中国新型城镇化推动了城市创新吗？
——基于PSM-DID的实证检验

仇 怡，邓雯璐

（湖南科技大学商学院，湖南湘潭 411201）

1 引言及文献综述

自改革开放以来，中国城镇化建设得到迅速发展。根据2020年11月开展的第七次人口普查结果显示，中国居住在城镇的人口为90 199万人，城镇化率达63.89%。然而，在中国城镇化快速发展过程中，“半城镇化”、地区间发展不平衡、城市规模结构不合理等问题不仅抑制了城镇化质量提升，还严重阻碍了我国经济可持续化进程。城镇作为创新的载体，为实施创新驱动发展战略提供了充足的人力资本、物质资本以及科技资源，是提高城市创新能力的关键所在[1]。因此，为了提升中国城镇化建设质量，党的十八大报告首次提出了“新型城镇化”这一概念。相较于传统城镇化，新型城镇化强调“以人为本”，注重城乡一体化发展，促使经济增长模式从传统的生产要素与投资驱动向创新驱动转变，是我国经济在新常态大背景下提高城镇化质量的关键。国务院在《国家新型城镇化规划（2014—2020年）》（以下简称《规划》）中指出：“新型城镇化要顺应科技进步和产业变革新趋势，发挥城市创新载体作用，依托科技、教育和人才资源优势，推动城市走创新驱动发展道路”，这为“新型城镇化”政策促进城市创新提供了可行路径。但“新型城镇化”政策的实施是否能够促进城市创新，同时这种影响作用是否存在区域异质性和城市规模异质性？本文针对这些问题，基于“新型城镇化”政策的试点城市这一准自然实验，运用PSM、DID、PSM-DID方法来深刻考察“新型城镇化”政策对城市创新的影响效应，对于完善我国城市创新系统、加快创新型城市建设以及促进新型城镇化政策的合理制定具有重要意义。

目前，国内外学者已从多个角度研究了城市创新的影响因素。研究表明：经济发展水平、人力资本、外商直接投资、基础设施、产业结构、金融发展以及城镇化等因素都是影响城市创新能力的重要因素[2-10]。在城市创新能力的诸多影响因素中，城镇化具有重要作用。新型城镇化是具有中国特色的城镇化，是对传统城镇化的发扬摒弃，其更加注重“软件城镇化”以及“人的城镇化”[11]。在新型城镇化建设过程中，要由偏重数量规模增加向注重质量内涵提升转变，要由偏重经济发展向注重经济社会协调发展转变，要注重由偏重城市发展向注重城乡一体化协调互补发展转变[12-14]。

国外学者在研究城市发展与创新时，主要通过对知识及创新在城市发展中的促进作用将城镇化与创新相联系[15-17]。此外，Capello和Lenzi通过对欧盟262个地区进行研究，发现当创新来源于正式知识（R&D）时，创新活动主要集中在城市化水平高的区域内[18]。Chen等研究发现城镇化有利于本区域内创新能力的提升，但与周边地区创新能力呈负相关关系[19]。国内学者在探讨城镇化与创新的关系时形成了一定共识，认为城镇化与创新之间呈正相关关系[20-24]。其中，程开明认为城镇化有利于技术创新的产生及扩散，仇怡指出城镇化进程有利于形成“创新—外溢（扩散）—再创新”的良性循环[20-21]。随着我国新型城镇化、创新驱动发展两大战略的实施，国内学者开始研究新型城镇化与创新之间的关系。吴福象和沈浩平指出新型城镇化通过各种优质要素空间集聚提高了要素集聚的外部经济性和创新效率[25]。蒋长流等研究发现长江经济带新型城镇化主要通过城市人力资本积累、消费提质扩容、吸引外资进入和产业集聚等途径促进城市创新[26]。

综上所述，已有研究多集中于城镇化与创新的关系，综合考虑新型城镇化与城市创新的文献较少；并且，在研究新型城镇化与城市创新的已有研究中，主要采用普通面板模型与空间计量模型进行分析，鲜有文献从政策效果识别出发来研究“新型城镇化”政策与城市创新的关系。因此，本文将基于“新型城镇化”政策的试点城市这一准自然实验，运用PSM-DID方法识别“新型城镇化”政策对城市创新的影响。本文的边际贡献在于：第一，从城市创新视角出发研究中国“新型城镇化”的政策效应，并从城市层面评估“新型城镇化”政策对城市创新的影响，弥补了新型城镇化与城市创新这一领域相关文献的不足，补充了现有文献在中国地级及以上城市层面的研究；第二，运用PSM-DID方法评估“新型城镇化”政策对城市创新的影响，有助于更准确地认识中国“新型城镇化”政策的现实意义以及提升城市创新能力的有效途径；第三，从区域分布和城市规模两方面进行异质性检验，对各地因地制宜实施新型城镇化政策具有一定的实践意义。

2 理论分析与研究假设

通过对已有文献研究分析，本文认为新型城镇化建设主要通过三大中介效应对城市创新能力产生促增效应，分别是促进人力资本集聚、完善基础设施、优化产业结构，因此提出如下3个研究假设：

研究假设1：新型城镇化政策通过促进人力资本集聚提高城市创新能力。与传统城镇化相比，新型城镇化的核心是“以人为本”。在新型城镇化建设过程中，城镇人口占比逐步提升，其实质是劳动力从农村向城镇转移，这促进了人力资本集聚，为城市创新能力提升创造了智力条件。人力资本不仅是城市创新活动中最为核心的要素，也是各国各地区经济实力、创新能力竞争的根本所在。在新型城镇化政策的推动下，一方面，各试点城市通过制定一系列政策吸引科技人才、高技能人才到当地发展，这有效促进了人力资本集聚，为城市创新能力发展打下了良好基础。另一方面，政府推动高等学校提高创新人才培养能力，系统构建各层次技术技能人才培养通道，促进了教育业发展，同时也为城市创新能力发展提供了人才储备，能有效促进城市创新。

研究假设2：新型城镇化政策通过完善基础设施提高城市创新能力。完善基础设施是城镇建设的基础与前提，是新型城镇化建设的重要突破点。当前，我国城市创新体系构建尚未完善，创新基础设施条件相较于发达国家较为落后，不利于城市创新能力的提升。国家关于新型城镇化规划中指出，要加强市政公用设施和公共服务设施建设，增加基本公共服务供给，增强对人口集聚和服务的支撑能力。一方面，通过加大公共投资以完善基础设施不仅可以扩大总投资和总需求，也能够通过公共设施水平的正外部性促进教育和科技等行业的发展，进而提高城市创新能力[27-28]。另一方面，完善基础设施不仅有利于提高城镇居民生活质量，也有利于新兴产业的发展。便捷的城市公共交通、信息网络系统等公共基础设施的完善有利于打破时空距离障碍、加强企业间交流与合作，促使创新资源高效配置和开放共享，进而促进城市创新能力提升。

研究假设3：新型城镇化政策通过优化产业结构提高城市创新能力。调整优化城市产业布局和结构是新型城镇化建设的重点任务之一。随着新型城镇化建设的不断推进，落后产能被迫淘汰，传统产业改造提升，先进制造业以及以服务业为主的第三产业不断壮大，这为有效提高城市创新质量与效率提供了有利条件。一方面，优化产业结构使得低端产业被高端产业所取代，不仅有利于调动产业内各企业创新积极性，也促进了创新资源的合理配置，从而使城市创新能力得到提高；另一方面，产业是在劳动密集型—资本密集型—技术密集型中逐步演进以实现产业结构升级，在演进过程中技术创新的地位逐步提升，引发了市场对新技术的巨大需求，进而有利于城市创新能力整体提升[29]。

3 模型设计与数据说明

3.1 模型设计

本文的研究目的是考察“新型城镇化”政策对城市创新能力的影响。目前，国内外学者通常采用双重差分法评价政策效果[30-32]。2014年国家发改委等多部委共同发布的《国家新型城镇化综合试点总体实施方案》中公布了62个试点城市（镇），这为本文采用双重差分法提供了一个良好的“准自然实验”。故以此设置政策虚拟变量（policy），将这些试点城市作为实验组，即policy=1；其他非试点城市作为控制组，即policy=0。在选取实验组样本中，考虑到本文是基于地级市层面的数据分析，故以试点省份的地级市作为实验组，暂不考虑县级试点市以及如北京市通州区、天津市蓟州区等城市中的区或县。此外，由于试点方案在2014年底公布，在设置政策时间虚拟变量（time）时，将2015年及以后的年份设为政策发生时间，即time=1；将2014年及以前的年份定义为time=0。

根据以上设定，将石家庄市等56个城市作为实验组①，其余217个城市作为控制组。由此，将2010—2016年273个地级市样本划分成4个子样本②，即实施“新型城镇化”政策之前的实验组、实施“新型城镇化”政策之前的控制组、实施“新型城镇化”政策之后的实验组、实施“新型城镇化”政策之后的控制组。根据上述分析，基于DID方法的基准回归模型设置如下：

其中，i表示第i个地级市，t表示第t年；did为核心解释变量，表示政策虚拟变量（policy）与时间虚拟变量（time）的交互项；被解释变量lninno表示城市创新能力；Xit为一系列控制变量，vi为城市个体哑变量，εit为随机干扰项。

使用DID模型评估政策效果的重要前提是满足共同趋势假设，即在“新型城镇化”政策实施之前，试点城市与非试点城市之间的创新能力随着时间的变化不存在显著差异。但是由于全国各地级市之间的经济水平与城市创新能力存在较大差异，故很难满足DID方法的这一假设。为有效解决这一问题，参考Heckman等提出的方法，将PSM与DID结合起来匹配试点城市与非试点城市，从而使共同趋势假设得到满足[33]。本文参考Rosenbaum所提出的倾向得分匹配方法（PSM）来构造反事实框架，以解决样本选择偏差问题以及由一些不可观测的差异所导致的异质性[34]。倾向得分匹配方法（PSM）的基本步骤为：首先选定协变量X，然后运用Logit回归模型估算出各地级市实施“新型城镇化”政策的预算概率即倾向得分P（X），再根据倾向得分P（X）对试点城市与非试点城市进行匹配，将P（X）值相近的非试点城市作为试点城市的“反事实”结果，得到“新型城镇化”政策的平均处理效应（ATT）。常见的匹配方法有近邻匹配、核匹配、半径匹配和卡尺内最近邻匹配等，本文基于无放回的一对三近邻匹配法进行分析，并采用核匹配法进行稳健性检验。

3.2 数据说明

本文被解释变量为城市创新指数。选自复旦大学产业发展研究中心、第一财经研究院和复旦大学中国经济研究中心所共同发布的《中国城市和产业创新能力报告2017》。该报告中包含各地级市的城市创新指数，该指数基于创新产出、专利价值等微观数据库，根据不同年龄专利的价值差异计算出各专利的平均价值，客观衡量了城市创新能力。

本文核心解释变量为政策虚拟变量（policy）与时间虚拟变量（time）的交互项，以did表示，交互项系数α1即表示“新型城镇化”政策对城市创新能力的净影响。除核心解释变量以外，借鉴已有研究处理方法，本文还选取了与城市创新相关的若干控制变量。首先，经济发展差异是造成城市创新差异的重要因素，因而本文用人均GDP表示经济发展水平。其次，外商直接投资能为创新活动的开展带来资金、人才以及先进管理经验等要素，是促进城市创新的重要动力，因此，根据人民币与美元之间的汇率，换算当年实际使用外资金额以控制外商直接投资水平。再次，金融体系不仅为创新提供了资金支持，而且有利于分散城市创新投资风险，故采用年末金融机构各项贷款余额表示金融发展水平。此外，城市投资水平较高的城市生活便利性更高，有利于创新型人才集聚，从而带动城市创新需求并促进城市创新能力提升，因此本文以全社会固定资产投资总额来控制城市投资水平。最后，根据内生增长理论，人力资本水平是推动技术创新的关键因素，而城市规模较大的城市集聚了更多人力资本，更有利于城市创新能力发展，故本文用年末总人口来表示城市规模。

样本数据全部来源于《中国城市和产业创新能力报告2017》以及2011—2017年的《中国城市统计年鉴》，由于部分城市数据缺失较多故不对其进行研究，对于数据缺失较少的城市通过各省市统计年鉴以及移动平均法对数据进行补齐。为消除自相关，本文对除核心解释变量外的上述所有变量均做对数化处理，并且以2010年为基期进行平减。在进行上述操作之后，样本数据为273个城市7年的面板数据。各变量的描述性统计结果如表1所示。结果表明，试点城市（实验组）的城市创新能力平均值为1.741，高于非试点城市（控制组）的平均值1.634。

表1 描述性统计

4 实证检验

4.1 倾向得分匹配

采用无放回的一对三近邻匹配方式，倾向得分匹配结果如图1、图2以及表2所示。倾向得分匹配的前提是实验组与控制组的倾向得分值存在共同的取值范围，即满足共同支撑假设。图1展示了共同支撑假设检验结果，可以看出除个别非试点市外，其他试点城市与非试点城市的倾向得分均处于共同取值范围内，这表明共同支撑假设得到满足。图2报告了匹配前后试点城市与非试点城市核密度函数的变化情况，可以看出，匹配前，试点城市与非试点城市的核密度函数差异较大，经过倾向得分匹配后，两者的核密度函数差异相对减小，说明试点城市找到了与之相匹配的非试点城市，从而减小了后续比较分析误差。

图1 共同支撑假设检验结果

图2 匹配前和匹配后核密度变化情况

倾向得分匹配平衡性假设要求具有相同倾向得分值的变量具有类似的分布特征，即试点城市与非试点城市在匹配后各变量之间是均衡的，平衡性假设检验如表2所示。通常来说，可以从匹配前后的偏差值来看平衡性假设，匹配后偏差值的绝对值越小，匹配效果就越好。从表2可以发现，所有匹配变量在匹配后偏差值的绝对值均小于10%。除此之外，t检验表明所有匹配变量在匹配前p值均小于10%，拒绝实验组与控制组之间无差别的原假设，即试点城市与非试点城市在匹配前存在显著差异；而匹配后所有匹配变量p值均大于10%，即试点城市与非试点城市之间不存在显著差异。基于上述分析可知，各匹配变量在匹配后偏差值显著降低且满足平衡性假设。

表2 PSM平衡性假设检验

4.2 基于倾向得分匹配的双重差分模型估计

基于上述倾向得分匹配结果，剔除不满足共同支撑假设的样本观测值，采用双重差分模型评估“新型城镇化”政策对城市创新的影响，其结果如表3所示。模型（1）为控制个体固定效应后仅加入双重差分项的估计结果，结果表明“新型城镇化”政策对城市创新能力的影响系数为1.208，且其在1%水平下显著，说明新型城镇化建设对城市创新能力具有显著促进作用。模型（2）至模型（6）是在模型（1）基础上依次引入控制变量进行逐步回归的估计结果。结果表明在依次加入控制变量后，双重差分项的估计系数均为正且均在1%水平下显著，说明新型城镇化建设显著提升了城市创新能力；此外，虽然双重差分项估计系数有所减小，但其显著性并未改变，说明城市个体差异对政策实施效果存在一定影响，但并不影响其显著性。就控制变量回归结果来看，经济发展水平、金融发展水平、城市投资水平以及城市规模均对城市创新能力存在显著正向影响；而外商直接投资水平抑制了城市创新能力提升，说明外商直接投资水平对城市创新能力的竞争效应大于溢出效应，这可能是由于城市所引进的外商投资质量较低，难以对城市创新能力产生促进作用[35]。

表3 “新型城镇化”政策对城市创新的影响

4.3 PSM-DID稳健性检验

为消除“新型城镇化”政策试点城市与非试点城市在城市创新能力变动趋势中的系统性差异，降低双重差分估计的偏误，进一步采用基于核匹配的PSM-DID方法来评估“新型城镇化”政策对城市创新的影响，进行稳健性检验。在使用PSM-DID方法之前，需进行适用性检验，即检验在核匹配后试点城市与非试点城市的各协变量之间是否存在显著差异。根据表4的检验结果可以看出，在核匹配之后各协变量在试点城市（实验组）与非试点城市（控制组）之间分布变得平衡，各协变量的均值之间不存在显著差异，因此可以使用PSM-DID方法来进行稳定性检验。

表4 PSM-DID适用性检验

基于核匹配的PSM-DID结果见表5。结果表明，“新型城镇化”政策在5%的显著水平下仍然对城市创新能力具有正向影响。这与前文结果一致，从而进一步支持了前文分析结果：“新型城镇化”政策促进了城市创新。

表5 PSM-DID结果

4.4 “新型城镇化”政策对城市创新的异质性分析

4.4.1 区域异质性

现有研究发现城市创新在不同的区位条件下差异很大[36]。通常而言，区位条件较好的城市在投入要素、人力资本和交易成本等方面具有优势，从而使得其城市创新能力相对较高。基于我国当前各地区发展不平衡不充分这一基本国情，“新型城镇化”政策对城市创新的影响在各地之间应有不同。将各地级市划分为东、中、西部地区，通过估计各地区“新型城镇化”政策的净效应，考察“新型城镇化”政策对城市创新的影响是否存在区域异质性。建立回归模型如下：

其中，didareai表示各地级市所在地区与双重差分项（did）的交互项，α1表示“新型城镇化”政策对不同地区城市创新能力的影响。其他符号所代表的含义与（1）式相同，区域异质性结果如表6所示。模型（1）、（2）、（3）分别为“新型城镇化”政策对东、中、西部地区城市创新能力的影响分析。结果表明，对于东、中、西部地区而言，新型城镇化建设都显著促进了城市创新。从影响系数来看，西部欠发达地区“新型城镇化”政策对城市创新的影响系数最高，其次是中部地区，东部发达地区影响系数最低。这可以解释为：就城市创新初始水平而言，东部发达地区较高而中西部欠发达地区较低；对于初始创新水平较低的中西部欠发达地区，“新型城镇化”政策犹如“雪中送炭”，对城市创新能力具有更大的促进作用，而在初始创新水平较高的东部发达地区，“新型城镇化”政策犹如“锦上添花”，对城市创新能力的边际效应较小。

4.4.2 城市规模异质性

一般地，规模越大的城市拥有越多创新资源，从而能够为知识及技术外溢创造更有利条件，故其城市创新能力也应越高。本文依照2017年国务院印发的最新城市规模划分标准，根据人口规模将各地级市划分为小城市、中等城市、大城市、特大城市和超大城市五大类，基于此，将所有样本分为小城市和中等城市、大城市、特大城市和超大城市三大类来检验“新型城镇化”政策对城市创新的影响是否存在城市规模异质性。其回归模型如下：

其中cityscalei表示各地级市的城市规模与双重差分项（did）的交互项，α1表示“新型城镇化”政策对不同规模城市创新能力的影响。其他符号所代表的含义与（1）式相同，城市规模异质性结果如表6所示。模型（4）、（5）、（6）依次为“新型城镇化”政策对小城市和中等城市、大城市、特大城市和超大城市的城市创新能力回归分析。研究结果表明，对于不同城市规模而言，“新型城镇化”政策均在1%水平下显著促进了城市创新。就其影响系数而言，随着城市规模的扩大，影响系数依次变小，这说明在城市规模扩大过程中所导致的过度集聚可能会对城市创新产生负面影响。

表6 “新型城镇化”政策对城市创新的异质性检验

4.5 “新型城镇化”政策影响城市创新能力的机制检验

基于上述分析，为进一步研究“新型城镇化”政策对城市创新能力的促进作用是否通过促进人力资本集聚、完善基础设施、优化产业结构来传导，构建如下中介模型：

其中，M表示中介变量，包括人力资本水平、基础设施水平、产业结构，分别采用每万人在校大学生数、人均城市道路面积、第三产业GDP占总GDP比重来表示；其他符号所代表的含义和（1）式相同。

对上述中介模型进行回归，并基于Sobel方法和Bootstrap方法来检验各中介机制显著性，结果如表7所示。模型（1）和模型（2）分别给出了“新型城镇化”政策对人力资本水平的回归结果及“新型城镇化”政策、人力资本水平对城市创新能力的回归结果。由模型（1）可知，“新型城镇化”政策对人力资本水平存在显著正向影响，说明新型城镇化建设有利于促进人力资本集聚；由模型（2）可知，人力资本水平在1%水平下显著促进了城市创新，说明人力资本集聚能够有效促进城市创新。综合上述结果，“新型城镇化”政策能够促进人力资本集聚，进而提升城市创新能力，其中介效应为0.011 6，约占总效应的2.66%。Sobel检验以及Bootstrap检验均表明人力资本集聚中介效应显著存在。综上所述，假设1成立。

表7 “新型城镇化”政策影响城市创新能力的机制检验

模型（3）和模型（4）分别给出了“新型城镇化”政策对人均城市道路面积的回归结果及“新型城镇化”政策、人均城市道路面积对城市创新能力的回归结果。由模型（3）可得，“新型城镇化”政策对人均城市道路面积的影响系数在1%水平下显著为正，说明新型城镇化建设有利于完善基础设施；由模型（4）中得，人均城市道路面积对城市创新能力存在显著为正的影响，说明完善基础设施有利于城市创新能力提升。综合上述结果，“新型城镇化”政策能够完善基础设施，进而促进城市创新能力提高，其中介效应为0.031 1，约占总效应的7.14%。Sobel检验以及Bootstrap检验均在1%水平下证实了完善基础设施中介效应的存在。综上所述，假设2成立。

模型（5）和模型（6）分别给出了“新型城镇化”政策对第三产业GDP占总GDP比重的回归结果及“新型城镇化”政策、第三产业GDP占总GDP比重对城市创新能力的回归结果。从模型（5）中可以看出，“新型城镇化”政策对第三产业GDP占总GDP比重在1%水平下存在促进作用，说明新型城镇化建设有利于优化产业结构。从模型（6）中可以看出，第三产业GDP占总GDP比重对城市创新能力的影响系数在1%水平下显著为正，说明优化产业结构能对城市创新能力产生显著促进作用。综合上述结果，“新型城镇化”政策能够优化产业结构，进而有效提高城市创新能力，其中介效应为0.121 5，约占总效应的27.88%。Sobel检验以及Bootstrap检验结果均在1%水平下显著，表明存在优化产业结构中介效应。综上所述，假设3成立。

5 结论及政策建议

本文使用2010—2016年中国273个地级市的面板数据，通过“新型城镇化”政策试点城市这一准自然实验，运用PSM-DID方法考察了“新型城镇化”政策对城市创新的影响，并进行了区域与城市规模异质性检验以及机制检验。研究发现：“新型城镇化”政策促进了城市创新，经济发展水平、金融发展水平、城市投资水平以及城市规模均对城市创新能力存在促进作用，而外商直接投资水平对城市创新能力存在抑制作用。异质性检验表明，“新型城镇化”政策对城市创新的影响存在区域异质性以及城市规模异质性，具体表现为：“新型城镇化”政策对中西部地区城市创新能力的推动作用大于东部发达地区；对小城市和中等城市创新能力的促进作用大于大城市、特大城市和超大城市。机制检验表明，“新型城镇化”政策通过促进人力资本集聚、完善基础设施、优化产业结构三大中介效应对城市创新能力产生间接影响，并且“新型城镇化”政策对产业结构的优化作用是新型城镇化建设促进城市创新的重要原因。

因此，为有效提高我国各地级市的城市创新能力，我们认为：第一，在“新型城镇化”政策引导下，推动以人为本的城镇化建设，充分发挥人力资本对城市创新能力的促进作用。一方面加强“农转非”人员的教育与职业培训，使其与劳动力市场需求相匹配；另一方面，加大政府科技支出强度以培育创新型人才，通过完善基础设施、提高住房、落户等政策福利以吸引创新型人才。第二，依托产业结构升级，实现创新发展。要改变目前粗放式的产业发展现状，大力推进高技术、高附加值产业发展，推动产业结构多样化发展，以此提高城市创新能力。第三，因地制宜，充分发挥各地区比较优势。对于东部沿海发达地区，虽然其初始城市创新能力较高，但上述研究发现“新型城镇化”政策对其城市创新能力的带动作用小于中西部地区。因此，东部地区应充分利用其资金、技术、人才等先发优势以最大化资源投入产出效用，使得城市创新能力边际效应最大化；而中西部地区应基于其当地资源禀赋、国家政策帮扶等后发优势扩大创新需求，积极开展各类创新活动以提高城市创新能力。第四，鼓励发展大城市，避免盲目扩大城市规模。应顺应市场规律发展城市规模以达到各资源要素集聚效应最大化，从而更好地促进城市创新能力的发展。与此同时，要避免盲目扩大城市规模，防止挤出效应的产生反而抑制城市创新能力提升。

注 释：

① 这56个城市包括：石家庄、大连、长春、吉林、哈尔滨、齐齐哈尔、牡丹江、南京、无锡、徐州、常州、苏州、南通、连云港、淮安、盐城、扬州、镇江、泰州、宿迁、宁波、嘉兴、合肥、芜湖、蚌埠、淮南、马鞍山、淮北、铜陵、安庆、黄山、滁州、阜阳、苏州、六安、亳州、池州、宣城、莆田、鹰潭、青岛、威海、德州、洛阳、武汉、孝感、长沙、株洲、广州、惠州、东莞、柳州、来宾、泸州、安顺、曲靖。

② 本文的城市创新相关数据选自《中国城市和产业创新能力报告》，该报告最新版发布于2017年，由于暂无法获取后续年份所需原始数据，且试点方案发布于2014年，考虑到试点政策前后年份对比以及数据的可得性，故本文研究时间段选取2010—2016年。

③ 模型未加入时间固定效应项主要基于如下考虑：（1）本文研究对象为273个地级及以上城市，时间跨度为2010—2016年，n远大于t；（2）本文研究时间段中新型城镇化政策的试点时间只有2年。