EN中文

地理研究 >

2015 , Vol. 34 >Issue 10: 1943 - 1956

DOI: https://doi.org/10.11821/dlyj201510012

研究论文

制造业内部产业关联与空间分布关系的实证研究

  • 陈曦 , 1 ,
  • 席强敏 2 ,
  • 李国平 , 1
展开
  • 1. 北京大学政府管理学院,北京 100871
  • 2. 南开大学经济学院,天津 300071
李国平（1961- ）,男,黑龙江拜泉人,教授,博士生导师,研究方向为经济地理、区域经济、城市与区域规划。E-mail:

作者简介：陈曦（1987- ）,女,吉林长春人,博士研究生,研究方向为区域经济、城市与区域规划。E-mail:

收稿日期: 2015-02-13

  要求修回日期: 2015-06-20

  网络出版日期: 2015-10-15

基金资助

国家自然科学基金项目（41171099）

国家社会科学基金项目（15CJY055）

教育部人文社会科学研究青年基金（14YJC790136）

收起

Industrial linkage and spatial distribution of manufacturing industry

  • CHEN Xi , 1 ,
  • XI Qiangmin 2 ,
  • LI Guoping , 1
Expand
  • 1.School of Government, Peking University, Beijing 100871, China
  • 2. School of Economics, Nankai University, Tianjin 300071, China

Received date: 2015-02-13

  Request revised date: 2015-06-20

  Online published: 2015-10-15

Copyright

《地理研究》编辑部
Fold

摘要

聚焦于中国制造业内部的产业关联与空间分布,基于《中国投入产出表》中涉及的17个制造业细分行业和中国286个地级市空间单元的统计数据,研究与某一制造业细分行业具有较强产业关联的其他制造业细分行业与其空间分布之间是否存在相关性,并进一步分析产业关联强且具有空间关联的产业组合的主要特征。研究表明,在68个产业关联较强的产业组合中,有39个产业组合具有空间关联;产业关联较强的劳动/劳动密集型制造业和资本/技术密集型制造业更容易呈现空间关联;超过半数的制造业细分行业的产业关联和空间关联的程度之间存在正相关。此外,在产业特征分析基础上,利用GWR模型对39个产业关联强且具有空间关联的产业组合的空间关联度在空间分布上的特征和差异进行分析。结果显示,产业组合的空间关联度较高区域多分布在中等发展水平省区,而在经济发达或欠发达省区分布较少;东北三省区空间关联度较高的产业组合基本一致,产业发展情况较为相似。

关键词： 产业关联; 制造业; 空间分布; 空间计量

本文引用格式

陈曦 , 席强敏 , 李国平 . 制造业内部产业关联与空间分布关系的实证研究[J]. 地理研究, 2015 , 34(10) : 1943 -1956 . DOI: 10.11821/dlyj201510012

Abstract

The spatial distribution of the manufacturing industry based on industrial linkage has always been an important research topic. Using statistical data of 17 manufacturing industry segments in China (input-output table) and 286 prefecture-level spatial cells, this paper carries out input-output analysis and uses spatial regression models to determine the industrial linkage and spatial distribution of the manufacturing industry in China. Employing ordinary least squares (OLS), spatial lag regression model (SLM) and spatial error regression model (SEM), this paper determines whether there are correlations on spatial distribution between some manufacturing industry segments; it also aims to determine whether the distribution has strong industrial linkage to a specific segment. This paper also examines the characteristics of the industrial combinations with both strong industrial linkage and spatial correlation. Results show that, firstly, in 68 industrial combinations, 39 of these have both strong industrial linkage and spatial correlation, which proves the Marshallian externalities to some extent. Secondly, labor/labor-intensive manufacturing industries and capital/technology-intensive manufacturing industries can easily form such industrial combinations. Third, more than half of the manufacturing industry segments have positive correlations between industrial linkage and spatial correlation. Finally, "pgdp", "city", “kmt", and "zone" have good feedback, indicating that these elements have effects on the spatial distribution of the manufacturing industry in China. Apart from industrial combinations, this paper uses geographically weighted regression model (GWR) to study the spatial distribution of the degree of spatial correlation of 39 industrial combinations. Results show that industrial combinations with higher degree of spatial correlations are generally located in developing provinces (Heilongjiang, Jilin, Liaoning, Inner Mongolia, Shanxi, Hunan and Jiangxi), and not in developed provinces (Beijing, Tianjin, Jiangsu, Shanghai and Zhejiang) or under-developed provinces (Ningxia, Qinghai, Xinjiang and Tibet). Parts of the spatial distribution of the degree of spatial correlation of industrial combinations have regularities. Labor/labor-intensive manufacturing industries and capital/technology-intensive manufacturing industries differ in terms of the spatial distribution of the degree of spatial correlation. Moreover, the industrial combinations with higher degree of spatial correlations are basically the same in Heilongjiang, Jilin, and Liaoning. To ensure the future development of the manufacturing industry, the government should pay more attention to the mutual coordination and spatial correlation between manufacturing industry segments with strong industrial linkage. Formulating corresponding industrial linkages based on different manufacturing industry divisions and geographic spaces shall also play a positive role in the optimization of the spatial layout, further transforming and upgrading the manufacturing industry in China.

Key words： industrial linkage; manufacturing industry; spatial distribution; spatial econometric model

1 引言

随着经济全球化进程的日益加快和区域产业分工的不断深化,具有产业关联的各个产业已经形成相互作用的关联体,某一产业既会直接或间接影响其他产业的发展,也会在很大程度上受相关产业的影响。经济发展表现为经济总量的增长,并伴随着产业结构的调整和空间布局的优化,主要反映在各个产业之间在生产上和空间上的直接和间接关联中。因此,基于产业关联的制造业空间分布研究具有很强的理论和实践意义。
新经济地理革命以来,空间经济越来越受到地理学和经济学的广泛关注[1]。在制造业产业空间布局或产业集聚的研究领域中,国内外相关理论可以归纳为区位理论、新经济地理学理论和马歇尔外部性理论三个视角[2]。其中,马歇尔外部性理论在解释制造业产业空间分布和集聚因素方面发挥了重要作用。Marshall研究发现,企业基于外部性在同一区位上集中分布,并指出劳动力市场共享、投入产出关联和知识外溢是这一现象的根本来源[3]。此后,越来越多的学者开始关注产业地理分布过程中的外部性问题。Viner将外部性分为两种：生产者之间通过市场所产生的货币外部性和由技术或其他关系所产生的生产函数上的技术外部性[4,5]。Myrdal提出的循环因果理论揭示了经济体中正反馈机制的存在[6]。Krugman研究指出,由于规模经济和运输成本同时存在,制造商考虑到后向联系,倾向于选择在市场容量较大的地区进行生产;而作为工人的消费者基于交通成本和价格指数等前向关联因素,则倾向于选择在该地区生活和工作[7,8]。Venables认为,不同产业之间企业的地理接近可能缘自于产业之间的投入产出关联,产业间的前后向联系使得上下游企业由于运输成本和购买中间投入成本的存在而在空间上邻近[9]。
在实证研究方面,国内外很多学者都将产业关联纳入到制造业产业分布与集聚的研究之中,证实了马歇尔外部性的存在和影响。Henderson等研究表明传统产业比新技术产业的马歇尔外部性更为明显[10]。Ellison等通过美国制造业的实证研究发现产业聚集与自然资源优势和产业前后向联系产生的溢出效应密切相关[11]。Forni等通过研究产业之间的动态关联来对区域溢出效应进行实证检验,发现具有动态投入产出关联的产业之间具有动态外部效应和溢出效应[12]。国内研究中,马国霞等在分析中国制造业产业间空间集聚程度时指出,纵向投入产出关联诱发了原料投入比例大的中间需求型产业和最终需求型产业之间的空间集聚,且地理邻近有利于产业间投入产出联系的加强[13]。王业强等通过1995-2003年两位数制造业面板数据研究发现,产业关联等因素能够推动制造业地理集中,且邻近区域之间的后向关联效应较强[14]。王德利等的研究指出,产业间关联强度在1987-2002年间逐年增大,跨区域产业联动具有明显的邻域空间指向性,产业间横向联动与纵向联动相结合的混合型联动格局正在形成[15]。吴建峰等利用1980-2005年中国省级制造业数据证实了马歇尔外部性是中国制造业地理集聚的决定因素,产业内部资源组织要接近原料、中间商或者市场[16]。毛琦梁等在研究中国经济空间时发现,产业间投入产出联系、地区市场规模逐渐成为产业布局的重要决定因素[17]。江曼琦等发现投入产出关系是决定生产性服务业与制造业之间空间协同集聚的动因之一,但非重要动因[18]。
已有的实证研究多将某一制造业细分行业的产业关联作为整体,研究其与制造业空间分布、地理集聚或邻近等的相互关系;或忽视地理空间,将制造业细分行业之间的投入产出关联作为研究对象,从产业关联角度分析制造业的产业特性。但很少有基于空间的两个制造业细分行业之间的产业关联实证研究,对制造业内部产业关联和空间分布的相互影响的研究更为有限。
本文聚焦于中国制造业内部的产业关联与空间分布,从产业的前（后）向关联出发,重点研究与某一制造业细分行业具有较强产业关联的其他制造业细分行业是否会影响其空间分布,并进一步对产业关联强且具有空间关联的产业组合进行产业特征和空间特征分析,以期为中国今后的产业转型升级和空间布局优化等提供参考和借鉴。

2 研究方法与数据来源

2.1 投入产出分析

投入产出分析最早由美国经济学家Leontief于20世纪30年代提出,主要用于系统分析经济实体中各产业之间广泛的、复杂的和密切的相互依存和相互制约的技术经济联系。按照产业间相互作用的传递方向,可以将产业关联分为后向关联与前向关联。后向关联为需求联系,指当某产业部门的最终需求改变一个单位时整个国民经济总产出的变化量,通常用影响力系数测定,其计算公式如下：
F j = ∑ i = 1 n b ij / ( ∑ i = 1 n ∑ j = 1 n b ij / n ) （1）
式中：bij为完全消耗系数;i和j均表示产业部门;n表示产业部门个数。
前向关联是供给关系,反映国民经济各部门均增加一个单位最终使用时,某一部门由此而受到的需求感应程度,通常用感应度系数测定,其计算公式如下：
E i = ∑ j = 1 n b ij / ( ∑ i = 1 n ∑ j = 1 n b ij / n ) （2）
此外,本文还利用直接投入系数aij,即产业i对产业j的中间投入占产业j总投入的比例,衡量产业i对产业j的后向关联;直接分配系数bij,即产业i对产业j的中间需求占产业i总需求的比例,衡量产业i对产业j的前向关联。并利用直接投入系数aij、aji和直接分配系数bij、bji的算术平均值测度产业i和产业j之间的投入产出联系,定义为两个制造业细分行业之间的产业关联度。

2.2 空间计量回归

2.2.1 空间滞后与空间误差模型 考虑到一个空间单元上的某种经济地理现象或某一属性值与邻近空间单元上同一现象或属性值的相关性,本文在研究制造业内部产业关联对空间分布的影响时,除传统的普通最小二乘（ordinary least square,OLS）回归以外,还引入了空间计量模型,以解决空间数据的空间依赖性或空间自相关性等问题。使用的空间计量模型包括空间滞后模型（spatial lag regression model,SLM）和空间误差模型（spatial error regression model,SEM）[19]。SLM主要探讨各变量在一个地区是否存在扩散现象,揭示因变量与周围地区的密切关系;SEM则是从误差项中分离出空间自相关的成分,将其转化为一个含有空间相邻矩阵形式的空间滞后误差项。 SLM 和 SEM 的计算公式分别如下：
SLM ： Y = ρWY + Xβ + ε （3）
式中：ρ为空间回归关系数;W为n×n阶的空间权值矩阵,一般采用邻接矩阵;WY为空间滞后被解释变量;ε为随机误差项向量。
SEM ： Y = Xβ + ε ； ε = λWε + μ （4）
式中：λ为n×1的截面被解释变量向量的空间误差系数;μ为正态分布的随机误差向量。
2.2.2 地理加权回归模型 利用地理加权回归（geographically weighted regression,GWR）模型在局域性空间数据研究上的优越性,研究制造业内部产业关联对空间分布影响的空间差异性。GWR是Brunsdon等于1996年提出来的一种空间数据分析方法[20]。GWR能够在地理位置变化过程中对每个参数进行估计,更好地反映变量之间的关系变化、空间依赖性和空间差异性[21]。其基本模型如下：
y i = α 0 u i , v i + ∑ α k u i , v i x ik + ε i （5）
式中：（ui,vi）是第i个样本点的空间坐标; α k u i ， v i 是连续函数 α k u , v 在i点的值。
带宽选择对GWR模型的运行结果有很大影响。一般上使用最小CV法和最小AIC法两种方法来确定最优带宽。CV法的使用前提是回归点与数据点一致;而AIC法考虑了不同模型的不同自由度的差异,能够相对准确地进行比较。由于AIC法的适用条件较为广泛,所以本文在选择最优带宽时采用AIC方法。
此外,GWR模型的“空间核”分为固定型空间核和调整型空间核两种,本文综合采用两种方式来确定权重函数。固定型空间核（Fixed Spatial Kernels）的GWR模型权重用高斯函数来表示：
W ij = e - ( d ij b ) 2 （6）
式中：dij是回归点i与数据点j的欧几里得距离,b是带宽。
调整型空间核（Adaptive Spatial Kernels）的GWR模型用双重平方函数来实现：
W ij = 1 - ( d ij b ) 2 2 ， d ij < b 0 ， 其他 （7）

2.3 数据来源

本文的研究对象是《中国投入产出表》中涉及的17个制造业细分行业,并根据要素密集程度,将制造业细分行业划分为劳动密集型、资本密集型和技术密集型三种类型(参考江静等于2007年发表的研究成果《生产者服务业发展与制造业效率提升：基于地区和行业面板数据的经验分析》。本文的劳动密集型包括食品制造及烟草加工业、纺织业、纺织服装鞋帽皮革羽绒及其制品业、木材加工及家具制造业、造纸印刷及文教体育用品制造业、工艺品及其他制造业和废品废料等7个行业;资本密集型包括石油加工炼焦及核燃料加工业、非金属矿物制品业、金属冶炼及压延加工业、金属制品业、通用专用设备制造业和仪器仪表及文化办公用机械制造业等6个行业;技术密集型包括交通运输设备制造业、电气机械及器材制造业和通信设备计算机及其他电子设备制造业等3个行业。化学工业包含5个二位数代码制造业,其中,橡胶制品业和塑料制品业为劳动密集型制造业,化学原料及化学制品制造业、医药制造业和化学纤维制造业为技术密集型制造业,因此,将化学工业作为劳动（技术）密集型制造业处理。)。在研究过程中,制造业内部产业关联特征分析的数据来源于2007年《中国投入产出表》,并在其基础上进行了数据处理。制造业内部产业关联与空间分布实证研究中的被解释变量和主要解释变量来源于《中国工业企业数据库》,由微观的工业企业数据按照17个制造业细分行业和地级市进行汇总得出;其他控制变量的数据来源于2008年《中国城市统计年鉴》。地图资料以中国科学院资源环境科学数据中心提供的中华人民共和国行政区划地图为底图,进行数字化处理后得到。

3 制造业内部产业关联特征分析

3.1 制造业细分行业的投入产出分析

分别计算17个制造业细分行业对制造业总体的影响力系数和感应度系数,并将其从大到小排序（表1）。结果表明,影响力系数较高的制造业细分行业依次为通信设备计算机及其他电子设备制造业、电气机械及器材制造业和交通运输设备制造业,均为技术密集型制造业,说明这些行业对其他制造业发展的带动作用较强;感应度系数较高的制造业细分行业依次为废品废料、金属冶炼及压延加工业和化学工业,说明这些行业受其他制造业的影响较大。
Tab. 1 The diffusion coefficient and inducing coefficient of each manufacturing industry segment

表1 制造业细分行业对制造业总体的影响力系数和感应度系数

编号 名称 影响力系数 排名 感应度系数 排名
m1 食品制造及烟草加工业 0.2693 15 0.2644 16
m2 纺织业 0.5685 10 0.6841 4
m3 纺织服装鞋帽皮革羽绒及其制品业 0.6354 7 0.2565 17
m4 木材加工及家具制造业 0.5226 12 0.4445 10
m5 造纸印刷及文教体育用品制造业 0.6088 8 0.5653 6
m6 石油加工、炼焦及核燃料加工业 0.1165 17 0.4806 9
m7 化学工业 0.5759 9 0.7574 3
m8 非金属矿物制品业 0.4226 14 0.3348 14
m9 金属冶炼及压延加工业 0.5156 13 0.8250 2
m10 金属制品业 0.6515 5 0.5603 7
m11 通用、专用设备制造业 0.6486 6 0.4833 8
m12 交通运输设备制造业 0.7062 3 0.3955 12
m13 电气机械及器材制造业 0.7245 2 0.3597 13
m14 通信设备、计算机及其他电子设备制造业 0.7283 1 0.6350 5
m15 仪器仪表及文化办公用机械制造业 0.6924 4 0.4171 11
m16 工艺品及其他制造业 0.5311 11 0.2914 15
m17 废品废料 0.1655 16 1.2620 1

3.2 制造业细分行业之间的产业关联

计算出制造业内部各细分行业与其他细分行业之间的产业关联度,并将其排序,选择出与每个制造业细分行业产业关联度最高的5个,除去自身,共得到68个产业组合（表2）。能够看出,劳动密集型制造业一般与其他劳动密集型制造业的产业关联度较高（定义为劳动/劳动密集型制造业）,而资本密集型和技术密集型制造业则分别与这两种类型的制造业存在较强的产业关联（定义为资本/技术密集型制造业,包括资本和资本、资本和技术、技术和技术三种产业组合）。此外,化学工业在表2中出现的次数最多,说明其与其他制造业细分行业的产业关联最为广泛。
Tab. 2 The industrial linkage degree between every two manufacturing industry segments

表2 制造业细分行业之间的产业关联度

编号 名称 排名1 排名2 排名3 排名4
m1 食品制造及烟草加工业 m7 m5 m3 m16
m2 纺织业 m3 m7 m16 m5
m3 纺织服装鞋帽皮革羽绒及其制品业 m2 m7 m1 m5
m4 木材加工及家具制造业 m7 m10 m5 m16
m5 造纸印刷及文教体育用品制造业 m7 m17 m1 m4
m6 石油加工、炼焦及核燃料加工业 m7 m9 m8 m11
m7 化学工业 m6 m5 m2 m15
m8 非金属矿物制品业 m7 m17 m9 m10
m9 金属冶炼及压延加工业 m17 m10 m11 m13
m10 金属制品业 m9 m11 m13 m7
m11 通用、专用设备制造业 m9 m13 m10 m12
m12 交通运输设备制造业 m11 m9 m7 m5
m13 电气机械及器材制造业 m9 m11 m14 m7
m14 通信设备、计算机及其他电子设备制造业 m15 m13 m7 m10
m15 仪器仪表及文化办公用机械制造业 m14 m7 m13 m12
m16 工艺品及其他制造业 m9 m7 m2 m10
m17 废品废料 m9 m5 m11 m8

4 制造业内部产业关联与空间分布的实证研究

根据马歇尔的外部性理论,制造业细分行业之间的投入产出关联是导致两者集聚的主要因素之一。理论上,产业关联密切的两个制造业细分行业在空间上共同分布,能够通过节约运输成本和降低交易成本来提高生产效率。但是,这种产业关联对空间分布的影响是否存在,还需要通过实证研究进行验证。
本文认为产业关联是影响制造业空间分布的重要因素之一,但并不是唯一的决定因素,也不是不可或缺的必要因素。一方面,在空间分布上,有些具有产业关联的制造业细分行业之间存在空间关联,即在同一空间范围内,这些制造业细分行业会呈现出相互影响或共同分布的特征;而另一些具有产业关联的制造业细分产业受自然资源禀赋、劳动力市场共享和知识外溢等其他因素影响,在空间上并未出现集中分布的情形。另一方面,对于具有空间关联的制造业细分行业来说,有些制造业细分行业由于产业关联而产生空间关联,也有些制造业细分行业在空间上的协同集聚现象并不是主要由两者之间的产业关联决定的,而是受经济发展水平、劳动力工资水平、交通设施水平、对外开放水平和产业政策环境等其他因素的影响而形成的。因此,本文针对选择出的68个产业关联较强的产业组合,在控制其他相关因素影响的基础上,着重研究制造业内部各细分行业之间的产业关联与其空间分布之间是否存在相关性。

4.1 制造业内部产业关联对空间分布的影响

在对68个产业关联较强的产业组合的空间分布进行OLS回归或空间计量回归的基础上,进一步选择出产业关联强且具有空间关联的产业组合,并从产业特征方面对这些产业组合进行梳理和总结。
4.1.1 模型设定 本文以中国286个地级市(受数据可获得性的限制,本文研究并未包括港澳台地区,拉萨市由于数据缺失,也未被纳入。)为空间单元,以各地级市j制造业产值占全国j制造业总产值的份额反映中国j制造业的空间分布,并参考已有研究,引入人均地区生产总值、劳动力工资水平、交通设施水平、政府规模、城市等级、对外开放水平和产业政策环境等作为控制变量[22-25]。模型中涉及的被解释变量和各解释变量的符号及含义如表3所示。
Tab. 3 The meaning of each variable in the model

表3 模型中各个变量的含义

变量 符号 定义
制造业份额 mij i地级市j制造业产值占全国j制造业总产值的比重
人均地区生产总值 pgdp 各地级市人口总数与本市地区生产总值的比值
劳动力工资水平 lwage 各地级市职工平均工资的对数
交通设施水平 ptran 各地级市市辖区城市道路面积占市辖区总面积的比重
政府规模 gov 各地级市政府非公共财政支出占本市GDP的比重
城市等级 city 直辖市/省会城市为1,其他城市为0
对外开放水平 mkt 各地级市限额以上外商投资产值占本市限额以上工业总产值的比重
产业政策环境 zone 各地级市内国家级开发区数量
鉴于数据的可得性,mkt中,限额以上外商投资产值=限额以上港澳台商投资企业产值+限额以上外商投资企业产值;gov=（地方财政一般预算内支出–科学支出–教育支出）/GDP;zone主要包括国家级经济技术开发区和国家级高新技术产业开发区的数量。
本文以i地级市j制造业产值占全国j制造业总产值的份额作为因变量,以与j制造业产业关联度最高的其他4个制造业细分行业的份额,即i地级市j1、j2、j3、j4制造业产值占全国j1、j2、j3、j4制造业总产值的份额作为主要回归的自变量。计量模型设定为：
OLS： m ij = α 0 + α 1 m ij 1 + α 2 m ij 2 + α 3 m ij 3 + α 4 m ij 4 + α 5 pgd p i + α 6 lwag e i + α 7 ptra n i + α 8 go v i + α 9 cit y i + α 10 mk t i + α 11 zon e i + u i （8）
SLM: m ij = Wm + f X mj 1 , X mj 2 , X mj 3 , X mj 4 , X pgdp , X lwage , X ptran , X gov , X ci ty , X mkt , X zone + ε （9）
式中：W为距离束权值矩阵;n为地级市个数。
SEM： m ij = f X mj 1 , X mj 2 , X mj 3 , X mj 4 , X pgdp , X lwage , X ptran , X gov , X city , X mkt , X zone + ε ε = λWε + μ （10）
4.1.2 计量回归与结果分析 首先,按照模型（8）,对各制造业细分行业进行OLS回归,然后对每个回归进行空间相关性检验,使用拉格朗日乘数（Lagrange Multiplier）形式的LM-Lag和LM-Error,以及稳健的R-LMLAG和R-LMERR作为判别依据,根据Anselin等[19]提出的判别准则,判别OLS回归或是哪种空间计量模型更符合客观实际：当LM-Lag和LM-Error都不能拒绝0假设,即检验结果均不显著时,采用原有的OLS分析结果;当LM-Lag和LM-Error中仅有一个拒绝0假设时,采用与之相对应的另一个空间计量模型;当LM-Lag和LM-Error都拒绝0假设时,进一步观察R-LMLAG和R-LMERR,采用R-LMLAG和R-LMERR检验结果中更为显著的空间计量模型。
在控制了其他变量的影响后,每个制造业细分行业与与其具有较高产业关联的其他4个制造业细分行业之间的回归估计结果如表4所示。
Tab. 4 The regression results between every two manufacturing industry segments with strong industrial linkage

表4 产业关联较强的制造业行业之间空间分布的回归结果

被解释变量 最优模型 解释变量1 解释变量2 解释变量3 解释变量4
m1 食品制造及烟草加工业 SEM m3 0.015 m5 0.127*** m7 0.122** m16 0.052**
(0.84) (3.07) (2.35) (2.39)
m2 纺织业 SEM m3 0.091*** m5 0.124* m7 0.936*** m16 -0.013
(2.95) (1.69) (10.76) (-0.34)
m3 纺织服装鞋帽皮革羽绒及其制品业 OLS m1 0.182 m2 0.385*** m5 0.509*** m7 -0.259
(1.02) (3.24) (3.60) (-1.22)
m4 木材加工及家具制造业 OLS m5 0.382*** m7 0.036 m10 0.253*** m16 0.028
(5.20) (0.38) (3.81) (0.73)
m5 造纸印刷及文教体育用品制造业 SLM m1 0.103 m4 0.280*** m7 0.544*** m17 0.031
(1.38) (5.81) (8.45) (1.59)
m6 石油加工、炼焦及核燃料加工业 OLS m7 -0.014 m8 -0.032 m9 -0.004 m11 0.373***
(-0.10) (-0.36) (-0.06) (3.42)
m7 化学工业 SLM m2 0.276*** m5 0.184*** m6 0.091*** m15 0.086***
(10.19) (4.52) (4.23) (3.48)
m8 非金属矿物制品业 SLM m7 0.298*** m9 -0.027 m10 0.177*** m17 0.053**
(3.52) (-0.70) (2.76) (2.29)
m9 金属冶炼及压延加工业 OLS m10 0.605*** m11 0.177* m13 -0.388*** m17 0.030
(4.35) (1.71) (-3.26) (0.84)
m10 金属制品业 OLS m7 0.151*** m9 0.105*** m11 0.248*** m13 0.589***
(2.62) (4.34) (5.42) (17.29)
m11 通用、专用设备制造业 SLM m9 0.048 m10 0.454*** m12 0.141*** m13 0.043
(1.48) (6.28) (4.48) (0.68)
m12 交通运输设备制造业 OLS m7 0.155 m9 0.108* m11 0.473*** m15 -0.020
(1.13) (1.87) (4.42) (-0.34)
m13 电气机械及器材制造业 SLM m7 0.438*** m9 -0.009 m11 0.302*** m14 0.090***
(4.54) (-0.22) (4.00) (4.17)
m14 通信设备、计算机及其他电子设备制造业 SEM m7 0.192 m10 0.048 m13 -0.96*** m15 1.778***
(1.25) (0.28) (-5.44) (18.13)
m15 仪器仪表及文化办公用机械制造业 OLS m7 0.010 m12 0.025 m13 0.702*** m14 0.298***
(0.15) (0.81) (15.77) (17.62)
m16 工艺品及其他制造业 OLS m2 0.124 m7 -0.004 m9 -0.357*** m10 0.636***
(1.35) (-0.02) (-5.42) (6.14)
m17 废品废料 OLS m5 0.365** m8 0.409*** m9 0.138 m11 0.106
(2.26) (2.61) (1.33) (0.65)

注：“*” P < 0.10,“**” P < 0.05,“***” P < 0.01。

（1）从适合每个制造业细分行业的最优模型可以看出,纺织服装鞋帽皮革羽绒及其制品业、木材加工及家具制造业、石油加工炼焦及核燃料加工业、金属冶炼及压延加工业、金属制品业、交通运输设备制造业、仪器仪表及文化办公用机械制造业、工艺品及其他制造业和废品废料等9个制造业细分行业选择OLS回归更为合适,说明这些产业不存在空间自相关;而其他8个制造业细分行业则表现出较强的空间自相关性。
（2）在68个产业关联较强的产业组合中39个产业组合具有空间关联,即在空间上有在同一地级市内相互影响和共同分布的趋势,在一定程度上印证了外部性理论。从制造业类型来看,产业关联较强的劳动/劳动密集型制造业（12个产业组合）和资本/技术密集型制造业（20个产业组合）更容易呈现空间关联,即在空间分布上具有一致性（表5）。
Tab. 5 39 industrial combinations with both strong industrial linkage and spatial correlation

表5 产业关联强且具有空间关联的39个产业组合

编号 名称 产业类型 相关产业
编号 产业类型 前向关联 后向关联 产业
关联度		 回归系数
m1 食品制造及烟草加工业 1 m5 1 0.039988 0.002522 0.021255 0.127
m1 食品制造及烟草加工业 1 m7 1(3) 0.024642 0.018347 0.021495 0.122
m1 食品制造及烟草加工业 1 m16 1 0.005916 0.007217 0.006567 0.052
m2 纺织业 1 m7 1(3) 0.084626 0.012461 0.048543 0.936
m2 纺织业 1 m5 1 0.012489 0.014669 0.013579 0.124
m2 纺织业 1 m3 1 0.020007 0.281314 0.150660 0.091
m3 纺织服装鞋帽皮革羽绒及其制品业 1 m5 1 0.015336 0.006842 0.011089 0.509
m3 纺织服装鞋帽皮革羽绒及其制品业 1 m2 1 0.281314 0.020007 0.150660 0.385
m4 木材加工及家具制造业 1 m5 1 0.013063 0.024983 0.019023 0.382
m4 木材加工及家具制造业 1 m10 2 0.020277 0.019538 0.019908 0.253
m5 造纸印刷及文教体育用品制造业 1 m7 1(3) 0.086005 0.033892 0.059949 0.544
m5 造纸印刷及文教体育用品制造业 1 m4 1 0.024983 0.013063 0.019023 0.280
m16 工艺品及其他制造业 1 m10 2 0.033765 0.006585 0.020175 0.636
m17 废品废料 1 m8 2 0.001250 0.045713 0.023482 0.409
m17 废品废料 1 m5 1 0.000139 0.115315 0.057727 0.365
m6 石油加工、炼焦及核燃料加工业 2 m11 2 0.012573 0.014395 0.013484 0.373
m8 非金属矿物制品业 2 m7 1(3) 0.052080 0.012810 0.032445 0.298
m8 非金属矿物制品业 2 m10 2 0.032035 0.009180 0.020607 0.177
m8 非金属矿物制品业 2 m17 1 0.045713 0.001250 0.023482 0.053
m9 金属冶炼及压延加工业 2 m10 2 0.023051 0.229558 0.126304 0.605
m9 金属冶炼及压延加工业 2 m11 2 0.040351 0.174821 0.107586 0.177
m10 金属制品业 2 m13 3 0.006976 0.058015 0.032495 0.589
m10 金属制品业 2 m11 2 0.034282 0.068252 0.051267 0.248
m10 金属制品业 2 m7 1(3) 0.025355 0.018638 0.021996 0.151
m10 金属制品业 2 m9 2 0.229558 0.023051 0.126304 0.105
m11 通用、专用设备制造业 2 m10 2 0.068252 0.034282 0.051267 0.454
m11 通用、专用设备制造业 2 m12 3 0.016665 0.085264 0.050965 0.141
m15 仪器仪表及文化办公用机械制造业 2 m13 3 0.034665 0.017185 0.025925 0.702
m15 仪器仪表及文化办公用机械制造业 2 m14 3 0.143398 0.023595 0.083497 0.298
m7 化学工业 1(3) m2 1 0.012461 0.084626 0.048543 0.276
m7 化学工业 1(3) m5 1 0.033892 0.086005 0.059949 0.184
m7 化学工业 1(3) m6 2 0.12538 0.012512 0.068825 0.091
m7 化学工业 1(3) m15 2 0.028096 0.054631 0.041363 0.086
m12 交通运输设备制造业 3 m11 2 0.085264 0.016665 0.050965 0.473
m12 交通运输设备制造业 3 m9 2 0.088323 0.008640 0.048481 0.108
m13 电气机械及器材制造业 3 m7 1(3) 0.060910 0.004523 0.032716 0.438
m13 电气机械及器材制造业 3 m11 2 0.038993 0.065473 0.052233 0.302
m13 电气机械及器材制造业 3 m14 3 0.050893 0.039051 0.044972 0.090
m14 通信设备、计算机及其他电子设备制造业 3 m15 2 0.023595 0.143398 0.083497 1.778

注：产行业类型中,1表示劳动密集型制造业,2表示资本密集型制造业,3表示技术密集型制造业。

（3）在17个制造业细分行业中,超过半数的制造业细分行业的产业关联和空间关联的程度间存在正相关,即对某一制造业细分行业而言,产业关联（包括前向关联、后向关联、产业关联度）越强的产业组合其空间关联越强,回归结果系数越大。例如,与食品制造及烟草加工业（m1）前向关联越强的产业对其空间分布的影响越大（图1）;与非金属矿物制品业（m8）后向关联越强的产业对其空间分布的影响越大（图2）。
Fig. 1 The scatter diagram between industrial linkage and spatial correlation of m1

图1 m1产业关联与空间关联散点图

Fig. 2 The scatter diagram between industrial linkage and spatial correlation of m8

图2 m8产业关联与空间关联散点图

（4）其他控制变量的回归结果显示,与pgdp回归系数显著为正的制造业细分行业有石油加工炼焦及核燃料加工业、非金属矿物制品业和金属冶炼及压延加工业,说明这三个制造业细分行业的空间分布与人均地区生产总值显著正相关,三者均为资本密集型制造业,在一定程度上反应了中国经济发展水平越高的地区资本密集型制造业发展越好的现实;在与city的回归结果中,有8个制造业细分行业的回归系数显著,其中食品制造及烟草加工业、金属制品业和交通运输设备制造业显著正相关,说明城市等级越高,这些制造业细分行业发展越好,份额越大,其他5个制造业细分行业显著负相关,分别为纺织业、造纸印刷及文教体育用品制造业、通用专用设备制造业、电气机械及器材制造业和通信设备计算机及其他电子设备制造业,说明这些制造业细分行业多分布在直辖市或省会城市之外;有7个制造业细分行业与kmt的回归系数显著为正,包含所有的技术密集型制造业和部分劳动密集型和资本密集型制造业,说明对外开放水平对地区制造业份额影响较为明显;与zone回归系数显著为正的制造业细分行业有石油加工炼焦及核燃料加工业、化学工业、通用专用设备制造业、交通运输设备制造业和通信设备计算机及其他电子设备制造业等5个,均为资本密集型和技术密集型制造业,说明这些制造业细分行业的发展与地区产业政策环境密切相关,多布局在开发区中;lwage、ptran和gov的回归结果不理想,说明劳动力工资水平、交通设施水平和政府规模与中国制造业空间分布之间关系较为复杂。

4.2 制造业内部产业关联对空间分布影响的空间差异性

在产业特征分析后,本文将空间因素纳入考虑范围,利用GWR模型对各地级市空间单元进行局部回归,测度空间关联性在每个具体局部空间上的系数,从而研究39个产业关联强且具有空间关联的产业组合的空间关联度在中空间分布上的特征和差异。
4.2.1 模型设定 以j制造业的空间分布为因变量,以与j制造业产业关联强且具有空间关联的其他制造业细分行业的空间分布作为自变量,用ml表示。计量模型设定为：
m ij = α 0 u i , v i + ∑ α k u i , v i m l ik + ε i （11）
4.2.2 计量回归与结果分析 对17个制造业细分行业分别进行固定型空间核和调整型空间核检验诊断,除石油加工炼焦及核燃料加工业选取基于固定型空间核的GWR模型外,其他16个回归模型均选取基于调整型空间核的GWR模型。以食品制造及烟草加工业的检验诊断结果为例,综合考虑残差、AIC、Sigma和拟合优度R2等因素,调整型空间核的GWR结果的可信度高于固定型空间核,因此选择基于固定型空间核的GWR模型（表6）。
Tab. 6 The test result of GWR model of food production and tobacco processing

表6 食品制造及烟草加工业的GWR模型的检验诊断结果

残差 AIC Sigma R2
固定型空间核 0.002253 -2503.26 0.002921 0.600229
调整型空间核 0.000838 -2594.89 0.003239 0.862780
将17个制造业细分行业的39个产业关联强且具有空间关联的产业组合的回归结果反映在地图上,采用分位数分级法将每个产业组合的空间关联度的回归系数划分为十级,对回归结果在空间分布上的特征和差异进行讨论。
（1）将39个产业组合的空间关联度较高区域对应到省区中,黑龙江、吉林、辽宁、内蒙古、陕西、湖南、江西等中等发展水平省区内,空间关联度较高的产业组合数量较多,均在10个以上;而经济发达省区如北京、天津、江苏、上海、浙江,或是经济欠发达省区如宁夏、青海、新疆、西藏,空间关联度较高的产业组合数量均在5个以下。此外,黑龙江、吉林、辽宁的产业组合基本相似,说明三省区产业发展情况相近,产业结构和空间关系基本一致。
（2）总体来看,部分产业组合的空间关联度的空间分布呈现规律性。其中,纺织业和纺织服装鞋帽皮革羽绒及其制品业（用m2-m3表示）,m2-m5,m6-m11,m9-m10,m10-m9,m10-m11,m15-m14等7个产业组合的空间关联度由东北（北）向中、东、西递减;m2-m7,m7-m6,m9-m11,m14-m15等4个产业组合由东部沿海向中、西、东北递减;m4-m10和m5-m7由中部地区向周边递减;m10-m7和m10-m13由西部向中、东、东北递减（图3~图6）。
Fig. 3 The spatial distribution of spatial correlation degree of m9-m10

图3 m9-m10产业组合空间关联度分布图

Fig. 4 The spatial distribution of spatial correlation degree of m14-m15

图4 m14-m15产业组合空间关联度分布图

Fig. 5 The spatial distribution of spatial correlation degree of m5-m7

图5 m5-m7产业组合空间关联度分布图

Fig. 6 The spatial distribution of spatial correlation degree of m10-m7

图6 m10-m7产业组合空间关联度分布图

（3）将12个劳动/劳动密集型制造业产业组合和20个资本/技术密集型制造业产业组合的回归结果系数分别进行叠加,可以发现,劳动/劳动密集型制造业在黑龙江、吉林、辽宁、内蒙古、宁夏、江西、福建等省区内空间关联度较高,说明这些省区的劳动密集型制造业之间的空间关联较强（图7）;资本/技术密集型制造业空间关联度较高的省区主要有陕西、山西、河南和广东等（图8）。
Fig. 7 The spatial distribution of spatial correlation degree of labor/labor-intensive manufacturing industries

图7 劳动/劳动密集型制造业空间关联度分布图

Fig. 8 The spatial distribution of spatial correlation degree of capital/technology-intensive manufacturing industries

图8 资本/技术密集型制造业空间关联度分布图

5 结论

通过对17个制造业细分行业和中国286个地级市空间单元的统计数据分析,从与某一制造业细分行业具有较强投入产出关联的68个产业组合中选择出产业关联强且具有空间关联的产业组合,并对这些产业组合的产业特征和空间特征进行分析,揭示了产业关联与制造业空间分布之间的密切联系。
首先,从投入产出分析来看,影响力系数较高的前三位制造业细分行业均为技术密集型制造业,它们对其他制造业发展的带动作用较强。劳动/劳动密集型制造业和资本/技术密集型制造业的产业关联较强。化学工业与其他制造业细分行业的产业之间的关联最为广泛。
其次,有39个产业组合产业关联强且具有空间关联,较好地证明了马歇尔的外部性理论。对这些产业组合的产业特征进行分析,产业关联较强的劳动/劳动密集型制造业,资本/技术密集型制造业更容易呈现空间关联;超过半数的制造业细分行业的产业关联度和空间关联度之间存在正相关性。此外,pgdp、city、kmt和zone的回归结果较为理想,说明这些因素会对中国制造业空间分布产生影响：经济发展水平越高的地区制造业发展越好;不同制造业细分行业适宜布局在不同等级的城市中;参与经济全球化,推行对外开放政策和市场化改革等,能够在一定程度上影响中国的制造业空间分布;资本密集型和技术密集型制造业多布局在各级各类开发区中,受产业的政策环境等因素的影响较大。
最后,对39个产业组合的空间特征进行分析,产业组合的空间关联度较高区域多分布在中等发展水平省区,而在经济发达或欠发达省区内分布较少;部分产业组合的空间关联度的空间分布呈现规律性;劳动/劳动密集型制造业的空间关联在黑龙江、吉林、辽宁、内蒙古、宁夏、江西、福建等省区表现明显,资本/技术密集型制造业在陕西、山西、河南和广东等省区表现显著;东北三省区空间关联度较高的产业组合基本一致,产业发展状况较为相似。在中国今后的制造业发展中,应促进产业关联较强的制造业细分行业之间的相互协调,给予他们之间的空间关联关系更多关注。针对不同制造业细分行业和地理空间制定相应的产业政策,将会对中国产业转型升级和空间布局优化等实践产生一定的积极作用。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
柴志贤, 黄祖辉. 国外空间经济研究的最新进展及发展趋势. 经济评论, 2006, (1): 155-160.从新经济地理革命以来,国外经 济学界开始比较关注空间经济问题。他们的研究成果大致可分为两条主线:一是利用新经济地理的垄断竞争研究框架,着力研究不同运输成本等参数条件下的区域和 城市经济的均衡布局及其演化;二是根据完全竞争框架内的马歇尔外部性研究空间经济集聚的内在机制。此外,从演化经济或新增长理论的视角研究空间经济也是颇 具吸引力的新趋势。

[Chai Zhixian, Huang Zuhui.The latest overseas research and developing trend on spatial economics. Economic Review, 2006, (1): 155-160.]

[2]
李景海. 产业集聚生成机理研究进展及展望. 河南社会科学, 2010, 18(4): 157-160.学者对于产业集聚生成提出了多种解释。产业集聚生成机理研究可归纳为三个视角：区位理论、新经济地理学理论和马歇尔外部性理论。通过综合国内外对产业集聚生成机理的研究成果，提出了未来需要进一步研究的方向。

DOI

[Li Jinghai.The latest overseas research and prospects on formation mechanism of industrial agglomeration. Henan Social Sciences, 2010, 18(4): 157-160.]

[3]
Marshall A.Principles of Economics. London: Macmillan Press, 1920.No abstract is available for this item.

DOI

[4]
Viner J.Cost curves and supply curves. Zeitschrift Für National Konomie, 1931, (3): 23-46.08à09í06090209è02; 070802010708è07òè02; 00è08ìà; 00èíàí0904 070802010708è07òèé; 05ê06í06ìè÷í0609òü 070802010708è07òè07; 09í0203í0707 05ê06í06ìè÷í0609òü; 09íóò0802íí0707 05ê06í06ìè÷í0609òü; 04àò08àò04

[5]
Scitovsky T.Two concept of external economies. Journal of Political Economy, 1954, 62: 70-82.

DOI

[6]
Myrdal G.Economic Theory and Underdeveloped Regions. London: Duckworth Press, 1957.El autor ele este peque09o volumen es bien conocido, tanto por sus producciones académicas que alcanzan proporciones gigantescas, como por su actuación en el campo internacional en su calidad de Director General de la Comisión Económica para Europa,

DOI

[7]
Krugman P.Increasing returns and economic geography. Journal of Political Economy, 1991, 99(3): 484-499.This paper develops a simple model that shows how a country can endogenously become differentiated into an industrialized "core" and an agricultural "periphery. " In order to realize scale economies while minimizing transport costs, manufacturing firms tend to locate in the region with larger demand, but the location of demand itself depends on the distribution of manufacturing. Emergence of a core-periphery pattern depends on transportation costs, economies of scale, and the share of manufacturing in national income. The study of economic geography-of the location of factors of production in space-occupies a relatively small part of standard economic analysis. International trade theory, in particular, conventionally treats nations as dimensionless points (and frequently assumes zero transportation costs between countries as well). Admittedly, models descended from von Thunen (1826) play an important role in urban studies, while Hotelling-type models of locational competition get a reasonable degree of attention in industrial organization. On the whole, however, it seems fair to say that the study of economic geography plays at best a marginal role in economic theory. On the face of it, this neglect is surprising. The facts of economic geography are surely among the most striking features of real-world economies, at least to laymen. For example, one of the most remarkable things about the United States is that in a generally sparsely populated country, much of whose land is fertile, the bulk of the population resides in a few clusters of metropolitan areas; a quarter of the inhabitants are crowded into a not especially inviting section of the East Coast. It has often been noted that nighttime satellite

DOI

[8]
Krugman P. Elizondo R L.Trade policy and third world metropolis. Journal of Development Economics, 1996, 49(1): 137-150.Many of the world's largest cities are now in developing countries. We develop a simple theoretical model, inspired by the case of Mexico, that explains the existence of such giant cities as a consequence of the strong forward and backward linkages that arise when manufacturing tries to serve a small domestic market. The model implies that these linkages are much weaker when the economy is open to international trade -- in other words, the giant Third World metropolis is an unintended by-product of import-substitution policies, and will tend to shrink as developing countries liberalize.(This abstract was borrowed from another version of this item.)

DOI

[9]
Venables J.Equilibrium locations of vertically linked industries. International Economic Review, 1996, 37(2): 341-359.There are two imperfectly competitive industries, upstream and downstream, and two locations. Where do the industries locate? Production occurs in both locations when transport costs are high (industry must be close to consumers) or low (factor prices determine location). Imperfect competition and transport costs create forward and backward linkages between upstream and downstream industries, and at intermediate transport costs these linkages determine location. There are multiple equilibria, some with agglomeration in a single location. Reducing transport costs from high to intermediate causes agglomeration and divergence of economic structure and income; further reductions may undermine the agglomeration, bringing convergence. Copyright 1996 by Economics Department of the University of Pennsylvania and the Osaka University Institute of Social and Economic Research Association.

[10]
Henderson V, Kuncoro A, Turner M.Industrial development in cities. Journal of Political Economy, 1995, 103: 1067-1090.

[11]
Ellison G, Glaeser E.Geographic concentration in us manufacturing industries: A dartboard approach. Journal of Political Economy, 1997, 105: 889-927.

[12]
Forni M, Paba S.Spillovers and the growth of local industries. The Journal of Industrial Economics, 2002, 50(6): 151-171.In this paper we investigate the nature and directions of inter-industry dynamic linkages across Italian manufacturing sectors. We perform a very disaggregated analysis in order to identify, for each 3-digit industry, which composition of industrial activity is more conducive to growth. We find that diversity matters for growth, but each industry needs its own diversity. We provide some evidence of clustering of industries based on dynamic externalities. We find that many spillovers occur within input-output relationships. They often originate in downstream sectors favouring the growth of upstream industries. Lastly, the importance of spillovers does not depend on the technological intensity of the industry.

DOI

[13]
马国霞, 石敏俊, 李娜. 中国制造业产业间集聚度及产业间集聚机制. 管理世界, 2007, (8): 58-65.本文基于1995年和2003年《市场年鉴》和《投入产出表》，利用产业间集聚度指标，定量 分析了我国制造业两个产业之间的空间集聚程度，并把产业间空间集聚度和投入产出分析结合起来，量化分析了我国制造业产业间集聚的经济学机制。结果显示， （1）我国制造业产业间集聚呈上升趋势，在空间上进一步向沿海集聚。（2）纵向的投入产出关联和规模外部经济是驱动我国制造业产业间集聚的主要机制。 （3）纵向的投入产出关联诱发了原料投入比例大的中间需求型产业和最终需求型产业之间的空间集聚；规模外部经济则促进了拥有共同市场地的最终需求型产业的 空间集聚。（4）地理邻近也有利于产业间投入产出联系的加强，形成关系邻近与地理邻近之间循环因果关系；本地市场效应会导致最终需求型产业的空间集聚与规 模外部经济之间的循环累积效应。这两种循环累积效应的作用可能会继续加强未来我国制造业的空间集聚，并加剧区域之间的经济差异。

[Ma Guoxia, Shi Minjun, Li Na.The Degree of co- agglomeration and the mechanism of spatial agglomeration in China's manufacturing industries. Management World, 2007, (8): 58-65.]

[14]
王业强, 魏后凯. 产业特征、空间竞争与制造业地理集中: 来自中国的经验证据. 管理世界, 2007, (4): 68-77.本文通过对影响我国产业地理集 中的决定因素建立了一个基于产业特征分析的空间竞争理论框架,并通过对1995~2003年间中国28个两位数制造业的面板数据的计量检验,得出一些启示 性结论:第一,传统的劳动力等比较优势逐渐成为抑制中国制造业地理集中的主要因素;第二,我国制造业地理集中主要由产业的技术偏好、市场规模和产业关联等 因素推动,制造业地理集中表现出较为明显的区域技术外溢效应,临近区域之间的后向关联效应较强;第三,产业的规模经济特征的作用效果不明显。规模经济特征 一方面限制了产业空间集中,另一方面又抑制了产业的扩散,但总的来说,具有微弱的促进产业空间集中趋势。

DOI

[Wang Yeqiang, Wei Houkai.Characteristics of industries, competition for space and the geographic concentration in manufacture. Management World, 2007, (4): 68-77.]

[15]
王德利, 方创琳. 中国跨区域产业分工与联动特征. 地理研究, 2010, 29(8): 1392-1406.<p>基于对投入产出分析方法的扩展运用,建立指标体系,构建区域产业分工模型与跨区域产业联动模型(包括区域间引力模型、产业间引力模型、跨区域各产业间联动模型),从具体产业角度探索中国跨区域产业分工与联动的特征。研究发现:(1)在区域产业分工方面:中部、西北、西南地区是静态比较优势产业较多的区域,而沿海及京津地区是动态比较优势产业居多的地区,区域间产业梯度已经形成。(2)在跨区域产业联动方面:①区域间产业联动强度受经济地位及空间距离的影响显著,沿海与内陆之间跨域产业联动性较弱;②1987~2002年间,各产业综合关联度发生显著变化,产业间关联强度逐渐增大;③跨区域产业联动具有明显邻域空间指向性,区域联动层次与经济发展水平具有密切关系,尽管产业间横向联动与纵向联动相结合的混合型联动格局正在形成,但合作领域多集中于科技含量较低的能源原材料型产业与相关下游产业之间。</p>

[Wang Deli, Fang Chuanglin.Industrial division and linkage among regions of China. Geographical Research, 2010, 29(8): 1392-1406.]

[16]
吴建峰, 符育明. 经济集聚中马歇尔外部性的识别: 基于中国制造业数据的研究. 经济学(季刊), 2012, 11(2): 675-690.本文提出了识别经济集聚中马歇尔外部性的方法,并将其应用于中国制造业数据.通过考察制造业集聚水平和产业间专业化分工的协同演进过程,本文一方面发现两 者具有替代关系,验证了马歇尔外部性是经济活动空间集聚后果的理论假说；另一方面证实了马歇尔外部性是推动中国制造业空间不断集聚的基本因素.本文还发现 市场化改革是实现马歇尔外部性的积极力量.本文的结论为我国企业选址、产业布局和城市发展政策提供了依据.

[Wu Jianfeng, Fu Yuming.The co-evolution of spatial agglomeration and firm size in China's manufacturing industries. China Economic Quarterly, 2012, 11(2): 675-690.]

[17]
毛琦梁, 董锁成, 王菲, 等. 中国省区间制造业空间格局演变. 地理学报, 2013, 68(4): 435-448.针对改革开放以来中国经济发展 不均衡的客观事实,刻画了经济空间结构的中心—边缘特征,并对中心—边缘结构下的省区间制造业分布差异进行了分析和实证检验。研究发现,1978年改革开 放以来区域发展的中心—边缘结构日益显著,表现出明显的东部沿海偏向型。随着改革开放的深入,产业布局逐渐符合省区间的发展优势,产业在中心与边缘省区间 的分异格局日益显著,中心省区逐渐专业化于中间投入需求较大、最终需求比重较高、规模经济特征显著以及劳动力密集与人力资本密集等产业,边缘省区则与此相 反并且逐渐专业化于高能耗产业,传统比较优势理论与新经济地理学都在一定程度上有力地解释了国内产业空间分布。东西部地区间的中心—边缘结构某种意义上具 有不可逆性,各地区工业化不同步将是长期趋势,产业在中心与边缘省区间的显著分异格局与演变特征表明东西部省区间产业发展的差异不仅仅体现为当前空间分布 的不同,更意味着未来各个省区内部产业结构演变轨迹的差异。

DOI

[Mao Qiliang, Dong Suocheng, Wang Fei, et al.Evolving spatial distribution of manufacturing industries in China. Acta Geographica Sinica, 2013, 68(4): 435-448.]

[18]
江曼琦, 席强敏. 生产性服务业与制造业的产业关联与协同集聚. 南开学报: 哲学社会科学版, 2014, (1): 153-160.生产性服务业与制造业之间的空 间集聚组合关系由产业特征、产业间联系等多种因素综合决定,其中,投入产出关系是决定生产性服务业与制造业之间空间协同集聚的动因之一,但非重要的动因。 信息、商务、科技类生产性服务业与技术密集型制造业为了降低制造业服务化过程中所产生的搜寻、协议、订约、监督、违约成本,其空间协同集聚度呈现高度相关 的关系。一些投入产出强度低附加值产业因产业关联不能产生强的聚集经济利益而呈现空间分散的状况。城市空间布局中应注意技术密集型制造业和信息、商务、科 技类生产性服务业的空间融合;利用城市道路交通、铁路和水运等基础设施的发展和空间布局,引导城市制造业的合理布局。

[Jiang Manqi, Xi Qiangmin.The industrial relationship and congregation between productive services and manufacture. Journal of Nankai, 2014, (1): 153-160.]

[19]
James P, Kelly R. Spatial Econometric Models.Berlin: Springer-Verlag Press, 2010.

[20]
Brunsdon C, Fotheringham S, Charlton M.Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 1996, 28(4): 281-298.Spatial nonstationarity is a condition in which a simple &ldquo;global&rdquo; model cannot explain the relationships between some sets of variables. The nature of the model must alter over space to reflect the structure within the data. In this paper, a technique is developed, termed geographically weighted regression, which attempts to capture this variation by calibrating a multiple regression model which allows different relationships to exist at different points in space. This technique is loosely based on kernel regression. The method itself is introduced and related issues such as the choice of a spatial weighting function are discussed. Following this, a series of related statistical tests are considered which can be described generally as tests for spatial nonstationarity. Using Monte Carlo methods, techniques are proposed for investigating the null hypothesis that the data may be described by a global model rather than a non-stationary one and also for testing whether individual regression coefficients are stable over geographic space. These techniques are demonstrated on a data set from the 1991 U.K. census relating car ownership rates to social class and male unemployment. The paper concludes by discussing ways in which the technique can be extended.

DOI

[21]
方远平, 谢蔓. 创新要素的空间分布及其对区域创新产出的影响: 基于中国省域的ESDA-GWR分析. 经济地理, 2012, 32(9): 8-14.以我国31个省域为研究单元, 通过Moran指数I的全局分析,发现创新要素存在正向的空间相关性。Moran散点图和LISA聚类表的局部分析结果显示,不同的省域各个创新要素有着 空间相关性的差异和不同的集聚模式。在此基础上,进一步运用GWR,分析我国省域创新要素对创新产出的空间影响差异。结果表明,RD经费支出对专利授权量 有正相关性,绝大部分沿海省市的RD经费支出(对数)估计系数值较大;每万人口在校大学生数对专利授权量具有负相关性;其他变量的参数估计值都有正有负, 其中,RD人员占总就业人员的比例(对数)的回归系数都不大;高等院校数对专利授权量的影响,新疆和内蒙古具有较大的正相关性,浙江、福建、江西、海南具 有较大的负相关性。大多数省区技术合同项目数对专利授权量的影响具有正相关性,福建、广东和海南省除外。

[Fang Yuanping, Xie Man.The effect of innovation elements agglomeration on regional innovation output: Based on Chinese provinces and cities's ESDA-GWR analysis. Economic Geography, 2012, 32(9): 8-14.]

[22]
贺灿飞, 谢秀珍, 潘峰华. 中国制造业省区分布及其影响因素. 地理研究, 2008, 27(3): 623-635.lt;p>改革开放以来,中国制造业空间格局发生了显著变化,多数产业在20世纪80年代趋于空间分散而在90年代趋于地理集中;大部分省区的制造业结构逐渐多元化,90年代后期以来趋于专业化。中国制造业的地理格局存在显著的产业间差异,出口加工型产业越来越向沿海省区集中,原材料指向型更加接近资源地而比较分散,消费市场导向型产业需要就近市场也趋于分散,各地区竞相发展的高利润、高税收产业也更趋于分散。本文系统考察了影响各制造业省区地理分布的区位因素,发现影响我国制造业省区分布的重要因素依次为政策和制度因素、劳动力素质和成本、规模经济、自然资源和区位通达性,但不同类型产业的地理分布影响因素差异较大。</p>

[He Canfei, Xie Xiuzhen, Pan Fenghua.Locational studies of Chinese manufacturing industries. Geographical Research, 2008, 27(3): 623-635.]

[23]
吕卫国, 陈雯. 制造业企业区位选择与南京城市空间重构. 地理学报, 2009, 64(2): 142-152.lt;p>企业区位选择研究是从微观角度理解城市结构变动的重要视角, 本文构造了一个制造业区位选择作用于城市空间重构的理论框架, 并以南京为例进行了实证研究。在理论框架的 基础上, 首先采用计量模型检验了制造业企业郊区化扩散和重新集聚一系列影响要素, 其次 从要素空间分布及集聚经济的角度分析制造业的扩散和集聚的微观行为对城市空间重构的作用机制。研究发现, 由于土地有偿使用、城市外围交通改善、政府&ldquo;退二进三&rdquo; 的规划管理、城市开发区建设等因素的作用, 南京制造业明显的郊区化扩散和集聚, 对南京城市的郊区化 和空间重构具有显著影响。研究还发现, 污染密集型制造业较其他制造业具有更加强烈的郊区化趋势, 这对提升城市功能和改善城市环境具有重要意义。</p>

[Lv Weiguo, Chen Wen.Manufacturing industry enterprises location choice and the urban spatial restructuring in Nanjing. Acta Geographica Sinica, 2009, 64(2): 142-152.]

[24]
贺灿飞, 朱彦刚, 朱晟君. 产业特性、区域特征与中国制造业省区集聚. 地理学报, 2010, 65(10): 1218-1228.lt;p>：产业地理集聚存在产业差异和区域差异。本文结合产业特性和区域特征揭示产业集聚的形成机制。采用2004 年第一次经济普查数据，本文发现交通密度、政府支出比重、开发区数量以及贸易壁垒强度等区域特征显著影响产业集聚。在产业特性与区域特征交叉分析中发现，市场化促进了农业投入依赖性强、产业联系强、劳动密集型及研发密集型的产业的空间扩散，交通网络的完善有利于产业联系强的、规模经济显著的产业的分散布局，在市场潜力较大的省区规模经济显著的产业更为集聚；地方政府的产业和区域政策促进了产业联系较强的产业集聚，而拉动了利税率高的、国有企业主导的、属于国家重点计划的产业分散布局；各级政府建立的开发区和园区则尤其不利于国家计划重点产业的集聚和规模经济的实现。本文研究表明，贸易理论与新经济地理理论对于中国的制造业集聚具有一定的解释力，而中国的政策制度环境也是产业集聚的重要影响因素。产业集聚需要一定的产业和区域条件，并非所有产业和所有区域内都能够实现高水平的产业集聚。</p>

[He Chanfei, Zhu Yan'gang, Zhu Shengjun. Industrial attributes, provincial characteristics and industrial agglomeration in China. Acta Geographica Sinica, 2010, 65(10): 1218-1228.]

[25]
石敏俊, 杨晶, 龙文, 等. 中国制造业分布的地理变迁与驱动因素. 地理研究, 2013, 23(9): 1708-1720.近年来中国制造业分布格局呈现 出新的动向。以2004-2005年为转折点,以食品轻纺行业为主的部分制造业部门开始从沿海省份向中西部省份转移,北京、天津、上海、浙江、广东、福建 等省份的产业份额明显下降,安徽、江西、湖南、河南、四川等中西部省份的产业份额趋于增加。在地市尺度上,制造业分布变化呈现出"西进北上"的特点,具体 表现为产业份额从沿海发达城市转向沿海省份内部发展相对滞后的地市、以及中西部省份内部产业基础较好且本地市场规模较大的地市。中部地区的重点开发区域已 成为承接产业转移的重要载体。沿海地区劳动力、土地等要素成本上升导致要素成本的区域差异不断扩大,与此同时中西部地区市场邻近和供给邻近逐步得到改善。 沿海地区和中西部地区之间要素成本差异的扩大和贸易成本差异的缩小,使得贸易成本和要素成本的均衡关系发生逆转性变化,这是驱动中国产业分布地理变迁的核 心因素。

DOI

[Shi Minjun, Yang Jing, Long Wen, et al.Changes in geographical distribution of Chinese manufacturing sectors and its driving forces. Geographical Research, 2013, 23(9): 1708-1720.]

Options
文章导航

/

〈 〉