对区域产业集聚效应的检验

2.3.2　对区域产业集聚效应的检验

区域经济整合通过促进区域间的专业分工加快整个地区间的专业化进程，由此提高资源配置的效率，这便涉及对集聚效应的测度。经济学者们试图建立一套简单的指标体系，用以测度区域经济整合对所涉及的地区产业专业化程度的影响。比较简明且操作性强的指标体系有三个，它们分别为“产业集中度－地区专业化”指标（Krugman Indices）、赫芬达尔-赫希曼指数（Herfindahl-Hirshman Indices）、EG指标。

2.3.2.1　产业集中度－地区专业化指标

产业集中度－地区专业化指标由克鲁格曼模型（Krugman Model，1991）引出，又称为地区间的产业结构差异程度指标，其基本构架如下：

式中，i，j，k分别表示地区i、地区j和产业k；为地区产业k的从业人数；等于，为各行业在地区i的专业化指数。式（2.7）为地区相对专业化指数（即Krugman Indices，1991），即某一地区各行业的专业化系数与全国其余地区相应行业的专业化系数差的绝对值之和，测度的是第i地区与其他地区平均水平的产业结构差异程度，或称第i地区的专业化程度。式（2.8）是地区间的专业化指数，它直接衡量的是两个地区间产业结构的差异程度，范围为0～2，数值越大代表两地区的产业结构差异越强。地区相对专业化指数与地区间专业化指数分别从纵向和横向两个角度描述了地区间的产业结构差异程度。

Brülhart（1996），Amiti（1998）和Midelfart-Knarvik等（2000）运用地区专业化－产业集中度指标对区域整合前后的欧盟各国的专业化水平、36个工业行业的空间集中度以及整个制造业的集聚状况进行了较为系统的考察，这种考察在一定程度上证实了新经济地理学模型所蕴含的规模经济、垄断竞争对地区专业化和产业集聚影响的结论。Kim（1995）用该指数对美国地区产业集聚的研究、Elisabet（2004）对西班牙地区产业集聚的研究等，也在一定程度上证明了区域经济整合使各地区的经济专业化水平有所上升的推进作用。

显然，产业集中度－地区专业化指标过于简便，它的缺陷是没有考虑到企业的规模差异（Ellison and Glaeser，1997）。研究者发现，使用该指标来比较不同产业的聚集程度时，会由于各产业企业规模或地理区域大小的差异而造成跨产业比较上的误差；同时，该指标也没有考虑到具体的产业组织及区域差异，它在表示产业聚集程度时往往含有虚假成分，以至于不能区分聚集是来自于产业结构还是来自于自然优势和溢出所引致的地理集中。

2.3.2.2　赫芬达尔-赫希曼指数

赫芬达尔-赫希曼指数（Herfindahl-Hirshman Indices，简写HHI），这一由来已久的指数被广泛应用于测度各种经济现象的集中度。它用于测度区域产业集中度的HHI体系构建如下（Midelfart-Knarvik et al.，2000）：

式中，X_ij为第j地区或国家的第i产业就业数量或产值增加值为第i产业在第j地区所占的份额，该指标也衡量了第j地区专业于第i产业的水平；同理，第i产业在第j地区所占的份额，即衡量了第j地区的第iI产业在全部地区的集中水平。si为所有第i产业的产值或就业数量占全部产业的份额，它在产业层次上衡量了所有地区专业于第i产业的水平；sj为第j个地区的全部产业产值或就业占所有地区全部产值或就业的份额，它在地区层次上衡量了地区制造业的集中情况。按照上述思想可以进一步得出如下公式：

式中，SR_j，CRi分别为第j地区的专业化水平和第i产业的空间集中度。加总处理后，可以得出：

（2.11）

式中分别为第j个地区综合专业化指数和第i产业的综合集聚指数，这两个指标是相对指标。结合基尼系数的经济学含义，可推出如下指标：

式中分别为第j地区的专业化基尼系数和第i产业集聚的基尼系数。ES_ij为s^s，s^c的累积份额。至此，地区专业化、产业集中度的测算以及相关的离散指标有了相应的计算公式。

Henderson（1997）利用面板数据模型估计了美国资本品产业的动态外部性，利用赫芬达尔指数对产业多样化进行了测度，并将赫芬达尔指数滞后项加入模型进行了回归，发现多样化作用在论文所用的样本中可以持续7年。N audé和Krugell（2003）利用赫芬达尔指数的倒数作为城市化经济（多样化经济）的度量计算了南非19个城市的该指数，得出扩散只与开放城市规模和低的交通运输成本有关的结论。Cecile Batisse和Sandra Poncet（2004）利用中国29个省的30个工业产业1988—1997年的数据，探讨了产业专门化、产业多样化、竞争度和一省发展初始水平等因素对经济增长的作用，其结论为，产业外部工业环境和产业内的竞争度有利于产业的增长，但产业专门化的影响为负。

作为空间集中的测度指标，赫芬达尔指数存在着自身的缺点：一是不能说明区域之间的关系，尤其是空间联系和相互依赖；二是只能度量绝对集中度而不能度量相对集中度，要比较不同产业间的聚集程度，用赫芬达尔指数进行的比较会得出失真的结果。因为，根据定义，某些产业中的少数企业会被认为是聚集产业。

2.3.2.3　EG指数

Ellison和Glaeser（1997）通过建立利润最大化的区位选择模型，分别建立了自然优势和产业内溢出效应模型，并依据模型得出总溢出系数，构造出产业聚集测度的条件期望，从而推导出满足logit模型的溢出系数。这是因为，如果任何M地理区域的某一产业的就业人数所占份额是S1，S2，…，SM，那么该区域全部产业就业人数占全国就业人数的份额便是X1，X2，…，XM。据此，可以构造一个产业地理集中度的测度指数：

如果产业企业规模分布的赫芬达尔指数是，则一个产业的地理集中度为：

显然，当r＞0.05时便被视为产业高度集中，当r＜0.02时便被视为产业不存在地理集中。

为了将这种方法推广到一般，以考察对任一产业或对一组产业的集聚程度，在这方面，Ellison和Glaeser对建立一个有N个企业且每一个企业都属于r个产业来选择区位的模型进行了研究。在这一模型中，N_j表示在第j个产业中企业的数量；ω_j表示第j个产业就业在总的r个产业就业中的份额；H_i表示第j产业中企业的赫芬达尔指数；H表示一组产业的赫芬达尔指数。同时，出于对建立产业集聚程度模型的需要，他们修正了离差选择模型，因而，在一个有r个产业的区位选择模型中，平均利润水平的分布和溢出指标变量｛u_ki｝对第k个企业区位是否位于i地区的满足条件是：

r_j为企业k和i都属于产业j；r₀为其他的情况。。这里，s_i是地区i在r个产业总就业中的份额；是在r个产业总的赫芬达尔指数，因此

（2.17）

这一数值给出了在一个产业中考虑到两种因素的聚集程度的期望。在每个产业组中企业的聚集趋势是由参数r_j来捕捉的（对于第j个产业），它反映了自然优势和溢出效应的影响。r₀捕捉了在一个产业中的企业与其他产业的企业相邻的趋势，r₀＝0反映了在一组产业中存在溢出或共享自然优势。在极端情况下，当r₀＝r₁＝…＝r_r时产业间平均利润水平是完全相关的。溢出是产业分组专业化而非一个产业内部的专业化。例如，一个纯粹的溢出模型符合以下条件：如果每个工厂属于产业j，则每对工厂间有一个重要的溢出的概率为r_j。如果它们属于不同的产业，则为这种溢出概率r₀（假设r₀≤minr_j），用r^c定义集群里产业共同集群的程度：

式中是计算的第j个产业集中指数值；r^c是参数r₀的一个无偏估计。在考虑到企业规模分布的变化和数据集中水平方面，它与r有同样良好的特点。r^c＝0表示与同一产业中企业定位接近别的企业的趋势相比，一个集群里企业没有更多的集聚。在讨论溢出/自然优势的范围时，一般定义“一个衡量溢出度的指数λ，发现它对再次衡量下一次测度很有用。，λ＝0表示在产业群内发现的任何溢出/自然优势是完全属于特定产业的；λ＝1表示在所有的产业中，任何有利于工厂的溢出和自然优势是完全相关的。

Ellison和Glaeser（1997）用该指数对美国制作业的集聚水平进行了测算，结果发现许多产业集聚水平较弱，这与以前的研究结论并不相同。Rosenthal和Strange（2001）用EG指数对美国四位数制作业即集聚经济的微观基础代理变量（知识溢出、劳动力池、投入共享）进行了回归，发现劳动力池在各个地理层面对集聚都有较强的正向作用，知识溢出只在区水平的测度中对集聚具有正向作用。Barrios和Strobl（2004）在对欧盟15个成员国1972—1995年的集聚变动分析时，采用EG指数作为集聚的测度，应用Dumais，Ellison和Glaeser的方法作为集聚变动分析工具，发现集聚水平变化的原因主要是由于产业移动而非历史偶然事件的结果。Sjoberg和Sjoholm（2004）基于主流集聚学和集聚地理学的争论，以印尼1980—1996年制造业的空间集聚情况为分析样本，用EG指数研究了自由贸易对空间集聚的作用。他们研究发现，国际贸易的扩张壮大了现存的产业中心，导致了地区不平等的加剧。

国内学者罗勇、曹丽莉（2005）运用EG指数对中国20个制造业1993—2003年的集聚程度进行了测度，分别从时间维度、行业维度和地区维度对制造业的集聚给予了实证解说，但没有对产业集聚的变动因素进行分析。值得一提的是，Maurel和Sedillot（1999）在肯定了Ellison和Glaeser关于企业在区位决定时相互依赖的观点的同时，对EG模型进行了略微的改造，并利用1993年法国54个两区产业和273个四区产业的数据，对产业聚集进行了测度，两者的区别是在原始集中度上。Ellison和Glaeser（1997）所定义r_EG和Maurel和Sedillot所定义r_A的表达式分别如下：

Maurel和Sedillot用该模型方法和原始的EG方法进行了计算，比较发现：尽管两者的估计都是无偏的，但r_A（聚集程度指数）要比r_EG更准确，因为它直接来自于概率模型。

Ellison和Glaeser建立的EG指数充分考虑了企业规模及区域差异带来的影响，使我们能够进行跨产业、跨时间，甚至跨国的比较。他们的方法比Krugman等人的方法有了改进和完善。其缺陷主要在于：（1）出于使计算简化的考虑，该指数的设计在测度产业积聚程度时有意识地把企业分配到国家、地区或州（空间单元在给定的总合水平），这意味着放弃了大量的信息导致许多总合问题的出现，研究不同的空间规模需要总合水平不同。（2）很难比较基于不同规模的结果。例如，关于有多少产业在国家水平上是地域化的（在控制了区域水平的地域化后）这一问题不能准确地回答，因为现有的指数在不同的总合水平不具有可加性。（3）许多现存的空间单元是根据行政区域而不是经济相关性来定义的。而这些单元通常在人口和规模方面是有差别的，以至于现存的聚集趋向于混淆不同的空间规模^[22]。（4）任一空间水平聚集的企业会导致在所有聚集变量之间的虚假相关性。所选择的总合水平越高这个问题就越严重。这个问题被定量地理学家（Kendall，1953；Cressie，1993）认识到，被称为MAUP（可更改的地区单元问题）。（5）在聚集发生后，空间单元被同样对待，当处理行政区边界上的地域化产业时，这样做就造成了偏误。所分析的空间单元越小，这个问题就越严重。例如，在英国纺织机械制造业是高度地域化的，但在东部和中西部地区的边界把聚集经济分开。较好地域化经济的测度必须避免这些总合的问题，也就是说应该在连续的空间直接使用这些被观察单元间的距离去研究而不是在行政单元内研究产业聚集。