EN中文

GEOGRAPHICAL RESEARCH >

2023 , Vol. 42 >Issue 9: 2283 - 2301

DOI: https://doi.org/10.11821/dlyj020210666

Product dynamic relatedness and the geographical coagglomeration of China′s export industry

  • HE Canfei , 1, 2 ,
  • REN Zhuoran 3 ,
  • WU Wanjin 1, 2
Expand
  • 1. College of Urban and Environmental Sciences, Peking University, Beijing 100871, China
  • 2. Peking University-Lincoln Institute Center for Urban Development and Land Policy, Beijing 100871, China
  • 3. School of Public Administration, Hohai University, Nanjing 211100, China

Received date: 2021-08-06

  Accepted date: 2023-05-23

  Online published: 2023-08-31

Fold

Abstract

With the deepening of regional industrial division, the phenomenon of industrial agglomeration on different spatial scales, especially among different industries, has become obvious. This paper introduces the product dynamic relatedness to construct China's export product space network using Chinese Customs Trade Statistics (CCTS) dataset from 2000 to 2016, and describes the dynamic evolution pattern and network features of China's export product space. On this basis, this paper constructs an econometric model to investigate the influence and changing trend of product relatedness on the geographical coagglomeration of China's export industry. Meanwhile, from the perspective of product heterogeneity, this paper divides all export products into different groups to supplement the relevant empirical evidence. Descriptive analysis found that: (1) China's export product space has a typical "core-edge" structure, and the spatial structure of China's export product space network evolved from loose and flat to complex and compact from 2000 to 2016. (2) Strongly related products are highly geographically copolymerized. (3) China's export product space network shows the characteristics of more agglomeration, closer connection, and more complex network structure among products, forming a dense and complex core of strong correlation. Empirical test shows that: (1) Product relatedness has a significant positive impact on the geographical coagglomeration of China's export industry, but the marginal effect decreases during the study period. (2) Products in the same or different industries and products with high/low technological complexity play differential roles in the impact of product relatedness on industrial coagglomeration. The promotion effect of products in the same industry on geographical proximity is stronger than that of cross-industry products. The relatedness between low-complexity products and any other kind of complexity products can significantly increase the probability of coagglomeration, but high-complexity related products do not show the characteristics of industrial coagglomeration. This paper may have the following policy implications. First, introducing upstream and downstream products or similar products to existing advantageous products in a region makes it more likely to experience knowledge spillovers and share elements, thereby enabling them to survive and gain advantages. Second, while introducing new industries, it is necessary to build a gathering space carrier and knowledge exchange platform for them. Finally, the selection of regional leading industries and the layout of industrial chains should not blindly pursue the quantity of high-tech industries and layout industries that do not match the local industrial structure to meet the needs of high-quality industrial development.

Key words： product relatedness; product space network; industrial geographical coagglomeration; evolutionary economic geography

Cite this article

HE Canfei , REN Zhuoran , WU Wanjin . Product dynamic relatedness and the geographical coagglomeration of China′s export industry[J]. GEOGRAPHICAL RESEARCH, 2023 , 42(9) : 2283 -2301 . DOI: 10.11821/dlyj020210666

1 引言

产业地理集聚和经济活动空间分布不均衡是导致中国区域发展不平衡的重要原因之一，如何发挥市场对资源配置的决定性作用，合理引导产业空间布局，是现阶段迫切需要解决和回答的问题。中观层面的产业空间分布是微观层面上企业区位选择的结果，企业为何要在地理上邻近?企业所属的产业特征及其联系是否会影响其区位选择和产业空间分布形态?产业地理集聚的根源及其效应受到了经济地理学家广泛关注和研究。Marshall最早将集聚经济的来源归纳为劳动力市场共享、投入产出关联和知识溢出[1]。许多学者沿用这一解释框架对不同产业间地理集聚的影响因素进行了实证研究[2⇓⇓-5]，但对知识溢出的测度多采用专利数量或专利引用情况表示，无法准确反映产业间知识溢出强度。
近年来，演化经济地理学技术关联和产品空间理论作为知识溢出更全面、准确的刻画，为产业地理共聚的影响因素研究提供了科学的改进方法。然而当前研究大多将产品技术关联作为产品间固有属性[6,7]，因此不同年份产品空间网络结构一致，无法研究产品特性变化带来的产业间知识溢出变化对共聚的影响，因此本文将引入产品动态技术关联研究其对产业地理共聚的影响。将产品动态技术关联和产业地理集聚纳入到同一分析框架，有助于梳理产业关联对中国出口产业空间分布的微观作用机制，丰富集聚理论及产品空间理论研究的内涵，并为中国出口产业空间格局演化提供实证证据。同时，相关研究亦能为中国区域产业结构升级和产业布局调整提供更为清晰的政策指引。
本文使用2000—2016年中国海关贸易数据库，首先，基于产品动态技术关联展示中国出口产品空间网络演化，并引入社会网络分析方法考察产品空间网络特征，在此基础上观察强技术关联产品的地理共聚特征；其次，实证探讨产品技术关联对中国出口产业地理共聚的影响，并依据产品所处行业及产品技术复杂度高低进行异质性研究。

2 文献综述与理论框架

2.1 从产业地理集聚到产业地理共聚

产业地理集聚(Agglomeration)主要关注产业总体或单个产业在空间上的集聚分布现象，经济地理学认为地理邻近能够促进企业间的资源共享和知识溢出，从而推动区域经济增长和产业演化[8]。其中，马歇尔外部性和雅各布斯外部性是集聚外部性理论的重要组成部分[9]。马歇尔认为，企业集聚能够共享劳动力、专业化服务和专业知识，因此同一产业内的企业倾向于在空间上集聚并进行专业化生产，从而降低企业的搜寻、生产和运营成本，产生地方化经济[1]。雅各布斯则指出，不同产业之间的知识溢出和技术扩散具有差异化和多样化的特点，更有利于提升企业创新能力，即城市化经济更能够推动集聚的产生[10]。早期有关产业地理集聚的研究主要集中在专业化和多样化相对重要性的探讨[11⇓-13]，但并未得到一致的结论。传统集聚理论将集聚经济的来源归纳为三方面外部性：劳动力共享、投入产出关联和知识溢出[1]。新经济地理学则在规模报酬递增的假定下，强调产业间上下游联系和信息共享对产业集聚的推动作用[14,15]。对产业集聚影响因素的实证检验证实了投入产出关联[2]、知识溢出[16]、生产和运输成本[17]、本地市场规模[18]、制度变迁[19]、市场开放程度等[20,21]的重要作用。
产业地理共聚(Co-agglomeration)与产业地理集聚的概念同源，区别是产业地理集聚强调产业内部的空间集聚，而产业地理共聚强调跨产业的空间集聚，能够很好地反映不同产业在特定地理空间范围的联结与互动关系[5]。产业地理共聚早期主要使用熵指数、泰尔指数、空间基尼系数、产业方差系数等进行测算[22]。目前，主流的产业共聚测度指标有两种，一是Elison等基于不同地理单元经济活动分布均衡性提出的EG指数[23]，二是Duranton等基于企业间微观地理距离建构的DO指数[24]。许多学者利用EG指数和DO指数对中国不同空间尺度下的产业地理共聚水平进行了测算，包括国家、省级和地级市层面[22,25⇓⇓-28]，并将这一指标的计算结果应用于相关实证研究中。近年来，学者致力于改进产业共聚测度方法，取得了一定进展，如陈露等基于WGAN算法利用机器学习的改进策略对中国城市群尺度的产业共聚水平进行了测算，为产业共聚测度提供了新的视角和方法[5]。
关于产业地理共聚的影响因素研究多基于自然资源禀赋、集聚外部性和产业关联展开。许多学者从马歇尔外部性和要素禀赋理论切入，对美国、加拿大、英国、中国等国家的跨产业空间共聚机制进行了实证检验，证实了自然资源禀赋、劳动力池、投入产出关联、知识溢出等要素对产业间协同集聚或共聚的积极影响[2,3,5,29,30]。Kim提出，自然资源禀赋是产业集聚最重要的影响因素[31]。马国霞等认为规模经济和纵向的投入产出关联是中国制造业产业间协同集聚的主要驱动因素，并指出循环累积效应可能会强化中国制造业空间集聚格局[32]。Ellison等[2]、Faggio等[3]、Diodato等[4]、陈露等[28]学者将劳动力池、投入产出关联和知识或技术相似性等要素纳入同一解释框架中，指出上述要素对产业共聚均具有积极影响。Gallagher对美国制造业的研究表明，运输成本和信息成本是都市圈尺度上产业共聚的重要影响因素[33]。Gabe等亦在对美国大都市区的研究中得出了类似结论，指出具有知识需求相似的行业更倾向于共聚，且知识共享在美国大都市区尺度显著强于州级尺度[34]。Billings等对美国丹佛-奥罗拉-莱克伍德大都市圈的实证研究则进一步验证了交通设施和消费者可达性对区域产业集聚的积极作用[30]。综上，现有研究大多同时将多个要素纳入解释框架中，以更全面地研究产业共聚的影响因素及其作用机制，但仅有少数研究进一步对比了不同要素对不同类型产业共聚的差异化影响及其作用随时间推移的变化[4,5]。

2.2 产品技术关联与产业地理共聚

本文将产品技术关联影响中国出口产业地理共聚的作用机制归纳为生产要素共享和知识溢出效应两个方面。
关联产品由于具有相似的技术储备和制度背景，生产和出口过程中所需要的劳动力技能、中间投入品、企业组织惯例、土地和基础设施等要素投入亦相类似，在地理上共聚有利于具有技术关联的产业实现规模经济以降低生产和出口成本。企业是产业地理共聚发生的行动主体。促使企业在地理上共聚的机制之一是共享自然优势，这种自然优势既可以是区位和自然资源禀赋等外生因素，也可以是集聚理论中包含的各类内生要素优势，具体包括投入产出关联和劳动力蓄水池两方面[2]。首先，企业参与价值链分工能够促使其专业化生产，而这种专业化会产生相应的成本，原因在于中间投入品需要在上下游企业间运输，企业间协同创新也需要供应商与采购商配合完成[35,36]。运输和协调成本通常会随地理距离增加而上升，故将处在价值链不同位置的企业布局在同一区域内是一种有效的成本降低策略。其次，区域内专业化劳动力储备对于企业和工人而言是双赢的[2]。一方面，区域中存在更多熟练工人及有相应需求的企业有利于二者更好地进行匹配[37]；另一方面，区域内的关联企业和行业能够相互吸收多余的劳动力，以防止工人要求工资溢价作为其迁移到其他就业机会较少的区域的补偿，这种隐形保险有利于企业降低劳动力成本[1,38]。此外，企业地理共聚还有利于基础设施共建、共享及成本共担，Fan等指出，大量企业和劳动力的地理集聚能够促使区域提高基础设施建设标准和密度，有利于提升区域竞争力和企业经济效益[39]。可见，企业地理共聚具有明显的成本削减效应，通过减少中间品运输距离、共享劳动力和基础设施等方式，最大程度共享和利用区域现有生产资源，使企业生产效益得到提高。具体到产品尺度，关联产品在技术和知识需求上的相似性有利于促进其在地理空间上的共同集聚，故关联产品通常在产品空间和地理空间中表现出双重邻近性。
企业在地理上共聚的另一个主要驱动因素是知识溢出效应[2]。知识溢出并不是随时随地均能够发生，其效应的发挥需要满足一定条件。Feser将知识溢出划分为移动式和固定式两种类型，固定知识溢出是指由于知识转移和扩散的隐形特性导致知识无法跨空间迅速扩散[40]。事实上，知识溢出效应的大小受地理距离影响，存在明显的距离衰减效应[41,42]。Jaffe等首先对知识溢出的本地化效应做出了经济解释[41]，这一效应随后被许多学者经研究验证[43,44]，即随着地理距离增加，企业之间交往与知识传递的有效性均会受到影响。此外，不同类型和传播渠道的知识受本地化效应影响的程度亦存在差异[45,46]，可编码知识更容易实现跨区域传播，而隐性知识则更依赖于面对面的交换和传播方式。
具体到国际贸易领域，出口溢出效应亦具有高度本地化特性，即当知识和技术溢出发生以后，地理邻近的出口企业最先获益，然后才会向距离更远的出口企业进行传播[47⇓⇓-50]。对于出口企业而言，其出口产品所包含的知识和技术即为本地相关知识储备的缩影。若有与本地产品关联紧密的新产品进入出口市场，不仅能够直接享有相关技术和知识溢出的外部性，还能够获得产品市场需求、消费者偏好和出口渠道等重要信息。关联产品具有较强的认知邻近性，能够共享的相关技术、知识和出口信息亦远多于不相关产品，故关联产品间的出口溢出效应要显著强于技术关联较弱的产品。由于出口溢出效应的本地化，关联产品通常会更倾向于选择在地理上共聚，以降低其在出口过程中可能面临的信息搜寻和加工成本以及出口风险，从而提高其在出口市场上的竞争力。基于上述分析，本文建立了理论框架，见图1。
图1 理论框架

Fig. 1 Theoretical framework

3 数据来源与指标构建

3.1 数据来源及预处理

本文使用的数据来源于2000—2016年的中国海关贸易数据库（CCTS， http://www.customs.gov.cn/），该数据库是基于企业进出口报关记录整理而成，包含有八位数产品HS编码、进出口企业名称及其代码、贸易额及数量、贸易方式、出口地及目的国等详细的中国进出口贸易信息。基于数据可得性和准确性的考量，本文对数据进行了如下处理：①剔除缺失年份、产品HS编码、企业代码、贸易额等信息的样本。②海关库中包含了大量不直接参与生产，仅作为贸易中介帮助企业完成报关流程并转手货物的贸易公司，这些贸易公司所经手的产品复杂多样且无规律可循，无法反映产品生产特征及产品间关联，不应当纳入本文的研究对象中，因此剔除贸易公司。③由于研究时段内HS编码存在1992年、2002年、2007年和2012四种版本，为保证研究数据的统一性和尽量减少数据损失，将产品HS编码统一调整至2007年的版本。

3.2 产品技术关联测度方法

Hidalgo等学者最初采用共存分析法测度产品技术关联，通过计算两种产品同时被一个国家出口的条件概率，衡量其在制度、基础设施、生产要素组合等方面的需求相似性[51]。随后，许多学者仿照这一思路，以两种产品被同一城市或区域出口的概率反映产品间技术关联[52]，但这种测算方法仍然无法避免产品因共享土地、制度、基础设施等生产条件而导致的共现。企业作为微观生产主体和基本生产单元，若两种产品有较高概率被同一个生产企业出口，表明二者对这一企业的要素组合如技术储备、劳动力技能和资本投入等存在较为相似的需求。因此，从企业尺度切入计算条件概率能够更准确地测度产品间技术关联。综上，本文采用郭琪等[53]的方法，计算任意两种产品被同一企业出口的条件概率来表示产品间技术关联：
∅ i , j , t = m i n P V c i t > 0   |   V c j t > 0 ,   P V c j t > 0   |   V c i t > 0
式中：c代表出口企业；i和j代表HS四位数出口产品。如果c企业在t年出口了产品i， V c i t取值为1，否则为0， V c j t同理。 ∅ i , j , t越大则表示产品i和产品j之间的技术关联程度越高，反之技术相关度低。所有HS四位数出口产品的两两技术关联组合即构成了产品空间[51]，是一个1219 ×1219的对称矩阵，矩阵的对角线取0，矩阵中的值为产品间技术关联。本文将等于0视为产品不相关，大于0且小于0.1为弱产品技术关联，将大于0.3视为产品间存在强技术关联。

3.3 产业地理共聚测度方法

本文选取产业共聚指数 C o a g g l o m i , j作为被解释变量，以衡量两个产业在地理空间分布上的相似性。 C o a g g l o m i , j表示出口产业i和j之间的共聚程度，本文采用Ellison等[2]的方法对中国出口产业地理共聚进行测算，计算公式如下：
C o a g g l o m i , j = ∑ r = 1 R ( S i r - x r ) ( S j r - x r ) 1 - ∑ r = 1 R x r 2
式中：Sir和Sjr分别为产业i和j的出口额占城市r总出口额的比例；xr为城市r总出口额占全国总出口额的比例。出口产业i和产业j之间的共聚指数越大，表明两个出口产业间协同集聚程度越高，其出口空间分布也就越邻近，反之产业共聚指数则越小或为负值。

3.4 中国动态出口产品空间网络结构分析指标构建

网络密度：在无向的产品空间网络中，网络密度定义为网络中真实存在联系数量与理论上可能存在的最多联系数量的比值，计算公式如下：
N e t w o r k   D e n s i t y = 2 l n ( n - 1 )
式中：n是出口产品空间中包含的HS四位数产品数量，l为产品空间网络中的关联数量。网络密度的取值范围为0到1，越接近于1则网络密度越大，表明产品空间网络中真实存有的产品关联数量越多，且各产品之间的技术关联越紧密；若产品间技术关联程度较低，则网络密度会趋近于0。
网络聚类系数：聚类系数反映了网络中邻近节点联系密切程度，包括节点聚类系数和网络聚类系数。在无向的产品空间网络中，节点聚类系数是通过某一产品的三角形的数量，计算方法如下：
C l u s t e r i n g   C o e f f i c i e n t = 2 e i k i ( k i - 1 )
式中：对于产品空间网络中的HS四位数产品i而言， e i是产品i的关联产品数量； k i则是这 e i个关联产品之间的连接数量。节点聚类系数越大，则这一产品的集聚程度越高，与邻近产品的技术关联也就越紧密，反之亦然。基于此，Watts等将网络聚类系数定义为网络中所有节点聚类系数的均值[54]。需要说明的是，虽然网络聚类系数与网络密度两者都表征了网络紧密性，但由于其计算方式的区别，网络密度表征的网络整体特征，而网络聚类系数则是局部特征在整体上的平均表现。
紧密中心性：紧密中心性反映了节点的可达性，其指标构建方式为节点平均最短路径长度的倒数。在出口产品空间网络中产品的紧密中心性高，与其他产品之间存在紧密的技术关联。
中介中心性：中介中心性是指经过一个节点的最短路径的数量，反映了节点在网络中对路径的控制能力，产品空间网络中产品的中介中心性越强，其在产品空间中所处的位置就越类似于交通枢纽，具有以最高效率连通不同产品组团的关键中介作用。

4 中国动态出口产品空间网络与地理共聚特征

4.1 中国动态出口产品空间网络演化

2000—2016年中国出口产品技术关联以无技术关联或弱关联为主，历年均占出口产品组合总数的85%以上，最高甚至达98%。基于产品技术关联以弱相关为主的分布特征，本文以产品技术关联的99%分位数作为门槛值，筛除产品间技术关联小于这一门槛值的产品组合，绘制出口产品动态网络。
图2显示，中国各年份出口产品空间均表现为鲜明的核心-边缘结构特征。其中，位于核心区域的产品数量较多，产品分布邻近且密集，产品间技术关联较强，核心区域以机械制品、电子设备、金属制品等产品为主，多为技术复杂程度较高、与其他行业存在密切投入产出关联的产品。位于边缘区域的产品数量则相对较少，每个产品仅与少数产品存在技术关联。2000—2016年，纺织业、化工业产品等逐步从边缘向核心聚集，表明其与其他产业技术联系更为紧密，生产技术更为复杂。总体来看，中国出口产品空间网络整体向内聚合，边缘区域产品数量明显减少，由松散扁平向密集紧凑的结构演化。对比可知，产品空间核心区域节点密度有明显增大趋势，由数量更少的节点创造了更多的产品关联，即许多产品的连通度有所提升，中国出口产品间技术关联整体上逐渐加强。
图2 中国动态出口产品空间演化格局

Fig. 2 Evolution pattern of China's dynamic product space

从网络密度来看（图3，见第2290页），中国出口产品空间网络整体未具备较好的连通性和扩散性，网络结构相对比较松散。考察产品空间网络密度的演化趋势可知，2000—2012年期间，中国出口产品空间网络密度先增长后波动下降，整体保持在较低水平；2012年之后，网络密度进入高速增长阶段，2016年产品空间网络密度达到最高值0.066，表明中国出口产品空间网络结构正逐渐由简单松散向复杂密集演化。
图3 中国动态出口产品空间网络密度

Fig. 3 Network density of China's dynamic product space

2000—2016年，中国出口产品空间网络聚类系数较大（图4，见第2290页），表明产品空间网络中邻近产品之间的关联较为紧密，局部网络集聚性较好。分析网络聚类系数的变化趋势可知，2000—2005年，中国出口产品空间网络聚类系数呈增长态势，2005年聚类系数为0.47，2006—2012年则略有波动，2013年后再次进入快速增长期，2016年聚类系数达到0.56。研究期内，中国出口产品空间网络中邻近产品的技术关联程度有所提升，产品空间网络形态整体向内聚合，结构亦逐渐由松散转变为紧密。
图4 中国动态出口产品空间网络聚类系数

Fig. 4 Network clustering coefficient of China's dynamic product space

综上，2000—2016年期间，中国出口产品空间网络结构由松散向紧密转变，形成了一个密集而复杂的强关联核心，网络密度和聚类系数均呈现出递增趋势，产品空间网络中邻近节点联系的紧密程度和网络结构的复杂程度均有所提升。中国出口产品空间网络整体表现出产品间更集聚、联系更紧密、网络结构更复杂的特征，表明中国出口产品间技术关联程度有明显提升，供应链关系日益强化，出口产品结构实现转型升级。

4.2 中国动态出口产品空间网络节点特征

为进一步探究细分产品在产品空间中的位置、产品间联系强度和产品空间结构演化特征，本文选取紧密中心性和中介中心性指标反映产品在网络中的位置及其核心程度，计算方法为取各产业中HS4位产品指标结果的均值。在中国出口产品空间网络中，紧密中心性较高的产品为鞋帽伞杖等制品及零件，陶瓷及玻璃制品，家具、灯具、玩具等杂项制品以及金属制品（图5，见第2290页），这些产品多处于产品关联网络核心，以与多个产业存有投入产出关联的产品为主。从产业链视角来看，这些产业链条上涉及的产品较少，即产业链较短，有助于其发展高附加值产品的核心技术，提升其产业紧密中心性。2000—2016年，机械、电器、通讯和光学等高附加值产业的紧密中心性追赶趋势加强，表明产业中更多产品发展出了强技术关联，产业链条不断强化。总体来看，各产业紧密中心性相对排名无明显变化，表明中国出口产品空间演化具有鲜明的路径依赖特征。
图5 中国出口产品紧密中心性演化

Fig. 5 Evolution of closeness centrality of China's export products

中国整体出口产品中介中心性较低，且产业间差异不大（图6）。这表明中国出口产品空间中具有明显中介作用的产品较少，且产品空间网络结构较扁平，并未出现明显的分割组团。中介中心性略高的产业如陶瓷及玻璃制品、纺织、金属制品等也多处于产业链中上游，能够作为投入品投入下游生产中，这反映中国各产业没有严重的要素垄断情况，产业发展健康。
图6 中国出口产品中介中心性演化

Fig. 6 Evolution of betweenness centrality of China's export products

4.3 强技术关联产品组合及其出口空间分布规律

为考察产品技术关联与产业地理共聚之间的关系，本文分别选取2000年、2008年和2016年技术关联较强的遍在性产品组合（表1），并展示其出口空间分布规律。结果显示，HS4位的强关联产品均处于同一产业类别下，这表明强关联产品通常为同一产业类别中的上下游产品或生产工艺邻近的产品①（①由于篇幅限制，本文未能列出HS编码所代表的产品信息（相关信息查询网址： https://unstats.un.org/unsd/tradekb/Knowledgebase/Harmonized-Commodity-Description-and-Coding-Systems-HS）。）。从产业尺度来看，强关联产品多为HS编码类别为11、12的纺织鞋帽制品和HS编码类别为4的食品、饮料、烟草制品中。纺织业鞋帽业在中国具有完备的产业链体系，标准化的生产工序，因此具有更强的关联。而食品、饮料和烟草属于典型的低技术复杂度的轻工业，产品具有标准化、同质化特征。
表1 2000年、2008年和2016年中国技术关联排名前10的出口产品组合

Tab. 1 The top 10 export product portfolio of China's product relatedness in 2000, 2008 and 2016

排序 2000年 2008年 2016年
HS编码 HS编码 所属大类 HS编码 HS编码 所属大类 HS编码 HS编码 所属大类
1 1803 1802 4 0707 0702 2 6404 6402 12
2 3603 3602 6 1803 1804 4 6110 6109 11
3 6404 6402 12 6104 6109 11 0707 0702 2
4 9304 9306 19 6109 6110 11 6104 6110 11
5 6204 6203 11 6110 6104 11 9607 9606 20
6 2846 2805 6 1804 1805 4 6910 6810 13
7 6104 6110 11 9304 9305 19 6104 6204 11
8 6104 6109 11 6201 6202 11 6104 6109 11
9 9304 9305 19 6203 6204 11 6203 6204 11
10 6201 6202 11 9403 9401 20 6913 6702 12
如图7（见第2293页）所示，整体上，各年份强技术关联产品组合的出口空间格局均高度相似，即强技术关联的出口产品具有显著的地理共聚特征，具体表现在出口地数量和空间分布基本一致，且优势出口城市高度重合。以HS6402和HS6404②(② HS6402：橡胶或塑料制外底及鞋面的其他鞋靴产品；HS6404：橡胶、塑料、皮革或再生皮革制外底，用纺织材料制鞋面的鞋靴产品。)为例，图7c（见第2293页）展示了两者的出口空间分布，其优势出口城市均包括浙江温州、金华，福建福州、泉州、厦门等，且二者出口城市数量十分接近，HS6402和HS6404各拥有226个和232个出口城市，两种产品在地理上高度共聚。图7b（见第2293页）展示了2008年强技术关联产品组合HS6104和HS6109③(③ HS6104：针织或钩编的女式西服套装、便服套装、上衣、连衣裙、裙子、裙裤、长裤、护胸背带工装裤、马裤及短裤；HS6109：针织或钩编的T恤衫、汗衫及其他背心。)的出口空间分布，也表现出高度一致的分布特征。进一步对比图7a和图7c可知，2000—2016年，强技术关联产品表现出了鲜明的路径依赖演化特征，在出口地拓展和出口优势保持方面遵循着相似规律。本文使用的中国海关数据库地级市尺度数据仅更新到2016年，无法反映后疫情后时代经济形势下的产业格局是否符合上述研究结论。因此，本文补充绘制了2022年省级尺度HS6402和HS6404这一高技术关联产品组合的出口空间格局，发现两者出口空间分布仍然高度一致。补充最新贸易数据导致本文修改周期较长。
图7 中国强技术关联产品组合出口空间分布

注：该图基于自然资源部地图技术审查中心标准地图（审图号为GS(2019)1831号）绘制，底图边界无修改。

Fig. 7 Spatial distribution of China's export products portfolio with strong relatedness

由此可知，强技术关联产品通常在地理上亦是高度共聚的，但这一规律是否具有普适性还需通过实证研究进一步验证和讨论。

5 实证分析

5.1 模型设定与变量选择

本文构建计量模型如下，采用多维固定效应线性回归以尽可能减轻遗漏变量导致的偏误：
C o a g g l o m i , j , t = α 0 + β 1 R e l a t e d n e s s i , j , t + β 2 S c a l e D i s s i m i l a r i t y i , j , t + β 3 C o m p e t i t i o n L e v e l i , t + β 4 C o m p e t i t i o n L e v e l j , t + β 5 P C I i , t + β 6 P C I j , t + ε t + ε i , j + ξ i , j , t
式中：i和j为HS四位数产品代码； ε t为年份固定效应； ε i , j表示行业固定效应，具体包括HS四位数产品i所处二位数行业的固定效应和HS四位数产品j所处二位数行业的固定效应，引入固定效应旨在消除HS二位数行业内存在的不可观测却能够影响出口产业共聚的因素； ξ i , j , t为随机扰动项。
进一步地，本文从产品异质性角度切入进行分组回归，对不同类型及特征的产品技术关联如何影响中国出口产业地理共聚进行更深入地研究。首先，将中国HS四位数出口产品组合划分为属于同一HS二位数行业和分属不同HS二位数行业的两个子样本，并对其进行分组回归。其次，本文依据各年份产品技术复杂度的中位数，识别HS四位数出口产品技术复杂度高低，将技术复杂度高于中位数的产品视为高技术复杂度产品，低于中位数的则视为低技术复杂度产品。在此基础上，将全样本划分为低-低技术复杂度产品组合、高-低技术复杂度产品组合以及高-高技术复杂度产品组合这三个子样本进行分组回归。
本文的核心解释变量为产品技术关联，同时，在模型中纳入产业出口规模差距、产业内竞争水平和产品技术复杂度等一系列指标作为控制变量。解释变量的具体含义如下：
（1）产品技术关联（Relatedness）。本文采用郭琪等[53]的方法，计算两个产品被同一个企业出口的条件概率作为产品间技术关联的度量。产品间技术关联通常用于衡量产品间知识溢出水平，即两个产品在技术上越邻近，就越有可能从彼此的技术外部性中获益。从企业尺度切入计算产品技术关联有利于更准确地测度两个产品在技术、劳动力和资本等生产要素上需求的相似性，避免了城市或区域尺度上土地、制度和基础设施等条件对产品共现概率的影响。
（2）产业出口规模差距（ScaleDissimilarity）。本文参考陈露等[5]的方法，使用HS四位数产品出口额代表出口产业规模，通过计算两个产品出口额之差的绝对值与出口额之和的比值衡量产业间出口规模差距，具体计算方法如下：
S c a l e D i s s i m i l a r i t y i , j , t = v a l u e i , t - v a l u e j , t v a l u e i , t + v a l u e j , t
式中：valuei,t和valuej,t分别表示HS四位数出口产品i和j在t年的总出口额，产业出口规模差距的取值范围为0到1，越接近1则产业间出口规模的差距越大，反之差距越小。这一计算方法的优点在于排除了产品出口基础的影响，对产业出口规模差距的衡量更加准确和客观。
（3）产业内竞争水平（CompetitionLevel）。为考察产业内竞争效应对产业地理共聚的影响，本文分别引入出口产品i和j的企业数量作为产业内竞争水平的度量。出口同一产品的企业越多，其在生产和出口时面临的产业内竞争就越激烈，这种产业内竞争包括生产要素、人力资源、市场份额等多维度的竞争，会对企业的出口动态及出口空间分布产生重要影响。
（4）产品技术复杂度（PCI）。本文借鉴Hidalgo等[55]的方法计算出口产品技术复杂度，产品的技术复杂度越高，表明该产品生产所需要的知识和技术储备、劳动力技能等要素组合就越复杂，对企业生产和管理能力的要求也就越高。因此，高技术复杂度的产品在生产和出口分布上均不具有遍在性。
变量包含具体信息见表2。
表2 变量基本信息

Tab. 2 Basic information of variables

解释维度 变量名称 变量含义 变量描述
被解释变量
 Coagglom
 产业地理共聚
 产品i和产品j出口地理空间分布的相似性
核心解释变量
 Relatedness
 产品技术关联
 产品i和产品j被同一个企业出口的概率
控制变量
 ScaleDissimilarity
 产业间出口规模差距
 产品i和产品j出口额之差的绝对值与出口额之和的比值
CompetitionLeveli 产业i内竞争水平 出口产品i的企业数量
CompetitionLevelj 产业j内竞争水平 出口产业j的企业数量
PCIi 产品i技术复杂度 采用Hidalgo 等[55]的方法，通过线性迭代映射计算得到出口产品复杂度
PCIj
 产品j技术复杂度

5.2 模型回归结果及分析

5.2.1 回归结果

全样本回归结果见表3。其中，第1列报告了仅纳入产品技术关联的回归结果，第2列报告了同时纳入产品技术关联及控制变量的基准回归结果，二者均同时控制年份固定效应和二位数行业固定效应。
表3 产品技术关联对中国出口产业地理共聚的影响

Tab. 3 The impact of product relatedness on the coagglomeration of China's export industry

VARIABLES 模型1 模型2
基准回归
Relatedness 0.00171*** 0.0015***
ScaleDissimilarity -0.0025***
CompetitionLeveli -56.2e-08***
CompetitionLevelj -56.2e-08***
PCIi -0.78e-04***
PCIj -0.78e-04***
Constant 0.0528*** 0.0554***
年份固定效应 yes yes
二位数行业固定效应 yes yes
Observations 24060876 24032344
R-squared 0.583 0.601

注：***表示p<0.001。

在模型1和模型2中，无论是否加入控制变量，产品技术关联的回归系数都显著为正，表明产品间技术关联程度越高，对中国出口产业地理共聚的促进作用就越强，这一回归结果与已有研究结论保持一致[2,4,5]。在中国出口产品空间网络中，两个产品间技术关联越强，其在产品空间中所处位置就越邻近，越有可能从彼此的技术溢出中获益。但是，技术溢出的发生条件并不仅局限于认知距离邻近，亦会受到地理距离的影响。由于产品生产和出口的过程存在许多重要的缄默知识无法编码并跨区域传播[46]，即具有地理粘性，故关联产品更倾向于采用在地理空间上共聚的交互方式，以更好地从知识溢出中获益。因此，在中国出口产品空间网络中邻近的两个产品，在地理空间上的分布亦表现出明显的共聚特征。
模型2中控制变量的回归结果显示，产品间出口规模差距对出口产业地理共聚具有显著的负向影响，即规模差距越小的两个产品在出口时越倾向于在地理空间上共聚，表现为规模经济的学习效应。产业内竞争水平对产业地理共聚的影响亦是负显著的，陈露等[5]在中国城市群尺度的产业共聚研究中亦得到了类似的结论。产业内竞争本质上是对相关生产和出口资源的竞争，包括人力资本、生产要素、政策红利、出口目的地市场份额等多个维度。当出口同一产品的企业数量越多，围绕上述资源的竞争也就越激烈，越不利于出口产业的地理共聚。此外，产品技术复杂度的回归系数是显著为负的，表明技术复杂度低的产品更有可能在地理上邻近，而高技术复杂度产品在空间上的分布通常更为分散。导致这一现象的原因在于低技术复杂度产品通常为遍在性产品，拥有相关生产能力和知识储备的城市较多，产业地理共聚发生的概率也较大；而高技术复杂度产品具有空间特异性，仅有少数城市有能力进行生产，很难在地理上表现出共聚特征。
进一步，考察不同年份产品技术关联对中国出口产业地理共聚的差异化影响，本文使用各年份的截面数据进行分组回归，并将各年份产品技术关联的回归系数及其95%置信区间的上下限绘制成图8，以研究产品技术关联对中国出口产业地理共聚影响的边际效应。2000—2008年，产品技术关联的回归系数始终显著为正，表明产品技术关联对产业地理共聚存在较为稳定的促进作用。受2008年全球金融危机冲击，中国出口产品结构和空间格局均经历了较大调整，产品技术关联对产业地理共聚的影响转为负显著，在转型调整期内，技术关联较强的产品组合在地理空间上开始分散布局，更多弱关联产品组合则倾向于共聚以实现规模经济。2015—2016年，产品技术关联的回归系数又转为正显著，这一时期中国出口产品空间网络结构进一步复杂化，在产品空间中相邻近的产品在地理分布上亦表现为协同共聚。
图8 产品技术关联回归系数及95%置信区间

Fig. 8 Regression coefficients of product relatedness and their 95% confidence interval

整体而言，2000—2016年期间，中国出口产品技术关联对产业共聚影响的边际效应呈现出明显的递减趋势，即产品技术关联对产业空间邻近分布的影响正逐渐削弱，这一特征符合产业发展的规律。在产业发展初期，由于产业结构尚未完善，技术关联紧密的产品有动力通过共聚实现生产要素共享和知识溢出，以降低生产和出口成本及提升产业竞争力。伴随着产业结构转型升级，产品技术关联对于产业地理共聚的边际贡献逐渐减小，更多弱技术关联产品组合倾向于选择在空间上共聚以实现规模经济。

5.2.2 异质性分析

本文对产品异质性进行分组研究，探讨不同类型和特征的产品组合在产品技术关联影响中国出口产业地理共聚的过程中有何差异。表4的模型3和模型4分别展示了属于同一HS二位数行业以及分属于不同HS二位数行业的产品组合的分组回归结果。由行业分组回归结果可知，无论是处于同二位数行业还是跨二位数行业的产品组合，产品间技术关联对产业地理共聚的影响都是显著为正的，表明技术关联越紧密的产品组合越有可能在地理上共聚。对比同二位数行业与跨二位数行业各解释变量的回归系数，同行业产品关联对产业共聚的正向影响强于跨行业的产品组合，即同行业产品间紧密的技术关联更有可能促进产业地理邻近。此外，同行业共聚受产品间规模差距、产业内竞争水平和产品技术复杂度等的负效应影响亦更加明显。
表4 分行业及高低技术复杂度产品组合子样本回归结果

Tab. 4 Regression results by industry and sub-samples with different product combination

VARIABLES 模型3 模型4 模型5 模型6 模型7
同二位数行业 跨二位数行业 低-低复杂度 高-低复杂度 高-高复杂度
Relatedness 0.00520*** 0.00039*** 0.00732*** 0.00129*** -0.00131***
ScaleDissimilarity -0.00625*** -0.00246*** -0.00169*** -0.00241*** -0.00323***
CompetitionLeveli -64.8e-08*** -55.8e-08*** -63.2e-08*** -58.3e-08*** -52.2e-08***
CompetitionLevelj -64.8e-08*** -55.8e-08*** -63.2e-08*** -58.3e-08*** -52.2e-08***
PCIi -0.00074*** -0.733e-04*** -0.213e-04*** -0.23e-04*** -0.564e-04***
PCIj -0.00074*** -0.733e-04*** -0.213e-04*** -0.23e-04*** -0.564e-04***
Constant 0.05720*** 0.05540*** 0.05520*** 0.05530*** 0.05570***
年份固定效应 yes yes yes yes yes
二位数行业固定效应 yes yes yes yes yes
Observations 453296 23579048 6008384 1202278 5997682
R-squared 0.357 0.611 0.676 0.613 0.525

注：***表示p<0.001。

本文亦依据不同产品的技术复杂度高低将中国出口产品组合划分为低-低复杂度、高-低复杂度和高-高复杂度三个子样本进行分组回归。模型5为低-低复杂度产品组合的回归结果，各解释变量回归系数的符号和显著性均与全样本保持一致，即在两个低技术复杂度的产品组合中，产品间技术关联对于产业地理共聚的促进作用是十分显著的，而产业间规模差距、产业内竞争和产品技术复杂度则会对共聚产生负向影响。模型6的高-低复杂度产品组合与低-低复杂度产品组合表现出了较为类似的特征，在高复杂度和低复杂度的产品组合中，产品间技术关联越紧密，两个产品在地理上邻近的概率也就越大。对比模型5和模型6的回归结果可知，在低-低复杂度产品组合中，产品技术关联的回归系数要大于高-低复杂度的产品组合，即产业地理共聚受产品技术关联的效应影响在低复杂度产品中更加显著，而高-低复杂度产品组合中出口规模差距对产业共聚表现出了更明显的负向影响。模型7是两个高技术复杂度产品组合的回归结果，高-高复杂度产品共聚具有区别于全样本的不同特征，产品间强技术关联并不会促使高复杂度产品在地理上邻近，其产业地理共聚更多地是由产品间出口规模差距驱动。
综上，不同技术复杂度产品组合空间共聚的影响因素存在差异，低复杂度产品无论在与何种复杂度产品的共聚中均受到产品技术关联的显著正向影响，表明紧密的技术关联能够促进低技术复杂度产品与其他产品的地理邻近，而两个高复杂度产品的空间共聚则并不依赖于产品间技术关联，高复杂度的弱关联产品亦会表现出明显的地理共聚特征。
此外，本文基于城市尺度重新计算产品技术关联并替换原有变量以进行稳健性检验，结果表明本文的模型回归结果是稳健的。由于篇幅原因未能展示。

6 结论与讨论

本文基于产品动态技术关联构建中国出口产品空间网络，从不同维度刻画和描述中国出口产品空间动态演化格局，在此基础上，将产品技术关联与产业共聚纳入同一解释框架中，考察产品技术关联对中国出口产业地理共聚的影响，并从产品异质性视角切入进一步补充同行业与跨行业产品、高/低技术复杂度产品分组的相关实证证据。本文得到的主要研究结论如下：①描述性分析表明，中国产品技术关联总体较弱，出口产品空间具有典型的“核心-边缘”结构，且在研究时段内网络结构由松散扁平向复杂紧密演化，逐渐表现出产品间更集聚、联系更紧密、网络结构更复杂的特征；强技术关联产品通常属于同一类别，具有完备产业链体系和标准化生产流程的产业内容易产生强关联；强技术关联产品在地理上高度共聚。②实证结果显示，产品技术关联对中国出口产业地理共聚具有显著的促进作用，即两个产品在产品空间网络中所处的位置越邻近，在地理空间上的分布就越集聚。研究期内，产品技术关联对中国出口产业地理影响的边际效应具有明显的递减特征。③产品所属行业异同和产品技术复杂度高低均会对产品技术关联影响产业地理共聚的过程产生差异化作用。
准确认识并合理利用关联产业的空间分布规律有利于产业空间布局优化和结构转型升级。特别是在新冠疫情带来的全球大变局背景下，中国出口产业转型优化路径需要新的思路，提升产业韧性，实现产业高质量发展。本文政策启示有以下几方面：首先，区域产业政策制定应因地制宜，充分考虑产业间联结互动关系和区域产业基础，有针对性地提升区域经济发展效率和产业竞争力。具体来说，区域引入与原有优势产品的上下游产品或相近产品，更容易发生知识溢出并共享要素，从而使其存活并获得优势。此外，区域发展产业体系完备、标准化生产流程的产业更容易搭建强关联的产业网络。其次，在引入新产业的同时，需要为其搭建集聚空间载体与知识交流平台，并根据产业特性及其共聚特征实施差异化产业空间治理，在充分利用行业产品空间依赖特性，调动生产要素积极性的同时，从跨行业的产业地理共聚入手，合理配置关联生产和出口资源。最后，区域主导产业选择与产业链布局应充分考虑高/低技术复杂度产品的组合特征，切勿盲目追求高技术产业的数量而“生拉硬扯”地布局与本地产业结构不匹配的产业，以适应产业高质量发展的需求。
本文仍存在一些不足之处，亟待进一步研究探讨。本文引入社会网络分析指标对中国出口产品空间进行定量刻画，但尚停留在统计解释阶段，并未将其与模型实证结合；此外，本文仅关注了技术关联在时间维度的边际效用，而技术关联强度的边际效用也是十分有意义的研究话题，未来可进行深入探讨。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文文献综述、文章结构、语言表达、结果分析、结论梳理方面的修改意见，使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Marshall A. Principles of Economics:Unabridged Eighth Edition. New York: Cosimo, Inc., 2009.

[2]
Ellison G, Glaeser E L, Kerr W R. What causes industry agglomeration? Evidence from coagglomeration patterns. American Economic Review, 2010, 100(3): 1195-1213. DOI: 10.2139/ssrn.980966.

DOI

[3]
Faggio G, Silva O, Strange W C. Heterogeneous agglomeration. Review of Economics and Statistics, 2017, 99(1): 80-94. DOI: 10.1162/REST_a_00604.

DOI

[4]
Diodato D, Neffke F, O'clery N. Why do industries coagglomerate? How Marshallian externalities differ by industry and have evolved over time. Journal of Urban Economics, 2018, 106: 1-26. DOI: 10.1016/j.jue.2018.05.002.

DOI

[5]
陈露, 刘修岩, 叶信岳, 等. 城市群视角下的产业共聚与产业空间治理: 机器学习算法的测度. 中国工业经济, 2020, (5): 99-117.

[ Chen Lu, Liu Xiuyan, Ye Xinyue, et al. Industrial coagglomeration and industrial space governance from the perspective of urban clusters: Measurement of machine learning algorithm. China Industrial Economics, 2020, (5): 99-117.]

[6]
贺灿飞, 董瑶, 周沂. 中国对外贸易产品空间路径演化. 地理学报, 2016, 71(6): 970-983.

[ He Canfei, Dong Yao, Zhou Yi. Evolution of export product space in China: Path-dependent or path-breaking? Acta Geographica Sinica, 2016, 71(6): 970-983.]

[7]
贺灿飞, 金璐璐, 刘颖. 多维邻近性对中国出口产品空间演化的影响. 地理研究, 2017, 36(9): 1613-1626.

DOI

[ He Canfei, Jin Lulu, Liu Ying. How does multi-proximity affect the evolution of export product space in China? Geographical Research, 2017, 36(9): 1613-1626.]

DOI

[8]
贺灿飞, 潘峰华. 外部集聚经济、外资溢出效应与制造业企业效率. 产业经济研究, 2005, (3): 8-15.

[ He Canfei, Pan Fenghua. Agglomeration economies, FDI spillovers and enterprise productivity. Industrial Economics Research, 2005, (3): 8-15.]

[9]
李振发, 贺灿飞, 黎斌. 中国出口产品地区专业化. 地理科学进展, 2018, 37(7): 963-975.

DOI

[ Li Zhenfa, He Canfei, Li Bin. Regional specialization of China's export products. Progress in Geography, 2018, 37(7): 963-975.]

DOI

[10]
Jacobs J. The Economy of Cities. New York: Vintage, 2016.

[11]
Quigley J M. Urban diversity and economic growth. Journal of Economic Perspectives, 1998, 12(2): 127-138. DOI: 10.1257/jep.12.2.127.

DOI

[12]
Beaudry C, Schiffauerova A. Who's right, Marshall or Jacobs? The localization versus urbanization debate. Research Policy, 2009, 38(2): 318-337. DOI: 10.1016/j.respol.2008.11.010.

DOI

[13]
Rigby D L, Brown W M. Who benefits from agglomerationM. Regional Studies, 2015, 49(1): 28-43. DOI: 10.1080/00343404.2012.753141.

DOI

[14]
Krugman P. Increasing returns and economic geography. Journal of Political Economy, 1991, 99(3): 483-499. DOI: 10.1086/261763.

DOI

[15]
Fujita M, Thisse J-F. Economics of agglomeration. Journal of the Japanese and International Economies, 1996, 10(4): 339-378. DOI: 10.1006/jjie.1996.0021.

DOI

[16]
Bertinelli L, Decrop J. Geographical agglomeration: Ellison and Glaeser's index applied to the case of Belgian manufacturing industry. Regional Studies, 2005, 39(5): 567-583. DOI: 10.1080/00343400500151806.

DOI

[17]
李新, 苏兆国, 史本山. 基于区位选择的中国工业生产企业空间集聚研究. 科学学研究, 2010, 28(4): 549-557+534.

[ Li Xin, Su Zhaoguo, Shi Benshan. Study on spatial agglomeration of China's insdustrial production enterprises based on location choice. Studies in Science of Science, 2010, 28(4): 549-557+534.]

[18]
黄玖立, 黄俊立. 市场规模与中国省区的产业增长. 经济学(季刊), 2008, (4): 1317-1334.

[ Huang Jiuli, Huang Junli. Market size and industrial growth in Chinese provinces. China Economic Quarterly, 2008, (4): 1317-1334.]

[19]
He C, Wei Y D, Pan F. Geographical concentration of manufacturing industries in China: The importance of spatial and industrial scales. Eurasian Geography and Economics, 2007, 48(5): 603-625. DOI: 10.2747/1538-7216.48.5.603.

DOI

[20]
He C, Wei Y D, Xie X. Globalization, institutional change, and industrial location: Economic transition and industrial concentration in China. Regional Studies, 2008, 42(7): 923-945. DOI: 10.1080/00343400701543272.

DOI

[21]
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.

DOI

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

DOI

[22]
韩清, 张晓嘉, 徐伟强. 中国工业产业协同集聚的测量及其影响因素分析. 上海经济研究, 2020, (10): 85-96+108.

[ Han Qing, Zhang Xiaojia, Xu Weiqiang. The measure and factor analysis of coaglomeration of China's industries. Shanghai Economic Research, 2020, (10): 85-96+10.]

[23]
Ellison G, Glaeser E L. Geographic concentration in US manufacturing industries: A dartboard approach. Journal of Political Economy, 1997, 105(5): 889-927. DOI: 10.1086/262098.

DOI

[24]
Duranton G, Overman H G. Testing for localization using micro-geographic data. The Review of Economic Studies, 2005, 72(4): 1077-1106. DOI: 10.1111/0034-6527.00362.

DOI

[25]
陈国亮, 陈建军. 产业关联、空间地理与二三产业共同集聚: 来自中国212个城市的经验考察. 管理世界, 2012, (4): 82-100.

[ Chen Guoliang, Chen Jianjun. Industrial relatedness, spatial geography, and the co-agglomeration of secondary and tertiary industries-an experience survey from 212 cities in China. Management World, 2012, (4): 82-100.]

[26]
贺灿飞, 肖晓俊. 产业集聚、产业共聚与中国制造业生产率. 哈尔滨工业大学学报(社会科学版), 2012, 14(1): 111-120.

[ He Canfei, Xiao Xiaojun. Industrial agglomeration and coagglomeration and the TFP productivity of Chinese manufacturing industries. Journal of Harbin Institute of Technology(Social Sciences Edition), 2012, 14(1): 111-120.]

[27]
陈曦, 朱建华, 李国平. 中国制造业产业间协同集聚的区域差异及其影响因素. 经济地理, 2018, 38(12): 104-110.

[ Chen Xi, Zhu Jianhua, Li Guoping. Regional disparity and influencing factors of industrial co-agglomeration in Chinese manufacturing. Economic Geography, 2018, 38(12): 104-110.]

[28]
陈柯, 尹良富, 汪俊英, 等. 中国制造业产业集聚影响因素的实证研究. 上海经济研究, 2020, (10): 97-108.

[ Chen Ke, Yin Liangfu, Wang Junying, et al. An empirical study on factors of the aglomeration in China's manufacturing industry. Shanghai Economic Research, 2020, (10): 97-108.]

[29]
Behrens K, Bougna T. An anatomy of the geographical concentration of Canadian manufacturing industries. Regional Science and Urban Economics, 2015, 51: 47-69. DOI: 10.1016/j.regsciurbeco.2015.01.002.

DOI

[30]
Billings S B, Johnson E B. Agglomeration within an urban area. Journal of Urban Economics, 2016, 91: 13-25. DOI: 10.1016/j.jue.2015.11.002.

DOI

[31]
Kim S. Regions, resources, and economic geography: Sources of US regional comparative advantage, 1880-1987. Regional Science and Urban Economics, 1999, 29(1): 1-32. DOI: 10.1016/S0166-0462(98)00010-6.

DOI

[32]
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+172.

[ Ma Guoxia, Shi Minjun, Li Na. The degree of co-agglomeration and the mechanism of spatial agglomerationin China's manufacturing industries. Management World, 2007, (8): 58-65+172.]

[33]
Gallagher R M. Shipping costs, information costs, and the sources of industrial coagglomeration. Journal of Regional Science, 2013, 53(2): 304-331. DOI: 10.1111/jors.12002.

DOI

[34]
Gabe T M, Abel J R. Shared knowledge and the coagglomeration of occupations. Regional Studies, 2016, 50(8): 1360-1373. DOI: 10.1080/00343404.2015.1010498.

DOI

[35]
Abdel-Rahman H M. When do cities specialize in production? Regional Science and Urban Economics, 1996, 26(1): 1-22. DOI: 10.1016/0166-0462(95)02105-1.

DOI

[36]
Porter M E. Clusters and the New Economics of Competition. Boston: Harvard Business Review Boston, 1998: 77-90.

[37]
Helsley R W, Strange W C. Matching and agglomeration economies in a system of cities. Regional Science and Urban Economics, 1990, 20(2): 189-212. DOI: 10.1016/0166-0462(90)90004-M.

DOI

[38]
Duranton G, Puga D. Micro-foundations of urban agglomeration economies. In: Henderson J. V and J.-F. Thisse (Eds.). Handbook of Regional and Urban Economics. Philadelphia: Elsevier, 2004: 2063-2117. DOI: 10.1016/S1574-0080(04)80005-1.

DOI

[39]
Fan C C, Scott A J. Industrial agglomeration and development: A survey of spatial economic issues in East Asia and a statistical analysis of Chinese regions. Economic Geography, 2003, 79(3): 295-319. DOI: 10.1111/j.1944-8287.2003.tb00213.x.

DOI

[40]
Feser E J. Tracing the sources of local external economies. Urban Studies, 2002, 39(13): 2485-2506. DOI: 10.1080/0042098022000027077.

DOI

[41]
Jaffe A B, Trajtenberg M, Henderson R. Geographic localization of knowledge spillovers as evidenced by patent citations. The Quarterly journal of Economics, 1993, 108(3): 577-598. DOI: 10.2307/2118401.

DOI

[42]
Thompson P, Fox-Kean M. Patent citations and the geography of knowledge spillovers: A reassessment. American Economic Review, 2005, 95(1): 450-460. DOI: 10.1257/0002828053828509.

DOI

[43]
Rosenthal S S, Strange W C. Geography, industrial organization, and agglomeration. Review of Economics and Statistics, 2003, 85(2): 377-393. DOI: 10.1162/003465303765299882.

DOI

[44]
Peri G. Determinants of knowledge flows and their effect on innovation. Review of Economics and Statistics, 2005, 87(2): 308-322. DOI: 10.1162/0034653053970258.

DOI

[45]
Greenstone M, Hornbeck R, Moretti E. Identifying agglomeration spillovers: Evidence from winners and losers of large plant openings. Journal of Political Economy, 2010, 118(3): 536-598. DOI: 10.1086/653714.

DOI

[46]
Lychagin S, Pinkse J, Slade M E, et al. Spillovers in space: Does geography matter? The Journal of Industrial Economics, 2016, 64(2): 295-335. DOI: 10.1111/joie.12103.

DOI

[47]
Aitken B, Hanson G H, Harrison A E. Spillovers, foreign investment, and export behavior. Journal of international Economics, 1997, 43(1-2): 103-132. DOI:10.1016/S0022-1996(96)01464-X.

DOI

[48]
Girma S, Wakelin K. Regional under development: Is FDI the solution? A Semiparametric Analysis. London: CEPR. 2001.

[49]
Kneller R, Pisu M. Industrial linkages and export spillovers from FDI. World Economy, 2007, 30(1): 105-134. DOI:10.1111/j.1467-9701.2007.00874.x.

DOI

[50]
Koenig P, Mayneris F, Poncet S. Local export spillovers in France. European Economic Review, 2010, 54(4): 622-641. DOI: 10.1016/j.euroecorev.2009.12.001.

DOI

[51]
Hidalgo C A, Klinger B, Barabási A-L, et al. The product space conditions the development of nations. Science, 2007, 317(5837): 482-487. DOI:10.1126/science.1144581.

DOI PMID

[52]
Guo Q, He C. Production space and regional industrial evolution in China. GeoJournal, 2017, 82(2): 379-396. DOI: 10.1007/s10708-015-9689-4.

DOI

[53]
郭琪, 周沂, 贺灿飞. 出口集聚、企业相关生产能力与企业出口扩展. 中国工业经济, 2020, (5): 137-155.

[ Guo Qi, Zhou Yi, He Canfei. Exporters' agglomeration, enterprise's related production capacity and enterprise's export expansion. China Industrial Economics, 2020, (5): 137-155.]

[54]
Watts D J, Strogatz S H. Collective dynamics of 'small-world' networks. Nature, 1998, 393(6684): 440-442. DOI: 10.1038/30918.

DOI

[55]
Hidalgo C A, Hausmann R. The building blocks of economic complexity. Proc Natl Acad Sci U S A, 2009, 106(26): 10570-10575. DOI: 10.1073/pnas.0900943106.

DOI

Options
Outlines

/

〈 〉