智慧城市建设和环境污染改善*——微观证据与影响机制

储 震 程名望

一、引言

21 世纪以来，互联网、大数据、人工智能以及云计算等新兴数字技术层出不穷，全球正在进入一个崭新的信息化阶段，即以深度挖掘与融合应用海量数据为基本特征的智能阶段(梅宏，2018)。全球主要经济体也相继制定了数字化发展战略，比如美国于20世纪90 年代推出“数字信息高速公路” 战略，日本于2001 年出台“e-Japan” 战略，英国在2009 年发布“数字英国” 计划等。建设智慧城市是中国把握新时期信息化带来的历史机遇，以信息化转型赋能经济社会高质量发展的重大战略举措。十九大报告首次将推进智慧社会建设列为构建现代经济体系的重要内容。“十四五” 规划和二十大报告进一步指出，“以数字化助推城市发展和治理模式创新，全面提高运行效率和宜居度，分级分类推进新型智慧城市建设，打造宜居、韧性、智慧城市”。此外，随着中国经济的快速增长，日益严重的环境污染开始危及居民健康并侵蚀经济效率(Chu 等，2021)。为了满足人民对美好生活的追求，在努力提高物质性收入的同时，也要不断创造更加优质的自然环境。继十八大要求把生态文明建设放在“五位一体” 总体布局突出地位后，十九大报告进一步将“打赢污染防治攻坚战” 列为全面建成小康社会的关键一环。这就引出一个十分具有应用价值与理论意义的议题:智慧城市建设是否以及如何有助于生态环境改善?但是很遗憾，很少有文献资料对这个命题进行深入探讨。

虽然目前还缺少系统直接的经验与理论考察来探究智慧城市建设对生态环境质量的影响，但关于智慧城市建设后果以及生态环境质量成因的研究给本文提供了许多有益的借鉴和启示。概括地讲，目前关于智慧城市研究聚焦在两个维度:一是智慧城市的内涵和度量方法(Chu 等，2022；夏昊翔和王众托，2017)；二是智慧城市建设对经济社会发展的影响。从微观视角看，既有文献着重探讨智慧城市建设对居民幸福感(张传勇等，2023)、企业家精神(孔令池和张智，2020)、企业债务融资成本(陶云清等，2023)和企业全要素生产率(姚圣文等，2022)的作用。从宏观视角看，既有文献倾向论证智慧城市建设对技术创新(袁航和朱承亮，2020)、产业结构(赵建军和贾鑫晶，2019)、外商直接投资(何凌云等，2021)、出口经济复杂度(张兵兵等，2023)、全球价值链(毛艳华和谢宇平，2022)、经济增长(周小敏和李连友，2020)等方面的影响。此外，关于生态环境的影响因素研究，现存文献主要侧重于大气污染与二氧化碳排放，涉及能源转型(徐斌等，2019)、环境规制 (万攀兵等，2021)、数字技术 (戴翔和杨双至，2022)、数字金融(魏悦羚和张洪胜，2022)以及贸易开放(陈登科，2020)等对环境污染带来的潜在作用。在为数不多的文献中，跟本文紧密相关的是Yigitcanlar 和Kamruzzaman (2018)及石大千等(2018)。前者基于英国城市数据，采用信息通信技术的普及率来度量城市智慧化程度，但该指标内生性较强，不能干净地识别出智慧城市建设与生态环境质量的因果关系，且缺乏规范的理论分析。后者认为，凭借创新内生驱动的结构效应、配置效应以及技术效应，中国智慧城市建设可以有效提升生态环境质量。然而该文仅关注对城市层面大气污染的影响，缺乏对企业层面污染排放的考察，且忽视了微观层面的影响机制检验，尤其是在考察智慧城市建设影响生态环境质量技术效应的过程中，并未区分中性技术进步和有偏技术进步。但Lyubich 等(2018)指出，企业间全要素生产率的差异远低于环境效率的差异，这暗示中性技术进步难以完全解释智慧城市建设影响环境污染的技术效应，有必要进一步探索有偏技术进步所起到的作用。

有鉴于此，在现有文献的基础上，本文着重探讨智慧城市建设对生态环境污染的影响，并尝试做出以下几个方面的边际贡献。第一，在清洗整理中国企业污染数据库的基础上，本文将这一独特微观数据库和中国工业企业数据库以及中国县域数据进行合并，为研究智慧城市建设与中国环境污染关系提供新的微观证据。第二，借助中国设立智慧城市试点这一外生政策冲击来有效缓解评估智慧城市建设环境治理效应过程中的内生性问题，且将试点的识别范围进一步精确到县区级。第三，现有文献普遍利用这一准自然实验考察城市智慧化转型的影响，但鲜有研究专注于智慧城市建设对中国企业污染行为的影响，本文对此进行了有益补充。第四，在识别智慧城市建设对企业污染排放强度影响的微观机制，尤其是在研究城市智慧化转型作用于企业污染行为的技术进步机制时，本文对有偏技术进步和中性技术进步加以区分，这是对考察智慧城市建设如何影响生态环境质量的文献的有益补充。本文研究结论能够对中国新时期推进智慧社会建设以及打赢污染防治攻坚战带来丰富的证据支撑与政策启发。

二、背景与理论逻辑

改革开放以来，无论是从农业人口迁移还是从城市土地扩张来看，中国均创造了举世瞩目的“城市化奇迹”。根据国家统计局的测算，中国的城镇化率在2022 年达到65.22%，比1978 年提高了47.32 个百分点。快速城市化极大地推动了经济增长，但同时也造成了严重的生态环境破坏，并最终会危及城市居民健康与企业生产效率。可以看出，当前中国城市发展急需转向以资源利用率提高和生态环境保护为导向的“集约、内涵型” 模式。智慧城市建设，从总体规划、系统运行到具体智慧实践，以高效整合、资源节约和创造美好宜居生活为宗旨，可以为新型城镇化转型和经济社会高质量发展提供一条可行路径。具体而言，智慧城市建设依托在公路、大坝、桥梁、电网以及供水系统等设施中嵌入各种智能感应器和传感器所构建的物联网，实时获取城市中组织(人)、通信、交通和能源等核心系统在运行过程中所产生的海量数据资源，采用云计算与超级计算机技术对其加以整合分析，进而实现对生产活动、政府服务和公共安全等的智慧化治理，最终促进城市的和谐、健康和可持续发展(Chu 等，2021)。

为了抢占先发优势，各地政府对智慧城市建设工作高度重视，以期从根本上缓解“大城市病”，实现城镇化、工业化、信息化的深度融合。然而，智慧城市早期发展相对缓慢，这是因为建设过程中存在着理念不清楚、目标不明确以及评判不一致等诸多问题。为了规范各地智慧城市建设工作，中华人民共和国住房和城乡建设部(以下简称“住建部”)在2012 年正式开始启动国家智慧城市先行试点项目，标志着智慧城市政策在中国正式落地与实施。项目先后开展了三批智慧城市试点，创建期为3—5 年，期间明确指出智慧城市是通过现代科技的融合应用、信息资源的有效整合、业务体系的统筹安排来增强规划管理能力的城市发展新模式。2012 年，针对智慧城市创建的组织管理工作，住建部发布《国家智慧城市试点暂行管理办法》。值得一提的是，该管理办法在试点创建标准中并没有对基础技术设施等条件做出硬性约束，没有将偏远落后的小城镇排除在试点名单之外，从而有效保障了智慧城市创建工作的公平公正(陆伟良，2013)。此外，住建部还发布了《国家智慧城市(区、镇)试点指标体系(试行)》，清晰阐释了智慧城市试点的建设目标、内容与组成模块。其中，一级指标涵盖了智慧产业与经济、智慧建设与宜居、智慧管理与服务以及保障体系与基础设施。试点期间，住建部结合智慧城市的工作重点，在建设规划、政策法规、部门组织协同、投融资渠道、运行管理等方面对试点城市给予保障支持。2014 年，国家发展和改革委员会(以下简称“发改委”)发布了正确引导智慧城市建设方向的《国家新型城镇化规划(2014—2020)》。随后，发改委出台了《关于促进智慧城市健康发展的指导意见》，从发展理念、规划思路、重点任务、安全防护等方面进一步明确了各地智慧城市建设的具体实施路径。在十九大报告中，智慧城市首次与网络强国、科技强国、交通强国、数字中国等一道上升为国家战略，不断创新建设新思路。

现有文献指出，实施智慧城市战略能够促进城市生活生产方式的绿色转型，有助于城市绿色可持续发展(石大千等，2018)。与非试点城市相比，政策试点地区蕴含丰裕的信息要素，不仅可以用于充分挖掘各类社会资源潜能、最优化个人决策和组织行为，还可以在不产生额外成本与环境污染的情况下被无限循环使用与复制，让创新资源在试点城市得以综合集成和高效配置。同时，政策试点地区广泛应用新一代信息技术、低碳以及节能环保等高新技术，能够加快传统服务业与制造业的技术迭代，带动信息、知识、创新密集型产业集聚，有利于城市发展模式向环境友好与资源节约型方向转变，并最终实现“资源利用高、生产效率高、环境破坏小、产品附加值高”。得益于智慧城市试点工作的有效推进和相关政策法规的不断完善，截至2020 年，我国已有900 多个智慧城市试点启动或在建，智慧城市投资规模同比增长12.7%，达到259 亿美元，成为继美国之后的第二大智慧城市投资国。从全国的建设实践也可以看出，大多数智慧城市都将环境管理工作放在重要位置。比如，深圳从人文、生态、科技三个维度建设新型智慧城市，杭州提出要打造智能、绿色的宜居城市，沈阳则尝试用智能科技和环保技术打造“生态沈阳”。可以预见，在人、机、物深度融合的大环境下，以智慧城市试点政策为主要标志的智慧城市建设，将在数字技术方面拥有广阔的市场需求以及潜在的政策红利，从而能够助力经济社会活动的高度智能化，成为赋能企业绿色转型的重要途径。

理论上，在生产经营管理中引入城市智慧化转型战略，有利于优化资源配置、再造业务流程以及改进生产范式，从而能够助推企业绿色化转型发展(刘洪铎等，2023)。就一般日常生产流程而言，企业的最终污染物排放等于前端生产的污染量减去末端处理的污染量，所以智慧城市建设降低企业污染排放的可能途径主要来自前端的清洁生产或末端的污染处理(韩超和李鑫平，2023)。具体而言，从前端的清洁生产来看，城市智慧化转型可以有效破除企业内外部信息与知识的流动障碍，在缓解信息不对称的基础上，增强企业创新能力和知识储备，从而促使企业升级改造传统的工艺技术和设备、采用更清洁绿色的能源和原材料，以及做出更加科学理性的生产经营决策(刘洪铎等，2023)。通过赋能企业智慧化转型，智慧城市建设能够帮助企业实现资源集约利用以及提质增效等精益化生产目标，从而能够从制造源头削减污染物的排放，促成前端的清洁生产(陈媛媛和李坤望，2010)。

就末端的污染处理而言，智慧城市建设可以将企业的日常经营生产活动与物联网传感器、互联网宽带、人工智能设备以及大数据平台等数字基础设施进行深入融合与有机结合，不仅可以帮助企业优化生产条件和升级更新排污处理设备，而且可以精准监测出企业的物耗能耗、污染排放的实时状况(Ye 等，2020)，实现从运输、加工、生产到排污治理的一体化(盛丹和卜文超，2022)，从而通过直接处理生产后排出的污染物，达到减少或杜绝末端排放的目的。基于以上论述，本文提出待检验的假说1。

假说1:智慧城市的建设能够减少企业污染物的排放，且来自前端的清洁生产与末端的污染处理共同作用。

为了正确理解智慧城市建设的减污机制，我们还在经典环境经济学理论框架下，进一步将污染排放量的减少归结为以下两种原因:技术效应和结构效应。其中，结构效应捕捉到污染物排放变化来自产业结构与能源结构的冲击(Cole 等，2005)；技术效应则从创新与技术进步的变化解释了污染物排放的差异(Levinson，2007)。本文的研究重点是考察智慧城市建设的企业减污机制，在微观维度很难识别出产业结构变化及相对应的结构效应，因此我们转向关注企业层面的能源消费结构及相应的结构效应(张平淡和屠西伟，2023)。接下来，本文对智慧城建设的两种潜在减污作用效果进行深入梳理。

第一，能源结构效应。以煤炭消费为主的中国能源结构是产生二氧化硫(SO2)等污染物的关键因素(陈登科，2020)，而城市智慧化转型有助于开发新能源和推进电气化进程，从而实现企业能源消费结构的优化。一方面，水电、风能以及光伏等可再生能源均来自大自然的馈赠，其开发、输送和存储过程一般具有随机波动性和不可预测性，而先进的可视化处理、传感监测和智能控制等新兴数字技术可以保障电网安全和稳定。此外，大容量储能技术的应用也为存储清洁能源电力提供了技术支撑(Murshed，2020)。另一方面，电气化是深度治理污染的有效方式(洪博文等，2020)，智慧城市建设可以快速推进企业电气化的进程。数字基础设施的投入使得智慧城市建设开始改变企业的传统生产模式，依托数字技术的诸多生产工序逐渐向智能化与电气化方向转变。同时，相较于以往的企业电气设备，由数字和网络技术搭建的智慧化电气系统运行起来要明显占优势，可以有效提升企业的生产质量与效率，进而对电气化进程的推进形成反向激励(户华玉和佘群芝，2022)，并最终在企业终端能源消费中逐步实现清洁电力对煤炭等高污染能源的替代。基于以上论述，本文提出待检验的假说2。

假说2:智慧城市建设能够通过优化能源结构减少企业污染物的排放。

第二，技术进步效应。除了可以产生技术外溢效应，城市智慧化转型还能够加速外部市场竞争，提升创新效率，驱动企业技术创新(户华玉和佘群芝，2022)。一方面，新兴数字技术兼具可改造性和渗透外溢性等固有特征(丁志帆，2020)，而企业通过智慧城市建设可以实现与新兴数字技术的有机融合，既能够充分利用新兴数字技术催生溢出扩散效应，又可以凭借互联网的平台、共享经济等优势促进创新资源的合理配置与使用，便利其内外部的知识交流与研发合作，在新兴数字技术导引下进行一系列应用型创新，形成企业创新的良好循环。对于技术水平较低的中小企业而言，参与数字知识共享平台可以显著增强其自身的创新能力(王方，2016)。另一方面，智慧化转型使得市场竞争更加激烈(徐向龙和侯经川，2022)，进而倒逼企业进行技术创新活动。以数字化推动的新型智慧城市建设破除了市场中买卖双方的信息壁垒，消费者可以享有更大的产品选择空间，并对其价格与质量提出更高要求，而那些缺乏新意或严重同质化的商品将面临被市场淘汰的风险。这无疑会加速市场竞争，进一步提升企业技术水平，而技术进步被视为企业攀升高端价值链环节、减少低端高污染生产的重要因素(Sun 等，2019)。从这个角度看，智慧城市建设能够帮助传统企业建立清洁的生产管理体系以减少污染物排放。值得注意的是，自Acemoglu (2002)发展与完善有偏技术进步理论以来，国内外学者开始意识到技术进步方向能够更好地解释现实经济现象。例如，Lyubich 等(2018)在考察技术效应时强调，单纯用技术进步回答企业间污染物排放的差异并不能完全令人信服，需要进一步区分有偏技术进步和中性技术进步(陈登科，2020)。因此，在考察智慧城市建设技术进步效应的过程中，本文也会对此加以区别。基于以上论述，本文提出待检验的假说3。

假说3:智慧城市建设能够通过提高技术水平减少企业污染物的排放，但相较于中性技术进步，有偏技术进步在其中发挥更大作用。

三、数据来源与模型建立

(一)数据来源及说明

本文的核心问题是探讨智慧城市建设对企业环境污染的影响，在实证过程中主要涉及三个数据集:中国企业污染数据库、中国工业企业数据库以及中国县域宏观数据库。其中，作为被解释变量的企业SO2排放来自中国企业污染数据库，智慧城市建设指标则基于住建部2012 年发布的智慧城市试点名单构建，其余的控制变量分别来自中国县域宏观数据库与中国工业企业数据库。为了更好地进行研究，需要将工业企业数据库、污染数据库与县域宏观数据库等进行合并。首先，参照陈登科(2020)的做法，我们构建工企面板数据与污染面板数据，并进一步基于企业唯一身份信息合并形成污染—工企面板数据。然后，根据县(区、市、旗)级行政区域代码将县域宏观数据匹配到污染—工企面板数据中。最后，由于中国智慧城市试点一部分是以地市为单位实施的，另一部分则是以区县为单位实施的，因此需要将城市试点名单细分到县(区、市、旗)级层面，并与污染—工企面板数据进行合并，最终形成满足本文研究需要的初始数据集。在数据处理过程中，我们剔除污染数据库与工业企业数据库中的异常样本，主要包括:不符合通用会计准则(GAPP)的企业，例如总资产小于固定资产、流动资产或者净资产的企业；工业增加值大于工业总产值、累计折旧小于当年折旧的样本；不符合常识规范的企业，例如开业时间的月份大于12、成立时间晚于统计时间的企业；员工人数小于8、污染物排放小于0 等不合常理的数据。

与工业企业数据库和县域宏观数据库相比，企业污染数据库还没有被广泛使用，可能存在数据真实性问题。为了减轻这一顾虑，本文将相关变量从小到大排列均等分为100组，以组别序号为横轴，将纵轴设置为组内企业SO2排放量均值，分别考察企业SO2排放量与煤炭消耗量、工业企业数据库中企业规模(总资产)之间的关系。倘若企业存在随意报告或者瞒报污染排放量的行为，那么SO2数据与这些本该相关的变量可能不存在系统性关系。图1 (a)与图1 (b)的结果均显示，企业SO2排放量随着煤炭消耗量、企业规模的增长而增长，这与直观认识相符。样本区间设定在2008—2014 年，主要考虑有:首先，中国在这一时期经历了广泛的信息技术发展，此外在2012 年住建部公布了智慧城市试点，这为本文识别数字化发展对中国环境污染的作用机制提供了难得的准自然实验。其次，企业层面污染数据止于2014 年，因此第一批智慧城市试点后的样本时期跨度为3 年，而双重差分策略要求政策发生前的样本区间不宜过长。最终本文数据集共包含了7 年间50 278 家企业的观测值，这些企业遍布在中国2 581 个县(区、市、旗)。最后，为了规避异常值引起的偏误，我们对所有指标进行了左右两端1%的缩尾处理，并利用价格指数平减了各类金额类指标。

图1 企业SO2 排放量和其他指标的关系

(二)模型建立与研究方法

为了克服未观测因素等造成的内生性问题，我们采用智慧城市试点政策作为自然实验来构建双重倍差(DID)模型以识别其因果效应参数，即通过计算DID 模型估计量剔除实验组(实施政策的地区)与控制组(未实施政策的地区)的“实验前差异”，进而获得试点与非试点城市在政策执行前后的污染物排放差异。建立计量模型如下:

其中，i代表企业，j代表县(区、市、旗)级行政区域，k代表地(区、市、州、盟)级行政区域，t代表年份。被解释变量lnSIi，j，k，t表示企业i在t年SO2排放强度的对数值，通过SO2排放量除以企业总产值得到。Smarti，2012×Post2012为计量回归模型的核心解释变量。α1是本文感兴趣的系数，用于衡量智慧城市建设试点政策对企业SO2排放强度的净影响。Smarti，2012表示智慧城市试点地区的虚拟变量，如果该县(区、市、旗)是首批政策公布的试点地区，取值为1，否则取值为0。Post2012表示中国实施首批智慧城市试点的年份虚拟变量，年份大于等于2012 年则Post2012＝1，反之Post2012＝0。Xi，t为系列控制变量，μi为企业固定效应，γj为县(区、市、旗)级行政区固定效应，λk，t为地(区、市、州、盟)级行政区与年份虚拟变量交乘项，εi，j，k，t为误差项。

需要说明的是:第一，由于后两批智慧城市试点的设立时间处于样本末期，无法在短时间内体现出试点城市的环境绩效，因此本文仅考察首批智慧城市试点政策。第二，有鉴于政策初期执行力度有限，本文在以地市为单位实施的试点中仅保留了市辖区。第三，为了识别参数α1，智慧城市试点的选择不应与地区特征相关，然而在确定试点名单的过程中，政府可能会参考该地区产业结构、人口密度、经济发展等的状况。为了控制这些前定变量以进一步克服内生性问题，我们在方程中加入这些因素在政策实施前一年的取值与试点实施年份虚拟变量Post2012的交乘项。其中，人口密度采用城区人口与土地面积之比表示；产业结构采用第二产业产值在GDP 中的占比表示；经济发展状况采用人均国内生产总值表示。第四，为了剔除企业层面因素的影响，我们控制了企业全要素生产率(TFP)、资本劳动比、年龄对数值及其平方项。限于数据获取的限制，我们借鉴Head 和Ries (2003)的做法，采用公式TFP ＝ln (Y/L)-αln (K/L)来估计TFP。其中，Y指企业的工业总产值，K指固定资产总额，L指年末从业人员数，资本的贡献度α设定为1/3 (Hall 和Jones，1999)。资本劳动比使用固定资产和从业年末人数之比来度量(张杰等，2013)。企业年龄用观测年减去企业创办年然后加1 表示。

四、实证结果及分析

(一)实证结果及分析

在识别变量间因果关系的过程中，计量模型的回归系数及其标准误差经常会受到固定效应、控制变量和聚类层级的影响。出于稳健性的考虑，我们首先考察在普通标准误差的情形下，逐次控制不同固定效应和两类主要变量对回归系数的影响，相关结果见表1。第(1)列至第(3)列逐步控制不同的固定效应，第(4)列与第(5)列逐步控制不同种类的变量，尤其是企业层面因素，第(6)列至第(8)列继续测试不同聚类层级对回归标准误差的影响。分析可见，智慧城市建设能够显著降低企业SO2排放强度这一结论相当稳健。最终的最优模型如第(8)列所示，相比非试点地区，试点城市的企业SO2排放强度在1%显著性水平上下降了12.7%。后文所有回归模型，均以最优模型第(8)列为基准模型，即控制最严格的固定效应，并将标准误差聚类至最严格的层级。

表1 设立智慧城市试点对企业SO2 排放强度的影响

(二)假设检验

理想自然实验下的差分估计本身就具有一致且无偏的特性，但其合理性还须建立在样本选择偏差、安慰剂、共同趋势等一系列前提假设基础之上。为了增强估计结论的可信性，我们针对关键识别假设进行逐一检验。

(1)平行趋势假设检验。两期差分或去均值能够消除不随时间变化的因素带来的内生性，但仍然存在一个担忧，即若存在时变的混杂因素，则即使没有政策干预，实验组与控制组两组结果也不会平行变化，从而无法确保双重倍差估计量无偏。基于此，我们参考Jacobson 等(1993)的做法，利用事件分析法来检验共同趋势假定。具体而言，如果实验组与控制组之间的环境污染差异在智慧城市试点政策实施前的年份趋势较为平缓，则证明符合平行趋势假设；反之，如果在政策执行前的年份发展趋势出现显著上升或下降，则证明不符合共同趋势假设。我们采用如下方程验证:

其中，Dτ是年份虚拟变量，将2008 年(样本初始年份)设定为事件分析的基准年。此时，参数ατ的具体含义是，与2008 年相比，在τ年实验组与控制组中企业SO2排放强度有无显著差异。若在入选智慧城市试点之前ατ不显著异于0，则满足共同趋势假设条件。其他参数含义与式(2)相同。图2 绘制了参数ατ估计值及90%置信区间。可以看出，本文双重差分模型的设定通过了共同趋势检验。

图2 平行趋势检验

(2)安慰剂检验。尽管上述结果通过了平行趋势检验，但理论上仍未完全排除随机因素与遗漏变量等的干扰。根据Chu 等(2021)的做法，我们虚构了500 次试点时间—城市两个层面的随机实验，对表1 第(8)列的回归结论实施安慰剂检验。图3 绘出Smart×Post的系数估计值累积概率密度函数。可以看到，随机设置下的系数估计值集中分布在0 附近，这意味着企业SO2排放强度并未显著受到除智慧城市倡议外其他因素的影响，即基准结论依然稳健。

图3 安慰剂检验

(3)其他检验。为了加强研究的可靠性，我们对基准结论还做了一些其他识别检验。首先，考虑政策预期效应可能会干扰基准结果。自2010 年开始，政府就分别从宏观政策引导、应用行业指南、扶持资金支持等多个层面陆续出台了相关制度文件，为建设智慧城市塑造了良好的政策环境。这可能导致企业对实施智慧城市建设形成政策预期，并根据预期调整其生产经营行为。为了控制企业预期对研究结果的影响，我们在回归方程中添加Smarti，2012与试点实施前的2010 年虚拟变量的交乘项。表2 第(1)列与第(2)列汇报了对应的估计结果。可以看出，加入预期项后，核心解释变量的系数基本不变，且预期项回归系数并不显著。另外，如果跨地区转移企业与未跨地区转移企业在污染排放强度上存在显著差异的话，那么企业的跨地区转移行为则有可能导致样本自选择问题。计算跨县域转移的企业数量后发现，在2012—2014 年间，平均每年跨地区转移的企业数量只有730 家。进一步地，我们采取如下两种措施来缓解企业在地区间迁移对基准回归影响的担忧:第一，将政策执行前后两年设定为新的研究区间，估计结果如第(3)列和第(4)列所示；第二，基于地级市层面构建智慧城市试点名单，并将只以某个县或区作为试点的城市从实验组中予以剔除，相应结果如第 (5)列和第(6)列所示。不难发现，智慧城市能够降低中国企业SO2排放强度的结论仍然十分稳健。

表2 进一步识别检验

(三)稳健性分析

接下来我们进行更换核心变量及其度量方式、考虑政策冲击等一系列稳健性检验。

(1)更换核心变量。尽管前文进行了数据可靠性检验，但企业污染数据库的数据质量仍然令人担忧。此外，智慧城市建设周期一般为2—5 年，其环境效应才能够逐渐显现。基于此，本文采用2005—2016 年中国3 145 个区县年平均PM 2.5 浓度数据实证甄别智慧城市建设对雾霾污染的影响，该面板数据来源于美国哥伦比亚大学(Colvmbia University)网站提供的中国范围的栅格数据的裁剪汇总。其优势在于:第一，不同于CO、CO2 以及TSP 等常规污染物，PM 2.5 能够更加客观真实地度量雾霾污染程度。第二，几乎覆盖中国所有区县级行政区，且样本区间长达十年之久，这有助于当前关于空气污染的政策讨论。估计策略与前文基准模型相仿，需要说明的是，由于这里拓宽了政策开始实施后的研究样本区间，因此有必要从控制组中删除2013 年批次与2014 年批次的智慧城市试点。同表1 相似，表3 从第(1)列至第(8)列依次考虑不同固定效应、控制变量和聚类层级，其中，区县控制变量主要包括产业结构与经济发展水平，并添加风速、湿度、日照、气温以及气压等变量来控制天气的影响。结果显示，无论在何种情形下，建设智慧城市均显著降低了中国PM 2.5 浓度。

表3 更换环境污染指标与拓宽样本区间

(2)考虑政策冲击。大量研究显示污染排放在很大程度上受到环境规制的影响(Shapiro 和Walker，2018；王兵等，2008)。事实上，在本文研究区间内，我国制定并实施了众多环境规制政策。比如，2011 年以来开始实施的《中华人民共和国清洁生产促进法》与“十二五” 节能减排综合性工作方案中均明确了各地区氮氧化物、二氧化硫、氨氮、化学需氧量排放总量控制目标等。由此引发的另一个担忧是，智慧城市建设能够降低中国企业SO2排放强度的结论可能受环境规制的干扰。一般而言，环境规制强度可以通过排污费来度量，而2012—2014 年上市公司对其进行了披露。为此，我们首先考察企业排污费特征。图4 绘制了两种城市组别企业排污费的箱线图。可以发现，排污费在实验组与控制组间不存在显著差异，这说明即使在基准模型中遗漏环境规制因素，也不太可能影响前述结论的可靠性。

图4 不同组别企业排污费的箱线图

然而征收排污费并不能完全反映环境规制的全貌，如何准确度量环境规制强度仍然是摆在现有研究面前的一大难题(陈诗一和陈登科，2018)。幸运的是，中国实施环境规制政策基本是以行政区划为单位，再加上本文使用的是微观企业数据，因而可以在回归方程中控制各类环境政策实施层级的固定效应来消除其对基准回归的潜在干扰。具体做法如下，表4 第(1)列与第(2)列添加不同地区固定效应与年份固定效应的交乘项；考虑到同一地区的环境规制在不同行业间可能存在差异，第(3)列添加行政单位与行业固定效应的交乘项。不难发现，回归结论和基准结果较为一致。

表4 稳健性分析

(3)其他稳健性分析。我们还以方程(1)为基准做了其他稳健性分析:首先，虽然2013 年与2014 年试点政策很难在短时间内体现出环境绩效，但仍有可能对前文双重差分模型的设定产生一定干扰。为此，我们从控制组中剔除了这两批试点城市。其次，用时间趋势三次多项式替换基准回归中试点年份虚拟变量，与前定变量一起重新构造新的交叉项。再次，基于2014 年污染数据库得到的最新SO2排放数据的真实性还存在较大争议，故删除2014 年的数据再进行稳健性分析。最后，为了避免控制变量内生性对基准结论的潜在干扰，对所有企业控制变量作了滞后一期处理。第(4)列至第(7)列分别报告了相对应的稳健性分析结果，均显示未影响本研究核心结论。

(四)机制分析

通过一系列识别检验与稳健性分析，前文已经就智慧城市建设是否影响中国企业污染的问题进行了回答。我们再进一步回答智慧城市建设如何降低企业污染的问题，即探究智慧城市建设降低企业SO2排放强度的内在机制。

1.清洁生产和末端处理

前述实证结论一致表明，中国企业SO2排放强度显著受到智慧城市建设的影响。根据定义，企业SO2排放强度等于SO2排放量与工业总产值之比，那么中国智慧城市建设究竟是通过降低企业SO2排放量还是提升企业的产出方式来降低企业SO2排放强度? 为了考察该机制，我们基于方程(1)，分别采用SO2排放量的对数值(lnSO2)和工业总产值的对数值(lnOutput)作为因变量对智慧城市建设进行回归。表5 第(1)列和第(2)列报告了以企业SO2排放量作为因变量的回归结果，与将SO2排放强度作为因变量的基准情形非常接近，即在1%的水平下智慧城市建设系数估计值同样显著为负。然而，第(3)列和第(4)列以企业产出作为因变量的回归结果显示，智慧城市建设系数估计值并未通过显著性检验。由此可见，中国智慧城市建设降低企业SO2排放强度主要得益于SO2排放量的下降而非企业产出的提升。

表5 设立智慧城市试点对企业SO2 排放量和产出的影响

表5 揭示了企业SO2排放量的下降是智慧城市建设降低企业SO2排放强度的主要路径。企业污染数据库还报告了企业生产过程中的SO2产生量和末端处理过程中的SO2去除量，这为进一步回答究竟是企业生产端的变化还是处理端的变化引起SO2排放量的下降提供了可能。为了验证这一机制，我们将被解释变量由企业SO2排放强度分别替换为SO2产生量对数值(lnSO2_Produce)与SO2去除量对数值(lnSO2_Remove)，表6 报告了对智慧城市建设回归的相关结果。不难发现，智慧城市建设不仅能够通过减少SO2产生，还能够通过增加SO2处理来降低企业SO2的排放量。

表6 污染产生和污染处理

2.能源结构效应

现有研究广泛表明污染的产生与能源使用密切相关(陈登科，2020)。作为一个以煤炭为主要资源禀赋的国家，中国的煤炭消耗在一次性能源中占比高达60%，企业产生的SO2大都由煤炭使用所引起。因此，在给定智慧城市建设不显著影响企业产出的条件下，煤炭使用可能是智慧城市建设影响企业SO2产生的一个潜在原因。为了验证该机制，我们使用煤炭使用强度(lnCoal)作为被解释变量对智慧城市建设进行回归，相应结果如表7 第(1)列与第(2)列所示。分析可见，没有证据显示中国智慧城市建设能够显著影响企业煤炭消耗强度，这说明智慧城市建设并未能够优化我国能源结构，摆脱煤炭使用的高度依赖。可能的解释是，当前我国正处于智慧城市建设初期，在智慧化转型摸索阶段制造业企业通常较少关注传统高耗能环节的改造工作，而是优先升级管理、销售、研发等低耗能环节(户华玉和佘群芝，2022)，从而导致煤炭在能源消费占比中变化不大，企业的减污效果并未因此而增强。

表7 设立智慧城市试点对企业煤炭使用强度的影响

为了检验上述结论的稳健性，我们将被解释变量由煤炭使用强度的对数值替换为洁净燃气消费强度的对数值(lnClean)以及化学需氧量排放强度对数值(lnCOD)。其逻辑是，智慧城市建设如果以减少企业使用煤炭的方式来影响SO2排放强度的话，那么应当发现，与煤炭形成替代关系的洁净燃气消费受到智慧城市建设的影响相对较大，而与煤炭使用不太相关的化学需氧量排放强度则受到智慧城市建设的影响较小。事实恰恰相反，表7 第(3)列至第(6)列显示，智慧城市建设对企业洁净燃气消费强度的影响并不显著，但显著减少了化学需氧量排放强度。

3.技术进步效应

从本质上可以将企业SO2排放强度(单位产出的SO2排放量)视为一个效率概念，因此可以推测，技术进步可能是智慧城市建设降低企业污染排放的重要渠道。在正式考察该机制前，我们先初步分析企业间SO2排放强度差异与TFP 差异的分布特征。在一定程度上，企业TFP 反映了中性技术进步。如果两者不存在系统性差异，那么就可以用中性技术进步来解释企业污染排放差异。为了验证这一点，我们分别计算县域企业间SO2排放强度(对数值)与TFP 90%分位数与10%分位数之差，并在图5 中绘制出各自差异的概率密度分布。与Lyubich 等(2018)的发现类似，企业间SO2排放强度的异质性显著高于TFP。此外，自Acemoglu (2002)发展与完善偏向型技术进步理论以来，众多学者开始意识到区分有偏技术进步与中性技术进步能够对一些经济现象提供较好的解释(陈登科，2020)。这说明，本文在考察智慧城市建设的技术效应过程中应当着重关注有偏技术进步。

图5 企业污染排放与中性技术进步的异质性

由于有偏技术进步无法被直接观测，根据陈登科(2020)的做法，我们采用投入要素之比作为间接代理。首先构造如下生产函数:

其中，Y代表企业产出，投入要素包含资本投入(K)和污染排放(Z)两类。需要说明的是:把污染排放视为一种投入要素等同于将其作为副产出的设定(陈登科，2020)；添加劳动投入(L)或者直接用L替换K均不会影响后文的论证。A是中性技术进步，AK与AZ则用来衡量有偏技术进步；ρ和σ分别表示要素间相对重要程度以及要素替代弹性。

假设r和PZ分别表示企业资本投入成本与污染排放成本，企业利润π可表示为:

式(4)的最大化必要条件包括:

整理式(5)与式(6)，进一步可得:

至此可以发现，在既定投入要素价格下，投入要素之比与有偏技术进步密切相关，即有偏技术进步可以间接利用投入要素之比来表示。

表8 报告了智慧城市建设对中性技术进步(以lnTFP衡量)与有偏技术进步(以lnZK与lnZL衡量)的影响。其中，lnZK与lnZL分别是企业SO2排放量与资本和劳动之比的对数值。为了避免要素价格变动对式(7)中投入要素之比与有偏技术进步之间的稳定关系形成潜在干扰，第(3)列与第(5)列分别添加了利息率的对数值(InRate)和工人工资的对数值(lnWage)。我们无法直接获取企业污染价格PZ的数据，但同一行业的污染排放价格在不同企业间存在较小差异，因此选择添加3 位数行业与时间固定效应的交乘项的方式来对其加以控制。回归结果表明，智慧城市建设对有偏技术进步的影响显著，但并未显著影响中性技术进步。

表8 中性技术进步和有偏技术进步

五、拓展性讨论

(一)异质性分析

我们进一步探讨智慧城市建设对企业SO2排放强度的异质性影响。理论上，如果智慧城市确实发挥了SO2减排效应，那么对于受智慧城市建设影响较大的企业来讲，其SO2排放强度应该具有较高的下降幅度。一般而言，智慧城市试点政策在非国有企业中可能发挥的效应更大。可能的解释是，在面对企业数字化转型机遇时，国有企业存在较强的路径依赖，而非国有企业在调整与改革内部体制机制以及促进内部生产要素的自由流动上更具灵活性。此外，给定其他条件相同的情况下，体量越大企业受到智慧城市建设的影响亦往往越大。这是因为企业进行智慧化转型时需要克服一定的固定成本，而对于规模较大的企业而言，智慧化转型的单位成本相对较小，即具有所谓的规模报酬递增效应。鉴于此，基于分样本回归，我们实证检验了智慧城市建设对不同所有权与不同规模企业SO2排放强度的影响，估计结果如表9 所示。在同时添加两类控制变量与四种固定效应后，双重倍差项系数在国有企业子样本与小企业子样本中均不显著；相比之下，对于非国有企业子样本与大企业子样本，第(2)列和第(4)列显示Smarti，2012×Post2012系数均显著为负。结果表明，对于非国有企业以及规模较大的企业，智慧城市降低SO2排放强度的效应更强。

表9 异质性分析

(二)雾霾污染、智慧城市建设与经济发展

尽管智慧城市拥有显著的正面效果，但其建设资金也相当巨大。因此，全面评估智慧城市试点政策的福利状况很有必要。从政策收益的角度看，智慧城市建设对经济社会的影响是积极且多维度的，包括提高劳动生产率、减少犯罪率和保障公共健康等。限于数据的获取，本文无法穷尽所有的福利提升，仅仅估计环境改善带来的经济收益。

首先，我们依托我国2008—2016 年285 个地级市相关数据来甄别雾霾污染对经济增长的影响，建立计量模型如下:

其中，GDPk，t表示城市k在t年实际国内生产总值GDP (亿元)，按照2000 年不变价进行平减。PM2.5k，t为计量回归模型的核心解释变量(μg/m3)，α1是我们感兴趣的系数，以此衡量雾霾污染对经济发展的影响。Xk，t为控制变量，主要包含金融发展、政府研发、对外开放、城市人口密度以及第二产业比重。此外，为了有效缓解遗漏变量偏误问题，我们分别控制了城市固定效应(μk)和时间固定效应(λt)。εk，t为误差项。

一般而言，经济与雾霾之间存在潜在的内生性问题:第一，经济增长会利用自身具有的结构效应、技术效应与规模效应来影响雾霾污染。第二，雾霾污染可能会通过损耗人力资本和减缓城市化等其他路径来阻碍经济发展。为了规避这些识别上的潜在干扰，我们选择空气流动系数(VC)作为PM 2.5 的工具变量。借鉴陈诗一和陈登科(2018)的做法，构建方法为VCk，t＝WSi，t×BLHi，t，其中，BLHi，t和WSi，t分别是大气边界层高度与风速。选择理由如下:一方面，作为大气类污染，雾霾在很大程度上是由空气流动性等因素决定，有效工具变量的相关性假设显然成立。另一方面，大气边界层高度和风速均易受到复杂的地理环境和气象系统影响，从而空气流动系数也能够满足其外生性假定。因此，可以设置以下两阶段最小二乘估计模型:

回归结果见表10。第(1)列、第(2)列汇报了OLS 回归的结果；作为稳健性检验，第(3)列、第(4)列汇报了工具变量回归的结果。结果表明，平均而言，PM 2.5上升1 μg/m3可以减少城市GDP 约15.70 亿元。研究样本内城市GDP 平均约为789.28亿元，结合表3 中双重倍差项的估计系数(0.681 μg/m3)，可计算得到智慧城市因减霾而避免了占全国GDP 1.35%左右的经济损失。这在一定程度上意味着智慧城市建设能够实现经济发展与污染治理的“双赢” 目标。

表10 城市雾霾与经济增长

六、结论与政策性建议

随着中国经济进入“新常态”，为满足人民对美好生活的追求，党和政府对智慧社会建设以及环境保护问题高度重视。在此背景下，本文利用2008—2014 年中国2 581 个县区50 278 家企业的面板数据，采用双重倍差模型，对中国智慧城市的环境治理效应进行实证分析。结果表明:智慧城市显著降低了企业SO2的排放强度，位于智慧城市试点的企业SO2排放强度要比非智慧试点城市企业低12.7%，这一研究结论在实施诸多稳健性检验后依然成立。对于非国有企业以及规模较大的企业，数字化转型的污染治理效应更加明显。机制分析显示:企业SO2排放强度下降是因为污染物排放的减少而不是企业产出的增加；企业污染排放下降则是企业清洁生产与末端污染去除共同作用的结果；能源结构调整并不是智慧城市导致SO2排放强度下降的潜在原因，智慧城市建设并未优化我国能源结构，摆脱对煤炭使用的高度依赖；智慧城市的技术效应是导致SO2排放强度下降的重要机制，其中有偏技术进步而非中性技术进步占据主导地位。拓展性研究发现，智慧城市建设因减霾而避免了占全国GDP 1.35%左右的经济损失，智慧化转型能够实现污染治理与经济发展的“双赢”。

本文结论具有十分重要的政策含义。首先，当前经济发展模式亟须从要素驱动“换挡” 到创新驱动，中国应坚定不移地加快高水平智慧化转型，把推进智慧社会建设列为现代化经济体系的关键组成部分。要以城市智慧化转型赋能企业绿色科技创新，有效发挥新兴数字技术设备应用产生的技术渗透效应，加速企业绿色工艺创造进程。其次，要以推进制造业全产业链智慧化转型驱动能源结构优化，既要推进企业的管理、销售、研发等低耗能环节的智慧化转型，也要对传统煤炭能源高消耗环节进行智慧化改造，有效发挥智慧化转型产生的能源结构优化效应。最后，我国目前环境保护成效大多还表现为临时性改善，其长效治理机制仍然匮乏。尽管大规模地关停高能耗、高污染企业可以在短时间内改善生态环境，但从长远看必然会损害经济增长，最终降低人民福祉。本文结论为解决污染防治问题提供了崭新思路，即除了采用环境规制等直接方式，政府还可以通过加强城市智慧化建设这一转变经济发展模式的途径来降低环境污染，从而实现污染治理与经济发展的“双赢” 目标。