一.
研究内容
目前，中国面临着如何在保证经济增长的前提下实现减排目标的困境。智能城市建设作为一种新型的城市发展模式，有可能成为解决这一问题的关键。本文使用多周期双重差分DID模型进行实证分析，旨在评估智能城市试点政策对碳生产率的影响。研究发现：(1)智能城市建设使城市碳生产率提高了。其中，东部和中部城市的促进作用显著，而西部城市具有抑制作用。(2) 智能城市建设对碳生产率的影响具有时滞效应.试点政策将在实施的第三年生效，并在第五年达到最大值。(3) 智能城市建设可以通过技术进步、产业结构升级和能源结构优化来提高城市碳生产率。
二.
模型构建
考虑到智能城市试点政策是在2012年至2014年实施的，本研究选择2007-2019年为样本区间，即政策实施前后的五年。经过初步筛选选取了230个地级城市作为研究样本，鉴于智能城市试点政策已分三批实施，采用多阶段DID模型进行评价。设置了如下计量经济回归模型：
三.
实证结果分析
（一）基准回归
在控制城市固定效应和时间固定效应后运用DID回归得到的结果如下表所示。其中，模型(1)是仅控制关键自变量的结果，模型(2)是控制所有变量的完整结果。
结果显示，did变量的估计系数在1%的水平上具有统计学意义。这表明智能城市试点政策确实提高了城市的碳生产率。在加上额外的控制变量，本文发现lnpop很有意义，说明人口规模的扩大可以提高碳生产力。虽然人口增长促进了碳排放，但也可能导致更快的经济增长。
（二）平行趋势检验
平行趋势检验是多周期DID模型的主要原则.也就是说，在实施智能城市试点政策之前，试点城市和非试点城市碳生产率的变化应该是相似的。本文进行的平行趋势检验如下结果所示：
结果表明，如果不启动智能城市试点，两组城市之间就没有明显的差异，自第一年以来，碳生产率一直稳步上升。无论如何，研究样本从第三年开始发生了很大的变化，在第五年达到最大值。可以证明，智能城市试点政策对碳生产率的影响在一定程度上有所滞后，而且随着时间的延长，这一促进效应将更加明显。
（三）鲁棒性试验
为了从研究结论中排除混杂因素的干扰，还需要进行鲁棒性检验。因此，本文研究了多个维度的估计结果，包括PSM-DID检验，控制混淆政策效果，以及安慰剂试验。
首先，本文借鉴了倾向分数匹配方法。根据配对结果，治疗组与对照组在配对后倾向得分值的概率密度基本相似，说明匹配效果较好，如Fig.3。最后，利用最近邻匹配估计方法对结果的可靠性进行了检验。
1.PSM-DID检验
结果如下表Table3所示，表明智能城市试点政策在使用PSM-DID方法后仍能显著提高碳生产率。此外，本文还利用半径匹配和核密度匹配方法对初始样本进行了重新检验。它被发现与最近邻匹配结果一致。因此，它支持本文的实证结论，并证明了智能城市试点政策对提高碳生产率的巨大影响。
2.控制干预政策的影响
为避免样本期间碳生产率受到其他政策的影响，导致基准估算结果出现偏差，本研究通过收集和梳理文件，确定了样本期内可能影响碳促进生产力的两项试点政策，即低碳城市试点政策和创新城市试点政策。因此，本文增加了两个二分变量：低碳城市试点、创新城市试点。得到的结果如下表Table3所示。
3.安慰剂试验
本研究从以下两个方面进行了“反事实”安慰剂测试：
（1）推进智慧城市试点政策的时机。
防止时间偏移导致两组样本城市之间的差异，本文在平行趋势检验的基础上，将智能城市试点政策的实施时间分别提前2-6年；得到的结果如下表Table4所示，did未通过显著性检验，从反事实的观点来看，它重申了智能城市试点政策提高了其实施城市的碳生产力。
（2）随机选择治疗组和对照组。
为避免不可观察的元素影响基准注册表研究结果，随机选取新城市作为处理法分组并进行安慰剂测试。具体而言，从样本中随机抽取99个城市作为虚拟治疗组，131个城市为虚构对照组。通过回归可以得到智能城市碳生产率试点政策的系数估计值。
经过1000次重复处理，得到1000次回归系数和p值.给出了这1000系数估计的核密度分布和p-值。估计系数主要集中在零点附近，服从正态分布。可以排除其他政策或随机性因素可能影响本研究的基准估计结果。
（四）机理检验
本文分别采用了两个阶段的两个步骤对机理进行检验。第一阶段以创新绩效为机制变量，验证了智能城市试点政策对技术进步、产业结构升级和能源结构优化的影响。第二阶段通过设置技术进步、产业结构升级和能源结构优化三个机制变量，验证了智能城市试点政策对碳生产率的影响。分别构建以下模型：
第一阶段的结果如下Table5所示，其中第(1)列用对创新绩效进行回归，表明智能城市试点政策促进了创新。列(2)-(4)给出了三个变量对创新绩效的回归结果，表明创新支持技术进步、产业结构升级和能源结构优化。
第二阶段的结果显示在Table6。对技术进步、产业结构升级和能源结构优化三个变量分别用相同的乘积差项进行回归。然后用这三个变量对碳生产率进行回归。实践证明，SCC通过技术进步、产业结构升级和能源结构优化来提高碳生产率。
四.
异质性分析
（一）城市地域异质性
本文的地域差异分析主要有两个角度：东中西部、南北方。
根据东部、中部和西部三个区域对样本城市进行异质性检验，而东北中国、辽宁、吉林和黑龙江三省则按统计目的将其划分为东部。结果如下Table7所示，研究表明，智能城市试点政策提高了东部和中部城市的碳生产率。改善效果在东部城市更为明显。相反，它对西部城市的碳生产力有显著的抑制作用。
由于城市的能源使用是时间上的和季节性的，气候条件可能导致不同城市生活方式的差异(例如夏季用电降温，冬季取暖等等)，从而对碳生产力造成不同的影响。以秦岭和淮河为界，将城市分为南北两部分，进行非均一性检验。根据第(4)-(5)列的回归结果，北方城市总体经济发展水平低于这一水平。
（二）城市类型异质性
本文根据人均国内生产总值进行进一步的异质性研究。本研究将城市类型划分为发达城市和欠发达城市。其中，人均GDP 4万元以上的地区为发达城市，4万元以下的为欠发达城市。回归结果显示在Table7第(6)栏的系数值高于第(7)栏的系数值，表明促进碳生产力的智能城市试点政策在发达城市更为显著。
（三）时间异质性
在地方政府被批准为智能城市试点后，相应的碳生产率提升效应可能会产生特定的影响。本文分别以“短期”和“长期”作为政策变量来衡量短期和长期政策效应。为检验短期政策效果，以试点城市批准后的第三年为切入点。对于策略实施的头两年，使用的值为1，而其他年份使用的值为0。同时，以第三年及以后的智能城市试点政策为1，前两年为0，检验其长期政策效果。研究表明，智能城市促进碳生产率的试点政策存在一定的滞后性。政策效应主要体现在长期。
此外，还引入了8个时间二分变量来检验智能城市试点政策的滞后效应。自2014年以来，自变量的系数估计数一直是正数，具有统计学意义。这反映了智能城市试点政策的影响是从第一批试点政策出台后的第三年开始实施的。
来源：实证计量圈
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
