Geoadditive Models for Regional Count Data: An Application to Industrial Location

We propose a geoadditive negative binomial model ( G eo‐ NB‐GAM ) for regional count data that allows us to address simultaneously some important methodological issues, such as spatial clustering, nonlinearities, and overdispersion. This model is applied to the study of location determinants of inward greenfield investments that occurred during 2003–2007 in 249 E uropean regions. After presenting the data set and showing the presence of overdispersion and spatial clustering, we review the theoretical framework that motivates the choice of the location determinants included in the empirical model, and we highlight some reasons why the relationship between some of the covariates and the dependent variable might be nonlinear. The subsequent section first describes the solutions proposed by previous literature to tackle spatial clustering, nonlinearities, and overdispersion, and then presents the G eo‐ NB‐GAM . The empirical analysis shows the good performance of G eo‐ NB‐GAM . Notably, the inclusion of a geoadditive component (a smooth spatial trend surface) permits us to control for spatial unobserved heterogeneity that induces spatial clustering. Allowing for nonlinearities reveals, in keeping with theoretical predictions, that the positive effect of agglomeration economies fades as the density of economic activities reaches some threshold value. However, no matter how dense the economic activity becomes, our results suggest that congestion costs never overcome positive agglomeration externalities. Nuestra propuesta se basa en un modelo geoaditivo binomial (Geo‐NB‐GAM) para datos de recuento regionales ( regional count data ) que nos permitan abordar simultáneamente distintos temas metodológicos importantes como la concentración espacial ( clustering), no linealidades y sobre‐dispersión. Este modelo es aplicado al estudio de determinantes de localización de nuevas inversiones de tipo greenfield internas ( inward greenfield investments ) que se dieron entre 2003 y 2007, en 249 regiones europeas. Luego de presentar el conjunto de datos y de mostrar la presencia de sobre‐dispersión y agrupación (concentración) espacial, examinamos el marco teórico que motiva los determinantes de localización incluidos en el modelo empírico, y resaltamos algunas de las razones por las que las relaciones entre ciertas co‐variables y la variable dependiente podrían ser no lineales. La sección subsiguiente comienza con descripción de las soluciones propuestas por la literatura anterior para abordar la concentración espacial, no linealidades, y sobre‐dispersión, para luego presentar el Geo‐NB‐GAM. El análisis empírico muestra el buen desempeño del Geo‐NB‐GAM. Particularmente, la inclusión del componente geo‐aditivo (una superficie de tendencia espacial suavizada) nos permite controlar heterogeneidades espaciales no observadas que inducen a la concentración espacial. Al permitir no linealidades se revela ‐continuando con las predicciones teóricas‐ que el efecto positivo de las economías de aglomeración se desvanece a medida que la densidad de las actividades económicas alcanza un umbral de valor. Sin embargo, sin importar cuán densa llegue a ser la actividad económica, nuestros resultados sugieren que los costes de congestión nunca superan las externalidades de aglomeración positivas. 本文提出了一种应用于区域统计数据的负二项式地理加性模型它能够同时处理包括空间聚类、非线性和过度离散等多种重要的方法论问题。将该模型应用于2003‐2007年的249个欧洲案例区探讨其内部绿地投资的区位因子。在揭示了数据集样本分布具有过度离散与空间聚类特征后我们对所构建的关于区位驱动因子的实证模型进行了核查以确定是否遗漏重要变量并高亮显示为何有些变量与因变量的关系可能是非线性的。本文后续部分首先描述了已有文献在解决空间聚类、非线性与过度离散等情景下的解决方案并简要介绍了本文的Geo‐NB‐GAM模型。实证分析表明该模型具有良好的模拟效果尤其是地理加性成分一种平滑的空间趋势面在处理包括空间聚类在内的未被关注的空间异质性。非线性模型揭示出集聚经济的正向效应随着经济活动密度阈值呈衰减趋势这一点和理论预测是一致的。然而本文结果显示无论经济活动的密度呈现何种变化正向集聚的外部效应仍大于拥挤成本。.