1、引言

人工智能（AI）指的是一种能够复制、增强和扩展人类认知能力的技术。虽然人工智能已有近70年的历史，但其应用在过去十年中显著加速。在商业领域，机器学习和计算机视觉等领域的投资占大多数。像ChatGPT和Sora这样的创新正在以史无前例的速度改变日常生活。

同时，世界正面临日益加剧的气候危机。自19世纪末以来，全球气温已上升约，极端天气事件的频率增加对经济和社会产生了深远的影响（Nordhaus，2019）。气候风险大致可分为由极端天气事件驱动的物理风险，以及由于全球向可持续发展转型而产生的转型风险。近年来，经济研究越来越关注气候风险，开发理论模型来评估其经济影响（Acemoglu，2012；Nordhaus，2019）。此外，绿色信贷）、绿色债券（Flammer，2021）和ESG（Pedersen，2021）等金融创新引起了广泛关注。

令人惊讶的是，尽管自然科学界就人工智能与气候风险的交叉问题进行了广泛的定性技术讨论，但经济学界长期以来一直忽视了这一问题。人工智能对气候风险的影响仍是一个开放性问题。定性研究揭示了截然不同的观点：一方面，人工智能有可能提高风险预测和管理能力，从而帮助缓解气候风险。另一方面，人工智能所需的能源消耗，特别是在模型训练和数据中心运营期间，可能会加剧气候风险（Coeckelbergh，2021）。这种双重性突显了对人工智能对气候风险的影响进行更深入、更系统的审视的必要性。为解决这一差距，我们提出以下关键问题：

问题1. 人工智能如何影响气候风险？

问题2. 其潜在机制是什么？

问题3. 在影响气候风险的同时，人工智能是否会加剧与气候相关的不平等？

为了解答这些问题，我们使用来自170个国家的面板数据对人工智能对气候风险的影响进行了定量分析。我们从三个结构性维度评估了各国人工智能的发展水平： (i) 创新能力，通过每年的人工智能相关专利申请量来衡量（Rathi，2024年）； (ii) 应用状况，通过每年的机器人安装数量来量化（Acemoglu和Restrepo，2020年）；以及(iii) 理论储备，通过人工智能相关出版物的数量来代理（Zhang，2021年）。气候风险水平使用广泛引用的圣母院全球适应倡议（ND-GAIN）脆弱性指数（Chen，2024年）进行评估。我们的跨国分析表明人工智能对气候风险有净缓解效应  。在经济上，人工智能发展的一标准差增加相对于样本均值可减少1.17%的气候风险。换句话说，人工智能在减轻气候风险方面的益处超过了其潜在的负面环境影响。

然后，我们深入探讨了人工智能促成这种减少的四个潜在机制。首先，人工智能优化自然资源利用，特别是在石油和矿产部门。其次，人工智能促进绿色创新，特别是在交通、生产、废物管理和信息通信技术（ICT）领域。第三，人工智能提高环境政策的有效性，这是由于其能够优化政策执行。最后，人工智能刺激绿色金融市场的增长，这是由于其能够协助绿色金融资源的分配。

此外，我们研究了人工智能是否加剧了与气候相关的不平等。 通过异质性分析，我们发现与人工智能相关的气候风险降低主要出现在发达国家和制度环境较好的国家，特别是那些政治和经济风险较低的国家。这表明人工智能可能会扩大有韧性群体和较不韧性群体之间的差距，突显了一个悖论：虽然人工智能减轻了气候风险，但它也可能加剧与气候相关的不平等。

本研究做出三个主要贡献：首先，它开创性地调查了人工智能对气候风险的全球影响，扩展了我们对人工智能经济影响的理解。与仅限于局部样本的研究不同，我们的宏观层面方法系统地分析了人工智能对气候风险及其机制的更广泛影响，丰富了现有文献。

其次，本研究通过改进变量构建和模型设计推进了方法论。它解决了先前研究仅使用工业机器人作为人工智能代理所存在的局限性，这些局限性在应用范围和技术目标方面存在固有缺陷。为克服这些问题，我们构建了一个更全面的人工智能发展指数。此外，我们采用双重机器学习（DML）以增强因果推断，利用其非参数分析的能力。

第三，本研究对政策制定者具有实际意义，强调了可持续人工智能发展的必要性。随着人工智能迅速发展，公众对其对气候风险影响的关注日益增加。 本研究为经济实体通过人工智能更有效地管理气候风险提供了可行的见解，并帮助政府制定有针对性的政策以促进可持续人工智能发展。这一贡献对于平衡技术进步与环境可持续性至关重要。

2. 基本假设

人工智能对气候风险的净影响取决于其缓解和加剧效应之间的平衡。如果人工智能的好处——如资源效率的提高、绿色创新、对环境政策的支持以及绿色金融的进步——超过其能源消耗和资源成本，那么人工智能可能成为减少气候风险的重要工具。相反，它可能会进一步加剧气候挑战。这种张力产生了一个复杂动态，需要仔细的经验研究。我们提出两个对立的假设：

H1. 人工智能在降低气候风险方面的正面影响超过其负面影响，从而导致气候风险的净减少。

H2. 人工智能对气候风险的负面影响超过其缓解效应，导致气候风险的净增加。

以下，我们介绍本研究的数据和主要模型，并检验这两个对立的假设。

3. 数据和方法

3.1. 数据来源和描述

我们分析了2010年至2019年间170个国家的面板数据。我们的样本从2010年开始，因为这是全球人工智能发展开始加速的年份。 样本延伸至2019年，以减轻全球新冠疫情对结果的潜在影响，这与Chen等（2024）一致。

3.1.1. 人工智能指数

我们的自变量是每个国家的人工智能发展水平。基于现有研究（Acemoglu & Restrepo, 2020; Rathi, 2024; Zhang, 2021），我们通过三个维度来评估人工智能的发展：创新能力、应用状况和理论储备。选择这些维度有几个关键原因。首先，它们被广泛认为是人工智能发展的直接指标，这得到了相关研究报告的支持。第二，这些维度的国家级面板数据易于获取，并且在文献中经常使用。 具体来说：创新能力通过人工智能专利申请来评估，作为人工智能创新的基准。应用状况反映在机器人安装数量上，表明人工智能在工业中的采用情况。理论储备通过人工智能相关出版物的数量来衡量，反映了学术贡献和研究活动。我们采用熵权法计算人工智能指数。第三，我们通过将计算出的人工智能指数与来自权威评级机构的公开数据进行比较来验证该指数，确认其可靠性。 图1面板A显示了2019年各国的人工智能发展水平。东亚国家如中国、日本和韩国，以及美国和西欧国家，显示出最高的人工智能发展水平。

3.1.2. 气候风险指数

我们的因变量是气候风险。参考Chen等（2024），我们使用圣母大学全球适应指数的脆弱性维度来衡量气候风险。该指标从三个角度衡量一个国家的气候风险：一个国家从生物方面面临重大气候变化的程度，一个国家对气候变化影响的敏感性，以及一个国家应对气候风险的能力。根据Cevik和Jalles（2022），为了分析目的，我们将该指数扩大100倍。

3.1.3. 控制变量

遵循Chen等（2024）和Cinelli等（2024），考虑了一些控制变量：人均GDP（LNGDP）、城市人口（URB）、外国直接投资（FDI）和制造业增加值（MANU）。为了减轻异常值对结果的影响，我们将所有连续变量在1%和99%水平上进行Winsorize处理。表1展示了描述性统计和相关性分析。

3.2. 双重机器学习

3.2.1.模型选择的基础

缺乏适当的外生冲击对传统方法（如OLS）在捕捉因果关系方面构成了重大挑战。外生冲击通常有助于自然实验，从而隔离因果影响，简化因果分析。然而，在我们的研究中缺乏此类冲击的情况下，因果识别变得更加复杂。这一限制凸显了采用DML（双重机器学习）的必要性，它为因果推断提供了一个灵活的框架。DML方法被公认为因果推断领域的突破（Chernozhukov，2018年）。它通过双重稳健性改进了传统方法：(i) 它通过非参数建模控制变量来放宽函数形式假设；(ii) 它使用交叉拟合来减少过拟合偏差。DML在实证经济学中得到了广泛应用。一些研究将DML应用于分析连续变量之间的因果关系，而其他研究则将DML与双重差分法（DID）结合用于政策评估。

图1. 2019年全球人工智能发展水平和气候风险。

注：图1展示了2019年各国的人工智能发展水平和气候风险。面板A描绘了人工智能发展水平，颜色越深表示水平越高。面板B展示了气候风险水平，颜色越深表示风险越高。

3.2.2. 主要模型

我们指定部分线性模型如下：

(1)

其中，Climate_Ris 表示国家在年份 的气候风险水平。development表示国家在年份的人工智能发展水平，是目标系数。 是一组控制变量，其具体函数形式需要通过机器学习进行估计。是误差项。估计结果如下：

表1 描述性统计和相关性分析

图B：相关系数矩阵

注意：表1报告了本研究涉及变量的描述性统计和相关性分析。面板A展示描述性统计。所有连续变量已在和水平上进行了Winsorize处理。面板B报告了主回归中使用的关键变量的相关系数。

为解决基于机器学习的估计中的正则化偏差，并在小样本中保持无偏系数，我们开发了这个辅助回归：

(4)

其中是误差项。是高维控制变量的函数，因此我们同样需要使用机器学习算法来估计的具体形式。我们随后得到发展。通过将式(1)重新表述为，并将视为发展的工具变量，我们得到无偏估计量：

3.2.3. 基础学习器配置

公式（1）-（6）的成功实现根本上取决于适当的基学习器选择。基学习器指的是在中用于估计和的机器学习算法。我们的DML框架集成了四种互补算法：随机森林、支持向量机、岭回归和梯度提升。随机森林采用自举聚合（bagged）决策树集成，通过方差减少来缓解过拟合，从而适应高维交互。这在预测准确性与计算可行性之间取得平衡。支持向量机利用基于核的分离和L2正则化，在非线性、高维协变量空间中确保稳定的超平面确定。岭回归提供了一个正则化的线性基准，通过L2惩罚收缩系数，在多重共线性下稳定估计。梯度提升通过梯度驱动的误差校正迭代构建弱学习器的加法模型，优化复杂的非线性结构。

表2 人工智能与气候风险：基准结果。

注意：表2采用DML方法检验AI_development与Climate_risk之间的因果关系。我们使用随机森林（Random Forest，RF）作为基础学习器。为防止过拟合，我们应用折交叉拟合，将值设为4。由于DML方法不需要指定控制变量的功能形式，因此我们无法报告它们的系数。相反，我们使用“control included”来表明它们的存在。在表2的第（1）和第（2）列中，我们不包含控制变量。在第（3）和第（4）列中，我们引入了控制变量，这些变量包括人均GDP（LNGDP）、城市人口（URB）、外国直接投资（FDI）和制造业增加值（MANU）。根据第（4）列，AI_development显著降低Climate_risk，估计系数为-0.258，统计上在1%水平上显著。这意味着AI_development的一个标准差增加相对于样本均值会导致大约的Climate_risk减少。括号中为稳健标准误。

我们遵循Ahrens（2021）的方法，在中使用随机森林作为主要基础学习器。为了确保结果的稳健性，我们还将基础学习器设置为支持向量机、岭回归和梯度提升进行敏感性分析。

3.2.4. 交叉拟合过程

为确保在中的无偏估计，我们实施了一个交叉拟合机制，通过折样本划分有效解决过拟合引起的偏差。该过程包括三个关键阶段：

首先，我们将完整的样本随机划分为个互斥的子集，其中每个子集代表第个分区，补集包括除以外的所有观测值。其次，我们使用基础学习器对每个子集估计和，然后将这些估计代入子集中计算相应的残差和。我们利用从中估计的参数预测中的残差，从而将交叉验证整合到估计过程中。第三，我们将个子集中的残差 和叠加起来形成整个样本的和，然后相应地计算最终的参数估计。

根据Chernozhukov等（2018）的研究，我们为基准回归设置折为4，并在敏感性分析中将其调整为3和5。

4. 结果与讨论

4.1. 人工智能与气候风险：基准结果

表2展示了基线结果。我们采用DML方法来探索发展与Climate_risk之间的因果关系。在我们的实现中，我们使用随机森林（RF）作为基础学习器，并应用折交叉拟合与以减轻潜在的过拟合问题。如第(4)列所示，AI发展显著降低了Climate_risk，估计系数为-0.258，统计上在1%水平上显著。这意味着发展的一次标准差增加相对于样本均值会导致大约的Climate_risk减少。这些发现表明AI对气候风险有净缓解作用。我们的结果支持H1而不是H2。

4.2. 稳健性检验

4.2.1. 稳健性检验I：重置K折值和基础学习器

表3通过重置DML中的折值和基础学习器进行稳健性检验。根据Chernozhukov等（2018）和Ahrens（2021）的方法，我们调整折值以进行稳健性测试。在第(1)列中，我们将它重置为3。在第(2)列中，我们将它重置为5。此外，我们还通过改变DML中的基础学习器来进行稳健性检验。在第(3)列中，我们将基础学习器从随机森林（RF）替换为支持向量机（SVM），在第(4)列中，我们将其切换为岭回归（Ridge）。在第(5)列中，我们进一步将其切换为梯度提升（Gradboost）。根据表3的结果，无论调整折值还是选择基础学习器，AI发展始终表现出对Climate_risk显著的缓解效果。我们的结果保持稳健。

注意：表3通过重置 -折值和基础学习者进行稳健性检验。 -折是一种旨在减少过拟合的交叉拟合技术。在基准回归中，我们将K-折设置为4。在列(1)中，我们将其重置为3。在列(2)中，我们将其重置为5。基础学习者是用来估计高维协变量函数形式的机器学习算法。在基准回归中，我们使用作为基础学习者。在列(3)中，我们将基础学习者替换为支持向量机(SVM)。在列(4)中，我们将基础学习者重置为岭回归(Ridge)。在列(5)中，我们将基础学习者重置为梯度提升(Gradboost)。在所有列中，AL发展对气候风险表现出显著的缓解效应

4.2.2. 稳健性检验II：DML-IV和2SLS

为了缓解潜在的内生性问题，我们进一步采用基于DML的工具变量（IV）方法（DML-IV）以确保稳健性。我们选择2000年各国的网络覆盖率来构建我们的，原因如下：(i) AI发展依赖于大量的数据资源作为关键输入。更高的网络覆盖率有助于生成大量数据，这意味着2000年的网络覆盖率会影响2010至2019年的历史数据可用性，从而促进AI的发展。(ii) 2000年的网络覆盖率比率不会直接影响2010至2019年的气候风险，从而减少了与因变量之间的直接干扰的可能性。此外，由于2000年的网络覆盖率是横截面数据，我们按照Angrist和Krueger（1991）的方法，将其与时间趋势相乘以构建最终的。根据表4第(1)和(2)列的结果，应用DML-IV后，发展的系数仍然显著为负。为了验证我们结果的有效性，我们在第(3)和(4)列中采用了传统的2SLS进行验证。结果证实我们的发现依然稳健，F统计量通过了识别检验。

表4 稳健性检验：IV方法

注意：表4通过引入工具变量法进行了稳健性测试。我们使用2000年每个国家的互联网覆盖率乘以时间趋势作为。在列（1）和（2）中，我们应用了方法。在列（3）和（4）中，我们使用了方法。结果表明，在应用工具变量方法后，人工智能发展对Climate_risk有显著的缓解作用，证实了我们研究结果的稳健性。括号中为稳健标准误。

4.2.3. 稳健性检验III：时间滞后效应

鉴于发展对气候风险的影响可能具有时间滞后性，我们通过构建气候来检验这些滞后影响，其中从0到3。表5的结果表明，在到期间，AI发展显著缓解了气候风险。缓解效应在期达到峰值，之后逐渐减弱。这些发现证实了我们主要结果的稳健性。

表5 稳健性检验：时间滞后效应。

注意：表5通过构建气候风险的滞后变量进行稳健性测试。列（1）至（4）分别将AL发展对当前气候风险、滞后1期、滞后2期和滞后3期的气候风险进行回归。结果表明，AL发展对气候风险的缓解效应仍然显著，其中在期效果最强，之后逐渐减弱。这证实了我们结果的稳健性。括号中为稳健标准误。

5. 结论

从国际视角来看，本研究将AI纳入气候风险的研究框架中。通过对2010年至2019年间170个国家的面板数据进行实证分析，并利用  方法，我们发现AI通常会降低气候风险。这种积极影响主要由以下因素驱动：(i) AI提升自然资源使用效率的能力，特别是在石油和矿产的开采和利用方面；(ii) AI促进绿色创新的能力，特别是在交通、生产、废物管理领域；(iii) AI提高环境政策效果的能力；以及 (iv) AI刺激绿色金融发展的能力。我们的异质性分析显示，AI对气候风险的缓解作用在经济发达程度较高且机构环境更有利的国家更为显著，尤其是在经济和政治风险较低的地区。我们的结果表明，虽然AI通常会降低气候风险，但它可能会加剧与气候相关的不平等。

基于这些发现，我们提出以下政策建议：首先，政府应积极利用人工智能来管理气候风险，通过优化资源配置、促进绿色创新、加强政策实施和推进绿色金融。其次，虽然人工智能可以成为缓解气候风险的有力工具，但其部署必须谨慎管理，以解决其环境足迹和社会公平性影响。健全的政策框架对于引导人工智能技术的发展与气候目标保持一致至关重要。第三，采用新技术时，应考虑潜在的不平等现象。虽然人工智能可以帮助缓解气候风险，但也应注意防止加剧现有的气候相关差距。

尽管本研究已经确认了人工智能对气候风险的净缓解作用并阐明了其核心机制，但仍有一些问题需要进一步探讨。未来的研究可以从以下几个方面扩展分析。首先，不同的AI技术在对气候风险的影响上是否存在差异？例如，工业机器人可能通过提高能源效率来缓解风险，而生成式AI可能会加速绿色技术的传播——尽管其计算需求可能会引发能源反弹效应。其次，虽然本研究强调了人工智能在缓解气候风险方面的潜力，但也揭示了其在加剧气候不平等中的作用，尤其是在发展中国家和制度环境较弱的国家。未来的研究可以深入探讨其潜在机制。