EN中文

GEOGRAPHICAL RESEARCH >

2024 , Vol. 43 >Issue 2: 340 - 356

DOI: https://doi.org/10.11821/dlyj020230706

Articles

Is it “dynamic agglomeration” or “agglomeration dynamics”: The path to improve the resilience of the manufacturing cluster

  • HU Xiaohui
Expand
  • School of Economics, Jiaxing University, Jiaxing 314001, China

Received date: 2023-08-21

  Accepted date: 2023-11-01

  Online published: 2024-02-04

Fold

Abstract

How to improve the resilience of China's manufacturing cluster plays a very important role in formulating industrial policies and promoting high-quality economic development. Through historical review, the paper extracts the multi-stage typical facts of some manufacturing clusters in China, distinguishes the “dynamic agglomeration” and “agglomeration dynamics” in the development of manufacturing clusters, constructs the resilience improvement analysis based on the restructuring mechanism, and puts forward two situations of single stage or multi-stage improvement. The paper uses the data of survival enterprises in China's manufacturing cluster from 1978-2022 to analyze the “dynamic agglomeration” of the manufacturing cluster, that is, the change of the agglomeration trend, and the degree of actively responding to adverse economic shocks and actively adjusting and upgrading. The multi-dimensional fixed effect model shows that there are quite differences in categories of manufacturing clusters in different industries; according to the environmental change, the cluster may adapt by deepening local specialization or expanding diversification, and diversification is the main adjustment channel to improve the cluster resilience, and the overall diversity and cluster resilience present a U-shaped pattern. Therefore, it is necessary to accelerate the construction of “industrial chain cluster”, choose the long-term resilient development path, and assist China's manufacturing cluster to occupy the commanding heights of the global value chain.

Key words： manufacturing; industry cluster; agglomeration; resilience; cluster dynamics

Cite this article

HU Xiaohui . Is it “dynamic agglomeration” or “agglomeration dynamics”: The path to improve the resilience of the manufacturing cluster[J]. GEOGRAPHICAL RESEARCH, 2024 , 43(2) : 340 -356 . DOI: 10.11821/dlyj020230706

1 引言

集群韧性是经济韧性中观层面的表现形式，也是宏观经济韧性的主要承载。制造业集群是产业布局和区域发展的重要模式，是提升产业链供应链现代化水平的关键节点，在“中国崛起”和参与全球竞争中扮演重要角色。在外贸条件恶化和疫情负面影响作用下，容易导致关键技术要素断供、产业链和供应链断裂，中国部分制造业集群的韧性已递减到临界点。如何提升集群韧性，成为中国制造业转型升级、推动国内循环和经济高质量发展研究中亟待解决的重大现实课题。韧性的提升涉及Carpenter等提出的两个基本问题[1]：① “对什么的韧性”，与冲击的起源、性质和大小有关，不同冲击需要不同类型的韧性。三种冲击类型包括紧急情况（如自然灾害等）、宏观经济波动和结构变化“缓慢的燃烧过程”。② “什么的韧性”，是指韧性指标的选择和对受冲击影响的经济系统的空间描述。集群韧性是一种适应和转型能力，它使集群能够做出或大或小的改变，以克服内外部干扰[2]。经济韧性的研究大多数是关于宏观经济衰退时的韧性（如何抵抗和从衰退中复苏），采用演化韧性概念。演化角度的韧性等同于转换能力的过程[3]，关键是在不稳定和不断发展的经济体系中重新配置产业、技术和制度结构的能力，明确了实现韧性的关键是进行重组和重新定位的机制。改革开放40多年来，中国经受住了三次主要的外部冲击，经历了多轮经济体制改革，不断地主动调整经济结构。分析较长时间中结构变化的地区就需要运用演化概念，从抵抗和复苏的短期维度，转向重组和重新定位的长期过程，有助于打开全国经济韧性的“黑匣子”。
演化动态是经济地理学中集聚的重要特征，关于产业集群的动态集聚，现有三条联系紧密的研究路径：第一条分析集群动态演化所经历不同的生命周期阶段。根据集群规模和知识异质性分为出生、成长、成熟（维持）和衰退阶段[4]，根据集群适应性周期模型则包括重组、增长、保存和释放阶段[5]，以及区分为产生、收敛、衰落或重组等阶段[6]，或构建出数量扩张、质量提升、研发与品牌创新3个阶段[7]。相关研究进一步指出，在产生阶段的集群企业增长速度快于整个行业，集群的时间序列可分为集聚度增长和下降等趋势[8]，并证实这些阶段与企业的创建和生存率有关[9]。划分的依据和阶段不一样，但都认识到在不同阶段的适应、更新和转型是关键。第二条关注集群具有随着年龄增长而被锁定的路径依赖性质[10]。经济活动的地理集聚可能是低效的[11]，集群内相互联系会导致负面影响传播放大，随着生命周期成熟而形成的路径依赖也使得集群缺乏适应性[12]。第三条论证集群由于嵌套系统的相互作用而有不同演化路径[13]。重点关注路径更新和路径创建，研究表明集聚程度提高增强了集群抵御冲击的能力[14]，制度和政策形成“选择效应”也可能是集群长期优势的主要源泉[15]。此外，许多实证研究依赖于时间面板数据检验集聚效应，比如郝良峰等用年净増规模占行业比例来修正地理密集度表示各省集聚的动态变化[16]，依然只是用集聚规模差异解释异质性[17]，没有真正意义上检验集聚的运动过程[18]。集聚度变化的边际增量具有非平稳性，呈现微积分形式的动态累积，导致集聚度本身随时间波动。从数学的逻辑来看，“集聚动态”是集聚度对时间的一阶求导（集聚度增长率），而“动态集聚”是二阶求导（集聚度增长率的变化）。总之，学者们大都基于企业进入或退出集群来研究“集聚动态”，倾向于特定时点的集聚规模（集聚度本身），也关注集群变化模式的差异[19]。部分研究基于种群增长的S曲线研究集聚运动（集聚度变化），或集聚经历上升还是下降的趋势。少数研究将生命周期阶段与集群韧性相结合[2]，验证制造业集群在一系列阶段中的演化路径，并将“动态集聚”类型等价于集群韧性类型[20]。
集群韧性的内在机理阐释仍在探索，韧性提升的路径尚未清晰。从演化视角来看，韧性独立于危机并动态演变，其内部结构和组成随环境变化不断调整[21]。根据间断均衡理论，产业演变是内部竞合关系，以及深层结构与外部环境交互作用的结果，这与韧性的定义有异曲同工之处。单一指标法或综合指标法难以得到让人完全信服的韧性测度结果，但重组机制作为理解韧性提升的关键已是普遍共识。与集群生存相关的环境条件，无法从集群本身的集聚度来推断。但集群持续增长的资源（资本、劳动力和技术等）来自其他地方或其他行业，构成了集群边界外的知识流入。获取外部知识的机会本身并不必然导致创新[22]，但将外部知识嵌入集群所需的条件可以在持续增长的集群中产生。集群持续增长反映当地生态系统中集群相关组织越来越支持这种跨界知识，并通过多样化或进入不断增长的行业或地域。例如，美国明尼苏达州明尼阿波利斯的计算机企业向服务于医疗设备行业的顺利过渡，将计算机行业的微加工和高精度技能等，转移到不断增长的医疗设备集群[23]，这些转移技能帮助医疗设备企业设计出更多创新的组件。这意味着集聚趋势与重组和重新定位机制有关，集群产生打破原有路径的创新，对集群适应能力产生影响。集群面对冲击表现出不同的行为，因为地理集群承载着不同类型的企业（组成效应），或者是空间邻近性的互动能够适应冲击（集群效应）。以往研究要么将重点放在单个具体冲击[24]，比如2008—2009年经济危机对国家、企业和区域韧性的影响，或限于轮轴式产业集群等单个案例分析[25]，使得难以理解“动态集聚”。
为此，本研究分析1978—2022年全国各区县工业企业的进入退出变化，使用1821万个年度观测值和地理编码的制造企业数据集，衡量集群“集聚动态”的变化情况，并梳理冲击的影响及其与经济结构的相互作用。结果显示，制造业集群的“动态集聚”与韧性提升具有高度相关性，不同地域不同行业的集群变化趋势也不同。基于现有文献的梳理，本研究将集群与企业、产业或区域的“韧性”联系起来，为解决“动态集聚”是否有助于提高集群韧性提供证据。本文的边际贡献在于：① 使用区县-行业层面更细颗粒度的大样本，解决了基于案例研究等定性方法无法解决的问题，量化了产业集群的集聚趋势。② 结合飞镖板方法将制造业集聚程度正态化，解决了难以比较不同年份和不同地点集聚水平的问题。③ 将“动态集聚”与韧性提升结合，便于进行制造业集群的韧性程度分类。研究结果可以扩展到具体行业的集群，为制定集群政策和产业政策提供有用的信息。

2 研究方法与数据来源

2.1 识别集群和测量集聚度

常用的Gini系数和EG指数需要预定义地理边界，因此受到可调整面积单位问题（MAUP）的影响，DO指数使用企业地理位置数据，但未提供信息如何确定是否存在集群。空间统计Moran指数或G统计量考虑周边区域的活动，但影响强度取决于空间权重的预设。本研究也将区县作为预设的地理单位，但中国制造业集群呈现典型的“一县一品”，并且每年每个区县每个行业中类的数据都与全国同行业企业数以及同区县所有行业企业数进行比较，故能准确地反映制造企业的空间分布。通过每个区县-行业-年份动态比较自动显示周边区域的活动，并容易选择出行业规模和集聚度排名靠前的地理集群。
本研究根据经济活动的类型、地理单位和标记集群所需的集聚阈值来确定集群，如Alcacer等[26]，当行业中某种经济活动（企业数量）集中在地理边界（区县）的程度超过阈值时，该位置确定为存在产业集群。类似于M函数等基于距离的空间集聚估计方法将实际点的位置重新分配。计算阈值采用Ellison等的飞镖板方法[27]，得到随机集聚和由溢出效应和自然优势引起的集聚，实际活动和阈值之间的差异被认为是集聚度（Z值）。因为不同年份和不同位置的集聚度要进行比较，所以使用蒙特卡罗模拟将Z值归一化。具体如下：
第一步，按行业门类、大类和中类，以及年度将所有区县的生存企业数量相加，得到行业-年度水平的总额。
第二步，在地图上随机分配行业-年度水平的总额，并检查分配给每个区县的生存企业数。该随机分配过程是通过蒙特卡罗模拟创建和重复（100次）。
第三步，计算分配到每个区县-行业-年份的生存企业数平均值和标准差。
第四步，利用平均值和分布，计算每个区县-行业-年份的Z值，如公式（1）所示，表示超过阈值的程度，Z值越大，集聚程度越高。
Z = o b s - e x p / σ
式中： o b s是从数据中得到给定区县-行业-年份的生存企业数量； e x p和 σ分别为蒙特卡罗随机模拟得到的平均值和标准差。
相关研究都界定一个阈值以确定集群的数量。Alcacer等选择行业前25个集群，运用前10或前50个集群的检验结果很稳健[28]，Delgado等将强集群定义为集群专业化程度前20%的地点[29]。本研究采取类似方法，基于行为主体的集群识别[30]，将区县视为个体行为者，其地理位置作为基本分析单位，构建Brenner集群指数（Ca），然后以Delgado等的20%为门槛值筛选是否属于集群企业。为体现更多行业类型和真实集群之间的权衡，以及节省飞镖板空间，将历年行业中类企业数>25家和保留前15个（部分区县-行业不足15个）作为额外筛选条件。公式如下：
C a = v 1 · f ( d 1 )
式中：d1表示根据经纬度将全国2986个区县生成空间权重（反距离矩阵）；f(dl)表示矩阵行加总；vl表示活动变量（生存企业数）；(·)表示矩阵点乘。

2.2 检测结构中断和集聚动态

为识别每个集群潜在的多个趋势，通过结构中断分析，从集聚度Z值的时间序列中发现中断。使用Bai-Perron多重结构断点检验方法估计中断数量和时间，为残差平方和找到全域极小值[31]。该方法也用来分析技术创新对产业和企业绩效的影响，以及经济波动的“转型”特征等。假设具有m个中断的线性回归（m+1个状态）的纯结构变化模型：
y t = z ' t δ j + u t
式中：yt是在t时刻的因变量（集聚度Z值）；t=Tj-1+1，…，Tj；协变量Zt(q×1)的系数δ可以在不同区域发生变化；j=1，…，m+1；ut是干扰项；断点估计(T1，T2，…，Tm)基于动态规划原理，使得计算断点的估计值作为残差平方和的全域极小值；回归参数估计是与m个分区 T ^ j相关的估计，即 δ ^ = δ ^ T ^ j。
Bai和Perron用三种方法来确定断点[31]：supFT(k)检验、双重最大检验（UDmax，WDmax）和supFT(ℓ+1|ℓ)检验。supFT(k)检验估计与多个结构断裂k的长期关系。零假设是“不存在结构中断(m=0)”，非零假设是“存在固定（任意）数量的中断（m=k）”。双重最大值检验也是检测时间序列中是否存在一个或多个结构中断。零假设是“不存在结构中断”，非零假设是“给定上界m，存在未知的中断数”。其中，UDmax检验与supFT(k)检验类似。WDmax检验使用的权重依赖于回归变量数量和显著性水平。前两种方法侧重于检验一个或多个中断的存在，第三种是supFT(ℓ+1|ℓ)方法的F检验是用于估计中断的数量和日期。supFT(ℓ+1|ℓ)检验的零假设是“存在ℓ个结构中断”，非零假设是“存在额外一个结构中断”，该检验被应用于观测结果的每个部分 T ^ i - 1到 T ^ i i = 1 , ⋯ , l + 1。通过三种F检验，获得结构中断数量和时间，将每个集聚的时间序列划分为多个阶段（集聚动态）。

2.3 量化动态集聚的指标

有效的度量方法应该能够捕获以往研究所发现的制造业集群动态集聚的3个基本特征。第一，单个集群的时间序列（即集聚度随时间变化）可以被分割成多个不同的趋势。如集群遵循多个生命周期阶段[6]，集聚度变化模式会随着时间推移而显著变化[8]。第二，同一行业不同区域的产业集群可能具有不同的集聚趋势，并不一定遵循相同的变化模式[32]。第三，产业集聚会受到集聚水平增减的影响。例如，硅谷半导体等行业从逐渐增长转向快速增长趋势表现出差异化的企业衍生率[19]和企业生存率[9]。
将Bai-Perron检验所确定的各个阶段，通过将（多阶段）集聚度增长率与时序(t)进行回归分析，量化各阶段集聚度变化的方向和幅度。估计系数β就是“动态集聚”的度量值，可知每个集聚趋势变化的方向和幅度，系数β的正或负号分别表示集群存在集聚或衰落，而系数β绝对值大小表示集群集聚或衰落的速度[33]。

2.4 数据来源和样本

基于天眼查数据库，选取1978年1月1日至2022年12月31日的制造企业数据，按注册地址补充缺失的区县信息，按经营范围补充缺失的行业信息，剔除没有所属区县和成立日期的企业。借鉴毛其淋等[34]和郝良峰等[16]的处理方法，将企业成立日期和经营状态作为评价企业何时进入退出以及是否生存的依据。根据月平均计算全国2986个区县（含经济技术开发区、高新区和独立设置区划的工业园区）每年31个行业大类179个行业中类的平均生存企业数和进入、退出企业数。处理后区县-行业-年度的生存企业数据集包含1821.41万个观测值，具有年份、所属省份、所属城市、所属区县、行业大类和行业中类代码等信息。鉴于东莞市和中山市特殊的市-街管理体制，计算企业数时将两地作为区县处理，对后续结果分析没有影响。为明确行业中类的类型，删除“其他未列明制造业”和行业中类的“其他”类型，获得153个行业中类。根据上文集群识别的方法，最终得到36.06万个区县-行业-年度观测。本数据集时间跨度为45年，用长时间序列来捕捉集聚变化趋势，在此期间行业分类代码、区县单元和边界也随着时间的推移而变化。本研究根据最新版行政区划四级街道镇标准GB-T2260进行区县的调整，对于2011年和2017年两次重要的国民经济行业分类（GB/T 4754）的调整，也使用对照表将所有3位数的行业中类进行匹配。
匹配数据采用上一节衡量方法估计出β值，进而考虑三方面的内容：第一，β值变化是否符合直觉和经济史上的已知趋势；第二，估计系数β是否存在差异；第三，估计系数β是否与集聚规模有区别。限于篇幅，主要呈现具多阶段趋势，且β>1的制造业集群，大多数是传统制造行业。

3 制造业动态集聚的阶段与趋势分析

3.1 结构中断分析和确定集聚趋势

按照结构中断方法，分析45年间区县-行业的集聚趋势数量。主要研究行业规模前十，且β>1的集群，其中包括单个集聚趋势或存在β<0的多阶段趋势。筛选例举的集群用两个并行标准：一是行业在全国和当地极具代表性，二是该集群拥有“国字”称号。图1显示1978—2022年昌邑市、柯桥区和武进区棉纺织及印染精加工的Z值时间序列。昌邑市检测到一个集聚趋势，而柯桥区和武进区被分割为多个集聚趋势，昌邑市的整体β值最大，武进区最后阶段β为负值。图2显示武进区在20世纪80年代末出现中断，此时集聚趋势增加。20世纪90年代，武进纺织业在全区工业的占比维持约25%，武进区也依托纺织业的优势，成为“苏南模式”的典范。1998年受亚洲金融危机影响，纺织品出口受到冲击。随着中国加入WTO，纺织行业迎来新一轮高速发展，棉纺织行业在当地集聚度大幅提高。从2008年开始，转向急剧下降的“去集聚化”集群衰落。从该地区的发展历史、时间序列图的竖线分割，以及后续Bai-Perron检验中发现这些中断的一致性。
图1 棉纺织行业的集聚趋势

Fig. 1 Agglomeration trend of cotton textile

图2 武进区棉纺织行业的集聚趋势

Fig. 2 Agglomeration trend of cotton textile in Wujin

对于这些传统制造业集群，supFT(k)检验、双重最大检验（UDmax和WDmax）得到的检验值都大于5%显著性水平的临界值，意味着拒绝“不存在结构中断”的零假设，即样本期间经历两种或两种以上的趋势。前两个检验和supFT(ℓ+1|ℓ)检验结果不一致时，应以supFT(ℓ+1|ℓ)统计量为准[27]，故结果仅呈现第三种检验。本研究假设最大的中断数m=5，但实际m=4。如表1所示，武进区的supFT(2|1)检验值（199.63）大于5%显著性水平的临界值（11.47），supFT(3|2)、supFT(4|3)的检验值都大于临界值，而supFT(5|4)检验值小于临界值。揭示三个结构中断，意味着经历4个趋势：1978—1989年、1989—1997年、1997—2007年和2007—2022年，即图2的竖线分割区间。
表1 传统制造业集群多阶段结构中断分析

Tab. 1 Multi-stage structural interruption analysis of traditional manufacturing clusters

集群名称 supFT(ℓ+1|ℓ)检验 supFT(2|1) supFT(3|2) supFT(4|3) supFT(5|4)
武进区棉纺织 检验值 199.63[11.47] 105.84[12.95] 113.98[14.03] 0.00[14.85]
结构中断的年份 T1=1989 T2=1997 T3=2007
柯桥区针织 检验值 42.78[11.47] 35.14[12.95] 42.78[14.03] 7.48[14.85]
结构中断的年份 T1=1985 T2=2000 T3=2010
潮阳区针织 检验值 269.21[11.47] 194.20[12.95] 199.15[14.03] 0.00[14.85]
结构中断的年份 T1=1988 T2=1999 T3=2015
南通通州家纺 检验值 78.88[11.47] 78.88[12.95] 148.22[14.03] 2.85[14.85]
结构中断的年份 T1=1992 T2=2003 T3=2015
海门市家纺 检验值 448.52[11.47] 39.94[12.95] 38.61[14.03] 0.00[14.85]
结构中断的年份 T1=1989 T2=2003 T3=2015
即墨区服装 检验值 850.58[11.47] 53.65[12.95] 14.44[14.03] 14.02[14.85]
结构中断的年份 T1=1992 T2=1999 T2=2015

注：[ ]括弧内为5%显著性水平的临界值。

结构中断和集聚趋势分析也显示加入WTO对针织或钩针编织行业的利好作用，2010年后柯桥区推动产业转型升级，潮阳区2015年后加快打造超千亿级纺织服装产业集群，都加速了集聚趋势上升。作为全国最大的家纺产业基地，南通通州区和海门市在2003年和2015年同步出现集聚趋势明显上升的结构中断点。分别与中国纺织工业协会协同地方推动纺织产业集群化发展试点工作，以及通州区被列入工信部“产业集群区域品牌建设试点区”的时间吻合。2002年被评为“中国针织名城”的即墨服装产业集群获得4个趋势。
产业集群的动态特性在高科技产业中也很明显，但无论相同地区或是跨地区，集聚趋势都表现出较大的差异。如图3所示，作为中国无菌医疗器械自动化装备制造产业基地的玉环市，医疗设备行业经历了20世纪90年代长达十年的集聚增长趋势，在2000年呈现集聚下降趋势，而地理邻近的临海市和椒江区是单一上升趋势。模式不同源于玉环市的部分企业搬迁到这两地，而当地本身的医疗仪器设备企业依然迅速发展。“中国眼镜之都”丹阳市的医疗器械产业在1998年后逐渐成型，2015年后又经历新一轮的集聚增长趋势。高科技产业另一种表现为受到外部冲击影响较小。如图4所示，三年疫情期间，在时间序列图中出现集聚度（Z值）下降，但天长市和慈溪市电子元件F检验都只检测到一个集聚趋势，意味着这种影响还不足以对中国集成电路等制造业集群产生明显结构性的突变，天长市甚至逆势上升。
图3 医疗设备的集聚趋势

Fig. 3 Agglomeration trend of medical equipment

图4 电子元件的集聚趋势

Fig. 4 Agglomeration trend of electronic components

同一地理边界内不同行业的集聚趋势也有不同。如瑞安市2003年被授予“中国汽摩配之都”称号，此后汽车零部件集聚趋势保持10年增长，2013年开始急剧下降，由于土地和劳动力成本等问题导致许多企业搬迁到其他地区，而当地制鞋业和医疗仪器设备等行业则经历上升趋势。又如深圳宝安区的塑料制品在2011年后出现“去集聚化”态势，而电子器件和计算机制造等高新技术行业则呈现持续上升的单一趋势，在时间点上与《宝安区关于促进产业转型升级加快转变经济发展方式的实施意见》相吻合。在多阶段中还有一种递增趋势的表现形式，如乐清市输配电及控制设备的四个集聚趋势阶段不断处于增长状态。

3.2 集聚趋势的回归结果分析

对结构中断分析划分各阶段的集聚趋势进行回归分析，由β表示“动态集聚”方向和幅度的系数估计值。表2报告了上文提及的部分集群多阶段集聚趋势系数估计值β，标准差SE和R2。在传统制造领域，比如武进区棉纺织行业1978—1989年的趋势没有统计学意义（R2=0.095，P值0.173）。换句话说，该时期未出现强烈的上升或向下的集聚趋势。1989—1997年经历了上升的集聚趋势（β=0.895，R2=0.912，P值0.000），随后上升幅度变得更大（β=3.067，R2=0.935），2007—2022年该行业经历急剧下降的趋势（β=-0.728，R2=0.444）。本方法能捕捉到从增加到减少的变化，反之亦然，也能捕捉到增减的幅度。在高科技产业领域，比如丹阳市医疗仪器1999—2015年的集聚趋势强烈上升（β=7.891），而2015年之后更明显（β=14.439），与图3的波段描述一致。其他制造业集群的分析方法类似。
表2 主要制造业集群的多阶段集聚趋势

Tab. 2 Multi-stage agglomeration trend of major manufacturing clusters

所属区县 集聚趋势 年份 β SE R2 所属区县 集聚趋势 年份 β SE R2
武进区
棉纺织
 阶段I 1978—1989 0.058 0.040 0.095 乐清市
输配电
 阶段I 1979—1990 4.371 0.349 0.928
阶段II 1989—1997 0.895 0.097 0.912 阶段II 1990—1997 11.023 0.769 0.967
阶段III 1997—2007 3.067 0.255 0.935 阶段III 1997—2011 23.413 1.380 0.953
阶段IV 2007—2022 -0.728 0.202 0.444 阶段IV 2011—2022 31.195 2.912 0.912
整体趋势 1978—2022 0.592 0.077 0.567 整体趋势 1978—2022 16.286 0.761 0.912
柯桥区
针织
 阶段I 1979—1985 2.283 0.353 0.853 潮阳区
针织		 阶段I 1979—1988 0.353 0.059 0.759
阶段II 1985—2000 0.852 0.268 0.378 阶段II 1988—1999 1.933 0.219 0.885
阶段III 2000—2010 29.144 2.366 0.938 阶段III 1999—2015 6.518 0.511 0.910
阶段IV 2010—2022 25.297 2.593 0.887 阶段IV 2015—2022 42.878 4.126 0.939
整体趋势 1978—2022 13.020 0.971 0.803 整体趋势 1978—2022 6.982 0.685 0.700
南通通州
家纺
 阶段I 1979—1992 0.492 0.057 0.838 海门市
家纺
 阶段I 1979—1989 0.161 0.039 0.597
阶段II 1992—2003 3.444 0.385 0.878 阶段II 1989—2003 1.599 0.256 0.730
阶段III 2003—2015 10.674 1.987 0.699 阶段III 2003—2015 3.529 1.522 0.267
阶段IV 2015—2022 28.796 3.691 0.895 阶段IV 2015—2022 46.843 7.761 0.835
整体趋势 1978—2022 8.638 0.602 0.823 整体趋势 1978—2022 7.506 0.830 0.648
即墨区
服装
 阶段I 1979—1992 0.155 0.043 0.462 丹阳市
医疗仪器
 阶段I 1979—1990 0.671 0.112 0.742
阶段II 1992—1999 0.659 0.142 0.747 阶段II 1990—1999 0.559 0.199 0.433
阶段III 1999—2015 3.148 0.204 0.937 阶段III 1999—2015 7.891 0.672 0.895
阶段IV 2015—2022 11.687 1.745 0.862 阶段IV 2015—2022 14.439 2.744 0.792
整体趋势 1978—2022 2.387 0.197 0.769 整体趋势 1978—2022 5.893 0.346 0.868
玉环市
医疗仪器
 阶段I 1979—1990 0.955 0.110 0.861 瑞安市
汽摩配		 阶段I 1979—2004 3.801 0.183 0.943
阶段II 1990—2000 3.040 0.354 0.879 阶段II 2004—2013 12.938 0.970 0.952
阶段III 2000—2022 -0.517 0.204 0.019 阶段III 2013—2022 -0.581 1.632 0.107
整体趋势 1978—2022 1.561 0.139 0.000 整体趋势 1978—2022 5.973 0.245 0.931
深圳宝安
塑料制品		 阶段I 1979—1988 0.426 0.071 0.776 柯桥区
棉纺织		 阶段I 1978—2001 2.139 0.145 0.904
阶段II 1988—2011 2.806 0.131 0.952 阶段II 2001—2010 0.480 0.468 0.116
阶段III 2011—2022 -1.987 0.254 0.846 阶段III 2010—2022 3.367 0.663 0.674
整体趋势 1978—2022 1.981 0.133 0.834 整体趋势 1978—2022 1.941 0.367 0.381

注：β值+表示集聚提高，-表示集群衰落；P值的显著性水平为5%，大都显著，限于篇幅P值省略。

表2中整体趋势表示未分割时间序列阶段进行整体回归（1978—2022年）的结果。例如，武进区的整体趋势回归系数估计表明，该地区棉纺织行业在45年间经历了一个适度增长的趋势（β=0.592，R2=0.444）。然而，它掩盖了1997—2007年的趋势增长变化，也低估了2007—2022年的下降趋势。丹阳市医疗仪器的整体趋势系数，将会严重高估1999年之前的增长趋势，并低估1999年之后的增长趋势。以上集聚趋势分析结果表明，本研究方法有助于揭示集聚如何随时间变化。如果没有分割时间段，将会忽略或低估集群“动态集聚”的时间变化。

4 制造业集群韧性提升路径

4.1 动态集聚趋势与集群韧性关联

集聚趋势通过不同集聚度增长率来测量，趋势时长是计算给定趋势的年份来测量。根据前文集群识别方法将153个行业中类的典型制造业集群、4402个区县-行业的趋势观测汇总统计分析。如表3所示，在1978—2022年期间，所有阶段趋势平均有2.8种不同的趋势，多阶段趋势平均有4.9种不同的趋势。所有阶段趋势的平均跨度约为16年，从3年到42年。多阶段趋势的平均跨度约为9年，从2年到22年。不同跨度可能对应制造业集群重组和重新定位机制发挥作用的调整时间。阶段趋势的集聚水平变化范围为10.76~134.31。表3后三列相关性（0.95或0.92）表明，集聚趋势与集聚水平高度相关，意味着集聚趋势是与集群规模相关的结构，趋势时长与集聚趋势相关性也较强。都证明，制造业集群的“动态集聚”会产生“集聚动态”的结果。
表3 描述性统计和相关性

Tab. 3 Descriptive statistics and correlations

阶段趋势 变量 Mean Min Max SD N β z T
所有阶段 集聚趋势β 3.96 0.92 9.68 0.61 360591 1
集聚水平Z 49.67 10.76 125.46 6.46 360591 0.95(0.000) 1
趋势时长T 16.37 3.04 42.56 4.75 360591 0.75(0.000) 0.77(0.000) 1
多阶段 集聚趋势β 3.50 0.91 12.19 0.48 288231 1
集聚水平Z 45.34 10.76 134.31 5.10 288231 0.92(0.000) 1
趋势时长T 9.18 3.04 22.53 2.03 288231 0.63(0.000) 0.63(0.000) 1

注：后三列( )内为P值。

分地域来看，一些区县出现多个行业中类集群，反映其制造业集群的多样性。分行业来看，传统制造业的集聚水平相对较高（Z>40），除木质家具等特殊行业外。多阶段趋势的集聚水平大都略低于所有阶段，且集聚趋势β值也低于所有阶段，意味着集聚度越高集聚速度越快。一些行业中单一集聚趋势则拉长了所有阶段的趋势时长，但对集聚趋势和集聚水平的影响没有明确规律。除个别行业外，所有阶段或多阶段集聚趋势时长的数值差异不大。
不同集群的增长模式不同，集聚趋势不一定遵循普遍的生命周期阶段，而可能与全行业或整个地区发展相悖，意味着动态集聚与集群韧性相联系。前文中同一行业不同地区的集聚趋势，可从两方面进行解释。第一，集群企业的创新能力不同影响集群的集聚趋势。当某个集群创新带来良好绩效，不同地区或行业的企业就会进入该集群，以获得正向溢出效应，企业流入将导致集聚持续增长的趋势。第二，本地研究机构是企业跨技术领域获取知识的桥梁。当研究机构等相关组织做得很好，外部企业就有可能进入集群，以便与其进行合作。

4.2 典型事实与集群韧性分类

集中投资于少数几个领域的“潮涌现象”，成就了制造业集群的形成与发展，在20世纪90年代前期对应着一个集聚高峰。1996年之后国内工业品开始“结构性过剩”，1998年房地产业开始带动相关制造行业发展，国内外需求压力被成功化解。2001年中国加入WTO，通过淘汰落后产能、兼并重组、设备升级等结构调整，传统产业集群仍具备核心竞争力。2008年全球金融危机对许多成熟产业集群的冲击很大，也有部分集群逆势而上。国家四万亿的投资及相关配套政策作用下，地方政府顺势打造各种产业集聚区。2013年后传统制造业普遍产能过剩，恰逢中国人口红利消失拐点，内需不足成为常态。2014年下半年开始，沿海制造业出口大省部分龙头企业倒闭，对传统行业的打击很大。而高端制造业，包括医药、仪器仪表、运输设备、专用设备等行业的需求空间开始展现，逐渐成长为新的主导产业集群。从多地集群中发现2015年是一个结构突变点，似乎对应当年《环境保护法》的实施，中国主动调整产业结构，提高产业集群的韧性。2019—2022年的疫情冲击，对中国制造业集群造成很大的负面影响，但尚未检测到结构性变化。
基于153个行业中类，在2001年、2008年和2015年的结构中断所分布的行业-区县数量较多，进一步将中断前一年和后一年也归为中断年份，得到3个年份更多的行业和区县，这意味着中国内部调整和外部冲击的影响都可能影响结构改变，无论是涉及的行业范围或地理空间范围。以上结构中断点与关键事件的时间高度吻合，证实韧性系统既与外部冲击相关，又具有独立的演化路径。将中国制造业集群发展大致分为集聚阶段（1978—2001年）、发展阶段（2001—2008年）和转型阶段（2008—2022年），后续将3个中断点作为虚拟变量深入分析。
因Z值和β值分别影响集群生命周期曲线的高度和斜率，本研究借鉴Martin等[5]和Kim等[35]的分析，并结合生命周期阶段理论将制造业集群归纳为三种类型：① 强韧性集群。包括单阶段β>1和分阶段β值逐渐变大（>1），且Z>1的集群，对应生命周期产生阶段和硅谷型集群（Silicon Valley-type）。② 弱韧性集群。多阶段β值变大又变小（<1）然后再次回升，甚至比原来集聚趋势β值更大（>1），且Z>1，这类集群的整体趋势β值一般也大于1，对应生命周期收敛和重组阶段，以及马尔莫型集群（Malmo-type）。比如，武清区工艺美术及礼仪用品2000—2011年间，南海区结构性金属制品2002—2014年间的β<0，表示出集群衰落，后又起死回生，与其经济史高度吻合。③ 缺乏韧性集群。分阶段β值持续变小（<1），以至出现负值，对应生命周期衰落阶段和底特律型集群（Detroit-type）。表4呈现31个行业中类142个典型制造业集群所在区县的分类情况。
表4 制造业集群韧性分类

Tab. 4 Resilience classification of manufacturing clusters

所属行业 强韧性集群所在区县 弱韧性集群
所在区县		 缺乏韧性集群
所在区县
单阶段趋势 多阶段趋势
棉纺织及印染精加工 昌邑市、崇川区、如东县 南通通州区 柯桥区、诸暨市 武进区
针织或钩针编织 潮南区、海安市、张家港、
诸暨市		 潮阳区、桐乡市、禅城区 常熟市 慈溪市、象山县
家用纺织 保定高阳县 南通通州区、海安市 柯桥区 桐乡市、诸暨市
机织服装 宝坻区、滕州市 即墨区、吴兴区 常熟市 嵊州市
服饰制造 增城区、石狮市 宝安区 中山市
皮革制品 保定白沟新城、高碑店市、
海宁市		 花都区 白云区
制鞋业 晋江市、惠安县、温岭市 鹿城区、瑞安市、白云区 永嘉县 即墨区、东莞市
纸制品 满城区、苍南县、龙港市 醴陵市 即墨区
木质制品 菏泽曹县 南浔区
木质家具 南康区、睢宁县、新会区、
顺德区		 东阳市
印刷业 安次区、龙港市
工艺美术及礼仪用品 仙游县、曲阳县、海丰县、
天台县		 番禺区 武清区
塑料制品 桐城市 澄海区 宝安区、宁海县
结构性金属制品 高要区、盐山县、临朐县 南海区
金属工具 永康市、临沂河东区、阳东区
金属制日用品 博兴县、永康市、榕城区 潮安区 南海区、三水区
金属加工机械 盐山县、滕州市 瑞安市
泵、阀门、压缩机
等机械		 安国市 永嘉县、温岭市 龙湾区 阜宁县
烘炉、风机、包装
等设备		 武城县、启东市 靖江市
通用零部件 永年区、兴化市 武进区、惠山区、靖江市 余姚市
化工、木材、非金属
加工		 昆山市、黄岩区、吴中区 余姚市、宁海县
电子和电工机械 苏州工业园区
医疗仪器设备 衡水滨湖新区、临海市 丹阳市 玉环市
汽车零部件 清河县、茅箭区、玉州区、
新北区		 玉环市 瑞安市
输配电及控制 吴中区、昆山市 乐清市、扬中市
电线、电缆、光缆 宁晋县、揭西县、无为市
家用电力器具 中山市、顺德区 慈溪市、余姚市
照明器具 高邮市、江海区 常州钟楼区、中山市
电子器件 丰顺县、宝安区 潮阳区
电子元件 天长市、宝安区、乐清市、
慈溪市		 鄞州区
通用仪器仪表 天长市、金湖县
整体而言，广东、浙江和江苏三省占据制造业集群数量的绝对优势，中西部很少，仅在汽车零部件、电线电缆光缆、通用仪器仪表等行业存在制造业集群。纺织、服装、制鞋等传统产业是强韧性和缺乏韧性集群共存的行业，医疗仪器设备和电子器件等高新技术行业是强韧性集群集中的地方。传统制造业由弱变强是在行业内部重组的结果，而深圳宝安区等在传统制造业所呈现的“衰落”是为高新技术行业腾出空间，在区域层面发挥重新定位的机制。

4.3 动态集聚与韧性提升路径

实际上，集群企业也加强与专门从事互补价值链阶段的集群相关企业进行跨集群联系，通过超集群学习[36]，从地理共同定位的集群结构到按价值链阶段分层的跨本地集群结构，即产业链集群的形成[37]。本研究假设：集聚度越高（本地专业化）—集聚趋势增长（多阶段趋势）—产业多样化—重组机制—形成产业链集群—集群韧性提升。为确定重组机制相关的本地专业化和多样化路径，同时解决未观察到的集聚趋势对集群韧性的异质性作用，控制集群属性，采用多维面板数据估计，模型如公式（4）所示：
R j p t = β 1 D i v j p t + β 2 D i v j p t 2 + β 3 S p e j p t + β 4 t + β 5 t 2 + β 6 S h o c k j p t + γ j p t + ε j p t
式中：因变量Rjpt表示t时位于p区域的j行业集群的韧性。时变的集群变量Divjpt表示产业多样性，Spejpt表示本地专业化。 D i v j p t 2表示多样化的非线性影响。t和t2表示集群韧性随时间的非线性变化，是对韧性时变的控制。Shockjpt表示外部冲击和结构调整的处理效应。β1-β6是各变量的估计系数。γjpt表示行业、区域和时间的固定效应，ϵjpt是误差项。实证分析在加入t和Shock变量时不考虑γjpt的时间固定效应，因为集聚趋势用不同年份标准化的集聚水平衡量，所以影响集聚趋势和集群韧性之间关系的时间效应已被剔除。

4.3.1 因变量

借鉴文献关于集群在连续冲击事件中的稳健性，以及恢复性是高于平均水平的界定，用某集群（属于前1%集群的时长/45）表示稳健性，其中45即1978—2022年的时长，用（分段β值-分段β均值）/（分段βmax-分段βmin）表示恢复性，其中分段β均值、分段βmax和分段βmin分别为按照区县-行业分类的当年β平均值、最大和最小值。基于年份-行业中类，构建公式（5）表示韧性指标。借鉴Stough[20]的方法，本研究将集聚趋势分段回归获得的β值作为韧性代理指标，构建中介效应模型显示传导和渠道的机制检验。
R e = 属 于 前 1 % 集 群 的 时 长 / 45 × 分 段 β 值 - 分 段 β 均 值 / 分 段 β m a x - 分 段 β m i n

4.3.2 解释变量

集群本地化经济随着同行业共同定位的企业数增加而提高，不管企业的全国分布如何[38]，因此纳入区县行业中类企业数/区县生存企业总数（Spe）为MAR外部性的代理变量。多样化的产业结构允许主体将并非单个行业的知识和信息结合，以实现创新突破，使得重组机制发挥作用。熵指数是目前唯一测量Jacobs外部性的方法，本研究借鉴Pudelko等[39]和沈鸿等[40]计算多样性，如公式（6）和公式（7）所示，但采用的不是就业数据而是企业数量，Divjpt分解为整体多样性TV和相关多样性HRV两个指标。首先，在行业两位码水平计算非相关多样性（UV）。其中，Pg是两位码水平描述每个行业中类在区县的企业数份额。Pg通过三位码的企业数份额pi来计算。当行业共享相同的两位码时，假定它们在三位码水平是相关的。相关多样性（HRV）表示为两位码行业的熵加权之和。HRV值越大，在两位码水平内三位码行业的企业分布越均匀，在共享或互补能力（如知识库、技术）方面的相关性越高。整体多样性TV等于HRV加UV之和。
U V = ∑ g = 1 G P g l o g 2 ( 1 / P g )
H R V = ∑ g = 1 G P g H g
式中： H g = ∑ i ∈ S g p i P g l o g 2 1 p i / P g   和   P g = ∑ i ∈ S g p i

4.3.3 冲击变量

根据结构中断分析的主要节点年份，运用准自然实验方法解决模型的内生性问题。Y2001表示加入WTO的处理效应，当企业处于2001年以后设定Y2001=1，否则等于0。类似的用Y2008表示全球金融危机的处理效应，Y2015表示环境保护法的处理效应。为避免结构调整和外部冲击的“污染”，同时纳入这3个时间虚拟变量。
表5显示多维固定效应模型的估计结果，第2~第4列显示本地专业化和多样化的估计结果，但考虑区域-行业-时间三种固定效应。第5~第7列加入时变，第8~第10列再加入冲击变量。结果显示，集群时变特征差异，是影响集群韧性的重要决定因素，意味着多样化和专业化参数不能完全解释因变量，无集群时变特征控制将高估整体多样化的作用，而低估外部冲击对集群韧性的影响。无论分段β值或Re指标模型的系数都很显著。Spe的系数为正，表明本地专业化能提升集群韧性。TV为负而TV2的系数为正值呈U形结构，表明区域产业多样化在短期会降低集群韧性，而多样性发展到一定程度又会提升集群韧性。t系数为正t2系数为负呈倒U形结构，t2系数值比较小，但表明集群韧性在某个时点会下降。HRV和HRV2系数都显著为正，且检验不存在多重共线性，表明相关多样性加速提升集群韧性。表5采用逐步法检验显示间接效应比较显著，表明多样性和本地专业化可通过调整“动态集聚”这个中介变量影响集群韧性，而Y2001和Y2008的冲击存在一定的遮掩效应。
表5 制造业集群韧性的中介效应模型

Tab. 5 Moderated mediation model for the resilience of the manufacturing clusters

Re值 分段β值 Re值 Re值 分段β值 Re值 Re值 分段β值 Re值
β 0.0020**** 0.0020**** 0.0020****
TV -0.0944**** -1.6433**** -0.0911**** -0.0954**** -1.7879**** -0.0918**** -0.0947**** -1.6416**** -0.0914****
TV2 0.2444**** 6.2929**** 0.2317**** 0.2491**** 6.8090**** 0.2354**** 0.2471**** 6.3789**** 0.2342****
HRV 0.0248**** 1.5235**** 0.0214**** 0.0236**** 1.3816**** 0.0208**** 0.0243**** 1.5342**** 0.0212****
HRV2 0.0347**** 3.5903*** 0.02755**** 0.0322**** 3.1858*** 0.0258*** 0.0342**** 3.6196*** 0.0269****
Spe 0.0666**** 0.7881**** 0.0651**** 0.0647*** 0.6304**** 0.0634**** 0.0651*** 0.7064**** 0.0637****
t 0.0004**** 0.1024**** 0.0002**** 0.0005**** 0.1325**** 0.0002****
t2 -0.0007**** -0.0009**** -0.0005**** -0.0008**** -0.0017**** -0.0005****
Y2001 否 否 否 否 否 否 -0.0008* 0.0093 -0.0008*
Y2008 否 否 否 否 否 否 -0.0003* -0.0400* -0.002
Y2015 否 否 否 否 否 否 0.0009**** 0.4341**** 0.0003
常数项 0.0021**** 4.0693**** -0.0061**** -0.0034**** 1.9772**** -0.0074**** -0.0045**** 1.7282**** -0.0080****
区域固定 是 是 是 是 是 是 是 是 是
行业固定 是 是 是 是 是 是 是 是 是
时间固定 是 是 是 否 否 否 否 否 否
Adj R2 0.1415**** 0.5646*** 0.2112**** 0.1409**** 0.5642**** 0.2107**** 0.1410**** 0.5645**** 0.2108****
F检验 205.53**** 28.90**** 542.59**** 183.59**** 987.40**** 438.62**** 130.84**** 703.89**** 319.76****
N 267487 267632 267487 267487 267632 267487 267487 267632 267487

注：****、***、**和*分别表示0.1%、1%、5%和10%显著性水平。

结合典型事实的分析，Y2001对应传统制造业集群自身演化接近衰退期因发现新市场开启新成长，可以部分解释入世显然推动集聚增长，但Y2001系数为较小负值的原因。Y2008对应传统制造业集群生命周期的成熟阶段，不利冲击对β值的影响显著为负（-0.04）。Y2015对应传统制造业集群生命周期处于成熟阶段，但同时有高新技术产业集群涌现的成长阶段，整体估计系数为正。根据第6和第9列t和t2系数计算集聚趋势倒U形结构拐点值，由50变为引入冲击变量后的38，表明外部冲击缩短制造业集群自身演化的生命周期，使得演化路径呈现更多阶段叠加的形态。基于上述分析可提炼出集群韧性提升的三种路径：一是在行业中渐进创新或发现新市场实现原路径扩展，与2001年情形对应。二是新技术改变集群发展方向实现整体结构升级，与2015年情形对应。三是由相关和非相关多样性发展出行业新分支。疫情期间，富士康、比亚迪和五菱以及大批服装企业改造原有生产线，跨界生产口罩、防护服等医疗产品，是非相关多样化的一种表现。而医药制造业和医疗器械（诊断试剂）相互借鉴和融合，是相关多样性的典型案例。跨行业跨领域的技术得以快速积累，制造业在生产模式、产品类型和设计方式上都显现诸多新特征。三条路径的综合结果是在一定空间形成具有“多样性专业化”的产业链集群，以构建新的价值链，由此Jacobian集群成为提升韧性的重要路径，中国制造业集群发展普遍经历多阶段S型曲线嵌套叠加的韧性提升过程。

4.4 模型的稳健性检验

分段β值和Re两个因变量回归结果的比较，本身就是稳健性验证。本研究再次通过采用不同估计方法，以及减少样本量进一步检验模型的稳健性。第一种，使用Lasso方法来筛选变量。将多样化变量、专业化变量、时间变量和冲击变量都作为备选变量，考虑AIC判断准则，由Lasso方法来决定纳入模型的变量，结果如表6模型1所示。第二种，将区县-行业中类企业数的集聚阈值筛选条件从25家提高到100家，以减少样本区县个体量。第三种去掉“企业元年”1984年之前的数据，以减少样本年份数量。表6显示Re值为因变量的多维固定效应模型回归验证结果依然显著，证实基准模型的稳健性。
表6 稳健性检验

Tab. 6 The robustness test

Lasso方法 减少个体数量 减少年份数量
模型1 模型2 模型3 模型4 模型5 模型6 模型7
TV -0.0652 -0.1385*** -0.1406*** -1.395**** -0.1016**** -0.1022**** -0.1019****
TV2 0.1692 0.2815*** 0.2885**** 0.2856**** 0.1784**** 0.1805**** 0.1796****
HRV 0.0172 0.0378**** 0.0363*** 0.0373**** 0.0192**** 0.0187**** 0.0191****
HRV2 0.0434 0.0390* 0.0339* 0.0372* 0.1136** 0.0169** 0.0181**
Spe 0.0789 0.0862*** 0.0843*** 0.0846*** 0.1136**** 0.1132**** 0.1133****
t 0.0008 0.0006**** 0.0007**** 0.0003**** 0.0004****
t2 -0.0001 -0.0009**** -0.0001**** -0.0004**** -0.0005****
Y2001 -0.0012 否 否 -0.0006 否 否 -0.0005***
Y2008 -0.0005 否 否 -0.0004* 否 否 -0.0005*
Y2015 0.0009 否 否 0.0013** 否 否 0.0004****
常数项 -0.0105 0.0034**** -0.0056**** -0.0067**** 0.0021**** -0.0019**** -0.0028****
区域固定 是 是 是 是 是 是
行业固定 是 是 是 是 是 是
时间固定 是 否 否 是 否 否
Adj R2 0.2116**** 0.2111**** 0.2113**** 0.1460**** 0.1458**** 0.1459****
F检验 157.02**** 144.91**** 102.53**** 203.00**** 161.38**** 113.97****
N 267487 108614 108614 108614 260801 260801 260801

注：****、***、**和*分别表示0.1%、1%、5%和10%显著性水平。

5 结论与讨论

本研究借助区县-行业-年度数据集，探讨制造业集群动态与负面冲击适应能力之间的关系，梳理了集群韧性提升的影响因素和具体路径。主要的研究发现如下：
（1）制造业集群的“集聚动态”具有明显阶段性和叠加性，许多集群经历不止一种集聚趋势，而是遵循多个生命周期阶段。“动态集聚”因行业和地域存在差异，同一地区不同行业以及同一行业不同地区的集群变化模式也有所不同。相比传统产业而言，高新技术产业的集聚呈加速趋势。根据集聚特征和动态趋势可将制造业集群区分为强韧性、弱韧性和缺乏韧性三种类型。
（2）韧性系统既与外部冲击相关，又有独立的演化路径。影响“动态集聚”的因素包括集群的历史条件、专业化和多样化程度，以及外部冲击和政府行为等。内部重组机制影响集群的集聚趋势，也是集群增强适应能力的关键。
（3）经由“动态集聚”所展现的既有路径扩展、发展行业新分支和整体结构升级三条路径综合作用，形成具有“多样性专业化”的产业链集群是提升韧性的核心。可通过“制度创业”和产业结构调整，构建具备多种专业化且具有上下游关系的产业链集群，以及通过多样化实现跨产业部门的混合路径（Jacobian集群），从而提升制造业集群的韧性。实证检验和理论分析的结论保持一致，稳健性检验和经济事实都支持了上述研究结论。
1978年至今，中国制造业经历了多次较大的经济冲击和长期的结构调整，明确制造业集群在危机时期的适应能力，以及“缓慢燃烧”中的重组机制，对当前三重压力下经济高质量发展具有重要意义。本研究为深化理解集聚促进集群韧性提升提供了经验证据，同时为有效推动产业集聚促进产业升级提供政策参考。根据结论带来如下政策启示：① 进一步推动产业集聚，发挥集群集体行动的“固链”作用，同时鼓励集群内的多样化和产品创新，以减轻国内外冲击的负面影响。② 抓住企业转变核心业务和产业的机会，加快“补链”，推动产业链集群的建设步伐。需要了解企业何时和为何转变其核心业务，需要知道集群及其组成、影响和塑造这些产业转型的方式。③支持产业调整的政策应考虑到集群的异质性，了解集群的方式、组成以及企业运作、影响和塑造这些产业转型的当地环境。为有根植性的地方创新系统和地方生产系统提供各种保障。
本研究的主要不足之处在于仅归纳出三条具体的韧性提升路径，未能全面探究集群韧性的内在机理。随着新产业、新业态和新模式的壮大，必然会发展出更多的路径。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文研究框架、提升路径的阐明、结论梳理等方面的修改意见，使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Carpenter S, Walker B, Anderies J M, et al. From metaphor to measurement: Resilience of what to what?. Ecosystems, 2001, 4(8): 765-781. DOI: 10.1007/s10021-001-0045-9.

[2]
Østergaard C R, Park E K. What makes clusters decline? A study on disruption and evolution of a high-tech cluster in Denmark. Regional Studies, 2015, 49(5): 834-849. DOI: 10.1080/00343404.2015.1015975.

[3]
Manca A R, Benczur P, Giovannini E. Building a scientific narrative towards a more resilient EU society. Part 1, A conceptual framework. LU: Publications Office, 2017: 3-14.

[4]
Menzel M P, Fornahl D. Cluster life cycles-dimensions and rationales of cluster evolution. Industrial and Corporate Change, 2010, 19(1): 205-238. DOI: 10.1093/icc/dtp036.

[5]
Martin R, Sunley P. Conceptualizing cluster evolution: Beyond the life cycle model?. Regional Studies, 2011, 45(10): 1299-1318. DOI: 10.1080/00343404.2011.622263.

[6]
Pouder R St. John CH. Hot spots and blind spots: Geographical clusters of firms and innovation. Academy of Management Review, 1996, 21(4): 1192-1225. DOI: 10.5465/amr.1996.9704071867.

[7]
阮建青, 石琦, 张晓波. 产业集群动态演化规律与地方政府政策. 管理世界, 2014, (12): 79-91.

[ Ruan Jianqing, Shi Qi, Zhang Xiaobo. The regular pattern of dynamic evolution of the industrial clusters and the policies of the local government. Journal of Management World, 2014, (12):79-91.] DOI: 10.19744/j.cnki.11-1235/f.2014.12.008.

[8]
Klepper S. Disagreements, spinoffs, and the evolution of Detroit as the capital of the U.S.automobile industry. Management Science, 2007, 53(4): 616-631. DOI: 10.1287/mnsc.1060.0683.

[9]
Wang L, Madhok A, Li S. Agglomeration and clustering over the industry life cycle: Toward a dynamic model of geographic concentration. Strategic Management Journal, 2014, 35(7): 995-1012. DOI: 10.1002/smj.2141.

[10]
Hassink R. How to unlock regional economies from path dependency? From learning region to learning cluster. European Planning Studies, 2005, 13(4): 521-535. DOI: 10.1080/09654310500107134.

[11]
Helsley R W, Strange W C. Coagglomeration, clusters, and the scale and composition of cities. Journal of Political Economy, 2014, 122(5): 1064-1093. DOI: 10.1086/676557.

[12]
Martin J, Mejean I. Low-wage country competition and the quality content of high-wage country exports. Journal of International Economics, 2014, 93(1): 140-152. DOI: 10.1016/j.jinteco.2014.02.002.

[13]
Isaksen A. Industrial development in thin regions: Trapped in tath extension?. Journal of Economic Geography, 2015, 15(3): 585-600. DOI: 10.1093/jeg/lbu026.

[14]
蒋灵多. 集聚会降低企业失败风险吗? 来自中国微观企业的证据. 产业经济研究, 2016, (5): 1-12.

[ Jiang Lingduo. Will the agglomeration reduce the risk of firm failure? Firm-level evidence from China. Industrial Economics Research, 2016, (5): 1-12.] DOI: 10.13269/j.cnki.ier.2016.05.001.

[15]
王永进, 张国峰. 开发区生产率优势的来源: 集聚效应还是选择效应?. 经济研究, 2016, 51(7): 58-71.

[ Wang Yongjin, Zhang Guofeng. Sources of productivity advantages of special economic zones: Agglomeration effect or selection effect?. Economic Research Journal. 2016, 51(7): 58-71.]

[16]
郝良峰, 李小平, 李松林. 企业进入退出、产业动态集聚与城市生产率协同: 来自我国制造业的证据. 系统工程理论与实践, 2021, 41(8): 1942-1958.

DOI

[ Hao Liangfeng, Li Xiaoping, Li Songlin. Firms' entry-exit, dynamic industrial agglomeration and productivity coordination of cities: Based on the evidence of Chinese manufacturing firms. Systems Engineering: Theory & Practice, 2021, 41(8): 1942-1958.] DOI: 10.12011/SETP2019-2724.

[17]
Peer A, Vertinsky I, Keil T. Growth and survival: The moderating effects of local agglomeration and local market structure. Strategic Management Journal, 2016, 37(3): 541-564. DOI: 10.1002/smj.2331.

[18]
Certo ST, Semadeni M. Strategy research and panel data: Evidence and implications. Journal of Management, 2006, 32(3): 449-471. DOI: 10.1177/01492063052833.

[19]
Cheyre C, Klepper S, Veloso F. Spinoffs and the mobility of U.S.merchant semiconductor inventors. Management Science, 2015, 61(3): 487-506. DOI: 10.1287/mnsc.2014.1956.

[20]
Stough R R. Learning regions, clusters and resiliency:A typology of regional and cluster dynamics. In: Baycan T, Edward Elgar Publishing, Pinto H. Resilience, crisis and innovation dynamics: New horizons in regional science series. 2018: 251-266.

[21]
李连刚, 张平宇, 谭俊涛, 等. 韧性概念演变与区域经济韧性研究进展. 人文地理, 2019, (2): 1-7.

[ Li Liangang, Zhang Pingyu, Tan Juntao et al. Review of the evolution of resilience concept and research progress on regional economic resilience. Human Geography. 2019, (2): 1-7.] DOI: 10.13959/j.issn.1003-2398.2019.02.001.

[22]
Arts S, Fleming L. Paradise of novelty-or loss of human capital? Exploring new fields and inventive output. Organization Science, 2018, 29(6): 1074-1092. DOI: 10.1287/orsc.2018.1216.

[23]
Misa T J. Digital State:The Story of Minnesota's Computing Industry. University of Minnesota Press: Minneapolis, 2013:290-310.

[24]
Behrens K, Boualam B, Martin J. Are clusters resilient? Evidence from Canadian textile industries. Journal of Economic Geography, 2020, 20(1): 1-36. DOI: 10.1093/jeg/lby064.

[25]
俞国军, 贺灿飞, 朱晟君. 产业集群韧性: 技术创新、关系治理与市场多元化. 地理研究, 2020, 39(6): 1343-1356.

DOI

[ Yu Guojun, He Canfei, Zhu Shengjun. Industrial cluster resilience: Technological innovation, relational governance, and market diversification. Geographical Research. 2020, 39(6): 1343-1356.] DOI: 10.11821/dlyj020190560.

[26]
Alcácer J, Zhao M. Zooming in: A practical manual for identifying geographic clusters. Strategic Management Journal, 2016, 37(1): 10-21. DOI: 10.1002/smj.2451.

[27]
Ellison G, Glaeser EL. Geographic concentration in U.S.manufacturing industries: A dartboard approach. Journal of Political Economy, 1997, 105(5): 889-927. DOI: 10.1086/262098.

[28]
Alcácer J, Zhao M. Local R&D strategies and multi-location firms: The role of internal linkages. Management Science, 2012, 58(4): 734-753. DOI: 10.1287/mnsc.1110.1451.

[29]
Delgado M, Porter M, Stern S. Clusters, convergence, and economic performance. Research Policy, 2014, 43(10): 1785-1799. DOI: 10.1016/j.respol.2014.05.007.

[30]
Scholl T, Brenner T. Detecting spatial clustering using a firm-level cluster index. Regional Studies, 2016, 50(6): 1054-1068. DOI: 10.1080/00343404.2014.958456.

[31]
Bai J, Perron P. Computation and analysis of multiple structural change models. Journal of Applied Econometrics, 2003, 18(1): 1-22. DOI: 10.1002/jae.659.

[32]
Delgado M, Porter ME, Stern S. Clusters and entrepreneurship. Journal of Economic Geography, 2010, 10(4): 495-518. DOI: 10.1093/jeg/lbq010.

[33]
Kim M J, Shaver J M, Funk R J. From mass to motion: Conceptualizing and measuring the temporal dynamics of industry clusters. Strategic Management Journal, 2022, 43(4): 822-846. DOI: 10.1002/smj.3354.

[34]
毛其淋, 盛斌. 中国制造业企业的进入退出与生产率动态演化. 经济研究, 2013, 48(4): 16-29.

[ Mao Qilin, Sheng Bin. China's manufacturing firms' entry-exit and dynamic evolution of TFP. Economic Research Journal. 2013, 48(4):16-29.]

[35]
Kim D, Kim S, Lee JS. The rise and fall of industrial clusters: Experience from the resilient transformation in south Korea. The Annals of Regional Science, 2022: 1-23. DOI: 10.1007/s00168-022-01170-6.

[36]
邬爱其. 超集群学习与集群企业转型成长: 基于浙江卡森的案例研究. 管理世界, 2009, (8): 141-156.

[ Wu Aiqi. Learning surpass that of indusrial cluster and cluster rirms' transformation and growth: A case study based on Zhejiang Kasen. Journal of Management World. 2009, (8): 141-156.] DOI: 10.19744/j.cnki.11-1235/f.2009.08.015.

[37]
刘志彪. 新冠肺炎疫情下经济全球化的新趋势与全球产业链集群重构. 江苏社会科学, 2020, (4): 16-23.

[ Li Zhibiao. The new trend of economic globalization and the reconstruction of global industrial chain clusters under the COVID-19 pandemic. Jiangsu Social Sciences. 2020, (4): 16-23.] DOI: 10.13858/j.cnki.cn32-1312/c.2020.04.001.

[38]
Frenken K, Cefis E, Stam E. Industrial dynamics and clusters: A survey. Regional Studies, 2015, 49(1): 10-27. DOI: 10.1080/00343404.2014.904505.

[39]
Pudelko F, Hundt C, Holtermann L. Gauging two sides of regional economic resilience in western Germany: Why sensitivity and recovery should not be lumped together. Review of Regional Research, 2018, 38(1): 141-189. DOI: 10.1007/s10037-018-0124-4.

[40]
沈鸿, 向训勇. 专业化、相关多样化与企业成本加成-检验产业集聚外部性的一个新视角. 经济学动态, 2017, (10):81-98.

[ Shen Hong, Xiang Xunyong. Specialization, related diversification and firms' markups: A new perspective on testing the externalities of industrial agglomeration. Economic Perspectives, 2017, (10): 81-98.]

Options
Outlines

/

〈 〉