新冠肺炎疫情冲击下长三角经济韧性及影响因素分析
2023-01-06殷文星胡本田
魏 峰 殷文星 胡本田
（安徽大学经济学院，合肥 230000）
引 言
自2020年新冠肺炎疫情（下文简称 “疫情”）爆发以来，全球经济发展变缓，就业形势严峻。面对变幻莫测的外部环境，中国各地区都希望能抵御冲击，使得经济系统最大限度降低损害，摆脱困境。而经济韧性是防护巨大冲击的一个强大的支撑系统，提升经济韧性有利于增强经济系统抵抗冲击的能力。因此在疫情背景下讨论经济韧性对地区防范重大冲击具有重要的现实意义。
城市群作为区域经济的研究范畴，越来越受到国内外的高度关注。习近平同志在十九大报告中指出 “以城市群为主体构建大中小城市和小城镇协调发展的城镇格局”。作为中国受关注度最高、区域经济发展最快的城市群之一，长三角城市群在我国现代化建设中拥有至关重要的地位。长三角城市群作为我国区域一体化的前列兵，在受到疫情冲击后的区域经济韧性表现如何，如何提升长三角地区的经济韧性是需要深入探讨的问题。提升长三角城市群的经济韧性以应对未来的冲击，将有助于中国 “长三角一体化”战略的推进。
1 文献综述
近年来，韧性的概念受到了许多学者的探讨和完善。 1973年， 生态学家 Holling （1973）［1］第一次把韧性概念引入到生态学领域。随着人们对韧性的理解不断深入，近年来韧性成为社会各界的关注热点，韧性概念也被引入到经济学领域，许多经济学家对其展开了深入研究。
在理论研究方面，学者将经济韧性的概念与其他学科韧性概念进行了区分。首先，世界各地随时都会遭受不同的经济冲击，有的地方在冲击后能够快速恢复，而有的地方不能。那么是什么原因导致了这种异质性引起了学术界的广泛关注［2］。由于经济韧性的概念起初引用了生态学领域中生态韧性的多重均衡的思想，而均衡系统不随时间而变动，这与经济系统会随时间变化而变化的动态思想相矛盾。经济韧性也因此遭受到了许多批评之声。 之后 Simmie 和 Martin （2010）［3］、 Folke 等（2010）［4］基于演化的角度， 强调韧性是一个连续的、动态的、不断进行的过程，韧性并不一定意味着回到原有的状态，而是可能转变为一个新的（理想的、更好的）状态。这理清了经济韧性同其他领域韧性的区分。在此基础上，经济韧性的理论部分不断得到完善，演化特征也得到了广泛地接受。此后对于经济韧性的概念，Wink （2014）［5］认为区域经济韧性是一种避免、抵御或适应危机以及应对不良条件时的能力。 Martin和 Sunley （2015）［6］将区域经济韧性定义为区域经济系统面对各种冲击时抵抗或者恢复发展状态的能力，它包含抵抗力、恢复力、重新定位和更新。借助演化的思想，李连刚等 （2019）［7］认为经济韧性抵抗力主要表示区域经济体抵御各种冲击而导致偏离了正常的发展轨道；恢复力主要表示区域经济体通过各种途径使得经济体能够恢复到初始的发展状况或者转向一个更好的发展路线。
在实证研究中，多数学者对经济韧性进行测度并做出影响因素分析。 Martin（2012）［8］利用就业水平的变化，测算了英国各地区的经济韧性。Bergeijk等（2017）［9］把经济韧性表示为金融危机导致世界各国贸易量的降低量。陈奕玮和丁关良（2020）［10］通过综合评价指标体系法测度了我国264个城市的经济韧性。王奇珍和朱英明 （2021）［11］测算了2008年金融危机以来中国城市的经济韧性，并做了影响因素研究。 巩灿娟等 （2022）［12］研究了2011～2018年中国三大城市群经济韧性的时空演变及影响因素。陈平安 （2022）［13］通过人口集聚的视角探究了城市经济韧性。在疫情冲击下的论文较少，韩爱华等 （2021）［14］对疫情下中国省域的经济韧性进行测度并做了部分影响因素分析；曾冰 （2021）［15］对疫情下的省域经济韧性进行了测度。
综上所述，本文认为经济韧性是一个地区在应对给定冲击时的抵抗能力与恢复或实现路径突破能力。已有文献对区域经济韧性的理论研究比较完善，但实证研究仍有许多不足。主要表现在以下两个方面：（1）当前研究对经济韧性的空间关联性探究较少；（2）当前疫情在全球肆虐，少有文献对疫情冲击下的经济韧性展开探讨，对具体城市经济韧性的研究更是凤毛麟角。研究的区域不够具体，就不能很好地捕捉到当地经济系统的动态，更难以观察不同城市存在的异质性。因此基于地级市的数据对各区域经济韧性进行观测和分析是很有必要的。鉴于此，本文选取长三角城市群中心区26个地级市，从抵抗力和恢复力两个角度测度其在应对突发的新冠肺炎疫情时的经济韧性特征，考虑了空间相关性，并做影响因素分析。
2 研究方法与数据来源
2.1 研究方法
2.1.1 经济韧性测度方法
目前度量经济韧性的方式主要有两种，一种是构造多种指标综合权重来测度，一种是核心变量的敏感性指数法。综合指标体系法通过一系列的指标体系来测度经济韧性， Briguglio等 （2006）［16］最早使用了此种方法。但是此种方法并没有一个学术界公认的指标和各指标所赋予的权重。而且有些情况表明已有的研究所选择的指标体系在测度区域经济韧性的应用中并不精准［17］。
近年来相关文献开始选择敏感性指标体系法，通常考虑冲击前的一年的就业或者产出作为基期，发生冲击后与前一期的差值变化度量经济韧性。许多文献采用了反事实条件下的数据指标进行测算［14，18，19］。 此法通过冲击后某个地区 GDP 或就业人口和趋势值的差异来衡量经济韧性水平。故本文使用敏感性指数法测度经济韧性。借鉴Martin（2012）［8］使用就业水平度量了经济韧性水平，构建了抵抗力的敏感性指数：
其中βr是一个 “敏感性指数”，E代表就业水平，ΔE／E是就业水平的百分比变化，r为地区水平，N为全国水平。
Martin这种测算方式被众多学者所认可，如Faggian等 （2018）［20］参考此种测算方式测算了意大利地区金融危机后的经济韧性，修改后的模型为：
其中SI代表敏感性指数，Er为地区（r）的总就业人数，En为全国总就业人数，时期t为衰退时期，时期t-1为衰退前时期，该指数类似于总就业的 “区位商”，因此以1为中心。
Martin 等 （2016）［19］对之前方法的利与弊进行了探讨，并做了一定的修正。修正后的测算敏感性指数的公式为：
其中Resisr和Recovr分别表示抵抗力和恢复力，分别表示衰退期和恢复期的就业水平变化，为如果没有冲击时预期的就业水平变化。如对于2008年金融危机，可设置2008～2009年为经济衰退期，2009～2011为经济恢复期。
本文测度经济韧性的方法主要借助于式 （1）～（4）。本文敏感性指数定义设置如下：
其中βresist为抵抗力指标，βrecover为恢复力指标，Er为r地区全社会就业总人数和GDP，En为全国就业总人数，t为时间，取2020年和2021年； （Er，t）预测为若没有疫情冲击时r地区在t年应有的就业人数和GDP， （En，t）实际为疫情冲击下r地区的实际就业人数和GDP。根据定义，方程 （5）以1为中心，方程 （6）以0为中心，若βresist大于1则该地区比整个国家更有抵抗力，小于1则该地区抵抗力小于整个国家，受到的影响更大。当前主要测算经济韧性的指标是就业水平和GDP。许多文献使用就业水平来衡量，最具代表性的是Matin的研究，许多研究都借鉴他的方式，也有许多文章使用 GDP 进行衡量。 Davies［21］和 Brakman 等［22］使用这两种指标从不同角度衡量了经济韧性。本文同时用两种指标来测算经济韧性，使用就业人数指标测度了2020年抵抗力，使用GDP指标测度2020年、2021年的恢复力。同时本文参考Faggian等 （2018）［19］的方式，利用上述抵抗力和恢复力公式将地区经济韧性分为4组，如表1。
表1 经济韧性类型
2.1.2 空间相关性分析
由于空间单元之间不是相互独立存在的，长三角城市群不同城市之间可能存在空间关联性。相邻城市的经济韧性水平可能会影响到本市的经济韧性水平。故有必要对城市之间的经济韧性指标进行空间相关性检验。
（1）空间权重矩阵的选择
本文同时构建了3种权重矩阵。地理距离矩阵（W1）构建如下：
其中dij表示i城市与j城市之间的距离，通过相应城市的经纬度坐标计算得到。
经济距离矩阵（W2）构建如下：
经济和地理距离嵌套矩阵（W3）构建如下：
其中λ表示W1和W2所占的重要性程度，这里取λ＝0.5。此矩阵同时考虑地理和经济的因素，具有综合性。本文所有空间权重矩阵在计算时皆标准化处理。
（2） Moran's I与Geary's C指数
为对经济韧性指标进行全面的空间相关性检验，分别采用全局自相关和局部自相关指数进行分析，全局相关性采用Moran's I与Geary's C指数进行计算，其计算公式分别如下：
莫兰指数的取值一般在［-1，1］，大于0时代表空间正相关，小于0时代表空间负相关；吉尔里指数一般在［0，2］（2非严格上限），小于1时代表空间正相关，等于1表示不相关，大于1时代表空间负相关。
如果要考察某个城市与相邻的城市的空间联动效应，可以使用局部Moran's I，具体构建如下：
2.1.3 经济韧性影响因素分析
地理探测器是近年来探究空间分异性，并探测出背后驱动力的新的统计学方法。地理探测器在假设方面比传统计量模型少，无线性假设，有明确的物理含义，近年来在自然科学、社会科学等领域得到广泛应用［23］。其因子探测器板块是检测某个因子多大程度解释了因变量的空间分异。使用q值大小来衡量，公式为：
q值的取值在［0，1］，越大表示因子解释力越强。h＝1，…，L为分类数。Nh和N分别是类h和所有类的单元数。和σ分别是类h和所有类的因变量值的方差。
交互作用探测板块是探测不同解释因子共同作用是否会增强或减弱对因变量的解释力。
2.2 数据来源
本文基于长三角城市群中心区26市2000～2019年的全社会就业人数与GDP指标对2020年的全社会就业人数和2020年与2021年的GDP指标进行反事实的预测，进而测算2020年、2021年不同城市在疫情冲击下的经济韧性指标。数据均来自于2000～2021年 《中国城市统计年鉴》、长三角城市群各省（区、市）的统计年鉴和统计公报。
3 结果与分析
3.1 经济韧性空间布局
本文使用灰色预测模型［24，25］对2020年的全社会就业人数，2020年和2021年的GDP指标进行预测。就业人数属于人口预测，故使用灰色Verhulst模型进行预测比较合理。结果表明，基本上后验差比值c＜0.35，小误差概率p＞0.35。而GDP指标使用 GM（1，1）和基于背景值优化的 GM（1，1）预测效果整体都不如Verhulst模型的预测效果好，Verhulst模型除了对滁州、宣城、杭州三市的预测结果不太理想之外，其他市的预测结果很可观，后验差比值全部小于0.1，小误差概率皆为1。利用Verhulst模型对滁州、宣城两市预测效果不太理想，但使用基于背景值优化的GM（1，1）模型预测效果比较可观，故此两市使用基于背景值优化的GM（1，1）模型进行预测。而杭州市利用以上3种灰色预测模型效果皆不理想，故考虑根据1970～2019年杭州GDP 数据， 使用ARIMA（2，2，0）模型对杭州2020年、2021年GDP指标进行预测，预测效果较为可观。
本文分别计算了2020年的抵抗力与2020年、2021年的恢复力，通过计算得出2020年、2021年长三角26市的经济韧性指标，如表2所示。
表2 长三角城市群经济韧性测度结果
从整体上看，长三角城市群的经济韧性整体上呈现一定的异质性。江苏省的城市整体上抵抗力强，大多数在1以上；2020年的恢复力有向好的趋势，2021年大多数城市已经恢复。浙江省的城市抵抗力也比较好，2020年恢复力也有部分大于0，有较强的恢复趋势，2021年大多也恢复到更好的水平。安徽省的城市抵抗力较弱，全部低于1且恢复力也较弱，2020年恢复力全部低于0，2021年有部分城市恢复至较好的水平。将2021年相对于2020年经济韧性恢复力的提升作为韧性恢复。可以看出，基本上韧性恢复都是大于0的，说明恢复力在往良好的方向发展。
从抵抗力的角度来看，江苏、浙江的城市抵抗力较强，安徽省的城市抵抗力较弱。整体有一半的城市都大于1。江苏省仅盐城市的抵抗力小于1，其他市皆大于1。说明江苏省作为经济强省，对突发的疫情冲击具有较好的抵抗能力。浙江省的金华市具有很强的抵抗能力，可能是因为金华市主导产业如茶、医药、食品、农业等对于疫情冲击的反应较小，此类产业依然能够维持就业水平。安徽的城市经济韧性都较弱，仅合肥市和芜湖市稍强一些。其中铜陵和池州抵抗力最弱，不到全国抵抗力的一半。可能是互联网行业较少，而实体经济较多，疫情的冲击导致许多人失业。上海市作为一个国际大都市，有较多的外来人口。在疫情冲击时，这并不利于疫情防控，还会增加境外输入的隐患。在境外输入的数据中，上海的境外数据是第一位，故上海在疫情的冲击下抵抗力表现没有想象的乐观，为0.953。
从2020年恢复力的角度来看，大多城市恢复力为负。因2020年为疫情突发的第一年，故大多数城市2020年的恢复力小于0，但是有整体向好的趋势。无锡、苏州、宁波、金华已经从疫情的冲击下恢复过来，复产复工现象一派向好。上海的恢复力水平为-0.026，有向好的趋势。考虑到上海许多工人来自外地，2020年初期无法回到工作岗位，一定程度上影响其恢复力水平。盐城、扬州、嘉兴、安庆、池州的恢复力皆小于-0.05，将会在一个较长的恢复周期内难以回到正常水平。其中扬州、嘉兴、池州恢复力小于-0.06，恢复情况较糟糕。
从2021年的恢复力情况可以看出，大多数城市已经从疫情的冲击中恢复过来，从2020年恢复力大于0的城市只有4个增加到17个。此时长三角经济发展速度达到疫情前或更高的水平，仅有南通、扬州、嘉兴、台州、安庆、滁州、池州、宣城的恢复力为负，且有向好的趋势。已经没有城市的恢复力低于-0.05，可见恢复力之快。安徽的城市因抵抗力较弱相对受到的冲击更大，但合肥、芜湖为安徽省经济发展较为快速的城市，可以看到已经恢复到一个较优的水平。整体上可以看出在中国政府的带领下，上下能够积极应对疫情的突然冲击。两年间可以大幅的降低疫情带来的损害，有效的做到疫情防控，给长三角的经济发展塑造了良好的动力方向。
将长三角2020年的城市经济韧性分为以下4个类别，如表3所示。可以看到，整体上分类具有一定的异质性，江苏和浙江省都有高抵抗／快速恢复的城市，这离不开两省对疫情防控措施的积极推进。但安徽省的各市具有一定的同质性，普遍情况下经济韧性较弱。可能是安徽省实体经济较为广泛，较易受疫情冲击的影响并难以短期恢复。而江苏、浙江大数据、互联网、金融行业等应用较为广泛，疫情期间可以居家办公，能够一定程度地抵抗疫情的突然冲击。
表3 2020年长三角城市群经济韧性类型情况
3.2 经济韧性空间相关性
（1） 全局相关性
考虑到疫情的冲击对区域经济韧性具有空间的交互作用。故分别使用3种权重矩阵，对全局相关性的抵抗力和恢复力分别进行了相关性检验（结果表略）。整体上2020年和2021年长三角城市群的经济韧性具有显著的空间效应。说明在疫情冲击下长三角相邻各市的抵抗力具有一定的协同互助的效应，各市有着同心协力，共同抗击疫情的良好联动力。
分析2020年的经济韧性空间相关性，在3种权重矩阵下，2020年的抵抗力不论是莫兰指数还是吉尔里指数都在1%的水平下正向显著；恢复力的莫兰指数也是显著的，只有地理矩阵下吉尔里指数不显著。对于恢复力而言，联动效应没有抵抗力那么显著，但也有一定程度的关联，只是这种联动效应相对较弱。
对于2021年的恢复力空间相关性。从地理距离矩阵角度来看，不论是莫兰指数还是吉尔里指数都表示恢复力并不显著；从经济距离矩阵来看，莫兰指数在10%水平正向显著，吉尔里指数在5%水平下显著，说明2021年的恢复力依然具有一定程度的经济差异空间相关性。但是对比相关性程度可以看出，2021年比2020年恢复力相关性要弱。从经济地理嵌套矩阵上也能看出这一点，可能是因为2021年各城市基本恢复到之前或更好的经济发展水平，整体上的地理空间的恢复力关联性已经不再体现。经济距离上，依然有着一定程度的高-高型集聚和低-低型集聚的空间正相关特征，经济发达的城市依然有着更加相似的恢复力。
（2）局部相关性
为更直观地感受经济韧性指标的空间相关性，本文使用经济地理距离嵌套矩阵分别绘制了2020年抵抗力和恢复力、2021年恢复力的莫兰指数散点图，如图1所示。横坐标表示经济韧性指标标准化后的观测值，纵坐标为该空间单元的“滞后值”。
图1 经济地理嵌套矩阵下经济韧性指标散点图
可以看出，三张图整体上一、三象限的点占据较多。大多数城市2020年抵抗力和恢复力都在第一、第三象限的正相关区域，表现为高-高聚集和低-低聚集。进一步地说明了2020年抵抗力和恢复力具有显著的空间正向溢出效应。这也比较符合实际情况，相邻地区的抵抗力与恢复力越弱，受到疫情的影响越大，也必将会影响到本市的疫情防控效果。2021年的恢复力相对2020年来说空间溢出效应已经没有那么明显，分布在二、四象限的城市也相对较多。2021年大多数城市已经恢复到疫情前或更好的水平，此时疫情的恶劣影响有所缓解，相对2020年，各地陆续复产复工。所以此时各地应对疫情冲击的经济韧性水平的空间关联性也相对变弱。
为具体分析哪些城市呈现正相关的空间联动性，将高-高型和低-低型汇总于表4。可以看出，2020年抵抗力和恢复力的高-高集聚的城市大多分布在江苏和浙江，抵抗力的低-低集聚的城市全部在安徽省。直观的说明了安徽省整体的抵抗力较弱。2020年抵抗力指标的高-高集聚和低-低集聚的城市共有22个，占研究城市总和的84.6%，恢复力指标的高-高集聚和低-低集聚的城市共有17个，占研究城市总和的65.4%；2021年恢复力指标的高-高集聚和低-低集聚的城市共有15个，占研究城市总和的60%。也进一步证实了长三角城市的抵抗力和恢复力的地区差异比较显著，的确存在空间相关性。
表4 经济地理嵌套矩阵下经济韧性空间分布
3.3 影响因素分析
（1）影响因素选取
区域经济韧性受到诸多因素的影响，如产业结构、政府管理、创新水平、劳动力状况、区域发展基础等［6，8，19］。 结合相关文献的研究、 长三角发展特征以及本文的研究目的，本文从卫生事业水平、产业组成、对外开放程度、政府管理、劳动力环境、区域发展基础、城市建设、人口因素、文化因素以及科技创新水平10个方面探究2020年长三角地区在疫情冲击下城市经济韧性的影响因素。
选取卫生技术人员占总人口比重（X1）表示卫生事业水平。选取第二产业占GDP比重（X2）、第三产业占GDP比重（X3）、第三产业占第二产业比重（X4）及规模以上工业企业数（X5）表示产业组成。选取进出口总额占GDP比重（X6）表示对外开放程度。选取固定资产投资额占GDP比重（X7）、固定资产投资增长率（X8）、人均公共预算支出（X9）来表示政府管理。选取城镇失业率（X10）、失业参保人员（X11）来表示劳动力环境。
选取人均GDP（X12）、区位条件（X13）来表示区域发展基础，其中区位条件用隶属于上海市、江苏省、浙江省、安徽省的城市分别赋值4、3、2、1。选取城镇化率（X14）、城市建设用地面积（X15）表示城市建设。选取人口密度（X16）、常驻人口（X17）来表示人口因素。选取博物馆数（X18）来表示文化因素。选取专利授权数（X19）来表示科技创新水平。
（2）影响因素结果分析
使用自然断点分级法对连续性的自变量离散化处理，分为5类。结果如表5所示。若不对q值进行显著性检验，q值仍具明确的物理意义［24］。但出于对结论更加可靠性分析，本文依然列出统计学显著性检验结果。为对比分析，将结果进行可视化处理，如图2所示。分析疫情冲击下的各影响因子对长三角地区抵抗力和恢复力的解释力可以发现，影响因子对抵抗力和恢复力的解释力有所差异。
图2 影响因子q值对比
表5 影响因子q值探测结果
从抵抗力影响因素q值来看，X13＞X19＞X11＞X10＞X5＞X7＞X18＞X16＞X6＞X12＞X17＞X14＞X1＞X15＞X3＞X2＞X4＞X9＞X8。 区位条件对抵抗力的解释力最高，达到了0.852，且在1%水平上显著。说明长三角的城市中因省区的不同，城市抵抗力产生很大的空间分异性。固定资产投资额增长率对抵抗力解释力最小，为0.137。大于0.5且统计意义显著的有X13、X19、X11、X5、X7、X6、X12。说明区域发展基础、科技创新水平、劳动力环境、产业组成、政府管理、对外开放程度是长三角疫情冲击下抵抗力的主要决定因素。
从恢复力的影响因素q值来看，X3＞X1＞X4＞X6＞X9＞X14＞X5＞X12＞X11＞X15＞X16＞X19＞X7＞X10＞X17＞X18＞X13＞X8＞X2。 第三产业占 GDP 的比重对恢复力的影响最大，为0.544。而第二产业占GDP比重对恢复力影响最小。说明恢复力对第三产业的变化敏感性最强，第三产业占比较高的城市，恢复力往往也较快。也说明产业组成是影响恢复力的关键因素。大于0.4且统计意义显著的有X1、X3、X4、X6，说明卫生事业水平、产业组成、对外开放程度对长三角疫情冲击下恢复力的解释程度显著较高。
对比同一因素分别对抵抗力和恢复力的影响作用可以发现，某些因素对抵抗力和恢复力的解释力存在较大差异。从图2中可以明显看出这一点，如区位条件（X13），对抵抗力的解释力最高，对恢复力的解释力却极小。因长三角各市隶属省份不同，在疫情冲击时，同一省份的各市抵抗力更为相似，但在恢复时长三角各省中各有经济发展恢复快速和缓慢的城市。所以区位条件对抵抗力和恢复力的解释力产生较大的差异。也有一些影响因子对抵抗力和恢复力影响相差不大，如卫生事业水平（X1），对抵抗力和恢复力都有一定的影响，这也比较符合疫情冲击下的实际情况。
利用交互作用探测器探究多种因子的交互作用对抵抗力和恢复力的影响程度。运用Origin中热力图将各因子交互作用影响大小反应在图3中。可以发现，影响因子对抵抗力和恢复力的影响并不是独立存在的，任意两个因子的交互作用皆大于单个因子对抵抗力和恢复力的解释力，呈现双因子或非线性增强效应。
图3 不同影响因子对经济韧性指标影响的交互作用
从抵抗力的空间分布特征来看，X5∩X12是最主要的推动因素，达到了0.992。表明区域发展基础和产业组成对抵抗力有很大的积极作用。大于0.95的还有X1∩X10、X1∩X12、X2∩X7、X3∩X12、X4∩X12、X5∩X6、X6∩X7、X6∩X8、X6∩X9、X6∩X13、X7∩X12、X8∩X12、X10∩X12、X12∩X17。其中X6和X12出现次数最多，进一步体现了区域发展基础和对外开放程度对抵抗力的重要作用。
从恢复力的空间分布特征来看，X3∩X7最大，为0.926。产业组成和政府管理的共同作用是恢复力提升的重要基础条件。同时X1∩X15与X3∩X7差异不大，为0.91，表明卫生事业水平和城市建设对恢复力的提升也具有巨大积极作用。且X1与各因素的交互作用多在0.8以上，相较其他因素双因子增强效应更加明显。在其他几种因子现有水平的基础上，若能提升卫生事业的水平，对疫情下长三角的恢复力有着更加明显的积极作用。此外，q值大于0.9的还有X4∩X14，表明产业组成和城市建设的共同作用对恢复力的驱动作用也很明显。
4 结论与建议
在全球各地遭受着疫情冲击的背景下，区域经济韧性的探讨越来越受到各界的广泛关注。本文运用2000～2021年长三角城市群面板数据，利用反事实情况下的经济指标对长三角26市面对新冠肺炎疫情冲击下的经济韧性指标进行测度并进一步分析其空间相关性特征与影响因素。
得出以下主要结论：（1）长三角城市群在面对疫情冲击时有显著的空间异质性。总体上，江苏省和浙江省的经济韧性较强，安徽省的经济韧性较弱；（2）疫情对长三角城市群的经济冲击是暂时的、可恢复的。至2021年底，仅两年的时间内大多数的城市已经恢复如疫情前或恢复到更好的水平，长三角区域经济特征表现出了较强的恢复能力；（3）从2020年的恢复力与2021年的恢复力不同可以看出，衰退和恢复是地区发展的时空动态演变的一部分，在区域间和区域内对连续衰退冲击的恢复性方面也存在显著差异，这与Martint等 （2016）［19］的研究结论一致； （4） 长三角城市群经济韧性整体具有空间正向关联性，特别是2020年抵抗力的空间正向关联性较为明显，各城市间经济韧性呈现高-高集聚和低-低集聚的联动效应。在疫情冲击时，长三角各城市之间能够一定程度的在政府的响应下同心协力，共同抗击疫情，有效形成了 “长三角一体化”特征，为制造快速的恢复力奠定了坚实的基础条件；（5）区域发展基础、科技创新水平、劳动力环境、产业组成、政府管理、对外开放程度是长三角疫情冲击下抵抗力的主要决定因素。卫生事业水平、产业组成、对外开放程度是长三角疫情冲击下恢复力的主要决定因素。
结合本文的分析，提出以下几点建议以提升区域经济韧性：（1）提高失业保险政策的精准度，加大基础设施建设，优化市场的运行环境； （2）将抵抗力与恢复力形成有机结合。面对冲击时人们更多的是关注区域的恢复能力，容易忽视抵抗力。而抵抗力可减少地区受冲击的损伤程度，若能将抵抗力与恢复力协调整合，将能大大提升区域的经济韧性特征。通过优化区域发展基础等方式，实施更加积极的就业政策、提升区域创新能力等方式增强区域抵抗力；（3）关注区域的空间联动性。各地贯彻实施政府的各种重要指示策略，积极响应政府的一致统领和号召，积极形成 “一股绳”的有利形势，提升经济韧性；（4）产业组成和对外开放程度同时是抵抗力和恢复力的主要影响因素，区域在应对冲击时可通过优化此两方面的因素更有效率的同时提高抵抗力和恢复力，快速提升经济韧性。
