智慧城市试点能否提升城市创新水平？——基于多期DID的经验证据

何凌云 马青山

(中南财经政法大学 经济学院，湖北 武汉 430073)

一、引言与相关文献综述

当前，中国正处于转换增长动力、追求经济高质量发展的攻坚期。与经济长期向好的基本态势形成对比的是短期内结构性、体制性、周期性问题持续深化，而创新驱动成为解决短期问题和引领经济长期向好发展的重要一环。作为各类创新要素和创新资源集聚地的城市，其创新水平的提升对于经济的高质量发展具有重要意义。然而据《2018年全球城市创新性排名》显示，中国仅有北京、上海、香港和深圳等四城创新能力排名进入世界百强，排名最高的香港也仅位列第27位，因而，城市创新能力仍有很大的提升空间。创新活动具有复杂度高、风险大、周期长等特点，离不开政府的支持。相关研究表明，政府的相关政策，如补贴、产业政策和金融支持政策等都对创新有重要影响(Buera et al.,2011；Guerzoni et al.,2015；万道侠 等,2018)。因而，中国政府近年来积极探索促进城市创新水平提升的新路径，而作为贯彻创新驱动发展战略重要举措的“智慧城市”建设更是引人瞩目。智慧城市是指，将智能化等新一代信息技术实践于基础设施、公共服务、产业发展和社会治理等领域之中的城市模式。“智慧城市”全面革新了城市的建设、管理和发展的模式。

中国于2012年正式启动智慧城市试点，首批试点涉及90个地级、县级城市，随后又分别批复了第二、三批城市进行试点。截至2018年底，中国超过500个城市正在规划和建设智慧城市，市场规模达到近8万亿元。在启动智慧城市试点建设的同时，国家相关部门印发了《国家智慧城市试点暂行管理办法》和《国家智慧城市(区、镇)试点指标体系(试行)》，后又陆续出台文件完善智慧城市标准体系和评价指标体系。为满足智慧城市建设要求，各试点城市优化公共信息平台和网络基础设施，以推动云计算、物联网、大数据等现代信息技术与城市发展的深度融合，促进智能交通、智慧物流、智慧社区和智慧金融等一系列专项应用。与非试点城市相比，试点城市在智慧保障体系、基础设施建设、智慧管理与服务等方面都取得了较快发展，从而对城市创新水平提高产生了深远影响。

相关研究发现，智慧城市有效提升了信息化和科技化水平，对经济社会发展具有重要影响。Vanolo(2014)、杨振华(2018)关注了智慧城市建设的经济带动作用，发现其能显著提升经济效率；赵建军等(2019)则发现，智慧城市能推进产业结构的合理化和高级化；张营营等(2019)对制造业的研究也得到了同样的结论。除此以外，还有研究关注到智慧城市建设对降低环境污染和引入外商直接投资的积极影响(石大千 等,2018;聂飞,2019)。然而，鲜有文献就智慧城市建设的创新效应及影响机制展开系统性的理论研究和实证分析。在经济高质量发展的背景下，把研究焦点放在智慧城市的创新效应上，这充分考虑样本的选择性偏差等问题，准确评估了智慧城市试点对城市创新水平的影响。

智慧城市是城市信息化的高级形态，本质上是城市化和信息化深度融合的产物。作为本文的研究基础，有不少文献探讨了城市化和信息化对创新的影响。信息化对创新的积极作用已经得到证实，Varian(2010)发现，信息化通过加快知识编码和传输，从而促进了创新；Ke et al.(2017)同样发现，信息化有利于促进创新水平的提升。一方面，信息化对企业研发投入、产品创新和流程创新等具有促进作用(王莉娜 等,2018)；另一方面，信息化通过降低交易成本方式提高区域的总体创新水平(李政 等,2019;韩先锋 等,2019)。关于城市化如何影响创新还没有形成统一结论。一种观点认为，城市化促进了创新，比如Jacobs(1969)、高翔(2015)认为，城市化提升了企业的专利申请数量；另一种观点却认为，城市化不利于创新，如蒋伏心等(2013)发现，城市化带来一系列“城市病”，迫使企业将发展重点转移到治理污染上，对创新活动产生“挤占”；刘俊等(2017)发现城市化抑制了技术开发效率。此外，还有学者认为，城市化对创新的影响是非线性的(王志高,2016)。

综合上述研究可见，信息化对城市创新的积极作用已经得到证实，而城市化对创新的影响结果莫衷一是。那么，作为信息化与城市化深度融合的产物，智慧城市建设对城市创新水平有何影响呢？智慧城市试点又会通过哪些机制影响城市创新水平？智慧城市的创新效应是否存在异质性？为回答以上问题，本文借助“智慧城市”试点的准自然实验，利用多期DID、PSM-DID等方法评估其对城市创新的影响。本文主要贡献在于：(1)从理论上探讨智慧城市试点对城市创新的影响效应和影响机制，并对智慧城市试点的直接影响、动态效应进行了准确评估，这不仅是对政府创新政策效果的再认识，还丰富了城市化、信息化以及城市发展模式如何影响创新的研究文献;(2)本文不仅利用多期DID方法进行研究，还使用PSM-DID等方法有效地缓解了选择性偏差问题，且为确保研究结论稳健进行了一系列稳健性检验，使得研究结论的可信度较高；(3)细致地考察了智慧城市试点政策对不同规模、区位和科教水平城市的差异化影响，深入分析了智慧城市影响城市创新的机制，这为进一步推进智慧城市建设提供了经验证据。

二、政策背景与机制分析

(一)智慧城市建设的政策背景

智慧城市是贯彻创新驱动发展以及新型城镇化建设的重要举措，主要是将现代信息技术运用于城市规划、运行、建设和管理等多个方面，并通过对城市中人、资源、政务、交通、通讯的连接和融合，从而达到提升资源配置效率、完善城市管理能力以及实现城市高质量发展的目标。IBM公司于2008年提出“智慧地球”的设想，可以将此看作是“智慧城市”的雏形。发达经济体率先进行智慧化实践，2009年美国在迪比克市建立第一个智慧城市后，日本政府提出“I-Japan智慧日本战略2015”，欧盟推出了“智慧城市和社区开拓计划”，智慧城市已逐渐成为当今世界城市发展的新模式。2012年，中国正式启动智慧城市建设的试点工作，目前已形成“顶层设计→地方申报→上层批复→地方实施→绩效评估→经验总结”的完整智慧城市制度框架。智慧城市的发展历程如表1所示。

(二)智慧城市影响城市创新水平的机制分析

智慧城市试点促成了城市信息化水平的显著提升，这是因为：智慧城市试点的指标体系中明确指出，要进一步完善信息基础设施并建设公共数据平台；同时，智能城市管理、智能交通、智慧物流、智慧社区和智慧金融等项目也都依赖现代信息技术。而信息化水平的提升有助于提高城市创新水平(Ke et al.,2017)。智慧城市建设推动物联网、云计算、大数据等尖端信息技术的发展和应用，加快了智慧城市内部企业的信息传递和处理速度，有利于提升研发效率。此外，智慧城市所推动的信息化，优化了创新环境、信息集成和数据共享等，使得创新主体能以较低成本及时获取和吸收相关知识，而信息传递壁垒的打破还有利于各主体的协同创新发展，实现城市创新水平的提高。基于上述分析，本文提出：

假说1:智慧城市试点通过提升城市信息化水平方式提高城市创新水平。

智慧城市将先进的信息技术应用于城市发展，运用金融科技手段的智能支付和智慧金融等有效提升了金融发展水平。比如，金融业的业务流程、业务开拓和客户服务等方面的智慧化，促进了金融业的便捷性、灵活性、即时性和高效性。创新活动的开展离不开大量的资金支持，智慧金融行业的发展能够为创新活动提供必要的资金支持，进而对智慧城市创新效应的发挥产生积极影响。其次，金融产品、风控、服务的智慧化有效减少了融资成本并平滑融资风险，激励科技创新主体投身于创新实践，进而推动城市整体创新能力的提升(Czarnitzki et al.,2004)。基于上述分析，本文提出：

假说2:智慧城市建设促进金融发展的智慧化，有利于提升城市创新水平。

《国家智慧城市试点暂行管理办法》明确提出，促进产业转型升级是试点建设的主要目标之一。邓雅君等(2013)研究发现，智慧城市建设使得高新技术产业、现代服务业等新兴产业的发展获得了比较优势；赵建军等(2019)从产业结构的高级化和合理化出发，证实了智慧城市试点政策对产业结构优化的积极影响。智慧城市建设中，物联网、大数据、5G技术、云计算等高科技新兴业务的发展，加速了产业结构的升级，有利于创新水平的提升。智慧城市还通过运用新兴信息技术促进了企业管理的科学化和信息化，变革了传统产业，促成了高创新产业对低创新产业的取代，实现创新要素的帕累托改进。智慧产业和智慧业务的发展还能提供“示范作用”，产生“倒逼效果”，使得城市整体创新水平有所提升。基于上述分析， 本文提出：

假说3:智慧城市建设加速了产业结构升级，进而有利于提升城市创新水平。

三、研究设计和数据说明

(一)模型设定

本文采用多期DID方法对智慧城市试点的创新效应进行评估。住建部和科技部于2012年正式设立第一批智慧城市进行试点，第二批和第三批试点城市在2013年和2015年相继被批复，本文基于此构建准自然实验。在设立试点城市时，某些地级市只将其辖区内的区、县作为试点城市，为了评估的准确性，本文对该类城市予以剔除，最终以94个智慧城市试点城市构成实验组，其他133个城市为对照组。

智慧城市试点采取分年度逐步推进的方式，而传统DID方法仅仅适用于评估单一时点的政策效果。为此，本文借鉴Autor(2003)、袁航等(2018)等的做法，构建多期DID模型，设置组别虚拟变量(treated)，将实验组(试点城市)赋值为1，控制组(非试点城市)赋值为0；设置政策实施时间虚拟变量(dt)，试点城市的政策实施当年及其以后年份设定为1，其余为0。多期DID的模型构建如下：

ln innoit=α0+α1dtit+∑∂kyeark+∑γjXit+μcity+λit

(1)

其中，ln innoit为被解释变量城市创新水平的对数值；dt表示智慧城市试点政策，其系数反映智慧城市试点的政策效果；X表示控制变量集合；yeark代表时间虚拟变量；μcity表示城市个体固定效应；λ表示随机误差项。该模型使得试点城市和非试点城市间的特征差异、时间变化趋势等均得到有效控制。

(二)变量设定和数据说明

(1)被解释变量。目前对城市创新水平的测度大多使用城市科技投入或者专利授权量等指标，然而城市财政科技投入并不一定能完全转化为创新能力，以此衡量城市创新水平太过间接。而以专利授权数量衡量创新能力虽然比较直接，但只考虑专利数量而不考虑专利的质量，也不能准确反映创新水平。本文选取《中国城市和产业创新报告2017》提供的城市创新指数来衡量城市创新水平。该报告主要基于专利数据构建城市创新指数，并且充分考虑了不同年龄专利的价值，能够较为准确地衡量城市创新水平。

(2)核心解释变量。智慧城市试点政策为虚拟变量形式，即对于试点城市，政策实施当年及其以后年份设定为1，其余年份则设定为0。

(3)控制变量。根据已有理论和实证研究成果，本文还控制了其他影响城市创新水平的因素，具体包括：一是经济发展水平，以各城市经济增长率衡量，取对数处理；二是对外开放水平，衡量方式为各地区外商直接投资额/地区生产总值，取对数处理；三是文化水平，采用各地每百人公共图书馆藏书量衡量，取对数处理；四是人力资本水平，用各地区普通高等学校在校生人数衡量，取对数处理；五是财政科技支出，用各地级市政府财政科技支出额来衡量，取对数处理；六是财政分权水平，采用城市人均财政收入/全国人均预算内财政支出进行衡量，取对数处理，数据来源于《中国城市统计年鉴》。

(三)变量的描述性统计

本文包括中国227个地级市2003—2016年的面板数据，其中试点城市共94个，非试点城市共133个，数据的描述性统计如表2所示。

图1绘制了实验组和控制组城市创新指数发展趋势图。其中，treated=1表示实验组，相反为控制组。从中可以看到，在首次设立试点的2012年之后，实验组城市创新水平的增速明显高于控制组的城市，而在此之前两者的趋势基本相同，表明智慧城市试点促进了城市创新水平的提升。

为了较为直观地反映实验组城市在政策实施前后创新水平的变动状况，本文将样本期间所有实验组城市试点实施年份设定为原点，以此计算试点实施前后若干年的城市创新水平，从而绘制如图2所示的趋势图(其中，t表示试点实施当年，t-1、t-2表示试点实施前一年和前二年，t+1、t+2等表示试点实施后一年和后二年，以此类推)。图2表明，试点政策实施后，城市创新水平发展明显快于政策实施之前。当然，基于均值的统计结果无法剔除时间趋势和其他因素的干扰，需要进行回归分析方能准确揭示智慧城市与城市创新之间的因果关系。

表2 描述性统计

图1 实验组和控制组创新水平发展趋势

图2 实验组试点实施前后创新指数比较

四、实证结果分析

(一)基准回归

为了检验前文所提假设，进而进行基准回归，回归结果如表3所示。其中，模型1仅将智慧城市试点虚拟变量作为解释变量以进行回归，回归系数显著为正。其原因可能包括三个方面：第一，时间趋势效应，正如本文图1所示，无论是实验组城市还是对照组城市，其创新水平均具有逐年提升的变化趋势；第二，选择性偏差，即所选择的智慧城市本身就具有较高的创新水平；第三，智慧城市建设提升了城市创新水平。模型2在模型1的基础上加入了时间虚拟变量，回归系数依旧显著为正，并且从时间虚拟变量的回归结果来看，城市创新水平存在着逐年提升的变化趋势(限于篇幅，未在表3中给出年份虚拟变量回归结果)，因而排除了第一个方面原因。模型3还进一步控制了组别虚拟变量，其回归系数在1%的置信水平下显著为正，说明智慧城市在一定程度上存在着选择性偏差的问题，即智慧城市试点本身具有较高的创新水平。而控制实验组与对照组的差异后，智慧城市试点变量的回归系数依旧在1%的置信水平下显著为正，进一步排除了第二个方面原因，说明智慧城市试点政策显著提升了城市创新水平。模型4在基准模型的基础上控制了个体固定效应，模型5和模型6则相对于模型3和模型4分别加入了控制变量，结果都未发生实质性变化。

表3 基准回归结果

(二)平行趋势及动态效应检验

DID方法的使用前提是满足平行趋势，即未受到试点政策的冲击时，实验组和对照组城市创新水平具有相同的变化趋势。同时，由于智慧城市试点受到政策实施强度、政策实施基础、生产要素调整等因素的影响，智慧城市试点的政策效果可能具有缓冲期和消化期，从而导致政策实施效果可能具有一定的滞后性。基于这两方面因素的考虑，本文参照Beck et al.(2010)的做法，利用事件分析法，构建如下动态模型：

(2)

图3 平行趋势检验：图示法

首先，通过图示法比较试点实施前后创新水平的变动趋势。如图3所示，在试点实施之前，实验组和控制组的城市创新水平并不存在显著的差异，满足平行趋势。从图3中还可以看到，智慧城市实施后，政策效应显现，随着试点实施时间的推移，政策效果持续增强，因此，智慧城市试点对城市创新的影响并不具有滞后性，政策效果的展现具有持续性。

其次，为进一步验证平行趋势并对试点的动态政策效果进行评估，将回归分析结果展示于表4中。表4表明，在2012年(Current)之后，政策系数是显著异于0，而在2012年之前，政策系数均不再显著异于0，这进一步表明政策实施之前实验组城市和对照组城市满足平行趋势假设。同时，政策实施后，回归系数逐年增大，因此，智慧城市试点政策的效果具有长期性和稳定性。

表4 平行趋势检验：回归法

(三)基于PSM-DID方法的回归分析

为了充分展现智慧城市的政策效果，国家可能选择一批城市进行试点，如产业基础较好、金融发展水平较高及信息化水平较高的城市更可能被优先设立为试点城市。由此可见，智慧城市的设立并非完全是随机选择的。为准确评估智慧城市的创新效应，本文借鉴Heckman et al.(1998)的做法，使用PSM-DID方法缓解选择性偏差(Selection bias)问题，选择城市经济发展水平、金融发展水平、对外开放水平、产业结构水平、人力资本水平、基础设施水平以及财政分权等各城市的特征条件作为匹配变量，通过logit模型计算一个城市被设立为智慧城市的概率。具体模型如下：

P(treated=1)=f(ln econ、ln open、ln ins、ln inf、ln fina、ln fisc)

(3)

其中，P为倾向得分值。本文采用一对一近邻匹配法进行匹配，匹配后样本容量为2889个。在得到配对的实验组和控制组后，还需要进一步检验是否满足共同支撑假设。若检验结果表明实验组和控制组不存在显著的差异，则PSM-DID方法具有合理性。表5显示，大多数变量在匹配后的标准化偏差明显缩小，且T检验的结果不拒绝处理组和控制组无显著的差异。此外，我们还进行共同支撑检验，大多数观测值均落在了共同取值范围内，表明使用PSM-DID方法具有合理性。

表5 PSM-DID方法适用性检验

在验证了PSM-DID方法的合理性后，进一步进行回归分析，结果见表6。与基准回归结果类似，模型1到模型6的智慧城市试点虚拟变量的回归系数均在1%的置信水平下为正，说明智慧城市建设显著提升了城市创新水平，基准回归的估计结果具有较强的有效性。

表6 PSM-DID估计结果

五、进一步分析

(一)稳健性检验

1.安慰剂检验

安慰剂检验通常有构造虚拟的处理组和虚拟的政策时间两种思路。本文参考黄溶冰等(2019)的做法，采用两种方法进行安慰剂检验。首先，构造虚拟的处理组，本文将原样本的处理组和对照组互换，对随机匹配处理组和试点政策实施时间进行DID估计，回归结果如表7的模型1和模型2所示，模型1为未加入控制变量的回归结果，模型2在模型1的基础上加入了控制变量。两个模型中，试点政策的回归系数均不显著，说明虚拟智慧城市试点对城市创新水平并没有产生显著影响。其次，构造虚拟的政策时间，本文保留全部对照组样本和2015年开展试点的城市作为处理组，将试点的设立时间虚拟为2013年和2012年，以进行DID估计。回归结果如表7的模型3和模型4所示，关键解释变量dt的回归系数仍不显著，说明虚拟政策时间对城市创新没有影响，证明本文的研究结论具有稳健性。

表7 安慰剂检验

2.控制其他相似政策的冲击

准确评估智慧城市创新效应的另一个要求在于，城市创新水平的提升只能是智慧城市政策“冲击”，而非其他政策影响的结果。在本文研究的时间段内，还有一些其他政策，如创新型城市、文明城市、低碳城市建设以及高铁开通等都可能影响城市创新水平。要想准确识别出智慧城市试点的净效应，就要控制这些政策的冲击。借鉴Abadie et al.(2010)和聂飞(2019)的方法，先保持实验组城市不变，即变量treated不变。假设智慧城市试点实施后的三年间(2013—2015年)，实验组城市还会面临类似于智慧城市试点政策的影响，分别定义为变量：ye13=period13×treated、ye14=period14×treated和ye15=period15×treated(其中，period13、period14和period15为二元时间虚拟变量，有其他类似政策发生取1，否则取0)。将变量ye13、ye14和ye15纳入模型中，回归分析的结果如表8所示，从中可以看出智慧城市建设显著提升了城市创新水平，并且变量ye13、ye14和ye15的回归系数均不显著。该结果说明，2013—2015年间实验组城市基本不存在其他政策对城市创新水平的冲击，进一步证明了本文基本结论的稳健性。

表8 排除其他政策干扰

3.其他稳健性检验

为确保研究结论的稳健性，本文还考虑预期因素对结果的影响。在“强带动、强压力、强竞争”的申报体制下，地方政府可能为申报智慧城市做一些准备工作，而这可能会造成估计结果偏差。借鉴宋弘等(2019)的做法，在回归方程中加入了智慧城市试点之前一年的虚拟项。回归结果如表9的模型1和模型2所示，从中可以看到，无论是否加入控制变量，核心解释变量的系数仍然显著为正，而提前一年预期的估计系数很小且不显著，数据表明“智慧城市”试点的准备工作没有对估计结果造成影响。

此外，本文还通过改变被解释变量的测度方式，以进行稳健性检验。专利是研发与创新活动最为直接的产出，以往研究多用专利授权量作为城市创新水平的测度指标。因此，本文以城市专利申请授权数作为城市创新水平的测度指标进行稳健性检验，数据来源于专利云数据库。回归结果如表9的模型3和模型4所示，数据表明无论加入控制变量与否，智慧城市试点对城市创新水平的影响均显著为正，证实了前述结论的稳健性。

表9 其他稳健性检验结果

(二)异质性检验

1.城市科教水平的异质性

科教水平较高城市的人才培养水平更高，科研活动更为丰富，因而有必要检验由科教水平差异带来的异质性。高校是否入选“211工程”是衡量其科教发展质量的重要标准，因而本文根据城市是否有“211工程”大学(1)具有“211”工程学校的城市有：北京、上海、天津、重庆、保定、太原、呼和浩特、大连、沈阳、长春、哈尔滨、南京、苏州、无锡、杭州、合肥、厦门、福州、南昌、济南、青岛、郑州、武汉、长沙、广州、南宁、成都、绵阳、贵阳、昆明、西安、兰州、乌鲁木齐、石河子、银川、西宁、拉萨。将城市划分为科教发展水平较高的城市和科教发展水平较低的城市，并由此进行分样本回归，回归结果如表10的模型1和模型2所示。在科教水平较高的城市，智慧城市建设对城市创新水平的影响并不显著，在科教水平较低的城市试点政策的创新效应才得以显现。之所以如此，可能是因为：在科教水平较高的城市，创新经济处于较成熟阶段，人力资本和科研资源比较丰富，创新潜能得到较为充分的挖掘(李政 等，2019)，因此，智慧城市建设对城市创新水平提升的边际作用较小；而在科教水平较低的城市，智慧城市建设正好为创新要素的集聚提供合适的平台与契机，加之此类城市本就处于创新发展的初期阶段，具有强劲的“后发优势”，因此智慧城市试点显著提升了城市创新水平。为了证实这一判断，本文还根据城市创新水平进行异质性分析，实证结果表明，智慧城市试点政策对创新水平较高城市(创新水平位于中位数以上)的影响效应较小，对创新水平较低城市(创新水平位于中位数以下)的影响效应较大，证实在科技发展较为成熟的城市，智慧城市试点政策对城市创新的边际作用较弱(2)感谢匿名审稿专家的宝贵建议。限于篇幅，未在正文中列示回归结果，如需要可向作者索取。。

表10 异质性检验

2.城市规模的异质性

一般而言，与小城市相比，大城市往往具有创新要素和资源的集聚优势，其产业基础、金融化水平、交通水平等也较高。这些差异可能导致智慧城市的创新效应存在异质性。本文将样本划分为大城市和中小城市(3)根据国发(2014)51号文件《关于调整城市规模划分标准的通知》，将城市规模分为五类：超大城市划分标准为城区常住人口 1000 万人以上；特大城市划分标准为城区常住人口500万以上1000万人以下；大城市划分标准为城区常住人口100万以上500万人以下，其中，100万以上300万人以下的城市为II型大城市，300万以上500万人以下的城市为I型大城市；中等城市划分标准为50万以上100万人以下；小城市划分标准为城区常住人口50万人以下，其中，20万以上50万人以下的城市为I型小城市，20万人以下的城市为II型小城市。本文将城区常住人口100万以上城市均视为大城市，100万以下城市则视为中小城市。两组进行研究。回归结果如表10的模型3和模型4所示。中小城市的试点建设显著促进了创新水平的提升，而该效应在大城市中却并不明显。究其原因可能在于，中小城市的创新水平比较低，往往处于全力追赶大城市的阶段，智慧城市建设可以充分挖掘其创新潜能，进而展现出规模经济特征；而在大城市，创新发展已经趋于成熟，试点建设的边际作用较小，因此智慧城市建设对创新水平的影响作用并不显著。

3.城市区位的异质性

中国东部地区位于沿海，交通便利，该地区还是诸多试点政策的“先行者”。因而相比于中西部地区，东部地区在创新要素集聚方面拥有独特的优势，这种区位优势的差别可能造成智慧城市创新效应存在异质性。为检验此异质性，本文按样本所处地理区位分为东部地区城市和中西部地区城市，以分别进行回归，结果如表10的模型5和模型6所示。回归结果表明，无论是在东部地区还是在中西部地区，智慧城市建设均能显著提升城市创新水平。智慧城市建设的创新效应在中西部地区十分显著的原因可能在于，近年来，“一带一路”和长江经济带等战略的深入实施初见成效，再加之成渝城市群、中原城市群、武汉都市圈在创新资源集聚方面发挥了强有力的作用，使得智慧城市试点的区位异质性得以减小甚至消除。

(三)影响机制检验

基于前文的分析，本部分将对智慧城市建设对城市创新水平的影响机制进行实证检验。首先，在基准回归的基础上，本文加入智慧城市试点变量(dt)和城市信息化水平变量(inf)的交乘项。参考现有研究的做法，采用城市人均互联网用户数衡量城市信息化水平(inf)。表11中模型1和模型2的回归结果表明，无论是否加入控制变量，交乘项的系数皆显著为正。这表明，由于先进的互联网等信息通信技术是智慧项目的依托，智慧城市作为外生冲击有效提升了城市信息化水平，便捷了城市内部的信息交流并提升了信息处理速度，进而有利于促进城市创新水平提升。其次，我们在基准模型中加入智慧城市试点变量(dt)和城市金融发展水平(fin)(4)参考现有研究的普遍做法，采用“城市(贷款余额+存款余额)/GDP”衡量金融发展水平。的交乘项。无论加入控制变量与否，交乘项的系数同样显著为正，表明智慧城市建设促进金融发展的智慧化，有利于提升城市创新水平。最后，我们还在基准模型中加入智慧城市试点变量(dt)和产业结构(ins)的交乘项，交乘项的回归系数在1%的统计意义上正显著，表明智慧城市建设加速了产业结构升级，进而有利于提升城市创新水平。

表11 机制分析结果

六、研究结论与政策建议

提升创新水平是经济高质量发展的内在要求，为此中央政府出台了多项政策措施。本文基于智慧城市试点的准自然实验，在理论分析的基础上，利用227个城市2003—2016年的面板数据，采用多期DID、PSM-DID等方法，实证检验了智慧城市试点对城市创新的影响，得到主要结论如下：智慧城市建设显著提升了城市创新水平；智慧城市创新效应的发挥不存在滞后性，并且随着时间的推移，试点创新效应显著增强，导致政策效果具有长期性；在科教水平较高的城市和大城市，智慧城市建设并未促进城市创新水平的提升，反而在科教水平较低的城市和中小城市，智慧城市建设的创新效应显著为正，并且智慧城市创新效应不存在区位异质性；信息化发展、金融智慧化以及产业结构提升是智慧城市建设影响城市创新的机制。

根据本文的研究结论，具有如下政策启示：

第一， 智慧城市作为一项复杂的系统工程，为更好地发挥其对城市创新的促进作用，一方面，应进一步推进信息基础设施建设，对城市电气、燃气、能源、资源等方面进行智慧化改造；另一方面，要积极创建智慧服务平台，为创新活动的开展提供数据服务。此外，要进一步优化智慧政务和数字化城市管理模式，推进制度创新，营造良好的创新环境；同时，中央政府和地方政府在政策制定与实施方面要加强互动，总结试点经验，加快试点科技成果的转化。在试点发展质量得以保证的前提下，可有序扩大试点实施范围，推动城市创新水平的快速提升。

第二，智慧城市试点建设应坚持因地制宜，加强政策执行的灵活度和包容性。在科教水平较高的城市和大城市，应继续优化城市创新环境，积极引导试点智慧城市科技成果的转化步伐，借力试点政策构建特色城市创新生态系统，从而促进城市高质量发展。而对中小城市和科教水平较低的城市，要充分利用其“后发优势”，发挥智慧城市试点政策对其创新潜能的挖掘作用和城市创新要素集聚的带动作用，以提高此类城市的创新活力。

第三，要重点探索试点政策促进城市创新水平的多维路径，优化试点政策实施效果。首先，在智慧城市建设的过程中，要积极引导智慧产业的发展，培育和发展生产性服务业，提升产业的科技含量和技术复杂度。其次，在智慧城市建设过程中，要积极引导智慧金融的发展，推动传统金融模式的革新，借此助力科技型中小企业发展；同时，要进一步推动信息化建设，大力引导物联网、大数据、5G技术、云计算等信息技术应用，带动知识、技术和人才在更大范围内流动，促进城市创新水平的提升。

智慧城市试点政策实行过程可能存在“重申报，轻落实”的现象。当前还应重视试点的监督和评价，加强退出机制建设，对于试点效果实施不佳的城市不再纳入试点范围。同时，应积极明确责任主体的责任，加强对智慧城市的考核。此外，由于智慧城市建设汇聚中央政府和地方政府的战略合力，在实施过程中，各级政府要明确自身的角色和定位，重点在于营造和谐有序的市场环境。对于智慧城市中各种智慧项目的开展，应该充分发挥市场以及企业的主导作用，最终促进智慧城市高质量发展。