基于地理探测器和GWR的中国服务业人口分布及影响因素

Research on the Population Distribution and Influencing Factors in the Service Industry in China Based on Geodetector and Geographically Weighted Regression

摘要

厘清服务业人口的空间分布格局，对加快现代服务业体系建设、推动经济高质量发展具有重要意义.基于第七次全国人口普查分县数据，综合运用空间自相关、冷热点分析、地理探测器和地理加权回归（GWR）模型等方法，系统研究中国服务业人口的空间分布特征及其影响因素.研究发现：1） 服务业人口呈现显著的空间集聚特征，在京津冀、长三角和珠三角城市群形成高密度集聚区；2） 房价、人才和教育资源是影响服务业人口分布的核心因素，且存在显著的双因子增强和非线性增强等交互效应，揭示出居住成本溢价、创新要素集聚、教育资源配置是对服务业人口空间布局的关键影响因素；3） 各驱动因素的影响强度呈现明显的空间异质性，其中房价的影响在成渝地区最突出，人才集聚的影响在东南沿海最显著.本研究为制定差异化的区域发展政策提供科学依据，建议重点从产业结构升级、人力资本培育和数字技术融合等方面优化服务业人口空间布局.

Abstract

Clarifying the spatial distribution pattern of the population engaged in the service industry is of great significance for accelerating the construction of a modern service industry system and promoting high-quality economic development. Based on the county-level data from the seventh national census， this study systematically investigates the spatial distribution characteristics of the population engaged in the service industry and its influencing factors by comprehensively applying methods such as spatial autocorrelation， hot and cold spot analysis， geodetector， and geographically weighted regression （GWR） models. The findings are as follows： 1） The population engaged in the service industry shows a significant spatial agglomeration feature， forming high-density agglomeration areas in the Beijing-Tianjin-Hebei， Yangtze River Delta， and Pearl River Delta urban agglomerations. 2） Housing prices， talent， and educational resources are the core factors influencing the distribution of the population engaged in the service industry， and there exist significant interaction effects such as double-factor enhancement and non-linear enhancement， revealing the key impacts of residential cost premiums， innovation factor agglomeration， and educational resource allocation on the spatial layout of the population engaged in the service industry. 3） The influence intensity of each driving factor shows obvious spatial heterogeneity， with housing prices having the strongest impact in the Chengdu-Chongqing region and talent agglomeration having the most prominent impact in the southeast coastal areas. This study provides a scientific basis for formulating differentiated regional development policies and suggests focusing on optimizing the spatial layout of the population engaged in the service industry from aspects such as industrial structure upgrading， human capital cultivation， and digital technology integration.

Graphical abstract

关键词

服务业人口 / 空间分布 / 影响因素 / 地理探测器 / 地理加权回归 / 区域差异

Key words

population engaged in the service industry / spatial distribution / influencing factors / geodetector / geographically weighted regression / regional differences

在中国经济高质量发展转型的关键阶段，服务业作为国民经济支柱性产业的战略地位持续提升.党的二十大报告明确提出，要“构建优质高效的服务业新体系”，这标志着中国服务业发展正经历从规模驱动向质量引领转变^［1］.作为现代服务业发展的核心要素，服务业人口规模及其空间分布直接影响着现代服务业体系的建设进程.深入探究中国服务业人口的空间分异特征及其影响因素，不仅有助于优化服务业人口的空间布局，提升区域劳动力资源配置效率，更可为构建现代服务业体系提供基础支撑和科学依据，对推动区域经济高质量发展具有重要的现实意义.

人口地理学研究历经长期积累，已形成较为完善的空间分析范式.早期研究往往通过空间自相关分析揭示中国人口分布的“多核心”特征^［2-4］，借助重心模型证实城市群作为人口集聚核心的持续性^［4］，运用地理探测器验证胡焕庸线两侧人口集散的变化趋势等^［5-6］.近年来，学者们开始关注经济要素对人口分布的塑造作用，证实东部城市群人口增长与区域经济发展呈现显著空间耦合^［7］.也有研究注意到产业人口分布特征对于揭示区域产业结构升级演变规律的重要作用，通过回归分析等方法解析地形起伏度对产业人口分布的影响^［8］.有研究进一步关注产业人口的细分门类，探究了不同空间尺度下的农业人口空间分异特征，拓展了专题人口分布研究的方法和成果^［9］.在服务业布局及服务业人口空间分布研究方面，微观层面研究证实，服务业集聚特征显著^［10］，所有服务业门类企业均呈现空间依赖性^［11］，服务业分布与人口聚居区之间存在空间共轭关系^［12］.中观层面研究发现，城市人口密度提升^［13-14］、人力资本高级化^［15］与资本积累^［16］推动城市生产性和生活性服务业发展，这构成服务业向城市集聚的核心动力，推动服务业人口向工业区和都市圈核心区集中^［17］.宏观尺度研究揭示，省际层面人口集聚、公共服务与服务业发展存在空间协同效应^［18］，但区域中心城市的服务业集聚对周边城市的人口具有梯度扩散效应^［19］.

尽管取得上述重要进展，现有研究仍存在显著空白：第一，既有成果注意到了人口分布与服务业布局之间的空间互动机制，但仅有少量文献讨论了服务业从业人员的空间动态^［20］，专门针对服务业人口空间分布规律及其影响因素的系统研究相对罕见.第二，现有成果尚未就服务业人口分布的影响因素及因子交互作用进行深度解析，未能有效整合空间分析、地理探测器和地理加权回归等不同研究方法的优势，揭示其空间分布的内在规律.基于此，本文运用莫兰指数（Moran’s I）、冷热点分析，揭示服务业人口空间分布特征；通过地理探测器量化自然地理和经济社会因子对服务业人口分布的解释力；借助地理加权回归（GWR）模型揭示重要驱动因子的空间异质性，构建“格局识别-因子探测-交互作用-机制解析”的研究框架，拓展专题人口地理的研究视角和研究方法，为推动现代服务业体系高质量发展提供科学依据.

1 数据来源和研究方法

1.1 数据来源

本研究使用的数据主要有：1） 服务业人口数据来源于第七次全国人口普查领导小组办公室编制的《2020年中国人口普查分县资料》，统计口径为普查标准时点主要从事服务业的常住人口.服务业的界定遵循《国民经济行业分类》（GB/T 4754—2017）标准，涵盖全部15个服务业门类.2） 自然环境数据包括气候数据、地形数据和环境质量数据.其中，年均气温和年均降水数据来源于中国气象局国家气象信息中心发布的权威气象观测数据；地形起伏度数据通过地理空间数据云平台（geospatial data cloud）提供的数字高程模型（DEM）计算获得；PM_2.5浓度数据采用中国科学院大气成分分析组发布的卫星遥感反演产品.3） 社会经济数据包括房价数据和其他经济社会指标，其中房价数据通过整合安居客、房天下和房价行情网三大房地产信息平台的挂牌交易数据，采用算术平均法整理计算获得.其他经济社会指标主要来源于国家统计局出版的《中国城市统计年鉴（2020）》以及各地级市统计局发布的《国民经济和社会发展统计公报》.基于数据可得性和完整性原则，研究包含了全国295个地级以上城市，样本覆盖中国85.3%的地级行政单元，具有较强的代表性.

1.2 研究方法

1.2.1 Moran’s I指数

Moran’s I指数是用于衡量研究对象在空间上的分布特征及其集聚或离散程度的一种空间自相关分析方法^［21］.采用全局莫兰指数来度量中国服务业人口在空间上的自相关与集聚特征.计算公式如下：

I=\frac{{\displaystyle \sum _{p=\mathrm{1}}^n}{\displaystyle \sum _{q=\mathrm{1}}^n}{W}_{pq}\left(x_p-\overline{x}\right)\left(x_q-\overline{x}\right)}{S^{\mathrm{2}}{\displaystyle \sum _{p=\mathrm{1}}^n}{\displaystyle \sum _{q=\mathrm{1}}^n}{W}_{pq}}，（1）

式中：I为指数，x_p 、x_q 分别为研究区域p和q的服务业人口数量，\overline{x}为研究区域服务业人口数量均值，S²为样本方差，W_pq 为空间权重矩阵.I的取值范围为［-1，1］，绝对值越大，相关性越强.当I接近0时，表示各区域服务业人口分布是随机的.

1.2.2 冷热点分析

冷热点分析基于空间统计学原理，通过Getis-OrdG_i^{*}统计量来识别数据在空间上的集聚与离散状况^［22］.热点区域表示该区域服务业人口集聚水平较高，冷点区域则表示服务业人口集聚水平较低.通过ArcGIS来识别服务业人口分布的热点区域和冷点区域.

1.2.3 地理探测器

地理探测器基于空间分异性原理^［23］，通过评估不同因子对因变量的解释力来揭示其内在关系.地理探测器中的因子探测器通过计算q值来量化自变量对因变量的解释程度.计算公式如下：

q=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}}{N{\sigma }^{\mathrm{2}}} ，（2）

式中：L表示自变量的分类数，N_h 和N分别为子区域h和整个区域的单元数，σ²_h 和σ² 分别为子区域h和整个区域因变量的方差.q值越大，表明自变量对服务业人口分布的解释力越强.

因子交互探测可分析2个自变量的交互作用对因变量的影响.通过比较不同自变量交互作用的q值与单个自变量的q值，可以判断其交互类型，从而揭示各因子对服务业人口分布影响的复杂协同效应.

1.2.4 地理加权回归

地理加权回归（GWR）是一种用于捕捉空间异质性的空间统计方法^［24］. GWR允许回归系数在不同空间位置上存在变化，并通过变系数揭示空间非平稳性，避免因假设关系在整个研究区域内恒定而导致的模型偏差，从而得到更为可信的模型结果.计算公式如下：

P_i={\beta }_{\mathrm{0}}\left(u_i,v_i\right)+{\displaystyle \sum _{k=\mathrm{1}}^n}{\beta }_k\left(u_i,v{}_i{}^{}\right)x_{ik}+\epsilon \left(u_i,v_i\right) ，（3）

式中：P_i 代表空间上点i的因变量，（u_i，v_i ）为点i的空间地理坐标，n为自变量个数，β₀为点i处的截距，β_k （u_i，v_i ）为第k个自变量在点i的回归系数，x_ik 为第k个自变量在点i处的观测值，\epsilon为随机误差项.

2 空间特征分析

中国服务业人口空间分布呈现显著的非均衡特征（图1）.从空间格局来看，服务业人口分布具有“东密西疏”的基本格局.具体而言，东部沿海地区服务业人口密度显著高于中西部地区.上海、深圳、厦门和东莞的服务业人口密度超过100人/km²，北京、广州等一线城市及东部沿海发达城市的服务业人口密度普遍超过40人/km²，这些区域集中了全国最具竞争力的金融、贸易、科技创新和文化创意等现代服务业集群，吸引了大量高素质服务业从业人员^［25］.西部地区服务业人口密度整体偏低，多数城市低于1.5人/km²，但区域内仍存在明显的空间分异，如西安、乌鲁木齐、银川等西部中心城市服务业人口高度聚集，密度达到10人/km²，但其周边地区服务业人口较为稀疏.从空间结构来看，服务业人口分布呈现典型的中心-外围模式.以京津冀、长三角、珠三角、成渝、中原城市群、武汉都市圈核心区等凭借完善的服务业体系，形成了显著的服务业人口聚集态势，密度超过40人/km²，其核心区服务业人口密度远高于周边地区.

基于Getis-Ord G_i^{*}统计量的热点分析，揭示了服务业人口的空间分异格局（图2）.研究表明，服务业人口分布的热点区主要集中在东部沿海三大城市群：京津冀、长三角和珠三角地区.这些区域凭借其高度开放的经济环境、完善的产业体系和强劲的消费能力，形成了显著的服务业人口集聚效应.相比之下，冷点区主要分布在西部地区（新疆维吾尔自治区、西藏自治区、内蒙古自治区、广西壮族自治区）以及海南省.这些地区受限于经济发展水平、基础设施条件和产业结构特征等，服务业人口集聚水平相对较低.空间自相关分析显示，Moran’s I指数为0.145（P<0.001；Z=8.572），说明中国服务业人口空间分布具有显著的正向自相关性，呈现显著的空间集聚特征.服务业人口空间分布格局反映了中国服务业发展的空间不平衡特征，与中国各地区的城镇化进程和产业结构转型阶段具有空间耦合关系.

3 影响因素分析

3.1 指标选取

参考相关研究成果^［26］，将影响服务业人口分布的因素分为自然地理、经济、社会等3大类（表1）.其中，自然地理因素包括地形、气温、降水、环境等4个方面，经济因素包括城镇化水平、产业结构、收入、房价以及数字经济发展水平等5个方面，社会因素涵盖医疗、交通、教育与人才等4个方面.

借鉴相关文献，从互联网普及率、互联网相关从业人员数、互联网相关产出、移动互联网用户数和数字金融普惠发展等5个方面，通过主成分分析法构建数字经济综合发展指数^［27］（表2）.

3.2 单一因子分析

基于地理探测器的因子分析表明，中国服务业人口分布呈现出显著的多因素驱动特征.对13个影响因子进行最优离散化处理和q值计算（表3），发现：1） 房价（q=0.500）、人才集聚（q=0.390）和教育资源（q=0.310）的解释力均超过0.3，构成主导驱动因子^［28］，凸显出生活成本和人力资本对服务业人口分布的核心影响；2） 数字经济发展指数（q=0.273）、第三产业占比（q=0.254）、人均GDP（q=0.239）和城镇化率（q=0.223）等经济类因子得分较高，反映出产业结构升级和经济发展水平对服务业人口集聚具有重要促进作用；3） 虽然年均气温（q=0.085）和年均降水（q=0.054）等自然地理因子能够通过显著性检验，但其解释力相对有限.这一结果验证了服务业人口分布主要受经济社会因素驱动的基本规律，深刻揭示了创新要素集聚、教育资源配置和居住成本控制等是影响中国服务业人口空间布局的关键因素.

3.3 因子交互作用

基于地理探测器的交互效应分析揭示了影响中国服务业人口分布的多因子协同作用（图3）.研究发现，所有因子间的交互作用均呈现双因子增强或非线性增强特征，未出现独立或减弱效应.这表明中国服务业人口分布是多种因素复杂耦合的结果.具体而言：1） 房价（X₈）与其他12个因子的交互q值均超过0.5，表现出较强的交互效应，尤其是与教育资源（X₁₂）交互后解释力高达0.785，形成最强的协同增强效应，充分印证了“房价-教育”组合对服务业人口分布的关键影响，反映出优质教育资源与居住成本溢价协同可以发挥更大的服务业人口集聚效应.2） 自然地理因子（X₁~X₄）虽然在单因子分析中解释力较弱（q<0.1），但与房价交互时均产生非线性增强效应.这种增强效应源于自然条件通过影响居住适宜性和生活环境质量，间接调节了房价对服务业人口分布的作用强度.3） 教育资源（X₁₂）与城镇化率（X₅）、收入水平（X₇）、数字经济（X₉）和人才集聚（X₁₃）等因子交互时均产生显著的非线性增强效应（q>0.7）.这表明优质教育资源能通过提升人力资本、促进产业升级、优化创新生态和引导居住区位等途径，放大其他经济社会因素对服务业人口的集聚效应，形成“教育投入-人才集聚-产业升级-收入增长”的正向循环.

3.4 影响因子的空间差异分析

为揭示关键驱动因子对服务业人口空间分布影响的区域异质性特征，选取地理探测器分析中解释力最强的4个变量——房价（X₈）、人才集聚（X₁₃）、教育资源（X₁₂）和数字经济（X₉），构建地理加权回归（GWR）模型.模型采用自适应二次核函数确定最优带宽，并通过修正的赤池信息准则（AICc）进行参数优化，调整R²达0.926；各变量回归系数的空间分异均通过显著性检验（P<0.01），表明模型具有良好的解释力；条件数（CN）介于2.550~14.755之间，通过了多重共线性检验（CN<30）.基于Jenks自然断点法，将回归系数划分为5个等级并进行空间可视化（图4）.图4显示，各因子的回归系数空间分异模式如下：1） 房价因子（X₈）的回归系数区间为-0.193~5.169，正向效应区占比96.3%，其中成渝地区表现出最强的正向效应（β>3.4），这与“成渝双城经济圈”战略下的基础设施投资和产业政策倾斜密切相关^［29］，反映了“经济活跃度-服务业需求-服务业人口集聚”的正反馈机制；负向效应区占比3.7%，零星分布于资源型或旅游型中小规模城市，反映出产业结构过于单一导致房价与服务就业脱钩.2） 人才集聚因子（X₁₃）的系数区间为-0.941~0.759，其高值集聚区集中于东南沿海城市群和东北老工业基地（β=0.390~0.759），前者受益于生产性服务业集聚，后者源于产业转型的本地化人才需求^［30］；西安、重庆等地出现负效应（β=-0.941~-0.343），提示人才供给与服务业岗位可能存在结构性错配.3） 教育资源因子（X₁₂）的系数区间为-0.202~1.418，其高值区位于长三角、珠三角、成渝、天山北坡等优质教育资源聚集的城市群，其低值区主要分布于甘肃省和宁夏回族自治区的部分城市，反映了区域人力资本转化效率的“洼地”现象.4） 数字经济因子（X₉）的系数区间为-0.423~0.541，其高值区聚集于京津冀、长三角、成渝等数字经济先发城市群^［31］，反映出数字经济在这些区域发挥了新兴服务业的就业创造效应；低值区分布于珠三角部分城市，显现了数字经济对传统服务业的就业替代效应.

4 结论及建议

4.1 主要结论

研究使用空间分析、地理探测器和地理加权回归模型（GWR）等方法，揭示中国服务业人口的空间分布特征及其影响因素，主要研究发现如下.

1） 中国服务业人口分布呈现显著的非均衡集聚特征.具体表现为：在宏观尺度上具有“东密西疏”的分布格局，在城市群尺度呈现“中心-外围”的分布模式.京津冀、长三角和珠三角三大城市群核心区的服务业人口密度显著高于外围区域.空间自相关分析（I=0.145）表明，这种集聚特征具有统计显著性，反映出中国服务业发展的区域不平衡性特征.

2） 服务业人口分布受多维度因素的综合影响.房价、人才和教育资源等主导因子表明生活成本和人力资源集聚对服务业人口分布具有核心影响；数字经济等经济因子反映出产业结构和经济发展的重要促进作用.教育资源与居住成本溢价对服务业人口集聚具有协同增强效应，教育资源还通过优化创新环境和引导区位选择等途径放大其他经济因素的集聚效应.自然地理因素则主要通过调节居住适宜性发挥间接影响.

3） 关键驱动因子对服务业人口空间分布的影响强度存在显著的空间异质性.房价的正向效应在成渝地区表现最突出；人才集聚的促进作用在东南沿海城市群最为显著；教育资源的影响在长三角、珠三角等地区达到峰值；而数字经济的带动作用则在京津冀等先发区域最为明显.这种空间异质性特征为各区域制定差异化的服务业发展政策提供了重要依据.

4.2 政策建议

基于研究发现，本文提出以下3方面政策建议.

1） 各区域实施差异化的服务业升级战略.针对服务业人口“东密西疏”的空间格局和城市群“中心-外围”的分布特征，建议在京津冀、长三角、珠三角等服务业集聚区，重点发展金融、科技服务等高端服务业，打造具有全球竞争力的服务业集群；在中西部省会城市和区域中心城市，结合地方特色培育特色服务业；在中小城市着力提升生活性服务业品质；构建“中心城市高端引领-区域城市特色发展-中小城市基础支撑”的梯度发展格局，并通过跨区域协作机制促进服务业资源有序流动和高效配置.

2） 完善人力资本与居住成本协同调控机制.基于房价、人才和教育的核心驱动作用，建议在京津冀、长三角、成渝等重要城市群以及东南沿海等服务业集聚区实施“人才安居工程”，通过租购同权、人才公寓等政策组合降低居住成本；其次，构建“教育-就业”联动机制，在长三角、珠三角强化产学研协同育人，在中西部推进职业教育提质培优，并持续推动优质教育资源均衡配置和基本公共服务均等化.

3） 深化数字经济与服务业协同融合发展.根据数字经济影响的空间异质性，建议在东部数字经济先发区域建设数字服务创新高地，重点突破人工智能、区块链等新技术在服务业的融合应用；在中西部地区实施“数字赋能传统服务业”战略，推动生产性服务业数字化转型发展，提升数字基建覆盖率.同时，建立“东数西算”协同机制，鼓励东部数字服务企业向中西部拓展业务，带动区域服务业整体提升.

参考文献

[1] 戴魁早，黄姿，王思曼. 数字经济促进了中国服务业结构升级吗？［J］. 数量经济技术经济研究，2023，40（2）：90-112.

[2] Zhang K G， Meng H L， Ba M T， et al. Spatial morphology evolution characteristics analysis of the resident population distribution in Henan， China［J］. Journal of Geoscience and Environment Protection，2024，12（3）：163-180.

[3] Sang M， Jiang J， Huang X， et al. Spatial and temporal changes in population distribution and population projection at county level in China［J］. Humanities and Social Sciences Communications，2024，11（1）：288.

[4] 张耀军，王小玺. 城市群视角下中国人口空间分布研究［J］. 人口与经济，2020（3）：1-13.

[5] 朱查松，张苏，韩鲁涛，等. 中国县域人口分布演变趋势及影响因素［J］. 城市发展研究，2024，31（9）：12-20.

[6] 许蓝方，武继磊，庞丽华. 中国地级以上城市流动人口时空格局演变及影响因素分析［J］. 人口与发展，2023，29（4）：89-99.

[7] 刘浩岚，陈万旭，曾杰. 长江中游地区人口分布特征及其影响因素［J］. 资源开发与市场，2023，39（4）：444-452.

[8] 应奎. 基于地形起伏的乌蒙山区产业人口分布特征研究［J］. 曲靖师范学院学报，2019，38（6）：44-51.

[9] 米瑞华，倪世龙，刘书敏. 基于土地利用的中国农业人口格网分布特征分析［J］. 干旱区地理，2025，48（6）：1006-1019.

[10] Zhao S， Zhao K， Yan Y， et al. Spatio-temporal evolution characteristics and influencing factors of urban service-industry land in China［J］. Land，2022，11（1）：13.

[11] 王猛，王琴梅. 中国服务业集聚的特征研究：基于第五、六次人口普查分县数据［J］. 世界地理研究，2021，30（3）：601-610.

[12] Shan B Y， Wang J N， Liu Y Y， et al. Spatial correlation analysis of residential area and service industry distribution based on POI big data［C］//2020 IEEE 5th International Conference on Cloud Computing and Big Data Analytics （ICCCBDA）.Chengdu： IEEE，2020：453-458.

[13] 彭昱，周尹. 城市人口集聚与服务业发展［J］. 财经问题研究，2016（12）：35-40.

[14] 钟粤俊，陆铭，奚锡灿. 集聚与服务业发展：基于人口空间分布的视角［J］. 管理世界，2020，36（11）：35-49.

[15] 梁金如. 人力资本高级化、人口集聚与服务业结构优化关系研究：基于人口要素流动视角的实证［J］. 商业经济研究，2022（10）：182-185.

[16] Wang X W， Zhang Y S， Chen N X.Modern service industry agglomeration and its influencing factors：spatial interaction in Chinese cities［J］. Economic Research-Ekonomska Istraživanja，2022，35（1）：3880-3899.

[17] 米瑞华，张博鑫，岳妍菲. 西安都市圈产业人口分布及其影响因素研究［J］. 地理空间信息，2025，23（11）：42-47.

[18] 任喜萍，殷仲义. 中国省域人口集聚、公共资源配置与服务业发展时空耦合及驱动因素［J］. 中国人口·资源与环境，2019，29（12）：77-86.

[19] 郝浩宇，任栋，刘梦珣. 服务业集聚促进了中心城市的人口扩散吗？［J］. 宏观经济研究，2021（4）：94-112.

[20] 胡绪华，李新. 流空间视角下高端生产性服务业劳动力的空间分布效应及其网络结构特征分析［J］. 软科学，2024，38（2）：18-26.

[21] 李知远，王培茗，谢敏，等. 鲁甸县乡村韧性空间分布格局及其影响机制［J］. 四川师范大学学报（自然科学版），2024，47（5）：622-630.

[22] 韩静，芮旸，杨坤，等. 基于地理探测器和GWR模型的中国重点镇布局定量归因［J］. 地理科学进展，2020，39（10）：1687-1697.

[23] 王劲峰，徐成东. 地理探测器：原理与展望［J］. 地理学报，2017，72（1）：116-134.

[24] 赵真，徐柱，侯剑. 地理加权回归在人口空间分布研究中的应用［J］. 遥感信息，2018，33（4）：128-134.

[25] 胡绪华，张祖冲，李新. 城市群高端生产性服务业劳动力集聚水平的空间差异及收敛性分析［J］. 地域研究与开发，2025，44（1）：45-53.

[26] 米瑞华，高向东. 陕西省人口分布影响因素的空间计量分析［J］. 干旱区地理，2020，43（2）：491-498.

[27] 赵涛，张智，梁上坤. 数字经济、创业活跃度与高质量发展：来自中国城市的经验证据［J］. 管理世界，2020，36（10）：65-76.

[28] 王雨，王嘉学，杨萌，等. 西南地区康养旅游地空间分布格局及其影响因素的地理探测［J］. 四川师范大学学报（自然科学版），2024，47（2）：204-212.

[29] 孙芳城，张娜，胡钰苓，等. “流空间”视角下成渝地区双城经济圈城市网络结构研究［J］. 世界地理研究，2024，33（9）：147-162.

[30] 宋洋，张玥. 东北老工业基地人才链、创新链与产业链融合测度研究［J］. 东疆学刊，2025，42（2）：62-69.

[31] 纪玉俊，韦晨怡. 数字经济对我国服务业集聚空间格局的重塑：基于区域与行业异质性的分析［J］. 西安交通大学学报（社会科学版），2023，43（1）：51-64.

基金资助

国家社科基金一般项目(21BRK033)