EN中文

Economic geography >

2024 , Vol. 44 >Issue 12: 141 - 152

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.12.015

Structure and Driving Factors of Spatial Association Network of the New Quality Productive Forces in the Pearl River Delta Region

  • WU Weiping , 1 ,
  • SU Leyan 1 ,
  • YANG Yuxuan , 1, ※ ,
  • WU Kexing 2
Expand
  • 1. School of Economics and Trade，Hunan University of Technology and Business，Changsha 410205，Hunan, China
  • 2. School of Finance，Shanghai Lixin University of Accounting and Finance，Shanghai 201209, China

Received date: 2024-08-10

  Revised date: 2024-12-03

  Online published: 2025-01-21

Fold

Abstract

Delving into the spatial correlation network structure and driving factors of enterprises' new-quality productive forces is helpful to cultivate and strengthen new drivers of economic development. This paper takes A-share listed companies in the Pearl River Delta (PRD) region as samples, utilizes the entropy method to calculate the index of enterprises' new-quality productive forces, and conducts quantitative analysis on the spatial correlation network structure and driving mechanisms of enterprises' new-quality productive forces based on the social network analysis, the density-based spatial clustering of applications with noise (DBSCAN), and the QAP non-parametric estimation method. The results indicate that: 1) The new-quality productive forces of enterprises in the PRD region exhibits a dual-core spatial clustering and multi-tier grading characteristic. The first-tier high-density areas are distributed in Guangzhou and Shenzhen, the second-tier sub-high-density areas are concentrated in Zhuhai, the third-tier medium-density core areas are centered around the Guangzhou-Zhuhai line and the surrounding areas of Shenzhen, and the fourth-tier low-density core areas are mainly distributed in the inland hinterland of the PRD region. 2) The spatial correlation network structure of enterprises' new-quality productive forces demonstrates the spatial characteristics of small-world, network densification, long-tail distribution, and an "axis-hub" pattern. The network density and network efficiency exhibit an N-shaped trend (rising first, then falling, and finally rising again), with the overall network connectivity being relatively high. 3) The spatial correlation network structure of enterprises' new-quality productive forces has obvious regional characteristics, the number of network nodes has steadily increased and formed a "2+N" community structure through cooperation, namely two main communities centered on Guangzhou and Shenzhen, and N sub-communities centered on Zhuhai, Zhongshan, Dongguan, Huizhou, which are distributed in an n-shaped pattern around the Pearl River estuary. 4) Based on the nature of the spatial correlation network of new-quality productive forces, the sample enterprises can be divided into four plates. Plate I exhibits non-reflexive structural characteristics and the role of a "net spillover" plate. Plate II has reflexive structural characteristics and the role of a "primary beneficiary" plate. Plate III and plate IV both demonstrate reflexive structural characteristics and the role of "bidirectional spillover" plates. 5) Enterprise size, digital transformation, innovation capability, and ESG performance are key driving factors that facilitate the formation of the spatial correlation network of enterprises' new-quality productive forces.

Key words： new quality productive forces of enterprises; spatial association network; community structure; block model; driving factors; digital transformation; Pearl River Delta region

Cite this article

WU Weiping , SU Leyan , YANG Yuxuan , WU Kexing . Structure and Driving Factors of Spatial Association Network of the New Quality Productive Forces in the Pearl River Delta Region[J]. Economic geography, 2024 , 44(12) : 141 -152 . DOI: 10.15957/j.cnki.jjdl.2024.12.015

2023年9月，习近平总书记在黑龙江考察调研时首次提出“新质生产力”概念，强调“积极培育新能源、新材料、先进制造、电子信息等战略性新兴产业，积极培育未来产业，加快形成新质生产力，增强发展新动能”[1]。新质生产力代表先进生产力的演进方向，是由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生的先进生产力质态[2]。企业作为先进生产力的核心主体，其新质生产力水平对于经济高质量发展具有决定性作用。企业新质生产力的形成不仅来源于企业内部创新动力，还来自企业间的互动与合作。这种跨企业合作模式促使企业新质生产力向形成强大而复杂的空间关联网络结构迈进，并在网络节点间双向溢出，从而激发企业创新活力和生产动力[3]。珠三角地区作为中国经济最发达、最具活力的区域之一，汇聚了新一代信息技术、高端装备制造、新材料和生物产业以及现代服务业等一系列前沿产业。这些产业通过供应链、价值链和创新链等交互关联，形成了紧密的空间关联网络，培育发展了企业新质生产力新动能。因此，深入解析珠三角地区企业新质生产力的空间关联网络结构、演变规律及关键驱动因素，对于助推企业新质生产力发展以及培育壮大经济发展新动能具有重要理论和现实意义。
当前有关企业新质生产力空间关联网络的研究主要沿两条脉络展开：①企业新质生产力内涵界定与识别。在初期，有关企业新质生产力方面的研究较少，多数学者围绕新质生产力进行了研究，并从科技生产力、绿色生产力和数字生产力等维度构建了评价指标体系[4-5]。随着研究的深入，宋佳等将新质生产力研究拓展至企业维度，基于生产力二要素理论并采用熵值法度量了企业新质生产力水平[6]；刘志彪等则从人工智能、大数据和数字经济三大未来产业出发，阐明了数据市场化在不同层面和阶段促进企业新质生产力发展的逻辑机制[7]。学术界关于企业新质生产力的研究开始进入理论构建和定量分析阶段。②有关企业空间关联网络的构建与分析。空间关联网络是指为揭示不同地理要素之间空间关系及其对现象、过程或事件产生影响的网络结构，常应用于城市空间[8-9]、经济地理[10]、环境管理与灾害预防[11]等研究。企业空间关联网络是指位于不同地理区位的企业通过各种经济、社会和技术联系所形成的相互依存的空间网络关系。这些联系包括但不限于供应链关系、市场联系、技术合作、资本流动以及信息共享等。企业空间关联网络分析揭示了企业间如何通过技术、资本、信息等要素的交换与共享，实现知识扩散和创新集聚[12]。众多研究已证明，良好的企业空间关联网络可显著提升整体经济效率和创新水平[13-14]。
基于此，本文针对珠三角地区企业新质生产力空间关联网络结构及其驱动因素展开定量分析。首先，构建指标体系并利用熵值法测算企业新质生产力水平，分析其总体和空间核密度分布演变特征；其次，基于修正引力模型、社会网络分析方法及DBSCAN解析企业新质生产力的空间关联网络结构演变特征、整体和个体空间关联网络特征、社群结构特征、板块结构及溢出特征；最后，采用QAP非参数估计法辨析企业新质生产力空间关联网络形成的主要驱动因素。

1 研究方法与数据说明

1.1 研究方法

1.1.1 熵值法

本文首先构建企业新质生产力测度指标体系，然后基于熵值法测度企业新质生产力水平。企业新质生产力测度指标体系由高素质劳动者、极具竞争力的劳动对象、先进劳动资料等3个维度指标构成[6,15]。其中，高素质劳动者指活劳动，是新质生产力的创造者和发展者[16]，通过高学历人才占比、研发人员占比、研发人员薪资占比等变量指标来衡量。极具竞争力的劳动对象指物化劳动，是推动生产力质的跃升并形成新质生产力的关键[17]，通过企业固定资产占比和制造费用占比变量指标来衡量。先进劳动资料包括硬科技和软科技生产工具，是推动新质生产力发展的内在动力[18]。硬科技侧重用于研发的物资设备投入，通过研发直接投入占比、研发折旧摊销占比、研发租赁费占比和无形资产占比等变量来衡量；软科技通过总资产周转率和所有者权益比率来度量①。
熵值法有效避开了主观赋权法的弊端，能根据指标数据的离散程度客观反映各项指标在评价体系中的重要性[19]。并且，离散程度越大说明该指标对评价体系的影响越大，指标赋权重更大。假定信息熵冗余度ρ j = 1 - e j，变量指标信息熵e j = - 1 l n m · ∑ i = 1 m ω i j · l n ω i j且ω i j = X i j / ∑ i = 1 m X i j，则基于熵值法的企业新质生产力测度公式为：
q i = ∑ j = 1 m ρ j / ∑ j = 1 m ρ j

1.1.2 修正引力模型

引力模型的基本假设是两个实体间的互动力取决于它们的“质量”和“距离”[20]。本文对传统引力模型的“距离”进行修正，除了空间距离以外，还引入了企业财务距离和技术距离来构建综合距离d i j。修正后的引力模型计算公式为：
G i j = k i j q i ∙ q j d i j 2
k i j = q i q i + q j
式中：G i j为企业i对企业j的新质生产力发展引力；综合距离计算公式为d i j = D i j F i j / ( 1 - T i j )，其中，空间距离D i j指两个企业间的欧式距离；财务距离计算公式为F i j = 1 - ( ν i ∙ ν j ) / ( ν i ∙ ν j )，ν i为企业i的财务指标，包括资产负债率、净资产收益率、权益乘数、无形资产占比、产权比率、现金流比率、固定资产占比，其中，两个企业的财务指标相似性程度越高，则在财务上的差异越小，财务距离越小；技术距离[21]计算公式为T i j = 1 - I i j / S i j + 1 - I i j，若企业i和j同属一个行业②则I i j等1，反之为0，若企业i和j属同一产业链③则S i j等1，反之为0。

1.1.3 社会网络分析法

社会网络分析法借助网络关联模型将定性结构属性数据矩阵化，以便分析节点之间长期的关联与互动发展模式。本文首先基于社会网络分析法获取企业新质生产力的0-1关系矩阵，然后从整体网络特征、个体网络特征及块模型（Block Models）等3个层面探究企业新质生产力的空间关联网络结构特征。整体和个体网络特征的度量指标及计算公式见表1。块模型用于识别和分析网络中的密集互动群体，这些互动群体由至少包含3个节点的最大完备子集构成，子集间的关系和特征可通过网络结构分析来揭示[22]。本文采用CONCOR迭代相关收敛法将企业新质生产力整体网络划分为“主受益”“净溢出”“双向溢出”3种板块角色类型，并通过分析板块内部及板块间的交互关系来揭示空间关联网络子群的宏观图式。
表1 整体网络与个体网络特征的度量指标及公式

Tab.1 Measurement index and formula of the characteristics of the whole network and the individual network

指标 计算公式 说明
整体网络特征 网络密度 D = M N ( N - 1 ) 空间网络中有N个节点，最大的可能关系数为N ( N - 1 )个，实际关系数为M个
网络效率 E = 1 - R m a x ( R ) R为多余线的条数，m a x R为最大可能的多余线条数
网络关联度 C = 1 - V N ( N - 1 ) / 2 V为网络中不可达的点对数目
个体网络特征 度数中心度 R D i = ∑ j ∈ N N X i j / ( N - 1 ) 若城市i与j之间存在空间关联，则记X i j = 1，反之为0
接近中心度 C C i = ( N - 1 ) / ∑ j = 1 N d i j d i j为两节点城市间最短路径距离
中介中心度 R B i = 2 N 2 - 3 N + 2 ∑ j ∈ N ∑ k ∈ N g j k ( i ) g i k g j k ( i )为城市j与k之间经过城市i的最短路径数，g j k ( i )为城市j与k间最短路径数

1.1.4 DBSCAN

本文采用DBSCAN分析企业新质生产力空间关联网络的社群结构特征。DBSCAN使用迭代查询来执行聚类：首先，根据给定的样本数据，输入参数Eps和Mints（Eps为给定任意一点p，其半径ε内的邻域即点p的ε邻域）。其次，抽出任意未处理的点p，判断以点p为圆心Eps为半径的圆中，样本数量是否大于等于Mints的数量。如果不是，则为噪声点；如果是，那么从p点密度可达的所有点，形成一个簇。最后，对第二步进行多次迭代循环，输出最终聚类结果[23]。

1.2 研究对象与数据来源

本文选择珠三角地区650家A股上市公司作为研究对象，样本时间跨度为2013—2022年。珠三角地区企业密集且产业分布广泛，涵盖了新一代信息技术、高端装备制造、新材料和生物产业等多个领域，形成了复合多元的产业链和供应链网络；在国家经济和科技创新体系中占据重要地位，创新资源丰硕，科研机构、高等院校和企业研发中心云集，为企业间的技术合作和知识溢出提供了良好基础。截至2023年底，珠三角地区9市总面积5.5万km2，占广东省国土面积不到1/3，但聚集了全省70%的人口以及81.24%的GDP。因此，选择珠三角地区上市公司作为案例样本，具有代表性、典型性和示范性。本研究的所有样本数据均来源于中国证券监督管理委员会（CSRC）和各上市公司年度报告。

2 珠三角地区企业新质生产力的空间关联网络分析

2.1 企业新质生产力核密度分布

2.1.1 总体核密度分布演变

本文基于熵值法计算得到珠三角地区样本企业新质生产力水平，并绘制2013、2016、2019和2022年企业新质生产力核密度曲线（图1）。首先，从分布形态看，核密度曲线均呈现出右偏态和右拖尾分布形态。以2022年为例，新质生产力水平处于5~6之间的样本企业占比40%，而高于10的样本企业却仅占6%。尽管珠三角地区企业新质生产力仍存在一定提升空间，但在总体上（平均值4.84）仍高于全国平均水平（平均值4.04）①。其次，从分布位置看，核密度曲线的中心逐渐右移，表明企业新质生产力水平总体上呈增长态势，均值由2013年的3.61增长至2016年的4.85、2019年的5.31及2022年的5.46。最后，从分布延展性看，企业新质生产力的核密度曲线主峰峰高明显下降，从2013年的2.4下降至2022年的2.1，表明企业新质生产力分布趋于分散。
图1 珠三角地区新质生产力水平的核密度曲线

Fig.1 Kernel density curve of new quality productive forces in the Pearl River Delta region

2.1.2 空间核密度分布演变

从企业新质生产力的空间核密度图来看，珠三角地区企业生产力的空间分布呈现出显著的两核多梯次分布形态（图2），符合《2020粤港澳数字大湾区融合创新发展报告》提出的分布体系。2013年，企业新质生产力高密度区主要集中在广州、深圳两大核心城市。随着时间推移，高密度区逐渐向珠海、佛山、东莞等其他城市扩散。到2022年，高密度区域覆盖深圳全境，反映出区域一体化发展战略的建设成效，以及交通和物流网络改善对企业新质生产力分布的积极作用。这种多中心性和多梯次特征表明珠三角地区的产业布局及企业新质生产力空间分布趋于优化，有利于经济的均衡发展和区域竞争力提升。
图2 珠三角地区企业新质生产力空间聚类演进

Fig.2 Spatial clustering evolution of new quality productive forces of enterprises in the Pearl River Delta region

进一步，通过自然间断点分级法将企业新质生产力分为4个等级，其中第一级高密度核心区主要集中在广州和深圳。广州历来是珠三角地区的经济核心，拥有雄厚的经济基础和完善的产业体系，为企业新质生产力发展提供了广阔的市场空间和产业链支撑；深圳背靠香港，是区域内外资金流、信息流、物流的重要集散地。第二级次高密度核心区位于珠海。珠海是连接港澳与内地的重要门户，依托横琴新区的政策优势，集聚了大量高新技术企业和现代服务业企业，成为企业新质生产力发展的热土。第三级中密度核心区主要集中在广州—珠海连线附近以及深圳周边地区，该区域的企业新质生产力虽然密度低于广州、深圳、珠海等城市，但同样具备较好的发展条件和潜力。该区域的企业数量较多、规模适中，产业类型多样，涵盖了制造业、服务业等多个领域，同时还具备较完善的交通基础设施和公共服务设施，为企业新质生产力发展提供了有力支撑。第四级低密度核心区主要分布在珠三角地区内陆腹地。该区域不仅交通相对不便，物流成本较高，市场响应速度慢，一定程度上限制了企业扩张和市场拓展，而且教育资源相对匮乏，难以满足企业对人才的需求，更难以吸引和留住高技能人才。

2.2 企业新质生产力空间关联网络结构的整体演进

2.2.1 空间关联网络演进

为了刻画珠三角地区企业新质生产力空间关联结构及其变化轨迹，本文利用修正引力模型、社会网络分析法及ArcGIS工具绘制出2013、2016、2019和2022年企业新质生产力双向空间关联网络（图3）。通过细致的数据处理与阈值设定，剔除联系强度低于0.1的弱联系对，并采用自然断点分级法划分联系强度等级，进一步突出网络中的主要联系路径与强度分布。
图3 珠三角地区企业新质生产力双向空间关联网络演变

Fig.3 Bidirectional spatial association network of enterprises’ new quality productive forces in the Pearl River Delta region

①企业新质生产力空间关联网络呈现小世界特性。除了广州、深圳、珠海等核心城市外，其他地区企业之间的节点连接稀疏且最短连接距离较短，多数未形成网络，表现出小世界特性。另外，小世界网络中的节点在广州、深圳两大主核心以及珠海这一副核心地带形成集聚，并带动珠三角地区形成了密切的产业互动和技术交流网络，促进了整个区域企业新质生产力发展。
②企业新质生产力空间关联网络稠密化趋势不断强化。网络稠密化是指网络中节点的平均度数增加，即平均每个节点的连接数目增多。网络稠密化反映在企业间的合作增强、供应链优化以及知识和技术共享上。在东莞、广州等制造业重镇，由于供应链上下游企业之间合作增强，整个网络效率和创新能力得到显著提升。网络平均聚集系数提高也刻画了网络中节点间群体性连接的增强，表明企业间不仅在直接合作上加强了联系，其间接合作和资源共享也在增强。
③企业新质生产力空间关联网络呈现长尾分布特征。尽管多数企业聚集在少数高密度区域，但也有不少企业分布在较低密度的边缘地区。这种分布模式反映出网络中的节点（企业）度数差异较大，即少数节点（核心企业）拥有较多的连接，而多数节点（小微企业）则连接较少。核心企业凭借中心位置优势，能更有效地辐射和带动边缘地区发展。这种辐射作用不仅体现在企业新质生产力提升上，也体现在技术扩散、市场开拓等方面，推动整个珠三角地区企业新质生产力协同发展。
④企业新质生产力空间关联网络呈“轴—辐”模式，从较为简单的地理集聚逐渐演变为更加复杂的空间组织模式，反映了网络中核心节点与周边节点之间的经济联系和互动。核心节点作为网络中的高级节点，拥有更多的资源优势，能够引领整个网络发展。而周边节点则在核心节点的辐射作用下，实现差异化发展。

2.2.2 整体关联网络特征

本文还从网络密度、网络效率、网络关联度等方面进一步刻画珠三角地区企业新质生产力的整体关联网络特征。其中，网络密度用于衡量网络中各节点（企业）间的连接程度，即实际存在的连接与可能连接的比率。网络密度越高意味着网络中的企业联系更紧密，合作与交流更频繁高效。表2的统计结果显示，企业新质生产力的空间关联网络密度表现为先上升后下降再上升的“N”型趋势。空间关联网络密度的波浪式上升反映了企业间合作的渐近性强化和深化。从变化趋势的节点看，2014年是企业新质生产力关联网络密度上升的第一个拐点，空间关联网络密度值增至0.48，这主要得益于区域政策支持与市场环境优化带来的企业间紧密合作。随后，由于宏观经济调控和外部市场的不稳定性，企业间的互动频率有所衰减，企业新质生产力空间关联网络密度趋于下降并降至2016年的0.33，即第二个拐点。自此之后，企业在全球供应链重组和数字经济推动下，开始寻找新合作模式和业务机会，跨行业的协同创新日益增多，企业合作网络日趋稳定，空间关联网络密度值转为上升并增至2022年的0.53，企业新质生产力空间关联网络密度创历史新高。
表2 企业新质生产力空间关联的网络密度、网络效率和网络关联度

Tab.2 Network density，network efficiency and network association degree of the spatial association network for enterprises' new quality productive forces

年份 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
网络密度 0.4029 0.4823 0.3505 0.3338 0.3859 0.4086 0.3836 0.4171 0.4815 0.5368
网络效率 0.4828 0.7225 0.5150 0.5372 0.5864 0.6160 0.5791 0.6086 0.7065 0.7714
网络关联度 0.8739 0.9722 0.8767 0.8860 0.8975 0.9203 0.9183 0.9270 0.9606 0.9903
网络效率衡量的是网络中信息或资源传递的效率。网络效率越高表明信息在网络中流通更高效，从而推升整体新质生产力。珠三角地区企业新质生产力空间关联网络效率从2013年的0.48增长到2022年的0.77，反映了信息技术广泛应用和管理创新成效。2014年，得益于信息化建设的深化和企业间合作流程的优化，网络效率显著提升至0.72。然而，2015年经济波动使网络效率有所下降，显示出经济外部冲击对企业合作效率的影响。随后几年，网络效率逐步回升，尤其是在2018年之后，效率稳定在0.6以上，表明企业在提高资源配置效率和优化供应链管理方面取得了实质性进展。这不仅提升了区域的整体经济效率，还增强了企业的市场响应速度、创新能力及其新质生产力水平。进入后疫情时代，珠三角地区企业进一步加速数字化转型，使得企业间的协同效应和资源利用率进一步改善，企业新质生产力空间关联网络效率不断提升。
网络关联度则是衡量网络中各节点间关系强度的指标。高网络关联度意味着企业间联系更紧密，相互依赖性更强，更易形成稳定可靠的合作关系。珠三角地区企业新质生产力的网络关联度从2013年的0.87上升至2022年的0.99，意味着企业生产力网络具有较强的集聚效应，通过紧密的联系增强了区域内企业的资源共享、生产协作、技术创新与扩散。高网络关联度不仅反映了企业之间的互动强度和相关依赖性大，也表明企业的关联网络稳定性高。当区域内经济因受到外部冲击而出现波动时，企业能够通过这种稳定的关联网络更好地应对风险，从而使区域经济更具有抗冲击能力。

2.3 企业新质生产力空间关联网络结构的区域性特征

2.3.1 空间关联网络的个体特征

整体网络结构特征分析仅反映了企业新质生产力空间关联网络的整体外貌，无法对节点中心度进行深入探讨，因此，需要对个体网络特征进行深度解析以刻画企业节点在空间关联网络的地位和作用。通过测算历年的企业节点中心性指标，并以矩阵行均值代替阈值进行重复计算，进而得到珠三角地区企业新质生产力空间关联网络的度数中心度、中介中心度与接近中心度（表3）。
表3 珠三角地区企业新质生产力个体网络特征

Tab.3 Individual network characteristics of new quality productive forces of enterprises in the Pearl River Delta region

2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
度数中心度 珠三角 0.57070 0.10840 0.11270 0.59090 0.14940 0.58820 0.98630 0.5943 0.6135 0.6520
广州 0.02100 1.00000 0.04650 1.00000 1.00000 1.00000 0.06890 1.00000 1.00000 1.00000
佛山 0.02180 1.00000 1.00000 0.04690 1.00000 1.00000 0.51790 0.57770 1.00000 1.00000
肇庆 0 1.00000 0.00980 0.02360 0.04080 0.01920 0.12820 0.01590 0.04470 1.00000
深圳 0.03970 0.03010 0.05710 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
东莞 0.01410 1.00000 0.02330 1.00000 1.00000 0.66080 0.57420 0.61730 1.00000 1.00000
惠州 0 1.00000 0.00970 0.02360 0.03820 0.04090 0.02330 0.04780 1.00000 1.00000
珠海 0.08390 1.00000 0.10540 0.29100 0.31570 1.00000 0.48140 1.00000 0.40540 1.00000
中山 0.13070 1.00000 1.00000 1.00000 1.00000 0.24120 1.00000 0.06720 1.00000 0.13790
江门 0 1.00000 0.00980 0.02370 0.03570 0.15170 0.10920 0.11490 0.13060 1.00000
中介中心度 珠三角 0.00440 0.00290 0.00950 0.13440 0.03990 0.02740 0.17040 0.61410 0.11370 0.55060
广州 0.00190 0.07590 0.00040 0.27380 0.05080 0.15550 0.00090 0.31760 0.07130 0.19090
佛山 0 0.16370 0.50750 0.00002 0.05460 0.17110 0.00060 0.00060 0.07810 0.03280
肇庆 0 0.08350 0.00001 0 0.00001 0.00001 0.00010 0.00001 1.07580 0.01130
深圳 0.00670 0.10190 0.01140 0.33410 0.39740 0.20240 0.39950 0.30320 0.37240 0.30850
东莞 0 0.08270 0.00001 0.09630 0.22050 0.00090 0.00030 0.00040 0.13110 0.03320
惠州 0 0.00001 0.00001 0 0.00001 0.00001 0.00001 0 0.05300 0.03370
珠海 0.00200 0.08160 0.00040 0.00040 0.00040 0.17170 0.00050 0.08710 0.00030 0.05590
中山 0.00230 0.08290 0.25660 0.09700 0.10920 0.00050 0.34420 0.00006 0.02610 0.00001
江门 0 0.08350 0.00001 0.00001 0.00001 0.00040 0.00007 0.00005 0.00001 0.01130
接近中心度 珠三角 3.10620 5.68560 0.88850 0.49680 0.91000 3.25590 0.76700 0.28790 0.31470 1.56390
广州 0.00001 1.00000 0.51190 1.00000 1.00000 1.00000 0.51850 1.00000 1.00000 1.00000
佛山 1.80920 1.00000 1.00000 0.51120 1.00000 1.00000 0.67370 0.69090 1.00000 1.00000
肇庆 0 1.00000 0.50250 0.50590 0.51110 0.50650 0.53540 0.50400 0.51140 1.00000
深圳 0.72410 1.00000 0.51470 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
东莞 0.53190 1.00000 0.50590 1.00000 1.00000 0.72860 0.70680 0.72540 1.00000 1.00000
惠州 0 0.50760 0.50240 0.50590 0.50980 0.50990 0.50810 0.51280 1.00000 1.00000
珠海 1.00000 1.00000 0.52500 0.58620 0.60420 1.00000 0.66620 1.00000 0.66830 1.00000
中山 1.00000 1.00000 1.00000 1.00000 1.00000 0.56090 1.00000 0.51790 1.00000 0.53930
江门 0 1.00000 1.00000 0.50600 0.50910 0.53430 0.52830 0.53160 0.53890 1.00000
①度数中心度用于衡量节点在整体网络中的重要性或中心性。样本期间，珠三角地区企业新质生产力空间关联网络的度数中心度变化显著，最低点出现在2014年，而高峰则在2019年，反映了该地区在政策调整、市场变迁及技术创新背景下空间关联网络结构的动态变化。这一期间，珠三角地区企业新质生产力空间关联网络从起初的松散状态，逐步整合成更加紧密的体系。特别是大湾区战略的实施，极大地促进了深圳和广州的资源和信息流动效率，巩固了其在空间关联网络中的核心地位。相较之下，佛山和东莞虽在制造业和贸易中表现强势，但肇庆和惠州的网络中心度较低，显示它们在地理经济结构中的边缘性。
②中介中心度用于衡量节点的中介作用，即一个节点在网络中连接不同节点对之间的程度。2013—2015年，企业新质生产力的空间关联网络中介中心度较低，反映了城市企业间联系松散和中介节点缺失。2016—2018年，随着区域内产业链的整合，中介中心度显著提升，部分城市在连接不同市场或产业链中的中介作用不断突显。2021—2022年，虽然中介中心度有波动，但整体上仍保持较高水平，关键节点稳定性较强。特别是深圳和广州的企业，在多个年份中表现出较高的中介中心度，凸显其作为区域网络核心及重要经济联系中介的角色。
③接近中心度反映节点与网络中其他所有节点平均距离的倒数，用于衡量可达性。2013—2015年，企业新质生产力空间关联网络的接近中心度从0.08上升至0.10，表明网络的可达性在增强，但总体水平仍需提高。2016—2019年，接近中心度显著提升，从0.89上升至顶峰值1.56，说明区域内企业间的网络关联变得更紧密和高效。随着接近中心度的进一步提升，这些城市的企业不仅增强了自身的网络影响力，也为珠三角地区的整体企业空间关联提供了强有力支撑。

2.3.2 空间关联网络的社群结构特征

在企业空间关联网络中，部分具有互补性的企业通过空间聚类演化成具有不同凝聚力的社群。为进一步探究企业新质生产力空间关联网络的内部结构状态以及各成员在空间关联网络中的角色，本文采用DBSCAN分析其社群结构特征。从图4来看，珠三角地区企业新质生产力空间关联网络被划分为“2+N”的社群结构特征，即以广州、深圳为中心的2个主社群，以珠海、中山、东莞、惠州等为中心的N个副社群①，环绕珠江口岸呈“n”型分布态势。两大主社群吸引着新一代信息技术、高端装备制造、新材料和生物产业等企业聚集（如广州的传音控股、深圳的华为等）并形成了龙头效应，通过合作协议、产业联盟、技术创新、资本运作等多形式空间关联网络，带动了科技、产业、文化等多领域的交流与合作，引领着珠三角地区企业新质生产力协同发展。珠海、中山、东莞、惠州等地的企业则作为制造业中坚，依靠完善的产业链和强大的制造能力，在网络中形成了紧密的制造业集群，通过资源共享、技术协作、市场开拓等方式形成了次级社群。同时，次级社群中的城市也在新一代信息技术、高端装备制造、新材料和生物产业等方面展现出明显的产业集聚效应，致力于构建与主社群互补的产业特色。例如，珠海在航空航天和生物科技领域迅速崛起，中山和东莞则在机械制造和电子信息产品上积淀深厚的工业基础。这种互补的社群结构不仅加强了珠三角地区内部的经济联系，并且通过高新技术产业集聚推动企业新质生产力发展。
图4 企业新质生产力空间关联的社群结构变化

Fig.4 Evolution of community structure in the spatial association of enterprises’ new quality productive forces

2.4 空间关联网络的块模分析

块模型是指通过空间聚类方法将空间关联网络进行分块，进而探讨网络的构成情况及各板块间的溢出关系[24]。本文采用CONCOR迭代相关收敛法探究珠三角地区企业新质生产力空间关联网络的块结构特征以及各板块成员在空间关联网络中的角色。具体参照Breiger等的做法[25]，将最大切分深度（Split Number）设置为2，截断阈值（Cut-off Threshold）设置为0.99，所有样本被划分为创新与技术前沿板块、环境可持续与资源优化板块、服务与消费创新板块、基础设施与重工业板块等4个板块。比较静态分析发现，所划分的板块组成大体符合空间关联网络的社群结构特征。
由表4可知，珠三角地区样本企业中共存在47074个空间关联关系。其中，板块内部企业的关系数为35111条，板块间企业溢出关系为11963条，企业新质生产力的空间关联路径主要集中在板块内部，板块与板块之间的关联路径相对较少，总体上表现为自反性结构特征。进一步分析发现，板块Ⅱ拥有最多的关联关系，内部关联关系数为19680条，溢出板块外关系数4956条，接受板块外关系数5408条，总体上表现为以内部关联为主导的自反性结构特征以及“主受益”板块角色特征。板块Ⅰ的内部关联关系数为5834条，溢出板块外关系数为5414条，接受板块外关系数为5261条，总体上表现为非自反性结构特征和“净溢出”板块角色特征。板块Ⅲ的内部关联关系数为6154条，溢出板块外系数为286条，接受板块外关系数238条，总体上表现为自反性结构特征和“双向溢出”板块角色特征。板块Ⅳ的内部关联关系数为3443条，溢出板块外系数为835条，接受板块外关系数764条，总体上也表现为自反性结构特征和“双向溢出”板块角色特征。
表4 各板块的内部关联与外部溢出关系

Tab.4 Internal association and external spillover relationships of each plate

板块 接受关系数（条） 企业数
（个）		 接收板块外关系数
（条）		 溢出板块外关系数
（条）		 总体关联
结构特征		 板块角色
特征
板块Ⅰ 板块Ⅱ 板块Ⅲ 板块Ⅳ
板块Ⅰ 5834 4936 0 478 109 5261 5414 非自反性 净溢出
板块Ⅱ 4664 19680 0 292 152 5408 4956 自反性 主受益
板块Ⅲ 0 0 6154 286 148 238 286 自反性 双向溢出
板块Ⅳ 597 472 238 3443 241 1056 1307 自反性 双向溢出
为了厘清板块间的溢出关系，本文还测算了各板块密度矩阵，并以空间关联网络整体密度平均值0.18为基准。若该板块密度大于0.18，则表明企业新质生产力空间关联网络在该板块呈现集中的趋势，将其像矩阵赋值为1，否则为0（表5）。像矩阵可以直观地看出新质生产力空间关联网络板块之间存在的关联关系与传递机制，并绘制互动关系图（图5）。板块Ⅰ、Ⅱ、Ⅲ像矩阵对角线上的元素为1，表明企业新质生产力空间关联网络在上述板块内部产生了俱乐部集聚效应[10,20]。具体来说，板块Ⅰ作为“净溢出”板块，除自身内部存在关联关系外，同时向板块Ⅱ和Ⅳ溢出，表现出对外部板块较强的影响力；板块Ⅱ是“主受益”板块，内部关联关系最为集中，同时接受来自板块Ⅰ和Ⅳ的少数溢出；板块Ⅲ和Ⅳ均为“双向溢出”板块。板块Ⅲ既对板块Ⅳ溢出，又接受板块Ⅳ的溢出；板块Ⅳ对板块Ⅰ、Ⅱ、Ⅲ同时形成了溢出和接受溢出的关系。总之，四大板块通过加强区域间的经济与技术关联，使得“全体一盘棋”的联动效应愈加明显，充分体现了珠三角地区的产业集聚与分工优势，使得各企业在空间上形成了显著的集聚效应。
表5 空间关联板块的密度矩阵和像矩阵

Tab.5 Density matrix and image matrix of spatial association plates

板块 密度矩阵 像矩阵
板块Ⅰ 板块Ⅱ 板块Ⅲ 板块Ⅳ 板块Ⅰ 板块Ⅱ 板块Ⅲ 板块Ⅳ
板块Ⅰ 0.4956 0.0727 0 0.0039 1 0 0 0
板块Ⅱ 0.0687 0.8574 0 0.0019 0 1 0 0
板块Ⅲ 0 0 0.2828 0.0019 0 0 1 0
板块Ⅳ 0.0049 0.0031 0.0016 0.0595 0 0 0 0
图5 企业新质生产力空间关联板块分解

Fig.5 Spatial association plate decomposition of enterprises' new quality productive forces

3 珠三角地区企业新质生产力空间关联网络的驱动因素

既有研究表明，企业规模、数字化转型、创新能力、ESG表现、经营能力等因素共同构成了企业新质生产力的动力系统[4,26]。首先，企业规模是企业新质生产力空间关联网络的首要驱动因素。大型企业通常拥有较强的资源禀赋优势且多分布在经济发达地区或城市群核心地带，更能通过外溢效应促进企业新质生产力的空间聚类。其次，数字化转型可进一步强化企业新质生产力的网络关联，并推动企业新质生产力空间关联网络扩展。再次，创新能力是企业新质生产力空间关联网络发展的核心要素。通过与邻近高校、科研机构及创新型企业开展合作，有助于打造创新高地并推动新质生产力网络扩展。从次，ESG反映企业在生态环境、社会责任和公司治理方面的表现，是企业新质生产力长期发展的重要基础。高ESG表现企业不仅有利于在当地建立良好声誉，还能通过跨区域生态合作吸引资源，扩展新质生产力空间关联网络。最后，经营能力越强的企业更容易积累资本并扩展业务版图，推动新质生产力空间关联网络扩张。
本文选用QAP（Quadratic Assignment Procedure）非参数估计方法实证检验珠三角地区企业新质生产力空间关联网络形成的关键驱动因素。QAP方法通过对因变量与自变量矩阵进行标准的多元回归分析后，执行多次行列随机置换，并计算系列回归系数，避免了传统分析中变量间相互独立的假设，增强了估计结果的稳健性。QAP估计方程为：
B = f ( S c a l e , D i g i t i z a t i o n , E S G , I n n o v a t i o n , R e v e n u e )
式中：因变量B代表企业新质生产力空间关联网络；自变量包括企业规模（Scale）、数字化转型（Digitization）、创新能力（Innovation）、ESG表现（ESG）、经营能力（Revenue）等驱动因素，分别通过企业i和企业j的企业规模、数字化转型、已授权专利数、ESG综合得分、营业收入差值网络矩阵来衡量。
受篇幅限制，本部分仅报告2013、2016、2019和2022年珠三角地区企业新质生产力空间关联网络驱动因素的估计结果①，所有QAP估计结果均通过6000次随机置换得到。横向比较来看，所有驱动因素在2013年样本的估计方程中均不显著，部分因素在后续年份中开始变得显著，这说明在初期无法明确辨析企业新质生产力空间关联网络形成的主要驱动因素，这可能与2013年的有效观察值不足有关。因此，本文主要针对2016、2019和2022年样本的估计结果进行重点解析（表7）。
表7 企业新质生产力空间关联网络影响因素的QAP回归结果

Tab.7 QAP regression results of factors influencing the spatial association network of enterprises' new quality productive forces

年份 2013 2016 2019 2022
Scale 0.0000
（1.0000）		 0.0018
（0.1930）		 0.0001*
（0.0640）		 0.0004***
（0.0000）
Digitization 0.0000
（1.0000）		 0.0016*
（0.0801）		 0.0020*
（0.0891）		 0.0031***
（0.0000）
Innovation 0.0000
（1.0000）		 0.0016**
（0.0162）		 0.0001
（0.4102）		 0.0001***
（0.0000）
ESG 0.0000
（1.0000）		 0.0013
（0.1110）		 0.0001**
（0.0420）		 0.0009
（0.1274）
Revenue 1.0004
（0.5041）		 0.0028
（0.1102）		 0.0001
（0.1152）		 0.0008
（0.1691）
观察值 85556 112560 228962 361802
随机置换次数 6000 6000 6000 6000

注：*、**、***分别表示10%、5%、1%显著水平；括号内数值表示显著性水平。

由表7可知：①企业规模变量的估计系数仅在2019和2022年样本中显著为正，且显著性水平和边际系数均不断上升，说明随着时间推移，企业新质生产力空间关联网络受企业规模的影响越来越突出。从地理学角度来看，珠三角地区的大型企业多集中在广州、深圳、佛山等城市，这些城市具备良好的基础设施、发达的交通网络和密集的创新资源，一定程度上强化了企业间的交互作用。②数字化转型变量的估计系数仅在2016、2019和2022年样本中显著为正，且显著性水平和边际系数均不断上升，表明企业新质生产力空间关联网络受数字化转型的影响日益显著。珠三角地区作为中国数字经济的先行区，5G网络和云计算平台等数字基础设施在区域内分布广泛，促进了企业间信息的传输和共享效率，减少了物理距离制约。③创新能力变量与数字化转型变量的估计结果一致，但其边际系数趋于下降，表明创新能力对企业新质生产力空间关联网络的正效应逐步减弱。④ESG表现变量的估计系数仅在2019年显著为正，在其他年份中虽为正值但不显著。2019年显著可能得益于全球和区域性可持续发展倡议的增强，如联合国可持续发展目标的推广，提高了利益相关者对企业ESG表现的关注。但ESG表现对企业新质生产力空间关联网络形成的影响可能因行业及政策环境变化而异，这解释了其在其他年份不显著的现象。⑤经营能力变量的估计系数在所有年份样本中均不显著。传统的经营能力指标，虽然对企业的整体表现至关重要，但它们并不直接决定企业在新质生产力空间关联网络中的角色和位置。总之，珠三角地区企业新质生产力空间关联网络的形成机制呈现出多层次、多维度、多角度的交互特性。这一机制不仅促进了区域内企业之间的协同效应，加强了整个网络的内部联系和市场竞争力，还对外部经济的变化保持了高度的敏感性和适应性。通过这样的动态互动，珠三角地区企业新质生产力空间关联网络趋于完善。

4 研究结论与政策启示

4.1 研究结论

本文在珠三角地区样本企业新质生产力测度的基础上，采用修正引力模型、社会网络分析方法、DBSCAN剖析了企业新质生产力空间关联的核密度分布演变、整体网络结构、个体网络结构、社群结构和块模型结构特征，并基于QAP非参数估计方法探析了企业新质生产力空间关联网络的关键驱动因素。研究结论如下：
①从空间分布及演进趋势来看，珠三角地区企业新质生产力展现出以广州、深圳为主导的双核心空间聚类特征以及多梯次分级特征。其中，第一等级高密度区分布在广州和深圳，第二等级次高密度区分布在珠海，第三等级中密度核心区主要集中在广州—珠海连线附近以及深圳周边地区，第四等级低密度核心区主要分布在珠三角地区内陆腹地。同时，企业新质生产力空间关联网络呈现出显著的小世界特性、网络稠密化、长尾分布以及“轴—辐”模式特征，网络密度和网络效率表现为先上升后下降再上升的“N”型趋势，且网络关联度整体较高。
②从区域特征和块模特征来看，珠三角地区企业新质生产力空间关联网络的节点数稳步增长，节点间合作形成了“2+N”的社群结构特征，即以广州、深圳为中心的2个主社群，以珠海、中山、东莞、惠州等为中心的N个副社群，环绕珠江口岸呈“n”型分布态势。同时，基于新质生产力空间关联网络性质可将样本企业划分为四大板块，其中板块Ⅰ表现出非自反性结构特征和“净溢出”板块角色特征，板块Ⅱ具有自反性结构特征和“主受益”板块角色特征，板块Ⅲ和Ⅳ均表现为自反性结构特征及“双向溢出”板块角色特征。
③从驱动因素来看，企业新质生产力空间关联网络驱动机制具有多层次、多维度、多角度的交互特性。企业规模、数字化转型、创新能力和ESG表现等因素共同塑造了珠三角企业新质生产力空间关联网络，影响着企业新质生产力发展轨迹和结构优化。其中，企业规模、数字化转型、创新能力对企业新质生产力空间关联网络的影响最显著且更持续。

4.2 政策启示

企业新质生产力空间关联网络分析侧重于探究企业微观层面的交互网络关系和协同效应，是对区域间生产力网络如何通过市场与政府有机结合以及跨区域合作来达成高效配置的深入洞察，这对于区域经济政策制定及结构优化具有重要指导意义。根据上述结论，本文得出以下政策启示：①在创新驱动方面，应构建多层次、广覆盖、可协同的创新网络，打造以双核心城市为引擎并向低梯次企业辐射，各梯次企业协同互补、资源共享的创新发展新格局，推动企业创新链横向拓展、纵向深化，为企业新质生产力发展注入新动能。②在市场机制方面，应优化市场准入条件和监管机制，降低企业间的合作壁垒和成本，进一步增强企业新质生产力关联网络节点的连接性与互动性，从而增进空间关联网络对企业新质生产力发展的正向溢出。③在企业战略方面，应深化企业间的战略合作，促进关联企业通过供应链、价值链和创新链等交互关联，形成紧密的空间关联和产业关联网络，充分发挥企业空间聚类和产业集聚对新质生产力提升的规模效应和集聚效应。④在产业协调方面，应设立产业协调发展机制和发展基金，支撑不同企业板块间的技术、人才、资金等要素流动与共享，推动不同板块内及板块间企业的交互协作，特别是在创新与技术前沿板块与其他板块间的一体化发展，为珠三角地区企业新质生产力发展以及空间关联网络优化提供有力支撑。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
习近平. 牢牢把握东北的重要使命奋力谱写东北全面振兴新篇章[N]. 人民日报,2023-09-10(1).

[2]
习近平经济思想研究中心. 新质生产力的内涵特征和发展重点[N]. 人民日报,2024-03-01(9).

[3]
苏丹妮, 盛斌, 邵朝对, 等. 全球价值链、本地化产业集聚与企业生产率的互动效应[J]. 经济研究, 2020, 55(3): 100-115.

[4]
栗向阳, 王磊, 张宇欣. 长江经济带新质生产力发展的时空演化格局及其影响因素[J]. 长江流域资源与环境, 2024, 33(5):909-923.

[5]
韩文龙, 张瑞生, 赵峰. 新质生产力水平测算与中国经济增长新动能[J]. 数量经济技术经济研究, 2024, 41(6):5-25.

[6]
宋佳, 张金昌, 潘艺. ESG发展对企业新质生产力影响的研究——来自中国A股上市企业的经验证据[J]. 当代经济管理, 2024, 46(6):1-11.

[7]
刘志彪, 凌永辉, 孙瑞东. 新质生产力下产业发展方向与战略——以江苏为例[J]. 南京社会科学, 2023(11):59-66.

[8]
武文杰, 董正斌, 张文忠, 等. 中国城市空间关联网络结构的时空演变[J]. 地理学报, 2011, 66(4):435-445.

[9]
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.

DOI

[10]
冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构特征及其形成机制[J]. 地理学报, 2020, 75(11):2380-2395.

DOI

[11]
张明斗, 李学思. 黄河流域市域大气污染治理效率的空间关联网络及其驱动因素[J]. 经济地理, 2023, 43(8):62-72.

DOI

[12]
Su Y, Yu Y. Spatial interaction network structure and its influence on new energy enterprise technological innovation capability:Evidence from China[J]. Journal of Renewable and Sustainable Energy, 2019, 11(2):025902.

[13]
吴康, 方创琳, 赵渺希. 中国城市网络的空间组织及其复杂性结构特征[J]. 地理研究, 2015, 34(4):711-728.

DOI

[14]
Fu N. Innovation efficiency and the spatial correlation network characteristics of intelligent-Manufacturing enterprises[J]. Complexity, 2021(1):4299045.

[15]
陈明星, 陆大道, 张华. 中国城市化水平的综合测度及其动力因子分析[J]. 地理学报, 2009, 64(4):387-398.

[16]
高帆. “新质生产力”的提出逻辑、多维内涵及时代意义[J]. 政治经济学评论, 2023, 14(6):127-145.

[17]
吴伟平, 王振军. 劳动力配置效率的城市层级特征及空间收敛演进[J]. 经济地理, 2023, 43(1):72-83.

DOI

[18]
李政, 廖晓东. 发展“新质生产力”的理论、历史和现实“三重”逻辑[J]. 政治经济学评论, 2023, 14(6):146-159.

[19]
洪银兴. 新质生产力及其培育和发展[J]. 经济学动态, 2024(1):3-11.

[20]
钟业喜, 冯兴华, 文玉钊. 长江经济带经济网络结构演变及其驱动机制研究[J]. 地理科学, 2016, 36(1): 10-19.

DOI

[21]
易靖韬, 蒙双, 蔡菲莹. 外部R&D、技术距离、市场距离与企业创新绩效[J]. 中国软科学, 2017(4):141-151.

[22]
李敬, 陈澍, 万广华, 等. 中国区域经济增长的空间关联及其解释——基于网络分析方法[J]. 经济研究, 2014, 49(11):4-16.

[23]
陈子归, 苏乐言, 吴客形, 等. 珠三角地区家具产业链空间聚类识别及空间熵分解[J]. 经济地理, 2024, 44(4):131-141.

DOI

[24]
White H C, Boorman S A, Breiger R L. Social structure from multiple networks. I. Blockmodels of roles and positions[J]. American Journal of Sociology, 1976, 81(4):730-780.

[25]
Breiger R L, Boorman S A, Arabie P. An algorithm for clustering relational data with applications to social network analysis and comparison with multidimensional scaling[J]. Journal of Mathematical Psychology, 1975, 12(3):328-383.

[26]
李松霞, 吴福象. 我国新质生产力发展潜力及驱动因素[J]. 技术经济与管理研究, 2024(3):7-12.

Options
Outlines

/

〈 〉