EN中文

Economic geography >

2019 , Vol. 39 >Issue 9: 147 - 155

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.09.018

Network Pattern of Inter-Provincial Information Connection and Its Dynamic Mechanism in China：Based on Baidu Index

  • YU Yang , 1, 2 ,
  • SONG Zhouying , 1, 2, ※ ,
  • SHI Kunbo 3
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research / Key Laboratory of Regional SustainableDevelopment Modeling，CAS，Beijing 100101，China
  • 2. University of Chinese Academy of Sciences，Beijing 100049，China
  • 3. Department of Geography，Ghent University，Ghent B-9000，Belgium

Received date: 2018-11-14

  Revised date: 2019-03-27

  Online published: 2025-04-17

Fold

Abstract

The rapid development of information and communication technologies has strengthened the links between regions. As one of the important ways of regional linkages, the information connection has been studied by the academic community on how to measure the linkages between regions. This paper takes the Baidu index mutual search between provinces as the basis of information connection between provinces and explores the network pattern and hierarchical structure of inter-provincial information connection utilizing the social network analysis. The main findings are as follows: 1) The strength of inter-provincial information connection increases significantly with time, and growth rate of information connection be in low intensity rank is relatively rapid in most provinces; 2) Information connection does not completely break away from the constraints of geographical space. The network pattern of inter-provincial information connection generally shows a decreasing trend in connection intensity from the east to the west. Most of the connection is stably concentrated in Beijing-Shanghai-Guangdong; 3) The inter-provincial information connection network presents a hierarchical structure of "1+2+7+7+14". Beijing has a strong degree of centrality and control force in information connection. Shanghai and Guangzhou are sub-cores. Jiangsu, Zhejiang, Shandong, Henan, Chongqing, and Sichuan are the important nodes in the inter-provincial information connection; 4) The information connection network among provinces has been comprehensively affected by various factors which are regional socio-economic development, information infrastructure construction, information technology application and regional education level.

Key words： information flow; information connection; Baidu index; social network analysis; QAP-correlation analysis; information infrastructure; Beijing-Shanghai-Guangdong

Cite this article

YU Yang , SONG Zhouying , SHI Kunbo . Network Pattern of Inter-Provincial Information Connection and Its Dynamic Mechanism in China：Based on Baidu Index[J]. Economic geography, 2019 , 39(9) : 147 -155 . DOI: 10.15957/j.cnki.jjdl.2019.09.018

1990年代以来，以互联网为代表的信息技术飞速发展，带来了社会经济空间联系以及居民生活模式的巨大变革。从地理学角度，一些学者面对信息技术带来的巨大变革提出的“地理死亡论”[1-2]虽有技术决定论之嫌，但也从侧面反映了信息技术对于地理空间的深远影响[3]。以移动通讯[4]和互联网技术[5-6]为代表的信息技术增强了地区之间的相互联系[7]，显著影响着社会生产活动[8-9]与人们的行为和认知[10]，进而塑造原有的区域等级和联系格局[7]。部分学者从区位差异[3,11]、产业集群[12]和个体行为等视角[13⇓⇓⇓-17]，分析了信息技术对空间区位、空间组织、社会环境变迁，以及居民生活习惯、消费方式、行为认知等方面的深刻影响；部分学者研究信息技术作用下原有空间结构的变革，多以信息流作为研究对象，从国家、省级、地市级等不同空间层面研究分析信息化对区域节点之间关联程度、网络组织、等级格局的影响。随着国内外学者对信息技术带来的地理空间变革的研究进一步深入，研究方法也开始从定性描述到定量分析，以复杂网络分析（SNA）为代表的方法被应用到信息联系空间格局和网络要素的等级的相关研究当中[18-19]。
Castells最早提出“流空间”的概念，认为区域之间联系由客流、货流、资金流和信息流等各种流组成，不同区域的发展伴随着空间要素的相互联系[20]。相比于传统的客货流，信息流的传输不受地理空间约束，因而通过信息流塑造的地区的信息联系格局值得进一步探讨。目前，学术界对于人员、商品、货币等实物载体的空间流动研究较为丰富，对地区信息联系的研究还相对匮乏。而从信息流角度入手分析区域空间联系已经逐渐兴起，越来越多的文献通过动态的信息联系来刻画区域之间的交互关系，强调信息通信技术加剧了地理空间中分散单元之间的联系[21]，并通过不同区域尺度[22-23]的研究探讨互联网信息流的空间格局以及组织机理。早期，国内外对于信息联系的研究集中于地区之间的电话联系；而近年来随着互联网技术的兴起，学者们对于信息流动的载体选择更加多种多样。新浪微博[24]和QQ群[25]被用于探究城市间网络社会空间的特征和层级结构；省域之间的平均互联网流速则被作为衡量区域间信息联系的依据探寻中国的信息联系网络格局和信息空间的巴尔干现象[26-27]。百度指数搜索量作为衡量海量网民网络行为的参照依据，则被广泛用于研究长三角核心区[28]、长江中游地带[29]、成渝城市群[30]及全国[31]的区域空间网络格局。
总体而言，我国目前关于信息联系的研究尺度大多集中于城市群、对国家和省域尺度的研究较少；且大部分分析集中在信息联系的空间网络格局，未定量探讨其形成机制。随着“宽带中国”、“互联网+”等国家战略先后提出，以互联网为基础的信息联系不仅加强了地区之间的沟通交流，同时在充分发挥互联网在社会资源配置中的优化和集成作用下，将互联网的创新成果深度融合于经济、社会各领域之中，提升全社会的创新力和生产力，形成更广泛的以互联网为基础设施和实现工具的社会发展新形态，为改革、创新、发展提供广阔的网络平台。本文希望能解决以下2个问题：①基于百度指数的中国省域间信息联系的网络特征及层级空间特征是什么，区域间存在怎样的差异?②新常态下，区域间信息联系对于经济社会发展不同要素的响应程度是怎样的?各要素对于省域间信息联系网络的影响是否存在时间差异?通过本研究有助于加深对中国地区间信息联系的认识，也将为新时期国家的信息化建设中的重点方向提供新的依据，丰富互联网时代下区域联系相关研究。

1 研究方法与数据来源

1.1 研究方法

1.1.1 百度指数

百度指数是一种衡量海量网民网络行为的参照依据，包括搜索指数和媒体指数。其中搜索指数是以网民在百度的搜索量为数据基础，以关键词为统计对象，分析并计算出关键词在百度网页搜索中搜索频次的加权和，反映一定地区的人们对于某一事物的信息获取量。当搜索的关键词为另一地区时，可以在一定程度上用来度量地区之间的信息联系。

1.1.2 社会网络分析

社会网络分析（Social Network Analysis，SNA）主要关注“关系（ties）”数据，从量化的角度来研究对各种“关系”所存在的结构特征[25]，通过将数据导入Ucinet 6.0进行社会网络分析运算，得到网络的拓扑结构。本文通过构造信息联系强度指数作为省域间信息联系的量化依据。
①信息联系强度指数。考虑到省份之间的搜索量与被搜索量有差异，因此构造两节点之间的信息联系强度指数，以消除搜索量的有向性。两省域间的信息联系强度用省域i和省域j之间的搜索指数之和Eij表征，计算公式：
E i j = V i j + V j i
式中：Vij即省域i对于省域j的搜索指数；Vji为省域j相对于省域i的搜索指数。
②中心度与优势流分析。本文用中心度识别和衡量节点在网络中的核心程度。中心性包含三种形式的中心度，即度中心度、亲近中心度和介中心度。考虑到信息联系网络是全网络且已消除了信息联系的有向性，因此本文主要采用用于度量节点中处于网络中心位置的程度的度中心性，其公式为：
C D n i = ∑ j = 1 n X j i
式中： C D n i为度中心度；Xji为节点的之间的关系。
在本研究中，已采用区域之间的百度搜索指数作为区域相互信息联系的指标，则其计算公式为：
C D n i = ∑ j n - 1 V i j + ∑ j n - 1 V j i
式中： C D n i为区域i的度中心度；Vij为节点i对节点j的信息流入，即省域i对于区域j的搜索指数；Vji为节点j相对于节点i的信息流入，即区域j相对于区域i的搜索指数。区域i的度中心度也是该区域的信息联系强度。
③凝聚子群分析。凝聚子群分析被广泛应用于探寻关系网络之间的聚类现象，本文通过采用CONCOR聚类的分析方法来反应信息化区域的空间联系与类别，其具体的步骤主要有三步：
第一步，输入关系矩阵 C 1 = c x y p × p，省域之间的相关关系通过信息联系强度表现。
第二步，将关系矩阵作为输入矩阵，继续计算各行或各列的相关系数：
r i j = ∑ k d k i - d i ¯ d k j - d j ¯ ∑ k d k i - d i ¯ 2 ∑ k d k j - d j ¯ 2
根据相关系数依次迭代计算，得到相关矩阵C2；
第三步，经过多次迭代，最后矩阵的相关系数的值为±1，即为最终矩阵。

1.1.3 QAP相关分析

基于已有学者的相关研究[3,30]，本文从经济社会发展、基础设施建设、信息技术应用、科技教育水平四个层面选取9个指标构建基于百度指数的信息联系网络形成的影响指标体系（表1）。
表1 信息联系网络形成的动力机制指标体系

Tab.1 Indicators of dynamic mechanism on information connection

目标层 影响因素 变量 单位
信息联系
网络形成
的动力机制		 社会经济发展 地区总人口数 万人
GDP 元
基础设施建设 移动电话用户数量 万人
计算机用户数量 万人
互联网平均带宽速率 Mbit/s
信息技术应用 互联网网站总数 个
IPV4地址数量 个
科技教育水平 成人受教育比重 %
R&D经费支出 亿元
考虑到省域间联系强度是关系数据，选取QAP （Quadratic Assignment Procedure）相关分析方法来研究经济社会发展、基础设施建设、信息技术应用、科技教育水平对于省域间信息联系的影响。QAP相关分析是以重抽样为基础，通过两个1-mode的N×N矩阵中各个格值的相似性比较的方法，给出两个矩阵之间的相关系数，该方法可适用于观察值存在共线性、自相关等情况，较OLS更加适合于网络数据的分析[32]。本文通过对某一自变量两区域进行求和，作为两区域自变量程度的大小，以对应两地间信息联系强度这一关系数据，鉴于不同自变量的量纲不同，采用极差标准化对人口迁移的自变量差值网络矩阵数据（不包括对角线）进行预处理，并对需要进行QAP分析的两个矩阵进行对分变换得到其1-mode矩阵，再使用QAP对人口迁移网络的影响机制进行相关和回归分析。

1.2 数据来源

百度指数相关数据是从百度指数网络界面“通过地区对比”获得2011、2016年的1~12月中国大陆31个省区市（不含港澳台）之间的百度用户关注度，选取平均值作为参考依据。各省区市的社会、经济、教育、基础设施等数据来源于国家统计局的2012、2017年《中国统计年鉴》，2012、2017年各省的统计年鉴；互联网、网民数、信息基础设施数据来源于国家信息中心的2012、2017年《中国信息年鉴》，宽带发展联盟的《中国宽带速率状况报告》，中国互联网络信息中心（CNNIC）的第29次（2012年）和第39次（2017年）《中国互联网络发展状况统计报告》。其中，少量数据暂通过差值补全。

2 中国省域间信息联系网络格局分析

2.1 省域信息联系网络的时空间格局

通过Ucinet 7.0计算2011、2016年信息联系网络各省份的中心度和其增幅，结果如图1。基于百度指数的中国省域间信息联系强度由2011年的296 016上升到了2016年的682 660，五年增幅达到130.62%。自2011年以来，各省份的中心度显著上升，省区市之间的联系日趋紧密。2016年，各省中心度的位序较2011年改变较小，但中心度位序相对较低的大部分省份增速较高。相对而言，北京、内蒙古、西藏、浙江、湖南等省份的信息联系强度增速较慢，而重庆、贵州、甘肃、青海、宁夏、江苏、河北等省份信息联系强度增速较快。
图1 2011和2016年各省份中心度增长速度变化

Fig.1 Growth rate of centrality degree in China in 2011&2016

提取2011和2016年31个省份节点之间的无向的网络联系强度，通过自然断裂带法将网络联系强度划分为4个等级导入ArcGIS进行可视化，如图2。中国省域间信息联系网络格局总体上呈现由“北京—上海—广东”三角形空间结构向“北京—上海—广东—四川&重庆”的菱形结构演化。三个顶点在空间又呈现发散的整体趋势，通过与其他节点相联系形成多个多边形次级网络空间联系结构。西北、东北等地区通过同“三顶点”相联系进一步在内部形成自己的网络拓扑。2011和2016年，信息强度在所有流前1%的联系线全部位于“北京—上海—广东”三角形核心区域内部，构成了中国省域间信息联系的骨干网络。2016年，信息强度在1%~5%的联系流增加了川渝、京渝、粤渝等信息联系，其中大于1 300的信息流共有47对。其中包含北京的共有15对，包含上海共有12对，包含广东的共有11对。区域信息联系由依托北京、上海、广东三个节点，向周围节点不断发散形成新的紧密的网络联系圈的动态趋势。
图2 2011和2016年中国省际信息联系强度

Fig.2 The intensity of inter-provincial information connection in China in 2011&2016

2.2 省域信息联系网络优势流与中心度分析

根据中心度和优势流的分析结果识别省域信息联系网络的核心节点。计算省域间最大、第二大和第三大优势流指向（图3），并结合计算结果，将两年共计被前三大优势流指向次数大于50的省域定义为极节点；将两年共计被前三大优势流指向次数大于20的省域定义为核心节点；将2011和2016年均曾被前三大优势流指向过的省域定义为省域间信息联系网络的区域核心节点；将2011或2016年至少一年曾被前三大优势流指向过的省域定义为区域节点；将2011和2016年均未被前三大优势流指向过的省域定义为从属节点。结合中心度分析结果，确定省域间信息联系网络的层级结构。
图3 2011和2016年各省前三大信息联系指向示意图

Fig.3 The direction of the inter-provincial information connection in Beijing， Shanghai and Guangdong in 2011&2016

根据计算结果（表2），北京、上海和广东2011和2016年被前三大优势流指向过的次数大于20，其度中心度排序均位列前三位，其中北京在两年合计被其他地区前三大优势流指向的次数超过50次，被指向的次数虽然在2016年有所下降，但中心度位序依然保持首位；浙江、江苏、山东、重庆、四川、天津和河北在两年间度中心度相对较高，2011和2016年均曾被前三大优势流指向过；河南、安徽、湖南、湖北、辽宁、陕西和黑龙江信息联系的中心度大多不高，但在2011或2016年至少有一年曾被前三大优势流指向过，但其中大多是仅是发生在省域间的邻近空间指向；福建、内蒙古、山西、云南、江西、贵州、新疆、海南、广西、吉林、西藏、甘肃、宁夏和青海均未被前三大优势流指向过，且大部分其度中心度相对较低。
表2 2011和2016年中国省域信息联系网络中心度和优势流分析结果

Tab.2 Results of centrality degree and dominant flow of inter-provincial information connection network in China in 2011 and 2016

省份 2011年 2016年 层级
结构
中心度分析
度中心度		 优势流分析 中心度分析
度中心度		 优势流分析
P1 P2 P3 P1 P2 P3
北京 22 827 17 7 5 42 884 11 13 4 Ⅰ
上海 17 696 4 10 3 39 582 7 8 6 Ⅱ
广东 14 198 6 3 3 35 216 10 3 2 Ⅱ
浙江 14 114 1 4 8 30 734 0 2 3 Ⅲ
江苏 12 331 0 1 0 31 918 1 1 6 Ⅲ
山东 12 317 0 1 5 27 911 0 0 2 Ⅲ
河南 11 817 0 1 2 27 385 0 0 0 Ⅳ
重庆 10 612 1 0 1 28 942 1 0 3 Ⅲ
安徽 10 240 0 0 1 23 314 0 0 0 Ⅳ
四川 10 138 1 0 0 29 011 1 1 2 Ⅲ
湖南 9 931 0 0 1 20 208 0 0 0 Ⅳ
天津 9 639 1 1 0 21 660 0 1 2 Ⅲ
河北 9 520 0 1 0 23 169 0 2 1 Ⅲ
湖北 8 866 0 1 0 20 140 0 0 0 Ⅳ
内蒙古 8 849 0 0 0 17 234 0 0 0 Ⅴ
山西 8 785 0 0 0 18 258 0 0 0 Ⅴ
云南 8 501 0 0 0 20 919 0 0 0 Ⅴ
辽宁 8 438 0 0 1 17 684 0 0 0 Ⅳ
陕西 8 383 0 1 0 18 529 0 0 0 Ⅳ
福建 8 178 0 0 0 19 007 0 0 0 Ⅴ
江西 7 982 0 0 0 18 628 0 0 0 Ⅴ
贵州 7 240 0 0 0 21 049 0 0 0 Ⅴ
黑龙江 7 164 0 0 1 15 515 0 0 0 Ⅳ
新疆 7 018 0 0 0 17 479 0 0 0 Ⅴ
海南 6 922 0 0 0 14 626 0 0 0 Ⅴ
广西 6 764 0 0 0 16 828 0 0 0 Ⅴ
吉林 6 087 0 0 0 13 772 0 0 0 Ⅴ
西藏 5 936 0 0 0 11 795 0 0 0 Ⅴ
甘肃 5 908 0 0 0 14 978 0 0 0 Ⅴ
宁夏 5 192 0 0 0 12 740 0 0 0 Ⅴ
青海 4 423 0 0 0 11 545 0 0 0 Ⅴ

注：P1：被最大优势流指向次数；P2：被第二大优势流指向次数；P3：被第三大优势流指向次数；Ⅰ：极节点；Ⅱ：核心节点；Ⅲ区域核心节点；Ⅳ区域节点；Ⅴ从属节点。

我国省域间信息联系网络总体上存在北京、上海、广东三个核心节点，形成“一极三核心，多点带动”的格局，呈现出“1+2+7+7+14”的层级结构。其中，北京在信息联系中保持着最高的首位度，在区域中具有主导地位；北京、上海、广东具有极强的外部性，在省域信息联系网络中具有很强的控制力和主导力，因此在层级划分中，可被认为是信息联系的核心区域；河南、安徽、湖南、湖北、辽宁、陕西和黑龙江在省域间信息联系网络中具有很强的辐射带动作用，是重要的节点，对周围区域的信息联系具有一定作用；福建、内蒙古、山西、云南、江西、贵州、新疆、海南、广西、吉林、西藏、甘肃、宁夏和青海在信息联系中对其他节点省域的辐射影响力较弱，可被认为是省域间信息联系的边缘区。
中国省域间信息联系网络的层级结构相对稳定。相对于2011年，2016年各省域度中心度的位序变化不大，在区域核心节点中，江苏上升一位，浙江下降一位，四川、重庆、山东仅有小幅变化，天津的位序没有变化；区域节点和从属节点的度中心度也仅在同类节点内部小幅波动，仅有贵州的度中心度的位序提升较大。

2.3 省域信息联系网络凝聚子群分析

凝聚子群分析结果显示（图4），相较于2011年，2016年西部地区省域之间的信息联系趋于紧密，中西部地区同东南沿海地区的信息联系逐渐加强。除此之外，子群内部的节点在空间上呈现地理邻近的格局，相邻的省份普遍联系较为紧密，省域之间的信息联系强度总体上呈现由地理上临近的省份向偏远省份衰减的规律。
图4 2011年和2017年中国省域信息联系网络凝聚子群示意图

Fig.4 The inter-provincial information connection network for the subgroups of China in 2011&2016

2016年，中国的省域信息联系可以分成八个子群，分别为京津子群（京、津）；北部子群（内蒙、晋）；东北子群（黑、吉、辽）；中东子群（鲁、豫）；西部子群（新、藏、甘、宁、青）；西南子群（渝、滇、桂、湘、赣）；东部子群（沪、苏、浙、皖）以及东南和中西南部子群（粤、闽、陕、川、鄂）。子群之间的相互密度值见表3。京津地区内部信息联系最为紧密，且对于全国其他各省份信息联系都有很强的联系，在全国具有非常强的信息辐射能力；东北地区及内蒙古、山西同京津地区信息联系最为紧密，而同其他各地区的信息联系相对较弱；河南、山东作为东部地区和京津地区联系的纽带，同这两个凝聚子群联系较为密切；西部地区除同京津地区信息联系相对较为紧密之外，自身联系及同其他地区的信息联系都处在一个相对较低的水平上；西南地区总体呈现同东部沿海地区联系紧密的态势，同西北地区、东北地区的联系均不太紧密；江浙沪地区的信息内部联系呈现密集联系的态势，除同东北三省以及内蒙—山西子群联系密度相对较低之外，同其余各子群联系都较为紧密。
表3 2016年中国省域信息联系网络凝聚子群密度表

Tab.3 The density of the inter-provincial information connection between subgroups of China in 2016

1 2 3 4 5 6 7 8
1 2 101.333 966.833 838.444 1 380.167 714.810 808.500 1 084.333 943.600
2 966.833 600.000 478.000 769.000 455.286 495.667 675.833 617.000
3 838.444 478.000 463.333 608.833 427.048 463.722 587.556 501.400
4 1 380.167 769.000 608.833 1 302.000 758.786 827.833 1 310.667 926.100
5 714.810 455.286 427.048 758.786 396.143 509.238 891.333 715.000
6 808.500 495.667 463.722 827.833 509.238 724.600 916.944 938.700
7 1 084.333 675.833 587.556 1 310.667 891.333 916.944 1 603.667 943.667
8 943.600 617.000 501.400 926.100 715.000 938.700 943.667 872.800

3 中国省域间信息联系网络格局形成的动力机制

2011、2016年中国省域间信息联系网络驱动因子的QAP相关系数与显著性测算结果显示，社会经济发展、基础设施建设、信息技术应用、科技教育水平四个自变量内对于中国省域间信息网络格局的形成都有着较强的正向的显著性。根据QAP相关分析，在2011年，以基础设施建设为代表的互联网平均带宽速率（0.731），以信息应用技术为代表的互联网网站总数（0.723）、IPV4地址数量（0.721）和R&D经费支出（0.655）等因子对于中国省域间信息联系网络格局的影响相对较为显著；而在2016年，R&D经费支出（0.670）、互联网网站总数（0.656）、GDP（0.587）和移动电话拥有人数（0.536）因子对于信息联系网络格局的影响则相对较为显著。2011—2016年，经济社会发展和基础设施建设的大部分指标对于中国省域间信息联系网络格局影响的显著性有所上升，而信息技术应用中的指标对于省域间信息联系网络的影响的显著性相对下降；科技教育水平对于省域间信息联系网络影响的显著性相对稳定。
QAP回归显示2011年模型对自变量的变异的解释为65.5%，2016年模型对自变量的变异的解释为62.6%，解释度相对较好。模型结果显示，地区信息基础设施建设对于信息联系网络的影响有较强的显著性，而地区信息应用技术对于省域信息联系网络的影响的显著性则相对下降，分析其原因可能是随着我国信息化建设越来越繁荣，以互联网技术为核心的信息技术应用进一步深化，落后地区的互联网技术应用进一步提高并同发达地区的差距进一步缩小。而随着“宽带中国”等战略的发布实施和以移动电话和电脑等基础设施建设成为这一时期信息化建设的重点，特别是农村信息基础设施建设的强化和“信息下乡”通信村村通工程的不断深入，信息基础设施建设也成为新时期影响省域之间信息联系网络的最重要因素。而在2016年，经济社会发展中，地区总人口数和GDP两个指标对信息联系网络的意义不再显著，其原因可能是经济社会发展作为地区电子设备普及的基础，近年来经济社会发展水平较高的地区，其信息基础设施建设相对较高，两者的相关性增强，因此信息联系网络受到驱动相对明显。

3.1 经济社会发展

2011—2016年，经济社会发展类指标对省域间信息联系的网络的影响相对较强，且其相关系数同样显著增强。其中，地区的经济水平决定了当地居民的购买能力和生活水平以及信息基础设施的建设能力，是影响省域间信息联系的基础。而随着近年来宽带网络“提速降费”实施以及“互联网+”制造的深度融合，各省的信息化发展水平和信息化建设均得到了显著的改善。人口因素对省域间信息联系的网络格局的影响较经济因素则相对较弱。省域的人口基数是该省域网络搜索次数的重要基础之一，地区人口数量的大小一定程度上可以决定该地区在信息基础设施基本完善时对外信息联系强度的上限。

3.2 基础设施建设

2011—2016年，基础设施建设的相关指标均是影响省域间信息联系网络的最重要因素，其QAP相关系数均为显著正值且其排序位次相对较高。可见，现阶段，进一步完善省域间的基础设施建设是现阶段完善省域间信息联系网络的重要手段之一。在近年信息基础设施建设过程中，随着电子终端设备（计算机、移动手机）的普及与网络基础设施的建设，人们对于网络的应用向便捷化、成熟化发展。购买和使用智能手机、平板电脑、计算机等电子终端设备越来越多，电子设备普及千家万户，上网已经成为家庭和个人的基本需求。近些年，国内网民的增长主要表现为移动电话用户和宽带用户的增加，而这些用户随着网络通信等基础设施建设水平提高，其通过网络与其他省域的联系也不断增强。

3.3 信息技术应用

2011—2016年，信息技术应用是影响省域间信息联系网络格局的关键因素，但其重要性逐渐下降。一方面，人们越来越多通过互联网进行搜索、学习、查询、购物、导航等，也越来越依赖信息技术带来的安全性与便捷性，而以网页和网站为代表的信息技术应用仍是人们在进行信息交流的重要虚拟媒介。另一方面，随着网页功能的不断拓展，网站本身也越来越重视自身可解决的问题而不仅仅停留在数量多少；IPV4地址也逐渐开始饱和，信息技术应用对于省域间信息联系网络格局的作用开始下降。

3.4 科技教育水平

2011—2016年，科技教育水平是影响省域间信息联系网络的重要因素，且其重要性总体保持稳定。相关分析结果显示，受教育比重和R&D经费支出等指标的影响均为显著。因为，信息技术应用个体的文化背景、教育程度、年龄结构、偏爱喜好，都影响着人们对于信息联系的理解和感知。而教育作为提高个体素质的重要手段，对于个体进行信息联系的方式和效率均产生重要影响。信息联系的强度高，一定程度上反映了区域内个体的文化素质普遍较高，对于高科技的掌握能力普遍较强。从人口结构看，青年人是我国网民的主体，青年人善于接受和学习新鲜事物。另外，区域内人们文化素质的提高也会对信息联系和传播起到积极的促进作用，扩大电子商务、网上交易的利用空间。而科技创新能力是促进知识经济时代背景下信息化发展的主要动力。科技创新所提倡的以科学研究为先导的知识创新和技术创新推动着“创新2.0”时代背景下科学研究和信息化发展的新形态，
表4 中国省域间信息联系网络驱动机制分析

Tab.4 The driving mechanism analysis of inter-provincial information connection in China

驱动因素 指标 因变量（2011中国省域信息联系网络） 因变量（2016中国省域信息联系网络）
QAP相关分析 QAP回归 QAP相关分析 QAP回归
社会经济发展 地区总人口数 0.285* 0.097** 0.419** 0.301
GDP 0.472** 0.466* 0.587*** -0.330
基础设施建设 移动电话拥有人数 0.415** -0.458* 0.536*** 1.275*
计算机拥有人数 0.425** 0.892* 0.498*** -1.438*
互联网平均带宽速率 0.731*** 0.049 0.515*** 0.248*
信息技术应用 互联网网站总数 0.723*** 0.070* 0.656*** 0.388*
IPV4地址数量 0.721*** 0.129* 0.505** 0.206
科技教育水平 受教育比重 0.302** 4.300 0.279** 0.046
R&D经费支出 0.655*** -3.403 0.670*** 0.343*
R2 0.659 0.629
调整后R2 0.655 0.626

注：*表示在0.05显著性水平下通过检验；**表示在0.01显著性水平下通过检验；***表示在0.001显著性水平下通过检验。

4 结论与讨论

1970年代以来，第四次工业革命带来的信息技术使区域间相互联系日趋紧密；近年来，4G通讯网络的建设得区域之间的信息联系更加紧密。在信息化和互联网大发展的背景下，区域间的信息网络格局成为经济地理学的一个研究新方向。本文以中国31个省域作为研究对象，通过大规模的数据抓捕与数据分析，以百度指数为指标，借助社会网络分析法，探讨了2011—2016年中国省域间信息联系网络的时空演变特征及其影响因素，研究结果表明：
①2011—2016年，省域间信息联系强度明显上升，但强度位序较低的省份信息联系增强相对较快；②信息联系并未完全脱离地理空间的束缚，省域间信息联系空间网络呈现由东到西联系强度递减的态势，大部分联系集中在稳定的“北京—上海—广东”发散的三角空间结构中；③信息联系网络层级总体上呈现“一极三核心，多点带动”的“1+2+7+7+14”的层级结构，北京在信息联系中具有极强的中心度和控制力，上海、广州为次核心，江苏、浙江、山东、河南、重庆和四川在省域间信息联系中属于重要的节点；④省域间信息联系网络受到地区社会经济发展、信息基础设施建设、信息技术应用、和科技教育水平多因素综合作用，信息基础设施建设是影响省域间信息联系网络的最重要因素。
信息联系的概念非常宽泛，百度指数作为其中一种信息联系本身存在一定的局限性。但百度指数是目前国内能代表信息联系的主要指标之一，本文基于百度指数的省域间信息联系网络研究，对于优化信息资源配置具有一定参考意义。研究结果表明，信息基础设施建设信息联系网络越来越重要。可见，为了推进信息化进程，加强地区之间的信息联系，信息基础设施建设仍是重中之重。不仅要广泛构建互联的国家信息基础设施体系，进一步完善宽带网络建设、推进“三网融合”进程，推进光纤入户，扩大移动通信4G\5G网络覆盖，同时，也要提高人们对于信息技术的认知能力并掌握相关知识，优化网络结构提高各省区市的网络质量，缩小省域间“数字鸿沟”。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
O'brien R. Global financial integration:The end of geography[M]. London: Royal Institute of International Affairs, 1992.

[2]
Cairncross F. The death of distance[J]. RSA Journal, 2002, 149(5 502):40-42.

[3]
宋周莺, 刘卫东. 中国信息化发展进程及其时空格局分析[J]. 地理科学, 2013, 33(3):257-265.

DOI

[4]
Gottmann J. Megalopolis or the Urbanization of the Northeast-ern Seaboard[J]. Economic Geography, 1957, 33(3):189.

[5]
Zook M A. Old hierarchies or new networks of centrality?Theglobal geography of the Internet content market[J]. American Behavioral Scientist, 2001, 44(10):1 679-1 696.

[6]
Zook M A. The web of production:the economic geography ofcommercial Internet content production in the United States[J]. Environment and Planning A, 2000, 32(3):411-426.

[7]
Townsend A M. Network cities and the global structure of theInternet[J]. American Behavioral Scientist, 2001, 44(10):1 697-1 716.

[8]
Carbonara N. Information and communication technology andgeographical clusters:opportunities and spread[J]. Technovation, 2005, 25(3):213-222.

[9]
Dunning J H. Location and the multinational enterprise:a ne-glected factor?[J]. Journal of international business studies, 2009, 40(1):5-19.

[10]
Dodge M. The geographies of cyberspace[J]. Geographies ofCyberspace, 2013(1999):1-13.

[11]
刘卫东, 甄峰. 信息化对社会经济空间组织的影响研究[J]. 地理学报, 2004, 59(Sup):67-76.

[12]
宋周莺, 丁疆辉, 刘卫东, 等. 信息技术对中国服装企业空间组织的影响[J]. 地理学报, 2009, 64(4):435-444.

[13]
丁疆辉, 刘卫东. 信息技术应用对农村居民行为空间的影响——以河北省无极县为例[J]. 地理研究, 2012, 31(4):733-744.

[14]
胡宇娜, 梅林, 陈妍. 中国5A级旅游景区网站质量测度及空间特征研究[J]. 地理科学, 2016, 36(4):548-554.

DOI

[15]
史坤博, 杨永春, 杨欣傲, 等. 时间成本是否成为电子商务区位的核心因子:基于成都市O2O电子商务的实证分析[J]. 地理学报, 2016, 71(3):500-514.

DOI

[16]
席广亮, 甄峰, 魏宗财, 等. 南京市居民移动信息化水平及其影响因素研究[J]. 经济地理, 2012, 32(9):97-103.

[17]
余金艳, 刘卫东, 王亮. 基于时间距离的C2C电子商务虚拟商圈分析:以位于北京的淘宝网化妆品零售为例[J]. 地理学报, 2013, 68(10):1 380-1 388.

[18]
甄峰, 刘晓霞, 刘慧. 信息技术影响下的区域城市网络:城市研究的新方向[J]. 人文地理, 2007, 22(2):76-80.

[19]
Rutherford J, Gillespie A, Richardson R. The territoriality ofpan-European telecommunications backbone networks[J]. Journal of Urban Technology, 2004, 11(3):1-34.

[20]
Castells M. The rise of the network society:The informationage:Economy,societyand culture[M]. John Wiley & Sons, 2011.

[21]
巴凯斯, 路紫. 从地理空间到地理网络空间的变化趋势:论西方学者关于电信对地区影响的研究[J]. 地理学报, 2000, 55(1):104-110.

[22]
汪明锋, 宁越敏. 城市的网络优势:中国互联网骨干网络结构与节点可达性分析[J]. 地理研究, 2006, 25(2):193-203.

[23]
孙中伟, 路紫, 贺军亮. 世界互联网信息流的空间格局及其组织机理[J]. 人文地理, 2009, 24(4):43-49.

[24]
甄峰, 王波, 陈映雪. 基于网络社会空间的中国城市网络特征——以新浪微博为例[J]. 地理学报, 2012, 67(8):1 031-1 043.

[25]
赵映慧, 谌慧倩, 远芳, 等. 基于QQ群网络的东北地区城市联系特征与层级结构[J]. 经济地理, 2017, 37(3):49-54.

[26]
王宁宁, 陈锐, 赵宇. 基于信息流的互联网信息空间网络分析[J]. 地理研究, 2016, 35(1):137-147.

DOI

[27]
王宁宁, 陈锐, 赵宇, 等. 中国省域信息空间研究以及巴尔干现象分析[J]. 经济地理, 2016, 36(3):17-24.

[28]
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.

[29]
蒋大亮, 孙烨, 任航, 等. 基于百度指数的长江中游城市群城市网络特征研究[J]. 长江流域资源与环境, 2015, 24(10):1 654-1 664.

[30]
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.

[31]
王宁宁, 赵宇, 陈锐. 基于辐射模型的城市信息空间关联复杂网络研究[J]. 经济地理, 2015, 35(4):76-83.

[32]
刘军. 整体网分析讲义:UCINET 软件实用指南[M]. 上海: 上海人民出版社, 2007.

Options
Outlines

/

〈 〉