张 节 ,李千惠

(1.中国地质大学(武汉) 公共管理学院，湖北 武汉 430074； 2.四川大学 公共管理学院，四川 成都 610000)

0 引言

经济的指数级增长和资源的限制级发展，促使各国纷纷借助科技实现从要素驱动向创新驱动转变，科技创新成为国家和地区在新技术革命浪潮下破解经济难题、占据发展先机的重要手段。党的十八大以来，我国将科技创新上升至国家战略高度，明确提出加大科技研发投入力度，提高科学研究水平和成果转化能力。2019年我国R&D经费投入总量为21 737亿元，同比增长10.5%[1]。城市作为科技创新活动的主阵地，凭借资源流动便捷、生产要素聚集、孵化主体多元等优势，已成为助推科技创新能力实现新飞跃的核心引擎。城市通过科技创新更新政府治理理念，加速系统和服务集成，提升资源利用效率，改善公众生活品质，驱动以创新、智能为特色的智慧城市逐步形成[2]。自2012年我国开展智慧城市试点工作以来，已有700多个城市正在规划和建设智慧城市[3]。在此背景下，探究智慧城市建设对城市科技创新的政策影响,有利于科技创新与新型城镇化协同发展。

1 文献回顾

从既有文献看，近年来，研究者多从理论层面探讨智慧城市建设对科技创新的影响。如楚金华等[4]认为，通过加大新基建的研发投入，能够促进人才、资金、技术等要素集中，从而产生知识与技术外溢效应，提高城市创新活动发生频率；付平等[5]认为，通过打造高标数字政府、创新政府服务理念，能够推动信息共享和知识扩散，从而促进新技术产生；刘巧等[6]认为，通过鼓励技术密集、知识密集型高新技术产业发展，可以刺激传统产业技术创新，从而提高产品质量和竞争力。同时，也有部分研究者以量化方法评价智慧城市建设对科技创新的影响，如李霞等[7]、杨雪峰等[8]采用核密度估计、双重差分等方法，分析智慧城市政策作用于城市科技创新能力的内在机理。但是，其在构建城市科技创新能力评价指标时，仅从创新产出角度将专利授权量作为唯一衡量指标，因此在评估政策效应时容易产生偏差。

目前关于城市科技创新能力评价的研究已经取得了一定进展，学者们主要采用DAE、AHP、PCA等分析方法，从竞争力、效率、可持续性等角度，以省、城市群、创新示范区等作为研究对象，构建差异化评价指标体系。如陶雪飞等[9]从技术、知识、主体、政府管理和服务5个方面构建支撑体系，对不同城市科技创新能力进行测度；关成华等[10]、唐炎钊[11]从资源、环境、服务、绩效等角度构建评价体系，考察城市可持续创新能力；李鸿禧等[12]、朱鹏颐等[13]从投入—产出角度对城市科技创新效率及动态性进行分析。尽管现有研究角度不尽相同，但均涉及科技创新投入、科技创新载体和科技创新产出相关内容。

基于上述研究成果，本文重点考量评价指标的全面性和代表性，将科技创新投入、科技创新载体和科技创新产出共同纳入智慧城市科技创新能力评价体系，采用双重差分法实证检验智慧城市建设对科技创新能力的政策影响，以期为智慧城市建设中科创能力的提升提供政策性建议。

2 理论分析与研究假设

智慧城市借力5G、大数据等新技术并将其渗透到政治生活、社会生活和经济生活的方方面面，大大提升了城市创新能力和运营效率。具体而言，智慧城市建设对科技创新能力提升主要体现在3个方面。

首先是科技创新投入。内生增长理论指出，生产要素在经济增长中具有决定性作用，而人力、资本则是其中的关键[14]。因此，实现科技创新驱动经济高质量发展，必须积极引进科技人才、扩大专项资金投入，培育内生增长动力。智慧城市作为城镇化发展的高级阶段，是生产要素汇聚的天然容器[15]，能为科技创新提供动力源泉，助力新基建，助推区域经济高质量发展。由于智慧城市还处于建设初期，市场机制不够健全，创新资源配置效率相对低下，因此政府需要扮演“舵手”角色[16]，积极营造有利于科技创新的制度环境和生态系统，释放科技创新潜能，激发科技创新活力，为科技成果转化提供配套政策和环境支持[17]。从试点城市建设现状看，各级政府按照强化科技基础、整合社会资源思路[18]，通过加大财政投入、完善要素配套、给予优惠待遇等多种方式，实现高端人才、优质资本和先进技术聚集[19]，为科技创新驱动城市发展模式提供资源活水。基于此，本文提出以下假设：

H1：智慧城市建设能够加大科技创新投入力度，吸引要素聚集。

其次是科技创新载体。科技创新机构作为国家创新体系的重要载体和结构支撑[20]，承载着科技成果孵化转化等重要工作，对于地区汇聚双创“智慧因子”、加速科技创新要素流动、提升地区产业创新能力等具有举足轻重的作用。因此，在智慧城市建设中，若要整体提升区域科技创新能力，就要持续加大对创新载体的培育力度，为创新活动提供平台支撑[21]。从试点城市建设现状看，各级政府积极引进高水平科研团队，统筹高新园区、产业基地、科技孵化器和众创空间等多种资源[21]，打造一体化科技创新平台，营造良好的科技创新生态。基于此，本文提出以下假设：

H2：智慧城市建设能够扩大科技创新载体规模，营造良好的创新生态。

最后是科技创新产出。熊彼特的创新理论指出，创新是创新主体在一定范围内通过生产要素重新组合，尽可能使收益最大化的生产过程[22]。因此，成果产出是创新能力建设的主要目标。从试点城市建设现状看,各级政府都将科技创新产出与政府绩效挂钩[23]，大力发展新兴产业园区和众创空间集聚区，培育低能耗、高附加值的高新技术产业，提高科技创新成果利用效率[24]。基于此，本文提出以下假设：

H3：智慧城市建设能够扩大科技创新产出规模，提高成果利用效率。

增长极理论指出，城市创新在地理空间上呈现核心—边缘结构特征[25]。不同区域、级别、类型的智慧城市，由于内部资源整合与外部环境建设存在不同，会造成创新能力上的差异。对于地缘经济带来的区域创新不均衡问题，学者们分别从经济发展水平、地理区位、人才密度和基础设施等方面进行了分析。经济基础雄厚的地区创新意识强，政府、科研机构、企业和科研服务机构等创新主体能够齐心协力助推科技创新成果落地[26]；区域开放程度高的地区，能借助外商投资优势，加速城市创新资源与资本对接，刺激科技创新[27]；人力资本比较密集的地区，能为区域科技创新竞争力提升提供智力支持，并通过公众素质提高进一步强化城市科技创新扩散效力[28]；基础设施建设水平高的地区，能通过布局新基建，实现数字转型、智能升级与融合创新，驱动新业态产生[29]。 因此，处于创新中心的城市，凭借人力资本、研发资金、金融服务、新基建等方面的良好基础，为科技创新资源聚集提供条件，并对科技创新成果向产业链转化给予支持，与智慧城市政策形成有效对接。基于此，本文提出以下假设：

H4：智慧城市建设对城市科技创新能力的影响具有区域异质性。

3 变量选取与模型设定

3.1 变量选取

(1)科技创新投入指数。内生增长理论认为，人力资本投资和公共投资会影响创新能力，可通过促进技术进步从而推动经济增长。本文在借鉴亿欧智库《2019中国科技创新城市报告》以及陶雪飞等[9]成果的基础上，采用普通高等院校专任教师人数加上从事信息传输、计算机服务、软件业与科研综合技术服务业人数得到科技创新人才投入总量；用政府科技类公共支出总数作为科技创新资本投入总量[22]。为降低主观因素的干扰，本文采用极差标准化方式，对普通高等院校专任教师人数、从事信息传输、计算机服务、软件业、科研综合技术服务业人数及科技创新资本投入总量进行无量纲化处理，并在此基础上采用熵权法计算3类指标的信息熵与权重，再将指标权重和经极差法处理后的无量纲化指标值进行加权，最终得到科技创新投入综合指数。

(2)科技创新载体指数。科技创新研究机构作为创新要素聚集的主要平台，是城市科技创新能力建设的载体，可分为科研载体和创新载体。本文参考顾伟男等[30]的做法，用普通高等学校数量衡量科研载体；创新载体一般通过国家级科技企业孵化器和众创空间数量反映，但由于这两类数据在地级市层面并不完整，因此参考国家《高新技术产业统计分类目录》，用从事信息传输、软件信息服务、科学研究和服务业法人组织数量替代。采用极差标准化方式对科研载体和创新载体两类正向指标进行无量纲化处理，然后根据熵权法计算各指标的信息熵与权重，最后进行加权求和得到科技创新载体综合指数。

(3)科技创新产出指数。科技创新产出是城市科技创新能力的外在表现，主要包括科技研发成果数量以及科技成果向现实生产力转化的能力。本文参考顾伟男等[30]的做法，分别用专利授权数量和新增高新技术企业数量衡量科技产出总量和成果转化能力。采用极差标准化方式对两类科技创新产出正向指标进行无量纲化处理，然后根据熵权法计算各指标的信息熵与权重，最后进行加权求和得到科技创新产出综合指数。

3.2 模型设定

本文以我国2012年智慧城市政策试点作为一次准自然实验，运用经典政策评价模型——双重差分模型，在排除共同变化趋势后，对住房城乡建设部公布的首批国家智慧城市试点中的37个地级市[31]与175个非试点地级市政策实施前后差异进行量化分析。具体操作为：①设置智慧城市虚拟变量treat，试点城市为1，非试点城市为0；②设置政策时间虚拟变量，以2012年为界限，2012年及之后为1，2012年之前为0。根据两个虚拟变量的交互项系数估算政策实施带来的净效益，参考石大千[32]的研究，对样本作如下处理：将仅有某个县、区、镇列入试点的地级市及数据缺失严重的地级市排除在外，以保证结果的客观性；将2013、2015年设立的第二、三批试点地级市在基准回归中剔除，以检验模型的稳健性。参照Bertrand等[33]的研究，设定静态OLS基准模型。

STIit=λ0+λ1*treatit+λ2*timeit+λ3*treatit*timeit+λ4*Controlit+η+ν+εit

(1)

其中，i、t分别代表城市与时间；STI代表城市科技创新能力水平，主要包括科技创新投入指数(input)、科技创新载体指数(institution)和科技创新产出指数(output)；control代表一系列影响城市科技创新能力的外生环境因素。为了排除遗漏相关变量带来的内生性问题，本文对影响城市科技创新能力的控制变量作如下处理：选取外商直接投资占GDP比重代表该地区域开放环境，选取互联网宽带接入用户总数的对数与公共图书馆人均藏书量的对数代表基础设施环境，选取教育支出占地方财政支出比重代表教育环境，选取人均地区生产总值的对数与年末金融机构各项贷款余额的对数代表经济环境，选取第三产业占GDP比重代表产业环境。η表示城市固定效应，v表示年份固定效应，ε是随机扰动项。具体变量说明见表1。

3.3 数据采集与描述性统计分析

本文采用的2008—2018年212个地级市的2 332个样本数据均来自官方数据库，数据来源可靠。其中，被解释变量中的专利授权量根据《中国知识产权年鉴》整理得到，新增高新技术企业数量根据科学技术部高新技术企业认定管理工作网公示文件整理得到，科技创新载体中从事信息传输、软件信息服务、科学研究和服务业的法人组织数量根据各省市年鉴整理得到，其余数据来自《中国城市统计年鉴》。对于少量缺失数据，采用年平均增长率的方法将其补齐[34]。主要变量描述性统计结果如表2所示。

4 实证检验

4.1 基准回归分析

采用Hausman检验对静态面板模型进行筛选，结果显示，P值为0.059 7，显著小于0.1拒绝原假设，因此采用固定效应模型进行回归，结果如表3所示。根据列(1)、(2)、(3)的变量did系数及P值可知，智慧城市建设对城市科技创新能力具有显著正向影响，且科技创新投入、科技创新产出和科技创新载体3个维度的政策影响力呈递减趋势。结合控制变量的回归结果，在科技创新投入上，试点地区在政策实施后出台了配套的人才引进、专项资金等扶持政策，为智慧城市政策推行提供了人力和财力保障，并在政策实施过程中通过完善基础设施建设、优化金融环境、提高教育水平、调整产业结构，为城市科技创新营造了良好的外部发展环境。在科技创新载体上，由于高等院校、科研机构新建周期较长，因此对于科技创新基础较好的城市(如武汉、西安等)，政策效果更显著，而对于大多数试点城市，短期内则难见显著成效。此外，根据控制变量P值可知，智慧城市试点地区的外部发展环境，目前还不能为当地科研载体发展提供动力。在科技创新产出上，试点地区通过改善融资环境、提高基础设施水平和公众受教育水平，加速了产业转型升级、高新技术企业落地及科技成果转化。

表1 变量说明

表2 主要变量描述性统计结果

表3 智慧城市建设对城市科技创新能力影响的基准回归结果

4.2 稳健性检验

4.2.1 共同趋势检验

双重差分法的隐含假设是实验组和控制组在政策实施前存在共同趋势，因此本文参照Lu等[35]的做法，将分组虚拟变量treat与2012年及以前的时间虚拟变量year相乘，得到交互项before4、before3、before2、before1、current，并将其置于基准模型中。若交互项系数显著，则说明实验组与控制组的科技创新能力差异显著，反之则说明两类样本具有共同趋势，可采用双重差分模型进行分析。回归结果如表4所示，交互项系数显示，政策实施前4年的数据均未通过显著性检验，因此实验组与控制组存在共同趋势。

4.2.2 PSM-DID检验

在共同趋势检验的基础上，为了降低非随机选择造成的误差问题，本文采用倾向得分匹配法找出控制组中与实验组相匹配的样本，减少实验组与控制组在科技创新环境上存在的系统差异。具体而言，将智慧城市虚拟变量与控制变量进行回归，计算各控制变量倾向得分值，并据此进行样本匹配，结果如表5所示。差分结果显示，匹配后偏差小于10%，能够平衡实验组与控制组之间的差异，因此可根据匹配结果进行did分析，结果如表6所示。结果显示，虚拟变量did通过了显著性水平检验，进一步支撑了前文研究结论。

表4 共同趋势检验结果

表5 倾向得分匹配前后各变量平衡性检验结果

表6 PSM-DID回归检验结果

4.2.3 改变实验组

为了进一步验证结论的稳健性，本文将2015年纳入第三批试点的城市作为样本代入基准模型，若解释变量did的回归系数显著，则表明智慧城市政策效应具有稳健性，具体回归结果如表7所示。结果显示，虚拟变量did的系数通过了显著性水平检验，与前文研究结论相符，由此可判断智慧城市政策能够对城市科技创新能力产生积极促进作用，说明研究具有稳健性。

4.3 异质性分析

为了检验智慧城市在政策效应上的区域差异，本文按照《2020年城市商业魅力排行榜》的城市分级矩阵，将城市划分为一线城市、新一线城市、二线城市、三线城市、四线城市和五线城市。由于一线城市和新一线城市均为试点城市，无法进行did回归分析，因此剔除，仅对二线、三线、四线和五线城市进行分样本回归，计算不同层级智慧城市的科技创新效应，结果如表8所示。根据虚拟变量did在科技创新投入和科技创新产出上的回归系数可知，智慧城市政策对各级试点城市在科技创新投入和科技创新产出方面的效果都很显著，尤其是二、三线城市凭借良好的科技创新基础和外部发展环境，使科技资源配置效率得以提升；而四、五线城市虽然科技创新投入力度不断加大，但受困于相对薄弱的科技创新基础，科技创新产出仍不尽如人意。此外，所有试点城市在科技创新载体上的政策效果并不显著，短期内也难以有所突破，这一结果与基准回归结果一致。

表7 2015年样本回归检验结果

5 结论与启示

5.1 研究结论

有别于既往研究仅从理论层面探讨智慧城市建设中，研发费用增加、服务理念创新和传统产业技术革新等如何影响科技创新能力，本文基于2008—2018年中国212个地级市的样本数据，采用双重差分法，从创新投入、创新载体和创新产出3个维度实证检验了智慧城市建设对城市科技创新能力的政策影响效应，并通过稳健性分析增强了结论的可信度。结果表明，一方面，智慧城市政策对试点地区科技创新能力提升具有促进作用，这一结论与以往关于城镇化对科技创新影响的研究结果一致。本文在前人研究基础上，将创新投入、创新载体和创新产出的发展差异置于公共政策评价框架内，研究发现，智慧城市建设对科技创新资源投放、科技创新成果落地转化以及科技创新载体建设方面的政策影响呈现渐递减趋势，这一发现为未来智慧城市侧重多元化载体建设提供了依据。另一方面，智慧城市政策对城市科技创新能力的影响具有区域异质性，对于发展基础较好的二、三线城市，政策效应尤为突出。与以往从区位特征或经济发展程度等单一角度对科技创新空间异质性进行研究不同，本文根据城市综合实力，将其划分为一线城市、新一线城市、二线城市、三线城市、四线城市和五线城市，针对性地比较了不同发展水平城市在政策效应上的差异，进一步丰富了该领域研究。

表8 智慧城市建设的区域异质性分析结果

5.2 政策启示

基于以上结论，本文提出智慧城市建设应从优化科技创新投入结构、共建协同创新平台、完善成果转化机制和创新空间布局等多个维度，协力打造科技创新生态，整体提升科技创新实力。

(1)培育创新型人才，拓宽投融资渠道。智慧城市对创新人才和建设资金需求极为庞大，破解人才和资金难题是当务之急。人才作为发展的第一资源，直接决定着智慧城市建设水平。通过高层次人才集聚计划，引进和培育创新型人才，实现人力资源供给与建设需求精准匹配，把第一资源打造为优势资源是智慧城市建设的第一要务。智慧城市进入快速发展期后，建设体量逐渐变大，有限的政府财政投入难以满足建设需要，因此必须打破瓶颈制约，引导社会资本通过独资、合资、合作、联营、租赁等途径，采取特许经营、公建民营、民办公助等方式，参与智慧城市项目投资、建设和运营管理。

(2)打破行政区划边界，共建协同创新平台。智慧城市作为一种新理念、新模式，要打破区域壁垒，实现一体化发展。高校、研究机构等科技创新载体想要突破短期发展瓶颈，实现长远均衡发展，就需要构建协同创新平台，优化资源配置的空间布局，实现创新要素集成与共享。同时，借助平台，加快高新技术企业孵化，自主培育和联合开发多样化创新团队并将其作为科技创新载体的有力补充。

(3)坚持市场化导向，完善成果转化机制。智慧城市建设践行市场化导向，立足于公众实际需求，通过创新成果的实际应用价值和公众满意度衡量建设成效。建设过程中应紧扣产业发展趋势，形成基础研究与应用研究的创新合力。围绕国家重点领域进行高价值专利培育，并借助这些高价值专利，加快资源集聚与创新成果转化，优化产品结构，打造产业智慧供应链体系，增强经济发展的内生动力和活力。

(4)优化创新空间布局，构建区域创新网络。智慧城市建设要统筹推进总体布局，发展较好的试点城市应发挥辐射引领作用，带动以科技创新为核心功能的城市群建设，加速人才、资金、信息、技术等要素流动，推动科技成果快速转移转化，充分释放核心城市与各节点城市的比较优势，共同打造知识创新、知识转化与知识交流相融合的创新飞地。

5.3 不足与展望

本文为通过智慧城市建设提升科技创新能力提供了有益启示，但仍然存在一些不足。如一线城市和新一线城市均为智慧城市试点，受研究方法限制，无法进行did回归分析，仅对二线、三线、四线和五线城市进行分样本回归，以检验智慧城市建设在科技创新效应上的区域差异。此外，部分地级市某些年份少量数据存在缺失，研究中采用年平均增长率方法将其补齐，因此在评价精准度上有一定瑕疵。未来还需提高数据挖掘能力，综合运用多种研究方法，对研究结论进行全方位验证。