EN中文

Economic geography >

2025 , Vol. 45 >Issue 9: 110 - 118

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.09.011

Spatial Distribution and Heterogeneity of Influencing Factors for National Key Leading Enterprises in China's Agricultural Industrialization

  • QIN Lingui , 1 ,
  • LIU Songqi 1 ,
  • SHEN Tiyan 2 ,
  • MA Nan , 3, ※
Expand
  • 1 College of Economics and Management， Shenyang Agricultural University， Shenyang 110866，Liaoning， China
  • 2 School of Government， Peking University， Beijing 100871， China
  • 3 School of Economics， South-Central Minzu University， Wuhan 430074，Hubei， China

Received date: 2025-04-02

  Revised date: 2025-08-12

  Online published: 2025-10-17

Fold

Abstract

The article is based on data from 2285 national key leading enterprises in China's agricultural industrialization. It uses kernel density estimation, spatial autocorrelation analysis, optimal parameter geographic detector, and multi-scale geographic weighted regression (MGWR) models to explore the spatial pattern, influencing factors, and spatial heterogeneity of the distribution of national key leading enterprises in China's agricultural industrialization. The results show that: 1) National key leading enterprises in China's agricultural industrialization generally exhibit an "east-heavy, west-light" spatial distribution pattern, with a density that displays a "tripolar, multi-core" characteristic. 2) Natural geographical environment, economic development environment, technological innovation capabilities, transportation location conditions, and policy support all jointly influence the distribution of key national agricultural industrialization enterprises, and there are significant differences in the explanatory power of different influencing factors. 3) The dominant factors influencing the distribution of key national leading enterprises in China's agricultural industrialization exhibit different scale effects. The level of openness to the outside world is a global variable, while labor costs, the number of patent applications, industrial structure, labor force size, and government-business relations are local variables. 4) The distribution of national key leading enterprises in China's agricultural industrialization exhibits spatial heterogeneity in influencing factors. Among these, the Northeast region shows high values for the impacts of industrial structure, labor costs, and labor scale. The influence of openness to the outside world presents an east-west spatial differentiation pattern. The Pearl River Delta urban cluster demonstrates high values for the impact of patent application volume, while western regions exhibit high values for the influence of government-business relations.

Key words： agricultural industrialization; national key leading enterprises; industrial structure; patents; labor force; spatial heterogeneity; multiscale geographically weighted regression model (MGWR)

Cite this article

QIN Lingui , LIU Songqi , SHEN Tiyan , MA Nan . Spatial Distribution and Heterogeneity of Influencing Factors for National Key Leading Enterprises in China's Agricultural Industrialization[J]. Economic geography, 2025 , 45(9) : 110 -118 . DOI: 10.15957/j.cnki.jjdl.2025.09.011

党的十八大报告明确提出，“构建集约化、专业化、组织化、社会化相结合的新型农业经营体系”。党的二十大报告进一步强调，“发展新型农业经营主体和社会化服务，发展农业适度规模经营”。作为新型农业经营体系的核心载体，农业产业化龙头企业在带动农民就业增收、促进小农户与现代农业有机衔接、推进乡村全面振兴等方面具有不可替代的重要作用[1]。在深入实施乡村振兴战略的进程中，以联农带农为主要目标的农业产业化龙头企业大量涌现。截至2024年末，全国县级以上农业产业化龙头企业9.1万家，其中国家重点龙头企业2285家①。在此背景下，探讨中国农业产业化国家重点龙头企业的空间格局，并解析影响因素及其空间异质性，对于优化农业产业化国家重点龙头企业空间布局、统筹推进区域农业现代化协同发展具有重要意义。
目前，关于农业产业化龙头企业的研究主要集中在以下3个方面：①农业产业化龙头企业的发展现状。微观层面，有学者基于农业农村部监测数据，详细论述了农业产业化龙头企业的发展特点及问题[2]。宏观层面，学者们多从全国[3]、地区[2]和省域[4-5]等尺度探究农业产业化龙头企业的发展情况及分布特征。在此基础上，部分学者还利用泰尔指数对农业产业化龙头企业分布的区域差异进行了深入分析[6-7]。②农业产业化龙头企业的作用效果。学者们主要论述了农业产业化龙头企业的经济效应，如对农民收入增长[8]、县域经济发展[9]、农业高质量发展[10]、企业创新[11]及企业出口[12]的影响。此外，还有学者从绿色生产行为的角度考察了农业产业化龙头企业的生态环境效应[13]。③农业产业化龙头企业的影响因素。这些影响因素主要包括产业基础、市场规模、对外开放程度、人力资本和财政支持等社会经济因素[4,6]。随着电子商务的发展，也有学者关注了农产品电商对农业产业化龙头企业的影响[14]。综上，已有研究虽为本文提供了丰富的借鉴，但仍有待进一步深入。一方面，鲜有文献关注中国农业产业化国家重点龙头企业分布影响因素的空间异质性及其尺度效应；另一方面，上述文献多局限于省域尺度或单一地区，少有聚焦全国市域尺度下的研究。
鉴于此，本文基于中国2285家农业产业化国家重点龙头企业数据，借助ArcGIS 10.8、R语言和MGWR 2.2软件，运用核密度估计、空间自相关分析、最优参数地理探测器和MGWR模型，解析中国农业产业化国家重点龙头企业分布影响因素的空间分异特征；识别影响农业产业化国家重点龙头企业分布的主导因素；揭示农业产业化国家重点龙头企业分布影响因素的尺度效应与空间异质性，以期为推动不同区域农业产业化国家重点龙头企业高质量发展提供理论支撑和实践依据。

1 研究设计

1.1 研究区域与数据来源

本文研究区域涵盖中国31个省（自治区、直辖市）、337个地级及以上行政区（文中简称“地市”），由于数据缺失严重，未包含港澳台地区。此外，考虑到数据的可获得性和完整性，在探究中国农业产业化国家重点龙头企业分布影响因素时，选取272个地级及以上城市（文中简称“城市”）作为实际研究样本。本文的数据来源包含以下两个部分：
①农业产业化国家重点龙头企业数据。根据《农业产业化国家重点龙头企业认定和运行监测管理办法》规定，农业产业化国家重点龙头企业每两年进行一次监测评估，故2023年的农业产业化国家重点龙头企业为2022—2023年认定和监测合格、递补的农业产业化国家重点龙头企业②。基于2024年5月农业农村部公布的农业产业化国家重点龙头企业名单（http://www.xqj.moa.gov.cn/nycyh/202305/t20230518_6427885.htm），对其进行人工识别，共获得2285家农业产业化国家重点龙头企业。同时，以农业产业化国家重点龙头企业名单（截至2024年5月）为基础，应用企查查企业信息查询系统（https://www.qcc.com/）进行数据匹配，获取企业注册地址，并对各城市的企业数据进行统计，最终得到2023年中国市域层面的农业产业化国家重点龙头企业数据。
②城市统计数据。有关城市数据来源于Global Surface Summary of the Day （GSOD） （https://www.ncei.noaa.gov/access）、ASTER Global Digital Elevation Model V003 （https://search.earthdata.nasa.gov）、《中国城市统计年鉴》（https://data.cnki.net/）、国家知识产权局（https://www.cnipa.gov.cn）、全国基础地理数据库（https://www.webmap.cn/）和《中国城市政商关系评价报告》（http://www.niehuihua.com/a/chuban/771.html）。针对个别缺失数据采用线性插值法进行填补。

1.2 变量选取

本文根据经济地理学中的区位理论，在借鉴已有研究[7,15-17]的基础上，从自然地理环境、经济发展环境、技术创新能力、交通区位条件和政策支持力度5个维度系统梳理了可能影响农业产业化国家重点龙头企业分布的13个变量（表1）。
表1 变量定义及说明

Tab.1 Definition and explanation of variables

变量类型 变量名称 变量描述 数据来源
因变量 龙头企业数量 农业产业化国家重点龙头企业数量（家） 农业农村部、企查查
自变量 自然地理环境 气温 平均气温（℃） Global Surface Summary of the Day （GSOD）
降水 年降水量（mm） Global Surface Summary of the Day （GSOD）
坡度 平均坡度（°） ASTER Global Digital Elevation Model V003
高程 平均高程（m） ASTER Global Digital Elevation Model V003
经济发展环境 产业结构 第一产业产值/GDP（%） 《中国城市统计年鉴（2023）》
对外开放水平 实际利用外商直接投资额/GDP（%） 《中国城市统计年鉴（2023）》
劳动力成本 在岗职工平均工资（元） 《中国城市统计年鉴（2023）》
劳动力规模 第一产业从业人员数（万人） 《中国城市统计年鉴（2023）》
技术创新能力 专利申请数量 专利申请数量（件） 国家知识产权局
交通区位条件 公路密度 公路里程/行政区面积（km/km2） 《中国城市统计年鉴（2023）》
距省会城市距离 距离最近省会城市的距离（km） 全国基础地理数据库
政策支持力度 政商关系 政商关系健康指数（-） 《中国城市政商关系评价报告（2023）》
地方财政支出 一般公共预算支出/GDP（%） 《中国城市统计年鉴（2023）》
①自然地理环境。自然地理环境是农业产业化国家重点龙头企业布局的基础性约束，能够直接影响龙头企业的资源可利用性和生产效率。本文选取气温、降水、坡度和高程作为自然地理条件的衡量指标。其中，气温反映区域光热资源禀赋，影响龙头企业的种植周期与品种选择；降水表征区域水分供给总量与季节分配特征，关乎龙头企业水资源保障成本与生产稳定性；坡度表征地形起伏程度，坡度较小区域机械化作业成本低，更适合龙头企业集聚；高程反映区域海拔特征，低海拔地区通常气候适宜、耕地连片，更有利于龙头企业规模化生产。
②经济发展环境。经济发展环境决定了区域市场潜力和资源配置效率，是农业产业化国家重点龙头企业区位选择的核心考量[15]。本文选取产业结构、对外开放水平、劳动力成本和劳动力规模作为经济发展环境的衡量指标。其中，产业结构反映农业产业基础，第一产业占比高的地区更易形成紧密的产业链配套，降低龙头企业原料采购成本；对外开放水平表征区域经济外向度，直接影响龙头企业市场辐射范围、技术引进渠道与国际贸易合作；劳动力成本体现区域要素价格水平，是影响龙头企业生产成本和产品市场竞争力的关键因素；劳动力规模反映区域人力资源总量，充足且结构合理的劳动力供给为龙头企业稳定生产与规模扩张提供重要支撑。
③技术创新能力。技术创新能力是驱动农业产业化国家重点龙头企业转型升级与可持续发展的关键因素[16]。本文选取专利申请数量作为技术创新能力的衡量指标。专利申请数量表征技术创新成果的产出强度与知识产权转化潜力，专利资源丰富地区的龙头企业更易获取前沿技术，降低研发风险并加速技术应用迭代，从而强化其核心竞争力。
④交通区位条件。交通区位条件是农业产业化国家重点龙头企业降低物流成本、拓展市场辐射范围的重要保障[17]。本文选取公路密度和距省会城市距离作为交通区位条件的衡量指标。其中，公路密度表征区域路网基础设施完善程度，高公路密度区域的龙头企业能够显著压缩农产品运输时间与物流成本，促进产品高效流通与跨区域市场对接；距省会城市距离则反映区域与核心经济枢纽的空间可达性，距离省会城市较近的龙头企业更易获取省会城市庞大的消费市场、先进的物流枢纽服务以及政策、信息、技术等高端要素资源[18]，从而优化供应链布局并提升市场响应速度。
⑤政策支持力度。政策支持力度通过财政资源分配、行政引导与制度保障，直接塑造农业产业化国家重点龙头企业的生存环境与发展空间[7]。本文选取政商关系和地方财政支出作为政策支持力度的衡量指标。其中，政商关系表征地方政府服务效能与制度环境亲商度，良好的政商关系能够降低龙头企业制度性交易成本；地方财政支出反映地方政府对产业发展的直接投入能力与资源调配倾向，地方财政支出较高的地区通常能够为龙头企业提供更充足的补贴、信贷担保、基础设施和公共服务，从而有效降低其经营成本。

1.3 研究方法

1.3.1 核密度估计

核密度估计法（KDE）是一种非参数的概率密度函数估计方法，能够刻画研究对象的空间密度特征和分布趋势[19]。本文采用核密度估计法对农业产业化国家重点龙头企业的空间布局进行分析。

1.3.2 空间自相关分析

空间自相关分析是一种用于度量地理位置上变量之间相互依赖程度的统计方法，分为全局空间自相关和局部空间自相关两种分析方法[20]。本文选择全局莫兰指数（Global Moran's I）检验全局尺度下的农业产业化国家重点龙头企业数量的空间自相关性，选择局部莫兰指数（Local Moran's I）检验局域尺度下的农业产业化国家重点龙头企业数量的空间自相关性。

1.3.3 最优参数地理探测器

最优参数地理探测器可以通过探索空间数据离散方法和空间数据分区数量的最佳组合，更精确地探测空间分异性，并揭示其背后的驱动机制[21]。因此，本文利用最优参数地理探测器来识别驱动农业产业化国家重点龙头企业分布的主导因素。

1.3.4 多尺度地理加权回归

多尺度地理加权回归（MGWR）模型是传统地理加权回归（GWR）模型的改进版本，通过引入变量间差异化的空间带宽机制，显著提升了模型对空间异质性的解释能力[22]。因此，本文运用MGWR模型来探究影响因素作用农业产业化国家重点龙头企业分布的空间异质性。

2 农业产业化国家重点龙头企业的空间分布格局

①中国农业产业化国家重点龙头企业总体呈现“东多西少”的空间分布格局，密度空间表现出“三极多核”的特征（图1a）。具体而言，北京、上海和重庆3个城市的龙头企业核密度峰值最高，辐射带动京津冀、长三角和成渝地区等集聚连片分布，“核心—外围”结构特征明显；广东、湖南、湖北、河南和山东等省份的省会城市或发达城市的龙头企业核密度峰值次高，并向周边延伸递减，形成多核斑块状。由此可见，中国农业产业化国家重点龙头企业地理分布具有明显的非均衡性和集聚性，更倾向于在政策支持有力、产业基础雄厚、资源禀赋优越的区域中心城市集聚，形成“三极多核”的集聚特征。其中，“三极”为以北京为中心的京津冀城市群、以上海为中心的长三角城市群和以重庆为中心的成渝城市群3个极点区，“多核”指以广州和深圳为中心的珠三角城市群、以长沙和武汉为中心的长江中游城市群、以郑州为中心的中原城市群和以济南为中心的山东半岛城市群等多个核心区。
图1 中国农业产业化国家重点龙头企业的核密度和LISA聚类图

注：基于自然资源部标准地图服务网站下载的审图号为GS（2020）4630号的标准地图制作，底图边界无修改。图2同。

Fig.1 Kernel density and LISA clustering of national key leading enterprises in China's agricultural industrialization

②中国农业产业化国家重点龙头企业呈现出显著的空间正相关性。本文对337个地市农业产业化国家重点龙头企业数量进行空间自相关分析。结果显示，全局莫兰指数为0.096，标准化检验Z（I）值为4.083，P值小于0.01，表明中国农业产业化国家重点龙头企业数量的空间分布呈现出显著的正相关性，集聚特征明显。同时，对龙头企业进行局部空间自相关分析，并绘制LISA集聚图（图1b）。结果显示，通过显著性检验的地市共有73个，占比约为21.66%。其中，“高—高”集聚类型地市有19个，占总数约为5.64%，主要分布在哈长城市群西北部、京津冀城市群和山东半岛城市群内部；“低—低”集聚类型城市有33个，占比约为9.79%，主要包括新疆北部和西南部、甘肃西部、青海西部以及海南等地；“高—低”和“低—高”集聚类型地市数量较少，集中分布于“高—高”和“低—低”集聚区附近，呈现零星的点状分布。

3 农业产业化国家重点龙头企业空间分布的影响因素分析

3.1 基于最优参数地理探测器的主导影响因素识别

自变量离散方式和分类区间的选择会显著影响其探测到的空间分异解释力q值[23]。为更加精确地识别影响农业产业化国家重点龙头企业分布的主导因素，本文借助R语言中的GD包，运用相等间隔、自然断点、分位数、几何间隔和标准差5种离散方法，分析比较3~10类分类区间，最终筛选出q值最大时的离散分类区间组合作为地理探测器分析的最优参数。由表2可知，自然地理环境、经济发展环境、技术创新能力、交通区位条件和政策支持力度均会对龙头企业分布产生显著影响，但不同变量对其空间分布的解释力存在明显差异。具体而言，专利申请数量、政商关系、劳动力成本、产业结构、对外开放水平和劳动力规模对龙头企业分布的影响较大，q值均大于0.1，可视为主导因素。
表2 中国农业产业化国家重点龙头企业分布影响因素的地理探测结果

Tab.2 Geographical detection results of factors influencing the distribution of national key leading enterprises in China's agricultural industrialization

变量 q值 P值 排名
气温 0.049 0.182 13
降水 0.055 0.084 11
坡度 0.073 0.029 10
高程 0.050 0.329 12
产业结构 0.166 0.002 4
对外开放水平 0.130 0.057 5
劳动力成本 0.293 0.000 3
劳动力规模 0.109 0.001 6
专利申请数量 0.410 0.000 1
公路密度 0.095 0.005 7
距省会城市距离 0.091 0.107 9
政商关系 0.315 0.000 2
地方财政支出 0.093 0.005 8

3.2 基于MGWR模型的影响因素空间分异

前文通过最优参数地理探测器对农业产业化国家重点龙头企业分布的影响因素进行了全局性分析，同时提取了主导因素，但并不能揭示主导因素的尺度效应和空间异质性。因此，需进一步采用MGWR模型对主导因素进行分析。

3.2.1 模型对比分析

首先，为解决由反向因果而导致的内生性和异方差问题，模型中的自变量为因变量滞后一期的变量[24]，并对变量进行标准化处理，使用稳健标准误进行估计。其次，为避免自变量冗余引起的多重共线性问题，本文先运用普通最小二乘回归（OLS）对影响农业产业化国家重点龙头企业分布的6个主要自变量进行检验，结果显示所有自变量的VIF值均小于5，表明自变量之间不存在严重的多重共线性问题。最后，在OLS模型的基础上，构建GWR和MGWR模型进行回归分析，以选取最优模型识别农业产业化国家重点龙头企业分布影响因素的空间分异特征。表3报告了OLS、GWR、MGWR模型回归结果的对比情况。从中发现，MGWR模型的R2和Adj.R2分别为0.786和0.741，明显高于OLS和GWR模型，且残差平方和与AICc值最低，Log-L值最大，表明MGWR模型的拟合效果最好，能够更好地解释龙头企业分布影响因素的局部变化。因此，本文选择MGWR模型来探究中国农业产业化国家重点龙头企业分布影响因素的空间异质性。
表3 OLS、GWR、MGWR模型回归结果对比

Tab.3 Comparison of regression results of OLS, GWR, and MGWR models

模型 OLS GWR MGWR
R2 0.355 0.784 0.786
Adj. R2 0.340 0.719 0.741
残差平方和 175.480 58.722 58.139
AICc 669.239 521.517 469.497
Log-L -326.346 -177.465 -176.109

3.2.2 影响因素的尺度效应分析

本文将带宽单位定义为城市数量，表明不同影响因素对农业产业化国家重点龙头企业分布的作用尺度。根据带宽占全局样本比例（BWR），将影响因素的作用尺度划分为全局尺度（BWR>50%）和局部尺度（BWR≤50%）两个层级，使用GWR与MGWR模型计算并展示带宽结果的对比情况。从中看出，GWR模型计算出各影响因素具有相同的作用尺度，其带宽均为65个城市，BWR值均为23.90%，而MGWR模型各影响因素的作用尺度具有显著差异，其带宽范围为43~271个城市，BWR值介于15.81%~99.63%。影响因素作用尺度（带宽）由大到小依次为对外开放水平（271）>劳动力成本（130）>专利申请数量（76）>产业结构（58）>劳动力规模（44）>政商关系（43）。其中，对外开放水平的BWR值在99%以上，为全局变量。劳动力成本、专利申请数量、产业结构、劳动力规模和政商关系的BWR值则小于50%，为局部变量。

3.2.3 影响因素的空间异质性分析

为进一步揭示农业产业化国家重点龙头企业分布影响因素的空间分异特征，本文按照自然断点法将各影响因素的作用区划分为5个等级（负值区域断开处理），并将其进行可视化（图2）。此外，根据t检验结果将各影响因素回归系数不显著的城市用灰色显示，表明所分析影响因素在该城市的解释力较弱[25]。
图2 中国农业产业化国家重点龙头企业分布影响因素的空间分异格局

Fig.2 Spatial differentiation patterns of influencing factors of distribution of national key leading enterprises in China's agricultural industrialization

①产业结构的回归带宽为58，其回归系数在52.94%的城市显著，取值范围为-0.274~0.840，均值为0.298，标准差为0.308（表4），表明产业结构对农业产业化国家重点龙头企业分布呈局部双向作用且在空间上存在明显差异。产业结构对龙头企业空间分布的正向影响以东北地区为核心向外逐渐减弱，并在珠三角和北部湾城市群产生负向影响（图2a），说明东部地区第一产业占比的提升对龙头企业分布的驱动作用要强于珠三角和北部湾城市群。可能的原因为，东北地区作为全国重要的商品粮生产基地，第一产业基础雄厚，农业集中度高，能够为龙头企业提供稳定的原料供应，从而形成正向带动效应。相反，珠三角城市群已进入工业化后期[26]，土地成本攀升迫使传统农业用地大规模转向高收益产业[27]，农业用地破碎化严重，难以支撑龙头企业对规模化原料基地的需求；而北部湾城市群则长期依赖热带作物原料出口，传统农业产业链条短，农产品附加值低[28]，制约了龙头企业的集聚与发展空间。
表4 MGWR模型回归系数描述性统计结果

Tab.4 Descriptive statistics of MGWR model regression coefficients

变量 显著的样本量（比例/%） 均值 标准差 最小值 中位数 最大值
产业结构 144（52.94） 0.298 0.308 -0.274 0.268 0.840
对外开放水平 272（100.00） 0.100 0.006 0.084 0.101 0.108
劳动力成本 50（18.38） 0.126 0.028 0.087 0.118 0.181
劳动力规模 101（37.13） 0.116 0.405 -0.450 0.295 0.660
专利申请数量 131（48.16） 0.080 0.678 -0.970 0.305 1.005
政商关系 248（91.18） 1.154 0.856 0.155 0.947 3.483
②对外开放水平的回归带宽为271，其回归系数在100%的城市显著为正，取值范围为0.084~0.108，均值为0.100，标准差为0.006（表4），表明对外开放水平对农业产业化国家重点龙头企业分布呈全局正向作用且在空间上无显著差异。对外开放水平对龙头企业空间分布的正向影响展现出“由西向东”阶梯式递减的空间分异格局（图2b），说明西部地区对外开放水平的提高对龙头企业分布的驱动作用要强于东部地区。主要原因是，西部地区开放程度相对较低[29]，其对外开放水平的提升能够显著改善国际物流条件、引入先进生产标准，助力特色农产品进入海外市场，从而大幅降低龙头企业跨境经营成本，吸引企业布局生产加工环节。与西部地区相比，东部地区已处于开放先导地位，当地外资更加偏好集中在高新技术和现代服务业①，因此对外开放水平的提高对龙头企业分布的驱动作用不及西部地区明显。
③劳动力成本的回归带宽为130，其回归系数在18.38%的城市显著为正，取值范围为0.087~0.181，均值为0.126，标准差为0.028（表4），表明劳动力成本对农业产业化国家重点龙头企业分布呈局部正向作用且在空间上存在明显差异。劳动力成本对龙头企业分布的正向影响呈现出以东北地区为影响高值区的空间分异格局（图2c），说明东北地区劳动力成本的提高对龙头企业分布的驱动作用要强于周边地区。已有研究表明，劳动力成本的提高有助于降低员工流动率[30]，强化其劳动力技能水平[31]，从而进一步提高劳动力质量。东北地区农业产业基础深厚，拥有广阔的耕地资源和适宜的农业机械耕作条件，其规模化、机械化的农业生产模式对劳动力的“质量需求”显著高于“数量需求”，因此劳动力成本对龙头企业分布的正向影响在东北地区呈高值集聚。
④劳动力规模的回归带宽为44，其回归系数在37.13%的城市显著，取值范围为-0.450~0.660，均值为0.116，标准差为0.405（表4），表明劳动力规模对农业产业化国家重点龙头企业分布呈局部双向作用且在空间上存在明显差异。劳动力规模对龙头企业分布的正向影响主要集中在东北地区，但在关中平原和中原城市群产生负向影响（图2d），说明东北地区劳动力规模的提高对龙头企业分布的驱动作用要强于关中平原和中原城市群。可能原因是，东北地区人均耕地资源丰富且机械化程度高，劳动力规模扩大可有效补充龙头企业在农机操作、仓储管理等环节的基础人力需求，有利于降低企业运营成本，形成正向影响。相反，关中平原和中原城市群人均耕地面积不足，低于全国平均水平[32]，劳动力规模增加进一步加剧了人地矛盾，导致剩余劳动力结构与龙头企业规模化、专业化生产需求错配，从而产生抑制作用。
⑤专利申请数量的回归带宽为76，其回归系数在48.16%的城市显著，取值范围为-0.970~1.005，均值为0.080，标准差为0.678（表4），表明专利申请数量对农业产业化国家重点龙头企业分布呈局部双向作用且在空间上存在明显差异。专利申请数量对龙头企业分布的正向影响以珠三角城市群为核心向外逐渐减弱，并在西部地区产生负向影响（图2e），说明珠三角城市群专利申请数量的增长对龙头企业分布的驱动作用要强于西部地区。可能的原因是，珠三角城市群依托大量高校、科研机构及高新技术企业，形成了成熟的产业链协作网络，能够高效地将农业相关专利技术转化为高附加值产品，从而驱动龙头企业集聚[33]。然而，西部地区受制于创新基础薄弱、转化机制不健全及人才流失等因素，专利转化综合效率较低[34]，难以有效支撑龙头企业的发展，因而呈现负向影响。
⑥政商关系的回归带宽为43，其回归系数在91.18%的城市显著为正，取值范围为0.155~3.483，均值为1.154，标准差为0.856，表明政商关系对农业产业化国家重点龙头企业分布呈局部正向作用且在空间上存在明显差异（表4）。政商关系对龙头企业分布的正向影响以西部地区为核心向外逐渐减弱（图2f），说明西部地区政商关系的提升对龙头企业分布的驱动作用要强于周边地区。可能的解释是，西部地区市场化进程相对滞后[35]，龙头企业更倾向于通过政商纽带获取土地、融资及补贴等关键资源。相较于西部地区，东部地区市场化程度较高，资源分配主要通过市场机制高效完成，龙头企业对政策的直接依赖度较低，政策红利在充分竞争环境中边际效应下降，因此政商关系的驱动作用相对较弱。

4 结论、建议与讨论

4.1 结论

本文基于2285家中国农业产业化国家重点龙头企业数据，运用核密度估计和空间自相关分析揭示农业产业化国家重点龙头企业的空间分布格局，利用最优参数地理探测器和MGWR模型对农业产业化国家重点龙头企业分布影响因素及其空间异质性进行了深入分析。主要研究结论如下：
①中国农业产业化国家重点龙头企业总体呈现“东多西少”的空间分布格局，密度空间展现出“三极多核”的特征。农业产业化龙头企业主要集聚在北京、上海和重庆3个极化中心以及周边的城市圈。空间自相关分析结果显示，农业产业化国家重点龙头企业分布呈现显著的空间正相关性，且以“高—高”和“低—低”集聚为主。
②自然地理环境、经济发展环境、技术创新能力、交通区位条件和政策支持力度共同作用于农业产业化国家重点龙头企业分布，且不同影响因素的解释力存在显著差异。其中，专利申请数量、政商关系、劳动力成本、产业结构、对外开放水平和劳动力规模是驱动农业产业化国家重点龙头企业分布的主导因素。
③影响中国农业产业化国家重点龙头企业分布的主导因素存在不同的尺度效应。具体而言，主导因素按作用尺度（带宽）由大到小排行，依次为对外开放水平、劳动力成本、专利申请数量、产业结构、劳动力规模、政商关系。其中，对外开放水平为全局变量，劳动力成本、专利申请数量、产业结构、劳动力规模和政商关系为局部变量。
④中国农业产业化国家重点龙头企业分布影响因素存在空间异质性。其中，产业结构、劳动力成本和劳动力规模对农业产业化国家重点龙头企业分布的影响高值区为东北地区；对外开放水平的影响呈现“东—西”向空间分异格局；专利申请数量的影响高值区为珠三角城市群；政商关系的影响高值区为西部地区。

4.2 建议

根据上述结论，本文对促进中国农业产业化国家重点龙头企业高质量发展具有如下政策启示：①因地制宜推动农业产业化国家重点龙头企业发展。中国农业产业化龙头企业的空间分布具有显著的非均衡性和集聚性特征，不同地区产业基础、资源禀赋各不相同，各地区应充分发挥地方优势，制定符合本地实际需求的农业产业化龙头企业发展策略。②加强对农业产业化龙头企业的政策支持力度。本文发现，农业产业化龙头企业更倾向于在区域中心城市集聚，这与当地政府的政策支持密不可分。因此，要着力提升对农业产业化龙头企业的政策支持力度，尤其是在标准化生产基地建设、区域品牌培育和农业技术创新等方面给予重点支持。③充分考虑农业产业化国家重点龙头企业影响因素的空间异质性。劳动力成本、专利申请数量、产业结构、劳动力规模和政商关系等因素对农业产业化国家重点龙头企业分布的影响具有显著的空间异质性，因此，应考虑上述因素对不同区域影响的差异，构建适合不同区域的差别化农业产业化国家重点龙头企业政策支持体系。

4.3 讨论

本文通过对中国市域尺度上农业产业化国家重点龙头企业分布空间格局及影响因素的研究，将研究视角从关注影响因素的全局作用转移至局部作用，本文的发现呼应了已有研究的结论，揭示了农业产业化国家重点龙头企业空间分布的集聚特征及其多元驱动因素[4-5,7,15]。与以往文献不同的是，本文通过解析影响因素的空间异质性，深化了对农业产业化国家重点龙头企业空间分异内在机理的理解，为相关政策的制定提供了详实的依据。同时，本文仍存在一些不足之处：①本文所使用的数据为截面数据，未来研究可基于面板数据，利用多尺度时空地理加权回归（MGTWR）模型进行分析，以考察影响因素的动态效应。②囿于数据的可得性，本文的研究尺度仅局限于市域层面，未来研究可从县域层面进一步深入讨论农业产业化国家重点龙头企业分布影响因素的空间异质性。③考虑到农业产业化国家重点龙头企业分布是多因素综合驱动的结果，本文仅探讨各因素作用于农业产业化国家重点龙头企业分布的单独效应，未来研究可进一步考虑多因素的交互效应。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
万江红, 李城. 农业产业化龙头企业层级化联结产业组织模式研究——以鄂西N公司为例[J]. 武汉大学学报(哲学社会科学版), 2025, 78(2):96-109.

[2]
张延龙, 王明哲, 钱静斐, 等. 中国农业产业化龙头企业发展特点、问题及发展思路[J]. 农业经济问题, 2021(8):135-144.

[3]
黄连贵, 张照新, 张涛. 我国农业产业化发展现状、成效及未来发展思路[J]. 经济研究参考, 2008(31):23-33.

[4]
蒋辉, 刘兆阳. 中国农业产业化龙头企业空间分布特征及其影响因素[J]. 吉首大学学报(社会科学版), 2020, 41(6):94-101.

[5]
Wang T, Ma Y, Luo S. Spatial pattern and influencing factors of agricultural leading enterprises in Heilongjiang Province,China[J]. Agriculture, 2023, 13(11):2061.

[6]
李扬, 盛科荣, 卢超. 农业产业化发展的区域差异及影响因素[J]. 江苏农业学报, 2021, 37(3):763-771.

[7]
杨明洪, 孙继琼. 农业产业化发展的空间分布与影响因素分析——以农业产业化国家重点龙头企业为例[J]. 财经科学, 2008(7):103-110.

[8]
刘宇鹏, 李彤, 赵慧峰. 农业产业化促进农民收入增长的影响因素分析——基于河北省坝上地区的实地调查[J]. 江苏农业科学, 2012, 40(3):375-378.

[9]
乔晗, 刘奥龙, 邱珂欣. 农业产业集聚与县域经济增长——来自河南现代农业产业园设立准自然实验的证据[J]. 商业经济与管理, 2023(11):87-100.

[10]
朱伟永, 明辉, 王冲. 龙头企业、专利投入与农业产业高质量发展研究[J]. 中国农业资源与区划, 2021, 42(5):22-31.

[11]
薛洲, 高强. 农业产业化国家重点龙头企业认定政策能促进企业创新吗[J]. 农业技术经济, 2024(10):125-144.

[12]
周科选, 余林徽. 农业龙头企业认定对中国食品制造企业出口的影响——来自农业产业化国家重点龙头企业的证据[J]. 兰州学刊, 2022(3):131-148.

[13]
张笑寒, 汤晓倩. 农业产业化联合体参与主体的绿色生产行为研究——基于政府激励视角[J]. 农林经济管理学报, 2021, 20(2):187-198.

[14]
谢金丽, 胡冰川. 农产品电商对农业产业化龙头企业的影响分析——基于倾向值匹配法(PSM)估计[J]. 农村经济, 2020(5):129-136.

[15]
熊友云, 张明军, 刘园园, 等. 中国农业产业化龙头企业空间分布特征——以国家级重点龙头企业为例[J]. 地理科学进展, 2009, 28(6):991-997.

[16]
张国防, 程秀娟, 熊肖雷. 我国农业龙头企业发展:基本态势、现实困境及路径选择[J]. 农业经济, 2024(5):7-10.

[17]
李雨欣, 张平宇, 杨奇峰, 等. 中俄边境地区外贸企业资本分布的影响因素及尺度效应[J]. 经济地理, 2024, 44(2):102-111.

[18]
卢盛峰, 王靖, 陈思霞. 行政中心的经济收益——来自中国政府驻地迁移的证据[J]. 中国工业经济, 2019(11):24-41.

[19]
于英杰, 杜德斌, 段德忠. 中国科技型企业的空间分布及影响因素[J]. 地理科学, 2025, 45(3):518-530.

[20]
张国俊, 王运喆, 陈宇, 等. 中国城市群高质量发展的时空特征及分异机理[J]. 地理研究, 2022, 41(8):2109-2124.

[21]
冉钊, 刘彦随, 高建华. 黄河中下游地区人水关系多尺度演化及其影响因素[J]. 资源科学, 2025, 47(3):572-586.

[22]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制——基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3):75-83.

[23]
牛彦龙, 王毅. 基于MGWR模型的太行山区传统村落空间分异格局与影响机制研究[J]. 干旱区资源与环境, 2024, 38(9):87-96.

[24]
古恒宇, 沈体雁. 中国高学历人才的空间演化特征及驱动因素[J]. 地理学报, 2021, 76(2):326-340.

[25]
Fotheringham A S, Yang W, Kang W. Multiscale Geographically Weighted Regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6):1247-1265.

[26]
张国俊, 邓鸿鹄. 珠江三角洲地区服务业与城镇化协调关系的时空演变[J]. 地理科学, 2018, 38(7):1118-1128.

[27]
叶长盛, 王枫. 珠江三角洲地区土地利用和景观格局变化研究[J]. 水土保持通报, 2012, 32(1):238-243.

[28]
沈静, 陈烈, 孙海燕. 全球化背景下的湛江市域发展战略研究[J]. 经济地理, 2004, 24(4):494-498.

[29]
张磊, 张曙霄. 中国对外贸易地理空间结构发展现状及重构研究[J]. 求是学刊, 2019, 46(5):72-80.

[30]
Riley R, Bondibene C R. Raising the standard: Minimum wages and firm productivity[J]. Labour Economics, 2017(44):27-50.

[31]
王雷. 劳动力成本、就业保护与企业技术创新[J]. 中国人口科学, 2017(1):71-80.

[32]
张星星, 曾辉. 基于多尺度主成分面板模型的中国耕地压力动态变化及驱动力分析[J]. 中国人口·资源与环境, 2014, 24(S3):204-208.

[33]
肖凡, 王姣娥, 黄宇金, 等. 中国高新技术企业分布影响因素的空间异质性与尺度效应[J]. 地理研究, 2022, 41(5):1338-1351.

[34]
张杨, 宋林, 朱小宝. 两阶段视角下中国区域专利结构效率研究[J]. 情报杂志, 2020, 39(1):201-207.

[35]
许岩, 曾国平, 曹跃群. 市场化改革对人力资本外部性的影响研究[J]. 重庆大学学报(社会科学版), 2017, 23(5):18-29.

Options
Outlines

/

〈 〉