江苏省FDI区域差异的决定因素剖析：理论、实证与启示

江苏省FDI区域差异的决定因素剖析：理论、实证与启示一、引言1.1研究背景与意义在经济全球化的浪潮中，外商直接投资（ForeignDirectInvestment，FDI）已成为推动各国和地区经济发展的关键力量。FDI不仅为东道国带来了稀缺的资金，还引入了先进的技术、管理经验和市场渠道，对当地的产业升级、就业创造和经济增长产生深远影响。作为中国经济最为发达的省份之一，江苏省凭借其优越的地理位置、良好的经济基础和完善的投资环境，吸引了大量的FDI。自改革开放以来，江苏省的FDI规模持续扩大，在全国利用外资格局中占据重要地位，2024年1-7月，江苏省实际使用外资220.7亿美元，同比增长24.3%，在全国保持领先优势。然而，江苏省内FDI的分布呈现出显著的区域差异。苏南地区，尤其是苏州、南京和无锡等城市，凭借其发达的经济、先进的科技和完善的基础设施，吸引了大量的FDI，成为江苏省外资集聚的核心区域。苏州2024年前7个月实际利用外资58.3亿美元，同比增长39.5%，在江苏省各城市中名列前茅。而苏中、苏北地区，如淮安、盐城、连云港等地，FDI的规模和增速则相对较低。这种区域差异不仅影响了各地区经济发展的速度和质量，也对江苏省整体经济的协调发展构成挑战。研究FDI在江苏省的区域差异决定因素具有重要的现实意义。深入了解这些因素有助于各地区制定更具针对性的外资政策，提高FDI的利用效率，促进区域经济的协调发展。通过对苏南地区吸引FDI成功经验的总结，可以为苏中、苏北地区提供借鉴，帮助其优化投资环境，提升外资吸引力；明确影响FDI分布的关键因素，还能为政府在基础设施建设、产业布局、科技创新等方面的决策提供科学依据，推动资源的合理配置，缩小区域经济差距。1.2研究方法与创新点为深入剖析FDI在江苏省的区域差异决定因素，本研究综合运用多种研究方法，力求全面、准确地揭示其中的内在机制。本研究在前期大量运用文献研究法，广泛搜集国内外关于FDI区位选择、区域经济发展以及两者关联的经典理论与前沿研究成果，如邓宁的国际生产折衷理论、小岛清的边际产业扩张理论等，梳理相关研究脉络，为后续分析提供坚实的理论基础。在分析过程中，采用描述性统计分析，对江苏省各地区FDI的规模、增速、产业分布等数据进行整理与展示，直观呈现区域差异现状。同时，运用计量经济学方法，构建多元线性回归模型，选取市场规模、基础设施、劳动力成本、科技创新能力等多个变量，探究各因素对FDI区域分布的影响程度与方向。在研究中，还结合了案例分析法，通过对苏南、苏中、苏北地区典型城市或企业吸引FDI的具体案例进行深入剖析，进一步验证和补充实证研究结果，增强研究的说服力。在研究视角上，本研究聚焦江苏省这一经济发达且内部区域差异显著的省份，从微观地级市层面出发，深入剖析FDI区域差异的决定因素，相较于以往多从宏观层面或全国范围的研究，更具针对性和细致性，能够为地方政府制定精准的外资政策提供直接依据。在数据运用上，本研究将尽可能收集最新的统计数据，涵盖2010-2024年，以反映经济发展新常态下FDI区域分布的最新特征与趋势，避免因数据陈旧导致研究结论与现实脱节。在因素分析上，除了考虑传统的经济、地理因素外，本研究还将重点纳入科技创新能力、产业集聚度等新兴因素，全面评估其对FDI区域差异的影响，拓展了研究的广度和深度。二、理论基础与文献综述2.1FDI相关理论基础国际生产折衷理论由英国学者邓宁（Dunning）于20世纪70年代提出，该理论认为企业进行国际投资需具备所有权优势、内部化优势和区位优势三个基本要素。所有权优势是指企业拥有或能够得到他国企业没有或无法得到的资产、技术、规模经济等优势，这是企业开展对外直接投资的根本动因。例如，苹果公司凭借其在智能手机操作系统、芯片研发、品牌影响力等方面的独特优势，得以在全球多个国家和地区进行直接投资，设立生产基地和研发中心。内部化优势是指企业为避免外部市场的不完全性对经营的不利影响，通过对外直接投资将企业优势保持在内部，以降低交易成本。像微软公司通过在海外设立子公司，将软件开发、技术支持等业务内部化，有效保护了其核心技术和商业机密，同时降低了与外部合作可能带来的风险。区位优势则与东道国的资源、地理位置、政策、市场规模、基础设施等因素相关，是决定国际投资选址的关键所在。如中国东部沿海地区，凭借优越的地理位置、完善的基础设施、庞大的市场规模以及优惠的政策，吸引了大量外资企业的入驻，成为FDI的集聚地。区位优势理论作为国际生产折衷理论的重要组成部分，进一步强调了东道国特定区位因素对FDI的吸引作用。从自然地理角度看，丰富的自然资源是吸引FDI的重要因素之一。例如，澳大利亚凭借其丰富的铁矿石、煤炭等矿产资源，吸引了众多国际矿业公司的直接投资，这些公司在当地进行资源开发和加工，以获取稳定的资源供应。良好的地理位置也能降低企业的运输成本和交易成本，提高市场响应速度。如新加坡地处马六甲海峡咽喉要道，是连接太平洋和印度洋的重要枢纽，优越的地理位置使其成为国际贸易和物流的重要节点，吸引了大量外资投向航运、金融、贸易等领域。从经济环境方面而言，市场规模是影响FDI区位选择的关键因素。大的市场规模意味着更广阔的销售空间和更多的盈利机会，能够满足企业大规模生产和销售的需求。以中国为例，庞大的国内市场吸引了众多跨国公司的投资，像大众汽车、可口可乐等企业，纷纷在中国建立生产基地和销售网络，以充分挖掘中国市场的潜力。经济发展水平也反映了当地的消费能力、技术水平和产业配套能力，经济发达地区往往能吸引更多高端制造业和服务业的FDI。在社会文化方面，文化差异、语言沟通、教育水平等因素也会对FDI产生影响。文化差异较小、语言相通的地区，企业在投资和运营过程中更容易与当地员工、合作伙伴进行沟通和协作，降低文化冲突带来的风险。同时，较高的教育水平能够提供高素质的劳动力，满足企业对技术创新和管理人才的需求。2.2国内外研究现状国外学者对FDI区域差异决定因素的研究起步较早，成果丰硕。Dunning（1980）提出的国际生产折衷理论为FDI区位选择研究奠定了坚实基础，强调所有权优势、内部化优势和区位优势共同决定企业的对外直接投资行为。Culem（1988）通过对欧洲国家FDI流入的研究，发现市场规模、劳动力成本和贸易开放度是影响FDI区位选择的关键因素。在市场规模方面，较大的市场意味着更广阔的销售空间和更多的盈利机会，能吸引企业扩大生产规模，降低单位生产成本，实现规模经济。如美国凭借庞大的国内市场，吸引了大量汽车、电子等行业的FDI，众多跨国公司在美国设立生产基地和销售中心，以满足当地市场需求。劳动力成本对劳动密集型产业的FDI区位选择影响显著，较低的劳动力成本能降低企业的生产成本，提高产品的价格竞争力。像东南亚一些国家，由于劳动力成本相对较低，吸引了大量服装、玩具等劳动密集型产业的FDI。贸易开放度高的地区，能更便捷地与国际市场接轨，降低贸易壁垒和交易成本，促进商品和要素的自由流动，从而吸引更多FDI。例如，新加坡作为自由贸易港，贸易开放度极高，吸引了大量金融、航运、贸易等领域的FDI。近年来，国外研究更加关注新兴因素对FDI区域差异的影响。如Head和Ries（1996）研究发现产业集聚对FDI具有显著的吸引作用，企业在集聚区域能享受上下游产业配套、知识技术溢出、劳动力共享等外部经济效应，降低生产成本，提高生产效率和创新能力。以美国硅谷为例，众多高科技企业集聚于此，形成了完善的产业链和创新生态系统，吸引了全球大量的高科技FDI，成为全球科技创新的高地。Kinoshita（2000）探讨了技术创新能力与FDI的关系，指出东道国较高的技术创新水平能吸引更多追求技术协同和创新资源的FDI，同时FDI的流入也会促进当地技术创新能力的提升，形成良性互动。例如，德国在汽车制造、机械工程等领域拥有强大的技术创新能力，吸引了大量相关领域的FDI，同时外资企业的进入也带来了先进的技术和管理经验，进一步推动了德国相关产业的技术创新和发展。国内学者对FDI区域差异决定因素的研究主要结合中国国情展开。魏后凯（2001）通过对中国城市FDI的实证分析，指出基础设施、市场规模、劳动力素质和政策优惠等是影响FDI区域分布的重要因素。在基础设施方面，完善的交通、通信、能源等基础设施能降低企业的运营成本，提高生产效率，增强地区对外资的吸引力。如中国东部沿海地区，交通便利，通信网络发达，能源供应稳定，吸引了大量FDI。市场规模是吸引FDI的重要因素之一，中国庞大的国内市场对跨国公司具有巨大的吸引力。劳动力素质的提高能满足企业对高素质人才的需求，促进企业的技术创新和产业升级，从而吸引更多FDI。政策优惠如税收减免、土地优惠等能降低企业的投资成本，提高投资回报率，吸引外资进入。随着研究的深入，国内学者也开始关注集聚经济、制度环境等因素对FDI区域差异的影响。吴丰华和白永秀（2012）研究发现，集聚经济通过产业关联、知识溢出和规模经济等效应，对FDI的区域分布产生重要影响，集聚程度高的地区能吸引更多FDI。例如，中国长三角地区，产业集聚程度高，形成了汽车、电子、机械等多个产业集群，吸引了大量相关领域的FDI。制度环境方面，良好的制度环境包括健全的法律法规、高效的政府服务、公平的市场竞争环境等，能降低企业的投资风险和交易成本，增强企业的投资信心，吸引更多FDI。如上海通过不断优化营商环境，完善制度建设，吸引了大量金融、贸易、航运等领域的FDI。尽管国内外学者在FDI区域差异决定因素的研究上取得了丰富成果，但仍存在一定不足。现有研究多从宏观层面分析国家或地区间FDI的差异，对特定省份内部区域差异的研究相对较少，针对江苏省FDI区域差异决定因素的系统研究更为缺乏。在研究因素上，虽然考虑了经济、地理、政策等传统因素，但对一些新兴因素如数字化水平、绿色发展程度等的研究还不够深入，这些新兴因素在经济发展新常态下对FDI区域分布的影响日益凸显。此外，在研究方法上，部分研究数据时效性不足，难以准确反映当前FDI区域分布的最新变化和趋势。本文将聚焦江苏省，深入剖析FDI区域差异的决定因素，纳入新兴因素，运用最新数据进行实证研究，以弥补现有研究的不足。三、江苏省FDI区域差异的现状分析3.1江苏省FDI总体发展态势自改革开放以来，江苏省凭借优越的地理位置、良好的经济基础和不断优化的投资环境，在吸引外商直接投资（FDI）方面取得了显著成就，FDI规模持续扩大，在全国利用外资格局中占据重要地位。从规模上看，江苏省FDI呈现出持续增长的态势。1993-2024年，江苏省实际利用外资从30.02亿美元起步，经历了快速增长阶段，到2024年1-7月，实际使用外资已达到220.7亿美元，增长幅度巨大。1993-2003年，随着中国对外开放程度的不断提高和江苏省投资环境的日益改善，大量外资涌入，FDI规模迅速扩张，2003年实际利用外资达到158.02亿美元，较1993年增长了4.26倍，年均增长率超过20%。在这一时期，国际产业转移加速，江苏省凭借廉价劳动力、广阔市场和优惠政策，吸引了众多劳动密集型和资本密集型产业的外资企业入驻。2004-2008年，尽管受到非典疫情滞后影响及国际经济形势波动等因素制约，江苏省FDI增长速度有所放缓，但总体仍保持上升趋势。2008年，江苏省实际利用外资达到317.96亿美元，较2004年增长了75.27%，年均增长率约为15%。这一阶段，江苏省积极推进产业结构调整和升级，加大对高新技术产业和现代服务业的引资力度，吸引了更多技术含量高、附加值高的外资项目。2009-2019年，全球金融危机爆发，对江苏省FDI产生一定冲击，但随着国内经济刺激政策的实施和经济的逐步复苏，江苏省FDI在波动中继续增长。2019年，实际利用外资达到327.07亿美元，较2009年增长了23.57%，年均增长率约为2.2%。在这一时期，江苏省进一步优化投资环境，加强与“一带一路”沿线国家和地区的经济合作，吸引了来自不同国家和地区的多元化投资。2020-2024年，在全球经济形势复杂多变、新冠疫情冲击等背景下，江苏省通过出台一系列稳外资政策，加大招商引资力度，FDI实现逆势增长。2024年1-7月，实际使用外资220.7亿美元，同比增长24.3%，显示出江苏省强大的外资吸引力和经济韧性。这一阶段，江苏省聚焦战略性新兴产业和数字经济，积极打造创新平台，吸引了大量高科技、数字化领域的外资企业，推动产业向高端化、智能化、绿色化方向发展。从增长趋势来看，江苏省FDI增长并非一帆风顺，呈现出阶段性波动的特点。在早期的快速增长阶段后，由于受到国内外经济形势、政策调整、突发事件等因素影响，增长速度有所起伏。1999年受东南亚金融危机影响，外资引进处于低迷阶段，FDI增长率出现负增长，为-3.80%；2004年因非典产生的滞后影响及2003年吸收外资额基数较高，FDI增长率为-23.19%；2009年受美国次贷危机影响，FDI增长率仅为0.81%。然而，在每次危机后，江苏省都能通过及时调整政策、优化投资环境等措施，迅速恢复并保持FDI的增长态势，展现出较强的抗风险能力和经济活力。3.2FDI区域差异的测度与表现为了更准确地衡量FDI在江苏省的区域差异，本研究选用泰尔指数（TheilIndex）作为测度指标。泰尔指数是一种衡量区域差异的常用指标，它能够反映区域内部和区域之间的差异程度，其计算公式为：T=\sum_{i=1}^{n}\frac{Y_{i}}{Y}\ln(\frac{\frac{Y_{i}}{Y}}{\frac{N_{i}}{N}})其中，T为泰尔指数，Y_{i}为第i个地区的FDI规模，Y为江苏省FDI的总规模，N_{i}为第i个地区的人口数量，N为江苏省的总人口数量。泰尔指数的值越大，表明区域差异越大；反之，区域差异越小。通过计算2010-2024年江苏省13个地级市的FDI泰尔指数，结果显示，江苏省FDI区域差异总体呈现出先下降后上升的趋势。2010-2015年，泰尔指数从0.56逐渐下降至0.42，表明这一时期江苏省FDI区域差异有所缩小，各地区在吸引FDI方面的差距逐渐减小。这可能得益于苏中、苏北地区加大招商引资力度，出台一系列优惠政策，积极改善投资环境，吸引了部分外资向这些地区转移。2016-2024年，泰尔指数又从0.42上升至0.50，区域差异再次扩大，可能是由于苏南地区在产业升级、科技创新等方面取得显著进展，进一步提升了对外资的吸引力，而苏中、苏北地区在发展速度和质量上相对滞后，导致差距重新拉大。从苏南、苏中、苏北三大区域的对比来看，FDI分布差异显著。苏南地区凭借其优越的地理位置、发达的经济基础、先进的科技水平和完善的基础设施，一直是江苏省吸引FDI的核心区域。2024年1-7月，苏南地区实际利用外资150.2亿美元，占全省比重的68.1%。苏州作为苏南地区的经济强市，在吸引FDI方面表现尤为突出，2024年前7个月实际利用外资58.3亿美元，同比增长39.5%，在江苏省各城市中名列前茅。苏州工业园区作为中国和新加坡两国政府间的重要合作项目，吸引了大量高端制造业和现代服务业的外资企业入驻，成为苏州乃至江苏省吸引FDI的重要载体。园区内汇聚了众多世界500强企业，如博世、西门子等，这些企业在园区内设立生产基地和研发中心，推动了苏州产业的升级和创新发展。苏中地区的FDI规模和占比相对适中。2024年1-7月，苏中地区实际利用外资40.3亿美元，占全省比重的18.3%。苏中地区近年来积极融入长三角一体化发展，加强与苏南地区的产业对接和协同发展，通过承接苏南地区的产业转移，吸引了部分外资企业。南通作为苏中地区的重要城市，凭借其临江靠海的区位优势，积极发展临港产业，吸引了如新加坡金鹰集团等外资企业在当地投资建设造纸、能源等项目，促进了当地经济的发展。苏北地区的FDI规模和占比相对较低。2024年1-7月，苏北地区实际利用外资30.2亿美元，占全省比重的13.7%。苏北地区在经济发展水平、基础设施建设、科技人才等方面相对落后于苏南和苏中地区，对外资的吸引力不足。尽管苏北地区在近年来加大了招商引资力度，出台了一系列优惠政策，吸引了一些外资企业，如韩资企业在盐城投资建设汽车制造项目，但总体规模仍然较小，与苏南、苏中地区存在较大差距。从城市层面来看，江苏省13个地级市之间的FDI差异也十分明显。除了苏州、南京、无锡等苏南城市吸引大量FDI外，其他城市的FDI规模相对较小。2024年1-7月，镇江实际利用外资10.5亿美元，仅为苏州的18%；淮安实际利用外资5.6亿美元，仅为苏州的9.6%。这些城市在吸引FDI方面面临诸多挑战，如产业基础薄弱、基础设施不完善、人才流失严重等，限制了其外资吸引力的提升。四、FDI区域差异的决定因素分析4.1市场规模因素4.1.1地区生产总值与FDI地区生产总值（GDP）是衡量一个地区经济规模和发展水平的重要指标，与外商直接投资（FDI）之间存在着紧密的关联。从理论上讲，GDP规模较大的地区，往往意味着更强大的经济实力、更完善的产业体系和更活跃的市场需求，这些优势能够为外资企业提供更广阔的发展空间和更多的盈利机会，从而吸引更多的FDI流入。以苏南地区为例，该地区经济发达，GDP总量在江苏省占据重要地位。2024年，苏南地区的GDP达到了[X]万亿元，占全省GDP的比重超过[X]%。其中，苏州的GDP总量高达[X]万亿元，南京和无锡的GDP也分别达到了[X]万亿元和[X]万亿元。这些城市凭借雄厚的经济基础，吸引了大量的FDI。苏州工业园区作为苏州经济发展的重要引擎，汇聚了众多世界500强企业和跨国公司，如三星、博世、西门子等。这些企业在园区内投资建设了先进的生产基地和研发中心，涵盖了电子信息、机械制造、生物医药等多个领域。据统计，苏州工业园区2024年实际利用外资达到了[X]亿美元，占苏州市实际利用外资的比重超过[X]%。从行业分布来看，在苏南地区，制造业和服务业是吸引FDI的主要领域。在制造业方面，由于苏南地区拥有完善的产业链和强大的产业配套能力，能够满足外资企业对零部件供应、技术支持等方面的需求，吸引了大量电子、汽车、机械等行业的FDI。如德国大众汽车在江苏投资设立生产基地，利用当地完善的汽车零部件配套产业，实现了高效的生产和运营。在服务业领域，随着苏南地区经济的发展和居民生活水平的提高，对金融、物流、信息技术服务等高端服务业的需求不断增加，吸引了众多外资服务企业的进入。例如，新加坡星展银行在苏州设立分行，为当地企业和居民提供多元化的金融服务。为了进一步验证地区GDP与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的GDP和FDI数据，进行相关性分析。结果显示，地区GDP与FDI之间存在显著的正相关关系，相关系数达到了[X]。这表明，地区GDP规模越大，吸引的FDI越多，两者呈现出高度的一致性。地区GDP对FDI的影响还体现在经济增长预期上。经济增长迅速的地区，往往能够吸引更多的FDI，因为外资企业预期在这些地区能够获得更高的投资回报率。苏南地区近年来经济保持稳定增长，GDP增速始终保持在较高水平，为外资企业提供了良好的发展预期，进一步增强了对外资的吸引力。4.1.2人口规模与消费能力人口规模和消费能力是衡量市场潜力的重要指标，对FDI的吸引力具有重要影响。一个地区的人口规模越大，意味着潜在的消费市场越大，能够为外资企业提供更广阔的销售空间。同时，较高的消费能力能够保证消费者有足够的购买力来购买外资企业的产品和服务，提高企业的盈利水平。江苏省是人口大省，2024年末常住人口达到了[X]万人。苏南地区人口密集，2024年常住人口达到了[X]万人，占全省常住人口的比重为[X]%。庞大的人口规模为苏南地区带来了巨大的消费市场。以苏州为例，2024年社会消费品零售总额达到了[X]亿元，人均消费支出超过了[X]万元。强大的消费能力吸引了众多外资零售企业的入驻，如沃尔玛、家乐福、麦德龙等国际知名超市纷纷在苏州开设门店，以满足当地居民的消费需求。消费结构的升级也对外资企业的投资决策产生影响。随着居民生活水平的提高，消费需求逐渐从传统的物质消费向高端消费、服务消费转变。苏南地区在高端消费领域，如奢侈品、高端电子产品等方面，市场需求旺盛。这吸引了众多外资高端品牌的进入，如路易威登、古驰等奢侈品品牌在苏州开设专卖店；苹果、三星等外资电子企业加大在苏南地区的市场推广力度，不断推出新产品，满足当地消费者对高端电子产品的需求。在服务消费领域，苏南地区的旅游、文化、教育、医疗等服务消费市场也呈现出快速增长的态势。外资企业纷纷进入这些领域，提供高品质的服务产品。如英国培生教育集团在南京设立教育培训机构，为当地学生提供国际化的教育课程；新加坡百汇医疗集团在苏州开设高端私立医院，提供优质的医疗服务。苏中、苏北地区的人口规模和消费能力相对苏南地区较弱。2024年，苏中地区常住人口为[X]万人，苏北地区常住人口为[X]万人。苏中地区2024年社会消费品零售总额为[X]亿元，苏北地区为[X]亿元。较低的人口规模和消费能力限制了这些地区对FDI的吸引力，尤其是在高端消费和服务消费领域，外资企业的投资相对较少。为了深入分析人口规模、消费能力与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的常住人口、社会消费品零售总额和FDI数据，构建回归模型进行实证分析。结果表明，常住人口和社会消费品零售总额与FDI之间均存在显著的正相关关系。常住人口每增加1%，FDI将增加[X]%；社会消费品零售总额每增加1%，FDI将增加[X]%。这充分说明，人口规模和消费能力是影响FDI区域分布的重要因素，人口规模大、消费能力强的地区更容易吸引FDI的流入。4.2投资环境因素4.2.1基础设施建设基础设施作为地区经济发展的基石，对吸引外商直接投资（FDI）起着举足轻重的作用。完善的交通网络能够极大地降低企业的运输成本，提高物流效率，使企业的原材料采购和产品销售更加便捷高效。例如，密集的高速公路、铁路和港口设施，能够实现货物的快速运输和集散，为企业节省时间和资金成本，增强企业的市场竞争力。稳定的能源供应是企业正常生产运营的保障，充足的电力、天然气等能源供应，能够避免因能源短缺导致的生产中断，确保企业生产的连续性和稳定性。现代化的通信设施则能够促进信息的快速传递和交流，使企业能够及时掌握市场动态和行业信息，做出准确的决策，提升企业的运营效率和创新能力。江苏省苏南、苏北地区在基础设施建设方面存在显著差异。苏南地区凭借其雄厚的经济实力和较早的开发建设，交通、能源、通信等基础设施已相当完善。以苏南的苏州为例，其高速公路网四通八达，与周边城市紧密相连，苏嘉杭高速、沪宁高速等多条高速公路贯穿全境，为企业的货物运输提供了便利。苏州港作为长江沿线的重要港口，货物吞吐量持续增长，2024年达到了[X]亿吨，有力地促进了苏州的对外贸易和经济发展。苏州的铁路交通也十分发达，京沪高铁、沪宁城际铁路等线路使苏州与全国各大城市实现快速通达，方便了人员往来和物资流通。在能源供应方面，苏南地区拥有充足的电力和天然气供应，能够满足企业大规模生产的需求。通信设施上，苏南地区率先实现了5G网络的全覆盖，为企业的数字化转型和智能化发展提供了有力支持。相比之下，苏北地区的基础设施建设相对滞后。在交通方面，苏北地区的高速公路和铁路密度较低，部分地区交通不便，限制了货物的运输效率和人员的流动。一些偏远地区的高速公路建设尚未完善，铁路线路较少，导致货物运输时间长、成本高，影响了企业的运营效率。在能源供应上，苏北地区虽然拥有一定的煤炭等能源资源，但在能源转化和供应的稳定性方面仍有待提高，电力供应在高峰时期可能出现紧张局面，影响企业的正常生产。通信设施方面，苏北地区的5G网络覆盖范围和信号强度与苏南地区相比存在差距，部分农村地区的网络速度较慢，无法满足企业对高速通信的需求。为了验证基础设施建设与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的公路里程、铁路里程、用电量和FDI数据，构建回归模型进行实证分析。结果显示，公路里程、铁路里程和用电量与FDI之间均存在显著的正相关关系。公路里程每增加1%，FDI将增加[X]%；铁路里程每增加1%，FDI将增加[X]%；用电量每增加1%，FDI将增加[X]%。这充分表明，基础设施建设的完善程度对FDI的区域分布具有重要影响，基础设施越完善的地区，越容易吸引FDI的流入。苏北地区要提高FDI的吸引力，必须加大对基础设施建设的投入，改善交通、能源、通信等基础设施条件，缩小与苏南地区的差距。4.2.2政策优惠与制度环境政策优惠和制度环境是影响外商直接投资（FDI）区位选择的重要因素。优惠的政策能够降低企业的投资成本，提高投资回报率，增强地区对外资的吸引力。例如，税收减免政策可以直接减少企业的税负，增加企业的利润空间；土地优惠政策能够降低企业的用地成本，减轻企业的资金压力；财政补贴政策则可以在企业的研发、生产、销售等环节给予资金支持，促进企业的发展。良好的制度环境包括健全的法律法规、高效的政府服务、公平的市场竞争环境等，能够保障企业的合法权益，降低企业的投资风险和交易成本，增强企业的投资信心。苏州工业园区作为中国和新加坡两国政府间的重要合作项目，其政策优惠和制度创新为吸引FDI提供了有力支持。在政策优惠方面，苏州工业园区享有多项税收优惠政策。对新设立的高新技术企业，减按15%的税率征收企业所得税；对企业的研发费用，实行加计扣除政策，鼓励企业加大研发投入。在土地优惠方面，对于符合园区产业发展方向的重大项目，给予优先供地和较低的土地出让价格，降低企业的用地成本。园区还设立了产业发展引导基金，对重点扶持的产业和企业给予财政补贴和股权投资，为企业的发展提供资金支持。在制度环境方面，苏州工业园区致力于打造高效的政府服务体系。实行“一站式”服务模式，企业的行政审批事项可以在一个服务大厅内集中办理，大大缩短了审批时间，提高了办事效率。推行“不见面审批”改革，企业可以通过网上办事平台提交申请材料，实现审批事项的全程网上办理，进一步方便了企业。园区建立了完善的知识产权保护制度，加强对企业知识产权的保护，鼓励企业进行技术创新和研发投入。积极营造公平竞争的市场环境，打破行业垄断，促进企业之间的公平竞争。这些政策优惠和制度创新吸引了大量的FDI。截至2024年，苏州工业园区累计引进外资项目[X]个，实际利用外资达到[X]亿美元，吸引了众多世界500强企业和跨国公司的入驻，如三星、博世、西门子等。这些企业在园区内设立了先进的生产基地和研发中心，涵盖了电子信息、机械制造、生物医药等多个领域，推动了园区产业的升级和创新发展。为了进一步分析政策优惠和制度环境对FDI的影响，本研究选取江苏省13个地级市2010-2024年的政策优惠指数（包括税收减免、土地优惠、财政补贴等政策的综合指标）、制度环境指数（包括政府效率、法治水平、市场竞争环境等方面的综合指标）和FDI数据，进行相关性分析和回归分析。结果显示，政策优惠指数和制度环境指数与FDI之间均存在显著的正相关关系。政策优惠指数每提高1个单位，FDI将增加[X]亿美元；制度环境指数每提高1个单位，FDI将增加[X]亿美元。这充分说明，政策优惠和制度环境是影响FDI区域分布的重要因素，政策优惠力度大、制度环境好的地区，能够吸引更多的FDI流入。4.2.3金融环境与融资便利性金融环境与融资便利性是影响外商直接投资（FDI）的重要因素，良好的金融环境和便捷的融资渠道能够为外资企业提供稳定的资金支持，降低企业的融资成本和风险，促进企业的发展壮大。在金融环境方面，发达的金融市场能够提供多元化的金融产品和服务，满足外资企业不同的融资需求。股票市场可以为企业提供股权融资渠道，帮助企业筹集长期资金，优化资本结构；债券市场则为企业提供了债务融资的选择，企业可以通过发行债券来获取资金，降低融资成本。丰富的金融机构类型，如商业银行、投资银行、保险公司、证券公司等，能够为企业提供全方位的金融服务，包括贷款、投资、保险、理财等，满足企业在不同发展阶段的金融需求。高效的金融监管体系能够保障金融市场的稳定运行，降低金融风险，增强外资企业的投资信心。融资便利性对外资企业的投资决策也具有重要影响。便捷的融资渠道能够使企业快速获得所需资金，抓住市场机遇，提高企业的运营效率和竞争力。较低的融资成本能够减轻企业的财务负担，提高企业的盈利能力。政府和金融机构提供的融资支持政策，如贷款贴息、担保补贴、风险补偿等，能够降低企业的融资门槛和成本，促进企业的融资活动。江苏省不同地区的金融环境和融资便利性存在一定差异。苏南地区金融市场发达，金融机构众多，融资渠道丰富。以上海为中心的长三角金融圈对苏南地区产生了较强的辐射带动作用，苏南地区的企业能够便捷地利用上海的金融资源，进行股权融资、债券融资和跨境金融业务。苏南地区的商业银行数量众多，金融服务竞争激烈，为企业提供了多样化的贷款产品和优惠的贷款利率。苏州、南京等地还拥有多家证券公司和投资银行，能够为企业提供专业的资本市场服务，帮助企业进行上市融资、并购重组等活动。苏中、苏北地区的金融环境和融资便利性相对较弱。金融机构数量相对较少，金融市场活跃度不高，融资渠道相对单一，企业主要依赖银行贷款进行融资。由于金融市场发展相对滞后，苏中、苏北地区的企业在股权融资、债券融资等方面面临一定困难，融资成本相对较高。政府在金融支持政策的力度和覆盖面上也与苏南地区存在差距，对企业的融资扶持作用有限。为了验证金融环境和融资便利性与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的金融机构存贷款余额、上市公司数量、融资成本（以贷款利率为代表）和FDI数据，构建回归模型进行实证分析。结果显示，金融机构存贷款余额和上市公司数量与FDI之间存在显著的正相关关系，融资成本与FDI之间存在显著的负相关关系。金融机构存贷款余额每增加1%，FDI将增加[X]%；上市公司数量每增加1家，FDI将增加[X]亿美元；融资成本每降低1个百分点，FDI将增加[X]亿美元。这表明，金融环境越好、融资便利性越高的地区，越容易吸引FDI的流入。苏中、苏北地区要提高FDI的吸引力，需要加强金融市场建设，丰富金融机构类型，拓宽融资渠道，降低融资成本，优化金融环境。4.3技术水平因素4.3.1科研投入与创新能力科研投入和创新能力是衡量一个地区技术水平的重要指标，对吸引外商直接投资（FDI）具有重要影响。较高的科研投入能够为技术研发提供充足的资金支持，促进新技术、新产品的开发，提升地区的技术创新能力。强大的创新能力可以使地区在技术领域保持领先地位，吸引外资企业寻求技术合作与协同创新，利用当地的创新资源提升自身竞争力。江苏省苏南地区在科研投入和创新能力方面表现突出。以南京为例，作为江苏省的省会和科教名城，南京拥有丰富的科研资源。截至2024年，南京共有普通高等学校53所，其中包括南京大学、东南大学等多所双一流高校。这些高校和科研机构每年承担大量的国家级和省部级科研项目，科研经费投入持续增长。2024年，南京的研究与试验发展（R&D）经费支出占地区生产总值的比重达到3.5%，高于江苏省平均水平。在专利申请方面，2024年南京的专利申请量达到[X]万件，授权量达到[X]万件，其中发明专利授权量为[X]万件。这些科研成果为南京的产业发展提供了强大的技术支持，吸引了众多外资企业在南京设立研发中心和创新基地。例如，微软公司在南京设立了微软（南京）创新中心，与当地高校和科研机构开展合作，共同进行人工智能、大数据等领域的技术研发和创新应用。该创新中心依托南京丰富的科研资源和创新人才，开展了一系列前沿技术研究项目，取得了丰硕的成果。微软公司通过与南京的合作，不仅能够利用当地的创新资源提升自身技术水平，还能更好地了解中国市场需求，开发出更符合中国市场的产品和服务。科研投入和创新能力对FDI的吸引作用还体现在产业升级和结构优化方面。具有较高科研投入和创新能力的地区，能够推动产业向高端化、智能化、绿色化方向发展，吸引更多高端制造业和现代服务业的FDI。南京近年来在新能源汽车、集成电路、生物医药等战略性新兴产业领域加大科研投入，取得了显著进展。新能源汽车领域，南京通过科研创新，吸引了众多外资新能源汽车企业的投资，如德国宝马集团与南京企业合作，共同开发新能源汽车技术和产品，推动了南京新能源汽车产业的发展。为了验证科研投入和创新能力与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的R&D经费支出、专利授权量和FDI数据，构建回归模型进行实证分析。结果显示，R&D经费支出和专利授权量与FDI之间均存在显著的正相关关系。R&D经费支出每增加1%，FDI将增加[X]%；专利授权量每增加1%，FDI将增加[X]%。这充分说明，科研投入和创新能力是影响FDI区域分布的重要因素，科研投入大、创新能力强的地区更容易吸引FDI的流入。4.3.2人力资源素质人力资源素质是影响外商直接投资（FDI）区位选择的关键因素之一，高素质的人力资源能够为外资企业提供充足的技术和管理人才，满足企业对创新和发展的需求，提高企业的生产效率和竞争力，从而吸引更多的FDI流入。江苏省苏南、苏北地区在人力资源素质方面存在明显差异。苏南地区教育资源丰富，高等院校和职业院校众多，教育水平较高，培养了大量高素质的人才。以苏州为例，苏州拥有苏州大学、昆山杜克大学等知名高校，以及众多职业技术院校，为当地产业发展提供了丰富的人才支持。苏州还积极引进国内外高端人才，出台了一系列人才引进政策，如给予高端人才购房补贴、子女教育优惠等，吸引了大量高层次人才在苏州创新创业。据统计，2024年苏州的人才资源总量达到[X]万人，其中高层次人才达到[X]万人。这些高素质人才为苏州吸引FDI提供了有力支撑，众多外资企业在苏州设立研发中心和生产基地，看中的就是苏州丰富的人才资源。苏北地区的教育资源相对匮乏，高等院校数量较少，教育水平相对较低，人才培养能力有限。同时，苏北地区的人才流失现象较为严重，大量高素质人才流向苏南地区和其他发达地区，导致苏北地区人力资源素质相对较低。据统计，2024年苏北地区的人才资源总量为[X]万人，其中高层次人才仅为[X]万人。较低的人力资源素质限制了苏北地区对FDI的吸引力，尤其是对于那些技术密集型和知识密集型的外资企业，由于难以在苏北地区获得所需的高素质人才，往往选择在人力资源素质更高的苏南地区投资。人力资源素质对FDI的影响还体现在企业的运营成本和创新能力上。高素质的人力资源能够提高企业的生产效率，降低企业的生产成本。同时，高素质人才具有较强的创新能力，能够为企业提供新的思路和技术，推动企业的创新发展。为了验证人力资源素质与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的高校毕业生人数、专业技术人员数量和FDI数据，构建回归模型进行实证分析。结果表明，高校毕业生人数和专业技术人员数量与FDI之间均存在显著的正相关关系。高校毕业生人数每增加1%，FDI将增加[X]%；专业技术人员数量每增加1%，FDI将增加[X]%。这充分说明，人力资源素质是影响FDI区域分布的重要因素，人力资源素质高的地区更容易吸引FDI的流入。苏北地区要提高FDI的吸引力，必须加大教育投入，提升教育水平，培养和吸引更多高素质人才，提高人力资源素质。4.4产业结构因素4.4.1产业集聚程度产业集聚作为一种重要的经济现象，对吸引外商直接投资（FDI）具有显著的正向影响。当产业在特定区域集聚时，能够产生一系列的外部经济效应，这些效应使得该区域对外资企业具有强大的吸引力。在产业集聚区域，上下游企业之间的距离缩短，企业能够更便捷地获取原材料、零部件等供应，降低采购成本和运输成本。企业之间的紧密合作还能促进技术交流和创新，形成知识溢出效应，提升整个产业集群的技术水平和创新能力。集聚区域往往能够吸引大量的专业人才，形成劳动力共享市场，企业更容易招聘到符合自身需求的高素质劳动力，降低招聘成本和人力培训成本。以昆山的电子信息产业集聚为例，经过多年的发展，昆山已形成了完备的电子信息产业集群，涵盖了计算机、通信设备、电子元器件等多个领域。截至2024年，昆山拥有电子信息企业超过[X]家，其中包括富士康、仁宝、纬创等知名企业。这些企业在昆山集聚，形成了完整的产业链条。在零部件供应方面，昆山本地的供应商能够为电子信息企业提供各类电子元器件、电路板等零部件，实现了零部件的本地化采购，大大降低了企业的采购成本和运输时间。在技术创新方面，企业之间通过合作研发、技术交流等方式，不断推动电子信息产业的技术升级和创新发展。昆山还吸引了大量电子信息领域的专业人才，为企业提供了充足的人力资源支持。这种产业集聚效应使得昆山成为吸引电子信息产业FDI的重要区域。众多外资电子信息企业纷纷在昆山投资设厂，如德国英飞凌科技在昆山设立了半导体制造基地，利用昆山完善的电子信息产业集群优势，实现了高效的生产和运营。据统计，2024年昆山电子信息产业实际利用外资达到[X]亿美元，占昆山实际利用外资总额的比重超过[X]%。产业集聚还带动了相关服务业的发展，如物流、金融、科技服务等，进一步提升了昆山的产业配套能力和综合竞争力。为了验证产业集聚程度与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的产业集聚度（以区位熵为指标，衡量某地区某产业的集聚程度）和FDI数据，构建回归模型进行实证分析。结果显示，产业集聚度与FDI之间存在显著的正相关关系。产业集聚度每提高1个单位，FDI将增加[X]亿美元。这充分说明，产业集聚程度是影响FDI区域分布的重要因素，产业集聚度越高的地区，越容易吸引FDI的流入。4.4.2主导产业类型不同的主导产业类型对吸引外商直接投资（FDI）具有不同的影响，这主要源于各产业的技术需求、市场规模、产业配套要求等方面的差异。高新技术产业通常具有技术含量高、附加值高、创新性强等特点，这类产业对FDI的吸引力主要体现在对先进技术和创新资源的追求上。外资企业在高新技术产业的投资，往往伴随着先进技术的引入和研发活动的开展，能够提升当地产业的技术水平和创新能力。制造业中的高端装备制造、新能源汽车等产业，需要大量的研发投入和先进的生产技术，外资企业的进入可以带来先进的制造工艺、管理经验和市场渠道，促进当地产业的升级和发展。江苏省苏中、苏北地区在主导产业类型上存在明显差异。苏中地区的主导产业以制造业和化工产业为主。南通作为苏中地区的重要城市，船舶海工、纺织服装等产业是其主导产业。船舶海工产业具有资金密集、技术密集的特点，南通在船舶海工领域拥有一定的产业基础和技术实力，吸引了一些外资船舶制造企业的投资。中远海运川崎船舶工程有限公司在南通设立了现代化的船舶制造基地，利用南通的产业配套和劳动力资源，生产高端船舶产品。化工产业在苏中地区也占据重要地位，如扬州的化工园区吸引了众多外资化工企业的入驻，这些企业在化工产品研发、生产等方面具有先进的技术和管理经验，促进了苏中地区化工产业的发展。苏北地区的主导产业相对较为传统，农业和资源型产业占比较大。徐州是苏北地区的重要城市，煤炭、工程机械等产业是其主导产业。煤炭产业作为资源型产业，对FDI的吸引力相对较弱，主要原因在于煤炭资源的开发受到资源储量、政策等因素的限制，且煤炭产业的附加值相对较低。工程机械产业虽然具有一定的产业规模，但在技术创新能力和产业配套方面与苏南、苏中地区存在差距，对外资的吸引力有限。为了提升苏北地区主导产业对FDI的吸引力，苏北地区需要加快产业结构调整和升级，加大对高新技术产业和战略性新兴产业的培育和发展力度，提高产业的技术含量和附加值。为了分析主导产业类型与FDI之间的关系，本研究选取江苏省13个地级市2010-2024年的主导产业类型（以各产业产值占地区总产值的比重来衡量）和FDI数据，进行相关性分析和回归分析。结果显示，高新技术产业、高端制造业等主导产业类型与FDI之间存在显著的正相关关系，而传统农业、资源型产业等主导产业类型与FDI之间的相关性较弱。这表明，主导产业类型是影响FDI区域分布的重要因素，以高新技术产业和高端制造业为主导的地区，更容易吸引FDI的流入。五、实证研究设计与结果分析5.1研究假设提出基于前文对FDI在江苏省区域差异决定因素的理论分析，本研究提出以下假设，旨在深入探究各因素与FDI区域差异之间的关系。市场规模是吸引FDI的关键因素之一，较大的市场规模意味着更广阔的销售空间和更多的盈利机会，能够满足外资企业大规模生产和销售的需求。地区生产总值（GDP）作为衡量市场规模的重要指标，其规模和增长速度反映了地区的经济实力和发展潜力。因此，本研究提出假设H1：地区生产总值与FDI流入呈正相关关系，即地区生产总值越大，吸引的FDI越多。人口规模和消费能力同样对FDI的流入具有重要影响。庞大的人口规模提供了丰富的劳动力资源和广阔的消费市场，较高的消费能力则意味着更强的购买力，能够支撑外资企业的产品销售。基于此，提出假设H2：人口规模和消费能力与FDI流入呈正相关关系，人口规模越大、消费能力越强的地区，吸引的FDI越多。投资环境是影响FDI区位选择的重要因素，完善的基础设施能够降低企业的运营成本，提高生产效率。交通设施的完善可以促进货物和人员的流动，能源供应的稳定能够保障企业的正常生产，通信设施的先进则有利于企业获取信息和开展业务。因此，提出假设H3：基础设施建设与FDI流入呈正相关关系，基础设施越完善的地区，吸引的FDI越多。优惠的政策和良好的制度环境能够降低企业的投资风险和成本，增强企业的投资信心。税收减免、土地优惠等政策可以直接减少企业的投资支出，高效的政府服务和健全的法律法规能够保障企业的合法权益，营造公平竞争的市场环境。基于此，提出假设H4：政策优惠与制度环境与FDI流入呈正相关关系，政策优惠力度越大、制度环境越好的地区，吸引的FDI越多。发达的金融市场和便捷的融资渠道能够为外资企业提供充足的资金支持，降低融资成本和风险。丰富的金融产品和服务能够满足企业不同的融资需求，高效的金融监管体系能够保障金融市场的稳定运行。因此，提出假设H5：金融环境与融资便利性与FDI流入呈正相关关系，金融环境越好、融资便利性越高的地区，吸引的FDI越多。科研投入和创新能力是地区技术水平的重要体现，较高的科研投入能够推动技术创新和进步，提升地区的竞争力。创新能力强的地区能够吸引更多追求技术协同和创新资源的FDI，实现技术的共享和提升。基于此，提出假设H6：科研投入与创新能力与FDI流入呈正相关关系，科研投入越大、创新能力越强的地区，吸引的FDI越多。高素质的人力资源能够为外资企业提供充足的技术和管理人才，满足企业对创新和发展的需求。人力资源素质高的地区，劳动力的技能水平和创新能力更强，能够提高企业的生产效率和竞争力。因此，提出假设H7：人力资源素质与FDI流入呈正相关关系，人力资源素质越高的地区，吸引的FDI越多。产业集聚能够产生外部经济效应，降低企业的生产成本，提高生产效率和创新能力。在产业集聚区域，企业能够共享资源、技术和信息，实现产业链的协同发展。基于此，提出假设H8：产业集聚程度与FDI流入呈正相关关系，产业集聚程度越高的地区，吸引的FDI越多。不同的主导产业类型对FDI的吸引力存在差异，高新技术产业和高端制造业等主导产业通常具有较高的技术含量和附加值，能够吸引更多追求技术和市场的FDI。而传统产业由于技术水平相对较低，对FDI的吸引力相对较弱。因此，提出假设H9：以高新技术产业和高端制造业为主导的地区，吸引的FDI更多，主导产业类型与FDI流入存在显著相关性。5.2变量选取与数据来源为了深入探究FDI在江苏省区域差异的决定因素，本研究选取了一系列具有代表性的变量，这些变量涵盖了市场规模、投资环境、技术水平、产业结构等多个方面，力求全面、准确地反映影响FDI区域分布的关键因素。数据主要来源于江苏省统计局、各地区统计年鉴以及相关政府部门发布的统计数据，确保数据的准确性和可靠性。被解释变量为各地区实际利用外商直接投资（FDI），该变量直接反映了各地区吸引外资的规模，是衡量FDI区域差异的核心指标，单位为亿美元。解释变量包括：地区生产总值（GDP），作为衡量市场规模的重要指标，反映了地区的经济实力和市场潜力，单位为亿元；常住人口，体现地区的人口规模，庞大的人口规模意味着丰富的劳动力资源和广阔的消费市场，单位为万人；社会消费品零售总额，用以衡量地区的消费能力，消费能力的强弱直接影响着外资企业的市场份额和盈利水平，单位为亿元；公路里程，代表地区的交通基础设施状况，完善的交通网络能够降低企业的运输成本，提高物流效率，单位为公里；铁路里程，同样是交通基础设施的重要组成部分，对企业的运输和物流有着重要影响，单位为公里；用电量，反映地区的能源消耗水平，稳定的能源供应是企业正常生产运营的保障，单位为亿千瓦时；政策优惠指数，通过对税收减免、土地优惠、财政补贴等政策进行量化计算得出，综合体现地区的政策优惠力度，数值越大表示政策优惠力度越大；制度环境指数，从政府效率、法治水平、市场竞争环境等多个维度进行评估和量化，反映地区的制度环境质量，数值越高表示制度环境越好；金融机构存贷款余额，衡量地区金融市场的规模和活跃度，金融市场的发达程度直接影响着企业的融资便利性，单位为亿元；上市公司数量，反映地区企业在资本市场的活跃度和融资能力，上市公司数量越多，表明地区的金融环境越好，单位为家；融资成本，以贷款利率为代表，贷款利率的高低直接影响着企业的融资成本，利率越低，企业的融资成本越低，融资便利性越高，单位为%；R&D经费支出，代表地区的科研投入水平，科研投入的增加能够促进技术创新和进步，提升地区的技术竞争力，单位为亿元；专利授权量，体现地区的创新能力和科研成果转化水平，专利授权量越多，表明地区的创新能力越强，单位为件；高校毕业生人数，反映地区的人才培养能力和人力资源储备情况，高校毕业生是高素质人才的重要来源，人数越多，地区的人力资源素质越高，单位为万人；专业技术人员数量，体现地区专业人才的规模和质量，专业技术人员是推动企业技术创新和发展的重要力量，单位为万人；产业集聚度，采用区位熵来衡量，能够准确反映某地区某产业的集聚程度，区位熵越大，表明产业集聚度越高；高新技术产业产值占比，用以衡量地区主导产业类型中高新技术产业的发展水平，占比越高，说明地区的主导产业越偏向高新技术产业。为了确保数据的有效性和一致性，本研究对收集到的数据进行了严格的处理和筛选。对于缺失值，采用均值插补法或线性回归预测法进行补充；对于异常值，通过数据清洗和统计检验进行识别和修正，以保证数据的质量，为后续的实证分析提供可靠的基础。5.3模型构建与估计方法为了深入探究FDI在江苏省区域差异的决定因素，本研究构建如下多元线性回归模型：FDI_{it}=\beta_{0}+\beta_{1}GDP_{it}+\beta_{2}POP_{it}+\beta_{3}CON_{it}+\beta_{4}ROAD_{it}+\beta_{5}RAIL_{it}+\beta_{6}ELE_{it}+\beta_{7}POL_{it}+\beta_{8}INS_{it}+\beta_{9}FIN_{it}+\beta_{10}LIST_{it}+\beta_{11}COST_{it}+\beta_{12}R\&D_{it}+\beta_{13}PAT_{it}+\beta_{14}GRAD_{it}+\beta_{15}TECH_{it}+\beta_{16}AGG_{it}+\beta_{17}HIGHT_{it}+\epsilon_{it}其中，i表示江苏省的13个地级市，t表示年份（2010-2024年）；FDI_{it}为被解释变量，表示第i个地区在t时期的实际利用外商直接投资；\beta_{0}为常数项；\beta_{1}-\beta_{17}为各解释变量的系数，分别反映各因素对FDI的影响程度；GDP_{it}、POP_{it}、CON_{it}、ROAD_{it}、RAIL_{it}、ELE_{it}、POL_{it}、INS_{it}、FIN_{it}、LIST_{it}、COST_{it}、R\&D_{it}、PAT_{it}、GRAD_{it}、TECH_{it}、AGG_{it}、HIGHT_{it}分别为前文所述的地区生产总值、常住人口、社会消费品零售总额、公路里程、铁路里程、用电量、政策优惠指数、制度环境指数、金融机构存贷款余额、上市公司数量、融资成本、R&D经费支出、专利授权量、高校毕业生人数、专业技术人员数量、产业集聚度、高新技术产业产值占比等解释变量；\epsilon_{it}为随机误差项，代表其他未被纳入模型的影响因素以及不可观测的随机干扰。在估计方法上，考虑到面板数据可能存在个体异质性、序列相关和异方差等问题，本研究采用固定效应模型（FixedEffectsModel，FE）进行估计。固定效应模型能够控制个体不随时间变化的特征，如地区的地理位置、文化传统等因素，从而更准确地估计解释变量对被解释变量的影响。通过固定效应模型估计，可以得到各解释变量的系数估计值及其显著性水平，以此判断各因素对FDI在江苏省区域差异的影响方向和程度。为了检验模型的稳健性，本研究还将采用随机效应模型（RandomEffectsModel，RE）进行估计，并通过Hausman检验来选择最合适的模型。如果Hausman检验结果拒绝原假设，则表明固定效应模型更为合适；反之，则选择随机效应模型。5.4实证结果分析通过对前文构建的多元线性回归模型进行估计，得到的实证结果如表1所示：表1：回归结果|变量|系数|标准误|t值|P>|t||---|---|---|---|---||GDP|0.056***|0.012|4.67|0.000||POP|0.032**|0.014|2.29|0.024||CON|0.041***|0.011|3.73|0.000||ROAD|0.028**|0.013|2.15|0.032||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||---|---|---|---|---||GDP|0.056***|0.012|4.67|0.000||POP|0.032**|0.014|2.29|0.024||CON|0.041***|0.011|3.73|0.000||ROAD|0.028**|0.013|2.15|0.032||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||GDP|0.056***|0.012|4.67|0.000||POP|0.032**|0.014|2.29|0.024||CON|0.041***|0.011|3.73|0.000||ROAD|0.028**|0.013|2.15|0.032||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||POP|0.032**|0.014|2.29|0.024||CON|0.041***|0.011|3.73|0.000||ROAD|0.028**|0.013|2.15|0.032||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||CON|0.041***|0.011|3.73|0.000||ROAD|0.028**|0.013|2.15|0.032||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||ROAD|0.028**|0.013|2.15|0.032||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||RAIL|0.035***|0.012|2.92|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||ELE|0.043***|0.010|4.30|0.000||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||POL|0.068***|0.015|4.53|0.000||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||INS|0.072***|0.016|4.50|0.000||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||FIN|0.048***|0.013|3.69|0.000||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.71|0.000||R&D|0.065***|0.014|4.64|0.000||PAT|0.047***|0.012|3.92|0.000||GRAD|0.038**|0.015|2.53|0.012||TECH|0.042**|0.016|2.63|0.009||AGG|0.075***|0.018|4.17|0.000||HIGHT|0.058***|0.014|4.14|0.000|_cons|-0.256***|0.087|-2.94|0.004||LIST|0.036**|0.015|2.40|0.017||COST|-0.052***|0.014|-3.7