选址的科学：当 345 万个工厂坐标遇上 AI

一、序章：一个坐标的重量

2025 年秋天，一位做精密结构件的企业主在两个候选地块之间犹豫了三个月。一块在长三角某县的开发区里，土地价格高出四成，招商政策平平；另一块在中部某市的新园区，地价便宜，税收减免的条款写了满满两页，园区领导亲自带他看了三次场地。按照账面测算，第二个方案五年能省下将近两千万元的成本。他几乎已经决定签约。

真正让他停下来的，是一位老供应商酒桌上的一句话：「你去那边，热处理找谁做？」

他回去让团队排查了一遍工艺清单。精密结构件的生产链条里，有七道工序他自己做，有五道要靠外协：热处理、表面阳极氧化、精密磨削、检测计量、模具修配。在长三角那个县，这五类外协厂在三十公里半径内一共有上百家可选，账期、质量、交期都可以货比三家；而在中部那个新园区，方圆五十公里之内，符合要求的热处理厂只有两家，阳极氧化要送到一百二十公里外的省城，来回物流加排队，单是表面处理一道工序的周转天数就要多出四天。他的客户是按周下单的，四天的波动足以让他丢掉最重要的订单。

两千万元的账面节省，输给了三十公里半径内的一张配套网络。他最终留在了长三角。

这个故事里没有任何高深的理论，只有一个朴素到近乎残酷的事实：工厂选址是制造业里赌注最大、纠错成本最高的决策之一。设备可以换，人可以招，产品可以改版，唯独厂址一旦落定，土地、厂房、环评、员工的居住半径、供应商的物流半径，全部被钉死在一个经纬度上。选对了，周围的产业网络每天都在为你降低成本；选错了，你每天都在为地图上那个点支付看不见的罚金——多出来的物流天数、找不到的熟练技工、请不来的外协师傅，一笔一笔，日积月累。

更麻烦的是，这个决策长期以来是在信息严重不完整的条件下做出的。企业主能看到地价、税收、政策文本，却看不到那张真正决定生死的网络：方圆三十公里内，到底有多少家能做热处理的厂？有多少家同行在分抢同一批技工？我的下游客户离这里多远？我的上游供应商愿不愿意跟过来？这些问题的答案散落在几百万家工厂的车间里，从来没有人把它们放在同一张图上。

现在有人把它们放在同一张图上了。

天下工厂产业平台在过去几年里做了一件笨功夫：为平台覆盖的 480 万家中国工厂逐一建立档案，并且把其中绝大多数的实际生产地址——不是工商注册地址，是厂房真实所在的那个位置——解析成了经纬度坐标。截至目前，这份数据资产包含超过 345 万个有效工厂坐标，其中在营状态的超过 314 万家。把这些点铺开在中国地图上，中国制造业的空间结构第一次以「厂址」而不是「注册地」的分辨率显形。

这篇文章要讨论的，就是当这样一份数据遇上 AI 之后，「工厂选址」正在发生什么变化：一门依靠经验、关系和招商手册的手艺，如何变成一个可以计算、可以验证、可以推演的科学问题。我们会从一百年前的区位理论讲起，讲清楚传统选址方法为什么在今天失灵，讲我们在 345 万个坐标里看到的中国产业地理，讲供需关系和配套网络如何被量化成选址依据，也会诚实地讲清楚这套方法的边界——它能算出什么，算不出什么。

有必要预先交代这篇文章的立场。天下工厂是这份数据资产的建设者和使用者，本文当然不是与己无关的旁观者评论——但我们选择用研究的方式来写它：每一个数字给出口径，每一处局限如实交代，每一个结论区分「数据说的」与「我们判断的」。读者可以把本文当成一份产品说明书来警惕，也可以当成一份研究报告来检验——我们更希望是后者，并且相信文中的方法与事实经得起这种检验。

这不是一篇轻松的文章。但如果你正在为一家工厂、一个园区、一条产业链寻找它在地图上的位置，接下来的五万字，也许值得你读完。

二、选址学的百年脉络：从运输成本到集聚经济

工厂应该建在哪里？这个问题被严肃地当作一门学问来研究，已经有两百年历史。回顾这条学术脉络并不是为了掉书袋——恰恰相反，今天所有 AI 选址模型的底层逻辑，几乎都能在这些经典理论里找到源头。理解了它们，才能看清 AI 到底改变了什么、没有改变什么。

杜能的圈层：距离就是成本

1826 年，德国农场主约翰·冯·杜能出版了《孤立国》。他假想了一座四周是均质平原的孤立城市，然后推导：不同的农作物会围绕城市形成一圈一圈的同心环带——最靠近城市的环带种植鲜菜、生产鲜奶，因为它们不耐运输；再往外是木材，因为木材沉重、运费高昂；更远处是谷物，最外圈是牧场。决定这个圈层结构的只有一个变量：到市场的距离。

杜能研究的是农业，但他留下的思想内核适用于一切生产活动：土地的价值不在于土地本身，而在于它与市场之间的运输成本。同样一亩地，离需求近一分，就值钱一分。今天任何一个选址模型里的「需求邻近度」指标，本质上都是杜能圈层的后代。

韦伯的三角形：工业区位论的诞生

真正为「工厂选址」建立第一套完整理论的，是德国经济学家阿尔弗雷德·韦伯。1909 年，他在《工业区位论》中提出了一个至今仍在使用的分析框架：一家工厂的最优位置，是原料产地、燃料产地和消费市场三点之间，使总运输成本最小的那个点——著名的「区位三角形」。

韦伯把工业原料分成两类：遍在原料（如水、砂石，到处都有）和限地原料（如铁矿、煤炭，只在特定地点存在）；又把生产过程按「原料指数」分类——失重型工业（如冶炼，一百吨矿石炼出几吨金属）应该靠近原料，增重型工业（如啤酒，主要重量来自随处可得的水）应该靠近市场。在运输成本主导的框架之上，韦伯又叠加了两层修正：劳动力成本的差异可以把工厂从运输最优点「拉」走；而集聚带来的收益，又可能把分散的工厂「聚」到一起。

用今天的眼光看，韦伯这套框架的惊人之处在于它的结构完整：运输成本、劳动力成本、集聚效应——一百多年后，任何一个严肃的选址模型仍然是在这三个变量上做文章，只是每个变量的测量方式发生了根本变化。

马歇尔的产业区：为什么工厂喜欢扎堆

比韦伯更早，英国经济学家阿尔弗雷德·马歇尔在 1890 年的《经济学原理》里，已经注意到一个奇怪的现象：同类工厂总是扎堆出现。谢菲尔德的刀具、兰开夏的棉纺，工厂一家挨着一家，明明加剧了彼此的竞争，为什么还要挤在一起？

马歇尔给出的解释后来被称为「马歇尔外部性」，包括三种机制：

劳动力蓄水池：同类工厂聚集的地方，会养出一个庞大的熟练工人市场。工人不怕失业（隔壁厂随时要人），厂主不怕招不到人（街上全是会这门手艺的人）。双方的风险都被这个「池子」吸收了。
中间投入品共享：工厂扎堆的地方，会长出专门为它们服务的配套供应商——模具、五金、包装、维修。每一家配套商都能吃到足够的订单量，因此能做得更专、更便宜；每一家工厂也因此能以更低的成本买到更专业的服务。
知识溢出：马歇尔有一句常被引用的描述——在产业区里，「行业的奥秘不再是秘密，而是仿佛飘在空气中」。工艺的改进、市场的风向、设备的优劣，在工厂密集的地方以饭桌、跳槽和串门的速度传播。

这三种机制在今天的中国产业带身上依然精确成立。为什么全国的注塑机修理师傅集中在几个城市？为什么在产业带里三天能配齐的物料，出了产业带三周都配不齐？答案在一百三十多年前就写好了。

克里斯塔勒与中心地：市场的层级

1933 年，德国地理学家瓦尔特·克里斯塔勒提出中心地理论，解释了城市和市场为什么呈现层级结构：卖日用品的小店可以开在每个村镇，而卖钢琴的商店只能开在大城市——因为不同商品需要不同规模的「门槛人口」来养活。这套理论后来成为商业选址（开店、设仓、布网点）的基石，它对工业选址的启示在于：不同的产业环节需要不同等级的「腹地」。一家做标准紧固件的厂，一个县的需求就能养活；一家做大型锻件的厂，可能需要整个华东的订单才能开工。选址的第一个问题从来不是「哪里便宜」，而是「我的生意需要多大的腹地」。

胡佛与廖什：运输的结构与市场的疆界

在韦伯与克鲁格曼之间，还有两位承上启下的人物值得一提。美国经济学家埃德加·胡佛在二十世纪三十年代把运输成本的分析推向精细：运费不是随距离线性增长的——装卸、中转这些「端点成本」占了大头，因此长途运输的单位成本递减。这个看似技术性的修正，解释了一个重要现象：为什么港口、铁路枢纽这些「转运点」天然吸引工厂——在运输方式转换的地方设厂，能省下一整段端点成本。今天中国沿江沿海的重工业布局、内陆陆港枢纽对产业的吸引力，背后都是胡佛的算术。

德国经济学家奥古斯特·廖什则在四十年代把视角从「一家工厂选哪里」翻转为「整个市场会长成什么形状」：当无数生产者在空间中竞争时，每家企业的市场区会被邻居挤压成蜂窝状的疆界，整个经济景观呈现出层层嵌套的网络。廖什的启示在于：你的可服务半径不是你自己定的，是你和竞争对手的位置共同定的——这为后文竞争地图的分析埋下了理论伏笔。

克鲁格曼与新经济地理学：集聚可以自我实现

二十世纪九十年代，保罗·克鲁格曼把规模报酬递增和运输成本放进同一个一般均衡模型，创立了「新经济地理学」，并因此获得 2008 年诺贝尔经济学奖。他的核心洞见是：产业的空间分布不是资源禀赋单方面决定的，而是一个自我强化的历史过程——某地因为偶然原因聚集了一批工厂，工厂吸引工人，工人形成市场，市场又吸引更多工厂。集聚一旦越过临界点，就会像滚雪球一样自我实现，形成「核心—边缘」结构。

这个理论解释了中国产业地理里许多用资源禀赋解释不了的现象：为什么全球的打火机产能集中在湖南邵东和浙江的少数几个镇？为什么河北安平一个县能做出全国最大的丝网集群？那里既没有特殊的原料，也没有特殊的港口——有的只是几十年前的一点火种，和此后不断自我强化的集聚循环。

对选址者来说，克鲁格曼的启示有两面。正面是：跟着集聚走，大概率是对的，因为集聚本身就是效率。反面是：集聚的形成有路径依赖，今天的产业地图是历史滚出来的雪球，它不一定是当下的最优解——雪球滚过头的地方，土地、人工、环保容量都会涨到把集聚红利吃光。什么时候该跟随集聚、什么时候该离开集聚，恰恰是选址学里最难的判断。

理论的共同困境：没有数据的望远镜

把这条两百年的学术脉络放在一起看，会发现一个共同的困境：理论早就成熟了，数据一直没跟上。

杜能需要知道每种作物到市场的运输成本，韦伯需要知道原料、燃料、市场的精确位置，马歇尔需要知道每个产业区里有多少工厂、多少工人、多少配套商，克鲁格曼的模型需要产业在空间上的真实分布作为初始条件。但在过去的绝大多数时间里，这些数据要么不存在，要么以极粗的颗粒度存在——统计年鉴能告诉你某省有多少家规模以上的机械企业，却永远不会告诉你，某个镇的十公里半径内有多少家能接单的阳极氧化厂。

于是一门理论上的科学，在实践中退化成了手艺：老板们靠同乡的口碑选址，园区靠拍脑袋定主导产业，咨询公司拿着省级统计数据画热力图。望远镜的光学原理一百年前就写好了，镜片却一直没有磨出来。

镜片现在有了。接下来的章节，我们先看清楚旧镜片是怎么失灵的，再来看新镜片能看到什么。

三、中国产业地理的三次重构：今天的地图是怎么来的

区位理论讲的是普遍规律，但每一张具体的产业地图都是历史的产物。要理解今天中国工厂的分布——为什么珠子结在这里而不是那里，为什么有的集群深不见底、有的集群一阵风就散——必须把时间轴拉长，看清楚这张地图是被哪几股大潮反复冲刷出来的。这一章讲三次大的空间重构。它不是历史课，每一段都直接关系到今天选址者读图的方式。

第一次重构：计划之手（二十世纪五十至七十年代）

新中国工业地理的第一次大规模塑形，来自计划经济时期两轮著名的布局：五十年代以「156 项重点工程」为代表的工业奠基，和六十年代中期开始的「三线建设」。

这两轮布局的选址逻辑与市场无关，而是国家意志的直接投影：156 项工程大量落子东北和华北，依托的是资源禀赋与既有工业基础；三线建设则出于国防考虑，把成套的重工业体系向西南、西北的纵深地带搬迁——「靠山、分散、隐蔽」六个字，是那个年代的选址准则，与韦伯的运输成本最小化几乎背道而驰。

计划之手留下的遗产至今仍在地图上清晰可见：东北和华北的重工业底盘、武汉十堰的汽车走廊、四川贵州的军工与装备体系、关中的机床与航空。对今天的选址者，这份遗产的现实意义有两条。其一，这些老工业区沉淀了中国最深厚的重工业技工池和工程师文化，某些工艺（大型铸锻、精密机床、特种材料）的人才密度至今无出其右。其二，它们也示范了「违背区位规律的布局需要付出什么代价」——三线企业在市场化年代的大规模搬迁调整，本身就是一部反向教材：当运输成本、配套半径重新成为硬约束时，空间错位的产能迟早要用脚投票。

第二次重构：市场之手（八十至二十世纪末）

改革开放启动了第二次重构，它的主角是两股此前不存在的力量。

第一股是乡镇企业的野蛮生长。苏南模式、温州模式、珠江模式——不同路径殊途同归：工业化第一次绕开了城市和计划，直接在县域和乡镇的土壤里发芽。今天中国产业地理最独特的景观——「一镇一品」的产业带——绝大多数在这个时期埋下火种。为什么是这个镇而不是隔壁镇？起点往往小得不可思议：一个回乡的师傅、一家社队企业的转型、一单偶然接到的生意。但克鲁格曼的自我强化机制（上一章讲过）一旦启动，火种就滚成了雪球：师傅带徒弟、徒弟自立门户、配套跟着长出来、贩子把全国订单引进来——二三十年后，这个镇就「是」这个行业了。

第二股是外向型经济对沿海的重塑。经济特区、开放城市、出口加工——全球产业链的转移浪潮在珠三角和长三角登陆，塑造了「前店后厂」的空间格局。这一轮塑形的选址逻辑是教科书级的区位经济学：靠近港口（运输成本）、劳动力充沛（要素成本）、政策洼地（制度成本）。到二十世纪末，中国制造业「东密西疏、沿海压倒内陆」的基本盘就此奠定。

对今天读图的人，第二次重构的启示藏在细节里：市场自发长出的集群与外资规划落下的集群，基因不同。前者（产业带型）根系深——本地企业家、本地技工、本地配套盘根错节，抗风浪能力强，但升级慢；后者（加工贸易型）效率高——起点就是国际标准，但根系浅，锚定它的是订单和成本，订单走了它也会走。判断一个集群的抗迁移能力，先判断它的出身。

第三次重构：成本与安全的合力（二十一世纪至今）

进入新世纪，尤其是最近十几年，第三次重构逐步展开，它由几股力量叠加驱动，正是上文「大迁徙时代」一章的历史纵深版。

先是入世后沿海产能的极限扩张，把土地和人工成本推到临界点，启动了教科书式的梯度转移：劳动密集环节向内陆、向中西部县域扩散。接着是产业升级的分化：沿海核心区腾笼换鸟，向研发、品牌、高端制造攀升；被「腾」出来的产能并没有消失，而是在内陆和东南亚之间做选择题。再叠加最近几年的供应链安全逻辑——多基地、备份、近岸——空间决策的目标函数里第一次加入了「韧性」这个变量，它有时候与成本同向，有时候直接对着干。

第三次重构与前两次有一个本质区别：它没有单一的主导逻辑。计划年代听国家的，开放年代听成本的，而今天的选址者要同时听成本、听市场、听安全、听政策、听人才——五个声部经常不合唱。这正是选址这个决策在当下变得空前复杂的根源，也是它空前需要数据和计算的根源：当直觉能依赖的单一逻辑消失后，只有把五个声部同时摆上台面，权衡才有可能。

第三次重构还有一个前两次不具备的特征：它是在存量博弈中进行的。前两次重构的主旋律是增量——新厂在空地上拔起，新集群在无人处生长；而第三次重构里，迁入与迁出、扩张与收缩同时发生，每一个区域的得，往往对应另一个区域的失。这让空间数据的价值发生了微妙的变化：增量时代，看准「哪里会长」就够了；存量时代，还要看准「哪里在缩」——而收缩的信号比增长的信号更难从公开叙事里读到，没有一个地方会主动宣传自己的工厂在流失。坐标数据对流出的记录与对流入的记录同样忠实，这份对称的诚实，在存量时代格外值钱。

三次重构的叠加态：今天的地图

今天的中国产业地图，是三次重构的叠加态：计划之手的重工业底盘、市场之手的产业带星座、以及正在进行时的第三次大迁徙——三层痕迹同时存在，互相纠缠。

这就是为什么静态的、单一口径的产业数据注定失真：一个「机械加工企业数量」的省级统计里，可能同时混着三线遗产的国有大厂、乡镇长出的家族作坊和刚刚从沿海迁来的精密加工厂——三者的技术谱系、配套需求、迁移倾向完全不同，加总在一起的那个数字什么也说明不了。

也正因为如此，坐标级、档案级的产业数据才显得重要：它不把三层痕迹搅成一锅粥，而是让每一家工厂带着自己的出身、行业、规模和状态，站在自己真实的位置上。三次重构的历史不能告诉你下一个十年地图会变成什么样，但它至少告诉你：地图一直在变，而且每一次变化都奖励了先看清它的人。

四、传统选址为什么失灵：四个系统性盲区

在讨论 AI 能做什么之前，必须先诚实地解剖传统选址方法的失灵之处。失灵不是因为从业者不专业——恰恰相反，招商局的干部、咨询公司的顾问、企业里负责基建的老总，大多是极其精明的人。失灵是结构性的：他们赖以决策的信息基础设施，存在四个几乎无法靠个人努力弥补的盲区。

盲区一：注册地不是生产地

中国绝大多数公开可查的企业数据，锚定的是工商注册地址。而工商注册地址与实际生产地址之间的偏差，大到足以让任何基于注册地的空间分析失真。

偏差的来源五花八门：为了税收优惠注册在开发区、实际生产在老厂房的；总部注册在市区写字楼、工厂开在郊县的；一张营业执照后面挂着三个生产基地的；在注册地早已停产搬迁、执照却懒得变更的。对单个企业做尽调时，这些偏差可以逐一核实；但当你需要回答「这个区域方圆三十公里有多少家真实在产的注塑厂」这种空间问题时，注册地数据给出的答案可能与实际相差甚远——你以为密度很高的地方可能只是「执照密集区」，你以为空白的地方可能藏着一整片厂房。

用注册地数据做选址分析，相当于用户籍人口数据规划地铁线路：数字是真的，位置是错的。

盲区二：行政区划的墙

几乎所有公开产业统计都以行政区划为单元：省、市、县。但产业集聚是市场行为，它不看行政地图。一个真实的产业集群，经常横跨两个县、三个区，甚至骑在两个地级市的边界上。

这堵「统计的墙」造成两种典型误判。其一，跨界集群被腰斩：一个横跨两县的集群，在两个县各自的统计里都只是「有一些相关企业」，谁也不会把它当成一个完整的产业带来看待，它的真实规模被系统性低估。其二，行政边界内的加总掩盖了内部结构：某市统计上有三千家金属制品企业，听起来是个大集群，但如果这三千家均匀散布在全市一万平方公里的土地上，它们之间几乎不存在马歇尔外部性，配套、技工、知识溢出都无从谈起——三千家分散的厂和三千家在五十平方公里内扎堆的厂，对选址者是完全不同的两个世界，而行政区划口径的统计表上，它们是同一个数字。

后文会讲到，我们在全国坐标数据里识别出的产业集群中，有 88 个是明确跨县的——这些集群在任何一份以县为单位的统计资料里都不可能被完整看见。

盲区三：招商话语与真实生态的错位

选址决策的信息供给侧，长期由「招商」话语主导。园区手册上写的是土地价格、标准厂房、税收返还、五通一平；领导汇报里讲的是主导产业、龙头项目、产值目标。这些信息不是假的，但它们系统性地回避了制造企业真正的生死变量：配套生态。

一家工厂的日常运转，依赖一张细密的外部网络：外协加工、模具修配、刀具磨削、表面处理、包装印刷、设备维修、危废处置、检测计量。这张网络里的玩家大多是几十人的小厂，从不出现在招商手册上，也很少进入统计视野。但正是它们决定了一家工厂在某地能不能「活得顺」。招商手册能告诉你地价每亩便宜多少万，不会告诉你最近的热处理厂在一百二十公里之外；能告诉你园区已入驻多少家「规上企业」，不会告诉你这里的师傅换一副模具要等多少天。

于是出现了一个反复上演的剧本：企业被优惠政策吸引落地，投产之后才发现自己是方圆五十公里内唯一一家这个行当的厂——没有配套，没有技工池，没有同行，所有马歇尔外部性统统为零。省下的地价和税收，在此后十年的运营摩擦里加倍还了回去。业内把这种厂叫「孤岛厂」。孤岛厂的悲剧很少写进任何案例库，因为没有人愿意承认自己选错了地方。

盲区四：经验的半径

最后一个盲区最隐蔽：个人经验的地理半径是有限的。

传统选址高度依赖企业主的个人网络——同乡在哪里办厂、老供应商在哪里、行业协会的朋友推荐哪里。这套机制在小范围内相当有效（酒桌上那句「热处理找谁做」价值两千万元），但它天然存在半径限制：一个在珠三角做了二十年的企业主，对珠三角的产业生态了如指掌，对长江中游的了解可能仅限于几次考察和几篇报道。当产业转移的大潮要求企业在全国范围内重新选址时，经验的半径就成了决策的天花板。

更微妙的是，经验还有时间上的滞后。产业地理是活的：一个五年前还很单薄的内陆集群，可能已经在某几个环节长出了完整配套；一个如日中天的沿海产业带，可能正在被成本推着悄悄空心化。靠经验导航的人，用的永远是几年前的地图。

四个盲区的共同结构

把四个盲区放在一起，可以看到一个共同结构：选址是一个空间问题，但决策者手里的信息几乎全部是非空间的——注册数据错位于空间，统计数据被行政边界切碎，招商信息回避生态，个人经验受限于半径。这就是为什么两百年的区位理论在实践中长期退化为手艺：不是理论错了，是喂给理论的数据不配。

要让选址重新成为科学，需要的不是更聪明的模型，而是先把最基础的一层做对：让每一家工厂回到它真实所在的那个坐标上。这正是下一章的主题。

五、345 万个坐标：中国制造业第一次被点亮

2026 年年中，天下工厂产业研究院对平台的坐标数据资产做了一次完整盘点。这一章要讲的，就是这份盘点看到的东西——它既是本文一切分析的数据地基，也是我们认为中国产业地理研究正在发生范式变化的直接证据。

这份数据是什么

先把口径说清楚，因为口径决定了后面每一个结论的可信度。

天下工厂产业平台覆盖 480 万家中国工厂的档案。在这份档案库之上，平台为其中的绝大多数解析出了实际生产地址的经纬度坐标：目前拥有有效坐标的工厂超过 345 万家，占比约九成四；其中经营状态为在营的超过 314 万家。换句话说，中国大陆绝大多数真实存在的制造业厂址，在这张图上都是一个可以被检索、被计算、被聚合的点。

三个关键的口径细节：

厂址，不是注册地。 上一章讲过注册地数据的失真。这份坐标库锚定的是生产经营的实际位置——那栋厂房真实矗立的地方。这是它与市面上一切基于工商注册数据的「企业地图」的根本区别。
点，不是面。 每家工厂是一个坐标点，因此任何空间问题——「以某地为圆心三十公里半径内有多少家某品类工厂」——都可以被精确计算，而不是按行政区划近似。
活的，不是死的。 档案带有经营状态、行业类目、产品描述、规模信号等属性，坐标不是孤立的点，而是挂着完整档案的点。算「密度」的时候，可以只算在营的、只算某个行业的、只算某个规模以上的。

诚实的前提：一个必须先讲的技术性局限

在展示这份数据能做什么之前，我们先讲它的局限——这是研究院的规矩，也是任何严肃使用这份数据的人必须知道的事。

中国农村和乡镇地区的地址体系，颗粒度天然低于城市。大量乡镇工厂的登记地址写到「某某村」「某某镇工业区」为止，地址解析只能把它们定位到村或镇的中心点。结果是：在乡镇产业密集的地方，会出现几十家甚至上百家工厂共享同一个坐标点的现象。盘点显示，全国有约 7,774 个这样的「高密度共点位置」（同一坐标上聚着三十家以上工厂），合计约 45.4 万家，占有坐标工厂总数的约一成半。

一个具体例子：河北安平县是全国最大的丝网产业集群，坐标库里能看到 4,712 家相关工厂，但它们只分布在 1,139 个独立点位上——大量村办工厂被归并到了村中心点。

这意味着什么？意味着在乡镇产业带内部做「精确到几百米」的微观分析时要格外小心。因此我们给自己立了一条铁规矩：凡是对外给出的密度类结论，一律同时报两个数——企业数和独立点位数。企业数回答「这里有多少家厂」，独立点位数回答「这些厂在空间上铺得多开」。两个数一起看，才是诚实的密度。

好在，选址分析的主力尺度是五公里、十公里、三十公里这个量级——在这个尺度上，村中心点和真实厂址的偏差（通常在一两公里之内）基本不影响结论。这条局限真正约束的是街区级的微观分析，而不是本文讨论的产业级选址。

把灯打开之后看见了什么

当 345 万个点第一次被铺开在同一张图上，一些原本只存在于传闻和经验里的东西，变成了可以直接观察的事实。

第一，中国制造业的空间集中度远超统计年鉴给人的印象。 以行政区划为单位的统计会摊平一切；而在坐标尺度上看，制造业不是均匀涂抹在国土上的，而是凝结成一颗一颗致密的「珠子」——珠三角和长三角是两大珠串，山东半岛、闽东南、成渝、中原腹地各有自己的串法。珠子和珠子之间，是大片近乎空白的区域。对选址者而言，这幅图景的含义很直接：中国其实不存在「均质的选址空间」，可选的位置从来都是离散的——你是在珠子里、珠子边上，还是珠子之间，是三种完全不同的命运。

第二，产业带的真实边界与它们的名字不符。 几乎每一个著名产业带的实际企业分布，都溢出了以它命名的那个行政区。名义上的「某县产业带」，实际的企业分布经常延伸到邻县的两三个乡镇——供应商跟着主机厂走，走到哪算哪，根本不管县界。这印证了上一章讲的「统计的墙」：以行政区划为单位做产业分析，看到的是被裁剪过的集群。

第三，配套产业的空间伴生是普遍规律，而且强度惊人。 这一点足够重要，值得单独用一整章来讲（见「供需关系的地理学」）。这里先给一个数字吊一下胃口：全国上万家饮料厂中，七成在二十公里半径内可以同时找到包装、印刷、瓶坯三类配套供应商——所谓「产业生态」不是一个修辞，是一个可以测量的空间事实。

第四，也是对本文最重要的一点：这张图让「反事实」成为可能。 传统选址只能评估摆在面前的候选地；有了全量坐标，你可以对中国任何一个位置发问——「如果我把厂建在这里，方圆三十公里的供给、需求、配套、竞争分别是什么」——并得到基于全量数据的回答。选址第一次可以「遍历」，而不只是「比较」。

为什么这份数据此前不存在

一个自然的疑问：这么有用的数据，为什么以前没有人做出来？

答案是成本结构。这份坐标库不是一次采购或一次爬取能得到的，它是一条长期管线的产物：档案要一家一家建，地址要一条一条清洗，坐标要一个一个解析，经营状态要持续更新，行业和产品标签要不断校准。480 万家的量级乘上这条管线的每一道工序，是一个没有耐心就无法完成的工程。市场上不缺企业数据，缺的是把「企业」还原成「厂址」并持续维护的那份笨功夫。

这也是为什么我们敢说「第一次被点亮」：不是修辞，而是就我们所知，以实际厂址为锚、覆盖全国、挂接完整档案、且持续更新的制造业坐标库，此前在市场上不存在。竞品数据几乎全部锚定工商注册地——它们回答「这家公司登记在哪」，我们回答「这家工厂长在哪」。对选址而言，这两个问题之间隔着前文「传统选址为什么失灵」讲的全部盲区。

灯已经打开。接下来的章节，我们看这盏灯照出的两样东西：供需关系的空间语法，和产业集群的真实版图。

六、这份数据是怎么炼成的：一个关于笨功夫的故事

前文说过，这份坐标资产此前不存在的原因是成本结构。这一章把「成本结构」四个字展开——不涉及任何技术机密，只讲这件事的工程性格。理解了它是怎么炼成的，才能理解为什么它难以被复制，也才能理解我们为什么对它的局限如此坦率。

从一个朴素的需求开始

天下工厂的起点不是「做一张产业地图」这样的宏大叙事，而是一个极其具体的用户需求：一位卖设备的销售，想找到广东某个市里所有做金属表面处理的工厂，最好有老板电话。

就为了把这个朴素的需求做好，有几个问题绕不过去。这家厂真的存在吗？它真的在做表面处理吗？它还活着吗？它的厂在哪里——不是执照登记在哪里，是师傅上班的那个院子在哪里？电话打过去，接的人说了算吗？每一个问题，在 480 万的量级上，都是一条需要长期运转的生产线。

五道工序

建档。 把散落在无数公开来源里的企业信息归拢成一家一档：名称、类目、产品、规模信号、状态。听起来是采集，实际大半功夫花在「归一」上——同一家工厂在不同来源里有不同的名字、简称、曾用名，把它们认成一家而不是三家，把两家认成两家而不是一家，是档案质量的第一道生死线。

定位。 把「某省某市某镇某村某路」的文字地址，变成一对经纬度。城市地址相对规整；乡镇地址千奇百怪——「某村村委会旁」「某厂对面」——于是有了前文坦白过的村镇中心点归并问题。定位这道工序教会我们的第一课就是：地址的颗粒度是中国城乡差异的一面镜子，谁也无法凭空造出地址里不存在的精度，只能诚实地把精度等级标出来。

分类。 1,965 个行业类目不是从天上掉下来的，是几轮「国标框架加产业带现实」互相磨合的产物。国标分类科学而稳定，但产业一线的分法要细得多——「做网」的和「做网」的可能是两个互不往来的行当。类目体系的价值不在多细，在于「销售嘴里的行话」与「档案里的标签」能对得上。

验真与更新。 档案不是建完就完了。企业会停产、搬迁、转型，状态信号要多来源交叉验证、滚动刷新。这是五道工序里最没有尽头的一道——它不产生任何新数据，只是让已有数据不腐烂。数据资产和厂房一样，不维护就折旧。

联系与触达。 最后一道工序把档案变成生意：关键人、决策人的联系线索，脱敏、分级、合规地交付给有正当用途的用户。超过 300 万家工厂带有老板或决策人的直连方式——这个数字背后的工序，与其说是数据工程，不如说是对「什么样的触达是对双方都有价值的」这个问题的长期打磨。

笨功夫的复利

这五道工序没有任何一道是聪明的。它们的共同特征是：单次执行价值微小，持续执行价值巨大——复利全部藏在「持续」两个字里。

也正因为如此，这份资产的护城河不是某个算法，而是时间乘以纪律。算法可以被追赶，五年的滚动验真追不了——你从今天开始建，五年后得到的是五年后的快照，而我们手里是从过去滚到五年后的动画。产业地理分析真正值钱的部分——趋势、流入流出、集群的生灭——恰恰只存在于动画里，不存在于任何单帧快照中。

副产品的惊喜

本文讲的一切选址能力，严格说都是副产品。建这份数据的本意是帮销售找客户，没有人在第一天规划过「产业集群自动发现」。但当档案精确到厂址、覆盖到全量、更新到当下时，产业地理的研究能力就自动涌现了——集群识别用的每一个坐标、配套测算用的每一个类目，都是那五道工序的日常产出。

这里有一条对所有做数据生意的人都适用的经验：数据资产的价值上限，由它最初服务的那个需求的「诚实度」决定。「帮销售找到真实存在、真实在营、真实相关的工厂」是一个对数据质量零容忍的需求——电话打空一次，用户就流失一分。被这样的需求逼着长大的数据，拿去做研究，精度是溢出的；反过来，为「讲故事」而攒的数据，拿去支撑真实决策，一碰就碎。

我们把这一章写出来，还有一个私心：希望读者在引用本文任何一个数字时，知道它不是从报告里抄来的，而是从这五道工序里长出来的。数字的分量，来自工序的分量。

七、供需关系的地理学：配套半径是可以测量的

马歇尔说配套供应商会向产业区聚集，克鲁格曼把它写进了模型。但「聚集」到底聚到多近？一家工厂和它的配套商之间，典型距离是五公里还是五十公里？不同行业的「配套半径」差多少？这些问题过去只有定性的答案。有了全量厂址坐标，它们第一次可以被直接测量。

这一章讲我们在数据里实际测到的东西，以及它对选址意味着什么。

两个实测结果

饮料厂与它的「三件套」。 一家饮料厂的日常运转离不开三类近距离配套：包装材料、印刷标签、瓶坯瓶盖。饮料是典型的「增重型」产品——韦伯一百年前就论证过它必须靠近市场，而它的包装配套同样必须靠近它：瓶子和纸箱都是「运空气」的生意，运输半径每多一公里都是纯损耗。我们对全国 11,965 家饮料厂做了配套邻近性测算，结果是：70.3% 的饮料厂在二十公里半径内可以同时找到包装、印刷、瓶坯三类供应商。七成的厂，三件套齐备，半径二十公里。这不是产业规划的结果，是几十年市场自发演化长出来的空间秩序。

模具与注塑：几乎百分之百的伴生。 更极端的例子是模具厂与注塑厂的关系。模具是注塑生产的「牙齿」，开模、试模、修模的往返频率极高，模具师傅到场的速度直接决定注塑厂的停机损失。测算结果是：99.7% 的模具厂在十公里半径内存在注塑厂。这个数字接近物理定律的味道——它说明在中国，脱离注塑客户独立存在的模具厂几乎不存在，两个行业在空间上是一对共生体。

这两个数字值得反复咀嚼，因为它们代表两种不同强度的空间耦合：饮料与包装是「强伴生」（七成在二十公里内配齐），模具与注塑是「近乎绑定」（九成九在十公里内相邻）。不同行业对之间的耦合强度可以逐对测出来，而每一个耦合强度，都是一条选址约束。

配套半径：每个行业都有自己的「等时圈」

把大量行业对的伴生关系测下来，可以提炼出一个对选址极其实用的概念：配套半径——一个行业的工厂，与它赖以运转的各类配套之间，市场演化出的典型距离。

配套半径由三个因素决定：

交互频率。 需要师傅频繁到场的（模具修配、设备维修），半径极短，十公里量级；按周送货的（包装、标签），半径中等，二三十公里量级；按月结算的标准件，半径可以放到几百公里。
运输经济性。 越是「运空气」（瓶坯、纸箱、泡沫）、越是怕颠簸（精密件）、越是有时效（鲜食原料）的物料，半径越短。
服务的不可分性。 热处理、电镀、阳极氧化这类工序，工件要实物送过去再送回来，一来一回都是天数；半径长一倍，在制品周转就慢一截。

序章里那位结构件企业主的直觉——「热处理找谁做」——本质上就是在问自己所在行业的配套半径。他不知道的是，这个问题现在有精确答案：对任何候选位置，每一类外协工序在十公里、三十公里、五十公里半径内各有多少家可选供应商，是一个可以直接算出来的数字。

从「有没有」到「厚不厚」：配套深度

半径之内「有」配套，只是及格线。真正拉开候选地差距的是配套的厚度——同一类配套在半径内有多少家可选。

厚度决定三样东西。议价权：半径内只有一家热处理厂，价格和账期就是它说了算；有十家，说了算的就是你。韧性：唯一的供应商停产检修、涨价跳票、被大客户锁产能，你的产线跟着停摆；有备份，风险就被摊薄。演化空间：工厂的工艺是会变的，今天不需要阳极氧化不等于三年后不需要——落在一个厚配套的位置，等于为未来的工艺变化买了期权。

用数据的语言说：传统招商话语评估的是候选地的「存量指标」（地价、厂房、政策），配套厚度评估的是候选地的「网络指标」。孤岛厂的悲剧，全部发生在网络指标为零的地方。

需求侧同样是地理问题

以上讲的是供给侧——你的供应商在哪里。选址的另一半是需求侧：你的客户在哪里。

对面向消费市场的行业（食品饮料、日用品），需求邻近就是杜能问题，看人口和消费力的分布。但对占中国制造业大半壁江山的中间品行业——零部件、材料、设备——需求侧本身就是另一群工厂。做汽车线束的，客户是主机厂和一级供应商；做工业阀门的，客户是化工厂和水处理厂；做纸箱的，客户是方圆五十公里内一切需要装箱发货的厂。

这正是全量工厂坐标对选址的第二重价值：它不仅是供给地图，同时是需求地图。「以候选地为圆心，一百公里内有多少家我的潜在客户」——对中间品制造商，恰恰是比地价重要一个数量级的变量。而且这张需求地图的分辨率可以细到行业类目：平台的档案体系覆盖 1,965 个细分行业类目，你可以精确圈出「五十公里内的注塑厂」「一百公里内的化工厂」，而不是笼统的「制造业企业数」。

值得补充的是，需求地图的圈层逻辑与供给地图略有不同：供给看的是「多近够用」，需求看的是「多远还够得着」。同一家工厂，对不同客户群的有效服务半径可以差出一个量级——高频小批量的客户要贴身伺候，低频大批量的客户隔一个省也无妨。所以严谨的需求地图不是一个圆，而是按客户类型分层的几个圆——每一层的半径，由那一层生意的交付节奏决定。

供需合图：选址问题的完整形式

把供给图与需求图叠在一起，选址问题第一次呈现出它的完整形式。对任何一个候选位置，可以同时回答四个问题：

我的上游（原料、外协、配套服务）在各个半径圈层内的厚度如何？
我的下游（客户行业的工厂或消费市场）在可服务半径内的密度如何？
我的同行（既是竞争者，也是技工池和知识溢出的来源）分布如何？
我所依赖的共享资源（技工、物流线路、检测机构、危废处置）是否已被现有产业撑起来？

韦伯的区位三角形，在这里变成了一个以候选点为中心、按行业类目分层、按半径分圈的立体结构。理论没有变，变的是：这个结构里的每一个格子，如今都填着真实的数字。

后文我们会把镜头拉远——从单个位置的圈层分析，拉到全国尺度：当算法在 345 万个点上自己寻找结构时，它找到了什么。在那之前，先把「配套半径」按行业铺开来看。

八、配套半径的行业谱系：五种供应链的空间语法

配套半径一章给了概念和两个实测数字，这一章把视野铺开：不同大类的制造业，供应链在空间上遵循着完全不同的语法。读懂自己所在行业的语法，是把五张地图用对的前提。以下按五种典型语法分述——多数行业能在其中找到自己的主属或混合形态。

语法一：中心辐射型——整机厂的引力场

汽车是最典型的样本。一家整车厂就是一个引力中心：按小时计的准时化供货把座椅、仪表盘、保险杠这类大件供应商锁在一小时时距内；二级、三级供应商依次外推，形成以主机厂为圆心的多层引力场。工程机械、大型农机、轨道装备遵循同样的语法，差别只在圈层的松紧。

这种语法下，选址问题几乎退化为一道几何题：你在供应层级里的位次，决定了你被允许站立的半径。一级供应商没有太多选择——主机厂在哪，你就在哪；真正的博弈发生在二三级：站得太近，要素成本被一级们抬高；站得太远，响应速度出局。更要紧的是引力场的多中心化趋势：当你的客户不止一家主机厂时，最优解不再是贴着谁，而是几个引力中心之间的加权位置——这道题手算极易失真，恰恰是圈层计算的主场。中心辐射型行业还有一个致命特征：中心会移动。主机厂的产能布局调整，一声令下就能让一片供应商群体折旧——风险一章讲的「客户结构集中度」信号，对这类行业要用最高灵敏度盯着。

语法二：网状共生型——离散制造的蜂巢

五金、模具、注塑、通用零部件——这类行业没有单一引力中心，而是无数中小厂互为客户、互为供应商，织成一张高密度的网。模具与注塑那对「99.7%@10 公里」的共生关系就是这张网的典型截面。网状语法的经济学特征是交易的高频与小额：一副模具的修配、一批半成品的转外协、一次紧急的设备救场——每笔交易都不大，但频率极高，任何一笔都经不起长途运输的时间成本。所以网状行业的集聚半径是所有语法里最短的，产业带经常浓缩在一两个镇的范围内。

给选址者的推论残酷而清晰：网状行业基本没有「孤岛生存」的选项。要么进网，要么自带一张小网进来（成建制迁移)，要么别来。评估一个位置对网状行业的适配度，看的不是「有没有同行」，而是网的密度和完整度——每一类高频交易对手在十公里内的家数。

语法三：流程锚定型——重化工业的管道逻辑

钢铁、石化、基础化工、造纸、水泥——流程工业的空间语法由物质流决定：大宗原料进、大宗产品出，运输成本占比高，且工序之间以管道、热能、副产品交换相连。这类产业的选址高度锚定：靠港口、靠矿山、靠水源、靠管廊，一旦落定几十年不挪窝。

流程锚定型企业自身很少面对选址问题，但它们是别人选址的坐标原点：化工园区的下游加工、钢厂周边的金属制品、炼厂附近的塑料改性——大量中游行业的最优位置，是「贴着某个流程巨头」。读这类位置的关键是读副产品与公用工程的溢出：蒸汽、氢气、基础料的管道半径，是比公路时距更硬的约束，也是招商手册上最实在的那行字。

语法四：轻资产快反型——消费品的渠道贴身战

服装、小家电、玩具、日用百货——这类行业的空间语法由需求端的节奏决定。当「快反」成为竞争核心，供应链被压缩到极限：面料、辅料、印花、缝制必须在一个可以当日往返的圈子里完成打样与翻单。电商与直播把这个逻辑推到极致——图鉴一章里曹县、白沟的故事，本质都是「渠道节奏重塑空间」。

这类行业读图的特殊性在于：物流节点的权重压倒一切。快递分拨中心的位置、云仓的价格、干线时效，比传统的「下游工厂密度」重要得多。它们的需求地图不是一张工厂分布图，而是一张渠道与履约网络图——同一套五张地图，权重换了一副面孔。

语法五：知识密集型——工程师半径与设备半径

半导体、精密仪器、医疗器械、航空零部件——这类行业里运输成本几乎可以忽略（产品价值密度极高），空间语法由两种更稀缺的东西决定：工程师和特种设备。工程师半径，指高端人才愿意居住的城市圈——这类工厂很难离开大城市的引力范围；设备半径，指检测、试验、洁净加工等重资产服务的可达性——一台进口检测设备的排队时间，可能比物流时间贵一百倍。

知识密集型行业的集聚往往呈「岛链」形态：不是连片的产业带，而是散布在若干大城市郊区的园区群，靠人才市场和设备共享维系。给选址者的提示：这类行业读图，行政级别和城市能级重新变得重要——不是因为政策，而是因为人才和公共技术平台天然长在那里。

混合语法与语法迁移

现实中的企业常常横跨语法：一家做汽车电子的厂，一半身体在中心辐射型（跟主机厂），一半在知识密集型（抢工程师）；一家快反服装厂做大后自建面料产能，语法就从快反型滑向网状型。更重要的是语法会随行业演化迁移：光伏组件从知识密集型一路滑向流程锚定加成本竞争，选址逻辑十年间彻底翻篇。

所以本章的真正结论是方法论的：先诊断语法，再计算空间。同样的坐标数据，语法诊断错了，权重就错，权重错了，算得再精也是精确的错误。这一步诊断，目前仍然主要靠人——靠对行业的理解。AI 选址不神化数据，数据负责把每种语法算清楚，而「你的行业正在说哪种语法」，值得企业主和分析者坐下来先谈透。

九、1,572 个集群：算法重新发现的中国产业版图

如果说前文是拿着放大镜看单个位置的圈层，这一章就是把镜头升到一万米高空，问一个更大的问题：中国到底有多少个产业集群？它们都在哪里？

这个问题听起来应该早有答案——毕竟「产业带」「产业集群」是中国经济叙事里最高频的词汇之一。但如果较真地追问：全国产业集群的完整清单在哪里？每个集群的空间边界画在哪里？答案是：不存在。存在的是各级政府认定的名单（以行政申报为单位）、行业协会的目录（以会员分布为准）、媒体和电商平台的「产业带」栏目（以约定俗成为准）。它们各有价值，但都不是从同一把尺子量出来的，更没有一份是从企业真实空间分布里「长」出来的。

2026 年年中，天下工厂产业研究院做了一个实验：不预设任何名单，让算法直接在 345 万个工厂坐标上自己寻找结构。

方法：让数据自己开口

方法论用一段话就能讲清楚，因为它用的都是经济地理学的经典工具，没有任何黑箱。

第一步，把全国切成均匀的空间网格，统计每个网格内各行业的工厂数量。第二步，对每个网格计算经济地理学里的标准指标——区位商：一个网格里某行业的集中度相对于全国平均水平的倍数。区位商显著大于一，说明这个行业在这里的密度远超「随机撒点」的预期，存在真实的聚集。第三步，把区位商超过阈值的相邻网格连接起来——聚集不会正好停在网格边界上，相邻的高密度网格属于同一个集群。连出来的每一片连通区域，就是一个从数据里自然浮现的产业集群：它有自己的空间边界、企业名单、主导行业和规模。

这套方法的关键特征是无监督：算法事先不知道「安平做丝网」「古镇做灯饰」，它只看点的密度。因此它找到的东西可以反过来校验——如果连著名产业带都找不到，方法就是错的；如果除了著名产业带还找到了名单之外的东西，那些东西就值得认真对待。

结果：1,572 个集群，和两个惊喜

算法在全国识别出 1,572 个产业集群。

第一重校验令人放心：我们拿内容团队长期维护的 77 个知名产业带清单去比对，77 个全部被算法重新发现——安平的丝网、古镇的灯饰、柯桥的纺织，一个不漏。方法是可信的。

真正有价值的是两个「名单之外」的发现。

发现一：223 个「无名集群」。 算法找到了 223 个不在任何知名产业带名单上的高密度聚集区。它们大多分布在中西部和三四线城市的县域，规模不及东部的著名产业带，但结构特征完全一致：单一行业高度聚集、带着自己的配套圈层。我们对其中一批做了人工抽检——逐一查看集群内的企业名称和产品——抽检的结果全部证实了算法的判断：这些是真实存在、但尚未进入公共叙事的产业集群。它们是中国产业地理的「暗物质」：客观存在，有引力，只是没有被照亮过。

对选址者，这 223 个无名集群可能是全文最有商业价值的一段信息。知名产业带的集聚红利，早已被地价和竞争定价消化；而无名集群意味着集聚的红利尚在、集聚的成本未涨——那里已经有了技工池和初步配套，但土地和人工还是内陆县城的价格。产业转移浪潮里最聪明的落子，往往不是去著名产业带的核心（太贵），也不是去一张白纸的新园区（太孤），而是去这些正在长大的无名集群——问题只在于，你得先知道它们在哪里。

发现二：88 个跨县集群。 识别出的集群中，有 88 个的空间范围明确跨越县级行政边界。这正是前文「统计的墙」的实证：这 88 个集群在任何以县为单位的统计口径里都会被切成碎片，它们的完整规模只有在坐标尺度上才能看见。其中一些集群骑在地级市的边界上——两边的政府各自招各自的商，各自统计各自的产值，而市场早已把两边缝成了一个整体。

集群档案：从「点亮」到「读懂」

识别出集群只是第一步。因为每个坐标点都挂着完整的企业档案，每个集群可以进一步生成一份「集群档案」：

主导行业与产品结构：这个集群到底在做什么？是单一品类深耕，还是相关多元？从集群内企业的行业类目与产品描述聚合而来。
规模谱系：龙头、腰部、长尾各有多少家？一个只有长尾小厂的集群和一个有龙头压阵的集群，生态位完全不同。
配套完备度：按前文的方法，测集群内部及周边各类配套的厚度。
成长性信号：新注册企业的流入速度、注销企业的流出速度——集群是在扩张、稳态，还是空心化。

把 1,572 份这样的档案排在一起，一幅前所未有的图景出现了：中国制造业的完整空间谱系——从珠三角的巨型集群到黔北山区的无名小集群，第一次可以用同一把尺子度量、比较、排序。

这幅版图对选址意味着什么

回到本文的主线。对选址决策，这幅算法版图提供了三个传统方法给不出的能力。

其一，候选集的生成。传统选址的候选地来自招商邀约和个人见闻，本质是「谁找到了我」；集群版图让企业可以反过来遍历：「全国所有与我行业相关的集群，按配套厚度、竞争密度、成长性排一遍序」——候选集从三五个变成全量。

其二，集群生命周期的判断。跟着集聚走是对的，但要跟对时机。成长期的集群（企业净流入、配套快速增厚）与成熟期、空心化期的集群，对新进入者是完全不同的环境。坐标数据的持续更新，让「这个集群处在什么阶段」从感觉题变成数据题。

其三，跨界视野。88 个跨县集群提醒我们：最优的落点可能在著名产业带隔壁的那个县——共享同一个技工池和配套圈，但地价便宜一截。这种「集群边缘套利」的机会，只有在无视行政边界的坐标版图上才能被系统性地发现。

版图有了，圈层分析的工具也有了。后文进入本文的核心：把这一切组装起来，AI 到底怎么做选址。

十、产业带图鉴：用坐标重读那些著名的名字

集群识别一章讲的是方法和总量。这一章换一种读法：挑几个人人听过名字的产业带，讲讲当它们从「传说」变成「坐标」之后，读出了哪些过去读不出的东西。这些细节既是数据能力的展示，更是给选址者的读图示范——每一小节末尾都落到一个可操作的判断上。

安平丝网：数据诚实性的最佳教材

河北安平县是全国最大的丝网产业集群，从养殖网、护栏网到高端过滤网、烧结网，一个县的产品几乎覆盖「网」这个字的全部工业含义。在我们的坐标库里，安平及周边的丝网相关工厂有 4,712 家——但它们只分布在 1,139 个独立坐标点位上。

这个「4,712 对 1,139」正是前文反复强调的双口径原则的来源：安平的丝网工业深植于村镇，大量村办工厂的地址只能解析到村中心点，几十家厂在图上叠成一个点。两个数字一起读，反而读出了安平最真实的产业形态——极度分散的村域工业：不是园区里排列整齐的标准厂房，而是散布在数百个村庄里的家庭工厂网络。对采购方，这意味着这里的供给弹性极大（产能藏在无数小厂里，旺季能被贩子迅速组织起来），但单厂规模和一致性有限，大单要靠贸易商或龙头厂做质量收口。对选址者，这意味着在安平「进入」的方式不是买地建厂，而是嵌入这张村域网络——设一个收口工厂或品控中心，比再造一个生产基地划算得多。

中山古镇：一个镇的全球定价权

广东中山古镇镇，「中国灯饰之都」，一个镇级建制承载着全国灯饰产业最密集的一段。坐标视角下，古镇的看点是边界的溢出：灯饰企业的实际分布早已越过古镇的镇界，向邻近的横栏、小榄以及一江之隔的江门外溢，形成一个跨越行政边界的连片高密度区——正是「跨县集群」现象的典型样本。溢出的方向不是随机的：土地更便宜、离物流干线更近的方向，密度衰减得更慢。

给选址者的判断：进入这类如日中天的成熟集群，核心区的每一亩地都在为「集群品牌」支付溢价——牌子是古镇的，生意却未必要在古镇做。沿着密度衰减最慢的方向找「一步之遥」的位置，共享技工池与配套圈，土地成本却低一个台阶——这就是集群边缘套利在真实地图上的样子。

柯桥纺织：市场与工厂的双核结构

绍兴柯桥的中国轻纺城是全球最大的纺织品集散市场之一，而柯桥产业带的坐标分布呈现一个教科书式的双核结构：一个核是市场（轻纺城的商贸集群），另一个核是产能（印染、织造工厂群），两个核在空间上分离又互相锁定。印染环节因为环保集中整治，被归拢进指定园区，形成了图上几个异常致密的点团——政策之手直接改写空间结构的鲜活样本。

给选址者的判断：在环保敏感型行业（印染、电镀、表面处理），空间分布读的不是市场逻辑而是牌照逻辑——产能被锁死在有环境容量指标的园区里，园区的准入名额本身就是稀缺资产。这类行业的选址问题，第一问永远是「哪里还有指标」，而坐标数据能直接告诉你现存产能被归拢在哪几个点团里。

永康五金：从锤子到杯子的类目漂移

浙江永康号称「五金之都」，但坐标库的行业标签揭示了一个有趣的漂移：这个集群的产品重心几十年来一直在移动——从传统的门锁、工具，到防盗门，再到保温杯、电动工具、滑板车。集群的「壳」（技工、模具、金属加工的底层能力）保持稳定，「馅」却随着市场轮动不断更换。类似的还有澄海玩具向积木和 IP 衍生品的漂移、丹阳眼镜向镜片深加工的集中。

给选址者的判断：评估一个集群，要区分它的底层能力和当前产品。底层能力（这里的人会做什么工艺）决定集群的生命力，当前产品只是这个能力在本轮市场的投影。一个「会金属加工」的集群远比一个「在做保温杯」的集群值得下注——前者能陪你转型，后者可能和你的品类一起过气。坐标档案里企业产品描述的历年漂移，恰好能把「底层能力」从「当前产品」里剥出来。

曹县与白沟：北方县域的逆袭样本

产业带叙事长期由江浙粤主导，但坐标图上最陡峭的增长曲线，不少出现在北方县域：山东曹县从木艺加工长出汉服和演出服两条新曲线；河北白沟的箱包集群在电商渠道的加持下完成了从摊位到工厂的升级。这类集群的共同特征是：起点低、爬坡快、与电商平台深度耦合——订单入口在线上，产能组织在县域。

给选址者的判断：电商耦合型集群的「需求地图」与传统集群完全不同——它们的客户不在方圆一百公里，而在快递干线的另一端。评估这类位置，物流节点（分拨中心、快递价格洼地）的权重要放大，传统的「下游工厂密度」权重要调小。同一套五张地图，不同行业要用不同的权重来读——没有万能的读图公式，这也是为什么选址推演需要先理解行业，再计算空间。

织里童装：一个镇的垂直宇宙

浙江湖州织里镇做童装，做到了一个镇支撑起全国童装供给相当大份额的程度。织里在坐标视角下的看点是垂直整合的空间密度：从面料辅料市场、印绣花、缝制加工，到设计打版、电商运营、直播基地、快递分拨，一条童装产业链的全部环节压缩在一个镇的尺度内——这是「快反」语法的极限样本，从一张设计图到发出第一单，最短可以按天计。而这样的垂直宇宙有一个隐蔽的脆弱点：它对单一品类的绑定极深。童装的需求随出生人口波动，整个镇的命运与一条人口曲线相关——集群风险画像里「客户结构集中度」的信号，在这里以最宏观的方式呈现。

给选址者的判断：垂直宇宙型集群是「进入即全套」的选择——你不需要自建任何配套，但也几乎不可能只取其一：它的效率来自整个体系的耦合，你的节奏必须跟着镇的节奏走。适合把速度当命的玩家，不适合想按自己节奏深耕工艺的玩家。

邵东打火机：极致成本集群的启示

湖南邵东占据全球一次性打火机产量的绝对份额，一个内陆县城把一件出厂价以「毛」计的商品做成了全球生意。邵东的存在本身就是对「区位决定论」的反驳——它不靠港口、不靠原料、不靠市场邻近，靠的是把分工细到极致、把每一分钱成本抠到极致的集群组织能力，以及几十年攒下的专用设备和模具资产。

给选址者的判断：成本极致型集群的护城河是「整个集群的组织资本」，而不是任何单一要素——这意味着它几乎不可能被「挖走」或在异地复制。如果你的行业里存在这样一个集群，不要幻想绕开它另起炉灶；要么加入它，要么在产品维度上与它错位竞争。

图鉴的方法论小结

七个名字，七种读法：安平教双口径，古镇教边缘套利，柯桥教牌照逻辑，永康教能力与产品之辨，曹县白沟教权重随行业而变，织里教垂直耦合的取舍，邵东教组织资本的不可复制。它们共同说明一件事：产业带不是一个个可以互换的「便宜产能池」，每一个都有自己的空间语法。读懂语法再落子，是坐标数据之于选址的真正用法——数据不替你思考，它让你的思考第一次有了足够分辨率的对象。

而这样的产业带，坐标库里识别出的集群有一千五百多个，其中两百多个连名字都还没有被外界叫响。图鉴的篇幅有限，那片辽阔的「暗物质」，留给真正需要它们的读者去按图索骥。

十一、一个县城的十年：无名集群成长纪实

数据能识别集群，却讲不出集群里的人间烟火。这一章用叙事补上这块拼图：讲一个内陆县城的十年——它是虚构的，是我们在坐标数据里看到的许多真实曲线的合成体。我们叫它「云岭县」。如果你恰好在某个内陆县城见过相似的故事，那不是巧合，那正是这类曲线的普遍性。

第一年到第三年：一颗种子落地

故事的开头毫无戏剧性。一位在东莞做了十五年塑胶模具的云岭人老周，因为孩子上学和父母养老，决定回乡。他没打算大干一场，只是把东莞的几台旧设备运回来，在县城边租了个废弃粮库，接一些老客户嫌麻烦的小单。

头两年，老周厂里最大的成本是「孤独」：一把非标刀具要从省城快递三天；设备出毛病，师傅要从三百公里外请；招不到会开精雕机的本地人，只能自己带徒弟。用本文的语言说：他是一家教科书式的孤岛厂，全部马歇尔外部性为零，靠东莞攒下的老客户和自己一身手艺硬扛。

转折发生在第三年。老周的两个徒弟出师了，一个留下，一个借了钱在隔壁院子自立门户——老周不但没恼，还把自己做不过来的粗加工分给他。同年，又有两位在外地做注塑的同乡回来了，理由和老周一样：孩子、老人、房价。粮库那条街上，机器的声音开始连成片。

第四年到第六年：网的自我编织

第五年，街上发生了一件老周当时没觉得多重要、事后看是里程碑的事：一位专做设备维修的师傅在街口开了铺子。他本来是跟着一单生意来的，发现这条街上的设备已经够养活一个专职维修工，就留下了。

这就是集群理论里「中间投入品共享」的第一次本地兑现：当需求密度越过某个门槛，专业服务者就会自发出现，而他的出现让所有厂的停机成本齐齐下降一截。接下来几年，同样的逻辑接连兑现：一家五金刀具店、一个塑料原料的县级代理、两家专跑省城的货运专线、一位懂模具的会计（会算这行的成本，老板们都找他做账）。

第六年年底，老周数了数，这条街和周边园区里，模具、注塑加上配套，已经有四十多家。县里的干部第一次上门，问他们需要什么——老周们要的不是补贴，是把经常跳闸的电网增容，和一个能让货车调头的路口。

第七年到第十年：被看见之前与之后

第七年起，曲线开始陡峭。诱因是沿海成本的持续上涨加上疫后供应链的重新洗牌，老周当年的东莞同行们批量地把「要不要往内地挪」提上日程，而云岭这个此前不存在于任何选项里的地名，开始在同乡的饭桌上口口相传：那里有四十多家同行，有维修铺，有原料代理，电够，路通，厂房租金是东莞的零头。

请注意这个传播机制：云岭的崛起完全依靠同乡网络这个最古老的信息通道——它有效，但极慢，而且有边界：非云岭籍的企业主，几乎不可能听说这里。到第九年，集群滚到一百多家，县里顺势规划了专门的产业园，而它在公开视野里依然是隐形的——统计年鉴里，它被摊平在全县「制造业」的一个数字里；产业带名录里没有它；招商地图上，它所在的区域还标着「农业县」。

这正是坐标数据登场的地方。像云岭这样的集群，在我们的算法版图里会作为一个高区位商的连通区自然浮现——不需要它申报，不需要媒体报道，只要那一百多家厂真实地在那里生产。集群识别一章里那 223 个无名集群，每一个背后都藏着一段类似的、只有本乡人知道的十年。

第十年，故事进入新阶段：第一家外地招商来的企业落户了——一家给家电做精密结构件的中型厂，老板不是云岭人，是从数据里看到这个集群的。他带来了云岭没见过的自动化产线和管理体系，也带来了新的焦虑：挖人的工资水位被他抬高了，老周的两个熟练工跳了槽。集群的生命周期，翻到了「成长后期」那一页——红利与摩擦并存，曲线的下一段，取决于这一百多家厂能不能像意大利人那样集体升级，而不是像另一些前辈那样在内卷里耗尽利润。

这个故事的三个读法

给企业主的读法：云岭第七年的状态——配套过了及格线、成本还在洼地、集群正在陡峭段——就是选址推演里最值得下注的窗口。问题在于，靠同乡饭桌，你只能听说自己家乡的云岭；靠数据，你能看见全国所有的云岭，包括不属于你乡缘网络的那些。

给园区的读法：云岭县政府做对的两件事，恰好都不是砸钱：一是在集群自发形成后顺势而为（增容、修路、规划园区），二是没有在第三年就试图「规划」它。集群的种子是市场撒的，政府最好的角色是看见它、然后把土壤松好——而「看见」，恰恰是过去最缺的能力。

给观察者的读法：老周回乡的理由——孩子、老人、房价——提醒我们，产业迁移的底层驱动力里，藏着人的迁移意愿这个最人性的变量。数据看得见厂，看不见老周的乡愁；但数据看得见老周们用脚投票的结果。千千万万个老周的私人决定，聚合成坐标图上一条条陡峭的曲线——产业地理，归根到底是人的地理。

十二、世界坐标系里的中国集群：四个国际参照

中国的产业带不是孤例。工业集聚是市场经济的普遍现象，各工业国都长出过自己的版本，也都留下了兴衰的完整样本。把中国集群放进世界坐标系里对照着看，能看清楚哪些规律是普遍的、哪些禀赋是中国独有的——这两个判断，都直接影响选址者对「集群还能信多久」的信心。

意大利：产业区理论的原产地

现代「产业区」研究的复兴，很大程度上归功于二十世纪七八十年代经济学家对意大利中北部的观察——所谓「第三意大利」：普拉托的纺织、萨斯索罗的瓷砖、布伦塔河畔的制鞋，成百上千家家族小厂在一个个小城镇里织成柔性网络，以中小企业集群的形态在全球市场与大公司抗衡。学界由此把马歇尔的产业区理论重新捡起来，发展出「弹性专精」的整套叙事。

意大利样本对中国读者的价值在于前车之鉴的完整性：过去三十年，面对全球化竞争与代际传承的双重压力，意大利产业区走出了明暗两条路——一部分向设计、品牌、奢侈品级工艺攀升，守住了「意大利制造」的溢价；另一部分在成本竞争里节节收缩。分水岭在哪里？事后看，凡是把集群的集体资产（工艺传统、区域品牌、职业教育体系）持续升级的，活得好；凡是只靠成本吃老本的，被追平只是时间问题。这条分水岭对今天的中国产业带几乎逐字适用——图鉴一章里永康「能力与产品之辨」的判断，就是同一条规律的中国表述。

日本：城市里的微型工厂网络

东京大田区、大阪东大阪市——日本的「町工厂」集群是另一种形态：几人到几十人的微型工厂高密度嵌在城市街区里，以极限的加工精度服务大企业的研发与小批量需求。巅峰期大田区数千家町工厂间流传一句话：图纸扔过围墙，第二天零件就能回来——这是「网状共生」语法在世界上最极致的演绎。

日本样本给中国的镜鉴有两面。亮的一面是高密度网络的创新价值：町工厂网络承担了日本制造业里大量「从图纸到样品」的关键一跳，证明微型工厂网络不是落后产能，而是研发体系的毛细血管——这对正在升级的中国产业带是个鼓舞。暗的一面是收缩的不可逆：随着老师傅退休、地价上涨、后继无人，町工厂数量数十年间大幅缩减，而网络的价值随密度非线性衰减——低于某个临界密度，「图纸扔过围墙」的魔法就消失了，剩下的厂再优秀也只是孤岛。集群的衰退不是匀速的，是断崖式的——时间地图上的持续净流出，预警的正是这种断崖。

德国：隐形冠军的反集聚分布

德国提供了一个反例式的参照：赫尔曼·西蒙笔下的「隐形冠军」——上千家细分市场的全球领导者——在空间上并不扎堆，反而散布在全国的小城镇里，一镇一家，与本地职业教育体系和家族传承深度绑定。支撑这种「反集聚」形态的，是德国独特的制度基础设施：双元制职业教育把技工池的培养从「集群的外部性」变成「全国的公共品」，行业协会和应用技术研究机构把知识溢出制度化——换句话说，德国用制度复制了马歇尔外部性，从而部分豁免了地理集聚的必要性。

这个参照对中国选址者的意义是反向的：在技工培养和公共技术平台仍主要依附于产业集聚的现实下，中国企业对集群的依赖度天然高于德国同行——「学德国隐形冠军扎根小镇」的叙事听起来动人，但脱离了制度前提，小镇上等着你的不是双元制学徒，而是招工难。制度基础设施补齐之前，集聚仍是中国中小制造企业获取外部性的主通道。

美国：大尺度分工与再工业化的实验

美国的空间语法是大尺度的：五大湖的传统制造带、南方各州的汽车走廊、西海岸的科技制造、墨西哥湾的石化带——产业板块以州为单位展开，配套半径动辄数百公里，靠发达的公路铁路网和高度标准化的供应链管理来消化距离。近年的再工业化努力——芯片、电池等战略产业的回流建厂——则提供了一场正在进行的实验：当政策试图在缺乏既有生态的地方「种」出产业时，进展如何？目前可以观察到的答案是：厂房建得起来，生态长得很慢——熟练工人、配套供应商、设备服务网络，每一样都比补贴到位得慢。

这场实验从反面印证了本文的核心命题：产业生态是长出来的，不是砸出来的；它也提示中国的园区决策者，补贴能改变企业落点，但只有生态能决定企业存亡——反向选址一章讲的「匹配大于说服」，在太平洋对岸同样成立。

四个参照，一个结论

意大利教升级，日本教珍惜密度，德国教制度的力量，美国教生态的时间常数。放回中国语境，四课合成一句话：中国产业带的密度与完整度是世界级的稀缺资产，但它既非永恒，也非处处适用——它需要被测量、被跟踪、被审慎地使用。而测量、跟踪、审慎使用，正是本文通篇在讲的那套工具的用途。

顺带说一句：中国拥有全球最完整的工业门类和最密集的工厂网络，却直到最近才拥有厂址级的全量坐标数据——从这个意义上说，我们对自己产业地理的认知精度，此前一直落后于产业本身的发达程度。这个缺口正在被补上，而补上它的意义，四个参照国的兴衰史已经写得明明白白：看得清自己集群的国家，才守得住自己的集群。

十三、工具的进化：选址分析的四个年代

「用数据选址」不是新想法。这一章快速回顾选址工具的进化史——看清楚每一代工具解决了什么、卡在哪里，才能准确定位「AI 加全量厂址数据」这一代到底新在何处，也顺便回答一个常见的质疑：「GIS 不是早就有了吗？」

第一代：图纸与算盘（手工年代）

工业时代的大部分时间里，选址分析的工具是地形图、铁路时刻表和算盘。韦伯的区位三角形在这个年代只能手解：把主要原料地、市场标在图上，凭运费率表逐点试算。大型企业和国家计划部门养得起做这种分析的团队，中小企业的选址则完全依赖企业主的个人见闻。这一代的瓶颈显而易见：算力与数据都稀缺，分析是奢侈品。

第二代：GIS 与商业选址（空间信息年代）

二十世纪后期，地理信息系统把地图变成了数据库，叠加人口普查、交通网络、地价等图层，空间分析第一次可以批量计算。GIS 在商业选址上大放异彩——零售连锁、银行网点、物流仓储的选址从此高度模型化，商圈分析、引力模型成为行业标配。

但 GIS 年代的工业选址始终没有等到同等的繁荣，原因不在工具而在数据：商业选址需要的人口、路网、消费力图层都是公开或可购买的，而工业选址最需要的那个图层——工厂在哪里、做什么、活得如何——从来没有存在过。GIS 是一台强大的引擎，工业选址这条路上却没有给它修路。于是工业界的空间分析长期停留在「省级统计加开发区名录」的分辨率，精密的引擎空转了几十年。

第三代：大数据招商与企业数据库（数据聚合年代）

最近十几年，企业信用信息公开化催生了一批企业数据平台，「大数据招商」「产业图谱」成为热词。这一代的贡献是真实的：企业的注册、股权、司法、经营异常信息第一次可以批量查询，尽调成本大幅下降。

但用于空间决策时，这一代工具的天花板恰恰是本文反复讨论的那一条：它们的空间锚点是注册地址。注册地做企业征信没有问题，做产业地理分析就是系统性失真——「执照的地图」不是「工厂的地图」。此外，这一代工具的行业标签依赖登记信息，与产线上真实发生的事情之间隔着可观的距离；经营状态的更新同样滞后。这些局限加在一起，使得「产业图谱」在多数场景里停留在汇报材料的角色，而没有成为一线选址决策敢于依赖的作业工具。

第四代：全量厂址加 AI（正在发生的年代）

第四代的配方，本文已经完整展开：厂址级的全量坐标（而非注册地）、挂接持续验真的档案（而非静态登记信息）、行业类目对齐产业一线的语言（而非仅登记口径），再加上大模型作为人与计算之间的翻译层。

值得强调的是配方里各成分的相对稀缺度。大模型是这个年代最不稀缺的成分——各家的模型能力在快速趋同；GIS 级的空间计算是成熟技术；真正稀缺的是那个从未存在过的图层：被验真的、厂址级的、全量的、持续更新的工厂数据。这就是为什么本文用了整整一章讲「这份数据是怎么炼成的」——第四代选址工具的护城河不在算法层，在数据层。缺了这一层，再先进的模型做工业选址，都是让一位天才蒙着眼睛猜谜。

每一代都没有消失

最后一个观察：工具的代际不是替换关系，是叠加关系。今天一次严肃的选址，仍然要用第一代的实地踏勘（用脚测量牌价与实价之差），仍然要用第二代的空间计算，仍然要用第三代的企业尽调，再加上第四代的全量推演。新一代工具淘汰的从来不是老工具，而是「只靠老工具就敢拍板」的决策方式。

这个规律反过来也成立：第四代工具不会让选址变成全自动——它让选址者的每一分钟实地考察、每一次当面交谈，都花在数据已经无法再逼近的那部分真相上。工具进化的终点不是取代判断，是把判断送到它最值钱的地方。

十四、AI 怎么做选址：把一个决策拆成五层计算

前面的章节铺垫了理论、盲区和数据。这一章回答标题里的问题：AI 选址到底是怎么算的？

先破除一个误解。「AI 选址」不是把需求丢给一个大模型，让它凭语料印象报一个地名——那是占卜，不是计算。真正的 AI 选址是一个分层的计算结构：底层是全量真实数据，中间是可解释的空间指标，上层才是模型的综合与推理。大模型在其中扮演的是「读懂需求、调度计算、解释结果」的角色，而不是「凭记忆猜答案」的角色。每一层都值得展开。

第一层：把「我要建厂」翻译成计算问题

选址需求从来不是以变量表的形式出现的。企业主说的是人话：「我做汽车内饰注塑件，主要客户在合肥和芜湖的主机厂，现在厂在昆山，成本扛不住了，想往中西部挪，但师傅们最远只肯跟到安徽。」

这段话里藏着一整组约束：行业（注塑、汽车内饰）、需求锚点（合肥、芜湖的主机厂）、成本动机（土地与人工）、人员约束（迁移半径以安徽为限）、隐含的配套需求（注塑离不开模具修配，前文讲过那个 99.7%）。AI 的第一项工作就是把这段人话解析成结构化的选址任务：目标函数是什么，硬约束有哪些，软偏好有哪些。这一步在过去由咨询顾问访谈完成，要一周；语言模型把它压缩到一轮对话。

第二层：候选空间的生成与粗筛

传统选址评估三五个候选地；AI 选址的起点是全部空间。以前文的集群版图和圈层工具为基础，系统先做粗筛：在满足硬约束的地理范围内（本例：安徽全省及邻接区域），找出所有与注塑行业相关的集群和高密度区，再按几个一票否决项过滤——需求锚点的可达性（到合肥、芜湖的公路时距）、基本配套的存在性（模具、原料改性的最短距离）。粗筛把「安徽的任何地方」收敛成十几个值得细看的候选区。

这一步的价值在集群一章讲过：候选集从「谁邀请了我」变成「全量里筛出来的」。223 个无名集群中若有一个恰好匹配，它会在这一步浮出水面——而在传统流程里，它永远不会出现在任何人的名单上。

第三层：五个维度的圈层计分

对每个候选区，系统按五个维度做圈层化的计算。这五个维度就是韦伯三角形和马歇尔外部性的现代形态：

供给维度：各类上游与外协配套在十、三十、五十公里圈层内的厚度。对注塑件厂：模具厂几家？改性料供应商几家？设备维修资源如何？
需求维度：可服务半径内的下游密度。到合肥、芜湖主机厂群的时距之外，还要看百公里内有没有别的潜在客户行业——鸡蛋不放在两个篮子里。
同业维度：同行密度的双刃剑计分。同行多，意味着技工池厚、知识溢出强，但也意味着订单竞争和挖人大战。计分逻辑随企业策略而变：跟随者乐于扎堆，差异化玩家宁可保持一个身位的距离。
要素维度：土地、人工、能源的成本水平与供给弹性。这一维度部分依赖坐标库之外的公开数据，是五个维度里数据最「传统」的一层。
动态维度：候选区所在集群的生命周期阶段——企业净流入还是净流出、配套是在增厚还是变薄。买在成长期，是选址和买股票共通的朴素道理。

每个维度产出的不是一个玄学分数，而是一组可核查的事实：三十公里内 47 家模具厂，一小时时距内 2 家主机厂、311 家汽车零部件厂，近三年同业净流入 23 家——每个数字都能点开看到名单。可解释性不是附加功能，而是选址这种重决策的入场券：没有人会因为一个黑箱分数把工厂搬到三百公里外。

第四层：综合与权衡——模型回到台前

五个维度的事实摆齐之后，大模型重新上场，做三件机器擅长而表格不擅长的事。

权衡的显性化。 候选区之间几乎不存在全面占优：A 区配套最厚但同业竞争最烈，B 区离客户最近但模具要跑四十公里，C 区什么都是七十分。模型的任务不是替企业拍板，而是把每个候选的「代价结构」讲清楚：选 A，你省下的是外协半径，付出的是招工溢价；选 C，你买的是均衡，赌的是配套会跟着集群长出来。

情景推演。 「如果三年后客户把产能挪到江西，各候选的需求图会怎么变」「如果我把喷涂工序改成外协，配套约束会松多少」——每一问都是对五层计算的一次重跑，成本是几秒钟。传统咨询里每一问都是一轮加钱的补充分析。

盲点提示。 模型见过全量集群档案，能提醒人想不到的事：「你圈定的候选都在皖中，但坐标数据显示皖北某县正在形成一个注塑无名集群，近三年净流入明显，土地成本低于皖中候选三成，建议纳入比较。」——把前文所说的「暗物质」主动推到决策者面前。

第五层：验证闭环——名单即行动

AI 选址与 AI 聊天最大的区别在最后一层：结论必须落到可验证的实体上。

分析报告说「三十公里内有 47 家模具厂」，这 47 家是谁？叫什么名字？在做什么产品？规模多大？还在营吗？——在天下工厂的体系里，每一个统计数字背后都是一份可以逐一点开的企业名单，联系方式、决策人线索一应俱全。企业主可以带着这份名单直接开始验证：打电话、跑现场、谈合作。选址分析的终点，恰好是供应链搭建的起点——这两件事第一次在同一份数据上无缝衔接。

一句话总结这套结构

如果要把五层压成一句话：AI 选址 = 语言模型把人话翻译成计算任务，在全量厂址数据上做圈层化的供需配套计分，再由模型把权衡、情景和盲点讲成人话，最后交付一份可以逐家核实的行动名单。

数据在底层，模型在两端，中间全部是可解释的地理计算。这个结构里没有魔法——有的只是过去散落在几百万家工厂车间里、如今终于被放到同一张图上的事实。

十五、风险与韧性：把不确定性算进选址

前面的章节把选址当作一个优化问题来讲：在约束之下寻找成本与网络的最优解。但 2026 年的企业主都知道，过去几年最贵的教训不是「不够优化」，而是「不够抗打」——疫情期间的物流中断、极端天气下的限电停产、某个独家供应商突然出事导致全线停摆。这一章把风险维度补进选址框架：一个位置不仅有期望收益，还有风险敞口，而风险敞口同样是可以用坐标数据计算的。

单点依赖：最常见也最容易测的敞口

供应链风险里最朴素的一种：某个关键投入只有一个供应来源。放到空间维度上，单点依赖有两种形态。

第一种是企业级单点：你的某道外协工序，半径内只有一家厂能做。前文讲配套厚度时说过议价权和韧性的问题，这里补充它的测量方法：对照工艺清单，逐项数出各半径圈层内的可选供应商家数，家数为一的项就是红灯项。红灯项不一定否决一个候选地，但每一个红灯项都应该对应一个预案——自建能力、锁定长约、或者接受更长的备援半径。

第二种更隐蔽，是区域级单点：半径内有五家可选供应商，看似厚实，但五家全部挤在同一个工业园里——一次园区级的事件（停电、封控、环保停产整治、一场大火）就能把五个备份同时清零。用坐标数据做「供应商空间分散度」检查，恰恰是注册地数据做不了的事：注册地址可能分散在五个不同的区县，实际厂房却在同一条路上。

集中与分散的两难，用数据来调焦

集聚经济与风险分散天然打架：马歇尔外部性奖励扎堆，韧性逻辑惩罚扎堆。多基地布局是标准解法，但「多基地」三个字里藏着一个经常被打错的算盘：两个基地如果共享同一张配套网络，它们在风险意义上仍然是一个基地。

真正的风险分散要求两个基地的关键依赖不重叠：不同的外协圈、不同的物流走廊、不同的电网和水源、甚至不同的极端天气带。这层检查在拍脑袋时代几乎不可能做——没有人说得清两个候选地五十公里内的配套网络重叠度是多少。在全量坐标上，它是一次可以精确执行的计算：把两地的供给地图求交集，交集越小，备份价值越高。

由此引出多基地布局的一个数据化准则：主基地选配套最厚的位置，吃集聚红利；备份基地选「与主基地供给网络交集最小、且自身配套过及格线」的位置，买真正的保险。两个目标函数不同，选出来的位置自然不同——用同一套「哪里便宜去哪里」的逻辑选两个基地，大概率买到的是假保险。

集群自身的风险画像

除了看自己的敞口，还要看你要加入的那个集群整体的风险画像。三个可以从坐标档案里直接读出的信号：

客户结构的集中度。一个集群如果整体绑定单一下游（比如全员给某一家整车厂或某一个出口市场供货），它的繁荣与那个下游一荣俱荣、一损俱损。集群内企业的产品描述与行业构成，能大致读出这种绑定的深浅。
规模谱系的健康度。健康的集群像一片森林，龙头、腰部、长尾各居其位；危险的集群像除了一棵大树寸草不生的草地——龙头一挪窝，整个配套圈跟着塌方。近年一些内陆园区「引进一个巨头、长出一片配套、巨头调整产能、配套集体休克」的剧本，反复验证着这个信号的分量。
流入流出的动态。前文讲过企业净流入是集群生命力的信号；反过来，注销与迁出的加速，是比任何负面新闻都早的预警。风险视角下，时间地图不是锦上添花，而是逃生指示灯。

气候与合规：新变量正在进入目标函数

还有两类风险敞口，正在从「偶发意外」变成「选址时就该定价的常规变量」。

一是物理气候风险。极端天气的频率在上升，洪涝、高温限电、水资源紧张对制造业的扰动越来越常态化。厂址的海拔、流域、电网分区，正在进入跨国公司选址核查清单的标准段落——国内企业的多基地规划里，把「两个基地不在同一条大河的同一段洪泛区」写进约束，并不算过度谨慎。

二是合规与碳足迹。出口导向的企业开始被下游要求核算产品碳足迹，而厂址决定了电力结构、运输里程这两个碳账户的大头。绿电富集地区对高耗能与出口制造的吸引力，正在从「电价便宜」升级为「碳账好算」。这条逻辑在未来十年只会加强。

韧性不是免费的

必须诚实地说：以上所有风险对冲都有成本。备份基地是真金白银的重复建设，分散采购牺牲规模折扣，避开最密集聚区意味着放弃一部分马歇尔外部性。韧性本质上是一份保费，值不值得付、付多少，取决于你的行业停产一天损失多少、你的客户容忍多长的断供。

选址框架能做的，不是替企业决定买多少保险，而是把保费和保额第一次算清楚摆在桌上：这个位置的单点红灯有几项、区域重叠度多少、集群画像里哪几个信号发黄。看清风险再承担风险，和蒙着眼睛承担风险，付的是同一份保费，买到的是两种命运。

十六、五张地图：选址者的完整视野

前文讲了 AI 选址的计算结构。这一章换一个更直观的讲法：把那套计算翻译成五张「地图」。任何一个认真的选址决策，都应该把这五张图逐一看过——过去做不到，是因为其中至少三张此前根本不存在。

第一张：供给地图

以候选位置为圆心，把你的物料清单和工艺清单摊开，逐项追问：谁能供我？

供给地图的关键不是「省内有没有」，而是圈层结构：十公里内有什么（决定日常外协的响应速度），三十公里内有什么（决定按周补货的物料成本），一百公里内有什么（决定大宗和低频采购的选择面）。前文讲过，每一类投入品都有自己的配套半径——供给地图就是把你的全部投入品按半径圈层逐一点亮。

传统流程里这张图靠采购老手的通讯录拼凑，覆盖度取决于个人阅历；在全量厂址数据上，它是一次查询的结果，且每个点都可核实。

第二张：需求地图

同样以候选位置为圆心，画出你的客户在哪里。

对中间品制造商，需求地图就是下游行业的工厂分布图——前文讲过，这张图的分辨率可以细到 1,965 个行业类目中的任何一个。对消费品制造商，需求地图是人口、渠道和物流干线的叠加。两类企业共用一个原则：需求地图决定营收的天花板，供给地图决定成本的地板——绝大多数选址失误，都是只算了地板、没算天花板。

需求地图上还有一个常被忽略的图层：客户的客户。做汽车线束的看主机厂，但主机厂的产能规划跟着整车销量走；做光伏支架的看组件厂，但组件厂的扩产跟着电站装机走。需求地图看一层是静态的，看两层才是动态的。

第三张：竞争地图

同行在哪里、有多少家、什么规模、什么状态。

前文讲过同业维度的双刃剑属性，这里补充竞争地图独有的两个读法。其一，读结构而不是读总数：五十公里内有两百家同行，若全是小微长尾，你带着规模和技术进去就是降维；若有三家龙头压阵，你进去就是给别人的技工池交学费。其二，读趋势而不是读存量：同行净流入的区域，说明这个位置的性价比正在被市场投票认可；同行批量注销外迁的区域，再便宜的地价都要多问一句为什么。

竞争地图还有一个反直觉的用法：找同行最密的地方看它们的配套，找配套最厚的地方看它们的同行——两张图互为验证。配套厚而同行稀的位置，往往是集群边缘的价值洼地（前文讲的「集群边缘套利」）；同行密而配套薄的位置，则可能是政策硬造出来的伪集群。

第四张：要素地图

土地价格、人工成本、能源与水、环保容量、物流干线——这张图最古老，招商手册给的基本就是它。AI 时代它依然重要，但读法变了：要素数据必须放在前三张图的坐标系里读。

脱离网络看要素，是前文讲的孤岛厂悲剧的根源：地价便宜五成的孤岛，运营摩擦会在十年里把省下的钱加倍收回去。正确的读法是算「网络修正后的要素成本」：同样是每亩便宜二十万元，在配套厚度相当的两个候选之间，这二十万是纯利；在配套厚度差一个量级的候选之间，这二十万只是对未来摩擦成本的预支。

要素地图上最该细看的其实是人：不是笼统的「劳动力充裕」，而是你这个行业的熟练技工在哪里。技工的分布跟着历史上的产业分布走——这恰恰又要回到第一张和第三张图：同行和相关行业密集的地方，才有现成的技工池。

第五张：时间地图

前四张都是空间的切片，第五张加上时间轴：这片区域的产业结构正在往哪个方向演化？

时间地图的原料是坐标库的持续更新：企业的注册与注销、扩张与收缩、行业构成的漂移。它回答的问题包括：这个集群处在生命周期的哪一段？这里的配套是在增厚还是变薄？三年前落户的同行们，如今活得怎么样？——最后这个问题几乎是选址尽调里含金量最高的一问：先行者的存活率，是对一个位置最诚实的评价。没有任何招商承诺比「三年前来的二十家厂如今还剩十九家」更有说服力，也没有任何风险提示比「还剩七家」更刺耳。

五张图的合奏

五张图各自回答一个问题：供给图问「我能活下来吗」，需求图问「我能长多大」，竞争图问「我和谁分这块地盘」，要素图问「我付什么价」，时间图问「这一切正在变好还是变坏」。

传统选址的真实状况是：要素图有，供给图靠通讯录，需求图靠感觉，竞争图靠道听途说，时间图不存在。AI 选址的全部意义，浓缩成一句话就是：让五张图第一次同时在场，而且每张图上的每个点都能点开核实。

至于谁最需要这五张图——后文「谁需要 AI 选址」一章逐一来数。

十七、空间即战略：位置如何参与竞争

前面的章节把选址当作一个「找最优位置」的问题。这一章往上再抬一层：位置不只是成本项和便利项，它本身就是竞争战略的一部分。同一张产业地图，成本领先者、差异化玩家、利基深耕者应该读出三种完全不同的答案。

位置决定你和谁竞争

最容易被忽略的一点：选址同时也是在选择竞争对手。落在产业带核心，你的报价单会被拿去和方圆十公里的几十家同行逐行比对——你自动进入了「完全竞争」的棋局；落在集群边缘或需求腹地，你面对的可能只有两三个对手，但你也失去了集群的成本水位——你进入的是「区域寡头」的棋局。两种棋局没有优劣，但打法完全不同：前者拼运营效率和规模，后者拼服务半径和客户绑定。

见过不少这样的错配：一家靠差异化吃饭的精密加工厂，被低租金吸引挤进了以低价走量著称的产业带，结果客户上门比价时，它的工艺溢价在邻居们的报价单衬托下显得「贵得没道理」——位置的语境杀死了它的定价权。反过来，一家标准件厂跑到远离集群的需求腹地想吃独食，却发现自己的成本结构在集群同行的快递报价面前毫无还手之力。位置必须与战略同构：你的竞争优势从哪里来，位置就应该强化哪里，至少不能对冲哪里。

三种战略的三张选址逻辑

成本领先者的位置逻辑最接近教科书：进集群，吃尽规模化配套的成本水位，同时在集群内部找要素洼地（边缘乡镇、新扩园区）。他们对时间地图的用法也最激进——追着「成长中期」的集群走，红利吃到成熟期就评估下一站。对他们，选址是一个持续的成本套利过程。

差异化玩家的位置逻辑是「借力但保持身位」：要用集群的技工池和配套，但要与集群的主流定位保持可感知的距离——物理上可以只隔十公里，认知上要隔开一个档次。他们更看重知识密集型要素的可达性：检测认证机构、工业设计资源、高校院所。对他们，五张地图里人才与配套的权重高于要素成本，时间地图上要盯的不是地价，而是集群整体是否在向他们所在的档位升级——升级意味着追兵。

利基深耕者——在某个极窄品类做到头部的隐形冠军型企业——位置逻辑最反直觉：他们的客户是全国甚至全球的，本地需求密度几乎无关紧要；他们的工艺高度自成体系，对通用配套依赖低；他们最稀缺的资产是十年二十年不流失的核心团队。所以他们的最优位置常常是「老家」——创始团队扎根、员工忠诚度最高、竞争对手挖不动人的地方。对他们，选址框架的用途不是搬家，而是反过来：评估「留在原地」的机会成本，并为原地的短板（比如检测要跑省城）设计定点补丁。

集群内的微观位置也是战略

把镜头再推近一层：同一个集群内部，位置仍在参与竞争。靠近龙头厂的位置方便接溢出订单，但也最容易被锁定为附庸；靠近专业市场的位置信息最灵，但租金反映了这份灵通；园区新扩的边缘地带便宜，赌的是集群往这个方向长——图鉴一章讲古镇灯饰的溢出方向时说过，集群的生长方向是有迹可循的，密度梯度的等高线就画在坐标图上。

微观位置还有一个常被低估的维度：可见性。对依赖上门客户的行当（模具、打样、小批量加工），「在同行扎堆的那条街上有个门面」本身就是获客渠道——这解释了为什么有些厂宁付高租金也要留在老街，哪怕园区的新厂房又大又便宜。搬离「被看见的位置」的代价，不会出现在任何财务测算里，却真实地出现在第二年的订单上。

战略视角下的再总结

把这一章与前文合起来，选址框架的完整用法呈现出三层递进：第一层，算清楚（五张地图、圈层计分）；第二层，想清楚（行业语法、风险敞口）；第三层，对齐战略（位置与竞争优势同构）。大多数选址失误发生在第一层缺数据，但最贵的那些失误，发生在第三层——用别人的战略逻辑，选了自己的厂址。

数据在第三层帮不了你拍板，但它能做一件宝贵的事：把每个候选位置将把你带入的「棋局」提前推演给你看——那里有谁、在打什么打法、水位如何。看清棋局再落子的人，和闭着眼睛落子的人，坐在同一张牌桌上，命运却不同。

十八、谁需要 AI 选址：七类决策者的七种用法

「选址」两个字容易让人只想到「企业建新厂」。实际上，围绕「生产活动应该发生在哪里」这个问题，至少有七类决策者在做本质相同、形态各异的决策。这一章逐一过一遍——如果你属于其中一类，可以直接跳到对应小节。

制造企业：建厂、扩产、搬迁

最经典的场景。三种触发时机各有侧重：

新建：从零选址，五张地图全要看，重点是供给图与需求图的平衡——第一次建厂的企业最容易犯的错，就是被要素图（地价、政策）牵着走。
扩产：在老厂之外加第二个基地。核心问题是「复制还是互补」：把老厂模式复制到成本更低的地方，还是在客户聚集区设一个贴身基地？两种战略对应的地图读法完全不同。
搬迁：最痛苦的一种，因为要带着存量走——老师傅肯迁多远、老供应商跟不跟、老客户的交期容忍度，全是硬约束。前文那个注塑件厂的例子就是典型：搬迁选址本质上是「在人的迁移半径内寻找成本与网络的最优解」。

对这一类决策者，AI 选址的价值排序是：候选集扩容（看见邀约名单之外的位置）第一，配套圈层量化第二，先行者存活率第三。

园区与地方政府：招商的科学化

园区是选址决策的「另一侧」。企业问「我该去哪」，园区问「谁该来我这」——这两个问题在同一份数据上互为镜像。

传统招商的痛点是错配：拿着通用的优惠政策，见谁招谁，招来一堆彼此无关的企业，形不成生态，若干年后各自枯萎。坐标数据给园区的第一个能力是自我诊断：我这个位置在全国产业版图上处在什么生态位？周边一百公里的存量结构，适合承接什么、注定养不活什么？第二个能力是精准招商名单：如果我的禀赋适合承接某个环节，全国做这个环节的企业名单、它们当前所在区域的成本压力、它们的决策人联系方式——招商从广撒网变成点对点。第三个能力最微妙：补链诊断。已入驻企业的外协需求流向哪里？哪些配套环节缺口最大、最值得定向补招？把「补链强链」从口号变成一张有名有姓的缺口清单。

品牌方与采购方：供应基地的布局

品牌方不建厂，但要决定「我的供应商群应该长在哪里」。新品类找代工，去哪个集群找？供应链要「中国加一」或者省内备份，备份基地设在哪个集群才能既分散风险又不牺牲配套效率？

对这类决策者，集群一章的档案体系几乎是量身定做：1,572 个集群的主导品类、规模谱系、配套完备度一字排开，找代工等于在集群谱系里做匹配。更进一步，同一品类往往有多个集群可选——广东做灯、江浙做灯、河北也做灯——集群之间的规模梯度、成本梯度、工艺侧重，正是采购布局最需要的决策依据。

产业转移中的跨区域企业：去哪里承接自己

这一类值得从制造企业里单独拎出来，因为 2026 年的当下它规模最大：沿海成本推动的内迁、出海企业的国内基地重组、以及行业性的产能重构（后文「大迁徙时代」专门讲这个背景）。

跨区域转移最大的信息劣势是前文讲的「经验半径」：珠三角老板对湖南、江西、广西的产业生态几乎两眼一抹黑，只能依赖各地招商部门的自我陈述。AI 选址在这里扮演的角色接近「翻译」：把陌生区域翻译成熟悉的语言——「这个县的五金配套厚度，大约相当于你老家镇十年前的水平，但正以每年净流入几十家的速度增厚」。前文那 223 个无名集群，最大的受益者就是这批人。

B2B 销售与服务商：把选址数据倒过来用

有趣的是，同一份数据倒过来看，服务的是完全不同的人群：知道工厂在哪里，就知道客户在哪里。

给工厂卖设备、卖材料、卖软件、卖物流服务的 B2B 销售，本质上做的是「反向选址」：不是决定工厂去哪，而是根据工厂的分布决定自己的市场去哪——销售区域怎么划、办事处设在哪、这个季度的陌拜名单排哪个县。天下工厂平台上超过十万名注册的 B2B 销售员，每天做的正是这样的空间决策：按行业、区域、规模圈出目标工厂群，拿到关键人联系方式，把「跑市场」从扫街变成按图索骥。选址分析用到的每一张地图，在销售场景里都有一个镜像用法——供给地图变成「设备商的客户地图」，集群档案变成「区域市场的作战地图」。

投资机构：把空间当作尽调维度

还有一类使用者介于商业与研究之间：做制造业投资的机构。一家标的工厂的价值，有相当一部分写在它的位置里——它所在集群的生命周期、它对单一区域供应链的依赖度、它的客户与配套半径，都是资产负债表之外的真实资产或真实负债。投资尽调的传统清单里有财务、法务、业务三板斧，空间尽调正在成为第四板斧：标的说自己「供应链稳定」，坐标数据可以验证它的供应商集中在哪个半径、有没有区域级单点；标的说自己「区位优势明显」，五张地图可以把这句话拆成可核对的事实。对投的一方，这是把故事换算成证据；对被投的一方，一个真正优越的位置，从此有了向投资人自证的语言。

研究者与政策制定者：把产业地理当成可观测对象

最后一类用户不做商业决策，但他们的决策影响所有人：产业政策研究者、区域经济学者、规划部门。

对这个人群，全量厂址数据的意义是观测精度的代际提升：产业转移的真实速度与方向、集群的生灭与迁移、政策干预前后企业流入流出的变化——过去只能在年鉴的省级加总里模糊感知的过程，现在可以在坐标和月度的分辨率上直接观察。88 个跨县集群这类发现，对「以行政区为单位制定产业政策」的传统范式，本身就是一个值得深思的提醒。

七类人，同一张图

七类决策者，七种问法，底下是同一份数据、同一套计算。这正是基础设施的特征：修一条路，跑什么车的都有。厂址坐标库之于产业决策，就像路网数据之于导航——导航软件可以有一百种，但没有路网数据，一种都不会存在。

稍后的「一次完整推演」，会把这套工具放进一个具体的虚构案例里，从头到尾走一遍。

十九、反向选址：园区招商的科学化

选址的镜像是招商。前文七类决策者里给了园区一节，这一章把它展开成完整的方法——因为在我们与地方园区的接触中发现，招商侧对空间数据的渴求丝毫不亚于企业侧，而他们手里的工具箱更旧。

招商的传统困境：广撒网的经济学

一个典型的县级开发区招商团队是这样工作的：定几个「主导产业」方向（依据往往是上级规划加邻县对标），制作一册园区手册，然后以驻点、展会、以商招商三板斧向外撒网。这套打法的命门在于漏斗效率：接触一千家企业，有投资意向的可能只有几十家，最终落地的只有几家——而且落地的这几家彼此可能毫无产业关联，多年之后园区变成一个「什么都有一点、什么都不成气候」的拼盘。

拼盘园区的代价前文讲过：入驻企业各自都是孤岛厂，享受不到任何集聚外部性，稍有风吹草动就迁走。招商团队的 KPI 完成了，产业生态没有长出来。

问题不在于团队不努力，在于两个信息缺口：不知道自己适合养什么，也不知道该去找谁。这两个缺口，恰好都是坐标数据能填的。

第一步：生态位自诊——我这块地在产业版图的什么位置

把园区放到全国坐标版图上，第一个问题就有了客观答案：以园区为圆心画圈，一百公里内的产业存量结构是什么？哪些行业在这个半径里已经有气候（可以承接其溢出与配套需求）？哪些行业在这里毫无根基（招来了也是孤岛）？邻近的既有集群是什么、处在生命周期哪一段、它们的配套缺口在哪里？

这一步经常会推翻既有的「主导产业」定位。一个内陆园区规划里写着要发展某新兴产业，坐标图却显示方圆两百公里内该产业的上下游几乎为零——这个定位无论政策多优惠，物理上就是逆水行舟。反过来，图上可能显示园区正处在某个跨县集群的延伸方向上——顺着市场已经在走的路修桥，远比在没有路的地方立牌坊有效。前文讲过 88 个跨县集群的发现：对骑在集群边缘的园区，最聪明的定位往往不是「另立门户」，而是「做隔壁集群的溢出承接区」——共享它的技工池和名声，提供它缺的土地和厂房。

第二步：靶向名单——把「招谁」变成一道检索题

生态位定了，第二个问题「去找谁」就从玄学变成了检索：全国范围内，做这个环节的企业有哪些？其中哪些正处在成本压力最大的区域（它们迁移的意愿最强）？哪些的规模档位适合本园区的承载力？哪些近期有扩张信号？

在 480 万档案、1,965 个行业类目的库里，这道检索题可以精确到令传统招商人员吃惊的程度——输出不是一个行业名词，而是一份带企业名称、所在区域、规模信号、决策人联系线索的靶向名单。招商从「在展会上等缘分」变成「按名单做客户拜访」，漏斗的第一级直接换了量级。

更进一步的打法是补链招商：对已入驻企业做外协需求调研，对照坐标数据找出「本地缺、周边也薄」的配套环节，把这些环节做成定向招商包——「来我这里，方圆三十公里有二十七家企业等着把外协订单给你」。这句话对一家配套厂的吸引力，超过任何税收减免——因为它卖的不是成本，是订单。前文讲配套厚度时说过，配套商选址跟着订单密度走；补链招商就是把这条规律反过来用。

第三步：兑现与口碑——时间地图是园区的成绩单

企业选址时最信的证据是先行者存活率，这对园区是一面无处可逃的镜子：你招来的企业三年后还剩几家、活得如何，坐标数据里一目了然。这份「成绩单」的存在会倒逼招商逻辑的转变——从「签约数」导向转向「存活率」导向：与其签十家养不活的，不如签三家能扎根的；与其承诺兑现不了的补贴，不如把配套生态的实话讲清楚，让匹配的企业为真实的理由而来。

匹配大于说服——这是数据时代招商的第一原则。错配的企业迟早会走，走的时候还会带走口碑；匹配的企业会自己长大，长大了会替你以商招商。

双向奔赴的市场

把企业侧与园区侧的两套方法放在一起看，会看到一个正在成形的东西：产业空间的匹配市场。企业按五张地图寻找位置，园区按生态位寻找企业，双方在同一份数据上讨价还价——信息越对称，错配越少，交易成本越低。

成熟的要素市场都经历过这个过程：证券市场靠信息披露，房产市场靠房源数据，招聘市场靠简历库。产业空间这个体量大得多的市场，匹配基础设施才刚刚出现。它的完全体是什么样子，现在下结论为时尚早；但方向是清楚的——当匹配效率提升一个量级，受益的不是某一方，而是整个产业转移的社会成本：更少的空置厂房、更少的孤岛工厂、更多长在对的地方的集群。

二十、一次完整推演：给一家虚构的注塑件厂选新家

理论讲完了，工具也摆齐了。这一章做一次完整的沙盘推演。案例是虚构的——人物、企业、数字都是为了演示而设——但每一步用到的方法和数据能力都是真实的。

出场设定

「华恒精密」（虚构），江苏昆山一家汽车内饰注塑件厂，两百多名员工，年产值一亿多元。客户以合肥、芜湖的整车厂及其一级供应商为主，占营收七成；余下三成是苏州本地的家电客户。老板姓陈，厂子是他二〇〇八年从十台二手注塑机起家做起来的。

触发选址的原因很典型：昆山厂房租约还有两年到期，续约租金要涨；人工成本连年上涨；而主要客户在安徽，每天往返的物流成本和响应速度都不占优。陈总的想法是把主力产能西迁，昆山留一个小基地服务家电客户。

他的约束条件，按前文五层计算第一层的方法解析出来是：

需求锚点：合肥、芜湖整车厂群，公路时距最好在两小时以内。
人员约束：三十多名核心技师，愿意跟迁的以皖籍居多——候选范围基本锁定安徽。
配套硬约束：注塑离不开模具修配（记住前文那个 99.7%）；改性塑料供应商最好在当天往返半径内。
成本目标：土地和人工显著低于昆山，但陈总自己说了一句很清醒的话：「便宜三成如果换来天天等模具，那不叫便宜。」

第一轮：候选集生成

传统流程里，陈总的候选集大概率是三个地方：某位同乡企业家所在的园区、两个主动上门递过招商材料的开发区。

在全量坐标上跑粗筛，图景不一样了。以「到合肥、芜湖两小时时距 + 注塑相关产业存在度」过滤，浮出十一个候选区，其中包括：合肥周边两个成熟的汽车零部件集聚区（意料之中），芜湖江北的一个成长期集群（半个意料），以及皖中某县一个从未进入任何招商叙事的注塑小集群——算法版图里 223 个无名集群之一（完全意料之外，我们叫它「Ｘ县」）。

第二轮：五张地图逐一展开

对入围的四个重点候选（合肥Ａ区、合肥Ｂ区、芜湖江北、Ｘ县），把五张地图摊开。演示起见，只列关键差异。

供给地图——模具修配三十公里厚度：合肥Ａ区最厚（几十家可选），芜湖江北中等，Ｘ县薄但非零（十公里内有一小撮，三十公里能覆盖邻市的模具聚集）。改性料：合肥两区当天往返无虞，Ｘ县要跨到八十公里外。

需求地图——到主机厂时距：芜湖江北最优（半小时进整车厂大门），合肥两区一小时内，Ｘ县一个半小时贴着上限。第二客户圈：合肥周边百公里的家电产业群给了合肥候选一个隐藏加分——陈总那三成家电订单未来未必只能留在昆山。

竞争地图——同业密度：合肥Ａ区同行最多，技工池厚，但三家规模远大于华恒的同行压阵，挖人大战的工资水位肉眼可见；Ｘ县同行是清一色小微，华恒进去就是龙头。时间维度上，四个候选近三年同业全部净流入，Ｘ县的流入速度相对自身基数最快。

要素地图——土地与人工：Ｘ县最便宜，比合肥Ａ区低一大截；芜湖江北居中。按前文「网络修正后的要素成本」重算，Ｘ县的账面优势要打折扣——模具与改性料的半径劣势，折算成在制品周转和物流，每年要吃掉一部分省下的租金。

时间地图——先行者存活率：四个候选近三年迁入的同业与相关配套企业，存活率都不难看；芜湖江北的配套增厚速度最快——一级供应商群正在把它们的外协圈子拉过去。

第三轮：权衡的显性化

五张图摆齐，没有全面占优者——真实选址从来如此。AI 在这一步的产出不是「答案」，而是把三条可选路径的代价结构讲透：

选合肥Ａ区=买入最厚的配套网络，代价是要素成本最高、并且在三条大鱼旁边做第四条鱼。适合的战略：跟随与借力，吃生态红利，不求区域地位。
选芜湖江北=贴身服务最大客户群，赌这个成长期集群继续增厚。适合的战略：把「响应速度」做成核心竞争力，深度绑定整车客户。
选Ｘ县=用最低要素成本换一个「提前埋伏」的位置，赌无名集群长成气候；模具半径是明确的、可测量的代价，需要用厂内自建修模能力或与邻市模具厂签框架协议来对冲。适合的战略：成本领先，并且当地方龙头。

注意这段推演里 AI 真正改变的东西：不是替陈总选出「正确答案」——三条路对应三种企业战略，战略只能陈总自己定——而是让每条路的代价第一次被完整看见。传统流程里，Ｘ县根本不会出现在桌面上；芜湖江北的配套增厚速度没有人能说出数；合肥Ａ区的挖人风险要等入驻之后才会显形。

第四轮：从报告到行动

陈总倾向芜湖江北，下一步不是再开一轮会，而是拿着系统给出的名单开始跑：三十公里内全部模具厂的清单（带联系方式和决策人线索），先去谈三家；江北集群近三年迁入的同业名单，托朋友约两家吃饭，问问真实的水电、用工和政府兑现情况；改性料供应商名单，询价对比昆山现有账期。

两周后，这些电话和饭局带回来的一手信息，再喂回推演里修正参数。选址分析不是一份 PDF，而是一个「计算—验证—修正」的循环——而支撑这个循环的，是每个数字背后可以逐家点开的真实企业。

推演的启示

这个虚构案例浓缩了前文的全部要点：人话变成计算任务、候选集扩容看见无名集群、配套半径的量化、五张地图的合奏、网络修正后的成本观，以及分析与行动名单的无缝衔接。

如果说还有什么要补充，那就是后文「大迁徙时代」一章的内容：陈总不是一个人在搬家。他身后，是一场正在重塑中国产业地理的大迁徙——选址这个问题，正在从「少数企业偶尔遇到的难题」变成「一代制造企业的集体必答题」。

二十一、从签约到投产：选址之后的一百天

选址分析的报告再漂亮，价值也要等到工厂真正转起来才兑现。这一章讲选址决策落地的那段路——签约到投产之间的关键动作。它看似超出「选址」的题目，其实是选址方法论的自然延伸：同一份数据，在落地阶段还要再用三次。

第一次复用：供应链的冷启动

新基地投产前最踩坑的环节，是供应链的冷启动。老厂的供应商体系是十几年磨合出来的，新基地周边的供应商却要从零建立信任：谁的质量稳、谁的账期活、谁的产能真——试错的每一步都是真金白银和交期风险。

选址阶段的供给地图，此刻直接变成采购部门的作战地图：各半径圈层内的候选供应商名单本来就是分析的副产品，带着行业、规模、联系方式和决策人线索。冷启动的正确姿势不是等投产后临时抓瞎，而是在建设期就按名单做完三轮动作——初筛拜访、小单试做、备选归档。等产线通电那天，每一类物料手里都应该有「一家主供、两家备选」的名单。前文说过，选址分析的终点是供应链搭建的起点——这句话在落地阶段就是字面意思。

第二次复用：人的落位

第二个坑是人。核心团队跟迁的比例、本地技工的招聘难度，选址时算的是「预估」，落地时要变成一个个具体的人。

坐标数据在这里的用法常被忽略：同行与相关行业的分布，就是技工池的分布。新基地方圆三十公里有哪些同业和相邻工艺的工厂，它们的规模谱系如何——这直接框定了本地招聘的现实上限，也标出了「该去哪些厂的门口发招聘启事」。反过来，如果选址时就知道本地技工池薄，落地方案里就必须提前包含培训体系和老带新的梯队设计，而不是等开工后被缺工打个措手不及。

工资水位同样能从密度里读出方向：同业密集的地方，技工有市价，挖人有行情；同业稀薄的地方，你开的第一批工资就是本地这个工种的定价——定低了招不到人，定高了给后来者抬轿子。这些判断，都藏在那张竞争地图里。

第三次复用：客户的迁移沟通

搬迁类落地还有一道容易低估的坎：客户的信任迁移。客户关心的不是你的新厂房多漂亮，而是三个问题：过渡期供货会不会断？新厂的质量一致性多久能爬回来？物流时效变好还是变坏？

需求地图在此刻的用法是把答案变成可视的事实：新基地到客户的时距变化、新增的潜在服务半径、双基地并行期的产能分配方案。经验之谈是：把「搬迁」对客户重新包装成「产能升级加就近服务」，而支撑这个说法的最好道具，就是那张显示时距缩短的地图——前提是你选址时真的把需求邻近算了进去。

容易被低估的第四件事：把承诺变成文字

落地期还有一件与数据无关、却必须写进方法论的事：把招商阶段的每一项口头承诺——电价、用工补贴、手续代办、道路配套的时间表——落成有签章的文字。这不是对任何一方的不信任，而是对「人会调动、班子会换届」这个客观规律的尊重。经验丰富的落地负责人都懂一句话：谈判桌上的热情属于此刻，白纸黑字属于未来。选址分析算得再准，也架不住三年后无人认账的承诺；而这道保险的成本，只是签约前多开几次会。

一百天里的反馈闭环

落地期还有一个隐藏价值：它是对选址分析的全尺寸验证。分析说三十公里内有四十七家模具厂，采购跑下来发现能用的有九家——这个差值本身就是数据：它校准了「档案家数」与「合格供应商数」之间的折算率，下一次推演（第二基地、第三基地）就有了更准的参数。分析预估本地招工月薪水位，人力资源部实招三个月后拿到真实曲线——又是一个校准点。

把落地期的实测持续喂回模型，企业自己的「选址知识库」就滚起来了。对多基地企业，这份知识库的复利极其可观：第一次选址是从零推演，第三次选址时，你手里已经有两个基地的全套实测参数。选址能力本身，正在成为制造企业的一项组织资产——而它的载体，就是数据加上被数据训练过的判断力。

别让最后一公里毁掉前面的一万米

这一章的所有内容可以压缩成一句提醒：选址决策的成败，一半在选，一半在落。见过太多这样的故事——位置选得漂亮，冷启动做得潦草，投产半年被供应链和用工的琐碎消耗拖垮，回头抱怨「这个地方不行」。位置没有辜负他们，是落地辜负了位置。

数据能把落地的每一步都照亮，但走，还是要一步一步走。

二十二、落到那块地上：用地与厂房的形态学

宏观的区位定了，最后一公里还有一组高度实操的决策：要地还是要房？租还是买？标准厂房还是定制？这些问题看似琐碎，却直接绑定资金结构和退出灵活性，而且与前文的空间分析深度联动。这一章把它们放进同一个框架里过一遍。

租与购：灵活性的定价

买地自建的诱惑是实在的：资产沉淀、贷款抵押、改造自由，以及「不用看房东脸色」的安全感。但它的隐性代价是把企业锁死在一个坐标上——本文通篇论证了产业地图在加速变化，而自有土地厂房是变化面前最重的锚。

一个可操作的判断框架：用时间地图先给所在集群定性。集群处在成长中期、你对位置的信心来自可验证的趋势——买，可以把未来的区域升值一起收进来；集群成熟已过、或你的进入本质上是一次成本套利——租，把「随时能走」的期权价值留在手里。产业转移大潮里最被动的一批企业，恰恰是十几年前在如今已失去性价比的位置上重资产自建的那批：走，资产变现难；留，成本年年涨。资产的重量要与位置的确定性匹配——位置越像一次下注，资产就该越轻。

标准厂房与定制：时间与适配的交换

标准厂房买的是时间：拎设备进场，几个月就能投产，尤其适合搬迁过渡期「双基地并行」的阶段。它的代价是适配性：层高、承重、柱距、电容，总有一两项要将就，重型设备和特殊工艺（恒温恒湿、防震、洁净）经常将就不了。定制自建反过来：完美适配，但把投产日期推后一年以上，并且要求你对「三年后需要什么样的产线」有足够把握。

常见的稳妥路径是两段式：先租标准厂房把业务迁稳，用一到两年验证位置判断（本文讲的先行者存活率，这次主角是你自己），确认无误再定制扩建。这条路径多付一次搬家钱，买到的是把「选址错误」的最大损失控制在租约以内——对照选错位置又重资产自建的代价，这份保费通常划算。

园区内与园区外：服务的打包与拆零

同一个区位，落在正规园区内还是园区外的存量地块，差别不在距离，在服务的组织方式。园区把环评通道、危废收运、蒸汽供应、消防验收这类高摩擦事务打包了——你为打包付管理费和相对高的租金；园区外把这一切拆零给你自己跑——地便宜，但每一项都是时间和不确定性。

判断标准又回到行业语法：环保敏感、公用工程依赖重的行当（表面处理、化工中间体），园区几乎是唯一选项——图鉴一章讲过，这类行业的空间分布本质是牌照分布；通用加工、装配类的轻环保行当，园区外的存量厂房常是性价比之选，前提是把产权、规划用途、消防这三样查干净——租来的便宜厂房若在手续上有先天缺陷，被清退时没有任何补偿会站在你这边。

一句话收束

用地与厂房的每个选项，本质都在回答同一个问题：你愿意为灵活性付多少钱，为确定性锁多少年。而这个问题答得好不好，取决于你对位置本身的信心——信心的来源，又回到本文的主线：看得越全，锁得越敢；看不清时，保持轻盈。

二十三、选址自查清单：签约之前的三十问

方法论讲了很多，落到操作层面，最实用的形态是一份清单。以下三十个问题按七个板块组织，覆盖前文全部要点。用法建议：对每个候选位置逐问作答，答不上来的问题就是尽调缺口——清单的价值不在于每题都答对，而在于让你看见自己还有几题是空白。

板块一：需求与腹地

我的核心客户群到候选地的时距是多少？与现址相比是改善还是恶化？
可服务半径内，除现有客户外还有多少潜在客户（按行业类目数出来，不是感觉）？
我的客户的客户在往哪里移动？三年后这张需求地图会怎么变？
如果最大客户流失或迁移，这个位置还能支撑我活下去吗？

板块二：供给与配套

把工艺清单逐项摊开：每一道外协工序，在十、三十、五十公里内各有几家可选？
有没有「半径内仅一家可选」的红灯项？每个红灯项的预案是什么？
主要原辅料的供应半径和账期生态如何？
设备坏了，最近的能修的师傅在哪里？多久能到场？

板块三：同业与人才

同行在候选地的密度、规模谱系、经营状态如何？我进去是当龙头还是当学徒？
本地技工池的真实厚度：同业加相邻工艺的工厂一共养着多少熟练工？
我这个工种在当地的工资水位是多少？我的到来会不会自己抬高它？
核心团队愿意跟来的比例摸底了吗？不来的岗位，本地补得上吗？

板块四：要素与成本

土地或租金的「牌价」与「实价」都问到了吗？
政策优惠折成现值是多少？如果明天全部取消，我还来吗？
电、水、气、环保容量，按三年后的产能规划够不够？
按「网络修正后的要素成本」重算一遍：便宜的部分，会不会被配套半径的摩擦吃回去？

板块五：风险与韧性

我的关键供应商是否过度集中在同一个园区或走廊？
这个位置与我现有基地的供给网络重叠度多少？备份是真备份还是假备份？
候选地所在集群的客户结构是否绑定单一下游？
极端天气、限电、环保整治的历史记录查过吗？

板块六：集群与时机

候选地所在集群处于生命周期哪一段？企业是净流入还是净流出？
近三年迁入的同业，存活率如何？找两家当面聊过了吗？
集群的配套是在增厚还是变薄？往哪个方向长？
我是在窗口期进入，还是在为已经定价的红利付全款？

板块七：战略与落地

这个位置把我带入什么棋局？那里的主流打法与我的竞争优势同构还是对冲？
三条可选路径（不同候选地）的代价结构，我能各用一句话讲清楚吗？
冷启动名单准备好了吗——每类物料一家主供两家备选？
客户的迁移沟通方案有了吗？过渡期的产能怎么排？
最后一问，也是第一问：这个决定，是数据、实地、老师傅三方证据都指向的，还是只有其中一方在说话？

三十问答完，通常会出现一个健康的结果：没有一个候选地是满分。这不是清单的失败，恰恰是它的成功——它把「选哪里」还原成「接受哪一组代价」，而这正是重大决策应有的样子。剩下的事，前文已经说过：把空白题补上，把权衡想透，然后由你自己，落子。

二十四、大迁徙时代：选址为什么突然变成了必答题

如果产业地理是静止的，选址就只是新建企业的一次性问题，犯不着动用这么重的数据和计算。但 2026 年的现实恰恰相反：中国制造业正处在几十年来空间重构最剧烈的阶段。这一章讲清楚这个背景——它解释了为什么「AI 选址」在此时此刻从一个有趣的技术命题，变成了一个迫切的商业命题。

三股力量同时在推

第一股力量：成本梯度的持续倾斜。 沿海核心区的土地、人工、环保容量成本，与内陆腹地之间的梯度差持续存在并且仍在拉大。这不是新故事——「产业梯度转移」讲了二十年——新的是它的深度：过去转移的主力是劳动密集的末端环节，如今连带着模具、表面处理、精密加工这些「跟身型」配套环节一起成建制迁移。成建制迁移意味着：内陆承接地的配套生态正在以肉眼可见的速度增厚，前文那 223 个无名集群，相当一部分就是这股力量在过去几年里悄悄堆出来的。

第二股力量：供应链的安全重构。 无论是外部环境驱动的「中国加一」布局，还是企业自发的多基地备份，「把鸡蛋放进几个篮子」已经从大企业的奢侈品变成中型企业的标配思维。对内，这表现为跨省的第二基地、第三基地布点；对外，则是出海建厂的同时反过来重整国内基地的分工。每一次「多基地化」，都是一次乘法级的选址需求：过去一家企业一辈子选一次址，现在一家企业可能同时在为三个基地选址。

第三股力量：产业本身的新陈代谢。 新能源、储能、机器人、低空经济——新产业的产能布局没有历史包袱，从第一天起就在全国范围内选址；而传统产业的产能整合、置换、退出，同样在重画地图。新旧交替的每一个动作，落到地面上都是坐标的变化。

三股力量叠加的结果，用一句话概括：中国产业地图的「刷新率」显著提高了。静态地图时代，一份五年前的产业带名录还能凑合用；今天，五年前的地图上已经有整片区域的配套厚度变了样。

出海与国内基地的再分工

第二股力量里有一个分支值得单独展开：出海建厂的企业，正在经历一次「以外定内」的国内选址重做。

当一家企业在海外落下组装或成品产能，它的国内基地的角色就变了：从「生产全部」变成「生产海外基地做不了的部分」——核心部件、模具、需要深配套的精密环节，外加对海外产线的技术支援和物料保障。角色变了，选址逻辑跟着变：国内基地的评估权重从「人工成本」滑向「配套深度与工程师可得性」——恰恰是中国产业带最深的那部分护城河。于是出现了一个与直觉相反的现象：越是积极出海的企业，越需要把国内基地扎进配套最厚的集群里。产业转移的完整图景从来不是「搬走」两个字，而是一次跨国界的再分工——而再分工的每一侧，都是一道选址题。

迁徙时代的信息不对称是双向的

大迁徙放大了一个结构性问题：迁出方与承接方互相看不见。

企业侧看不见承接地：珠三角、长三角的企业主被成本推着往外看，但他们对内陆的认知分辨率极低——「江西便宜」「湖南有政策」这种省级颗粒度的印象，无法支撑一个具体到经纬度的决策。前文讲的经验半径问题，在迁徙场景里被放到最大。

承接方也看不见企业：内陆园区知道沿海有大量企业在寻找出路，但不知道具体是谁、在哪个环节、被什么成本压着、需要什么配套。于是只能用最粗的方式广播自己——地价、厂房、税收三板斧——而这恰恰是前文讲过的、系统性回避配套生态的招商话语。

双向的看不见，造成大量错配：企业迁到了不适合自己的地方，园区招来了养不活的产业。错配的社会成本是巨大的——厂房空置、设备闲置、承诺落空，以及最可惜的：一些本来可以长成气候的集群，因为第一批落户企业选错了彼此，始终没能形成生态。

全量厂址数据在这个语境下的角色，就是那面让双方互相看见的镜子：企业能看清每一个候选承接地的真实生态（而不是招商手册里的修辞），承接地能看清全国范围内谁真正适合来（而不是见谁招谁）。信息对称不能消除迁徙的阵痛，但能大幅减少纯粹因为「看不见」而发生的错配。

时间窗口的问题

还有一个现实的时间维度值得直说：集聚红利的窗口是会关的。

克鲁格曼的自我强化逻辑（区位论一章讲过）在承接地同样成立：一个内陆集群从「有点苗头」到「配套齐备」的过程中，土地和人工价格会随着集聚的成熟一路上行。最早落子的企业吃到最大的价差红利，也承担最大的配套风险；等到集群名声在外、招商手册言之凿凿时，红利已经被定价了。

这就是为什么前文说那 223 个无名集群「可能是全文最有商业价值的一段信息」：它们代表着窗口尚开的位置。识别它们不需要预言能力，只需要观测能力——企业净流入的速度、配套环节的补齐进度，都是坐标数据里可以按月读出的信号。在大迁徙时代，看得早半年，就是别人拿不到的地价和别人抢不走的位置。

从个体决策到集体现象

把镜头拉到最远：几十万家企业各自的选址决策，加总起来就是下一个十年的中国产业地理。这一轮空间重构的最终格局——哪些集群崛起、哪些收缩、产业带的重心整体往哪里漂移——今天还没有定论，它正在被每一天的搬迁、扩产、落户一票一票地投出来。

对单个企业，这意味着选址从「一生一次的赌注」变成「持续跟踪的功课」；对观察者，这意味着一件激动人心的事：人类历史上罕有机会以如此高的分辨率，实时观看一个制造业大国重新安排自己的空间结构。345 万个坐标点每天的明灭变化，就是这场重构的实时直播。

当然，直播看得再清楚，也有它照不到的地方。下一章，我们诚实地谈谈这套方法的边界。

二十五、边界与诚实：AI 选址算不出什么

一篇通篇讲能力的文章是软文，讲清楚边界的才是研究。这一章把 AI 选址做不到的事情列出来——不是免责声明式的走过场，每一条都是真实使用中必须绕开的坑。

算不出要素价格的「实际成交价」

坐标数据能把供给、需求、竞争、配套算到很细，但要素地图上最关键的几个数——土地的实际成交价、政策的实际兑现率、环评的实际过审难度——不在任何数据库里。挂牌地价与成交地价之间、政策文本与政策兑现之间、办事指南与办事体验之间，隔着只有当面谈判和实地考察才能测量的距离。AI 选址给出的要素成本永远是「牌价」，牌价与实价的差，必须用脚补齐。

算不出人的意愿

案例推演里陈总的三十名核心技师愿意跟到安徽——这个约束条件是访谈出来的，不是算出来的。老师傅肯不肯迁、迁过去留不留得住、家属的学校医院怎么安排，这些变量对搬迁类选址常常是一票否决级的，而它们完全在数据之外。同样在数据之外的还有：本地政商关系的水温、村镇一级的用工习惯、方言与管理文化的磨合成本。选址最终是人把家安在哪里的问题，数据能画出候选集，人心决定最后一票。

算不出政策的转向

产业政策、环保标准、能耗指标、贸易环境——这些自上而下的变量能在一夜之间改写一个区域的选址逻辑。坐标数据是自下而上的观测，它能在政策转向落地之后很快从企业流入流出里读出后果，但它不能预测转向本身。任何把「模型推演」当「政策预言」用的人，都会在下一个转弯处摔跤。

数据本身的三个已知局限

对自家数据的局限，我们在前文已经交代过最大的一个——乡镇地址的中心点归并问题，以及对应的「双口径」纪律（企业数与独立点位数一起报）。再补两个：

档案的时滞。企业的注册注销有官方记录可循，但「实际停产」「实际搬迁」与档案更新之间存在时滞。我们用多信号交叉验证压缩这个时滞，但它不为零——对单个企业，档案是线索，不是判决。
行业标签的边界情况。1,965 个类目覆盖得再细，总有企业骑在类目边界上，或者产品结构已经转型而标签未及更新。做圈层统计时，单个企业的标签误差会被大数抹平；但如果你的分析依赖「某个极细分品类在某个小区域的精确家数」，请把结果当区间读，不要当精确值读。

算法发现不等于商业判断

前文的 1,572 个集群、223 个无名集群，是本文最亮眼的数字，所以更要在这里泼一瓢冷水：算法识别的是空间聚集，不是商业机会。一个无名集群可能是正在崛起的价值洼地，也可能是一群低端产能在环保和成本的夹缝里的暂时抱团；企业净流入可能是生态繁荣的信号，也可能只是某项短期补贴的虹吸效应。从「这里有聚集」到「这里值得去」，中间隔着产业判断、实地验证和时机把握——这三样东西，前文每一章都在强调，这里再说最后一次：AI 选址的输出是更好的问题清单和更完整的候选集，不是免检的答案。

顺带一说：怎么正确引用本文的数字

本文的数字会被转述，转述会失真，所以把引用规范写在这里。480 万家是平台覆盖的工厂档案总量；345 万余家是其中解析出有效厂址坐标的部分；314 万余家是坐标工厂中的在营部分——三个数字口径不同，不可混用。1,572 个集群是算法在特定方法与阈值下的识别结果，换一套参数会得到不同的数目，量级可信、个位数无意义。饮料厂 70.3%、模具厂 99.7% 两个配套共址比例，绑定各自的半径口径（前者二十公里、后者十公里），脱离半径引用等于没说。所有密度类数字请连同双口径一起引用。我们见过太多研究在传播中被磨掉口径、只剩一个光秃秃的大数——如果本文的数字注定要旅行，希望它们至少带着行李。

为什么我们坚持把这一章写出来

因为选址是重决策。轻决策可以容忍工具的过度承诺——推荐错一首歌，损失是三分钟；选错一个厂址，损失是十年。给重决策做工具的人，夸大能力等于伤人。

也因为诚实恰恰是这套方法论的竞争力所在。传统选址信息生态的病根（前文讲过），就在于每一方都在选择性陈述：招商方报喜不报忧，中介方言必称完美，经验方以偏概全。一份把自己的局限写在明面上的数据，才配成为各方博弈之间那个中立的参照系。天下工厂产业研究院给自己立的规矩——密度必报双口径、数字必可溯源、不确定必标注——不是道德洁癖，是这门生意的地基。

边界讲完了。最后几章，回到我们自己：天下工厂在这件事上到底做了什么、要做什么。

二十六、关于 AI 选址的十二个追问

成稿前，我们把这套方法讲给不同背景的朋友听——企业主、园区招商负责人、投资人、做供应链的、做学术的。他们的追问里有不少尖锐而高频的问题，值得单独成章逐一作答。有些答案前文已有铺垫，这里从提问者的角度再过一遍。

一问：我的行业很特殊，通用的数据框架适用吗？

框架通用，参数不通用。五张地图的结构对所有制造业成立，但每张图的权重、每类配套的半径、每个维度的及格线，都随行业剧烈变化——产业带图鉴一章里，电商耦合型集群和环保牌照型集群的读法就完全是两套。所以严肃的推演永远从「理解你的工艺清单和客户结构」开始，而不是从跑一个通用评分开始。对「特殊行业」，恰恰是全量数据更有价值：你的同行样本再少，在 345 万个坐标里也能被一家一家找齐。

二问：数据多久更新一次？我看到的会不会是过时的图？

档案与坐标持续更新，企业的注册、注销、状态变化会滚动进入。诚实的边界一章说过：官方记录之外的「实际停产」存在时滞，单个企业要以档案为线索、实地为准绳。但对选址决策真正重要的是趋势层面的新鲜度——一个集群的流入流出、配套的增减——这些聚合信号对时滞远不敏感。换句话说：看单点，档案可能迟到几个月；看大势，这张图比市面上任何替代品都新。

三问：AI 会不会把所有人都指到同一个「最优位置」，然后那里立刻不优了？

好问题——这正是所有推荐系统的「合成谬误」担忧。三层回答。第一，选址的目标函数高度个性化：行业、客户锚点、人员约束、战略取向，输入不同，输出天然分散。第二，数据本身有负反馈：一个位置涌入的企业多了，时间地图会如实显示竞争加剧、要素涨价，后来的推演自然降低它的评分——这个机制在传统口碑传播里同样存在，只是数据把反馈周期从几年缩到了几个月。第三，退一万步：即使出现局部趋同，被数据「指到同一处」的企业彼此正是上下游或同业——它们扎堆恰恰在创造集聚外部性。制造业不是抢车位，多数时候，「大家都来」不是拥挤，是生态。

四问：小微企业用得起吗？这听起来像大企业的奢侈品。

传统咨询式选址确实是奢侈品——几十上百万的咨询费，中小企业从来消费不起，这正是它们的选址长期依赖同乡口碑的原因。数据加 AI 改变的恰恰是这件事的成本结构：一次推演的边际成本趋近于一次对话。天下工厂平台上十万多名注册销售员里，绝大多数服务的正是中小工厂——这套数据从第一天起就是按「普通生意人用得起」的形态在生长的。选址能力的平价化，受益最大的不是大企业（它们本来就买得起咨询），而是那些过去只能靠运气的小厂。

五问：园区给的优惠政策，在你们的框架里怎么算？

政策优惠属于要素地图，但要打两个折扣再入账。第一个折扣是兑现率：边界一章讲过，政策文本与政策兑现之间的距离，数据测不了，要用脚测。第二个折扣是久期：税收减免有年限，配套生态没有——优惠是一次性的初始红利，网络是持续的年金。我们建议的算法是：把政策优惠折成现值，与「网络修正后的要素成本」放在同一张表里比较，然后问自己一句：如果这项优惠明天取消，这个位置我还来吗？答案是否，说明你在为补贴选址，而不是为生意选址——历史上死在补贴退坡里的产能，已经足够多了。

六问：数据会不会本身就有偏差，比如对某些地区覆盖差？

任何数据资产都有覆盖边界，我们的原则是把已知偏差公开：乡镇地址的中心点归并（双口径纪律的来源）、档案时滞、类目边界情况——正文已经逐一交代。至于地域覆盖，坐标库的建设逻辑是全国统一管线，不存在「重点覆盖发达地区」的结构性倾斜；恰恰相反，内陆县域那些从未被叫响名字的集群，正是这份数据里最独家的部分。

七问：这和政府发布的产业规划是什么关系？会打架吗？

互补关系，分工不同。规划回答「政策希望产业去哪里」，坐标数据回答「产业实际在哪里、正在往哪里去」。两者方向一致时，顺风顺水；出现分歧时，分歧本身就是重要信息——政策想推而市场没动的地方，要追问缺了什么；政策没提而市场自发聚集的地方（比如那两百多个无名集群），往往藏着规划的下一次更新。聪明的用法是两张图叠着看，而不是二选一。

八问：为什么不直接告诉我「最佳答案」？我就想要一个地名。

因为「最佳」取决于你是谁——案例推演一章里，三个候选对应三种战略，数据把每条路的代价算清楚了，但「想做一家什么样的企业」这个问题，世界上没有任何模型有资格替你回答。任何张口就给你唯一答案的选址服务，要么是把它家的库存卖给你，要么是把复杂性藏起来让你自己踩坑。我们把「不给唯一答案」当成职业操守，而不是能力不足。

九问：我不搬厂也不建厂，这套东西对我有什么用？

选址只是这份数据最戏剧化的用法，不是唯一用法。七类决策者一章讲过：B2B 销售拿它找客户、规划区域；采购拿它找供应商、比集群；品牌方拿它布局代工体系；研究者拿它观察产业变迁。工厂坐标是「生产活动在哪里发生」的底图，任何生意只要与工厂有关，就与这张底图有关。

十问：出海建厂，这套方法帮得上忙吗？

方法论完全可迁移——五张地图、配套半径、集群生命周期，在任何国家都成立；但数据资产目前深耕中国大陆。对出海企业，当下的用法是「以内映外」：出海布局的第一步往往是想清楚「国内基地留什么、带什么走」，这恰恰是国内坐标数据的主场；至于目的国的产业地理，我们的方法论加上当地数据源，是我们正在观察的方向，今天不夸口。

十一问：隐私和合规呢？你们的数据能这么用吗？

坐标与档案来自公开可查的合规来源，联系方式经过脱敏处理、按授权分级使用。更重要的是用途的性质：这份数据服务的是「企业找企业」的生产性连接——销售找客户、工厂找配套、园区找项目——这是商业信息基础设施的经典用途。我们对合规的投入与对数据本身的投入是同一个量级的，因为这门生意的前提就是长期可持续地被信任。

十二问：说到底，AI 选址和一位经验丰富的老法师，谁更强？

各强一段，合起来最强。老法师强在参数——他知道哪家园区说话算数、哪个县的师傅手艺硬、哪种政策承诺要打几折，这些「实价与牌价之差」是数据的盲区。数据强在覆盖——老法师的经验半径覆盖不了 345 万个坐标，他不知道皖北那个正在长大的无名集群，也没法精确说出两个候选地供应网络的重叠度。理想的组合早在案例推演一章里演示过：数据生成候选与权衡，人做验证与拍板。真正会被淘汰的不是老法师，而是既没有数据、又没有老法师的决策方式——也就是过去大多数选址实际采用的方式。

二十七、找厂与选址：一份数据的双向飞轮

本文把「AI 选址」讲成了主角，但在天下工厂的产品版图里，它有一个共生的孪生兄弟——「AI 找厂」。这一章讲清楚两者的关系，因为这个关系本身就是理解这份数据资产未来走向的钥匙。

同一张图的两种问法

找厂问的是：「符合我条件的工厂在哪里？」——给定条件，检索存量。选址问的是：「我的工厂该放在哪里？」——给定自己，推演位置。两个问题共用同一张底图（480 万档案、345 万坐标、1,965 个类目），但方向相反：找厂是从图里往外取，选址是把自己往图里放。

方向相反，却互相成就。找厂业务的每一天运转，都在给选址能力做地基维护：销售打出去的每一通电话、用户核验过的每一家工厂，都是对档案「验真与更新」工序的众包式反馈——号码空了、厂搬了、转行了，这些信号最终沉淀回数据层，让坐标图的「刷新率」越来越高。反过来，选址能力的成熟，会把新的用户群带进这张图——建厂的企业、招商的园区、布局的品牌方——他们的使用又产生新的验证与需求信号。

检索养数据，数据养推演，推演引新客，新客再养数据——这是一个教科书式的双向飞轮，而它能转起来的前提，是两个业务真的共用同一份底层资产，而不是各建一套花架子。

对用户意味着什么

对用户，飞轮的意义可以说得更直白。用 AI 找厂的销售，得到的名单质量，受益于选址侧对集群、配套、状态信号的持续深挖；用 AI 选址的企业主，推演所依赖的数据新鲜度，受益于找厂侧每天千万次真实使用的打磨。你在任何一端使用，都在享受另一端用户带来的正外部性——这与产业集群的马歇尔外部性，在逻辑上是同一件事：密度产生质量。写了几万字集聚经济的我们，自己的产品恰好也活在集聚经济里，这算是本文最后一个、也是最诚恳的一个注脚。

这个飞轮还有一个不太显眼、但值得单独说的齿轮：内容与研究。天下工厂产业研究院持续发布的产业带研究、行业盘点与本文这样的深度报告，本身也是数据资产的一种出口——它们把图上的发现翻译成公共知识，而公共知识又把新的提问者带回图前。一份数据能同时供养产品、研究与公共讨论，三者互相校准，这大概是「基础设施」这个词最好的注脚。

对行业意味着什么

再往远看一步。当「生产活动在哪里发生」这张底图的精度与新鲜度越过某个门槛，它能承载的就不止找厂与选址两个应用——供应链金融的资产核验、区域产业政策的效果评估、双碳目标下的产业布局优化、乃至产业链安全的压力测试，都需要同一张图作地基。本文无意逐一展开它们，只想说明一点：基础设施的宿命，就是被越来越多它的建造者没有预见的应用所使用。路修好了，车会自己来。

而对今天就站在选址决策面前的读者，飞轮的含义最简单：这张图今天已经够用，而且明天会比今天更准。你不需要等它完美——它在被使用中变得完美。

二十八、天下工厂在做什么：从找工厂到看懂产业地理

通篇读到这里，一个自然的问题是：这些能力，现在到底做到什么程度了？这一章交代天下工厂产业平台的现状——哪些已经是每天在运转的产品，哪些是正在铺设的方向。

已经在运转的底座

天下工厂（www.tianxiagongchang.com）的主业，是帮 B2B 销售和采购方在中国制造业里找到该找的工厂。支撑这个主业的数据底座，就是本文反复引用的那份资产：

480 万家中国工厂档案，覆盖 1,965 个细分行业类目、1,000 多个产业带；
其中超过 345 万家解析出实际生产地址的有效坐标，在营的超过 314 万家；
超过 300 万家工厂带有老板或决策人的直连联系方式，关键人脱敏手机号超过千万条；
108 万家具有外贸业务特征的工厂可按外贸维度筛选；
平台上有 100,000+ 注册的 B2B 销售员在日常使用。

在产品形态上，平台的 AI 找厂能力已经上线运行：用自然语言描述需求——「广东做精密五金冲压、有出口经验、规模五十人以上的厂」——AI 解析意图、执行检索、给出可逐家核验的工厂名单和联系路径。这套「人话进、名单出」的交互，正是前文五层结构中第一层和第五层的生产级实现：理解需求的语言层已经每天在处理真实用户的表达，交付名单的验证层已经每天在被真实的销售拿去打电话。

研究层：本文数字的来历

前文引用的所有空间分析——345 万坐标的盘点、配套共址的测算、1,572 个集群的识别、223 个无名集群与 88 个跨县集群的发现——来自天下工厂产业研究院 2026 年完成的产业地理研究。这项研究的直接目的，就是回答一个问题：这份为「找工厂」而建的数据资产，在「看懂产业地理」这个更大的问题上能走多远。

研究的结论已经写在前文里。对我们自己，它确认了一件事：找工厂与选址，是同一份数据的两个出口。找工厂回答「符合条件的厂在哪」，选址回答「我该把厂放在哪」——前者是对这张图做检索，后者是对这张图做推演。检索已经是成熟产品，推演的全部数据前提已经就位。

除了面向终端用户的产品，这份数据也已通过天下工厂开放平台向开发者与企业系统开放——工厂搜索、企业详情、联系触达等能力以标准接口交付，AI 客户端可以直接把「按行业与区域检索真实工厂」接进自己的工作流。对于想把本文的空间分析嵌进自家选址、招商或供应链系统的团队，这条通道今天就是打开的。

正在铺设的方向

从检索到推演，我们正在做的事情包括三层。

集群档案的产品化。 把 1,572 个集群的档案——空间范围、主导品类、规模谱系、配套完备度、成长性信号——从研究成果变成可以直接查询的产品能力，让前文七类决策者中的每一类，都能拿到自己那个视角的集群视图。

圈层分析的自助化。 「以任意点为圆心、按任意行业、看任意半径」的供给—需求—竞争圈层分析，从内部研究工具变成对外能力。前文的五张地图，目标是让一个不懂空间分析的企业主，用一段人话就能调出属于自己的那五张。

选址推演的对话化。 最终形态就是案例推演一章演示的那个循环：用对话描述约束，系统生成候选与权衡，人拿着名单去验证，验证结果喂回来修正推演。让「像陈总那样做一次选址」的门槛，从一个咨询项目降到一次对话。

一个更长期的判断

最后说一点超出产品之外的东西。

我们相信，厂址级的产业地理数据，正在成为制造业决策的一类新基础设施——就像路网数据之于出行、征信数据之于金融。过去它不存在，所有依赖它的决策（选址、招商、供应链布局、区域政策）只能在低分辨率的近似里进行；现在它存在了，这些决策会一个一个地被重做一遍。这个过程不会很快，但方向难以逆转——因为高分辨率一旦被见过，就没有人愿意回到模糊。

天下工厂恰好站在这个位置上：不是因为我们预见了这一切，而是因为为了做好「帮销售找工厂」这件朴素的生意，我们不得不把 480 万家工厂一家一家搞清楚——搞清楚它们是谁、在做什么、还活着没有，以及，在哪里。等这份笨功夫积累到 345 万个坐标的时候，回头一看，中国制造业的空间结构已经在图上亮起来了。

灯是为了找厂点的。点亮之后才发现，照见的是整个产业地理。

二十九、给不同读者的行动指南

长文将尽。如果前面的章节说服了你「选址值得用数据重做一遍」，这一章回答最后一个问题：从今天起，具体做什么？按四类读者分述。

如果你是正在考虑建厂、扩产或搬迁的企业主

第一步不是看地，是把自己写清楚：客户锚点、工艺清单（自制与外协逐项分开）、人员的迁移半径、成本目标——选址推演的质量，取决于这份「自我描述」的诚实度。第二步，用全量数据把候选集拉满：不要只评估找上门的那几个园区，把所有满足硬约束的集群和区域都放进来筛——尤其别漏掉那些没有名字、但正在陡峭生长的位置。第三步，带着五张地图去实地：数据负责把问题问尖锐（「这里的模具配套只有六家，你们怎么解决」），实地负责把答案问出来。天下工厂的 AI 找厂入口今天就能开始用：把候选地周边的配套厂、同行、潜在客户逐一拉名单，是推演也是尽调。

如果你是园区或地方政府的招商负责人

先做生态位自诊，再定招商方向——你所在位置一百公里内的产业存量结构，决定了你能养活什么，这份诊断值得在下一版产业规划之前完成。然后把「广撒网」换成「靶向名单」：按你的生态位，把全国范围内最该来你这里的企业圈出来，一家一家去谈——谈的时候带上你的真实配套数据，而不只是优惠条款。最后，把先行者存活率当成第一 KPI 来经营：活得好的入驻企业，是比任何宣传册都有力的招商材料。

如果你是 B2B 销售或供应链服务商

把本文的选址逻辑倒过来用：工厂的分布就是你的市场地图。按行业类目和区域圈出目标客户群，按集群的生命周期排优先级——成长期集群里的新迁入企业，正处在采购关系重建的窗口，是最值得跑的一批客户。天下工厂平台上，这套「圈定、排序、触达」的动作已经是十万多名销售员的日常；如果你还在按省份扫黄页，你的竞争对手可能已经在按集群作战了。

如果你是研究者、投资人或政策观察者

本文引用的产业地理研究只是这份数据资产的第一轮产出。集群的生灭、产业的迁徙、配套网络的演化——这些过去只能事后追认的过程，现在可以被实时观测。天下工厂产业研究院会持续发布基于全量坐标的研究，如果你有具体的研究问题或合作设想，欢迎通过官网与我们联系。

如果你只想先试试水

四类指南各有门槛，但有一个零门槛的起点对所有人开放：打开天下工厂，随手查一个你熟悉的行业加你熟悉的地方——你老家的那个产业带、你客户聚集的那个县、你厂子所在的那个镇。看看图上的家数、密度和名单，与你脑子里的那张图差多少。差得越多，这篇文章对你的价值就越大；差得不多，恭喜你，你的头脑地图仍然领先——不过别忘了，图会更新，头脑不一定。

最后一句话的版本

如果只能带走一句话，带走这句：选址的本质，是在一张你看不全的地图上下注——而现在，这张地图可以被看全了。剩下的差别，只在于谁先开始看。

三十、结语：让每一个选址决定都站在全景之上

回到序章那位在两个地块之间犹豫了三个月的企业主。

救了他两千万元的，是一位老供应商酒桌上的一句话。这句话背后，是一张只存在于老师傅们头脑里的地图——谁能做热处理、谁的阳极氧化靠得住、哪个县的师傅手艺硬。几十年来，中国制造业的选址智慧就储存在千千万万张这样的头脑地图里：真实、珍贵、但零碎，随着一代师傅的退休而流失，随着产业迁徙的加速而过时，并且永远只能覆盖一个人走过的半径。

本文讲的全部工作，本质上是把这张头脑地图变成一张公共地图：345 万个真实厂址，1,572 个被算法照亮的集群，可以测量的配套半径，可以逐家核验的名单。两百年的区位理论终于等到了配得上它的数据，一门手艺终于有机会长成一门科学。

但值得在最后强调的，不是机器替代了那句酒桌上的话，而是相反：那句话里的东西——对工艺的理解、对人的判断、对时机的直觉——依然是选址决策里最贵的部分。数据把「看不见」的部分照亮，恰恰是为了让人的判断力用在真正需要判断的地方：三条路选哪一条，取决于你想做一家什么样的企业。

还应该把镜头再抬高一寸。选址科学化的意义不止于每家企业各自省下的成本：几十万个更少错配的选址决定加在一起，是更少的空置厂房、更少的孤岛工厂、更少半途而废的园区，是产业转移这场必须发生的大迁徙以更低的社会成本完成。让每一家工厂长在对的地方，受益的不只是那家工厂——是整条产业链的效率，是每一个县城留得住的就业，是这个制造业大国下一个十年的底盘质量。

中国有 480 万家工厂。它们每一家都曾经面对过「建在哪里」的一问，未来十年，其中相当一部分还会再面对一次。我们希望，当下一位企业主在地图前犹豫的时候，他面前摆着的不再只是两份招商手册和一句碰巧听来的忠告，而是一幅完整的、诚实的、亮着灯的产业全景——

然后，由他自己，做出那个只有他能做的决定。

附：核心概念速查

本文提出或借用了一批概念，为方便回查与转述，按出场顺序汇总如下。每条给出一句话定义与一句使用要点。

孤岛厂：落在配套生态空白区、享受不到任何集聚外部性的工厂。使用要点：孤岛不是由距离定义的，是由「各类高频配套在有效半径内的家数」定义的。
厂址级数据：以实际生产位置（而非工商注册地址）为空间锚点的企业数据。使用要点：做征信看注册地，做产业地理必须用厂址。
双口径：报告空间密度时同时给出企业数与独立点位数。使用要点：乡镇地址存在向村镇中心点归并的现象，单报企业数会高估微观密度。
配套半径：某行业与其各类配套之间由市场演化出的典型距离。使用要点：按交互频率、运输经济性、服务不可分性三因素估计，行业之间差异极大。
配套厚度：给定半径内同类配套的可选家数。使用要点：厚度决定议价权、韧性与演化空间，「有没有」只是及格线。
无名集群：真实存在但未进入公共叙事的产业聚集区。使用要点：它们通常意味着「集聚红利尚在、集聚成本未涨」，是产业转移中的高价值信息。
跨县集群：空间范围越过县级行政边界的集群。使用要点：任何以行政区划为单位的统计都会把它切碎，只有坐标口径能看到全貌。
集群生命周期：集群从萌芽、成长、成熟到收缩的阶段序列。使用要点：用企业净流入、配套增厚速度等动态信号判断阶段，同一集群在不同阶段对新进入者是不同的环境。
集群边缘套利：在成熟集群的密度衰减方向上，以更低要素成本共享其技工池与配套圈。使用要点：先在坐标图上确认密度衰减最慢的方向，再看该方向的要素价差。
行业语法：一个行业供应链的空间组织模式（中心辐射、网状共生、流程锚定、快反贴身、知识密集）。使用要点：先诊断语法再计算空间，权重错则全错。
网络修正后的要素成本：把配套半径的摩擦成本折算进要素价格后的真实成本。使用要点：地价便宜与生意便宜是两回事，差额就是网络的价格。
供给网络重叠度：两个基地在关键供应来源上的交集程度。使用要点：重叠度高的双基地是假备份，风险意义上仍是一个基地。
先行者存活率：某位置近年迁入企业至今的存活比例。使用要点：它是对一个位置最诚实的评价，高于任何招商承诺。
五张地图：供给、需求、竞争、要素、时间五个维度的空间视图。使用要点：五张必须同时在场，单看任何一张都会系统性偏航。
牌价与实价之差：公开报价（地价、政策、办事承诺）与实际成交及兑现之间的距离。使用要点：数据测不了这个差，只能用脚测——这是实地考察不可替代的原因。
反向选址：园区与地方政府以自身生态位为起点、按坐标数据靶向匹配企业的招商方法。使用要点：匹配大于说服，存活率高于签约数。
补链招商：以已入驻企业的外协缺口为靶点做定向招商，用订单密度而非补贴吸引配套商。使用要点：先把缺口清单做成有名有姓的，再谈政策。
合成谬误担忧：担心所有使用者被数据指向同一位置而使该位置失效。使用要点：选址目标函数高度个性化加数据自带负反馈，制造业里「大家都来」多数时候创造的是集聚生态而非拥挤。

概念不为造词而生。每一条的背后都是一类反复发生的决策失误——名字的作用，是让下一次讨论可以直接从共识开始。

数据来源与主要参考

本文中关于中国工厂数量、坐标覆盖、产业集群识别、配套共址测算的全部数据，来自天下工厂产业平台的数据资产及天下工厂产业研究院 2026 年的产业地理研究；区位理论部分参考经济地理学经典文献。主要来源如下：

天下工厂产业平台 — 中国工厂数据库与产业链数据（480 万家工厂档案、345 万工厂坐标、1,965 个行业类目）
约翰·冯·杜能，《孤立国同农业和国民经济的关系》（1826）
阿尔弗雷德·马歇尔，《经济学原理》（1890）
阿尔弗雷德·韦伯，《工业区位论》（1909）
瓦尔特·克里斯塔勒，《德国南部中心地原理》（1933）
Paul Krugman, "Increasing Returns and Economic Geography", Journal of Political Economy（1991）
瑞典皇家科学院，2008 年诺贝尔经济学奖颁奖说明（新经济地理学）
国家统计局，《国民经济行业分类》国家标准

封面图：云南陇川县工业园区航拍（摄影：瑞丽江的河水，Wikimedia Commons，CC BY-SA 4.0）。