智慧城市建设对绿色经济发展的影响研究——基于PSM-DID 模型的实证检验

葛璇

(江门职业技术学院经济管理学院 广东江门 529000)

1 问题提出

伴随我国社会经济发展步入稳定新常态阶段，提高城市经济质量与效益成为国家新战略方针。以往为追求快速经济增长而采取的城镇工业化方式也开始突显出高质量发展问题，如城市环境恶化、生态问题频发[1]。为彻底改变这一以牺牲环境为代价的发展方式，追求绿色可持续性经济增长，国家在“十四五”规划与2022年政府工作报告中均提出要通过智慧城市建设赋能产业绿色化转型，引领社会经济实现绿色变革。自2012年住建部下发《国家智慧城市试点暂行管理办法》，智慧城市建设俨然成为提升技术创新能力、带动绿色经济增长的重要载体[2]。在新经济常态背景下，研究如何借助智慧城市优化产业结构，提高绿色经济发展水平具有重要的现实意义。

现阶段，学术界对于绿色经济发展的测度主要可从以下方式展开：一是技术创新。绿色经济技术创新最直观的测算方式是绿色综合生产效率，多以生产效率作为绿色经济的替换变量，采用包含R&D投入的超效率DEA—SBM模型计算绿色全要素生产率来衡量绿色经济生产效率[3]；二是效应方式。绿色经济发展的多样性，促使其多以“追赶”“创新”“领先”等效应作为绿色经济测度的代理变量，运用面板VAR模型衡量绿色经济发展水平[4]；三是发展特点。学者基于绿色经济发展特征，将绿色经济发展分为突破式发展和渐进式发展。突破式发展是突破现有绿色技术，生产全新的绿色产品或服务[5]；渐进式发展是对现有绿色技术和绿色产品进行优化与改造[6]；值得注意的是，突破式发展具备前瞻性与探索性特征，可促使绿色经济创建全新绿色消费市场，同时也具有生产成本高、风险大等问题。

相较于以往研究，本文的边际贡献主要表现在以下三个方面：一是从微观城市视角深入考察智慧城市建设对绿色经济发展的影响，为不同地区智慧城市建设差异化产业政策提供基本的参考借鉴；二是根据绿色经济发展过程中的投入、产出阶段，利用资源性投入、非资源性投入、期望产出、非期望产出测算绿色经济发展水平，对绿色经济发展水平的衡量结果更加全面、合理；三是考虑到区域、城市规模、城市行政级别的差异性特征，采用倾向得分匹配(PSM)与双重差分(DID)方法对研究样本进行详细筛选，及时纠正样本偏差问题，使实证结果更加真实可靠。

2 文献综述

智慧城市试点工作开展以来，国内学者针对智慧城市建设展开了大量研究[7-10]。有关智慧城市的影响主要集中在城市创新能力、城市经济、产业结构三个层面。

首先，城市创新能力的影响方面。张节、李千惠等人(2020)认为，智慧城市建设相关政策可显著提升区域创新能力，而且城市科技创新基础设施越好，智慧城市建设政策影响程度越突出[11]；张龙鹏等(2020)认为，智慧城市建设可显著提升城市创新能力，而且创新效应随着时间推移逐渐增强[12]。

其次，城市经济的影响方面。张治栋和赵必武(2021)基于PSM-DID方法验证了智慧城市建设对城市经济高质量发展水平具有显著提升作用[13]；王颖和周健军(2021)认为，智慧城市建设能够促进经济增长。从机制检验层面来看，智慧城市建设主要通过人口集聚与技术创新效应拉动经济增长[14]。

最后，产业结构的影响方面。王敏等人(2020)认为，智慧城市建设主要通过居民消费、行业创新、技术水平、互联网发展四个层面促进产业结构升级，且不同地区智慧城市建设程度对产业结构影响存在显著差异性[15]。蒋选与王林杉(2021)认为，智慧城市建设能够促进产业结构转型升级。在考虑城市规模异质性现状情况下，进一步发现欠发达地区智慧城市建设对本地产业结构转型优化效应大于发达地区[16]。

综上所述，现有文献对智慧城市的研究主要集中于宏观层面，对绿色经济的研究则相对较少。绿色经济发展作为推动社会经济系统性变革的关键组成部分，是践行生态文明建设的不竭动力。由此，本文利用地级城市微观数据，采用PSM-DID方法深入分析智慧城市建设对绿色经济发展的影响，以期得到智慧城市建设促进绿色经济高质量发展的有效途径。

3 模型构建与变量说明

3.1 模型构建

鉴于智慧城市建设并非随机分配，较易出现数据样本选择性偏差问题，采用传统数据分析方式易对评估结果造成误差。由此，本文采用倾向匹配得分方法(PSM)对智慧城市建设与绿色经济发展的因果效应展开评估。具体来看，PSM将影响绿色经济和智慧城市建设的主要因素转化为可被量化的条件概率，并据此为设立的智慧城市试点(处理组)匹配一个未设立试点但发展程度最相近的城市(对照组)。两组城市之间除了是否建立智慧城市试点差异外，在其他层面均无明显差异，一定程度上可以理解为是否设立智慧城市试点的差异。本文借鉴倾向匹配得分法选择符合研究过程的数据处理组与匹配组，公式如下：

式(1)中：Xi表示匹配变量，是影响绿色经济发展的因素总和，参照已有文献及R2最大法则相关内容，选择如下变量。①技术创新：采用各地级市从业人员专利总授权数量进行表征；②产业结构：计算方式为“第三产业总产值/第二产业总产值”；③基建水平：采用年末人均实有道路面积进行衡量；④外商投资力度：采用实际利用外商直接投资总额进行衡量；⑤环境规制强度：选取生活垃圾无害处理率、工业废物利用率与生活污水处理率，并利用熵值法计算得到综合指数作为环境规制强度的替代指标；⑥政府干预力度：采用财政支出总金额与GDP的比值进行衡量。

进一步利用Logit计算模型对式(1)中多个协变量数值进行降维处理，进而得到i地区的倾向得分数值Pi(X)。对处理组和对照组的样本数据进行匹配过程中，主要采用距离为0.01的近邻匹配法。截至2020年4月，住建部公布的智慧城市试点共计290个，这为本文利用双重差分法(DID)进行具体研究提供了较好的“准自然实验”条件。由此，本文以智慧城市试点设立当作一次“准自然实验”，将2012—2020年期间设立智慧城市试点的城市作为处理组，未设立智慧城市试点的城市作为对照组，评估国家智慧城市建设对绿色经济发展的影响。所设定计量模型如下：

式(2)中：Yit代表绿色经济发展水平；根据城市获批智慧城市试点的时间构建解释变量，其中，智慧城市试点获批之前与之后分别取值0和1。虚拟变量依据智慧城市试点设立时间的先后顺序进行引入，具体含义是某城市于2012—2020年间设立智慧城市试点取值为1，反之取值为0。此外，、分别代表控制变量与随机误差项。

3.2 变量说明

3.2.1 被解释变量

绿色经济发展。本文以绿色经济效率衡量绿色经济发展，并在借鉴李勇刚(2021)[17]及申洋等人(2021)[18]衡量方法的基础上，构建了绿色经济效率测度的投入—产出指标体系。

(1)投入指标

投入指标是反映绿色生产过程中投入性要素转化成最终经济产出的效率指标[19]。本文将投入性指标主要设置为资源性和非资源性两类。其中资源性投入指标主要为能源使用量，用工业用电量及液化石油气总供量表示；非资源性投入指标主要为劳动和资本投入，分别用城市从业人数及城市固定资本存量(利用永续盘存法计算获得)表示。

(2)产出指标

产出一般可分为期望产出和非期望产出，由此设置相应指标进行说明。其中，期望产出由社会和经济效应产出组成，采用地区社会零售总额及生产总值表示；非期望产出主要指城市经济发展过程中工业生产与居民日常生活中产生的废弃物、二氧化硫等污染物，选用工业废水总量、工业排放二氧化硫总量及工业粉尘排放量进行衡量。

3.2.2 核心解释变量

本文核心解释变量为智慧城市虚拟变量。相关数据主要源自《国家智慧城市试点暂行管理办法(2012年版)》。该文件出台后国家陆续公布了三批智慧城市试点名单及相关试点信息。

3.2.3 控制变量

为全面、准确衡量智慧城市建设对绿色经济发展的影响，同时，为尽可能减小共线性问题带来的数值估算偏差，本文选取了如下控制变量：技术创新、产业结构、基建水平、外商投资力度、环境规制强度、政府干预力度。具体变量含义如表1所示。

表1 主要变量及具体含义

3.3 样本选取和数据来源

本文研究区间为2012—2020年，研究对象为中国285个地级及以上城市，研究所用数据源自《中国统计年鉴》《中国城市统计年鉴》《中国环境年鉴》及各地级市统计公报。与此同时，缺失的样本数据主要利用线性插值法、均值法补齐。

4 模型检验与实证结果分析

4.1 倾向性得分匹配结果分析

为保证研究采用倾向性得分匹配方式测算的结果真实、可靠，选取的得分匹配研究变量必须满足相关匹配平衡条件，即。进行倾向性得分匹配测算过程中，本文将研究样本分为两类：一类是2012—2020年间设立了智慧城市试点的城市，用作处理组；另一类是2012—2020年间未设立智慧城市试点的城市，用作对照组。基于Logit模型计算得到倾向得分匹配数值，并利用距离为0.01的近邻匹配方式匹配处理组和对照组数据，具体结果如表2所示。不难看出，所有变量的得分匹配标准化偏差结果均大幅减小，由此可以推断出此次研究的匹配效果良好。总结而言，本研究的样本匹配结果满足了平衡性假设。分析以上结论可知，DID法关于数据平衡性与随机性的特征要求在匹配样本后可以得到满足，因此能够进一步使用DID法进行回归分析。

表2 匹配样本变量的平衡性结果

4.2 基准模型检验结果

为准确验证各变量之间的关系，本文利用双重差分法对经过倾向得分匹配后的变量数据进行估计，并对式(2)进行回归，得到回归结果如表3所示。

表3 基准回归结果

表3列(1)～(4)对应基准模型的被解释变量分别为资源性投入、非资源性投入、期望产出、非期望产出。回归系数显示，2012—2020年设立智慧城市试点的城市对资源性投入、非资源性投入及期望产出方面均具有促进作用，其中，非资源性投入、期望产出在5%水平上显著，资源性投入则并不显著；与非期望产出在1%水平上显著负相关。出现这一结果的原因可能是，智慧城市试点工程目前时间还较短，对于资源性投入的影响效应还有待进一步加深。从总体回归结果可知，智慧城市建设可显著提升绿色经济发展水平。

从控制变量总体来看，inno的回归结果显示，技术创新与绿色经济发展水平在1%水平上显著正相关。随着社会技术创新水平持续提高，社会资源得到广泛优化整合，能够促进绿色经济稳步提升。lospg的回归结果显示，产业结构优化程度越高，绿色经济发展水平越高；但对非资源性投入的促进作用不显著。liofe的回归结果显示，基建水平与资源性投入、非资源性投入、期望产出正相关，而且分别在5%、1%、1%水平上显著，但与非期望产出在1%水平上显著负相关。fdine的回归结果显示，外商投资力度与资源性投入、非资源性投入、期望产出正相关，在5%水平上显著；但与非期望产出呈负相关。sdife的回归结果显示，环境规制强度对资源性投入、非资源性投入、期望产出均具有正向影响，但在研究期内并不显著，表明环境规制强度一定程度上能够提升绿色经济发展水平。ligov的回归结果显示，在本研究期内政府干预力度对绿色经济发展具有促进作用，但并不显著。

4.3 异质性检验

4.3.1 区域异质性检验

鉴于经济发展与资源禀赋差异，通常具备区位优势条件的智慧城市建设往往具有获取绿色要素资源迅速、市场交易成本低廉等优势，从而更方便助力绿色经济发展。基于此，本文根据区位资源要素差异，将285个城市具体划分为98个东部城市与187个中西部城市两类样本，从而检验不同区域智慧城市建设对绿色经济发展的影响是否存在显著差异，结果如表4所示。

表4 区域异质性检验

表4中列(1)～(4)表示东部城市的回归结果；列(5)～(8)代表中西部城市的回归结果。的测算结果显示，智慧城市建设对绿色经济发展均具有促进作用，其中，对中西部城市绿色经济发展的影响更大。细致来看，东部城市基于地区禀赋优势，在基础设施、要素资源、地理位置、人才培养等方面比中西部城市略胜一筹，相应的，其在智慧城市建设中带来的提升效应也较为有限。反观中西部城市，由于其过往城市发展水平较低，进行智慧城市建设带来的基础设施升级、要素资源流通等能够在短期内得到明显提升，进而吸引高新技术产业与高技能人才大幅流入，推动自身绿色经济实现快速发展。

4.3.2 城市规模异质性检验

伴随中国城市人口占总人口比重日益增大，城市规模也在迅速膨胀，这就需要城市在区域内的分布与发展具备相对稳定的增长比例。按照国务院发布的《关于调整城市规模划分标准的通知》，下文将城区常住人口在500万以上城市定义为特大及超大城市；将常住人口在100万～500万之间的城市定义为大城市；将城区常住人口在100万以下的城市定义为中小城市。借此，分别检验智慧城市建设对绿色经济发展水平的影响，结果如表5所示。

表5 城市规模异质性检验

表5中列(1)～(4)表示特大及超大城市的回归结果，列(5)～(8)代表大城市的回归结果，列(9)～(12)代表中小城市的回归结果。的回归结果表明智慧城市建设对特大及超大城市与大城市的绿色经济发展具有明显的促进作用，对中小城市的影响作用并不显著。究其原因，一方面，城市规模越大，自身产业集聚能力越强，对城市环境污染物可以实现大规模统一化处理，进而提升城市环境治理效率。在此基础上，中国特大及超大城市与大城市在建设智慧城市进程中，可以充分利用新型环境治理技术与效率的全面提升，实现绿色经济长期稳步发展；另一方面，中小城市与其他城市的区域协同治理机制并未完全建设起来，仍旧处于区块化发展阶段，致使中小城市难以享受到特大及大城市绿色经济发展的辐射影响。综上所述，国家智慧城市建设对绿色经济发展水平的影响具有明显的城市规模异质性差异。

4.3.3 城市行政级别异质性检验

智慧城市建设是推动经济绿色转型升级的重要手段，并且智慧城市建设已成为地区高科技产业发展的主要基地。目前来看，不同行政级别城市的绿色经济发展程度本身就存在差异，再加上高技术产业的绿色创新效率与能力相较非高技术产业略胜一筹。基于此，本文借鉴汪阳洁等(2020)[20]的划分方式，将城市行政级别依次划分为副省级城市、省会城市与一般级别城市，以此考察智慧城市建设对绿色经济发展的影响，结果如表6所示。

表6 行政级别异质性检验

表6列(1)～(4)表示副省级城市的回归结果，列(5)～(8)表示省会城市的回归结果，列(9)～(12)表示一般级别城市的回归结果。的回归结果表明，智慧城市建设对副省级城市、省会城市及一般级别城市的绿色经济发展均具有明显促进作用，其中，副省级城市估算系数大于省会城市，而省会城市估算系数大于一般级别城市。这可能是由于对于副省级城市来说，智慧城市试点工作主要目的是最大化享受规模经济、产业集聚与资源配置优势，借此更好实现绿色经济全面发展。对一般级别城市而言，在智慧城市建设试点工作中可能面临高技术人才不足、产业集聚效能低下、财政优惠政策较少等问题，一定程度上对绿色经济发展的促进效应远低于更高行政级别的城市。

4.4 智慧城市建设对绿色经济发展的影响渠道分析

根据上文分析，智慧城市建设对绿色经济发展具有明显的促进效应。详细来说，智慧城市建设通过合理化配置地区人力、物力、资本等资源，实现各生产性资源要素的整合与优化，最终促进绿色经济发展[21]。对此，为深入研究智慧城市建设对绿色经济发展影响的作用机制，本文进一步借用三重差分方法(DDD)检验资源配置效应，设定模型如下：

式(3)中： 表示城市配置资源，以城市人力、物力、资本资源配置总量来衡量；表示配置资源的影响渠道，即智慧城市建设通过影响城市资源配置总量对绿色经济发展水平的影响程度，对式(3)进行测算估计，结果如表7所示。

表7 资源配置的影响渠道检验

5 结论与政策建议

本文利用倾向得分匹配方法与双重差分方法，实证分析了智慧城市建设对绿色经济发展的影响。研究发现：第一，智慧城市建设对绿色经济发展存在显著促进效用；第二，就区域异质性检验结果来看，智慧城市建设对中西部城市的绿色经济发展影响更加显著。就城市规模异质性检验结果来看，智慧城市建设对特大及超大城市与大城市的促进作用更显著。就城市行政级别异质性检验结果来看，智慧城市建设对副省级城市绿色经济发展的提升效应更加显著；第三，就影响渠道而言，智慧城市建设可通过优化资源配置促进绿色经济发展。

基于以上研究结论，本文提出如下政策建议：

第一，拓展智慧城市试点工作范围。上述研究发现，智慧城市建设可以促进绿色经济持续高效发展。基于此，政府可在现有城市发展基础上纳入创新发展理念，拓宽试点工作影响范围。同时，考虑到各地级市在城市规模与行政级别等方面的差异，结合地级市实际发展现状，政府规划可充分利用区位优势，实行区域化战略定位，在智慧城市建设层面秉持求同存异原则，避免出现发展“一刀切”问题。

第二，强化绿色经济协同转型能力。一方面，建立智慧城市协同技术机制，加强各行政级别城市之间的内在联系，推动绿色环境治理技术与要素配置资源高效流动，形成城市间合理分工的技术扩散网络体系；另一方面，升级城市行政管理措施，为智慧城市建设提供公平、专业的竞争发展环境，弱化行政级别对绿色资源配置的影响，进而实现智慧城市建设中绿色经济协同转型。

第三，优化城市经济产业结构。智慧城市建设一定程度上优化了二、三产业经济结构。具体而言，政府要充分利用产业结构优化红利，不断促进现代生产性服务业高效发展，减缓城市对资源性投入的长期依赖。同时，重视现代生产性服务业对绿色全要素生产率的积极影响，通过整合培育高技术、高清洁的现代生产性服务业，加快服务业与绿色经济的深度融合。