智慧城市建设对中国污染控制与碳减排协同效应的赋能：基于双机器学习方法的实证分析

本研究针对传统城市发展模式下的环境治理困境，通过双机器学习方法(DML)分析中国273个城市2006-2022年面板数据，揭示智慧城市政策(SCP)通过强化政府治理、企业智能化转型、产业升级和公众绿色参与四重路径，显著提升污染控制与碳减排协同效应(SEPCCR)，为发展中国家实现"双碳"目标提供政策优化路径。

　　

随着中国城镇化进程加速，化石能源消耗带来的PM_2.5污染与CO₂排放形成"环境-气候"双重枷锁。尽管"蓝天保卫战"取得阶段性成果，但实现2030碳达峰与2060碳中和的"双碳"目标仍面临严峻挑战。传统治理模式往往将大气污染防治与碳减排割裂实施，导致政策资源重复投入而效果受限。国际经验表明，数字技术驱动的智慧城市(Smart City)建设可能成为破解这一困局的金钥匙——IBM于2008年提出的"智慧地球"概念，在中国已转化为覆盖273个城市的国家级试点工程。

南京理工大学环境与生物工程学院的研究团队在《Journal of Cleaner Production》发表的研究，首次采用双机器学习(Double Machine Learning, DML)方法，系统评估了智慧城市政策(Smart City Policy, SCP)对污染控制与碳减排协同效应(Synergy Effect of Pollution Control and Carbon Reduction, SEPCCR)的影响机制。通过构建包含政府-企业-产业-公众四维度的理论框架，分析2006-2022年中国地级市面板数据，发现SCP实施使城市SEPCCR效率值提升23.6%，这一结论在替换机器学习算法、排除新冠疫情干扰等7种稳健性检验后依然成立。

研究采用的关键技术包括：1) 基于随机森林算法的DML模型，通过1:4样本分割解决高维控制变量下的"维度灾难"问题；2) 耦合协调度模型量化SEPCCR，综合SO₂、NO_x等污染物与CO₂排放强度构建评价体系；3) 中介效应模型解析政府数字治理、企业R&D投入等传导路径；4) 异质性分析识别东部地区、大城市等高响应群体的政策敏感度。

【基准回归】
DML结果显示SCP的回归系数为0.236且在1%水平显著，表明试点城市SEPCCR效率值较非试点城市平均高出23.6%。当采用XGBoost算法替代随机森林时，系数波动范围仅±0.018，证明结果稳健。

【机制分析】
SCP通过四条传导路径增强SEPCCR：1) 政府端搭建"城市大脑"平台使环境监管效率提升34.7%；2) 企业端物联网技术应用促使单位GDP能耗下降12.3%；3) 产业端数字经济占比每提高1%带动碳排放强度降低0.8%；4) 公众端环保APP使用率与垃圾分类参与率呈显著正相关。

【异质性分析】
政策效果呈现明显空间分异：东部城市效果(32.1%)>中西部(18.3%)；副省级城市(28.9%)>地级市(21.4%)；非老工业基地(27.5%)>老工业基地(15.2%)。环境重点城市表现尤为突出，印证"数字赋能"与"政策强化"的乘数效应。

该研究在方法论层面创新性地将机器学习引入环境政策评估，克服传统DID模型对平行趋势的严苛要求。实践层面揭示SCP不仅实现"环境-气候"协同治理，更催生绿色经济增长点——测算显示智慧城市建设每投入1元可产生2.3元SEPCCR综合收益。研究建议：1) 建立"一城一策"的SCP实施方案，优先在资源型城市布局数字基础设施；2) 开发SEPCCR智能监测平台，实时追踪SO₂-CO₂协同减排量；3) 将SEPCCR纳入地方政府绩效考核体系。这些发现为全球发展中国家探索数字化环境治理范式提供了中国方案。