第三节 集聚经济的识别与估计策略

一、集聚经济的识别问题

近年来，随着微观数据的完善，为了实现集聚经济的稳健估计和集聚经济微观机制的有效探索，利用微观数据从而控制微观个体的异质性越来越受到重视，但这也为集聚经济的有效识别增加了难度。这主要体现为微观个体的自我选择效应（self-selection effect）（Venables,2011; Ottaviano,2011; Combes et al.,2012；梁琦等，2013）。基于循环累积因果效应，具有先天区位优势的地区将会吸引越来越多高生产率的企业和高素质的劳动力，此时，准确识别集聚经济必须要考虑到企业和劳动力的异质性及其自我选择效应——是高生产率的企业（或高素质的劳动力）自我选择到具有区位优势的集聚区，还是集聚经济让进入该区域的企业（或劳动力）变得更有竞争力？

如果进一步考虑到劳动力个体区位选择的内生性，如学习能力强的劳动力更倾向于选择到学习环境更好、集聚经济更高的大城市，这种情况将使集聚经济的识别问题更加严重。此外，遗漏变量所导致的集聚经济和工资水平同时决定，城市集聚经济可能是高工资水平所导致的结果而不是原因。比如如自然禀赋优越的城市集聚经济效应自然就高，此时由于遗漏城市特征变量和反向因果而导致估计的内生性偏误。

二、计量经济学估计策略

集聚经济的来源具有多样性，而且其多种作用机制常常是交互的、间接的和累积循环的，所以单独识别和分析集聚经济的某一来源或作用机制常面临诸多难题；而通过观测集聚经济对劳动生产率、经济增长和要素价格的影响来间接反映集聚经济的存在是常用的估计策略（Glaeser et al., 1992; Henderson et al., 1995; Rosenthal and Strange, 2004; Puga, 2010）。

在假设外部效应希克斯中性（Hicks neutral）的前提下，企业i的生产函数可以表示为：

其中，x为通常的土地、劳动力和资本等投入要素；A表征企业所面临的环境要素，这是刻画集聚经济外部性的关键。通常情况下，集聚经济的大小一方面取决于相互作用的企业各自的生产规模，另一方面取决于企业间的“距离”。这里的“距离”主要包括地理维度上的距离、产业维度上的距离 和时间维度上的距离。那么企业i的所获取的所有集聚经济：

其中，K是与企业i有相互作用联系的其他所有企业的集合，函数q和函数a分别代表上述集聚经济所取决的两个方面。通过估计（1.1）式，就可以得到集聚经济在地理维度、产业维度和时间维度上的生产效应。当然，直接估计生产函数肯定会有诸多挑战，比如遗漏变量或联立内生性等问题。而间接估计策略在现实实证分析中得到广泛运用。Rosenthal et al.（2004）总结了如下四种间接估计策略：

一是基于就业增长的估计方法。其核心理念是：集聚经济提高了生产力，从而促进了就业增长。但是，这种估计方法需要重点处理有关测量偏误等引起的内生性问题，如前期要素投入（各种类型的固定资本投入）较大程度上影响企业就业增长的情况。此外，就业增长与集聚经济常常互为因果关系。常用的解决方法是，考察足够长的时间段内就业的变化并用初期情况作为代理变量或工具变量，从而避免内生性问题导致的估计偏误。比如，Glaeser et al.（1992）考察了1956-1987年间的美国城市就业变化, Henderson et al.（1995）考察了1970-1987年间的美国城市就业变化, Combes（2000）考察了1984-1993年间的法国地区就业变化。

二是基于工资方程的估计方法。这主要是根据完全竞争劳动力市场上工资与边际产品价值相等的假设。即使劳动力市场是不完全竞争市场，密度更高（或规模更大）的城市工资水平更高也可以被看作集聚经济存在的证据。工资数据易于获取是这种估计方法的一大优势，而且可以利用一些广泛使用的数据库资源，如人口普查和家庭收入调查等。当然，这种方法同样面临遗漏变量等内生性问题，本文将在第三章详细介绍这些问题及其解决方法。

三是关注新企业及其就业。其基本理念是，在利润最大化原则下，厂商大多会被吸引到集聚经济优势明显的区位。由于新企业是以外生给定的经济环境作为区位选择的依据，而不受过去决策的限制，所以不需要已有要素投入的数据，如资本存量、劳动力和原材料等要素数据。但这种估计方法也会面临诸多估计上的难题，相关讨论可参见Rosenthal和Strange（2003）的说明。

四是基于租金的估计方法。其与基于工资的估计方法的理念是一致的，即在企业其他成本相同的条件下，某一区位的更高租金意味着该区位必然在生产率方面有所补偿。但获取详细的租金数据具有较大难度。

三、集聚指标概述

自20世纪20年代Alfred Marshall提出“集聚”概念并用以描述相同或相关联的产业在地理空间上的集聚现象后，产业集聚的测度方法得到了经济学家的广泛关注，并在20世纪90年代取得了快速发展。Combes et al.（2008）认为，理想的空间集聚指标要满足如下基本条件：第一，能实现不同部门间的比较；第二，能实现不同空间尺度间的比较；第三，空间分类的任意改变应是无偏的；第四，产业分类的任意改变应是无偏的；第五，能确定观察到的分布与其基准之间或两种情况（地区、时间或行业）之间是否存在显著差异。

但是，由于集聚现象具有客观复杂性，理想的空间集聚指标体系仍未被建立。比如，用传统的集聚测度指标——区位商所存在的问题就是没有考虑区域内产业的绝对规模，可能出现某个区域的区位商很大而产业规模却很小的情况。利用与之相关的区位基尼系数测度集聚同样没有考虑企业规模的差异，区位基尼系数大于零并不一定表明存在集聚现象。为此，Ellison et al.（1997）提出了具有里程碑意义的指标γEG（EG指数）。它不仅控制了区域规模对产业集聚程度的影响，而且剔除了产业的市场集中度对产业集聚程度的影响，并且所得计算结果在行业间、地区间和时间上更具有可比性。Maurel et al.（1999）基于Ellison和Glaeser的指标体系（EG指数）发展了具有相同属性的产业集聚程度测度系数γMS。与γEG相比，γMS的测度方法虽有一定程度的改进，但仍存在一定缺陷。比如，虽然γEG和γMS采用赫芬达尔指数来控制产业集中的影响，但是Holmes和Stevens（2002）指出，γEG 仍受产业内企业规模的影响。另外，γEG和γMS指数基于行政单元计算的产业地理集中或集聚程度指数可能会误导人们对产业空间模式的判断。为了克服传统衡量方法的缺陷，Duranton和Overman（2005）引入了基于距离和企业数据的产业集聚衡量方法。但是，基于距离的测量方法对数据和计算工具的要求较高，因此该方法的可操作性较差。