Download - Logistiek en Locatie 1: verkennende ruimtelijke analyse van ......Logistiek en Locatie I 20140117 2 Samenvatting De bedrijfstak logistiek en transport krijgt heel wat aandacht, onder

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

Logistiek en Locatie I 20140117 2

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


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).


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

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

4 CONCLUSIE .................................................................................................................43


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.


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)


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).


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.


3 ANALYSE

3.1 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. olie-

industrie, 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.


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.


Tabel 1: Definiëring Logistiek NBB (Lagneaux 2008)

Sector Definition NACE Rail transport Transport via railways 60100 Road transport Furniture removal by road 60241 Freight transport by road 60242 Renting of trucks with driver 60243 Pipeline transport Transport via pipelines 60300 Sea and coastal water transport Sea and coastal water transport 61100 Inland water transport Inland water transport 61200 Air transport Scheduled air transport 62100 Non-scheduled air transport 62200 Cargo handling Cargo handling in sea ports 63111 Other cargo handling 63112 Cargo storage Storage and warehousing in cold-storage buildings 63121 Other storage and warehousing 63122 Supporting transport activities Other supporting land transport activities 63210 Other supporting water transport activities 63220 Other supporting air transport activities 63230 Forwarders Forwarding offices 63401 Transport mediation 63405 Agencies Chartering 63402 Ships' agencies 63403 Customs agencies 63404 Other activities of transport agencies 63406 Postal services National post activities 64110 Courier activities other than national post activities 64120

Bron: Lagneaux (2008, p.10), Tabel 1; classificatie: NACEBEL 2003

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)


Tabel 3: Definiëring Logistiek Lüthi et al. (2010)

Logistics (3p & 4p) NACE Goederenvervoer over de weg en verhuisdiensten 6024 Zee- en kustvaart 611 Binnenvaart 612 Luchtvaart volgens dienstregeling 621 Luchtvaart zonder dienstregeling 622 Vrachtbehandeling en -opslag 631 Overige vervoerondersteunende activiteiten 632 Overige tussenpersonen op het gebied van vervoer 634 Post en Telecommunicatie 64

Classificatie: NACEBEL 2003

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


Tabel 5: Beschrijvende statistieken van NBB data (jaar: 2010)

VTE Sector #bedrijven som gemiddeld mediaan Supporting transport activities 79 8202.5 103.8 10.6 Sea and coastal water transport 48 1026.6 21.4 3.8 Road transport 3501 48341.6 13.8 5.2 Rail transport 12 255.2 21.3 7.0 Postal services 283 34232.6 121.0 2.3 Pipeline transport 5 15.0 3.0 2.2 Inland water transport 72 363.3 5.1 3.1 Forwarders and agencies 722 14926.8 20.7 5.2 Cargo storage 247 10001.8 40.5 10.4 Cargo handling 196 16716.9 85.3 8.1 Air transport 4 476.4 119.1 6.0 Other 136547 1742296.9 12.8 2.1

3.2 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 Antwerpen-

Brussel 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 West-

Vlaanderen.


Figuur 2: Werkgelegenheid logistiek per gemeente in 2010: absoluut (VTE)

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).

20 km


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

20 km


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)

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.

20 km


Figuur 5: Toegevoegde waarde van de logistiek per gemeente in 2010: absoluut (enkel

gemeenten met een positieve waarde zijn afgebeeld)

Figuur 6: Toegevoegde waarde van de logistiek per gemeente in 2010 (relatief; quantielen)

20 km

20 km


Figuur 7: Densiteit van de toegevoegde waarde in de logistiek per gemeente in 2010

(toegevoegde waarde/km²; quantielen)

20 km


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


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


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.


-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 Zeug-

Zebro 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.


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)


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.


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

de LISA analyse

20 km


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.


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);


-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 werk. auto. nijverh. bevolk. dichth. prijs werkgelegenheid log. 1 autosnelwegen 0.36 1 nijverheidsgebouwen 0.67 0.41 1 bevolking 0.64 0.37 0.68 1 bevolkingsdichtheid 0.45 0.12 0.29 0.71 1 bouwgrondprijs 0.45 0.05 0.19 0.51 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.


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


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.


logistiek (2010) in een gemeente schat (relatief)

variabele schatting st.error z-waarde p-waarde Intercept 0.61 0.19 3.16 0.0016 Luchthaven 0.13 0.23 0.55 0.58 Haven 0.30 0.24 1.23 0.22 Klasse V waterweg 0.027 0.085 0.32 0.75 Autosnelweg 0.18 0.056 3.27 0.0011 log(%nijverheid) 0.36 0.073 5.00 < 0.001 log(bevolkingsdichth.) -0.19 0.075 -2.49 0.013

Rho (ρ) 0.26 0.058 4.42 < 0.001 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

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 (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.


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


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).


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 (t-

waarde -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

‘leeg’ model model met variabele ‘afstand’

Random effects variance std.dev. variance std.dev. postcode leveranciers (j) 0.21 0.45 0.20 0.45 postcode klant (k) 0.34 0.58 0.40 0.63 postcodepaar (i) 3.00 1.73 2.82 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


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

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.

knoop

link

eik i

j

k

ejk


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.


Tabel 12: Resultaten van de clusteranalyse: connectedness, modularity en cluster size

community community cluster Cluster connectedness modularity size Cluster 1 58.8 0.017 32 Cluster 2 60.3 0.017 43 Cluster 3 4.01 0.250 13 Cluster 4 42.1 0.024 111 Cluster 5 118.8 0.008 211 Cluster 6 127.5 0.008 302 Cluster 7 5.38 0.186 544 Cluster 8 8.56 0.117 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

#stromen tussen bedrijven die deel uitmaken van een link aantal postcodezones Cluster in een cluster in een cluster (gewogen) Cluster 1 62 5 Cluster 2 84 18 Cluster 3 150 13 Cluster 4 394 72 Cluster 5 426 63 Cluster 6 602 65 Cluster 7 7376 296 Cluster 8 916 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.


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.


Figuur 14: De 8 clusters (wit: postcode-gebied komt niet voor in sample)


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


Figuur 16 Relatief belang van een postcode-gebied in een cluster


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.


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).


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.


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, Discussion-Papers 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.


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.