Logistiek en Locatie 1: verkennende ruimtelijke analyse van de

STEUNPUNT ONDERNEMEN EN REGIONALE ECONOMIE
NAAMSESTRAAT 61 – BUS 3550
BE-3000 LEUVEN
TEL + 32 16 32 66 61 | FAX + 32 16 37 35 11
[email protected] www.steunpuntore.be
Beleidsrapport STORE-B-12-014
Logistiek en Locatie 1:
verkennende ruimtelijke analyse van de cluster
logistiek en transport
THOMAS VANOUTRIVE
ANN VERHETSEL
17 JANUARI 2014
Samenvatting
De bedrijfstak logistiek en transport krijgt heel wat aandacht, onder meer omdat het een
significant deel van de economie van ons land uitmaakt. Binnen Europa is er een
concentratie waar te nemen van logistieke activiteiten in het gebied dat het zuiden van
Nederland, het noorden van België en het Duitse Ruhr-gebied omvat. België ligt dus in het
logistieke kerngebied van Europa. Binnen landen zijn deze activiteiten ook niet willekeurig
verspreid. Bij grote steden en concentraties van industrie en langs belangrijke
transportassen is de werkgelegenheid en toegevoegde waarde van de logistiek hoger dan
elders, zowel in relatieve als absolute termen. Figuur A.1 geeft cartografisch weer waar
ruimtelijke clustering in België gedetecteerd werd (zie 3.2.2).
Figuur A.1: Ruimtelijke clustering van de logistiek in België (2010)
20 km
Logistiek en Locatie I 20140117
2
Het feit dat logistieke bedrijven geclusterd voorkomen kan impliceren dat ze met elkaar
samenwerken, wat kan leiden tot specialisatie. Leverancier-klant relaties tussen logistieke
bedrijven zijn gemiddeld genomen groter indien bedrijven ruimtelijk dichter bij elkaar gelegen
zijn, al is dit effect eerder zwak. In en rond de Antwerpse haven zijn er meer intense
leverancier-klant relaties dan elders zodat dit omschreven kan worden als een volwaardige
ruimtelijke logistieke cluster. Ook tussen de verschillende havensteden, hun omgeving en
langsheen de as Antwerpen-Genk werken logistieke bedrijven meer samen. De twee
ruimtelijk meest uitgesproken clusters die gedetecteerd werden zijn afgebeeld in Figuur A.2
(zie 3.3).
Figuur A.2: Twee clusters die naar voor kwamen in de analyse van leverancier-klant relaties
Voorliggend rapport bevat een bespreking en analyse van gegevens over de logistieke
sector die ter beschikking gesteld werden door de Nationale Bank van België (NBB).
Bijgevolg is dit rapport eerder technisch van aard. Een meer beleidsgerichte bespreking van
ruimtelijke aspecten van de logistiek is terug te vinden in een zusterrapport getiteld ‘Logistiek
en Locatie 2: enkele relevante elementen voor een ruimtelijk economisch beleid met
betrekking tot de logistiek’ (Vanoutrive et al. 2014).
Logistiek en Locatie I 20140117
3
Inhoudstafel
1
INLEIDING ..................................................................................................................... 5
2
LOCATIEFACTOREN VAN LOGISTIEKE BEDRIJVEN ................................................. 6
3
ANALYSE....................................................................................................................... 9
3.1
Data ........................................................................................................................ 9
3.2
Ruimtelijke spreiding van de werkgelegenheid in de logistiek in België ..................13
3.2.1
Beschrijvende kaarten .....................................................................................13
3.2.2
Ruimtelijke clustering meten: Moran’s I en LISA..............................................19
3.2.3
De spreiding van de logistiek verklaard ...........................................................26
3.3
Analyse van financiële leverancier-klant stromen tussen logistieke bedrijven .........32
3.3.1
Data met betrekking tot leverancier-klant relaties ............................................32
3.3.2
Meten van het afstandseffect bij de leverancier-klant relaties tussen logistieke
bedrijven .......................................................................................................................33
4
3.3.3
Analyse van het aantal leverancier-klant relaties tussen postcodegebieden ....34
3.3.4
Resultaten van de analyse van de relaties tussen logistieke bedrijven ............36
3.3.5
Logistieke clusters afgebakend op basis van leverancier-klant relaties ...........42
CONCLUSIE .................................................................................................................43
Logistiek en Locatie I 20140117
4
1
INLEIDING
Dit rapport is een product van het Steunpunt Ondernemen en Regionale Economie (stORE)
dat als taak heeft om de Vlaamse overheid te adviseren over onder andere economische
clusters. Binnen dit kader is het hoofddoel van voorliggend rapport een antwoord bieden op
de vraag ‘waar zit de logistiek in het Vlaamse Gewest (België) en waarom?’. Daarnaast heeft
het Steunpunt vanuit het Agentschap Ondernemen een Ad Hoc opdracht gekregen om in het
kader van de opmaak van het Beleidsplan Ruimte Vlaanderen meer inzicht te verwerven in
het ruimtelijk patroon van de logistiek in het Vlaamse Gewest. Het is daarbij de
bedoeling om ook een argumentatie te formuleren met betrekking tot een toekomstig
ruimtelijk beleid voor logistiek in het Vlaamse Gewest. De vraag is of er een keuze voor
logistieke ontwikkelingspolen moet/kan gemaakt worden. Momenteel lijkt zowat overal in het
Vlaamse Gewest logistiek een speerpunt te zijn. Voorliggend rapport is eerder technisch van
aard en bevat enkele analyses. Een tweede rapport gaat meer in op de beleidsmatige
aspecten en is getiteld ‘Logistiek en Locatie 2: enkele relevante elementen voor een
ruimtelijk economisch beleid met betrekking tot de logistiek’ (Vanoutrive et al. 2014).
In dit rapport gaan we eerst in op de locatiefactoren van logistieke bedrijven. Vervolgens
beschrijven we waar logistiek geconcentreerd is in ons land. Dit trachten we dan te verklaren
door middel van een serie ruimtelijke regressiemodellen. Om na te gaan of ruimtelijke
concentratie ook samenwerking tussen bedrijven impliceert, geven we ook enkele resultaten
van een analyse van leverancier-klant relaties tussen logistieke bedrijven. Tot slot eindigen
we met een korte conclusie.
Logistiek en Locatie I 20140117
5
2
LOCATIEFACTOREN VAN LOGISTIEKE BEDRIJVEN
In het volgende deel wordt op basis van data van de Nationale Bank van België (NBB) de
ruimtelijke spreiding van de logistiek binnen België geanalyseerd. Voor een analyse op een
hoger schaalniveau, met een focus op grotere bedrijven, verwijzen we naar Strale (2013), zie
ook Figuur 1. Alvorens we de eigenlijke analyse aanvatten geven we nog de locatiefactoren
voor logistieke bedrijven en geven we een beschrijving van de data.
Figuur 1: Ruimtelijke spreiding van logistieke activiteiten in West-Europa (bron: Strale 2013,
p.94)
Logistiek en Locatie I 20140117
6
Logistieke bedrijven zijn niet willekeurig verspreid over ons land. Een aantal locatiefactoren
bepalen waar bedrijven zich vestigen en een hogere kans op overleven hebben. Binnen
Europa zijn landen als België, Nederland en Duitsland preferentiële locaties voor logistieke
bedrijven, hier gaan we in op locatiefactoren op subnationale schaal. De analyse wil immers
het ruimtelijke patroon van de logistiek binnen één land verklaren.
Mérenne-Schoumaker (2007) geeft volgende vijf locatiefactoren (zie ook Desmet et al. 2010;
IDEA Consult 2001; McKinnon 2009; Sétra 2009; Strale 2013):
-
De aanwezigheid (nabijheid) van markten. Hierbij dient wel opgemerkt te worden dat
naast de eigenlijke oorsprong en bestemming ook intermediaire punten als een soort
van markt kunnen beschouwd worden. Denk hierbij aan havens. Markten omvatten
zowel bevolkingsconcentraties als industriezones.
-
Bereikbaarheid en de beschikbaarheid van infrastructuur. In de eerste plaats
weginfrastructuur, maar voor grote spelers ook waterwegen, spoorwegen en
eventueel luchthavens. Congestie is een variabele die de bereikbaarheid kan
beïnvloeden (Thomas et al. 2003; Vandenbulcke et al. 2009).
-
Beschikbaarheid
van
gronden
en
gebouwen.
Aangezien
magazijnen
en
aanverwanten heel wat ruimte innemen en een relatief beperkte toegevoegde waarde
per
hectare
hebben,
zijn
grondprijzen
van
belang
en
kunnen
logistieke
ondernemingen moeilijk concurreren met kantoren of retail. Aangezien bouwen tijd
kost, is een vastgoedmarkt die beschikbare magazijnruimte aanbiedt een
meerwaarde voor de logistiek.
-
Beschikbaarheid van arbeidskrachten. Dit omvat verschillende profielen, van
laaggeschoolde goedkope arbeidskrachten tot technisch geschoold personeel en
commerciële profielen. Talenkennis en knowhow worden regelmatig aangehaald als
belangrijke factoren (De Wachter 2005; Desmet et al. 2010; Vanelslander et al.
2012).
-
Een ondersteunende overheid. De overheid speelt een rol bij het verlenen van
vergunningen, het fiscaal regime, opleiding, het ontwikkelen en aanbieden van
gronden en investeringen in infrastructuur (Vanelslander et al. 2012).
Logistiek en Locatie I 20140117
7
Blomme et al. (2012) hebben bij 100 logistieke spelers een experiment georganiseerd om na
te
gaan
hoe
belangrijk
de
bereikbaarheid
van
transportinfrastructuren
is
bij
locatiebeslissingen door ruimtebehoevende logistieke bedrijven in het Vlaamse Gewest. Hun
analyse wijst uit dat de prijzen van grond en gebouwen de belangrijkste locatiefactor zijn.
Verder is men bereid aanzienlijk meer te betalen voor een locatie in de zeehavengebieden.
Ook locaties op industrieterreinen en in de nabijheid van weginfrastructuur en
binnenvaartfaciliteiten worden positief gewaardeerd. Respondenten waren echter niet bereid
om meer te betalen voor een locatie nabij een spooraansluiting.
Logistiek en Locatie I 20140117
8
3
3.1
ANALYSE
Data
Een algemene definitie van logistiek is terug te vinden in het rapport dat meer ingaat op
beleidsmatige aspecten (Vanoutrive et al. 2013). Logistiek omvat het transport en de opslag
van materialen, onderdelen en afgewerkte producten en dit zowel van toeleveranciers, het
bedrijf zelf en klanten (McKinnon 2009). Ook al hebben we logistiek gedefinieerd, een
eenduidige, allesomvattende definitie voor het concept ‘Logistiek’ hebben we niet kunnen
geven. Het empirische luik is echter zeer expliciet. Een bedrijf behoort tot de bedrijfstak
logistiek of niet, en dit hangt af van de NACEBEL-code die aan een bedrijf wordt toegekend.
Vanuit methodologisch perspectief is het interessant om stabiele, eenduidige grenzen te
hebben om het onderzoeksobject, een bedrijfstak in voorliggend geval, af te bakenen. De
economie, en bij uitbreiding een bedrijfstak, is echter een dynamisch gegeven en brengt dus
afbakeningsmoeilijkheden met zich mee. Een eerste mogelijke manier om een ‘bedrijfstak’,
‘industrie’ of een ‘sector’ te omschrijven, is het te zien als alle activiteiten die er op gericht
zijn om een bepaalde basisbehoefte te bevredigen. De drankenindustrie omvat dus alle
activiteiten die er opgericht zijn om onze dorst te lessen. Maar deze definitie zorgt voor
groepen die zeer heterogeen samengesteld zijn, en gaat er al te simplistisch van uit dat ons
economisch systeem als vooropgesteld doel heeft om onze behoeften te bevredigen. Een
andere invalshoek kan industrieën definiëren op basis van technologische gelijkenis.
Activiteiten kunnen verwant zijn aan elkaar omdat dezelfde vaardigheden nodig zijn (bv.
artistieke sector, ingenieursbureau) of omdat dezelfde grondstoffen gebruikt worden (bv. olieindustrie, metaalverwerkende industrie). De gehanteerde taxonomie is gebaseerd op
kenmerken van de productie zelf, dit is positief, alleen verandert technologie snel (Becattini
2004). Als gevolg daarvan veranderen statistische classificaties ook regelmatig zoals we
zullen zien bij de verschillen tussen de indelingen NACEBEL 2003 en 2008. Een treffende
illustratie van hoe verschillende doeleinden kunnen leiden tot andere indelingen is het
verschil tussen het Harmonised System (HS; of Harmonized Commodity Description and
Coding Systems) en de SITC (Standard International Trade Classification). Beide
classificaties worden gebruikt om goederen die verhandeld worden in te delen, maar het HS
volgt, aangezien het een product is van de World Customs Organization (WCO), de logica
van de douane en focust bijgevolg op het product en haar karakteristieken. SITC legt dan
weer de nadruk op het eindgebruik van het product en is relevanter vanuit industrieel
oogpunt (United Nations 1998; United Nations Statistics Division 2010). Het indelen van
economische activiteiten, bedrijven en producten is dus sterk contextafhankelijk.
Logistiek en Locatie I 20140117
9
Becattini (2004, hoofdstuk 1) oppert dat in het geval van ruimtelijk economische clusters
(industrial districts), een sociologische definitie voor economische sectoren en bedrijfstakken
aangewezen is. In hoeverre voelen ondernemers en andere actoren zich verwant met een
bepaalde cluster is dan het onderscheidend criterium, al is dit niet vrij van meetproblemen.
De relaties tussen bedrijven, die intenser zijn binnen eenzelfde cluster, geven dan aan wie in
welke mate tot de cluster (of bedrijfstak of sector) behoort. Naast een analyse van de linken
tussen logistiek-relevante bedrijven, gebruikt Elsner (2008) nog een andere manier om
logistiek in kaart te brengen in Bremen en Hamburg. Door informatie te gebruiken over de
uitgeoefende functies van het personeel wordt nagegaan hoe ‘logistiek’ een bepaald bedrijf
(bedrijfstak) is. Daarbij wordt een hogere score toegekend aan kraanmannen en
vrachtwagenchauffeurs die werkzaam zijn in ‘transportation services’ dan aan bv. business
consultants in de banksector.
Om een werkbare definitie van logistiek te bekomen gaan we ons beroepen op indelingen
gebaseerd op traditionele afbakeningen (NACEBEL). Tabellen 1-3 geven de afbakening van
de bedrijfstak logistiek in drie verschillende studies uit respectievelijk België, Nederland en
Duitsland. In grote lijnen zijn de indelingen gelijkaardig. Een praktisch relevant verschil is dat
Tabel 2 gebruik maakt van de indeling NACEBEL 2008 terwijl Tabellen 1 en 3 nog gebruik
maken van de NACEBEL 2003 classificatie. In wat volgt zullen we verder werken met de
indeling van de NBB op basis van de indeling NACEBEL 2008 (Mathys and Van Kerckhoven
2012), om enige vergelijkbaarheid na te streven met het werk van de NBB.
Logistiek en Locatie I 20140117
10
Tabel 1: Definiëring Logistiek NBB (Lagneaux 2008)
Sector
Rail transport
Road transport
Definition
Transport via railways
Furniture removal by road
Freight transport by road
Renting of trucks with driver
Pipeline transport
Transport via pipelines
Sea and coastal water transport Sea and coastal water transport
Inland water transport
Inland water transport
Air transport
Scheduled air transport
Non-scheduled air transport
Cargo handling
Cargo handling in sea ports
Other cargo handling
Cargo storage
Storage and warehousing in cold-storage buildings
Other storage and warehousing
Supporting transport activities Other supporting land transport activities
Other supporting water transport activities
Other supporting air transport activities
Forwarders
Forwarding offices
Transport mediation
Agencies
Chartering
Ships' agencies
Customs agencies
Other activities of transport agencies
Postal services
National post activities
Courier activities other than national post activities
Bron: Lagneaux (2008, p.10), Tabel 1; classificatie: NACEBEL 2003
NACE
60100
60241
60242
60243
60300
61100
61200
62100
62200
63111
63112
63121
63122
63210
63220
63230
63401
63405
63402
63403
63404
63406
64110
64120
Tabel 2: Definiëring Logistiek door van den Heuvel et al. (2011)
Logistics
SBI 2008
Wholesale trade and commission trade (except of motor
vehicles and motorcycles)
G: 46
Freight transport via railways
H: 4920
Freight transport by road (except for removal transport)
H: 4921
Inland water ways freight transport
H: 50401-50403
Air freight transport
H: 5121
Storage and warehousing
H: 52101-52109
Other supporting transport activities
H: 52242, 52291 – 52292
Noot: De vier eerste digits van de Nederlandse SBI-code (Standaard BedrijfsIndeling) stemmen
overeen met de NACE-classificatie (versie 2008)
Logistiek en Locatie I 20140117
11
Tabel 3: Definiëring Logistiek Lüthi et al. (2010)
Logistics (3p & 4p)
Goederenvervoer over de weg en verhuisdiensten
Zee- en kustvaart
Binnenvaart
Luchtvaart volgens dienstregeling
Luchtvaart zonder dienstregeling
Vrachtbehandeling en -opslag
Overige vervoerondersteunende activiteiten
Overige tussenpersonen op het gebied van vervoer
Post en Telecommunicatie
Classificatie: NACEBEL 2003
NACE
6024
611
612
621
622
631
632
634
64
De NBB heeft om de cijfers van de studie over logistiek en transport (Lagneaux 2008) te
actualiseren een nieuwe lijst van transport- en logistieke bedrijven opgesteld. Deze bevat
10 554 ondernemingen uit de bedrijfstakken (volgens nationale rekeningen) opgesomd in
Tabel 4 (Mathys and Van Kerckhoven 2012). Deze lijst bevat echter ook bedrijven die geen
jaarrekening hebben neergelegd en ook buitenlandse ondernemingen die actief zijn in
België. Van deze ondernemingen zijn er uiteindelijk 5 169 terug te vinden in de
balanscentrale 2010 van de NBB (enkel ondernemingen waarvoor VTE gegevens
beschikbaar zijn, totaal = 141 716). NACEBEL-codes kunnen verschillen tussen beide lijsten
(NACEBEL 2003 vs. 2008), en we merken ook op dat de NBB manueel bedrijven heeft
toegewezen aan de logistiek op basis van marktkennis. Enkele beschrijvende statistieken
zijn gegeven in Tabel 5.
Tabel 4: Bedrijfstakken opgenomen in geactualiseerde lijst NBB
Definitie
NACE
Personenvervoer per spoor, m.u.v. personenvervoer per spoor binnen steden of voorsteden
49100
Goederenvervoer per spoor
49200
Goederenvervoer over de weg, m.u.v. verhuisbedrijven
49410
Verhuisbedrijven
49420
Vervoer via pijpleidingen
49500
Personenvervoer over zee- en kustwateren
50100
Goederenvervoer over zee- en kustwateren
50200
Goederenvervoer over binnenwateren
50400
Goederenvervoer door de lucht
51210
Opslag in koelpakhuizen en overige opslag
52100
Diensten in verband met vervoer te land
52210
Diensten in verband met vervoer over water
52220
Diensten in verband met de luchtvaart
52230
Vrachtbehandeling in zeehavens
52241
Overige vrachtbehandeling, exclusief in zeehavens
52249
Overige vervoerondersteunende activiteiten
52290
Postdiensten in het kader van de universele dienstverplichting
53100
Overige posterijen en koeriers
53200
Bron: NBB (Mathys and Van Kerckhoven 2012); Classificatie: NACEBEL 2008
Logistiek en Locatie I 20140117
12
Tabel 5: Beschrijvende statistieken van NBB data (jaar: 2010)
Sector
Supporting transport activities
Sea and coastal water transport
Road transport
Rail transport
Postal services
Pipeline transport
Inland water transport
Forwarders and agencies
Cargo storage
Cargo handling
Air transport
Other
3.2
#bedrijven
79
48
3501
12
283
5
72
722
247
196
4
136547
som
8202.5
1026.6
48341.6
255.2
34232.6
15.0
363.3
14926.8
10001.8
16716.9
476.4
1742296.9
VTE
gemiddeld
103.8
21.4
13.8
21.3
121.0
3.0
5.1
20.7
40.5
85.3
119.1
12.8
mediaan
10.6
3.8
5.2
7.0
2.3
2.2
3.1
5.2
10.4
8.1
6.0
2.1
Ruimtelijke spreiding van de werkgelegenheid en toegevoegde waarde in de
logistiek in België
Om een ruimtelijk beeld te krijgen van de balanscentrale-data, groeperen we de bedrijven
per gemeente. De gegevens zijn op ondernemingsniveau, en bijgevolg worden alle VTE
toegewezen aan de hoofdvestiging. Dit kan leiden tot een overschatting van de
werkgelegenheid in de logistiek in sommige gemeenten, in de eerste plaats stedelijke
omgevingen waar veel hoofdzetels gevestigd zijn.
3.2.1 Beschrijvende kaarten
Een eerste kaart geeft het absolute aantal werknemers (VTE) in de logistiek weer per
gemeente (Figuur 2). In deze figuur valt onmiddellijk het belang van de as AntwerpenBrussel op (en langsheen de N16), naast enkele kleinere concentraties van werkgelegenheid
in Gent, Brugge, de as Antwerpen-Genk, en het zuid(oost)en van de provincie WestVlaanderen.
Logistiek en Locatie I 20140117
13
Figuur 2: Werkgelegenheid logistiek per gemeente in 2010: absoluut (VTE)
20 km
De volgende kaart (Figuur 3) geeft het percentage van de werkgelegenheid in een gemeente
dat aan de logistiek kan worden toegewezen. In Figuur 3 kleurt een aantal kleinere
gemeenten donker, maar dit is niet zo betekenisvol omdat het in absolute termen kan gaan
over een beperkt aantal bedrijven met een relatief klein personeelsbestand. In en rond grote
(haven)steden neemt de logistiek een belangrijke plaats in de economie in. Verder zien we
ook dat langs enkele grote transportassen de logistiek een groter aandeel in de
werkgelegenheid heeft, al is er geen uitgesproken patroon zoals wel het geval is op enkele
andere kaarten (bv. Figuur 2).
Logistiek en Locatie I 20140117
14
Figuur 3: Werkgelegenheid logistiek per gemeente in 2010: relatief (%; natural breaks)
20 km
Logistiek en Locatie I 20140117
15
De laatste werkgelegenheids-gerelateerde variabele die we per gemeente plotten is het
aantal voltijdsequivalenten (VTE) per km². Aangezien gemeentegrenzen weinig zeggen over
de ruimtelijke spreiding van economische (en dus logistieke) activiteiten, is het nuttig om een
beeld te geven van de densiteit. Figuur 4 bevestigt het belang van de as Antwerpen-Brussel.
Noteer dat hier de 19 Brusselse gemeenten gegroepeerd zijn (dit om technische redenen:
outlier-effect).
Figuur 4: Werkgelegenheid logistiek per km² in 2010: gemeenteniveau (natural breaks)
20 km
Naast werkgelegenheid beelden we ook de toegevoegde waarde af (eveneens op basis van
de NBB-balanscentrale). Hiertoe werden opnieuw de drie manieren gebruikt om de variabele
te karteren (absolute cijfers, percentage en densiteit). Figuren 5-7 geven aan dat de
spreiding van de toegevoegde waarde in lijn ligt met die van de werkgelegenheid.
Logistiek en Locatie I 20140117
16
Figuur 5: Toegevoegde waarde van de logistiek per gemeente in 2010: absoluut (enkel
gemeenten met een positieve waarde zijn afgebeeld)
20 km
Figuur 6: Toegevoegde waarde van de logistiek per gemeente in 2010 (relatief; quantielen)
20 km
Logistiek en Locatie I 20140117
17
Figuur 7: Densiteit van de toegevoegde waarde in de logistiek per gemeente in 2010
(toegevoegde waarde/km²; quantielen)
20 km
Logistiek en Locatie I 20140117
18
3.2.2 Ruimtelijke clustering meten: Moran’s I en LISA
Figuren 2-7 tonen dat werkgelegenheid en toegevoegde waarde in de logistiek niet zomaar
lukraak verspreid zijn over het grondgebied. Visueel zien we dat er ruimtelijke concentraties
zijn van gemeenten in elkaars nabijheid die hoge (of lage) waarden hebben. In de literatuur
over ruimtelijke clusters worden een hele reeks methoden gebruikt om dergelijke clustering
te meten (Bringmann et al. 2014; Brodzicki 2010). Een eerste groep van clustermethoden
wordt als ‘niet-ruimtelijk’ bestempeld omdat relaties tussen buurobservaties genegeerd
worden (Duranton and Overman 2005; van den Heuvel et al. 2011). De Ellison-Glaeser index
bijvoorbeeld, groepeert bedrijven in een gegeven ruimtelijke eenheid (bv. gemeente,
arrondissement), wat op zich ruimtelijk is, maar houdt er geen rekening mee dat sommige
ruimtelijke eenheden in elkaars buurt liggen (Bertinelli and Decrop 2005; Ellison and Glaeser
1997). Deze index negeert dus dat bijvoorbeeld Zwijndrecht, Beveren en Antwerpen
buurgemeenten zijn die een havengebied delen. Voor deze index is de relatie tussen
Antwerpen en Beveren dus even sterk als die tussen bijvoorbeeld Antwerpen en Arlon.
Ruimtelijke methoden houden daarentegen wel rekening met het feit dat sommige ruimtelijke
eenheden buren zijn (Anselin 1995; Feser and Sweeney 2002), of met de afstand tussen
observaties (bv. bedrijfsvestigingen; Duranton and Overman 2005). De methoden om
ruimtelijke autocorrelatie te meten (Moran’s I en LISA) die verder aan bod komen zijn
voorbeelden van dergelijke ruimtelijke methoden.
Naast voornoemde methoden wordt ook gebruik gemaakt van technieken die werken met
relationele data. Ruimtelijke eenheden kunnen gegroepeerd worden op basis van stromen
tussen gebieden, zoals het aantal pendelaars of telefoongesprekken tussen gemeente i en j
(Blondel
et
al.
2010).
In
deel
3.3 gebruiken
we
leverancier-klant
relaties
om
postcodegebieden te clusteren. Hierbij kijken we eerst welke gebieden een cluster vormen
en daarna pas waar ze gelegen zijn. Andere studies die relationele data gebruiken baseren
zich dikwijls op input-output tabellen om zo alternatieve economische sectoren af te bakenen
of het effect van linken tussen bedrijfstakken te meten (Ellison et al. 2010; Feser and
Bergman 2000; Feser and Sweeney 2002). Tot slot worden vandaag de dag vaak technieken
gebruikt uit de wereld van de sociale netwerkanalyse om zo inzicht te krijgen in de netwerken
tussen bedrijven of andere economische actoren (Balland et al. 2013; Giuliani 2010;
Wasserman and Faust 1997).
De beschrijvende kaarten in deel 3.2.1 tonen dat er ruimtelijke concentraties zijn van
gemeenten met een hoge (respectievelijk lage) aanwezigheid van logistiek. Om die
vaststelling kwantitatief te analyseren maken we gebruik van Local Indicators of Spatial
Logistiek en Locatie I 20140117
19
Association (LISA), meer bepaald de Local Moran’s I (Anselin 1995). In dit deel meten we
kwantitatief de clustering van logistiek op gemeenteniveau. Eerst gaan we na of de spreiding
van de dichtheid van logistieke activiteiten op toeval zou kunnen gebaseerd zijn. Daarvoor
maken we gebruik van de standaard Moran’s I, dit is een maat tussen -1 en +1 die aangeeft
hoe sterk een variabele ruimtelijke geconcentreerd is (Anselin 1988). Om dit te kunnen
meten dient eerst bepaald te worden wat onder ruimtelijke nabijheid verstaan wordt. We
wensen immers na te gaan of dichtbij elkaar gelegen gemeenten ook gelijkaardige waarden
hebben voor onze variabele (werkgelegenheid logistiek per km²). Figuur 8 toont enkele
verschillende manieren om ruimtelijke nabijheid te bepalen (Bivand et al. 2008). Dit vormt de
basis van de zogenaamde ‘spatial weights matrix’ (W).
Figuur 8: Vier verschillende manieren om buurgemeenten te bepalen
Logistiek en Locatie I 20140117
20
Een eerste mogelijkheid om te meten of buurgemeenten gelijkaardige karakteristieken
hebben, is het vergelijken van elke gemeente met zijn dichtste buur (W: k = 1 in Figuur 8).
De kaart linksboven in Figuur 8 geeft voor elke gemeente aan welke andere gemeente het
dichtste bij ligt, gemeten vanuit het middelpunt van de gemeente. Noteer dat dit
asymmetrisch kan zijn, het is niet omdat A de meeste naaste buur van B is dat B daarom de
dichtste buur van A is. In plaats van de dichtstbijzijnde buur kan ook gekozen worden om
met de n meest nabijgelegen buren te vergelijken (bv. 3 in de kaart rechtsboven in Figuur 8).
Een alternatief is om alle aangrenzende gemeenten in beschouwing te nemen (‘contiguity’),
of om alle gemeenten die binnen een bepaalde afstand liggen als criterium te nemen (bv.
15km op de kaart rechtsonder Figuur 8).
Na het bepalen van het nabijheidscriterium kan dan gekeken worden d.m.v. de Moran’s I hoe
sterk, gemiddeld genomen, buurgemeenten op elkaar lijken (hier wat betreft de dichtheid van
de werkgelegenheid in de logistiek). De waarde van de Moran’s I schommelt rond de 0.4
(Tabel 6), met iets lagere waarden indien nabijgelegen gemeenten bepaald worden op basis
van afstand. Op basis hiervan kunnen we dus bevestigen dat de logistiek ruimtelijk
geclusterd is in ons land. Voorts kunnen we opmerken dat de clustering minder sterk
aanwezig is indien grotere afstanden worden gebruikt om nabijheid te meten.
Tabel 6: Moran’s I voor werkgelegenheid per km² voor de logistiek op gemeenteniveau in
België
Weights matrix
Moran’s I
p-value
contiguity
0.41
< 0.001
nn: 1
0.40
< 0.001
nn: 3
0.39
< 0.001
nn: 4
0.40
< 0.001
nn: 5
0.41
< 0.001
nn: 6
0.40
< 0.001
afstand: 15km
0.38
< 0.001
afstand: 20km
0.35
< 0.001
afstand: 25km
0.34
< 0.001
afstand: 30km
0.32
< 0.001
Noot: ‘nn’: aantal nearest neighbours; logaritme van (y + 0.01) is genomen om normale verdeling te
benaderen
De Moran’s I geeft een algemeen cijfer voor het hele grondgebied. Maar om te weten waar
de clusters gelegen zijn, dienen we gebruik te maken van de lokale Moran’s I (verder LISA
genoemd: Local Indicator of Spatial Association). Deze geeft voor elke gemeente aan hoe
sterk de waarde van de variabele in kwestie gelijkt op de waarde in de buurgemeenten. Het
is de gewoonte om enkel de significante observaties cartografisch weer te geven en daarbij
wordt onderscheid gemaakt tussen vijf categorieën.
Logistiek en Locatie I 20140117
21
-geen significante clustering
-high-high: gemeenten met een hoge concentratie aan logistiek gelegen in de buurt
van gemeenten die ook een hoge densiteit aan logistiek kennen
-low-low: gemeenten met een lage concentratie aan logistiek gelegen in de buurt van
gemeenten die ook een lage densiteit aan logistiek kennen
-high-low (spatial outlier): gemeenten met een hoge concentratie aan logistiek
gelegen in de buurt van gemeenten die daarentegen een lage densiteit aan logistiek
kennen (komt verder niet aan bod)
-low-high (spatial outlier): gemeenten met een lage concentratie aan logistiek gelegen
in de buurt van gemeenten die daarentegen een hoge densiteit aan logistiek kennen
(komt verder niet aan bod)
Figuren 9, 10 en 11 tonen de LISA categorieën waarbij gebruik is gemaakt van
respectievelijk de aangrenzende gemeenten, alle gemeenten binnen een straal van 15km en
die op 30km afstand (indeling volgens de methode beschreven in Wolny-Dominiak en ZeugZebro 2012). Gemeenten die rood gekleurd zijn op de kaart hebben een hogere logistieke
‘dichtheid’ én hun buurgemeenten ook. Figuur 9 geeft eerder lokale clusters weer, terwijl
Figuur 10 grotere (‘bovenlokale’) clusters weergeeft. Logistieke activiteiten zijn duidelijk
geclusterd in de as Antwerpen-Brussel en het zuidoosten van de provincie West-Vlaanderen.
Vanuit Brussel zien we vooral concentratie langsheen de autosnelwegen E19 en E40 en ten
zuidwesten van Antwerpen zien we het effect van de N16. Voorts zijn er kleinere
concentraties in Geel/Westerlo/Heist-op-den-Berg en rond Genk. In het zuiden van het land
is er weinig clustering van logistieke activiteiten. Merk op dat de havensteden Brugge en
Gent niet ingekleurd zijn omdat er in hun buurgemeenten relatief weinig werkgelegenheid in
logistieke bedrijven is terug te vinden, ook al zijn deze havengebieden belangrijke
concentraties van logistieke activiteiten.
Logistiek en Locatie I 20140117
22
Figuur 9: LISA-clusterkaart van de werkgelegenheid in de logistiek in 2010 (W-matrix
gebaseerd op buurgemeenten)
Figuur 10: LISA-clusterkaart van de werkgelegenheid in de logistiek in 2010 (W-matrix
gebaseerd op alle gemeenten binnen de 15km)
Logistiek en Locatie I 20140117
23
Figuur 11: LISA-clusterkaart van de werkgelegenheid in de logistiek in 2010 (W-matrix
gebaseerd op alle gemeenten binnen een straal van 30km)
Om deze LISA-gebaseerde analyse te kunnen samenvatten in één figuur combineren we de
kaarten in Figuren 9 en 10. De LISA die ruimtelijke autocorrelatie meet op basis van
buurgemeenten noemen we ‘lokaal’ en die analyse die gebruik maakt van het
afstandscriterium 15km noemen we ‘bovenlokaal’. Verschillende gemeenten vallen zowel in
de ‘lokale’ als ‘bovenlokale’ categorie en worden ondergebracht in een aparte categorie.
Omdat relatieve methoden belangrijke concentraties over het hoofd kunnen zien (van den
Heuvel et al. 2011), creëren we een afzonderlijke categorie voor gemeenten met een
densiteit hoger dan 15.0 VTE/km². Op die manier wordt duidelijk dat gemeenten als Gent en
Brugge ook heel wat logistieke activiteiten herbergen. Figuur 12 vat dit alles samen.
Logistiek en Locatie I 20140117
24
Figuur 12: Synthesekaart van de ruimtelijke clustering van de logistiek (2010) op basis van
de LISA analyse
20 km
Logistiek en Locatie I 20140117
25
3.2.3 De spreiding van de logistiek verklaard
Hierboven is beschreven waar de werkgelegenheid in de logistiek geconcentreerd is. In dit
deel trachten we dit ruimtelijk patroon te verklaren. De literatuur met betrekking tot de locatie
van logistieke activiteiten verwijst naar volgende locatiefactoren (zie hoofdstuk 2). Ten eerste
is er de aanwezigheid van infrastructuur: wegen en waterwegen, en in mindere mate
spoorwegen, en verder ook havens en luchthavens. Ten tweede zijn bevolkingsconcentraties
(steden) van belang; verschillende types logistieke activiteiten verkiezen immers een locatie
in de buurt van steden, omdat daar zowel consumptie als arbeid geconcentreerd zijn. Ten
derde genereren ook industriële activiteiten een vraag naar transportactiviteiten. En tot slot is
de prijs en beschikbaarheid van gronden en magazijnen van belang. Logistiek neemt dikwijls
aanzienlijke oppervlaktes in en kiest daarom dikwijls voor locaties in iets minder dure
gebieden die toch in de nabijheid van steden liggen. Dit verklaart de suburbanisatie van de
logistiek. Hierbij dienen we ook op te merken dat niet enkel de prijs van belang is maar ook
de beschikbaarheid van gronden en magazijnen (al bestaat er wel een relatie tussen beide).
Noteer dat de rol van de overheid in het aantrekken van logistiek niet opgenomen is in de
analyse. Dit is immers een zeer complex fenomeen en ook de ruimtelijke variatie in ,
bijvoorbeeld, fiscaal regime is te beperkt om dit met de gebruikte methode te analyseren.
Regressiemodel
Door middel van een regressiemodel trachten we de werkgelegenheid in de logistiek op
gemeenteniveau te verklaren (gemeten op drie verschillende manieren). Omdat de reden
(bv. haven) waarom een bedrijf kiest voor een bepaalde gemeente soms in een
buurgemeente terug te vinden is, maken we gebruik van een ruimtelijk econometrisch model.
Door gebruik te maken van een ‘spatial weights matrix’ (W, zie boven) zijn de schattingen
van het model niet vertekend omwille van de aanwezige ruimtelijke autocorrelatie (Anselin
1988; Anselin 2002; Bivand 2012; Bivand et al. 2008). Het model heeft volgende structuur:
y = β0 + β1X + ρWy + ε
Zoals bij een standaard regressiemodel is y de afhankelijke variabele, β0 het intercept, β1 een
(serie) te schatten parameter(s) voor een (serie) onafhankelijke variabele(n) X, en ε is de
error term. Het speciale aan het model is de term ρWy. De parameter ρ wordt geschat zoals
dat gebeurt voor β0 en β1, en de variabele Wy is het ‘gemiddelde’ van de waarde van y voor
de omliggende gemeenten. Welke gemeenten in rekening gebracht worden, bepaalt net
zoals bij de LISA de weights matrix W.
Logistiek en Locatie I 20140117
26
Mogelijke variabelen
Volgende variabelen werden overwogen om de locatiefactoren te benaderen:
-het aantal kilometer autosnelweg in een gemeente (log); jaar: 2005, bron: FOD
Mobiliteit en Vervoer. Verwerking: FOD Economie (Algemene Directie Statistiek en
Economische Informatie);
-een dummy variabele die aangeeft of er al dan niet een bevaarbare waterloop van
minstens klasse V door de gemeente loopt (eigen compilatie op basis van kaart van
de waterlopen op www.binnenvaart.be, geraadpleegd op 1 juni 2013);
-een dummy variabele die aangeeft of een deel van de gemeente tot een
zeehavengebied behoort (havens van Antwerpen, Zeebrugge, Gent en Oostende);
eigen compilatie;
-een dummy die aangeeft of er een luchthaven in de gemeente gelegen is (de zes
luchthavens die besproken worden in Kupfer en Lagneaux (2009): Antwerpen,
Brussel, Oostende, Kortrijk, Luik en Charleroi). Sommige van deze luchthavens
spelen geen of een zeer beperkte rol wat betreft goederenvervoer. Maar aangezien
de gehanteerde classificatie van logistieke ondernemingen ook activiteiten in de
luchtvaartsector omvat buiten het goederenvervoer, werden ze toch weerhouden in
de selectie. eigen compilatie;
-de oppervlakte nijverheidsgebouwen en –terreinen in hectare, bron: FOD Economie
Algemene Directie Statistiek en Economische Informatie op basis van kadaster en
volgens de definities van OESO/Eurostat; jaar: 2010; (log);
-aantal inwoners. jaar: 2010, bron: FOD Economie Algemene Directie Statistiek en
Economische Informatie (log);
-bevolkingsdichtheid (inwoners/km²). jaar: 2010, bron: FOD Economie Algemene
Directie Statistiek en Economische Informatie; (log);
-gemiddelde van de mediaanprijzen van bouwgronden (€/m²) in de jaren 2008 t.e.m.
2011; voor drie gemeenten werden geen prijzen gevonden: daarvoor werden
volgende waarden gebruikt: niscode 21013: 500; 33016: 40; 73028: 80; bron: FOD
Economie Algemene Directie Statistiek en Economische Informatie; (log);
Logistiek en Locatie I 20140117
27
-werkgelegenheid in een gemeente: zeer sterk gecorreleerd met aantal inwoners en
daarom niet verder in beschouwing genomen
Tabel 7 geeft de correlaties tussen de niet-dummy variabelen. Hoge waardes voor de
correlatiecoëfficiënt tussen de afhankelijke variabele (werkgelegenheid logistiek) en een
onafhankelijke variabele zijn uiteraard positief aangezien ze dan een aanzienlijk deel van de
variantie kunnen verklaren. Onafhankelijke variabelen mogen echter niet al te sterk met
elkaar gecorreleerd zijn omdat er dan sprake is van multicollineariteit. Daardoor zijn
schattingen van parameters minder betrouwbaar omdat een andere variabele het effect van
de onafhankelijke variabele op de afhankelijke variabele als het ware onzichtbaar kan
maken. Gujarati (2004, p.359) beschouwt een correlatie tussen twee onafhankelijke
variabelen vanaf 0.8 als problematisch, doch ook bij lagere waarden kan de interpretatie van
variabelen bemoeilijkt worden door multicollineariteit. Tabel 7 geeft aan dat er geen extreme
gevallen van multicollineariteit voorkomen.
Tabel 7: Correlaties tussen variabelen (excl. dummy variabelen)
variabele
werkgelegenheid log.
autosnelwegen
nijverheidsgebouwen
bevolking
bevolkingsdichtheid
bouwgrondprijs
werk.
1
0.36
0.67
0.64
0.45
0.45
auto.
nijverh. bevolk. dichth. prijs
1
0.41
0.37
0.12
0.05
1
0.68
0.29
0.19
1
0.71
0.51
1
0.72
1
De variabelen werden ook cartografisch geïnspecteerd om hun bruikbaarheid na te gaan. De
prijs van bouwgronden werd niet opgenomen in de modellen. Hogere prijzen zijn terug te
vinden in en rond de agglomeraties Brussel, Antwerpen en Gent, langsheen de kust, en in
het noorden van de provincie Antwerpen (dichtbij Nederland). Ook aan de Luxemburgse
grens liggen prijzen hoger dan in de omliggende gemeenten. Het ruimtelijk patroon van de
spreiding van de bevolking (en verstedelijking) is dan ook sterk gecorreleerd met
bouwgrondprijzen en de pieken buiten agglomeraties hebben een specifiek karakter (bv. de
kust). Bevolking, bevolkingsdichtheid en grondprijzen zijn variabelen die aangeven hoe
verstedelijkt een gemeente is. Ze compenseren elkaar ten dele, waardoor de parameters niet
altijd significant verschillend van 0 zouden zijn. Een analyse op gemeenteniveau is
waarschijnlijk ook te grof om het effect van grondprijzen te meten. De kaartbeelden
suggereren een zekere suburbanisatie van logistiek rond de grote steden, maar de grootte
van de administratieve eenheden zorgt er voor dat grote delen van havens en andere
logistieke gebieden dikwijls mee opgenomen zijn in het grondgebied van de kernstad.
Logistiek en Locatie I 20140117
28
Grondprijzen in havens en op bedrijventerreinen verschillen immers sterk van prijzen van
verkavelingen met een woonbestemming. Om deze redenen nemen we grondprijzen niet
mee in de analyse, ook al speelt deze factor zeker een rol in de praktijk. Tot slot kiezen we
voor de absolute bevolkingsomvang en niet voor bevolkingsdichtheid om het effect van
bevolking op werkgelegenheid in de logistiek te meten.
Resultaten: verklaren van het absoluut aantal VTE in de logistiek per gemeente
Tabel 8 geeft de resultaten van het spatial lag model dat absoluut aantal VTE in de logistiek
per gemeente schat. Deze resultaten bevestigen dat grote concentraties van bevolking en
industrie een aantrekkelijke vestigingslocatie voor logistieke bedrijven vormen. Ook de
aanwezigheid van autosnelwegen in een gemeente is positief gecorreleerd met de
werkgelegenheid in de logistiek. Andere infrastructuren zoals waterwegen, luchthavens en
havens genereren geen significant effect (5% niveau). Maar deze zijn dikwijls ook gelegen in
of nabij agglomeraties. In een model dat enkel deze drie laatste variabelen bevat, naast een
intercept en de variabele Wy, is het effect wel significant verschillend van nul.
Tabel 8: Resultaten van het ruimtelijke regressiemodel dat de werkgelegenheid in de
logistiek (2010) in een gemeente schat (absoluut)
Variabele
schatting
st.error
z-waarde
p-waarde
Intercept
-2.48
0.30
-8.28
< 0.001
Luchthaven
0.38
0.20
1.88
0.06015
Haven
0.13
0.22
0.60
0.55
Klasse V waterweg
0.056
0.074
0.75
0.45
log(KmAutosnelweg)
0.13
0.061
2.07
0.038
log(Nijverheid)
0.65
0.064
10.08
< 0.001
log(bevolking)
0.59
0.089
6.65
< 0.001
Rho (ρ)
0.27
0.043
6.27
< 0.001
Log likelihood:
-509.2541 (for lag model)
n=
589
AIC:
1036.5 (AIC for lm: 1075.8)
R² (ter informatie):
0.56 (empty model: 0.18)
LM test for residual autocorrelation; test value: 0.27295, p-value: 0.60136
Noot: W-matrix: contiguity
Resultaten: verklaren van het relatief aantal VTE in de logistiek per gemeente
De volgende twee regressiemodellen gebruiken niet het absolute aantal VTE als afhankelijke
variabele maar wel een relatieve meeteenheid (dichtheid, percentage). Daarom worden
sommige onafhankelijke variabelen ook relatief gemeten (bevolkingsdichtheid en percentage
nijverheidsterreinen in een gemeente) of door middel van een dummy variabele
(aanwezigheid van autosnelweg of niet). Tabel 9 geeft de resultaten voor het percentage van
de werkgelegenheid in een gemeente dat aan de logistiek kan toegewezen worden. De
Logistiek en Locatie I 20140117
29
resultaten liggen qua teken in lijn met het vorige model, alleen is het effect van
bevolkingsdichtheid nu negatief. Ondanks het feit dat logistiek, ook in relatieve cijfers,
geconcentreerd is in agglomeraties, is het effect van steden minder uitgesproken omdat door
het aandeel van de bedrijfstak als afhankelijke variabele te nemen, andere, niet logistieke,
economische activiteiten meegenomen worden die op hun buurt ook in agglomeraties
geconcentreerd zijn. Bevolkingsdichtheid op zich is positief gecorreleerd met het relatief
aandeel van de logistiek in een gemeente maar krijgt hier een negatief teken omdat het
percentage nijverheidsterreinen deels voor hetzelfde effect zorgt.
Tabel 9: Resultaten van het ruimtelijke regressiemodel dat de werkgelegenheid in de
logistiek (2010) in een gemeente schat (relatief)
variabele
schatting
st.error
z-waarde
Intercept
0.61
0.19
3.16
Luchthaven
0.13
0.23
0.55
Haven
0.30
0.24
1.23
Klasse V waterweg
0.027
0.085
0.32
Autosnelweg
0.18
0.056
3.27
log(%nijverheid)
0.36
0.073
5.00
log(bevolkingsdichth.) -0.19
0.075
-2.49
Rho (ρ)
0.26
0.058
4.42
Log likelihood:
-582.4393 for lag model
n=
589
AIC:
1182.9 (AIC for lm: 1199.8)
R² (ter informatie):
0.16 (leeg model: 0.075)
LM test for residual autocorrelation; test value: 2.54, p-value: 0.11
Noot: W-matrix: contiguity
p-waarde
0.0016
0.58
0.22
0.75
0.0011
< 0.001
0.013
< 0.001
Resultaten: verklaren van de ruimtelijke dichtheid van de logistiek per gemeente
Ook voor de laatste afhankelijke variabele die we analyseren, de werkgelegenheid in de
logistiek per km² (Tabel 10), liggen de resultaten in lijn met die van de vorige twee modellen.
Het positieve effect van de aanwezigheid van infrastructuren wordt ook hier weer niet
significant na het toevoegen van de variabele ‘percentage nijverheidsterreinen in een
gemeente’.
Logistiek en Locatie I 20140117
30
Tabel 10: Resultaten van het ruimtelijke regressiemodel dat de werkgelegenheid in de
logistiek (2010) in een gemeente schat (log(VTE/km²))
variabele
schatting
st.error
z-waarde
p-waarde
Intercept
-0.84
0.26
-3.20
0.0014
Luchthaven
0.45
0.23
1.90
0.057
Haven
0.28
0.28
1.12
0.26
Klasse V Waterweg
0.061
0.088
0.69
0.49
Autosnelweg
0.23
0.058
3.94
< 0.001
log(%nijverheid)
0.80
0.079
10.06
< 0.001
log(bevolkingsdichth.) 0.21
0.10
1.98
0.048
Rho (ρ)
0.26
0.049
5.19
< 0.001
Log likelihood
-580.8232 for lag model
n=
571
AIC
1179.6 (AIC for lm: 1205.5)
R² (ter informatie):
0.54 (leeg model: 0.31)
LM test for residual autocorrelation; test value: 0.096538, p-value: 0.75602
Noot: W-matrix: contiguity
Het ruimtelijk patroon inzake werkgelegenheid in de logistiek werd gemeten op drie
verschillende manieren: de werkgelegenheid in absolute cijfers, het relatieve aandeel van de
logistiek in de totale werkgelegenheid, en de werkgelegenheid in de logistiek per km². Het
ruimtelijk patroon werd verklaard in ruimtelijke regressiemodellen en geen noemenswaardige
verschillen tussen de diverse meetmethodes konden gedetecteerd worden, al ligt de
verklarende kracht van het tweede model een stuk lager (Tabellen 8-10). De aanwezigheid
van een luchthaven, haven, grote waterwegen en autosnelwegen zijn positief gecorreleerd
aan de werkgelegenheid in de logistiek, maar dit effect kon niet geïsoleerd worden van de
aanwezigheid van grote concentraties bevolking en industrie. De verwerkende nijverheid
genereert immers heel wat goederenstromen en logistieke bedrijven kunnen ook zelf vervat
zitten in deze categorie.
Logistiek en Locatie I 20140117
31
3.3
Analyse van financiële leverancier-klant stromen tussen logistieke bedrijven
Het meten van clusters kan gebeuren door na te gaan of gelijkaardige economische
activiteiten in elkaars nabijheid gelokaliseerd zijn. Co-locatie kan echter voorkomen om
diverse redenen, de aanwezigheid van bepaalde infrastructuren kan er toe leiden dat
vestigingen van twee bedrijfstakken dikwijls samen voorkomen zonder dat deze
organisatorisch enige link hebben. Vandaar dat we in dit hoofdstuk trachten een
verkennende analyse te maken van relaties tussen bedrijven, en niet van het louter samen
voorkomen in een bepaald gebied.
In de wetenschappelijke literatuur over clusters is er groeiende aandacht voor de netwerken
tussen bedrijven (Balland et al. 2013; Giuliani 2010). Intense relaties tussen verschillende
ondernemingen worden gelinkt aan innovatie en specialisatie. De voordelen van clustering
zijn dat ondernemingen ruimte krijgen en aangezet worden om zich te specialiseren en te
innoveren omdat andere bedrijfsactiviteiten aangeleverd worden door nabijgelegen
bedrijven. Door deze specialisatie dienen bedrijven immers een beroep te doen op
sectorgenoten omdat deze andere spelers efficiënter opereren en innovatiever zijn in hun
eigen niches. Kort samengevat leidt dit tot een situatie waarbij er binnen een bepaalde
bedrijfstak heel wat relaties zijn tussen bedrijven, en waarbij er vermoedelijk meer
leverancier-klant relaties zijn tussen ondernemingen die ruimtelijk dichter bij elkaar liggen.
3.3.1 Data met betrekking tot leverancier-klant relaties
Om de geografie van linken tussen logistieke bedrijven te verkennen maken we gebruik van
een microdatabestand van de NBB waarin voor 2010 de financiële stromen van en naar
logistieke bedrijven konden worden afgeleid. Deze data werd volledig geanonimiseerd en op
vertrouwelijke basis ter beschikking gesteld aan de onderzoekers. Het bestand bevat
736 120 financiële stromen tussen bedrijven. In 86 967 gevallen maken zowel klant als
leverancier deel uit van de bedrijfstak logistiek. Het is op deze laatste stromen dat hier de
nadruk ligt; het gaat om een analyse van clustering binnen de logistiek.
Omdat financiële transacties tussen logistieke bedrijven (geaggregeerd voor het jaar 2010)
soms beperkt in omvang zijn, werden alle transacties onder €1000 buiten beschouwing
gelaten, inclusief negatieve waarden die het resultaat zijn van herrekening van gegevens van
het voorgaande jaar. Vervolgens werden de gegevens geaggregeerd op het niveau van
postcodeparen. Een postcodepaar is bijvoorbeeld de stroom van postcode 2000 naar
postcode 2030. Noteer dat postcodes het meest gedetailleerde ruimtelijke niveau vormen dat
beschikbaar was in de data. Ook hier is het mogelijk dat gebieden waar meer hoofdzetels
Logistiek en Locatie I 20140117
32
gevestigd zijn, een disproportioneel deel van de stromen ontvangen en verzenden. Gegeven
de focus op relaties tussen gebieden, worden loops buiten beschouwing gelaten, in de
databank betrof dit 412 van de 21 332 financiële stromen (op postcodepaarniveau, loops zijn
stromen die hun oorsprong en bestemming binnen hetzelfde gebied hadden). Aangezien een
aantal postcodeparen zowel een link hebben van knoop i naar knoop j, als van knoop j naar
knoop i komen we uit op 16 223 postcodeparen. Tot slot werden nog alle paren buiten
beschouwing gelaten waar maar één transactie van postcodegebied i naar j voorkwam. Dit
resulteert in een netwerk met 6376 stromen tussen postcodegebieden. Doordat verschillende
stromen in twee richtingen lopen, zijn er uiteindelijk 5005 linken, tussen in totaal 555
postcodegebieden, die in beschouwing worden genomen in de clusteranalyse.
3.3.2 Meten van het afstandseffect bij de leverancier-klant relaties tussen
logistieke bedrijven
Ruimtelijke clustering van economische activiteiten impliceert dat bedrijven waartussen
interactie bestaat (gemeten d.m.v. leverancier-klant interactie) dichter bij elkaar gelegen zijn,
en dat de interactie gemiddeld genomen groter is indien bedrijven in elkaars nabijheid
gelokaliseerd zijn. Alvorens de beperkte set van 5005 linken te clusteren, testen we het
afstandseffect door een uitgebreide set van 20 920 financiële stromen (21 332 – 412 loops,
zie 3.3.1) te analyseren met volgend model (Bates 2005):
Yi(jk) = β0 + β1X1i(jk) + ei(jk) + u0j + v0k
Daarbij is Yi(jk) de omvang (in €) van de betalingen i die gaan van postcodegebied j naar
postcodegebied k. De parameter β0 is het intercept, X1i(jk) is de afstand tussen de twee
postcodegebieden, ei(jk) is de error-term op het niveau van de individuele financiële stroom,
u0j is de error-term van het bron-postcodegebied en v0k de error-term van het ontvangende
postcodegebied. In dit model kan een postcodegebied twee maal voorkomen, eens als
ontvangend gebied en eens als het gebied van waar de betalingen komen. We gaan er hier
van uit dat er geen interactie is tussen enerzijds het postcodegebied als ontvanger en
anderzijds hetzelfde postcodegebied als leverancier. In het algemeen zullen grote
ontvangende gebieden wellicht ook postcodegebieden zijn waar veel transacties vertrekken.
De termen u0j en v0k brengen wel in rekening dat sommige postcodegebieden groter zijn dan
andere, wat het afstandseffect zou kunnen beïnvloeden. Het model is bijgevolg equivalent
aan een graviteitsmodel (Burger et al. 2009).
Logistiek en Locatie I 20140117
33
Tabel 11 geeft de resultaten voor dit model. Naast het volledige model is ook hetzelfde
model gegeven maar dan zonder de afstandsvariabele X1i(jk). Dit om te kunnen inschatten
hoeveel van de variantie verklaard wordt door deze variabele. Het grootste deel van de
variantie in de data (3.00 of 84.7%) kan toegewezen worden aan het niveau van de
individuele postcodeparen (i), terwijl het postcodegebied waar de leverancier gelokaliseerd is
(j) en dat waar de klant gelegen is (k), respectievelijk 5.8% (0.21) en 9.5% (0.34) van de
variantie in de omvang van de interactie verklaren. Door de variabele afstand toe te voegen
wordt 6.1% van de variantie op niveau i verklaard, wat op zich niet zo veel is en
overeenstemt met een R² van 0.06, maar het effect is wel significant verschillend van nul (twaarde -35.4) en negatief, zoals verondersteld werd. Een belangrijk element dat niet
opgenomen is in deze analyse is de afwezigheid van een relatie tussen twee
postcodegebieden. Aangezien er meer dan 1000 postcodegebieden zijn in België, en het
aantal mogelijke interacties (zonder loops) bepaald wordt door x²-x, zijn er dus heel veel
potentiële links die genegeerd worden. Maar deze verkennende analyse geeft wel aan dat
afstand een rol speelt.
Tabel 11: Resultaten van de analyse van het afstandseffect
Random effects
postcode leveranciers (j)
postcode klant (k)
postcodepaar (i)
‘leeg’ model
model met variabele ‘afstand’
variance std.dev.
0.21
0.45
0.34
0.58
3.00
1.73
variance
0.20
0.40
2.82
std.dev.
0.45
0.63
1.68
Fixed effects
schatting st.error (t-waarde)
schatting st.error (t-waarde)
intercept
9.21
0.036 (258.2)
10.91
0.061 (179.8)
log(afstand) (km)
(-)
-0.51
0.014 ( -35.4)
n postcode leveranciers (j)
777
777
n postcode klanten (k)
751
751
n postcodeparen (i)
20920
20920
AIC
83770
82569
Noot: y = log(omvang in € van de aankopen van klanten in k bij leveranciers in j)
3.3.3 Analyse van het aantal leverancier-klant relaties tussen
postcodegebieden
Doel van de clusteranalyse is om ruimtelijke groepen van logistieke bedrijven te detecteren
die meer dan gemiddeld samenwerken. Een samenwerking is een financiële stroom die
voorkomt in het NBB-databestand, en die gaat van een bedrijf in gebied i naar een bedrijf in
gebied j. In voorliggend rapport beperken we ons tot het aantal samenwerkingsverbanden
die zo bestaan, en dus niet de omvang (in €). Noteer dat deze analyse niet ongevoelig is
Logistiek en Locatie I 20140117
34
voor hoe gebieden afgebakend zijn, het Modifiable Areal Unit Problem (MAUP; Openshaw
and Taylor 1981).
De gebruikte methode behoort tot de klasse van de clusteranalyse waarbij de observaties
gegroepeerd worden in een kleiner aantal groepen. Hier hebben we gekozen voor een
methode die de linken tussen de gebieden clustert en niet de postcodegebieden zelf. De
bedoeling is immers om ‘gemeenschappen’ af te bakenen waarbij de mogelijkheid bestaat
dat één gebied behoort tot verschillende logistieke clusters. Het kan immers zijn dat twee
bedrijven in hetzelfde gebied tot een andere subpopulatie van de logistiek behoren, maar
evengoed dat één bedrijf aan meerdere subpopulaties kan toegewezen worden. Door te
kiezen voor deze methode vermijden we dat een gebied ‘gedwongen’ wordt om te kiezen
tussen enkele clusters waarmee het sterke relaties heeft. Concreet werd gekozen voor de
methode die geïmplementeerd is in het R package linkcomm (Kalinka and Tomancak 2011).
Figuur 13 geeft een vereenvoudigd netwerk weer, eik en ejk zijn de links tussen de
knooppunten (de financiële stromen die geclusterd worden), en i, j en k zijn de knooppunten
(postcodegebieden).
Figuur 13: Schematische voorstelling van een netwerk
knoop
i
eik
ejk
j
link
k
Deze methode gaat na hoeveel twee linken die een knooppunt delen gemeenschappelijk
hebben, meer bepaald hoeveel linken er bestaan die het andere uiteinde van de link
verbinden met een knooppunt dat verbonden is met de andere link en dit genormaliseerd
voor het totale aantal buurknooppunten van de uiteinden van de linken die in beschouwing
worden genomen (de Jaccard coëfficiënt). Meer formeel kunnen we dit schrijven als:
S(eik, ejk)= |n+(i) ∩ n+(j)| / | n+(i) U n+(j)|
waarbij n+(i) de buren in eerste orde zijn van knoop i.
Logistiek en Locatie I 20140117
35
De links worden dan geclusterd door middel van een hiërarchische clustermethode (Ward)
op basis van de voornoemde similariteitsmaat S(eik, ejk). Daarenboven wordt door middel van
een wegingsfactor rekening gehouden met het aantal stromen tussen bedrijvenparen waaruit
de link eik bestaat. Het aantal clusters wordt bepaald op basis van de partition density,
waarbij de densiteit van de links binnen de clusters gemaximeerd wordt rekening houdende
met het minimum en maximum aantal mogelijke links in een cluster (Kalinka and Tomancak
2011). Belangrijk is om op te merken dat enkel financiële stromen in rekening gebracht
worden om te bepalen welke postcodegebieden ‘buren’ zijn en geen geografisch criterium
(bv. afstand, gemeenschappelijke grens) zoals in veel automated zoning methoden (Martin
et al. 2001). We bepalen dus niet op voorhand welke andere postcodegebieden in
aanmerking komen om tot eenzelfde cluster te behoren. We willen immers niet a priori
uitsluiten dat logistieke bedrijven in verder van elkaar gelegen postcodegebieden meer met
elkaar samenwerken dan met bedrijven in tussenliggende zones.
3.3.4 Resultaten van de analyse van de relaties tussen logistieke bedrijven
Op basis van het aantal leverancier-klant relaties die bestaan tussen een gegeven
postcodepaar en gebruik makend van de hierboven beschreven methode werden logistieke
clusters afgebakend. Er werden 8 clusters bepaald (partition density is 0.053). Aangezien
postcodegebieden verbonden kunnen zijn met andere gebieden via links die kunnen behoren
tot verschillende clusters, hebben we ook de belangrijkste cluster voor elk postcodegebied
bepaald. Daartoe werd gekeken naar het aandeel van de links in het totale aantal links in
een cluster. Elk postcodegebied werd dan toegewezen aan de cluster waarvoor het gebied
relatief gesproken het belangrijkste is. Dit tempert enigszins de dominantie van de grootste
cluster (nr. 7). Ter illustratie, een postcodegebied met 5 links behorende tot cluster a en met
6 links behorende tot cluster b wordt toch toegewezen aan cluster a indien cluster a in totaal
slechts 10 links bevat en cluster b bijvoorbeeld 20. Omwille van deze berekeningswijze
spreken we van een ‘gewogen’ resultaat.
Voor elke cluster wordt ook de modulariteit (modularity) en verbondenheid (connectedness)
gegeven. De modularity is het relatieve aantal links in de cluster ten opzichte van het aantal
links buiten de cluster (connectedness is daarvan het omgekeerde). Het is dus een maat
voor hoe geïntegreerd en autonoom een cluster is. De clustergrootte (cluster size) is het
aantal postcodegebieden dat (al dan niet gedeeltelijk) tot een cluster behoort. Deze
gegevens zijn terug te vinden in Tabel 12.
Logistiek en Locatie I 20140117
36
Tabel 12: Resultaten van de clusteranalyse: connectedness, modularity en cluster size
Cluster
Cluster 1
Cluster 2
Cluster 3
Cluster 4
Cluster 5
Cluster 6
Cluster 7
Cluster 8
community
connectedness
58.8
60.3
4.01
42.1
118.8
127.5
5.38
8.56
community
modularity
0.017
0.017
0.250
0.024
0.008
0.008
0.186
0.117
cluster
size
32
43
13
111
211
302
544
59
Aangezien voor elk postcodepaar gegeven is hoeveel links tussen twee bedrijven er onder
vallen, kan voor elke cluster nagegaan worden hoeveel links (tussen 2 bedrijven) tot de
cluster behoren. Dit is de eerste reeks cijfers gegeven in Tabel 13. Daarnaast bevat deze
tabel het aantal postcodegebieden dat, na weging, tot een cluster behoort. Hierbij kan een
postcodegebied slechts tot één cluster behoren.
Tabel 13: Beschrijving van de gedetecteerde clusters
Cluster
Cluster 1
Cluster 2
Cluster 3
Cluster 4
Cluster 5
Cluster 6
Cluster 7
Cluster 8
#stromen tussen bedrijven
die deel uitmaken van een link
in een cluster
62
84
150
394
426
602
7376
916
aantal postcodezones
in een cluster (gewogen)
5
18
13
72
63
65
296
23
De focus van dit onderzoek ligt op ruimtelijke economie. Vandaar dat het logisch is om na te
gaan of de clusters een ruimtelijke logica volgen. Zijn postcodegebieden in een cluster
bijvoorbeeld in elkaars nabijheid gelegen of in eenzelfde type gebied? Figuren 14-16 geven
de 8 clusters op enkele verschillende manieren cartografisch weer (merk op dat dit slechts
afbeeldingen zijn van de resultaten van een analyse en geen voorbeelden van hoogstaande
cartografie).
Figuur 14 geeft de 8 clusters van postcodegebieden weer op kaart. Dit zijn de clusters, na
weging, waarvoor elk postcodegebied toegewezen wordt aan slechts één cluster. Figuur 15
geeft het aantal links in een bepaalde cluster weer die vertrekken vanuit of aankomen bij een
bedrijf in het postcodegebied. Figuur 16 tot slot geeft aan hoe belangrijk een bepaald
postcodegebied is in een cluster.
Logistiek en Locatie I 20140117
37
Uit Tabel 12 blijkt dat clusters 3, 7 en 8 veel links hebben binnen de eigen cluster. Cluster 3
komt duidelijk overeen met de logistieke cluster in en rond de Antwerpse haven. Cluster 7
omvat een zeer groot aantal postcodegebieden en is dus minder interessant om op dit
schaalniveau ruimtelijk-economische clusters te detecteren. Cluster 8 omvat de verschillende
havengebieden en het Albertkanaal. Clusters 1 en 2 hebben een hub in respectievelijk het
Brusselse en Heist-op-den-Berg en omvatten ook de havengebieden. Cluster 4 is
geconcentreerd in Antwerpen en Brussel met ook vertakkingen langsheen de E17 en in
havensteden. Clusters 5 en 6 hebben beide hun hub in Antwerpen en hebben een groot
aantal links naar de rest van het land.
Logistiek en Locatie I 20140117
38
Figuur 14:
De 8
clusters
(wit:
postcodegebied
komt niet
voor in
sample)
Logistiek en Locatie I 20140117
39
Figuur 15:
Het aantal links
van elk
postcodegebied
in een cluster
Logistiek en Locatie I 20140117
40
Figuur 16
Relatief
belang van
een
postcodegebied in
een cluster
Logistiek en Locatie I 20140117
41
3.3.5 Logistieke clusters afgebakend op basis van leverancier-klant relaties
De analyse van de financiële stromen tussen logistieke bedrijven in België geeft aan dat er
zeker in en rond de Antwerpse haven een logistieke cluster bestaat, zoals ook naar voor
kwam uit het onderzoek van Coppens et al. (2007). Ook werd er een netwerk van relaties
tussen de verschillende havengebieden gedetecteerd. Dit impliceert dat de concentratie van
logistieke bedrijven in havengebieden niet enkel het gevolg is van de aanwezigheid van
haveninfrastructuur, maar dat logistieke bedrijven die daar gelegen zijn ook samenwerken
(diensten of goederen van elkaar kopen). Uit de analyse kan eveneens afgeleid worden dat
de afstanden in ons land van die aard zijn dat interactie tussen bijvoorbeeld het oosten en
het westen van het land nog aanzienlijk is. Zoals bij elke analyse zijn er wel nog een aantal
methodologische bedenkingen te maken. Vooreerst is er de data. Enkele beperkingen zijn
bijvoorbeeld het feit dat enkel BTW-plichtige bedrijven zijn opgenomen en dat links naar het
buitenland afwezig zijn. Ook de methode kan nog verder verfijnd worden. Het aggregeren op
postcodeniveau zorgt er bijvoorbeeld voor dat sommige links niet geanalyseerd worden
omdat ze het gebied niet verlaten (loops). Dit betreft echter slechts een klein aandeel van de
observaties. Ook een verdere analyse van de omvang van de leverancier-klant relaties biedt
perspectieven. Verder onderzoek kan ingaan op deze elementen. Maar de analyse is wel
geschikt als exploratief instrument om na te gaan waar ruimtelijk-economische clusters van
logistieke activiteiten zich bevinden.
Logistiek en Locatie I 20140117
42
4
CONCLUSIE
Voorliggende paper schetst een beeld van het ruimtelijk patroon van de logistiek in het
Vlaamse Gewest en België. Tevens is getracht om te verklaren waarom logistiek sterker
vertegenwoordigd is in bepaalde delen van het land.
De agglomeraties Antwerpen en Brussel en het tussenliggende gebied zijn belangrijke
concentraties van logistieke activiteiten. Daarnaast zijn de havens van Gent en Zeebrugge,
het zuiden van West-Vlaanderen en ook nog Genk en Heist-op-den-Berg locaties waar
logistiek geconcentreerd is. De aanwezigheid van grote concentraties bevolking en industrie
is een belangrijke verklarende factor voor deze ruimtelijke spreiding, naast de aanwezigheid
van infrastructuur, in de eerste plaats autowegen.
Logistieke bedrijven maken ook gebruik van elkaars diensten en dit kan er voor zorgen dat
ruimtelijk-economische clusters aanwezig zijn. Zeker in het Antwerpse zien we dat logistieke
bedrijven klant en/of leverancier zijn bij sectorgenoten. Dit kan wijzen op clustervorming
waarbij de aldaar gevestigde bedrijven concurrentiëler worden door specialisering en
innovatie.
Verdere analyse van onder meer klant-leverancier relaties, puntdata, subsectoren en
methodologische verfijningen kunnen de analyses in dit rapport nog verrijken. Maar het
algemene beeld dat geschetst wordt van de bedrijfstak logistiek vormt desalniettemin
waardevolle input voor het zusterrapport van voorliggend studie dat meer ingaat op de
beleidsmatige aspecten, in de eerste plaats het ruimtelijk beleid (rapport ‘Logistiek en Locatie
2: enkele relevante elementen voor een ruimtelijk economisch beleid met betrekking tot de
logistiek’; Vanoutrive et al. 2014).
Logistiek en Locatie I 20140117
43
REFERENTIES
Anselin, L. (1988). Spatial econometrics: Methods and models, Dordrecht: Kluwer Academic
Publishers.
Anselin, L. (1995). "Local Indicators of Spatial Association-LISA." Geographical Analysis,
27(2), 93-115.
Anselin, L. (2002). "Under the hood - Issues in the specification and interpretation of spatial
regression models." Agricultural Economics, 27, 247-267.
Balland, P.-A., De Vaan, M., and Boschma, R. (2013). "The dynamics of interfirm networks
along the industry life cycle: The case of the global video game industry, 1987–2007."
Journal of Economic Geography, 13, 741–765.
Bates, D. (2005). "Fitting linear mixed models in R Using the lme4 package." R News, 5(1),
27-30.
Becattini, G. (2004). Industrial Districts - A New Approach to Industrial Change, Cheltenham:
Edward Elgar.
Bertinelli, L., and Decrop, A. (2005). "Geographical agglomeration: Ellison and Glaeser's
index applied to the case of Belgian manufacturing industry." Regional Studies, 39(5),
567-583.
Bivand, R. (2012). "spdep: Spatial dependence: weighting schemes, statistics and models. R
package version 0.5-46". Vienna.
Bivand, R. S., Pebesma, E. J., and G¢mez-Rubio, V. (2008). Applied Spatial Data Analysis
with R, New York: Springer.
Blomme, N., De Smedt, B., Cant, J., Goos, P., and Kessels, R. (2012). "De locatie van
logistieke bedrijven: Een analyse van de impact van bereikbaarheid aan de hand van
een discrete keuzemodel", in A. Verhetsel, (ed.), Werkpakket 4: Transformaties in de
ruimte voor economie. Antwerp: steunpunt Ruimte en Wonen.
Blondel, V., Krings, G., and Thomas, I. (2010). "Regions and borders of mobile telephony in
Belgium and in the Brussels metropolitan zone." Brussels Studies, 42, 1-12.
Bringmann, K., Vanoutrive, T., and Verhetsel, A. (2014). Identificatie van ruimtelijke
agglomeratie in high-tech sectoren in België. steunpunt Ondernemen en Ruimtelijke
Economie (stORE), Antwerp.
Brodzicki, T. (2010). Critical Review of Cluster Mapping Studies in Poland. Working Papers
1001, Economics of European Integration Department, Faculty of Economics,
University of Gdansk, Poland., Gdansk.
Burger, M., van Oort, F., and Linders, G. J. (2009). "On the Specification of the Gravity Model
of Trade: Zeros, Excess Zeros and Zero-inflated Estimation." Spatial Economic
Analysis, 4(2), 167-190.
Coppens, F., Lagneaux, F., Meersman, H., Sellekaerts, N., Van de Voorde, E., van Gastel,
G., Vanelslander, T., and Verhetsel, A. (2007). Economic impact of port activity: a
disaggregate analysis: The case of Antwerp. Working Paper National Bank of
Belgium, Brussels.
De Wachter, H. (2005). Europese Distributiecentra in Vlaanderen - situatieschets 2005.
Vlaams Instituut voor de Logistiek (VIL), Antwerp.
Desmet, D., Boute, R., Vereecke, A., and Sys, L. (2010). Europese distributiecentra in
Vlaanderen: typologie en toekomstperspectieven: Vlerick Leuven Gent Management
School - Steunpunt Ondernemen en internationaal ondernemen - VIL.
Duranton, G., and Overman, H. G. (2005). "Testing for localization using micro-geographic
data." Review of Economic Studies, 72(4), 1077-1106.
Ellison, G., and Glaeser, E. L. (1997). "Geographic concentration in US manufacturing
industries: A dartboard approach." Journal of Political Economy, 105(5), 889-927.
Ellison, G., Glaeser, E. L., and Kerr, W. R. (2010). "What Causes Industry Agglomeration?
Evidence from Coagglomeration Patterns." American Economic Review, 100(3),
1195-1213.
Logistiek en Locatie I 20140117
44
Elsner, W. (2008). "Regional service clusters and networks. Two approaches to empirical
identification and development: the case of logistics in the German port city-states
Hamburg and Bremen". Universität Bremen, Department of Economics, DiscussionPapers Series No. 006-2008.
Feser, E. J., and Bergman, E. M. (2000). "National industry cluster templates: A framework
for applied regional cluster analysis." Regional Studies, 34(1), 1-19.
Feser, E. J., and Sweeney, S. H. (2002). "Theory, methods and a cross-metropolitan
comparison of business clustering", in P. McCann, (ed.), Industrial Location
Economics. Cheltenham: Edward Elgar, pp. 222-259.
Giuliani, E. (2010). "Clusters, networks and economic development: an evolutionary
economics perspective", in R. Boschma and R. Martin, (eds.), The Handbook of
Evolutionary Economic Geography. Cheltenham, UK: Edward Elgar, pp. 261-279.
Gujarati, D. N. (2004). Basic Econometrics, New York: McGraw-Hill.
IDEA Consult. (2001). Ruimtelijk-economische aspecten van de ontwikkelingen in transport,
distributie en logistiek in Vlaanderen. IDEA Consult nv, Brussels.
Kalinka, A. T., and Tomancak, P. (2011). "linkcomm: an R package for the generation,
visualization, and analysis of link communities in networks of arbitrary size and type."
Bioinformatics, 27(14), 2011-2012.
Kupfer, F., and Lagneaux, F. (2009). Economic Importance of Air Transport and Airport
Activities in Belgium. Working Paper National Bank of Belgium, Brussels.
Lagneaux, F. (2008). "Economic Importance of Belgian Transport Logistics". Working Paper
National Bank of Belgium, Brussels.
Luthi, S., Thierstein, A., and Goebel, V. (2010). "Intra-firm and extra-firm linkages in the
knowledge economy: the case of the emerging mega-city region of Munich." Global
Networks-A Journal of Transnational Affairs, 10(1), 114-137.
Martin, D., Nolan, A., and Tranmer, M. (2001). "The application of zone-design methodology
in the 2001 UK Census." Environment and Planning A, 33(11), 1949-1962.
Mathys, C., and Van Kerckhoven, M. (2012). Economic Importance of Belgian Transport
Logistics: Update 2009-2010, Estimate 2011. National Bank of Belgium, Brussels.
McKinnon, A. (2009). "The present and future land requirements of logistical activities." Land
Use Policy, 26, S293-S301.
Mérenne-Schoumaker, B. (2007). "La localisation des Grandes Zones de Logistique."
Bulletin de la Société géographique de Liège, 49, 31-40.
Openshaw, S., and Taylor, P. (1981). "The modifiable area unit problem", in N. Wrigley and
R. Bennett, (eds.), Quantitative Geography: A British View. London: Routledge, pp.
60-69.
Sétra. (2009). Les bâtiments logistiques - Fonction et impacts sur les territoires. Service
d'études sur les transports, les routes et leurs aménagements (Sétra), Bagneux.
Strale, M. (2013). La logistique: localisation des activités et impacts territoriaux / Logistics:
location of activities and territorial impacts, PhD, ULB, Brussels.
Thomas, I., Hermia, J. P., Vanelslander, T., and Verhetsel, A. (2003). "Accessibility to freight
transport networks in Belgium: A geographical approach." Tijdschrift Voor
Economische En Sociale Geografie, 94(4), 424-438.
United Nations. (1998). "International Merchandise Trade Statistics: Concepts and
Definitions". City: United Nations: New York.
United Nations Statistics Division. (2010). "International Merchandise Trade Statistics:
Concepts and Definitions 2010 (IMTS 2010) - Draft version". United Nations: New
York.
van den Heuvel, F. P., De Langen, P. W., van Donselaar, K. H., and Fransoo, J. C. (2011).
"Identification of Employment Concentration Areas". Beta Working Paper series 354.
Eindhoven.
Vandenbulcke, G., Steenberghen, T., and Thomas, I. (2009). "Mapping accessibility in
Belgium: a tool for land-use and transport planning?" Journal of Transport
Geography, 17(1), 39-53.
Logistiek en Locatie I 20140117
45
Vanelslander, T., Hintjens, J., Kuipers, B., and van der Horst, M. (2012). "Drijvende krachten
en uitdagingen voor economie en logistiek van de Vlaams-Nederlandse Delta voor
2040: een scenario-analyse." Ruimte & Maatschappij, 4(1), 32-58.
Vanoutrive, T., Verhetsel, A., and Vanelslander, T. (2014). Logistiek en Locatie 2: enkele
relevante elementen voor een ruimtelijk economisch beleid met betrekking tot de
logistiek. steunpunt Ondernemen en Ruimtelijke Economie (stORE), Antwerpen.
Wasserman, S., and Faust, K. (1997). Social Network Analysis: Methods and Applications,
Cambridge, UK: Cambridge University Press.
Wolny-Dominiak, A., and Zeug-Zebro, K. "Spatial statistics in the analysis of county budget
incomes in Poland with the R CRAN." Presented at Proceedings of 30th International
Conference Mathematical Methods in Economics, Karviná, Czech Republic.
Logistiek en Locatie I 20140117
46

Download Report