广东省上市公司总部的空间分布及其影响因素研究

娄洪武

(江西理工大学 土木与测绘工程学院, 江西 赣州 341000)

0 引言

自改革开放以来,我国在经济上的发展进入了一个全新时代,尤其是近二十年来,经济的发展完全进入了一个超高速发展阶段。最为显著的是东南沿海的各大城市。广东省地处珠江三角洲经济带,是我国经济最为发达的省份之一。其辖内多个城市均是我国改革开放时期最早对外开放的地区,在经济方面一直都领先于全国其他地市。上市公司数量的多少能直接体现一个地区经济发展情况[1],上市公司的聚集有利于形成规模优势,实现各方面的资源整合,提高各行业的技术效率,能够促进该地区各方面产业的整体发展,从而带动地区经济的发展[2]。然而,在经济的迅猛发展这一段黄金时期,上市公司总部数量的不断增多,省内各种各样的问题也随之浮现,因此,对于上市公司的发展对人地关系的影响的研究是十分有意义的。

地理学对于区位的研究由来已久,很多学者围绕产业聚集的相关话题展开了许多的研究[3],上市公司也是企业的一种,公司总部区位分布是公司地理的重点研究内容,很多学者对于公司总部分布的空间结构、空间行为、行业类别及其与环境的关系都展开了研究[4-5]。早年间,王缉慈、贺灿飞、杜德斌等学者的研究奠定了中国产业聚集及空间格局的理论基础[6-8],后来傅钰、杨阔等人对于传统企业与新兴企业的空间分布规律的各种影响因素都有了一定的研究[9-10],赵静平、卢明华等对京津冀地区上市公司总部空间位置分布影响因素有深入的见解。

1 数据来源及方法

1.1 数据来源

本次研究对象为广东省的A股上市公司,上市公司数据来自国泰君安数据服务中心,部分数据来自炒股软件同花顺,其他地理要素数据来自中国统计年鉴,广东省统计年鉴,其行业按照《上市公司行业分类指引》(2012年修订版)进行划分,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》《广东省统计年鉴》。

1.2 研究方法

此次研究利用的主要研究方法有：标准差椭圆分析法、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[11],本文用此方法来分析广东省上市公司2009、2014、2019年这3年的分布特征。此方法最早由Lefever提出,椭圆由四部分组成：椭圆圆心、短轴、长轴、旋转角。椭圆中心表示分布重心,长轴和短轴分别表示公司总部在主要方向和次要方向上偏离重心的程度[12],椭圆面积的大小用于判断公司分布的离散程度,面积越大说明分布越离散,反之说明公司分布更趋近于重心[13]。

设数据集所有中心坐标分别为(x1,y1),(x2,y2)…(xn,yn)则标准差椭圆的指向为tanθ,最大标准差距离δx和最小距离δy为其长轴和短轴,见式(1)～式(3)。

(1)

地理加权回归模型是对线性回归模型的一个拓展[14],其最重要的是将数据的地理位置引入回归参数中,通过相邻观测值的子样本数据信息对局部地理位置进行回归估计,本文主要是用此方法探究各影响因素在不同地理位置空间的变异特征及其规律。地理加权回归模型设定如下：

(4)

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为分布的随机误差项。

2 广东省内上市公司概况

截至2019年底,全国(港澳台地区除外)A股上市公司总数为3 749,广东省内上市公司总部的总数为全国之最,达到612家,占比16.24%,与全国其他地区上市公司的规模相比,无论是数量还是规模均在全国占优势地位。尤其是该地区位处沿海,航海事业发达,境内铁路公路数量极多,交通便利。作为改革开放中引进外资的先行者,拥有着优惠的国家政策扶持,加上地理优势,广东省内各地区经济在最近数十年来都处于一个飞速发展的阶段,辖内各种产业蓬勃发展,上市公司数量急剧增多。从2009年的220家上市公司历经十多年的发展达到目前扩充近3倍的规模。与此同时,上市公司的不同行业的数量也出现了极度不平衡的现象。从行业结构上分析,广东省内上市公司最多的行业是制造业占比56.37%,排名第二的是信息传输、软件和信息服务业,达到全省的17.65%,与之相比采矿业、教育业在境内上市公司一个都没有,而数量最少的则是住宿、餐饮行业,仅有两家,占比0.33%。由此可见,省内各行业上市公司的分布极度不平衡。各行业在全省所占比例如表1所示。

表1 行业分类表

3 广东省上市公司总部空间分布特征

3.1 广东省上市公司总部的空间分布

在改革开放的时代引领下,由于广东省地势优越,同时有国家的大力扶持,数十年来经济飞速发展,省内出现了深圳、广州两座超大城市,经济发展远超其他城市,上市公司数量在全国都是名列前茅,但由于地理位置的差异性,也有河源、清远等比较落后的城市,城市经济萧条落后,上市公司数量较少,省内产业分布极其不均衡。

如表2所示,省内存在深圳、广州两大超级城市,上市公司在全省所占百分比分别为48.37%、17.48%,已经超过全省上市公司总量的一半,而茂名市、云浮市等全市内都只有一家上市公司。

表2 各地级市上市公司总部数量

由图1可以看出,清远市、河源市、汕尾市等全市内更是一家上市公司都没有,整体分布呈现出以深圳、广州为中心的双核分布格局。由此可见,广东省内的经济、人文、资源等在省内的分布极其不平衡。

图1 广东省上市公司总部分布[审图号为粤S(2020)006号]

如图2、图3所示,2009、2014、和2019年广东省内上市公司总部分布的重心分别是(113.91,22.81),(113.95,22.80),(113.97,22.82)。2009年及2014年的重心都位于深圳市光明区、2019年重心位于东莞市临深片区,随着时间逐渐向西迁移,逐渐向双核之外发展,整体呈聚集性形态,但从总体来看,广东省上市公司总部重心变化较轻微,一直都保持着以广州、深圳双核带动周边的发展模式,整体上一直保持着“西南-东北”的分布模式,是广东省上市公司总部空间分布的主导方向。如图2所示,2009年的椭圆面积最大,长轴与短轴的差值也最大,说明相比2014、2009年两年上市公司的总部分布更加分散,而后面两年的椭圆面积逐步减小,说明从2009年到2019年这10年来,广东省上市公司总部的整体分布呈现出愈加集中的现象,同时,分布的重心始终距离广州、深圳较近。总而言之,广东省内部上市公司总部的分布呈现出极大的不平衡性,始终围绕着广州、深圳这两大超级城市发展,同时,分布的重心也无明显的大区域移动,都表明其空间分布趋于聚集。

图2 标准差椭圆[审图号为粤S(2020)006号]

图3 椭圆重心分布

3.2 广东省上市公司总部的聚集性分析

通过上文对广东省上市公司总部方向分布上的测度,然后利用GeodDa计算出2009、2014、2019年广东省内上市公司聚集水平的全局Moran′s I,分别为0.386、0.419、0.435,均在1%的水平上通过显著性检验,而且数值越来越大,说明其聚集性越来越强,与上文所得的结果一致,同时进一步表现出上市公司总部并不是完全随机分布的,其明显是有很大的聚集性,而且这种聚集性发展在逐步加强。

4 广东省上市公司空间分布的影响因素分析

本文研究的是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,故而对其影响因素的分析采用地理加权回归(geographically weighted regression,GWR)模型进行实证。本次研究采用的是2019年广东省上市公司,研究样本为广东省内各地级市。

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素对企业分布的影响很大。

基于以上讨论,本文将从交通便利性、人口数量、经济发展情况、城市发展规模四个方面对上市公司的分布进行研究。于此,四个方向合理选择指标,其中城市等级根据行政级别、城市发展规模等进行赋值,广州作为省会城市赋值为3,深圳为特区发展城市赋值为2,东莞、中山等较为发达城市赋值为1.5,其他城市赋值为1。选取四项指标对其进行考量，各变量具体如表3所示。

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,本文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。故本文将研究模型设定如下：

(5)

4.3 实证结果

4.3.1全局OLS模型

在进行GWR模型计算之前,本文先用普通最小二乘法(ordinary least squares,OLS)模型初步测定各变量对于广东省整体上市公司分布的影响,同时检验所选各个指标的合理性,利用2019年各项指标数据对其进行全局OLS回归,分析结果如表4所示。

表4 全局普通最小二乘法回归估计结果

回归结果显示，R2(决定系数)=0.646、调整R2=0.489 1、AICc(赤池信息准则)=22.563，得到的全局拟合效果一般,四项指标均对上市公司发展起正向作用,四个变量共线关系较低,所选指标较为合理,但只有地区生产总值和人口密度两项指标在10%，其他两项变量都不显著。

4.3.2GWR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上市公司空间分布的空间异质性。分析结果如表5所示。

表5 地理加权回归模型系数

回归结果显示，R2=0.764、调整R2=0.642、AICc=20.074，同时从表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AICc值明显优于OLS模型,这充分说明GWR模型更适用于此次分析。

从最后结果可以看出，各个变量对于上市公司的发展都起正向作用,通过变量回归系数的平均值,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,对于聚集中心广州、深圳两大超级城市四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,对深圳市影响最大(0.443 8),对茂名市的影响最小(0.163 3);从交通便利性来看,对梅州市的影响程度最大(0.213 3),对阳江市的影响程度最小(0.047 8);从地区常住人口来看,对深圳市的影响最大(0.462 7),对潮州市的影响最小(0.113 7),从城市等级来看,对全省整体的影响程度都比较低,其中对广州市的影响最大(0.131 5),对东莞市的影响最小(0.037 2)。

总而言之,对广东省内上市公司总部的分布情况,这四项指标都对其起正向作用,但是对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

本文以广东省作为研究对象,首先利用标准差椭圆研究广东省省上市公司总部从2009—2019年10年来的发展情况,同时也测度了其在省内的方向分布,再对广东省2009、2014、2019年用空间自相关的方法,讨论其空间分布的聚集性,最后基于以上结果利用GWR模型考察广东省内上市公司总部空间分布的影响因素,最后得出以下结论：①广东省内上市公司总部的分布方向大致为“西南—东北”,其十年来发展重心无明显变化;②广东省内上市公司总部具有很强的聚集性,以广州、深圳为中心的双核向周边辐射发展的模式;③经济发展水平、交通便利性、城市常住人口、城市等级都对广东省内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，地区生产总值对深圳、广州等超大城市影响最大,而交通便利性则对于梅州、河源等接近山区较为落后的城市影响程度最大,对其他沿海城市影响较小,而城市等级对于省会城市广州影响比较大,相对而言,人口密度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,导致了广东省内各地区上市公司发展的不平衡,造成了极大的地域差异性。