制造业与生产性服务业聚集及空间可分性研究——以深圳市为例

章 文，李 彦，张 莉

(1.中山大学地理科学与规划学院，广东广州510275;2.广东省城市化与地理环境空间模拟重点实验室，广东广州510275;3.深圳行政学院，广东深圳518034;4.深圳市财政委员会，广东深圳518034)

一、引 言

城市产业空间结构的演变伴随着城市中产业的成长和产业结构的演变表现出来，城市产业结构和产业成长最突出的特点就是从制造业经济到服务经济的演变，生产性服务业在国民经济发展中具有举足轻重的地位，已成为现代城市尤其是国际性大都市的重要特征。从制造经济到服务经济正是分工不断发展深化的表现，在此过程中，由于信息技术、交通物流的快速发展，引起了城市空间的重构，生产性服务业和制造业在追求集聚经济的同时，也引发了空间可分性现象。

产业聚集是有一定联系或同类企业在空间上邻近的经济地理现象，产业［1］和经济［2］空间聚集可以利用基于空间邻近矩阵的Moran指数和LISA(local indication of spatial association)图进行判别，但产业间的空间可分性研究还停留在定性分析阶段。邱灵等基于北京市生产性服务业和制造业企业的LISA图初步判断了两者具有空间可分性［3］;周鹏等运用生产性服务业与制造业的行业集中度CR相关系数来判断两者整体空间布局的相关性［4］。目前产业空间可分性的定量分析仍较为缺乏。

本文以深圳市为例，在构建制造业与生产性服务业企业空间化信息的基础上，以Moran指数及其变体双变量Moran指数为空间统计分析方法，探索制造业与生产性服务业聚集的热点区域，并以定量测度的形式研究两者间的空间可分性问题。

二、数据收集和空间化处理

按照数据的可得性及研究的角度不同，现有研究对生产性服务业划分也有所不同［5］。本文按照《国民经济和社会发展第十二个五年规划纲要》中分类方法，将生产性服务业分为金融服务业、现代物流业、高技术服务业和商务服务业，对应于《国民经济行业分类》(GB/T 4754—2002)字母分类代码分别是:J金融业，F交通运输、仓储和邮政业，G信息传输、计算机服务和软件业，L租赁和商务服务业。以此作为生产性服务业的归类依据，从企业注册登记基本数据中根据行业分类代码筛选出深圳市制造业企业85 781家和生产性服务业企业106 304家，并关联到深圳市58个街道级城市空间网格中(如图1所示)，形成匹配度较高的产业空间数据库作为制造业和生产性服务业空间聚集和空间可分性测度实例数据来源。

图1 深圳市制造业与生产性服务业空间分布柱状图

三、研究方法

1.Moran指数

Moran指数［6］是用来度量产业空间自相关的常用全局指标，它反映的是空间邻接或空间邻近区域单元产业属性值的相似程度，能够探索产业等要素的空间聚集模式［7］。设空间单元i上产业企业数观测值为xi，则产业的全局Moran’s I用下式计算

式中，n是产业属性样本观测数;wij为空间单元i、j之间的空间邻接矩阵x )2。全局 Moran’s I的取值在［-1，1］，小于 0 表示负相关，大于0表示正相关，等于0表示不相关，即空间随机分布。

为弥补全局性的产业空间自相关Moran’s I方法只能解决“产业是否存在空间聚类”问题的不足，局域性聚类分析方法的提出可以直观呈现和分析产业聚类具体位置和范围。局域聚类指标Local Moran’s I可用来识别具有统计显著性的局域热点、冷点和空间异常值的具体位置及程度。局部Moran指数Ii定义为

2.双变量Moran指数

在空间自相关Moran指数基础上，参见单变量方程可以构造出双变量Moran指数［8］。双变量Moran’s I揭示了给定空间单元上属性值与邻居上其他属性值的相关性，因此可作为刻画产业空间分异的有效工具。全局双变量Moran’s I对应的产业空间自回归统计量为

局域双变量产业Moran空间相关指数为

3.Moran散点图

散点图在数据分析中是较为常用的一种图形可视化方法，当散点图的横轴表示一个变量在不同位置上观测值标准化向量z，纵轴表示该变量的空间滞后因子 Wz时，就构成了 Moran散点图(Moran scatterplot map)［9］。以(z，Wz)为坐标点的 Moran 散点图常用来表示要素空间关联总体平稳程度。Moran散点图相对于其他空间分布分析方法，优势在于能够具体区分空间单元和其近邻单元上产业属于高值-高值、低值-高值、低值-低值、高值-低值之中的何种空间联系形式。Moran散点图对产业观测标准化值z和空间滞后因子Wz进行了可视化的二维图示，全局Moran’s I可以看作是 Wz对于z的线性回归系数，对Moran’s I具有强烈影响的空间单元可以通过参与标准回归来诊断。对应于Moran散点图不同象限，可将研究区域划归到不同的空间联系类型［10］。Moran散点图的4个象限分别对应于空间单元与其邻近单元之间4种类型的局部空间联系形式:第Ⅰ象限代表了企业数高值的空间单元被同是产业属性高值的区域所包围的空间联系形式，即高值-高值象限;第Ⅱ象限代表低值-高值象限;第Ⅲ象限代表低值-低值象限;第Ⅳ象限代表高值-低值象限。

四、产业空间聚集性分析

1.制造业聚集模式

通过GeoDa 1.4计算得到深圳市制造业Moran’s I值为0.593，说明制造业具有较强的空间自相关性。从Moran散点图(如图2(a)所示)可以看出影响Moran指数值的影响因子主要为第Ⅰ象限的高-高值散点，结合LISA图(如图2(b)所示)，深圳市制造业为显著高-高聚集的区域主要集中在靠近东莞的宝安区(含龙华新区)的新安、西乡、福永、石岩、沙井、公明和松岗街道，以及南山区的西丽街道等8个街道，占全市街道网格总数的14%，这些空间单元位于Moran散点图第Ⅰ象限(高-高值象限)，对周边区域具有产业扩散效应。制造业低-低塌陷区域主要在罗湖区的翠竹、黄贝、莲塘街道，福田区的梅林街道，盐田区的海山、沙头角街道，以及大鹏新区的大鹏街道等，这些街道以发展商业、高新技术业和旅游业为主。从整体地理区位分布上来看，制造业高-高值聚集分布格局位于城市中心外围区域，在空间上邻近深圳西北向同为制造业较发达的东莞地区，反映了同类经济活动空间上趋向集中，城市间产业引力效应明显。而东北部的惠州由于制造业相对不发达，对深圳市制造业的互引力也较弱，因此深圳东部制造业空间自相关性不够明显。

图2 深圳市制造业聚集性测度

2.生产性服务业聚集模式

深圳市生产性服务业 Moran’s I值为 0.365，具有一定的空间自相关性。从生产性服务业Moran散点图(如图3(a)所示)可以看出，其Moran’s I值同样主要受第Ⅰ象限的高-高聚集的影响，LISA图(如图3(b)所示)显示出深圳市生产性服务业高-高值主要聚集在福田区的沙头、福田、南园、华强北、莲花街道和罗湖区的桂园、东门等7个街道，占全市街道网格总数的12%。生产性服务业低-低值塌陷区主要在东部的大鹏、葵涌、坪山、盐田等街道，这些街道服务业还有深入开发的潜能。深圳市生产性服务业企业空间集聚在位于毗邻香港的南部区域，这种空间上的靠近有助于深圳自发展伊始便能方便地从香港获得生产性服务业发展所需的信息、人才和资金等支持，形成了循环积累因果式的促进集聚力量。而基于CEPA框架下深港合作备忘录的签定及配套政策的实施，标志了深港区域经济一体化程度的加深，这进一步强化了深圳市生产性服务业空间聚集的路径依赖。

图3 深圳市生产性服务业聚集性测度

五、空间可分性测度

本文分别讨论了深圳市制造业和生产性服务业的分布格局，测度结果表明两者各自均具有较为明显的空间自相关性，并呈现出不同的空间聚集特征，那么制造业和生产性服务业之间是否具有空间关联性或可分性，则需要对两者间的空间相关性进行计量。以制造业为空间相关被解释变量，测度其对生产性服务业的空间依赖性，经计算得到制造业与生产性服务业双变量 Moran’s I为-0.046，全局 Moran’s I值接近为0，表示生产性服务业对于制造业而言几乎无空间相关性，空间关系呈随机分布。同理可以计算出制造业对生产性服务业的全局双变量Moran’s I为-0.089，也接近为 0。换句话说，深圳市制造业和生产性服务业空间相互依存性较弱，空间分布上有着显著的可分性。Moran散点图(如图4(a)所示)显示第Ⅰ、Ⅱ、Ⅲ、Ⅳ象限的散点均较为靠近原点，虽有离群值存在，但由空间观测标准化值和滞后量值构成的坐标系中样本散点的线性回归直线近乎紧贴横轴，即Moran’s I接近为0;在LISA集聚图(如图4(b)所示)中，虽有个别街道属于高-高值聚集区域，但占比较小，仅占总数的5%，且不能对全局Moran’s I值的大小产生影响。通过全局和局域双变量Moran’s I的计算可以判定出深圳市制造业与生产性服务业具有空间可分性特点。

图4 深圳市制造业与生产性服务业空间可分性测度

六、结束语

综上所述，首先Moran’s I值可以表征产业空间自相关性的强弱，Moran散点图能够解释偏离全局空间模式的局部空间关联类型和局部空间关联是否稳定，以及影响Moran’s I值的是以高-高值聚集为主还是其他类型空间联系为主，LISA图则将产业聚集情况投影到街道格网单元上，直观显示出具有产业扩散效应的高-高值聚集所在区域。以此衍生出来的双变量Moran’s I、散点图及其LISA图揭示的是一个产业属性变量与其他产业属性变量的空间相关性，据此可以作为生产性服务业与制造业空间可分性测度判别依据。此外它还具有直观、可视化等特点。

从深圳市的产业实例中可以看到，深圳市制造业在靠近东莞的宝安等区街道上高-高值聚集，生产性服务业则在靠近香港的福田、罗湖部分街道呈现高-高值聚集，深圳市制造产业和生产性服务业因区位指向、内在联系和对规模经济的追求在地理空间上形成了集聚现象，这也与城市内部的区位条件和城市外部产业环境有关。双变量Moran’s I空间相关性分析则表明该两者间没有显著的空间相关性，或者说深圳的制造业和生产性服务业具有空间上的可分性，从而定量描述出产业间的空间关联程度。制造业和生产性服务业的聚集关联模式及两者空间可分性研究对推动城市产业升级、优化产业规划布局有着积极的理论参考和实践指导意义。

［1］栾贵勤，高志强.江苏省生产性服务业发展差异的空间统计分析［J］.开发研究，2012(4):59-62.

［2］王全.基于ESDA的上海地区经济关联模式研究［J］.测绘科学，2011，36(5):95-97.

［3］邱灵，申玉铭，任旺兵.北京生产性服务业与制造业的关联及空间分布［J］.地理学报，2008，63(12):1299-1310.

［4］周鹏，余珊萍，胡凯.生产性服务业与制造业空间布局升级间相关性分析［J］.统计与决策，2011(5):93-95.

［5］吉亚辉，李岩，苏晓晨.我国生产性服务业与制造业的相关性研究——基于产业集聚的分析［J］.软科学，2012，26(3):15-19，38.

［6］MORAN P.Notes on Continuous Stochastic Phenomena［J］.Biometrika，1950，37(1):17-23.

［7］周天墨，付强，诸云强，等.空间自相关方法及其在环境污染领域的应用分析［J］.测绘通报，2013(1):53-56.

［8］ANSELIN L，SYABRI I，SMIRNOV O.Visualizing Multivariate Spatial Correlation with Dynamically Linked Windows［C］∥Proceedings of the Specialist Meeting In New Tools for Spatial Data Analysis.Santa Barbara:University of California，2002.

［9］ANSELIN L.The Moran Scatterplot as an Esda Tool to Assess Local Instability in Spatial Association［C］∥Gisdata Specialist Meeting on GISand Spatial Analysis.Amsterdam，the Netherlands:West Virginia University，1993.

［10］张连均，张晶，侯晓慧，等.江苏省人口分布的空间自相关分析［J］.首都师范大学学报:自然科学版，2010，31(4):7-10.