EN中文

Economic geography >

2019 , Vol. 39 >Issue 4: 128 - 135

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.04.016

Influencing Factors of Spatial Structure Evolution of Producer Services in Beijing

  • CHEN Hongxia
Expand
  • School of Government，Central University of Finance and Economics，Beijing 100081，China

Received date: 2018-09-18

  Revised date: 2019-03-28

  Online published: 2025-04-23

Fold

Abstract

Based on the data of the second and third economic census in Beijing, and taking the postal area as the basic spatial unit, this paper empirically analyzes the evolution of the spatial pattern of the producer service industry in Beijing from the micro perspective. The spatial econometric model is applied to analyze the influencing factors of this process. According to the study, the distribution of the producer service industry in Beijing has a distinctive agglomeration feature, and the agglomeration degree increases first and then decreases with the increasing of distance from the postal area center to the city center. From the perspective of the agglomeration level, the degree of aggregation in the second and third economic census periods shows a trend of central concentration, and the overall trend of development is weakened. The distance which is from the center of the postal area to the nearest subway station, the airport, and the central axis, etc. has an important negative impact on producer service industry agglomeration. The role of road network density and distance from manufacturing centers is weak. Both the new policy zones and the planning of development zone have an important positive impact on the agglomeration of producer services. The two agglomeration levels of producer services in the second and third economic census have a greater impact on the agglomeration of the current period. The above factors codetermine the "circle + polarization" spatial layout characteristic of Beijing's producer service industry. On the basis of empirical analysis, the paper proposes to scientifically guide the agglomeration level, agglomeration location and agglomeration process of producer services according to the influencing factors.

Key words： new policy zones; manufacturing center; road network density; high-end industry; producer services; economic census; spatial agglomeration; Beijing City

Cite this article

CHEN Hongxia . Influencing Factors of Spatial Structure Evolution of Producer Services in Beijing[J]. Economic geography, 2019 , 39(4) : 128 -135 . DOI: 10.15957/j.cnki.jjdl.2019.04.016

生产性服务业是城市经济发展到高级阶段的主导产业类型，是城市发达程度的重要标志。由于工业化和城镇化的推动，西方发达国家的区域中心城市产业升级步伐较快，多数城市在20世纪中期已经实现了以服务业为主导。北京市是我国重点发展的五大全球职能城市之一 ① ，近年来，生产性服务业发展迅速，2013年北京市成为全国首个生产性服务业规模破万亿元的城市，目前该产业规模占首都经济总规模的50%以上，北京市生产性服务业的发展及其空间结构的演进具有代表性，是探寻和认知世界城市发展规律的突破口。
对生产性服务业空间分布的研究主要集中于两个方面，一是通过指标模型的应用测度生产性服务业的集聚程度和集聚特点，二是分析生产性服务业集聚的影响因素。一般认为，生产性服务业企业的区位选择具有地理集中性[1]，其规模报酬递增的特性与集聚经济密切相关[2]。近年来，随着服务业在国民经济所占比重逐渐增加，服务业的地理空间集聚逐渐引起我国学者的关注。张文忠分析了大都市区生产性服务业区位选择的特殊性[3]，相关实证研究也证实了生产性服务业的区位选择特点，主要文献包括赵群毅等对北京、阎小培等对广州的研究等[4-5]。实证研究应用的主要模型包括地区专业化指数、区位熵、空间自相关、平均集中率、空间基尼系数、赫芬达尔指数、EG指数等。
生产性服务业研究已成为我国经济地理学的新方向[6]，对城市生产性服务业空间集聚影响因素的研究大体可以分为两类，一类是将政策因素作为外生变量，分析在既定政策框架下，生产性服务业企业（或从业人员）区位选择的影响因素；另一类是将政策引致的因素模型化处理，将其作为内生变量纳入模型中，考虑不同政策实施下的区位选择影响因素。前一类文献研究涉及的主要影响因素包括人均GDP、第三产业增加值、城市化率、经济发展水平、人才聚集度[7]，劳动力池、资源禀赋、知识溢出[8]，以及工业发展水平、基础设施水平、经济发展水平、科技水平、对外开放程度等[9]。后一类研究文献主要将政策因素内化为政府作用[9]，有研究认为政府在影响生产性服务业发展过程中，初期作用力较强，之后会逐渐减弱[10]。
通过文献梳理可知，一方面，生产性服务业集聚的测度是产业空间分布特征分析的切入点，基于此，数据的精细化程度以及相应模型的选择是结论科学与否的关键。另一方面，对于影响因素的分析，已有文献多以城市为研究的空间单元，判断城市整体经济发展、资源要素情况等对该产业集聚的作用程度和方向，这在一定程度上可被用来分析不同城市间的产业发展差异，但对城市内部生产性服务业“非均质”的空间分布特征缺乏解释力。此外，根据2015年颁布的统计标准，生产性服务业内涵的界定有所变化，且目前的实证研究中鲜有应用第三次经济普查数据 ① 的分析，因此，本文的实证研究拟基于新的产业界定标准、新的数据源和新的分析方法进行。

1 研究方法及数据选择

1.1 研究方法

本研究的基本思路是通过经济普查数据获取从业人员空间分布信息，将生产性服务业从业人员分布抽象概括为“点模式”，进而分析总结生产性服务业的空间分布特征，基于此，选择基于距离的函数，研究不同尺度上的空间集聚现象。与其他单一距离分析工具的不同，Ripley’s K（r）属于多距离空间聚类分析，能用来描述要素质心的空间聚集或分散的程度。Ripley’s K（r）函数通过对比每个点在其半径r内的邻居个数与期望邻居个数，衡量点要素是否空间集聚，如果一个点的邻居数比期望值高，那么该点及其周围的邻居是集中分布[11]。Ripley’s K（r）函数如下[12]：
K（r）=A ∑ i = 1 n ∑ j = 1 n δ i j ( r ) n 2； δ i j r = 1 ,   d i j ≤ r 0 ,   d i j r
式中：A为研究区面积；n为研究区内各行业企业个数；d为距离尺度； d i j为企业个体i与个体j之间的距离（i，j=1，2，…，n，i≠j）。
Besag提出L（r）函数，L（r）= K ( r ) π-r，对K（r）进行了改进[13]。其中，L（r）<0，则认为该行业有分散分布趋势；L（r）>0，则该行业有集聚分布的趋势[14]。
在应用Ripley’s L（r）函数过程中，选取各类生产性服务业的从业人员数作为权重字段，边界校正采用模拟边界外值法，Ripley’s L（r）指数偏离随机性的显著性检验采用Monte Carlo模拟法，置信度取99%。对两次经济普查各类型生产性服务业从业人数在全市域空间集聚情况采用Crimestat软件进行分析。

1.2 研究范围界定与数据选择

本研究选择城六区和北京市域做空间单元集聚程度分析。其中，城六区包括东城、西城、海淀、朝阳、丰台、石景山，北京市域包括东城区、西城区、朝阳区、丰台区、石景山区、海淀区、顺义区、通州区、大兴区、房山区、门头沟区、昌平区、平谷区、密云区、怀柔区、延庆区16个区。具体地，北京市域包括315个空间单元，北京城六区包括120个空间单元。
根据国家统计局2015年颁布的分类标准，对比两次经济普查数据，将生产性服务业的范围进一步确定为，为生产活动提供的研发设计与其他技术服务、货物运输仓储和邮政快递服务、信息服务、金融服务、节能与环保服务、生产性租赁服务、商务服务、人力资源管理与培训服务、批发经纪代理服务、生产性支持服务。此外，由于经济普查数据所对应的生产性服务业门类较多，为研究行业空间集聚一致性的需要，依据Peter Hall[15]、Friedmann[16]、Saskia Sassen[17]等学者对世界城市等级与不同类型生产性服务业关系的研究，本研究尝试对生产性服务业进一步归类处理，即将具有一定劳动密集特点的货物运输、批发经纪等涉及的物流行业归并为传统生产性服务业；将具有高知识密集和高技术密集特点，在高等级城市呈现高度集聚的研发、信息、金融等归并为高端生产性服务业；将商务、人力资源、节能、生产性支持、生产性租赁等具有一定知识和技术密集性，同时对城市等级依赖度不高的门类归并为现代生产性服务业。

2 北京市生产性服务业空间格局演进

基于Ripley's L（r）函数，对两次经济普查各生产性服务业在市域范围内空间集聚情况进行分析，其中纵轴是各街道（乡镇、地区）生产性服务业的L值，横轴为距离。Crimestat软件分析结果显示，各类别生产性服务业的集聚程度均高于随机分布的最大值，并且全部通过检验，表明生产性服务业分布具有显著的集聚特征（图1、图2，表1）。
图1 二经普期间北京市生产性服务业空间集聚特征

Fig.1 Spatial agglomeration characteristics of Beijing's producer service industry during the period of the second economic census

图2 三经普期间北京市生产性服务业空间集聚特征

Fig.2 Spatial agglomeration characteristics of Beijing's producer service industry during the period of the third economic census

表1 两次经济普查间生产性服务业L值中峰值距离和峰值高度比较

Tab.1 Comparison of peak distance and peak height in L value of producer service industry in the second and third economic census

距离 研发 金融 信息 商务 传统 高端 现代 生产性
服务业
五环 Ⅰ 30.07 35.39 30.57 30.57 27.42 31.05 29.45 29.59
Ⅱ 29.53 35.31 29.85 29.68 26.56 30.45 29.02 29.13
21 Ⅰ 33.10 36.65 34.00 33.15 31.15 33.97 32.14 32.61
Ⅱ 32.78 36.62 33.79 32.54 30.22 33.72 31.90 32.35
24 Ⅰ 33.69 36.13 34.58 33.50 31.92 34.40 32.59 33.12
Ⅱ 33.41 36.04 34.49 32.98 31.07 34.21 32.43 32.94
六环 Ⅰ 33.73 36.07 34.42 33.51 32.24 34.34 32.70 33.22
Ⅱ 33.40 35.82 34.44 32.98 31.11 34.16 32.44 32.92
27 Ⅱ 33.54 36.06 34.38 33.07 31.44 34.23 32.56 33.06
28 Ⅰ 33.73 35.99 34.33 33.57 32.35 34.29 32.77 33.25
Ⅱ 33.53 35.98 34.34 33.08 31.59 34.19 32.60 33.09
30 Ⅰ 33.68 35.80 34.18 33.48 32.57 34.18 32.74 33.25
31 Ⅱ 33.43 35.16 34.03 32.93 31.87 33.92 32.55 33.01

注：距离代表距城市中心距离（km），Ⅰ、Ⅱ分别代表二经普和三经普。

此前应用核密度和标准差椭圆的研究显示，北京市生产性服务业集聚具有空间分异性、行业分异性和行业间空间一致性等特点[18]。进一步地，基于Ripley’s L（r）函数的分析，整体看，二经普和三经普期间，北京市生产性服务业呈现“圈层+极化”的布局特征，拓展了已有关于北京市服务业地域分工[19]的空间分布研究。具体地，Ripley’s L（r）曲线先上升后下降，说明两次经济普查期间，北京市生产性服务业的空间分布基本保持相似状态，即随距离市中心增加而集聚程度先增加后降低的规律，且两次经济普查均显示，在距离市中心45 km以外的范围生产性服务业集聚程度趋于不变。从曲线中峰值高度看，两次经济普查期间发生了较大变化，三经普的结果显示，无论是生产性服务业整体，还是研发设计、金融服务、信息服务业、商务服务等四类代表性产业门类，以及传统生产性服务业、高端生产性服务业、现代生产性服务业等三类综合服务业门类峰值高度较二经普相比有一定程度降低，说明北京市生产性服务业集聚程度有所减弱。从峰值变化幅度看，四类代表性服务业中，商务服务业峰值下降幅度最大，金融业下降幅度最小；传统生产性服务业下降最大，高端生产性服务业下降幅度最小。从曲线中峰值出现的距离看，两次经济普查期间也发生了较大变化，三经普的结果显示，生产性服务业整体出现的距离较二经普提前，说明生产性服务业总体有向心集聚趋势；研发设计、传统生产性服务业、高端生产性服务业峰值出现的距离延后，说明这些生产性服务业门类有向外扩张趋向；金融服务、信息服务业、商务服务和现代生产性服务业整体峰值呈现的距离在两次经普期间较为接近。

3 北京市生产性服务业空间布局演变的影响因素

3.1 研究假设

基于以上文献梳理，参考赵新正等人已有研究[20]，本文对生产性服务业空间布局演变影响因素的分析主要考虑三个维度（表2），各变量的描述性统计分析见表3。一是传统区位因素，作为一种产业类型，传统的区位因子如运输因子、劳动力因子、市场因子等均不同程度地影响其区位分布。具体地，本研究中传统区位因素变量组主要考虑邮区内的路网密度（X1），预期回归系数为正。邮区中心到最近地铁站的距离（X2）；邮区中心到中轴线中心的距离（X3）；邮区中心到高校科研院所集中地的距离，主要考虑中关村高校科研院所集中地（X4）；邮区中心到制造业中心的距离（X5）；邮区中心到机场的距离（X6）。以上5个变量预期回归系数为负。
表2 回归变量指标选取及说明

Tab.2 Selection and description of regression variable indicators

传统区位因素 政策因素 集聚因素
变量 指标说明 假设 变量 指标说明 假设 变量 指标说明 假设
X1 邮区内路网密度 正 X7 政策新区 正 X9 二经普生产性服务业集聚度 正
X2 邮区中心到最近地铁站距离 负 X8 首都功能核心区；城市功能
拓展区；城市发展新区		 正 X10 二经普高端生产性服务业集聚度 正
X3 邮区中心到中轴线中心距离 负 X11 二经普现代生产性服务业集聚度 正
X4 邮区中心到中关村（高校科研
院所集中地）距离		 负 X12 二经普传统生产性服务业集聚度 正
X5 邮区中心到制造业中心距离 负 X13 三经普生产性服务业集聚度 正
X6 区中心到机场距离 负 X14 三经普高端生产性服务业集聚度 正
X15 三经普现代生产性服务业集聚度 正
X16 三经普传统生产性服务业集聚度 正
表3 各变量指标的描述性统计分析

Tab.3 Statistical results of various variable indicators

变量 指标说明 单位 最大值 平均值 最小值
X1 邮区内路网密度 km/km2 19.68 4.10 0.00
X2 邮区中心到最近地铁站距离 km 108.24 18.24 0.01
X3 邮区中心到中轴线中心距离 km 163.84 50.42 1.46
X4 邮区中心到中关村（高校科研院所集中地）距离 km 149.88 44.11 0.02
X5 邮区中心到制造业中心距离 km 122.87 24.25 0.01
X6 区中心到机场距离 km 128.67 49.07 0.05
变量 指标说明 单位 1（是） 0（否）
X7 政策新区 1，0 53个 262
X8 首都功能核心区；城市功能拓展区；城市发展新区 1，0 212个 103
变量 指标说明 单位 最大值 平均值 最小值
X9 二经普生产性服务业集聚度 1 0.0590 0.0024 -0.0047
X10 二经普高端生产性服务业集聚度 1 0.0570 0.0015 -0.0021
X11 二经普现代生产性服务业集聚度 1 0.0640 0.0021 -0.0051
X12 二经普传统生产性服务业集聚度 1 0.0414 0.0010 -0.0034
X13 三经普生产性服务业集聚度 1 0.0469 0.0017 -0.0033
X14 三经普高端生产性服务业集聚度 1 0.0467 0.0013 -0.0022
X15 三经普现代生产性服务业集聚度 1 0.0821 0.0016 -0.0037
X16 三经普传统生产性服务业集聚度 1 0.0523 0.0011 -0.0036
二是政策因素，主要包括两类，第一类是政策新区（X7） ① ，包括高端产业功能区（中关村国家自主创新示范区、北京经济技术开发区、商务中心区（CBD）、金融街、奥林匹克中心区、临空经济区等），高端产业新区（通州高端商务服务区、新首钢高端产业综合服务区、丽泽金融商务区、怀柔文化科技高端产业新区），以及特色功能区（北京新机场临空经济区、北京科技商务区（TBD）、海淀北部生态科技新区、环球主题公园、中关村软件园、北京保险产业园、北京高端制造业（房山）基地、北京基金小镇、北京通用航空产业基地、密云生态商务区、延庆现代园艺产业园）等。第二类是发展区（X8），由三个功能区构成 ② ，即首都功能核心区（东城、西城），城市功能拓展区（朝阳、海淀、丰台、石景山），城市发展新区（通州、顺义、大兴、昌平、房山），预计两个变量的回归系数为正。
三是集聚因素，变量包括二经普、三经普期间生产性服务业及具体三类产业类型的集聚度 ① ，具体为，二经普生产性服务业集聚度（X9）；二经普高端生产性服务业集聚度（X10）；二经普现代生产性服务业集聚度（X11）；二经普传统生产性服务业集聚度（X12）；三经普生产性服务业集聚度（X13）；三经普高端生产性服务业集聚度（X14）；三经普现代生产性服务业集聚度（X15）；三经普传统生产性服务业集聚度（X16），预计变量的回归系数为负。其中，由于时间上的先后次序，第三次经济普查的集聚度对第二次经济普查无影响。

3.2 模型构建

本文以第二次经济普查的生产性服务业从业人员对数值为因变量，两次经济普查其他类型生产性服务业从业人员对数值及其集聚度（局部Moran’s I值）为自变量，采用逐步回归的方式，测度行业间集聚程度的相互关系。
在进行空间分析前，首先利用全域和局部Moran’s I指数判断变量是否存在空间相关性。在空间横截面数据模型中，空间相关性可以通过两种方法处理，一是在回归模型中引入空间滞后相关变量，二是在回归模型中加入残差结构特殊形式，前者即空间滞后模型，适用于测度空间互动关系的存在性及强度，表达式为：
Y = ρ W y + X β + ε
式中：y为因变量；ρ为空间自回归系数，反映了样本观测值中的空间依赖作用，即相邻区域的观测值Wy对本地区观测值y的影响；W为空间权重矩阵，参数β反映了自变量X对因变量y的影响。
后者即空间误差模型，适用于处理空间自回归的偏差影响。空间误差模型的表达式为：
Y = X β + ε ,   ε = λ W ε + μ
式中：λ表示自回归参数；W为空间权重矩阵，假定μ为符合标准正态分布的随机误差向量。
在具体运用空间模型的过程中，选择空间误差模型还是选择空间滞后模型，需要在测试、诊断的过程中，逐步确定。Anselin和Florax[21]提出如下判别准则：运用OLS方法对模型进行归回，并进行相应拉格朗日检验。如果空间误差模型和空间滞后模型都不显著，则保持OLS结果；如果二者都显著，则继续运行稳健性检验；如果Robust LM-Error显著，则采用空间误差模型；如果Robust LM-Lag显著，则采用空间滞后模型。因此，本文首先采用最小二乘法OLS回归进行检验。OLS基于各空间单元数据无关联和均质性假定，忽视变量的空间属性，仅从数量关系上进行分析，是最基础的计量分析模型，企业投资的空间属性无法得到体现。在此基础上，构建基于空间邻接的权重矩阵，建立空间计量模型，通过把空间结构权重矩阵纳入模型中，考虑了空间相关性的影响，使模型更贴近客观现实，反映空间相互作用。

3.3 研究结果及讨论

根据测算，主要结果见表4，影响北京市生产性服务业集聚的因素主要包括传统区位因素、政策因素和集聚因素等几个方面。
表4 回归结果

Tab.4 Regression results

Model 2ps 2tradi 2high 2modern 3ps 3tradi 3high 3modern
SEM SEM SLM OLS SLM OLS OLS SLM
X1
X2 -0.1554** -0.2255 -0.4969* -0.1985* -0.4703*** -0.6072* -1.117408*** -0.5051***
X3 -0.6379*** -1.2948*** -0.4739** -1.8667*** -2.1595***
X4 -0.5436*** -1.1945** -0.6195***
X5
X6 -0.6368*** -1.4014*** -0.5817*** -1.5981*** -2.6163***
X7 1.5309** 2.7869***
X8 1.4107** 1.8172***
X9 107.0024***
X10 -55.2413***
X11 57.1900*** 42.1965***
X12 137.7771***
X13 68.2284***
X14 由于时间上的先后次序，三经普集聚度对二经普无影响
X15
X16
cons 18.2577*** 26.2039*** 7.7707*** 46.8566*** 64.2987*** 8.2140***
LAMBDA 0.4575*** 0.5344***

注：1.***p<0.01；**p<0.05；*p<0.1；2.表中ps、tradi、high、modern分别代指生产性服务业、传统生产性服务业、高端生产性服务业以及现代生产性服务业，2、3分别代指第二次经济普查和第三次经济普查。

3.3.1 传统区位因素

距离最近地铁站的距离（X2）在所有模型中均比较显著，说明该变量对生产性服务业集聚具有重要影响，且符号为负，表明在其他条件不变的前提下，距离地铁站越近生产性服务业越集聚。一方面，生产性服务业从属于服务业大类，受“到达该服务交通通达性”这一传统区位影响因素的制约。近年来北京市地铁建设的规模和速度远超过绝大多数城市水平，地铁正改变着市内区位点之间的通达性，从而影响着产业分布的空间格局。到地铁站的距离越近，意味着生产性服务业与其他区位点开展业务往来越容易，相应的，生产性服务业集聚性越强。另一方面，地铁站分布密度与城市经济发展密度分布呈现高度正相关，生产性服务业倾向于接近地铁站，也表征了其区位选择的向心集聚性，这与对其他变量（如X3、X4）的分析结论一致。距离机场的距离（X6）在多数模型中均显著，符号为负，表明在其他条件不变的前提下，距离机场越近生产性服务业越集聚。国外相关实证研究表明，机场周边以生产性服务业和制造业布局为主[22-23]，本研究证实了在北京市域内部，生产性服务业空间布局趋向于机场布局的交通指向性特征。
邮区中心到中轴线中心的距离（X3）在多数模型中均显著，说明该变量对生产性服务业集聚具有重要影响，符号为负，表明在其他条件不变的前提下，距离中轴线中心越近生产性服务业越集聚。在北京市圈层结构的空间格局中，中轴线中心是城市中心，也是经济、社会、文化等城市功能高度集中的区域，该变量的分析结果揭示了北京市生产性服务业的经济中心指向性特征。邮区中心到高校科研院所集中的距离（X4）在多数模型中结果显著，符号为负，表明距离科技创新中心越近，生产性服务业越集中，这由该产业的技术密集型和知识密集型特征决定，与预期结果一致。
路网密度变量（X1）以及距离制造中心的距离（X5）在所有模型中均不显著，与研究假设不一致。其中，X1变量与假设不一致的主要原因包括两方面，一是与制造业生产有形产品并对公路运输条件的较强依赖性不同，生产性服务业对公路的敏感性不高。二是受资料所限，本研究所使用的道路数据是市内一级道路，二级道路以下的路网密度对生产性服务业的影响尚无法纳入模型。X5变量与假设不一致，反映了目前北京市生产性服务业在空间布局上与制造业的紧密程度不高。

3.3.2 政策因素

转型期市场与政府双重力量共同影响北京市生产性服务业空间结构生成及演化[24]。北京市生产性服务业集聚，是产业升级和城市规划的空间表现。在本研究所考虑的两个政策变量中，政策新区（X7）和发展区（X8）变量在多数模型中均显著，表明政策因素对生产性服务业的集聚具有重要影响，符号为正，说明生产性服务业更趋向于在政策区内部集聚，与研究假设一致。近年来，为推动相关产业的快速发展，北京市出台了多个文件，规划布局中的“政策新区”（X7）内部严格执行资源、环保、人口等准入标准，对全市经济具有显著的集聚带动作用，相应的吸引了生产性服务业集聚。本研究中所涉及的三类发展区（X8），其中，首都功能核心区、城市功能拓展区和城市发展新区的定位分别包括“大力发展现代服务业”，“拓展面向全国和世界的外向经济服务功能”，以及“增强生产制造、物流配送和人口承载功能”等，相应的功能定位对产业发展具有重要的导向作用，实证分析的结论证实了近年来北京市生产性服务业向这些区域集中的趋势。

3.3.3 集聚因素

本研究将集聚因素分解为当期集聚效应（某时间点）及集聚循环累积效应（跨时期）两个层次。第二次经济普查时期的集聚水平，现代生产服务业集聚水平、高端生产性服务业集聚水平以及传统生产性服务业集聚水平对二经普模型产生影响，反映了北京市生产性服务业当期集聚效应在二经普期间表现突出。在跨时期生产性服务业集聚程度的相关关系中，采用SLM模型，第三次经普生产性服务业从业人员对数值（3ps）为因变量，X13影响显著；采用OLS模型，3tradi、3high分别作为因变量，两次经济普查各生产性服务业的空间集聚度为自变量，并没有体现出显著的影响；采用SLM模型，3modern为因变量，第二次经济普查中现代生产性服务业的空间集聚度（2morani）对三普时期现代生产性服务业的空间布局具有显著影响，说明生产性服务业存在一定的集聚循环累积效应，但低于当期集聚效应。
其中，在以二经普从业人员对数值（2ps）为因变量的模型中，高端生产性服务业回归符号为负，表明高端生产性服务业集聚程度越低，整体生产性服务业集聚水平越高，这主要归因于以研发、信息、金融为代表的高端生产性服务业份额较大，在第二次经济普查期间，占生产性服务业总规模超过37%，并且高端生产性服务业和传统、现代生产性服务业的区位选择偏好不同，除对临近地铁（X2）有共同偏好外，前者更倾向于科技创新中心（X4）、发展区（X8），基于此，在生产性服务业总体分布格局中，主要部分的集中必然带来整体的分散。其他集聚水平变量在各自模型中的回归符号为正，表明整体集聚水平、传统和现代生产性服务业集聚水平越高，整体生产性服务业集聚水平越高，这也描绘了生产性服务业集聚自我强化特征的具体实现路径。

4 结语

2014年，《国务院关于加快发展生产性服务业促进产业结构调整升级的指导意见》明确提出生产性服务业是“全球产业竞争的战略制高点”，加快该产业发展可以“有效激发内需潜力、带动扩大社会就业、持续改善人民生活，也有利于引领产业向价值链高端提升”。随着生产性服务业取代制造业成为大城市的主导产业，其空间分布和集聚形态的发展变化也影响、甚至决定了城市空间结构的演进。
基于实证分析结果，针对北京市生产性服务业产业发展和空间布局规划，应从影响因素着手，对生产性服务业集聚格局（包括集聚水平、集聚区位、集聚过程等）进行科学引导：首先，应统筹地铁等基础设施建设与产业发展、空间规划的关系，并有序安排。两次经济普查分析结果显示，距离最近地铁站的距离（X2）对所有类型生产性服务业均具有重要的负向影响，直接的政策含义是，可以通过地铁规划和建设引导生产性服务业集聚。生产性服务业是北京市经济发展的主导产业，提供大量就业岗位，因此，地铁不仅从职（就业）住（居住）半径角度影响人们微观决策，也从职（就业）住（居住）可能性和可行性角度左右城市的空间走向。北京市是中国目前在建城市轨道交通线路最多、日均客运量最大的城市[25]。与其他交通工具相比，轨道交通具有运量大、速度快、准时等优点，目前的建设规模和速度，带来了城市内部的通勤时间节约、交易成本降低等诸多益处，但同时应预见轨道交通对城市主导产业集聚的影响并科学规划。
其次，应统筹生产性服务业与其他相关产业的经济关联，并以此为基础规划产业空间布局。生产性服务业是从制造业内部分离出来，服务于制造业并贯穿于制造业企业生产的上游、中游和下游各环节中的新兴产业门类。以城市为单元的实证研究认为，生产性服务业的发展促进了制造业的增长，同时，制造业的增长显著促进了生产性服务业的发展，且生产性服务业内部各部门与制造业均呈现互动发展关系[26]，生产性服务业与制造业之间存在协同集聚[27]。但本文研究结果显示，北京市域内部第二次经济普查和第三次经济普查期间，制造业对生产性服务业空间布局的影响均不显著。政策作用对生产性服务业集聚的影响结果显著，其中，在第二经济普查期间表现为发展区（X8）的显著正向影响，在第三次经济普查期间，表现为政策新区（X7）和发展区（X8）的共同正向作用。相比于传统产业，生产性服务业涉及了研发、信息等高端产业门类，在发展过程中需要相应扶持政策促进成果项目的产业化，同时，也应认识到生产性服务业发展存在客观规律，从生产性服务业与其他相关产业的经济关联着手，统筹规划产业布局，通过相关产业的协同集聚充分发挥规模经济、集聚经济和范围经济优势，实现生产性服务业的稳定和可持续发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Coffey W J, Bailly A S. Producer Services and Flexible Production:an Exploratory Analysis[J]. Growth and Change, 1991, 22(4):95-117.

[2]
Beyers W B, Alvine M J. Export Services in Post-industrial Society[J]. Papers of the Regional Association, 1987, 57(1):33-45.

[3]
张文忠. 大城市服务业区位理论及其实证研究[J]. 地理研究, 1999, 18(3):273-281.

DOI

[4]
赵群毅, 周一星. 北京都市区生产者服务业的空间结构——兼与西方主流观点的比较[J]. 城市规划, 2007(5):24-31.

[5]
闫小培, 钟韵. 区域中心城市生产性服务业的外向功能特征研究——以广州市为例[J]. 地理科学, 2005(5):537-543.

[6]
刘卫东, 金凤君, 张文忠, 等. 中国经济地理学研究进展与展望[J]. 地理科学进展. 2011, 30(12):1 479-1 487.

[7]
刘秀清, 谭越文. 大连市生产性服务业影响因素分析与评价[J]. 大连交通大学学报, 2011, 32(3):109-112.

[8]
张延吉, 吴凌燕, 秦波. 北京市生产性服务业的空间集聚及影响因素——基于连续平面的测度方法[J]. 中央财经大学学报, 2017(9):111-118.

[9]
何昊, 薛君. 西安市生产性服务业发展影响因素的实证研究[J]. 长安大学学报:社会科学版, 2016, 18(1):42-47.

[10]
万千欢, 千庆兰, 陈颖彪. 广州市生产性服务业影响因素研究[J]. 经济地理, 2014, 34(1):89-93.

[11]
张珣, 钟耳顺, 张小虎, 等. 2004—2008年北京城区商业网点空间分布与集聚特征[J]. 地理科学进展, 2013, 32(8):1 207-1 215.

[12]
张景秋, 陈叶龙. 北京城市办公空间的行业分布及集聚特征[J]. 地理学报, 2011, 66(10):1 299-1 308.

[13]
Besag J. Comments on Ripley’s paper[J]. Journal of the Royal Statistical Society(Series B), 1977, 39(2):193-195.

[14]
贺灿飞, 潘峰华. 产业地理集中、产业集聚与产业集群:测量与辨识[J]. 地理科学进展, 2007, 26(2):1-13.

[15]
Hall P. The World Cities (3th ed)[M]. London: Weidenfeld and Nicolson,1966.

[16]
Friedmann J. The world city hypothesis[J]. Development & Change, 1986, 17(1):69-83.

[17]
Sassen S. The Global City:New York,London,Tokyo[M]. Princeton: Priceton University Press, 2001.

[18]
陈红霞. 北京市生产性服务业空间分布和集聚特征的演变[J]. 经济地理, 2018, 38(5):108-116.

DOI

[19]
卢明华, 杨洁. 北京都市区服务业地域分工及其变化[J]. 经济地理, 2013, 33(2):97-104.

[20]
赵新正, 宁越敏, 魏也华. 上海外资生产空间演变及影响因素[J]. 地理学报, 2011, 66(10):1 390-1 402.

[21]
Anselin L, Florax R J. Small sample properties of tests for spatial dependence in regression models:Some further results[C]//Anselin L,Florax R J. New Directions in Spatial Econometrics[M]. Berlin:Springer, 1995.

[22]
Kasarda J D. Time-based competition and industrial location in the fast century[J]. Real Estate, 1999, 23(4):24-29.

[23]
Kasarda J D. From airport city to aerotropolis[J]. Airport World, 2001, 6(4):42-45.

[24]
邱灵. 北京市生产性服务业空间结构演化机理研究[J]. 中国软科学, 2013(5):74-91.

[25]
耿诺. 北京城市轨道交通年内将突破600公里[N]. 北京日报,2017-08-08.

[26]
高觉民, 李晓慧. 生产性服务业与制造业的互动机理:理论与实证[J]. 中国工业经济, 2011(6):151-160.

[27]
陈晓峰, 陈昭锋. 生产性服务业与制造业协同集聚的水平及效应——来自中国东部沿海地区的经验证据[J]. 财贸研究, 2014(2):49-57.

Options
Outlines

/

〈 〉