中国生产性服务业集聚的空间统计分析

吉亚辉，杨应德

(西北师范大学经济管理学院，兰州730070)

0 引言

西方学者对生产性服务业研究较早，从20世纪中期就开始关注服务业中的生产性服务业，而对于生产性服务业的集聚探索始于20世纪70年代，对生产性服务业集聚情况进行了深入的研究。认为生产性服务业主要集中在大都市内，不同的行业，其集聚程度也不一样。Beyers(1993)等对美国、英国和加拿大等国家分别进行研究得出生产性服务业高度集中在发达的大都市区［1－3］。Illeris S和 Sjoholt P 研究了北欧各国的生产性服务业，表明70%以上的生产性服务业集中在各国首都和一些经济较为发达的大都市区［4］。以上学者从生产性服务业整体研究了它的集聚特征。还有一些学者对生产性服务业的细分行业的集聚现象进行了研究。Bennett R J和Graham D J等研究了商务服务业和金融业在英国的集聚，也表明其具有很高的集聚度［5－6］。在研究表明生产性服务业高度集中的同时，也有研究认为生产性服务业的布局行为出现了向大都市外围扩散的趋势。如Gillespie和Green提出了生产性服务业布局行为呈逆大都市化趋势的结论［2］。Selya认为生产性服务业在集聚的同时也呈现出空间选择的扩散趋势［7］。

国内对生产性服务业的研究起步较晚，对生产性服务业空间分布和集聚的实证研究相对较少，除用静态的集聚测度指数研究以外，主要从两个方面展开:一是从地理学的角度，利用地理信息系统软件对生产性服务业进行测度和可视化展现［8－9］，二是从经济学的角度，利用空间统计学和计量学的原理和方法来研究生产性服务业的分布特征和影响因素，如:胡霞和魏作磊在考虑到空间因素影响的条件下，借助空间经济计量模型，探讨了中国城市服务业空间的分布状况，指出中国城市服务业的空间集聚特点逐渐强化［10］。赵成柏的研究认为江苏省生产性服务业的区域发展不仅表现出空间依赖和集聚特性，其背后的影响因素也表现出空间集聚特征［11］。

已有的对生产性服务业集聚的研究主要集中在大都市内部，较多地从静态的角度利用区位商指数、空间基尼系数、EG指数等对集聚程度进行测算，Anselin等学者创立的空间统计学和计量经济学理论和方法将距离、地理位置等空间因素纳入到经典的计量分析框架中，实现了地理位置和相应经济属性值间的互动［12］。因此，利用空间统计学原理和方法对生产性服务业的空间分布特征进行研究，具有重要的现实意义，本研究将采用该方法，对省域层面的生产性服务业的空间分布特征、集聚状况进行研究。

1 研究方法与数据

根据我国政府在《国民经济和社会发展第十一个五年规划纲要》对生产性服务业的划分以及统计数据的有效性，将生产性服务业定义为6个行业:交通运输、仓储和邮政业，信息传输、计算机服务和软件业，金融业，房地产业，租赁和商务服务业及科学研究、技术服务和地质勘查业。

1.1 研究区域、样本数据

研究区域是除了我国香港、澳门特别行政区和台湾省的中国大陆31个省、自治区和直辖市，简称各省份。样本数据来源于2007—2010年《中国统计年鉴》和《中国第三产业统计年鉴》，文章中仅在计算各年份的Moran’s I用到了单个年份的数据，除此以外，均用2007—2010年4年的平均数作为属性值进行分析。利用Open Goeda空间计量软件进行数据分析和地图处理。由于统计年鉴中没有各省份生产性服务业细分行业的产值数据，因此，用就业数和企业数两个属性值来代替产值进行对比分析，使结论更加符合现实。

1.2 空间统计分析方法

1.2.1 全局空间自相关分析。全局空间自相关分析能够从区域空间整体上刻画区域属性值空间分布的集聚情况，包括Moran’s I系数和Geary’s C比率。通常采用Moran’s I指数进行分析。全局Moran’s I定义如下:

Moran’s I的取值变化在0和 ±1之间，当Moran’s I=0时，代表空间无关;当Moran’s I＞0时为正相关;当Moran’s I＜0时为负相关。

1.2.2 Moran’s I散点图。通过绘制空间相关系数的Moran’s I散点图，可将生产性服务业分为4个象限的空间依赖模式，用以识别各个地区与其邻近地区的关系。第一象限表示生产性服务业属性值高的省份被生产性服务业属性值高的其他省份包围(HH);类似的，第二象限表示属性值低的省份被属性值高的其他省份包围(LH);第三象限表示属性值低的省份被属性值低的其他省份包围(LL);第四象限表示属性值高的省份被属性值低的其他省份包围(HL)。第一、第三象限正的空间自相关关系表示相似观测值之间的空间关联，而第二、第四象限负的空间自相关关系表示不同观测值之间的空间关联。如果观测值均匀地分布在4个象限，则表明地区之间不存在空间自相关性。

2 生产性服务业的空间统计分析

本研究将从生产性服务业的空间分布、生产性服务业的全局Moran’s I系数和Moran’s I散点图3个方面来分析生产性服务业的空间分布特征。首先从总体上把握生产性服务业的地区分布差异;其次考察了生产性服务业的全局自相关即总体集群状况，并结合局部Moran’s I散点图进行深入分析，从而对生产性服务业的空间分布特征有一个全面的认识。

2.1 生产性服务业的空间分布图

对各省份的生产性服务业进行简单的分析，从而直观地了解生产性服务业总体分布情况。图1是各省份生产性服务业就业和企业的空间分布四分位图。图例中字母“C”表示生产性服务业的属性值，在左图中表示生产性服务业的就业人数，右图中表示生产性服务业的企业数。图例中 1st range，2nd range，3rd range和 4th range代表生产性服务业属性值的大小所处的位次，括号中的数字表示在每一个位次中所包含的省份的个数。图中按生产性服务业就业和企业数的大小将各省份生产性服务业发展水平分为4个位次，颜色越深代表生产性服务业发展水平越高。

图1 各省份生产性服务业就业(左图)和企业(右图)的空间分布分位图① 本研究采用的地图除包含31个样本省份外，还包括台湾省，与完整中国地图有一些出入，仅作研究用。Fig.1 The spatial distribution’s bitmap of producer services about employment(left)and enterprise(right)of different provinces

对图1的左图和右图进行对比，当生产性服务业的属性值由就业变为企业数时，观察各省份所处级别变化:可以看出，四川由原来的第三位次上升为第四位次，而河南恰好相反。第二位次中的广西、天津上升为第三位次，原来处于第三位次的黑龙江、山西、陕西降低为第二位次。处第一位次的地区无论是就业数和企业数均基本保持不变。

从单个行业的分布来看，不管是就业还是企业数，排名前几位的主要是北京、广东、上海、浙江、江苏等经济发达省份。生产性服务业的分布具有较强的中心性，与各个地区的经济发展水平相一致，经济越发达的省份其生产性服务业的属性值也越高。

从图1的左图和右图可以看出，生产性服务业的发展很不平衡，具有明显的层次性，产值高、发展最快的都集中在东部沿海省份，即环渤海、长三角和珠三角地区。西部地区各省份的产值呈低值分布。中部各省份产值较高且与高值区毗邻，分布较为集中。

2.2 生产性服务业的全局Moran’s I系数

采用全局空间相关系数对各省份的生产性服务业在空间上是否存在自相关和集聚特征进行检验，检验结果如表1和表2所示。

表1 各省份生产性服务业就业的Moran’s I统计值Tab.1 Moran’s I statistics values of producer services’employment of different provinces

表2 各省份生产性服务业企业的Moran’s I统计值Tab.2 Moran’s I statistics values of producer services’enterprise of different provinces

从表1和表2可以看出，除了2008和2010年生产性服务业的就业的Moran’s I统计值分别在10.91%和11.28%的水平上显著外，其他各年份的Moran’s I统计值都经过了10%的显著性检验，就业的Moran’s I的平均值在0.092 6 以上，企业的Moran’s I的平均值0.179 4以上，这意味着区域生产性服务业的就业和企业值具有显著的空间正相关关系，且企业的Moran’s I统计值要大于就业的Moran’s I统计值，以企业数据代表的生产性服务业的分布显示更强的集聚特征。空间上邻近的地区具有相似的生产性服务业属性值，说明生产性服务业的分布呈现出集聚特征，区域之间存在近邻效应，某个区域的生产性服务业的发展水平与邻近区域的生产性服务业发展水平有关，某个区域的发展过程可能依赖于邻近区的发展状况。

另外，通过分析生产性服务业内部细分行业的Moran’s I系数，发现交通运输、仓储和邮政业的系数远远高于其他行业;金融业、租赁和商务服务业的系数较高;房地产业，信息传输、计算机服务和软件业的系数较小;科学研究、技术服务和地质勘查业的系数最小。即传统生产性服务业具有明显的空间自相关，相比新兴生产性服务业空间依赖性不明显，这表明我国生产性服务业空间依赖性主要表现为传统生产性服务业，现代新兴生产性服务业在省域间还没有产生明显的空间溢出效应。从Moran’s I统计量可以看出生产性服务业属性值的空间集聚特征，但无法识别具体的空间格局，这需要通过Moran’s I散点图进一步辨识。

2.3 生产性服务业的Moran’s I散点图

图2给出了生产性服务业分别以就业和企业为属性值的Moran’s I散点图。散点图中左、右图的横轴分别表示2007—2010年间我国31个省域的生产性服务业以就业数和企业数为属性值的集聚度;纵轴表示邻近值的加权平均值。从图2(左图)的Moran’s I散点图可以看出生产性服务业就业的高值区和低值区都呈现较明显的集聚特征，但无法识别高值集聚区和低值集聚区的具体省份情况，因此，列出了生产性服务业就业的空间相关模式表，如表3所示。

结合表3进一步分析图2(左图)，发现生产性服务业并没有均匀地分布在4个象限，第一象限和第三象限包含19个省份，说明中国大陆31个省份中61.29%的省份表现出了相似的空间关联，呈现出正的相关性。这进一步证实了全局指标检测的正相关分布特征(Moran’s I=0.096 6)。其中，第一象限是高值的集聚分布，第三象限是低值的集聚分布。第一象限包含8个省份，分别为上海、黑龙江、浙江、北京、河北、江苏、辽宁、山东，表现出高高(HH)的正相关关系集群;第三象限分布有11个省份，分别为云南、青海、陕西、重庆、江西、贵州、西藏、宁夏、甘肃、新疆、山西，呈现出低低(LL)的空间自相关关系。另外，第二象限和第四象限分别包含7个和5个省份，第二象限的7个省份为:吉林、内蒙、广西、海南、天津、安徽、福建被高值所包围，呈现出低高(LH)的负相关关系;第四象限仅有5个省份，即四川、湖南、河南、广东、湖北被低值所包围，呈现高低(HL)的空间负相关关系。从以上的Moran’s I散点图中可以看到生产性服务业具有明显的空间集聚分布特征。

图2 各省份生产性服务业就业(左图)和企业(右图)的Moran’s I散点图Fig.1 Moran’s I scatter of producer services about employment(left)and enterprise(right)of different provinces

表3 生产性服务业就业的空间相关模式表Tab.3 Spatial correlation pattern of the employment of producer services

从图2(右图)的Moran’s I散点图可以看出生产性服务业企业的高值区和低值区都呈现明显的集聚特征。表4为对应的空间相关模式表，但与生产性服务业就业的分布相比有所变化。

表4 生产性服务业企业的空间相关模式表Tab.4 Spatial correlation pattern of the enterprise of producer services

结合表4进一步分析图2发现，生产性服务业企业的Moran’s I散点图中共有24个省份分布在第一象限和第三象限，说明全国20个省份中64.52%的省份表现出了相似的空间关联，呈现出较强的正的相关性，与全局指标检测的正相关的Moran’s I=0.175 2的值比较高相符。与生产性服务业的就业数值对比发现，第一象限原来的河北和黑龙江消失，新产生了福建;而第四象限的湖南和河南两省由开始被低值包围的高值转向低值集聚区，从而表现出更强的空间相关性，即集聚分布的特征。

3 结论

从生产性服务业的空间分布分位图看，不管从生产性服务业就业数来考察还是企业数来考察，排名前几位的比较稳定，主要是北京、广东、上海，浙江、江苏等经济发达省份，且相应省份的省会城市规模大、发展水平高，因此，我们认为生产性服务业的分布具有较强中心依赖性，经济越发达的省份、城市化水平越高的省份其生产性服务业的属性值也越高。另外，对生产性服务业细分行业的研究发现:传统生产性服务业集聚较为明显，相比新型生产性服务业没有表现出明显的空间依赖性。

从生产性服务业的全局Moran’s I系数和Moran’s I散点图综合分析发现，生产性服务业分布显示出较强的集聚特征，区域之间存在近邻效应，某个区域的生产性服务业的发展水平与邻近区域的生产性服务业发展水平有关，某个区域的发展过程可能依赖于邻近区的发展状况。由于区域间存在商品流动、要素流动、技术扩散和知识溢出等微观上这样或那样的联系，因此，地理上的临近为商品、要素等的流动提供了便利，使临近地区优先获得技术扩散和知识溢出，最终导致毗邻地区发展水平的趋同，在空间上表现为低值区或高值区的集聚。从生产性服务业细分行业看，传统生产性服务业具有明显的空间自相关，相比新兴生产性服务业空间依赖性不明显，这表明我国生产性服务业空间依赖性主要表现为传统生产性服务业，现代新兴生产性服务业在省域间还没有产生明显的空间溢出效应。

总体而言，生产性服务业的发展很不平衡，具有明显的层次性，呈明显的中心－外围结构，产值高、发展最快的都集中在东部沿海省份，即环渤海、长三角和珠三角地区，形成高值聚集区。西部地区各省份的产值呈低值分布，形成低值集聚区。中部各省份产值较高且与高值区毗邻，分布较为集中。

［1］Beyers W B.Producer Services［J］.Progress in Human Geography，1993，17(2):221 －231.

［2］Gillespie A E，Green A E.The Changing Geography of Producer Services Employment in Britain［J］.Regional Studies，1987，21(5):397 －411.

［3］Coffey W J，McRae J J.Service Industries in Regional Development［M］.Halifax:Institute for Research on Public Policy，1990.

［4］Illeris S，Sjoholt P.The Nordic Countries:High Quality Services in A Low Density Environment［J］.Progress in Planning，1995，43(3):205 －221.

［5］Bennett R J，Graham D J，Braggon W.The Location and Concentration of Business in Britain:Business Clusters，Business Services，Market Coverage and Local Economic Development［J］.Transaction of the Institute of British Geographers，1999，24(4):393 －420.

［6］Pandit N R，Cook G A S，Swann G M P.The Dynamics of Industrial Clustering in British Financial Services［J］.The Service Industrial Journal，2001，21(4):33 －61.

［7］Selya R M.Taiwan as A Service Economy［J］.Geoforum，1994，25(3):305 －322.

［8］赵群毅.北京生产者服务业空间变动的特征与模式:基于单位普查数据的分析［J］.城市发展研究，2007，14(4):70－77.

［9］甄峰，刘慧，郑俊.城市生产性服务业空间分布研究:以南京为例［J］.世界地理研究，2008，17(1):24 －31.

［10］胡霞，魏作磊.中国城市服务业发展差异的空间经济计量分析［J］.统计研究，2006，27(9):54－60.

［11］赵成柏.地区生产性服务业发展差异的空间计量分析［J］.商业研究，2010，15(4):68 －73.

［12］Anselin L.Spatial Econometrics:Methods and Models［M］.Boston:Kluwer Academic Publishers，1988.