智慧城市建设对经济绿色转型的影响效应

[摘 要：文章基于2007—2021年中国280个地级及以上城市的面板数据，利用国家智慧城市试点政策作为准自然实验，运用双重机器学习模型识别智慧城市建设对城市经济绿色转型的影响及传导路径。研究发现：智慧城市建设显著促进城市经济绿色转型，且智慧城市建设自试点以来对城市经济绿色转型的影响效应大致呈现逐渐增强的趋势；提高信息化发展水平、缓解资源错配以及促进产业结构转型升级是智慧城市建设促进城市经济绿色转型的重要传导机制；智慧城市建设对城市经济绿色转型的促进效应在东中部地区、大中规模城市以及传统基础设施水平较高的地区更为明显。

关键词：智慧城市；经济绿色转型；双重机器学习模型；动态影响；信息化发展

中图分类号：F49；F299.2；F124.5 文献标识码：A 文章编号：1007-5097（2024）12-0065-11 ]

The Impact of Smart City Construction on the Green Transformation of the Economy：

Causal Inference Based on Double Machine Learning

ZHOU Ruibo1， WU Yunfeng1， WANG Zhifan2

（1. School of Economics and Finance， South China University of Technology， Guangzhou 510006， China;

2. School of Economics， Management and Law， University of South China， Hengyang 421001， China）

Abstract： This article， based on the panel data from 280 cities at and above the prefecture level in China from 2007 to 2021， uses the pilot national smart city policy as a quasi-natural experiment， and employs a double machine learning model to identify the impact of smart city construction on the green transformation of urban economies and its transmission pathways. According to the research findings， the construction of smart cities significantly promotes the green transformation of urban economies， and the impact of smart city construction on the green transformation of urban economies has shown a gradually increasing trend since its pilot implementation. Enhancing the level of information technology development， alleviating resource mis-allocation， and facilitating the transformation and upgrading of industrial structures are key transmission mechanisms through which smart city construction promotes the green transformation of urban economies. The positive effects of smart city construction on green transformation of urban economies are more pronounced in the eastern and central regions， medium and large cities， and areas with higher levels of traditional infrastructure.

Key words：smart city; green transformation of economy; double machine learning model; dynamic impact; information technology development

一、引言及文献综述

改革开放以来，中国城镇化水平不断提高，城镇化建设取得长足进步，经济也实现了持续快速增长。然而，这一系列举世瞩目成就背后隐藏的粗放型发展问题不容忽视，表现为高能耗、高排放和高污染，制约着中国经济向高质量发展迈进。因此，党的二十大报告强调，要协同推进降碳、减污、扩绿、增长，加快发展方式绿色转型。目前，中国粗放型经济增长模式亟须实现根本转变，那么，如何在经济增长进程中既能提升经济发展质量又能践行“绿水青山就是金山银山”的理念，从而转变传统发展模式，推动经济发展绿色转型，成为中国贯彻新发展理念、推进高质量发展以及构建人类命运共同体过程中亟须解决的关键问题。

作为全球可持续发展的重要掣肘，经济增长与环境保护两者的关系历来备受政策制定者和学者们关注。经济绿色转型概念最早可以追溯到1989年Pearce等人提出的绿色经济一词，他们主张建立一种社会与自然环境能够承受的经济发展模式，避免因盲目追求经济增长而导致资源枯竭。其后经联合国环境规划署的系统研究，绿色经济被赋予可持续发展内涵，发展绿色经济逐渐成为各国经济转型的新方向，引起了国际国内学者们广泛讨论。虽然学术界对经济绿色转型的内涵和外延从不同角度进行了诠释，但对绿色经济核心要义达成了共识，即认为绿色经济本质上是通过绿色技术创新对生产运作模式进行变革，使得能够在降低资源消耗、降低环境污染的情况下，尽可能得到更多的经济产出，从而实现经济效益与环境效益双赢［1-2］。

尽管经济绿色转型理念十分契合当前我国发展所需，但它仍面临着绿色市场体系不完善、绿色技术水平有限导致高能耗企业陷入“不敢转”“不愿转”的困境。造成这一现象的主要原因是既往的城市化进程往往与工业紧密交织，这种交织使得政府放松对工业企业的监管，从而导致城市建设过度依赖能源消耗，呈现出粗放型外延式发展模式，短时间内难以汇集创新要素引导释放绿色市场活力［3-4］。为了解决这一“城市病”难题，“智慧城市”理念应时而生，旨在通过智能计算技术创造城市空间新连接，助力城市系统和服务形成“数字互联”，以筑建城市产业生态圈，提升城市治理效率，从而提升居民生活质量，推动城市向数字化、绿色化方向转型，最终实现可持续发展。

为探索推进智慧城市建设，住房城乡建设部于2012年发布《关于开展国家智慧城市试点工作的通知》，旨在探索优化城市创新环境、促进城市绿色发展的新型城镇化发展模式，并分别于2013年1月、2013年8月和2015年4月开展了三批次智慧城市试点建设。作为城市发展新方向，我国智慧城市建设是以数字技术、智慧基础设施融合推动城市高效运转的深度城市化进程，是新型城镇化发展的高级形态，也是实现经济社会绿色转型的重要推动力。智慧城市实践的开展同时也引发了学术界对中国智慧城市建设问题的积极探索，大量研究从社会治理［5-6］、经济发展［7-8］、科技创新［9-10］和环境保护［11-12］等视角对智慧城市建设的政策效应进行了理论与实证分析。对于智慧城市建设是否以及怎样影响城市经济绿色转型，学者们进行了深入的探讨。数字时代下，摩尔定律的存在使得技术产品价格相对下降，进而发生对其他投资的大规模挤压［13］。以数字技术为核心的智慧城市建设能优化民生服务、提升企业生产和城市治理能力，重塑经济结构，从而对经济发展路径产生深远的影响［14］。智慧城市建设体系不断完善，有效促进了智慧技术与实体经济的深度融合，作为基础设施与技术的结合体，智慧城市将各类传感器嵌入全球生产生活系统（供电、供水、供气、建筑、交通等），并将它们连接形成物联网，再通过互联网与其整合，从而使得人类能够对生产生活进行精细化、动态化管理，最终实现智慧治理［15］。对于政府而言，作为智慧城市建设方案的实施主体，在建设过程中必会加大资金投入进行相关技术补贴和支持，激发企业创新意愿，从而能够促进相关技术的更新升级，破除技术壁垒，最终推动企业向数字化、绿色化转型。同时在政府推动下，智慧城市建设能够营造良好的创新环境，从而实现创新驱动发展。对于企业而言，地方更倾向将资金投入以数字技术为代表的智能化设备和新兴产业中，为获得政府更多的财政支持，企业间的激烈竞争倒逼其加大绿色创新投入，驱动企业通过技术创新和提高资源配置效率提升绿色全要素生产率，进而推动企业绿色转型发展［16］。无论是由政府主导推动，还是企业自发转型，智慧城市建设都势必会朝着以创新驱动发展的方向迈进，在这一过程中，城市内部和跨城之间知识、技术的交流频率提升，可以有效缓解科技市场存在的信息不对称现象，加快技术、人才和信息关键要素的转移集聚，赋予要素更多创新的可能性，对促进城市绿色技术水平提升、推进城市经济绿色转型形成有效支撑［17］。此外，以数字基础设施为依托的智慧城市建设能够推动城市数字化发展，有效促进数字技术与传统产业的融合发展，引导资源要素生产和配置走向集约化、绿色化，从而有利于城市经济绿色转型。

上述研究为本文提供了有益的参考，但仍有进一步拓展的空间：第一，在研究视角上，现有研究对“智慧城市—经济绿色转型”这一基础逻辑进行了解读，但大多或基于单一渠道的机制展开理论与实证研究［3］，或缺少机制探究［18］，对中间环节的系统性研究不足。因此，仍需在此基础上向中间环节纵深方向挖掘，即智慧城市建设赋能城市经济绿色转型发展这一命题“何以可能”与“何以可为”。第二，在研究内容上，相关研究大多关注智慧城市建设的绿色效应整体评估，并未对其中存在的作用路径、动态效应进行深入的分析与探讨。第三，在研究方法上，现有研究主要通过双重差分模型对智慧城市建设的政策效应进行评估，然而双重差分模型需要对变量间的函数关系提前设定，会存在函数误设的风险。同时，其对样本的要求较为严苛，需要满足实验组和对照组在政策发生前趋势保持相同的假定，且传统线性回归在控制其他多因素时，可能会出现“维度诅咒”、多重共线性等问题，这些限制可能会使得估计结果产生偏误。

基于上述原因，本文基于2007—2021年中国280个城市面板数据，通过对智慧城市建设赋能城市经济绿色转型的效应展开理论与实证分析，以回应“何以可能”这一逻辑之问，进而挖掘智慧城市建设推动城市经济绿色转型的机制回应“何以可为”这一现实问题，从“何以可能”与“何以可为”两个方面对智慧城市建设赋能城市经济绿色转型展开系统性分析，为充分发挥智慧城市建设在推动中国经济绿色转型中的作用提供实证依据和政策启示。本文可能存在的边际贡献包括：①基于“何以可能”（整体效应、动态效应、异质性）—“何以可为”（机制分析、政策启示）的逻辑框架，针对智慧城市建设赋能城市经济绿色转型的逻辑展开系统性探讨，丰富智慧城市建设与经济绿色转型的研究，为美丽中国建设进程中基于智慧城市视角探寻城市经济绿色转型路径提供理论与经验证据。②基于动态效应模型验证了智慧城市建设对经济绿色转型的动态影响，区别于以往研究仅关注智慧城市建设的整体效应，本文较为全面地测度了智慧城市建设对经济绿色转型的影响效应。③结合前沿方法——双重机器学习模型进行政策效应评估，有效弥补传统因果推断模型预设以及“维度诅咒”等问题产生偏误的缺陷，较为科学地提炼出智慧城市建设的经济绿色转型效应，使得研究结果更具信服力。

二、机制分析与研究假设

住房城乡建设部于2012年发布的《关于开展国家智慧城市试点工作的通知》中明确指出，智慧城市是“通过综合运用现代科学技术、整合信息资源、统筹业务应用系统，加强城市规划、建设和管理的新模式”。从传导链条来看，智慧城市建设通过综合运用现代科学技术建设城市智慧基础设施，首先是提升城市基础设施的数字化水平，促进基础设施的共享并实现多样化收益；其次是有利于整合信息资源，促进行业间、主体间和要素间的互动关联和融合发展，缓解城市拥堵和资源错配，提高资源配置效率；再次是智慧城市本身既是数字技术应用的重要场景，也是数字经济发展的主要载体，智慧城市建设一方面从供给侧推动厂商提供智慧基础设施和数字技术服务，促进产业数字化，另一方面从需求侧推动市场提供数字技术产品和服务，促进数字产业化。产业供给和市场需求在智慧城市建设过程中良性互动、交融发展，不断催生新技术、新产业和新模式，倒逼厂商进行学习和模仿，促进产业结构转型升级。因此，本文认为智慧城市建设主要通过提高信息化发展水平、缓解资源错配以及促进产业结构转型升级三种渠道促进城市经济绿色转型（如图1所示）。

首先，智慧城市建设通过提高信息化发展水平促进城市经济绿色转型。一方面，得益于信息技术与城市管理的融合，诸如智慧交通、智慧生态、智慧医疗等一系列智慧城市平台建设项目相继建成，城市智慧化管理实现了城市管理全过程信息的实时传递与处理，以信息技术运用带动和支撑城市管理流程的再造，有利于城市在能源、交通等高耗能领域的监管与治理，城市运转效率得以提高，从而为经济绿色转型营造良好的制度环境，对城市经济绿色转型效率的提高形成有效的制度支撑［19-20］。另一方面，前沿信息技术的应用不仅能够促进企业内部信息的多向流通，从而降低生产运作过程中的搜索成本和交易成本，还能通过提高创新资源匹配效率与机会增强企业技术研发水平［21］，在市场中建立并完善企业环保信用评价模型，规范企业自身排污行为，引导企业将更多的资源要素投入绿色技术创新中，同时，促进信息在市场以及创新主体之间的快速传递和有效共享，重构绿色技术资源的获取与利用过程，实现绿色技术资源的共享与互补［22］，为城市经济绿色转型提供强大的技术支撑。

其次，智慧城市建设通过缓解资源错配促进城市经济绿色转型。从生产资源错配的角度而言，智慧城市的快速发展丰富了生产要素的种类，数据作为一种新型生产要素，依托互联网、物联网、云计算等数字技术与传统生产要素进行融合，赋予传统生产要素更多的配置方式，有助于解决要素供需矛盾问题，从而提高资源配置效率［23］。此外，随着劳动力、资本等要素配置得到优化，产品市场供需双方能够实现更精准的匹配，减少因要素错配而产生的摩擦性成本，有助于解决因投入冗余造成的产能过剩问题，并在科技要素合理配置需求的驱动下激发经济绿色转型的动力［24］。从金融资源错配的角度而言，金融是绿色转型的核心，资金是绿色转型的血液和加速引擎，伴随着智慧城市建设进程中社会化网络、物联网、云计算等技术在金融领域的深入应用，金融体系和商业模式形成融合性变革，传统金融服务演化到更高级阶段，能够优化金融资源配置，促进优胜劣汰，驱动资金在整个社会经济体中顺畅、高效地流动，有助于提高金融服务的可得性，为更多拥有开展绿色活动意愿的主体提供金融服务，从而为促进城市经济绿色转型奠定良好的基础［25］。

最后，智慧城市建设通过促进产业结构转型升级促进城市经济绿色转型。智慧城市建设的产业结构效应对经济绿色转型的影响主要体现在传统产业转型和新兴产业发展两方面。一方面，与依托传统生产要素投入生产的模式不同，借助互联网、物联网等信息技术为载体的新型智慧城市生产模式以投入知识、技术等要素为主，具有边际成本递减和边际收益递增的特点。新要素的投入赋予企业更强大的学习、协作、创造能力，为企业绿色发展注入新活力。另一方面，智慧城市建设带动了信息产业的发展，而信息产业的发展又会带动研发设计等一系列生产性服务业的发展，催生更多以技术、知识为导向的新产业、新业态和新模式，这些新兴产业本身就具备较高的环保特性，其发展不仅会推动产业结构升级，而且还能带来一系列如绿色生产方式等外部性活动［26］，通过“示范效应”，产生“倒逼效果”，推动传统行业和企业绿色化发展，进而促进城市经济绿色转型。因此，本文提出假设1和假设2。

H1：智慧城市建设有助于促进城市经济绿色转型。

H2：智慧城市建设主要通过提高信息化发展水平、缓解资源错配以及促进产业结构转型升级三种渠道促进城市经济绿色转型。

三、模型设定和数据来源

（一）模型设定

本文利用智慧城市试点政策探究其对城市经济绿色转型的作用，以往研究主要通过双重差分模型对智慧城市建设的政策效应进行评估，然而双重差分模型需要对变量间的函数关系提前设定，会存在函数误设的风险。同时，其对样本的要求较为严苛，需要满足实验组和对照组在政策发生前趋势保持相同的假定，且传统线性回归在控制其他多因素时，可能会出现“维度诅咒”、多重共线性等问题，这些限制可能会使得估计结果产生偏误。而双重机器学习模型是一种非参数回归模型，不需要预先设定函数，同时，双重机器学习模型能够自动筛选预选的控制变量，得到较高预测精度的控制变量组合，从而能够避免模型误设以及控制变量冗余等问题，有效弥补传统因果推断研究的不足［27］。因此，国内外学者开始关注双重机器学习模型在因果推断中的实证应用，为本文研究提供了新的思路。

本文利用双重机器学习模型对智慧城市建设的政策效应进行评估。借鉴张涛和李均超（2023）［28］的研究，构建部分线性模型如下：

[Y=θ0Event+gX+U，EUX，Event=0] （1）

其中：[Y]为被解释变量，表示经济绿色转型效应；[Event]为智慧城市建设的政策变量（试点城市设立后为1，否则为0）；[θ0]为重点关注的回归系数；[X]为多维控制变量集合，需通过机器学习方法估计[g（X）]；[U]为误差项，条件均值为0。对式（1）直接进行估计，可得回归系数[θ0=1n∑i∈IEvent2i-1]×[1n∑i∈IEventi［Yi-g（Xi）］]。其中，[i]为城市，[n]为样本量。但由于[θ0]难收敛于[θ0]，因此估计存在偏误，需进一步考察偏误并修正。具体做法如下：

[n（θ0-θ0） =1n∑i ∈ IEvent2-11n∑i ∈ IEventiUi+1n∑i ∈ IEvent2-11n∑i ∈ IEventi[g（Xi） -g（Xi）]]（2）

式（2）中，令[a=1n∑i∈IEvent2-11n∑i∈IEventiUi]，并服从均值为0的正态分布，令[b=1n∑i∈IEvent2-1]×

[1n∑i∈IEventi［g（Xi）-g（Xi）］]。双重机器学习模型利用机器学习和正则化算法估计[g（Xi）]，虽能避开估计量方差过大的问题，但正则项的引入会带来估计偏误问题，[g（Xi）]向[g（Xi）]收敛速度较慢，[n-φg>n-1/2]，当[n→∞，b→∞]，[θ0]难收敛于[θ0]。因此，本文采用正交法修正此偏误。

[Event=m（X）+V，E（VX）=0] （3）

先对式（3）进行回归估计，得到残差项V的估计[V=Event-m（X）]，将[V]视为[Event]的工具变量进行回归，得到[θ0]的无偏估计量为：

[θ0=（1n∑i∈IViEventi）-11n∑i∈IVi［Yi-g（Xi）］] （4）

本文进一步考察其估计偏误：

[n（θ0-θ0）=∑i∈IE（V2i）-11n∑i∈IViUi+∑i∈IE（V2i）-1×1n∑i∈I[m（Xi）-m（Xi）][g（Xi）-g（Xi）]] （5）

式（5）中，[∑i∈IE（V2i）-1][1n∑i∈IViUi]服从均值为0的正态分布，由于回归估计引入了两个误差交乘项，[［m（Xi）-m（Xi）］［g（Xi）-g（Xi）］]的收敛速度为[n-（φm+φg）]，[φm]与[φg]分别是[m（Xi）]向[m（Xi）]，[g（Xi）]向[g（Xi）]的收敛速度。相较于式（2），[n（θ0-θ0）]向0收敛的速度更快，进而证明能够通过双重机器学习算法测得无偏的效应估计。

（二）变量定义与数据来源

1. 被解释变量

本文被解释变量为城市经济绿色转型（[GI]）。通过构建包含非期望产出的DDF-GML模型来衡量城市经济绿色转型效应。在投入指标上，资本投入采用R&D资本存量衡量；劳动投入采用R&D人员全时当量表示；能源投入用折算成标准煤后的能源消耗总量表示。其中，R&D资本存量通过永续盘存法计算得出，折旧率参考吴延兵（2006）［29］的研究设定为15%，R&D价格指数参考朱平芳和徐伟民（2003）［30］的方法，赋予消费者价格指数0.55权重和固定资产投资价格指数0.45权重，通过加权计算得出R&D价格指数并进行平减，将2006年各市实际R&D支出作为基期，核算R&D基期资本存量。在产出指标上，期望产出采用地区实际生产总值、绿色专利申请量以及建成区绿化覆盖率衡量，其中地区实际生产总值以2006年为基期进行平减；非期望产出衡量创新产出的环境效应，参考任耀等（2014）［31］的研究，选取工业三废（工业废水、工业二氧化硫以及工业烟尘）排放量来表示。

2. 核心解释变量

本文核心解释变量为智慧城市建设（Event）。将智慧城市试点政策视为一项准自然实验，依照城市是否入选试点城市，并结合试点城市设立时间设置虚拟变量（试点城市设立后为1，否则为0）。

3. 控制变量

双重机器学习能够自动筛选预选的控制变量，得到较高预测精度的控制变量组合，从而能够避免控制变量冗余等问题。因此，为确保政策评估的科学性，本文参考李豫新等（2023）［32］、罗勇根等（2019）［33］的研究，控制了以下可能影响城市经济绿色转型的变量：①对外开放水平（[IFdi]），采用城市实际外商直接投资额占GDP的比重衡量。②金融发展水平（[Loan]），用年末金融机构各项存贷款余额之和占GDP的比重衡量。③人口密度（[Pop]），采用年末总人口数与辖区面积的比值衡量。④教育投入力度（[Edu]），用地方教育支出占财政支出的比重衡量。⑤科技支持水平（[Tech]），用地方科技支出占财政支出的比重衡量。⑥城镇化水平（[Urb]），用城镇常住人口占地区总人口的比重衡量。⑦环保支持（[Env]），采用城市环境污染治理投资占GDP的比重衡量。⑧财政水平（[Fis]），用城市财政支出占GDP的比重衡量。鉴于上述控制变量可能会对城市经济绿色转型产生非线性影响，本文借鉴张涛和李均超（2023）［28］、陈鸣和王志帆（2024）［34］的做法，在回归分析中加入各变量的二次项。

为保证样本数据的连续性和可得性，结合行政区划调整和数据缺失的情况，最终本文的实证样本包含中国280个地级及以上城市，样本时间为2007—2021年，所用经济社会数据均来自各年份《中国城市统计年鉴》、各省份统计年鉴以及各市国民经济和社会发展统计公报。

各变量的描述性统计见表1所列。

四、实证结果

（一）基准回归

本文采用了双重机器学习模型估计智慧城市建设对经济绿色转型的影响效应，在模型中采用随机森林算法对主回归和辅助回归进行预测求解。此外，为了避免机器学习进行模型预测的过拟合问题，双重机器学习模型采用了样本内外交叉验证的方法，其中样本分割比例为1∶4，回归结果见表2所列。模型（1）—模型（3）分别在全样本区间内控制了变量一次项、时间固定效应、城市固定效应以及变量二次项。回归结果显示，相较于非试点城市，试点政策显著促进了试点城市经济绿色转型，H1得以验证。

（二）动态效应分析

上述基准回归反映的是智慧城市建设对城市经济绿色转型的年份平均影响，并没有反映智慧城市建设的时间异质性，即政策动态性影响，但经济绿色转型效应的提升是一项需要长期投入与建设的系统工程，进一步的研究需要观察政策效果的长期动态特征，为经济绿色转型发展的长期决策行为提供数据支撑，因此，本文在式（1）的基础上构建如下部分线性动态模型：

[Y=θjEvent×Afterj+gX+ U，EUX，Event=0] （6）

[Event×Afterj=f（X）+V，E［VX］=0] （7）

式（6）中，[Afterj]为智慧城市建设后每一年的虚拟变量，[θj]表示每一年的政策效应，其他变量定义同式（1）。表3报告了智慧城市建设的动态效应分析结果，可以看出，试点以来智慧城市建设对城市经济绿色转型的影响大致呈现增强的态势，智慧城市经济绿色转型效应于2018年达到峰值，2019—2021年效应有所减弱。其原因可能是，在智慧城市试点初级阶段，随着现代科学技术在城市规划、建设、管理和运行中的综合应用，以及资金、人力资本等要素投入的显著增加，区域创新动力明显增强，传统的创新制度引致的资源制约得到有效缓解，使得城市经济绿色转型效应显著增强，但随着经济绿色转型效应的不断提升，创新投入的边际效应有所下降，故智慧城市建设的经济绿色转型效应有所减弱。上述结果表明，相较于微观层面技术创新效率提升的长周期性，智慧城市建设这一外在的积极政策能在短期内克服区域创新的阻碍因素，驱动城市经济绿色转型能力的提升。此外，智慧城市试点产生的经济绿色转型效应并非短期、间断性的，而是具有持续性，相关城市的试点经验能通过“示范效应”应用于其他城市并取得成效。

（三）稳健性检验

1. 更换被解释变量

为增强智慧城市建设经济绿色转型效应评估的稳健性，本文参考宋德勇等（2021）［35］的研究，采用每万人绿色发明专利申请数作为衡量智慧城市建设的经济绿色转型效应的代理变量，回归结果见表4列（1）。在更换被解释变量后Event系数值有所增大，并在1%的水平上显著为正，表明智慧城市建设的经济绿色转型效应较为稳健。

2. 剔除其他政策影响

考虑在评估智慧城市建设的经济绿色转型效应过程中，不可避免会受到其他相关政策的影响，从而对本文政策评估效果产生一定的偏误。与智慧城市建设相关的政策包括“宽带中国”战略以及“国家大数据综合试验区”建设，分别于2013年和2015年开始实施，这两项政策的实施对城市经济增长、绿色发展均产生一定的影响。为剔除政策效果干扰，本文设定虚拟变量宽带中国政策（[Timeit×BBC]）、国家大数据综合试验区（[Timeit×Bigdata]），并分别进行回归估计，结果见表4列（2）、列（3），在控制相关政策干扰后，智慧城市建设仍显著促进城市经济绿色转型，证明基准回归结果稳健。

3. 安慰剂检验

除了相关政策扰动外，其他政策或不可观测的随机性因素也会对城市经济绿色转型造成影响，从而影响基准回归结果的稳健性。为评估此类因素的影响，本文将智慧城市建设的试点时间提前2～3年，若此时核心解释变量Event的系数显著性仍与前文基准回归结果保持一致，即表明城市经济绿色转型可能受其他政策或不可观测因素的影响，反之，若此时核心解释变量[Event]的系数显著性出现不一致，则表明城市经济绿色转型受智慧城市建设的影响。表4列（4）、列（5）分别为政策实施提前2年、提前3年的回归估计，结果表明，政策实施时间改变后，核心解释变量Event的系数均不显著，与基准回归系数的显著性不一致，证实了基准回归结果的稳健性。

4. 更改样本分割比例与更换机器学习算法

为避免因设定双重机器学习模型参数引起的偏误，本文从以下两个方面对结果的稳健性进行再检验：首先，将样本分割比例由1∶4分别改为1∶2和1∶6来排除样本分割比例对结果产生的可能误差；其次，更换模型中的机器学习算法，将模型中用来预测的随机森林算法分别更换为套索回归算法和梯度提升算法来排除算法对结果产生的干扰。更改样本分割比例的回归结果见表5列（1）、列（2），更换机器学习算法的结果见表5列（3）、列（4）。结果显示，改变样本分割比例和机器学习算法后，Event的系数仍显著为正，证明基准回归结果稳健。

5. 内生性处理

为克服模型因双向因果、遗漏变量等而导致的内生性问题，本文参考杨刚强等（2023）［36］的做法，以城市开通微博公司总数作为本文工具变量（[Web]）。一方面，城市开通微博公司数量一定程度上反映了城市信息化水平，数量与成为国家智慧城市试点的概率是正相关关系，满足内生变量与工具变量之间的相关性；另一方面，城市开通微博公司总数是由公司需求决定的，没有相关证据表明城市开通微博公司总数与城市绿色经济发展水平具有相关关系，符合外生性假设。本文借鉴张涛和李均超（2023）［28］的做法，在Chernozhukov等（2018）［37］研究的基础上构建双重机器学习部分线性工具变量模型，来进行内生性检验，其模型设置如下：

[Y=θjEvent×Afterj+gX+ U，EUX，Event=0] （8）

[Web=f（X）+V，E［VX］=0] （9）

上述工具变量检验后的结果见表6所列，模型中继续保持上述基准回归的做法，采用随机森林算法对主回归和辅助回归进行预测求解，样本内外交叉验证中样本分割比例为1∶4。在采用工具变量后，其回归结果在1%的水平上显著为正，基准回归结论依然成立。

（四）异质性分析

为检验智慧城市建设对城市经济绿色转型的影响效应是否存在样本特征的异质性，本文从区域、规模以及基础设施建设出发，探讨智慧城市建设在促进城市经济绿色转型上的差异性表现。

1. 区域异质性

我国幅员辽阔，不同区域的经济发展水平、人口结构、技术存量、产业特征等均存在明显的不同，可能会使得政策的实施效果具有差异性。本文依据样本城市所处地理位置将样本划分为东部、中部和西部地区三组分别进行回归估计，结果见表7列（1）—列（3）。可以看出，东部和中部地区的智慧城市试点政策带来了显著的经济绿色转型效应，但这一效应在西部地区并不明显。可能的原因在于，相较于西部地区，东部和中部地区往往拥有更充裕的资源禀赋，市场需求旺盛，产业发展、城市建设更易与数字技术相融合，进而形成以技术密集型和资本密集型为特征的城市智能化生产和管理模式，从而为智慧城市试点政策驱动城市经济绿色转型提供强大引擎。而西部地区受限于经济发展水平、技术和人才储备、资本要素禀赋等因素的制约，智慧城市试点政策引致的新兴产业集聚等内生动力不足，智慧城市建设的经济绿色转型效应难以得到有效发挥。

2. 规模异质性

随着社会和经济建设的迅速发展，中国城市化水平不断提高，城市规模等级差异很大，使得不同规模城市之间生产投入、科技水平等存在不同，从而使得政策的实施效果有所差异。因此，本文按照新一线城市研究所公布的《中国城市新分级名单》（1）将样本城市划分为大中规模城市和小规模城市两组，分别进行回归估计，结果见表7列（4）、列（5）。可以看出，智慧城市试点政策显著促进了大中规模城市经济绿色转型，而对小规模城市并没有体现显著的促进效应。这可能是因为，大中规模城市具有更加完善的科学技术体系和更加高效的政府管理模式，完善的科学技术体系有利于推动城市产业结构升级，同时政府高效的执行力能够吸引更多创新主体（个人、企业）以及风投资金涌入，从而促进城市经济绿色转型；而小规模城市由于科技水平较低、地方政府执行力较弱，新一代科学技术往往难以与当地传统产业充分融合，从而无法充分发挥智慧城市建设的经济绿色转型效应。

3. 传统基础设施水平异质性

以大数据、5G、人工智能和工业互联网为代表的智慧城市建设对地区经济绿色转型产生影响一定程度上取决于地区传统基础设施的发展。作为准公共物品，传统基础设施是城市公共服务水平的体现，是为社会生产和居民生活提供公共服务、保证地区社会创新活动正常进行的物质工程设施。本文将样本城市按照城市道路面积的均值划分为传统基础设施水平高的地区与传统基础设施水平低的地区两组［38］，分别进行回归估计，结果见表7列（6）、列（7）。在传统基础设施水平较高的地区，智慧城市建设对城市经济绿色转型存在显著的促进效应，而在传统基础设施水平较低的地区，智慧城市建设对城市经济绿色转型的促进效应不显著。这可能是因为，传统基础设施水平较高的地区往往拥有较为成熟的政策框架和市场机制，更易将人工智能、物联网等新一代信息技术整合到城市各个系统中，从而为智慧城市建设提供良好环境；而在传统基础设施水平较低的地区，先进的技术难以与落后的基础设施相匹配。这一结论进一步表明，智慧城市建设并非能完全替代传统基础设施，两者之间存在互补关系，一定程度的传统基础设施是智慧城市建设驱动城市经济绿色转型的基础。

（五）机制识别

因学术界对中介效应模型存在的内生性问题存在争议（江艇，2022）［39］，为进一步探究智慧城市建设通过何种传导机制对城市经济绿色转型产生作用，本文参考刘斌和甄洋（2022）［40］的研究，通过识别核心解释变量对机制变量的影响进行机制检验。基于上述讨论，本文从城市信息化发展水平、资源错配以及产业结构三个维度（详见前文的机制分析）出发，探究智慧城市建设促进城市经济绿色转型的作用路径。其中，信息化发展水平（[DLI]）借鉴黄群慧等（2019）［41］的方法，从应用和产出两个角度衡量，选取城市每百人互联网接入用户数、计算机服务和软件从业人员占单位从业人员比重、每百人移动电话用户数以及人均电信业务总量四个指标，标准化处理后采用主成分分析法求得综合指数进行测度；资源错配（[RS]）参考白俊红和卞元超（2016）［42］测度要素扭曲程度的方法，利用生产函数分别计算劳动力、资本要素的边际产出，再将其与价格之比表示两者的扭曲程度；产业结构（ISpro）参考袁航和朱承亮（2018）［43］的做法，采用三大产业占比与各产业劳动生产率的乘积加总后算出。

表8报告了机制分析结果。由列（1）可以看出，[Event]的系数为0.249，且在1%的水平上显著为正，说明智慧城市建设有效提升城市信息化发展水平，降低信息传输成本，加速创新要素流动，营造良好绿色创新环境，进而促进城市经济绿色转型。列（2）、列（3）反映了以资源错配作为因变量的实证分析结果，无论是劳动力还是资本要素配置，[Event]的系数均显著为负，说明智慧城市建设有效促进劳动力和金融资本流动，优化人力和资本的市场配置，激发城市绿色创新活力，进而促进城市经济绿色转型。列（4）结果显示，[Event]的系数为0.263，且在1%的水平上显著为正，说明智慧城市建设带动传统产业改造与新兴产业发展，加快了产业更新迭代和转型升级，促进城市经济绿色转型。因此，H2得以验证。

五、结论与启示

（一）结论

本文以2007—2021年中国280个地级及以上城市为研究样本，将智慧城市试点政策作为准自然实验，采用双重机器学习模型识别智慧城市建设对城市经济绿色转型的影响效应，得出主要结论如下：①智慧城市建设显著促进了城市经济绿色转型，且该结论在经过更换被解释变量、剔除其他政策影响、进行安慰剂检验以及更改样本分割比例和更换机器学习算法后依然成立。②智慧城市建设通过提高信息化发展水平、缓解资源错配以及促进产业结构转型升级等三种渠道推动城市经济绿色转型。③在东中部地区、大中规模城市以及传统基础设施水平较高的城市，智慧城市建设带来的经济绿色转型水平提升作用更为明显。④智慧城市建设的经济绿色转型效应具有动态性。

（二）启示

基于上述研究结论，本文得出以下启示：

首先，加快数字技术深度研发与应用，增强产业竞争优势。智慧城市建设本质上是数字技术应用融合推动的深度城市化进程，符合城市的发展规律和发展方向，是我国城市现代化和高质量发展的重要内容，也是贯彻落实创新驱动发展战略、推动新型城镇化的重要举措。我国城市要抓住新一轮科技革命和产业变革带来的机遇，大力推进智慧城市建设，全面推动数字技术与社会治理、产业经济和绿色创新等各领域的深度融合发展，增强科学技术综合应用、加快创新要素流通融合、促进产业转型升级，更好地发挥智慧城市技术效应、配置效应以及结构效应，激发城市绿色创新活力，推动城市绿色可持续发展。

其次，地方政府应着眼于智慧城市建设的长远效益，避免短视行为。智慧城市建设是一项基础而综合的系统工程，需要长期投入、不断更新并持续创新。智慧城市具有公共物品的某些特性，其建设既要使市场在资源配置中起决定性作用，也要更好发挥政府在基础设施建设、创新平台搭建、政策环境优化等方面的积极作用，推动有效市场和有为政府更好结合。智慧城市建设既要以建带用，也要以用带建，要鼓励企业和社会各界参与，形成政府、企业、科研机构等多方合作的局面，重视市场主体培育，唯有真正激发市场力量，才能形成动态累积效应和良性长效机制，从而更好地促进经济绿色转型发展。

最后，因地制宜构建智慧城市发展方案，促进区域协调发展。打造“智慧城市”既要坚持市场效率，也要兼顾社会公平。每个城市都要结合自身发展水平，因地制宜进行智慧城市建设的顶层设计和规划实施，提高智慧城市建设的匹配度和灵活度。国家应以协同发展为目的，实施动态化、差异化和精细化的智慧城市发展战略，通过建立区域间信息融合共享、协同机制等路径，实现“要素共享”“协同创新”的良性循环，为实现城市经济绿色转型营造良好的发展环境。

注 释：

（1）《中国城市新分级名单》将中国城市划分为一线、新一线、二线、三线、四线、五线6个等级，本文将一线城市、新一线城市和二线城市定义为大规模城市，三线城市和四线城市定义为中等规模城市，五线城市定义为小规模城市。

参考文献：

［1］张建鹏，陈诗一.金融发展、环境规制与经济绿色转型［J］.财经研究，2021，47（11）：78-93.

［2］李金昌，连港慧，徐蔼婷.“双碳”愿景下企业绿色转型的破局之道——数字化驱动绿色化的实证研究［J］.数量经济技术经济研究，2023，40（9）：27-49.

［3］郭庆宾，汪涌.城市发展因智慧而绿色吗？［J］.中国软科学，2022（9）：172-183.

［4］YU Y T，ZHANG N，KIM J D. Impact of Urbanization on Energy Demand：An Empirical Study of the Yangtze River Economic Belt in China［J］. Energy Policy，2020，139：111354.

［5］刘银喜，董杨.公共价值创造视角下智慧城市的协同治理探索［J］.同济大学学报（社会科学版），2023，34（1）：68-76.

［6］孟天广，严宇.人感城市：智慧城市治理的中国模式［J］.江苏社会科学，2023（3）：104-112，243.

［7］武永超.智慧城市建设能够提升城市韧性吗？——一项准自然实验［J］.公共行政评论，2021，14（4）：25-44，196.

［8］张兵兵，陈思琪，闫志俊.智慧城市建设如何驱动区域出口经济复杂度提升？［J］.世界经济研究，2023（3）：31-45，134.

［9］何凌云，马青山.智慧城市试点能否提升城市创新水平？——基于多期DID的经验证据［J］.财贸研究，2021，32（3）：28-40.

［10］姚璐，王书华，范瑞.智慧城市U83QCk3qy2iDfwRg68oBSp7kH1vHPdbKqEmewsW9HU8=试点政策的创新效应研究［J］.经济与管理研究，2023，44（2）：94-111.

［11］石大千，丁海，卫平，等.智慧城市建设能否降低环境污染［J］.中国工业经济，2018（6）：117-135.

［12］庞瑞芝，王宏鸣.数字经济与城市绿色发展：赋能还是负能？［J］.科学学研究，2024，42（7）：1397-1408.

［13］蔡跃洲，陈楠.新技术革命下人工智能与高质量增长、高质量就业［J］.数量经济技术经济研究，2019，36（5）：3-22.

［14］YIGITCANLAR T，KAMRUZZAMAN M，BUYS L，et al. Understanding 'Smart Cities'：Intertwining Development Drivers with Desired Outcomes in a Multidimensional Framework［J］. Cities，2018，81：145-160.

［15］KUMMITHA R K R. Smart Cities and Entrepreneurship：An Agenda for Future Research［J］. Technological Forecasting and Social Change，2019，149：119763.

［16］姚圣文，赵兰香，张耀坤.智慧城市建设提高企业全要素生产率了吗？［J］.科学学研究，2022，40（11）：1957-1967.

［17］张节，李千惠.智慧城市建设对城市科技创新能力的影响［J］.科技进步与对策，2020，37（22）：38-44.

［18］王玥，杜建国.城市智慧建设水平对绿色发展效率的影响［J］.统计与决策，2021，37（16）：175-179.

［19］张杰，付奎.信息网络基础设施建设能驱动城市创新水平提升吗？——基于“宽带中国”战略试点的准自然试验［J］.产业经济研究，2021（5）：1-14，127.

［20］曾皓.国家生态治理与企业绿色升级——基于企业年报文本挖掘的经验证据［J］.安徽大学学报（哲社版），2024，48（4）：153-164.

［21］赵星.新型数字基础设施的技术创新效应研究［J］.统计研究，2022，39（4）：80-92.

［22］ELLIOTT W B，GRANT S M，HOBSON J L，et al. Trader Participation in Disclosure：Implications of Interactions with Management［J］. Contemporary Accounting Research，2020，37（1）：68-100.

［23］姚圣文，张耀坤，赵兰香.智慧城市试点政策能否助推城市创新水平提升？——基于多时点DID的实证研究［J］.科学学与科学技术管理，2022，43（5）：85-99.

［24］凌华，李新伟，董必荣，等.互联网、创新要素流动与区域创新能力差异［J］.审计与经济研究，2020，35（6）：115-126.

［25］朱悦，张军涛.数字金融发展对城市经济绿色低碳转型的影响研究［J］.城市问题，2022（10）：64-71，81.

［26］周锐波，吴云峰，宋佳晞.共生共荣：工业智能化发展与包容性绿色增长［J］.中国人口·资源与环境，2024，34（5）：162-174.

［27］王茹婷，彭方平，李维，等.打破刚性兑付能降低企业融资成本吗？［J］.管理世界，2022，38（4）：42-64.

［28］张涛，李均超.网络基础设施、包容性绿色增长与地区差距——基于双重机器学习的因果推断［J］.数量经济技术经济研究，2023，40（4）：113-135.

［29］吴延兵.R&D存量、知识函数与生产效率［J］.经济学（季刊），2006（3）：1129-1156.

［30］朱平芳，徐伟民.政府的科技激励政策对大中型工业企业R&D投入及其专利产出的影响——上海市的实证研究［J］.经济研究，2003（6）：45-53，94.

［31］任耀，牛冲槐，牛彤，等.绿色创新效率的理论模型与实证研究［J］.管理世界，2014（7）：176-177.

［32］李豫新，程洪飞，倪超军.能源转型政策与城市绿色创新活力——基于新能源示范城市政策的准自然实验［J］.中国人口·资源与环境，2023，33（1）：137-149.

［33］罗勇根，杨金玉，陈世强.空气污染、人力资本流动与创新活力——基于个体专利发明的经验证据［J］.中国工业经济，2019（10）：99-117.

［34］陈鸣，王志帆.智慧城市建设对共同富裕的影响：基于双重机器学习的实证评估［J］.现代财经（天津财经大学学报），2024（9）：20-36.

［35］宋德勇，李超，李项佑.新型基础设施建设是否促进了绿色技术创新的“量质齐升”——来自国家智慧城市试点的证据［J］.中国人口·资源与环境，2021，31（11）：155-164.

［36］杨刚强，王海森，范恒山，等.数字经济的碳减排效应：理论分析与经验证据［J］.中国工业经济，2023（5）：80-98.

［37］CHERNOZHUKOV V，CHETVERIKOV D，DEMIRER M，et al. Double/Debiased Machine Learning for Treatment and Structural Parameters［J］. The Econometrics Journal，2018，21（1）：1-68.

［38］刘传明，马青山.网络基础设施建设对全要素生产率增长的影响研究——基于“宽带中国”试点政策的准自然实验［J］. 中国人口科学，2020（3）：75-88，127-128.

［39］江艇.因果推断经验研究中的中介效应与调节效应［J］.中国工业经济，2022（5）：100-120.

［40］刘斌，甄洋.数字贸易规则与研发要素跨境流动［J］.中国工业经济，2022（7）：65-83.

［41］黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验［J］.中国工业经济，2019（8）：5-23.

［42］白俊红，卞元超.要素市场扭曲与中国创新生产的效率损失［J］.中国工业经济，2016（11）：39-55.

［43］袁航，朱承亮.国家高新区推动了中国产业结构转型升级吗［J］.中国工业经济，2018（8）：60-77.

［责任编辑：余 芳］