智能電網(wǎng)對(duì)智慧城市建設(shè)的影響研究

陳啟東

摘? ?要：隨著智慧城市的高速發(fā)展，智能電網(wǎng)的建設(shè)對(duì)智慧城市發(fā)展起到了關(guān)鍵性作用。將智能電網(wǎng)的建設(shè)作為一個(gè)自然實(shí)驗(yàn)，使用2012—2020年地級(jí)市面板數(shù)據(jù)以及綠色全要素生產(chǎn)率，利用雙重差分方法實(shí)證分析智能電網(wǎng)對(duì)智慧城市建設(shè)的影響。研究發(fā)現(xiàn)，智能電網(wǎng)對(duì)于智慧城市建設(shè)具有促進(jìn)作用，但是效應(yīng)并不顯著。一方面，智能電網(wǎng)經(jīng)歷了五年的建設(shè)，兩者從技術(shù)層面、社會(huì)經(jīng)濟(jì)層面、人民生活質(zhì)量層面等都未達(dá)到有機(jī)融合，實(shí)現(xiàn)效應(yīng)的擴(kuò)大化；另一方面，可以看出智能電網(wǎng)在通信技術(shù)、能源效率、發(fā)電配電、經(jīng)濟(jì)效益、社會(huì)福利等方面并沒(méi)有真正投射到城市居民生活當(dāng)中，在今后的發(fā)展過(guò)程中，要把滿(mǎn)足人民追求美好生活的電力需求，作為智能電網(wǎng)建設(shè)工作的出發(fā)點(diǎn)和工作重點(diǎn)。

關(guān)鍵詞：智能電網(wǎng)；智慧城市建設(shè)；綠色全要素生產(chǎn)率；雙重差分

中圖分類(lèi)號(hào)：TU984? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2024）01-0045-05

一、研究背景

城市作為我們?nèi)祟?lèi)在地球上生活的主要載體，如今面臨著眾多問(wèn)題，例如空間布局、資源分配、環(huán)境保護(hù)、城市可持續(xù)發(fā)展等。最近五年，國(guó)家重點(diǎn)提出發(fā)展城市城鎮(zhèn)化，讓 “互聯(lián)網(wǎng)+”等技術(shù)和理念滲透到智慧城市發(fā)展中，提出了智慧城市的發(fā)展要與綠色可持續(xù)發(fā)展相互融合的概念。電力生產(chǎn)和提供是我們國(guó)家保障社會(huì)生產(chǎn)力和國(guó)民經(jīng)濟(jì)的重要措施，與當(dāng)今的智慧城市建設(shè)具有緊密的聯(lián)系。智能電網(wǎng)以電子信息技術(shù)和智能調(diào)控技術(shù)為主要手段，通過(guò)信息的連接運(yùn)輸以及接收來(lái)實(shí)現(xiàn)信息化與自動(dòng)化。

從我國(guó)人口發(fā)展趨勢(shì)來(lái)看，今后國(guó)內(nèi)城市的規(guī)模會(huì)越來(lái)越大，城市人口也會(huì)越來(lái)越多。所以，從目前情況看，我國(guó)城市人口的高速發(fā)展會(huì)帶來(lái)諸多的城市問(wèn)題。建設(shè)智慧城市是解決現(xiàn)代城市發(fā)展相關(guān)問(wèn)題的首要措施。智慧城市的主要功能是通過(guò)通訊手段以及通信技術(shù)對(duì)城市各方面數(shù)據(jù)進(jìn)行分析、檢測(cè)和整合，這樣就能夠?qū)Τ鞘谐霈F(xiàn)的問(wèn)題及時(shí)作出最優(yōu)化解決。換言之，智慧城市的核心要義是為了實(shí)施城市智慧形式的管理以及運(yùn)行，使用最新的信息技術(shù)，讓城市更適宜人們居住。

智能電網(wǎng)的出現(xiàn)是世界電力產(chǎn)業(yè)上的巨變，可是在智慧城市的建設(shè)過(guò)程中，智能電網(wǎng)卻沒(méi)有得到充分的重視，其對(duì)于家庭、社會(huì)環(huán)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(jìn)一步地研究智能電網(wǎng)與智慧城市之間的內(nèi)在聯(lián)系及矛盾，這樣才能夠盡可能地體現(xiàn)出智能電網(wǎng)的潛在作用。

二、文獻(xiàn)述評(píng)

（一）國(guó)內(nèi)研究現(xiàn)狀

我國(guó)專(zhuān)家學(xué)者對(duì)于智慧城市建設(shè)的研究在近幾年取得了較大成果。李重照分析了我國(guó)構(gòu)建智慧城市的愿景、動(dòng)力及保障，通過(guò)對(duì)比國(guó)內(nèi)外推進(jìn)智慧城市的具體戰(zhàn)略計(jì)劃及典型應(yīng)用，對(duì)我國(guó)進(jìn)一步推進(jìn)智慧城市建設(shè)提出了相關(guān)對(duì)策建議。李德仁提出了智慧城市中的大數(shù)據(jù)的要求，目前大數(shù)據(jù)時(shí)代已經(jīng)到來(lái)，利用大數(shù)據(jù)技術(shù)可以實(shí)現(xiàn)預(yù)測(cè)、建模、可視化等。王世福對(duì)智慧城市的模型構(gòu)建及方法進(jìn)行了研究，研究的內(nèi)容包括對(duì)廣義智慧城市的認(rèn)識(shí)、智慧城市研究的概念模型及多學(xué)科協(xié)同的研究方法準(zhǔn)備等。許慶瑞等通過(guò)分析國(guó)內(nèi)外智慧城市的研究成果，提出了具有中國(guó)特色的智慧城市愿景和戰(zhàn)略目標(biāo)，以及符合中國(guó)國(guó)情的智慧城市建設(shè)的架構(gòu)，對(duì)智慧城市建設(shè)提供了方向上的指引和戰(zhàn)略結(jié)構(gòu)上的建議。

（二）國(guó)外研究現(xiàn)狀

近年來(lái)，經(jīng)典預(yù)測(cè)方法與傳統(tǒng)預(yù)測(cè)方法很難適應(yīng)電力市場(chǎng)中非線性、多變量、時(shí)變性、隨機(jī)性較強(qiáng)的特點(diǎn)，一些新型預(yù)測(cè)方法在電力需求預(yù)測(cè)中得到應(yīng)用。當(dāng)前電力市場(chǎng)需求預(yù)測(cè)方法的發(fā)展主要有如下兩個(gè)方面：使用智能預(yù)測(cè)模型，提高預(yù)測(cè)結(jié)果的精確度；通過(guò)數(shù)據(jù)挖掘的方法，分析電力市場(chǎng)需求與電力市場(chǎng)外部影響因素的關(guān)系，并通過(guò)外部影響因素的變化趨勢(shì)預(yù)測(cè)電力市場(chǎng)需求的變化。在國(guó)外，Xia C.、Wang J.等人基于徑

向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型對(duì)短期、中長(zhǎng)期電力需求預(yù)測(cè)分別進(jìn)行了研究，其中，在短期電力需求預(yù)測(cè)方面取得了預(yù)期的效果，但是由于數(shù)據(jù)樣本點(diǎn)過(guò)少，長(zhǎng)期電力需求預(yù)測(cè)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(jī)預(yù)測(cè)模型，對(duì)短期電力需求進(jìn)行研究，并將氣象數(shù)據(jù)、日期等外部影響因素作為模型的輸入，分別對(duì)一步預(yù)測(cè)及多步預(yù)測(cè)效果進(jìn)行研究，通過(guò)與傳統(tǒng)預(yù)測(cè)方法的對(duì)比，證明了文章提出預(yù)測(cè)模型的有效性。Hyndman R. J.和Fan S.采用模擬退火算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，可以避免人為確定參數(shù)帶來(lái)的誤差，使支持向量機(jī)預(yù)測(cè)模型更方便推行利用。Rahman S.利用優(yōu)化向量法分析了各種因素對(duì)目標(biāo)變量影響的相對(duì)重要性，并通過(guò)專(zhuān)家系統(tǒng)對(duì)電力需求進(jìn)行了預(yù)測(cè)，相對(duì)于單一變量預(yù)測(cè)方法，在預(yù)測(cè)精度方面取得了較大提高。Goia A.和Jain A.等人通過(guò)聚類(lèi)算法與不同預(yù)測(cè)模型組合的方法，對(duì)電力市場(chǎng)的需求進(jìn)行了預(yù)測(cè)：通過(guò)聚類(lèi)算法，將電力市場(chǎng)需求與外部影響因素指標(biāo)劃分為不同的類(lèi)，與電力市場(chǎng)需求屬于同一類(lèi)的指標(biāo)作為預(yù)測(cè)模型的輸入變量，并通過(guò)相應(yīng)的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。

三、研究設(shè)計(jì)

（一）模型設(shè)定

本文主要用到了兩個(gè)模型，首先是對(duì)于智慧城市建設(shè)效果評(píng)估指標(biāo)綠色全要素生產(chǎn)率的模型設(shè)定，綠色全要素生產(chǎn)率是我國(guó)正式實(shí)行智慧城市建設(shè)以來(lái)，眾多學(xué)者用來(lái)研究評(píng)估智慧城市建設(shè)的重要指標(biāo)，基于全要素這個(gè)概念與柯布道格拉斯生產(chǎn)函數(shù)模型中的資本、勞動(dòng)力及其相關(guān)性，將全要素生產(chǎn)率與其模型中的生產(chǎn)系數(shù)A進(jìn)行了量化表達(dá)。本文也是參照了這種替代思想，將綠色全要素生產(chǎn)率中的綠色以能源投入和環(huán)境污染物排放兩個(gè)指標(biāo)進(jìn)行同樣的評(píng)估，最終選取了新柯布道格拉斯生產(chǎn)函數(shù)來(lái)計(jì)算求解智慧城市綠色全要素生產(chǎn)率，該模型設(shè)定為：

該新模型的設(shè)定是通過(guò)對(duì)柯布道格拉斯生產(chǎn)函數(shù)的變形衍生而得，其中變量Y表示地區(qū)生產(chǎn)總值GDP，A在原先的柯布道格拉斯生產(chǎn)函數(shù)中表示生產(chǎn)參數(shù)，在此新模型當(dāng)中為綠色全要素參量，K表示資本投入，L表示勞動(dòng)投入，P表示環(huán)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(shù)，在原先的柯布道格拉斯生產(chǎn)函數(shù)中要求指數(shù)參數(shù)的系數(shù)和為1，本文同樣得控制各指數(shù)項(xiàng)的固定參數(shù)和為1，即參數(shù)的限定條件為：

由于該模型中個(gè)參數(shù)的模擬不方便直接用柯布道格拉斯生產(chǎn)函數(shù)模型得到，本文對(duì)該函數(shù)模型進(jìn)行了取對(duì)數(shù)、降維降次處理，得到新函數(shù)模型如下：

將原先的高次函數(shù)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(chǎn)率GTFP的表達(dá)，本文對(duì)于各城市的時(shí)間面板數(shù)據(jù)使用STATAMP14.0軟件進(jìn)行處理，可以得到α，γ，φ，θ各參數(shù)的模擬數(shù)值，從而得到各城市綠色全要素生產(chǎn)率GTFP的數(shù)值。

其次本文是利用雙重差分法模型研究智能電網(wǎng)對(duì)于智慧城市建設(shè)的政策效果沖擊。智慧城市的建設(shè)時(shí)間是從2012年開(kāi)始，本文對(duì)于智能電網(wǎng)的政策效應(yīng)沖擊評(píng)估是基于時(shí)間面板數(shù)據(jù)模型，然后對(duì)智慧城市出現(xiàn)智能電網(wǎng)時(shí)間進(jìn)行分類(lèi)，發(fā)現(xiàn)大部分城市從2016年這個(gè)時(shí)間點(diǎn)左右開(kāi)始實(shí)施進(jìn)行智能電網(wǎng)政策，所以本文設(shè)立時(shí)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(duì)于實(shí)驗(yàn)組和對(duì)照組之間的虛擬變量用Treati表示，若為實(shí)驗(yàn)組虛擬變量賦值為1，對(duì)照組則賦值為0。由于本文的時(shí)間面板數(shù)據(jù)具有多期，因此論文選取了雙向固定效應(yīng)模型，即需要控制時(shí)間變量和城市個(gè)體差異這兩個(gè)變量的差異，最后基準(zhǔn)回歸模型的建立如下：

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

（二）變量說(shuō)明

1.被解釋變量。本文的被解釋變量為綠色全要素生產(chǎn)率，在原有的全要素生產(chǎn)率模型上引入了環(huán)境效率和能源效率兩個(gè)計(jì)算指標(biāo)，將城市中的工業(yè)活動(dòng)中所產(chǎn)生的污染物以及能源上的投入作為研究的對(duì)象。在綠色全要素生產(chǎn)率的模型構(gòu)成中多引入了兩個(gè)變量，本文參照了之前學(xué)者所用過(guò)的對(duì)于全要素生產(chǎn)率的柯布道格拉斯生產(chǎn)函數(shù)模型，在這個(gè)模型中多引入了兩個(gè)指標(biāo)，一共形成了四個(gè)指標(biāo)。第一個(gè)是資本投入，本文采取了經(jīng)典的永續(xù)盤(pán)存法來(lái)計(jì)算資本存量以用來(lái)評(píng)估資本投入；第二個(gè)是勞動(dòng)力投入，本文選取了年末城市從業(yè)人數(shù)總量來(lái)估量概念城市的勞動(dòng)力情況；第三個(gè)也是新引入的評(píng)估環(huán)境效率變量“環(huán)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(yè)二氧化硫排放量作為指標(biāo)衡量；第四個(gè)也是最后一個(gè)能源效率估計(jì)指標(biāo)“能源投入”，本文中使用了工業(yè)用電量該指標(biāo)。

2.解釋變量。本文中的解釋變量就是智慧城市建設(shè)中出現(xiàn)的智能電網(wǎng)建設(shè)，智能電網(wǎng)的出現(xiàn)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(shí)驗(yàn)組（處理組）與政策沖擊同時(shí)出現(xiàn)的時(shí)候的線性系數(shù)表示。在本文中用虛擬變量treati來(lái)表示實(shí)驗(yàn)組中第i個(gè)城市，實(shí)驗(yàn)組城市記該虛擬變量的數(shù)值為1，對(duì)照組城市則取0，同樣的，我們?cè)O(shè)定posti為政策智能電網(wǎng)建設(shè)實(shí)施的時(shí)間，在當(dāng)年和以后，取該虛擬變量為1，在政策實(shí)施之前取0，那么treati*posti即為他們的交互項(xiàng)，其中前面的系數(shù)也可以理解為政策沖擊影響的效果評(píng)估。

3.控制變量。本文總共選取了一下五個(gè)控制變量：（1）產(chǎn)業(yè)結(jié)構(gòu)，選取了第二產(chǎn)業(yè)的總量與地區(qū)生產(chǎn)總值GDP的比值，是因?yàn)榈诙a(chǎn)業(yè)包含了電力、制造業(yè)、輕工業(yè)等行業(yè)，有著巨大的資源與能源的消耗，影響著智慧城市的建設(shè)。（2）城市經(jīng)濟(jì)發(fā)展，選取了人均GDP作為評(píng)估該城市經(jīng)濟(jì)發(fā)展情況，人均GDP的水平很大程度反映著智慧城市建設(shè)的進(jìn)度。（3）城市化水平，本文選取了人口城鎮(zhèn)化率來(lái)評(píng)估城市化水平，人口城鎮(zhèn)化率是智慧城市建設(shè)對(duì)于城市格局改革變化的重要影響因素，城鎮(zhèn)化率也就代表著城市建設(shè)水平的高低。（4）政府干預(yù)，使用地區(qū)財(cái)政支出與地區(qū)生產(chǎn)總值GDP之間的比值作為衡量，財(cái)政支出很大程度上反映著政府對(duì)于城市建設(shè)的重視程度，資金的運(yùn)用以及分布是智慧城市大力發(fā)展的重要前提。（5）實(shí)際利用外資，以當(dāng)年實(shí)際使用外資數(shù)額與當(dāng)年地區(qū)生產(chǎn)總值GDP之間的比值，外資以美元計(jì)量，以當(dāng)年平均匯率進(jìn)行換算。

四、結(jié)果分析

（一）回歸結(jié)果

表1為智能電網(wǎng)政策實(shí)施過(guò)程中，智慧城市建設(shè)水平GTFP的回歸結(jié)果。分析回歸結(jié)果發(fā)現(xiàn)，兩個(gè)回歸模型的結(jié)果分別為0.004、0.007，均為正數(shù)且數(shù)值相近，一方面說(shuō)明了回歸結(jié)果的穩(wěn)定性，另一方面，雖然在統(tǒng)計(jì)學(xué)結(jié)果中并不顯著，但系數(shù)為正說(shuō)明智能電網(wǎng)對(duì)于智慧城市建設(shè)的正向促進(jìn)作用。換言之，智能電網(wǎng)建設(shè)過(guò)程中，對(duì)評(píng)估智慧城市建設(shè)水平的GTFP影響顯著性不高。主要結(jié)果表1所示。

（二）穩(wěn)健性檢驗(yàn)

1.平行趨勢(shì)假設(shè)。為確保研究發(fā)現(xiàn)的可靠性，本研究對(duì)平行趨勢(shì)進(jìn)行了檢驗(yàn)。本文研究以2016年作為時(shí)間政策節(jié)點(diǎn)，綜合考慮到面板數(shù)據(jù)特征及智能電網(wǎng)政策出現(xiàn)時(shí)間段，選擇了2013—2019年面板數(shù)據(jù)，以年為時(shí)間單位進(jìn)行了平行趨勢(shì)假設(shè)。綠色全要素生產(chǎn)率的平行趨勢(shì)分析結(jié)果如圖1所示。

從圖1的趨勢(shì)來(lái)看，2016年作為政策沖擊時(shí)間點(diǎn)，在2016年之前的系數(shù)沒(méi)有明顯的變化趨勢(shì)，但在2016年之后系數(shù)有著較明顯的上升趨勢(shì)，即2016年智能電網(wǎng)政策的影響，對(duì)智慧城市建設(shè)起到了較為顯著的影響。

2.動(dòng)態(tài)檢驗(yàn)。為了對(duì)智能電網(wǎng)政策影響的動(dòng)態(tài)效應(yīng)進(jìn)一步做研究評(píng)估，考察智慧城市建設(shè)情況，本研究對(duì)2013年、2014年、2015年、2016年、2017年、2018年、2019年的政策效果進(jìn)行了動(dòng)態(tài)檢驗(yàn)。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(shí)間節(jié)點(diǎn)，評(píng)估模型為雙向固定效應(yīng)模型，并控制了城市—時(shí)間層面的控制變量。

對(duì)回歸結(jié)果進(jìn)行分析發(fā)現(xiàn)，綠色全要素生產(chǎn)率作為智慧城市的綜合指標(biāo)，2016年之前的回歸系數(shù)逐漸下降，但是從2016年之后回歸系數(shù)逐漸增加，分析結(jié)果表明2016年之后綠色全要素生產(chǎn)率逐漸增加，但不顯著。

3.傾向匹配得分法。由于各個(gè)城市在智能電網(wǎng)建設(shè)當(dāng)中會(huì)具有響應(yīng)明確的政策指向，因此可能會(huì)存在選擇偏誤，即本研究中設(shè)置的處理組和對(duì)照組不滿(mǎn)足平行趨勢(shì)假設(shè)。而在雙重差分的設(shè)計(jì)中，可以采用傾向得分匹配法來(lái)獲得一個(gè)新樣本來(lái)緩解自選擇問(wèn)題。本研究采用常用的核匹配虛構(gòu)了一個(gè)對(duì)照組進(jìn)行回歸分析，評(píng)估智能電網(wǎng)對(duì)于智慧城市建設(shè)的效果，以2016年為時(shí)間節(jié)點(diǎn)。傾向得分匹配通過(guò)協(xié)變量來(lái)進(jìn)行權(quán)重匹配，協(xié)變量的選擇通常根據(jù)已有研究來(lái)設(shè)置。由于協(xié)變量的設(shè)置，回歸模型中不再對(duì)城市—時(shí)間層面的控制變量進(jìn)行控制，否則會(huì)出現(xiàn)共線性問(wèn)題?；貧w結(jié)果見(jiàn)表3。

分析結(jié)果表明，以2016年為政策節(jié)點(diǎn)，運(yùn)用PSM-DID進(jìn)行檢驗(yàn)后，智能電網(wǎng)政策對(duì)GTFP未產(chǎn)生顯著的作用，進(jìn)一步驗(yàn)證了基準(zhǔn)回歸結(jié)果。

4.與OLS回歸結(jié)果比較。本文為了驗(yàn)證智能電網(wǎng)建設(shè)對(duì)智慧城市帶來(lái)的影響，對(duì)綠色全要素生產(chǎn)率進(jìn)行了OLS回歸。

回歸結(jié)果表明，盡管回歸系數(shù)的數(shù)值較小，但其顯著為正的趨勢(shì)表明了綠色全要素生產(chǎn)率的變化趨勢(shì)，即智慧城市建設(shè)水平從2016—2020年呈現(xiàn)向上增長(zhǎng)的趨勢(shì)，智能電網(wǎng)對(duì)于智慧城市建設(shè)具有一定的促進(jìn)作用。

五、結(jié)論與啟示

本文的總結(jié)將會(huì)從兩個(gè)方面進(jìn)行展開(kāi)論述。一是本文的研究?jī)?nèi)容，智能電網(wǎng)對(duì)于智慧城市建設(shè)的影響評(píng)估。首先，本文對(duì)于智慧城市的影響評(píng)估變量進(jìn)行了選取，綠色全要素生產(chǎn)率是國(guó)內(nèi)外眾多學(xué)者采取對(duì)于城市建設(shè)的主要評(píng)價(jià)指標(biāo)。其次，計(jì)量綠色全要素生產(chǎn)率的模型在國(guó)內(nèi)主要以三個(gè)方法為主。本文選取了柯布道格拉斯生產(chǎn)函數(shù)模型來(lái)對(duì)綠色全要素生產(chǎn)率進(jìn)行計(jì)算，與原來(lái)的生產(chǎn)函數(shù)模型的變量不一樣，將綠色的內(nèi)涵引申為環(huán)境污染物排放和能源投入兩個(gè)變量指標(biāo)，然后通過(guò)stata14.0軟件對(duì)于該具有限制性的線性模型進(jìn)行計(jì)算，通過(guò)線性回歸系數(shù)得出了各智慧城市的綠色全要素生產(chǎn)率。最后，本文使用了雙重差分方法對(duì)智能電網(wǎng)政策效應(yīng)進(jìn)行了評(píng)估計(jì)量，同樣也是使用stata14.0軟件建立雙重差分模型，對(duì)模型進(jìn)行了效應(yīng)評(píng)估和穩(wěn)健性檢驗(yàn)，其中穩(wěn)健性檢驗(yàn)包含四部分，即平行趨勢(shì)假設(shè)、動(dòng)態(tài)檢驗(yàn)、傾向匹配得分法、OLS回歸。二是本文的結(jié)果與分析，本文最后通過(guò)模型的數(shù)據(jù)得出智能電網(wǎng)對(duì)于智慧城市建設(shè)的確存在正向的推進(jìn)作用，但是該作用的強(qiáng)度較弱?？赡軙?huì)有以下幾個(gè)方面的原因：第一點(diǎn)是智慧城市建設(shè)與智能電網(wǎng)建設(shè)時(shí)間不久，時(shí)間面板數(shù)據(jù)的寬度不夠大，導(dǎo)致智能電網(wǎng)建設(shè)所帶來(lái)的作用和影響并未完全發(fā)揮；第二點(diǎn)是綠色全要素生產(chǎn)率的計(jì)量，本文通過(guò)資本投入、勞動(dòng)投入、環(huán)境污染物排放以及能源投入四個(gè)指標(biāo)進(jìn)行綜合評(píng)估分析，然而智能電網(wǎng)初期對(duì)于智慧城市的建設(shè)可能主要集中在電網(wǎng)結(jié)構(gòu)發(fā)電、配電、輸電等經(jīng)濟(jì)效益方面為主，與綠色全要素生產(chǎn)率指標(biāo)的關(guān)聯(lián)度較低；第三點(diǎn)是智能電網(wǎng)實(shí)施時(shí)間尚短，國(guó)內(nèi)也是第一次試點(diǎn)建設(shè)，但是智能電網(wǎng)建設(shè)在信息通信技術(shù)上為人民生活提供了便利，智能電網(wǎng)的出現(xiàn)改善了能源結(jié)構(gòu)，包括電動(dòng)汽車(chē)的引入，智能小區(qū)、智能園區(qū)概念的開(kāi)發(fā)建設(shè)，對(duì)于生態(tài)環(huán)境的保護(hù)也起到了很大作用。

綜合上述兩部分內(nèi)容，本文在方法研究上以及智能電網(wǎng)與智慧城市的實(shí)證分析部分都是可行的，存在的不足是智能電網(wǎng)對(duì)于智慧城市建設(shè)的范圍過(guò)于寬泛，對(duì)于智慧城市建設(shè)評(píng)價(jià)指標(biāo)建立尤為困難，所以本文中的正向作用不高。但是隨著時(shí)間的推移，智能電網(wǎng)建設(shè)與智慧城市建設(shè)水平都會(huì)逐漸成熟，智能電網(wǎng)在智慧城市各方面的應(yīng)用以及作用有著無(wú)限的潛力，智能電網(wǎng)與智慧城市建設(shè)必將成為我國(guó)城市形態(tài)的主要標(biāo)志。

參考文獻(xiàn)：

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

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

[3]? ?王世福.智慧城市研究的模型構(gòu)建及方法思考[J].規(guī)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(gòu)[J].管理工程學(xué)報(bào)，2012，26（4）：7.

[5]? ?孫輝，姜梅.灰色理論在中長(zhǎng)期電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J].東北電力學(xué)院學(xué)報(bào)，1997，17（2）：6.

[6]? ?王大鵬.灰色預(yù)測(cè)模型及中長(zhǎng)期電力負(fù)荷預(yù)測(cè)應(yīng)用研究[D].武漢：華中科技大學(xué)，2013.

[7]? ?李春祥.基于知識(shí)發(fā)現(xiàn)的電力需求復(fù)合預(yù)測(cè)研究[D].保定：華北電力大學(xué)（保定），2009.

[8]? ?張博.地區(qū)電網(wǎng)電力需求預(yù)測(cè)方法研究及應(yīng)用[J].電源技術(shù)應(yīng)用，2013（3）：226-227.

[9]? ?原媛.電力負(fù)荷特性分析及中長(zhǎng)期負(fù)荷預(yù)測(cè)方法研究[D].上海：上海交通大學(xué)，2008.

[10]? ?王艷龍.基于數(shù)據(jù)挖掘的中長(zhǎng)期電力市場(chǎng)需求分析及預(yù)測(cè)[D].杭州：浙江大學(xué)，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.，F(xiàn)an 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.，F(xiàn)usai 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(zé)任編輯? ?劉? ?瑤]