智慧城市建设试点对区域生态效率的溢出效应

魏向杰 张子略

关键词：智慧城市；空间效应；生态效率；区域经济

摘 要：本文在分析智慧城市试点对城市生态效率影响机制的基础上，利用15年面板地级市数据，构建异时性双重差分模型，证实智慧城市试点显著提高了城市生态效率。在平行趋势检验、安慰剂检验等方法验证上述结果的稳健性之后，利用事件研究法发现智慧城市试点对城市生态效率促进作用具有持续性。同时，本文构建空间计量模型证实智慧城市不仅显著改善当地生态效率，还通过实用性创新溢出和产业结構升级对邻近城市生态效率有“虹吸”作用。进一步构建三重差分模型进行异质性分析发现，智慧城市试点对经济条件良好与地理位置优越城市的生态效率改善效果更好，本文的研究发现有助于理解智慧城市试点对区域生态效率改善的内在机制，为后续新一代城市建设、区域生态环境改善、污染联防联治、经济发展政策提供了强有力的证据支撑。

中图分类号：F062.9文献标识码：A文章编号：1001-2435（2024）02-0122-14

The Spillover Effect of Smart City Policy on Regional Ecological Efficiency

Wei Xiangjie， Zhang Zilue（Business school，Nanjing University of Information Science＆Technology，Nanjing，Jiangsu，210004，China）

Key words：smart city； spatial effect； ecological efficiency； regional economy

Abstract：Based on the analysis of the impact mechanism of Smart city policies on urban eco-efficiency， this article uses 15 years panel data and a staggered DID model to investigate that smart city has significantly improved urban ecological efficiency. After parallel trend test， placebo test， and robustness test， the results are still significant. This study uses event study method to prove the sustainability of smart city in promoting urban eco-efficiency. Spatial econometric models have also been constructed in this article to confirm that smart city not only significantly improves the local ecological efficiency， but also has a "siphon" effect on the ecological efficiency of neighboring cities through practical innovation and industrial sophistication spillovers. This study is helpful to understand the internal mechanism of the smart city improving the regional ecological efficiency， and provide strong evidence support for the city construction； regional ecological environment improvement； follow-up joint prevention and control of regional pollution and economic development policies.

一、引 言

世界环境与发展委员会将可持续发展定义为：“既能满足当代人的需要，又不对后代人满足其需要的能力构成危害的发展”。伴随着经济的高速发展，我国的城市化进程在不断推进当中，但随之而来的环境污染问题不容小觑，在《2022年度全球环境绩效指数报告》中，1中国在180个国家和地区中仅排在第160位。环境污染的日益加剧带来的问题不仅严重危害了居民生活，2更阻碍了经济发展，传统的城市发展模式难以为继。作为经济社会发展的重要载体，城市与城市群的绿色高质量发展至关重要，2012年施行的智慧城市试点，旨在通过新一代信息技术以及全媒体融合通信终端等工具的应用，实现知识社会环境下信息化城市的高级发展。智慧城市通过信息技术革新城市治理模式，优化城市及城市间资源配置效率，为城市乃至区域经济发展带来了全新的方式。智慧城市能否在促进城市、区域经济发展的同时改善环境污染问题？智慧城市通过哪些机制促进经济绿色发展？智慧城市对区域绿色发展是否具有空间效应？厘清这一系列问题，对深化智慧城市建设具有重要意义。

现有文献对于智慧城市的研究多停留在环境改善、发展模式、资源利用效率的方面。石大千等的研究表明，智慧城市建设能够显著降低城市环境污染水平；3Chu et.al的研究表明，发现智慧城市试点大幅减少了工业废气和废水的排放。4此外，部分研究人员评估了智慧城市发展的缺点，包括财政和预算限制、组织和官僚主义困难，以及数字服务的发展。现有研究主要探究了智慧城市建设对于经济、环境等单一社会发展指标的影响。可持续发展作为经济增长，社会发展与环境可持续性的综合概念，单一指标度量的作用有限。因此，有必要考察智慧城市建设对试点城市及其周边区域的综合影响。

现有研究为本文研究提供了极有价值的线索，但仍有需要进一步思考的空间。首先，以往的实证研究停留在利用智慧城市试点作为外生政策冲击研究对经济或环境指标的单一影响，缺乏对经济环境发展效率综合指标的分析。因此本文引入生态效率（Ecological Efficiency），对经济与环境进行综合指标的衡量。其次，与传统城市的发展方式不同，智慧城市是信息化、工业化和城镇化的深度融合，能够促进城市间的要素流动。最后，智慧城市通过新一代信息技术，对城市产业结构产生极大冲击，进而对区域生态效率产生影响。

基于此，本文拟以智慧城市试点为准自然实验对象，使用地级市面板数据，采用异时性双重差分（Difference—In—Differences）模型，在通过事件研究法的基础上，使用一系列稳健性检验，缓解模型中的内生性问题，并识别智慧城市试点对于城市生态效率的影响。考虑到双重差分模型须满足SUTVA（稳定单元处理值假设），本文拟建立空间双重差分模型以控制智慧城市试点的空间效应。最终，本文探究了智慧城市对于区域生态效率空间影响机制。本文的边际贡献：第一，本文使用三阶段DEA模型来剔除DEA模型中管理低效项的影响，提高估计的准确性，更精确地评价智慧城市建设对生态效率的影响。第二，通过产业结构、技术创新与污染企业挤出的机制来构建智慧城市建设与生态效率之间的内在影响机制，丰富了可持续发展领域的文献。第三，采用基于空间杜宾模型（SDM）的空间双重差分模型，在满足SUTVA的前提下，为理论假设提供了可靠的实证支持。

二、政策背景和研究假设

（一）政策背景

智慧城市旨在通过新一代信息技术以及全媒体融合通信终端等工具和方法的应用以实现知识社会环境下信息化城市的高级发展。具体来说，“智慧城市”的理念是通过新一代信息技术使得人们更有效获取信息，进而以更加精细的手段管理生产与生活状态。同时，智慧城市也被认为有助于促进经济发展、城市治理与资源协调可持续发展，提高城镇化质量。

21世纪以来，我国城镇化建设的步伐不断加快，1城市人口也随之膨胀，以住房拥挤、交通拥堵、环境污染与资源短缺为代表的“城市病”成为困扰着各个城市建设与管理的首要问题。2各级政府为推进城市管理方式的变革，解决“城市病”带来的一系列问题，“智慧城市”政策应运而生。32012年11月，我国住房和城乡建设部办公厅正式印发《国家智慧城市试点暂行管理办法》与和《国家智慧城市（区、镇）试点指标体系（试行）》；我国智慧城市建设共分三个批次：2012年，率先施行首批国家智慧城市试点，共涉及90个县（区）、地级市，而后又扩充9个行政区。2013年，再度施行国家“智慧城市”技术和标准试点城市试点政策，也称为“智慧城市”双试点，共计103个城市；2014年，发改委、工信部等八部委印发《关于促进智慧城市健康发展的指导意见》；2015年，住建部再度公布第三批试点城市（县、区）共84个，扩大试点范围13个，另有专项试点41个，并将智慧城市标准化制定工作正式提上国家日程。截至2017年底，中国超过500个城市均已明确提出或正在建设智慧城市，这将对我国社会发展的众多层面产生重大且深远的影响。

（二）研究假设

1.直接效应

智慧城市建设基于通信技术来改造城市基础设施和公共服务，包括经济和环境。4因此，它被认为是实现城市可持续发展的工具和信息化发展的高级形式。5事实上，智慧城市利用最新的信息技术、合作并且资源整合，提高城市管理效率，提供新的就业机会，优化城市资源分配，促进了城市经济发展。智慧城市引入了新的知识管理和创新方法，广泛应用于技术、产品、市场、资源配置方面，使城市各个服务系统通过新一代信息技术相互沟通，提高了城市化的质量并减少环境污染，促进当地的生态效率。基于此，本文提出假设1。

假设1：智慧城市建设有利于提高城市生态效率。

2.空间效应

智慧城市建设形成优良的基础设施具有规模效应，有助于形成良好的绿色发展环境，吸引周边城市的各种资本向该地区聚集，6并倒逼不符合本地环保标准的产业转移，形成“污染转移粘性”现象。7此外，为了寻求舒适的生活环境，城市人力资本更倾向于迁移到基础设施优良、经济增长迅速的城市。8然而，智慧城市试点虽然有利于当地城市的发展，但其发展建立在牺牲周边城市的发展之上，会对区域发展造成消极影响。基于此，本文提出假设2。

假设2：智慧城市建设对周边地区和整个区域生态效率产生负面影响。

3.中介效应

技术创新。技术创新是推动智慧城市发展的重要支撑。企业需要适应这种新发展模式，主动进行数字技术和绿色技术的开发和应用，推动城市生态环境的改善。试点城市享受的优惠政策和优先发展政策，强化了创新要素的集聚，并可能在一定程度上虹吸周边地区的创新要素，其结果是在提升试点城市创新产生率的同时，降低周边地区的生态效率水平。

污染企业的挤出。在智慧城市的建设过程中，不断完善的环境质量监测与评估的技术手段一定程度限制了企业的污染排放。不仅如此，通过技术优势与绿色发展平台的建设，智慧城市通过技术手段对污染企业形成高压，倒逼企业进行绿色生产，改善试点城市的生态效率。与此同时，由于智慧城市对于企业污染排放的限制，不符合智慧城市绿色发展的高污染企业也会而转移至其他地区，对其他地区的生态效率评估产生影响，由此产生空间效应。

产业结构。智慧城市建设导致了試点城市产业结构的不断优化，1改善城市发展环境。随着清洁工业产业在区域GDP中所占比重的增加，环境污染将减少。试点城市产业结构优化升级，实际上是一个不断吐故纳新的过程，也即从周边乃至更远地区吸引优质清洁产业，转移低端产业，由此造成智慧城市建设过程中的空间置换效应。基于上述分析，本文提出假设3。

假设3：智慧城市建设通过技术创新、污染企业挤出和产业结构变革影响区域生态效率。

三、模型设定与研究设计

（一）模型设定

考虑到各地级市开展智慧城市试点时间存在先后差异，本文设定异时性双重差分模型，其实质是将政策冲击的不同时间点放置在同一模型当中，产生实验组和对照组以及“处理前”和“处理后”的双重差异，缓解模型中可能存在内生性问题，基准回归模型1如下：

其中，下标i与t分别代表个体与时间，[DEAit]代表各地级市每年度的生态效率。[DIDit]是判断城市是否为试点城市（Treat）与政策实施之后（Post）的交乘项（Treat×Post）。本文重点关注系数[β]，若[β]显著为正，说明智慧城市试点提升城市生态效率。[Xit]代表控制变量，[γ]为控制变量的向量，[δi]与[μt]分别为个体与时间固定效应，[εit]为随机扰动项。

为进一步揭示智慧城市试点对城市生态效率影响的持续性，本文参考何文剑等的研究，2采用事件研究法（Event study）对（1）式进行扩展。事件研究法不仅可以观察智慧城市试点对城市生态效率的持续性影响，还可检验平行趋势假定。动态DID模型设定如下：

（2）式中，[DIDi，t-p]表示智慧城市试点第p（p=1，2，….，P）年的前置项，其设定的目的是检验实验组与对照组在实施试点政策前是否有相同的趋势，若系数[Fk]均不显著则说明，政策实施之前实验组与对照组之间没有显著差异，平行趋势假定成立。[DIDi，t+n]为实施智慧城市试点第n（n=1，2，...，N）年的后置项，目的是识别政策实施的持续性影响。其他变量设定与（1）一致。

此外，本文還加入地理位置与政策的交叉项探寻智慧城市试点对城市生态效率的地理差异影响，回归模型3如下：

其中，[Si]表示地理位置，与城市所处位置相关，若某城市所处位置为i地区（东部、中部、西部）则设置为1，否则为0。[φ]表示地理位置与政策交互项系数。

本文还使用空间计量模型来探究智慧城市试点对城市生态效率的空间效应：

其中，[σ]为空间项系数，[W]为空间权重矩阵，[τit]为空间误差项矩阵，[ξWXit]为控制变量的空间滞后项，[ξ]为控制变量的空间滞后项系数。

借鉴Jia et.al的研究，1本文将技术创新、产业结构与污染企业挤出作为空间中介变量，探究二者对于城市生态效率的空间效应影响，建立空间杜宾模型如下：

[Mit]为中介变量，包括地级市绿色发明性专利与地级市产业结构，[λWMit]为中介变量的空间滞后项，[λ]为其空间滞后项系数，其余部分在前面部分均以说明。

（二）研究设计

1.生态效率的测算

现有生态效率的测算方法多数是数据包络分析（DEA）法，DEA法不仅能够对区域生态效率进行评价和比较，还能判断影响地区生态效率的主要因素并为效率的改善提供明确方向。本文使用三阶段DEA模型测度我国城市生态效率：首先，对所有决策单元（DMU）使用传统DEA模型进行计算生态效率。第二步，通过构建类似随机前沿模型（SFA）的方法，根据模型的计算结果，进一步调整投入项，对外部环境或决策单元增加投入，剔除随机因素对效率估计的影响。第三步，利用经第二步调整后的投入与产出重新使用DEA模型进行效率估计，得到剔除外部环境或随机干扰影响的估计效率，将所得结果做为模型（1）至（4）项的因变量使用。参考韩永辉等的研究以及数据的可获得性，2选取产出指标如表1所示。

2.解释变量的选取

国家住房城乡建设部于2012年末正式发布“关于开展国家智慧城市试点工作的通知”，开展试点城市申报工作。经过地方城市申报、省级部门初审、专家综合评审等程序，确定首批智慧城市试点共90个城市（县、镇）。2013年8月，住建部再度确定103个城市（区、县、镇）为2013年试点城市。本文将试点城市及区、县、镇试点的所属城市作为准自然实验对象，为降低实验结果偏误，将2013年8月所确定的智慧城市试点样本划分至2014年。

3.前定变量、控制变量与中介的选取

基于相关文献与数据的可得性，本文选取如下前定变量与控制变量：

前定变量：城市综合发展水平（LDEA）。由于智慧城市试点是由各地级市（区、县）提出申请，智慧城市的建设前提条件包含一系列城市的条件禀赋，这表明开展智慧城市试点工作的城市需要有一定发展基础。本文选择城市综合发展水平作为前定变量加入模型（1）作为控制变量进行回归，并使用生态效率的滞后项作为城市综合发展水平的代理变量。

控制变量：（1）基础设施建设水平。1完善的基础设施建设能够促进经济发展。本文用城市道路面积（lnroad）与绿地面积（lngreen）的对数衡量城市基础设施建设水平。（2）外商直接投资（FDI）。外商直接投资是中国经济发展至关重要的部分，本文采用利用当年汇率换算后的地级市年度外商直接投资作为该市当年的外商直接投资额进行平减。（3）人口密度（lnden）。本文使用每平方公里人口数衡量人口密度。（4）研发投入。本文选用平减后的地级市研发投入金额并取对数（lnrd）与平均研发人员研发资金的对数值（rdp）作为研发投入的代理变量。

中介变量：（1）绿色创新（pat）。2绿色创新的带来的技术效应能提高资源使用率并减少污染排放。智慧城市的构建需要通过大量的创新型技术与设备进行支撑。因而本文以城市绿色发明专利创新作为绿色创新能力的代理变量作为中介变量进行回归。

（2）重污染企业（nongreen）。重污染企业带来环境污染对城市生态效率有着极大的负面影响。本文通过收集上市公司行业、企业信息，对重污染企业进行筛选并确定地理位置，得到各个城市拥有的重污染企业数量信息，并使用各地级市重污染企业个数的对数作为重污染企业的代理变量。

（3）产业结构（iui）。3产业结构对我国的经济发展与环境协调有重要影响。本文参考付凌晖的做法，4用产业结构高级化指数衡量产业结构。

4.识别假设与检查

DID估计的确定假设是，如果没有采取智慧城市试点，那么试点城市与非试点城市将具有相同的时间趋势。然而，对这一确定假设的主要威胁是试点城市不是随机选择的，反而可能是由于试点之前存在的一些差异造成的。为此，本文遵照Li et.al的做法，5对这个问题进行识别与解决。具体而言，即确定选择试点城市的关键因素，并控制这些决定因素所造成的政策施行后的结果差异趋势。本文选择政策施行前一年各城市的教育支出的对数（Edu）、海拔高度（Altitude）、污染治理投资额（千万元）（Waste）、公共财政支出的对数（Pub）、是否是生态文明城市（E&C，若是则为1，不是则为0）作为关键评选标准。

表2为进行了平衡性检查之后的结果。以验证控制生态文明城市选择的关键决定因素是否能导致实验组与对照组之间更好地平衡。Panel A展示了选择试点城市的关键标准。数据表明，这些标准中的大多数在确定实验组状态方面发挥着重要作用。

表2的Panel B为对实验组和对照组关于政策施行前一年各种经济社会发展变量。列（3）显示，在诸多维度上，试点城市的经济与社会发展水平都显著高于非试点城市。然而，如表2列（4）所示，在控制了试点城市选择的几个关键因素后，这些特征在实验组和对照组之间没有显著差异，即实验组和对照组之间是平衡的，这对后续的实证检验至关重要。

5.数据来源与描述性统计

考虑到由于申报智慧城市试點的城市需要良好的经济基础，为减弱未识别这一条件所带来的估计偏误，本文选取2003—2018年地级市年度数据进行分析，并剔除了年度数据缺失严重的城市。选取2003年作为样本选取起始年份的原因是：智慧城市由2012年开始申报，选取2003年作为样本起始年份能够有效观测在政策发生前各城市生态效率的变化趋势。此外，由于新冠疫情的影响，2019年的经济数据可能会受到新冠疫情的冲击的影响，导致回归结果出现较大偏误，因而本文将样本数据截止年份选取为2018年。本文数据来自CNRDS数据库、CSMAR数据库、Harvard Dataverse、《中国能源统计年鉴》《中国环境统计年鉴》《中国城市统计年鉴》；缺失数据通过各省、地级市相应年份所对应的统计年鉴与年鉴进行补充，若还存在缺失则使用插值法补齐。1描述性统计结果如表3所示。

四、实证分析

（一）基准回归

根据模型1，首先评估智慧城市政策对地级市生态效率的影响，结果如表4所示。在列（1）中，本文仅控制了个体与时间固定效应，回归结果的经济意义是，相比非试点城市，智慧城市试点使得城市生态效率显著提升了2.5%。列（2）至（4）为加入了经济发展水平变量、包含前定变量的控制变量和将被解释变量滞后一期的回归结果。结果表明，智慧城市试点显著提升了城市生态效率约2%。究其原因，智慧城市试点加强了先进科学技术在城市中的综合应用，能够推动企业数字化转型，2提升城市管理能力和服务水平，提高了城市生态效率。

（二）事件研究法

使用双重差分法需要满足平行趋势假定，即在智慧城市试点开始之前，试点城市与对照城市的生态效率变化需保持一致。事件研究法在验证双重差分模型是否满足平行趋势假定的同时还可以观测政策对城市生态效率的持续性影响，检验结果如图1所示。结果表明，智慧城市试点实施前，试点城市与对照城市的生态效率并无明显差异，在实施试点政策之后，其对城市生态效率的影响才有逐渐增强的趋势，满足了平行趋势假定。然而，在政策执行第三年时，智慧城市政策对于生态效率有负向影响。这是由于首批智慧城市试点是2012年开始的，而又一批城市在2014年刚刚开展智慧城市试点，因此，在2015年，这些城市的生态效率可能并未由于政策的施行而改善，降低了生态效率的评价。

（三）稳健性检验

1.排除其他政策影响

尽管上述检验对于实验结果的可靠性做出了进一步保障，但在智慧城市试点施行的同时，仍有多项相关政策并行或交叉进行。基于此，本文先后控制了生态工业园区、低碳城市与创新型城市试点政策。1

在基准回归中分别设置上述三个政策的虚拟变量，方法与本文自变量设置方法相同。表5列（1）为控制了生态工业园区数量的回归结果，列（2）为控制了低碳城市试点政策的回归结果，列（3）为控制了创新型城市试点政策的回归结果，列（4）为同时控制了三项政策冲击的回归结果，可以看出，智慧城市试点对于城市生态效率的改善仍然显著。

2.安慰剂检验

前文的基准回归控制了前定变量与控制变量，且排除了其他政策的干扰影响，但不能排除智慧城市试点对于城市生态效率的改善效应是否还有其他不可观测因素的干扰。鉴于此，本文构建反事实框架，对基准回归结果进行安慰剂检验。如图2所示，安慰剂检验结果可证实，智慧城市试点对城市生态效率的改善并非源于其他随机因素，基准模型的回归结果具有较强稳健性，假说1得到证实。

（四）空间相关性分析

双重差分法必须满足SUTVA，即外源性冲击影响特定个体，而对其他个体没有影响，若没能满足此前提，则会严重削弱模型估计结果的可信度与稳健性。生态效率的测算指标中包含人力资本、废水排放、二氧化硫排放等与空间溢出高度相关的变量，智慧城市试点也存在空间溢出效应。1本文使用基于空间杜宾模型的空间双重差分模型进行回归分析，旨在满足DID模型的SUTVA设定，同时探究智慧城市试点对于城市生态效率的空间溢出效应。

1.空间权重的设定

为估计空间溢出效应，本文参考Jia et.al的研究，2首先构建最常见的地理权重矩阵：

其中Dij表示城市i与城市j之间的地理距离，通过各个城市的经纬度计算得出，W2表示城市i与城市j之间的边界是否相邻，若相邻则赋值为1，不相邻则为0。

2.空间相关性

为检验被解释变量的空间相关性，本文使用全局莫兰指数进行检验。表6汇报了2003、2012、2014和2018几个政策关键年份的全局Moran指数。由表6可知，Moran指数显著为正，这代表城市生态效率在地理距离上存在高—高、低—低集聚的较强空间正相关性。综上所述，本文使用空间计量模型是合理的。

3.空间计量模型回归结果

表7给出了模型（4）至（6）的回归结果，其中（1）至（3）列为地理距离矩阵Dij的空间回归结果，（4）至（6）列为共同边界矩阵Wij的空间回归结果。

LR检验结果表明，基准模型中的空间相关性源于因变量、自变量和误差项，因此 SDM 不能退化为 SAR 和 SEM。因此，本文转而关注模型（6），即列（1）和（4）的估计结果。根据表7列（1）与列（4）的回归结果，空间DID项的系数分别在5%与1%的水平上显著为负，表明智慧城市试点对于试点城市的生态效率有显著提升，对周边城市生态效率有抑制作用。

4.空间相关性的分解

表8汇报了模型（6）的直接、间接以及总效应回归结果，列（7）的权重矩阵分别为距离矩阵和共同边界矩阵。列（1）结果的经济意义是智慧城市试点对于当地的生态效率有正向显著影响，使当地生态效率提高2.4%左右。但间接效应与总效应的回归结果显著为负，其经济意义为智慧城市试点使试点地区周边城市的生态效率下降4%左右。其原因可能是：当地政策的施行可能会对邻近地区资源产生“虹吸”效应，吸引周边城市资源向本地区集聚，并通过技术创新等手段降低非期望产出，进而使产出效率提升；而周边地区由于资本流出，由于资本外流，投入水平下滑从而导致区域生态效率下降。假说2得到证据支持。

（五）机制分析

城市绿色创新水平与产业结构的空间中介效应回归结果如表9所示。其中列（1）和（2）、列（3）和（4）、列（5）和（6）分别对应了产业结构、技术创新和城市重污染企业数作为因变量的估计结果。表9的结果表明，智慧城市试点对改善当地技术创新和产业结构具有正向直接影响。回归结果的经济意义是，智慧城市试点提高了城市绿色发明专利产出约0.096%，提升了城市产业结构高级化指数约0.027。智慧城市试点在提高当地技术创新与产业结构的同时，降低了周边地区的绿色创新水平，恶化了产业结构，分别降低了周边城市绿色发明专利的对数与产业结构0.929%与0.031%。此外，智慧城市建设挤出了当地重污染企业的对数约0.032，将这些重污染企业向周边地区转移。智慧城市的建设不仅有当地政府的参与，也有当地企业与其他大型跨区域企业的参与，其目的是将通用技术解决方案转化为当地需求。此外，技术创新产出的增加创造了优越的生产条件，吸引了周边地区资本进入该地区，产生了虹吸效应。

智慧城市建设促进了产业链的整合和产业结构的升级，提高了当地的生态效率。智慧城市试点在减少企业污染排放的同时，挤出那些重污染企业到其他地区。而周边城市由于缺乏相应的资金支持，导致要素外流，产业结构恶化，进而降低生态效率。假说3得到证实。

（六）地区异质性分析

经济地区的划分不仅刻画了地理位置所带来的经济影响，也见证了我国梯度型经济政策的发展过程。表10中列（1）至（3）的结果显示，东部地区生态效率改善有着显著的正向影响。对于中部地区，智慧城市试点明显降低了生态效率。第（3）列使用经度（Lon）与政策的交互项代替经济地区与政策交互项回归。回归结果的经济意义是，經度越大，越靠近东部地区，政策所导致的生态效率改善越明显，经度每往东0.01，生态效率改善0.1%。可能的原因是：东部地区经济发展、科学技术水平、对外开放程度更高，生态效率的提升更为明显。

五、结论与启示

在分析智慧城市试点对城市生态效率溢出效应的基础上，利用2003—2018年地级市的样本数据，构建异时性双重差分模型识别智慧城市试点对城市生态效率的影响，并进一步使用空间模型揭示了智慧城市试点对城市生态效率的空间溢出效应、异质性与机制。本文得出以下结论：首先，智慧城市试点显著提升了城市生态效率，经过一系列稳健性检验后均成立。此外，本文通过事件研究法证实了智慧城市政策对城市生态效率有持续性正向影响，但对周边城市的生态效率具有“虹吸”作用。此外，在经济发展水平高的地区，该政策的执行效果较好。最后，通过机制检验发现，智慧城市通过绿色发明性创新、重污染企业挤出与产业结构升级的中介对邻近地区的生态效率具有“虹吸”作用。

基于上述结论，本文得出如下启示。首先，智慧城市试点显著提升了试点城市生态效率。从现实状况来看，目前我国智慧城市试点区域较多，且对城市生态效率有显著提升。因此，可通过创新激励、优惠政策等行动引导各城市打通城市服务系统以提升资源利用效率，并鼓励其进行智慧城市试点申报。其次，异质性分析表明，东部智慧城市建设带来的生态效率提升更为明显，这说明智慧城市建设更适合基础设施本身较为完善的城市，对于中小城市则需要在保持自身原有资源、发展优势上提升城市生态效率。最后，通过识别智慧城市政策空间效应的机制，绿色创新产出的提升有利于改善城市生态效率，虽然由于科学技术的外部性使得知识溢出的范围增大，激励了城市绿色创新动力，推动了产业结构升级，但仍然会对邻近地区的生态效率产生“虹吸”作用。因此，政府应改善相关政策，做到推动智慧城市建设的同时，为周边城市营造和谐的发展环境，也通过政策促进其邻近城市的经济良性发展。

责任编辑：孔庆洋