创新型城市试点选择的多维影响因素分析

章文光 肖彦博

摘  要： 試点选择是创新型城市政策实验成功的关键，文章以2006-2016年间创新型城市政策实验过程中的试点选择为研究对象，利用事件史模型对创新型城市试点选择的影响因素进行实证分析，结果显示：政策实验的基础条件、试点比例和实验环境均会对试点选择产生影响。上述研究结果体现了创新型城市试点选择时中央优先考虑基础条件好的城市并同时注重整体部署、把握区域平衡的原则。低碳城市发展对创新型城市试点选择的影响不显著，这为创新型城市建设和发展提供了参考，未来须依靠创新要素驱动，走内涵式发展道路，推动创新型城市与低碳城市联动发展。

关键词： 创新型城市;政策实验;试点选择;政策扩散

政策实验试点是“推动中国经济转型和制度转型的关键”，国家创新型城市是中国政策实验的典型实践[1]。从2002年党的十六大至今，中国共批准78个创新型试点城市，从“政策试点”到“政策筛选”再到“政策推广”，创新型试点城市的政策实验先后经历了中央赋权认可、央地互动筛选、试点成熟扩散等阶段。随着中央政府对创新治理的推动，目前国家创新型城市建设逐渐呈现较为全面、清晰的政策实验脉络。

现有研究关注创新型城市建设的政策效果和评价指标较多，但对这么多年来创新型城市政策实验过程中试点选择的影响因素关注较少。为什么有的城市能够成为试点而有的城市不能成为试点？哪些因素影响城市能否成为试点？具有哪些特征的城市更有可能成为试点？本文从创新型城市试点选择的角度出发，借鉴政策扩散的研究方法，通过离散时间事件史分析（EHA），对2006-2016年间创新型城市政策实验过程进行研究，系统地探讨创新资源、地理位置、行政级别、试点比例、制度环境、生态环境、创新文化等因素对创新型城市试点选择的影响。

一、文献综述

1.政策扩散视角

早期政策扩散研究以美国学者为主，主要关注联邦制国家结构形式下政策扩散的机制和路径，可分为水平扩散、自下而上垂直扩散和自上而下垂直扩散。（1）水平扩散，主要表现为学习机制和压力机制。政府倾向于向临近城市学习经验，同时也受到临近城市的规范和模仿压力，推动政策创新的扩散。（2）自下而上垂直扩散分为州政府向联邦政府的扩散和地方政府向州政府的扩散两个方面：Boeckelman、Mossberger等通过研究发现，州政府向联邦政府的政策扩散受到政策议题和政治动态影响[2][3]。Shipan & Volden认为，地方政府向州政府的政策扩散表现为“滚雪球效应”和“压力阀效应”，“滚雪球效应”指如果越来越多的地方政府采用了某项政策，那么州政府也将采取该项政策;“压力阀效应”指如果许多地方政府采取了该项政策，说明该项政策对应的问题基本得到解决，州政府采取相同政策的必要性随之降低[4]。（3）自上而下垂直扩散。Welch & Thompson、Karch等认为，联邦政府通过正式的、成文的法案或政策强制、劝服和催化州政府，影响政策扩散[5][6]。Allen et al.则认为联邦政府通过不成文、非正式渠道间接发出某些政策意向性较强的政治“信号”暗示或施加压力，影响政策扩散[7]。

我国的政策扩散路径也可以分为水平扩散、自下而上扩散和自上而下扩散。但我国政策扩散的路径与联邦制国家不同，具体表现在垂直扩散路径上。自下而上扩散遵循“地方创新-上级采纳-推广实施”的路径，中央政府吸纳地方政策创新的成功或失败经验，并利用权力规范下级政府行为，实现原有政策的修正和纠错;自上而下扩散则以实验主义治理为主要形式，遵循“先试先行-典型示范-以点促面-逐步推广”的实践路径[8][9]。政策扩散的影响因素概括起来分为实验环境、基础条件和试点比例三个方面：（1）实验环境。吴建南等认为制度环境越成熟，法律越完善，市场主体发育越健全，对政策创新的需求越大[10]。（2）基础条件。指政策扩散主体所在区域的条件，包括地理位置、行政级别等。首先，地理位置对政策扩散产生影响，BerryF.& W. Berry通过实证研究发现，临近地区的政策扩散速度更快[11];其次，城市行政级别对政策扩散产生影响，政策在城市间扩散呈现明显从行政级别高城市向行政级别低城市扩散的特点，朱旭峰、张友浪等通过对行政审批制度的扩散研究发现，城市行政级别越高，政策扩散受到的阻力越小[12]。（3）试点比例。Shipan & Volden、Walker认为，某地政府采取政策创新将给临近的政府带来压力，某一地区采取新政策的城市比例越高，对其他城市采取新政策造成的压力越大，政策扩散可能性越大，扩散速度越快[13]。

2.试点选择视角

对试点选择过程的研究可以分为自下而上论、自上而下论以及共同决定论。自下而上论认为，试点选择过程主要在于地方政府的主动选择和争取，是地方政府向中央政府“游说”的结果，中央政府的作用仅仅在于筛选可供推广和普及的实验典型并总结经验。政策试点选择的过程“引发了地方官员为了获得官方‘试点资格而加紧游说的努力，进而获得可能的中央优惠政策和得到提拔的机会”[14]。自上而下论则认为，政策实验的试点选择是中央政府自上而下确定的，中央政府首先发起试点，并在选定的城市中试行。通过对试点对象选择、试点内容确定，中央政府控制整个政策实验的过程。Mei&Liu通过案例研究分析了城市住房改革政策的推广，指出政策实验虽在地方实施，但无论是试点选择还是政策内容都是中央设计的，政策实验既不是漫无目的的试错，也不是先入为主的试对，而是中央主导下的“政策求解”[15]。杨宏山通过对中国模式“双轨制试验”的研究发现，试点是中央决策者直接决定，在实验地区和一般地区直接形成“双轨制”结构，实验地区和一般地区展开绩效竞争，通过自下而上的学习形成经验政策，并进行推广[16]。共同决定论认为，政策试点为中央政府和地方政府提供了博弈空间，政策试点的过程是地方政府自下而上主动申请和中央政府自上而下强制过程的共同作用。周望等将政策试点过程分为前试点阶段、试点阶段和后试点阶段三个阶段，前试点阶段是地方自发的政策实验，试点阶段是国家试点与地方自发试点相结合，后试点阶段是行政命令推动试点[17]18][19]。但中央对试点的选择并非随机选取，受纵向政府间互动、组织环境要素和关键者行动要素影响。章文光从政策实验视角对创新型城市试点过程进行了理论分析，提出了交互式实验主义治理框架，创新型城市试点的选择过程是地方城市申请、国家科技部批准共同决定[19]。

现有研究大多通过对中国政策扩散过程进行理论分析或通过具体政策扩散实践来验证或证伪西方政策扩散理论;关于试点选择的研究大多采用理论分析或案例研究来探讨中国情境下各地政策试点的选取过程和实验效度，总结政策实验的本土特点和经验，对试点选择影响因素的实证检验较少。

二、理论基础与研究假设

试点选择过程本质是政策实验过程，强调政策“试对”或“试错”，是中央为验证政策创新的有效性对政策实验地点的筛选，是建立在政府间关系基础上的政策实践，在这种实践中，中央政府扮演了“委托人”的角色，地方政府扮演了“代理人”的角色，中央政府对试点的选取受多种因素影响，但拥有“最终决定权”。

西方的政策实验以现实中的政治活动为实验环境，通过理论预设、因果检验等方法解析和还原现实政策中的逻辑关系，其最大特点是随机控制，这是西方政策实验的合法性来源，但却不是中国政策试点的选择标准，中国的政策试点并未采用随机设计，中央政府可以干预标准定义、组群挑选等细节，试点选取往往倾向于成功可能性大的地区。中国情境下以“试验-筛选-推广”为重要方式的创新型城市政策实验过程同时受到实验环境、基础条件、试点比例等因素的影响，但不同于西方的随机政策实验，不能简单套用西方压力机制、竞争机制等模型。从选取的过程来看，创新型城市试点采取地方主动申请、国家考核审批并不定期公布的方式确定，体现为中央原则性指导和地方主动性实验的结合。因此，一方面，本文通过梳理现有试点选择的研究，总结了地理区位、行政级别、试点比例、制度环境等典型影响因素;另一方面，本文通过梳理创新型城市相关政策提出了创新资源、生态环境和创新文化等影响因素。原因在于：首先，创新型城市试点工作的基本原则是选择一批基础条件好，对周围有带动作用的城市作为试点，根据Damanpour的资源松弛理论，松弛的资源状况是创新的重要条件，资源丰富的组织更倾向于创新[21]。试点的选择更倾向于那些“组织领导和条件保障”充分，所在地区给予“重点支持”的城市。其次，创新文化会影响试点的选择，加强舆论引导，培育富有特色的创新文化能提高创新型城市政策实验的成功率。最后，创新型城市以“破解人口、资源、环境的瓶颈约束，解决经济发展的技术含量不高、产业结构失衡和生产方式粗放等问题，必须走创新驱动、内生增长的发展道路，探索符合科学发展观要求的城市发展新模式”为任务，建设创新型城市的同时要以绿色低碳为原则。

基于此，综合考虑试点选择的现有文献，以及科技部印发的《关于进一步推进创新型城市试点工作的指导意见》《建设创新型城市工作指引》等文件，本文构建了以基础条件（创新资源、地理位置、行政级别）、试点比例、實验环境（制度环境、生态环境、创新文化）为主体架构的创新型城市试点选择影响因素理论分析框架（见图1）：

1.基础条件

（1）创新资源

城市发展基础是中央考虑试点选择的重要因素。创新资源是建设创新型城市的基本要素，城市创新能力和创新水平的差序格局往往决定于城市创新资源禀赋，创新资源禀赋越好的城市政策实验成功的可能性越大，被选为试点的可能性越大。创新型城市资源禀赋包括技术、人才和知识，城市在科技发展上投入越多，城市对科技发展越重视，科学技术发展水平越高，聚集的知识和吸引的科技人才也越多，创新型城市政策实验的成功性越大[22]。本文用财政支出中的科学技术支出、教育从业人员数、城市拥有的高等学校数量来分别衡量试点城市的创新技术资源、创新人力资源、创新知识资源。因此，本文提出以下假设：

假设1：城市的创新技术资源越丰富，该城市成为创新型城市试点的可能性越大。

假设2：城市的创新人力资源越丰富，该城市成为创新型城市试点的可能性越大。

假设3：城市的创新知识资源越丰富，该城市成为创新型城市试点的可能性越大。

（2）地理位置

地理位置是城市形成和发展的自然基础条件，对城市交通、人文环境、资源流通以及企业等城市发展主体具有重要影响，也是城市带动作用的重要指标。地理位置影响城市经济发展方式、科技投入和政策倾斜，进而影响城市的综合发展水平和创新能力[23][24]。根据不同标准有不同的地理分区，考虑分区权威性，本文采取国家统计局经济分区划分标准，将全国划分为东部地区、中部地区、东北地区和西部地区。一方面，从城市发展基础和资源禀赋角度考虑，东部地区具有比较优势，该地区城市成为试点的可能性更大;另一方面，基于全国一盘棋的政策导向，在选择试点时，中央政府会考虑区域平衡发展，现有试点对未来试点选择可能产生挤出效应，即在试点城市比例较高的地区，其他城市成为试点的可能性降低。因此，基于资源禀赋、经济发展水平、创新发展基础条件等方面的考虑，本文以东部地区城市为参照组，提出以下假设：

假设4a：位于东部地区的城市成为创新型城市试点的可能性高于位于中部、东北和西部地区的城市。

假设4b：位于中部、东北和西部地区的城市成为创新型城市试点的可能性高于位于东部地区的城市。

（3）行政级别

在中国的行政体系下，城市行政级别的不同往往伴随着城市基础设施、制度环境、人才吸引等方面的差别。城市的行政级别能影响资源聚集，不同行政级别城市的行政资源、经济资源、公共资源、人力资源等均不同[25]。王麒麟利用285个地级市的面板数据分析发现，城市行政级别越高，城市群的经济发展越好[26]。高行政级别的城市享有更多的资源配置便利，经济发展速度更快、全要素生产率更高，且政府补贴更多、人才优势更大、融资更便利、地方税负更小[27]。因此，城市行政级别越高，城市综合发展条件越好，创新型城市政策实验成功的可能性越大，被选为试点的可能性也越高。根据相关规定，中国城市行政等级可分为正省级、副省级、计划单列市等，不同行政等级的城市范围存在交叉重叠。为简化模型，本文主要从是否为副省级城市、是否为省会城市两个角度，对城市行政级别的影响进行分析。因此，本文提出以下假设：

假设5：副省级城市和省会城市成为创新型城市试点的可能性越大。

2.试点比例

社会学习理论强调学习在人类行为获得中的作用，BerryF.& W. Berry、朱旭峰、赵慧等认为，政策制定者具有向相邻地区学习的倾向，新政策通过相邻地区的条件相似性和共享信息发生扩散[28][29]。Han Shin-Kap、李智超通过对智慧城市试点推广的研究发现，试点比例对试点推广具有正向影响，因为城市试点申请成功对同省其他城市产生規范压力和模仿压力，推动“组织同形”（Isomorphism），产生临近效应[30][31]。且城市所在省份创新型城市试点所占比例越高，说明该省建设创新型城市的条件越充分，地方对创新型城市建设也越重视。因此，本文提出以下假设：

假设6：城市所在省份的创新型试点城市比例越高，该城市成为创新型城市试点的可能性越大。

3.实验环境

（1）制度环境

制度环境是影响地方政府政策创新和推广的重要因素，其实质探讨的是政府与市场关系，伴随着改革开放的深入，全能政府无法适应社会经济发展的需要。建构有限政府，收缩政府权力，重塑政府与市场边界，能有效地提升城市创新能力，提高试点成功的可能性。制度发展水平越高，越能提供便利的信息交流条件、丰富的融资渠道和技术创新所需的其他资源，行之有效的产权制度和专利制度可以明确界定创新成果的权益归属，能有效地提高微观企业主体技术创新的能力[32]。Furman提出的国家创新能力理论指出，国家创新系统创新绩效差别取决于各系统的创新能力，并不能简单地由投入方面的差别完全解释，创新系统环境因素具有重要影响[33]。Li基于创新系统理论研究了制度环境变量对创新绩效的影响。创新制度环境越好，阻力越小，政策实验成功的可能性越高，成为试点的可能性也越高[34]。因此，本文提出以下假设：

假设7：城市的市场化水平越高，该城市成为创新型城市试点的可能性越大。

（2）生态环境

科技部印发的《建设创新型城市工作指引》将绿色低碳作为创新型城市建设的原则之一。创新是生态城市建设的内容，也在一定程度上推动了生态城市建设。创新型城市和低碳城市建设路径趋同，都需要调整经济结构，大力发展低能耗、低排放、低污染的高新技术产业和现代服务业。孟伟庆从创新型城市与生态城市的内涵、目标、建设内容和评价指标体系等角度对两者进行了比较，认为创新型城市和生态城市建设具有内在统一性，都以可持续发展作为共同的原则和目标[35]。史晓燕等通过研究发现，建设创新型城市与建设绿色低碳城市具有密切内在联系，二者的实现路径具有一致性[36]。因此，本文提出以下假设：

假设8：低碳试点城市成为创新型城市试点的可能性更大。

（3）创新文化

文化是创新的灵魂，“发展高科技，资金固然重要，但更重要的是要有一种能充分发挥人的创造力的体制和文化”[37]，优秀的人才“只有在创新的文化环境中，才能发挥潜能，完成重大成果，开创卓越的事业”[38]。朱仁显、刘建义等认为，创新型城市建设关键是实现制度创新[39]，而“作为非正式约束创新的文化创意，是决定制度创新效果的关键因素”[40]。显然，创新文化能影响创新型城市政策实验的结果，试点选择受到城市创新文化的影响。因此，本文提出下列假设：

假设9：创新文化氛围越浓厚的城市成为创新型城市试点的可能性越大。

三、研究设计

1.研究方法

本文采用事件史分析模型对上述假设进行检验，事件史分析（Event History Analysis， EHA）又称为生存分析（Survival Analysis）或久期分析（Duration Analysis），由BerryF.& W. Berry引入创新扩散研究领域并得到广泛应用[41]。选择这一方法主要基于两个原因：一是事件史分析方法可用于解释个体行为在特定时间点上发生的性质变化（“事件”），本文所指“事件”即城市成为创新型城市试点;二是随着试点获批，成为试点的创新型城市被剔除出样本，数据含有“右删失”（Censors），采用多元回归将丢失掉这些信息，而事件史分析能有效处理删失数据。本文旨在讨论在某一时刻t城市i成为创新型城市试点的可能性及其影响因素，由于数据的时间间隔以年为单位，离散时间风险模型更为适用。该模型被解释变量为“风险率”，即某一个体i在特定时刻t经历“事件”的概率，这一概率由多种解释变量影响和决定。风险率作为概率无法直接观察，因此这一被解释变量是一个二分变量，未经历事件时取值为“0”，时刻t经历事件时取值为“1”，经历事件后数据被“删失”。离散时间事件史分析采用logistic模型作为模型估计的方法，logistic回归分析事件风险时自变量的解释与常规logistic模型相同，只是以表现历史风险变化的“城市-年度”记录数据。根据上文假设，本文构建模型如下：

Logit（pi，t）=log（）

=β0+β1lnpopi，t+β2lngdpi，t+β3lnedu_empi，t+β4lnfini，t+β5unii，t+β6location_northeasti，t+β7location_midi，t+ β8location_westi，t+β9rank1+β10rank2+β11ratio+β12gov_marketi，t+β13lowcarboni，t+β14city_newi，t+e

式中pi，t是一个城市i在t年成为创新型城市试点的概率，是优势比，对优势比进行对数转换。

2.样本及数据来源

本文以中国副省级城市、省会城市与地级市作为基本统计单位，为保持数据口径的统一，剔除掉已经撤销的地级市和尚未建立的地级市，最终样本共计292个，根据事件史分析方法，建立了292个城市的生存数据（Survival Data）。2006年1月，中央发出明确政策信号，发布《关于实施科技规划纲要，增强自主创新能力的决定》，之后各城市陆续开展创新型城市试点工作，因此本文选择2006年作为政策实验的起始时间，以2006-2016年间城市数据为样本，共生成了2609个“城市-年度”观测点。

3.缺失数据处理

由于部分数据统计未发布或未统计导致的数据缺失，本文主要采用两种方法进行填补：因中国市场化指数报告仅发布偶数年份的指数数据，针对市场化指数缺失较多的情况，本文采取常用方法，取前一年和后一年数据的平均值进行填补。对于人均地区生产总值、年末人口数缺少部分城市的数据，本文采用logistic回归的多重填补方法进行填补。

4.变量及测度

（1）被解释变量

本文的被解释变量为“是否成为创新型城市试点”，是一个二分变量，编码方式为城市i进入创新型城市试点年份之前变量event编码为0，城市i在年份t成为试点城市后变量event编码为1，年份t之后资料被剔除。本文以科技部正式批复创新型城市试点的申请为进入试点的标志，有关创新型试点城市批准的资料来源于科技部网站信息公开的政府文件。

（2）解释变量

创新资源：为测量城市创新资源，本文从《中国城市统计年鉴（2007-2017）》搜集数据，并设计了财政支出中科学技术支出fin、教育从业人员数edu_emp、城市高等学校的数量uni3个变量，为消除异方差，避免数据异常波动，对科学技术支出、教育从业人员数取对数值。

地理位置：为分析地理位置对试点选择的影响，本文设置了东北location_northeast、中部location_mid和西部location_west3个多分类虚拟变量，“是”编码为1，“否”编码为0。

行政级别：本文设置了虚拟变量是否为副省级城市rank1和是否为省会城市rank2来测量行政级别的影响，“是”编码为1，“否”编码为0。

试点比例：试点比例ratio指城市所在省份其他创新型试点城市的数量占该省城市总数的比重。

制度环境：本文的制度环境主要关注政府与市场的关系，樊纲、王小鲁等设计了中国市场化指数来衡量一个区域的制度环境，但因该指标由各分项指标组成，一些分项指标与本文模型中的其他变量具有相关性，为避免多重共线性，本文仅选取该市场化指数中的分项指标“政府与市场关系”，数据来源于《中国市场化指数报告》。

生态环境：本文以样本城市是否为低碳试点城市作为生态环境衡量指标，“是”编码为1，“否”编码为0。

创新文化：各城市官方媒体的报道是当地文化氛围的体现，表达了地方对某一事情的关注和重视。地方官媒关于“创新型城市”的报道越多，地方对创新型城市建设越重视，创新文化氛围越浓。因此本文采用知网中各城市党报以“创新型城市”为主题的新闻报道数量city_new作为衡量地方创新文化氛围的指标。

控制变量：为更好地讨论主要因素的影响，本文通过对现有研究梳理，参考吴建南等的相关研究[42]，选取了两个控制变量，pop是城市当年年末人口总数，gdp是当年城市人均地区生产总值，为有效消除异方差，避免数据异常波动，对pop和gdp取对数值。变量与测量方法见表1。

5.实证分析与结果

根据以上变量测量标准，以292个城市为样本搜集数据，各变量描述统计结果如表2所示。对各个变量之间进行多重共线性检验，方差膨胀因子（VIF）均小于10，各变量间的多重共线性不严重。

基于logistic回归的离散时间风险模型的分析结果如表3所示。模型1是对控制变量进行回归的结果，模型2-8分别对创新资源、地理位置、行政级别、试点比例、制度环境、生态环境、创新文化等变量的回归结果。通过观察模型具体参数，8个模型都在0.01水平显著，在基线模型依次加入新模型后R值和卡方值均有增加，表明模型解释力逐步提高。

（1）创新资源

模型2将创新资源变量纳入logistic模型，政府财政支出中科学技术支出、教育从业人员数和城市高等学校数量均通过显著性检验，假设1、假设2和假设3均通过检验，这说明城市科学技术支出、教育从业人员数量和高等学校数量正向影响城市成为试点的可能性，创新技术资源、创新人力资源、创新知识资源丰富的城市成为创新型城市试点的可能性大。

（2）地理位置

模型3将地理位置变量纳入logistic模型，从模型3-模型8中可以看出，以东部地区作为参照系，东北、中部和西部地區与东部地区表现出显著差异，且系数为正，其他地区的城市成为试点的可能性高于东部地区。这在一定程度上体现了政策试点的选择过程中中央整体把控、统筹全局的特点。中央政府对试点的理性选择和地方政府的积极争取体现了中央和地方在政策实验中的不同诉求，作为政策实验的决策者和倡导者，中央关注顶层设计，兼顾国家整体战略和地方利益诉求，在试点选择时不仅需要考虑城市创新的现实条件，根据各城市资源禀赋、产业特征、区位优势、发展水平等基础条件进行选择，还要考虑区域平衡和整体发展。

（3）行政级别

模型4将行政级别变量纳入logistic模型，在模型4-模型8中，副省级城市和省会城市与其他城市相比，均表现出显著差异性和稳健性，且系数均为正。其中副省级城市的系数大于省会城市，这说明副省级城市和省会城市比其他城市成为试点的可能性大，副省级城市的可能性又大于省会城市。

（4）试点比例

模型5将试点比例变量纳入logistic模型，试点比例在模型5中未通过显著性检验，但在模型6-模型8中均表现出显著性，且对被解释变量产生正向影响，这说明同一省份其他创新型城市比例越高，城市成为创新型城市试点的可能性越高，这体现了创新型试点城市空间布局的聚集性，距离越近的城市越有利于相互学习。

（5）制度环境

模型6将制度环境变量纳入logistic模型，制度环境变量在模型6-模型8中均通过了显著性检验，且对被解释变量产生正向影响，即制度环境越好的城市被选为创新型城市试点的可能性越大，假设7通过检验。

（6）生態环境

模型7将生态环境变量纳入logistic模型，生态环境变量在模型7和模型8中未通过显著性检验，这可能是因为现阶段创新型城市试点的选择还未考虑与低碳城市协同发展，创新型城市与低碳城市并未呈现明显的相关性。

（7）创新文化

模型8将创新文化变量纳入logistic模型，创新文化变量在模型8中表现出了良好的显著性，且对被解释变量产生正向影响，这说明创新文化建设越好的城市成为创新型城市试点的可能性越大，假设9通过检验。

（8）控制变量

本文中的控制变量年末人口数pop在8个模型中均表现出良好显著性，结果较稳健，人均gdp未通过显著性检验，但是该变量不是本文关注的主要变量。

稳健性检验：为进一步验证上述结论，本文从两个方面进行稳健性检验：一是改变变量的编码方式;二是基于2016年的截面数据，以各个省份创新型城市数量的比例作为被解释变量，仍然以创新资源、地理位置、行政级别、试点比例、制度环境、生态环境、创新文化等影响因素为解释变量进行回归分析，两种稳健性检验都证明了这些因素对创新型城市的试点选择有影响。

四、结论与讨论

基于研究结论，本文认为未来的创新型城市建设应当关注以下几点：

首先，城市资源禀赋和先天条件是创新型城市试点选择的基础。模型中城市拥有的创新技术资源、创新人力资源、创新知识资源均对试点选择有显著正向影响，因为创新型城市试点本质是一种政策实验，设计政策实验的根本原因在于政策效果的不确定性，如果政策效果不确定性高，则更多采用自下而上的“试错”;相反，则更多采用自上而下的“试对”。从创新型城市政策实验的过程来看，创新型城市的政策实验有明确的待检验假设，更多的是一种“试对”，对试点成功具有高度期待，实际上是一种塑造示范标杆的过程，实验是否成功是中央政府关注的核心。试点的选择并非随机，而是中央在综合考虑城市各方面条件的前提下做出的理性抉择，实验能否取得成功是试点选择的重要考虑因素，资源禀赋和先天条件好的城市试验成功促进创新发展的可能性更大。

其次，研究结果表明，相较于东部地区，其他地区城市成为试点的可能性更高，副省级城市、省会城市和位于试点比例较高省份的城市更有可能成为试点，这体现了中央既注重地方城市特点和先天条件，又注重全国统筹兼顾的决策意向。国家发改委和科技部根据国家创新驱动发展的整体部署，统筹考虑东中西部及东北区域布局，结合城市所在省（自治区、直辖市）提出的建设需求，在不同地区选择若干发展基础好、带动作用强的城市开展创新型城市建设。从空间布局来看，现有试点大多集中在东部和中部地区，例如东部沿海省份浙江省就有11个城市跻身创新型试点城市。因此，未来试点选择时，一方面，基础条件好的城市仍然会被优先选为试点;另一方面，国家将根据整体部署、区域平衡原则，将试点选择逐步从东部和中部向西部和东北部地区扩散，从副省级城市、省会城市向地级市发展延伸。

再次，创新型城市试点的选择不仅受制于创新资源、地理位置、行政级别等“硬条件”，也受到制度环境和创新文化等“软环境”的影响。城市的创新要素需相互依存形成“共振”才能产生综合效应。制度环境越完善，法律越完备，政策制定越有效，越有利于创新要素协同发挥作用。城市创新文化能有效激发社会各阶层的创新活力，提升城市创新主体积极性，为城市持续创新提供合适的思想土壤和文化氛围。在未来试点选择中，创新文化建设较好和制度环境较完善的城市会更有可能被选为试点。

最后，要推动城市创新驱动与绿色低碳联动发展。推行绿色低碳发展、营造优良人居环境和提升城市生态水平是创新型城市建设的原则和目的，建设创新型城市不能以生态环境为代价，而是要依靠创新要素驱动，走内涵发展道路，转变经济发展方式，调整产业结构，通过技术改造加快传统产业转型升级，大力发展以低能耗、低物耗、低污染和高附加值为特征的高新技术产业和现代服务业。但研究结果表明，城市是否为低碳城市对创新型城市试点选择的影响并不显著，在未来的创新型城市建设中，应进一步推动创新型城市与绿色低碳城市协同建设。

本文的实证研究结论有助于我们更深入理解中国情境下创新型城市政策实验过程，为预估未来创新型城市试点选择、更好地建设创新型城市提供理论支撑。但本文也存在局限性：由于数据限制，本文选择离散时间模型，仅能分析城市成为创新型城市试点的概率，但对试点落地时间的长短关注较少;不同阶段创新型城市试点推广的影响因素和作用机制可能不同，中国创新型城市试点推广仍在实验过程中，本文仅考察2006-2016年创新型城市试点推广过程，时间跨度较短，难以对不同阶段进行讨论，这在一定程度影响了实证研究效果。

参考文献：

[1]韩博天.中国异乎常规的政策制定过程：不确定情况下反复试验[J].开放时代，2009（7）：41-48.

[2]BOECKELMAN K. The influence of states on federal policy adoptions[J]. Policy Studies Journal，1992（3）：365-375.

[3]MOSSBERGER K. State-Federal diffusion and policy learning： from enterprise zones to empowerment zones[J]. The Journal of Federalism， 1999（3）：31-50.

[4]SHIPAN C R， VOLDEN C. Bottom-up federalism： the diffusion of antismoking policies from U. S. cities to states[J]. American Journal of Political Science， 2006（4）：825-843.