← 返回 PaperDaily 前沿研究

电费涨了别急着甩锅数据中心？美国最新研究：数据中心反而是“电费刺客终结者”

大家都在吐槽“AI吃电”，数据中心建哪儿电费涨哪儿。然而，这篇基于全美10年实证数据的因果推断研究却给出了完全相反的结论——数据中心扩张，实际上是居民电费的“减压器”。研究不仅用上了1947年的超级脑洞作为工具变量，还从经济学和电力系统原理上揭示了为什么“需求增长”≠“价格上升”。一篇让你重新理解电力市场和AI基础设施关系的重磅研究。

龙哥读论文发布于 2026-08-16 00:20:06 阅读 3 查看原文

#AI应用 #预测模型

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
大家都在吐槽“AI吃电”，数据中心建哪儿电费涨哪儿。然而，这篇基于全美10年实证数据的因果推断研究却给出了完全相反的结论——数据中心扩张，实际上是居民电费的“减压器”。研究不仅用上了1947年的超级脑洞作为工具变量，还从经济学和电力系统原理上揭示了为什么“需求增长”≠“价格上升”。一篇让你重新理解电力市场和AI基础设施关系的重磅研究。

原论文信息如下：

论文标题:
Have Data Centers Raised Your Electric Bill? Causal Evidence from the United States

发表日期: 2026年06月

发表单位: Electric Power Research Institute (EPRI), Resources for the Future (RFF)

原文链接: https://arxiv.org/pdf/2606.19777v1.pdf

数据中心真的推高了你的电费吗？

各位龙猫们，大家好！龙哥又来给大家整点硬核又好玩的东西了。最近是不是感觉电费账单越来越“烫手”？是不是下意识地就把锅甩给了那些“吃电巨兽”——数据中心？毕竟，AI大模型火得发紫，训练一个模型据说能抵得上几百个家庭一年的用电量。OpenAI、Google、Meta这些巨头，一个个都在疯狂建数据中心，仿佛电不要钱一样。于是，各种“AI吃电，电价暴涨”的言论满天飞，搞得人心惶惶。州立法机构甚至开始禁止新建数据中心，民众也是各种抵制。

但，龙哥要说一个可能让你大跌眼镜的事实：把数据中心当成电费上涨的元凶，很可能是找错了对象！

今天，龙哥带大家解读一篇来自Electric Power Research Institute (EPRI) 和 Resources for the Future (RFF) 的硬核论文——《Have Data Centers Raised Your Electric Bill? Causal Evidence from the United States》。这篇论文发表于2026年6月，作者包括Asa Watten, John Bistline和Geoffrey Blanford。他们用了非常巧妙的方法，对2015-2024年全美数据中心的扩张与电价变化进行了严格的因果推断，结果发现了一个反常识的结论：数据中心的增长，非但没有推高电价，反而让居民平均电价温和下降了！是不是很意外？别急，龙哥这就带你一层层扒开这背后的逻辑。

图2：平均电价变化与数据中心容量变化关系图。可以看到，数据中心扩张最猛的州（如弗吉尼亚），电价涨幅并没有更高。

最直观的证据：数据中心多的州，电价并没怎么涨

首先，咱们来看最直接的证据。论文里提到了一个图（就是上面的图2），把各个州2015到2024年间的数据中心容量增长和居民电价变化画在了同一个坐标系里。

结果非常有意思：那些数据中心疯狂扩张的州，比如弗吉尼亚州（数据中心容量占全美超20%），电价的涨幅反而接近平均水平，甚至更低。而电价涨幅最高的加利福尼亚州，数据中心增长量却很低。这就怪了，数据中心的“大本营”电价没怎么涨，反倒是没怎么建数据中心的地方电价涨得厉害。这是不是说明，数据中心多了，反而对电价有“稳定”作用呢？

当然，做科研不能只看相关性，还要讲因果关系。可能存在一种情况：数据中心之所以选择去某个州，是因为那个州未来电价预期会比较低。如果是这样，那并不是数据中心压低了电价，而是因为它“聪明”地选择了电费便宜的地方。这就是所谓的“选择偏差”（selection bias）。要解决这个问题，就得拿出“因果推断”的利器——工具变量法。

因果识别：利用1947年的高速公路计划作为工具变量

为了搞清楚数据中心和电价的因果关系，作者们想出了一个脑洞大开的办法：用1947年艾森豪威尔州际高速公路计划的路线总长度，作为工具变量。

等等，这听起来有点扯吧？1947年的修路计划，跟2015年后的数据中心有什么关系？别急，文章解释得非常清楚：

1. 相关性（Relevance）： 大家都知道，现在的光纤通信网络，基本是沿着高速公路铺设的。数据中心作为对网络延迟要求极高的设施，自然倾向于建在光纤网络密集的地方。因此，高速公路规划长度越长的州，其后续光纤基础设施越发达，也就越吸引数据中心落户。图3清晰地展示了数据中心（圆圈）和1947年高速公路规划（灰色实线）之间很强的空间重合度。

2. 外生性（Exogeneity/排他性）： 1947年的高速公路计划，其目的主要是国防和连接各大城市，与2015年之后的电价波动没有任何直接关系。而且，在回归模型中，研究者控制了人口和GDP。这样一来，高速公路的长度就不会通过影响人口经济这些“歧途”去影响电价，它唯一的路径就是通过吸引数据中心。

图3：1947年州际高速公路规划图（灰线）与2015-2024年数据中心（圆圈）的叠加，清晰展示了相关性。

这个想法太妙了，感觉就像是穿越时空，把70多年前的一个“自然实验”拿来当今天的“因果测量仪”。具体怎么用呢？论文用了一个叫两阶段最小二乘法（2SLS）的统计方法。简单来说，第一阶段，用高速公路这个工具变量去“预测”哪个州会建更多数据中心；第二阶段，再用这个“被预测的数据中心容量”去解释电价的变化，从而剔除了数据中心自己“挑地方”带来的干扰。

论文的核心回归方程如下：

居民电费（对数） = β₁ × 居民用电量（对数） + β₂ × 数据中心容量（逆双曲正弦变换）+ 其他控制变量 + 年份固定效应δₛ + 州/区域固定效应δₛ + 误差项。
这里的β₂就是核心的“因果效应系数”，它衡量的就是数据中心容量每增加1%，居民平均电价会变动多少。

结果如何？见表2。

表2：数据中心对居民平均电价影响的回归结果。IV方法显示，系数为负且显著

从统计结果看，在OLS（普通最小二乘法）下，系数已经是负的了，说明即便不做因果性调整，数据中心的增加也跟电价下降相关。而一旦使用IV（工具变量法）剔除选择偏差后，这个负效应更加明显：数据中心容量每翻一倍，居民电价平均下降约3.5%。
这就好比，一个普通家庭，如果住在数据中心狂建的弗吉尼亚，那几年下来，电费可能比不建数据中心的情况下少付6%。这可不是小数目！

机制探讨：为什么需求增长反而能压低电价？

这就触及到核心了。在一般商品市场，需求增加，价格应该上涨，这是供需定律。但在电力市场，情况特殊。电价的构成，远比“发一度电就收一度电的钱”要复杂得多。

你的电费账单，主要包含两大部分：

1. 固定成本分摊： 发电厂、输电塔、变电站、电线杆……这些“大件”的建设成本是固定的，跟今天用多少电关系不大。这部分成本需要摊销到每度电里。用的人越多，每度电分摊的固定成本就越少。

2. 边际成本： 这就是传统意义上的“发一度电成本”。比如，优先使用便宜的水电、核电，不够了再用燃气、燃煤发电。需求越高，就要启用来越贵的机组，边际成本确实是上升的。

论文揭示了一个关键因素：由数据中心带来的、持续的、大规模的新增负荷，会触发一个更长期的“投资效应”。 也就是，电力公司预期未来的需求将永久性增加，就会大规模投资建设新的发电厂和电网设施，这会把整个系统的“供给能力”大大增加。

而近二十年来，新增的发电设施主要是成本低廉的太阳能和风能。这些新能源的单位发电成本（平准化度电成本，LCOE）已经远低于传统的火电。当这些便宜的新设施大规模接入电网后，整个系统的平均发电成本反而会下降。这就是“规模经济”（Economies of Scale）的威力。论文里也提供了扎实的实证，如图1所示。

图1：各成本类型与需求的关系。所有系数均小于1，证明发电和输配电成本都存在规模经济效应。

图中展示了四个关键成本类别的回归结果：发电资本支出、发电运营支出、输配电资本支出、输配电运营支出。所有估计的弹性系数都显著小于1，这意味着，随着用电量增加，每一项成本的增长都慢于用电量的增长，最终结果是每度电的平均成本下降。

此外，论文还验证了，这种规模经济效应是“跨用户类别”的。也就是说，就算数据中心（属于工业/商业用户）的用电量增加了，它带来的固定成本分摊效果，一样会让居民用户跟着受益。论文中的表1就显示了，商业和工业用户的用电增长，与居民的电价是负相关的。

表1：跨用户类别价格与需求的相关系数。C&I（商业&工业）用电增长与居民电费负相关，说明不存在普遍存在的交叉补贴行为。

稳健性分析与未来风险：成本下降并非必然

当然，好的研究不会只讲一面之词。作者也做了非常详尽的稳健性检验，比如更换为“一阶差分”模型，以及检验周边州的外溢效应。结果都挺稳的，比如表C3的检验。

表C3：各种稳健性检验结果，核心结论依然不变。

但是，论文最精彩的部分来了——作者并没有下“100%好评”的结论，而是非常严谨地指出了：这种“需求增长→电价下降”的模式是不可持续的未来，它需要一个关键前提：供给端的限制不能太紧。

在过去十年，这个前提基本成立。电网有大量闲置的或者可以用更低成本扩充的容量。但展望未来，如果数据中心的增长过于疯狂，超过了电网扩容的能力，或者新增的清洁能源和电网建设因为地缘政治、材料成本、审批流程等原因受到阻碍，那么结果就会反转。当一个地区的电网已经满负荷运转，新增任何负荷都需要新盖昂贵的变电站甚至新建电厂，这时需求的增长就会直接推高边际成本和平均成本。这个过程，论文形容为“由需求驱动的成本下降，可能会被供给约束的限制所逆转”，这一点非常适用于当前对AI带来用电量指数级增长的预期。

研究总结与启示

最后，我们总结一下这篇论文的发现与启示。

1. 反常识是真的： 在2015-2024年的美国，数据中心的快速增长，通过规模经济效应，确实让居民的平均电价下降了约6%。

2. 工具变量法是亮点： 用70年前的高速公路计划作为工具变量，干净地剔除了内生性问题，这个研究设计堪称经典。

3. 未来并非坦途： 这一有利结果基于“供给端放松”的前提。随着AI算力需求爆发式增长，如果电网扩容跟不上、新能源建设受阻，电价压力可能随时来临。政策制定者需要关注如何降低电网投资的门槛，而不是盲目禁止数据中心。

读完这篇论文，龙哥最大的感受是，很多想当然的“政治正确”结论，在严谨的因果推断面前，可能不堪一击。 抵制数据中心建设，可能真是在“因小失大”。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

1. 什么是工具变量 (IV) ？可以简单举个例子吗？工具变量是一种在经济学和其他社会科学中用来推断因果关系的方法。它就像一台“清理机器”，可以剔除混杂因素。举个例子，我们想知道“雇家教”能否提高“考试成绩”。但好学生可能更倾向于请家教，这会导致我们看到“请家教”和“考试成绩好”之间有正相关，但它不一定是请家教带来的效果。这时候就可以找一个工具变量。比如，家里离补习班的“距离”。这个距离会影响学生请不请家教（相关性），但距离本身跟学生的聪明程度无关（排他性）。如果发现住得离补习班近的学生成绩更好，那就更有把握说是“家教”这个行为带来的效果，而不是学生本身的聪明。在这篇论文里，1947年的高速公路计划就是“距离”，数据中心的增建就是“家教”，电价变化就是“考试成绩”。

2. 那“逆双曲正弦” 这个函数是干嘛的？直接用对数不好吗？好问题！作者解释了原因。通常我们用对数来处理非负数据并解释为弹性（百分比变化）。但我们的数据里有0（有些年某些州没有新增数据中心），真数不能为0。逆双曲正弦函数（sinh⁻¹(x)）在x=0时值为0，而且当x较大时，它的性质与对数几乎一样，所以可以近似地当作对数来处理，同时允许有0值。

3. 这个结论在美国适用，对中国有用吗？这是个非常好的延伸问题。这篇论文的核心机制是“规模经济”，这在成熟的、市场化程度较高的美国电力市场（尤其是由大型投资者所有的公用事业公司，IOU）得到了验证。中国的电力体制是“统一调度、分区平衡”，电价由发改委核定，机制不同。不过，其背后的经济学逻辑是共通的——大规模、高效的清洁能源并网，以及电网的扩容，都会带来成本的摊薄。在中国，“东数西算”就是利用中西部便宜的电和土地来发展数据中心，这一点与论文里的逻辑不谋而合。但是，由于中国居民、工业、商业电价的交叉补贴非常严重，其实际效果会更加复杂，不能简单套用。这篇论文很好的地方在于，它把结论限定在“美国案例”，为我们提供了一个非常好的分析框架，而不是一个放之四海而皆准的简单结论。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

用历史高速公路规划作为工具变量来研究现代电价问题，这个切入点在应用微观经济学领域既巧妙又新颖，值得四星。没给五星是因为这个方法论本身并非其原创，而是借用了IV方法。

实验合理度：★★★★★

论文用工具变量的思路非常严谨，使用了弱工具变量稳健的Anderson-Rubin检验，做了大量的稳健性检验和外溢效应分析，结论十分扎实可信。这是传统的OLS模型完全无法比拟的。

学术研究价值：★★★★★

这篇论文不仅对本学科（能源经济学）有重大贡献，对公共政策、城市规划以及AI基础设施的反对者都有极强的启发意义。打开了一个很新的思路：什么样的负荷增长是有利于降低全社会成本的？

稳定性：★★★☆☆

结论对于过去10年的数据很稳健，但对未来的预测并不稳定。作者自己都指出了，模型依赖于供给端响应速度。一旦未来供给约束变紧，结论就会逆转。

适应性以及泛化能力：★★★★☆

论文严格限定在美国市场，但其揭示的经济学机制（规模经济在电力系统中的重要性）具有普适性，容易推广到其他发达市场。但发展中国家电力市场垄断和补贴严重，不能直接套用，给四星。

硬件需求及成本：★★★★★

本文属于计量经济学研究，没有提出新算法或者硬件架构，计算量极小，在普通笔记本电脑上就能完成复现。给五星。

复现难度：★★★☆☆

论文数据来自FERC Form 1, EIA 861这些公开数据库，但数据整理工作（尤其是去重和清洗）工作量很大，需要耗费时间。代码未开源，需要自己复现。给三星。

产品化成熟度：★★★★☆

这篇论文的研究成果可以直接为美国联邦能源监管委员会（FERC）、州立法机构、甚至科技公司提供政策制定和投资决策依据，有很强的产品化和应用潜质。扣一星是因为其预测的时效性有限。

可能的问题：论文选择的是一个“集聚型”工具变量，该变量只能从“州”层面使用，损失了城市级别和电力公司级别的异质性。另外，虽然讨论了供给约束，但并未提供精确的拐点测算，导致其政策建议稍显模糊。

主要参考文献

[1] Watten, A., Bistline, J., & Blanford, G. (2026). Have Data Centers Raised Your Electric Bill? Causal Evidence from the United States. arXiv preprint arXiv:2606.19777.

[2] Anderson, T. W., & Rubin, H. (1949). Estimation of the parameters of a single equation in a complete system of stochastic equations. The Annals of Mathematical Statistics, 20(1), 46-63.

[3] Christensen, L. R., & Greene, W. H. (1976). Economies of scale in US electric power generation. Journal of Political Economy, 84(4, Part 1), 655-676.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper