智能電網對智慧城市建設的影響研究

陳啟東

摘? ?要：隨著智慧城市的高速發展，智能電網的建設對智慧城市發展起到了關鍵性作用。將智能電網的建設作為一個自然實驗，使用2012—2020年地級市面板數據以及綠色全要素生產率，利用雙重差分方法實證分析智能電網對智慧城市建設的影響。研究發現，智能電網對于智慧城市建設具有促進作用，但是效應并不顯著。一方面，智能電網經歷了五年的建設，兩者從技術層面、社會經濟層面、人民生活質量層面等都未達到有機融合，實現效應的擴大化；另一方面，可以看出智能電網在通信技術、能源效率、發電配電、經濟效益、社會福利等方面并沒有真正投射到城市居民生活當中，在今后的發展過程中，要把滿足人民追求美好生活的電力需求，作為智能電網建設工作的出發點和工作重點。

關鍵詞：智能電網；智慧城市建設；綠色全要素生產率；雙重差分

中圖分類號：TU984? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2024）01-0045-05

一、研究背景

城市作為我們人類在地球上生活的主要載體，如今面臨著眾多問題，例如空間布局、資源分配、環境保護、城市可持續發展等。最近五年，國家重點提出發展城市城鎮化，讓 “互聯網+”等技術和理念滲透到智慧城市發展中，提出了智慧城市的發展要與綠色可持續發展相互融合的概念。電力生產和提供是我們國家保障社會生產力和國民經濟的重要措施，與當今的智慧城市建設具有緊密的聯系。智能電網以電子信息技術和智能調控技術為主要手段，通過信息的連接運輸以及接收來實現信息化與自動化。

從我國人口發展趨勢來看，今后國內城市的規模會越來越大，城市人口也會越來越多。所以，從目前情況看，我國城市人口的高速發展會帶來諸多的城市問題。建設智慧城市是解決現代城市發展相關問題的首要措施。智慧城市的主要功能是通過通訊手段以及通信技術對城市各方面數據進行分析、檢測和整合，這樣就能夠對城市出現的問題及時作出最優化解決。換言之，智慧城市的核心要義是為了實施城市智慧形式的管理以及運行，使用最新的信息技術，讓城市更適宜人們居住。

智能電網的出現是世界電力產業上的巨變，可是在智慧城市的建設過程中，智能電網卻沒有得到充分的重視，其對于家庭、社會環境等方面的潛在作用很大程度地被忽視。因此，我們迫切需要進一步地研究智能電網與智慧城市之間的內在聯系及矛盾，這樣才能夠盡可能地體現出智能電網的潛在作用。

二、文獻述評

（一）國內研究現狀

我國專家學者對于智慧城市建設的研究在近幾年取得了較大成果。李重照分析了我國構建智慧城市的愿景、動力及保障，通過對比國內外推進智慧城市的具體戰略計劃及典型應用，對我國進一步推進智慧城市建設提出了相關對策建議。李德仁提出了智慧城市中的大數據的要求，目前大數據時代已經到來，利用大數據技術可以實現預測、建模、可視化等。王世福對智慧城市的模型構建及方法進行了研究，研究的內容包括對廣義智慧城市的認識、智慧城市研究的概念模型及多學科協同的研究方法準備等。許慶瑞等通過分析國內外智慧城市的研究成果，提出了具有中國特色的智慧城市愿景和戰略目標，以及符合中國國情的智慧城市建設的架構，對智慧城市建設提供了方向上的指引和戰略結構上的建議。

（二）國外研究現狀

近年來，經典預測方法與傳統預測方法很難適應電力市場中非線性、多變量、時變性、隨機性較強的特點，一些新型預測方法在電力需求預測中得到應用。當前電力市場需求預測方法的發展主要有如下兩個方面：使用智能預測模型，提高預測結果的精確度；通過數據挖掘的方法，分析電力市場需求與電力市場外部影響因素的關系，并通過外部影響因素的變化趨勢預測電力市場需求的變化。在國外，Xia C.、Wang J.等人基于徑

向基函數神經網絡模型對短期、中長期電力需求預測分別進行了研究，其中，在短期電力需求預測方面取得了預期的效果，但是由于數據樣本點過少，長期電力需求預測未能取得理想效果。Espinoza M.，Suykens J. A.等人利用最小二乘支持向量機預測模型，對短期電力需求進行研究，并將氣象數據、日期等外部影響因素作為模型的輸入，分別對一步預測及多步預測效果進行研究，通過與傳統預測方法的對比，證明了文章提出預測模型的有效性。Hyndman R. J.和Fan S.采用模擬退火算法對支持向量機的參數進行優化，可以避免人為確定參數帶來的誤差，使支持向量機預測模型更方便推行利用。Rahman S.利用優化向量法分析了各種因素對目標變量影響的相對重要性，并通過專家系統對電力需求進行了預測，相對于單一變量預測方法，在預測精度方面取得了較大提高。Goia A.和Jain A.等人通過聚類算法與不同預測模型組合的方法，對電力市場的需求進行了預測：通過聚類算法，將電力市場需求與外部影響因素指標劃分為不同的類，與電力市場需求屬于同一類的指標作為預測模型的輸入變量，并通過相應的預測模型進行預測。

三、研究設計

（一）模型設定

本文主要用到了兩個模型，首先是對于智慧城市建設效果評估指標綠色全要素生產率的模型設定，綠色全要素生產率是我國正式實行智慧城市建設以來，眾多學者用來研究評估智慧城市建設的重要指標，基于全要素這個概念與柯布道格拉斯生產函數模型中的資本、勞動力及其相關性，將全要素生產率與其模型中的生產系數A進行了量化表達。本文也是參照了這種替代思想，將綠色全要素生產率中的綠色以能源投入和環境污染物排放兩個指標進行同樣的評估，最終選取了新柯布道格拉斯生產函數來計算求解智慧城市綠色全要素生產率，該模型設定為：

該新模型的設定是通過對柯布道格拉斯生產函數的變形衍生而得，其中變量Y表示地區生產總值GDP，A在原先的柯布道格拉斯生產函數中表示生產參數，在此新模型當中為綠色全要素參量，K表示資本投入，L表示勞動投入，P表示環境污染物排放，E表示能源投入，α，γ，φ，θ分別表示固定參數，在原先的柯布道格拉斯生產函數中要求指數參數的系數和為1，本文同樣得控制各指數項的固定參數和為1，即參數的限定條件為：

由于該模型中個參數的模擬不方便直接用柯布道格拉斯生產函數模型得到，本文對該函數模型進行了取對數、降維降次處理，得到新函數模型如下：

將原先的高次函數模型變成了一次線性模型，LnA也就是本文被解釋變量綠色全要素生產率GTFP的表達，本文對于各城市的時間面板數據使用STATAMP14.0軟件進行處理，可以得到α，γ，φ，θ各參數的模擬數值，從而得到各城市綠色全要素生產率GTFP的數值。

其次本文是利用雙重差分法模型研究智能電網對于智慧城市建設的政策效果沖擊。智慧城市的建設時間是從2012年開始，本文對于智能電網的政策效應沖擊評估是基于時間面板數據模型，然后對智慧城市出現智能電網時間進行分類，發現大部分城市從2016年這個時間點左右開始實施進行智能電網政策，所以本文設立時間虛擬變量Posti 將2017年1月1日之前賦值為0，之后賦值為1。同樣的，對于實驗組和對照組之間的虛擬變量用Treati表示，若為實驗組虛擬變量賦值為1，對照組則賦值為0。由于本文的時間面板數據具有多期，因此論文選取了雙向固定效應模型，即需要控制時間變量和城市個體差異這兩個變量的差異，最后基準回歸模型的建立如下：

其中，下標i和t分別表示組間虛擬變量和時間虛擬變量，yit為被解釋變量，也是在本文前面一個模型所提及的綠色全要素生產率GTFPit，β0為常數項，交互項TreatiPostt+便是智慧城市建設中是否出現智能電網實施該政策的虛擬變量。當i=1時，表示智慧城市受到了政策沖擊，否則為0；當t=1時，表示智慧城市處于受到政策沖擊的時間點，否則為0。μi為智慧城市的固定效應，即智慧城市隨本身內部的變化情況，不受時間變化影響的不可測變量；λt為時間的固定效應，智慧城市本身會隨著時間的變化而變化，但不受智慧城市變化的只受時間變化的不可測變量。zit為控制變量，εit為隨機擾動項。

（二）變量說明

1.被解釋變量。本文的被解釋變量為綠色全要素生產率，在原有的全要素生產率模型上引入了環境效率和能源效率兩個計算指標，將城市中的工業活動中所產生的污染物以及能源上的投入作為研究的對象。在綠色全要素生產率的模型構成中多引入了兩個變量，本文參照了之前學者所用過的對于全要素生產率的柯布道格拉斯生產函數模型，在這個模型中多引入了兩個指標，一共形成了四個指標。第一個是資本投入，本文采取了經典的永續盤存法來計算資本存量以用來評估資本投入；第二個是勞動力投入，本文選取了年末城市從業人數總量來估量概念城市的勞動力情況；第三個也是新引入的評估環境效率變量“環境污染物排放”，考慮到近十年各城市排放污染物的情況，選取了工業二氧化硫排放量作為指標衡量；第四個也是最后一個能源效率估計指標“能源投入”，本文中使用了工業用電量該指標。

2.解釋變量。本文中的解釋變量就是智慧城市建設中出現的智能電網建設，智能電網的出現也是本文主要研究的政策沖擊變量，可以理解為在雙重差分模型中的解釋變量，也就是在實驗組（處理組）與政策沖擊同時出現的時候的線性系數表示。在本文中用虛擬變量treati來表示實驗組中第i個城市，實驗組城市記該虛擬變量的數值為1，對照組城市則取0，同樣的，我們設定posti為政策智能電網建設實施的時間，在當年和以后，取該虛擬變量為1，在政策實施之前取0，那么treati*posti即為他們的交互項，其中前面的系數也可以理解為政策沖擊影響的效果評估。

3.控制變量。本文總共選取了一下五個控制變量：（1）產業結構，選取了第二產業的總量與地區生產總值GDP的比值，是因為第二產業包含了電力、制造業、輕工業等行業，有著巨大的資源與能源的消耗，影響著智慧城市的建設。（2）城市經濟發展，選取了人均GDP作為評估該城市經濟發展情況，人均GDP的水平很大程度反映著智慧城市建設的進度。（3）城市化水平，本文選取了人口城鎮化率來評估城市化水平，人口城鎮化率是智慧城市建設對于城市格局改革變化的重要影響因素，城鎮化率也就代表著城市建設水平的高低。（4）政府干預，使用地區財政支出與地區生產總值GDP之間的比值作為衡量，財政支出很大程度上反映著政府對于城市建設的重視程度，資金的運用以及分布是智慧城市大力發展的重要前提。（5）實際利用外資，以當年實際使用外資數額與當年地區生產總值GDP之間的比值，外資以美元計量，以當年平均匯率進行換算。

四、結果分析

（一）回歸結果

表1為智能電網政策實施過程中，智慧城市建設水平GTFP的回歸結果。分析回歸結果發現，兩個回歸模型的結果分別為0.004、0.007，均為正數且數值相近，一方面說明了回歸結果的穩定性，另一方面，雖然在統計學結果中并不顯著，但系數為正說明智能電網對于智慧城市建設的正向促進作用。換言之，智能電網建設過程中，對評估智慧城市建設水平的GTFP影響顯著性不高。主要結果表1所示。

（二）穩健性檢驗

1.平行趨勢假設。為確保研究發現的可靠性，本研究對平行趨勢進行了檢驗。本文研究以2016年作為時間政策節點，綜合考慮到面板數據特征及智能電網政策出現時間段，選擇了2013—2019年面板數據，以年為時間單位進行了平行趨勢假設。綠色全要素生產率的平行趨勢分析結果如圖1所示。

從圖1的趨勢來看，2016年作為政策沖擊時間點，在2016年之前的系數沒有明顯的變化趨勢，但在2016年之后系數有著較明顯的上升趨勢，即2016年智能電網政策的影響，對智慧城市建設起到了較為顯著的影響。

2.動態檢驗。為了對智能電網政策影響的動態效應進一步做研究評估，考察智慧城市建設情況，本研究對2013年、2014年、2015年、2016年、2017年、2018年、2019年的政策效果進行了動態檢驗。在表2中，列（1）、列（2）、列（3）、列（4）列（5）、列（6）、列（7）分別以2013年、2014年、2015年、2016年、2017年、2018年、2019年作為時間節點，評估模型為雙向固定效應模型，并控制了城市—時間層面的控制變量。

對回歸結果進行分析發現，綠色全要素生產率作為智慧城市的綜合指標，2016年之前的回歸系數逐漸下降，但是從2016年之后回歸系數逐漸增加，分析結果表明2016年之后綠色全要素生產率逐漸增加，但不顯著。

3.傾向匹配得分法。由于各個城市在智能電網建設當中會具有響應明確的政策指向，因此可能會存在選擇偏誤，即本研究中設置的處理組和對照組不滿足平行趨勢假設。而在雙重差分的設計中，可以采用傾向得分匹配法來獲得一個新樣本來緩解自選擇問題。本研究采用常用的核匹配虛構了一個對照組進行回歸分析，評估智能電網對于智慧城市建設的效果，以2016年為時間節點。傾向得分匹配通過協變量來進行權重匹配，協變量的選擇通常根據已有研究來設置。由于協變量的設置，回歸模型中不再對城市—時間層面的控制變量進行控制，否則會出現共線性問題。回歸結果見表3。

分析結果表明，以2016年為政策節點，運用PSM-DID進行檢驗后，智能電網政策對GTFP未產生顯著的作用，進一步驗證了基準回歸結果。

4.與OLS回歸結果比較。本文為了驗證智能電網建設對智慧城市帶來的影響，對綠色全要素生產率進行了OLS回歸。

回歸結果表明，盡管回歸系數的數值較小，但其顯著為正的趨勢表明了綠色全要素生產率的變化趨勢，即智慧城市建設水平從2016—2020年呈現向上增長的趨勢，智能電網對于智慧城市建設具有一定的促進作用。

五、結論與啟示

本文的總結將會從兩個方面進行展開論述。一是本文的研究內容，智能電網對于智慧城市建設的影響評估。首先，本文對于智慧城市的影響評估變量進行了選取，綠色全要素生產率是國內外眾多學者采取對于城市建設的主要評價指標。其次，計量綠色全要素生產率的模型在國內主要以三個方法為主。本文選取了柯布道格拉斯生產函數模型來對綠色全要素生產率進行計算，與原來的生產函數模型的變量不一樣，將綠色的內涵引申為環境污染物排放和能源投入兩個變量指標，然后通過stata14.0軟件對于該具有限制性的線性模型進行計算，通過線性回歸系數得出了各智慧城市的綠色全要素生產率。最后，本文使用了雙重差分方法對智能電網政策效應進行了評估計量，同樣也是使用stata14.0軟件建立雙重差分模型，對模型進行了效應評估和穩健性檢驗，其中穩健性檢驗包含四部分，即平行趨勢假設、動態檢驗、傾向匹配得分法、OLS回歸。二是本文的結果與分析，本文最后通過模型的數據得出智能電網對于智慧城市建設的確存在正向的推進作用，但是該作用的強度較弱。可能會有以下幾個方面的原因：第一點是智慧城市建設與智能電網建設時間不久，時間面板數據的寬度不夠大，導致智能電網建設所帶來的作用和影響并未完全發揮；第二點是綠色全要素生產率的計量，本文通過資本投入、勞動投入、環境污染物排放以及能源投入四個指標進行綜合評估分析，然而智能電網初期對于智慧城市的建設可能主要集中在電網結構發電、配電、輸電等經濟效益方面為主，與綠色全要素生產率指標的關聯度較低；第三點是智能電網實施時間尚短，國內也是第一次試點建設，但是智能電網建設在信息通信技術上為人民生活提供了便利，智能電網的出現改善了能源結構，包括電動汽車的引入，智能小區、智能園區概念的開發建設，對于生態環境的保護也起到了很大作用。

綜合上述兩部分內容，本文在方法研究上以及智能電網與智慧城市的實證分析部分都是可行的，存在的不足是智能電網對于智慧城市建設的范圍過于寬泛，對于智慧城市建設評價指標建立尤為困難，所以本文中的正向作用不高。但是隨著時間的推移，智能電網建設與智慧城市建設水平都會逐漸成熟，智能電網在智慧城市各方面的應用以及作用有著無限的潛力，智能電網與智慧城市建設必將成為我國城市形態的主要標志。

參考文獻：

[1]? ?李重照，劉淑華.智慧城市：中國城市治理的新趨向[J].電子政務，2011（6）：6.

[2]? ?李德仁.智慧城市“挖掘”大數據[J].中國信息化，2014（11）：4.

[3]? ?王世福.智慧城市研究的模型構建及方法思考[J].規劃師，2012，28（4）：19-23.

[4]? ?許慶瑞，吳志巖，陳力田.智慧城市的愿景與架構[J].管理工程學報，2012，26（4）：7.

[5]? ?孫輝，姜梅.灰色理論在中長期電力負荷預測中的應用研究[J].東北電力學院學報，1997，17（2）：6.

[6]? ?王大鵬.灰色預測模型及中長期電力負荷預測應用研究[D].武漢：華中科技大學，2013.

[7]? ?李春祥.基于知識發現的電力需求復合預測研究[D].保定：華北電力大學（保定），2009.

[8]? ?張博.地區電網電力需求預測方法研究及應用[J].電源技術應用，2013（3）：226-227.

[9]? ?原媛.電力負荷特性分析及中長期負荷預測方法研究[D].上海：上海交通大學，2008.

[10]? ?王艷龍.基于數據挖掘的中長期電力市場需求分析及預測[D].杭州：浙江大學，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.

[責任編輯? ?劉? ?瑤]