推文人 | 邸俊鹏 谢越姑  

推文信息：Eric Marcon, Florence Puechy, 2010,Measures of the Geographic Concentration of Industries: 

Improving Distance-Based Methods, Journal of Economic Geography,10:745-762.

 

克鲁格曼在上世纪九十年代提出了新经济地理学，经济活动的空间集聚吸引了许多经济学家和地理学家的注意力。其中一个关键问题是如何对集聚进行测度？

 

学者陆续提出了很多产业集聚测度方法，包括I sand指数、熵指数、集中曲线、Herfindal指数、Locational Gini index、E-G指数、DO指数、M指数等。一个好的集聚测度方法应该是什么样子的呢？Combes and Overman指出应当满足五个条件：①行业间可比；②能够控制经济活动的总体集聚程度；③能够控制行业集中程度；④空间尺度的改变不会影响指数估计值的无偏性；⑤能够对估计结果进行显著性检验。

 

在上述提到的集聚测度指标中，I sand指数、熵指数、集中曲线、Herfindal指数属于比较传统的测度方法，误差较大，不详细展开。Locational Gini index相对来说考虑了测度的地理单元面积对结果的影响，而且行业间可比，相对来说有所改进，但对于空间尺度的影响并未涉及。E-G指数在此基础上进行了修正，其结果也可在行业可比性，而且经济活动的集中度控制方面得到了较为理想的修正，然而仍然无法规避空间尺度对于测度结果的影响。DO指数和M函数则解决了这个问题，DO指数和M函数在测度行业集聚时，不依赖于空间边界，所以地理空间尺度不会改变其估计值的无偏性，并且指数结果可以进行显著性检验。

 

考虑一个实际情况，上海的嘉定与江苏的昆山和太仓在地理边界上聚集了大量的工业企业，你能说产业在这里不集聚吗？然而传统的测度结果告诉你的就是不集聚，但DO和M函数可以捕获这种集聚特征。相比DO而言，M函数略有优势。今年给大家推荐的是Eric Marcon 和Florence Puechy 2010年发表在Journal of Economic Geography的一篇文章。

 

方便理解和对比起见，将M函数和DO指数一并介绍：

 

一、DO指标构造方法和反事实检验

 

当距离选取0到180公里，则基于全局置信带对集聚的定义是：当行业落在上置信带以上，则认为行业集聚，若落在下置信带以下，认为行业分散。值得注意的是，这里区分局部集聚的关键在于：在任何距离区间上，都没有呈现任何的集聚现象，我们才能说行业A是分散的，如果不能同时满足这两个条件，只能说明行业A在某个距离水平上是分散的。

 

二、M函数的构造与检验

 

1.测算行业内集聚

 

 

由于基准定为1，故可知，当M>1时，表示S行业的员工集聚度要高于整体，反之，M<1表示S行业的员工集聚度低于整体，M函数的值独立于计算，即当M=2的时候，表示S行业的员工密度是整体的两倍。

原假设：S行业的企业是集聚的。共有两种集聚形式：local和global。Local利用蒙特卡洛方法定义，利用模拟的方式，一般设定5%的阈值，进行集聚的相关判断。但是这种方法过于乐观，因为当100个点中，有5个点在置信区间外，我们不能断定其拒绝原假设，而local则是断定其不能接受原假设的。Global则衡量了由原假设产生的函数的散点图，超过置信区间至少一次的风险，但它需要在所有距离内加相等的权重。协调两种测度方式的方法是在增加局部置信水平的情况下产生local置信水平，直到外部的模拟比例达到初始预设的比例。

 

2.测算行业间集聚

 

三、M函数的讨论

 

 1.M函数测度行业内集聚的优点

 

①M函数满足集聚测度指标的五个条件；②M函数的值易于解释；③M函数可以用于各种不同地理结构的测算；④虽然M函数的计算量相对困难，但是可以使用特定软件进行计算，并且软件可以在指定网站下载。

 

2.局限性

 

测算行业间集聚的时候，有一个问题是，只测算两个行业间的交互作用时，原假设必须要规避掉行业模式的影响。这就需要原假设控制S1、S2的结构，即固定S1的企业以及再分布，从而控制S1的模式，由MS1,S2(r)产生原假设，为了避免S2因员工数量的高估（低估）而改变，再用同样的过程固定S2不变，从而测算行业间的影响，如果得到的值和原假设显著不同，那么就可以认为S1、S2间存在显著的交互影响。

 

由此引申出M函数测算行业间集聚的一个局限：如果行业间集聚效应不是来自两个行业间，而是来源于其他行业的集聚效应，那么M函数是无法测算这种“多重集聚”的现象的。

 

四、M函数和DO指标的对比

 

①对于不同的空间规模，DO指数更加精确。对于具体的空间规模，DO指数可以测算其结构，从而确定其模式，而M函数如果只考虑某一个规模就会失去精确性。②在测算点模式的空间结构时，使用M函数更好。因为只有累计分布函数能够准确表达不同空间内的点模式叠加。③M函数的值相对更容易解释。并且，M函数的值可以在任何距离进行比较。④M函数和DO指数都可以衡量经济活动的集聚模式，M函数更能体现集聚的整体特征，而DO指数则能获得更多的细节的信息。如果企业和部门数量非常多，那么从地图中能获得的信息有限，这种情况下，同时使用两种方法进行测算，会减少信息量的缺失。

 

后记

 

近年我们团队一直在关注创新驱动发展，围绕这个话题，我们依托国家自然科学基金项目和上海市软科学研究基地，先后开展了创新型城市评价、科技进步监测、创新的空间集聚测度，以及创新产业政策评估等研究。这篇文章是我们在研究创新的空间集聚过程中，遇到的一篇好文，与大家分享。后续我们还将持续关注，有兴趣的同行欢迎一起参与研究和讨论。

 

Abstract

 

We discuss a property of distance-based measures that has not been addressed with regard to evaluating the geographic concentration of economic activities. The article focuses on the choice between a probability density function of point-pair distances or a cumulative function. We begin by introducing a new cumulative function, M, for evaluating the relative geographic concentration and the co-location of industries in a non-homogeneous spatial framework. Secondly, some rigorous comparisons are made with the leading probability density function of Duranton and Overman (2005), Kd. The merits of the simultaneous use of Kd and M is proved, underlining the complementary nature of the results they provide.