产业集聚的测度及其动态变化——基于北京企业微观数据的研究，本文主要内容关键词为：微观论文,北京论文,产业集聚论文,动态论文,数据论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 集聚是经济活动最突出的地理特征[1]，产业集聚是一个世界性经济现象，很多研究关注集聚的形成机制及集聚经济效益[1－3]，但首先需要回答关于产业集聚的一些基本问题：集聚程度如何？集聚在哪个尺度上发生？哪些产业出现集聚？集聚的出现是偶然现象还是非随机的？探索合适的方法来科学衡量经济活动的空间集聚一直是经济学家和地理学家关注的领域，Combes and Overman[4]列出了理论上产业集聚测度指标应满足的条件，目前满足这些条件最多的是Duranton and Overman[5]提出的方法(以下简称DO指数)、Marcon and Puech[6]提出的M函数及Scholl and Brenner[7]提出的方法，它们满足：①行业间可比；②能够控制经济活动的总体集聚程度；③能够控制行业集中程度；④空间尺度的改变不会影响指数估计值的无偏性；⑤能够对估计结果进行显著性检验。这些学者都认为一个好的集聚测度指标应满足这5个条件，而国内外绝大部分测度指标都不满足这5个条件。三个方法中，DO指数在国外得到相对较多的应用[5,8-10]，后两个方法在国际上几乎尚无实际应用。而这些测度方法在中国几乎都尚未有实际应用，何玉梅等[11]在借鉴DO指数和M函数时对其作了较大简化，但不满足上述5个条件。 除测度方法，产业集聚测度研究还涉及空间尺度及行业层次的选择，相关研究表明[11－13]不同空间尺度及不同层次行业上，中国产业集聚的形成机制和影响因素存在显著差异。更小的空间尺度和更细的行业层次对技术外部性研究至关重要[14]，国外研究已细化到企业精确地理位置，行业层次也很细[10]。笔者阅读范围内，国内现有产业集聚研究在测度方法、空间尺度及行业层次选择上或多或少都存在问题，有些进行了小尺度集聚研究，但行业分类较粗，测度方法也存在问题[15]，有些进行了三位数、四位数行业的集聚研究，但使用传统测度方法且研究尺度较大[12,16]，少数学者进行了细化行业和小尺度的集聚研究，但测度方法存在问题[11]。国内选择了较好的测度方法，同时考察了细化行业层次及行业在任意空间尺度上集聚与分散情况的研究基本处于空白。与国家、省等大区域尺度上的产业集聚相比，中国针对城市内部的研究非常薄弱[13]，且国际上用微观空间数据来进行空间经济学分析的研究还很不足[7]。基于以上分析，本文选择符合上述5个条件的DO指数利用北京企业微观数据进行任意空间尺度细化行业的产业集聚测度研究。 二、研究方法与数据说明 1.产业集聚方法评述 行业地理集中的测度方法主要分为基于单一地理尺度的测度方法和基于距离的集聚测度方法，刘春霞[17]对基于单一地理尺度的测度方法进行了介绍和总结，本文在此基础上根据上述5个条件对这些方法进行简单评述。Herfindahl指数、Herschman－Herifndahl系数、熵指数、Isard指数、Theil指数不符合其中任意一个条件。空间基尼系数控制了经济活动的总体集聚，使得不同行业的计算结果可比，但它不符合后3个条件，不能区分出经济活动的集聚是因为少量大企业在少数区域集中还是大量中小企业集聚的结果，且空间尺度的改变会影响计算结果，存在可塑性面积单元问题(MAUP)，即产业集聚分析的结果会随着空间单元的大小和区域空间单元划分方法的不同而改变。E－G指数及M－S指数克服了上述方法的一些缺陷，符合前3个条件，同时它还区分了随机集中与企业间由于共享外部性或自然优势产生的集中，但仍存在“MAUP”效应。另外，这些指标基本都是用来衡量整体行业地理集中，不能探测局部集聚模式。Anselin[18]提出的空间联系局部指标(Local Indicators of Spatial Association,LISA)可揭示集聚的局部空间模式，但LISA也存在“MAUP”效应，如：应用最为广泛的局部莫兰指数要对空间预先进行人为划分，且不能辨识周围邻居的不同空间排列组合。基于距离的产业集聚测度方法则有效避免了“MAUP”效应，他们是空间上的连续函数，可在各个空间尺度上考察经济活动的分布。Marcon and Puech[19]对各种基于距离的产业集聚测度方法进行了详细的介绍和总结，本文在此基础上根据上述5个条件对这些函数进行简单评述。K函数及L函数测度的是绝对集中，没有控制总体集聚程度，也没有控制集中程度，不符合2、3这两个条件；以K/L函数为基础发展起来的其他函数，包括
函数、O(r)/g(r)函数、
函数也都不满足2、3这两个条件；D函数不满足1、3这两个条件；
函数虽然控制了集中程度，但没有控制总体集聚程度，因此这些指标不太适合在产业集聚测度中应用。DO指数和M函数都符合上述的5个条件，DO指数可以准确探测集聚的局部空间模式，M函数可以更好地探测整体集聚趋势，两个函数相互补充[6]。 极少的研究用到这两个新指数。主要原因有两点：一是这一方法对数据的要求很高，需要企业的精确位置；二是因为计算的复杂性，模拟检验有大量的计算要求。本文尝试计算M函数，发现M函数比DO指数的计算时间要长很多。Scholl and Brenner[7]指出他们的方法也满足上述5个条件，但他们函数中的距离并不是实际距离，因此不能揭示集聚或分散在哪个距离上发生。本文选择DO指数，原因是本文主要关注产业集聚的局部空间模式，国内研究在这一方面非常缺乏，而DO指数在这一方面较其他指数具有优越性。具体分析见第六部分。 2.DO指数测算方法 DO指数的测算主要包括三个步骤：①选择相关的研究对象；②计算所有点对之间距离的密度，这一方法在空间尺度改变和加总时是无偏的，因此满足第4个条件；③通过蒙特卡洛模拟建立置信区间，为满足第1个和第3个条件，模拟的行业与考察行业有相同数量的企业，任何行业内的每个企业只能占据一个点位，且可以考虑企业规模。这些企业随机分布在所有现有点位上，这样就控制了制造业的全局分布，满足第2个条件，最后建立置信区间来判断集聚和分散以满足第5个条件。 (1)k－density函数。k－density函数[5]是距离的密度函数，以下简称
函数，对于行业I，如果企业数为n，则共有n(n－1)/2个不同的距离对，欧式距离只是实际距离的一个近似，因此使用核平滑来估计距离的分布。那么任意距离d上距离对密度估计值如下：
其中
为i，j之间的距离，h为Silverman[20]的最优带宽，f为高斯核函数，所有的距离以公里为单位。边界问题采用Silverman[20]提出的反射方法来处理。 (2)局部置信区间。本文通过蒙特卡洛模拟来建立置信区间，对有n个企业的行业I，从所有企业分布点位S中随机选择n个点位(无放回抽样)，实际就是n个企业在所有点位S上进行重新随机分配，每个行业进行1000次模拟①，计算模拟企业的
值，得到上下包迹线(Envelopes)，即置信区间。具体如下：在行业I的每个距离上对这1000个值按升序排列，并选择第5％和第95％的值作为下置信带的值和上置信带的值，从而获得95％的置信区间，上置信带和下置信带的值分别表示为
，如果
，那么本文就认为这个行业是集聚的(5％的置信水平)，同样的，如果
，那么这个行业则是分散的(5％的置信水平)，集聚和分散指数分别给定如下：
据此，
分别表示行业I在距离d是集聚(在上置信带以上)和分散的(下置信带以下)，否则是不存在显著的集聚或分散(置信带之间)。 (3)全局置信区间。α和β指数只反映了局部集聚和分散的信息，即使是随机分布的行业也有可能在某些距离上呈现集聚或分散，为此需要建立全局置信区间。全局置信区间是局部置信区间在多个目标距离上的联合估计，没有一个局部置信区间能包含所有局部置信区间95％的模拟值。为了使全局置信区间能包含多个目标距离上95％的模拟值，DO指数选择多个距离上的局部极值进行插值，得到95％的全局置信区间。
为I行业上置信带的值，如果在至少一个目标距离上出现
，就认为这个行业是集聚的。在定义分散时，DO指数认为，短距离内，如果
值异常小，可以解释为分散，但在长距离时，这样解释则是有问题的，长距离上
值异常小表示很少企业远离彼此，即表示企业在较短距离上集聚，所有距离上的
值加和必须为1，短距离的高度集聚就代表了长距离的分散。因此，他们对全局分散指数做了如下定义：
为行业I下置信带的值，当行业I至少一个目标距离上出现
且没有出现集聚，这个行业才是分散的。 对于任何一个行业，全局集聚与分散指数分别给定如下，全局集聚指数：
较短距离的高度集聚(分散)就代表了长距离的分散(集聚)，因此DO指数认为只需要考察短距离的分布情况。为了使所有行业方便比较，DO指数选择了所有点对距离的中位数作为门槛值，在这段距离上考察集聚与分散的情况。本文中制造业有47000多条数据，所有点对之间距离的计算量非常大，因此本文选择抽样计算了一亿个点对距离的中值作为门槛值，门槛值为35km。 (4)解释和示例。为了更好地理解上述方法，图1给出了示例。图1(a)是集聚的例子，通信设备制造业(SIC401)的K[,d]函数值在1km—20km范围内都在全局置信带以上，因此在这个范围内是集聚的，整个通信设备、计算机及其他电子设备制造业(SIC40)都是类似的分布模式；图1(b)是分散的例子，软饮料制造业(SIC153)的
函数值在1km—35km范围内都在全局置信带以下，所以它在整个考察范围内都表现出分散趋势。
图1
值、局部和全局置信区间的示例 资料来源：作者计算，以下各图同。 3.数据说明 本文数据为截至2010年年底在北京工商局注册的所有企业数据，其中制造业企业47239家。数据库提供了员工人数、行业类型、成立时间以及详细地址等信息，通过详细地址本文对几乎所有的企业都进行了精确的地址匹配(Geocoding)。本文集中分析制造业(SIC13－43)集聚情况，把采掘业以及电力、煤气和水生产和供应业排除在外，是因为这些行业的集聚程度在很大程度上依赖于自然资源的分布，对其进行集聚分析的经济学意义不大[21]。 一些企业缺少员工数据，因没有理想的预测变量，且数据带有空间属性无法使用一般的数据补全方法，只能直接剔除这些数据。另外，企业总部和所属企业往往合并在一起，对外提供企业员工的数据，像中石油这样的大企业就有这样的问题，这些数据没有好的方法进行处理也不能随意剔除，本文认为偏大的员工人数对企业总部在产业集聚中的较大作用也有一定代表性。 三、不考虑企业规模的产业集聚分析 北京四位数行业门类不齐全且不少行业企业数量较少，难以进行产业集聚分析，三位数行业门类较齐全且企业数量相对较多，因此选择三位数行业进行研究。本文重点考察了所有企业的分布模式，称为基准分析，同时利用员工人数对企业进行了加权分析，这两个分析考察了不同对象：一是对企业集聚程度的分析，另一个则是对员工人数集聚程度的分析。DO指数的计算使用R软件完成。 1.集聚和分散的总体态势及空间特征 (1)总体而言，集聚行业数占最大比例，具体如下：152个三位数行业中有60个(39％)是全局集聚的，39个(26％)是全局分散的，还有53个(35％)不存在显著的集聚或分散。 (2)大部分集聚行业在最短距离范围内呈现集聚，这点与英国制造业[8]及日本制造业[10]的研究结果类似，图2显示了每个距离上全局集聚和全局分散的行业数。全局集聚的集聚数在1km处最大，53个(35％)行业集聚，集聚数随距离的增大而递减。全局分散则显示出不同的格局，整个考察范围内先上升后下降，各个距离上分散行业数差距不太大。北京集聚行业数的空间分布与英国及日本非常相似，英国和日本集聚产业数最高值也出现在最短距离范围(1km—5km)内，集聚数随距离增大而下降，最后趋于平稳。 (3)行业最大集聚程度发生的空间尺度则相对较大。集聚指数通过公式(4)所定义的
来建立，每个距离上所有行业的集聚程度表示为
，同理，分散指数用
来表示，公式为
。图3显示了每个距离上的Γ(d)，尽管1km上集聚行业数量最多，但集聚程度却很低，集聚程度值在8km处最大，英国和日本的研究结果表明1km处的行业集聚程度最高。图3列示了每个距离上的Ψ(d)，行业分散程度与分散行业数量的分布趋势基本一致。
图2 不同距离上全局集聚与全局分散的三位数产业数
图3 不同距离上的产业集聚程度与分散程度 2.行业集聚特征分析 集聚行业集中在装备制造业，分散行业集中在低技术的劳动密集型行业，少数行业高度集聚或高度分散，高技术行业最集聚，多数集聚行业的集聚尺度较大且短距离范围内集聚程度低，多个分散行业属于重污染行业，分散范围大且分散程度高。表1列出了所有的集聚行业，可以发现，装备制造业(SIC35、36、37、39、41)、化学原料及化学制品制造业(SIC26)这6个大类行业共有30个三位数行业集聚。与上述指标类似，对于任何一个行业A，可建立一个跨不同距离的行业集聚程度衡量指标：
及行业分散程度衡量指标：
，为了观察不同行业之间的变化程度，本文将产业集聚和分散程度指数值按降序排列，发现与英国和日本的研究结果类似，只有少数行业出现高度集聚和高度分散。表1标注了十大最集聚行业，除铁路运输设备制造外，其余9个行业都是高技术行业(根据高技术产业(制造业)分类2013)，其中5个行业属于通信设备、计算机及其他电子设备制造业，2个属于仪器仪表及文化办公用机械制造业。
表1还总结了三位数行业集聚发生的最大空间尺度及最大平均集聚程度发生的空间尺度，如果产业集聚的空间尺度过大而短距离内集聚程度不高，则不利于集聚经济的产生，特别是高技术行业。本文计算了多个距离范围内的平均集聚程度，行业连续范围的平均集聚程度比单一尺度的集聚程度更能反映不同空间尺度内行业的集聚程度，单个尺度上可能出现特殊值，而连续范围的平均值更能反映总体分布趋势，因此最大平均集聚程度发生的空间尺度比最大集聚程度发生的空间尺度更具代表意义。根据产业集聚发生的最大空间尺度与最大平均集聚程度发生的空间尺度的组合情况，把集聚行业划分为以下几种类型：①“局部型”集聚，共17个行业。该类型行业的集聚发生在较小的局部范围内(10km以内)，行业类型比较多样化，装备制造业相对较多(7个)，还有其他一些都市型行业(食品、皮革、文教用品等)；该类型行业的企业数量相对较少，企业平均规模较小，基本都是中小型企业，大企业数量极少，多数行业是中小型企业在大企业附近集聚。这些行业大多不是北京重点发展的产业，行业规模较小，以及缺乏吸引中小企业集聚的大企业是这些行业在局部小区域集聚，没能扩张到较大区域范围的重要原因。②“蔓延型”集聚，该类型行业的集聚发生在较大的空间尺度上(10km及以上)，且最大平均集聚程度发生的空间尺度也较大(10km及以上)，行业数量最多，共38个。这类行业集聚范围虽大，但短距离内集聚程度较低，没有形成高密度的集聚中心，在较大空间范围内以较低集聚程度呈“蔓延型”扩张。由表1可以看出，几乎所有高技术行业都属于这一类型，北京市“十二五”时期工业布局规划中重点发展并推动集聚的其他行业，如汽车相关产业、生物和医药产业等也属于这一类型。多数这类型行业的企业数量较多，中小企业仍然是集聚的主体，大企业数量较局部型集聚产业要多，大企业周边的集聚程度较高，周边缺乏大型企业的中小型企业的集聚程度则较低，大量中小企业低密度集聚是本行业集聚类型形成的重要原因。③“中心型”集聚，数量少，共5个。这类行业集聚尺度较大但短距离集聚程度较高(5km处平均集聚程度最大)，小范围内企业密集分布使得行业形成了多个集聚中心。虽然行业数量较少，行业类型多样化，但仍可以总结出一些共性特征：中小企业是集聚的主体，产业中大企业占比在三个集聚类型中最大，较多的大企业吸引了小企业在周边分布，集聚程度较高，是本集聚类型形成的重要原因。综上分析，可以发现，中小企业是北京产业集聚的主体，但大企业是集聚发展的主要推动力，中小企业多在大企业周边集聚形成集聚区，大企业周边的区域集聚程度较高，而周边缺乏大型企业的中小型企业的集聚程度则较低。 表2列出了所有的分散行业，分散行业主要集中在农副食品加工业、纺织业、塑料制品业、非金属矿物制品业、金属制品业，造纸及纸制品业、化学原料及化学制品制造业下也有分散的三位数行业。表2标注了十大最分散行业及污染行业(根据国家环保总局对上市公司进行环保核查时明确的14个重污染行业)，十大分散行业主要集中在低技术的劳动密集型行业，分散行业中共有13个属于水泥、煤炭、化工、制药、轻工(酿造、造纸、发酵)、纺织等重污染行业，这13个污染行业共有企业近4000家，绝大部分企业规模很小，其中污染排放量很大的水泥及石膏制品制造业就有企业1132家。从表2可看出几乎所有分散行业以及所有的污染行业分散发生的最大空间尺度(20km以上)和最大平均分散程度发生的空间尺度(15km以上)都很大，北京面临污染行业分散范围大且分散程度高的环境问题。
3.行业间集聚的相互关系 (1)二位数行业的分布模式与多数下属三位数行业分布模式通常一致，如果二位数行业下属三位数行业大部分是集聚(分散)的，那么该二位数行业通常也是集聚(分散)的，但集聚(分散)的二位数行业下也有部分分散(集聚)的三位数行业。还有极少数二位数行业，如化学原料及化学制品制造业(SIC26)的分布模式与多数下属三位数行业的分布模式不同，说明了细化研究三位数行业的重要性。 (2)相同二位数行业下不同三位数行业间的分布模式也较为相似，如装备制造业几乎所有下属的三位数行业都是集聚的，而农副食品加工业(SIC13)、塑料制品业(SIC30)、非金属矿物制品业(SIC31)等行业几乎所有下属的三位数行业都是分散的，也有一些特例，如：化学原料及化学制品制造业(SIC26)下属的三位数行业分布模式较不一致，这点与英国制造业的研究结果相似。 四、考虑企业权重的产业集聚分析 1.考虑企业权重的K[,d]函数 这一部分把员工数作为企业的权重，以员工作为基本研究单位来进行产业集聚分析，计算所有不同企业的员工人数之间的相互距离，把企业i的员工人数定义为e(i)，企业j的员工人数定义为e(j)，那么考虑权重的
函数[5]变为：
其中，h为带宽，f为高斯核函数。与公式(1)中相同，本文不考虑0距离，即不考虑单个企业内员工的集中导致的地理集中，但集聚可能由一些大企业彼此临近分布导致。 2.考虑企业权重的产业集聚主要结论 (1)考虑企业权重的三位数集聚行业数量基本不变，分散行业数明显较少。56个(基准分析中为60个)三位数行业全局集聚，与基准分析基本一致。22个(基准分析中为39个)行业全局分散，分散行业数明显减少，没有显著集聚或分散趋势的行业则明显增加。 (2)考虑了企业权重的三位数行业集聚数的分布模式与基准分析基本一致。考虑了企业权重的三位数行业集聚程度的分布模式与相应的基准分析也大体一致，但短距离范围内的集聚程度却比基准分析中要小，表明北京大企业(员工数较多)没有在短距离范围内高度集聚。 (3)考虑了企业权重的集聚行业仍集中在装备制造业，这5个大类行业共有29个三位数行业集聚，分散行业集中在低技术的劳动密集型行业；少数行业高度集聚或高度分散；十大最集聚与最分散行业与基准分析相比变动不大，十大最集聚行业中有8个为高科技行业；按照集聚类型划分，有17个行业属于“局部型”集聚，该类产业类型多样化，基本都不是北京重点发展的行业；34个产业为“蔓延型”集聚，几乎所有的高科技行业仍属于这一类型；5个行业属“中心型”集聚。与基准分析相比，各类型行业数量变动不大，大部分行业的集聚类型与基准分析中一致，也有部分发生变动，如汽车行业，考虑了企业权重的汽车行业集聚属于“局部型”集聚，这主要是因为一些规模较大的汽车企业在短距离范围内集聚；与基准分析相比，有更多行业其集聚发生的最大空间尺度和最大集聚程度发生的空间尺度都在15km以上，大部分高科技行业集聚发生的最大空间尺度或最大平均集聚程度发生的空间尺度都变大，说明短距离内高科技企业规模较小。 考虑了企业权重的分散行业主要集中在农副食品加工业、塑料制品业、非金属矿物制品业、金属制品业等，造纸及纸制品业、化学原料及化学制品制造业下也有分散的三位数行业，分散行业中共有6个属于水泥、煤炭、化工、造纸、纺织等重污染行业，几乎所有分散行业以及所有的污染行业分散发生的最大空间尺度(20km以上)和最大平均分散程度发生的空间尺度(15km以上)都很大。 (4)二位数行业的分布模式还是受三位数行业分布模式影响。考虑权重后没有显著集聚或分散趋势的三位数行业增多，因此分布趋势不显著的二位数行业也增多。考虑权重后分散行业明显减少，基准分析中有较多下属三位数分散行业的纺织业(SIC17)、金属制品业(SIC34)在考虑权重后绝大部分下属三位数行业不再呈现分散趋势。 总体而言，考虑企业权重的产业集聚分析结果证实了基准分析中有关集聚的主要结论，集聚行业的数量、集聚程度、空间尺度以及不同层次行业之间的相互关系等主要结论都基本相似。 五、产业集聚的动态变化 这一部分将分析制造业集聚的动态变化，即考察制造业是否存在更加集中或更加分散的趋势。本文将回答两个问题：新进入企业是否与整个行业(新进入与原有企业)有相同的空间分布模式？如果他们有相同的分布模式，新进入企业是否与原有企业就近集聚分布？ 首先，利用Duranton and Overman[8]提出的方法考察新进入企业的布局模式，计算距离的K[,d]函数，与上述K[,d]函数相同，不再赘述。然后，建立置信区间，也与上述方法类似，如：对于行业I，如果有n个新进入的企业和m个原有企业，将n个新进入企业在行业I所有m＋n个点位上进行重新随机分配，本文进行1000次这样的模拟，据此按照与上述相同的方法建立局部和全局置信区间。 本文把成立时间小于10年的企业定义为新进入的企业，剔除新进入企业数小于10的行业后共考察了123个三位数行业。其中，与整个行业分布相比，表现出明显集聚的行业22个(18％)，行业所属的二位数行业类型比较多样化，只有4个行业属于高技术行业；表现出明显分散的行业18个(15％)，其中装备制造业相关行业占了一半；另外83个(67％)行业没有显著的集聚或者分散趋势。 通过考察新进入企业的分布模式，可分析整个行业空间布局的变动趋势，如果新进入企业的空间布局模式与整个行业类似，相对整个行业，它们没有显著的集聚或分散趋势，那么通过外推法，可得出行业不会因新企业的进入在某些空间尺度上变得更加集聚或更加分散，行业的空间分布格局保持稳定。新进入企业集聚的三位数行业所属的二位数行业类型非常分散，本文计算了新进入企业集聚分布的行业的集聚指数与整个行业集聚指数的Spearman相关系数，发现相关系数为－0.077，且统计不显著，表明新进入企业的集聚程度与整个行业的集聚程度几乎不相关。图4显示了新进入企业集聚与分散行业数的空间分布，可以看出整个考察范围上新进入企业集聚分布的行业都较少，相对集中在较短范围内，而分散行业数在整个考察范围内变动不大，这与基准分析中整个行业的空间分布模式有些类似。
图4 不同距离上全局集聚与全局分散的行业数 更进一步，本文考察新进入的企业是否临近原有企业分布，因此需要计算新进入企业和原有企业的距离分布，如果行业I有n个新进入的企业以及m个原有企业，那么就有n×m个不同的距离对，然后计算每个距离上的
函数，公式如下：
建立置信区间，例如对于行业I，将新进入企业和原有企业在行业I所有(m＋n)个点位上进行重新随机分配，本文进行1000次模拟，按照与上述相同的方法建立局部和全局置信区间，考察新进入企业与原有企业距离的实际密度是否比上下置信带的值更大或更小，以判断新进入是否与原有企业发生共聚(Colocalization)或远离原有企业，本文称之为互散(Codispersion)。 结果表明近60％三位数行业中，新进入企业与原有企业有相似的分布模式，这表明随着时间的发展，大部分行业总体上不会变得更加集聚或更加分散；还有40％左右行业的分布模式是变动的，那么经过多年发展，这些行业可能会更加集聚或更加分散，或者行业集聚区发生移动。在123个三位数行业中，与原有企业共聚的行业有29个(24％)，远离原有企业的有22个(18％)，与原有企业的分布模式没有显著差异的行业有72个(58％)，这与英国及日本制造业的研究结果类似。与原有企业共聚的三位数行业主要集中在装备制造业，通用设备制造业(SIC35)、专用设备制造业(SIC36)以及电气机械及器材制造业(SIC39)这三个行业共有14个下属三位数行业出现共聚；所有行业发生共聚的尺度都较大，没有行业在12km范围内出现共聚；只有3个高科技行业发生了共聚，且共聚发生的空间尺度在20km以上；大部分北京市“十二五”时期工业布局规划中重点发展并推动集聚的行业都没有发生共聚。互散的三位数行业主要集中在农副食品加工业、纺织业、非金属矿物制品业等二位数行业下。图5显示了共聚和互散的产业数及发生的空间尺度，总体而言，共聚和互散的产业数较少，所有行业共聚发生的空间尺度都较大，而有较多行业在小尺度上互散。
图5 不同距离上全局共聚与全局互散的行业数 六、与其他研究方法的对比分析 1.与单一地理尺度测度方法研究结果的对比分析 孟晓晨等[22]利用2001年北京企业数据选用MS指数对北京制造业集聚程度进行了测度，本文利用同一年份相同的数据集进行测算，因此研究结果具有可比性，本文发现了以下问题：①集聚和分散行业的差别比较大，本文得出更多的行业是集聚的，他们得出的分散行业，如：医药制造业、化学原料及化学制品制造业、电气机械及器材制造业等在本文中都是集聚的。②他们用人为给定MS值进行产业集聚与分散的判断，只有集聚和分散两种类型；DO指数进行了显著性检验，除了显著集聚和分散外，还有少数没有显著集聚和分散趋势的行业。 主要原因有：①MS指数以行政区为基本研究单位，存在MAUP效应，这会导致产业集聚分析结果有很大的偏误；DO指数避免了MAUP效应，可探测到任何空间尺度的集聚或分散信息，因此能够探测到更多的集聚行业类型。②单一地理尺度的测度方法(MS指数)不能进行指标的显著性检验，不能科学给定唯一的判断集聚或分散的数值，人为给定划分标准，因此不能辨识出显著集聚或分散的行业，也不能辨识出没有显著集聚或分散趋势这一类型；而DO指数通过蒙特卡洛模拟给定了一个每个尺度上唯一的判断集聚或分散的数值，并给出了集聚和分散的显著性水平。 2.与基于距离的测度方法研究结果的对比分析 刘春霞等[15]利用2001年北京企业数据选用M函数②对北京市制造业的集聚进行了测算，本文也采用了同一年份相同的数据源，选择了部分行业进行了带权重的集聚分析，两者有以下不同之处：①他们得出所有考察的25个二位数制造业都是集聚的，包括普遍认定为分散型行业的饮料制品业，本文对其中一些行业进行验证，发现结果相差非常大，他们计算出橡胶制品业在1km—40km上高度集中，本文得出橡胶制品业在1km—35km没有明显集聚或分散趋势，饮料制品业、造纸和纸制品业以及非金属矿物制品业都是分散的。②他们所探测到的产业集聚尺度偏大，如，他们得出电子及通信设备制造业、石油加工及炼焦业的集聚范围都是1km—40km，而本文得出电子及通信设备制造业的集聚范围为1km—24km。③他们的研究结果中所有行业只在一个连续区段范围集聚或分散，没有出现多个尺度范围上的集聚或分散，DO指数能探测到详细的局部模式，如木质家具制造在4个不同空间尺度上集聚。 存在较大偏差的主要原因有：①他们不能进行显著性检验，指数大于某个值则认为是集聚的，即使是随机分布的行业也可能呈现集聚，他们不能拒绝那些呈现集聚的随机分布，DO指数通过建立全局置信区间避免了这个问题，这也是他们的研究结果中所有行业都呈现集聚分布的一个重要原因。②M函数是累积分布函数，某一尺度的局部模式受到了临近尺度分布模式的影响，是多个尺度的综合结果，这可能导致分散行业由于某些极高的“随机集聚值”而被误判为集聚行业，如果某些尺度上集聚程度很高，就会增加相邻区域的集聚值，因此被判断为集聚的尺度就会增大，这也是出现第二点和第三点偏差的原因，累积密度函数不能准确探测到局部模式，而DO指数是概率密度函数，可以准确探测到任何尺度的局部分布模式，避免了上述几个问题。 七、结论与政策启示 本文将DO指数引入到产业集聚测度中，科学测度了各行业在任意空间尺度上的集聚与分散情况，同时分析了行业的共聚与互散，考察了产业集聚的动态变化，丰富了国内产业集聚的研究内容。本文研究表明：大部分集聚行业，包括高技术行业，集聚发生的空间尺度大而短距离集聚程度不高，且随着时间发展这些行业集聚程度没有提高，少数可能变得更加集聚的行业发生共聚的尺度也较大；污染行业分散尺度大且分散程度高；小企业是北京产业集聚的主体，大企业是产业集聚的主要推动力，以大企业为主导的集聚区集聚程度较高。基于上述结论，本文有如下政策启示： (1)需采取措施大力提高北京市相关行业集聚程度，促进形成特色鲜明的产业基地和专业园区，主要原因有三点：①产业集聚程度不高是北京市工业土地利用效率低下的重要原因之一，目前，北京市工业用地规模已基本达上限，且工业用地存量不足，随着工业土地需求的增加，土地资源与产业发展的矛盾将日益突出，提高土地利用效率已刻不容缓；②行业，特别是高技术行业，集聚尺度过大而集聚程度不高，不利于小地理范围内厂商之间的技术与知识溢出以及集聚经济效益的产生；③北京政府设立了多个专业化的产业园区和基地，以汽车园区为例，但汽车行业仍广泛分布在较大的空间范围上，并没有大量集聚在范围相对较小的园区或基地内，这也导致了园区行业的同质化，专业化园区特色不明显。各类园区是北京产业集聚的重要载体，可通过园区产业空间布局的优化调整来提高北京市产业集聚程度，具体如下：一是要科学规划园区，进行合理的产业定位，形成自身特色，引导分散布局的相关产业向园区集中，这一过程中，要完善园区开发建设的土地政策，严格企业准入机制，明确企业占地要求，加强空间的精细化利用，提高整体用地效率，强化企业集聚度，同时也要完善劣势或不相关产业的腾退机制。二是推动(周边)园区间的土地和产业整合发展，形成特色鲜明的各种产业园区，提高土地利用效率，也可在更大范围上进行产业的空间结构调整，如：京津冀区域。三是给予规划政策上的支撑，建立比较完备的规划体系，促进空间规划与产业规划的空间衔接，形成专业化园区，通过有效的税费政策、供地政策以及监管政策等促进土地集约节约利用。 (2)北京面临污染企业规模小、数量较多且分散程度高的局面，依照北京“宜居城市”的目标定位，需进行污染的控制和治理。北京污染企业数量较多，以中小企业为主。中小企业因为污染排放总量大、减排技术落后、治污成本高、资金匮乏、布局分散造成的环境监管困难等成为中国工业污染治理的重点和难点。同时，北京污染产业分散程度高，有些地区难以整合利用周边治污设备集中治污，须因时因地采用相应的措施进行治理。对有条件的企业，可从采用先进适用的技术、工艺和装备推行清洁生产，发展循环经济，把废弃物资源化，引进先进的污染治理技术等方面着手。另一方面，政府需加快建设生态工业园区，进行企业布局调整，将分散的污染企业搬迁、整合集中到生态园区，扶持专业污染治理公司对污染企业进行集中控制和治理，同时规范园区内环境监管。 (3)大企业是北京产业集聚的主要推动力，吸引小企业集聚，大企业周边集聚程度较高，而中小企业集聚区集聚程度较低。因此，一方面，政府需加大扶持、培养大型企业，尤其是龙头企业，鼓励新进入或布局调整的中小企业向大企业集聚，参与大企业专业分工与协作生产。另可鼓励大型企业重点发展核心环节而将非核心业务转移出去，就近设立独立的中小企业或外包给其他中小企业，或将母体中的企业家、科技人员分离出来设立企业，这样可强化大型企业核心优势，延伸产业链，实现技术扩散，提高创新能力和集聚水平。另一方面，中小企业是产业集聚的主体，北京市政府需采取政策措施促进中小企业的健康发展，尤其是以高科技和尖端研发为主的高附加值中小企业。 注释： ①Duranton and Overman[8]指出更多的模拟次数得出相似的结果，为了减少计算量，本文也选择1000次。 ②Marcon and Peuch在2003年提出的一个函数，相对2010年提出的M函数来说非常简化，没有进行显著性检验。
标签：置信区间论文; 产业集聚论文; 集聚效应论文; 空间分析论文; 企业空间论文; 经济论文;
