引言

21世纪以来，以物联网、云计算、大数据、人工智能为代表的新一代信息技术的蓬勃发展，正在深刻重塑全球城市治理范式。从＂数字城市＂迈向＂智慧城市＂，不仅意味着基础设施的智能化升级，更代表着资源配置方式、公共服务模式与产业组织形态的系统性变革。然而，长期以来，中国城市发展在很大程度上依赖要素高投入与高能耗的粗放增长模式，资源环境约束日益趋紧。碳达峰、碳中和目标的提出，进一步对城市发展提出了绿色、高效、可持续的新要求。在此背景下，一个关键问题浮出水面：智慧城市建设是否能够有效提升城市绿色生产率？如果能够，其背后的作用机制是什么？不同区域之间是否存在差异？对这些问题的回答，既有助于检验智慧城市政策的实际效果，也能为＂双碳＂目标下的城市转型路径提供理论依据与经验支撑。

绿色全要素生产率（Green Total Factor Productivity，GTFP）是在传统生产率基础上，综合考虑资源消耗与环境污染约束后形成的效率指标，能够较为全面地反映经济增长的＂含绿量＂。已有研究多采用数据包络分析（DEA）或随机前沿分析（SFA）测度GTFP，但单阶段模型往往难以剔除外部环境因素和随机误差对效率估计的干扰。三阶段DEA模型通过在第一阶段估计初始效率、第二阶段利用SFA回归剥离环境变量与随机噪声、第三阶段重新测算纯净效率，能够显著提高绿色生产率测度的准确性。然而，仅有精准的测度并不足以识别智慧城市建设的真实效应。尤其是在多维异质因素交织、高维混杂变量大量存在的现实背景下，传统的双重差分（DID）或固定效应方法的识别能力面临挑战。双重机器学习（Double／Debiased Machine Learning，DML）方法利用交叉拟合与正则化技术，可在高维控制条件下保持参数估计的一致性与渐近正态性，为因果推断提供了新的可能。

基于上述考虑，本文尝试将三阶段DEA与DML方法相结合，系统考察智慧城市建设对城市绿色生产率的影响。与既有研究相比，本文的边际贡献主要体现在三个方面：第一，在测度方法上，采用三阶段DEA模型测算GTFP，通过剥离环境因素和随机误差，使被解释变量更准确地反映城市真实的绿色管理效率；第二，在识别策略上，引入DML方法，利用机器学习算法处理高维控制变量与潜在非线性关系，并通过交叉拟合降低正则偏误，从而更稳健地识别智慧城市建设的因果效应；第三，在机制分析上，

从科技投入、互联网普及率和产业结构升级三个维度展开检验，揭示了智慧城市建设影响绿色生产率的多元路径。

一、文献综述与理论机制

智慧城市这一概念自2008年IBM提出＂智慧地球＂理念后迅速成为全球城市发展的关键方向。国外学者较早开展了系统性研究。Albino等对智慧城市的定义、维度与绩效指标进行了系统梳理，指出其核心在于借助信息技术提升城市运行效率。Caragliu和Del Bo发现智慧城市政策能够通过知识溢出与网络效应推动城市创新。在环境效应方面， Bibri和Krogstie 明确指出智慧城市可通过优化资源配置降低环境负荷；Chu等 的实证研究显示智慧城市建设使城市污染物浓度显著降低。国内研究方面，石大千等较早利用双重差分方法发现智慧城市试点降低了城市环境污染程度；杜建国等指出智慧城市能够通过提高绿色创新能力、优化产业结构推动城市绿色发展。总体而言，现有文献大多认同智慧城市建设在环境改善、创新提升与资源配置优化方面具有积极影响，但对绿色生产率直接识别的系统研究仍相对不足。

绿色全要素生产率的测算经历了从传统效率分析向纳入环境约束、多阶段修正不断演进的过程。Chung等提出的方向性距离函数（DDF）为在同一框架内同时处理期望产出扩张与非期望产出收缩奠定了基础。Tone 提出的基于松弛变量的SBM模型克服了传统径向DEA模型对投入余与产出不足刻画不充分的缺陷。Fried等提出的三阶段DEA方法则通过随机前沿分析（SFA）剔除外部环境因素与随机误差对效率值的干扰，使调整后的效率值能够更准确地反映决策单元的真实管理效率。近年来，三阶段DEA方法在绿色生产率研究中得到广泛应用。这些研究表明，三阶段DEA方法具备较强的适用性与稳健性，为本文测算城市绿色生产率提供了方法支撑。

在智慧城市政策评估领域，双重差分法（DID）及其拓展形式长期是识别政策效应的主流工具。Jiang等将中国智慧城市试点视为准自然实验，运用渐进DID方法评估了智慧城市建设对GTFP的作用，发现试点使GTFP显著提高。然而，传统DID方法对函数形式设定较为敏感，且在高维控制变量和非线性关系存在时可能产生偏误。 Chernozhukov等提出的双重机器学习方法，通过借助机器学习估计干扰项并采用样本分割与交叉拟合技术降低正则偏误，能够有效缓解传统因果推断模型对函数形式设定的依赖。近年来，DML方法在数字化与绿色发展议题中快速推广，为本文运用DML方法识别智慧城市建设对绿色生产率的因果影响提供了重要方法参考。

智慧城市建设对城市绿色生产率的影响可从直接效应与间接效应两个维度加以理解。从直接效应来看，智慧城市依托大数据、云计算、物联网等技术，能够提高城市运行信息的采集、传输与处理效率，降低信息不对称与资源错配，优化生产要素的配置效率。同时，智慧交通、智慧能源等系统的建设，通过实时监测与动态调度，有助于提高能源利用效率，减少污染排放。因此，本文提出假设H1：智慧城市建设能够提高城市绿色生产率。

从间接效应来看，智慧城市建设可能通过三条主要路径发挥作用。第一，科技投入路径。智慧城市建设通常伴随数字基础设施建设与创新应用推广，需要增加科技领域的资源投入，促进绿色技术研发与节能减排技术应用，从而提升绿色生产率。由此提出假设H2：智慧城市建设通过增加科技投入提升绿色生产率。第二，互联网普及路径。智慧城市建设能够显著提高城市互联网普及率，有助于缓解信息不对称、降低交易成本、加快绿色技术扩散，从而为绿色生产率提升创造有利条件。由此提出假设H3：智慧城市建设通过提升互联网普及率提升绿色生产率。第三，产业结构升级路径。智慧城市建设推动数字技术与传统产业深度融合，促进产业结构由资源消耗型向技术密集型转变，有助于降低高能耗、高污染产业比重，改善资源配置效率与环境绩效。由此提出假设H4：智慧城市建设通过产业结构升级提升绿色生产率。

二、研究设计

（一）样本选择与数据来源

本文以中国地级及以上城市为研究对象，样本期间为2007-2022年。原始数据来源于《中国城市统计年鉴》、《中国环境统计年鉴》以及各省市统计公报。智慧城市试点政策名单依据住房和城乡建设部公布的三批试点城市文件整理得到。经过对核心变量存在缺失的样本进行剔除，最终获得4511 个有效样本，覆盖全国283 个城市。

（二）变量定义

被解释变量为绿色生产率（GTFP），采用三阶段DEA模型测算。核心解释变量为智慧城市政策虚拟变量（Smart city），若城市在某年被确定为智慧城市试点，则该年及以后年份取值为1 ，否则为0 。控制变量包括：教育投入、城市化水平、固定资产投资、居民消费、政府干预、失业水平、金融规模、人力资本、交通运输水平等，并引入二次项以捕捉非线性影响。机制变量包括：科技投入（Sci）、互联网普及率（Inter）、产业结构（Constru)，第三产业增加值与第二产业增加值之比）。

（三）三阶段DEA模型设定

投入变量选取劳动力和能源，期望产出为实际地区生产总值，非期望产出选取工业二氧化硫排放量和工业废水排放量。选取资金投入和外商投资作为环境变量。

第一阶段：采用包含非期望产出的SBM模型测算初始效率。对于第 个决策单元，效率值 由下式给出：

第二阶段：利用SFA回归剔除环境因素和随机误差，对投入松弛变量进行回归，并调整原始投入。

第三阶段：将调整后的投入数据代入SBM模型重新测算效率值，得到剔除环境因素和随机误差后的绿色生产率。

（四）双重机器学习模型构建

本文采用双重机器学习方法评估智慧城市试点政策对绿色生产率的因果效应。构建部分线性模型如下：

其中 为GTFP， 为Smartcity， 为处置效应系数， 为高维控制变量集合。为消除正则偏误，引入辅助回归 。具体操作分三步：首先估计 并计算残差 ；然后估计 ；最后将 作为 的工具变量进行回归，得到无偏的系数估计量。本文选取随机森林作为基准学习器，并在稳健性检验中更换多种算法。

三、实证结果分析

（一）基准回归结果

基准回归结果如表1所示。列（1）仅纳入控制变量一次项、时间和城市固定效应， Smartcity的估计系数为0.0655 ，在 水平上显著。列（2）进一步加入控制变量二次项，估计系数为0.0666 ，同样在 水平上显著。这表明智慧城市建设能够显著提升城市绿色生产率，验证了假设H1。从经济意义上看，智慧城市建设能够带来约6.6 个百分点的GTFP提升。

变量	（1）GTFP	（2）GTFP
Smartcity	0．0655***（0．0065）	0．0666***（0．0065）
控制变量一次项	是	是
控制变量二次项	否	是
时间固定效应	是	是
城市固定效应	是	是
样本量	4511	4511

注：***表示在 水平上显著，括号内为标准误。下同。

（二）作用机制检验

以科技投入（Sci）、互联网普及率（Inter）和产业结构（Constru）作为被解释变量进行回归，结果如表2所示。Smartcity对Sci的回归系数为0.0081 ，对Inter的回归系数为0.2786 ，对Constru的回归系数为0.6606 ，均在 水平上显著。这说明智慧城市建设能够显著提高城市科技投入水平、提升互联网普及率以及推动产业结构升级，从而促进绿色生产率提升。假设 得到实证支持。

变量	Sci	Inter	Constru
Smartcity
控制变量	是	是	是
固定效应	是	是	是
样本量	4511	4511	4511

（三）稳健性检验

为验证基准结论的可靠性，本文从多个维度进行了稳健性检验。首先，更换估计算法，分别采用SVR、Gradient Boosting、XGBoost、LightGBM和MLP作为第一阶段的预测模型，Smartcity的估计系数均在 水平上显著，范围在0.0512 至0.0954之间。其次，将双重机器学习交叉拟合的折数分别设为3 折和5 折，估计系数分别为0.0770 和0.0716 ，均显著。再次，对主要连续变量进行 和 的双侧缩尾处理后重新回归，估计系数分别为0.0656 和0.0643 ，均保持显著。最后，采用工具变量法缓解内生性，Smartcity的估计系数为0.0717 ，显著为正。以上稳健性检验均表明本文核心结论具有较强的可靠性。

（四）区域异质性分析

考虑到中国东、中、西部地区在经济发展水平等方面存在较大差异，本文进行分组回归，结果如表3所示。东部地区Smartcity的估计系数为0.0694 ，中部地区为0.0736 ，西部地区为0.0580 ，均在 水平上显著。这表明智慧城市建设对绿色生产率的促进作用在全国范围内普遍存在，但效应强度存在区域差异：中部地区最强，东部次之，西部略低。可能原因在于中部地区处于产业结构转型和新型城镇化加速推进阶段，政策效应更容易转化为绿色生产率提升；东部地区本身绿色发展水平较高，边际提升空间有限；西部地区受制于经济基础等因素，政策效应的短期约束较大。

变量	东部	中部	西部
Smartcity
控制变量	是	是	是
固定效应	是	是	是
样本量	1168	1007	992

五、结论与政策启示

（一）主要结论

本文基于2007-2022年中国282 个地级及以上城市的面板数据，采用三阶段DEA模型测算城市绿色全要素生产率，并运用双重机器学习方法识别智慧城市建设的因果效应及其作用机制，得到以下主要结论：

第一，智慧城市建设能够显著提升城市绿色生产率。基准回归结果显示，智慧城市政策的处理效应系数约为0.066 ，且在 水平上显著，表明智慧城市建设能够使城市绿色生产率平均提升约6.6 个百分点。该结论经过多种稳健性检验后依然成立。

第二，智慧城市建设通过三条路径间接促进绿色生产率提升：增加科技投入、提升互联网普及率以及推动产业结构升级。这三条路径共同构成了智慧城市建设赋能城市绿色转型的重要传导机制。

第三，智慧城市建设的绿色生产率提升效应存在显著的区域异质性，中部地区效应最强，东部次之，西部略低。

（二）政策启示

第一，应继续深入推进智慧城市建设，将其作为实现＂双碳＂目标和推动高质量发展的重要抓手。建议在现有试点基础上，逐步扩大政策覆盖范围，并加强对政策实施过程的动态评估与优化。

第二，在智慧城市建设过程中，应更加注重科技投入、互联网基础设施建设和产业结构优化升级的协同推进。应增加财政对绿色技术研发的专项支持，加快新型基础设施建设，推动传统产业向高附加值、低能耗方向转型。

第三，智慧城市建设应因地制宜，制定差异化的推进策略。对于中部地区，可继续加大政策支持力度；对于东部地区，应更加注重绿色技术的深度应用与创新引领；对于西部地区，则需在加强数字基础设施建设的同时，注重人才培养与产业配套，逐步释放智慧城市建设的绿色潜力。

（三）研究局限与未来方向

本文虽取得了一定的研究结论，但仍存在若干不足。首先，受数据可得性限制，样本范围仅涵盖地级及以上城市，未能纳入县级市或更高频率的数据。未来研究可进一步拓展数据维度。其次，本文识别了三条作用机制，但智慧城市建设影响绿色生产率的渠道可能更加丰富，例如绿色创新效率、能源利用结构等方面仍有待深入探究。此外，政策效应在不同城市特征下的异质性来源也是未来研究的重要方向。

参考文献：

1. [1] Albino V, Berardi U, Dangelico R M. Smart cities: Definitions, dimensions, performance, and initiatives[J]. Journal of urban technology,2015,22(01):3-21.
2. [2] Caragliu A, Del Bo C F. Smart innovative cities: The impact of smart city policies onurban innovation[J]. Technological forecasting and social change,2019,142:373-383.
3. [3] Bibri S E, Krogstie J. Smart sustainable cities of the future: An extensive interdis ciplinary literature review[J]. Sustainable cities and society,2017,31:183-212.
4. [4] Chu Z, Cheng M W, Yu N N. A smart city is a less polluted city[J]. Technological forecasting and social change,2021,172:121037.
5. [5] 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(06):117-135.
6. [6] 杜建国, 王卫,赵爱武. 智慧城市建设对城市绿色发展的影响及作用机制研究[J].软科学,2020,34(09):59-64.
7. [7] Chung Y H, F¨are R, Grosskopf S. Productivity and undesirable outputs: A directionaldistance function approach[J]. Journal of environmental management,1997,51(03):229-240.
8. [8] Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European journal of operational research,2001,130(03):498-509.
9. [9] Fried H O, Lovell C A K, Schmidt S S, et al. Accounting for environmental effects andstatistical noise in data envelopment analysis[J]. Journal of productivity analysis,2002,17(1-2):157-174.
10. [10] Jiang Y, Wang H, Liu Z. How do smart city pilots affect urban green total factorproductivity? evidence from a quasi-natural experiment[J]. Sustainable cities and society,2021,75:103329.
11. [11] Chernozhukov V, Chetverikov D, Demirer M, et al. Double/debiased machine learning for treatment and structural parameters[J]. The econometrics journal,2018,21(01): C1-C68.