,1, 曹湛,2, 朱青3, 殷亚若1Analyzing polycentric urban development in China: Evidence from intercity knowledge collaboration
DAI Liang,1, CAO Zhan,2, ZHU Qing3, YIN Yaruo1通讯作者:
收稿日期:2020-04-6修回日期:2020-08-22网络出版日期:2021-05-25
| 基金资助: |
Received:2020-04-6Revised:2020-08-22Online:2021-05-25
作者简介 About authors
戴靓,女,江苏镇江人,副教授、硕士生导师,研究方向为城市网络与区域发展。E-mail:
摘要
关键词：
Abstract
Keywords：
PDF (8230KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
戴靓, 曹湛, 朱青, 殷亚若. 中国城市群知识多中心发展评价. 资源科学[J], 2021, 43(5): 886-897 doi:10.18402/resci.2021.05.03
DAI Liang, CAO Zhan, ZHU Qing, YIN Yaruo.
1 引言
多中心城市区域是经济全球化与区域一体化趋势下新兴的空间组织形式,是国家参与全球竞争和国际分工的重要地域单元[1]。作为区域发展导向,城市群的多中心应兼具形态和功能两个方面：形态多中心以城市规模衡量,是空间表象;功能多中心以城际联系衡量,是内在本质[2]。相对于传统的单中心,多中心发展强调区域内不同城市节点集聚形成多个服务中心并构成分工有序、紧密联系的网络体系[3,4]。该模式有利于促进空间协调均衡、社会公平和环境的可持续发展,因而成为各国各层次空间规划的理论工具与政策目标,也是城市与区域研究的重要议题。随着场地空间向流动空间的演化,城市网络成为探索区域多中心的有效手段[5,6]。城市网络是城市间各种要素（如人口、资金、商品、信息、旅游等）流动所形成的体系[7,8,9],具有水平的非等级性特征,城市间通过协同和互补的联系实现规模经济、劳动分工和协同创新,与多中心的内在逻辑一致。基于此,国内外****从多中心城市区域的形态、功能和治理等维度展开丰富的实证研究,其中,以企业网络和基础设施网络数据为主流。例如,通过企业网络数据,Lang等[10]、Hall等[11]分别对美国10个巨型城市区域、欧洲西北部8个巨型城市区域展开研究;Taylor等[12]对城市区域、国家、欧洲和全球尺度下的多中心性进行探讨;李涛等[13]则对中国21个城市群在全球、全国和区域尺度下的多中心度进行比较;赵渺希等[14]对2001—2017年长三角城市群的功能多中心进行纵向对比。通过基础设施网络数据,孙阳等[15]、冯长春等[16]分别对长三角、珠三角城市群多中心网络进行分析;Liu等[6]则基于城际综合交通网络对中国22个城市群的形态和功能多中心发育程度进行测度。
随着工业经济向知识经济的转型,城市间的知识流象征着更高能级的创新联系,成为解读新时期区域协同发展程度的重要视角,以论文为代表的科学知识网络和以专利为代表的技术知识网络出现在不同尺度城市空间组织结构的研究中。例如,基于科学知识网络,Gu等[17]分析了一带一路沿线国家间知识联系的层级性与区域性;Ma等[18]研究了1990—2016年粤港澳大湾区城市间知识多中心结构的演化。基于技术知识网络,Berge等[19]、Hoekman等[20]分别研究了欧盟内城市间技术网络的空间特征,并提出优化发展的方向和对策;段德忠等[21]系统量化了2001—2015年中国城市创新网络的拓扑结构、空间结构及其动态演化。李丹丹等[22]则将这两种知识网络进行对比,揭示了其结构特征的异同。****们对知识网络的关注不断增强,对其空间格局、拓扑性质和演化机制等问题的研究较多,但深入探讨城市群知识多中心发育程度的研究较少,且相关研究集中于个别城市群,如长三角、珠三角、京津冀、长江中游、成渝等城市群[2,23],尚未对全国的城市群知识多中心进行测度与评价。
目前,中国正处于创新驱动发展的转型时期,且多中心城市区域已成为推进新型城镇化的重要手段。“十三五”规划纲要提出加快城市群建设发展：优化提升东部地区城市群,建设京津冀、长三角、珠三角世界级城市群,提升山东半岛、海峡西岸城市群开放竞争水平;培育中西部地区城市群,发展壮大东北地区、中原地区、长江中游、成渝地区、关中平原城市群;规划引导北部湾、晋中、呼包鄂榆、黔中、滇中、兰州—西宁、宁夏沿黄、天山北坡城市群发展,形成更多支撑区域发展的增长极。在此背景下,本文基于Web of Science(WOS)数据库中城市论文发表量和城际论文合作发表量,从知识规模和知识网络视角测度知识形态多中心度和知识功能多中心度,开展中国城市群知识多中心评价,探讨知识流作用于城市间关系的内在逻辑和空间表现,并比较其与交通流[7]、企业流[11]作用的差异,以期为城市群协同创新发展提供理论依据与决策支持。
2 研究方法与数据来源
2.1 城市群范围
有关中国城市群的数量和范围,学术界存在诸多划分方法[1,24]。本文以《中华人民共和国国民经济和社会发展第十三个五年（2016—2020年）规划纲要》中的城市群为依据,其中东北地区城市群可分为哈长城市群和辽中南城市群,确定出19个城市群。对于城市群空间的范围和包含的城市,以国务院最新批复的城市群发展规划文件为准;对于没有相关批复的城市群,参考各级政府部门相关的规划文件（表1）,从而划定了图1的城市群范围。Table 1
表1
表1城市群范围界定依据
Table 1
| 城市群 | 依据 | 涉及省级行政区 |
|---|---|---|
| 京津冀 | 京津冀协同发展规划纲要（2015） | 北京市、天津市、河北省 |
| 长三角 | 长江三角洲城市群发展规划（2016） | 江苏省、浙江省、安徽省、上海市 |
| 珠三角 | 珠江三角洲地区改革发展规划纲要（2008—2020） | 广东省 |
| 山东半岛 | 山东半岛城市群发展规划（2017） | 山东省 |
| 海峡西岸 | 海峡西岸城市群协调发展规划（2009） | 福建省、浙江省、广东省 |
| 哈长 | 哈长城市群发展规划（2016） | 黑龙江省、吉林省 |
| 辽中南 | 辽中南城市群发展规划（2017—2030） | 辽宁省 |
| 中原 | 中原城市群发展规划（2016） | 河南省 |
| 长江中游 | 长江中游城市群发展规划（2015） | 湖北省、湖南省、江西省 |
| 成渝 | 成渝城市群发展规划（2016） | 四川省、重庆市 |
| 关中 | 关中平原城市群发展规划（2018） | 陕西省、甘肃省 |
| 北部湾 | 北部湾城市群发展规划（2017） | 广西自治区、海南省 |
| 晋中 | 晋中市城市总体规划（2014—2030） | 山西省 |
| 呼包鄂榆 | 呼包鄂榆城市群发展规划（2018） | 内蒙古自治区、陕西省 |
| 黔中 | 黔中城市群发展规划（2017） | 贵州省 |
| 滇中 | 滇中城市群规划（2016） | 云南省 |
| 兰西 | 兰州-西宁城市群发展规划（2018） | 甘肃省、青海省 |
| 宁夏沿黄 | 宁夏沿黄城市带发展规划（2009） | 宁夏自治区 |
| 天山北坡 | 天山北坡城市群发展规划（2017—2030） | 新疆自治区 |
新窗口打开|下载CSV
图1
新窗口打开|下载原图ZIP|生成PPT图1城市群范围
Figure 1Location of the 19 urban agglomerations under investigation
2.2 城市群知识多中心测算
城市群多中心发展程度的常用量化方法有两大类：位序—规模回归法和多中心指数。位序—规模法是通过将城市规模与其位序进行回归,获得最优拟合下的回归线坡度值[25,26]。但拟合精度的差异会导致坡度值在不同城市群研究中缺乏可比性。多中心指数的测算方式有多种,例如,Li等[23]、周灿等[2]用基尼系数来测度城市群功能或形态多中心性。然而,此类方法无法反映出多中心在空间维度的信息。Green[27]基于社会网络分析提出一般功能多中心和专门功能多中心指数,该方法首先计算网络中所有城市的节点度,再对实际网络和二节点网络中城市节点度的差异进行统计分析,同时考虑网络密度因素,最终计算出功能多中心性。赵渺希等[14]考虑到区域网络中存在几个孤立子网络的拓扑结构会对结果产生影响,于是引入网络效率对Green的算法进行改进。这类测度计算功能多中心和形态多中心的公式不同,不利于对同一城市群功能和形态多中心的准确比较。同时,上述测度均存在一个共性问题,没有考虑城市样本数量对多中心性的影响。中国19大城市群包含的城市数量不一、差距较大,为控制样本数量提高横向比较精度,本文采用Taylor等[12]、李涛等[13]研究中的多中心测度方法。借鉴Burger等[3]和Liu等[6]对形态和功能多中心的界定以及周灿等[2]和姚常成等[28]对知识多中心的研究,可以发现城市群知识多中心是城市群多中心在知识创新维度的体现,亦包含知识形态多中心与知识功能多中心。知识形态多中心是指区域内不同城市知识创新资源禀赋或知识创作规模的等级分布状况,强调各中心城市在区域内的绝对重要性,即知识资源禀赋的优越性,与城市人口、经济、研发投入、高校科研院所数量成正比。知识功能多中心则指区域内不同城市间的知识合作联系映射在地理上而形成网络的空间结构,强调各中心城市在区域内的相对重要性,即在多大程度上利用与其他城市的知识协作来实现或强化其中心地位,与区域内城市的知识溢出效应、借用规模能力有关。因此,知识形态上的多中心并不意味着功能上的多中心[28]。知识形态多中心度是存量指标,可通过城市知识规模来表征;知识功能多中心度是流量指标,可通过城市知识网络来表征。两个指标的具体计算如公式（1）和（2）所示：
式中：PM、PF分别代表城市群知识形态多中心度和功能多中心度,下标M和F分别是Morphology和Function的缩写;TP（Total Publication）表示研究时段内某城市的论文总发表量,包括独作和合作、城市内合作和跨市合作的所有论文。对城市群内的城市按TP排序,TP1为位序第1的城市论文总发表量,Average(TP2-6) 为位序第2到第6的城市论文总发表量的平均值;IC（Internal Centrality）表示研究时段内某城市在所属城市群知识网络中的内部中心性,即该城市与城市群内其他城市论文合作量的总和。对城市群内的城市按照IC进行排序,IC1为位序第1的城市内部中心性,Average(IC2-6)为位序第2到第6的城市内部中心性的平均值。PM、PF取值为0~1,值越大,表示越多中心发展。对于测度指标的多中心与单中心临界值,学术界尚未统一。周灿等[2]通过基尼系数评价城市群多中心性,界定基尼系数大于0.6为单中心。其研究中基尼系数越大,越呈现单中心发展,与本文的指标定义相反,所以对应多中心度的临界值实际为0.4。李涛等[29]的多中心测度与本文一致,其界定多中心度在0.5以上的城市群为多中心发展。Liu等[6]通过Green的多中心指数评价城市群多中心性,以22个城市群的指标平均值为基准,作出相对多中心和相对单中心发展的评判。由此可见,城市群多中心与单中心的绝对性仍需更深入地研究,不同的临界值会导致评价结果的不稳定,而城市群多中心与单中心的相对性可通过评价单元的平均值确定。
2.3 城市知识规模和知识网络数据
城市的知识规模用城市的论文总发表量表征。首先通过Python爬虫技术,从Web of Science上获取2012—2016年中国城市所有学科领域的论文数据,2016年是“十三五”提出城市群规划的起点年份,论文合作与论文发表存在时间滞后效应,一般采用5年窗口以消除单一年份数据的偶然性与波动性。因此,采用2012—2016年的时间段既使结果更具稳健性,也可为规划前的城市群多中心发育状况提供基准参考。其次,以19个城市群涉及到的所有城市为统计口径,得到每个城市的论文总发表量。城市群知识合作网络通过城市间论文合作联系来构建,该联系是指某城市群内部不同城市科研单位的****间合作发表的论文数量。其中,将独立作者和同城****合作的论文数量予以剔除。例如,某论文由复旦大学和华东师范大学的****合作完成,表征上海—上海的联系,则不在研究范围内。本文考虑的是涉及城市群内部跨地域合作的论文产出,如某论文由南京大学和华东师范大学的****合作发表,包含南京—上海的知识联系一次。城市群内部知识网络构建的具体步骤为：根据获取的WOS论文信息数据,剔除独作和同城合作的论文,配以人工识别,得到每篇合作论文主体所属科研机构的城市归属信息,构建“城市—论文”的二模网络矩阵K（图2）。矩阵K中的数值Vij表示城市i拥有论文j的合作者的数量。最后通过矩阵转置自乘法,将二模网络转为“城市—城市”的一模网络,并忽视对角线的数值,即将城市自身的联系视为0[25],从而构建出城市知识网络矩阵C。最后,从中国城市知识网络中,提取出19个城市群内部的知识合作网络。图2
新窗口打开|下载原图ZIP|生成PPT图2城市知识网络构建流程
Figure 2Construction process of intercity knowledge collaboration network
3 结果与分析
3.1 中国城市群知识规模与知识网络分析
根据2012—2016年WOS上中国城市的论文发表信息,绘制出中国城市知识规模空间分布图（图3）和19个城市群内部知识合作网络图（图4）。图3
新窗口打开|下载原图ZIP|生成PPT图32012—2016年中国城市知识规模空间分布图
Figure 3Spatial distribution of cities’scientific knowledge output in China, 2012-2016
图4
新窗口打开|下载原图ZIP|生成PPT图42012—2016年中国城市群内部知识合作网络图
Figure 4Knowledge collaboration network of urban agglomerations in China, 2012-2016
由图可知,中国城市群在城市知识规模分布和知识网络结构方面均具有明显的空间异质性。就城市知识规模而言,论文产出总量高的城市主要位于京津冀、长三角、珠三角、长江中游、成渝城市群内。北京是中国知识的绝对中心,2012—2016年WOS论文产出量高达290760篇,是第2名上海产出量（144461篇）的两倍多。其后依次为南京、广州、武汉、西安、杭州、成都,论文总产量介于50000~100000篇之间。除五大国家级城市群内的核心城市外,西安的知识总产量表现突出。作为西部地区重要的中心城市,西安在科研和教育方面的资源优势明显。就城际知识合作而言,东密西疏的空间格局和由沿海向内陆的梯度特征显著。长三角城市群的区域合作论文总量最高,为104024篇,其后依次为京津冀、长江中游、成渝、珠三角、山东半岛城市群,总合作量均大于10000篇,城均合作量超500篇。西南和西北部的城市群知识合作网络发育程度低,如黔中、滇中、北部湾、天山北坡、呼包鄂榆、宁夏炎黄和兰西城市群,其区域内知识合作总产出量低于600篇,城均论文合作量多为100篇以内。总体而言,中西部城市群知识多中心低于东部城市群。由于知识资源禀赋和经济发展水平的差异,中西部城市群基础相对薄弱,知识网络处于初步发育阶段,缺乏发挥枢纽作用的核心城市,网络密度和联系强度低于东部城市群,城市群知识多中心程度与区域协同发展水平密切相关[2]。
3.2 中国城市群形态多中心与功能多中心分析
本文的侧重点不在于对城市知识规模和合作网络的空间格局的探讨,而在于对不同类型城市群知识多中心发展程度进行评价。基于城市群多中心测度,计算出19 个城市群的知识形态多中心度和功能多中心度,并统计每个城市群的基本指标,如城市群首位城市及其知识规模、首位度;城市群内部知识合作总量和城均合作量（表2）。其中,首位度是城市群内知识规模位序第1与第2的比值,首位度越高,则首位城市在区域内的核心地位越高。表中城市群按知识功能多中心度从高到低排序。Table 2
表2
表2城市群知识形态与功能多中心度及相关指标
Table 2
| 城市群 | PM | PF | 首位城市（发表量/篇） | 首位度 | 区域合作量/篇 | 城均合作量/篇 |
|---|---|---|---|---|---|---|
| 长三角 | 0.302 | 0.501 | 上海（144461） | 1.495 | 104024 | 4001 |
| 中原 | 0.208 | 0.470 | 郑州（17614） | 2.658 | 4826 | 536 |
| 长江中游 | 0.174 | 0.402 | 武汉（71437） | 1.812 | 17926 | 578 |
| 哈长 | 0.225 | 0.374 | 哈尔滨（35692） | 1.057 | 7810 | 781 |
| 海峡西岸 | 0.303 | 0.321 | 厦门（15902） | 1.269 | 3320 | 332 |
| 珠三角 | 0.076 | 0.313 | 广州（73353） | 3.516 | 13614 | 1513 |
| 山东半岛 | 0.231 | 0.305 | 济南（32298） | 1.313 | 12698 | 977 |
| 辽中南 | 0.231 | 0.300 | 沈阳（26393） | 1.041 | 5514 | 460 |
| 京津冀 | 0.044 | 0.249 | 北京（290760） | 6.515 | 31122 | 3112 |
| 成渝 | 0.162 | 0.230 | 成都（50875） | 1.590 | 14278 | 892 |
| 黔中 | 0.045 | 0.219 | 贵阳（6400） | 6.667 | 222 | 37 |
| 北部湾 | 0.094 | 0.218 | 南宁（9566） | 2.426 | 408 | 58 |
| 天山北坡 | 0.050 | 0.209 | 乌鲁木齐（7606） | 5.278 | 464 | 58 |
| 晋中 | 0.029 | 0.209 | 太原（12303） | 13.130 | 480 | 60 |
| 呼包鄂榆 | 0.087 | 0.207 | 呼和浩特（3891） | 2.779 | 240 | 34 |
| 关中 | 0.008 | 0.204 | 西安（59916） | 79.888 | 2222 | 222 |
| 滇中 | 0.010 | 0.203 | 昆明（15469） | 42.150 | 554 | 139 |
| 兰西 | 0.027 | 0.200 | 兰州（22467） | 7.580 | 512 | 102 |
| 宁夏沿黄 | 0.006 | 0.200 | 银川（2264） | 70.750 | 18 | 5 |
新窗口打开|下载CSV
如前文所述,多中心与单中心的临界值尚无定论。本文借鉴Liu等[6]的研究,以19个城市群功能多中心度和形态多中心度的平均值为界,探讨城市群的相对多中心与相对单中心发展。即某城市群的多中心度大于所有城市群的平均值,则代表相对多中心发展,反之,则表示相对单中心发展。因此,本文以平均值为界,根据知识形态和功能多中心度可将19个城市群分为4类（图5）：Ⅰ知识形态与功能均相对多中心发展的城市群、Ⅱ知识形态相对单中心但功能相对多中心发展的城市群、Ⅲ知识形态与功能均相对单中心发展的城市群、Ⅳ知识形态相对多中心但功能相对单中心发展的城市群。
图5
新窗口打开|下载原图ZIP|生成PPT图5中国城市群知识形态与功能多中心象限图
Figure 5Morphological versus functional polycentricity of urban agglomerations in China
3.2.1 知识形态与功能均相对多中心发展的城市群
第一象限包含长三角、长江中游、中原、哈长、海峡西岸、山东半岛和辽中南城市群,此类城市群知识形态多中心度和功能多中心度均高于平均,说明区域内知识资源禀赋较为均质,且城市之间知识合作较为密切与均衡,城市群总体协同发展程度较高,以长三角城市群最为典型。
如图3和表2所示,长三角城市群知识规模大市除了上海、南京、杭州外,还有合肥、苏州、无锡、宁波,该区域城市知识首位度也较低,为1.495。同时,如图4所示,长三角城市群区域知识合作联系最为显著,区域合作论文104024篇,是占第2位次的京津冀城市群区内合作量（31122/篇）的3倍多。该区域26个城市城均区内合作论文量亦高达4001篇。长三角作为中国经济实力最强、一体化程度最高的城市群之一,知识和人才资源丰富,优质科研院所和高校林立,创新体制层面也走在全国前列。因此,该区域知识多中心在形态和功能方面具有较好的一致性。
其余六大城市群内部知识合作亦较为显著（图4）。其中,中原城市群和长江中游城市群首位度在第一类城市群中较高,为2.658和1.812,故功能多中心发展程度高于形态多中心。哈长、山东半岛、辽中南、海峡西岸四大城市群在知识规模上首位度较低,均低于1.5,分别形成了以哈尔滨—长春、沈阳—大连、济南—青岛—烟台、厦门—福州—温州为主导的知识空间格局。而海峡西岸城市群内部知识合作总量和城均指标,在第一类城市群中最低,其功能多中心发展程度低于形态多中心。这主要归结于海峡西岸城市群涉及福建、浙江、广东三省,相关城市被长三角和珠三角这两个引力更强的城市群分解了部分知识流。
3.2.2 知识形态相对单中心但功能相对多中心发展的城市群
第二象限包含珠三角城市群,此类城市群知识形态多中心度低于平均,而功能多中心度高于平均,说明区域内各城市虽然知识资源分布极化,但城市间知识合作相对密切与均衡,知识资源的规划布局滞后于市场驱动的知识流动。
如图3和表2可知,珠三角的知识规模大市有广州和深圳,但广州的首位度为3.516,比第一象限内功能多中心度低于其的山东半岛和辽中南城市群首位度高3倍,说明该区域的科教资源集中于广州,深圳尚未崛起为另一科研知识核心。这与周灿等[2]发现珠三角城市群技术知识多中心发育程度高于长江中游城市群的结果相左,主要是由技术知识与科研知识主体的差异性导致。前者的主体是企业,后者是院校和科研机构。深圳与广州在传统科研资源上存在一定差距,但深圳新兴产业集聚、创新创业氛围浓厚。
从图4和表2可以看出,珠三角城市群内知识合作联系密切,功能多中心度为0.313,高于成渝和京津冀城市群。区域合作论文总量为13614篇,城均合作量为1513篇,仅次于长三角（4001篇）和京津冀（3112篇）。相较于长三角和京津冀这两个跨行政区组成的城市群,珠三角知识流动的行政壁垒、体制障碍较少,但功能多中心的发展受制于知识资源禀赋空间分布的极化。因此,需加大知识资源空间规划引导,可加大珠三角其他城市的研发投入或设立更多科研院校的分支机构,促使珠三角知识形态单中心发展趋势得到扭转,以支撑功能多中心与区域一体化发展。
3.2.3 知识形态与功能相对单中心发展的城市群
第三象限包含京津冀、黔中、滇中、北部湾、晋中、呼包鄂榆、关中、天山北坡、兰西和宁夏沿黄城市群,此类城市群知识形态多中心度和功能多中心度均低于平均,说明区域内知识资源禀赋相对极化,且城市之间知识合作较为集中,城市群总体呈现单中心化发展,以宁夏沿黄城市群最为典型。
如图3所示,除京津冀城市群外,第三类城市群集中于西南和西北,大部分为单一省份城市,省会城市是这些城市群的首位城市（如贵阳、昆明、南宁、太原、西安、西宁、乌鲁木齐）,且首位度均较高,形成单核空间格局。这类城市群缺乏良好的知识资源基础,知识流动活力较低,大多面临城市收缩和人才流失的困境。尽管京津冀城市群包括两座直辖市和河北省,但北京作为国家首都,与区域内次位城市天津的知识规模差距较大,首位度高达6.515,远大于广州在珠三角城市群的首位度;同时,北京科教资源众多、人才集聚、政策执行力度大,区域内的知识合作联系也集中在其他城市与北京之间的知识流,从而使得该区域呈现出形态和功能单中心发展状态。因此,需鼓励北京部分高校和科研院所在周边城市设立分校或分院,引导知识资源的均衡布局,促进知识流动的分散多元,加快京津冀城市群的知识协同发展。
对于此类城市群,需要合理规划布局科研资源,加强促进人流、信息流、知识流互联互通的基础设施建设,积极引导中心城市知识外溢。同时,也需优化知识合作模式,充分发挥各城市人力资本的比较优势,促进知识分工与协作的多元化,形成功能互补的城市群知识合作体系。
3.2.4 知识形态相对多中心但功能相对单中心发展的城市群
第四象限包含成渝城市群,此类城市群知识形态多中心度高于平均,而功能多中心度低于平均,说明区域内知识资源本底和规模发展均衡,但城市之间知识合作集中于少数城市,知识资源的规划布局超前于市场驱动的知识流动。
成渝城市群的首位城市为成都,其知识规模为50875篇,该区域另外两个知识产出大市为重庆和绵阳（如图3）,该城市群首位度为1.590,形态上较为多中心发展。从功能联系上看,虽然区域内知识合作总量和城均指标均不低,但知识流动方式集中在其他城市与首位城市的“轴辐式”合作上,知识合作方式单一,导致功能多中心度较低,呈现出相对单中心发展的状态。这本质上是政府指定的和经济一体化的城市区域之间的不匹配,该类城市群是邻近都市圈的“任意组合”,通常包含多个大型城市以确保了形态上的多中心性,但要达到预期的功能或行政影响力可能会遭受挫折[6]。这种现象的深层次原因可能在于中央和地方政府政治诉求不一致,规划过程中需各方主体共同促进功能整合和区域一体化发展[30]。因此,地方政府需充分重视流量引导,营造良好的科研政策和配套环境,鼓励城市群内部进行多样化的知识合作创新,提高知识合作效率和知识溢出效应,以实现城市群的协同创新发展。
4 结论与讨论
4.1 结论
本文基于科研论文发表数据,从知识规模和知识网络层面,测度中国19个城市群的形态和功能多中心度,并评价分析城市群知识多中心的发展状况,主要结论如下：（1）中国城市群的知识规模分布和知识网络结构具有空间异质性。总体而言,东部城市群知识多中心发育优于中西部城市群,形态多中心与功能多中心发育程度较为匹配。具体而言,城市群可以分为4类：Ⅰ知识形态与功能均相对多中心发展的城市群、Ⅱ知识形态相对单中心但功能相对多中心发展的城市群、Ⅲ知识形态与功能均相对单中心发展的城市群、Ⅳ知识形态相对多中心但功能相对单中心发展的城市群。
（2）第Ⅰ类城市群包含长三角、长江中游、中原、哈长、海峡西岸、山东半岛和辽中南城城市群,区域内知识资源布局均质且知识合作紧密,城市群总体协同发展程度高,以长三角城市群最为典型;第Ⅱ类城市群包括珠三角城市群,区域内知识资源禀赋极化,但城市间知识合作均衡,知识资源的规划布局滞后于市场驱动的知识流动;第Ⅲ类城市群包括京津冀、黔中、滇中、北部湾、晋中、呼包鄂榆、关中、天山北坡、兰西和宁夏沿黄城市群,区域内知识规模和知识合作均集中于首位城市,呈现单中心化发展,以宁夏沿黄城市群最为典型;第Ⅳ类城市群包括成渝城市群,区域内知识资源本底均质,但城际知识合作极化,知识资源的规划布局超前于市场驱动的知识流动。
（3）知识多中心发展是市场驱动和政策引导共同作用的结果,对城市群协同创新与可持续发展意义重大。对于知识形态相对单中心发展的城市群,需要合理规划布局知识创新资源,加大对区域内其他城市的研发投入或设立更多科研院校的分支机构,加强促进人流、信息流、知识流互联互通的基础设施建设,积极引导中心城市知识外溢。对于知识功能相对单中心发展的城市群,需积极促进城际知识合作,鼓励知识合作创新多样化,充分发挥各城市人力资本的比较优势,形成功能互补的城市群知识合作体系,提高知识合作效率。
4.2 讨论
城市群的多中心格局受到研究视角的影响,本文的城市群多中心是其在知识流方面的具体体现,与之前****们基于交通流[6]和企业流[13]视角的研究对比,可以发现不同要素流作用于城市群空间表现和内在逻辑的异同。第一,知识流与交通流、企业流作用下城市群形态多中心的结果相似性（0.742和0.489）高于功能多中心的相似性（0.583和0.418）。因为形态多中心分析时用的是城市的知识规模、交通规模和企业规模,而这些与城市的人口和经济规模分布总体一致。但功能多中心评价结果因城市间流动要素的不同而差别较大,对于知识合作联系、基础设施联系、高端生产性服务联系,城市社会经济属性只是基本影响因素,还涉及空间、政策、文化、拓扑等其他方面的机制[21,22,31]。第二,城市群知识多中心与交通多中心发展状况的相似性（0.742和0.583）高于企业多中心（0.489和0.418）。这是因为知识资源和交通资源可以受中央和地方政府统筹配置和规划引导,且受国内市场影响;但是企业资源,尤其是高端生产性服务业,受市场力量控制较大,且主要受到外资的影响。第三,本文中两种多中心的相关性为0.787,高于Liu等[6]的0.430,可见知识流视角下城市群多中心发展在功能和形态上总体匹配度高于交通流的状况,亦可从Ⅱ、Ⅳ象限皆只有一个城市群中初见端倪。除研究视角外,评价结果的差异也跟多中心测算方法和城市群范围界定的不同有关。WOS数据是目前较常用的表征知识合作创新的数据源之一,但其本身也存在一定缺陷。由于WOS数据只反映****间英文论文合作,有大量中文论文合作数据未能记录,其也未能涵盖无需通过论文显化的应用导向知识合作,这使得本文的研究结果不可避免地存在一定的误差,在结果解读中需充分注意这一点,未来的研究可增加CNKI论文数据源和专利合作数据源。此外,城市群的多中心性具有尺度敏感性,即使从城市群尺度研究,城市群范围的划定导致城市数量的不同也会影响多中心结构的判断,本文是根据“十三五”规划及各城市群发展规划文件来界定城市群范围和区域内城市样本,这与此前的城市群多中心评价研究均不同,未来还可深入对比不同尺度下19个城市群多中心的差异性与稳健性。同时,有关多中心与单中心的量化界限尚无统一标准,文中尝试基于19个城市群多中心度的平均值来划定4个象限,并界定平均值以上的城市群呈现相对多中心发展,反之呈现相对单中心发展。事实上,不同的阈值会导致不同的结果,若将阈值设置为0.5,则本文中所有城市群形态上都是绝对单中心,唯有长三角城市群在功能上呈现绝对多中心,所以本文的主要意义在于对全国城市群知识多中心发展程度的横向比较,是相对态势,而非绝对状况,即为城市群多中心评价研究提供知识流视角的实证。
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[J].
DOI:10.1007/s11442-019-1686-yURL [本文引用: 2]
[J].
DOI:10.11821/dlyj020170302 [本文引用: 7]
城市空间组织的多中心、网络化特征受到区域经济研究关注。但由于发展阶段、空间尺度、研究视角的差异,城市区域多中心格局有待商榷,知识经济时代解读知识流作用下的城市空间组织应成为经济地理学重点破解的命题。基于中国知识产权局2014年申请和联合申请发明专利数据,运用社会网络分析法和基尼系数,从知识生产和知识网络层面,对京津冀、长三角、珠三角、长江中游、成渝五大城市群技术知识形态多中心和多尺度功能多中心进行测度。研究发现：① 城市群技术知识创新呈现网络化模式,但在形态和功能上多呈现单中心格局,与已有研究基于城市间基础设施联系、企业联系、科学知识联系广泛认同城市群呈现多中心格局的观点不同;② 城市群技术知识网络结构具有空间异质性,国家尺度技术知识流强度的空间不均衡性更加显著,强联系由少数核心城市控制;③ 形态和功能多中心程度存在区域差异,同城市群创新基础、经济实力、协同发展水平有关;④ 功能多中心程度具有尺度敏感性,区域尺度功能多中心程度高于国家尺度。研究结论有助于引发对城市空间组织理论的再思考。
[J].
[本文引用: 7]
[J].
DOI:10.1177/0042098011407095URL [本文引用: 2]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[J].
DOI:10.1080/713707232URL [本文引用: 1]
[J].
DOI:10.1080/00343404.2015.1004535URL [本文引用: 8]
[J].
[本文引用: 2]
[J].
[本文引用: 2]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[M].
[本文引用: 2]
[J].
DOI:10.1080/00343400701874214URL [本文引用: 2]
[J].
[本文引用: 3]
[J].
[本文引用: 3]
[J].
[本文引用: 2]
[J].
[本文引用: 2]
[J].
DOI:10.18306/dlkxjz.2016.11.008 [本文引用: 1]
高铁作为城市群内部物质与信息交流的基础设施,是城市扩展和城市间相互联系的重要通道,而城市群则是被高铁系统压缩了空间的众多城市空间。本文通过采集长三角城市群380个高速铁路客运数据建构20×20的矩阵,建立了基于高铁客流的长三角城市群城市间联系的矩阵,并在此基础上对长三角城市群内外空间结构进行深入分析。结果表明：①长三角城市群核心城市上海、南京、杭州、宁波间城市网络联系密度高于其他廊道城市间联系;②长三角城市群核心城市向外延伸的轴线联系加强,主要表现为上海与镇江、嘉兴,南京与丹阳、湖州,苏州与常州、昆山等城市间联系紧凑;③在城市群“空间流”分层方面：第一层级主要分布在长三角地区“沪—苏—锡—常”及其沿线;第二层级城市网络主要由“沪—宁”及其沿线路线构成;第三层级城市网络主要由“沪—杭—甬”及其沿线路线构成;第四层级城市网络主要由上海—金华—义乌及其沿线路线构成。
[J].
[本文引用: 1]
[J].
DOI:10.13249/j.cnki.sgs.2014.06.648 [本文引用: 1]
城市区域是经济全球化与区域一体化发展趋势下重要的空间组织形式,功能多中心是城市区域最为重要和本质的特征以及最为关键的演化阶段。以流动空间和城市网络理论为基础,城市区域功能多中心的研究可以从城际功能联系展开,通过定量测度与定性分析相结合的方式获得具有实践与理论意义的成果。以珠三角城市区域为研究对象,以城际轨道流为功能联系的数据基础,对珠三角城市区域的功能多中心进行探讨。研究表明,基于城际轨道交通流功能联系的珠江三角洲地区具有较高的功能多中心性,在世界上典型的城市区域中处于中上水平;对于东西两翼多中心度的测度与分析发现,东西两翼城市间缺乏有效的城际轨道交通功能联系,对于珠三角城市区域功能多中心产生严重的消极影响,珠三角城市区域功能多中心度进入离心发展阶段。随着城际轨道交通建设的推进和区域一体化的发展,珠三角城市区域的功能多中心将趋于成熟。
[J].
[本文引用: 1]
[J].
DOI:10.1007/s11769-020-1161-9URL [本文引用: 1]
[J].
[本文引用: 1]
[J].
DOI:10.1080/00343404.2016.1269885URL [本文引用: 1]
[J].
DOI:10.1016/j.respol.2010.01.012URL [本文引用: 1]
[J].
DOI:10.13249/j.cnki.sgs.2018.11.003 [本文引用: 2]
以国家知识产权局专利转让记录为数据源,采用大数据挖掘与分析技术、空间分析技术、复杂网络模型和负二项回归模型,系统描绘了2001~2015年中国城市创新网络的拓扑结构、空间结构和生长机制。研究发现：① 中国城市创新网络规模迅速扩张,在两极分化下涌现出显著的小世界性和等级层次性,以北京、上海、深圳为核心的核心-边缘格局不断强化;② 以三角结构为基础的中国城市创新网络的四边形格局逐渐形成,京津、长三角、珠三角是中国城市专利转移的核心三角;③ 中国城市创新网络的生长与城市科技创新实力显著相关,且受到地理距离的阻抗作用,凸显出强烈的地理邻近性,另外城市经济发展水平相似度和产业结构相似度也是影响城市创新网络生长的重要因素。
[J].
[本文引用: 2]
[J].
DOI:10.11821/dlyj201503011 [本文引用: 2]
知识在产业集聚、区域创新中的地位越来越突出,城市知识储量及其在区域知识网络中的地位对城市的综合竞争力有重要影响。学术论文合作与专利合作是知识溢出的体现形式,是科学和技术发展的重要成果,也是度量区域创新能力的主要指标。以2000-2009年中国生物技术领域合著论文和共同申请专利的信息为原始数据,分别构建中国城市间科学知识网络(scientific knowledge network,SKN)与技术知识网络(technological knowledge network,TKN)。运用复杂网络与地学空间分析方法,从整体网络结构特征、择优链接性、中心城市及其自我网络的空间特征等方面进行分析,探究知识溢出的时空复杂性。研究表明：①SKN和TKN具有无标度网络特征;SKN节点度数的异质性高于TKN。②两种网络均呈异配性,即城市选择合作对象存在明显择优链接性,知识溢出具有粘着性和空间依赖性。③SKN中心城市具有明显的等级结构,空间分布总体呈“大分散小集聚”特点;TKN中心城市层级结构不明显,尚未形成明显极化中心。④SKN中心城市自我网络的合作空间,由最初的沿海省会城市间的合作转向长三角、珠三角、京津冀等区域间和沿海城市与内陆城市间的合作,区域间知识溢出明显;TKN中心城市自我网络仍多分布于沿海城市和少数中西部省会城市,区域间知识溢出不明显。⑤SKN中心城市及其自我网络的时空演变存在等级扩散和传染扩散的现象,符合时空梯度推移规律,且空间等级梯度逐渐向扁平化转变;TKN中心城市及其自我网络的时空演变以等级扩散为主,时空梯度推移现象不明显。研究结论为量化知识溢出及知识溢出网络结构的时空演化过程提供新的研究视角,对城市创新政策的制定有一定借鉴意义。
[J].
[本文引用: 2]
[J].
DOI:10.1080/00343404.2016.1240868URL [本文引用: 2]
[J].
DOI:10.13249/j.cnki.sgs.2020.12.002 [本文引用: 1]
基于城市群尺度，以高铁列车和长途汽车作为2种交通方式代表，结合网络分析方法对比2种方式的联系格局和结构属性等。研究发现：① 高铁列车在城市群之间的运输频次普遍较高，长途汽车的频次主要集中于城市群内部的运输线路；② 各城市群的长途汽车网络已拥有一定规模，网络的成环率、结合度和连接率普遍高于高铁列车网络；③ 2种交通方式在不同城市群的发展差异较大，长三角和珠三角等城市群的2种网络都较为成熟发达，京津冀和成渝等城市群的长途汽车网络连通性明显优于高铁，北部湾等城市群的2种网络都有较大的发展空间；④ 高铁列车网络具有轴线结构特征，长途汽车则呈“核心?边缘”的网络结构，在具体城市群中两种网络结构又具有一定差异性。
[J].
[本文引用: 1]
[M].
[本文引用: 2]
[J].
DOI:10.1080/09654310802401805URL [本文引用: 1]
[J].
DOI:10.1080/00420980701518941URL [本文引用: 1]
[J].
[本文引用: 2]
[J].
[本文引用: 2]
[J].
DOI:10.12082/dqxxkx.2020.190686 [本文引用: 1]
城际出行具有时间依赖性,不同时间约束与特定时期的城际出行具有相异性,反映的出行模式与表达的地理空间联系规律具有差异性。迁徙大数据记录的人口移动实时记录为开展基于时间依赖的城际出行网络提供了可能。本文以全国 19个城市群为研究区域,利用腾讯平台提供的居民城际出行数据,对国庆长假期间（2016年10月1—7日）中国城市群城际出行时段变化特征、城际出行模式及其网络结构进行了研究。结果表明：① 黄金周城际出行具有明显的基于出行期、返程期和旅途期的时段变化规律;② 国庆长假期间的中国城市群城际出行分别形成了轴辐式、多中心与单中心3种城际出行模式; ③ 出行期、返程期的城际出行具有类似于春运人口流动的时空对称规律,城市群城际出行呈现出以主要城市群整体、城市群核心城市与邻近外围城市间的中短距离流动的长假出行特征,中西部城市群城际出行具有典型的“潮汐式”流动特征;④ 基于腾讯人口迁徙大数据,通过对黄金周期间出行期、返程期与旅途期的科学划分,较好地实现了国庆长假城际出行特征与模式的挖掘,同时也为长假城际交通管理与道路资源优化调配方案的制定提供支撑。
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
[J].
[本文引用: 1]
