【作者】沈阳a,b，吴璟a,b，吴淑萍c*
a 清华大学建设管理系房地产研究所
b 清华大学恒隆房地产研究中心
c 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. City-chief turnover and place-based policy change: Evidence from China. Journal of Regional Science, 2022, forthcoming. https://doi.org/10.1111/jors.12598.
【全文链接】https://onlinelibrary.wiley.com/doi/abs/10.1111/jors.12598
【研究数据】土地市场网抓取的200w+土地出让微观数据
内容导读
清华大学恒隆房地产研究中心吴璟课题组发表研究论文“City-chief turnover and place-based policy change: Evidence from China”（官员更替和区位导向性政策不连续性：来自中国的证据），2022年4月由Wiley旗下Journal of Regional Science期刊在线发表。
政策不连续性是降低政策效率、影响经济可持续发展的一项重要因素。在城市政策中，区位导向性政策由于其广泛实践和重要地位，已经成为研究的前沿和热点；同时，区位导向性政策的不连续性突出，特别是由官员变更导致的区位导向性政策不连续，对城市经济长期增长构成了严重威胁。但如何实证测度区位导向性政策变化是现有研究面临的一大挑战。
文章基于土地资源配置视角，以工业用地供给区位变化作为区位导向性政策变化的表征，创新设计和构建了政策不连续性指数（GCI指数），首次度量并描述了近年来中国城市内部区位导向性政策变化情况。基于度量结果，论文理论和实证分析了地方官员更替对区位导向性政策不连续性的影响效应及其微观机理，以及区位导向性政策不连续性对短期经济增长的影响。
文章的主要结论有：1）中国城市内部区位导向性政策的连续程度在2013年前持续下降，后有所改善；东部沿海地区连续性低，中西部高，空间上有聚类表现。2）市委书记变更是城市内部区位导向性政策连续性下降的重要原因：市委书记出于提高个人“政绩显示度”从而提升晋升概率的动机，在上任初期先弱化原有重点发展区域、后设立新的重点发展区域，从而显著调整了原有的区位导向性政策。3）区位导向性政策不连续导致城市经济增速下降：GCI指数每增加1个标准差，城市制造业GDP增长率下降12.3%个标准差。
文章的主要贡献在于突破了政策不连续性测度瓶颈，为区位导向性政策的经济效果评价提供了新的依据，同时有助于拓展其他城市政策的不连续性测度和分析；为提高政策连续性、推动城市“全周期管理”、促进城市经济持续增长提供了有效参考。
研究方法与结果
1. GCI指数构建
文章的因变量为作者基于工业土地出让微观数据构建的GCI指数，用来度量同一城市前后两年供应的工业用地的空间布局的系统性差异；GCI指数越大，表明城市内部区位导向性政策的不连续性越强。
GCI指数的具体构建过程如下：
（1）对各地级市进行内部区位划分。在这一步中，作者基于行政区划（乡镇街道）和地理栅格（0.5 km x 0.5 km）两种方式进行区位划分，以解决区位导向性政策目标区域的边界不一定对应于行政区划的问题（Neumark和Simpson，2015）。
（2）分年计算各乡镇街道（或栅格）内的工业用地供应密度，即工业用地供应面积占其自身地理面积的比重；将各乡镇街道（或栅格）内的工业用地供应密度在其所在城市内部排序；排序越高，表明工业用地供应密度更大，该乡镇街道（或栅格）更可能是当年区位导向性政策的目标区域或城市产业发展的热点区域。
（3）按城市-年份汇总所有乡镇街道（或栅格）的工业用地供应密度排序，形成矩阵，计算同一城市前后两年之间该矩阵的欧氏距离，并以城市内的乡镇街道（或栅格）数量对距离进行标准化，得到分城市-年份的GCI指数。
作者指出，城市内的土地资源配置强度代表了城市政府对该区位的发展偏好，这种偏好可能是某种特定的导向性政策所致，也可能是多种区位导向性政策协同作用的结果，因此基于土地出让的指标可以更好地测度各区位实际受到的区位导向性政策强度及其变化。
(a) 各年GCI指数均值和中位数
(b) 各城市GCI指数均值核密度图
图1. GCI指数分年和分城市描述统计
图2. 城市平均GCI指数的局部莫兰指数
2. 回归结果
文章的基准模型为城市-年份面板模型，回归样本包括282个中国地级市在2007 年至 2017间的观测值。基准回归的被解释变量为GCI指数，关键变量为滞后一期的市委书记变更二元变量。回归结果表明市委书记变更会显著提高GCI指数：相比未发生市委书记变更的年份，变更年份及其下一年之间的GCI指数会高出5.6%个标准差。城市长官变更加剧了城市内的区位导向性政策不连续性。
文章采用多种方式处理内生问题，运用空间计量模型剔除空间自相关效应的影响，并采用其他方式构建政策不连续性指数，验证了基准结果的稳健性。
3. 理论模型
作者构建了一个简单的理论模型解释上述结果。在模型中，作者认为地方官员以最大化晋升概率为决策目标。在晋升锦标赛下，官员晋升概率受两方面因素的影响：地方GDP增速以及上级官员对其贡献的评价。
例如，假设官员A所辖城市的GDP增速为10%，上级政府认为其中的80%由官员A贡献，另外20%应归功于其前任官员的遗留政绩，则官员A的晋升概率是10%*80%=8%的函数；官员B所辖城市的GDP增速为9%，上级政府认为100%由官员B贡献，则官员B的晋升概率为9%*100%=9%的函数。
由此可见，地方官员为最大化晋升概率，不仅有动力促进经济增长，还有动力提升其“政绩显示度”，即提高上级政府对其贡献的评价。在控制外部环境影响的情况下，地方经济增长主要取决于前任官员的遗留政绩和现任官员的执政表现，因此，地方官员提高其自身“政绩显示度”的重要方式是改变前任官员的遗留政策。
经过推导，作者得出最大化晋升概率目标下的政策变更水平大于零，即现任官员会改变其前任官员的遗留政策；虽然政策变更会负向影响GDP增速，但可以提高政绩显示度，从而提高晋升概率。
理论模型解释了基准回归结果：官员变更会伴随区位导向性政策不连续性上升。在此基础上，作者进一步推导了三条推论： 1) 如果现任市委书记在其前任市委书记任期内参与该市经济政策的计划或实施（例如担任前任市长），则更替导致的政策变化将更小。 2）如果上级政府在现任市委书记后续晋升评估中对政策变化的重视程度较低（例如前任市委书记升任该省省长），更替导致的政策变化将较小；3）如果如果现任市委书记的能力更强（事前晋升概率更高），更替导致的政策变动将会更大。文章在异质性分析部分对三条推论进行了逐一验证。此外，基于理论模型，政策不连续性会对GDP增速存在负向影响，对此，文章在最后的经济影响分析部分进行了验证。
4. 机理分析
上述分析关注的是城市内区位导向性政策的“系统性变化”。在机理分析部分，作者进一步将GCI刻画的系统性变化进行分解，构建了局部变化指数——Gi*指数。
Gi*指数度量的是城市内部特定乡镇街道前后两年工业用地供应强度的变化。Gi*指数构建的第一步是进行Getis-Ord Gi*热点分析，识别各乡镇街道是否是当年工业土地供应的“热点”区域；在此基础上构建两类局部变化：“新增的热点” 和“消失的热点”；进而进行乡镇街道-年份层面的回归，分析官员更替对两类局部变化的影响。
结果表明，官员更替会显著导致两类局部变化。具体而言，消失的热点在更替当年开始出现，而新增的热点会在市委书记更替后一年出现。即现任官员通常在上任后就开始废除前任的一些区位导向性政策，并在下一阶段开始实施自己的新区域政策。这一发现与已有文献一致，即开展实施新政策是困难且耗时的（Zhu and Zhang，2016）；也解释了基准回归发现的在官员变更一年后区位导向性政策的系统性变化才显著出现。
此外，作者还统计了新增的热点和消失的热点各自会持续多久，并进行事件研究分析，以显示整个政治任期内热点演变过程的更多细节。结果表明，市委书记更替一年后出现的新热点的平均持续时间为1.645 年，明显长于其他时间出现的热点的持续时间1.559 年；在市委书记更替年淡出/衰退的热点的平均“休眠期”为 2.294 年，明显长于其他时间衰退热点的平均休眠期 2.038 年。
图3. 土地供应 “热点”区域及其在换届年前后的变化
5. 经济影响分析
最后，文章回归GCI指数和城市制造业GDP增速发现，GCI指数增加1个标准差，下一年的制造业增速下降12.3%个标准差。区位导向性政策不连续对短期经济增速带来了明显的负向影响，与理论分析部分的预测一致。至此，文章的结果表明，城市长官出于晋升激励进行政策变更，虽然提高了个人“政绩显示度”，但导致了区为导向性政策的跨任期不连续性，负向影响了城市经济增长的“一张蓝图绘到底”的城市“全周期管理”。
基金支持
研究由国家自然科学基金青年项目（项目号：72004008），国家自然科学基金面上项目（项目号：71874093），和国家自然科学基金重大研究计划培育项目（项目号：91546113）共同资助。
