EN中文

经济地理 >

2019 , Vol. 39 >Issue 7: 119 - 128

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.07.014

产业经济与创新发展

外资主导下的汽车制造业空间分布特征及其影响因素——以广州为例

  • 巫细波
展开
  • 广州市社会科学院，中国广东 广州 510410

巫细波（1983—），男，广东五华人，副研究员。主要研究方向为区域经济、汽车产业、空间计量与GIS方法应用。E-mail：wuxibo @gz.gov.cn。

收稿日期: 2018-07-17

  修回日期: 2019-02-10

  网络出版日期: 2025-04-27

基金资助

广州市哲学社会科学规划课题(2017GZZK05)

广州市社会科学人文重点研究基地(广州国家中心城市研究基地)

收起

Spatial Distribution Evolvement Characteristics and Influencing Factors of Automobile Manufacturing Industry under the Guidance of Foreign Investment:A Case Study of Guangzhou

  • WU Xibo
Expand
  • Guangzhou Academy of Social Sciences，Guangzhou 510410，Guangdong，China

Received date: 2018-07-17

  Revised date: 2019-02-10

  Online published: 2025-04-27

Fold

摘要

以1 069家广州汽车及零部件制造业企业为研究对象，采用GIS和HDBSCAN空间聚类方法分析其空间布局变化及特征，并采用负二项回归模型定量分析影响汽车制造业企业分布的因素，研究发现：①广州汽车制造业企业空间集聚特征显著，空间布局演变由近郊区往外围区域扩张；②由于长期过于依赖外资整车企业，导致广州汽车制造业产业链存在过于封闭的特征，对汽车零部件企业的辐射带动效应不足；③外资和内资汽车零部件企业在空间布局上存在明显差异，外资企业偏向围绕外资整车企业布局，而内资企业偏向沿交通干线布局；④广汽传祺、广汽客车等中国品牌对广州汽车零部件企业更具有辐射带动效应，有利于推动技术创新；⑤负二项回归模型显示整车带动、区位因素、集聚经济、人口密度等因素对汽车制造业企业空间布局有重要影响，而交通因素对广州汽车制造业企业布局影响不显著。

关键词： 汽车制造业; 合资合作; 外资企业; 产业集聚; 自主品牌整车企业; 科技创新

本文引用格式

巫细波 . 外资主导下的汽车制造业空间分布特征及其影响因素——以广州为例[J]. 经济地理, 2019 , 39(7) : 119 -128 . DOI: 10.15957/j.cnki.jjdl.2019.07.014

Abstract

Taking 1 069 automobile and parts manufacturing enterprises in Guangzhou as research object, this paper analyzes the spatial distribution evolution of Guangzhou automobile manufacturing industry and influencing factors by means of GIS, HDBSCAN spatial clustering and negative binomial regression model. It is concluded that: 1) Guangzhou's automobile manufacturing enterprises have significant spatial agglomeration characteristics, and their spatial layout evolves from suburban to peripheral areas. 2) Due to long-term overreliance on foreign companies, automobile manufacturing industry chain in Guangzhou is too closed, and the foreign-funded vehicle enterprises have insufficient radiation-induced effects on auto parts enterprises. 3) there are obvious differences in the spatial layout of foreign-funded and domestic-funded auto parts companies, foreign-funded enterprises tend to focus on the layout of foreign-funded vehicle companies, while domestic-funded enterprises tend to focus on the layout along the trunk line. 4) Chinese brand automobile companies including Guangzhou Automobile Group Motor and Guangzhou Automobile Group Autobus have more radiation-driving effects on Guangzhou automobile manufacturing industry and promote technological innovation. 5) It, based on the negative binomial regression model, shows that influencing factors such as driving effect of vehicle companies, location factors, agglomeration economy, and population density have an important impact on spatial layout of automobile manufacturing enterprises in Guangzhou. The traffic factor has no significant impact on layout of automobile manufacturing enterprises.

Key words： automobile manufacturing industry; joint venture and cooperation; foreign-owned enterprises; industry cluster; independent brand vehicle enterprises; technological innovation

自1980年代外资汽车企业进入国内以来，汽车制造业对国民经济的影响越来越重要，特别是自2009年后我国已连续9年成为全球最大的汽车市场，到2017年汽车制造业已经成为我国产值规模第三、利润规模第一的制造业。但外资主导的局面仍未得到改变，长期过于依赖外资汽车企业使得我国汽车制造业大而不强，合资整车企业对民营汽车零部件的辐射带动效应仍亟待提升，因此有必要从产业空间视角开展相关研究并探讨我国汽车制造业迈向全球价值链中高端的对策。汽车制造业的快速发展吸引国内众多学者开展相关研究，成果也非常丰富，已有的研究成果主要基于产业经济学、演化经济学、经济地理学等理论，采用空间基尼系数[1]、多元线性回归[2]、产业集群动力圈层模型[3]、赫芬达尔指数[4]、ESDA（探索性空间数据分析）[5]、EG（产业集聚系数）指数[6]、GIS统计分析[7-8]等模型和方法对汽车制造业集聚、空间布局及变化特征等方面开展研究，这些文献的研究尺度较为宏观，对地级行政区层面的研究还较少。随着地理信息数据越来越丰富[9]及GIS开源软件繁荣发展[10]，越来越多数据挖掘及智能算法[11]被运用到产业空间布局方面的研究[12]，而空间聚类分析逐渐成为一种研究产业空间布局和定量识别产业集聚的高效方法，如林冬云[13]、夏云[14]利用 K-Means聚类对产业集群或企业分布格局进行了空间数据挖掘研究。但基于距离的聚类方法的缺点是只适合于发现球状、圆形等较为规则的空间集聚，不适合于沿道路分布等不规则形状的空间集聚，而现实中的产业空间布局往往有多样化表现。为此，不少学者开始采用基于密度的DBSCAN（Density-Based Spatial Clustering of Applications with Noise）空间聚类[15]方法进行要素空间集聚研究。DBSCAN是一种在数据挖掘、机器学习等领域已得到广泛应用的基于密度的聚类方法，其最大的特点就是引入密度可达和密度相连等概念实现对不同密度区域数据有效的区分，可以发现任意形状的类簇，同时可以过滤噪声点和低密度区域。杨帆等[16]采用DBSCAN空间聚类方法研究广州市区的餐饮集群，能够有效识别各种形状的餐饮集聚，但这种方法对两个初始参数的设置较为难以把握，当数据密度不均匀、聚类间距差异较大时，不同参数设置会导致较大差异的聚类结果。为此本文将采用改进的DBSCAN空间聚类方法——HDBSCAN[17]（Hierarchical Density-Based Spatial Clustering of Applications with Noise，具有噪声的层次密度聚类方法）方法，研究广州汽车制造业企业的空间集聚特征。HDBSCAN方法对数据特点不作严格要求、对初始参数较为不敏感、聚类结果具有稳健性等特点的人工智能算法对开展社会科学应用研究具有重要意义。
从已有学者对汽车制造业空间布局方面的研究文献可以发现，绝大部分学者对汽车制造业空间布局方面的研究在空间尺度上过于宏观，基本上都是以全国和省级行政区为研究对象，大部分统计分析方法的前提假设过于理想化，导致分析结果难以接近实际情况。此外，对于汽车制造业空间布局的研究还不够细化，例如对合资整车及零部件企业与自主品牌企业没有区别化对待，其实在国内很多汽车生产城市的合资整车企业对民营零部件产业的辐射带动效应明显不足。因此，有必要以地级市空间尺度对区域展开汽车制造业空间布局研究，本文以国内汽车产销规模第二、依赖合资模式发展汽车产业的特大汽车城市——广州为例，研究其整车企业与零部件企业的空间布局变化特征及影响因素，对重庆、上海、长春、北京、柳州等特大汽车生产城市优化汽车制造业空间布局并推动其转型升级有重要决策参考意义。

1 研究方法、数据和软件工具

1.1 研究方法

1.1.1 平均最近邻方法

用于检测要素的全局空间集聚特征，即测量每个要素与其近邻要素的平均距离，如果该平均距离小于假设随机分布中的平均距离，则样本要素在全局上表现为集聚状态，反之则表示样本的空间分布趋于分散状态，如果等于随机分布假设下的平均距离，则表示样本的空间分布为随机状态。平均近邻分析方法的计算公式如下：
$A N N=\frac{D_{0}}{D_{E}}=\frac{\frac{1}{n} \sum_{i=1} d_{i}}{0.5 \times \sqrt{\frac{A}{n}}}$
式中：ANN为平均最近邻指数；D0为每个要素与其最邻近要素之间的平均距离；DE为随机模式下要素间的期望平均距离；di为要素与其最邻近要素之间的距离；A为所有要素的最小外接多边形面积或者研究区域的面积，本文将A定为所有企业最小外接多边形面积，采用QGIS软件计算。

1.1.2 空间缓冲分析

空间缓冲分析是一种GIS分析中典型的空间领域分析方法，是指在点、线或者面几何对象周围建立一定范围的区域分析方法，根据研究对象的不同可以分为点、线、面三种缓冲分析。本文研究对象为汽车制造业企业，为点状要素，因此用点缓冲分析并采用QGIS计算。

1.1.3 HDBSCAN空间聚类

HDBSCAN是由Campello等[17-18]开发的一种更高效和便捷的密度聚类算法，这种方法改善了DBSCAN[19]和OPTICS[20]（Ordering Point To Identify the Cluster Structure）等密度聚类算法中邻域半径及最小聚类数等参数难以确定的缺点，主要通过一种称为相互可达距离（Mutual Reachability Distance[21]）的新测度方法实现对不同密度族群构建树形的层次聚类结构，从而便于识别和提取不同密度聚类，使得聚类结果更具稳健性和可靠性。本文将基于Python语言（版本为2.7.5）下的hdbscan[22]软件包（版本为0.8.12）进行聚类分析，同时将聚类结果在GIS软件中进行分类显示。对于应用层面研究人员而言，HDBSCAN方法使用时一般只需指定最小聚类数这个参数（即min_cluster_size），但核心点、邻域半径、最小聚类数等概念是继承DBSCAN等密度聚类方法，本文重点对DBSCAN方法中没有的核心距离、相互可达距离等概念作说明。
考虑数据集合 X = { X 1 , X 2 , ⋯ X N }，以及 ε（最小领域半径）和min_cluster_size（最小聚类数）。
①核心距离（Core-distance）。设x∈X，对于给定参数 ε和min_cluster_size，则使得x成为核心点的最小领域半径为x的核心距离，其数学定义为：
C o r e k x = d x , N ε k x , 若 N ε ≥ m i n _ c l u s t e r _ s i z e
式中：函数d表示度量节点之间相似度的函数，一般用欧式距离表示； N ε k x表示集合 N ε x中与数据点x第k近邻的数据点，如 N ε 1 x则表示 N ε x 中 与 x 最 近 的 点 。若x为核心点，则有 C o r e k ( x ) ≤ ε。
②相互可达距离（Mutual Reachability Distance），这种数据间距离的新测度方法比OPTICS方法中的可达距离更容易实现不同密度聚类的识别和提取，使得聚类结果更具稳健性。设 x , y ∈ X，对于给定参数 ε 和 m i n _ c l u s t e r _ s i z e，可达距离定义为：
M R D k ( x , y ) = m a x C o r e k x , C o r e k y , d x , y
用图1深入分析相互可达距离概念，其中图1中A、B、C均为核心点， m i n _ c l u s t e r _ s i z e = 6则表示每个核心点用其第6近邻距离作为其核心距离，分别为 C o r e 6 A、 C o r e 6 B、 C o r e 6 C，且 C o r e 6 A < C o r e 6 C < C o r e 6 B , d ( A , B ) = d ( A , C )，显然核心点A在核心距离内的数据密度最高，其次为核心点C和B。根据相互可达距离概念，则：
M R D 6 ( A , B ) = C o r e 6 B > d ( A , B ) > C o r e 6 A
M R D 6 ( A , C ) = C o r e 6 C > d ( A , C ) > C o r e 6 A
M R D 6 ( B , C ) = d ( B , C ) > C o r e 6 B > C o r e 6 C
图1 HDBSCAN相互可达距离示意图

Fig.1 The diagram of mutual reachability distance in HDBSCAN

如果采用DBSCAN聚类方法，则A与B聚类和A与C聚类是一样的，但这两个区域的数据密度明显不同，而在HDBSCAN方法中如果需要识别和提取密度较高的聚类，通过相互可达距离则能够方便地提取高密度聚类，A与C聚类的差异会被通过 M R D 6 ( A , C ) < M R D 6 ( A , B )进行有效识别，尽管 d A , B = d A , C。

1.1.4 负二项回归模型

处理离散型计数变量的模型一般采用泊松回归[23]，但实际应用场景中计数型样本数据往往难以符合泊松分布（即均值等于方差），因此在应用过程中计数型变量的回归模型会考虑使用负二项回归[24]、零膨胀泊松回归[25]等。本文将采用三种计数回归模型并对比结果，选择合适的回归模型进行定量分析。

1.2 数据来源

本文研究对象为广州市的汽车制造业企业，企业相关信息从广州市工商局信息系统查询获取，主要信息为企业名称、企业注册时间、资本性质、主营业务范围等，时间为2016年年底。对最初从工商局信息系统获取的记录进行筛选和处理，最终获取1 069家汽车制造业企业信息。

1.3 软件工具

本文数据处理和分析软件主要包括QGIS[26]（版本为2.18.20）、R语言和Python语言，其中QGIS是类似ArcGIS的综合性GIS软件，ArcGIS具有功能较为齐全、价格昂贵、软件体系庞大、辅助文档较多、应用广泛等特点。相对而言，QGIS具有开源免费、软件体积较小、插件众多、支持各种常见的矢量和栅格地理数据、制图便捷且效果优秀、可扩展性优秀、辅助文档和国内应用较少等特点，同时集成Grass GIS、SAGA、R语言、Python语言等众多优秀开源GIS模块和程序设计语言，非常适合应用于社会科学、环境科学、生态科学等非地理专业领域开展空间数据制图和统计分析。

2 汽车制造业企业空间布局演化特征

2.1 起步发展，零星布局阶段（1955—1984年）

此阶段，广州汽车制造业企业数量非常少，已有的企业主要为与客车生产制造相关的企业，空间上呈现零星布局特征。广州汽车工业起步于公共汽车，由于历史的局限和投资不足，这个时期广州汽车工业产量规模非常小，汽车制造业企业只有3家，外资还未进入广州，空间上主要布局在郊区，呈现零星布局特征（图2，为了便于各时期对比，本文中广州各区行政边界以2016年为准）。
图2 广州各时期汽车企业布局示意图

Fig.2 The layout of Guangzhou’s automobile enterprises in various periods

2.2 合资尝试，分散布局阶段（1985—1997年）

总体上看，这个阶段广州开始尝试通过合资合作方式发展汽车制造业，汽车零部件进口组装生产方式导致整车企业的带动效应较弱，汽车零部件企业空间布局上呈现分散发展特征。这一时期，得益于广州成为国家“三大三小 ① ”汽车工业基地之一，通过与法国标致汽车于1985年9月26日成立的广州标致汽车公司开始发展现代汽车工业，由于标致汽车公司对广州及国内汽车市场发展前景期望不高，汽车零部件大部分采用进口方式，广州标致整车企业难以带动汽车零部件企业集聚发展。这个时期汽车及零部件企业新增了46家，到1997年底广州汽车制造业企业数量达到了49家，其中32家为外资企业，内资企业17家。从广州市各区域空间布局上看，这个时期的汽车制造业企业主要布局在郊区和外围区域，如白云区（13家）、花都区（6家）、番禺区（6家）、增城区（7家）等，越秀、荔湾、天河、海珠等中心城区的企业数量非常少（表1），而从化还未出现汽车制造相关的企业，总体上还未形成规模较大的汽车制造业集聚区。外资企业和内资企业的空间布局也存在较大差异，外资企业主要布局于近郊区，如白云区的外资企业数量达到了10家，而内资企业则主要布局于远郊区，如增城区和番禺区。
表1 1997—2016年广州各区汽车制造业企业数量

Tab.1 Number of automobile manufacturing enterprises in Guangzhou in 1997-2016

区域 1997 2009 2016 2016年各区总数占比（%）
越秀区 4 10 13 1.22
荔湾区 1 3 8 0.75
天河区 3 9 48 4.49
海珠区 3 6 11 1.03
白云区 13 100 300 28.06
黄埔区 5 65 88 8.23
番禺区 6 47 126 11.79
花都区 6 131 241 22.54
南沙区 1 16 36 3.37
增城区 7 71 143 13.38
从化区 0 27 55 5.14
总计 49 485 1 069 -
从平均最近邻指数看，这个时期的广州汽车制造业企业空间布局整体上呈现明显的集聚特征，企业之间的平均距离为3 381.28 m，远低于随机模式下的期望距离，平均最近邻指数为0.727（表2）。
表2 1997—2016年广州汽车制造业企业平均最近邻指数

Tab.2 The ANN index of Guangzhou's automobile manufacturing enterprises in 1997-2016

年份 样本平均距离 随机模式下的期望距离 平均最近邻指数 Z值统计 显著性P值
1997 3 381.28 5 333.33 0.727 -3.65 0.00
2009 816.56 1 974.74 0.413 -24.71 0.00
2016 502.85 1 389.59 0.362 -39.91 0.00

2.3 外资快速发展，整车带动聚集阶段（1998—2009年）

自1998年本田汽车进入广州以来，日产汽车、丰田汽车及日野汽车的相继入驻使得广州快速发展成为国内最大的汽车生产基地之一，这个阶段最显著的特征是合资整车企业辐射带动并导致企业在空间上开始明显集聚，形成东部、南部及北部三大汽车产业集群，外资整车企业在这一阶段均已完成核心汽车零部件企业在广州地区的布局。总体而言，日系汽车企业集聚发展导致广州汽车零部件供应链形成较为封闭的体系，不利于非日系汽车零部件企业进入广州，对民营汽车零部件企业发展形成不利影响。这个阶段增加了436家汽车制造业企业，到2009年汽车企业数量达到了485家，其中外资企业244家，内资企业241家。这个阶段汽车企业空间布局整体上不断向北部、东部和南部扩张，依托整车企业形成明显的产业集群，如依托东风日产形成了花都汽车城，依托广汽本田形成黄埔的东部汽车产业集群。从各区汽车制造业企业的空间分布看，花都区投入大量精力打造的花都国际汽车城成为广州最大的汽车企业集聚区，整个花都区汽车企业数量达到131家，占广州全市的比重为27.01%（表1）。平均最近邻指数为0.413，整体呈现明显集聚且较1997年明显提高（表2）。这个时期的汽车制造业企业数量已经达到了485家，可运用HDBSCAN方法分析广州汽车制造业企业的空间布局特点。经过反复测试，将HDBSCAN算法中的min_cluster_size参数设置为10，得到10个聚类（图3，不同族类分别用不同颜色圆圈显示，编号为-1的黑色小圆圈为非聚类企业，即噪声数据），图3中编号为4、6、7的集群分别为广汽本田、广汽客车、东风日产等整车企业所在区域，对汽车零部件企业产生辐射带动效应从而形成高密度集聚区，而编号为0、1、2的集群则为低密度集聚区，HDBSCAN方法对不同密度的集群都能有效识别，如果采用DBACAN方法则只能识别高密度集聚区。外资汽车零部件企业侧重围绕外资整车企业布局形成明显的集聚区，最典型的是围绕广汽丰田形成的小规模球形状集聚区，广汽丰田周边3 km范围的汽车零部件企业只有10家而且均为广汽丰田的一级供应商，但产值规模较大，整车产值超过700亿元，零部件产值规模也超150亿元，整车和发动机产量分别达到26.84万辆、39.96万台。内资汽车零部件企业则侧重沿交通干线布局，如广花路、广从路均为典型的线状集聚区，数量较多，但整体产值规模小，不部分企业均不具备研发创新能力。
图3 2009年汽车制造业企业HDBSCAN聚类结果

Fig.3 HDBSCAN clustering results for automotive manufacturing companies in 2009

2.4 自主品牌快速崛起，空间集群化阶段（2010年至今）

总体上看，这个阶段快速崛起的广汽传祺、广汽比亚迪等自主品牌整车企业比合资整车企业能更有效地辐射带动相关汽车零部件企业集聚发展，形成更大规模的产业集群，企业进一步朝外围区域扩散，围绕整车企业、专业化产业园区、沿交通道路等区域进一步集聚，在番禺形成了具备汽车技术研发设计功能的汽车产业园区，在东北部的从化区形成特色的商用车产业集群。这个时期新增了584家企业，累计企业数达到1 069家，其中外资企业580家，内资企业达到了489家。
这个阶段汽车企业进一步向北部、东部、南部等外围区域扩张，依托整车企业和便捷的交通沿线形集聚程度更高的产业集群，这个时期依托广汽乘用车、北汽乘用车、广汽比亚迪等自主品牌整车企业形成了新的集聚区。从各区汽车制造业企业的空间分布看，中心城区的企业数量占比进一步下降，而从化等外围区域的企业数量则呈现明显增长趋势（表1）。外资和内资汽车制造业企业也呈现不同的空间布局特点，其中外资企业在空间布局上主要围绕外资整车企业布局，离中心城区较近；而内资企业主要沿交通便捷的道路沿线布局，整体上朝郊区和外围区域布局。此时期的平均最近邻指数为0.362，整体集聚程度较2009年进一步提高。对这个时期的汽车企业整体情况、外资企业和内资企业分别运用HDBSCAN空间聚类方法进行分析，检验广州汽车制造业企业的集聚情况。经过反复测试，其中对所有汽车制造业企业的聚类分析中，将HDBSCAN算法中的min_cluster_size参数设置为12，得到14个聚类（图4）。与2009年聚类结果相比，有些集聚区规模更大而有些集聚区则被拆分成多个集聚区，表明HDBSCAN方法确实比DBSCAN方法更有利于发现高密度集聚区而且也能有效识别出低密度的集群。2009年出现的集聚区仍然存在且集聚规模更大，其中图4中编号为0、1及5的区域呈现出沿道路布局的线状集聚特征，还新增了4个集聚区。图4中编号为6、9的集群所在区域分别为广汽乘用车、广汽比亚迪等两个主品牌整车企业所在区域，自主品牌整车企业对汽车零部件企业的辐射集聚效应开始逐步显现。
图4 2016年汽车制造业企业HDBSCAN聚类结果

Fig.4 HDBSCAN clustering results for automotive manufacturing companies in 2016

此外，分别对外资和内资汽车制造业企业进行HDBSCAN聚类分析，可以发现外资和内资汽车制造业企业的空间布局存在明显差异，外资企业主要依托外资整车企业就近布局形成集聚区，而内资企业则主要在交通道路沿线和产业园区布局。对所有外资企业进行空间聚类分析，将HDBSCAN算法中的min_cluster_size参数设置为10，得到8个聚类（图5），其中图5中编号为1、3、6的聚类分布为广汽丰田、广汽本田、东风日产等外资整车企业所在区域，而位于北部从化区的广汽日野由于产品定位与国内商用车市场不匹配，发展缓慢，难以带动外资汽车零部件企业集聚发展。对内资企业进行空间聚类分析，将HDBSCAN算法中的min_cluster_size参数设置为10，得到13个聚类（图6），图6中编号为8、4、0、2的聚类分别为广汽客车、广汽乘用车、广汽比亚迪、北汽乘用车等内资整车企业所在区域，对内资汽车零部件企业形成了较为明显的辐射带动效应；而编号为6的聚类区呈现为典型沿道路分布的线状集聚区。
图5 2016年外资企业DBSCAN聚类结果

Fig.5 HDBSCAN clustering results of foreign-funded enterprises in 2016

图6 2016年内资企业DBSCAN聚类结果

Fig.6 HDBSCAN clustering results of domestic-funded enterprises in 2016

3 广州汽车制造业企业空间布局影响因素分析

3.1 模型设计与变量选取

已有的关于汽车制造业空间布局演变影响因素的研究[2-3,27]，其研究对象多为省级层面，样本数较少且多采用多元线性回归、地理加权回归、多元空间自相关分析等方法，但就本文研究区域而言，现有的分析方法难以适用，综合已有研究基础及数据可获得性，尝试采用计数回归模型对广州汽车制造业企业空间布局影响因素进行定量分析。以广州166个街镇汽车制造业企业数量为因变量，以各街镇人口规模、人口密度、道路长度、区域因素、整车因素及公司企业数量等6个因素为自变量（表3）。
表3 变量及其统计信息描述

Tab.3 Description of variables and its statistics

变量 单位 样本数 均值 标准差 最小值 最大值 说明
汽车制造业企业数据（Y） 家 166 6.44 15.61 0 125 各街镇汽车制造业企业数，有59个街镇数据为0
人口规模（X11） 千人 166 76.52 55.08 3.4 391.3 根据最新一期2010年广州人口普查数据
人口密度（X12） 百人/km2 166 170.57 206.73 0.4 956.6 根据最新一期2010年广州人口普查数据
道路长度（X21） km 166 9.46 7.01 0.47 40.34 数据来源于Open Street Map，时间为2017年1月，采用QGIS软件计算得到各街镇道路长度
道路密度（X22） km/km2 166 122.49 138.91 4.489 739.74 同上
区位因素（X31） - 166 2.31 0.82 1 3 将广州166个街镇分成中心城区、近郊区及远郊区三类，分别赋值3、2、1
整车因素（X41） - 166 1.38 0.59 1 3 有整车企业街镇赋值3，整车企业临近街镇赋值2，其他则赋值1
公司企业数（X51） 百家 166 12.34 13.32 0.09 85.5 从高德地图抓取公司企业POI数据并统计各街镇的数量，用于反映广州各街镇经济实力，数据抓取时间为2017年7月

注：OpenStreetMap数据网址为 http://download.geofabrik.de/asia/china.html；QGIS软件Processing Toolbox中“Vector Analysis Tools”中的“Count points in polygon”模块计算各街镇汽车制造业企业数量及公司企业数量；用“Sum line lengths”模块计算各街镇路路长度。

用R语言（版本为3.5.1）分别计算泊松回归、负二项回归（R软件包为MASS）、零膨胀负二项回归（R软件包为PSCL），最终结果见表4。对比三种模型的Log Likelihood和Akaike系数，负二项回归的拟合效果最好，故采用负二项回归结果进行分析。
表4 三种回归模型结果对比

Tab.4 Comparison of three regression model results

变量及统计指标 泊松回归 零膨胀泊松回归 负二项回归
X11 0.002***
（0.001）		 0.003***
（0.001）		 0.001
（0.003）
X12 -0.004***
（0.001）		 -0.005***
（0.001）		 -0.002*
（0.001）
X21 0.002***
（0.0003）		 0.002***
（0.0003）		 0.002
（0.001）
X22 -0.013
（0.014）		 0.035*
（0.018）		 -0.034
（0.030）
X31 -0.205***
（0.065）		 -0.151**
（0.065）		 -0.440**
（0.187）
X41 0.084
（0.060）		 0.062
（0.059）		 0.375**
（0.171）
X51 0.015***
（0.003）		 0.008**
（0.003）		 0.032***
（0.011）
Constant 1.549***
（0.179）		 1.470***
（0.186）		 1.369***
（0.510）
Observations 166 166 166
Log Likelihood -583.166 -528.482 -364.735
theta - - 1.122*** （0.195）
Akaike Inf. Crit. 1 182.332 - 745.471

注：*p<0.1；**p<0.05；***p<0.01，括号内数据为对应系数的标准误。

3.2 结果分析

根据表4中的负二项回归结果，5%统计显著水平以上的变量包括X12、X31、X41、X51，具体分析如下：
人口因素。变量X12系数为-0.002，说明广州各街镇人口密度与汽车制造业数量形成负相关，即广州地区过于密集的人口不利于汽车制造业企业集聚。具体而言，在其他变量不变情况下，广州地区街镇人口密度每增加1单位（即100人），汽车制造业企业数量减少 1 - e x p ( - 0.002 ) · 100 % = 0.2 %，人口密度过高对汽车制造业集聚的负向影响程度还较低。
区位因素。变量X31系数为-0.440，表示广州地区的汽车制造业企业呈现朝近郊区和远郊区布局的特点，表示其他变量不变情况下，相对于远郊区街镇，近郊区街镇汽车企业数量会减少 1 - e x p ( - 0.440 ) · 100 % = 35.6 %，中心城区街镇的汽车制造业企业数量相对于近郊区则会进一步减少35.6%。区位因素反映了空间成本对汽车企业的区位选择具有重要影响，广州地区的汽车制造企业倾向于选择高速和快速路更便捷的外围区域，便利的交通运输条件会起到一定的促进作用；汽车企业逐渐从中心城区外迁，扩散到地价较低的近郊区和外围区域，这点在前面的分析中也得到了很好的验证。
整车因素。变量X41系数为0.375，表示在其他变量不变情况下，相对于没有整车企业的街镇，整车企业的入驻会促使街镇汽车制造业企业数量增加37.5%。进一步用空间缓冲分析研究广州整车企业不同半径周边的汽车零部件企业数量情况，也能够明显地体现整车企业对零部件企业的聚集效应（表5）。广州整车企业2 km范围内的汽车零部件企业数据有119家，占总数的比重为11.32%，而7 km范围内的零部件企业数量则超过了一半，达到了51.38%，12 km范围的零部件企业数则超过了80%。
表5 广州整车企业的缓冲分析

Tab.5 Buffer analysis of vehicle companies in Guangzhou

缓冲半径
（km）		 汽车零部件
企业数量		 外资企业 内资企业 缓冲区企业
数量占比（%）
2 119 36 83 11.32
3 213 66 147 20.27
4 309 98 211 29.40
5 397 132 265 37.77
6 464 150 314 44.15
7 540 165 375 51.38
8 619 189 430 58.90
9 663 199 464 63.08
10 738 231 507 70.22
12 847 270 577 80.59

注：以整车企业为对象采用QGIS软件进行缓冲分析，计算不同缓冲区内汽车零部件企业数量及占比情况。

此外，不同类型整车企业对零部件企业产生的集聚效应也存在明显差异，其中日资整车与零部件企业形成一种过于封闭的“整零”配套体系，非日系汽车零部件企业难以进入日资整车企业的核心零部件采购系统，在空间布局上表现为整车辐射带动效应较弱；而内资整车企业的辐射带动效应则较为明显，能够快速辐射带动内资零部件企业形成集聚发展区，同时能够带动具有创新能力的企业集聚发展。
广汽丰田作为日系合资整车企业，其周边配套的零部件企业几乎也是丰田汽车进入广州之前的合作企业，2 km半径的范围内就基本包括了广汽丰田最重要的8家核心零部件企业，到12 km半径范围内也只有22家零部件企业（图7）。广汽客车及广汽传祺作为内资整车企业，12 km半径范围的零部件企业数分别达到了173家和96家。东风日产和广汽本田周边的企业数量较大，则还有其他影响因素，如专业化园区、较早进入广州市场等。
图7 广州整车企业周边汽车零部件企业数量对比

Fig.7 Comparison of the number of auto parts enterprises around Guangzhou

集聚因素。集聚因素变量——公司企业数X51系数为0.032，这一变量主要用于表示广州各街镇的各类企业的集聚程度，表示在其他变量不变情况下每增加100家公司企业，汽车制造业企业数量增加3.2%。一般而言，同类企业大量聚集所产生的本地化规模效应及外部性会不断吸纳新企业集聚发展，目前广州汽车制造业通过集聚经济效应，形成了北部、东部和南部三个超千亿级的汽车产业集群。
交通因素变量X21和X22系数均未通过统计显著性检验，广州各街镇道路因素与汽车制造业企业数量未形成显著相关性，说明广州辖区内交通道路整体网络相对完善，对广州汽车制造业而言交通不是企业布局的关键因素。此外，除了前面定量分析中的影响因素，政策引导[25]也是重要的影响因素。对广州而言，主要体现在政府通过制定产业政策、设立专业化园区等方式影响汽车企业的空间布局，如配置专业管委会的花都汽车城、番禺汽车城就是政策引导效应的一种典型，广汽丰田落户当时尚未大规模开发的南沙也同样是受政策引导的强烈影响。

4 结论和建议

4.1 结论

基于平均最近邻指数、空间缓冲分析、HDBSCAN空间聚类等方法对广州汽车制造业空间布局变化进行了分析探讨，发现广州汽车制造业企业的空间布局总体上由近郊区不断往外围远郊区扩张，外资企业重点围绕合资整车企业布局形成明显的产业集聚区；内资企业侧重沿交通便捷的道路沿线和专业化产业园区布局，如白云区的105国道、黄埔区的广园路、花都区的S 118省道、花都汽车城等区域形成了较为明显的汽车制造业企业集聚区。由于发展中过于依赖日资整车企业，而日系整车与零部件企业之间存在较为典型的封闭式合作方式，导致对内资汽车零部件企业的辐射带动效应不明显，而广汽乘用车、北汽乘用车、广汽比亚迪等自主品牌整车企业的发展则有效地改善了这一状况。基于负二项回归模型的定量分析显示：整车带动、区位因素、集聚经济及人口因素对广州汽车制造业空间布局有密切影响，其中整车带动和集聚经济两大因素有利于促进街镇汽车制造业企业的集聚，而过于密集的人口及过于接近中心城区的区位因素则不利于汽车制造业企业的集聚，空间缓冲分析则发现合资及自主品牌整车企业对零部件企业的集聚效应存在明显差异。广州辖区道路网络相对完善，交通因素对汽车制造业企业布局影响不显著。

4.2 建议

随着国内外汽车产业形势发生重大变化，特别是我国实施新一轮汽车产业开放[28]，广州汽车产业要谋求转型升级并形成能够代表国家参与全球汽车制造业竞争的新动能，必须积极改善外资主导的发展模式，重点围绕番禺汽车城、中汽研华南总部基地等以内资企业为核心的汽车产业平台，出台汽车产业方面的专项规划，合理适当发挥职能部门的行政干预功能，不断促进汽车制造业高端要素集聚，不断优化现有汽车产业空间布局。为此，提出以下建议：
一是积极改善和优化过于封闭的产业生态环境。促进自主品牌和欧美系整车企业的发展壮大，通过广汽菲克、广汽新能源汽车、广汽比亚迪等新进整车项目引进更多民营和欧美系零部件企业入驻广州集聚发展，促使整车与零部件企业形成一种能够相互促进的新型合资合作关系，进而在空间上形成更加集聚高效的产业空间布局。二是进一步做强做大自主品牌整车企业，从根本上增强整车企业辐射带动能力。以广汽传祺为核心的广州自主品牌汽车产销规模已经突破60万辆，强大的辐射带动能力已经形成，需要职能部门更加聚焦自主品牌整车和零部件企业发展，构筑更加高效集聚的产业空间布局。三是围绕新能源及智能汽车等新兴领域，依托新型价值园区打造更加高效集聚的产业平台。传统汽车产业园区已经难以有效带动广州汽车制造业进一步发展壮大，急需发展建设以价值园区为导向的新型汽车产业园区建设，推动广州汽车产业公共创新平台建设，为此要加大广汽智联新能源汽车产业园区建设力度，不断集聚新能源汽车、汽车电子等领域企业集聚价值创新园区发展。四是通过出台汽车产业专项规划，合理适当发挥行政干预功能统筹区域内汽车产业协调发展。大力推进已有汽车产业专项规划的实施，统筹各个板块的比较优势，不断提高汽车产业园区的规模经济效应和产出效率。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
何婷婷. 我国汽车产业空间集聚的实证研究[J]. 汽车工业研究, 2008(3):28-33.

[2]
吴铮争, 吴殿廷, 袁俊, 等. 中国汽车产业地理集中及其影响因素研究[J]. 中国人口·资源与环境, 2008(1):116-121.

[3]
申明浩, 隋广军, 孙雷. 中国汽车产业集群发展的影响因素分析[J]. 科技管理研究, 2008(1):216-219.

[4]
王兆宇. 中国汽车制造业地理集中实证分析[J]. 西安建筑科技大学学报:社会科学版, 2009, 28(3):37-42.

[5]
白景锋, 周旗, 王海洋. 基于GIS的我国汽车产业空间布局与市场耦合分析[J]. 世界地理研究, 2011, 20(3):112-118.

[6]
赵浚竹, 孙铁山, 李国平, 等. 中国汽车制造业集聚与企业区位选择[J]. 地理学报, 2014(6):850-862.

DOI

[7]
虞虎, 陆林, 朱冬芳. 近10年中国汽车工业空间分布格局[J]. 安徽师范大学学报:自然科学版, 2012, 35(1):67-72.

[8]
丁娟, 李俊峰. 基于Web地理图片的中国入境游客POI空间格局[J]. 经济地理, 2015, 35(6):24-31.

[9]
吴芬芳, 熊卿. 大数据时代地理信息获取与服务方式的嬗变[J]. 测绘工程, 2015, 24(10):15-18.

[10]
焦汉科, 黄悦, 曹凯滨. 开源GIS研究及应用初探[J]. 测绘通报, 2016(S2):44-48.

[11]
张捷. 进化算法及智能数据挖掘若干问题研究[D]. 西安: 西安电子科技大学, 2013.

[12]
韩丽苹. 基于数据挖掘的我国区域矿产资源与能源开发利用现状分析研究[D]. 呼和浩特: 内蒙古科技大学, 2015.

[13]
林冬云. 基于空间聚类法的广州市海淀区朝阳区企业分布研究[D]. 北京: 北京师范大学, 2005.

[14]
夏云. 基于聚类方法的产业分布空间数据挖掘研究[D]. 南京: 东南大学, 2012.

[15]
He Y, Tan H, Luo W, et al. MR-DBSCAN:a scalable Map Re-duce-based DBSCAN algorithm for heavily skewed data[J]. Frontiers of Computer Science, 2014, 8(1):83-99.

[16]
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, 36(10):110-116.

[17]
R Campello,D Moulavi and J Sander. Density-Based Cluster-ing Based on Hierarchical Density Estimates[C]// Advances in Knowledge Discovery and Data Mining, Springer, 2013:160-172.

[18]
L McInnes, J Healy, S Astels. Hdbscan:Hierarchical density based clustering[C]// Journal of Open Source Software,The Open Journal,volume 2,number 11. 2017.

[19]
He Y, Tan H, Luo W, et al. MR-DBSCAN:a scalable Map Re-duce-based DBSCAN algorithm for heavily skewed data[J]. Frontiers of Computer Science, 2014, 8(1):83-99.

[20]
Ankerst M, Breunig MM, Kriegel HP, et al. OPTICS:ordering points to identify the clustering structure[J]. ACM SIGMOD Record, 1999, 28(2):49-60.

[21]
Justin Eldridge, Mikhail Belkin. Beyond Hartigan Consisten-cy: Merge Distortion Metric for Hierarchical Clustering[EB/OL]. https://arxiv.org/pdf/1506.06422v2.pdf, 2015.

[22]
The hdbscan Clustering Library. Documentation of hdbscan Clustering Library 0.8.12[EB/OL]. http://hdbscan.readthedocs.io/en/latest, 2017-11-10.

[23]
胡良平. 过离散计数资料负二项分布模型回归分析[J]. 四川精神卫生, 2018, 31(5):399-404.

[24]
郭志刚, 巫锡炜. 泊松回归在生育率研究中的应用[J]. 中国人口科学, 2006(4):2-15,95.

[25]
张倩媛, 林晓, 朱惠红, 等. 基于零膨胀模型的江苏省AIDS 发病研究[J]. 数理医药学杂志, 2018, 31(6):791-793.

[26]
QGIS Project. QGIS User Guide[EB/OL]. https://docs.qgis.org/2.18/pdf/en/QGIS-2.18-UserGuide-en.pdf, 2017-10-23.

[27]
张永凯, 徐伟. 演化经济地理学视角下的产业空间演化及其影响因素分析[J]. 世界地理研究, 2014, 23(2):1-13.

[28]
巫细波. 新一轮汽车产业开放政策对我国汽车产业的影响及对策建议[J]. 对外经贸, 2018(8):57-60.

Options
文章导航

/

〈 〉