EN中文

干旱区地理 >

2026 , Vol. 49 >Issue 1: 176 - 185

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.095

区域发展

地级市尺度下中国物流企业空间格局演化特征及影响因素

  • 戢晓峰 , 1, 2, 3 ,
  • 李子歆 1, 2, 3 ,
  • 曹瑞 1, 2, 3 ,
  • 李武 1, 2, 3 ,
  • 陈方 2, 3, 4
展开
  • 1 昆明理工大学交通工程学院，云南 昆明 650504
  • 2 云南省现代物流工程研究中心，云南 昆明 650504
  • 3 云南综合交通发展与区域物流管理智库，云南 昆明 650504
  • 4 昆明理工大学马克思主义学院，云南 昆明 650504
陈方（1980-），女，硕士，副教授，主要从事社会地理研究. E-mail: ji-0098@163.com

戢晓峰（1982-），男，博士，教授，主要从事交通地理与区域发展研究. E-mail:

收稿日期: 2025-02-27

  修回日期: 2025-05-06

  网络出版日期: 2026-03-11

基金资助

云南省哲学社会科学基金项目(QN202413)

云南交投集团科技创新项目(YCIC-YF-2024-04)

昆明理工大学哲学社会科学科研创新团队项目(CXTD2024007)

收起

Spatial pattern evolution characteristics and influencing factors of logistics enterprises in China at prefecture-level city scale

  • Xiaofeng JI , 1, 2, 3 ,
  • Zixin LI 1, 2, 3 ,
  • Rui CAO 1, 2, 3 ,
  • Wu LI 1, 2, 3 ,
  • Fang CHEN 2, 3, 4
Expand
  • 1 Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming 650504, Yunnan, China
  • 2 Yunnan Modern Logistics Engineering Research Center, Kunming 650504, Yunnan, China
  • 3 Yunnan Integrated Transport Development and Regional Logistics Management Think Tank, Kunming 650504, Yunnan, China
  • 4 School of Marxism, Kunming University of Science and Technology, Kunming 650504, Yunnan, China

Received date: 2025-02-27

  Revised date: 2025-05-06

  Online published: 2026-03-11

Fold

摘要

物流企业在区域经济中发挥着至关重要的作用，其分布情况直接影响区域经济的资源配置和市场竞争力，研究地级市物流企业空间格局演化特征及影响因素，有助于揭示物流企业集聚的形成机制。基于2006—2023年中国地级市物流企业地理位置数据，运用核密度分析、标准差椭圆、平均最近邻、空间自相关等空间分析方法，获取地级市尺度下物流企业时空格局及演化特征，并使用多尺度地理加权回归模型分析影响物流企业空间格局的因素及其空间分异特征。结果表明：（1）中国物流企业空间分布始终保持集聚特征，其空间格局经历了“一核带动、多点集聚”转变为“多核”，再逐渐转变为“双核”的演化过程，且存在廊道扩散和邻近扩散效应。（2）物流企业发展存在显著的正向溢出效应，发展较快的城市能够带动周边城市的发展。欠发达城市受发达城市的“虹吸效应”影响，处于“虹吸潮”的低洼地带具有显著的负向溢出效应。（3）第三产业就业人数和进出口总额为物流企业空间格局的主要影响因素。其中，进出口总额、外资企业数量为全局影响因素；第三产业就业人数和人均GDP为局部影响因素。

关键词： 物流企业; 空间演化; 影响因素; 多尺度地理加权回归; 地级市; 产业集聚

本文引用格式

戢晓峰 , 李子歆 , 曹瑞 , 李武 , 陈方 . 地级市尺度下中国物流企业空间格局演化特征及影响因素[J]. 干旱区地理, 2026 , 49(1) : 176 -185 . DOI: 10.12118/j.issn.1000-6060.2025.095

Abstract

Logistics enterprises play a crucial role in a regional economy, with their distribution directly affecting its resource allocation and market competitiveness. The study of the evolution characteristics of the spatial pattern of logistics enterprises in prefecture-level cities and their influencing factors can help reveal the formation mechanism of logistics enterprises’ agglomeration. Based on the geographic location data of logistics enterprises in prefecture-level cities in China from 2006 to 2023, we use spatial analysis methods, such as kernel density analysis, standard deviation ellipse, average nearest neighbor, and spatial autocorrelation, to obtain the spatiotemporal pattern and evolution characteristics of logistics enterprises at prefecture-level city scale. The factors affecting the spatial pattern of logistics enterprises and their spatial differentiation are analyzed using multi-scale geographically weighted regression models. The results reveal that (1) The spatial distribution of logistics enterprises in China has always maintained the agglomeration characteristics, and its spatial pattern has experienced the “one-core-driven, multi-point agglomeration” to “multiple cores” and then gradually to the “dual-core” evolutionary process, with corridor diffusion and neighborhood diffusion effects. (2) Logistics enterprise development has a significant positive spillover effect, as a faster development of a city can drive the development of neighboring cities. Underdeveloped cities around a developed city experiencing a “siphon effect” in the “siphon tide” of low-lying areas would experience a significant negative spillover effect. (3) The number of employments in the tertiary industry and the total amount of imports and exports are the main influencing factors of the spatial pattern of logistics enterprises. Moreover, the total amount of imports and exports and the number of foreign-funded enterprises are global influencing factors, while the number of employments in the tertiary industry and GDP per capita are local influencing factors.

Key words： logistics enterprises; spatial evolution; influencing factors; multi-scale geographically weighted regression; prefecture-level city; industrial agglomeration

2022年，《“十四五”现代流通体系建设规划》提出“优化商贸、物流、交通等设施空间布局”，充分肯定了物流空间格局在现代流通体系构建中的关键作用。物流企业是物流业的经济主体，承担着运输、仓储、配送、信息流通等多重职能。近年来，随着物流企业数量剧增，其空间分布与产业需求错位的现象日益凸显，严重制约了物流资源的高效配置及其与区域经济的协同发展。因此，揭示物流企业空间格局演化特征及影响因素，能够为物流产业规划制定提供科学指导，同时为企业选址提供理论依据和实践参考。
近年来，国内外学者对物流企业空间格局及影响因素开展了一系列研究。从研究内容看，主要聚焦于空间格局演化特征[1-2]、空间格局影响因素[3]、区位选择[4]等方面，其中空间格局演化和影响因素是关注热点。从研究对象看，主要集中于国家（中国[5-6]、美国[7]）、省域（浙江[2]）、市域（亚特兰大[8]、多伦多[9]、西安[10]、郑州[11]、武汉[12]、上海[13]）以及城市群（关中平原城市群[14]、长三角城市群[15]、京津冀城市群[16]）等，地级市尺度下的物流企业空间格局研究相对匮乏。不同城市的经济、政策、交通等存在较大差异，以地级市作为研究单元，有助于揭示城市物流企业空间分异机制。在影响因素研究方法方面，国外研究主要采用逻辑归纳法[17]等方法，国内研究采用泊松回归模型[4]、地理探测器[14-15]、地理加权回归（GWR）模型[16]、负二项回归模型[18]等方法。现有研究表明，物流企业空间格局的影响因素存在显著的空间异质性[19]，多尺度地理加权回归（MGWR）模型作为GWR模型的改进形式，有效克服了GWR模型在多尺度空间异质性方面的局限性。在影响因素选择方面，国内外学者对于影响因素的选择基本一致，主要为交通基础设施[20]、社会市场基础[21]和经济发展水平[15]等。对于交通因素而言，通常选择公路货运量[6]、货运周转量[14]作为具体指标，鲜有研究选择路网密度，而将其纳入影响因素将有助于深入解析路网对物流企业空间分布格局的作用机制。
综上所述，本文基于2006—2023年中国物流企业地理位置数据，以物流企业为主要研究对象，采用核密度分析、标准差椭圆等空间分析方法，深入探究地级市尺度下物流企业的空间格局演化特征，并运用MGWR模型分析影响物流企业空间格局的因素及其空间分异特征，以期为物流业布局提供参考依据[22]，并引导物流设施布局与城市空间协调发展。

1 数据与方法

1.1 研究范围

本研究将地级市作为空间分析的基本单元，以中国286个地级市的物流企业为研究对象（由于拉萨市、昌都市、林芝市、那曲市、日喀则市、山南市、三沙市相关数据缺失严重，暂不列入研究范围）。时间跨度为2006—2023年，2006年《中华人民共和国国民经济和社会发展第十一个五年规划纲要》明确指出要大力发展现代物流业，标志着现代物流业的地位得以确立。此后，国家针对物流业出台了一系列政策文件，使物流业迅速发展，研究这一时期的物流企业空间格局演化，能够全面解析物流业的发展动态。基于此，本研究选取2006、2009、2012、2016、2020年和2023年6个时间节点，探究地级市尺度下物流企业的空间格局演化特征及影响因素。

1.2 数据来源及处理

研究涉及的物流企业信息来自“天眼查”网站的企业登记信息，对企业类型和行业分类进行限制从而获取2006—2023年地级市物流企业研究数据。通过高德开放平台将企业注册地址信息转换为企业地理坐标信息。运用ArcGIS 10.8软件将物流企业作为“点”要素处理，导入企业地理坐标信息，对物流企业进行地理空间匹配。2020年交通路网数据和2022年行政区划边界数据来自资源环境科学数据注册与出版系统（http://www.resdc.cn/）。影响因素分析中使用的社会经济数据来源于各省市统计年鉴（2023年）和《中国城市统计年鉴》（2023年），个别缺失数据采用线性插值法补充。

1.3 研究方法

本研究利用核密度刻画地级市物流企业的空间格局，借助标准差椭圆分析量化其空间方向特征，运用平均最近邻测算其空间集聚特征，采用空间自相关揭示物流企业分布的整体和局部关联特征，引入MGWR模型解析物流企业空间格局影响因素的空间分异特征。
物流企业空间格局的影响因素存在空间异质性，带宽是分析研究影响因素空间异质性的关键指标[23]。GWR模型虽能对所有因变量划分带宽，但其带宽为每个因变量带宽的平均值，不能反映影响因素的局部差异。MGWR模型能够针对不同因变量设定不同的带宽，全面考虑空间异质性的影响。MGWR模型计算公式如下：
z δ = ∑ σ = 1 d β b ω σ ( f δ , g δ ) a δ σ + ε δ ， σ = 1 ,   2 , ⋯ ,   d
式中： z δ为在位置 δ处的因变量值； β b ω σ为第 σ个解释变量回归使用的地理带宽； β b ω σ ( f δ , g δ )为研究区域第 σ个解释变量在位置 δ处的局部回归系数； ( f δ , g δ )为位置 δ处的坐标； a δ σ为第 σ个解释变量在位置 δ处的值； ε δ为误差项。

2 结果与分析

2.1 地级市物流企业时空格局及演化特征

2.1.1 空间演化特征

运用ArcGIS 10.8软件对2006—2023年地级市物流企业进行核密度分析（图1）。研究发现，物流企业空间分布经历了由“一核带动、多点集聚”转变为“多核”，再逐渐转变为“双核”的演化过程。2006年，物流业处于起步阶段，企业数量少、规模小，呈现出“单核”聚集态势，核心位于珠三角地区。集聚点主要出现在沿海的长三角地区以及青岛、厦门等城市，以及内陆的成都、武汉和西安等经济发展较快的城市。2009年，随着城市物流需求的持续增长和相关产业的快速发展，物流企业核密度范围进一步扩大。尤其在长三角地区，随着区域经济一体化进程的加快，该地区形成了明显的物流企业集聚区，昆明、济南、长沙等省会城市也相继出现集聚点。2012年，在省会城市的带动下，周边城市的物流企业得到发展，集聚范围向城市外围进一步扩大，并在西安、成都、武汉形成集聚点。2016年，物流企业的集聚效应逐渐增强，长三角地区和西安、成都、郑州、武汉、青岛等城市形成集聚核心，集聚区呈现“斑块状”分布，东部地区聚集态势明显优于中西部地区。2018年后，随着《国家物流枢纽布局和建设规划》等政策颁布，交通与物流融合发展取得明显成效。2020年，物流企业集聚范围进一步扩大、集聚核心增加，各省会城市均出现集聚核心，其余地级市出现物流企业集聚区。2022年，《“十四五”现代物流发展规划》颁布后，物流资源整合进程加快，进一步推动了物流企业重组的进程。2023年，物流企业集聚核心数量骤减，仅存在长三角和珠三角2个核心且集聚区减少，物流企业呈现出扩散态势。
图1 地级市物流企业核密度分析

Fig. 1 Kernel density analysis of logistics enterprises in prefecture-level cities

2.1.2 空间扩散特征

（1）廊道扩散。廊道扩散是指物流活动在沿交通廊道分布与扩展的现象。高速公路作为连接地级市间物流活动的重要交通廊道，承担着货物运输的核心功能。将2020年地级市物流企业核密度分析与高速公路网进行匹配分析（图2）。研究发现：物流企业集聚呈现出显著的廊道扩散特征，具体表现为2020年物流企业集聚区呈现出沿高速公路带状延伸的发展格局，并在高速公路交汇处形成集聚点，表现出高速公路沿廊道扩散的特征。
图2 2020年高速公路分布与核密度分析匹配

Fig. 2 Matching of highway distribution and kernel density analysis in 2020

（2）邻近扩散。邻近扩散是指地理上接近核心区域的城市或地区，受核心区域辐射效应影响而发展的现象。由图1可知，地级市物流企业布局存在一定的空间邻近效应，离集聚核心较近的城市受到集聚核心物流企业的正向推动作用而发展。如长三角地区物流企业向周围地区的扩散，越邻近长三角地区的地级市物流企业核密度值越高。具体而言，长三角地区作为中国经济最为发达的区域之一，拥有完善的交通网络、密集的市场需求和强大的产业集群效应。这些优势促使长三角地区的物流企业在区域内集聚并快速发展，形成了显著的集聚核心。

2.1.3 空间方向特征

运用ArcGIS 10.8软件对2006— 2023年物流企业进行标准差椭圆分析（表1、图3）。整体上看，地级市物流企业分布格局大致呈现出“东北—西南”的空间分布模式。其中，长轴中轴线位于“济南-武汉-长沙”一线，短轴中轴线位于“南京-武汉”一线，椭圆内部以东部和中部的地级市为主。椭圆中心整体呈现出向东偏北方向移动的趋势，表明受地形和城市经济发展的影响，物流企业重心逐渐向东北方向迁移。具体而言，2006年椭圆转角为11.3497°，椭圆的长短轴差距最大，即椭圆的扁率最大，说明2006年物流企业的方向趋势和向心力程度最明显；2006—2023年椭圆长短轴差距逐渐缩小、椭圆扁率逐渐减小，表明自2006年起，物流企业数量在全国范围内呈现迅猛的增长态势，导致物流企业的方向趋势和向心力程度逐渐减弱。
表1 地级市物流企业标准差椭圆参数

Tab. 1 Standard deviation ellipse parameter of logistics enterprises in prefecture-level cities

年份 椭圆中心经度/°E 椭圆中心纬度/°N 长轴长度/km 短轴长度/km 长短轴差距/km 转角/(°)
2006 115.0129 30.5001 1137.3493 678.1388 459.2105 11.3497
2009 115.0120 30.7920 1136.2869 699.4086 436.8783 10.4809
2012 115.3627 31.6742 1097.2123 706.1017 391.1106 12.1632
2016 115.5566 32.2317 1056.2653 681.2854 374.9799 12.1285
2020 115.5574 32.2692 1015.2783 672.8005 342.4778 13.9228
2023 115.1534 32.2529 1045.1275 723.0230 322.1045 10.5968
图3 地级市物流企业标准差椭圆分析

Fig. 3 Standard deviation ellipse analysis of logistics firms in prefecture-level cities

2.1.4 空间集聚特征

运用ArcGIS 10.8软件分别对2006—2023年物流企业进行平均最近邻分析（表2）。结果显示，2006—2023年物流企业的最近邻比率均小于1，并通过了显著性检验，说明物流企业显著集聚。2006—2020年平均观测距离逐渐减小，最近邻比率不断下降，表明物流企业空间分布呈现出越来越集聚的态势。同时Z值不断下降，说明其空间格局呈现出较强的集聚分布特征。2020—2023年平均观测距离增大，最近邻比率由0.1217上升至0.1435，Z值增大。尽管其空间分布仍呈集聚特征，但相较于2020年之前其空间格局在一定程度上发生了扩散，表明随着物流资源整合步伐加快，物流企业选址和布局逐渐呈现出向外拓展的态势。
表2 地级市物流企业平均最近邻分析结果

Tab. 2 Average nearest neighbor analysis results for logistics companies in prefecture-level cities

年份 平均观测距离/km 最近邻比率 Z值 P值 分布类型
2006 975.2468 0.1425 -441.0534 0.0000 显著聚集
2009 812.1787 0.1420 -528.3189 0.0000 显著聚集
2012 719.0645 0.1421 -597.4309 0.0000 显著聚集
2016 479.3788 0.1296 -831.6884 0.0000 显著聚集
2020 373.5720 0.1217 -1015.6757 0.0000 显著聚集
2023 630.1272 0.1435 -686.7394 0.0000 显著聚集

注：Z值表示统计值；P值表示显著性水平。下同。

2.1.5 空间关联特征

为探究地级市物流企业的整体关联特征，运用ArcGIS 10.8软件分别对2006—2023年地级市物流企业全局莫兰指数（全局Moran’s I）进行计算（表3）。总体上看，全局Moran’s I指数在1%的置信水平下均显著为正，表明其空间分布具有很强的空间集聚和依赖关系。进一步分析全局Moran’s I指数的动态变化趋势，可以发现其呈现先上升后下降、继而再次上升最后下降的波动特征。具体而言，2006—2009年物流企业空间集聚性呈现逐步增强的趋势，2009—2016年逐渐减弱，直至2020年再次显著增强，但在2020—2023年又有所减弱。
表3 地级市物流企业全局自相关分析结果

Tab. 3 Results of global autocorrelation analysis of logistics enterprises in prefecture-level cities

年份 全局Moran’s I指数 Z值 P值
2006 0.0668 11.5576 0.0000
2009 0.1324 18.3909 0.0000
2012 0.1026 13.9922 0.0000
2016 0.0587 8.5120 0.0000
2020 0.0761 10.2908 0.0000
2023 0.0584 8.0763 0.0000
为了更加准确地识别各时间节点物流企业空间格局的局部关联特征，运用ArcGIS 10.8软件绘制2006—2023年地级市物流企业LISA聚类图（图4）。总体而言，地级市物流企业的空间分布存在4种集聚模式，其中高-高聚集区主要分布在中国东部沿海城市。2006年高-高聚集区为东南部沿海的12个地级市，2012年在华东地区扩散，增加到27个，2020年增加至36个，2023年与2020年基本持平。高-高聚集区物流企业发展存在正向溢出效应，低-高聚集区分布在高-高聚集区周围，从而带动低-高聚集区物流企业发展。低-低聚集区更多出现在中国东北和西部经济欠发达地区，高-低聚集区分布在这些经济欠发达地区的省会城市。由于高-低聚集区存在“虹吸效应”，而低-低聚集区位于“虹吸效应”所形成的低洼区域，使得该区域内物流企业的发展进程较为缓慢。
图4 地级市物流企业LISA聚类结果

Fig. 4 LISA clustering results of logistics enterprises in prefecture-level cities

2.2 地级市物流企业空间格局影响因素分析

2.2.1 影响因素选择

鉴于较长时间跨度对物流企业空间格局的影响较小[24]，本研究选择2023年地级市物流企业数量作为因变量。基于已有研究成果，从经济、社会、市场和开放程度选取7个指标（表4），分析物流企业空间格局的影响因素，探究其空间分异特征。
表4 物流企业空间分布影响因素

Tab. 4 Factors affecting the spatial distribution of logistics enterprises

维度 变量 指标
经济因素 地区经济水平 地区生产总值/104元
经济发展水平 地方财政收入总额/104元
社会因素 交通发展水平 道路网密度/km·km-2
劳动力水平 第三产业就业人数/104人
市场因素 居民消费能力 人均GDP/元
开放程度 国际贸易水平 进出口总额/104元
对外开放水平 外资企业数量/个

2.2.2 基于多尺度地理加权回归（MGWR）模型的影响因素分析

运用普通最小二乘法（OLS）模型、GWR模型和MGWR模型[25]分析物流企业空间格局影响因素。首先采用OLS模型检验物流企业空间格局与各因变量间的关系，结果显示除地区生产总值和地方财政收入总额外所有解释变量方差膨胀因子（VIF）值均小于10，故剔除地区生产总值和地方财政支出总额后，对其余影响因素进行GWR和MGWR分析。
由模型回归结果（表5）可知，MGWR模型的拟合优度（R2）和调整后R2分别为0.930和0.920，均大于OLS和GWR模型，且修正的赤池正信息量准则（AICc）明显低于OLS和GWR模型，说明MGWR模型与实际情况更为接近，故后续对MGWR模型结果进行分析。
表5 OLS模型、GWR模型和MGWR模型结果对比

Tab. 5 Comparison of OLS model, GWR model and MGWR model results

变量 OLS模型 GWR模型 MGWR模型
系数 VIF Mean 带宽 Mean 带宽
地区生产总值 0.00001** 19.67 - - - -
地方财政收入总额 0.00004* 18.54 - - - -
道路网密度 -73.27181 7.12 0.013 74 0.364 154
第三产业就业人数 1.21569 4.97 0.392*** 74 0.361*** 66
人均GDP 0.43760** 4.38 0.166*** 74 0.106*** 86
进出口总额 0.00002*** 2.61 0.666*** 74 0.472*** 286
外资企业数量 -1.01783*** 1.26 0.221*** 74 -0.206*** 183
AICc 4157.667 163.599 162.389
R2 0.885 0.924 0.930
调整后R2 0.883 0.912 0.920

注：OLS为普通最小二乘法；GWR为地理加权回归；MGWR为多尺度地理加权回归；VIF为膨胀因子；Mean为变量系数估计均值；AICc为修正的赤池正信息量准则；R2为拟合优度；***、**、*分别表示通过1%、5%和10%显著性检验。

由表5可知，GWR模型带宽为74，占总样本数量的25.8%。而MGWR模型中影响因素的带宽差异较大，能够反映影响因素的空间敏感性[24]。因此，根据带宽在全局样本中的占比，将带宽占比>50%的影响因素定义为全局因素，而带宽占比≤50%的定义为局部因素。
（1）全局影响因素分析
进出口总额、外资企业数量为全局影响因素，不具有空间异质性，回归系数在空间上变化较小。进出口总额的回归系数均值为0.472，表明其对物流企业的空间布局影响较大且呈现正向影响。外资企业数量的回归系数均值为-0.206，表明其对物流企业的空间格局影响较大且呈现负向影响。当前我国对外开放程度较高，外资企业数量较饱和，其选址多集中于经济发达、市场需求旺盛且基础设施完备、市场潜力较大的区域。物流企业倾向优先在外资企业集聚区布局，进而导致其他地区物流企业分布稀疏。
（2）局部影响因素分析
第三产业就业人数和人均GDP为局部影响因素具有空间异质性，回归系数在空间上变化较大。为分析局部影响因素与物流企业空间格局的空间分异特征，运用ArcGIS 10.8软件采用自然间断点分类法将回归系数分为5类，进行可视化分析得到各影响因素回归系数的空间分布（图5）。
图5 局部变量系数空间分布

Fig. 5 Spatial distributions of localized variable coefficients

第三产业就业人数对物流企业的空间分布呈现正向影响，对东部、东北部以及西部地区的物流企业空间分布影响较小，对中部地区影响最强。对于东部、东北部和西部地区而言，劳动力水平相对较高，劳动力水平提升对物流企业空间分布影响有限。而中部地区的劳动力水平相对较低，劳动力水平提高可显著降低物流企业运营成本，进而重塑该区域物流企业空间格局。
人均GDP对中西部地区物流企业的空间格局影响较小，甚至在山西省、陕西省、广西壮族自治区呈现负向影响，在东部沿海和北部地区呈现较强的正向影响。说明在东部沿海和东北地区人均GDP对物流企业的空间格局影响效果强于中部地区。相较于东部沿海和北部地区城市，中西部地区消费能力较低、运输距离较长、物流成本较高，导致物流企业难以实现规模效益，抑制了其发展，因此居民消费能力对物流企业的集聚作用不及前者明显。

3 讨论

研究物流企业空间格局的演化特征及影响因素能为物流业发展战略与政策制定提供理论支持，促进物流业和区域经济协同发展。由于中国内地全境物流企业数据的获取难度大，以往研究大多局限于省域[2]、市域[10,12]或城市群[14,16]等单一尺度来探讨物流企业的空间格局特征。本研究尝试从全国尺度出发将中国内地所有物流企业纳入研究范畴，极大地丰富了物流企业的研究视角。此外，在探究影响物流企业分布特征的因素时，现有研究较少关注物流企业空间布局影响因素的空间异质性[10,16]，本研究运用MGWR模型对影响因素进行分析，探究各因素是否具有空间异质性，能为各城市因地制宜调整物流业布局提供参考。最后，研究发现第三产业就业人数和进出口总额为影响全国物流企业空间格局的主要因素，但在关中平原城市群[14]和京津冀城市群[16]影响物流企业空间格局的主要因素均为企业集聚，说明不同尺度研究存在一定差异，全国尺度下物流企业空间格局受劳动力水平与外部贸易影响；而在较小尺度下，企业集聚效应会更明显，从而导致结果不同。

4 结论与建议

4.1 结论

（1）2006—2023年物流企业集聚经历了由“一核带动、多点集聚”转变为“多核”，再逐渐转变为“双核”的演化过程，且空间分布存在显著的廊道扩散和邻近扩散效应。
（2）物流企业的发展存在显著的正向溢出效应，物流企业发展较快的城市能够带动周边地区物流企业的发展。欠发达城市受发达城市的“虹吸效应”影响，处于“虹吸潮”的低洼地带具有显著的负向溢出效应。后续应重点关注欠发达地区，推动其物流企业均衡发展，以减弱“虹吸效应”影响。
（3）从物流企业空间格局的影响因素来看，第三产业就业人数和进出口总额为主要影响因素。其中，进出口总额、外资企业数量为全局影响因素，进出口总额能有效促进物流企业的集聚，外资企业数量则相反；第三产业就业人数和人均GDP为局部影响因素，第三产业就业人数在一定程度上推动了物流企集聚，而人均GDP在多数地区呈现正向作用，但在中西部欠发达地区受制于消费能力较低、运输距离较长、物流成本较高等约束从而呈现负向作用。

4.2 建议

（1）优化物流企业布局。应关注交通路网沿线的物流企业布局，尤其是在交通枢纽节点大力推进物流枢纽建设[26]，通过政策支持和规划引导，促进交通沿线物流企业的集聚发展，提升物流产业集聚效应。
（2）实施区域协调发展政策。分析发现，云南省、甘肃省、青海省等欠发达地区存在明显的负向溢出效应，因此针对此类地区物流企业空间布局优化，应鼓励资源整合与产业集聚，通过政策引导减少负向溢出效应，促进物流业均衡发展。
（3）建立物流产业示范区。在长三角、珠三角地区建立示范区并加大政策扶持和基础设施建设，吸引优质物流企业集聚，提升区域物流业发展水平。借助示范区的引领作用，促进物流产业集群效应，推动区域经济协调发展，为欠发达地区提供可复制的成功经验。
（4）加快物流业与其他产业融合，促进国际贸易与物流企业协同发展。在自贸试验区和跨境电商综合试验区建立“物流-贸易-产业”协同发展试验平台，推动物流企业与先进制造业、现代农业等产业建立战略联盟。同时，重点推动智慧港口、综合保税区、跨境电商产业园等节点设施的数字化改造。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
梁双波, 曹有挥, 吴威. 上海大都市区港口物流企业的空间格局演化[J]. 地理研究, 2013, 32(8): 1448-1456.

[Liang Shuangbo, Cao Youhui, Wu Wei. Spatial pattern evolution of port logistics enterprises in Shanghai metropolitan area[J]. Geographical Research, 2013, 32(8): 1448-1456.]

[2]
蒋天颖, 伍婵提, 陈改改. 浙江省A级物流企业时空格局特征研究[J]. 地理科学, 2017, 37(11): 1720-1727.

DOI

[Jiang Tianying, Wu Chanti, Chen Gaigai. Spatio-temporal pattern of Zhejiang A-class logistics enterprise[J]. Scientia Geographica Sinica, 2017, 37(11): 1720-1727.]

DOI

[3]
蒋天颖, 史亚男. 宁波市物流企业空间格局演化及影响因素[J]. 经济地理, 2015, 35(10): 130-138.

[Jiang Tianying, Shi Yanan. The spatial pattern evolution and influencing factors of logistics enterprises in Ningbo[J]. Economic Geography, 2015, 35(10): 130-138.]

[4]
王瑞, 蒋天颖, 王帅. 宁波市港口物流企业空间格局及区位选择[J]. 地理科学, 2018, 38(5): 691-698.

DOI

[Wang Rui, Jiang Tianying, Wang Shuai. Spatial pattern and location selection of port logistics enterprises in Ningbo[J]. Scientia Geographica Sinica, 2018, 38(5): 691-698.]

DOI

[5]
潘方杰, 万庆, 冯兵, 等. 中国物流企业空间格局及多尺度特征分析[J]. 经济地理, 2021, 41(6): 97-106.

DOI

[Pan Fangjie, Wan Qing, Feng Bing, et al. Multi-scale analysis of spatial pattern characteristic of the logistics companies in China[J]. Economic Geography, 2021, 41(6): 97-106.]

DOI

[6]
潘方杰, 王宏志, 宋明洁, 等. 基于GIS的中国A级物流企业时空演变特征及其影响因素[J]. 长江流域资源与环境, 2020, 29(10): 2186-2199.

[Pan Fangjie, Wang Hongzhi, Song Mingjie, et al. Study on the spatio-temporal evolutionary characteristics and the influencing factors of A-grade logistics companies in China based on GIS[J]. Resources and Environment in the Yangtze Basin, 2020, 29(10): 2186-2199.]

[7]
Sun B W, Li H M, Zhao Q. Logistics agglomeration and logistics productivity in the USA[J]. The Annals of Regional Science, 2018, 61(2): 273-293.

DOI

[8]
Dablanc L, Ross C. Atlanta: A mega logistics center in the Piedmont Atlantic megaregion (PAM)[J]. Journal of Transport Geography, 2012, 24: 432-442.

DOI

[9]
Woudsma C, Jakubicek P, Dablanc L. Logistics sprawl in North America: Methodological issues and a case study in Toronto[J]. Transportation Research Procedia, 2016, 12: 474-488.

DOI

[10]
张圣忠, 柴廷熠. 西安市物流企业空间格局演化及影响因素分析[J]. 世界地理研究, 2021, 30(6): 1275-1285.

DOI

[Zhang Shengzhong, Chai Tingyi. Spatial evolution and influencing factors of logistics enterprises in Xi’an[J]. World Regional Studies, 2021, 30(6): 1275-1285.]

DOI

[11]
Zhao X Y, Miao C H. Research on the spatial pattern of the logistics industry based on POI data: A case study of Zhengzhou City[J]. Sustainability, 2023, 15(21): 15574, doi: 10.3390/su152115574.

[12]
Lu J, Luo J, Tian L L, et al. Spatial patterns and the evolution of logistics service node facilities in large cities: A case from Wuhan[J]. ISPRS International Journal of Geo-Information, 2024, 13(3): 82, doi: 10.3390/ijgi13030082.

[13]
王东方, 张华荣, 李金峰, 等. 上海市物流企业时空格局演化及区位选择[J]. 经济地理, 2023, 43(11): 135-144.

DOI

[Wang Dongfang, Zhang Huarong, Li Jinfeng, et al. Evolution of the spatio-temporal pattern and location selection of logistics enterprises in Shanghai[J]. Economic Geography, 2023, 43(11): 135-144.]

DOI

[14]
张圣忠, 孟迪, 柴廷熠. 关中平原城市群物流企业空间格局演化及影响因素研究[J]. 世界地理研究, 2024, 33(4): 117-129.

DOI

[Zhang Shengzhong, Meng Di, Chai Tingyi. Spatial evolution and influencing factors of logistics enterprises in Guan-Zhong Plain urban agglomeration[J]. World Regional Studies, 2024, 33(4): 117-129.]

DOI

[15]
李天宇, 陆林, 张海洲, 等. 长三角城市群A级物流企业空间演化特征及驱动因素[J]. 经济地理, 2021, 41(11): 157-166.

DOI

[Li Tianyu, Lu Lin, Zhang Haizhou, et al. Evolution characteristics and driving factors of A-level logistics enterprises in the Yangtze River Delta urban agglomeration[J]. Economic Geography, 2021, 41(11): 157-166.]

DOI

[16]
张璐璐, 赵金丽, 宋金平. 京津冀城市群物流企业空间格局演化及影响因素[J]. 经济地理, 2019, 39(3): 125-133.

DOI

[Zhang Lulu, Zhao Jinli, Song Jinping. Spatial evolution and influencing factors of logistics enterprises in Beijing-Tianjin-Hebei urban agglomeration[J]. Economic Geography, 2019, 39(3): 125-133.]

DOI

[17]
Li G Q, Jin F J, Chen Y, et al. Location characteristics and differentiation mechanism of logistics nodes and logistics enterprises based on points of interest (POI): A case study of Beijing[J]. Journal of Geographical Sciences, 2017, 27(7): 879-896.

DOI

[18]
赵学伟, 张志斌, 冯斌, 等. 西北内陆中心城市物流企业空间分异及区位选择——以兰州市为例[J]. 干旱区地理, 2022, 45(5): 1671-1683.

DOI

[Zhao Xuewei, Zhang Zhibin, Feng Bin, et al. Spatial differentiation and location choice of logistics enterprises in the central cities of inland northwest China: A case of Lanzhou City[J]. Arid Land Geography, 2022, 45(5): 1671-1683.]

DOI

[19]
Liu S J, Zhu C J, He N N, et al. Role of mountains and rivers in the formation of logistics enterprises’ spatial pattern in the central urban areas of Chongqing[J]. Journal of Mountain Science, 2022, 19(7): 2060-2074.

DOI

[20]
He M L, Shen J R, Wu X H, et al. Logistics space: A literature review from the sustainability perspective[J]. Sustainability, 2018, 10(8): 2815, doi: 10.3390/su10082815.

[21]
Jing N, Cai W X. Analysis on the spatial distribution of logistics industry in the developed east coast area in China[J]. The Annals of Regional Science, 2010, 45(2): 331-350.

DOI

[22]
戢晓峰, 王然, 陈方, 等. 中国城市物流蔓延的时空演化特征——基于329个城市的物流用地面板数据[J]. 地理科学, 2021, 41(2): 215-222.

DOI

[Ji Xiaofeng, Wang Ran, Chen Fang, et al. Spatial-temporal evolution characteristics of urban logistics spread based on the logistics land panel data of 329 cities in China[J]. Scientia Geographica Sinica, 2021, 41(2): 215-222.]

DOI

[23]
林秋平, 李松芮, 杨上广, 等. 乌鲁木齐市物流企业区位时空演化、影响因素和发展策略研究[J]. 干旱区地理, 2024, 47(7): 1252-1262.

DOI

[Lin Qiuping, Li Songrui, Yang Shangguang, et al. Spatiotemporal evolution, influencing factors, and development strategies of logistics enterprise location in Urumqi City[J]. Arid Land Geography, 2024, 47(7): 1252-1262.]

DOI

[24]
李松芮, 林秋平, 杨上广. 新疆物流企业空间布局多尺度演化特征及影响因素研究[J]. 干旱区地理, 2025, 48(4): 739-752.

DOI

[Li Songrui, Lin Qiuping, Yang Shangguang. Multi-scale evolution characteristics and influencing factors of spatial layout of logistics enterprises in Xinjiang[J]. Arid Land Geography, 2025, 48(4): 739-752.]

DOI

[25]
Oshan T M, Li Z, Kang W, et al. MGWR: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale[J]. ISPRS International Journal of Geo-Information, 2019, 8(6): 269, doi: 10.3390/ijgi8060269.

[26]
戢晓峰, 孔林, 曹瑞, 等. 我国都市圈物流企业空间集聚的时空演化特征与引导策略研究[J]. 昆明理工大学学报(社会科学版), 2025, 25(2): 105-116.

[Ji Xiaofeng, Kong Lin, Cao Rui, et al. Spatiotemporal evolution characteristics and guiding strategies of spatial agglomeration of logistics enterprises in China’s metropolitan regions[J]. Journal of Kunming University of Science and Technology (Social Sciences Edition), 2025, 25(2): 105-116.]

Options
文章导航

/

〈 〉