娄洪武，黄 蔷

（1.江西理工大学 土木与测绘工程学院，江西 赣州 341000；2.赣州市不动产登记中心，江西 赣州 341000）

随着国民经济的高速发展，带动国内上市企业的规模迅速扩大，国内地区经济差异也越发明显，上市公司的空间分布也愈加不平衡[1-2]。上市公司作为城市经济发展最优质的企业成员，其区位的选择对于地区经济的发展起着明显的主导作用。然而上市公司的发展带动着城市化的进程不断推进，从而也引发了一系列问题[3]。城市建设用地不断扩张，城市用地急剧减少，劳动力成本也不断增长，地区人口比例严重失衡，工业、建筑业和制造业全面发展，造成越来越严重的环境问题[4-6]。例如城市用水短缺、城市污染排放严重、地区生态系统退化、耕地面积减少、生物多样性丧失等问题，城市内部各方面的不协调性，导致逐渐不能负荷城市经济的发展，上市公司的空间分布极度不平衡，可能将导致地区经济失衡。因此分析全国上市公司的空间分布特征，对于调整产业布局和促进地区经济的可持续发展具有重大意义[7-9]。

1 数据来源及方法

1.1 数据来源

此次研究对象为全国的A股上市公司（港澳台地区不在研究范围内），后文所谈及的上市公司均指国内上市的A股上市公司。上市公司数据来自于Wind经济数据库，其他社会参量数据来自中国统计年鉴，中国各省统计年鉴，上市公司地址为其总部所在办公地址，坐标数据来源于百度地图坐标拾取平台。部分数据来自《中国证券期货统计年鉴》。

1.2 研究方法

研究利用的主要研究方法有：标准差椭圆分析法、空间自相关分析法、地理加权回归（Geographically Weighted Regression，GWR）模型。

标准差椭圆分析法适用于区域属性数据空间分布特征[10-11]，本文用此方法来分析全国上市公司2011、2014、2017和2020年这4年的分布特征。其计算公式如下

式中：θ为椭圆的旋转角；δx和δy表示X轴和Y轴的标准差。

全局自相关分析法是整体上对中国上市公司总部的空间分布与和其空间地理位置上的所存在的空间依赖性进行分析，在相关性分析中，最常用的是通过统计量Global Moran'I（全局莫兰指数），其计算公式如下

式中：I为全局莫兰指数；n为基本单元总个数；yi和yj为第i个基本单元和第j个空间基本单元的属性值；y为所有基本单元属性值的平均值；wij为空间权重值。莫兰指数的值在[-1，1]之间。

地理加权回归（GWR）模型是对线性回归模型的一个拓展，研究设定的GWR模型如下：

式中：yi为n×1维被解释变量；xik为n×k维解释变量矩阵；βk（ui，vi）为因素k在回归点i的回归系数；k为自变量个数；（ui，vi）表示第i个观察点的经纬度坐标；εi为分布的误差项。

2 全国上市公司发展概况

自1993年开始至1998年，我国上市公司的发展主要还是由政府主导下的发展阶段，在这数年内，全国的A股上市公司数量由开始的177家增长至728家，这一阶段为全国上市企业的最初发展阶段；至2001年后，中国加入世界贸易组织，大量引进国外投资者，与中国本土企业竞争国内市场，导致全国上市企业这一阶段发展较慢，自2002—2005年期间，全国A股上市企业的数量由1 085家增长至1 341家，在2008年北京成功举办奥运会之后，全国各项产业迅速发展，上市公司数量激增至1 756家，直至20世纪10年代，中国进入了第二阶段的经济高速发展期，全国上市公司的发展迎来爆发阶段，直至2020年底，全国已有4 059家A股上市公司。

3 全国上市公司总部空间分布特征

3.1 上市公司总部的标准差椭圆分析

根据上文所提到的公式再利用Arcgis.10.2绘制了4个年份上市公司总部的迁移变化图，用以揭示全国上市公司总部的延伸方向，如图1所示。

图1 全国上市公司总部重心迁移图

通过分析发现，全国上市公司总部空间分布呈现出一种局部区域具有高度聚集性，整体发展不平衡的现象，总体方向大致为“东南—西北”的一种分布形式。其中，长江三角洲、珠江三角洲以及京津冀地区的上市公司总部高度聚集，而中国的西南、西北和东北等地区则呈现出一种分散分布的特点，中部地区上市公司总部分布较为平衡，表现出其作为上市公司总部分布的缓冲区域的一种态势。

4个时间段标准差椭圆相关参数见表1。

表1 全国上市公司总部标准差椭圆参数

由表1可知，椭圆所显示区域为全国上市公司总部分布最为集中的区域，2011—2020年期间标准差椭圆的方向性无明显变化，大致延伸方向为“东南—西北”走向；从标准差椭圆的长短轴来看，4个时间断面下从2011—2020年期间，椭圆的长轴和短轴都越来越小，椭圆的面积也越来越小，同时长轴和短轴的差值也越来越小，这说明在这期间全国上市公司总部随着数量规模的扩大其空间分布的聚集性越来越强，产业聚集更加明显；从椭圆中心点来看，全国上市公司总部重心一直在向中国东南沿海地区偏移，表明全国上市公司总部的分布具有一定的空间相关性。

3.2 上市公司总部的全局自相关分析

此次研究选取中国各个省域作为空间自相关分析的基本单元，利用空间分析工具，进行空间自相关系数计算，由于本次研究是以各个省域为基本研究单元，这将导致研究的样本数量较少，可能会导致统计结果对上市公司总部分布的空间格局无法提供强有力的支持，为了保证分析结果的严谨性，本次研究出来采用常用的邻接权重矩阵，还尝试了各种地理距离矩阵以及其他多种空间权重矩阵做对比，最终得到表2全国各年上市公司总部的全局莫兰指数。

表2 2011—2020年上市公司全局莫兰指数

由表2可以看出：全国上市公司总部全局莫兰指数均在5%的效果下显著，且P随着时间在逐渐变小，说明其对全局莫兰指数的解释越来越强，从I来看，这4年的I均为正值，这说明全国各个省域和其相邻省域上市公司总部的空间分布呈现出正相关性，这四年的数值越来越大，说明全国上市公司总部的空间自相关性越来越强，表现出一直逐年加强的态势。

4 全国上市公司空间分布的影响因素分析

此次研究的是全国上市公司总部的空间分布，通过对其方向分布以及聚集性的分析，发现其整体的空间分布具有异质性，故而对于其影响因素的分析采用GWR模型进行实证。

4.1 变量的选取

根据以往的研究，学者们对于企业区位的分布主要是通过其所属城市的各方面属性探讨其分布特点，学者们认为城市交通、人口、经济、规划以及城市的规模等因数对企业分布的影响很大。

基于以上讨论，研究将从交通便利性、人口数量、经济发展情况、引进外资情况4个方面对上市公司的分布进行研究，于此4个方向合理选择指标，由此可选取4项指标对其进行考量。各变量具体见表3。

表3 相关变量及具体指标

4.2 模型构建

考虑到各项指标数值差异过大，单位不一，为避免计算结果存在异方差，研究先对各项变量数值进行归一化，然后再进行对数处理，尽量消除异方差的影响。故研究将此次研究模型设定如式（6）所示

4.3 实证结果

4.3.1 全局普通最小二乘法（OLS）模型

在进行GWR模型计算之前，研究先用OLS模型初步测定各变量对于全国上市公司分布的影响，同时检验所选各个指标的合理性，对其进行全局OLS回归，通过对变量的双相关分析，发现变量的共线较低，回归分析结果见表4。

表4 全局OLS回归估计结果

由表4结果显示，调整R2为0.478 1，得到的全局拟合效果一般。4项指标均对上市公司发展起正向作用，其中经济发展水平对上市公司的发展影响最大，引进外资情况对上市公司的发展影响最小，4项指标都在5%水平上显著，说明此次回归结果较为可靠。

4.3.2 GWR模型

对于上市公司总部分布的影响，OLS模型只是对全局的一个“平均回归”，并不能体现其局部空间分布各方面的影响因素，因此需要再利用GWR模型研究各个变量对于上市公司空间分布的空间异质性。分析结果见表5。

表5 GWR模型系数

从表5可以看出，变量的系数值具有明显浮动，说明省内不同地区上市公司分布影响因素存在着显著差异，而调整后的R2和AIC c明显优于OLS模型，这充分说明GWR模型更适用于此次分析。

从最后结果可以得到各个变量对于上市公司的发展都起正向作用，通过变量的回归系数的平均值，发现地区生产总值对于上市公司分布的影响最大，城市等级的影响最小，对于聚集中心京津冀、长三角和珠三角地区4项指标的回归系数都较大，从各个变量展开来看，在地区经济发展水平方面，对浙江影响最大（0.443 8），对新疆的影响最小（0.163 3）；从交通便利性方面来看，对宁夏的影响程度最大（0.213 3），对湖南的影响程度最小（0.047 8）；从地区常住人口方面来看，对上海的影响最大（0.462 7），对西藏的影响最小（0.113 7），从实际利用外资额方面来看，对于广东的影响最大（0.131 5），对于四川的影响最小（0.037 2）。

总而言之，对于全国上市公司总部的分布，这4项指标都对其起正向作用，但是对于省内不同地区的分布情况，每个变量对其影响程度不一，有很强的空间异质性。

5 结束语

以中国上市公司总部作为研究对象，首先利用标准差椭圆研究中国上市公司总部从2011—2020年以来的发展情况，同时也测度了其在国内的方向分布，再对其用空间自相关分析，讨论其空间分布的聚集性，而后分析其影响因素，最后得出以下结论。

（1）中国上市公司总部的分布方向大致为“东南—西北”走向。

（2）全国上市公司总部的分布具有很强的聚集性，主要以京津冀、长三角和珠三角为中心的三核向周边辐射发展。

（3）中国上市公司总部空间分布存在明显正向相关性，且这种正相关性有逐渐增强的趋势。

（4）经济发展水平、交通便利性、城市常住人口、引进外资情况都对全国的上市公司发展起正向促进作用，只是基于不同地理位置，各项因素对不同地区的影响程度不一，其中地区生产总值对北京、江苏等地区影响最大，而交通便利性则对于宁夏、甘肃等较为落后的地区影响程度最大，对其他沿海城市影响较小，而引用外资情况对于浙江、广东等沿海地区影响比较大，相对而言，人口密度的影响对于上市公司总部的分布比较平均，不同地区影响程度落差不大。

总而言之，在这几个因素的相互影响下，导致了全国各地区上市公司发展的不平衡，造成了极大的地域差异性。