农业工业园区是否会产生空间溢出效应？来自中国西部粮食生产省份的证据

《Sustainable Futures》：Do agricultural industrial parks generate spatial spillovers? Evidence from China’s western grain-producing provinces

　　范志鹏|何伟|冯麒麟|王新梅|王泽妮|四川师范大学，成都610066，中国

摘要

在全球可持续发展和农业现代化推动下，农业工业园区（AIP）作为一种提高农业生产力的重要机制应运而生。它们还为国家粮食安全和区域经济发展做出了贡献。本研究调查了2019年至2023年间中国西部主要粮食生产区四川省现代农业工业园区的时空演变、关键影响因素及其空间效应。研究结果显示，在研究期间，工业园区的数量从35个增加到274个。不平等指数为0.1766，表明空间平等趋势有所增强。人类因素（如农业经济发展，Q = 0.3249）解释了超过20%的变异，而河流网络密度与农业经济发展之间的非线性交互作用Q值为0.6625，这表明自然因素通过与人类因素的相互作用产生影响。农业产业集聚表现出较弱的局部驱动效应（直接效应系数为0.061），但对相邻地区具有显著的辐射效应（间接效应系数为6.578，通过了1%的显著性检验）。这些结果为优化农业工业园区布局和加强区域协调发展提供了科学依据。

1. 引言

在全球可持续发展目标（SDGs）的推动下，农业工业园区（AIP）逐渐成为促进农业现代化和可持续转型的重要实践途径。其发展在某种程度上借鉴了生态工业园区（EIP）在资源回收和产业协同方面的经验[1]。AIP整合了包括生产、加工、分配和研究在内的各种农业活动，旨在提高农业部门的生产力、资源利用效率和环境可持续性。从可持续发展的角度来看，农业系统的转型不仅依赖于局部效率的提高，还依赖于要素配置的优化和区域尺度的发展效应扩散。因此，AIP不仅仅是一种产业组织形式，还可以被视为重构农业空间系统的制度工具。通过空间集聚和功能整合，它们重新配置了跨地区的资源、技术和产业布局，并在可持续基础设施的支持下，促进了社会、经济和生态系统的协调发展。

现有关于AIP发展效应和运作机制的研究大致可以分为两类。第一类研究侧重于绩效评估和发展成果，这些研究从环境保护[2]、资源密集利用[3]和产业链整合[4]等角度评估AIP的综合效益，并采用各种计量经济学方法验证其对农业生产力和区域经济发展的贡献[5,6]。然而，大多数这类研究采用“局部绩效”或“单一园区”的视角。虽然确认了AIP在资源利用和产业整合方面的积极作用，但一个更关键的问题尚未得到充分探讨：AIP如何利用空间组织机制在区域尺度上实现可持续发展。先前的研究强调，农业转型本质上是一个涉及资源分配、技术扩散和制度协调的系统过程[7]，这依赖于区域间的联系和共同演化，而不仅仅是单个地区的孤立效率提升[8]。因此，仅关注园区内部绩效不足以解释AIP对可持续发展的更广泛影响。第二类研究开始探讨AIP的空间分布模式和区域差异，突显了它们在区域间的显著空间不均衡性。相关研究表明，可持续发展过程往往表现出显著的空间不平等和路径依赖性[9]，其实现不仅取决于资源禀赋，还取决于要素在区域间的流动和扩散机制[10]。然而，现有研究往往将空间不平等视为描述性结果，而没有将其纳入可持续发展的综合理论框架中。空间分布不仅反映了资源分配的状态，还重塑了要素流动的路径，从而影响可持续发展的区域扩散。先前的研究表明，技术扩散和知识溢出是推动农业绿色转型和区域可持续性的关键机制[11]，这意味着空间结构本身可能通过溢出效应影响可持续发展的范围[12]。因此，仅仅描述空间模式是不够的；进一步研究潜在的驱动机制及其产生的空间溢出效应是必要的。

在资源和环境约束日益增加以及区域差异扩大的背景下，单个地区的效率提升已不足以维持长期的农业发展[13,14]。农业可持续性的关键在于通过空间组织和区域联系实现要素配置的跨区域优化和协调演化。在这个过程中，AIP不仅作为生产组织平台发挥作用，还作为促进要素流动和增强系统韧性的空间节点[15]。因此，对AIP的研究应超越其对当地经济增长或产业绩效的影响，更加关注其跨区域联系效应。如果AIP能够通过技术扩散、产业联系以及资本和劳动力的流动性等机制在区域内产生积极的空间溢出效应，它们可能促进更广泛的区域协调发展和农业结构升级[16]。相反，如果它们的效应主要局限于所在地区，可能会在一定程度上加剧区域差异[17]。从可持续发展的角度来看，空间溢出效应不仅是经济结果，也是相关可持续性因素在区域间传递的关键机制。其强度直接决定了AIP能否从“局部实践”发展成为“区域可持续未来”的可行路径。

自Anselin Luc在20世纪70年代提出空间计量经济学理论框架以来，该领域取得了显著进展，空间计量经济模型已成为经济学和地理学等各个学科不可或缺的一部分。这些模型在农业发展研究中也展示了独特价值。例如，利用基于美国农业数据的空间计量经济模型，揭示了农业政策与土地利用变化之间的空间关联[18]。空间Durbin模型被用来研究气候变化对伊朗农业的经济影响[19]；数据包络分析（SBM-DEA）和空间滞后模型（SLM）被用于识别黄淮海平原等核心地区的技术扩散效应[20]；空间计量经济模型被用来研究波兰农业土地管理政策的溢出效应[21]。另一项研究使用基于动态面板模型的两步系统GMM估计器分析了气候变化和政治不稳定对撒哈拉以南非洲作物生产的影响[22]。空间Durbin模型（SDM）利用中国省级面板数据探讨了农业生产集聚、农业技术创新和农业经济韧性之间的关系[23]。这些研究为使用空间计量经济模型分析农业工业园区的空间关联机制提供了重要的方法论参考。

中国政府长期以来一直重视可持续农业发展和AIP建设。2016年，中央农村工作会议首次提出了“建设现代农业工业园区”的概念，标志着中国农业现代化努力的新阶段。作为中国西部唯一的粮食生产大省，四川省2024年的粮食总产量达到了726.8亿磅，并建设了425万亩高标准农田[24]。它是国家西部发展战略的关键省份，在区域经济发展中发挥着重要作用[25]，为确保国家粮食安全和农产品供应提供了坚实基础。尽管四川省在AIP发展方面面临历史机遇，但学者们也指出了建设AIP所面临的挑战：（1）在不同自然、经济和社会条件下的地区，关于成功AIP模型的转移和应用的研究仍然不足[26]。（2）AIP的建设受到多种自然和社会条件的影响[27]，对其背后各种驱动因素的探索也有限[27]。（3）在特定地区建设AIP时，它对同一区域内相邻单位发展的促进或阻碍程度仍缺乏研究[28]。

基于上述分析，本研究将AIP视为农业可持续转型的关键空间载体，并构建了一个“空间模式–驱动机制–空间溢出”的综合分析框架。Geodetector用于识别AIP空间模式背后的驱动机制，而空间计量经济模型进一步用于检验这种空间结构是否通过溢出效应影响区域可持续发展。本研究旨在阐明以下问题：（1）四川省AIP的空间分布特征和模式是什么？（2）在影响AIP分布的因素中，哪个因素最为重要？多个因素之间是否存在相互作用？（3）AIP之间是否存在显著的空间溢出效应？这些溢出效应的程度和范围如何？这些溢出效应在多大程度上促进了长期的区域协调和可持续结构转型仍是一个关键问题。研究结果旨在为优化区域AIP的空间布局和促进其协调发展提供实证支持和指导，从而为可持续农业转型战略的制定和面向未来的政策制定提供依据。

2. 研究区域和方法

2.1. 研究区域

四川省位于中国西南部，长江上游，介于东经92°21′–108°12′和北纬26°03′–34°19′之间，总面积约为486,000平方公里（图1）。该地区气候条件复杂，具有明显的地带性和垂直变化。四川东部盆地属于湿润亚热带气候，全年温暖湿润，年平均气温为16–18°C。四川西南部的山区属于亚热带半湿润气候，全年温度相对较高；而四川西北部的高海拔高原地区则属于高山气候，冬季寒冷，夏季凉爽。

根据四川省第三次全国土地调查的数据，该省的耕地总面积为522.72万公顷。由于自然禀赋多样和区域发展不平衡，四川省已批准建设274个国家级现代农业工业园区。这些园区作为推进农业现代化、促进农业产业升级和增加农民收入的重要平台。由于各地区自然条件、经济基础和制度能力的显著差异，AIP在分布和发展绩效上表现出明显的空间异质性。

2.2. 数据来源和处理

2.2.1. 数据来源

本研究使用了2019年至2023年四川省183个县的面板数据，主要用于空间计量经济分析和空间自相关测试。此外，为了反映AIP的最新发展动态，描述性分析中还包括了2024年的统计数据。经济数据来源于《中国统计年鉴》、《中国县统计年鉴》、EPS数据库以及各县的统计公报，缺失值通过插值补充。自然地理数据来自地理空间数据云。本研究中的AIP指的是省级现代农业工业园区，数据来源于政府官方公告。AIP列表来自政府出版物，其地理坐标来源于百度大数据。

2.2.2. 数据预处理

百度地图（https://lbs.baidu.com）是一个基于人工智能和大数据技术的综合电子地图服务平台，能够准确反映AIP的地理位置。通过开放的应用程序编程接口（API），我们获取了四川省AIP的地理坐标。经过手动筛选和排序后，我们移除了名称发生变化的农业园区，最终获得了代表AIP地理位置的274个数据点。

2.3. 方法

2.3.1. 研究框架

本研究包括三个分析部分：空间分布分析、使用Geodetector识别驱动因素，以及基于空间计量经济模型的空间溢出效应检验。需要明确的是，Geodetector和空间计量经济模型并不是按照顺序进行分析的。相反，它们分别解决了两个相关但方法上独立的维度。Geodetector侧重于解释AIP空间分布的形成机制；因此，它主要选择与自然禀赋、农业基础和位置条件相关的变量。相比之下，空间计量经济模型关注农业产业园区（AIP）的区域效应，特别是其对工业驱动能力的空间溢出影响。前者识别塑造AIP空间模式的关键决定因素，而后者评估由此产生的空间结构对区域发展结果的影响（图2）。下载：下载高分辨率图像（2MB）下载：下载全尺寸图像图2. 研究框架。2.3.2. 描述空间分布特征的方法不平等指数[29]用于衡量点元素的空间分布，用于评估四川省内现代农业园区的均匀性。(1)[数学处理错误]S=∑i=1nYi?50(n+1)100n?50(n+1)在公式中：[数学处理错误]S是不平衡指数；[数学处理错误]n是研究单元的数量；[数学处理错误]Yi是从大到小排序的研究对象的累积百分比，然后加上排序到[数学处理错误]i位置的百分比。核密度估计[30]提供了一种直观的方法来识别现代农业园区的空间分布聚集区域和程度。(2)[数学处理错误]f(x)=1nh∑i=1nk(x?xih)在公式中：[数学处理错误]k是核密度函数；[数学处理错误]h是带宽；[数学处理错误]n是阈值范围内的点数；([数学处理错误]x?xi)表示从评估点[x]到事件[xi]的距离。应该注意的是，不平等指数侧重于从整体定量结构的角度衡量现代农业园区的分布平衡，从而反映其宏观层面的空间差异。相比之下，核密度分析强调空间关系，揭示了AIP在地理空间内的聚集模式和热点分布。这两种方法共同从“定量结构”和“空间模式”的互补维度上描述了分布特征，形成了一个综合分析框架，更全面地支持对AIP空间布局特征的解释。标准差椭圆[31]指示数据分布的方向和离散程度，其特征是椭圆的方向和面积。它是一种用于衡量现代农业园区分布模式的空间统计方法。2.3.3. 驱动因素的地理检测驱动因素评估系统的构建考虑了研究区域的实际情况和有关AIP的相关研究[32,33]。确定了三大类指标：自然因素、社会经济因素和农业因素，共有11个指标作为自变量。使用SPSS软件通过范围方法对数据进行标准化。基于标准化数据，应用SPSS中的熵权重方法计算每个指标的权重值（表1）。表1. 变量定义和描述性统计。变量类型变量名称缩写描述权重自然因素海拔DEM地理空间数据云（1），30米分辨率0.1305年降水量Prec国家西藏高原数据中心（2），1公里分辨率0.0216年平均气温Temp国家西藏高原数据中心，1公里分辨率0.0160河流网络密度River资源与环境科学数据平台（3），1公里分辨率0.1504经济因素农业经济发展AgriEco年末农林牧渔业总产值/第一产业就业人数0.0282从事第一产业的人口比例POPN国家统计局（4）0.0253人均地区生产总值PGDP国家统计局0.0465道路网络密度RoadOpen Street Map（5），1公里分辨率0.1737农业因素农业用地面积Land国家统计局0.2935农业财政支持水平Gov农业、林业和水务支出/地方政府一般预算支出0.0492农业机械化水平Mech农业机械化总动力/耕地面积0.0647注意：(1)https://www.gscloud.cn/ (2)https://data.tpdc.ac.cn/home (3)https://www.resdc.cn/ (4)https://www.stats.gov.cn/english/ (5)https://www.openstreetmap.org/。使用R中的GD包进行了最优参数地理检测，分区数量设置在3到10个类别之间。选择产生最大q值的参数组合进行空间离散化[34]。在变量离散化过程中，根据每个变量的分布特征应用了不同的分类方法。对于数值分布明显聚集或具有自然分界的变量，采用自然断裂法来更好地捕捉数据内部的结构性差异。对于分布相对均匀或梯度渐进的变量，使用分位数法以确保每个类别中的样本数量相对均衡，从而提高统计稳健性和可比性。基于这种方法，检查了AIP的空间异质性以及各种影响因素对观察到的空间差异的解释能力。(3)[数学处理错误]Q=1?∑h=1LNhσh2Nσ2在公式中，[数学处理错误]Q表示因素的解释能力，范围为[0,1]。数值越大，解释能力越强。[数学处理错误]h = 1, 2, …, [数学处理错误]L表示影响因素的分层。[数学处理错误]Nh和[N]分别表示[h]层和整个区域的单元数量。[数学处理错误]σh2和[数学处理错误]σ2分别表示[h]层和整个区域的方差。2.3.4. 溢出效应分析变量选择。解释变量是工业驱动能力（IDC）（表2）。工业驱动能力涉及AIP的建立，促进产业链的发展，从而推动当地经济的发展。本研究将工业驱动能力视为一个系统构建，开发了一个包括三个维度的综合评估框架：经济驱动能力、农业改进水平和企业驱动能力。表2. 变量定义。变量类型变量名称描述权重工业驱动能力经济驱动能力人均可支配收入0.0269第一产业产值0.0891农业改进水平农业机械化总动力0.0755设施农业面积0.2888企业驱动能力指定规模以上的企业0.1115核心解释变量是农业产业集聚（AIA）。农业产业集聚是指农业产业在特定区域集中的过程，反映了农业生产资源的集中分布。根据以往的研究[35,36]，农业产业集聚的程度是通过将每个地区的农林牧渔业总产值与全国这些行业的总产值之比除以该地区的GDP与全国GDP之比来衡量的。为了全面考虑影响农业碳排放强度的其他因素，我们基于现有文献[37,38]引入了四个控制变量：城市化水平（Urban）、工业化水平（Indus）、政府支持强度（Policy）和行政边界（Admin）。城市化水平由城市人口占总人口的比例表示；工业化水平由工业增加值占地区GDP的比例表示；政府支持强度由政府财政支出占县级GDP的比例表示；行政边界由行政区域的面积表示。变量的描述性统计如下表所示（表3）。表3. 变量定义和描述性统计。变量类型变量名称缩写平均值标准差最小值最大值因变量工业驱动能力IDC29.568.91221.286.0781319.014296,753.945核心变量农业产业集聚AIA0.09320.0720.0571.3465控制变量城市化水平Urban1.58460.61321.3263.2943工业化水平Indus369.6498424.28858.47623466.0886政府支持强度Policy0.03640.03920.00140.2096行政边界Admin0.01710.00870.00010.0719空间权重矩阵。空间权重矩阵是空间计量经济学中描述不同地理单位之间相互关系的关键工具[7]。使用以下公式构建逆距离矩阵W：(4)[数学处理错误]Wij={1diji≠j0i=j在这个公式中，[数学处理错误]dij表示两个省份或地区之间的距离。空间相关性分析[39]用于探索四川省内工业驱动能力的空间相关性，有效揭示了给定地理区域与其周边区域之间的空间分布相关性和集聚特征。(5)[数学处理错误]Moran′sI=n∑i?1n∑j=1nWij(yi?y￣)(yj?y￣)∑i=1n∑j=1nWij∑i=1n(yi?y￣)2在这个公式中，[数学处理错误]n表示区域总数；[数学处理错误]yi和[yj]分别表示区域[i]和[j]的工业驱动能力或农业产业集聚的观测值；[数学处理错误]y?表示四川省内区域工业驱动能力或农业产业集聚的预期值；[数学处理错误]Wij表示空间权重矩阵[W]中[i]行[j]列的值。局部Moran’s I指数可以反映特定区域及其周边地区的空间聚集情况。局部Moran’s I指数的计算公式如下：(6)[数学处理错误]LocalMoran′sI=n(yi?yˉ)∑j=1nWij(yj?y￣)∑i=1n(yi?y￣)2这里，[数学处理错误]n表示区县总数；[数学处理错误]yi和[yj]表示四川省内区县工业驱动能力或农业产业集聚的观测值；[数学处理错误]y?表示这些区县工业驱动能力或农业产业集聚的预期值；[数学处理错误]Wij是空间权重矩阵[W]中[i]行[j]列的值。这个评估标准与全局Moran’s I指数非常相似。空间计量经济模型[40]。当存在空间相关性时，空间计量经济模型可以有效解决回归问题，避免因忽略空间因素而导致的估计偏差。(7)[数学处理错误]IDCit=ρ∑j=1,j≠inWijIDCjt+βXit+θ∑j=1,j≠inWijXjt+εitεit=ω∑j=1,j≠inWijεjt+μit在这个上下文中，[数学处理错误]IDCit表示因变量，即工业驱动能力得分。[数学处理错误]Xit表示解释变量，包括核心变量和控制变量。[数学处理错误]εit表示残差项。[数学处理错误]Wij表示空间权重矩阵。在广义嵌套空间模型中，[数学处理错误]Wij的三个实例可能取不同的值或相同的值；在这里，它们被视为具有相同的值。[数学处理错误]ρ、β、[数学处理错误]θ、ω分别表示空间回归系数、核心解释变量和控制变量的系数、核心解释变量和控制变量的空间滞后项的系数以及空间相关系数。3. 结果3.1. 空间-时间演变特征3.1.1. 农业产业园区的数量变化从2019年到2024年，四川省的AIP建设持续推进，新增AIP的数量总体上呈上升趋势，从2019年的35个增加到2024年的96个。到2024年，全省的农业产业园区总数达到274个（图3）。值得注意的是，地方政府建立了省级星级评价体系，将它们分为三星级、四星级或五星级园区，并实施了分层晋升和动态管理机制。评级体系基于对工业基地规模、设施设备水平、农产品加工能力、技术创新和产业整合程度等指标的全面评估，更高的星级表示产业组织、技术支持和示范带动效应更为成熟。AIP的发展表现出显著的波动：①三星级和四星级园区的数量波动较大；②五星级园区的数量稳步增加，每年大约有10个新园区被评为五星级；③三星级园区的比例超过了四星级和五星级园区的总和。下载：下载高分辨率图像（2MB）下载：下载全尺寸图像图3. AIP的数量分布和增长百分比。3.1.2. 农业产业园区的空间变化空间分布特征。使用Excel计算得到的不平等指数S = 0.1766，表明现代农业园区在四川省内分布均匀。根据这些统计结果（图4），生成了现代农业园区的Lorenz曲线，清楚地显示出曲线与均匀分布线紧密对齐，曲率最小。这表明现代农业园区在四川省内基本均匀分布。下载：下载高分辨率图像（222KB）下载：下载全尺寸图像图4. Lorenz曲线。空间密度特征。使用ArcGIS 10.8核密度分析工具分析2019年至2024年四川省的现代农业园区，结果分为五个密度等级（图5）。研究发现：①东部密度高，西部密度低，密度从成都平原、川南、川东北、川西南逐渐减少到川西。高密度区域集中在中部地区，向外密度逐渐降低。②2019年，成都平原和川南形成了一个核心区域。到2022年，形成了成都-德阳-绵阳-眉山走廊沿线的发展轴，以及宜宾、泸州、自贡和内江的聚集区。从2020年到2024年，南充等地形成了发展轴，而攀枝花和凉山采用了核心发展模式，尽管这些区域并不连续；③分布显著受到地形的影响。成都平原由于地势平坦、经济发达和基础设施完善而人口密集。下载：下载高分辨率图像（764KB）下载：下载全尺寸图像图5. AIP的核密度。空间方向特征。使用ArcGIS 10.8，绘制了标准差椭圆来表示研究期间公园的空间分布，反映了空间方向上的差异以及重心的变化（图6）。如图所示，从2019年到2024年，椭圆的重心呈现出整体上的“东向西”迁移轨迹，表明公园东部和西部之间的空间分布差异正在逐渐改善。地方政府正在应对自然和社会经济挑战，在四川西部地区建立独特的公园，并根据当地情况调整发展策略。下载：下载高分辨率图片（1MB）下载：下载全尺寸图片

图6. AIP.3.2的标准差椭圆

3.2. 驱动因素检测
3.2.1. 连续变量的离散化
为了优化参数选择，地理检测模型采用了各种离散化技术和针对每个连续变量的类别计数，以提高空间分析的精度[41]。建议对DEM（X1）、Prec（X2）、Temp（X3）、River（X4）、POP（X6）和PGDP（X7）使用6、6、6、4、5、6和5个离散类别的分位数区间划分；对于AgriEco（X5）和Gov（X9），建议使用6个离散类别的自然区间划分；Land（X8）和Road（X11）则建议使用特定的离散化方法，但此处未详细说明。

3.2.2. 单因素检测
AgriEco、Gov、DEM和POP的Q值分别为0.3249、0.3129、0.3048和0.2102，说明这些变量对公园发展的解释能力超过20%，表明公园发展受到当地经济基础、政府支持和地形的强烈影响（表4）。Mech、Prec和PGDP的Q值分别为0.1464、0.1408和0.1115，解释能力大于10%。River、Land、Road和Temp的Q值分别为0.0980、0.0955、0.0854和0.0553，解释能力低于10%。因此，AgriEco、Gov、DEM和POP是影响四川省现代农业公园分布的主要因素。

表4. AIP的单因素检测
变量 符号 Q值
AgriEco X5 0.3249***
Gov X9 0.3129***
DEM X10 0.3048***
POP X6 0.2102***
Mech X10 0.1464***
Prec X2 0.1408***
PGDP X7 0.1115***
River X4 0.0980***
Land X8 0.0955***
Road X11 0.0854***
Temp X3 0.0553***

注：***、**和*分别表示在1%、5%和10%的水平上显著。

尽管AgriEco、Gov和DEM的解释能力相对相似，但它们的影响机制有所不同。AgriEco反映了区域产业基础和市场容量，Gov代表政府资源配置和政策指导强度，DEM构成了农业生产的自然限制，POP捕捉了农业劳动力的特征。这些变量可能通过协同效应共同塑造AIP的空间分布。经济基础雄厚且政府投资较多的地区，加上自然限制较少的地方，更有利于公园的聚集；而以农业人口为主的地区则在农业生产要素供应方面具有优势。因此，这些因素不是孤立作用的，而是在经济条件、政策支持、自然限制和劳动力结构的综合影响下共同产生空间差异。

3.2.3. 交互因素检测
如图7所示，影响现代农业公园分布的因素表现出双因素增强和非线性增强，显示出不同强度的相互作用和独特特征。River（X4）和AgriEco（X5）显示出非线性增强，其交互作用产生的Q值最高（0.6625），表明River和AgriEco之间存在独特的相互作用。尽管河流网络密度、设施农业面积、道路网络密度和年平均温度的解释能力低于10%，但这些因素与其他变量交互时显示出显著的非线性增强效应，表明它们在现代农业公园的分布中仍起着重要作用。

下载：下载高分辨率图片（299KB）下载：下载全尺寸图片

图7. AIP的交互因素检测

3.3. 溢出效应分析
尽管地理检测分析确定了塑造空间异质性的主要因素，但随后的空间计量经济分析将焦点从空间异质性转移到了区域间互动机制上。

3.3.1. 空间相关性
为了确保空间计量经济回归分析的稳健性，计算了2019年至2023年AIP分布的全球Moran's I指数（表5）。结果显示，全球Moran's I指数在1%的显著性水平上为正，表明AIP的分布具有空间正相关性，且聚合程度相对稳定。

表5. AIP的全球Moran's I指数
年份 I值
2019 0.2274
2020 0.2266
2021 0.2487
2022 0.2462
2023 0.2437

注：***、**和*分别表示在1%、5%和10%的水平上显著。

进一步利用局部Moran's I指数研究了四川省现代农业公园的局部空间特征，对2019年和2023年进行了局部Moran's测试。如下图8所示，四川省现代农业公园的总体分布模式在2019年至2023年间基本保持不变。“HH”类型区域主要分布在四川南部、东部和西部，集中在雅安市、宜宾市、资阳市和九寨沟县周边。“L-L”类型区域呈下降趋势，主要位于凉山州的布拖县地区。这表明现代农业公园主要集中在经济发达地区，符合东南大学的农业区位理论，即农业活动通常位于经济发展水平较高的地区，因为土地租金存在差异。相反，四川省东部和西部之间存在显著差异，西部地区的低价值区域更为集中，这一现象与当地经济发展和地理因素密切相关。总体而言，四川省内的低价值区域分布正在逐渐减少，特别是在经济发达地区。这表明自2019年以来，四川省开始重视土地利用实践，促进了高质量现代农业公园的发展。

下载：下载高分辨率图片（263KB）下载：下载全尺寸图片

图8. AIP的局部Moran's I指数

3.3.2. 适用性测试
首先进行了相关测试以评估模型的适用性。下图展示了使用逆地理距离矩阵的空间计量模型的拉格朗日乘数（LM）测试和豪斯曼（Hausman）测试结果。LM测试和稳健LM测试在1%的水平上通过了显著性检验；似然比（LR）测试在10%的水平上通过了显著性检验，而Wald测试和豪斯曼测试也在1%的水平上通过了显著性检验。基于这些结果，选择了双向固定效应的空间Durbin模型进行分析（表6）。

表6. 空间相关性测试结果

3.3.3. 空间Durbin模型回归结果
根据上述测试，对数似然值（Log-Likelihood value）为427.00，表明模型的拟合度相对较高。因此，选择了空间自回归模型进行分析。IDC的空间相关系数为正，并通过了1%的显著性检验，表明存在显著的正空间相关性（表7）。这表明某一地区的产业驱动能力可以刺激相邻地区产业的发展。由于空间Durbin模型的参数估计结果并未直接反映直接和空间溢出效应的真实影响，因此遵循LESAGE等人的方法[42]，当解释变量的空间自相关系数显著非零时，应采用偏微分方法来计算产业集聚能力的直接效应、间接效应和总效应。

表7. 回归分析结果
变量 得分
AIA -0.057 (0.23)
Urban 0.025 (0.08)
Indus 0.284 (0.39)
Policy 0.227 (0.42)
Admin 0.369 (1.38)
WxAIA 3.065 *** (0.62)
WxUrban -0.178 (0.23)
WxIndus 1.041 (2.32)
WxPolicy -4.956 *** (1.12)
WxAdmin -11.50 *(5.71)
ρ 0.543 *** (0.70)
Log-L 427.00
r2 0.359 N

3.3.4. 溢出效应分析
从空间机制的角度来看，地理检测器识别出的高解释力因素主要反映了AIP空间分布的结构特征，但并不直接决定空间溢出效应。空间计量模型识别的间接效应本质上代表了在给定空间结构约束下通过区域间经济联系产生的外部性结果。与将AIP分布视为因变量的地理检测器模型不同，空间计量模型以产业驱动能力（IDC）为因变量，其解释变量系统基于产业集聚和区域溢出的理论框架构建。根据偏微分分解，核心变量的直接效应为0.061，间接效应为6.578，总效应为6.639（表8）。间接效应和总效应在1%的水平上均显著，表明农业产业集聚对产业驱动能力的影响主要通过空间溢出机制实现。

表8. 空间效应结果
变量 直接效应 间接效应 总效应
AIA 0.061 (0.23) 6.578 *** (0.90)
Urban 0.017 (0.82) -0.349 (0.45)
Indus 0.365 (0.40) 2.442 (5.13)
Policy 0.047 (0.41) -10.32 *** (1.70)
Admin -0.061 (1.30) -24.92 **
Indus -0.061 (1.30) -24.98 ** (12.39)
Area -0.061 (1.30) -24.98 ** (12.65)

在控制变量效应的分解中，Urban的直接效应和间接效应均不显著，表明产业集聚并未有效增强农业产业驱动能力，可能是因为城乡二元结构阻碍了要素流动。城市化甚至可能通过要素外流和产业结构替代等机制产生负面溢出效应，表明如果没有与农业现代化的协调推进，可能会加剧城乡之间的工业差距。同样，Indus的直接效应、间接效应和总效应均不显著，意味着当前的工业化进程尚未转化为农业辐射能力的提升，可能反映了产业结构与农业需求之间的不匹配或区域间工业合作的不足。值得注意的是，Gov和Area的直接效应可以忽略不计，而它们的间接效应对产业驱动能力产生了负面影响。这表明过度的政府干预可能导致资源错配，抑制了向邻近地区的产业溢出，较大的行政区域会增加空间溢出成本，产生负面空间外部性。

从传输路径的角度来看，间接效应大于直接效应，表明在产业驱动能力相等或相似的情况下，农业产业集聚首先影响其他地区的产业发展，然后再影响本地地区的产业发展。间接效应显著大于直接效应，表明农业产业集聚对本地产业驱动能力的影响主要通过空间溢出机制实现。这可能源于农业产业链的跨区域扩展特性：一旦一个地区形成了产业集群，它可以通过原材料采购、农产品加工合作、技术扩散和市场拓展等方式影响邻近地区的产业结构和要素重新分配。同时，交通网络的发展和区域分工加强了这种跨区域联动效应，使得产业集聚为周边地区带来了外部性。

3.3.5. 稳健性测试
参考相关学者的研究[43,44]，为了减轻空间矩阵选择造成的差异，进一步使用了经济地理嵌套权重矩阵和邻接矩阵进行稳健性测试。结果表明，任何变量的系数大小或显著性均无显著变化，表明结论是稳健和可靠的（表9）。

表9. 稳健性测试
变量 嵌套矩阵
Binary matrix WxAIA 4.718 *** (1.83)
0.803 **
WxUrban -1.219 ** (0.49)
-0.126 (0.12)
WxIndus 1.016 (3.52)
0.527 (0.71)
WxPolicy -4.639 ** (2.31)
-1.229 ** (0.53)
WxAdmin -32.281 *(17.82)
-4.812 *(2.68)
ρ 0.388 ** (0.20)
0.139 *** (0.04)
Log-L 647.216 46.89
r2 0.014 0.014

4. 讨论
4.1. 空间分布和结构约束
四川省AIP的空间分布表现出明显的区域差异，这些差异不仅受到自然禀赋和经济基础等结构条件的影响，还受到政策干预和制度资源配置的影响。这种“结构与制度之间的互动”在空间模式中的表现与区域经济地理学的理论观点一致，即要素禀赋和制度能力共同塑造了产业的空间组织[45]。成都平原上农业产业园区（AIP）的高集中度反映了平坦地形、发达的灌溉系统以及悠久的商业农业基础的综合作用。先前的研究表明，农业产业组织的空间分布倾向于优先选择农业资源条件优越、交通便利且农业生产基础雄厚的地区，这些地区更有利于农业产业集群和规模化生产系统的形成[46]。这强调了自然和技术条件是农业产业空间聚集的基本环境。相比之下，四川西部山区AIP的分布相对稀疏，这与地形破碎、基础设施成本较高以及产业链延伸能力有限密切相关。关于山区经济的研究通常指出，复杂的地形不仅增加了交通和物流成本，还降低了规模化生产和加工聚集的可行性，从而限制了产业组织能力的形成[47]。因此，四川西部AIP的有限存在不能仅仅归因于政策投入不足，而是结构约束和资源配置效率共同作用的结果。Geodetector分析进一步表明，农业经济发展水平和财政支持在解释空间差异方面具有很高的解释力。这一发现与之前关于“政策驱动的农业现代化”的研究结果一致，这些研究表明，地方财政能力和政府主导的资源整合在很大程度上决定了农业园区是否能够实现规模化和品牌化发展[15]。同时，海拔和降水量等自然因素在山区仍然具有重要影响，表明政策无法完全抵消结构性差异带来的限制。因此，当前AIP的空间配置应理解为嵌入在现有的区域经济结构和自然地理条件之中。这种结构差异不仅决定了园区的形成路径，也为后续的空间互动和溢出效应提供了基础环境。

4.2. 空间溢出的潜在机制
实证结果表明，农业产业聚集对产业驱动能力的间接效应（6.578）远高于直接效应（0.061），且只有间接效应通过了统计显著性检验。这一发现表明，AIP的经济影响并不主要集中在其所在区域内，而是通过跨区域联系更强烈地传递，呈现出典型的“溢出主导”模式。换句话说，在四川省的背景下，AIP更像是区域网络中的“扩散节点”，而非传统的“增长极”。这一结果本质上反映了农业产业聚集所引发的区域要素配置重组，可以从以下三个角度进行解释：
从产业链分工的角度来看，农业价值链本身就具有跨区域的组织特征。由于加工和市场导向的部分通常集中在核心区域，而初级生产则分布在周边地区，因此AIP的扩张更有可能刺激周边地区的生产增长，而不仅仅是加强当地生产，从而形成以溢出为主的影响结构。这种结构体现在成都平原在农业加工和市场系统中的核心作用，而四川东北部和南部地区则在农业供应中扮演关键角色。现有研究表明，四川的农业发展具有明显的区域分工特点，核心区域与周边地区通过产业链形成了紧密的跨区域联系[48]。
从边际效应异质性的角度来看，如成都平原和四川南部等AIP集中的地区拥有较为发达的基础设施和成熟的产业体系，这些地区的要素投入已经接近边际收益递减，导致当地产业驱动能力的边际收益有限。相比之下，四川西部和东北部等基础设施和产业基础较弱的地区，可以通过AIP带来的技术扩散、市场准入和产业合作实现显著的边际生产力提升。这一发现与先前的研究结果一致，即改善的交通基础设施，尤其是在中国西南部，显著降低了农业生产与流通的空间成本，从而促进了农业活动的跨区域扩散[49]。因此，产业聚集的好处更有可能在周边地区释放，导致明显的空间溢出效应。
从制度扩散和空间网络机制的角度来看，空间计量经济学结果中发现的显著溢出效应也反映了制度安排和发展模式在不同区域之间的传播。政府支持的间接效应显著为负（-10.322），表明单个地区的政策投入可能会引发资源竞争和要素虹吸效应，从而挤占周边地区的资源。同时，在四川不同地级市之间，AIP的发展、产业组织模式和政策工具表现出明显的扩散模式。关于中国地方政府竞争的研究表明，政策创新往往通过地理邻近性传播，特别是在工业园区建设和投资促进方面[50,51]。与区域内资源强化相比，基于邻近性的制度模仿和政策趋同更有可能在不同区域之间引发连锁反应，从而放大跨区域影响。
总体而言，AIP引发的资源聚集并不一定完全转化为本地经济增长；相反，它通过产业链分工、边际效应异质性和制度扩散推动了资源、技术和产业活动在不同区域之间的重新分配。这种“跨区域重构”机制导致了以溢出为主的效果，其中间接效应显著超过直接效应。更重要的是，这种以溢出为导向的机制促进了发展动力从核心区域向周边地区的扩散，促进了区域间的要素优化配置和功能协调，为协调的农业发展和长期可持续转型提供了路径。

4.3. 溢出动态的政策和可持续性含义
间接效应强于直接效应的发现表明，四川的AIP主要通过区域间联系促进发展，而非局部强化。作为核心农业发展区，成都平原已经与周边地区形成了某种程度的产业分工和要素流动关系。相关研究表明，农业园区的发展可以通过产业链联系刺激周边地区专业化生产网络的形成，从而促进区域农业的整体升级[52]。因此，AIP的溢出效应有助于缓解行政边界限制，促进区域协调发展。然而，空间溢出并不一定导致均衡发展。在核心-周边结构明显的地区，生产要素可能会进一步集中在优势区域，从而加剧区域差异。这种“极化效应”在产业聚集研究中得到了广泛验证。在中国西南部，成都及其周边地区在市场、资本和技术方面具有显著优势，而一些山区则面临要素流失和薄弱的发展能力。现有研究表明，中国西部的区域发展不平等具有很强的路径依赖性[53]。在这种背景下，如果没有有效的制度调控，AIP的发展可能会在短期内加强核心地区的优势，而不是缩小区域差异。
从可持续发展的角度来看，多中心结构和跨区域网络联系可以提高农业系统的整体韧性。研究表明，区域协调和网络化发展提高了农业系统适应外部冲击的能力[48]。在中国西南部，将AIP纳入更广泛的区域发展框架，并促进以“核心引领、多节点支持”为特征的空间结构，有助于将短期的溢出效应转化为长期的可持续发展动力。因此，将“空间溢出”转化为“可持续发展”的关键在于建立跨区域协调治理机制。一方面，应改善交通和信息基础设施，以进一步加强跨区域要素流动的渠道；另一方面，应加强制度设计，促进核心区域与周边区域之间的产业分工和利益共享。

4.4. 限制和未来研究方向
尽管本研究系统地从三个维度（空间模式、驱动机制和空间溢出效应）考察了AIP的空间效应，但仍存在一些需要进一步研究的限制。在数据层面，由于统计覆盖范围和数据可用性的限制，不同分析模块在时间维度上存在不一致性。AIP发展趋势的描述性分析延伸到了2024年，而空间计量经济学模型和空间自相关分析基于2019年至2023年的平衡面板数据集。虽然这种方法有助于确保计量经济结果的稳健性，但在一定程度上削弱了分析组件之间的时间一致性。未来的研究可以构建更长的时间序列或高频数据集，以提高分析框架的一致性和动态解释能力。
在方法论整合方面，本研究采用了Geodetector和空间计量经济模型的结合框架；然而，两者在研究目标和变量系统上仍存在差异。Geodetector侧重于识别AIP空间分布的驱动因素并揭示空间模式的形成机制，而空间计量经济模型则以产业驱动能力为核心因变量，强调空间溢出效应及其传播路径。因此，本研究中的两种方法主要反映了“形成机制”与“结果效应”之间的关系，而不是一个完全统一的计量经济框架。尽管已经通过理论推理和结果解释尝试将它们联系起来，但如何在一个统一的数据和建模系统中整合不同的方法，以系统地捕捉“空间模式-驱动机制-空间溢出”的完整过程，仍是未来研究的重要方向。
在研究内容方面，本研究主要分析了AIP在区域层面的空间溢出效应，但对不同等级的AIP和不同类型产业之间的异质性关注不足。此外，空间溢出的具体传播路径尚未在微观层面进行实证检验。未来的研究可以结合微观调查数据或企业级数据集，进一步揭示AIP影响区域农业发展的微观机制，从而为农业可持续转型和区域协调发展提供更有针对性的政策建议。

5. 结论
本研究系统地分析了2019年至2023年间四川省AIP的空间演变、驱动机制和空间溢出效应。结果表明，AIP的空间模式受到自然条件、经济基础和制度支持的共同影响，产业聚集不仅取决于地理适宜性，还取决于区域组织能力和政策动员。进一步分析显示，AIP具有显著的空间溢出效应，间接效应超过直接效应，表明农业产业聚集通过产业链延伸、要素流动和区域分工对周边地区具有更强的驱动作用。农业工业园区的发展表现出明显的网络化和跨区域联系特征，其影响超出了行政边界，反映了持续的空间互动。从理论上讲，本研究将空间异质性分析与溢出效应建模相结合，强调了在评估农业政策时考虑空间依赖性和区域结构差异的重要性。从政策角度来看，优化AIP的空间布局不应仅关注规模扩张，还应注重增强区域协调、提高要素流动性和将AIP纳入系统的区域规划框架。这样，AIP的空间溢出效应不仅可以促进周边地区的产业升级，还可以增强农业系统的韧性，有助于实现区域均衡发展和长期可持续转型。

致谢
作者贡献声明：
范志鹏：撰写——初稿、方法论、概念化。
何伟：监督。
冯思然：撰写——审阅与编辑、数据整理。
王新梅：撰写——初稿、软件应用。
王泽妮：撰写——初稿。