EN中文

地理研究 >

2022 , Vol. 41 >Issue 1: 268 - 285

DOI: https://doi.org/10.11821/dlyj020210573

“环境经济地理学的创新与发展”专辑

外部性视角下中国城市网络演化及其环境效应研究

  • 周宏浩 ,
  • 谷国锋
展开
  • 东北师范大学地理科学学院,长春 130024
谷国锋（1966-）,男,吉林农安人,教授,博士生导师,主要从事区域经济增长与可持续发展研究。E-mail:

周宏浩（1991-）,男,黑龙江讷河人,博士研究生,主要从事区域经济增长与可持续发展研究。E-mail:

收稿日期: 2021-07-01

  录用日期: 2021-12-22

  网络出版日期: 2022-03-10

基金资助

教育部人文社会科学研究规划基金项目(21YJA790035)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

The evolution of China's city network and its environmental effects from the perspective of externalities

  • ZHOU Honghao ,
  • GU Guofeng
Expand
  • School of Geography Science, Northeast Normal University, Changchun 130024, China

Received date: 2021-07-01

  Accepted date: 2021-12-22

  Online published: 2022-03-10

Copyright

Copyright reserved © 2021.
Fold

摘要

在全球化、快速城市化和新技术革命的背景下,要素流与网络关系构成的“流空间”愈发重要,城市网络结构不断受到冲击与重塑,人地关系矛盾日益凸显,区域空间组织模式及其环境效应已成为环境经济地理学研究的重要议题。本文利用腾讯位置大数据,构建了2015—2018年288个地级以上城市之间的人口迁徙网络,采用社会网络分析和面板空间计量模型,对中国城市网络演化格局及其环境效应进行实证分析。结论如下：① 中国城市网络联系强度高的城市主要分布在“胡焕庸线”东侧的京津冀、长三角、珠三角和成渝城市群组成的菱形结构;城市网络密度和关联性逐渐增强,度数和中介中心性呈现多中心和分散化的发展趋势。② 中国城市空气质量总体有所好转,空间上呈现显著的集聚特征;88.89%的城市空气质量指数（AQI）下降,PM2.5、PM10、SO2、CO和NO2年均浓度有所下降,而O3年均浓度有所上升。③ 中国城市网络对环境质量的影响主要来源于城市网络外部性所带来的空间溢出效应;城市网络中节点权力地位和影响力的增强,提高了借用规模和借用技术,从而促进环境质量提升。④ 度数中心性提升了东部、中部和东北地区的环境质量,减少了PM2.5、PM10、SO2和O3的年均浓度,增加了CO的年均浓度;而中介中心性则提高了西部地区的环境质量,降低了NO2的年均浓度。

关键词： 城市网络; 网络外部性; 环境效应; 腾讯位置大数据; 空气质量; 中国

本文引用格式

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: 10.11821/dlyj020210573

Abstract

Under the background of globalization, rapid urbanization and new technological revolution, the "flow space" composed of factor flow and network relationship was becoming more and more important, the city network structure was constantly impacted and reshaped, the contradiction of man-land relations was becoming increasingly prominent, the regional spatial organization patterns and its environmental effect have become an important topic of environmental economic geography research. In this paper, we used Tencent location big data to establish population migration network among 288 China's cities above prefecture level from 2015 to 2018, and employed social network analysis and panel spatial econometric model to empirically analyze the evolution patterns of city network and its environmental effects in China. The results show that: (1) Cities with high connection strength in China's city network are mainly distributed in the rhombus structure consisting of the Beijing-Tianjin-Hebei, Yangtze River Delta, Pearl River Delta, and Chengdu-Chongqing urban agglomerations in the region east of the Hu Huanyong Line. China's city network density and relevance were gradually increasing, and degree centrality and betweenness centrality presented a trend of multi-center and decentralization. (2) On the whole, China's urban air quality has improved, showing significant agglomeration characteristics in space. Ambient Air Quality Index (AQI) decreased in 256 cities (88.89% of the country's total number). The annual average concentrations of PM2.5, PM10, SO2, CO, and NO2 declined while that of O3 increased. (3) The impact of China's city network on environmental quality were mainly due to the spatial spillover effect brought by the externality of the city network. The enhancement of the city's degree centrality could increase the ability of the borrowing size and borrowing technology to gain development advantages, thereby promoting the improvement of environmental quality. (4) The upgrade of city's degree centrality has improved the environmental quality of the eastern, central and northeastern regions, reducing the annual average concentration of PM2.5, PM10, SO2 and O3, but that of CO was increasing, while the enhancement of city's betweenness centrality has improved the environmental quality of the western region and significantly reduced the annual average concentration of NO2.

Key words： city network; network externality; environmental effect; Tencent location big data; air quality; China

1 引言

经济全球化、工业化和城市化等进程加快,改变了城市发展对环境影响的空间尺度,由此产生了具有革命性的经济地理格局演化[1]。随着人口、经济等要素不断向东部沿海、城市群和都市圈流动和集聚,中国区域空间组织模式逐渐显现大规模、高密度、多中心和网络化等新特点[2,3,4],已然对环境系统带来巨大压力,不利于城市形象的塑造和居民健康与幸福感的提升[5,6],严重制约区域经济转型和高质量发展。网络化、交通与数字化通信技术的发展,缩短了经济地理的空间距离,中国城市空间结构不断演进并受到各种冲击与重塑,由单中心向多中心化发展,并逐渐向网络化空间组织模式演化[4,7],改变了区域空间组织模式和环境质量之间交互耦合效应的空间尺度,不断影响着区域可持续发展[8,9]。因此,亟待从重塑区域网络化空间结构视角,厘清区域空间组织模式对环境质量的影响,对于推进新型城镇化、环境跨区域协同治理以及区域高质量发展具有重要的现实意义。
在“流空间”背景下,要素流在地域空间的尺度上交互作用且正在向网络空间演化。城市网络是指城市之间各种要素流的空间分布及其相互作用与联系所形成的网络型空间组织模式[7,10,11],具有层级性、流动性、跨区域性和异质性等特点[7,12],城市因其嵌入网络所带来的收益及其溢出效应已成为当前研究热点。代表性的研究主要体现在以下两个方面：一是集聚及其外部性,集聚与环境的关系取决于集聚正负外部性的综合作用。集聚外部性是指城市因位于同一区域所获得的额外优势或劣势,有学者认为集聚促进城市人口和企业的空间集中[13],通过知识溢出、技术创新和资源利用效率等正外部性来抑制环境污染[14];也有学者认为集聚通过产出结构、规模与效率等作用于环境质量[15],伴随高耗能、高污染型产业发展和“拥挤效应”等产生负外部性,造成环境污染[16]。集聚外部性虽然给出了地理集中带来外部收益的微观基础[17,18],但忽略了城市之间相互联系的事实,将其限定在城市内部或行政边界之内,依赖于地理邻近性,无法解释跨区域的作用[19]。二是城市网络及其外部性,多探讨城市网络对经济增长和绩效的影响,对环境效应有所忽视。城市网络外部性是指城市因其嵌入网络并通过节点之间相互连接的互补、整合或协同作用而产生的外部效应[12,19,20,21,22,23,24],这种外部效应有两种作用途径：一种是借用规模效应,指的是一个城市若与规模大的城市联系密切,则会表现出更大规模的特征,反映了网络联系的重要作用[12,19]。“借用规模”使得小城市的生产效率得益于中心城市带来的规模效应[12,24],而且避免了大城市因自身规模过大而引致的拥挤效应[12,25]。另一种是集聚阴影效应,是指由于空间竞争效应的存在,使得大城市附近的城市增长受到限制[26,27],“集聚阴影”使得小城市在城市网络中的联系减弱,进而失去邻近大城市的优势,抑制其生产效率提升[19,26,27]。城市网络中的借用规模和集聚阴影效应可能同时存在,这取决于网络连通性以及二者之间的权衡[19,27]。与集聚外部性相比,网络外部性基于网络研究范式,依托城市之间的空间联系,关注城市节点之间的连通性,在一定程度上不依赖于物理边界,打破了市场分割和行政藩篱,使得城市之间资源要素互联互通和优势互补,更适用于较大空间尺度的解释[12,19,23]。
既有文献为本文奠定了坚实基础,但仍存在以下几个方面的不足及挑战。第一,现有研究普遍忽视了城市网络对环境质量影响的空间溢出效应。城市空间联系具有很强的网络属性和外部效应,不仅会对本地的环境质量造成影响,还会通过网络外部性对网络关联地区产生跨区域的影响。第二,以往研究对于空间溢出效应的测量主要依赖于邻接和距离权重,尚未打破局限于地理意义上的“相邻”和“相近”,因而有必要引入流要素构成的网络关系,以反映网络上的空间相互作用。第三,城市网络演化的环境效应受到区域差异和污染物组成差异等异质性方面的影响,既有文献对其异质性分析的关注不够。因此,中国城市网络演化及其环境效应如何,是否存在网络外部性及异质性特征?亟待进一步实证检验。本文以2015—2018年中国288个地级以上城市为研究对象,采用社会网络分析和面板空间计量模型,对中国城市网络演化格局及其环境效应进行测度,从网络外部性视角出发,揭示中国城市网络演化对环境质量影响的空间效应,以期为中国区域空间组织模式优化、环境质量协同治理以及高质量发展提供理论与政策依据。

2 理论框架和研究假说

已有研究表明环境质量与城市网络密切相关[28,29,30],本文认为城市网络通过节点和边的属性对环境质量产生影响,环境质量受到网络中心性和网络外部性的共同作用,并依据上述相关文献的梳理和理论机制分析,提出城市网络对环境质量影响的理论框架（图1）。
图1 城市网络对环境质量影响的作用机制

Fig. 1 The mechanism of the impact of city network on environmental quality

（1）城市网络对环境质量的影响首先体现在网络中心性对环境质量的直接效应。城市网络为流动要素在城市之间的集聚和扩散提供重要载体[31],促进资源要素的跨区域流动,提升网络节点的地位与影响力。网络中心性的提高可以降低交易成本,增强区域可达性,提升要素资源空间配置效率,促进区域要素流动集散和跨区域资源优化配置[31,32],使得网络中心城市在产业协作、专业化分工和市场整合方面具有优势地位[29,30,32],通过环保投入、技术更新、产业升级、污染转移等途径降低污染排放,提升城市环境质量[28,30]。
假说1：城市网络中心性对环境质量存在直接影响,城市环境质量将随着城市网络中心性的提高而改善。
（2）除了直接效应以外,城市网络中心性对环境质量影响的间接效应（空间溢出效应）更为重要。城市网络可以通过交流合作、功能互补和技术溢出而产生协同和整合效应[12,21,22],嵌入网络的中心城市凭借网络联系而形成的网络外部性,有助于区域分工协作、产业结构调整以及创新技术应用,促进环境质量提升[23,33,34]。首先,城市网络构成了互联互通的区域空间结构体系,促进区域产业分工和功能互补,有利于城市之间的资源共享和技术溢出[23,28],增强协同效应的发挥,提高城市环境质量[12,21,28]。其次,城市网络通过城市之间在空间、制度、功能和文化等方面的多维度整合,增强信息流动性、网络凝聚性、功能互补性、区域组织能力以及地域认同感,促使区域利益共同体的形成[12,22,32],强化区域要素资源配置效率和环境协同治理能力,有助于环境质量的提高[28,30,33,34]。
假说2：城市网络中心性凭借城市之间的网络联系对环境质量产生空间溢出效应,表现出显著的城市网络外部性。
（3）城市网络突破了传统地理意义上的距离限制[19,23,24],降低了运输和时间成本,促进生产要素跨区域的流动速率,破除了交易壁垒、市场分割和要素流动障碍[17,19,23,25]。嵌入网络中的城市能够通过借用规模效应,获得城市网络中的优势资源和市场[24,25,26],借用网络关联地区的规模和技术,从功能互补、交流合作和技术溢出中得到发展优势[24,29,30],进一步强化城市网络韧性,增强环境协同治理能力,实现城市环境质量提升[28,30]。
假说3：网络嵌入为城市网络外部性的发挥提供重要通道,节点城市可以借用网络关联地区的规模和技术而实现环境质量的提升。

3 研究方法与数据来源

3.1 研究方法

3.1.1 社会网络分析
（1）城市网络总体特征。
① 网络密度。城市网络密度是网络实际拥有的连接数与最多可能拥有的连接数之比,刻画了两个城市节点之间连线的紧密程度,公式如下：
d n = l n n - 1
式中：d(n)为网络密度;n表示城市网络中的节点数;l表示城市网络中的连接数。
② 平均路径长度。城市网络中任意两个城市节点之间距离的平均值,公式如下：
L n = 1 n n - 1 ∑ i≠j d ij
式中：L(n)为平均路径长度;dij为城市网络中城市i与j之间的距离,用连接两个节点的最短路径上的边数表示。
③ 平均聚类系数。网络聚类系数表征了网络中城市节点相邻的可能性,反映了城市网络中节点之间集聚成团的程度,公式如下：
C n = ∑ i n C i n = ∑ i n 2 E i k i k i - 1 n
式中：C(n)为平均聚类系数;Ci为城市i的聚类系数;ki为城市i的邻居个数;Ei为ki个邻居之间的实际连接数。
（2）城市网络中心性。
① 度数中心性。若一个城市具有较高的度数中心性,则该城市居于城市网络的中心,拥有较高的权力、地位和资源集散能力,公式如下：
D i = ∑ j R ij + ∑ j R ji
式中：Di为城市i的度数中心性;Rij是出度,表示城市i直接发出的关系数;Rji是入度,表示城市i直接接收的关系数。
② 中介中心性。若一个城市处于与城市网络中其他城市连接的最短路径上,则该城市具有较高的中介中心性,在城市网络中起到沟通其他城市的中介调节作用,公式如下：
B i = ∑ j n ∑ k n g jk i g jk , j ≠ k ≠ i , j < k
式中：Bi为城市i的中介中心性;gjk为城市j和城市k之间存在的捷径数量;gjk(i)为城市j和城市k之间存在的必须经过城市i的捷径数量。
3.1.2 空间计量模型 根据理论框架和研究假说,借鉴环境经济学相关研究中常用的STIRPAT模型为基础[35],建立了城市网络对环境质量影响的基准模型,公式如下：
e q it = α 0 + α 1 networ k it + α 2 X it + c i + u t + ε it
更进一步,为了探讨城市网络对环境质量的直接效应和间接效应,从城市网络外部性视角出发,建立面板空间计量模型如下：
e q it = β 0 + ρ ∑ i=1 n We q it + β 1 networ k it + β 2 X it + ρ 1 ∑ i=1 n Wnetwor k it + ρ 2 ∑ i=1 n W X it + c i + u t + ε it
式中：eqit是环境污染变量的对数值,其值越大,表示环境质量越差;networkit是城市网络中心性的对数值,表示城市网络特征;Xit是一组包含人口规模、富裕程度和技术进步以及其他影响环境质量的控制变量;W是空间权重,分别采用城市网络关联权重（Wnet）、地理距离权重（Wkm）和邻接权重（Wq）进行对比分析; α 0和 β 0表示常数项, α 1和 β 1表示城市网络中心性的系数, α 2和 β 2表示控制变量的系数, ρ、 ρ 1和 ρ 2分别是空气污染、城市网络中心性和控制变量的空间滞后系数; ε it表示误差项,i代表城市,t代表时间, c i表示个体效应, u t表示时间效应。

3.2 变量测度与说明

（1）核心变量。考虑到空气污染给城市形象、生活质量以及高质量发展等带来一系列负面影响,本文采用空气质量指数（AQI）作为被解释变量,以便客观地衡量城市空气污染的综合状况。为了检验城市网络对环境质量的影响,采用城市网络度数中心性和中介中心性作为本文的核心解释变量,分别记作deg和bet。
（2）控制变量。参照已有相关研究,引入如下控制变量：① 人口密度（pd）。人口密度增加会提高经济活动强度,造成资源能源消耗增加,易产生环境污染,采用单位面积人口数量来表示[36,37]。② 经济水平（pgdp）。多数研究表明环境污染与经济发展具有显著关系,采用人均GDP表示[36,37]。③ 研发强度（sci）。科技投入有利于提高资源能源利用效率,促进污染减排,以科技支出占财政支出比例来表征[37]。④ 政府支出水平（gov）。财政支出占比越高,表明政府管理力度越大,有利于环境污染治理,进而减少环境污染,用政府预算支出占GDP比例来表示[37,38]。⑤ 物质资本水平（gdgdp）。物质资本积累提供了充足的环境治理投资,能够驱动科技创新,促进环境质量提升,采用固定资产投资占GDP比例来表征[6]。⑥ 产业结构（ind）。产业结构会影响环境污染水平,若第三产业高于第二产业增加值,则环境质量越好,采用第三产业与第二产业增加值的比值表示[36]。⑦ 基础设施建设（hrs）。高铁建设通过规模、结构与技术效应作用于雾霾污染,有助于提升环境质量,采用是否开通高铁来衡量[37,39]。⑧ 城市空间结构（str）。紧凑集中的空间布局,有利于空间集聚和减少能耗,进而减轻环境压力,采用位序规模法则对数变换计算的单中心指数表示[40]。

3.3 研究对象与数据来源

3.3.1 研究对象 截止2018年底,中国共有298个地级及以上城市（数据所限,本研究不包括台湾地区、澳门特别行政区、香港特别行政区以及各州、盟和地区）,考虑到数据连续性、可比性和行政区划调整等因素,本文以288个地级以上城市作为研究对象,剔除的城市包括海南省三沙和儋州市,西藏自治区日喀则、昌都、林芝、山南和那曲市,青海省海东市,以及新疆维吾尔自治区吐鲁番和哈密市。
3.3.2 数据来源与处理
（1）被解释变量。空气污染数据来源于全国城市空气质量实时发布平台（ air.cnemc.cn:18007）,采集了2015年1月—2018年12月AQI以及PM2.5、PM10、NO2、SO2、CO和O3污染浓度的逐日数据,并按年度进行汇总平均处理,最终得到288个城市空气质量指数及其分指数的年均浓度数据。
（2）核心解释变量。人口迁徙数据来源于腾讯位置大数据平台（ https://heat.qq.com）,采集了2015年1月—2018年12月人口迁徙的逐日数据（属性包含起点城市、终点城市、出行方式和迁徙量）,将各城市间的人口迁徙量按年份进行汇总加和处理,最终建立起4个时间节点、288×288的有向多值网络矩阵。既往研究证实了腾讯位置大数据在城市网络和网络关联研究中的潜力和有效性[10,41]。
（3）其他变量。夜间灯光数据来源于美国国家海洋和大气管理局国家环境信息中心的观测数据（ www.ngdc.noaa.gov）,地理信息数据来源于全国地理信息资源目录服务系统（ www.webmap.cn）,人口密度数据来源于WorldPop项目网站（ www.worldpop.org）并经过ArcGIS提取与处理得到;高铁开通数据来自国家铁路局（ www.nra.gov.cn）,经过汇总整理得到;其他经济社会属性数据来源于CEIC经济数据库（ insights.ceicdata.com）和中国经济社会大数据研究平台（ data.cnki.net）。针对部分年份和地区缺失数据情况,采用相应省级统计年鉴和统计公报予以补齐。

4 结果分析

4.1 中国城市网络与空气污染的时空格局

4.1.1 中国城市网络的时空格局 采用社会网络分析方法测算出中国城市网络的总体特征及其网络中心性,并应用自然断裂点法将网络中心性和联系强度数值从小到大划分为五个等级（图2）。中国城市网络演化格局呈现出以下几个特点：
图2 中国城市网络的时空格局

注：① 该图基于自然资源部地图技术审查中心标准地图（审图号为GS(2019)1697号）绘制,底图无修改;② 该图中的联系强度表示城市之间的迁徙量,为了方便显示,图中仅展示数量大于10万的链接。

Fig. 2 Spatio-temporal patterns of China's city network

（1）中国城市网络格局具有显著的空间指向性。城市网络联系的高强度区域主要分布在“胡焕庸线”东侧,与中国国土规划、基础设施布局、经济活动和人口集聚格局具有很强的相关性。其中,京津冀、长三角、珠三角和成渝城市群组成的菱形结构之间联系最为紧密,这与王录仓等、潘竟虎等和魏石梅等的研究结果大体一致[10,42,43]。度数中心性高值区在城市网络中具有较高的权力、地位和影响力,主要分布在京津冀、长三角和珠三角等地区以及省会城市,如北京、上海、广州和深圳等;而中介中心性较高的地区在地方性区域中具有较高的中介调节和资源控制能力,主要分布在直辖市、省会城市以及区域性中心城市。原因在于行政级别高、经济相对发达和基础设施建设完善的城市,承担了主要的网络集散功能和中转职能[42]。
（2）中国城市网络密度不断提升,网络关联性有所增强,网络格局逐渐向多中心和分散化演变,网络密度、平均聚集系数和平均路径长度三个指标分别由2015年的0.474、0.688和1.526变化到2018年的0.532、0.720和1.468,网络密度和平均聚集系数分别增加了12.24%和4.65%,而平均路径长度降低了3.8%。原因在于户籍制度改革、交通路网完善、产业空间配置以及休闲旅游兴起等因素,加速了城市之间人口流动的密度和强度。
（3）参考盛科荣等[44]和李婉等[45]的做法,采用齐夫指数、帕累托指数、赫芬达尔指数、首位度指数以及10城市指数,来综合测度网络度数和中介中心性的集中程度。2015—2018年城市网络度数中心性的五项集中度指数分别降低1.72%、1.66%、6.98%、7.18%和3.60%,城市网络中介中心性的五项集中度指数分别降低12.92%、12.33%、22.39%、17.35%和17.48%。结果表明,中国城市网络密度逐渐提高,城市之间集聚成团的倾向明显,城市之间的联系路径有所缩短,使得城市网络的通达度和可达性有所改善,网络关联性进一步增强;城市网络中的节点权力地位和控制调节能力向多中心演化,网络中心性高的地区逐渐由直辖市或省会城市向其他等级城市分散演化。
4.1.2 中国城市空气污染的时空格局 依据空气质量指数及其分指数的年均浓度值,绘制了2015—2018年中国城市空气污染的时空格局图,如图3所示。
（1）从AQI的空间格局来看（图3a、图3b）：① 总体上城市AQI呈下降趋势,城市空气质量总体发展趋势向好。288个城市中有256个城市的AQI不断下降,占比高达88.89%;AQI上升的城市主要位于山西、广东、江西、安徽、福建等省份的大部分城市,其中AQI上升幅度最大的是池州市,4年间AQI的增幅为33.28%。2015年共有52个城市达到轻度污染,占城市总数的比例为18.06%,而2018年仅有10个达到轻度污染,占城市总数的比例仅为3.47%（ AQI级别划分依据生态环境部发布的《环境空气质量指数（AQI）技术规定（试行）HJ633—2012》（www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201203/t20120302_224166.shtml）,将AQI分为优、良、轻度污染、中度污染、重度污染和严重污染六个等级,具体级别划分数值参见该规定。）。② 中国城市空气污染具有明显的空间集聚特征（图3c）。中国城市空气质量指数呈现出“高-高”和“低-低”的空间集聚特征,“高-高”集聚的区域集中分布在北京、天津、河北、山东、山西和河南等地区的大部分城市,以及安徽北部、江苏北部和关中平原的部分城市,其中京津冀地区最为严重。究其原因可能是京津冀地区主要以能源、冶金、装备制造工业为主,工业空气污染物排放较为严重,近年来受到重点行业大气污染限期、秋冬季大气污染防治等多项综合治理政策影响,使其空气质量得到一定程度改善[46]。“低-低”集聚的区域主要分布在云南、贵州、广西、广东、福建和海南等省份的大部分城市,沿海省份较高的经济发展水平与技术水平一定程度上改善了城市空气质量,加之受洋流、东南季风等暖湿气候影响,空气质量长期处于良好水平[47]。
图3 中国城市空气质量及其分指数的时空格局

注：① 该图基于自然资源部地图技术审查中心标准地图（审图号为GS(2019)1697号）绘制,底图无修改。

Fig. 3 Spatio-temporal patterns of China's air quality and its sub-indices

（2）从AQI分指数的空间格局来看（图3d~图3i）：① PM2.5、PM10、SO2、CO和NO2等5种污染物浓度均有所下降,平均浓度降幅分别为27.26%、24.54%、42.48%、22.46%和6.36%,而O3浓度有所上升,平均浓度增幅为8.28%,该结果与Guo等[48]的研究结论大体一致。② 中国城市AQI分指数具有明显的空间异质性特征。280个城市的PM2.5浓度降低,占所有城市的比例高达97.22%,浓度升高的城市集中分布在安徽、四川、广东、山西、黑龙江等省份。PM10浓度降低的城市有279个,占所有城市的比例高达96.87%,浓度上升的城市多分布于山西、安徽和江西等省份。275个城市的SO2浓度降低,占所有城市的比例为95.48%,其中约42%的城市降幅超过了50%,浓度上升的城市主要分布于西南地区和东南沿海地区。CO浓度呈现下降趋势的城市有268个,占所有城市的比例为93.05%,浓度增加城市主要分布于西北地区、西南地区、长江中游地区以及山西和黑龙江等省份。NO2浓度呈下降趋势的城市有205个,占所有城市的比例为77.18%,其余城市呈不同程度的上升趋势,其中吕梁市和六安市浓度变化率超过50%。就O3浓度而言,呈现下降趋势的城市有128个,占所有城市的比例为44.44%,其余城市呈现升高趋势,其中,芜湖市、滁州市与晋城市的O3浓度有较为明显的升高,增幅均超过100%。

4.2 中国城市网络的环境效应

4.2.1 中国城市网络对环境影响的空间效应检验 首先,本文对无空间交互作用的面板计量模型进行估计。结果表明（表1）,无论LM检验还是稳健的LM检验大部分在10%或1%的水平上显著,说明中国各城市之间的环境质量存在着显著的空间相关性,模型中不能忽视空间关系的影响,且LR检验在1%的水平上显著,具有时间和个体固定效应的联合显著性,支持选择时空固定效应模型。其次,采用空间杜宾模型（SDM）来做进一步估计（表2）,Wald和LR统计量在10%、5%或1%水平上显著,且Hausman检验拒绝了随机效应的原假设。因此,最终选择了包含空间和时间固定效应的SDM作为本文的基础计量模型。结果表明,空气质量指数的空间滞后系数ρ为正且在1%水平上显著,意味着空气污染存在着正向的空间交互效应,地理邻近或网络关联地区的环境质量会对本地区环境质量产生显著的强化作用。
表1 无空间交互作用的面板计量模型检验

Tab. 1 Test of panel econometric model without spatial interaction effects

变量与统计量 Wnet Wkm Wq
混合估计 时空固定效应 混合估计 时空固定效应 混合估计 时空固定效应
deg 0.109*** -0.158*** 0.109*** -0.158*** 0.109*** -0.158***
(9.638) (-5.776) (9.638) (-5.776) (9.638) (-5.776)
bet -0.053*** -0.011 -0.053*** -0.011 -0.053*** -0.011
(-5.935) (-1.378) (-5.935) (-1.378) (-5.935) (-1.378)
控制变量 控制 控制 控制 控制 控制 控制
LM lag 1866.271*** 896.008*** 2544.057*** 964.033*** 1393.548*** 625.151***
Robust LM lag 32.216*** 43.988*** 55.450*** 61.736*** 92.753*** 53.047***
LM error 2026.926*** 854.748*** 3098.942*** 905.587*** 1355.713*** 574.181***
Robust LM error 192.872*** 2.728* 610.335*** 3.290* 54.919*** 2.077
LR spatial 2686.759***
LR time 479.967***

注：LM和Robust LM分别表示拉格朗日乘数检验及其稳健检验,LR表示似然比检验;***与*分别表示1%与10%的显著性水平;括号中数字表示对应的统计量。

表2 基于偏误校正的空间和时间固定效应SDM估计结果

Tab. 2 Estimation results of spatial Durbin model from spatial and temporal fixed effect based on bias correction

变量与
统计量		 Wnet Wkm Wq
Main Wx Main Wx Main Wx
deg -0.055* -0.065 -0.122*** 0.033 -0.096*** 0.007
(-1.646) (-1.044) (-3.644) (0.514) (-2.795) (0.145)
bet -0.003 -0.014 -0.004 0.017 -0.007 0.008
(-0.361) (-0.659) (-0.544) (0.688) (-0.975) (0.57)
ρ 0.797*** 0.895*** 0.657***
(32.670) (41.414) (25.695)
控制变量 控制 控制 控制
R2 0.966 0.963 0.963
Log L 1813.681 1776.215 1755.637
Wald lag 18.675** 22.302** 17.122*
LR lag 25.044*** 30.139*** 22.665**
Wald error 22.200** 16.585* 21.554**
LR error 26.982*** 23.508*** 28.527***
Hausman 73.499*** 81.339*** 97.267***

注：Wald lag和Wald error分别表示滞后和误差模型的Wald检验,LR lag和LR error分别表示滞后和误差模型的LR检验,Hausman表示Hausman检验;***、**与*分别表示1%、5%与10%的显著性水平;括号中数字表示对应的统计量。

4.2.2 中国城市网络对环境影响的空间效应分解 由于空间杜宾模型中空间效应为全局效应而非局部效应,当空间滞后解释变量与空间溢出效应估计不一致时,应该采用空间溢出效应的结果[49]。本文采用LeSage和Pace提出的偏微分法进行空间效应分解[50],进一步测算城市网络对环境质量影响的直接效应和间接效应,结果如表3所示。结果表明,三种空间权重下度数中心性对空气污染均具有显著的负向直接效应,但只有网络关联空间权重下的间接效应显著为负,证实了城市网络对环境影响的空间溢出效应是基于网络关联而产生的。因此,下文以网络空间权重的估计结果为基础展开分析,具体如下：
（1）度数中心性对空气质量指数的直接效应系数为-0.071且在5%的水平下显著,表明度数中心性每提升1%,将使空气质量指数平均降低0.071%,该结果验证了上文提出的假说1,即城市网络对环境质量的影响存在直接效应,网络中心性的增强有助于提升环境质量。
表3 基于面板SDM的空间效应分解

Tab. 3 Spatial effect decomposition of spatial Durbin model based on panel data

变量 Wnet Wkm Wq
直接效应 间接效应 直接效应 间接效应 直接效应 间接效应
deg -0.071**(-2.243) -0.519**(-2.310) -0.109***(-3.273) -0.150(-1.640) -0.133***(-4.124) -0.724(-1.450)
bet -0.005(-0.619) -0.08(-0.806) -0.007(-0.807) 0.008(0.215) -0.002(-0.250) 0.127(0.528)
pd -0.021(-0.123) 3.487**(2.384) 0.021(0.116) 1.773***(2.785) 0.027(0.151) 7.714*(1.926)
pgdp 0.065(1.373) 0.553(1.605) 0.100**(2.099) 0.245(1.601) 0.034(0.736) 0.679(0.786)
sci 0.005(0.734) -0.052(-0.638) 0.007(0.894) 0.002(0.071) 0.007(0.934) -0.023(-0.116)
gov -0.018(-0.501) -0.317(-0.787) -0.015(-0.435) 0.026(0.166) -0.026(-0.693) 0.310(0.308)
gdgdp 0.004(0.292) -0.033(-0.346) -0.018(-1.411) 0.072(1.602) -0.035***(-2.677) 0.367(1.31)
ind -0.028(-0.997) 0.155(0.577) -0.024(-0.85) 0.015(0.134) -0.036(-1.245) 0.256(0.362)
hrs 0.015(1.285) 0.254*(1.797) 0.007(0.561) -0.007(-0.133) 0.009(0.756) 0.441(1.133)
str 0.017(0.562) 0.872*(1.776) 0.057*(1.674) 0.433**(2.462) 0.061*(1.933) 2.003**(2.117)

注：***、**与*分别表示1%、5%与10%的显著性水平;括号中数字表示对应的统计量。

（2）度数中心性对空气质量指数的间接效应系数为-0.519且在5%的水平下显著,而中介中心性对空气质量指数的影响不显著,表明度数中心性对空气质量指数具有显著的负向空间溢出效应,意味着网络关联地区城市网络度数中心性的提升,有助于改善本地区的环境质量。度数中心性对空气质量指数的间接效应占总效应系数的比例高达88.23%,间接效应远大于直接效应,表明城市网络对环境质量的影响主要来源于城市网络外部性所带来的空间溢出效应,城市网络在影响本地区环境质量的同时,会对网络关联地区的城市环境质量产生显著影响。以上分析验证了上文提出的假说2,即城市网络对环境质量的影响存在空间溢出效应,这种效应是基于城市网络联系而产生的,具有显著的网络外部性。
4.2.3 作用机制分析 为了检验城市网络通过借用规模和借用技术对环境质量影响的作用机制,本文在上述公式（7）的基础上,参考相关研究[17,24],构建中介效应模型如下：
bo r it = γ 0 + φ ∑ i=1 n Wbo r it + γ 1 networ k it + γ 2 X it + φ 1 ∑ i=1 n Wnetwor k it + φ 2 ∑ i=1 n W X it + c i + u t + ε it
e q it = λ 0 + ϕ ∑ i=1 n We q it + λ 1 networ k it + λ 2 bo r it + λ 3 X it + ϕ 1 ∑ i=1 n Wnetwor k it + ϕ 2 ∑ i=1 n Wbo r it + ϕ 3 ∑ i=1 n W X it + c i + u t + ε it
式中： bo r it表示借用规模（wsize）或借用技术（wpat）（②借用规模的计算公式为 wsiz e i = ∑ j n e d i W net（其中,edi为经济活动密度,采用城市夜间灯光亮度值与行政区域土地面积之比表示）,借用技术的计算公式为 wpa t i = ∑ j n pa t i W net（其中,pati为城市专利授权量,表示技术研发水平）。）; γ 0、 λ 0为常数项, γ 1和 λ 1表示城市网络中心性的系数, γ 2和 λ 3表示控制变量的系数, λ 2表示借用规模（或技术）的系数; φ、 ϕ为被解释变量的空间滞后系数; φ 1和 φ 2是城市网络中心性和控制变量的空间滞后系数; ϕ 1、 ϕ 2和 ϕ 3分别为网络中心性、借用规模（或技术）以及控制变量的空间滞后系数。
首先,在公式（7）估计结果显著的情况下对公式（8）进行估计,检验城市网络中心性对中介变量（借用规模和借用技术）的影响是否显著,若估计结果显著为正,表明城市网络中心性有利于借用规模（或技术）效应的发挥;其次,对公式（9）进行计量检验,若城市网络中心性与中介变量的系数均显著,则说明城市网络中心性对环境质量的影响存在中介效应。结果如表4所示。表中第1和3列结果显示,度数和中介中心性对借用规模和借用技术的直接效应在10%或1%的水平上显著为正;度数中心性对借用规模的间接效应显著为负,但远小于其直接效应,说明总体上城市网络中心性的提升促进了借用规模和借用技术的发挥。表中第2和4列结果显示,度数和中介中心性、借用规模和借用技术对空气质量指数的直接和间接效应均显著为负,说明借用规模和借用技术均是城市网络对环境质量影响的重要中介因子,城市网络主要通过提高城市借用规模和借用技术的能力而获得自身发展优势,促进城市环境质量的提升。以上分析结果验证了假说3提出的借用规模和技术的中介作用。
表4 基于面板SDM的作用机制分析

Tab. 4 Mechanism analysis of spatial Durbin model based on panel data

变量 wsize AQI wpat AQI
deg 直接效应 1.131***(0.036) -0.069**(0.029) 1.257***(0.099) -0.062**(0.028)
间接效应 -0.168**(0.085) -0.529**(0.214) 0.189(0.288) -0.488**(0.208)
bet 直接效应 0.025***(0.007) -0.001(0.007) 0.035*(0.021) -0.005(0.007)
间接效应 0.054(0.036) 0.014(0.097) 0.012(0.129) -0.076(0.086)
wsize 直接效应 -0.054**(0.027)
间接效应 -0.730**(0.332)
wpat 直接效应 -0.036***(0.009)
间接效应 -0.201**(0.097)

注：***、**与*分别表示1%、5%与10%的显著性水平;括号中数字表示对应的统计量。

4.2.4 异质性分析 本文基于网络空间权重的空间杜宾模型,从区域异质性(③ 本文将研究区域划分为东部地区（北京、天津、河北、山东、江苏、上海、浙江、福建、广东和海南）,中部地区（山西、安徽、江西、河南、湖北和湖南）,西部地区（内蒙古、广西、云南、贵州、四川、重庆、陕西、甘肃、宁夏、青海、新疆和西藏）以及东北地区（黑龙江、吉林和辽宁）。)和空气质量异质性两个方面,对城市网络的环境效应进行异质性分析,空间效应分解结果如表5和表6所示。
表5 区域异质性分析

Tab. 5 Analysis of regional heterogeneity

变量 东部AQI 中部AQI 西部AQI 东北AQI
deg 直接效应 -0.070(-1.480) -0.027(-0.480) -0.094*(-1.953) -0.172*(-1.848)
间接效应 -0.712***(-2.714) -0.631**(-2.270) 0.008(0.029) -0.700*(-1.692)
bet 直接效应 -0.008(-0.544) 0.007(0.373) -0.018(-1.426) 0.055**(2.271)
间接效应 0.140(0.750) 0.376(1.568) -0.430***(-3.053) 0.458(1.566)

注：***、**与*分别表示1%、5%与10%的显著性水平;括号中数字表示对应的统计量。

表6 AQI分指数异质性分析

Tab. 6 Analysis of AQI sub-index heterogeneity

变量 PM2.5 PM10 SO2 CO NO2 O3
deg 直接效应 -0.152***(0.043) -0.081**(0.039) 0.005(0.081) 0.107*(0.056) -0.020(0.042) -0.029(0.041)
间接效应 -0.516***(0.176) -0.529***(0.179) -0.725**(0.284) -0.114(0.144) -0.129(0.123) -0.339***(0.126)
bet 直接效应 -0.003(0.010) -0.007(0.009) -0.007(0.018) -0.011(0.012) -0.022**(0.009) 0.001(0.009)
间接效应 -0.013(0.081) -0.117(0.085) 0.058(0.127) 0.039(0.063) 0.002(0.055) 0.057(0.056)

注：***、**与*分别表示1%、5%与10%的显著性水平;括号中数字表示对应的统计量。

（1）区域异质性分析。① 度数中心性。从直接效应来看,西部和东北地区城市网络对环境质量的影响显著为负,说明度数中心性的提升有助于改善西部和东北地区的环境质量。从间接效应来看,除了西部地区以外,其他地区的空间溢出效应系数均远远大于直接效应,且存在显著的负向影响,表明东部、中部和东北地区具有显著的空间溢出效应,反映了其环境质量的改善主要得益于城市网络外部性的发挥,网络关联地区城市度数中心性的增强,有利于本地区环境质量提升。② 中介中心性。从直接效应来看,东北地区中介中心性的提升对环境质量的影响显著为正,说明东北地区中介中心性的提升,加重了环境污染。从间接效应来看,仅西部地区中介中心性对环境质量的间接效应显著为负,意味着网络关联地区城市中介中心性的增强,提升了本地区环境质量。
（2）AQI分指数异质性分析。① 度数中心性。从直接效应来看,度数中心性对PM2.5和PM10的影响显著为负,而对CO的影响显著为正,说明城市度数中心性的提升,造成了PM2.5和PM10年均浓度降低而CO年均浓度上升。从间接效应来看,度数中心性对PM2.5、PM10、SO2和O3的影响显著为负,表明网络关联地区城市度数中心性的增强,降低了本地区PM2.5、PM10、SO2和O3年均浓度。② 中介中心性。中介中心性仅对NO2的直接效应显著为负,表明城市网络中介中心性的增强,会显著降低本地区的NO2年均浓度。
4.2.5 稳健性检验 采用工业二氧化硫排放总量及其强度作为空气质量指数的替代变量,再次进行空间计量检验,基于面板SDM的空间效应分解结果见表7。结果表明,度数中心性对工业二氧化硫排放总量和强度的间接效应系数显著为负,表明城市网络对环境质量具有显著的空间溢出效应,有助于降低工业污染排放总量和强度。由以上分析可知,通过替换被解释变量,得到的结果与上述分析基本一致,意味着本文的研究假说得到了进一步验证。
表7 基于面板SDM的稳健性检验

Tab. 7 Robust test of spatial Durbin model based on panel data

变量 工业二氧化硫排放量 工业二氧化硫排放强度
deg 直接效应 0.279(0.226) 0.292(0.224)
间接效应 -0.758*(0.456) -0.760*(0.456)
bet 直接效应 0.006(0.045) 0.006(0.045)
间接效应 -0.070(0.182) -0.077(0.182)

注：* 表示10%的显著性水平;括号中数字表示对应的统计量。

5 结论与讨论

5.1 结论

随着流空间和区域网络化的发展,城市网络已成为一种重要的区域空间组织模式,强化城市之间网络联系已成为现阶段区域空间结构优化的重要内容。作为中国区域空间规划和高质量发展的重要政策工具,城市网络及其外部性的理论意义和实践价值日益凸显。当前城市网络理论揭示了城市网络形成机理及其经济效应,而城市网络的环境效应如何,以及在此过程中网络外部性如何发挥作用并未给出直接论证。本文构建了城市网络影响环境质量的实证分析框架,基于2015—2018年中国288个地级以上城市人口迁徙大数据和空气质量数据,采用社会网络分析方法分析了中国城市网络演化的时空格局特征,并从网络外部性视角出发,应用面板空间计量模型,论证了中国城市网络对环境质量影响的空间效应,基本结论如下：
（1）中国城市网络格局的空间指向性显著,城市网络联系强的区域主要分布在“胡焕庸线”东侧,京津冀、长三角、珠三角和成渝城市群组成的菱形结构之间的联系最为紧密;城市网络度数和中介中心性的集中程度均有所降低,向多中心和分散化方向发展;城市网络密度和平均聚集系数有所增加,而平均路径长度有所减少,网络关联性进一步增强。
（2）中国城市空气质量指数总体呈下降趋势,空气污染程度逐渐降低,具有明显的空间集聚特征。“高-高”集聚主要分布在北京、天津、河北、山东、山西和河南等省份,其中京津冀地区的空气污染最为严重。“低-低”集聚主要分布在云南、贵州、广西、广东、福建和海南等省份。2015—2018年空气质量指数的各项分指数中PM2.5、PM10、SO2、CO和NO2等5种污染物浓度均有所下降,而O3浓度有所上升,呈现出明显的空间异质性特征。
（3）在邻接、地理距离和网络关联三种空间权重下,中国城市环境质量均存在正向空间相关性,城市网络对环境质量具有显著的负向直接效应;而城市网络对环境质量影响的间接效应仅在网络关联空间权重下显著为负且大于直接效应,城市网络对环境质量的影响主要来源于城市网络外部性所带来的空间溢出效应;城市网络通过提高借用规模和借用技术的能力而获得自身发展优势,促进城市环境质量提升。
（4）城市网络对环境质量影响存在显著的异质性特征。从区域异质性来看,东部和中部地区环境质量的改善得益于度数中心性的间接效应,西部地区环境质量的改善则受益于度数中心性的直接效应和中介中心性的间接效应;而东北地区环境质量的提升主要来自城市网络度数中心性的直接和间接效应,中介中心性的增强反而加重了东北地区的环境污染。从AQI分指数异质性来看,网络关联地区的城市网络中节点权力地位与影响力的增强有助于减少本地区PM2.5、PM10、SO2和O3的年均浓度,而增加了CO的年均浓度;城市网络节点中介调节和控制能力的提升显著降低了NO2年均浓度。

5.2 讨论

（1）为了满足新时代区域协调发展和环境协同治理的现实需求,在绿色发展政策和区域发展战略的制定中,有必要考虑空间网络化发展对环境质量的影响,充分发挥城市网络中心性和外部性在提升环境质量中的积极作用。① 重点关注城市网络中节点的权力地位、影响力和资源集散能力及其网络结构位置,通过嵌入区域性乃至全国性的城市网络,加强城市网络联系强度和通达性,为借用规模和借用技术的发挥创造有利条件。② 充分关注城市网络对环境质量的异质性影响,促进不同类型区域的绿色协调发展。重点加强东部、中部和东北地区城市网络中节点的权力地位与影响力,持续增强城市群和区域中心城市的资源集散能力,构建网络关联城市之间技术服务和功能互补的共享平台;推动完善西部地区的基础设施建设,优先发展重要节点城市的要素资源控制能力,进一步优化城市体系,提高在区域分工协作中的中介调节能力,促进绿色环保技术的引进、推广和应用。
（2）本文在城市网络及其外部性理论基础上,利用面板空间计量模型揭示了中国城市网络中心性对环境质量影响的直接效应和间接效应,且间接效应大于直接效应,存在显著的城市网络外部性。基于不同空间权重的空间计量模型估计结果发现,这种外部性主要来源于城市之间相互作用而产生的网络联系,遵循网络联系强度衰减并产生跨区域效应,证实了城市网络外部性理论与实践对新时代中国区域协调发展、绿色发展和高质量发展的积极作用与现实意义。尽管实证检验采用的是中国地级以上的城市样本,本文的理论分析和研究结论仍然具有普遍性,对与中国城市网络和区域城市发展格局类似的其他国家具有重要借鉴意义。
（3）本文采用了基于腾讯位置大数据的人口迁徙网络,刻画城市网络具有一定的直观性和代表性,但对于企业流、资金流和知识流等城市网络的多维属性关注不够;限于数据获取难度和面板计量模型的构建需要,针对环境质量的测算仅考虑了空气污染,而未将水体和土壤污染等要素考虑进来,后续研究亟待加入多源集成数据,以便更全面地识别城市网络特征,对城市网络及其外部性进行更深入的研究。本文构建了面板数据模型进行估计,降低了变量之间共线性的可能性,尽可能避免了遗漏变量引起的内生性问题,从而增强了估计结果的有效性。已有研究验证了城市网络对经济增长具有空间溢出效应,结合本文的研究结论,后续研究应进一步探索城市网络的绿色增长效应。囿于数据限制,本文的时空尺度有待丰富,未来应考虑长时序和多尺度的延伸性研究。
致谢：真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文的文章结构、研究思路、理论框架、模型设计、结果分析以及结论梳理等方面提出针对性的修改意见,使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
贺灿飞, 周沂. 环境经济地理研究. 北京: 科学出版社, 2016: 1-7.

[ He Canfei, Zhou Yi. Environmental Economic Geography Research. Beijing: Science Press, 2016: 1-7.]

[2]
孙斌栋, 王婷, 刘鹏飞. 中国城市群空间结构演化的影响因素分析: 基于铁路客运的功能联系视角. 人文地理, 2019, 34(5):78-84.

[ Sun Bindong, Wang Ting, Liu Pengfei. The influencing factors of spatial structure evolution of city clusters in China: Based on the functional linkage of railway passenger transport. Human Geography, 2019, 34(5):78-84.]. DOI: 10.13959/j.issn.1003-2398.2019.05.010.

DOI

[3]
席强敏, 李国平. 超大城市规模与空间结构效应研究评述与展望. 经济地理, 2018, 38(1):61-68.

[ Xi Qiangmin, Li Guoping. Research progress and prospect of the interactive effects of urban size and spatial structure for mega cities. Economic Geography, 2018, 38(1):61-68.]. DOI: 10.15957/j.cnki.jjdl.2018.01.008.

DOI

[4]
周春山, 叶昌东. 中国城市空间结构研究评述. 地理科学进展, 2013, 32(7):1030-1038.

DOI

[ Zhou Chunshan, Ye Changdong. Progress on studies of urban spatial structure in China. Progress in Geography, 2013, 32(7):1030-1038.]. DOI: 10.11820/dlkxjz.2013.07.006.

DOI

[5]
Guo L, Luo J, Yuan M, et al. The influence of urban planning factors on PM2.5 pollution exposure and implications: A case study in China based on remote sensing, LBS, and GIS data. Science of the Total Environment, 2019, 659:1585-1596. DOI: 10.1016/j.scitotenv.2018.12.448.

DOI

[6]
秦蒙, 刘修岩, 仝怡婷. 蔓延的城市空间是否加重了雾霾污染: 来自中国PM2.5数据的经验分析. 财贸经济, 2016, (11):146-160.

[ Qin Meng, Liu Xiuyan, Tong Yiting. Does urban sprawl exacerbate haze pollution: An empirical study of fine particles (PM2.5) in Chinese cities. Finance & Trade Economics, 2016, (11):146-160.]. DOI: 10.19795/j.cnki.cn11-1166/f.2016.11.011.

DOI

[7]
潘峰华, 方成, 李仙德. 中国城市网络研究评述与展望. 地理科学, 2019, 39(7):1093-1101.

DOI

[ Pan Fenghua, Fang Cheng, Li Xiande. The progress and prospect of research on Chinese city network. Scientia Geographica Sinica, 2019, 39(7):1093-1101.]. DOI: 10.13249/j.cnki.sgs.2019.07.007.

DOI

[8]
方创琳, 周成虎, 顾朝林, 等. 特大城市群地区城镇化与生态环境交互耦合效应解析的理论框架及技术路径. 地理学报, 2016, 71(4):531-550.

DOI

[ Fang Chuanglin, Zhou Chenghu, Gu Chaolin, et al. Theoretical analysis of interactive coupled effects between urbanization and eco-environment in mega-urban agglomerations. Acta Geographica Sinica, 2016, 71(4):531-550.]. DOI: 10.11821/dlxb201604001.

DOI

[9]
胡志强, 苗长虹, 袁丰. 集聚空间组织型式对中国地市尺度工业SO2排放的影响. 地理学报, 2019, 74(10):2045-2061.

DOI

[ Hu Zhiqiang, Miao Changhong, Yuan Feng. Impact of industrial spatial and organizational agglomeration patterns on industrial SO2 emissions of prefecture-level cities in China. Acta Geographica Sinica, 2019, 74(10):2045-2061.]. DOI: 10.11821/dlxb201910007.

DOI

[10]
王录仓, 刘海洋, 刘清. 基于腾讯迁徙大数据的中国城市网络研究. 地理学报, 2021, 76(4):853-869.

DOI

[ Wang Lucang, Liu Haiyang, Liu Qing. China's city network based on Tencent's migration big data. Acta Geographica Sinica, 2021, 76(4):853-869.]. DOI: 10.11821/dlxb202104006.

DOI

[11]
吴康, 方创琳, 赵渺希. 中国城市网络的空间组织及其复杂性结构特征. 地理研究, 2015, 34(4):711-728.

DOI

[ Wu Kang, Fang Chuanglin, Zhao Miaoxi. The spatial organization and structure complexity of Chinese intercity networks. Geographical Research, 2015, 34(4):711-728.]. DOI: 10.11821/dlyj201504010.

DOI

[12]
程玉鸿, 苏小敏. 城市网络外部性研究述评. 地理科学进展, 2021, 40(4):713-720.

DOI

[ Cheng Yuhong, Su Xiaomin. Review on the urban network externalities. Progress in Geography, 2021, 40(4):713-720.]. DOI: 10.18306/dlkxjz.2021.04.015.

DOI

[13]
Zhao X, Shang Y P, Song M L. What kind of cities are more conducive to haze reduction: Agglomeration or expansion? Habitat International, 2019, 91:102027. DOI: 10.1016/j.habitatint.2019.102027.

DOI

[14]
Han F, Xie R, Lu Y, et al. The effects of urban agglomeration economies on carbon emissions: Evidence from Chinese cities. Journal of Cleaner Production, 2018, 172:1096-1110. DOI: 10.1016/j.jclepro.2017.09.273.

DOI

[15]
张可. 经济集聚的减排效应: 基于空间经济学视角的解释. 产业经济研究, 2018, (3):64-76.

[ Zhang Ke. The emission reduction effects of economic agglomeration: An explanation based on spatial economics. Industrial Economics Research, 2018, (3):64-76.]. DOI: 10.13269/j.cnki.ier.2018.03.006.

DOI

[16]
张姗姗, 张磊, 张落成, 等. 苏南太湖流域污染企业集聚与水环境污染空间耦合关系. 地理科学, 2018, 38(6):954-962.

DOI

[ Zhang Shanshan, Zhang Lei, Zhang Luocheng, et al. Coupling relationship between polluting industrial agglomeration and water environment pollution in Southern Jiangsu of Taihu Lake Basin. Scientia Geographica Sinica, 2018, 38(6):954-962.]. DOI: 10.13249/j.cnki.sgs.2018.06.015.

DOI

[17]
Camagni R, Capello R, Caragliu A. Static vs. dynamic agglomeration economies: Spatial context and structural evolution behind urban growth. Papers in Regional Science, 2016, 95(1):133-158. DOI: 10.1111/pirs.12182.

DOI

[18]
Henderson J V, Thisse J F. Handbook of Regional and Urban Economics: Cities and Geography. Amsterdam, Netherlands: Elsevier, 2004: 2063-2110.

[19]
林柄全, 谷人旭, 王俊松, 等. 从集聚外部性走向跨越地理边界的网络外部性: 集聚经济理论的回顾与展望. 城市发展研究, 2018, 25(12):82-89.

[ Lin Bingquan, Gu Renxu, Wang Junsong, et al. From agglomeration externalities to network externalities of crossing borders: Frontier progress of agglomeration economics. Urban Development Studies, 2018, 25(12):82-89.]. DOI: 10.3969/j.issn.1006-3862.2018.12.017.

DOI

[20]
Huang Y, Hong T, Ma T. Urban network externalities, agglomeration economies and urban economic growth. Cities, 2020, 107:102882. DOI: 10.1016/j.cities.2020.102882.

DOI

[21]
Meijers E J. Polycentric urban regions and the quest for synergy: Is a network of cities more than the sum of the parts? Urban Studies, 2005, 42(4):765-781. DOI: 10.1080/00420980500060384.

DOI

[22]
Meijers E J, Hoogerbrugge M, Cardoso R. Beyond polycentricity: Does stronger integration between cities in polycentric urban regions improve performance? Tijdschrift voor Economische en Sociale Geografie, 2017, 109(1):1-21. DOI: 10.1111/tesg.12292.

DOI

[23]
陆军, 毛文峰. 城市网络外部性的崛起: 区域经济高质量一体化发展的新机制. 经济学家, 2020, (12):62-70.

[ Lu Jun, Mao Wenfeng. The rise of urban network externalities: A new mechanism for the high-quality integrated development of regional economy. Economist, 2020, (12):62-70.]. DOI: 10.16158/j.cnki.51-1312/f.2020.12.007.

DOI

[24]
姚常成, 宋冬林. 借用规模、网络外部性与城市群集聚经济. 产业经济研究, 2019, (2):76-87.

[ Yao Changcheng, Song Donglin. Borrowed-size, network externalities and agglomeration economies in the urban agglomerations. Industrial Economics Research, 2019, (2):76-87.]. DOI: 10.13269/j.cnki.ier.2019.02.007.

DOI

[25]
Meijers E J, Burger M J, Hoogerbrugge M M. Borrowing size in networks of cities: City size, network connectivity and metropolitan functions in Europe. Papers in Regional Science, 2016, 95(1):181-198. DOI: 10.1111/pirs.12181.

DOI

[26]
Burger M J, Meijers E J, Hoogerbrugge M M, et al. Borrowed size, agglomeration shadows and cultural amenities in North-West Europe. European Planning Studies, 2015, 23(6):1090-1109. DOI: 10.1080/09654313.2014.905002.

DOI

[27]
孙东琪, 张京祥, 胡毅, 等. 基于产业空间联系的“大都市阴影区”形成机制解析: 长三角城市群与京津冀城市群的比较研究. 地理科学, 2013, 33(9):1043-1050.

DOI

[ Sun Dongqi, Zhang Jingxiang, Hu Yi, et al. The formation of metropolitan shadow from the perspective of industry spatial contacts: A comparison between Changjiang River Delta and Beijing-Tianjin-Hebei Metropolitan Region. Scientia Geographica Sinica, 2013, 33(9):1043-1050.]. DOI: 10.13249/j.cnki.sgs.2013.09.003.

DOI

[28]
Wang J S, Ye X Y, Wei Y H. Effects of agglomeration, environmental regulations, and technology on pollutant emissions in China: Integrating spatial, social, and economic network analyses. Sustainability, 2019, 11(2):363. DOI: 10.3390/su11020363.

DOI

[29]
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. 资源科学, 2021, 43(8):1509-1521.

DOI

[ Sheng Kerong, Wang Liping, Sun Wei. Impacts of network power and knowledge spillovers on China's urban green economic efficiency. Resources Science, 2021, 43(8):1509-1521.]. DOI: 10.18402/resci.2021.08.01.

DOI

[30]
张可. 环境污染对城市网络结构的影响研究. 社会科学, 2016, (12):46-58.

[ Zhang Ke. The influence of environmental pollution on urban network structure. Journal of Social Sciences, 2016, (12):46-58.]. DOI: 10.13644/j.cnki.cn31-1112.2016.12.005.

DOI

[31]
Glaeser E L, Ponzetto G A, Zou Y. Urban networks: Connecting markets, people, and ideas. Papers in Regional Science, 2016, 95(1):17-59. DOI: 10.1111/pirs.12216.

DOI

[32]
Van Oort F, Burger M, Raspe O. On the economic foundation of the urban network paradigm: Spatial integration, functional integration and economic complementarities within the Dutch Randstad. Urban Studies, 2010, 47(4):725-748. DOI: 10.1177/0042098009352362.

DOI

[33]
陈旭, 张亮, 张硕. 多中心空间发展模式与雾霾污染: 基于中国城市数据的经验研究. 重庆大学学报(社会科学版), 2021, 27(5):30-44.

[ Chen Xu, Zhang Liang, Zhang Shuo. Polycentric spatial structure and haze pollution: An empirical study based on Chinese urban data. Journal of Chongqing University (Social Science Edition), 2021, 27(5):30-44.]. DOI: 10.11835/j.issn.1008-5831.jg.2020.11.003.

DOI

[34]
丁如曦, 刘梅, 李东坤. 多中心城市网络的区域经济协调发展驱动效应: 以长江经济带为例. 统计研究, 2020, 37(11):93-105.

[ Ding Ruxi, Liu Mei, Li Dongkun. The driving effect of polycentric urban network on coordinated regional economic development: Taking the Yangtze River Economic Belt as an example. Statistical Research, 2020, 37(11):93-105.]. DOI: 10.19343/j.cnki.11-1302/c.2020.11.008.

DOI

[35]
Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology. Human Ecology Review, 1994, 1(2):277-300. DOI: 10.2307/24706840.

DOI

[36]
袁华锡, 刘耀彬, 胡森林, 等. 产业集聚加剧了环境污染吗: 基于外商直接投资视角. 长江流域资源与环境, 2019, 28(4):794-804.

[ Yuan Huaxi, Liu Yaobin, Hu Senlin, et al. Does industrial agglomeration aggravate environmental pollution: From a perspective of foreign direct investment. Resources and Environment in the Yangtze Basin, 2019, 28(4):794-804.]. DOI: 10.11870/cjlyzyyhj201904006.

DOI

[37]
张华, 冯烽. 绿色高铁: 高铁开通能降低雾霾污染吗?. 经济学报, 2019, 6(3):114-147.

[ Zhang Hua, Feng Feng. Green high-speed railway: Does high-speed railway reduce haze pollution? China Journal of Economics, 2019, 6(3):114-147.]. DOI: 10.16513/j.cnki.cje.20190906.001.

DOI

[38]
邓慧慧, 杨露鑫. 雾霾治理、地方竞争与工业绿色转型. 中国工业经济, 2019, (10):118-136.

[ Deng Huihui, Yang Luxin. Haze governance, local competition and industrial green transformation. China Industrial Economics, 2019, (10):118-136.]. DOI: 10.19581/j.cnki.ciejournal.2019.10.007.

DOI

[39]
Jia R N, Shao S, Yang L L. High-speed rail and CO2 emissions in urban China: A spatial difference-in-differences approach. Energy Economics, 2021, 99:105271. DOI: 10.1016/j.eneco.2021.105271.

DOI

[40]
周宏浩, 谷国锋. 东北地区城市空间结构演进对环境影响的空间效应及门槛特征. 经济地理, 2021, 41(2):62-71.

[ Zhou Honghao, Gu Guofeng. Spatial effects of urban spatial structure evolution on environmental pollution in Northeast China and its threshold characteristics. Economic Geography, 2021, 41(2):62-71.]. DOI: 10.15957/j.cnki.jjdl.2021.02.007.

DOI

[41]
张伟丽, 叶信岳, 李栋, 等. 网络关联、空间溢出效应与中国区域经济增长: 基于腾讯位置大数据的研究. 地理科学, 2019, 39(9):1371-1377.

DOI

[ Zhang Weili, Ye Xinyue, Li Dong, et al. Network association, spillover effect and China's regional economic growth based on Tencent's location big data. Scientia Geographica Sinica, 2019, 39(9):1371-1377.]. DOI: 10.13249/j.cnki.sgs.2019.09.002.

DOI

[42]
潘竟虎, 赖建波. 中国城市间人口流动空间格局的网络分析: 以国庆-中秋长假和腾讯迁徙数据为例. 地理研究, 2019, 38(7):1678-1693.

DOI

[ Pan Jinghu, Lai Jianbo. Research on spatial pattern of population mobility among cities: A case study of "Tencent Migration" big data in "National Day-Mid-Autumn Festival" vacation. Geographical Research, 2019, 38(7):1678-1693.]. DOI: 10.11821/dlyj020171231.

DOI

[43]
魏石梅, 潘竟虎. 中国地级及以上城市网络结构韧性测度. 地理学报, 2021, 76(6):1394-1407.

DOI

[ Wei Shimei, Pan Jinghu. Network structure resilience of cities at the prefecture level and above in China. Acta Geographica Sinica, 2021, 76(6):1394-1407.]. DOI: 10.11821/dlxb202106006.

DOI

[44]
盛科荣, 张红霞, 赵超越. 中国城市网络关联格局的影响因素分析: 基于电子信息企业网络的视角. 地理研究, 2019, 38(5):1030-1044.

DOI

[ Sheng Kerong, Zhang Hongxia, Zhao Chaoyue. Determinants of the urban spatial network in China: An analysis through the lens of corporate networks within electronic information industry. Geographical Research, 2019, 38(5):1030-1044.]. DOI: 10.11821/dlyj020171009.

DOI

[45]
李琬, 孙斌栋, 刘倩倩, 等. 中国市域空间结构的特征及其影响因素. 地理科学, 2018, 38(5):672-680.

DOI

[ Li Wan, Sun Bindong, Liu Qianqian, et al. The features and determinants of spatial structure in Chinese prefecture-level city regions. Scientia Geographica Sinica, 2018, 38(5):672-680.]. DOI: 10.13249/j.cnki.sgs.2018.05.004.

DOI

[46]
程雪雁, 朱磊, 周艺萱. 2015-2018年京津冀城市群空气污染时空变化特征. 北京师范大学学报(自然科学版), 2019, 55(4):523-531.

[ Cheng Xueyan, Zhu Lei, Zhou Yixuan. Temporal and spatial characteristics of pollution in Beijing-Tianjin-Hebei urban agglomeration 2015-2018. Journal of Beijing Normal University (Natural Science), 2019, 55(4):523-531.]. DOI: 10.16360/j.cnki.jbnuns.2019.04.015.

DOI

[47]
肖嘉玉, 何超, 慕航, 等. 中国城市空气污染时空分布格局和人口暴露风险. 地理科学进展, 2021, 40(10):1650-1663.

DOI

[ Xiao Jiayu, He Chao, Mu Hang, et al. Spatiotemporal pattern and population exposure risks of air pollution in Chinese urban areas. Progress in Geography, 2021, 40(10):1650-1663.]. DOI: 10.18306/dlkxjz.2021.10.004.

DOI

[48]
Guo H, Gu X F, Ma G X, et al. Spatial and temporal variations of air quality and six air pollutants in China during 2015-2017. Scientific Reports, 2019, 9:15201. DOI: 10.1038/s41598-019-50655-6.

DOI

[49]
Elhorst J P. Spatial Econometrics: From Cross-Sectional Data to Spatial Panels. London: Springer, 2014: 20-24.

[50]
LeSage J, Pace R K. Introduction to Spatial Econometrics. London: CRC Press, 2009: 70-72.

Options
文章导航

/

〈 〉