EN中文

经济地理 >

2019 , Vol. 39 >Issue 11: 60 - 68

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.11.008

城市地理与新型城镇化

中原城市群镇域经济空间格局及其影响因素

  • 丁志伟 , 1, 2 ,
  • 黄逦茗 1, 2 ,
  • 谢慧钰 1, 2 ,
  • 白楠屹 1, 2 ,
  • 张改素 , ※, 1, 2
展开
  • 1.河南大学 环境与规划学院/区域发展与规划研究中心/黄河中下游数字地理技术教育部重点实验室，中国河南 开封 475004
  • 2.城乡协调发展河南省协同创新中心，中国河南 郑州 450046
※张改素（1985—），女，山东聊城人，博士，校聘副教授，硕士生导师。主要研究方向为城乡统筹发展。E-mail：。

丁志伟（1983—），男，河南荥阳人，博士，副教授，博士生导师。主要研究方向为城市—区域综合发展。E-mail：。

收稿日期: 2018-11-19

  修回日期: 2019-07-14

  网络出版日期: 2025-04-17

基金资助

国家自然科学基金项目(41701130)

2020年度河南省高校创新人才支持计划项目(20HASTIT017)

河南省研究生教育优质课程建设项目(HNYJS2016KC24)

2019年度河南大学大学生创新创业训练计划项目(S201810475052\2019101311)

收起

Economic Spatial Pattern and Its Influencing Factors of Central Plains Urban Agglomeration at Town Scale

  • DING Zhiwei , 1, 2 ,
  • HUANG Liming 1, 2 ,
  • XIE Huiyu 1, 2 ,
  • BAI Nanyi 1, 2 ,
  • ZHANG Gaisu , ※, 1, 2
Expand
  • 1. College of Environment and Planning / The Centre for the Regional Development and Planning / Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Regions (Ministry of Education)，Henan University，Kaifeng 475004，Henan，China
  • 2. Collaborative Innovation Center of Urban-Rural Coordinated Development，Henan Province，Zhengzhou 450046，Henan，China

Received date: 2018-11-19

  Revised date: 2019-07-14

  Online published: 2025-04-17

Fold

摘要

在大数据背景下，基于百度检索量指标分析了中原城市群镇域经济空间格局及其影响因素，并探索了其与实体经济空间格局的差异。研究发现：①从空间分异格局看，高值区呈现出“两个核心集聚区、一个相对集中片区和广布的斑点式扩散区”格局，低值区主要集中在“沿太行山脉的西北部和以驻马店、信阳、周口为核心的东南部”两大片区。与实体经济格局对比发现，高值、低值的分布范围有类似之处但程度远不及实体格局，破碎化、斑块状分布现象明显。②从空间关联格局看，显著HH区、LL区的分布格局与空间分异格局有类似之处但范围有所变化。与实体经济格局对比发现，显著HH区、显著LL区的分布范围和集聚程度明显较实体经济格局缩小、弱化，连绵分布态势下降很多，但整体的空间自相关指数差距不大。③从影响因素看，基于百度检索量的虚拟经济空间格局虽受乡镇经济实力影响但解释力仅有20%~30%，而更多受人们关注主题的影响。其中高水平区乡镇在经济发展的引领下表现出与企业宣传、政府报道、社会民生、资源禀赋、热点事件等相结合的链式搜索效应；低水平区乡镇受乡镇经济实力的影响不大，而更多地体现出社会民生事件，反映出低水平区乡镇亟需提升经济实力和增强社会保障服务等方面的需求。

关键词： 经济差异; 百度检索量; 镇域; 中原城市群; 乡镇经济; 社会保障; 乡村振兴战略

本文引用格式

丁志伟 , 黄逦茗 , 谢慧钰 , 白楠屹 , 张改素 . 中原城市群镇域经济空间格局及其影响因素[J]. 经济地理, 2019 , 39(11) : 60 -68 . DOI: 10.15957/j.cnki.jjdl.2019.11.008

Abstract

Under the background of big data, based on Baidu search volume, this paper analyses economic spatial pattern and its influencing factors of Central Plains Urban Agglomeration at town scale, and further analyses the spatial pattern difference between real and virtual economy. The results are as follows. 1) From spatial differentiation pattern, the high-score regions show a pattern of "two core clusters, a relatively concentrated area and lots of speckled diffusion areas", and the low-score regions represent two large contiguous regions which distributes in northwest area along the Taihang Mountains and the southeast area including many towns in Zhumadian-Xinyang-Zhoukou. Compared with the spatial pattern of real economy, the distribution characteristic of high-score regions and low-score regions show some similarities, however, its distribution scope and densely distributed area is far less than the spatial pattern of real economy for the clear fragmentation and patch distribution. 2) From the spatial correlation pattern, the distribution pattern of HH area and LL area is similar to the spatial differentiation pattern, but the scope has changed. Compared with the spatial pattern of the real economy, it is found that the distribution scope and agglomeration degree of the significant HH and LL area are obviously smaller and weaker, moreover, the concentrated degree is also declined a lot, but the overall spatial autocorrelation index has little difference. 3) From the influencing factors, the virtual economic spatial pattern is affected by the economic strength of the township whose explanatory power is only 20%~30%, but more affected by people's concerned theme. Towns in high-level areas have more influence on economic force and their search volume has chain effect with corporate propaganda, government reports, social livelihood, resource endowments, hot events under the guidance of economic development. While towns in low-level areas have more influence on social and livelihood events rather than the economic development, which reflects the urgent needs to enhance economic development and social security services of towns in low-level areas.

Key words： economic difference; spatial pattern; Baidu search volume; town scale; Central Plains Urban Agglomeration; social security; Rural Revitalization Strategy

镇域经济作为区域经济的“底层”组成部分，衔接着城市经济与乡村经济，在乡村地域系统中发挥着基础性作用[1]。研究镇域经济差异，对探索市域、县域尺度下经济空间分异格局的细化规律有重要意义，对促进城乡融合发展、乡镇经济振兴等同样具有重要意义。而今，在乡村战略规划的引领下，探讨镇域尺度经济发展的空间分布规律，提升乡镇经济中“产业兴旺”支撑力，对于优化区域经济空间格局具有重要的现实意义。
在已有的研究中，区域经济的研究尺度多见于省域、市域视角[2⇓⇓⇓-6]，县域尺度的研究近年来不断呈现[7⇓⇓-10]，镇域尺度的研究相对较少[11⇓-13]。究其原因，省域、市域尺度的数据能从国家、省级的统计年鉴中获取，无论构建单指标还是综合指标均简单易行，因而相关研究成果相对丰硕。由于国家统计部门近些年出版了《中国县域统计年鉴》，加之部分省级年鉴最后一部分补充县级层面的核心发展指标数据，因而无论是全国范围还是具体的省区，县域经济的空间分布格局的研究不断增多且内容不断细化[14⇓-16]。在国家统计局出版乡镇统计年鉴之前，多数研究的数据从地方政府相关统计部门联系获取，数据资源稀缺且获取难度大，因而相关研究成果较少且局限于范围不大的研究地域[16⇓-18]。伴随着《中国县域统计年鉴（乡镇卷）》的出版，乡镇尺度的研究有所增多，但限于镇域尺度行政地图获取难度大，镇域经济的研究虽有增多但增速较缓。
总结镇域经济文献看，指标体系既有单指标也有综合指标，单指标多从地区经济产值方面选取，综合指标包括构建指标体系和政府部门统计的乡镇发展综合指数；从空间差异格局看，多以现状格局分析为主，时空格局演变分析的研究不多；从地域范围看，多数研究局限于某一地区进行内部镇域经济格局分析，少数对都市区内部进行分析；从空间差异格局的影响因素看，以几个要素进行简单分析的居多，深入的机理性解释不多。可以说，受制于数据获取、行政地图获取的难度，基本是围绕能获得数据的区域展开分析，大范围、全局性的镇域经济空间格局尚未出现，这也是本研究突破的地方之一。在大数据时代背景下，通过网络经济的一些指标来反映地区发展水平的文献不断出现，成为探索研究微观尺度空间联系格局的新途径。百度大数据作为对地区经济社会情况关注度的反映，成为探索地区信息化水平的表征指标之一。根据已有的城市经济、城市体系网络化研究发现，基于百度指数的空间结构与实体经济空间结构具有很强的一致性[17⇓⇓⇓⇓⇓-23]。例如，熊丽芳团队在对长三角核心区的城市研究中发现，百度指数所反映出的网络关注度与城市实际的经济水平类似[17]。邓楚雄等利用百度贴吧数据分析长江中游城市群城市网络联系，存在少量差异的同时，也与长江中游城市群已有相关研究成果主要结论基本一致[24]。因此本研究试图进行以下突破：一是通过多种方法获取大范围研究区镇一级行政区划图；二是借助于百度检索量来探索镇域尺度下区域经济格局，进而与实体经济空间格局进行对比，探讨两者之间的关系。中原城市群作为国家级的规划城市群，涵盖5省30个省辖市，是中国经济社会发展的“缩影”地区，是中国乡镇最密集的一个区域，其乡镇经济发展情况在中国农区经济中具有代表性。因此本研究以中原城市群为研究区，探索中国传统农区镇域尺度下经济空间格局特征，以期为中原地区的乡村振兴、农业现代化、新型“三化”协调发展提供支撑，也期望为全国其他类似区域的镇域经济研究提供理论支撑。

1 数据来源与研究方法

1.1 数据来源

百度指数是反映关注名词被检索频数的统计指数，能够反映数字经济时代一个地区被网民关注的程度，因此很多信息化背景的城市经济类文献经常运用该指标进行分析。然而百度指数只关注到县级层次的名词，乡镇级别的地域名词未被收录，因而需要寻求其他搜索方法。经查核百度指数的概念内涵，结合与百度指数县域层次城市搜索量的比对，本研究采用人工检索的方法标识乡镇尺度地域名词的关注程度。具体检索方法如下：首先在百度搜索（http://www.baidu.com）中输入被关注的乡镇名词，之后设置搜索范围为1970年1月1日（百度搜索创建之日）至2017年12月31日，按下搜索按钮就可获取该乡镇被关注的程度。由于需要一个个输入中原城市群镇域尺度下3 152个乡镇名称，因此历时一个多月才完成搜索工作。中原城市群镇域尺度行政区划矢量图来自于91卫图助手，由其企业版专属图层中的“全国省市县乡行政边界”下载。然而由于该软件仅提供到县一级层次的乡镇矢量图，不能以市域、省域尺度进行整体下载，只能在下载一个个县域单元乡镇行政图之后在Arc GIS软件中进行合并，因此图件的处理过程极为耗时、费力 ① 。由于《中国县域统计年鉴（乡镇卷）》提供有乡镇级别的实体经济数据，因而百度检索量与镇域尺度下实体经济对比的工业产值、人均工业产值、地均工业产值等指标均来自该年鉴。

1.2 研究方法

1.2.1 空间插值法

Kriging插值方法可以根据样本点位置的不同、样本点属性数据的相关程度不同，对每个样本点的属性数据赋予不同的权重，进行滑动平均后获取估测点的属性数据[25]。Kriging插值方法是一个包括多部运算的过程，包括数据的探索性统计分析、变异函数的构建、表面的创新等过程，会根据数据之间相关程度、方向偏差确定拟合面，是广泛应用的一种空间插值方法。中原城市群乡镇个数多、分布情况虽地形变化大，样本点之间存在较强的空间自相关，运用空间插值可以更加形象地看出不同地域的空间差异分布情况，因而本研究采用普通Kriging方法进行空间格局特征分析，并与空间等间隔的分类可视化图相结合进行对照分析。

1.2.2 ESDA分析方法

ESDA（Exploratory Spatial Data Analysis）分析方法是根据样本点属性数据在空间上的自相关程度来分析某种属性、现象之间的空间关联特征。该方法一般包括全局自相关和局部自相关两个方面的指数，全局自相关指数能判断空间邻接或者空间临近单元属性指标的相似程度，局部自相关的指数、图件能弥补空间过程的潜在不稳定问题，能具体测度属性指标在空间的哪些区域产生了空间集聚，能具体判断哪个区域单元对全局空间自相关的贡献大。本研究采用Moran指数I与局部空间联系的LISA（Local Indicators of Spatial Association）指标分析中原城市群镇域尺度下经济现象的空间自相关程度[2]。

1.2.3 相关分析与空间回归分析

本研究的目的之一就是要探索数字经济背景下虚拟经济空间格局与实体空间格局之间的关系，因而引入相关分析和空间回归分析方法进行测度。相关分析是分析两个要素指标之间相互关系的一种分析方法，是探究百度检索量与实体经济数据之间关系的重要依据之一。如果要素指标之间存在相关关系且在ESDA分析中具有空间自相关，那么可以借助空间回归分析方法来测度百度检索量与实体经济要素之间的归因关系。常用的空间回归模型为空间滞后与空间误差模型[26]，并与普通OLS型相对比，可反映模型的回归效果。
①空间滞后模型，SLM（Spatial Lag Model）模型。该模型主要用于研究相邻区域的变量对整个系统内其他区域的同一变量存在影响的情况，其模型表达式为：
y = ρ W y + β X + ε
式中：参数β反映了自变量对因变量的影响；空间滞后因变量Wy为内生变量；y为n×l阶的因变量向量；X为n×n阶的特征自变量矩阵；β为k×l阶的回归系数向量；ε为n×l阶的独立同分布的随机误差项向量；W为n×n阶的空间权重矩阵；ρ为空间相关系数，取值为-1~1之间，表示相邻区域之间的空间影响程度。
②空间误差模型，即SEM（Spatial Error Model）。该模型主要用于残差项之间存在空间自相关的情形，其模型表达式为：
y = β X + ε ,   ε = λ W ε + μ
式中：ε为随机误差项向量；β为n×1阶的截面因变量向量的空间误差系数；μ为正态分布的随机误差向量；W为空间权重矩阵；λ为空间残差回归系数。

1.2.4 内部影响因子的海量统计分析

由于百度检索量仅仅体现乡镇被关注的次数，而不能体现关注该乡镇经济社会发展哪个方面的具体内容，因此，要想深入了解乡镇被关注的内容，需要逐一点开网页进行总结方能确定。根据百度检索量的关注内容，考虑到细化后的工作难度，本研究将关注内容分为八类：企业与产业发展、政府相关、资源禀赋、地理位置、历史文化传说、热点事件与名人效应等。由于统计全部乡镇的具体关注内容工作量极其浩大，本研究选取209个百度检索量<2 000的乡镇和601个百度检索量>100 000的乡镇进行归纳整理，从而判断这些内部影响因子是如何影响高值区、低值区百度检索量的关注度差异。

2 结果分析

2.1 镇域尺度空间分异格局特征

根据空间分类与空间插值的方法，对中原城市群镇域百度检索量的空间分异格局进行分析，结果如图1。由图1可知，高值区的空间格局呈现出“两个核心高水平集聚区+一个相对集中的较高水平区+斑点式扩散的高水平区”分布特征。“两个核心高水平集聚区”一个是以郑州市区为中心向西北延伸至济源、晋城方向形成的高值集聚区，另一个是在东部由宿州、蚌埠乡镇组成的高值区。这两个集聚区以人均经济实力较高的郑州、济源、蚌埠等城市作为支撑，体现出乡镇的高经济发展水平对高百度检索量的支撑。“一个相对集中高水平区”，主要分布在西南部南阳境内，不仅包括一些乡镇经济实力较强的地区，而且更多的是以生态旅游、历史文化、社会民生等为主题的高搜索量地区，体现出百度检索量反映经济社会发展方面的倾向性。“斑点式扩散高水平区”非常多，体现出以某一种特色带动影响周边乡镇的扩散效应，主要分布在东部自聊城向淮北扩散的外围区。而低水平区则相对比较集中，主要分布在两个片区，一个是西北方向沿太行山脉包括邢台、邯郸、长治、晋城、运城的大多数乡镇组成的低值片区，另一个是南部以周口、驻马店、信阳为核心覆盖区的低值连片区。
图1 基于百度检索量的中原城市群镇域经济空间格局

Fig.1 Economic spatial pattern of Central Plains urban agglomeration at town scale based on Baidu search volume

为对比基于百度检索量的虚拟经济空间格局与实体方面的差异，根据《中国县域统计年鉴（乡镇卷）》提供和能计算的指标进行空间插值分析，结果如图3。由图3可观察出，实体经济的空间格局更具鲜明性，斑点式扩散格局不明显。从工业产值看，高值集中区主要分布在四处，两处范围较大的集中区和两处范围相对较小的集中区。两处大范围集中区一个是以郑州为核心向西北方向延伸形成集中区，与县域层次的经济空间格局有类似之处[27⇓-29]；另一个是从聊城北部到菏泽南部形成的集中区，与虚拟层次的斑点式扩散格局有明显不同。两处小范围集中区一个沿京广产业带从邯郸到新乡形成不规则条带状集中区，一个在三门峡西部形成扩散型集中区，与虚拟层次的空间格局对比并无明显的一致性分布规律。基于人均和地均工业产值看，集中分布的范围较百度检索量、工业产值有明显不同，人均指标除郑州—济源一带形成集中片区外，其余几个集中区明显范围减小且集中程度下降；地均指标除以郑州为中心的集聚格局与百度检索量、工业产值有所相似，其他的分布特征与百度检索量并无明显的类似性。值得一说的是，基于地均指标在北部、中东部呈现出的斑点式扩散与百度检索量有些许类似。一言概括之，中原城市群镇域实体经济与虚拟经济格局除了在中部地区形成的集中分布区有一定的相似性外，其他方面的空间分布格局类似性并不明显。分析到此，不得不让人生疑，镇域层次与县域、市域层次相比，百度检索量反映实体经济空间格局的准确性不如中宏观尺度准确。

2.2 镇域尺度空间关联格局特征

基于镇域单元的百度检索量，通过Geo-DA软件中Univariate LISA模块分析中原城市群镇域空间格局的局部关联特征，并且在Z检验的基础上（p≤0.05）绘制LISA集聚分布图，结果如图2（Moran散点图略）。基于百度检索量、工业产值、人均工业产值和地均工业产值Moran's I指数全部为正且在0.14~0.22之间，表明无论是实体指标还是虚拟指标，在空间关联程度上存在类似集聚状态且以HH区、LL区为主。由图3中局部空间关联集聚图看，基于百度检索量的显著HH区主要分布在以济源、宿州—蚌埠为核心的两处高值集聚区，而以郑州为核心的集聚区范围较小且不明显。从现实情况看，这些高值集聚区与乡镇间的高密度工业化水平协作有着较强的联系，经济水平发展与百度检索量水平均相对较高，表明两者之间有种内在的关联影响作用。其他的一些显著HH区与空间分异格局中的高水平区类似，斑点状分布现象明显。而从实体经济来看，显著HH区的分布格局有些许类似但更多的是不同，类似的一点是中部地区都存在连片区，但从分布位置及范围看明显不同。实体经济的显著HH区如分异格局一样东部地区无集聚区，而高值区则以郑州为核心向西北方向形成较大的集聚片区，与虚拟经济中以济源为核心的分布区大有不同。此外，实体经济空间关联格局的小范围显著HH区在东北部、北部存在斑点状分布，而虚拟空间格局的分布区则明显不同。基于百度检索量的显著LL区的分布格局以西北部、东南部以及北部的一些区域为主，但连片的集聚态势不明显，体现出“近墨者黑”的空间关联效应影响范围不是很广。而从实体经济格局看，显著LL区在西北部、南部、东南部以及西南部形成的大片的连绵分布区，集聚的范围和态势均比虚拟空间格局大，体现出实体经济格局中低乡镇发展水平之间的“塌陷”效应更加明显。总体看来，空间关联视角下实体经济与虚拟经济之间存在分布上的某种类似性，但实体经济的高值、低值集聚更加明显。
图2 基于百度检索量的虚拟经济空间格局与实体空间格局的对比图

Fig.2 Comparison of virtual economic spatial pattern based on Baidu search volume and real spatial pattern based on industrial economic indicators

图3 基于百度检索量、工业产值、人均工业产值、地均工业产值的LISA集聚图

Fig.3 The LISA agglomeration map based on Baidu search volume, industrial output value, per capita industrial output value, land per capita industrial output value

2.3 相关分析与回归分析

如前面空间分异、空间关联格局分析内容所言，基于百度检索量的虚拟经济空间与实体经济空间格局在特征方面有一些类似之处，内在的关联性并不是很强。那么，两者究竟有何种内在关联，两者之间的反映程度又如何呢?影响镇域经济差异的因素有很多，限于数据搜集渠道的限制，本研究首先对《中国县域经济统计年鉴（乡镇卷）》获取的实体经济指标进行相关分析，以探索虚拟、实体经济两者之间的相关状态。具体而言，将获取的实体经济指标二三产业从业人员、人均工业产值、地均工业产值、工业产值、从业人员、常住人口、行政区面积分别命名为x1、x2、x3、x4、x5、x6、x7，在SPSS软件与百度检索量进行相关分析，结果见表1。由表1可知，除行政面积、人均工业产值相关系数在0.2以下，其余指标的相关系数均在0.2~0.3之间，表明百度检索量与实体经济指标的整体正向相关性不是很强，两者之间的相关程度仅有20%~30%。由于基于百度检索量的镇域经济发展水平存在正向的空间自相关，因此可进一步利用百度检索量与7个实体经济指标进行空间回归分析，以解释指标之间的归因联系，结果同样见表1。常住人口、行政区面积、二三产业从业人员、地均工业产值4个指标通过了较高的显著性检验且为正向系数，反映出整个空间分异格局与人口的基础支撑、乡镇的人口工业化进程、产业结构的高级化等方面密切相关，也从侧面反映出乡镇工业发展水平、乡村工业化水平对百度检索量下的经济空间分异格局的解释力相对较好。当然由于受到人为检索因素的干扰，百度检索量只能反映在一般情况下的平均状况，无法全面概括乡镇的经济发展水平。
表1 百度检索量与实体经济指标的相关系数、空间回归系数

Tab.1 Correlation coefficient，spatial regression coefficient between Baidu search volume and real economic indicators

变量 相关系数 OLS SLM SEM
x1 0.273** 0.078** 0.085*** 0.076**
x2 0.145** 0.013 -0.005 -0.003
x3 0.227** 0.119*** 0.126*** 0.133***
x4 0.229** 0.026 0.017 0.007
x5 0.242** -0.049* -0.068** -0.069**
x6 0.272** 0.144*** 0.147*** 0.166***
x7 0.065** 0.067*** 0.060*** 0.036*

注：*、**、***分别表示通过了0.05、0.01、0.001的显著性检验。

2.4 内部影响因子海量分析

由于实体经济指标与百度检索量的相关程度仅有20%~30%，因此，有必要通过对百度检索量具体的关注领域进行定量统计分析，以更深入地分析影响空间格局分异的具体因子。通过查看镇域尺度下百度检索量反映的具体关注内容，同时考虑到统计分析的海量工作，如研究方法中所述，本研究将反映主题归纳为政府新闻与官方网站（政府政策通报、政府部门官网、乡镇规划改革、工作安排等）、企业报道与产业发展（国有企业、阿里巴巴产业带、二三产业、工程招标、宣传投资网页等）、社会民生与生活百事（饮食、交通、教育、医疗、生活服务、娱乐休闲等）、资源禀赋（自然资源、特色小镇、农副产品等）、热点事件（精准扶贫、刑事事件、其他热点事件等）、地名位置（百度地图、居委会等单元、村级单元等）、历史文化传说（历史遗址、风俗习惯、方言、考古发现等）、名人效应（政府部门代表干部、产业领军人物等）八个方面。如果将各个镇域单元的八个方面全面归纳总结出来，耗费的时间与精力难以计算，考虑到分析的代表性，本研究选取百度检索量>100 000的601个高水平乡镇的146 875 200个词条与百度检索量<2 000的209个低水平乡镇的268 556个词条进行海量统计分析，以对比分析影响高、低水平区影响因子的差异。
根据上述8个主题的分类对高水平乡镇的词条进行统计，各主题内容占比如图4。由图4可知，企业报道与产业发展方面的占比为23%，与20%~30%的相关系数解释基本一致；政府报道与官方网站占比为24%，反映出高水平区在经济水平的支撑下社会服务水平相对较高；社会民生与生活百事方面的占比为15%，体现出乡镇居民在保障基本生产、生活水平之外，倾向于通过信息化平台咨询、解决日常生活中遇到的一些问题；资源禀赋方面的占比为14%，反映出部分乡镇的发展依靠特色资源、特色品牌提升了乡镇的知名度与发展水平；热点事件占比为10%，从侧面反映出特殊时期的一些自然灾害、刑事犯罪等方面的事件也能产生一定的影响；地名位置与历史文化传说各占6%，反映出日常出行、旅游开发、风俗习惯等方面对部分乡镇的贡献价值；名人效应占2%，反映出人们对影响乡镇发展的能人精神、引领发展事迹等方面的关注。在高水平乡镇地区，人们对企业发展、产业经济方面的关注度高，从而形成了一些明星企业和品牌产业。在乡镇经济实力的提升下，人民生活水平质量大幅提高，信息化水平提升显著，这又在一定程度上增加了原本搜索量较大的政府报道与官方新闻的关注度。同时，政府出台的政策对当地规划影响较大，会在一定程度上提高热点事件的产生。但由于此类事件不确定性极强，对当地检索量影响并不大。值得一说的是，高水平地区乡镇将特色资源与产业相结合从而引发的“链式”搜索也能为高值区提供一定的贡献值，例如，一些特色乡镇以经济产业的企业宣传打头，政府政策报道为辅，同时与人民生活出行、当地优势相互作用，促成了高水平乡镇关注度的产生。同时，这些内部影响因子通过企业宣传、品牌效应、经营广告、民生百事、政府新闻和爆发性事件的交织影响，以及优势产业品牌形成的关联效应对高水平地区有着明显的推动作用。
图4 高百度检索量乡镇形成的内部影响因子解析

Fig.4 The internal influence factor analysis of high Baidu search volume town

同样，根据主题对低水平区乡镇的词条进行统计，结果如图5。由图5可知，社会民生和生活百事占比达到36%，反映出低水平区受居民日常生活状态影响较大；企业报道与产业发展占比为12%，贡献中等，主要是低水平区乡镇经济发展水平普遍较低且企业缺乏知名品牌效应；政府政策及官方报道占比为11%，仅仅反映出政府在宣传发展方面的稳定影响；社会热点事件相比高水平区有所下降，反映出社会突发事件依然有一定影响；资源禀赋方面占比达7%，反映出部分乡镇依靠特色资源、特色品牌提升了乡镇的知名度与发展水平；地理位置、历史传说、名人效应与高水平区相比有所变化，但都是一些基本性影响。总体而言，低水平区乡镇在产业带动下的“链式”搜索以及政府宣传报道的企业新闻不足，而乡镇居民遇到的日常琐事或者“吐槽”式的检索量较多，反映出低水平乡镇亟需提升经济发展水平、加快建设基础设施、完善社会保障服务等方面诉求。
图5 低百度检索量乡镇形成的内部影响因子解析

Fig.5 The internal influence factor analysis of low Baidu search volume town

3 结论与讨论

基于百度大数据视角对中原城市群镇域经济格局以及相互之间的空间关联进行研究，主要的结论有：
①从经济空间格局看，高值区整体表现出“两个核心高水平集聚区+一个相对集中的较高水平片区+斑点式扩散的高水平区”的分布特征，低水平区主要集中于西北部沿太行山脉和南部以周口、驻马店、信阳为核心覆盖区的两大低值连片区。与实体经济空间格局中高值区集中分布在中部、西北部组成的核心集聚区有类似之处但分布范围有很大的不同，与实体经济空间格局中低值区的连绵分布有相似之处但范围明显缩小。经过对比发现，虚拟经济、实体经济在高值、低值分布的核心区有一定的类似，但基于百度检索量的经济空间格局更加破碎化。
②从经济关联格局看，基于百度检索量的空间自相关指数与实体经济指标类似，在0.2左右，空间集聚格局与空间分异格局有类似之处但范围有所变化。与实体经济的空间关联格局相比，高值集聚区虽然主要分布在济源、郑州市区周边等地但集聚范围明显缩小，低值区主要分布在西北部、南部但集聚的连片趋势有所弱化。
③从影响因素来看，基于百度检索量的空间格局虽受实体经济实力影响但仅仅有20%~30%的解释力，与产业结构的高级化、乡镇就地城镇化、工业实力提升密切相关。从内部海量因子的解析看，高水平区乡镇受经济发展水平的基础影响较大且在经济发展的引领下表现出与社会发展、政府发展、资源禀赋、热点事件形成链式搜索效应；而低水平区乡镇受乡镇经济的影响不大，而更多地体现出社会民生事件的反映，反映出低乡镇水平区亟需提升经济实力和增强社会保障服务等方面的需求。
中原城市群是中部地区城市群规模最大、一体化程度最高、人口最密集的城市群，是辐射带动中西部地区发展的核心增长极，因此，研究其镇域经济问题对促进中原地区的乡村振兴具有重要意义。本研究在乡村振兴背景下，借助网络平台这一媒介搜集足够完整的乡镇单元的百度检索量信息，结合实体经济数据进行对比，细化中原城市群的经济空间格局，有利于从多维视角进行对比分析。然而，百度检索量存在自身的一些关注特点，其数据涵盖面广，本研究将其归纳为八个方面的主题进行内部因子解析，缺乏更为细致的人工筛选、智能识别，难免对部分百度检索量关注词条归类不准确，因此在以后的研究中融入智能化分析手段成为研究趋势。
可以预见，百度检索量、百度指数会随着现代化网络的迅速发展成为更为有力的工具，其数据容量巨大、时效性综合性强、跨尺度领域广等特性丰富了大数据背景下的人文—经济地理研究特色。从百度检索量看，中原城市群已呈现出以中西部核心集聚区、东部宿州—蚌埠集聚区为主导向周边扩散的趋势，印证了其与实体经济局部集聚相似的一些空间分布特征。然而，由于百度检索量更多地与城乡居民搜索的关注点相关，导致了其在空间格局上呈现出高值区局部斑点状扩散现象，也出现低经济水平乡镇高百度检索量的局部异常，这在一定程度上造成了百度检索量与实体经济数据的局部偏差。然而，通过影响因素定量分析与内部海量因子的对比分析发现，百度检索量依然对镇域空间格局分异现象具有一定的解释力，依然反映出核心区高经济发展水平乡镇具有高百度检索量的现实特征，因此，在当今大数据的背景下，基于百度检索量来探索乡镇振兴层面的空间分异格局仍具有现实意义。当然，不得不说的是，基于乡镇尺度的百度检索量反映实体经济的准确性远不如市域、县域尺度下空间分异规律准确。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
丁志伟, 张改素, 王发曾. 郑州都市区镇域经济差异的空间分析[J]. 经济地理, 2013, 33(7):29-35.

[2]
王洋, 修春亮. 1990—2008年中国区域经济格局时空演变[J]. 地理科学进展, 2011, 30(8):1 037-1 046.

[3]
冯长春, 曾赞荣, 崔娜娜. 2000年以来中国区域经济差异的时空演变[J]. 地理研究, 2015, 34(2):234-246.

DOI

[4]
陈培阳, 朱喜钢. 基于不同尺度的中国区域经济差异[J]. 地理学报, 2012, 67(8):1 085-1 097.

[5]
李广东, 方创琳. 中国区域经济增长差异研究进展与展望[J]. 地理科学进展, 2013, 32(7):1 102-1 112.

[6]
徐建华, 鲁凤, 苏方林, 等. 中国区域经济差异的时空尺度分析[J]. 地理研究, 2005, 24(1):57-68.

[7]
陈培阳, 朱喜钢. 中国区域经济趋同:基于县级尺度的空间马尔可夫链分析[J]. 地理科学, 2013, 33(11):1 302-1 308.

[8]
黄丽娟, 马晓冬. 江苏省县域经济与乡村转型发展的空间协同性分析[J]. 经济地理, 2018, 38(6):151-159.

DOI

[9]
曹小曙, 徐建斌. 中国省际边界区县域经济格局及影响因素的空间异质性[J]. 地理学报, 2018, 73(6):1 065-1 075.

[10]
高翯, 王士君, 谭亮. 东北振兴以来吉林省区域经济差异的时空演变研究[J]. 地理科学, 2017, 37(11):1 712-1 719.

[11]
段瑞兰. 山东省乡镇空间格局特征研究[J]. 小城镇建设, 2003(10):30-32.

[12]
蒋海兵, 徐建刚, 商硕. 江苏沿海乡镇经济差异的空间分析[J]. 经济地理, 2010, 30(6):998-1 004.

[13]
曹昊天, 王方雄. 基于空间自相关的乡镇经济差异分析[J]. 地理空间信息, 2013, 11(4):19-20,185.

[14]
雷艳锦, 帅红. 南县镇域经济发展水平空间差异分析[J]. 科技和产业, 2016, 16(4):11-15.

[15]
乔家君. 河南省百强镇时空演化特征及其影响环境[J]. 经济地理, 2008, 28(2):255-259.

[16]
丁志伟, 张改素, 康江江, 等. 基于镇域尺度的信阳经济空间格局演变及其影响因素[J]. 河南大学学报:自然科学版, 2016, 46(6):638-647.

[17]
熊丽芳, 甄峰, 王波, 等. 基于百度指数的长三角核心区城市网络特征研究[J]. 经济地理, 2013, 33(7):67-73.

[18]
赵映慧, 高鑫, 姜博. 东北三省城市百度指数的网络联系层级结构[J]. 经济地理, 2015, 35(5):32-37.

[19]
赵映慧, 李佳谣, 郭晶鹏. 基于百度指数的成渝城市群网络联系格局研究[J]. 地域研究与开发, 2017, 36(4):55-59,129.

[20]
程利莎, 王士君, 杨冉. 基于交通与信息流的哈长城市群空间网络结构[J]. 经济地理, 2017, 37(5):74-80.

[21]
孙阳, 张落成, 姚士谋. 长三角城市群“空间流”网络结构特征——基于公路运输、火车客运及百度指数的综合分析[J]. 长江流域资源与环境, 2017, 26(9):1 304-1 310.

[22]
郭卫东, 钟业喜, 傅钰, 等. 基于网络关注度的中国城市体系等级结构与分布格局[J]. 信阳师范学院学报:自然科学版, 2018, 31(4):622-627.

[23]
周配, 肖向良. 空间流视角下的湖南省城镇空间结构——基于腾讯位置大数据和百度指数分析[J]. 中外建筑, 2018(10):80-84.

[24]
邓楚雄, 宋雄伟, 谢炳庚, 等. 基于百度贴吧数据的长江中游城市群城市网络联系分析[J]. 地理研究, 2018, 37(6):1 181-1 192.

[25]
张海平, 周星星, 代文. 空间插值方法的适用性分析初探[J]. 地理与地理信息科学, 2017, 33(6):14-18,105.

[26]
张改素, 王发曾, 康珈瑜, 等. 长江经济带县域城乡收入差距的空间格局及其影响因素[J]. 经济地理, 2017, 37(4):42-51.

[27]
薛宝琪. 中原经济区经济空间格局演化分析[J]. 经济地理, 2013, 33(1):15-20.

[28]
张改素, 丁志伟, 赵萌, 等. 中原经济区县域经济密度的空间分异及影响因素[J]. 经济地理, 2014, 34(9):19-26,39.

[29]
胥亚男, 李二玲, 屈艳辉, 等. 中原经济区县域经济发展空间格局及演变[J]. 经济地理, 2015, 35(4):33-39.

Options
文章导航

/

〈 〉