长三角地区城市投资联系水平的时空动态及影响因素

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

高鹏^,¹, 何丹^,²^,³^,⁴, 宁越敏²^,³, 韩明珑²

1.上海师范大学全球城市研究院,上海 200234

2.华东师范大学城市与区域科学学院,上海 200241

3.华东师范大学中国现代城市研究中心,上海 200062

4.华东师范大学中国行政区划研究中心,上海 200241

Spatio-temporal dynamics and factors of urban investment linkage level in the Yangtze River Delta

GAO Peng^,¹, HE Dan^,²^,³^,⁴, NING Yuemin²^,³, HAN Minglong²

1. Shanghai Institute for Global City, Shanghai Normal University, Shanghai 200234, China

2. School of Urban & Regional Science, East China Normal University, Shanghai 200241, China

3. The Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China

4. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China

通讯作者: 何丹（1971-）,男,云南昆明人,博士,副教授,硕士生导师,主要研究方向为城市地理与区域规划。 E-mail: dhe@re.ecnu.edu.cn

收稿日期:2020-05-25修回日期:2021-04-18

基金资助:

教育部人文社会科学重点研究基地重大项目(17JJD790007)
上海市哲学社会科学项目(2021WQQ001)
华东师范大学2019年优秀博士研究生学术能力提升项目(YBNLTS2019-032)

Received:2020-05-25Revised:2021-04-18
作者简介 About authors
高鹏（1989-）,男,山东济南人,博士,助理研究员,主要研究方向为城市地理与区域规划。 E-mail: geogaopeng@163.com

摘要
基于2003—2018年企业股权关联投资数据,融合社会网络分析、马尔可夫链分析和空间计量方法,从全球、全国和区域尺度探析长三角地区城市投资联系水平的时空动态特征及影响因素。研究发现：① 长三角地区各尺度的城际投资规模大幅提升,与关境外地区、关境内地区和长三角区域内的投资联系分别呈现服务业驱动型、制造业驱动型和行业均衡型特征。② 各尺度城市投资网络呈现区域指向性和多中心演化特征,上海、杭州、南京等在长三角地区逐渐发挥对外辐合全球和全国投资、对长三角地区内部辐射区域的作用。③ 与关境外、关境内和区域内的城市投资联系水平空间分布不均,以沪宁合杭甬发展廊道为支撑的空间结构逐渐凸显,并分别呈现低水平区集中连片分布、改善空间先沿海后内陆扩张、中低水平区广域化扩张的突出特征。④ 城市投资联系水平整体呈现向邻近较高水平方向转移态势,很难实现跨越式转移,存在显著的俱乐部趋同效应和马太效应。随着空间尺度的扩大,向较高水平方向转移的难度随之增大,俱乐部趋同效应和马太效应也随之增强。地理空间格局在各尺度的城市投资联系水平状态转移中发挥着重要作用,发展水平较高和较低的城市对周边城市分别产生正向和负向的空间溢出效应。⑤ 产业基础、劳动力成本、城市行政级别对各尺度的城市投资联系水平均有显著影响,创新能力对各尺度的城市投资联系水平均未产生显著影响,时间距离对全球和全国尺度的城市投资联系水平影响显著,经济全球化仅对全球尺度的城市投资联系水平产生显著影响。
关键词： 企业股权关联投资;城市投资联系水平;多尺度分析;时空动态;影响因素;长三角地区

Abstract

Based on corporate equity connection investment data among cities during 2003-2018, this study investigates the urban investment linkage level in the Yangtze River Delta (YRD), aiming to explore spatio-temporal dynamics of urban investment linkage level in this region at global(outside the Chinese customs territory), national(within the Chinese customs territory), and regional scales by the social network analysis and Markov chain methods. The spatial panel data econometric model further reveals the factors of urban investment linkage level. The results of the study are as follows: (1) The amount of intercity investment in the YRD has dramatically increased, and the industry structure of investment at the global, national, and regional scales are characterized by service-driven, manufacturing-driven, and industry-equilibrium types, respectively. (2) The urban investment network shows the characteristics of regional orientation and polycentric evolution. Cities such as Shanghai, Hangzhou and Nanjing are playing an increasingly important role of converging the global and national investment, and radiating the region internally in the YRD. (3) The spatial distribution of urban investment linkages is uneven at global, national and regional scales, showing that the spatial structure supported by the Shanghai-Nanjing-Hefei-Hangzhou-Ningbo development corridor is gradually highlighted. The global, national, and regional levels of urban investment linkage present the outstanding characteristics of continuous distribution of low-level areas, first coastal and then inland expansion of improved spaces, and wide-area expansion of medium- and low-level areas. (4) The urban investment linkage level tends to shift to the adjacent higher level, and it is difficult to realize the leap forward transfer. There are significant club convergence effects and Matthew effects. With the expansion of spatial scale, the difficulty of transferring to a higher level will increase, and the club convergence effect and Matthew effect will also increase. The geographical spatial pattern plays an essential role in the transfer of the level of urban investment linkage at all scales. The higher- and lower-level cities have positive and negative spatial spillover effects on the surrounding cities, respectively. (5) Industrial base, labor cost and urban administrative level all have a significant impact on the urban investment linkage level at all scales, while innovation capacity has no significant impact on it. Time distance from Shanghai has a significant impact on the urban investment linkage level at global and national scales. Economic globalization only affects urban investment linkage level at global scale.

Keywords：corporate equity connection investment;urban investment linkage level;multi-scale analysis;spatio-temporal dynamics;factors;Yangtze River Delta

PDF (5728KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
高鹏, 何丹, 宁越敏, 韩明珑. 长三角地区城市投资联系水平的时空动态及影响因素[J]. 地理研究, 2021, 40(10): 2760-2799 doi:10.11821/dlyj020200453
GAO Peng, HE Dan, NING Yuemin, HAN Minglong. Spatio-temporal dynamics and factors of urban investment linkage level in the Yangtze River Delta[J]. Geographical Research, 2021, 40(10): 2760-2799 doi:10.11821/dlyj020200453

1 引言

网络外部性理论认为城市发展愈发依赖于建立和维持与其他城市之间联系的能力^[1],其对城市发展的贡献可能超过本地集聚经济的影响^[2]。企业是市场经济的主体,企业通过异地并购和自行投资等投资方式,使得企业在组织关系上打破了地域界限,创造或扩大了城市之间的联系。当前,中国城市之间同质化竞争和资源错配现象突出,区域经济发展不平衡问题加剧^[3]。优化提升不同空间尺度的城市投资联系水平,已成为实现城市错位竞争、引导要素合理流动和促进区域平衡发展的重要途径。

基于企业网络的城市网络研究已成为国内外经济地理学和城市地理学关注的重点领域,其中企业的多区位组织是目前研究的重要视角^[4],并衍生出两种主流研究思路^[5]。一种是利用连锁网络模型构建城市间的服务价值矩阵,以反映城市在高级生产性服务业公司办公网络中的重要性^[6,7];另一种是利用总部-分支机构模型量化城市间的企业所有权联系,并引入社会学中“权力”和“威望”概念来分别反映城市的总部控制力和投资吸引力^[8,9,10,11]。国内外****已利用连锁网络模型和总部-分支机构模型在全球、国家和区域等尺度上展开了大量的实证研究,主要通过社会网络分析法中的网络密度、凝聚子群或社团发现、中心度等分别从整体、分区、节点等角度反映城市网络的结构特征^{[12,13,14,15,16]},重点刻画城市联系强度的时空集聚与分散趋势,结果普遍显示其存在显著的不均衡与集聚性,并遵循距离衰减的空间规律。然而,上述两种思路对于网络中边的权重设定主要依赖主观赋值或企业数量,忽视了公司规模、持股比例等重要信息,难以精准反映城市联系水平^[4,17]。Sassen较早使用了外商直接投资数据反映资本的全球流动,强调证券化市场对全球城市功能的塑造作用^[18]。近年来,基于参控股公司股权关联数据的城市投资联系研究得到重视^[5,16,19],针对异地并购^[20,21]、自行投资^[22]等特殊投资方式的研究也陆续出现,有别于企业多区位组织视角的研究结果,股权投资视角下大城市间的大量资金联系在城市网络结果中得以显现^[19],强者愈强、弱者愈弱的马太效应更为明显。城市投资联系的影响因素也是学界关注的重要方面。早期以经典投资理论为基础,较多关注市场规模、产业基础、投资成本等传统因素;受新经济地理学影响,空间距离、创新能力、制度安排等因素也被陆续纳入到研究视野^{[12,14,22,23]},研究方法涉及OLS回归模型^[15]、条件Logit模型^[22]、二次迭代分配（QAP）算法^[16]、指数随机图模型^[24]等。

整体而言,当前研究仍可从以下方面深化：① 由于股权关联数据采集较困难,相关研究多针对上海、北京等单个城市的跨区域投资联系格局与影响因素展开分析,且以单向投资联系为主导,无法全面揭示城市在投资网络中的地位。② 时空演化分析方法在面板数据的动态性和异质性分析方面存在局限性,无法全面反映城市投资联系水平演变的动态变化过程;多数研究基于城市投资联系水平完全依赖城市自身固有属性的预设展开影响因素的计量分析,对地理空间格局的影响重视不够,较少考虑周边城市投资联系水平及影响因素的空间溢出效应,估计结果存在偏差。③ 城市投资联系具有多重尺度特征,但除少数研究外,大多仍局限于单一空间尺度,难以展现城市投资联系水平时空动态和影响机理的尺度异同性。鉴于此,以长三角地区为例,基于企业股权关联投资数据构建城市投资网络,引入社会网络分析、马尔可夫链及空间面板计量模型,从全球、全国和区域3个尺度入手探析长三角地区城市投资联系水平的时空动态及影响因素,以期推动投资地理学与城市网络研究交叉融合,并为长三角地区投资一体化提供理论支撑。

2 数据来源与研究方法

2.1 研究区概况

依据2019年12月中共中央、国务院印发的《长江三角洲区域一体化发展规划纲要》,长三角地区由1市3省（上海、江苏、浙江、安徽）全域中的41个地级及以上城市构成。需要说明的是,2011年安徽省政府宣布撤销地级巢湖市,为保持数据的连续性,巢湖市将不被纳入考察范围。1990年,中央政府宣布上海浦东新区的开发开放,标志着中国对外开放的重点地区从珠三角转向长三角。自此,以上海为核心的长三角地区快速融入到国际劳动分工体系当中,逐步成为中国开放程度最高和经济发展最强劲的地区之一,其中一个重要体现就是该地区企业异地投资活动十分活跃。2018年,全球尺度上,地区的外商直接投资、对外直接投资分别占全国的39%和29%^[25];全国尺度上,在除长三角地区以外的2364家A股上市企业中,有70.2%的企业在长三角地区设立分支机构,而在总部位于长三角地区的1219家A股上市企业中,更有多达84.9%的企业将分支机构设立在长三角以外地区;区域尺度上,74%的本地A股上市企业选择开展区内的异地跨城投资活动。

2.2 数据来源

全球尺度的企业跨国投资数据来源于BvD-Zephyr全球并购数据库、BvD-Osiris全球上市企业数据库和BvD-Orbis全球非上市公司数据库。首先,通过BvD-Zephyr数据库获取中国关境外地区¹ (1 文中的中国关境外地区包括中国台湾地区、香港特别行政区、澳门特别行政区以及中国以外的国家和地区。)企业投资到长三角地区以及长三角地区企业投资到关境外地区的项目交易数据,每条交易数据提供了包括投资企业和被投资企业的名称与代码、所在国家与地区、所属行业、投资时间、投资金额、投资类型（包括并购、增持、合资等）等详尽信息。其次,通过企业代码与BvD-Osiris和BvD-Orbis数据库提供的企业数据相匹配,获取企业的存续状态,得到每个年份的累计现存投资联系数据。最后,为反映企业真实的跨国空间组织状况,剔除企业位于避税天堂（包括开曼群岛、百慕大群岛、英属维尔京群岛等）的数据。

全国和区域尺度的企业城际投资数据主要来源于Wind数据库中的A股上市企业年报,并以CSMAR数据库为补充。首先,获取涉及到中国关境内地区与长三角地区以及长三角地区内部有城际长期股权投资关系的企业年报,从年报中获取总部和被投资企业名称、办公地所在城市、所属行业、年末实际投资额等信息。其次,通过CSMAR数据库中的关联公司基本文件补充Wind数据库中缺失的年报数据,根据其中的上市企业对被投资企业的持股比例和被投资企业注册资本信息得到上市公司对被投资企业的投资额。最后,使用国家企业信用信息查询系统（ http://www.gsxt.gov.cn/index.html）检验所获取数据的准确性并进一步补充缺失的相关信息。

鉴于数据的可得性,选择2003—2018年作为本研究的分析时段。另外,当上述数据的投资额以外币为单位时,按相应年份的平均汇率进行换算,以人民币为单位进行统一处理。

2.3 研究方法

2.3.1 城市投资网络构建首先,借鉴图论原理,以城市为顶点,以城市间的企业投资额为边权重,构建加权非对称矩阵（公式1）。该矩阵既保留了城市投资联系的方向性,还通过企业异地实际投资额来体现城市投资联系的权重性。然后,分别从全球、全国和区域3个尺度出发,依次构建长三角地区与关境外地区城市之间的投资网络、长三角地区与关境内地区其他城市之间的投资网络,以及长三角地区内部41个城市之间的投资网络。需要强调的是,为更加聚焦长三角地区的企业跨区域投资状况,在全球和全国尺度上,关境外地区城市之间以及关境内地区其他城市之间的投资联系均不予以考虑。

（1）

T = [\begin{matrix} 0 & T_{12} & \cdot \cdot \cdot & T_{1 (n - 1)} & T_{1 n} \\ T_{21} & 0 & \cdot \cdot \cdot & T_{2 (n - 1)} & T_{2 n} \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ T_{(n - 1) 1} & T_{(n - 1) 2} & \cdot \cdot \cdot & 0 & T_{(n - 1) n} \\ T_{n 1} & T_{n 2} & \cdot \cdot \cdot & T_{n (n - 1)} & 0 \end{matrix}]

2.3.2 社会网络分析相关指标社会网络分析方法为刻画网络中的节点特征等提供了丰富的指标^[26]。其中点度中心度用以衡量节点在网络中的地位,是指与该节点直接相连的其他节点的个数,表征节点的网络连通程度。在城市投资网络中,点度中心度还包括点出度和点入度,分别表示被该城市投资的城市数量和向该城市投资的城市数量。加权度指与该节点的边权重的总和,表征节点的网络影响程度。在城市投资网络中,加权度还包括加权出度和加权入度,分别表示投资到其他城市的投资额和该城市吸引到的投资额。主导联系方向指数用以描述加权出度和加权入度所反映的节点对称性^[27]。指标的计算公式为：

（2）

C_{D} (i) = \overset{n}{\sum_{i = 1}} a_{ij} + \overset{n}{\sum_{i = 1}} a_{ji}

（3）

C_{S} (i) = \overset{n}{\sum_{i = 1}} b_{i j} + \overset{n}{\sum_{i = 1}} b_{ji}

（4）

D_{i} = \frac{\overset{n}{\sum_{i = 1}} b_{ij} - \overset{n}{\sum_{i = 1}} b_{ji}}{\overset{n}{\sum_{i = 1}} b_{ij} + \overset{n}{\sum_{i = 1}} b_{ji}}

式中：C_D(i)、C_s(i)、D_i分别为点度中心度、加权度和主导联系方向指数;a_ij、a_ji分别为以城市i为起点和终点与城市j的联系,有投资联系赋值为1,否则为0;b_ij、b_ji分别为以城市i为起点和终点与城市j的投资联系额;n为城市数量。D_i=-1,城市i为投资净流入,D_i=1,城市i为投资净流出;根据D_i数值的大小可以将各城市划分为四种类型,当D_i介于[-1,-0.5）时属于净流入高强度区,当D_i介于[-0.5,0)时属于净流入低强度区,当D_i介于[0,0.5）时属于净流出高强度区,当D_i介于[0.5,1]时属于净流出低强度区。

2.3.3 城市投资联系水平测度点度中心度和加权度各有侧重,为综合两者的优势,借鉴系统中心性模型的思想^[28],构造城市投资联系水平指数,用以度量城市在投资网络中地位：

（5）

I_{i} = α C_{DZ}^{} (i) + β C_{SZ}^{} (i)

式中：I_i为城市投资联系水平指数;C_DZ(i)和C_SZ(i)分别为极值标准化后的点度中心度和加权度;α、β是待定权重,取α=β=0.5。上述指标分别在全球（关境外）、全国（关境内）和区域（长三角内）尺度上单独计算,以获取每个城市在特定空间尺度上的投资联系水平。根据各尺度的年平均投资联系水平将各城市划分为四种类型的状态空间,即低于相应年份平均水平50%的属于低水平区（Ⅰ）,介于50%~100%之间的属于中低水平区（Ⅱ）,介于100%~150%之间的属于中高水平区（Ⅲ）,高于150%的属于高水平区（Ⅳ）。

2.3.4 马尔可夫链分析传统的马尔可夫链是一种时间和状态均离散的随机过程。该方法首先将连续的数据离散化为k种类型,然后计算相应类型的概率分布及其随时间的变化,近似逼近事物演化的整个过程^[29]。本文把各尺度的城市投资联系水平划分为k种类型,构造出k×k阶的马尔可夫转移概率矩阵,借此来探析长三角地区各尺度的城市投资联系水平分布随着时间推移而动态转移的趋势。其中转移概率的计算公式为：

（6）

P_{ij}^{t, t + d} = P \{X_{t + d} = j |X_{t} = i\} = \frac{\overset{2018}{\sum_{t = 2003 + d}} n_{ij}^{t, t + d}}{\overset{2018 - d}{\sum_{t = 2003}} n_{i}^{t}}

式中：

P_{ij}^{t, t + d}

为投资联系水平从t年的类型i转移到t+d年的类型j的转移概率;

n_{ij}^{t, t + d}

为t年属于类型i的城市d年后变成类型j的城市数量;

n_{i}^{t}

为t年属于类型i的城市数量。如果投资联系水平有所提高,则城市向上转移;否则,城市向下转移。

空间马尔可夫链分析是传统马尔可夫链与“空间滞后”相结合的方法^[30],将k×k的转移概率矩阵转化为k×k×k的矩阵。此的

P_{ij}^{t, t + d}

则表示在t年某城市空间滞后类型为k_i时,该城市从t年的类型i转移到t+d年的类型j的概率。空间马尔可夫链方法能够揭示周边城市的投资联系水平对本市投资联系水平状态转移概率的影响。

2.3.5 空间面板计量模型鉴于空间面板计量模型能够有效处理空间依赖性问题,本文拟选用空间面板计量模型来考察影响各尺度城市投资联系水平的主要因素。常用的相关模型包括空间面板自回归模型（SPAR）、空间面板误差模型（SPEM）和空间面板杜宾模型（SPDM）,其中SPDM是前两个模型的一般形式,公式^[31]为：

（7）

y_{it} = ρ \overset{41}{\sum_{j = 1}} w_{ij} y_{jt} + γ x_{it} + \overset{41}{\sum_{j = 1}} α w_{ij} x_{it} + μ_{i} + ν_{t} + ε_{it}

式中：y_it和x_it分别为城市i的被解释变量和解释变量;r、g、a分别为被解释变量的空间自相关系数、解释变量的系数和空间溢出系数;w_ij为41×41的空间权重矩阵,本文选择空间反距离矩阵来反映长三角地区城市间的空间地理关系;y_jt为城市j的被解释变量;w_ijy_jt为空间滞后被解释变量;m_i、n_i分别为空间效应和时间效应;ε_it为随机误差项且服从独立分布。当a=0时,该模型退化为SPAR;当a=-rg时,该模型退化为SPEM。

在包含空间滞后项的空间面板计量模型中,各影响因素对城市投资联系水平的影响不能直接用回归系数表示,需要采用偏微分的方法将系数分解为直接效应和间接效应^[32]。直接效应是指本市的影响因素对本市投资联系水平的影响;间接效应,又称空间溢出效应,可以有两种解释视角,即本市的影响因素对周边城市投资联系水平的影响,或周边城市的影响因素对本市的投资联系水平的影响。此外,直接效应与溢出效应的算术和为影响因素的总效应。

3 长三角地区城市投资联系水平的时空动态

3.1 投资的概况特征

2003—2018年,长三角地区与中国关境外地区城市之间的企业投资联系总额从989亿元增长到21943亿元,年均增长率为22.95%;长三角地区与中国关境内地区城市之间的投资联系总额从839亿元增长到20726亿元,年均增长率为23.85%;长三角地区内部的投资联系总额从201亿元增长到7936亿元,年均增长率达到27.77%（表1）。由此可见,长三角地区各尺度的城际投资规模均得到显著扩张,但在投资总额和年均增长率方面呈现出不同的发展格局,即投资总额呈现关境外>关境内>区域内的格局,年均增长率则呈现区域内>关境内>关境外的格局。

Tab. 1
表1
表1长三角地区城际投资概况
Tab. 1General situation of intercity investment in the Yangtze River Delta

统计指标	全球尺度（关境外地区）			全国尺度（关境内地区）			区域尺度（长三角地区内）
统计指标	2003年	2010年	2018年	2003年	2010年	2018年	2003年	2010年	2018年
投资总额(亿元)	989	6690	21943	839	3885	20726	201	1438	7936
高技术制造业比例(%)	20.0	11.9	12.8	45.0	28.3	29.1	27.7	21.8	21.0
低技术制造业比例(%)	3.9	16.1	20.1	22.2	30.6	27.5	23.9	25.4	24.9
高级生产性服务业比例(%)	68.3	51.2	46.4	5.4	6.4	7.1	4.7	2.2	4.6
一般性服务业比例(%)	7.0	17.5	16.6	16.7	28.2	29.3	26.0	33.1	28.6
其他行业比例(%)	0.8	2.4	4.1	10.7	6.6	7.0	17.7	17.4	20.9

新窗口打开|下载CSV

从投资的行业结构² (2 BvD系列数据库采用的是欧洲产业分类标准（NACE Rev. 2）,国内上市企业年报中关于企业的行业类别采用的是中国证监会上市公司行业分类标准。本文主要参考Rozenblat和Zaidi的处理方法^[9],根据企业所属行业的知识密集度和行业大类将国内外企业统一归并为五类。)看,全球尺度上,服务业领域的投资一直是驱动长三角-关境外企业投资的主要力量,研究期间该领域的投资额占全行业的比重均高达60%以上。进一步观察服务业领域中的高级生产者服务业,尽管其在全行业中的比重从2003年的68.3%下降到2018年的46.4%,但仍然占据着压倒性地位。随着经济全球化的深入发展和资本积累制度的转变,知识密集的高级生产者服务业成为重组跨国城际关系的关键代理。长三角-关境外投资联系主要受到高级生产者服务业驱动,这也在一定程度上印证了Taylor所提出的“世界城市网络主要是由高级生产者服务业企业的跨国投资联系所塑造的”这一论断^[6]。全国尺度上,制造业领域的投资在全行业中的比重从2003年的67.1%下降到2018年的56.6%,但占比始终在50%以上,表明长三角-关境内企业投资联系具有制造业驱动的特征。区域尺度上,各行业领域的投资一直保持较为均衡的格局,没有产生比重超过50%的主导行业,表明长三角地区内部的投资联系具有行业均衡的特征。

3.2 网络的结构特征

基于Gephi软件中地理布局（Geo Layout）模式刻画长三角地区城市投资网络的有向加权网络拓扑结构（图1）,全球尺度上,在东亚、东南亚、西欧和北美等地区逐渐形成了与长三角地区联系非常紧密的区域性网络。统计2003年、2010年、2018年的前10条链接可发现,涉及到的关境外地区城市绝大多数都位于上述四大区域,包括东亚的香港、台北、桃园、东京、首尔,东南亚的新加坡,西欧的伦敦、巴黎、慕尼黑,以及北美的纽约、华盛顿、洛杉矶;其投资联系强度在持续快速增长的同时,上述高等级城市的周边城市也逐渐与长三角地区建立新的投资联系,呈现邻近扩散特征。全国尺度上,长三角地区分别与京津冀和珠三角地区之间的投资联系异常紧密,并呈现不断强化的发展趋势。2018年投资过百亿的链接中有90%都涉及到上述两大区域,并成长出深圳→上海、北京→上海、北京→合肥这3条投资过500亿元的链接。区域尺度上,跨省的投资联系不断增强,江浙皖三省与上海的跨省投资交互关系尤为密切,2003年、2010年、2018年三省中选择以上海为首/次位投资对象的城市数量分别达到12/7个、6/8个、8/17个;反之,以上海为首/次位投资来源地的城市数量达到10/9个、14/5个、13/12个。然而江浙皖三省内部联系仍较紧密,2018年省内投资占各省总投资均超过35%,行政区经济现象依然存在。由此可见,长三角地区各尺度的城市投资网络均呈现较明显的区域指向性特征。此外,全球、全国和区域尺度的投资网络中双向链接比重分别从2003年的5.7%、17.3%、26.8%增加到2018年的17.2%、24.9%、45.1%,可见各尺度城市投资网络的链接对称性均有所提升,并呈现区域>全国>全球的格局。

图1

新窗口打开|下载原图ZIP|生成PPT
图1长三角地区城市投资网络拓扑结构

注：全球尺度是指长三角地区与中国关境外地区城市之间的投资网络;全国尺度是指长三角地区与中国关境内地区城市（不包含长三角地区城市）之间的投资网络;区域尺度是指长三角地区内部城市之间的投资网络。
Fig. 1Topological structure of urban investment network in the Yangtze River Delta

如图2所示,全球尺度上,上海的点度中心度值一直位居首位,反映出其与全球其他城市具有广泛的投资联系,与此同时,杭州、南京、苏州等城市的点度中心度值快速增加,与上海的差距呈现缩小态势;加权度值的空间分布更加集中于上海,但随着时间的推移逐渐向周边高等级城市扩散。在早期长三角地区大多数城市吸引外资规模远超对外投资规模,但随后两者非对称性有所弱化,表现在部分净流入高强度区转变成净流入低强度区,这恰好处于Dunning所提出的投资发展路径理论中的第三阶段,即对外投资发展速度快于外资的流入,但净对外投资仍为负值^[33]。全国尺度上,上海的两类度值同样位居首位且杭州、南京、苏州等周边城市成追赶之势,但与全球尺度节点度值分布相较,这些城市与上海的差距更小,尤其对于点度中心度而言,多中心发展势头较明显。在早期主导联系方向类型区空间分布较混杂,随后格局日益清晰,安徽大部、苏北和苏中的扬州、泰州等成为净流入高强度区,其余地区以净流入低强度区为主导,其中上海、杭州、南京、苏州等成为长三角地区吸引全国投资的辐合中心。区域尺度上,节点度值空间分布趋于均衡,上海与周边高等级城市间的节点度值差距相较于其他两个尺度上的差距而言最小,多中心化程度最高。在早期主导联系方向类型区空间分布也较混杂,随后大致形成以长江为界“南出北入”的流向格局,上海、杭州、南京等中心城市的区域投资流向在期末均为净流出,发挥着对内辐射区域的作用。

图2

新窗口打开|下载原图ZIP|生成PPT
图2长三角地区城市投资网络的中心度与主导联系方向的空间动态

注：全球尺度是指长三角地区与中国关境外地区城市之间的投资网络;全国尺度是指长三角地区与中国关境内地区城市（不包含长三角地区城市）之间的投资网络;区域尺度是指长三角地区内部城市之间的投资网络。
Fig. 2Spatial dynamics of urban degree and leading connection direction of urban investment network in the Yangtze River Delta

3.3 空间动态特征

如图3所示,整体来看,各尺度的城市投资联系水平空间分布不均衡,廊道支撑结构凸显。长期以来,投资联系水平较高的区域主要集聚于上海,江苏的南京、苏州、无锡等,浙江的杭州、宁波等,以及安徽的合肥;投资联系水平较低的区域则连片分布于安徽的大部分城市以及苏北和浙南的城市。宁越敏等较早注意到长三角交通走廊沿线地区因基础设施完善、地理位置优越、政策灵活而具备更强的吸引各类投资的能力^[34]。近年来,位于该区域的无锡、常州、嘉兴、绍兴等城市相继崛起,以上海、南京、合肥、杭州、宁波为核心的廊道支撑结构逐渐显现。分尺度而言,分别呈现如下突出特征：

全球尺度上,与关境外地区城市投资联系水平的空间格局整体变动平稳,低水平区集中连片分布特征突出（图3a、图3d、图3g）。2003—2010年,上海、南京、苏州、无锡、杭州的跨国投资联系维持在高水平;宁波受益于总部经济的快速发展和开放型经济发展战略的持续推进,企业跨国城际投资状态由2003年的中高水平跃升到高水平行列中;芜湖依托安徽海螺集团、奇瑞控股集团等大型企业承接了来自关境外的大量投资,使其跨国投资联系水平超过本省的省会合肥,跃升至中高水平行列;中低水平区围绕高水平区和中高水平区呈现邻近扩张的特征;低水平区范围尽管有所缩减,但分布范围依然最广,2010年该类型在安徽分布于除合肥和芜湖外的其他城市,在江苏主要分布于苏北,在浙江分布于除杭州、宁波、嘉兴、台州外的其他城市。2010—2018年,合肥和芜湖地位互换,合肥凭借省会优势使其跨国投资联系水平超越芜湖,跨入中高水平行列,而芜湖则下降到中低水平行列;高水平区则维持不变,仍为上述6个高水平城市;此外,中低水平区仅增加了芜湖和绍兴,而低水平区则除绍兴外其他没有改变。

图3

新窗口打开|下载原图ZIP|生成PPT
图3长三角地区城市投资联系水平的空间动态

注：全球尺度是指长三角地区与中国关境外地区城市之间的投资联系水平;全国尺度是指长三角地区与中国关境内地区城市（不包含长三角地区城市）之间的投资联系水平;区域尺度是指长三角地区内部城市之间的投资联系水平。
Fig. 3Spatial dynamics of urban investment linkage level in the Yangtze River Delta

全国尺度上,与关境内地区城市投资联系水平的改善空间呈先沿海后内陆的扩张态势（图3b、图3e、图3h）。2003—2010年,企业跨区城际投资处于高水平区的城市从上海、南京、苏州、无锡、杭州、宁波、合肥7个增加到8个,增加的城市为芜湖,相关年报信息显示,该城市同样是依托大型企业的全国性投资活动提高了其在长三角地区的投资地位;中高水平区扩张明显,由初期的1个增加到5个,增加的城市不仅包括空间上较为接近的南通、绍兴、嘉兴和金华,还包括位于苏北的区域中心城市徐州;中低水平区一方面演化为中高水平区,另一方面则呈现沿海扩张的态势;低水平区有所收缩且由沿海向内陆地区集聚靠拢。2010—2018年,常州和南通跃升至跨区城际投资的高水平行列,芜湖地位有所下降,其余的高水平城市的地位则未动摇;中高水平区变动不显著,覆盖范围未出现明显的扩张或收缩;中低水平区和低水平区此消彼长,沿海的盐城和淮安跨区投资地位下降,由中低水平区降为低水平区,而马鞍山、安庆和蚌埠等内陆城市的地位有所改善,由低水平区升为中低水平区。

区域尺度上,与长三角地区城市投资联系水平的突出特征体现在中低水平区呈现广域化扩张态势（图3c、图3f、图3i）。2003—2010年,高水平区未发生变动,始终包括上海、南京、苏州、杭州、宁波、合肥和芜湖7个城市;中高水平区新增嘉兴和台州,蚌埠的区内城际投资地位下降至中高水平;中低水平区覆盖范围最广,在苏北和皖西地区有明显扩张;低水平区缩减形成皖北和皖南两大连绵区和淮安、丽水等点状分布区。2010—2018年,高水平区新增无锡和常州,芜湖退出该类型,其余原属于高水平区的城市则维持原有状态;中高水平区新增南通、金华和芜湖三市,减少了无锡和镇江两市,嘉兴、绍兴和台州仍维持中高水平状态;中低水平区的分布格局变动不大,仍为覆盖范围最广的类型区;低水平区在保持原有分布格局的基础上其所覆盖城市数量从11个进一步缩减至9个。

3.4 状态转移特征

根据上文状态空间类型划分方法,通过Matlab 6.5软件求解传统的马尔可夫链概率转移矩阵（表2）,进一步分析2003—2018年间长三角地区投资联系水平内在的时空动态规律。

Tab. 2
表2
表2长三角地区城市投资联系水平的传统马尔可夫链转移概率矩阵
Tab. 2Traditional Markov chain transfer probability matrix of urban investment linkage level in the Yangtze River Delta

	全球尺度（与关境外地区）					全国尺度（与关境内地区）					区域尺度（长三角地区内）
	n	Ⅰ	Ⅱ	Ⅲ	Ⅳ	n	Ⅰ	Ⅱ	Ⅲ	Ⅳ	n	Ⅰ	Ⅱ	Ⅲ	Ⅳ
Ⅰ	417	93.8	5.8	0.0	0.5	320	87.5	10.9	0.9	0.6	180	75.0	23.3	1.1	0.6
Ⅱ	86	1.2	62.8	34.9	1.2	121	5.0	75.0	18.2	1.8	252	3.6	74.2	20.3	2.0
Ⅲ	23	0.0	0.0	95.7	4.3	55	1.8	0.0	63.6	34.5	71	1.4	7.0	66.2	25.4
Ⅳ	89	1.1	1.1	0.0	97.8	119	1.7	0.8	1.7	95.8	112	0.0	2.7	1.8	95.5

注：表中的转移概率以百分比表示。

新窗口打开|下载CSV

整体来看,城市投资联系水平具有向邻近较高水平方向转移的态势,且很难实现跨越式转移。从非对角线上的转移概率可知,趋同俱乐部多发生在相邻状态之间。其中,向上邻近转移的概率比向下邻近转移概率更大,各尺度投资联系水平发生在Ⅰ→Ⅱ、Ⅱ→Ⅲ和Ⅲ→Ⅳ状态转移的平均概率分别达到13.3%、24.5%和21.4%,而发生在Ⅱ→Ⅰ、Ⅱ→Ⅲ和Ⅲ→Ⅳ反向向下的状态转移的平均概率分别仅为3.3%、2.3%和1.2%。对于非邻近的向上转移而言,其平均概率仅为1.2%,意味着在两个连续年份之间,投资联系水平实现跨越式转移的概率极低,表明长三角地区的城市想要大幅提升在城际投资格局中的地位和水平并非一蹴而就,而是一个相对稳定持续的过程。分尺度而言,在全球（关境外）、全国（关境内）和长三角地区内3个尺度,向上邻近转移的概率分别为7.8%、11.5%和12.1%,向上跨状态转移的概率分别为0.6%、1.1%和1.2%,表明随着空间尺度的扩大,无论是向上邻近转移还是向上跨状态转移,难度都随之增大。

所有对角线上的转移概率远远大于非对角线上的转移概率,表明各尺度的城市投资联系水平具有维持原有状态的稳定性特征,存在显著的俱乐部趋同效应。对角线上的最大概率为97.8%,最小值为62.8%,即无论在哪个空间尺度上,某城市的投资联系水平在当年属于某状态,在随后的年份仍属于该状态的概率至少为62.8%。在全球（关境外）、全国（关境内）和长三角地区内3个尺度,对角线上的平均转移概率分别为87.5%、80.5%和77.7%,表明俱乐部趋同效应呈全球>全国>区域的格局。此外,对角线两端的状态（状态Ⅰ和Ⅳ）维持稳定性的概率最大,表明投资联系低水平和高水平的城市受其前期状态的限制更为显著,路径依赖性更强,马太效应十分明显,这进一步加剧了投资联系水平差距的扩大。在全球（关境外）、全国（关境内）和长三角地区内3个尺度,对角线低水平状态端的转移概率分别为93.8%、87.5%和78%,对角线高水平状态端的转移概率分别为97.8%、95.8%和95.5%,表明投资联系水平状态转移的马太效应同样呈全球>全国>区域的格局。

通过空间动态格局分析可知,长三角地区各尺度的城市投资联系水平的发展演化可能会受到空间因素的影响。故以不同地区在初始年份的空间滞后类型为条件,借助Matlab 6.5软件建立2003—2018年长三角地区城市投资联系水平的空间马尔可夫链转移概率矩阵,来探析周边城市的投资联系状态对某城市投资联系水平产生的影响（表3）。

Tab. 3
表3
表3长三角地区城市投资联系水平的空间马尔可夫链转移概率矩阵
Tab. 3Spatial Markov chain transfer probability matrix of urban investment linkage level in the Yangtze River Delta

空间滞后		全球尺度（与关境外地区）					全国尺度（与关境内地区）					区域尺度（长三角地区内）
空间滞后		n	Ⅰ	Ⅱ	Ⅲ	Ⅳ	n	Ⅰ	Ⅱ	Ⅲ	Ⅳ	n	Ⅰ	Ⅱ	Ⅲ	Ⅳ
Ⅰ	Ⅰ	162	95.7	4.3	0.0	0.0	11	100.0	0.0	0.0	0.0	0	0.0	0.0	0.0	0.0
	Ⅱ	8	0.0	50.0	37.5	12.5	1	0.0	100.0	0.0	0.0	0	0.0	0.0	0.0	0.0
	Ⅲ	9	0.0	0.0	100.0	0.0	0	0.0	0.0	0.0	0.0	0	0.0	0.0	0.0	0.0
	Ⅳ	1	100.0	0.0	0.0	0.0	2	0.0	0.0	50.0	50.0	0	0.0	0.0	0.0	0.0
Ⅱ	Ⅰ	109	100.0	0.0	0.0	0.0	210	95.2	4.3	0.5	0.0	111	76.6	21.6	1.8	0.0
	Ⅱ	0	0.0	0.0	0.0	0.0	18	5.6	83.3	5.6	5.6	87	2.3	88.5	9.2	0.0
	Ⅲ	0	0.0	0.0	0.0	0.0	11	9.1	0.0	72.7	18.2	4	25.0	50.0	25.0	0.0
	Ⅳ	3	0.0	0.0	0.0	100.0	19	5.3	0.0	5.3	89.5	44	0.0	4.5	0.0	95.5
Ⅲ	Ⅰ	75	88.0	9.3	0.0	2.7	80	66.3	28.8	2.5	2.5	65	73.8	24.6	0.0	1.5
	Ⅱ	47	0.0	61.7	38.3	0.0	85	4.7	74.1	17.6	3.5	161	4.3	73.3	19.3	3.1
	Ⅲ	13	0.0	0.0	100.0	0.0	41	0.0	0.0	61.0	39.0	67	0.0	4.5	68.7	26.9
	Ⅳ	68	0.0	0.0	0.0	100.0	83	0.0	1.2	0.0	98.8	89	0.0	1.1	2.2	96.6
Ⅳ	Ⅰ	71	85.9	14.1	0.0	0.0	19	84.2	15.8	0.0	0.0	4	50.0	50.0	0.0	0.0
	Ⅱ	31	3.2	67.7	29.0	0.0	17	5.9	52.9	35.3	5.9	4	0.0	50.0	50.0	0.0
	Ⅲ	1	0.0	0.0	0.0	100.0	3	0.0	0.0	66.7	33.3	0	0.0	0.0	0.0	0.0
	Ⅳ	17	0.0	5.9	0.0	94.1	15	6.7	0.0	0.0	93.3	1	0.0	100.0	0.0	0.0

注：表中的转移概率以百分比表示。

新窗口打开|下载CSV

地理空间格局在各尺度的城市投资联系水平状态转移中发挥着重要作用,空间溢出效应明显。在不同空间背景下,城市投资联系水平转移概率矩阵并不相同,也不等于相对应的传统马尔可夫转移概率矩阵,否则,空间溢出效应的影响将不存在。例如在不考虑地理空间格局的影响下,城市全球投资联系水平发生在Ⅰ→Ⅱ转移的概率为5.8%,而当某城市与中高水平的城市相邻时,其在Ⅰ→Ⅱ转移的概率变为9.3%。投资联系水平状态转移的空间溢出效应本质上体现了城市间的相互作用与相互联系,在某种程度上是缩小城市功能联系区域差距和促进区域协同发展的潜在驱动力。

与不同类型的城市邻近,产生的空间溢出效应不同。一般来说,某城市与投资联系水平较高的城市相邻近时,其向上转移的概率将增大。例如,在全国（关境内）尺度上,当某城市与中低水平的城市邻近时,其投资联系水平在Ⅰ→Ⅱ转移的概率为4.3%,而与中高水平的城市相邻时,其概率增加到28.8%。相反,某城市与投资联系水平较低的城市相邻近时,其向下转移的概率将增大。例如,在全国（关境内）尺度上,某城市与中高水平的城市邻近时,其投资联系水平在Ⅱ→Ⅰ转移的概率为4.7%,而与中低水平的城市相邻时,其概率变为5.6%。总体而言,投资联系水平较高的城市和较低的城市对周边城市分别产生了正向溢出效应和负向溢出效应。

不同空间滞后状态对不同尺度的城市投资联系水平影响存在差异。当空间滞后状态为低水平时,对城市全球投资联系水平的转移概率影响最明显,而对全国和区域投资联系水平的转移概率影响不大;当空间滞后状态为中低水平时,对城市的全国和区域投资联系水平的转移概率影响较明显,而对全球投资联系水平的转移概率影响不显著;当空间滞后状态为中高水平和高水平时,对城市所有尺度投资联系水平的提升均存在不同程度的促进作用。

4 长三角地区城市投资联系水平的影响因素

4.1 解释变量选取

城市的投资联系水平是企业区位选择行为在城市层面的宏观表现形式,体现了某城市的本地企业对其他城市进行投资以及该城市吸引其他城市的企业前来投资的能力。投资联系活动涉及人员、技术、资本和信息等各类要素在城市间的流动,因而具有多因素综合驱动的特征。为便于横向比较各因素在全球、全国和长三角地区内尺度上对城市投资联系水平的影响程度,借鉴已有研究^{[13,15-17,22-24]},最终选取了产业基础、投资成本、创新环境、时间距离、经济全球化、城市行政级别等因素作为解释变量。

4.1.1 产业基础产业基础较好的城市通常拥有成熟的劳动力市场、较完善的基础设施及产业配套条件^[22],从而吸引异地企业到该城市开展投资活动,以较低的成本达到扩大市场辐射范围的目的。此外,产业基础较好的城市集聚了众多企业,这些本地企业的对外投资和空间扩张活动也同样提高了城市的投资联系水平。本文选取工业增加值（IND）、服务业增加值（SER）来反映城市的产业基础,预计为正向影响。数据来源于《中国城市统计年鉴》和地方统计年鉴。

4.1.2 投资成本企业的城际投资行为将会导致企业组织结构的解构与重构。企业控制管理中心、研发、高端生产性服务等环节倾向于在中心城市集聚,但标准化大批量生产的制造环节倾向于在劳动力和土地成本较低的地区集聚。Conhen^[35]、Friedmann^[36]、Scott^[37]等从不同理论角度阐释了企业空间组织与地理空间的互动关系,均强调企业空间组织成本的重要性。本文初步选取职工平均工资（WAGE）、单位建设用地出让成交价款（LAND）来反映劳动力成本和土地成本,数据分别来源于《中国城市统计年鉴》和《中国国土资源年鉴》。在进行多重共线性诊断时发现,单位建设用地出让成交价款的方差膨胀因子（VIF）大于10,故将其剔除,仅保留职工平均工资作为投资成本的代理变量。由于劳动力成本对于不同产业和环节的影响存在差异,而本文中城市的投资联系水平是不同产业和环节在城市集聚的综合体现,其对投资联系水平的影响方向取决于集聚的相对程度。

4.1.3 创新能力 Castells对新信息技术和城市区域化之间的关系进行了深入研究,他强调城市所拥有的创新能力对于企业核心竞争力的提升和新产业空间的形成具有至关重要的作用^[39]。特别是在知识经济时代,一个城市所具有的创新环境成为影响企业区位选择的关键因素。本文用万人拥有专利授权量（PAT）来反映城市创新能力,预计为正向影响。其中专利申请授权量数据和城市常住人口数据均来源于地方统计年鉴。

4.1.4 时间距离优越的交通与区位条件可以降低生产要素流通成本,促使企业可以跨区域甚至在全球范围内进行灵活的投资布局,有利于形成紧密的城市投资联系。上海作为长三角地区的核心城市,也凭借着航空和海运优势,成为长三角地区链接全球和全国的重要门户。因此,与上海的交通联系状况决定了其他城市“借用”上海高等级交通功能的便利性^[15]。本文利用GIS成本加权距离法,计算得到长三角其他城市与上海之间的最短综合时间距离（DIS）,预计为负向影响。主要交通方式的选取和时间成本的参数设定参考何丹等^[39];交通数据扫描自相应年份的《中国分省交通图集》和《中国高速公路及城乡公路网地图全集》。

4.1.5 经济全球化经济全球化加速了生产要素的全球流动,从而影响投资者的行为决策,促使企业在全球范围内进行资源的空间配置,这对于全球尺度的城市投资联系水平影响最为直接。另外,地方生产系统也会对全球生产网络做出响应,促使企业开展全国性和区域性的城际投资活动,进而提升城市的跨区和区内投资联系水平。本文用港、澳、台商与外商投资企业数占工业企业数的比重来度量经济全球化（GLO）,预计经济全球化水平越高的城市其投资联系水平就越高。数据来源于《中国城市统计年鉴》和地方统计年鉴。

4.1.6 城市行政级别城市行政级别作为政治权力空间等级化的载体,其对投资联系的作用不容忽视。一般来讲,行政级别越高的城市,其资源集聚与调配能力就越强。企业设址在政级别高的城市可通过资源行政配置获得更多好处,从而影响其投资区位的选择,宏观上体现为投资联系水平按行政级别呈等级扩散。本文参照曾鹏等^[40],将长三角地区41个地级及以上城市划分为直辖市（上海）、副省级城市（南京、杭州、宁波）、准副省级城市（省会城市合肥、国务院批准的较大城市苏州、无锡、徐州、淮南）及一般地级市（其他32个城市）这4个行政级别。本文按照行政级别从高到低依次对其赋值3、2、1、0来刻画城市行政级别（RANK）,预计为正向影响。

4.2 估计结果分析

为缓解异方差及减少变量波动,在模型估计之前,对工业增加值、服务业增加值、职工平均工资、时间距离、经济全球化等变量进行对数化处理。接下来对解释变量与各尺度的城市投资联系水平数据进行时间序列上的因果关系检验,结果发现各变量对投资联系的Granger原因均通过了10%水平的显著性检验,存在单向因果关系。由前文空间演化分析和空间马尔可夫链分析可知,各尺度的城市投资联系水平均存在显著的空间关联和空间溢出效应,而普通OLS方法忽略了这种空间相互作用的影响,估计结果会产生严重偏误。为提高回归结果的准确性,选用把空间因素考虑在内的SPAR、SPEM、SPDM模型进行估计。Hausman检验发现,采用具有随机效应的空间面板计量模型更合适,这可能与本文中时域范围（T=14）较短有关。

在模型拟合效果上,SPDM的对数似然值（Log-L）和拟合系数（R²）相较于其他两类模型效果更优。此外,进一步对SPDM模型进行Wald检验,其P值在1%水平下显著为0。表明SPDM并不能满足模型转化的原假设H₀

∶

γ=0和H₀

∶

γ+δβ=0,即SPDM并不能简化为SPAR或SPEM。因此,本文选择具有随机效应的SPDM进行分析。

从表4的估计结果可知,各尺度上SPDM的空间项系数均显著为正,表明某城市的投资联系水平会受到周围其他城市投资联系水平的影响,进一步证实了城市投资联系水平存在显著的空间溢出效应。此外,分别对不同空间尺度的解释变量的显著性进行分析：全球尺度上,除了创新环境不显著外,其余变量均对城市投资联系水平存在显著影响;全国尺度上,除了经济全球化外,其余变量均对投资联系水平存在显著影响;区域尺度上,除了时间距离,其余变量均通过了显著性检验。总体来说,估计结果较为符合理论预期。进一步基于空间邻接矩阵和K-最近邻矩阵（取k=6）对SPDM的稳健性进行检验。结果表明,虽然在不同空间权重矩阵下各个解释变量的系数大小有所差异,但其影响方向和显著性未发生明显改变,说明本文构建的模型是稳健可靠的。

Tab. 4
表4
表4长三角地区城市投资联系水平影响因素空间面板计量回归结果
Tab. 4Spatial panel regression results of factors of urban investment linkage level in the Yangtze River Delta

变量	全球尺度（与关境外地区）			全国尺度（与关境内地区）			区域尺度（长三角地区内）
变量	SPAR	SPEM	SPDM	SPAR	SPEM	SPDM	SPAR	SPEM	SPDM
δ或λ	1.8670^**	0.8327^***	2.5567^**	0.7014^*	0.2131^*	0.644^*	1.658^***	2.737^***	1.101^**
lnIND	-0.0791^***	-0.0738^***	-0.0828^***	0.0776^***	0.0808^***	0.0718^***	-0.0598^***	-0.0532^***	-0.0460^***
lnSER	0.0497^***	0.0439^***	0.0485^***	0.0646^***	0.0686^***	0.0555^***	0.0621^***	0.0626^***	0.0502^***
lnWAGE	0.0672^***	0.0596^***	0.0585^***	0.0488^***	0.0542^***	0.0528^***	0.0440^***	0.0621^***	0.0565^***
PAT	0.0004^*	0.0004	0.0003	0.0010^***	0.0010^***	0.0009^***	0.0019^***	0.0023^***	0.0022^***
lnDIS	-0.0721^***	-0.0721^***	-0.0867^***	-0.0588^***	-0.0586^***	-0.0603^***	-0.0399^**	-0.0265	-0.0266
lnGLO	0.0127^**	0.0160^***	0.0109^*	0.0078	0.0053	0.0106	0.0136^*	0.0119	0.0143^*
RANK	0.0532^***	0.0556^***	0.0588^***	0.0551^***	0.0535^***	0.0542^***	0.0778^***	0.0706^***	0.0706^***
W×lnIND			0.0263			-0.3218^*			-0.4457^**
W×lnSER			-0.3062^*			0.0635^*			0.1196
W×lnWAGE			0.5427^*			0.3920			0.4589
W×PAT			-0.0062^**			-0.0045			-0.0125^***
W×lnDIS			-0.6346^*			-0.3440^*			-0.3623
W×lnGLO			-0.1026			-0.2390^**			-0.3090^**
W×RANK			0.5954^*			0.3710			-0.2074
R²	0.831	0.824	0.848	0.803	0.801	0.814	0.911	0.905	0.931
Log-L	1178.748	1176.476	1189.243	1093.866	1092.843	1100.394	1034.843	1037.294	1050.892

注：^***、^**、^*分别表示在1%、5%、10%水平上显著。

新窗口打开|下载CSV

4.3 空间效应分解

在上述SPDM中,多个解释变量的空间项（W×X）通过了显著性检验,因此需要进一步剖析这种空间交互作用对于长三角地区投资联系的影响。参照LeSage等^[32],对SPDM估计结果求偏微分,分解出各个解释变量对城市投资联系水平的直接效应、溢出效应及总效应（表5）。

Tab. 5
表5
表5长三角地区城市投资联系水平影响因素的空间效应分解
Tab. 5Decomposed spatial effects of factors of urban investment linkage level in the Yangtze River Delta

变量	全球尺度（与关境外地区）			全国尺度（与关境内地区）			区域尺度（长三角地区内）
变量	直接效应	溢出效应	总效应	直接效应	溢出效应	总效应	直接效应	溢出效应	总效应
lnIND	-0.0832^***	0.0304^*	-0.0528^***	0.0712^***	-0.0449^*	0.1162^***	0.0465^***	-0.0043	0.0423^**
lnSER	0.0493^***	0.0337^**	0.0829^**	0.0548^***	0.0055^*	0.0604^*	0.0499^***	0.0416^*	0.0916^*
lnWAGE	0.0585^***	0.0477	0.1062^***	0.0537^***	0.0563	0.1101^*	0.0587^***	0.1177	0.1764^*
PAT	0.0004^*	-0.0009^**	-0.0005	0.0009^***	-0.0008	0.0001	0.0022^***	-0.0024^**	-0.0002
lnDIS	-0.0854^***	-0.0504	-0.1358^***	-0.0598^***	-0.0466	-0.1065^*	-0.0270	-0.0830	-0.1100
lnGLO	0.0187^***	-0.0164^*	0.0023^*	0.0113	-0.0404^**	-0.0292	0.01428^*	-0.0681^**	-0.0537
RANK	0.0575^***	0.0582	0.1157^**	0.0539^***	0.0568	0.1107^**	0.0702^***	-0.0324	0.0377^**

注：^***、^**、^*分别表示在1%、5%和10%水平上显著。

新窗口打开|下载CSV

全球（关境外）尺度上,工业增加值的直接效应显著为负,表明本市工业的集聚非但没有对企业跨国城际投资产生促进作用,反而对其产生了挤出效应。Saseen指出,生产性服务业并不必然紧密围绕着工业布局,尤其是高级生产性服务业主要满足金融和商业流动需要,并不以工业为中心^[18]。长三角地区企业跨国城际投资主要受高级生产性服务业驱动,其区位选择并不以接近工业为动机。另外,周边城市的工业集聚显著提升了本市的企业跨国投资水平,这符合城市间功能分工的客观规律。服务业增加值的直接效应和溢出效应均显著为正,说明企业跨国城际投资依赖于本市和周边城市的服务业发展基础。劳动力成本的直接效应显著为正,其溢出效应虽不显著但对城市跨国投资联系水平也产生了正向影响。这可能是因为企业愿意支付高薪开展跨国城际投资活动以获取高附加值竞争力,而依靠低廉的劳动力容易导致产品和服务竞争力降低^[41]。本市较强的创新能力将促进本市跨国投资联系水平的提升,但对周边城市的溢出效应显著为负,导致总效应并不显著。剖析城市创新能力未能产生正向溢出的原因,可能在于城市创新能力的关键构成要素（例如人才、科研机构、相关支出等）在短期内是存量的有限资源,城市间存在竞争关系。具有较强创新能力的城市将吸引这些资源单向涌入,导致周边城市的创新环境趋于劣化,从而不利于这些城市吸引外资和对外投资。时间距离的直接效应显著为负,溢出效应虽不显著但也呈现负向影响,表明城市的跨国投资联系水平具有随时间距离而衰减的特征。与城市创新能力对跨国投资联系的作用路径相似,经济全球化呈现显著的正向直接效应,但由于城市间对于外资的激烈争夺,从而对周边城市产生显著的负向溢出效应。最后,城市行政级别对于城市跨国投资联系水平的重要作用也得到证实,影响方向与理论预期相符。

全国（关境内）尺度上,工业增加值对城市的跨区投资联系水平分别产生了显著的正向直接效应和负向溢出效应,但前者的影响程度更大,导致总效应显著为正。服务业增加值的直接效应和溢出效应均显著为正,表明位于全国其他城市的企业向长三角地区投资时,以及具有全国投资活动的长三角本地企业进行总部选址时,不仅偏好服务业基础好的城市,也会考虑该城市周边地区的服务业发展状况。劳动力成本的估计结果与全球尺度上的估计结果相似,即城市的劳动力成本越高,其投资联系水平也就越高。较强的城市创新能力同样有利于企业开展跨区城际投资活动,但对创新要素的竞争也会对周边城市造成一定程度的负面影响。与上海的时间距离越长,越不利于开展投资联系活动,这一点在长三角地区与全国其他城市的投资联系中也得到了证实。与全球尺度上的估计结果相比,经济全球化对城市跨区投资联系水平的直接影响并不显著,表明目前长三角地区全球经济联系未能显著促进其与全国其他城市的企业投资联系。另外,行政级别越高的城市其跨区投资活动也就越活跃。

区域尺度上,与对跨区投资联系水平的作用路径相似,本市的工业集聚对其区域投资联系水平的提升产生了显著的正向影响,虽然周边城市的工业集聚产生的溢出效应不显著,但影响方向上为负向。服务业增加值的三种效应均显著为正,表明区域尺度的企业投资非常看重被投资城市及其周边城市的服务业基础。劳动力成本的溢出效应虽不显著,但直接效应和总效应显著为正,同其余两个尺度上的估计结果相一致。城市创新能力存在显著的正向直接效应和负向溢出效应,但总效应不显著。时间距离的三种效应均未能通过显著性检验,可能的解释是：与企业跨国投资和跨区投资活动相比,长三角地区内部的城际投资活动对上海的高等级交通功能（空港和海港）的依赖度较低,而对区域内其他影响力较大城市的依赖度提升,从而降低了到上海时间距离的作用。这一点与基于长三角一市两省的研究结果相一致^[15]。尽管经济全球化对区域投资联系水平的直接作用显著为正,但由于具有显著的负向溢出效应,导致其总效应并不显著。另外,城市行政级别的直接效应和总效应也均显著为正。

5 结论与讨论

基于2003—2018年企业股权关联投资数据,构建长三角-关境外地区、长三角-关境内地区以及长三角地区内部的城际投资网络,测度得出长三角地区城市各尺度的投资联系水平,剖析了城市投资联系水平的时空动态特征与影响因素。主要结论如下：

（1）从投资特征看,长三角地区各尺度的城际投资规模均得到显著扩张,但在投资总额和年均增长率方面存在尺度差异,即投资总额呈现关境外>关境内>区域内,年均增长率呈现区域内>关境内>关境外。全球、全国和区域尺度的投资联系由不同行业力量所主导,分别呈现服务业驱动型、制造业驱动型和行业均衡型的行业结构特征。

（2）从网络结构特征来看,各尺度城市投资网络区域指向性凸显,长三角地区与东亚、东南亚、西欧和北美之间逐渐形成关联紧密的区域性网络,在国内则分别与以北京、深圳为核心的京津冀和珠三角地区之间的投资联系异常紧密且得到不断强化,区域内部城市投资网络的发育则呈现一定程度的行政区经济现象。各尺度城市投资网络的多中心化态势明显,随着空间尺度的扩大,多中心程度随之降低。上海、杭州、南京等在长三角地区逐渐发挥对外辐合全球和全国投资、对内辐射区域的作用,各尺度网络对称性均有所提升。

（3）从空间动态特征来看,整体上,各尺度的城市投资联系水平空间分布不均衡,以上海、南京、合肥、杭州、宁波为核心的廊道支撑结构逐渐显现。全球尺度上投资联系水平的空间格局整体变动平稳,低水平区集中连片分布特征突出;全国尺度上投资联系水平的改善空间呈先沿海后内陆的扩张态势;区域尺度上投资联系水平的空间演化特征突出体现在中低水平区呈现广域化的扩张态势。

（4）从状态转移特征来看,各尺度的城市投资联系水平具有向邻近较高水平方向转移的态势,很难实现跨越式转移,但整体上仍具有维持原有状态的稳定性,存在显著的俱乐部趋同效应和马太效应。随着空间尺度的扩大,向较高水平方向转移的难度随之增大,俱乐部趋同效应和马太效应也随之增强。此外,各尺度的城市投资联系水平的空间溢出效应明显,且在不同空间背景下溢出效应具有一定的异质性,投资联系水平较高的城市和较低的城市对周边城市分别产生了正向溢出效应和负向溢出效应。

（5）从主要影响因素来看,空间效应分解结果表明各影响因素不仅对本市的投资联系水平产生直接影响,其对周边城市投资联系水平的间接影响也不容忽视。就总体影响效应而言,影响各尺度城市投资联系水平的主要因素既有相同之处,也存在明显的差异。相同之处在于服务业增加值、劳动力成本、城市行政级别对各尺度城市投资联系水平均有显著影响且影响方向相同,其中良好的服务业基础、较高的劳动力成本有助于提升各尺度城市投资联系水平,投资联系水平的行政等级扩散机制得到证实;而由于空间竞争机制的存在,创新能力对各尺度城市投资联系水平均未产生显著影响。差异之处在于工业的大量集聚对城市跨国投资联系水平产生显著的抑制作用,而对城市全国和区域尺度的投资联系水平产生显著的促进作用;与上海的时间距离对全球和全国尺度的城市投资联系水平影响显著,证明“借用规模”在较大空间尺度的城际投资活动中表现更突出;在空间竞争机制的作用下经济全球化仅对全球尺度的城市投资联系水平产生显著影响。

本文的发现对于进一步落实长三角区域一体化发展战略具有重要政策启示。首先应明确城市投资联系对于优化资源配置、提升城市与区域竞争力的关键作用,统筹协调“引进来”与“走出去”的关系,在引导地方政府招商引资的同时,鼓励本地企业“走出去”参与区域、全国甚至国际竞争,以双向多尺度提升城市投资联系水平。由于城市投资联系水平及其相关影响因素均存在显著的空间溢出效应,因而需打破行政界限,加强区域合作。具体来讲,一方面推动沪宁合杭甬发展廊道区域与其他投资联系水平较低区域的互动与合作,促使高水平区域最大限度地释放其正向溢出效应;同时,为降低负向溢出效应的影响,需从投资联系水平较低的区域中选择投资联系水平较高和发展潜力较大的城市,重点加强政策支持,以辐射带动周边城市协同发展。另外,在政策制定时还要考虑到不同尺度的差异。以城市的跨国投资联系为例,需要特别重视与上海的交通联系,并营造更加良好的对外开放环境,发挥地区比较优势协同推进开放合作,为长三角地区嫁接和配置全球资源创造条件,逐步改善城市间跨国投资联系水平差距。

城市投资联系存在行业上和方向上的异质性,本文仅在长三角地区投资概况和网络结构部分做了粗略描述,下一步应当在不同空间尺度上分行业、分方向深入开展城市投资联系水平的异质性分析。此外,不同尺度间的投资联系可能相互影响,在对特定尺度的城市投资联系水平进行研究时如何规避其他尺度的影响,或者如何将这种影响更加科学地纳入到特定尺度的城市投资联系水平分析当中,也有待在今后的研究中进一步完善。

致谢：

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文研究思路、方法选取、机制分析和结论建议等方面的修改意见,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

Camagni

, Capello

, Caragliu

. Static vs. dynamic agglomeration economies: Spatial context and structural evolution behind urban growth
Papers in Regional Science, 2017, 95(1):133-158. DOI: 10.1111/pirs.12182.

URL [本文引用: 1]

[2]

Meijers E

, Burger M

, Hoogerbrugge M

. Borrowing size in networks of cities: City size, network connectivity and metropolitan functions in Europe
Papers in Regional Science, 2016, 95(1):181-198. DOI: 10.1111/pirs.12182.

URL [本文引用: 1]

[3]

孙志燕, 侯永志. 对我国区域不平衡发展的多视角观察和政策应对
管理世界, 2019, (8):1-8.

[本文引用: 1]

[ Sun

Zhiyan

, Hou

Yongzhi

. Multi perspective observation and policy response to regional unbalanced development in China
Management World, 2019, (8):1-8.] DOI: 10.3969/j.issn.1002-5502.2019.08.001.

[本文引用: 1]

[4]

宁越敏, 张凡. 中国城市网络研究的自主性建构. 中国城市研究(第八辑). 北京: 商务印书馆, 2019, (3):1-24.

[本文引用: 2]

[ Ning

Yuemin

, Zhang

Fan

. On the autonomous construction of urban network research in China. China Urban Studies (Eighth Series). Beijing: The Commercial Press, 2019, (3):1-24.]

[本文引用: 2]

[5]

李哲睿, 甄峰, 傅行行. 基于企业股权关联的城市网络研究: 以长三角地区为例
地理科学, 2019, 39(11):1763-1770.

DOI:10.13249/j.cnki.sgs.2019.11.010 [本文引用: 2]

选取全行业企业的投资数据,通过逐一计算海量企业股权联系的所有可能链接路径,提出了利用企业之间联系研究城市网络的新思路。对长三角地区进行实证研究,结果表明：有向网络中,上海、杭州与合肥是区域资本集散中心。其中,上海是整个区域的链接枢纽,对江苏的辐射影响尤为突出。无向网络中,上海与杭州的核心地位明显,但淮北、衢州等边缘性节点的网络层级也大幅提升。上海、杭州与合肥加速了整个区域的一体化进程,南京的网络地位有较大的提升空间。

[ Li

Zherui

, Zhen

Feng

, Fu

Xingxing

. Mapping urban network through inter-firm investment relationship: A case study of Yangtze River Delta
Scientia Geographica Sinica, 2019, 39(11):1763-1770.] DOI: 10.13249/j.cnki.sgs.2019.11.010.

[本文引用: 2]

[6]

Taylor P

, Catalano

, Walker

. Measurement of the world city network
Urban Studies, 2002, 39(13):2367-2376. DOI: 10.1080/00420980220080011.

URL [本文引用: 2]

[7]

Derudder

, Taylor P

, Ni

, et al. Pathways of change: Shifting connectivities in the world city network, 2000-2008
Urban Studies, 2009, 47(9):1861-1877. DOI: 10.1080/00420980220080011.

URL [本文引用: 1]

[8]

Alderson A

, Beckfield

. Power and position in the world city system
American Journal of Sociology, 2004, 109(4):811-851. DOI: 10.1086/378930.

URL [本文引用: 1]

[9]

Rozenblat

, Zaidi

, Bellwald

. The multipolar regionalization of cities in multinational firms' networks
Global Networks, 2017, 17(2):171-194. DOI: 10.1111/glob.12130.

URL [本文引用: 2]

[10]

赵新正, 李秋平, 芮旸, 等. 基于财富500强中国企业网络的城市网络空间联系特征
地理学报, 2019, 74(4):694-709.

DOI:10.11821/dlxb201904006 [本文引用: 1]

基于2015年世界财富500强中的102家中国企业数据,根据企业组织特征构建了反映企业—城市间关联的折衷网络模型,借助网络分析等多种方法分析了中国地级城市间和典型城市群之间的网络联系。研究发现：① 城市网络总体连通性较差、向心集中性强,发育不够完备;城市网络连接具有明显的行政中心指向、沿海指向和资源指向;网络节点城市对外经济依赖度高,网络结构扁平特征明显。城市群网络存在权力分散、地位分化和外部联系依赖特征。② 城市网络中省域、城市群和俱乐部边界效应明显,区域内外的中心城市规模和数量对省域行政区经济、城市群经济和俱乐部经济的发展产生影响。③ 城市在多尺度网络中的功能分化明显,大城市和区域型中心城市比中小城市拥有更加完备和均衡的功能体系。沿海三大城市群的辐射带动作用明显,其他城市群的优势功能有待突出。④ 城市（群）跨尺度区域功能互动效应显著,城市（群）的自我经济集聚能力与城市（群）的对外辐射带动功能之间存在密切的正向关系。研究为城市网络模型拓展及理解中国城市网络空间联系特征提供了支撑。

[ Zhao

Xinzhen

, Li

Qiuping

, Rui

Yang

, et al. The characteristics of urban network of China: A study based on the Chinese companies in the Fortune Global 500 list
Acta Geographica Sinica, 2019, 74(4):694-709.] DOI: 10.11821/dlxb201904006.

[本文引用: 1]

[11]

徐宁, 李仙德. 上海上市公司对外投资网络演变及其影响因素研究
地理科学进展, 2020, 39(4):553-566.

DOI:10.18306/dlkxjz.2020.04.003 [本文引用: 1]

全球城市是世界投资网络的管理和控制中心。加强对外投资网络建设有助于上海落实2035年建成“卓越的全球城市”的发展战略目标。论文挖掘A股上市公司年报合并财务报表等信息,基于城市尺度建立上海上市公司对外投资数据库(2005、2010、2017年),利用位序-规模分析、社会网络分析、负二项回归分析等方法,研究上海上市公司对外投资网络演变及其影响因素。研究发现：① 上海上市公司对外投资网络集中于西欧、北美、东南亚、东亚等地,2005—2017年,“一带一路”沿线区域吸引的上海上市公司子公司增加了155家。② 上海上市公司对外投资网络呈现出先向国外中心城市等级扩散,再向其周边城市邻近扩散的态势。③ 上海对外投资的上市公司主要来自制造业、金融业、交通运输仓储和邮政业等,其中制造业投资网络覆盖的国外城市最多。2005—2017年,上海制造业领域的上市公司对外投资网络涉及的国外城市数量增长了102个。④ 社会邻近性、城市在世界城市网络中的等级、离岸金融中心以及方便旗国、海港对上海上市公司对外投资网络的演变具有正向的影响。

[ Xu

Ning

, Li

Xiande

. Evolution of Shanghai listed companies' outward investment network and its determinants
Progress in Geography, 2020, 39(4):553-566.] DOI: 10.18306/dlkxjz.2020.04.003.

[本文引用: 1]

[12]

Martinus

, Sigler T

. Global city clusters: Theorizing spatial and non-spatial proximity in inter-urban firm networks
Regional Studies, 2018, 52(8):1041-1052. DOI: 10.1080/00343404.2017.1314457.

[本文引用: 2]

[13]

盛科荣, 张红霞, 佀丹丹. 中国城市网络中心性的空间格局及影响因素
地理科学, 2018, 38(8):1256-1265.

DOI:10.13249/j.cnki.sgs.2018.08.007 [本文引用: 2]

利用2016年中国上市公司100强企业网络数据和两阶段隶属联系模型构建中国城市网络,研究了中国城市网络中心性的空间格局,并通过计量方法识别了城市网络中心性的关键影响因素,解析了关键因素的作用机理。结果发现：中国城市网络出度和中介度的空间分布呈现核心-外围结构特征,入度中心性空间分布的集中度相对较低;中国城市的网络功能开始出现层级分化,城市网络的功能结构区别于中心地体系下的等级关系;经济规模、知识资本、航空设施和政治资源是城市网络中心性空间格局的关键影响因素,择优链接是中国城市网络生长发育的重要内在动力。

[ Sheng

Kerong

, Zhang

Hongxia

, Si

Dandan

. The spatial pattern and influential factors of urban network centrality in China
Scientia Geographica Sinica, 2018, 38(8):1256-1265.] DOI: 10.13249/j.cnki.sgs.2018.08.007.

[本文引用: 2]

[14]

庄德林, 杨羊, 晋盛武, 等. 基于战略性新兴产业的长江三角洲城市网络结构演变研究
地理科学, 2017, 37(4):546-553.

DOI:10.13249/j.cnki.sgs.2017.04.008 [本文引用: 2]

基于2004~2013年战略性新兴产业上市公司跨区布址数据,运用社会网络分析法对长江三角洲城市群空间结构演变规律进行了分析。研究发现：① 长江三角洲城市网络的主要联系流由 “Z”字形空间结构演变为“金字塔”形结构。② 高行政级别城市在网络要素资源配置中占据主导地位,省会城市的中介能力呈现“倒U”型发展趋势。③ 沪杭宁甬苏合6城市构成了长三角城市网络的核心层,核心-边缘层联系成为占据主导地位的联系方式;城市网络凝聚子群具有明显的地理粘着性,沪宁和杭州凝聚子群分别是群内联系和群际联系的标杆。

[ Zhuang

Delin

, Yang

Yang

, Jin

Shengwu

, et al. Evolution of the Yangtze River Delta's city network based on the strategic emerging industries
Scientia Geographica Sinica, 2017, 37(4):546-553.] DOI: 10.13249/j.cnki.sgs.2017.04.008.

[本文引用: 2]

[15]

李仙德. 基于上市公司网络的长三角城市网络空间结构研究
地理科学进展, 2014, 33(12):1587-1600.

DOI:10.11820/dlkxjz.2014.12.002 [本文引用: 5]

公司内部网络研究是当前城市经济网络研究的重要内容。本文利用2005、2010年长三角A股上市公司企业网络数据库,运用社会网络分析方法、位序—规模分析法等,分析了2005、2010年长三角城市网络空间结构演变及其主要影响因素。研究发现：① 长三角上市公司总部沿沪宁—沪杭—杭甬Z字形轴线集聚,从一主(上海)二副(杭州、南京)三中心向一主(上海)三副(杭州、苏州、南京)四中心空间结构演变;苏州超过南京成为第三大企业总部集聚中心。② 长三角城市网络核心—边缘结构整体延续,Z字形轴线城市维持核心地位,具备强大的网络权力与威望。③ 长三角城市网络除等级扩散、邻近扩散等特征之外,还具有明显的行政地域性。主要体现在省会南京、杭州分别成为江苏、浙江省内外上市公司子公司的重要据点;尤其是南京凭借省会优势,中心度仍然高于总部职能较强的苏州。④ 在长三角经济一体化背景下,跨行政地域性的联系有所加强,特别是上海、苏南向苏中、苏北的扩散明显;浙西南仍是网络相对封闭、孤立的地带,中心度相对较低。⑤ 行政等级和区划,市场容量等是长三角城市网络空间结构的主要影响因素,而到上海高速公路时间距离、劳动力成本和土地成本的影响在统计上未通过显著性检验。

[ Li

Xiande

. Spatial structure of the Yangtze River Delta urban network based on the pattern of listed companies network
Progress in Geography, 2014, 33(12):1587-1600.] DOI: 10.11820/dlkxjz.2014.12.002.

[本文引用: 5]

[16]

高鹏, 何丹, 宁越敏, 等. 长江中游城市群社团结构演化及其邻近机制: 基于生产性服务企业网络分析
地理科学, 2019, 39(4):578-586.

DOI:10.13249/j.cnki.sgs.2019.04.007 [本文引用: 3]

刻画长江中游城市群空间结构演化特征,通过QAP分析定量揭示其影响机制。结果显示：长江中游城市群存在3个分别以武汉、长沙和南昌为核心、以省界为界限的城市社团,社团结构存在显著的异质性特征。城市群层面上,地理邻近、文化邻近和行政邻近均对城市群社团结构产生显著影响,行政邻近中的省级行政邻近影响最大;交流技术进步、金融资源集聚与扩散对社团内外联系也产生显著影响。分析社团层面,发现此时地理邻近在各社团内部结网互动中起决定性作用,且不同影响因素在3个社团中的影响效应存在一定的差异性。

[ Gao

Peng

, He

Dan

, Ning

Yuemin

, et al. Community structure and proximity mechanism of City Clusters in Middle Reach of the Yangtze River: Based on producer service firms' network
Scientia Geographica Sinica, 2019, 39(4):578-586.] DOI: 10.13249/j.cnki.sgs.2019.04.007.

[本文引用: 3]

[17]

胡国建, 陈传明, 陈丽娟, 等. 企业跨区域投资格局及其影响因素: 以福建上市企业为例
经济地理, 2018, 38(9):138-146.

[本文引用: 2]

[ Hu

Guojian

, Chen

Chuanming

, Chen

Lijuan

, et al. Enterprise's cross-region investment pattern and its determinants: A case study of Fujian listed firms
Economic Geography, 2018, 38(9):138-146.] DOI: 10.13249/j.cnki.sgs.2017.04.008.

[本文引用: 2]

[18]

Sassen

. The Global City. Princeton: Princeton University Press, 1991.

[本文引用: 2]

[19]

张泽, 唐子来. 证券资本流动视角下的城市关联网络特征: 以上海为例
同济大学学报: 社会科学版, 2018, 29(3):54-61.

[本文引用: 2]

[ Zhang

, Tang

Zilai

. Urban interlocking network features from the perspective of securities capital flows: The case study of Shanghai
Tongji University Journal Social Science Section, 2018, 29(3):54-61.] DOI: 10.3969/j.issn.1009-3060.2018.03.007.

[本文引用: 2]

[20]

Shi

, Pain

. Investigating China Mid-Yangtze River economic growth region using a spatial network growth model
Urban Studies, 2020, 57(14):2973-2993. DOI: 10.1177/0042098019894232.

URL [本文引用: 1]

[21]

汪传江. 中国城市间投资网络的结构特征与演化分析: 基于企业并购视角
工业技术经济, 2019, (2):87-96.

[本文引用: 1]

[ Wang

Chuanjiang

. Analysis of structural characteristics and evolution of China's cross-city investment network: Based on the perspective of mergers and acquisitions
Journal of Industrial Technological Economics, 2019, (2):87-96.] DOI: 10.3969/j.issn.1004-910X.2019.02.011.

[本文引用: 1]

[22]

卢明华, 周悦颜, 刘汉初, 等. 北京企业对河北直接投资的时空动态特征及影响因素
地理科学进展, 2020, 39(3):389-401.

DOI:10.18306/dlkxjz.2020.03.004 [本文引用: 5]

随着京津冀协同发展战略的提出,北京非首都功能疏解与产业转移得到越来越多的关注。论文基于2010—2015年北京企业对河北亿元以上项目的投资数据,分析历年投资规模、行业特征和区位特征及变化,进一步利用条件Logit回归模型,分别探究北京全行业、制造业、服务业企业对河北投资区位的影响因素。研究发现：① 2010—2015年,北京企业对河北的投资规模大幅提升,制造业投资占比有所下降,服务业投资占比显著提高,且投资行业类型多样化,呈现升级趋势,对一般性产业的疏解已初步取得成效。② 北京企业对河北各地级市投资额分布的层级分化明显,且在各地级市的市区、县域均有分布,呈现广域散布的特征。③ 2010—2015年,北京企业对河北各地级市的投资区位较为集中,但略趋分散,投资份额有从唐山、承德、廊坊向保定、邯郸转移的趋势,基本形成以唐山、石家庄、保定、张家口为核心承载地的投资格局。④ 产业基础、时间距离、政策环境、创新能力是企业投资区位选择的重要影响因素,但存在明显的行业异质性特征。制造业受时间距离、劳动力成本、政策环境的影响,容易形成企业投资的“区位锁定”和“行业锁定”;服务业较高的企业经济效益克服了劳动力成本的影响,高素质人才更能吸引服务业企业投资。

[ Lu

Minghua

, Zhou

Yueyan

, Liu

Hanchu

, et al. Spatiotemporal dynamics and influencing factors of direct investment in Hebei province by Beijing's enterprises
Progress in Geography, 2020, 39(3):389-401.] DOI: 10.18306/dlkxjz.2020.03.004.

[本文引用: 5]

[23]

Zhang

, Derudder

, Wang

, Witlox

. An analysis of the determinants of the multiplex urban networks in the Yangtze River Delta
Tijdschrift voor Economische en Sociale Geografie, 2020, 111(2):117-133. DOI: 10.1111/tesg.12361.

URL [本文引用: 1]

[24]

盛科荣, 张红霞, 赵超越. 中国城市网络关联格局的影响因素分析: 基于电子信息企业网络的视角
地理研究, 2019, 38(5):32-46.

[本文引用: 2]

[ Sheng

Kerong

, Zhang

Hongxia

, Zhao

Chaoyue

. Determinants of the urban spatial network in China: An analysis through the lens of corporate networks within electronic information industry
Geographical Research, 2019, 38(5):32-46.] DOI: 10.11821/dlyj020171009.

[本文引用: 2]

[25]

中共中央, 国务院. 长江三角洲区域一体化发展规划纲要. 2020.

[本文引用: 1]

[The Central Committee of the Communist Party of China, the State Council of China. Outline of Regional Integration Development Plan for the Yangtze River Delta, 2020.]

[本文引用: 1]

[26]

刘军. 社会网络分析导论. 北京: 社会科学文献出版社, 2009: 112-141.

[本文引用: 1]

[ Liu

Jun

. An Introduction to Social Network Analysis. Beijing: Social Sciences Academic Press, 2009: 112-141.]

[本文引用: 1]

[27]

Limtanakool

, Dijst

, Schwanen

. A theoretical framework and methodology for characterizing national urban systems on the basis of flows of people: Empirical evidence for France and Germany
Urban Studies, 2007, 44(11):2123-2145. DOI: 10.1080/00420980701518990.

URL [本文引用: 1]

[28]

莫辉辉, 金凤君, 刘毅, 等. 机场体系中心性的网络分析方法与实证
地理科学, 2010, 30(2):204-212.

[本文引用: 1]

[ Mo

Huihui

, Jin

Fengjun

, Liu

, et al. Network analysis on centrality of airport system
Scientia Geographica Sinica, 2010, 30(2):204-212.] DOI: 10.13249/j.cnki.sgs.2010.02.204.

[本文引用: 1]

[29]

Balzter

. Markov chain models for vegetation dynamics
Ecological Modelling, 2000, 126(2-3):139-154. DOI: 10.1016/S0304-3800(00)00262-3.

URL [本文引用: 1]

[30]

Anselin

, Le Gallo

, Jayet

. Spatial panel econometrics
In: Matyas L, Dordrecht P S. The Econometrics of Panel Data. Berlin. Heidelberg: Springer, 2008: 625-660. DOI: 10.1007/978-3-540-75892-1_19.

[本文引用: 1]

[31]

Elhorst J

. Specification and estimation of spatial panel data models
International Regional Science Review, 2003, 26(3):244-268. DOI: 10.1177/0160017603253791.

URL [本文引用: 1]

[32]

Lesage

, Pace R

. Introduction to Spatial Econometrics. Florida: Chemical Rubber Company Press, 2009: 374.

[本文引用: 2]

[33]

Dunning J

. Explaining the international direct investment position of countries
Weltwirtschaftliches Archiv, 1981, 117(1):30-64. DOI: 10.1007/978-1-349-05989-8_4.

URL [本文引用: 1]

[34]

宁越敏, 施倩, 查志强. 长江三角洲都市连绵区形成机制与跨区域规划研究
城市规划, 1998, (1):16-20.

[本文引用: 1]

[ Ning

Yuemin

, Shi

Qian

, Zha

Zhiqiang

. Forming mechanism and cross regional planning research in the Yangtze River Delta metropolitan interlocking region
City Planning Review, 1998, (1):16-20.] DOI: cnki:sun:csgh.0.1998-01-005.

[本文引用: 1]

[35]

Cohen R

. The New International Division of Labour, Multi-national Corporations. New York: Taylor and Francis, 1981.

[本文引用: 1]

[36]

Friedmann

, Wolff

. World city formation: An agenda for research and action
International Journal of Urban and Regional Research, 1982, 6(3):309-344.

DOI:10.1111/ijur.1982.6.issue-3 URL [本文引用: 1]

[37]

Scott A

. Global City-Region: Trends, Theory, and Policy
New York: Oxford University press, 2001.

[本文引用: 1]

[38]

Castells

. The Rise of the Network Society
Cambridge: Blackwell Publishers, 1996.

[39]

何丹, 高鹏. 长江中游港口腹地演变及港口-腹地经济协调发展研究
地理科学, 2016, 36(12):1811-1821.

DOI:10.13249/j.cnki.sgs.2016.12.006 [本文引用: 2]

运用场强模型计算2001年以来长江中游主要港口的场强值,分析长江中游港口腹地演变特征及趋势,参照钱纳里多国模型划分腹地经济的发展阶段,运用协调发展度和相对发展度模型对处于不同经济发展阶段的腹地与其所属港口的协调关系进行评价,从而把长江中游港口-腹地隶属关系和协调关系纳入统一的研究框架。研究表明：2001年以来长江中游主要港口的场强在递增的同时区域异质性不断扩大。各港口腹地范围差异显著,但总体空间格局变化不显著,且港口腹地演变呈现扩大、缩小和趋于稳定3种态势。港口与腹地的综合协调关系整体处于港口发展滞后于腹地经济发展的磨合阶段,且表现出显著的空间分异特征;经济发展阶段、产业结构、自然条件、交通运输等因素对各港口与腹地经济的协调关系产生不同程度的影响。

[ He

Dan

, Gao

Peng

. Hinterland evolution of ports in Mid-stream of the Yangtze River and coordination development of port-hinterland economy
Scientia Geographica Sinica, 2016, 36(12):1811-1821.] DOI: 10.13249/j.cnki.sgs.2016.12.006.

[本文引用: 2]

[40]

曾鹏, 秦艳辉. 城市行政级别、产业集聚对外商直接投资的影响
国际贸易问题, 2017, (1):104-115.

[本文引用: 1]

[ Zeng

Peng

, Qin

Yanhui

. Study on the influence of urban administrative level and industrial agglomeration on foreign direct investment
Journal of International Trade, 2017, (1):104-115.] DOI: 10.13510/j.cnki.jit.2017.01.010.

[本文引用: 1]

[41]

杨仁发, 刘纯彬. 中国生产性服务业FDI影响因素实证研究
国际贸易问题, 2012, (11):107-116.

[本文引用: 1]

[ Yang

Renfa

, Liu

Chunbin

. The determinants of producer services FDI in China
Journal of International Trade, 2012, (11):107-116.] DOI: cnki:sun: gjmw.0.2012-11-009.

[本文引用: 1]