EN中文

经济地理 >

2025 , Vol. 45 >Issue 4: 232 - 243

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.04.022

研究论文

中国市域新产业类型演化与地区经济发展阶段

  • 伏怡铭 , 1 ,
  • 刘振 2, 3 ,
  • 李伟 , 1, 4, 5
展开
  • 1.南京师范大学 地理科学学院，中国江苏 南京 210023
  • 2.中国科学院 地理科学与资源研究所/区域可持续发展分析与模拟重点实验室，中国 北京 100101
  • 3.中国科学院大学 资源与环境学院，中国 北京 100049
  • 4.江苏省地理信息资源开发与利用协同创新中心，中国江苏 南京 210023
  • 5.可持续发展大数据国际研究中心，中国 北京 100094
※李伟（1990—），男，博士，讲师，研究方向为演化经济理论、产业发展与区域经济等。E-mail：

伏怡铭（2000—），男，硕士研究生，研究方向为演化经济地理学、产业发展与创新地理。E-mail：

收稿日期: 2023-10-19

  修回日期: 2024-04-27

  网络出版日期: 2025-06-24

基金资助

国家自然科学基金项目(42001140)

可持续发展大数据国际研究中心项目(CBAS2022GSP08)

江苏省双创博士项目(JSSCBS20220408)

收起

Evolution of New Industry Types and Stage of Regional Economic Development in China at the Prefecture Level

  • FU Yiming , 1 ,
  • LIU Zhen 2, 3 ,
  • LI Wei , 1, 4, 5
Expand
  • 1. School of Geography，Nanjing Normal University，Nanjing 210023，Jiangsu，China
  • 2. Institute of Geographic Sciences and Natural Resources Research & Key Laboratory of Regional Sustainable Development Modeling，Chinese Academy of Sciences，Beijing 100101，China
  • 3. College of Resources and Environment，University of Chinese Academy of Sciences，Beijing 100049，China
  • 4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application，Nanjing 210023，Jiangsu，China
  • 5. International Research Center of Big Data for Sustainable Development Goals，Beijing 100094，China

Received date: 2023-10-19

  Revised date: 2024-04-27

  Online published: 2025-06-24

Fold

摘要

文章将产业关联密度分为在位关联密度和非在位关联密度，在此基础上将新产业划分为高非在位关联—低在位关联型（NI）、高非在位关联—高在位关联型（HH）、低非在位关联—低在位关联型（LL）和低非在位关联—高在位关联型（IN）四类；同时利用1998—2012年中国工业企业数据库，实证研究了中国城市层面新产业的演化路径，并分析了不同经济发展阶段对新产业类型演化的影响机理。结果表明：①NI型新产业和LL型新产业占比较高的城市大多位于中西部地区，HH型新产业和IN型新产业占比较高的城市集中在东部地区和西部发达城市。②我国新进入产业在经济复杂度较低时期以NI型新产业和LL型新产业为主，经济复杂度中等时期四类产业均衡发展，经济复杂度较高时期以HH型新产业和IN型新产业为主。③经济发展阶段与NI型新产业和LL型新产业呈显著负向关系，与HH型新产业和IN型新产业呈显著正向关系。研究突破了技术关联的传统范畴，强调了非在位关联在产业演化中的重要性，有利于为不同经济复杂度地区的产业发展提供政策建议。

关键词： 区域产业演化; 演化经济地理学; 关联性; 在位关联与非在位关联

本文引用格式

伏怡铭 , 刘振 , 李伟 . 中国市域新产业类型演化与地区经济发展阶段[J]. 经济地理, 2025 , 45(4) : 232 -243 . DOI: 10.15957/j.cnki.jjdl.2025.04.022

Abstract

This paper catergorizes the industrial relatedness degree into incumbent relatedness degree and non-incumbent relatedness degree. On this basis, it divides new industries into four types: type of high non-incumbent relatedness-low incumbent relatedness (NI), type of high non-incumbent relatedness-high incumbent relatedness (HH), type of low non-incumbent relatedness-low incumbent relatedness (LL) and type of low non-incumbent relatedness-high incumbent relatedness (IN). Based on the database of Chinese industrial enterprises from 1998 to 2012, this paper empirically investigates the evolution path of new industries at the prefecture level in China from 1998 to 2012, and analyzes the impact of the stage of economic development on the evolution of new industry types. The results show that: 1) Most of the cities with a higher share of NI-type new industries and LL-type new industries are located in central and western regions, while the cities with a higher share of HH-type new industries and IN-type new industries are concentrated in eastern regions and western developed cities. 2) In the period of low economic complexity, the new industries in China are dominated by NI-type new industries and LL-type new industries dominate. In the period of middle economic complexity, the four types of new industries develop in a balanced way. In the period of high economic complexity, new industries are mainly HH-type new industries and IN-type new industries. 3) The stage of economic development has a significant negative relationship with NI-type new industries and LL-type new industries, and a significant positive relationship with HH-type new industries and IN-type new industries. This study breaks through the traditional category of technological relatedness and emphasizes the importance of non-incumbent relatedness in industrial evolution, which is conducive to providing policy recommendations for industrial development in regions with different economic complexity.

Key words： regional industrial evolution; evolutionary economic geography; relatedness; incumbent and non-incumbent relatedness

区域经济的持续增长依赖于不断实现产业更新演替[1-3]。近年来，演化经济地理学成为研究区域产业演化的重要力量[4]，注重从技术和制度等角度揭示区域新旧产业演替规律[5-7]。从技术角度而言，当前研究十分关注技术关联在地区新产业形成中的作用，提出了路径依赖与路径突破等不同形式的演化路径[8]。基于关联性这一核心概念，对区域产业演化路径作进一步划分，对进一步揭示区域产业演化规律及机制具有重要意义。
基于认知邻近和技术关联在新产业形成与发展过程中的重要作用，演化经济地理学提出了区域产业演化的关联法则[9]。关联法则是指地区在历史发展过程中积累的知识与技术在很大程度上影响未来产业发展方向，地区主要进行相关多样化分化而较少进行非相关多样化分化[10]。不同学者基于全球、欧盟、美国、中国和巴西等地的产业和出口产品数据都证实了这一点[11-13]。然而，在推动新产业形成与发展过程中，既要考虑新产业与地区现有产业是否存在较强的技术关联性，又需要考虑新产业是否可以带动更多其他新产业的发展。例如，如果一个新产业与地区现有产业的关联性较弱，但与多个非在位产业都存在较强关联性，那么发展这一关键产业可能会带动更多非在位产业的发展，从而提升地区产业多样化水平。可以说，已有研究只考虑了新产业与过去在位产业的关联性，但忽视了新产业与未来更多非在位产业的关联性。
本文在以往关联性研究的基础上，引入非在位关联性概念，并基于在位关联性和非在位关联性划分新进入产业的类型，建立新方法定量测度新产业与当前在位产业和非在位产业的关联密度，探讨经济发展阶段对4种新产业类型的影响。本文的边际贡献主要体现在：一是区分了在位关联和非在位关联，并在此基础上提出了不同于以往的区域产业演化路径；二是研究了经济发展阶段与4种新产业类型的关系，有助于揭示不同发展阶段下产业类型演化的规律与机制；三是有助于为不同经济复杂度地区的产业发展提供政策建议，以更好地引导产业布局。

1 理论框架与假设

1.1 技术关联与区域产业演化路径

近年来，区域产业演化路径及其形成机制逐渐成为演化经济地理学的重要研究内容[6]。1980年代后，地理学者重点关注地理邻近对知识溢出的重要作用。21世纪初，一些学者打破地理邻近的传统解释，开始关注认知邻近的重要性[14-16]，提出了技术关联、产业关联等概念[17]。例如，Hidalgo等人重点考察了技术关联性在国家出口产业演化中的重要作用，研究发现各国出口产品通常与他们已经出口的产品密切相关，在产品空间上距离较近[18]；许多实证文献都表明地区倾向于发展那些与自己现有产业关联性较高的产业[19-20]；Frenken等人提出了相关多样化和非相关多样化的概念，实证研究发现相关多样化分化较多，而不相关多样化分化较少[21]。同时，基于技术关联性的强弱，可以将地区产业演化路径划分为路径依赖型与路径突破型[22]。
当前，关于技术关联和区域产业演化路径的研究仍存在一定不足。以往研究更多关注现有在位产业对未来产业发展的影响，是站在过去看未来，但这些研究普遍缺乏一种站在未来看现在的视角。根据产业的比较优势，如果把当前具有比较优势的产业称为在位产业，不具有比较优势的称为非在位产业，以Hidalgo等提出的产品空间作为一种隐喻，对于任何一个具体的城市来说，可以将整体的产品空间划分为在位产业空间和非在位产业空间，前者是指由在位产业构成的空间，而后者是由非在位产业构成的空间（图1）。从传统观点看，发展新产业需要基于在位产业空间进行邻域拓展，即优先发展A产业。但是，如果站在非在位空间里看，更应该优先发展B产业，因为发展B产业可以带动更多非在位产业的发展，更快地将非在位空间填满，从而提高地区产业多样化水平，影响区域产业演化路径。
图1 在位产业空间与非在位产业空间演化

Fig.1 Evolution of incumbent industry space and non-incumbent industry space

1.2 基于在位关联与非在位关联的新产业划分

本文在此提出两个概念：在位关联和非在位关联。其中，在位关联是指新产业与在位产业的关联密度，而非在位关联是指新产业与非在位产业的关联密度。根据在位关联性与非在位关联性，本文提出在位关联与非在位关联的四象限图，将新产业分为四类（图2）。四类新产业分别为高非在位关联—低在位关联型新产业（NI）、高非在位关联—高在位关联型新产业（HH）、低非在位关联—低在位关联型新产业（LL）、低非在位关联—高在位关联型新产业（IN）。其中，NI型与当前在位产业关联性较弱，但与非在位产业关联较大，如果能发展起来将会带动更多潜在产业的发展；HH型新产业既与当前产业存在一定关联性，又与非在位产业存在较高的关联性，是最理想的新产业类型，其既可以利用当前知识与技术，又可以推动更多新产业的发展；LL型新产业指非在位关联度和在位关联度都低的产业，较低的在位关联意味着发展这类产业的风险较高，而非在位关联较低可能意味着难以带动其他非在位产业发展；IN型新产业与当前在位产业的关联度较高，与非当前在位的产业关联度较低。
图2 在位关联与非在位关联的四象限图

Fig.2 Four-quadrant diagram of incumbent correlation and non-incumbent correlation

1.3 不同经济发展阶段下的在位关联与非在位关联

演化经济地理学十分关心关联性在区域产业演化中的作用如何随着经济发展水平的变化而变化。如Pinheiro等探讨了经济发展水平和产业多样化的关系，发现经济复杂度较低的国家相关多样化更频繁，但随着国家进入更具复杂性的产业活动，相关多样化的频率越来越低，在国家进入较高经济复杂度阶段后，相关多样化分化再次增强，他们将这种现象总结为技术关联和经济发展水平的正“U”字形关系[23]；郑江淮等发现了类似结论，随着经济发展，地区技术多样化经历了相关多样化—不相关多样化—相关多样化的演变[24]。但也有学者得出了不同的结论。如Coniglio等的研究表明，随着经济发展水平提高，关联性的作用逐步弱化，非相关多样化逐步增多[25]；Petralia等发现关联性在新技术进入中的作用随着经济发展水平的提高而降低[26]。
对于以上研究结论的差异，本文尝试从一个新的思路进行探索。首先，以往技术关联的概念仅考虑在位关联性，并将产业演化路径分为相关多样化和不相关多样化两类，然后探讨两种产业演化路径和经济发展水平的关系。但本文认为产业演化路径不仅与在位关联性有关，也与非在位关联性有关，非在位产业也会影响着产业多样化的方向。鉴于此，本文引入非在位关联性，进一步划分区域产业演化路径。其次，在经济水平与产业多样化的关系上，不同的产业多样化类型随着经济发展水平的变化而演变，其原因是地区的知识积累、技术水平、生产能力等要素发生了变化，这些因素的变化又反映在经济复杂度上。经济复杂度通过一个国家生产能力的多样性及其相互作用来衡量，可以预测一个地区未来的竞争优势[27]。传统的经济学方法一般通过汇总产出（如GDP等）或投入（如资本、劳动力、知识等）等单因素来刻画经济水平，而经济复杂度则利用大量的经济活动数据来了解抽象的生产要素及其组合成各种产出的方式，并估算这些因素的综合效应，可以更好地了解一个地区发展程度的高低[28-29]。
由于不同经济复杂度阶段下关联性在产业多样化中的作用不同[23]，这要求我们在不同的经济复杂度阶段动态调整相关和不相关的活动[30]。目前已有文献试图解决这一问题，如Hidalgo提出的经济复杂性的“when方法”[31]。与关联性一样，不同经济复杂度阶段下在位关联与非在位关联的作用也会存在差异。例如，在经济复杂度较低时，与之关联度最强的产业复杂性往往较低，其拥有的生产能力、知识与技术的种类较少，此时如果持续向在位关联性较强的产业进行拓展（如HH、IN型新产业）可能会陷入低端锁定，而瞄准非在位关联性较强的产业可能更有利于寻求突破。据此，本文提出以下假设：
假设1a：经济发展阶段与高非在位关联—低在位关联型新产业（NI）呈负相关；
假设1b：经济发展阶段与低非在位关联—低在位关联型新产业（LL）呈负相关。
而在经济复杂度较高时，与之关联度最强的往往是产品复杂度较高的产业，其拥有的生产能力、知识与技术种类也较多，那么这个地区则更有可能向在位关联性较强的产业拓展。同时，为了保持这种比较优势以及着眼未来的布局，非在位关联性可能仍将起到很重要的作用。据此，提出以下假设：
假设2a：经济发展阶段与高非在位关联—高在位关联型新产业（HH）呈正相关；
假设2b：经济发展阶段与低非在位关联—高在位关联型新产业（IN）呈正相关。

2 研究方法与数据来源

2.1 研究方法

2.1.1 计算产业关联密度

产业关联密度源自Hidalgo等提出的产品密度计算方法[18]，本文进一步将产业关联密度分为在位关联密度和非在位关联密度，计算步骤如下：
①计算比较优势系数（RCA）：
R C A i c t = o u t p u t i c t / o u t p u t c t / o u t p u t i t / o u t p u t t
式中： o u t p u t i c t表示t年c地区i产业的工业产值； o u t p u t c t表示t年c地区的全部工业产值； o u t p u t i t表示t年i产业的总工业产值； o u t p u t t指t年份全国工业总产值。
②识别新产业。根据RCA值的计算结果，首先对其做标准化处理。方法如下：
x i c t = 1     i f   R C A i c t ≥ 1 0     i f   R C A i c t 1
式中：RCA值大于1的称为在位产业，RCA值小于1的称为非在位产业。然后，将t~t+T年c地区i产业 x i c t值从0变为1的产业计为新产业。T的取值不应过长或过短，应考虑到新行业出现的时间以及观测数据的数量[32]，结合国内大多数学者的做法，本文取T=4，下同。
③计算任意两对产业之间的关联度（ φ i j t）。计算公式如下：
φ i j t = m i n p x i t = 1 x j t = 1 , p x j t = 1 x i t = 1
式中：p为条件概率； p ( x i t = 1 x j t = 1 )指t年份在所有地区中j产业已具有比较优势（RCA>1）的条件下i产业也具有比较优势的概率。同理， p x j t = 1 x i t = 1指t年份在所有地区中i产业已具有比较优势（RCA>1）的条件下j产业也具有比较优势的概率，最终的关联度 φ i j t取两者的最小值。标准行业分类数量为M，最终每年可得到一个M×M矩阵，记录任意两对产业之间的关联度。
④计算新产业与其他产业的关联密度。本文将产业关联密度分为在位关联密度和非在位关联密度。在位关联密度是指t~t+T年内c地区产生的新产业与在位产业（t年该地区RCA值大于1的产业）的关联密度。在位关联密度的计算方法如下：
D I i c t = ∑ j x j c t φ i j t ∑ j φ i j t
式中： D I i c t代表t~t+T年份c地区新产业i的在位关联密度，若t年份c地区产业j的RCA值大于1，则 x j c t=1，否则为0； φ i j t如公式（3）所示，表示新产业i与其他任意产业j的关联度。
非在位关联密度是指t~t+T年内c地区产生的新产业与非在位产业（t年该地区RCA值小于1的产业）的关联密度。本文将其定义如下：
D N i c t = ∑ j y j c t φ i j t ∑ j y j c t
式中： D N i c t表示t~t+T年份c地区新产业i的非在位关联密度，若t年份c地区产业j的RCA值小于1，则 y j c t=1（用于表示非在位产业），否则为0； φ i j t如公式（3）所示，表示新产业i与其他任意产业j的关联度。

2.1.2 识别新进入产业类型

新产业类型的识别依照图2的四象限图，在位关联度与非在位关联度的分界值根据每一时段全国产业关联度的平均值而定，计算公式如下：
M e a n D I t = ∑ D I i c t n t M e a n D N t = ∑ D N i c t n t
式中： M e a n D I t和 M e a n D N t分别表示全国t~t+T年在位关联度和非在位关联度的平均值； n t表示t~t+T年新产业数量； D I i c t和 D N i c t表示t~t+T年份c地区新产业i的在位关联度和非在位关联度。

2.1.3 计算城市经济复杂度

本文使用经济复杂度衡量不同发展阶段。尽管经济复杂度的测算经过了不断的理论探讨、算法改进和实证比较，但迄今为止尚未有公认的最佳测度方法[33]。本文使用Tacchella等改进后的方法[34]进行计算，经济复杂度包括区域经济复杂度和产业技术复杂度，区域经济复杂度衡量地区总体的经济复杂度，产业技术复杂度衡量某一产业的技术水平。具体方法如下：
F ˜ c ( n ) = ∑ p M c p Q p ( n - 1 Q ˜ p ( n ) = 1 ∑ c M c p 1 F c ( n - 1 → F c ( n ) = F ˜ c ( n ) F ˜ c ( n ) c Q p ( n ) = Q ˜ p ( n ) Q ˜ p ( n ) p
式中：初始值取 Q ˜ p ( 0 ) = 1， F ˜ c ( 0 ) = 1，c、p分别表示地区和产业； M c p是行为地区、列为产业的0-1矩阵。在矩阵 M c p中，若地区c产业p的显性比较优势系数（RCA）大于1，则记为1，否则记为0。 Q p ( n )和 F c ( n )由 Q ˜ p ( n )和 F ˜ c ( n )进行标准化处理后得到，分别指迭代n次后各产业技术复杂度和各地区经济复杂度。本文对各年数据进行60次迭代循环。

2.1.4 模型设定与变量

为了探讨地区发展阶段与4种新产业类型的关系，本文设定回归模型分别讨论经济发展阶段与NI型、HH型、LL型和IN型新产业的关系，回归模型如下：
N I / H H / L L / I N i , t = β 0 l n C O i , t + β 1 X i , t + μ i + v t + ε i , t
式中：i和t分别指城市和年份；NIi，t是指NI型新产业水平，用t~t+4年当地的NI型新产业占新产业总数的比重衡量；HHi，t、LLi，t和INi，t同理； l n C O i , t是核心解释变量，是指t年份i城市的经济复杂度对数，用于刻画城市经济发展阶段； X i , t表示控制变量； μ i是不随时间变化的个体效应； v t是指时间固定效应； ε i , t是扰动项。考虑到本文的被解释变量为0~1的分数，故采用面板分数Logit模型进行回归分析和参数估计。
在控制变量的选取上，发展初期NI型新产业可能需要政府政策支持来发展，例如设立开发区就是政府干预、促进产业结构调整的重要手段，是一系列政府政策的集合[35-36]。因此在控制变量中加入了政府干预和国家政策两个变量。人力资本及科技水平体现了一个地区的教育和技术水平，发达的教育与科技可能会促进技术关联，这可能会推动HH型新产业的出现，因此在回归模型中加入人力资本和科技水平作为控制变量。市场化水平可能与IN型新产业的出现密切相关，此外，对外开放程度、交通水平和出口作用也会对其产生影响，这些变量均作为控制变量加入模型中。相关变量名称与测量见表1。
表1 变量设定及说明

Tab.1 Definition of variables

变量名称 符号 形式 测量
NI型新产业 NI t~t+4年NI型新产业占城市新产业总数的比重
HH型新产业 HH t~t+4年HH型新产业占城市新产业总数的比重
LL型新产业 LL t~t+4年LL型新产业占城市新产业总数的比重
IN型新产业 IN t~t+4年IN型新产业占城市新产业总数的比重
解释变量
经济发展阶段 lnCO 取对数 t年城市经济复杂度
控制变量
政府干预 lnGOV 取对数 t年财政支出/GDP
国家政策 POLICY t年开发区数量
人力资本 lnHC 取对数 t年每万人高等学校学生人数
科技水平 lnPA 取对数 t年城市发明专利申请量
市场化水平 MAR t年私有企业工业产业值占工业产值比重
对外开放度 OPEN t年外资企业工业产业值占工业产值比重
出口作用 EXP t年出口交货值占工业产值比重
交通水平 ROAD t年城市公路里程占行政区面积比重

2.2 数据来源与处理

本文使用1998—2012年中国工业企业数据库，该数据库包括企业的工业产值、工业增加值、企业地址、两位数和四位数国民经济行业分类代码等信息。研究前先将不同年份的城市和行业代码进行匹配，然后取二位数行业代码在13~43之间的制造业，把这些企业的工业产值数据汇总到城市—四位数行业层面，得到1998—2012年中国336个城市416个产业的面板数据，其中，336个城市为332个地级行政区加上4个直辖市，不包括港澳台及个别因行政区划调整而增加的城市 ① 。
对于计量经济分析需要使用的数据，4种新产业类型的占比和城市经济复杂度由1998—2012年中国工业企业数据库计算得到。城市出口交货值、外资企业和私有企业的工业产值由1998—2012年中国工业企业数据库企业层面的数据加总到城市层面获得。高校学生在校生人数、财政支出、公路里程等控制变量的数据由1999—2009年《中国城市经济统计年鉴》和《中国区域经济统计年鉴》获取。除此之外，城市发明专利申请量由1998—2008年《中国专利数据库》获取，开发区数量由2006年和2018年《中国开发区审核公告目录》汇总获取。

3 新进入产业特征及其演化路径分析

3.1 四类新产业类型的总体空间格局

图3反映了1998—2012年中国城市4种新产业类型平均数量占比的空间分布。其中，NI型新产业数量占比较高的大多是位于我国中西部的城市，在东部沿海地区及西部少数发达城市的占比较低。这表明中西部地区的新产业在位关联度较低而非在位关联度较高。与NI型新产业相反，HH型新产业在沿海发达地区和中西部部分城市的占比较高，包括沿海省份的城市及中西部的成都、长沙、西安等少数城市。LL型新产业数量占比进一步反映了我国的区域差异，在东部沿海城市和内陆的成都、重庆、西安、武汉等省会城市，这一类型新产业的占比较低，基本都在10%以下，在西部欠发达地区占比较高，大多城市占比超过30%，部分城市超过50%。IN型新产业数量占比的分布与HH型新产业相似，占比超过50%的城市都位于东部地区。
图3 1998—2012年中国城市各类新产业平均数量占比

注：基于自然资源部标准地图服务网站下载的审图号为GS（2020）4630号的标准地图制作，底图无修改。图4同。

Fig.3 Proportion of the average number of new industries in Chinese cities from 1998 to 2012

3.2 四类新产业类型的时空演变特征

图4展示了中国城市1998—2002、2003—2007和2008—2012年各类新产业数量占比的空间分布。总体上，各时间段内新产业类型的空间分布规律表现一致，即NI型新产业、LL新产业占比较高的城市位于中西部地区，HH型新产业、IN型新产业占比较高的城市位于东部地区。
图4 1998—2012年各时段中国城市各类新产业数量占比演变

Fig.4 Proportion of the number of new industries in Chinese cities in 1998-2012

具体来看：①NI型新产业占比较高的城市从分散到趋于集中，主要位于中西部地区，这可以看作中西部地区突破式发展的表现，这些地区越来越倾向于布局非在位关联性较高、在位关联性较低的产业。②HH型新产业占比较高的城市则是从东部沿海地区和个别中西部城市向内陆扩散。这说明从1998—2012年，HH型新产业占比较高的城市有所增加，我国新产业中在位关联和非在位关联同时提高的新产业在增加，产业联系更加紧密，但在广大西部地区的城市，这一比例仍然较低。③对于LL型新产业，占比超过50%的城市数量总体上呈减少趋势，多分布于中西部地区。城市中LL型新产业占比的下降也说明这一时期我国城市产业关联更加紧密，这与HH型新产业占比的增加相呼应。④IN型新产业占比较高的城市主要分布在东部沿海地区和内陆少数城市，并且在各时间段内，这一特点没有改变。这说明非在位关联度低、在位关联度高的新产业仍然向东部地区集中。

3.3 不同经济发展阶段下的新产业类型演化

由城市层面四类新产业平均占比及经济复杂度平均值，得到区域经济复杂度与新产业类型的关系（图5）。可以看出：
图5 各类新产业数量占比与经济复杂度的关系

Fig.5 Relationship between the proportion of new industries and the economic complexity

①在经济复杂度较低时期，产业整体的多样化水平较低，对于NI型新产业，其在位关联性较低，非在位关联性较高，在这一阶段多发展这类产业有助于培育产业多样化的潜在动力，因为较高的非在位关联意味着该产业在未来能带动更多的非在位产业，在经济复杂度较低时期推动这类产业发展将有利于产业未来的多样化。LL型新产业在这一时期也较多，这可以理解为在经济复杂度较低时，由于地区整体多样化水平较低，特别是在位关联性很低，这时地区多样化到不同领域的成本基本是一样的，因此这时地区可以广泛尝试低在位关联性、低非在位关联性的产业进行发展。HH型新产业和IN型新产业都需要较高的在位关联性，在这一时期发展相对困难，其数量也相对较少。
②随着经济复杂度的提高，产业的比较优势提高，产品空间中点亮的在位产业越来越多，发展HH型新产业可以保证产业在进行相关多样化演化的同时，拥有更多的非在位关联性，即同时提升了在位关联性和非在位关联性，从而提升多样化水平，因此发展HH型新产业就非常重要。同时，IN型新产业虽然非在位关联性较低，但具有较高的在位关联性，因此多样化到IN型新产业的难度随着经济复杂度的提高而降低，其数量也自然增多。在这一时期，HH型和IN型新产业逐渐增多，此时发展NI型和LL型新产业的经济效益就开始降低，NI型和LL型新产业逐渐减少。在此消彼长下，四类产业趋于平衡发展的状态。
③在高经济复杂度阶段，地区产业的比较优势进一步提高，在位产业的数量也越来越多。根据第二时期的产业演化方向，HH型和IN型新产业持续增加，尤其是HH型新产业。HH型产业在保证较高在位关联性的同时又具有较高的非在位关联性，这时期地区的在位产业数量增多，地区可以更容易地多样化到高在位关联的产业，而较高的非在位关联性又保证了新产业能在未来继续带动更多非在位产业的发展，因此这一时期地区有更强大的优势来发展HH型新产业。此外，对于高经济复杂度阶段来说，多样化到不相关的领域伴随着一定的风险，若失败很有可能会影响到当前积累的产品空间，因此NI型和LL型新产业继续减少，LL型新产业由于在位关联性和非在位关联性都较低，减少得最多，从而形成以HH型和IN型新产业为主的产业发展格局。这一情况和Pinheiro等人的研究不谋而合，即在高经济复杂度阶段，相关多样化再次增强。图6展示了上述多样化的过程。
图6 不同经济发展阶段的产业多样化特征

Fig.6 Industrial diversification at different stages of economic development

4 经济发展阶段与新产业类型演化的实证结果

4.1 回归分析

为了证明1.3节中的研究假设以及进一步分析经济复杂度与新产业类型的关系，本文使用计量模型进行回归分析。在回归分析前，根据对各个自变量相关系数的计算，发现一些变量间的相关系数较大，放在同一回归模型可能会导致共线性问题，从而导致与被解释变量相关性较弱的自变量失去显著性，因此在回归分析时选择分别放入回归模型，最后再统一放入回归模型。回归结果见表2~表5。
表2 经济发展阶段与NI型新产业

Tab.2 Stages of economic development and NI-type new industry

变量名称 （1） NI （2） NI （3） NI （4） NI （5） NI
lnCO -0.3078*** -0.2639*** -0.2838*** -0.2629*** -0.2604***
lnGOV -0.0281 -0.0300 -0.0284 -0.0301
POLICY -0.0637*** -0.0635*** -0.0627***
lnHC 0.0156 0.0137 0.0160 0.0183
MAR -0.2340** -0.2303* -0.2554** -0.2588**
EXP -0.0001 0.0006 0.0006
ROAD -0.2454** -0.2979*** -0.2445** -0.2377**
lnPA -0.0205 -0.0080
OPEN -0.1858 -0.1435 -0.1418
Constant -2.4718*** -1.7735*** -1.8971*** -1.7513*** -1.7067***
样本量 3685 3674 3674 3674 3674
城市数 335 334 334 334 334
城市、年份固定效应 YES YES YES YES YES
Wald chi2 133.7 188.8 164.3 190.7 193.2
Prob>chi2 0 0 0 0 0

注：***p<0.01，**p<0.05，*p<0.10。表3~表5同。

表3 经济发展阶段与HH型新产业

Tab.3 Stages of economic development and HH-type new industry

变量名称 （1） HH （2） HH （3） HH （4） HH （5） HH
lnCO 1.3066*** 1.3536*** 1.4030*** 1.3453*** 1.4200***
lnGOV 0.0358 0.0281 0.0336 0.0238
POLICY 0.0015 0.0008 0.0067
lnHC -0.0113 0.0177 -0.0109 0.0154
MAR 1.0329*** 0.9933*** 1.1640*** 1.0131***
EXP -0.0074* -0.0107** -0.0101**
ROAD -0.0150 0.0237 -0.0166 0.0278
lnPA -0.0756*** -0.0778***
OPEN 0.2770 0.5449** 0.5438**
Constant 6.1320*** 5.7935*** 6.1880*** 5.6714*** 6.3828***
样本量 3685 3674 3674 3674 3674
城市数 335 334 334 334 334
城市、年份固定效应 YES YES YES YES YES
Wald chi2 482.9 637.6 664.6 634.0 679.3
Prob>chi2 0 0 0 0 0
表4 经济发展阶段与LL型新产业

Tab.4 Stages of economic development and LL-type new industry

变量名称 （1） LL （2） LL （3） LL （4） LL （5） LL
lnCO -0.3666*** -0.3246*** -0.3288*** -0.3241*** -0.3124***
lnGOV -0.0120 -0.0154 -0.0121 -0.0189
POLICY -0.0168** -0.0166** -0.0129
lnHC -0.0250 -0.0174 -0.0247 -0.0168
MAR -0.2479** -0.2772** -0.2633** -0.2714**
EXP -0.0076 -0.0071 -0.0073
ROAD -0.0172 -0.0083 -0.0166 0.0083
lnPA -0.0326** -0.0300**
OPEN -0.1866 -0.1011 -0.0925
Constant -3.3144*** -2.7277*** -2.7119*** -2.7145*** -2.5317***
样本量 3685 3674 3674 3674 3674
城市数 335 334 334 334 334
城市、年份固定效应 YES YES YES YES YES
Wald chi2 300.6 348.6 322.4 349.4 357.3
Prob>chi2 0 0 0 0 0
表5 经济发展阶段与IN型新产业

Tab.5 Stages of economic development and IN-type new industry

变量名称 （1） IN （2） IN （3） IN （4） IN （5） IN
lnCO 1.0354*** 1.0969*** 1.0807*** 1.0968*** 1.0947***
lnGOV -0.0076 -0.0054 -0.0076 -0.0074
POLICY 0.0022 0.0022 0.0019
lnHC -0.0511* -0.0487 -0.0510* -0.0522*
MAR 0.3724*** 0.3635** 0.3735** 0.3792**
EXP -0.0055* -0.0055 -0.0055
ROAD -0.0888 -0.0930 -0.0889 -0.0904
lnPA 0.0035 0.0029
OPEN -0.1599 0.0046 0.0046
Constant 4.5679*** 5.0435*** 4.8866*** 5.0424*** 5.0200***
样本量 3685 3674 3674 3674 3674
城市数 335 334 334 334 334
城市、年份固定效应 YES YES YES YES YES
Wald chi2 911.4 1019 1021 1036 1036
Prob>chi2 0 0 0 0 0
表2展示了经济发展阶段对NI型新产业的影响，可以看出在列（1）~（5）中，核心解释变量经济发展阶段（lnCO）均在1%的水平上显著，且回归系数为负，说明经济复杂度越高，NI型新产业在全部新产业中的占比就越低，即假设1a成立。对于控制变量，在列（2）（4）（5）中，国家政策（POLICY）的回归系数均在1%的显著性水平上为负；在列（2）（4）（5）和列（3）中，市场化水平（MAR）的回归系数分别在5%和10%的显著性水平上为负；在列（2）（4）（5）和列（3）中，交通水平（ROAD）的回归系数分别在5%的和1%的显著性水平上为负，以上这些结果表明国家政策的介入以及市场化水平和交通水平的提高都会降低NI型新产业在城市新产业中的占比。
表3展示了经济发展阶段对HH型新产业的影响。在列（1）~（5）中，核心解释变量经济发展阶段（lnCO）的回归系数均在1%的显著性水平上为正，表明发展阶段越高，HH型新产业在全部新产业中的占比越高，假设2a成立。对于控制变量，在列（2）~（5）中，市场化水平（MAR）的回归系数均在1%的显著性水平上为正；出口作用（EXP）在列（2）和列（4）~（5）中显著，其中在列（2）的显著性水平为10%，在列（4）（5）的显著性水平为5%，回归系数均为负；在列（3）（5）中，科技水平（lnPA）的回归系数在1%的显著性水平上为负，在列（4）（5）中，对外开放度（OPEN）的回归系数在5%的显著性水平上为正。以上结果说明市场化水平、对外开放度对HH型新产业占比产生明显的正向影响，出口作用和科技水平在一定程度上对HH型新产业占比产生负向影响，较高的开放水平与市场化水平有助于提高HH型新产业的占比。
表4展示了经济发展阶段与LL型新产业的回归结果。在列（1）~（5）中，核心解释变量经济发展阶段（lnCO）的回归系数均在1%的显著性水平上为负，说明发展阶段越高的城市拥有更低的LL型新产业占比，假设1b成立。控制变量方面，在列（2）~（5）中，市场化水平（MAR）的回归系数均在5%的显著性水平上为负；在列（2）（4）中，国家政策（POLICY）的回归系数在5%的显著性水平上为负；在列（3）（5）中，科技水平（lnPA）的回归系数在5%的显著性水平上为负。这说明国家政策干预、较高的市场化水平与科技水平将有助于降低LL型新产业的占比。
表5展示了经济发展阶段对IN型新产业的影响。在列（1）~（5）中，核心解释变量经济发展阶段（lnCO）的回归系数均在1%的显著性水平上为正，说明发展阶段越高，其IN型新产业占比也越高，假设2b成立。对于控制变量，在列（2）~（5）中，市场化水平（MAR）的回归系数为正，其中在第（2）列的显著性水平为1%，在列（3）~（5）中的显著性水平为5%；在列（2）（4）（5）中，人力资本（lnHC）的回归系数在10%的显著性水平上为负；在列（2）中，出口作用（EXP）的回归系数在10%的显著性水平上为负。以上表明市场化水平会显著影响IN型新产业的占比，市场化水平越高，IN型新产业占比就越高，人力资本和出口作用则对IN型新产业占比产生轻微的负向影响。
综上分析，不同发展阶段下，在位关联性、非在位关联性在产业多样化中的作用存在差异，进而影响不同类型新产业的数量占比。在地区经济复杂度较低时，其产业多样化水平较低，在位产业的数量也很少，因此在位关联性在产业演化中的作用也较小。这时在位关联性只能帮助少数产业进行多样化拓展，地区倾向于将资源投入到更多的在位关联性较低的新产业以进行更多的尝试。此外，非在位关联性的作用是可以牵动相关联的非在位产业，有利于产业多样化的迅速拓展，因此在经济复杂度较低时期，地区以NI型新产业和LL型新产业为主。在地区经济复杂度较高时，地区生产能力的多样性加强，在位产业数量也增多，这时地区可以较容易地向在位关联性较强的产业拓展，因此在位关联性在产业演化中的作用加强。由于非在位关联性仍能带动其余相关联的非在位产业，其仍然具有一定的作用，因此在经济复杂度较高时期，地区以HH型新产业和IN型新产业为主。

4.2 稳健性检验

本文对回归分析做三类稳健性检验。①删除部分样本量。西藏、新疆可能存在一些极端值，从而对回归结果产生影响。剔除西藏、新疆的城市数据后，再进行回归分析。②分区域进行回归。我国东西部经济复杂度有着较大差异，因此将我国城市样本按所在省份分为东部沿海和中西部两个区域，分别再进行回归分析。③分年份进行回归。将年份划分为1998—2003和2003—2008年两个时间段再分别进行回归分析。受篇幅限制，本文不再展示稳健性检验的回归结果，根据回归结果，核心解释变量的正负号和显著性均未发生改变，因此经济发展阶段对各类新产业类型的影响没有因样本量变化、地区差异、时间差异而不同。

5 结论与讨论

5.1 结论

区域产业演化是经济地理学关注的重要内容，通过计算产业关联密度，可以研究产业间的联系和产业多样化演化的方向。已有研究都是以在位产业的关联密度为依据对区域产业演化路径、类型等进行分析，本文在此基础上提出了非在位关联密度，研究了经济发展阶段对在位关联、非在位关联下的4种新产业类型的影响，进一步拓展了产业演化的理论体系，揭示了不同经济水平地区产业多样化类型不同的原因，对不同经济复杂度地区的产业发展具有现实意义。主要结论如下：
①1998—2012年四类新产业类型的空间分布具有很强的地区差异性。其中，NI型新产业和LL型新产业占比较高的城市大多位于中西部地区，HH型新产业和IN型新产业占比较高的城市集中在东部地区和少数西部发达城市。
②我国产业演化受到发展阶段的影响而呈现动态变化。在经济复杂度较低的初期，我国城市倾向于发展NI型新产业和LL型新产业。随着经济复杂度的提升，两者的占比逐渐下降，而HH型新产业和IN型新产业的比重不断上升，四类新产业在中等经济复杂度时期达到平衡。在高经济复杂度时期，HH型新产业和IN型新产业逐渐占据主导，其中HH型新产业占比最大，NI型新产业和LL型新产业的占比则持续下降。
③经济发展阶段对不同新产业类型演化的影响各不相同。经济发展阶段对NI型新产业和LL型新产业产生显著的负向影响，对HH型新产业和IN型新产业产生显著的正向影响。这一结论也符合四类新产业的空间分布规律，即NI型新产业和LL型新产业占比较高的城市大多位于中西部地区，这些地区的经济复杂度往往较低；HH型新产业和IN型新产业占比较高的城市集中在东部地区和中西部省份的发达城市，这些地区的经济复杂度也较高。
根据以上研究结论，本文提出不同经济复杂度地区的产业发展建议：①在经济复杂度较低的地区，由于在位关联性在产业多样化中的作用相对较小，当地应着眼于NI型新产业和LL型新产业。地区要创造有利的政策条件促进在位关联性较低的产业进入，这些产业和当前具有比较优势的产业关联较弱，可以为地区带来新的增长点，提升地区产业的数量，打破低端锁定。其中，NI型新产业在具备较低在位关联性的同时还拥有较高的非在位关联性，地区要重点布局该类型的产业，利用其较高非在位关联性的特点，为未来地区产业多样化打下基础，创造更多增长潜力。②在经济复杂度较高的地区，当地要利用好自身产业多样化的比较优势，推动产业向在位关联性较高的方向拓展，重点布局HH型新产业和IN型新产业。尤其是HH型新产业，其在位关联和非在位关联双高的特征既可以使地区以相对较低的成本多样化到和当前产业关联性较强的产业，又可以拓展和非在位产业关联性较强的产业，提升地区未来的多样化动能，往往起到“事半功倍”的效果。这类政策措施在一定程度上和欧盟的精明专业化政策相呼应[37]，可以使地区产业向最佳多样化方向发展。

5.2 讨论

本文研究结论对不同经济复杂度地区制定产业发展政策具有指导意义。然而本文仍存在一些不足。①对于非在位关联密度，本文将其定义为新产业与当前地区非在位产业的关联程度，而在这些非在位产业中有些是当前尚不具有比较优势，还处于产业发展的初期上升阶段，有些是处于产业发展的衰退阶段，是即将被淘汰的落后产业，本文尚未将这些产业进行区分，在今后还需进一步将非在位产业进行细分。②对于众多的非在位关联产业之间的甄别与选择尚未进行具体分析。若存在多个非在位关联产业，且它们均与较多非在位产业关联，地区应当选择与数量更多的非在位产业关联的产业还是与在位产业更加邻近的产业?这也是未来研究的一个拓展方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
金璐璐, 贺灿飞, 周沂, 等. 中国区域产业结构演化的路径突破[J]. 地理科学进展, 2017, 36(8):974-985.

DOI

[2]
赵建吉, 王艳华, 苗长虹. 区域新兴产业形成机理:演化经济地理学的视角[J]. 经济地理, 2019, 39(6):36-45.

DOI

[3]
Martin R. The Handbook of Evolutionary Economic Geography[M]. Cheltenham: Edward Elgar, 2010.

[4]
贺灿飞, 李伟. 演化经济地理学与区域发展[J]. 区域经济评论, 2020(1):39-54.

[5]
毛琦梁, 王菲. 制度环境、技术复杂度与空间溢出的产业间非均衡性[J]. 中国工业经济, 2020(5):118-136.

[6]
苏灿, 曾刚. 演化经济地理学视角下区域新路径发展的研究评述与展望[J]. 经济地理, 2021, 41(2):23-34.

DOI

[7]
Hassink R, Isaksen A, Trippl M. Towards a comprehensive understanding of new regional industrial path development[J]. Regional Studies, 2019, 53(11):1636-1645.

DOI

[8]
李伟, 贺灿飞. 中国区域产业演化路径——基于技术关联性与技术复杂性的研究[J]. 地理科学进展, 2021, 40(4):620-634.

DOI

[9]
贺灿飞, 朱晟君. 中国产业发展与布局的关联法则[J]. 地理学报, 2020, 75(12):2684-2698.

DOI

[10]
Boschma R. Relatedness as driver of regional diversification:A research agenda[J]. Regional Studies, 2017, 51(3):351-364.

[11]
贺灿飞, 董瑶, 周沂. 中国对外贸易产品空间路径演化[J]. 地理学报, 2016, 71(6):970-983.

[12]
Boschma R, Balland P-A, Kogler D F. Relatedness and technological change in cities:The rise and fall of technological knowledge in US metropolitan areas from 1981 to 2010[J]. Industrial and Corporate Change, 2015, 24(1):223-250.

[13]
Boschma R, Capone G. Relatedness and diversification in the European Union (EU-27) and European Neighbourhood Policy countries[J]. Environment and Planning C:Government and Policy, 2016, 34(4):617-637.

[14]
敖荣军, 周笑琦, 陈京. 从技术关联到技能关联:理解区域演化路径的新视角[J]. 地理科学进展, 2023, 42(3):558-572.

DOI

[15]
郭琪, 贺灿飞. 演化经济地理视角下的技术关联研究进展[J]. 地理科学进展, 2018, 37(2):229-238.

DOI

[16]
Boschma R A. Proximity and innovation:A critical assessment[J]. Regional Studies, 2005, 39(1):61-74.

[17]
Content J, Frenken K. Related variety and economic development:A literature review[J]. European Planning Studies, 2016, 24(12):2097-2112.

[18]
Hidalgo C A, Klinger B, Barabási A-L, et al. The product space conditions the development of nations[J]. Science, 2007, 317(5837):482-487.

PMID

[19]
He C, Yan Y, Rigby D. Regional industrial evolution in China[J]. Papers in Regional Science, 2018, 97(2):173-198.

DOI

[20]
Rigby D L. Technological relatedness and knowledge space:Entry and exit of US cities from patent classes[J]. Regional Studies, 2015, 49(11):1922-1937.

[21]
Frenken K, Van Oort F, Verburg T. Related variety,unrelated variety and regional economic growth[J]. Regional Studies, 2007, 41(5):685-697.

[22]
李伟, 贺灿飞. 区域新产业发展路径:研究述评与展望[J]. 区域经济评论, 2020, 48(6):12-24.

[23]
Pinheiro F L, Hartmann D, Boschma R, et al. The time and frequency of unrelated diversification[J]. Research Policy, 2022, 51(8):104323.

[24]
郑江淮, 冉征. 走出创新“舒适区”:地区技术多样化的动态性及其增长效应[J]. 中国工业经济, 2021(5):19-37.

[25]
Coniglio N D, Lagravinese R, Vurchio D, et al. The pattern of structural change:Testing the product space framework[J]. Industrial and Corporate Change, 2018, 27(4):763-785.

[26]
Petralia S, Balland P-A, Morrison A. Climbing the ladder of technological development[J]. Research Policy, 2017, 46(5):956-969.

[27]
Hidalgo C A, Hausmann R. The building blocks of economic complexity[J]. Proceedings of the National Academy of Sciences, 2009, 106(26):10570-10575.

[28]
Hidalgo C A. Economic complexity theory and applications[J]. Nature Reviews Physics, 2021, 3(2):92-113.

DOI

[29]
Balland P-A, Broekel T, Diodato D, et al. The new paradigm of economic complexity[J]. Research Policy, 2022, 51(3):104450.

[30]
Alshamsi A, Pinheiro F L, Hidalgo C A. Optimal diversification strategies in the networks of related products and of related research areas[J]. Nature Communications, 2018, 9(1):1328.

DOI PMID

[31]
Hidalgo C A. The policy implications of economic complexity[J]. Research Policy, 2023, 52(9):104863.

[32]
Boschma R, Minondo A, Navarro M. The emergence of new industries at the regional level in Spain:A proximity approach based on product relatedness[J]. Economic Geography, 2013, 89(1):29-51.

[33]
任卓然, 贺灿飞, 王文宇. 演化经济地理视角下的经济复杂度与区域经济发展研究进展[J]. 地理科学进展, 2021, 40(12):2101-2115.

DOI

[34]
Tacchella A, Cristelli M, Caldarelli G, et al. A new metrics for countries ‘fitness and products’ complexity[J]. Scientific Reports, 2012, 2:723-729.

DOI PMID

[35]
孙伟增, 吴建峰, 郑思齐. 区位导向性产业政策的消费带动效应——以开发区政策为例的实证研究[J]. 中国社会科学, 2018, 39(12):48-68.

[36]
Alder S, Shao L, Zilibotti F. Economic reforms and industrial policy in a panel of Chinese cities[J]. Journal of Economic Growth, 2013, 21(4):1-45.

[37]
Balland P-A, Boschma R, Crespo J, et al. Smart specialization policy in the European Union:Relatedness,knowledge complexity and regional diversification[J]. Regional Studies, 2019, 53(9):1252-1268.

Options
文章导航

/

〈 〉