EN中文

Acta Geographica Sinica >

2024 , Vol. 79 >Issue 10: 2638 - 2650

DOI: https://doi.org/10.11821/dlxb202410014

Urban-Rural and Regional Development

Co-agglomeration and spatial follow-up of high-tech industries in Shenzhen

  • ZHONG Yun , 1 ,
  • LI Shuning 1 ,
  • LI Han 2
Expand
  • 1. School of Economics, Jinan University, Guangzhou 510632, China
  • 2. Department of Geography and Sustainable Development, University of Miami, Coral Gables 33146, Florida, USA

Received date: 2023-12-18

  Revised date: 2024-08-27

  Online published: 2024-10-25

Supported by

Key Project of Key Humanities and Social Science Research Bases of China's Ministry of Education(22JJD790088)

Fundamental Research Funds for the Central Universities(23JNZK06)

Fold

Abstract

Leveraging economic census data and enterprise Point of Interest (POI) data, this study conducts an in-depth examination of co-agglomeration in Shenzhen, southern China. First, we examine the characteristics of co-agglomeration between Shenzhen's high-tech manufacturing and high-tech service industries from both economic and spatial linkage dimensions. Second, a spatio-temporal analysis is conducted using the geographical detector to examine the spatial follow-up phenomenon, providing a detailed understanding of the processes and key factors underpinning the formation of co-agglomeration patterns. The findings are as follows: (1) From the perspective of economic linkage, Shenzhen's pharmaceutical manufacturing industry and high-tech service industry show a co-agglomeration relationship; (2) From the perspective of spatial linkage, pharmaceutical manufacturing enterprises and high-tech service enterprises have formed a "multi-polar + multi-center" pattern, with all three case study areas surrounding leading pharmaceutical manufacturing enterprises showing an enhanced trend of co-agglomeration with high-tech service industries; (3) From the perspective of the formation process, there is a spatial follow-up phenomenon of high-tech service industries to pharmaceutical manufacturing industries, meaning that the following behavior in enterprise layout promotes the co-agglomeration of high-tech industries. Specifically, the information service industry mainly follows the clustering of chemical drug and active pharmaceutical ingredient manufacturing, while the scientific research service industry mainly follows the clustering of medical materials and pharmaceutical product manufacturing. The spatial follow-up process provides a perspective for analyzing the spatial process of co-agglomeration formation, and the detailed spatial follow-up relationship among industries offers useful insights for policy guidance to accelerate the cultivation of high-quality industrial parks.

Key words： co-agglomeration; high-tech manufacturing industries; high-tech service industries; spatial follow-up; spatial evolution process; Shenzhen

Cite this article

ZHONG Yun , LI Shuning , LI Han . Co-agglomeration and spatial follow-up of high-tech industries in Shenzhen[J]. Acta Geographica Sinica, 2024 , 79(10) : 2638 -2650 . DOI: 10.11821/dlxb202410014

1 引言

自Ellison等以硅谷模式的地方化集聚为研究对象，将具有异质性的多个产业的地理邻近定义为协同集聚[1]，已有对协同集聚的研究不断深入，产业协同集聚的意涵日益清晰。作为当产业发展到高级化阶段的空间表现，产业协同集聚相较于单一产业的集聚，更能体现大都市区成熟的产业集群的互补性[2]。大都市区产业集群的互补性对其经济优势的持久性有着重要作用，这种互补便是城市内部的产业协同集聚[3]。协同集聚既包含马歇尔外部性所强调的同一产业带来的专业化集聚，也体现出了Jacobs外部性所指出的不同产业的多样化集聚，其形成机理延续了集聚经济的相关理论。知识溢出促进产业集聚的形成，集聚效益的积累会促成产业协同集聚形成，当单一产业的集聚发展至成熟阶段，在集聚出现的知识交流空间应该可以出现协同集聚，若看不到协同集聚的出现，可能意味着推动单个产业集聚的动力还不足以推动协同集聚产生[4]。成熟而完善的产业集聚是城市经济的核心竞争力[3]。
制造业与服务业之间的协同集聚得到了较多的关注，在不同尺度下均有关于制造业与服务业，尤其是与生产性服务业间的协同集聚案例。例如，Andersson对瑞典的研究发现，生产性服务业和制造业区位选择是互相影响的，城市地区存在先进制造业与知识密集型生产性服务业协同集聚，不同类型行业相互间的协同集聚性存在差异[5]。Ghani针对印度的实证研究发现，制造业与服务业表现出高度的空间相关性，在部分地区和行业中，制造业趋向于在服务业集聚程度较高的区域聚集[6]。Ke等对中国的研究发现，制造业倾向于位于生产性服务业所在城市，反之亦然，一旦一个城市吸引了一个部门的集聚，另一个部门就会跟进或扩大，从而形成一个内生的增长过程[7]。陈建军等对浙江的研究发现，生产性服务业区位与制造业集聚之间的相互影响在不同规模城市中存在差异，大城市要推进制造业的转型升级，应首先关注生产性服务业的发展与集聚，而中小城市则首先要推动制造业的集群，才能吸引生产性服务业集聚[8]。而在城市层面的协同集聚分析包括，Yuan等对南京的实证研究发现，制造业和生产性服务业具有协同集聚的趋势，但制造业的分布相对更离散，生产性服务业的分布主要集中在市中心，并且逐渐呈现向周边郊区扩散的状态[9]。钟韵等从空间相似性角度对广州的实证研究发现，广州的生产性服务业与本地部分重要的制造业行业之间存在协同集聚现象[10]。关于产业协同集聚的测度方法，产业集聚的常见测度指标如区位熵（Location Quotient, LQ）指数和赫芬达尔指数等并不适用于测度协同集聚，E-G指数（Ellison-Glaeser Index）、超协同定位指标（XCL）[11]、距离加权协同定位指数（DCL）[12]、DO（Duranton-Overman Index）方法[13]、核密度图、地理探测器等方法均有助于判断协同集聚的存在与水平测度。这些测度方法多用于确定协同集聚是否存在或协同集聚的程度，但并不能判断协同集聚的多个集群之间的空间追随关系。生产性服务企业并不一定追随制造业企业的空间布局[14]，那么，存在协同集聚的生产性服务集群与制造业集群之间是否存在空间追随?这一问题的解答将有助于完善产业协同集聚的形成机制研究。当前对于产业协同集聚的形成机制，考虑多集中于城市的属性要素、产业间的关联要素和单一产业集群的知识溢出[2]等，这些机制更侧重于对协同集聚结果的解释，但对协同集聚的形成过程解释尚不多见。
中国经济正由传统的追求速度的粗放型模式向内涵提升式的高质量增长模式转变，产业协同集聚为增强产业融合，提升产业发展质量提供了新的思路。深圳作为全球城市，是全球化活动的主要呈现空间和全球化经济网络的重要交汇点，具有集聚性的鲜明特征。协同集聚作为产业集聚的高级化表现，将成为深圳一种新的产业布局模式。高技术制造业与高技术服务业的协同集聚，既是深圳实现产业链和价值链升级的内在要求，又是逆全球化背景下突破发展困境的必然选择，符合建设高质量发展高地、全球标杆城市的发展目标。本文将以深圳为研究区域，对医药制造业与高技术服务业之间的协同集聚展开分析，以2004—2018年为观测检验期，探讨以医药制造业为代表的高技术制造业和高技术服务业 ① 以及科学研究和技术服务业（简称“科研服务业”）合并为高技术服务业。）间协同集聚的特征，进而探讨不同行业集聚之间的空间追随行为。研究不仅满足于分析产业协同集聚后的结果表现，更希望探讨协同集聚的形成过程，以期通过空间追随剖析产业协同集聚的成因，并为从空间组织角度推进产业高质量发展提供启示。

2 研究方法和数据来源

2.1 研究方法

2.1.1 E-G指数

E-G指数由Ellison和Glaeser构建，用以测度产业协同集聚水平[1,15]。当前，E-G指数的国际应用较为普遍，例如，Rosenthal等、Barrios等使用E-G指数考察了美国[16]、欧盟[17]制造业的集聚情况。具体公式如下：
E G i j = ∑ m M ( S m i - X m ) ( S m j - X m ) 1 - ∑ m M X m 2
式中： E G i j为 i产业与 j产业的协同集聚度； m为地区；M为地区的加总； S m i和 S m j分别为 i产业和 j产业在 m地区的就业比重； X m为区域加总产业的平均就业比重。E-G指数是一个正向指标，取值范围为[0,1]， E G i j越接近于1，则代表越高的产业地理集中水平。

2.1.2 核密度估计法

核密度估计法是一种典型的非参数估计方法，该方法通过计算点要素在单位面积内的量值并拟合为光滑锥状表面，识别多种基于位置的特征，直观形象展现数据的分布，具有模型依赖性小，稳定性高的特点。本文用核密度法对重点区域的医药制造业与高技术服务业企业空间分布做可视化处理，直观反映行业的空间分布特征。

2.1.3 地理探测器法

地理探测器是探测空间分异性，并揭示其背后驱动因子的一种新的统计学方法，其基本思想认为，若两变量的空间分布趋于一致，则两者存在统计关联性[18]。地理探测器的因子探测可用于探测某因子X多大程度上解释了属性Y的空间分异，用 q值测度的表达式如式（2）所示，本文将以此研究深圳市医药制造业与高技术服务业间的空间追随。
q X ,   Y = 1 - ∑ i = 1 m N X ,   i σ 2 Y X ,   i N σ Y 2             ( i = 1 ,   2 ,   … ,   m )
式中： i为因子 X的分类； N X ,   i和 N分别为层 i和全区的单元数； σ 2 Y X ,   i和 σ Y 2分别为层 i和全区的 Y值离散方差； q X ,   Y为因子 X对变量 Y的解释力， q值取值范围为[0,1]， q越接近于1，则因子 X对变量 Y的解释力度越强。

2.2 数据来源

《深圳市经济普查年鉴》包含深圳各区从事第二、三产业活动的全部就业人员数据，本文运用《深圳市经济普查年鉴》的就业人数数据计算E-G指数。计算时将深圳市全部制造业和服务业纳入计算范围，分别测算了2004年、2008年、2013年、2018年全市制造业各行业与服务业各行业两两组合的E-G指数。运用天眼查网站（http://www.tianyancha.com/）抓取企业 ② 空间布局信息，共整理出深圳全市9区累计253614条企业兴趣点（Point of Interest, POI）数据（数据更新至2020年4月），通过高德地图 API（应用程序调用接口）查找各企业地理坐标并转换为空间点数据文件。本文基于此数据分析现阶段产业协同集聚的空间表现。为开展空间追随分析，以2013年作为与2018年数据展开对比的时间节点，2013年的企业地址信息来源于第三次经济普查数据，2018年的企业地址信息来源于上述天眼查网站 ③ 。

2.3 研究设计

本文以深圳作为研究区域，高技术产业分为高技术制造业和高技术服务业。考虑到聚焦细分行业有利于提升研究结果的精确性，本研究根据国家统计局的分类 ④ ，选取了以医药制造业作为高技术制造业的代表，医药制造业包括生物药品制品制造、化学药品制造、中成药生产、卫生材料及医药用品制造等门类，这些行业具有生产品种多、生产工艺复杂、技术精准度要求高等特点。医药制造业的产品种类和特性决定了其需与高技术服务业保持紧密联系，依托传感、测量等技术完成生产与制造的工序。此外，本文将高技术服务业区分为信息服务业和科研服务业两类。深圳是中国科技创新水平最高的城市之一，生物医药产业位居深圳当前七大战略性新兴产业之首，本文选取分析的医药制造业是生物医药产业的重要组成部分，主要门类增长高达82.8% ⑤ ，因此，本文所选取的研究区域和行业开展高技术产业协同集聚分析，具有代表性与典型性。
本文首先基于就业数据和企业POI数据，使用E-G指数测算公式和核密度估计法，从经济关联和空间关联两个视角探究深圳市高技术产业的协同集聚特征，对深圳市高技术产业间的经济联结和空间关系进行判断。然后，选取深圳的3个医药制造业龙头企业作为案例，根据案例企业周边地区的POI数据，突破行政区的空间划分局限，以龙头企业周边半径5 km建立产业协同集聚空间追随的检验空间，以案例企业的邻近区域验证高技术制造业与高技术服务业之间的协同集聚关系演变。进而，以全市尺度的数据，以2013年和2018年两个时间节点的医药制造业和高技术服务业的空间数据展开地理探测器检验，分析高技术制造业部门与高技术服务业部门之间的空间追随，以期根据空间统计关联进一步解释高技术产业协同集聚的形成过程。

3 产业协同集聚特征分析

3.1 经济关联视角下的高技术产业协同集聚特征

基于就业数据展开的E-G指数测度结果显示，检测期内医药制造业与高技术服务业的协同集聚指数持续为正，协同集聚度高于其他大部分制造业行业与高技术服务业的协同集聚度。在2004年、2008年、2013年和2018年，深圳市的制造业与服务业协同集聚度大于0的产业配对数分别占总数的16.7%、14.5%、9.0%以及10.0%，全市行业间的协同集聚指数呈现一定的波动性。
但在4个检验年份，医药制造业与信息服务业、科研服务业的协同集聚持续保持为正（表1），表明自2004年起，深圳的医药制造业与高技术服务业已呈现较为紧密的经济关联。这与深圳市政府重视生物医药产业发展密不可分，早在2001年的深圳市政府工作报告中，已提出“十五”期间要努力将深圳建成重要的生物医药产业基地。
表1 2004年、2008年、2013年和2018年医药制造业与高技术服务业协同集聚度

Tab. 1 Co-agglomeration degree (E-G) between pharmaceutical manufacturing and high-tech service industry, 2004, 2008, 2013, and 2018

医药制造业
2004 2008 2013 2018
信息服务业 0.1793 0.0571 0.0937 0.0271
科研服务业 0.1398 0.0349 0.0316 0.0075

3.2 空间关联视角下的高技术产业协同集聚特征

3.2.1 二者已形成空间上的协同集聚，呈现“多极+多中心”错位发展格局

由于医药制造企业数量与高技术服务企业数量差距悬殊，因此本文采用相对密度值对各行业的空间分布做可视化处理，可观察到医药制造业与高技术服务业的企业分布具有明显的空间相似性（图1）。为进一步厘清两大产业的空间布局，以核密度图为基础，按照两大产业协同集聚的程度，分别以25%和50%分位数为标准确定高值区，对二者的空间分布进行叠加分析，由于以25%分位数为划分标准代表着更高的集聚程度，因此本文以0~25%高值区作为极值区，以25%~50%高值区作为中心区，可发现深圳市医药制造业与高技术服务业已在空间上形成明显的协同集聚布局状态，且呈现出“多极+多中心”错位发展的格局（图2）。多个极点分别位于宝安区新安街道、西乡街道，南山区粤海街道、桃源街道，福田区福田街道、沙头街道，罗湖区黄贝街道、翠竹街道，龙华区龙华街道、民治街道，龙岗区龙岗街道，连片协同集聚态势明显；多个中心分散于光明区公明街道，宝安区沙井街道、福水街道，龙岗区平湖街道、龙城街道、横岗街道等区域，这些中心规模与“极”相比略低，但仍具备相当的影响力。
图1 2020年深圳信息服务企业、科研服务企业与医药制造企业核密度图

Fig. 1 Kernel density of information industry, scientific research industry, and pharmaceutical industry in Shenzhen, 2020

图2 2020年深圳医药制造业与高技术服务业协同集聚

Fig. 2 Co-agglomeration of the pharmaceutical industry and high-tech service industry in Shenzhen by firm-level density, 2020

3.2.2 坪山区作为医药产业集聚重点区，与高技术服务业协同集聚水平较低

坪山区坐拥国内最具竞争力的创新药物研发基地之一——坪山国家生物产业基地。在政策支持下坪山区已初步形成生物医药产业集群，吸引了以赛诺菲巴斯德、微芯生物、国药致君、信立泰、万乐药业为代表的大型医药企业在此集聚。数据显示，2018年坪山区累计注册生物医药企业及机构共295家，产值达145.94亿元，同比增长32.43%。生物医药企业共申请专利2033个，其中发明专利1153个 ⑥ ，显示出坪山区在发展医药制造业方面的明显优势。然而，相比于其他区域，坪山区的医药制造企业与高技术服务企业的协同集聚程度较为薄弱，主要是服务于制药环节的服务企业数量规模仍显不足。

4 医药制造案例企业周边地区的协同集聚演变

为进一步检验医药制造业与高技术服务业间协同集聚与产业布局的空间追随，结合企业综合排名及地理分区考虑，本文选择了3个上市医药制造企业作为案例，通过POI数据的空间分布求取其在空间上的密度，从而对其周边5 km内高技术服务企业的协同集聚演化情况进行验证。这3个案例企业分别是：位于南山区的海王生物工程股份有限公司、位于罗湖区的三九药业有限公司、位于坪山区的赛诺菲巴斯德生物制品有限公司。观测的年份分别为2004年、2008年、2013年和2018年。
如图3~图5所示，3个医药制造案例企业周边的区域在检验期均呈现出与信息服务业和科研服务业协同集聚程度增强的现象。具体而言，① 在检验期内，3个案例企业周边的高技术服务企业不仅在空间分布上更加广泛，而且在企业布局密度方面亦不断提高，协同集聚呈现出增强的趋势。可见，制造业龙头企业对促成产业的协同集聚具有独特的作用。② 医药制造企业与信息服务企业、科研服务企业的协同布局情况不尽相同，海王生物工程股份有限公司与信息服务企业的协同集聚程度要高于科研服务企业，而三九药业有限公司和赛诺菲巴斯德生物制品有限公司则恰好相反。可见，与高技术制造业协同集聚的具体服务行业，并没有唯一性的规律。③ 位于南山区和罗湖区的两个医药制造企业周边的高技术服务企业相对较多，而位于深圳外围的坪山区的赛诺菲巴斯德生物制品有限公司，周边的高技术服务企业协同集聚程度明显相对较弱，这与前述坪山区高技术制造业与高技术服务业协同集聚度较低的总体特征一致。可见，产业发展政策在城市边缘区推动产业集聚需时相对较长。
图3 2004—2018年深圳南山区海王生物工程股份有限公司周边高技术产业协同集聚

Fig. 3 Co-agglomeration of enterprises surrounding Neptunus Bioengineering Co., Ltd. in Nanshan district, 2004-2018

图4 2004—2018年深圳罗湖区三九药业有限公司周边高技术产业协同集聚

Fig. 4 Co-agglomeration of enterprises surrounding Sanjiu Pharmaceutical Co., Ltd. in Luohu district, 2004-2018

图5 2004—2018年深圳坪山区赛诺菲巴斯德生物制品有限公司周边高技术产业协同集聚

Fig. 5 Co-agglomeration of enterprises surrounding Sanofi Pasteur Biological Products Co., Ltd. in Pingshan district, 2004-2018

5 空间追随分析

5.1 空间关系演化机制的测度

前文的分析在检验深圳市医药制造业和高技术服务业是否具有协同集聚关系的基础上，又以案例分析的方式探讨了医药制造业与高技术服务业之间的空间布局协同演变过程，由此可以初步判断，深圳的医药制造业与两类高技术服务行业具有协同集聚关系，并在空间布局过程中呈现出高技术制造企业与高技术服务企业规模同步增长的趋势。本部分采用地理探测器测度其空间统计关联性，以检验具有协同集聚特征的医药制造业和信息服务业、科研服务业之间的空间追随。另一方面，已有研究指出制造业行业基于提高生产效率等目标对科学技术产生大量需求，由此影响了高技术服务业的区位选择[19]。因此企业布局的空间追随在一定程度上亦可以为产业协同集聚的形成机制提供解释支撑。
考虑到空间追随效应具有时间上的滞后性，本部分对空间关系的演化的测度主要分为3个步骤（图6）。首先，以2013年医药制造企业分街道数据和2018年高技术服务企业分街道数据分别作为驱动因子（X）和响应因子（Y），探究高技术服务业是否对医药制造业具有空间追随；其次，以2013年高技术服务企业分街道数据和2018年医药制造企业分街道数据分别作为驱动因子（X）和响应因子（Y），探究医药制造业是否对高技术服务业具有空间追随；最后，根据实证结果，探究所追随的细分行业类别 ⑦ 。
图6 空间追随的测度步骤

Fig. 6 Workflow of spatial follow up measurement

5.2 空间追随的结果及分析

5.2.1 信息服务业对医药制造业的空间追随

地理探测器结果显示，医药制造企业在99%的显著性水平上，对信息服务企业的空间布局产生显著影响（表2）。由于分析所使用的数据分别是2013年的医药制造企业数据和2018年的信息服务企业数据，因此可将此影响视作“信息服务业布局对医药制造业存在空间追随”。随着深圳医药制造业的高速发展，医药制造企业在生产过程产生了自动化改造和产品质量的监察管控等需求，信息服务企业的信息化管理体系和智能化解决方案等信息技术服务与此制造需求契合，因此促使诸多信息服务企业选择追随医药制造企业布局。
表2 信息服务业对医药制造业的空间追随

Tab. 2 Spatial follow up of the information service industry to the pharmaceutical industry

信息服务业
q值 0.476761***
p值 0.008867

注：***表示在置信度为99%时显著相关。

在证明了信息服务企业布局对医药制造企业存在空间追随的基础上，进一步探究信息服务企业主要追随哪类医药制造行业。一般认为，唯有在置信度为90%以上，才可视为存在因果关系。由于涉及细分行业较多，因此本部分在探测追随何种细分行业时，仅呈现置信度在75%以上的结果。探测结果显示，信息服务业主要追随“化学药品原料药制造”和“化学药品制剂制造”两个行业，均在95%的水平上显著（表3）。与医药制造业的其他细分行业相比，这两个行业的生产最为基础，发展起步相对较早。
表3 信息服务业对医药制造业细分行业的空间追随

Tab. 3 Spatial follow-up of the information service industry to sub-industries within the pharmaceutical sector

化学药品原料药制造业 化学药品制剂制造业
q值 0.164772** 0.40068**
p值 0.042961 0.027077

注：**表示在置信度为95%时显著相关。

5.2.2 科研服务业对医药制造业的空间追随

医药制造企业在95%的显著性水平上，对科研服务企业的空间布局产生显著影响（表4）。由于分析所使用的数据分别是2013年的医药制造企业数据和2018年的科研服务企业数据，因此可将此影响视作“科研服务业布局对医药制造业存在空间追随”。可见，作为高技术制造业行业，医药制造对科研服务同样有较大需求，亦因此吸引了大量科研服务企业趋向邻近医药制造企业布局。为进一步探究科研服务企业主要追随哪类医药制造行业，参照以上思路展开分析，因子探测结果显示科研服务企业主要追随“卫生材料及医药用品制造”行业布局。
表4 科研服务业对医药制造业的空间追随

Tab. 4 Spatial follow-up of scientific research service industry to pharmaceutical industry

科研服务业
q值 0.340361**
p值 0.043174

注：**表示在置信度为95%时显著相关。

5.2.3 医药制造业对高技术服务业的空间追随

地理探测器结果显示，科研服务业在布局上呈现出对医药制造业的显著影响，但信息服务业不具备相关影响（表5）。由于分析所使用的数据分别是2013年的高技术服务企业数据和2018年的医药制造企业数据，因此可将此影响视作“医药制造业布局对科研服务业具有空间追随，但对信息服务业则不具有空间追随”。
表5 医药制造业对高技术服务业的空间追随

Tab. 5 Spatial follow-up of pharmaceutical industry to high-tech service industry

信息服务业 科研服务业
q值 0.169996 0.196842*
p值 0.233108 0.073467

注：*表示在置信度为90%时显著相关。

一般认为生产性服务业企业是基于制造业企业提升产品附加值的需求而产生，往往是服务企业追随制造企业进行布局，因此推测医药制造业对科研服务业的检测系数为正，主要是由于近年来深圳科研服务企业的数量规模急速扩张，造成了两者在空间统计上的关联性，并非反映医药制造业企业追随科研服务企业集群而布局。

6 结论与讨论

6.1 结论

本文以深圳的医药制造业和为其提供服务的信息服务业、科研服务业之间的协同集聚为切入点，研究运用不同的时间截面所展现的高技术产业协同集聚状态，在探讨产业协同集聚特征的基础上，通过测度产业之间是否存在空间追随，检测一个产业的布局是否因为受到了另一个产业的影响而形成产业协同集聚，即通过辨识布局的空间追随现象剖析协同集聚的形成过程。企业的空间信息为研究提供了基础，地理探测器方法为产业集聚的空间追随行为检验提供了工具，为“时空转换”[20]研究提供了基础。
在诠释深圳医药制造业和高技术服务业协同集聚形成的过程中，本文发现：① 从行业经济关联角度看，以医药制造业为代表的高技术制造业与高技术服务业已呈现协同集聚。② 从空间关联角度看，医药制造企业与高技术服务企业形成了“多极+多中心”的发展格局。③ 从典型案例看，高技术制造业龙头企业周边的区域在检验期均呈现出协同集聚程度增强的现象，位于城市边缘的龙头案例企业所促成的协同集聚相对较弱，显示出产业发展政策在城市核心区与边缘区的效应存在时间差。④ 从形成过程看，高技术服务业对医药制造业存在布局的空间追随现象。高技术服务企业对高技术制造企业的空间追随现象反映了产业协同集聚的“空间变化”过程。

6.2 讨论

本文对协同集聚的产业之间所存在的空间追随现象展开分析，是对地理学所关注的“空间过程”问题的尝试性探索。地理研究的一个传统目标是描述物体或事件的空间格局，并通过因果机制来解释这种格局[20]。在“时空转换”的演绎过程研究中，大多数情况下被分析的是“时间过程”，空间过程被看作在空间背景下运作的时间过程，但是从时间过程推断出空间模式是地理学的一个难题[20]。早在半个世纪前地理学家已意识到，缺少详细的过程是地理学研究中存在的一个问题。正如区位理论的创始人之一Losch在80年前所写的，“如果所有事情都同时发生，就不会有发展。如果一切都存在于同一个地方，就不会有特性。只有空间才能使特性在时间中展开成为可能”[21]。可见，空间和时间对经济地理学家提出了挑战，Garretsen等提出将地理和历史相结合，有助于理解时空转换，解释空间经济结果的稳定性以及随时间出现的不均衡发展[22]。Yeung的研究指出，作为地理研究中因果解释分析工具的两个关键概念，机制和过程是不同的，而当前研究中有一种趋势是将机制和过程混为一谈，应该将机制与过程进行区分[23]。虽然过程有可能只是实体及其关系的偶然变化[23]，但对空间过程的挖掘与剖析所发现的关键过程或关系的因果关系，无疑将有助于完善不平衡发展的系统解释。
协同集聚体现了一定空间内的产业相关多元[2]，集聚既是产业发展的结果，也是产业发展的过程。相较于特征、影响因素和效应，关于集聚过程[24⇓-26]的研究相对较少，对产业协同集聚的空间过程的研究尚不多见。演化经济地理学认为经济变迁过程亦是经济活动空间变化的过程[27-28]，演化视角下的研究多关注演化的历史过程、时间因素和随机偶然事件等[29]。在以产业的动态变化探讨经济活动空间布局[30]的研究中，较为常见的分析方法是产品或产业的生命周期理论[31]。总体而言，对集聚空间的演化过程仍有待深入探讨。
本文先运用不同的时间截面所展现的高技术产业协同集聚状态，为“时空转换”研究提供了基础，进而运用地理探测器的空间统计关联性分析功能，为产业布局的空间追随提供了证据，亦从一个侧面论证了高技术产业协同集聚的形成机制。本文对空间追随现象的探讨，试图为集聚的“空间过程”研究提供新的思路——一种区别于以往通过回归分析探讨影响机制再反向描绘空间过程的分析思路，以期为进一步解答地理学时空特性结合之下的集聚演化过程研究开拓新思路。
在现实的产业发展中，地方政府如何利用协同集聚推动高技术产业高质量发展，同样值得深入思考。为此建议，首先，发挥城市中已有的高技术制造业集聚区的作用，在重点制造业产业园区及其周边，分析其主导产业集聚对产业协同集聚的需求，在强化园区产业配套能力、公共基础设施和政策市场环境的过程中，兼顾考虑生产性服务业与其协同集聚的发展需求，有意识地培育协同集聚的产业集群。其次，把握数字经济发展机遇，依托科创企业与其他类型行业的协同集聚，推进传统产业模式的新业态发展。再次，充分运用城市中现有的重大科技创新平台推动协同集聚形成，利用高水平科学仪器吸引和集聚高端人才与科研团队，吸引业务上具有紧密关联的行业在创新平台附近集聚，以实现空间上的匹配。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Ellison G, Glaeser E. Geographic concentration in U.S. manufacturing industries: A dartboard approach. Journal of Political Economy, 1997, 105(5): 889-927.

[2]
Zhong Yun, Qin Yanran. Progress of research on industrial co-agglomeration from the perspective of high-quality development. Human Geography, 2023, 38(4): 1-8, 120.

[钟韵, 秦嫣然. 高质量发展视角下产业协同集聚研究进展. 人文地理, 2023, 38(4): 1-8, 120.]

[3]
Brave S A, Mattoon R H. Explaining urban economic growth through cluster complementarity. Growth and Change, 2020, 51(1): 4-33.

DOI

[4]
Helsley R W, Strange W C. Coagglomeration, clusters, and the scale and composition of cities. Journal of Political Economy, 2014, 122(5): 1064-1093.

[5]
Andersson M. Co-location of Manufacturing and Producer Services:A Simultaneous Equations Approach. New York: Routledge, 2006.

[6]
Ghani S E. Spatial development and agglomeration economies in service-lesson from India. Social Science Electronic Publishing, 2016(5): 23-34.

[7]
Ke S Z, He M, Yuan C H. Synergy and co-agglomeration of producer services and manufacturing: A panel data analysis of Chinese Cities. Regional Studies, 2014, 48(11): 1829-1841.

[8]
Chen Jianjun, Chen Jingjing. The research on the co-location between producer services and manufacturing: The empirical analyses based on the 69 cities and regions in Zhejiang province. China Industrial Economics, 2011(6): 141-150.

[陈建军, 陈菁菁. 生产性服务业与制造业的协同定位研究: 以浙江省69个城市和地区为例. 中国工业经济, 2011(6): 141-150.]

[9]
Yuan F, Gao J L, Wang L, et al. Co-location of manufacturing and producer services in Nanjing, China. Cities, 2017, 63:81-91.

[10]
Zhong Yun, Zhao Beilei, Li Han. Co-agglomeration and spatial similarity: Based on the analysis of manufacturing and producer services in Guangzhou, China. Scientia Geographica Sinica, 2021, 41(3): 437-445.

DOI

[钟韵, 赵蓓蕾, 李寒. 广州市制造业与生产性服务业协同集聚与空间相似性. 地理科学, 2021, 41(3): 437-445.]

DOI

[11]
Howard E, Newman C, Tarp F. Measuring industry coagglomeration and identifying the driving forces. Journal of Economic Geography, 2016, 16(5): 1055-1078.

[12]
Kopczewska K. Comment to XCL co-agglomeration index: Distance-weighted improved DCL index. Papers in Regional Science, 2016, 95(4): 903-911.

[13]
Duranton G, Overman H G. Testing for localization using micro-geographic data. The Review of Economic Studies, 2005, 72(4): 1077-1106.

[14]
Zhong Yun, Yan Xiaopei. A review of studies on the impact of the producer services in western geographical circles. Human Geography, 2005, 20(3): 12-17, 5.

[钟韵, 闫小培. 西方地理学界关于生产性服务业作用研究述评. 人文地理, 2005, 20(3): 12-17, 5.]

[15]
Ellison G, Glaeser E L, Kerr W R. What causes industry agglomeration? Evidence from coagglomeration patterns. American Economic Review, 2010, 100(3): 1195-1213.

[16]
Rosenthal S S, Strange W C. The determinants of agglomeration. Journal of Urban Economics, 2001, 50(2): 191-229.

[17]
Barrios S, Strobl E. Industry Mobility and Geographic Concentration in the European Union. Economics Letters, 2004, 82(1): 71-75.

[18]
Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective. Acta Geographica Sinica, 2017, 72(1): 116-134.

DOI

[王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116-134.]

DOI

[19]
Fan Jianyong. Market integration, regional specialization and tendency of industrial agglomeration: An implication for regional disparity. Social Sciences in China, 2004(6) : 39-51, 204-205.

[范剑勇. 市场一体化、地区专业化与产业集聚趋势: 兼谈对地区差距的影响. 中国社会科学, 2004(6): 39-51, 204-205.]

[20]
Harvey D W. Pattern, process, and the scale problem in geographical research. Transactions of the Institute of British Geographers, 1968(45), 71-78.

[21]
Lösch A. The Economics of Location. 2nd ed. New Haven: Yale University Press, 1954.

[22]
Garretsen H, Martin R. Rethinking (new) economic geography models: Taking geography and history more seriously. Spatial Economic Analysis, 2010, 5(2): 127-160.

[23]
Yeung H W C. Rethinking mechanism and process in the geographical analysis of uneven development. Dialogues in Human Geography, 2019, 9(3): 226-255.

[24]
Kang H. Detecting agglomeration processes using space-time clustering analyses. The Annals of Regional Science, 2010, 45(2): 291-311.

[25]
Li Guoping, Sun Tieshan, Lu Minghua. A study on the process, characteristics and influencing factors of Beijing's hi-tech industrial agglomeration. Acta Geographica Sinica, 2003, 58(6): 927-936.

DOI

[李国平, 孙铁山, 卢明华. 北京高科技产业集聚过程及其影响因素. 地理学报, 2003, 58(6): 927-936.]

[26]
Wang Jici, Song Xianghui, Li Guangyu. Agglomeration and dispersion of new and high technical industries in the Zhongguancun area in Beijing. Acta Geographica Sinica, 1996, 51(6): 481-488.

DOI

[王缉慈, 宋向辉, 李光宇. 北京中关村高新技术企业的集聚与扩散. 地理学报, 1996, 51(6): 481-488.]

DOI

[27]
Boschma R A, Lambooy J G. Evolutionary economics and economic geography. Journal of Evolutionary Economics, 1999, 9(4): 411-429.

[28]
Liu Zhigao, Yin Yimei, Sun Jing. A review of the research progress on industrial cluster formation from the perspective of evolutionary economic geography. Progress in Geography, 2011, 30(6): 652-657.

DOI

[刘志高, 尹贻梅, 孙静. 产业集群形成的演化经济地理学研究评述. 地理科学进展, 2011, 30(6): 652-657.]

[29]
Xu Jili, Zhang Hongou, Chen Yijia, et al. The sequence of theoretical development and research agendas of evolutionary economic geography. Geographical Research, 2023, 42(9): 2433-2550.

[许吉黎, 张虹鸥, 陈奕嘉, 等. 演化经济地理学的理论脉络演进与研究议题展望. 地理研究, 2023, 42(9): 2433-2550.]

[30]
Boschma R, Frenken K. Some notes on institutions in evolutionary economic geography. Economic Geography, 2009, 85(2): 151-158.

[31]
An Husen, Ji Saiwei. Progress in theoretical research of evolutionary economic geography. Study and Practice, 2014(7): 5-19.

[安虎森, 季赛卫. 演化经济地理学理论研究进展. 学习与实践, 2014(7): 5-19.]

Options
Outlines

/

〈 〉