EN中文

Tropical Geography >

2022 , Vol. 42 >Issue 5: 773 - 787

DOI: https://doi.org/10.13284/j.cnki.rddl.003484

Spatial Evolution and Influencing Factors of the Manufacturing Industry on Metropolitan Areas: A Case Study of Changsha

  • Chen Luo ,
  • Bohong Zheng ,
  • Linlin Liu
Expand
  • School of Architecture and Art, Central South University, Changsha 410075, China

Received date: 2021-12-17

  Revised date: 2022-01-27

  Online published: 2022-05-26

Fold

Highlights

Manufacturing is an important engine of China's economy, driving urban economic growth and spatial transformation. Therefore, the spatial evolution of manufacturing is a research hotspot for academics. This study takes the Changsha metropolitan area as an example, based on the micro-data on manufacturing enterprises from 1978 to 2020. Using the standard deviational ellipse, kernel density analysis method, and explored negative binomial regression model, the spatial evolution characteristics and influencing factors of the manufacturing industry in the Changsha metropolitan area from the point-and-surface perspective are explored. The main conclusions are as follows. From 1978 to 2020, the number of manufacturing enterprises in the Changsha metropolitan area show an overall increasing trend, with labor-intensive and capital-intensive manufacturing gradually upgrading to a technology-intensive form. In terms of spatial distribution, all manufacturing industries show an apparent movement of suburbanization in spatial distribution. Development zones are progressively becoming the primary spatial carrier for manufacturing reorganization and concentration. The manufacturing industry mainly expands along the "northwest-southeast" direction, showing a "point-axis" development pattern. In the process of spatial evolution, the Changsha manufacturing space has experienced a cyclical change from agglomeration to dispersion and then to accumulation. The evolution pattern has changed from mosaic filling to outward diffusion. Influenced by the characteristics of the industry, different types of manufacturing industries show apparent differences in spatial distribution. Labor-intensive enterprises are mostly micro-enterprises with flexible site layout, mainly contact diffusion and hierarchical diffusion, and the spatial characteristics of "central concentration and decentralized layout." The large-scale demand for land and employees in capital-intensive manufacturing industries-mainly large enterprises-restricts their concentration in urban centers. Meanwhile, preferential policies, such as "policy rent" in the development parks in peripheral suburbs, attract enterprises to move in, prompting capital-intensive manufacturing industries to show the spatial characteristics of "large-scale diffusion and small-scale concentration." Technology-intensive manufacturing industries are mostly small and medium-sized enterprises, which are attracted by national development zones and have strong vocational orientations. In the spatial evolution process of the manufacturing industry, factors such as socioeconomics, production cost, and governmental behavior have significant influence. Different factors play different roles in different industries. Labor-intensive enterprises are mainly affected by socioeconomics, production costs, and government behavior. Technology-intensive enterprises pay more attention to regional economic benefits, innovation environment, and policy support, while socio-economic factors, production cost, built-up environment, governmental actions, and innovation capacity all have important impacts on them. Capital-intensive enterprises are highlighted by the role of the population base, transportation accessibility, land cost, and industrial park policies. Capital-intensive enterprises are highly dependent on population, production cost, transportation accessibility, and the number of industrial zones. It can be found that the spatial evolution of all three types of manufacturing industries is significantly influenced by governmental actions; among which, the level of fixed asset investment and number of industrial parks reflect the planning guidance and policy orientation of Changsha's municipal government on manufacturing development. In addition, the degree of opening up to the outside world negatively affects the layout of all three types of manufacturing enterprises, indicating that the large influx of foreign capital tends to form industrial monopolies. This study provides a reference for optimizing the layout and high-quality development of urban manufacturing space.

Cite this article

Chen Luo , Bohong Zheng , Linlin Liu . Spatial Evolution and Influencing Factors of the Manufacturing Industry on Metropolitan Areas: A Case Study of Changsha[J]. Tropical Geography, 2022 , 42(5) : 773 -787 . DOI: 10.13284/j.cnki.rddl.003484

制造业是城市发展过程中重要的经济活动之一，其空间是人们通过知识技术创造财富的特殊空间，带动了城市经济增长和空间转型（Yang et al., 2017）。改革开放以来，大城市都市区逐渐成为制造业发展的主要空间载体，因其经济基础雄厚，自然资源丰富，交通网络便利，可以在短时间内以较低的成本重新分配劳动力和资本（Florida et al., 2008）。随着城市中心区土地、劳动力成本的不断上涨，以及产业结构的转型升级，制造业逐步由中心区向外围郊区迁移（王俊松，2014）。在城市制造业空间演变的过程中，企业的区位选择和布局是影响制造业空间演变的主要动力，其空间布局的合理性也会进一步影响企业后续的发展规模（张可云 等，2021）。当前国家实施制造强国和推动高质量发展对原有制造业的产业选择和区位布局等提出新的要求。
制造业空间演变一直是国内外学者们关注的热点。20世纪中期，伴随着城市化、工业化进程的深入发展，西方城市的制造业空间呈郊区化迁移趋势（Wheaton et al., 2002）。针对该现象，早期研究重在关注制造业发展及其空间布局（Hise, 2001）、工业企业区位动态选择（Arauzo-Carod et al., 2009）和制造业空间演变过程的主要影响因素（Lewis, 2001; Muller, 2001）等方面。国外学者基于工业区位论、新经济地理学、演化经济地理学、政治经济学和行为学派理论等，探讨了规模经济、生产成本、区位条件、制度环境、市场潜力等外在因素，以及企业行为、路径依赖等内在因素对城市制造业空间演变的影响作用（Weber, 1960; Krugman, 1993; Brouwer et al., 2004; Kichko, 2019）。同时，企业异质性产生的区位选择和分类效应也会导致不同类型产业空间分布和演变特征（Baldwin et al., 2006）。随后研究方向逐渐由仅关注企业经济关联的单一视角，向政策、社会、经济、创新等多重视角转变，主要探讨产业的空间分布（Yeung et al., 2015; Kaygalak et al., 2016; Aritenang, 2021）。尽管已有研究从城市角度分析制造业空间分布，但主要针对制造业企业员工的数量变化（Kaygalak et al., 2016），或制造业的整体空间布局（Arauzo-Carod et al., 2009; Aritenang, 2021），而对于城市内不同类型制造业企业空间演变的综合性探讨较少。
在经济全球化和快速工业化的背景下，城市空间转型发展已成为中国大城市都市区发展的重要特征，而制造业空间演变是其主要动力（刘汉初 等，2020）。国内学者基于不同的空间尺度（国家、区域、省市），从空间格局、产业特性、动力机制等方面对制造业空间演变进行了大量的实证研究，主要聚焦于制造业高度集聚的城市群（徐维祥 等，2019；刘汉初 等，2020；周伟 等，2020）或沿海发达地区大城市（张晓平 等，2012；蒋丽，2014；高金龙 等，2017；Yang et al., 2017）。基于空间格局视角，大城市制造业呈现由中心区向郊区迁移的趋势，且制造业地理集聚区存在空间差异。从产业特性看，不同类型制造业在空间分布上存在明显的差异性：劳动密集型制造业受市场影响，空间布局分散（张可云 等，2021）；而资本和技术密集型制造业的空间集聚度较高（高辰 等，2018）。在动力机制方面，学者们基于不同的视角进行了探讨，普遍认为规模经济（林柄全 等，2020）、生产成本（梁育填 等，2013）、区位条件（张杰 等，2018）和政策制度（骆晨 等，2021）等是影响制造业空间演变的主要因素。此外，不同类型制造业企业布局的核心影响因素不同（高辰 等，2018；蒋海兵 等，2021）：市场潜力对劳动密集型企业影响显著，政策制度对资本密集型企业的空间影响较大，土地成本、产业联系促使技术密集型企业集聚（周锐波 等，2017）。近年来，随着数据挖掘技术的迅速发展，增强了精细化企业数据的可获取性，各种计量方法模型的日趋成熟，为研究提供强力支撑（巫细波，2019；崔喆 等，2020）。在研究方法上，多采用产业集聚度指标进行测度，忽视了企业数据信息，无法如实反映产业的空间格局变化（崔喆 等，2020）。而GIS空间分析方法能弥补其空间信息的不足，被广泛应用于产业空间的相关研究。
关于制造业空间演变已取得丰富成果，但也存在一些不足。首先，多数研究对中部地区大城市的关注度不够，采用长时段企业数据的研究还不多见。其次，总体上侧重于制造业整体空间研究，而从行业特性入手对不同类型制造业空间异质性的研究较少，且在指标选取上对于政策制度、创新能力等方面的重视程度不够。与此同时，中国已进入高质量发展新时代，需要重新审视制造业空间布局，探究新时代下制造业空间呈现的新特点。
长沙市经济发展水平和工业化进程位于全国的前列，但制造业发展存在空间异质性、土地利用效率低等问题。目前，关于长沙市产业空间演变主要探讨了工业用地扩展对城市空间演变的影响，产业空间演变以及产业空间优化等方面（刘路云 等，2015；叶强 等，2019；骆晨 等，2021）。受数据获取限制，已有研究缺乏长时序企业数据的支撑，忽视了不同因素对不同类型制造业空间演变的不同作用。探讨长沙都市区制造业空间演变特征及其影响因素，对实现长沙市产业空间调整，优化资源配置，推动制造业高质量发展有着重要的现实意义。因此，本文以长沙都市区1978－2020年制造业企业数据为对象，综合运用ArcGIS空间分析方法与Stata计量经济学模型，从点、面角度深入探讨不同类型制造业空间格局的演变特征，选取社会经济、生产成本、建成环境、政府行为和创新能力进行影响因素综合分析。以期深入了解大城市制造业空间演变的影响机制，准确判断城市产业发展规律，为长沙市制造业空间优化布局、高质量发展提供理论支撑和实践依据。

1 研究区概况、数据与方法

1.1　研究区概况

长沙位于湖南省东北部，市域面积11 819 km2，是湖南省省会，长江中游地区重要的中心城市和全国两型社会建设综合配套改革试验区核心城市。长沙市作为中国重要制造业基地，拥有深厚的工业发展基础，是中部地区工业化快速推进的典型地区。改革开放以来，长沙产业发展迅速，工业附加值从1978年的6.37亿元增长到2020年的3 420亿元，占全省的比例达28%，在全省各市州中领先优势明显，对全市GDP的贡献率达39%。其中，制造业产值占工业总产值的90%以上，在全市的经济格局中占比达1/3（长沙市统计局，2018）。很显然，制造业是拉动长沙市和湖南省经济增长的主要动力。此外，长沙市通过充分发挥制造业比较优势，围绕工程机械、食品、汽车及零部件、新材料、电子信息等五大千亿级产业，其中工程机械产业规模突破2 000亿元，已经成为世界级产业集群。新材料、新能源、信息技术、生物医药、人工智能等新型战略性产业，培育世界级产业集群，打造中部地区崛起核心增长极。
选取长沙都市区作为研究区域，该区域是长沙市的核心区域，也是长沙改革开放以来城市扩张的主要区域。依据《长沙城市总体规划（2003—2020）（2014年修订）》划定的范围，包含芙蓉区、天心区、开福区、雨花区全部区域，岳麓区、望城区、长沙县部分区域，总面积为1 930 km2（图1）。
图1 研究区域

Fig.1 Research area

1.2　数据来源与处理

利用“天眼查”平台 1收集长沙都市区制造业企业数据，该平台涵盖中国近3亿个社会实体信息。使用的企业属性信息主要包括：企业名称、登记行业、注册时间和注册地址等，并结合国家企业信用公示系统 2，对原始数据进行剔除、过滤、校正等清洗工作。根据这些企业的名称和地址，借助高德开发平台 3的Web服务API中的地理编码，借用Python检索获取各个企业的经纬度坐标，再利用ArcGIS10.3软件将企业坐标转换为空间点数据文件，由此构建制造业企业数据库。该数据库囊括了2020-12-31之前在长沙都市区内注册的所有制造业企业，合计24 923家。为进一步分析不同类型制造业的空间异质性，在参考已有研究（Yang et al., 2018；巫细波，2019）的基础上，以《国民经济行业分类》（GB/T4754-2017）（国家统计局，2017）的大类为依据（制造业门类包括C13~43大类），根据制造业各行业对劳动、资本和技术等生产要素的依赖程度，将其划分为劳动密集型、资本密集型和技术密集型3类。其中，C13~15、C17~24为劳动密集型，C16、C25~26、C28~33、C42为资本密集型，C27、C34~41、C43为技术密集型。
长沙社会经济数据来源于1978―2021年《长沙统计年鉴》 4《湖南统计年鉴》④和2000―2020年《长沙市国民经济和社会发展统计公报》 5。由于2000年前部分年份统计年鉴和统计公报的缺失，以及统计口径的不一致，导致相关数据存在大量缺失，因此，在运用Stata计量模型进行因素分析时，采用的样本范围限定在2000―2020年，个别缺失数据用近5 a的年均增长率进行递推处理。

1.3　研究方法

1.3.1　标准差椭圆

运用标准差椭圆（SDE）研究长沙都市区制造业空间格局和演变趋势。椭圆表述空间要素分布的主要区域，平均中心表述企业分布的均衡点，椭圆的长轴和短轴分别反映空间要素的分布方向和分布范围，X与Y的比率表示其延一个方向分布的极化情况，具体数学表达式为（Wachowicz et al., 2016）：
X w = ∑ i = 1 n w i x i ∑ i = 1 n w i
Y w = ∑ i = 1 n w i y i ∑ i = 1 n w i
式中： X w和 Y w为长沙都市区的加权平均中心； x i和 y i为空间要素的质心坐标； w i为企业数量的属性权重。
采用ArcGIS10.3软件的空间统计模块计算1978―2020年的标准差椭圆，将不同年份的标准差椭圆进行叠加，以得到不同类型制造业空间的分布特征和变化规律。

1.3.2　核密度分析

核密度分析（Kernel Density）常用于计算空间要素在其周围领域中的密度，能直观表现某类社会经济活动空间的集聚程度。核密度值越高，表明要素越集聚（蒋海兵 等，2021）。运用核密度分析对不同类型制造业空间分布进行可视化处理，直观反映不同类型制造业的空间集聚程度。其计算公式为（孙威 等，2020）：
λ ̂ h ( p ) = ∑ i = 1 n 3 π h 4 [ 1 - p - p i 2 h 2 ] 2
式中： λ ̂ h p为点 p处的核密度值； h是以 p为圆心的半径； p i是以 p点为圆心、 h为半径内的第 i个制造业企业，； p - p i 为估算点 p到样本 p i处的距离。采用ArcGIS10.3软件开展相关计算和制图工作。

1.3.3　空间计量模型

制造业企业区位选择会趋向获利最大的位置，其空间布局存在明显的离散特征，且因变量为企业数量（计数数据）。在处理离散型计数变量通常采用泊松回归。假设 Y i = y i的概率由参数为 λ i的泊松分布决定（陈强，2010）：
P Y i = y i | x i = e - λ i λ i y i y i ! y i = 0,1 , 2 , ⋯ n
式中： λ i > 0为“泊松达到率”，由解释变量 x i所决定，泊松分布的期望值与方差等于泊松达到率，则 Y i的条件期望函数为：
E Y i | x = e x p β X i = V a r Y i | x = λ i
泊松回归的局限性在于要求因变量的期望值与方差相等，即当 λ i = 0，为“均等分散”；当因变量方差与期望值相差过大，当 λ i > 0，出现“过度分散”时，泊松回归不再适用，则需要使用负二项回归模型。引入过度分散参数 α，条件方差为：
V a r Y i | x = λ i + α λ i 2 > λ i = E Y i | x
条件方差是 α的增函数，当 α = 0时，采用泊松回归；当 α > 0时，则采用负二项回归，且 α值越大，表示数据的离散程度越强。

2 长沙都市区制造业空间格局及其演变特征

2.1　制造业发展时序格局

自1978年改革开放以来，中国制造业实现了快速发展，其空间也在经济转型中得到重构。因经济水平、政治环境的不同，制造业空间呈现不同的阶段性特征。结合已有研究和长沙市实际，将长沙制造业发展分为1949―1978、1979―1990、1991―2003、2004―2011、2012―2014和2015―2020年6个发展阶段（图2）。
图2 长沙都市区各年份各类型制造业企业总数及其增数变化趋势（1978―2020年）

Fig.2 Changes of various manufacturing enterprises in Changsha metropolitan area from 1978 to 2020

新企业区位选择是驱动制造业空间演变的主要动力。图2为1978―2020年各类制造业企业增量和数量变化趋势。从企业的增量变化看，长沙都市区各类制造业企业数量增量基本呈增长趋势，劳动、技术、资本密集型制造业交织发展，资本密集型制造业与全门类制造业发展趋势基本一致。从企业数量变化看，各类制造业呈逐渐增长的态势，且随着时间推移，劳动密集型和资本密集型制造业逐渐向技术密集型转型升级。具体而言，1979―1990年改革开放初期，经济活力被激活，3类产业呈同步增长趋势，且增速缓慢；1991―2003年，伴随改革开放和产业结构调整步伐的加快，科学技术作为第一生产要素，成为长沙经济发展的重要推力，技术密集型制造业开始高于其他类型制造业，企业数量进入快速增长阶段；2004―2011年，技术密集型制造业呈现领跑趋势，且资本密集型制造业开始与劳动密集型制造业拉开差距；2012―2014年，长沙全面实施“兴工强市”战略，制造业经历了一个黄金发展期，形成了多点支撑的产业格局，劳动、资本、技术密集型制造业增长同步，但从数量上看，技术密集型制造业仍处于领先地位；2015―2020年，3类产业增量波动较大。2015年国家全面推行制造强国战略，推动长沙制造业企业数量快速增长，而智能制造作为主攻方向，是长沙市制造业发展的重点，促使技术密集型制造业得到了快速发展。

2.2　制造业空间演变特征

1978―2020年，长沙都市区制造业企业的数量从53家增长至24 923家。其中，劳动密集型企业共有7 297家，资本密集型企业共有8 049家，技术密集型企业共有9 577家。图3和表1展示了全门类制造业及其子行业SDE的结果及变化。
图3 长沙大都市区制造业空间演变的标准差椭圆变化（1978―2020年）

Fig.3 Standard deviation ellipse of the spatial distribution of manufacturing in Changsha metropolitan area from 1978 to 2020

表1 长沙都市区制造业SDE结果分析

Table 1 Result of SDE in manufacturing industries in Changsha metropolitan area

行业 年份 椭圆中心坐标 X轴/km Y轴/km 方位角θ/（°） 面积/km2
全门类制造业 1978 28°11′13″ N，112°59′49″ E 15.92 18.33 57.896 916.44
1990 28°11′13″ N，112°58′48″ E 19.90 18.30 102.411 1 143.94
2003 28°11′31″ N，112°58′59″ E 20.66 17.10 109.606 1 109.79
2011 28°11′49″ N，112°59′24″ E 25.14 20.39 111.373 1 610.12
2014 28°12′11″ N，112°59′28″ E 27.93 23.05 108.525 2 022.18
2020 28°12′29″ N，112°59′24″ E 29.22 22.34 116.955 2 050.69
劳动密集型 1978 28°12′00″ N，112°59′24″ E 18.66 9.65 99.563 565.78
1990 28°11′24″ N，112°58′23″ E 18.11 16.18 108.649 920.52
2003 28°11′42″ N，112°58′55″ E 19.40 15.59 110.198 950.28
2011 28°11′56″ N，112°59′42″ E 23.73 19.01 118.451 1 416.98
2014 28°12′29″ N，112°59′31″ E 25.38 20.84 115.601 1 661.69
2020 28°12′11″ N，112°59′28″ E 26.74 20.11 123.063 1 688.87
资本密集型 1978 28°10′41″ N，113°01′01″ E 14.59 24.57 43.766 1 126.23
1990 28°11′10″ N，112°59′24″ E 23.67 23.21 92.536 1 725.89
2003 28°11′20″ N，112°59′13″ E 22.90 19.26 112.164 1 385.58
2011 28°11′42″ N，112°59′24″ E 24.78 21.38 114.656 1 664.57
2014 28°11′56″ N，112°58′37″ E 30.22 25.14 118.460 2 386.18
2020 28°12′47″ N，112°59′28″ E 31.61 23.68 122.576 2 351.64
技术密集型 1978 28°11′13″ N，112°59′13″ E 13.01 17.79 4.584 727.24
1990 28°11′2″ N，112°58′44″ E 18.04 15.47 106.135 876.71
2003 28°11′20″ N，112°58′48″ E 19.68 16.26 106.723 1 005.19
2011 28°11′56″ N，112°59′17″ E 26.38 20.03 107.712 1 659.50
2014 28°12′11″ N，113°00′07″ E 28.50 21.70 100.710 1 942.51
2020 28°12′25″ N，112°59′20″ E 29.04 22.23 109.004 2 027.89

2.2.1　全门类制造业企业标准差椭圆分析

如图3-a和表1所示，1978―2020年长沙都市区内的全门类制造业企业整体呈“西北―东南”分布，早期长沙制造业发展受湘江的自然限制，企业分布以河东老城区为主，沿湘江两岸东西向发展。1972年湘江大桥建成，使得城市制造业突破湘江的限制向西发展。随时间推移，标准差椭圆越来越大，表明企业分布呈扩散趋势，其方位角在102.41°―116.96°之间变化。其中2004年变化最为明显，这与长沙市2003年积极实施“退二进三”、疏散不适应城市功能定位的制造业企业等政策密切相关。1978－2020年椭圆平均中心主要在芙蓉区内跳动，主要因为芙蓉区是长沙市服务业高度集聚区，能为制造业提供便捷的服务，对企业规模较小的劳动密集型和技术密集型企业产生较大吸引力。自1978年以来，X轴的标准差值呈增加趋势，椭圆扁率逐渐增大，表明制造业的发展方向性逐渐明显。源于布局在西北部的长沙高新区和望城经开区，以及东南部的长沙经开区与隆平高科技园吸引了大量企业入驻，逐渐形成集群效应。从Y轴的标准差值变化看，1978―2003年，标准差值呈减小趋势，此时制造业企业向心力越来越明显。2003―2014年，标准差呈增长趋势，制造业企业呈扩散发展。2014年之后，标准差又开始不断减小，说明制造业企业由扩散向集聚发展。由此可见，长沙都市区制造业空间基本遵循“集聚―扩散―集聚”的演变规律。

2.2.2　不同行业制造业企业标准差椭圆分析

不同行业的标准差椭圆变化趋势不同。如图3-b所示，1978―2020年劳动密集型企业的平均中心基本位于芙蓉区内，生成的椭圆总体呈“西北―东南”分布，方位角大致在99.56°―123.06°之间变化。1978年后，由于都市区东南方向的劳动密集型企业数量显著增加，促使方位角发生显著变化。这与长沙政府于1979年8月编制的《长沙市城市总体规划》中要求“控制大城市规模，发展小城镇”的政策导向密切相关，城市建设用地以东南方向拓展为主。1990―2020年X轴的标准差距离不断增加，体现劳动密集型企业沿长轴“西北－东南”方向存在扩散趋势；从Y轴标准差看，1978―1990年，短轴标准差较小，劳动密集型企业发展向心力明显，1990年后Y轴标准差保持稳定的增长趋势，劳动密集型企业不断向外围扩散分布。由于长沙市政府在1989年开始明确规定土地综合开发转让费的价格，推动劳动密集型企业外迁重组。
如图3-c，资本密集型企业与全门类制造业企业空间格局相似。以工程机械为代表的资本密集型制造业是长沙市的支柱性产业，且该类产业普遍规模较大，因此对长沙整体制造业空间产生较大影响。1978―2020年资本密集型企业的平均中心发生较大变化，方位角大致在43.77°―122.58°之间变化。1978年平均中心位于雨花区内；1990年平均中心开始向西北部转移，落于芙蓉区边界处；1990―2014年，平均中心在芙蓉区内变化；2014年之后，平均中心向东北方位移，落于开福区境内。从椭圆的分布方向看，资本密集型企业总体呈“西北―东南”分布，其中1990年后，椭圆的分布方向由“东北―西南”转变为“西北―东南”方向。归因于1991年长沙科技开发试验区升级为长沙高新技术开发区，成为国家首批高新技术产业开发区，步入高速发展。长沙高新区凭借优惠的政策，吸引大量企业入驻，导致西北部的资本密集型企业激增。X轴标准差基本呈增加趋势，沿“西北―东南”方向存在极化现象，Y轴标准差变化呈“先集聚后扩散”的发展态势。
如图3-d，1978―2020年技术密集型企业的平均中心主要位于芙蓉区与开福区、天心区和雨花区的交界处。该区域金融中心密集，人口密度高，市场需求量大，吸引部分规模较小的技术密集型企业布局于此。生成的椭圆呈“西北―东南”方向分布，方位角在106.13°~109.0°之间变化。1978年，生成的椭圆近“南―北”向分布，该阶段技术密集型企业受湘江的自然限制较大，沿湘江两岸分布。1978年后，椭圆逐渐向“东―西”方向转变。原因在于区域西部的岳麓大学城能为企业输送人才、提供技术创新，区域东西两边的长沙高新技术产业开发区和经济技术开发区能为该类型企业提供优惠政策，从而产生较强的吸引力。X轴的标准差值不断增加，企业方向性逐渐明显。而Y轴的标准差值以2003年为时间节点，先减少后增加，技术密集型企业经历了先集聚后扩散的发展态势。在产业发展初期，出于对创新和新技术的需求，技术密集型企业首选在产业集聚度高的城市中心区发展，但随着中心区地价的上涨以及生产技术的成熟，企业会逐渐向城市郊区转移，以寻求空间扩大规模。
总体来看，不同产业特性的制造空间格局演变存在异质性特征：劳动密集型企业整体存在大规模的产业转移，以接触扩散和等级扩散为主；资本密集型企业依托工程机械产业在长沙高新区和长沙经开区形成集群效应，而部分污染性资本密集型企业受政府干预，逐步向外围郊区转移；技术密集型制造业空间呈先集聚后扩散趋势，集中在长沙高新区和经开区，并进一步向望城经开区、隆平高科技园和岳麓高新区扩散。

2.3　不同类型制造业空间集聚特征

借助ArcGIS，通过核密度分析对2020年长沙都市区新增制造业企业分布进行可视化，得到各类制造业空间的集散特征（图4）。长沙都市区制造业空间分布相对分散，各类制造业集聚中心各异，在各工业园区和重大交通设施附近形成多个较为明显的集聚中心。劳动密集型制造业企业大部分为都市型工业，企业规模以轻、微型为主，用地布局灵活，呈“中心集聚、分散布局”的空间特征。虽然中心区能为劳动密集型制造业提供便捷的服务，促使部分规模较小的企业仍选择集聚于此。但随着土地和劳动力价格的逐年攀升，长沙劳动密集型企业逐步向外围郊区疏散；资本密集型制造业以大型企业为主，其用地规模大，呈“大范围扩散、小范围集聚”的空间特征，主要表现为沿铁路、高速、国道、省道等主要交通干线由中心区向土地价格更低的郊区迁移；技术密集型企业以中、小型企业为主导，其区位指向性强，倾向于布局在科教集中、政策优惠和环境优越的地区，受国家级开发区吸引较大，集聚中心基本布局在“岳麓大道―三一大道”的工业发展轴上，该工业轴密集布局于长沙高新区、长沙经开区、隆平高科技园等园区，先进制造业和战略性新兴产业集聚，集群效应明显。
图4 2020年长沙都市区新增制造业企业核密度分析

Fig.4 Kernel density of new manufacturing enterprises in the Changsha metropolitan area in 2020

3 长沙都市区制造业企业区位选择影响因素

3.1　指标选取

影响制造业空间演变的因素复杂多样，根据已有文献（Sun et al., 2016；高金龙 等，2017；周锐波 等，2017；张杰 等，2018；徐维祥 等，2019；刘汉初 等，2020；周伟 等，2020），长沙实际情况以及数据的可获取性，选取全门类制造业企业以及劳动密集型、资本密集型和技术密集型等不同类型制造业企业作为因变量，从社会经济、生产成本、建成环境、政府行为、创新能力5个方面，选取11个指标作为自变量（表2），研究其对长沙都市区不同类型制造业企业区位选择的影响。
表2 长沙都市区制造业企业区位选择影响因素的各指标变量选择及描述

Table 2 Each index variable description of influencing manufacturing enterprise location choices

变量类型 变量名称 变量代码 变量说明
因变量 企业选址 全门类制造业 Manufacturing 制造业企业数量/个
劳动密集型 Labor 劳动密集型制造业企业数量/个
资本密集型 Capital 资本密集型制造业企业数量/个
技术密集型 Technology 技术密集型制造业企业数量/个
自变量 社会经济 经济基础 PGDP 人均国内生产总值/（万元·人-1）
人口数量 Population 年末总人口/百万
工业水平 Industry 工业总产值/千亿元
生产成本 土地成本 Land 地区工业用地出让平均价格/（百元·m-2）
劳动力成本 Wage 区域职工平均工资/万元
建成环境 道路基础设施 Mileage 公路总里程数/1 000 km
城市环境 Green 城市绿地率/%
政府行为 供给导向 Investment 固定资产投资水平/千亿元
对外开放水平 Open 制造业外商直接投资金额/亿美元
工业园区数 Park 省级以上工业园区数量/个
创新能力 专利研发 Patent 专利申请数量/万件
社会经济发展条件是城市建设的重要物资基础，其中经济基础、人口数量和工业水平与制造业发展息息相关。人均地区生产总值代表一个地区的宏观经济发展情况，人均生产总值较高的地区通常经济发展水平也越高，伴随着更多的财政收入和市场需求，并依托其完善的基础设施、人才储备以及政策红利等对制造业企业产生强有力的吸引（徐维祥 等，2019；林柄全 等，2020）。城市年末总人口代表城市的人口基础反映劳动力的可用性、可及性以及市场潜能。地处人口资源丰富地区的制造业企业更便于获取适宜的劳动资源（徐维祥 等，2019）。工业总产值代表城市工业发展总体规模和水平，其水平的提升能带动制造业集聚的形成。
生产成本是影响制造业企业区位选择的决定性因素，主要包括劳动力成本和土地成本（周锐波 等，2017；周伟 等，2020），其中，区域职工平均工资常用于衡量城市劳动力成本对制造业企业区位选择的影响；地区工业用地出让平均价格能直接反映制造业活动的土地成本。
建成环境是城市中满足居民日常生活、工作和娱乐需求的人造空间（Sun et al., 2016）。交通基础设施会影响企业的生产运输、员工的通勤效率，从而影响制造业企业空间分布（周伟 等，2020）。环境质量好的地区能吸引高端人才和制造业企业（Sun et al., 2016）。故选取公路里程数和城市绿地率2个变量衡量。
政府通过制定各类战略政策引导和调控制造业的发展方向和空间布局（周伟 等，2020）。高水平的开放型经济能有效促进制造业高质量发展（徐维祥 等，2019）。政府通过设立工业园区、提供优惠政策和完善的基础设施以吸引制造业企业入驻，从而引导制造业空间集聚发展（Kang et al., 2020）。因此选取固定资产投资水平、制造业外商直接投资金额和省级以上工业园区数量3个变量衡量政府行为。
新经理地理学认为技术创新是影响产业空间的重要因素（Ozawa, 2003），专利申请是衡量城市创新能力的重要指标，故选取专利申请数量作为衡量地区创新能力的指标。

3.2　结果分析

首先，选取模型A研究全门类制造业企业区位选择受到的主要影响因素。其次，为进一步研究不同类型制造业企业在区位选择上的差异性，分别选取劳动密集型企业数量（模型B）、技术密集型企业数量（模型C）和资本密集型企业数量（模型D）进行分析。
通过计算因变量的统计特征，发现样本方差远高于期望值。以劳动密集型为例，因变量方差为1 970 040远大于其期望值4 594.95，样本的所有模型通过负二项回归计算得到的α系数均在95%的置信区间上＞0，故使用负二项模型进行回归分析，结果详见表3。
表3 负二项回归结果（2000―2020年）

Table 3 Results of negative binomial regression analysis from 2000 to 2020

自变量 模型A：全门类制造业 模型B：劳动密集型 模型C：技术密集型 模型D：资本密集型
PGDP 0.023 1** （3.01） 0.026 1***（4.38） 0.032 6***（4.90） 0.012 1（1.54）
Population 0.600 7***（7.65） 0.543 8***（7.98） 0.578 4***（7.54） 0.651 2***（6.14）
Industry 0.010 6*（1.73） 0.009 1（1.60） 0.010 1**（2.06） 0.009 1（1.35）
Land -0.008 2* （-1.88） -0.008 7**（-2.12） -0.004 2（-0.89） -0.012 7**（-2.47）
Wage -0.094 8**（-2.36） -0.092 1***（-2.77） -0.097 0***（-3.34） -0.123 5***（-3.30）
Mileage 0.019 5**（2.06） 0.003 9（0.41） 0.017 5**（2.44） 0.042 2***（3.82）
Green 0.001 6（0.68） 0.002 2（0.92） 0.001 0（0.51） 0.003 2（1.26）
Investment 0.021 0（0.87） 0.041 3*（1.92） 0.007 8（0.44） 0.036 3*（1.72）
Open -0.006 2**（-3.28） -0.008 7***（-4.95） -0.004 8***（-3.62） -0.007 6***（-3.78）
Park 0.040 6***（5.17） 0.040 5***（5.06） 0.045 7***（5.71） 0.039 1***（4.51）
Patent 0.031 5（1.34） 0.028 3（1.63） 0.044 1**（2.51） 0.040 7*（1.90）
常数 5.079 7***（11.73） 4.355 1***（11.28） 4.168 7***（9.88） 3.507 7***（6.10）
R 2 0.33 0.37 0.38 0.37
N 21 21 21 21

注： ***、**、*分别表示1%、5%和10%的显著水平；括号内数字为Z值。

3.2.1　全门类制造业模型回归结果分析

在全门类制造业模型A中，社会经济、生产成本和政府行为对长沙都市区制造业空间演变具有重要影响。Population和Park通过1%的显著水平检验，且回归系数都显示为正，表明人口资源越丰富，劳动力的可用性、可及性越高，工业园区建设越快，越有利于制造业空间发展。人口的持续增长为企业提供丰富的劳动力，对劳动力需求较高的制造业企业具有较强的吸引力。同时，长沙加快开发园区产业发展，对园区内的企业提供优惠政策，通过引导产业转移，吸引关联企业于此布局。PGDP、Wage、Mileage和Open通过5%的显著性水平检验，说明经济基础、劳动力成本、交通基础设施和对外开放程度对企业布局产生一定吸引力。其中，PGDP和Mileage的回归系数为正，说明长沙市的经济发展水平越高，交通基础设施越便利，对制造业企业的吸引力越强。Wage和Open的回归系数为负，这是由于劳动力成本的攀升会导致企业生产成本过高而失去竞争力，逐渐向劳动力成本较低的地区迁移，而外商直接投资的大量流入更侧重于抢占市场份额，不利于本土制造业的发展。此外，Green、Investment和Patent对全门类制造业企业布局影响不显著，可能是模型A无法体现行业异质性。

3.2.2　各行业制造业模型回归结果分析

劳动密集型模型B的结果表明，PGDP、Population、Wage、Open和Park影响显著，均通过1%的显著水平检验。其中，PGDP、Population和Park的回归系数显著为正，由于长沙市经济发展水平越高，市场需求量越大，人口增长越快则为企业提供的劳动力也越丰富，从而为企业提供更多的市场机会以及用人选择。同时，广泛布局在郊区的开发园区能为劳动密集型企业提供大量的政策优惠，如用工补贴、税收优惠等以吸引该类型企业入驻。而Wage和Open的回归系数显著为负，由于劳动密集型企业主要靠大量使用劳动力，企业出于节约生产成本的考虑，更倾向于布局在劳动力成本较低的地区。而Open对该类型企业演变产生负面影响，是因为越来越多的外国跨国公司以占领国内市场份额为目标，吸纳大量本地的劳动力，不利于本地企业的发展。Land在5%的显著水平下为负，表明土地价格低的地区更能吸引劳动密集型企业布局。因此，长沙中心区良好的经济基础和密集的人口资源吸引部分规模较小的劳动密集型制造业企业布局；此外，更低的劳动力成本与土地价格和更多的工业园区数量将会引导该类制造业空间不断向城市郊区迁移。
技术密集型模型C显示，PGDP、Population、Wage、Open和Park均通过1%显著性水平检验，其中PGDP、Population、Park回归系数显著为正，这表明技术密集型企业的发展离不开良好的经济基础、丰富的人口资源以及工业园区的政策支撑。PGDP在模型C中的系数（0.032 6）远高于其他模型，表明经济基础是该类型企业增长的重要动力，经济发展繁荣地区具有创新、包容的发展环境对于技术密集型企业的发展不可或缺。而丰富的人口资源能为技术密集型企业提供技术人员储备，有利于产业发展。同时，长沙开发园区政策能有效推动企业各项经济指标的显著提升，从而吸引企业入驻并不断集聚。Wage和Open显著为负，表明用工成本的攀升，会成为企业入驻和根植的阻碍；而跨国公司和全球资本的涌入，可能会导致行业技术垄断，不利于技术密集型企业发展。Industry、Mileage和Patent的系数较为显著且为正，反映该类型产业发展依赖于城市工业基础的总体水平、高水平的通达性和技术创新的能力。其中，Patent的系数在模型C中为0.044 1，相较于其他模型而言绝对值最高显著性最强，说明创新能力是技术密集型企业获得成功的重要驱动力。因此，技术密集型制造业企业具有经济基础指向性、投资环境指向性和创新效应指向性特征，上述因素使得该类企业在长沙高新区和经开区形成集聚。
资本密集型模型D的结果显示，Population、Mileage和Park的回归系数显著为正，说明丰富的人口资源、便捷的交通基础设施和工业园区的政策支撑，对企业规模发展具有促进作用。相较其他模型，Mileage的系数最高为0.042 2，说明资本密集型企业对地区交通可达性依赖度高，通过提升城市交通可达性水平，降低生产要素在该企业间的错配程度，促进其再配置及生产效率的提高。而资本密集型企业的发展规模和效率离不开大规模的投资与政策的大力支持，长沙市开发园区为鼓励企业充分利用多层次资本市场，对企业给予资金支持、税收及租金优惠等各种利好政策，从而吸引企业入驻园区并形成集聚效应。Wage和Open系数显著为负，表明劳动力成本和利用外资水平是影响资本密集型企业的重要因素。劳动力成本上升会造成企业利润空间缩小以及同行间竞争加剧。跨国公司资本的大量流入，容易形成行业垄断，不利于本地资本密集型企业发展。此外Land通过5%的显著性水平检验，系数为-0.012 7，其绝对值远高于其他2类行业，由于资本密集型企业普遍用地需求量大，土地价格的上涨将会导致企业发展用地成本的升高，对资本密集型制造业产生挤出效应。

4 结论与启示

4.1 结论

基于长沙都市区制造业的企业数据，分析了不同类型制造业空间演变过程，探讨了社会经济、生产成本、建成环境、政府行为和创新能力等因素对制造业企业区位选择的影响。得到的主要结论有：
1）1978―2020年，长沙都市区制造业企业数量和增量总体呈现增长趋势，劳动密集型和资本密集型制造业逐步向技术密集型升级。所有类型制造业在空间分布上均呈现明显的郊区化趋势，表现为由城市中心区集聚扩充向郊区化扩散发展，再到郊区集聚重组。在改革开放初期，长沙都市区制造业受湘江的自然限制，主要集聚在河东老城区并沿湘江两岸展布，随后伴随湘江大桥的建成使得制造业空间突破湘江限制逐步向河西发展。随着近20年来长沙市基础设施及开发区建设的不断完善，开发区逐渐成为制造业重组集聚的重要空间载体，制造业主要沿“西北―东南”方向扩展，呈现“点轴式”发展格局。在空间演变过程中，长沙制造业空间经历了由集聚到分散再到集聚的周期变化特点，演变模式由镶嵌式填充变为外向式扩散，但也面临空间功能置换、空间利用率不够、集聚程度不高等问题。
2）受产业特性的影响，不同类型的制造业在空间分布上呈现明显的差异。劳动密集型企业以轻型、微型为主，用地布局灵活；技术密集型制造业以中、小企业为主，产业关联度更为紧密，集聚效应明显，因此，更需要通过集聚集群发展以减小生产成本、提高协作效率和抗风险能力；而资本密集型企业以大型企业为主，大规模的用地需求和员工需求，限制了其在城市中心区集聚，与此同时，外围郊区的开发园区“政策租”等优惠政策吸引企业入驻，促使资本密集型制造业呈现“大范围扩散、 小范围集聚”的空间特征，其中高能耗、污染性的重化工制造业扩散趋势尤为显著。此外，资本密集型制造业与全门类制造业空间演变趋势基本一致，反映该产业是长沙市制造业空间格局的基础。
3）不同类型制造业企业区位布局的关键影响因素不同。劳动力密集型企业受到社会经济、生产成本和政府行为的影响；技术密集型企业更加注重区域的经济效益、创新环境以及政策支持，社会经济、生产成本、建成环境、政府行为和创新能力均对其产生重要影响；资本密集型企业受人口基础、交通可达性、土地成本和工业园区政策作用突出。3类制造业空间演变均受到政府行为的显著影响，其中，固定资产投资水平和工业园区数体现了长沙市政府对制造业发展的规划指引与政策导向，表明产业发展战略与政策在很大程度上驱动着区域产业集聚与扩散。此外，对外开放程度对3类制造业企业布局都产生负面影响，表明大量外资的涌入容易形成行业垄断，不利于本地制造业发展。

4.2 启示

基于上述结论，可以得到以下政策启示：
第一，因地制宜、分区制定。逐步引导长沙中心区不符合城市定位的制造业企业向外疏散，对于污染性、高能耗、低附加值的企业实施“退二进三”，引导公共设施、交通设施、绿地、服务业、居住用地等性质转变；在近郊区实施“退二进二”限制高污染、强干扰制造业发展，重点发展高附加值的制造业，逐步引导用地功能置换。同时，应加快对现有开发园区的整合和完善建设，通过精细化、合理化设置主导产业，降低园区产业结构趋同度，进一步加强制造业向园区集群化、集约化发展。
第二，因产而异、精准施策。针对长沙不同类型的制造业发展现状，政府应统筹考虑制定适宜的产业发展政策。为实现劳动密集型制造业的合理扩散，可通过完善产业上下游配套条件，逐步引导劳动密集型制造业由中心区向外疏散；引导技术密集型制造业于开发区集聚，以长沙高新区和望城经开区为核心，依托周边高校云集优势，加快科技成果转化和创新资源导入；对于资本密集型制造业而言，应加快疏散长沙中心区现有高能耗、污染性资本密集型企业，并督促其加大技术改造力度。同时，应通过优势互补促进资源优化配置，引导生产要素向开发园区集聚，吸引非污染性资本密集型制造业入驻园区。
第三，合理引导、优化配置。长沙制造业高质量发展应充分考虑不同类型制造业空间演变的关键驱动要素，制定合理的招商引资及产业发展政策。通过优化营商环境，加快劳动力、土地和资本等生产要素的自由流动和配置效率，促进劳动密集型制造业优化升级；积极推动科学技术创新的成果转化，加大人才引进力度，全面提高技术密集型制造业的发展水平；加快补齐郊区交通基础设施，带动资本密集型制造业沿交通轴线向郊区分散；进一步推进开发园区集约化、特色化发展，引导各园区合理分工、助力产业结构调整；鼓励本地制造业积极参与全球产业网络，强化与外部产业的联系来提高自身的风险抵御力。
此外，本研究亦存在一定的局限性，由于数据获取难度的限制，只选取2000―2020年的时间序列数据进行负二项回归分析，未涉及更长的时间序列，未来将结合新的面板数据，分时段展开对长沙制造业空间演变的影响因素的动态分析。

1 https://www.tianyancha.com/

2 http://www.gsxt.gov.cn/

3 https://lbs.amap.com/

4 http://tjj.changsha.gov.cn/tjxx/tjsj/tjnj/

5 http://www.changsha.gov.cn/szf/ztzl/sjfb/tjgb/

骆 晨：论文选题，论文设计，提出论文研究方法，绘制分析图，论文撰写与修改；

郑伯红：指导研究过程，提出修改意见，提升论文质量；

刘琳琳：收集和整理数据，绘制分析图，提出修改意见。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Arauzo-Carod J M and Viladecans-Marsal E. 2009. Industrial Location at the Intra-Metropolitan Level: The Role of Agglomeration Economies. Regional Studies, 43(4): 545-558.

Aritenang A F. 2021. The Contribution of Foreign Investment and Industrial Concentration to Firm Competitiveness in Jakarta Megacity. Cities, 113: 103152.

Baldwin R E and Okubo T. 2006. Heterogeneous Firms, Agglomeration and Economic Geography: Spatial Selection and Sorting. Journal of Economic Geography, 6(3): 323-346.

Brouwer A E, Mariotti I and Van Ommeren J N. 2004. The Firm Relocation Decision: An Empirical Investigation. Annals of Regional Science, 38(2): 335-347.

陈强. 2010. 高级计量经济学及Stata应用. 北京：高等教育出版社. [Chen Qiang. 2010. Advanced Econometrics and Stata Applications. Beijing: Higher Education Press.]

崔喆，沈丽珍，刘子慎. 2020. 南京市新街口CBD服务业空间集聚及演变特征——基于微观企业数据. 地理科学进展，39（11）：1832-1844. [Cui Zhe, Shen Lizhen and Liu Zishen. 2020. Spatial Agglomeration Characteristics of Service Industry in Xinjiekou CBD of Nanjing City and Change: Based on Micro Enterprise Data. Progress in Geography, 39(11): 1832-1844.]

长沙市统计局. 2018. 改革开放40年长沙工业经济转型升级成效显著. (2018-09-18) [2022-04-30]. http://www.changsha.gov.cn/szf/ztzl/sjfb/tjfx/201809/t20180918_8254375.html. [The Burau of Statistics of Changsha. 2018. 40 Years of Reform and Opening Up Changsha Industrial Economy Transformation and Upgrading of Remarkable Results. (2018-09-18) [2022-04-30]. http://www.changsha.gov.cn/szf/ztzl/sjfb/tjfx/201809/t20180918_8254375.html.]

Florida R, Gulden T and Mellander C. 2008. The Rise of the Mega-Region. Cambridge Journal of Regions Economy and Society, 1(3): 459-476.

樊秀峰，康晓琴. 2013. 陕西省制造业产业集聚度测算及其影响因素实证分析. 经济地理，33（9）：115-119. [Fan Xiufeng and Kang Xiaoqin. 2013. Agglomeration Level Measurement of Manufacturing in Shanxi Province and Its Influencing Factors Empirical Analysis. Economic Geography, 33(9): 115-119.]

高辰，申玉铭. 2018. 北京市制造业空间格局及演变分析. 地域研究与开发，37（5）：30-36. [Gao Chen and Shen Yuming. 2018. Spatial Pattern and Evolution of Manufacturing Industry in Beijing City. Areal Research and Development, 37(5): 30-36.]

高金龙，袁丰，陈雯. 2017. 转型期城市制造业空间重构过程与机理——以南京市为例. 地理研究，36（6）：1014-1028. [Gao Jinlong, Yuan Feng and Chen Wen. 2017. Economic Transition and Restructuring of Manufacturing Spaces in Urban China: The Evidence from Nanjing. Geographical Research, 36(6): 1014-1028.]

国家统计局. 2017. 国民经济行业分类（GB/T 4754-2017）. 北京：中华人民共和国国家质量监督检验检疫总局；中国国家标准化管理委员会. [Bureau China State Statistical. 2017. Industrial Classification for National Economic Activities of the People's Republic of China (GB/T4754-2017). Beijing: General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China; Standardization Administration.]

Hise G. 2001. Nature's Workshop Industry and Urban Expansion in Southern California, 1900-1950. Journal of Historical Geography, 27(1): 74-92.

蒋海兵，李业锦. 2021. 京津冀地区制造业空间格局演化及其驱动因素. 地理科学进展，40（5）：721-735. [Jiang Haibing and Li Yejin. 2021. Change of Spatial Structure of Manufacturing Industry in the Beijing-Tianjin-Hebei Region and Its Driving Factors. Progress in Geography, 40(5): 721-735.]

蒋丽. 2014. 广州制造业空间布局及其形成原因. 热带地理，34（6）：850-858. [Jiang Li. 2014. Spatial Distribution and Driving Force of Manufacturing in Guangzhou. Tropical Geography, 34(6): 850-858.]

Kang Jiangjiang, Xu Wei, Yu Li and Ning Yueming. 2020. Localization, Urbanization and Globalization: Dynamic Manufacturing Specialization in the YRD Mega-City Conglomeration. Cities, 99: 102641.

Kaygalak I and Reid N. 2016. The Geographical Evolution of Manufacturing and Industrial Policies in Turkey. Applied Geography, 70: 37-48.

Kichko S. 2019. Competition, Land Prices and City Size. Journal of Economic Geography, 20(6): 1313-1329.

Krugman P. 1993. First Nature, Second Nature, and Metropolitan Location. Journal of Regional Science, 3740(33): 129-144.

Lewis R D. 2001. A City Transformed: Manufacturing Districts and Suburban Growth In Montreal, 1850-1929. Journal of Historical Geography, 27(1): 20-35.

梁育填，樊杰，柳林，张有坤，陈小良. 2013. 优化开发区域制造业企业迁移的因素及其区域影响——以广东东莞市为例. 地理研究，32（3）：497-506. [Liang Yutian, Fan Jie, Liu Lin, Zhang Youkun and Chen Xiaoliang. 2013. The Influencing Factors of Manufacturing Firm Migration and Its Impact on Development-Optimized Region: A Case Study of Dongguan City of Guangdong Province in China. Geographical Research, 32(3): 497-506.]

林柄全，谷人旭，王俊松. 2020. 集聚经济与基于价值链的企业区位选择——重新发现内部集聚经济. 经济地理，40（4）：56-64，74. [Lin Bingquang, Gu Renxu and Wang Junsong. 2020. Agglomeration Economies and Location Choices Through the Value Chain: Rediscover the Internal Agglomeration Economies. Economic Geography, 40(4): 56-64, 74.]

刘汉初，樊杰，张海朋，王甫园. 2020. 珠三角城市群制造业集疏与产业空间格局变动. 地理科学进展，39（2）：195-206. [Liu Hanchu, Fan Jie, Zhang Haipeng and Wang Fuyuan. 2020. Dynamics of Manufacturing Industry and Change of Its Spatial Pattern in the Pearl River Delta Urban Agglomeration. Progress in Geography, 39(2): 195-206.]

刘路云，郑伯红. 2015. 基于工业用地扩展的长沙城市空间演变与优化. 地域研究与开发，34（4）：54-59. [Liu Luyun and Zheng Bohong. 2015. Evolution and Optimization of Changsha City Space Based on Industrial Land Expansion. Areal Research and Development, 34(4): 54-59.]

骆晨，郑伯红，刘琳琳. 2021. 制度对城市都市区制造业空间演变的影响——以长沙市为例. 地理科学进展，40（7）：1167-1180. [Luo Chen, Zheng Bohong and Liu Linlin. 2021. The Influence of Institution on the Spatial Evolution of Manufacturing Industry in Metropolitan Areas: A Case Study of Changsha City. Progress in Geography, 40(7): 1167-1180.]

Muller E K. 2001. Industrial Suburbs and the Growth of Metropolitan Pittsburgh, 1870-1920. Journal of Historical Geography, 27(1): 58-73.

Ozawa T. 2003. Pax Americana-Led Macro-Clustering and Flying-Geese-Style Catch-Up in East Asia: Mechanisms of Regionalized Endogenous Growth. Journal of Asian Economics, 13(6): 699-713.

Sun Chuanzhun, Sun Chao, Yang Zhenshan, Zhang Jikang and Deng Yu. 2016. Urban Land Development for Industrial and Commercial Use: A Case Study of Beijing. Sustainability, 8(12): 1323.

孙威，林晓娜. 2020. 柳州市汽车制造业企业的空间格局与影响因素. 地球信息科学学报，22（6）：1216-1227. [Sun Wei and Lin Xiaona. 2020. The Spatial Distribution of Automobile Manufacturing Enterprises and Its Influencing Factors in Liuzhou. Journal of Geo-Information Science, 22(6): 1216-1227.]

Wachowicz Monica and Liu Tianyu. 2016. Finding Spatial Outliers in Collective Mobility Patterns Coupled with Social Ties. International Journal of Geographical Information Science, 30(9): 1806-1831.

Weber A. 1960. Theory of the Location of Industries. Nature, 1(15): 1.

Wheaton W C and Lewis M J. 2002. Urban Wages and Labor Market Agglomeration. Journal of Urban Economics, 51(3): 542-562.

王俊松. 2014. 长三角制造业空间格局演化及影响因素. 地理研究，33（12）：2312-2324. [Wang Junsong. 2014. Evolution of Spatial Pattern and Influencing Factors of Manufacturing Industries in Yangtze River Delta Region. Geographical Research, 33(12): 2312-2324.]

巫细波. 2019. 外资主导下的汽车制造业空间分布特征及其影响因素——以广州为例. 经济地理，39（7）：119-128. [Wu Xibo. 2019. Spatial Distribution Evolvement Characteristics and Influencing Factors of Automobile Manufacturing Industry Under the Guidance of Foreign Investment: A Case Study of Guangzhou. Economic Geography, 39(7): 119-128.]

徐维祥，张筱娟，刘程军. 2019. 长三角制造业企业空间分布特征及其影响机制研究：尺度效应与动态演进. 地理研究，38（5）：1236-1252. [Xu Weixiang, Zhang Xiaojuan and Liu Chengjun. 2019. Spatial Distribution Pattern and Influencing Factors of Manufacturing Enterprises in Yangtze River Delta: Scale Effects and Dynamic Evolution. Geographical Research, 38(5): 1236-1252.]

Yeung H W and Coe N M. 2015. Toward a Dynamic Theory of Global Production Networks. Economic Geography, 91(1): 29-58.

Yang Zhenshan and Dunford Michael. 2017. Cluster Evolution and Urban Industrial Dynamics in the Transition from a Planned to a Socialist Market Economy: The Case of Beijing. Spatial Economic Analysis, 12(1): 50-71.

Yang Fiona Fan, Yeh Anthony G O and Wang Jiejing. 2018. Regional Effects of Producer Services on Manufacturing Productivity in China. Applied Geography, 97: 263-274.

叶强，莫正玺，许乙青. 2019. 1979-2014年长沙市城市功能用地扩展与驱动力研究. 地理研究，38（5）：1063-1079. [Ye Qiang, Mo Zhengxi and Xu Yiqing. 2019. The Expansion and Driving Forces of the Functional Space Land: A Case Study of Changsha from 1979 to 2014. Geographical Research, 38(5): 1063-1079.]

张晓平，孙磊. 2012. 北京市制造业空间格局演化及影响因子分析. 地理学报，67（10）：1308-1316. [Shun Xiaoping and Sun Lei. 2019. Manufacture Restructuring and Main Determinants in Beijing Metropolitan Area. Acta Geographica Sinica, 67(10): 1308-1316.]

张杰，唐根年. 2018. 浙江省制造业空间分异格局及其影响因素. 地理科学，38（7）：1107-1117. [Zhang Jie and Tang Gennian. 2018. Spatial Differentiation Pattern of Manufacturing Industry in Zhejiang and Its Influencing Factors. Scientia Geographica Sinica, 38(7): 1107-1117.]

张可云，裴相烨. 2021. 大城市制造业企业空间扩张模式及其对企业效率的影响——以北京市上市企业为例. 地理科学进展，40（10）：1613-1625. [Zhang Keyun and Pei Xiangye. 2021. Spatial Expansion Mode of Manufacturing Firms in Big Cities and Its Impact on Firm Efficiency: A Case Study of Beijing Listed Firms. Progress in Geography, 40(10): 1613-1625.]

周锐波，李晓雯. 2017. 广东省制造业空间格局演化及其影响因素研究. 人文地理，32（2）：95-102. [Zhou Ruibo and Li Xiaowen. 2017. Evolution of Spatial Pattern and Influencing Factors of Manufacturing Industries in Guangdong Province. Human Geography, 32(2): 95-102.]

周伟，赵艳，宁煊. 2020. 京津冀城市群制造业结构变迁与空间集聚影响因素分析. 地理科学，40（11）：1921-1929. [Zhou Wei, Zhao Yan and Ning Xuan. 2020. Manufacturing Industry Structure Changes and Spatial Agglomeration Influence Factors in Beijing-Tianjin-Hebei Urban Agglomeration. Scientia Geographica Sinica, 40(11): 1921-1929.]

Options
Outlines

/

〈 〉