王家庭 王心怡
摘要：绿色低碳发展是实现碳达峰目标及碳中和愿景的根本路径。将智慧城市试点项目作为一项准自然实验，利用2006—2018年全国282个地级市面板数据，采用多期双重差分方法和改良的中介效应模型评估智慧城市试点政策对城市碳排放强度的影响及作用机制。研究发现：（1）智慧城市试点政策能够有效降低碳排放强度，该结论在一系列稳健性检验后依然成立。（2）从动态效应上看，智慧城市的碳减排效应出现在试点设立后的第3年，说明该政策效应存在一定的时滞性。（3）影响机制分析表明智慧城市试点政策可以通过技术创新效应、结构转型效应和规模经济效应等路径抑制碳排放。（4）城市特质会影响智慧城市试点政策的效果，智慧城市试点政策对碳排放强度的抑制作用呈现由东到西递增的地理空间差序格局、由高到低递减的城市等级差序格局，超大、特大型城市的抑制效果弱于大城市和中等城市，并且资源型城市的抑制效果强于非资源型城市。
关键词：碳排放强度；
智慧城市试点；
双重差分模型；
中介效应模型
DOI：10.3969/j.issn.1674-7739.2023.02.003
一、引言
习近平总书记在党的二十大报告中明确指出，推动绿色发展，促进人与自然和谐共生，积极稳妥推进碳达峰碳中和。发展绿色低碳经济是中国主动承担全球环境责任、积极应对气候变化、推动构建人类命运共同体的行动体现，也是实现中华民族伟大复兴和永续发展的必由之路。当前全球温室气体排放量持续增加，负面影响日益显现，已经成为人类社会可持续发展的主要威胁之一。中国政府长期以来致力于降低碳排放强度，助力低碳经济发展。2020年9月，习近平总书记在第七十五届联合国大会上宣布，中国力争2030年前二氧化碳排放达到峰值，2060年前实现碳中和。碳达峰碳中和为我国提供了一个中长期愿景、综合性目标和战略方向，已经纳入经济社会发展和生态文明建设整体布局。
碳达峰与碳中和“双碳”目标的实现依赖于城市的绿色低碳转型，亟需探索一种全新的城市发展模式。本文发现，中国政府于2012年施行的智慧城市试点政策就是这样一种全新的城市发展模式。从既有研究来看，尽管智慧城市与低碳经济都是热点话题，但学界关于智慧城市与低碳经济关系的探索尚有局限。就智慧城市建设而言，学者们更多关注的是智慧城市的定义、发展模式与评价体系的构建。[1-2]关于碳排放驱动因素的现有研究多集中于经济发展、产业结构、对外开放水平方面，[3-4]对政府政策的碳减排效果的研究相对较少。那么智慧城市政策能否降低城市碳排放强度？对城市低碳经济发展是否有正向作用？智慧城市建设如何影响城市碳排放水平？不同城市的政策效应相同吗？由此可见，智慧城市和低碳经济发展的研究仍有进一步延伸的空间。
二、理论分析与研究假设
智慧城市建设可以促进当地经济增长和高质量发展。张治栋发现智慧城市建设对经济增长、新旧动能转换具有显著的积极影响。[5]数字化与信息化是智慧城市的主要特色，智慧城市建设将物联网、人工智能、云计算等技术融入企业，可以加速企业生产效率，获取更高的经济效益。同时加速了人力资本积累，催生更多以人才、技术、知识为导向的新兴经济增长点。[6]智慧城市建设可以有效降低碳排放。生态化与低碳化是智慧城市的重要内涵，绿色低碳始终是智慧城市发展的目标之一。黄建认为智慧城市以促进城市经济建设，社会建设与生态建设为核心思想，更加倡导城市居民的绿色生活和绿色消费理念，反对能源浪费。[7]同时加强对环境质量的检测，注重环境治理效果，提升城市的宜居性，实现城市的可持续发展。[8]因此，本文提出如下研究假设：
假设H1：智慧城市试点政策在促进地区经济增长的同时减少碳排放量，进而降低碳排放强度，促进城市低碳经济发展。
环境问题的根源在于规模、技术与结构变化，碳排放作为环境问题的一种，与污染物排放具有同根同源的典型特征。[9]经济活动对环境的影响主要通过技术创新效应、结构转型效应和规模经济效应。基于此，本文从这三个方面考察智慧城市政策碳减排的作用机理，其理论机制如图1所示。
智慧城市旨在建设以科技创新为核心驱动力的城市，是国家经济发展迈上创新驱动阶段的一个重要标志。技术进步是解决环境污染问题的有效手段，尤其是以生产技术、节能技术及环保技术等绿色技术为导向的创新。[10]学者们普遍认为绿色技术创新能有效减少温室气体。考虑到我国经济和能源系统所具有的高碳化特征，绿色创新驱动被认为是实现碳中和目标的重要途径之一。低碳能源技術能够通过清洁煤技术，将过去高碳煤能源转变为低碳煤能源，同时加大新能源的利用效率，采用可再生性较强的清洁能源作为城市的基本能源，实现能源的可持续利用。[11]由此本文提出：
假设H2：智慧城市试点政策通过增强绿色技术创新能力助力城市低碳经济发展。
智慧城市政策可以促进产业结构转型，为产业的绿色化调整奠定了坚实的基础，而产业结构转型升级是缓解经济活动对环境影响的重要路径。产业结构由劳动资源密集型转向知识、技术密集型，有助于降低经济增长对能源资源的依赖，进而降低城市的碳排放量。高技术产业耗能更少、碳排放更低，仅为全行业的5.3%。[12]产业结构转型升级可以提升生产效率与能源资源利用率，助推生产方式向高精尖方向发展，生产设备向集约精益化方向突破，产业链条向高附加值延伸，产业产品向绿色质量化迈进。[13]高耗能高污染的低端产业向着高端化发展，智能交通、智能医疗及智能公共服务逐渐普及，智慧旅游和智能教育产业已经成为城市之中较为重要的新兴产业，使城市经济在低碳循环的角度下进行建设。基于此本文提出：
假设H3：智慧城市试点政策通过促进产业结构优化升级助力城市低碳经济发展。
智慧城市建设加快人口、要素和产业在城市空间中的凝聚，伴随集聚所产生的规模经济效应也会降低碳强度。智能信息系统的大量运用，有利于提升城市公共服务的效率，实现社会资源最优配置，减少能源和资源消耗，从而达到减少碳排放的目的。[14]依托经济集聚形成的碳减排效果也获得了一定证明。如任晓松指出现阶段城市经济集聚水平对碳排放强度有负向作用；
[15]王桂新和武俊奎发现产业集聚程度提高1%，城市碳排放下降8.33%—10.57%。[16]邵帅等认为当经济集聚达到一定水平后可能同时表现出节能与减排效果。[17]据此本文提出：
假设H4：智慧城市政策通过提高经济集聚发展水平助力城市低碳经济发展。
三、模型、变量与数据
（一）模型构建
1.多期DID模型
由于智慧城市试点地区并非在同一年获得批准，传统双重差分方法并不适用。本文将现行的三批国家智慧城市试点作为一项准自然实验，采用多期双重差分方法评估试点政策对城市碳排放强度的影响，考察其能否助力低碳经济发展。具体模型构建（1）如下：
其中，下标i和t分别表示城市与年份；
CIit为被解释变量，即碳强度；
DIDit为本文核心解释变量；
Controlit表示影响碳强度且随i和t变动的一系列城市层面的控制变量；
μi、δt分别表示个体与时间固定效应。εit为随机误差项。
2.改良的中介效应模型
许多学者在经济学研究中使用由Baron和Kenny提出的传统三段式中介效应模型进行中介机制检验，[18]但Haye等人认为这种方法存在严重的内生性问题。[19]为解决这一问题，Dippel等提出了基于单一工具变量，实现中介效应准确估计的改良模型。[20]借鉴其思路，本文首先选择合适的工具变量重新构建多期双重差分模型：
其中，模型（2）是将可能具有内生性的核心解释变量（DIDit）对工具变量（IVit）及一系列外生控制变量（Controlit）回归，以获得内生变量拟合值的过程；
模型（3）则是将该拟合值（）替代原内生变量（DIDit）进行回归的过程，由此便可得到无偏估计量α′1，以准确地刻画智慧城市试点政策对于城市碳强度（CIit）的影响。εit和ε′it为各阶段回归中的残差项。
在此基础上，本文设置如下改良中介效应模型检验智慧城市影响碳强度的作用机理：
利用模型（4）和模型（5）开展第一次2SLS估计，以检验核心解释变量智慧城市试点（DIDit）对于中介变量（Mit）影响的大小，该影响由无偏估计量φ1体现。
其后，利用模型（6）和模型（7）开展第二次2SLS估计，以检验中介变量（Mit）对于被解释变量碳强度（CIit）影响的大小，该影响由无偏估计量γ1体现。最后，中介效应的大小即为两个无偏估计量的乘积（φ1× γ1）。
改良的中介效应模型基本的识别假设是，核心解释变量（DIDit）可以为内生，但其内生性不能来源于共同影响核心解释变量（DIDit）和被解释变量（CIit）的混合因素，即上述两个变量的残差项不存在线性相关关系。在此假设基础上，可以在控制了核心解释变量（DIDit）的前提下将工具变量（IVit）同时用于两次2SLS估计中，从而分别得到核心解释变量（DIDit）和中介变量（Mit）回归系数的无偏估计。
（二）变量选择
1.被解释变量：碳强度（CI）
碳排放强度又叫碳强度（Carbon Intensity），是指每单位国内生产总值所带来的二氧化碳排放量，即CI=CO2/GDP。该指标同时考虑了经济增长与碳排放量，如果在经济增长的同时，碳强度下降，那么说明该地区就实现了一个低碳的经济发展模式。本文借鉴韩峰和谢锐[21]的方法，通过液化石油气、天然气、全社会用电量三类能源消费对二氧化碳排放量进行测算。其中，针对社会用电而言，我国各城市目前的发电结构仍以煤炭为主，并且以煤为主的电力需求是二氧化碳排放的主要原因，因此以燃煤发电来测度二氧化碳更为准确。各城市总二氧化碳排放量具体测算方法如式（8）所示。
式中，C1、C2、C3分别表示液化石油气、天然气、全社会用电量带来的二氧化碳排放量， E1为液化石油气消费量，ν为液化石油气的二氧化碳折算系数，E2为天然气消费量，κ为天然气的二氧化碳折算系数，E3为全社会用电量，φ为煤电燃料链温室气体排放系数，η为总发电量中煤电比重。其中，参考《省级温室气体清单编制指南》，将液化石油气、天然气和煤电燃料链温室气体的排放系数分别设定为3.1013kgCO2/kg、2.1622kgCO2/m3、1.3023kgCO2/kW·h。
2.核心解释变量：智慧城市虚拟变量（DID）
本文核心解释变量为是否入选国家智慧城市试点，其设定以城市是否出现在国家住房和城乡建设部网站公布的试点名单上为依据。本文将列入智慧城市试点名单的各地级市作为实验组，将未列入試点名单的其他地级市作为控制组。DIDit其取值规则为：批准设立国家智慧城市试点的实验组城市i在t≥ti0时DIDit取值为1，其他情形DIDit均取值为0。其中，若国家智慧城市试点批准设立在当年的上半年则ti0代表设立智慧城市试点的当年，若国家智慧城市试点批准设立在当年的下半年则ti0代表设立智慧城市试点的下一年。
3.控制变量
本文选取经济发展水平（lnpergdp）、城镇化水平（Urban）、全要素生产率（TFP）、能源消费结构（Coal）、人口素质（Student）、对外开放程度（lnfdi）作为控制变量。其中，经济发展水平和城镇化水平分别以人均地区生产总值的对数和城市人口占总人口比例表示；
全要素生产率利用公式TFP = Ln（Y/L）?θLn（K/L）计算得到。其中，Y为产出，以国内生产总值衡量，K为固定资产投资总额，是利用永续盘存法计算得到的资本存量，L为劳动力，以从业总人数衡量，θ为资本产出弹性，取1/3；
能源消费结构与人口素质采用万吨标准煤和高等学校在校大学生数量表示；
对外开放程度取实际使用的外商直接投资总额的自然对数。
4.中介变量
本文选取绿色科技创新（GTI）、产业结构高级化（Structure）、经济集聚程度（Gather）作为中介变量。第一，借鉴董直庆与王辉的研究，绿色技术创新采用绿色发明专利申请量与绿色实用新型专利申请量之和衡量；
[22]第二，Zheng等指出，产业结构高级化的低碳经济效应相较于产业结构合理化更显著，因此采用产业结构高级化反映结构转型效应，通常以第三产业产值/第二产业产值表征；
[23]第三，由于经济聚集是规模经济效应发挥的基础，因此采用经济集聚反映规模经济效应，由非农产业増加值/城市行政土地面积表示。
5.其他变量
在进一步分析和中介机制检验中，还涉及以下变量：经济增长（lngdp），以地区生产总值的对数值表示；
邮政业务收入（IV），作为智慧城市的工具变量，处理模型中可能存在的内生性问题。与内生变量的相关性及其自身的外生性是合格工具变量必须满足的两大特征。一方面，本文选取的工具变量和智慧城市试点相关存在紧密关联，Yigitcanlar＆Kamruzzaman认为智慧城市的雏形体现在信息通讯技术普及率上，[24]通信技术普及发展是从固定电话普及邮局系统开始的，邮局也是铺设固定电话的执行部门，因此选取邮政业务收入作为智慧城市的工具变量满足相关性要求；
另一方面，邮政业务收入对于碳排放的影响难以成立，相对于智慧城市试点带来的碳减排，邮政业务收入与该城市的碳排放水平无直接关系。
（三）数据来源与说明
所有数据均来源于中国研究数据服务平台（CNRDS）、历年的《中国城市统计年鉴》《中国城市建设统计年鉴》《中国区域统计年鉴》《中国能源统计年鉴》和《中国工业统计年鉴》以及各城市统计公报。本文剔除数据缺失严重的城市，保留282个地级市作为研究对象。本文以试点城市作为实验组，其中，某些地级市内的某个县或区作为试点城市时按照其所属地级市计算，其他未获批城市作为对照组。此外，本文对涉及的连续型变量均进行了前后1%的缩尾处理，以减小极端值的影响，从而进一步确认结论的可靠性。变量描述性统计如表1所示。
四、实证结果分析
（一）基准回归结果
表2显示了智慧城市试点政策对城市碳强度影响的基准回归结果。（1）（2）列分别是控制城市和年份固定效应、加入和不加入控制变量的全样本回归结果，第（3）（4）（5）列为不同批次试点城市的回归估计结果。回归结果初步表明，在控制了个体固定效应和时间固定效应后，不论模型是否包含控制变量，智慧城市试点政策对碳强度影响的估计系数均显著为负，表明智慧城市试点政策总体上有助于降低城市的碳强度水平，意味着其发挥了预期的碳减排作用。并且不加入控制变量回归时的估计系数的绝对值明显低于加入控制变量回归时的估计系数的绝对值，说明不加入控制变量时模型会在一定程度上造成政策效应的低估。另外，第一批次与第二批次的估计系数分别在1%和5%的水平下显著为负，而第三批次并不显著。原因可能是，第三批新增智慧城市地级市試点相对前两批次数量减少，实验组样本量较少，并且考虑到政策的滞后性，政策实施后两年内的碳减排效应还未充分发挥，难以获得该批次试点实施三年后的相关数据，因此无法呈现显著的政策效果。此外，为了进一步分析智慧城市试点的碳减排效应是否以牺牲地区经济增长为代价，本文将地区生产总值的对数值与智慧城市试点进行回归，回归结果表明试点政策对地区经济增长在5%的水平下有显著正向影响。至此，假设H1在一定程度上得到验证。
（二）平行趋势检验及政策动态效应分析
满足平行趋势假设是双重差分模型结果无偏的重要前提。借鉴宋弘等[25]的做法，基于事件分析法对各城市面临政策冲击的年份以及该年份之前的碳强度进行平行趋势检验并分析政策动态效应。具体而言，以智慧城市试点设立当年为比较基准，构建智慧城市试点建设之前4年、建设当年、建设之后4年的年份虚拟变量与对应政策虚拟变量的交乘项，具体模型如式（9）：
本文采用如图2所示的方法报告平行趋势检验结果。结果表明，智慧城市试点政策对城市碳强度的回归系数在政策实施前为正且没有通过显著性检验，说明政策实施前对照组与实验组的城市碳强度不存在显著差异，样本结构满足平行趋势假设。从动态效应来看，当城市入选为全国智慧城市试点后，智慧城市试点政策对碳强度的回归系数开始为负，政策实施后的第一年至第二年，系数虽未通过显著性检验，但已开始显示一定的碳减排趋势。第3年至第4年，系数始终为负，且均通过1%的显著性检验，这说明智慧城市建设对降低碳强度的影响是显著的，但存在一定的时滞性，碳减排效应出现在智慧城市试点政策实施后的第3年。
（三）稳健性检验
本文做了以下稳健性检验以确保基准回归结果的可靠性：基于倾向得分匹配的双重差分、替换被解释变量、控制区域和年份的交互效应、排除其他政策干扰、子样本检验、反向因果检验等。研究表明，基准回归结果通过一系列稳健性检验后依然成立。
五、机制分析
（一）工具变量回归
本文首先采用工具变量法估计智慧城市对碳强度影响，选择工具变量后的2SLS回归结果显示第一阶段回归中，邮政业务收入作为工具变量在1%的显著性水平上对智慧城市试点具有正面影响。第二阶段回归结果显示，智慧城市试点对降低碳强度在1%的显著性水平上有负面影响，与基准回归结果相比，加入工具变量的回归在系数方向和显著性水平上一致，且影响力度更大。此外，Kleibergen-Paaprk LM统计量通过检验，P值为0.000，强烈拒绝不可识别的原假设，说明工具变量不存在识别不足的问题。一阶段回归F值大于10，Kleibergen-Paaprk Wald的F值为50.114，同样满足检验要求，可以拒绝弱工具变量的原假设，说明模型不存在严重的弱工具变量问题，估计结果具有一定的准确性。至此，假设H1得以证明。
（二）改良中介效应
本文构建改良的中介效应模型对影响机制进行实证分析，模型（5）为加入工具变量的智慧城市虚拟变量对中介变量的回归方程，模型（7）为加入工具变量的智慧城市虚拟变量与中介变量共同对碳强度的回归方程。回归结果中，在α′1显著的前提下，若φ1、γ1与γ2均显著，则说明中介变量Mit在智慧城市的碳减排效应中承担部分中介作用，若φ1与γ1显著而γ2不显著，则说明中介变量Mit在智慧城市的碳减排效应中承担完全中介作用。表3中回归结果表明，智慧城市政策可以通过增强绿色科技创新能力、促进产业结构高级化、提高经济集聚程度三条路径助力低碳经济发展。具体来看：表3中第（1）列为基准回归结果显示，智慧城市政策对碳强度的系数估计值为-1.598且在1%水平下显著，满足机制检验的前提要求；
第（2）―（7）列分别为三大中介机制检验结果。第（2）（4）（6）列回归结果展示了智慧城市试点政策对绿色科技创新水平、产业结构高级化、经济集聚程度的影响均在1%水平下显著为正，说明智慧城市政策对三大中介机制具有明显的正效应。第（3）（5）（7）列回归结果显示绿色科技创新水平、产业结构高极化和经济集聚程度对碳强度的影响分别在1%和10%的水平下显著为负，说明三大效应有效发挥降低碳强度的作用。同时，加入中介变量的智慧城市试点政策对碳强度影响系数的绝对值较基准回归有所降低，并且分别在1%和10%的水平下显著为负，进一步说明其在智慧城市助力低碳经济发展中承担部分中介作用。至此，假设 H2、H3、H4 得以证明。
六、异质性分析
不同的城市特征可能会导致各个城市对政策的反应不同，要实现智慧城市建设对低碳经济发展的促进效应，必须充分考虑各城市间政策效果的差异。鉴于此，本文进一步考察了智慧城市试点政策对城市低碳色经济发展影响作用的异质性。本文分别将地理位置（D1）、城市等级（D2）、人口规模（D3）、资源禀赋（D4）四个指标纳入基础回归中，建立模型（10）-模型（13）。
按照地理位置、城市等级、人口规模、资源禀赋，结合《中国中小城市发展报告（2010）：中国中小城市绿色发展之路》及《全国资源型城市可持续发展规划（2013-2020年）》，样本被划分为东部（D11）、中部（D12）和西部（D13）城市，I类城市（一线城市、新一线城市和二线城市，D21）、II类城市（三线城市、四线城市和五线城市，D22），超大、特大型城市（D31）、大城市、中等城市（D32）、小城市（D33）以及资源型城市（D41）和非资源型城市（D42）。将新生成的虚拟变量与DIDit的交互项带入模型再次回归，结果表明：中西部城市、I类城市、大中城市和资源型城市的政策效应更为明显。原因可能是，相比于东部城市，中西部地区是中国重要的制造业集群地，依靠智慧城市政策能够促进产业结构从以初级加工为主的资源密集型和劳动密集型产业向以深度加工为主的现代化、高附加值的技术密集型产业转变。并且国家对中西部地区的政策扶持力度持续加大，因为呈现出一定的后发优势。对于一般城市而言，智慧城市在建设的过程中可能面临高技能劳动力供给不足、环境治理技术落后、产业集聚水平低等诸多阻碍。而一线城市、新一线城市和二线城市在综合经济实力、辐射带动能力、对人才吸引力等各层面更具优势，政策的落实效果也较为理想。超大与特大类城市如北京、上海、广州等城市的要素利用效率、生产效率和产业结构均已到达较高水平，相比于大城市与中等城市，智慧城市政策的边际作用有限。非资源型城市的资源依赖度一直较低，而资源型城市的初始碳排放总量处于高值，实施智慧城市试点政策的边际效用更显著。
七、結论与政策建议
为推动城市智能低碳发展，中国政府自2012年以来，先后共支持了293个城市（区、县）开展智慧城市建设。准确评估智慧城市政策效应对新型城镇化建设和低碳经济发展具有重要的理论和实践意义。本文将智慧城市试点作为一项准自然实验，利用2006—2018年全国282个地级市面板数据，借助多期双重差分法和改良的中介效应模型检验了智慧城市试点政策促进碳减排的政策效果与传导机制。主要结论如下：
（1）智慧城市试点政策能够有效降低碳强度，该结论在一系列稳健性检验后依然成立。
（2）从动态效应上看，智慧城市政策的碳减排效应出现在试点后的第3年，说明该政策效应存在一定的时滞性。
（3）影响机制分析表明智慧城市试点政策可以通过提高绿色创新水平、优化产业结构和促进规模经济效应等路径降低碳强度。
（4）城市特质会影响智慧城市试点政策效果，智慧城市试点政策对碳强度的抑制作用呈现由东到西递增的地理空间差序格局、由高到低递减的城市等级差序格局，超大、特大型城市的抑制效果弱于大城市和中等城市，并且资源型城市的抑制效果大于非资源型城市。
根据上述研究结论，为了进一步推动城市智能低碳发展和实现双碳目标，我们提出如下政策建议：
1.加快推进智慧城市建设，助力城市低碳经济发展
本文研究结论为进一步在全国范围内实行智慧城市试点政策提供了参考依据。推进智慧城市试点建设的确有助于降低城市碳强度，要继续促进智慧城市与低碳经济深度融合，完善智慧城市试点的顶层设计，推动形成绿色低碳的生产方式和生活方式。继续深入发展5G、大数据、云计算等新技术，构建“城市大脑”，让城市更加美丽、更加宜居、更有智慧。
2.理顺工作机制和完善相关制度，稳步落实智慧城市试点政策
根据本文中介机制研究，智慧城市试点政策可以通过提高科技创新水平、优化产业结构，发挥规模经济效应等途径促进地区节能减排。科学技术是第一生产力，创新是引领发展的第一动力，应充分发挥科技创新的驱动作用，大力开展绿色技术创新，加大专项资金支持与研发投入、加快低碳技术突破；
产业结构是一个城市的框架和命脉，推动产业结构高级化，各城市应因地制宜地发展其优势产业，改造传统重工业，积极培育绿色产业，逐步形成以“高技术含量、高附加值、高市场占有率”为特征的现代化工业体系的框架；
利用智慧城市政策的规模经济效应，形成以城市群和都市圈为基础的要素聚集高地，推进生产要素的城市空间聚合，以经济集聚带动经济发展集约化。立足这三个中介机制，促进低碳经济发展，营造青山绿水美好适宜智慧城。
3. 关注地区异质性，因地制宜推进智慧城市建设
国家在制定相关政策是应当进行差异化管理，避免采取“一刀切”的强制性措施，应结合城市特质有侧重地推进智慧城市建设。对碳减排效果不理想的地区及时进行政策调整，将政策带来的福利辐射到国家各个地区。城市要抓住发展机遇，依靠自身优势科学合理决策，在智慧城市的发展中坚持政府主导，企业主体，民众参与，推进智慧城市绿色多元化发展。
说明：本文系国家社会科学基金一般项目“我国区域塌陷的多维测度、形成机制与治理模式研究”（21BJL057）的阶段性研究成果。
参考文献：
Albino V，Berardi U， Dangelico R M.Smart cities：Definitions，dimensions，performance，and initiatives[J].Journal of urban technology，2015，22（1）：3-21.
颜姜慧，刘金平.基于自组织系统的智慧城市评价体系框架构建[J].宏观经济研究，2018（1）：121-128.
王锋，吴丽华，杨超.中国经济发展中碳排放增长的驱动因素研究[J].经济研究，2010，45（2）：123-136.
王慧，孙慧，肖涵月，等.环境政策不确定性、双向FDI与低碳全要素生产率的关系[J].中国人口·资源与环境，2020，30（11）：75-86.
张治栋，赵必武.智慧城市建设对城市经济高质量发展的影响——基于双重差分法的实证分析[J].软科学，2021，35（11）：65-70+129.
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.
黄建，冯升波，牛彦涛.智慧城市对绿色低碳发展的促进作用研究[J].经济问题，2019（5）：122-12.
Nitoslawski，S.A.，Galle，N.J.，et al. Smarter ecosystems for smarter cities？ A review of trends， technologies and turning points for smart urban forestry[J].Sustainable Cities and Society.DOI：10.1016/j.scs.2019.101770.
王雅莉，侯林岐，朱金鹤.城市创新能否助力低碳经济发展——创新型城市试点政策对碳强度的影响评估及机制分析[J].科技进步与对策，2022，39（18）：39-49.
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.
武力超，李惟简，陈丽玲，等.智慧城市建设对绿色技术创新的影响——基于地级市面板数据的实证研究[J].技术经济，2022，41（4）：1-16.
李巍，郗永勤.创新驱动低碳发展了吗——基于异质和环境规制双重视角下的实证研究[J].科学学与科学技术管理，2017，38（5）：14-26.
程中华，刘军，李廉水.产业结构调整与技术进步对雾霾减排的影响效应研究[J].中国软科学，2019（1）：146-154.
Han F，Xie R，Fang J，et al.The effects of urban agglomeration economies on carbon emissions：Evidence from Chinese cities[J].Journal of Cleaner Production，2018（172）：1096-1110.
任晓松，刘宇佳，赵国浩.经济集聚对碳排放强度的影响及传导机制[J].中国人口·资源与环境，2020，30（4）：95-106.
王桂新，武俊奎.产业集聚、城市规模与碳排放[J].工业技术经济，2012，31（6）：68-80．
邵帅，张可，豆建民.经济集聚的节能减排效應：理论与中国经验[J].管理世界，2019，35（1）：36-60+226.
Baron R M，Kenny D A.The moderator－mediator variable distinction in social psychological research：
Conceptual，strategic，and statisti－cal considerations[J].Journal of personality and social psychology， 1986，51（6）：1173-1182.
Hayes A F.Introduction to mediation，moderation，and conditional process analysis：A regression-based approach[M].Guilford publications，2017.
Dippel C，Ferrara A，Heblich S.Causal mediation analysis in instrumental-variables regressions[J].The Stata Journal，2020，20（3）：613-626.
韩峰，谢锐.生产性服务业集聚降低碳排放了吗？——对我国地级及以上城市面板数据的空间计量分析[J].数量经济技术经济研究，2017，34（3）：40-58.
董直庆，王辉.环境规制的“本地—邻地”绿色技术进步效应[J].中国工业经济，2019（1）：100-118.
Zheng J，Shao X，Liu W，et al.The impact of the pilot program on industrial structure upgrading in low-carbon cities[J].Journal of Cleaner Production.DOI：10.1016/j.jclepro.2021.125868.
Yigitcanlar T，Kamruzzaman M.Does smart city policy lead to sustainability of cities？[J].Land use policy，2018（73）：49-58.
宋弘，孙雅洁，陈登科.政府空气污染治理效应评估——来自中国“低碳城市”建设的经验研究[J].管理世界，2019，35（6）：95-108+195.
The Impact Assessment of Smart City Pilot Policy on Urban Low-Carbon Economic Development：
Evidence from Chinese Prefecture-level Cities
Wang Jiating， Wang Xinyi
（Nankai University， Tianjin 300071， China）
Abstract：
Green low-carbon development is the fundamental path to achieving the goal of carbon peaking and carbon neutrality. Taking smart city pilot project as a quasi-natural experiment， using the panel data of 282 prefecture-level cities in China from 2006 to 2018， this study adopts the difference in-differences model and modified mediating effects model to empirically evaluate the influence of SCPP on urban LCE and its impact mechanism. Results display1， the SCPP has effectively improve urban LCE， and this finding remain valid after a series of robustness checks. 2，And the carbon reduction effect of SCPP appears in the third year after the pilot， indicating a time lag in the policy. 3， In addition， the mechanism test suggests that enhancing the innovation capacity of green technology， promoting the optimization and upgrading of industrial structure and improving the level of economic agglomeration development are three ways for SCPP to reduce the carbon emission intensity. 4， city characteristics influence the result of smart city pilot policy， overall， geographically speaking， which reduces more carbon emission in Eastern China than in Western China， on city level， which reduces more carbon emission in smaller cities than in bigger cities， and which reduces more carbon emission in resource-oriented cities than in non-resource-oriented cities.
Key words：
carbon emission intensity; smart city pilot; difference-in-differences; mediating effects model
責任编辑：许 丹
