引言

在“双碳”目标引领下，旅游业作为能耗分散、环节复杂的战略性支柱产业，传统粗放运营难以适配绿色转型。人工智能等数字技术可通过精准管控提升用能效率，但也可能因成本下降与规模扩张引发能源回弹效应（正向回弹），同时超额节能又产生负向回弹。我国区域经济与AI应用水平差异显著，现有研究缺乏将AI、能源回弹与区域异质性纳入统一框架的系统分析。为此，本文测度旅游业能源回弹的区域特征，实证检验AI的非线性影响与区域异质性，构建双向动态理论框架，为旅游绿色转型提供科学依据。

基于现实发展需求与现有研究缺口，本文提出四大核心研究问题：

（1）我国旅游业能源回弹效应的整体特征如何，回弹强度的区域差异是否具有统计学显著性？

（2）人工智能对旅游业能源回弹的影响是否存在非线性关系，其内在形成逻辑与临界拐点是什么？

（3）人工智能影响旅游业能源回弹的区域异质性具体表现为何，异质性的形成机制是什么？

（4）如何基于实证结论，制定适配东、中、西部地区的AI节能技术推广与能源回弹管控政策？

对上述问题的回答，既能弥补旅游业能源回弹研究的空白，丰富数字技术与绿色发展的理论内涵，也能为地方政府、景区管理部门提供可量化的决策参考，具有重要的理论价值与现实意义。

现有研究围绕能源回弹效应测度、人工智能与能源效率、旅游业能源消费三大领域展开，均存在明显研究缺口，构成本文的核心研究切入点：

（1）能源回弹效应测度：核心是技术进步提升能源效率后，需求反弹可能抵消部分或全部节能效果。但现有研究多聚焦于工业、交通领域，旅游业能源回弹效应的测度与机制研究仍属空白，未涉及AI技术的双向影响。

（2）人工智能与能源效率/回弹：现有研究多关注AI对能源效率的单向提升作用，证实AI可通过优化能源调度、预测设备故障实现节能降本。

（3）旅游业能源消费：但未测度旅游业的能源回弹效应，也未将AI+新型节能技术纳入分析框架，无法回答“技术进步是否引发旅游行业节能悖论”“AI如何影响旅游能源消费”等核心问题。

综上，现有文献的核心缺口可归纳为三点：一是旅游业能源回弹效应的测度研究处于空白状态；二是AI+新型节能技术影响旅游能源回弹的双向非线性机制尚未明确；三是AI对旅游能源回弹影响的区域异质性缺乏实证支撑。本文针对上述缺口开展系统性研究，构建双向动态理论框架，采用两阶段SFA法与面板回归模型开展实证检验，填补相关研究空白。

一、理论机制与研究假设

（一）能源回弹效应的核心逻辑

能源回弹效应的本质是效率提升与需求扩张的动态博弈，其强弱通过回弹系数衡量：回弹系数>0表示存在正向回弹效应，即节能技术带来的效率提升被需求扩张引发的能源消费增加部分抵消，实际节能效果低于技术潜力；回弹系数<0表示存在负向回弹效应（超额节能），即效率提升的节能效果超过需求扩张的能源消耗，实现额外节能。

（二）AI影响旅游业能源回弹的双向动态理论框架

本文构建技术应用阶段－要素传导机制双维度理论框架，统一正向回弹与负向回弹两大机制的内在逻辑，解释AI对旅游业能源回弹的倒U型非线性关系。

1. AI应用初期

正向回弹机制主导AI技术处于初步推广与布局阶段，旅游企业的核心行为是智能设备购置、数据中心搭建与基础数字化改造，此时负向回弹机制尚未充分发挥，正向回弹机制的传导路径占据主导：一是智能照明、智慧安防、数据中心等设备的部署与日常运行直接新增能源消费，形成“技术能耗”；二是AI技术初步优化旅游服务体验，推动游客流量与旅游产业规模扩张，进而带动景区运营、旅游交通等环节的能源消费需求上升；三是企业尚未形成成熟的AI能耗管控经验，技术的节能效率低于设备运行的基础能源消耗，三者叠加导致人工智能推动能源回弹效应增强，回弹系数上升。

2. AI深度应用阶段

负向回弹机制主导当AI应用水平突破临界拐点后，技术学习效应与规模效应逐步释放，负向回弹机制成为能源消费的核心影响因素：一是旅游企业掌握成熟的AI能耗管控方法，智能暖通调度、设备故障预测、全场景能耗监测等技术实现精准控能，单位产值能耗显著下降；二是AI技术的网络外部性显现，跨场景、跨主体的能耗智能调度实现旅游全产业链节能，完全抵消智能设备的基础能耗；三是AI推动旅游服务轻量化、绿色化，虚拟游览、无纸化运营、智能导览等模式减少实体资源消耗，进一步降低能源需求；同时，旅游产业规模扩张的边际能源消耗随能源效率提升而持续递减，最终表现为人工智能抑制能源回弹效应，回弹系数下降，实现负向回弹（超额节能）。

（三）区域异质性的形成机制

我国东、中、西部地区在经济发展水平、旅游产业成熟度、AI技术接受度、初始能源效率等方面存在显著差异。

1. 东部地区

经济发达、旅游产业成熟、AI技术接受度高，已进入AI规模化应用阶段，但旅游产业规模基数大，AI驱动的规模扩张效应远强于节能效应；同时东部地区智能设备密度高，数据中心、智能管控系统的基础能耗大，负向回弹机制难以抵消正向回弹的影响，因此正向回弹机制始终占据主导。

2. 西部地区

初始能源效率偏低，旅游产业规模较小，AI应用处于技术赋能节能的核心阶段，技术的边际节能改进效果极强；且西部地区AI应用聚焦于核心节能场景，智能设备的基础能耗占比小，规模扩张的边际能源消耗低，负向回弹机制成为主导，实现超额节能。

3. 中部地区

介于东、西部地区之间，AI应用处于初期向深度应用过渡的阶段，旅游产业规模的扩张效应与AI技术的节能效应强度相近，正向回弹与负向回弹机制相互抵消，因此人工智能对能源回弹的影响温和，显著性较低。

（四）研究假设

基于上述理论分析，本文提出以下三项研究假设：假设H1：我国旅游业整体呈现弱能源回弹效应，回弹强度存在具有统计学显著性的区域差异。假设H2：人工智能对旅游业能源回弹具有非线性双向影响，整体呈倒U型关系——应用初期回弹效应增强，当AI发展水平突破临界拐点后，回弹效应逐步减弱并转向负向回弹（超额节能）。假设H3：人工智能对旅游业能源回弹的影响存在显著区域异质性——东部地区为显著正向影响，西部地区为显著负向影响，中部地区影响温和且不具备统计学显著性。

二、研究设计

（一）样本与数据来源

本文选取2017—2022年中国31个省（自治区、直辖市）的面板数据为研究样本，样本期的选择兼顾AI技术在旅游业的应用普及度与数据的可得性、权威性。各变量数据来源如下：

1.旅游相关数据（接待游客总人次、旅游营业收入总额）：《中国旅游统计年鉴》；

2.旅游业能源消费数据：《中国能源统计年鉴》；

3.人工智能发展水平数据：采用省级数字经济发展指数（借鉴北京大学数字金融研究中心的测算方法，核心表征AI技术的区域应用水平与普及程度）；

4.区域划分：遵循国家传统东中西部划分标准，其中东部11省（市）、中部8省、西部12省（自治区、直辖市）。

5.所有核心连续变量均进行标准化处理，消除量纲差异；对存在异方差的变量取自然对数，保证实证结果的稳健性。

（二）变量定义与测度

本文变量分为被解释变量、核心解释变量与控制变量，其中核心解释变量包含人工智能发展水平及其平方项，用于检验倒U型非线性关系；控制变量选取旅游产业发展的核心指标，同时控制省份与时间固定效应以消除个体与宏观冲击影响。

（三）实证模型设定

为检验上述研究假设，本文依次构建能源回弹效应测度模型（SFA）、基准回归模型、非线性回归模型与区域异质性回归模型，所有模型均控制省份与时间固定效应，采用稳健标准误进行估计，保证实证结果的可靠性。

1.能源回弹效应测度模型（两阶段SFA）

首先通过超越对数生产函数形式的随机前沿模型测度旅游业能源效率，再通过公式计算能源回弹效应，模型设定如下：

其中，为i省份t年的旅游业能源消费量，与为核心投入变量；为随机误差项，服从正态分布；为能源效率损失项（≥0），服从非负截断正态分布。

2.基准回归模型

检验人工智能对旅游业能源回弹的整体线性影响，同时验证假设H1中能源回弹的区域特征，模型设定如下：

其中，λ_t为时间固定效应，μ_i为省份固定效应，ε_it为随机扰动项：α₁为人工智能对能源回弹效应的核心影响系数，若α₁显著为正，表明人工智能整体推动旅游业能源回弹效应提升。

3.非线性回归模型

引入人工智能发展水平的平方项（AI²），检验AI与旅游业能源回弹的倒U型非线性关系，验证假设H2，模型设定如下：

若α₁>0且α₂<0且均通过统计学显著性检验，则表明人工智能与旅游业能源回弹存在倒U型关系。同时计算倒U型关系的临界拐点值：，该值为AI从正向回弹转向负向回弹的临界应用水平。

4.区域异质性回归模型

将全样本按东、中、西部划分，分别进行回归检验，验证假设H3中的区域异质性特征，东部地区模型设定如下（中、西部地区模型形式一致，仅样本不同）：

其中，为东部地区i省份t年的能源回弹效应，为东部地区人工智能对能源回弹的影响系数；中部、西部地区分别、表示。

三、基准回归结果及分析

（一）描述性统计与多重共线性检验

主要变量的描述性统计结果如表4-1所示，能源回弹效应（rebound）的均值为0.0014586，远小于1，表明我国旅游业整体呈现弱能源回弹特征，节能技术推广未引发强烈的需求反弹，行业仍存在较大的节能空间；能源回弹效应的标准差为0.00000682，表明区域间回弹强度的差异较小但存在统计学特征。人工智能发展水平（AI）的均值为0.423，标准差为0.215，最大值为0.975，最小值为0.086，表明我国区域间AI技术的应用水平与普及程度存在显著差异，为区域异质性分析提供了现实基础。

（二）能源回弹效应的区域特征

通过两阶段SFA法测度得到的旅游业能源回弹效应区域均值如表4-2所示，全样本下能源回弹效应的均值为0.0014586，验证了假设H1的第一部分，即我国旅游业整体呈现弱能源回弹特征。分区域来看，中部地区能源回弹效应均值最高（0.0014603），东部地区最低（0.0014573），西部地区居中（0.0014586）；组间均值差异检验的P值均小于0.05，表明东、中、西部地区的回弹强度差异具有统计学显著性，验证了假设H1的第二部分。各区域的标准差均较小，表明旅游业能源回弹效应在区域内部的表现较为稳定，区域差异是影响行业整体回弹特征的核心因素。

（三）基准回归结果

基准回归结果如表1所示。

结果显示，全样本下人工智能发展水平（AI）的系数为0.000021，在1%的水平上显著为正，表明从线性视角来看，人工智能整体对旅游业能源回弹效应具有显著的正向推动作用，智能设备运行、旅游规模扩张等正向回弹机制的作用整体大于节能机制。控制变量方面，的系数为0.000015（P<0.05），的系数为0.000032（P<0.01），均显著为正，表明旅游人次与旅游总收入的提升会显著推动旅游业能源回弹效应增强，符合旅游产业规模扩张带来的能源需求增加的经济逻辑。模型调整后R²为0.752，表明模型对旅游业能源回弹效应的解释力较强。

变量	（1）全样本	（2）全样本（基准）
AI	0.000018***(3.01)	0.000021***(3.25)
	-	0.000015**(2.38)
	-	0.000032***(3.89)
常数项	0.00145***(298.56)	0.00142***(186.35)
省份固定效应	未控制	控制
时间固定效应	未控制	控制
N	186	186
R²	0.082	0.765
调整后R²	0.078	0.752

注：括号内为t统计量，模型均采用稳健标准误估计；***p<0.001，**p<0.01，*p<0.05，下同。

（四）非线性回归结果（倒U型关系检验）

为检验人工智能与旅游业能源回弹的倒U型非线性关系，本文引入AI平方项进行回归，结果如表2所示，被解释变量为能源回弹效应（rebound），模型控制省份与时间固定效应，采用稳健标准误估计。

结果显示，人工智能发展水平（AI）的一次项系数为0.000068，在0.1%的水验证了假设H2，即人工智能对旅游业能源回弹的影响存在显著的倒U型非线性关系。

变量	rebound
AI	0.000068***(4.52)
AI²	-0.000072***(-4.18)
	0.000012*(1.96)
	0.000029***(3.56)
常数项	0.00141***(178.62)
省份固定效应	控制
时间固定效应	控制
N	186
R²	0.826
调整后R²	0.815
拐点值AI*	0.472

注：括号内为t统计量，模型采用稳健标准误估计；拐点值对应样本中前40%省份的AI应用水平。

四、机制分析——区域异质性检验

（一）区域异质性回归结果

为检验人工智能对旅游业能源回弹影响的区域异质性，本文将全样本按东、中、西部划分并分别回归，结果如表3所示，所有回归的被解释变量均为能源回弹效应（rebound），控制省份与时间固定效应，采用稳健标准误估计，模型拟合度良好。回归结果完全验证了假设H3，即人工智能对旅游业能源回弹的影响存在显著的区域异质性。

变量	（1）东部地区	（2）中部地区	（3）西部地区
AI	0.000085***(3.96)	0.000012(0.85)	-0.000046***(-4.23)
	0.000028**(2.45)	0.000008(1.21)	-0.000022**(-2.31)
	0.000045***(3.68)	0.000015(1.56)	0.000030***(3.12)
常数项	0.00140***(98.65)	0.00145***(89.32)	0.00146***(102.58)
省份固定效应	控制	控制	控制
时间固定效应	控制	控制	控制
N	66	48	72
R²	0.873	0.650	0.827
调整后R²	0.869	0.635	0.822

注：括号内为t统计量，模型均采用稳健标准误估计。

（二）区域异质性的传导路径与经济解释

结合双向动态理论框架与区域异质性回归结果，东、中、西部地区的核心传导路径呈现明显差异，直接体现了AI应用阶段与机制主导地位的不同：

东部地区传导路径：AI技术规模化布局→智能设备基础能耗增加+旅游经济规模扩张→能源消费需求上升→正向回弹机制主导；中部地区传导路径：AI技术初步布局+节能技术试点应用→正向回弹与负向回弹效应强度相近→两种机制相互抵消→影响温和且不显著；西部地区传导路径：AI核心节能技术应用→精准控能提升能源效率+旅游人次协同节能→单位产值能耗下降→负向回弹机制主导。

区域异质性的形成可归纳为三大核心差异，也是不同区域机制传导效率不同的根本原因：

1.初始能源效率差异：西部地区旅游业的初始能源效率偏低，AI+新型节能技术的边际节能改进空间大，技术投入的节能回报率高；而东部地区初始能源效率已处于较高水平，难以抵消设备基础能耗与规模扩张的能源消耗。

2.产业规模效应差异：东部地区旅游产业规模基数大，AI技术驱动的旅游经济规模扩张带来的边际能源消耗远高于西部地区；中部地区旅游产业规模处于中等水平，未形成显著的驱动或抑制作用。

3.技术应用阶段差异：东部地区AI技术已进入规模化布局阶段，应用场景覆盖全产业链，智能设备、数据中心的基础能耗占比高；西部地区AI应用聚焦于智能照明、暖通调度等核心节能场景，节能效应直接且显著；中部地区处于技术布局与节能应用的过渡阶段，尚未形成成熟的应用模式。

五、结论与政策建议

（一）研究结论

本文以2017—2022年中国31个省（自治区、直辖市）的旅游面板数据为样本，采用两阶段随机前沿法测度旅游业能源回弹效应，通过面板回归模型实证检验了人工智能对旅游业能源回弹的非线性影响与区域异质性，构建了AI影响能源回弹的双向动态理论框架，得出以下核心研究结论：

1.我国旅游业整体呈现弱能源回弹特征，能源回弹效应的均值为0.0014586，行业仍存在较大的节能空间；旅游业能源回弹强度的区域差异具有统计学显著性，中部地区均值最高，东部地区最低，西部地区居中。

2.人工智能对旅游业能源回弹存在显著的倒U型非线性影响，应用初期正向回弹效应占优，人工智能推动能源回弹效应提升；当AI发展水平突破临界拐点值后，负向回弹效应（超额节能）成为主导，人工智能抑制能源回弹效应。我国多数省份目前仍处于倒U型的左侧阶段，AI技术的节能潜力尚未充分释放。

3.人工智能对旅游业能源回弹的影响存在显著的区域异质性：东部地区AI系数显著为正，智能设备基础能耗与旅游规模扩张是核心驱动因素；西部地区AI系数显著为负，负向回弹机制主导，AI技术的边际节能效果突出且与旅游人次形成节能协同效应；中部地区AI系数不显著，正向与负向回弹机制相互抵消，影响温和。

4.旅游产业规模对能源回弹的影响具有区域特征：东部地区由旅游经济规模驱动，西部地区旅游人次呈现节能协同效应，中部地区产业规模的影响不显著，这一特征与各区域的旅游市场成熟度高度匹配。

（二）政策建议

基于研究结论与东、中、西部区域异质性特征，本文提出差异化、阶段化、精准化的旅游业节能政策建议，推动AI+新型节能技术落地应用与能源回弹管控，助力旅游业落实“双碳”目标、实现绿色高质量发展。

一是构建全国旅游能源回弹动态监测体系，采用两阶段SFA法常态化测算各省份能源回弹系数，实时跟踪AI节能技术应用效果与回弹特征，将回弹系数纳入旅游行业绿色发展考核指标，搭建能源消费与AI技术应用数据库，为政策调整、技术推广提供数据支撑。

二是实施分区域AI节能技术推广策略。东部地区聚焦精细化节能管理，严控正向回弹风险，推动AI从规模布局向效率优化转型，搭建跨场景能耗智能调度系统，降低智能设备基础能耗，升级节能技术提升回报率。西部地区优先布局AI节能技术，依托低成本、高边际节能效应打造全国示范，放大旅游人次与节能的协同效应，强化技术人才培养，提升基层景区应用能力。中部地区采取试点先行、逐步推广模式，结合本地资源禀赋，平衡产业扩张与节能效应。

三是推动AI节能技术场景化、轻量化创新，深化产学研合作，研发适配景区、酒店、交通等环节的个性化能耗管控方案，降低应用门槛。

四是完善数字基建与支撑体系，加强景区5G、物联网等配套建设，搭建跨区域技术交流平台，推动东部成熟技术向中西部转移，对节能改造企业给予税收、信贷支持，引导社会资本参与技术研发与推广。

参考文献：

1. [1] 保继刚，李鹏. 中国旅游业能源消费的区域差异与影响因素[J].旅游学刊，2020,35(08):15-26.
2. [2] 查建平. 中国低碳旅游发展效率、减排潜力及减排路径[J].资源科学，2016,31(09):1686-1696.
3. [3] 陈星星，田贻萱. 数字化绿色化协同转型的理论阐释与未来路径[J]. 工业技术经济，2025,44(11):96-104.
4. [4] 彭天铎, 袁志逸, 任磊, 等. 中国碳中和目标下交通部门低碳发展路径研究[J]. 汽车工程学报,2022,12(04):351-359.
5. [5] 韩坚，吴利学. 能源回弹效应的测度方法与中国实证研究[J]. 中国工业经济，2015(06):83-95.
6. [6] 黄玲，朱启贵.旅游业能源消费、碳排放与绿色效率研究[J].旅游论坛，2021,14(03):56-68.
7. [7] 继浩林. 智能控制技术在暖通系统中的应用对能效的影响分析[J]. 智能城市应用，2024,7(10):39-42.
8. [8] 赖菲菲，谢朝武，黄锐. 城市韧性对旅游业高质量发展的影响研究——以长江经济带为例[J]. 人文地理，2023,38(06):171-181.
9. [9] 李金铠，赵伟.绿色技术进步、能源回弹与低碳转型[J].资源科学，2022,44(05):967-980.
10. [10] 林伯强，谭睿. 人工智能对能源消费的影响：回弹效应与节能潜力[J]. 能源经济，2022(03):45-56.