EN中文

Economic geography >

2025 , Vol. 45 >Issue 12: 124 - 136

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.12.013

Spatiotemporal Evolution and Influencing Factors of Intercity Real Estate Investment Flows in the Yangtze River Delta Based on Equity Investment

  • DAI Liang , 1, 2, 3 ,
  • DING Zijun 1, 4 ,
  • ZHENG Huibin 1 ,
  • WANG Song , 5, ※
Expand
  • 1. School of Public Administration， Nanjing University of Finance and Economics， Nanjing 210023，Jiangsu， China
  • 2. Center for Zhejiang Urban Governance Studies， Hangzhou 311121，Zhejiang， China
  • 3. Department of Architecture， University of Cambridge， Cambridge CB21PX， United Kingdom
  • 4. Department of Geography， Ghent University， Ghent 9000， Belgium
  • 5. School of Business Administration， Northeastern University， Shenyang 110167，Liaoning， China

Received date: 2024-03-19

  Revised date: 2024-09-10

  Online published: 2026-02-04

Fold

Abstract

The intercity investment of real estate enterprises drives the flows of regional capital, information, talents, and technology, and promotes the dynamic reconstruction of the real estate market, thus becoming an important aspect for the coordinated development of real estate market and regional integration. Based on the equity investment data of real estate enterprises, this study constructed directed networks of intercity real estate investment in the Yangtze River Delta network for four periods from 2003 to 2022. After the analysis of network structures from the perspectives of micro nodes, meso communities, and macro topologies, temporal exponential random graph models were built to explore the influencing factors underlying intercity real estate investment in the Yangtze River Delta through the lens of urban attribute, intercity proximity, and structural endogeneity. The results show that: 1) The intercity real estate investment networks in the Yangtze River Delta present a distinct core-periphery structure, with Shanghai-Nanjing-Hangzhou-Heifei-Ningbo Z-shaped corridor becoming increasingly apparent. The scale of real estate capital flows in Shanghai has always ranked the first, forming a monocentric radial community with Suzhou, Nantong, and Yancheng, which together with provincial communities of Jiangsu, Zhejiang, and Anhui constitutes four major communities in the region. 2) The investment scale and radiation scope of intercity real estate in the Yangtze River Delta are gradually expanding. The disassortativity increased first and then decreases, and the reciprocity continues to strengthen. The weakening of vertical investment and the mutual feedback of two-way investment promote the development of the investment network towards a polycentric and balanced structure, while the deepening of intercity interaction and dependence promote the development of the investment network towards a clustering structure. The network evolution is generally stable but changing to some extent. 3) Intercity real estate investment and its evolution in the Yangtze River Delta are driven by both endogenous and exogenous forces. The degree of urbanization, localization and globalization has differential effects on investing cities and attracting cities. The endogenous structural dependence and time dependence effects of the network are important driving forces, including mutuality, activity, transitivity, stability, and variability.

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

Cite this article

DAI Liang , DING Zijun , ZHENG Huibin , WANG Song . Spatiotemporal Evolution and Influencing Factors of Intercity Real Estate Investment Flows in the Yangtze River Delta Based on Equity Investment[J]. Economic geography, 2025 , 45(12) : 124 -136 . DOI: 10.15957/j.cnki.jjdl.2025.12.013

作为涉及面广、产业链长的生产性服务业，房地产业的健康运行对经济高质量发展和人民幸福感提升至关重要。长期以来，资源要素分布的不均衡带来了房地产市场的区域分异明显且城市间差距有扩大的趋势，受到政府和学界的广泛关注。目前，学者们多采用存量指标和属性数据，刻画房价、地价、租金、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[1-3]。随着空间计量的发展，学者们愈发认识到房地产经济存在较强的空间依赖性，且并非相互独立。例如，周小平等基于中国35个大中城市2010—2017年的住宅地价与房价数据，运用面板空间杜宾模型实证发现，住宅地价房价不仅受到本地的土地供应、房地产开发规模和人均可支配收入影响，还受到邻近城市的这些因素影响[4]；陈艳如等对2009—2018年中国337个地级行政单元房价和收入的研究也发现，城市房价和收入类型存在较强的空间依赖性，在分析城市房价收入比空间分异的同时，也需要关注其空间关联模式[5]。相较于传统空间属性思维的“因城施策”，空间依赖思维深化了人们对房地产市场之间“城际联动”的认知。
然而，这类研究未能进一步量化在这种空间依赖下，城市吸引到了多少外部资源以及这种借用规模对本地房地产市场会产生怎样的影响。随着交通设施和通信技术对时空的压缩，城市的人口、资本、信息、技术等越来越突破地理和行政的约束，在更广的范围内流动，形成多元的或垂直传递或水平交互的要素流，逐渐重构着区域的空间结构与等级体系。一方面，近些年以城市为节点、以城际要素流为边的空间网络思维渐渐引入到房地产的相关研究中。例如，Zhang等通过百度搜索指数构建了中国城市之间的房价关注度网络，揭示了房地产公共关注度和潜在需求在赛博空间的互动格局[6]；王磊等利用中国银联提供的房地产业刷卡数据，建立了长江中游城市间的房地产消费流网络，并分析跨城房地产消费的影响因素，为深化供给侧结构性改革、促进要素流动与区域融合提供了参考[7]；纪宇凡等基于链锁网络模型，将房地产企业在各城市的机构布局转化为城市间房地产企业流网络，探讨中国城市房地产资本服务能力的空间分异及其关联效应[8]。由此可见，房地产市场各种要素的跨城互动越来越得到学者们的重视，区域房地产市场的研究遵循着从空间属性思维向空间依赖思维再向空间网络思维的转化。然而，由于要素流数据的难获取性，导致学者们往往仅运用引力模型来模拟表征城际房地产要素互动，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更是不多见。因此，本文聚焦长三角城际房地产投资流，从空间网络视角分析跨城投资的空间格局演化及其潜在动力因素，对优化区域房地产行业布局与协调区域房地产市场发展具有重要意义。
另一方面，相较于人口迁徙[9]、货运交通[10]的“物质流”和百度指数[11]、媒介信息[12]的“虚拟流”视角下的城市网络研究，企业作为人才、资本、信息等要素的重要载体，跨区投资行为更为深入地嵌入到多元化的社会网络[13]，以企业跨区域投资关联进行城市网络研究更能真实地反映城市竞争力和发展潜力[14]。因此，城际企业投资网络成为区域经济学和城市地理学研究的热点议题。目前，相关文献多利用企业全行业的投资数据在全球[15]、全国[16]和区域（城市群）[17]尺度上构建城市网络，但基于全行业企业的城际投资流分析可能会掩盖具体行业的细节特征[18]，所以利用房地产企业投资联系进行城际产业网络异质性研究具有现实意义。与此同时，虽然社会网络和复杂网络方法的引入为相关研究提供了强有力的可视化和分析工具，但投资网络的研究更侧重于结构的统计性描述，且网络结构分析往往与影响因素设定较为割裂。例如，在网络分析时大多数学者都关注到了其拓扑结构，但在驱动力分析时却很少将网络内生的拓扑动力纳入考量，而是仅聚焦于外生的节点—关系效应和城际邻近效应等。近些年，城市网络学者们发现网络的整体结构是微观构型大量涌现和反复作用的结果。例如，Broekel等通过指数随机图模型（Exponential Random Graph Model，ERGM），发现德国区域间专利合作网络受三元组闭包（triadic closure）的影响强于其他外生因素[19]；盛科荣等采用EGRM模型发现偏好依附效应、互惠效应和闭合机制深刻影响着中国城际电子信息企业网络[20]。然而，针对静态截面网络的ERGM难以刻画不同时段网络之间的动态关联，对于时间依赖效应的遗漏可能会产生结论偏误。因此，对影响城际投资流因素的考察亟需从双边投资的静态视角转向整体网络的动态视角，全面探寻网络演化背后的内外生动力。
在此背景下，本文利用2003—2022年房地产企业的城际股权投资数据构建有向加权的长三角城际房地产投资网络，从微观节点、中观组团和宏观拓扑角度进行网络结构的特征事实分析；在此基础上，进而从城市属性、城际邻近性、结构内生性角度设定内外生动力变量，并引入动态指数随机图模型（Temporal Exponential Random Graph Model，TERGM）对驱动因素进行针对性检验与揭示。以期为城市投资网络的研究提供新思路，并为长三角城际房地产市场协调发展提供政策参考。

1 研究方法与数据来源

1.1 长三角城际房地产投资流的网络构建

2003年被称为“长三角元年”，确定了以江浙沪16个城市为主体的长三角经济核心区；2005年《长江三角洲地区现代化公路水路交通规划纲要》的出台，打破了体制界限，标志着长三角一体化制度建设的开始；2010年国务院正式批准《长江三角洲地区区域规划》，从经济、政治、文化、社会和生态五大维度推进长三角一体化建设；2019年中共中央、国务院印发《长江三角洲区域一体化发展规划纲要》，正式将长三角一体化发展上升为国家战略[21]。本文重点关注长三角一体化进程以来城际房地产投资流的演化格局，且2022年的企业投资数据和城市统计数据是可获取的最新且全面的数据，所以以2003—2022年为研究时段，以当前江浙沪皖全域的41个城市为研究对象。
长三角房地产企业数量超过65万家，考虑到研究的可行性与数据的可获取性，需要筛选出具有一定发展规模的房地产企业作为代表性样本。参考李哲睿等[18]在长三角企业股权网络中选择企业样本的标准，首先从企查查网站（https://www.qcc.com/web/search/advance）中通过“高级搜索”筛选出符合3个条件的房地产企业：①成立时间在1980年1月1日至2022年12月31日之间；②经营所在地为长三角范围内的安徽省、江苏省、浙江省和上海市；③参保人数在50人及以上且经营状态正常（存续、在业、迁入、迁出）。共筛选出4083家企业。然后，通过爬虫技术和人工验证，在企查查网站的对外投资和股东信息栏目中收集4083家房地产企业的对外投资和受到投资的数据，共识别出27306条投资记录。每条数据主要记录了投资企业名称、被投资企业名称、企业所属省份、企业所属城市、企业所属行业、股权投资金额、投资日期等基本信息。最后，通过Python对数据进行清洗处理，设定2003—2022年为投资年限、长三角41个城市为地域范围、房地产业为行业归属进行数据提取，剔除城市内部的房地产企业投资行为、投资金额异常值和重复的投资联系。同时，将外币单位的投资额按投资年份以当年平均汇率换算成人民币，最终得到长三角城际房地产企业之间的有效投资数据2186条，以41个城市为节点，将房地产企业之间的跨城股权投资额加总得到城际房地产投资流（图1）。
图1 长三角城际房地产投资网络构建逻辑框架

Fig.1 Schematic diagram of intercity real estate investment network construction in the Yangtze River Delta

图2展示了2003—2022年长三角城际房企投资总额及其年增长率的变化情况。从中发现，长三角城际房企投资额从2003年的2.79亿元扩大到2022年的428.75亿元，年均增长率为31.96%。虽然跨城投资规模保持上升趋势，但年增长率呈现阶段性起伏，大致可划分为4个时期：2003—2007年的持续增长期、2008—2012年的高位波动期、2013—2017年的收缩回归期和2018—2022年的稳定发展期。因此，构建出2003—2007、2008—2012、2013—2017和2018—2022年4个连续时间断面上长三角城际房地产投资的有向加权网络。
图2 长三角城际房地产投资总额及其年增长率变化特征

Fig.2 Changes of total investment and annual growth rate of intercity real estate investment in the Yangtze River Delta

1.2 网络的分析与模拟方法

本文引入社会网络和复杂网络测度对长三角城际房地产投资网络进行统计性分析。就节点层级而言，计算城市节点的总投资额、总引资额和中心性。前两者是某城市投资到其他城市的房地产投资额之和以及城市吸引到其他城市的房地产投资额之和，而中心性则是城市的总投资额与总引资额之和。这是从微观层面解析城市在投资网络中的地位，并区分流量的方向，与演化机制中的节点—关系效应相对应。就城际组团而言，基于城际房地产投资流强度，借助R语言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投资流[22]。这是从中观层面解析投资网络的集聚模式与区域格局，与演化动力中的关系协变量效应相对应。就网络拓扑而言，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、QAP相关性指标，具体定义和计算公式参见王姣娥、戴靓等的研究[23-24]。这是从宏观层面量化网络的整体结构特征，该整体结构是微观构型自组织自演化的结果，因而与演化动力中的结构依赖效应和时间依赖效应相对应。
基于网络分析，本文引入Hanneke等提出的动态指数随机图模型（TERGM）[25]对长三角城际房地产投资网络的演化过程进行仿真模拟。相较于以网络中的边相互独立为基础的传统计量模型，网络计量模型TERGM基于边之间相互依赖的本质，在考虑结构依赖效应的基础上，比ERGM多加入了时间依赖效应[26]，并能同时纳入节点—关系效应（城市属性）和关系协变量效应（城际邻近性），因而成为探讨网络演化机制的理想模型[24]。TERGM将当前t时刻的网络Nt视为t-k到t-1时间步长网络Nt-k，…，Nt-1的函数，其概率函数表达式如下：
$\begin{array}{l}   P({N}^{t}\left|{N}^{t-k}\right.,\dots \dots,{N}^{t-1},\theta )\\ =\frac{exp\left[\theta \cdot h\left({N}^{t},{N}^{t-1},\dots \dots,{N}^{t-k}\right)\right]}{c(\theta,{N}^{t-k},\dots \dots,{N}^{t-1})}\end{array}$
式中：P（·）表示观测到的长三角城际房地产投资网络的实现概率；Nt是第t时刻的投资网络；Nt-k、Nt-1是第t时刻之前k期到前1期的投资网络；h（·）是模型统计量；θ是对应于统计量的参数；c（θ，Nt-k，…，Nt-1）是确保联合概率取值在0~1的标准化常数。

2 长三角城际房地产投资流的时空演化分析

图3展示了2003—2022年长三角地区城际房地产投资网络的结构图，图中连线的粗细与城际房地产投资或引资规模成正比，节点大小与城市房地产投资和引资总量成正比，节点的颜色区分组团归属。整体来看，长三角城际房地产投资流的区域范围不断拓展且互惠性逐渐增强。然而，不均衡的资金流动促使投资网络在空间形态上发育出层次分明的“核心—边缘”结构，内部不断调整的组团则呈现出以省内互动为主导、由均质松散到上海单核拉动再到省会多中心远程互动的发展趋势。
图3 长三角城际房地产投资网络演化

Fig.3 Evolutionary maps of intercity real estate investment networks in the Yangtze River Delta

表1列出了长三角城际房产投资网络中心性、投资额和引资额排名前十的城市。从节点层级来看，上海、杭州、南京、苏州、合肥的中心性和投资额在2003—2022年稳居前十，节点等级与城市经济发展水平相一致；投资额和引资额反映了城市集散资金的能力及其在网络中的地位与角色；出度与入度存在非对称性，但逐渐弱化，投资城市数量少于引资城市，以省会等高能级城市为主的少量投资节点驱动着长三角全域的房地产资本市场流通。具体而言，上海是长三角对外的链接枢纽，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对内辐射的“两个扇面”作用[27]。上海的中心性始终居于首位，凭借强劲的资本控制能力，2008—2012年投资额达117.60亿元，是第二位合肥（23.09亿元）的5倍多，占全域的55.11%。由此可见，上海的单核引领地位在一体化制度建设前期突出。省会城市因制度优势与省内城市关联紧密，辐射范围随区域一体化建设逐步扩大，进而带动更多边缘城市加入由整体骨架和支撑轴带构成的房地产资本市场，也因此在未来吸引到大量投资回馈，从投资型城市向资本集散均衡的网络型城市发展。
表1 2003—2022年长三角城际房地产投资网络排名前十的城市

Tab.1 City rankings of intercity real estate investment networks in the Yangtze River Delta

排名 2003—2007年 2008—2012年 2013—2017年 2018—2022年
中心性 投资额 引资额 中心性 投资额 引资额 中心性 投资额 引资额 中心性 投资额 引资额
1 上海 上海 苏州 上海 上海 湖州 上海 上海 上海 上海 上海 杭州
2 杭州 杭州 无锡 苏州 合肥 苏州 杭州 杭州 苏州 杭州 杭州 苏州
3 苏州 南京 镇江 湖州 南京 无锡 苏州 南京 南通 南京 南京 南京
4 无锡 绍兴 宁波 合肥 杭州 徐州 南京 合肥 南京 苏州 宁波 温州
5 宁波 宁波 杭州 南京 苏州 上海 合肥 苏州 无锡 合肥 合肥 南通
6 南京 合肥 徐州 无锡 淮南 杭州 宁波 宁波 宁波 宁波 泰州 合肥
7 绍兴 苏州 上海 杭州 常州 合肥 南通 芜湖 杭州 温州 常州 无锡
8 镇江 常州 六安 徐州 宁波 淮安 无锡 六安 常州 南通 苏州 上海
9 合肥 铜陵 金华 淮南 泰州 南京 常州 泰州 合肥 常州 嘉兴 嘉兴
10 徐州 淮南 绍兴 常州 芜湖 绍兴 亳州 淮南 亳州 嘉兴 镇江 宁波
从组团格局来看，受省界效应与行政隶属的影响，城际房地产资本流动清晰地呈现出与行政区划高度耦合的、以省会为核心并以省内投资为主导的集聚模式（图3）。具体来看，杭州、合肥和南京是省内轴辐式格局的主要投资辐射源，省会“桥头堡”的中介作用也加速延展出省内城市，形成与省外城市直接对接的跨省投资链，江浙皖组团成员时有调整但总体归属稳定。初期上海的投资腹地遍及苏北、苏中和苏南城市，对浙北空间邻近的嘉兴和湖州的单向资本支配超过杭州。随着时间推移，相较于浙江和安徽，上海与江苏的投资关联更为紧密，也因此对南京的本地溢出效应产生更为强烈的削弱与替代作用；而苏州和南通则因地理邻近的区位优势受到上海的强辐射影响，盐城跨越行政边界与上海产生双向投资联系。到2022年，4个城市凝聚为等级鲜明的单核放射状投资组团，与浙江、安徽、江苏3个省界社群并列为四大组团。沪宁杭合甬Z型廊道的支撑结构愈发显现，这些高能级城市有机地连接4个组团成为资金汇集的核心区，扩散带动着边缘城市并强化着投资联系的深度，使得长三角一体化发展呈现出广域化态势。
由表2可知，长三角城际房产投资网络中参与网络的城市与投资流规模均逐年增多。具体来说，由2003—2007年23个城市间的39条有向投资流，上升到2018—2022年全域41个城市的271条，平均合作伙伴数量（平均度）增长5倍，平均投资规模（平均加权度）更是增加了40多倍；网络密度也相应从0.024升至0.165，反映了城际房地产资本流动愈发密切，交互关系越来越多元化，但不足20%的实际联结边数也体现出长三角城际投资网络的相对稀疏，有待进一步提升。对比同期长三角城市协同创新网络密度的0.306[24]，房地产市场一体化的发育程度相对滞后。网络的度中心势逐年攀升，出度中心势与之保持相同态势且显著大于入度中心势，进一步说明了房地产投资流呈现出从整体低水平小规模的均衡离散状态向以省会城市为核心、周边城市参与的放射状格局转变。网络度相关性为负表现为异配性，说明城际房地产投资具有择优链接的偏好，促使网络在全局上形成“核心—边缘”的结构。然而，异配性先增后减，互惠性不断强化，说明垂直投资的弱化和双向互馈的增强，推动着投资网络向多中心均衡化方向发展。此外，长三角房地产投资流也并非随机形成的，而是诸多微观机制的反复作用所致。网络的平均路径长度从2003—2007年的2.735逐年降至2018—2022年的1.678，与此同时全局聚集系数相应从0.210上升至0.460，网络连通性和凝聚力的提升符合“小世界”的基本特征，可见长三角一体化进程以来网络韧性的提质增效明显。QAP相关性分析的结果发现，当期网络与其前一期网络具有最强的结构相似性，说明城际房地产投资存在路径依赖，但不足70%的相关性也表明投资联系具有稳中有变和路径创造的演化趋势。
表2 2003—2022年长三角城际房地产投资网络的统计特征

Tab.2 Statistical properties of intercity real estate investment networks in the Yangtze River Delta

指标 2003—2007 2008—2012 2013—2017 2018—2022
节点数（个） 23 40 41 41
边数（条） 39 96 152 271
网络密度 0.024 0.059 0.093 0.165
平均度 1.024 2.341 3.707 6.610
平均加权度 0.988 5.335 14.734 42.274
度中心势 0.236 0.438 0.507 0.641
出度中心势 0.230 0.427 0.494 0.625
入度中心势 0.102 0.094 0.110 0.266
互惠性 0.077 0.103 0.169 0.284
度相关性 -0.273 -0.483 -0.311 -0.253
平均路径长度 2.735 2.479 2.026 1.678
全局集聚系数 0.210 0.227 0.368 0.460
QAP相关性 / 0.470 0.586 0.651

3 长三角城际房地产投资流的影响因素分析

3.1 影响因素的变量设定

基于上述长三角城际房地产投资在微观节点、中观组团和宏观拓扑层面的演化特征，将网络的结构分析与仿真模拟相结合，分别从城市属性、城际邻近性、结构内生性（结构依赖和时间依赖）的外生和内生双重视角，具体设定长三角城际房地产投资流的影响因素，并引入动态指数随机图模型（TERGM）对其进行检验和揭示（图4）。
图4 长三角城际房地产投资流分析框架

Fig.4 Analytical framework of intercity real estate investment flows in the Yangtze River Delta

就节点特征而言，城市的节点属性影响城际投资关系的选择，聚集经济是投资区位选择的重要因素[28]。该因素主要分为源于行业规模的地方化经济和源于城市规模的城市化经济，分别选取房地产从业人员数（Hemp）和城市就业人员数（Uemp）进行表征[29]。上海作为国内国际双循环的枢纽，链接长三角地区融入全球尺度的投资网络，全球与地方的良性互动会影响区域内城际投资路径的演化[30]，因而选取当年实际使用的外资额（FDI）来探讨城市在国内区域投资网络中的位置与吸引外资能力之间的关联[31]。在有向网络中，存在发送者效应和接收者效应，即相同属性因素对投资城市和引资城市的影响可能存在异质性，需要通过nodeocov和nodeicov统计量在TERGM中加以区分。这些指标涉及的城市属性数据均来源于对应年份的江苏省、浙江省、安徽省和上海市统计年鉴以及各城市统计公报。
就组团特征而言，城际多维邻近关系的强度影响城市的组团归属，以省内投资联系为主导的组团布局是对省界效应下组织邻近的响应，围绕省会中心对周边城市垂直投资的轴辐构型可能是城际地理邻近与制度邻近综合作用的结果。首先，将江浙沪皖的省份类型设为1~4的数值变量；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，其余城市为0，则组织邻近（是否属于同一省份，pro）和制度邻近（是否同为高能级城市，adm）可通过nodematch趋同性统计量纳入TERGM。然后，利用R语言的“geosphere package”，根据城市经纬度得到两两城市间的地理距离以测度地理邻近（geo），作为网络协变量通过edgecov统计量纳入TERGM。
就拓扑特征而言，局部子图或微观构型（Local configuration）是网络关系自组织的体现。社会网络和复杂网络学者认为，诸多微规则的反复作用与叠加促使网络全局结构（Global structure）的形成与演化[32]。基于网络理论和随机图模型，微观构型经过有效识别和参数化可作为内生结构变量加入网络演化的仿真模拟[33]。投资网络中的互惠效应反映投资主体间存在通过“回报”反馈形成交互关系的倾向[34]，多截面网络时序演化的互惠性度量需要区分当期互惠（mutual）和延迟互惠（delrecip）。高数值的度中心势、异配性和集聚系数与投资网络中放射状星形构型与连通状三角形构型并存的复杂结构特征相符，可能是偏好依附（Preferential attachment）和三元闭合（Triadic closure）两种典型结构依赖效应所导致的。在有向网络中，偏好依附可细化为几何加权出度分布（gwodegree）和几何加权入度分布（gwidegree）以衡量城市投资流的扩张性和引资流的聚敛性[35]。该统计量本身可理解为逆择优依附，为避免逻辑转换，模型中对其取相反数，使得正系数表示存在偏好依附。三元闭合需区分传递闭合性（ttriple）和循环闭合性（ctriple）以考察社群内投资流的传递性与循环性[36]。时间依赖效应是网络格局在不同时刻保持稳定或产生变化的内在驱动力，构建表征路径依赖的稳定性（stability）和路径创造的变异性（variability）变量，可对QAP结果所显示的长三角投资流稳中有变的特征进行检验[37]。另外，边效应（edges）代表城市间开展投资的基准倾向，相当于线性回归中的截距项，是用于控制网络规模的基础变量[38]。表3归纳了影响长三角城际房地产投资的所有内外生解释变量，最终构建的TERGM公式如下：
$\begin{array}{l}P\left({N}^{t}\right)~1/cexp\left[{\theta }_{0}edges\right.+{\theta }_{1}nodeocov\left(Hemp\right)+\\ {\theta }_{2}nodeocov\left(Uemp\right)+{\theta }_{3}nodeocov\left(FDI\right)+\\ {\theta }_{4}nodeicov\left(Hemp\right)+{\theta }_{5}nodeicov\left(Uemp\right)+\\ {\theta }_{6}nodeicov\left(FDI\right)+{\theta }_{7}nodematch\left(pro\right)+\\ {\theta }_{8}nodematch\left(adm\right)+{\theta }_{9}edgecov\left(geo\right)+\\ {\theta }_{10}mutual+{\theta }_{11}delrecip+{\theta }_{12}gwodegree+\\ {\theta }_{13}gwidegree+{\theta }_{14}ttriple+{\theta }_{15}ctriple+\\ {\theta }_{16}stability+\left.{\theta }_{17}variability\right]\end{array}$
式中：将外生的城市属性变量和城际多维邻近性变量作为控制变量，重点考察内生变量的驱动机制。Nt表示t时刻的长三角城际房地产投资网络；P（Nt）表示仿真模拟网络实现实际观测网络的概率；θ0~θ17对应各统计量的拟合参数；1/c为归一化常数，以确保网络的形成概率在0~1间。为保证结果的精确度和稳定性，采用马尔可夫蒙特卡罗极大似然法（MCMC MLE）进行参数估计，通过模拟、估计、诊断、比较、改进等步骤以达到模型的收敛，TERGM的运行可在R语言的btergm程序包中通过mtergm实现。
表3 动态指数随机图模型的统计量

Tab.3 Statistics of temporal exponential random graph models

网络特征 统计量 局部构型 变量解释
基础项 边 edges 产生跨城投资的基准倾向，类似于常数项
节点特征 发送者效应 nodeocov（Hemp）
nodeocov（Uemp）
nodeocov（FDI）		 地方化、城市化、全球化程度影响城市投资的支配力
接收者效应 nodeicov（Hemp）
nodeicov（Uemp）
nodeocov（FDI）		 地方化、城市化、全球化程度影响城市投资的吸引力
组团特征 趋同性 nodematch（pro）
nodematch（adm）		 组织、制度与地理邻近影响城际投资的交互强度
协网络 edgecov（geo）
拓扑特征 当期互惠性 mutual 单向投资在本期获得回馈互惠的倾向
延迟互惠性 delrecip 单向投资在下期获得回馈互惠的倾向
扩张性 gwodegree 城市投资流呈星形分布的倾向
聚敛性 gwidegree 城市引资流呈星形分布的倾向
传递性 ttriple 三个城市间形成等级传递式资本流动关系的倾向
循环性 ctriple 三个城市间形成扁平循环式资本流动关系的倾向
稳定性 stability 两城市间投资关系保持不变的倾向
变异性 variability 两城市间投资关系从无到有的倾向

3.2 投资网络的仿真模拟

3.2.1 TERGM的模拟结果

对2003—2022年长三角城际房地产投资网络进行TERGM模拟，采用逐步添加变量的方式，重点解析内生因素的影响并探讨其对外生因素的弥补或替代效应，模型收敛时的参数估计见表4。其中，模型1包括基础项边效应和外生的城市节点属性、城际关系属性作为控制变量，以此为基准模型来探究网络演化的外生动力；模型2~模型6在模型1的基础上，逐个加入内生结构变量以揭示内生动力。对比模型整体的拟合优度，纳入全部内外生动力因子的模型6具有最小的AIC和BIC值和最大的Log Likelihood，精度最佳，由此可见长三角城际房地产投资流受到内生和外生动力的共同驱动。
表4 动态指数随机图模型的拟合结果

Tab.4 Estimation results of temporal exponential random graph models

类型 统计量 模型1 模型2 模型3 模型4 模型5 模型6
基础项 edges -23.459*** -23.534*** -23.271*** -21.413*** -17.961*** -15.408***
城市节点属性 nodeocov（Hemp） 0.210* 0.203* 0.144 0.118 0.086 0.048
nodeocov（Uemp） 0.630*** 0.629*** 0.608*** 0.601*** 0.494*** 0.492***
nodeocov（FDI） 0.352*** 0.323*** 0.321*** 0.303*** 0.291** 0.260**
nodeicov（Hemp） 1.370*** 1.369*** 1.312*** 1.169*** 0.912*** 0.778***
nodeicov（Uemp） 0.378* 0.322* 0.217 0.157 0.057 0.012
nodeicov（FDI） 0.397*** 0.369*** 0.368*** 0.269*** 0.215** 0.172*
城际关系属性 nodematch（pro） 2.276*** 2.271*** 2.251*** 2.236*** 2.126*** 1.928***
nodematch（adm） -0.297* -0.342* -0.376** -0.415** -0.601*** -0.552**
edgecov（geo） -0.631*** -0.704*** -0.748*** -0.768*** -0.768*** -0.773***
内生结构属性 mutual 1.980*** 1.051*** 1.017*** 0.974*** 0.882***
delrecip 1.857*** 1.789*** 1.385*** 1.225***
gwodegree 1.731* 2.589** 2.349**
gwidegree -2.073*** -1.668*** -1.732***
ttriple 0.136*** 0.121***
ctriple -0.164* -0.135*
stability 0.644***
variability -1.293***

注：***表示p<0.001，**表示p<0.01，*表示p<0.05；为节省版面，标准误数值不显示。

就外生动力而言，独立考察外生动力的模型1和综合考察内外生动力的模型2~模型6均验证了长三角房地产投资网络关系受到行动者属性与情境因素的社会过程影响。城市节点属性中，地方化和城市化经济的聚集程度均能促进城际房地产资本流动，但对投资城市和引资城市的影响确实存在差异。具体而言，城市发展规模（Uemp）的发送者效应正向显著，而接收者效应不具统计显著性；房产行业规模（Hemp）则相反，接收者效应正向显著而不具显著的发送者效应。这可能是由于城市化水平凝聚了城市行政等级的制度优势和经济规模的要素禀赋（如政策支持、市场准入和市场规模等），对城市资本控制力的影响更强。城市整体规模的提升为经济发展提供充足的劳动力，增强市场活力度，并促进产生正向的外部效应[39]，为跨区域的投资活动创造了有利条件。Uemp显著的发送者效应模型结果也与实际网络中反映出资本输出的核心节点侧重于高能级城市的特征相吻合。相对而言，地方化水平是专业能力等产业氛围的综合体现，一定程度上决定着企业的投资区位选择。能否将本地化的区位比较优势转化为企业特有资产价值，一直是企业对跨区域投资目的地选择的重要考量标准[40]。房地产行业规模凭借高聚集度的产业市场环境和高比例的专业产业配套服务，更有利于提高城市对资金的吸引力。此外，具有黏附性的地方投资网络也会对全球投资网络作出响应，促成企业开展城际投资活动[30]，与表征城市全球化参与度的外资吸引水平（FDI）兼具向内引资和对外投资的正向促进作用相一致。城际属性中，组织邻近、制度邻近与地理邻近对城际投资的影响均显著。其中，组织邻近（pro）所代表的省界效应作用最强，以模型1为例，同省的投资概率是跨省的exp（2.276）=9.738倍。地理距离（geo）的系数为负且显著，说明城际投资大概率以空间邻近的城市为首选，两种动力的检验结果符合以省内投资联系为主的组团演化特征。组织和地理的邻近可增强企业间的沟通交流、降低投资成本和风险，因而有效促进城际房地产投资。制度邻近（adm）呈显著的负向影响，表明长三角地区的城际投资行为更倾向于高能级城市与边缘城市间的跨级投资，核心边缘的层级结构得到印证。随着内生动力变量的加入，通过系数变化可直观看出外生动力变量的边际效用呈现减弱的趋势，说明内生性因素对城市资源禀赋的劣势与城际多维邻近的差距具有弥补作用，可在一定程度上削弱城际投资对外生性因素的依赖，是网络演化中不可忽视的自组织动力。
就内生动力而言，基准项（edges）的系数始终显著为负，说明城际房地产投资关系的建立与维持需要付出成本，网络演化并非随机过程。模型2和模型3在外生基准模型的基础上逐步添加了当期互惠性变量（mutual）和延迟互惠性（delrecip）变量，系数均显著为正。在其他内生性变量加入后，当期互惠效应的边际效益与显著性逐渐弱化而延迟互惠效应稳定，说明目前全域互惠协同的均衡关系有待优化，因城际单向投资行为延期衍生的投资流双向回馈是网络非对称结构逐渐弱化的内驱力。模型4中扩张性变量（gwodegree）和聚敛性（gwidegree）变量的系数分别为1.731和-2.073且显著，空间辐射效应的影响程度强于其他结构依赖效应，择优依附机制驱动对外投资流呈现放射状的星形结构，而对内引资流的聚敛性弱，尚未形成聚集收敛的马太效应，呈现广域分布的离散态势，符合出度中心势远大于入度中心势的拓扑结构特征。模型5中加入了传递性变量（ttriple）和循环性变量（ctriple），前者系数为0.136正向显著而后者系数为-0.164且不显著，两种高阶结构产生的三方效应相对较弱，长三角城际投资的集群化格局依赖三元传递闭合构型的增加与维持，与组团内特定的等级式投资传递路径相吻合，更为协调均衡的循环闭合结构的不足说明组团间还未能通过传递效应形成更为密切的投资交互，区域房地产市场的垂直体系仍较为明显。模型6纳入全部内外生变量，新增的稳定性（stability）变量和变异性（variability）变量均通过1%的显著性检验，系数分别为0.644和-1.293，正向显著的稳定性意味着已有投资依赖关系具有随时间保持路径锁定的趋势，负向显著的变异性则说明投资网络的动态演化与时间有抑制性的交互作用存在已有路径消失的倾向[34]。结合逐年增加但不足70%的QAP相关性，佐证了长三角城际房地产投资主要依赖原有路径，但也受到区域一体化重构的影响，呈现出稳中有变的特性。

3.2.2 稳健性检验

采用4种方法对TERGM的拟合结果进行稳健性检验。第一种为拟合优度（GOF）检验，对包含全部变量且拟合指标最佳的模型6的估计参数进行1000次仿真模拟，将得到的模拟网络与观测网络的关键特征共享边伙伴数、二元共享伙伴数、测地线距离、度数、三元组普查进行差异比较（图5a~图5e）。黑色实线是真实观测网络的统计结果，灰度箱型图区域是模拟网络的统计结果，5个箱图的中点均接近实际特征值点，说明模型拟合效果好[41]。图5f左侧的ROC曲线绘制了真阳性预测率与假阳性预测率的比率，曲线越靠近左上角，说明仿真网络对真实网络结构特征的拟合度越高[42]。
图5 动态指数随机图模型的拟合优度

Fig.5 Goodness-of-fit plots of temporal exponential random graph models

另外3种检验方法为通过改变参数估计方法、重新选取窗口期和更换外生变量的方式运行TERGM仿真模拟，具体为：①将模型6采用的MCMC MLE估计方法替换为伪极大似然估计法（MPLE），得到模型7；②将模型6采用的5年窗口期汇总城际房地产投资流替换为3年窗口期2003—2005、2006—2008、2009—2011、2012—2014、2015—2017、2018—2020和2020—2022年的网络面板数据，得到模型8；③将模型6的部分外生变量替换为用城市房地产企业数（firm）、城市户籍人口数（pop）和城市外商投资企业数（FIE）来表征城市地方化、城市化、全球化水平，得到模型9。两类企业数量均来自企查查网站，户籍人口数来源于城市统计年鉴与统计公报。表5以模型6为基准参照，汇总了模型7、模型8和模型9的拟合结果。对比来看，内外生动力变量的估计系数在符号及其显著性上与基准模型总体保持一致，未发生本质性变化，由此验证TERGM对于长三角城际房地产投资运行机制的解释是稳健可靠的。
表5 拟合结果的稳健性检验

Tab.5 Robustness tests of estimation results

模型6~8统计量 模型6 模型7 模型8 模型9统计量 模型9
（基准参照） （MPLE估计） （3年窗口） （变量替换）
edges -15.408*** -16.794# -13.552*** edges -11.070***
nodeocov（Hemp） 0.048 0.038# 0.043 nodeocov（firm） 0.037
nodeocov（Uemp） 0.492*** 0.316# 0.515*** nodeocov（POP） 0.338**
nodeocov（FDI） 0.260** 0.329# 0.272** nodeocov（FIE） 0.242***
nodeicov（Hemp） 0.778*** 0.847# 0.808*** nodeicov（firm） 0.652***
nodeicov（Uemp） 0.012 0.021# 0.04 nodeicov（POP） 0.031
nodeicov（FDI） 0.172* 0.210# 0.267** nodeicov（FIE） 0.229**
nodematch（pro） 1.928*** 1.940# 1.853*** nodematch（pro） 1.436***
nodematch（adm） -0.552** -0.447# -0.611* nodematch（adm） -0.633***
edgecov（geo） -0.773*** -0.681# -0.587*** edgecov（geo） -0.793***
mutual 0.882*** 0.758# 0.810*** mutual 0.886***
delrecip 0.974*** 0.878# 0.966*** delrecip 0.901***
gwodegree 2.349** 2.235# 1.201** gwodegree 2.871**
gwidegree -1.732*** -1.532# -1.753*** gwidegree -1.858***
ttriple 0.121*** 0.277# 0.132*** ttriple 0.128***
ctriple -0.135* -0.249# -0.161* ctriple -0.187**
stability 0.644*** 0.582# 0.576*** stability 0.793***
variability -1.293*** -1.164# -1.172*** variability -1.592***

注：***表示p<0.001，**表示p<0.01，*表示p<0.05；#表示0不在置信区间。

4 结论与讨论

4.1 结论

本文基于企查查网站公布的房地产企业股权投资数据，构建2003—2022年4个连续时间断面的长三角城际房地产投资有向网络，从节点特征、组团特征和拓扑特征角度，分析了区域城际房地产投资流的时空演化；在此基础上，根据网络统计性描述的特征事实设定内外生解释变量，并利用动态指数随机图模型对演化动力进行了检验和揭示。主要结论如下：
①长三角城际房地产投资流具有层级鲜明的“核心—边缘”结构，沪宁杭合甬Z型廊道的支撑作用愈发显现。投资流存在非对称性，以省会等高能级城市为主的少量投资节点驱动房地产资本市场向全域扩展。内部不断调整的组团呈现出以省内投资为主导、由均质松散到上海单核拉动再到省会多中心远程交互的演变趋势。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，削弱了南京的本地溢出效应，其与苏州、南通、盐城形成了单核放射状组团，与江浙皖3个省界社群并列为四大组团。
②长三角城际房地产投资流的辐射范围与规模逐年扩大，网络结构不断优化，投资路径稳中有变。其中，网络密度和互惠性不断强化、异配性先增后减，垂直投资的弱化和双向投资的互惠推动着网络向多中心均衡化方向发展；平均路径长度逐年下降，而全局集聚系数逐年上升；网络的连通性和凝聚力不断强化，呈现出复杂的“小世界”特征；投资主体的交互关系和依赖程度深化推动整体结构朝向社群化发展；投资关系主要受到前一期路径的影响，整体格局在区域一体化的重构下发生渐进式变化。
③长三角城际房地产投资流的动态演化由内生和外生动力双重驱动，内生因素对外生因素具有替代作用。其中，代表城市化水平的城市发展规模具有发送者效应，代表地方化水平的房产行业规模具有接收者效应，表征城市全球化参与度的外资吸引水平兼具向内引资和对外投资的正向促进作用；城际关系中的组织邻近作用最强，制度邻近与地理邻近维持着省内投资为主的集群；网络内生的结构依赖和时间依赖是网络演化的核心动力，具体包括当期互惠性、延迟互惠性、扩张性、传递性、稳定性和变异性。

4.2 讨论

根据上述研究结论，本文得到以下政策启示。
①提升资本跨区域流动的可达性和自由度，汇聚产业资源强化城市房产专业化水平。城际资源要素在空间的合理配置是实现长三角区域内房地产市场一体化建设的关键。一方面应强化沪宁杭合甬核心区与外围边缘城市的互动合作，发挥高能级城市的正向溢出效应；另一方面要从区域整体视角出发，培育多中心投资聚集区，倾斜支持具有发展潜力和中介联通功能的城市，以辐射带动周边城市协同发展。此外，行业优势是受投资青睐形成互动关系的底层逻辑，地方政府要前瞻性出台房地产行业的相关政策，包括但不限于人才引进的激励措施、创新技术平台的建设及基础设施的配套完善，以营造优质的产业发展环境吸引资本汇聚。
②明确城市在投资网络中的角色地位与比较优势，推动城市双向多尺度互惠投资。长三角一体化制度建设开启了三省一市的区域合作机制，城市竞争力的提升不仅依赖本地资源禀赋的改善，更需注重流要素集散交互创造的网络地位优势。鼓励上海等对外枢纽城市利用国内国际市场路径，为长三角链接和配置国内外资源创造有利条件；着力推进上海自贸试验区联动创新区建设，借助高水平开放平台，因势利导地鼓励长三角地区企业进一步开拓国际新市场，拓展企业的融资渠道；同时，发挥互惠效应的传导机制，增强双边投资信任，建立长效合作机制，凭借优质多元的合作伙伴关系，实现城市网络关联结构的持续优化。
③优化长三角城际房企资本流动的市场环境，探索跨区域多元化治理的协调机制。行政界线造成市场分割对企业的跨区合作有明显的限制作用，要继续破除资本流通的行政壁垒，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。目前，长三角城际投资联系仍较稀疏，既要重视和完善区域性房地产企业股权市场的沟通管理机制，设立长三角城际资本市场服务基地，以推进投资市场全域化发展；又要发挥路径依赖的先发优势，对产业布局和转移趋势进行合理规划，借助资源集聚惯性和城际邻近优势设立产业园区，发挥聚集平台共建共享的规模效应，推动区域内资源优化配置，以缩小城际房地产投资差距。
相比于既有文献，本文的边际贡献在于基于房企间真实的股权投资数据，从流动空间的视角解析了长三角房地产市场区域分异；同时将网络分析的特征与仿真模拟的变量一一对应，从内外生综合视角揭示了投资网络的影响因素。此外，本研究也存在一些不足，如TERGM虽然可以较好地考察网络中关系之间的相互依赖，但无法完全避免可能存在的内生性问题，目前只能通过模型是否收敛判别影响因素的选择是否合理，未来需进一步发展能够解决因果关系的网络计量模型。同时，本研究重点关注区域内的投资流，对于区域外部的影响通过实际使用外资额来考察，使得房地产企业的股权投资对房地产业网络的代表性仍有待考量，今后可拓展分析区域外的投资流，以探讨投资流的多尺度性、复杂性与耦合性。此外，本研究将房地产企业间股权投资关系汇总映射到城市空间上，这不可避免地存在一定微观信息的损失，使得影响因素的考察很难纳入企业层面的投资收益、风险评估、机会成本、资本控制等因素，未来可直接构建以房地产企业为节点的投资网络，从微观视角探讨股权投资的驱动因素，抑或是采用企业访谈和案例调研等方法，将定性分析与定量模拟相结合，深入揭示投资主体行为对城际投资活动的影响。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
宋伟轩, 陈艳如, 孙洁, 等. 长三角一体化区域城市房价空间分异的模式与效应[J]. 地理学报, 2020, 75(10):2109-2125.

[2]
宋伟轩, 曹辉, 涂唐奇, 等. 南京主城区优质教育资源导向的学区绅士化研究[J]. 地理学报, 2023, 78(4):792-810.

DOI

[3]
尹上岗, 杨山, 陈艳如, 等. 长三角房价收入比时空演变格局及收敛性研究[J]. 地理研究, 2020, 39(11):2521-2536.

DOI

[4]
周小平, 秦振扬, 赵松, 等. 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[J]. 中国土地科学, 2019, 33(1):40-48.

[5]
陈艳如, 谷跃, 宋伟轩. 中国城市房价、收入与房价收入比的时空分异格局[J]. 地理研究, 2021, 40(9):2442-2458.

DOI

[6]
Zhang Z, Wang Z. Cyberspace-based urban networks:Visualising and exploring China’s intercity interaction from a new perspective[J]. Environment and Planning A:Economy and Space, 2022, 54(3):454-460.

DOI

[7]
王磊, 李安琪, 杨文毅, 等. 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[J]. 湖北社会科学, 2019(12):46-55.

[8]
纪宇凡, 戴靓, 丁子军, 等. 中国城市房地产企业网络的结构特征[J]. 资源开发与市场, 2022, 38(2):156-162.

[9]
魏冶, 修春亮, 刘志敏, 等. 春运人口流动透视的转型期中国城市网络结构[J]. 地理科学, 2016, 36(11):1654-1660.

DOI

[10]
宓泽锋, 曾刚. 不同尺度下长江经济带物流联系格局、特征及影响因素研究[J]. 地理科学, 2018, 38(7):1079-1088.

DOI

[11]
戴俊骋, 谢帆, 那鲲鹏. 基于百度指数的大运河沿线城市信息流网络特征研究[J]. 城市发展研究, 2022, 29(8):7-13.

[12]
龚言浩, 甄峰, 席广亮, 等. 基于微信公众号文章的城市关注度等级与联系网络研究[J]. 现代城市研究, 2019(4):69-75,131.

[13]
Taylor M, Asheim B. The concept of the firm in economic geography[J]. Economic Geography, 2001, 77(4):315-328.

[14]
秦娅风, 郭建科, 董梦如, 等. 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[J]. 地域研究与开发, 2021, 40(6):19-24.

[15]
徐宁, 李仙德. 上海上市公司对外投资网络演变及其影响因素研究[J]. 地理科学进展, 2020, 39(4):553-566.

DOI

[16]
汪传江. 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[J]. 工业技术经济, 2019, 38(2):87-96.

DOI

[17]
李聪, 卢明华, 张金哲, 等. 京津冀城市群产业投资网络演变及影响因素研究[J]. 人文地理, 2022, 37(5):162-170.

[18]
李哲睿, 甄峰, 傅行行. 基于企业股权关联的城市网络研究:以长三角地区为例[J]. 地理科学, 2019, 39(11):1763-1770.

DOI

[19]
Broekel T, Hartog M. Determinants of cross-regional R&D collaboration networks:An application of exponential random graph models[C]// Scherngell T. The geography of networks and R&D collaborations. Berlin: Springer, 2013:49-70.

[20]
盛科荣, 张红霞, 赵超越. 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[J]. 地理研究, 2019, 38(5):32-46.

[21]
杨洋, 杨翼昂, 夏敏. 长三角一体化:文献述评与研究展望[J]. 研究与发展管理, 2023, 35(2):1-14.

[22]
Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of community in large networks[J]. Journal of Statistical Mechanics:Theory and Experiment, 2008(10):P10008.

[23]
王姣娥, 莫辉辉, 金凤君. 中国航空网络空间结构的复杂性[J]. 地理学报, 2009, 64(8):899-910.

DOI

[24]
戴靓, 丁子军, 曹湛, 等. 长三角地区城市协同创新网络的演化特征及其驱动力[J]. 资源科学, 2023, 45(5):1006-1019.

DOI

[25]
Hanneke S, Fu W, Xing E. Discrete temporal models of social networks[J]. Electronic Journal of Statistics, 2010, 4:585-605.

[26]
Robins G, Pattison P, Kalish Y, et al. An introduction to exponential random graph (p*) models for social networks[J]. Social networks, 2007, 29(2):173-191.

DOI

[27]
唐子来, 赵渺希. 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[J]. 城市规划学刊, 2010(1):29-34.

[28]
胡志强, 苗长虹, 华明芳, 等. 中国外商投资区位选择的时空格局与影响因素[J]. 人文地理, 2018, 33(5):88-96.

[29]
于瀚辰, 周麟, 沈体雁. 制造业企业区位选择集聚经济指向的空间效应[J]. 地理研究, 2019, 38(2):273-284.

DOI

[30]
高鹏, 何丹, 宁越敏, 等. 长三角地区城市投资联系水平的时空动态及影响因素[J]. 地理研究, 2021, 40(10):2760-2779.

DOI

[31]
Shi S, Wall R, Pain K. Exploring the significance of domestic investment for foreign direct investment in China:A city-network approach[J]. Urban Studies, 2018, 56(12):2447-2464.

DOI

[32]
Lusher D, Koskinen J, Robins G. Exponential Random Graph Models for Social Networks:Theory,Methods,and Applications[M]. Cambridge: Cambridge University Press, 2013.

[33]
Harris J K. An Introduction to Exponential Random Graph Modeling[M]. London: Sage Publication, 2013.

[34]
刘林青, 闫小斐, 杨理斯, 等. 国际贸易依赖网络的演化及内生机制研究[J]. 中国工业经济, 2021(2):98-116.

[35]
罗超亮, 符正平, 刘冰, 等. 战略性新兴产业国际贸易网络的演化及动力机制研究[J]. 国际贸易问题, 2022(3):121-139.

[36]
唐晓彬, 崔茂生. “一带一路”货物贸易网络结构动态变化及其影响机制[J]. 财经研究, 2020, 46(7):138-153.

[37]
程风雨. 粤港澳大湾区科技创新的空间关联及其驱动机制[J]. 统计与决策, 2022, 38(20):77-82.

[38]
Pan Z. Varieties of intergovernmental organization memberships and structural effects in the world trade network[J]. Advances in Complex Systems, 2018, 21(2):1-30.

[39]
康江江, 徐伟, 宁越敏. 基于地方化、城市化和全球化制造业空间集聚分析:以长三角区域为例[J]. 地理科学, 2021, 41(10):1773-1782.

DOI

[40]
Wójcik D, Urban M, Dörry S. Luxembourg and Ireland in global financial networks:Analysing the changing structure of European investment funds[J]. Transactions of the Institute of British Geographers, 2022, 47(2):514-528.

DOI

[41]
Leifeld P, Cranmer S J, Desmarais B A. Temporal exponential random graph models with btergm:Estimation and bootstrap confidence intervals[J]. Journal of Statistical Software, 2018, 83(6):1-36.

[42]
刘林青, 陈紫若, 田毕飞. 结构依赖如何影响贸易网络形成及演化:以“一带一路”为例[J]. 世界经济研究, 2020(6):106-120,137.

Options
Outlines

/

〈 〉