美国制造业的集聚与分类（英）

金融与经济讨论系列 美联储委员会，华盛顿特区ISSN1936-2854 （印刷版）ISSN2767-3898（网络版） 美国制造业的集聚和分选 安德里亚·斯特拉拉 2025-031 请以以下方式引用本文：Stella,Andrea(2025).“美国制造业的集聚与排序,”金融与经济讨论系列2 025-031.华盛顿：美联储理事会,https://doi.org/10.17016/FEDS.2025.031. 注意：金融与经济讨论系列（FEDS）中的员工工作论文是初步材料，用于激发讨论和批评性评论。所提出的分析和结论是作者的观点，并不表示研究团队成员或理事会其他成员的同意。出版物中对金融与经济讨论系列（除致谢外）的引用应与作者（们）澄清，以保护这些论文的初步性质。 美国制造业的集聚和分选 安德里亚·斯特拉拉* 联邦储备委员会 2025年4月8日 摘要 使用美国制造业企业的数据，我估计了一个生产函数模型，该模型将集聚强度作为全要素生产率的一个组成部分，并允许集聚效应在不同企业间变化，这可能导致排序。我发现集聚效应随着未观测的企业层面的原始生产率下降。 JEL分类：D22，D24，E24，L11，R11，R32 关键词：聚集，分类，制造业普查。 *邮箱地址：andrea.stella@frb.gov。感谢GianniAmisano、DavidA.Benson、EdHerbst、IlleninO.Kondo、Logan T.Lewis、AmilPetrin、SantiagoPinto、DeveshRaval以及2024年区域分析系统委员会研讨会参与者提出的宝贵意见和建议。此处表达的观点不应被视为联邦储备委员会或联邦储备系统内任何其他人员的观点。所表达的观点均为作者观点，而非美国人口普查局的观点。人口普查局已审查此数据产品，以确保对用于生产此产品的机密源数据的适当访问、使用和披露保护。此项研究在联邦统计研究数据中心进行，项目编号为2427。（CBDRB-FY23-0489、CBDRB-FY24-P2427-R10962、CBDRB-FY24-P2427-R11365以及CBDRB-FY25-P2427-R12216） 最重要的是，然而，城市在生产力方面有所不同：大城市的人均产出比小城市多。这种城市生产力溢价可能是因为区位基本因素，也可能是因为规模经济，还可能是因为更有才能的个体倾向于选择大城市，或者是因为大城市筛选出最生产力的企业家和公司。 区域与城市经济学手册，Behrens和Robert-Nicoud，2015 1引言 令人惊讶的是，大约80%的美国人口生活在仅占全国5%的土地上。这种极端的人口和产业空间集中表明城市能带来显著优势。一个自然的解释是，集聚——企业和工人的聚集——能提高生产力 。事实上，密集的城市地区平均而言比密度较低的地区更具生产力，但这种“城市生产力溢价”为何存在已成为一个争论的课题。经济学家提出了几种机制：真正的集聚经济，即邻近性带来外部效益，如劳动力集中、知识共享以及更快速、更便宜地获取中间品和服务（CombesandGobillon2015）；选择效应，即只有高生产率的企业能在城市的激烈竞争中存活下来（Combesetal.2012 ）；以及排序，即本质上更具生产力的企业和工人选择在大城市落户（Combesetal.2012）。解开这些力量对于理解城市规模的好处至关重要。是大城市因为它们使企业更有效率，还是因为它们吸引了最有效率的企业？本文通过美国制造业的新证据来探讨这个问题。 尽管聚集经济和筛选效应在城市文献中已被广泛研究，但企业排序的作用却获得了远少的实证关注。如果高生产率企业系统性地排向密集区域，那么城市观察到的生产率优势可能是一种组合效应，而非纯粹的聚集效应。反之，如果低生产率企业从集群中获益更多，这意味着聚集经济会缩小生产率差距，从而对排序作为主要解释提出质疑。本文通过考察聚集经济是否以可能诱导排序的方式在不同的企业间存在差异，填补了文献中的这一空白。 为了回答这个问题，我构建了一个经验框架，该框架允许集聚效应对每个企业的生产率产生不同的影响。具体来说，我提出了一个 一个包含本地集聚强度与企业未观测生产率之间相互作用的建立生产率模型。本质上，生产函数被规定为集聚经济可以取决于工厂的个体效率。这种灵活、异质的方法允许我识别更高效的企业是否从位于制造业密集地区中获得更大的或更小的生产率提升。例如，如果生产性更强的企业获得的集聚收益更高，那么这些企业将更有动力将选址在行业密度更高的地区——我将这种模式解释为正面排序的证据。另一方面，如果集聚收益对生产率较低的车间来说更大，这将意味着相反的排序模式（或者可能没有排序），即高生产率的企业不会被生产率优势不成比例地吸引到集群中。 识别排序效应具有挑战性，因为企业的潜在生产率对研究人员来说不是直接可观测的。我通过将奥利和佩克斯（1996）的控制函数方法扩展到我的环境中来应对这一挑战。在实践中，这意味着我使用一种生产函数估计方法，该方法控制了未观察到的生产率冲击，同时允许这些冲击与聚集强度相互作用。通过这样做，我纠正了高生产率企业可能内生地选择高投入和有利位置的事实。这种方法使我能够恢复每个企业的内在生产率，并估计不同生产率分布点的企业在本地聚集方面的产出弹性。简而言之，我的实证策略将真实的聚集经济与企业的生产率排序分离，使用工厂面板数据和现代计量经济学技术来解决偏差。 利用美国人口普查局提供的美国制造业企业机密微观数据，我发现存在显著的异质性集聚收益。在我的估计中，集聚对低生产率工厂的生产率提升作用大于对高生产率工厂的提升作用。从数量上看，当从生产率分布的第25百分位数处的工厂移动到第75百分位数处的工厂时，与本地集聚相关的产出弹性下降约10至40个百分点。换句话说，一个相对效率较低的工厂从位于密集的制造集群中获得的生产率提升幅度要远大于一个高效工厂。我将这一发现解读为反对强烈的正向排序是城市生产率溢价的主要驱动因素的证据。无论如何，这种模式表明密度有助于平衡竞争环境：它帮助弱势企业追赶得更多，而不是帮助超级明星企业。这动摇了企业排序作为解释正向相关性的主要原因的看法。 美国制造业中观察到的密度与生产率之间的关系。 本文有助于并扩展了关于企业排序和聚集的小而不断增长的研究文献。只有少数实证论文直接检验了排序，而且它们的发现有所不同。例如Forslid和Okubo(2014)构建了一个具有异质企业和两个地区的空间排序理论模型，他们发现了一种非单调的排序模式：具有非常高生产率（和高资本密集度）的企业以及具有非常低生产率（低资本密集度）的企业倾向于迁往较大的地区。相反 ，Gaubert(2018)使用法国企业层面的数据分析了一个更丰富的generalequilibrium模型，发现聚集与企业生产率之间存在正向互动关系，这意味着高生产率的企业从位于大城市获益更多。我对美国制造业的结果则表明了相反的互动关系——高生产率企业的获益似乎更少——从而为这个问题提供了一种新的视角。在方法论上，我的方法基于一个局部均衡生产函数模型，与先前工作中使用的generalequilibrium模型相比，它需要更少的结构假设。特别是，我能够让数据在聚集与非聚集环境下如何共同决定产出来说话，而不是强加校准参数。与Gaubert(2018)不同，他计算全要素生产率（TFP）作为残差并在评估聚集效应之前校准某些弹性，我在一个统一的框架内联合估计了生产率和聚集弹性。这种方法避免了由设定偏差引起的潜在偏差，并提供了对排序程度的直接、数据驱动的估计。 研究结果对城市经济政策和产业区位决策具有重要启示。政策制定者通常会促进当地的“产业集群”发展，或为企业在其城市落户提供激励，旨在利用集聚溢出效应来促进区域增长。我的结果表明 ，这类基于地点的政策应考虑其目标企业的类型。如果规模较小或生产率较低的企业从产业集群中获得最大的生产率提升，那么支持产业中心形成——例如，提供共享基础设施、促进供应商网络或建立工业园区——的政策可能会不成比例地提高这些企业的生产率，并帮助落后地区。另一方面，如果高生产率的企业在已经密度较高的地区并没有获得太多额外提升，那么为了吸引超级明星企业而提供的昂贵税收减免可能会低于预期的溢出效益。了解这种排序动态也能指导个别企业的区位决策：一个中等生产率的工厂可能会从迁入一个主要工业区获得显著收益，而一个非常生产率的工厂可能会发现其几乎可以和 在一个较小的城市或边缘地区高效地运作，而不会在集聚效益方面损失太多。总之，认识到谁从集聚中受益最大，可以制定更有针对性、更有效的城市经济政策，确保刺激地方制造业的努力能够最大限度地提高生产力和竞争力优势。 本文其余部分安排如下。第2描述了经验模型和识别策略。第3介绍估计中使用的數據。最後 ，第節4呈现了实证结果，并讨论了它们对制造业集聚和排序的意义。 2经验模型 一个企业的生产函数在对数形式下如下所示： =β+vβ+lβ+τ+kε,(1)0LK它它它它它 itvlkwhere指建立，是时间，是增加值，是劳动，是资本，它它它 τ是TFP，和ε在做出输入之前，该机构没有观察到i.i.d冲击它它 t在时间决策中从未被计量经济学家观察到。我假设全要素生产率是建立在地点的聚集强度的函数 。 a和特定机构的原效率ω.更具体地说，我假设以下-它它 τ=β+ω+aing:γaω.ω表示当前和过去的生产力冲击 a它它它ititit t该机构在做出输入决策之前观察到的；计量经济学家从未观察到的1 ω 它 我测量聚集强度为其他机构的员工人数 i同行业10公里范围内新成立企业 a精确地，是对聚集强度加一的对数。2有证据表明它 那些由集聚经济和统计上显著提升生产力的文献。我感兴趣的是检验这种集聚效益是否随企业初始效率的变化而变化。 1假设集聚收益是希克斯中性的假设与文献一致；参见Rosenthal和Strange(2004)。 2由于对变量加一取对数已被证明在某些估计模型中会产生偏差，为了进行稳健性检验，我估计了一个替代的生产函数模型：当集聚强度为零时，它是一个简单的科布-道格拉斯函数，并且是基准模型，方程（1),当ag- a聚集强度严格高于零；在这个替代鲁棒性模型中，等于它 而不是基线模型中聚合强度对数加一的聚合强度对数，结果在定性和定量上都非常相似。 如代数所示（2),β和β不能从级别中单独识别a0 –的ω.我替换ω和ω¯ω=ω+c¯c,其中，并且我得到一个相同的方程式 ω¯β¯,β¯ωββ=,其中β¯，并替换ββ¯−=β−cc和γ.aaaa0000 =β+vβ+lβ+β+aω+γω+kaεa它0LK它它它它它它它 =β+β++−)+lβ+β+(kaωγ(ω+−)+ccaccϵa0LK它它它它 =β−+−)+(+)+cβ+β+(lkβω+)+cγ(cγaaωcϵa0LK它它它它 =β¯+β+lβkβ¯++ω+γaω+a¯¯εa0LK它它它它它 (2) β,β，以及ωωω=˜自若未单独标识，我替换和a0它它 ω+βββ˜=(β−和γβ).我估计的生产函数是aaa它00 =βββ˜+++vlkaω+γω+˜a˜ε.(3)aLK它它它它它它它它 在进行估计的细节之前，提供估计方法背后的直观理解以及为什么需要它是有用的。使用一个聚集项估计生产函数——公式（3)–提出了一个经典的识别挑战：生产率更高的公司可能会选择更高的投入和潜在不同的地点，这会扭曲对集聚收益的朴素估计。为了解决这个问题，我采用了类似于奥利和佩里斯（1996）以及利文索夫和佩特林（2003）的控制函数方法。这个半参数估计量使用公司对中间投入购买的决策作为其对未观察到的生产率冲击的代理变量。其直觉是，在满足某些正则性条件的情况下，生产率更高的企业将使用更多的中间投入，因此观察到的中间投入使用情况可以揭示该企业当前的生产率水平给计量经济学家。 我扩展了传统的控制函数方法，允许未被观察到的生产率与被观察到的聚集度指标相互作用。实际上，这意