(完整版)产业集聚度的测算.doc

一产业集聚度概念和测度方法

产业集中度的概念：产业集中度也叫市场集中度，是指市场上的某种行业

内少数企业的生产量、销售量、资产总额等方面对某一行业的支配程度，它

一般是用这几家企业的某一指标（大多数情况下用销售额指标）占该行业总

量的百分比来表示。

产业集聚测度方法

1、集中度（ Concentrion ration of industry ）

行业集中度是用规模最大的几个地区有关数值( 销售额、就业人数、生产额等 ) 占整个行业的份额来度量。计算公式为：

n

X i

CR n i 1 N

X i

i 1

其中 CR n代表X产业的集聚度，

n

代表规模最大几个地区 X产业的销售额X i

i 1

N

或者生产额、就业人数等，X i代表全部地区X产业的销售额或者生产额、

i 1

就业人数等。

优点：计算方法简单，采用最常用的指标，能够形象的反应产业集聚

水平。

缺点：一是集聚度的测算季节容易受到n 值选取的影响，二是忽略了规

模最大地区之外其它地区的规模分布情况，三是不能反映规模最大地区内部之

间产业结构与分布的差别。

2、区位熵（ Entropy index）

所谓熵 , 就是比率的比率，它由哈盖特（P · Haggett ）首先提出并用

于区位分析中。区位熵，又称专门化率，用以衡量某一区域要素的空间分

布情况，反映某一产业部门的专业化程度，以及某一区域在高层次区域的

地位和作用等方面。在产业结构研究中，通常用于分析区域主导专业化部

门的状况。计算公式为：

q i Q i

E

ij n / n

q i Q i

i 1 i 1

其中E

ij表示某区域 i 部门对于高层次区域的区域熵；q i为某区域部门的有关

指标 ( 通常可用产值、产量、生产能力、就业人数等指标)；Q

i为高层次区域

部门的有关指标；n 为某类产业的部门数量。E

ij值越大，表示产业的集聚

程度越高。

优点：计算操作简单方便，指标选取目标明确。

缺点：不能反映区域经济发展水平的差异性，某产业区位熵最大的地区不一定是该产业集聚水平最高的地区。

3、赫芬达尔- 赫希曼指数（Herfindahl-Hirschman index ）

该指数是衡量产业集聚程度的重要指标，最初由 A. Hirschman提出，后经哥伦比亚大学O. Hirschman加以改进，该指数产生的理论基础来源于

贝恩 (Bain)的“结构——行为——绩效”( SCP)理论。计算公式为：

N N

H Z 2j ( X

j

/ X )2 ( j 1,2,3..., n)

j 1 j 1

其中，X 代表产业市场总规模(就业或产值)，X j代表j 企业的规模，Z j =

X j /X代表第j 个企业的市场占有率，N 代表该产业内部的企业数。在实际分析

中，经常运用 H指数的倒数作为产业多样化的测度。

优点：第一是能够准确反映产业或企业市场集中度，因为它考虑了企业总数和企业规模两个因素的影响；第二是能够反映市场垄断与竞争程度的变化；第三是

对产业内企业的合并与分解反映灵敏且计算方法相对容易。

缺点：直观性比较差。

4、空间基尼系数（Space Gini coefficient）

洛伦茨 (Lorenz) 在研究居民收入分配时，创造了解释社会分配平均程度的洛伦茨曲线。基尼（ Gini ）依据洛伦茨曲线，提出了计算收入分配公平程度的统计

指标——基尼系数。 Krugman等利用洛伦茨曲线和基尼系数的原理和方法，构造了

测定行业在空间分布均衡程度的空间基尼系数。 Krugman ( 1991) 等在研究美国制

造业集聚程度测量时定义了空间基尼系

数，计算公式为：

G (S i x i )2

i

其中，G 为空间基尼系数，S i是 i地区某产业占全国该产业就业人数的比重，x i是

该地区就业人数占全国总就业人数的比重。G= 0时，产业在空间分布是均匀的，G(最大值为 1) 越大，表明地区产业的集聚程度越高。

优点：相对而言比较简便直观，可以很方便地把基尼系数转化成非常直观的图形。

缺点：基尼系数大于零并不表明有集聚现象存在，因为它没有考虑到企业

的规模差异。空间基尼系数没有考虑到具体的产业组织状况及区域差异， 因此在表示产业集聚程度时往往含有虚假的成分。

5、 EG 指数（ EG index ）

为解决基尼系数失真问题， Ellision 和Glaeser （1997）提出了新的集聚指数

来测定产业空间集聚程度。假定某一经济体（国家或地区） 的某一产业内有 N 个企业，且将该经济体划分为 M 个地理区域，这 N 个企业分布于 M 个区域之中。 Ellision 和 Glaeser 建立的产业空间集聚指数计算公式为：

M

M

N

G (1 i x i

2

) H i 1

(s i x i )

2

(1

i 1 x i 2 ) j 1 Z 2

j

（

2

）（ 1- H ）

2 N 2

1i x i

(1

x i )(1

Z j )

i

j 1

其中， s i 表示 i 区域某产业就业人数占该产业全部就业人数的比重， x i 表示 i 区

域

全部就业人数占经济体就业总人数的比重。赫芬达尔指数

(Herf indah lIndex)

N

H

Z 2j N 表示该产业中以就业人数为标准计算的企业分布。

j 1

优点：充分考虑了企业规模及区域差异带来的影响， 弥补了空间基尼系数的缺陷， 使能够进行跨产业、跨时间、甚至跨国的比较。

缺点：该方法没有对其中的 H 给出合理的解释。 6、 DO 指数（ DO index ）

Duranton 和Overman （2005）则采用了无参数回归模型分析方法， 构造了新的产业集聚测度指数，计算公式为：

k

(d) 1

n A n B

, f (

d d

i , j

)

A 、 B

p

(n n )

h

i 1

j 1 j 1

h

A , B

其中， h 是窗宽 ,， f 是核函数， A 、 B 是总企业地点 S 的两个子集。 p (n A,n B ) 是

不同企业双边距离的总数，其中每个企业属于一个子集。如果

A 、

B 是相同的集

合，则 p (n A, n B ) = n A ,( n A 1)

；如果 A, B 属于不相交的集合，则 p (n A,n B )

2

= n A .n B 。

优点：与前面几种方法相比， 这种方法能够评价偏离随即性的统计显著性，避免了与规模和边界有关的问题。

缺点：由于这种计算是基于企业层面的数据且与企业间的距离有关， 因此该方法的可操作性比较差。