足所产生的松弛变量，且难以将非期望产出纳入效率评价，可能导致效率测度结果存在偏误。为克服上述方法的不足，Tone^［23］提出了非径向松弛测度（SBM）模型，将投入冗余与产出不足纳入目标函数，使得能够更加真实地刻画决策单元的生产效率。考虑到SBM模型仅反映静态效率但难以反映跨期动态变化，本研究进一步引入Oh^［24］提出的全局Malmquist-Luenberger（GML）指数，该方法基于全局生产可能性集与方向距离函数，相较于传统ML指数具有跨期可比、避免线性规划无解等优点。据此，参考操小娟等^［25］的研究思路，采用SBM-GML模型测度绿色全要素生产率。具体模型设定如下：设共有k个决策单元，其投入、期望产出与非期望产出向量分别记为x\mathrm{、}y\mathrm{、}z，数量分别为m、s_{\mathrm{1}}和s_{\mathrm{2}}，松弛度为S、权重向量为\lambda。规模报酬不变下的非期望产出SBM模型如式（3），目标函数\rho \in [\mathrm{0,1}]，用于衡量效率，若，说明决策单元尚未达到有效状态，若\rho =\mathrm{1}，表明决策单元完全有效率。

\rho =\mathrm{m}\mathrm{i}\mathrm{n}\frac{\mathrm{1}+\frac{\mathrm{1}}{m}{\sum }_{i=\mathrm{1}}^m\frac{s_i^x}{x_{i\mathrm{0}}}}{\mathrm{1}-\frac{\mathrm{1}}{s_{\mathrm{1}}+s_{\mathrm{2}}}\left({\sum }_{k=\mathrm{1}}^{s_{\mathrm{1}}}\frac{s_k^y}{y_{k\mathrm{0}}}+{\sum }_{l=\mathrm{1}}^{s_{\mathrm{2}}}\frac{s_l^z}{z_{l\mathrm{0}}}\right)}

\left\{\begin{array}{c}{x}_{i\mathrm{0}}\ge {\sum }_{j=\mathrm{1},\ne \mathrm{0}}^n{\lambda }_j{x}_j-s_i^x,\forall i;\\ y_{k\mathrm{0}}\le {\sum }_{j=\mathrm{1},\ne \mathrm{0}}^n{\lambda }_j{y}_j+s_k^y,\forall k;\\ z_{l\mathrm{0}}\ge {\sum }_{j=\mathrm{1},\ne \mathrm{0}}^n{\lambda }_{j}z-s_l^z,\forall l;\\ \mathrm{1}-\frac{\mathrm{1}}{s_{\mathrm{1}}+s_{\mathrm{2}}}\left({\sum }_{k=\mathrm{1}}^{s_{\mathrm{1}}}\frac{s_k^y}{y_{k\mathrm{0}}}+{\sum }_{l=\mathrm{1}}^{s_{\mathrm{2}}}\frac{s_l^z}{z_{l\mathrm{0}}}\right)>\mathrm{0}\\ s_i^x\ge \mathrm{0},s_k^y\ge \mathrm{0},s_l^z\ge \mathrm{0},{\lambda }_i\ge \mathrm{0},\forall i,j,k,l\end{array}\right.（3）

\mathrm{G}\mathrm{M}\mathrm{L}指数模型如式（4）所示，下角标C表示规模报酬不变。若\mathrm{G}\mathrm{M}{\mathrm{L}}_t^{t+\mathrm{1}}>\mathrm{1}，表明绿色全要素生产率较上期有所提高；反之，则说明下降。

\mathrm{G}\mathrm{M}{\mathrm{L}}_t^{t+\mathrm{1}}=\frac{S_C^G\left(x^t,y^t,z^t\right)}{S_C^G\left(x^{t+\mathrm{1}},y^{t+\mathrm{1}},z^{t+\mathrm{1}}\right)}=\frac{S_C^t\left(x^t,y^t,z^t\right)}{S_C^{t+\mathrm{1}}\left(x^{t+\mathrm{1}},y^{t+\mathrm{1}},z^{t+\mathrm{1}}\right)}\left[\frac{S_C^{t+\mathrm{1}}\left(x^{t+\mathrm{1}},y^{t+\mathrm{1}},z^{t+\mathrm{1}}\right)}{S_C^G\left(x^{t+\mathrm{1}},y^{t+\mathrm{1}},z^{t+\mathrm{1}}\right)}\times \frac{S_C^G\left(x^t,y^t,z^t\right)}{S_C^t\left(x^t,y^t,z^t\right)}\right]（4）

借鉴已有研究^［25-26］，基于数据可得性构建了一套科学的投入产出指标体系。选取经济活动中的资本、劳动和能源作为核心投入指标（表1）。具体而言，资本投入以2011年为基期年份，依据单豪杰^［27］《中国资本存量K的再估算：1952—2006年》的方法，使用了2011年的固定资本形成总额，并结合10.96%的平均折旧率及2012—2016年投资增长率的均值，估算各省的起始资本水平。随后，用永续盘存法的经典公式递推后续年份的资本存量；劳动投入以年末就业人员总数衡量；能源投入以各省市自治区各类能源消费总量表示，并将各类能源消耗量的单位进行统一换算（单位：万吨标准煤）。在产出指标的选择上，本研究以实际GDP作为期望产出的核心衡量，同时将工业废水排放量、SO₂排放量和一般固体废物作为非期望产出的考量指标。如此设置旨在全面评估经济发展的环境成本，确保经济增长与环境保护协调统一。

2.2.2　核心解释变量

基于对智能经济内涵的界定和数据可得性，沿用王珏等^［28］对智能经济新形态指标体系的构建，该指标体系从基础层、产业层、融合层、效能层与生态层5个维度测度智能经济发展水平，具有较强的结构完整性与系统性。为消除各个指标在量纲、方向及其包含的信息量差异，本研究结合熵权法与TOPSIS法共同对智能经济发展水平指数（IE）进行测算，测度结果如表2。

2.2.3　控制变量

绿色全要素生产率受多种因素的影响。为降低实证研究偏误，对经济发展水平（pgdp）、城市化水平（urban）、市场化水平（market）、对外开放水平（open）、政府干预程度（gov）、金融发展水平（fin）与人力资本（hc）变量进行控制。其中：经济发展水平（pgdp）用人均GDP取对数的值衡量；城市化水平（urban）用城镇人口比年末常住人口表示；选取樊纲的市场化指数¹刻画市场化水平（market）；选取用人民币表示的进出口总额与GDP的比值表征开放水平（open）；选取政府财政支出所占GDP的比重表示政府干预（gov）；选取金融机构年末存贷款余额与GDP的比值反映金融发展水平（fin）；选取受小学、初中、高中教育和大专及以上教育人数所占6岁以上人口的比重乘以相应教育年限（6、9、12、16）之和衡量人力资本（hc）。

2.2.4　中介变量

本研究选取碳生产率（Carbon productivity）为中介变量。碳生产率反映单位碳排放所创造的经济产出，是衡量经济增长与碳减排协调程度的重要指标，能够反映一个经济体经济增长与碳排放脱钩程度及绿色低碳发展水平。本研究采用各地区实际GDP与CO₂排放量的比值对碳生产率进行衡量，该指标越高，表明单位碳排放创造的经济价值越高，经济增长与碳排放的脱钩程度越高。

2.3　数据来源与描述性统计

考虑到数据的可获得性与完整性，本研究选取2015—2024年中国30个省（自治区、直辖市）的数据作为研究样本。数据主要来源于《中国统计年鉴》^［29］ 《中国能源统计年鉴》^［30］ 《中国环境统计年鉴》^［31］ 《中国固定资产投资统计年鉴》^［32］及中国分省份市场化指数数据库^①等，部分数据由原始数据计算得到。表3为主要变量的描述性统计结果。

3　结果与分析

3.1　基准回归结果分析

表4为智能经济影响绿色全要素生产率的基准回归结果。模型（1）~（4）为线性设定，逐步加入控制变量和固定效应。从线性模型的估计结果来看，智能经济的系数在未控制固定效应时显著为正，但在进一步控制个体与时间固定效应后，该系数显著性明显下降，说明简单的线性设定不足以充分表明智能经济与绿色全要素生产率之间的关系。模型（5）结果显示，智能经济一次项系数为负，平方项系数为正，且均通过显著性检验，表明智能经济与GTFP之间存在U型的非线性关系，其影响并非单一的促进作用。在智能经济发展的初始阶段，数字基础设施建设的高投入、传统产业的替代摩擦以及智能化转型的学习成本对GTFP的提高产生抑制；当智能经济发展水平跨越拐点后，技术红利逐步释放、资源配置效率显著改善，GTFP转为上升。经计算，U型拐点为0.382，当前全部观测样本中，约92.3%仍处于拐点左侧，表明多数地区尚未跨越智能经济促进绿色全要素生产率的临界点，截至2024年的最新数据，仅有北京、上海、江苏、广东、浙江以及天津跨越了该点。为验证U型关系的有效性，本研究进一步进行Lind-Mehlum端点斜率检验，结果表明样本最小值处斜率显著为负（P=0.054），最大值处斜率显著为正（P<0.001），U型关系成立。假设1得到验证。

3.2　稳健性检验

为验证基准回归结果的可靠性，本研究采用替换核心解释变量、缩尾处理、剔除特殊年份以及替换被解释变量等方式进行稳健性检验，结果如表5。首先，考虑到智能经济发展对绿色全要素生产率的影响可能存在一定时滞效应，本研究采用滞后一期智能经济发展水平及其平方项替代原解释变量进行回归。结果显示，智能经济一次项系数显著为负，二次项系数显著为正，说明在考虑时间滞后时，智能经济与绿色全要素生产率之间的U型关系依然成立。其次，为降低极端值对估计结果的影响，本研究对连续变量进行1%水平双侧缩尾处理。结果表明，智能经济的一次项仍显著为负、二次项仍显著为正，U型关系保持稳定，说明基准回归结果并非由异常样本驱动。再次，新冠疫情对经济运行、产业结构以及资源配置均产生了较大的阶段性冲击，可能影响智能经济与绿色全要素生产率之间的关系。因此，本研究分别剔除2020年样本及2020—2022年样本重新估计以排除疫情因素的干扰。结果显示，智能经济的一次项与二次项系数的正负与显著性均与基准回归结果保持一致，表明疫情冲击并未改变智能经济与绿色全要素生产率之间的基本关系。最后，采用绿色全要素生产率的替代测度指标重新进行回归。结果显示，核心解释变量的估计系数方向与显著性水平保持一致，进一步验证了研究结论的稳健性。总体来看，上述稳健性检验均支持智能经济与绿色全要素生产率之间存在稳定的U型非线性关系，说明本研究基准回归结论具有较强的稳健性。

3.3　内生性检验

上述估计结果可能面临遗漏变量与反向因果等内生性问题：第一，遗漏变量问题。虽然估计过程中加入了影响被解释变量的相关控制变量，也控制了个体固定效应和时间固定效应，但仍然可能存在一些未观测因素；第二，反向因果问题。前述已经通过各种实证检验发现智能经济对绿色全要素生产率具有较为显著的影响，但是绿色全要素生产率较高的地区往往具备更充裕的资本与技术积累，可能反过来推动智能经济发展，因此2者之间可能存在一定的因果内生关系。鉴于可能存在遗漏变量和反向因果问题，本研究试图通过工具变量法以及控制函数法去缓解内生性问题。

1）控制函数法。鉴于核心解释变量以一次项与平方项的非线性形式进入模型，传统两阶段最小二乘对非线性内生项的处理较为复杂，本研究首先采用控制函数法进行检验。该方法分两步：第一步，将智能经济发展水平对工具变量及全部控制变量进行回归，保留其残差；第二步，将该残差项作为新增解释变量，连同智能经济及其平方项一并纳入绿色全要素生产率方程。控制函数法的优势在于，第一阶段残差捕捉了内生解释变量中与扰动项相关的成分，将其显式纳入第二阶段后，一方面可对内生性偏误进行校正，另一方面可通过残差项系数的显著性直接判断内生性的实际程度。

2）工具变量法。合适的工具变量可以有效解决内生性问题，本研究以智能经济发展水平滞后两期及其平方作为工具进行IV-2SLS估计。由于是以解释变量的滞后两期作为工具，其外生性依赖于扰动项不存在二阶序列相关的假设。为此，本研究对基准回归残差的序列相关结构及其与工具的相关性进行专门检验。

表6为内生性检验结果。回归结果表明，智能经济发展水平一次项系数均显著为负，平方项系数均显著为正，符号与显著性同基准回归保持一致，U型非线性关系依然稳健成立。这表明在处理潜在内生性偏误后，智能经济对绿色全要素生产率“先抑制、后促进”的U型影响并非由反向因果或遗漏变量驱动，核心结论可靠。

由表7可知，在序列相关结构方面，Wooldridge^［33］面板序列相关检验拒绝了“不存在一阶序列相关”的原假设；进一步地，基准回归残差对其滞后一期的自回归系数显著为正，表明绿色全要素生产率具有一定的惯性。然而，残差对其滞后两期的自回归系数并不显著，即不存在二阶序列相关。这一结构特征为本研究以解释变量滞后两期作为工具变量提供了直接依据。在工具外生性方面，本研究将基准回归残差直接对滞后两期工具及其平方项进行回归。结果显示，二者系数均不显著，联合显著性检验亦未拒绝原假设，表明滞后两期工具与当期扰动项不相关，满足工具变量的外生性要求，因此，工具变量法的估计结果是可靠的。

3.4　中介效应检验

为揭示智能经济影响绿色全要素生产率的传导渠道，借鉴江艇^［22］提出的两步法的思路。具体做法是通过检验智能经济对中介变量是否具有显著影响，再结合中介变量影响绿色全要素生产率的既有理论依据，判断相应传导机制是否成立。基于前文的理论分析，本研究选取碳生产率作为中介变量，来验证智能经济影响绿色全要素生产率的传导机制。

中介效应检验结果如表8所示。模型（1）为江艇^［22］两步法的第一步，考察智能经济对碳生产率的影响。结果显示，智能经济一次项系数显著为负、平方项系数显著为正，表明智能经济对碳生产率的影响同样呈现出“先降后升”的U型特征，与基准回归中的结果相符合。现有研究表明，在我国经济已由高速增长阶段转向高质量发展阶段，提高碳生产率是保障经济高质量发展、推动绿色发展和顺利实现“双碳”目标的重要抓手^［34］，碳生产率的提升意味着经济增长与碳排放的逐步脱钩，有利于绿色全要素生产率的提高，这为从碳生产率到绿色全要素生产率的传导提供了理论支撑。模型（2）在回归中纳入碳生产率这一变量，结果显示碳生产率系数显著为正，同时，智能经济的一次项和平方项也仍旧保持既有方向和显著性，表明智能经济能够通过影响碳生产率进一步作用于绿色全要素生产率，是智能经济影响绿色全要素生产率的重要传导渠道。进一步地，碳生产率的方差膨胀因子（VIF）检验结果为4.74，低于经验阈值，表明未受到明显共线性问题的影响，上述估计结果具有较好的稳健性。

3.5　异质性检验

由于不同地区经济发展水平、制度环境以及资源禀赋存在明显差异，智能经济对绿色全要素生产率的影响可能表现出异质性特征。为此，本研究分别从区域异质性和要素异质性2个维度展开分析。

3.5.1　区域异质性

表9为区域异质性检验结果，智能经济与绿色全要素生产率之间的U型关系主要存在于东部地区，而在中部和西部地区并未表现出显著特征。智能经济对绿色全要素生产率的影响在不同地区呈现显著差异，其本质源于不同区域各方面发展基础的不同。

具体来看，东部地区智能经济一次项系数显著为负，二次项系数显著为正，表明东部地区已经形成较为完善的数字基础设施、创新体系和产业生态环境。当智能经济发展达到一定阶段后，其技术溢出效应和绿色创新效应能够充分释放，从而显著促进绿色全要素生产率提升。相比之下，中西部地区智能经济发展仍处于相对初级阶段，数字基础设施建设水平和创新资源集聚程度相对较低，智能经济尚未形成规模经济和网络效应，因此其绿色发展效应尚未充分显现。

3.5.2　要素异质性

要素异质性检验结果如表10所示。在人力资本水平、市场化程度较高以及政府干预程度较低的地区，智能经济与绿色全要素生产率之间存在显著U型关系；而在人力资本水平、市场化程度较低以及政府干预程度较高的地区，上述关系并未通过显著性检验。

其原因在于，人力资本水平较高的地区拥有更多的高技能劳动者和创新人才，而高素质人才是人工智能技术研发、应用和扩散的重要载体，人力资本水平高使得智能经济的技术吸收能力与应用转化效率更强的同时使人工智能技术能够更快嵌入生产过程，进而促进绿色全要素生产率的提升。市场化程度高意味着市场机制在资源配置中的作用更加充分，数据、资本、技术等要素能够在更大范围内实现自由、高效的流动，使得智能经济的资源配置效应和创新效应能够充分发挥，完善的要素流动机制和竞争环境能更有效地推动绿色全要素生产率提升。相较而言，政府干预程度较高的地区可能存在行政资源配置占比较大、市场竞争不足等问题，影响生产要素的自由流动和企业创新积极性，进而削弱智能经济带来的技术进步和资源配置优化对绿色全要素生产率的正向作用。

总体来看，智能经济对绿色全要素生产率的促进作用并非普遍存在，而是受到区域发展水平、人力资本积累、市场化程度以及政府治理方式等因素的影响。只有在创新资源丰富、市场机制完善和制度环境良好的地区，智能经济的绿色发展效应才能得到充分释放。

4　结论与建议

本研究基于2015—2024年中国30个省（自治区、直辖市）的面板数据，沿用王珏等^［28］构建的智能经济新形态指标体系来测度各省的智能经济发展水平，并采用SBM-GML模型测算绿色全要素生产率，在此基础上运用多种模型实证检验了智能经济对绿色全要素生产率的影响。主要结论如下：我国智能经济发展水平在“东部领先、中部追赶、西部相对滞后”的空间格局下整体持续上升，且智能经济能够通过碳生产率的提升促进绿色全要素生产率增长，智能经济对绿色全要素生产率的影响呈先抑制、后促进的U型关系，这种U型关系在人力资本水平高、市场化程度高以及政府干预程度低的东部地区较为显著，而在中西部地区和制度环境相对薄弱地区尚未得到明显体现。

基于上述结论，本研究提出如下政策建议：

1）推动尚处于U型拐点左侧的省份加速转型，夯实智能经济发挥绿色效应的基础支撑。实证结果显示，智能经济对绿色全要素生产率的影响呈现出U型特征，我国多数地区当前仍处于拐点左侧，智能经济的绿色红利尚未充分释放。因此，应当着力推动各地区尽快跨越拐点、进入绿色效应的释放阶段。加快数据、算力、算法等底层要素的协同布局，提升数字基础设施的供给质量与利用效率，缩短智能化转型初期的阵痛期；与此同时，对处于拐点左侧、转型成本较高的地区，可通过专项资金、绿色信贷等方式分担其前期投入压力，避免因初期成本过高而长期滞留于U型曲线的下行区间。

2）畅通智能经济影响绿色全要素生产率的传导渠道，促进碳生产率的提升。机制检验表明，碳生产率是智能经济影响绿色全要素生产率的重要路径，因此，提升碳产出效率是推动智能经济释放绿色效应的关键着力点。引导智能技术向减污降碳的重点领域深度应用，支持企业运用人工智能、大数据等技术对高耗能、高排放生产环节进行智能化改造，在提升产出的同时降低碳排放；推动智能技术与绿色低碳技术的融合创新，鼓励将人工智能应用于清洁能源调度、碳排放监测与能源管理等场景，促进经济增长与碳排放逐步脱钩，从而提高单位碳排放所创造的经济产出。

3）深化要素市场化改革，以高水平市场机制引导智能经济提质增效。异质性分析显示，智能经济与绿色全要素生产率的U型关系在市场化水平较高的地区显著。为此，应深化要素市场化改革，推动智能经济由“重建设、重投入”向“重应用、重效益”转变。建立智能基础设施的绿色绩效评估与市场化退出机制，将单位算力能耗、单位投资带动的绿色产出等指标纳入项目考核，依靠市场竞争而非行政扩张筛选高效项目，遏制低效重复建设；优先在市场机制完善、产业集聚程度高的地区布局智能应用场景，推动算力设施与实体产业精准对接，提高设施利用率与投入产出比。

4）加强人力资本积累与复合型人才培养，应着力提升人力资本水平，为智能经济赋能绿色发展提供人才支撑。高素质人才是人工智能技术研发、应用与扩散的关键载体，应从供给与协同两端同时发力，加大对人工智能、绿色技术等领域专业人才的培养力度，鼓励高校、科研院所与领军企业共建实训基地和联合实验室，推动高校学科设置与产业需求精准对接，缩短人才培养与产业需求之间的距离；二是健全人才引进与流动机制，引导高素质人才向中西部地区合理流动，缩小区域间的人力资本差距，避免绿色红利向少数人才富集地区过度集中。

5）优化政府干预方式，推动政府作用由直接干预向制度供给转变。过度的行政干预可能扭曲要素价格、抑制市场竞争，使数据、技术等创新要素难以按效率原则配置，从而削弱智能经济的绿色创新激励。因此，应优化政府在智能经济发展中的角色定位，通过改变政府干预方式，为智能经济绿色效应的释放创造制度环境。减少对具体项目和资源配置的直接干预，更多通过完善规则、健全制度和提供公共服务来营造良好的发展环境；强化政府在标准制定、数据开放、绿色监管等方面的职能，弥补市场失灵，引导智能经济沿绿色、高效的方向发展。

6）建立健全东西部协作机制，推动智能经济绿色效应的梯度扩散。智能经济促进绿色全要素生产率的非线性效应对于东中西部的影响差异巨大，主要存在于东部地区。为缩小这一区域差距，应建立健全东西部协作机制，推动智能经济绿色效应由东部向中西部梯度扩散。应充分发挥东部的示范带动作用，构建多层次的东西部协作机制：建立跨区域技术合作与产业协同平台，推动先进数字技术、智能装备和创新资源向中西部有序流动，支持东部龙头企业在中西部布局智能化绿色生产基地；依托“东数西算”等国家工程，引导东部算力需求与中西部能源、土地等资源禀赋互补对接，在保障绿色低碳的前提下实现算力资源的跨区域优化配置；建立绿色技术与经验的共享机制，通过对口帮扶、园区共建、人才互派等方式，将东部在智能化节能降碳方面的成熟经验向中西部推广，缩小区域间的绿色发展差距，实现智能经济与绿色发展的协同提升。

参考文献

[1] 赵立祥，冯凯丽， 赵蓉.异质性环境规制、制度质量与绿色全要素生产率的关系［J］. 科技管理研究， 2020， 40（22）： 214-222

[2] Zhao L X， Feng K L， Zhao R. Heterogeneous environmental regulation， institutional quality and green total factor productivity［J］. Science and Technology Management Research， 2020， 40（22）： 214-222 （in Chinese）

[3] 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）： 86-97，128

[4] Lu J， Li T T. Industrial structure， technological innovation and green total factor productivity： Research in the perspective of heterogeneity ［J］. Chinese Journal of Population Science， 2021（4）： 86-97， 128 （in Chinese）

[5] 陈浩，刘培，许佩.城市绿色全要素生产率演变机制研究：基于城市能源与土地要素约束的视角［J］. 中国人口·资源与环境， 2020， 30（9）： 93-105

[6] Chen H， Liu P， Xu P. The study on the evolution mechanism of urban green total factor productivity： From the perspective of urban energy and land factor constraints［J］. China Population， Resources and Environment， 2020， 30（9）： 93-105 （in Chinese）

[7] Li C C， Li C C. How does green finance affect green total factor productivity： Evidence from China［J］. Energy Economics， 2022， 107： 105863. DOI： 10.1016/J.ENECO.2022.105863

[8] 王兵， 刘光天.节能减排与中国绿色经济增长：基于全要素生产率的视角［J］. 中国工业经济， 2015（5）： 57-69

[9] Wang B， Liu G T. Energy conservation and emission reduction and China’s green economic growth： Based on a total factor productivity perspective ［J］. China Industrial Economics， 2015（5）： 57-69 （in Chinese）

[10] Yang S Y， Liu F S. Impact of industrial intelligence on green total factor productivity： The indispensability of the environmental system［J］. Ecological Economics，2024， 216： 108021. DOI： 10.1016/J.ECOLECON.2023.108021

[11] 赵涛， 张智， 梁上坤.数字经济、创业活跃度与高质量发展：来自中国城市的经验证据［J］.管理世界， 2020（10）： 65-76

[12] Zhao T， Zhang Z， Liang S K. Digital economy， entrepreneurship， and high-quality economic development： Empirical evidence from urban China ［J］. Journal of Management World， 2020（10）： 65-76 （in Chinese）

[13] 荆文君， 孙宝文.数字经济促进经济高质量发展：一个理论分析框架［J］.经济学家， 2019（2）： 66-73

[14] Jing W J， Sun B W. Digital economy promotes high-quality economic development： A theoretical analysis framework ［J］. Economist， 2019（2）： 66-73 （in Chinese）

[15] 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

[16] Wu J， Xiao H B， Chen B. Digital economy and green total factor productivity［J］. Finance and Economy， 2022（1）： 55-63 （in Chinese）

[17] Lange S， Pohl J， Santarius T. Digitalization and energy consumption： Does ICT reduce energy demand［J］. Ecological economics， 2020， 176： 106760. DOI： 10.1016/j.ecolecon.2020.106760

[18] Li C C， He Z W， Yuan Z. A pathway to sustainable development： Digitization and green productivity［J］. Energy Economics， 2023， 124. DOI： 10.1016/J.ENECO.2023.106772

[19] 王珏. 智能治理：基于“人工智能+”的低空经济治理模式创新［J］. 西南石油大学学报：社会科学版， 2025， 27（5）： 44-54

[20] Wang J. Intelligent governance： innovations in low-altitude economic governance models based on “AI+ ”［J］. Journal of Southwest Petroleum University： Social Sciences Edition， 2025， 27（5）： 44-54 （in Chinese）

[21] Goldfarb A， Tucker C. Digital economics［J］. Journal of economic literature， 2019， 57（1）： 3-43

[22] 周文， 杨正源. 论智能经济：内涵特征、发展态势与战略选择［J］. 改革， 2025（9）：1-15

[23] Zhou W， Yang Z Y. On the intelligent economy： Connotative characteristics， development status， and strategic choices ［J］.Reform， 2025（9）： 1-15 （in Chinese）

[24] 王珏. 打造智能经济新形态：理论脉络、形成机制与实现路径［J/OL］.新疆师范大学学报：哲学社会科学版，［--］.

[25] Wang J. Forging new forms of intelligent economy： Theoretical context， formation mechanism and realization paths ［J/OL］. Journal of Xinjiang Normal University： Edition of Philosophy and Social Sciences， ［--］.in Chinese）

[26] 刘元胜， 李玥， 周晓磊. 智能经济：本质内涵、效能阐释与政策取向［J］. 工业技术经济， 2025（10）： 14-20

[27] Liu Y S， Li Y， Zhou X L. Intelligent economy： Essential connotation， efficiency interpretation and policy orientation ［J］. Journal of Industrial Technology and Economy， 2025（10）： 14-20 （in Chinese）

[28] 周伟良， 李亚平. 智能经济对新质生产力发展的影响机制研究［J］. 华东经济管理， 2025， 39（8）： 50-60

[29] Zhou W L， Li Y P. Impact and mechanism of intelligent economy on the development of new quality productive forces［J］. East China Economic Management， 2025， 39（8）： 50-60 （in Chinese）

[30] 司聪， 任保平. 智能经济新形态下科技创新与产业创新深度融合的策略研究［J］. 云南民族大学学报：哲学社会科学版， 2026（1）： 109-118

[31] Si C， Ren B P. A study of the strategy for the deep integration of technoscientific innovation and industrial innovation in the new context of the smart economy［J］. Journal of Yunnan Minzu University： Philosophy and Social Sciences Edition， 2026（1）： 109-118 （in Chinese）

[32] Acemoglu D， Restrepo P. Automation and new tasks： How technology displaces and reinstates labor［J］. Journal of economic perspectives， 2019， 33（2）： 3-30

[33] Liu J， Qian Y， Yang Y J， Yang Z D. Can artificial intelligence improve the energy efficiency of manufacturing companies： Evidence from China［J］. International Journal of Environmental Research and Public Health， 2022， 19（4）： 2091

[34] 李计广， 宫方茗， 王元彬. 人工智能技术创新如何影响制造业碳减排［J］. 中国人口·资源与环境， 2025， 35（2）： 14-24

[35] Li J G， Gong F M， Wang Y B. How does artificial intelligence technology innovation impact carbon reduction in the manufacturing industry［J］. China Population， Resources and Environment， 2025， 35（2）： 14-24 （in Chinese）

[36] 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（5）： 100-120

[37] Jiang T. Mediating effects and moderating effects in causal inference［J］. China Industrial Economics， 2022（5）： 100-120 （in Chinese）

[38] Tone K. A slacks-based measure of efficiency in data envelopment analysis［J］. European journal of operational research， 2001， 130（3）： 498-509

[39] Oh D. A global Malmquist-Luenberger productivity index［J］. Journal of productivity analysis， 2010， 34（3）： 183-197

[40] 操小娟， 张诗嘉. 政府数字治理与绿色全要素生产率提升：来自“互联网+政务服务”试点政策的证据［J］. 上海经济研究， 2024（12）： 42-56

[41] Cao X J， Zhang S J. Government digital governance and green total factor productivity improvement： Evidence from the “Internet+government services” pilot policy ［J］. Shanghai Journal of Economics 2024（12）： 42-56 （in Chinese）

[42] 俞中.低碳转型能助力制造业绿色发展吗：基于低碳城市试点政策的准自然实验［J］. 商业研究， 2024（3）： 1-8

[43] Yu Z. Can low carbon transition help manufacturing industry go green： A quasi-natural experiment based on LCCP ［J］. Commercial Research， 2024（3）： 1-8 （in Chinese）

[44] 单豪杰. 中国资本存量K的再估算：1952—2006 年［J］. 数量经济技术经济研究， 2008（10）： 17-31

[45] Shan H J. Reestimating the capital stock of China： 1952-2006 ［J］. Journal of Quantitative & Technological Economics， 2008（10）： 17-31 （in Chinese）

[46] 王珏， 王荣基. 智能经济新形态的指标体系与空间测度［J/OL］. 商业经济与管理， ［--］.

[47] Wang J， Wang R J. Indicator system and spatial measurement of the new form of intelligent economy［J/OL］. Business Economics and Management， ［--］.in Chinese）

[48] 国家统计局.中国统计年鉴［M］. 北京：中国统计出版社，2015—2024

[49] National Bureau of Statistics. China Statistical Yearbook［M］. Beijing： China Statistics Press， 2015-2024 （in Chinese）

[50] 国家统计局能源统计司. 中国能源统计年鉴［M］. 北京：中国统计出版社，2015—2024

[51] Department of Energy Statistics， National Bureau of Statistics of China. China Energy Statistical Yearbook［M］. Beijing： China Statistics Press， 2015-2024 （in Chinese）

[52] 国家统计局，生态环境部 等. 中国环境统计年鉴［M］. 北京：中国统计出版社，2015—2024

[53] National Bureau of Statistics，Ministry of Ecology and Environment. China Statistical Yearbook on Environment［M］. Beijing： China Statistics Press，2015-2024 （in Chinese）

[54] 国家统计局固定资产投资统计司. 中国固定资产投资统计年鉴［M］. 北京：中国统计出版社，2015—2024

[55] Department of Fixed Asset Investment Statistics， National Bureau of Statistics of China. Statistical Yearbook of China ’ s Fixed Asset Investment ［M］. Beijing： China Statistics Press，2015-2024 （in Chinese）

[56] Wooldridge J M. Econometric Analysis of Cross Section and Panel Data［M］. Cambridge： MIT press， 2010

[57] 黎新伍，黎宁，谢云飞.数字经济、制造业集聚与碳生产率［J］.中南财经政法大学学报，2022（6）：131-145

[58] Li X W， Li N， Xie Y F. Digital economy， manufacturing agglomeration and carbon productivity［J］. Journal of Zhongnan University of Economics and Law， 2022，28（6）： 131-145 （in Chinese）

基金资助

西藏文化传承发展协同创新中心2024年度招标课题(XT-ZB202506)