关联视角下兰州市生产性服务业与制造业空间分布及区位选择比较

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

公维民^,, 张志斌^,, 高峰, 李瑞红, 马晓梅西北师范大学地理与环境科学学院,兰州 730070

Comparison of the spatial distribution and location selection of producer services and manufacturing in Lanzhou from the perspective of relevance

GONG Weimin^,, ZHANG Zhibin^,, GAO Feng, LI Ruihong, MA XiaomeiCollege of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China

通讯作者: 张志斌（1965-）,男,甘肃会宁人,教授,博士生导师,研究方向为城市与区域规划。E-mail: zbzhang@nwnu.edu.cn

收稿日期:2020-11-16接受日期:2021-03-3

基金资助:

国家自然科学基金项目(41961029)
国家自然科学基金项目(41161028)

Received:2020-11-16Accepted:2021-03-3
作者简介 About authors
公维民（1992-）,男,山东淄博人,博士研究生,研究方向为城市与区域规划。E-mail: 13993182790@163.com

摘要
基于微观企业数据从关联性视角对兰州市生产性服务业与制造业空间分布特征和模式进行分析,进而探讨其区位选择因素的异同。研究表明：① 生产性服务业与制造业的空间布局均呈现出以主城区为主体、外围局部地区为补充的“中心-外围”空间格局,但生产性服务业集聚区主要集中在河谷地带的主城区,制造业集聚区则呈现出明显的郊区化趋势,二者在空间上存在关联的同时又具有一定的可分性。② 生产性服务业形成了以城市中心区和郊区国家级新区及卫星城镇为多元空间载体的“紧凑型-中心性”模式,制造业则形成了以国家级新区和产业园区为空间载体的“离散型-郊区化”模式。③ 生产性服务业与制造业企业的区位选择需在产业环境、要素禀赋以及政策导向方面进行权衡,生产性服务业企业较为关注区域整体发展氛围,制造业企业则更注重自然因素、区位历史和产业政策的影响。④ 传统型生产性服务业企业区位选择受到地方化经济、区位资源禀赋的影响最为显著,现代型和高端型生产性服务业企业则更容易受到政策的导引从而形成空间集聚;劳动密集型制造业企业主要依附在劳动力资源较为丰富且交通便利的地区,资本密集型制造业企业倾向于具有产业政策优势及土地成本优势的开发区和新区布局,技术密集型制造业企业受成本要素的制约较小且更加注重集聚经济的外部效用。
关键词： 生产性服务业;制造业;空间分布;区位;兰州

Abstract

In this study, the spatial distribution and patterns associated with the producer services and manufacturing in Lanzhou were examined based on the microbusiness data from the perspective of relevance. Subsequently, the differences were discussed in terms of the factors that affect the selection of location. The findings are as follows. The spatial distribution of the producer services and manufacturing exhibits a ‘downtown periphery’ pattern; the former is concentrated in the downtown valley, whereas the latter is concentrated in the suburban areas. They are spatially connected yet separated. The factors that affect the location selection of the producer services and manufacturing sub-sectors conform to the overall characteristics of the two types of industries, but there are also certain differences between industries. The producer services distributed in the downtown area, national new districts in the suburban area and satellite towns indicate a ‘compact downtown’ pattern, whereas the manufacturing distributed in the national new districts and industrial parks exhibits a ‘discrete suburb’ pattern. The locations of the enterprises in the producer services and manufacturing are decided by weighing the industrial environment and investment factors. The companies that provide producer services have a stronger preference for spatial agglomeration than the companies in the manufacturing. They attach greater importance to the economic benefits generated owing to economic conglomeration. In contrast, manufacturing enterprises focus more on the terrain conditions, resources, suburban space distribution and favourable policies for development zones as well as new national districts. Generally, the producer service providers focus more on the overall development of the region, whereas the manufacturers place high value on industrial policies and infrastructural facilities. The factors that affect the locations of the companies in the producer services and manufacturing are dependent on the general features of these industries. Within the producer services, traditional enterprises are more subject to the local economy and resources when selecting locations. However, modern and high-end enterprises focus more on local economic conditions and policies. In the manufacturing industry, the labour-intensive businesses prefer locations with favourable geographical conditions, abundant labour resources and convenient transportation conditions, the capital-intensive enterprises that enjoy favourable industrial policies prefer the development zones and new districts and the technology-intensive enterprises value the agglomeration effects and an innovative environment because they are less constrained by costs.

Keywords：producer services;manufacturing;spatial distribution;location;Lanzhou

PDF (4128KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
公维民, 张志斌, 高峰, 李瑞红, 马晓梅. 关联视角下兰州市生产性服务业与制造业空间分布及区位选择比较[J]. 地理研究, 2021, 40(11): 3154-3172 doi:10.11821/dlyj020201119
GONG Weimin, ZHANG Zhibin, GAO Feng, LI Ruihong, MA Xiaomei. Comparison of the spatial distribution and location selection of producer services and manufacturing in Lanzhou from the perspective of relevance[J]. Geographical Research, 2021, 40(11): 3154-3172 doi:10.11821/dlyj020201119

1 引言

随着经济全球化加速和信息技术迅猛发展,世界经济愈来愈显现出产业柔性化和制造业服务化趋势^[1]。在后福特式灵活生产组织体系下由于专业化分工的存在,使得作为中间投入的生产性服务业与制造业之间的前后向联系愈发紧密,生产性服务业逐渐成为制造业技术和产品创新的重要源泉^[2]。在工业化与信息化紧密融合、生产型制造向服务型制造转变的新型工业化时代背景下,探索生产性服务业与制造业在城市内部的空间布局规律,有助于解释城市产业空间布局的演变过程和内在机理,同时也为推动城市空间多中心发展提供一定的依据。

生产性服务业与制造业互动日渐深化逐渐引起国内外****的广泛关注,现有研究主要从产业和空间两个层面对二者的互动关系进行了探讨和分析。从产业层面来看,****们基于古典经济学的分工理论、新制度经济学的交易成本理论,探讨了生产性服务业与制造业的产业关联性特征。Karaomerlioglu等通过分析美国1987—1994年的投入产出数据发现,制造业部门对于生产性服务的需求程度有所增加且两者之间的关联性逐渐增强^[3]。Guerrieri P等对生产性服务业与制造业的关联性进行了论证,认为交易成本、地理距离等是影响二者产业关联的重要中介变量^[4]。唐晓华等借助灰色网格关联度模型对中国2003—2013年制造业与生产性服务业不同子行业的关联性进行测度发现,二者各细分子行业间的内部关联发展存在显著差异^[5]。从空间层面来看,****们基于经典区位论和集聚经济理论,对生产性服务业与制造业互动的空间区位特点进行了研究,并形成了两种截然不同的观点。其中,一种观点认为生产性服务业企业倾向于布局在制造业企业集聚的地区。Andersson等通过构建联立方程模型,以瑞典为案例区从实证方面验证了生产性服务业与制造业之间空间分布的协同效应^[6]。Ke S等运用变量估计法分析了中国286个城市于2003—2008年间的面板数据,发现制造业具有临近生产性服务业布局的特点^[7]。吉亚辉等、王海江等通过空间计量方法对中国生产性服务业与制造业空间关系进行了探讨,结果表明二者之间形成了区域性空间组合并存在协同集聚现象^[8,9]。纪祥裕等基于城市截面数据分析了生产性服务业与制造业协同集聚对中国城市创新的影响,研究发现二者的协同集聚显著提升了城市创新水平^[10]。另一种观点则认为生产性服务业并不集中在制造业企业周围,二者没有形成地域上的相互依赖。Sassen等****认为随着制造业进入以“新产业空间”为特征的制造业综合体,生产性服务业仍然集中在大都市区,因此制造业的集聚性并不能较好地解释服务的地域性^[11,12,13]。就产业演进的过程性而言,****们关于生产性服务业与制造业空间关联性分析的不同论断并非是对立的矛盾体,而是对不同经济发展阶段生产性服务业与制造业互动关系变化的空间反映。

综上所述,随着知识-资本复合型集群的发展以及产业分工专业化的演进,现有研究对城市内部生产性服务业与制造业企业分布特征和优化布局的认识还处在积极探索阶段。目前关于生产性服务业与制造业空间布局的传统实证研究多是基于区域或城市尺度,对于城市内部微观尺度剖析二者区位选择异同性的研究相对较少。尽管生产性服务业与制造业在产业层面存在投入产出关系,但由于二者区位选择动力机制的不同,其空间布局模式必然存在一定的差异。由于城市内部微观尺度产业数据可获得性低、传统统计数据与微观研究单元难以匹配,导致目前城市内部产业区位的研究多是精细化的特征性分析,而难以揭示其空间格局的形成机理。此外,已有研究也多是针对某一特定的行业,缺乏对不同行业区位选择的对比分析。本文从关联性视角在分析兰州市生产性服务业和制造业空间分布特征及模式的基础上,对两类行业区位选择因素的异同进行探讨,进而为优化二者协同互动发展的空间组织模式以及制定相关政策规划提供决策参考。

2 数据来源与研究方法

2.1 研究区概况

兰州市作为甘肃省的政治经济中心和古丝绸之路要塞,凭借其“秦陇锁钥、东西咽喉”的区位优势成为中国西北地区重要的交通枢纽和商埠重镇,现辖城关、七里河、安宁、西固、红古5区及榆中、皋兰、永登3县。黄河自西南向东北穿城而过,形成峡谷与盆地相间的串珠型河谷,市区南北群山对峙,形成东西长约35 km,南北宽约2~8 km的带状哑铃型河谷盆地（图1）。随着“一带一路”倡议的提出和西部大开发新格局的推进,作为计划经济时期兴起的以石化产业为主导的综合性工业城市,兰州市目前正处于由工业化中期向工业化后期过渡的关键时期,其工业生产功能不断弱化,服务功能逐渐强化,产业结构也逐渐由生产制造型向生产服务型转变,现已成为中国西北内陆具有重要影响力的中心性城市。根据研究需要并结合兰州市地域实际,将位于河谷地带的主城区划为中心区;榆中县的和平镇和金崖镇,皋兰县的忠和镇,永登县的苦水镇和树屏镇,以及红古区的平安镇等地区划为近郊区;其余地区为远郊区^[14]。

图1

新窗口打开|下载原图ZIP|生成PPT
图1兰州市区位

Fig. 1Location of Lanzhou

2.2 数据来源及处理

基础数据主要来源于2020年3月份工商企业登记数据,包括企业名称、地址、经营范围、就业人数、注册时间等属性信息。经筛选去掉一些信息不完整或信息存在偏差的企业后,获得企业研究样本数量为139168家,其中生产性服务业企业102649家,制造业企业7108家。通过百度API接口将企业地址信息转化为企业空间坐标,从而构建兰州市生产性服务业和制造业空间数据库。为进一步分析两类产业不同行业类型企业的空间异质性,在参考现有研究基础上^{[15,16,17,18]},以《国民经济分类》（GB/T4754—2017）的大类为主要依据,并结合国家统计局印发的《生产性服务业统计分类（2019）》和投入要素的密集程度对两类产业进一步细分,将生产性服务业分为传统型、现代型以及高端型三种类型,将制造业分为劳动密集型、资本密集型以及技术密集型三种类型（表1）。行政边界数据来源于国家基础地理信息中心全国1:100万基础地理数据库;DEM来源于美国对地观测全球高程数据,分辨率为90 m;降水数据来源于兰州市气象局提供的兰州地区国家观测站点年均降水数据。

Tab. 1
表1
表1生产性服务业与制造业分类
Tab. 1Classification of producer services and manufacturing

产业名称	行业类型	行业名称	企业数量
生产性服务业	传统型	农林牧渔专业及辅助性活动服务业;开采专业及辅助性活动服务业;生产性支助服务业;机械设备修理和售后服务业;生产性保洁服务业;货物运输服务业;货物运输辅助服务业;通用航空生产服务业;仓储服务业;搬运、包装和代理服务业;国家邮政和快递服务业	65908
	现代型	融资租赁服务业;实物租赁服务业;节能服务业;环境污染治理服务业;回收与利用服务业;组织管理和综合管理服务业;咨询与调查服务业;人力资源管理服务业;职业教育和培训服务业;货币金融服务业;资本市场服务业;生产性保险服务业;电子商务支持服务	18510
	高端型	研发与设计服务业;科技成果转化服务业;知识产权及相关法律服务业;检验检测认证标准计量服务业;生产性专业技术服务业;信息传输服务;信息技术服务	18231
制造业	劳动密集型	烟草制造业;食品制造业;造纸和纸制品业;酒、饮料和精制茶制造业;纺织业农副食品加工业	3389
	技术密集型	电气机械及器材制造业;医药制造业;交通运输设备制造业;计算机、通信和其他电子设备制造业;化学原料及化学制品制造业	1852
	资本密集型	石油加工、炼焦和核燃料加工业;非金属矿物制品业;黑色金属冶炼及压延加工业;有色金属冶炼及压延加工业;金属制品业;通用设备制造业;专用设备制造业;仪器仪表制造业	1867

新窗口打开|下载CSV

2.3 研究方法

2.3.1 集聚热点分析最近距离层次聚类法通常被用来对不同等级的集聚热点区进行识别^[19],其工作原理即根据每个企业点i的最邻近距离定义一个聚集单元、极限距离和每一聚集单元的最小数目,然后比较聚集单元与每一点对的邻近距离。当某一点的最邻近距离小于该极限距离时,该点被计入聚集单元,进而识别出不同等级的集聚热点区。

2.3.2 地理联系率为反映两经济要素在地理分布上的联系情况,通过相似程度的测算以此判别二者空间分布的一致性^[20],其计算公式为：

（1）

G = 100 - \frac{1}{2} \sum_{i = 1} |S_{i} - P_{i}|

式中：G为地理联系率;n为研究单元数量;S_i、P_i分别为每个研究单元各经济要素的百分比。当G值较大时,表明两经济要素的地理联系较为密切,S_i与P_i的地理分布较为一致;当G值较小时,表明两经济要素的地理联系不太密切,S_i与P_i的地理分布差异较大。

2.3.3 区位选择模型企业区位选择的实质为区位条件对企业的效用函数^[21]。条件Logit离散选择模型,为研究产业区位提供了较为科学的分析方法。当任意两个备选区位的概率不受其他区位影响时,则其被企业选中的概率可表达为：

（2）

P_{ij} = \frac{\exp (β \times U_{ij})}{\sum_{j = 1} \exp (β \times U_{ij})}

式中：P_ij为企业i进入区域j的概率;c代表可选择的区位数量;β为估计参数;U_ij为影响企业区位选择因素的函数。假设企业i的区位选择受到m个因素的影响,U_ij可表示为：

（3）

U_{ij} = β_{1} X_{ij}^{1} + β_{2} X_{ij}^{2} + β_{3} X_{ij}^{3} +, ? ?, + β_{m} X_{ij}^{m}

式中：U_ij为各影响因素在j区域对i企业区位选择的整体作用力度;X^m_ij为i企业在j区域的第m个影响因素的效用值。企业i选择区域j的概率弹性可表示为：

（4）

\frac{\partial \ln p_{ij}}{\partial R_{ij}} = β {}_{i}(1 - p_{ij}) \frac{\partial \ln p_{ij}}{\partial R_{ij}} = β_{i} (1 - p_{ij})

式中：R_ij为企业i自身特征和备选j区域经济特征产生的综合效用。由于区位特征的平均概率弹性为研究区域所有企业和备选区位的加总,因此企业i在区域j的平均概率弹性可表示为：

（5）

AP E_{ij} = β (\frac{J - 1}{J})

式中：APE_ij为i企业在j区域的平均概率弹性;J表示所有备选区位的总数。基于已有的研究,将生产性服务业和制造业的估计参数β分别取值为0.968和0.980^[22]。

3 兰州市生产性服务业与制造业的空间分布

产业集群被视为一种有效的空间组织模式凭借其外部经济效用有力地打破了霍特林过程对于企业间距离的限制^[23]。在产业链的垂直专业化和网络化发展背景下,由于制造业与生产性服务业在产业层面上存在交互作用和互惠影响,使得二者为了接近对方市场并获得规模报酬递增在空间上形成了协同定位和集聚关系。鉴于此,通过对兰州市生产性服务业与制造业集聚热点区空间分布特征及其关联性进行分析,进而归纳比较二者的空间布局模式。

3.1 生产性服务业与制造业空间分布特征

（1）生产性服务业空间分布特征。从集聚热点区的空间分布来看,兰州市生产性服务业企业形成了6个一级集聚热点区和108个二级集聚热点区,以较高密度分布于河谷地带的主城区和远郊区的兰州新区部分街道,整体空间集聚特征明显。随着榆中生态创新城建设进程的加快,在位于近郊区的和平镇、城关镇形成了较为密集的生产性服务业企业新兴集聚热点区,其与位于河谷地带的主城区和远郊区的兰州新区形成了“一心两翼多组团”的空间格局（图2a）。其中,一级集聚热点区主要包括以和平为核心的东部组团热点区,以东方红广场为核心的商业中心组团热点区,以安宁-七里河为核心的新兴组团热点区,以西固城为核心的老工业区组团热点区,以彩虹城为核心的新区组团热点区和以城关镇为核心的新城组团热点区。此外,在城市外围以连霍高速为发展轴形成了若干二级集聚热点区,成为生产性服务业向外扩展的新兴空间载体。传统型生产性服务业企业的集聚热点区分布与总体相似,但西固老工业区集聚组团有所萎缩,而以榆中县城所在地城关镇为核心的新城集聚组团扩张明显（图2b）;现代型生产性服务业企业集聚热点区分布与总体存在较大差异,仅有主城区和新区两大一级集聚热点区,而二级集聚热点区的空间分布进一步向一级集聚热点区集中并在西北方向的远郊区出现“断层”（图2c）;高端型生产性服务业企业位于主城区内的一级热点集聚区向东扩张趋势明显,二级集聚热点区范围整体有所扩大,近郊区以和平镇与城关镇为核心的集聚热点区扩张显著（图2d）。

图2

新窗口打开|下载原图ZIP|生成PPT
图2兰州市生产性服务业集聚热点区空间分布

Fig. 2Spatial distribution of producer services clusters in Lanzhou

（2）制造业空间分布特征。与生产性服务业企业较为集中的分布形态相比,兰州市制造业企业形成了7个一级集聚热点区和37个二级集聚热点区,且主要分布在主城区的西固老工业基地以及郊区的苦水镇、平安镇、西果园镇、和平镇、西岔镇、中川镇、金崖镇、夏官营镇等少数区域,整体空间布局郊区化趋势明显并呈现出集中与扩散并存的空间分布特征（图3a）。其中,一级集聚热点区有两个位于主城区,五个位于郊区;二级热点区在郊区的分布范围较广,呈现出以主城区为依托向城市外围圈层扩散的空间分布格局。不同类型制造业企业的集聚热点区与总体存在一定差异,劳动密集型制造业企业仅存在主城区内的一个一级热点区且集聚组团略有扩张,二级集聚热点区数量明显减少且在主城区内的集聚程度有所提高（图3b）;资本密集型制造业企业的一级热点区主要分布在主城区并呈现向近郊区树屏镇方向延伸的趋势,而二级热点区在远郊区的数量明显减少,主要分布在远郊区的兰州新区和近郊区的部分区域（图3c）;技术密集型制造业企业在东南方向的近郊区形成一级集聚热点区,相较于制造业整体其热点区分布更倾向于中心城区及近郊区内沿区域布局（图3d）。

图3

新窗口打开|下载原图ZIP|生成PPT
图3兰州市制造业集聚热点区空间分布

Fig. 3Spatial distribution of manufacturing clusters in Lanzhou

（3）生产性服务业与制造业的空间关联。兰州市生产性服务业与制造业空间格局整体具有一定的相似性,均呈现出以主城区为主体、外围局部地区为补充的“中心-外围”空间特征。通过测度发现（表2）,兰州市生产性服务业与制造业的整体地理联系率达到78.6,表明在供给与需求的共同作用下二者的空间相互依赖程度较高。原因可能在于制造业集聚发展所需要的多样化服务会诉求于当地生产性服务业,而生产性服务业企业为了获得更大市场需求倾向布局在制造业企业集聚程度较高的区位并利用其空间外溢效应服务于周边制造业发展。此外,由于制造业溢出效应的存在使得郊区生产性服务业的分布密度明显低于制造业,表明兰州市生产性服务业与制造业在城区存在较高空间关联性的同时,二者在空间上也具有一定的可分性。从不同行业类型来看,生产性服务业与制造业细分行业间空间分布的关联程度也存在差异。其中,由于以生产性支持、交通运输以及批发贸易服务等为主要构成的传统型生产性服务业为处于价值链低端的劳动密集型制造业提供了与之配套的中间性服务,二者具有较好的空间匹配性并形成了明显的空间邻近效应。相比之下,为了发挥产业联动效应和实现企业间的集聚创新,以金融、研发和商务服务为主要构成的具有知识密集和技术密集特点的现代和高端型生产性服务业与处于产业链高端环节的资本和技术密集型制造业呈现出较强的空间关联性特征。

Tab. 2
表2
表2兰州市生产性服务业与制造业空间联系率
Tab. 2Spatial connection rate between producer services and manufacturing in Lanzhou

	生产性服务业	传统型	现代型	高端型
制造业	78.6	66.3	70.8	72.4
劳动密集型	66.3	72.7	61.5	60.6
资本密集型	72.5	70.5	80.1	73.8
技术密集型	81.2	65.9	74.7	76.3

新窗口打开|下载CSV

3.2 生产性服务业与制造业空间布局模式

兰州市生产性服务业与制造业虽在空间上具有不同程度的关联,但其差异性依然存在,因此本文对生产性服务业与制造业的区位选择模式进行了归纳比较（图4,见第 3161页）。整体来看,兰州市生产性服务业属于“紧凑型-中心性”模式,企业集聚区主要位于中心城区及其外延的近郊区;制造业属于“离散型-郊区化”模式,企业集聚区主要位于城市的郊区。

图4

新窗口打开|下载原图ZIP|生成PPT
图4兰州市生产性服务业与制造业空间布局模式

Fig. 4The spatial distribution model of producer services and manufacturing in Lanzhou

区位分布形态的差异与企业空间载体及其演变有密切关系,因此生产性服务业与制造业区位选择模式的差异既反映了企业自身空间诉求,也与城市产业发展的空间载体存在紧密联系。通过分析发现,兰州市生产性服务业的空间载体较为多元,除政府主导的开发区建设型模式外,还有城区商业中心依附型和郊区卫星城镇散布型,城市中心区成为生产性服务业企业空间集聚的热点区域。其中,传统型生产性服务业主要分布于城区外围或郊区的卫星城镇以及新区的产业园区;现代型生产性服务业基于面对面交流的主导需求,更倾向于邻近客户市场,由核心区向外围呈等级化分布;高端型生产性服务业对政府产业支撑政策较为敏感,其在空间上趋于城区边缘布局。相较于生产性服务业而言,兰州市制造业的空间载体较为单一,以开发区和国家级新区建设型模式为主。其中,劳动密集型制造业主要位于中心城区或近郊区的开发区和工业园区,原因在于兰州市人口密集区主要分布在主城区及近郊乡镇,能够为劳动密集型制造业的发展提供充足的劳动力资源。资本密集型制造业则主要以国家级新区和郊区工业园区为空间载体,依托产业园区的政策优势形成集聚。技术密集型制造业主要分布在主城区的老工业区,但随着“退二进三”“出城入园”等相关产业政策的实施,原位于城区的部分企业逐渐向郊区转移,以新城、新区为代表的新一代开发区也成为承接城区产业转移的主体。

就产业空间布局的关联性而言,中心城区空间载体的多元化为生产性服务业与制造业的协同布局提供了多种选择,因此仍然是两种产业的主要集聚区。作为中国西北地区典型的工业城市,兰州拥有众多零散分布的老工业区,近年来借助区位和政策优势,城区内不少老工业区已实现向高端制造转型升级,产业环境也得到极大改善。在此过程中,部分生产性服务企业依托老工业区的产业基础并结合与之相关联的主导工业逐渐发展起来,与原有制造业企业形成了空间上的区位协同。此外,兰州新区以及卫星城镇的发展在分担主城区部分职能的同时也为生产性服务业与制造业在郊区的临近布局及空间联动效应的发挥提供了有效载体支撑。

4 兰州市生产性服务业与制造业区位选择影响因素

企业在多种因素的共同作用下往往会选择某种“利润满意”而非“利润最优”区位^[24]。鉴于新企业选址会受到地区行业原有企业规模和空间布局状况的影响,以2018年之后新建企业为研究对象,选取若干表征变量分析原有企业状况及其他因素对新企业选址的影响。

4.1 指标选取

（1）传统区位要素。① 自然条件是兰州市地域结构形成与发展的最基本因素^[25]。其中,宏观区域性地貌格局奠定了兰州城市发展的基础,本文以备选区位的地形起伏度作为地形要素的表征变量;考虑到河谷地形引致的区域性气候条件差异对城市产业空间布局的影响,本文以备选区位邻近气象站点年均降水量均值的对数值作为气候因素的表征变量。② 现代城市空间结构的形成有其历史的必然性,产业空间布局在历史惯性和产业根植性的作用下折射出的城市历史烙印也影响着新建企业的区位选择。鉴于兰州自1941年设市以来基本沿袭了清末的城市空间格局,以老城为中心的城关一带一直是经济社会发展的核心区^[26],并且经过“一五”“三五”时期的倾斜扶持和重点建设,兰州逐渐由一个落后的以自然经济为主的内陆城镇蜕化成为以先进的大工业体系为主导的新兴工业城市^[27]。本文以备选区位是否位于老城区和老工业区作为表征变量,以此进一步明确历史因素对于企业区位选择的影响。③ ****们通常将集聚经济划分为地方化经济和城市化经济两种类型^[28,29],考虑到多样化的城市经济和专业化的地方化经济对生产性服务业和制造业的影响,本文分别由备选区位从业人员的多样化指数和专业化指数表征。④ 区域完善的基础配套能够有效地提升其产业承载能力,并且随着土地有偿使用制度的确立,土地使用成本被逐渐纳入到了企业的固定成本之中并成为影响企业区位选择和产业空间重构的重要因素,因此本文引入基础设施和商业基准地价作为区位资源禀赋的表征变量。

（2）特征要素。由于生产性服务业与制造业企业在区位选择的过程中既存在诸多产业共性又具有一定的行业特性,因此在研究中选取两类行业的特征性变量对其区位选择的异质性进行表征（表3）。① 生产性服务业作为一种具有集聚特性的现代服务行业,其区位选择具有地理集中性且倾向于城市中心区域布局,本文将生产性服务业企业区位选择的中心性分布作为其特征要素。② 以资源配置市场化和行为主体市场化为主体的经济转型极大地激发了全国民营企业的自主性和市场理性,制造业在此过程中出于成本压力被迫向郊区转移,因此本文以备选区位是否位于城市郊区作为表征变量。③政策影响也是****们关注的焦点,本研究在考虑国家级新区对企业区位选择影响的同时,分别将备选区位是否位于商业中心区和经济开发区作为政策因素对生产性服务业和制造业区位影响的表征变量。

Tab. 3
表3
表3产业区位选址模型解释变量及预期影响
Tab. 3Explanatory variables and expected impacts of the industrial location model

	解释变量（变量代码（单位））	定义	预期影响
自然条件	地形起伏（ln Landform (m)）	所在街道地形起伏度的对数值	-
	年均降水量（ln Rainfall (mm)）	所在街道年均降水量的对数值	+
区位历史	是否位于老城区（dummy OC）	所在街道位于老城区为1,否则为0	+/-
	是否位于老工业区（dummy OIA）	所在街道位于老工业区为1,否则为0	+/-
城市化经济	多样化指数（ln RDI (%)）	所在街道产业多样化指数的对数值	+/-
	从业人员总量（ln Labor_T (%)）	所在街道非农业人口占年末总人口比重	+
地方化经济	专业化指数（ln RZI）	所在街道前一年两产业专业化指数的对数值	+/-
	生产性服务业/制造业从业人员数量（ln Labor_P/M）	所在街道前一年两产业从业人员数量的对数值	+
要素禀赋	基础设施（ln Infrastructure (km/km²)）	所在街道道路密度（取对数）	+
	商业基准地价（ln Landprice）	城区一到六级地价分别赋予1~6数值,城区以外赋予数值7（取对数）	-
中心性/郊区化	是否位于中心城区/郊区（dummy CC/CS）	所在街道属于中心城区/郊区为1,否则为0	+
政策影响	是否位于商业中心区/开发（dummy CBD/DZ）	所在街道位于商业中心区/开发区为1,否则为0	+
	是否位于国家新区（dummy NA）	所在街道位于国家新区为1,否则为0	+
控制变量	土地面积（ln Land (km²)）	所在街道面积的对数值	+

注：+、-分别表示各解释变量对企业区位选择的预期影响为正向、负向。

新窗口打开|下载CSV

（3）控制要素。Ellison和Glaeser^[30]的随机镖靶理论认为某地区企业的多少与该地区的面积正相关,而且其弹性应该为1。鉴于此,以备选区位的面积作为两类企业区位选择的控制变量。

4.2 生产性服务业与制造业企业区位选择

由于条件逻辑模型的估计参数不能直接显示出解释变量和被解释变量的边际影响,因此本文参考Stough等^[31]的处理方法,以平均概率弹性来计算回归系数的边际大小。考虑到模型变量选取可能存在共线性问题,故在多重共线性检验的基础上,根据变量特点设定了7个模型,采用最大似然法分别对生产性服务业和制造业的各解释变量进行估计。

4.2.1 生产性服务业企业区位选择因素测度模型1包括前文提及的所有解释变量,结果表明以区位历史、集聚经济以及中心性对新建企业的影响最为显著,自然因素、租金成本以及政策因素对生产性服务企业区位选择的影响较弱,而作为控制要素的土地面积其变量符号与预期相反（表4）。由此可以看出,生产性服务业企业在区位选择的过程中并不会优先考虑自然条件和备选区位面积对于企业发展的影响,并且凭借其较强的投标竞租能力和产业关联,呈现出趋向专业化程度高、发展环境好的城市中心区域和老工业区关联产业集聚区分布的特点。

Tab. 4
表4
表4生产性服务业企业区位条件Logit模型估计结果
Tab. 4Logit model estimation results of location conditions of productive service enterprises

变量	模型1	模型2	模型3	模型4	模型5	模型6	模型7
Ln Landform	-0.497^**		-0.685^*	-0.536^**	-0.682^**	-0.757^*	-0.795^*
	（-1.982）		（-2.039）	（-3.170）	（-1.973）	（-4.305）	（-2.163）
Ln Rainfall	0.357^*		0.409^**	0.258	0.579	0.283^*	0.328
	（1.597）		（1.635）	（0.597）	（0.926）	（1.350）	（0.837）
Dummy OC	0.583^***	0.505^***		0.428^*	0.832^***	0.795^***	0.586^****
	（0.839）	（0.696）		（0.902）	（1.903）	（2.306）	（2.362）
Dummy OIA	0.282^***	0.268		0.395^*	0.497^*	0.549^**	0.537^**
	（2.635）	（0.916）		（1.386）	（1.029）	（2.062）	（0.895）
Ln RDI	0.364^***	0.482^***	0.672^***		0.583^***	0.258^**	0.430^***
	（3.218）	（2.053）	（1.952）		（3.529）	（4.028）	（2.381）
Ln Labor_T	0.319^***	0.259^***	0.509^***		0.381^**	0.157^*	0.425^***
	（2.614）	（3.018）	（2.980）		（1.507）	（1.108）	（3.856）
Ln RZI	0.502^***	0.532^***	0.487^***		0.779^***	0.329^**	0.852^***
	（4.06）	（3.286）	（2.908）		（5.293）	（3.685）	（5.085）
Ln Labor_P	0.628^***	0.364^***	0.309^**		0.558^***	0.184^*	4.553^***
	（5.265）	（3.057）	（4.192）		（4.082）	（1.572）	（5.018）
In frastructure	0.409^***	0.386^***	0.451^***	0.357^***		0.176^*	3.043^***
	（3.981）	（3.508）	（2.834）	（4.029）		（1.508）	（2.880）
Ln Landprice	-0.162^*	-0.425^***	-0.857^***	-0.930^***		-0.207^**	-0.375^**
	（-0.851）	（-1.835）	（-4.163）	（-2.918）		（-1.380）	（-4.272）
Dummy CC	0.506^***	0.853^***	0.392^***	0.289^*	0.370^***		0.575^***
	（4.895）	(5.482)	（3.012）	（1.239）	（5.138）		（2.963）
Dummy CBD	0.237^*	0.386^***	0.135	0.282	0.637^***	0.496^*
	（2.058）	（1.350）	（0.613）	（0.987）	（3.937）	（1.683）
Dummy NA	0.407^**	0.532^**	0.283^*	0.806^***	0.153^*	0.952^***
	（1.928）	（1.608）	（2.837）	（4.602）	（3.639）	（3.950）
Ln Land	-0.058	0.085	0.036	0.263^*	0.075	0.095^**	0.060
	（-0.630）	（0.297）	（0.153）	（3.085）	（1.257）	（2.508）	（0.382）

注：括号内数据为z检验值,在大样本统计量情况下（n>30）,通常用z检验代替t检验;*、**、*** 分别表示在10%、5%、1% 统计水平上显著。

新窗口打开|下载CSV

模型2和模型3在保持其他变量不变的情况下,分别关注自然因素和历史因素对生产性服务业企业空间分布的影响。在不考虑自然条件限制的情况下,测度结果所显示的各变量符号与模型1相似,表明自然因素对生产性服务企业选址行为的正向影响比较稳定。在不考虑历史因素影响的情况下,集聚经济和要素禀赋的显著性明显增强,政策优惠对于企业的吸引力有所降低,表明备选区位在历史发展中所积淀的产业基础和底蕴对于新建企业的区位选择仍发挥着重要作用。

模型4和模型5依次放松对集聚经济和要素禀赋的控制,测度各要素变量对生产性服务业企业区位选择的影响。通过测度发现如果不考虑集聚经济因素,租金成本、政策因素以及控制变量对于企业区位选择的影响程度明显增强,表明集聚经济所产生的外部效用是生产性服务业企业区位选址的重要考量;当不考虑区位要素禀赋时,地方化经济对于生产性服务业企业空间分布的影响更为显著,城市化经济的影响有所降低,原因可能在于生产性服务业作为一种具有集聚特性并趋于中心性分布的行业,城市中心依托其便利的基础配套所形成的产业集群虽能产生较好的集聚外部经济,但高昂的地价增加了经营成本成为新建企业选址的重要制约因素。

模型6和模型7分别摒弃区位中心性和政策因素的影响。在不考虑区位中心性的情况下,区位的集聚经济和要素禀赋对于企业空间分布影响的显著性明显降低,而政策因素在企业区位选择中的调控作用增强,说明与城市中心区域的临近对于生产性服务业企业空间分布有重要影响。在不考虑政策因素的情况下,集聚区各变量符号与模型1相比变化较小,表明新建生产性服务业企业在进行区位选择时的自主性较强,政策因素对于其空间布局的影响较小。

4.2.2 制造业企业区位选择因素测度模型1中,备选区位的地形起伏度、区位历史、商业基准地价以及以开发区和国家级新区为表征的政策因素对于制造业区位的选择影响显著（表5）。测度结果表明制造业企业受占地面积的影响,地形因素成为其区位选择的重要考量;在“退二进三”产业政策以及土地有偿使用制度的推动下,制造业企业在区位选择中传统老工业区的吸引力逐渐减小并倾向于土地成本低的郊区布局,而随着基础配套设施的逐渐完善,享有土地、税收等政策优惠的开发区和国家级新区客观上为制造业的外迁提供了方向。

Tab. 5
表5
表5制造业企业区位条件Logit模型估计结果
Tab. 5Logit model estimation results of location conditions of manufacturing enterprises

变量	模型1	模型2	模型3	模型4	模型5	模型6	模型7
Ln Landform	-0.370^***		-0.275^***	-0.353^**	-0.297^**	-0.503^***	-0.429^***
Ln Landform	（-3.813）		（-2.836）	（-2.278）	（-1.986）	（-3.558）	（-2.816）
Ln Rainfall	0.326^*		0.427	0.384^*	0.264^*	0.372	0.290
Ln Rainfall	（1.925）		（0.597）	（0.809）	（1.057）	（0.710）	（0.082）
Dummy OC	-0.397^**	-0.218^*		-0.171^*	-0.408^**	-0.282^**	-0.415^*
Dummy OC	（-2.016）	（-1.509）		（-1.876）	（-1.052）	（-1.958）	（-1.037）
Dummy OIA	0.179^***	0.287^***		0.308^***	0.290^**	0.206^**	0.285^***
Dummy OIA	（2.153）	（3.412）		（3.016）	（2.058）	（1.903）	（3.759）
Ln RDI	0.259^***	0.105^**	0.352^*		0.602^***	0.409^***	0.417
	（1.863）	（0.937）	（1.150）		（4.802）	（5.425）	（1.024）
Ln Labor_T	0.286^***	0.314^*	0.398^**		0.419^***	0.307^**	0.380^*
Ln Labor_T	（1.335）	（1.580）	（3.276）		（3.983）	（1.085）	（0.829）
Ln RZI	0.309^**	0.506^**	0.585^***		0.473^***	0. 604^**	0.254^**
	（1.850）	（3.282）	（4.032）		（3.209）	（1.325）	（2.059）
Ln Labor_M	0.238^**	0.406^***	0.359^***		0.291^**	0.296^**	0.352^*
Ln Labor_M	（1.583）	（2.597）	（3.082）		（0.837）	（2.351）	（0.945）
Ln Frastructure	0.397^**	0.305^**	0.298^**	0.539^***		0.314^**	3.226^*
Ln Frastructure	（2.430）	（1.207）	（2.145）	（4.362）		（2.073）	（1.507）
Ln Landprice	-0.706^***	-0.637^***	-0.530^***	-0.697^***		-0.597^***	-0.251^***
Ln Landprice	（-2.472）	（-2.382）	（-2.052）	（-3.837）		（-4.807）	（-4.986）
Dummy CS	0.404^***	0.498^***	0.503^***	0.283^*	0.339^***		0.584^*
Dummy CS	（2.208）	（2.054）	（3.302）	（3.042）	（4.052）		（2.013）
Dummy DZ	0.532^***	0.403^***	0.709^***	0.930^**	0.262^*	0.260^*
Dummy DZ	（2.153）	（1.331）	（4.302）	（3.102）	（1.632）	（0.705）
Dummy NA	0.432^***	0.502^**	0.730^***	0.503^***	0.236^*	0.532^***
Dummy NA	（2.625）	（3.527）	（3.509）	（2.079）	（1.295）	（2.958）
Ln Land	0.690^**	0.393^**	0.572^***	0.280^*	0.354^**	0.182^*	0.253^*
Ln Land	（2.380）	（2.057）	（2.873）	（1.210）	（2.409）	（1.613）	（0.982）

注：括号内数据为z检验值,在大样本统计量情况下（n>30）,通常用z检验代替t检验;*、**、*** 分别表示在10%、5%、1% 统计水平上显著。

新窗口打开|下载CSV

模型2和模型3在保持其他变量不变的情况下,分别剔除自然因素和历史因素两个方面的影响,控制变量的符号与模型1基本相同且显著性依然较高,但是对于城市化经济和地方化经济的影响则有一定的差异。自然因素对于地方化经济和城市化经济的影响较小,但不控制历史因素,备选区位专业化程度和政策因素对于企业空间分布影响的显著性就会明显降低,表明历史因素对于制造业企业空间分布有重要影响。

模型4和模型5分别摒弃集聚经济和资源禀赋变量,进一步分析其对于制造业企业空间分布的影响。当不考虑集聚经济的外部性时,资源禀赋和政策因素的影响显著增强,表明地方化经济所产生的外部经济效益尤其是企业的空间集聚为企业甄别信息、模仿竞争对手以及引领创新所提供的便捷途径对于制造业企业具有较强吸引力。在不考虑资源禀赋的情况下,城市化经济对于制造业企业空间分布的影响更为显著,产业多样化指数和就业人数每提高10%,企业选择该区位的概率弹性将会分别增加25.4%和28.0%。

模型6和模型7分别放松对区位郊区化和政策因素的控制,发现两模型所显示的各变量符号与模型1相似,均呈现出较高的显著性水平,说明郊区化和政策因素对制造业企业选址行为的影响比较稳定。

4.3 不同类型生产性服务业与制造业企业区位选择

考虑到不同类型生产性服务业与制造业企业由于行业属性、企业性质的差异,在区位选择上会有各自的偏好。因此,在对新建生产性服务业和制造业企业区位选择因素进行整体测度的基础上,按照行业属性特点又进一步将二者细分行业企业进行测度分析,并同时考虑企业性质对企业区位选择的影响。

4.3.1 不同类型生产性服务业企业区位选择因素测度从行业类型来看,传统型生产性服务业企业区位选择受到地方化经济、基础配套设施、商业基准地价的影响最为显著,而城市化经济和区位中心性对其区位选择的影响较小。现代型生产性服务业企业则更加看重企业的集聚效益、中心城区的向心力以及以扶持商业中心区为主导的政策因素对企业发展的影响,而老城区凭借其区位声望也成为现代型生产性服务业企业的理想区位。高端型生产性服务业企业受到产业集聚所带来的集聚效益和创新效应以及政府产业扶持政策的吸引,其区位选择更具有地方化经济导向和政策导向（表6）。

Tab. 6
表6
表6不同类型生产性服务业企业区位选择模型测度结果
Tab. 6Measurement results of location model for different types of productive service enterprises

变量	传统型			现代型			高端型
变量	整体	内资	外资	整体	内资	外资	整体	内资	外资
Ln Landform	-0.382^*	-0.205^*	-0.317	-0.429^**	-0.306^*	-0.338^**	-0.280^*	-0.176^*	-0.373^*
	（-2.416）	（-1.084）	（-0.593）	（-2.612）	（-0.847）	（-1.927）	(-1.036)	(-0.895)	(-0.174)
Ln Rainfall	0.157^*	0.268^*	0.332	0.225	0.375	0.309	0.173^**	0.109	0.358^***
	（0.585）	（1.059）	（0.805）	（0.852）	（0.635）	（0.598）	（1.384）	（0.263）	（2.807）
Dummy OC	0.372^*	0.257^*	0.186^**	0.586^***	0.329^**	0.473^***	0.379^**	0.286^**	0.357^**
	（1.083）	（1.925）	（2.414）	（3.051）	（1.382）	（3.942）	（1.736）	（1.581）	（1.308）
Dummy OIA	0.107	0.203	0.359^*	0.262	0.385^*	0.297	0.405^*	0.377	0.297
	（0.837）	（1.307）	（1.573）	（0.519）	（0.807）	（0.153）	（1.165）	（0.495）	（0.136）
Ln RDI	0.530^**	0.582^**	0.683	0.407	0.575^***	0.319^**	0.519	0.430^*	0.563^*
	(2.068)	(1.762)	(1.073)	(1.297)	(1.759)	(1.406)	(0.836)	(1.672)	(0.587)
Ln Labor_T	0.272^*	0.216^*	0.107	0.330	0.264	0.405	0.362^*	0.309^*	0.174
	（0.839）	（1.052）	（1.233）	（0.827）	（0.059）	（0.287）	（1.067）	（1.088）	（0.375）
Ln RZI	0.572^***	0.508^**	0.305^***	0.432^***	0.270^*	0.506^***	0.417^***	0.358^**	0.403^***
	(2.462)	(2.080)	(0.853)	(3.316)	(3.013)	(4.381)	(4.029)	(2.508)	(0.977)
ln Labor_P	0.358^***	0.257^**	0.485^***	0.359^***	0.304^***	0.415^***	0.504^**	0.357^**	0.461^***
	（3.573）	（1.392）	（2.980）	4.198	3.573	4.636	（2.420）	（1.887）	（2.935）
Ln Frastructure	0.295^***	0.407^**	0.558^***	0.375^**	0.422^*	0.416^**	0.302^**	0.397^**	0.417^**
Ln Frastructure	（3.508）	（2.351）	（3.636）	（1.506）	（1.035）	（2.074）	（1.094）	（2.186）	（1.930）
ln Landprice	-0.537^***	-0.628^***	-0.328^*	-0.454^*	-0.337^*	-0.209^*	-0.505^*	-0.391^*	-1.205^***
	(-2.658)	(-1.937)	(-1.076)	(-0.598)	(-0.604)	(-0.592)	(-1.913)	(-1.705)	(-3.109)
Dummy CC	0.308^*	0.325^***	0.508	0.632^***	0.473^**	0.595^***	0.408^**	0.652^***	0.539^**
	(2.105)	(1.628)	(1.027)	(3.685)	(2.392)	(4.026)	(1.190)	(2.037)	(1.407)
Dummy CBD	-0.206^**	-0.597^**	0.328	0.370^***	0.595^***	0.476^*	0.622	0.375	0.608
	(-1.087)	(-2.064)	(0.541)	(2.305)	(2.714)	(1.834)	(0.387)	(0.182)	(0.107)
Dummy NA	0.394	0.635	0.579	0.496	0.482^**	0.582	0.835^***	0.367^**	0.585^***
	(1.307)	(0.758)	(0.137)	(0.059)	(1.150)	(0.217)	(1.262)	(1.059)	(3.603)
Ln Land	0.205	0.537^**	0.107	0.152	0.437	0.359	0.385	0.281^*	0.379
	(0.503)	(3.052)	(1.027)	(0.417)	(3.083)	(1.358)	(0.045)	(0.583)	(0.407)

注：括号内数据为z检验值,在大样本统计量情况下（n>30）,通常用z检验代替t检验;*、**、*** 分别表示在10%、5%、1% 统计水平上显著。

新窗口打开|下载CSV

从企业性质来看,传统型内资生产性服务业企业的区位选择主要关注城市中心区的向心力以及商业基准地价的排斥力所带来的空间效应,而传统型外资企业则更加关注地方化经济和基础配套设施。通常与城市中心的距离越近,意味着企业更为便利地利用基础设施的同时也承担着高地租和高成本压力。由于外资企业多为跨国公司的子公司往往拥有强大的资金支持,相较于内资企业而言成本因素对其区位选择的影响较小,地方化经济和基础配套设施配套成为影响其区位选择的主要因素。企业性质对于现代型生产性服务业企业区位选择的影响主要体现在内资企业较为关注城市化经济和政策因素,其中以产业多样化指数和是否位于商业中心区的影响最为显著,测度结果表明备选区位产业多样化指数每提高10%,内资企业选择该区位的概率弹性将会提高55.7%,而位于商业中心区的区位被选择的概率要比其他区位高出57.6%;现代型外资生产性服务业企业在区位选择中更看重区位原有企业的集聚效益、与城市中心的邻近性以及交通便利程度的同时,随着高端研发型企业的发展在企业选址过程中也开始兼顾气候因素的影响。相比之下,不同性质高端型生产性服务业企业的区位选择差异较小,均不同程度受到地方化经济、中心邻近性以及政策因素的正向影响。

4.3.2 不同类型制造业企业区位选择因素测度从行业类型来看,劳动密集型制造业倾向于在劳动力资源较为丰富且交通便利的主城区及其外缘布局,表明兰州市该类型制造业的劳动力资源主要来源于本地,便利的交通条件能有效提高员工的通勤效率成为其选择区位的重要考量（表7,见第3168页）。资本密集型制造业企业对于自然因素、地价较为敏感且均通过了模型1%显著性检验,表明其倾向布局在近郊区的开发区或远郊区的地理条件较好的新区和卫星城镇,尤其是兰州新区作为国家级新区凭借其产业政策优势和充足的建设用地储备成为该类型企业转移入驻的首选区位。技术密集型制造业受区位资源禀赋和政策因素的影响较大,倾向于在地价较高的城市中心区或郊区的开发区布局。此外,先期入驻技术密集型制造业企业在累积循环因果效应的作用下进一步深化了后期入驻企业的地理集聚趋势,因此相较于其他类型制造业而言该类型企业更注重集聚经济的外部效用。

Tab. 7
表7
表7不同类型制造业企业区位选址模型测度结果
Tab. 7Measurement results of location model for different types of manufacturing enterprises

变量	劳动密集型			资本密集型			技术密集型
变量	整体	内资	外资	整体	内资	外资	整体	内资		外资
Ln Landform	-0.405^**	-0.279^**	-0.082^**	-0.509^**	-0.324^**	-0.552^**	0.317^*	0.368^***		0.304^**
	（-2.058）	（-3.229）	（-2.109）	（-2.517）	（-0.237）	（-0.086）	（2.072）	（4.632）		（1.104）
Ln Rainfall	0.263^*	0.284^*	0.139	0.192	0.144	0.152	0.103^**	0.220		0.128
	（0.586）	（2.070）	（4.037）	（0.307）	（1.946）	（1.367）	（0.587）	（1.037）		（0.082）
Dummy OC	-0.529^**	-0.733^*	-0.352^*	-0.382^*	-0.204^*	-0.051	-0.180^**	-0.153		-0.181
	（1.264）	（2.787）	（0.550）	（1.053）	（-0.903）	（-2.732）	（-3.872）	（-0.297）		（-0.885）
Dummy OIA	0.285^*	0.260^**	0.141	0.195^*	0.490	0.468	0.351^*	0.525^**		0.389
	（0.507）	（1.387）	（0.591）	（0.284）	（1.946）	（2.136）	（2.028）	（1.440）		（1.836）
Ln RDI	0.362^**	0.504^*	0.309^**	0.462^**	0.379^**	0.686^***	0.309^**	0.587^**		0.622^***
	(1.067)	(0.915)	(1.307)	(3.508)	(1.882)	(2.973)	(1.037)	(0.853)		(1.642)
Ln Labor_T	0.507^***	0.583^***	0.309^***	0.275^*	0.382^*	0.371	0.271^**	0.162^**		0.185^**
	（4.108）	（1.219）	（3.632）	（0.192）	（2.083）	（1.743）	（2.507）	（1.410）		（0.927）
Ln RZI	0.575^*	0.386	0.413^**	0.285^**	0.509	0.573^***	0.518^***	0.635^**		0.557^***
	(0.975)	(1.268)	(1.503)	(0.713)	(0.891)	(1.764)	(1.865)	(1.027)		(2.536)
Ln Labor_M	0.583^***	0.793^***	0.731^***	0.282	0.270	0.239	0.366^**	0.492^**		0.303^*
	（2.690）	（3.632）	（5.543）	（0.059）	（1.583）	（1.907）	（2.309）	（2.883）		（1.970）
Ln Frastructur	0.390^**	0.193^***	0.472^***	0.306	0.141	0.204	0.413^**	0.167^**		0.194^***
Ln Frastructur	（2.842）	（5.080）	（4.947）	（1.837）	（0.802）	（0.511）	（2.339）		（3.409）	（3.286）
Ln Landprice	-0.485^***	-0.537^***	-0.493^*	-0.492^**	-0.690^*	-0.352^*	-0.284^**		-0.693^**	-0.479^*
	(-2.058)	(-3.608)	(-1.882)	(-1.908)	(-1.421)	(-0.940)	(-1.730)		(-0.805)	(-0.387)
Dummy CS	0.391^*	0.739^***	0.337	0.375^**	0.595^**	0.384^**	0.519		0.269	0.305
	(1.764)	(1.708)	(1.050)	(3.501)	(1.930)	(3.263)	(0.907)		(0.553)	(0.887)
Dummy DZ	0.463^**	0.634^*	0.513^**	0.395^**	0.418^**	0.697^***	0.482^***		0.420^**	0.725^***
	(2.339)	(1.726)	(1.709)	(1.493)	(1.335)	(2.975)	(1.207)		(1.159)	(2.031)
Dummy NA	0.319^*	0.339	0.674	0.386^***	0.593^**	0.429^***	0.395^***		0.570^***	0.696^**
	(1.952)	(0.805)	(0.617)	(4.103)	(1.938)	(2.157)	(2.205)		(1.059)	(0.806)
Ln Land	0.579^**	0.219^*	0.508	0.397^**	0.203^**	0.325	0.297		0.604	0.589
	(1.828)	(0.836)	(0.718)	（1.530）	(1359)	(0.825)	(0.168)		(0.537)	(1.828)

注：括号内数据为z检验值,在大样本统计量情况下（n>30）,通常用z检验代替t检验;*、**、*** 分别表示在10%、5%、1% 统计水平上显著。

新窗口打开|下载CSV

从企业性质来看,劳动密集型外资制造业倾向于城市化率较高和配套设施较为完善的区域布局,而内资企业受付租能力和产出效率的影响,在关注交通便捷程度的同时更倾向于郊区低地价成本区位布局。资本密集型内外资制造业区位选择因素的差异主要体现在对于集聚效益的关注度上。从测度结果来看,备选区位多样化指数和地方化指数每提高10%,被该类型外资企业选择的概率将会分别提高67.23%、56.15%,而对内资企业的影响较小且没有通过1%显著性检验,表明外资资本密集型制造业企业相较于同类型内资企业更加注重区位产业环境对企业发展的影响。技术密集型制造业内外资企业的区位选择均受到集聚经济、资源禀赋以及政策因素的影响,但影响强度存在明显差异。测度结果表明技术密集型内资制造业企业更倾向于地形较为平坦、政策支持力度大的国家级新区布局,而外资企业倾向布局在城市化水平较高、集聚效益较好的开发区或产业园区。整体来看,以开发区和国家级新区为表征的政策因素对于不同性质制造业企业均具有不同程度的影响,表明政府通过政策性扶植降低企业交易成本和市场不确定性对于引导产业结构调整和空间布局优化起到了重要作用。

5 结论与讨论

随着企业个体信息的可获得性不断提高和地理信息技术的发展,采用微观数据对产业空间布局的研究应该受到重视。相对于传统以行政边界为基础的面状数据的分析方法,微观尺度下以企业点数据为基础的研究能够更加准确、细致地反映城市内部产业空间分布特征。本文完成了从企业工商登记数据到企业地址信息向空间数据的转换,再到生产性服务业与制造业空间布局关联性分析,最后对不同类型生产性服务业与制造业区位选择因素的差异进行对比,初步构建了一个较为完整基于企业微观数据的生产性服务业与制造业产业空间布局及区位选择分析的研究架构,结论如下：

（1）通过分析发现兰州市生产性服务业与制造业的空间布局具有一定的空间临近性,整体呈现出以主城区为主体外围局部地区为补充的“中心-外围”空间格局。随着城市服务功能的分散促使生产性服务业也呈现出一定的郊区化趋势,但其在郊区的规模和密度远低于制造业,二者在空间上存在关联的同时又具有一定的可分性。此外,开发区、产业园区的发展为兰州市生产性服务业与制造业间的联动提供了多元空间载体并分别形成了“紧凑型-中心性”和“离散型-郊区化”模式。

（2）生产性服务业与制造业企业的区位选择需在产业环境和要素投入以及政策导向方面进行权衡,对于生产性服务业企业而言其对空间集聚的偏好程度要明显强于制造业企业,而且生产性服务业企业更看重集聚经济带来的经济效益。相比之下,制造业企业对于地形条件、资源禀赋、郊区化布局以及以开发区和国家级新区为表征的政策因素更为关注。整体而言,生产性服务业企业较为关注区域整体的发展氛围,而制造业企业则更注重相关产业政策和基础设施配套。

（3）影响生产性服务业与制造业细分行业企业区位选择的因素基本符合两类产业总体特征,但不同行业之间也存在一定的差异。就生产性服务业而言,传统型生产性服务业企业区位选择受到地方化经济、区位资源禀赋的影响最为显著;现代型和高端型生产性服务业企业的区位选择则更具有地方化经济和政策倾向性导向。就制造业而言,劳动密集型制造业企业倾向布局在地理条件较为优越、劳动力资源丰富且交通便利的地区;资本密集型制造业企业在具有产业政策优势的开发区和新区形成集聚;技术密集型制造业企业受成本要素的制约较小且更加注重区位的集聚效益和创新环境。此外,企业性质对两类企业的布局都有显著影响,由于外资企业更关注政府招商引资的政策优惠,故商业基准地价在外资企业区位选择中影响不显著。

以往绝大多数研究表明生产性服务业与制造业在区域尺度存在不同程度的空间关联,本文结合现有研究基础通过对城市内部生产性服务业与制造业的空间分析发现,二者在城市内部存在空间关联的同时又具有一定的地域性和行业异质性特征。由于行业间投入要素以及产业链前后向关联程度的差异,生产性服务业与制造业各细分行业间在产业协同发展过程中所关注的成本要素会各有侧重,进而引起二者细分行业间空间关联性在城市内部的地域分异。此外,以往研究表明城市化经济和地方化经济对服务业和制造业的发展可能产生负向影响,但本文通过分析发现受到兰州市经济发展阶段的影响其产业发展并没有超过集聚经济的阈值,产业集聚所产生的外部效用仍发挥着正向效应,多样化的城市化经济和专业化的地方化经济对于两种产业的发展都起到了不同程度的促进作用。随着中国经济改革的深化和政治体制的完善,政府将进一步外部化各类要素市场,政府配置资源的能力也将发生变化。面对新时期政府-市场关系的演变,生产性服务业与制造业企业的空间行为势必会受到新因素的影响,因而在今后的研究中有待于做更深层次的探索。

致谢

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,评审专家对本文整体研究思路、区位选择模型指标选取、结果分析、结论梳理方面的修改意见,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

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
地理学报, 2008, 63(12): 1299-1310.

[本文引用: 1]

[Qiu

Ling

, Shen

Yuming

, Ren

Wangbing

. Industrial relevancy and spatial distribution between producer services and manufacturing in Beijing city
Acta Geographica Sinica, 2008, 63(12): 1299-1310.]. DOI: 10.11821/xb200812007.

[本文引用: 1]

[2]

朱有为, 张向阳. 国际制造业与服务业向中国转移的协同关系分析
中国软科学, 2005, 38(10): 73-79.

[本文引用: 1]

[Zhu

Youwei

, Zhang

Xiangyang

. An analysis of synergetic relationships between international manufacturing transferand international services transfer to China
China Soft Science, 2005, 38(10): 73-79.]

[本文引用: 1]

[3]

Karaomerioglu

, Carlaaon

. Manufacturing in decline? A matter of definition
Economics of Innovation and New Technology, 1999, 36(8): 175-196.

[本文引用: 1]

[4]

Guerrieri

, Meliciani

. Technology and international competitiveness: The interdependence between manufacturing and producer services
Structural Change and Economic Dynamics, 2005, 16(4): 489-502.

DOI:10.1016/j.strueco.2005.02.002 URL [本文引用: 1]

[5]

唐晓华, 张欣钰. 制造业与生产性服务业联动发展行业差异性分析
经济与管理研究, 2016, 37(7): 83-93.

[本文引用: 1]

[Tang

Xiaohua

, Zhang

Xinyu

. Variance analysis of joint development relationship of China's manufacturing industry and producer services industry
Research on Economics and Management, 2016, 37(7): 83-93.]. DOI: 10.13502/j.cnki.issn1000-7636.2016.07.010.

[本文引用: 1]

[6]

Andersson, Martin. Co-location of manufacturing and producer services: A simultaneous equations approach
New York: Routledge, 2006: 94-124.

[本文引用: 1]

[7]

, He

, Yuan

. Synergy and co-agglomeration of producer services and manuf-acturing: A panel data analysis of Chinese cities
Regional Studies, 2014, 48(11): 1829-1841. DOI: 10.1080/00343404.2012.756580.

URL [本文引用: 1]

[8]

吉亚辉, 段荣荣. 生产性服务业与制造业协同集聚的空间计量分析: 基于新经济地理学视角
中国科技论坛, 2014, 32(2): 79-84.

[本文引用: 1]

[Ji

Yahui

, Duan

Rongrong

. The spatial econometric analysis on co-agglomeration of producer services and manufacture: Based on the perspective of new economic geography
Forum on Science and Technology in China, 2014, 32(2): 79-84.]. DOI: 10.13580/j.cnki.fstc.2014.02.014.

[本文引用: 1]

[9]

王海江, 苗长虹, 茹乐峰, 等. 我国中心城市生产性服务业对外服务能力的空间格局: 兼论与制造业分布关系
人文地理, 2014, 29(2): 83-89.

[本文引用: 1]

[Wang

Haijiang

, Miao

Changhong

, Ru

Lefeng

, et al. Chinese central cities producer service industry external service capabilities spatial distribution and its relations with manufacturing
Human Geography, 2014, 29(2): 83-89.]. DOI: 10.13959/j.issn.1003-2398.2014.02.016.

[本文引用: 1]

[10]

纪祥裕, 顾乃华. 生产性服务业与制造业协同集聚具有创新驱动效应吗
山西财经大学学报, 2020, 42(7): 57-70.

[本文引用: 1]

[Ji

Xiangyu

, Gu

Naihua

. Is there innovation-driven effect in the coagglomeration of producer services and manufacturing industries
Journal of Shanxi University of Finance and Economics, 2020, 42(7): 57-70.]. DOI: 10.13781/j.cnki.1007-9556.2020.07.005.

[本文引用: 1]

[11]

Sassens

. The Global City: New York, London and Tokyo
New Jersey : Princeton University Press, 2000: 131-132.

[本文引用: 1]

[12]

Noyelle

, Stanback

. The Economic Transformation of American Cities
Totawa: Rowman & Allanheld, 1984: 26-28.

[本文引用: 1]

[13]

Daniels

. Services Industries: A Geographical Appraisal
London: Methuen, 1985: 35-36.

[本文引用: 1]

[14]

郭杰, 杨永春, 冷炳荣. 1949年以来中国西部大城市制造业企业迁移特征、模式及机制: 以兰州市为例
地理研究, 2012, 31(10): 1872-1886.

[本文引用: 1]

[Guo

Jie

, Yang

Yongchun

, Leng

Bingrong

. Characteristics,models and mechanism of manufacturing enterprises migrations of large cities in western China since 1949: Taking Lanzhou as an example
Geographical Research, 2012, 31(10): 1872-1886.]. DOI: 10.11821/yj2012100013.

[本文引用: 1]

[15]

陈红霞. 北京市生产性服务业空间格局演变的影响因素分析
经济地理, 2019, 39(4): 128-135.

[本文引用: 1]

[Chen

Hongxia

. Influencing factors of spatial structure evolution of producer services in Beijing
Economic Geography, 2019, 39(4): 128-135.]. DOI: 10.15957/j.cnki.jjdl.2019.04.016.

[本文引用: 1]

[16]

陈曦, 席强敏, 李国平. 城镇化水平与制造业空间分布: 基于中国省级面板数据的实证研究
地理科学, 2015, 35(3): 259-267.

DOI:10.13249/j.cnki.sgs.2015.03.259 [本文引用: 1]

基于2001~2011 年中国省区面板数据,聚焦于城镇化水平与中国制造业空间分布。研究表明,城镇化水平是中国制造业空间分布的重要影响因素之一,两者之间存在倒"U"型关系,以中国各省区制造业产值占全国制造业总产值的份额反映中国制造业的空间分布,当城镇化水平超过36.26%后,城镇化水平的进一步提高不再推动制造业份额上升,反而会导致其下降。进一步研究发现,劳动密集型、资本密集型和技术密集型3 种类型制造业在空间分布、份额变化和与城镇化水平的相关性上均存在一定程度的差异性,并印证了制造业内部存在由劳动密集型、资本密集型向技术密集型转型升级的基本规律。此外,交通设施水平、区位条件等因素也会对中国制造业空间分布产生影响。

[Chen

, Xi

Qiangmin

, Li

Guoping

. Urbanization level and spatial distribution of manufacturing industry: An empirical research based onprovincial panel data
Scientia Geographica Sinica, 2015, 35(3): 259-267.]. DOI: 10.13249/j.cnki.sgs.2015.03.001.

[本文引用: 1]

[17]

刘清春, 张莹莹, 李传美. 基于空间杜宾模型的山东省制造业时空分异研究
地理科学, 2017, 37(5): 691-700.

DOI:10.13249/j.cnki.sgs.2017.05.006 [本文引用: 1]

利用2003~2014年山东省17个地级市制造业27个部门的面板数据,研究了山东省制造业的时空分异特征,并基于空间杜宾模型（SDM）探讨了主要的影响因素,结果发现：山东省制造业份额呈现出自东向西递减、先东部集聚后向中西部扩散的规律。以2007年为转折点,制造业呈现东部沿海转出、内陆转入的特点,鲁北地区成为份额增长最快的区域。由于空间溢出效应的存在,市场规模、交通基础设施、产业规模和人力资本水平均有助于提升本地区制造业份额。因此,应该从地区关联的角度重新审视制造业发展规律并制定相应政策措施。

[Liu

Qingchun

, Zhang

Yingying

, Li

Chuanmei

. Spatial pattern change of manufacturing industry in Shandong province based on Spatial Durbin Model
Scientia Geographica Sinica, 2017, 37(5): 691-700.]. DOI: 10.13249/j.cnki.sgs.2017.05.006.

[本文引用: 1]

[18]

郝俊卿, 曹明明, 王雁林. 关中城市群产业集聚的空间演变及效应分析: 以制造业为例
人文地理, 2013, 28(3): 96-100, 129.

[本文引用: 1]

[Hao

Junqing

, Cao

Mingming

, Wang

Yanlin

. A study on spatial evolution and effect of industrial agglomeration of Guanzhong city-regions in the middle of Shanxi province: A case of manufacturing industries
Human Geography, 2013, 28(3): 96-100, 129.]. DOI: 10.13959/j.issn.1003-2398.2013.03.014.

[本文引用: 1]

[19]

徐柏翠, 潘竟虎. 中国国家级非物质文化遗产的空间分布特征及影响因素
经济地理, 2018, 38(5): 188-196.

[本文引用: 1]

[Xu

Baicui

, Pan

Jinghu

. Spatial distribution characteristics of the intangible cultural heritage in China
Economic Geography, 2018, 38(5): 188-196.]. DOI: 10.15957/j.cnki.jjdl.2018.05.023.

[本文引用: 1]

[20]

魏后凯. 现代区域经济学. 北京: 经济管理出版社, 2006: 160.

[本文引用: 1]

[Wei

Houkai

. Modern Regional Economics. Beijing: Economy & Management Press, 2006: 160.]

[本文引用: 1]

[21]

吕卫国, 陈雯. 制造业企业区位选择与南京城市空间重构
地理学报, 2009, 64(2): 142-152.

[本文引用: 1]

[Lv

Weiguo

, Chen

Wen

. Manufacturing industry enterprises location choice and the urban spatial restructuring in Nanjing
Acta Geographica Sinica, 2009, 64(2): 142-152.]. DOI: 10.11821/xb200902002.

[本文引用: 1]

[22]

李佳洺, 孙威, 张文忠. 北京典型行业微区位选址比较研究: 以北京企业管理服务业和汽车制造业为例
地理研究, 2018, 37(12): 2541-2553.

DOI:10.11821/dlyj201812014 [本文引用: 1]

以微观企业数据为基础,采用核密度空间平滑和条件逻辑选择模型等方法,重点关注企业在城市内部微观尺度下的区位选择,并对北京典型现代服务业和制造业区位选择的差异进行对比分析。结果表明：① 北京中小型制造企业倾向于在集聚区分布,符合马歇尔式产业集群的特征,而服务业则是大型企业更倾向于集中布局;② 尽管微观尺度下多样化和上下游产业链对现代服务业和制造业依然有重要影响,但是与宏观尺度下不同的是对于现代服务业来说过度多样化并不利于其发展,对于制造业来说区域专业化劳动力规模而非专业化程度更为重要;③ 政府对地铁等公共设施布局选址将对现代服务业的微观区位产生重要影响。

[Li

Jiaming

, Sun

Wei

, Zhang

Wenzhong

. Comparative study on microscale location choice of typical industries: Thecase study of management service and automobile manufacturing in Beijing
Geographical Research, 2018, 37(12): 2541-2553.]. DOI: 10.11821/dlyj201812014.

[本文引用: 1]

[23]

滕丽, 蔡砥, 林彰平. 大都市中心区生产性服务业集群的空间溢出: 以广州市天河区为例
人文地理, 2020, 35(4): 111-120.

[本文引用: 1]

[Teng

, Cai

, Lin

Zhangping

. Analysis of the spillover effect of productive services cluster in central metropolitan area: Taking Tianhe district of Guangzhou as an example
Human Geography, 2020, 35(4): 111-120.]. DOI: 10.13959/j.issn.1003-2398.2020.04.014.

[本文引用: 1]

[24]

杨凡, 杜德斌, 段德忠, 等. 城市内部研发密集型制造业的空间分布与区位选择模式: 以北京、上海为例
地理科学, 2017, 37(4): 492-501.

DOI:10.13249/j.cnki.sgs.2017.04.002 [本文引用: 1]

基于微观企业数据对北京和上海研发密集型制造业空间分布的特征和影响因素进行分析,进而揭示其区位选择模式差异。研究发现,北京企业集中分布特征明显,热点区主要位于核心城区及近郊的少数地区,并形成以中关村-上地为中心的集聚格局;上海企业表现为集中与扩散并存,热点区在郊环线以里区域零散布局,并形成以漕河泾和张江为双核的联动共生集聚格局;北京和上海企业均存在开发区和交通指向性以及路径依赖,与此同时,上海企业还具有学研机构和老工业区指向性以及郊区化现象,北京企业则出现逆郊区化。研发密集型制造业在北京和上海分别形成以开发区为空间载体的“紧凑型-中心性”模式和以开发区、学研机构和老工业区为多元空间载体的“离散型-郊区化”模式。不同行业企业基本符合总体特征,但又呈现一定的特殊性。

[Yang

Fan

, Du

Debin

, Duan

Dezhong

, et al. The intra-metropolitan location of R & D intensive manufacturing in Beijing and Shanghai
Scientia Geographica Sinica, 2017, 37(4): 492-501.]. DOI: 10.13249/j.cnki.sgs.2017.04.002.

[本文引用: 1]

[25]

张志斌, 潘晶, 李小虎. 近30年来兰州市人口密度空间演变及其形成机制
地理科学, 2013, 33(1): 36-44.

DOI:10.13249/j.cnki.sgs.2013.01.36 [本文引用: 1]

以街区层面的人口统计数据为基础,综合应用ArcGIS和GS+Version7软件对近30 a来兰州市人口密度空间演变进行分析。结果表明：1982~2009年,随着空间距离的增加,人口密度的正相关性逐渐削弱,负相关性逐渐增强。人口密度总体上呈不断增大的趋势,人口分布不均衡性和聚集性逐年增强,整体呈现出东高西低格局,以城关区和西固区为增长顶点形成“双核心”空间结构。高密度人口分布偏东,主要集中在城关区和七里河区。人口重心级别不同,所在街区面积不同,高人口密度街区面积小,低人口密度街区面积大。其形成机制主要缘于自然因素、历史因素、政策因素和经济因素等方面。

[Zhang

Zhibin

, Pan

Jing

, Li

Xiaohu

. The spatial evolution and formation mechanism of population density in Lanzhou over the past 30 years
Scientia Geographica Sinica, 2013, 33(1): 36-44.]. DOI: 10.13249/j.cnki.sgs.2013.01.006.

[本文引用: 1]

[26]

靳美娟. 兰州城市空间结构演化与持续性发展研究
兰州: 西北师范大学硕士学位论文, 2005: 26-27.

[本文引用: 1]

[Ji

Meijuan

. A study of Lanzhou city spatial structure evolution and sustainable development
Lanzhou: Master Dissertation of Northwest Normal University, 2005: 26-27.]

[本文引用: 1]

[27]

张志斌, 潘晶, 达福文. 兰州城市人口空间结构演变格局及调控路径
地理研究, 2012, 31(11): 2055-2068.

[本文引用: 1]

[Zhang

Zhibin

, Pan

Jing

, Da

Fuwen

. Population spatial structure evolution pattern and regulating pathway in Lanzhou city
Geographical Research, 2012, 31(11): 2055-2068.]. DOI: 10.11821/yj2012110013.

[本文引用: 1]

[28]

刘颖, 郭琪, 贺灿飞. 城市区位条件与企业区位动态研究
地理研究, 2016, 35(7): 1301-1313.

DOI:10.11821/dlyj201607007 [本文引用: 1]

随着新新经济地理理论的发展,企业异质性的研究逐渐受到重视,不同效率企业的区位选择被认为是造成城市生产效率差异的重要原因。验证企业区位选择对城市生产效率的影响,以及探讨企业区位选择的城市影响要素是研究的关键问题。沿用Baldwin和Melitz等****的研究思路,从企业区位主动选择与被动选择的视角,理解中国城市生产效率的差异及其变化,分析企业区位自选择效应的空间差异。在此基础上,采用2002-2007年的规模以上工业企业面板数据,通过建立基于企业进入、退出区位动态的回归模型,揭示企业区位自选择效应的作用机制和城市影响因素。研究发现：企业区位自选择效应确实存在,不同效率企业的主动选择和被动选择都会影响城市的生产效率。生产率较高的工业企业倾向于选择科技研发水平高、市场潜力大、产业相对集聚的城市,生产率较低的工业企业更容易因城市高昂的要素成本和激烈的行业竞争,尤其是同行企业竞争而被挤出。此外,政府的政策优惠可以吸引高效率企业进入,但这种政策倾斜也会加剧其他企业的退出。因此,提高科技水平、扩大市场规模、促进产业集聚、合理运用政策调控是提高城市竞争力的关键。

[Liu

Ying

, Guo

, He

Canfei

. Urban characteristics and firms' location selection
Geographical Research, 2016, 35(7): 1301-1313.]. DOI: 10.11821/dlyj201607007.

[本文引用: 1]

[29]

于瀚辰, 周麟, 沈体雁. 制造业企业区位选择集聚经济指向的空间效应
地理研究, 2019, 38(2): 273-284.

DOI:10.11821/dlyj020170730 [本文引用: 1]

集聚经济指向是中国制造业企业区位选择的重要特征,同时企业的选址决策通常受到集聚经济的空间效应影响。因此,尝试使用空间泊松模型探讨中国制造业企业区位选择集聚经济指向的空间效应。结果表明：① 地方化经济和城市化经济均存在显著的空间效应,但空间效应的作用要弱于本地效应。② 地方化经济和城市化经济的空间效应是不同的,前者存在溢出效应,后者则为阴影效应。③ 地方化经济和城市化经济的正向影响尺度也存在差异,前者正向影响尺度较大,而后者正向影响仅限于本地。④ 集聚经济的本地效应和空间效应存在行业差异,其强度存在正相关。

[Yu

Hanchen

, Zhou

Lin

, Shen

Tiyan

. Location selection and spatial effects of agglomeration economy in manufacturing enterprises
Geographical Research, 2019, 38(2): 273-284.]. DOI: 10.11821/dlyj020170730.

[本文引用: 1]

[30]

Ellison

, Glaeser E

. Geographic concentration in U.S. manufacturing industries: A dartboard approach
Journal of Political Economy, 1997, 105(5): 889-927.

DOI:10.1086/262098 URL [本文引用: 1]

[31]

Cheng

, Stough R

. Location decisions of Japanese new manufacturing plants in China: A discrete-choice analysis
Annals of Regional Science, 2006, 40(2): 369-387.

DOI:10.1007/s00168-005-0052-4 URL [本文引用: 1]