表1 变量说明
变量代号变量名称内容SMC智慧城市发展网络用户数量、专利授权数量、私营企业年末注册登记户数、人均固定资产投资占GDP比重SRO科研产出产业园区总产值NOR科研生产科研人员数量SRI科研投入政府科研投资
2009年IBM公司首先提出了“智慧城市”这一概念，随着信息技术、人工智能的发展和互联网日益普及，智慧城市建设已成为世界各国城市发展的一个大趋势。2014年发布的《关于促进智慧城市健康发展的指导意见》明确了智慧城市的概念，并提出若干智慧城市建设意见。智慧城市是指，随着互联网普及，利用人工智能、大数据、物联网、云计算及空间地理信息集成等相关信息技术，构建形成城市规划、建设、管理和服务智慧化的新理念和新模式。智慧城市有利于推动城市化模式转变、优化城市治理理念[1]。以信息技术为代表的现代科技对于城市发展模式、城市功能、城市居民生活方式转变发挥着巨大的推动作用，这也是智慧城市建设和发展的基础。与传统城市建设模式相比，高度信息化、智能化、人本化是智慧城市建设的突出特点[2]。因此，智慧城市建设不仅是简单地将现代科技应用于城市建设治理过程中，而是从根本上实现城市治理理念提升和改进，是一个创新实践过程，在该过程中，科技进步意义重大。
科学技术发展首先影响并决定了经济发展水平，技术变化决定了经济发展的“长波”或循环，科学技术水平和社会治理水平决定了一个城市发展所处阶段[3，4]。现代科技发展主要体现为智能化、信息化，信息技术已渗透到现代经济活动和社会生活的各个方面，科技进步促使人们的生活方式、生活质量、价值观念等发生巨大变革。城市作为人类现代文明的载体，随着现代科技的发展和应用，其功能发生了巨大改变[5]。有学者提出智慧城市建设应从科学技术、管理和组织、政策、环境治理、人与社区、经济、基础设施和自然环境等8个方面组织实施[6]，通过这几个方面可以更好地理解智慧城市建设的内涵。
相较于西方发达国家，我国智慧城市建设起步较晚，相关研究仍停留在国内外智慧城市发展现状、经验总结与梳理，以及智慧城市发展案例介绍等层面。唐建荣等[7]在其专著《智慧南京--城市发展新模式》中对智慧城市发展建设基本理论进行了梳理，以南京智慧城市建设为案例进行了分析，提出智慧城市发展建设的思考。杨冰之、郑爱军[8]从智慧城市的基本概念、采用的技术架构以及应用体系构建、智慧产业发展、整体建设运营等方面进行了论述，结合国内外智慧城市建设实践案例，其内容全面，分析研究了我国智慧城市建设领域各方面问题。王洪涛、陈洪侠[9]基于政策创新扩散理论构建智慧城市扩散影响模型，分别对城市规模、人口密度、人均收入、经济实力等城市内部因素和城市外部相关因素进行分析。赵大鹏[10]对智慧城市建设动因、前提条件、实践需求进行了分析，通过构建智慧城市建设的目标模式、实施模式及过程管理模式，提出智慧城市建设思路和路径。整体而言，现有研究主要以定性研究为主，定量研究相对较少，与智慧城市建设蓬勃开展的实际相比，相关理论研究仍处于起步阶段，有待进一步深化。
综上可知，科学技术水平对于智慧城市发展有着重要影响。我国作为世界上最大的发展中国家，近年来在政府主导下，科研投入增长迅速，科技实力不断增强，在中国新型城镇化建设背景下，智慧城市成为建设和发展的新方向。为了探究科技发展驱动下的智慧城市成长机制，本研究采用定量研究方法，以政府科研投资、科研人员数量、产业园区总产值(涵盖投入-研发-产出3个阶段)与智慧城市发展作为主要研究变量，选择最具代表性的北京、上海和广州2000-2017年的面板数据，实证分析科技进步对智慧城市发展的驱动效应和作用。
《中国智慧城市发展水平评估报告》显示，北京、上海、广州三市智慧城市发展处于全国领先水平。北京市智慧城市建设涉及智能交通、远程医疗、智能家庭、电子商务等领域；上海通过打造城市光网，利用无线网络推动智能技术、云计算和物联网等新技术研发；广州致力于建设以政府主导、以运营商协同的无线城市门户网站，推动无线宽带网络服务在全市范围内便捷高效应用。本研究使用的北京、上海、广州三市2000-2017年数据来自与《上海统计年鉴》、《北京统计年鉴》、《广州统计年鉴》和《国家统计局》。
智慧城市研究指标选取借鉴蒋明华等[11]构建的智慧城市发展指标，根据本研究的主要目的和数据的可获得性，通过提取公因子的方法，将“网络用户数量”、“专利授权数量”、“私营企业年末注册登记户数”、“人均固定资产投资占GDP比重”等指标整合为“智慧城市发展指标”，用以衡量智慧城市建设水平，记为SMC。
科研发展水平通常采用一些代表性的指标衡量。科研投入对于科技水平提升具有重要作用，许治、吴辉凡[12]发现在低收入水平下，社会科研总投入中政府投入所占比例很大，但是在高收入水平下，科研总投入中企业投入占有较大比例。我国作为一个发展中国家，政府科研投入是基础科研的主要经费来源，同时也是促进产学研合作的重要基础，政府科研投入带来的创新能力和知识资本累积形成了国家竞争力的基础，政府科研投入由“政府科研投资”体现；随着我国市场经济日益完善、产业结构逐步升级，企业研发投入占全社会研发投入的份额迅速提升，尤其是具有规模经济效应的高科技产业集群已逐步成为我国应用型科研的主要力量，无论是产品还是技术创新，体现在企业提供市场的产品和服务，最终可以由一定区域内科技企业的产品和服务产值计量。对于聚集大量科技企业的产业园区，本研究采用“产业园区总产值”反映企业产值主导的研发；，无论是以政府为主导，还是以企业为主导，科研工作的核心要素是科研人才，因此本研究使用“科研人员数量”作为测度指标。
结合上述我国科研发展特点，借鉴李丽、汪德辉[13]和杨凯瑞等[14]提出的智慧城市评价指标，从数据的代表性和本研究的侧重点出发，选用“政府科研投资”、“产业园区总产值”、“科研人员数量”这3个阶段指标衡量科研发展，分别记为SRO、NOR、SRI，并列出各变量的代号、名称及其来源，具体说明见表1。
表1 变量说明
变量代号变量名称内容SMC智慧城市发展网络用户数量、专利授权数量、私营企业年末注册登记户数、人均固定资产投资占GDP比重SRO科研产出产业园区总产值NOR科研生产科研人员数量SRI科研投入政府科研投资
2.2.1 构建 VAR 模型
科研发展会促进智慧城市建设，其是由智慧城市发展和其它各类因素共同决定的内生变量。VAR 模型的优势就在于，将所有变量都看作是内生变量，从而突破现有理论的约束。因此，本研究选用 VAR 模型分析科研发展变量与智慧城市建设变量间的长期动态关系。
2.2.2 对VAR模型做广义脉冲响应函数分析
虽然可利用VAR 模型获得一些参数，但这些参数仅反映了某些变量之间的局部关系，难以得到变量间长期动态关系的结论。因此，本研究采用脉冲响应函数对科研发展的各变量与智慧城市发展间的长期动态关系进行全面分析。
2.2.3 进行方差分解分析
广义的脉冲响应函数描述了 VAR 模型中其它内生变量对某一个内生变量冲击的响应符号及响应幅度，但不能反映出该内生变量受到不同冲击时的重要程度。方差分解将 VAR 模型中每个内生变量的变动按其成因分解为与各方程随机扰动项相关联的组成部分，能反映出各方程随机扰动项对模型内生变量的相对重要性，进而评价每一个结构冲击对内生变量变化的贡献度。
首先对面板数据进行平稳性检验、协整检验，然后对模型形式设定进行检验，这些基础性工作对结论的可靠性至关重要。
在 VAR 模型中，只有滞后期足够大时才能完整反映出模型的动态特征。但需要注意的是，当模型滞后期较大时，参数也会随之增多而模型自由度随之减少，因此构建VAR模型的一个关键步骤是选择合理的滞后期。
在本研究中，不同标准下的滞后期数检验结果如表2所示。结果显示，根据LogL、LR、FPE、AIC、SC及HQ准则，选择滞后阶数为2比较合理，判择标准多数最优。
表2 滞后期数检验结果
LagLogLLRFPEAICSCHQ0-1 745.260NA 1.07e+3489.705 6389.876 2589.766 851-1 544.782349.550 88.37e+2980.245 2481.098 3580.551 332-1 509.16254.799 66*3.15e+29*79.239 10*80.774 69*79.790 06*3-1 497.93314.973 194.32e+2979.483 7281.701 8080.279 554-1 477.93122.565 464.06e+2979.278 5382.179 1080.319 23
当选择滞后期数为2时，通过单位根图法对模型进行平稳性检验，发现绝大多数单位根都落在单位圆内(见图1)，因此确定2为VAR模型的滞后期数。
为了避免发生伪回归，首先对各变量进行单位根检验。本研究采用LL&C检验，原假设为“存在单位根”，如果原假设不成立，则说明该变量是平稳的，反之则说明不平稳。单位根检验结果如表3所示。
图1 AR多项逆根特征
表3 中国城镇化对经济发展影响的数据单位根检验结果
检验/变量SMC△SMCSRO△SRONRO△NROSRI△SRILL & C1.594 8(0.944 6)-2.002 6(0.022 6)-0.290 3(0.385 8)-2.983 2(0.000 0)-0.808 9(0.209 3)-3.830 0(0.000 1)-0.997 7(0.159 2)-5.136 4(0.000 0)结论不平稳平稳不平稳平稳不平稳平稳不平稳平稳
注：括号内为p值，括号外为t值，△表示该变量的一阶差分
表3面板单位根检验结果显示，在5%的置信水平上，SMC、SRO、NRO、SRI是不平稳的，一阶差分后的序列平稳，说明具有相同的单整阶数，满足协整检验条件。
由于本研究要采用脉冲响应函数分析科研产出、科研生产、科研投入与智慧城市发展之间的长期动态关系，而脉冲响应函数分析结果的稳定性对误差向量是白噪声序列向量的依赖性较强。因此，在进行脉冲响应函数分析之前，首先要对VAR 模型的时间序列进行平稳性分析。
同阶平稳的变量之间可能存在协整关系，故而需要对各变量进行协整检验。采用多种方法进行协整检验，原假设为“不存在协整关系”，协整检验结果如表4所示。
为了检验变量之间是否存在长期均衡关系，本研究对时间序列进行了 Johansen 协整检验，以判断时间序列之间是否存在协整关系。
从表3可以看出最大特征值的判断与迹,表4结果显示，p值为0.000 0，拒绝原假设；At most 1表示最多有1个协整关系，迹统计量p值为0.000 1，拒绝原假设，即可能存在协整关系，最大特征值计算下结论一致；At most 2及At most 3分别为0.883 6及0.895 8，未拒绝原假设。因此，可认为在5%显著水平下，各序列变量之间存在协整关系，且至少存在2种协整关系。换言之，检验结果说明北京、上海、广州3个城市的产业园区总产值、科研人员数量、政府科研投入等各变量与智慧城市发展之间存在相对稳定的动态均衡关系。
表4 全国数据面板协整检验结果
检验(p)迹统计量最大特征根统计量None0.000 00.000 0At most 10.000 10.000 0At most 20.926 80.883 6At most 30.895 80.895 8
为了进一步考察各变量之间相互的波动性，本研究利用方差分解技术对各变量的预测均方差进行分解，计算出每个变量冲击的相对重要程度，结果如表5所示。
表5显示，科研发展各变量对智慧城市发展具有很强的预测作用。在第1期，各因素对智慧城市发展的影响作用为0，从第2期开始，3个指标均逐渐增长。其中，产业园区总产值在1～5期出现较快速度增长，在6～8期趋于平缓，可见产业园区总产值对于智慧城市发展的贡献作用趋势，增速先加快、后趋于平缓；政府科研投资的影响效应在0～3期以及6～8期均缓慢增长，而在3～6期之间出现快速增长，因此政府科研投资对于智慧城市的发展影响作用呈先缓慢增长、后快速增长，最终又趋于平缓的增长趋势；科研人员数量的影响在1～4期快速增长，第4期达到最高峰后，小幅增长、整体下降，可见科研人员数量对智慧城市发展的影响作用呈现先快速增加、后缓慢增加的趋势。
表5 智慧城市效应分解 (%)
时期均方误差产业园区总产值占比科研人员数量占比政府科研投资占比 10.110 1660.000 0000.000 0000.000 000 20.154 8790.590 6735.369 5210.233 242 30.171 7192.105 2448.728 9620.229 139 40.179 6614.980 8959.064 9391.233 480 50.190 9567.392 5308.759 1383.261 313 60.200 6878.454 3948.632 6684.066 015 70.207 7549.400 9858.686 8824.358 740 80.212 94110.347 258.799 3574.732 738
脉冲响应函数方法(IRF,Impulse Response Function)反映了内生变量当期值和未来值的影响程度，主要用于描述模型受到某种冲击后对系统的动态影响。本研究目的在于考查各变量与智慧城市发展之间的长期动态关系，虽然可以通过VAR模型得到一些参数，但反映的结果具有局限性，故本研究采用脉冲响应函数(IFR)全面考察科研发展的各个变量与智慧城市发展之间的长期动态关系。
本研究运用广义脉冲响应函数，分别分析智慧城市发展对科研发展各变量及影响变量冲击的响应结果(见图2)。横轴表示冲击作用的期数，纵轴表示各影响因素的变化程度；实线是脉冲响应函数曲线，表示各响应变量冲击的动态影响；上下两条虚线分别是正负两倍标准曲线，预示了脉冲响应范围。
图2 SMC对SRI响应
图2为智慧城市发展对政府科研投资一个正冲击的响应曲线，显示在整个冲击期内，智慧城市发展对当期政府部门科研投入一个单位冲击的响应曲线呈上升趋势，具体呈现为当期响应值为正，之后上升的趋势。曲线总体发散，表明政府科研投资对智慧城市的发展具有正面效应，该效应随时间推移有扩大趋势。
图3 SMC对SRO响应
图3为智慧城市发展对产业园区总产值一个正冲击的响应曲线，显示在整个冲击期内，智慧城市成长对当期产业园区总产值一个单位冲击的响应曲线呈上升趋势，具体表现为当期响应值为正，2～3期呈上升趋势，之后保持平稳。曲线总体发散，表明产业园区总产值对智慧城市的发展具有正面效应，这种效应随时间推移有扩大趋势。
图4 SMC对NOR响应
图4为智慧城市发展对科技工作人员数量一个负冲击的响应曲线，显示在整个冲击期内，智慧城市发展对当期科技工作人员数量一个单位冲击的响应曲线呈倒N型趋势，具体表现为当期响应值为负，从第3期开始呈上升趋势，第4期保持平稳，第5期开始下降，之后呈平稳。总体上看，响应曲线发散，表明科技工作人员数量对智慧城市的发展具有负面效应，该效应随时间推移有扩大趋势。
本研究采用2000-2017年北京市、上海市、广州市3个全国一线城市的面板数据，首先通过单元根检验确定两变量在一阶同整，并通过协整检验，确定了3个城市科研发展与智慧城市发展之间存在着相对稳定的动态均衡关系；然后，根据数据情况，使用个体固定效应变系数模型对3个城市科研发展与智慧城市发展的关系进行实证检验；最后，确定VAR模型为最终回归模型，并进行相关分析检验。
本研究通过计量方法分析，得到如下结论：①北京市、上海市、广州市为我国智慧城市发展水平最高的3个一线城市，其科研发展与智慧城市发展间的关系符合中国城市化发展的客观规律，科研发展与智慧城市发展具有同向关系，即这3个城市的科研发展与智慧城市发展之间存在长期相对均衡的关系。同时，实证分析显示这3个城市科研发展与智慧城市效应之间始终保持一种协调稳定的关系；②产业园区总产值及政府科研投资促进智慧城市发展，科研工作人员数量对智慧城市发展具有一定负面效应，科研经费投资通过推动城市科技建设，促使智慧城市水平提高；③智慧城市发展对科研发展具有促进作用，但该促进作用需要较长的时间才能显现。
[1] 辜胜阻，杨建武，刘江日.当前我国智慧城市建设中的问题与对策[J].中国软科学，2003(1):6-12．
[2] 王广斌，张雷，刘洪磊.国内外智慧城市理论研究与实践思考[J].科技进步与对策，2013(19)：153-160.
[3] 宋健.城市信息化风险管理研究[D].天津：天津大学，2009.
[4] 刘楠.信息化背景下智慧城市建设路径选择[D].西安：西安建筑科技大学，2016.
[5] ANDRES P, BENAT B．From R&D to innovation and economic growth in the EU[J]． Growth and Change, 2004,35(4):434-455.
[6] ALAWADHI S, ALDAMANALDA A, CHOURABI H. Building understanding of smart city initiatives [J].Lecture Notes in Com-puter Science,2012(7443):40-53.
[7] 唐建荣,童隆俊,邓贤峰.智慧南京:城市发展新模式[M].南京:南京师范大学出版社,2011.
[8] 杨冰之，郑爱军.智慧城市发展手册[M].北京:机械工业出版社，2012.
[9] 王洪涛，陈洪侠.我国智慧城市创新扩散演进机理及启示--基于38个城市的事件史分析[J].科技进步与对策，2017(3)：44-48.
[10] 赵大鹏.中国智慧城市建设问题研究[D].长春：吉林大学，2013.
[11] 蒋明华，吴运建.创新驱动视角的智慧城市成长机制研究[J]．工程管理学报，2015(6):76-81.
[12] 许治，吴辉凡．政府公共研发对企业研发行为的影响:国外研究评述[J]．科研管理，2006(3):45-50.
[13] 李丽，汪德辉.政府科研投资的经济效果研究——基于SciBud-CGE模型的实证分析[J].科学学与科学技术管理，2009(12)：30-34.
[14] 杨凯瑞.智慧城市评价研究：投入-产出视角[D].武汉：华中科技大学，2015.