穆迪：人工智能将提升基建行业效率，信用利好逐步释放
本文来自“穆迪评级”，原标题《中国基础设施与项目融资 | 人工智能将提升基建行业效率，信用利好逐步释放》。
概要
中国(A1/稳定)的人工智能(AI)战略正在加快推动基础设施领域投资，并扩大AI在相关行业的应用。基建企业正以投资者、开发者和AI技术使用者等多重身份日益深入地参与中国AI生态系统，城投公司也通过项目建设、产业投资和运营部署支持生态系统发展。这些变化有望提升相关行业的运营效率，并进一步强化行业发展与国家政策目标之间的一致性。AI带来的信用利好预计将逐步显现，但不同行业和发行人的受益程度不一，具体取决于项目经济性、执行能力、监管框架和政府支持。
政策举措正在加速AI与基建领域融合。“数字中国”、“人工智能+”和“六张网”等国家层面的举措正推动数字基础设施、算力及AI赋能系统投资，并促进AI在各基建领域的广泛应用。中国庞大的基础设施网络和复杂的运营环境也提供了丰富的AI应用场景，有利于其在各基建领域加快落地。
AI正逐步融入基础设施领域的核心运营系统。相关运营效益转化为财务和信用利好的程度因行业而异。尽管AI目前尚未全面普及至所有基建领域，但其在电网、发电、港口、机场和收费公路领域的应用已经改善了预测、调度、维护和资产利用，并产生了可量化的运营效益。但这些运营改善转化为信用利好可能尚需时日。
城投公司通过基础设施建设、产业投资和运营布局来支持AI生态系统的发展。随着债务置换计划推进、城投公司对房地产相关增长的依赖逐步降低，其在AI相关领域的参与度上升，这反映城投职能正整体转向支持和培育新的经济增长动能。增加AI相关投资有望推动城投业务转型，并增强长期可持续发展能力。相关投资能否形成信用利好，将取决于投资项目的商业化变现能力、需求的可持续性以及政府支持力度。
执行、治理和财务风险可能削弱参与AI领域带来的利好。尽管政策支持力度较强，AI相关投资仍面临项目执行、利用率、商业化变现和治理等方面的风险。此外，大规模的前期投资、较长的投资回收期、不断变化的算力市场、网络安全合规要求以及快速的技术迭代，都可能对投资回报形成制约，并限制短期信用利好。
政策举措正在加速AI与基建领域融合
“数字中国”、“人工智能+”和“六张网”等国家层面的政策举措，正推动AI加快融入中国各基础设施领域(图表1)。这些举措支持传统基建业开展数字化升级，从而提高生产率和运营效率，并增强系统韧性。
2023年2月发布的“数字中国”战略构建了中国数字化转型的总体框架，以数字基建和数据资源体系作为基础支柱，并通过加强算力建设支持经济现代化。
2025年推出的“人工智能+”行动致力于通过大模型、智能体及行业专用应用的部署，推动AI加快融入实体经济。此后出台的“人工智能+能源”“AI+交通运输”等行业专项政策，进一步将AI应用拓展至基建领域，具体包括：在电网中应用AI进行预测、智能调度及预测性维护;在发电行业开展可再生能源发电量预测、储能优化及智能能源管理;在港口实施自动化码头作业及智能物流协同;以及在交通运输网络中开展交通流量预测、智慧化运营与预测性维护。
近期，中国持续推进“六张网”建设，着力构建由水网、新型电网、算力网、新一代通信网、物流网和地下管网组成的国家基础设施框架。2026年4月召开的中央政治局会议对“六张网”建设予以重点强调，此后国务院进一步将其纳入具体实施部署。该项举措旨在强化基础设施网络之间的互联互通，增强基础设施系统韧性，提高资源配置效率，并加快推动全国基础设施体系向数字化、智能化和绿色化方向转型。
“六张网”建设框架有望在“十五五”规划期间形成人民币数十万亿元的基础设施投资需求。国家发展和改革委员会表示，2026年“六张网”及相关基础设施项目的投资规模将超过人民币7万亿元。通过推动实体基础设施与数字基础设施一体化发展，该框架为AI在基础设施行业的扩大部署提供基础条件，并支持电力、交通运输、物流和城市公用事业网络建设智能化、互联化系统。这将有助于基础设施运营商提高运营效率、优化资源配置并增强运营韧性。上述政策框架正在促进更多资本和资源向数字基础设施、数据平台以及AI赋能的运营系统集聚。
中国基础设施行业具备应用AI的结构性优势
中国公用事业和交通运输行业具备较为有利的AI应用条件，主要得益于其覆盖广泛且相对较新的资产网络、日常运营中产生的海量数据，以及对持续预测、调度和维护活动的高度依赖。中国电力、交通运输和物流基础设施体系的规模位居世界前列，为AI技术在不同细分领域的部署提供了广阔空间(图表2)。例如，中国约占全球发电量的三分之一，建有全球规模最大的特高压输电网络，光伏和风电装机容量合计接近全球总量的一半，并拥有全球规模最大的高速铁路和高速公路网络。这些基础设施系统规模巨大、运行复杂，能够产生海量运营数据，并为多样化的AI应用提供基础。在电力领域，应用场景包括需求预测、发电量预测、电网调度和资产管理;在交通运输基础设施领域，则包括交通流量预测、自主运营、物流优化以及预测性维护。此外，由于中国基础设施资产整体相对较新，其对数字化系统整合的适应能力相对较强，也更有利于引入AI技术并发挥其赋能作用。
AI正逐步融入基建领域的核心运营系统
现阶段，大多数基建领域的资本支出仍主要投向核心实体基础设施的扩建和现有网络的升级，以满足整体需求增长及经济转型的需要，其中包括AI和数字基础设施发展所产生的新增需求。因此，短期内AI相关投资预计不会对企业杠杆率或其他主要信用指标产生重大影响。
随着中国数字化建设持续推进，AI正日益融入基建领域的核心运营系统中，主要用于提高运营效率和可靠性、强化安全保障以及改善资产利用率，而非作为独立的技术项目推进。在港口、机场、收费公路和电力等行业，智能技术正被更广泛地融入日常经营活动。不过，AI应用所带来的成本节约通常会逐步释放，而由此产生的效率改善也很少被企业具体量化为货币收益。就各个行业而言，运营层面的改善通常会先于信用利好显现。最终的信用增益将取决于技术和系统能否得到成功实施、实际利用率能否达到预期、监管机构如何处理相关投入和收益，以及企业是否有能力将效率提升转化为可持续的经济回报。
因此，上述利好对不同基建领域信用质量的实际影响将存在差异。
港口更有可能直接获得AI应用带来的财务效益，原因是运营改善能够更为直接地转化成收入增长和成本节约。AI应用可提高货物吞吐量，提升泊位和堆场的使用效率，缩短船舶在港周转时间，并通过优化设备调度和自动化运营降低劳动力需求。上述效益不仅能够提高港口的运营效率和资产生产率，也有助于港口运营商承接持续增长的货运量，而无需按比例增加劳动力或资本成本。
机场同样具备通过应用AI享受财务效益的优势，主要体现为运营效率提升、资产利用率提高及日常运营成本下降。这些改善有望随时间推移增强机场的盈利能力和现金流创造能力。但机场收入仍较为依赖旅客需求、航空公司的运力投放及整体经济环境。因此，AI应用带来的信用利好预计将逐步释放，且主要源于效率提升，而非收入的显著增长。
收费公路获得财务效益的过程可能相对较慢，原因是相关应用主要集中在交通流量预测、交通拥堵管理、事故检测和维护工作优化等运营环节。虽然上述应用有助于提升运营效率、减少维护成本，并改善道路服务质量，但未必会对交通需求或收费结构产生重大影响。因此，收费公路相关财务效益预计将主要来自渐进式的成本节约及运营改善，而非显著的收入增长。
受监管基建行业AI投资的相关财务影响取决于监管框架。对于受监管电力网络和燃气公用事业运营商而言，与核心受监管业务直接相关的AI投资可能被计入监管资产基础或符合条件的运营支出，并通过费率机制予以回收。在监管机构批准后，运营商可获得相应的受监管回报。
相比之下，未受监管发电企业通过AI投资获得的财务效益存在不确定性。其回报取决于AI推动需求增长所形成的收入上升空间、市场环境，以及运营改善能否转化为更强盈利能力。与此同时，用于满足AI需求增长和增强数字基建支撑系统稳定性的资本支出可能高于相关盈利改善的幅度。
港口
港口运营商正在利用AI系统推进码头自动化、堆场管理、泊位调度和物流协调，从而提升吞吐量及资产利用率。上海洋山港四期是全球领先的自动化集装箱码头之一，也是港口行业应用AI的代表性案例(图表3至图表 6)。该码头整合AI、高级分析、图像识别和自动导引运输车等技术，实现船舶计划、集装箱装卸及设备调度自动化。智能码头操作系统则可实时协调码头内的起重机、运输车辆和堆场作业。
码头的运营效率得益于一体化智能调度平台、港口级数字孪生系统以及 AI赋能的自动化装载技术，并形成了连接实时数据采集、决策与执行的闭环运营体系。这些技术显著提高了效率。智能配载规划已将船舶配载计划时间从约4小时缩短至15分钟左右，而基于AI的感知技术和自动化起重机控制技术则将作业效率提升了约20%。此外，自动化也显著提高了劳动生产率，达到传统码头劳动生产率的213%。同时，自动化还大幅减少了轨道式龙门起重机(轨道吊)操作员人数，洋山四期码头需要7名远程监控和控制人员，而规模相当的传统码头则需要108名现场作业人员。
这些效率提升支撑了吞吐量的强劲增长和行业领先的运营业绩。洋山四期码头单台岸桥年作业量达28.59万标准箱，2025年和截至2026年8月，单日(24小时)最高吞吐量分别达到28,536标准箱和29,910标准箱。年吞吐量从2021年的570万标准箱增至2025年的800万标准箱左右。该码头的数字孪生系统、智能调度系统和自动化装载系统构建了一个可扩展的运营平台，不仅支持吞吐量持续增长和效率提升，还有助于在作业量增加时控制新增运营成本。
机场
机场正日益广泛地将AI应用于航班运行、旅客服务、安全检查以及航空货运处理等领域。这些应用能够提高登机口及设施利用率、缩短处理时间，并加强机场运营各环节之间的协同。
深圳宝安国际机场便是AI产生可衡量的运营效益的一个范例。其AI赋能的机位分配系统将每日航班机位分配所需时间从约4小时缩短至1分钟，同时将近机位利用率提高至85.44%。AI辅助的图像分析已将安检效率提高了30%以上，而智能运行控制系统使机场能够提前20分钟预判航班保障关键节点，助力航班正常率提高约4个百分点。
此外，AI和自动化也改善了机场的货运业务。智能化货物处理和查验系统使部分作业环节效率提升20%-30%，深畅国际货站进口和出口货物停留时间分别下降82%和33%。
收费公路
收费公路运营商正在聚焦于交通流量预测、拥堵管理、事件检测及预测性维护来优化路网运营和服务质量。例如，越秀交通基建有限公司 (Baa2/稳定)已探索在其交通出行服务平台中部署AI应用，旨在提升客户服务和运营效率。根据公司2026年中期业绩公告，其用于交通异常识别与交通事件处置的智能平台在行业内率先应用双层AI检测算法，疑难场景检测准确率大幅提升。
电力公用事业
2026年5月，国家能源局将电网规划方案智能生成与评估列为首批51个“人工智能+能源”高价值场景之一。优先使用场景包括电网规划与评估、智能调度、设备状态监测、故障诊断和电力市场优化。这些应用旨在提高系统灵活性，促进可再生能源的整合，并支持日益复杂的电力网络的更高效运营。
国家能源局2026年“人工智能+能源”报告也凸显出AI与能源行业之间的互动不断增强，包括算力基础设施的电力需求上升、能源行业特定大模型的开发以及加强算力与电力系统之间协调的需求。这种关联性的提高反映在数字基础设施的电力需求迅速增长。例如，2025年数据中心的电力需求达到170太瓦时左右，约占全国电力消费量的1.6%。展望未来，官方预测显示，到2030年，计算基础设施(主要包括数据中心和智算中心)相关的电力消费量可能增至约800太瓦时，相当于全国总用电需求的6%左右。
对中国南方电网有限责任公司(A1/稳定)而言，AI部署已逐步扩大至电力系统价值链的所有环节，从规划与负荷预测，到设备巡检、故障响应以及电力供应、算力需求与减碳目标之间的协同优化(图表7)。AI应用正日益融入核心运营流程，在效率、准确性和服务可靠性方面都带来了可衡量的提升。产生的运营效益包括规划效率提升80%以上、负荷预测准确率超过98%、资产巡检中的缺陷识别准确率超过90%、故障响应时间由约15分钟缩短至不足1分钟，以及与算力相关的运营成本下降超过10%。
发电企业也在可再生能源、水电、火电和核电设施中应用AI，以增强天气和发电量预测、项目开发、运营、设备监测、安全管理、预测性维护以及发电优化。
中国长江三峡集团有限公司(A1/稳定)已在全球最大的清洁能源走廊沿线六座梯级水电站部署“工业大脑”平台。该平台采用AI和数据分析来支持智能调度、设备状况监控、故障诊断和预测性维护。这些应用能够提升梯级水电系统运行的效率和可靠性。
在城市燃气行业，AI的采用正在扩大到运营部署方面。相关应用包括管道安全监测、泄漏检测、智能巡检、需求预测和调度优化，有助于提升管网运行可靠性和运营效率。AI也正被应用于客户服务、工程设计、施工管理和数字化控制中心，使公用事业企业能够提升服务质量、降低运营成本，并加强对日益复杂的燃气输配网络的风险管理。
中国基础设施领域的AI应用虽然不断提速，但仍主要集中于部分运营环节和领先项目。随着技术日趋成熟、实施经验积累以及运营效益进一步显现，AI有望逐步在更多基础设施行业实现广泛应用。
城投公司通过基础设施建设、产业投资和运营布局来支持AI生态系统的发展
近年来，城投公司在AI领域的参与度不断提升，这反映了其投资策略的逐步调整(图表8)，与中国经济增长引擎转型一致。2021年房地产市场放缓后，这一趋势进一步加速。城投公司的总资产规模已增至2016年的3.5倍左右，从2016年的人民币42万亿元左右增至2025年的人民币145万亿元左右。同时，其产业投资的估算规模增长逾10倍，从2016年的人民币 1.04万亿元增至2025年的人民币11.6万亿元，占总资产的比例也从2.5%左右升至8.0%。
这一趋势受到政策和商业两方面因素的推动。随着地方政府着力减少对举债支持基建投资的依赖，并减少依赖土地出让收入，许多城投公司也在政府鼓励下支持地方产业发展，并培育新的经济增长引擎。债务置换计划、更严格的融资监管和更全面的转型要求也促使城投公司推动资产基础和商业模式多元化，拓展至传统基建和城市开发项目以外的领域。因此，越来越多城投公司已将投资扩大至先进制造业、半导体、新能源、数字基础设施等战略性产业领域，近期还进一步涉足AI领域。
作为承担地方政府公共政策项目的重要平台，城投公司正日益增加AI相关的基建项目的参与，包括为数据中心和智算中心提供配套投资、建设AI产业园区，以及支持地方数字基础设施建设。这些项目多数服务于区域发展目标，并通过吸引科技投资、培育地方产业生态系统和支持经济转型来实现相关目标。虽然AI核心技术的研发和投资仍主要集中在科技公司、电信运营商和央企，但城投公司在推动地方布局和基础设施扩展方面发挥着重要作用。
城投公司已采用多种AI相关的投资模式，包括直接投资和运营、与技术合作方成立合资企业、提供基础设施以及开展轻资产平台化运营。城投公司拥有土地资源，获得政策支持，与地方政府关系密切，掌握城市运营数据和产业资源，这为其发展智算中心和更广泛的数字生态系统奠定了天然基础。与此同时，政府引导基金、政策性银行贷款、地方政府专项债券和其他创新产品为AI相关投资提供了资金支持。不同的模式通常反映了不同的地方需求、财政实力、产业战略和资源禀赋，因此各地区的风险回报特征与信用影响也有所不同。
除了支持地方产业政策目标之外，这一转变也可能助力城投公司业务模式的长期转型。随着产业和AI相关资产投资增加，部分城投公司正逐步减少对房地产相关业务和传统基建投资作为经济增长来源的依赖。目前，城投公司通过政府引导基金、产业投资平台和战略性股权投资等方式来支持AI生态系统的发展。这些投资通常聚焦于半导体、芯片、机器人和智能制造等领域，反映了地方政府培育战略性产业的决心。
如果这些投资能够产生可持续需求、带来经常性运营收入并提高资产利用率，长远而言将有望提升城投公司业务的可持续性及其资产生产率。然而，其带来财务效益的程度将取决于商业化成果，以及这些资产创造稳定现金流的能力。
地方AI投资的重心取决于地方需求、财政实力和资源禀赋
财汇资讯数据显示，截至2026年7月，在城投公司承接的AI相关基础设施建设项目中，省会城市城投公司约占36%。这类投资活动尤其集中在武汉、郑州和成都等主要区域性创新中心。
经济实力较强的城市通常更有能力直接投资智算基础设施、AI产业园区，并与科技公司建立战略合作伙伴关系，这主要得益于其更为雄厚的财政实力、更大的资产规模，并且相关投资与当地产业发展战略契合度更高。例如，济南的一家城投公司便开发并运营了该省首个大型智算中心，提供算力租赁和相关AI服务。同样，苏州、成都、青岛、广州、南京、宁波和杭州等主要经济枢纽的城投公司也打造了中国规模最大的产业投资组合;且多数城投的产业投资占总资产的比例高于全国均值(图表 9)。
相比之下，内陆和可再生能源丰富省份的城投公司则发挥更大的促进作用。算力基础设施建设正日益向贵州和甘肃等资源丰富的省份集中，这得益于更低的电力成本及其成功纳入国家算力网络体系(“东数西算”工程)(图表10)。中国许多领先的算力园区均坐落于西部算力枢纽或国家级园区内(图表11和12)。在这些地区，城投公司支持项目建设的方式通常是为数据中心和智算中心提供土地、公用事业连接、资金及其他配套基础设施。以贵州为例，部分城投公司通过组建合资企业的方式参与AI产业园区的开发，由城投投入本地资源，而技术合作方则提供算力技术与运营专业知识。
AI在城投公司运营和治理中的应用
在运营方面，城投公司正开始在建设管理、基础设施运营、资产管理和智慧城市平台上部署AI，以加强运营监督并提高效率。目前的应用涵盖智能建造、基础设施巡检、智能交通系统、产业园区运营以及金融风险监测等。
部分城投公司正进军AI生态系统运营领域。2026年，长三角地区多家城投公司相继成立词元(token)运营中心，将算力资源、基础大模型和应用服务整合至统一平台。此类平台并不直接研发AI模型，而是充当区域AI 资源协调枢纽，为企业用户提供标准化接入、计量和结算机制。该模式旨在提高现有算力资产的利用率，促进中小企业采用AI，并支持地方数字生态系统的发展。
通过优化项目管理、预测性维护、资源配置和风险控制，这些技术有望增强城投公司的运营韧性、治理有效性和资产利用率。虽然此类举措有望提升城投公司的战略重要性并支撑其长期运营业绩，但鉴于前期投资需求巨大、回报周期较长，且商业可行性和变现前景不确定，其短期信用效益可能仍将较为有限。
执行、治理及财务风险或会削弱AI应用的利好
尽管政策大力支持且相关投资持续增加，AI应用带来的信用利好仍可能缓慢显现，并面临执行、商业化和治理风险。
对基建运营商而言，成功部署AI需要高质量数据作为支撑，同时还取决于 AI与原有系统的整合、网络安全保障，以及将运营改善转化为可持续财务效益的能力。此外，释放AI效益通常需要大幅调整运营流程并提升员工能力，可能增加实施难度和成本。
对城投公司而言，智算中心、数据中心和AI产业园等AI相关项目通常前期投资较大、回收期较长。政策支持虽有助于项目开发，但项目的长期可行性最终取决于客户获取、利用率、商业化进展及当地AI生态系统的发展。在部分地区，产能扩张可能超过近期需求增长，导致项目经济效益和现金流生成低于预期。因此，高效配置资本并严守项目筛选纪律至关重要。城投公司尤其需要保持投资纪律，避免在商业需求得到验证之前对新兴技术过度投资。
中国算力基础设施生态的发展也带来额外不确定性。尽管国家相关举措旨在促进算力资源跨区域配置，但需求迁移的实际程度可能低于政策目标预期水平。部分低时延AI应用，例如特定的实时推理应用，可能要求算力资源靠近终端用户，而数据安全及监管因素可能限制部分工作负载的跨区域调度。此外，跨区域算力资源交易的商业机制仍在发展，可能影响利用率、收入可预测性和现金流生成。
治理及数据安全考虑因素构成另一项重要风险。随着AI应用范围不断扩大，基建运营商和城投公司需要应对更严格的数据治理、网络安全、隐私保护及监管合规要求。许多AI应用依赖大量运营数据和公共部门数据，其中部分数据可能包含敏感或受限信息。完善数据分类框架、强化访问控制和网络安全防护可能会增加实施的复杂性及运营成本;与此同时，不断演变的监管要求可能会影响AI应用在部分领域的部署速度和范围。随着AI应用逐步实现规模化，针对AI模型、数据使用、运营监督和问责机制建立的治理框架是否有效，将变得日益重要。
技术的快速迭代构成另一项挑战。与传统基建资产相比，AI相关硬件通常面临更短的更新换代周期。而芯片、计算架构及AI模型的持续进步，也可能要求运营主体持续投入资金，以维持竞争优势。技术标准和互操作性要求的演变也可能进一步推高成本并延迟投资回报。环境因素的重要性也可能日益上升，尤其是对于高耗电且电力需求不断增长的数据中心和计算基础设施而言。能源成本、电力供应以及部分情况下的用水要求，均可能影响运营经济效益和项目回报。
总体来看，参与AI领域相关活动不太可能立即带来显著的信用状况改善。随着项目的成功执行、需求保持可持续性、设施利用率达到适当水平，以及政策支持延续，相关信用利好应会逐步释放。因此，AI的短期信用影响可能较为有限，而长期利好则取决于运营优势能否转化为持久的经济回报。
