Evolution Characteristics of the Manufacturing Industry Agglomeration in China and Its Influencing Factors：Empirical Research Based on the Spatial Panel Model

LIU Zhidong; GAO Hongwei

doi:10.15957/j.cnki.jjdl.2021.12.004

2021 , Vol. 41 >Issue 12: 33 - 42

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.12.004

Evolution Characteristics of the Manufacturing Industry Agglomeration in China and Its Influencing Factors：Empirical Research Based on the Spatial Panel Model

LIU Zhidong ^,¹ ,
GAO Hongwei ^,^※

Expand

1. School of Management Science and Engineering，Central University of Finance and Economics，Beijing 100081，China
2. Institute of Quantitative & Technological Economics, Chinese Academy of Social Sciences，Beijing 100732，China

Received date: 2021-02-27

Revised date: 2021-10-09

Online published: 2025-03-31

Fold

Abstract

Based on city data from 2007 to 2017,this paper studies the evolution characteristics of the manufacturing industry agglomeration in China and its influencing factors in the context of economic transformation with descriptive analysis methods and empirical analysis methods. The study finds that the advantage of manufacturing agglomeration in eastern region has gradually decreased,while the degree of manufacturing agglomeration in the central region has continued to rise and manufacturing clusters such as Henan Province and Jiangxi Province have been formed; The spatial correlation of China's manufacturing agglomeration among cities is significantly positive; The impact of industrial scale and housing prices on manufacturing agglomeration presents an inverted U-shaped curve,highway transportation infrastructure has a significant positive impact on manufacturing agglomeration, and producer services development has a significant negative impact on manufacturing agglomeration; Industrial scale also has space spillover effects on manufacturing agglomeration in neighboring cities; From the perspective of the decomposition of the effect, both direct and indirect effects have time accumulation characteristics. The long-term direct effects of industrial scale, housing prices,road transportation infrastructure, and producer services development on manufacturing agglomeration are greater than the short-term direct effects, and the long-term indirect effect of industrial scale is an inverted U-shaped curve while the short-term indirect effect is not significant.

Key words： manufacturing industry; agglomeration; spatial distribution; high-quality development; transportation infrastructure; producer services

Cite this article

LIU Zhidong , GAO Hongwei . Evolution Characteristics of the Manufacturing Industry Agglomeration in China and Its Influencing Factors：Empirical Research Based on the Spatial Panel Model[J]. Economic geography, 2021 , 41(12) : 33 -42 . DOI: 10.15957/j.cnki.jjdl.2021.12.004

制造业是国民经济的主体，是一国的立国之本、兴国之器和强国之基。作为中国经济的第一大产业，制造业现在是，以后也将长期是中国经济增长的中流砥柱。制造业集聚区作为城市和区域发展的重要载体，其形成、集聚和扩散过程直接影响着社会经济要素的运行效率和区域空间格局^[1]。金融危机后，随着全球经济增速放缓和新一轮科技革命兴起，国际国内的制造业发展形势都经历了巨大的变革。为了促进实体经济发展，解决制造业发展中的结构性矛盾，我国政府适时提出了加快转变经济发展方式的战略思想。《中国制造2025》规划中明确提出要优化产业空间布局，培育一批具有核心竞争力的产业集群和企业群体。党的十九大报告指出，要促进我国产业迈向全球价值链中高端，培育若干世界级先进制造业集群。在以集群发展促进制造业高质量发展的政策背景下，研究我国制造业集聚空间分布的演变趋势及空间相关性视角下的影响因素，不仅有利于了解我国当前制造业集群发展的现状，还可以为进一步促进制造业集群发展提供方向和思路，具有重要的实践意义。

制造业集聚是产业集聚的重要组成部分。国外地理学家和经济学家早在19世纪末就开始关注产业空间集聚现象并分析产业关联和产业集聚所带来的经济效应。Marshall首次使用“集聚”的概念来描述地域相近的企业或行业的集中现象并创立了外部经济理论^[2]，认为劳动力“蓄水池”效应、中间投入品和生产性服务的规模经济、专业技术和知识的外溢效应是制造业集聚的主要来源。新古典贸易理论认为产业区位由技术、劳动力和自然资源等外生资源禀赋决定，产业集聚发生在具有比较优势的地区^[3]，市场一体化将促进产业的地理集聚。而Krugman的新经济地理理论则建立了“中心—外围”模型，并论证了产业集聚的形成过程，认为产业集聚是由规模报酬递增、运输成本和市场需求的联合作用引起的^[4]。基于上述经典理论，近年来，国内众多学者对中国制造业集聚问题进行了研究。关于集聚的空间分布格局，大部分学者发现改革开放后中国制造业呈现出向东南沿海地区集聚的趋势^[5-6]，西部地区则远远落后，两极分化严重^[7]。1980年以来我国制造业在空间分布上总体呈现“南下东进”的特点，但2003年后，部分制造业呈现出“北上西进”的特征^[8]。还有学者基于1997—2013年的数据研究发现，我国制造业地域分布不均，形成以山东、江苏、河南等地区为主的高值集聚块，以广东省为中心的集聚点，并以此为中心向周边省市递减，空间结构化严重^[9]。关于制造业集聚的影响因素，早期研究主要从要素成本出发，更多关注单一因素对制造业集聚的影响，比如城市规模^[10]、交通运输成本^[11]、技术外部性^[12]、人力资本^[13]、市场需求^[14]及制度变化^[15]等。韩峰等最早考虑了城市间制造业集聚的空间相关性，通过构建要素供给和市场需求的空间外部性指标研究发现，专业化劳动力、中间投入可得性、区际研发溢出与市场需求对制造业空间集聚均有明显促进作用^[16]。近年来，学者们更多地关注了影响因素的非线性影响、因素间的调节效应及经济发展带来的新兴影响因素的作用，研究发现，城市化与制造业集聚之间具有倒N型关系^[17]；城市规模对制造业集聚的影响与生产性服务业有关^[18]；制造业集聚与交通条件对制造业集聚的影响受技术密集度影响^[19]；还有学者探讨了高铁开通对站点城市制造业集聚的影响^[20-21]。

综上，首先，现有研究的样本期普遍较早，近年的研究^[22-23]多从某一特定地区或行业层面出发，缺乏从城市层面对我国整体制造业集聚空间分布状况的研究。而2007年至今正是我国产业结构升级的关键时期，随着服务业的快速发展，制造业的空间格局很可能会随之改变。其次，现有研究对空间相关视角下中国制造业集聚的影响因素分析不足。随着传统比较优势在解释我国制造业空间分布和要素空间配置中正逐渐失去效力，空间邻近性或城市之间的作用和联系在制造业区位选择中的作用至关重要^[16]。在我国制造业集聚空间相关性不断增强以及国家大力支持制造业集群发展的背景下，脱离空间相关性研究制造业集聚的影响因素是不切合实际的。基于以上不足，本文基于2007—2017年的城市数据研究我国城市间制造业集聚的空间分布演变特征，并纳入空间相关性对制造业集聚的影响因素及其非线性特征和空间效应进行研究。

1 中国制造业集聚空间分布的演变特征

本文借鉴前期学者的研究，使用区位熵作为产业集中度的度量指标，这主要是由于区位熵能较好地从区域角度分析产业的集聚程度^[24]。城市制造业集聚产值区位熵的构建方式如式（1）所示：

（1）

L Q i, t = M a n u i, t / G D P i . t ∑ i = 1 N M a n u i, t / ∑ i = 1 N G D P i . t

式中：

M a n u i, t

代表第i个城市在第t年的工业总产值^①（①由于本文采用地级城市数据进行研究，制造业产值数据的获取较为困难，因而本文基于现有研究以工业企业的总产值数据进行替代。）；

G D P i, t

代表第i个城市在第t年的国内生产总值；

∑ i = 1 N M a n u i, t

代表全国所有城市在第t年的工业总产值之和（N=267）；

∑ i = 1 N G D P i, t

代表全国所有城市在第t年的国内生产总值之和。区位熵大于1代表该城市的制造业发展在全国具有优势，区位熵小于1则代表该城市制造业的发展在全国具有劣势。

首先，我们绘制了样本期期初和期末我国城市层面制造业集聚程度的空间分布图（图1）。从制造业集聚的地区分布^②（②本文将北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东以及海南划分为东部地区；将山西、吉林、黑龙江、安徽、江西、河南、湖北以及湖南划分为中部地区；将重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、广西以及内蒙古以及划分为西部地区。）来看，2007年，东部地区的制造业集聚相对于中西部地区具有绝对优势，制造业发展优势城市主要分布在东部地区，且在环渤海、长三角和珠三角地区出现了连片分布。到了2017年，从整体来看，我国制造业集聚程度大幅提升，制造业集聚优势城市数量大幅增加，其中，中西部地区的制造业集聚程度提高幅度较大，尤其是中部地区制造业集聚程度的提升幅度最大，制造业集聚优势城市的数量迅速增加，并且高水平的制造业集聚城市^③（③这里指制造业集聚区位熵大于2的城市。由于2017年全国制造业集聚程度的提升，制造业集聚优势城市数量较多，为了进一步对制造业集聚程度进行区分，本文取制造业集聚水平前1/3的城市，此时区位熵的临界值大约为2。）在河南省和江西省出现了大面积连片分布，西部地区制造业集聚优势城市数量也有所增加，陕西、内蒙古、甘肃和云南都出现了高水平的制造业集聚城市。虽然样本期内东部地区的制造业集聚程度也有所提升，但与中部地区相比，优势逐渐丧失，环渤海、长三角和珠三角地区制造业集聚的优势大幅减小，高水平的制造业集聚城市数量较中部地区明显更少，且由期初的连片分布转变为零星分布。

显示原图|下载原图ZIP|生成PPT

图1 2007、2017年我国地级城市制造业集聚程度空间分布

Fig.1 Spatial distribution of manufacturing industry agglomeration in 2007 & 2017

本文进一步统计了样本期内各省制造业集聚程度及其变动率^④（④此处对各省制造业的集聚程度进行重新测算，并非直接对城市层面集聚程度取均值。）（表1）。在所有省份中，有15个省份的制造业集聚程度在样本期内有所上升，其中，中部地区的8个省份中有6个的制造业集聚程度有所上升，分别为河南、江西、湖南、安徽、吉林和湖北，从而使我国中部地区的制造业集聚程度在样本期内实现了大幅上升。具体来看，这6个省份的制造业集聚程度在期初均具有劣势，在样本期内实现了较大幅度的上升，到期末除湖北省外，其余5个省份都转变为制造业集聚优势省份。在东部省份中，河北、山东和福建的制造业集聚程度有所提升，其中，山东保持了期初的优势，河北和福建在样本期内转变为制造业集聚优势省份。在西部省份中，广西和内蒙古的制造业集聚程度在期初具有劣势，在期末转变为优势省区，四川、陕西、贵州和宁夏的制造业集聚程度虽然在样本期内有所提升，但在期末仍为劣势省份。从制造业集聚程度下降的15个省份看，东部地区省份占了8个，且都为大幅下降，其中，天津、北京、上海和海南的制造业集聚程度下降幅度超过50%，从而导致我国东部地区的制造业集聚程度在样本期内大幅下降。

表1 各省制造业集聚程度

Tab.1 Manufacturing agglomeration degree in different provinces

	省份	2007	2017	变动百分比（%）
样本期内制造业集聚程度提升的省份	河南	0.8488	2.4927	193.66
	江西	0.7445	1.8736	151.65
	湖南	0.6269	1.2228	95.06
	广西	0.5387	1.0480	94.53
	内蒙古	0.6094	1.1816	93.89
	安徽	0.7565	1.4568	92.57
	河北	0.8573	1.5556	81.45
	吉林	0.8029	1.3053	62.57
	四川	0.6893	0.9463	37.29
	山东	1.2811	1.7451	36.22
	陕西	0.6867	0.9090	32.36
	福建	0.9943	1.1973	20.42
	贵州	0.6576	0.7721	17.42
	湖北	0.7549	0.8779	16.29
	宁夏	0.8806	0.9295	5.55
样本期内制造业集聚程度下降的省份	江苏	1.4291	1.3814	-3.34
	黑龙江	0.5702	0.5419	-4.97
	山西	0.8787	0.8295	-5.60
	青海	0.8400	0.7171	-14.63
	重庆	0.7302	0.6008	-17.73
	甘肃	0.8584	0.6959	-18.93
	浙江	1.3344	1.0134	-24.05
	广东	1.1845	0.7367	-37.81
	辽宁	0.9653	0.5464	-43.40
	云南	0.7498	0.4163	-44.47
	天津	1.3764	0.6681	-51.46
	新疆	0.7737	0.3233	-58.21
	北京	0.7117	0.2797	-60.70
	上海	1.2600	0.4268	-66.13
	海南	0.4606	0.1264	-72.57

由于本文将在空间视角下分析制造业集聚的影响因素，因此在这一部分除了对制造业集聚空间分布特征进行分析外，还将进一步对我国城市间制造业集聚程度的空间相关性进行测算和分析。本文利用最常见的莫兰指数法对我国城市的制造业集聚程度进行空间自相关性检验，具体的计算方法如式（2）所示。

（2）

M o r a n' s I = ∑ i = 1 n ∑ j = 1 n W i, j X i - X ¯ X j - X ¯ S 2 ∑ i = 1 n ∑ j = 1 n W i, j

式中：

S 2

表示样本方差；

X ¯

表示样本均值；

W i, j

表示空间权重矩阵

i, j

位置的对应元素。Moran's I指数的取值介于[-1，1]之间，当Moran's I>0时，相邻地区间的制造业集聚程度存在空间正相关，即制造业集聚程度高的城市与制造业集聚程度高的城市相邻，制造业集聚程度低的城市与制造业集聚程度低的城市相邻，并且取值越趋近于1，则空间正相关程度就越强；相反，当Moran's I<0时，表示相邻地区间的制造业集聚程度存在空间负相关；当Moran's I指数接近于0时，则表示相邻地区间的制造业集聚程度不相关，分布是随机的。莫兰检验的结果见表2，无论是截面的莫兰检验，还是面板莫兰检验，不同城市间的制造业集聚都具有显著的正向空间自相关性，即制造业集聚程度高的城市与制造业集聚程度高的城市相邻，制造业集聚程度低的城市与制造业集聚程度低的城市相邻。因此，本文纳入空间相关性考虑制造业集聚的影响因素是合理的。

表2 莫兰检验

Tab.2 Moran's test

年份	I	E（I）	sd（I）	z
2007	0.418^***	-0.004	0.042	9.953
2008	0.410^***	-0.004	0.042	9.767
2009	0.422^***	-0.004	0.042	10.051
2010	0.384^***	-0.004	0.042	9.156
2011	0.338^***	-0.004	0.042	8.060
2012	0.365^***	-0.004	0.042	8.708
2013	0.372^***	-0.004	0.042	8.885
2014	0.194^***	-0.004	0.042	4.812
2015	0.365^***	-0.004	0.042	8.710
2016	0.392^***	-0.004	0.042	9.335
2017	0.396^***	-0.004	0.042	9.714
2007—2017	0.405^***	-0.000	0.013	31.514

注：*、**、***分别表示在10%、5%、1%的水平下显著。

2 理论基础与研究假设

本文基于传统经济理论和前期学者的研究，从规模经济、运输成本、房价及关联产业四个角度出发对制造业集聚的影响因素及其非线性特征和空间效应进行研究。

首先，以Marshall为代表的古典经济学家认为产业之所以在空间上集聚得益于外部经济，外部经济是规模报酬递增的典型来源，它可以通过大规模生产降低企业的生产成本、信息传播成本以及劳动力搜寻成本，从而促进产业集聚。Marshall的外部经济理论主要包括三个方面的内容：熟练的劳动力市场、中间投入品以及基于人力资本的知识溢出^[2]。类似的，新经济地理学也认为报酬递增是导致产业集聚的本质力量。根据新经济地理学理论，引起规模报酬递增的来源有两个：一是消费者的多样性需求；二是中间投入品的多样性需求。较大的工业规模有利于形成共享的劳动力市场和更为完备的上下游关系，从而为制造业企业提供更丰富的劳动力资源和中间投入，促进制造业企业间的知识溢出和信息交流，降低企业的生产成本，实现规模报酬递增。但是，工业规模过大也会导致厂商与企业的过度集中，引发过度竞争、公共服务供给不足以及生态环境破坏等问题，最终出现拥挤效应。因此，工业规模与制造业集聚之间可能不是简单的线性关系，而是可能存在非线性关系，即工业规模在不同的发展阶段对制造业集聚的影响是不同的，本文认为工业规模对制造业集聚的影响应呈“倒U型”曲线。

其次，新经济地理学的一个核心思想就是“冰山”运输成本。当地区之间的运输成本很高时，企业倾向于在各地分散布局，此时产业的集聚程度很低。随着交通基础设施的逐步发展，地区之间的运输成本逐渐下降，在某一临界点上，聚集力将超过分散力，使得产业在某一区域发生突发性聚集。此后，在累积循环因果关系的作用下，本地市场效应和价格指数效应将被放大，企业会开始集中布局。随着运输成本的进一步下降，更多的企业和上下游关联企业趋向集中，产业集聚现象也愈加凸显。交通基础设施是影响运输成本的重要因素。随着近年来我国高铁的快速发展，高铁在交通基础设施发展中的重要性逐渐增加。而高铁和公路交通基础设施的特征及服务对象的差异可能使其对制造业集聚的影响存在差异。现有研究认为，公路交通基础设施对制造业的正向影响更为突出^[25]，而高铁服务供给的增加对制造业空间集聚起到显著的抑制作用，促进了制造业的空间分散^[21]。为了准确地反映制造业企业的运输成本，本文采用公路交通基础设施的发展水平度量地区的运输成本，认为公路交通基础设施的发展可以降低制造业企业的运输成本，促进制造业的空间集聚。

另外，由于Krugman建立的新经济地理学基本模型忽视了不可贸易商品的价格也会随着地区集聚程度的增加，Helpman在新经济地理模型的基础上引入了住房市场，认为土地稀缺性是经济活动中重要的分散力量^[26]。此后学者使用该模型以德国和中国为例进行了研究，发现房价确实是经济活动中的重要分散力量^[27-28]。尽管多数学者认为房价提高了制造业的成本，不利于制造业的集聚^[29]，本文认为房价与制造业集聚的关系并非严格线性，二者可能存在非线性关系。房价主要通过影响劳动力流动对制造业集聚产生影响。除了居住成本与生存压力外，城市房价还会影响劳动力的发展前景、工作机会及城市的发展活力和公共服务质量^[30-31]。此外，不同群体的价值判断差异会导致房价变动对其流动影响的差异，低收入和低技术劳动力更为看重房价上涨带来的生活成本和生存压力变动，而高收入和高技术劳动力则更为看重房价上涨带来的个人发展前景、就业机会、城市发展活力和公共服务质量变动^[31]。因此，当房价较低时，房价的适度提升会增加低收入和低技术水平劳动力的生活成本和生活压力，从而促使他们流出，相反，会提升高收入和高技术水平劳动力看重的个人发展机会以及城市发展活力和公共服务质量，从而促使他们流入，这有利于降低企业对劳动力，特别是高技术劳动力的搜寻成本，扩大产品的市场需求，有利于制造业，特别是资本技术密集型制造业的集聚。反之，当房价已经较高时，房价的进一步上涨会直接导致当地大量的劳动力流失，而选择留下的劳动力则很容易陷入“房奴”困境；而且房价的过快上涨会导致大量生产要素流向房地产市场，生产要素价格的上升提升了制造业各行业的生产经营成本，不利于制造业在当地的集聚。因此，本文认为，房价对制造业集聚的影响应呈现“倒U型”曲线。

最后，生产性服务业是与制造业直接相关的配套服务业，由于生产性服务业产出的服务主要由制造业企业使用，加之生产性服务业产出的时空同一性，生产性服务业企业具有在制造业企业周围布局的倾向和偏好。成本和需求联系使制造业和生产性服务业形成客户—供应商关系，这种关系使两者协同定位，在空间布局上相互依存^[32-33]。作为制造业中间投入的重要来源，生产性服务业可以通过与制造业协同定位为制造业企业提供高端要素和配套服务，降低制造业的生产成本，促进制造业升级，从而提高制造业的集聚剩余，促进制造业企业的集聚。但是，生产性服务业与制造业仍然存在行业边界，生产性服务业与制造业分属于不同的行业或部门，生产性服务业作为服务业的子行业，其规模的扩大可能会挤占第二产业发展所需的资源要素，提高生产成本，降低集聚剩余，从而阻碍制造业在本地的集聚。考虑到当前我国生产性服务业的发展相对滞后，不仅表现在占比相对不足，而且发展质量仍然不高，对制造业发展尚未起到引领作用^[34]，本文认为，从全国来看，我国生产性服务业的发展水平对制造业集聚的阻碍作用可能超过促进作用。

3 研究设计

3.1 模型设定

通过对相关文献的研读并结合本文的研究目的，本文首先构建如下固定效应模型（已通过Hausman检验。）来研究制造业集聚的影响因素，模型设定如式（3）所示。

（3）

M_a g g i, t = α + β 1 I n d i, t + β 2 I n d i, t 2 + β 3 T r a n s i, t + β 4 h o u_p r i i, t + β 5 h o u_p r i i, t 2 + β 6 P s i, t + γ X i, t + y r t + ν i + ε i, t

式中：被解释变量

M_a g g i, t

代表第i个城市在第t年的制造业集聚水平；

I n d i, t

代表第i个城市在第t年的工业规模；

T r a n s i, t

代表第i个城市在第t年的公路交通基础设施发展水平；

h o u_p r i i, t

代表第i个城市在第t年的房价；

P s i, t

代表第i个城市在第t年的生产性服务业发展水平；

X i, t

为一系列控制变量的集合，包括地区的金融发展水平、信息化水平、对外开放程度、工资水平、教育水平以及政府干预程度；

y r t

代表时间固定效应；

ν i

代表城市固定效应；

ε i, t

为扰动项。标准差聚类在城市层面。

考虑到各城市制造业集聚之间存在空间相关性，非空间面板模型可能存在偏误。本文进一步采用空间面板模型对制造业集聚的影响因素进行研究，模型设定如式（4）所示。

（4）

M_a g g i, t = ρ W M_a g g i, t + β j F a c t o r i, t, j + θ j W F a c t o r i, t, j + γ X i, t + δ i + δ t + u i, t u i, t = λ W u i, t + ϕ i, t

式中：

ρ W M_a g g i, t

为被解释变量制造业集聚程度的空间滞后项；

F a c t o r c, t, j

为第i个城市在第t年的制造业集聚程度的第j个影响因素，包括工业规模、公路交通基础设施发展水平、房价以及生产性服务业发展水平；

θ j W F a c t o r c, t, j

为第j个影响因素的空间滞后项，其他变量含义与上文相同^②（②当

λ = 0

时，模型是空间面板杜宾模型（SDM模型），当

θ = λ = 0

时，模型是空间面板滞后模型（SAR模型），当

θ = ρ = 0

时，模型是空间面板误差模型（SEM模型）。在空间面板模型的选择时，我们首先对非空间模型进行LM检验，在空间滞后模型和空间误差模型之间进行选择；然后对零假设

θ = λ = 0

和

θ = ρ = 0

进行Wald检验和LR检验，检验空间杜宾模型是否可以简化为空间滞后模型和空间误差模型。）。

由于空间计量模型从全域计算空间相关性，因而可能存在内生性问题（空间滞后项引起的），因此，传统OLS估计无效，故本文采用面板极大似然法对空间模型进行估计。本文的空间权重矩阵为

R O O K' s

原则的地理邻接矩阵^③（③根据前文的制造业集聚空间布局分析结果，我国城市间的制造业集聚空间相关性主要发生在地理毗邻的城市之间，并未出现明显的随地理范围扩大而减弱的现象；加之经济距离空间矩阵通常随时间而变动，会产生不确定性溢出效应，并且经济差异的大小与空间溢出效应的强弱未必有直接关系^[35]，故而并未利用地理距离和经济空间距离构造空间权重矩阵。），并在计算过程中对其进行标准化处理。

3.2 变量选取和数据来源

本文的被解释变量为制造业集聚程度，用产值区位熵度量；解释变量分别为制造业从业人数代表的工业规模、公路里程数代表的运输成本、商品房销售价格代表的房价以及生产性服务业发展水平代表的关联产业发展。每个影响因素对应的解释变量的含义、构建方式及描述性统计见表3。

表3 主要变量的定义和描述性统计

Tab.3 Definition and descriptive statistics of main variables

变量	符号	定义	平均值	标准差	最小值	最大值
制造业集聚水平	M_agg	制造业产值区位熵	0.9940	0.6278	0.0533	10.9392
工业基础	Ind	制造业从业人数的对数形式	11.1922	1.2369	6.3986	14.7664
公路交通基础设施	Trans	公路里程数的对数形式	9.1920	0.7121	5.8915	11.9042
房屋价格	Hou_pri	商品房销售价格的对数形式	0.3556	0.1819	0.0047	1.7568
生产性服务业发展水平	Ps	生产性服务业从业人数的对数形式	10.5431	0.9821	7.4390	15.0657
金融发展水平	Credit	年末金融机构贷款余额的对数形式	15.9846	1.2378	12.7682	20.2673
信息化水平	Internet	国际互联网用户数的对数形式	12.8737	1.0789	5.4703	17.7617
对外开放程度	Fdi	实际利用外资额的对数形式	11.3041	3.0222	0.0000	16.8347
工资水平	Wage	平均工资水平的对数形式	10.5422	0.4137	8.5090	12.6780
教育水平	Stu	普通高等学校学生数的对数形式	10.3781	1.4426	4.7958	13.8807
政府干预程度	Fis	政府财政支出的对数形式	14.3401	0.9214	11.2715	18.1393

依据前期学者的研究，本文将可能影响制造业集聚但又不在本文研究范围内的城市特征作为控制变量，具体包括：以年末金融机构贷款余额代表的金融发展水平、以国际互联网用户数代表的信息化水平、以实际利用外资额代表的对外开放程度、以平均工资代表的工资水平、以普通高等学校学生数代表的教育水平以及以政府财政支出代表的政府干预程度。为消除离群值影响，所有变量进行对数化处理。

本文的研究样本为全国267个地级市，样本期为2007—2017年；房地产价格数据来源于CEIC中国经济数据库；其他城市数据来源于《中国城市统计年鉴》。

4 实证结果分析

4.1 非空间模型检验结果

在进行空间面板模型估计前，本文首先对不考虑制造业集聚空间相关性的固定效应模型进行估计，结果见表4。为了消除变量间的多重共线性，本文采用逐步回归法对制造业集聚的影响因素进行分析，在控制变量的基础上逐步引入影响因素变量，可以看到，在逐步引入变量的过程中，变量的符号以及统计上的显著性均没有发生明显变化，唯一发生变动的是参数估计值的大小，而且变动幅度都不大。这充分表明在不考虑空间效应的条件下，上述因素对我国制造业集聚的影响是切实存在的，工业规模对制造业集聚的影响呈“倒U型”曲线，工业规模的扩大不是无限度的，其存在一个最优规模，超过最优规模，规模报酬就会进入递减阶段，对制造业集聚产生不利影响；公路交通基础设施对制造业集聚的影响显著为正，公路里程数的增加可以显著降低制造业企业的运输成本，从而促进制造业企业的集聚；房价对制造业集聚的影响呈“倒U型”曲线，房价的适度上升在提升劳动力生活成本的同时，也会为其带来更高的城市发展活力和公共服务质量，并通过对不同类型劳动力的异质性影响促进制造业，尤其是高端制造业的集聚；生产性服务业发展对制造业集聚的影响显著为负，当前我国生产性服务业的发展水平仍然不高，尚未成为制造业企业空间布局的重要因素。另外，为了克服模型内生性问题，本文又进一步采用以滞后一期解释变量为工具变量的两阶段最小二乘法以及动态面板GMM法对模型进行稳健性检验，检验结果见表4第（7）列和第（8）列。可以看到，无论是两阶段最小二乘法还是动态GMM法，核心解释变量的符号以及显著性均没有明显变化，且工具变量通过识别不足、弱工具变量以及过度识别检验（LM值为859.03，Wald F值为441.76，Sargen P值为0.0000。），这表明初始模型具有稳健性。

表4 制造业集聚影响因素的非空间模型检验结果

Tab.4 Non-spatial model test results

	（1）模型1	（2）模型2	（3）模型3	（4）模型4	（5）模型5	（6）模型6	（7） 2SLS	（8） GMM
L.M_agg								0.7021^*** （164.12）
Ind	0.1896^*** （3.27）	0.5442^*** （6.09）	0.5376^*** （6.09）	0.5377^*** （6.10）	0.5241^*** （6.08）	0.5466^*** （6.53）	0.8378^*** （11.04）	0.1877^*** （34.03）
Ind2		-0.1531^*** （-4.44）	-0.1468^*** （-4.37）	-0.1468^*** （-4.38）	-0.1419^*** （-4.36）	-0.1384^*** （-4.28）	-0.2097^*** （-7.17）	-0.0312^*** （-18.18）
Trans			0.0355^*** （2.62）	0.0355^*** （2.62）	0.0313^** （2.32）	0.0267^** （2.04）	0.0324^** （2.33）	0.0273^*** （33.94）
Hou_pri				-0.0007 （-0.04）	0.2608^** （2.41）	0.2598^** （2.40）	0.1674^* （1.68）	0.1532^*** （19.70）
Hou_pri2					-0.1250^** （-2.45）	-0.1236^** （-2.44）	-0.0913^** （-2.00）	-0.0783^*** （-24.57）
Ps						-0.1384^*** （-2.95）	-0.2295^*** （-3.39）	-0.1642^*** （-43.89）
控制变量	控制	控制	控制	控制	控制	控制	控制	控制
时间固定	控制	控制	控制	控制	控制	控制	控制	控制
空间固定	控制	控制	控制	控制	控制	控制	控制	控制
R²	0.335	0.350	0.353	0.353	0.355	0.358	0.332	-
N	2 937	2 937	2 937	2 937	2 937	2 937	2 670	2 670

注：括号内为t检验值；*、**、***分别表示在10%、5%、1%的水平下显著。下同。

4.2 空间相关性检验及模型选择

在估计空间模型前，我们采用LM_Lag、RLM_Lag（空间滞后稳健性检验）及LM_Error和RLM_Error（空间误差稳健性检验）相结合的方式来选择空间模型的具体形式。空间面板模型的LM检验结果见表5。检验结果显示，基于无空间效应的线性模型拒绝了除RLM_error外所有原假设，因此可以同时接受SAR模型和SEM模型，但是Wald检验和LR检验显著拒绝了空间杜宾模型可以退化为空间滞后模型和空间误差模型的假设，故本文优先采用空间杜宾模型进行估计。

表5 非空间面板模型选择检验

Tab.5 Selection test of non-spatial panel model

模型	LM	Robust LM	LR	Wald
Lag	490.96^***	52.33^***	33.82^***	33.05^***
Error	507.52^***	68.89^***	54.28^***	54.56^***

4.3 空间模型估计结果

本文采用极大似然估计法对空间杜宾模型进行估计，由于Hausman检验表明固定效应模型更适合真实数据的生成过程，故本文采用时间和空间双固定的空间杜宾模型进行估计。与上文类似，本文采用逐步回归法进行分析，结果见表6。可以看到，从模型1到模型6，主要变量的符号和统计显著性均没有发生明显变化，只是参数估计值的大小存在细微的差异，这充分表明在考虑空间效应的条件下，上述因素对我国制造业集聚同样存在显著的影响。与非空间面板模型估计结果相比，空间面板模型弱化了解释变量对制造业集聚的影响，将解释变量对制造业集聚的影响部分归入到相邻城市溢出效应引起的空间滞后变量中，证明了相邻地区在制造业集聚的许多方面存在溢出效应。为了保证模型的稳健，我们还列出了空间滞后模型（SAR）和空间误差模型（SEM）的估计结果，与空间杜宾模型无显著差异，但其对数似然值小于空间杜宾模型。

表6 制造业集聚影响因素的空间模型检验结果

Tab.6 Test results of spatial model

	（1）模型1	（2）模型2	（3）模型3	（4）模型4	（5）模型5	（6）模型6	（7） SAR	（8） SEM
Ind	0.1703^***	0.4592^***	0.4544^***	0.4559^***	0.4459^***	0.4663^***	0.4912^***	0.5029^***
	（8.31）	（9.66）	（9.56）	（9.59）	（9.36）	（9.74）	（10.54）	（10.51）
Ind2		-0.1244^***	-0.1192^***	-0.1193^***	-0.1160^***	-0.1130^***	-0.1213^***	-0.1242^***
		（-6.84）	（-6.53）	（-6.54）	（-6.35）	（-6.18）	（-6.73）	（-6.75）
Trans			0.0312^***	0.0317^***	0.0291^**	0.1773^**	0.2238^***	0.2464^***
			（2.63）	（2.67）	（2.44）	（2.00）	（2.62）	（2.81）
Hou_pri				-0.0442	0.1751^**	-0.1113^***	-0.1088^***	-0.1220^***
				（-1.39）	（1.98）	（-2.64）	（-2.76）	（-3.00）
Hou_pri2					-0.1124^***	-0.1228^***	-0.1297^***	-0.1282^***
					（-2.66）	（-3.54）	（-3.79）	（-3.68）
Ps						0.0251^**	0.0228^**	0.0249^**
						（2.10）	（2.00）	（2.12）
控制变量	控制	控制	控制	控制	控制	控制	控制	控制
时间固定	控制	控制	控制	控制	控制	控制	控制	控制
空间固定	控制	控制	控制	控制	控制	控制	控制	控制
LL	1 948.30	1 974.80	1 978.64	1 980.01	1 983.52	1 990.53	1 973.62	1 963.39
R²	0.0870	0.1120	0.1180	0.1150	0.1560	0.1500	0.1220	0.0930
N	2 937	2 937	2 937	2 937	2 937	2 937	2 937	2 937

由于空间杜宾模型中包含空间滞后项，自变量对因变量的影响不能简单地用前文的回归系数来表征。本文借鉴前期学者的方法^[36]，将自变量对因变量的影响分为直接效应和间接效应，并对不同模型下的效应进行对比，效应分解结果见表7。结果显示，在时空双固定模型下，所有影响因素变量对制造业集聚的直接效应均显著，且符号未发生变化，与上文结论一致；而在间接效应中，仅有工业规模的一次项和二次项显著为正，其他变量均不再显著。这表明在本文所研究的影响因素中，仅规模经济具有显著的空间溢出效应，而运输成本、房价和生产性服务业对制造业集聚的影响更多地表现为城市内部影响，城市间的空间溢出不显著。一个地区工业规模的扩大不仅可以通过形成共享的劳动力市场和更为完备的上下游关系促进本地制造业的集聚，还可以通过资源要素的空间溢出为邻近地区的制造业发展提供丰富的劳动力供给和中间产品投入，降低企业的生产和交易成本，从而促进邻近地区制造业的集聚；但是，随着工业规模的持续扩大，当工业规模超过最佳规模时，规模经济会逐渐进入报酬递减阶段，导致厂商与企业过度集中，引发城市内及邻近城市间的过度竞争、公共服务供给不足以及生态环境破坏等问题，最终出现拥挤效应，阻碍本地及邻近地区制造业的集聚。此外，与双固定模型相比，单一固定和随机效应模型的结果有较大差异，表明本文控制时间和空间效应具有合理性。

表7 制造业集聚影响因素的空间溢出效应分解

Tab.7 The decomposition of the spatial spillover effect

	随机效应模型		空间固定效应模型		时间固定效应模型		双固定效应模型
	（1）直接效应	（2）间接效应	（3）直接效应	（4）间接效应	（5）直接效应	（6）间接效应	（7）直接效应	（8）间接效应
Ind	0.4080^***	0.1078	0.4259^***	0.1151	0.4477^***	0.3067^***	0.4745^***	0.2702^***
	（10.03）	（1.10）	（8.55）	（0.82）	（11.39）	（4.05）	（10.16）	（2.75）
Ind2	-0.0910^***	-0.0419	-0.0944^***	-0.0016	-0.1088^***	-0.1204^***	-0.1155^***	-0.0842^**
	（-5.44）	（-0.99）	（-4.78）	（-0.03）	（-6.85）	（-3.78）	（-6.28）	（-2.19）
Trans	0.0067	-0.0075	0.0185	-0.0042	0.0105	0.0044	0.0252^**	0.0050
	（0.56）	（-0.25）	（1.48）	（-0.13）	（0.91）	（0.20）	（2.15）	（0.22）
Hou_pri	-0.0548	-0.3107^*	0.0588	-0.4833^**	0.0517	0.1240	0.1810^**	0.0295
	（-0.69）	（-1.81）	（0.71）	（-2.57）	（0.65）	（0.81）	（2.20）	（0.17）
Hou_pri2	-0.0140	0.1878^**	-0.0501	0.2618^***	-0.0657^*	-0.0095	-0.1119^***	0.0300
	（-0.36）	（2.21）	（-1.23）	（2.94）	（-1.69）	（-0.13）	（-2.78）	（0.37）
Ps	-0.2326^***	-0.3474^***	-0.1621^***	-0.3446^***	-0.1912^***	-0.1010	-0.1240^***	-0.0766
	（-7.71）	（-4.42）	（-4.26）	（-3.25）	（-6.58）	（-1.58）	（-3.53）	（-1.03）
控制变量	控制	控制	控制	控制	控制	控制	控制	控制
时间固定	无	无	无	无	控制	控制	控制	控制
空间固定	无	无	控制	控制	无	无	控制	控制
LL	1 350.02	1 350.02	1 820.29	1 820.29	1 515.03	1 515.03	1 990.53	19 90.53
R²	0.3350	0.3350	0.1330	0.1330	0.4150	0.4150	0.1500	0.1500
N	2 937	2 937	2 937	2 937	2 937	2 937	2 937	2 937

另外，考虑到制造业集聚的水平可能存在空间路径依赖现象，本文在空间静态面板杜宾模型的基础上加入空间滞后项，构建空间动态面板杜宾模型，以证明上述结论的稳健性。估计结果见表8。可以看到，制造业集聚存在显著的路径依赖，从直接效应来看，工业规模和房价对制造业集聚的影响呈“倒U型”曲线，公路交通基础设施对制造业集聚的影响显著为正，生产性服务业发展对制造业集聚的影响显著为负，且长期直接效应大于短期直接效应；从间接效应来看，仅工业规模的长期间接效应显著，且表现为“倒U型”曲线，这种效应从短期来看则不显著。这表明工业规模、房价、公路交通基础设施和生产性服务业发展不仅会在短期内影响制造业的集聚程度，从长期来看这种影响会持续存在，且受时间累积效应的影响，长期影响要大于短期影响。因此，各地在促进制造业集聚发展时采用短期刺激的方法可能并不会收到最佳的效果，只有长期的经济调控和设施完善才会更好地促进制造业集聚，同时也会通过规模经济效应促进邻近地区制造业的集聚发展。

表8 制造业集聚影响因素的动态空间面板模型检验结果

Tab.8 Test results of dynamic space panel model

	（1） SDM 短期直接效应	（2） SDM 短期间接效应	（3） SDM 短期总效应	（4） SDM 长期直接效应	（5） SDM 长期间接效应	（6） SDM 长期总效应
Ind	0.4332^***（8.35）	0.1039（1.03）	0.5371^***（4.82）	0.4537^***（8.46）	0.3317^**（2.33）	0.7855^***（4.79）
Ind2	-0.1015^***（-5.13）	-0.0387（-0.98）	-0.1402^***（-3.11）	-0.1073^***（-5.19）	-0.0978^*（-1.73）	-0.2051^***（-3.10）
Trans	0.0337^**（2.54）	-0.0048（-0.20）	0.0289（1.13）	0.0344^**（2.55）	0.0078（0.23）	0.0422（1.12）
Hou_pri	0.1148^*（1.72）	0.0181（0.10）	0.1329（0.65）	0.1196^**（2.21）	0.0744（0.29）	0.1940（0.65）
Hou_pri2	-0.0899^**（-2.11）	0.0362（0.42）	-0.0537（-0.57）	-0.0901^**（-2.05）	0.0122（0.10）	-0.0779（-0.57）
Ps	-0.1024^***（-2.68）	-0.0259（-0.32）	-0.1283（-1.41）	-0.1074^***（-2.69）	-0.0803（-0.69）	-0.1877（-1.41）
控制变量	控制	控制	控制	控制	控制	控制
时间固定	控制	控制	控制	控制	控制	控制
空间固定	控制	控制	控制	控制	控制	控制
LL	1 469.80	1 469.80	1 469.80	1 469.80	1 469.80	1 469.80
R²	0.1570	0.1570	0.1570	0.1570	0.1570	0.1570
N	2 670	2 670	2 670	2 670	2 670	2 670

5 结论与政策建议

本文基于2007—2017年的城市数据考察了我国制造业集聚空间分布的演变特征和空间相关性背景下的影响因素。研究发现，样本期内我国东部地区制造业集聚的优势逐渐减少，中部地区制造业的集聚程度不断上升，逐渐形成以河南省和江西省为核心的制造业集聚优势城市群，并且我国城市间的制造业集聚程度存在显著的正向空间相关性；工业规模和房价对制造业集聚的影响呈“倒U型”曲线，公路交通基础设施对制造业集聚的影响显著为正，生产性服务业发展对制造业集聚的影响显著为负，工业规模还对邻近城市的制造业集聚存在“倒U型”的空间溢出效应；从长期效应和短期效应的分解来看，直接效应和间接效应都具有显著的时间累积特征，工业规模、房价、公路交通基础设施和生产性服务业发展对制造业集聚的长期直接效应大于短期直接效应，工业规模对制造业集聚的长期间接效应呈“倒U型”曲线，短期间接效应则不显著。本文蕴含的政策启示可能包括以下方面：

第一，政府应发挥规模经济对制造业集聚的促进作用，积极应对规模报酬递减阶段及负向溢出效应。研究发现，规模经济对制造业集聚的影响呈“倒U型”曲线。因此，在规模报酬递增阶段，各地应加大制造业发展的政策支持，积极引进制造业企业，促进制造业在本地集聚，而在规模报酬递减阶段则更应注重制造业的高质量发展。此外，还应严防邻近地区制造业规模报酬递减阶段的负向空间溢出效应，加大对本地区资源要素的保护力度。第二，政府应继续促进公路交通基础设施的发展，促进区域制造业集聚。研究发现，公路交通基础设施对制造业集聚的影响显著为正，且长期效应要大于短期效应，但其间接效应还不显著。因此，我国应继续加大公路交通基础设施，特别是跨区域公路交通基础设施的建设和完善，降低制造业企业的运输成本，促进制造业在更大范围内的集群发展。第三，政府应积极调控房地产市场，弱化房价快速上升对制造业集聚的不利影响。近年来，随着我国城市化进程的加快，房地产业发展速度较快，房地产价格居高不下。本研究发现，房价的适度上涨有利于制造业的空间集聚，而过快上涨则不利于制造业的集聚。因此，政府要正确处理好实体经济与房地产业之间的关系，积极调控房地产市场，抑制房价过快上涨，降低制造业的集聚成本。第四，政府应加快生产性服务业发展，发挥其对制造业集聚的引领作用。研究发现，目前我国生产性服务业发展对本地制造业集聚更多地表现为负向效应，而对邻近地区制造业的集聚无显著影响。因此，政府应进一步加大对生产性服务业发展的支持力度，尽快形成生产性服务业集聚圈，提高生产性服务业发展水平，切实通过提高制造业企业中间产品和服务的质量促进其成本节约和集聚发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	陆大道. 区域发展及其空间结构[M]. 北京: 科学出版社,1995.

[2]	Marshall A. Principles of Economics[M]. New York: MacMillan,1920.

[3]	Ohlin B. Interregional and International Trade[M]. Cambridge: Harvard University Press,1935.

[4]	Krugman P R. Geography and Trade[M]. Cambridge: MIT Press,1991.

[5]	罗胤晨, 谷人旭. 1980—2011年中国制造业空间集聚格局及其演变趋势[J]. 经济地理, 2014, 34(7):82-89.

[6]	关爱萍, 张宇. 中国制造业产业集聚度的演进态势:1993-2012——基于修正的E-G指数[J]. 产经评论, 2015, 6(4):15-27.

[7]	罗勇, 曹丽莉. 中国制造业集聚程度变动趋势实证研究[J]. 经济研究, 2005(8):106-115,127.

[8]	吴三忙, 李善同. 中国制造业空间分布分析[J]. 中国软科学, 2010(6):123-131,150.

[9]	唐晓华, 陈阳, 张欣钰. 中国制造业集聚程度演变趋势及时空特征研究[J]. 经济问题探索, 2017(5):172-181.

[10]	尹希果, 刘培森. 中国制造业集聚影响因素研究——兼论城镇规模、交通运输与制造业集聚的非线性关系[J]. 经济地理, 2013, 33(12):97-103.

[11]	文东伟, 冼国明. 中国制造业的空间集聚与出口:基于企业层面的研究[J]. 管理世界, 2014(10):57-74.

[12]	吴安波, 孙林岩, 李刚, 等. 中国制造业聚集度决定因素的理论构建与实证研究[J]. 经济问题探索, 2012(2):6-13.

[13]	胡霞. 产业特性与中国城市服务业集聚程度实证分析[J]. 财贸研究, 2009, 20(2):58-64.

[14]	殷德生, 唐海燕. 中国制造业集聚的决定因素与变动趋势——基于三大经济圈的实证分析[J]. 世界经济研究, 2007(12):3-9,86.

[15]	贺灿飞, 朱彦刚, 朱晟君. 产业特性、区域特征与中国制造业省区集聚[J]. 地理学报, 2010, 65(10):1218-1228. DOI

[16]	韩峰, 柯善咨. 追踪我国制造业集聚的空间来源:基于马歇尔外部性与新经济地理的综合视角[J]. 管理世界, 2012(10):55-70.

[17]	尹希果, 刘培森. 城市化、交通基础设施对制造业集聚的空间效应[J]. 城市问题, 2014(11):13-20.

[18]	王佳, 陈浩. 城市规模、生产性服务业发展与制造业集聚——基于中国地级市面板数据的实证研究[J]. 中央财经大学学报, 2016(11):84-94.

[19]	覃成林, 种照辉, 任建辉. 制造业集聚的异质性及影响因素——基于就业洛伦兹曲线及其分解的分析[J]. 产经评论, 2016, 7(2):5-16.

[20]	李雪松, 孙博文. 高铁开通促进了地区制造业集聚吗?——基于京广高铁的准自然试验研究[J]. 中国软科学, 2017(7):81-90.

[21]	朱文涛. 高铁服务供给对省域制造业空间集聚的影响研究[J]. 产业经济研究, 2019(3):27-39.

[22]	关伟, 满谦宁, 许淑婷. 辽宁省制造业及其关联行业集聚格局与效应分析[J]. 地理研究, 2019(8):1979-1992. DOI

[23]	许妮娅, 陈潜. 中国制造业企业的空间集聚测度与动态演进研究[J]. 统计与决策, 2019, 35(7):122-126.

[24]	余菜花. 环境规制对中国制造业产业布局影响的研究[M]. 北京: 科学出版社, 2016.

[25]	Lin Y. Travel costs and urban specialization patterns:evidence from China’s high speed railway system[J]. Journal of Urban Economics, 2017, 98(3):98-123.

[26]	Helpman E. The Size of Regions[C]// Topics in Public Economics:Theoretical and Applied Analysis. Cambridge: Cambridge University Press,1998.

[27]	Brakman S, Garretsen H, Schramm M. The spatial distribution of wages:Estimating the Helpman-Hanson Model for Germany[J]. Journal of Regional Science, 2004, 44(3):437-466.

[28]	范剑勇, 邵挺. 房价水平、差异化产品区位分布与城市体系[J]. 经济研究, 2011, 46(2):87-99.

[29]	邵挺, 范剑勇. 房价水平与制造业的区位分布——基于长三角的实证研究[J]. 中国工业经济, 2010(10):24-32.

[30]	张莉, 何晶, 马润泓. 房价如何影响劳动力流动?[J]. 经济研究, 2017, 52(8):155-170.

[31]	胡建国. 城市房价与劳动力流动(1998—2017)[J]. 江苏社会科学, 2020(3):77-87.

[32]	Puga D, Venables A J. The spread of industry:Spatial agglomeration in economic development[J]. Journal of the Japanese and International Economies, 1996, 10(4):440-464.

[33]	Coe N M, Townsend A R. Debunking the myth of localized agglomerations:The development of a regionalized service economy in south-east England[J]. Transactions of the Institute of British Geographers, 1998, 23(3):385-404.

[34]	宣烨. 以高质量生产性服务业引领制造业发展[N]. 中国社会科学报,2018-10-24(4).

[35]	张可云, 杨孟禹. 国外空间计量经济学研究回顾、进展与述评[J]. 产经评论, 2016, 7(1):5-21.

[36]	Lesage J P, Pace R K. Introduction to Spatial Econometrics[M]. Boca Raton: CRC Press, 2009.

Options

Outlines

模态框（Modal）标题