1、在发展的同时，长江三角洲与珠江三角洲的代表性城市均存在环境问题、城市化的问题、产业转移问题，导致城市竞争力发展优势已不再明显。在新形势、新阶段研究长三角、珠三角及海西城市综合竞争力,对促进地区城市间优势互补,优化资源配置,全面提升这些城市在我国乃至世界城市群竞争力方面具有重要的现实意义。一、 城市综合竞争力概念界定及指标体系构建（一）城市综合竞争力概念界定城市综合竞争力指一个城市以其现有的自然、经济、社会及制度等方面的综合比较优势为基础,通过创造良好的城市环境,在资源要素流动过程中形成更强的聚集、吸引和利用各种资源要素的能力。这种竞争力是在基本要素构成的基础上相互影响、密切配合、协调统一、有机
2、结合的综合系统。（二）评价指标的选取及说明1.指标的选择：城市竞争力涵盖的内容非常广泛，包括了城市经济社会发展的各个方面。从现有文献来看指标体系的选择主要有综合型和简明型两种。因此在注重科学性、可比性、系统性、可操作性、代表性等原则的基础上，为了比较全面评价城市的综合竞争力水平，本文认为指标体系的选择要以城市经济功能为核心，包括社会、经济、文化、环境、科技等方面的内容。根据上述标准选择了13个指标对长三角、珠三角、海西经济区的城市竞争力状况进行分析。2.指标说明：地区GDP、单位从业人员、主要用来说明经济发展水平方面的竞争力；社会消费品零售总额、人均可支配收入用来说明人民生活水平方面的竞争力；
3、年平均人口用来说明城市在人力资源、方面的竞争力；科学技术支出用来说明科技方面的竞争力；工业二氧化碳排放量、人均绿地面积用来说明在环境方面的竞争力；外商直接投资合同金额用来说明对外贸易竞争力；第三产业占GDP比重、固定资产、工业总产值用来说明经济结构方面的竞争力。二、综合竞争力实证分析（一）数据来源：本文主要数据均来源于中国城市统计年鉴2010，选用地区生产总值、人均可支配收入、社会消费品零售总额、人均绿地面积、工业企业个数、外商直接投资合同金额、工业二氧化碳排放量、科学技术支出、单位从业人员、工业总产值、年平均人口、第三产业占GDP比重、固定资产这13个指标。选取了15个城市，分别是海西经济区
4、的福州、厦门、泉州、莆田、漳州5个代表性城市；珠江三角洲的东莞、汕头、佛山、深圳、广州5个代表性城市；长江三角洲的上海、杭州、南京、温州、无锡5个代表性城市。详细数据见附录。（二）因子分析：运用SAS统计分析软件进行因子分析，结果如下1、特征值及累计方差贡献率The FACTOR Procedure Initial Factor Method: Principal Components Prior Communality Estimates: ONE Eigenvalues of the Correlation Matrix: Total = 13 Average = 1 Eigenvalue
5、 Difference Proportion Cumulative 1 9.11220566 7.68083290 0.7009 0.7009 2 1.43137275 0.55409014 0.1101 0.8110 3 0.87728261 0.20214844 0.0675 0.8785 4 0.67513417 0.33528450 0.0519 0.9305 5 0.33984967 0.06747233 0.0261 0.9566 6 0.27237734 0.14382403 0.0210 0.9776 7 0.12855331 0.06204197 0.0099 0.9874
6、8 0.06651134 0.02231926 0.0051 0.9926 9 0.04419208 0.00738610 0.0034 0.9960 10 0.03680599 0.02528295 0.0028 0.9988 11 0.01152303 0.00802184 0.0009 0.9997 12 0.00350119 0.00281033 0.0003 0.9999 13 0.00069086 0.0001 1.0000 2 factors will be retained by the MINEIGEN criterion.图1-1 因子分析的特征根及其贡献率图1-1中给出了
7、所有计算出来的特征根，可以根据特征根的贡献率来决定应当选择的公因子数目。从各个特征根的贡献（proportion 列）来看，前两个特征根的贡献率分别是0.7009、0.1101，远远大于其他特征根的的贡献率，两者特征根累计贡献率达到了81.1%，基本上可以在较大程度上反映原始数据的信息，可以先选择两个因子进行分析。2、因子得分及排名Factor Pattern Factor1 Factor2 x1 0.91012 -0.11776 x2 0.69248 0.45473 x3 0.96530 -0.05307 x4 0.40434 0.84077 x5 0.87910 0.04301 x6 0.
8、97951 -0.05175 x7 0.75714 -0.31368 x8 0.78747 0.39618 x9 0.91776 -0.22962 x10 0.95852 0.09310 x11 0.75238 -0.39609 x12 0.73898 0.00749 x13 0.95405 -0.15101图1-2旋转前的的因子载荷根据因子载荷，可以利用因子分析模型写出原始变量与公因子之间的关系，Variance Explained by Each Factor Factor1 Factor2 9.1122057 1.4313728 Final Communality Estimates:
9、Total = 10.543578x1 x2 x3 x4 x5 x6 x70.84219274 0.68630076 0.93461602 0.87039044 0.77467319 0.96212626 0.67165527 x8 x9 x10 x11 x12 x130.77706606 0.89500694 0.92742646 0.72296374 0.54614487 0.93301564图1-3因子分析的公因子方差表在图中，系统给出了公因子对所有原始变量的解释能力，这些解释能力的总和是“total=”所代表的数值10.543578，从图中知道公因子对每个原始变量的解释能力均较大，其均
10、值就是所选的公因子个数对应的特征根的累计贡献率，即0.8110，而“Variance Explained by Each Factor”则表明了每个公因子的贡献。为了能更好地解释公因子Factor1 、Factor2，通过因子旋转的方法，使得图1-2 所表示的每个变量仅在一个公因子上有较大的载荷，而在其余的公因子上的载荷较小。本文中使用方差最大化正交旋转法进行因子旋转，可以得到图1-4所示的因子载荷结果和图1-5所示的旋转后的公因子方差表。Rotation Method: Varimax Orthogonal Transformation Matrix 1 2 1 0.88107 0.4729
11、8 2 -0.47298 0.88107 Rotated Factor Pattern x1 0.85758 0.32672 x2 0.39505 0.72818 x3 0.87560 0.40981 x4 -0.04141 0.93203 x5 0.75421 0.45370 x6 0.88750 0.41770 x7 0.81546 0.08174 x8 0.50643 0.72152 x9 0.91722 0.23177 x10 0.80049 0.53539 x11 0.85024 0.00688 x12 0.64755 0.35612 x13 0.91201 0.31819图1-4
12、方差最大化正交因子旋转的结果 7.3939199 3.1496585 x1 x2 x3 x4 x5 x6 x70.84219274 0.68630076 0.93461602 0.87039044 0.77467319 0.96212626 0.67165527 x8 x9 x10 x11 x12 x13 0.77706606 0.89500694 0.92742646 0.72296374 0.54614487 0.93301564图1-5因子旋转后的公因子方差表从因子旋转的结果可明显看到，各个原始变量在Factor1、Factor2两个因子上的载荷数值差距较图1-2所示的数值差距大，因而使
13、得这三个因子的意义显得更加明显。由图中因子载荷可知，公因子Factor1与等变量的相关性较强，载荷均达到了0.8以上，这些变量是从经济发展角度来横各个城市的竞争力的，可以命名为“经济发展因子”。而公因子Factor2与等变量的相关性较强，主要是从城市的环境角度来衡量城市竞争力，可以命名为“环境因子”。Standardized Scoring Coefficients x1 0.12691 -0.02524 x2 -0.08330 0.31585 x3 0.11087 0.01744 x4 -0.23873 0.53852 x5 0.07079 0.07211 x6 0.11181 0.0189
14、9 x7 0.17686 -0.15378 x8 -0.05477 0.28474 x9 0.16461 -0.09370 x10 0.06192 0.10706 x11 0.20363 -0.20476 x12 0.06898 0.04297 x13 0.14215 -0.04343图1-6标准化因子得分系数由图可以得到因子得分函数：以各个因子的贡献率计算每个样本的综合得分，公式如下：如下所示：因子得分表：F1F2F综合得分排名1xiamen5768351.3932332488.9194741964.352122fuzhou8150506.8772942731.8766594800.6121
15、03putian2075315.27777758.63941687699.258154zhangzhou3103603.551094830.222503527.461145quanzhou9298807.953882762.4587680885.53596dongguan12476799.074697174.99610152810.4387shangtou3716029.8321277618.0412987608.86513foshan18442099.510601702.8816099956.43shenzhen27121975.6513780704.423136569.35guangzho
16、u27165006.919112866.83321772333.9511shanghai51664743.4719337342.0742007655.58hangzhou17382983.258061418.68214598374.39nanjing14644563.035615838.86311947433.69wenzhou7624931.8972977676.2526236668.249wuxi18422847.29247568.66815681938.02由上表知：上海、深圳、广州、佛山、无锡、杭州、南京、东莞领先其他各个城市，这些城市在经济发展和环境方面的竞争力高于其余城市，而这些城市处于珠三角和长三角地区，可见这两个地带的城市竞争力强于海西城市群，从综合得分看，上海、杭州、无锡、南京的综合得分的平均值高于深圳、广州、佛山和东莞的均值，可见长三角群的城市竞争力比珠三角群来得高。而海西城市群的城市竞争力落后于长三角和
