[论文解读] Evaluating the principle of relatedness: Estimation, drivers and implications for policy

Yang Li, Frank Neffke|arXiv (Cornell University)|May 5, 2022

Regional Economics and Spatial Analysis被引用 4

一句话总结

本文通过测试数以万计的模型设定，利用美国城市的共现数据，评估了城市经济发展的相关性原则，旨在识别稳健的产业间相关性度量方法。研究发现，基于产业密度（马歇尔外部性）的相关性优于基于多样性的度量方法（雅各布斯型）；尽管相关性对停滞的预测优于对增长的预测，但其最大价值在于诊断发展瓶颈，而非识别增长机会。

ABSTRACT

A growing body of research documents that the size and growth of an industry in a place depends on how much related activity is found there. This fact is commonly referred to as the "principle of relatedness". However, there is no consensus on why we observe the principle of relatedness, how best to determine which industries are related or how this empirical regularity can help inform local industrial policy. We perform a structured search over tens of thousands of specifications to identify robust -- in terms of out-of-sample predictions -- ways to determine how well industries fit the local economies of US cities. To do so, we use data that allow us to derive relatedness from observing which industries co-occur in the portfolios of establishments, firms, cities and countries. Different portfolios yield different relatedness matrices, each of which help predict the size and growth of local industries. However, our specification search not only identifies ways to improve the performance of such predictions, but also reveals new facts about the principle of relatedness and important trade-offs between predictive performance and interpretability of relatedness patterns. We use these insights to deepen our theoretical understanding of what underlies path-dependent development in cities and expand existing policy frameworks that rely on inter-industry relatedness analysis.

研究动机与目标

• 解决城市经济发展研究中产业间相关性度量的 方法论模糊性问题。
• 在多种数据源和模型配置下，识别出稳健的、具有样本外预测能力的相关性原则设定。
• 评估相关性是否反映共享能力或其他区位因素，特别是在非贸易品或资源型部门中。
• 将相关性原则重新定位为识别发展瓶颈的诊断工具，而非增长预测工具。
• 通过整合不确定性与可解释性之间的权衡，改进基于相关性的产业政策建议框架。

提出的方法

• 在数以万计的模型配置中进行系统性大规模设定搜索，以估计美国城市中产业规模与增长的相关性效应。
• 利用企业、公司、城市和国家的共现数据，基于投资组合相似性推导出多种相关性矩阵。
• 将样本外预测性能作为评估模型稳健性并选择最优相关性度量的主要标准。
• 采用OLS回归模型评估不同相关性设定对产业增长和存在的预测能力。
• 对产业和城市规模数据进行残差化处理，以隔离相关性效应与规模效应的影响，聚焦于相对表现。
• 比较基于不同投资组合类型（如城市级、国家级）推导的相关性度量，评估其预测与可解释价值。

实验结果

研究问题

• RQ1 哪些产业间相关性的设定能够在美国城市的产业规模与增长中产生最稳健的样本外预测？
• RQ2 产业密度（马歇尔外部性）与相关多样性（雅各布斯型外部性）在相关性原则预测能力中的相对贡献是什么？
• RQ3 为何在能力并非选址决策主要驱动因素的部门（如公共服务或资源型产业）中，相关性原则依然成立？
• RQ4 相关性在多大程度上能预测实际增长，还是更擅长识别出增长可能性较低的产业？
• RQ5 如何将相关性原则从增长预测工具重新定位为识别地方经济中发展瓶颈的诊断工具？

主要发现

• 基于相关产业规模（即产业密度）的相关性度量，在预测产业规模与增长方面显著优于基于相关产业多样性的度量。
• 相关性原则在识别最不可能增长的产业方面表现优于识别最可能增长的产业，表明其作为诊断工具优于预测工具。
• 相关性原则即使在能力并非主要区位决定因素的部门（如公共服务、资源型产业和非贸易服务）中依然成立，挑战了主流的能力驱动解释。
• 主流解释——相关多样化可减少新能力获取需求——无法完全解释非能力驱动部门中的模式，暗示可能存在其他机制，如共享基础设施或制度因素。
• 研究揭示了预测性能与可解释性之间的一个关键权衡：高度预测性的相关性度量往往可解释性较低，提示政策应用中需保持谨慎。
• 相关性原则的最大价值不在于识别增长机会，而在于检测城市产业组合中的异常——即因缺失能力或结构性约束而产生的潜在发展瓶颈。