Impact and Mechanism of China's Urban Network Position on Economic Growth from the Perspective of Multi-source Data

  • ZHOU Honghao , 1 ,
  • GU Guofeng , 2, ,
  • REN Huimin 3
Expand
  • 1. School of Economics and Management,Shanxi Normal University,Taiyuan 030031,Shanxi,China
  • 2. School of Geographical Sciences,Northeast Normal University,Changchun 130024,Jilin,China
  • 3. School of Economics and Management,Northeast Normal University,Changchun 130117,Jilin,China

Received date: 2024-03-11

  Revised date: 2024-06-16

  Online published: 2024-11-29

Abstract

Based on the multi-source data of listed company headquarters and branches,co-publication papers,joint patent application and Baidu Index,this paper constructs aggregated network and categorized network among 286 cities at or above the prefecture level in China from 2011 to 2020. It uses the social network analysis method and spatial econometric model to empirically analyze the impact and mechanism of China's urban network position on economic growth. The results show that: 1) China's urban network exhibits significant spatial directionality,regions with higher urban network position and linkage strengths mainly distributed among the diamond-shaped structure composed of the Beijing-Tianjin-Hebei,Yangtze River Delta,Pearl River Delta and Chengdu-Chongqing urban agglomerations. There is also categorical heterogeneity in corporate network,information network,technology network and knowledge network. 2) The enhancement of urban network position and partner network position can promote economic growth. Economic agglomeration,technological innovation,green innovation efficiency and market potential are all important impact factors of urban network position on economic growth. 3) The impacts of urban network position on economic growth has regional heterogeneity in terms of location condition,size level and environmental quality,as well as categorical heterogeneity in different types of networks such as corporate network,information network,technology network and knowledge network.

Cite this article

ZHOU Honghao , GU Guofeng , REN Huimin . Impact and Mechanism of China's Urban Network Position on Economic Growth from the Perspective of Multi-source Data[J]. Economic geography, 2024 , 44(10) : 55 -65 . DOI: 10.15957/j.cnki.jjdl.2024.10.006

中国正处于经济发展转型的关键时期,经济增长方式逐渐由要素资源驱动迈向技术创新驱动,创新已成为引领区域经济增长的核心动力[1-3]。党的二十大报告指出:“创新是第一动力……着力提高全要素生产率,推动经济实现质的有效提升和量的合理增长”。随着信息通信技术快速发展,地理距离和行政壁垒所产生的要素流动障碍有所弱化,时空压缩效应愈发显著[4],要素流与关系网络构成的流动空间逐渐从点轴驱动到网络驱动[5]。创新发展已成为知识经济时代主题,知识、技术和信息等创新要素的跨区域流动现象愈加普遍,从而促使区域关系从“孤立”的地方空间向“流动”的网络空间转变[2]。在此背景下,区域经济增长不再仅仅取决于自身的知识生产与积累,而是同时受到网络经济的影响[6-7]。因此,顺应多重要素的流动空间变化新趋势,推进各板块之间高效畅通互联,正确认识城市网络的经济增长效应,无疑已成为城市网络与经济增长关系研究领域的重要课题。
城市网络是城市之间各类要素空间流动及其相互作用所形成的网络型空间组织模式,不仅具有多重属性、流动特性和跨区域特征,还存在创新要素流动所特有的溢出效应[8-9]。城市网络及其网络嵌入所形成的经济增长效应,已成为当前经济地理学领域的研究热点[10-11],相关文献主要沿着两个脉络展开:①城市网络结构特征及形成机制。一些学者基于论文、专利、企业联系等数据,从不同空间尺度上进行研究。在网络特征方面,全球尺度上具有空间非均衡性和拓扑结构[12],省域尺度上呈现出明显的密集区和凝聚子群[13],而城市尺度上表现出空间依赖性以及多中心性[14],同时其知识技术网络存在时空复杂性[15],还有学者从企业联系视角探讨城市网络的层级结构与节点地位[16];在形成机制方面,由网络内生和外部影响因素共同驱动,多维邻近性及其交互作用对网络演化具有重要影响[2-3]。②城市网络经济效应。相关研究多围绕不同层次要素流动所形成的城市网络对经济增长的影响展开[6,11,17]。一方面,一些学者从借用规模、集聚和网络外部性等不同视角出发,探讨了借用规模过程和集聚阴影效应[7,18-20];另一方面,学者们逐渐重视以网络中心性为表征的城市网络地位研究[21-24],如基于企业联系、信息联系和知识互动等要素流动构成的城市网络,考察了城市网络嵌入的经济增长效应[11],探讨了不同类型城市网络对技术创新、经济增长和经济效率的影响[11,17,23],以及由此带来的网络溢出效应[6,23],突出了网络嵌入作用和获取非本地知识的重要性[10,25]
既有对城市网络及其经济效应的研究虽取得了丰富成果,但仍存在以下不足与挑战:①研究视角多基于单层网络,对城市网络的多层属性关注不足;②城市网络地位影响经济增长的作用机制需要在统一框架下系统性探讨,网络经济效应的分类异质性有待进一步深入分析。因此,本文基于2011—2020年中国286个地级及以上城市的上市公司总部与分支机构、论文合作发表、专利联合申请和百度指数等数据,采用社会网络分析和空间计量模型等方法,刻画多源数据视角下中国城市网络演化特征与分类异质性,识别城市网络地位与经济增长的时空耦合特征,揭示城市网络地位对经济增长的影响及机制,以期为拓展和深化多层次城市网络的科学认知,以及发挥网络经济效应在区域经济增长方式转变中的重要作用提供理论与政策依据。

1 理论框架和研究假说

本文基于多源数据视角,借鉴内生增长理论、新经济地理学和网络资本理论等[25-27],参考相关研究成果[7,9,11,21-23],提出城市网络地位影响经济增长的分析框架,揭示中国城市网络地位对经济增长的影响及其作用机制(图1)。
图1 城市网络地位对经济增长的影响及机制

Fig.1 Impact and mechanism of urban network position on economic growth

城市网络地位的提升主要通过3种途径促进城市经济增长:①城市网络地位的提高可以提升资源要素配置效率,促进城市经济增长。城市网络地位可以通过匹配、分类和分配效应优化产业链分工[28],促使生产专业化分工和组织内部协同分工而形成技术积累效应,优化要素资源配置效率并促进经济增长。城市网络地位还可以增强城市利用多样化中间产品的能力,促使规模收益递增并放大规模经济效应[27],形成比较优势并提高要素资源配置效率[11,26],从而直接影响城市经济增长。②城市网络地位还可以通过创造性破坏效应、知识技术溢出效应和信息传递成本效应影响城市经济增长,同时这种影响在网络联系作用下通过网络伙伴关系产生网络经济效应。城市网络地位提升将提高资源交换和机会获取能力,加强企业之间相互作用和竞争替代而产生创造性破坏效应[21-22]。城市网络地位提升会增强知识技术交流,加快缄默知识与显性知识的转化传播,形成以“干中学”为特征的知识技术溢出效应[11,21-22]。城市网络地位提升会降低信息沟通交流成本,提升信息资源可及性和获取能力,形成信息传递成本效应[6,9,22]。③城市网络联系能够突破传统地理边界和行政藩篱而产生跨区域的影响[6,9,11,21-22],有利于增强资源共享、功能互补和知识溢出[4,11,23],通过规模借用、功能借用和技术借用产生协同和整合效应[9,20],使得本地经济增长可以从区域外部获得收益[7,11,17]。因此,城市可以通过嵌入企业网络、信息网络、知识网络和技术网络,与网络成员建立伙伴关系并获得外部要素资源,进而促进经济增长[6,11,21]。由此,本文提出假说1。
假说1:城市网络地位和合作伙伴网络地位的提升能够促进城市经济增长。
城市网络发展对经济集聚、技术创新、绿色创新效率和市场潜能带来深刻影响,这种影响成为城市网络地位影响经济增长的重要机制。城市网络地位通过知识技术要素资源集散,降低了搜索和获取互补性资源、知识技术和信息成本,促进新的资源、技术和要素引进和吸收,产生更高的集聚外部性[17-18,20],有利于城市经济增长。城市网络地位会提高知识技术可达性,通过知识交互作用下的网络联系来增强城市知识生产能力[22-23],促进城市技术创新并产生知识溢出效应[11,23],有利于城市经济增长[25]。城市网络地位提升将促进城市间沟通交流和要素互联互通[21],通过污染转移和绿色技术创新流动等途径,产生绿色技术协同和互补效应,提升城市绿色创新效率[23-24],有助于城市经济增长。嵌入城市网络核心位置能够得到更多的知识技术溢出和信息流通渠道,提升市场通达性并降低要素流动成本,形成市场接近效应,进而激发市场潜能,这将推动城市经济增长[29]。由此,本文提出假说2。
假说2:城市网络地位可以通过提升经济集聚、技术创新、绿色创新效率和市场潜能,促进城市经济增长。
由于城市所处区域在区位条件、规模等级和环境质量等方面存在差异,影响城市技术引进、人才吸纳以及知识可达性,对城市创新要素集散功能具有不同的增强作用,同时也影响着企业内部污染治理成本和外部污染防范成本,进而造成城市网络地位对经济增长的影响存在区域异质性。此外,不同类型城市网络的竞争力、信息可达性和知识技术利用能力存在差异,不同类型网络地位通过网络联系所获得的发展优势也不尽相同,使得城市网络地位的经济增长效应表现出分类异质性特征。由此,本文提出假说3。
假说3:城市网络地位对经济增长的影响具有区域异质性和分类异质性特征。

2 研究方法与数据来源

2.1 研究方法

2.1.1 社会网络分析

网络中心性是社会网络分析中衡量节点重要性的常用指标[2]。度数中心性是指与该节点连接的边的数量,若一个节点具有较高的度数中心性,则该节点拥有较高的权力地位。特征向量中心性表示节点的重要性和影响力,不仅取决于其邻居节点的数量,而且取决于节点所处的周围环境。加权网络中心性的计算包括了节点之间的边权重。

2.1.2 空间计量模型

为了验证前述研究假说,本文借鉴相关学者做法[6,11],构建城市网络地位对经济增长影响的空间计量模型。计算公式如下:
e g i t = α 0 + ρ i = 1 n W e g i t + α 1 k n i t + α 2 i = 1 n W k n i t + β k k X i t k + γ k k i = 1 n W X i t k + c i + μ t + ε i t
式中:i代表城市;t代表时间;egit是城市经济增长变量的对数值;knit是城市网络地位的对数值;Xit是一组影响城市经济增长的控制变量;k表示控制变量编号; ρ代表城市经济增长的空间滞后系数; α 1 α 2表示城市网络地位及其空间滞后项系数,是本文重点关注的核心解释变量系数; β k为第k个控制变量的系数; γ k为第k个控制变量的空间滞后系数; α 0 c i μ t ε i t分别代表截距项、个体效应、时间效应和误差项。为了识别由网络联系带来的网络经济效应,本文空间权重矩阵(W)采用城市聚合网络表征,同时采用地理距离矩阵(地理距离平方的倒数)、边界邻接矩阵(两个城市边界相邻取值为1,否则为0)和制度邻近矩阵(两个城市属于同一省份取值为1,否则为0)作对比分析,分别采用WdWqWi表征。

2.2 变量测度与说明

被解释变量。经济增长是指一定时期内人均产出(或收入)水平的持续增加,本文采用人均GDP来表示各城市的经济增长情况。为了弥补统计数据的局限,采用城市夜间灯光亮度均值的对数值(viirs)进行稳健性检验。
核心解释变量。城市网络地位是在流空间中城市因嵌入网络而获得的权力、影响力和资源获取能力,本文采用加权度数中心性表征( k n i t),定义为城市发出(或接收)关系数量的加权和。采用企业、信息、技术和知识等不同类型网络的加权度数中心性(分别用corp、info、pat和wos来表示),检验多源数据视角下城市网络的分类异质性。同时,将城市网络地位的空间滞后项 i = 1 n W k n i t作为城市通过网络嵌入而产生的外部影响,空间滞后项系数值越大,则越容易从非本地的企业联系、知识技术交流和信息传递中获得好处。采用加权特征向量中心性(keig)进行稳健性分析,定义为 e i = λ - 1 i = 1 n E i j e j,其中 λ为最大特征值, E i j为边权重, e j为城市发出(或接收)关系数量。
机制变量。①经济集聚(jj),采用经济密度(第二和第三产业增加值之和与土地面积之比)来度量城市经济集聚程度[30]。②技术创新(js),采用人均专利授权量来衡量城市技术创新水平。③绿色创新效率(gge)。借鉴相关研究成果[24],采用包含非期望产出的超效率SBM模型[31]计算绿色创新效率,投入指标包括劳动力数量和资本存量,期望产出指标包括专利授权数和GDP,非期望产出指标为PM2.5年均浓度。④市场潜能(mp),参考程名望等的计算方法[32],定义市场潜能为 m p i t = G D P j t / d i j d i j为两城市间的地理距离。
控制变量。①人口密度(ppd)采用总人口与土地总面积之比来表示;②物质资本水平(gdgdp)采用资本存量与GDP之比来表示;③政府干预(gov)采用政府财政支出占GDP的比重来衡量;④产业结构(ind)采用第三产业增加值与第二产业增加值之比来表示;⑤科技投入(sp)采用科技支出与财政总支出之比来表征;⑥人力资本(pstu)采用高等学校在校生人数与总人口数之比来表征;⑦外贸依存度(imex)采用进出口总额与GDP之比表示。

2.3 研究对象与数据来源

2.3.1 研究对象

考虑到多源数据之间的联合可获得性和时间连续性等因素,本文研究对象不包括港澳台地区、西藏自治区以及其他省区的自治州、地区和盟;同时,由于行政区划调整和统计资料变化等,剔除三沙、儋州、海东、吐鲁番和哈密5个城市。最终确定研究对象为中国286个地级及以上城市(以下简称城市,包含市辖区和所辖县的全域)。

2.3.2 数据来源与处理

2.3.2.1 多源数据视角下的城市网络构建与数据处理

城市间各种形式的“流”是建立在“硬网络”基础上的“软网络”,多重要素流动形成的“软网络”更具实际意义[5]。由于知识按类型可以划分为技术、科学以及与企业相关的知识,而知识交换往往依赖于行为主体之间紧密的信息联系和传递效应,论文与专利数据是构建城市网络的重要来源[3,22,33],同时企业和信息网络已成为当前探寻网络经济效应的重要途径[6,11],因此,与以往研究采用单一数据源不同,本文采用市域尺度的企业、信息、技术和知识等要素联系来综合构建城市网络。具体如下:①企业网络。 企业网络常用来反映城市之间的互动关系[16]。数据来源于国泰安数据库,将上市公司总部和分支机构所在城市分别定义为来源地和目标地,其关联次数作为边权重,最终得到有向多值的企业网络。②信息网络。数据来自百度指数官网(https://index.baidu.com),百度指数反映了城市之间的信息交流需求和集散[6]。本文将自定义地域和关键词中所选城市分别定义为来源城市和目标城市(搜索行为包括PC端和移动端),依据百度搜索指数整体年均值,最终形成有向多值的信息网络。③技术网络。专利合作是组织之间技术共享和交流取得的技术创新合作[2-3]。数据来源于IncoPat专利数据库,借助天眼查、企查查等网站以及人工查找等方法进行交叉验证,将申请人地址匹配到所在城市,统计城市之间联合专利申请数量,构建无向多值的技术网络。④知识网络。选择Web of Science核心合集(索引范围SCI和SSCI),采用CiteSpace软件对重复数据进行去重,利用Leydesdorff相关程序提取文章的地址信息,整理出城市之间的合作发表论文数据,导入UCINET软件将二模网络转为“城市—城市”的一模网络[14],构建无向多值的知识网络。
由于企业网络和信息网络是有向网络,分别采用最大值和平均值对称化处理方式,将有向网络转化为无向网络。同时,为了消除不同量纲和统计口径的影响,将4类网络进行标准化处理,本文通过极差标准化方法[34],将网络矩阵对应元素归一化至0~1区间,而后采用加权平均法对4类网络进行聚合。

2.3.2.2 其他数据来源

本文所使用的经济社会属性数据主要来源于中国经济社会大数据研究平台(https://data.cnki.net)和CEIC经济数据库(https://insights.ceicdata.com)以及各省份统计局官方网站等。PM2.5年均浓度数据来源于科学数据银行(https://www.scidb.cn[35]。夜间灯光数据来源于Harvard Dataverse平台[36],采用全国地理信息资源目录服务系统(https://www.webmap.cn)的行政区划矢量图进行栅格分区统计得到。针对各类货币量指标,采用GDP平减指数,以2010年为基期进行平减处理;针对外币统计指标,采用当年平均汇率转为本币后进行相关计算。部分缺失数据采用统计公报和官方统计数据予以补充;若还有缺失,则采用线性插值法补齐。

3 结果与分析

3.1 特征事实分析

3.1.1 城市网络演化特征与分类异质性

图2可知,中国城市网络加权度数中心性和联系强度的均值分别从2011年的3.010和0.011增加到2020年的3.838和0.013,表明中国城市网络地位和联系能力有所提升。城市网络地位和联系强度较高区域主要分布在京津冀、长三角、珠三角和成渝城市群中的核心城市,由其形成的菱形结构内部联系最为紧密,总体上形成了以城市群为骨架、区域中心城市为支点的城市网络格局。原因在于上述城市群所在地区经济相对发达、企业和科研院所(机构)分布密集、信息基础设施相对完善,承担区域之间各类要素的集散和中转职能,在网络中居于核心和优势地位。而城市网络地位和联系强度较低地区则处于边缘和弱势地位,主要分布在西部和东北地区的宁夏、甘肃、云南、广西、陕西、吉林和黑龙江等省份的部分城市。
图2 中国城市网络的中心性和联系强度格局

注:基于自然资源部标准地图服务网站下载的GS(2020)4630号的标准地图制作,底图边界无修改,图3图5同。为了方便显示,仅展示数值大于0.02的链接。

Fig.2 Centrality and connection strength pattern of China's urban network

从不同类型网络来看(图3),信息网络的加权度数中心性均值和网络密度最高,分别为11.760和0.041,其次为企业网络、知识网络和技术网络,对应指标值分别为0.821、0.244、0.183和0.010、0.002、0.002。这表明城市之间的信息交流和企业联系更加紧密,而论文和专利合作有待提升。信息网络和企业网络均呈现出多中心特征,信息网络空间分布较为均衡,菱形结构更加明显;而企业网络高值区域多分布于京津冀、长三角和珠三角城市群,中西部地区主要城市群之间联系不够紧密。知识网络和技术网络高值区域集中分布在京津冀、长三角、珠三角和成渝城市群的核心城市,以北京、上海和广州等城市为主的极核特征明显,技术网络以北京为核心向外呈辐轴状联系,而知识网络初具菱形结构的雏形,成渝与珠三角城市群之间知识联系有待加强。以上结果表明,中国城市网络具有典型的分类异质性,可以体现不同类型网络之间的差异,而聚合网络更能综合反映城市网络整体特征。
图3 中国城市网络的分类异质性

注:为了方便显示,图3a图3b分别展示了数值大于0.002和0.06的链接。图中数据为2011—2020年均值。

Fig.3 Categorical heterogeneity of China's urban network

3.1.2 城市网络地位与经济增长的时空耦合特征

采用耦合协调度模型[21],识别中国城市网络地位与经济增长的时空耦合特征。①2011—2020年中国城市网络地位与经济增长的整体关联性大致呈V字型变化特征(图4a)。耦合协调度的平均值与相关系数均表现出先减后增的波动变化趋势,表明城市经济增长与其网络地位密切相关,随着时间推移这种相关性有上升趋势。从散点图(图4b)来看,城市网络地位与经济增长的关系呈现明显的正相关特征,拟合线斜率为正且偏相关系数(包含控制变量)为0.248。这表明随着城市网络地位的提高,城市经济增长水平会提升。②中国城市网络地位和经济增长耦合协调发展的区域指向性和空间异质性日益明显(图5)。耦合协调度较高地区集中分布在辽中南、京津冀、山东半岛、长三角、粤闽浙沿海、珠三角等东部地区沿海城市群,而中西部地区分布较为分散,如成都、郑州、西安、重庆和太原等省会城市和其他大城市。其中,无锡、青岛、武汉和长沙等城市耦合协调度提升明显,其他大多数城市的耦合协调度较低。这意味着中国城市网络地位对经济增长的影响可能会存在区域差异。
图4 中国城市网络地位与经济增长的耦合协调度、相关系数与散点图

Fig.4 Coupling coordination degree,correlation coefficient and scatter plots between China's urban network position and economic growth

图5 中国城市网络地位与经济增长的时空耦合格局

注:测算耦合协调度时,本文将城市网络地位与经济增长视为同等重要,权重均设置为0.5;耦合协调度等级划分方式为Ⅰ级(0,2)、Ⅱ级[2,4)、Ⅲ级[4,6)、Ⅳ级[6,8)。

Fig.5 Spatial-temporal coupling pattern of China's urban network position and economic growth

3.2 基准回归分析

3.2.1 空间计量分析

表1结果表明,稳健的LM检验以及LR检验均在1%的水平上显著,说明不应该忽视空间相关性的影响,支持选择带有时空固定效应的空间计量模型进行实证分析。
表1 空间效应检验

Tab.1 Test of spatial effects

统计量 W Wd Wq Wi
Moran's I 142.535*** 57.355*** 34.827*** 46.466***
LM lag 9193.974*** 1697.154*** 999.241*** 0.024
Robust LM lag 319.395*** 64.666*** 109.265*** 30.931***
LM error 1.7e+04*** 3212.217*** 1199.460*** 2040.257***
Robust LM error 8493.778*** 1579.729*** 309.485*** 2071.164***
LR spatial 242.19*** 75.74*** 723.57*** 2182.04***
LR time 11484.82*** 12016.78*** 11727.33*** 12280.74***
控制变量

注:***表示1%的显著性水平。

表2结果显示LR统计量和Hausman检验均在1%水平上显著,说明应该选择具有时空双固定效应的SDM模型估计。由表2可知,网络权重下的估计系数大于地理距离权重、边界邻接权重和制度邻近权重,这说明网络嵌入能够产生更强的网络经济效应,下文主要以网络权重估计结果展开分析。城市网络地位及其空间滞后项对经济增长的影响系数在1%水平上显著为正,表明城市网络地位和合作伙伴网络地位提升均能够促进经济增长,意味着城市网络地位为网络经济效应发挥提供重要支撑,促进经济增长水平提升。以上结果证实了假说1成立。
表2 空间杜宾模型估计

Tab.2 Estimation of spatial Durbin model

变量与统计量 W Wd Wq Wi
kn 0.073*** 0.055*** 0.064*** 0.058***
(0.007) (0.007) (0.007) (0.007)
W·kn 0.433*** 0.082*** 0.041*** 0.032***
(0.109) (0.026) (0.013) (0.015)
LR lag 418.43*** 80.02*** 76.95*** 76.89***
LR error 545.46*** 158.95*** 274.31*** 170.29***
Hausman 612.46*** 64.68*** 182.79*** 145.96***
R2 0.077 0.330 0.142 0.046
N 2860 2860 2860 2860
控制变量

注:***表示1%的显著性水平;括号中数字表示对应的标准误。

3.2.2 稳健性与内生性分析

本文通过替换被解释变量、替换核心解释变量和改变研究时段与样本,重新进行空间计量模型估计(表3)。其中,表3列(1)(2)分别是将人均GDP替换为城市夜间灯光亮度均值、将加权度中心性(kn)替换为加权特征向量中心性(keig)的估计结果。针对可能由于研究时段和样本选择而造成的估计偏差,采用以下3种方式进行稳健性检验:一是在模型中删除2020年样本,二是删除北京、天津、上海和重庆4个直辖市样本,三是对99%分位数以上数据进行缩尾处理,所得估计结果见表3列(3)~(5)。以上所有结果表明,城市网络地位对经济增长的影响依然显著为正,佐证了前文估计结果是稳健的。
表3 稳健性与内生性分析

Tab.3 Robustness and endogenous analysis

变量 (1) viirs (2) eg (3) eg (4) eg (5) eg (6) kn (7) eg (8) eg
kn 0.159***(0.046) 0.072***(0.008) 0.085***(0.008) 0.085***(0.008) 0.226*(1.828) 0.106***(12.308)
W·kn 4.964***(0.669) 0.503***(0.107) 0.748***(0.119) 0.455***(0.113)
keig 0.084***(0.009)
W·keig 0.488***(0.128)
yz 0.025***(3.650) 0.003(0.997)
控制变量
LM test 13.344***
Wald test 13.325***

注:***、*分别表示1%与10%的显著性水平;括号中数字表示对应的标准误。表4~表6同。

本文选择明朝驿站作为城市网络地位的工具变量,原因在于明朝驿站开通地区在交通地理、政治军事和经济文化等方面具有优势地位,同时明朝驿站属于数百年前历史信息,满足相关性和外生性要求。借鉴份额—转移方法,使用明朝驿站与上一年全国信息服务技术收入的交互项(yz)构造工具变量[37]进行两步法IV估计(表3)。其中,表3列(6)中回归系数显著为正,LM和Wald统计值在1%的水平上显著,拒绝了存在模型识别不足和弱工具变量问题,表明工具变量满足相关性要求;列(7)中回归系数显著为正,表明在考虑到反向因果关系引起的内生性问题后,城市网络地位促进经济增长的结论仍然成立;列(8)中工具变量的回归系数仍然为正但不显著,说明工具变量较好地满足排他性约束。因此,以上结果佐证了前文估计结果是稳健的。

3.3 拓展性分析

3.3.1 作用机制分析

为了检验城市网络地位对经济增长影响的作用机制,构建基于空间计量的中介效应模型:
m e c i t = λ 0 + ρ 1 i = 1 n W m e c i t + λ 1 k n i t + λ 2 i = 1 n W k n i t + β k k X i t k + γ k k i = 1 n W X i t k + c i + μ t + ε i t
e g i t = η 0 + ρ 2 i = 1 n W e g i t + η 1 m e c i t + η 2 i = 1 n W m e c i t + η 3 k n i t + η 4 i = 1 n W k n i t + β k k X i t k + γ k k i = 1 n W X i t k + c i + μ t + ε i t
式中:mecit表示一组机制变量,分别采用经济集聚(jj)、技术创新(js)、绿色创新效率(gee)和市场潜能(mp)来表示。在公式(2)核心解释变量回归系数 λ 1 λ 2显著的情况下,对公式(3)进行估计;如果公式(3)中的机制变量回归系数 η 1 η 2显著,表明城市网络地位能够通过经济集聚、技术创新、绿色创新效率和市场潜能而促进经济增长。估计结果见表4表4中列(1)(3)(5)(7)的核心解释变量回归系数均显著为正,列(2)(4)(6)(8)的机制变量回归系数同样显著为正。这意味着,城市网络地位能够通过经济集聚、技术创新、绿色创新效率和市场潜能等中介渠道,提升城市经济增长水平。以上结果验证了假说2成立。
表4 基于SDM模型的作用机制分析

Tab.4 Mechanism analysis of spatial Durbin model

变量 (1) jj (2) eg (3) js (4) eg (5) gge (6) eg (7) mp (8) eg
kn 0.133***(0.013) 0.021***(0.006) 0.417***(0.060) 0.068***(0.008) 0.180***(0.059) 0.069***(0.007) 0.011***(0.002) 0.054***(0.007)
W·kn 0.550***(0.186) 0.099(0.085) 4.579***(0.875) 0.357***(0.109) 1.742**(0.862) 0.469***(0.109) 0.240***(0.036) -0.013(0.102)
jj 0.331***(0.009)
W·jj 2.310***(0.184)
js 0.008***(0.002)
W·js 0.101**(0.044)
gge 0.009***(0.002)
W·gge 0.217***(0.048)
mp 0.853***(0.063)
W·mp 3.992***(0.528)
控制变量

3.3.2 异质性分析

本文从区位条件、规模等级和环境质量3个方面,检验城市网络地位对经济增长影响的区域异质性(表5)。①无论区位条件好还是差,城市网络地位的回归系数均显著为正,但区位条件好的城市网络地位系数更大且空间滞后项系数显著为正,意味着区位条件较好的城市不仅能够通过自身网络地位提升促进经济增长,而且能依靠与其他城市建立网络伙伴关系,促进经济增长。②大城市和中小城市网络地位回归系数均显著为正,而中小城市网络地位的空间滞后项系数显著为正,表明虽然大城市通过自身网络地位提升能够促进经济增长,但由于存在市场拥挤效应和网络竞争效应,不利于发挥网络经济的非本地作用,而中小城市则能够通过规模、功能和技术借用获得发展优势。③无论环境质量好还是差,城市网络地位的回归系数均显著为正,但环境质量好的城市网络地位系数更大且空间滞后项系数显著为正,而环境质量差的城市则相反。这是因为环境质量好的城市具有更好的网络资源吸收利用能力,有利于从外部获得知识技术信息,从而增强自身网络经济效应;而环境质量差的城市自身污染治理和污染防范成本较高,同时缺乏高效的跨区域污染防治和创新协作体系以及市场共享机制,抑制了自身经济增长水平提升。以上结果验证了假说3成立。
表5 不同区域的异质性分析

Tab.5 Heterogeneity analysis of different regions

变量 (1) 区位条件 (2) 规模等级 (3) 环境质量
区位条件好 区位条件差 大城市 中小城市 环境质量好 环境质量差
kn 0.094***(0.010) 0.038***(0.010) 0.078***(0.015) 0.063***(0.009) 0.096***(0.011) 0.021**(0.009)
W·kn 0.740***(0.164) -0.002(0.101) 0.502(0.319) 0.404***(0.102) 0.625***(0.138) -0.455***(0.109)
控制变量

注:区位条件依据各城市质心到海岸线距离平均值划分;规模等级根据2014年《国务院关于调整城市规模划分标准的通知》的划分标准,将第七次人口普查中城区常住人口大于100万的定义为大城市,其他则为中小城市;环境质量根据PM2.5年均浓度的平均值划分。

为了检验不同类型城市网络地位对经济增长影响的分类异质性,本文进一步考察不同类型城市网络地位的经济增长效应(表6)。表6中列(1)~(5)分别是企业网络、信息网络、技术网络、知识网络以及知识网络滞后二期的估计结果,可以发现企业网络和信息网络的回归系数及其空间滞后项系数均显著为正,与基准回归结果保持一致;技术网络和知识网络滞后二期的回归系数均显著为正,但空间滞后项显著为负;知识网络当期的回归系数和空间滞后项系数均不显著。这意味着,不同类型网络中城市网络地位均能产生显著的经济增长效应。在企业网络和信息网络中合作伙伴网络地位的提升均能够促进经济增长;而技术网络和知识网络由于非本地知识技术的排他性和竞争性,可能存在虹吸效应和集聚阴影效应,造成合作伙伴网络地位的提升抑制了经济增长;同时由于知识网络具有明显的时间滞后效应[14],限制了当期网络经济效应的发挥。该结果说明城市网络地位的经济增长效应是各类网络综合作用的结果,聚合网络能够避免单层网络带来的负向影响。以上结果也验证了假说3成立。
表6 城市网络分类异质性分析

Tab.6 Categorical heterogeneity analysis of urban network

变量 (1) corp (2) info (3) pat (4) wos (5) lwos
Z 0.007* 0.078*** 0.022** -0.003 0.073***
(0.004) (0.008) (0.010) (0.008) (0.026)
W·Z 0.265*** 0.355*** -0.579*** -0.030 -0.778***
(0.096) (0.113) (0.102) (0.087) (0.274)
控制变量

注:corpinfopatwos分别表示企业、信息、技术和知识网络的估计结果;lwos为知识网络加权度数中心性滞后两期的估计结果;ZW·Z表示不同类型城市网络地位及其空间滞后项。

4 结论与讨论

4.1 结论

本文基于2011—2020年中国286个城市的上市公司总部与分支机构、论文合作发表、专利联合申请和百度指数等多源数据,从聚合网络和分类网络维度刻画了中国城市网络的演化特征,揭示了城市网络地位与经济增长的时空耦合特征;同时通过考察城市网络地位对经济增长的影响及机制,进一步补充了区域异质性和分类异质性的相关实证证据。主要结论如下:
①中国城市网络格局具有显著的空间指向性,网络地位和联系强度较高的区域主要分布在京津冀、长三角、珠三角和成渝城市群组成的菱形结构之间,总体上形成了以城市群为骨架、区域中心城市为支点的城市网络格局,在企业、信息、技术和知识等不同类型网络中存在分类异质性。中国城市网络地位与经济增长耦合协调发展的区域指向性和空间异质性明显,同时二者具有显著的正向关联特征。
②与地理距离、边界邻接和制度邻近相比,网络嵌入能够产生更强的网络经济效应。城市网络地位的提升不仅直接促进了经济增长,还通过创造性破坏、知识技术溢出和信息传递成本产生网络经济效应,同时合作伙伴网络地位的提升间接地促进了经济增长。该结论在替换变量、改变研究时段与样本和内生性问题处理后仍然成立。
③城市网络能够通过经济集聚、技术创新、绿色创新效率和市场潜能的中介作用促进经济增长。区位条件好、规模等级低和环境质量好的城市从网络联系中获益更多。在企业和信息网络中城市网络地位与合作伙伴网络地位的提升均能够促进自身经济增长,但在技术网络和知识网络中合作伙伴网络地位的提升抑制了经济增长,知识网络还具有明显的时间滞后效应。

4.2 讨论

当前关于城市网络地位的经济增长效应研究,多集中在单层网络视角,未能揭示聚合网络在更大空间尺度上获得网络经济的优势。本文研究发现,城市网络地位和合作伙伴网络地位的提升均能促进经济增长,网络联系矩阵比地理距离、边界邻接和制度邻近矩阵下的网络经济效应更强,表明城市网络地位的经济增长效应是节点网络地位和合作伙伴关系综合作用的结果,合作伙伴网络地位的提升是经济增长的关键来源,呼应了Huggins、盛科荣等对网络经济和网络资本的研究结论[10-11,21,25]。此外,考虑到行政边界和等级形成的制度距离愈加成为影响城市网络联系的重要因素,破除制度壁垒能够有效克服空间距离的衰减效应[38],通过设置区域协调机构、设立知识技术合作联盟和发展基金、建立区域一体化规划试点和跨区域合作分享机制等,能够打破区域分割和缩小制度距离,对于促进城市网络的经济增长效应具有重要意义。同时,异质性分析结果也表明,区位条件好、规模等级低和环境质量好的城市能够从网络联系中获得更多的外部收益;在知识网络和技术网络中合作伙伴网络地位的提升抑制了经济增长,这意味着流动空间环境下的借用规模和集聚阴影效应可能同时存在[18-20],聚合网络能够避免单层网络带来的负向影响,在知识技术流动中处于弱势地位的城市,可以通过嵌入其他类型网络联系规避自身劣势。另外,关于作用机制的研究结果,从集聚、创新、效率和市场方面丰富了城市网络地位对经济增长的作用机制。以上结论均丰富了集聚经济和网络经济的经验证据,同时也验证了网络经济效应对增强城市内生经济增长动力来说至关重要。
根据以上结论,本文提出如下政策建议:①培育核心和重要节点在网络中的资源集散能力,增强区域辐射带动作用,驱动人才、企业和产业等的跨区域联系,促进城市之间的信息流动、知识技术集散和功能互补。②重点加强网络中非核心城市的区位条件培育优化,通过构建多重要素流动形成的网络联系,弥补知识技术信息获取和吸收能力的不足;加强中小城市嵌入城市网络中的借用规模、借用功能和借用技术等能力,积极吸纳和承接网络伙伴城市的知识技术信息溢出;积极完善跨区域创新协作体系,降低污染治理和防范成本,促进市场共享和污染联防联治。③合理规划产业集聚空间布局,优化提升经济集聚外部性,促进知识技术信息等创新要素有序流动和合理配置,破除路径依赖和技术锁定,弱化知识溢出边界,提高绿色技术创新水平和技术溢出能力;多渠道激发市场潜能,完善全国统一大市场建设,提升经济内生增长的能力。
囿于数据可获得性,本文仅采用了10年时间跨度的企业、知识、技术和信息数据对城市网络进行定量刻画,忽视了其他要素流动的影响。同时,考虑到多层网络体系是城市网络的本质特征,开展单层网络、聚合网络和多层网络的经济增长效应对比研究尤为重要。此外,本文未揭示城市网络动态演化成因,地理、文化、认知和制度距离等因素如何影响城市网络演化,以及多层次的城市网络演化机制均是很有意义的研究议题,未来可进一步研究探讨。
[1]
刘承良, 管明明, 段德忠. 中国城际技术转移网络的空间格局及影响因素[J]. 地理学报, 2018, 73(8):1462-1477.

DOI

[2]
周锐波, 邱奕锋, 胡耀宗. 中国城市创新网络演化特征及多维邻近性机制[J]. 经济地理, 2021, 41(5):1-10.

DOI

[3]
戴靓, 纪宇凡, 王嵩, 等. 中国城市知识创新网络的演化特征及其邻近性机制[J]. 资源科学, 2022, 44(7):1494-1505.

DOI

[4]
王腾飞. 区域经济发展的知识动力及其多区位机制[J]. 地理科学进展, 2023, 42(4):782-795.

DOI

[5]
马海涛. 知识流动空间的城市关系建构与创新网络模拟[J]. 地理学报, 2020, 75(4):708-721.

DOI

[6]
安頔, 胡映洁, 万勇. 中国城市网络关联与经济增长溢出效应——基于大数据与网络分析方法的研究[J]. 地理研究, 2022, 41(9):2465-2481.

DOI

[7]
程玉鸿, 苏小敏. 城市网络外部性研究述评[J]. 地理科学进展, 2021, 40(4):713-720.

DOI

[8]
李丹丹, 汪涛, 周辉. 基于不同时空尺度的知识溢出网络结构特征研究[J]. 地理科学, 2013, 33(10):1180-1187.

DOI

[9]
周宏浩, 谷国锋. 外部性视角下中国城市网络演化及其环境效应研究[J]. 地理研究, 2022, 41(1):268-285.

DOI

[10]
Huggins R, Thompson P. Networks and regional economic growth:A spatial analysis of knowledge ties[J]. Environment and Planning A:Economy and Space, 2017, 49(6):1247-1265.

[11]
盛科荣, 张杰, 张红霞. 上市公司500强企业网络嵌入对中国城市经济增长的影响[J]. 地理学报, 2021, 76(4):818-834.

DOI

[12]
曹湛, 戴靓, 吴康, 等. 全球城市知识合作网络演化的结构特征与驱动因素[J]. 地理研究, 2022, 41(4):1072-1091.

DOI

[13]
王腾飞, 谷人旭, 马仁锋, 等. “集聚—扩散”视角下中国区域创新极及其知识溢出区位[J]. 经济地理, 2021, 41(5):11-18,185.

DOI

[14]
戴靓, 曹湛, 朱青, 等. 中国城市群知识多中心发展评价[J]. 资源科学, 2021, 43(5):886-897.

DOI

[15]
李丹丹, 汪涛, 魏也华, 等. 中国城市尺度科学知识网络与技术知识网络结构的时空复杂性[J]. 地理研究, 2015, 34(3):525-540.

DOI

[16]
周晓艳, 侯美玲, 李霄雯. 独角兽企业内部联系视角下中国城市创新网络空间结构研究[J]. 地理科学进展, 2020, 39(10):1667-1676.

DOI

[17]
姚常成, 吴康. 集聚外部性、网络外部性与城市创新发展[J]. 地理研究, 2022, 41(9):2330-2349.

DOI

[18]
Burger M J, Meijers E J. Agglomerations and the rise of urban network externalities[J]. Papers in Regional Science, 2016, 95(1):5-16.

[19]
Meijers E J, Burger M J, Hoogerbrugge M M. Borrowing size in networks of cities:City size,network connectivity and metropolitan functions in Europe[J]. Papers in Regional Science, 2016, 95(1):181-198.

[20]
姚常成, 宋冬林. 借用规模、网络外部性与城市群集聚经济[J]. 产业经济研究, 2019(2):76-87.

[21]
盛科荣, 李晓瑞, 孙威, 等. 中国城市网络地位对碳排放效率的影响[J]. 地理学报, 2023, 78(11):2864-2882.

DOI

[22]
盛科荣, 王传阳, 张杰, 等. 技术流动视角下中国城市网络权力与知识生产的交互影响[J]. 经济地理, 2023, 43(7):130-138.

DOI

[23]
盛科荣, 王丽萍, 孙威. 网络权力、知识溢出对中国城市绿色经济效率的影响[J]. 资源科学, 2021, 43(8):1509-1521.

DOI

[24]
张明斗, 李学思. 网络节点特征与城市绿色创新效率提升——基于节点枢纽性与节点聚集度视角[J]. 西部论坛, 2022, 32(2):1-15.

[25]
Huggins R, Thompson P. A network-based view of regional growth[J]. Journal of Economic Geography, 2014, 14(3):511-545.

[26]
Romer P M. Increasing returns and long-run growth[J]. Journal of Political Economy, 1986, 94(5):1002-1037.

[27]
Krugman P. Increasing returns,monopolistic competition,and international trade[J]. Journal of International Economics, 1979, 9(4):469-479.

[28]
Grossman G M, Helpman E, Kircher P. Matching,sorting,and the distributional effects of international trade[J]. Journal of Political Economy, 2017, 125(1):224-264.

[29]
李恒, 殷志高. 金融空间关联网络的平衡发展效应——基于网络节点中心性视角[J]. 财经科学, 2024(1):33-46.

[30]
邵帅, 张可, 豆建民. 经济集聚的节能减排效应:理论与中国经验[J]. 管理世界, 2019, 35(1):36-60,226.

[31]
Li H, Fang K, Yang W, et al. Regional environmental efficiency evaluation in China:Analysis based on the Super-SBM model with undesirable outputs[J]. Mathematical and Computer Modelling, 2013, 58(5-6):1018-1031.

[32]
程名望, 贾晓佳, 仇焕广. 中国经济增长(1978—2015):灵感还是汗水?[J]. 经济研究, 2019, 54(7):30-46.

[33]
Zacchia P. Knowledge spillovers through networks of scientists[J]. The Review of Economic Studies, 2020, 87(4):1989-2018.

[34]
Liu X J, Derudder B, Wu K. Measuring polycentric urban development in China:An intercity transportation network perspective[J]. Regional Studies, 2015, 50(8):1302-1315.

[35]
Liu H M. Annual mean PM2.5 concentration dataset of 342 Chinese cities (2000-2021)[DS/OL]. V1. Science Data Bank,2023[2024-05-15]. https://cstr.cn/31253.11.sciencedb.07104.

[36]
Chen Z Q, Yu B L, Yang C S, et al. An extended time series (2000—2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data, 2021, 13(3):889-906.

[37]
黄群慧, 余泳泽, 张松林. 互联网发展与制造业生产率提升:内在机制与中国经验[J]. 中国工业经济, 2019(8):5-23.

[38]
王雨, 张京祥. 区域经济一体化的机制与效应——基于制度距离的空间发展解释[J]. 经济地理, 2022, 42(1):28-36.

DOI

Outlines

/