EN中文

经济地理 >

2026 , Vol. 46 >Issue 1: 34 - 45

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.01.004

区域经济与理论方法

中国企业新质生产力的时空格局演化及其地理共聚——基于机器学习算法的测度

  • 郭佳宏 , 1, 2 ,
  • 周密 , 1, 2, ※ ,
  • 李东宇 3
展开
  • 1.南开大学 经济与社会发展研究院， 中国 天津 300071
  • 2.南开大学 经济行为与政策模拟实验室， 中国 天津 300071
  • 3.中国人民保险集团股份有限公司博士后科研工作站， 中国 北京 100031
※周密（1980—），女，博士，教授，博士生导师，研究方向为区域经济理论与政策。E-mail：

郭佳宏（1994—），男，博士，讲师，研究方向为经济地理学、产业地理学。E-mail：

收稿日期: 2024-05-24

  修回日期: 2025-08-21

  网络出版日期: 2026-02-12

基金资助

国家自然科学基金项目(42501201)

教育部人文社会科学研究项目(24YJC790054)

教育部哲学社会科学实验室专项基金项目(H0125795)

教育部哲学社会科学实验室专项基金项目(H0124709)

2025年中央基本科研经费资助项目(63253065)

天津市哲学社会科学规划重点委托项目(TJZKZX2403-02)

收起

Spatial Evolution and Geographic Co-agglomeration of New Quality Productive Forces of Chinese Enterprises： Based on the Machine Learning Algorithm

  • GUO Jiahong , 1, 2 ,
  • ZHOU Mi , 1, 2, ※ ,
  • LI Dongyu 3
Expand
  • 1. College of Economic and Social Development， Nankai University， Tianjin 300071， China
  • 2. Laboratory of Economic Behavior and Policy Simulation， Nankai University， Tianjin 300071， China
  • 3. Postdoctoral Research Workstation， People's Insurance Company（Group） of China Limited， Beijing 100031， China

Received date: 2024-05-24

  Revised date: 2025-08-21

  Online published: 2026-02-12

Fold

摘要

如何精准识别新质生产力，准确研判新质生产力布局的地理空间特征，是现阶段发展新质生产力的重要问题。文章融合文本分析与Skip-Gram模型，结合2000—2022年中国工商注册企业数据，通过机器学习方法对新质生产力进行分类识别，分析了企业新质生产力的整体趋势、布局、演化与集聚特征。研究发现：从整体趋势看，相较于传统生产力企业，新质生产力企业虽然整体规模较小但始终保持高增速水平，具备较好发展前景；从生产力布局看，2000—2022年东北、东部与南部沿海地区以及中西部城市新质生产力得到迅速发展，至2022年各区域新质生产力发展已具备一定规模，且呈现协调增长趋势；从企业动态演化看，各区域企业新质生产力存在频繁增衰演替，企业进入与退出顺差是区域新质生产力培育与发展的关键；从行业间地理共聚看，技术创新领域的新质生产力发展需要与之相适应的服务配套。研究结论为精准把握新质生产力空间布局以及培育和发展新质生产力提供了政策参考。

关键词： 新质生产力; 生产力布局; 机器学习; 格局演化; 地理共聚

本文引用格式

郭佳宏 , 周密 , 李东宇 . 中国企业新质生产力的时空格局演化及其地理共聚——基于机器学习算法的测度[J]. 经济地理, 2026 , 46(1) : 34 -45 . DOI: 10.15957/j.cnki.jjdl.2026.01.004

Abstract

Precisely identifying new quality productive forces and accurately assessing the spatial characteristics of its layout are crucial challenges in the current stage to develop new quality productive forces. This paper integrates text analysis with the Skip-Gram model, employing supervised machine learning alongside data from registered Chinese enterprises from 2000 to 2022 to identify new quality productive forces, analyze the overall trends, spatial distribution, evolution, and agglomeration characteristics of new quality productive forces. From the perspective of overall trends, although new quality productive forces remains smaller in scale compared to traditional productivity, it has consistently maintained a high growth rate, indicating promising development prospects. From the perspective of productivity layout, new quality productive forces have developed rapidly in the northeastern, eastern, and southern coastal regions, as well as central and western cities from 2000 to 2022. By 2022, the development of new quality productive forces across various regions had reached a significant scale, exhibiting a trend of coordinated growth. From the perspective of enterprise dynamics, there is frequent alternation between growth and decline in new quality productive forces among enterprises in different regions. The net surplus of enterprise entries over exits is key to the cultivation and development of regional new quality productive forces. From the perspective of geographical co-agglomeration among industries, the development of new quality productive forces in technological innovation requires compatible service support. This research offers policy guidance for accurately understanding the spatial distribution of new quality productive forces and fostering its cultivation and development.

Key words： new quality productive forces; productivity layout; machine learning; pattern evolution; geographical co-agglomeration

讨论新质生产力布局的地理科学基础，是因地制宜发展新质生产力的重要理论依据，也是经济地理学发展的创新领域[1]。生产力是区域发展的根基，区域高质量发展要求生产要素、生产结构、生产体系的演化升级[2]。与传统生产力相区别，由技术驱动生产力结构性“跃迁”所形成的新质生产力成为现阶段构建高质量发展的区域经济布局和国土空间体系的重要支撑。地理学的综合性和区域性特点决定了其在揭示新质生产力形成与发展的地理条件、新质生产力的空间分异机制与空间布局规律、新质生产力发展对人地关系协调优化的影响等方面具有其他学科不可替代的作用和功能[3]。当前以人工智能、量子科技、生命科学等新产业为代表的生产力，正成为新质生产力发展的重要载体[4]。基于地理学视角在企业与产业维度充分挖掘新质生产力的内涵，把握新质生产力的时空演化趋势与影响因素，成为助力生产力发展、提振区域增长内生动力的应有之义。
新质生产力是生产力构成要素出现质的提升后的生产力体现，从根本上隶属于生产力范畴，而基于企业与产业维度的生产力空间布局本质上也是地理问题[5]。中国生产力布局理论来源于对苏联以及西方生产力布局理论的引进与发展，针对生产力布局的研究大多集中在国土规划、区域规划、主体功能区规划、城市群规划等领域[6-8]。进入新发展阶段后，部分生产力已跃迁发生质变，相较于传统生产力的水平、质量以及构成发生了重大变化，而相关研究多停留在质性分析阶段，缺乏对新质生产力这一新生产力形式的定量把握以及地理空间分布研判。在企业与产业视角下，与传统生产力的空间布局模式不同，新质生产力的空间格局表现出如下突出特征：①大规模集群式分布，多以千亿级乃至万亿级规模企业集聚于产业园区[9]；②颠覆性技术驱动，依托大型科技创新企业、新型研发机构、科技企业孵化器、大学科技园等尖端科技创新转化；③网络化模式建构，产业链联系、生产要素联系、技术联系等是新质生产力分布的重要依托[10]。因此，对新质生产力的经济地理研究不能仅停留于时空敛散与空间效应等传统领域[11-12]，更应该从概念演绎、产业演化、驱动机制着手，充分挖掘新质生产力的格局建构特征。
从测度方法看，已有研究主要采用指标体系法从多维视角评估新质生产力。王珏等从马克思主义政治经济学维度，基于劳动者、劳动对象、生产资料三要素，采用熵值法测算中国30个省份的新质生产力水平[13]；傅联英等从“三高”“三化”“三性”角度构建评价体系并运用熵权TOPSIS法测度中国270个城市的新质生产力发展情况[14]；宋佳等基于劳动力和生产工具二要素构建企业新质生产力的评价体系，采用熵值法测算上市公司企业的新质生产力水平[15]。然而，新质生产力作为新的理论概念，仅采用传统指标体系法测度可能导致对新质生产力的发展现状与空间布局的把握存在偏差：①测度对象不全面、不充分。省域、城市是新质生产力的空间依托，上市公司、劳动力要素、物质资本等是新质生产力的重要承载，但指标测算只能对此进行部分反映。②测度方式不统一、不可比。对新质生产力在不同空间尺度、不同研究对象的定义与测度不同，使得新质生产力相关研究的结果不可比。③测度技术不科学、不精准。依托指标体系难以充分考察与全面反映新质生产力在“新”“质”与“生产力”方面的内涵。
从空间演化看，新质生产力的空间格局演化是静态地理布局与动态产业空间演化的综合反映，当前相关研究主题可分为以下三类：第一类关注中国新质生产力的地理空间分布，多以战略性新兴产业为代表性产业进行分析[16]；第二类关注产业与企业视角下新质生产力的动态演化过程，研究发现新质生产力的突出特性表现为受颠覆性技术和前沿技术驱动，其衍生与发展更多地受到本地技术创新能力以及国家政策的影响[17-19]；第三类关注新质生产力的空间效应，主要体现在区域经济增长、产业地理集聚、知识技术扩散、创新人才集聚、调节区际差距等方面[20-21]。
通过对已有研究的梳理发现，在研究视域上，已有研究对新质生产力在地理领域的理论和经验探讨不足，对新质生产力研究仍多停留在经济学视域下的生产率提升、要素配置优化、技术创新投入等方面的分析，对于产业地理领域的产业空间布局优化以及演化经济地理领域的产业演化研究仍有待系统性深入探索；在研究对象上，已有研究多侧重于宏观与中观等较为宽泛的层面，而对微观企业层面新质生产力的研究仍处于起步阶段，关于企业新质生产力的测度较为欠缺，且精准度不高；在研究过程上，已有研究多从代表性战略性新兴产业或未来产业切入，仅窥见到新质生产力地理布局、产业演化以及空间效应的一角，难以全面展示新质生产力的空间布局全貌以及产业演化特征趋势，更缺乏对新质生产力地理空间布局的整体研判分析。
习近平总书记在党的二十届三中全会第二次全体会议上的讲话指出：“要因地制宜发展新质生产力，培养壮大新兴产业，超前布局未来产业，运用先进技术赋能传统产业转型升级。”这为本文从新型产业质态内涵出发测度新质生产力提供了重要战略指引。本文采用2000—2022年中国工商企业注册数据，基于机器学习方法将企业新质生产力分为战略性新兴企业、未来企业、具备转型升级潜力的传统企业三类进行精确识别与空间分析，并从产业动态演化、产业间共聚的视角展开研究，进一步分析新质生产力空间分布的差异以及探究区域培育企业新质生产力的可行方案。相较于已有研究，本文的创新性有三：①基于企业尺度展开新质生产力测算评估。当前产业分类愈加细化，企业所有制类型、行业类型、企业地理空间区位等各类企业特征因素综合交互作用最终表现为新质生产力的空间布局特征，相较于大尺度研究，对企业层面的测度可以充分展现新质生产力的微观构成，剖析影响其空间建构的微观因素，丰富了地理学视角下新质生产力的学理研究；②应用演化经济地理理论的动态演化视角分析新质生产力的形成、发展与衰退，为新质生产力培育和发展提供了系统理论支撑；③基于企业微观数据测度不同类型生产力的地理共聚，剖析新质生产力的空间建构特征。与传统生产力相比，行业间合作与协同共聚是新质生产力空间布局的重要表现形式，对不同行业类型新质生产力的共聚特征测度能够发掘新质生产力的分布客观规律，对于科学规划新质生产力布局，因地制宜、因业制宜发展新质生产力具有重要意义。

1 数据来源与测算方法

1.1 数据来源

本文采用《中国工商企业注册数据库》进行分析，该数据库涵盖了中国所有企业的工商注册信息，统计指标包含企业登记与存续、国民经济行业类别、企业所有制类型、资本规模、对外投资、股权结构等。考虑到2000年前数据可能存在统计口径及时效性等问题，本文选取2000—2022年作为研究期。同时，对上述数据进行如下预处理：①剔除企业名称、企业注册时间、企业核准时间、企业经营范畴字段为缺失或异常值的样本；②基于企业注册时间、核准时间与企业核准状态分为进入、存续与退出3种企业动态。

1.2 基于机器学习的企业新质生产力测度方法

①测度思路与方法设计。从新质生产力的内涵来看，战略性新兴产业、未来产业是新质生产力的重要承载方式，而传统产业的转型升级也是新质生产力的重要体现。本文从企业维度将新质生产力区分为战略性新兴企业、未来企业以及具有转型升级潜力的传统企业三类。在研究方法选取上，相较于传统定量估计方法，机器学习方法在大数据分析及评估结果的准确性方面表现出突出优势。其中，有监督的机器学习方法使用已知标签数据来构建、训练和测试机器学习模型以推断未知结果[22]，相较于无监督机器学习与半监督机器学习方法具有更高的准确率[23]。因此，本文在明确企业新质生产力内涵的前提下，采用有监督的机器学习方法，运用工商企业注册数据使用企业经营范围、注册资本、行业分类等特征作为输入变量，通过已知新质生产力企业训练集即已标注数据来训练模型，实现对未标注企业的企业类型进行分类和识别，最终达到对以战略性新兴企业、未来企业、具有转型升级潜力的传统企业为代表的企业新质生产力以及以传统企业为代表的传统生产力进行精准识别的效果。
②训练集处理。首先，考虑到各类生产力发展的不均衡，训练集采用有选择的随机抽样。根据《工业战略性新兴产业分类目录（2023）》以及中国工商企业数据库中的初始国民经济行业类别信息，将工商企业预分类为战略性新兴产业和传统产业两类，随机抽样战略性新兴产业和传统产业各1.5万条样本作为预训练集；其次，对于战略性新兴产业和未来产业的识别，参考《工业战略性新兴产业分类目录（2023）》《工业和信息化部等七部门关于推动未来产业创新发展的实施意见》两个关键文本，以及2024年中央及地方政府工作报告的关键论述，依据企业名称、企业经营范畴两列关键变量，获得对预分类为战略性新兴产业的样本关键词进行预识别；再次，对于传统产业与具有转型升级潜力的传统企业进行精准识别，具备转型升级潜力的传统企业处于向战略性新兴产业和未来产业发展过渡阶段，虽未达到战略性新兴产业及未来产业标准但有潜力、可培育，主要参考各省份战略性新兴产业和未来产业培育名单对预分类为传统产业的样本关键词进行预识别；最后，背对背手工校对3万条训练集样本，根据企业名称、企业经营范畴、企业注册资本、企业股权结构、企业对外投资数据的综合判断，对企业分类进行调整矫正，最终获得精准分类的训练集。其中，战略性新兴企业16499个、未来企业634个、具备转型升级潜力的传统企业2683个、传统企业10184个。
③训练集应用。训练集应用主要包括对企业指标的文本处理，采用以下流程将每个企业经营范围文本转化为对应的向量化表示[24]：首先，使用 JIEBA对企业名称、企业经营范围文本进行分词，得到关键词列表；其次，采用Skip-Gram模型预载腾讯开源中文100维词向量，通过企业名称、企业经营范围文本中心词的嵌入来预测中心词上下文词的概率分布，获取其对应的100维词向量矩阵。
Skip-Gram模型是一种用于自然语言处理的词向量训练方法，目标是最大化给定中心词和上下文词对的共现概率。具体地，训练过程中通过最大化以下目标函数来调整模型参数：
$J\left(\theta \right)=\frac{1}{D}\sum _{d=1}^{D} \sum _{-a\le e\le a,e\ne 0} logP\left({w}_{d+e}/{w}_{d}\right)$
式中：D是语料库中词的总数；a是上下文窗口的大小；wd是中心词;wd+e是其上下文词。
④模型训练。通过全连接层、非线性激活函数、批量归一化和Dropout等技术，MLP模型能够有效地处理各种分类和回归任务，具有良好的训练效率和泛化能力，主要包括输入层、隐藏层、输出层三层结构。
输入层：接受企业名称向量和企业经营范围向量的拼接。
隐藏层：包含多个全连接层，每层之后跟随批量归一化层减少神经网络对初始参数的敏感性，降低训练过程中的梯度爆炸或梯度消失现象，使得后续层的输入分布更加稳定。
$\widehat{x}=\frac{x-{\mu }_{batch}}{\sqrt{{\sigma }_{batch}^{2}+ϵ}}$
式中：μbatch 和${\sigma }_{batch }^{2}$分别是该批次输入的均值和方差；ϵ是一个很小的常数，用于防止除零错误。批量归一化层通过可学习的缩放参数γ和偏移参数β对标准化的输入进行变换：
$y=\gamma \widehat{x}+\beta $
ReLU激活函数引入非线性，使得神经网络能够拟合复杂的非线性函数：
$ReLU\left(x\right)=max\left(0\right.,x)$
Dropout层通过在训练过程中随机丢弃部分神经元提高模型的泛化能力。
${y}_{s}=\left\{\begin{array}{l}0 with probability p\\ \frac{1}{1-p}{x}_{s} with probability\left(1\right.-p)\end{array}\right.$
输出层：将隐藏层的输出映射到最终的类别数量。本文输出层的维度为4，对应于4个类别。
由于各类产业的企业数量比例分布上极度不平衡，可能导致模型过度适应多数类而忽视少数类，进而影响模型的整体性能和泛化能力采用，使用类权重函数来强调少数类的重要性：
${w}_{k}=\frac{\sum _{c=1}^{C} {n}_{c}}{{n}_{k}·C}, k=1,\dots,C$
式中：C为类别总数（本文为5）；${\sum }_{c=1}^{C}{n}_{c}$为全体样本数量之和；nk为第k类的样本数量；wk表达了第k类的归一化逆频率类别权重，样本数量越少，对应的wk越大。
⑤分类精度评估。绘制精确率—召回率（PR）曲线以验证模型分类精度。PR曲线是机器学习和分类任务中常用的评估工具，主要用于描述模型在不同阈值下的分类性能，能够直观地展示模型在精确率（Precision）和召回率（Recall）之间的权衡关系。
精确率表示模型预测为正类的样本中，实际为正类的比例。精确率越高，反映模型对正类的预测更加可靠。召回率表示实际正类样本中，被模型正确识别为正类的比例。采用One-vs-Rest方法，将每个类别依次视为“正类”，其余类别视为“负类”，从而将多分类任务转化为多个二分类任务进行评估。图1各条PR曲线分别代表模型在区分某一类别与其他类别时的表现。
图1 精确率—召回率曲线

Fig.1 Precision-recall curve

图1表明，本文所选取的MLP模型实现了较好的分类性能权衡。整体来看，模型在传统企业和战略性新兴企业类别上的PR曲线表现更优，曲线更接近图像的右上角，表明模型在这些类别上具有较高的精确率和召回率。对于未来企业，虽然模型在高召回率下的精确率相对较低，但其PR曲线前段较为陡峭，说明模型在召回率较低时能够较准确地分类该类企业样本，满足一定的精准需求。具备转型升级潜力的传统企业的PR曲线上展现出较大波动，尽管整体精确率不如前两类企业，但召回率在中高水平下逐渐平稳，表明模型在识别这类企业时能够有效覆盖大部分样本，确保较高的召回水平。
⑥模型的有效性评估。选择将2.4万条训练样本作为训练集，用来训练机器学习模型，其余0.6万条样本作为测试集，用来反映模型样本外评估效果。表1同时评估了多种机器学习模型的性能，包括朴素贝叶斯（NB）、逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、梯度提升决策树（GBDT）、神经网络（NN）和K最近邻（KNN）。最终选择的多层感知器（MLP）前馈神经网络，在各项机器学习核心评估指标上展现出卓越的性能。具体而言，MLP的预测准确率高达97.35%，远超KNN、LR、SVM等传统模型，表明其在全样本范围内具备较强的整体预测能力与稳定性；在精确率方面，MLP以95.83%的表现显著领先于其他模型，有效降低了误判概率，体现出其在新质生产力企业识别中对“虚假阳性”问题的抑制能力，从而提升了测度的精准性。同时，MLP的召回率达到74.02%，显著优于RF和SVM等模型，确保了更多潜在新质生产力企业得以被全面识别，减少因漏判带来的分析偏差。此外，MLP的F1值高达79.20%，在精确率与召回率之间取得了最优平衡，体现出模型的综合分类能力与稳健性。
表1 机器学习样本外表现(%)

Tab.1 Out-of-sample performance of machine learning(%)

机器学习类型 准确率 精确率 召回率 F1值
KNN 85.74 76.61 52.76 58.53
LR 88.86 61.15 44.50 48.95
NB 70.96 36.78 67.03 37.40
SVM 90.32 43.49 40.04 41.39
RF 86.63 66.21 37.15 42.10
GBDT 88.50 54.79 43.33 47.24
MLP 97.35 95.83 74.02 79.20

1.3 基于泰尔指数的空间差异测算方法

为揭示新质生产力的空间分布差异，本文使用泰尔指数测度总体差异、区域内差异和区域间差异。具体如下：
$T=\frac{1}{n}\sum _{i=1}^{n} \frac{{Y}_{i}}{\overline{Y}}ln\frac{{Y}_{i}}{\overline{Y}}$
${T}_{\tau }=\frac{1}{{n}_{\tau }}\sum _{i=1}^{{n}_{\tau }}\frac{{Y}_{\tau i}}{{\overline{Y}}_{\tau }}ln\frac{{Y}_{\tau i}}{{\overline{Y}}_{\tau }}$
$T={T}_{w}+{T}_{b}=\sum _{\tau =1}^{4} \frac{{n}_{\tau }}{n}·\frac{{\overline{Y}}_{\tau }}{\overline{Y}}·{T}_{\tau }$+ $\sum _{\tau =1}^{4} \frac{{n}_{\tau }}{n}·\frac{{\overline{Y}}_{\tau }}{\overline{Y}}ln \frac{{\overline{Y}}_{\tau }}{\overline{Y}}$
式中：T为总体泰尔指数；n为地级城市总数；Yi为城市i的新质生产力发展水平；$\overline{Y}=\frac{1}{n}{\sum }_{i=1}^{n}{Y}_{i} $为城市新质生产力水平均值；${T}_{\tau }$（$\tau $=1，2，3，4）分别为东部、中部、西部、东北四大板块泰尔指数；${n}_{\tau }$为板块$\tau $中的城市数；${Y}_{\tau i}$为板块$\tau $内城市i的新质生产力水平；${\overline{Y}}_{\tau }=\frac{1}{{n}_{\tau }}{\sum }_{i=1}^{{n}_{\tau }}{Y}_{\tau i}$为板块$\tau $内的新质生产力水平均值；Tw和Tb分别为区域内和区域间泰尔指数。

1.4 企业动态演化分析方法

根据企业经营注册状态，将i城市的新质生产力Yi根据产业动态分解为企业进入（上一年不存在而当年存在）Yentryi、企业在位（上一年与当年持续存在）Yincumbenti、企业退出（上一年存在而当年退出）Yexiti三类：
${Y}_{i}={Y}_{entr{y}_{i}}+{Y}_{incumben{t}_{i}}+{Y}_{exi{t}_{i}}$

1.5 企业地理空间共聚指数测算方法

参考Howard等的研究[25]，本文采用The Excess Colocation Index（XCL超额共址指数）来测算地理共聚现象，以衡量两个不同行业新质生产力在地理空间分布上的集聚性。该方法以单个企业作为地理空间集聚的基本来源，克服了经典的EG指数[26-27]中因关注就业人数而忽视了规模较小公司集聚的问题，同时准确衡量了企业的整体分布，且控制了该地区产业规模的影响，避免产业稀少地区的集聚指数权重过高的问题。
XCL指数计算共分3步。第一步，计算Colocation Index（CL共址指数），假设城市i的行业A有p家企业新质生产力，行业B中有q家企业新质生产力，则由i城市两个行业A和B的新质生产力所有可能集合为p×q，而城市i中两个行业发生共聚的所有可能集合可以表示为：行业A中的企业新质生产力I与行业B中的企业新质生产力J位于N城市同一区域的配对加总。CL指数即为i城市任意两个行业新质生产力位于同一内部区域的程度，具体表示为两个行业新质生产力共区域配对的数量与所有可能集合的比例：
$C{L}_{i,A,B}=\frac{\sum _{I=1}^{p}\sum _{J=1}^{q}{C}_{i,I,J}}{{p}_{i}·{q}_{i}}$
式中：如果企业新质生产力I和J位于同一区域i，则CIJ=1，否则为0。CIJ的总和反映了来自行业A的企业新质生产力与来自行业B的企业新质生产力位于城市N同一内部区域的企业数量。
第二步，计算Random Colocation Index（RCL随机共址指数）。为了排除制造业和经济活动聚集对特定行业聚集的总体趋势的影响，构造一个反事实来控制制造业密度。首先，从总体企业中随机抽取i城市p和q个企业新质生产力，分别将其分配到相应区域的行业A和行业B，由此得到一个随机样本计算两个行业新质生产力的CL指数。基于多次随机抽样结果求均值得到RCL指数，如式（12）所示，本文h取100即随机抽样100次。
$RC{L}_{i,A,B}=\frac{{\sum }_{J=1}^{h}C{L}_{i,A,B}}{h}$
第三步，计算XCL指数。将CLi,A,B指数减去RCLi,A,B得到XCL指数。该指数控制了城市i的自然优势和经济活动集聚的总体趋势，可以反映i城市的不同行业生产力的共聚程度。计算公式如下：
$XC{L}_{i,A,B}=C{L}_{i,A,B}-RC{L}_{i,A,B}$
该指数取值区间为[-1，1]。XCLi,A,B0表示在排除制造业活动的总体分布的影响上，i城市A行业和B行业新质生产力位于同一内部区域的频率大于常规预期；反之则表示小于常规预期。

2 企业新质生产力的时空格局演化及其地理共聚特征

传统生产力空间布局多表现为资源型产业要素依赖型分布、贸易流通型产业依托交通区位分布、消费型产业以城市为核心分布等空间特征。与传统生产力不同，新质生产力以技术驱动为核心动力、以数字要素为主体生产要素、以数字流和信息流为主要运转形式，因此新质生产力的空间布局较传统生产力布局有显著差异，对新质生产力的地理空间布局辨识是发展中国特色生产力布局理论的有效实践。

2.1 总体特征

本文采用有监督的机器学习对2000—2022年所有工商企业进行分类，判断企业是否属于新质生产力以及属于何种新质生产力类型。图2展示了2000年以来传统生产力和新质生产力的发展趋势。结果显示，2000—2021年新质生产力与传统生产力均呈现稳步上升趋势，其中2000—2011年增速较为平稳，2012—2021年增速较高；而2021—2022年均发生陡降，这可能与新冠疫情的持续性影响有关。具体来看，传统生产力企业由2000年的590万家增长至2021年的5960万家，年均增速为42.62%；新质生产力企业由2000年的38万家增长至2021年的885万家，年均增速达105.86%。相较传统生产力而言，新质生产力虽然规模较小，但始终保持高增速水平，具备较优发展前景。
图2 2000—2022年企业传统生产力与新质生产力的发展趋势

Fig.2 Development trends of traditional and new quality productive forces of enterprises from 2000 to 2022

图3进一步报告了2000—2022年不同类型企业新质生产力的发展情况。从规模趋势看，2000—2021年三类新质生产力均呈现稳定持续发展。其中，战略性新兴产业的企业数由2000年的32万家增长至2021年的792万家，年均增速111.71%；未来产业的企业数由2000年的471家增长至2021年的31766家，年均增速316.40%；有转型升级潜力的传统产业企业数由2000年的6万家增长至2021年的89万家，年均增速69.83%。这说明从《国家中长期科学和技术发展规划纲要》到《关于加快培育和发展战略性新兴产业的决定》，一系列科技创新政策与产业支持政策持续推动技术进步与产业升级，形成双重驱动效应，推动了战略性新兴产业和未来产业的快速发展与企业数量迅速增长。从结构构成来看，战略性新兴产业占据新质生产力的总体份额由2000年的84.88%逐步增长至2021年的89.51%，在当前新质生产力发展中占据主要部分；未来产业由于初始规模极低，目前在新质生产力中所占份额较低，但从其发展趋势来看，已显现出在发展新质生产力方面的强劲潜能。
图3 2000—2022年不同类型企业新质生产力的发展趋势

Fig.3 Development trend of new quality productive forces of different types of enterprises from 2000 to 2022

2.2 新质生产力地理空间布局分析

图4报告了在中国地级及以上城市尺度加总的区域新质生产力发展水平。可以看到，2001年新质生产力发展水平整体较低，呈现京津地区集中分布、东南沿海地区带状分布、中部地区零散点状分布的特征。至2008年，新质生产力在东北地区、东部沿海一带得到一定发展，但整体基础仍较为薄弱。2008—2015年，各区域新质生产力水平得到迅速发展并基本具备一定规模，东北地区由于其早期的重工业基础扎实，在高端装备制造、新能源企业、生物医药行业有一定前期发展优势，新质生产力水平位于前列。东部和南部沿海地区的新质生产力持续强劲增长，同时部分劳动密集型产业向中西部梯度转移和产业扩散，带动中西部省会城市新质生产力水平显著提升。至2022年，城市新质生产力空间分布进一步优化，高新质生产力水平城市显著增多，呈现沿海与内陆均衡发展的趋势。其中，区域创新驱动和产业升级动力逐步强化，长三角、珠三角及京津冀地区已形成较为完善的新质生产力集群；中西部城市的增长态势也愈发明显，人工智能、大数据和云计算等技术的广泛应用推动了产业升级和创新发展，“双循环”战略进一步扩大内需市场加速新质生产力在中西部地区的布局与扩散。
图4 企业新质生产力的空间分布演变

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2763号的标准地图制作，底图边界无修改。图6、图8同。

Fig.4 Geospatial layout of new quality productive forces of enterprises

表2进一步展示了2001、2008、2015和2022年各城市新质生产力的发展水平排名以及占全国新质生产力的比例。从城市分布看，东部地区分布着新质生产力前20位城市的绝大多数，占绝对优势。其中北京、上海始终位于前2位，深圳、广州、南京始终位于前7位，显现出在新质生产力发展上的极大优势；大连、沈阳作为工业基础雄厚的老工业基地区，其新质生产力发展水平由2001年的第7、第11逐渐丧失优势，到2022年大连位于第20，沈阳排名则更为落后，这反映了东北地区城市存在较好基础但动力不足的特性。深圳、广州、苏州、合肥、东莞等在2001—2022年排名持续上升，济南在2022年首次进入前20名，显现了上述城市在新质生产力发展领域具备强劲动能。从前20名城市占全国新质生产力的比例看，2001—2022年前20名城市的新质生产力之和占据了全国新质生产力的超过半数，即新质生产力总体上仍呈现不均衡分布的地理特性，这一占比近年来有所降低，反映了新质生产力在空间分布上存在向均衡发展的趋势。
表2 中国新质生产力排名前20城市及其占全国新质生产力比例

Tab.2 Top 20 cities in terms of new quality productive forces and their proportion

排序 2001年 2008年 2015年 2022年
1 北京（11.29） 北京（11.06） 北京（9.01） 上海（7.43）
2 上海（7.76） 上海（9.48） 上海（8.90） 北京（5.92）
3 南京（3.38） 深圳（3.21） 深圳（5.53） 深圳（5.66）
4 天津（2.73） 南京（2.84） 广州（3.14） 广州（4.53）
5 广州（2.21） 广州（2.55） 南京（2.57） 苏州（2.69）
6 深圳（2.20） 天津（2.25） 苏州（2.38） 成都（2.39）
7 大连（1.99） 武汉（2.03） 杭州（2.23） 南京（2.32）
8 温州（1.86） 大连（1.88） 天津（2.04） 杭州（2.24）
9 西安（1.83） 西安（1.84） 成都（2.04） 合肥（1.78）
10 武汉（1.77） 杭州（1.79） 武汉（1.82） 天津（1.75）
11 沈阳（1.74） 苏州（1.77） 西安（1.64） 武汉（1.73）
12 杭州（1.65） 成都（1.71） 大连（1.59） 西安（1.69）
13 廊坊（1.55） 沈阳（1.39） 重庆（1.52） 郑州（1.59）
14 成都（1.52） 郑州（1.29） 郑州（1.48） 东莞（1.48）
15 重庆（1.47） 温州（1.24） 宁波（1.39） 重庆（1.44）
16 青岛（1.38） 青岛（1.22） 合肥（1.35） 济南（1.39）
17 苏州（1.28） 重庆（1.20） 温州（1.25） 长沙（1.28）
18 衡水（1.08） 哈尔滨（1.20） 青岛（1.19） 青岛（1.23）
19 长春（1.05） 宁波（1.16） 东莞（1.16） 宁波（1.23）
20 宁波（1.04） 合肥（1.07） 长沙（1.12） 大连（1.22）
总占比（%） 53.81 55.09 54.89 50.99
为进一步考察新质生产力的空间分异特征，本文分别测算全国、四大区域及区域内与区域间的泰尔指数，并绘制其2001—2022年变化趋势图（图5）。从中发现，总体泰尔指数自2001年来逐年降低，在2019年后趋于平缓，新质生产力布局的区域差距整体呈现缩小趋势。从地区内差距和地区间差距的分解对比来看，新质生产力分布的地区内差异始终高于地区间差异，地区间差异保持在较低水平，这反映了地区内差异是空间差异的主要原因。同时，地区内差异呈现降低的趋势，新质生产力分布的地区内差异也在逐年改善。从四大区域的泰尔指数来看，早期东部、西部差距值较大，东北地区差距值次之，中部差距值较小；近年来四大区域的差距值均有明显降低，这同样印证了新质生产力趋于协调发展的发现。
图5 全国及四大区域新质生产力分布的泰尔指数

Fig.5 Theil index of new quality productive forces in China and four regions

2.3 演化经济地理视角下企业新质生产力的动态演化分析

区域企业与产业动态是演化经济地理研究关注的重要问题[28]，演化经济地理理论认为区域产业发展是新产业不断产生与旧产业不断消亡的动态过程，与区域产业关联较强的产业更容易进入地方[29-30]，而新质生产力的概念提出本身便蕴含了新质与旧质产业的增衰演替，对区域新质企业的进入、存续、退出分析能够丰富演化经济地理理论，提炼区域新质生产力的演化模式及区域新质生产力布局的关联法则[31]，解决新质生产力的培育与发展难题。
图6展示了基于企业动态演化的新质生产力地理空间布局。企业进入能够反映当年新质生产力的市场前景与动态优势，企业在位反映了新质生产力的存续能力与可持续发展水平，而企业退出能够反映新质生产力可能存在的障碍壁垒。区域较好的基础设施“硬环境”和营商“软环境”能够推动新兴企业进入和已有企业存续，有助于培育和发展区域新质生产力。整体来看，企业频繁的增衰演替动态是新质生产力发展的重要动力，东部沿海地区依托坚实的产业基础和强大的创新能力，正不断培育和更新新质生产力，新质生产力得到极大发展；而中西部地区依托留住企业、盘活企业的方式，实现新质生产力企业的净增长，逐步成为新质生产力的重要承载地。从企业进入视角看，2021年我国新质生产力企业的进入、在位与退出的空间分布均表现出东中西部分布不均的特征。2021年新进入新质生产力企业主要集中分布于东部与南部沿海城市，为该区域新质生产力发展注入强劲活力。西部地区新质生产力进入企业主要集中于新疆西部，虽然在数量上与东部沿海地区有较大差距，但也反映出当地的产业政策拉动和口岸联通作用。从企业退出视角看，其空间布局与进入企业存在较大差异，更多呈块状分布于东部沿海省份，且退出企业数量远低于进入企业，这一顺差反映出当前我国新质生产力行业在沿海毗邻地区以及中部地区具有较强的成长活力。从在位企业视角看，2021年在位企业数量远超进入企业与退出企业数量。在位企业的空间分布同样主要集中于东北地区、东部地区与西部地区，但相较于进入企业，其分布更为广泛。东北地区的在位企业数远超进入企业，这一定程度上反映了现阶段东北地区新质生产力的发展动力不足。
图6 企业新质生产力的动态演化

Fig.6 Dynamic evolution of new quality productive forces of enterprises

2.4 企业新质生产力的共聚特征

当前产业集群正由传统集聚经济的静态优势向创新网络获得的动态优势演进，产业地理共聚动态优势成为集群可持续发展的重要环节[32-33]，而与传统生产力相比，当前新质生产力的突出特征表现为大规模集聚与集群式分布。因此，探索新质生产力在企业与产业维度的共聚特征及表现可以明晰新质生产力布局的内在驱动机制，为针对性地布局与发展新质生产力提供实证依据。为充分展示不同行业企业新质生产力之间的共聚测度结果，本文基于XCL指数绘制2022年20个国民经济行业大类两两之间的平均结对共聚指数图（图7）。图中，横纵坐标代表由A至T的国民经济行业门类，每个交叉方格代表两两门类间的新质生产力共聚水平，以由蓝至红的色块代表由低到高的生产力共聚程度。
图7 企业新质生产力的共聚指数：基于国民经济行业门类的测度(2022年)

Fig.7 Co-agglomeration index of new quality productive forces of enterprises in 2022: Based on the industrial categories of the national economy

整体来看，新质生产力的行业共聚呈现以下3个特点：①生产力共聚具备一定的行业特性。B采矿业由于其物质资源依赖的特性，与其他行业的生产力共聚水平普遍较低；而F批发和零售业由于服务于相关产业的销售过程，更倾向于向靠近其他生产力的地理范围内选址，因此与其他行业的生产力共聚水平普遍较高。②创新服务业具备核心枢纽地位。新质生产力的发展高度依赖创新服务业和现代信息技术服务业的支撑，形成了以技术研发和服务配套为核心的产业共聚格局。M科学研究和技术服务业与I信息技术服务业、K房地产业、L商务服务业之间的共聚水平最高，这反映了新质生产力行业对科研、信息服务和商务支持的高度需求。③产业链协同驱动的集聚效应。C制造业与D能源供应业、E建筑业以及G交通仓储业形成高度共聚，体现出完整产业链上下游协同发展的特征。
进一步分析不同区域的新质生产力共聚特征，图8展示了2001、2008、2015和2022年中国各地级及以上城市新质生产力共聚水平的时空演化。整体来看，2001—2022年中国新质生产力呈现由结对分散到结对集聚的空间特征，各区域不同行业新质生产力结对集聚程度逐渐提升。这反映了不同行业新质生产力的发展不仅依托于本行业的生产力基础，还依赖于其他相关行业的共聚共生，区域经济高质量发展需要不同行业新质生产力的协同作用。
图8 企业新质生产力的空间共聚指数分布演变

Fig.8 Spatial distribution of the co-agglomeration index of new quality productive forces of enterprises

从空间差异来看，2001年新质生产力共聚水平整体较低，呈现全国范围内的零散块状分布特征。新质生产力发展水平较高的北京市以及广东省各市并未表现出高产业对共聚水平，这反映了上述城市虽然具备较高的单一行业新质生产力规模，但跨行业间新质生产力的空间集聚与联系不足。2008年全国各区域的新质生产力共聚水平整体有一定提升。这一阶段，受益于自主创新战略和区域协调发展政策，全国范围内创新驱动型产业逐步发展，科技创新和产业转型升级的步伐加快。东北、东南沿海地区率先受益于产业集聚效应，部分行业的协同配合开始增强。同时，北京市等科技创新高地，在高技术产业链深化发展的同时，逐步推动多行业融合，但由于技术壁垒和产业链垂直分工尚未完全打通，跨行业共聚水平仍相对有限。2015和2022年，新质生产力在空间上的集聚与共聚水平得到明显提升。这一时期，我国持续推动创新驱动发展战略，推动各区域重点布局新兴产业和未来产业，加快建设创新型城市群和都市圈，同时数字经济、人工智能和新材料等领域发展迅速，带动了相关配套行业的同步发展，形成了较为完整的产业生态体系，进一步加强了区域内产业间的联动性。与图4新质生产力发展水平的空间布局相比，新质生产力行业间共聚的区域差异并不明显，新质生产力发展水平高的区域并不一定具备行业间高共聚水平。如衡水、金华、台州、河源等城市虽有一定的新质生产力发展水平，但在城市内部的空间分布上未有较好的地理协作，产业链、供应链、创新链等方面的联系不足，这可能会制约城市新质生产力的培育与发展。

3 结论、讨论与政策建议

3.1 结论

本文基于2000—2022年中国工商注册企业数据，应用机器学习新方法展开新质生产力的识别和测算，并全面分析了中国新质生产力布局现状及空间差异。研究发现：①中国新质生产力呈现稳步增长态势，当前除西部区域外全国各区域新质生产力发展均已达到一定规模，且空间差异呈缩小趋势。②基于企业动态视角的空间分析发现，各区域企业新质生产力存在频繁的增衰演替，企业进入与企业退出的顺差是区域新质生产力培育与发展的关键。③基于产业共聚视角的跨行业共聚测度发现，新质生产力呈现大规模集聚现象以及网络化建构模式，技术行业新质生产力的发展需要相关行业新质生产力的配套，高质量、可持续的区域新质生产力发展依赖于各行业新质生产力在区域内部空间的地理协作。

3.2 讨论

通过地理学视角的新质生产力理论诠释与实证研究，本文期望探索生产力布局理论、产业演化理论、产业集聚与共聚理论等地理学理论在新质生产力研究中的解释力：①中国生产力布局理论以苏联引入的平衡布局理念与以欧美引入的非均衡战略理论为基础发展而来，生产力布局理论的中国化深刻影响了中国生产力空间布局与发展[34]，对新时代中国新质生产力布局的地理演变与驱动机制研究，有助于生产力布局理论的中国化实践，打破以苏联以及西方理论校准中国生产力分布的惯性思维[35]。②新质生产力作为新的生产力形式，其本身既内含与传统生产力形式对立，又依托传统生产力形式实现生产力跃迁，这契合演化经济地理理论关于产业技术关联与动态演化的思想[36]。产业动态演化研究能够充分揭示区域新质生产力如何催生发展，新质生产力如何依托于传统生产力产生等一系列亟待解决的问题。③产业地理共聚理论强调跨产业空间分布相似性与联系，新质生产力正呈现大规模集聚现象以及网络化建构模式，跨行业新质生产力之间的创新链、产业链、知识链、供应链联系是新质生产力发展的重要依托，依托共聚研究方法有助于阐释新质生产力分布的空间依赖性。

3.3 政策建议

基于上述结论，本文提出政策建议如下：①在科学研判目前新质生产力发展阶段、水平与空间差异的基础上，加快新质生产力发展的顶层设计，形成系列指导意见、产业规划、行动方案、示范工程、孵化和加速计划、配套政策等以推动新质生产力的科学布局。②根植产业发展的区域基础和特色，结合新质生产力发展所需的“知识本底”与“地方禀赋”，形成有地方特色、地方优势的新质生产力培育思路。③重视企业在新质生产力发展中所发展的重要作用，以高质量营商环境、友好的政企关系、校企关系助力新质生产力企业进入与企业存续，建设未来产业孵化器、加速器等众创载体，鼓励新质生产力领域企业的创新创业培育和发展企业新质生产力。④以协同共聚的发展理念发展区域新质生产力，打造创新链、产业链、供应链联系紧密的产业间关系。区域不仅要考虑新质生产力的单一行业发展，还要统筹各行业的新质生产力协同共聚发展，通过完善统一的支持新质生产力发展的技术、数据等新型要素交易市场，为新质生产力发展厚植土壤。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
樊杰, 陈东, 李佳洺, 等. 新质生产力的地域性与布局规律研究——因地制宜发展新质生产力的地理科学探讨[J]. 地理科学, 2025, 45(1):47-60.

DOI

[2]
贺灿飞, 李志斌. 论中国式现代化进程中的区域高质量发展[J]. 社会科学辑刊, 2023(2):112-119.

[3]
方创琳, 孙彪. 新质生产力的地理学内涵及驱动城乡融合发展的重点方向[J]. 地理学报, 2024, 79(6):1357-1370.

DOI

[4]
韩江波, 沙德春, 李超. 新质生产力的演化:维度、结构及路径[J]. 技术经济与管理研究, 2024(1):8-16.

[5]
陆大道. 二〇〇〇年我国工业生产力布局总图的科学基础[J]. 地理科学, 1986(2):110-118.

[6]
孙久文. 优化重大生产力布局的途径探索[J]. 人民论坛·学术前沿, 2022(22):37-43.

[7]
付桂生, 翁贞林. 试论产业布局理论的形成及其发展——兼论江西省工业生产力布局[J]. 江西教育学院学报(社会科学), 2005(1):5-7.

[8]
禚振坤, 陈雯, 孙伟. 基于空间均衡理念的生产力布局研究——以无锡市为例[J]. 地域研究与开发, 2008(1):19-22,27.

[9]
汤长安, 张丽家, 殷强. 中国战略性新兴产业空间格局演变与优化[J]. 经济地理, 2018, 38(5):101-107.

DOI

[10]
张敬文, 李一卿, 陈建. 战略性新兴产业集群创新网络协同创新绩效实证研究[J]. 宏观经济研究, 2018(9):109-122.

[11]
李凤娇, 刘家明, 姜丽丽. 东北地区战略性新兴产业发展水平时空演变与影响因素研究[J]. 地理科学进展, 2022, 41(4):541-553.

DOI

[12]
王欢芳, 张幸, 熊曦, 等. 中国生物产业的空间集聚度及其变动趋势——基于上市公司的经验数据[J]. 经济地理, 2018, 38(8):101-107.

DOI

[13]
王珏, 王荣基. 新质生产力:指标构建与时空演进[J]. 西安财经大学学报, 2024, 37(1):31-47.

[14]
傅联英, 蔡煜. 中国市域新质生产力:时序演变、组群特征与发展策略[J]. 产业经济评论, 2024(4):5-22.

[15]
宋佳, 张金昌, 潘艺. ESG发展对企业新质生产力影响的研究——来自中国A股上市企业的经验证据[J]. 当代经济管理, 2024, 46(6):1-11.

[16]
刘楠. 我国节能环保产业发展区域性分布特征研究[J]. 科技资讯, 2015, 13(10):105,107.

[17]
聂晓静, 杨忠泰. 中国航空航天硬科技产业自主创新模式演进历程及其启示——基于产业创新演化系统分析框架[J]. 宝鸡文理学院学报(社会科学版), 2022, 42(5):51-56.

[18]
叶选挺, 马诗敏, 王宇, 等. 场景驱动视角下我国智能医疗产业演化研究[J]. 科技进步与对策, 2023, 40(24):20-30.

DOI

[19]
Lu C, Li B. The influence factors of innovation networking formation based on ERGM:Evidence from the smart medical industry[J]. Journal of Digital Economy, 2023(2):64-80.

[20]
张林, 蒲清平. 新质生产力的内涵特征、理论创新与价值意蕴[J]. 重庆大学学报(社会科学版), 2023, 29(6):137-148.

[21]
Ren C, Lin X. Research on digital spillover effect of internet enterprises-An exploratory study based on grounded theory[J]. Applied Economics, 2023, 56(40):4776-4790.

DOI

[22]
Bishop, Christopher M, Nasser M. Nasrabadi. Pattern recognition and machine learning[M]. New York: Springer, 2006.

[23]
LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444.

DOI

[24]
金星晔, 左从江, 方明月, 等. 企业数字化转型的测度难题:基于大语言模型的新方法与新发现[J]. 经济研究, 2024, 59(3):34-53.

[25]
Howard E, Newman C, Tarp F. Measuring industry coagglomeration and identifying the driving forces[J]. Journal of Economic Geography, 2016, 16(5):1055-1078.

DOI

[26]
Ellison G, Glaeser E L. Geographic concentration in U.S. manufacturing industries:A dartboard approach[J]. Journal of Political Economy, 1997, 105(5):889-927.

DOI

[27]
Ellison G, Glaeser E L, Kerr W R. What causes industry agglomeration?Evidence from coagglomeration patterns[J]. American Economic Review, 2010, 100(3):1195-1213.

DOI

[28]
Boschma R, Martin R. The aims and scope of evolutionary economic geography[J]. Economic Geography, 2010, 86(2):107-114.

DOI

[29]
Neffke F, Henning M. Skill relatedness and firm diversification[J]. Strategic Management Journal, 2013, 34(3):297-316.

DOI

[30]
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

[31]
贺灿飞, 任卓然, 吴婉金. 产品动态技术关联与中国出口产业地理共聚[J]. 地理研究, 2023, 42(9):2283-2301.

[32]
陈露, 刘修岩, 叶信岳, 等. 城市群视角下的产业共聚与产业空间治理:机器学习算法的测度[J]. 中国工业经济, 2020(5):99-117.

[33]
张可云, 仲艾芬. 我国制造业结对集聚水平测度及其特征——机器学习方法的改进与应用[J]. 经济地理, 2023, 43(4):124-133,143.

DOI

[34]
陆大道. 关于“点—轴”空间结构系统的形成机理分析[J]. 地理科学, 2002(1):1-6.

[35]
Yeung H W C. Remaking economic geography:Insights from East Asia[J]. Economic Geography, 2007, 83(4):339-348.

DOI

[36]
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

Options
文章导航

/

〈 〉