企业异地投资视角下长三角城市经济增长的网络外部性研究

高鹏; 宁越敏; 何丹; 张凡

doi:10.13249/j.cnki.sgs.2023.07.009

地理科学 >

2023 , Vol. 43 >Issue 7: 1216 - 1226

DOI: https://doi.org/10.13249/j.cnki.sgs.2023.07.009

跨学科视野下的治理研究与治理现代化 (二)

企业异地投资视角下长三角城市经济增长的网络外部性研究

高鹏 ^,¹ ,
宁越敏 ² ,
何丹 ^,²^,³^,⁴^,^* ,
张凡 ¹

展开

1.上海师范大学全球城市研究院，上海 200234
2.华东师范大学中国现代城市研究中心，上海 200062
3.华东师范大学城市与区域科学学院，上海 200241
4.华东师范大学中国行政区划研究中心，上海 200241

何丹。E-mail: dhe@re.ecnu.edu.cn

高鹏（1989—），男，山东济南人，博士，助理研究员，主要从事城市地理与区域发展研究。E-mail: geogaopeng@shnu.edu.cn

收稿日期: 2022-01-26

修回日期: 2022-04-11

网络出版日期: 2023-07-20

基金资助

国家社会科学基金重大项目(22&ZD067)

版权

收起

Network externalities of urban economic growth in the Yangtze River Delta from the perspective of enterprises' non-local investment

Gao Peng ^,¹ ,
Ning Yuemin ² ,
He Dan ^,²^,³^,⁴^,^* ,
Zhang Fan ¹

Expand

1. Institute for Global Cities, Shanghai Normal University, Shanghai 200234, China
2. The Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China
3. School of Urban & Regional Science, East China Normal University, Shanghai 200241, China
4. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China

Received date: 2022-01-26

Revised date: 2022-04-11

Online published: 2023-07-20

Supported by

National Social Science Foundation of China(22&ZD067)

Copyright

Fold

摘要

基于企业异地投资数据构建2003—2018年全球、全国及区域3个空间尺度的长三角城市网络，利用空间面板计量模型从分尺度、分时段、分区域等角度分析城市网络对城市经济增长的影响，揭示长三角存在的城市网络外部性特征。结果表明：① 长三角各尺度城市网络均在持续扩张，且呈现典型的核心-边缘结构特征。② 各尺度城市网络对城市经济增长均产生积极的影响，但影响程度呈现出全球＞全国＞区域的尺度差异。③ 随着时间的推移，嵌入全国和区域城市网络所带来的经济效益逐渐超过全球城市网络的影响，这从城市网络的角度证实了长三角地区转向内循环为主，既是现实表现，也是必然选择。④ 城市网络外部性存在明显的区域异质性，位于核心区域的城市在网络中获益较多，但城市网络对位于外围区域的城市影响逐渐增强。⑤ 与集聚外部性相比，网络外部性的重要性越来越突出，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。

关键词： 企业异地投资; 城市网络外部性; 城市经济增长; 长三角; 空间面板计量模型

本文引用格式

高鹏 , 宁越敏 , 何丹 , 张凡 . 企业异地投资视角下长三角城市经济增长的网络外部性研究[J]. 地理科学, 2023 , 43(7) : 1216 -1226 . DOI: 10.13249/j.cnki.sgs.2023.07.009

Abstract

Based on the enterprises' non-local investment data, this paper constructs the global, national and regional urban networks in the Yangtze River Delta from 2003 to 2018, and then uses the spatial panel econometric model to comprehensively analyze the impact of urban networks on urban economic growth, so as to reveal the urban network externalities in the Yangtze River Delta. The results indicate that: 1) Urban networks of all scales in the Yangtze River Delta continue to expand and present a typical characteristic of core-periphery structure during the study period. 2) Urban networks of all scales have a positive impact on urban economic growth, but the degree of impact shows global > national > regional scale heterogeneity. 3) And over time, the economic benefits brought by embedding national and regional urban networks gradually exceed the impact of global urban networks, which shows that from the perspective of multi-scale urban networks, the Yangtze River Delta turns to internal circulation under a "dual circulation" development pattern, which is not only a realistic manifestation, but also an inevitable choice. This result provides direct research support for the dual circulation strategy in the Yangtze River Delta. 4) Due to different resource endowments and development stages in different regions of the Yangtze River Delta, the impact of urban network on urban economic growth has obvious regional heterogeneity. Cities located in the core region benefit more from the urban network, but the impact of urban network on cities located in the outer region gradually increases over time. 5) The agglomeration externality is an important factor affecting the improvement of urban economic performance. The externality and knowledge spillover effect brought by economic agglomeration under spatial constraints are still important driving forces in the evolution of economic geographical landscape. However, compared with agglomeration externality, the importance of urban network externality is becoming more and more prominent. This study can provide decision-making support for incorporating development strategies of urban network into the spatial policy system of national and local governments.

Key words： enterprises' non-local investment; urban network externalities; urban economic growth; the Yangtze River Delta; spatial panel econometric model

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^[1]。企业异地投资的日益活跃为中国城市网络的发展提供了强大动力，城市经济辐射范围逐渐超越了传统的腹地范围，使城市具备超越本地经济的区域、国家甚至全球等多尺度功能^[2]。2020年以来，中国正处于全面构建双循环新发展格局、推动经济高质量发展的关键时期。因此，比以往更需要提高资源配置效率，优化生产力空间布局，促进地区间产业分工协同和要素自由流动。资本是经济增长的核心生产要素之一，其在城市间的有序流动，能够有效配置相对稀缺的要素资源、提高城市的全要素生产率并促进城市经济高质量发展。因此，从企业异地投资的角度探讨城市网络对城市经济增长的影响，可为将城市网络发展战略纳入国家和地方政府的空间政策体系提供决策支撑。

在“流空间”背景下，要素流在地域空间的尺度上交互作用且正在向网络空间演化。城市因其嵌入网络所带来的效益已成为当前研究热点^[3-4]。城市网络外部性是指城市因其嵌入网络并通过节点之间相互连接的互补、整合或协同作用而产生的外部效应^[5-6]。一般而言，城市网络外部性具有正负之分。规模借用是典型的网络正外部性^[7]，与其相反的是集聚阴影^[8]，即网络负外部性。从区域角度来讲，城市区域具有连接国内国际多个网络的“交叉路口”枢纽功能^[9]。针对相关实证研究过于注重区域内部分析而忽视其外部关联性的局限^[10]，西方学界逐渐转向多尺度功能联系的视角^[11-13]；此外，对网络外部性的研究也正从单尺度向多尺度深入^[14-15]。国内学者在借鉴世界城市网络研究的基础上，其研究重点从城市网络的结构特征向城市网络的功能、形成机制和效应拓展。国内对城市网络外部性的相关研究更多地关注到区域异质性问题^[16]。经验研究表明，不同区位的城市因发展条件的差异，将从网络联系中获得不同的收益，通常发展条件较好的城市能从网络联系中得到更多的收益^[17-19]。

综上所述，国内外对城市网络外部性的研究方兴未艾，这为本文提供了坚实的基础与有力的支撑，但在以下方面仍有待考察：① 研究数据方面，主要利用分支机构或异地投资事件的数量数据替代企业内部真实投资流量数据，忽视了公司规模、持股比例等重要信息，无法精准刻画城市在网络中的权力与地位^[20]。② 研究内容方面，大多是建立在静态的、忽略网络尺度和区域差异的前提假设下取得的，与城市网络本身固有的动态演化特性、空间尺度属性和区域异质性并不相符^[16,21]，亟待从分尺度、分时段、分区域等维度加强对城市网络外部性更深入细致的考察。③ 研究方法方面，多数研究采用未纳入空间因素的传统计量模型测度城市网络外部性，对地理空间格局的影响重视不够^[22]，较少考虑因周边城市的网络嵌入所产生的空间溢出效应。

改革开放以来，长三角地区逐渐成为中国对外开放程度最高、经济发展最具活力的城市区域之一。本文以长三角地为研究区域，利用真实投资额代替分支机构数量或异地投资事件数表征城市联系，构建2003—2018年全球、全国及区域等3个空间尺度的城市网络，并引入空间面板计量模型，从分尺度、分时段、分区域等维度揭示城市网络对城市经济增长的影响。本文不仅在理论上深化了对城市网络外部性的认识，也可在实践上为面向“十四五”时期的区域协调发展规划和构建双循环新发展格局提供有益借鉴。

1 研究对象、数据与方法

1.1 研究对象

2019年12月，中共中央、国务院印发《长江三角洲区域一体化发展规划纲要》（http://www.gov.cn/zhengce/2019-12/01/content_5457442.htm），指出长三角地区规划范围包括上海市、江苏省、浙江省、安徽省全域在内的35.8万km²。基于此，本文选取1市3省全域中的41个地级及以上城市为研究对象。此外，主要参照《中国统计年鉴2019》^[23]中收录的地级及以上行政单元来选取全国尺度上的研究对象。全球尺度上的研究对象主要来源于Bureau van Dijk数据库^①(①https://www.bvdinfo.com/zh-cn/ [2020-12-07])，少数小城镇按照临近原则，归并到收录于联合国编制的《世界城市2018》^[24]及GaWC研究网络编制的世界城市名册数据库^②(②https://www.lboro.ac.uk/microsites/geography/gawc/world2018t.html [2021-01-16])中的城市。

1.2 数据来源与城市网络构建

1）数据来源。① 长三角与境外城市间的经济联系数据来源于Bureau van Dijk系列数据库，借此获取境外城市的企业投资到长三角以及长三角企业投资到境外城市的项目交易数据，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、所在国家与城市、所属行业、投资时间、投资金额等详尽信息。② 长三角与全国其他城市间、长三角内部城市间的经济联系数据则来源于万得（Wind）数据库^③(③https://www.wind.com.cn/ [2019-10-21])中的A股上市企业年报，并以国泰安金融数据库^④(④https://www.gtarsc.com/ [2019-11-04])为补充。首先，通过Wind数据库获取涉及到长三角与全国其他城市间、长三角内部城市间有总部-分支投资关系的企业年报，并从年报中获取总部和分支机构名称、所在城市、所属行业、年末实际投资额等信息。其次，通过国泰安金融数据库获取总部对分支机构的持股比例和分支机构注册资本信息，得到总部对分支机构的投资额。鉴于数据的可得性，选择2003—2018年作为本文的研究时段。

2）城市网络构建。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。然后，分别从全球、全国和区域3个尺度出发，依次构建长三角与境外城市之间的城市网络、长三角与全国其他城市之间的城市网络，以及长三角内部41个城市之间的城市网络。需要强调的是，为更加聚焦长三角地区，在全球和全国尺度上，境外城市之间、全国其他城市之间的联系均不予以考虑。

1.3 计量模型设定与变量选取

1.3.1模型设定

空间面板计量模型能够有效兼顾区域自身的固有属性及其空间相关性问题。该模型主要包括3种形式^[25]：当误差项的空间相关性对模型的解释能力较强时，应采用空间面板误差模型（SPEM）；当被解释变量的空间相关性对模型的解释能力较强时，应采用空间面板滞后模型（SPLM）；如果同时存在空间误差和空间滞后，则应采用空间面板杜宾模型（SPDM）。

在包含空间滞后项的空间面板计量模型中，城市网络对城市经济增长的影响不能直接用回归系数表示，需采用偏微分矩阵法^[26]将系数的总效应分解为直接效应和间接效应。其中，直接效应反映本市解释变量对被解释变量的影响；间接效应，又称空间溢出效应，反映邻近城市的解释变量对本市因变量的影响，或指本市的解释变量对邻近城市被解释变量的影响。

1.3.2变量选取

模型包括被解释变量、核心解释变量和控制变量等3类变量，具体如下：

1）被解释变量。采用长三角各城市GDP表示经济增长水平，作为模型的被解释变量。为剔除物价变动因素的影响，选取2003年为基准年份，利用GDP缩减指数进行平滑缩减，用以计算实际GDP。其中，GDP缩减指数由名义GDP与以不变价格下的GDP增长指数计算所得。

2）核心解释变量。包括全球、全国和区域尺度的网络嵌入3个变量。点度中心性和加权中心性是社会网络分析中刻画节点在网络中地位的重要指标，前者反映节点的网络嵌入广度，后者则反映节点的网络嵌入深度。为综合2个指标的优势，参考已有文献[21]构造综合中心性指标，用以衡量长三角地区各城市嵌入不同尺度城市网络的程度。本文用全球综合中心性（GC）、全国综合中心性（NC）、区域综合中心性（RC）分别作为长三角各城市的全球、全国和区域城市网络嵌入水平的代理变量。

3）控制变量。选取如下变量作为模型的控制变量：①资本存量。传统经济增长理论认为，资本存量是经济增长的源泉。采用永续盘存法^[27]估算长三角地区各城市的资本存量。② 人力资本。新增长理论认为知识和专业化的人力资本积累可以产生递增收益并使其他投入要素的收益递增，是经济持续增长的源泉与动力。劳动者的受教育程度是衡量各国人力资本较为准确的指标，但获取城市层面劳动者的受教育程度较为困难。由于接受大学教育的边际生产力对经济增长的贡献较大，故采用万人在校学生数（EDU）作为人力资本的代理变量。③ 集聚外部性。因经济主体在同一区域集聚所获得的额外好处和知识溢出（即集聚外部性）是影响城市与区域增长的重要因素。根据其来源的不同，可将其分为MAR外部性、Jacobs外部性和城市化外部性。其中，MAR外部性强调同类产业的集聚有利于知识溢出并能促进城市增长，采用克鲁格曼专业化集聚指数（KSI）进行测度^[28]；Jacobs外部性强调城市通过集聚不同类型的产业可以获取更多的知识溢出，从而提高其抵抗外部经济冲击的能力，引入基于赫芬达尔指数构造的多样化集聚指数（DIV）进行测度^[29]；城市化外部性反映了城市规模的影响，与上述2种强调产业集聚的外部性相比，其内涵更为丰富，采用地级市层面的人口密度（DEN）进行测度^[30]。

上述被解释变量和控制变量的属性数据主要来源于《中国城市统计年鉴》^[31]。另外，为保证实证结果的可靠和准确，在进行回归分析之前，需对模型进行必要的预处理和检验。首先，为提高数据的平稳性，削弱共线性和异方差对估计结果的影响，对各指标进行取自然对数处理。其次，在对解释变量进行多重共线性诊断时发现，各变量之间的相关系数较小，且方差膨胀因子（VIF）小于10，表明不存在严重的多重共线性问题。最后，借助探索性空间数据分析软件Geoda分析变量的空间自相关性，结果均通过了显著性检验。这表明忽略变量的空间自相关性会造成模型的错误设定，因此证实选取空间面板计量模型是合理的。

2 长三角城市网络结构特征

如图1所示，网络中无论是节点的数量与大小，还是联系的条数与强度，均呈现递增的趋势。这表明在企业异地投资活动的推动下，长三角各尺度城市网络的规模均在持续地扩张和壮大，城市间网络化发展趋势正不断增强。就城市网络结构而言，各尺度城市网络被划分为3个差异鲜明的层级，呈现出典型的核心-边缘结构。具体来看，① 全球尺度上，第1层级仅包括上海，位于图谱的中心位置，是长三角全球城市网络的强核心，其在该网络中的连通性最高；第2层级主要由来自东亚、西欧、北美的城市所构成，这些城市通常也是全球城市，与长三角城市存在密切的投资联系，成为长三角境外最重要的门户；第3层级处于图谱的边缘位置，虽然城市数量最多，但这些城市对外投资和吸引投资的规模都较小。② 全国尺度上，第1层级包括的城市由初期的上海和北京演变为末期的上海、北京和深圳，这些城市集聚了国内大量的上市企业总部和分支机构，与长三角各城市的联系最为密切，处于城市网络体系的顶端；第2层级主要由来自东部沿海的城市所构成，此外，武汉、成都等中西部区域中心城市也逐渐跻身于第2层级；第3层级包括的城市不断增多，但与其他城市的联系较弱。③ 区域尺度上，第1层级在研究初期仅包括上海，随着南京、杭州、苏州与长三角其他城市之间的联系日益紧密，也逐渐入围该层级，意味着区域城市网络的发展模式由单中心引领转变为多中心带动；第2层级包括的城市主要位于沪宁合杭甬发展带上，这些城市的区域城际投资活动非常活跃，集聚与辐射能力较强，次核心地位较为突出；第3层级由剩余的城市组成，尽管这些城市位于网络边缘，但随着长三角一体化进程的深入推进，要素跨区域流动日益频繁，网络连通性得以提升。

显示原图|下载原图ZIP|生成PPT

图1 2003—2018年长三角不同尺度城市网络

图中节点大小表示某城市对外投资和吸引投资总额的相对值，联系强度表示某城市对另外一个城市投资或吸引另外一个城市投资的相对值；全国尺度数据来源于A股上市企业年报，未覆盖到中国香港、中国澳门、中国台湾相关城市数据；全球尺度数据来源于Bureau van Dijk 数据库，覆盖到中国香港、中国澳门、中国台湾相关城市数据

Fig. 1 Urban networks at different spatial scales in the Yangtze River Delta, 2003—2018

3 长三角城市经济增长的网络外部性

3.1 尺度异质性特征

在选择空间面板计量模型的具体形式时，需要结合Granger、LM、Robust LM、Wald和LR等检验来判断，检验结果表明SPDM不可退化为空间面板计量模型的简化形式，SPDM的拟合效果最优。进一步地，Hausman统计量通过了显著性检验，表明选择具有固定效应的SPDM较为适合。

首先，基于SPDM分别考察全球、全国和区域网络嵌入的单独变动对城市经济增长的影响，结果分别对应表1中的模型1、模型2和模型3。可以发现，全球和全国尺度综合中心性的系数都显著为正，尽管区域尺度综合中心性的系数未通过显著性检验，但对城市经济增长也呈现正向的影响。紧接着将3个核心解释变量和其他控制变量全部纳入模型4当中，发现其可决系数（R²）和对数似然值（Log-L）均较大，表明该模型的解释力更强，故就此展开具体分析。

表1 分尺度SPDM的回归结果

Table 1 Regression results of SPDM at different scales

变量	模型1	模型2	模型3	模型4	变量	模型1	模型2	模型3	模型4
注：GC、NC、RC分别表示全球、全国和区域尺度上的综合中心性，K为资本存量，EDU为人力资本，KSI为克鲁格曼专业化集聚指数，DIV为多样化集聚指数，DEN为人口密度，ρ和σ²为估计系数； ^*、^、^*分别表示在1%、5%和10%水平下显著；-表示未参与运算；全国尺度数据来源于A股上市企业年报，未覆盖到中国香港、中国澳门、中国台湾相关城市数据；全球尺度数据来源于 Bureau van Dijk 数据库，覆盖到中国香港、中国澳门、中国台湾相关城市数据。
lnGC	0.0130^***	-	-	0.0160^***	W×lnGC	0.582 0^***	-	-	0.8000^***
lnNC	-	0.0067^*	-	0.0079^*	W×lnNC	-	0.0528	-	0.5631^***
lnRC	-	-	0.0047	0.0095^*	W×lnRC	-	-	0.3545^**	0.0741
lnK	0.3271^***	0.3587^***	0.3520^***	0.3339^***	W×lnK	4.0340^***	4.2300^***	4.4387^***	2.5677^***
lnEDU	0.0218^**	0.0335^***	0.0264^**	0.0210^*	W×lnEDU	0.5733^***	1.6683^***	1.8614^***	0.1361
lnKSI	0.0523^***	0.0551^***	0.0534^***	0.0550^***	W×lnKSI	-0.8567^**	-0.4845	-0.6757^*	-0.0321
lnDIV	0.0447^***	0.0491^***	0.0538^***	0.0423^**	W×lnDIV	1.1100^**	0.8571	-0.7017	1.441 0^***
lnDEN	0.0348^***	0.0330^***	0.0305^***	0.0350^***	W×lnDEN	2.0219^***	1.9352^***	1.9532^***	0.9136^***
ρ	6.2331^***	6.2206^***	6.0778^***	0.0037^***	σ²	0.0034^***	0.0036^***	0.0036^***	5.1111^***
R²	0.2617	0.2256	0.1827	0.5962	Log-L	924.3297	900.9589	902.7590	939.8301

模型4结果显示，在控制了其他变量的前提下，全球、全国和区域尺度综合中心性的回归系数均为正值，3者均通过了至少0.1水平下的显著性检验。这表明，长三角地区的城市通过嵌入到不同尺度的城市网络之中，可以享受到超越地理边界的网络外部性，凸显出城市的比较优势和规模经济，从而对城市经济增长产生积极的影响。此外，在空间权重矩阵W作用下，空间交互项W×lnGC、W×lnNC的系数均显著为正，表明全球和全国网络嵌入均存在显著的空间溢出效应；W×lnRC的系数虽不显著但也呈现出正向的影响。最后，模型中大部分控制变量的直接项和相应的空间交互项也通过了显著性检验。

由表2可知空间效应分解的结果。就核心解释变量而言，各尺度综合中心性的总效应均至少在10%水平上显著为正，表明长三角城市通过融入不同空间尺度的城市网络，能够对经济增长产生显著的正向促进作用。各尺度综合中心性的直接效应均显著为正，表明城市本身在网络中的地位越高，越有利于自身的经济增长。接着观察溢出效应，发现全球和全国尺度综合中心性的空间溢出效应均显著为正，且占到总效应的80%以上，这也印证了城市在全球和全国尺度上的投资联系所产生的空间溢出效应对其经济增长具有重要贡献。需要注意的是，地区内部城市间的相互联系并没有产生显著的空间溢出效应，这可能与长三角区域网络的发展阶段和区域异质性有关，具体原因将在后文展开探讨。

表2 分尺度空间效应分解

Table 2 Decomposed spatial effects at different scales

变量	lnGC	lnNC	lnRC	lnK	lnEDU	lnKSI	lnDIV	lnDEN
注：变量含义见表1； ^*、^、^*分别表示在1%、5%和10%水平下显著；全国尺度数据来源于A股上市企业年报，未覆盖到中国香港、中国澳门、中国台湾相关城市数据；全球尺度数据来源于 Bureau van Dijk 数据库，覆盖到中国香港、中国澳门、中国台湾相关城市数据。
直接效应	0.0124^***	0.0112^**	0.0105^**	0.3292^***	0.0223^*	0.0566^***	0.0369^**	0.0319^***
溢出效应	0.0716^***	0.0593^***	0.0110	0.0833^***	0.0262	–0.0309	0.1148^**	0.0731^**
总效应	0.0841^***	0.0705^***	0.0216^*	0.4125^***	0.0485	0.0257	0.1517^***	0.1050^***

就控制变量而言，城市的资本存量、人力资本、专业化集聚、多样化集聚和城市化集聚等因素均对本市经济增长产生直接的促进作用。其中，城市的资本存量越高，越有利于资本的深化，进而有助于其经济增长；且随着教育水平的提升劳动力素质得到改善，专业化人力资本的不断积累使得生产函数表现出规模报酬递增，从而对经济增长产生推动作用。集聚外部性变量组中3个变量的直接效应均显著为正，这意味着流动空间环境中集聚经济仍是影响城市经济增长的重要因素，空间约束下的产业集聚所带来的外部性和知识溢出效应是经济地理景观演化过程中不可忽视的驱动力量。此外，资本存量、多样化集聚和城市化集聚的空间溢出也是显著提升城市经济绩效的重要途径。

3.2 时间异质性特征

本文以2010年为时间节点，将总体样本分为2003—2010年（前期）的样本和2011—2018年（后期）的样本，分别进行时段分组回归，旨在进一步厘清长三角各尺度城市网络对城市经济增长影响的动态变化规律。

通过检验判断可知，2003—2010年和2011—2018年的最优拟合模型分别为具有固定效应的SPDM和SPLM。因此，基于SPDM和SPLM分别对2个时段进行回归分析。2个时段上空间项的估计系数ρ和σ²均为正且都通过了1%水平上的显著性检验，表明均存在显著的空间溢出效应。

由表3可知不同时段空间效应分解的结果。首先，分别对3个核心解释变量进行具体分析。嵌入全球城市网络对城市经济增长的3种效应在前后2个不同时段上均显著为正。随着时间的推移，空间溢出效应有所下降，而对本市的直接经济增长效应有所提升，但前者下降较为明显，导致对经济增长的影响整体上有所下降。在前期，与全国其他城市展开城际功能联系所产生直接效应并不显著，但由于能有效吸收周边核心城市空间溢出并共享网络协同利益，从而使得城市的整体经济绩效得到有效提高；在后期，直接效应的回归系数通过了显著性检验，即进一步嵌入到全国城市网络，能够直接推动本市与全国其他城市之间生产要素的交换与流动，从而有效促进本市经济增长。长三角区域城市网络对城市经济增长的3种效应在前期均不显著，而在后期则均呈现显著的正向影响。

表3 分时段空间效应分解

Table 3 Decomposed spatial effects in different stages

变量	2003—2010年			2011—2018年
变量	直接效应	溢出效应	总效应	直接效应	溢出效应	总效应
注：变量含义见表1；^*、^、^*分别表示在1%、5%和10%水平下显著；全国尺度数据来源于A股上市企业年报，未覆盖到中国香港、中国澳门、中国台湾相关城市数据；全球尺度数据来源于 Bureau van Dijk 数据库，覆盖到中国香港、中国澳门、中国台湾相关城市数据。
lnGC	0.0366^*	0.0279^**	0.0645^***	0.0238^***	0.0058^**	0.0296^***
lnNC	0.0049	0.0521^***	0.0571^***	0.0455^***	0.0186^***	0.0642^***
lnRC	–0.0026	0.0187	0.0161	0.0238^**	0.0097^**	0.0335^**
lnK	0.3173^***	0.0779^***	0.3952^***	0.2792^***	0.1138^***	0.3930^***
lnEDU	0.0089	0.1094^**	0.1183^***	0.0505^***	0.0207^***	0.0712^***
lnKSI	–0.0015	0.0827	0.0812^*	0.0394^***	0.0161^***	0.0555^***
lnDIV	0.0636^**	0.0926	0.1562^**	–0.0042	–0.0017	–0.0059
lnDEN	0.0036	–0.0177	–0.0141	0.0049	0.0021	0.0070

通过横向对比可以看出，在前期，只有嵌入全球和全国尺度的城市网络才能产生显著的经济拉动作用，原因是能够在这2个尺度上参与城际经济活动的多数为大型企业，此类企业的资源配置效率、研发技术实力和组织管理水平等处于较高层次，可有效促进城市知识增长和全要素生产率的提高，且它们的投资带动和市场拓展能力等较强，能够直接推动城市经济的增长。随着跨国和跨区投资经营的深入发展，本地企业中知识吸收与创造效率低的企业逐渐被淘汰，存活企业通过引进人才、模仿和学习先进企业的技术和经验等方法，使自身生产经营效率得以不断提高，城市的全要素生产率也随之得到改善。因此，在后期，地区内部城市间的经济联系显著促进了城市的经济增长。另外，全球尺度城市网络对经济增长的作用有所下降，而全国和区域尺度城市网络的作用在提升。

通过对其他控制变量进行分析可知，资本存量、人力资本、专业化集聚这3个变量的总效应均出现不同程度的下降趋势，而多样化集聚的总体影响由前期的显著为正转变为后期的不显著，城市化集聚的回归系数则未通过显著性检验。进一步聚焦来对比分析网络外部性和集聚外部性。由本文的实证结果来看，城市嵌入多尺度城际投资网络对城市绩效的作用不断提升，甚至超过城市自身规模的作用。

3.3 空间异质性特征

本文将总体样本分为核心区域和外围区域2大经济板块进行区域比较分析。核心区域主要包括上海市和江苏省的南京、苏州、无锡、常州、镇江、扬州、泰州、南通8个城市，浙江省的杭州、宁波、湖州、嘉兴、绍兴、舟山、台州7个城市，以及安徽省的合肥、马鞍山、芜湖3个城市，共计19个城市，外围区域则包括其余的22个城市。

首先将样本分为核心和外围2组，分别进行回归分析；然后按时段进一步分类进行回归，共计得到6个模型。由检验的结果最终确定出最优拟合模型应为具有固定效应的SPLM。结果显示，空间项的估计系数ρ和σ²均显著为正，进一步证实了空间相关性的存在。对于存在解释变量空间滞后项的SPLM来说，系数值大小无法真实地反映出解释变量的影响。为了更好地揭示不同经济板块城市的城市网络嵌入水平与经济增长之间的空间交互作用，下面通过空间效应分解来展开进一步的分析。

表4为核心区域的空间效应分解结果。2003—2018年各尺度综合中心性的估计结果均显著为正，表明位于核心区域的城市通过嵌入到不同尺度的城市网络，均能显著促进了城市的经济增长。分时段来看，全球城市网络对经济增长的整体影响随着时间的推移略有下降但变化不大，其中对本市自身的直接影响有所下降，而受周边城市空间溢出的间接影响略有上升。全国城市网络对经济增长所产生的直接效应、溢出效应和总效应均呈现增加态势，表明融入全国资本流动空间所带来的正向外部性被越来越好地发挥了出来。长三角区域城市网络的估计结果变化最为明显，从前期的3种影响效应均显著为正，转变为后期的仅对自身有显著的直接效应。地区内城市间经济关联所产生的溢出效应之所以不显著，是因为核心区域内城市在各尺度城市网络中的嵌入程度均较高，彼此间差距相对较小，辐射带动周边城市经济发展的能力有限。

表4 长三角核心区域空间效应分解

Table 4 Decomposed spatial effects for the core area in the Yangtze River Delta

变量	2003—2018年			2003—2010年			2011—2018年
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
注：变量含义见表1；^*、^、^*分别表示在1%、5%和10%水平下显著；全国尺度数据来源于A股上市企业年报，未覆盖到中国香港、中国澳门、中国台湾相关城市数据；全球尺度数据来源于 Bureau van Dijk 数据库，覆盖到中国香港、中国澳门、中国台湾相关城市数据。
lnGC	0.0200^***	0.0058^***	0.0258^***	0.0095^***	0.0028^**	0.0122^***	0.0090^**	0.0031^**	0.0121^**
lnNC	0.0217^***	0.0063^***	0.0281^***	0.0141^**	0.0040^**	0.0181^**	0.0255^**	0.0044^**	0.0299^***
lnRC	0.0247^*	0.0013	0.0260^*	0.0319^**	0.0092^**	0.0411^**	0.0274^*	0.0049	0.0322
lnK	0.4589^***	0.1331^***	0.5920^***	0.4771^***	0.1366^***	0.6137^***	0.4565^***	0.0800^***	0.5364^***
lnEDU	0.0697^***	0.0203^***	0.0900^***	0.0464^***	0.0136^**	0.0600^***	0.0439^**	0.0078^**	0.0516^**
lnKSI	0.0779^***	0.0227^***	0.1007^***	0.0371^*	0.0111	0.0482^*	0.0861^***	0.0150^***	0.1011^***
lnDIV	0.0658^***	0.0192^***	0.0850^***	–0.0145	-0.0039	-0.0183	0.0840^***	0.0146^***	0.0987^***
lnDEN	0.0215^**	0.0062^**	0.0277^**	0.0107	0.0031	0.0137	0.0293^***	0.0052^***	0.0345^***

由核心区域控制变量的空间效应分解结果可知，整个研究期间，资本存量、人力资本、专业化集聚、多样化集聚和城市化集聚等变量的3种效应的系数均至少在5%水平上显著为正，表明资本、人力、产业以及其他要素的本地集聚能够有效促进城市经济增长。从时间变化上来看，资本存量和人力资本3种效应的回归系数均有所下降，但仍呈现非常显著的正向影响；而专业化集聚和城市化集聚的影响变化较大，由不显著转变成显著为正。由此可见，长三角核心区域并未发展到因资源要素过度集聚而产生不经济现象，相反，因集聚带来的外部性和知识溢出仍是影响该区域增长的重要因素。该发现也呼应了已有关于城市规模分布经济绩效的研究^[32]，即需要更加慎重地制定特大城市的城市规模分布引导政策，对于这些城市而言，此时推动多中心建设效果可能会大打折扣，甚至适得其反。

外围区域的空间效应分解结果（表5）显示，2003—2018年全球和全国综合中心性的3种效应的回归系数的符号虽为正但均未通过显著性检验，这归因于外围区域的城市嵌入全球和全国城市网络的程度较浅，尚未跨越显著影响经济增长的门槛；而区域综合中心性的3种效应的回归系数全部显著为正，表明2003—2018年外围区域的城市通过积极参与到地区内部的产业分工，能够显著推动城市经济发展。从时间演化上来看，因达到显著促进经济增长门槛的难度较大，全球综合中心性始终未对外围区域经济发展产生显著影响；随着外围区域进一步参与到全国尺度的分工与合作，可有效获得网络协同效益并促进经济增长，在后期全国综合中心性的回归系数均变得显著；随着时间推移，外围区域经济增长更多地获益于地区内部的网络嵌入。

表5 长三角外围区域空间效应分解

Table 5 Decomposed spatial effects for the peripheral area in the Yangtze River Delta

变量	2003—2018年			2003—2010年			2011—2018年
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
注：变量含义见表1； ^*、^、^*分别表示在0.01、0.05和0.1水平下显著；全国尺度数据来源于A股上市企业年报，未覆盖到中国香港、中国澳门、中国台湾相关城市数据；全球尺度数据来源于 Bureau van Dijk 数据库，覆盖到中国香港、中国澳门、中国台湾相关城市数据。
lnGC	0.0057	0.0033	0.0090	0.0047	0.0041	0.0087	0.0040	0.0018	0.0057
lnNC	0.0017	0.0010	0.0027	0.0059	0.0051	0.0110	0.0179^***	0.0107^***	0.0286^***
lnRC	0.0285^***	0.0168^***	0.0454^***	0.0099^***	0.0086^**	0.0186^***	0.0236^*	0.0103^*	0.0339^*
lnK	0.2939^***	0.1730^***	0.4670^***	0.2764^***	0.2404^***	0.5168^***	0.2728^***	0.1195^***	0.3923^***
lnEDU	0.0285^**	0.0168^**	0.0453^**	–0.0002	–0.0004	–0.0006	0.0812^***	0.0361^***	0.1172^***
lnKSI	0.0342^*	–0.0203^*	0.0140^*	–0.0357	–0.0311	–0.0667	0.0140^*	0.0064	0.0204
lnDIV	–0.0253	–0.0146	–0.0399	–0.0437	–0.0375	–0.0813	–0.0248	–0.0106	–0.0353
lnDEN	0.0082	0.0048	0.0130	–0.0057	–0.0051	–0.0108	–0.0050	–0.0021	–0.0071

对外围区域控制变量的空间效应分解结果可知，在2003—2018年资本存量和人力资本的3种效益的回归系数均显著为正，体现出资本和人力的积累是外围区域经济增长的重要动力；专业化集聚分别产生显著的正向直接效应和负向溢出效应，但前者相对影响更大，使专业化集聚产生的总体效应显著为正；其余控制变量则未通过显著性检验。在时间演化上，各控制变量对外围区域的影响总体上变化不大，其中人力资本的各类效应由不显著变为显著，资本存量的作用一直显著为正，但系数略有下降，这些说明相对于物质资本而言，人力资本对于外围区域发展的重要性逐渐凸显。此外，随着时间的推移，专业化集聚、多样化集聚和城市化集聚的回归系数始终不显著，表明长三角外围区域的集聚外部性尚未显现。

4 结论与讨论

4.1 结论

本文从企业异地投资视角建立2003—2018年长三角全球、全国和区域尺度的城市网络，利用空间面板计量模型分析了长三角各城市嵌入各尺度城市网络对其经济增长的影响，并进一步探讨了该影响在不同时段和不同区域是否存在差异。研究发现：

1）伴随着企业异地投资规模的扩大和空间组织的复杂化，长三角各尺度城市网络均在持续扩张，城市间网络化发展趋势不断增强。与此同时，各尺度城市网络呈现出典型的核心-边缘结构特征，其中上海始终是长三角全球城市网络的强核心，而在全国和区域尺度上则呈现多中心化的发展趋势。

2）长三角各城市通过嵌入全球、全国以及区域内部城市网络，均能够对城市经济增长产生显著的正向促进作用。这说明长三角城市通过开展不同空间尺度的城际投资活动，能够为城市经济增长带来积极的正向影响，从而产生了网络正外部性。同时，这种影响存在一定的尺度差异，即融入的空间尺度越大，网络正外部性就越强。此外，长三角各尺度城市网络不仅直接影响城市经济增长，其所引致的空间溢出效应还对城市经济增长产生间接影响，成为不可忽视的重要力量。

3）从城市网络影响的时序变化来看，城市嵌入全球城市网络所产生的经济影响在前期最大，而后期则较小；与之相反，城市融入全国城市网络所产生的经济影响前期较小而后期则变大，并超过全球尺度的影响；此外，回归结果显示区域城市网络嵌入水平的影响系数也由不显著变为显著为正。可见，现阶段长三角的经济发展更多的是依靠国内（全国和区域）经济要素的流动。因此，从城市网络的角度看，长三角转向内循环为主既是现实表现，也是必然选择，从而呼应了构建以国内大循环为主体的新发展格局的要求。

4）从城市网络影响的区域差异来看，发现位于核心区域的城市嵌入全球、全国和区域城市网络均能显著促进其经济增长，而位于外围区域的城市由于嵌入全球和全国城市网络的程度较浅，尚未跨越显著影响经济增长的门槛，仅区域城市网络能显著促进城市的经济增长。另外，随着嵌入不同尺度城市网络程度的加深，对处于不同发展阶段区域的贡献度也随之变化。对于核心区域而言，全球、全国和区域城市网络对经济增长的影响分别表现为略有下降、显著提升及变为不显著；对于外围区域而言，全球、全国和区域城市网络的影响则分别表现为始终不显著、变为显著为正以及显著提升。

5）就控制变量而言，整体上，城市的资本存量和人力资本越高，越有助于促进其经济增长；集聚外部性是影响城市经济绩效提升的重要因素，空间约束条件下经济集聚所带来的外部性和知识溢出效应仍是经济地理景观演化过程中重要的驱动力量。此外，通过对比发现，随着时间的推移，城市网络外部性表现的越来越明显，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，其对城市发展的贡献可能会逐渐超过集聚外部性的影响。

4.2 讨论

城市网络外部性可以看作是在更大的空间背景下对集聚经济产生的促进作用，这意味着“匹配、共享和学习”既是传统集聚经济效应的3个基本来源，也可能是网络外部性影响经济增长的重要机制。当前长三角城市通过与全球、全国及地区内部其他城市之间建立投资联系，有可能促进城市的资源匹配、投入共享和知识溢出，从而获得超越地理边界的网络外部性，并经由超越地理边界的直接效应和空间溢出的间接效应2条主要作用路径，对城市经济产生影响。因此，长三角在未来服务和融入国内国际双循环新发展格局过程中，不仅要重视生产要素的投入，还要关注到城市网络的重要价值，在更大的空间尺度上优化生产要素的流动与配置。

其次，需要注意的是，随着长三角各尺度城市网络的不断发展，对处于不同发展阶段的区域来说其贡献度也随之变化。因此，在制定政策时应高度重视这种时空异质性特征，实施差异化的区域发展策略，以此促进区域均衡发展。

此外，考虑到城市网络对城市经济增长的影响存在较明显的空间溢出效应，地方政府在制定相关政策时，不仅需要关注本地的条件与环境，还需通盘考虑周边城市的城市网络嵌入状况，与之加强交流与合作。在制度建设方面，需进一步破除地区壁垒，完善区域间要素流动的体制机制，鼓励生产要素的自由流动，扩大城市网络空间溢出的地理半径。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	高鹏, 何丹, 宁越敏, 等. 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): 2760-2779. Gao Peng, He Dan, Ning Yuemin et al. Spatio-temporal dynamics and factors of urban investment linkage level in the Yangtze River Delta. Geographical Research, 2021, 40(10): 2760-2779.

[2]	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[J]. 地理学报, 2019, 74(4): 694-709. Zhao Xinzheng, 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.

[3]	孙东琪, 陆大道, 孙斌栋, 等. 从网络描述走向网络绩效——“城市网络外部性”专辑序言[J]. 地理研究, 2022, 41(9): 2325-2329. Sun Dongqi, Lu Dadao, Sun Bindong et al. From network description to network performance: Preface to the special issue 'Urban Network Externalities'. Geographical Research, 2022, 41(9): 2325-2329.

[4]

林柄全, 谷人旭, 王俊松, 等. 从集聚外部性走向跨越地理边界的网络外部性——集聚经济理论的回顾与展望[J]. 城市发展研究, 2018, 25(12): 82-89.

Lin

Bingquan

, Gu

Renxu

, Wang

Junsong

et al. From agglomeration externalities to network externalities of crossing borders: Frontier progress of agglomeration economics. Urban Development Studies, 2018, 25(12): 82-89.

[5]	Capello R. The city network paradigm: Measuring urban network externalities[J]. Urban Studies, 2000, 37(11): 1925-1945. DOI

[6]	陆军, 毛文峰. 城市网络外部性的崛起: 区域经济高质量一体化发展的新机制[J]. 经济学家, 2020(12): 62-70. Lu Jun, Mao Wenfeng. The rise of urban network externalities: A new mechanism for the high-quality integrated development of regional economy. Economist, 2020(12): 62-70.

[7]	Meijers E J, Burger M J. Borrowing size in networks of cities: City size, network connectivity and metropolitan functions in Europe[J]. Papers in Regional Science, 2016, 95(1): 181-198. DOI

[8]	Meijers E J. Borrowed size, agglomeration shadows and cultural amenities in North-West Europe[J]. European Planning Studies, 2015, 23(6): 1090-1109. DOI

[9]	Gottmann J. Megalopolitan systems around the world[J]. Ekistics, 1976, 41(243): 109-113.

[10]	Hoyler M. External relations of German cities through intra-firm networks: A global perspective[J]. Raumforsch Raumordn, 2011(69): 147-159.

[11]	Taylor P J, Evans D M. Application of the interlocking network model to mega-city-regions: Measuring polycentricity within and beyond city-regions[J]. Regional Studies, 2008, 42(8): 1079-1093. DOI

[12]	Schmitt P, Smas L. Nordic 'intercity connectivities' in a multi-scalar perspective[J]. Nordregio Working Paper, 2012(7): 10-88.

[13]	Hall P G, Pain K. The polycentric metropolis: Learning from mega-city regions in Europe[M]. London, UK: Earthscan, 2008.

[14]	Huggins R, Thompson P. A network-based view of regional growth[J]. Journal of Economic Geography, 2014, 14(3): 511-545. DOI

[15]	Huggins R, Thompson P. Networks and regional economic growth: A spatial analysis of knowledge ties[J]. Environment and Planning A, 2017, 49(6): 1247-1265. DOI

[16]	程玉鸿, 苏小敏. 城市网络外部性研究述评[J]. 地理科学进展, 2021, 40(4): 713-720. DOI Cheng Yuhong, Su Xiaomin. Review on the urban network externalities. Progress in Geography, 2021, 40(4): 713-720. DOI

[17]	盛科荣, 陈欢欢, 张嘉慧, 等. 航空网络嵌入对中国城市知识生产的影响研究[J]. 地理科学, 2022, 42(6): 963-974. Sheng Kerong, Chen Huanhuan, Zhang Jiahui et al. Impact of airline network embedding on knowledge production of cities in China. Scientia Geographica Sinica, 2022, 42(6): 963-974.

[18]

种照辉, 高志红, 覃成林. 网络基础设施建设与城市间合作创新——“宽带中国”试点及其推广的证据[J]. 财经研究, 2022, 48(3): 79-93.

Chong

Zhaohui

, Gao

Zhihong

, Qin

Chenglin

. Network infrastructure construction and inter-city cooperative innovation: Evidence of the 'Broadband China' pilot program and its spread. Journal of Finance and Economics, 2022, 48(3): 79-93.

[19]	丁亮, 徐志乾, 章俊屾, 等. 长三角城市网络外部性的空间异质性[J]. 地理研究, 2022, 41(9): 2433-2447. Ding Liang, Xu Zhiqian, Zhang Junshen et al. Spatial heterogeneity of urban network externalities in the Yangtze River Delta. Geographical Research, 2022, 41(9): 2433-2447.

[20]	焦敬娟, 张齐林, 吴宇勇, 等. 中国异地投资网络结构演化及影响因素研究[J]. 地理科学进展, 2021, 40(8): 1257-1268. DOI Jiao Jingjuan, Zhang Qilin, Wu Yuyong et al. Change and influencing factors of China's cross-regional investment network structure. Progress in Geography, 2021, 40(8): 1257-1268. DOI

[21]	高鹏, 宁越敏, 何丹. 长三角地区多尺度城市网络空间演化及互馈效应研究[J]. 地理科学, 2022, 42(10): 1767-1777. Gao Peng, Ning Yuemin, He Dan. Spatial evolution and interaction effects of multi-scalar urban networks in the Yangtze River Delta. Scientia Geographica Sinica, 2022, 42(10): 1767-1777.

[22]	Ma T, Huang Y. Urban network externalities, agglomeration economies and urban economic growth[J]. Cities, 2020(107): 1-15.

[23]	国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2019. National Bureau of Statistics. China statistical yearbook. Beijing: China Statistics Press, 2019.

[24]	United Nations. The world's cities in 2018: Data booklet[M]. New York: UN, 2018.

[25]	Elhorst J P. Specification and estimation of spatial panel data models[J]. International Regional Science Review, 2003, 26(3): 244-268. DOI

[26]	Lesage J, Pace R K. Introduction to spatial econometrics[M]. Florida: Chemical Rubber Company Press, 2009.

[27]	张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952-2000[J]. 经济研究, 2004, 39(10): 35-44. Zhang Jun, Wu Guiying, Zhang Jipeng. The estimation of China's provincial capital stock: 1952-2000. Economic Research Journal, 2004, 39(10): 35-44.

[28]	Krugman P R. Geography and trade[M]. Cambridge: MIT press, 1993.

[29]	孙祥栋, 张亮亮, 赵峥. 城市集聚经济的来源: 专业化还是多样化——基于中国城市面板数据的实证分析[J]. 财经科学, 2016(2): 113-122. DOI Sun Xiangdong, Zhang Liangliang, Zhao Zheng. Sources of agglomeration economy: Specialization or diversification. Finance & Economics, 2016(2): 113-122. DOI

[30]	Ciccone A. Agglomeration effects in Europe[J]. European Economic Review, 2002, 46(2): 213-227. DOI

[31]	国家统计局. 中国城市统计年鉴[M]. 2004—2019. 北京: 中国统计出版社, 2004—2019. National Bureau of Statistics of China. China urban statistical yearbook. 2004—2019. Beijing: China Statistics Press, 2004—2019.

[32]	孙斌栋, 李琬. 城市规模分布的经济绩效——基于中国市域数据的实证研究[J]. 地理科学, 2016, 36(3): 328-334. Sun Bindong, Li Wan. City size distribution and economic performance: Evidence from city-regions in China. Scientia Geographica Sinica, 2016, 36(3): 328-334.

Options

文章导航

模态框（Modal）标题

摘要