上海市风险投资企业的空间分布与“技术—资本”地理邻近性

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

林晓¹^,², 徐伟²^,³, 杜德斌^,¹^,², 杨凡¹^,²^,⁴1. 华东师范大学全球创新与发展研究院,上海 200062
2. 华东师范大学城市与区域科学学院,上海 200062
3. 莱斯布里奇大学地理系,加拿大阿尔伯塔 T1K3M4
4. 上海社会科学院信息研究所,上海 200235

Spatial pattern and technology-capital geographic proximity of venture capital firms in Shanghai

LIN Xiao¹^,², XU Wei²^,³, DU Debin^,¹^,², YANG Fan¹^,²^,⁴1. Institute for Global Innovation and Development, East China Normal University, Shanghai 200062, China
2. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China
3. Department of Geography, University of Lethbridge, Lethbridge T1K3M4, Alberta, Canada
4. The Institute of Information, Shanghai Academy of Social Sciences, Shanghai 200235, China

通讯作者: 杜德斌(1963-), 男, 湖北宜昌人, 教授, 博士生导师, 主要从事世界地理和科技创新问题研究。E-mail: dbdu@re.ecnu.edu.cn

收稿日期:2018-01-2修回日期:2019-05-8网络出版日期:2019-06-25

基金资助:

国家自然科学基金项目.414711080

Received:2018-01-2Revised:2019-05-8Online:2019-06-25

Fund supported:

National Natural Science Foundation of China.414711080

作者简介 About authors
林晓(1988-),女,辽宁丹东人,博士生,主要从事金融地理和区域发展研究E-mail:linxiao1001@126.com。

摘要
风险投资企业与“标的”产业、金融行业存在紧密关联,表现为“技术—资本”的耦合性联系。该特征如何映射在空间上,尤其是经济密度较高的城市内部空间,对于理解区位的重要性及其空间尺度一致性具有启示。以上海市街区为基本研究单元,选取2005年和2015年两个时间截面,运用核密度估计、时序稳定性“热点”和空间Tobit模型分析方法,从中外资比较视角探讨风险投资企业的空间分布与“技术—资本”地理邻近性。研究表明：① 中外资企业分别呈现单中心和多中心集聚格局,以及“面域扩散”和“点域扩散”趋势,并均表现出邻近“技术”与“资本”的分布特征;② 风险投资企业的“资本”地理邻近性超越“技术”地理邻近性,并在“技术”地理邻近性中,风险投资企业与高科技产业的地理邻近关系超越新创企业。同时,中外资企业的“技术—资本”地理邻近性差异主要体现在,中资企业的“资本”地理邻近性强于外资企业,外资企业的“技术”地理邻近性偏重于“技术”中的创业层面,而中资企业则偏重于“技术”中的高科技产业层面。③ 随时间的变化,中外资企业具有不同的区位模式偏好及时间演变特征,但“资本”地理邻近型、“技术”地理邻近型、“技术—资本”地理邻近型和自身集聚型这四类典型区位模式始终稳定存在。研究认为促进区位内部企业间的多维邻近性和互动联系,对基于“知识和风险资本”的创新集群和创新空间发展具有重要的实践意义。
关键词： 风险投资企业;空间分布;区位选择;地理邻近性;上海市

Abstract

Venture capital firms (VCFs), target enterprises, and financial firms have close business relations, which are often manifested as the technology-capital coupling. How this coupling relation is mapped onto space, especially the urban internal space with high economic density, is imperative to an understanding of location significance and scalar consistency in geographic space. Using street block as the spatial unit of analysis, this study investigates the spatial pattern and "technology-capital" geographic proximity of Chinese and foreign-owned VCFs in Shanghai based on the cross-section data in 2005 and 2015. The analytical methods include kernel density estimation, temporal hot spots analysis method and spatial Tobit model. The empirical results are as follows. First, Chinese-funded VCFs are characterized by single centered agglomeration and "surface domain diffusion", while foreign-funded VCFs are characterized by polycentric agglomeration and "point domain diffusion". However, both types of VCFs tend to be in close proximity to the place where technology and capital are located. Second, VCFs tend to emphasize location proximity more to capital than to technology. In terms of location proximity to technology, VCFs have a closer relation with high-tech industries than with newly established enterprises. The differences between Chinese- and foreign-owned VCFs in geographic proximity to technology and capital include: (1) Chinese VCFs tend to have a higher propensity in location proximity to capital than foreign-owned VCFs (do), (2) with respect to location proximity to technology, foreign-owned VCFs focus more on business entrepreneurship, while Chinese-funded VCFs prioritize the technology side of high-tech industries. Third, over time, Chinese and foreign-owned VCFs are associated with different location models and temporal evolutionary characteristics, while location proximity to capital, location proximity to technology, capital-technology location proximity, and VCFs agglomeration are four typical and stable location models observed in the study. The findings of this research imply that promoting multi-dimensional location proximity and interactions among firms is significant, especially for knowledge and venture capital based innovation clusters and innovation space development.

Keywords：venture capital firms;spatial distribution;location choices;geographic proximity;Shanghai

PDF (5982KB)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
林晓, 徐伟, 杜德斌, 杨凡. 上海市风险投资企业的空间分布与“技术—资本”地理邻近性. 地理学报[J], 2019, 74(6): 1112-1130 doi:10.11821/dlxb201906004
LIN Xiao. Spatial pattern and technology-capital geographic proximity of venture capital firms in Shanghai. Acta Geographica Sinice[J], 2019, 74(6): 1112-1130 doi:10.11821/dlxb201906004

1 引言

风险资本（venture capital, VC）,又称“创业资本”,是经济发展的“催化剂”和科技创新的支撑要素^[1]。风险投资企业（venture capital firms, VCFs）是风险资本的主要运营机构,属于知识密集型服务业（KIBS）,也是科技金融体系的重要组成部分。由于风险投资企业与金融机构和“标的”企业（portfolio firms）均存在紧密的业务联系和特征耦合,因此兼具金融行业与“标的”产业的双重属性。同时,风险投资企业不同于一般的生产性服务类企业的主要特征在于,不仅为“标的”企业提供融资和咨询服务,还通过增值服务的方式参与企业的生产和创新活动,导致其成为一种具备产业技术知识、金融资本运作和企业运维管控等多种能力和职责的复杂经济组织。风险投资企业的性质决定了技术与资本是企业实现价值目标和提升核心竞争力的主导资源,这种对技术与资本的强烈需求是否会在风险投资企业的空间分布与区位生成中得以体现,以及是否存在空间尺度依赖,对于理解区位的重要性具有重要意义。此外,研究风险投资企业的区位还有利于揭示与此相关的知识密集型服务业的空间分布规律,并对创新创业空间结构及其演变提供全新的分析视角,也为城市功能与结构的协调可持续发展提供一定依据。

风险投资企业的区位问题是金融地理、产业地理和创新地理的交叉研究内容,这些均为经济地理学的热点研究领域^[2]。近年来,国内外****对此已有大量深入研究,主要集中在两方面：一是宏观尺度上的空间分布与区位特征;二是投资联系的空间邻近性^[3,4]。从宏观尺度来看,风险投资企业呈现显著的空间集聚趋势,该特征存在一定的地域普适性。在对美国^[5]、加拿大^[6]、英国^[7]、德国^[8]和以色列^[9]等欧美国家的研究中都发现了这种集聚倾向和规律性特征。具体表现在风险资本和风险投资企业偏好集聚在少数城市,这些城市往往是本国甚至全球的金融中心和高技术产业中心,由于邻近相关产业信息、投资资金和高技能劳动力等资源,从而降低了因地理距离产生的交易成本^[10,11]。由于累积循环因果的影响,此类集聚进一步深化了风险投资企业的地理集聚趋势。中国的风险投资企业在宏观上也存在明显的空间集聚特征,表现为主要分布在北京、上海和深圳等中心城市,而这些城市也吸纳了国内风险资本的主要份额^[12,13]。该格局的形成可能受地方产业基础、投资环境和基础设施等多重因素的塑造与制约^[14,15,16]。由此可见,在国家和全球等尺度上,风险投资企业主要集中分布在大都市,特别是经济和金融中心城市,反映了风险资本与金融资本之间密切的互动关系。一方面,随着金融资本的壮大和投资范围的拓展,金融资本逐渐进入风险投资领域;另一方面,风险资本的退出和再投资需要金融资本的介入。同时,风险投资企业和风险资本均偏好分布在“标的”企业高度集中的科技创新中心城市,表明风险投资行为可能具有强烈的本地偏好,而风险投资网络也是以少数此类城市为核心节点进行结网。因此,风险投资企业与以金融资本为代表的“资本”和以“标的”企业为代表的“技术”在宏观尺度上存在地理邻近性。当区域内经济活动和基础设施的密度提高,可能会分散和划分风险投资市场,进而导致风险投资企业的分布趋于分散。但已有研究表明,在密度更高的国家经济空间中,风险投资企业的“技术—资本”地理邻近性也同样稳定存在^[17]。每一轮的技术进步,同时也伴随着企业间的交易复杂性提升,导致交易成本对“距离”依旧敏感,造成经济活动非但没有分散化趋势,反而更加向本地化集中（localized concentration）^[18]。譬如,高铁发展带来的时空压缩也只是扩展了风险投资的辐射范围,但风险投资企业的集聚分布格局和本地投资偏好并没有发生改变^[19]。

然而,相关研究也表达了对风险投资企业区位研究的质疑,因为风险投资行为具有空间尺度扩展能力。风险投资企业并非只在“本地购买”（buy local）^[20],司空见惯的跨区域投资行为形成了风险投资网络^[21]。风险投资作为一种网络化关系,似乎表明企业区位和地理距离的作用弱化^[22]。但是,跨区域联合投资（syndicated investment）往往是基于本地风险投资的背书^[23]。风险投资网络构建的基础和保障被认为是源于本地投资的实践,这可能也是为什么风险投资网络的发育比较缓慢,而向心性较强的原因^[24]。另外,风险投资的区域溢出也存在基于地理距离的等级扩散^[25]。在市场竞争的驱动下,风险投资的地理搜寻范围有从网络发散向本地收缩的现象^[26]。而投资环境的不确定性也会促进风险投资企业靠近被投企业布局^[27]。这些现有研究都从不同角度说明,尽管风险投资具有网络化和空间尺度扩张的属性,但区位对风险投资企业来说依然重要,地理邻近性也仍是区位生成的根本逻辑。同时,风险资本是一种可承担高风险,并对创新极为重要的金融资本类型。尽管金融资本不具备物质形态,全球和区域内的金融流动随着信息技术发展而不断加剧,但金融系统的地理性依然存在。不同地区的金融景观是异质的,金融服务的信息不对称是现代通讯技术无法解决的问题,因此存在“本地倾向”^[28,29]。这也表明风险投资作为较为特殊的金融服务业是具有明显地理特征的经济活动。

根据尺度理论,经济活动在宏观尺度上的运行规律和内在机制能否扩展至微观尺度并不明确^[30]。而与宏观尺度相比,在微观尺度上关于风险投资企业的空间组织和区位研究还较为缺乏。尤其是在经济密度更高和风险投资企业高度聚集的大都市内部,企业的空间分布是集聚、离散还是随机的?“技术—资本”地理邻近性是否存在尺度和空间的一致性?已有文献研究了北京市风险投资企业的空间分布,主要集聚在CBD、金融街和中关村^[31],这与宏观尺度上的空间集聚分布规律基本一致。此外,还有相关文献探讨了知识密集型服务业集聚的主要因素是资本资源和经济环境^[32];在更微观的城市高新区中形成了专门的科技金融空间,并对新产业空间具有推动效应^[33];大都市现代服务业的空间组织机理存在自上而下的政府主导和自组织性^[34];城市内部尺度的创新空间分布与其所处的区域创新格局密切相关^[35];城市金融产业集聚演化表现出依赖于制度空间的粘性作用^[36]。以上研究对分析大都市内部风险投资企业的空间格局,以及区位生成的空间效应与机制都具有一定的启发性。由于不同地域环境的异质性,以及基于知识与资本的复合型集群的发展和专业化演进^[37],现有研究对大都市内部风险投资企业在此背景下的分布动态和优化布局的认识尚浅。

上海作为具有全球影响力的科技创新中心,是创新创业的频发地,同时,上海背靠富裕的长三角地区,也是资本汇流的聚集地,但目前尚无此类关于风险投资企业空间组织和区位的研究,为此以上海市为例有一定的代表性和现实政策意义。另外,对外开放程度高是上海经济最重要的特征之一,表现为外资对地方经济发展的贡献较大,这在风险投资领域也不例外。尽管外资风险投资企业数量远低于本土企业,但外资企业所管理的风险资本体量和实际风险投资量都超过中资企业^[38]。同时,中外资企业在投资方式和管理模式上也存在差异,如外资企业对被投企业提供增值服务的意识和能力强于中资企业,而中资企业则主要履行的是注资职能^[39]。因此,通过中外资比较有助于深入认识上海市风险投资企业的空间分布规律。基于上述讨论,本文试图从上海市中外资比较的视角回答两个问题：一是风险投资企业的空间分布格局及其演变规律和特征,并从空间尺度变化来看其在经济密度更高的微观尺度上的表现是否与在宏观尺度上具有一致性;二是风险投资企业区位生成的影响因素,重点考察其与本地“技术”和“资本”的地理邻近关系,进而得出有哪些典型的区位模式。

2 大都市内部风险投资企业的区位生成过程

尽管受到宏观上的土地利用和政策导向的影响,但在市场经济体制下,企业的区位选择依然主要遵循微观个体的自主决策,它是基于成本—收益原则,建立在微观个体的日常行为逻辑之上的。就风险投资企业的行为模式而言,重要特质在于其与金融机构和“标的”企业具有紧密的互动关系,彼此之间存在资源的互补,并构成了业务流程的环路（图1）^[40]。金融机构的金融资本与风险投资企业的风险资本在政策允许的情况下存在互相转换的可能性,金融资本是风险资本的重要资金来源保障,风险资本则可通过转为金融资本降低闲置成本。风险投资企业的人员构成一般具有很强的“标的”产业特征,拥有擅长的投资领域,因此丰富的产业知识和信息可以很好地对接“标的”企业的产业技术,如在研发流程、项目合作和行业动态等诸多方面提供帮助。同时,由于“标的”企业在市场的第一线,通过向风险投资企业反馈市场信息,有助于风险投资企业从专业的视角为“标的”企业提供企业发展战略和管理等方面的增值服务。最后,风险资本的退出是可持续投资的关键,无论是上市、回购、并购还是清算,都需要金融机构的参与。因此,风险投资企业作为中介机构,促成了金融机构与“标的”企业的“融资—‘投资+增值服务’—信息反馈—资本退出”风险投资行为模式。该模式反映了风险投资企业的“技术—资本”耦合性联系,并已经证明在宏观尺度上影响了风险投资企业的区位生成。而在经济活动和基础设施密度较高的大都市地域范围内,是否会因为空间尺度较小,地理距离的阻滞效应减弱,从而导致这种“技术—资本”耦合性联系在风险投资企业的区位生成过程中不再重要?针对此问题,基于风险投资行为主体的两个层面：企业（风险投资企业、金融机构和“标的”企业）与个人（投资者、被投资者和同业人员）,相对应地分别从集聚的外部性效应（externality）和面对面交流效应（face to face contact）进行理论阐释,并通过推演提出假设。

图1

新窗口打开|下载原图ZIP|生成PPT
图1风险投资企业与金融机构和“标的”企业的互动联系

Fig. 1Interaction among venture capital firms, financial institutions and portfolio firms

从企业层面来看,外部性效应一般被认为是企业空间集聚的动力,具体可细分为金融外部性（pecuniary externality）和技术外部性（technology externality）。前者指产业的前后向关联,通过价格机制降低企业的成本;而后者表示企业间不一定存在投入—产出联系或交易关系,更强调基于知识外溢和扩散的关联。两者对集聚的共同影响体现在企业可共享区域内的基础设施、人力资源、中间投入品的多样性以及知识、技术和信息的互通^[41]。对风险投资企业而言,“标的”企业是审核、投资和监管的对象。金融机构可扩宽风险资本的融资渠道,提高风险资本的融资效率,并为风险资本适时退出提供保障。同时,风险投资企业之间可能存在联合投资等商业合作伙伴关系。因此,风险投资企业与“标的”企业、金融机构和其他风险投资企业均存在紧密的前后向关联和交易性相互依赖（traded interdependencies）,金融外部性是大都市内部风险投资企业区位生成的重要动力机制之一。另外,风险投资企业与“标的”企业、金融机构和其他风险投资企业的互动联系也发生在知识、信息和思想等非物质层面,存在不可交易性相互依赖（untraded interdependencies）,如专业人才流动、市场信息和行业知识的搜寻等。风险投资企业的区位生成也受到技术外部性的影响,但其来源可能是MAR外部性或Jacobs外部性^①(①MAR（Marshall-Arrow-Romer）外部性是指属于同一产业的企业集中布局,也可称为地方化经济或专业化集聚;Jacobs外部性是指属于不同产业的企业集中布局,也可称为城市化经济或多样化集聚。),即究竟是区域的专业化程度还是产业多样性和竞争更有利于技术外部性。由于风险投资企业既属于金融行业,又具有很深的“标的”产业烙印,天然地具有跨行业属性,表明知识溢出不仅发生在同行业内部,也存在于与“标的”产业之间。因此,这两类技术外部性在风险投资企业的区位生成过程中均得以体现,表现为既存在自身集聚,也偏好邻近“技术”和“资本”分布。

从个人层面来看,面对面交流效应,也被称作嗡鸣（buzz）,是经济活动和个体集聚的重要驱动力^[42]。面对面交流效应对大都市内部风险投资企业的区位生成的影响可从以下几方面来理解。① 风险投资家与创业者、高科技从业者、金融家、同行从业者之间关于投资、融资、行业和市场等信息的沟通时效与成本是影响风险投资企业经营和发展的重要因素。而这类信息通常不同于财务数据或个人履历,属于不可编码的缄默知识,或者说是难以量化和非标准化的“软信息”（soft information）,具有不确定性和主观性的特征。信息内容的认知和解读因人而异,内容可能在传播过程中失真或漏损,通过现代通讯手段亦无法获取^[43]。只有面对面交流才是接收“软信息”的最佳“通信技术”。② 风险投资存在高风险性,且往往是对企业家个人能力和特性的投资,面对面交流有助于增进人与人之间的了解程度,并建立互信关系,从而降低信息不对称性。③ 基于这种互信关系,风险投资通常存在圈子现象,面对面交流是通过人与人之间的社交往来构建这类专业性的非正式联系网络,并可对网络成员进行识别和筛选,而这种网络关系的维续也通常需要经济代理人的地理邻近分布。④ 面对面交流还存在超越口述和视觉感知的集聚推动效应,面对面交流被认为是一种“展示”（performance）,不仅是信息互通的技术,而且是信息生产的工具,通过营造模仿与竞争的环境,提升行为个人的努力程度。为了激励雇员工作、提升企业绩效和降低不确定性的投资风险,同时由于风险投资的增值服务往往需要通过参与企业的日常运营才能实现价值的渗透,因此,风险投资企业会选择集聚分布,并通过邻近与之密切相关的“技术”与“资本”,保证面对面交流的便利。

根据以上分析,提出大都市内部风险投资企业的区位生成过程有以下待验假设：① 风险投资企业具有集聚分布倾向;② 风险投资企业的空间分布具有“技术—资本”地理邻近性,即在区位上,与“标的”企业和金融机构存在共生性。

3 数据与方法

3.1 研究思路

本文从空间分布的可视化分析、空间关系的探索性分析和空间相关性的计量检验的递进顺序对上文提出的假设进行验证。首先,运用ArcGIS技术分析风险投资企业在大都市内部的空间分布格局及其动态,重点结合城市不同职能分区来考察风险投资企业与“技术”和“资本”的潜在区位联系。然后,对风险投资企业空间分布中的“技术—资本”地理邻近性进行实证检验。在研究的可行性方面,“技术”可指狭义上的产业技术和知识,也可以泛指市场信息和商业模式等,而高科技企业和新创企业是这些“技术”的主要持有者,同时鉴于风险资本与金融资本的互动联系愈发紧密,故采用高科技企业和新创企业来表征“技术”,采用金融机构来表征“资本”,具有一定的代表性。具体来说,通过探索性空间数据分析方法考察风险投资企业与金融机构、高科技企业和新创企业的时空关系,包括空间分布形态和时空格局演变的相似度;建立计量模型从统计意义上定量测度风险投资企业与金融机构、高科技企业和新创企业的空间分布相关性。在对假设进行检验和分析的过程中,针对中外资企业的差异对研究样本进行细分,以期通过对比得到有价值的结论。最后根据大都市内部风险投资企业的分布特征归纳总结区位模式。

3.2 研究区域与空间单元

以上海市风险投资企业为主要研究对象。由于风险投资企业极少分布在崇明区,故将研究区域划定为不含崇明区的上海市城区,并以街区作为基本空间分析单元,共计232个。在上海市“退二进三”和“去工业化”的政策推动下,外环线以内区域的后工业化程度和经济发展水平明显高于其他地区,并聚集了绝大多数的风险投资企业,因此是重点研究区域。根据自然标记法,以外环线作为上海市中心城区的划界,外环线恰好经过的街区也属于中心城区,共计134个。

3.3 数据来源

上海市风险投资企业数据来源于CVSource数据库。金融机构包含银行、保险和证券企业的总部及主要分支机构,数据来源于上海市金融统计年鉴和中国证券监督管理委员会官网。高科技企业数据来源于Resset企业数据库,并根据国家统计局的高技术行业代码进行筛选。新创企业数据来源于CVSource数据库的被投企业名录,所选企业的成立时间基本不超过3年。所有变量统一选择2005年和2015年两个时间点。主要基于两方面原因：① 创业板是风险资本的重要退出渠道,也是风险投资体系的关键构成要素,随着国内创业板在2005年出现重启迹象和《创业投资企业管理暂行办法》的出台,国内风险投资的活跃度和企业数量都开始迅速增长,因此2005年是一个重要的时间节点;② 基于数据的可获得性和可靠性,选取2015年为最新数据。本文针对源数据,将地址和成立时间记录不明确,以及在研究时段内注销或吊销的企业剔除,整理得到最终数据（表1）。由于高科技企业的原始数据所统计的主要是制造业企业,受土地利用政策和制造业外迁的影响,企业数量有所下降,在中心城区的占比相对较低,但其他企业均呈现大幅增长,并主要分布在中心城区。

Tab. 1
表1
表1数据结构
Tab. 1Descriptive statistics of selected firms

	中心城区(个)		全市(个)		占比(中心城区/全市,%)
	2005年	2015年	2005年	2015年	2005年	2015年
总体风险投资企业	171	1472	171	1624	100.00	90.64
中资风险投资企业	137	1360	137	1509	100.00	90.13
外资风险投资企业	34	112	34	115	100.00	97.39
金融机构	211	526	219	534	96.35	98.51
高科技企业	592	391	1431	1029	41.37	38.00
新创企业	78	750	82	892	95.12	84.08

新窗口打开|下载CSV

3.4 研究方法

3.4.1 核密度估计法核密度估计（KDE）广泛应用于空间热点区的研究。该方法通过空间平滑技术处理离散的点状数据,根据单位网格内点的密度,估计样本点周围的密度,并将其拟合成光滑的表面。使用KDE法推算上海市风险投资企业空间集聚的热点区。在二维空间中,核密度函数的一般形式可表示为：

（1）

λ (s) = \overset{n}{\sum_{l = 1}} \frac{1}{π r^{2}} φ (d_{ls} / r)

式中：

λ (s)

是地点

s

的核密度估计;r为核密度估计的搜索半径;n为地点样本数;d_ls是地点l与s之间距离。

3.4.2 时序稳定性“热点”分析空间自相关是指变量在邻近区域间的观测数据存在相互依赖性,探索性空间数据分析（ESDA）一般采用全局空间相关性（Moran's I）和局部空间自相关性（LISA）来衡量。统计量可分别用I和I_i表示,具体公式如下：

（2）

I = \frac{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j \neq i}} ω_{ij} (x_{i} - \overset{?}{x}) (x_{j} - \overset{?}{x})}{S^{2} \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j \neq i}} ω_{ij}}

（3）

I_{i} = \frac{(x_{i} - \overset{?}{x})}{S^{2}} \overset{n}{\sum_{j \neq i}} ω_{ij} (x_{j} - \overset{?}{x}), \overset{?}{x} = \frac{1}{n} \overset{n}{\sum_{i = 1}} x_{i}, S^{2} = \frac{1}{n} \sum^{} (x_{i} {- \overset{?}{x})}^{2}

式中：

n

是街区总数;x_i和x_j是街区i和j的属性;

\overset{?}{x}

是属性的平均值;S²是属性的方差;ω_ij是空间权重矩阵,以定义街区i和街区j的空间关联模式。

Moran's I统计量测度上海市各街区间企业数量的空间关联和差异程度,LISA地图可用于识别企业的“热点”。通过叠加不同年份的“热点”可生成时间稳定的“热点”图式,将多个时间截面的LISA地图扩展至时序关联。采用该方法可视化风险投资企业与金融机构、高科技企业和新创企业的时序稳定性“热点”,从而探索性地考察风险投资企业与“技术”和“资本”的时空动态关系^[44,45]。

3.4.3 变量选取与计量模型设计因变量（vc）是落入街区的风险投资企业数量。主要解释变量为街区内的金融机构（finance）、高科技企业（hightech）和新创企业（startup）数量。企业在城市内部的区位分布还受多种因素的影响,如开发区作为城市规划的产物,与其他地区的政策势差能吸引企业进驻;大学作为重要的知识生产单位,已成为汇聚创新创业活动的“锚机构”（如通过设立大学科技园或创业孵化机构等）;交通通达性和租金水平是企业出于通勤和经营成本会考虑的区位条件^[46,47]。为此,选取街区内是否有国家级开发区、是否有市级开发区、是否有现代服务业集聚区、是否有大学校区、是否有交通干道经过、是否有地铁站点以及街区的地价等级作为控制变量（X）^②(②除地价等级外,所有控制变量为0~1哑变量。开发区和现代服务业集聚区名单来自市政府网站,大学包含本科以上高校的所有校区,交通干道包含“三环十射”道路网。由于环线普遍促成了大都市内部的级差地价格局,因此按内环以内、内环至外环,外环以外将地价等级分为3类。)。企业分布还可能存在集聚特征,在模型中忽视空间因素会导致有偏的估计结果,有必要在传统模型中加入空间变量构建如下空间计量模型^③(③需要说明的是,由于主要考察企业区位分布之间的空间相关性,不涉及影响机制,因此不考虑模型的内生性问题。)：

（4）

v c_{i} = α_{i} + ρWv c_{i} + β_{1} f i nanc e_{i} + β_{2} h ig h te c h_{i} + β_{3} startu p_{i} + β X_{i} + ε_{i}

（5）

\begin{array}{l} v c_{i} = α_{i} + β_{1} financ e_{i} + β_{2} h ig h te c h_{i} + β_{3} startu p_{i} + β X_{i} + ε_{i} \\ ε_{i} = φW ε_{i} + μ_{i} \end{array}

式（4）和（5）分别为空间滞后模型（SLM）和空间误差模型（SEM）,相应地在传统模型的基础上引入因变量的空间变量（Wvc_i）和误差的空间变量（Wε_i）;W是空间权重矩阵;ρ是空间自回归系数。由于因变量为受限计数变量,属于0值截尾数据,适合采用空间Tobit模型对方程进行估计^[47]。考虑到风险投资企业高度集中在中心城区（外环以内区域）,因此主要考察在该尺度上的检验结果,并在全市（不含崇明区）尺度上对模型的稳健性进行再检验。使用Geoda软件构建了两个尺度上的Queen权重矩阵以表征街区间的空间关联模式。

4 风险投资企业的时空分布特征

4.1 风险投资企业的总体时空变化

利用核密度估计考察2005年和2015年上海市风险投资企业的时空分布变化,核密度估算以1000 m为搜索半径,生成栅格大小为30 m×30 m的密度分布图,并利用自然断裂点法按密度高低分为六类。2005年,风险投资企业主要分布在中环以内的城市核心区,呈现多核共生的“点状”集聚格局,主要热点区包括陆家嘴、花木、张江、人民广场、淮海中路、静安寺、徐家汇、漕河泾和虹桥（图2a）。2015年,风险投资企业向城市内部各区域扩散,但仍主要集中在外环以内中心城区,原有热点区向周边辐射联结,形成由浦西（静安寺、淮海中路、人民广场、北外滩）向浦东（陆家嘴、花木）延展的多核连片集聚带（图2b）。2005-2015年,上海市的风险投资企业数大幅增长,集聚重心有从浦西向浦东转移的趋势。在徐家汇和张江的集聚规模有所减缓,在五角场、滨江南段地区、长风地区、金桥和外高桥则有生成新热点的迹象。但整体的集聚格局并没有改变,企业空间演变存在路径依赖。可以发现,风险投资企业的分布偏向于城市的主要金融商务服务区,如陆家嘴、静安寺和人民广场;也倾向于张江和漕河泾等高技术产业集聚区,以及五角场等创新创业发展态势较好的地区。这表明从总体分布来看,风险投资企业在大都市内部存在集聚分布,以及邻近“技术”和“资本”的现象,而且该特征在时间变化上是稳定的。

图2

新窗口打开|下载原图ZIP|生成PPT
图22005年和2015年上海市总体风险投资企业的空间分布

Fig. 2Spatial distribution of venture capital firms in Shanghai in 2005 and 2015

4.2 中外资风险投资企业的时空分布比较

由于中资企业在上海市风险投资企业总数中占比极高,在2005年为80%,到2015年上升至90%,因此,中资企业的空间分布与总体较为相似,而外资则差异较大。图3显示了中外资风险投资企业在中心城区的空间分布。2005年,中资企业形成以陆家嘴为核心的集聚格局,其他热点区主要分布在张江、花木、静安寺、打浦桥、徐家汇、虹桥和漕河泾;外资企业呈多中心集聚格局,主要热点区包括静安寺、淮海中路、人民广场、陆家嘴和张江。2015年,中资企业的时空变化表现为“面域”扩散,形成以陆家嘴—花木为核心,扩散至张江和金桥,并与滨江南段、人民广场和淮海中路等热点区形成团状连绵集聚区,静安寺—徐家汇、长风、虹桥和漕河泾形成高密度集聚区,大宁、彭浦、北外滩和五角场成为次级集聚区。由于外资企业的数量增长相对较缓,时空变化表现为“点域”扩散,主要是原有热点区的进一步集聚,并在少数非热点区进行试探性布局,虹桥和外高桥形成新的潜力发展区。从中外资企业的空间分布来看,尽管空间格局和演变存在差异,但均表现出“集聚与扩散并存,集聚大于扩散”的趋势,热点区也都基本涵盖了主要的商务区、高技术产业区和创新创业区,因此,中外资企业表现出集聚,以及邻近“技术”与“资本”的潜在共性特征。

图3

新窗口打开|下载原图ZIP|生成PPT
图32005年和2015年上海市中外资风险投资企业的空间分布

Fig. 3Spatial distribution of Chinese and foreign-owned venture capital firms in Shanghai in 2005 and 2015

5 风险投资企业的“技术—资本”地理邻近性

5.1 时空关系

在不同时间点（2005年、2015年）和不同空间尺度（中心城区、全市）上,企业的Moran's I统计量都显著为正（表2）,说明存在全局空间自相关,风险投资企业、金融机构、高科技企业和新创企业的空间分布均具有集聚特征,但空间组织形式一致并不意味着集聚区位也相同,对此需做进一步分析。

Tab. 2
表2
表2各类企业的Moran's I
Tab. 2Moran's I of four types of firms

	2005年		2015年
	中心城区	全市	中心城区	全市
总体风险投资企业	0.277^***	0.238^***	0.423^***	0.373^***
中资风险投资企业	0.283^***	0.244^***	0.429^***	0.379^***
外资风险投资企业	0.185^***	0.165^***	0.266^***	0.228^***
金融机构	0.258^***	0.089^***	0.304^***	0.149^***
高科技企业	0.270^***	0.416^***	0.241^***	0.304^***
新创企业	0.198^***	0.220^***	0.093^**	0.209^***

注：^***：P < 0.01;^**：P < 0.05;^*：P < 0.1。

新窗口打开|下载CSV

根据LISA图可识别单年份和单类型企业的热点（高—高和高—低集聚区）,但由于企业的集聚区位是动态的,可应用时序稳定性“热点”图式方法,通过叠加不同类型企业在两个时间截面的“热点”来探索性考察风险投资企业与金融机构、高科技企业和新创企业的时空关系。若某街区在2005年和2015年均为“热点”,将该街区识别为“1, 1”;若在2005年为“热点”,2015年为非“热点”,标识为“1, 0”;若在2005年为非“热点”,2015年为“热点”,标识为“0, 1”;若在两年中都不是“热点”,则标识为“0, 0”。由于风险投资企业主要分布在外环以内区域,为便于分析只显示上海市外环以内的街区（图4）。

图4

新窗口打开|下载原图ZIP|生成PPT
图42005年和2015年上海市各类企业的时间热点和综合时间热点

Fig. 4Temporal hot spots and comprehensive hot spots of four types of firms in Shanghai in 2005 and 2015

图4a~4f显示了风险投资企业、金融机构、高科技企业和新创企业的时间稳定性“热点”类型,所有企业均可识别出3类“热点”。风险投资企业、金融机构和新创企业的“热点”主要在中心城区,由于高科技企业数据来源于制造业统计,因此“热点”主要分布在中心城区外围。在“热点”的空间分布和时间稳定性方面,总体、中资风险投资企业与金融机构较为相似,而外资风险投资企业与新创企业较为相似,风险投资企业与高科技企业则差异最大。图4g~4i显示了4类企业叠加后的时序稳定性“热点”分布格局。中资企业的综合时间热点结构与总体相似,中资企业与金融机构和高科技企业的热点重叠率高于外资企业,但外资企业与新创企业的热点重叠率高于中资企业,表明中外资风险投资企业的“技术—资本”地理邻近性在强度和特征上可能存在差异：一是中资企业的“资本”的地理邻近性比外资企业更为突出;二是就“技术”地理邻近性而言,中资企业的分布偏向于邻近高科技产业密集的地区,而外资企业的分布则更倾向于邻近创业者或创业活动更为活跃的地区。

5.2 区位相关程度

结合数据结构,Moran's I、LR和LM统计量等模型诊断指标,采用空间滞后Tobit模型（SLM-Tobit）对回归方程进行估计是最优的,并设定误差项为指数分布,模型为线性方程,因此估计系数表示边际效应。表3显示了风险投资企业在中心城区分布的估计结果,基于模型的稳健性考虑,从全市尺度对计量模型进行了再检验（表4）。空间自回归系数ρ值均显著为正,印证了前文计算的Moran's I结果,风险投资企业分布具有空间正相关性和集聚特征。部分控制变量（大学校区、地铁站点）的回归结果随着研究尺度变化略有不同,但其余解释变量在两个尺度上的回归结果基本一致,表明模型的估计结果是可信的。大学校区的2015年估计系数出现符号相反的情况,可能原因在于2005年后大学普遍在郊区设立分校,而分校更多履行教学职能,“锚机构”职能则仍保留在区位条件更好的位于中心城区的本部。地铁站点的2015年估计系数显著性下降主要是因为轨道交通的快速发展使其在不同尺度上的分布密疏差异增大,其向郊区的延伸在很大程度上也为了便于居民的日常出行。从其他控制变量的估计结果来看,中外资风险投资企业均偏好分布在地价更高的内环地区,并对交通通达性的敏感度不高,但中资企业对拥有轨道交通的区位偏好在上升,且区位选择与城市规划的相关性强于外资企业。

Tab. 3
表3
表3空间Tobit回归结果(中心城区范围)
Tab. 3Spatial Tobit regression results (central area)

	2005年			2015年
	总体	中资	外资	总体	中资	外资
金融机构	0.133^***	0.119^***	0.024^**	1.516^***	1.248^***	0.237^***
高科技企业	0.019	0.033^**	-0.024	1.230^***	1.361^***	0.063
新创企业	0.874^***	0.613^***	0.396^***	0.140^***	0.056^***	0.100^***
国家级经济开发区	0.320	1.701^***	-0.266	48.294^***	53.709^***	0.061
市级经济开发区	-0.203	0.167	-0.163	0.262	0.085	0.659
现代服务业集聚区				3.269^***	5.154^***	-0.759^*
大学校区	1.392^***	1.371^***	-0.377	8.709^***	9.625^***	-0.602^*
交通道路	-0.518^**	-0.329	0.184	-4.499^***	-3.531^***	-0.451
地铁站点	-0.555^***	-0.953^***	0.771^***	2.202^***	2.643^***	0.146
地价	0.712^***	0.970^***	0.099	5.197^***	3.400^***	0.801^***
常数项	-0.775^**	-1.177^***	-0.239	-2.692^***	-1.872^***	-1.277^***
ρ	0.116^***	0.038^*	0.124^***	0.038^***	0.043^***	0.184^***
样本数	134	134	134	134	134	134
Log likelihood	-260.726	-223.680	-179.922	-1965.413	-1754.465	-387.057
LR	57.809^***	3.389^*	17.115^***	440.862^***	906.845^***	52.113^***
经验P值		0.000^***			0.000^***
经验p值		0.586			0.019^**

注：采用稳健标准误;经验P和p值分别用于检验组间金融机构和新创企业的系数差异显著性,^***：P/p < 0.01;^**：P/p < 0.05;^*：P/p < 0.1。

新窗口打开|下载CSV

Tab. 4
表4
表4空间Tobit回归的稳健性检验结果(全市范围)
Tab. 4Robustness test results of spatial Tobit regression (Whole city)

	2005年			2015年
	总体	中资	外资	总体	中资	外资
金融机构	0.162^***	0.131^***	0.025^**	0.987^***	0.771^***	0.279^***
高科技企业	0.017^*	0.026^**	-0.012	0.394^***	0.466^***	0.008
新创企业	0.829^***	0.603^***	0.407^***	0.327^***	0.338^***	0.116^***
国家级经济开发区	0.209	1.744^***	-0.324	42.749^***	39.283^***	-0.497
市级经济开发区	0.098	0.048	0.046	-1.087^***	-0.665^**	-0.090
现代服务业集聚区				0.233	3.627^***	-0.217
大学校区	1.242^***	1.109^***	-0.329^*	-1.420^***	-1.178^***	-0.334
交通道路	-0.201	-0.078	0.025	-1.022^***	-0.892^***	-0.214
地铁站点	-0.420^**	-0.628^***	0.610^***	0.510	0.154	-0.098
地价	0.562^***	0.897^***	0.038	9.748^***	7.375^***	0.347^**
常数项	-0.620^***	-1.084^***	-0.010	-7.769^***	-5.977^***	-0.473^*
ρ	0.126^***	0.043^***	0.139^***	0.069^***	0.111^***	0.198^***
样本数	232	232	232	232	232	232
Log likelihood	-380.884	-347.224	-281.906	-2817.657	-2761.001	-484.267
LR	61.728^***	4.232^**	17.538^***	300.321^***	373.419^***	74.766^***

注：采用稳健标准误;^***：P < 0.01;^**：P < 0.05;^*：P < 0.1。

新窗口打开|下载CSV

从主要解释变量的估计系数来看,在总样本中,风险投资企业分布与金融机构和新创企业在两个时间点均存在显著的正相关性,与高科技企业的正相关性从2005年的不显著转变为2015年的显著。同时,由于金融机构、高科技企业和新创企业的衡量方式均为落入街区的企业个数,这3个变量的量纲一致使得估计系数可纵向比较。新创企业在2005年的估计系数最大,表明风险投资企业分布与新创企业的相关程度最高,同理,在2015年与金融机构的相关程度最高,其次是高科技企业,再次是新创企业。表明风险投资企业在总体上存在“技术—资本”地理邻近性,并注意到随着时间的发展,风险投资企业的“资本”地理邻近性超越了“技术”地理邻近性。同时,与“技术”中创业的地理邻近关系减弱,而与其中高科技产业的地理邻近关系增强,并超越了前者。造成该现象和趋势的主要原因可能是,在较小的城市内部尺度,随着交通通讯基础设施密度的提升,企业之间往来的通达性已经较好地满足了邻近“技术”和“资本”的需求,而风险投资企业作为金融机构更偏好商务环境优越的地区,而这些地区往往具有“资本”密集的特征。此外,上海作为中国的经济中心城市和风险投资网络的核心节点,越来越多的风险投资企业选择在上海布局,其中一部分企业的投资标的可能并不在上海,区位吸引力主要来自上海的丰富资本存量更便于融资,这类风险投资企业越多,“资本”地理邻近性偏好就越明显。同时,由于政府积极推动高科技产业发展,在产业发展政策的推动过程中必然需要集合各类资本,除了财政补贴和税收优惠等,吸纳风险资本也尤为重要,因此,风险投资企业分布偏向“技术”中的高科技层面在很大程度上是受到产业政策导向的影响。

由子样本的回归结果可知,高科技企业分布与中资企业在两个时点都呈显著的正相关性,且相关程度在2015年超过了金融机构和新创企业,而其与外资企业不存在显著的相关性。金融机构和新创企业一直是中外资企业分布的显著正相关因素,根据回归系数的纵向比较发现,相关程度分别呈上升和下降的反向趋势。为了横向比较两者对中外资企业的影响程度差异,需进行组间系数检验,由于空间Tobit模型无法执行似无相关模型检验,为此基于普通Tobit对金融机构和新创企业的回归系数进行比较,结果显示两个变量的估计系数在两组之间存在显著差异,表明中资企业与金融机构的空间相关性强于外资企业,而外资企业与新创企业的空间相关性强于中资企业。

综上分析,与总体相似的是,相对于“技术”地理邻近性,“资本”地理邻近性对于中外资企业分布而言都变得更为明显。与此同时,中外资企业的“技术—资本”地理邻近性存在差异,中资企业的“资本”地理邻近性强于外资企业,而在“技术”地理邻近性方面,中资企业的“技术”偏好更侧重高科技产业层面,而外资企业则更侧重创业层面。主要原因可根据以下4点进行解释：① 外资企业的风险资本主要在海外募集,相关国内法规对外资风险资本运作也有一定的限制,导致外资企业与本土资本的联系较弱,因此外资企业的“资本”地理邻近性可能更多地是源于对高端商务地段的选择性偏好,而中资企业与本地的金融机构之间的关系更为紧密,如在资金来源、资本退出等方面都有较强的依赖性,甚至不少中资企业本身就是国有金融机构的衍生企业;② 中资企业比外资企业更容易受到政策导向的影响。一方面体现在高科技产业政策上,由于风险资本是推动高科技产业发展的重要力量,相关政策鼓励或引导风险资本积极参与中国高科技产业的发展,中资企业在这方面比外资企业要承担更多的责任和义务,而外资企业的投资导向更为市场化。另一方面体现在开发区政策上,开发区是城市经济发展的重要增长极,为营造良好的产业发展生态环境,以便促进招商引资,一般会通过优惠政策引导高科技企业和风险投资企业进驻,而中资企业受制度空间的粘性作用较大,这在回归结果中也有所体现,中资企业与国家级开发区和现代服务业集聚区的空间相关性显著为正,而市级开发区不显著的主要原因是其基本上都是以劳动和资本密集型产业为主的工业园区,外资企业则与所有城市规划变量均不相关。③ 风险投资企业的类型在广义上具有多样性,除了传统的风险投资企业（classic venture capital）,还有诸多类似投资机构和大型企业的附属部门（merchant venture capital）具有风险投资的职能^[48]。例如,处于行业领导地位的高科技企业往往会通过设立风险投资部门更好地控制市场和技术,从而巩固自身垄断优势,中资企业很可能与其高科技企业的母公司分布在同一个地区,而外资企业在中国普遍是设立研发部或市场部,风险投资部门通常在母国的总部,区位选择主要以寻找投资标的和规避进入新市场的不确定性为导向,因此更偏好邻近于潜在投资标的较密集的地区。④ 由于国外风险投资产业发展更为成熟,外资企业与被投企业之间不仅是投资与被投资的关系,还有更多的增值服务内容,同时被投企业也愿意接受增值服务提升企业的经营管理水平,这其中涉及大量的信息交互,从而对邻近被投企业的要求更高。

5.3 区位模式讨论

基于大都市内部风险投资企业的空间集聚格局及其“技术—资本”地理邻近性,可归纳得出4类典型区位模式：①“资本”地理邻近型,表现为与金融机构之间较强的空间同位性（co-location）;②“技术”地理邻近型,表现为与高科技或新创企业之间较强的空间同位性;③“技术—资本”地理邻近型,表现为同时与金融机构和高科技企业（或新创企业）存在较强的空间同位性;④ 自身集聚型,表现为与其他风险投资企业之间较强的空间同位性。以上海市中心城区为例,对风险投资企业的集聚区位进行模式识别可以发现,上述4种典型区位模式在中外资企业的空间分布及其演变中均有体现,但也存在差异（图5）。

图5

新窗口打开|下载原图ZIP|生成PPT
图52005年和2015年上海市风险投资企业的区位模式

Fig. 5Location model of venture capital firms in Shanghai in 2005 and 2015

2005年中资风险投资企业在传统金融商务区陆家嘴、淮海中路和北外滩,形成了“资本”地理邻近型集聚区;在高科技和创新型企业较为集中的张江、徐家汇和滨江南段地区则形成了“技术”地理邻近型集聚区;在城市功能综合性较强的人民广场,以及受张江创新功能和陆家嘴金融功能共同辐射的花木和金桥,形成了“技术—资本”地理邻近型集聚区;在商务服务和商业基础设施发达的中山公园（位于长风公园与静安寺之间）、静安寺和新天地（靠近淮海中路）形成了自身集聚型区域。而与中资企业相比,由于外资风险投资企业的“资本”地理邻近性较弱,另外,陆家嘴的租金成本过高和四川北路（靠近北外滩的重要商业区）的“老化”等原因,外资企业仅在淮海中路形成了唯一的“资本”地理邻近型集聚区。同时,外资企业也有服务在沪外资企业的导向,在外资企业高度集中的漕河泾和虹桥商务区,形成了“技术”地理邻近型集聚区;在金融机构和新创企业均较密集的陆家嘴外围地区和花木则形成了“技术—资本”地理邻近型集聚区;在传统商务区黄陂南路（靠近淮海中路）、南京西路（从人民广场至静安寺的重要道路）和静安寺,以及属于世博板块的后滩和半淞园路（靠近滨江南段地区）附近形成了外资企业的自身集聚型区域。

从2005-2015年的时间变化来看,中资风险投资企业集聚区的数量减少,集聚程度加剧,重心向浦东转移。人民广场作为老牌的城市中心依然是“技术—资本”地理邻近型集聚区;陆家嘴—金桥与花木则表现出不同的发展趋势,由于受陆家嘴金融功能的辐射影响更大,陆家嘴—金桥形成了“资本”地理邻近型集聚区,而花木受张江的创新功能辐射主导,与之共同形成了“技术”地理邻近型集聚区;在杨浦区的创新发展政策引导下,浦江南段地区形成了新的风险投资企业自身集聚型区域。与中资企业类似,外资风险投资企业的集聚区也有东移趋势,并存在稳固内环区位的同时向外环扩散的迹象。由于陆家嘴及其外围区域的金融功能日益增强,而人民广场的城市功能更加复合,外资企业的“技术—资本”地理邻近型集聚区从陆家嘴外围转移至人民广场,而陆家嘴外围则转变为“资本”地理邻近型集聚区;随着世博和虹桥板块的热度散退,虹桥、后滩和半淞园集聚区消失,而与之相对应的是外资企业在大宁—彭浦和五角场形成了新的“技术”地理邻近型集聚区,并且在地区产业转型升级和以大学为支撑的创新创业发展推动下,这两个区域的“技术”具有较强的“创业”属性。同时,自贸区政策红利也促使外高桥成为了新的自身集聚型区域。花木则与中资企业的区位模式演变一致,转变为“技术”地理邻近型集聚区。北外滩也受中资企业集聚和陆家嘴金融辐射的影响,成为新的“资本”地理邻近型集聚区,再加上原有的淮海中路和陆家嘴外围地区,外资企业进一步向陆家嘴的金融腹地集聚,其“资本”地理邻近性显著提升。

6 结论与讨论

本文构建了2005年和2015年上海市风险投资企业,金融机构、高科技企业和新创企业的研究数据库。基于企业和个人两个层面的微观行为主体,从外部性效应和面对面交流效应推演大都市内部风险投资企业的区位分布假设。从中外资比较的视角,运用核密度估计、时序稳定性“热点”和空间Tobit模型分析方法,层层深入地对假设进行验证,揭示大都市内部风险投资企业的空间分布规律,并归纳总结区位模式。主要结论如下：

（1）总体分布格局呈现集聚特征,并从离散热点向连片带状演变,中资企业呈现单中心集聚格局和“面域扩散”趋势,外资企业则表现出较为均衡的多中心集聚格局和“点域扩散”趋势。中外资企业的热点区均主要分布在城市的商务区、高科技产业区和创新创业区,表现出较为明显的邻近“技术”与“资本”的共性特征。

（2）由于受研究区域、相关产业政策和中外资风险投资产业发展阶段等因素的影响,风险投资企业的“资本”地理邻近性超越“技术”地理邻近性,并在“技术”地理邻近性中,风险投资企业与高科技产业的地理邻近关系超越与创业的地理邻近关系。同时,中外资企业空间分布的差异主要体现在,中资企业的“资本”地理邻近性强于外资企业,外资企业的“技术”地理邻近性偏重于“技术”中的创业层面,而中资企业则偏重于“技术”中的高科技产业层面。

（3）风险投资企业存在四类区位模式：“资本”地理邻近型、“技术”地理邻近型、“技术—资本”地理邻近型和自身集聚型,中外资企业的区位模式偏好及其时间演变特征都存在差异,但这四类典型区位模式始终稳定存在。

以上结论表明本文的假设是成立的。风险投资企业在大都市内部的空间分布存在集聚特征和“技术—资本”地理邻近性,区位生成过程反映了其与“标的”产业和金融行业的耦合性联系。风险投资企业在经济密度更高的微观尺度上的空间分布规律与宏观尺度上的研究结论基本一致^{[5,6,7,8,9,10,11,12,13]},并与其他同尺度但不同地域背景下的研究结论相似^[31],表明该分布规律不存在空间尺度和地域背景的依赖,具有普遍性。风险投资企业的投融资职能及其背后的增值服务既存在本地偏好,也存在跨区域特点,说明风险投资企业具有空间尺度扩张能力。但风险投资不是简单的、程式化的,而是充满机遇、挑战和缄默信息的复杂经济活动。随着交通和通讯技术的发展,许多经济活动的空间分布出现“距离已死”（death of distance）的趋势,多维邻近性的重要性也愈发凸显^[49,50]。然而,诸如风险投资企业的这类知识密集型服务业始终倾向于集中分布在成本高额的大都市或城市的核心区域,表明集聚外部性和面对面交流仍然是高等级经济活动有效开展的基本述求,区位和地理邻近性的基础性作用不可忽视。大都市内部的风险投资企业表现出与“技术”和“资本”的地理邻近关系,而与此同时,除了空间上的集聚和差异化的区位模式,是否还存在认知和组织等除地理以外的其他层次的邻近性,即风险投资企业是否与“技术”和“资本”具有本地化互动关系,这有待进一步探讨。风险投资企业同时兼备创新最重要的两大投入要素：知识和资金,对于地区创新发展具有重要意义。因此地方应关注风险投资企业的区位问题,通过加强风险投资企业、“标的”企业和金融机构之间的对接机制和服务平台建设,促进将企业之间单纯的地理邻近关系转化为正式或非正式联系、经济或非经济往来的更为密切的互动关系,从而形成良性的地方化创新环境,并根据不同的区位模式及其特色,培育打造基于“知识和风险资本”的创新集群或创新空间。

The authors have declared that no competing interests exist.

作者已声明无竞争性利益关系。

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]

Debin

. Global Science and Technology Innovation Center: Power and Model. Shanghai: Shanghai People's Press, 2015.

[本文引用: 1]

[ 杜德斌 . 全球科技创新中心: 动力与模式. 上海: 上海人民出版社, 2015.]

[本文引用: 1]

[2]

Canfei

, Guo

, Ma

Yan

, et al. Progress of economic geography in the west: A literature review
Acta Geographica Sinica, 2014,69(8):1207-1223.

[本文引用: 1]

[ 贺灿飞, 郭琪, 马妍 , 等. 西方经济地理学研究进展
地理学报, 2014,69(8):1207-1223.]

[本文引用: 1]

[3]

Pan

Fenghua

, Xu

Xiaohong

, Xia

Yabo

, et al. Progresses of financial geography and implications
Progress in Geography, 2014,33(9):1231-1240.

DOI:10.11820/dlkxjz.2014.09.010 URL Magsci [本文引用: 1]

在过去的30 多年间，随着经济金融化和金融全球化的逐渐扩展和深化，国外金融地理学研究取得了新的进展。2007 年源于美国的金融危机是国外金融地理学研究的重要转折点，金融地理学由此开始进入繁荣发展阶段。本文全面搜集了1980-2013 年5 月发表于13 种国际权威地理学期刊的金融地理文献，共计245 篇。通过对文献的梳理和分析，将国外金融地理学研究的主要议题总结为：金融中心的区位及影响因素、银行的空间分布及区域影响、金融排除、证券市场的空间变化、养老金的区域差异、风险投资的空间集聚及投资空间邻近性、金融化和金融危机等方面，重点阐述这些议题的研究进展，并总结了国外金融地理学研究的特征。在此基础上，从金融市场的快速发展、独特国情、国际资本市场的复杂性等方面展望了中国金融地理学研究面临的机遇和挑战。

[ 潘峰华, 徐晓红, 夏亚博 , 等. 境外金融地理学研究进展及启示
地理科学进展, 2014,33(9):1231-1240.]

DOI:10.11820/dlkxjz.2014.09.010 URL Magsci [本文引用: 1]

Xiaohong

, Pan

Fenghua

, Xia

Yabo

, et al. Progress of research abroad on venture capital from the spatial perspective and its implications
Areal Research and Development, 2016,35(2):12-18.

Magsci [本文引用: 1]

风险投资在创新型经济发展和区域经济增长中的作用已经得到了广泛认可。随着风险投资行业的发展壮大和影响力的提升，风险投资成为金融地理学研究的重要内容。国外基于空间视角下的风险投资研究取得了大量研究成果,主要内容包括风险投资的空间分布及区位特征、风险投资对区域发展的影响、风险投资的区域政策研究、投资的空间邻近性及联合投资研究、风险投资全球化等几个方面。虽然近些年中国风险投资行业已经进入快速发展阶段，但是目前国内地理学对风险投资的研究仍然非常欠缺。对国外空间视角下风险投资研究内容的整理和分析，旨在为中国金融地理学的风险投资研究提供指导和借鉴。

[ 徐晓红, 潘峰华, 夏亚博 , 等. 空间视角下国外风险投资的研究进展及启示
地域研究与开发, 2016,35(2):12-18.]

Magsci [本文引用: 1]

Leinbach T

, Amrhein

. A geography of the venture capital industry in the US
The Professional Geographer, 1987,39(2):146-158.

DOI:10.1111/j.0033-0124.1987.00146.x URL [本文引用: 2]

[6]

McNaughton R

, Green M

. Spatial patterns of Canadian venture capital investment
Regional Studies, 1989,23(1):9-18.

DOI:10.1080/00343408912331345242 URL [本文引用: 2]

[7]

Martin

. The growth and geographical anatomy of venture capitalism in the United Kingdom
Regional Studies, 1989,23(5):389-403.

DOI:10.1080/00343408912331345582 URL [本文引用: 2]

[8]

Bender

. Spatial Proximity in Venture Capital Financing: A Theoretical and Empirical Analysis of Germany
Berlin: Springer Science & Business Media, 2011.

[本文引用: 2]

[9]

Schwartz

, Bar-El

. Venture investments in Israel: A regional perspective
European Planning Studies, 2007,15(5):623-644.

DOI:10.1080/09654310701213905 URL [本文引用: 2]

[10]

Florida R

, Kenney

. Venture capital, high technology and regional development
Regional Studies, 1988,22(1):33-48.

DOI:10.1080/00343408812331344750 URL [本文引用: 2]

[11]

Florida

, Smith D

. Venture capital formation, investment, and regional industrialization
Annals of the Association of American Geographers, 1993,83(3):434-451.

DOI:10.1111/j.1467-8306.1993.tb01944.x URL [本文引用: 2]

[12]

Zhang

. The spatial dynamics of globalizing venture capital in China
Environment and Planning A, 2011,43(7):1562-1580.

DOI:10.1068/a43562 URL [本文引用: 2]

[13]

Pan F

, Zhao

S X B

, Wójcik

. The rise of venture capital centres in China: A spatial and network analysis
Geoforum, 2016,75(7):148-158.

DOI:10.1016/j.geoforum.2016.07.013 URL [本文引用: 2]

[14]

Wang

Jianping

. The analysis of the imbalances of venture capital
China Soft Science, 1999,14(6):72-77.

[本文引用: 1]

[ 王建平 . 风险投资的不平衡性分析
中国软科学, 1999,14(6):72-77.]

[本文引用: 1]

[15]

Cai

, Zhu

Xiumei

, Sun

Kaili

. Cluster analysis of area distribution of venture capitals in China
Chinese Journal of Management, 2004,1(2):195-198.

Magsci [本文引用: 1]

以衡量风险投资发展水平的若干指标为基础 ,对我国主要省市风险投资进行聚类分析 ,划分出我国风险投资发展水平不同的区域。研究每一类区域的风险投资发展特征 ,并依据各个地区的区域优势 ,因地制宜地采取相对不同的发展策略 ,以促进我国风险投资的快速发展

[ 蔡莉, 朱秀梅, 孙开利 . 我国风险投资区域聚类研究
管理学报, 2004,1(2):195-198.]

Magsci [本文引用: 1]

以衡量风险投资发展水平的若干指标为基础 ,对我国主要省市风险投资进行聚类分析 ,划分出我国风险投资发展水平不同的区域。研究每一类区域的风险投资发展特征 ,并依据各个地区的区域优势 ,因地制宜地采取相对不同的发展策略 ,以促进我国风险投资的快速发展

[16]

She

Jinfeng

, Tang

Bingyong

. Study on formation mechanism of regional imbalance in venture capital development
Science of Science and Management of S. & T., 2007,28(3):112-115.

[本文引用: 1]

[ 佘金凤, 汤兵勇 . 风险投资发展区域分布不平衡的形成机理研究
科学学与科学技术管理, 2007,28(3):112-115.]

[本文引用: 1]

[17]

Lutz

, Bender

, Achleitner A

, et al. Importance of spatial proximity between venture capital investors and investees in Germany
Journal of Business Research, 2013,66(11):2346-2354.

DOI:10.1016/j.jbusres.2012.04.016 URL [本文引用: 1]

[18]

Cantwell

. Location of International Business Activities
London: Palgrave Mamillan, 2014.

[本文引用: 1]

[19]

Long

, Zhao

Hailong

, Zhang

Xinde

, et al. High-speed railway and venture capital investment
Economic Research Journal, 2017,52(4):195-208.

[本文引用: 1]

[ 龙玉, 赵海龙, 张新德 , 等. 时空压缩下的风险投资: 高铁通车与风险投资区域变化
经济研究, 2017,52(4):195-208.]

[本文引用: 1]

[20]

Chen

, Gompers

, Kovner

, et al. Buy local? The geography of venture capital
Journal of Urban Economics, 2010,67(1):90-102.

DOI:10.1016/j.jue.2009.09.013 URL [本文引用: 1]

[21]

Wang

Mingfeng

, Wei

Yehua

, Qiu

Juan

. Spatial agglomeration and urban network of venture capital investment in China
Journal of Finance and Economics, 2014,40(4):117-131.

URL [本文引用: 1]

在全球化的信息时代,生产要素的流动性大大增强,尤其是资金流动明显加速。跨越空间的投资活动成为促进城市和区域发展的重要动力,同时在形塑城市之间的关系中也起到了关键性的作用。深入分析风险投资的空间行为,有助于人们更好地把握新兴产业的运行规律,进而理解城市和区域在网络时代中的空间组织机制和特征。文章基于中国风险投资事件的数据库,探究了其城市分布特征,并用网络中心度、凝集子群等方法分析了风险投资城市网络的空间组织。研究发现,中国风险投资产业的供需两方面均存在明显的空间集聚性,并形成了以北京和上海为核心节点的投资城市网络。其中,全球化、市场化、空间邻近效应以及政府引导是形塑这一新兴网络的主要力量。

[ 汪明峰, 魏也华, 邱娟 . 中国风险投资活动的空间集聚与城市网络
财经研究, 2014,40(4):117-131.]

URL [本文引用: 1]

Wray

. Rethinking venture capital in economic geographical research
Geography Compass, 2012,6(10):589-601.

DOI:10.1111/geco.2012.6.issue-10 URL [本文引用: 1]

[23]

Fritsch

, Schilder

. The regional supply of venture capital: Can syndication overcome bottlenecks?
Economic Geography, 2012,88(1):59-76.

DOI:10.1111/j.1944-8287.2011.01139.x URL [本文引用: 1]

[24]

Xiong

Wen

, Zhou

. Circle structure and spatial spillover of China angel investment
Scientia Geographica Sinica, 2017,37(8):1186-1193.

[本文引用: 1]

[ 熊文, 周莉 . 中国天使投资的圈层结构与空间溢出分析
地理科学, 2017,37(8):1186-1193.]

[本文引用: 1]

[25]

Fang

Jiawen

, Liu

Haimeng

. How and why venture capital flows in the Beijing-Tianjin-Hebei urban agglomeration
Progress in Geography, 2017,36(1):68-77.

[本文引用: 1]

[ 方嘉雯, 刘海猛 . 京津冀城市群创业风险投资的时空分布特征及影响机制
地理科学进展, 2017,36(1):68-77.]

[本文引用: 1]

[26]

Lindgaard C

. The development of geographical specialization of venture capital
European Planning Studies, 2007,15(6):817-833.

DOI:10.1080/09654310701232137 URL [本文引用: 1]

[27]

Huang

Xiao

, Chen

Jindan

, Yu

Binbin

. Environment uncertainty and local bias: An empirical analysis of Chinese venture capital investments
Science of Science and Management of S. & T., 2015,36(9):126-137.

[本文引用: 1]

[ 黄晓, 陈金丹, 于斌斌 . 环境不确定性与本地投资偏好: 基于中国本土VC样本的研究
科学学与科学技术管理, 2015,36(9):126-137.]

[本文引用: 1]

[28]

Wei

, Liu

Weidong

, Liu

. Progress in financial geography in western countries and its implications for Chinese geographers
Progress in Geography, 2005,24(4):19-27.

DOI:10.3969/j.issn.1007-6301.2005.04.003 URL Magsci [本文引用: 1]

金融地理学作为一门新兴的分支学科，已受到越来越多地理****的重视。本文试图总结国外****在金融地理学领域的研究进展，阐述其当前主要研究议题，提出对我国金融地理研究的启示。国外金融地理学的研究主要经历了以下几个发展阶段：自20世纪70年代以来，地理学家开始关注金融机构在引导特定地区资本流动过程中所起的作用； 80年代，****们转向研究金融在西方社会中的角色、特定金融制度的空间组织与运作、金融中心的发展、金融流动与产业发展的关系等； 90年代以来，金融地理研究中出现了三个贯穿、且相互增强的研究对象，即解除管制、技术创新及全球化，相关研究中出现了文化制度转向。当前主要研究议题包括：金融中心的形成、发展及萎缩；金融排除及其带来的地方货币系统的研究；货币地理学研究等。根据国外的研究进展及经验，我国可以在金融服务网络的空间格局、货币流地域差异、金融排除及其相关的社会问题等方面展开研究。

[ 武巍, 刘卫东, 刘毅 . 西方金融地理学研究进展及其启示
地理科学进展, 2005,24(4):19-27.]

DOI:10.3969/j.issn.1007-6301.2005.04.003 URL Magsci [本文引用: 1]

Feifei

, Chen

Wen

, Wei

Yehua

, et al. Changing financial flow patterns and driving mechanisms of financial flows under the integration of the Yangtze River Delta: An analysis of the financial transaction data of listed companies
Acta Geographica Sinica, 2014,69(6):823-837.

[本文引用: 1]

[ 季菲菲, 陈雯, 魏也华 , 等. 长三角一体化下的金融流动格局变动及驱动机理: 基于上市企业金融交易数据的分析
地理学报, 2014,69(6):823-837.]

[本文引用: 1]

[30]

Liu

Yungang

, Wang

Fenglong

. Concept of scale in human geography and politics of scale: Based on anglophone human geography since 1980s
Human Geography, 2011,26(3):1-6.

[本文引用: 1]

[ 刘云刚, 王丰龙 . 尺度的人文地理内涵与尺度政治: 基于1980年代以来英语圈人文地理学的尺度研究
人文地理, 2011,26(3):1-6.]

[本文引用: 1]

[31]

Yiqing

, Pan

Fenghua

, Jiang

Xiaoyu

. The geography and syndication investment networks of venture capital in Beijing
Progress in Geography, 2016,35(3):358-367.

DOI:10.18306/dlkxjz.2016.03.010 URL [本文引用: 2]

国内外有关风险投资(VC)空间集聚的研究大多基于国家层面,本文基于北京市VC机构的位置和联合投资信息,运用本文空间分析与社会网络分析技术,研究VC机构的空间集聚和合作网络.空间分析发现,VC机构主要集聚在CBD、金融街、中关村三大核心区;在时间尺度上呈现分散—集聚—再分散的趋势.其中,国资机构主要集聚于金融街,外资机构主要落户于CBD,且以私募基金(PE)类机构为主;中关村则依托高新技术成为创新型企业的融资区.叠加合作网络后进一步发现,城市尺度下的VC机构合作并不受地理区位限制,并且各个VC集聚区之间关系颇为紧密.按“中心度”到“边缘—核心”的递推分析表明,外资机构在北京市风险投资合作网络中具有突出地位,其对联合投资的偏好主导了网络的形态.国资虽占据了部分网络节点但核心地位不够突出,而本土民营机构虽然数量较大但在网络中多处于半边缘位置.

[ 徐宜青, 潘峰华, 江小雨 . 北京市风险投资的空间分布与合作网络研究
地理科学进展, 2016,35(3):358-367.]

DOI:10.18306/dlkxjz.2016.03.010 URL [本文引用: 2]

Ren

Guoyan

, Jiang

Tianying

. The Agglomeration and reasons of knowledge-intensive business service in Yangtze river delta region
Economic Geography, 2015,35(5):85-91.

[本文引用: 1]

[ 任国岩, 蒋天颖 . 长三角知识密集型服务业集聚特征与成因
经济地理, 2015,35(5):85-91.]

[本文引用: 1]

[33]

Feifei

, Chen

Wen

, Yuan

Feng

, et al. Development of sci-tech financial system and its spatial impacts on high-tech zone: The case study of Wuxi New District
Geographical Research, 2013,32(10):1899-1911.

[本文引用: 1]

[ 季菲菲, 陈雯, 袁丰 , 等. 高新区科技金融发展过程及其空间效应: 以无锡新区为例
地理研究, 2013,32(10):1899-1911.]

[本文引用: 1]

[34]

Guan

Weihua

, Chen

Wen

. Mechanisms of spatial organization of modern service industry in metropolises: Taking Nanjing as an example
Progress in Geography, 2013,32(3):341-353.

DOI:10.11820/dlkxjz.2013.03.003 Magsci [本文引用: 1]

在工业化后期或后工业化社会,现代服务业发展水平是反映城市综合竞争力和现代化程度的主要参照。20世纪中期以来,纽约、伦敦、东京、芝加哥等国际发达城市随着低端制造业向发展中国家转移,现代服务业已发展成为其经济主体,大大提高了在全球城市体系中的地位。目前,国内外对现代服务业空间发展的一般性规律研究较多,但是鉴于中西方发展模式性差异,尚需结合我国大都市发展的现实,对现代服务业空间组织模式和布局机制作更深入研究。本文对国内外现代服务业相关研究进行了综述,在此基础上,将现代服务业空间组织机理归纳总结为自组织创新网络、市场和制度双驱动、人文和社会因素介入等,然后以南京为实证,定性与定量相结合,深入分析其现代服务业空间布局特征,并对上述机理进行了验证,以期为相关产业规划理论和方法的完善提供参考和借鉴。本文认为,在我国现行管理体制下,“自上而下”和“自下而上”相结合的现代服务业发展路径和动力机制研究应成为今后研究的重要方向。

[ 官卫华, 陈雯 . 大都市现代服务业空间组织机理研究: 以南京为例
地理科学进展, 2013,32(3):341-353.]

DOI:10.11820/dlkxjz.2013.03.003 Magsci [本文引用: 1]

Duan

Dezhong

, Du

Debin

, Liu

Chengliang

. Spatial-temporal evolution mode of urban innovation spatial structure: A case study of Shanghai and Beijing
Acta Geographica Sinica, 2015,70(12):1911-1925.

[本文引用: 1]

[ 段德忠, 杜德斌, 刘承良 . 上海和北京城市创新空间结构的时空演化模式
地理学报, 2015,70(12):1911-1925.]

[本文引用: 1]

[36]

Zhao

Jianji

, Wang

Yanhua

, Lv

Kewen

, et al. The evolutionary mechanism of financial industry agglomeration in central cities of inland China: A case study of Zhengdong New District in Zhengzhou
Acta Geographica Sinica, 2017,72(8):1392-1407.

[本文引用: 1]

[ 赵建吉, 王艳华, 吕可文 , 等. 内陆区域中心城市金融产业集聚的演化机理: 以郑东新区为例
地理学报, 2017,72(8):1392-1407.]

[本文引用: 1]

[37]

Powell W

, Koput K

, Bowie J

, et al. The spatial clustering of science and capital: Accounting for biotech firm-venture capital relationships
Regional Studies, 2002,36(3):291-305.

DOI:10.1080/00343400220122089 URL [本文引用: 1]

[38]

Liu

Manhong

, Martin

Haemming

, Zhang

Bing

. Analyses on foreign investment into the capital market of China
Scientific Management Research, 2005 , 23(3):101-103.

[本文引用: 1]

[ 刘曼红, Martin

Haemming

, 张兵 . 外资进入中国风险资本市场浅析
科学管理研究, 2005,23(3):101-103.]

[本文引用: 1]

[39]

Tan

, Zhang

, Xia

. Managing risk in a transitional environment: An exploratory study of control and incentive mechanisms of venture capital firms in China
Journal of Small Business Management, 2008,46(2):263-285.

DOI:10.1111/j.1540-627X.2008.00243.x URL [本文引用: 1]

[40]

Lin

, Xu

, Zhang

, et al. Does venture capital spur innovation or the other way around? Evidence on the significance of investment timing from China
Growth and Change, 2019,50(1):90-113.

DOI:10.1111/grow.2019.50.issue-1 URL [本文引用: 1]

[41]

Liang

, Qian

Xuefeng

. Externalities and agglomeration: A literature review
The Journal of World Economy, 2007,30(2):84-96.

[本文引用: 1]

[ 梁琦, 钱学锋 . 外部性与集聚: 一个文献综述
世界经济, 2007,30(2):84-96.]

[本文引用: 1]

[42]

Storper

, Venables A

. Buzz: Face-to-face contact and the urban economy
Journal of economic geography, 2004,4(4):351-370.

DOI:10.1093/jnlecg/lbh027 URL [本文引用: 1]

[43]

Liu

Jianghui

, Zhu

Min

. Does geography affect the IPO costs in China? An analysis based on asymmetry soft-information
Economic Management Journal, 2015,37(10):31-41.

[本文引用: 1]

[ 刘江会, 朱敏 . 地理因素会影响中国企业IPO的成本吗? 基于“软信息不对称”的视角
经济管理, 2015,37(10):31-41.]

[本文引用: 1]

[44]

, Wu

. Analyzing the dynamics of homicide patterns in Chicago: ESDA and spatial panel approaches
Applied Geography, 2011,31(2):800-807.

DOI:10.1016/j.apgeog.2010.08.006 URL [本文引用: 1]

[45]

Cheng

Yeqing

, Wang

Zheye

, Ma

Jing

. Analyzing the space-time dynamics of innovation in China
Acta Geographica Sinica, 2015,69(12):1779-1789.

[本文引用: 1]

[ 程叶青, 王哲野, 马靖 . 中国区域创新的时空动态分析
地理学报, 2015,69(12):1779-1789.]

[本文引用: 1]

[46]

Yang

Fan

, Du

Debin

, Duan

Dezhong

, et al. The intra-metropolitan location of R&D-intensive manufacturing in Beijing and Shanghai
Scientia Geographica Sinica, 2017,37(4):492-501.

[本文引用: 1]

[ 杨凡, 杜德斌, 段德忠 , 等. 城市内部研发密集型制造业的空间分布与区位选择模式: 以北京, 上海为例
地理科学, 2017,37(4):492-501.]

[本文引用: 1]

[47]

Wang

Junsong

, Pan

Fenghua

, Tian

Mingmao

. Spatial pattern of headquarters of multinational enterprises in Shanghai
Geographical Research, 2017,36(9):1667-1679.

[本文引用: 2]

[ 王俊松, 潘峰华, 田明茂 . 跨国公司总部在城市内部的空间分异及影响因素: 以上海为例
地理研究, 2017,36(9):1667-1679.]

[本文引用: 2]

[48]

Mason C

, Harrison R

. The geography of venture capital investments in the UK
Transactions of the Institute of British Geographers, 2002,27(4):427-451.

DOI:10.1111/tran.2002.27.issue-4 URL [本文引用: 1]

[49]

Cairncross

. The Death of Distance 2.0: How the Communications Revolution Will Change Our Lives
Cheshire: Texere, 2001.

[本文引用: 1]

[50]

Boschma

. Proximity and innovation: A critical assessment
Regional Studies, 2005,39(1):61-74.

DOI:10.1080/0034340052000320887 URL [本文引用: 1]