人工智能化、人力資本水平對(duì)碳排放績(jī)效的影響

【中圖分類(lèi)號(hào)】F127 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2095-7009（2025）04-0075-10

Impact of Artificial Intelligence and Human Capital on Carbon Emissions ：

Empirical Evidence from Yangtze River Economic Belt

DING Min'，ZHAO Yu² ，WAN Zi-xin3

（1. Department of Economics and Management， Bozhou University， Bozhou 2368Oo，Anhui， China ;2. School of Chinese National Community， South-Central Minzu University， Wuhan 430074，China ;3. School of Economics and Management ， Yangtze University， Jingzhou 4340o， Hubei， China）

Abstract：Based onpaneldata from theYangtze River Economic Beltspanning 2011 to 2O23，this studyempirically examines the impact andunderlying mechanisms ofartificial intellgencedevelopment and human capitallevelsoncarbonemission performance using fixed efects and moderation effect models.The results show that both the advancementof artificialintelligenceand improvements inhumancapitalsignificantlysuppresscarbonemisions.Regionalheterogeneityanaly sis reveals thatthecarbon-reducing efectofartificialintellgenceis mostpronounced inupstreamregions，followed by downstreamand then midstream regions.In contrast，the suppressive efect of human capital on carbon emissions is strongest in downstream areas，folowed byupstream and finally midstream regions.Mechanism testing further ndicates thathigherlevelsof humancapitaltend to weakentheemission-reducing effectof artificial intelligence.Therefore，itis recommended todeepentheintegrationofartificialintellgence intheupgradingof traditional industries，acceleratethe green digital transformation，optimize regionalhuman capital allcation，strengthen talent support for gree industries， and promotecolaborative innovationbetweenartificial intellgence and high-end talenttoestablishregional models for low-carbon development.

Key words：artificial intelligence；humancapital；carbon emisionperformance；fixed effects model；moderation efect model

一、引言

黨的二十屆三中全會(huì)明確提出，“中國(guó)式現(xiàn)代化是人與自然和諧共生的現(xiàn)代化”，強(qiáng)調(diào)要“聚焦建設(shè)美麗中國(guó)”，加快經(jīng)濟(jì)社會(huì)發(fā)展全面綠色轉(zhuǎn)型[]。2025年政府工作報(bào)告進(jìn)一步指出，要深化生態(tài)文明體制改革，穩(wěn)步推進(jìn)碳達(dá)峰、碳中和目標(biāo)，著力構(gòu)建綠色低碳的經(jīng)濟(jì)體系[2]。在“雙碳”戰(zhàn)略目標(biāo)引領(lǐng)下，如何在保持經(jīng)濟(jì)高質(zhì)量發(fā)展的同時(shí)，有效降低碳排放、優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，實(shí)現(xiàn)環(huán)境保護(hù)與經(jīng)濟(jì)增長(zhǎng)的協(xié)調(diào)統(tǒng)一，已成為中國(guó)當(dāng)前發(fā)展進(jìn)程中的關(guān)鍵議題。新一輪科技革命和產(chǎn)業(yè)變革加速推進(jìn)，為綠色低碳轉(zhuǎn)型提供了新的技術(shù)路徑。2024年世界智能產(chǎn)業(yè)博覽會(huì)政府賀信中指出，“中國(guó)高度重視人工智能發(fā)展，積極推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合，培育壯大智能產(chǎn)業(yè)，加快發(fā)展新質(zhì)生產(chǎn)力，為高質(zhì)量發(fā)展提供新動(dòng)能?！盵3]這一重要指示為推動(dòng)綠色轉(zhuǎn)型與科技賦能協(xié)同發(fā)展指明了方向。作為推動(dòng)綠色低碳轉(zhuǎn)型和經(jīng)濟(jì)社會(huì)高質(zhì)量發(fā)展的核心要素，人力資本在綠色技術(shù)創(chuàng)新、產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化和能源效率提升等方面發(fā)揮著不可替代的作用。高素質(zhì)人才通過(guò)推動(dòng)技術(shù)研發(fā)、促進(jìn)知識(shí)擴(kuò)散與產(chǎn)業(yè)創(chuàng)新，為綠色技術(shù)應(yīng)用和節(jié)能減排提供內(nèi)生動(dòng)力。隨著人工智能等先進(jìn)技術(shù)在生產(chǎn)和服務(wù)領(lǐng)域的廣泛滲透，其對(duì)碳排放的影響呈現(xiàn)出多路徑、多層次的復(fù)雜特征，亟須從技術(shù)與人力資本雙重維度探討其協(xié)同作用與機(jī)制邏輯?；诖?，本研究以人工智能化與人力資本的互動(dòng)關(guān)系為切入點(diǎn)，旨在厘清其對(duì)碳排放的作用機(jī)制及區(qū)域異質(zhì)性，重點(diǎn)分析人力資本在人工智能化影響碳排放過(guò)程中的調(diào)節(jié)作用，構(gòu)建涵蓋理論邏輯、實(shí)證檢驗(yàn)與政策建議的完整研究框架，為推動(dòng)長(zhǎng)江經(jīng)濟(jì)帶①綠色低碳高質(zhì)量發(fā)展提供政策參考。

二、文獻(xiàn)綜述

自“雙碳”目標(biāo)提出以來(lái)，其作為驅(qū)動(dòng)經(jīng)濟(jì)綠色轉(zhuǎn)型、產(chǎn)業(yè)結(jié)構(gòu)升級(jí)及低碳的核心變量，已成為學(xué)術(shù)界研究的熱點(diǎn)議題?，F(xiàn)有研究圍繞人工智能化、人力資本與碳排放的相關(guān)研究，主要集中在以下幾個(gè)方面：

第一，人工智能化對(duì)經(jīng)濟(jì)結(jié)構(gòu)與環(huán)境的影響。作為新質(zhì)生產(chǎn)力的關(guān)鍵支撐，人工智能化已廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、服務(wù)業(yè)等多個(gè)領(lǐng)域，其在資源配置優(yōu)化、生產(chǎn)效率提升與產(chǎn)業(yè)升級(jí)中的作用被廣泛認(rèn)可，并展現(xiàn)出顯著的減碳潛力。王瑞瑜等[4（2020）在老齡化背景下，指出人工智能化可通過(guò)替代勞動(dòng)力推動(dòng)智能養(yǎng)老產(chǎn)業(yè)發(fā)展，進(jìn)而促進(jìn)第三產(chǎn)業(yè)升級(jí)，盡管其在部分場(chǎng)景中也可能因工業(yè)擴(kuò)張引發(fā)碳排放反彈。與許瀟丹等[5（2024）形成呼應(yīng)，后者基于省級(jí)面板數(shù)據(jù)發(fā)現(xiàn)人工智能化顯著降低了工業(yè)碳排放強(qiáng)度，其減排作用主要通過(guò)綠色創(chuàng)新、效率提升與結(jié)構(gòu)優(yōu)化三大路徑實(shí)現(xiàn)，且呈現(xiàn)顯著的區(qū)域異質(zhì)性。孫志娟6（2025）則從企業(yè)層面出發(fā)，發(fā)現(xiàn)氣候變化顯著抬升勞動(dòng)力成本與財(cái)務(wù)風(fēng)險(xiǎn)，進(jìn)而削弱企業(yè)全要素生產(chǎn)率，而人工智能化的引入可有效緩釋此類(lèi)負(fù)面效應(yīng)，展現(xiàn)出其在氣候韌性建設(shè)中的潛在價(jià)值。然而，其研究亦指出人工智能化對(duì)能源的依賴(lài)可能加劇碳負(fù)荷，揭示了其“雙刃劍”特性。鄧建鵬[7]（2025）強(qiáng)調(diào)，人工智能化可重塑生產(chǎn)邏輯、推動(dòng)產(chǎn)業(yè)體系現(xiàn)代化，但其紅利釋放依賴(lài)于技術(shù)突破與制度支撐，若監(jiān)管滯后或配套不足，可能帶來(lái)結(jié)構(gòu)性不平等。

第二，人力資本在綠色低碳發(fā)展中的多元作用。人力資本作為綠色轉(zhuǎn)型的內(nèi)生動(dòng)能，不僅影響綠色技術(shù)的吸收與創(chuàng)新，還在碳減排實(shí)踐中體現(xiàn)出顯著的行為和制度外部性。殷鳳春等[8]（2023）以長(zhǎng)三角為例發(fā)現(xiàn)，科技人才集聚可通過(guò)促進(jìn)綠色技術(shù)轉(zhuǎn)移顯著抑制碳排放，且“技術(shù)一人才\"適配是實(shí)現(xiàn)綠色轉(zhuǎn)型的關(guān)鍵機(jī)制。何偉軍等[9]（2022）則通過(guò)長(zhǎng)江經(jīng)濟(jì)帶數(shù)據(jù)證實(shí)，人力資本通過(guò)綠色科技創(chuàng)新間接提升碳排放效率，且該機(jī)制存在門(mén)檻效應(yīng)一—僅在人力資本存量較高時(shí)其作用才顯著。蘇科等[10]（2021）進(jìn)一步指出，人力資本對(duì)綠色全要素生產(chǎn)率的推動(dòng)效應(yīng)顯著高于科技創(chuàng)新，低人力資本地區(qū)則可能面臨“約束效應(yīng)”。安超等[11]（2019）從理論視角出發(fā)，構(gòu)建內(nèi)生增長(zhǎng)模型驗(yàn)證人力資本可克服物質(zhì)資本的邊際遞減與環(huán)境負(fù)效用，實(shí)現(xiàn)經(jīng)濟(jì)增長(zhǎng)與碳減排雙重目標(biāo)，但其效應(yīng)高度依賴(lài)產(chǎn)業(yè)結(jié)構(gòu)與能源消費(fèi)模式。

第三，政策與制度對(duì)人工智能與人力資本協(xié)同效應(yīng)的調(diào)節(jié)。越來(lái)越多研究指出，人工智能化與人力資本的融合路徑是實(shí)現(xiàn)“雙碳”目標(biāo)的關(guān)鍵變量，其減排效應(yīng)受到制度設(shè)計(jì)與區(qū)域治理的顯著制約。倪晨凱等[12]（2024）從稅制視角出發(fā)，認(rèn)為人工智能化的發(fā)展應(yīng)輔以綠色財(cái)政機(jī)制，如碳稅、補(bǔ)貼等，否則可能加劇技術(shù)性收入不平等。王東明等[13]（2025）則指出，人工智能化強(qiáng)化了國(guó)家間數(shù)字競(jìng)爭(zhēng)與內(nèi)部數(shù)據(jù)壟斷風(fēng)險(xiǎn)，需通過(guò)法律制度進(jìn)行平衡與規(guī)制。張欣[14]（2025）強(qiáng)調(diào)，構(gòu)建以“分類(lèi)分級(jí) + 軟硬法銜接”為核心的人工智能化治理框架，是提升治理效能、釋放減碳潛力的關(guān)鍵，而當(dāng)前政策多集中于東部發(fā)達(dá)地區(qū)，對(duì)中西部區(qū)域的適配性關(guān)注不足。周杰琦等[15]（2020）則提出，環(huán)境規(guī)制的效力在很大程度上取決于人力資本的質(zhì)量，而非單一的“量\"的擴(kuò)張。

上述研究為進(jìn)一步研究奠定了良好的基礎(chǔ)，由于研究的側(cè)重點(diǎn)有所不同，現(xiàn)有研究尚未系統(tǒng)地將人工智能化、人力資本與碳排放納入同一分析框架，為進(jìn)一步研究留下了拓展的空間。本文的邊際貢獻(xiàn)有兩點(diǎn)：一是基于人工智能化與人力資本構(gòu)建區(qū)域分類(lèi)框架，識(shí)別長(zhǎng)江經(jīng)濟(jì)帶碳排放效應(yīng)的異質(zhì)性規(guī)律。二是揭示人工智能化與人力資本的協(xié)同降碳機(jī)制?，F(xiàn)有研究多獨(dú)立分析二者對(duì)碳排放的影響，本文通過(guò)理論建模與實(shí)證檢驗(yàn)，證明二者存在顯著交互效應(yīng)。

三、理論基礎(chǔ)與研究假設(shè)

作為新一輪科技革命的核心驅(qū)動(dòng)力，人工智能化通過(guò)多種途徑降低碳排放強(qiáng)度，提高碳排放效率[16]。人工智能化在生產(chǎn)過(guò)程中的應(yīng)用能夠顯著提升生產(chǎn)效率，優(yōu)化資源配置，催生符合綠色低碳發(fā)展理念的新興產(chǎn)業(yè)、創(chuàng)新業(yè)態(tài)及商業(yè)模式。借助智能制造和流程優(yōu)化，企業(yè)得以大幅提高資源使用效率，實(shí)現(xiàn)清潔生產(chǎn)與節(jié)能減排[17]。同時(shí)，人工智能化驅(qū)動(dòng)的智能化轉(zhuǎn)型還促進(jìn)企業(yè)之間的網(wǎng)絡(luò)協(xié)作生產(chǎn)，優(yōu)化資源投入結(jié)構(gòu)，減少冗余浪費(fèi)，從而進(jìn)一步提高整體碳排放效率。人工智能化帶來(lái)的技術(shù)創(chuàng)新不僅推動(dòng)經(jīng)濟(jì)增長(zhǎng)，更為環(huán)境保護(hù)提供了重要的技術(shù)路徑。然而，長(zhǎng)江經(jīng)濟(jì)帶區(qū)域內(nèi)部經(jīng)濟(jì)發(fā)展水平不均衡，不同地區(qū)處于產(chǎn)業(yè)升級(jí)和技術(shù)應(yīng)用的不同階段，導(dǎo)致人工智能化在減排效果上的區(qū)域差異[18]。由此，本文提出：

假設(shè)1：人工智能化對(duì)碳排放具有顯著的正向影響，且地區(qū)間存在異質(zhì)性。

人力資本是綠色低碳發(fā)展過(guò)程中至關(guān)重要的實(shí)施主體和基礎(chǔ)條件。具備較高素質(zhì)的人力資本更傾向于在生產(chǎn)與管理環(huán)節(jié)選擇和應(yīng)用清潔技術(shù)與先進(jìn)工藝，從源頭控制污染排放[19]。同時(shí)，人力資本的積累強(qiáng)化了對(duì)先進(jìn)技術(shù)的吸收和自主創(chuàng)新能力，推動(dòng)了綠色技術(shù)的研發(fā)與工藝革新，實(shí)現(xiàn)生產(chǎn)的清潔化與環(huán)境友好型轉(zhuǎn)型。此外，人力資本水平的提高意味著公眾環(huán)保意識(shí)增強(qiáng)，對(duì)環(huán)境質(zhì)量需求提升，推動(dòng)企業(yè)和政府制定并實(shí)施更嚴(yán)格的減排政策與措施，形成良性互動(dòng)的綠色發(fā)展模式[20]。長(zhǎng)江經(jīng)濟(jì)帶區(qū)域內(nèi)部人力資本的差異也造成了碳排放抑制效果的顯著不同，這與各區(qū)域的經(jīng)濟(jì)發(fā)展水平及產(chǎn)業(yè)結(jié)構(gòu)狀況息息相關(guān)。由此，本文提出：

假設(shè)2：人力資本對(duì)碳排放具有顯著的抑制作用，且地區(qū)間存在異質(zhì)性。

人力資本水平較高的地區(qū)更能有效地將人工智能化技術(shù)轉(zhuǎn)化為實(shí)際的減排效果。受教育程度高的群體與決策者對(duì)于清潔能源的認(rèn)知更深入，政策執(zhí)行力度更強(qiáng)，且具備較高的技術(shù)應(yīng)用能力，從而放大清潔能源對(duì)減排的積極作用[22]。然而，隨著人力資本水平的提高，人工智能化的直接減排效果可能有所弱化。因?yàn)樵诟呷肆Y本地區(qū)，人工智能往往優(yōu)先被應(yīng)用于產(chǎn)業(yè)規(guī)模擴(kuò)張、技術(shù)升級(jí)及產(chǎn)能提升等經(jīng)濟(jì)目標(biāo)，盡管長(zhǎng)期有利于產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化和效率提升，但短期內(nèi)對(duì)能源和資源需求的增加可能部分抵消人工智能化的直接減排效應(yīng)[23]。此外，高人力資本地區(qū)對(duì)新技術(shù)的接受和應(yīng)用更積極，可能會(huì)大量引進(jìn)高端制造設(shè)備及配套設(shè)施，增加了短期能耗需求，使得人工智能化的綠色減排潛力階段性受限，甚至導(dǎo)致短期內(nèi)碳排放的增加[24]。據(jù)此，本文提出：

假設(shè)3：人力資本在人工智能化影響碳排放的過(guò)程中具有顯著的調(diào)節(jié)效應(yīng)。

四、研究設(shè)計(jì)

（一）變量選取

1.被解釋變量

本研究以碳排放（CE）為被解釋變量，基于已有研究，采用碳排放總量的自然對(duì)數(shù)作為其衡量指標(biāo)。

2.解釋變量

本研究選取人工智能化（AI）和人力資本（PCE）作為核心解釋變量?；诂F(xiàn)有研究[5]，構(gòu)建了人工智能化指標(biāo)體系，并采用熵值法測(cè)度了長(zhǎng)江經(jīng)濟(jì)帶各省份人工智能化發(fā)展水平，如表1所示。

關(guān)于人力資本的衡量，借鑒現(xiàn)有研究成果[9]，采用教育年限積累法，將各地區(qū)就業(yè)人員中未上過(guò)學(xué)，以及擁有小學(xué)、初中、高中、大專(zhuān)以上文化程度的人員占比按照0年、6年、9年、12年、16年的權(quán)重計(jì)算各地區(qū)就業(yè)人員平均受教育程度，以反映地區(qū)人力資本水平。

3.控制變量

為了盡可能避免因?yàn)檫z漏變量所產(chǎn)生的內(nèi)生性問(wèn)題，加入以下控制變量：（1）科技創(chuàng)新水平（TEC）：采用發(fā)明專(zhuān)利當(dāng)年申請(qǐng)量、實(shí)用新型專(zhuān)利當(dāng)年申請(qǐng)量、外觀設(shè)計(jì)專(zhuān)利當(dāng)年申請(qǐng)量總和的對(duì)數(shù)表征；（2）產(chǎn)業(yè)結(jié)構(gòu)（IS）：采用第二產(chǎn)業(yè)與第三產(chǎn)業(yè)的比值表征；（3）環(huán)境規(guī)制（ER）：采用工業(yè)污染治理完成投資占工業(yè)增加值的比重表征；（4）經(jīng)濟(jì)發(fā)展水平（DEV）：采用人均GDP表征。

（二）數(shù)據(jù)說(shuō)明

1.描述性統(tǒng)計(jì)

考慮到數(shù)據(jù)選取的科學(xué)性和可得性原則，選取2011—2023年長(zhǎng)江經(jīng)濟(jì)帶11個(gè)省份面板數(shù)據(jù)①，實(shí)證分析人工智能化、人力資本對(duì)碳排放的影響效應(yīng)。碳排放數(shù)據(jù)來(lái)源于全球大氣研究排放數(shù)據(jù)庫(kù)（EDGAR）；其他數(shù)據(jù)主要來(lái)源于國(guó)家統(tǒng)計(jì)局網(wǎng)站、國(guó)家科技統(tǒng)計(jì)公報(bào)、中國(guó)高技術(shù)產(chǎn)業(yè)統(tǒng)計(jì)年鑒以及各省份統(tǒng)計(jì)年鑒和公報(bào)，個(gè)別缺失數(shù)據(jù)以線性插值法補(bǔ)齊。將數(shù)據(jù)引入Stata17.0軟件，通過(guò)計(jì)算得出各變量的基本特征值，具體見(jiàn)表2。

表2數(shù)據(jù)分析表明，被解釋變量碳排放（CE）的樣本均值為12.6074，標(biāo)準(zhǔn)差為0.4934，表明整體碳排放數(shù)據(jù)波動(dòng)較小，呈現(xiàn)出較低的離散性特征。最大值為13.7953，最小值為11.7251，反映出不同省份之間碳排放水平存在明顯的異質(zhì)性，受到了省際間產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)、經(jīng)濟(jì)發(fā)展階段以及政策執(zhí)行力度等多重因素的影響，尤其是高碳行業(yè)的集聚程度在不同區(qū)域存在顯著差異。進(jìn)一步分析人工智能化（AI）發(fā)展水平指標(biāo)，其樣本均值為0.2917，標(biāo)準(zhǔn)差為0.2375，最小值為0.0242，最大值為0.9316，表明長(zhǎng)江經(jīng)濟(jì)帶各省份在人工智能化發(fā)展方面存在較大差異，與各地在科技投入、創(chuàng)新能力、數(shù)字基礎(chǔ)設(shè)施建設(shè)以及政策扶持力度等方面的不平衡密切相關(guān)。人力資本（PCE）樣本均值為9.1338，標(biāo)準(zhǔn)差為0.8536，最大值與最小值分別為11.7656和7.5886。各省份之間人力資本水平的差異相較于人工智能化指標(biāo)略小，表明分布相對(duì)均衡，但整體水平仍有較大提升空間，或受到教育資源分布、人口流動(dòng)趨勢(shì)、高技能人才儲(chǔ)備等因素的影響。

2.碳排放的動(dòng)態(tài)演進(jìn)

為深入解析長(zhǎng)江經(jīng)濟(jì)帶不同區(qū)域碳排放的時(shí)空演變特征，基于Kernel密度估計(jì)法，利用Mat-lab軟件繪制長(zhǎng)江經(jīng)濟(jì)帶及上游、中游、下游碳排放的核密度曲線，如圖1所示。通過(guò)對(duì)分布位置、峰值特征、波峰數(shù)量及分布形態(tài)的系統(tǒng)分析，揭示碳排放的異質(zhì)性演變規(guī)律。

首先，從分布位置來(lái)看，長(zhǎng)江經(jīng)濟(jì)帶整體及上、中、下游地區(qū)碳排放核密度曲線的中心位置隨年份變化逐步右移，尤其是上游地區(qū)核密度分布曲線的右移現(xiàn)象最為明顯，體現(xiàn)該區(qū)域整體碳排放水平逐步上升，驗(yàn)證了整體經(jīng)濟(jì)增長(zhǎng)與碳排放規(guī)模擴(kuò)張的趨勢(shì)，印證了在2035年前實(shí)現(xiàn)碳達(dá)峰目標(biāo)的政策導(dǎo)向，而中游與下游地區(qū)的碳排放水平則相對(duì)較為平穩(wěn)。其次，從峰值特征來(lái)看，上游地區(qū)碳排放核密度曲線的峰值逐年上升，曲線趨于尖銳，表明區(qū)域內(nèi)部碳排放差異逐步擴(kuò)大；而中游地區(qū)峰值表現(xiàn)出先上升、后下降再上升的波動(dòng)態(tài)勢(shì)，說(shuō)明該地區(qū)碳排放經(jīng)歷了復(fù)雜的階段性波動(dòng)；下游地區(qū)的峰值則長(zhǎng)期保持相對(duì)穩(wěn)定，反映該區(qū)域內(nèi)部碳排放處于較低且穩(wěn)定狀態(tài)，區(qū)域差異較小。再次，從波峰數(shù)量來(lái)看，長(zhǎng)江經(jīng)濟(jì)帶整體呈現(xiàn)多個(gè)波峰，反映出區(qū)域內(nèi)碳排放存在明顯的極化趨勢(shì)；而具體到上游與下游地區(qū)，核密度曲線則較為平滑，未見(jiàn)明顯多側(cè)峰，體現(xiàn)碳排放水平區(qū)域內(nèi)分布均衡，無(wú)顯著極化現(xiàn)象。與之相比，中游地區(qū)的核密度曲線在樣本中期階段有所變寬，體現(xiàn)出區(qū)域內(nèi)部碳排放的差異曾出現(xiàn)短暫擴(kuò)大趨勢(shì)。最后，從分布形態(tài)來(lái)看，長(zhǎng)江經(jīng)濟(jì)帶整體碳排放核密度曲線呈現(xiàn)顯著拖尾特征，表明部分省份碳排放水平顯著高于區(qū)域整體水平，形成“高碳排放”領(lǐng)先現(xiàn)象。與之相對(duì)的是，上、中、下游各自區(qū)域的核密度曲線則呈現(xiàn)相對(duì)對(duì)稱(chēng)形態(tài)，未表現(xiàn)明顯的拖尾現(xiàn)象，說(shuō)明區(qū)域內(nèi)碳排放水平差距相對(duì)較小，內(nèi)部分布更為均衡。

綜上所述，長(zhǎng)江經(jīng)濟(jì)帶整體碳排放規(guī)模持續(xù)擴(kuò)大，區(qū)域間呈現(xiàn)明顯異質(zhì)性。上游地區(qū)碳排放增長(zhǎng)最快且差距擴(kuò)大顯著，中游地區(qū)碳排放波動(dòng)性增強(qiáng)，而下游地區(qū)整體碳排放水平則長(zhǎng)期保持低位穩(wěn)定，區(qū)域內(nèi)部差距較小。區(qū)域差異凸顯了區(qū)域經(jīng)濟(jì)結(jié)構(gòu)、產(chǎn)業(yè)布局及減排政策實(shí)施力度等多重因素共同作用下的動(dòng)態(tài)演變特征。

（三）模型構(gòu)建

1.基本模型構(gòu)建

考慮到各變量之間的內(nèi)在聯(lián)系，構(gòu)建以碳排放 （CE ）為被解釋變量，人工智能化（AI）、人力資本 （PCE） 為解釋變量的基準(zhǔn)回歸模型：

CE_it=α₀+α₁AI_it+

_α2PCE_it+α₃Col_it+γ_i+δ_t+ε_it

上式中， α₀ 為常數(shù)項(xiàng)， CE_it 為 i 省份 Ψ_t 時(shí)期的碳排放， AI_it 為 i 省份 Ψ_t 時(shí)期的人工智能化， PCE_it 為 i 省份 Ψ_t 時(shí)期的人力資本， Col_it 為 i 省份 t 時(shí)期的科技創(chuàng)新水平（TEC）、產(chǎn)業(yè)結(jié)構(gòu)（IS）、環(huán)境規(guī)制0 ?ER ）、經(jīng)濟(jì)發(fā)展水平 （DEV） 等控制變量。 α_i 為待估系數(shù)， γ_i 代表個(gè)體固定效應(yīng)， δ_t 代表時(shí)間固定效應(yīng)， ε_it 為隨機(jī)誤差項(xiàng)。

2.調(diào)節(jié)效應(yīng)模型

為驗(yàn)證人力資本（ PCE 對(duì)碳排放（ CE 的調(diào)節(jié)作用，構(gòu)建調(diào)節(jié)模型如下：

CE_i，t=γ+γ_ιAI_i，t+γ_ιPCE_i，t+

γ_sAI_i，t×PCE_i，t+γ_xCol_i，t+e_i，t

式中， CE 為碳排放， AI 為人工智能化， PCE 代表人力資本作為調(diào)節(jié)變量引人模型，進(jìn)行回歸檢驗(yàn)。若式（2）中的 γ₁ 的系數(shù)均顯著，且人工智能化（AI）和人力資本（ PCE ）的交互項(xiàng)系數(shù)均顯著，則說(shuō)明人力資本對(duì)碳排放存在調(diào)節(jié)作用。

五、實(shí)證檢驗(yàn)與分析

（一）固定效應(yīng)模型分析

1.平穩(wěn)性檢驗(yàn)

表3報(bào)告了核心變量的面板單位根檢驗(yàn)結(jié)果。實(shí)證結(jié)果表明：碳排放（ ?CE^? 在 IPS 檢驗(yàn)方法下未通過(guò)顯著性檢驗(yàn)，說(shuō)明原序列未全部通過(guò)單位根檢驗(yàn)。一階差分變量 D_-CE，D_-AI，D_- PCE均通過(guò)了三種單位根檢驗(yàn)，說(shuō)明核心變量CE，AI，PCE 在經(jīng)過(guò)一階差分后表現(xiàn)平穩(wěn)。

2.模型分析

為分析不同解釋變量對(duì)被解釋變量影響效果及差異，通過(guò)分別構(gòu)建基準(zhǔn)回歸模型（模型1），檢驗(yàn)人工智能化（AI）、人力資本（PCE）對(duì)碳排放（ CE ）的影響。為進(jìn)一步精確估計(jì)結(jié)果，進(jìn)行穩(wěn)健估計(jì)（PCSE）和FGLS估計(jì)（模型2、模型3），以期充分解決可能存在的自相關(guān)和異方差問(wèn)題，并估計(jì)模型的最終影響效果。檢驗(yàn)的具體結(jié)果見(jiàn)表4。

根據(jù)表4的回歸結(jié)果，在模型1中，人工智能化 （AI） 對(duì)碳排放 ?CE ）的回歸系數(shù)為負(fù)，并在 5% 的統(tǒng)計(jì)顯著性水平上顯著，表明人工智能化的發(fā)展對(duì)碳排放具有顯著的抑制作用。人工智能化技術(shù)能夠通過(guò)優(yōu)化能源配置、提升工業(yè)生產(chǎn)流程效率以及加速新能源技術(shù)的研發(fā)與應(yīng)用，從而有效降低單位產(chǎn)出的碳排放水平。另一核心解釋變量人力資本（PCE）在模型1中的回歸系數(shù)同樣為負(fù)，但未達(dá)到顯著性水平，表明盡管提升人力資本水平有助于碳排放的減少，但目前這一影響尚不顯著，或受限于人力資本結(jié)構(gòu)、人才使用效率或區(qū)域發(fā)展階段等因素。

3.修正模型檢驗(yàn)

為提升模型估計(jì)結(jié)果的精確性，在原有模型的基礎(chǔ)上引入修正后的面板PCSE（模型2）和面板FGLS（模型3）對(duì)模型進(jìn)行了穩(wěn)健性檢驗(yàn)。表4的回歸結(jié)果顯示，人工智能化（AI）對(duì)碳排放（CE）的回歸系數(shù)在兩種估計(jì)方法下均為負(fù)值，其中模型3在 5% 的統(tǒng)計(jì)顯著性水平上顯著，進(jìn)一步驗(yàn)證了人工智能化對(duì)碳排放具有顯著的抑制作用。同時(shí)，人力資本（ PCE ）的回歸系數(shù)亦為負(fù)，在模型2中于 5% 統(tǒng)計(jì)水平上顯著，在模型3中達(dá)到 1% 的顯著性水平，表明人力資本的碳減排效應(yīng)更為穩(wěn)健。

4.穩(wěn)健性檢驗(yàn)

為進(jìn)一步驗(yàn)證人工智能化、人力資本對(duì)碳排放影響的實(shí)證結(jié)論是否穩(wěn)健，本研究采用多種方式對(duì)回歸結(jié)果進(jìn)行穩(wěn)健性檢驗(yàn)，具體見(jiàn)表4。

（1）增加控制變量。表5列（1）增加政府干預(yù)水平（GL）作為控制變量，以財(cái)政一般預(yù)算支出占地區(qū)生產(chǎn)總值比重表征，進(jìn)一步考察其他可能影響碳排放的因素。結(jié)果表明，新增控制變量，人工智能化和人力資本對(duì)碳排放的影響與前文結(jié)果一致，進(jìn)一步增強(qiáng)了結(jié)論的穩(wěn)健性。

（2）剔除特殊城市。為避免特殊城市（如直轄市）在綜合發(fā)展水平和政策支持力度方面對(duì)回歸結(jié)果造成偏誤，表5列（2）剔除了樣本中的北京市和上海市，重新對(duì)剩余數(shù)據(jù)進(jìn)行回歸估計(jì)。結(jié)果表明：人工智能化和人力資本對(duì)碳排放的影響與前文結(jié)果一致，表明剔除特殊城市后結(jié)果未發(fā)生明顯變化。

（3）縮尾處理。為避免異常值對(duì)估計(jì)結(jié)果的影響，表5列（3）對(duì)所有變量進(jìn)行了 1% 和 99% 縮尾處理，以減少極端值的干擾。結(jié)果表明：縮尾處理后，人工智能化和人力資本對(duì)碳排放的影響與前文結(jié)果一致，說(shuō)明異常值對(duì)結(jié)果的影響可以忽略。

5.內(nèi)生性分析

為進(jìn)一步確保研究結(jié)論的穩(wěn)健性，并緩解潛在的反向因果關(guān)系問(wèn)題，本研究采用滯后變量法對(duì)核心解釋變量進(jìn)行動(dòng)態(tài)效應(yīng)檢驗(yàn)。具體而言，引入人工智能化（AI）與人力資本（ PCE ）的滯后一期和滯后二期變量，以探討其對(duì)碳排放（CE）的時(shí)間滯后影響。如表6所示，人工智能化滯后一期的回歸系數(shù)在 5% 的統(tǒng)計(jì)水平上顯著為負(fù)，表明人工智能化對(duì)碳排放的影響具有一定的持續(xù)性，歸因于人工智能化通過(guò)持續(xù)優(yōu)化能源系統(tǒng)配置、提升工業(yè)自動(dòng)化水平與資源利用效率，帶來(lái)中短期內(nèi)的碳排放減少效應(yīng)。相較之下，滯后一期的人力資本對(duì)碳排放的影響雖為負(fù)，但未達(dá)到顯著性水平，由于其減排效應(yīng)尚處于積累階段，未能在短期內(nèi)完全體現(xiàn)。進(jìn)一步考察滯后二期變量發(fā)現(xiàn)，人工智能化的回歸系數(shù)雖仍為負(fù)，但不具統(tǒng)計(jì)顯著性，從側(cè)面反映出人工智能化的應(yīng)用更具實(shí)時(shí)性，其技術(shù)更新迭代速度快，難以對(duì)碳排放產(chǎn)生長(zhǎng)期穩(wěn)定的滯后效應(yīng)。而人力資本的滯后二期變量在 10% 的顯著性水平上對(duì)碳排放產(chǎn)生顯著抑制作用，說(shuō)明人力資本的減排機(jī)制更具滯后性和積累效應(yīng)。人力資本積累通過(guò)教育投入、職業(yè)技能培訓(xùn)及高素質(zhì)人才培養(yǎng)等投資需經(jīng)歷一定的轉(zhuǎn)化周期，方能通過(guò)綠色技術(shù)研發(fā)與推廣，實(shí)現(xiàn)碳排放的持續(xù)降低。

6.區(qū)域異質(zhì)性檢驗(yàn)

基于長(zhǎng)江經(jīng)濟(jì)帶11省市分為長(zhǎng)江上游區(qū)域、中游區(qū)域和下游區(qū)域，且三個(gè)區(qū)域客觀上存在一定的地域差異，本研究采用修正后的面板PCSE（模型2）和面板FGLS（模型3）方法，對(duì)人工智能化與人力資本對(duì)碳排放影響的區(qū)域異質(zhì)性進(jìn)行了實(shí)證檢驗(yàn)。結(jié)果詳見(jiàn)表7。

如表7所示，在上游地區(qū)，人工智能化對(duì)碳排放的回歸系數(shù)在模型2和模型3中均為負(fù)，并在1% 的統(tǒng)計(jì)顯著性水平上顯著，表明人工智能化在上游具有顯著的碳減排效應(yīng)。上游地區(qū)以采礦、冶金等資源型產(chǎn)業(yè)為主，人工智能化主要應(yīng)用于能源使用優(yōu)化與流程效率提升，直接降低單位產(chǎn)出的碳排放，邊際減排效應(yīng)顯著。人力資本對(duì)碳排放的影響系數(shù)雖為負(fù)，但未達(dá)顯著性水平，由于上游地區(qū)人力資本整體水平偏低，技術(shù)吸收與轉(zhuǎn)化能力有限，尚未形成有效的綠色創(chuàng)新能力支撐。

在中游地區(qū)，人工智能化對(duì)碳排放的影響則呈現(xiàn)相反趨勢(shì)，其回歸系數(shù)在模型2和模型3中均為正，且在 1% 的統(tǒng)計(jì)水平上顯著，表明人工智能化技術(shù)在中游地區(qū)短期內(nèi)加劇碳排放。中游地區(qū)是我國(guó)制造業(yè)的核心區(qū)域，人工智能化的主要應(yīng)用集中于自動(dòng)化生產(chǎn)線、產(chǎn)能擴(kuò)張等方面，導(dǎo)致能源消費(fèi)上升，從而帶來(lái)碳排放的階段性增長(zhǎng)。

同時(shí)，人力資本對(duì)碳排放的影響在模型3中為正，且在 5% 的水平上顯著，反映出高技能勞動(dòng)力更多流向重化工、制造業(yè)等高能耗行業(yè)，導(dǎo)致其技術(shù)效應(yīng)被產(chǎn)業(yè)規(guī)模擴(kuò)張所抵消。

在下游地區(qū)，人工智能化對(duì)碳排放的影響系數(shù)為正但未達(dá)顯著性水平。下游區(qū)域人工智能化技術(shù)應(yīng)用相對(duì)成熟，如金融科技、智慧物流等領(lǐng)域的滲透率較高。由于碳排放基礎(chǔ)較低，人工智能化所帶來(lái)的邊際減排空間有限，呈現(xiàn)出減排效應(yīng)遞減的趨勢(shì)。人力資本對(duì)碳排放的影響同樣為負(fù)，系數(shù)雖未顯著，但反映出高水平人力資本在一定程度上有助于綠色技術(shù)的推廣與應(yīng)用，只是其影響尚未在統(tǒng)計(jì)意義上得到充分體現(xiàn)，

人工智能化與人力資本對(duì)碳排放的影響在上、中、下游地區(qū)表現(xiàn)出顯著差異。上游地區(qū)人工智能化抑制碳排放效果最為顯著，得益于其在高碳行業(yè)中的節(jié)能優(yōu)化作用；下游地區(qū)邊際減排效應(yīng)減弱；中游地區(qū)則因產(chǎn)能擴(kuò)張導(dǎo)致碳排放反增。人力資本在中游地區(qū)反而顯著正向影響碳排放，因高技能勞動(dòng)力流向高能耗行業(yè)；上游和下游地區(qū)雖系數(shù)為負(fù)但不顯著，表明人力資本減排作用尚需進(jìn)一步釋放。

（二）調(diào)節(jié)效應(yīng)模型分析

在基準(zhǔn)回歸模型中引入人工智能化與人力資本的交互項(xiàng) （AI×PCE ），旨在探討人力資本在人工智能化與碳排放關(guān)系中的調(diào)節(jié)作用。如表8列（2）所示。

交互項(xiàng)對(duì)碳排放的影響系數(shù)為0.4265，且在5% 的統(tǒng)計(jì)水平上顯著，表明人力資本水平提高會(huì)削弱人工智能化對(duì)碳排放的抑制效果。與此同時(shí)，人工智能化單獨(dú)對(duì)碳排放的回歸系數(shù)為-0.8248 ，在 1% 的顯著性水平上成立，表明人工智能化本身具有明顯的減排效應(yīng)，但隨人力資本水平提高有所弱化。這是因?yàn)樵谌肆Y本較高的地區(qū)，人工智能化的應(yīng)用方向更多地用于產(chǎn)業(yè)擴(kuò)張、技術(shù)升級(jí)與產(chǎn)能提升等方面，在一定程度上抵消了人工智能化技術(shù)帶來(lái)的環(huán)境效益。

六、結(jié)論與啟示

（一）研究結(jié)論

本研究基于長(zhǎng)江經(jīng)濟(jì)帶11個(gè)省份2011一2023年面板數(shù)據(jù)，運(yùn)用熵值法測(cè)度了人工智能化指標(biāo)水平，采用基準(zhǔn)效應(yīng)模型和調(diào)節(jié)效應(yīng)模型，實(shí)證檢驗(yàn)了人工智能化與人力資本對(duì)碳排放的影響?？梢缘贸鲆韵陆Y(jié)論：

（1）人工智能化對(duì)碳排放具有顯著抑制作用且存在明顯的區(qū)域異質(zhì)性。整體來(lái)看，人工智能化發(fā)展有效降低了碳排放強(qiáng)度，內(nèi)生性檢驗(yàn)表明該減排效應(yīng)具有持續(xù)性。從區(qū)域差異來(lái)看，上游地區(qū)的減排效果最為突出，主要得益于人工智能化技術(shù)在高碳排放產(chǎn)業(yè)中的節(jié)能降耗作用；中游地區(qū)人工智能化的應(yīng)用更多地用于擴(kuò)大產(chǎn)能，反而導(dǎo)致碳排放增加；下游地區(qū)人工智能化的減排邊際效應(yīng)逐漸遞減，整體效應(yīng)不明顯。

（2）人力資本對(duì)碳排放具有顯著且持續(xù)的抑制效應(yīng)，區(qū)域異質(zhì)性特征明顯。整體實(shí)證結(jié)果與內(nèi)生性檢驗(yàn)均證實(shí)人力資本的碳減排作用具有長(zhǎng)期持續(xù)性。區(qū)域分析表明，人力資本在中游地區(qū)呈現(xiàn)顯著的碳排放正向效應(yīng)，主要因該區(qū)域高技能人才傾向于流入高能耗產(chǎn)業(yè)，減排效應(yīng)被規(guī)模擴(kuò)張效應(yīng)抵消；而在上游和下游地區(qū)，人力資本的減排作用雖表現(xiàn)為負(fù)但未達(dá)顯著水平，表明減排潛力尚未充分釋放。

（3）人力資本顯著調(diào)節(jié)人工智能化與碳排放之間的關(guān)系。交互項(xiàng)檢驗(yàn)結(jié)果顯示，人力資本水平的提升顯著削弱了人工智能化的碳減排效應(yīng)。由于人力資本較高的地區(qū)，人工智能化的應(yīng)用更側(cè)重于產(chǎn)業(yè)擴(kuò)張、產(chǎn)能提升以及技術(shù)升級(jí)領(lǐng)域，抵消了部分人工智能化技術(shù)本身帶來(lái)的環(huán)境效益。

（二）政策啟示

（1）深化人工智能賦能傳統(tǒng)產(chǎn)業(yè)升級(jí)，加快數(shù)字化綠色轉(zhuǎn)型。針對(duì)長(zhǎng)江經(jīng)濟(jì)帶上游地區(qū)資源型產(chǎn)業(yè)排放高、中游地區(qū)制造業(yè)產(chǎn)能擴(kuò)張排放反彈及下游地區(qū)減排邊際效應(yīng)遞減等特征，應(yīng)加大人工智能化與工業(yè)互聯(lián)網(wǎng)技術(shù)應(yīng)用力度，加速傳統(tǒng)產(chǎn)業(yè)數(shù)字化綠色轉(zhuǎn)型。上游地區(qū)通過(guò)人工智能技術(shù)實(shí)施精準(zhǔn)能耗管控，中游地區(qū)應(yīng)以人工智能化推動(dòng)工藝流程低碳化改造，下游地區(qū)則鼓勵(lì)建設(shè)智能綠色供應(yīng)鏈，充分釋放人工智能對(duì)碳減排的潛力，避免技術(shù)擴(kuò)張帶來(lái)的碳排放反彈，確保區(qū)域協(xié)同減排與數(shù)字經(jīng)濟(jì)發(fā)展并重。

（2）優(yōu)化區(qū)域人力資本配置，強(qiáng)化綠色產(chǎn)業(yè)人才支撐。針對(duì)人力資本在長(zhǎng)江經(jīng)濟(jì)帶中游地區(qū)出現(xiàn)的高技能人才錯(cuò)配問(wèn)題，以及上、下游地區(qū)人才減排潛力尚未充分釋放的現(xiàn)狀，應(yīng)優(yōu)化區(qū)域人力資本配置。上游地區(qū)應(yīng)通過(guò)職教融合強(qiáng)化綠色技能培訓(xùn)；中游地區(qū)應(yīng)實(shí)施人才定向流動(dòng)政策，吸引高技能勞動(dòng)力投身低碳產(chǎn)業(yè)；下游地區(qū)加強(qiáng)綠色創(chuàng)新人才激勵(lì)機(jī)制建設(shè)，推動(dòng)高技能人才在數(shù)字經(jīng)濟(jì)和綠色技術(shù)創(chuàng)新領(lǐng)域的深入融合，全面提升區(qū)域人力資本對(duì)綠色轉(zhuǎn)型的戰(zhàn)略支撐作用。

（3）推進(jìn)人工智能化應(yīng)用與高端人才協(xié)同創(chuàng)新，打造區(qū)域低碳發(fā)展標(biāo)桿。為破解人力資本削弱人工智能化減排效應(yīng)的難題，應(yīng)在上游地區(qū)，鼓勵(lì)專(zhuān)業(yè)人才推進(jìn)新能源技術(shù)開(kāi)發(fā)；中游地區(qū)以人工智能化與高技能人才協(xié)同開(kāi)發(fā)綠色制造工藝；下游地區(qū)著重推進(jìn)人工智能化應(yīng)用與金融、物流等服務(wù)業(yè)領(lǐng)域人才協(xié)作，打造智慧低碳城市和園區(qū)試點(diǎn)。通過(guò)區(qū)域間成功經(jīng)驗(yàn)交流和示范項(xiàng)目推廣，推動(dòng)形成全域低碳協(xié)同發(fā)展的標(biāo)桿，為實(shí)現(xiàn)碳達(dá)峰和碳中和目標(biāo)提供強(qiáng)有力的區(qū)域示范效應(yīng)。

【注釋】

① 長(zhǎng)江經(jīng)濟(jì)帶覆蓋上海、江蘇、浙江、安徽、江西、湖北、湖南、重慶、四川、貴州、云南11個(gè)省市行政區(qū)。

【參考文獻(xiàn)】

[1］中共中央關(guān)于進(jìn)一步全面深化改革、推進(jìn)中國(guó)式現(xiàn)代化的決定[M].北京：人民出版社，2024.

[2]2025年國(guó)務(wù)院政府工作報(bào)告要點(diǎn)[J].中國(guó)共青團(tuán)，2025（5）：2.

[3]新華社.習(xí)近平向2024世界智能產(chǎn)業(yè)博覽會(huì)致賀信[EB/OL].（2024-06-20）[2025-04-10]. https：//www.gov.cn/yaowen/liebiao/202406/content_6958352.htm.

[4]王瑞瑜，王森.老齡化、人工智能與產(chǎn)業(yè)結(jié)構(gòu)調(diào)整[J].財(cái)經(jīng)科學(xué)，2020（1）：80-92.

[5」許瀟丹，惠寧.人工智能對(duì)工業(yè)綠色低碳發(fā)展的影響研究[J].陜西師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2024，53（6） ：74-86.

[6」孫志娟.氣候變化、人工智能與全要素生產(chǎn)率—基于A股涉糧企業(yè)的實(shí)證分析[J].經(jīng)濟(jì)問(wèn)題，2025（4）：120-129.

[7］鄧建鵬.人工智能驅(qū)動(dòng)中國(guó)經(jīng)濟(jì)產(chǎn)業(yè)升級(jí)[J].人民論壇，2025（5）：40-43.

[8]殷鳳春，田楠楠，嚴(yán)翔.綠色技術(shù)轉(zhuǎn)移視角下科技人才集聚的碳減排效應(yīng)再檢驗(yàn)[J].科學(xué)管理研究，2023，41（4） ：117-124.

[9]何偉軍，李聞欽，鄧明亮.人力資本、綠色科技創(chuàng)新與長(zhǎng)江經(jīng)濟(jì)帶全要素碳排放效率[J].科技進(jìn)步與對(duì)策，2022，39（9）：23-32.

[10]蘇科，周超.人力資本、科技創(chuàng)新與綠色全要素生產(chǎn)率——基于長(zhǎng)江經(jīng)濟(jì)帶城市數(shù)據(jù)分析[J].經(jīng)濟(jì)問(wèn)題，2021（5）：71-79.

[11］安超，雷明.二氧化碳排放、人力資本和內(nèi)生經(jīng)濟(jì)增長(zhǎng)研究[J].中國(guó)管理科學(xué)，2019，27（5）：149-160.

[12]倪晨凱，華知威.人工智能、稅收征管與稅制改革[J].中國(guó)科學(xué)基金，2024，38（5）：841-852.

[13]王東明，尹瑞濤.人工智能語(yǔ)境下的經(jīng)濟(jì)管理與經(jīng)濟(jì)安全[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2025，47（S1）：31-33.

[14］張欣.人工智能治理的全球變革與中國(guó)路徑[J].華東政法大學(xué)學(xué)報(bào)，2025，28（1）：18-32.

[15］周杰琦，梁文光.環(huán)境規(guī)制能否有效驅(qū)動(dòng)高質(zhì)量發(fā)展？——基于人力資本視角的理論與經(jīng)驗(yàn)分析[J].北京理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2020，22（5）：1-13.

[16］姚樹(shù)俊，董哲銘.人工智能賦能戰(zhàn)略性新興產(chǎn)業(yè)新質(zhì)生產(chǎn)力的路徑研究[J.浙江工商大學(xué)學(xué)報(bào)，2025（1）：100-113.

[17]劉深，曹玉娟.數(shù)字碳中和：人工智能推動(dòng)產(chǎn)業(yè)降碳的雙重效應(yīng)探析[J].江蘇大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2025，27（2）：26-39.

[18］葉云嶺，張其仔.人工智能、產(chǎn)業(yè)集聚外部性與長(zhǎng)江經(jīng)濟(jì)帶碳排放效率[J].南通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2024，40（2）：55-65，159.

[19]別曉東，周德祿.人力資本賦能經(jīng)濟(jì)低碳轉(zhuǎn)型：理論闡釋與實(shí)證分析[J].山東社會(huì)科學(xué)，2024（6）：28-38.

[20]劉斌，趙飛.人力資本提升對(duì)企業(yè)綠色發(fā)展的影響——來(lái)自中國(guó)“高校擴(kuò)招\(zhòng)"的證據(jù)[J].湖北大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2023，50（1）：152-161，175.

[21]吳康，耿一睿，郭濤.城市群綠色技術(shù)創(chuàng)新對(duì)碳排放的影響——基于人力資本的調(diào)節(jié)效應(yīng)[J].自然資源學(xué)報(bào)，2024，39（9）：2121-2139.

[22]王家庭，王浩然.區(qū)域一體化政策對(duì)新質(zhì)生產(chǎn)力的影響——基于新一代人工智能發(fā)展的視角［J].學(xué)習(xí)與實(shí)踐，2025（1）：72-83.

[23]李建森，陶莉.人工智能賦能生態(tài)正義的前提反思、現(xiàn)實(shí)困固及紓解策略[J].云南社會(huì)科學(xué)，2025（2）：26-37.

[責(zé)任編輯：鐵國(guó)花]