張 航，徐建剛

（南京大學(xué) 建筑與城市規(guī)劃學(xué)院，江蘇 南京 210093）

0 引言

隨著我國城市化不斷發(fā)展，區(qū)域間物質(zhì)、能量、信息等各類要素流動不斷加劇，基于要素流聯(lián)系的城市網(wǎng)絡(luò)逐漸成型。人口和資金是城市發(fā)展不可缺少的兩種要素，以人口和企業(yè)為主體的人流和投資流是城市多要素流復(fù)雜網(wǎng)絡(luò)的重要組成。人口流動與城市經(jīng)濟水平密切相關(guān)，而企業(yè)間投資流動反映了城市間真實的經(jīng)濟聯(lián)系［1］，人流和投資流共同塑造了區(qū)域經(jīng)濟發(fā)展格局，推動城市多要素復(fù)雜網(wǎng)絡(luò)的發(fā)展。研究人流和投資流網(wǎng)絡(luò)的格局演化和相互關(guān)系，有助于在人口和資金要素配置上為區(qū)域一體化提供有效路徑。

人流和投資流是區(qū)域經(jīng)濟要素空間再配置的結(jié)果，二者的關(guān)系密不可分。一方面，人流作為城鎮(zhèn)化的核心要素，承載了產(chǎn)業(yè)、資本要素的流動信息［2］。人口流入擴充了流入地的勞動力市場，人力資本直接參與企業(yè)生產(chǎn)、經(jīng)營活動，顯著推動流入地經(jīng)濟發(fā)展［3］。資本為了更高的回報則會追隨著大規(guī)模的勞動力遷移［4］。另一方面，企業(yè)選址根植于城市規(guī)模與經(jīng)濟水平，工作機會、收入水平等因素驅(qū)動下的人口流動勢必會與企業(yè)資本集聚呈現(xiàn)一定趨同性。企業(yè)間以價值創(chuàng)造為導(dǎo)向的正式與非正式的聯(lián)系構(gòu)成了人口流動網(wǎng)絡(luò)存在的基礎(chǔ)［5］。

人口流動是中國改革開放以來規(guī)模最大、意義最深遠的地理過程之一［6］，受到學(xué)界持續(xù)而廣泛的關(guān)注。以往學(xué)者多使用人口普查和人口抽樣調(diào)查等統(tǒng)計數(shù)據(jù)對我國長期人口流動時空格局進行刻畫［7－10］，但受限于數(shù)據(jù)精度，研究多為省級單元尺度。隨著大數(shù)據(jù)的開源獲取，不同學(xué)者利用百度遷徙數(shù)據(jù)、騰訊位置數(shù)據(jù)、微博簽到數(shù)據(jù)等互聯(lián)網(wǎng)大數(shù)據(jù)構(gòu)建城際人流聯(lián)系空間網(wǎng)絡(luò)格局［11－14］，并使用社會網(wǎng)絡(luò)分析方法從中心性、控制性等視角解構(gòu)城市人流網(wǎng)絡(luò)特征［15，16］。此外，相關(guān)學(xué)者使用重力模型［17，18］、多元線性回歸［19］和QAP 模型［20，21］等不同方法解釋了流入地和流出地經(jīng)濟水平、行政等級、產(chǎn)業(yè)結(jié)構(gòu)、收入水平、就業(yè)機會、遷移成本等社會經(jīng)濟因素對人口流動的影響機制。在大數(shù)據(jù)分析手段的支撐下，城市人流網(wǎng)絡(luò)刻畫在空間粒度、規(guī)模流量和時效性上得到大大提升，但局限于短期、即時的人口遷徙，基于長期人口流動的我國城際人流聯(lián)系網(wǎng)絡(luò)研究仍較缺乏。此外，有關(guān)人口流動的影響測度也停留在靜態(tài)經(jīng)濟社會統(tǒng)計指標層面，忽視了不同要素流在動態(tài)網(wǎng)絡(luò)中的相互作用關(guān)系。

投資流動是一種企業(yè)聯(lián)系形式。企業(yè)聯(lián)系視角下城市網(wǎng)絡(luò)研究主要有企業(yè)內(nèi)網(wǎng)絡(luò)和企業(yè)間網(wǎng)絡(luò)兩種主要途徑［1］。國外學(xué)者最早通過企業(yè)內(nèi)部總部－子公司關(guān)系表征城市網(wǎng)絡(luò)空間結(jié)構(gòu)［22，23］，但大型企業(yè)區(qū)位選址常根植于發(fā)達城市，城市網(wǎng)絡(luò)容易忽略邊緣城市。企業(yè)間的聯(lián)系開始用于城市網(wǎng)絡(luò)研究，國內(nèi)外不同學(xué)者利用企業(yè)股權(quán)關(guān)系［24，25］、企業(yè)間創(chuàng)業(yè)投資聯(lián)系［26，27］等角度透視了我國和城市群尺度的城市企業(yè)聯(lián)系網(wǎng)絡(luò)格局。已有研究大多關(guān)注某一年份的企業(yè)聯(lián)系網(wǎng)絡(luò)格局，對多個時期網(wǎng)絡(luò)特征演化的研究仍較缺乏。在影響因素方面，部分學(xué)者使用面板數(shù)據(jù)多元回歸等方法對城市企業(yè)網(wǎng)絡(luò)的作用機制進行剖析，發(fā)現(xiàn)城市經(jīng)濟水平、金融環(huán)境、人口密度、產(chǎn)業(yè)結(jié)構(gòu)等因素影響顯著［28，29］。仍未有研究關(guān)注人口流動因素對企業(yè)聯(lián)系網(wǎng)絡(luò)的影響。

綜上，本文基于流動人口監(jiān)測數(shù)據(jù)和企業(yè)股權(quán)關(guān)聯(lián)數(shù)據(jù)，構(gòu)建2009—2017 年我國人口流動和投資流動網(wǎng)絡(luò)。從網(wǎng)絡(luò)聯(lián)系和網(wǎng)絡(luò)節(jié)點中心度兩方面分析人流和投資流網(wǎng)絡(luò)空間格局和演化機制，并使用結(jié)構(gòu)方程模型測度人流和投資流網(wǎng)絡(luò)的相互影響機制，以期為多要素流城市網(wǎng)絡(luò)空間格局研究做出補充，并為網(wǎng)絡(luò)之間的復(fù)雜作用關(guān)系研究提供思路。

1 研究區(qū)域、數(shù)據(jù)來源和研究方法

1.1 研究區(qū)域與數(shù)據(jù)來源

人口流動是一個長期的過程，為保證流動樣本量充足且便于不同時期的比較研究，本文選取2009—2017 年作為研究期限，并以3 年為一段將其分為2009—2011 年、2012—2014 年、2015—2017 年3個研究期。選擇地級及以上城市市轄區(qū)為研究對象，并保證3 個研究期內(nèi)研究區(qū)域一致，清除部分數(shù)據(jù)缺失的城市樣本，確認我國283 個地級及以上城市為最終研究區(qū)域。

人口流動數(shù)據(jù)來源于2017 年我國流動人口動態(tài)監(jiān)測調(diào)查。該調(diào)查按照隨機原則在我國32 個省（市）按流動人口較為集中的流入地抽取樣本點，并采用分層、多階段、與規(guī)模成比例的PPS 抽樣法，選取在流入地居住一個月以上，非本區(qū)（縣、市）戶口的15周歲及以上流動人口進行抽樣。不同于百度遷徙等短期動態(tài)流動數(shù)據(jù)，流動人口監(jiān)測數(shù)據(jù)面向務(wù)工經(jīng)商、搬遷、學(xué)習(xí)等長期流動人群，剔除了旅游、春節(jié)返鄉(xiāng)等短期流動。長期流動人口直接參與了流入城市的經(jīng)濟建設(shè)，對流入地社會經(jīng)濟發(fā)展影響更為持續(xù)和深遠，利用流動人口監(jiān)測數(shù)據(jù)構(gòu)建人口流動網(wǎng)絡(luò)，可以更有效地測度人流網(wǎng)絡(luò)與投資經(jīng)濟流網(wǎng)絡(luò)的相互影響關(guān)系。每一位調(diào)查對象從戶籍地到所在地的OD對視為一次流動，剔除城市內(nèi)的流動（流出地和流入地為同一城市）和不在研究區(qū)域內(nèi)發(fā)生的流動，并挑選出上一次流動年份在2009—2017 年的所有流動信息，共識別出2009—2017 年283 個城市間的104 012 條城際人流。

投資流動數(shù)據(jù)通過Python 在企查查平臺（https：??www.qcc.com?）抓取企業(yè)投資信息獲得。選取我國范圍內(nèi)除香港特別行政區(qū)、澳門特別行政區(qū)和臺灣地區(qū)的城市作為研究區(qū)域，采集2009 年1 月—2017年12 月間經(jīng)營狀態(tài)正常（在業(yè)或存續(xù)）的企業(yè)數(shù)據(jù)，每條企業(yè)數(shù)據(jù)包含該企業(yè)及其所有股東的名稱、股權(quán)比例、社會信用代碼與注冊地。在剔除企業(yè)股東為自然人、流動OD 城市不在研究范圍內(nèi)等情況后，識別出283 個城市間共55 699 條跨城（企業(yè)與股東注冊地不在同一個城市）投資流。選取2009—2017年間城市統(tǒng)計年鑒數(shù)據(jù)中部分指標作為城市經(jīng)濟屬性變量。

1.2 研究方法

從網(wǎng)絡(luò)聯(lián)系和網(wǎng)絡(luò)節(jié)點中心度兩方面刻畫人流和投資流的城市網(wǎng)絡(luò)空間格局，并使用ArcGIS 10.5軟件進行可視化。網(wǎng)絡(luò)聯(lián)系方面，識別流出城市→流入城市的人流和投資流OD對，以單個OD對發(fā)生人口和投資流動的數(shù)量反映該OD 對城市聯(lián)系強度。網(wǎng)絡(luò)節(jié)點中心度方面，使用社會網(wǎng)絡(luò)分析方法和位序—規(guī)模法則測度人流和投資流網(wǎng)絡(luò)加權(quán)出、入度分布特征。

社會網(wǎng)絡(luò)分析：社會網(wǎng)絡(luò)分析方法中常用度中心性指標反映城市節(jié)點在網(wǎng)絡(luò)中的地位和重要性［30－32］，其中加權(quán)出度表示節(jié)點對網(wǎng)絡(luò)資源的控制能力，加權(quán)入度表示節(jié)點對網(wǎng)絡(luò)資源的吸引能力［33］。城市人流和投資流的加權(quán)入度、加權(quán)出度中心性計算公式為：

式中：Din（i）為城市i 的人流或投資流加權(quán)入度；Dout（i）為城市i 的人流或投資流加權(quán)出度；Xij（in）為城市j 流入城市i 的人口或投資數(shù)量；Xij（out）為城市i 流入城市j 的人口或投資數(shù)量。

位序—規(guī)模法則：借鑒位序—規(guī)模法則，對人流和投資流網(wǎng)絡(luò)節(jié)點城市加權(quán)入度、加權(quán)出度值進行排序并分別繪制冪律曲線，以反映城市網(wǎng)絡(luò)度分布規(guī)律［34］。度分布公式為：

式中：Din（i）為城市i 的人流或投資流加權(quán)入度；Dout（i）為城市i 的人流或投資流加權(quán)出度；rank（i）in、rank（i）out分別表示節(jié)點i 的入度、出度在網(wǎng)絡(luò)中的排序；C1、C2為常數(shù)；a1、a2分別為入度、出度分布曲線斜率。a1、a2絕對值的變化可以反映城市網(wǎng)絡(luò)的演化特征，絕對值變大，說明城市網(wǎng)絡(luò)集中的力量大于分散的力量，網(wǎng)絡(luò)層級性提升；絕對值變小，則說明城市網(wǎng)絡(luò)分散的力量大于集中的力量［35］，網(wǎng)絡(luò)層級性降低。

結(jié)構(gòu)方程模型：結(jié)構(gòu)方程模型基于變量的協(xié)方差矩陣來分析變量之間關(guān)系，是處理多因多果關(guān)系的重要工具，被廣泛運用于社會、心理、教育等多個領(lǐng)域。結(jié)構(gòu)方程模型分為測量模型和結(jié)構(gòu)模型，其中測量模型一般用來測度難以被直接觀測的潛變量，而結(jié)構(gòu)模型則主要反映潛變量之間的關(guān)系，由于本文不考慮潛變量［36，37］，故建立包含內(nèi)生變量和外生變量的路徑關(guān)系模型，模型的表達式為：

式中：y 為內(nèi)生變量向量；x 為外生變量向量；B不內(nèi)生變量之間的路徑系數(shù)矩陣；Г為外生變量與內(nèi)生變量之間的路徑系數(shù)矩陣；ζ為模型中未被解釋的殘差項。

人口流動的發(fā)生主要受到主觀能動的流動人口屬性和客觀驅(qū)動的城市外部環(huán)境兩方面因素的影響。從流動人口屬性來看，年齡、性別、受教育程度、職業(yè)、遷移目的等均對人口流動的空間特征產(chǎn)生影響，而在流入、流出地城市屬性層面，二者的城鎮(zhèn)化水平、經(jīng)濟發(fā)展水平、人口規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)、就業(yè)機會等社會經(jīng)濟差異形成了促使兩地發(fā)生人口流動的“推力”和“拉力”。企業(yè)間資本流動與市場潛力、關(guān)鍵資源、營商環(huán)境、勞動力供應(yīng)等企業(yè)外部條件密切相關(guān)［31］，異地投資的發(fā)生與否取決于企業(yè)所在城市的經(jīng)濟發(fā)展水平能否提供企業(yè)發(fā)展所需外部環(huán)境，受到GDP、年末常住人口、第三產(chǎn)業(yè)比重等城市經(jīng)濟指標的影響［38］。構(gòu)建人流網(wǎng)絡(luò)和投資流網(wǎng)絡(luò)在流動人口屬性和城市經(jīng)濟屬性影響下的相互作用的路徑模型。模型理論框架和變量解釋分別如圖1 和表1 所示。

表1 人流和投資流數(shù)量Table 1 The number of people and investment flows

圖1 模型理論框架Figure 1 Model theoretical framework

內(nèi)生變量路徑模型中，分別以加權(quán)出度、加權(quán)入度反映城市人流和投資流網(wǎng)絡(luò)的出度、入度中心地位，以下均簡稱為出度和入度。測度人流入度、人流出度與投資流入度、投資流出度的雙向影響關(guān)系，得到兩兩連接的8 條有向路徑。外生變量對內(nèi)生變量的路徑模型中，考慮城市人口規(guī)模、經(jīng)濟規(guī)模、企業(yè)規(guī)模和產(chǎn)業(yè)結(jié)構(gòu)4 個城市經(jīng)濟屬性指標對人流和投資流四類網(wǎng)絡(luò)中心地位均能產(chǎn)生影響，得到4×4 共16條有向路徑。流動人口屬性方面，考慮流動人口受教育程度、職業(yè)類型和戶籍類型三類流動人口屬性指標對人流網(wǎng)絡(luò)中心地位的影響，得到2 ×3 共6條有向路徑。將路徑效應(yīng)分解為直接效應(yīng)、間接效應(yīng)和總體效應(yīng)，每種效應(yīng)反映各變量之間的作用方向和強度［39］。

表2 模型變量選取Table 2 Model variables selection

2 網(wǎng)絡(luò)聯(lián)系空間格局

我國城際人流和投資流聯(lián)系均不斷增強，參與兩種要素流動的城市OD 對數(shù)量均不斷增長。2009—2011 年、2012—2014 年和2015—2017 年發(fā)生人流聯(lián)系的城市OD 對分別為6 131 對、7 648 對和8 976對，發(fā)生投資流聯(lián)系的城市OD 對分別為2 378對、4 399 對和4 928 對。我國城際人流和投資流網(wǎng)絡(luò)均不斷發(fā)育和擴張。

人流和投資流網(wǎng)絡(luò)聯(lián)系呈現(xiàn)不同的空間格局。具體來說，人流聯(lián)系網(wǎng)絡(luò)整體呈現(xiàn)以一線城市和各省會城市為中心的多流動組團格局，網(wǎng)絡(luò)均質(zhì)化和破碎化特征明顯。人流由區(qū)域內(nèi)短距離流動主導(dǎo)，呈現(xiàn)由下至上跨經(jīng)濟和行政等級的垂直流動特點，高層級人流主要發(fā)生在經(jīng)濟欠發(fā)達城市向省內(nèi)或鄰省經(jīng)濟發(fā)達的一線城市和省會城市的流動。人流組團由少向多、由北向南逐漸均衡發(fā)育，2009—2011年，僅有京津冀和長三角人流組團突顯，2015—2017年，多個人流組團內(nèi)建立了緊密的人流聯(lián)系，形成了張家口、保定、邯鄲、承德→北京，鹽城、六安、阜陽→上海，湛江、潮州、茂名、南寧、欽州→廣州、深圳等區(qū)域內(nèi)跨省人流組團，以及臨沂、菏澤、日照→青島，德州、聊城、濟寧→濟南，周口、開封、商丘、許昌→鄭州，益陽、岳陽、常德→長沙，九江、撫州、萍鄉(xiāng)→南昌，資陽、南充、遂寧→成都等省內(nèi)人流組團。

圖2 2009—2017 年中國城際人流和投資流聯(lián)系空間格局Figure 2 The spatial pattern of China′s intercity people flow and investment flow connection，2009－2017

投資流聯(lián)系網(wǎng)絡(luò)則呈現(xiàn)以四大城市群為核心的“菱形”結(jié)構(gòu)，流動等級性突出，“俱樂部效應(yīng)”明顯。其中，京津冀、長三角和粵港澳大灣區(qū)三大城市群形成“菱形”中的3 個強核心，而成渝城市群為次級核心。相較于人流聯(lián)系，投資流呈現(xiàn)長距離跨區(qū)域聯(lián)系和同經(jīng)濟等級城市間水平流動的“俱樂部效應(yīng)”。2009—2011 年、2012—2014 年和2015—2017 年四大城市群間發(fā)生投資流動的次數(shù)分別為6 736 起、9 293起和11 669 起，分別占該研究期投資總流動數(shù)量的43.8%，51.4%和52.5%，四大城市群彼此投資聯(lián)系不斷增強，投資流路徑依賴效應(yīng)明顯。

3 網(wǎng)絡(luò)節(jié)點中心度分布特征

3.1 網(wǎng)絡(luò)節(jié)點中心度位序—規(guī)模分布

人流和投資流網(wǎng)絡(luò)節(jié)點中心度位序分布回歸擬合效果總體良好，除人流加權(quán)出度外，R2均大于0.75，投資流擬合效果總體優(yōu)于人流。中心度分布回歸曲線斜率絕對值反映了網(wǎng)絡(luò)層級性水平高低。從圖3 可見，2009—2017 年3 個研究期人流和投資流網(wǎng)絡(luò)層級性總體呈現(xiàn)增長趨勢，其中人流網(wǎng)絡(luò)層級性水平先降后升，投資流網(wǎng)絡(luò)層級性水平不斷提升。

圖3 2009—2017 年中國城際人流和投資流網(wǎng)絡(luò)節(jié)點加權(quán)中心度位序分布曲線Figure 3 Weighted degree order distribution curve of China′s intercity people flow and investment flow network，2009－2017

人流網(wǎng)絡(luò)呈現(xiàn)入度層級性突顯，出度相對均衡的特征。人流入度位序分布曲線斜率絕對值位于1.3—1.5 區(qū)間，層級性突出，北京、上海、重慶、天津四城長期占據(jù)人口入度前四位，核心地位突出，人口吸引能力強；人流加權(quán)出度位序分布曲線則較為平緩，斜率絕對值位于0.8—0.95 區(qū)間，可見人口流出網(wǎng)絡(luò)相對扁平、均質(zhì)化程度更高，人流加權(quán)出度前十城市不斷更迭且出度值水平差距較小，其中，2009—2017年3 個研究期內(nèi)人流出度均為前十的城市僅有周口市，另有重慶、六安、合肥、阜陽、綏化、榆林中西部6 市在兩個研究期內(nèi)位列人流出度前十。

投資流網(wǎng)絡(luò)呈現(xiàn)出度層級性水平相對高、入度層級性水平相對低的特征。投資流加權(quán)入度位序分布曲線斜率絕對值位于1.0—1.25 區(qū)間。北京、上海長期位于投資流加權(quán)出度Top2，其中，北京投資吸引能力更強，每3 年吸引投資數(shù)約為上海的2 倍，杭州、深圳、廣州、成都、蘇州、武漢、南京7 市3 期均位列前十。投資流加權(quán)出度位序分布曲線則更陡峭，斜率絕對值位于1.0—1.25 區(qū)間，投資流出網(wǎng)絡(luò)層級性更高。加權(quán)出度前十城市維持不變，其中，北京、上海、深圳3 期均位于投資流加權(quán)出度Top3，3市投資輻射能力相當，剩余7 市為寧波、杭州、天津、蘇州、廣州、成都和南京。

表3 2009—2017 年人流網(wǎng)絡(luò)加權(quán)中心度前十城市Table 3 The Top10 cities with weighted degree of people flow networks，2009－2017

表4 2009—2017 年投資流網(wǎng)絡(luò)加權(quán)中心度前十城市Table 4 The Top10 cities with weighted degree of investment flow networks，2009－2017

3.2 網(wǎng)絡(luò)中心度空間格局

人流和投資流網(wǎng)絡(luò)中心度均表現(xiàn)出明顯的“東—中—西”空間分異和“核心—邊緣”結(jié)構(gòu)，集聚趨勢不斷增強。其中，人流網(wǎng)絡(luò)由相對均質(zhì)化空間逐漸轉(zhuǎn)變?yōu)橐詵|部沿海城市群和中西部省會城市為人口流入中心的格局；投資流網(wǎng)絡(luò)呈現(xiàn)以三大城市群為主要投資流出中心的格局，并基本保持不變。

人流網(wǎng)絡(luò)中心度呈現(xiàn)以京津冀、長三角、粵港澳大灣區(qū)、海峽西岸城市群等東部沿海城市群為主要流入地，中西部地區(qū)和東北地區(qū)為主要流出地的格局。東南地區(qū)人口流入規(guī)模不斷增大，以城市群為組團呈內(nèi)部集聚、外部擴散趨勢，東南沿?！叭丝诹魅脒B綿帶”逐漸成形；中西部地區(qū)人口流出趨勢不斷加劇，省會城市人流流入中心格局逐漸清晰。具體而言，京津冀城市群呈現(xiàn)北京、天津人口流入雙中心格局。長三角地區(qū)是人口流入總量最多的城市群，以上海為人口流入主中心，杭州、南京、蘇州等人口流入次中心的“一超多強”格局突顯并逐漸強化，人口吸引態(tài)勢在城市群范圍內(nèi)不斷擴散。粵港澳大灣區(qū)以廣州、深圳、東莞、佛山等城市為主要人口流入地的多中心格局突顯并不斷強化。成渝城市群整體人口流出態(tài)勢不斷增強，成都人口流入中心地位逐漸顯現(xiàn)。中西部省會城市人口吸引能力持續(xù)增強，以哈爾濱、長春、沈陽、鄭州、武漢、長沙、南昌、拉薩、烏魯木齊等省會城市為區(qū)域人口流入中心的“多點開花”格局顯現(xiàn)并不斷強化。

投資流網(wǎng)絡(luò)中心度“東—中—西”空間分異明顯，東部沿海三大城市群投資入度和出度中心地位突顯且投資總量大，而中西部地區(qū)以成渝城市群為主要投資流入地，呈現(xiàn)流入節(jié)點數(shù)量多、單點流入投資數(shù)量少的特點。3 個研究期內(nèi)，全國范圍投資流節(jié)點中心度格局基本維持不變，部分城市和城市群投資流動特征變化明顯。京津冀城市群呈現(xiàn)“京津”投資流動雙中心格局，天津維持投資流出態(tài)勢，北京由投資流出型城市逐漸變?yōu)橥顿Y流入型城市，投資吸引能力不斷強化。長三角地區(qū)是投資輻射能力最強的城市群，呈現(xiàn)以上海為主中心，以杭州、蘇州、南京、無錫等城市為投資流出次中心的“一超多強”格局突顯并逐年強化?；浉郯拇鬄硡^(qū)呈現(xiàn)“廣深”投資流出雙中心并維持不變。成渝城市群呈現(xiàn)“成渝”投資流入雙中心，投資流入型特征逐步強化，投資吸引能力進一步增強。中西部地區(qū)，武漢、鄭州、西安投資吸引能力突出，長沙、九江投資輻射能力突出，拉薩投資輻射能力突顯且逐步增強。

對比兩種網(wǎng)絡(luò)中心度格局發(fā)現(xiàn)，人流與投資流網(wǎng)絡(luò)中心度分布呈現(xiàn)一定的反向匹配關(guān)系。人流入度和投資出度的“核心”城市分布高度一致，人流出度和投資入度的“邊緣”城市分布大體相同。三大城市群在內(nèi)的網(wǎng)絡(luò)核心城市表現(xiàn)出對資本要素的控制能力的同時，也表現(xiàn)出對人口要素的吸引能力；以中西部一般地級市為主體的網(wǎng)絡(luò)邊緣城市表現(xiàn)出對資本要素的吸引能力的同時，也表現(xiàn)出對人口要素的被控制和被支配；中西部省會城市總體表現(xiàn)出對資本和人口的雙重吸引能力。

圖4 2009—2017 年中國城際人流和投資流網(wǎng)絡(luò)加權(quán)度格局Figure 4 Intercity people flow and investment flow network weighted degree pattern in China，2009－2017

4 人流和投資流網(wǎng)絡(luò)的相互影響機制

將2009—2017 年3 個研究期共847 個觀測樣本納入結(jié)構(gòu)方程模型。使用Amos 23.0.0 軟件運行模型，采用極大似然法（ML）進行數(shù)據(jù)擬合，并進行重抽樣 樣 本 數(shù) 為2 000 的Bollen－Stine bootstrap 估計［36］。根據(jù)軟件分析得到的修正表，新增變量間影響路徑和誤差變量之間的共變關(guān)系以提高模型適配度［40］。修正后最終模型的擬合指數(shù)和參考值如表5所示，可見模型擬合效果良好。人流和投資流的相互作用和其他外生變量對二者的影響結(jié)果如表6、表7 所示。直接效應(yīng)、間接效應(yīng)和總體效應(yīng)均為標準化后路徑系數(shù)，其中直接效應(yīng)顯著性根據(jù)回歸權(quán)重表中P 值判定，間接效應(yīng)和總體效應(yīng)顯著性依據(jù)糾偏后百分位數(shù)法得到的雙尾顯著性判定。

表5 模型擬合結(jié)果Table 5 Model fitting results

4.1 人流和投資流的相互影響

內(nèi)生變量之間的效應(yīng)值如表6 所示。從表6 可見，人流和投資流網(wǎng)絡(luò)中心度地位之間相互影響顯著。一方面，人流出度對投資流出度直接抑制作用顯著，標準化直接效應(yīng)為－ 0.187，對投資流入度影響不顯著。人流入度對投資流入度負向抑制作用顯著，而對投資流出度的正向促進作用顯著，兩種效應(yīng)強度相當，直接效應(yīng)分別為－ 0.717 和0.829，總體效應(yīng)分別為－ 0.155 和0.171，可見，人口流入可以顯著提升城市投資輻射能力。另一方面，投資流出度對人流入度抑制作用顯著，標準化總體效應(yīng)達到－0.539，城市企業(yè)資本流出不利于對外來人口的吸引。投資流入度對人流入度促進作用非常顯著，標準化總體效應(yīng)達到0.454，城市企業(yè)資本流入顯著提升了人口吸引能力。

表6 內(nèi)生變量之間的直接效應(yīng)、間接效應(yīng)和總體效應(yīng)Table 6 Direct，indirect and overall effects between endogenous variables

人流和投資流網(wǎng)絡(luò)對自身的影響效應(yīng)同樣被測度到顯著性。人流入度對人流出度有0.095 的標準化正向作用，而人流出度對人流入度有0.139 的標準化正向作用，效應(yīng)值更高且更顯著，人口外流后的回流效應(yīng)明顯。投資流網(wǎng)絡(luò)的雙向影響效應(yīng)水平相當，投資流出度對投資流入度有0.39 的標準化間接促進作用，投資流入度對投資流出度有0.392 的標準化間接促進作用。人流和投資流網(wǎng)絡(luò)的相互影響路徑可以解釋為資本流動自我實現(xiàn)的過程，資本流入通過刺激流入地城市企業(yè)的發(fā)展，增加就業(yè)崗位，進而提高流入地的人口吸引能力，為當?shù)貛砀嗟膭趧恿?，拉動當?shù)亟?jīng)濟發(fā)展，反過來提升該地企業(yè)投資外向輻射能力。

4.2 外生變量對人流和投資流網(wǎng)絡(luò)的影響

外生變量對內(nèi)生變量的效應(yīng)值如表7 所示。

表7 外生變量對內(nèi)生變量的直接效應(yīng)、間接效應(yīng)和總體效應(yīng)Table 7 Direct，indirect，and overall effects of exogenous variables onendogenous variables

從表7 可見，城市經(jīng)濟屬性對城市人流和投資流網(wǎng)絡(luò)地位的影響效應(yīng)水平高且普遍顯著，而流動人口屬性對兩種網(wǎng)絡(luò)影響微弱且部分顯著。人口規(guī)模對人流網(wǎng)絡(luò)影響顯著，人口規(guī)模越大，人口流入和人口流出總量越大；人口規(guī)模對投資流出度的負向抑制作用顯著，直接抑制效應(yīng)達到－ 0.438，總體效應(yīng)為－ 0.265。經(jīng)濟規(guī)模（GDP）對人流和投資流網(wǎng)絡(luò)地位的影響均十分顯著。一方面，城市GDP 越高，人口流出越少，人口流入越多，可見城市經(jīng)濟發(fā)展對人口的吸引作用明顯，且對人口留居作用強；另一方面，城市經(jīng)濟規(guī)模對投資流出度、入度均有顯著的正向影響。經(jīng)濟規(guī)模對投資吸引的直接效應(yīng)達到1.431，為外生變量對內(nèi)生變量直接影響的最高效應(yīng)值，這進一步說明城市經(jīng)濟發(fā)展水平越高越有利于吸引企業(yè)投資，且其對投資的吸引度高于其投資向外輻射的程度［29］。企業(yè)規(guī)模（規(guī)模以上企業(yè)數(shù)量）對雙要素網(wǎng)絡(luò)的總體效應(yīng)均不顯著，但對人流入度和投資流出度的直接促進效應(yīng)和對人口外流和投資流入的直接抑制效應(yīng)顯著。可見城市企業(yè)規(guī)模越大，就業(yè)和工作機會越多，對人口吸引能力越強，向外投資輻射能力越強。產(chǎn)業(yè)結(jié)構(gòu)（第三產(chǎn)業(yè)占比）對雙要素網(wǎng)絡(luò)均起到正向促進作用，其中，對人流入度的標準化總體效應(yīng)強度約為對人流出度的效應(yīng)強度兩倍，城市三產(chǎn)占比增加能吸引更多服務(wù)業(yè)人員，從而有效促進了對人口凈流入；產(chǎn)業(yè)結(jié)構(gòu)對投資流網(wǎng)絡(luò)的標準化總體效應(yīng)強度相當，對投資吸引和輻射的正向影響相同。

在流動人口屬性方面，流入人口非農(nóng)業(yè)戶籍比例越高，城市在人流入度網(wǎng)絡(luò)中的地位越高，從而間接對投資流入產(chǎn)生－0.007 的微弱負向效應(yīng)。流出人口中大學(xué)專科及以上的高學(xué)歷人群和非農(nóng)業(yè)戶籍人口占比越高，城市人流出度網(wǎng)絡(luò)地位越低，可見人口流出主要由非高學(xué)歷人群和農(nóng)業(yè)戶籍人群所貢獻。

5 結(jié)論與政策建議

5.1 結(jié)論

本文基于流動人口監(jiān)測數(shù)據(jù)和企業(yè)投資數(shù)據(jù)，構(gòu)建2009—2017 年3 個研究期我國283 個地級以上城市的人流和投資流網(wǎng)絡(luò)，分析兩種網(wǎng)絡(luò)的空間格局和演化規(guī)律，并使用結(jié)構(gòu)方程模型測度兩種網(wǎng)絡(luò)間的相互影響效應(yīng)。主要結(jié)論如下：①人流和投資流網(wǎng)絡(luò)聯(lián)系呈現(xiàn)不同的空間格局和演化特征。人流網(wǎng)絡(luò)聯(lián)系形成多個區(qū)域內(nèi)短距離人流組團，自下而上跨經(jīng)濟和行政等級的垂直人流趨勢明顯。投資流網(wǎng)絡(luò)聯(lián)系的“菱形結(jié)構(gòu)”不斷強化和明晰，同經(jīng)濟等級城市間投資水平流動的“俱樂部效應(yīng)”突顯。②網(wǎng)絡(luò)中心度格局“東—中—西”分異不斷加劇，網(wǎng)絡(luò)層級性和“核心—邊緣”結(jié)構(gòu)突出，集聚趨勢明顯。人流與投資流網(wǎng)絡(luò)表現(xiàn)出反向匹配的關(guān)系，東部三大城市群的人口吸引和資本輻射的核心地位高度一致，中西部一般地級市人口流失和資本被輻射的邊緣地位大致相同，中西部發(fā)達省會城市則表現(xiàn)出人口和資本雙重吸引的次級核心地位。③人流和投資流有向網(wǎng)絡(luò)之間的相互影響關(guān)系主要體現(xiàn)為，投資流入度對人流入度的正向影響，以及人流入度對投資流出度正向作用。投資流入為流入地城市帶來大量工作機會，吸引人口流入，進而推動流入地經(jīng)濟發(fā)展，提升其投資向外輻射能力。④人口規(guī)模、經(jīng)濟規(guī)模（GDP）、企業(yè)規(guī)模和第三產(chǎn)業(yè)占比四類城市經(jīng)濟屬性要素對人流和投資流網(wǎng)絡(luò)產(chǎn)生了不同程度的影響，其中城市經(jīng)濟規(guī)模顯著促進人流入度、投資流入度和投資流出度，并有效抑制人口外流。流動人口屬性對人流和投資流網(wǎng)絡(luò)影響相對較小。非農(nóng)業(yè)戶籍和受高等教育流動人口對城市人流出度中心地位負向影響顯著，低學(xué)歷和農(nóng)業(yè)戶籍人群仍是城市大規(guī)模流出人口的主要組成部分。

5.2 政策建議

根據(jù)上述結(jié)論，提出以下政策建議：

首先，構(gòu)建和完善多層級城市群體系，加強對中西部地區(qū)城市群的培育。城市群是資源要素配置和流動的重要空間載體，加強不同城市群之間的要素流動，可以有效推動區(qū)域高質(zhì)量均衡發(fā)展。我國城際要素流動主要發(fā)生在四大城市群之間，京津冀、長三角和珠三角城市群均分布在東部沿海地區(qū)，西部地區(qū)僅有成渝城市群。中西部缺少高等級城市群吸引我國范圍的人口和資本要素，導(dǎo)致東、中、西部區(qū)域差異逐漸增大。未來應(yīng)加強對中西部省會城市的政策傾斜和資源投放，以推動以省會城市為中心的中西部高質(zhì)量城市群快速發(fā)育成型。

其次，加強不同地區(qū)和不同等級城市間網(wǎng)絡(luò)聯(lián)系。城市間聯(lián)系不斷緊密，但也存在不同程度的網(wǎng)絡(luò)層級固化，使得大部分資源要素流向少部分高層級城市，從而加快區(qū)域不均衡發(fā)展。未來應(yīng)破除資源配置的路徑依賴和跨地區(qū)行政壁壘，增加不同發(fā)展水平區(qū)域間、不同等級城市間的要素聯(lián)系，尤其要加強東部發(fā)達城市與中西部欠發(fā)達城市間的強—弱聯(lián)系，構(gòu)建多節(jié)點、多聯(lián)系的城市網(wǎng)絡(luò)。

第三，促進以人口和資本為主體的多要素城市聯(lián)系。研究表明，城市間人口和資本流動存在相互促進關(guān)系，加快城市網(wǎng)絡(luò)內(nèi)部的資本、人口等要素流動，特別關(guān)注二者之間的耦合協(xié)調(diào)關(guān)系，可以有效推進國內(nèi)大循環(huán)格局的構(gòu)建。未來的城市網(wǎng)絡(luò)呈現(xiàn)多向、多要素聯(lián)系的復(fù)雜關(guān)系，僅僅關(guān)注單一要素的格局和空間配置，容易陷入局部優(yōu)化的陷阱，統(tǒng)籌協(xié)調(diào)城市間資本、人口、交通、基礎(chǔ)設(shè)施等多元要素聯(lián)系，整體性制定資源優(yōu)化策略，可以有效促進城市復(fù)雜網(wǎng)絡(luò)內(nèi)多要素間的耦合和自我實現(xiàn)機制的構(gòu)建，實現(xiàn)城市網(wǎng)絡(luò)的高質(zhì)量發(fā)展。

5.3 討論

本文仍存在一定的局限性。流動人口動態(tài)監(jiān)測數(shù)據(jù)抽樣調(diào)查科學(xué)、嚴謹，覆蓋范圍廣、空間精度高，可以較好地反映長期人口流動網(wǎng)絡(luò)格局。但相較于大數(shù)據(jù)方法，仍存在數(shù)據(jù)量不足的問題，難以反映真實人流規(guī)模。此外，受新冠疫情的不利影響，2019年以后的流動人口動態(tài)監(jiān)測數(shù)據(jù)未能獲取，故本研究未對2019—2022 年的我國城際人流和投資流網(wǎng)絡(luò)進行實證分析，僅對人流和投資流網(wǎng)絡(luò)的相互影響關(guān)系進行了初步探索。未來可以結(jié)合交通、信息等不同要素流對城際網(wǎng)絡(luò)更為復(fù)雜的耦合機制進行研究。