数字基础设施建设对城市绿色创新效率的影响——基于“宽带中国”战略试点政策的准自然实验

刘 军 王励铧

1（山西财经大学国际贸易学院，太原 030006）

2（山西财经大学资源型经济转型发展研究院，太原 030006）

引 言

如何兼顾经济增长与生态环境保护的双重需求，推动经济发展模式全面向绿色发展转型，已经成为中国经济高质量发展的现实难题，长期的粗放式经济发展模式造成的资源短缺、环境污染和产能过剩等问题日益凸显［1］。十八届五中全会将“绿色创新” 提升到国家战略高度，绿色创新已成为突破困局的关键，同时也是经济可持续发展的关键驱动力。除此之外，党的二十大报告明确提出，“要推动绿色发展，积极稳妥推进碳达峰碳中和”。绿色创新是实现绿色发展的重要一环，而绿色创新效率作为对绿色创新的补充和完善，强调在技术创新中兼顾经济效益和环境可持续性，是绿色创新能力的重要衡量指标［2］。近年来，“宽带中国” 战略作为新一轮科技革命的高地，是我国进行数字基础设施建设的重要探索，在2013 年，《国务院关于印发“宽带中国” 战略及实施方案的通知》 中，对2014 年、2015 年和2016 年选择试点城市实施“宽带中国” 政策进行了详细部署，明确了数字基础设施建设的重要性。数字基础设施建设如何影响城市绿色创新效率，其内在的作用机制是什么，有何异质性表现等问题尚需深入研究。

现有研究发现数字基础设施建设有助于实现城市经济高质量发展［3］，促进城市全要素生产率的提升［4］，优化城市产业结构［5］，并且可以显著减少能源消耗和碳排放［1］。另外，与本文研究更为相关的文献关注数字基础设施建设对创新水平的影响，具体来看，赵星（2022）［6］发现数字基础设施建设可以通过增强信息化水平、促进数字金融发展和缓解劳动力错配，进而提升城市创新水平。种照辉等（2022）［7］发现“宽带中国” 战略的实施拓展了城市间合作创新的空间外延，促进了城市间合作创新。

此外，绿色创新作为践行高质量发展理念的突破口，其是否受到数字基础设施建设的影响，亦引起学者们的关注。王真和楚尔鸣（2023）［8］研究发现数字基础设施建设有助于缩小供需双方的信息鸿沟，减少无效创新有显著的作用。辛大楞与彭志远（2023）［9］进一步验证了该结论的可靠性，并进一步发现数字基础设施建设极大降低了金融市场的借贷双方信息不对称，进而缓解了进行绿色创新行为的企业所面临的融资约束。

基于上述分析可以看出，数字基础设施建设对绿色创新水平提升、降低环境污染和产业结构优化等均有积极作用。这些因素都是影响城市绿色创新效率的关键［10］，特别是考虑到在大多数城市绿色创新缺乏持续动力的背景下，深入探讨如何加快数字基础设施建设，实现城市创新水平提高、环境污染降低与经济增长协同的绿色发展具有重要的现实意义。在理论分析上，现有研究大多从人才集聚和资源配置优化的角度论述提高城市创新水平［6］、提升城市全要素生产率［4］、增强城市经济韧性［11］实现数字基础设施建设的经济效应。然而不可忽视的是要素错配的改善与人才集聚很大程度来源于数字基础设施建设带来的劳动力就业机会的增加和流动成本的降低［12］，从而可以加快劳动力流动的速度并扩大流动的范围，使得劳动力要素在不同部门和地区之间重新分配；另外，由于不同城市的经济状况和基础研究水平存在差异，仅仅以绿色专利数量等单一指标无法全面反映城市的创新能力。因此，在评估城市的创新能力时，采用绿色创新效率作为指标更能反映创新的环境效应和经济产出能力，也更能反映真实的创新能力［13］。

鉴于此，本文将“宽带中国” 战略作为一项准自然实验代理数字基础设施建设，运用DID 模型评估数字基础设施建设对城市绿色创新效率的影响效应，并且从劳动力流动和生产性服务业集聚两个视角挖掘数字基础设施建设影响城市绿色创新效率的作用机制，为理解数字基础设施建设提升城市绿色创新效率的原因提供了经验证据。

1 理论分析与研究假说

1.1 数字基础设施建设与城市绿色创新效率

数字基础设施建设作为数字经济发展的支柱，已在过去十年中逐渐演变为区域经济增长的新动力，其中“宽带中国” 战略通过将互联网技术与传统产业深度结合，提升了城市信息化水平［8］。数字基础设施建设对城市绿色创新效率的直接影响主要体现在以下两个方面：（1） 数字基础设施提供了强大的数据收集和监管工具，有助于缓解政府管理中由于信息不对称导致的低效问题，政府可以通过传感器、监测设备和物联网技术迅速获取城市内污染物排放和碳排放数据，从而提升要素配置效率和环境效率；（2） 数字基础设施建设有助于企业对数字技术的应用，使生产线更加智能化和灵活化，以适应市场需求的快速变化，推动节能创新，提高绿色创新效率。根据上述分析，本文提出：

假设1：数字基础设施建设有利于提高我国城市绿色创新效率。

1.2 数字基础设施建设影响城市绿色创新效率的内在机制

数字基础设施建设会通过促进劳动力流动和生产性服务业集聚进而提高城市绿色创新效率。从劳动力流动渠道来看，数字基础设施建设改善了信息的可及性和透明度，劳动力可以通过数字化平台更便捷地探索不同城市的工作岗位。同时，这一技术进步提供了高效、精确的人才匹配机制，这种强化的匹配联系有助于提高就业效率，降低失业率，促进劳动力流动。随着劳动力的流动，可以促使不同领域的专业知识在城市之间传播和融合，这种跨领域知识流动为绿色创新提供了丰富的知识资源。并且劳动力流动能够有效削弱劳动力市场分割，实现了劳动力资源配置效率的提升，从而纠正劳动力配置扭曲［14］，最终提升城市绿色创新效率［15］。

生产性服务业作为知识密集型行业，通过提供专业技术、管理和研发服务，推动着经济的发展。“宽带中国”战略试点政策的实施往往伴随着中央和地方政府大量的创新补贴和税收减免政策支持，能吸引生产性服务业入驻，推动多元化创新。从生产性服务业集聚渠道来看，数字基础设施建设有助于降低创新要素的交易成本与集聚成本［16］，吸引多元化创新主体的集聚，有助于促进知识的传播和技术的交流；另外，生产性服务业集聚通过共享资源、经济规模效应和创新网络，提高城市创新能力和竞争优势。生产性服务业的专业化集聚能够提升城市环境质量，降低污染排放规模，从而提高城市绿色创新效率［17］。因此，根据上述分析，本文提出：

假设2：数字基础设施建设可以通过促进劳动力流动和生产性服务业集聚从而提高我国城市绿色创新效率。

2 研究设计

2.1 模型构建和数据来源

本文将“宽带中国” 战略视为一项外生于绿色创新效率的准自然实验，引入双重差分模型对其政策效应进行评估，考虑到试点政策是分批次推进的，因此本文构建多时点双重差分，具体如下：

其中，下标i和t分别表示城市和时间；Gieit为被解释变量，代表i城市t年的绿色创新效率；DIDit为“宽带中国” 战略试点的虚拟变量；con⁃trolit为一系列城市层面的控制变量；ηi为地区固定效应；γt为时间固定效应；εit为扰动项。

2.2 变量定义及描述性统计

2.2.1 被解释变量

绿色创新效率（Gieit）。参考王晗（2022）［18］的测算方法，使用超效率SBM 模型测度城市绿色创新效率，并选取以下投入产出指标：

投入指标：（1） 资本投入，选取地方科学技术支出作为资本投入指标；（2） 劳动投入，选取地方科技从业人员数作为劳动投入指标；（3） 能源资源投入，选择全社会用电量衡量能源资源投入。

产出指标：（1） 创新产出，参考白俊红和蒋伏心（2015）［19］的做法，根据3 种专利（发明专利、实用新型和外观设计）的创新程度分别赋予0.5、0.3 和0.2 的权重，并对其进行加权平均；（2） 经济产出，采用城市实际GDP 表示；（3） 环境产出，以建成区绿化覆盖率为期望的环境产出指标衡量。选择工业废水、工业烟（粉）尘、工业二氧化硫和碳排放量作为非期望的环境产出指标，并采用熵值法进行测算。

2.2.2 核心解释变量

“宽带中国” 战略试点作为衡量数字基础设施建设的代理变量，若城市获批成为“宽带中国”战略试点，则解释变量（DIDit）在政策实施当年和之后的年份设置为1，否则为0。

2.2.3 控制变量

考虑到除了政策以外，其他城市特征因素也可能对城市绿色创新效率产生影响，参考许玉洁和刘曙光［10］的研究，本文在回归中加入城市层面控制变量：（1） 经济发展水平，选取地区生产总值的对数来表示；（2） 城市人力资本水平，选用每万人普通高校在校学生数的对数衡量；（3） 外商直接投资，选用城市实际外国直接投资的对数来度量；（4） 产业结构，选用城市第三产业产值与第二产业产值的比值表示；（5） 金融发展水平，选用存款贷款余额之和与地区GDP 的比值进行衡量。

2.3 数据说明

本文数据主要来源于2006 ～2021 年《中国城市统计年鉴》、《中国城市建设统计年鉴》 以及各地级市统计年鉴。缺失值采用线性插值法补齐。

3 实证结果与讨论

3.1 基准结果分析

基于2006 ～2021 年我国280 个地级市的面板数据，运用双重差分法对式（1） 进行估计。表1汇报了数字基础设施建设对城市绿色创新效率影响效应的回归估计结果。

表1 基准回归结果

估计结果表明，表1 列（2） 为在加入控制变量及年份和城市固定效应后的结果，显示数字基础设施建设的估计系数均在1%的统计水平上显著为正，表明数字基础设施建设对城市绿色创新效率有显著的正向影响，验证了假设1。可能的原因是数字基础设施建设能够规避资源配置过程中的低效率和无谓损耗，“赋能” 城市绿色创新效率提升。

3.2 稳健性检验

3.2.1 平行趋势检验

在使用多期双重差分法识别政策前，需满足平行趋势检验，即在实施“宽带中国” 战略之前，处理组和控制组的绿色创新效率变化趋势应该相同，具体模型构建如下：

由于政策实施城市是在2014 ～2016 年分批次设立的，不同城市政策实施的时间不同。故设置时间虚拟变量，取值为当期年份和城市实施“宽带中国” 战略年份的差值，政策实施当年赋值为0，前一年赋值为－1，后一年赋值为＋1。其他变量和参数同模型（1）；本文的研究时期为2006 ～2021 年，虚拟变量的取值范围为［－8，7］。因为两端的观测值较少并且为了避免多重共线性，本文根据Fajgelbaum 等（2020）［20］的研究，将其他城市小于－7 年的相对年份设置为－7，并将这一时期的虚拟变量删除，具体如图1 所示。结果显示，政策正式实施前各期的系数估计值均不显著，这表明政策实施前，实验组和对照组的绿色创新效率并无显著差异，通过了平行趋势检验。

图1 平行趋势检验图

3.2.2 安慰剂检验

为了检验数字基础设施建设促进城市绿色创新效率的提升是否由其他随机因素引起，本文通过随机生成政策实施时间虚拟变量和处理组虚拟变量进行安慰剂检验。进一步地，在280 个样本城市中随机选取105 个城市作为处理组，并随机设定政策冲击时间，得到“宽带中国” 战略试点政策实施影响城市绿色创新效率的安慰剂系数估计值。将此过程重复500 次后绘制回归系数估计值的核密度和P 值分布图，如图2 所示。结果显示大部分的回归系数均集中在0 的两侧，而且与实际估计结果有显著差异。据此，可以推测数字基础设施建设对城市绿色创新效率的影响效应并不受其他随机性因素影响，验证了本文回归结果的稳健性。

图2 安慰剂检验

3.2.3 PSM－DID 检验

为了更全面地验证基准回归的估计结果的稳健性，本文采用PSM－DID 方法重新估计了处理效应。具体而言，本文选控制变量作为匹配变量，并根据所获得的倾向得分，采用1 ∶2 近邻匹配的方法对处理组和对照组样本进行逐年匹配。表1中列（3） 为PSM－DID 的回归结果，其中解释变量的系数仍显著为正。这表明在利用PSM－DID 之后，回归结果依然显著，进一步验证了基准回归结果的稳健性。

3.2.4 更换双重机器学习模型

为准确评估政策效果，需控制其他因素对城市绿色创新效率的干扰。传统回归模型处理高维度控制变量时面临挑战，双重机器学习采用多种算法，智能筛选高维控制变量，解决了这一问题［21］。本文借鉴Chernozhukov 等（2018）［22］的做法，构建双重机器学习模型评估数字基础设施建设对城市绿色创新效率的影响。由此构建如下模型：Xit为高维控制变量集合，通过函数g（Xit）的形式影响被解释变量，通过机器学习方法得到估计量g（Xit）；Vit为误差项，满足零均值假设。

考虑到数据样本的小样本特性，继续构造辅助回归，使处置系数的估计量满足无偏性假定：

其中，m（Xit）是处置变量对高维变量的函数，亦通过机器学习得到估计量m（Xit）；Vit为误差项，满足零均值假设。基于式（3）～（5），参考王茹婷等（2022）［23］的做法，通过三步法得到无偏的估计系数。其中，控制了其他可能影响城市绿色创新效率提高的因素［24］，新增控制变量如下：用公路客运量和公路货运量衡量交通运输水平；用地方财政一般预算内支出与地区GDP 之比衡量政府干预；用社会消费品零售总额与地区GDP 之比衡量居民消费。另外，本文在模型中加入各控制变量的二次项以提高拟合模型的精度。

采用双重机器学习模型估计了数字基础设施建设对城市绿色创新效率的影响效应，其中，样本分割比例为1 ∶4，采用随机森林算法对主回归和辅助回归进行预测求解，回归结果见表2。

表2 更换估计模型结果

表2 列（4） 为控制了全部控制变量的一次项和二次项后的结果，回归系数仍然显著为正。可以发现，更换模型后并没有改变基准回归结论。

3.2.5 排除其他政策的干扰

为了研究“宽带中国” 战略的实施效应，需要排除其他城市政策可能对其产生的干扰影响，同时考察其他城市政策是否在城市绿色创新效率方面具有指示作用。本文参考朱金鹤等（2022）［25］的研究，将智慧城市、低碳试点城市与创新型城市3 种政策逐步纳入回归模型。回归模型如下：

其中DIDit是“宽带中国” 的政策变量，zhit为智慧城市政策的虚拟变量，dtit为低碳城市试点政策的虚拟变量，cxit为创新型城市政策的虚拟变量。本文在基准回归的基础上加入了上述3 种政策的虚拟变量，设定为在政策实施当年和之后的年份将城市记为1，否则记为0。

控制相关政策之后的回归结果如表3 所示。从回归结果可以看出，数字基础设施建设的系数均保持1%水平上的正向显著，在排除其他政策的干扰后结果依然稳健。

表3 剔除其他政策干扰的回归结果

3.3 机制分析

理论分析表明，劳动力流动规模是数字基础设施建设作用于城市绿色创新效率的基本路径。为了检验两个机制是否存在，本文构建如下模型：

Mit为衡量劳动力流动规模或者生产性服务业的机制变量，其中劳动力流动规模flowit参考朱金鹤等（2021）［25］的研究，以人口流动规模作为城市劳动力流动规模的代理变量，计算公式为劳动力流动规模＝常住人口－户籍人口＋户籍人口变动总量－本地人口自然增长。生产性服务业专业化集聚指标（spec）参考刘玉荣等（2023）［26］的研究，采用区位商进行衡量，即：

生产性服务业专业化集聚为所有细分行业集聚指标的加总，公式为：

其中，Sijt表示城市i行业j第t年的就业人员数，Sit表示城市i第t年各行业就业人员总数，N表示城市的数量，specijt的值越大，表示城市i中行业j的空间集聚程度越高，其余变量含义与式（1）相同。

表4 列（2） 与列（4） 分别为双向固定效应模型下劳动力流动规模渠道与生产性服务业集聚渠道的检验结果。

表4 促进城市绿色创新效率的机制检验

从劳动力流动规模渠道来看，核心解释变量DIDit的估计系数为19.402，通过了1%的显著性检验，表明数字基础设施建设会显著促进劳动力流动。其原因在于数字基础设施建设拓宽了劳动力获取信息的渠道，并且通过高效的人才匹配机制的建立，促使劳动力流动。劳动力的流动性促进了知识跨城市的传播和融合，为城市绿色创新提供了丰富的知识资源，提升城市绿色创新效率。

从生产性服务业集聚渠道来看，核心解释变量DIDit的估计系数为0.032，通过了10%的显著性检验，表明数字基础设施建设会显著促进生产性服务业集聚。其原因在于数字基础设施建设有助于促进生产性服务业的专业集聚，从而激励生产性服务企业积极推进清洁工艺和技术解决方案的更新，有助于进一步推动城市提升绿色创新效率［17］。综上来看，促进劳动力流动和生产性服务业集聚是数字基础设施建设提高城市绿色创新效率的两条基本路径，理论假设2 得到证实。

3.4 异质性分析

3.4.1 城市类型异质性

资源型城市是我国实现经济稳定增长的重要能源保障。但是，目前资源型城市依旧存在技术创新方面的滞后，使其难以适应经济多元化和绿色发展的需求。因此，检验数字基础设施建设对资源型城市和非资源型城市绿色创新效率的异质性影响可以为今后区域协调绿色发展战略的推进提出更具针对性的政策建议。本文以《国务院关于印发全国资源型城市可持续发展规划（2013 ～2020 年）的通知》 （国发［2013］45 号）为划分依据，分别考察资源型城市和非资源型城市样本，由表5 列（1） 和列（2） 可知，数字基础设施建设对非资源型城市绿色创新效率的影响系数为0.054，在5%水平上显著，而对于资源型城市而言其作用效果不明显。其原因可能在于，资源型城市严重的历史遗留问题，如路径依赖等导致其在自然资源开采和加工方面具有较高的经济依赖性，这往往伴随着一系列环境污染问题，限制了对城市绿色创新效率的潜在影响。

表5 异质性分析结果

3.4.2 城市规模异质性

城市本身的规模可能会影响数字基础设施建设对城市绿色创新效率的影响。一般来说，大规模城市通常具有更多的资源和优势，这可以在城市绿色创新方面发挥积极作用［27］。本文根据国务院印发的《关于调整城市规模划分标准的通知》文件，将常住人口在300 万以上的城市划分为大规模城市，其余为中小规模城市，回归结果见表5 列（3） 和列（4）。从回归结果来看数字基础设施建设对大规模城市绿色创新效率的影响系数为0.065，在1%的水平上显著，而在中小规模城市政策效果不显著。其原因可能在于，大规模城市往往形成了复杂的创新生态系统，为绿色创新提供了丰富的知识和技术资源［4］。

3.4.3 城市区位异质性

考虑到我国不同地区的发展形势相异，本文验证数字基础设施建设对不同区位城市绿色创新效率产生的异质性影响，将样本按照区域划分为东部和中、西部地区。由表5 列（5） 和列（6）可知，数字基础设施建设对东部城市绿色创新效率的影响系数为0.058，在5%水平上显著；对中西部城市绿色创新效率的影响系数为0.035，在5%水平上显著。其原因在于，东部地区具有先天地理位置优势，且东部地区具有高度的经济密集度、多元的产业集聚和丰富的高等教育与研发资源等，均有利于东部地区发挥“宽带中国” 政策效果。然而，中、西部地区的生产技术水平相对滞后，数字基础设施建设也为中、西部地区注入了全新的生产和发展动力。

4 环境规制的调节效应分析

前文回归结果证实了“宽带中国” 战略试点政策实施会显著提升城市绿色创新效率这一核心结论。本文进一步从环境规制的角度去理解及探究“宽带中国” 战略试点政策实施对城市绿色创新效率的正向促进作用。现有研究发现通过制定绿色技术研发和应用的奖励、减税政策等激励措施，环境规制可以提高城市的创新动力，还可以提高绿色创新水平［28］。并且投资者和专业人才更倾向于在环保政策严格的城市中开展业务或工作，因为这些城市通常更具可持续性和环保意识［29］。本文选取环境规制作为调节变量（Uit），检验环境规制是否对“宽带中国” 战略试点政策实施及提升城市绿色创新效率起到调节作用。正式环境规制（er1it），参考赵明亮等（2023）［30］的方法，选取工业废水排放量、工业SO2排放量和工业烟（粉）尘排放之和与GDP 的比值的倒数衡量。非正式环境规制（er2it），参考原毅军和谢荣辉（2014）［31］的方法，选取收入水平、人口密度、教育水平构建指标采用熵值法进行测算，以衡量非正式环境规制。具体模型如下所示：

表6 汇报了环境规制调节效应的回归结果，其中列（1）～（4） 揭示了“宽带中国” 战略试点政策受正式环境规制与非正式环境规制调节后对城市绿色创新效率的影响。交互项均显著为正，说明正式环境规制与非正式环境规制均能够强化“宽带中国” 战略试点政策对城市绿色创新效率的提升作用。原因在于正式环境规制提高了绿色创新项目的合规性，确保企业在创新活动中符合环保法规，从而提高了绿色创新效率。非正式环境规制提高表示企业和其他创新主体更愿意自身承担社会责任和可持续性倡议，如减少碳足迹、提高能源效率、促进数字包容性等。非正式规制可以促进企业、学术机构和政府间的合作，共同解决数字化挑战，推动绿色技术进步，从而提升城市绿色创新效率。

表6 环境规制的调节结果

5 研究结论和政策建议

绿色创新效率作为转型期生态环境保护与经济社会协调发展的重要突破口，为我国实现高质量发展提供动力支持和实现路径。本文在理论分析和实证检验的基础上，采用2006 ～2021 年城市层面数据，基于“宽带中国” 战略试点政策视角，分析了数字基础设施建设对城市绿色创新效率的影响，得到以下结论：（1） 相比非试点城市，数字基础设施建设能够显著提高试点城市的绿色创新效率，且经过一系列稳健性检验后，该结论仍然成立；（2） 数字基础设施建设主要通过促进劳动力流动和生产性服务业集聚提高试点城市的绿色创新效率；（3） 数字基础设施建设对城市绿色创新效率的影响存在异质性特征，数字基础设施建设对东部地区城市、非资源型城市以及大规模城市的城市绿色创新效率提升效应更为明显；（4） 正式环境规制和非正式环境规制在数字基础设施建设提高试点城市的绿色创新效率过程中表现为正向调节作用。

本文研究对推动完善数字基础设施建设和实现“双碳” 目标具有以下启示意义：

（1） 总结并推广“宽带中国” 战略试点城市建设经验，完善数字基础设施建设，发挥城市数字化转型的绿色效应；（2） 加快推进数字经济与实体经济的深度融合，催生新产业、新业态与新模式，为生产性服务业提供支持，从而促进生产性服务业产业集聚。另外，应进一步深化户籍制度改革，降低流动人口落户的困难，降低劳动力流动成本；（3） 因地制宜，结合地区资源禀赋、地理区位和城市规模的差异特征，充分发挥数字基础设施建设的资源优化配置机制；（4） 在制定环境规制政策时，政府需考虑地区特征、科技创新水平、产业结构和经济发展等因素，以适应“宽带中国” 战略和绿色创新的需求。差异化的规制策略可针对不同地区特点，确保政策的针对性。