智慧城市建设对碳排放的影响

刘丽娟

(云南大学 经济学院, 昆明 650000)

温室气体排放导致全球气温上升,极端气候频现,对人类的生产和生活造成极大的影响,减少碳排放实现低碳绿色发展是全人类的共识。我国人口众多,过去经济的快速发展较多依赖于化石能源的消耗,是全球碳排放体量较大的国家,2020年我国的二氧化碳排放量占全球总排放的30.6%(1)根据全球碳预算数据库中所提供的数据计算得到。,因此减少碳排放量、加速经济绿色低碳发展是当前我国面临的主要问题。党的二十大报告指出,推动经济社会发展绿色化、低碳化是实现我国经济高质量发展的关键环节。因此,研究碳排放具有重要的现实意义。

智慧城市作为国家推进新型城镇化的重要抓手,是运用新一代的信息技术促进城市管理、生产、服务和建设的智慧化,以促进城市基础设施智能化、规划管理信息化、公共服务便捷化和产业发展现代化等为宗旨的新型城市,体现了城市走向绿色、低碳和可持续的本质要求,对城市低碳发展具有重要的意义。我国于2012年开展智慧城市试点工作,之后国家也积极推进智慧城市的建设工作,从《关于加快推进新型城镇化建设的若干意见》《智慧城市建设指南(2015年版)》等文件的政策指导到给予资金扶持、成立专项工作组等,再到“十四五”规划和2035年远景目标中明确提出要分级分类地推进新型智慧城市建设,建设智慧城市与数字乡村,推进智慧城市建设已是大势所趋。

1 文献综述

从既有研究来看,不少学者对影响碳排放的因素进行了较多的探讨。其中,产业结构优化[1]、能源效率提升[2]对碳排放起到正向的抑制效应,而经济增长[3-4]、人口数量增加[5]、交通工具的数量是增加碳排放的主要影响因素,其余的一些影响因素如环境规制、城镇化水平[6]和对外贸易等,学界对其影响碳排放的效应说法不一。与本文的研究主题相关的是以新型城市为代表的智慧城市的建设对于碳排放的影响。当前学界对智慧城市建设带来的可持续发展效应研究主要有两种观点。一种是智慧城市建设对环境具有正面促进作用[7-8]。智慧城市依赖于信息技术的应用,包含智慧能源、智慧建筑、智慧交通等专项应用,智慧交通减少交通拥堵和优化交通流量[9],智慧能源提高城市能源的利用效率[10],智慧建筑通过智能照明、智能空调和智能建筑外墙等提高建筑能源的利用效率,减少能源浪费等,这些专项建设直接减少城市碳排放。同时,智慧城市建设中的大数据、云计算等信息技术使得传统产业不断优化升级,新兴产业不断发展,使得低能耗的产业占比不断升高,促使城市低碳发展。智慧城市的建设能够提升城市的生态效率[11],能显著减少城市的工业废水和废气的排放[12],同时智慧城市的建设对东部地区的碳排放抑制作用较强,而对我国中西部的减排效应弱于东部地区[13]。另一种观点认为智慧城市建设使得城市能源使用大幅增加,不利于城市的可持续发展。Yigitcanlar和Kamruzza-man[14]利用人均电话和人均宽带的使用率来表征智慧城市建设,研究其对英国的碳排放的效果,但由于评价指标过于单一,认为智慧城市的建设对碳排放的影响不会随时间的改变而变化;黄建等[15]以智慧城市评估报告作为数据来源评估智慧城市对低碳的影响,结果发现智慧城市建设对低碳发展的支撑不足;蒋金荷[16]认为智慧城市的建设需要大量的数据中心的建设,会导致电力密集使用,我国是以煤电为主的国家,电力的密集使用意味着煤电的大量使用,会加剧城市的碳排放量的上升;同时,智慧城市的建设也可能导致能源反弹效应[17],在促进经济增长的同时,也会增加城市环境污染。

此外,学界多从产业结构优化、技术效率提升、能源效率提升、数据要素集聚和促进信息流动等方面研究智慧城市的碳减排效应。智慧城市建设通过信息技术和大数据对城市的各个功能区域进行划分和重组,形成紧凑的城市规划,这将减少或消除城市工作场所与生活场所之间的距离,不仅减少出行量,还增加公共和共享城市交通,将减少长途交通和交通堵塞造成的碳排放[18]。同时带动的新型基础设施建设通过产生技术效应、资源配置效应和经济集聚效应使得城市的绿色技术创新[19],通过信息技术的应用产生结构效应、配置效应和技术效应3种机制减少城市的环境污染[20]。智慧城市建设的重点即为信息和通信技术与传统基础设施的结合,进而能鼓励大规模定制和智慧运营的发展[21],同时可以推动创新和科技要素的聚集,从而提高技术创新水平,提升能源使用效率[22],网络信息基础设施的完善使得信息加速流动缓解了城市之间信息的交流壁垒促使城市提高整体的创新力[23],吸引人力资本的流入提升,打破信息流动壁垒[24],促使数据要素集聚[25],促进城市的高质量发展。智慧城市具备强大的智慧监控和管理系统,将实时监控公司的排放和治理[26],严格控制污染源,提高城市的生态效率,智慧能源建设使得能源结构优化和能源效率提升促使城市的节能减排[27]。此外,智慧城市作为一项试点政策,政府不仅在智慧城市建设过程中增加财政支出投资,而且还刺激生产者开展清洁技术创新,它还可以促进新兴高科技企业的独立和外部合作研发,从而升级城市的能源结构[28],同时通过示范效应、知识溢出、基础设施改善和其他渠道加速了资本集聚[29],缓解了企业技术创新的融资压力,进而推动企业绿色转型,从而带动城市的节能减排。

总的来看,现有文献对碳排放的影响因素和智慧城市建设产生的效应研究较多,主要是智慧城市建设能促进经济增长、产业结构优化和城市技术创新水平的提升等,但从智慧城市降低碳排放方面进行的研究还有待深入。当前对智慧城市建设影响碳排放的研究有两种观点:一种观点认为增加了电力的使用,进而导致城市碳排放的上升;另一种观点认为智慧城市建设通过智慧监管、数字化水平提升进而降低碳排放水平。进一步从机制研究上看,目前大多数学者从传统的产业结构优化与技术创新两个角度入手来探讨智慧城市如何影响碳排放,但碳排放的下降长期来看更依赖于能源结构的优化和低碳减排技术的发展。因此,在本文中扩展研究机制来探讨智慧城市是否影响城市的能源消费结构和绿色技术创新水平,进而厘清智慧城市建设对于碳减排的影响机制,以期为探讨智慧城市建设的低碳绿色效应提供一定借鉴。

2 理论与假设

碳排放主要来源于工业生产的碳排放、交通运输的碳排放、个人和家庭的能源消费的碳排放、建筑行业产生的碳排放,以及城市扩张导致的排放。智慧城市建设的重要内容是信息通信技术的应用和数字基础设施的建设;建设目的是通过使用信息技术和数字技术,在城市各个系统间构建一系列的智慧应用场景与工具,解决城市运行中的各种城市病问题,提升城市运行效率,便捷人们的生产生活;建设要求是各个试点地区要以科技创新为支撑,结合物联网技术与数字技术,提升城市的感知能力,应用云计算技术提升城市的计算能力,着力解决制约城市发展的现实问题,建设绿色、低碳和智慧的城市。因此,智慧城市综合了数字技术、新一代信息技术和人工智慧技术等,是融合了科技创新与组织结构创新的一种高级化的城市形态,本质上是数字技术在城市中的创新应用。结合熊彼特创新理论和波特创新理论,技术的进步通过推动资源配置的优化、提升生产效率、节约要素消耗等方面促进经济的发展,而组织结构的优化又通过减少信息不对称、优化生产要素配置等方面强化技术创新的作用,这意味着智慧城市的建设蕴含着资源节约,环境友好的内涵。

从宏观层面来看,智慧城市的建设通过智慧应用场景和数字技术能够有效地提升能源效率,减少碳排放。网络基础设施和公共平台与数据库是智慧城市建设的基础内容。智慧城市还包含智慧建设与宜居、智慧管理与服务和具体的智慧交通、智慧能源、智慧环保、智慧国土和智慧应急等应用场景,且以高新技术产业和现代服务业等新兴产业的发展也是智慧城市建设的评价内容之一。借助大数据和人工智慧、数据分析等数字技术的使用,城市的信息化和智慧化运营能力有效提升,智慧感知设备实时收集和分析数据使得城市的管理、运行和服务能力,能有效地提升城市各个环节的效率,减少资源消耗,显著降低城市的碳排放水平。

从中观层面来看,数字产业化和产业数字化是智慧城市建设降低碳排放的重要途径。智慧城市的建设同时推进数字产业化和产业数字化,使得高技术行业规模不断发展壮大,通过数字技术和信息技术实现对传统产业的升级改造,使得产业向着低碳化、绿色化发展,减少排放量,促进能源效率的提升和碳排放水平的下降。

从微观层面上看,智慧城市的建设能有效监测企业、居民等行为主体的碳活动,还能有效通过数据的分析奖惩一些排放行为,进而减少城市的碳排放。智慧应用场景和数字通信技术的使用使得企业、居民和政府的能源消耗能被实时收集、精确监测、传递和分析,信息技术和数字技术等还能实现对企业的碳排放足迹的精确计算。使得相关政府部门实现对企业碳排放配额的精确计算,通过对重点碳排放企业的监测、企业能源的使用等进行分析,能有效抑制企业的碳排放量和促使企业进行绿色低碳转型,促使能源利用效率的提升,减少城市的碳排放量。同时智慧城市的建设能吸引更多的高水平人才涌入,其带来的知识扩散效应和文明生活理念的示范效应能引导城市居民生活理念和方式的转变,而数字技术的使用使得居民的消费需求能被较快地感知。随着绿色生态环保意识的普及,企业能及时根据消费需求实时调整策略,减少生产过程中的能源消耗。

据此,提出以下假设。

假设H1:智慧城市的建设能够减少城市的碳排放,降低碳强度。

碳排放量的减少主要通过降低一次性能源使用结构、改进部门能源利用效率和增加可替代清洁能源的使用,这些减排途径都依赖于减排技术的发展,因此绿色技术创新是长期实现碳减排的关键。智慧城市的建设基础是城市运行大数据的应用,其利用效率取决于智慧城市基础设施建设的智慧化和信息化水平,这包含着从最底层的传感器的感知层的建设到最高层的应用层的建设,其形成数据要素,带动的技术进步偏向于绿色低碳与节能减排,二者的融合也使得新一代的数字型技术进步和能源技术的进步,推动绿色技术的进步。其次,智慧城市的建设使得新兴技术不断发展,吸引一些高质量的人才集聚,而智慧城市本身的建设对高技术和高层次人才的需求大幅增加,这促进城市的人力资本结构不断优化,为城市的绿色技术创新提供人才基础。再次,智慧城市的一些具体的应用场景如智慧金融的应用使得银行能够精确掌握企业的资金负债能力,有效解决企业和银行之间的信息不对等的问题,能有效满足有资金需求的企业的借贷需求,减缓企业的融资约束,为企业的绿色技术创新提供较多的资金,激励企业绿色技术的发展。最后,智慧城市建设能加速城市的互联网服务创新,同时优化资源的配置,通过信息技术的传输,能减少供需双方的信息不对称现象,信息通信技术的使用使得各种研究平台之间的沟通壁垒打开,各种要素的配置更加有效,知识的外溢也使得各种机构的协同创新能力不断提升。

据此,提出以下假设。

假设H2:智慧城市建设促进城市绿色技术创新从而降低城市的碳排放量。

碳排放量受到经济发展总量、产业结构和能源结构的共同影响,能源的使用是联系碳排放和经济发展的关键环节。短期内碳排放量的减少依赖于压缩碳排放部门的生产规模,长期内技术进步和能源结构的优化是碳减排的主要途径。依托数字基础设施和数字技术,智慧能源的建设使得能源的生产过程实现智慧化升级,能源企业的生产管理在智慧平台的助力下能实现更好的监测和运行,促使能源等要素能被配置到更高效率的行业,优化能源资源的配置,使得能源利用效率显著提升。此外,智慧城市的建设催生一批新兴产业的发展,推动着产业结构的优化。产业结构的优化有助于传统产业中的企业减少对能源的刚性需求,引导能源结构由传统的化石能源向清洁低碳能源转变,推动能源消费结构的优化,且高耗能产业占比的下降会减少化石能源的消费,促进能源消费结构的转变。产业的生产链的转变也会使得能源结构有所调整,在产业结构升级的过程中实现能源结构的转型优化。智慧城市的建设是信息技术和数字技术在城市中的具体应用,这些技术的发展使得新能源的开发成为可能,同时也使得更多的可再生能源能够替代传统的化石能源,能促进能源结构的优化。最后,智慧城市的建设使得信息的传播途径更加有效。在当前的生态文明建设背景下,居民的环保意识受信息宣传影响加强,能在一定程度上带动着能源消费结构的转变。

据此,提出以下假设。

3 数据、变量与模型

3.1 模型设定

我国于2012年正式启动智慧城市试点工作,公布了第一批智慧城市试点名单,随后分别在2013年和2015年公布了第二批与第三批智慧城市试点名单。某些地级市在被设立为智慧城市时,年份可能会有某个区或者县被设立为智慧城市,将其作为较早年份的处理组;同时有的地级市一开始只有某个区或者县被设立为智慧城市,后面整个市被设立为智慧城市,将其认为是较晚年份的处理组。将始终只有个别区或者县被设立为智慧城市的地级市予以剔除。智慧城市是传统的城市发展模式向更高阶段迈进的产物,其建设依赖于当时的数字技术水平,具有一定的不可预期性。同时,在选取智慧城市政策的试点时,并未按照相关的文件作为参考标准,且试点的范围涵盖着补贴经济发展水平和技术发展水平的城市。因此,智慧城市的试点政策满足政策时间随机性和政策试点随机性假设,可以将其视为一项准自然实验。考虑到城市试点的年份有所不同,为更严谨地探究智慧城市建设对碳减排的影响,借鉴Beck等[30]的研究构建多期双重差分模型进行政策效应评估,具体模型为

yit=β0+β1DIDit+γXit+θi+δt+μit

(1)

式中:i、t分别为城市和年份;y为城市碳排放强度;DIDit为智慧城市与试点时间的交互项,取值为1表示试点城市与试点时间两个虚拟变量值都为1,取值为0则表示试点城市或者试点年份虚拟变量取值为0;β1为估计系数,是最关心的系数,它反映了纳入试点政策的城市对城市碳减排的影响程度,当β1>0表明智慧城市试点政策对碳排放的影响为负向作用,β1<0则表明智慧城市试点政策对碳排放的影响为正向促进作用;Xit为一系列城市层面的控制变量,包括经济发展水平、产业结构、城市化水平、金融发展程度、政府干预情况、外商直接投资、人口密度等;θi、δt分别为城市和年份固定效应;μit为未观测到的随机误差项;β0为常数项。

3.2 数据来源与变量选取

使用2005-2019年我国地级市的面板数据,利用多期双重差分模型对智慧城市的碳排放效应进行检验,并对回归结果进行稳健性检验,根据研究假设检验对智慧城市影响碳排放水平的影响机制。数据来源于《中国城市统计年鉴》《中国能源统计年鉴》《中国统计年鉴》,GDP的数据根据2005年的价格指数进行折算,由于地级市的价格指数数据缺乏,采用省级的GDP指数代替。此外,删除了一些数据缺失较为严重的城市,如山东的莱芜市和海南的三沙市,西藏的林芝市、那曲市等,自治州的数据缺失较多,因此未将自治州纳入研究范畴,其余的数据采用线性插值法补齐。

碳排放总量是实体环境影响的一个重要方面,但单独只看排放量的减少是不完善的,总量数据并没有说明实体经济使用资源的效率和总排放的变化是基于经济增长还是牺牲经济增长为主的。智慧城市的建设更多的是数字技术的具体应用,是以提升资源配置效率促进的碳排放的下降。因此,采用碳强度更能说明其对低碳的发展带来的影响,且从总量上来看,随着我国经济的增长,我国的碳排放总量是不断上升的,还未达到峰值,但从碳强度的数据来看,我国的一系列减排措施是有一定效果的,因此被解释变量为城市的碳排放强度。城市的碳排放强度为碳排放的总量与当地的经济水平的比值,碳排放量数据参照Chen等[31]的研究选择利用美国宇航局提供的两套夜间灯光数据(DMSP/OLS和NPP/VIIRS)从上而下地反演出中国县级的排放量,再根据县级数据相加得到城市的碳排数据。该数据在中国碳核算数据库(CEADS)公布,但仅仅公布到2017年,之后年份的采用时间序列数据模型ARIMA(autoregressive integrated moving average,自回归移动平均模型)在Chen等[31]的数据上进行预测,具体是先加总附属县区得到每个城市的CO2排放数据,再利用ARIMA模型预测出城市碳排放数据。同时,选取产业高级化、经济发展水平、人口规模、人力资本水平、金融发展水平、城镇化率、城市绿化水平、政府的财政自给率等作为控制变量。变量定义见表1。

表1 变量定义

4 实证与结果讨论

4.1 基准回归

为了保证双重差分估计结果的一致性,处理组和控制组城市需要满足平行趋势假设,即在政策干预之前,处理组与控制组城市的碳排放强度变化趋势是一致的。考虑到智慧城市试点政策的分批实施,为了更好地展示智慧城市试点政策的动态效应,参照Beck等[30]的处理方法,采用渐进双重差分的方法来进行平行趋势检验,在进行平行趋势检验的时候将试点前一期作为基期。

对于碳排放强度而言,估计系数在智慧城市试点政策实施当年及之后一年,智慧城市促进碳减排的作用不显著,而在两年之后开始显著抑制城市的碳强度,政策存在滞后性,而在政策实施前均未通过显著性水平检验。这说明处理组和控制组在智慧城市试点政策前城市的碳排放强度并无显著差异,满足平行趋势假说(图1)。但政策效应在政策实施第6年之后这一促进作用显著性逐渐消失,可能是智慧城市建设带动的经济增长高于其带来的碳排放水平的增加,从而导致其对碳强度的效应减弱。

图1 平行趋势图

使用全样本的数据构建多期双重差分模型,随后引入双向固定效应,测算智慧城市试点政策对碳排放的影响效应。表2中,第(1)列未加入任何控制变量,在第(2)列和(3)列中,进一步加入控制变量以及时间和城市的固定效应。结果显示,双重差分项的估计系数β1均为负值,且通过了显著性的检验,表明智慧城市试点政策使得处理组地区相较于控制组地区的碳排放强度出现显著下降,即智慧城市政策能促进节能减排目标的实现。由此,假设1得证。

机电班的小李同学来自外地，性格内向，英语基础差，但音色还不错，我有意把他做为苗子培养，鼓励他参加英语技能竞赛。小李一直问我，老师，我行吗？我的英语这么差……我说，不试试，怎么知道行不行，我和另外一个老师对他进行长时间的课外辅导，训练其听、说、写的能力，边训练、边鼓励，从校赛一直坚持到市赛，最后获市级二等奖(工科类第一名)，并代表市里参加全省工科类英语职业技能竞赛，虽最终未获得名次，但从此他的英语学习兴趣被激发，成为班级中的佼佼者。

4.2 稳健性检验

4.2.1 替换被解释变量

利用城市的栅格数据和夜间灯光的数据的匹配形成的城市的碳排量强度(ODIAC)替代原有的被解释变量,回归结果见表3中的(1)列,DID的系数均显著为负,这表明智慧城市试点政策实施后,处理组碳排放量相比控制组下降,进一步验证了智慧城市促进碳减排的效应。根据IPCC(政府间气候变化专门委员会) 清单法的测算,能源排放总量也是衡量城市碳排放水平的一个重要指标,而由于我国富煤的资源禀赋结构,能源消费总量很大程度上代表了城市的碳排放水平,因此表3中(2)列将被解释变量替换为城市的电力、天然气和液化石油气的使用量加总测算的能源总量,根据(2)列的结果显示,智慧城市仍然显著降低了城市的能源排放总量。

表3 稳健性分析结果

4.2.2 排除其余政策的干扰

智慧城市试点的净效应还可能受到与碳排放密切相关的低碳城市试点与创新型城市试点政策的干扰。低碳政策自2010年开始实施,构建DID2来表示低碳试点政策的冲击;创新试点城市从2008年开始实施,构建DID1虚拟变量来表示创新型城市的政策冲击,低碳试点政策与创新型城市的试点也是分批次的,表3中(3)列、(4)分别汇报了上述政策干扰后的估计结果,能看到智慧试点政策虚拟变量DID估计系数仍然显著为负值,智慧城市影响碳排放强度仍然是稳健的。

4.2.3 剔除直辖市

由于直辖市在政策制度、经济发展水平与城市的创新能力方面都具有一定的优势,为了进一步证明结果的稳健性,将直辖市从回归样本中剔除,剔除直辖市后的影响结果见表3的第(5)列,结果能够看出,剔除了4个直辖市后政策在1%水平上显著为负,说明了智慧城市的试点对城市的碳排放强度起到抑制作用,且控制变量的系数符号与基准回归保持一致,剔除4个直辖市后依然能证明结果的稳健性。

4.2.4 PSM-DID稳健性检验

为了处理DID模型的样本选择偏误问题,使用PSM-DID(倾向得分匹配-双重差分)方法。智慧城市的试点是分为3个批次展开的,将样本考察期内作为智慧城市试点的城市列为控制组,采用倾向得分匹配的方法,按照核匹配、近邻匹配和半径匹配3种方法对控制组进行逐年与截面的回归处理,经过匹配不同变量控制组与对照组样本均值差异的P值,在10%的水平线轴上控制组与对照组具有平衡性。表4中(1)列、(2)列分别为逐年和截面匹配后的估计结果。从结果显示,智慧城市政策变量的系数在1%的显著性水平上显著,并且不同匹配方法都具有较强的稳健性,进一步说明了智慧城市建设降低碳排放假说的稳健性。

表4 PSM-DID检验结果

4.2.5 安慰剂检验

为了更加充分地验证智慧城市建设对碳排放强度的影响,采用安慰剂检验方法。为确保智慧城市建设的实施是一种随机冲击,从样本城市中随机抽取了94个城市作为虚假的处理组城市,其余城市则作为虚假对照组。这样就能够得到智慧城市建设对城市碳排放的系数估计值。为了避免其他小概率事件对结果的影响,重复进行回归分析500次,并通过图2中呈现的500个随机生成的估计系数和相应的P值分布来进行评估。从这些分布中可以看到,回归系数近似于正态分布,且绝大多数结果不显著。基准回归系数的估计值位于虚假回归系数分布的高尾位置,这在安慰剂检验中属于小概率事件。因此,证实了智慧城市政策促进城市碳排放强度的下降并非来源于不可观测因素,从而表明结果的稳健性。

图2 安慰剂检验结果

4.2.6 异质性处理效应检验

在一般的双重差分模型中,若满足平行趋势假定这一前提,则双重差分模型对平均处理效应估计就是无偏的,但在多时点双重差分的情形下,若要获得平均处理效应的无偏估计,不仅要满足平行趋势假定,双向固定效应(TWFE)估计量必须还满足处理效应在不同时点和不同组别之间没有差异,即不存在异质性处理效应[32-33]。进一步地,在存在异质性处理效应的多时点双重差分模型中,由于已经处理过的个体之间会进行比较,所以在计算加权平均处理效应时某些组别的处理效应可能得到负的权重,而“负权重”占比过大可能导致回归的结果不稳健[34]。借鉴Clémentde de Chaisemartin和Xavier[34]的方法运用命令对可能存在的异质性效应进行检验,结果得到试点城市的各个年份的处理效应均为正值,且稳健性指标为1.197,表明异质性处理效应对本文的结果无实质性影响。再参考Sun和Abraham[33]处理异质性的方法,得到多期双重差分的异质性处理效应的回归结果,系数结果为-0.261**(0.032),且通过5%的显著性检验,系数为负值也进一步证实了研究结果的稳健性。

4.3 异质性分析

为进一步论证研究结论在不同区域政策的有效性,按照城市的发展规模、信息化发展水平和城市的资源基础3类来论证试点政策在不同区域的政策效果。

4.3.1 基于城市规模的异质性分析

当前信息技术已经发展到一定程度,智慧城市建设依赖的大数据、云计算等新一代信息技术已经成熟,不同规模的试点城市使用这些技术时不存在明显的障碍,智慧城市的建设适用于各个规模的城市。根据前文的分析结果,我国智慧城市试点政策有利于城市的碳减排,但有的城市规模较小。为了探求试点政策是否在不同规模的城市产生的减排效果一致,将城市规模按照2014年国务院发布的《关于调整城市规模划分标准的通知》中的城市规模分类标准,将城市划分为小规模、中等规模、大规模、Ⅰ型大城市和Ⅱ型大城市和特大城市等6个层次。样本分类后回归结果见表5。回归结果表明,智慧城市政策实施显著降低了城市的碳排放水平,并对规模较大的试点城市影响更大。造成这种现象的原因可能在于规模较大的城市在较多方面具有规模优势,智慧城市政策可以在最好的状态下实施,因此这类城市的碳排放强度将在政策实施过程中得到较大的降低。同时,不同规模的城市对智慧城市政策的碳减排效果存在差异。针对城市规模较小和中等规模的城市,智慧城市试点政策使得城市的碳排放增加。可能的原因是小城市进行智慧城市试点使得各类生产要素更加集聚和活跃,经济发展的速度较快,同时小规模城市缺乏信息技术发展的基础,导致政策试点增加城市的碳排放,同时也验证了库兹涅茨曲线的理论,在城市发展初期,碳排放量随着城市规模的扩大而不断增加。

表5 城市规模异质性分析结果

4.3.2 基于城市资源基础的异质性分析

2013年国务院发布《全国资源型城市可持续发展规划(2013-2020年)》,将262个城市划分为资源型城市。按照文件定义,资源型城市是以地区的矿产、森林等自然资源开采、加工为主导产业的城市,是我国重要的资源战略基地。资源型城市的经济发展大多以第二产业为主,而第二产业是碳排放来源的重要产业,因此这些城市的碳排放量普遍高于其余城市。为了明晰智慧城市的建设对不同资源基础的城市产生的碳排放效应是否存在区别,将城市类型按照国家对资源型城市的定义划分为资源型城市与非资源城市。根据表6,资源型城市与非资源型城市的回归系数都显著为负值,说明智慧城市试点在不同类型资源基础的城市间都能降低碳排放水平,但进一步分析发现,资源型城市的回归系数为-0.408 9,小于非资源型城市的回归系数-0.117 6,说明智慧城市试点政策对资源型城市的碳减排效应更大。智慧城市试点主要通过绿色技术创新水平的提升与能源结构的优化减少试点地区的碳排放水平。对于资源型城市而言,其绿色技术创新水平较低,且生产大多使用化石能源,煤炭在能源结构中占比较高,因此智慧城市的试点对其碳减排效应更加显著。

4.3.3 基于城市信息化程度的异质性分析

智慧城市的建设主要依赖于物联网、大数据、云计算等新兴信息技术的发展,因此城市的信息化基础对试点效果会存在一定的区别。城市的信息化发展程度可以按照其宽带互联网用户数来表示。将城市的宽带用户数分为3类,选取发展程度较高和信息化程度较低的城市进行异质性分析。进一步分析在不同信息化发展程度的城市中,智慧城市的政策效果会存在哪些不同。根据表7,不同信息化程度的城市的系数都为负值,但只有信息化程度较高的城市的系数显著,因此智慧城市的建设需要在一定的信息基础上才能发挥碳减排的效果,只有智慧城市建设依赖的信息基础设施的完善,政策效果才能较大化。因此城市需加快对不同城市的信息基础设施建设。

表7 城市信息化程度的异质性分析结果

4.4 机制分析

为了避免传统的中介效应存在的内生性问题,借鉴寇宗来和刘学悦[35]、余泳泽和林彬彬[36]的研究,将机制变量与政策变量进行回归,公式为

innov_git=α0+α1DIDit+α2controlit+μi+σt+εit

(2)

coal_noit=α0+α1DIDit+α2controlit+

μi+σt+εit

(3)

式中:i、t分别为城市和年份;innov_git为地级市的绿色技术创新水平;coal_noit为能源消费结构;DIDit为智慧城市与试点时间的交互项;α1、α2为系数,α1是重要的系数,它反映了纳入试点政策的城市对城市的绿色技术创新水平和能源消费结构的影响程度,当α1>0表明智慧城市试点政策对城市绿色技术创新水平和能源消费结构的影响为正向作用,α1<0则表明智慧城市试点政策对城市绿色技术创新水平和能源消费结构的影响为负向作用;controlit为一系列城市层面的控制变量;α0为常数项;μi、σt分别为城市和年份固定效应;εit为随机误差项。

地级市的绿色技术创新水平采用能直观地反映绿色创新产出和更具有时效性的地级市的绿色专利申请量来衡量。参考齐绍洲等[37]的研究,将绿色专利的数量加1取对数为代理变量。由于缺失直观的地级市的能源消耗数据,只有城市的用电量,供暖、天然气和供热的数据,采用原煤消费量表征城市的能源结构,原煤消费量主要来自工业生产产生的部分,因此采用地级市的工业增加值占比乘以省市的原煤消费量来表示城市的能源结构。马丽梅和张晓[38]采用一次性能源消耗高的8个行业总产值占各个省份的GDP的比重衡量能源结构;邵帅等[39]采用城市的用电量表示地级市的能源结构。但是上述方法存在缺陷,数据表征不全面。借鉴邵帅等[39]的研究,选取城市的煤炭能源消费总量占据能源消费总量的比重来表征能源消费结构。具体是利用《中国城市统计年鉴》公布的天然气和液化石油气,全社会用电量三部分能源消耗量,通过标准煤折算系数(2)天然气折算标准煤系数为1.33千克标准煤/m3;液化石油气折标准煤系数为1.714 3千克标准煤/kg;电力折标准煤的系数为0.122 9千克标准煤/(kW·h)。火力发电的比例参考每年的《中国能源统计年鉴》里面的数据。得到能源消耗总量。我国的碳排放主要来自火电和重工业,当前富煤贫油少气的资源禀赋结构又决定了当前的电力生产对煤炭的高度依赖性,电力消耗占整体的碳排放比重较高,因此地级市的能源消耗结构(3)能源结构=用电量×煤电发电比例×煤气折标煤系数/(用电量×煤电发电比例×煤气折标煤系数+液化石油气×折煤系数+液化石油气×标煤系数)×100%。采用用电量与煤电发电的比例乘以电力折标准煤系数比上城市的能源消耗总量表示。

通过上文的分析,智慧城市的建设确实对试点地区的碳排放有促进作用。进一步分析智慧城市政策抑制城市碳排放水平的影响机制。根据前文的假设,分别将绿色技术创新的代理变量(地级市绿色技术创新的申请量加1取对数)和能源消费结构优化(煤炭使用占能源消耗总量的比重)作为机制变量,对智慧城市政策影响试点地区碳强度下降过程中可能存在的效应进行实证分析。

4.4.1 绿色技术创新机制

碳排放的下降主要依赖于减排技术的创新,需要验证智慧城市是否通过提高绿色技术创新的水平,进而降低碳排放强度。根据上文的分析,智慧城市对碳减排的抑制效应已经得到验证,本节验证智慧城市是否影响城市的绿色技术创新水平,具体的做法是将政策变量直接对绿色技术创新水平进行回归,根据表8结果,不加控制变量的模型(1)和加入了控制变量的模型(2)都通过了显著性检验且回归系数都为正值,即智慧城市试点政策下,城市的绿色技术创新水平得到促进。根据前文的理论分析,智慧城市的建设能调动政府和市场的活力,吸引更高水平的人力资本和缓解企业的融资成本促进城市的绿色技术创新水平,而绿色技术创新水平的提升会使得城市的碳排放强度下降。由此,假设H2得以证明。

4.4.2 能源结构优化机制

由上文的理论分析可知,智慧城市的政策使得试点地区的产业结构不断升级和企业的排放行为得以监测。因此进一步对这种可能的效应进行检验。在表8中,(3)列是不加控制变量的智慧城市的建设对能源结构的回归,而(4)列是加入了控制变量的回归。从回归的系数能看出,政策的系数都为负值,即智慧城市建设能降低煤炭在能源结构中的占比,促进能源结构的优化。根据前文的分析,能源结构的优化直接促进城市的碳排放强度下降。综上得出结论,智慧城市政策的实施带动能源结构优化促进城市的碳排放强度的下降,假设H3得以证实。

5 结论与建议

城市化水平的不断提高和人口数量的不断增加,使得城市成为全球气候变暖和温室气体排放的主要驱动力之一。为了解决城市发展中的一系列问题和提升居民生活的舒适度和便利性,世界各国纷纷投入建设智慧城市的浪潮中。现有研究多从碳排放的演变、影响因素以及智慧城市建设评价等角度研究,而对智慧城市建设产生的碳减排效应研究较少。为了考察智慧城市建设的碳减排效应,在明晰了相关的概念定义和对理论进行回顾的基础上,提出3个研究假设,运用双重差分模型进行检验后得出以下结论:1智慧城市是以大数据、物联网等新型信息技术为载体,嵌入到城市运行的各种物体中,形成整个城市的智联互通,通过对城市运行数据的分析整理再将各项资源配置到最有效的用途中,实现整个城市的智慧化,因此智慧城市能显著提升城市的运行效率,进而减少城市中的碳排放。在控制了其余影响碳排放水平的因素后,智慧城市政策对碳强度的回归系数为负值,且均通过显著性检验,因此计量上也证明了智慧城市试点政策对碳排放有抑制作用。2智慧城市建设提升了城市的绿色技术创新水平和优化了能源结构使得城市的碳排放水平下降。3智慧城市政策对碳减排的影响在规模较大、信息化程度较高和资源型城市中效果较好。

鉴于上述结论,提出以下建议。

1)完善城市的数字基础设施建设。智慧城市建设依赖于5G(第5代移动通信技术)、云计算、云计算等信息通信技术的发展,因此数字基础设施越完善,智慧城市建设的效果越好。但我国城市之间发展基础不一,大部分地区的信息基础设施建设还较薄弱,智慧城市能促进节能减排,因此应该加强城市信息基础设施建设,包括高速宽带网络、物联网技术、云计算等,以支持城市数字化转型和智慧城市建设。这样可以提高能源监测的精度和效率,减少能源的浪费和损耗,从而降低城市碳排放。

2)分级分类推进智慧城市建设工作。我国城市众多且发展基础存在很大差异,一刀切的政策推进不利于城市的发展,要结合城市的资源禀赋、环保特征和经济发展状况等实际情况,制定不同级别的智慧城市建设计划,并根据计划逐步推进。同时,在推进过程中,要注重分类施策,重点关注城市交通出行、能源消费、建筑节能等领域,通过智能化手段来降低碳排放。

3)加强人才引进和培养。绿色技术创新是智慧城市建设发挥碳减排的重要渠道,而技术创新急需的是人才,智慧城市建设需要大量具有跨学科背景的高层次人才,如物联网技术、数据分析、城市规划等方面的专家和技术人员。引入这些高层次人才可以推动智慧城市建设的发展,促进碳排放的降低。

4)加强宣传绿色低碳生活理念。碳排放主要来自人类生产生活,企业的减排能通过绿色技术创新实现,而居民的生活排放较多地依靠环保行为。因此要加强对公众的环保教育和绿色生活理念的宣传。通过多种形式,如线上线下活动、媒体宣传等,向公众传递低碳环保的生活方式和理念。这样可以提高公众环保意识和行为水平,促进城市环保事业的发展,从而减少碳排放。