公告：
【作者】沈阳¹，吴璟¹，吴淑萍²，郑嘉欣¹
1. 清华大学恒隆房地产研究中心
2. 北京交通大学经济管理学院
【通讯作者邮箱】
shpwu@bjtu.edu.cn
【原文信息】Shen, Y., Wu, J., Wu, S., & Zheng, J. (2026). Disrupted Development: Urban Productivity Under Changing Place‐Based Industrial Policies in China. Journal of Regional Science.
https://doi.org/10.1111/jors.70050
内容导读
吴璟教授团队及其合作者的研究论文“Disrupted Development: Urban Productivity Under Changing Place‐Based Industrial Policies in China”（被扭曲的发展：中国区位导向性产业政策变动下的城市生产力），在SSCI期刊Journal of Regional Science在线发表。尽管学术界对城市政策稳定性的重要性已达成共识，但频繁的政策变动对城市发展的负面影响却鲜有准确评估。本研究旨在通过实证分析区位导向性政策对应目标区域的变动对城市生产力的影响并探讨其内在机制，以弥补这一研究空白。研究利用2008年至2016年间中国285个地级市的319,276宗工业用地数据，通过分析市政府工业用地供应空间分布的偏移来评估这些政策的变动。研究结果表明，在市政府政治动机的驱动下，区位导向性政策目标区域的频繁变动抑制了创新，导致技术进步和全要素生产率（TFP）下降。分解分析进一步发现，这种负面影响主要源于过度的政策调整，特别是“短暂”工业园区的建立。虽然这些频繁的政策变动提升了政府官员的晋升前景，且由于要素投入的增加在短期内并未降低GDP的增长，但由此导致的TFP下降却威胁到了长期经济增长的可持续性。
制度背景
区位导向型政策（place-based policies）是一种政府有意将资源定向配置到特定地理区域的政策工具，在大多数经济体中被广泛运用，用以推动产业发展，例如设立经济特区或工业园区。然而，在中国，区位导向型政策目标区域的变动较为频繁。以经济特区为例，中国地方政府在2003年前建立了近7000个经济特区；大多数于2004年关闭，2006年仅剩1568个。到2018年底，国家和省级经济特区数量再次增加至2544个。频繁的政策变动较大程度上源于中国独特的政治激励结构。中国城市领导人的频繁更换以及晋升锦标赛制度赋予了官员极强的动机去通过“新政”来彰显个人贡献，前任官员在旧区域创造的产出常被视为“政治遗产”，新任官员更倾向于推动新区域的工业发展以彰显其贡献获取上级认可进行晋升。区位导向型政策目标区域反复经历“设立—废除—再开发”的过程，意味着工业与经济活动需要不断在空间上重新配置。在此背景下，这种区位导向型政策的频繁变动是否会系统性地影响企业行为及生产率结果，是一个亟需深入研究的重要问题。
研究方法
本研究主要结合土地出让数据、城市年度数据，构建了城市层面的年度面板数据。土地出让数据来自中国土地市场网，涵盖285个地级市2008–2016年共计319,276块工业用地；城市年度数据中城市出口价值来源于中国海关总局，其他信息来源于中国城市统计年鉴。
(1) 构建核心解释变量PCc,t
在中国，由于城市土地为国有，实施区位导向型政策涉及市政府向目标区域分配新的工业用地资源，因此工业用地供应是市政府实施区位导向型政策的关键抓手，市政府通过将工业用地配置给企业主导城市产业布局。因此，采纳Shen等（2022）的方法，利用地级市政府的工业用地供给行为，通过衡量市政府工业用地供应空间分布的变化，反映区位导向型政策目标区域的变化。公式如下：
n是城市c中区县级行政区的数量。INDi,c,t是城市c中区县i在年份t供应的工业用地总面积，Areai,c是城市c中区县i的行政区域面积。Rank(.)是城市c在年份t中所有区县从最大到最小排序后区县i获得排名的计算器。最终计算得到的PCc,t越大表示城市c在年份t中区县级行政区在连续年份间排序变化越大。
(2) 构建核心被解释变量TEPc,t
通过DEA-Malmquist（数据包络分析—指数法）测算城市i在年份t的全要素生产率（TFP）。该方法基于DEAP 2.1软件（Coelli，1996）实现，通过对各城市内微观企业层面的投入与产出数据进行加总，捕捉城市层面生产率的动态演变，从而反映城市整体的运行效率与技术进步。
(3) 实证策略
本文通过如下回归估计区位导向型政策目标区域的变动程度对城市全要素生产率的影响。
其中，TEPc,t表示通过DEA-Malmquist法测算的城市i在年份t的全要素生产率。城市级 TFP是捕捉外部冲击对城市经济增长影响时最常用的结果变量之一（Kahn et al.，2021）。PCc,t-1代表城市i在上一年度t-1的政策变动。为了消除极端值的影响，对政策变动变量进行了2%的缩尾处理。影响TEPPC的其他城市级时变经济变量在向量c,t-1中。其他城市特定性和年份特定的不可观测异质性均被城市固定效应(和年度固定效应(吸收。c,t指按城市聚类的误差。
研究结果
本研究的主要结果分为三个部分：首先展示城市内区位导向型政策目标区域的变动程度对城市全要素生产率的影响，并且进行机制分析；其次进一步提供了更详细的空间层面政策变动影响全要素生产率的直接证据。最后从市政府领导人的政治动机解释市政府为何频繁实施政策变更。
（1）城市内区位导向型政策目标区域的变动程度对城市全要素生产率的影响
表1汇报了估计结果。第(1)至(3)列汇报了政策变动滞后一期对全要素生产率（TFP）的影响估计。第(1)和(2)列展示了初步的模型设定，仅包含年份固定效应和城市固定效应，未加入其他控制变量。两者的唯一区别在于标准误的聚类方式：第(1)列在城市层面进行聚类；而第(2)列采用了城市和年份的双向聚类标准误，以允许扰动项在年份和城市内部存在相关性。这两列中政策变动变量的系数均显著为负，且至少在5%的水平上显著。具体而言，上一年的政策变动每增加10个百分点，当年的TFP将下降0.38%。为了缓解遗漏变量偏差问题，第(3)列对同时影响政策变动与生产率的其他城市—年度层面因素进行了控制，结果上，政策变动对TFP的负面影响依然成立，且该效应的数值甚至有所扩大：上一年度政策变动每增加10个百分点，本年度TFP将下降0.43%。
表1 区位导向型政策目标区域的变动程度对城市全要素生产率的影响（对应原文中表2）
稳健性上，本研究使用替代变量来评估政策变动、利用企业年度层面的TFP分别作为稳健性检验。通过考察非工业土地供应变化对TFP的影响，进行安慰剂检验。通过多种方法讨论并解决内生性问题。最后，结合空间分析考虑空间溢出效应，并在排除此类效应后验证结果。基准回归通过以上所有检验。
进一步地，研究发现随着政策变动的增加，其对TFP负面影响的大小和重要性都会增加，呈现非线性关系。机制检验上，通过将TFP变化分解为三部分——技术进步（TP）、规模效率（SE）和技术效率（TE），分析哪些TFP组成部分受政策变更影响。结果见表2，在第（1）和（2）列中，系数不显著，而第（3）列结果显示政策变动对TP的负面影响是其对TFP影响的主要来源。为了进一步解释政策变化对TP的影响，本研究从国家知识产权局收集了所有制造业企业（年销售额超过500万元）的专利申请数据。如第（4）列所示，上一年度城市层面的政策变动阻碍了该城市制造企业的创新产出。
表2 TEP分解下影响机制分析（对应原文中表3）
（2）更详细的空间层面政策变动影响全要素生产率的直接证据
本研究在更微观的空间尺度上提供了政策变动的直接证据。利用Getis-Ord Gi*统计分析，将城市年度级政策在考虑空间集中度后变更细分为区县层面的空间尺度。关注两种特定类型的细微政策变动：新“热”工业园区的出现和之前“热”工业园区的消退。对热工业园区的分析显示，新热工业园区平均持续1.7年，其中超过60%的持续时间不超过1年。这表明政府经常建立新工业园区后又放弃，导致“短暂”工业园区现象。通过对这些区县层面的变化进行企业年度层面的TFP回归，发现“短暂”工业园区作为典型的“过度”政策变动形式，最终阻碍了TFP的增长。
（3）市政府频繁实施政策变更的原因
本研究进一步解释了市政府为何会做出这些政策变更。解释主要集中在市政府领导人的晋升激励机制上。在中国，地方领导人的晋升取决于两个因素：其所辖城市的实际经济增长率（第一个因素）和上级政府对其贡献的看法（第二个因素）。受第二个因素的激励，现任地方领导人经常做出政策调整，旨在区别于前任，并提高上级当局的认可度。因此，这些政策变动往往显得“过度”。然而，优先考虑第二个因素，即使牺牲了TFP下降，也不一定意味着牺牲第一个因素。政府可以通过增加劳动力和资本投入来抵消这一点。研究结果显示，政策变动对地方就业、投资和GDP有积极（但统计学上不显著）的影响。同时，回归结果也验证了更频繁的政策变动能显著提高现任市政府领导人晋升的可能性。
声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。