EN中文

经济地理 >

2024 , Vol. 44 >Issue 4: 131 - 141

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.04.014

产业经济与创新发展

珠三角地区家具产业链空间聚类识别及空间熵分解

  • 陈子归 , 1, 2 ,
  • 苏乐言 3 ,
  • 吴客形 4 ,
  • 王振军 3 ,
  • 戴向东 , 1, ※
展开
  • 1.中南林业科技大学 家居与艺术设计学院，中国湖南 长沙 410004
  • 2.湖南工商大学 设计艺术学院，中国湖南 长沙 410205
  • 3.湖南工商大学 经济与贸易学院，中国湖南 长沙 410205
  • 4.上海立信会计金融学院 金融学院，中国 上海 201209
※戴向东（1967—），男，博士，教授，博士生导师，研究方向为家具设计与工程。E-mail：

陈子归（1987—），女，博士研究生，讲师，研究方向为家具设计与工程。E-mail：

收稿日期: 2023-12-14

  修回日期: 2024-04-16

  网络出版日期: 2024-09-12

基金资助

国家自然科学基金青年项目(71903056)

教育部人文社会科学青年基金项目(23YJC790153)

湖南省自然科学基金面上项目(2024JJ5117)

湖南省教育厅科学研究重点项目(23A0487)

湖南省研究生科研创新重点项目(CX20231122)

湖南省哲学社会科学基金重大项目(19WTA17)

收起

Spatial Cluster Identification and Spatial Entropy Decomposition of Furniture Industry Chain in the Pearl River Delta Region

  • CHEN Zigui , 1, 2 ,
  • SU Leyan 3 ,
  • WU Kexing 4 ,
  • WANG Zhenjun 3 ,
  • DAI Xiangdong , 1, ※
Expand
  • 1. School of Furniture and Art Design，Central South University of Forestry and Technology，Changsha 410004，Hunan，China
  • 2. Design and Art Institute，Hunan University of Technology and Business，Changsha 410205，Hunan，China
  • 3. School of Economics and Trade，Hunan University of Technology and Business，Changsha 410205，Hunan，China
  • 4. School of Finance，Shanghai Lixin University of Accounting and Finance，Shanghai 201209，China

Received date: 2023-12-14

  Revised date: 2024-04-16

  Online published: 2024-09-12

Fold

摘要

文章基于珠三角地区全产业链家具企业POI数据，采用DBSCAN空间聚类算法识别并提取家具产业空间聚类集群，运用核密度估计、轮廓系数等方法剖析了家具产业空间聚类的总体特征、产业链结构特征和等级结构特征，并通过空间熵指数分解辨析了珠三角地区家具产业空间聚类的驱动力。结果表明：①珠三角地区家具产业主要聚类集群有7个，呈“多核心扇状”空间分布以及“一主三副”中心分布的等级结构特征，主中心位于顺德，副中心位于厚街、沙溪和香洲。②家具产业链上游企业空间聚类呈“二主一副”中心分布的等级结构，主中心为顺德和香洲，次中心为斗门；中游和下游企业空间聚类呈“一主一副”中心分布的等级结构，主中心均为顺德，次中心分别为禅城、厚街。③非空间因素更能解释珠三角地区总体家具产业的空间聚类，解释程度达80%，且随着空间距离的上升而逐渐增加。而空间因素主导家具产业链上、中、下游空间聚类，解释程度为60%~70%。④珠三角各地区家具产业空间聚类的形成与演进受空间与非空间因素的影响程度各不一样，广州、中山、江门等地家具产业空间聚类集群受空间因素的影响相比其他地区更突出。

关键词： 家具产业链; DBSCAN空间聚类; 空间熵; 等级结构; 产业集群; 供应链; 珠三角地区

本文引用格式

陈子归 , 苏乐言 , 吴客形 , 王振军 , 戴向东 . 珠三角地区家具产业链空间聚类识别及空间熵分解[J]. 经济地理, 2024 , 44(4) : 131 -141 . DOI: 10.15957/j.cnki.jjdl.2024.04.014

Abstract

Based on the POI data of furniture enterprises in the whole industrial chain in the Pearl River Delta(PRD) region,this paper uses the spatial clustering algorithm of DBSCAN to identify and extract the spatial clustering clusters in the furniture industry,analyzes the overall characteristics,industrial chain structure characteristics,and hierarchical structure characteristics of spatial clustering in the furniture industry by the means of the kernel density estimation and the silhouette coefficient,and explores the driving forces of spatial clustering of furniture industry in the PRD region through the decomposition of spatial quotient index. The results show that: 1) There are 7 main clusters of furniture industry in the PRD region,which shows the "multi-core and fan-shaped" spatial distribution and the hierarchical structure characteristics of "one main center and three sub-centers",with the main center located in Shunde and the sub-centers located in Houjie,Shaxi and Xiangzhou. 2) The upstream enterprises of the furniture industry chain show the spatial clustering distribution characteristics of "two main centers and one sub-center",taking Shunde and Xiangzhou as the main centers and Doumen as the sub-center. The midstream and downstream enterprises show the spatial clustering distribution characteristics of "one main center and one sub-center",taking Shunde as the main center and Chancheng and Houjie as the sub-centers. 3) Non-spatial factors better explain the spatial clustering of the overall furniture industry in the PRD region,with the degree of explanation reaching 80%,and gradually increasing with the rise of spatial distance. On the contrary,spatial factors dominate the spatial clustering of the upper,middle and lower reaches of the furniture industry chain,with an explanation degree of about 60% to 70%. 4) The formation and evolution of spatial clustering of the furniture industry in each region of the PRD is influenced by spatial and non-spatial factors to varying degrees,spatial factors influencing the spatial clustering of the furniture industry in Guangzhou,Zhongshan and Jiangmen more prominently than that in other regions.

Key words： furniture industry chain; DBSCAN spatial clustering; spatial quotient; hierarchical structure; industrial cluster; supply chain; Pearl River Delta region

家具产业作为国民经济的重要民生产业，在推动经济发展、充分吸纳就业、满足多样化消费需求以及构建和谐社会等方面具有举足轻重的作用[1]。《2023年中国家具制造研究报告》表明，近20年来家具工业总产值年均增长15%以上，远超国民经济发展速度，业已发展成为国民经济中不可或缺的重要产业。经过多年的发展，我国家具产业呈现出集群式增长趋势，形成了珠三角、长三角、环渤海、东北、中西部五大家具产业集群区。家具产业集群并不是家具企业的简单堆积，而是家具企业在分工与协作过程中逐渐形成的集聚优势[2]。在此过程中，产业群内的家具企业通过相互协作和支撑实现创新发展、资源共享和优势互补，形成具有特色优势且完整的家具产业链空间聚类。尤其是珠三角地区，以国内销量居首位的绝对优势成为家具产业集群的龙头，拥有“乐从中国家具商贸之都”“东莞厚街中国家具制造重镇”等耳熟能详的家具产业带，形成了比较成熟的家具企业空间聚类。珠三角地区家具企业的空间类聚与集群式发展是数十年来我国家具产业发展的一个缩影，其集群式发展模式值得其他区域或其他产业借鉴。
现有文献中，有关家具产业的研究已有不少，主要围绕家具产业特性从时间维度、技术维度和环境维度，对家具产业运营效率[3]、家具产业发展路径[4]、家具智能制造[5]以及家具生态环境效应[6-7]等方向展开了理论和定量探讨。而针对家具产业空间分布以及空间集群演变规律的研究较少，仅个别文献基于定性或半定性半定量方法考察了家具产业集群的演化路径和驱动力[8]，基本没有采用定量方法对家具产业集群分布格局进行系统识别与分析。家具产业是标示城市经济活力和社会发展水平的重要指标，家具产业链上、中、下游企业是家具产业的空间载体，对不同产业链企业空间集群规模、形态、等级等特征的识别有助于揭示家具产业空间布局和演变规律，为深入认识城市产业空间和实体经济发展逻辑提供支撑，对于提升城市轻工业和服务业综合竞争力具有重要现实意义。
空间聚类是定量识别产业集群的有效方法，深受经济地理研究者青睐，其基本逻辑是将空间数据集中的对象基于距离或层次划分成由相似对象组成的类或群[9]。目前，多数研究基于K-means聚类算法、层级聚类算法、GMM聚类算法，针对某一具体产业的空间集群特征进行识别和分析[10]。但是，上述算法由于对不同密度、不同大小的簇无法处理，且初始聚类中心的选择非常敏感，所以不适合处理大规模数据集。而现实中，家具产业集群往往有着多种多样的形态，且家具产业链上、中、下游企业点数据量大，因而基于上述算法在处理家具产业空间集群时显得无能为力[11]。为此，本文使用基于密度的噪点识别空间聚类算法DBSCAN（Density-Based Spatial Clustering of Applications with Noise），将空间中达到一定密度的区域划分为簇，进而识别家具产业空间聚类特征。同时，该算法也更适合于在空间中发掘任意形状的簇，已在人群聚类、网络安全和医学影像分析等方面受到学界的热衷[12⇓-14]。
此外，空间聚类还能从总体上揭示家具产业的空间集群规模和几何形态，但家具产业集群是否在不同产业链中呈现出异质化的分类特征，或者针对中心地呈现出等级结构特征，既有研究未曾进行过深入、系统地研究，而这又是进一步揭示家具产业集群演化规律的关键。而且，家具产业空间集群或聚类演进的驱动力为何，也未曾得到研究者的重点关注。为了进一步探寻珠三角地区家具产业空间聚类的动力源，本文引入空间熵（Spatial Quotient）分解法进行深入解析。空间熵是一种用于表征地理空间信息的重要指标，源于香农熵[15]。Leibovici等在香农熵中引入了空间距离，尝试建立了基于空间数据的熵指数[16]；Altieri等进一步发展了空间熵，并将空间熵分解为空间互信息（Spatial Mutual Information）和空间余熵（Spatial Residual Quotient），从空间与非空间力量等两个层面归纳产业空间集群的驱动力[17-18]。其中，空间互信息表征了空间力量在决定经济主体空间聚类结果的作用，空间余熵则表征了非空间力量的作用。
综上，本研究使用已被众多学者挖掘利用的POI（Point of Interest）兴趣点大数据[19⇓-21]，清洗筛选整理得到珠三角地区家具产业链上、中、下游企业POI，运用DBSCAN空间聚类算法识别家具产业总体空间聚类特征以及不同产业链结构特征，基于轮廓系数和中心地理论模型刻画家具产业空间聚类的等级结构特征，最后通过空间熵分解明晰空间力量和非空间力量对珠三角地区家具产业空间聚类的解释度。

1 研究区概况与数据来源

珠三角地区位于中国广东省东南部，拥有具备全球影响力的家具制造基地，是我国家具产业最发达和最集中的地区之一，形成了覆盖家具材料供给、五金配件加工、油漆涂料生产、家具设计与制造、家具销售与售后的全产业链集群，且珠三角地区拥有自己独特的家具产业发展模式和路径，最能反映家具业的“阴晴”变化。同时，珠三角地区家具产品品种涵盖面广，产品品质优，已形成深圳、东莞、顺德、中山、广州5个发达地区和佛山、南海2个发展中地区。无论是企业的数量、生产总量，还是出口总量，珠三角地区都占据了全国的半壁江山，使得广东省取得了“中国家具看广东”“世界家具广东造”的美誉。截至2023年，珠三角地区家具生产企业已超过6000家，家具产量占全国70%，产值400多亿元。
本研究首先采用中国最大的在线地图服务平台高德地图（https://www.amap.com/）作为研究数据来源，并通过其官方开放API在研究范围内爬取各城市家具企业POI大数据。由于2022年家具企业数量开始回归到新冠疫情前水平，本文识别2022年11月份家具类兴趣点总量24969个，通过筛选、去重、纠偏等操作最终得到珠三角地区家具类兴趣点数据合计24420个，数据包括名称、经纬度、区域等信息。然后，通过产业链划分标准，将兴趣点数据划分为产业链上、中、下游样本（表1）。其中，家具产业链上游企业主要包括家具木材、板材、油漆、五金等原材料供应企业，中游企业主要包括家具设计、生产制造等企业，下游企业主要包括家具销售、仓储、物流、售后服务等企业。对上述获取的POI大数据经过坐标校正等预处理后，建立珠三角地区家具企业点空间数据库。
表1 家具企业POI点分布情况

Tab.1 Distribution of POI of furniture enterprises

地区 总样本（个） 上游样本（个） 中游样本（个） 下游样本（个）
珠三角 24420 2827 1511 20082
广州 2729 87 149 2493
深圳 2028 66 74 1888
佛山 7561 511 507 6543
东莞 2903 167 199 2537
惠州 2060 85 117 1858
中山 1722 145 157 1420
珠海 1811 1066 22 723
江门 1873 130 243 1500
肇庆 1733 570 43 1120

2 研究方法

2.1 DBSCAN空间聚类算法

DBSCAN空间聚类算法最初由Ester等提出[14]。该算法将簇视为按密度连接的最大数据集，其基本原理是属于同一簇的点按密度连接，具有一定半径（Eps）簇中的每个数据点必须至少包含其领域中最小数量的点（Mints）。DBSCAN空间聚类算法的核心要素包括：①点的Eps邻域。给定任意一点p，其半径 ε内的邻域即点p的 ε邻域。②核心点。若某点p的 ε领域至少包含最小数目Mints个点，则称点p为核心点。③边界点。如果一个数据点p的邻域包含的数据点数量小于Mints阈值，则称该数据点p为边界点。④噪声点。如果数据点p不属于任何簇，则该数据点p称为噪声点。⑤直接密度可达。若q在核心点p的邻域内，则称q是从q到p的直接密度可达。⑥密度可达。如果存在数据点链 p 1 , p 2 , … , p n（ p i + 1从i直接密度可达， i = 1 , … , n - 1），q和 p n是直接密度可达，那么q到 p 1就称为密度可达。⑦密度相连。如果点p和q关于核心点O密度可达，则p和q被称为关于O密度相连。
DBSCAN空间聚类算法使用迭代查询来执行聚类：首先，根据给定的POI数据，输入参数Eps和Mints；其次，抽出任意未处理的点p，判断以点p为圆心Eps为半径的圆中，POI点的数量是否大于等于Mints的数量。如果不是，则为噪声点；如果是，那么从p点密度可达的所有点，形成一个簇。最后，对第二步进行多次迭代循环，输出最终聚类结果。

2.2 空间熵

本文基于Altieri等构建的空间熵分解指数识别珠三角地区家具企业空间聚类的驱动力[17-18]。空间熵源于香农信息熵，其表达式为：
H ( X ) = E I ( p X ) = ∑ i = 1 I p ( x i ) l o g 1 p ( x i )
式中：X为家具企业数； p x = p ( x 1 ) , … , p ( x I ) '是X的单变量概率质量函数；信息函数 I p ( x i ) = l o g 1 / p ( x i )。在距离区间 ω k内，假设变量 Z ω k表示在距离区间 ω k内不同类别的家具企业同时出现的数量，因此，当 ω k内的每个家具企业都可以单独归为一类时， Z ω k取最大值 x x - 1 / 2；当 ω k内的所有家具企业都同属一类时， Z ω k取最小值0。基于此，考虑K个随机变量 Z ω k，并定义相关的单变量概率质量函数 P Z ω k，于是分别得到空间局部余熵（式2）和总余熵（式3）：
H ( Z ω k ) = E I ( P Z ω k ) = ∑ r = 1 R n o p ( Z r ω k ) l o g 1 p ( Z r ω k )
H ( Z ) W = E E I ( P Z ω k ) = ∑ r = 1 R n o ∑ k = 1 K p ( z r , ω k ) l o g 1 p ( Z r ω k )
式中：k（ k = 1 , … , K）为距离区间序号；K为划分距离区间的个数；r为类别对； R n o为类别对的总数； H ( Z ω k )为距离区间 ω k的空间余熵（Spatial Residual Quotient），也称为局部余熵，反映的是特定区域 ω k由于非空间力量或因素而导致的聚类程度。将所有距离区间的局部余熵进行加总，就得到特定区域内的总余熵（Spatial Global Residual Quotient）。总余熵反映特定区域内非空间因素导致的不同类别企业的聚类程度，其取值越小，则不同类别间的空间分离程度越高，即同种类型企业的空间聚类程度越高。
除了空间余熵，Altieri等[17]还从空间熵中分解出空间互信息（Spatial Mutual Information），以此刻画两个变量的熵关联程度。在给定距离区间 ω k和企业对数量 Z ω k时，Altieri空间熵[17]对应的局部互信息 P I ( Z ω k )和总体互信息MI（Z，W）如下式所示：
P I Z ω k = E I P Z P Z ω k = ∑ r = 1 R n o p z r ω k l o g p z r ω k p ( z r )
M I ( Z , W ) = E I P Z P W P Z W = ∑ r = 1 R n o ∑ k = 1 K p ( z r , ω k ) l o g p ( z r , ω k ) p ( z r ) p ( ω k )
式中： p z r ω k表示 z r和 ω k的联合分布； p ( z r )表示 z r的边缘分布； p ω k表示 ω k的边缘分布。距离区间 ω k的互信息（即局部互信息 P I Z ω k）反映的是在特定距离区间内因空间力量或因素引起的聚类程度。将所有距离区间的互信息相加，就得到了总体互信息MI（Z，W），总体互信息刻画的是整个区域内部由于空间因素引起的聚集程度。综上，Altieri等[18]将空间熵分解为空间余熵和空间互信息，且二者分别反映了非空间力量、空间力量对家具企业空间聚类的影响程度。因此，可以认为MI（Z，W）代表了由于空间构型W而导致的Z熵的部分。

3 家具产业空间聚类识别及其空间格局

3.1 家具产业空间聚类的总体特征

采用DBSCAN空间聚类算法将Min-points参数进行多次迭代实验。当Eps为0.013、Mints为5时，空间聚类结果分布较稳定，聚类类别相互差别较大，即可确定最优的算法参数。因此，珠三角地区家具企业POI被划分为7类主要聚类集群和1类其他聚类集群（图1a）。其中，主要聚类集群呈现出“2+1+3+1”的空间结构特征，环绕珠江口岸呈“n”型。DBSCAN聚类算法识别出1352个离群噪声点（噪声比仅为5.5%），此类家具点因没有与任何集群在指定阈值下密度相连而被认为是孤立的，表明其在空间上并没有与其他家具点形成有效集聚，可能会导致聚类区间产生误差从而影响随后的分析，因此未能纳入上述8类POI。
图1 家具产业DBSCAN空间聚类类型及核密度分析结果

Fig.1 Results of DBSCAN spatial clustering and kernel density analysis in the furniture industry

从家具产业空间聚类特征来看：①第一位序聚类集群和第五位序聚类集群共同形成的家具企业聚类集群区规模最大。该聚类集群区位于珠三角核心腹地，覆盖了佛山顺德、禅城以及广州海珠、越秀、荔湾，以顺德龙江、乐从为主。区内家具大品牌优势明显，属于兼有家具材料、制造、流通的产业重地，产业链十分完整。该聚类集群区所包含的家具产业之间不仅能形成产业互通、功能互补，而且其带来的规模效应可辐射至外部地区。②第二位序聚类集群单独形成第二大规模家具产业集聚区，分布于东莞，大致对应厚街家具产业带。该集群区域目前拥有家具企业近400家，家具专业市场10余个，从业人数超过10万人。③第三、四、六位序聚类集群组成了中等规模的家具产业集聚区，分布于珠三角地区南部珠海、江门、中山3个城市。其中，中山红木家具生产销售主要集中于大涌镇和沙溪镇，两镇红木家具产量占中山市的97.2%；生产的红木家具不仅款式新、品类多、质量优，而且价格也比较适中，为第三大规模集聚区。④在珠三角地区东南部单独形成一个小规模聚类，对应于惠州惠阳区，为第七位序聚类集群。⑤其他位序聚类集群则分散分布在珠三角地区多个地区。
在DBSCAN空间聚类分析的基础上，进一步对家具企业POI点进行核密度分析，以阐释珠三角地区家具产业的空间聚类特征。将分析结果采用自然间断点分级法分为3个等级，且核密度最高的为第一级，家具行业POI核密度空间可视化结果如图1b。核密度分析结果显示，珠三角家具产业点形成了“6+5+6”的核密度等级体系。其中，6个一级密度核心区，5个二级密度核心区，6个三级密度核心区。总体上，家具企业空间分布的核密度等级体系呈现“多中心扇状分布”特征，即高一级别的密度核心区搭配低一级别的密度核心区，且17个密度核心紧贴珠江口岸，主要分布在珠三角地区的佛山、东莞、珠海、江门、惠州等地。从行政区划来看，佛山家具产业的一级密度核心区面积最大，集中分布在顺德区和禅城区；其次是珠海，主要集中在香洲区；东莞排名第三，集中分布在厚街镇。另外，在广州越秀区、番禺区内，缺少一级密度核心区，且二级密度核心区和三级密度核心区呈带状分布。所属惠州的惠阳区家具产业核密度等级体系较完善，形成了高一级别的密度核心区被低一级别的密度核心环绕的金字塔结构。深圳龙华区家具产业的核密度等级体系尚不完善，缺乏一、二、三级密度核心区。综上所述，珠三角地区家具产业空间分布核密度表现出较大的区域差异性。

3.2 家具产业链的空间聚类特征

基于DBSCAN空间聚类算法，本文进而对珠三角地区家具产业链上、中、下游的POI企业进行聚类分析。从图2来看，家具产业链各端均以佛山顺德区为主要聚集区，形成覆盖范围最大的聚类。顺德区位于珠江三角洲中心地带，具有105国道、325国道、广明高速等陆运交通，西江、北江等水运交通，聚集了大量家具原辅材料、配件制造和家具制造企业，产业链十分成熟。除顺德区以外，其他地区没有形成产业链上、中、下游企业的同质集聚，而是根据各自区域的区位优势仅在某一产业链阶段形成集聚。
图2 家具产业链DBSCAN空间聚类结果

Fig.2 DBSCAN spatial clustering results of furniture industry chain

从家具产业上游企业的空间聚类态势来看，斗门、香洲、顺德等是形成聚类的核心区域（图2a）。其中，斗门、香洲濒临珠江口岸，气候温和，地形平坦，土壤肥沃，适合形成木材加工厂，而顺德区深处珠三角腹地，背靠庞大的木材资源，原材料充足，吸引家具木材企业集聚；惠阳、台山、开平、恩平、德庆则是新的聚类区域，家具上游企业以五金配件店为主，聚类规模小，分布较分散。
从家具产业中游企业的空间聚类态势来看，除了顺德是聚类的核心区域，厚街、新会、香洲、大涌、沙溪、惠阳分别形成规模聚类（图2b）。家具产业链中游对应的是家具设计与生产制造。以东莞厚街为例，该镇被认定为技术创新专业镇，通过建设家具制造服务平台，厚街采用产品协同开发技术，建立了国内外设计潮流资讯数据库，沟通买方与厂家以及国内外设计师三方，将设计师的概念设计及时转化为产品，这一模式使厚街成为家具设计与制造重点地区，形成了规模性的产业集聚。而新会区则聚集形成新会古典家具城等6个古典家具城为主载体的新会古典产销“十里长街”，组成了方圆20 km的新会古典家具产业集群，主要以新会S364新开公路段为中心，向四面辐射扩散，并集中分布在圭峰会城和大泽镇，形成区域性的规模集聚。
从家具产业下游企业的空间聚类态势来看，聚类区域与家具产业总体聚类区域相似，呈现出环绕珠江口岸密集分布的空间特征（图2c）。其中，以佛山顺德为最大聚集区，厚街、新会、越秀、香洲、龙华、惠阳分散分布，恰好对应《珠三角内环六市区域协调发展协作备忘录》中提到的核心区产业向周边“扇状转移”的新热土。珠三角地区家具产业链下游企业数量最多，分布最广，拥有包括联邦家具、富之岛家具、健维家具、红古轩、永华家具、红苹果、光润家具、斯帝罗兰以及金富雅等在内的多家知名品牌。近年来，为了降低家具制造成本以及扩大家具产业发展空间，环珠三角地区也开始成为广东省家具产业转移的热点区域。珠三角地区产业转移带的迅速发展，推动了当地与周边地区实现双赢。
从珠三角地区家具产业链上、中、下游的POI企业分布核密度分析结果（图3）来看：①家具产业链上、中、下游企业的高级别密度核心区呈现出空间分隔特征，一级、二级、三级密度核心区环绕珠江口分布，与家具产业核密度分布的总体特征一致。②从核密度水平差距来看，家具产业上游企业一级核密度点较为集中；中游企业核密度等级体系较为完善（一、二、三级核密度点集中分布）；下游企业一级核密度点最多但分布较散，这可能与下游销售企业数量大有关。③从区域差异来看，佛山顺德区家具企业的核密度等级体系最完善，上、中、下游企业高密度核心区均分布于此，重心位于珠三角地区核心腹地“中国家具商贸之都”乐从；珠海斗门和香洲是家具产业上游企业一级密度核心区，但不是产业链中、下游企业高密度核心区；家具产业链中、下游企业高密度核心区基本重合，重心位于顺德、香洲、厚街、惠阳、新会以及大涌等地，低密度核心区则基本覆盖整个珠三角地区。
图3 家具产业分产业链上中下游的核密度分析结果

Fig.3 Kernel density analysis results in the upper，middle and lower reaches of furniture industry chain

3.3 家具产业链空间聚类的等级结构特征

在家具产业链上、中、下游企业空间聚类特征分析的基础上，本文基于轮廓系数和中心地理论模型考察家具产业空间聚类的等级结构特征。其中，无论是总体样本，还是上、中、下游样本，基于轮廓系数评价指标在 n = 0,1 , … , 8中确定最佳的划分等级数为3（表2）。另外，基于中心地理论模型进一步计算得到对应等级的中心地数量显示，3个等级集群在数量上符合中心地理论模型。根据等级划分结果，家具全产业链企业的第一、二、三等级集群数量分别为1、3、346个，表明家具全产业链空间聚类呈现出“一主三副”中心分布的等级结构特征；家具产业链上游企业的第一、二、三等级集群数量分别为2、1、91个，表明家具产业链上游企业空间聚类呈现出“二主一副”中心分布的等级结构特征；中游企业的第一、二、三等级集群数量分别为1、1、38个，表明家具产业链中游企业空间聚类呈现出“一主一副”中心分布的等级结构特征；下游企业的第一、二、三等级集群数量分别为1、1、307个，表明家具产业链下游企业空间聚类也呈现出“一主一副”中心分布的等级结构特征。
表2 家具产业链空间聚类的等级结构和集群数量

Tab.2 The hierarchical structure and number of spatial clustering of furniture industry chain

总体样本 上游样本 中游样本 下游样本
等级 集群数量（个） 等级 集群数量（个） 等级 集群数量（个） 等级 集群数量（个）
1 1 1 2 1 1 1 1
2 3 2 1 2 1 2 1
3 346 3 91 3 38 3 307
为厘清家具产业链空间集群的等级结构分布，本文还统计了总体样本以及上游、中游和下游样本空间聚类POI规模位序前10的集群地点和等级分布（表3）。对于家具产业总体样本、产业链中游和下游样本而言，均形成了顺德这个唯一的第一等级主心区。而家具产业链上游样本则除了顺德这个第一等级主心区外，还形成了另一个主心区香洲。顺德之所以成为家具全产业链的第一等级主心区，是因为形成了以顺德龙江、乐从为中心的全国家具原辅材料基地，素有家具材料之都的称号。除此之外，顺德还是家具全产业链的核心地带，集聚了超过8000家家具原材料供给、配件制造、家具设计与制造以及家具销售企业。
表3 位序前10的家具产业链集群地点、等级及POI规模

Tab.3 Top 10 furniture industry clusters in terms of location，level，and POI scale

位序 位序前10的总体样本 位序前10的上游样本 位序前10的中游样本 位序前10的下游样本
集群地点 集群等级 POI规模 集群地点 集群等级 POI规模 集群地点 集群等级 POI规模 集群地点 集群等级 POI规模
1 顺德区 第一 6092 顺德区 第一 350 顺德区 第一 381 顺德区 第一 5268
2 厚街镇 第二 1984 香洲区 第一 319 禅城区 第二 176 厚街镇 第二 1287
3 沙溪镇 第二 1165 斗门区 第二 187 厚街镇 第三 50 香洲区 第三 797
4 香洲区 第二 1027 大岭山 第三 81 新会区 第三 44 沙溪镇 第三 776
5 新会区 第三 841 大涌镇 第三 51 香洲区 第三 43 新会区 第三 595
6 慧阳区 第三 600 惠阳区 第三 45 东升镇 第三 33 惠阳区 第三 513
7 斗门区 第三 594 高要区 第三 32 慧阳区 第三 32 番禺区 第三 512
8 越秀区 第三 551 三水区 第三 30 荔湾区 第三 16 越秀区 第三 411
9 番禺区 第三 500 鼎湖区 第三 29 白云区 第三 16 龙华区 第三 373
10 龙岗区 第三 422 江海区 第三 27 龙岗区 第三 15 天河区 第三 371

4 家具产业及产业链聚类的空间熵分解

在家具产业及产业链上、中、下游样本空间聚类分析背景下，通过空间熵分解得到局部互信息和局部余熵。其中，局部互信息代表影响家具产业聚类的空间因素，包括地理环境、地形地貌等，较高的局部互信息值意味着在特定地理区域内家具产业聚类受空间因素影响较大；局部余熵代表影响家具产业聚类的非空间因素，包括市场需求、技术创新、政策支持等，较高的局部余熵意味着在特定地理区域内家具产业聚类受非空间因素影响较大。这两个指标的综合运用可以为家具产业聚类的战略布局提供更为准确的信息支持。本部分通过分解空间熵为局部互信息和局部余熵，进而定量识别影响家具产业空间聚类演变的驱动力。除此之外，本文还进一步区分了超短距离、短距离、中等距离、长距离、超长距离情形下不同区域内部家具企业（上、中、下游企业）的空间聚类演变，从而更精准地解析空间力量作用于家具产业聚类演进的规律。
从总体来看，家具产业在不同的空间距离下，局部余熵处于主导地位，占空间熵份额约为80%，这意味着非空间因素导致的家具上中下游企业的分离程度很低，非空间因素更能解释珠三角地区家具产业的空间聚类（图4）。而且，上、中、下游家具企业的空间聚类程度高，说明同一片区域聚集了上、中、下游全产业链企业，进一步印证了珠三角地区家具产业链较完整这一特征事实。另外，当空间距离由超短距离向超长距离逐步增长时，影响珠三角地区家具上、中、下游企业空间聚类的因素发生了变化，空间影响因素逐渐减少，非空间因素的影响逐渐增加。这可能是由于短距离内，珠三角地区优越的地理条件促进了强大的家具产业集聚效应，形成了大量家具制造商和相关产业链企业，有助于产生规模经济，提高生产效率并降低成本，而低成本红利又会进一步促进家具产业空间聚类。再者，随着空间距离逐步增加，家具企业数量增多，影响其空间聚类的不确定性上升，非空间因素影响力进一步增强。
图4 珠三角地区家具产业空间熵分解

Fig.4 Spatial quotient decomposition of furniture industry in the Pearl River Delta region

进一步地，本文探索了局部互信息和局部余熵在不同产业链环节发挥的作用。如图5所示，珠三角地区家具产业链上、中、下游空间熵分解具有类似的特征，即除超长距离外，在超短距离、短距离、中等距离、长距离下局部互信息对家具产业链空间聚类的解释程度达60%~70%，意味着空间因素是主导珠三角地区家具产业链空间聚类的主要驱动力，这与珠三角地区家具产业空间聚类的驱动力恰恰相反。主要原因是“珠三角地区家具产业空间熵分解”（图6）允许产业链配对各个POI坐标相互靠近，甚至重叠，因此无论在何种距离上，产业链配对的分布都会比较均匀，所体现的空间效应不强；而“珠三角地区家具产业链上、中、下游空间熵分解”（图5）不允许彼此远离的两个地点在距离上相互靠近，这就导致了计算结果出现较强的空间效应，因此互信息占主导地位。但是，当距离达到一定程度时，即在超长距离分组内，允许所有区域配对的存在，于是各个POI坐标对的分布又变得比较均匀，空间余熵则占主导地位。从直观分析的角度来看，家具产业链上、中、下游企业空间聚类极大程度上和选址有关。例如，上游企业需要遵循原材料就近原则，中游企业需要靠近上游和下游企业，下游企业需要靠近消费者等，因此空间因素占据主导地位。
图5 珠三角地区家具产业链上中下游空间熵分解

Fig.5 Spatial quotient decomposition in the upper，middle and lower reaches of the furniture industry chain in the Pearl River Delta region

图6 珠三角各地区家具产业空间熵分解

Fig.6 Spatial quotient decomposition of furniture industry in various regions of the Pearl River Delta

更进一步地，本文还分解了广州、深圳、佛山、东莞、惠州、中山、珠海、江门、肇庆9个地区家具产业的局部互信息和局部余熵（图6）。总体上，各地区家具产业的局部余熵占比均明显高于局部互信息，说明即使空间尺度细分至地级市，非空间因素亦是驱动珠三角地区家具产业空间聚类的主要驱动力。其中，对于广州、深圳、佛山、东莞、惠州、中山、江门而言，影响家具产业聚类的空间因素在不同距离下变化较小，保持在20%~40%，相同类型企业的聚集程度较低，大致因为佛山顺德、东莞厚街、中山大涌镇等成熟家具群分布于此，已形成了等级完善的产业链，家具产业上中下游空间集聚比较合理。而珠海、肇庆家具产业随着空间距离的不断增大，空间因素变化较大，在超长距离下，两地区家具产业的局部互信息占比重已分别下降至3%和1%，此时非空间因素引起的相同企业空间聚类达到最小，上、中、下游家具企业空间聚类达到最大。
从地区差异来看，在相同空间距离下，广州和中山家具产业的局部互信息占比明显高于其他地区，其最高值接近40%。并且，随着空间距离的增长，由空间因素引起的不同类型的产业聚类趋于下降且幅度超过了10%，这意味着在广州和中山地区，家具产业链不完善，受空间距离影响较大。江门家具产业局部互信息一直保持在30%左右，说明非空间因素对不同类型家具产业聚类的影响效应较大且比较稳定。佛山、东莞、惠州和深圳等地的家具产业局部互信息占比均约为20%，且随着空间距离的变化幅度不大，说明随着空间距离变化，非空间因素依旧占主导，形成了较高的上中下游不同类型的企业空间聚类。这是因为上述地区的家具产业国内知名，形成了较完善的产业链，从家具原料供给等产业链上游、家具设计和制造等产业链中游以及仓储、物流和销售服务等产业链下游，在区域内形成了一定的规模集群，产生了规模效应。肇庆家具产业空间互信息随着空间距离增加呈先增后减的倒U型态势。其中，在中等距离水平下，肇庆家具产业链较完善，上、中、下游不同企业集聚较大；但在超远距离水平，空间因素不明显，此时不同类型的产业集聚减少。珠海家具产业局部互信息占比重最小，约为1%~9%，此时非空间因素占主导地位影响该地区家具产业空间聚类，同种类型企业的空间聚集程度极低，不同类型企业聚集程度较高。

5 结论与讨论

5.1 结论

本文基于2022年珠三角地区全产业链家具企业POI数据，采用DBSCAN空间聚类算法识别并提取家具产业空间聚类集群，运用ArcGIS和核密度分析法剖析家具产业总体空间聚类特征和产业链结构特征，利用轮廓系数和中心地理论模型分析家具产业空间聚类的等级结构特征，最后将空间熵分解为空间互信息和空间余熵，进一步探析空间因素和非空间因素对家具产业空间聚类的解释度。主要结论如下：
①从全产业链来看，DBSCAN空间聚类算法在珠三角地区24420个家具企业点中共识别出350个空间聚类集群和1352个离群噪声点。在所有空间聚类集群中，按照家具企业点数量规模可确定的主要聚类集群有7个，呈“多核心扇状”空间分布特征。另外，家具企业空间聚类还呈现出“一主三副”中心分布的等级结构特征，主中心位于顺德，副中心位于厚街、沙溪和香洲。
②从分产业链来看，珠三角地区家具产业链上、中、下游企业的高密度核心区呈现出空间分割特征，且除顺德外的其他地区均没有形成产业链上、中、下游企业的同质聚类。其中，家具产业链上游企业空间聚类呈现出“二主一副”中心分布的等级结构特征，主中心为顺德和香洲，次中心为斗门；家具产业链中游和下游企业空间聚类均呈现出“一主一副”中心分布的等级结构特征，主中心均为顺德，次中心分别为禅城、厚街。可以看出，顺德在家具产业链中处于核心地位，香洲、斗门、禅城和厚街则占主要地位。因此，在提升产业链供应链安全与韧性方面，应该加强对顺德等地区的家具产业管理，如建立多元化的供应链，增加多个供应商的选择；合理控制库存，避免家具过度储存和物料积压，减少库存占用成本；完善物流配送体系，提高物流效率，建立储备充足、反应迅速、抗冲击能力强的应急物流体系等。
③从珠三角总体看，非空间因素导致的家具产业链上、中、下游企业的分离程度很低，非空间因素更能解释珠三角地区家具产业的空间聚类，且解释程度达到了80%。并且，非空间因素对家具产业空间聚类的解释程度随着空间距离的上升而逐渐增加。从各地区比较来看，非空间因素依然是促进家具产业空间聚类集群的主要驱动力，解释程度超过60%。同时，珠三角各地区家具产业空间聚类的形成与演进受空间与非空间因素的影响程度各不一样，亦会随着空间距离变化而呈现差异性变化。另外，广州、中山、江门等地家具产业空间聚类集群受空间因素的影响相比较其他地区更突出。因此，促进珠三角家具产业高质量发展需要高度重视非空间因素的影响。例如，数字经济的崛起、房地产进入调整期、消费习惯深刻变化等都会使家具产业受到冲击，只有协调好非空间因素与空间因素，珠三角家具产业才能持续健康发展。

5.2 讨论

基于本文分析研究结果，并对比相关规划，发现珠三角地区家具产业总体空间分布形态较为完善，围绕珠江口岸形成了众多中心聚集点，实现了多点开花的局面。但同时也存在以下问题：对于家具产业链上、中、下游企业，高等级家具产业集群过度集中于顺德，龙门、从化等地缺失区级家具产业集群，且产业链上、中、下游家具产业集群不集中。例如，产业链上游的木材厂集聚地与中游的设计与制造集聚地距离很远，会产生过高的运输成本等。因此，在未来的家具产业空间布局规划中，需要继续加大力度促进家具产业中心集聚地向周边扩散，从而完善整体家具产业链。建议以顺德、禅城、海珠为中心点，厚街、大涌、东升为次中心点，增强家具产业的规模效应，使其能够向外辐射至周边地区，带动开发较弱等级地点的家具产业发展，进而保证家具产业集群的结构合理与空间均衡。
随着数字技术的迅速发展，各类地理网络平台提供的更高频、更大维度POI大数据，为城市或产业空间研究与规划实践提供了算据支撑。要充分用好当前的海量大数据，还需要同步实现空间统计分析的算法创新。另外，本文首次尝试将空间熵分解指数应用于某一经济活动的空间统计分析，并从空间因素（基于空间互信息识别）和非空间因素（基于空间余熵识别）来探究驱动家具产业空间聚类演进的动力，因方法和技术手段受限，当下尚未能对空间因素和非空间因素这两个黑箱内的具体内容进行挖掘，希望能在后续的研究中实现突破。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
齐志明, 王伟健, 宋豪新, 等. 家居产品服务提升供给水平促进消费提档升级[N]. 人民日报,2023 -08- 16(19).

[2]
徐雪娇, 赵亚奇, 崔学良. 创新驱动下家具产业集群空间演化研究[J]. 林产工业, 2021(5):42-45.

[3]
陈竞飞, 田刚. 家具产业运营效率与国民经济产业结构耦合协调研究[J]. 经济地理, 2022(7):159-166.

DOI

[4]
朱剑刚, 王旭. 木质家具智能制造赋能技术及发展路径分析[J]. 林业工程学报, 2021(6):177-183.

[5]
吴智慧, 张雪颖, 徐伟, 等. 智能家具的研究现状与发展趋势[J]. 林产工业, 2017(5):5-8.

[6]
Wu X, Zhu J, Wang X. A review on carbon reduction analysis during the design and manufacture of solid wood furniture[J]. BioResources, 2021, 16(3):6212.

[7]
Coloma-Jiménez M, Akizu-Gardoki O, Lizundia E. Beyond ecodesign,internationalized markets enhance the global warming potential in the wood furniture sector[J]. Journal of Cleaner Production, 2022,DOI:10.1016/j.jclepro.2022.134795.

[8]
黄颖敏, 黄耿志, 刘家玉, 等. 革命老区产业集群协同演化与创新机制——以江西南康家具产业集群为例[J]. 人文地理, 2023(3):138-145.

[9]
张帅, 袁长伟, 赵小曼. 中国交通运输碳排放空间聚类与关联网络结构分析[J]. 经济地理, 2019, 39(1):122-129.

DOI

[10]
杨建新, 刘静, 龚健, 等. 不同空间聚类算法在识别优质集聚基本农田图斑中的应用及对比研究[J]. 中国土地科学, 2022(1):107-117.

[11]
杨帆, 徐建刚, 周亮. 基于DBSCAN空间聚类的广州市区餐饮集群识别及空间特征分析[J]. 经济地理, 2016(10):110-116.

[12]
Mao Y M, Mwakapesa D, Li Y C, et al. Assessment of landslide susceptibility using DBSCAN-AHD and LD-EV methods[J]. Journal of Mountain Science, 2022, 19(1):184-197.

[13]
马小宾, 侯国林, 李莉. 国家中心城市共享住宿的时空分布及影响因素——基于DBSCAN算法的分析[J]. 自然资源学报, 2021(10):2694-2709.

DOI

[14]
刘瑞宽, 李九全. 西安市实体书店空间分布特征及影响因素——基于DBSCAN算法的分析[J]. 经济地理, 2021(6):87-96.

DOI

[15]
Parresol B R, Edwards L A. An entropy-based contagion index and its sampling properties for landscape analysis[J]. Entropy, 2014, 16(4):1842-1859.

[16]
Leibovici D, Claramunt C, Guyader D L, et al. Local and global spatio-temporal entropy indices based on distance ratios and co-occurrences distributions[J]. International Journal of Geographical Information Science, 2014, 28(5):1061-1084.

[17]
Altieri L, Cocchi D, Roli G. A new approach to spatial entropy measures[J]. Environmental and Ecological Statistics, 2018(25):95-110.

[18]
Altieri L, Cocchi D, Roli G. Measuring heterogeneity in urban expansion via spatial entropy[J]. Environmetrics, 2019, 30(2):1-16.

[19]
兰峰, 林振宇, 黄歆. 基于POI数据的西安市多中心空间结构演变特征与驱动因素研究[J]. 干旱区资源与环境, 2023 (11):57-66.

[20]
李江苏, 梁燕, 李小建. 欠发达地区快速增长城市现代服务业空间布局及影响因素——基于POI和问卷数据的郑州市案例分析[J]. 经济地理, 2021, 41(5):145-154.

DOI

[21]
张景奇, 史文宝, 修春亮. POI数据在中国城市研究中的应用[J]. 地理科学, 2021(1):140-148.

DOI

Options
文章导航

/

〈 〉