智慧城市建設對經濟發展影響的實證研究

張海鵬 金川 錢慧婷（安徽財經大學 國際經濟貿易學院）

■引言1

智慧城市（smart city）是指以新一代信息技術為核心，以數字信息基礎設施為平臺，將城市的系統和服務打通，實現信息化、工業化與城鎮化深度融合，這有助于緩解“大城市病”，優化城市管理和服務，改善人民生活質量。2008 年11 月，IBM 提出“智慧地球”這一理念，引發了智慧城市建設的熱潮；2012 年，我國發布首批國家智慧城市試點名單；2014 年，“智慧城市建設”正式被納入我國國家專項規劃。現如今，我國智慧城市在建數量500 個，初步形成了長三角、珠三角、環渤海、中西部四大智慧城市群，建設智慧城市在實現城市可持續發展、引領信息技術運用、提升城市綜合競爭力等方面具有重要意義。通過查閱相關文獻發現，現有研究主要集中于分析智慧城市建設的影響因素，而很少涉及到探究智慧城市建設對經濟發展的影響。

■研究方法

（一）智慧城市建設指標體系的建立

通過仔細研讀宮攀、張立新兩位學者對寧波智慧城市評價指標體系、“智慧南京”指標體系、上海的智慧城市評價指標體系、新型智慧城市評級體系3.0、智慧中國臺灣績效指標體系等八個指標體系的對比分析結果，再結合近五年的有關智慧城市的研究文獻，本研究最終建立了長三角智慧城市評價指標體系。這套體系有智慧設施、城市治理、智慧民生、經濟發展和創新驅動五個一級指標，每個一級指標下均有三個二級指標，其中智慧設施下的指標為互聯網寬帶接入用戶、移動電話用戶數和電信業務總量，城市治理下的指標為工業固體廢物綜合利用率、污水處理總量和綠化覆蓋面積，智慧民生下的指標為衛生機構數、中學校數和社會消費品零售總額，經濟發展下的指標為人均生產總值、第三產業增加值和城鎮人均可支配收入，創新驅動下的指標為R&D 人員數、專利申請授權數和R&D 經費投入強度。這15 個二級指標涉及的內容廣泛而全面，符合全面性原則、綜合性原則、科學性原則、可比性原則和可操作性原則。

表1 長三角26座城市綜合智慧水平

（二）因子分析和逐步回歸分析法

因子分析能夠從眾多變量中提取共性因子。在本研究中，因子分析可在15 個二級指標中抽取出隱藏的具有代表性的因子，從而將多個變量歸結為一個因子，達到減少變量的目的。本研究共使用6次因子分析，首先對全部的15個二級指標進行因子分析，從而計算長三角26 座城市的綜合智慧水平排名；然后對五個一級指標分別使用因子分析，將每個一級指標下的二級指標濃縮為一個變量，為使用逐步回歸方法研究智慧設施、城市治理、智慧民生和創新驅動對經濟發展的影響提供了基礎。

■實證研究—長三角城市群智慧城市圈

（一）因子分析法下長三角智慧城市發展評價分析

1.KMO 和Bartlett 球形檢驗

在進行因子分析之前，研究首先對相關數據進行KMO 和Bartlett 球形度檢驗。KMO 檢驗度量值的取值范圍為[0，1]，度量值越接近1，表明所有變量的相關性越強。根據Kaiser 給出的KMO 度量標準，KMO 值小于0.5 時不適合做因子分析，大于0.5小于0.6 時不太適合做因子分析，大于0.6 即適合做因子分析。Bartlett 檢驗能夠檢驗各個變量之間的相關性程度，其p 值小于0.05 即表明各個變量之間存在相關性，適合做因子分析。本研究將收集的15 個二級指標的數據輸入SPSS25 進行因子分析。結果發現，輸出的KMO 度量值為0.815，大于0.6；Bartlett 球形度檢驗中的近似卡方值為788.852，自由度為105，其對應的p 值為0。這說明，研究所選取的長三角智慧城市群建設五大一級指標下的全部數據適合做因子分析。

2.求特征值和累積方差貢獻率

研究然后在SPSS25 的降維方法中選擇主成分方法，旋轉方法選擇最大方差法，提取出的主因子數目選擇特征值大于1。從SPSS25 輸出的公因子方差表中可以看出，此模型分別從二級指標綠化覆蓋面積、衛生機構數、城鎮居民人均可支配收入和全社會R&D 經費投入強度中提取了79.1%、62.7%、83.3%、64.5%的信息，從其余11 個二級指標中提取的信息都超過了90%；可見此模型除了對少數幾個二級指標的信息提取效果略弱，對絕大部分二級指標的信息提取效果很好。從SPSS25 輸出的總方差解釋表中可以看出，此模型將15 個二級指標的數據降維成了3 個主成分，它們對應的特征值分別為10.983、1.136和1.023；方差貢獻率分別為56.212%、24.451%和8.469%，第一個主成分的方差貢獻率遠遠大于其余兩個主成分，因此第一個主成分的重要性遠大于其他兩個主成分；累積方差貢獻率為89.132%，表明這三個主成分解釋了智慧城市建設15 個二級指標的絕大部分信息。

3.計算因子得分

最后，利用SPSS25 直接輸出3 個主成分的因子得分系數表，發現表中有一些數據為負數，例如無錫第一主成分的因子系數為-0.453，這表明無錫在第一主成分下的得分在26 座城市的平均水平以下；為了方便之后的研究，可將因子得分系數表中的所有數字都加上2.5，以保證所有因子得分系數均為正數。因為這三個主成分對應的方差貢獻率代表其重要程度，所以可將某個主成分的方差貢獻率占三個主成分累積方差貢獻率的比例作為該主成分的權重，以此來計算長三角26 座城市在該主成分下的得分。最后將因子得分系數與其對應的權重相乘再求和即可計算出每座城市的綜合得分即為智慧水平，詳細情況見表1。

觀察表1 可發現，在長三角26 座城市中，智慧水平發展最好的四座城市分別為杭州、上海、蕪湖與合肥；無錫、蘇州、南京、鹽城、紹興、寧波和臺州次之；池州與舟山兩座城市智慧水平最低。

（二）長三角智慧城市群建設對經濟發展的影響

1.基于因子分析濃縮各一級指標

為研究長三角智慧城市群建設對區域經濟發展的影響，研究首先利用SPSS25 對每個一級指標分別進行KMO 和Bartlett 檢驗；檢驗通過后，再使用因子分析對五個一級指標進行降維（降維時因子的固定數目選擇1），從而提取了智慧設施、城市治理、智慧民生、經濟發展和創新驅動五個一級指標的有效信息。SPSS25輸出的結果顯示，這五個一級指標的KMO 值分別為0.624、0.515、0.746、0.697 和0.652，Bartlett 檢驗p 值都為0，即都顯著，因此除了城市治理做因子分析的效果稍差，其余四個一級指標都合適利用因子分析進行降維；五個一級指標的累積方差貢獻率分別 為94.193%、66.961%、85.668%、77.167% 和84.892%，表 明智慧設施因素的信息提取效果很好，智慧民生、經濟發展和創新驅動因素的信息提取效果較為理想，城市治理的信息提取效果只有66.961%，勉強能夠接受。

2.基于回歸分析研究智慧城市建設影響經濟的因素

在獲得五個一級指標濃縮數據的基礎上，研究其使用SPSS25進行逐步回歸分析，變量進出的方法選擇步進。SPSS25 輸出的結果顯示，只有創新驅動因素被納入了模型；F 值為73.830，對應的p 值為0，表示納入模型的解釋變量對經濟發展的聯合效應是顯著的；線性回歸模型的擬合優度為0.755，表示長三角智慧城市中的創新驅動因素對經濟發展的解釋能力為75.5%；創新驅動因素的t 值為8.592，對應的p 值為0，表明長三角城市群的創新驅動因素對經濟發展的影響是顯著的；創新驅動的未標準化系數為0.869，表明長三角城市群的創新驅動因素對經濟發展具有促進作用。由于進行回歸分析時使用的是因子分析處理過的數據，因此得到的回歸方程經濟意義不明顯，但仍然能夠得出結論：長三角智慧城市建設中的創新驅動因素對經濟發展具有顯著的促進作用。

■模型改進與結論建議

本模型有一些難以避免的缺陷。第一，由于此模型需要進行多次因子分析，很難保證每個一級指標的KMO 度量值都理想，例如本文的城市治理KMO 度量值為0.515，不太適合做因子分析；第二，因子分析可能會造成數據信息的大量缺失，以至于不能真實地反映長三角城市的智慧城市建設水平，例如使用因子分析方法單獨對城市治理進行降維時，其累計貢獻率僅為66.961%，盡管其它幾個一級指標的信息提取效果較好，但信息缺失仍然是此模型的一大缺陷；第三，多元線性回歸分析很可能忽略了交互效應和非線性的因果關系，而智慧城市建設對經濟的影響是復雜多樣的。

研究得出結論：長三角智慧城市建設中的創新驅動因素對經濟發展有顯著的促進作用。因此，為了提高智慧城市建設對經濟發展的促進作用，可以打造改革新高地，在政府職能轉變、體制機制創新方面先行先試；可以加大科研經費投入，優化創新政策和制度環境，促進研發及科教成果的轉化。