水平型产业空间集群的区位型态与区位结构识别——基于中国19个主要产业的实证分析

王 鹏 周 轩



·产业组织研究·

水平型产业空间集群的区位型态与区位结构识别
——基于中国19个主要产业的实证分析

王 鹏 周 轩

以中国19个主要产业的城镇法人单位数和就业人数为研究对象，结合水平型产业空间集群的空间型态识别，分析基于水平生产关系的产业在不同空间单元的不均等分布现象。为解决空间单元间临近性问题，运用LQ指标(区位熵指标)以及G指标反映产业和空间之间的临近程度对空间单元的重要性，以此共同识别和分析水平型产业空间集群的区位型态，划分区位结构。研究结果表明：2010年和2014年中国主要产业的核心区位数变化极小，外围区位数基本不变，对应的就业人数有所下降，非水平型产业空间集群区位的数量有所增加，对应的就业人数有所下降。当区位具有水平型产业空间集群效果后，变化率较低，转移至非集群效果区位的比例更低，而非集群效果的区位更易维持在相同的区位型态。属于水平型产业空间集群的区位主要在水平空间集群间转移，约有半数产业位于核心-外围结构内，其中约有40%的产业属于高核心区位结构产业，60%的产业属于高集群区位结构产业。在两年度中，区域极化的效果越来越明显，超过60%的水平型空间集群产业位于东部地区，并且其重要区域也主要集中于东部地区。

水平型产业空间集群； 区位型态； 区位结构； 区位熵指标； G指标

一 问题的提出

改革开放以来，中国各地结合自身的资源优势，以经济建设为中心，众多具有分工合作与竞争关系的企业及相关机构聚集在同一地区，扩大产业规模，提高产品质量，呈现产业空间集群的特征。产业集群成为区域经济发展和竞争力提升的重要推动力。因此，识别、分析产业空间集群的区位型态和区位结构，提出简易可行的区位型态与区位结构识别模式及方法，对引导产业集群升级具有很强的理论价值和实践意义。本文通过对单一产业的区位集中强度和该产业在不同区位集中强度的分布结构进行研究，识别出不同类型产业空间集群的区位型态与区位结构，为产业政策分析与规划提供支持。

一些学者基于不同的立论基础，运用不同的识别指标体系以及判定模式对产业空间集群进行了识别，并探讨了相关因素对集群的影响。李兴旺和李会军(2011)[1]概括出“四能力维度”框架，并结合“雏形期”产业集群的识别指标体系及判定模型，提出了一种比较科学的识别方法。Titze et al.(2011)[2]使用投入-产出定性分析法明确区域产业集群，结果显示德国439个NUT-3地区中仅有27个地区具有明显的产业垂直化集群特征。Nishimura和Okamuro(2011)[3]通过考察日本研发生产力的“产业集群项目”，使用229个小企业的数据，对有效组织的集群政策进行了实证分析。余珮(2013)[4]基于波特的产业集群理论，结合跨国公司区位理论和中国区域经济发展不平衡结构，证明跨国公司的战略是以中国市场需求为导向的，R&D类型是影响其区位的因素之一。王腊芳等(2015)[5]结合区域集中度和行业集聚度，识别了中国高耗能产业的集群现状，并对集群的产业链关系、发展趋势及区域分布状况等进行了分析。

除了采用传统指标体系识别外，产业集群的空间区位识别是近年来的研究热点。识别方法主要利用各种空间指标或空间统计分析手段，识别单一产业中相对于整体空间区位有显著空间分布不均等的个体空间区位。如Wren(2012)[6]通过分解时不变和时变位置之间的地理集中指数，研究产业空间集群的时间范围溢出，发现溢出效应衰减时间的范围约为5年。Silva和Mccomb(2012)[7]运用区位熵和企业数量计算区位密度，发现同一行业中大企业集中度非常接近(1英里内)会增加破产率，而在更大距离上的更大集中度会降低破产率。Ord和Getis(2012)[8]在局部关联指数的基础上，开发新的局部关联指数Hi，运用该统计指标来识别集群的边界和描述集群内异方差性的本质。李华香和李善同(2014)[9]利用区位基尼系数、集中率、区位熵等指标的研究发现，中国城市服务业有明确的集聚方向，行政等级高、经济规模大的城市以及沿海城市是服务业的主要集聚区。许贤棠等(2015)[10]采取Jenks最佳自然断裂分级法生成中国省域旅游业竞争力的热-冷点区域图，研究表明中国省域旅游业竞争力热-冷点区呈现由东南向西南、东北、西北推移的阶梯状分布，形成了以长江中下游地区为热点区的典型核心-边缘结构。

已有文献多以集中或集聚指标(区位熵、赫芬达尔指数、产业集中指数、区位基尼系数)来分析产业的集中或集聚效果，进而在宏观层面上识别产业集群的空间型态(王辉等，2013)[11]。然而，此类指标多反映该地区或区位的空间重要性，无法显示区位与区位之间(空间与空间之间)的临近与分散趋势。陈莲芳和严良(2012)[12]基于产业产值区位熵、企业数量区位熵和就业区位熵提出复合区位熵(CLQ)概念，研究发现中国12个油气资源富集省区油气产业下游相对于上游发育不足，油气产业链出现“上游大，下游小”的畸形格局。Billings和Johnson(2012)[13]从一个离散数据生成过程构造区位熵，认为其统计测试的准确性取决于样本的大小和预期的信心水平，并结合县域数据与空间以及工业聚合度，检测了不同显著性水平下的产业集中度的检测精确度，发现显著性水平越精准，检测越不精确。Setiawan et al.(2012)[14]运用赫芬达尔指数和产业地理集中指数探讨印尼食品和饮料行业技术效率和产业集中度之间的关系，结果表明食品和饮料行业的特点是产业集中度高，但行业中的公司是低效的，静态寿命假设比效率结构假设更适用于印尼的食品和饮料行业。罗胤晨和谷人旭(2014)[15]运用产业地理集中度和区位基尼系数考察产业的总体集聚态势，基于图论分析法的研究表明，中国制造业有向东部沿海地区集中的态势。

产业区位结构，可解释为单一产业在不同区位空间上的分布结构与集中强度。一些学者采用空间集中和分散、产业地区专业化或多样化等指标作为区位结构变量，探讨产业区位结构与产业经济行为之间的关系。已有研究显示，产业规模、产业生产关联(水平或垂直生产关系)、地区化与专业化效果、国际出口等，均与产业空间集中和分散的趋势有关。宣烨和宣思源(2012)[16]利用江苏高新技术企业数据，试图揭示产业集聚、技术创新途径对高新技术企业出口的影响，结果表明产业集聚对企业出口具有显著的正向作用；相对于技术引进、消化吸收与二次创新，自主创新对企业出口的促进作用最为明显。李瑞琴和张晓涛(2013)[17]经过实证检验认为地区要素禀赋仍是决定我国产业区位选择的重要因素，在国际垂直专业化分工的模式下，产业的区位选择对该地区交通的便利性、地区市场的一体化程度以及地区生产性服务业的配套程度非常敏感；同时，国际垂直专业化分工可能使得本地市场效应对产业布局的影响不显著，但这种国际分工会强化地区技术外部性对产业区位选择的作用。Covich和Hemmati(2014)[18]通过对伊朗企业出口的研究，发现企业的出口决策不仅受企业特征(如企业规模、劳动生产率和人力资本强度)的影响，而且与公司的位置(即产业地理集中)相关，同一行业同一地区中的出口企业，会降低其他公司进入外国市场的成本。王俊松等(2015)[19]基于历年上市公司数据，探讨上海市的上市公司总部区位分布特征及影响因素，结果表明上市时间、企业所有制条件、企业规模、行业类型显著影响上市企业总部的区位分布，通常规模较大的企业、国有企业和上市时间较早的企业更倾向于布局在中心城区，形成总部分布的二元结构。

综上所述，已有研究主要对产业空间集群及其空间区位识别展开探索，但较少从区位与区位(空间与空间)的联系(临近与分散)出发，对产业空间集群进行区位型态与区位结构识别，缺乏对产业集群区位间联系特征与趋势的准确定量判断。为了弥补这些不足，本文运用法人单位数和城镇就业人数数据，以LQ指标(区位熵指标)作为主要分析指标，辅以G统计指标对水平型产业空间集群的区位型态进行识别与分析，讨论空间单元间临近性问题，进而提出可行和简易的区位型态、区位结构识别模式与方法，并对中国19个主要产业进行区位结构划分与识别，给出相关研究结论。本文余下内容结构安排是：第二部分为识别指标的数据来源与说明，以及区位型态与区位结构的识别方法介绍；第三、四部分分别对水平型产业空间集群的区位型态和区位结构进行识别与分析；第五部分是本文的研究结论与启示。

二 数据说明与识别方法

(一)数据来源与说明

水平型产业空间集群强调产业的水平生产关系，包含对产业内的水平空间集中与水平空间集聚。其中，空间关系维度上的水平空间集中是厂商或就业人员朝单一空间单元移动的趋势，水平空间集聚则是厂商或就业人员朝单一空间单元周边的空间单元移动的趋势，因此产业空间集群识别的必要条件是区分集群的“生产关系维度”和“空间关系维度”。现有集群模式主要以产值或就业人数作为识别指标数据来源，容易出现将产值高、就业人数多、法人单位数少的产业视为集聚，而将产值低、就业人数少、法人单位数多的产业视为非集聚(Chou et al.，2011)[20]。考虑到不同产业在规模上存在较大差异，为避免因此造成识别结果的误差，本文将以法人单位数与就业人数来测算和分析水平型产业空间集群。

本文采用2010年、2014年中国31个省、市、自治区(不包含港澳台地区)的主要行业法人单位数和城镇就业人数作为分析数据，计算区位基尼指数(SGI指数)和MI指数(Moran’I指数)使用的数据主要来源于《中国统计年鉴》。其中，产业分类按照《中国统计年鉴》中19个主要产业类别进行分类，包括：租赁和商务服务业，农林牧渔业，居民服务和其他服务业，采矿业，房地产业，制造业，信息传输、计算机服务和软件业，住宿和餐饮业，建筑业，批发和零售业，金融业，科学研究、技术服务和地质勘查业，交通运输、仓储和邮政业，文化、体育和娱乐业，卫生、社会保障和社会福利业，公共管理和社会组织，电力、燃气及水的生产和供应业，教育，水利、环境和公共设施管理业等。

(二)区位型态识别方法

(1)

(2)

运用LQ指标与G指标共同识别产业空间集群的区位型态，理由是：(1)如单独以LQ指标判断产业空间集群的空间区位，则只能反映x产业在空间i与空间j的重要性，而无法反映空间i与空间j之间是否有彼此临近的趋势(孙慧等，2011)[21]，为此本文用LQ指标反映空间重要性，并以G指标反映空间之间的临近对单一空间的重要性。(2)使用G指标不仅可以探究空间临近性问题，且该值等同于统计中的标准化系数，因此可结合区位熵判断个别空间区位的集群效果差异。(3)识别模式中分别使用法人单位数和就业人数进行计算，是为区别不同规模的厂商所反映出的空间区位分布，避免以单一就业人数计算LQ指标，而忽略中小厂商法人单位数多但就业人数相对较少的集群型态。

水平型产业空间集群的区位型态识别流程可分为以下三个步骤：(1)以x产业在空间i的法人单位数和就业人数分别计算LQxi；然后以邻近空间i的空间j(i≠j)的法人单位数和就业人数分别计算Gxi。(2)假设所有空间信息呈随机分布(即虚无假设H0为随机)，将LQxi值标准化，使其与Gxi值具有相同的格式。(3)采用统计判断标准，分别以法人单位数与就业人数所计算的两指标值进行分类。本文以Z(LQxi)与Gxi值等于1.96为标准值，Z(LQxi)大于1.96视为高集中，Z(LQxi)介于1.96与1之间视为低集中，Z(LQxi)小于1则视为不集中。同理，Gxi值大于1.96视为高集聚，Gxi值介于1.96与0之间视为低集聚，Gxi值低于0则视为不集聚。具体识别结果如表1所示：

表1 水平型产业空间集群的区位型态识别结果

(续上表)

就业人数法人单位数A高集中高集聚B高集中低集聚C高集中不集聚D低集中高集聚E低集中低集聚F低集中不集聚G不集中高集聚H不集中低集聚I不集中不集聚Ⅵ低集中 不集聚L-3L-3L-3L-5L-5L-5L-5L-6L-6Ⅶ不集中 高集聚L-3L-3L-3L-5L-5L-5L-6L-6L-6Ⅷ不集中 低集聚L-3L-3L-3L-5L-5L-5L-6L-6L-6Ⅸ不集中 不集聚L-3L-3L-3L-5L-5L-5L-6L-6L-6

表1为以就业人数测量为主、法人单位数测量为辅识别水平型产业空间集群区位型态的结果。采用这一标准的理由是，一个空间区位可能法人单位数集中，但没有足够就业人数，仍无法产生集群的效果。如L-Ⅰ-A、L-Ⅱ-A、L-Ⅲ-A，这类产业多属于中大型规模，法人单位数不多，并且高度集中，但就业人数可能会出现不集中不集聚情形。为了避免这一问题，本文以就业人数低集中和低集聚为主要标准，如L-Ⅶ-A、L-Ⅶ-B、L-Ⅶ-C，法人单位数属于低集中或不集中，仍将其归类为就业人数空间集群区位；另外，如L-Ⅰ-I、L-Ⅱ-I、L-Ⅲ-I，属于法人单位数高集中，但就业人数不集中不集聚，因此将其归类为非空间集群区位，后续区位型态识别以此类推。

具体来看，L-1代表空间i法人单位数与就业人数都符合高集中的标准，内部差别在于空间i周边集聚型态的差异。如L-Ⅲ-A属于法人单位数高集中不集聚、就业人数高集中高集聚的型态，该型态表明空间i可能有法人单位数不多的大规模厂商，因此法人单位数虽然呈现不集聚，但就业人数呈现高集中高集聚。根据这一标准，本文将L-Ⅰ-A、L-Ⅰ-B、L-Ⅰ-C、L-Ⅱ-A、L-Ⅱ-B、L-Ⅱ-C、L-Ⅲ-A、L-Ⅲ-B均视作L-1，属于水平型产业空间集群区位。L-2属于法人单位数高集中不集聚、就业人数高集中不集聚的型态，代表空间i可能没有临近的法人单位数，属于产业水平空间集中区位。L-3属于法人单位数低集中与不集中的组合，而就业人数高集中的组合；L-4与L-3相反，法人单位数高集中，而就业人数低集中或不集中，这类型态多属于以中小企业为主的产业，本文也将L-3与L-4两类型态划归为水平型产业空间集群区位。L-1～L-4划归为核心区位，L-5由于法人单位数与就业人数均不属于高集中，且法人单位数或就业人数属于低集中，因此归类为水平型产业空间集群的外围区位。其余组合形式都归类为L-6，属于非水平型产业空间集群区位。

(三)区位结构识别方法

根据上述方法可识别出不同水平型产业空间集群的区位型态，以此为基础进一步讨论区位结构识别的内容：

第一，水平型产业空间集群的不同区位型态组合，代表不同的空间含义，根据不同的集群产业结构描述，可以界定不同的集群区位结构(Boja，2011)[22]。本文提出以下五种区位结构型态：(1)区位结构一，∑(L-1～L-4)的累加比重高于30%。(2)区位结构二，不符合第一种型态，且∑(L-1～L-4)的累加比重介于25%～30%。这两种区位结构型态皆属于高度集中于核心区位内，两者差别主要在于集中的区位数量与就业强度。(3)区位结构三，不符合前两种型态，∑(L-1～L-4)的累加比重介于20%～25%，且∑(L-1～L-5)的累加比重高于25%，此型态隐含该产业至少有30%空间集群于核心与外围区位。(4)区位结构四，不符合前三种型态，且∑(L-1～L-5)的数值高于20%，此型态显示核心与外围外有将近80%的就业比重属于区位型态L-6。(5)区位结构五，不符合前四种型态，且∑(L-1～L-5)的数值低于20%。

第二，将全国31个省、市、自治区划分为四大区域，其中东北地区包括辽宁、吉林、黑龙江；东部地区包括北京、天津、河北、山东、上海、江苏、浙江、广东、福建、海南；中部地区包括湖北、湖南、安徽、江西、山西、河南；西部地区包括陕西、甘肃、宁夏、内蒙古、青海、新疆、重庆、四川、贵州、云南、广西、西藏。同时，结合员工比重进行分析，进而可得出不同水平型产业空间集群型态在国内的区域布局。

三 水平型产业空间集群的区位型态识别

本部分主要探讨水平型产业空间集群的区位型态识别结果，并以五种区位结构与四大区域作为识别条件，分析不同水平型产业空间集群区位型态的空间发展与空间分布强度。

表2 2010年和2014年中国各类水平型产业空间集群区位型态数量

说明：括号内数字代表区位数比重；19个主要产业在31个省市(自治区)的区位总数有589个。

表2显示的是2010年和2014年中国各类水平型产业空间集群区位型态的数量及其比重，以及相应的就业人数占总就业人数的比重。根据表中两年度各区位型态的数量，可以看出区位型态L-1由于区位总数较少，相应地变化较大，但数量下降变化不大；区位型态L-3的区位数量出现上升，区位型态L-2、L-4、L-5的区位数量下降，而区位型态L-6的区位数量略微上升。显示出，在这两年度中，除了无法人单位的区位开始有法人进驻和L-1变化幅度较大外，整体数据变化幅度较小。在两年度就业比重中，2010年L-1至L-4(即核心区位总数)虽然占总区位数约7.3%，但其就业人数占总就业人数约16.7%；加上L-5，即核心区位及外围区位的总数约占13.2%，就业人数上升至将近30%。2014年L-1至L-4的区位数约占6.96%，而就业人数约占22%；加上L-5，区位数约占12.7%，就业人数上升至30.7%。由此可见，中国19个主要产业集群于少量区位，且就业人数比重远大于所占区位数比重；对比非水平型产业空间集群区位型态L-6，发现此型态的区位数量在中国仍然占较大比重，但就业比小于其区位比。

从表3可以看出，两年度各区位数总体变化不大，并且区位型态间的转移仅个别型态比较明显，即多数区位仍然保持在同一区位型态。以2010年为例，L-1维持同样型态的区位数占2010年的比例仅有33%，L-4和L-5维持的比例分别为47%、34%，空间集群区位转移的现象比较显著。相对地，L-2在两年度中维持同样型态的区位数比例达到83%，而L-3、L-6的比例分别为69%、96%，以上三种型态相对L-1、L-4、L-5而言更加稳定。若将L-1～L-4归类为泛空间集群区位，L-5～L-6归类为泛非空间集群区位，对照两年度各区位型态的区位数量变化，其中L-1转移到L-5的比重约占17%，L-3转移到L-5和L-6的比重有31%(25%和6%)，L-4转移到L-5和L-6的比重约有47%(27%和20%)，而L-2的区位并未转移至泛非空间集群区位，而由泛空间集群区位转移至泛非空间集群区位、非水平型产业空间集群区位的比重分别为30%、9%；并且泛非空间集群区位转移至泛空间集群区位无明显变化，变化比例约2%，无法人单位区位也仅仅转为泛非空间集群区位。综合以上数据显示，当区位具有高水平空间集群效果后，其变化率不大，且从高集群转为非集群的比例亦不高，而就外围区位而言，其转移到非水平型产业空间集群区位的比例较大。

表3 2010年和2014年中国水平型产业空间集群区位型态的数量交叉对照表

注：L-0表示无法人单位数的区位型态，灰色部分代表两年均属于同一区位型态的区位总数。

表4展现的是水平型产业空间集群型态和水平型产业空间集群区位变化的数据，集群区位采用具有集群效果的区位L-1～L-4的数据，即核心区位的数据。可以发现，2010-2014年，中国具有集群效果的区位总数几乎无变化，但属于水平型产业空间集群型态H-1、H-3、H-5、H-7的集群区位数有所增加，属于非水平型产业空间集群型态的集群区位数相应地有所减少。同时，根据两年度皆为集群的区位数据，仍然保持在同一水平型产业空间集群型态的集群区位数量较少，对比2010年集群区位转移至2014年非集群区位的数据，其变化率较小或几乎无变化。说明在两年度中，属于水平型产业空间集群型态的集群区位主要在型态H-1、H-3、H-5、H-7之间转移，而从水平型产业空间集群型态转移到非水平型产业空间集群型态的集群区位数量较少。对照2010年非集群区位转移至2014年集群区位的数据，转移总数占2010年L-6的比例很小，这说明非集群区位在两年度中维持着稳定的状态。同时，仅H-1、H-8从2010年非集群区位转为2014年集群区位的比例较其它型态有显著差异。

表4 2010年和2014年中国水平型产业空间集群型态的区位型态变化分析

四 水平型产业空间集群的区位结构识别

产业空间集群的区位型态识别可以了解产业核心与外围的分布结构(高菲等，2014)[23]，但要有效反映产业在空间单元的重要性，以及空间之间的临近程度对空间单元的重要性，还需分析不同产业的空间分布特征与区位结构(李伯华等，2015)[24]。表5和表6是整理五种区位结构与不同水平型产业空间集群型态的结果，其中区位结构一与区位结构二属于高核心区位结构产业，区位结构三与区位结构四属于高集群区位结构产业。由表5可以看出，2010年中国大约有53%的主要产业的区位结构位于核心-外围结构内(区位结构一至区位结构四)，其中有40%的比重属于高核心区位结构产业，60%属于高集群区位结构产业。而2014年也有相似的情形，约有53%的主要产业的区位结构位于核心-外围结构内，其中50%的产业属于高核心区位结构产业，50%属于高集群区位结构产业。结合表6结果可知，在2010年处于区位结构一的产业有农林牧渔业、租赁和商务服务业，处于区位结构二的产业有制造业、居民服务和其他服务业，处于区位结构三的产业有信息传输、计算机服务和软件业，处于区位结构四的产业有采矿业、建筑业、住宿和餐饮业、房地产业以及科学研究、技术服务和地质勘查业，其余产业属于区位结构五。在2014年，处于区位结构一的产业有农林牧渔业、制造业、居民服务和其他服务业，处于区位结构二的产业有建筑业、租赁和商务服务业，处于区位结构四的产业有电力、燃气及水的生产和供应业、交通运输、仓储和邮政业、批发和零售业、住宿和餐饮业、教育，其余产业属于区位结构五。

表5 2010年和2014年中国水平型产业空间集群型态与区位结构数量

注：空格代表表格内数值为0。

区位结构一和区位结构二主要以劳动密集型和服务型产业为主，并且多集中在特定的单点区位或特定区块内。运用GeoDa软件制图可以发现(见图1)，以2010年为例，高核心区位结构产业与核心区位的组合有：[农林牧渔业：黑龙江、新疆、山西、重庆、海南]、[租赁和商务服务业：北京、上海]、[制造业：江苏、浙江、福建]、[居民服务和其他服务业：北京、天津、上海]等；而高集群区位结构产业与核心区位的组合有：[信息传输、计算机服务和软件业：北京]、[制造业：江苏、浙江、福建](2014年数据)、[建筑业：浙江、重庆、海南]、[房地产业：北京、海南]等。根据区位型态和区位结构的划分，在2010年，H-1类型中属于高核心区位结构的产业占H-1类型的50%，如制造业、居民服务和其他服务业；H-2类型中属于高核心区位结构的产业占H-2类型的33%，如租赁和商务服务业；H-4类型中属于高核心区位结构的产业占H-4类型的50%，如农林牧渔业。在2014年，H-3类型中属于高核心区位结构的产业占H-3类型的100%，如租赁和商务服务业；H-5类型中属于高核心区位结构的产业占H-5类型的33%，如居民服务和其它服务业；H-4类型中属于高核心区位结构的产业占H-4类型的50%，如农林牧渔业；H-6、H-7、H-8、H-9则在两年度中均无产业属于该类。

区位结构三和区位结构四虽然没有特定的产业型态，但所占有的产业多于区位结构一和区位结构二。以2010年为例，如信息传输、计算机服务和软件业，∑(L-1～L-4)的就业比重达到22%，而∑(L-1～L-5)的就业比重达到26%。又如区位结构四的建筑业，其∑(L-1～L-4)的就业比重达到18%，而∑(L-1～L-5)的就业比重达到39%，两者均为区位少而就业人数多，显示出高水平集群特征。相关产业如采矿业、房地产业、住宿和餐饮业以及科学研究、技术服务和地质勘探业，皆属于高集群区位型态产业。

区位结构五的产业约占50%的比例，以金融业、公共管理与社会组织为例，属于核心区位L-1～L-4的区位极少，并且少数产业属于区位L-5，呈现分散分布状态，大部分产业属于非水平型产业空间集群区位L-6。

表6 2010年和2014年中国水平型产业空间集群型态与区位结构的就业比重分析表

注：空间型态所对应的就业比重为区位型态L-1～L-5所占的比重。

区1 农林牧渔业(H-4)

区1 租赁和商务服务业(H-2)

区2 制造业(H-1)

区2 居民服务和其它服务业(H-1)

区3 信息传输、计算机服务和软件业(H-2)

区4 建筑业(H-1)

区5 金融业(H-5)

区5 公共管理和社会组织(H-7)

注：以2010年区位型态识别结果数据进行制图，展示不同区位结构产业在地理上的分布状态；图中左边TYPE1～TYPE6对应为区位型态L-1～L-6，右边为产业根据识别结果在地理上的分布结果，下方文字代表所属区位结构、产业名称、水平型产业空间集群型态。

表7主要显示不同水平型产业空间集群型态在各区域的重要性，如该产业在单一区域∑(L-1～L-5)的比重超过10%即为重要区域。可以看出，2010年和2014年所有产业中有超过60%(12/19)以东部地区为主，且在这两年度中均有60%以上(12/20、12/18)的重要区域位于东部地区。另外，如只考虑水平型空间集群产业(H-1,3,5,7)，区域的差异同样很显著。在2010年有62.5%(5/8)的水平型空间集群产业主要以东部地区为主，有50%(5/10)的重要区域位于东部地区。而在2014年具有相似的区域差异，有55.6%(5/9)的水平型空间集群产业主要以东部地区为主，有50%(5/10)的重要区域位于东部地区。根据以上区位结构分布结果可以看出，2010年和2014年间区域极化的效果基本保持不变，产业多呈水平空间集群、集中或座落于单一区域，且大多数位于东部地区，因此显示出了我国东部地区产业的水平空间集群效果远高于其它三个区域。

表7 2010年和2014年中国水平型产业空间集群型态的区域重要性整理表

五 结论与启示

本文运用中国31个省、市、自治区2010年与2014年19个主要产业的城镇法人单位数和就业人数，通过Matlab7.0软件计算出LQ指标(区位熵指标)与G指标，并以此识别出各区位的水平型产业空间集群区位型态，最后根据区位结构划分方式，确定各区位的水平型产业空间集群区位结构。研究结论是：(1)对比2010年和2014年区位数和就业人数比例，发现核心区位数变化极小，外围区位数基本不变，但对应的就业人数显著下降；非水平型产业空间集群区位的数量有所增加，但对应的就业人数出现了下降。(2)对比两年度中维持同种区位型态的区位数比例及转移比例，发现当区位具有水平型产业空间集群效果后，其变化率较低，转移至非集群效果区位的比例更低，而非集群效果的区位更易维持在相同的区位型态。(3)结合水平型产业空间集群型态及其区位变化的数据，显示中国具有集群效果的区位总数几乎无变化，但属于水平型产业空间集群(型态H-1、H-3、H-5、H-7)的集群区位数上升，属于非水平型产业空间集群(型态H-2、H-4、H-6、H-8、H-9)的集群区位数下降。对比两年度的集群区位数据，保持在同一水平型产业空间集群型态的集群区位数较少，同时集群区位转移至非集群区位的变化率较小或几乎无变化，这说明属于水平型产业空间集群区位主要在水平空间集群间转移。(4)在2010年和2014年中，均有50%的主要产业的区位结构位于核心-外围结构内(区位结构一～区位结构四)，其中约有40%的产业属于高核心区位结构产业，60%的产业属于高集群区位结构产业。(5)区位结构一和区位结构二主要以劳动密集型和服务型产业为主，并且多集中在特定的单点区位或特定区块内；区位结构三和区位结构四虽然没有特定的产业型态，但所占有的产业多于区位结构一和区位结构二。同时在两年度中，超过60%的水平型空间集群产业位于东部地区，并且其重要区域也主要集中于东部地区。

由以上结论，为更好地发挥我国各地的集群经济效益，缩小不同区域之间的经济发展水平差距，需增加具有集群效果的核心区位数量，提高这些区位在全国范围内的就业比重和法人单位数比重。因此，提出相应建议：第一，对于高核心区位结构产业，政府应在原有基础上引导企业加大研发投入，运用先进技术提高生产效率；对于高集群区位结构产业，则应双管齐下，既要积极引导其使用先进技术，也需要为其中具有发展潜力的产业提供优惠政策，吸引厂商入驻，扩大产业和企业规模，增加更多的就业机会，为该结构产业向高核心结构产业转型提供动力。第二，政府应当合理搭建产业平台，科学引导产业集群发展。目前中国无论是水平型空间集群产业还是其重要集聚产业，均以东部地区为主，这与其它区域提供的产业发展平台不足以吸引相关产业的企业与厂商有密切关系。因此，政府应当与相关产业的企业、厂商充分沟通，在有利于产业发展的前提下为企业、厂商提供合适且良好的发展平台与环境，以促进中西部地区和东北地区产业多样化和水平型产业空间集群的发展。第三，各地资源禀赋等实际情况各不相同，应当彼此优化产业结构及布局。如黑龙江与新疆等地的农林牧渔业，北京、天津与上海的居民服务和其他服务业，江苏、浙江与福建的制造业，均因各自的区位优势而发展起来，对于此类产业应当采用高新技术进行改造，提升生产效率；而与此类产业前后向关联度高的产业，地方政府应当在政策和资金上给予支持与鼓励，形成具有集群效果的核心区位。

[1] 李兴旺, 李会军. 我国“雏形期”产业集群的识别指标体系及判定方法[J]. 财经问题研究, 2011, (4): 38-44.

[2] Titze, M., Brachert, M., Kubis, A.. The Identification of Regional Industrial Clusters Using Qualitative Input-output Analysis (QIOA)[J].RegionalStudies, 2011, 45(1): 89-102.

[3] Nishimura, J., Okamuro, H.. R&D Productivity and the Organization of Cluster Policy: An Empirical Evaluation of the Industrial Cluster Project in Japan[J].JournalofTechnologyTransfer, 2011, 36(2): 117-144.

[4] 余珮. 外资R&D子公司在华区位战略的差异性分析——基于产业集群理论的视角[J]. 经济评论, 2013, (6): 78-88.

[5] 王腊芳, 李细梦, 王绍君. 中国高耗能行业产业集群的识别及测度[J]. 统计与决策, 2015, (19): 125-128.

[6] Wren, C.. Geographic Concentration and the Temporal Scope of Agglomeration Economies: An Index Decomposition[J].RegionalScience&UrbanEconomics, 2012, 42(4): 681-690.

[7] Silva, D. D., Mccomb, R. P.. Geographic Concentration and High Tech Firm Survival[J].RegionalScience&UrbanEconomics, 2012, 42(4): 691-701.

[8] Ord, J. K., Getis, A.. Local Spatial Heteroscedasticity(LOSH)[J].AnnalsofRegionalScience, 2012, 48(2): 529-539.

[9] 李华香, 李善同. 中国城市服务业空间分布的特征及演变趋势分析[J]. 管理评论, 2014, (8): 22-30.

[10] 许贤棠, 胡静, 刘大均. 中国省域旅游业的竞争力评价及空间格局[J]. 经济管理, 2015, (4): 126-135.

[11] 王辉, 张萌, 石莹等. 中国海岛县的旅游经济集中度与差异化[J]. 地理研究, 2013, (4): 776-784.

[12] 陈莲芳, 严良. 基于复合区位熵的中国油气资源产业集群识别[J]. 中国人口·资源与环境, 2012, (2): 152-158.

[13] Billings, S. B., Johnson, E. B.. The Location Quotient as an Estimator of Industrial Concentration[J].RegionalScience&UrbanEconomics, 2012, 42(4): 642-647.

[14] Setiawan, M., Emvalomatis, G., Lansink, A. O.. The Relationship Between Technical Efficiency and Industrial Concentration: Evidence from the Indonesian Food and Beverages Industry[J].JournalofAsianEconomics, 2012, 23(4): 466-475.

[15] 罗胤晨, 谷人旭. 1980-2011年中国制造业空间集聚格局及其演变趋势[J]. 经济地理, 2014, (7): 82-89.

[16] 宣烨, 宣思源. 产业集聚、 技术创新途径与高新技术企业出口的实证研究[J]. 国际贸易问题, 2012, (5): 136-146.

[17] 李瑞琴, 张晓涛. 国际垂直专业化分工与中国工业制造业的区位选择——基于中国制造业数据的实证检验[J]. 世界经济文汇, 2013, (3): 76-88.

[18] Covich, M. P., Hemmati, M.. The Effect of Geographic-industrial Concentration on Export Decision of Iranian Industrial Firms[J].AdvancesinEnvironmentalBiology, 2014, 8(6): 1853-1858.

[19] 王俊松, 潘峰华, 郭洁. 上海市上市企业总部的区位分布与影响机制[J]. 地理研究, 2015, (10): 1920-1932.

[20] Chou, T. L., Ching, C. H., Fan, S. M., et al.. Global Linkages, the Chinese High-tech Community and Industrial Cluster Development: The Semiconductor Industry in Wuxi, Jingsu[J].UrbanStudies, 2011, 48(14): 3019-3042.

[21] 孙慧, 李小双, 李苑. 产业集群识别方法综合使用及其实证分析[J]. 科技进步与对策, 2011, (21): 60-63.

[22] Boja, C.. Clusters Models, Factors and Characteristics[J].InternationalJournalofEconomicPractices&Theories, 2011, 1(1): 34-43.

[23] 高菲, 俞竹超, 江山. 多核式中卫型产业集群的网络结构分析[J]. 产经评论, 2014, 5(5): 63-77.

[24] 李伯华, 尹莎, 刘沛林等. 湖南省传统村落空间分布特征及影响因素分析[J]. 经济地理, 2015, (2): 189-194.

[责任编辑：戴天仕]

[DOI]10.14007/j.cnki.cjpl.2016.05.005

[引用方式]王鹏, 周轩. 水平型产业空间集群的区位型态与区位结构识别——基于中国19个主要产业的实证分析[J]. 产经评论, 2016, 7(5): 51-65.

Identification of Location Pattern and Location Structure in the Horizontal Industrial Spatial Cluster——A Case Study of 19 Main Industries in China

WANG Peng ZHOU Xuan

This paper took the number of industry corporate units and employment of 19 main industries in China as research object, combined with identification of spatial patterns of horizontal industrial spatial cluster, and analyzed the unequal distribution of industry in different spatial units based on horizontal production relation. At the same time, in order to solve the problem of unit space near, the paper used the LQ index (location quotient index) to reflect the importance of industry in space unit, as well as G index to reflect the importance of space in the proximity of spatial units. Using the two indices, the paper jointly identified and analyzed the location patterns of horizontal industrial spatial cluster, and classified and identified the location structure. The research results show that: In 2010 and 2014, China’s major industrial core area number changes are minimal and the number of peripheral location is basically unchanged, the corresponding employment number has declined, the number of non horizontal industrial spatial cluster location has increased, and its corresponding employment has declined. When the location has the effect of horizontal industrial spatial clustering, the change rate is low. The proportion of transferred to location of the non-cluster effect is lower, and the location of the non-cluster effect is more easily maintained in the same location. The clustering location of horizontal industrial spatial cluster is mainly transferred between horizontal spatial clusters, in which about 40% of the industry belongs to the industry of high core location structure, 60% of the industry belongs to the industry of high clustering location structure. In the two years, the regional polarization effect is more and more obvious, more than 60% of the industry of horizontal spatial cluster is located in the eastern region, and its important areas are also mainly concentrated in the eastern region.

horizontal industrial spatial cluster; location pattern; location structure; location quotient index; G index

2016-06-18

国家自然科学基金面上项目“基于空间关联的产业集群脆弱性形成机理、综合测度及优化调控研究”(项目编号：71673112，主持人：王鹏)；广东省哲学社会科学规划项目“高技术产业空间集聚与区域技术创新效率的互动机理及实证研究”(项目编号：GD15XYJ27，主持人：王鹏)；广东省人文社会科学重点研究基地与经纬粤港澳经济研究中心科研项目“粤台高科技产业合作模式及其影响因素研究”(项目编号：37714001004，主持人：王鹏)；广东省财政科研公开择优课题“基于五大发展理念的广东财政改革发展创新研究”(项目编号：G201612，主持人：王鹏)；广州市建设国家级科技思想库研究课题专项“广州市科技服务业促进创新驱动发展战略实施的政策支撑体系研究”(项目编号：2016SX014，主持人：王鹏)。

王鹏，经济学博士，暨南大学经济学院副教授、博士生导师，研究方向为区域经济与区域创新；周轩，暨南大学经济学院硕士研究生，研究方向为产业集群空间分析与评价。

F062.9

A

1674-8298(2016)05-0051-15