陈启东
摘 要：随着智慧城市的高速发展，智能电网的建设对智慧城市发展起到了关键性作用。将智能电网的建设作为一个自然实验，使用2012—2020年地级市面板数据以及绿色全要素生产率，利用双重差分方法实证分析智能电网对智慧城市建设的影响。研究发现，智能电网对于智慧城市建设具有促进作用，但是效应并不显着。一方面，智能电网经历了五年的建设，两者从技术层面、社会经济层面、人民生活质量层面等都未达到有机融合，实现效应的扩大化；另一方面，可以看出智能电网在通信技术、能源效率、发电配电、经济效益、社会福利等方面并没有真正投射到城市居民生活当中，在今后的发展过程中，要把满足人民追求美好生活的电力需求，作为智能电网建设工作的出发点和工作重点。
关键词：智能电网；智慧城市建设；绿色全要素生产率；双重差分
中图分类号：TU984 文献标志码：A 文章编号：1673-291X（2024）01-0045-05
一、研究背景
城市作为我们人类在地球上生活的主要载体，如今面临着众多问题，例如空间布局、资源分配、环境保护、城市可持续发展等。最近五年，国家重点提出发展城市城镇化，让 “互联网+”等技术和理念渗透到智慧城市发展中，提出了智慧城市的发展要与绿色可持续发展相互融合的概念。电力生产和提供是我们国家保障社会生产力和国民经济的重要措施，与当今的智慧城市建设具有紧密的联系。智能电网以电子信息技术和智能调控技术为主要手段，通过信息的连接运输以及接收来实现信息化与自动化。
从我国人口发展趋势来看，今后国内城市的规模会越来越大，城市人口也会越来越多。所以，从目前情况看，我国城市人口的高速发展会带来诸多的城市问题。建设智慧城市是解决现代城市发展相关问题的首要措施。智慧城市的主要功能是通过通讯手段以及通信技术对城市各方面数据进行分析、检测和整合，这样就能够对城市出现的问题及时作出最优化解决。换言之，智慧城市的核心要义是为了实施城市智慧形式的管理以及运行，使用最新的信息技术，让城市更适宜人们居住。
智能电网的出现是世界电力产业上的巨变，可是在智慧城市的建设过程中，智能电网却没有得到充分的重视，其对于家庭、社会环境等方面的潜在作用很大程度地被忽视。因此，我们迫切需要进一步地研究智能电网与智慧城市之间的内在联系及矛盾，这样才能够尽可能地体现出智能电网的潜在作用。
二、文献述评
（一）国内研究现状
我国专家学者对于智慧城市建设的研究在近几年取得了较大成果。李重照分析了我国构建智慧城市的愿景、动力及保障，通过对比国内外推进智慧城市的具体战略计划及典型应用，对我国进一步推进智慧城市建设提出了相关对策建议。李德仁提出了智慧城市中的大数据的要求，目前大数据时代已经到来，利用大数据技术可以实现预测、建模、可视化等。王世福对智慧城市的模型构建及方法进行了研究，研究的内容包括对广义智慧城市的认识、智慧城市研究的概念模型及多学科协同的研究方法准备等。许庆瑞等通过分析国内外智慧城市的研究成果，提出了具有中国特色的智慧城市愿景和战略目标，以及符合中国国情的智慧城市建设的架构，对智慧城市建设提供了方向上的指引和战略结构上的建议。
（二）国外研究现状
近年来，经典预测方法与传统预测方法很难适应电力市场中非线性、多变量、时变性、随机性较强的特点，一些新型预测方法在电力需求预测中得到应用。当前电力市场需求预测方法的发展主要有如下两个方面：使用智能预测模型，提高预测结果的精确度；通过数据挖掘的方法，分析电力市场需求与电力市场外部影响因素的关系，并通过外部影响因素的变化趋势预测电力市场需求的变化。在国外，Xia C.、Wang J.等人基于径
向基函数神经网络模型对短期、中长期电力需求预测分别进行了研究，其中，在短期电力需求预测方面取得了预期的效果，但是由于数据样本点过少，长期电力需求预测未能取得理想效果。Espinoza M.，Suykens J. A.等人利用最小二乘支持向量机预测模型，对短期电力需求进行研究，并将气象数据、日期等外部影响因素作为模型的输入，分别对一步预测及多步预测效果进行研究，通过与传统预测方法的对比，证明了文章提出预测模型的有效性。Hyndman R. J.和Fan S.采用模拟退火算法对支持向量机的参数进行优化，可以避免人为确定参数带来的误差，使支持向量机预测模型更方便推行利用。Rahman S.利用优化向量法分析了各种因素对目标变量影响的相对重要性，并通过专家系统对电力需求进行了预测，相对于单一变量预测方法，在预测精度方面取得了较大提高。Goia A.和Jain A.等人通过聚类算法与不同预测模型组合的方法，对电力市场的需求进行了预测：通过聚类算法，将电力市场需求与外部影响因素指标划分为不同的类，与电力市场需求属于同一类的指标作为预测模型的输入变量，并通过相应的预测模型进行预测。
三、研究设计
（一）模型设定
本文主要用到了两个模型，首先是对于智慧城市建设效果评估指标绿色全要素生产率的模型设定，绿色全要素生产率是我国正式实行智慧城市建设以来，众多学者用来研究评估智慧城市建设的重要指标，基于全要素这个概念与柯布道格拉斯生产函数模型中的资本、劳动力及其相关性，将全要素生产率与其模型中的生产系数A进行了量化表达。本文也是参照了这种替代思想，将绿色全要素生产率中的绿色以能源投入和环境污染物排放两个指标进行同样的评估，最终选取了新柯布道格拉斯生产函数来计算求解智慧城市绿色全要素生产率，该模型设定为：
该新模型的设定是通过对柯布道格拉斯生产函数的变形衍生而得，其中变量Y表示地区生产总值GDP，A在原先的柯布道格拉斯生产函数中表示生产参数，在此新模型当中为绿色全要素参量，K表示资本投入，L表示劳动投入，P表示环境污染物排放，E表示能源投入，α，γ，φ，θ分别表示固定参数，在原先的柯布道格拉斯生产函数中要求指数参数的系数和为1，本文同样得控制各指数项的固定参数和为1，即参数的限定条件为：
由于该模型中个参数的模拟不方便直接用柯布道格拉斯生产函数模型得到，本文对该函数模型进行了取对数、降维降次处理，得到新函数模型如下：
将原先的高次函数模型变成了一次线性模型，LnA也就是本文被解释变量绿色全要素生产率GTFP的表达，本文对于各城市的时间面板数据使用STATAMP14.0软件进行处理，可以得到α，γ，φ，θ各参数的模拟数值，从而得到各城市绿色全要素生产率GTFP的数值。
其次本文是利用双重差分法模型研究智能电网对于智慧城市建设的政策效果冲击。智慧城市的建设时间是从2012年开始，本文对于智能电网的政策效应冲击评估是基于时间面板数据模型，然后对智慧城市出现智能电网时间进行分类，发现大部分城市从2016年这个时间点左右开始实施进行智能电网政策，所以本文设立时间虚拟变量Posti 将2017年1月1日之前赋值为0，之后赋值为1。同样的，对于实验组和对照组之间的虚拟变量用Treati表示，若为实验组虚拟变量赋值为1，对照组则赋值为0。由于本文的时间面板数据具有多期，因此论文选取了双向固定效应模型，即需要控制时间变量和城市个体差异这两个变量的差异，最后基准回归模型的建立如下：
其中，下标i和t分别表示组间虚拟变量和时间虚拟变量，yit为被解释变量，也是在本文前面一个模型所提及的绿色全要素生产率GTFPit，β0为常数项，交互项TreatiPostt+便是智慧城市建设中是否出现智能电网实施该政策的虚拟变量。当i=1时，表示智慧城市受到了政策冲击，否则为0；当t=1时，表示智慧城市处于受到政策冲击的时间点，否则为0。μi为智慧城市的固定效应，即智慧城市随本身内部的变化情况，不受时间变化影响的不可测变量；λt为时间的固定效应，智慧城市本身会随着时间的变化而变化，但不受智慧城市变化的只受时间变化的不可测变量。zit为控制变量，εit为随机扰动项。
（二）变量说明
1.被解释变量。本文的被解释变量为绿色全要素生产率，在原有的全要素生产率模型上引入了环境效率和能源效率两个计算指标，将城市中的工业活动中所产生的污染物以及能源上的投入作为研究的对象。在绿色全要素生产率的模型构成中多引入了两个变量，本文参照了之前学者所用过的对于全要素生产率的柯布道格拉斯生产函数模型，在这个模型中多引入了两个指标，一共形成了四个指标。第一个是资本投入，本文采取了经典的永续盘存法来计算资本存量以用来评估资本投入；第二个是劳动力投入，本文选取了年末城市从业人数总量来估量概念城市的劳动力情况；第三个也是新引入的评估环境效率变量“环境污染物排放”，考虑到近十年各城市排放污染物的情况，选取了工业二氧化硫排放量作为指标衡量；第四个也是最后一个能源效率估计指标“能源投入”，本文中使用了工业用电量该指标。
2.解释变量。本文中的解释变量就是智慧城市建设中出现的智能电网建设，智能电网的出现也是本文主要研究的政策冲击变量，可以理解为在双重差分模型中的解释变量，也就是在实验组（处理组）与政策冲击同时出现的时候的线性系数表示。在本文中用虚拟变量treati来表示实验组中第i个城市，实验组城市记该虚拟变量的数值为1，对照组城市则取0，同样的，我们设定posti为政策智能电网建设实施的时间，在当年和以后，取该虚拟变量为1，在政策实施之前取0，那么treati*posti即为他们的交互项，其中前面的系数也可以理解为政策冲击影响的效果评估。
3.控制变量。本文总共选取了一下五个控制变量：（1）产业结构，选取了第二产业的总量与地区生产总值GDP的比值，是因为第二产业包含了电力、制造业、轻工业等行业，有着巨大的资源与能源的消耗，影响着智慧城市的建设。（2）城市经济发展，选取了人均GDP作为评估该城市经济发展情况，人均GDP的水平很大程度反映着智慧城市建设的进度。（3）城市化水平，本文选取了人口城镇化率来评估城市化水平，人口城镇化率是智慧城市建设对于城市格局改革变化的重要影响因素，城镇化率也就代表着城市建设水平的高低。（4）政府干预，使用地区财政支出与地区生产总值GDP之间的比值作为衡量，财政支出很大程度上反映着政府对于城市建设的重视程度，资金的运用以及分布是智慧城市大力发展的重要前提。（5）实际利用外资，以当年实际使用外资数额与当年地区生产总值GDP之间的比值，外资以美元计量，以当年平均汇率进行换算。
四、结果分析
（一）回归结果
表1为智能电网政策实施过程中，智慧城市建设水平GTFP的回归结果。分析回归结果发现，两个回归模型的结果分别为0.004、0.007，均为正数且数值相近，一方面说明了回归结果的稳定性，另一方面，虽然在统计学结果中并不显着，但系数为正说明智能电网对于智慧城市建设的正向促进作用。换言之，智能电网建设过程中，对评估智慧城市建设水平的GTFP影响显着性不高。主要结果表1所示。
（二）稳健性检验
1.平行趋势假设。为确保研究发现的可靠性，本研究对平行趋势进行了检验。本文研究以2016年作为时间政策节点，综合考虑到面板数据特征及智能电网政策出现时间段，选择了2013—2019年面板数据，以年为时间单位进行了平行趋势假设。绿色全要素生产率的平行趋势分析结果如图1所示。
从图1的趋势来看，2016年作为政策冲击时间点，在2016年之前的系数没有明显的变化趋势，但在2016年之后系数有着较明显的上升趋势，即2016年智能电网政策的影响，对智慧城市建设起到了较为显着的影响。
2.动态检验。为了对智能电网政策影响的动态效应进一步做研究评估，考察智慧城市建设情况，本研究对2013年、2014年、2015年、2016年、2017年、2018年、2019年的政策效果进行了动态检验。在表2中，列（1）、列（2）、列（3）、列（4）列（5）、列（6）、列（7）分别以2013年、2014年、2015年、2016年、2017年、2018年、2019年作为时间节点，评估模型为双向固定效应模型，并控制了城市—时间层面的控制变量。
对回归结果进行分析发现，绿色全要素生产率作为智慧城市的综合指标，2016年之前的回归系数逐渐下降，但是从2016年之后回归系数逐渐增加，分析结果表明2016年之后绿色全要素生产率逐渐增加，但不显着。
3.倾向匹配得分法。由于各个城市在智能电网建设当中会具有响应明确的政策指向，因此可能会存在选择偏误，即本研究中设置的处理组和对照组不满足平行趋势假设。而在双重差分的设计中，可以采用倾向得分匹配法来获得一个新样本来缓解自选择问题。本研究采用常用的核匹配虚构了一个对照组进行回归分析，评估智能电网对于智慧城市建设的效果，以2016年为时间节点。倾向得分匹配通过协变量来进行权重匹配，协变量的选择通常根据已有研究来设置。由于协变量的设置，回归模型中不再对城市—时间层面的控制变量进行控制，否则会出现共线性问题。回归结果见表3。
分析结果表明，以2016年为政策节点，运用PSM-DID进行检验后，智能电网政策对GTFP未产生显着的作用，进一步验证了基准回归结果。
4.与OLS回归结果比较。本文为了验证智能电网建设对智慧城市带来的影响，对绿色全要素生产率进行了OLS回归。
回归结果表明，尽管回归系数的数值较小，但其显着为正的趋势表明了绿色全要素生产率的变化趋势，即智慧城市建设水平从2016—2020年呈现向上增长的趋势，智能电网对于智慧城市建设具有一定的促进作用。
五、结论与启示
本文的总结将会从两个方面进行展开论述。一是本文的研究内容，智能电网对于智慧城市建设的影响评估。首先，本文对于智慧城市的影响评估变量进行了选取，绿色全要素生产率是国内外众多学者采取对于城市建设的主要评价指标。其次，计量绿色全要素生产率的模型在国内主要以三个方法为主。本文选取了柯布道格拉斯生产函数模型来对绿色全要素生产率进行计算，与原来的生产函数模型的变量不一样，将绿色的内涵引申为环境污染物排放和能源投入两个变量指标，然后通过stata14.0软件对于该具有限制性的线性模型进行计算，通过线性回归系数得出了各智慧城市的绿色全要素生产率。最后，本文使用了双重差分方法对智能电网政策效应进行了评估计量，同样也是使用stata14.0软件建立双重差分模型，对模型进行了效应评估和稳健性检验，其中稳健性检验包含四部分，即平行趋势假设、动态检验、倾向匹配得分法、OLS回归。二是本文的结果与分析，本文最后通过模型的数据得出智能电网对于智慧城市建设的确存在正向的推进作用，但是该作用的强度较弱。可能会有以下几个方面的原因：第一点是智慧城市建设与智能电网建设时间不久，时间面板数据的宽度不够大，导致智能电网建设所带来的作用和影响并未完全发挥；第二点是绿色全要素生产率的计量，本文通过资本投入、劳动投入、环境污染物排放以及能源投入四个指标进行综合评估分析，然而智能电网初期对于智慧城市的建设可能主要集中在电网结构发电、配电、输电等经济效益方面为主，与绿色全要素生产率指标的关联度较低；第三点是智能电网实施时间尚短，国内也是第一次试点建设，但是智能电网建设在信息通信技术上为人民生活提供了便利，智能电网的出现改善了能源结构，包括电动汽车的引入，智能小区、智能园区概念的开发建设，对于生态环境的保护也起到了很大作用。
综合上述两部分内容，本文在方法研究上以及智能电网与智慧城市的实证分析部分都是可行的，存在的不足是智能电网对于智慧城市建设的范围过于宽泛，对于智慧城市建设评价指标建立尤为困难，所以本文中的正向作用不高。但是随着时间的推移，智能电网建设与智慧城市建设水平都会逐渐成熟，智能电网在智慧城市各方面的应用以及作用有着无限的潜力，智能电网与智慧城市建设必将成为我国城市形态的主要标志。
参考文献：
[1] 李重照，刘淑华.智慧城市：中国城市治理的新趋向[J].电子政务，2011（6）：6.
[2] 李德仁.智慧城市“挖掘”大数据[J].中国信息化，2014（11）：4.
[3] 王世福.智慧城市研究的模型构建及方法思考[J].规划师，2012，28（4）：19-23.
[4] 许庆瑞，吴志岩，陈力田.智慧城市的愿景与架构[J].管理工程学报，2012，26（4）：7.
[5] 孙辉，姜梅.灰色理论在中长期电力负荷预测中的应用研究[J].东北电力学院学报，1997，17（2）：6.
[6] 王大鹏.灰色预测模型及中长期电力负荷预测应用研究[D].武汉：华中科技大学，2013.
[7] 李春祥.基于知识发现的电力需求复合预测研究[D].保定：华北电力大学（保定），2009.
[8] 张博.地区电网电力需求预测方法研究及应用[J].电源技术应用，2013（3）：226-227.
[9] 原媛.电力负荷特性分析及中长期负荷预测方法研究[D].上海：上海交通大学，2008.
[10] 王艳龙.基于数据挖掘的中长期电力市场需求分析及预测[D].杭州：浙江大学，2016.
[11] Xia C.，Wang J.，Mcmenemy K. Short，medium and long term load forecasting model and virtual load forecaster based on radial basis function neural networks[J].International Journal of Electrical Power&Energy Systems，2010，32（7）：743-750.
[12] Espinoza M.，Suykens J. A.，BELMANS R. Electric load forecasting[J].IEEE Control Systems，2007，27（5）：43-57.
[13] Hyndman R. J.，Fan S. Density forecasting for long-term peak electricity demand[J].IEEE Transactions on Power Systems，2010，25（2）：1142-1153.
[14] Rahman S.，Baba M. Software design and evaluation of a microcomputer-based automated load forecasting system[J].IEEE Transactions on Power Systems，1989，4（2）： 782-784.
[15] Goia A.，May C.，Fusai G. Functional clustering and linear regression for peak load forecasting[J].International Journal of Forecasting， 2010，26（4）：700-706.
[16] Jain A.，Satish B. Clustering based short term load forecasting using support vector machines [Cl].Power Tech，IEEE Bucharest，2009：1-8.
[责任编辑 刘 瑶]
