全球大都市城际信息网络的测度及其社会经济意义研究

徐庭伟 罗守贵

摘 要：全球化视角下，城市间频繁且巨量的信息交互承载了丰富的社会经济内涵。以Globalization and World Cities公布的2018年世界级城市名录中55个Alpha级城市为基础，编写Python程序完成了基于谷歌搜索的上述城市城际信息网络构建和测度，并以此为基础进一步研究了全球视角下城市信息流总量的社会经济意义及城际信息流量与区域发展水平的联系。一方面通过回归算法，验证了城市信息流总量与其人口、GDP增速、高级服务型跨国公司机构数量、生活消费水平、旅游业规模等指标显著相关;另一方面，通过社会网络分析的方法，从中心性、聚类系数等角度分析了全球大都市城际信息网络与区域发展水平之间的内在联系，证明了城际信息网络在研究全球城市及区域发展和联系中的重要意义。研究结论为研究城市影响力和城际关系开辟了一条新的道路。

关键词：城际信息网络;城市信息流总量;城际信息流量;爬虫技术;社会网络分析

Abstract：From the perspective of globalization， frequent and massive information exchange between cities carries rich social and economic connotations. Based on 55 Alpha-level cities noted in the “classification of cities 2018” published by Globalization and World Cities， this paper writes a python program to complete the construction and measurement of the above-mentioned metropolises inter-city information network based on Google， and further studies on the socio-economic significance of the total amount of city information flow and the link between inter-city information flow and regional development level from a global perspective. On the one hand， through the regression algorithm， it is verified that the total amount of city information flow is significantly related to its population， GDP growth rate， the number of high-end service multinational corporations， the level of living consumption， and the scale of tourism; on the other hand， the method of social network analysis， from the perspective of centrality and clustering coefficient， analyzes the intrinsic relationship between metropolitan inter-city information network and regional development level， and proves the significance of inter-city information network in the study of global city and regional development and linkage. It has opened up a new path for studying city influence and inter-city relations.

Key words：inter-city information network; total city information flow; inter-city information flow; Crawler; social network analysis

隨着全球城市之间日益频繁的资源和信息交互，空间限制在很大程度上被打破，“流空间”成为城市经济学和经济地理学极其重要的研究视角。但由于城市分属于不同国家，且统计口径往往存在差异，想要获取各种“流”的数据殊为不易。互联网的极大普及使得各种“流”都被映射在网络上，这给城际联系的研究带来了全新的途径：将网络上城市之间的信息交互情况作为综合性的“流”指标来进行相关研究。本文以全球用户数量最多的谷歌搜索引擎为工具，建立了全球主要大都市城际信息网络，在反向追溯其分解性的各种“流”的经济学内涵的基础上，进一步验证了城际信息流量与城市和区域发展之间的内在联系，论证了该模型的理论和实践意义。

1 文献综述

1.1 城际关系

学术界对城际关系的研究大致上可以分为四个阶段：

第一个阶段是由Christaller提出的中心地理论。中心地向它周围的区域提供贸易、金融、行政、文化等服务，中心地的等级由中心地所能提供的商品和服务的级别决定，中心地的等级决定了中心地的数量、分布和服务范围，形成了以市场原则、交通原则和行政原则为基础的城市等级体系。

第二个阶段的核心观点在于“系统”，由西方学者于20世纪60年代以后提出。城市系统被定义为一组相互依赖的城市，这个城市集构成了一个国家或地区。城市发展变化来自系统内城市强烈的相互作用形成的反馈效应。这些理论与中心地理论的分歧在于城市网络的本质被认为是不同规模的城市间既合作又竞争形成的复杂关系，是基于各自的需求形成的，与层级关系并没有直接联系。

第三个阶段是世界城市假说。Friedmann通过对那些拥有强大资本力量的世界性城市的研究，提出了著名的世界城市假说：城市是资本组织和协调的基准点，世界城市集中了大量的战略性资本，进而成为了世界城市系统的重要中心节点。世界城市的七个指标包括主要的金融中心、跨国公司总部所在地、国际性机构的集中地、第三产业的高度增长、主要的制造业中心、世界交通的重要枢纽、城市人口规模达到一定标准。

第四个阶段则是Castells提出的“流空间”理论。流空间是一个相对于场所空间的概念：“不必地理邻接即可实现共享的社会实践的物质组织。”受益于信息化和全球化，生产、销售及服务效率大大提升，尤其是知识基础性产业，能够聚集来自世界不同区域的资源。经济的组织结构从静态的，以地域空间结构为基础转变为“流空间”。城市之间形成频繁的“流”交互使得系统中各节点都能够获得更多的资源和机会，网络效应凸显，进而促进区域整体的协同发展。

1.2 社会网络分析

社会网络分析通常意义上指通过网络和图论来研究分析社会结构。该方法使用节点（网络中的个体）和连接（节点间的关系）来表征网络的结构。

社会网络分析的理论最早源于Georg Simmel和mile Durkheim等社会学家关于人与人之间关系模式的研究。20世纪以后，社会网络的概念被广泛应用于从人际关系到国际社会各种规模的社会系统成员之间的复杂关系。在20世纪30年代，Jacob Moreno和Helen Jennings系统地阐述了社会网络的基本分析方法，此后大量学者拓展了社会网络分析的使用范围，使其被广泛应用于社交媒体、疾病传播、信息流通、文献研究等众多领域之中。社会网络分析是研究城市网络的重要工具，Taylor、李响、方大春等均在其文章中探讨了网络效应对全球（区域）城市网络的深刻影响。

2 全球主要大都市城际信息网络

2.1 网络构建及测度方法

本文网络分析所涉及的全球主要大都市来自Globalization and World Cities（GaWC）公布的2018年世界级城市名录中的Alpha级城市，共计55个。

本文建立的城际信息网络主要包括三个数据指标：

1. 城际信息流量

该数据直接来源于谷歌搜索结果数，通过Python编写的爬虫程序，对同时包含城市A和城市B的所有结果数进行抓取和格式化，因“城市A城市B”和“城市B城市A”的數据结果可能存在差异，将其相加作为A和B之间的城际信息流量。城际信息流量的搜索结果采用了6种联合国官方语言（英语、汉语、西班牙语、法语、俄语、阿拉伯语）各自搜索结果之和。在实际意义上，当两个城市名称同时在一个互联网搜索条目出现时，必然反映这两个城市发生了某种经济社会联系。

2. 城市信息流总量

该数据以城际信息流量为基础，将所有涉及该城市的城际信息流量相加，反映的是该城市在整个城市网络中与其他所有城市联系的总和。

3. 城市信息流总量内容

该数据来自Google Trends，展示了以城市A为关键词的谷歌搜索结果中，涉及不同领域如商务、贸易、旅游等内容的数量。

2.2 网络初步分析

根据以上设计，通过Google搜索并将结构化的数据汇总，主要结果见表1和表2。

纽约城市信息流总量排名第一，与第二名相比有很大幅度的领先。巴黎、芝加哥、洛杉矶、墨西哥城、伦敦、华盛顿、香港、旧金山分列二至九位，相邻排位的城市信息流总量差距不大。

从国家层面来看，美国城市在全球主要大都市城市信息流总量中占据极大的领先位置，前10中有6席是美国城市。欧洲城市在前10位中占据2席，前20位中共6席。中国香港位列第8，北京位列第18。澳大利亚在数据面上同样表现优异，悉尼和墨尔本分列14、19位。

从区域整体上来看，北美城市在城际信息交互中表现极为活跃，有9座城市位列前20。其次是欧洲，有6座城市。亚太地区除新加坡外，中国和澳大利亚各自拥有2座排名前20的城市。南美、南亚、西亚以及非洲均无城市上榜。

为更好地解释城市信息流总量差异的原因，将城市信息流总量内容中2014—2019年前25项热门内容做如下统计归类：

地域：搜索内容为城市或州、省、区;

交通：搜索内容涉及城市的交通信息;

经济：搜索内容涉及城市的股票、公司等经济相关信息;

生活：搜索内容涉及城市相关生活事项如餐饮、住宿、天气等;

文体：搜索内容涉及城市相关文体活动如教育、体育比赛、新闻等;

时间：涉及城市当地时间。

纽约的城市信息流总量遥遥领先，从内容上看，它是唯一一个各种分类内容占比均匀的城市，从这个角度看，纽约是全球主要大都市中综合竞争力最强、功能最为完善、发展最为平衡的城市。

从经济方面看，新加坡的城市信息内容中，与经济相关的内容占据了五分之一，远高于其他城市，因此新加坡的城市定位更偏向于金融城市，这与新加坡是继纽约、伦敦、香港之后的第四大国际金融中心、亚洲重要的服务和航运中心之一的现状是符合的。不过需要说明的是，新加坡的城市信息内容中经济内容占比最大并不代表其经济发展水平要高于其他城市，仅仅说明对新加坡而言，经济活动是其城市发展的主要驱动和城市的主要功能。

文体内容的占比高说明该城市在市民活动和文化等领域发展较好，典型的城市有芝加哥和华盛顿，其城市信息流总量内容包含着大量的电视电影、体育赛事等方面的信息。北京的文体相关内容尽管也占比较大，但主要都与2008年北京奥运会相关，由此可见，奥运会确实在很大程度上提升了北京在全球的影响力，但也反映了在日常的文体活动中，北京仍有待提高。

交通和生活两项的加总在一定程度上反映了城市在旅游功能上的表现，巴黎和伦敦此两项之和占比最高，反映出旅游业在巴黎和伦敦城市发展中的重要地位。

地域和交通两项的加总则从侧面反映了城市在与其他城市联通中的重要性，这一类城市往往是区域的交通枢纽，例如洛杉矶、墨西哥城、伦敦、中国香港和北京。

3 城市信息流经济学含义的计量分析

城市之间的信息交互是频繁且巨量的、直观的，我们认为这种复杂的信息是由人流、物流、资金流等各种简单的“流”组成的。但是这些“流”往往又紧密地结合在一起，比如旅游信息就是交通、收入、消费等信息的综合反映，这就使得研究城市信息流的经济学含义变得十分困难。本文提出的一个可行的方法是，不再将城市经济流拆解为单一的各种“流”，而是寻找其他的经济学指标，通过计量的方法，在尽可能地排除内生性的情况下，研究哪些城市的统计指标与城市信息流总量存在显著的相关性，并以此为基础分析城市信息流的社会经济内涵。

本节主要通过回归算法探讨城市信息流的社会经济意义。

3.1 数据来源及变量说明

虚拟变量：

1.国家（country）

将城市所在国家分为四类：美国、其他发达国家、中国、其他发展中国家并分别赋值1、2、3、4。采用这样的分类是考虑到目前美国是世界上唯一的超级大国，其整体发展水平要超过一般的发达国家，中国作为发达国家还是发展中国家尚存争论，因此将中国和美国单独分类。

2.行政等级（administrative rank）

将所有城市按照行政等级分为首都城市和非首都城市，分别赋值1和2。

3.港口城市（port）

将所有城市分为港口城市和非港口城市，分别赋值1和2。设立该虚拟变量的原因是考虑到在国际贸易中，港口是最主要的货物集散中心，其重要性要超过铁路、公路和航空。

实数变量：

4.跨国高级服务业机构数（service firms）

跨国高级服务业机构是GaWC统计的100家全球性服务企业和组织在全球315个城市的机构数量，包括银行、保险、法律、咨询管理、广告和会计等行业以及非政府组织。这些企业或者组织在全球活动中具有主导和带动作用，它们在某个城市的机构数量越多、等级越高，该城市在世界城市中的地位就越重要。

5.生活成本指数（cost of living index）

数据来源于NUMBEO，该系数以纽约为参照，衡量了2018年不同城市的生活成本，包括一般商品、饮食、交通等，但不包括房租费用。城市的生活成本与城市的发展水平可能存在相关性，一般来说，更发达的城市一般有更高的生活成本。

6.房租指数（rent index）

数据来源于NUMBEO，该系数以纽约为参照，衡量了2018年不同城市的租房价格。租房价格从侧面反映了一个城市的房价水平，而房价水平一般被认为与城市的发展水平存在一定联系。

7.交通指数（traffic index）

数据来源于NUMBEO，该系数以纽约为参照，衡量了2018年不同城市的交通成本，该系数综合了通勤时间和交通碳排放量等指标。

8.城市人口（city population）

数据来源于Ceoworld，统计了2018年全球主要大城市的城市人口数量。部分缺失城市的数据根据该城市或城市所在地统计年鉴补齐。

9.都市圈人口（metro population）

数据来源于Ceoworld，统计了2018年全球主要大城市的都市圈人口数量。部分缺失城市的数据根据该城市或城市所在地统计年鉴补齐。

10.旅游市场（tourist market）

数据来自WTTC 组织发布的CITY TRAVEL&TOURISM IMPACT 2018。发达的旅游业会给城市带来巨大的交通流量和旅游收入，且全球性的旅游信息发布对互联网有很强的依赖性。

11.收入水平（earning level）

数据来自UBS发布的UBS global cities ranking 2018，数据综合考察了包括公交司机、医生、教师等15个职业在不同城市的收入水平。城市的收入水平理论上应与城市的发展水平存在一定相关性。

12.GDP增速（GDP rate）

PricewaterhouseCoopers UK Economic Outlook中给出了2008年全球主要城市的GDP，并对2025年的GDP做了估计。Citymayor根據历年数据，对2020年全球主要城市的GDP做了估计。考虑到2008年的GDP数据时效性明显较差，因此本文综合了不同机构对2020年和2025年GDP的预测情况，估算了2018年各城市的GDP增速作为变量参与回归。

3.2 回归结果及分析

通过相关性分析和初步的回归，生活成本指数和房租指数、城市人口和都市圈人口两组变量有较强的内生性，因此在最终的回归中，考虑到生活成本指数综合性更强，城市人口比都市圈人口能更准确衡量城市的人口，因此选用这两个变量。交通指数和收入水平与城市信息流总量相关性较低，因此在最终的回归中也将其剔除。回归结果见表4。

由回归结果可知，国家中的2值、跨国高级服务业机构数、生活成本指数、城市人口、旅游市场和GDP增速对城市信息流总量均为显著。

国家中的2值代表了除美国外的其他发达国家，该变量显著且系数为负，说明美国作为唯一的超级大国，领先于其他发达国家，其城市在全球城市网络中也占据重要的地位。

跨国高级服务业机构数是GaWC对世界城市进行排名的最重要依据指标，该变量显著说明了城际信息流量与GaWC认可的世界城市的影响力有显著的正相关关系：城市信息流总量越大，该城市在全球城市网络中的影响力就越强。

生活成本指数与城市信息流的显著正相关说明城市信息流作为城市发展水平综合性的评价指标，能够反映城市物价、消费水平的高低。这些指标表面上是本地化信息的体现，实际上也与其全球化水平有关。

城市人口变量显著且系数为负。一般而言，城市的人口应与城市信息流总量呈显著的正相关：城市人口越多，城市信息流总量就越大，这与在国内使用百度搜索完成的国内城际信息网络的结果是一致的。但是在全球视角下，城市人口系数为负的原因是对发展中国家（尤其是一些人口大国）而言，在城市化进程中正处于大量人口向中心城市聚集的阶段，而欧洲等地区的发达国家却已经开始逐渐出现逆城市化的趋势，且人口普遍远远少于发展中国家;同时，发展中国家的中心城市受到国家整体发展水平的限制，其城市人口所带来的信息量绝大部分是被限制于国内甚至是更小区域的，从全球城市网络的视角来看，这些城市的信息量反而低于人口较少的发达国家城市。

发达的旅游业会给城市带了巨大的交通流量和旅游收入。全球性的旅游信息发布对互联网有很强的依赖性。旅游市场规模与城市信息流总量有较为显著的正相关关系，说明了城市信息量是能够涵盖旅游业的城市发展综合发展水平的指标。

GDP 增速与城市信息流的显著正相关则直接证明了，城市经济的发展过程同样也是城市信息流总量增长的过程，尤其是全球化和信息化程度越来越高的当下背景，大量经济相关信息的上网使得城市信息流能更好、更准确地反映城市的经济发展水平。

4 社会网络分析

社会网络分析是通过图论和网络来分析点与连接关系的重要方法。Pajek是用于研究大型复杂非线性网络的有力工具。本章使用Pajek软件来分析城际信息网络的特征。

结合上述数据特点，将城际信息流量低于平均值（约4亿）的城际联系删除，保留高于平均值的城际联系，构成城际信息网络的无向图。

4.1 中心性分析

中心性是社会网络分析中最重要的概念之一，用来表示节点在社会网络中的重要性，其数字化的表示即为中心度。根据测定方法的不同，一般可以将中心度分为三类：

1.度中心度（degree centrality）

度中心度衡量某个节点与其他节点连接数的总和。如果一个节点与很多其他节点有直接的关联，该节点就居于中心地位，从而拥有较大的权力。

2.接近中心度（closeness centrality）

接近中心度度量的是节点到其他节点的距离，是一种对不受其他节点控制的测度。如果一个点与网络中所有其他点的距离都很短，则称该点是整体中心点。

3.中介中心度（betweenness centrality）

中介中心度统计经过节点最短路径的数量。如果一个节点处于许多交往网络路径上，可以认为此节点居于重要地位，因为它具有控制其他节点的交往能力，发挥沟通其他节点的桥梁作用。它测量的是节点对网络资源控制的程度。

由中心度数据发现，纽约在三个中心度中均排列第一，巴黎、中国香港和伦敦也始终保持在前四。度中心度前10的城市中有一半是美国城市，可见在目前的全球大都市城际网络中，美国城市仍然占据了更多的中心城市数量，拥有重要的地位。接近中心度指标的前10可以大致分为三个层级，纽约和巴黎接近为第一层级，中国香港和伦敦为第二层级，其余第5～10名城市为第三层级。中国香港和伦敦之所以在该数据上略低于纽约和巴黎，主要是受其所属国家的影响，在全球性的交流活动中，中国目前的开放程度尚有不足，而英国又长期与欧盟保持一定程度的距离，因此在不受其他节点控制的维度上，中国香港和伦敦处于第二层次。而在中介中心度方面，美国城市不再具有显著优势，仅纽约和旧金山位居前十。旧金山的城市信息流总量内容中，有大量与其他城市相关的信息占据搜索热度前列，比如圣迭戈、拉斯维加斯等，由此可知旧金山是美国城市中一个重要的节点，而其他度中心度较高的城市比如芝加哥和洛杉矶，则处于一个完全连通的局部网络中，对其他节点的控制能力较弱。欧洲地区则有巴黎、伦敦和马德里位列前十，马德里作为南欧的旅游、文化中心，对其周边城市具有很强的控制和辐射能力。亚太地区在中介中心度前十中占据4席，从某个侧面也反映出了该地区发展的不均衡，除了新加坡，其余3个城市中国香港、北京和上海均位于中国，由此可见中国在亚太地区有着较强的控制和辐射能力，影响力和地位举足轻重，这与中国较大的经济体量、人口、腹地和近年来活跃的经济有关。

4.2 聚类系数

在图论中，集聚系数（也称群聚系数、集群系数）是被用来描述一个图中节点聚集程度的系数。具体来说，是一个点的邻接点之间相互连接的程度。证据显示，在现实网络结构，特别是社交网络中，节点总是趋向于建立一组严密的组织关系。也就是说，相对于在两个节点之间随机连接而得到的网络，真实世界网络的聚类系数更高。

全局聚类系数（CC2）是基于结点三元组的数目计算的。一个三元组是指其中有两条（开三元组）或三条（闭三元组）无向边连接的三个结点。全局聚类系数是所有三元组（包括开和闭的）中封闭三元组的数目。

由表5数据可以发现，全局聚类系数的分布与接近中心度相似：纽约和巴黎相对较高，中国香港和伦敦略低，其余第5～10名城市更低。其社会经济的解释同样与接近中心度类同：在全球视角下，纽约和巴黎的开放程度更高，与其相邻的节点中存在大量的三元组，而中国香港和伦敦受其所在国家的政策影响，其部分相邻节点之间无直接联系，因此在全局聚类系数上略低于纽约和巴黎。

4.3 分类分布

为了更直观地研究城际信息网络与全球城市和区域發展水平之间的联系，将模型中的城市做如下分类，并按照其分类根据相对的实际地理大致方位结合节点的度做出分类分布，如图3所示。

如图3所示，非洲地区仅南非城市约翰内斯堡进入本模型城市名单且无与其他节点的有效连接（城际信息流量均在平均值以下），这与非洲地域大幅度落后的发展水平是吻合的。欧洲地区节点城市众多，且节点的度从小到大分布较为均匀，这与欧洲地区发展水平普遍较高，但由于国家众多，各城市尽管地理位置接近但独立性较高的实际情况非常贴近。西亚和中亚地区最大的节点城市是迪拜，其次是印度的孟买和新德里，西亚和中亚地区因历史和文化原因，相对较为封闭，尽管迪拜已是举世闻名的国际性大都市，印度也在快速发展，但是其全面的开放和发展仍需时日。东亚、南亚以及澳大利亚地区的节点，较高度数和低度数节点较少，中等度数的节点相对较多，主要涉及新加坡、中国、韩国、日本和澳大利亚五个国家，中国拥有最多的节点城市——香港、北京、上海、广州、深圳和台北，表明了中国在亚太地区的影响力与日俱增，但国内重要性和繁荣程度不低于香港的北京、上海、广州和深圳在全球视角下度数却较低，这也从侧面说明了国内的大城市仍需要坚持开放政策以谋求更好的发展。北美地区节点众多且均为高度数节点，整体呈U型分布，这与实际中北美地区普遍的高发展水平，且大城市均分布于东西海岸的实际情况完全相符。南美地区仅布宜诺斯艾利斯有有效的对外连接，且其为数不多的连接均是与北美和欧洲城市之间的联系，这也符合南美地区发展相对低迷，且因历史原因受欧洲和北美国家影响较大的现状。

各地区整体上的对外联系强度方面，可以发现欧洲与北美地区城市之间的联系强度最大、最为活跃。之后，依次是北美和亚太地区、欧洲和亚太地区的联系，南亚、西亚与其他地区的联系强度相对较低，南美洲和非洲地区则在很大程度上比较封闭（仅从图论而言）。

5 结论与启示

本文通过Python爬虫程序，构建了基于谷歌搜索引擎的55个全球大都市城际信息网络，并初步分析了排名前列的大城市城际信息流量的内容。

通过回归分析发现，城市信息流总量与城市所属国家、跨国高级服务业机构数量、城市生活成本、城市人口、旅游市场规模以及GDP增速显著相关。其中，跨国高级服务业机构数量，城市生活成本，旅游市场规模以及GDP增速与城市信息流总量正相关，城市人口与其负相关。在城市所属国家方面，美国的城市在活跃度上要显著高于其他发达国家，这表明城市信息流总量能综合反映一个城市政治、经济、文化等各方面的发展程度，比GDP、人口等传统指标更能衡量城市的综合发展水平。

通过社会网络分析，发现城际信息网络的分布特征与实际的城市和区域发展情况十分相符：美国各城市的度中心度排名前列显示了美国领先的整体发展水平和开放层次;接近中心度和全局聚类系数前10位城市中纽约和巴黎、中国香港和伦敦、其余5～10名城市三层级的划分显示了城市发展水平与政治因素的综合影响;中国城市在中介中心度指标的领先证明了中国在亚太地区有较强的影响和辐射能力。同时，整体上非洲、欧洲、南亚和西亚、亚太、北美、南美6个地区不论是城市节点分布情况，还是与其他地区的联系强度都与其对应的社会经济文化发展水平符合。

总而言之，本文构建了全球主要大都市城际信息网络，完成了城际信息流量、城市信息流总量及其内容的测度和其各自社会经济意义的解释，为研究城市影响力和城际关系开辟了新的思路。在此基础上，未来可以在多个方面做出更多拓展性的研究：

第一，可以逐步增加网络中城市的数量，形成一个更全面、覆盖面更广的全球城际信息网络。

第二，可以通过对城际信息的时间条件进行约束，形成城际信息流量的时间序列数据，以此为基础研究城际信息网络随时间以及事件刺激的动态变化，并进一步分析预测全球城市和区域的发展趋势。

第三，可以研究城际信息网络对其中城市的反向作用——某城市或地区较强的信息流量是否能够促进该地区其他城市的发展。

城际信息网络模型的构建和测度对分析全球视角下的城市功能定位、城市群规划、区域协调发展都有着重要的理论和实际意义。

参考文献：

[1] 张闯. 从层级到网络：城市间关系研究的演进[J]. 财经问题研究， 2009（3）：22-27.

[2] SIMMONS J W， ALONSO W， BOURNE L S. Systems of cities ：readings on structure， growth， and policy[M]. Oxford：Oxford University Press， 1978， 145（3）：12-22.

[3] 曾浩. 城市群内城际关系及其对城市发展影响研究——以武汉城市圈为例[D]. 武汉：中国地质大学（武汉），2016.

[4] PRED A. Recognising european modernities：a montage of the present[M]. London：Routledge， 2014.

[5] ESPARZA A X， KRMENCE A J. Large city interaction in the US urban system[J]. Urban Studies， 2000， 37（4）：691-709.

[6] FRIEDMANN J. The world city hypothesis[J]. Development and Change， 1986， 17（1）：69-83.

[7] CASTELLS M. The rise of the network society：the information age：economy， society， and culture[M]. Hoboken：John Wiley & Sons， 2011.

[8] 陳晨， 修春亮. 流空间视角的东北地区城市网络研究[J]. 地域研究与开发， 2014， 33（4）：82-89.

[9] 高鑫， 修春亮， 魏冶. 城市地理学的“流空间”视角及其中国化研究[J]. 人文地理， 2012（4）：32-36.

[10] OTTE E ， ROUSSEAU R . Social network analysis：a powerful strategy， also for the information sciences[J]. Journal of Information Science， 2002， 28（6）：441-453.

[11] GEORG S . Superiority and subordination as subject-matter of sociology[J]. American Journal of Sociology， 1896， 2（2）：167-189.

[12] DURKHEIM E， SIMPSON G. mile Durkheim on the division of labor in society[J]. American Journal of Sociology， 1933（11）：123-33.

[13] MORENO J L， JENNINGS H H. Statistics of social configurations.[J]. Sociometry， 1938， 1（3/4）：342-374.

[14] BERNARD H R， BERNARD H R. The development of social network analysis：a study in the sociology of science， Linton C. Freeman[J]. Social networks， 2005， 27（4）：377-384.

[15] WELLMAN B. The development of social network analysis：a study in the sociology of science by Linton C. Freeman[J]. Social Networks， 2005， 27（3）：275-282.