（三）变量设计

如前所述，我们将主要使用事件史分析方法来检验我们的假设。我们将因变量设置为“ADOPT（采纳）”，在我们的logit模型中，也就是一个城市在某一特定年份建立市级行政审批中心的概率。这项概率是由一个二分虚拟变量测量：如果城市i在年份t建立了它的市级行政审批中心，那么变量“ADOPTi，t”就被编码成“1”；此前的所有年份，该变量都就被编码为“0”，而年份t之后的资料则被剔除。有关市级行政审批中心的资料主要来源于中国各地城市政府网站的检索。

为了测量不同城市经济条件的影响，我们从《中国城市统计年鉴》（1996～2011年）搜集经济资料，并且设置了有关经济发展水平，产业结构和开放性的变量：“GDP＿PC”指的是每一个城市在前一年的人均区域生产总值；“Industry＿3rd”指的是每一个城市在前一年的第三产业占区域生产总值的比重；“Openness”指的是每一个城市在前一年的国外直接投资（FDI）占区域生产总值的比重^[64]。行政级别“Adm＿Rank”是一个虚拟变量，如果该城市是普通的地级市，为0；如果是省会城市或副省级城市，则为1。我们也设置了经典的“邻区”变量以测量“横向扩散”的影响：“Neighbor” 指的是同一省份中前一年已建立行政审批中心的城市累计数量占全部城市数量的比例。为了考察中央政策自上而下的瞬时影响，在中央政府设立国务院行政审批制度改革工作领导小组的这一年（2001年），“Group＿SC”设置为“1”，其他年份则为“0”。在《行政许可法》实施的这一年（2004年），“Law”为“1”，其他年份则为“0”。

我们根据《中国城市年鉴》（1997～2012）、中国党政领导干部资料库、政坛网和择城网资料^[65]，创建了一个专门针对城市领导人的资料库，总共涉及718位市委书记和778位市长^[66]。为了检验官员年龄的非线性影响，我们为现任党政领导人设置“Age55＿PS（书记年龄55周岁）”和“Age55＿Mayor（市长年龄55周岁）”这两个变量。“1” 代表年龄超过55岁，而“0”代表小于或等于55岁。我们使用“Tenure＿PS（书记任期）”和“Tenure＿Mayor（市长任期）”来测量党政领导人在任的时间。为了将任期简化为整数，如果该官员在当年的6月30日之前任职，那么他或她在当年的任期就被记为“1”；如果不是，那么他或她在当年的任期就被记为“0”^[67]。之后其任期逐年累加。

为了调查官员的具体流动状态对创新意愿的影响，我们考察了在任官员的来源地和前任官员的去向，即在任书记来源（Orig P＿PS）和在任市长来源（Orig P＿Mayor），前任书记去向（Pred P＿PS）和前任市长去向（Pred P＿Mayor）。当现任党政领导人曾经是在本市或本省级政府工作，我们将“Orig P＿PS”／“Orig P＿Mayor”编码为“0”，而当该政府党委书记或行政首长之前是在其他城市政府、省级政府或其他单位（如地方人大、政协、国企等）工作，则编码为“1”。对于现任官员的前任去向的编码原则是，如果前任擢升到能够直接影响其继任者的职位时为“1”，否则为“0”。具体而言，当前任书记在更高级政府（包括省级和中央）任职时，我们将“Pred P＿PS”编码为“1”。如果该前任书记被调往其他城市、省份，或非政府部门组织，那么我们将“Pred P＿PS”编码为“0”。鉴于市长与书记之间不同的晋升空间，我们对前任市长去向的编码和前任书记的有所不同。如果前任市长晋升为本市的市委书记，则“Pred P＿Mayor”被编码为“1”，否则为“0”。本研究所用变量的测量方法和资料来源参见表1-1。

表1-1　变量及其测量方法

续　表

续　表