Logistiek en Locatie 1: verkennende ruimtelijke analyse van de cluster logistiek en transport

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).


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


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.


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)


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).


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.


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.


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.


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)


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


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.


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).


14

Figuur 3: Werkgelegenheid logistiek per gemeente in 2010: relatief (%; natural breaks)

20 km


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.


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


17

Figuur 7: Densiteit van de toegevoegde waarde in de logistiek per gemeente in 2010 (toegevoegde waarde/km²; quantielen)

20 km


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


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.


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.


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)


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.


24

Figuur 12: Synthesekaart van de ruimtelijke clustering van de logistiek (2010) op basis van de LISA analyse

20 km


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.


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’.


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.


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).


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


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.


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.


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.


38

Figuur 14: De 8 clusters (wit: postcodegebied komt niet voor in sample)


39

Figuur 15: Het aantal links van elk postcodegebied in een cluster


40

Figuur 16 Relatief belang van een postcodegebied in een cluster


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.


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).


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.


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.


46

Logistiek en Locatie 1: verkennende ruimtelijke analyse van de cluster logistiek en transport

Recommend Documents