智慧城市试点政策对城市安全水平的影响研究*——基于区域异质性的视角

杨 苏，王雯婷

（1.安徽建筑大学经济与管理学院，安徽 合肥 230601；2.阜阳师范大学安徽省农民工研究中心，安徽 阜阳 236000；3.安徽省建筑经济与房地产管理研究中心，安徽 合肥 230601）

0 引言

中国城市化建设在取得一定成就后，城市发生事故的数量、强度也在提升，不可避免地给人们生命和财产安全带来挑战[1]。另外，极端天气频发、新冠疫情多次、多点暴发给全国城市敲响安全警钟。面对该现状，打造可以从安全事件中迅速恢复的城市比以往都更为紧迫。

“十四五”规划提出实施新型城镇化建设，积极助力城市安全高效运行。以统筹城市安全与发展作为战略目标，需要借助恰当的政策作为治理工具，智慧城市作为1 种新型治理模式，拥有优越的数字治理化优势，同时具备促进城市建设、安全管理和公共服务等智慧化特点[2]。基于此，本文对城市安全水平进行综合评估，并深入探讨智慧城市政策对城市安全水平的影响，就区域异质性展开讨论，有助于调整相关政策实施的关键点，提高城市安全水平。

1 文献回顾

我国国内于2012年起出台智慧城市相关政策[3]。智慧城市政策区别于传统政策，以物联网、云计算等新兴技术为基础，以信息技术、智能技术和多网融合为依托来推进实施[4]。智慧城市政策的实施，实现了城市安全管理数字化、网络化和智能化，为城市安全提供了创新驱动，有效控制城市日常生产经营活动中各领域的不安全因素，将风险降至并保持在可接受的范围内[5]。

总体来看，智慧城市政策对城市安全水平有以下影响：一方面，刘洪波等[6]提出智慧城市政策不仅带动城市经济增长，也提升了城市安全水平，而城市安全水平的不断提高正是从可以治理到智慧治理的转变，也是智慧城市政策为公共安全管理提供技术支持[7]；另一方面，高凯等[8]指出智慧城市建设过程中潜藏着众多风险，威胁着城市各类信息安全，相关管理者最需要关注环境风险，但当下因相关技术壁垒限制，城市中传感感知、智能分析处理等多方面蕴藏着一定安全风险，使智慧城市安全保障体系的建立一定程度上受阻[9]。与此同时，受到城市间异质性影响，胡广伟等[10]发现江苏智慧城市群中城市安全防护体系建设存在问题，提出该智慧城市群需要健全综合安全预警系统，打造联合安全防护体系，以超大城市成都市为例，谢小芹等[11]结合智慧城市建设的经验证据，提出部分安全治理规律及变革路径。

综上，基于区域异质性视角下，本文讨论智慧城市政策对城市安全水平的影响研究，将2012年纳入智慧城市政策的部分地级市作为对象，采用2007—2019年间156 个地级市作为样本；运用双重差分法得出智慧城市政策实施的净效应，结合多重检验法降低偏差；同时考虑到国内城市间的差异性，就区域异质性展开拓展性探讨；从城市发展和治理模式角度提出建议，促进城市安全水平。

2 模型设定与数据说明

2.1 模型说明

我国住建部于2012年起分批次批复智慧城市试点政策与试点城市名单，所设立的智慧城市共涉及90 个地、县级城市，名单中包含大中小型城市，保证首批试点城市的随机性[12]。本文将智慧城市试点政策看为准自然实验，利用双重差分法，评估智慧城市试点政策对城市安全水平的影响，参照石大千等[13]的相关研究，基本模型设定如式（1）所示：

式中：aqit为被解释变量，即代表城市安全水平，其下标分别表示时间及城市，即第i年与第t个城市；α0为常数项；α1表示智慧城市建设对城市安全水平提升的平均影响效应指数；treat×time为组别虚拟变量和时间虚拟变量的交互项，其中时间虚拟变量将政策实施前后分别赋值为0，1，组别虚拟变量将实施政策的组别分别赋值为1，0；εit代表着各干扰项；bj为常数项，x代表模型的控制变量。

2.2 数据说明

被解释变量：城市安全水平，采用城市安全水平指数衡量。目前评价方法多为多指标体系，即利用多层指标进行全面测度。参考郭羽羽等[14]在城市安全水平指标体系构建中加入韧性理念，即在指标体系新加入3 项准则层，其中扰动力为干扰城市安全的因素，适应力为城市吸收干扰因素的能力，恢复力为城市安全受到破坏时恢复的能力。在具体指标选取上，借鉴Alexander[15]及黄典剑[16]、陈国华等[17]构建的指标体系进行讨论，确定20 个子准则层。其中，准则层分别对应适应、恢复及干扰城市安全水平能力，在指标层上对应表现为正向及负向指标。同时，以李根等[18]在安全评价中使用熵值法为依据，对各指标赋权重以合成指数作为城市安全水平的衡量指标，具体评价体系如表1所示。

表1 城市安全水平综合评价指标体系Table 1 Compr ehensive evaluation index system of urban safety level

关键解释变量：本文以智慧城市试点政策作为实验点，关键解释变量为组别与时间虚拟变量的交叉项，并据此为标准判断智慧城市试点政策提升城市安全水平的政策效应。

控制变量：鉴于部分变量可能产生干扰，本文引入以下变量：1）市场开放程度，即该地区外商直接投资占生产总值的比值；2）科技投资水平，用科技支出占地方政府财政支出比重衡量。科技支出包含当地智慧城市建设的科技投入，也与城市安全水平密切相关；3）人口规模，用年末总人口表示，人口规模大小影响基础设施供给数量和供给质量；4）政府支出规模，为地方财政支出占生产总值的比值；5）投资规模，为经济生产总值与固定资产投资比值；6）城镇化水平，为年末总人口与非农业人口之间的比值。

2.3 数据来源

本文选取156 个地级市2007—2019年间的面板数据，对该数据进行处理：1）删除个别非完全试点城市，因为这些试点城市只有部分地区（如区、县、镇）被设为试点，无法作为该试点城市代表；2）删除2007—2019年间经历过行政区调整的城市，如贵州铜仁市；3）删除2013年和2015年入选试点的城市，以此排除后2 批政策试点的影响；4）删除数据缺失严重的个别城市，如西藏自治区全区城市等。本文数据来源于中华人民共和国住房和城乡建设部出版的《中国城市建设统计年鉴》和国家统计局出版的《中国城市统计年鉴》，空缺数据采用插值法完善，各个研究变量的数据统计情况如表2所示。

表2 变量描述性统计Table 2 Descriptive statistics of variables

3 实证结果分析

3.1 基准回归结果

根据上文模型设定，如表3所示为智慧城市试点政策与城市安全水平的双重差分模型估计结果。在回归过程中，模型1 去除各控制变量及固定效应影响，did 系数在1%的置信水平下显著为正，表明试点政策对于城市安全水平具有正向促进作用。考虑到以下2 点：1）时间累计效应，随着时间推移导致2 组城市安全水平均有提升；2）相关解释变量缺失会出现内生性问题。本文为排除干扰因素，分别加入控制变量（模型2）、控制个体固定效应及时间固定效应（模型3），2 组模型结果均显示：did 系数与显著性相较模型1 仅有小幅度变化，即排除干扰因素。上述结果表明：在控制变量、时间、个体固定效应的影响下，智慧城市试点政策对城市安全水平依旧有显著的正向促进作用。

表3 智慧城市试点政策对城市安全水平的影响Table 3 Influence of smart city pilot policy on urban safety level

3.2 稳健性检验

1）平行趋势检验

使用双重差分的重要前提是通过平行趋势检验，图1为政策实施前后（2012年前后4年），城市虚拟变量交叉项在实验组和对照组城市的演化趋势，在政策实施前交叉项系数不显著，在2012年试点年后变为显著，说明前后变化是政策的实施效果，并不是纯粹时间效应，即通过双重差分法平行检验。

图1 平行趋势检验Fig.1 Parallel trend test

2）基于psm（倾向得分匹配）的双重差分法估计结果检验

通过平行趋势检验后，考虑到智慧城市名单是由城市自主申报并审核，在城市选取方面随机性受到干扰，为减少干扰因素对评估结果的影响，去除样本选择偏差，采用PSM-DID法估计验证结果的平稳性，设定的模型如式（2）：

式中：P为倾向得分值。

基于上文基础，倾向得分匹配（PSM）中控制变量不变，利用最近相邻匹配法进行匹配，通过logit模型进行回归，以最近相邻匹配法一一匹配，最终所得匹配后样本容量为1 945 个，落在共同支撑区域外有85 个，说明本文剔除的样本数量较少。

在筛选过后，对实验组、控制组需要进一步进行检验，检验其是否满足共同支撑假设。匹配前后偏差可见表4，在匹配前组别间均值相差较大，而在匹配后差别明显缩小，且在1%显著性水平下由显著变为不再显著，表明满足样本匹配平衡性条件，使用PSM-DID方法可行合理。根据匹配结果，重新对智慧城市试点政策的影响效果进行评估，结果如表3中模型4 所示，通过显著性检验，政策效应与表3中模型3 评估结果一致，验证了本文实证结果的平稳性。

表4 倾向性得分匹配前后各变量的平衡性检验结果Table 4 Balance test results of each variable before and after propensity scor e matching

3）反事实检验

参照王桂新和李刚[19]做法，本文将智慧城市政策试点年（2012年）人为前移或后移2年，若双重差分模型的结果会发生显著性变化，则证明满足反事实检验。反事实检验-稳健性检验结果如表5所示，将2012年作为政策实施的基准年，假定以2008年、2010年、2014年为实验年，从表5中did 估计系数来看，试点时间向前移动几期，解释变量的基准回归和显著性效果发生较大差异，显示基准年的智慧城市政策实施对城市安全水平有较大的正向影响，证明上文基准回归的结果是准确的；对比试点时间后移几期的结果可以看出，政策实施后的回归结果的显著性与基准年基本一致，表示伴随着时间的推进，智慧城市试点政策的实施对城市安全水平影响显著加强。

表5 反事实检验-稳健性检验结果Table 5 Counterfactual test-r obustness test r esults

4 异质性检验

上文通过基准回归及一系列稳健性检验，可以得出智慧城市政策对城市安全水平具有正向促进作用，受到庞大样本异质性影响，智慧城市试点政策对城市安全水平的影响可能会因城市所处人口规模以及行政级别、经济水平而具有显著差异，本文从以下3 个方面进行分析。

4.1 人口规模的异质性

以《关于调整城市规模划分标准的通知》[20]作为依据，在划分的过程中，由于筛选后小规模人口城市数量较少，容易出现误差。因此，分为特大型、大型、中等型城市。基准回归结果如表6所示，政策实施对特大型、大型城市的安全水平均有较为显著的正向影响。但是，中等城市的估计系数不显著，说明智慧城市政策对于中等城市的安全水平影响不明显。考虑到特大型城市、大型城市相较于中等城市配套的基础设施更为齐全，政策落实可能会更为全面、稳扎；另一方面，特大型城市、大型城市对人才、基础设施建设的吸引力更大，利用技术和大数据分析能力更强，便于推进城市安全水平提高。

表6 异质性检验Table 6 Heterogeneity test

4.2 行政区域的异质性

为更清楚地看到智慧城市试点政策对于不同城市的影响，参照城市行政级别分为省会与非省会城市2类，回归结果如表6所示。从表6可以看出智慧城市政策的实施对于2 类城市均有正向影响，但是非省会城市相较于省会城市系数更为显著，说明试点政策对非省会城市的安全水平影响更为明显，在非省会城市实施该项政策意义更大，从侧面印证智慧城市建设对非省会城市的安全水平提高更有意义。该差异可能是由于政策实施的基础条件及长期性的特征，使政策实施后不同类城市安全水平有所差距。

4.3 经济规模的异质性

以《东西中部和东北地区划分方法》[21]为依据，分为中西部、东部、东北部地区。表6分别展示3 个地区基准回归结果，由表6回归结果来看，对东部地区城市安全水平影响最为显著，提升效果最为明显。各地区回归结果不同，原因可能如下：一方面受到经济水平的牵制，东部地区经济基础相较雄厚，对于相关技术和大数据投资落实更到位，政策实施后对安全水平的促进效果更为显著；另一方面，中西部地区、东北部地区经济相较薄弱，地方政策在基层落实不到位、作为较慢，政策实施效果较差。

5 结论

1）智慧城市试点政策正向促进城市安全水平，在多重稳健性检验后依旧成立；在控制地区层面因素及各固定效应后，智慧城市试点政策对城市安全水平促进作用没有滞后效应，并随时间推移效果显著加强；从异质性检验结果来看，东部地区、大型城市受到智慧城市政策影响的红利较其他地区更大，智慧城市政策对东北部地区、中型城市安全水平影响并不显著。

2）智慧城市政策对城市安全水平有显著促进作用。政策实施是1 项长久性工作，政府要发挥引导作用，建议顶层部署从以下3 点规划：健全相关法律体系以保护各类城市数据信息安全；创新管理模式应做到因地制宜实施政策；制定标准规范以统一处理安全数据。完成智慧城市安全顶层规划，实现城市安全信息获取、安全信息共享、安全技术应用、安全系统运作4 个方面协同发展，开辟城市安全治理新思路。

3）倚靠智慧城市政策，精细化城市安全管理。异质性分析表明，智慧城市政策对特大型城市及东部地区影响最为显著且与其他地区城市有显著差异。该类城市政策实施需更精细化，充分发挥城市智慧安全平台所拥有大数据、新兴信息技术优势，建议从2 个层面进行优化：基于政府层面，利用大数据全面收集、实时共享、收集城市信息，优化城市安全资源配置；基于市民层面，利用城市大数据实时挖掘城市居民在互联网平台上表达的各方意见，实现全面覆盖的精细化安全管理。

4）智慧社区安全管理，提升市民安全感。异质性分析表明，智慧城市试点政策对中型城市及东北部地区城市没有显著影响。智慧城市政策落实受阻，而社区安全作为城市安全基石，为规避“马太效应”影响，后发城市应从智慧社区安全治理做起，总结为2 条路径：提升数字治理能力，统一规划智慧化建设、数据建设等，增加社区参与度，融入多主体合作机制；各类组织积极协同、群众广泛参与，加强居民对智慧社区服务的认知和理解。由此提升智慧安全社区的效能和需求，提升智慧城市建设给市民带来的安全感。