智慧交通對綠色經濟增長的影響研究

摘 要：依據中國30個省級面板數據，采用系統廣義矩估計方法（GMM），考量智慧交通對綠色經濟增長的影響。結果顯示：智慧交通通過降低能源消耗、提升碳排放效率和技術創新等，對綠色經濟增長作用顯著，其中交通基礎設施的完善影響尤為突出。異質性分析表明，智慧交通對綠色經濟增長效應區域異質性明顯。鑒于此，應因地制宜，制定智慧交通發展政策，優先發展交通基礎設施，加大智慧交通建設力度，推動交通綠色低碳轉型。

關鍵詞： 智慧交通；經濟綠色增長；系統GMM模型

中圖分類號：F542 文獻標識碼： A 文章編號：1003-7217（2024）04-0153-08

一、引 言

智慧交通作為一種融合了先進信息技術、通信技術、傳感技術等的新型交通方式，近年來受到了廣泛關注。智慧交通通過智能化管理、優化交通資源配置、提升交通運行效率等手段[1]，有效緩解交通擁堵、減少能源消耗和環境污染[2]。同時，智慧交通的發展也為相關產業帶來了新的增長點，推動了綠色經濟的轉型升級。2019年我國政府發布了《交通強國建設綱要》，提出到2035年建成現代綜合交通體系，提升智慧交通水平，確保交通領域更加可持續發展。

目前，學術界關于智慧交通的研究主要聚焦于智慧交通的度量方法以及智慧交通對社會和環境的影響兩方面。學者們從不同的角度對智慧交通進行度量。一類是成體系的度量指標。如Haghshenas和Vaziri從經濟、社會和環境三個方面各選取3個指標，構建了城市智能交通綜合指數[3]。Reizi等采用類似的思路度量了墨爾本市的智慧交通水平[4]。梁玉慶等從智慧交通所要實現的五個目標出發，制定了北京市智慧交通系統指標體系[5]。楊長春和彭聚霞從道路基礎設施、智慧出行、智慧交通、交通政務影響力和交通出行安全等五個方面，采用層次分析法構建了中國城市智慧交通發展評價指標體系[6]。Feizi等采用TOPSIS法評價了美國各城市智慧交通的水平[7]。另一類是不成體系的零散型指標，如交通基礎設施[8]、交通參與者的安全[9]、交通供應和可及性[10]等等。

智慧交通系統憑借大數據、云計算及物聯網等前沿技術，能夠實現對城市交通體系的智能化分析、精準研判及優化控制。這一實施策略顯著促進了交通系統在運輸效率、運輸安全、服務水平以及生態環保等多方面的全面提升與優化[11]。張博等發現通過對交通燈系統進行智能規劃，能夠顯著降低交通擁堵[12]。曹行健等認為智慧交通能夠通過自動駕駛、先進圖像處理等技術，幫助駕駛員在面對危險時采取更加穩健的應對措施，從而減少交通事故發生[13]。許多學者都認為智慧交通在促進節能減排方面具有較大潛力[14-16]。李華強等基于計劃行為理論和技術接受模型，發現智慧交通對居民綠色出行行為具有顯著影響[15]。Zhao等采用空間計量模型探討了中國30個省（區、市，西藏、港澳臺地區除外，下文同）智慧交通對碳排放的影響，發現智慧交通能減少二氧化碳排放，且存在空間溢出效應[17]。Lu等采用城市級數據也得出類似的結論[18]。Dong等基于中國30個省（區、市）的數據發現智慧交通能有效緩解省份間碳不平等。進一步地，學者們發現智慧交通能夠促進綠色發展效率[19，20]。Zhao等發現智能交通技術提升了綠色全要素生產率，尤其是對綠色全要素生產率水平較低的地區作用更明顯[21]。

本文依據2004—2017年中國30個省級行政區的面板數據，采用系統廣義矩估計方法（GMM）研究智慧交通對綠色經濟增長的影響，并深入探究其異質性和影響機制，評估智慧交通對經濟和環境的影響。

二、理論分析與研究假設

智慧交通依托大數據、云計算、移動互聯網等先進技術，有助于交通部門提升技術和調整結構，從而提升我國交通技術和效率[22，11]。首先，智慧交通能夠實時監控和調節交通流量，減少交通擁堵和怠速時間，避免擁堵路段，減少無謂的繞行和尋找停車位的時間。這不僅減少了車輛在途時間，還有效降低了能源消耗和尾氣排放。智能導航服務還可以整合公共交通信息，鼓勵多模式出行，進一步降低個人汽車使用頻率，促進綠色出行習慣的形成[23，24]，從而減少燃料消耗和尾氣排放[25]，最終促進綠色經濟增長。其次，智慧交通能夠通過輔助駕駛系統等對車輛情況進行智能研判，提高了出行安全性，降低了交通事故的發生率[26]，從而減少交通事故對綠色發展的影響。此外，智慧交通能依托出行即服務（MaaS）平臺整合公共交通、出租車和慢行交通等多種交通方式的信息資源，進而為用戶提供一體化出行服務，從而促進交通參與者選擇綠色出行方式[27，28]。最后，智慧交通還有利于電動車和混合動力車等環保交通工具的推廣，減少化石能源的使用從而促進綠色發展[29]。據此，提出假設：

H1 智慧交通能顯著提升綠色經濟增長水平。

假設H1從總體上提出了智慧交通與綠色經濟增長之間的關系，下面從能源消耗、碳排放效率和技術進步三條機制分別來看：第一，智慧交通的發展帶動了電動汽車等清潔交通工具的普及，降低了傳統化石能源消費的比例，促進了可再生能源技術的發展，降低了整體能源消耗，而能源消耗是影響綠色經濟增長的重要因素，從而促進綠色經濟增長[30]；第二，智慧交通作為一種高效的集成交通模式，有助于提升碳排放效率，從而促進綠色經濟增長[21]；第三，智慧交通作為一種先進交通技術，通過快速的技術迭代和應用，能夠不斷優化交通效率，減少能源消耗和碳排放，同時激勵相關產業（如新能源汽車、智能傳感器、數據分析等）的快速發展，形成新的經濟增長點，推動經濟朝低碳、高效的綠色方向轉型，從而促進綠色經濟增長。據此，提出假設：

H2 智慧交通通過降低能源消耗，提升綠色經濟增長水平。

H3 智慧交通通過提升碳排放效率，提升綠色經濟增長水平。

H4 智慧交通通過促進技術進步，提升綠色經濟增長水平。

三、數據樣本與研究設計

（一）樣本與數據

本文采用2004-2017年中國30個省級（不包括香港、澳門、臺灣和西藏）面板數據作為研究樣本。主要變量的定義和測量方法如下：

因變量：綠色經濟增長（GEG）。參考已有文獻[31，32]，采用綠色GDP作為綠色經濟增長的代理指標。借鑒北京工商大學世界經濟研究中心、遂寧綠色經濟研究院與《中國對外貿易》雜志聯合發布的《中國300個省市綠色經濟與綠色GDP指數》報告中的做法，測算出樣本省份2004-2017年的綠色GDP值。

自變量：智慧交通（ST）。參考已有文獻[21，19]，從交通供應、交通消費、交通服務可負擔性、交通基礎設施、交通效率和交通技術六個方面對智慧交通水平進行測量。首先，客運需求和交通供應是智慧交通的基礎[33]，交通服務的可負擔性和效率也是智慧交通的重要衡量指標[34]，交通技術如ICT技術在智慧規劃和減少尾氣排放方面發揮著重要作用[35]，交通基礎設施的協同可以顯著提高道路容量從而減少擁堵[36]。在分別測算六個子指標的基礎上，采用改進熵值法（IEM），得出智慧交通發展水平（ST）。

控制變量：除核心自變量外，還考慮了如下幾個省級層面的控制變量：人均GDP（PGDP）、產業結構（IS）、政府財政支出（GE）、住宅消費結構（RCS）、數字治理水平（DG）、環境規制水平（ER）和金融發展水平（FD）。控制變量的數據來源于《中國統計年鑒》等。

表1列出了主要變量的描述性統計情況。核心自變量智慧交通的均值為-1.4661，標準差為0.4760；因變量綠色經濟增長的均值為10.9088，標準差為0.9721，說明中國各省份間智慧交通和綠色經濟增長水平都存在較大差異。

（二）模型設定

為探討智慧交通對綠色經濟增長的影響，參考Zhao等、Dong等的研究[21，30]，本文構建了式（1）所示的面板回歸模型。為減輕異方差問題，對所有數據做取自然對數處理；同時，為減輕未觀察到的異質性和遺漏變量帶來的偏差，控制了省份和年份固定效應。

GEGit=β0+β1STit+θX′it+μt+μi+ξit （1）

其中GEGit和STit分別代表綠色經濟增長水平和智慧交通發展水平，X′是代表一系列控制變量的向量，μt代表時間固定效應，μi代表省份固定效應，ξit代表隨機誤差項。下標i和t分別代表省份和年份。

考慮到區域經濟發展通常具有慣性特征，導致樣本數據存在自相關性，因此有必要將因變量的滯后項加入模型中構成動態面板模型。在此情況下，采用最小二乘法（OLS）、固定效應（FE）和隨機效應（RE）模型均無法獲得有效估計量[37]。因此采用Arellano和Bover等學者提出的系統廣義矩估計方法（GMM）來進行估計。這種方法同時結合了差分方程和水平方程[38，39]，可以更有效地處理雙向因果、遺漏變量等內生性問題，并且能更好地解決弱工具變量問題[23]。因此本文基于兩步系統GMM方法，構建式（c82d1f35ad2fa3d6d491ea14a5aa0c73a62d2b028a9d71160bc52a27e2b3e5662）進行動態面板回歸估計。

GEGit=β0+β1GEGi，t－1+β2STit+θX′it+

μt+μi+ξit （2）

此外，為了分析影響的具體機制，構建了式（3）和式（4）所示的動態面板模型。其中MVit表示所要分析的機制變量，其他項的含義同式（2）。

MVit=β0+β1MVi，t－1+β2STit+θX′it+

μt+μi+ξit （3）

GEGit=β0+β1GEGi，t－1+β2STit+

β3MVit+θX′it+μt+μi+ξit（4）

四、結果分析

（一）基準回歸結果

為探究智慧交通對綠色經濟增長的影響，本文采用GMM方法進行了基準回歸，結果如表2所示。列（1）僅包含核心自變量和因變量的滯后項，而列（2）加入了所有控制變量。為確保方法的適當性，對回歸結果進行了Sargan檢驗和AR檢驗。結果顯示，Sargan檢驗的P值遠大于0.1，表明所有工具變量都是可靠和有效的。而AR（1）的P值小于0.1且AR（2）的P值大于0.1，證明隨機擾動項存在一階自相關，不存在二階自相關，滿足系統GMM使用的先決條件。

從表2可見，因變量的一階滯后項系數均在1%水平上顯著為正，說明上期的綠色經濟發展水平會顯著影響當期綠色經濟發展水平，也證明了采用動態面板模型的必要性。核心自變量（ST）的系數均在1%水平上顯著為正，在添加所有控制變量后其系數為0.1481，即智慧交通水平每提升1%會導致省域綠色經濟發展水平提升0.1481%。這與之前學者關于智慧交通能促進節能減排和綠色發展的研究結果一致，假設H1得以驗證。這說明智慧交通會帶動公共交通系統的發展和尖端的交通技術的發展，促進地區從傳統的粗放模式向綠色可持續的新發展模式轉型，從而促進綠色經濟增長。這也證實了以前學者對智慧交通的綠色發展效應的研究。

就控制變量而言，人均GDP、住房消費結構、金融發展和數字治理水平與綠色經濟發展呈顯著正相關。

（二）穩健性檢驗

為了驗證基準回歸結果的穩健性，將因變量替換為經濟高質量發展指數重新進行回歸。從表3列（4）可見，經濟高質量發展指數的系數仍然在1%水平顯著為正，證實了結果的穩健性。此外，參考Dong等的做法[30]，采用更改控制變量的方法進行穩健性檢驗。結果如表3所示。在表3列（1）中，將產業結構（IS）變量（第三產業產值占全產業的比重）替換為第三產業增加值與第二產業增加值的比重（IS1）；在列（2）中，將住房消費結構（RCS）替換為住房消費總量（RC）；而在列（3）中，同時替換了這兩個控制變量。在替換了控制變量后，智慧交通（ST）的系數均顯著為負，也證實了基準回歸結果的穩健性。

（三）異質性分析

我國各省之間在經濟水平、資源稟賦、生態環境等方面存在較大差異。為了深入探討不同地區之間智慧交通對綠色經濟增長影響的差異，本文進一步采用分組回歸方法進行異質性分析。首先，以第三產業占比是否高于全樣本中位數為標準，將樣本分為高第三產業組（HIS=1）和低第三產業組（HIS=0）分組回歸，結果如表4列（1）和列（2）所示。在高第三產業組省份，智慧交通發展對綠色經濟增長有顯著正向影響，而在低第三產業省份存在顯著負向影響。可見在服務業較為發達地區，相關產業能夠較好地與智慧交通基礎設施形成協同，如電子商務、物流配送、在線服務平臺等，提升服務效率和客戶體驗，減少物流運輸的碳排放，促進了綠色消費模式。這些地區的消費者對新技術接受度高，對綠色出行方式更加敏感，從而能夠更充分地發揮智慧交通的作用。而服務業欠發達地區通常只是部署了智慧交通設施而相關的配套服務不足，智慧交通系統的建設和維護成本相對較高，而當地經濟水平和消費能力不足以快速消化這些成本，故而沒有真正發揮智慧交通的作用，交通基礎設施的投資和建設反而造成了資源浪費和環境污染，從而不利于綠色經濟增長。

其次，按地區人均GDP是否高于全樣本中位數將樣本分為高人均GDP組（HPGDP=1）和低人均GDP組（HPGDP=0），結果如表4列（4）和列（5）所示。高人均GDP組智慧交通的系數不顯著，而低人均GDP組的智慧交通系數顯著為正。人均GDP水平較高的省份已經擁有相對先進的智能交通，以及高水平的經濟發展和充足的輔助基礎設施。此外，高人均GDP地區面臨的挑戰更多在于在現有高基礎上如何進一步優化和創新，而非簡單的增量改進。因此，智慧交通的邊際促進效應不再顯著[19]。

最后，將樣本按照當地人力資本水平是否高于全樣本中位數分為高人力資本組（HHC=1）和低人力資本組（HHC=0），結果如表4列（5）和列（6）所示。兩組的系數都顯著為正，但高人力資本組系數的絕對值更大。進一步進行Fisher系數差異檢驗，結果顯示差異系數在10%水平顯著，表明兩組的系數之間存在顯著差異。高人力資本水平的地區通常具有更強的研發能力和技術吸收能力，能夠更有效地將智慧交通技術轉化為生產力，推動綠色創新。高技能勞動力更能適應智慧交通系統帶來的工作方式變革，從而在提高生產效率的同時，促進綠色經濟增長，且這種正面效應由于技術與人才的協同作用而被放大[40]。

（四）影響機制分析

進一步探究智慧交通對綠色經濟增長的影響機制。一方面，考慮到智慧交通的發展需要消耗能源產生碳排放；另一方面，智慧交通的發展也和技術創新密切相關。因此本文參考Dong等、Mohsin等的思路[30，41]，采用能源消耗（將各省的能源消耗折算為萬噸標準煤）、碳排放效率（碳排放量與GDP之比）和技術創新（省份專利數）三個變量作為機制變量，采用模型設定中的式（3）和式（4）所代表的機制效應模型進行分析。

機制分析的結果如表5所示。其中列（1）和列（2）是將能源消耗作為機制變量的結果，智慧交通對能源消耗的回歸系數顯著為負，而能源消耗對綠色經濟增長的回歸系數也顯著為負。這說明智慧交通能夠通過減少能耗從而促進綠色經濟發展，驗證了假設H2。智慧交通的發展能促進電動車、氫燃料車等新能源汽車的推廣，這些車輛使用清潔能源，減少了對化石燃料的依賴，顯著降低了能源消耗，驗證了假設H3。列（3）和列（4）是碳排放強度的機制分析結果。智慧交通對碳排放強度，以及碳排放強度對綠色經濟增長的系數都顯著為負，說明智慧交通通過提升交通系統效率、推廣清潔能源車輛、優化交通管理和提升產業效率等多種手段，顯著促進了碳排放效率的提升，進而推動了綠色經濟增長。列（5）和列（6）展示了技術進步的機制分析結果。智慧交通對技術創新以及技術創新對綠色經濟增長的系數均顯著為正，說明智慧交通能夠促進全社會技術進步，從而促進綠色經濟增長，驗證了假設H4。綜上所述，智慧交通主要通過降低能源消耗、提升碳排放效率和促進技術進步三條路徑來促進綠色經濟增長。

（五）進一步分析

在分析智慧交通對綠色經濟增長關系的基礎上，進一步考察智慧交通各子指標與綠色經濟增長的關系。智慧交通由六個子指標構成：交通供應（supply）、消費（consume）、服務可負擔性（price）、基礎設施（infra）、效率（efficiency）和技術（tec）。研究各子指標對綠色經濟增長的影響有助于我們更細致地分析智慧交通對綠色發展的影響。

智慧交通各子指標與綠色經濟增長的回歸結果如表6所示。其中交通供應（supply）、消費（consume）、基礎設施（infra）、效率（efficiency）四項子指標的系數顯著為正，其中基礎設施的系數絕對值最大，說明交通基礎設施在促進綠色發展方面發揮著重大作用。而服務可負擔性（price）的系數為負且不顯著，技術（tec）系數為正且不顯著。可見智慧交通主要通過增加公共汽車等交通供給、增加采用綠色出行方式的旅客數量、提升交通基礎設施水平和提升運輸效率等方式來促進綠色經濟增長。

五、結論與建議

采用2004—2017年中國30個省份的平衡面板數據，采用系統GMM方法實證檢驗了智慧交通對綠色經濟增長的影響，探討了其影響的異質性和影響機制。結論如下：（1）基準回歸結果顯示，智慧交通能顯著提升綠色經濟增長水平，該結果在經一系列穩健性檢驗后仍然成立。（2）異質性分析結果顯示，智慧交通對綠色經濟增長的作用在高消費地區顯著為正，在低消費地區顯著為負；在低人均GDP地區顯著為正 ，而在高人均GDP地區不顯著；在高人力資本地區和低人力資本地區均顯著為正，但在高人力資本地區邊際效應更大。（3）在智慧交通的六個子指標中，交通供應（supply）、消費（consume）、基礎設施（infra）、效率（efficiency）四項子指標的系數顯著為正，其中基礎設施的作用最明顯。（4）機制分析表明，智慧交通主要通過降低能源消耗量、提升碳排放效率和促進技術創新三條路徑影響綠色經濟增長。

基于研究結論，提出以下建議：

第一，政府應進一步加大智慧交通的建設力度。通過推廣智能交通系統、優化交通管理流程、提升交通運營效率等手段，推動智慧交通在更廣范圍內的應用。同時，鼓勵企業和社會資本參與智慧交通建設，形成政府引導、市場主導的良性發展格局，以智慧交通的發展推動綠色經濟持續增長。

第二，在制定智慧交通發展政策時，應充分考慮地區的消費水平、人均GDP和人力資本等因素。對于高消費地區，可加強智慧交通的創新應用，提升服務質量和效率；對于低消費地區和低人均GDP地區，可注重智慧交通的普及和基礎建設，提高交通可達性和便捷性。同時，充分發揮高人力資本地區的創新優勢，推動智慧交通技術的研發和應用，為綠色經濟增長提供有力支撐。

第三，優先發展交通基礎設施，提升交通網絡的覆蓋范圍和運營效率。同時，通過優化交通資源配置、促進綠色出行等方式，提升智慧交通對綠色經濟增長的貢獻。此外，還應加強智慧交通子指標之間的協同發展，形成合力，共同推動綠色經濟的健康發展。

第四，深化智慧交通與綠色經濟的融合發展，推動交通領域的綠色低碳轉型。通過推廣新能源汽車、優化交通能源結構、加強交通碳排放監管等方式，降低能源消耗和碳排放水平。同時，鼓勵技術創新和研發，推動智慧交通技術的不斷進步和應用，為綠色經濟增長注入新的動力。

參考文獻：

［1］ Molavi A， Lim G J， Race B. A framework for building a smart port and smart port index[J]. International Journal of Sustainable Transportation， 2020， 14（9）： 686-700.

[2] Hu S H， Yang J， Jiang Z G，et al. CO2 Emission and energy consumption from automobile industry in China： Decomposition and analyses of driving forces[J]. Processes， Multidisciplinary Digital Publishing Institute， 2021， 9（5）： 810.

[3] Haghshenas H， Vaziri M. Urban sustainable transportation indicators for global comparison[J]. Ecological Indicators， 2012， 15（1）： 115-121.

[4] Reisi bAcqkBfSXOnIQafAt9R0+jYulJucpOMr7h5TebWFkKk=M， Aye L， Rajabifard A，et al. Transport sustainability index： Melbourne case study[J]. Ecological Indicators， 2014， 43： 288-296.

[5] 梁玉慶， 王世華， 張萌. 北京城市智能交通管理系統社會經濟效益評價指標體系研究[J]. 交通運輸系統工程與信息， 2011， 11（S1）： 104-108.

[6] 楊長春， 彭聚SE5c0kU/WExUZTYgs8YaEG2HQqO2wh4rKAj4X8axpc0=霞. 城市交通發展水平評價指標體系構建[J]. 統計與決策， 2019， 35（17）： 63-66.

[7] Feizi A， Joo S， Kwigizile V，et al. A pervasive framework toward sustainability and smart-growth： Assessing multifaceted transportation performance measures for smart cities[J]. Journal of Transport & Health， 2020， 19： 100956.

[8] Lom M， Pribyl O. Smart city model based on systems theory[J]. International Journal of Information Management， 2021， 56： 102092.

[9] Lautso K， Toivanen S. SPARTACUS system for analyzing urban sustainability[J]. Transportation Research Record， SAGE Publications Inc， 1999， 1670（1）： 35-46.

[10]Gudmundsson H， Hjer M. Sustainable development principles and their implications for transport[J]. Ecological Economics， 1996， 19（3）： 269-282.

[11]陸化普. 智能交通系統主要技術的發展[J]. 科技導報， 2019， 37（6）： 27-35.

[12]張博， 龐基敏， 章文嵩， 等. 互聯網大數據技術在智慧交通發展中的應用[J]. 科技導報， 2020， 38（9）： 47-54.

[13]曹行健， 張志濤， 孫彥贊， 等. 面向智慧交通的圖像處理與邊緣計算[J]. 中國圖象圖形學報， 2022， 27（6）： 1743-1767.

[14]岳萍. 智能交通在城市道路中的運用[J]. 建筑科學， 2022， 38（9）： 190.

[15]李華強， 武晨， 范春梅. 智能交通技術下居民綠色出行影響因素研究——基于TPB和TAM整合模型的扎根分析[J]. 現代城市研究， 2018（12）： 2-8.

[16]Karami Z， Kashef R. Smart transportation planning： Data， models， and algorithms[J]. Transportation Engineering， 2020， 2： 100013.

[17]Zhao C Y， Wang K， Dong X C，et al. Is smart transportation associated with reduced carbon emissions？ The case of China[J]. Energy Economics， 2022， 105： 105715.

[18]Lu H， Xiao C Y， Jiao L D， et al. Spatial-temporal evolution analysis of the impact of smart transportation policies on urban carbon emissions[J]. Sustainable Cities and Society， 2024， 101： 105177.

[19]Zhao C Y， Dong K Y， Taghizadeh-Hesary F. Can smart transportation enhance green development efficiency？[J]. Economic Change and Restructuring， 2023， 56（2）： 825-857.

[20]Wang J， Yang X Y， Kumari S. Investigating the spatial spillover effect of transportation infrastructure on green total factor productivity[J]. Energies， Multidisciplinary Digital Publishing Institute， 2023， 16（6）： 2733.

[21]Zhao C Y， Jia R W， Dong K. How does smart transportation technology promote green total factor productivity？ The case of China[J]. Research in Transportation Economics， 2023， 101： 101353.

[22]錢志鴻， 田春生， 郭銀景， 等. 智能網聯交通系統的關鍵技術與發展[J]. 電子與信息學報， 2020， 42（1）： 2-19.

[23]Dong K Y， Jiang Q Z， Shahbaz M，et al. Does low-carbon energy transition mitigate energy poverty？ The case of natural gas for China[J]. Energy Economics， 2021， 99： 105324.

[24]Neves S A， Marques A C. The substitution of fossil fuels in the US transportation energy mix： Are emissions decoupling from economic growth？[J]. Research in Transportation Economics， 2021， 90： 101036.

[25]Lindsey R， Santos G. Addressing transportation and environmental externalities with economics： Are policy makers listening？[J]. Research in Transportation Economics， 2020， 82： 100872.

[26]Nelson J D， Mulley C. The impact of the application of new technology on public transport service provision and the passenger experience： A focus on implementation in Australia[J]. Research in Transportation Economics， 2013， 39（1）： 300-308.

[27]Wang C Z， Lin X， He F，et al. Hybrid of fixed and mobile charging systems for electric vehicles： System design and analysis[J]. Transportation Research Part C： Emerging Technologies， 2021， 126： 103068.

[28]Hensher D A， Ho C Q， Reck D J. Mobility as a service and private car use： Evidence from the Sydney MaaS trial[J]. Transportation Research Part A： Policy and Practice， 2021， 145： 17-33.

[29]Lee C T， Hashim H， Ho C S，et al. Sustaining the low-carbon emission development in Asia and beyond： Sustainable energy， water， transportation and low-carbon emission technology[J]. Journal of Cleaner Production， 2017， 146： 1-13.

[30]Dong K Y， Ni G H， Taghizadeh-Hesary F，et al. Does smart transportation matter in inhibiting carbon inequality？[J]. Energy Economics， 2023， 126： 106952.

[31]孫瑾， 劉文革， 周鈺迪. 中國對外開放、產業結構與綠色經濟增長——基于省際面板數據的實證檢驗[J]. 管理世界， 2014（6）： 172-173.

[32]黃虹， 許祺. 人口流動、產業結構轉變對上海市綠色GDP的影響研究[J]. 中國軟科學， 2017（4）： 94-108.

[33]Zito P， Salvo G. Toward an urban transport sustainability index： an European comparison[J]. European Transport Research Review， 2011， 3（4）： 179-195.

[34]Yan J， Liu J P， Tseng F M. An evaluation system based on the self-organizing system framework of smart cities： A case study of smart transportation systems in China[J]. Technological Forecasting and Social Change， 2020， 153： 119371.

[35]Hashem I A T， Chang V， Anuar N B，et al. The role of big data in smart city[J]. International Journal of Information Management， 2016， 36（5）： 748-758.

[36]Wang S J， Liu X P， Zhou C S，et al. Examining the impacts of socioeconomic factors， urban form， and transportation networks on CO2 emissions in China’s megacities[J]. Applied Energy， 2017， 185： 189-200.

[37]馬勇， 陳雨露. 金融杠桿、杠桿波動與經濟增長[J]. 經濟研究， 2017， 52（6）： 31-45.

[38]Arellano M， Bond S. Some tests of specification for panel data： Monte Carlo evidence and an application to employment equations[J]. The Review of Economic Studies， 1991， 58（2）： 277.

[39]Arellano M， Bover O. Another look at the instrumental variable estimation of error-components models[J]. Journal of Econometrics， 1995， 68（1）： 29-51.

[40]Zhao J， Jiang Q Z， Dong X C，et al. Assessing energy poverty and its effect on CO2 emissions： The case of China[J]. Energy Economics， 2021， 97： 105191.

[41]Mohsin M， Taghizadeh-Hesary F， Iqbal N，et al. The role of technological progress and renewable energy deployment in green economic growth[J]. Renewable Energy， 2022， 190： 777-787.

（責任編輯：鐘瑤，鄒彬）

Research on the Impact of Smart Transportation

on Green Economic Growth

YI Xuanchen1，JIN Youliang2

（1．School of Economics and Management， Hunan Industry Polytechnic， Changsha， Hunan 410208，China；

2．School ofBusiness，Central South University，Changsha， Hunan 410083，China）

Abstract：This study is based on the theoretical framework of smart transportation and green economic growth， using the System Generalized Moment Estimation （SYS-GMM） model as an analytical tool. Based on panel data from 30 provinces in China， the potential impact and mechanism of smart transportation on green economic growth are deeply explored. The results indicate that smart transportation has a significant promoting effect on green economic growth， and this effect exhibits significant regional heterogeneity. In addition， among the six sub-dimensions of smart transportation， the improvement of transportation infrastructure has a particularly prominent impact on green economic growth. Finally， smart transportation mainly affects green economic growth through three paths： reducing energy consumption， improving carbon emission efficiency， and promoting technological innovation.

Key words：smart transportation; green economic growth; system GMM model