EN中文

热带地理 >

2024 , Vol. 44 >Issue 12: 2154 - 2167

DOI: https://doi.org/10.13284/j.cnki.rddl.20240477

“比较视野下长三角城市群、粤港澳大湾区的区域发展与治理创新”专刊

长三角城际房地产投资网络的空间格局与影响因素

  • 戴靓 , 1, 2 ,
  • 吕一凡 1 ,
  • 郑慧彬 1 ,
  • 李鲁奇 , 3
展开
  • 1. 南京财经大学 公共管理学院，南京 210023
  • 2. 浙江省城市治理研究中心，杭州 311121
  • 3. 浙江工业大学 中国住房和房地产研究院，杭州 310014
李鲁奇（1991—），男，山东泰安人，博士，助理研究员，主要研究方向为区域空间联系与城市住房，（E-mail）。

戴靓（1989—），女，江苏镇江人，博士，副教授，硕士生导师，主要研究方向为城市网络与区域发展，（E-mail）；

收稿日期: 2024-07-19

  修回日期: 2024-08-16

  网络出版日期: 2024-12-11

基金资助

国家自然科学基金项目(42271212)

江苏省研究生科研创新计划项目(KYCX24_1993)

收起

The Spatial Pattern and Influencing Factors of the Intercity Real Estate Investment Network in the Yangtze River Delta

  • Liang Dai , 1, 2 ,
  • Yifan Lyu 1 ,
  • Huibin Zheng 1 ,
  • Luqi Li , 3
Expand
  • 1. School of Public Administration, Nanjing University of Finance & Economics, Nanjing 210023, China
  • 2. Center for Zhejiang Urban Governance Studies, Hangzhou 311121, China
  • 3. China Academy of Housing & Real Estate, Zhejiang University of Technology, Hangzhou 310014, China

Received date: 2024-07-19

  Revised date: 2024-08-16

  Online published: 2024-12-11

Fold

摘要

基于房地产企业之间真实的股权投资数据，构建2018—2022年的长三角城际房地产投资网络。从节点层级、流量层级、组团格局、整体拓扑方面，分析长三角房地产跨城投资的空间结构特征，并通过指数随机图模型探讨城市属性、城际关系和内生结构因素对跨城投资的影响。研究发现：1）上海、杭州、南京在长三角的跨城投资额位居前三名，引资规模最大的相继是杭州、苏州和南京，城市的中心地位呈现一定的非对称性。合肥的中介性突出，是安徽城市融入区域房地产市场的枢纽；2）长三角城际房地产投资组团与行政区划高度耦合，形成江苏、浙江、安徽3个省域组团和上海对近邻城市苏州、南通、盐城的辐射组团。城际投资流集中而引资流分散，区域房地产资本流动兼具核心边缘分层和小世界特征；3）城市化和全球化对投资和引资具有双向驱动，地方化对城市引资的影响突出；城际关系中组织邻近对跨城投资的促进作用最强；内生结构依赖也是跨城投资不可忽视的驱动力，主要表现为互惠效应、投资模式中的择优依附和传递闭合效应。

关键词： 房地产企业; 股权投资; 跨城投资; 城市网络; 指数随机图模型; 长三角

本文引用格式

戴靓 , 吕一凡 , 郑慧彬 , 李鲁奇 . 长三角城际房地产投资网络的空间格局与影响因素[J]. 热带地理, 2024 , 44(12) : 2154 -2167 . DOI: 10.13284/j.cnki.rddl.20240477

Abstract

Intercity investments of real estate enterprises can spur flows of regional capital, information, talent, and technology, thus serving as a crucial means for optimizing resource allocation, narrowing regional disparities, and guiding the coordinated development of the real estate market. The existing literature has mostly focused on using stock indicators and attribute data to explore the differences in the regional real estate market and the influencing factors. This study attempts to propose new findings of regional real estate markets from the perspectives of 'space of flows' and urban networks. Based on the equity investment data of real estate enterprises, this study constructed an intercity real estate investment network in the Yangtze River Delta for the period 2018–2022 and investigated the spatial and structural characteristics of intercity real estate investments in the region from the dimensions of node hierarchy, flow hierarchy, community pattern, and overall topology. Next, this study explored how urban attribute, intercity dyadic, and endogenous structural factors influence the intercity investment network using exponential random graph models. The results show the following: (1) Shanghai, Hangzhou, and Nanjing rank in the top three in terms of total intercity investment outflows in the Yangtze River Delta, while Hangzhou, Suzhou, and Nanjing have attracted the largest intercity investment inflows, suggesting that the central position of cities presents a certain asymmetry. Hefei plays a prominent intermediary role and is a hub for other cities in the Anhui Province to integrate into the regional real estate market. 2) The communities of the intercity real estate investment network in the Yangtze River Delta are highly coupled with administrative divisions, forming three provincial communities in Jiangsu, Zhejiang, and Anhui and an inter-provincial radiating community between Shanghai and its neighboring cities of Suzhou, Nantong, and Yancheng. Intercity investment outflows are concentrated, investment inflows are dispersed, and regional real estate capital flows have both core-periphery structures and small-world characteristics. 3) Urbanization and globalization can promote bidirectional intercity investments, that is, investment inflows and outflows, while the degree of localization drives intercity investment inflows. The positive impact of organizational proximity on intercity investments is the most pronounced among the dyadic relationship factors. Endogenous forces are also crucial to intercity real estate investments and are mainly manifested in reciprocity, preferential attachment, and hierarchical transitivity in intercity investment modes.

Key words： real estate enterprise; equity investment; intercity investment; urban network; exponential random graph model; Yangtze River Delta

随着全球化和信息化进程的加速推进，生产要素的流动愈发突破组织地域的限制，有关城市系统的探索由“场地空间”向“流动空间”转变（Castells, 1996）。交通运输（王姣娥 等，2024）、人口迁移（古恒宇 等，2024）、信息交互（吴炫 等，2019）、知识合作（马海涛，2020）和企业布局（冷硕峰 等，2024）为流动空间的刻画提供了多源数据，城市网络成为城市体系研究的重要范式。城市地理学者和经济地理学者越来越侧重利用关系型数据，探讨区域空间结构的复杂性以及城市功能定位的异质性。其中，企业既是经济活动的主体，也是人才、资本、技术、信息等要素的载体，其关联视角下的城市网络研究在网络构建、关系整合和动力解释方面更具代表性与现实意义（胡国建 等，2020；李周平 等，2024）。企业之间跨地域的投资行为深深地嵌入到多元化的城市网络中，基于企业投资关系形成的空间网络是城市经济联系的重要表征，更能真实地反映城市竞争力和发展潜力（秦娅风 等，2021），因此微观企业间的跨区投资关系成为城市网络研究的热点。
企业投资视角下的城市网络研究主要围绕2方面展开：1）城际投资网络的流空间特征。企业-城市网络关系的转译是城市网络构建的前提，基于企业多区位组织，转译模型主要包括所有权关联模型、链锁网络模型和二模网络模型（Liu and Derudder, 2013）。随着中国工商注册企业数据库的开放，学者们分别利用大数据技术采集企业间真实的项目投资数据（卢明华 等，2020；高鹏 等，2023）或股权投资数据（张泽 等，2018；李哲睿 等，2019），通过汇总城际资本流动规模，实现对城市关联网络的分析。2）城际投资网络的分行业特征。起初国内外学者多利用企业全行业的投资数据在全球（徐宁 等，2020）、国家（汪传江，2019）和城市群区域（李聪 等，2022）尺度构建城市网络。随着数据源行业和产业的不断细化，基于生产性服务业（Pan et al., 2017）、金融业（汪菲 等，2023）、物流业（周建平 等，2021）、制造业（马学广 等，2023）和电子信息产业（盛科荣 等，2019）等不同企业类型的城市网络研究日益增多，进而发现城市网络具有多重性，同一城市在不同产业网络中的角色职能和影响范围也存在差异（李聪 等，2022）。房地产业向上关联着金融、营销、物业、物流等服务业，向下联系着家电、家具、建材、工程等制造业，直接或间接地影响娱乐、餐饮、教育等行业，对经济和社会的发展起重要支撑作用（冯冬梅，2015），但少有研究关注城际房地产企业投资网络的行业特征。
城市住房市场化改革以来，城市间的房价、租金、地价存在显著差距且不断扩大，区域市场分异显化着城市间发展不均衡的问题，受到政府和学界的广泛关注，但在2方面内容有待深化。1）数据方面，既有关于房地产业的研究主要利用存量指标和属性数据，刻画城市间、省份间、区域间在房价、地价、房价收入比、房屋租售比等方面的空间异质性、演化态势及其影响因素（潘竟虎 等，2017；周小平 等，2019；尹上岗 等，2020；宋伟轩 等，2020；黄忠华 等，2022）。随着区域市场研究的网络转向，房价搜索访问流网络（Zhang and Wang, 2022）、房地产消费流网络（王磊 等，2019）、房地产企业流网络（纪宇凡 等，2022）被引入房地产市场的相关研究中。然而，现实中由于要素流数据的难获取性，学者们往往运用引力模型来模拟表征房地产跨城要素流，或基于企业跨区的总部及分支机构信息来映射城市网络，而对真实流数据的探讨较为有限，房地产跨城投资流的文献尚不多见。2）内容方面，全面认识城际房地产经济联动网络对于构建跨区域协同机制具有重要的理论意义和应用价值，社会网络和复杂网络方法的引入为区域关联网络研究提供了强有力的分析工具，房地产市场的空间依赖性通过关系数据得以具象表征，联动网络的结构特征、节点城市在区域市场的地位作用以及城际关联强度的影响因素亟待系统性研究（陈明华 等，2016）。然而，网络视角下已有的房地产市场实证研究仍侧重于网络结构的统计性描述，主要使用传统计量方法分析城市禀赋属性和城际邻近关系与市场分异的相关性，关注经济发展、人口规模、政策调控、产业结构和城际距离等外生情景因素对区域市场分异的影响（王磊 等，2019；宋伟轩 等，2020），忽视了网络关系之间的依赖性，即网络内生结构对城市间关系形成的影响。
随着对城市网络结构分析的深入，学者们发现城际关系的形成受到网络微观构型自下而上的驱动，局部的模块化构型反复涌现并作用于全局网络结构，成为网络自组织的内生动力（桂钦昌 等，2022）。对于企业网络的影响因素和机制，既有研究表明网络结构受到节点属性、关系邻近性和网络自组织性等内外生动力的综合作用（冷硕峰 等，2023）。如盛科荣等（2019）发现城市经济发展水平、偏好依附、互惠和闭合机制深刻影响城市间电子信息企业的网络关联；刘程军等（2023）也提出网络的自组织效应、节点的属性效应和多维邻近效应均是影响区域间金融科技网络形成的重要因素。因此，对影响城际房地产要素流主要因素的考察，亟需从城市属性数据的单一视角转向网络结构动力的综合视角，全面探寻驱动网络结构形成的内外生动力。
长三角处于“一带一路”和长江及沿海经济带的交汇区，是中国经济的重要战略区域，也是中国一体化起步最早、基础最好、合作机制最成熟的地区之一。长三角房地产市场的健康协同发展是长三角一体化建设中的重要一环，以此为研究区可为其他城市群一体化建设和房地产市场协同发展提供参考。因此，本文基于2018—2022年房地产企业间真实的股权投资额数据，构建有向加权的城际房地产投资网络，利用社会网络分析法和指数随机图模型，探讨城际房地产投资网络的空间格局与影响因素。

1 方法与数据

1.1　投资网络的构建

2018年，习近平总书记在首届中国国际进口博览会开幕式主旨演讲中宣布，支持长江三角洲区域一体化发展，2019年长三角区域一体化正式上升为国家战略 1。2022年的企业投资数据和城市统计数据为目前可获取的最新数据，且房地产投资具有收益滞后性和数据波动性的特征，故本文设定2018—2022年为研究时段，汇总5年数据为投资窗口。研究区域包括苏、浙、皖、沪三省一市的41个长三角城市，以探索一体化进程中城际房企投资流的格局特征与影响因素。参考李哲睿等（2019）在长三角企业股权网络中选择企业样本的标准，从企查查 2筛选出符合以下条件的房企：1）2022-12-31之前成立的企业；2）经营所在地为苏、浙、皖、沪的41个城市；3）经营状态正常（存续、在业、迁入、迁出）且参保人数≥50人。基于满足以上3个条件的企业共有4 083家，进一步收集企业间的投资记录，汇总得到27 306条包含投资企业名称、被投资企业名称、企业所属省份及城市、企业所属行业、股权投资金额以及投资日期等信息的投资流数据。通过python进行数据清洗，剔除城市内部的投资行为、投资金额异常和重复的记录，将外币投资额按当年年份的平均汇率换算成人民币，并以长三角地区41个城市为网络节点，转化得到1 640个城市对的实际投资额，最终构建出2018—2022年有向加权的长三角城际房地产投资网络。需要说明的是，股权投资真实反映企业间资本流动，是目前可获得的数据中能全面且有效表征企业联系的重要数据类型（李周平 等，2024）。本文所搜集的“投资额”特指“股权投资额”，即企业对异地公司所认缴的出资额或认购的股本总额，这与“项目投资额”形成对比，后者涵盖的是企业对异地公司在固定资产和流动资产方面的具体项目投资（胡国建 等，2018）。

1.2　社会网络分析法

社会网络分析法是基于社会网络理论量化网络中节点之间关系的有效工具，有助于分析长三角41城市的节点层级、流量层级、组团格局和拓扑属性。节点层级特征方面，计算节点城市的总投资额、总引资额、中心性和中介性。其中，总投资额指某城市投资流向其他城市房地产行业的资金总和；总引资额指某城市吸引其他城市投资该城市房地产行业的资金总和。流量层级特征方面，根据ArcGIS的自然断点法将投资流划分为5个等级。区域组团方面，依据城际房地产投资流，借助Blondel等（2008）的社区探测对城市进行组团归属的划分，同一组团内部的投资联系强于不同组团间的联系，区域内形成多个内部城际投资联系密切而外部联系稀疏的功能组团。网络整体拓扑属性方面，计算网络密度、平均度、平均加权度、度中心势、互惠性、度相关性、平均路径长度、全局聚集系数，具体定义和计算公式见戴靓等（2024）。

1.3　指数随机图模型

不同于传统计量模型以网络中联系相互独立为前提，生成性网络仿真模型基于边之间相互依赖的本质，可量化结构依赖效应。其中，指数随机图模型（Exponential Random Graph Model, ERGM）对网络节点类型更为包容且对内生结构模拟更为精确，能综合分析节点属性、邻近关系和内生结构的影响（Broekel and Bednarz, 2018），因而被广泛应用于城际人口、物流、金融、创新等空间关联网络的研究（Zhang et al., 2020；周建平 等，2021；刘程军 等，2023；Dai et al., 2023）。ERGM擅长于捕捉和模拟网络中节点间复杂的相互依赖关系，基本逻辑是在随机过程中对局部构型因素进行假设，通过仿真估计、对比诊断、优化拟合等过程，实现对真实网络的模拟。模型结果中统计量的估计参数采用对数几率（log-odds）的形式表示，可通过符号正负判断影响性质，比较数值大小分析影响强弱，也可转化为概率形式解读各因素对网络形成的影响。其一般表达式（Robins et al., 2007）为：
P r Y = y = 1 c e x p ∑ A θ A Z A ( y )
式中：Pr（Y=y）表示模拟网络y实现真实网络Y的概率；A表示局部构型，是网络内生的高频复现子图；ZA （y）是A构型的统计量；θA 是A构型的拟合参数；1/c是确保最终概率范围在0~1的归一化常数。

2 长三角城际房地产投资网络的空间格局分析

以投资额为边权重，保留城际投资流向，得到2018—2022年有向加权的长三角城际房地产投资网络（图1）。从整体看，长三角地区城际房企投资涉及全域41个城市，经济发达、人口密集、产业坚实的城市是对外投资高地，沪宁合杭甬Z型轴线带成为投资流汇集的热点区。同时，不均衡的资金流动也促使网络格局呈现等级分明的“核心-边缘”结构，多中心城市间开展跳跃式投资，非邻近的远程互动模式扩大了资金流动的地域范围，边缘城市靠吸引核心城市的投资而融入区域市场。组团格局以省内投资为主导，省会城市是拉动城市参与省内投资的中心辐射源，也是带动城市加入省际投资的中介集结点。
图1 长三角城际房地产投资网络

Fig.1 Network of intercity real estate investment in the Yangtze River Delta

2.1　节点层级

中心性是城市投资额和引资额的加总，可表征城市在投资网络中处于中心位置的程度。图1网络节点的大小与该城市的中心性成正比，即某城市的投资额和引资额加总数值越大，中心性越强，节点越大。表1列出了2018—2022年长三角中心性、投资额、引资额、中介性排名前10的城市。在城市房地产投资集聚和扩散的双向作用下，城际投资网络中城市的中心地位存在非对称性。就中心性而言，上海的投资规模居于首位，投资额和引资额高达588亿元，占总网络的16.97%，上海作为长三角对外联通的链接枢纽，嵌入区域内部、全国以及全球不同空间尺度的城市投资网络，发挥着集聚外来投资与扩散辐射周边城市的2个扇面作用（唐子来 等，2010）。从投资方向看，上海对外的投资额高达506亿元，占其中心性的86.22%，投资辐射的引领作用突出；而上海的引资规模排名相对落后，投资和引资结构的失衡说明区域市场均衡化的互惠投资水平有待提高。中心性排名第二的是杭州（539亿元），占网络中总投资和引资额的15.56%。南京（325亿元，9.39%）、苏州（261亿元，7.54%）、合肥（187亿元，5.38%）排名随后。排名前两位的上海和杭州的投资规模均超过500亿元，且是第三名南京的1.65倍以上，在长三角城际房地产投资网络中拥有绝对的核心地位。沪宁合杭甬Z字型轴线上的城市是对外投资的中枢，其控制资金辐散的同时带来引资威望，成为吸引投资的热点地区（李仙德，2014）。
表1 节点层级排名前10的城市 (亿元)

Table 1 Top ten cities in the rankings of node hierarchy

排序 城市 中心性 城市 投资额 城市 引资额 城市 中介性
1 上海 588 上海 506 杭州 193 合肥 393
2 杭州 539 杭州 347 苏州 181 上海 279
3 南京 325 南京 164 南京 162 杭州 153
4 苏州 261 宁波 112 温州 157 南京 108
5 合肥 187 合肥 95 南通 122 宁波 75
6 宁波 166 泰州 94 合肥 92 苏州 49
7 温州 158 常州 80 无锡 89 常州 48
8 南通 143 苏州 80 上海 82 淮安 41
9 常州 132 嘉兴 55 嘉兴 70 亳州 40
10 嘉兴 124 镇江 32 宁波 53 徐州 38
网络中有部分城市虽然在市场规模方面存在一定劣势，但由于地理位置、政策支持等优势而获得汇集资源、再分配的功能。区别于审视投资规模的中心性指标，中介性是衡量城市转移和扩散资本能力的关键指标。排名靠前的城市能为城际要素高效流转提供强劲的中介力量，发挥“桥头堡”作用。由表1可知，合肥的中介性排名第一，主要是因为除合肥外，安徽城市与江浙沪的城市很少有直接的投资引资流，大部分城市需要通过与合肥的链接来融入长三角的房地产投资体系。上海为浙江、江苏和安徽3省的省际资金流通提供枢纽平台。作为省会城市的杭州和南京紧随其后，发挥着推动省内城市走出去、对接省际房地产市场的积极作用。作为具有发展潜力的小规模投资城市，淮安、亳州和徐州为皖北和苏北城市积极搭建与省内外其他城市的直接联通渠道，在促进区域合作与资源调配方面的中介能力表现亮眼。

2.2　流量层级

长三角城际房地产投资流具有较强的不均衡性，图2展示了城市间房地产投资额强度，前20%的投资联系占据区域80%以上的投资流量。利用ArcGIS的自然断点法，城际房地产投资流可划分为5个等级。最高级的投资流只有1条：上海→杭州，其投资额高达101亿元，占长三角房地产跨城总投资额的5.85%。次级投资流由高到低分别是上海→苏州、泰州→南京、上海→温州、杭州→温州、上海→南通、嘉兴→杭州，这6条投资流体现省会城市与邻近省内城市之间紧密的经济联系特征。三级投资流主要有杭州→无锡、合肥→蚌埠、南京→无锡等45条，四级投资流有91条，而最弱级投资流有128条，且主要是省内投资。从省际投资流向看，上海是长三角房地产投资市场的重要引擎，对周边城市有较强的外溢和影响，尤其对江苏省内城市的辐射，甚至要高于省会南京对省内城市的带动。浙江以省内投资流为主，宁波、杭州属于高能级城市，其经济发展状况较好，不断带动周边城市发展而处于浙江省内核心地位。安徽是长三角区域省际投资的洼地，合肥是省内唯一的核心城市，其他城市的参与度都局限于省内市场，与省外联系较少。
图2 长三角城际房地产投资流和弦图

Fig.2 Chord chart of intercity real estate investment flows in the Yangtze River Delta

2.3　组团格局

基于社区探测法，将长三角41个城市划分为4个内部投资流密切的组团。由图1可知，上海和江苏的关联明显强于上海和安徽、浙江，上海凭借地缘优势和强辐射力，削弱了江苏省会南京对省内城市的影响。组团1以上海为核心，投资辐射地包括地理位置邻近的苏州和南通以及远处苏北的盐城，沿海高铁的开通和沪苏大丰产业联动集聚区的共建项目，从空间可达性和合作信任度上提高了上海和盐城之间的联系。组团2以南京为核心，作为主要的投资辐射中心和省会桥头堡，连接并涵盖了江苏省内苏北、苏中、苏南地区的9个城市，以及安徽省的滁州。2022年南京市长三角办出台了《南京市结对合作帮扶安徽省滁州市实施方案》 3，在区域统一市场建设的契机下，南京和滁州跨行政区经济迎来新突破，滁州也不断融入南京都市圈。组团3以合肥为中心，连接阜阳、蚌埠、六安、芜湖等14个省内城市，除滁州外其余的安徽城市均以合肥为首形成以省内投资为主导的区域组团。组团4以杭州为核心，吸纳了包括温州、宁波、嘉兴在内的10个浙江省内城市，区域网络较为封闭。总体而言，受省界效应与行政隶属关系的影响，长三角城际房地产投资的社群划分与行政区划耦合度较高，上海的投资规模始终居于首位，对江苏城市的辐射影响突出，与苏州、南通、盐城形成单核放射状组团，与江浙皖3个省界社群并列为四大等级鲜明的投资组团。

2.4　拓扑属性

通过Gephi计算网络结构的指标，以考察长三角城际房地产投资网络的拓扑特征。2018—2022年长三角城际投资网络的加权边数共有271条，网络密度为0.165，不足20%的实际连接边数反映长三角城际投资较为稀疏的现状，房地产市场一体化的发展仍需进一步提高。平均最短路径为1.678，小于同等规模下随机网络的2.062，集聚系数为0.478，高于同等规模下随机网络的0.342，说明城际投资网络的传输性较高、组团性和根植性较强，区域内城际资本流动具有“小世界性”，城际投资网络朝向整体扁平化、局部集聚化的结构发展。网络的互惠性为0.284，说明网络中有28.4%的节点存在双向连接的关系，需继续巩固互惠合作的城际投资关系，改善区域内的市场等级差异。度中心势为0.641，而出度中心势0.625远大于入度中心势0.266，说明城际房地产投资流的空间极化现象较为显著，而引资布局相对分散。此外，节点间的度相关性为-0.253，房地产跨城投资网络中可能涌现大量的星型结构，异配性结果与房地产投资网络形成“核心-边缘”的结构特征相吻合，择优依附可能是边缘城市加入投资市场的内在动力。

3 长三角城际房地产投资网络的影响因素分析

3.1　变量设定

双边关系视角下，对房地产投资网络影响因素的分析多集中于对城市自身属性和城际关系属性的研究。然而，在网络视角下，房地产投资网络联系不可避免地受到网络内在的自组织动力的影响。因此，本文从城市属性、城际关系、网络结构的内外生双重视角设定长三角城际房地产投资网络影响因素（表2）。
表2 指数随机图的统计量设定

Table 2 Statistics and explanation in exponential random graph models

类型 统计量 示意图 变量解释
基础效应 边 edges 投资流动的基准倾向，类似于常数项

城市

属性

因素

 发送者效应 nodeocov（Uemp） 地方化、城市化、全球化程度高会促进城市投资的支配力
nodeocov（Hemp）
nodeocov（FDI）
接收者效应 nodeicov（Uemp） 地方化、城市化、全球化程度高会促进城市投资的吸引力
nodeicov（Hemp）
nodeicov（FDI）

城际关系

因素

 协网络 edgecov（dis） 地理邻近会促进城际投资
同配性 nodematch（pro） 组织邻近会促进城际投资
nodematch（adm） 制度邻近会促进城际投资

网络

结构

因素

 互惠性 mutual 单向资本投入获得回馈互惠的倾向
扩张性 gwodegree 城际投资关系呈星形分布的倾向
聚敛性 gwidegree 城际引资关系呈星形分布的倾向
传递闭合性 ttriple 3个城市间形成等级传递式资本流动关系倾向
循环闭合性 ctriple 3个城市间形成扁平循环式资本流动关系倾向
就城市属性因素而言，聚集经济是企业进行投资区位选择的重要考量（胡志强 等，2018），可细分为表征行业规模的地方化经济和表征城市规模的城市化经济（于瀚辰 等，2019），分别选取房地产从业人员数（Hemp）和城市就业人员数（Uemp）衡量。另外，全球与地方的互动关系会影响城际投资路径的选择（高鹏 等，2021），尺度效应下的全球化是影响地方产业发展的另一重要因素，因而选取当年实际使用的外资额（FDI）衡量（Shi et al., 2018）。房地产投资具有方向性，同一因素对投资城市和引资城市的作用可能不一样，所以需区分城市属性所产生的发送者效应和接受者效应，模型构建时使用nodeocov和nodeicov统计量加以区分。上述指标涉及的城市属性数据均来源于《江苏统计年鉴2023》（江苏省统计局 等，2023），《2023浙江统计年鉴》（浙江省统计局 等，2023），《2023安徽统计年鉴》（安徽省统计局 等，2023），《2023年上海统计年鉴》（上海市统计局 等，2023）。
就城际关系因素而言，组团归属受省界效应与行政隶属关系的影响，以省会为核心、省内投资为主的聚集模式是对省界效应下组织邻近的响应，省会城市对周边城市的辐射影响可能是地理邻近和组织邻近共同作用的结果，因而设定地理邻近（dis）、组织邻近（pro）和制度邻近（adm）加入模型进行考察。地理邻近通过城市间的地理距离测度，并作为网络协变量通过edgecov统计量纳入ERGM。若投资城市和引资城市属于同一省份，则组织邻近记为1，否则记为0。将直辖市上海和3个省会城市南京、杭州、合肥以及副省级城市宁波视为高能级城市，行政等级属性赋值为1，其余城市属性为0，城市间的制度邻近通过行政等级的趋同性nodematch统计量纳入ERGM。
就内生动力而言，边效应（edges）代表城市间产生投资的基准倾向，是ERGM的基础变量，相当于线性回归模型中的截距项，可在仿真模拟过程中控制网络规模。网络内生的动力是边与边之间的结构依赖，典型的结构依赖表现为互惠性、三元闭合和择优依附。其中，互惠性（mutual）是网络节点通过“回报”反馈形成交互关系的倾向；三元闭合影响节点间关系的选择和组团发展的方向，在有向网络中可细分为传递闭合性（ttriple）和循环闭合性（ctriple），以分别考察社群内投资流的传递性与循环性（唐晓彬 等，2020）。gwdegree本身是逆择优依附（Anti-preferential attachment）的统计量（Hunter, 2007），即估计系数显著为负时代表形成星型结构的倾向，为避免逻辑转换，对其取相反数，以使得正系数代表存在择优连接，形成星型结构。其在有向网络可细分为投资流的星型结构（gwodegree）和引资流的星型结构（gwidegree），分别衡量扩张性和聚敛性（罗超亮 等，2022）。基于表2各内外生因素的设定，最终构建出包含所有变量的ERGM为：
      P r Y = y ~ θ 0 e d g e s + θ 1 n o d e o c o v U e m p + θ 2 n o d e o c o v H e m p + θ 3 n o d e o c o v F D I + θ 4 n o d e i c o v U e m p + θ 5 n o d e i c o v H e m p + θ 6 n o d e i c o v F D I + θ 7 e d g e c o v d i s + θ 8 n o d e m a t c h p r o + θ 9 n o d e m a t c h a d m + θ 10 m u t u a l + θ 11 g w o d e g r e e + θ 12 g w i d e g r e e + θ 13 t t r i p l e + θ 14 c t r i p l e
式中：θ 0~θ 14为各统计量的拟合参数。ERGM的参数估计采用马尔可夫蒙特卡罗极大似然法，通过t统计量检验参数的显著性，根据赤池信息准则（AIC）和贝叶斯信息准则（BIC）评价模型的拟合度，2个数值越小，拟合效果越好。ERGM的模拟过程可在R语言的statnet程序包中通过ergm实现。

3.2　模型拟合

以外生动力为控制变量，内生动力为核心变量，对2018—2022年长三角城际房地产投资网络进行ERGM模拟。模型1包含所有外生动力变量和边效应基准变量，以解析传统视角下城市属性和城际关系对跨城投资的影响，模型2至4是在模型1的基础上逐步添加内生变量。ERGM的仿真模拟结果如表3所示，模型的AIC和BIC越小，模拟精度越高，可见包含内外生所有变量的模型4的拟合效果最佳。同时，对模型4进行拟合优度检验，即将模型4的估计参数带入仿真模型进行5 000次模拟，对比模拟网络与真实网络的模型统计量和关键结构特征（入度、出度、测地线距离和共享边伙伴数），图3显示，实际网络特征值（黑实线）均落在模拟网络指标值的箱图内，且接近箱体中线，证明模型4较好地反演了真实网络的结构特征，能捕捉房地产投资网络的影响因素。
表3 指数随机图模型的拟合结果

Table 3 Estimation results of exponential random graph models

类型 统计量 模型1 模型2 模型3 模型4
基础效应 edges -23.796***（-2.504） -23.920***（-2.715） -17.986***（-2.928） -17.008***（-3.104）
城市属性因素 nodeocov（Uemp） 1.362***（-0.216） 1.354***（-0.215） 1.026***（-0.202） 0.674**（-0.234）
nodeocov（Hemp） 0.138（-0.197） 0.020（-0.204） 0.020（-0.196） 0.190（-0.229）
nodeocov（FDI） 0.459**（-0.160） 0.530***（-0.155） 0.528***（-0.153） 0.440**（-0.151）
nodeicov（Uemp） 0.875***（-0.241） 0.864***（-0.251） 0.665*（-0.266） 0.519*（-0.231）
nodeicov（Hemp） 1.354***（-0.215） 1.362***（-0.216） 1.026***（-0.202） 0.674**（-0.234）
nodeicov（FDI） 0.277**（-0.147） 0.276**（-0.151） 0.275**（-0.169） 0.155**（-0.137）
城际关系因素 edgecov（dis） -0.726***（-0.178） -0.744***（-0.177） -0.881***（-0.177） -0.901***（-0.188）
nodematch（pro） 2.239***（-0.257） 2.213***（-0.247） 2.112***（-0.246） 2.019***（-0.250）
nodematch（adm） -0.384*（-0.238） -0.386*（-0.248） -0.680**（-0.260） -0.775**（-0.295）
结构依赖因素 mutual 1.413***（0.293） 1.392***（0.288） 1.377***（0.289）
gwodegree 1.872***（0.494） 2.482***（0.496）
gwidegree -1.480*（1.320） -0.028*（-0.013）
ttriple 0.164***（-0.032）
ctriple -0.173*（-0.085）
AIC 815.595 817.669 802.880 797.045
BIC 869.619 877.096 873.112 878.082
Log Likelihood -397.797 -397.834 -388.440 -383.523

注： ***表示P<0.001，**表示P<0.01，*表示P<0.05；括号中数值为标准误。

图3 指数随机图模型的拟合优度检验

Fig.3 Goodness of fit test of exponential random graph models

3.3　结果分析

从外生动力看，聚集经济对城际房地产投融资的积极影响具有方向性，城市化经济主导区域投资强度，而地方化经济增强城市引资能力，区域尺度投资依赖全球投资路径。具体而言，代表城市化水平的城市就业人员数（Uemp）无论是发送者效应还是接受者效应均产生显著的正向影响，表明城市化水平越高，城市对资本的控制力越强，这与高能级城市主导投资的格局特征相符。代表地方化水平的房地产从业人员数（Hemp）只有接收者效应正向显著，表明地方化经济能促进城际资本流动，但对投资城市和被投资城市的影响存在差异。产业氛围越浓厚、专业化程度越高的城市凭借相对成熟的房地产行业体系，更有利于吸引投资流集聚。外资吸引水平（FDI）的双向效应均正向显著，说明城市的全球化参与度在地区城际投资网络中兼具对内引资和对外投资的促进作用，这与高鹏等（2021）高鹏等（2021）高鹏等（2021）利用上市企业数据，发现长三角地区城际投资路径具有尺度黏附性，即地方投资网络积极响应全球投资网络的结果一致。
在城际关系因素中，各维度城际属性与投资活动紧密相关，长三角地区的房地产企业更倾向于对地理上邻近的本省城市进行投资，且区域投资市场中城市等级关系明显。具体而言，地理距离（dis）和组织邻近（pro）的系数一负一正且显著，说明同省邻近城市间的投资概率高于跨省城市，在一定程度上解释了与省域边界耦合的组团格局，凸显房地产资本的流动依然受制于空间距离和行政壁垒。制度邻近（adm）的系数显著为负，揭示了网络中核心边缘式层级结构的形成机制，说明城市等级差异影响企业投资决策，边缘城市更倾向于依赖高能级城市的投资拉动，而同级邻近城市的投资交互联系和强度较为有限。
从内生动力看，城际房企资本流动网络的形成具有互惠性，择优依附性和闭合传递性也是投资网络运作的核心动力。具体而言，基准项（edges）的系数始终显著为负，说明房地产跨城投资需要付出成本，并非随机行为。互惠性（mutual）的系数正向显著，表明互惠投资关系对区域房地产市场协同发展至关重要，有助于平衡双向投资规模。扩张性（gwodegree）的高值系数（2.482），表明核心城市凭借优质资源和利好政策，对周边城市展现出强辐射能力，投资流扩散呈现择优依附特征。相比之下，聚敛性（gwidegree）的负值系数（-0.028），意味着资金聚敛效应弱，广域化的资金流动路径使得投资网络在引资方向上表现出一定的均衡性。辐射效应对投资关系形成的贡献远大于聚敛效应，与出度中心势大于入度中心势的网络特征吻合。传递性（ttriple）的系数显著为正而循环性（ctriple）的系数显著为负，可见投资路径主要沿着特定方向呈等级传递，而非均衡循环，表明组团间的扁平化互动尚待加强，区域市场的等级体系仍较明显。

4 结论与讨论

4.1　结论

本文基于企查查网站公布的房企间真实的股权投资数据，构建2018—2022年的长三角城际房地产投资网络，从节点层级、流量层级、组团格局和拓扑属性4个维度，分析长三角城际房地产投资网络的空间结构特征，并通过指数随机图模型揭示其内外生影响因素。主要结论为：
1）从节点层级和流量层级看，长三角城际房地产投资网络展现城市中心地位的非对称性。上海、杭州、南京的投资排名前列，而杭州、苏州、南京的引资能力较强。合肥的中介性突出，是安徽城市融入长三角区域房地产的枢纽。投资流具有明显的核心边缘结构，流向反映省会城市与邻近省内城市间紧密的经济联系，而高能级城市间跨行政边界的资本流动仍需强化。
2）从组团格局和拓扑属性看，长三角城际房地产投资组团与行政区划耦合度高。上海对近邻江苏城市的辐射超过南京的溢出影响，与苏州、南通、盐城形成单核放射状组团，其余3个是江苏、浙江、安徽省域投资组团。城际房地产投资网络具有异配性和小世界特征，即各省内小城市倾向与大城市的建立投资联系，并形成集聚的发展模式。节点的出度中心势远大于入度中心势，投资流集中而引资流分散，区域房地产资本流动由投资辐射主导。
3）从投资网络的影响因素看，长三角城际房地产投资流受内生和外生因素的双重影响。聚集经济对城际投融资的积极影响具有方向性，城市化经济主导区域投资强度，而地方化经济增强城市引资能力，区域尺度投资依赖全球投资路径。在城际关系中组织邻近作用最强，制度邻近和地理邻近维持以省内投资为主、核心城市向边缘城市层级投资的集群模式。互惠机制、择优依附和闭合传递机制促使投资网络向互惠平衡、等级式传递和集群化的特征发展。

4.2　讨论

根据本研究结论，可得到3点启示。1）不断强化高能级城市的地位，将高能级城市的单向投资辐射转化为与周边城市的双向投资互惠。发挥互惠效应的传导机制，推动等级性传递闭合走向扁平式循环闭合。既要利用既有的层级性投资溢出优势，又要通过政策支持引导边缘城市对外的跨城结对发展和对内的同级邻近交互，以更好地融入区域资本流动、缩小城际投资差异。2）优化长三角城际房地产资本市场环境，进一步破除资本流动的行政壁垒，完善跨区域沟通协作机制，打造统一开放、竞争有序的市场体系。同时，进一步增强边缘城市的交通可达性，以降低要素流动的时间和成本为城市引流。3）着力提升城市的地方化和专业化水平，发挥比较优势、扩大产业优势是投资者青睐的底层逻辑。地方政府要前瞻性出台房地产行业的相关政策，通过布局人才、技术、基建等基础资源，为城市营造优质且具有特色的产业环境。
相比已有研究，本文采用网络范式，丰富了区域房地产市场分异的研究视角。同时，利用房地产企业主体间的股权投资额构建真实的城际房地产投资网络，弥补了现有房地产网络采用信息流、消费流和链锁网络模型反演的不足。与李哲睿等（2019）基于长三角全行业企业间的股权投资数据发现上海、杭州与合肥是区域资本集散中心的结论不同，本文聚焦于特定的房地产行业，发现房地产业的投资流集中于少数核心城市，而引资流呈现相对分散的布局，城际房地产资金流的非对称性成为阻碍区域房地产市场均衡协同发展的重要因素。此外，对于网络结构影响因素的探讨，不同于常用的计量模型或QAP回归模型（陈明华 等，2016；冷硕峰 等，2023），本文引入网络仿真模型，从内外生动力角度揭示了城际房企投资网络的影响因素，验证了与多维度空间结构特征相匹配的驱动因子，为理解城市网络结构与房地产市场分异提供了新的理论视角和实证工具。
本文的贡献主要在于：理论上，整合网络统计分析和仿真模拟方法，利用房地产企业投资流数据，解析长三角城际房企投资网络的结构特征及其内外生驱动力，为房地产市场的研究提供新思路；实践上，基于对城际房企投资网络的格局分析和机制探讨，明晰城市在区域房地产市场的功能定位，深化对跨城投资驱动因素的认知，可为区域协同与一体化发展提供政策参考。本研究也存在一些不足。首先，对内生动力的考察较多，而外生动力只选取部分典型的影响因素，未来可加入与房地产企业相关的微观因素考察；其次，非全样本企业的房地产股权投资对产业网络的代表性与稳健性仍需深入论证，未来可使用项目投资额数据进行对比研究；最后，ERGM只能针对截面的房地产投资网络进行模拟，未来可利用TERGM探究不同时段投资网络的演化，以考察内外生动力影响强度的变化。

脚注

1 资料来源：https://www.gov.cn/gongbao/content/2019/content_5462503.htm

2 https://www.qcc.com/web/search/advance

3 资料来源：https://www.nanjing.gov.cn/bmdt/202208/t20220825_3682041.html

戴 靓：负责思路设计、论文撰写、修改与校对；

吕一凡：负责数据处理、网络模拟；

郑慧彬：负责数据收集、网络分析和可视化；

李鲁奇：负责论文撰写、修改与校对。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
安徽省统计局，国家统计局安徽调查总队. 2023. 2023安徽统计年鉴. 北京：中国统计出版社.

Anhui Provincial Bureau of Statistics, Survey Office of the National Bureau of Statistics in Anhui. 2023. Anhui Statistical Yearbook 2023. Beijing: China Statistics Press.

Blondel V D, Guillaume J L, Lambiotte R, and Lefebvre E. 2008. Fast Unfolding of Community in Large Networks. Journal of Statistical Mechanics: Theory and Experiment, 10: P10008.

Broekel T and Bednarz M. 2018. Disentangling Link Formation and Dissolution in Spatial Networks: An Application of a Two-Mode STERGM to a Project-Based R&D Network in the German Biotechnology Industry. Networks and Spatial Economics, 18: 677-704.

Castells M. 1996. The Rise of the Network Society. Oxford: Blackwell, 453-459.

陈明华，刘华军，孙亚男，何礼伟. 2016. 城市房价联动的网络结构特征及其影响因素：基于中国69个大中城市月度数据的经验考察. 南方经济，（1）：71-88.

Chen Minghua, Liu Huajun, Sun Ya'nan, and He Liwei. 2016. Empirical Study on the Characteristics of Network Structure and Its Influence Factors of Urban Housing Price Linkage: Based on Monthly Data of 69 Large and Medium Cities in China. South China Journal of Economics, (1): 71-88.

戴靓，丁子军，马海涛，曹湛，王瑞霖. 2024. 粤港澳大湾区技术转移的空间关联与内生动力. 地理学报，79（6）：1503-1520.

Dai Liang, Ding Zijun, Ma Haitao, Cao Zhan, and Wang Ruilin. 2024. Spatial Linkages and Endogenous Mechanisms of Technology Transfer in the Guangdong-Hong Kong-Macao Greater Bay Area. Acta Geographica Sinica, 79(6): 1503-1520.

Dai L, Derudder B, Cao Z, and Ji Y. 2023. Examining the Evolving Structures of Intercity Knowledge Networks: The Case of Scientific Collaboration in China. International Journal of Urban Sciences, 27(3): 371-389.

冯冬梅. 2015.中国房地产业对经济的影响及趋势分析. 北京：对外经济贸易大学.

Feng Dongmei. 2015. Analysis of the Impact of China's Real Estate Industry and Trend. Beijing: University of International Business and Economics.

高鹏，何丹，宁越敏，韩明珑. 2021. 长三角地区城市投资联系水平的时空动态及影响因素. 地理研究，40（10）：2760-2779.

Gao Peng, He Dan, Ning Yuemin, and Han Minglong. 2021. Spatio-Temporal Dynamics and Factors of Urban Investment Linkage Level in the Yangtze River Delta. Geographical Research, 40(10): 2760-2779.

高鹏，宁越敏，何丹，张凡. 2023. 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. 地理科学，43（7）：1216-1226.

Gao Peng, Ning Yuemin, He Dan, and Zhang Fan. 2023. Network Externalities of Urban Economic Growth in the Yangtze River Delta from the Perspective of Enterprises' Non-Local Investment. Scientia Geographica Sinica, 43(7): 1216-1226.

古恒宇，黎宇翔，劳昕，卢琳，张亮. 2024. 疫情期间中国春运人口流动网络特征及其影响因素. 经济地理，44（5）：53-63.

Gu Hengyu, Li Yuxiang, Lao Xin, Lu Lin, and Zhang Liang. 2024. Characteristics and Influencing Factors of Population Flow Network during China's Spring Festival under COVID-19 Pandemic. Economic Geography, 44(5): 53-63.

桂钦昌，杜德斌，刘承良，侯纯光. 2022. 基于随机行动者模型的全球科学合作网络演化研究. 地理研究，41（10）：2631-2647.

Gui Qingchang, Du Debin, Liu Chengliang, and Hou Chunguang. 2022. The Evolution of the Global Scientific Collaboration Network: A Stochastic Actor-Oriented Model Approach. Geographical Research, 41(10): 2631-2647.

胡国建，陈传明，陈丽娟，王强，金星星. 2018. 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，38（9）：138-146.

Hu Guojian, Chen Chuanming, Chen Lijuan, Wang Qiang, and Jin Xingxing. 2018. Enterprise's Cross-Region Investment Pattern and Its Determinants: A Case Study of Fujian Listed Firms. Economic Geography, 38(9): 138-146.

胡国建，陆玉麒. 2020. 基于企业视角的城市网络研究进展、思考和展望. 地理科学进展，39（9）：1587-1596.

Hu Guojian and Lu Yuqi. 2020. Progress, Thoughts, and Prospect of Urban Network Research Based on Enterprise Perspective. Progress in Geography, 39(9): 1587-1596.

胡志强，苗长虹，华明芳，刘丽. 2018. 中国外商投资区位选择的时空格局与影响因素. 人文地理，33（5）：88-96.

Hu Zhiqiang, Miao Changhong, Hua Mingfang, and Liu Li. 2018. Spatio Temporal Patterns and Location Factors of FDI in China. Human Geography, 33(5): 88-96.

黄忠华，李书萱，杜雪君. 2022. 长三角一体化发展下城市地价时空格局及影响机制研究. 中国土地科学，36（2）：53-62.

Huang Zhonghua, Li Shuxuan, and Du Xuejun. 2022. Spatial-Temporal Pattern and Influence Mechanism of Urban Land Prices under the Integrated Development of the Yangtze River Delta. China Land Science, 36(2): 53-62.

Hunter D R. 2007. Curved Exponential Family Models for Social Networks. Social Networks, 29(2): 216-230.

纪宇凡，戴靓，丁子军，周腾. 2022. 中国城市房地产企业网络的结构特征. 资源开发与市场，38（2）：156-162.

Ji Yufan, Dai Liang, Ding Zijun, and Zhou Teng. 2022. Structural Characteristics of the Intercity Network of Real Estate Enterprises in China. Resource Development and Market, 38(2): 156-162.

江苏省统计局，国家统计局江苏调查总队. 2023. 江苏统计年鉴2023. 北京：中国统计出版社.

Jiangsu Provincial Bureau of Statistics, Survey Office of the National Bureau of Statistics in Jiangsu. 2023. Jiangsu Statistical Yearbook 2023. Beijing: China Statistics Press.

冷硕峰，席广亮，甄峰. 2023. 长三角数字经济网络演化特征及影响因素. 热带地理，43（4）：620-635.

Leng Shuofeng, Xi Guangliang, and Zhen Fen. 2023. Evolutionary Characteristics and Influencing Factors of the Digital Economic Network in the Yangtze River Delta. Tropical Geography, 43(4): 620-635.

冷硕峰，席广亮，甄峰，刘翰阳. 2024. 基于企业股权关联的长三角数字经济网络演变和空间扩展模式研究. 人文地理，39（3）：81-91，182.

Leng Shuofeng, Xi Guangliang, Zhen Fen, and Liu Hanyang. 2024. The Evolution and the Spatial Expansion Pattern of the Digital Economy Network in the Yangtze River Delta Region Based on Interfirm Investment Relationship. Human Geography, 39(3): 81-91, 182.

李聪，卢明华，张金哲，余加丽. 2022. 京津冀城市群产业投资网络演变及影响因素研究. 人文地理，37（5）：162-170.

Li Cong, Lu Minghua, Zhang Jinzhe, and Yu Jiali. 2022. Evolution and Influencing Factors of Industrial Investment Network in Beijing-Tianjin-Hebei Urban Agglomeration. Human Geography, 37(5): 162-170.

李仙德. 2014. 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，33（12）：1587-1600.

Li Xiande. 2014. Spatial Structure of the Yangtze River Delta Urban Network Based on the Pattern of Listed Companies Network. Progress in Geography, 33(12): 1587-1600.

李哲睿，甄峰，傅行行. 2019. 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，39（11）：1763-1770.

Li Zherui, Zhen Feng, and Fu Xingxing. 2019. Mapping Urban Network Through Inter-Firm Investment Relationship: A Case Study of Yangtze River Delta. Scientia Geographica Sinica, 39(11): 1763-1770.

李周平，傅春，李远刚，刘小钰. 2024. 基于企业投资路径的城市网络结构演化研究：以长三角地区为例. 热带地理，44（7）：1236-1248.

Li Zhouping, Fu Chun, Li Yuangang, and Liu Xiaoyu. 2024. Structure Evolution of Urban Network through Enterprise Investment Routes: A Case Study of the Yangtze River Delta. Tropical Geography, 44 (7): 1236-1248.

刘程军，陈亦婷，陈秋驹，陈国亮，周建平. 2023. 企业投资视角下金融科技的空间联系网络演化与影响因素. 经济地理，43（2）：136-146.

Liu Chengjun, Chen Yiting, Chen Qiuju, Chen Guoliang, and Zhou Jianping. 2023. Evolution and Influencing Factors of the Spatial Connection Network of Financial Technology from the Perspective of Enterprise Investment. Economic Geography, 43(2): 136-146.

Liu X J and Derudder B. 2013. Analyzing Urban Networks through the Lens of Corporate Networks: A Critical Review. Cities, 31: 430-437.

卢明华，周悦颜，刘汉初，许欣. 2020. 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，39（3）：389-401.

Lu Minghua, Zhou Yueyan, Liu Hanchu, and Xu Xin. 2020. Spatiotemporal Dynamics and Influencing Factors of Direct Investment in Hebei Province by Beijing's Enterprises. Progress in Geography, 39(3): 389-401.

罗超亮，符正平，刘冰，王曦. 2022. 战略性新兴产业国际贸易网络的演化及动力机制研究.国际贸易问题，（3）：121-139.

Luo Chaoliang, Fu Zhengping, Liu Bing, and Wang Xi. 2022. Research on the Evolution of Strategic Emerging Industries' International Trade Network and Its Dynamic Mechanism. Journal of International Trade, (3): 121-139.

马海涛. 2020. 知识流动空间的城市关系建构与创新网络模拟. 地理学报，75（4）：708-721.

Ma Haitao. 2020. The Theoretical Construction and Network Simulation of Intercity Innovative Relationships in Knowledge Flow Space. Acta Geographica Sinica, 75(4): 708-721.

马学广，张钊，蒋策. 2023. 基于先进制造业投资的中国城市网络空间联系与结构研究. 人文地理，38（3）：108-117，154.

Ma Xueguang, Zhang Zhao, and Jiang Ce. 2023. Research on Spatial Connection and Structure of Chinese Urban Network Based on Advanced Manufacturing Investment. Human Geography, 38(3): 108-117, 154.

Pan F H, Bi W K, Lenzer J, and Zhao X B. 2017. Mapping Urban Networks Through Inter-Firm Service Relationships: The Case of China. Urban Studies, 54(16): 3639-3654.]

潘竟虎，杨亮洁. 2017. 中国地级及以上城市房价收入比的时空分异. 干旱区地理，40（6）：1274-1281.

Pan Jinghu and Yang Liangjie. 2017. Spatial-Temporal Differentiation of Housing Price-to-Income Ratio at Prefecture Level Cities in China. Arid Land Geography, 40(6): 1274-1281.

秦娅风，郭建科，董梦如，郭姝. 2021. 基于企业投资行为的中国沿海城市产业网络空间联系特征. 地域研究与开发，40（6）：19-24.

Qin Yafeng, Guo Jianke, Dong Mengru, and Guo Shu. 2021. Spatial Distribution Characteristics of Industrial Network in Coastal Cities of China Based on Enterprise Investment Behavior. Areal Research and Development, 40(6): 19-24.

Robins G, Morris M, Pattison P, Kalish Y, and Lusher D. 2007. An Introduction to Exponential Random Graph (p*) Models for Social Networks. Social Network, 29(2): 173-191.

上海市统计局，国家统计局上海调查总队. 2023. 2023上海统计年鉴. 北京：中国统计出版社.

Shanghai Municipal Bureau of Statistics, Survey Office of the National Bureau of Statistics in Shanghai. 2023. Shanghai Statistical Yearbook 2023. Beijing: China Statistics Press.

盛科荣，张红霞，赵超越. 2019. 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，38（5）：32-46.

Sheng Kerong, Zhang Hongxia, and Zhao Chaoyue. 2019. Determinants of the Urban Spatial Network in China: An Analysis through the Lens of Corporate Networks within Electronic Information Industry. Geographical Research, 38(5): 32-46.

Shi S, Wall R, and Pain K. 2018. Exploring the Significance of Domestic Investment for Foreign Direct Investment in China: A City-network Approach. Urban Studies, 56(12): 2447-2464.

宋伟轩，陈艳如，孙洁，何淼. 2020. 长三角一体化区域城市房价空间分异的模式与效应. 地理学报，75（10）：2109-2125.

Song Weixuan, Chen Yanru, Sun Jie, and He Miao. 2020. Spatial Differentiation of Urban Housing Prices in Integrated Region of Yangtze River Delta. Acta Geographica Sinica, 75(10): 2109-2125.

唐晓彬，崔茂生. 2020. “一带一路”货物贸易网络结构动态变化及其影响机制. 财经研究，46（7）：138-153.

Tang Xiaobin and Cui Maosheng. 2020. Research on the Dynamic Change of Goods Trade Network Structure and Its Impact Mechanism of Countries along the Belt and Road. Journal of Finance and Economics, 46(7): 138-153.

唐子来，赵渺希. 2010. 经济全球化视角下长三角区域的城市体系演化: 关联网络和价值区段的分析方法. 城市规划学刊，（1）：29-34.

Tang Zilai and Zhao Miaoxi. 2010. Economic Globalization and Transformation of Urban System in the Yangtze River Delta Region: Interlocking Network and Value-Added Hierarchy. Urban Planning Forum, (1): 29-34.

汪传江. 2019. 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，38（2）：87-96.

Wang Chuanjiang. 2019. 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, 38(2): 87-96.

汪菲，罗皓，王长建，叶玉瑶，张虹鸥，林晓洁，陈静. 2023. 金融联系视角下粤港澳大湾区城市网络空间结构及其影响因素. 热带地理，43（4）：581-595.

Wang Fei, Luo Hao, Wang Changjian, Ye Yuyao, Zhang Hong'ou, Lin Xiaojie, and Chen Jing. 2023. Spatial Structure and Influencing Factors of Urban Network in the Guangdong-Hong Kong-Macao Greater Bay Area from the Financial Relationships Perspective. Tropical Geography, 43(4): 581-595.

王姣娥，车恩瑜，肖凡. 2024.中国航空货运时空格局演变与影响因素研究. 热带地理，44（5）：771-782.

Wang Jiao'e, Che Enyu, and Xiao Fan. 2024. Spatiotemporal Pattern and Influencing Factors of Air Cargo Transport in China. Tropical Geography, 44(5): 771-782.

王磊，李安琪，杨文毅，张伊娜. 2019. 城际房地产消费流的空间格局与驱动因素研究：以长江中游城市群为例. 湖北社会科学，（12）：46-55.

Wang Lei, Li Anqi, Yang Wenyi, and Zhang Yina. 2019. Research on the Spatial Pattern and Driving Factors of Intercity Real Estate Consumption Flows: A Case Study of the Mid-Yangtze Urban Agglomeration. Hubei Social Sciences, (12): 46-55.

吴炫，杨家文. 2019. 流动量与关注度视角下的城市网络结构: 以广州、深圳为例. 地理科学进展，38（12）：1843-1853.

Wu Xuan and Yang Jiawen. 2019. City Network by Mobility and Attention Indices: A Comparison of Guangzhou and Shenzhen. Progress in Geography, 38(12): 1843-1853.

徐宁，李仙德. 2020. 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，39（4）：553-566.

Xu Ning and Li Xiande. 2020. Evolution of Shanghai Listed Companies' Outward Investment Network and Its Determinants. Progress in Geography, 39(4): 553-566.

尹上岗，马志飞，吴小影，李在军. 2020. 中国城市住宅售租比时空分异格局及影响机制. 长江流域资源与环境，29（3）：547-556.

Yin Shanggang, Ma Zhifei, Wu Xiaoying, and Li Zaijun. 2020. Spatial-Temporal Differentiation and Influence Mechanism of the Urban Housing Price-to-Rent Ratio in China. Resources and Environment in the Yangtze Basin, 29(3): 547-556.

于瀚辰，周麟，沈体雁. 2019. 制造业企业区位选择集聚经济指向的空间效应. 地理研究，38（2）：273-284.

Yu Hanchen, Zhou Lin, and Shen Tiyan. 2019. Location Selection and Spatial Effects of Agglomeration Economy in Manufacturing Enterprises. Geographical Research, 38(2): 273-284.

Zhang W, Chong Z, Li X, and Nie G. 2020. Spatial Patterns and Determinant Factors of Population Flow Networks in China: Analysis on Tencent Location Big Data. Cities, 99: 102640.

张泽，唐子来. 2018. 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，29（3）：54-61.

Zhang Ze and Tang Zilai. 2018. Urban Interlocking Network Features from the Perspective of Securities Capital Flows: The Case Study of Shanghai. Tongji University Journal Social Science Section, 29(3): 54-61.

Zhang Z and Wang Z. 2022. Cyberspace-Based Urban Networks: Visualising and Exploring China's Intercity Interaction from a New Perspective. Environment and Planning A: Economy and Space, 54(3): 454-460.

浙江省统计局，国家统计局浙江调查总队. 2023. 2023浙江统计年鉴. 北京：中国统计出版社.

Zhejiang Provincial Bureau of Statistics, Survey Office of the National Bureau of Statistics in Zhejiang. 2023. Zhejiang Statistical Yearbook 2023. Beijing: China Statistics Press.

周建平，刘程军，徐维祥，李露，周梦瑶，侯和宏. 2021. 电子商务背景下快递企业物流网络结构及自组织效应：以中通快递为例. 经济地理，41（2）：103-112.

Zhou Jianping, Liu Chengjun, Xu Weixiang, Li Lu, Zhou Mengyao, and Hou Hehong. 2021. Logistics Network Structure of Express Delivery Companies and Their Self-Organization Effect Under the Background of E-Commerce: Taking ZTO Express as an Example. Economic Geography, 41(2): 103-112.

周小平，秦振扬，赵松，柴铎. 2019. 中国住宅地价房价比的空间格局、演变特征及影响因素:基于35个大中城市的空间计量分析. 中国土地科学，33（1）：40-48.

Zhou Xiaoping, Qin Zhenyang, Zhao Song, and Chai Duo. 2019. The Spatial Pattern, Evolution Characteristics and Influencing Factors of Land Share in Housing Price in China: A Spatial Econometric Analysis of 35 Large and Medium-Size Cities. China Land Science, 33(1): 40-48.

Options
文章导航

/

〈 〉