智慧城市建设对经济发展影响的实证研究

张海鹏 金川 钱慧婷（安徽财经大学 国际经济贸易学院）

■引言1

智慧城市（smart city）是指以新一代信息技术为核心，以数字信息基础设施为平台，将城市的系统和服务打通，实现信息化、工业化与城镇化深度融合，这有助于缓解“大城市病”，优化城市管理和服务，改善人民生活质量。2008 年11 月，IBM 提出“智慧地球”这一理念，引发了智慧城市建设的热潮；2012 年，我国发布首批国家智慧城市试点名单；2014 年，“智慧城市建设”正式被纳入我国国家专项规划。现如今，我国智慧城市在建数量500 个，初步形成了长三角、珠三角、环渤海、中西部四大智慧城市群，建设智慧城市在实现城市可持续发展、引领信息技术运用、提升城市综合竞争力等方面具有重要意义。通过查阅相关文献发现，现有研究主要集中于分析智慧城市建设的影响因素，而很少涉及到探究智慧城市建设对经济发展的影响。

■研究方法

（一）智慧城市建设指标体系的建立

通过仔细研读宫攀、张立新两位学者对宁波智慧城市评价指标体系、“智慧南京”指标体系、上海的智慧城市评价指标体系、新型智慧城市评级体系3.0、智慧中国台湾绩效指标体系等八个指标体系的对比分析结果，再结合近五年的有关智慧城市的研究文献，本研究最终建立了长三角智慧城市评价指标体系。这套体系有智慧设施、城市治理、智慧民生、经济发展和创新驱动五个一级指标，每个一级指标下均有三个二级指标，其中智慧设施下的指标为互联网宽带接入用户、移动电话用户数和电信业务总量，城市治理下的指标为工业固体废物综合利用率、污水处理总量和绿化覆盖面积，智慧民生下的指标为卫生机构数、中学校数和社会消费品零售总额，经济发展下的指标为人均生产总值、第三产业增加值和城镇人均可支配收入，创新驱动下的指标为R&D 人员数、专利申请授权数和R&D 经费投入强度。这15 个二级指标涉及的内容广泛而全面，符合全面性原则、综合性原则、科学性原则、可比性原则和可操作性原则。

表1 长三角26座城市综合智慧水平

（二）因子分析和逐步回归分析法

因子分析能够从众多变量中提取共性因子。在本研究中，因子分析可在15 个二级指标中抽取出隐藏的具有代表性的因子，从而将多个变量归结为一个因子，达到减少变量的目的。本研究共使用6次因子分析，首先对全部的15个二级指标进行因子分析，从而计算长三角26 座城市的综合智慧水平排名；然后对五个一级指标分别使用因子分析，将每个一级指标下的二级指标浓缩为一个变量，为使用逐步回归方法研究智慧设施、城市治理、智慧民生和创新驱动对经济发展的影响提供了基础。

■实证研究—长三角城市群智慧城市圈

（一）因子分析法下长三角智慧城市发展评价分析

1.KMO 和Bartlett 球形检验

在进行因子分析之前，研究首先对相关数据进行KMO 和Bartlett 球形度检验。KMO 检验度量值的取值范围为[0，1]，度量值越接近1，表明所有变量的相关性越强。根据Kaiser 给出的KMO 度量标准，KMO 值小于0.5 时不适合做因子分析，大于0.5小于0.6 时不太适合做因子分析，大于0.6 即适合做因子分析。Bartlett 检验能够检验各个变量之间的相关性程度，其p 值小于0.05 即表明各个变量之间存在相关性，适合做因子分析。本研究将收集的15 个二级指标的数据输入SPSS25 进行因子分析。结果发现，输出的KMO 度量值为0.815，大于0.6；Bartlett 球形度检验中的近似卡方值为788.852，自由度为105，其对应的p 值为0。这说明，研究所选取的长三角智慧城市群建设五大一级指标下的全部数据适合做因子分析。

2.求特征值和累积方差贡献率

研究然后在SPSS25 的降维方法中选择主成分方法，旋转方法选择最大方差法，提取出的主因子数目选择特征值大于1。从SPSS25 输出的公因子方差表中可以看出，此模型分别从二级指标绿化覆盖面积、卫生机构数、城镇居民人均可支配收入和全社会R&D 经费投入强度中提取了79.1%、62.7%、83.3%、64.5%的信息，从其余11 个二级指标中提取的信息都超过了90%；可见此模型除了对少数几个二级指标的信息提取效果略弱，对绝大部分二级指标的信息提取效果很好。从SPSS25 输出的总方差解释表中可以看出，此模型将15 个二级指标的数据降维成了3 个主成分，它们对应的特征值分别为10.983、1.136和1.023；方差贡献率分别为56.212%、24.451%和8.469%，第一个主成分的方差贡献率远远大于其余两个主成分，因此第一个主成分的重要性远大于其他两个主成分；累积方差贡献率为89.132%，表明这三个主成分解释了智慧城市建设15 个二级指标的绝大部分信息。

3.计算因子得分

最后，利用SPSS25 直接输出3 个主成分的因子得分系数表，发现表中有一些数据为负数，例如无锡第一主成分的因子系数为-0.453，这表明无锡在第一主成分下的得分在26 座城市的平均水平以下；为了方便之后的研究，可将因子得分系数表中的所有数字都加上2.5，以保证所有因子得分系数均为正数。因为这三个主成分对应的方差贡献率代表其重要程度，所以可将某个主成分的方差贡献率占三个主成分累积方差贡献率的比例作为该主成分的权重，以此来计算长三角26 座城市在该主成分下的得分。最后将因子得分系数与其对应的权重相乘再求和即可计算出每座城市的综合得分即为智慧水平，详细情况见表1。

观察表1 可发现，在长三角26 座城市中，智慧水平发展最好的四座城市分别为杭州、上海、芜湖与合肥；无锡、苏州、南京、盐城、绍兴、宁波和台州次之；池州与舟山两座城市智慧水平最低。

（二）长三角智慧城市群建设对经济发展的影响

1.基于因子分析浓缩各一级指标

为研究长三角智慧城市群建设对区域经济发展的影响，研究首先利用SPSS25 对每个一级指标分别进行KMO 和Bartlett 检验；检验通过后，再使用因子分析对五个一级指标进行降维（降维时因子的固定数目选择1），从而提取了智慧设施、城市治理、智慧民生、经济发展和创新驱动五个一级指标的有效信息。SPSS25输出的结果显示，这五个一级指标的KMO 值分别为0.624、0.515、0.746、0.697 和0.652，Bartlett 检验p 值都为0，即都显著，因此除了城市治理做因子分析的效果稍差，其余四个一级指标都合适利用因子分析进行降维；五个一级指标的累积方差贡献率分别 为94.193%、66.961%、85.668%、77.167% 和84.892%，表 明智慧设施因素的信息提取效果很好，智慧民生、经济发展和创新驱动因素的信息提取效果较为理想，城市治理的信息提取效果只有66.961%，勉强能够接受。

2.基于回归分析研究智慧城市建设影响经济的因素

在获得五个一级指标浓缩数据的基础上，研究其使用SPSS25进行逐步回归分析，变量进出的方法选择步进。SPSS25 输出的结果显示，只有创新驱动因素被纳入了模型；F 值为73.830，对应的p 值为0，表示纳入模型的解释变量对经济发展的联合效应是显著的；线性回归模型的拟合优度为0.755，表示长三角智慧城市中的创新驱动因素对经济发展的解释能力为75.5%；创新驱动因素的t 值为8.592，对应的p 值为0，表明长三角城市群的创新驱动因素对经济发展的影响是显著的；创新驱动的未标准化系数为0.869，表明长三角城市群的创新驱动因素对经济发展具有促进作用。由于进行回归分析时使用的是因子分析处理过的数据，因此得到的回归方程经济意义不明显，但仍然能够得出结论：长三角智慧城市建设中的创新驱动因素对经济发展具有显著的促进作用。

■模型改进与结论建议

本模型有一些难以避免的缺陷。第一，由于此模型需要进行多次因子分析，很难保证每个一级指标的KMO 度量值都理想，例如本文的城市治理KMO 度量值为0.515，不太适合做因子分析；第二，因子分析可能会造成数据信息的大量缺失，以至于不能真实地反映长三角城市的智慧城市建设水平，例如使用因子分析方法单独对城市治理进行降维时，其累计贡献率仅为66.961%，尽管其它几个一级指标的信息提取效果较好，但信息缺失仍然是此模型的一大缺陷；第三，多元线性回归分析很可能忽略了交互效应和非线性的因果关系，而智慧城市建设对经济的影响是复杂多样的。

研究得出结论：长三角智慧城市建设中的创新驱动因素对经济发展有显著的促进作用。因此，为了提高智慧城市建设对经济发展的促进作用，可以打造改革新高地，在政府职能转变、体制机制创新方面先行先试；可以加大科研经费投入，优化创新政策和制度环境，促进研发及科教成果的转化。