引言

全球资源环境约束趋紧，绿色协调发展成为各国发展重点。中国“双碳”目标倒逼传统产业绿色转型，也为人工智能赋能绿色高质量发展提供了契机。人工智能及制造业场景下的工业机器人，可优化资源配置、提升生产效率、降低能耗与污染，是助力绿色经济发展的核心技术。现有研究证实，人工智能能够推动工业绿色低碳发展，主要通过绿色创新、产业结构升级两条路径赋能绿色经济，且其绿色赋能效果存在显著区域异质性，东部地区赋能成效优于中西部地区。结合现有研究基础与不足，本文以中国城市为研究样本，采用CCR-DEA模型测算城市绿色经济效率，围绕工业机器人表征的人工智能技术，聚焦三大研究问题：人工智能是否能够直接提升绿色经济效率；能否依托绿色创新、产业升级产生间接赋能效应；其赋能效果是否存在区域与城市差异。本文通过理论与实证分析，系统探究人工智能赋能绿色经济的内在机制与实际效果。

一、文献综述

绿色经济效率（GEE）是衡量经济发展与资源、环境协调水平的综合指标，学界多依托DEA模型对其开展测算与研究。现有研究证实，数字经济、技术创新、要素优化等均能推动绿色经济转型，为绿色经济效率量化评估与相关政策制定提供了理论与实证支撑。

人工智能是赋能经济高质量与绿色转型的核心动力。一方面，人工智能可直接优化资源配置、提升生产效率、降低污染排放，有效提升绿色全要素生产率、减少工业碳排放；另一方面，能够依托工业机器人等落地应用，优化制造业生产流程、节约能源资源，助力企业绿色发展。同时，人工智能可通过双重间接路径赋能绿色经济：一是借助知识溢出、技术研发、成本节约效应推动绿色创新，降低区域污染强度，加速绿色转型；二是驱动传统产业智能化改造，优化产业结构、推动制造业高端化，实现产业升级与碳减排，提升绿色经济效率。此外，人工智能的绿色赋能效果存在显著异质性。受经济基础、技术资源、基础设施、人才资本等条件影响，我国东部、南方城市及大型城市的人工智能碳减排与绿色赋能效果，显著优于中西部城市与中小城市。现有研究仍存在诸多短板：多数研究仅聚焦碳排放、绿色创新等单一维度，缺少对绿色经济效率的综合性分析；对绿色创新、产业升级等中介机制的量化研究不足；区域异质性研究以静态对比为主，缺乏动态演化分析。

基于此，本文展开补充研究：采用CCR-DEA模型测算城市绿色经济效率，综合评估人工智能的绿色赋能效应；通过中介效应检验，系统剖析人工智能依托绿色创新、产业升级赋能绿色经济的内在机制；动态探究不同区域、城市的赋能异质性及政策价值。本研究可为人工智能绿色赋能研究提供实证支撑，也为落实“双碳”目标、推动区域绿色协调发展提供理论与实践参考。

二、理论分析与研究假设

（一）人工智能对绿色经济效率的直接作用机制

人工智能作为新一轮科技革命的核心动力，对绿色经济转型具备显著直接赋能作用，可通过优化资源配置、提升生产效率、削减污染排放，有效提高绿色经济效率。生产端，人工智能依托生产智能化提升资源利用精度，依托工业机器人等制造业应用，优化生产与能源管理流程，减少资源损耗与污染物排放。其次，人工智能设备可替代传统高耗能设备，压缩单位产出环境成本，减轻工业生产的生态破坏。同时，凭借数据分析与智能决策系统，人工智能能够优化企业环保管理，提升绿色生产水平与环保技术创新效率。综上，人工智能可通过资源优化、效率提升、污染管控直接提升绿色经济效率。据此，本文提出研究假设：

假设1：人工智能水平对绿色经济效率具有显著的正向影响。

（二）人工智能通过绿色创新的间接作用

绿色创新是人工智能提升绿色经济效率的关键中介路径。人工智能依托知识溢出、助力绿色技术研发、降低创新成本，加速绿色技术落地应用。借助大数据与智能算法，可缩减研发周期、减少资源浪费、降低创新不确定性，提升绿色技术研发效率与转化水平，倒逼企业开展绿色创新。同时，绿色创新能够改善发展质量、节约资源、削减污染，有效助推绿色经济效率提升。由此可见，绿色创新在人工智能与绿色经济效率间承担中介传导作用。据此本文提出如下假设：

假设2：绿色创新在人工智能对绿色经济效率的影响中发挥中介作用。

（三）人工智能通过产业升级的间接作用

产业升级是人工智能提升绿色经济效率的另一重要中介路径。人工智能推动生产智能化、自动化，优化产业结构，驱动传统高耗能、高污染产业向高端化、低碳化转型。人工智能赋能高端制造业，提升生产与资源利用效率，降低产业资源依赖，弱化高污染行业的负面环境效应。同时，人工智能引导生产要素向绿色、技术密集型领域流动，优化市场供需与产业价值链，推动产业由资源密集型向知识密集型升级。已有研究证实，人工智能可依托产业结构升级、资源效率提升，助力区域低碳与绿色经济转型。由此可知，产业升级是人工智能赋能绿色经济效率的重要传导路径。据此本文提出如下假设：

假设3：产业升级在人工智能对绿色经济效率的影响中发挥中介作用。

三、数据与模型

（一）数据来源与变量选取

本文选取2010—2020年中国城市面板数据为研究样本，数据源自各类官方统计年鉴、中国工业企业数据库、国家知识产权局及国际机器人联合会（IFR），并依托大数据研究平台补充数据，对缺失值进行标准化处理，保障数据精准可靠。

被解释变量为绿色经济效率（GEE），采用CCR-DEA模型测算，纳入劳动力、能源消耗、固定资产投资三类投入指标，以城市GDP为期望产出、工业废水及烟尘排放为非期望产出，多维综合测算城市绿色经济效率。核心解释变量为人工智能水平，以万名工业工人工业机器人保有量衡量，贴合制造业人工智能实际应用水平。

中介变量包含绿色创新与产业升级：其中绿色创新以城市绿色专利申请数量表征，产业升级以第三产业增加值占GDP比重衡量。同时，本文选取人均GDP、金融发展水平、研发投入、人力资本、人口密度及政府自给能力作为控制变量，全面控制外部因素对绿色经济效率的干扰。

变量类型	符号	名称	定义
被解释变量	EFF	绿色经济效率	期望产出选取各城市的GDP，非期望产出包括工业废水排放量、工业烟尘排放量等环境污染指标，而投入指标涵盖劳动力总量、能源消耗以及固定资产投资。
解释变量	robot	人工智能水平	以每万名工业工人拥有的工业机器人数量作为度量指标。
机制变量	IU	产业升级	以第三产业增加值占GDP比重来衡量。
	GI	绿色创新	绿色创新以绿色专利申请数量作为衡量指标。
控制变量	GDP	经济发展水平	以人均GDP表示。
	fin	金融发展水平	以金融机构存贷款余额占GDP比重表示。
	TECH	科学技术水平	以R&D经费占GDP比重表示。
	HC	人力资本	以每万人口中大学毕业生人数的对数值表示。
	PS	人口密度	以城市人口密度的对数值表示。
	FP	政府自给能力	以财政收入占支出的比重表示。

（二）模型构建

为了探究人工智能对绿色经济效率的直接影响，本文首先构建以下基准回归模型：

GEE_it = α + β robot_it + γ X_it + ε_it

其中，GEE_it表示城市i在时间t的绿色经济效率，robot_it为人工智能水平，X_it为控制变量矩阵，包括经济发展水平、金融发展水平、科技水平等，ε_it为随机误差项。

为进一步揭示人工智能通过绿色创新与产业升级的间接作用，本文采用中介效应模型，具体分以下两步进行检验：

第一步，分析人工智能对中介变量（绿色创新与产业升级）的影响：

GI_it = α₁ + β₁ robot_it + γ₁ X_it + ε_1it

IU_it = α₂ + β₂ robot_it + γ₂ X_it + ε_2it

第二步，将中介变量引入绿色经济效率模型，分析其对人工智能影响效应的调整作用：

GEE_it = α + β robot_it + θ₁ GI_it + θ₂ IU_it + γ X_it + ε_it

考虑到不同地区与城市类型中人工智能对绿色经济效率的作用可能存在异质性，本文进一步开展异质性分析。具体而言，按照区域划分为东部、中部和西部地区，按照城市规模划分为大城市与中小城市，分别引入交互项构建以下模型：

GEE_it = α + β robot_it × Region + γ X_it + ε_it

其中，Region为表示区域或城市类型的虚拟变量。通过分析不同区域和城市类型的交互效应，可以揭示人工智能在绿色经济赋能中的差异化表现。

为确保模型结果的稳健性，本文采用以下方法进行检验：第一，更换绿色经济效率的测算方法，采用SBM-DEA模型进行重复估计；第二，引入滞后一期的核心变量（L.robot），以缓解潜在的内生性问题；第三，剔除极端值或异常值以避免少数城市对回归结果产生过度影响。通过这一系列稳健性分析，确保模型估计结果具有足够的解释力和可信性。

四、实证分析

（一）描述性统计

描述性统计显示，样本中绿色经济效率（EFF）均值为0.546，处于中等水平，但较大的标准差表明城市间存在显著异质性：部分城市绿色发展成效显著，而另一些仍处于转型初期，面临效率低下与污染控制不足等问题。人工智能水平（robot）均值为6.731，表明城市具备一定应用基础，但标准差较大也反映出显著的区域差异。东部地区和大城市凭借技术、资本和基础设施优势，人工智能水平较高；中西部与中小城市则因创新能力和资源匮乏相对滞后。绿色经济效率与人工智能水平的区域差异反映了经济发展与资源配置的不均衡特征，这为分析人工智能对绿色经济效率的促进作用提供了依据，也凸显了实施差异化政策的必要性。通过加速人工智能技术的普及，尤其是在低效率地区强化技术支持和资源投入，有助于缩小区域绿色发展差距，全面提升绿色经济效率，支撑经济高质量发展。

variable	N	mean	sd	min	p50	max
EFF	4512	0.546	0.149	0.271	0.526	1.019
robot	4512	6.731	1.855	1.760	6.888	10.34
GDP	4512	10.49	0.711	8.744	10.52	12.01
fin	4512	2.319	1.101	0.881	2.005	6.497
TECH	4512	0.0150	0.0143	0.00122	0.0104	0.0775
HC	4512	4.707	0.986	2.485	4.649	6.911
PS	4512	5.739	0.886	2.944	5.886	7.241
FP	4512	0.465	0.225	0.0899	0.431	1.024

（二）主回归结果

基准回归结果显示，人工智能水平显著正向提升绿色经济效率，系数0.0230且通过1%显著性检验，是绿色经济转型的重要驱动因素。同时，科技水平与政府自给能力同样显著助推绿色经济效率提升，凸显了技术创新与政府治理的重要价值。而经济发展、金融发展、人力资本与人口密度的影响未通过显著性检验，推测其作用较为间接、依赖长期传导。模型拟合度良好，但仍有环境政策、绿色金融等外部因素未纳入，整体证实了人工智能、科技进步及政府治理对绿色经济发展的核心赋能作用。

	EFF
VARIABLES	(1)	(2)	(3)	(4)	(5)	(6)	(7)
robot	0.0209***	0.0229***	0.0229***	0.0226***	0.0226***	0.0223***	0.0230***
	(4.04)	(4.34)	(4.34)	(4.29)	(4.28)	(4.21)	(4.33)
Constant	0.251***	0.0875	0.0797	0.0907	0.103	0.216	0.221
	(5.73)	(0.95)	（0.75）	(0.85)	(0.94)	(0.94)	(0.96)
GDP		0.0153*	0.0160	0.0148	0.0145	0.0145	0.00907
		(2.01)	(1.80)	(1.66)	(1.62)	(1.62)	(0.99)
fin			0.000551	0.00161	0.00153	0.00143	0.00139
			(0.15)	(0.43)	(0.41)	(0.38)	(0.37)
TECH				0.485**	0.483**	0.487**	0.467***
				(2.74)	(2.73)	(2.75)	(2.63)
HC					-0.00187	-0.00181	-0.00205
					(-0.45)	(-0.44)	(-0.50)
PS						-0.0196	-0.0166
						(-0.56)	(-0.4)
FP							0.0521***
							(2.62)
Observations	4,512
R-squared	（见表内）

（三）中介效应分析

回归分析构建了三个模型（m1、m2、m3），探讨人工智能（robot）对绿色经济效率（EFF）的影响及机制。模型1（m1）显示，robot对EFF具有显著正向影响（系数0.0230，1%显著），科技水平（TECH）和政府自给能力（FP）同样显著促进EFF。模型2（m2）中，robot对绿色创新（GI）影响显著为正（系数0.216，1%显著），表明人工智能推动绿色创新。模型3（m3）引入GI作为中介变量后，robot对EFF的系数降至0.00982（10%显著），GI对EFF影响显著为正（系数0.0135，10%显著），表明绿色创新发挥部分中介作用。同时，TECH与FP依然显著促进EFF。综上，人工智能既直接提升绿色经济效率，也通过绿色创新等间接路径增强其影响，凸显了人工智能、科技进步、政府能力与绿色创新在绿色转型中的协同作用。

	(1)	(2)	(3)	(4)	(5)	(6)
	m1	m2	m3	m4	m5	m6
VARIABLES	EFF	GI	EFF	EFF	IU	EFF
Constant	0.221	12.88***	0.158	0.221	2.039***	0.0937
	(0.961)	(11.04)	(0.669)	(0.961)	(3.355)	(0.412)
robot	0.0230***	0.216***	0.00982*	0.0230***	0.104***	0.0165***
	(4.333)	(7.813)	(1.772)	(4.333)	(7.432)	(3.129)
GI			0.0135***
			(4.324)
IU						0.0625***
						(10.85)
GDP	0.00907	-0.455***	0.0156*	0.00907	-0.295***	0.0275***
	(0.987)	(-9.748)	(1.662)	(0.987)	(-12.17)	(2.983)
fin	0.00139	-0.0389**	0.00442	0.00139	0.144***	-0.00761**
	(0.373)	(-2.086)	(1.186)	(0.373)	(14.66)	(-2.022)
TECH	0.467***	-11.26***	0.606***	0.467***	0.0710	0.462***
	(2.629)	(-12.58)	(3.333)	(2.629)	(0.151)	(2.640)
HC	-0.00205	-0.0356*	-0.000871	-0.00205	-0.0309***	-0.000120
	(-0.498)	(-1.708)	(-0.210)	(-0.498)	(-2.844)	(-0.0296)
PS	-0.0166	-0.491***	-0.0159	-0.0166	0.282***	-0.0342
	(-0.474)	(-2.770)	(-0.450)	(-0.474)	(3.048)	(-0.990)
FP	0.0521***	0.0146	0.0448**	0.0521***	0.0331	0.0501**
	(2.623)	(0.145)	(2.242)	(2.623)	(0.631)	(2.554)
Observations	4,512	4,384	4,384	4,512	4,512	4,512
R-squared	0.291	0.884	0.285	0.291	0.419	0.310
Numberofcity	282	278	278	282	282	282

回归分析表明，人工智能水平（robot）对绿色经济效率（EFF）具有显著正向影响。模型4显示，robot系数为0.0230（1%显著），每提升一个单位，EFF平均提高约0.0230。模型5中，robot对产业升级（IU）的影响系数为0.104（1%显著），表明AI显著推动产业升级。模型6引入IU作为中介变量后，robot对EFF的直接系数降至0.0165（10%显著），而IU对EFF的系数为0.0625（1%显著）。这说明AI不仅通过直接路径提升EFF，还通过产业升级的间接路径发挥部分中介效应。总体来看，AI在提升绿色经济效率中发挥关键作用，其机制包括资源优化与技术提升的直接路径，以及推动产业结构优化的间接路径。研究验证了AI在绿色转型中的核心驱动作用，并强调了产业升级作为重要中介路径的关键意义。

（四）异质性分析

回归分析表明，人工智能水平（robot）对绿色经济效率（EFF）的影响存在显著区域异质性。以东部85个城市为样本，robot的回归系数为0.0507（1%显著），每提升一单位AI水平，EFF平均提高约0.0507单位，体现了东部地区在技术与绿色发展方面的优势。以中部79个城市为样本，robot系数为0.00816但不显著，可能受技术资源不足、产业结构传统等制约。以西部及东北116个城市为样本，robot系数为0.0187（5%显著），表明AI对该区域EFF有显著正向影响，虽程度低于东部，但反映出AI在欠发达地区的绿色转型潜力。综上，AI对EFF的影响在东部、西部及东北地区显著，但在中部不显著，反映了区域间技术、资源、产业及政策的不平衡。东部凭借经济与技术基础赋能效应强；西部及东北起步较晚但潜力显现；中部相对滞后，亟需加强技术资源与政策支持。这些发现为制定差异化区域政策提供了理论依据。

	m1	m2	m3	m4	m5
VARIABLES	EFF	EFF	EFF	EFF	EFF
robot	0.0507***	0.00816	0.0187**	0.0668***	-0.00523
	(5.226)	(0.879)	(2.236)	(6.003)	(-0.875)
GDP	0.0486***	0.0169	0.0179	-0.0408**	0.0252**
	(2.644)	(0.939)	(1.202)	(-2.246)	(2.444)
fin	0.0180**	-0.00839	-0.00149	-0.0176***	0.00566
	(2.512)	(-1.166)	(-0.257)	(-2.738)	(1.304)
TECH	0.288	1.036***	1.016**	0.309	0.0485
	(1.003)	(3.681)	(2.259)	(1.062)	(0.221)
HC	-0.00948	-0.00588	0.00413	-0.0207**	0.00527
	(-1.156)	(-0.835)	(0.663)	(-2.043)	(1.079)
PS	-0.0788	0.166***	-0.211***	-0.0778	-0.114***
	(-1.151)	(2.757)	(-3.631)	(-1.173)	(-2.857)
FP	0.211***	-0.0342	0.0722**	0.0968***	0.0455**
	(5.104)	(-1.127)	(2.085)	(2.781)	(1.984)
Constant	-0.0284	-0.761*	1.097***	0.936**	0.824***
	(-0.0567)	(-1.856)	(3.227)	(1.991)	(3.215)
Observations	1,360	1,264	1,856	1,088	3,392
R-squared	0.421	0.271	0.256	0.539	0.239
Numberofcity	85	79	116	68	212

回归分析探讨了人工智能水平（robot）在不同城市类型中对绿色经济效率（EFF）的影响，显示出显著异质性。在大中城市（模型4），robot的回归系数为0.0668（1%显著），每提升一单位AI水平，EFF平均提高约0.0668单位，反映出大中城市凭借完善的技术基础、充足资源与较高管理水平，能够有效发挥AI的绿色赋能作用。相比之下，在中小城市（模型5），robot的回归系数为-0.00523且不显著，表明AI对EFF无显著影响，甚至方向不确定，这主要归因于中小城市在资源投入、技术整合能力及基础设施方面的不足。综上，AI对绿色经济效率的提升作用在大中城市显著积极，而在中小城市缺乏显著影响。这种差异反映了不同城市在技术应用能力与资源配置效率上的差距。大中城市能充分发挥AI潜力，而中小城市亟需更多政策支持与资源投入，以弥补技术与绿色发展能力的短板。研究结果为制定差异化城市政策提供了理论依据与实践指导。

（五）稳健性检验

稳健性检验使用滞后变量、剔除公共卫生事件样本等方法验证，结果显示人工智能对绿色经济效率的正向影响在不同模型中均保持稳健。

	m1	m2	m3
VARIABLES	EFF_SBM	EFF	EFF
robot	0.0236***		0.0217***
	(4.899)		(3.951)
L.robot		0.0186***
		(3.119)
GDP	0.0243***	0.00479	0.0149
	(2.907)	(0.494)	(1.584)
fin	0.00369	3.37e-05	-0.000861
	(1.088)	(0.00875)	(-0.227)
TECH	0.305*	0.223	0.456**
	(1.889)	(1.127)	(2.527)
HC	-0.00350	-0.00146	-0.00185
	(-0.933)	(-0.347)	(-0.462)
PS	-0.0318	-0.0121	-0.0124
	(-0.997)	(-0.319)	(-0.353)
FP	0.0264	0.0470**	0.0556***
	(1.459)	(2.259)	(2.809)
Constant	-0.0328	0.305	0.153
	(-0.156)	(1.228)	(0.665)
Observations	4,512	4,230	4,230
R-squared	0.278	0.210	0.308
Numberofcity	282	282	282

稳健性检验结果一致支持人工智能水平（robot）对绿色经济效率（EFF）的正向影响。模型1采用SBM-DEA合成指标（EFF_SBM）作为被解释变量，robot系数为0.0236（1%显著）。模型2引入robot滞后一期（L.robot）以缓解内生性，L.robot系数为0.0186（1%显著）。模型3剔除2020年样本后，robot系数为0.0217（1%显著）。尽管其他控制变量显著性存在差异，但robot的正向影响在所有稳健性检验中均保持高度显著。综上，无论是更换被解释变量、处理内生性问题，还是调整样本与时间段，研究结论均稳健，进一步巩固了人工智能在推动绿色经济转型中的关键作用。

五、结论与政策建议

本文系统探究了人工智能对绿色经济效率的影响机制。研究发现，人工智能可直接优化资源配置、提升生产效率、降低污染排放，同时通过绿色创新与产业升级的间接路径，助推绿色技术落地、推动高耗能产业低碳转型升级，有效提升绿色经济效率。异质性结果显示，受技术、经济与资源条件影响，人工智能对东部地区、大城市的绿色赋能效果显著优于中西部及中小城市。

基于此，本文提出四点政策建议：一是加大中西部与中小城市资金、人才投入，推广人工智能落地应用，挖掘整体绿色发展潜力；二是加码绿色研发扶持，搭建产学研协同平台，推动人工智能与绿色技术深度融合；三是推进区域联动发展，依托东部技术资源优势辐射带动中西部地区，缩小区域绿色发展差距；四是实施差异化政策，让大城市发挥前沿示范作用，助力中小城市破除资源技术壁垒，释放区域绿色经济发展动能。

参考文献：

1. [1] 许潇丹, 惠宁. 人工智能对工业绿色低碳发展的影响研究[J]. 陕西师范大学学报(哲学社会科学版),2024,53(06):74-86.
2. [2] 朱冠平, 王琨. 人工智能应用与制造业企业绿色创新[J]. 工业技术经济,2024,43(09):73-81.
3. [3] 王晶晶. 中国地级市数字经济发展对碳排放的影响研究[D]. 山东师范大学,2024.
4. [4] 杨超. 中国城市数字经济发展对环境效率的影响研究[D]. 北京科技大学,2024.
5. [5] 鲁娜. 数字化对中国制造企业绿色发展的影响研究[D]. 云南财经大学,2024.
6. [6] 周锐波, 吴云峰, 宋佳晞. 共生共荣工业智能化发展与包容性绿色增长[J]. 中国人口·资源与环境,2024,34(05):162-174.
7. [7] 王昊晖. 数字经济对中国碳排放效率的影响研究[D]. 西南财经大学,2024.
8. [8] 仲崇阳, 张雨朦, 马新啸. 智能制造对中国城市低碳发展的赋能效应——基于工业机器人应用视角[J].资源科学,2024,46(04):728-743.
9. [9] 杨春蕾,佟继英. 工业智能化与全球碳减排[J].经济经纬,2024,41(01):110-119.
10. [10] 陈海东. 数字化转型促进制造业高质量发展的机制与效应研究[D]. 江西财经大学,2023.
11. [11] 方梓旭.产业政策对中国制造业高质量发展的影响研究[D]. 南昌大学,2023.
12. [12] 吕越, 马明会, 陈泳昌, 等. 人工智能赋能绿色发展[J]. 中国人口·资源与环境,2023,33(10):100-111.
13. [13] 黄赜琳, 蒋鹏程. 数字低碳之路：工业机器人与城市工业碳排放[J]. 财经研究,2023,49(10):34-48.
14. [14] 谭玉松, 董直庆. 工业智能化能促进碳排放绩效的提升吗?——基于中国城市层面的经验证据[J]. 商业研究,2023(05):20-28.
15. [15] 周杰琦, 陈达, 夏南新. 人工智能的绿色发展效应：技术赋能和结构优化[J]. 当代经济科学,2023,45(05):30-45.
16. [16] 欧阳婉桦. 创新驱动视角下数字经济对城市绿色发展的影响研究[D]. 江西财经大学,2023.
17. [17] 李凌杰. 数字经济发展对制造业绿色转型的影响研究[D]. 吉林大学,2023.
18. [18] 迟子茗. 工业机器人赋能中国制造业现代产业体系升级实证研究[D]. 辽宁大学,2023.
19. [19] 蔡延泽. 数字经济对制造业高质量发展的影响研究[D]. 石河子大学,2023.
20. [20] 吕康妮. 中国数字经济发展对碳排放效率的影响研究[D]. 中国地质大学,2023.