智慧城市建设对高新区企业发展影响评估

杨浩东，王高峰

（中国科学技术大学人文与社会科学学院，安徽合肥 230026）

1 研究背景

作为中国创新战略的重要组成部分，国家高新技术产业开发区承担着促进经济发展和推动技术创新的重要使命。自1988 年中关村科技园在北京建立以来，中国的高新区创新经济表现出显著的增长态势与良好发展质量，于2020 年贡献了全国（未含港澳台地区）13.3%的生产总值和近一半的国际专利申请量。从形成上看，早期高新区可以理解为在政府“圈地运动”下形成的具有较好区位条件的特定地理空间，主要以吸引生产要素集聚推动地区经济发展，然而，这一模式存在生产效率低下、创新要素不足等弊病［1］。随着中国经济战略转型，强调通过自主创新更变传统粗犷式发展的高新区“二次创业”被提上议程［2］。同时，作为产业聚集地和现代化的新城区，高新区也被视为当下推进产城融合的突破点。在国内新型数字技术逐渐成熟、智慧运动兴起的大的背景下，智慧城市建设促进了区域内新技术和新知识的产生、流通和转化，并为创新网络的形成搭建了新型平台。因此，智慧城市成为许多国家高新区战略转向的重要布局，以满足区域产业空间与社会空间协调发展的内在要求。

自2008 年IBM 公司提出“智慧城市”理念后［3］，智慧城市逐渐成为一个家喻户晓的名字。虽然目前学界就智慧城市的定义尚未达成共识［4］，但已有研究，如Caragliu 等［5］，对智慧城市政策绩效展开了评估。关于智慧城市政策绩效的评估，可大体分为两类：一类在阐明智慧城市定义的基础上建立指标体系，如张中青扬等［6］的研究，并对智慧城市的绩效、效率进行测度，如Wang 等［7］的研究；另一类则是探究智慧城市政策实施所产生的一系列社会经济影响。在后一类研究中，不乏智慧城市建设与创新、企业发展间关系的检验，例如，Caragliu 等［8］利用政策强度差异对欧盟309 个城市的分析发现，智慧城市建设确实刺激了创新；宋德勇等［9］采用中国148 个城市数据，研究表明智慧城市建设能够促进绿色技术创新量质齐升；姚圣文等［10］、刘伟丽等等［11］的研究也识别到智慧城市建设对企业全要素生产率提升的促进作用。相关文献大多于城市或企业层面对智慧城市政策进行考察，揭示了智慧城市建设所带来的积极影响，但鲜有聚焦于高新区这一特定空间范围检验智慧城市建设何以影响区域内企业发展，而这不仅对高新区产城融合战略的发展转向与推进至关重要，同时也是进一步丰富智慧城市试点政策评估研究的潜在契机。

据德勤《超级智能城市2.0》公布的信息，中国在建智慧城市数量近500 个［12］。就其空间范围看，各地区的智慧城市试点方式存在差异，一些城市仅于创新要素聚集度更高的高新区进行试点（以下简称“模式1”），而部分城市则在全市范围内展开试点建设（以下简称“模式2”）。学界虽对数字通信技术及智慧城市建设的非对称性影响进行了相当程度上的探讨，并以城市、企业原有的基础禀赋和技术自有特征作为潜在的原因，但就试点模式的异质性比对少有涉及。而于更小的空间范围进行试点，往往可以将有限的资源进行有针对性地投入，集中力量重点突破；并且，相比其他城区，国家高新区有着得天独厚的区位优势与政策倾斜，本身具有的高技术集约化特征也为智慧城市试点提供了更优异的建设基础。因此，理论上而言，对于肩负增强区域创新能力、提高科技成果转化效率、促进产业结构升级使命的国家高新区，在其空间范围内进行的智慧城市建设的效果也应更为显著。

2 理论分析与研究假设

2.1 智慧城市建设何以促进高新区企业发展

高新区企业在推动区域乃至城市数字经济和创新发展中扮演着重要的角色，随着宏观环境和城市格局的变化，智慧型知识城区成为当下居民和企业对城市形态的需求指向。智慧城市建设为企业的高质量发展提供了更为优越技术、平台和环境生态的同时，也改善了城市行政与基础设施建设。

就前者而言，智慧城市建设本身将带动以新兴数字技术为主营业务的企业入驻园区，这些企业数量的增加将提升高新区企业平均生产水平；并且，在政策的推动下，传统高新技术企业亦会对原有的生产系统底层架构进行更新，运用新兴智能技术提升包括采购、研发、生产、营销在内多个环节的效率。由于创新集聚与扩散是高新区促进区域经济高质量发展的重要机制，而智慧城市搭建的数字平台不仅促进了企业内部信息流通，亦可提升企业间协同交互频次与质量，智慧产业孵化器、企业云生态系统等正是具体的表现形式，故智慧城市试点将强化高新区建设本身存在的集聚效应与溢出效应。考虑到高新区企业创新活动的频率较高，离不开大量的资金支持，作为智慧城市建设的重要组成，以云计算、大数据等技术加持的数字金融既可通过平滑融资风险、提高金融资源供给缓解信息不对称引致的企业融资约束，又可减轻股权质押给企业融资带来的负向影响。

对于后者（改善城市行政与基础设施建设），大数据的应用促进了政府与企业、个人数据间的共联共享，不仅能够通过提升行政审批效率为服务主体生产生活提供便利（例如浙江省的“最多跑一次”和“一次不用跑”），亦可建立部门间联合监督模式，强化政府行政监管能力。智慧城市发轫于现代数字技术的新型基础设施建设，通过新增包括5G 网络基站、数据中心，改善包括交通运输、医疗卫生、基础教育在内的公共服务部门的运营，从而降低高新区企业成本。此外，这一影响所带来的正外部性将吸引包括人才、资本在内的一系列生产、创新要素，提升区域内企业竞争力。

基于以上分析回顾，有理由提出以下假设1a：高新区智慧城市试点能显著够促进区域内企业发展。

2.2 问题及风险

虽然大量的理论及政策评估文献识别出智慧城市产生的积极作用，但同样有研究指出了智慧城市建设过程中存在的问题［13］；并且，由于智慧城市与高新区在建设方式、体制环境等方面具有相似性，故存在老问题与新问题叠加而加剧智慧城市建设中一些负面影响的风险。

一方面，信息不对称所产生的认知偏差引致现有智慧城市实践与理论内涵间存在不一致。部分城市仍采用传统发展理念与建设模式，将智慧城市简单理解为城市信息化或数字技术的堆砌。同样，高新区在 “二次创业”过程中在认识上的转变较为滞缓，对以往“以地养区”的外延式发展抱有依赖。由于早期仅注重资金和企业数量上的投入与引进，忽略了区域创新生态系统的营造，这导致高新区创新要素集聚程度并不理想，削弱了智慧城市建设潜在的积极影响。无论是高新区还是智慧城市，地方政府间的政绩竞争进一步加剧了低水平重复和无序扩张，缺乏有针对性的方针以解决城市问题和满足民众需求。区域创新资源禀赋与数字化程度存在差异表明各地应因地制宜地探寻发展道路，但政府投资的军备竞赛致使智慧城市和高新区建设皆存在高度同质化问题，模糊了地区比较优势并降低竞争力。

另一方面，管理体制的不成熟也是智慧城市建设和高新区发展所共同存在的问题。在智慧城市建设投资渠道单一（投融资机制不健全）这一前提下，顶层设计与实际脱离增加了建设成本估计的难度，可能造成建设规模与当地财政支持能力间的不匹配，也即部分地区缺少资金的可持续投入。相较于智慧城市建设，高新区发展虽然不存在直接的投资压力，但由于政府过度干预创新要素配置，财政补贴、税收优惠等举措的激励效果呈边际效应递减甚至转为负的态势。大量的寻租行为也导致园区内企业缺乏自力更生的能力和自主创新的动力，无法为地方经济发展和财政稳定提供支撑。最后，城市管理与园区建设上，由于缺乏长效运营管理机制，部门与部门间存在利益牵扯与管理冲突，职能与权责划分不清等弊病也会影响到项目的推进与调整。

因此，考虑到上述智慧城市建设和高新区发展中存在的问题，亦可提出以下假设1b：高新区智慧城市试点对区域内企业发展的促进作用较为有限。

2.3 智慧城市对高新区企业影响的异质性考察——基于试点范围不同

智慧城市建设的非对称影响表现为作用的区域异质性和城市、企业特征异质性［10］。就具体结果而言，可大体划分为两类。一类认为智慧城市建设对后发主体影响更为显著［14］。其主要的解释是，西部地区的初始经济水平较东中部地区落后，故存在更大的提升空间。然而，另一类研究结果表明，具备发展基础的主体在智慧城市建设中受益更多［15］。在经济相对落后的区域，因为每个客户需要数量更多的基础设施，所以向这些地区提供网络服务的成本往往更高，这也进一步导致新技术应用所形成的投资回报率较低；同样意味着后发地区在普及数字技术方面可能存在难以克服的劣势，欠发达地区即使有在发展数字技术，但由于较差的吸收能力，智慧城市建设对区域发展的刺激作用可能十分有限。形成对照，经济发达程度较高的地区一方面拥有雄厚的经济实力，也更容易吸引发展新技术所需的人才。数字技术发展形成的数字经济具有自我膨胀的特点，也会促使区域的优势地位进一步强化。

作为政府通过规划开辟出来的增量区域，高新区往往具有更多的发展空间，且具有更为优越的高技术产业基础与创新要素禀赋。2021 年，杭州高新区（滨江）的数字经济核心产业增加值达1 596.2亿元，同比增长16.0%，占园区生产总值比重为78.9%，连续位居全省第一；南昌高新区的数字经济核心产业（包括软件信息服务业和电子信息制造业）规上企业营收达587.6 亿元，同比增长67.6%，产业规模达全市第一。由此可见，高新区为数字技术应用发展提供了广阔的空间与创新支持，而后者则成为前者发展的重要动能支撑。故对高新区企业发展而言，模式1 在理论上应具有更为显著的积极影响。图1 显示，无论是企业总收入还是净利润，相对于未试点高新区和模式2，采用模式1 的高新区企业具有更好的发展绩效。

图1 不同发展模式下我国高新区企业发展绩效比对

基于此，提出以下假设2：就对高新区企业发展而言，试点模式1 有着比模式2 更为显著的积极影响。

3 研究设计

3.1 研究方法

3.1.1 双重差分法

中国智慧城市实践可以追溯到 2000 年开始的数字城市建设。受全球智慧城市浪潮影响，中国政府在 2009 年提出智慧城市建设构想，并于2012 年开始大规模试点，至今为止，先后共公布3 批国家智慧城市试点名单。本研究将智慧城市试点政策视为一次准自然实验，采用时变双重差分法评估智慧城市对高新区企业产生的影响。参照袁航等［15］、姚圣文等［10］的研究，构建计量模型具体如下：

式（1）中：i和t分别表示具体城市和具体年份；SCP（即smart city policy，具体表现为Treatment×Time）代指政策的处理效应，如果城市i属于处理组，Treatment 取值为1，反之则为0，Time是智慧城市政策实施前后时间的虚拟变量，政策实施前取0，实施后为1；Y为企业发展绩效；为可能对高新区企业发展产生影响的其他控制变量；μi和分别代表不随时间变化的个体特征和不随个体变换的时间特征；随机扰动项以εit代指。

在选取实验组和控制组过程中，进行了以下处理：（1）某些地级市在设立智慧城市时，只将地级市内的某个县或区（高新区未在空间范围内）作为试点城市，因为如果将隶属于该类地级市的高新区作为试点区域会低估智慧城市的作用，因此，将这类高新区的Treatment 值取为0；反之，即使试点范围不是覆盖全市，但高新区位于其空间范围内部，Treatment 值仍取为1。

3.1.2 合成控制法

由于需探究智慧城市对高新区企业的作用效果是否因试点范围不同存在异质性，而本研究的核心实验组数量较少（合肥、长春和青岛3 个地级市仅在高新区进行智慧城市试点），考虑到样本数量不足对估计精度的影响，因此进一步采用Abadie 等［16］提出的合成控制法评估政策效果。尽管其他高新区与核心实验组可能并不相似，但该方法根据不同对照组与实验组在预测变量上的相似程度，对控制组加权拟合一个与实验组特征最相近的合成组（以下简称“合成高新区”）。合成高新区可视为真实高新区的反事实结果，通过比较合肥、长春和青岛高新新区与合成高新区在企业发展绩效上的差异，评估试点范围不同存在的政策效果差异。

假设收集到（K+1）个高新区在t∈［1,T］期内的企业发展绩效，第i个高新区在T0（1 ≤T0≤T）实施了智慧城市试点（实验组），其他K个高新区均未开展智慧城市建设（控制组）。表示高新区i在时间t受到的智慧城市政策影响的企业绩效，为高新区i在时间t未受到智慧城市政策影响的企业绩效。可得出政策效应为已知的智慧城市政策影响后的高新区企业绩效。对于，可通过Abadie 等［17］提出的因子模型来估计，模型形式如下：

Abadie 等［17］的研究证明，如果政策实施前时间段比实施后长，则可以用作为的无偏估计，最终得到智慧城市作用的估计值：

3.2 指标选取、数据来源与研究框架

2020 年，国务院出台《关于促进国家高新技术产业开发区高质量发展的若干意见》，为避免研究对象受这一政策影响，将考察期置于2020 年以前，并基于数据的完整性考虑（2003 年前数据缺失值较多），最终选取2003—2019 年中国88 个国家高新区作为研究样本。

解释变量为政策处理效应（SCP）的虚拟变量；被解释变量为企业发展绩效。基于数据的可得性并借鉴林剑铬等［18］的研究，选用企业总收入（total revenue）、技术收入（technical revenue）和净利润（net profit）作为企业发展绩效的代理变量。为控制区域随时间而变化的特征因素，选择高新区企业数、期末从业人员数、实交税费和出口额作为高新区层面的控制变量；将经济发展、产业结构、人口自然增长率、公共财政支出、财政科技投入和金融支撑作为城市层面的控制变量。其中，以人均地区生产总值作为经济发展的代理变量；产业结构则以第二产业占比来表征；金融支撑选用年末金融机构人民币各项贷款余额进行衡量。

所使用的城市层面数据来自历年《中国城市统计年鉴》，被解释变量和高新区层面控制变量取自《中国科技统计年鉴》和《中国火炬统计年鉴》。内生性处理过程所需的城市平均坡度根据全球数字高程模型（ASTER global digital elevation model）数据计算得到。部分年份存在数据缺失，以查询省份统计年鉴和插值法互补的方式进行填充。

最后，总结以上有关智慧城市建设对高新区发展影响机制分析与研究设计，构建分析框架，如图2 所示。

图2 智慧城市建设对高新区发展影响机制与研究框架

4 实证检验

4.1 基于双重差分法的高新区智慧城市试点建设评估

4.1.1 基准检验

表1 为智慧城市建设对城市高新区企业发展影响的检验结果。可以发现，在分别以总收入、技术收入和净利润作为被解释变量的回归模型中，政策的处理效应皆不显著，这也表明智慧城市建设对地级市高新区企业发展并没有产生统计意义上的显著影响。

表1 样本智慧城市试点政策对企业的影响效应与试点模式比对检验结果

为了考察试点模式1 是否比模式2 对高新区内部企业影响更大，构建处理效应和试点模式虚拟变量（模式1 则取值为1；反之则为0）的交乘项（SCP×HZ_dummy）纳入回归方程中，结果显示交乘项在10%水平下显著为正，这意味着模式1 仅在促进高新区企业技术收入方面存在微弱的优势。

为了进一步评估模式1 的政策净效应，将隶属于模式2 的高新区从总样本中删去，再次进行回归，结果表明企业发展绩效并没有比那些尚未进行智慧城市试点的高新区的企业表现更好。

4.1.2 内生性处理

作为城市经济发展的重要主体，高新区企业绩效水平反映了当地创新生态环境的优劣，因此，企业发展较好的城市更有可能被纳入智慧城市试点名单，也即，以上检验结果可能受到双向因果关系所引致的内生性干扰。对此，采用两阶段最小二乘法（2SLS）进行内生性处理。工具变量选取的核心思想是寻找一个外生的、影响内生变量（政策试点）的变量，而城市坡度相关的地理变量一般不随时间变化，也就与高新区企业发展不存在直接的因果关系；并且，城市坡度过大在一定程度上会提升智慧城市建设工程开展的难度，阻碍智慧城市基础设施建设，即城市坡度会潜在影响智慧城市试点区域的选择。因此，选择城市平均坡度（Slope_r）作为工具变量。对工具变量选用合理性进行检验，结果如表2 所示，皆拒绝了“识别不足”的原假设，且不存在弱工具变量问题（Cragg-Donald Wald和Kleibergen-Paap rk Wald 的F统计值皆大于15%maximal Ⅳ size）。其中，第一阶段的回归结果显示，Slope_r 与SCP 间呈负向关联（系数在1%水平下显著为负），意味着智慧城市建设往往倾向于在坡度较低的区域展开，与实际相符；第二阶段的回归结果显示，试点政策与企业总收入和净利润间的系数皆在1%水平下显著为负，而与技术收入的系数在1%水平下显著为正（4.201）。这一方面反映潜在的内生性问题对基本回归检验产生了影响，另一方面意味着智慧城市试点建设仅促进了高新区企业技术收入的提升，对总收入和净利润皆产生了负向影响。至此，假设1a和1b在一定程度上得到验证。

表2 样本智慧城市试点政策对企业影响的内生性回归分析结果

表2（续）

4.2 高新区智慧城市异质性试点模式效果评估：以合肥为例

首先，考虑到所采用的方法对数据结构的要求，仅将2003 年为国家级高新区作为控制组。其次，以高新区企业数、期末从业人员数、实交税费和出口额以及2004、2007 和2011 年的结果变量作为预测变量。拟合数值如表3 所示（因篇幅限制，仅列出真实高新区与合成高新区的协变量比对结果），合成高新区和真实高新区间的误差大多控制在6%以内，仅在以净利润作为结果变量的比对中出现3 组显著大于6%的情况。参照孟溦等［19］的研究并考虑到后续拟合结果（见图1 至图3），这种误差是可以接受的。

表3 合肥智慧城市试点异质性对高新区企业发展影响分析结果

表3（续）

当以企业总收入作为结果变量时，合成高新区由郑州高新区（0.643）和淄博高新区（0.207）、南昌高新区（0.098）和上海张江高科技园（0.051）4个高新区加权构成。如图3（a）所示，实线表示高新区企业总收入的真实值，虚线表示合成高新区的总收入，垂直虚线代表合肥于2013 年在高新区实施智慧城市试点建设，虚线左侧代表未受政策冲击时的收入走势。可以看出，在此之前，合成高新区与真实高新区的企业总收入变动较为吻合；而在进行智慧城市建设的2 年后，相比合成高新区出现下滑的趋势，真实高新区的总收入呈现出较强韧性；这一作用在图3（b）中得到进一步呈现，真实高新区与合成高新区企业总收入在2015 年开始分岔，且政策效应越来越大。然而，当以企业净利润作为结果变量时，合成高新区分别由武汉东湖新技术开发区（0.417）、贵阳高新区（0.351）、广州高新区（0.231）三者加权构成，揭示了高新区智慧城市建设的负面影响。具体而言，政策实施前真实高新区与合成高新区企业净利润变化如影随形；在实施智慧城市试点政策的第二年，真实高新区与合成高新区出现分岔，且前者上升幅度显著小于后者，如图3（c）（d）所示，2013 年及之前两者保持了相对重合的路径，但在2013 之后，真实高新区企业利润相对出现骤然下降。进一步检验高新区智慧城市试点对企业技术收入的影响，如图3（e）（f）所示，早期的拟合效果并不理想，但仍可以看出在受到智慧城市建设的政策冲击后，相比合成高新区，真实高新区的技术收入亦存在一定的提升。

图3 智慧城市试点政策对真实与合成的合肥高新区企业发展绩效比对

4.3 进一步分析与稳健性检验

4.3.1 更换研究对象

以合肥高新区作为检验对象的结果表明，虽然智慧城市试点政策刺激了高新区企业收入的增长，但会对企业的净利润产生负向影响。这也意味着仅就智慧城市试点而言，更小空间范围的试点模式并不一定能于短期促进企业利润的提升。为保证这一结论的稳健性，对同样隶属于该试点模式的长春和青岛高新区进行考察。

一方面，就长春高新区而言，以总收入作为结果变量，通过合成控制法计算而来的合成高新区主要由上海张江高科技园（0.560）、襄阳高新区（0.381）、太原高新区（0.044）、乌鲁木齐高新区（0.014）和淄博高新区（0.002）构成。从图4（a）（b）可以看出，真实高新区与合成高新区于政策实施前变化趋势基本吻合，而在智慧城市建设后相较于合成高新区，真实高新区的上升有所乏力。同样的特征表现在以净利润作为结果变量的检验，合成组由广州高新区（0.740）、上海张江高科技园（0.234）和武汉东湖新技术开发区（0.027）加权构成。如图4（c）（d）所示，可以看出，在2013 年之后，高新区企业净利润呈波动变化趋势，2019 年净利润数值仅为40（与政策实施初期持平），而合成高新区的这一数值则已超过100。最后，与合肥高新区类似，以技术收入作为结果变量的拟合效果并不理想（虽然呈现出模糊的政策促进作用），如图4（e）（f）所示。

图4 智慧城市试点政策对真实与合成的长春高新区企业发展绩效比对

另一方面，对于青岛高新区，遵循上述操作过程，检验结果如图5 所示，基本可以看出，对于以总收入和净利润作为结果变量的评估，合成高新区的拟合效果较优，且未皆表现出智慧城市建设政策对高新区企业的促进作用。虽然与长春高新区的分析结果相像，但可以对本研究结论的稳健性作很好地补充，因为在合成长春高新区的构成中，上海、广州等一线城市高新区是其主要构成，考虑到一线城市在经济环境、政策倾向上的优势，可能会低估长春高新区智慧城市建设的作用。而对于青岛，以其中将净利润作为结果变量的检验为例，其合成高新区则主要由襄阳高新区（0.623）和绵阳高新区（0.196）构成，而结果同样表现出真实高新区企业利润增幅小于合成高新区的现象，如图5（c）所示。这佐证了智慧城市建设并没有对高新区企业发展产生实质性的促进作用。

图5 智慧城市试点政策对真实与合成的青岛高新区企业发展绩效比对

至此，以上研究结果表明假设2 中的猜想没有被完全证实，即使仅在技术要素更为富集的高新区进行政策试点，智慧城市建设亦可能产生与预期截然相反的影响。

4.3.2 安慰剂检验

为进一步排查上述研究结果是否由偶然因素所致，参照Abadie等［17］的研究，使排序检验（permutation test）的方式来判断是否还有其他城市高新区出现与合肥、长春及青岛同样的情况。具体思路是：依次将控制组高新区（donor pool）作为假想的处理组，分别进行多次合成控制，并就其结果与合肥等先验高新区检验结果进行比对。考虑到实施前拟合效果对结论推断的重要性，基于已有研究经验，删除政策实施前RMSPE 值1.5 倍于合肥、长春、青岛的城市高新区样本；并且，由于以技术收入作为结果变量的合成效果并不理想，因此，仅对总收入和净利润作进一步的安慰剂检验。结果如图6 所示，粗实线代表了合肥、长春和青岛的智慧城市建设政策效应，虚线代表了其他高新区智慧城市建设政策效应。可以看出，除合肥高新区的总收入和青岛高新区的净利润的安慰剂比对，先验处理组的企业发展指标显著低于其他高新区，也即表明控制组要得到与实验组相同的效果是小概率事件。就此可以推断，“智慧城市建设试点模式1 并不比模式2 更有效”的结论是相对稳健的。

图6 智慧城市试点政策对各高新区企业发展绩效差值分布

4.3.3 更换控制组

为进一步明晰合肥、长春和青岛在高新区进行智慧城市试点相对于未试点高新区的净效应，将控制组更换为尚未进行智慧城市试点的地级市高新区，再次进行合成控制法检验。同理，结果表明虽然智慧城市试点促进了合肥高新区企业总收入上升，但反而降低了企业净利润；并且，政策的负向效应在长春和青岛的高新区表现更为显著（总收入和净利润皆表现出相对下降的趋势）。这与本研究基于2SLS 的检验结果“政策对企业总收入和净利润的回归系数皆在1%水平下显著为负”相契合。

4.3.4 既有事实与具体例证

事实上，中国高新区发展与智慧城市建设过程存在项目落地发展难以为继的问题。以青岛为例，作为青岛高新区的第一个产业园项目，中国智谷旨在围绕智慧交通、政务等智慧城市主题板块，建设智慧城市企业总部、展示与体验中心、数据与应用产业区，以实现高端智慧城市产业生态圈的营造，然而如今发展停滞，该建设项目在2019 年流拍的前提下于2020 年降价六成上市拍卖；同样，青岛高新区与中兴通讯股份有限公司共建的青岛科技产业园项目，目标打造青岛高新区智慧园区技术中心和开放式服务平台，也于近年最终以拍卖落幕；此外，其他城区中的项目建设（诸如有中国“数都”之称的惠普大数据中心、中昌数创智慧谷产业园等）亦存在相似的发展过程。分析具体原因，智慧城市建设往往存在重硬件、轻应用和重项目、轻规划运营等问题。武汉智慧生态科技投资有限公司与微软合作投入达1.75 亿的智慧城市建设项目烂尾，既被归因于在信息技术（IT）软件（智慧城云平台微软软件，

6 921 万元；微软技术实践中心/ITA 软件，1 059 万元）、云服务（WindowsAzure 公有云，5 496 万元；云管理平台，1 449 万元）上投入过多，而在业务规划运营方面的侧重明显不足（CityNext 规划咨询占比不到5%，838 万元）。

5 研究结论与政策启示

随着国家高新区将智慧城市建设作为“以产兴城、以城促产、产城融合”过程中的重要目标。智慧城市项目在中国“遍地开花”；但与此同时，部分地方盲目追求智慧城市建设规模和速度而忽略了利益相关者的诉求，随之带来一系列负面影响。基于这一现实背景，本研究探讨并检验了中国智慧城市建设试点对高新区企业发展产生的影响，得到如下结论：（1）智慧城市建设仅在一定程度上促进了高新区企业技术收入的提升，但对企业净利润则产生了显著的负面影响；（2）就对高新区企业发展而言，智慧城市建设仅在高新区进行试点并不能比在更大空间范围内试点（例如全市）效果更好；（3）从具体效果上看，智慧城市建设虽然促进了合肥高新区企业总收入的增加，但反而降低了企业净利润，为对于长春、青岛是高新区，无论是总收入还是净利润，智慧城市建设所带来的影响皆为负向。

虽然诸多研究揭示了智慧城市发展对经济、创新、产业、自然及社会环境产生的积极作用，但本研究结果表明智慧城市建设对高新区企业发展的刺激作用较为有限。本研究的经验证据并不是对高新区智慧城市建设这一政策组合的否定，而是认为需考虑对现行政策体系中的缺陷进行挖掘与调整。基于以上分析和研究结论，在今后智慧城市建设项目体系的构建中，可考虑对以下方面有所侧重：（1）针对重干预、轻市场问题，改善现有制度环境，以市场需求引导项目建设。考虑到政府过度干预所引致的创新要素低效配置，一方面应逐步消除高新区政策体系中违背市场竞争机制的环节；另一方面，智慧城市建设同样需依托市场的“无形之手”，实现规划建设与应用需求的有效对接，通过市场化方式来创造居民受惠、企业受益的智慧应用。（2）针对重硬件建设、轻应用问题，改变认为智慧城市是城市信息或数字化的传统认知，避免因沿袭以往的城市建设思路而强化了路径依赖性，制约有关建设项目的深入推进。配套设施和创新生态的缺位不仅无法促进创新要素的聚集，亦会导致已有设施效用的降低，造成资源浪费。故应把“以人为本”价值目标贯穿于智慧城市的建设始终。（3）针对重项目、轻规划和重当下、轻长远问题，从全局出发，做好顶层设计。首先，明确各部门的业务范畴，实现责任分配到位；其次，打造不同部门间、主体间协同合作机制，在提高政务效率的同时，引导企业和金融机构等主体的参与，构建稳定且充满活力的智慧城市建设治理模式；最后，加速构建智慧城市建设的标准（技术）体系和评价体系，完善地方党政领导干部政绩追加考核机制，以缓解“人走政息”问题。