城市群多维网络空间结构特征及影响因素——以中国五大城市群为例

陈 刚, 王光辉, 刘 勇, 吴 清

(1.澳门科技大学可持续发展研究所, 澳门 999078; 2.中国科学院科技战略咨询研究院, 北京 100190;3.住房和城乡建设部政策研究中心, 北京 100835;4.肇庆学院旅游与历史文化学院, 广东 肇庆 526061)

随着信息技术和快速交通的高速发展,城市联系趋向复杂化和多样化,各类要素流动相互交织,网络多重性愈发明显,特别是以交通、人口、企业、信息、科技等方面的动态网络成为关注的焦点[1].城市流空间网络研究逐渐突破距离和实体流的限制,更加关注区域间的网络结构和虚拟流.在这样的背景下,空间位置服务和社交媒体服务大数据为城市网络研究提供了丰富、详细和实时的信息,降低了城市流空间网络研究的数据获取成本,便于系统全面地开展城市流空间网络研究[2].各类数据源也激发了方法的创新,城市流空间网络的研究内容和尺度得到了深化[3],区域网络联系研究也呈现出复杂化、多元化的特征.我国正着力构建以城市群为主体,大中小城市和小城镇协调发展的城镇格局,未来城市群是推动区域协调发展的重要力量,深入探讨不同城市群多维要素“流空间”的异质性特征,对优化城市群空间结构,推动区域协调发展具有重要意义.

20世纪90年代以来,伴随着哲学对于空间的再认识以及地理学对空间经济活动的研究,经济地理学逐渐意识到空间是由一系列经济社会关系建构而成[4],从而引发了经济地理学的“关系转向”.Bathelt等认为关系经济地理学研究要素应当包括组织、演化、创新以及行为主体相互作用,强调区域网络关系的异质性[5].国内外学者围绕地理关系网络进行了深入的研究:在网络类型上,围绕创新网络[6]、企业网络[7]、交通网络[8]等方面开展了研究;在研究尺度上,有全球生产网络[9]、创新网络[10]、贸易网络[11]等,区域交通网络[12]、创新网络[13]、资金联系网络[14]等;在研究的理论方法上,主要包括引力模型[15]、互锁网络模型[16]、隶属网络模型[17]等.这些研究为接下来的城市多维网络分析提供了理论和方法基础.区域间的网络是复杂多样的,单一要素的网络并不能准确地刻画出区域间的网络关系,多维度的区域网络研究逐渐兴起.近年来,随着大数据技术和网络分析方法的进步,部分学者开始关注区域间多维网络的关系,相关研究主要关注交通网络与企业网络、交通网络与信息网络、不同类型交通网络、静态网络与动态网络等多元网络间的关联关系.Liu等对航空网络和企业网络进行了分析[18],宋琼等基于有向多值关系视角对中原城市群的经济联系网络、交通网络和信息网络进行了叠加分析[1],李卓伟等对走廊地带的城市信息网络和交通网络进行了分析[19],王姣娥等对中国城市的高铁-民航网络、高铁-长途汽车网络进行了研究[20-21],Zhang等基于交通、企业、人口、科技等数据,对长三角多元城市网络进行分析[22],王少剑等基于人流、物流、资金流数据,对珠三角多元城市网络进行了分析[23].

城市网络研究是一项复杂的系统工程,其目的在于科学解析和引领区域一体化和网络信息化发展的新机遇新要求.然而,当前国内外城市网络研究仍存在一定的不足:从研究内容看,城市网络空间结构研究侧重于单一网络的研究,对多维度城市空间网络空间格局及关联关系的研究仍有待深入;从研究尺度看,城市网络空间结构研究侧重于单一城市群或全国尺度的分析,对多个城市群的对比分析仍相对不足,难以揭示城市多维网络结构的异质性特征.交通、资金、科技和信息是推动区域经济增长的核心要素.鉴于此,本研究首先建立了城市群多维联系网络分析的理论框架,构建了五大城市群资金、高铁、科技和信息网络,对我国五大城市群的城市多维网络空间格局和关联特征进行实证分析,并基于QAP回归分析方法对我国五大城市群多维联系网络的影响因素进行了分析.

1 研究机制与分析框架

城市群是一个开放复杂的巨系统,城市间存在复杂多样的联系.随着信息技术和快速交通的高速发展,城市间的经济文化交流与合作广泛存在并趋向复杂化和多样化,各类要素流动相互交织,共同作用于城市群空间结构的形成与演变.本研究选取资金、高铁、科技、信息四个维度的城市网络,分别反映城市间不同要素的流动空间特征.

1.1 网络关联机制

不同维度的网络代表了不同经济要素的流动空间特征,可能具有共生或者夹带的空间关联关系.同一类型的网络具有共生关系:基于企业等微观主体要素流动所构建的科技合作网络和资金网络,两者本身具有一定的共生关系,企业的异地投资与母子公司科技合作联合申请专利二者本身也具有共生关系,共同构成形成“蜂鸣-管道”效应,推动城市间要素联系强度的增加;高铁联系和信息联系均依附于交通和信息等物理设施上的要素流动,而交通和信息基础设施的建设往往带有明显的政策烙印,具有明显的同步性和空间耦合关系,其要素的流动相应具有较强的关联性.不同类型的网络具有相互作用关系:基于基础设施的城市信息联系网络、高铁联系网络与基于企业等微观主体的城市间资金联系网络和科技联系网络之间相互促进、相互影响,城市间的基础设施建设增强了城市间的信息联系与高铁联系,压缩城市间的时空距离,进一步推动企业异地投资和科技合作;城市间资金联系和科技联系的增强反过来作用于区域发展政策,推动城市群发展,促进基础设施建设的互联互通,进而强化信息联系和高铁联系.

1.2 网络影响机制

网络关联关系遵循邻近—关联效应,区域之间的邻近关系对其联系强度具有正向作用.由于研究对象或空间尺度的不同,关于邻近性的概念、分类和影响机制,学界还存在较多的争议.与微观企业主体不同,本文认为地理距离、经济差异、制度差异、认知差异是影响城市群网络联系的重要影响因素.地理距离是指城市间地理空间上的距离关系,地理邻近性是影响城市间要素流动的重要因素,常被认为是客观且重要的影响因素[10].制度差异是指城市受到非正式约束和正式规则制约的差异,主要包括正式的制度(法律和政策)和非正式的制度(文化价值观和社会习俗)[6],城市间制度的相似性可以减少要素流动的“摩擦力”,提升流动强度.认知差异是城市在技术发展、自主创新、开放合作等方面表现出的差异性,城市具备较高的自主创新水平和合作意愿,要素在这类城市间流动强度往往较大.此外,经济规模和产业结构的差异性对城市间的多维要素流动影响较为明显,如人流、物流、资金流、信息流向大城市流动的现象突出,加速了企业生产信息化和空间分离[22],推动城市产业关联日益密切.

综上所述,本研究构建的分析框架如图1所示.不同城市群间的资金网络、科技网络、高铁网络、信息网络的空间格局、关联关系以及影响因素是本研究关注的核心议题.城市网络具有复杂性,这种复杂性不仅表现为网络的多维度特征和网络间共生夹带的关联关系,还表现为其形成机理与过程的复杂性,城市网络在发展过程中受到地理空间、制度差异、认知差异、经济差异等因素的共同影响与作用,不同影响因素间也具有一定的复杂关联关系,这些因素通过直接、间接或组合的方式影响城市多维网络的发展.

图1 理论分析与框架构建Fig. 1 Analysis framework construction diagram

2 数据来源与研究方法

2.1 数据来源与矩阵构建

2.1.1 数据来源 1) 资金联系.本研究在基于企业视角的隶属网络模型基础上,进一步借鉴焦敬娟等[24]学者研究思路,采用注册资本乘以控股比例作为上市公司异地投资金额,以反映城市之间的资本流动情况,并由此构建城市间资金联系网络.上市公司投资数据来源于国泰安经济金融研究数据库上市公司及其控股子公司数据(https://www.gtarsc.com/).2) 高铁联系.城市间的人口流动主要来自于公路和铁路,借鉴王少剑等[23]学者的研究思路,采用差量分析法,选择高铁列车频次作为交通流数据的替代方法.基于12306网站查询城市间高铁(含G字头、D字头和C字头列车)班次数据,人工清除重复列车班次,获取五大城市群高铁列车通勤班次矩阵数据.3) 科技联系.联合申请专利是组织间知识共享、交流合作取得的共有成果,反映了共同申请人间的创新合作关系,被广泛运用于创新网络的构建[6].本文采用联合申请发明专利数据衡量城市间技术合作水平,构建城市创新网络.基于智慧芽专利查询网站,爬取全国2019年城市间专利合作数据,通过数据清理和筛选获取五大城市群科技合作矩阵数据.4) 信息联系.百度指数城市搜索量可以直观地反映城市间的信息交流状况[25],本文基于百度指数构建城市间的信息流研究,借助百度指数网站的地域对比功能,获取2019年五大城市群城市间百度用户日均搜索量,构建五大城市群信息联系矩阵.

2.1.2 数据处理 囿于数据来源和模型方法,现有研究多为无向二值网络,不易比较城市网络相互作用的强弱,而有向多值网络在研究城市职能与城市间相互关系方面则具有更大的优势[26].因此,本文在数据收集和处理中,构建资金、高铁、信息有向多值的非对称矩阵,更好的比较城市间多维网络的“虹吸效应”和“辐射效应”.同时,考虑到不同网络的可比性,在网络结构的复杂性分析过程中对各类空间流的实际值进行统一极差标准化,以此作为网络的边联系强度,值越大,代表城市间的联系强度越强.

2.2 研究方法

本研究引入社会网络分析法,力图深入揭示城市多维“流空间”的网络结构特征和网络关联特征.社会网络分析法以“关系”作为基本单元,采用图论工具、代数模型技术描述关系模式,是一种针对“关系数据”的跨学科分析方法[27].借助社会网络分析工具系统刻画了我国五大城市群资金联系、高铁联系、科技联系、信息联系的网络结构特征,并利用社会网络分析的二次指派程序(quardratic assignment procedure,QAP)分析资金联系、高铁联系、科技联系、信息联系的关联关系以及影响因素.相关模型解释见表1.

表1 基本网络分析模型释义表

3 多维网络结构特征分析

3.1 网络空间结构特征

以不同流量的断点值绘制地理联系网络,按照自然断裂点法(Jenks)分为5类,如图2所示.五大城市群多维网络具有明显的极核特征,层级结构比较显著.从网络联系强度和节点地位来看,网络联系强度呈现明显的地理衰减规律,核心-边缘的特征较为显著.从不同网络类型来看,信息联系网络更均匀、联系强度更大;资金联系网络和专利合作网络整体联系水平较低,区域差距较大,更多集中为少数中心城市间的联系,边缘城市线条稀疏.从不同区域来看,多维网络空间结构的异质性特征显著,长三角城市群网络化水平最高,发育最为完善,表现出明显的多中心网络结构,联系骨架呈现“Z”形空间结构;京津冀城市群呈现以北京为核心的放射状空间格局,边缘节点的联系强度较弱;珠三角城市群呈现出广州、深圳双核心网络结构,东莞、佛山等城市也表现出一定的网络控制力;长江中游呈现出以武汉、长沙为中心的联动放射格局,南昌的网络控制力还需进一步提升;成渝城市群表现为明显的成都、重庆双城互动网络格局,中间反而呈现出联系“洼地”.长江中游城市群、成渝城市群的网络发育程度较低,整体联系强度较弱,特别是在资金、科技网络中,核心城市的网络控制力还需要进一步提升.

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1823号的标准地图制作,底图无修改.图2 我国五大城市群多维联系地理网络Fig. 2 Multidimensional geographic network of my country’s five major urban agglomerations

3.2 网络整体结构特征

1) 网络密度特征.如表2所示,资金联系、高铁联系、科技联系、信息联系的网络密度均超过了0.1,说明五大城市群城市间不同要素均存在一定的关联关系.其中,信息联系网络和高铁联系网络的网络密度整体水平较高,分别位于0.25～0.36和0.20～0.31之间,意味着五大城市群城市间信息联系和高铁联系覆盖面广,相对差距较小;而城市间资本联系、科技联系网络整体关联水平相对较低,表明资本、专利两大要素集中在少数城市间流动.此外,不同地区多维网络密度呈现差异性:长江中游城市群信息联系网络密度最高,表明其信息协调发展水平较高;珠三角资金联系、高铁联系和科技联系网络密度均呈现较高水平,表明其内部网络协调发展水平较高.

表2 五大城市群多指标网络结构特征

2) 网络效率分析.除部分指标外,五大城市群多维联系网络效率均超过了0.6,这表明在五大城市群内部,60%以上的联系是有效的,而城市群网络动态关联关系的重复叠加现象较少,说明五大城市群多维网络稳定性仍不足.其中,科技联系和资金联系具有较高的网络效率,说明城市群这两类网络存在较多独立的联系节点,具有明显的网络边缘地区,这亟需打通资本联系和科技合作的障碍,推动资金、科技等要素向外围边缘城市流动.从不同维度来看,长江中游城市群和京津冀资金联系网络效率最高,说明城市群内企业投资联系还不强;而珠三角高铁联系网络效率最高,说明其高铁网络化水平还不高;除珠三角外,其他城市群科技联系网络水平均较高,说明其余四个城市群区域科技网络合作水平还不足;五大城市群信息联系网络效率均较低,说明信息连通网络水平较高.

3) 网络聚类系数特征.除成渝城市群资本联系网络外,其余城市群各网络聚集系数均在0.5以上,表明其存在部分城市节点紧密合作、形成集聚的特征,即网络内部出现“局域网”现象.从不同维度网络来看,高铁联系和信息联系网络的聚类系数明显高于资金联系和科技联系网络,表明高铁列车频次和百度指数网络中,部分核心城市构成的骨干网络联系紧密度更高.从不同区域来看,珠三角城市群平均网络集聚度达0.75,说明其网络联系核心骨架更多集聚在广州、深圳等城市构成的局域网,长江中游城市群平均网络集聚度也达到了0.67,其网络联系更多集中在武汉、长沙、南昌三个城市.

4) 网络平均距离分析.社会网络分析通常采用“平均距离”来定量揭示网络的小世界特征[27].如表3所示,全国五大城市群资金联系、高铁联系、科技联系、信息联系网络空间关联的平均距离均处于1～3之间,其中平均距离最大的长江中游城市群的资金联系网络平均距离也仅为2.488.这表明五大城市群不同类型城市联系网络中任意两个城市节点之间通过1～3个中间城市就完全可以建立联系,即城市联系网络呈现明显的小世界特征.

3.3 网络中心性分析

根据相对中心度中城市辐射与集聚能力,分析五大城市群多维网络的节点特征.如表3所示,整体来看,外向程度中心性方面,信息联系>高铁联系>科技联系>资金联系,内向程度中心性方面,高铁联系>科技联系>资金联系>信息联系.从不同维度来看,五大城市群多维要素的辐射与吸引能力存在差异.长三角、珠三角、成渝城市群的资金联系均是对外辐射大于对内吸引,说明对外的资金辐射带动作用较强,而京津冀、长江中游城市群资金联系对外辐射小于对内吸引,集中表现为中心城市的虹吸效应较为明显,这说明京津冀、长江中游城市群表现为核心城市与周边城市发展差距显著,一体化发展水平较弱.京津冀、成渝、长江中游城市群高铁联系对外辐射大于对内吸引,说明这三个城市群高铁辐射作用更强,而长三角、珠三角城市群高铁联系对外辐射小于对内吸引,虹吸作用更强,由于高铁联系主要表现为商旅的流向,这说明这两个城市群内各城市均表现出一定的吸引力.五大城市群信息联系均呈现为信息辐射力高于信息吸引力,说明信息联系较为均匀,城市群辐射效应明显.

表3 五大城市群多网络中心性分析

3.4 网络相似性分析

如表4所示,整体来看,五大城市群内部、多维网络间的所有相关性系数均为正值.除珠三角城市群科技和资金联系网络外,其余均通过了10%显著性水平检验,绝大部分通过了1%显著性水平检验,这表明五大城市群多维网络联系总体上存在显著的正向相关关系.在关联程度上,高铁、科技、信息联系与其他网络间联系的整体显著性高于资金联系.

具体来看,城市群发育水平与网络关联紧密度存在一定的正向关系.京津冀、长三角网络间的显著性水平更高,网络间的正向相关性系数更高,说明京津冀、长三角城市群发育相对成熟,可能呈现出不同要素网络相互影响、相互促进的叠加效应,进一步反映了城市群发育相对成熟,城市间要素流动会呈现出相互促进的作用.成渝城市群、长江中游城市群显著性水平相对较低,网络间的正向相关性系数较低,说明成渝城市群、长江中游城市群相关要素网络的发育水平相对较低且不均衡,城市群多维网络尚未形成较好的叠加效应,这与两个城市群所处的发展阶段有较大关系.珠三角城市群由于基础设施相对均衡,而资金科技流动高度集聚,网络间的正向相关性系数并不高,基础设施流与资金、科技流动关联性并不高,广州、深圳核心城市对科技、资金等经济要素的虹吸效应十分显著,这可能与珠三角外向型经济发展模式和城市群空间结构密切相关.

表4 五大城市群多维网络相关性分析

4 影响因素分析

4.1 变量选择

根据前文理论机制分析,城市联系网络作为复杂系统,其演化发展受到地理、经济、制度、认知等多方面因素的共同影响.首先,城市联系网络与地理因素相关,相近的城市具有更强的关联关系和空间溢出效应,从五大城市群网络空间格局来看,核心边缘的特征较为显著.此外,中远距离大城市的空间关联也较强,可以看出发展方式相近的地区可能具有更显著的空间关联.由此推测各地区的空间距离、经济发展差异、行政级别差异、对外合作差异可能是解释城市空间关联的重要因素.因此,可设立如下模型:

Y=f(X1;X2;X3;X4),

(6)

式中,X1表示地理空间距离.地理空间距离一定程度上会影响城市间的联系强度,采用城市经纬度计算得出城市间的O-D距离.X2表示城市间规模差异.经济规模对城市联系具有重要作用,采用城市间GDP构建城市群经济发展插值矩阵.X3表示城市等级关系.城市等级关系为城市联系的形成提供重要的梯度力,城市等级关系中,两个城市有一个为首都的表征为3,有一个为副省级城市的表征为2,其余城市表征为1[7].X4表示对外水平差异.良好的对外开放水平为城市联系营造良好的氛围,采用实际使用外资数构建对外开放水平差值矩阵.

4.2 结果分析

本研究采用QAP对上述4个自变量进行性惯性分析,发现多个自变量存在高度自相关,如部分城市群GDP差异和对外开放水平指标在1%的水平上显著.因此,需要采用QAP回归分析方法较好地处理这些关系数据的“多重共线性”问题.此外,QAP回归分析方法作为一种非参数检验方法,不需要假设变量之间相互独立,因而比参数检验方法更加稳健[28].

综合来看,地理距离、GDP差异、城市等级、对外开放差异均是影响城市群多维联系之间相似性较强的因素.回归结果显示(表5),模型对不同城市群多维网络的解释力均在11.3%以上,大部分在20%以上,有一定的解释意义.长三角城市群的显著性最强,说明长三角城市群多维联系网络受地理、经济、制度、认知四个方面的影响均十分显著.成渝城市群多维联系网络更多受到地理、经济、制度方面因素的影响,认知方面因素的影响力不显著.长江中游城市群多维联系网络更多受地理、经济、认知方面因素的影响,制度方面的影响作用未充分显现.珠三角城市群和京津冀城市群多维联系网络整体显著性不高,这不仅与网络样本数量相对较少、要素流动存在偶然性等因素相关,还与城市群的发展类型与模式密切相关,珠三角城市群受经济外部性影响较大,京津冀城市群受国家宏观政策调控影响较大.

具体来看,不同因素影响作用具有差异性.地理距离因素方面,尽管地理距离与所有网络均呈现负向相关关系,但显著性水平具有较大的差异,长三角和长江中游多维网络受地理距离的因素影响最为显著,京津冀、珠三角显著性水平较低,特别是珠三角4个网络回归系数均不显著,说明城市群空间范围越大,城市网络受地理空间的影响越大,显著性越强;城市规模影响方面,GDP差异与绝大部分网络均呈现负相关,长三角城市群与成渝城市群最为显著,表现出超越地理距离的经济联系,被称作“群岛型经济互动”[29],如成都和重庆作为城市群中两个双核心城市,距离相对较长,但GDP差异较小,联系强度反而较大,两大城市之间形成了联系“洼地”,这种现象在其他三个城市群中表现并不显著;行政等级影响方面,除长江中游城市群资金联系网络、珠三角和京津冀城市群的科技联系网络外,均具有显著相关关系,其中绝大部分具有显著的正向相关关系,这说明城市群与高等级城市联系通道上的要素流动的强度往往也较强;对外开放水平方面,除京津冀城市群高铁联系网络、珠三角城市群资金和高铁联系网络、成渝城市群高铁联系网络外,其余网络与对外开放水平都展现出了显著的相关性,其中长三角城市群显著性最高.

为了让回归结果更加稳健,本研究采取替代变量的方法进行了稳健性检验,使用时间距离替代空间距离、产业关联指数替代GDP之差、创新水平之差替代对外开放水平.城市间的时间距离通过城市间高速铁路和高速公路加权最短旅行时间计算得出,二者权重均取0.5,行业关系采用克鲁格曼结构差异度指数计算[1],采用城市间获得专利数量构建创新水平差值矩阵.稳健性检验结果(表6)与上述分析结果具有较好的吻合性,进一步印证了地理空间、经济差异、制度差异、认知差异对城市多维联系影响的异质性特征.

表5 城市多维网络影响因素分析

表6 城市多维网络影响因素稳健性检验

5 结论与讨论

5.1 结论

本文从区域多维流空间视角,建立了多维城市网络结构的理论分析框架,对我国五大城市群多维网络结构特征进行了对比分析,并对其影响因素进行了研究,得到如下结论.

1) 在网络空间结构方面,五大城市群多维网络具有明显的极核特征,层级结构比较显著,长三角城市群城市间联系发育较为成熟,多中心特征显著,长江中游城市群、成渝城市群整体联系强度较弱,从不同联系维度来看,信息联系网络密度更高、强度更大,资金联系网络和专利合作网络整体联系水平较低,更多集中为少数中心城市间的联系.

2) 在网络整体结构方面,五大城市群多维网络空间关联呈现出多线程、多城市、跨区域的网络分布态势,具有显著的“局域网”和小世界特征,其中网络联系的稳定性和叠加效应仍不够,特别是科技联系和资金联系存在较多网络孤立节点.

3) 在网络中心性方面,信息联系网络的外向程度中心性>高铁联系>科技联系>资金联系,高铁联系的内向程度>科技联系>资金联系>信息联系,各城市群多维要素的辐射与吸引能力存在较大差异.

4) 在网络关联方面,网络整体关联总体上呈现明显的正效应,不同城市群与不同维度网络间的关联具有明显的差异性特征,京津冀、长三角网络间的显著性水平更高,网络间的正向相关性系数更高,成渝城市群、长江中游城市群、珠三角城市群显著性水平相对较低.

5) 在网络影响因素上,城市群多维网络影响因素具有明显的区域异质性.长三角城市群多维联系网络受地理、经济、制度、认知四个方面的影响,成渝城市群更多受到地理、经济、制度方面因素的影响,长江中游城市群多维联系网络更多受地理、经济、认知方面因素的影响,珠三角城市群和京津冀城市群多维联系网络影响因素的显著性均不高.

5.2 讨论

对多个城市群开展多维度网络空间结构对比分析具有重要理论意义和实践意义.我们可以发现城市地位并非与其经济规模、行政等级和地理区位完全一致;要注重城市群内部的地理衰减规律,同时也要关注到“群岛型经济互动”;要注意城市群网络联系的高等级集聚,也要注重梯度差异的平衡发展;要注意多维城市网络的共性关系,也要注意不同城市群网络的异质性特征等.这些规律和特征对发挥城市群多维网络叠加效应,促进城市群高质量发展具有重要政策指导作用.本文还有以下研究不足:受数据获取限制,本文只获取了2019年一个时间点的数据,无法模拟城市群多维网络的演化增长路径,后续将进一步扩展研究的时间节点;本文虽然提出了网络关联的理论框架,但对网络叠加效应的分析还不够,下一步研究还将进一步论证网络协同效应.