, 王超然 1 , 汪自书 1,2 1. 清华大学 环境学院, 北京 100084;
2. 北京清控人居环境研究院, 北京 100084
收稿日期：2017-05-21
基金项目：国家自然科学基金资助项目（71774096）；环保部京津冀地区战略环境评价项目（20161660220）
作者简介：李天魁(1993-), 男, 博士研究生
通信作者：刘毅, 教授, E-mail:yi.liu@tsinghua.edu.cn
摘要：疏解非首都核心功能将对整个京津冀地区资源环境压力分布空间格局产生重要影响。该文从政策、经济、资源环境3个维度识别了潜在的疏解工业门类，通过Monte Carlo方法确定企业个体规模，运用离散选择模型，综合考虑区位因素、产业资源环境效率等变量，识别了首都重点行业潜在的疏解承接地，并结合企业规模-资源环境效率水平函数，预测京津冀地区的资源环境压力空间变化。结果表明："十三五"期间，非首都核心功能疏解将会造成北京市工业产值下降7%，主要资源消耗和污染物排放量减少9%以上，能有效缓解北京市水环境压力；京津冀区域除北京外其他地区工业产值平均增长5%左右，显著大于疏解产业带来的资源消耗与污染物排放增长。最后结合各地现有环境压力与承载力，提出了差别化的政策建议。
关键词：非首都核心功能疏解产业转移离散选择模型资源环境影响
Environmental impact of Beijing's industrial decentralization based on a discrete choice modeling approach
LI Tiankui1, LIU Yi1
, WANG Chaoran1, WANG Zishu1,21.School of Environment, Tsinghua University, Beijing 100084, China;
2.Tsinghua Holdings Human Settlements Environment Institute, Beijing 100084, China
Abstract: The 'Non-Capital Functions' dispersion policy is significantly affecting the spatial distribution of resources and the environmental in the Beijing-Tianjin-Hebei Region. This study estimates the changes in resource use and emissions at a regional level. The study classifies industrial sectors through a screening analysis of their policies, economics and environmental effects. The Monte Carlo method is used to determine individual firm sizes. A discrete choice model is used with location information and local environmental efficiencies. Relationships between the industrial size and the resource use and emission intensities are used to estimate the environmental impacts. The results show that during "the thirteenth five-year" plan, the industrial output in Beijing will decreases by 7%, while resource use and pollutant emissions will fall by over 9%, which will effectively alleviate water shortages in Beijing. In other cities in the region, the industrial output will rise by 5% on average, far more than the resource use and emissions increases. Various policy recommendations are presented to improve local environmental regulations.
Key words: capital industrial decentralizationindustrial reallocationdiscrete choice modelenvironmental impact
中国首都北京长期以来承载着大量人口与各类社会经济活动，大气污染、水资源短缺等一系列资源环境问题不断加剧。党和政府提出了疏解非首都核心功能战略，其中，工业部门由于能耗与污染排放较高，是此次疏解的重要组成部分，这意味着北京市部分工业企业将被疏解至京津冀其他地区。已有研究表明[1-3]：疏解过程伴随的产业转移一方面会直接减缓产业输出地区的资源环境压力，另一方面也将造成承接地区资源环境压力增大。因此，量化研究产业疏解过程中产生的资源环境压力空间变化，预测产业疏解政策带来的直接和间接区域性影响，可为非首都核心功能疏解和京津冀协同一体化发展提供环境决策支撑。
本文以非首都核心功能疏解中的工业疏解为研究范围，筛选了重点疏解工业门类，识别了在产业疏解过程中企业的潜在选址，并预测疏解产业可能带来的资源环境影响。研究范围为“十三五”期间北京市潜在的疏解重点工业行业，研究区域为京津冀地区，即北京、天津2个直辖市、河北11个地级市。
1 研究方法1.1 疏解产业识别在《京津冀协同发展规划纲要》中，提出重点疏解“低端、低效益、低附加值、低辐射”的经济部门。从政策、经济和资源环境效率3个维度选择相应指标，采用等权重法识别筛选出了潜在的疏解工业门类。
经济维度上，参照劣势产业[4]的相关研究，选取如下指标：1)产业生产率上升率[5]，包括人均总产值和资产产值率上升率；2)比较优势[6-7]，包括比较集中率和比较利税率系数；3)产业关联度[8-9]，包括影响力系数和感应度系数；4)全要素生产率上升率[10]。资源环境效率方面主要采用了工业行业单位产值的工业用水量、用能量、工业废水、化学需氧量、氨氮、二氧化硫、氮氧化物、烟(粉)尘排放量等8项指标。政策维度上，采用北京市发改委的《2015年北京市非首都核心功能疏解工业企业名单》作为参考。
将各工业行业的经济、资源环境等指标各项分布归一化之后，等权重加和，得到各行业的疏解潜势并排序，结合《京津冀协同规划发展纲要》中提出的疏解重点(包括金属冶炼、化工、建材、纺织等行业)，可以得出重点疏解的工业行业。
1.2 工业项目生成与企业选址根据《2015年北京市非首都核心功能疏解工业企业名单》中疏解工业行业的类型和数量，假设“十三五”期间，各工业行业每年疏解的工业企业数量与2015年相同，上限是该行业全部被疏解。
由于被疏解的具体工业企业信息未知，因此通过模拟技术生成未来疏解企业。同一工业行业内，企业个体的规模总体符合对数正态分布[11]，利用目前北京市发改委的工业企业统计信息，生成各疏解工业门类的企业规模分布。根据预计疏解量，逐一模拟生成被疏解企业个体。
企业选址采用离散选择模型模拟。该模型基于随机效用理论[12-13]，认为决策者做出不同决策获得不同的效用，通过对选项效用的比较得到选择概率，被广泛应用于选址、出行选择、消费选择等[14-17]。
对被疏解企业，结合实地调研结果，假设工业疏解地为京津冀范围内除北京外的其他12个城市。运用离散选择模型，结合各地区位因素与环境效率水平，本文认为对企业i，搬迁到城市j的概率P(i, j)受到3个因素的共同影响，概率计算形式如下：
| $P\left( {i, {\rm{ }}j} \right) = {P_1}\left( {i, {\rm{ }}j} \right){P_2}\left( {i, {\rm{ }}j} \right){P_3}\left( {i, {\rm{ }}j} \right).$ | (1) |
| ${P_1}\left( {i, {\rm{ }}j} \right) = \frac{{{\rm{exp}}(\beta {\mathit{X}_\mathit{j}})}}{{\sum\limits_{m = 1}^t {{\rm{exp}}(\beta {\mathit{X}_\mathit{m}})} }} =, $ | (2) |
由于疏解工业企业在迁移前以北京为主要市场，研究假设各城市距北京距离对选址产生一定影响，距离越远，选址概率越低，表示如下：
| ${P_2}\left( {i, {\rm{ }}j} \right) = \frac{{\frac{1}{{{\rm{Dist}}\left( \mathit{j} \right)}}}}{{\sum\limits_{m = 1}^t {\frac{1}{{{\rm{Dist}}\left( \mathit{m} \right)}}} }}.$ | (3) |
P3为考虑环境准入约束的选择概率，包括工业用水量、用能量，工业废水、氨氮、化学需氧量、二氧化硫、氮氧化物和烟(粉)尘排放量等8项指标，具体计算公式如下：
| ${P_3}\left( {i, {\rm{ }}j} \right) = \frac{{{\rm{Min}}\left( {{\mathit{P}_{{\rm{env}}}}\left( {\mathit{i}, {\rm{ }}\mathit{j}, {\rm{ }}\mathit{q}} \right)} \right)}}{{\sum\limits_{m = 1}^t {{\rm{Min}}\left( {{\mathit{P}_{{\rm{env}}}}\left( {\mathit{i}, {\rm{ }}\mathit{m}, {\rm{ }}\mathit{q}} \right)} \right)} }}, $ | (4) |
| ${\mathit{P}_{{\rm{env}}}}\left( {\mathit{i}, {\rm{ }}\mathit{j}, {\rm{ }}\mathit{q}} \right) = \frac{{\frac{1}{{{Q_q}\left( {i, {\rm{ }}j} \right)}}}}{{\sum\limits_{m = 1}^t {\frac{1}{{{Q_q}\left( {i, {\rm{ }}m} \right)}}} }}, \;\left( {q = 1, {\rm{ }}2, \cdots, {\rm{ }}8} \right).$ | (5) |
1.3 企业个体资源环境效率同一行业中不同企业个体的排污水平一般不同。本文拟合了企业规模-资源环境效率水平的曲线，对不同规模的企业采用不同效率水平进行计算。
企业的经济效率与规模、工资水平等因素呈对数线性关系[22]。因此，如果把“环境污染”视为企业经济生产的副产品，企业资源环境效率也与企业规模存在对数线性关系，即：
| ${\rm{ln}}\mathit{y} = {\mathit{E}_1}{\rm{ln}}\mathit{x} + {\mathit{E}_2} + \varepsilon .$ | (6) |
产业疏解会带来人口迁移，对其伴随的资源环境影响通过产业疏解比例对应人口的平均资源消耗量进行衡量，并加入到整体资源环境影响中。
考虑到未来疏解的具体企业项目不确定，采用Monte Carlo方法模拟未来的多种可能性。每次模拟中，利用企业规模分布，按疏解量模拟生成单个企业(已疏解企业采用已有信息)，继而计算每个企业对应各地市的选址概率。根据选址概率对企业个体进行模拟选址。所有企业模拟结束后，计算整体资源环境影响，得到一次完整模拟结果。重复模拟过程，直到各主要指标(各地承接产值、资源环境压力变化等)达到稳定(增加一次模拟后均值变化小于0.01%)，可终止计算。
1.4 研究数据采用《2015年北京市非首都核心功能疏解工业企业名单》(含310家企业信息)梳理产业疏解政策重点；工业行业经济指标采用《北京市统计年鉴》[23] 《中国统计年鉴》[24]和《北京市投入产出表》(2012年)；基于《2014年工业企业污染排放及处理利用情况(京津冀地区)》，计算资源环境效率指标并建立不同工业行业企业规模与资源环境效率的定量关系。
运用《中国工业企业财务信息数据库》中的19 702家北京市工业企业数据，建立不同工业行业规模分布函数。基于京津冀地区2000—2012年新建的7 362家工业企业数据，对各个疏解行业分别建立离散选择模型。
环境承载力数据来自京津冀地区战略环境评价水资源与水环境影响评价专题、大气环境影响评价专题计算结果。
2 结果与讨论2.1 产业识别、企业分布与离散选择模型的建立通过评价北京市各工业行业经济、资源环境效率，分析得到各行业的疏解潜势，结合疏解政策重点，筛选出潜在重点疏解行业为食品、纺织、木材家具、造纸印刷、化工、建材、金属冶炼、金属制品等8大类。基于各工业行业企业数据，建立行业内企业规模分布函数，如表 1所示。
表 1 疏解工业行业企业规模对数正态分布特征值
| 行业 | 参数 | ||
| 平均值/万元 | 标准差 | 拟合企业数量 | |
| 食品 | 8.356 | 1.855 | 1 488 |
| 纺织 | 8.613 | 1.442 | 1 769 |
| 木材家具 | 7.713 | 1.624 | 375 |
| 造纸印刷 | 8.299 | 1.454 | 654 |
| 化工 | 7.749 | 1.959 | 1 324 |
| 建材 | 8.136 | 1.552 | 1 430 |
| 金属冶炼 | 9.246 | 2.357 | 1 044 |
| 金属制品 | 6.722 | 2.139 | 1 587 |
表选项
运用极大似然法，拟合得到离散选择模型中各行业对应选址区位因素的参数值β(见表 2)。
表 2 离散选择模型中工业行业选址区位因素参数βi估计值
| 区位因素 | 食品 | 纺织 | 木材家具 | 造纸印刷 | 化工 | 建材 | 金属冶炼 | 金属制品 |
| 工资水平 | -1.105*** | -1.104*** | -0.738** | -0.740*** | -1.417*** | -1.165*** | -0.273 | -1.142*** |
| 0.126 | 0.372 | 0.338 | 0.224 | 0.145 | 0.177 | 0.215 | 0.222 | |
| 距最近港口距离 | -0.093* | 0.157*** | -0.269 | -0.144 | -0.138** | -0.295*** | -0.254*** | -0.590*** |
| 0.065 | 0.067 | 0.252 | 0.137 | 0.067 | 0.081 | 0.092 | 0.161 | |
| 单位面积高级别公路里程 | -0.263*** | 0.351*** | 0.097 | 0.060 | -0.116*** | -0.301 | 0.738 *** | -0.065 |
| 0.084 | 0.114 | 0.321 | 0.167 | 0.104 | 0.103 | 0.142 | 0.162 | |
| 第二产业劳动力数量 | -0.099** | -0.538*** | -0.031 | -0.180* | -0.535*** | -0.006 | -0.087 | -0.388*** |
| 0.056 | 0.087 | 0.151 | 0.117 | 0.066 | 0.097 | 0.202 | 0.071 | |
| 人口密度 | 0.490*** | 1.117*** | 0.663* | 0.479** | 1.017*** | 0.515*** | 0.440*** | 0.977*** |
| 0.108 | 0.178 | 0.500 | 0.239 | 0.126 | 0.198 | 0.166 | 0.268 | |
| 地方GDP | 0.917*** | 3.352*** | 1.929*** | 0.554** | 0.756*** | 1.255*** | 0.487** | 1.787*** |
| 0.318 | 0.378 | 0.785 | 0.298 | 0.186 | 0.234 | 0.225 | 0.265 | |
| 城镇化率 | 0.396** | -2.601*** | -0.960* | 0.565** | 0.723*** | 0.040 | -0.679*** | -0.668*** |
| 0.225 | 0.274 | 0.647 | 0.252 | 0.169 | 0.213 | 0.227 | 0.216 | |
| 区位商 | 0.046 | 0.411*** | 0.818*** | 0.424*** | 0.033 | 0.090* | 0.350*** | 0.380*** |
| 0.068 | 0.099 | 0.140 | 0.060 | 0.061 | 0.081 | 0.134 | 0.071 | |
| 拟合企业数量 | 1 071 | 1 324 | 294 | 431 | 926 | 1 104 | 917 | 1 295 |
| 指数似然 | -2 565.2 | -2 744.1 | -567.5 | -912.8 | -2 046.8 | -2 631.8 | -1 860.3 | -2 674.1 |
| 卡方 | 363.7 | 1 303.8 | 373.3 | 385.3 | 656.7 | 399.9 | 983.5 | 1 295.1 |
| MacFadden-ρ2 | 0.066 | 0.192 | 0.247 | 0.174* | 0.138 | 0.071 | 0.209 | 0.195 |
| 注：*p＜0.1; **p＜0.05; ***p＜0.01。参数下方为拟合标准差 | ||||||||
表选项
企业规模-资源环境效率关系中各参数也通过回归拟合得到，在此不再列举。
2.2 产业疏解规模Monte Carlo模拟计算表明，各工业行业主要统计值在计算15 000次左右时达到收敛，其平均疏解产值规模及占全市现有行业比重如表 3所示。
表 3 各行业平均疏解规模
| 产业 | 疏解产值/亿元 | 比例/% |
| 食品 | 142.17 | 16.7 |
| 纺织 | 89.91 | 53.0 |
| 木材家具 | 88.72 | 95.0 |
| 造纸印刷 | 174.42 | 93.0 |
| 化工 | 76.39 | 21.7 |
| 建材 | 465.84 | 95.5 |
| 金属冶炼 | 142.86 | 70.5 |
| 金属制品 | 98.79 | 32.3 |
表选项
模拟结果表明：木材家具、造纸印刷和建材平均疏解比例均大于90%，可认为被完全疏解；金属冶炼、纺织等高消耗、高污染行业疏解比例超过了50%；食品、金属制品、化工的疏解比例均在15%以上。
2.3 产业疏解对京津冀各城市经济与资源环境的影响经预测，产业疏解将对京津冀各城市产生不同程度的经济和资源环境影响，详见表 4。
表 4 产业疏解对京津冀各城市经济与资源环境影响
| 城市 | 产值 | 用水量 | 用能量 | 废水排放量 | 化学需氧量 | 氨氮量 | 二氧化硫量 | 氮氧化物量 | 烟/粉尘排放量 | ||||||||
| 亿元 | 万t | 万t标准煤 | 万t | t | t | t | t | t | |||||||||
| 北京 | -1 279.1 | -2 874.7 | -59.7 | -685.1 | -551.5 | -54.4 | -3 371.7 | -1 338.2 | -1 830.6 | ||||||||
| 天津 | 540.9 | 1 009.8 | 22.2 | 228.1 | 284.5 | 27.8 | 1 494.2 | 587.9 | 807.0 | ||||||||
| 保定 | 71.4 | 149.6 | 3.5 | 37.2 | 18.1 | 1.8 | 175.6 | 71.8 | 109.2 | ||||||||
| 廊坊 | 182.7 | 414.0 | 10.5 | 79.0 | 76.0 | 8.9 | 477.4 | 199.2 | 323.7 | ||||||||
| 唐山 | 60.8 | 119.9 | 3.2 | 29.8 | 18.3 | 1.9 | 160.0 | 66.9 | 101.2 | ||||||||
| 张家口 | 35.4 | 97.8 | 2.0 | 23.5 | 14.2 | 1.1 | 112.7 | 41.8 | 52.6 | ||||||||
| 承德 | 16.3 | 51.6 | 0.7 | 11.9 | 7.4 | 0.5 | 58.8 | 21.2 | 25.0 | ||||||||
| 秦皇岛 | 19.4 | 57.8 | 1.1 | 15.0 | 6.7 | 0.7 | 46.8 | 19.5 | 24.5 | ||||||||
| 沧州 | 88.0 | 186.3 | 3.6 | 55.2 | 27.2 | 2.9 | 180.4 | 80.2 | 110.1 | ||||||||
| 衡水 | 38.3 | 80.1 | 1.5 | 22.1 | 13.8 | 1.1 | 103.2 | 39.7 | 51.0 | ||||||||
| 邢台 | 43.7 | 124.4 | 2.0 | 32.9 | 14.6 | 1.3 | 104.9 | 39.8 | 46.4 | ||||||||
| 邯郸 | 22.7 | 67.0 | 1.0 | 16.8 | 7.1 | 0.7 | 57.3 | 23.5 | 30.8 | ||||||||
| 石家庄 | 159.4 | 516.4 | 8.3 | 133.7 | 63.6 | 5.6 | 400.3 | 146.6 | 149.1 |
表选项
预测结果表明：疏解非首都核心功能将造成北京工业产值降低6.9%，约1 279亿元。同时，化学需氧量、氨氮排放量分别下降11.8%、17.5%，但主要大气污染物排放量仅下降2.2%~9.5%。
对污染物的行业来源分析表明：疏解的水污染物主要来自食品、木材家具、造纸印刷和化工行业，其疏解的化学需氧量、氨氮排放量之和分别占疏解总量的77.2%、68.2%。这些行业在北京市化学需氧量、氨氮的工业排放结构中分别占25.1%、25.2%，比例较高。疏解的大气污染物主要来自化工和建材行业，二者疏解二氧化硫、氮氧化物排放量分别占疏解总量的73.1%、69.7%；但其在北京市二氧化硫、氮氧化物的工业排放结构中仅分别占15.2%、2.8%。因此，产生较大水环境压力的行业将会得到有效疏解，而主要产生大气环境压力的行业疏解量较少。经分析，一方面是由于这些行业在北京现有保有量较少，此外部分行业承担了重要的城市基本保障功能，不在此次疏解范围之内。
可见，工业疏解将较为有效缓解北京市水资源水环境压力，但对于减少能源消耗、改善大气环境质量贡献相对较小。
模拟结果表明：天津承接疏解产业规模最大，产值达540亿元，约为北京全部工业疏解量的50%；廊坊、石家庄次之，为150~200亿元；其余城市承接疏解产业规模均小于100亿元。可见，天津、廊坊、石家庄承担了主要疏解的工业企业。与各地市原有产业规模相比，廊坊、衡水承接工业产值规模增加比例均超过了10%，沧州、石家庄增加率超过5%，天津、保定、张家口、邢台增加率约4%。
资源消耗量与污染物排放量呈相似规律。天津承接的各类资源消耗量及污染物排放量均占总疏解规模的30%以上，化学需氧量和氨氮排放量占比甚至超过50%，承担了最大的资源环境压力。廊坊、石家庄次之，除烟(粉)尘排放量外，承接的资源环境压力均超过疏解规模的10%。经预测，由于将承接25%以上的金属制品业和10%以上的食品行业，沧州面临的资源环境压力也较突出。因此，在工业疏解过程中，天津、廊坊、石家庄、沧州资源环境压力增长较大，应予以重点关注。
2.4 疏解后各承接地区资源环境压力与承载力比较将各地市承接的资源环境压力与当地原有水平进行比较，结果表明：除天津、廊坊外，各城市用水量、工业废水、化学需氧量、氨氮、二氧化硫、氮氧化物、烟(粉)尘排放量增加率均小于1.5%。因此，对整个地区，疏解是一个较有益的过程。但是，天津、廊坊的氨氮排放量分别增加了3%和9%，需给予关注。
为了比较各地市疏解后的资源环境压力与当地环境承载力的关系，将各地市承接的资源环境压力与疏解前水平相加，并与承载力比较。比较指标为化学需氧量、氨氮、氮氧化物、二氧化硫等4项。如图 1，横轴为因产能疏解的新增排放量与本地现有排放量的比值，表征新增环境压力的相对大小；纵轴为本地现有排放量与环境承载能力的比值，表征当地现状环境污染的水平。
 |
| 图 1 主要污染物新增排放量与现状比较注：1—天津；2—保定；3—廊坊；4—唐山；5—张家口；6—承德；7—秦皇岛；8—沧州；9—衡水；10—邢台；11—邯郸；12—石家庄。 |
| 图选项 |
结果表明12个承接城市可分为3类：第一类是天津、廊坊，这2个城市不仅原有排放超过了环境承载力(氨氮和化学需氧量排放量甚至达到环境承载力3倍以上)，且新增量比例较大。第二类城市本身排放量较大，疏解带来的资源环境压力增幅相对不大，对于水污染物问题，这类城市包括邯郸、石家庄、承德、张家口、保定、衡水、沧州；对于大气污染问题，这类城市包括邯郸、石家庄、唐山、秦皇岛、邢台、衡水、沧州、保定。第三类城市原有的污染排放量较小，疏解带来的污染物排放增加比例也较小，对于水污染问题，这类城市有唐山、秦皇岛、邢台；对于大气污染问题，这类城市有承德、张家口。
3 结论与建议运用离散选择模型，本文测算了北京市工业企业疏解对京津冀区域的资源环境影响，得到如下结论与对策建议。
1) 工业疏解能有效减缓北京市水环境压力，但对大气环境改善贡献较小。
经测算，工业疏解能疏解北京约7%的工业产值，对水污染物的疏解效果较好，化学需氧量、氨氮疏解比例分别为11.8%、17.5%；对于大气污染物疏解效果一般，疏解比例均小于10%。对造成较大水环境压力的行业，疏解力度较大，对大气污染较为严重的行业疏解力度相对较小，导致疏解主要缓解了北京市的水环境压力。
2) 疏解有利于京津冀地区产业协同发展。
对于周边城市，各地市平均工业产值增加率为5%，资源压力增加率大部分小于1.5%，资源环境压力增加率显著低于产值增加率，有利于整个地区的协同发展。
3) 结合各地环境状况与潜在影响制定差别化的疏解承接政策和准入要求。
根据各承接地现有环境状况与潜在疏解承接影响，对节2.4中3类城市提出相应的政策建议。
第一类城市原有污染排放已经超过环境承载力，而由于区位优势，将会吸引大量疏解工业企业，随之而来的是资源环境压力。因此，在疏解过程中，应提高本地环境准入标准，避免承接过多的工业疏解企业。
第二类城市当前环境问题突出，疏解带来的压力相对较小。相比于疏解，这些城市应当注重解决原有的环境问题。尤其对于雄安新区(保定)，应当在解决好本地环境问题的基础上，有序承接产业转移。
第三类城市当前环境状况相对较好，且疏解带来的压力预计较小。在考虑环境承载力的基础上，应鼓励产业有序转移到这些城市。对主要污染物为水污染物的产业(如食品、木材家具、造纸印刷等)可以引导落户于唐山、秦皇岛、邢台。对主要污染物为大气污染物的产业(如建材、金属冶炼等)可以引导落户于承德、张家口。
参考文献
| [1] | He C F, Wei Y H D, Xie X Z. Globalization, institutional change, and industrial location:Economic transition and industrial concentration in China[J]. Regional Studies, 2008, 7(42): 923–945. |
| [2] | Thun E. Keeping up with the Jones':Decentralization, policy imitation, and industrial development in China[J]. World Development, 2004, 32(8): 1289–1308. DOI:10.1016/j.worlddev.2004.02.007 |
| [3] | Isabel Escalona-Orcao A, Climent-Lopez E A. Factors and limits of interurban industrial decentralization the case of Zaragoza (Spain)[J]. European Urban and Regional Studies, 2012, 19(4): 420–433. DOI:10.1177/0969776411428561 |
| [4] | 李玲, 陈迅. 重庆劣势产业选择研究[J]. 数学的实践与认识, 2006(8): 70–75.LI Ling, CHEN Xun. Study on the selection of inferior position industries in Chongqing[J]. Mathematics in Practice and Theory, 2006(8): 70–75. (in Chinese) |
| [5] | Callens I, Tyteca D. Towards indicators of sustainable development for firms:A productive efficiency perspective[J]. Ecological Economics, 1999, 28(1): 41–53. DOI:10.1016/S0921-8009(98)00035-4 |
| [6] | Laursen K. Revealed comparative advantage and the alternatives as measures of international specialization[J]. Eurasian Business Review, 2015, 5(1): 99–115. DOI:10.1007/s40821-015-0017-1 |
| [7] | Levchenko A A, Zhang J. The evolution of comparative advantage:Measurement and welfare implications[J]. Journal of Monetary Economics, 2016, 78: 96–111. DOI:10.1016/j.jmoneco.2016.01.005 |
| [8] | Gurgul H, Lach ?. Simulating evolution of interindustry linkages in endogenous dynamic IO model with layers of techniques[J]. Metroeconomica, 2016, 67(4): 632–666. DOI:10.1111/meca.2016.67.issue-4 |
| [9] | Luo J. Which industries to bail out first in economic recession? Ranking US industrial sectors by the Power-of-Pull[J]. Economic Systems Research, 2013, 25(2): 157–169. DOI:10.1080/09535314.2013.775111 |
| [10] | Nishimizu M, Page J M. Total factor productivity growth, technological progress and technical efficiency change:Dimensions of productivity change in Yugoslavia, 1965-78[J]. The Economic Journal, 1982, 92(368): 920–936. DOI:10.2307/2232675 |
| [11] | Simon H A, Bonini C P. The size distribution of business firms[J]. The American Economic Review, 1958, 48(4): 607–617. |
| [12] | Hausman J, Mcfadden D. Specification tests for the multinomial logit model[J]. Econometrica, 1984, 52(5): 1219–1240. DOI:10.2307/1910997 |
| [13] | Kabatek J, Van Soest A, Stancanelli E. Income taxation, labour supply and housework:A discrete choice model for French couples[J]. Labour Economics, 2014, 27: 30–43. DOI:10.1016/j.labeco.2014.01.004 |
| [14] | Ida T, Goto R. Interdependency among addictive behaviours and time/risk preferences:Discrete choice model analysis of smoking, drinking, and gambling[J]. Journal of Economic Psychology, 2009, 30(4): 608–621. DOI:10.1016/j.joep.2009.05.003 |
| [15] | Wang C, Xie D, Liu Y. Regional industrial growth and environmental impacts in the Bohai Sea rim region of China:Uncertainty in location choice[J]. Regional Environmental Change, 2016, 16(5): 1363–1374. DOI:10.1007/s10113-015-0863-5 |
| [16] | Lovreglio R, Borri D, Dell O L, et al. A discrete choice model based on random utilities for exit choice in emergency evacuations[J]. Safety Science, 2014, 62: 418–426. DOI:10.1016/j.ssci.2013.10.004 |
| [17] | Haaf C G, Michalek J J, Morrow W R, et al. Sensitivity of vehicle market share predictions to discrete choice model specification[J]. Journal of Mechanical Design, 2014, 136(12): 121402. DOI:10.1115/1.4028282 |
| [18] | Rasciute S, Pentecost E, Ferrett B. Firm heterogeneity in modelling foreign direct investment location decisions[J]. Applied Economics, 2014, 46(12): 1350–1360. DOI:10.1080/00036846.2013.872760 |
| [19] | Bodenmann B R, Axhausen K W. Effects and side effects of measures to attract firms-A micro-Simulation study of firm location choice[J]. disP-The Planning Review, 2012, 48(4): 14–28. DOI:10.1080/02513625.2012.776811 |
| [20] | Jindra B, Hassan S S, Cantner U. What does location choice reveal about knowledge-seeking strategies of emerging market multinationals in the EU?[J]. International Business Review, 2016, 25(1): 204–220. DOI:10.1016/j.ibusrev.2014.11.008 |
| [21] | Talluri K, Van Ryzin G. Revenue management under a general discrete choice model of consumer behavior[J]. Management Science, 2004, 50(1): 15–33. DOI:10.1287/mnsc.1030.0147 |
| [22] | Lundvall K, Battese G E. Firm size, age and efficiency:Evidence from Kenyan manufacturing firms[J]. The Journal of Development Studies, 2000, 36(3): 146–163. DOI:10.1080/00220380008422632 |
| [23] | 北京市统计局. 北京市统计年鉴[EB/OL]. [2017-5-10]. http://www.bjstats.gov.cn/nj/main/2015-tjnj/zk/indexch.htm. Bureau of Statistics of Beijing. Beijing Statistical Yearbook[EB/OL].[2017-5-10]. http://www.bjstats.gov.cn/nj/main/2015-tjnj/zk/indexch.htm. (in Chinese) |
| [24] | 中华人民共和国国家统计局. 中国统计年鉴[EB/OL]. [2017-5-10]. http://www.stats.gov.cn/tjsj/ndsj/2015/indexch.htm. National Bureau of Statistics of China. China Statistical Yearbook[EB/OL].[2017-5-10]. http://www.stats.gov.cn/tjsj/ndsj/2015/indexch.htm. (in Chinese) |
