EN中文

地理科学进展 >

2020 , Vol. 39 >Issue 11: 1845 - 1859

DOI: https://doi.org/10.18306/dlkxjz.2020.11.006

研究论文

中国城市日企的同业与同源效应——以京、沪、广、深为例

  • 刘玉潇 ,
  • 王茂军 , *
展开
  • 首都师范大学资源环境与旅游学院,北京 100048
王茂军(1973- ), 男,山东省费县人,教授,中国地理学会会员(S1 10005990M),主要从事城市地理研究。E-mail:

刘玉潇(1996- ), 女,河北省石家庄人,硕士生,研究方向为区域与城市规划。E-mail:

收稿日期: 2019-08-29

  要求修回日期: 2019-12-06

  网络出版日期: 2021-01-28

基金资助

国家自然科学基金项目(41771183)

国家自然科学基金项目(41771183(41571154)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

The same industry effect and the same source effect of Japanese companies in China: Take Beijing, Shanghai, Guangzhou and Shenzhen as examples

  • LIU Yuxiao ,
  • WANG Maojun , *
Expand
  • College of Resource, Environment and Tourism, Capital Normal University, Beijing 100048, China

Received date: 2019-08-29

  Request revised date: 2019-12-06

  Online published: 2021-01-28

Supported by

National Natural Science Foundation of China(41771183)

National Natural Science Foundation of China(41571154)

Copyright

Copyright reserved © 2020
Fold

摘要

日本外商直接投资(Foreign Direct Investment, FDI)企业在中国北京、上海和广深等典型城市高度集聚,现有研究一方面将FDI均质化处理,缺乏精细的产业划分,另一方面缺少国家内部的同源集聚分析,同时对典型城市集聚的异同性关注不够。为弥补研究不足,论文在集聚的研究基础上,重点关注日企集中分布的典型城市,对比其同业集聚效应和同源集聚效应。选取1984—2017年日本在北京、上海和广深的FDI企业级数据,利用多项Logistic回归分析方法,以广深为参照系,建立分别包括7个方程在内的同业集聚效应模型和同源集聚效应模型,同步考虑企业所属行业和价值链环节、进入模式与时间等企业异质性控制变量,分析京、沪、广深两效应的异同。研究结果表明：日企在中国典型城市的同业效应和同源效应异同性明显。具体表现在：第一,上海同业效应和异业效应最为显著,且结果稳健,广深同业效应略强于北京,但结果稳健性较差;第二,上海同源和异源效应结果稳健且显著,企业的追随效应较强,北京和广深差异较小;第三,企业属性变量的引入,有效提升了模型的解释力度。上海的日企进入时间较早,各地企业规模整体差别不大。上海日企进入模式以独资为主,北京和广深以合资为主,但独资化趋势明显;北京行业结构中服务业占比较高,广深制造业独大;广深和上海产业链环节中侧重生产制造和进出口贸易环节,北京商务服务和研发设计布局较多。

关键词： FDI; 集聚; 同源效应; 同业效应; 企业异质性

本文引用格式

刘玉潇 , 王茂军 . 中国城市日企的同业与同源效应——以京、沪、广、深为例[J]. 地理科学进展, 2020 , 39(11) : 1845 -1859 . DOI: 10.18306/dlkxjz.2020.11.006

Abstract

The distribution of Japanese foreign direct investment (FDI) companies in China is extremely uneven and these companies are highly concentrated in the Beijing, Shanghai, and Guangzhou-Shenzhen regions. Traditional FDI research has always focused on how urban attributes and conditions affect the location choice of companies. But the role of spatial agglomeration should be equally concerned. Existing research on agglomeration has shortcomings, such as homogenizing FDI and lack of detailed classification of industries, which lead to significant differences in the results of the studies. Whether companies will follow the investment location choice of other companies with the same source country has not received enough attention. At the same time, there is insufficient attention to the similarities and differences of typical urban agglomerations. To address these issues, based on the research of agglomeration and by focusing on typical cities where Japanese companies are concentrated, this study compared and analyzed the same industry agglomeration effect and the same source agglomeration effect. Using the FDI enterprise data of Japan in Beijing, Shanghai, and Guangzhou-Shenzhen in 1984 to 2017 and the multivariate logistic regression analysis method, with Guangzhou-Shenzhen as the reference region, we established the same industry agglomeration effect model and the same source agglomeration effect model, which includes seven equations each. Enterprise heterogeneity control variables such as industry and value chain links, entry mode, and entry time were added to the model to compare and analyze similarities and differences between Beijing, Shanghai, and Guangzhou-Shenzhen. The results show that the similarities and differences of the same industrial agglomeration effect and the agglomeration effects of the same source are obvious for Japanese companies in typical cities in China. Specifically: 1) Shanghai's same industrial agglomeration and cross-industry agglomeration are the most significant, and the results are stable. Guangzhou-Shenzhen's same industrial agglomeration is slightly stronger than Beijing, but the results are less robust. 2) The results of Shanghai's same source agglomeration are stable and significant and the agglomeration effect of enterprises is strong. The difference between Beijing and Guangzhou-Shenzhen is small. 3) The introduction of enterprise attribute variables has effectively improved the explanatory power of the model. The entry time of Japanese companies in Shanghai is earlier, and the overall size of enterprises across the country is not much different. The entry mode of Japanese enterprises in Shanghai is mainly sole proprietorship. In Beijing and Guangzhou-Shenzhen these companies are mainly joint ventures, but the increasing trend of sole proprietorship is obvious. The proportion of companies in the service industry is relatively high in Beijing, and the number of manufacturing companies is the largest in Guangzhou-Shenzhen. The Japanese companies in Guangzhou-Shenzhen and Shanghai focus on manufacturing or import and export trade in the industrial chain, and the number of companies specializing in business services and research and development is the highest in Beijing.

Key words： foreign direct investment (FDI); agglomeration; the same industry effect; the same source effect; company heterogeneity

改革开放以来,中国融入经济全球化发展的浪潮,外商直接投资(Foreign Direct Investment, FDI)成为全球资本进入中国的主要形式。投资动机、区位选择和空间演变、区位空间效应是对FDI最集中的研究视角,已有大量研究对加深理解FDI的区位选择规律做出了重要的贡献[1,2]。在中国直接投资区位的主体以省际尺度为重点,后逐渐转向区域尺度的研究[3,4]。早期经济发展的差异巨大,区域经济发展水平、市场、成本和劳动力[5,6,7]等传统东道国区位因子是考虑的重要因素。尽管对FDI在中国的区位选择已有大量研究,但在大尺度研究中包括的城市区位众多,关注点是城市属性条件如何影响企业的区位选择。事实上,FDI在少数城市的空间集聚更为普遍。相对而言,集聚因素对FDI的区位更为重要。现有FDI集聚的研究主要有2类：一类是相同行业和不同行业间形成的专业化和多样化集聚,另一类是跨国投资的同源追随集聚效应。
以往同业集聚的研究集中在产业划分的基础上,认为专业化程度越高的地区往往有更高的发展效率,从而吸引FDI进入,且多使用工业数据。曾鹏等[8]、Cheng等[9]分别选用城市和省级的工业集聚,发现集聚程度越高越有利于FDI进入。他们的研究忽略了其他产业集聚对FDI的作用。当前服务业经济地位的提升,包括其他行业在内的第三产业在行业结构中的比重不断提高,仅仅考虑工业的集聚水平难以体现真实的集聚作用。崔庆欢[10]的研究发现生产性服务业集聚对FDI影响显著,当集聚程度指标上升1%,会增加5.65%的FDI流入。孙浦阳等[11]将服务业细分为生产性服务业、消费性服务业和公共性服务业,体现服务业集聚,同时加入了制造业集聚、已有外资集聚,结果同样印证了生产性服务业和公共性服务业对FDI流入的明显促进作用,而制造业集聚不能有效促进FDI流入,外资企业的集聚对FDI实际利用额呈现负向显著的影响。可见,不同产业细分的结果差异显著。不足的是,这些研究依然停留在行业层面的粗略划分,赵伟等[12]虽对制造业内部进行了详细的行业划分,却如前文所述,忽略了服务业作用。而孙浦阳等[11]虽关注到了服务业内部差异,但仍不能体现产业内部各行业的差异性。
相关联行业间配套协作或不同行业集中分布形成多样化集聚。相较于同业集聚,异业集聚与FDI关系的研究文献较少。梁琦[13]用已有工业企业总体数量反映多样化集聚,发现产业多样化更有利于吸引外资。张俊妮等[14]同样发现多样化有利于提高地区经济的稳定性,地方需求也会相对稳定,从而产生对新投资的重要吸引力。王丽艳[15]分析了262个地级市的FDI数量,发现多样化和专业化对沿海地区的影响作用更显著,再次印证了多样化集聚水平对外资数量增长具有显著作用,低层次的专业化并不能有效吸引FDI。不过这些多样化集聚的研究以投资地原有产业为测度对象,FDI自身集聚的多样化程度缺少关注。
此外,集聚的测度指标也存在较大不同,前文中曾鹏等[8]、崔庆欢[10]用区位熵测度集聚,肖文等[16]用工业行业的专业化指数、城市第三产业产值占地区生产总值比重代表第三产业集聚,体现原有FDI专业化集聚的水平。受数据获取的影响,FDI集聚还多用某地累计投资金额测度。例如,胡平等[17]、胡志强等[18]用前一期历年FDI之和进行集聚测度,发现FDI累积效应对外资有着明显的正向作用,FDI具有集聚扎堆效应。唐宜红等[19]利用中国面板数据研究发现,前期服务业流入是服务业FDI流入的关键因素。这些指标均能在一定程度上反映集聚对FDI流入的作用。但研究中多对外资整体进行分析,忽略了跨国公司的差异性与个体投资选择。
综上所述,行业集聚效应的研究结论之间彼此有冲突,原因可能来自于以下2个方面：第一是行业划分精度的缺陷。大多数研究中仅划分至制造业和服务业层面,导致不同行业或不同行业划分精细程度的样本选取对结果产生不同影响,只有对各行业做出详细分类,才能提高集聚对FDI作用分析的准确性。第二是忽略企业异质性的缺陷。现有指标的选择多基于FDI整体投资进行分析,缺乏企业个体差异化对投资的影响。因此,根据日本行业分类,将制造业和服务业内部划分23类细分行业,同时,参考Lu等[20]运用已有食品企业分支机构的数量代表集聚效应的研究,使用各行业投资企业数量来反映行业间集聚。直接统计已有的同行业数量和已有不同行业的数量,作为同行业集聚和异行业集聚的代理变量,反映行业集聚效应的差异,并且在指标选择中突出了企业投资主体的作用。
FDI企业区位的同源国特征显著。例如,2017年韩国在中国签订项目1627个,其中559个集中落户在山东。母国与东道国之间文化、制度的差异性,导致FDI进入东道国时,了解当地政策、市场等信息存在困难。因此,同一母国的FDI往往追随先期进入企业的区位,在特定的地区形成同源集聚,以降低交易成本,获得集聚利益。颜银根[21]研究20个国家(或地区)在中国19个省级行政单位的外商直接投资项目,使用前一期的同源国企业数量作为同源国集聚的代理变量,发现其中有17个国家(地区)的外商直接投资企业区位选择时,会考虑之前该地区的企业数量。Crozet等[22]利用近10 a来近4000项外国投资和92个地点的样本,研究外国投资者在法国选址的决定因素,分析了来源国籍相同的同源国集聚效应,发现企业倾向跟随靠近同一国家和地区的企业。Lee等[23]分析日本制造业FDI在韩国的区域选址决策,发现了原产国效应的有力证据。日本对高科技产业的外国直接投资显示出典型的“跟随领导者”模式,而低技术产业的投资受到区域禀赋的影响。同源国集聚主要表现为多个母国对同一东道国的FDI,通过追随先期同一母国的投资区位,以减少母国与东道国体制、文化、制度等差异的不利影响。而单一母国对同一东道国内部投资的情形下,上述差异的影响会相应削弱。与之相反,母国企业间供需等技术经济联系、经营惯习与默契等在国家内部层面的体现更为显著,企业追随已有同源企业所在的城市布局,能获取经验,从而减小风险、尽快融入本地。随着时间的推移,FDI沿产业链投资的现象越发明显,母公司在母国可能存在交流与合作,使得随时间推移,子公司在东道国沿产业链集聚投资的现象越发明显。因此,国家内部层面是否存在同源效应,值得进一步探讨。
基于以上分析,本文主要解决以下问题：第一,提高行业划分精度,考察同业集聚和异业集聚对FDI的作用;第二,缩小空间尺度,基于国家内部层面讨论FDI的同源和异源效应;第三,分析同业效应和同源效应所产生的作用与企业属性特征间的关系。这些内容将研究视角从宏观国家层面转入到微观企业层面,既考虑到了东道国企业集聚,也反映了母国特征和企业自身属性差异,对FDI的区位研究有一定的促进作用。

1 数据与研究方法

1.1 数据与研究对象

本文数据来自《2017年日本进出口汇编》,该汇编统计了2017年前日本企业在中国各城市所投资的子公司,其在中国的空间分布极不均衡。考虑到北京、上海、广州和深圳作为4大一线城市,在环渤海地区、长三角地区和珠三角地区的发展中具有很强的代表性;同时,北京和上海同属直辖市,而广州和深圳的日资占据广东省日资远超半数,因此,将广州和深圳进行合并,与北京和上海进行对比分析。
图1显示了日企投资区位的时空变化。其中1992年前北京、上海、广深的日企分别有9、38、14家,各地投资数量较少,整体空间分布差异较小。1993—2002年日企数量飞速发展,北京投资123家,占日企在华投资总量6.5%;上海704家,占比37.2%;广深93家,占比4.9%,集聚特征初步显现。经过2003—2012年的持续发展,日资在沿海城市集聚的态势进一步加强,其中北京投资211家,占比5.90%;上海投资1302家,占比36.80%,集聚规模迅速扩大;广深248家,占比7.02%。2013年后日资在中国投资整体减少,但北京投资28家,上海141家,广深20家,占比分别为6.1%、31.1%、4.4%,仍是重要的投资目的地。京、沪、广深成为日资企业的集聚高地。
图1 日本在中国FDI的空间分布及变化

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1697号的标准地图制作,底图无修改。

Fig.1 Spatial distribution of Japanese FDI in China and change

1.2 变量选取

本文的被解释变量为日资在中国的选择区位,即北京、上海和广深。主要的解释变量为同业集聚效应和同源集聚效应(表1)。此外,已有文献均假设所有的企业属性同质,侧重分析东道国区位优势对于FDI 的作用,忽视了企业自身分布各地的子公司在生产规模等方面属性特征的复杂性,刘晓宁[24]、符文颖等[25]在研究中均发现企业自身属性差异对FDI产生影响。因此本文将日企子公司的异质性因素纳入研究范畴,体现企业的差异性选择。这些变量既包括了东道国的区位条件,也反映了企业自身的属性差异。同时,为了京、沪、广深之间的绝对可比性,在方程中仅选择在京、沪、广深均有子公司投资的日本母公司作为有效样本进行分析,此类母公司在京、沪、广深共投资子公司345家。
表1 模型变量

Tab.1 Model variables

变量名称 指标 衡量指标 单位或说明
同业效应 同业集聚 投资前城市已有同行业日企数 个
异业集聚 投资前城市已有其他行业日企数 个
同源效应 同源集聚 已有同源子公司数量 个
异源集聚 已有不同源子公司数量 个
异质性因素 进入时间 日企子公司首次进驻时间 年
企业规模 子公司的从业人员规模 人
进入模式 进入城市的所有权形式 独资=1,合资=0
产业链环节 企业所处价值链环节 生产制造=0,商务服务=1,进出口贸易=2,
研发设计=3,销售营销=4
行业类别 企业所属行业 服务业=0,制造业=1
(1) 同业效应。将现有的制造业详细划分为电器机器、化学、钢铁、机械、纤维、食料品、精密机器、输送机器,将服务业详细划分为批发零售、广告、通信放送和仓储物流。统计某子公司设立前已存在的相同行业企业数量来代表同业集聚,用某子公司设立前已存在的不同行业的数量来代表异业集聚。分析北京、上海、广深的同业效应和异业效应,对比其专业化集聚和多样化集聚。
(2) 同源效应。将同源国效应下沉至国家内部层面的同源效应。为反映同源集聚效应,在对日企进行详细行业划分的基础上,进一步统计日本母公司来源。某子公司设立前已有的来源相同的企业数量反映同源集聚,同源集聚显著意味着日本国内来源地的集中。再用某子公司设立前已有的不同来源企业的数量反映异源集聚,若异源集聚也显著,说明来源地集中且更加多元。
(3) 异质性因素。子公司选择进入东道国城市的方式、所处产业链环节类型、行业类别的不同,其集聚特征可能存在差异。其中,进入模式以日资在中国投资所有权形式划分为独资和合资;产业链环节依据日企详细的投资内容划分为生产制造、商务服务、进出口贸易、研发设计和销售营销5个价值链环节;行业类别则根据日企所投资的行业划分为服务业和制造业。时间变量衡量日企进入前后对区位选择的影响,选用企业首次入驻的年份表示进入时间;企业规模变量用从业人员数量反映。

1.3 计量模型

本文设定回归方程主要为对比分析北京、上海和广深同业效应、同源效应。同时,企业数据存在无序变量且因变量为多分类变量,因此利用多项Logistic回归模型,取其中一个类别作为参照类别,将每个类别分别与参考类别配对。其基本公式为：
ln P j P J = α j + ∑ i = 1 n β ji X i j = 1,2 , ⋯ , J - 1
式中：因变量 ln P j P J 为各类别与参照类别发生的概率比值; α j 为常数项;X1~Xi为自变量,分别表示进入时间、企业规模、进入模式、产业链环节、行业,以及分别包括在同业效应模型中的同业集聚、异业集聚,同源效应模型中的同源集聚、异源集聚;β1~βi为自变量系数。类别有J类,则存在J-1个方程,每个方程都有对应该类别的参数估计。
本文包括北京、上海和广深3个类别,以广深为参照项,代入后分别为北京与广深的对比方程(2)、上海与广深的对比方程(3)：
ln P 北京 P 广深 = α 北京 + β 北京 1 X 1 + ⋯ + β 北京 i X i
ln P 上海 P 广深 = α 上海 + β 上海 1 X 1 + ⋯ + β 上海 i X i
βj1~βji系数的正负反映北京和广深、上海和广深相比较自变量影响是否相同,自变量中分类变量均以最后一项作为参照,来对比其他项发生的频率。

2 实证分析

构建多项Logistic回归模型,考虑到同源效应和同业效应数据的重复性,分2个模型进行计量。每个模型提供的7个方程结果均通过了显著性检验(表2、表3)。在方程1中仅加入同业效应或同源效应变量;方程2~方程6分别加入进入时间、企业规模、模式、产业链环节、行业作为异质性变量,考察相关变量对同业效应和同源效应稳定性的影响;方程7中加入所有变量,对比其在各地的异同性。
表2 同业效应模型检验

Tab.2 Model test of the same industry effect

指标 方程1 方程2 方程3 方程4 方程5 方程6 方程7
N 342 342 193 342 342 342 186
伪R2 Cox和Snell 0.183 0.226 0.178 0.218 0.288 0.278 0.670
Nagelkerke 0.209 0.257 0.203 0.248 0.328 0.316 0.761
McFadden 0.096 0.121 0.093 0.117 0.161 0.154 0.522
似然比显著性水平 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001
分类百分比校正/% 49.40 47.70 47.20 51.80 56.70 54.00 78.50
表3 同业效应回归结果

Tab.3 Results for the same industry clusters effect

变量 方程1 方程2 方程3 方程4 方程5 方程6 方程7
北京 上海 北京 上海 北京 上海 北京 上海 北京 上海 北京 上海 北京 上海
进入时间 0.104**(0.025) 0.002*(0.093) 0.143(0.391) -1.373***(<0.001)
企业规模 <0.001(0.173) <0.001(0.286) <0.001(0.794) -0.001(0.177)
合资 -1.475**(0.001) -1.314**(0.002) -1.263*(0.051) -1.182(0.158)
生产制造 -2.519***(<0.001) -1.090**(0.010) -1.066(0.253) 2.857
(0.145)
商务服务 0.033(1.034) 0.035(0.941) 0.031(0.968) 3.290*(0.062)
进出口贸易 -1.162**
(0.036)		 -0.472(0.310) -0.362(0.623) 3.719**(0.035)
研发设计 -0.182(0.777) -1.113*(0.098) -0.131(0.888) 3.978*(0.065)
服务业 2.277***
(<0.001)		 0.742**(0.012) 2.087**(0.006) -0.649(0.480)
同业集聚 0.008(0.700) 0.057**(0.001) -0.005(0.817) 0.056**(0.001) -0.005(0.879) -0.028(0.270) 0.014(0.524) 0.062***
(<0.001)		 0.003(0.907) -0.060**(0.001) 0.006(0.804) 0.055**(0.010) -0.045(0.425) 0.282**(0.003)
异业集聚 -0.006(0.218) 0.014**(0.001) -0.002**(0.022) 0.014**(0.001) -0.008(0.269) 0.016**(0.006) -0.008(0.113) 0.012**(0.004) -0.014**(<0.001) -0.014***(<0.001) -0.016**(0.007) 0.010**(0.012) -0.046(0.233) 0.210***
(<0.001)
百分比校正/% 19.3 75.8 19.3 77.0 29.8 74.5 14.5 72.0 45.8 67.7 48.2 64.6 60.0 93.0

注：***、**、*分别表示通过0.01、0.05、0.1显著性水平检验;括号中数据为Sig显著性。下同。

2.1 同业效应

同行业集聚意味着投资地区相同行业集聚,专业化水平更高。表2中同业效应的模型P<0.001,方程1不考虑其他因素影响,方程7加入全部自变量,分类百分比校正由49.40%提升至78.50%,伪R2由0.209提升至0.761。说明方程意义显著,且加入异质性因素后,对解释同业集聚具有更好的效果。
表3的同业集聚模型中,方程1中的北京无论是同业集聚还是异业集聚,都没有通过显著性检验。日企行业集聚水平在北京和广深之间没有显著的差别。各方程中,上海同业集聚、异业集聚的回归系数均为正值,大都在0.05水平上通过显著性检验,意味着与广深相比,日企在上海更趋向于追求同业集聚表现的专门化效果和异业集聚表现的多样性效果。
从北京来看,方程2~方程7同业集聚未通过检验,而在方程2、方程5和方程6中,异业集聚方向为负,且通过0.05水平上检验,说明广深比北京异业集聚稍强。时间因素方向为正、生产制造和进出口贸易为负、服务业行业为正,表明进入时间、价值链环节和行业类别对北京同业集聚效用产生显著影响,但是各方程不同的显著性变化表明这种影响并不稳健。解释力度最强的方程7中,北京和广深同业集聚、异业集聚均未呈现显著差别。
从上海来看,方程2~方程7中,仅方程3同业集聚不显著,其余不论同业集聚还是异业集聚,系数均为正且通过显著性检验。这意味着,在各种因素的影响下,上海的集聚都是十分显著稳定的。
对2012—2017年北京、上海和广深的专业化指数和多样化指数进行测算(图2)。从专业化指数来看,上海、广州、深圳专业化水平较高,其中深圳地区处于最高的水平。2013年后上海专业化指数由1.16略微下降至1.14,广州在这一节点超过上海上升至1.19,这与广深作为重要的制造业基地是相关的。上海方程中也同样表现出了明显的同业集聚效应,专业化水平较高。北京专业化明显较低,其同业集聚效应也不显著。从多业化来看,广州多样化水平最高,上海和深圳次之,北京仍处于较低的水平。随时间变化,其多样化指数均呈现出明显的上升状态,说明这些大城市都在朝着多样化的方向发展。值得注意的是,专业化和多样化并不是互相矛盾的,上海在方程中表现出同业集聚和异业集聚最强的特点,但上海的专业化和多样化指数却略低于广深,原因在于这种多样化已经升级为多种专业化产业的集聚,专业化集聚的优势不断向相关联产业延伸,逐渐呈现出专业化产业的多样化集聚模式。投资行业机构中,广深制造业突出,而上海产业结构更加多元可以充分印证此观点。上述结果表明,与北京、广深地区相比,日企在上海的滚雪球效应更为明显。上海日企多样化效应及专门化效应显著且稳定,是吸引日企在此布局的重要因素。
图2 京、沪、广、深日企专业化和多样化指数

注：数据来自《中国统计年鉴》,北京2015—2017年数据缺失。

Fig.2 Specialization index and diversification index of Japanese FDI in Beijing, Shanghai, Guangzhou and Shenzhen cities

2.2 同源效应

一般情况下,出身同一地的企业,共同的局地劳动力市场、外包与协作市场、产品销售与原材料供应市场、服务支撑市场,导致企业间的信息联系、技术联系、协作联系更为畅通、紧密和稳定。由此,无论是产业链的配套、投资、市场与劳动力信息的提供,先行投资的日企对后续投资日企会有较大的影响,甚至出现国内的企业联系移植到投资目的地的可能性,即有同一出身地企业区位趋同,不同出身地企业区位趋异的现象。在方程中引入同源集聚、异源集聚2个变量考察出身地效应。表4中同源效应的模型均通过0.001水平上的显著性检验,方程1不考虑其他因素影响到方程7加入异质性因素后,分类百分比校正由47.10%提升至78.00%,伪R²由0.215提升至0.771。说明方程意义显著且加入异质性因素后,对同源效应的解释力度最强。
表4 同源效应模型检验

Tab.4 Model test of the same source effect

指标 方程1 方程2 方程3 方程4 方程5 方程6 方程7
N 342 340 187 342 342 342 186
伪R2 Cox和Snell 0.189 0.383 0.205 0.220 0.288 0.283 0.678
Nagelkerke 0.215 0.436 0.233 0.251 0.328 0.322 0.771
McFadden 0.099 0.229 0.108 0.118 0.161 0.158 0.535
似然比显著性水平 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001
分类百分比校正/% 47.10 66.20 47.10 51.20 56.10 54.70 78.00
表5的同源集聚模型中,方程1北京同源和异源集聚均为负,且未通过显著性检验。日本企业是否来源城市相同在北京和广深间差异不明显。上海方程中,同源集聚和异源集聚的回归系数均为正值,且方程7中均在0.01水平上通过显著性检验。意味着与广深相比,上海地区的日企在布局时,同源和异源集聚作用更强。北京同源效应的回归系除了方程2均为负值,但方程2~方程5未通过显著性检验,方程6和方程7分别通过了0.05和0.1水平上的显著性检验。异源集聚回归系数同样除方程2均为负值,仅方程6通过0.1水平的显著性检验。说明,北京方程同源集聚和异源集聚的稳定性不强。上海的方程中,无论是同源集聚还是异源集聚,其回归系数均为正值,方向稳定,且通过0.05水平上的检验。这就意味着,上海日资子公司投资集聚效应最强,不论是在同源效应还是异源效应中均有明显体现;而北京同源尾随投资的作用最弱。
表5 同源效应回归结果

Tab.5 Results for the same source city clusters effect

变量 方程1 方程2 方程3 方程4 方程5 方程6 方程7
北京 上海 北京 上海 北京 上海 北京 上海 北京 上海 北京 上海 北京 上海
进入时间 0.185**(0.006) -0.487***(<0.001) 0.093(0.579) -1.392**
(<0.001)
企业规模 <0.001(0.204) <0.001(0.401) <0.001(0.996) -0.001(0.199)
合资 -1.432***(0.001) -1.220**(0.004) -1.360**(0.042) -1.065(0.210)
生产制造 -2.505***(<0.001) -1.098
(<0.001)		 -1.105(0.225) 2.978(0.130)
商务服务 0.038(0.939) -0.180(0.175) 0.198(0.802) 3.374*(0.054)
进出口贸易 -1.115**
(0.036)		 -0.630(0.175) 0.032(0.996) 3.691**(0.033)
研发设计 -0.135(0.832) -0.858(0.183) -0.234(0.800) 4.164*(0.052)
服务业 2.298***
(<0.001)		 0.693**
(0.017)		 2.140**(0.005) -0.531(0.564)
同源集聚 -0.014(0.168) 0.030***(<0.001) 0.017(0.258) 0.102***
(<0.001)		 -0.031(0.003) -0.029**(0.003) -0.014(0.155) 0.030***
(<0.001)		 -0.023(0.030) -0.026***(<0.001) -0.026**(0.017) 0.026***
(<0.001)		 -0.072*(0.068) 0.237***
(<0.001)
异源集聚 -0.002(0.769) 0.014**(0.001) 0.032(0.022) 0.089***
(<0.001)		 -0.003(0.594) 0.013**(0.021) -0.003(0.623) 0.014**(0.003) -0.008(0.140) -0.011**(0.015) -0.009*(0.096) 0.012**(0.012) -0.026(0.475) 0.220***
(<0.001)
百分比校正/% 21.7 75.2 19.3 86.3 32.6 74.4 15.7 71.4 45.8 67.7 48.2 66.5 64.4 93.0
为证明上海比北京和广深同源集聚和异源集聚作用更强,将投资行业与日本来源地进行链接(图3)。可以明显看到北京和广深的制造业高度来源于东京都,验证了方程6和方程7中出现的同源效应。而上海的制造业中,东京都和大阪府均为重要的来源地,说明上海既有高度集中的同源企业,也因其来源地多样表现出异源集聚。进一步将制造业内部各行业来源地划分,以电器机器行业为例,北京和广深以东京都为主,而东京都和大阪府均是上海的重要来源地。同样表现出上海同源集中且东京都和大阪府多样来源城市形成异源集聚的特征。
图3 京、沪、广深日企来源与投资行业链接

Fig.3 Linkage of source city and investment industry of Japanese companies in Beijing, Shanghai, Guangzhou-Shenzhen

2.3 其他因素

2.3.1 进入时间与企业规模
在2个模型中,时间因素在上海的方程中方向为负且通过显著性检验,北京的方程未通过显著性检验,说明早期投资的企业更倾向选择在上海布局,北京和广深进入时间相似。若从投资的全部子公司来看,截至2017年,日企在北京、上海和广深地区投资的子公司已经达3563个,占其在中国FDI的47%。上海的高峰期与全国高峰出现时间基本一致,北京和广深略晚,第二高峰分别在2005、2006年,而这一时间段恰是入驻日企最多的时候(图4)。
图4 日企进入中国时间

Fig.4 Time for Japanese companies to enter China

企业规模对日资的区位并未产生太大影响,不论在同业效应方程还是同源效应模型,4个方程中均未通过显著性检验。图5为在中国的日企从业人员规模分布,日资在广深的日企规模稍大,但规模分散,从中位数的绝对值来看,制造业规模多在100~200人之间,服务业规模在50~100人之间,北京、上海和广深地区的企业规模差异并不显著。
图5 日企从业人员规模

Fig.5 Number of employees of Japanese companies

2.3.2 行业偏好与价值链分工
与制造业相比,服务业在北京和上海方程的回归系数方向均为正,其中,北京的显著性更强(P<0.001),这意味着服务业尤其倾向于在北京布局。而广深仍然是制造业企业投资的重要目的地。按照日本二级产业结构分类别统计,比重最高的电器机器行业京、沪、广深的比重分别为16%、18%、26%(图6)。除此之外,北京服务业和娱乐业、批发零售业、情报和通讯业等第三产业比重较高。制造业则在上海和广深布局更多,其中,上海电器机器、石油石炭、工业机械占绝对主导地位,其次是批发零售业,其他产业类别的比重较低。广深地区的行业特点更加突出,主要体现在运输机械、工业机械、化学和钢铁制造等机械制造业的集中投资。
图6 日企FDI行业结构

Fig.6 Industrial structure of Japanese companies FDI

从价值链环节来看,与广深相比,北京和上海生产制造环节回归系数为负且显著,生产制造在广深布局特征明显。图7参照王茂军等[26]的研究,将母子公司进行投资行业链接,京沪存在显著的制造服务化倾向,北京制造业母公司投向的商务服务业和销售营销子公司占比分别为47%、70%,上海分别为41%、53%,而广深生产制造环节比重高达近60%,说明广深仍是制造业重要的生产加工基地,涉及到贸易、销售等拓展业务时,上海优势更加明显。
图7 日企母子公司行业链接

Fig.7 Industrial linkage of parent company and subsidiary of Japanese companies

北京应该是研发设计企业布局最多的地区,但方程中上海研发设计环节系数为正且通过显著性检验,考虑到在方程中北京包含大量价值链环节不明显的服务业企业,可能产生结果偏差,为避免服务业的干扰,图8仅用制造业数据统计价值链环节,研发设计在北京的布局占比为46%,说明发达的科技水平和总部经济给研发提供了比较良好的发展环境。
图8 北京、上海、广深地区制造业价值链环节对比

Fig.8 Manufacturing industry value chain of Japanese companies in Beijing, Shanghai, and Guangzhou-Shenzhen regions

2.3.3 进入模式
合资在北京、上海与广深的对比中方向为负,且结果稳健,说明广深地区合资企业聚集。从日企各城市分布来看,北京日资企业353家中,独资、合资分别有144家、合资209家,合资比重为59.21%;上海2092家中,独资1168家、合资924家,合资比重为44.17%;广深415家中,独资、合资分别有148、267家,合资比重高达64.34%。显然,合资模式企业在广深和北京集中布局明显,而独资模式更倾向在上海扎堆。
从表6来看,北京合资比重由63.63%下降至42.55%,降幅超过20个百分点,但在波动中保持了相对的均衡性。上海最初以合资方式占主要地位,自1999年后,“合资>独资”向“独资>合资”转换明显。与京沪不同,广深地区“合资>独资”的特征显著稳定。
表6 日本FDI股权结构变化

Tab.6 Shareholding structure change of Japanese FDI

地区 2001年前 2002—2012年 2013年后 合计
合资数量/家 比重/% 合资数量/家 比重/% 合资数量/家 比重/% 合资企业/家 比重/%
北京 70 63.63 119 60.71 20 42.55 209 59.21
上海 282 53.80 527 39.80 115 47.13 924 44.17
广深 77 81.00 178 64.96 32 69.56 267 64.34

注：样本量北京353家,上海2092家,广深415家。

3 结论和讨论

3.1 结论

日资企业在北京、上海和广深布局的对比研究中,同业效应和同源效应的异同性是本文重点讨论的内容。同时将企业异质性纳入考虑范畴,突破原有研究中企业同质化分析的不足。研究发现：
(1) 北京和广深的集聚程度相对较低,上海的日资企业同业效应和同源效应显著且稳健。上海企业多样化及专门化效应是日企选择上海的重要原因。广深相对来说比北京异业集聚较强,但是这种差别并不显著。
(2) 日企来源具有很强的相同性,主要集中来源于东京都和大阪府。北京和广深来源高度集中,其日资主要来自东京都。相比之下,上海布局的日资企业来源集中且多元,有东京都和大阪府2个重要来源。多样化的来源城市,吸引了更多同源日资企业在此集聚。
(3) 企业属性差异因素加入模型后,更加有效地解释了日资企业在北上广深的布局。在上海布局的企业进入时间较早,但企业规模无明显差别。上海企业进入方式独资化明显,而北京和广深布局的企业更倾向以合资的方式进入,但随着时间变化,独资进入比重不断增高;生产链环节中,商务服务、进出口贸易等环节在上海优势明显,生产制造环节在广深的大规模布局体现出其加工制造的地位。仅考虑行业差别,服务业更倾向布局在北京,上海和广深布局是重要的制造业基地。但北京和上海出现制造业服务化的倾向,在逐渐转向第三产业,而广深仍旧是主要的生产制造基地。

3.2 讨论

本文以企业为主体,在制造业和服务业内部,对比分析了日本FDI在北京、上海和广深同业效应和同源效应的异同。同时分析了日资企业母子公司互动特征,但在以下几方面仍有待改进：
(1) 本文中划分了日资企业的产业链环节,发现制造业服务化和服务业制造化趋势明显,表明了企业复合环节的特征明显,因此产业链环节仍需深入讨论。
(2) 在东道国和母公司联系中,母国内部的产业差异和时间变化对各地子公司产生何种影响仍有深入挖掘的空间。
作为对中国投资的重要来源,日资在典型城市的空间布局及投资结构具有显著特点,应针对在中国的日资空间分布及投资特征的一般规律,结合各区位条件及投资企业特点,有效引导日资企业的合理布局,促进日企和投资地区的共同发展。
首先,提升地区协作能力,增强日企专业化和多样化集聚优势。日企在上海的布局表现出了明显的专业化集聚和多样化集聚特征。因此,在引资政策中注意对相关联行业和配套支撑产业的倾斜,促进互补产业链方面的引资和建设。利用优势环节形成有效协作的产业链,才能进一步激发潜力,促进企业的创先和对地区经济的带动发展。此外,对日企高度集聚的地区,也应抓住机会围绕优势产业发展配套产业体系,通过政策引导异质性企业形成有效的分工合作和空间布局。其次,吸引同源关联企业,促进产业链发展完善。国别内部也存在同源追随效应,且不同来源地投资重点不同。应当充分利用同源集聚的特点,各地针对不同来源日企采取差异化政策措施,吸引来源地相关联企业或有协同合作的企业在当地的进一步追随投资,引导其在当地联合发展,不断形成更加完备的产业链体系,增强集聚效应的发挥。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘作丽, 贺灿飞. 在华外商直接投资区位研究述评[J]. 地理科学进展, 2009,28(6):952-961.

[ Liu Zuoli, He Canfei. A literature review on FDI location. Progress in Geography, 2009,28(6):952-961. ]

[2]
文余源. FDI理论与区位决策研究述评[J]. 地理科学进展, 2008,27(2):60-73.

[ Wen Yuyuan. A review of the literature on FDI theories and location decision. Progress in Geography, 2008,27(2):60-73. ]

[3]
夏良科. 外商直接投资动态演变: 基于城市数据的经验分析[J]. 国际商务研究, 2013,34(3):5-15.

[ Xia Liangke. Dynamic evolution of the location of FDI: An empirical study based on city-level data. International Business, 2013,34(3):5-15. ]

[4]
田素华, 杨烨超. FDI 进入中国区位变动的决定因素: 基于D-G 模型的经验研究[J]. 世界经济, 2012(11):59-87.

[ Tian Suhua, Yang Yechao. Determinants of FDI's location change in China: An empirical study based on D-G model. Journal of World Economy, 2012(11):59-87. ]

[5]
Cleeve E A, Debrah Y, Yiheyis Z. Human capital and FDI inflow: An assessment of the African case[J]. World Development, 2015,74:1-14.

[6]
Kang S J, Lee H S. The determinants of location choice of South Korean FDI in China[J]. Japan and the World Economy, 2007,19(4):441-460.

[7]
杨仁发, 刘纯彬. 中国生产性服务业 FDI 影响因素实证研究[J]. 国际贸易问题, 2012(11):107-116.

[ Yang Renfa, Liu Chunbin. The determinants of producer services FDI in China. Journal of International Trade Issue, 2012(11):107-116. ]

[8]
曾鹏, 秦艳辉. 城市行政级别、产业集聚对外商直接投资的影响[J]. 国际贸易问题, 2017(1):104-115.

[ Zeng Peng, Qin Yanhui. Study on the influence of urban administrative level and industrial agglomeration on foreign direct investment. Journal of International Trade Issue, 2017(1):104-115. ]

[9]
Cheng S M, Stough R R. Location decisions of Japanese new manufacturing plants in China: A discrete-choice analysis[J]. The Annals of Regional Science, 2006,40(2):369-387.

[10]
崔庆欢. 集聚视角下生产性服务业在我国区位选择研究[D]. 蚌埠: 安徽财经大学, 2015.

[ Cui Qinghuan. Research on location selection in China FDI in producer service industry under the focal perspective. Bengbu, China: Anhui University of Finance & Economics, 2015. ]

[11]
孙浦阳, 韩帅, 靳舒晶. 产业集聚对外商直接投资的影响分析: 基于服务业与制造业的比较研究[J]. 数量经济技术经济研究, 2012(9):40-57.

[ Sun Puyang, Han Shuai, Jin Shujing. The impact of agglomeration on FDI in China. The Journal of Quantitative & Technical Economics, 2012(9):40-57. ]

[12]
赵伟, 张萃. FDI与中国制造业区域集聚: 基于20个行业的实证分析[J]. 经济研究, 2007(11):82-90.

[ Zhao Wei, Zhang Cui. FDI and manufacturing agglomeration in China: Evidence of 20 industries. Economic Research Journal, 2007(11):82-90. ]

[13]
梁琦. 跨国公司海外投资和产业集聚[J]. 世界经济, 2003(9):29-37.

[ Liang Qi. Overseas investment and industrial agglomeration of transnational corporations. World Economy, 2003(9):29-37. ]

[14]
张俊妮, 陈玉宇. 产业集聚、所有制结构与外商投资企业区位选择[J]. 经济学, 2006,5(4):1091-1108.

[ Zhang Junni, Chen Yuyu. Agglomeration effect, ownership structure and location choice: Evidence from foreign direct investment in China. China Economy Quarterly, 2006,5(4):1091-1108. ]

[15]
王丽艳. 产业专业化、多样化与FDI引资转型[D]. 湘潭: 湘潭大学, 2015.

[ Wang Liyan. Specialization, variety, and the transform in foreign investment attraction. Xiangtan, China: Xiangtan University, 2015. ]

[16]
肖文, 林高榜. 产业集聚和外国直接投资区位选择: 基于长三角地区经济发展的视角[J]. 国际贸易问题, 2008(7):82-86.

[ Xiao Wen, Lin Gaobang. Industrial clusters and FDI location selection: Evidences from the Yangtze Delta. Journal of International Trade Issue, 2008(7):82-86. ]

[17]
胡平, 伍新木, 文余源. 基于面板数据SDM的长江中游城市群FDI决定因素分析[J]. 经济地理, 2014,34(1):15-21.

[ Hu Ping, Wu Xinmu, Wen Yuyuan. The decisive factors to FDI in urban agglomerations in middle reaches of the Yangtze River: Based on panel data and SDM. Economic Geography, 2014,34(1):15-21. ]

[18]
胡志强, 苗长虹, 华明芳, 等. 中国外商直接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.

[ Hu Zhiqiang, Miao Changhong, Hua Mingfang, et al. Spatio temporal patterns and location factors of FDI in China. Human Geography, 2018,33(5):88-96. ]

[19]
唐宜红, 王林. 我国服务业外商直接投资的决定因素分析: 基于行业面板数据的实证研究[J]. 世界经济研究, 2012(10):75-81.

[ Tang Yihong, Wang Lin. The determinants of Chinese service FDI: An analysis based on an empirical test of the industry panel data. World Economy Study, 2012(10):75-81. ]

[20]
Lu J, Tokunaga S. Supplier access and the location of Japanese food industry FDI in East Asia[J]. Letters in Spatial and Resource Sciences, 2009,2(1):1-10.

[21]
颜银根. FDI 区位选择: 市场潜能、地理集聚与同源国效应[J]. 财贸经济, 2014(9):103-113.

[ Yan Yingen. Location choice of FDI: Market potential, geographic agglomeration and the same country of origin. Finance & Trade Economics, 2014(9):103-113. ]

[22]
Crozet M D, Mayer T, Mucchielli J-L. How do firms agglomerate? A study of FDI in France[J]. Regional Science and Urban Economics, 2004,34(1):27-54.

[23]
Lee K-D, Hwang S-J. Regional characteristics, industry agglomeration and location choice: Evidence from Japanese manufacturing investments in Korea[J]. Asian Economic Journal, 2016,30(2):123-145.

[24]
刘晓宁. 企业对外直接投资区位选择: 东道国因素与企业异质性因素的共同考察[J]. 经济经纬, 2018,35(3):59-66.

[ Liu Xiaoning. Location choice of outward foreign direct inve- stment: A study on host country factors and enterprise heterogeneity factors. Economic Surwey, 2018,35(3):59-66. ]

[25]
符文颖, 吴艳芳. 德国在华知识密集制造业投资进入方式的时空特征及区位影响因素[J]. 地理学报, 2017,72(8):1361-1372.

[ Fu Wenying, Wu Yanfang. Spatio-temporal characteristics and locational determinants for entry mode of German knowledge-intensive FDI in China. Acta Geographica Sinica, 2017,72(8):1361-1372. ]

[26]
王茂军, 徐永平. 中国在美洲的OFDI基本特征与决定因素[J]. 地理学报, 2017,72(8):1373-1391.

[ Wang Maojun, Xu Yongping. China's OFDI in America: Basic features and determinants, 2017,72(8):1373-1391. ]

Options
文章导航

/

〈 〉