EN中文

Economic geography >

2020 , Vol. 40 >Issue 7: 65 - 72

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.07.008

Spatial and Temporal Differentiation of Urban Economic Influence in Prefecture-Level Cities of Shaanxi Province (2008-2017)

  • ZHANG Xiaoyu , 1 ,
  • YUN Xuefeng , 1, 2, 3, ※ ,
  • MA Chaoqun 1, 2 ,
  • WEI Xindong 1, 2
Expand
  • 1. School of Land Engineering，Chang'an University，Xi'an 710054，Shaanxi，China
  • 2. School of Earth Science and Resources Chang'an University，Xi'an 710054，Shaanxi，China
  • 3. Institute of Geographical Sciences and Natural Resources Research，Chinese Academy of Sciences，Beijing 100101，China

Received date: 2019-08-28

  Revised date: 2020-05-10

  Online published: 2025-04-01

Fold

Abstract

The urban economy is of great significance to the positioning and development of cities. With the development of cities，the differences in economic influence among cities gradually emerge，and their spatial and temporal distribution characteristics and driving mechanisms are explored in order to provide a basis for urban planning positioning and policy formulation. Based on the spatial and temporal differentiation of prefecture-level city economy in Shaanxi Province，this paper uses principal component analysis to calculate and analyze the economic influence of Shaanxi Province from 2008 to 2017. The research shows that: 1） The economic influence of each city in Shaanxi Province has increased year by year，the growth rate of each city is different，and the overall stability，local changes; 2） Nature，capital and policy jointly drive the change of the urban economy，and the score of urban economic influence is significant Positive correlation; 3） During 2008-2017，Shaanxi's urban economic influence hot spots and cold spots showed obvious spatial heterogeneity. Cold spots were mainly distributed in southern Shaanxi，with Xi'an ranking first in hot spots with 7.285，Followed by Yulin (2.337); 4） The trend surface of 2008 and 2017 showed an inverted U-shaped trend in the east and west，south and north directions，highlighting the influence of Xi'an as the economic center of Shaanxi Province.

Key words： urban economic impact; spatial panel data; principal component analysis; Shaanxi Province

Cite this article

ZHANG Xiaoyu , YUN Xuefeng , MA Chaoqun , WEI Xindong . Spatial and Temporal Differentiation of Urban Economic Influence in Prefecture-Level Cities of Shaanxi Province (2008-2017)[J]. Economic geography, 2020 , 40(7) : 65 -72 . DOI: 10.15957/j.cnki.jjdl.2020.07.008

2018年中共中央国务院《关于建立更加有效的区域协调发展新机制的意见》中指出，要建立区域战略统筹机制，其中第一条便是推动国家重大区域战略融合发展，意见中所提及的“一带一路”建设、西部开发、关中平原城市群发展等重大区域发展战略中，陕西省至关重要。陕西省地处西北内陆腹地，位于中国地理版图的中心区，横跨黄河和长江两大流域中部，在西北地区及关中平原城市群的发展中具有承东启西、联接南北的独特优势。陕西省经济社会的发展有利于引领和支撑西北地区开发开放，推进西部地区高质量发展，纵深推进“一带一路”建设。
城市形成的商业圈或经济带，拉动其周边地区的发展，从而推动国家经济的增长[1]。城市经济在城市发展、社会进步乃至国家综合实力提升方面都发挥着重要的作用，近年来学者们对城市经济影响力、区域经济影响力的研究逐渐涌现[2]，主要研究城市规模的空间集聚、中心城市的影响范围[5-6]，或研究各公共基础设施[7⇓-9]、政府宏观政策[10]对城市经济发展的影响，对城市经济影响力本身所做研究较少；在地区上学者们多关注于京津冀、长江经济带、粤港澳大湾区等城市群经济带，探索沿海经济发达城市在区域城市体系中的作用及影响力[3⇓-5]，而对内陆城市经济的关注不足。且对城市经济影响力、辐射力测度的研究主要利用截面数据横向对比[11]，这类数据数据量少、信息涵盖度低，难以反映城市经济在时间序列上的变化，分析结果往往不能全面反映客观事实。而空间面板数据具有空间相关性，可同时反映时间和空间两个维度，可弥补截面数据的不足，实现地区时空分异的研究。在长时间序列背景下，研究城市之间的经济影响力，对于充分发挥城市潜力、推进城市发展、完善城市规划、统筹协调城市间关系具有重要的现实意义[12]。陕西各地级市除西安市为新一线城市、咸阳市为三线城市外，其他多为四线、五线城市。省内城市等级分布差异较大，缺失二线城市，末端城市数量多。可见陕西省除去西安市外，其余城市竞争力均较弱。
因此，量化城市影响力对于了解城市实力，把控城市定位有着重要的参考价值。本文以陕西省10个地市级城市为研究对象，利用2008—2017年空间面板数据，通过构建城市经济影响力测度指标进行测算，分析城市经济影响力的时空变化，以期系统掌握陕西地市级城市经济影响力规模及城市之间的空间异质性，预判城市发展的潜力及变化趋势。

1 研究区概况及研究方法

1.1 研究区概况与数据来源

陕西省东邻山西、河南，西连宁夏、甘肃，南抵四川、重庆、湖北，北接内蒙，横跨黄河和长江两大流域中部，介于105°29′E~111°15′E，31°42′N~39°35′N之间。陕西地势南北高、中间低，地形类型复杂，包含高原、山地、平原和盆地等多种地形，并且形成了三大自然区：海拔900~1 900 m的陕北黄土高原区，约占全省土地面积的40%；海拔460~850 m关中平原区，约占24%；海拔1 000~3 000 m陕南秦巴山区，约占36%[13]。
矢量数据利用中国科学院资源环境科学数据中心（地理空间数据云）提供的中国1:25万基础地理数据库。指标数据采用2008—2017年各地级市社会经济数据，该数据来源于《陕西统计年鉴》以及统计机构发布的官方数据和统计公报。

1.2 研究方法

为定量分析城市经济影响力，以构建指标体系的方法对经济影响力进行评价。综合指标评价涉及多个指标变量，各统计变量反映不同信息，且指标间具有一定的相关性，容易导致分析过程复杂化，而主成分分析法利用降维的思想对数据进行线性转化，将相互联系的多个指标转化为少量的综合性、概括性指标，并保证各主成分之间互不干扰[14]，故本文选用主成分分析法对数据进行处理，求取各市10年的城市经济影响力。对测度结果进行热点分析和趋势面分析，探讨城市经济影响力的时空分布特征及其变化规律。

1.2.1 主成分分析

主成分分析通过提取主成分实现降维，经过提取的每个主成分都是原始变量的线性组合，并能反映原始变量的绝大部分信息，信息不重叠无冗余。采用该种方法可将反映城市经济影响力的各项指标总结归纳为几个主成分。主成分分析方法的适用条件：Bartlett's球型检验的统计量数值较大，且相伴概率值小于显著性水平。KMO检验方面：KMO<0.5，不适合；KMO≥0.9，非常适合；0.8≤KMO<0.9，很适合；0.7≤KMO<0.8，适合；0.6≤KMO<0.7，不太适合；0.5≤KMO<0.6，勉强适合[15-16]。
依据经济影响力的表现形式，根据指标的完备性、针对性及实际数据可获得性，参考相关学者构建的指标[3,15,17-18]，从经济实力、科技创新及其输出、对外开放水平、产业结构、交通状况等5个方面，人均GDP、地方财政收入、社会消费品零售总额、居民消费价格指数（CPI）、城市居民家庭人均可支配收入、年末住户存款余额、专利申请授权数、关区出口总额、年度旅客发送量、第三产业增加值、工业增加值、年度货物运输量等12个因子。

1.2.2 热点分析

为研究城市经济影响力空间格局热点演化差异，通过ArcGIS将主成分计算所得，根据指数高低，结合自然断点法分为5类：高值区、次高值区、中值区、次低值区和低值区，其中高值区、次高值区属于热点区，次低值区和低值区属于冷点区。热点是由高值对象的地理次序或地理位置造成的，一般来说，高值对象在局部空间内频繁聚集出现可形成热点区域。热点分析是识别具有统计显著性的高值（热点）和低值（冷点）的空间聚类。对于分布热点的分析，包含空间总体分析、空间年际变化、空间年内变化等内容[19-20]。

1.2.3 趋势分析

ArcGIS“趋势分析”提供数据的三维透视图，采样点的位置绘制在X、Y平面上，在每个采样点的上方，数据值由Z维中的杆的高度给定。其功能是数据将会以散点图的形式投影到X、Y平面和Y、Z平面上，根据投影平面上的散点图拟合多项式，可以直观地反映所选变量在空间上的总体变化趋势。自主选择合适的透视角度，准确判定趋势特征。同样的采样数据，透视角度不同，反映的趋势信息也不同。如果经过投影点的曲线是平的，则不存在趋势，如果多项式曲线具有确切的模式，表明数据中存在某种趋势。本文以地级市为采样点绘制在X、Y平面，将城市经济影响力作为Z值，研究区域范围内城市经济影响力发展趋势[19]。

2 结果分析

2.1 主成分分析

通过对2008—2017年陕西省各城市经济影响力主成分进行KMO检验，发现各地城市影响力均介于0.8~0.9之间。Bartlett's球型检验值均高于181，且sig.<0.05，表明适合主成分分析。本文构建10×12的数据矩阵，对陕西省十个市的城市经济影响力进行综合测度和评价。经过标准化处理，利用R软件确定公因子个数。依据模型相关系数矩阵的特征根以及主成分累计方差贡献率（表1），第一、第二主成分累计贡献率已达90.701%，因此，计算得到的前两个主成分可代替本文所涉及的全部因子。
表1 因子解释原有变量总方差

Tab.1 Factor explains the total variance of the original variables

成分 初始特征值
总计 方差百分比（%） 累积贡献率（%）
1 9.533 79.445 79.445
2 1.351 11.257 90.701
3 0.672 5.598 96.299
4 0.192 1.602 97.902
5 0.165 1.376 99.277
6 0.069 0.579 99.856
7 0.015 0.128 99.984
8 0.001 0.009 99.993
9 0.001 0.007 100.000
10 3.467E-16 2.889E-15 100.000
11 1.086E-16 9.051E-16 100.000
12 -1.439E-16 -1.199E-15 100.000
依据因子载荷矩阵（表2），第一主成分与城市居民家庭人均可支配收入、人民币存款余额的相关性较大，可将第一主成分认定为经济实力。第二主成分与年度旅客发送量相关性显著，因而将对外开放水平作为第二主成分。
表2 因子载荷矩阵

Tab.2 Factor load matrix

因子 成分矩阵
成分1 成分2
人均GDP 0.951 0.041
地方财政收入 0.942 0.257
社会消费品零售总额 0.986 -0.133
居民消费价格指数 -0.617 0.030
城市居民家庭人均可支配收入 0.997 -0.038
人民币存款余额 0.995 -0.054
专利授权量 0.915 -0.198
关区出口总额 0.898 -0.300
年度旅客发送量 -0.042 0.978
第三产业增加值 0.991 -0.088
工业总增加值 0.952 0.237
年度货物运输量 0.933 0.335
结合第一主成分和第二主成分各自的方差贡献率，可得评估经济影响力的综合得分，计算见式（1）。
F = 79.4 % · F 1 + 1.13 % · F 2 = 0.760 x 1 + 0.777 x 2 + 0.768 x 3 - 0.487 x 4 + 0.787 x 5 + 0.784 x 6 + 0.704 x 7 + 0.679 x 8 + 0.077 x 9 + 0.777 x 10 + 0.783 x 11 + 0.779 x 12
应用评价指标和主成分分析法，计算2008—2017年陕西省各城市经济影响力主成分综合得分（表3）。
表3 2008—2017年城市经济影响力综合得分

Tab.3 Comprehensive score of urban economic influence in 2008-2017

西安 宝鸡 咸阳 渭南 铜川 汉中 安康 商洛 延安 榆林
2008 7.46 1.65 1.61 0.82 0.26 0.15 0.24 0.00 2.03 1.93
2009 7.41 1.50 1.66 0.76 0.16 0.10 0.07 -0.15 1.56 1.87
2010 7.30 1.53 1.48 0.83 0.41 0.19 0.21 0.06 1.56 1.97
2011 7.08 1.45 1.50 0.86 0.29 0.22 0.16 0.08 1.53 2.15
2012 7.10 1.78 1.60 0.72 0.17 0.22 0.09 0.06 1.50 2.25
2013 7.31 1.61 1.49 0.94 0.07 0.37 0.22 0.07 1.48 2.10
2014 7.23 1.28 1.34 0.67 0.04 0.00 0.28 -0.19 1.26 2.22
2015 7.51 1.83 1.89 1.25 0.27 -0.08 -0.15 0.09 1.07 2.93
2016 7.47 1.50 1.90 1.32 0.36 0.10 0.21 -0.11 0.94 2.88
2017 6.98 1.87 1.46 1.35 0.37 0.16 -0.08 -0.07 1.17 3.07
年均值 7.285 1.600 1.593 0.952 0.240 0.143 0.125 -0.016 1.410 2.337

注：正值表示城市经济影响力高于省域平均水平，负值代表低于全省平均水平。

2.1.1 结果分析

城市经济影响力综合得分数据显示，2008—2017年城市经济影响力得分最高者均为西安市，年均值达7.285，远高于其余9市，在2010年得分7.30，是商洛市0.06的121.7倍；榆林市年均值为2.337；宝鸡市、咸阳市、延安市年均值在1.5左右；铜川市、渭南市、汉中市、安康市得分均低于1，商洛市年均值为负值。按区域划分，将年均值分为五个梯队，第一梯队≥3，2≤第二梯队<3，1≤第三梯队<2，0≤第四梯队<1，第五梯队<0。关中地区西安市位居第一梯队，其余四市位于第三、四阶梯；陕北地区两市位于第二、三梯队；陕南地区城市位于第四、五梯队。区域间经济呈现关中最优、陕北次之、陕南最末的状态，
从各年极差变化情况（图1）可得，2008—2017年城市经济影响力得分极差均值为7.33，两个极差峰值分别是2009和2015年，说明在经济低迷及经济位于新常态转型期，各城市之间发展状态不一，并且从各市每年的得分可知，相对于西安市而言，其他各城市在处理经济转型时均出现了不同程度的滞后性；2015年后，区域间经济影响力差距呈现降低的趋势，2017年已低于平均极差水平。由此看出，2015年以来虽然西安市仍位于第一位，但各城市经济得分呈现缩小趋势，城市发展呈现多元化。
图1 极差波动折线图

Fig.1 Range analysis fluctuation line chart

2.1.2 差异成因分析

总体结果表明，陕西省内部两极分化严重，省内各城市经济发展存在不平衡性。大量研究结果表明，城市经济往往受到自然资源、资本要素、产业结构、技术要素、政策因素等因素的多重机制驱动[22-23]。由于各城市经济所受影响因素众多，本文在三大区域的基础上分析其差异成因。

2.1.2.1 自然禀赋差异

关中地区具有良好的自然环境和地理位置。地势平坦，土壤肥沃，河水流经，农业灌溉便利，有利于农业的发展。以西安为首的第三产业的发展，尤其是各类服务业的兴起，为关中的经济注入活力，因此关中平原城市群具有较好的发展基础，城市经济多位于第二、第三梯队。
陕北地区处于我国黄土高原向内蒙荒漠草原过渡的边缘地带，自然条件较差。降水量较少，地形千沟万壑，水土流失严重，造成陕北可利用农业资源条件较少。但其煤炭储量丰富，占全省的85%以上，带来的收益较为显著。经济上主要依靠畜牧业和石油、天然气、煤炭资源的开发利用。陕北得益于其能源产业，以榆林市为例，其经济发展离不开煤炭资源，并成功实现能源转型，经济实力成为仅次于西安市的第二中心。
陕南地区北边倚靠秦岭、南边倚靠巴山，汉江也自西向东流过。降水量大、气候温和湿润、水资源和金属矿物丰富，以农业发展为主，工业基础薄弱，仅仅依靠农业发展难以带动经济快速发展，地区自然资源禀赋差异明显，城市经济基本处于劣势，汉中、安康、商洛市城市经济体量不大（图2、图3）。
图2 陕西高程图

Fig.2 Shaanxi elevation map

图3 年降水分布图

Fig.3 Annual precipitation map

2.1.2.2 资本投入差异

区域经济增长过程中需要借助资本来对产业结构进行调整，各区域资本投入存在一定差异，局部地区会引发产业发展缓慢、创新力度不足、技术研发困难等问题。全社会固定资产投资总额为区域经济投入的体现，相关性分析表明城市经济影响力与全社会固定资产投资总额呈现正相关，且显著性水平较高，进一步说明资本的投入程度对城市经济影响力的变化驱动作用显著（表4）。
表4 全社会固定资产投资总额及专利申请授权量与城市经济影响力相关性分析

Tab.4 Correlation analysis of total fixed asset investment and patent application authorization and urban economic influence

城市 皮尔逊相关性
全社会固定资产投资
总额与城市经济影响力		 专利申请授权量与
城市经济影响力
西安市 0.958** 0.783**
铜川市 0.985** 0.880**
宝鸡市 0.935** 0.920**
咸阳市 0.945** 0.895**
渭南市 0.987** 0.903**
汉中市 0.968** 0.924**
安康市 0.939** 0.896**
商洛市 0.969** 0.813**
延安市 0.966** 0.668*
榆林市 0.734* 0.901**

注：“*”代表在10%的水平上显著，“**”表示在5%的水平上显著。

对各市全社会固定资产投资总额占比与城市经济影响力进行对比分析（图4），城市经济变化与资本投入程度差异呈现一致性。在关中城市群中，铜川市资本投入度远低于其它城市，一定程度上影响其经济实力。陕北地区投入程度较陕南高，在充分利用资产投资及自然资源禀赋的基础上，充分发挥其优势，使其经济水平与关中地区除西安外的城市不相上下。陕南区投入力度小，经济发展明显不足。
图4 全社会固定资产投资额占比与经济影响力对比图

Fig.4 Comparison of the proportion of fixed assets investment and economic influence in the whole society

2.1.2.3 政策倾斜作用

截至2018年底，陕西技术合同交易额1 125.26亿元，位居全国第四，同比增长21.97%。共有27项主持和参与完成的科技成果获得国家科学技术奖励，居全国第5位，占全国三大奖授奖总数的12.05%。专利申请授权量逐年递增，2016年达到近十年最高的48 455件，西安市占比78%。相关性分析表明城市经济影响力与专利申请授权量呈现正相关，相关政策影响导致的科学技术投入程度对城市经济影响力的变化驱动作用显著（表4）。
各市专利情况年均占比与城市经济影响力在空间上区域间落差大（图5），关中5市位居前五，陕北大于陕南。西安市在专利方面以74.73%位居第一位，表明政策对西安市发展的绝对性优势，从一方面解释为何西安在全省经济中领先。除去西安市，其余各市在专利方面均处于低迷状态，断崖式下降明显，进一步表明为何西安市经济影响力得分数据远高于其余9市。
图5 各市专利情况年均占比与城市经济影响力对比图

Fig.5 Comparison of annual average ratio of patents in cities and urban economic influence

2.2 热点空间格局分析

2008—2017年陕西省经济影响力热点空间总体格局分布明显（图6），关中、陕北区热点区较多，陕南冷点区明显，区域差异大。在年度变化中，西安市、榆林市、渭南市呈现稳定的趋势，尤其是西安市始终处于经济发展的高速状态中，具体特征为：2008年热点区5个，冷点区4个；至2012年，热点区未发生变化，冷点区个数未发生变化，仅有安康市由低值区转变为次低值区，2008—2012年城市经济影响力的分布格局在年度变化中基本保持稳定；至2015年，热点区4个，延安市经济发展呈现下降趋势，脱离热点区，冷点区数量未变，汉中市经济“降级”为低值区；至2017年，热点区减至2个，冷点区为4个，省内两极分化明显。
图6 热点演化情况

Fig.6 Hot spot evolution

综上，2008—2017年陕西省城市经济影响力热点区和冷点区呈现出明显的空间性，冷点区主要分布在陕南，热点区稳定在西安、榆林两部分。

2.3 趋势分析

2008、2017年城市经济影响力得分数据适度性检验结果见表5和表6，R2检验计算结果显示，二次趋势面的判定系数为0.609，三次趋势面的判定系数为0.668，二次、三次趋势面回归模型的显著性都较高。根据F检验，在置信水平α=0.05下，二次趋势面的回归方程显著。因而，利用二次趋势面进行拟合更为合理。
表5 2008年城市经济影响力趋势面拟合模型摘要和参数估算值

Tab.5 Urban economic impact trend surface fitting model summary and parameter estimation in 2008

方程 模型摘要 参数估算值
R2 F 自由度1 自由度2 显著性 常量 b1 b2 b3
线性 0.177 1.718 1 8 0.226 3.295 -0.306
对数 0.403 5.393 1 8 0.049 4.491 -1.904
二次 0.609 5.450 2 7 0.037 7.449 -2.382 0.189
三次 0.668 4.027 3 6 0.069 9.928 -4.582 0.666 -0.029
表6 2017年城市经济影响力趋势面拟合模型摘要和参数估算值

Tab.6 Urban economic impact trend surface fitting model summary and parameter estimation in 2017

方程 模型摘要 参数估算值
R2 F 自由度1 自由度2 显著性 常量 b1 b2 b3
线性 0.150 1.407 1 8 0.270 3.127 -0.270
对数 0.362 4.540 1 8 0.066 4.261 -1.733
二次 0.642 6.285 2 7 0.027 7.384 -2.399 0.194
三次 0.650 3.709 3 6 0.081 8.225 -3.144 0.355 -0.010
利用ArcGIS中全局趋势面分析，采用二阶趋势面函数拟合，从全局层面拟合城市经济影响力得分与地理位置的函数关系。
趋势面分析结果如图7所示，X表示东西方向，Y表示南北方向，Z值代表城市经济影响力得分高低。2008与2017年趋势面分布表明，10年间城市经济得分在省域分布上无显著变化，在东西、南北两个方位均呈现倒U型趋势，即从区域的中心到各个边界逐渐减弱，最大值出现在区域的中心，最小值在边界，凸显出西安市作为陕西省经济中心的影响力。
图7 趋势分布

Fig.7 Trend surface distribution

结合陕西省地形，在东西方向上主要体现位于中轴线的关中地区的趋势分布，该区两端低中部高，呈现明显的倒U型趋势，即由于西安市地处关中地区中部，其经济影响力的绝对优势使得中部高值明显，位于两端的宝鸡市优于渭南市，故关中地区总体经济影响力西部高于东部区；南北方向在2008年呈现倒U型分布趋势（图7a），其中关中>陕北>陕南，以西安市为主导的关中地区有明显的优势，陕北能源基地较以农业为主的陕南地区经济发展势头较好。经过10年城市发展（图7b），陕北地区尤其是榆林市经济的发展逐渐成为第二个中心，而在转型期的陕南地区，其经济发展仍处于劣势地位。趋势分析表明，区域层面上城市经济发展实力关中地区最高，陕北次之，陕南位居第三，这与陕西省各市实际发展现状相符。

3 结论与讨论

本文通过运用主成分分析、趋势分析等方法，对2008—2017年陕西省各城市经济影响力的时空格局进行了分析，得到以下结论：
①城市经济实力、对外开放水平两个因素是陕西省城市经济影响力变化的主要驱动因素。2008—2017年陕西省各市经济影响力随时间推移逐年提升，10个市增长速度不一，呈现空间格局总体稳定，局部变动，总体来说关中>陕北>陕南。
②自然、资本和政策与城市经济影响力变化呈正相关关系。关中地区经济发展的态势得益于良好的自然环境与地理位置，以及政府资本的投入及相关政策的倾斜；陕南地区经济处于劣势与其区域经济发展缺少主导力量有较大关系，工业资源薄弱，仅依靠农业资源无法承载经济高速发展，且政府对其投入力度较弱；陕北在充分利用其煤炭资源的基础上，第一产业发展经济占比大，政府对城市转化定型较为关注，经济总体呈现向上的趋势。
③西安市始终处于经济发展的高速状态，铜川市在关中地区明显落后于其他城市。西安与各城市的关联度不够尤其是对同处关中地区的渭南市、铜川市的经济辐射力略显不足；各城市经济得分差距呈现缩小趋势，但西安市仍位于第一位，并且远高于第二位城市，依据近10年城市经济影响力得分，发展潜力排名依次为西安市、榆林市、宝鸡市和咸阳市。热点区和冷点区呈现出明显的空间分异性，冷点区主要分布在陕南，热点区稳定在西安、榆林两部分。
④2008与2017年趋势面总体呈现倒U型趋势，东西方向上两端低中部高，体现关中地区西安经济影响力的绝对优势，且位于两端的宝鸡市优于渭南市，故关中地区总体经济影响力西部高于东部区；南北方向总体呈现关中>陕北>陕南，以西安市为主导的关中地区有明显的优势，陕北能源基地尤其是榆林市对陕北经济的带动作用明显，以农业为主的陕南地区经济发展略显不足，这与陕西省各市实际发展现状相符。
本文以陕西省10个地市为例测度城市经济影响力水平，运用热点分析、趋势分析对经济的空间性展开讨论，分析其分布规律。但在测算指标的选取、权重的确定等方面，由于各城市发展具有地域性，研究所涉及的各项指标等参数的设置对结果会产生一定的影响。另外城市经济受时代背景、政策制度等大环境影响较大，但由于市场、政府等宏观调控产生的经济影响尚未找到可量化的方法，因此测算会有一定的误差，诸如此类的问题需要进一步深入研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
周一星, 张莉. 改革开放条件下的中国城市经济区[J]. 地理学报, 2003, 58(2):271-284.

[2]
陆大道, 刘毅, 樊杰. 我国区域政策实施效果与区域发展的基本态势[J]. 地理学报, 1999(6):496-508.

DOI

[3]
方大春, 孙明月. 长江经济带核心城市影响力研究[J]. 经济地理, 2015, 35(1):76-81.

[4]
赵正, 王佳昊, 冯骥. 京津冀城市群核心城市的空间联系及影响测度[J]. 经济地理, 2017, 37(6):60-66,75.

[5]
刘涛, 曹广忠. 城市规模的空间聚散与中心城市影响力——基于中国637个城市空间自相关的实证[J]. 地理研究, 2012, 31(7):1 317-1 327.

[6]
冯德显, 贾晶, 巧旭宁. 区域性中心城市辐射力及其评价——以郑州市为例[J]. 地理科学, 2006(3):266-272.

[7]
刘敏. 高速公路建设对河南省城镇化结构演变的影响研究[D]. 郑州: 河南农业大学, 2016.

[8]
Muhammad Aamir Basheer, Luuk Boelens, Rob van der Bijl. Bus rapid transit system:a study of sustainable land-use transformation,urban density and economic impacts[J]. Sustainability, 2020, 12(8):3 376-3 398.

[9]
Chunyang Wang, Weidong Meng, Xinshuo Hou. The impact of high-speed rails on urban economy:An investigation using night lighting data of Chinese cities[J]. Research in Transportation Economics, 2020, 80:1-13.

[10]
胡华杰. 中国城市经济发展中的政府功效研究[D]. 上海: 上海社会科学院, 2018.

[11]
周正柱, 王俊龙. 我国省域城镇化动力因素空间差异——基于面板数据的空间计量分析[J]. 科技与经济, 2018, 31(6):16-20.

[12]
龙拥军, 杨庆媛. 重庆城市经济空间影响力研究[J]. 经济地理, 2012, 32(5):71-76.

[13]
陕西省统计局. 陕西统计年鉴[M]. 北京: 中国统计出版社, 2008—2017.

[14]
张新红, 张志斌. 广东省中心城市发展潜力分析与省域城镇空间发展[J]. 亚热带资源与环境学报, 2007(1):68-75.

[15]
黄玲, 沈洁, 杨鹏辉. 上海市对长三角经济圈经济辐射力的计量分析[J]. 高师理科学刊, 2016. 36(8):12-17.

[16]
赵娴, 林楠. 中国国家中心城市经济辐射力分析与评价[J]. 经济与管理研究, 2013(12):106-113.

[17]
汪锁田, 王亚平. 西部省会城市影响力的实证分析[J]. 科技经济市场, 2007(5):62-63.

[18]
刘彦平. 城市影响力及其测度——基于200个中国城市的实证考察[J]. 城市与环境研究, 2017(1):25-41.

[19]
林木森, 王道飘, 刘博源, 等. 基于自发式地理信息的武汉市城市热点空间分析[J]. 华中师范大学学报:自然科学版, 2019, 53(1):147-153.

[20]
段滔, 刘耀林. 基于移动趋势面分析法的城市基准地价评估研究[J]. 武汉大学学报:信息科学版, 2004(6):529-532.

[21]
汤国安, 杨昕, 等. ArcGIS地理信息系统空间分析实验教程[M]. 北京: 科学出版社, 2012.

[22]
许陆军. 关于区域经济增长差异及影响因素的具体分析[J]. 纳税, 2019, 13(20):222.

[23]
吴爱芝, 杨开忠, 李国平. 中国区域经济差异变动的研究综述[J]. 经济地理, 2011, 31(5):705-711.

Options
Outlines

/

〈 〉