EN中文

GEOGRAPHICAL RESEARCH >

2025 , Vol. 44 >Issue 1: 247 - 262

DOI: https://doi.org/10.11821/dlyj020240277

The construction of national big data comprehensive test zone and the shaping of disaster reduction capacity

  • ZHANG Yifei , 1 ,
  • WANG Xirui , 2
Expand
  • 1. School of Accounting, Hangzhou Dianzi University, Hangzhou 310018, China
  • 2. School of Customs and Public Economics, Shanghai Customs College, Shanghai 201204, China

Received date: 2024-04-02

  Accepted date: 2024-10-26

  Online published: 2025-01-02

Fold

Abstract

In the work of disaster reduction, the government promotes the transformation of disaster-related information from fragmentation to aggregation, which plays an important role in improving the ability of disaster reduction. Based on the theories of distance attenuation, information loss and principal-agent, this paper first clarifies the implementation bias of disaster reduction measures under information barriers. Then, by taking the establishment of the national big data comprehensive experimental area as a quasi-natural experiment, using the municipal panel data from 2014 to 2019 and the multi-period DID model, the paper empirically analyzes the changes of urban disaster reduction effects inside and outside the experimental area. The benchmark regression results show that the improvement effect of disaster reduction capability of cities in the national big data comprehensive test area is significantly better than that of cities outside the test area. This conclusion is still valid after the endogeneity processing of wind speed and hydropower instrumental variables, as well as the robustness tests such as eliminating the interference of sponge city, eliminating high-level cities, changing the grouping strategy and replacing the dependent variables. The mechanism analysis shows the city governments in the national big data comprehensive test area have made more efforts to treat disasters with numbers, and have paid more attention to the accuracy of pre-disaster risk prediction, the timeliness of disaster relief and the scientificity of post-disaster recovery and reconstruction. Heterogeneity analysis shows that the establishment of national big data comprehensive test area plays a more obvious role in disaster reduction in cities that attach importance to industry-university-research technological innovation cooperation. The marginal contributions of the paper are as follows: Firstly, the research focuses on the shaping of the government's disaster reduction capacity under the impact of natural disasters, which is helpful to tap the functional advantages of the construction of the pilot area in crisis survival. Secondly, it reflects the efforts made by local governments to control disasters by numbers from three aspects before, during and after disasters, and provides enlightenment on how to improve the breadth and depth of application of big data center construction from the perspective of combining geography and management science.

Key words： national big data comprehensive test area; natural disaster; direct economic loss; disaster reduction capacity

Cite this article

ZHANG Yifei , WANG Xirui . The construction of national big data comprehensive test zone and the shaping of disaster reduction capacity[J]. GEOGRAPHICAL RESEARCH, 2025 , 44(1) : 247 -262 . DOI: 10.11821/dlyj020240277

1 引言

防范化解重大风险是维护国家安全的基础。作为应急管理中枢，政府在降低自然灾害对经济社会负面影响的过程中发挥着关键作用[1]。近年来，为克服应急管理中信息不畅、灵活度低、效率不足、细节失真等问题，地方政府一方面通过提高预案编制质量和资料收集力度来增强不利冲击适应能力[2,3]，另一方面发挥互联网在信息沟通和共享过程中便捷、高效的优势[4]，例如实施“宽带中国”战略[5]、加快5G网络建设[6]，力争借助网民规模扩大、网速提升来实现涉灾信息资源传递至千家万户的目标[7]。然而这些信息基础设施本身不具备信息整合、筛选和分析功能，如果地方政府对碎片化信息的处理手段缺失，则会导致涉灾信息错综复杂，难以通过去伪存真来促进当地减灾能力提质增效。因此，寻找推动信息资源由碎片化向聚合化转变的对策，对地方政府提高灾前、灾中、灾后全环节施策能力而言势在必行。
本文以国家级大数据综合试验区设立为准自然实验。较“宽带中国”战略和5G工程而言，国家级大数据综合试验区作为中央对信息算力引擎的一项重要部署，更侧重于加快信息搜集、存储、运算等软硬件的建设，并在数据资源整合、管理、共享、开放、应用等方面展开系统性试验。具体至防范化解自然灾害风险方面，地方政府借助大数据中心软硬件建设契机，针对传统灾害观测的局限，强化洞悉“态”、预测“势”两个不同层次的感知[8]，并展开演进模拟和问题诊断，构建出涵盖灾前预测、灾中救援、灾后恢复重建全环节，兼具信息快速传递和高效处理功能的“灾害响应2.0”框架[9,10]。就自然灾害损失的度量范围，考虑到洪灾和旱灾较地震、火山更具频繁性，本文采集各城市、各年份旱涝直接经济损失变化情况，以克服不同灾害频率差异的干扰。基于上述变量，本文运用2014―2019年市级受灾情况面板数据和多期双重差分模型，检验试验区内外城市每次旱涝灾害造成的直接经济损失是否产生了明显的差异 ① 。此外，本文还通过手工搜集地方政府提高灾前预测、灾中救援、灾后恢复重建能力的相关政策文件，分析各城市减灾效果存在差异的原因，以及技术创新合作的异质性影响，为如何进一步推动试验区建设、提高大数据服务效率提供经验支撑。
本文的创新点体现在以下两个方面：第一，目前关于大数据中心建设的相关政策评估局限于经济增长率、生产率等发展层面[11,12]，而提高风险应对能力、保障群众生命财产安全是促进经济发展的基本前提，本文将研究重点置于自然灾害冲击下政府减灾能力的塑造，通过识别试验区设立是否塑造了地方经济“抗击打”能力，有助于挖掘试验区建设在危机生存中发挥的功能优势；第二，目前文献中机制分析得出的结论集中于试验区助力数据处理技术应用深度和资源配置效率的提高[13,14]，然而自然灾害的时空复杂性对灾区政府决策带来准确性、及时性、科学性三大考验，本文从灾前准确预测风险、灾中及时调整救援、灾后科学安排恢复重建三个方面来反映地方政府为“以数治灾”付出的努力，为识别大数据建设着力点、明确试验优化方向提供了借鉴。

2 制度背景与理论分析

2.1 制度背景

为加快数据强国建设，中国政府对国家级大数据综合试验区的部署和建设历经“初步探索-高度重视-多维推进”三个阶段，具体沿革如图1所示。2014年3月，国务院《政府工作报告》首次提及“大数据”一词，对引领未来产业发展的新动能提出了构想 ② 。2015年8月，国务院印发了《促进大数据发展行动纲要》（国发〔2015〕50号），该《纲要》针对数据开放共享不足、产业基础薄弱等问题制定了施策纲领，部署了推动政府部门数据共享、公共数据资源开放和大数据基础设施建设等任务，明确了打造精准治理与多方协作相结合的社会治理新模式、建立运行平稳与安全高效兼顾的经济运行新机制、构建惠及全民的民生服务新体系等目标，其中减灾救灾被纳入大数据推广应用的重要方向 ③ 。同年9月，贵州省（共9个城市）启动首个试验区建设。次年10月，北京、天津、上海、河北、内蒙古、辽宁、河南、重庆和广东（76个城市）被列入第二批试验区名单 ④ 。
图1 中央出台的大数据相关政策沿革

Fig. 1 Evolution of policies related to big data by the Chinese government

与此同时，各地政府为加快大数据在辖区减灾领域的应用速度，还因地制宜出台了多项配套措施，具体趋势如图2所示。在2013年及之前，地方政府每年新出台与大数据融合运用相关的减灾文件不足40条，但从2015年起相关文件出台数量快速上升，尤其是2017年内出台的文件数量超过1000条。不仅如此，支持群众民主参与公共事务的文件个数也明显增加，由2013年的7个上升至2017年的362个，为群众行使参与权、建议权提供了便利。通过上述梳理发现，中国大数据建设较欧美发达国家起步虽晚，但各地政府切实借助中央政策契机调动群众贡献涉灾信息的积极性，着力推进减灾基础设施和公共服务“补短板”工作，旨在提高大数据算力引擎的效用。
图2 地方出台的大数据配套政策趋势

Fig. 2 Local big data supporting policy trend

2.2 理论分析

就如何防范化解各地不利冲击事件对经济社会的负面影响，国务院印发了《关于印发应急救援领域中央与地方财政事权和支出责任划分改革方案的通知》（国办发〔2020〕22号），对应急救援中的央地关系进行了划分 ⑤ 。该文件将应急救援领域地方性法规、地方应急救援队伍、应急避难设施、应急物资储备、应急信息系统软硬件配备及维护、行政区内灾害事故风险评估和隐患排查，以及监测预警系统等业务划为地方事权，由地方财政承担相应的支出责任。这是因为在属地管辖原则下，地方政府较中央政府而言掌握的涉灾信息更具充足性优势。然而木桶理论指出，单个木桶的盛水量取决于最短的木板[15]。信息资源的海量化虽然有助于提高减灾意识的全面性，但信息碎片化会使公共资源供给的预期目标与现实需求出现错配，由此引致的应急财政支出效率损失不容忽视[16,17]。即使财政投入的短期减灾目标得以实现，如果群众诉求区分模糊、长效互动机制不完善等“短板”仍无法得到根治，则会加剧灾前风险预测、灾中救援、灾后恢复重建各类资源和服务供给不平衡、不充分的问题，削弱历年方案对未来的借鉴价值。在该情形下，地方政府对未来治灾方案的重复决策会使行政成本不减反增，导致财政投入的边际报酬在短暂上升后快速下降，难以实现减灾能力持续提升的目标。
国家级大数据综合试验区建设使原先碎片化的涉灾信息向聚合化转变，在缓解信息壁垒的同时提高了信息质量。地方政府信息获取准确性和及时性的提升为科学决策创造了有利条件，具体的作用机制和案例如表1所示。
表1 试验区建设的理论机制和案例

Tab. 1 Theoretical mechanism and cases of pilot area construction

理论机制 试验区内案例 试验区外案例
从灾前开始提升信息精度，准确预测或有风险
 广东某市：2018年6月台风致挡土墙开裂后，周边居民率先在微博、留言板等平台发帖披露现场情况，3小时跟帖超过40条。该舆情被大数据捕捉后，当地政府仅用3个月即完成钢筋混凝土挡土墙升级工作，因此2019年洪峰过境后未出现道路垮塌、落石拦路的报道。 广西某市：2018年6月，当地遭遇台风过境后，相关部门也关注到类似隐患，但防灾舆情大数据尚处于测试阶段，风险位置信息出现滞后，这导致2019年汛期来临后疏漏位置出现了短时道路受阻、通信中断。
在灾中发挥信息保障优势，及时调整救援行动 贵州某市：2019年6月，当地遭遇强降雨，发生山体滑坡险情。面对灾区信号不稳定的情形，救灾队伍积极运用手机信令热力图等大数据进行智慧动员，不到3小时就将受灾严重的600多名X村居民疏散至安全帐篷，因此该村未出现人员伤亡的报道。 云南某市：2019年9月，当地遭遇泥石流，当地政府奔赴险情严重的M村展开搜救，虽然阻止了损失进一步扩大，但囿于灾区手机信令监测系统尚未全面投用，救灾时长增至14小时，仍出现了失联、遇难的报道。
在灾后进一步增强信息协调能力，科学安排恢复重建 河南某市：2021年7月特大暴雨结束后，8—9月间，群众对“市场（交易）秩序/规则”留言量达历史同期的3倍。大数据被用于社会信用监测，例如对哄抬物价、囤积居奇、制假售假等负面行为进行记录、预警和公示（累计超过50条），通过威慑作用稳定了秩序。 山西某市：2021年10月，当地也遭遇了极端暴雨，由于利用大数据集成的监管系统尚处于建设阶段，因此事关交通、医疗、教育等民生问题的投诉量是河南省的1.6倍。

注：相关案例根据各地政务微博、微信、人民网留言板和报纸文本手工整理得到，地名已做脱敏处理。

2.2.1 从灾前开始提升信息精度，准确预测或有风险

在大数据尚未推广的前互联网时代，当地政府对防范自然灾害风险的决策通常基于对既有涉灾信息的主观感知和以往经验的积累，缺乏对已掌握信息之外风险隐患的认知，具有粗略性局限。根据距离衰减理论，地理要素间的作用与空间距离远近呈负相关[18]。与之相比，政府与群众之间的距离不只是地理空间远近，还包括信息传递的有效性、及时性和准确性，即政府与群众的信息距离[19,20]。消除防灾隐患是社会共同需求，基层群众作为防灾工作的目击证人，具备随时发现并向政府传递遗漏风险细节的能力。如果信息传递链条长、环节繁琐，则会使群众的防灾需求信息难以被政府部门高效接收，由此带来的信息精度缺失会导致政府误认为现行防灾公共资源不存在供需错配，这将削弱风险预测能力。国家级大数据综合试验区的建设创新了信息流动方式，使群众上报的防灾风险遗漏信息跨越纵向级次传递至政府，有助于缩短政府与群众的信息距离。地方政府在精准掌握原先被遗漏的风险信息的基础上，通过精准划定危险区域、制定针对性预案、预演撤离路线等措施来扩大预测服务的覆盖范围、提高预警精度，有助于减灾能力的提升。据此，本文提出假设1。
假设1：国家级大数据综合试验区通过提高灾前风险预测准确度，有助于减灾能力提升。

2.2.2 在灾中发挥信息保障优势，及时调整救援行动

自然灾害发生时，人身生命和财产安全成为共同话题，积极救灾成为政府的基本义务。根据信息损耗理论，当利益主体数量增加时，信息的非有效储存会造成大量的线索丢失[21]。灾区群众既是灾情亲历者，也是求助信息发送者，然而道路、通信等基础设施受损使其与政府等信息接收端联系的难度增加。个别群众虽然能通过卫星电话、对讲机等特殊渠道建立联络，但这些设备未予普及，且个体汇报的受灾信息通常以其自身处境为依据，难以代表其所在地的整体情况；信使虽然通过长途跋涉来恢复外界联络，却增加了信息传递时间乃至丢失风险。无论上述何种情形，缺乏完整性的信息会导致救灾资源供给方向与灾民实际需求之间出现错配，这将会加剧救灾盲区扩大的风险，危及失联灾民的生命财产安全。国家级大数据综合试验区的建设有助于信息接收者转变对发送者信息被动依赖的情形，不仅带来了信息传输速度的提升，还能根据不同地区群众求助信令发送内容、频率和时间差异，结合实时天气状况来全面掌握救灾盲区[9]。地方政府在充分获取救灾薄弱区位信息的基础上迅速转变救灾资源平均分配的倾向，争分夺秒加大对未脱险灾民的抢险救援力度，以及资源短缺灾民的衣物、食品、住宿、通信等物资设备投入规模，有助于实现应急物资及时、合理分配，实现减灾能力的提升。据此，本文提出假设2。
假设2：国家级大数据综合试验区通过提高灾中救援调整的及时性，有助于减灾能力提升。

2.2.3 在灾后进一步增强信息协调能力，科学安排恢复重建

当救援工作结束后，地方政府如何根据灾害损失差异合理协调公共资源，是有序恢复重建的关键。部分区位受灾轻微，当地政府无需大幅增加投入即可实现经济社会有序恢复运行，但也有部分地区房屋、车辆等财产受损严重，面临“百废待兴”的发展困境。这其中，不同街道、乡镇群众对交通、医疗、教育、文化、金融、法治，以及对财产理赔、定损、补偿的诉求因损失类型和自身偏好而异。虽然政府官员实地走访有助于设身处地获取群众需求信息，但行政成本的刚性约束使走访范围受到局限，且群众内部的委托代理问题会影响调研信息的真实性。萨缪尔森的显示偏好理论指出，消费者在一定价格条件下的购买行为会暴露其内在的偏好倾向[22]。国家级大数据综合试验区的建设降低了政府线上调阅数据的门槛，克服了线下走访的范围局限。具体而言，网络搜索行为是群众真实需求的集中反映，大数据中的聚合功能有助于生成需求画像一手数据[23]，避免了受访代理人寻租等“私欲”引致的选择性披露行为[24]。地方政府在寻找兼顾各方利益共性和个性的同时，就恢复重建项目进行更周全的决策，以帕累托最优为导向促进各利益方关系由冲突走向协调，有助于减灾能力的全面提升。据此，本文提出假设3。
假设3：国家级大数据综合试验区通过提高灾后恢复重建安排的科学性，有助于减灾能力提升。

3 实证研究设计

3.1 模型构建

本文采用多期双重差分模型对国家级大数据综合试验区的减灾效应进行实证评估。选择多期双重差分模型的依据在于，有部分城市成功入选试验区名单，另有部分城市未入选，且试验区的新增名单分年公布，这使得处理组和控制组随着时间的推移而发生改变，早年的部分控制组在名单增列后成为新的处理组。多期双重差分模型为：
L o s s t c = α 1 + β 1 B G t c + ρ 1 C t c + σ t + ς c + ε t c
式中：Loss是自然灾害直接经济损失；α为常数项；β1是国家级大数据综合试验区设立对直接经济损失的影响系数；BG是国家级大数据综合试验区政策冲击，实为入选时间虚拟变量（Time）和分组虚拟变量（Treat）的交乘项；C为控制变量，包括相关经济指标一次项、平方项和趋势项；下标t是指时间；c是城市；σt表示年份固定效应；ζc表示城市固定效应；ε为扰动项。
现有的文献根据各城市是否入选试验区名单来划分处理组和控制组[12,25]，未考虑到同一省份所辖城市自然、人文环境的显著差异 ⑥ 。本文在主回归中以试验区内外是否为省界毗邻城市为分组依据，如果某市入选试验区且毗邻省级行政边界，则归为处理组；若毗邻城市未入选试验区，则归为控制组。该方法的优势在于，毗邻城市通常具有相近的地形、气候、水文、土壤和经济禀赋，且省界地区的发展较省会而言缺少经济、政治、文化相关政策的倾斜 ⑦ ，从而减轻了区位禀赋差异引致的内生性问题。为避免数据样本操纵引致的结果偶然性偏差，稳健性检验仍沿用现有研究的做法[26]，仅根据各城市是否入选试验区名单来划分处理组和控制组。

3.2 变量定义

3.2.1 因变量：自然灾害直接经济损失（Loss）

直接经济损失是指与不利冲击有直接因果关系而造成的财产损毁、减少的实际价值，通过该指标可直观反映出灾区受灾程度，其科学性得到了Elliott等[27]的支持。鉴于不同地区年末直接经济损失总额因自然灾害发生频率而异，本文运用各城市直接经济损失总额除以自然灾害发生次数，并对计算出的结果取自然对数，得到的结果为c市i年平均每次自然灾害造成的直接经济损失。考虑到个别地区灾情的频繁变动会增加实时评估直接经济损失的难度，稳健性检验以受灾人口为因变量。上述指标皆为负指标，如果政策冲击后c市t年的指标值较t-1年明显下降，则表明当地减灾能力得到了提升。

3.2.2 核心自变量：国家级大数据综合试验区设立（BG）

核心自变量实为时间虚拟变量（Time）与分组虚拟变量（Treat）的交乘项。关于Time变量，由于试验区入选名单公布于2015年和2016年的下半年，且试验区自设立伊始从软硬件规划、建设、验收到影响当地经济社会运行需要时间的积累，因此本文对时间虚拟变量进行了滞后一期处理，当t≥2016或t≥2017，则赋值为1，反之则赋值为0。关于Treat变量，如果c市所属省份入选试验区名单，则对应的c市赋值为1，否则赋值为0。

3.2.3 控制变量：城市宏观经济和自然环境其他因素（C）

控制变量涵盖宏观经济和自然环境两类指标。宏观经济指标包括人口密度、经济水平、工业规模、产业结构、企业个数、财政支出一次项。考虑到经济发展水平上升至一定程度时当地政府会愈加重视经济韧性的提升，例如增强自然灾害抵御能力，本文在一次项的基础上加入了经济水平和工业规模二次项，以控制经济发展与减灾能力之间的非线性影响；又因为近年来地方政府持续通过加大财政支出促进人力资本流入、招商引资和服务业发展，因此本文还控制了年份与人口密度、产业结构、企业个数、财政支出的交乘趋势项。自然环境指标侧重于控制影响直接经济损失的植被覆盖率和降水量两大因素。各项控制变量的具体计算方法在表1中将详细说明。

3.3 数据搜集和描述

鉴于自然灾害直接经济损失数据的可得性，本文将样本区间设为2014―2019年。关于灾害类型，较地震、火山等偶发性灾害而言，无论城市位于秦岭至淮河一线以北还是以南，当降水量集中异常偏多或偏少时，洪灾和旱灾会成为各地皆需应对的灾害，其损失信息的记载呈现出普遍性和连续性。因此，本文采集了每次旱涝灾害造成的直接经济损失。数据来源方面，国家减灾网中的灾害报告、国泰安数据库中自然灾害事件影响情况及损失表详细记录了历次灾害的时空边界和损失情况，较微信公众号、网络博主等自媒体披露的新闻数据而言更具权威性，因此本文参考申宇等[28]的策略，运用以下步骤进行手工提取：第一步，将事件类型设为“洪涝/山洪”“干旱/旱灾”，以事件ID、发生时间和影响地区为依据，提取出城市层面的直接经济损失数据，共计1236条；第二步，对自然灾害发生次数和直接经济损失分年度、分城市进行加总，并将加总得到的直接经济损失总额除以自然灾害发生次数，即得到城市c在t年内平均每次旱涝灾害的直接经济损失。
关于处理组和控制组城市的选择，本文首先根据国家地理信息公共服务平台的省、市级行政区划，勾勒出省界毗邻的处理组城市边界，接着寻找出与处理组城市相连的控制组城市。省界毗邻城市受旱涝灾害影响情况的分布如图3所示，从中发现，省界毗邻城市均远离其所属省份的经济、政治、文化中心，其暴雨、干旱较常年同期偏多天数高度相似，例如豫鄂交界的南阳、襄阳旱涝较常年同期皆偏多至少10天，但整体而言，试验区内城市旱涝直接经济损失降幅高于试验区外城市，尤其是在晋冀（太行山）、豫鄂陕（大巴山）、粤桂湘赣（南岭）等山麓，以及琼粤（琼州海峡）等海陆交界城市，降幅差异最高超过15%。
图3 省界毗邻城市受旱涝灾害影响情况分布

注：该图基于自然资源部地图技术审查中心标准地图（GS（2019）1815号）绘制，底图边界无修改。

Fig. 3 Distribution of cities adjacent to provincial boundaries affected by drought and flood disasters

考虑到各城市并非每年因灾受损，为提高样本可比性，本文剔除2014―2019年受灾不频繁的城市。根据双重差分回归原理，如果某市6年内仅有1年损失记录，则该样本会被固定效应所吸收；若仅记载了2年损失情况，则难以规避损失偶然性变化对回归结果的干扰。为解决上述问题，本文保留至少3年发生直接经济损失的51个城市，用于实证回归。这些城市毗邻太行山、大巴山、南岭等山麓，以及琼州海峡等海陆交界地带。其他控制变量数据源自《中国城市统计年鉴》 ⑧ 。
表2是描述性统计结果。观察因变量指标发现，样本城市平均每次旱涝灾害造成的直接经济损失为16.8213（经对数还原后为2020.22万元），变异系数为2.7686/16.8213≈0.1646，反映出各城市受损情况存在显著的时空差异，具有实证分析的价值。
表2 主要变量定义和描述性统计

Tab. 2 Definitions of main variables and descriptive statistic

变量名称 计算方法 平均值 标准差 最小值 中位值 最大值
自然灾害直接经济损失（Loss） ln（平均每次旱涝灾害造成的直接经济损失） 16.8213 2.7686 0.0000 16.9510 21.2421
国家级大数据综合试验区设立（BG） 试验区设立时间×城市所属省份是否入选 0.1683 0.3748 0.0000 0.0000 1.0000
人口密度（PD） ln（总人口/土地面积） 5.1934 1.0172 1.7462 5.3469 6.8333
经济水平（GDP） ln（人均地区生产总值） 10.5226 0.5178 9.5455 10.4052 12.5349
经济水平平方（GDP2） [ln（人均地区生产总值）]2 110.9920 11.1649 91.1175 108.2691 157.1228
工业规模（IS） ln（第二产业增加值） 6.3594 0.7765 4.2169 6.3877 8.4343
工业规模平方（IS2） [ln（第二产业增加值）]2 41.0434 9.8102 17.7819 40.8023 71.1369
产业结构（TS） 第三产业增加值/第二产业增加值 1.0708 0.4769 0.4112 0.9395 3.7611
企业个数（ED） ln（规模以上工业企业个数） 6.2583 0.8420 4.4886 6.1964 8.5431
财政支出（FE） 财政支出/地区生产总值 0.2494 0.0990 0.0929 0.2305 0.5365
降水量（Rain） ln（年均降水量） 9.0020 0.5055 7.8754 8.9167 10.0670
植被覆盖率（Tree） 植被面积/行政面积 0.5865 0.1770 0.2189 0.6105 0.8053

4 实证基本结果

4.1 平行趋势检验

双重差分模型有效的前提是符合平行趋势，即处理组和控制组城市平均每次旱涝灾害的直接经济损失在国家级大数据综合试验区设立前不存在明显的变化差异。为检验多期双重差分模型是否存在平行趋势，本文构建了动态模型为：
L o s s t c = α 2 + β 2 ∑ t = 3 t = - 3 B G t c + ρ 2 C t c + σ t + ς c + ε t c
式中：t=-3和t=3分别表示试验区设立前后的时期数，例如BGt=-1表示t年是否为c市入选试验区的前1年，如果是则赋值为1，否则赋为0，以此类推。如果试验区设立前（t=-3和-2）的β2系数显著异于0，则表明处理组和控制组城市平均每次旱涝灾害的直接经济损失具有明显的事前趋势。图4的检验结果显示，试验区设立前的β2系数不显著。模型通过了平行趋势检验。
图4 平行趋势检验

Fig. 4 Parallel trend test

4.2 基准回归结果

表3对国家级大数据综合试验区设立后各城市减灾效果的变化进行了实证评估。在第（1）列中，本文仅考虑试验区设立这一核心自变量进行回归分析，结果发现BG对Loss的β1系数为-1.7264，且在5%水平上为负，其经济含义为当某城市t年入选试验区名单后，t+1年起该市平均每次旱涝灾害造成的直接经济损失较试验区外相邻城市而言降低1.7264/16.8213≈10.26%。第（2）列加入了人口密度、经济水平、工业规模、产业结构、企业个数、财政支出控制变量的一次项，以及相应变量的平方项和年份交乘趋势项，结果发现β1系数由-1.7264变为-2.6094，其含义为在未考虑各地经济环境的情况下，设立试验区带来的减灾效应会被低估2.6094/16.8213-0.1026≈5.25%；第（3）列进一步纳入了植被覆盖率和降水量两类自然禀赋指标，结果发现β1系数虽然略有下降，但仍然保持1%的显著性水平。
表3 基准回归

Tab. 3 Benchmark regression

变量 仅考虑核心自变量 依次加入宏观经济、
自然条件控制变量
（1） （2） （3）
BG -1.7264** -2.6094*** -2.5504***
(0.7117) (0.8574) (0.8786)
常数项 17.1118*** -63.8253 -11.8305
(0.1996) (227.1469) (238.8391)
控制宏观经济 否 是 是
控制自然条件 否 否 是
固定效应 是 是 是
N 303.0000 303.0000 303.0000
R2 0.2427 0.3115 0.3134

注：**、***表示回归系数在5%、1%水平上显著；括号内的值为标准误。

4.3 内生性处理

基准回归结果虽然验证了试验区建设对城市减灾的积极影响，但影响大数据中心区位选址的因素并非仅缘于地方政府施策偏好，还包括风力、能源等自然条件[29]。一方面，服务器、交换机组、路由器等硬件散热降温需要大量能耗，如果试验区选址能够把握当地风力资源优势，则有助于降低空调费、水费等散热成本；另一方面，数据处理过程需消耗大量电力，依赖火电会带来环境污染、资源挤占等负外部性问题，如果当地政府充分利用水电等清洁能源，则有利于发挥水能取之不竭、减少污染等优势。基于上述思路，本文以各城市每年平均风速和水力发电量同比增幅的交乘项为工具变量（WW），进行两阶段回归分析。表4第（1）列是工具变量一阶段的回归结果，WW对BG的系数显著为正，其含义为试验区目前主要分布于风速禀赋和水电同比增幅（如图5所示）较全国平均水平而言“占优”的地区。第（2）列是二阶段回归结果，β1系数仍然显著为负。弱工具变量检验的F统计量高于临界值10，有效缓解了核心自变量的内生性问题。
表4 工具变量回归

Tab. 4 Instrumental variable regression

变量 一阶段 二阶段
（1） （2）
WW 3.8917***
(1.3465)
BG -2.6785**
(1.3014)
一阶段F值 14.1323
控制变量 是 是
固定效应 是 是
N 303.0000 303.0000

注：“控制宏观经济和自然条件”简称为“控制变量”；**、***表示回归系数在5%、1%水平上显著；括号内的值为标准误。

图5 风速禀赋和水电增幅分布

注：该图基于自然资源部地图技术审查中心标准地图（GS（2019）1815号）绘制，底图边界无修改。

Fig. 5 Distribution of wind speed endowment and hydropower increase

4.4 稳健性检验

4.4.1 异质性处理效应检验

在多期双重差分模型中，试验区分批扩围的特点会使早期控制组变为晚期处理组，导致实证估计出现异质性处理效应偏误。为检验该偏误对主回归的干扰，本文进行培根分解[30]，以确保不同处理时点β1系数权重不会明显影响平均处理效应。权重测算结果显示，平均处理效应权重最大的组别为“从未处理组VS时变处理组”，占比达92.41%，仅有7.59%的估计权重来自不同处理时点状态比较，对平均处理效应的影响总体不明显，验证了多期双重差分模型的合理性。

4.4.2 安慰剂检验

为避免其他随机因素和潜在未观测因素对回归结果造成的干扰，本文借鉴Chetty等[31]的方法，采用随机分配处理组和控制组的策略进行安慰剂检验。图6报告了迭代1000次后的随机模拟系数分布情况，结果发现β1系数在0值附近呈现正态分布，且整体落在真实估计系数（-2.5504）结果右侧，从统计层面说明β1系数真实估计结果几乎不受随机因素和潜在未观测因素的影响。
图6 安慰剂检验

Fig. 6 Placebo test

4.4.3 排除同期其他政策

为应对复杂多变的气候环境，2014年12月财政部发布了《关于开展中央财政支持海绵城市建设试点工作的通知》（财建〔2014〕838号），2015―2016年先后有30个城市入选海绵城市试点，其工作任务是建成集渗水、滞水、蓄水、净水、用水、排水于一体的公共设施系统，遇洪涝时提高泄洪能力，干旱时缓解供水短缺，以降低生产生活中的沉没成本[32]。基于海绵城市建设与国家级大数据综合试验区设立目标存在相似性，本文排除了入选海绵城市建设试点的城市。考虑到2014―2019年各市所属省级政府还会出台其他支持减灾能力提升的差异化政策，本文进一步控制了“年份×省份”趋势项，从经济意义上判断基准回归结果是否还受同期其他政策干扰。表5第（1）列结果显示，β1系数显著为负，表明试验区的减灾效果受其他政策的影响不明显。
表5 其他稳健性检验

Tab. 5 Other robustness test

变量 排除同期
其他政策		 剔除高级
别城市		 变更分组
策略		 因变量的
再度量
（1） （2） （3） （4）
BG -2.5259*** -2.5504*** -1.1001** -0.8986*
(0.8838) (0.8786) (0.5169) (0.5430)
常数项 -10.8148 -11.8305 -48.9796 -49.0301
(240.0208) (238.8391) (108.7088) (146.5462)
控制变量 是 是 是 是
固定效应 是 是 是 是
年份×省份 是 否 否 否
N 246.0000 303.0000 838.0000 300.0000
R2 0.3120 0.3134 0.3025 0.4512

注：*、**、***表示回归系数在10%、5%、1%水平上显著；括号内的值为标准误。

4.4.4 剔除高级别城市

本文的城市样本包括普通地级市、副省级城市、省会城市和直辖市。不同级别城市掌握的资金、人力、技术等资源存在差异，级别越高的城市越容易掌握更多资源禀赋，由此引致的政府行为差异可能导致减灾能力呈现系统性差异。为减轻该因素的影响，本文将副省级城市、省会城市和直辖市样本剔除，仅运用普通地级市样本进行回归。表5第（2）列结果显示，β1系数仍然显著为负，反映出试验区设立后带来的减灾效应并非局限于高级别城市，受益面具有普惠性。

4.4.5 变更分组策略

本文将处理组样本由试验区内省界毗邻市扩展至所有入选试验区的城市，并将控制组由试验区外的相邻城市扩围至所有未入选试验区的城市，重新进行回归分析。表5第（3）列结果显示，β1系数仍显著为负，说明在不考虑自然条件和政府偏好等干扰的情况下，试验区入选与否对各城市旱涝直接经济损失的影响仍然具有真实性。

4.4.6 因变量的再度量

本文将因变量度量方法由直接经济损失替换为受灾人口。考虑到不同城市当年受灾人口因人口总规模而异，本文对该指标除以年末总人口，以完成标准化处理。表5第（4）列结果显示，β1系数符号未改变。综上，模型通过了稳健性检验。

5 机制分析

5.1 机制分析模型构建

为探究国家级大数据综合试验区内城市减灾能力显著优于非试验区城市的原因，本文设M为机制变量，在公式（1）的基础上构建了如下模型：
M t c = α 3 + μ B G t c + ρ 3 C t c + σ t + ς c + ε t c
式中：μ为BG对M的影响系数；具体机制指标围绕地方政府“以数治灾”的努力来展开，包括灾前准确预测风险（M1）、灾中及时调整救援行动（M2）、灾后科学安排恢复重建工作（M3）三个方面。地方政府“以数治灾”政策个数变化差异如图7所示，从中发现，2014―2019年间，试验区内“以数治灾”政策年均增幅总体高于试验区外。
图7 “以数治灾”政策增幅差异

注：该图基于自然资源部地图技术审查中心标准地图（GS（2019）1815号）绘制，底图边界无修改。

Fig. 7 Difference in the growth of disaster control with big data policy

5.2 灾前准确预测风险

关于地方政府在灾前为提高风险预测准确性做出的努力，虽然财政国土资源气象等事务支出科目通过具体数值来衡量气象服务投入情况，却难以直接剥离出政府对完善灾前预测的重视力度。与之相比，政府文件中与防灾相关的文本信息更能向社会公众清晰阐明政府工作的内容，克服了气象支出指标对政府完善灾前预测重视度解释效力不足的问题，因此本文运用文本分析法进行指标构建。文本手工搜集步骤如下：第一步，从含有“大数据+自然灾害+精准/准确+预警信号/推演”字段的政策文件中识别出地名信息，当c市政府t年政策标题或全文中出现了“某市结合大数据提高灾害风险预测能力”之类的主题句时，则对该文件进行提取；第二步，计算c市出现上述字段的文件个数，若未出现上述字段，则赋值为0。相关政策越多，表明地方政府越重视运用大数据技术提高风险预测准确性。表6第（1）列的结果显示，BG对M1的μ系数在1%水平上显著为正，反映出试验区内城市较试验区外城市更加重视灾害风险预测准确度的提升。假设1得到了验证。
表6 机制分析

Tab. 6 Analysis of the mechanism

变量 灾前准确预
测风险		 灾中及时调
整救援行动		 灾后科学安
排恢复重建
（1） （2） （3）
BG 2.0417*** 1.8078* 1.4818**
(0.6952) (0.9287) (0.6189)
常数项 -411.7388** -133.7647 -294.8930*
(188.9699) (252.4644) (168.2262)
控制变量 是 是 是
固定效应 是 是 是
N 303.0000 303.0000 303.0000
R2 0.8924 0.8784 0.8705

注：*、**、***表示回归系数在10%、5%、1%水平上显著；括号内的值为标准误。

5.3 灾中及时调整救援行动

关于地方政府在灾中为及时调整救援行动做出的努力，本文参考上述识别灾前预测努力的策略，通过以下步骤进行文本提取：搜索全文内容中含有“大数据+自然灾害+抢险/救援设备（物资）+及时/快速/机动调整”字段的文件，如果市级政府t年的文件中出现了上述字段，则据此计算出现上述字段的文件个数。若无相关文件，则赋值为0。文件越多，说明当地政府愈加重视借助大数据进行救援行动的灵活调整。表6第（2）列的结果显示，BG对M2的μ系数显著为正，反映出试验区内城市较试验区外城市而言更加重视救灾资源供给方向的及时调整。假设2得到了验证。

5.4 灾后科学安排恢复重建

关于地方政府在灾后为科学安排恢复重建做出的努力，本文通过以下步骤进行文本提取：搜索全文内容中含有“大数据+自然灾害+恢复重建+资金（或人力）分配/配置”字段的文件，若市级政府网站在t年出现了含有上述字段的文件，则计算出相关文件个数之和。相关文件的数量能够直接反映出当地政府对大数据辅助安排恢复重建工作的重视程度。表6第（3）列的结果显示，BG对M3的μ系数同样显著为正，反映出较试验区外城市而言，试验区内城市更加重视恢复重建所需资金和人力安排科学性的提升。假设3得到了验证。

6 异质性分析

国家级大数据综合试验区的建设成果不只服务于政府决策，还会受到企业、高校和科研院所（简称“三方”）的关注。新技术研发周期长、难度高，如果仅依靠单方力量进行创新，则不利于研发成功率的提升。“产学研”合作本着优势互补、互惠互利、共同发展的原则，通过协同育人来促进减灾知识资本高效流动。然而不同地区各具差异化的产业结构、通勤成本和协作意愿，这会导致三方对合作的重视力度存在主观差异[33]。政府在推广大数据的同时如何优化技术创新合作环境，是加快减灾知识资本扩散的关键。为此，本文根据地方政府是否对“产学研”合作出台相关政策进行分组，如果c市政府文件中含有“大数据+产学研/产教融合/产研结合”字段，则归为“重视度高”组；若无相关字段，则纳入“重视度低”组。从表7的分组回归结果中发现，试验区设立带来的减灾效应集中于高度重视技术创新合作的城市，验证了大数据软硬件完善与技术创新合作环境优化相结合的重要性。
表7 异质性分析

Tab. 7 Heterogeneity analysis

变量 重视度低 重视度高
（1） （2）
BG 0.2728 -4.1966**
(1.7282) (1.9036)
常数项 343.1376 -131.1028
(414.0429) (555.5639)
控制变量 是 是
固定效应 是 是
N 161.0000 124.0000
R2 0.5191 0.3702

注：组间系数差异检验结果显示，重视度分组的p值小于0.1，验证了组间差异真实性；**表示回归系数在5%水平上显著，括号内的值为标准误。

7 结论与启示

如何借助国家级大数据综合试验区设立契机提升减灾能力受到社会各界的广泛关注。本文运用2014―2019年市级面板数据和多期双重差分模型进行实证分析。基准回归结果显示，入选试验区的城市平均每次旱涝灾害的直接经济损失低于试验区外相邻城市，反映出涉灾信息由碎片化向聚合化转变会形成“信息红利”，进而提升减灾效果。分析上述现象成因发现，灾前准确预测风险、灾中及时调整救援行动、灾后科学安排恢复重建是试验区发挥减灾效应的机制，即“信息红利”缓解了政府与群众间信息距离衰减和委托代理的不利影响。此外，试验区设立对重视技术创新合作的城市减灾效应更明显。据此，本文从地理学和管理学相结合的角度，得到了以下启示：

7.1 盘活当地资源禀赋，因地制宜提高大数据中心扩建和运行效率

目前试验区中的大数据中心主要分布于风速和水能“占优”的地区。考虑到各地区自然资源禀赋具有相对稳定性，短期内难以快速改变，地方政府应为大数据中心的落成创造有利的人文条件。具体而言，地方政府一方面应提高大数据中心所需土地资源供应的优先级，例如将大数据软硬件建设列入城市近期建设规划和土地利用规划中，优先预留出市内风力、水能资源具有相对优势的选址，同时提高相关行政事项的审批效率，从而加快软硬件测试、投产速度；另一方面，应重点保障大数据中心正常运转所需的能源供应，例如在降低大数据中心设施所需水、电价格的基础上，通过废水处置、垃圾焚烧技术等“变废为宝”渠道来拓宽机组散热、运行所需的电力来源，避免占用民用电力，切实实现试验区的扩围，使更多城市享受到算力引擎对减灾带来的“信息红利”。

7.2 提高信息准确性、及时性和科学性，实现防范、救援、重建能力全面提升

在关注大数据中心扩建和运行效率的同时，地方政府还应提高对灾害防范、救援和恢复重建薄弱地区的重视度。从灾前风险防范环节伊始，地方政府应为群众谏言提供更丰富的互动平台，并加强舆情监测队伍的专业化建设，从而进一步缩短政府与群众的信息距离，提升对防灾遗漏区位的信息掌握精度。在灾中救援时，地方政府应加快由被动获取信息向主动挖掘信息角色的转变速度，具体应加大对手机信令热力图等大数据服务的建设力度，在及时判断求助信号微弱原由的同时快速部署重点救灾方向，以克服信息发送端受灾时联络不畅对救灾全局的不利影响，进而提高信息保障的实时性。进入灾后恢复阶段，地方政府更应将信息保障能力和信息精度有机结合，避免恢复重建政策两两冲突，并严格规范交易等纠纷的自由裁量权，从而切实满足群众差异化的需求进行科学决策，减少政策执行偏差。

7.3 促进信息资源共建共享，以互利共赢为导向实现协同减灾目标

大数据软硬件的完善既为政府优化减灾决策提供了第一手信息来源，还为高校、科研院所、企业等社会主体共享信息资源发展成果营造了有利的条件。因此，地方政府应积极宣传大数据的优势和应用成果，鼓励高校、院所发挥自身科研资源优势，结合大数据新业态加大研发投入力度，并为减灾专利成果转化开辟绿色审批通道。企业引进、吸收减灾专利成果后，会开发出具有附加值的减灾产品，并向市场进行推广。这一系列投入产出效率的提升离不开高质量信息资源的支撑。因此，政府还应加大对企业利用大数据行为的财政扶持力度，促进大数据在企业中加快普及应用速度。总之，无论是高校、科研院所还是企业，政府均应多措并举放宽数字平台共享和开放门槛，降低各类社会主体的平台使用负担，切实推动减灾科技成果共享，实现互利共赢。

真诚感谢匿名评审专家的辛勤付出。专家在本文评审过程中对数据可视化、语言表达等方面提出了宝贵且细致的意见，使本文受益良多。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
郭雪松, 赵宇, 王子爻. “情景触发—任务驱动—组织重构”: 耦合视角下复合型灾害适应性治理的生成逻辑与实现路径. 中国行政管理, 2023, 39(12): 141-149.

[Guo Xuesong, Zhao Yu, Wang Ziyao. "Situation triggered-task driven-organization reconstructed" the generation logic and construction path of adaptive governance mechanism for compound disasters from the perspective of coupling. Chinese Public Administration, 2023, 39(12): 141-149.]

[2]
陈升, 孟庆国, 胡鞍钢. 政府应急能力及应急管理绩效实证研究: 以汶川特大地震地方县市政府为例. 中国软科学, 2010, (2): 169-178.

[Chen Sheng, Meng Qingguo, Hu Angang. Empirical study on government emergency management capacity and its performance: Local government in Wenchuan earthquake. China Soft Science, 2010, (2): 169-178.]

[3]
程惠霞. “科层式”应急管理体系及其优化: 基于“治理能力现代化”的视角. 中国行政管理, 2016, (3): 86-91.

[Cheng Huixia. To optimize the emergency management system of Chinese government based on governance capability modernization theory. Chinese Public Administration, 2016, (3): 86-91.]

[4]
裘丽, 傅荣, 陈碧玉. 互联网大规模灾害响应中的志愿行动网络研究. 公共管理学报, 2012, 9(3): 92-100+127.

[Qiu Li, Fu Rong, Cheng Biyu. Study on structure and features of voluntary action networks in disaster relief. Journal of Public Management, 2012, 9(3): 92-100+127.]

[5]
余壮雄, 韩佳容, 付锦华. “宽带中国”政策如何影响中国城市的数字产业. 世界经济, 2024, (8): 95-132.

[Yu Zhuangxiong, Han Jiarong, Fu Jinhua. How the “Broadband China” policy affects the digital industries in Chinese cities. The Journal of World Economy, 2024, (8): 95-132.]

[6]
许启凡, 邹甘娜, 甘行琼. 财政投资、5G产业与经济增长. 改革, 2022, (8): 123-140.

[Xu Qifan, Zou Ganna, Gan Xingqiong. Government investment, 5G industry and economic growth. Reform, 2022, (8): 123-140.]

[7]
马茜, 张红兵, 廖甍. 数字基础设施建设、知识流动与城市高质量发展: 准自然实验与空间溢出的经验证据. 产业经济研究, 2022, (6): 114-128.

[Ma Qian, Zhang Hongbing, Liao Meng. Digital infrastructure construction, knowledge flow and urban high-quality development: Empirical evidence from quasi-natural experiments and spatial spillovers. Industrial Economics Research, 2022, (6): 114-128.]

[8]
程昌秀, 裴韬, 刘瑜, 等. 新时代自然灾害态势感知的实践与方法探索. 地理学报, 2023, 78(3): 548-557.

DOI

[Cheng Changxiu, Pei Tao, Liu Yu, et al. The practice and method of natural disasters situational awareness in the new era. Acta Geographica Sinica, 2023, 78(3): 548-557.]

DOI

[9]
庞素琳. 巨灾风险大数据处理应急分类、分解、分拣算法与应用. 系统工程理论与实践, 2015, 35(3): 743-750.

DOI

[Pang Sulin. The algorithms of emergency classification, decomposition and sorting for processing a catastrophe risk of large data and its applications. Systems Engineering-Theory & Practice, 2015, 35(3): 743-750.]

[10]
周利敏, 童星. 灾害响应2.0: 大数据时代的灾害治理: 基于“阳江经验”的个案研究. 中国软科学, 2019, (10): 1-13.

[Zhou Limin, Tong Xing. Disaster response 2.0: Disaster governance in the big data age: A case study of practice of Yangjiang. China Soft Science, 2019, (10): 1-13.]

[11]
Robin H. Economic growth given machine intelligence. Journal of Artificial Intelligence Research, 1884, 94(5): 1-13.

[12]
邱子迅, 周亚虹. 数字经济发展与地区全要素生产率: 基于国家级大数据综合试验区的分析. 财经研究, 2021, 47(7): 4-17.

[Qiu Zixun, Zhou Yahong. Development of digital economy and regional total factor productivity: An analysis based on national big data comprehensive pilot zone. Journal of Finance and Economics, 2021, 47(7): 4-17.]

[13]
郭炳南, 王宇, 张浩. 数字经济发展改善了城市空气质量吗: 基于国家级大数据综合试验区的准自然实验. 广东财经大学学报, 2022, 37(1): 58-74.

[Guo Bingnan, Wang Yu, Zhang Hao. Does digital economy improve urban air quality quasi natural experiment based on national big data comprehensive pilot zone. Journal of Guangdong University of Finance & Economics, 2022, 37(1): 58-74.]

[14]
张益豪, 郭晓辉. 大数据发展与企业全要素生产率: 基于国家级大数据综合试验区的实证分析. 产业经济研究, 2023, (2): 69-82.

[Zhang Yihao, Guo Xiaohui. Big data development and total factor productivity of enterprises: Empirical analysis based on the national big data comprehensive pilot zone. Industrial Economics Research, 2023, (2): 69-82.]

[15]
Peter L J, Hull R. The Peter Principle:Why Things Always Go Wrong. New York: William Morrow and Company, 1969.

[16]
杨刚强, 王海森, 范恒山, 等. 数字经济的碳减排效应: 理论分析与经验证据. 中国工业经济, 2023, (5): 80-98.

[Yang Gangqiang, Wang Haisen, Fan Hengshan, et al. Carbon reduction effect of digital economy: Theoretical analysis and empirical evidence. China Industrial Economics, 2023, (5): 80-98.]

[17]
漆雁斌, 王怡欢, 何强. 长江经济带数字经济发展与粮食安全能力的时空演变及影响分析. 农村经济, 2023, (2): 48-58.

[Qi Yanbin, Wang Yihuan, He Qiang. Spatio-temporal evolution and impact analysis of digital economy development and food security capacity in the Yangtze river economic zone. Rural Economy, 2023, (2): 48-58.]

[18]
Fujita M, Krugman P, Venables A J. The Spatial Economy:Cities, Regions and International Trade. Cambridge: The MIT Press, 1999.

[19]
徐陈晰, 焦长权. 悬浮的项目包: 中国农村基本公共卫生服务的制度演进与实践逻辑. 管理世界, 2023, 39(11): 115-133.

[Xu Chenxi, Jiao Changquan. The suspension of a program package: The institutional evolution and practice logic of basic public health service in rural China. Journal of Management World, 2023, 39(11): 115-133.]

[20]
卢盛峰, 马静, 陈思霞. 政府距离、政策信息关注与政策收益获得. 财贸经济, 2023, 44(2): 24-40.

[Lu Shengfeng, Ma Jing, Chen Sixia. Geographical distance from government seats attention to and gains from government policies. Finance & Trade Economies, 2023, 44(2): 24-40.]

[21]
靳玉乐, 樊亚峤. 中小学实施综合素质评价的意义、问题及改进. 教育研究, 2012, 33(1): 69-74.

[Jin Yule, Fan Yaqiao. The significance, problems and improvement of implementing comprehensive quality evaluation in primary and middle schools. Educational Research, 2012, 33(1): 69-74.]

[22]
Samuelson P A. A note on the pure theory of consumer's behavior. Economica, 1938, 17(5): 61-71.

[23]
焦豪, 杨季枫, 王培暖, 等. 数据驱动的企业动态能力作用机制研究: 基于数据全生命周期管理的数字化转型过程分析. 中国工业经济, 2021, (11): 174-192.

[Jiao Hao, Yang Jifeng, Wang Peinuan, et al. Research on data-driven operation mechanism of dynamic capabilities: Based on analysis of digital transformation process from the data lifecycle management. China Industrial Economics, 2021, (11): 174-192.]

[24]
Kaplan A M, Haenlein M. Users of the world, unite! The challenges and opportunities of social media. Business Horizons, 2010, 53(1): 59-68.

[25]
陈文, 常琦. 大数据赋能了企业绿色创新吗: 基于国家级大数据综合试验区的准自然实验. 财经科学, 2022, (8): 76-92.

[Chen Wen, Chang Qi. Can big data empower enterprises' green innovation activities: Based on the quasi-natural experiment of the big data experimental zone. Finance & Economics, 2022, (8): 76-92.]

[26]
孙雪娇, 范润. 数字经济对大中小企业全要素生产率影响的鸿沟效应. 经济管理, 2023, 45(8): 45-64.

[Sun Xuejiao, Fan Run. The gap effect of the digital economy on the total factor productivity of large enterprises and SMEs. Business and Management Journal, 2023, 45(8): 45-64.]

[27]
Elliott R J R, Liu Y, Strobl E, et al. Estimating the direct and indirect impact of typhoons on plant performance: Evidence from Chinese manufacturers. Journal of Environmental Economics and Management, 2019, 98(4): 102252.

[28]
申宇, 佘楷文, 许闲. 气候风险与银行盈余管理: 基于金融监管的视角. 金融研究, 2023, (7): 116-133.

[Shen Yu, She Kaiwen, Xu Xian. Climate risk and bank earnings management from the perspective of financial regulation. Journal of Financial Research, 2023, (7): 116-133.]

[29]
王兴标. 区域大数据产业生态系统构建研究: 基于价值创造和技术创新视角. 重庆社会科学, 2023, (8): 20-33.

[Wang Xingbiao. Construction on regional big data industry ecosystem based on value creation and technological innovation. Chongqing Social Sciences, 2023, (8): 20-33.]

[30]
Goodman B A. Difference-in-differences with variation in treatment timing. Journal of Econometrics, 2021, 225(2): 254-277.

[31]
Chetty R, Looney A, Kroft K. Salience and taxation: Theory and evidence. American Economic Review, 2009, 99(4): 1145-1177.

[32]
郑艳, 翟建青, 武占云, 等. 基于适应性周期的韧性城市分类评价: 以我国海绵城市与气候适应型城市试点为例. 中国人口·资源与环境, 2018, 28(3): 31-38.

[Zheng Yan, Zhai Jianqing, Wu Zhanyun, et al. A typology analysis on resilient cities based on adaptive cycle: Taking cases of Chinese sponge cities and climate resilient cites pilot projects. China Population, Resources and Environment, 2018, 28(3): 31-38.]

[33]
高霞, 曹洁琼, 包玲玲. 产学研合作开放度的异质性对企业创新绩效的影响. 科研管理, 2021, 42(9): 112-119.

[Gao Xia, Cao Jieqiong, Bao Lingling. The impact of openness heterogeneity of industry-university-research cooperation on the innovation performance of firms. Science Research Management, 2021, 42(9): 112-119.]

Options
Outlines

/

〈 〉