EN中文

地理研究 >

2023 , Vol. 42 >Issue 4: 1009 - 1028

DOI: https://doi.org/10.11821/dlyj020220620

研究论文

长三角地区专精特新“小巨人”企业空间分布及影响因素研究

  • 丁建军 ,
  • 王淀坤 ,
  • 刘贤
展开
  • 吉首大学商学院，吉首 416000
王淀坤（1998-），男，湖南娄底人，硕士研究生，主要研究方向为区域经济、产业经济。E-mail:

丁建军（1980-），男，湖南衡东人，博士，教授，博士生导师，主要研究方向为区域经济、产业经济。E-mail:

收稿日期: 2022-06-13

  修回日期: 2022-10-24

  网络出版日期: 2023-04-13

基金资助

国家自然科学基金项目(42161033)

湖南省杰出青年科学基金项目(2020JJ2025)

湖南省教育厅科学研究项目重点项目(21A0330)

湖南省研究生科研创新项目(CX20221100)

收起

Spatial distribution and influencing factors of specialized and sophisticated "Little Giants" Enterprises in the Yangtze River Delta

  • DING Jianjun ,
  • WANG Diankun ,
  • LIU Xian
Expand
  • School of Business, Jishou University, Jishou 416000, Hunan, China

Received date: 2022-06-13

  Revised date: 2022-10-24

  Online published: 2023-04-13

Fold

摘要

培育专精特新“小巨人”企业是“补链强链”专项行动的关键内容，关注其空间分布格局及成因对促进中小企业转型发展具有重要意义。基于工业和信息化部认定的三批次专精特新“小巨人”企业名单，运用Ripley's K函数、核密度分析以及空间热点聚类等方法，探究长三角地区“小巨人”企业的空间分布与集聚特征，并采用负二项回归模型识别“小巨人”企业空间分布的影响因素。研究发现：① 长三角地区“小巨人”企业行业分布主要集中于制造业，其次是科学研究和技术服务业，而技术密集型制造业、知识密集型服务业“小巨人”企业具有明显的中心城市偏向。② 在不同距离尺度上，“小巨人”企业集聚强度呈现明显的“双峰”特征，对应集聚尺度相当于都市圈内“一小时通勤圈”，由此形成了以上海市为主要核心，宁波市为次要核心，省会城市及部分沿海沿江城市为极点的“两核多极”局部集聚特征和以沿江、临海都市圈为热点区域的“一轴两带三圈”总体空间分布格局。③ 从“小巨人”企业的空间集聚机制来看，交通可达性、土地利用及成本、地理区位、外部支撑条件、产业发展基础、科研创新条件等是影响“小巨人”企业空间分布的主要因素。④ 高技术和战略重点制造业、科研及信息技术服务业“小巨人”企业空间集聚影响因素具有异质性。土地利用及成本方面，前者呈现“亲工业用地价，疏商服用地价”的分布态势，而后者对商服用地价格不敏感；外部支撑条件方面，仅显著影响前者空间分布；产业发展基础方面，物流水平仅对后者分布具有显著作用；科研创新条件方面，前者偏向人力资本集聚，后者则更偏向科研机构集聚。

关键词： 专精特新企业; 空间分布; 长三角地区; 影响因素; 负二项回归

本文引用格式

丁建军 , 王淀坤 , 刘贤 . 长三角地区专精特新“小巨人”企业空间分布及影响因素研究[J]. 地理研究, 2023 , 42(4) : 1009 -1028 . DOI: 10.11821/dlyj020220620

Abstract

The spatial distribution pattern and causes are of great significance to promote the transformation and development of SMEs, as the cultivation of specialized and sophisticated “Little Giant” Enterprises is a key element of the special action of “strengthening the weakness in the industrial and supply chains”. Based on the list of three batches of “Little Giant”Enterprises recognized by the Ministry of Industry and Information Technology, using Ripley's K function, kernel density analysis, and spatial hotspot clustering to explore the spatial distribution and clustering characteristics of “Little Giant” Enterprises in the Yangtze River Delta. Further, a negative binomial regression model was used to identify the factors affecting the spatial distribution of “Little Giant” Enterprises by combining geospatial data and socioeconomic statistics. The conclusions are drawn as follows: (1) The industry distribution of “Little Giant” Enterprises in the study region mainly cluster in manufacturing industries, followed by scientific research and technology service industries, and the “Little Giant” Enterprises in technology-intensive manufacturing industries and knowledge-intensive service industries cluster in the central cities. (2) At different distance scales, the agglomeration intensity of “Little Giant” Enterprises shows obvious “bimodal” characteristics, and the corresponding agglomeration scale is equivalent to the “one-hour commuting circle” in the metropolitan area, thus it has formed the “two cores and multiple poles” local clustering characteristics with Shanghai as the main core, Ningbo as the secondary core, provincial capital cities and some coastal and riverine cities as the poles, and the “one axis, two belts and three circles” overall spatial distribution pattern with the riverine and coastal metropolitan regions as the hotspot area. (3) From the spatial clustering mechanism of “Little Giant” Enterprises, traffic accessibility, land use and cost, geography location, external support, industrial foundation, scientific research and innovation conditions are the main factors affecting the spatial distribution of “Little Giant” Enterprises. (4) The factors, which influence the spatial agglomeration of "Little Giant" Enterprises in high-tech and strategic focus manufacturing industries, research and information technology service industries, are heterogeneous. In terms of land use and cost, the former shows a distribution trend of “the higher industrial land price but closer, the higher commercial land price then farther away”, while the latter is not sensitive to commercial land price; in terms of external support conditions, they only significantly affect the spatial distribution of the former; in terms of industrial development foundation, logistics level only plays a significant role in the distribution of the latter; in terms of research and innovation conditions, the former is more inclined to human capital agglomeration, while the latter is more inclined to research institutions.

Key words： specialized and sophisticated “Little Giants” Enterprises; spatial distribution; influencing factors; Yangtze River Delta; negative binomial regression

1 引言

20世纪90年代后，美国与日本经济发展出现了截然不同的态势，美国经济取得“黄金十年”的发展，而日本却连续经历了两个“失落的十年”，一个重要的原因是中小企业发展的差异。美国通过增强创新生态系统中的多样性，推行中小企业与其他创新主体强关联的培育模式，形成了较好的适应力。日本则过于依赖大企业主导带来的效率提升而忽略了中小企业与其他创新主体的关联，陷入了路径锁定[1]。面临粗放性要素投入、产品低附加值为特征的传统增长动能不可持续以及国外技术封锁等困境，中国也正经历新旧动能转换的关键阶段，如何壮大经济增长新动能，从要素投入驱动转换到创新驱动的高质量发展，中小企业发展的多样性及其技能专业化不可忽视①(① 工信息部的数据显示，截至2021年7月底，全国4600多万户企业主体中，中小企业占比90%以上，贡献了50%以上的税收，60%以上的国内生产总值，70%以上的技术创新，80%以上的城镇劳动就业。)。“十二五”规划时，中国就将“专精特新”作为中小企业转型发展的方向，部分中小企业凭借专注于产业链上某个环节，核心主业竞争力明显，创新能力和抗风险能力较强等优势表现出强劲的发展韧性[2]，甚至在先进核心技术开发与基础关键产品制造中担当着不可替代的角色。这类具备专业化、精细化、特色化、新颖化特征的中小企业就是专精特新企业[3]，专精特新中小企业中的“佼佼者”则被称为“小巨人”企业，其更强调产业链、供应链、创新链稳定性和竞争力以及主导产品所属领域的关键性，是实现制造强国战略，补齐重点产业领域短板弱项的重要支撑。2019年以来，国家不断在专项资金、技术创新、平台基地等方面给予专精特新中小企业全方位政策支持，“十四五”期间预计将培育10万家省级专精特新中小企业、1万家“小巨人”企业[4]。大力发展“小巨人”企业，加速“补链强链”专项行动，已是国家产业发展战略中的重要一环。
企业在地理空间上集中可以获得集聚的外部性，降低生产成本。新经济地理学在规模报酬递增与垄断竞争的假设条件下，通过同质化企业的区位选择机制解释不同地区的集聚效应，缺少对微观主体异质性的考察。Melitz率先将企业异质性纳入国际贸易研究中，发现市场对不同生产率企业产生了选择效应[5]。通过在新经济地理学模型中引入企业异质性，Baldwin等进一步提出主被动选择效应共同作用进而影响异质性企业的选址决策与集聚格局[6,7]，刘颖等基于中国工业企业的研究验证了异质性企业的主被动选择效应确实存在[8]。部分研究基于经济学视角，对中国异质性企业的分布格局做了进一步补充，傅十和等探究了不同规模企业在不同规模城市中得益于何种集聚经济，发现中小企业在大城市受益于地方化经济（马歇尔外部性），而在特大城市中则受益于城市化经济（雅各布斯外部性）[9]；陈建军等则在企业区位选择中区分了不同产业特征，资本、技术密集型企业倾向于城市化集聚，传统劳动密集型企业则偏向于地方化集聚[10]。然而，上述集聚经济往往局限于城市内部或行政区划边界内，在经历四次工业革命后，交通网络、信息技术以及战略联系等无不冲击着本地经济，强调建立更大范围的联系。跨越地理、行政边界的城市间联系形成的城市网络外部性使得集聚经济研究视角正在发生转变，如基于城市群、都市圈甚至是全球生产网络等层面的集聚外部性正在显现，这些规模更大的功能网络愈来愈协同互补，一定程度上替代了集聚经济的作用[11]。黄晓东等探究了中国国家级创新型企业跨地区的组织关联布局所形成的城市网络结构，发现城市间地理、技术以及制度的邻近性会吸引创新企业部门的流入[12]；范剑勇等基于地理距离与投入产出关系度量的跨城市的行业间距离考察产业集聚的机制，发现新企业选址更偏向上下游头部企业所在城市，并且围绕头部企业所形成的产业链生态圈，使得周边集聚的中小企业也能够享受其产业外部性[13]。
专精特新“小巨人”企业属于典型的高创新、高生产率中小企业，在国家战略导向、市场筛选等的作用下，其区位选择机制及集聚成因也较为复杂。国内外学者基于不同视角探究了影响这类企业区位选择的因素。Brodzicki等利用波兰的企业数据，发现选址于大都市是促进企业成长和竞争力提升的关键因素之一，并且区位优势对于小型企业的帮助更加明显[14]；Chłoń-Domińczak等以波兰库亚瓦滨海地区的中小企业为研究对象，发现建成区占比、道路网络密度等设施环境因素对其分布具有重要影响[15]；Bade等探究了德国西部新技术企业的空间分布及影响因素，发现企业集中分布于核心城市或人口稠密的地区，并且与大学、研发机构等科研设施联系紧密[16]；Wlodarczak通过对比分析温哥华地区的两个社区，发现构建城市土地利用规划与经济发展相协调的“精明增长”模式是吸引高科技企业入驻的主要机制[17]。部分学者立足中国实践，对专精特新“小巨人”企业的空间、行业分布等特征展开了研究。如李金华发现“小巨人”企业主要分布于中国东部沿海、南部沿海以及长江中游等地区，且与当地的经济发展水平、主导行业及自然资源相关联[18]；陆岷峰等发现“小巨人”企业主要集中于东部沿海及中西部发展较快省份，并且绝大多数“小巨人”企业属于制造业，其次是科技领域行业，而民营经济主导、科技人员占比较高是“小巨人”企业的普遍特征[19]。也有研究基于实地调查及政策文本进行案例分析或实证研究，对全国尤其是长三角地区专精特新中小企业的未来发展路径进行了探讨。总结来看，战略定位和技术创新能力[20]、与大企业的协作[21]、精细化水平[22]、民营扶持政策[23]以及不同政府间的联动支持[24]对促进中小企业专精特新转型非常重要。
然而上述“小巨人”企业研究在空间上以宏观尺度为主，局限于全中国或单个城市，空间尺度不够精细且忽略了城市间一体化效应。同时，“小巨人”企业的集聚机制仍然有待挖掘。长三角作为中国城市间发展最为均衡、一体化成效最好的地区之一，不仅是创新资源、研发投入与成果集聚的高地，同时也是“小巨人”企业集聚的首位区域，在城市群、都市圈等不同“圈层”经济协作下，探究其“小巨人”企业的空间分布模式及集聚机制能为政府制定产业政策，促进中小企业发展与专精特新转型升级提供有益参考。基于此，本文应用2019—2021年间工业和信息化部三批次认定的“小巨人”企业数据，以长三角地区为研究区域，综合运用地理大数据及GIS空间分析方法探究长三角地区专精特新“小巨人”企业的空间分布格局，并采用负二项回归等计量方法，识别影响“小巨人”企业集聚与空间分布的具体因素，以期丰富专精特新企业的实证研究。

2 研究区概况与研究方法

2.1 研究区概况

长江三角洲地区（简称长三角地区）包括上海市、江苏省、浙江省以及安徽省，共涉及41个地级及以上城市。长三角地区的行政区划及“小巨人”企业的空间分布如图1所示。自改革开放尤其是党的十八大以来，长三角地区的一体化发展成效显著，不仅是全国开放程度最高、经济最为活跃的地区，也是创新能力最强的地区之一[25]。根据江浙沪皖四省市科技智库报告，2020年长三角地区每万人拥有研发人员为67.97人，超过全国平均水平近3倍；地区研发投入强度高达2.84%，超过全国平均水平近三成；地区政府支出中财政科技拨款占比为4.84%，高出全国平均水平近两成[26]。活跃的民营经济、良好的营商环境以及浓厚的研发创新氛围，为专精特新企业培育提供了有利条件，使长三角地区成为国家级专精特新“小巨人”企业的主要聚集地，共集聚了1262家“小巨人”企业，占全国总数的25.64%，其中江苏省289家、浙江省476家（包括计划单列市宁波市的182家）、上海市262家、安徽省235家。而一体化中心区域（即原来的长三角城市群26城市加上温州市）又是该集聚区域的核心区域，集聚了875家“小巨人”企业，占长三角地区总数的近七成。可见，该区域是研究“小巨人”企业空间分布及其影响因素的理想区域。
图1 长三角地区行政区划及“小巨人”企业空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)3189号）绘制，底图边界无修改。

Fig. 1 Spatial distribution of “Little Giant” Enterprises and administrative regions in the Yangtze River Delta

2.2 数据来源及处理

本文所使用的数据主要包括长三角地区国家级专精特新“小巨人”企业点位数据以及影响因素数据两部分。国家级专精特新“小巨人”企业名单来自工业和信息化部中小企业局，分别于2019年、2020年、2021年公布了总共三批次专精特新“小巨人”企业名单[27]，通过与企查查高级筛选得到的“小巨人”企业名单进行对比匹配，最终获得长三角地区共计1262家“小巨人”企业。利用百度地图API接口，按照企业登记的地址信息获取“小巨人”企业空间经纬度坐标，并进行地理坐标系纠偏。同时，通过建立渔网对长三角地区进行网格化处理，根据宓泽锋等的研究，长三角地区创新产学合作平均最优距离在2001—2008年为3.69 km，而2009—2017年为4.45 km[28]，由此推算研究年份最优距离将扩大至5 km左右，此时形成的创新网络使得企业创新绩效达到最高，成为专精特新“小巨人”企业的概率也将最大。故网格选择5 km ×5 km大小，并采用分区统计方法计算网格内的“小巨人”企业数量。
影响因素数据主要包括自然地理及区位、交通可达性、土地利用及成本、生活便利性、科研创新条件、产业发展基础以及外部支撑七大方面因素。① 在自然地理及区位、交通可达性因素中，DEM高程数据来自于地理空间数据云平台（http://www.gscloud.cn/），空间分辨率为30 m，通过矫正获得长三角地区海拔数据；水体、道路网数据来自于OSM开源地图网站（https://www.openstreetmap.org/），利用Arcmap近邻分析方法计算网格中心点距离最近水体、高速收费站点距离；城市建成区数据来自中国城市2020年建成区数据集[29]。② 土地利用数据来自于中国科学院资源环境科学数据中心（https://www.resdc.cn/），空间分辨率为1 km。分区面积统计网格内城乡工矿居民用地占土地总面积的比例作为建设用地面积占比。③ 土地利用成本数据包括区县房价、地级市的工业用地及商服用地价格。其中，全国区县级2020房价数据来自聚汇数据网站（https://fangjia.gotohui.com/xtop/），部分地区年均房价数据缺失则通过1—12月房价数据加权平均计算；工业用地及商服用地数据爬取自中国土地市场网（https://www.landchina.com/#/），通过Stata分组汇总各地级市工业用地、商服用地②(② 按照国家标准《土地利用现状分类（GB/T 21010-2017）》对土地用途进行分组汇总。工业用地的土地用途为工业用地，商服用地的土地用途则包括零售商业用地、批发市场用地、餐饮用地、旅馆用地、商务金融用地、娱乐康体用地以及其他商业服务业用地。)出让面积以及出让金额，进而计算用地单价。④ 生活服务、公共服务、交通站点等设施服务点数据来自通过高德地图API接口（https://lbs.amap.com/）爬取的POI数据。⑤ 产业基础、科研创新条件以及外部支撑等方面包含地级市社会经济特征数据均来自于《中国城市统计年鉴（2021）》。在对以上地理类数据进行计算前均进行了投影转换等预处理。

2.3 研究设计与方法

首先，采用空间自相关分析判断“小巨人”企业是否存在空间集聚性；然后，利用多距离空间聚类分析方法对企业点位数据进行不同距离的聚类分析，即探究不同距离尺度下是否存在空间聚类的现象；同时，为了确定长三角地区“小巨人”企业分布的核心地区，采用核密度分析辨别集聚中心区域，并利用冷热点分析在统计推断基础上识别出存在空间关联性的显著聚类区域。最后，在探究影响长三角地区专精特新“小巨人”企业分布的因素时，由于网格内“小巨人”企业数量是一个非负整数，用一般的计量模型往往会造成估计偏误，因此对于此类被解释变量为计数数据特征常使用泊松回归或者负二项回归等计数模型进行分析。
泊松回归假定事件发生 y i次（网格 i内存在企业数 y i）的概率为：
P Y i = y i | x i = e - λ i λ i y i y i ! , y = 0,1 , 2 ⋯ , n
式中： λ i表示事件发生的平均次数，由解释变量所决定，且因变量条件期望与条件方差相等：
E Y i | x i = V a r Y i | x i = λ i = e β X i
利用对数似然函数进行极大似然估计，变化可得泊松回归的基本形式为：
l n λ i = l n ( n i ) + β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β i x i
式中： l n ( n i )为“偏移量”，代表基于参照水平的变化以抵消观测单位不同带来的影响。
由于泊松回归要求因变量的条件均值和条件方差相等，而长三角地区各个网格内的“小巨人”企业数量差异大，方差明显大于均值，因此，选择负二项回归模型进行影响因素分析，其模型设定如下：
l n λ i = l n ( n i ) + β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β i x i + l n k i
式中： k服从均值为0，方差为 α的伽马分布，其中 α为过度分散参数。

3 空间分布的特征分析

3.1 行业分布集中于制造业、科学研究和技术服务业，空间分布集中于省会及周边城市

长三角地区“小巨人”企业的地区分布与行业构成如图2所示。从行业构成来看，制造业占比最高，为58.16%；其次是科学研究和技术服务业，占比为28.05%。“小巨人”企业大多从事实体经济的基础行业以及与之相关的技术研发服务行业，专注于攻坚中国制造业短板和瓶颈领域，符合“专精特新”政策的初衷。并且，长三角地区科学研究和技术服务业企业占比高于全国，说明长三角地区专精特新中小企业研发创新能力水平也较高。从地级市层面空间分布来看，制造业“小巨人”企业大多分布于中心区城市，更加注重城市一体化效应；而服务业“小巨人”企业则更多分布在省会和周边城市，以及东部沿海城市，更加注重城市地理区位、服务基础设施。其中，通信设备、计算机及其他电子设备制造业等高技术制造业“小巨人”企业，以及科学研究和技术服务业、信息传输、软件和信息技术服务业等知识密集型服务业“小巨人”企业具有更加明显的中心城市、省会城市偏向，集中分布在上海、杭州、南京、合肥以及省会城市周边区域如苏州、常州、无锡等城市，这些核心城市是都市圈资金流、信息流、物流、技术流、人才流等的交汇中心，有利于形成协同集聚的格局。
图2 长三角地级市“小巨人”企业数量及所属行业构成

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)3189号）绘制，底图边界无修改。

Fig. 2 Number of "Little Giant" Enterprises in the Yangtze River Delta prefecture-level cities and their industry composition

长三角地区不仅中心区城市一体化程度更高，其中的直辖市、省会城市往往也拥有更多的行政资源和创新合作平台，对于专精特新中小企业而言，越靠近中心城市，企业越能利用其政治资源、平台优势、广阔市场以及丰富的科研人才储备，率先成为行业中的“小巨人”企业。近年来长三角地区高技术制造业集聚程度不断加强，形成了全国领军的先进制造业集群，并且与工业制造、信息技术等紧密相关的知识密集型现代服务业也发展迅速，协同推进关键核心技术攻关，在政府支持与企业内生驱动共同作用下，该地区中小企业发展呈现出强劲动能，向着专业化与价值链高端不断攀升。

3.2 集聚尺度接近“一小时通勤圈”，并且都市圈内集聚强度更高

利用ArcGIS 10.8软件对长三角地区“小巨人”企业的总体空间集聚特征进行分析。全局莫兰指数是衡量空间自相关程度的重要指标，从全局莫兰指数来看，以邻接空间权重矩阵、反距离空间权重矩阵以及固定距离范围的空间权重矩阵计算，全局莫兰指数分别为0.260、0.166、0.138，且都是正向显著的，说明长三角地区“小巨人”企业的分布具有显著正向的空间相关性，存在高-高集聚或者低-低集聚的情况。
进一步探究集聚的空间距离尺度差异。Ripley's K函数是一种基于距离的点模式分析方法，通常用来探究某地区内研究对象的集聚特征如何随距离而变化。其中，聚类强度用L(d)值来表示，L(d)值对应的 d值可度量聚类规模，L(d)的置信区间通过蒙特卡洛模拟法进行99次模拟检验，生成预期L(d)值的最大值和最小值曲线，实际L(d)值位于包络线上方则表示具有显著集聚特征。使用Crimestat 3.3软件对长三角地区专精特新“小巨人”企业的集聚程度和规模进行Ripley's K函数统计分析，得到多距离尺度下企业空间分布格局（图3）。L(d)曲线在任意空间距离范围都位于上下界之上，说明在不同的距离尺度，长三角地区“小巨人”企业都具有明显的空间集聚态势。但从不同空间距离尺度的集聚规模上来看，长三角地区专精特新“小巨人”企业的L(d)曲线出现了“双峰”特征：在69.82 km的距离处呈现聚集的第一个峰值，此时对应的L(d)指数为66.05；在169.56 km的距离处呈现聚集的第二个峰值，此时对应的L(d)指数为79.25。长三角地区专精特新“小巨人”企业的多峰集聚分布特征与其都市圈的发展规模相关，国家发改委在《国家发展改革委关于培育发展现代化都市圈的指导意见》中指出，都市圈是城市群内部以超大特大城市或辐射带动功能强的大城市为中心、以1小时通勤圈为基本范围的城镇化空间形态[30]。以长三角地区城市轨道交通、城际铁路设计时速来看[31]，城市内一小时通勤圈大约在60~80 km之间，城际间一小时通勤圈大约在150~200 km之间，恰好构建起上海大都市圈和南京、杭州、合肥、苏锡常、宁波都市圈的一体化交通网络[32]，此时长三角地区都市圈达到可能的最优规模。“小巨人”企业的集聚规模在近70 km时达到首次集聚强度峰值，相当于都市圈城市内一小时通勤半径，在近170 km时达到第二次集聚强度峰值，相当于都市圈城际间一小时通勤半径。这种距离上的吻合表明了“小巨人”企业在市域内与城市间出现了集聚态势，并且都市圈内城市间“小巨人”企业的集聚强度更大（L(d)指数更大），而在城市内部边缘地区则更倾向于随机分布，说明可能存在“核心-边缘”结构的分布特征。在长三角地区不同层级轨道交通有效接驳的情况下，企业能够实现圈内地区间要素的高效交流转换，此时专精特新中小企业能够享受到集聚带来的规模效应，通过加强企业间的分工合作、共享供应商和基础设施、匹配市场上劳动力以及吸收知识技术外溢来提升企业生产率，进而在都市圈一体化背景下加速成长。
图3 长三角地区“小巨人”企业Ripley's L(d)函数分析

Fig. 3 Analysis of Ripley's L(d) function for “Little Giant” Enterprises in the Yangtze River Delta

3.3 “两核多极”的局部集聚特征明显，整体形成了“一轴两带三圈”的空间分布格局

核密度估计法可计算研究对象在不同空间位置的分布概率，常用于研究点的分布特征。结合L(d)曲线的“双峰”特征，分别以70 km和170 km为半径，利用核密度方法分析长三角地区专精特新“小巨人”企业点位分布局部集聚特征（图4）。在70 km空间距离尺度处（图4a），“小巨人”企业呈现出明显的以上海市为主要核心，宁波市为次要核心，省会城市、部分沿海沿江城市为重要分布中心的“两核多极”分布特征，在城市中心区域产生了集聚；在170 km空间距离尺度处（图4b），长三角地区“小巨人”企业“小范围集聚、大范围分散”的特征较为明显，集聚尺度以都市圈范围为界，在超过都市圈的半径距离后，企业密度不仅迅速下降，分布也愈发零散且随机。
图4 长三角地区不同搜索半径下“小巨人”企业核密度分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)3189号）绘制，底图边界无修改。

Fig. 4 Kernal density analysis of "Little Giant" Enterprises under different search radii in the Yangtze River Delta

冷热点分析可以识别高值或低值要素在空间上发生显著聚类的位置，具体方法有 G i、 G i *、 L I S A等，本文采用局部 G e t i s G i *来识别“小巨人”企业分布的冷热点。基于长三角的地区网格划分，从较小空间尺度考察专精特新“小巨人”企业的冷热点分布（图5）。长三角地区专精特新“小巨人”企业热点分布形成了“一轴两带三圈”的格局。“一轴”指由东向西以长江水道为依托，包括上海、常州、镇江、南京、芜湖等沿江城市的主要分布轴；“两带”指由南向北以钱塘江水系-京杭大运河为基础，包括金华、杭州、嘉兴、苏州、无锡、常州等近江河城市分布带，以及包括上海、宁波、台州、温州等沿海城市的临海城市分布带；“三圈”则指上海大都市圈及近沪区域、南京-合肥都市圈和杭州-宁波都市圈形成的聚集区。可见，上海是“小巨人”企业发展轴带的核心，沿长江发展轴是串通“两带三圈”的分布主线，省会城市、部分沿江城市是长三角地区“小巨人”企业发展的支撑点。而“小巨人”企业的冷点分布则呈现出不同的格局，总体上较为分散，低低集聚区域且主要位于江苏省西部、北部，浙江省西南部，多是海拔较高、坡度较陡或者远离中心城市的地区。
图5 长三角地区“小巨人”企业冷热点分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)3189号）绘制，底图边界无修改。

Fig. 5 Hotspot distribution of “Little Giant” Enterprises in the Yangtze River Delta

4 空间分布影响因素分析

4.1 影响因素及代理指标选择

综合现有文献与前文空间分布特征分析，不难发现在以“圈层”集聚为特征的长三角地区，影响专精特新“小巨人”区位选择的因素应涉及自然地理及区位、交通可达性、土地利用及成本、生活便利性、科研创新条件、产业基础以及外部支撑等（表1）。
表1 长三角地区“小巨人”企业分布的影响因素选取

Tab. 1 Factors influencing the distribution of “Little Giant” Enterprises in the Yangtze River Delta

一级维度 影响因素 变量描述 数据来源
自然地理及区位 海拔高度 网格内平均高程的对数 地理空间数据云平台30 m精度DEM高程数据
亲水性 距最近水体距离的对数 OSM水体矢量数据
中心区 是否长三角一体化中心区 《长江三角洲区域一体化发展规划纲要》
距城市建成区距离 中国城市2020年建成区数据集
交通可达性 短程交通可达性 网格内公交车站数 高德地图长三角地区POI数据
即时交通可达性 网格内地铁站数 高德地图长三角地区POI数据
中远程交通可达性 网格中心点距最近高速收费站距离的对数 高德地图长三角地区POI数据
路网密度 网格内道路网总长度的对数 OSM道路网矢量数据
土地利用及成本
 土地利用程度 网格内城镇建设用地面积占比 中科院资源环境科学数据中心土地利用数据
工业用地成本 网格内工业用地均价 中国土地市场网土地出让数据
商服用地成本 网格内商服用地均价 中国土地市场网土地出让数据
住房成本 网格内房价均价 聚汇数据网
生活便利性 居住便利程度 网格内住宅小区数 高德地图长三角地区POI数据
车辆承载程度 网格内停车场数 高德地图长三角地区POI数据
科研创新条件 协同创新基础 网格内高等院校数 高德地图长三角地区POI数据
网格内科研机构数 高德地图长三角地区POI数据
人力资本水平 普通本专科在校学生数/地区总人口 《中国城市统计年鉴》
产业发展基础 产业平台 网格内产业园区数 高德地图长三角地区POI数据
产业结构 二、三产业增加值占地区GDP的比例 《中国城市统计年鉴》
物流水平 公路货运量/行政区面积 《中国城市统计年鉴》
外部支撑条件 信贷资源可得性 网格内银行数 高德地图长三角地区POI数据
政府财政支出占比 一般公共预算支出占地区GDP的比例 《中国城市统计年鉴》
外贸依存度 (货物进口额+货物出口额)/地区GDP 《中国城市统计年鉴》
在企业成长以及培育过程中，良好的自然地理条件可以为企业发展和产业集聚提供丰富的自然资源以及适宜的气候条件，是影响企业选址以及形成比较优势的首要因素。同时，新经济地理学指出了区位因素的重要性，分布在城市核心区域的企业更容易获得城市发展带来的溢出效应[33]；交通基础设施对于企业发展也很重要，区域经济学较早探讨了运输成本如何影响企业区位选择，交通可达性越好越有利于降低运输成本，吸引企业集聚[34]；土地利用开发程度和租赁成本是企业发展的关键因素，城市开发建设程度较高的地方，公共服务设施的外溢性较强，但同时也伴随着高涨的土地租用价格，不同土地类型的价格对企业区位选择的影响也不一；生活便利性则是从生活服务设施方面考虑对企业布局的影响，知识工作者在选择工作场所时会特别考虑周边服务设施的完善程度以及对生活方式的影响[35,36]，本文主要考虑居住及行车便利程度，这涉及到从业者通勤是否方便；科研创新则是企业发展的核心条件，周边科研机构、高等院校有利于企业嵌入协同创新网络[37]，人力资本则是提高企业创新能力的主要资源[38]；产业发展基础代表着企业能从所属行业中获得规模效应、共享效应与产业政策支持的程度[39]，决定着企业的发展前景；外部支撑条件也在中小企业成长中发挥着重要作用，信贷资源的可得性[40]、政府政策扶持程度[41]以及外贸依存度[42]对于缓解“小巨人”企业发展难题、支持中小企业成长至关重要。

4.2 影响因素及异质性分析

首先，利用Stata对所有变量进行多重共线性检验，发现所有变量的VIF值都在10以下，平均VIF值为4.06，不存在多重共线性。然后，将各影响因素维度下的变量纳入公式（4）回归方程中，结果如表2模型1所示，可见模型的lnalpha值显著，说明变量存在过度分散特征，应当使用负二项回归。此外，由于“小巨人”企业专注于高技术和战略重点制造业及科研与信息技术服务业，而这两种行业对不同资源需求既有区别又有联系，因此需要分行业检验。高技术制造业来自国家统计局颁布的《高技术产业（制造业）分类（2017）》，包括医药制造业、航空、航天器及设备制造业、电子及通信设备制造业、计算机及办公设备制造业、医疗仪器设备及仪器仪表制造业、信息化学品制造业等六大类[43]，战略重点制造业包括2025制造强国战略十大重点产业领域[44]；科研及信息技术服务业包括科学研究和技术服务业、信息传输、软件和信息技术服务业。行业异质性结果见表2模型2和模型3。
表2 “小巨人”企业空间分布负二项回归结果

Tab. 2 Negative binomial regression results of the spatial distribution of “Little Giant” Enterprises

变量 模型1 模型2 模型3 模型4 模型5
企业数 高技术和战略重点制造业 科研及信息技术服务业 企业进入 企业数
平均高程 -0.048 0.038 -0.108 -0.065 -0.024
(-0.93) (0.63) (-1.01) (-1.20) (-0.46)
与水体距离 -0.065** -0.068* -0.052 -0.066* -0.048
(-1.98) (-1.71) (-1.01) (-1.80) (-1.52)
是否中心区 1.024*** 1.437*** 0.318 1.029*** 0.988***
(5.89) (6.51) (0.85) (5.71) (5.78)
与城区距离 -0.033*** -0.026* -0.076*** -0.040*** -0.026*
(-2.65) (-1.78) (-3.22) (-2.95) (-1.94)
公交车站数 0.004* 0.007** 0.002 0.007** 0.002
(1.73) (2.48) (0.68) (2.41) (0.86)
地铁站数 0.002 -0.012 0.004 -0.006 -0.000
(0.13) (-0.48) (0.25) (-0.30) (-0.01)
与高速入口距离 -0.196*** -0.161** -0.152* -0.186*** -0.148***
(-3.72) (-2.37) (-1.83) (-3.03) (-3.02)
路网密度 1.111*** 1.288*** 1.220*** 1.019*** 1.291***
(7.63) (7.96) (4.14) (7.66) (10.06)
建设用地比 1.401*** 1.413*** 0.915** 1.546*** 0.906***
(4.89) (4.00) (1.97) (4.44) (3.41)
工业用地价 0.813*** 1.279*** 0.645* 0.821*** 0.721***
(4.42) (5.17) (1.91) (3.77) (3.70)
商服用地价 -0.407*** -0.677*** -0.182 -0.369*** -0.406***
(-4.81) (-6.29) (-1.13) (-3.57) (-4.52)
房价 -0.349*** -0.464*** -0.123 -0.468*** -0.305**
(-2.62) (-2.58) (-0.58) (-3.01) (-2.32)
住宅小区数 -0.001 -0.005** -0.001 -0.003** -0.001*
(-1.50) (-2.43) (-0.86) (-2.08) (-1.68)
停车场数 -0.009*** -0.011*** -0.003* -0.011*** -0.006***
(-4.19) (-4.03) (-1.75) (-5.52) (-5.19)
科研机构数 0.028*** 0.020 0.020** 0.041*** 0.024***
(2.95) (1.33) (2.17) (2.72) (4.20)
高等院校数 -0.005 -0.006 -0.004 -0.007 -0.005
(-1.35) (-0.79) (-0.99) (-1.04) (-1.63)
人力资本 4.364* 9.366*** 5.970* 4.276 5.847***
(1.92) (3.11) (1.66) (1.53) (2.73)
产业园区数 0.045*** 0.049*** 0.034*** 0.074*** 0.034***
(7.63) (6.43) (5.81) (7.46) (8.92)
产业结构 -0.020 -0.061 -0.031 -0.021 -0.037
(-0.71) (-1.63) (-0.53) (-0.65) (-1.36)
物流水平 0.055 -0.069 0.188** 0.040 0.057
(1.22) (-1.20) (2.27) (0.78) (1.32)
银行数 0.011** 0.019*** -0.005 0.017** 0.008*
(2.07) (2.82) (-0.69) (2.13) (1.93)
财政支出占比 5.361*** 6.306*** -1.964 5.393*** 4.432***
(4.42) (4.13) (-0.72) (4.03) (3.71)
外贸依存度 -0.338* -0.402* -0.098 -0.191 -0.149
(-1.79) (-1.78) (-0.32) (-0.84) (-0.88)
Constant -11.013*** -10.035*** -14.308*** -9.452*** -11.634***
(-3.92) (-2.81) (-2.71) (-3.12) (-4.41)
lnalpha 0.215* 0.518*** -0.118 - -
(1.65) (3.15) (-0.37) - -
Observations 14427 14427 14427 14427 14427
Pseudo R-squared 0.302 0.267 0.368 0.365 0.415
Log pseudolikelihood -2697 -1823 -983.1 -1946 -2837

注：变量系数下括号内数字为使用稳健标准误的Z统计量，*、**和***分别表示在10%、5%和1%的置信度水平下显著。

4.2.1 自然地理及区位

水体距离的系数都显著为负，越靠近水体则“小巨人”企业分布越密集，这是因为大多数“小巨人”企业为需要大量消耗水资源的制造业企业，附近的河流湖泊则提供了丰富的水资源，便利的水路交通也可降低货运成本，有助于企业成长。此外，是否中心区的系数为正向显著，与城区距离负向显著，说明区位条件也是影响“小巨人”企业分布的重要影响因素。城市中心市场规模相对更大，有利于产生集聚经济，具有经济集聚特征的中心城市也拥有更好的教育、科研资源，进而吸引更多更高素质的人才，而这是吸引专精特新等高技术企业选址和发展的关键因素[33]。同时，处于中心区的中小企业能够享受区域一体化发展带来的溢出效应，在政策支持、技术共享等方面也拥有巨大优势，更容易成长为“小巨人”企业。

4.2.2 交通可达性

行业异质性与高速收费站距离的系数负向显著，这可能与长三角地区进行对外贸易的中小企业占比高，在物流方面较为依赖中远距离的高速货运有关。路网密度的系数为正向显著，这是因为路网密度越高，交通网络越发达，交通可达性越高。跨地区的交通基础设施改善有利于降低运输成本，进而提高区域内供给可达性吸引新企业的进入[34]，还能够有效疏解城市人口与产业集聚带来的“拥挤效应”，有利于企业与外界的要素交换。同时，市场可达性越好的地区，具有比较优势行业企业或高生产率企业发展就更好[45]，“小巨人”企业作为典型相对高生产率企业，在区位选择中也将受交通可达性的影响。

4.2.3 土地利用及成本

行业异质性与建设用地面积占比的系数为正向显著，网格内土地利用开发程度越高，企业周边的基础设施、生活、工作等配套服务越完善，“小巨人”企业倾向于集聚在土地利用程度高的地方。在土地价格上，工业用地均价的系数为正向显著，商服用地均价、房价对“小巨人”企业为显著的负向影响，而分不同行业来看影响却存在差异。高技术和战略重点制造业“小巨人”企业空间分布呈现“亲工业用地价格，疏商服用地价格”的态势，因为高价的工业用地能发挥选择效应保留高生产率企业[46]，而高价的商服用地及房价则会抬高用工成本进而增加企业成本[47]；科研及信息技术服务业“小巨人”企业则对后者并不敏感，这些企业在协同创新网络的溢出效应以及城市技术、人才资源等的吸引下，更加偏向中心城区分布，因为集聚外部性的效用大过城市中心土地价格上升的成本[48]。

4.2.4 生活便利性

网格内住宅小区数对企业分布的影响不显著，停车场数则为负向显著的影响，这可能是因为生活便利程度并不直接影响“小巨人”企业集聚格局，而是一系列机制共同作用的结果。城市中城区房价的上涨，使得劳动者职住分离现象越来越普遍，“拥挤效应”导致的通勤时间增加将会降低劳动者的工作效率[49]，同时挤出劳动者的时间，增加劳动力的通勤成本，影响企业用工成本，劳动力成本差异最终导致生产率异质性企业的分类集聚[50]。

4.2.5 科研创新条件

网格内科研机构数的系数正向显著，而高等院校数则不显著。说明企业周边密集的科研院所有利于形成良好的创新合作平台，尤其是基础工业以及高新技术产业中的重大科技创新需要多方主体参与形成风险共担、利益共享的协同创新环境[37]。高等院校与科研机构都是企业合作创新的重要对象，区别是高等院校可以为企业创新提供前沿理论支撑和科技人才团队，而科研机构能够加速攻关重大科技项目与成果转化落地，由于前沿理论的实践运用转化需要一定的时间，在被“卡脖子”的环境下，解决“有没有”比产品“好不好”更加急迫，因此“小巨人”企业更加偏向与科研机构合作紧密。人力资本水平的系数也为正向显著，地区本专科在校学生数量多，表明人力资本的“蓄水池”越深，高素质人才越密集，有助于企业实现人力资本的积累，增强其创新潜力，越能吸引高附加值行业企业集聚[38]。因此“小巨人”企业倾向于集中分布在人力资本丰富的地区。从行业异质性来看，高技术和战略重点制造业“小巨人”企业更偏向人力资本，而科研及信息技术服务业“小巨人”企业更偏向科研机构。这是因为前者专注于工业基础领域，需要长时间的经验积累与突破性的工艺、流程创新，高素质劳动力的学习曲线效应更加明显，更容易形成技能专业化，是工业企业工艺改进、功能升级的重要基础；而后者基于理论知识系统性、创造性地研发新技术、新产品，需要大量科研资源投入，虽然人力资本也非常重要，但创新产出可能更多来自于与科研机构、高校的协同创新。

4.2.6 产业基础

网格内产业园区数对“小巨人”企业分布具有显著正向的影响，对专精特新“小巨人”企业的地址梳理发现，相当一部分“小巨人”企业分布在产业园区内。园区内的中小企业可以通过产业园区获得更多的平台资源与政策、技术支持，园区外的企业则可以通过政策示范、技术创新、公共服务的溢出效应以及市场竞争的激励效应推动创新[51]，加速成长为“小巨人”企业，这类园区形成的创新平台也能够打造专业化市场，通过整合资本、人才等要素，吸引企业集聚。产业结构作用不显著、物流水平仅对科研及信息技术服务业“小巨人”企业分布具有显著作用，这可能是由于科研及信息技术服务业企业需要一定的服务业配套环境，物流水平越高，越能加强产业内部关联，而物流业等生产性服务业的集聚，能够使制造业企业发展享受到更大范围的技术溢出效应及规模效应[39]，有利于“小巨人”企业发展。

4.2.7 外部支撑条件

网格内银行数系数正向显著，因为周边银行分布密度越大，银行业竞争越激烈，“小巨人”企业也越能与当地银行建立良好关系，降低企业的借贷成本，缓解企业的融资约束[40]；财政支出占比的系数显著为正，说明政府支持是地区企业成长的关键因素，政府的税收优惠政策、财政补贴政策能够转移企业发展中遇到的风险，进而吸引企业进入当地市场[41]，有为政府支持带来的税收优惠、政府补贴等政策是帮助中小企业度过难关而成长为专精特新“小巨人”企业的关键外部支撑；外贸依存度对“小巨人”企业分布的影响为负向，可能的原因是近年来贸易摩擦以及疫情冲击下，长三角地区对外贸易受阻，不少中小企业开始因受困而主攻国内市场，进而使对外贸易的影响被掩盖。从行业异质性来看，外部支撑因素对科研及信息技术服务业“小巨人”企业的影响并不明显，一方面可能是由于中小企业所在的创新网络并不完善，R&D投入规模更大意味着面临更大的不确定性，使得银行不愿意向这类中小企业发放贷款[52]；另一方面，政府的对研发型“小巨人”企业的扶持也需要适度，高额的政府补贴会增加企业的寻租成本，降低企业创新激励，进而削弱企业的竞争力[53]。
此外，通过替换模型为logit回归模型③(③ 在logit回归模型中，被解释变量“企业进入”为网格内是否有专精特新“小巨人”企业，“有”取“1”，否则取“0”。)以及泊松回归模型进行稳健性检验（表2模型4和模型5），通过对不同模型结果的对比，发现大部分影响因素的系数及显著性并无太大变化，表明回归结果是比较稳健的。

5 结论与讨论

5.1 结论

本文选取长三角地区专精特新“小巨人”企业为研究对象，综合利用地理空间数据与社会经济统计数据，通过空间自相关分析、多距离空间聚类分析、核密度分析以及冷热点分析等方法探究了“小巨人”企业的空间分布格局与特征，并进一步利用负二项回归检验了5 km ×5 km网格尺度上影响“小巨人”企业空间分布的因素。主要结论如下：① 在行业构成上，长三角地区“小巨人”企业呈现出明显的“非均衡”态势，58.16%的“小巨人”企业所属行业为制造业，28.05%为科学研究和技术服务业，符合“专精特新”政策的初衷。技术密集型制造业“小巨人”企业，以及知识密集型服务业“小巨人”企业具有更加明显的中心城市、省会城市偏向，集中分布在上海、杭州、南京、合肥以及省会城市周边区域如苏州、常州、无锡等城市。② 在总体空间分布上，长三角地区“小巨人”企业的空间集聚特征十分明显。考虑距离尺度时，“小巨人”企业在69.82 km的距离处呈现聚集的第一个峰值，在169.56 km的距离处呈现聚集的第二个峰值。得益于长三角地区不同层次轨道交通有效接驳，“小巨人”企业集聚尺度大致等于其都市圈的“一小时通勤圈”，在市域内与城市间出现了相同的集聚态势，并且都市圈内城市间的企业集聚强度大于城市内部。③ 在局部空间集聚特征上，长三角地区“小巨人”企业呈现出明显的以上海市为主要核心，宁波市为次要核心，省会城市、部分沿海沿江城市为重要分布中心的“两核多极”分布特征。同时“小范围集聚、大范围分散”的特征也较为明显，“小巨人”企业大多分布在沿江、临海都市圈范围内，形成了“一轴两带三圈”的空间格局。④ 在空间分布的影响因素上，交通可达性、土地利用及成本、地理区位、外部支撑条件、产业发展基础、科研创新条件等是影响“小巨人”企业空间分布的主要因素，并且不同行业“小巨人”企业空间分布影响因素具有异质性。土地利用及成本方面，高技术和战略重点制造业“小巨人”企业呈现“亲工业用地价格，疏商服用地价格”的分布态势，而科研及信息技术服务业“小巨人”企业则对商服用地价格并不敏感；外部支撑条件方面，仅显著影响高技术和战略重点制造业“小巨人”企业空间分布；产业发展基础方面，物流水平仅对科研及信息技术服务业“小巨人”企业分布具有显著作用；科研创新条件方面，高技术和战略重点制造业“小巨人”企业更偏向人力资本集聚，而科研及信息技术服务业“小巨人”企业则更偏向科研机构集聚。
从基于动态外部性区分城市化经济与地方化经济的新增长理论，到基于认知邻近性划分相关多样化与不相关多样化的演化经济地理学，再到强调城市之间网络功能协同互补的网络外部性理论，越来越多注重集聚经济模式的研究不再局限于城市内部或地理邻近地区，因为处于网络节点城市和产业技术关联的企业都能跨越地理空间发生密集联系。长三角地区发达的交通网络、信息技术水平以及城市间协调发展能力，使得网络外部性的作用渐渐成为企业集聚的重要原因。如张可云等发现长三角城市群的产业集聚关联度在同等城市规模下的其他城市群中表现最优[54]，黄晓东等发现长三角城市群内部在东部三大城市群中创新企业流强度最高，是网络联系的核心枢纽[12]。现有研究大多对制造业新创企业、创新型企业等类型企业空间分布受区位、全球化、市场规模、集聚经济、行政级别等因素影响进行了探讨，本文在“补链强链”专项行动以及建设长三角科技创新共同体的背景下，以长三角地区专精特新“小巨人”企业为研究对象，重点探讨了其空间分布格局及区位选择机制，揭示了长三角地区“小巨人”企业在都市圈内集聚强度大于城市内部的“圈层”集聚空间分布特征。这一现象说明，在企业区位选择中，除了城市内产业集群形成的集聚外部性发挥了作用，城市群、都市圈等城市间协作形成的网络外部性同样不可忽视，驱动着企业跨越地理边界集聚。并且，“小巨人”企业的空间集聚模式则内含于城市网络外部性之中，发达的跨城市交通基础设施、高效的土地利用模式、适度的政府支持、有序的银行业竞争、完善的产业平台、共担风险的协同创新网络等都对“小巨人”企业分布具有稳定的影响，这些因素孕育于城市之间的功能协同互补，通过各类因素对“小巨人”企业的综合作用，增强“小巨人”企业竞争实力，形成了“小巨人”企业大都市圈内不同尺度集聚的发展格局。本文发现在城市一体化效应以及区域创新共同体等政策推动下，创新型中小企业也能嵌入城市生产网络并从网络外部性中获取知识、技术、人才、信贷等资源，进而实现企业效率变革[55]，一定程度上强调了区域一体化政策对企业、城市创新发展的重要性[56]，证实了具有竞争力的创新型中小企业可以通过选址于城市网络的中心节点，借助“圈层”经济带来的丰富资源实现专精特新转型。

5.2 讨论

疫情冲击、俄乌冲突、中美关系降温、逆全球化以及全球供应链停摆等多重不确定性因素叠加的背景下，培育自主可控的产业链，推动中国在全球价值链的地位攀升对未来在国际竞争中占据相对优势地位意义重大。国际国内产业链、价值链的演变与重构，也深刻影响着当前企业区位选择与产业布局。网络外部性在一定程度上克服了在空间距离上的研究局限，打破了地理意义上的“邻近”，弥补了传统集聚外部性理论在研究企业跨越地理边界集聚问题时的不足。在关系网络不断发展的情况下，城市网络、全球生产网络、全球集群网络等网络研究的兴起，为企业外部关系影响企业区位决策提供了多维考量，显然本文关注的是城市网络外部性对于“小巨人”企业区位选择的影响。关系经济地理学则涉及企业、区域、网络和全球-地方联系等多个方面，通过行为主体权力、关系的空间配置，解释经济组织的空间演变和对区域发展的影响[57][58]，能以更加全面完备的视角探究这一问题。未来，需要进一步将全球价值链、全球生产网络等关系经济地理学中相关理论与网络外部性理论相融合并应用到专精特新研究中，从而更好地解释企业内、企业间、企业外联系带来的网络外部性如何推动专精特新中小企业地区集聚，以及专精特新“小巨人”企业如何嵌入关系网络并实现全球价值链地位攀升，经济地理学在讲好中小企业寻求专精特新转型路径的“中国故事”中应当大有作为。
长三角地区发达的信息技术、知识密集的现代服务业、良好的营商环境以及高效的城市网络等为专精特新“小巨人”企业集聚发展提供了土壤，G60科创走廊、先进制造业基地等建设方案，为区域联动发展提供了政策支持，使其不断朝着世界级产业集群演进。然而，在以该地区为代表的专精特新“小巨人”企业培育实践中仍有许多问题值得关注。比如在大中小企业协作中，如何加强专精特新中小企业协作配套，推动大中小企业构建起完备的产业体系；在与领头企业、跨国公司等的关联中，如何推动专精特新中小企业从代工贴牌转向创牌、参与国际竞争，与跨国公司实行战略耦合，促进产业升级；以及在经营管理中，如何加快专精特新中小企业数字化转型及产品品牌“走出去”，提高生产效率及影响力，进而为中国企业生产摆脱低端锁定、增强产业竞争力提供有益参考。
本文也存在以下不足及值得改进之处：一是由于专精特新“小巨人”认定从2019年开始，故仅采用的是截面数据，未观测到时序维度上的变化。未来可以利用跨年度数据探究“小巨人”企业分布在时空双维度上的演变，或者采用多案例横纵向比较的定性分析方法，展现某些代表性专精特新“小巨人”企业的成长历程及组织结构演化。二是没有应用网络研究方法与范式。由于本文主要从网格尺度探究“小巨人”集聚机制，认为各类影响因素应当是长三角地区网络外部性在网格中的主要体现，因此难以构建出企业间、企业外关联的具体表征，比如大中小企业协作、产学研合作以及城市网络关联等，未来可从多尺度视角测度“小巨人”企业外部关系网络，进一步细化专精特新相关研究。三是忽略了企业内、企业间各因素的影响。未来可以将研究视角拓展到全球价值链、全球生产网络、全球集群网络等方面，从微观企业员工与领导者、中观企业组织与网络、宏观制度与文化等角度不断深入。同时结合大数据抓取企业年报，匹配工商企业数据库、上市公司数据库以及企业专利数据库等方式挖掘企业专利、投资流向等组织经营数据，构建并测度企业内、企业与其他行为主体间关系网络强弱，进一步探究网络会对“小巨人”企业存在何种外部性。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文的文章结构、文献回顾、影响因素指标选取、图表展示与结果分析、结论与讨论内容梳理等方面提出的针对性修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苟尤钊, 吕琳媛. 多样性VS高效率: 对“黄金十年”和“失落十年”的一种新诠释. 财经问题研究, 2019, (11): 23-30.

[ Gou Youzhao, Lv Linyuan. Diversity vs. efficiency: A new interpretation of the “golden decade” and “lost decade”. Research on Financial and Economic Issues, 2019, (11): 23-30.] DOI: 10.19654/j.cnki.cjwtyj.2019.11.003.

DOI

[2]
董志勇, 李成明. “专精特新”中小企业高质量发展态势与路径选择. 改革, 2021, (10): 1-11.

[ Dong Zhiyong, Li Chengming. The high-quality development trend and path choice of the superior small and medium-sized enterprises. Reform, 2021, (10): 1-11.]

[3]
工业和信息化部. 优质中小企业梯度培育管理暂行办法. http://www.gov.cn/zhengce/zhengceku/2022-06/02/content_5693548.htm, 2022-06-13.

[Ministry of Industry and Information Techonology of the People's Republic of China. Interim measures for the management of quality SME gradient cultivation. http://www.gov.cn/zhengce/zhengceku/2022-06/02/content_5693548.htm, 2022-06-13.]

[4]
财政部, 工业和信息化部. 关于支持“专精特新”中小企业高质量发展的通知. http://www.gov.cn/zhengce/zhengceku/2021-02/03/content_5584629.htm, 2022-06-13.

[Ministry of Finance, Ministry of Industry and Information Technology of the People's Republic of China. Notice on supporting high quality development of “specialized and sophisticated” SMEs. http://www.gov.cn/zhengce/zhengceku/2021-02/03/content_5584629.htm, 2022-06-13.]

[5]
Melitz M J. The impact of trade on intra-industry reallocations and aggregate industry productivity. Econometrica, 2003, 71(6): 1695-1725. DOI: https://doi.org/10.1111/1468-0262.00467.

DOI

[6]
Baldwin R E, Okubo T. Heterogeneous firms, agglomeration and economic geography: Spatial selection and sorting. Journal of Economic Geography, 2006, 6(3): 323-346. DOI: https://doi.org/10.1093/jeg/lbi020.

DOI

[7]
Melitz M J, Ottaviano G I P. Market size, trade, and productivity. The Review of Economic Studies, 2008, 75(1): 295-316. DOI: https://doi.org/10.1111/j.1467-937X.2007.00463.x.

DOI

[8]
刘颖, 郭琪, 贺灿飞. 城市区位条件与企业区位动态研究. 地理研究, 2016, 35(7): 1301-1313.

DOI

[ Liu Ying, Guo Qi, He Canfei. Urban characteristics and firms' location selection. Geographical Research, 2016, 35(7): 1301-1313.] DOI: 10.11821/dlyj201607007.

DOI

[9]
傅十和, 洪俊杰. 企业规模、城市规模与集聚经济: 对中国制造业企业普查数据的实证分析. 经济研究, 2008, 43(11): 112-125.

[ Fu Shihe, Hong Junjie. Firm Size, city size, and agglomeration economies: Evidence from China manufacturing census. Economic Research Journal, 2008, 43(11): 112-125.]

[10]
陈建军, 崔春梅, 陈菁菁. 集聚经济、空间连续性与企业区位选择: 基于中国265个设区城市数据的实证研究. 管理世界, 2011, (6): 63-75.

[ Chen Jianjun, Cui Chunmei, Chen Jingjing. Agglomeration economy, spatial continuity and enterprise location choice: An empirical study based on data from 265 district cities in China. Journal of Management World, 2011, (6): 63-75.] DOI: 10.19744/j.cnki.11-1235/f.2011.06.006.

DOI

[11]
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. 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.]

[12]
黄晓东, 马海涛, 苗长虹. 基于创新企业的中国城市网络联系特征. 地理学报, 2021, 76(4): 835-852.

DOI

[ Huang Xiaodong, Ma Haitao, Miao Changhong. Connectivity characteristics for city networks in China based on innovative enterprises. Acta Geographica Sinica, 2021, 76(4): 835-852.] DOI: 10.11821/dlxb202104005.

DOI

[13]
范剑勇, 刘念, 刘莹莹. 地理距离、投入产出关系与产业集聚. 经济研究, 2021, 56(10): 138-154.

[ Fan Jianyong, Liu Nian, Liu Yingying. Geographic distances, input-output linkages and agglomeration. Economic Research Journal, 2021, 56(10): 138-154.]

[14]
Brodzicki T, Golejewska A. Firms' innovation performance and the role of the metropolitan location. Evidence from the European periphery. Entrepreneurship & Regional Development, 2019, 31(9-10): 908-929. DOI: https://doi.org/10.1080/08985626.2019.1620347.

DOI

[15]
Chłoń-Domińczak A, Fiedukowicz A, Olszewski R. Geographical and economic factors affecting the spatial distribution of micro, small, and medium enterprises: An empirical study of the Kujawsko-Pomorskie Region in Poland. ISPRS International Journal of Geo-Information, 2020, 9(7): 426. DOI: https://doi.org/10.3390/ijgi9070426.

DOI

[16]
Bade F J, Nerlinger E A. The spatial distribution of new technology-based firms: Empirical results for West-Germany. Papers in Regional Science, 2000, 79(2): 155-176. DOI: https://doi.org/10.1111/j.1435-5597.2000.tb00766.x.

DOI

[17]
Wlodarczak D. Smart growth and urban economic development: connecting economic development and land-use planning using the example of high-tech firms. Environment and Planning A, 2012, 44(5): 1255-1269. DOI: https://doi.org/10.1068/a44450.

DOI

[18]
李金华. 我国“小巨人”企业发展的境况与出路. 改革, 2021, (10): 101-113.

[ Li Jinhua. The situation and outlet of the development of China's “little giant” enterprises. Reform, 2021, (10): 101-113.]

[19]
陆岷峰, 高绪阳. 关于新时期进一步推动中小企业群体高质量发展的路径研究: 基于培育“专精特新”中小企业视角. 新疆社会科学, 2022, (1): 1-18.

[ Lu Minfeng, Gao Xuyang. Research on the path of further promoting the high-quality development of SMEs in the new era: A perspective of cultivating “specialized and sophisticated” SMEs. Social Sciences in Xinjiang, 2022, (1): 1-18.] DOI: 10.20003/j.cnki.xjshkx.2022.05.007.

DOI

[20]
张兵, 梅强, 李文元. 江苏省中小企业专精特新发展影响因素研究: 以镇江市为例. 科技管理研究, 2014, 34(11): 80-83.

[ Zhang Bing, Mei Qiang, Li Wenyuan. Study on the impact factors of the development of SMEs “Specialization Lean Characterization Innovation” in Jiangsu Province: A case study in Zhenjiang City. Science and Technology Management Research, 2014, 34(11): 80-83.] DOI: 10.3969/j.issn.1000-7695.2014.11.018.

DOI

[21]
刘昌年, 梅强. “专精特新”与小微企业成长路径选择研究. 科技管理研究, 2015, 35(5): 126-130.

[ Liu Changnian, Mei Qiang. Study on the development of “special, elaborative, characteristic and innovative” road based on small and micro-sized enterprises. Science and Technology Management Research, 2015, 35(5): 126-130.] DOI: 10.3969/j.issn.1000-7695.2015.05.024.

DOI

[22]
朱天一, 徐天舒, 王卫一. 基于SEM的专精特新企业评价体系优化与应用: 来自苏州297家参评企业的实证分析. 科技与经济, 2018, 31(3): 101-105.

[ Zhu Tianyi, Xu Tianshu, Wang Weiyi. Optimization and application of professional, refine, special and innovative enterprises assessment system based on SEM: An empirical analysis of 297 participating enterprises in Suzhou. Science & Technology and Economy, 2018, 31(3): 101-105.] DOI:10.14059/j.cnki.cn32-1276n.2018.03.021.

DOI

[23]
张璠, 王竹泉, 于小悦. 政府扶持与民营中小企业“专精特新”转型: 来自省级政策文本量化的经验证据. 财经科学, 2022, (1): 116-132.

[ Zhang Fan, Wang Zhuquan, Yu Xiaoyue. Government support and the “specialized and new” transformation of SMEs: Empirical evidence from quantifying provincial policy texts. Finance & Economics, 2022, (1): 116-132.]

[24]
张睿, 石晓鹏, 陈英武. “专精特”小巨人企业培育路径研究: 以苏南地区为例. 中国工程科学, 2017, 19(5): 97-102.

[ Zhang Rui, Shi Xiaopeng, Chen Yingwu. The nurturing path of “specialized, elaborative, characteristic” little giant enterprises: Study on southern Jiangsu Province. Strategic Study of CAE, 2017, 19(5): 97-102.] DOI: 10.15302/J-SSCAE-2017.05.017.

DOI

[25]
中共中央, 国务院. 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, 2022-06-13.

[Central Committee of the Communist Party of China, General Office of the State Council of the People's Republic of China. Outline of the Yangtze River Delta Regional Integrated Development Plan. http://www.gov.cn/zhengce/2019-12/01/content_5457442.htm, 2022-06-13.]

[26]
浙江省科学技术厅. 长三角区域协同创新指数2021. http://kjt.zj.gov.cn/art/2022/2/7/art_1229441961_59001035.html, 2022-06-13.

[Zhejiang Provincial Department of Science and Technology. Yangtze River Delta Regional collaborative innovation index 2021. http://kjt.zj.gov.cn/art/2022/2/7/art_1229441961_59001035.html, 2022-06-13]

[27]
工业和信息化部中小企业局. 关于第三批专精特新“小巨人”企业名单的公示. http://www.ncsti.gov.cn/kjdt/tzgg/202107/t20210720_37004.html, 2022-06-13.

[Small and Medium Enterprise Bureau, Ministry of Industry and Information Technology of the People's Republic of China. Announcement of the third batch of “Little Giants” enterprises. http://www.ncsti.gov.cn/kjdt/tzgg/202107/t20210720_37004.html, 2022-06-13.]

[28]
宓泽锋, 尚勇敏, 徐维祥, 等. 长三角创新产学合作与企业创新绩效: 尺度与效应. 地理研究, 2022, 41(3): 647-662.

DOI

[ Mi Zefeng, Shang Yongmin, Xu Weixiang, et al. Innovation industry-university cooperation and enterprise innovation performance in the Yangtze River Delta: Scale and effect. Geographical Research, 2022, 41(3): 647-662.] DOI: 10.11821/dlyj020210124.

DOI

[29]
孙洁, 孙中昶, 郭华东, 等. 中国城市2020年建成区数据集. 中国科学数据: 中英文网络版, 2022, 7(1): 190-204.

[ Sun Jie, Sun Zhongchang, Guo Huadong, et al. A dataset of built-up areas in Chinese cities in 2020. China Scientific Data, 2022, 7(1): 190-204.] DOI: 10.11922/11-6035.csd.2021.0087.zh.

DOI

[30]
国家发展改革委. 国家发展改革委关于培育发展现代化都市圈的指导意见. https://zfxxgk.ndrc.gov.cn/web/iteminfo.jsp?id=16110, 2022-06-13.

[National Development and Reform Commission of the People's Republic of China. National Development and Reform Commission's Guidance on Fostering the Development of Modernized Urban Areas. https://zfxxgk.ndrc.gov.cn/web/iteminfo.jsp?id=16110, 2022-06-13.]

[31]
澎湃新闻. 长三角市域/城际铁路大盘点, 85条线路助力都市圈加速融合. https://www.thepaper.cn/newsDetail_forward_13990669, 2022-06-13.

[The Surging News. Yangtze River Delta municipal/intercity railway inventory, 85 lines to help accelerate integration of metropolitan areas. https://www.thepaper.cn/newsDetail_forward_13990669, 2022-06-13.]

[32]
国家发展改革委, 交通运输部. 长江三角洲地区交通运输更高质量一体化发展规划. http://www.gov.cn/zhengce/zhengceku/2020-04/29/content_5507368.htm, 2022-06-13.

[National Development and Reform Commission, Ministry of Transport of the People's Republic of China. Yangtze River Delta Regional transportation development plan for better quality integration. http://www.gov.cn/zhengce/zhengceku/2020-04/29/content_5507368.htm, 2022-06-13.]

[33]
李晓萍, 李平, 吕大国, 等. 经济集聚、选择效应与企业生产率. 管理世界, 2015, (4): 25-37, 51.

[ Li Xiaopeng, Li Ping, Lv Daguo, et al. Economic agglomeration, selection effects and firm productivity. Journal of Management World, 2015, (4): 25-37, 51.] DOI: 10.19744/j.cnki.11-1235/f.2015.04.004.

DOI

[34]
周浩, 余壮雄, 杨铮. 可达性、集聚和新建企业选址: 来自中国制造业的微观证据. 经济学: 季刊, 2015, 14(4): 1393-1416.

[ Zhou Hao, Yu Zhuangxiong, Yang Zheng. Accessibility, agglomeration and new firms location: Micro evidence from Chinese manufacturing. China Economic Quarterly, 2015, 14(4): 1393-1416.] DOI: 10.13821/j.cnki.ceq.2014.04.09.

DOI

[35]
Kilvits K. Living environment as location decision factor for manufacturing enterprises. China-USA Business Review, 2012, 11(2): 217-224.

[36]
Wu K, Wang Y, Ye Y, et al. Relationship between the built environment and the location choice of high-tech firms: Evidence from the Pearl River Delta. Sustainability, 2019, 11(13): 3689. DOI: https://doi.org/10.3390/su11133689.

DOI

[37]
吴松强, 尹航, 蔡婷婷. 嵌入性创新网络、跨界合作与先进制造业企业创新能力: 基于长三角地区先进制造业集群的实证研究. 华东经济管理, 2021, 35(4): 34-41.

[ Wu Songqiang, Yin Hang, Cai Tingting. Embedded innovation network, cross border cooperation, and Innovation Capability of Advanced Manufacturing Enterprises: An Empirical Study on advanced manufacturing clusters in Yangtze River Delta. East China Economic Management, 2021, 35(4): 34-41.] DOI: 10.19629/j.cnki.34-1014/f.200917002.

DOI

[38]
何永达. 人力资本、知识创新与服务业空间集聚: 基于省际面板数据的计量分析. 经济地理, 2015, 35(9): 120-125.

[ He Yongda. Human capital, knowledge innovation and service industry spatial agglomeration: An panle data analysis based on provincial. Economic Geography, 2015, 35(9): 120-125.] DOI: 10.15957/j.cnki.jjdl.2015.09.016.

DOI

[39]
韩峰, 阳立高. 生产性服务业集聚如何影响制造业结构升级? 一个集聚经济与熊彼特内生增长理论的综合框架. 管理世界, 2020, 36(2): 72-94, 219.

[ Han Feng. Yang Ligao. How does the agglomeration of producer services promote the upgrading of manufacturing structure?: An integrated framework of agglomeration economies and Schumpeter's endogenous growth theory. Journal of Management World, 2020, 36(2): 72-94, 219.] DOI: 10.19744/j.cnki.11-1235/f.2020.0022.

DOI

[40]
尹志超, 钱龙, 吴雨. 银企关系、银行业竞争与中小企业借贷成本. 金融研究, 2015, (1): 134-149.

[ Yin Zhichao, Qian Long, Wu Yu. Relationship lending, banking competition and loan cost for SMEs. Journal of Financial Research, 2015, (1): 134-149.]

[41]
贾俊雪. 税收激励、企业有效平均税率与企业进入. 经济研究, 2014, 49(7): 94-109.

[ Jia Junxue. Tax incentives, corporate effective average tax rate, and firm entry. Economic Research Journal, 2014, 49(7): 94-109.]

[42]
刘修岩, 何玉梅. 集聚经济、要素禀赋与产业的空间分布: 来自中国制造业的证据. 产业经济研究, 2011, (3): 10-19.

[ Liu Xiuyan, He Yumei. Agglomeration economies, factor endowment and spatial distribution of industry: Evidence from China's manufacturing sector. Industrial Economics Research, 2011, (3): 10-19.] DOI: 10.13269/j.cnki.ier.2011.03.004.

DOI

[43]
国家统计局. 高技术产业(制造业)分类(2017). http://www.stats.gov.cn/tjsj/tjbz/201812/t20181218_1640081.html, 2022-06-13.

[National Bureau of Statistics of the People's Republic of China. High technology industry (Manufacturing) classification (2017). http://www.stats.gov.cn/tjsj/tjbz/201812/t20181218_1640081.html. 2022-06-13.]

[44]
国务院. 中国制造2025. http://www.gov.cn/zhengce/content/2015-05/19/content_9784.htm, 2022-06-13.

[General office of the State Council of the People's Republic of China. Made in China 2025. http://www.gov.cn/zhengce/content/2015-05/19/content_9784.htm, 2022-06-13.]

[45]
刘冲, 吴群锋, 刘青. 交通基础设施、市场可达性与企业生产率: 基于竞争和资源配置的视角. 经济研究, 2020, 55(7): 140-158.

[ Liu Chong, Wu Qunfeng, Liu Qing. Transportation infrastructure, market access and firm productivity: A competition and resource reallocation perspective. Economic Research Journal, 2020, 55(7): 140-158.]

[46]
席强敏, 梅林. 工业用地价格、选择效应与工业效率. 经济研究, 2019, 54(2): 102-118.

[ Xi Qiangmin, Mei Lin. Industrial land price, selection effect and industrial efficiency. Economic Research Journal, 2019, 54(2): 102-118.]

[47]
冯萍, 刘建江, 罗双成. 房价、劳动力成本与制造业区位布局: 理论与证据. 产业经济研究, 2019, (2): 88-101.

[ Feng Ping, Liu Jianjiang, Luo Shuangcheng. Housing prices, labor cost and location of manufacturing industry: theory and evidence. Industrial Economics Research Journal, 2019, (2): 88-101.] DOI: 10.13269/j.cnki.ier.2019.02.008.

DOI

[48]
颜燕, 贺灿飞, 刘涛, 等. 工业用地价格竞争、集聚经济与企业区位选择: 基于中国地级市企业微观数据的经验研究. 城市发展研究, 2014, 21(3): 9-13.

[ He Canfei, Liu Tao, et al. Industrial land price competition, agglomeration economies and enterprises location choice. Urban Development Studies, 2014, 21(3): 9-13.]

[49]
符婷婷, 张艳, 柴彦威. 大城市郊区居民通勤模式对健康的影响研究: 以北京天通苑为例. 地理科学进展, 2018, 37(4): 547-555.

DOI

[ Fu Tingting, Zhang Yan, Chai Yanwei. Implications of commuting pattern for suburban residents' health in large Chinese cities: Evidences from Tiantongyuan in Beijing. Progress in Geography, 2018, 37(4): 547-555.] DOI: 10.18306/dlkxjz.2018.04.010.

DOI

[50]
吕大国, 耿强, 简泽, 等. 市场规模、劳动力成本与异质性企业区位选择: 中国地区经济差距与生产率差距之谜的一个解释. 经济研究, 2019, 54(2): 36-53.

[ Lv Daguo, Geng Qiang, Jian Ze, et al. Market size, labor cost and location of heterogeneous firms: Solving the riddle of economic and productivity gaps in China. Economic Research Journal, 2019, 54(2): 36-53.]

[51]
张杰, 毕钰, 金岳. 中国高新区“以升促建”政策对企业创新的激励效应. 管理世界, 2021, 37(7): 76-91, 6.

[ Zhang Jie, Bi Yu, Jin Yue. The incentive effect of “promote construction by upgrading” policy of Chinese Hi-tech Zones on Enterprise Innovation. Journal of Management World, 2021, 37(7): 76-91, 6.] DOI: 10.19744/j.cnki.11-1235/f.2021.0093.

DOI

[52]
周宇亮, 赵海珠, 张彩江. 银企关系对中小企业银行贷款的影响: 技术创新的调节作用. 广东财经大学学报, 2017, 32(6): 33-45.

[ Zhou Yuliang, Zhao Haizhu, Zhang Caijiang. Impact of Bank-firm relationship on bank loans of SMEs: Moderating effect of technological innovation. Journal of Guangdong University of Finance & Economics, 2017, 32(6): 33-45.]

[53]
毛其淋, 许家云. 政府补贴对企业新产品创新的影响: 基于补贴强度“适度区间”的视角. 中国工业经济, 2015, (6): 94-107.

[ Mao Qilin, Xu Jiayun. The effect of government subsidies on firms' new product innovation: An analysis based on the moderate interval of subsidy intensity. China Industrial Economics, 2015, (6): 94-107.] DOI: 10.19581/j.cnki.ciejournal.2015.06.009.

DOI

[54]
张可云, 朱春筱. 中国工业结对集聚和空间关联性分析. 地理学报, 2021, 76(4): 1019-1033.

DOI

[ Zhang Keyun, Zhu Chunxiao. Coagglomeration and spatial relatedness of China's industry. Acta Geographica Sinica, 2021, 76(4): 1019-1033.] DOI: 10.11821/dlxb202104016.

DOI

[55]
陈建军, 杨书林. 城市群生产网络与企业效率变革: 以长三角为例. 西南民族大学学报: 人文社科版, 2019, 40(12): 129-136.

[ Chen Jianjun, Yang shulin. Urban cluster production network and firm efficiency change: Taking the Yangtze River Delta as an example. Journal of Southwest Minzu University: Humanities and Social Science, 2019, 40(12): 129-136.]

[56]
姚常成, 吴康. 集聚外部性、网络外部性与城市创新发展. 地理研究, 2022, 41(9): 2330-2349.

DOI

[ Yao Changcheng, Wu Kang. Agglomeration externalities, network externalities and urban innovation development. Geographical Research, 2022, 41(9): 2330-2349.] DOI: 10.11821/dlyj020211015.

DOI

[57]
陈蕊, 刘逸. 全球生产网络(GPN)的理论问题和中国实践启示. 地理研究, 2021, 40(12): 3259-3271.

DOI

[ Chen Rui, Liu Yi. Theoretical problems of Global Production Network research and the implications to China. Geographical Research, 2021, 40(12): 3259-3271.] DOI: 10.11821/dlyj020210621.

DOI

[58]
王文宇, 贺灿飞. 关系经济地理学与贸易网络研究进展. 地理科学进展, 2022, 41(3): 461-476.

DOI

[ Wang Wenyu, He Canfei. Relational economic geography and trade network research. Progress in Geography, 2022, 41(3): 461-476.] DOI: 10.18306/dlkxjz.2022.03.009.

DOI

Options
文章导航

/

〈 〉