EN中文

地理科学 >

2022 , Vol. 42 >Issue 11: 1867 - 1878

DOI: https://doi.org/10.13249/j.cnki.sgs.2022.11.002

不同流要素视角下沿海港口城市体系的网络空间联系

  • 秦娅风 , 1 ,
  • 郭建科 , 2, 3
展开
  • 1.辽宁师范大学地理科学学院，辽宁 大连 116029
  • 2.教育部人文社会科学重点研究基地/辽宁师范大学海洋经济与可持续发展研究中心，辽宁 大连 116029
  • 3.辽宁省“海洋经济高质量发展”高校协同创新中心，辽宁 大连 116029
郭建科。E-mail:

秦娅风（1993−），女，山西长治人，博士研究生，主要从事港口交通与城市地理。E-mail:

收稿日期: 2020-11-30

  修回日期: 2021-01-13

  网络出版日期: 2022-11-20

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

Network Spatial Connection of Coastal Port City System from the Perspective of Multiple Flows

  • Qin Yafeng , 1 ,
  • Guo Jianke , 2, 3
Expand
  • 1. School of Geography, Liaoning Normal University, Dalian 116029, Liaoning, China
  • 2. Key Research Base of Humanities and Social Sciences of the Ministry Education, Center for Studies of Marine Economy and Sustainable Development, Liaoning Normal University, Dalian 116029, Liaoning, China
  • 3. University Collaborative Innovation Center of Marine Economy High-quality Development of Liaoning Province, Dalian 116029, Liaoning, China

Received date: 2020-11-30

  Revised date: 2021-01-13

  Online published: 2022-11-20

Copyright

Copyright reserved © 2022.
Fold

摘要

借助GIS、Matlab和Gephi等技术手段，运用不同流要素分析2006年和2016年中国沿海港口城市体系的网络联系及空间变化特征。结果表明：①在5个流动要素网络中，城市间的要素联系总量增加且增幅较大，集中分散程度、区域分布特征均发生了显著变化。港口城市体系的网络空间结构正由“点轴”模式向“网络化”模式转化。②不同流要素的枢纽城市具有高度重合性，但网络结构具有明显差异性。物流和客流呈现“组团发展”与“轴−辐”并存的网络特征。资金流和技术流发育出显著的“核心−边缘”和层次性的空间形态。信息流呈现均衡的网络化发展模式。③不同流要素刻画出不同层面的港口城市体系，但却有着紧密联系。物流与客流相互影响、互为因果。资金流和技术流对物流具有积极的促进作用。信息流对物流的影响具有明显的滞后性；港口城市体系由单一流要素转向多元流要素综合发展，港口城市间联系更加多元化，并实现了与外部流要素的互动融合。

关键词： 多元流要素; 城市网络; 流动空间; 港口城市体系

本文引用格式

秦娅风 , 郭建科 . 不同流要素视角下沿海港口城市体系的网络空间联系[J]. 地理科学, 2022 , 42(11) : 1867 -1878 . DOI: 10.13249/j.cnki.sgs.2022.11.002

Abstract

With the rapid development of globalization, information and communication technology and high-speed railways, the frequency of element flow has greatly increased, and the comprehensive connection of multiple flow perspectives has become the key to the development of port cities and regions. With the help of GIS, Matlab and Gephi and other technical means, different flow elements are used to analyze the network connection and spatial variation characteristics of China’s coastal port city system in 2006 and 2016. The results show that: 1) In the 5 flow element networks, the total number of element connections between cities has increased and the increase degree has been larger, and the degree of concentration and dispersion and the characteristics of regional distribution have changed significantly. The cyberspace structure of the port city system is transforming from a ‘point axis’ model to a ‘networked’ model. 2) The hub cities with different flow elements have a high degree of overlap, but the network structure has obvious differences. Logistics and passenger flow present the network characteristics of coexistence of ‘group development’ and ‘hub-spoke’. The capital flow and technology flow have developed significant ‘core-periphery’ and hierarchical spatial patterns. Information flow presents a balanced network development model. 3) Different flow elements describe the port city system at different levels, but they are closely related. Logistics and passenger flow affect each other and are cause and effect. The flow of capital and technology has a positive effect on logistics. The impact of information flow on logistics has obvious lag; the port city system has changed from a single flow element to a comprehensive development of multiple flow elements, and the connections between port cities are more diversified, and the interaction and integration with external flow elements have been realized.

Key words： multi element flow; urban network; flow space; port city system

港口城市作为一种特殊的城市类型，具有港口和城市的双重属性[1]，不仅是交通系统内的节点，更是社会经济系统的中心[2]。近年来，随着中国沿海港口数量的增加，逐渐形成了类似于城市体系的港口城市体系[3~5]，并引发了港口城市网络的形成及壮大。因此，基于不同流要素视角考察深度全球化时代港口城市体系的网络空间联系特征及各港口城市在网络中的发展状况，具有重要的理论价值和突出的应用价值。
从地理学对港口体系及运输网络的研究进展看，国外学者主要关注港口体系及其腹地联系、港口航运网络等，大致遵循从腹地扩张到腹地竞争、从陆向扩张到海陆双向吸引、从港口体系到其网络体系等的研究脉络[6~8]。国内的研究也经历了港口体系向集装箱运输网络及航运组织网络的转变。前者主要研究港口体系空间格局、演化模式及形成机理[9~13]；后者重点围绕集装箱枢纽港运输网络的布局与优化[14~16]。航运网络的研究引发了人们对港口体系在全球化、供应链等新时代下的重构进行深入思考，但研究内容主要集中于港口的运输功能，且多为单一要素分析，缺少不同流动要素的相互作用研究，无法揭示港口空间组织在流动空间整体样貌。
从地理学对流动空间的研究进展看，伴随着全球化、信息化的加速发展，城市之间的联系更加紧密，网络或网络化的视角进入主流社会科学研究中[17]，推动了“传统空间”向“流动空间”转变。在定量和应用研究方面，交通地理学的客货流网络分析是经济地理领域最接近流动空间的研究之一。西方学者对欧美商品物流等空间流进行刻画[18,19]，国内学者通过铁路、航空等客货流，探讨交通、物流空间流场特征及网络复杂性[20,21]，并与城市地理学中的网络分析相结合，探讨城市网络体系的功能、结构、演化特征及空间联系整合[22~24]。部分城市地理学者以互联网、生产性服务网络、网络社会空间等为切入点，结合可达性、图论模型等分析城市体系的网络特性[25~28]。总体看，研究内容仍主要限于从可达性、客货流、物流及互联网等单一要素出发，探讨流动要素与城市系统的关系，基于多要素的、系统性的流空间研究尚未展开。
综上，流动空间是在人口、货物、资金、技术和信息等多元要素的流动下形成，并对城市或区域的空间发展模式产生影响[29]。随着区域多门户发展，港口区域化加速港口城市间的协同，港口城市也将以物流网络为核心搭建更为复杂的多要素联系网络[30]。作为交通枢纽与物流中心的港口能否以物流为杠杆，撬动“五流”聚散，在“流动空间”的已有理论之下，以中国沿海具有一定规模的47个港口城市为研究单元，从物流、客流、资金流、技术流和信息流5个维度出发构建2006年和2016年多元流要素网络，系统分析不同流要素影响下港口城市体系的空间格局变化，同时对比各流要素之间本质差异与内在联系，全面的探讨各城市在特定网络中扮演的角色及其与其它节点的关系。尝试为港口城市体系的网络空间结构演化提供新的认知，以推动和提升港口城市空间关系的定量化识别，为港口城市空间结构、功能整合及协同规划提供决策依据。

1 数据来源与研究方法

1.1 研究区概况

21世纪以来，中国城市中东部港口城市发展迅速。在地理区位、资源禀赋、国家政策的支撑下，逐步发展成为功能完备、联系密切的港口城市群，进一步演化形成城市化水平高、经济发展强劲且国际贸易高速提升的港口城市体系，即港口城市带[3]。虽然港口城市带没有被明确界定为完整的地理单元，但在各流动要素加速集散、海港功能演化的影响下，其作为海向和陆向链接、港口城市间深度联系的载体，已经形成相互联系紧密、突破省区限制的完整地理单元，进而发展成与世界城市紧密联系的新型港口城市体系。
因此，本文以沿海港口城市为研究样本，根据2006年交通部发布的《全国沿海港口布局规划》（ http://www.gov.cn/gzdt/2007-07/20/content_691642.htm）中的港口群划分以及指标数据的可获得性，最后确定47个港口城市（表1）（未含港澳台数据）。其中，沿海三大港口城市群分别为环渤海港口群、长三角港口群和珠三角港口群。
表1 研究样本

Table 1 Research sample

港口城市群 港口
　　注：未含港澳台数据。
环渤海 天津、丹东、大连、营口、锦州、唐山、沧州、秦皇岛、烟台、威海、青岛、日照
长三角 上海、苏州、宁波、连云港、舟山、南京、南通、盐城、温州、常州、
无锡、嘉兴、台州、泰州、扬州、镇江
珠三角 广州、深圳、珠海、汕头、惠州、东莞、中山、阳江、江门、茂名
东南沿海 福州、莆田、泉州、厦门
西南沿海 湛江、北海、钦州、防城、海口

1.2 数据来源

港口从第一代发展到第四代，在航运物流的基础上，人才、科技、信息、服务等柔性因素在港口城市发展中日益发挥着更大的作用。推动了人口集散、港口运输、产业汇集等多维度核心功能的发展，使其成为资源配置枢纽，并在全球产业链、供应链中发挥不可或缺的作用。在此背景下，人、物、资金、技术和信息等要素的流动将城市紧密连接在一起，促使现代港口城市在“流动空间”的作用下不断扩展城市网络空间。本文从物流、客流、资金流、技术流和信息流5个维度，建立港口城市之间的多元要素联系网络。具体数据信息及来源见表2。
表2 数据信息及来源

Table 2 Data information and sources

流要素 类型 信息 构建原则 来源
物流 中国各港口间、中国始发至全球其他港口的船期表 集装箱船只起讫港口、出发和抵达时间、船名和航次 从中筛选出中国沿海各港口城市间（直达及中转）的船期信息，并以此为依据构建物流网络 《中国航务周刊》（ http://csg.wuliujia2018.com/）
客流 各城市中列车时速高于120 km/h的列车，也即以K、T、Z、D、C、G开头的列车 车次、始发站、终到站、运行时间 从中筛选出中国沿海各港口城市间的列次信息，并以此为依据构建客流网络 《全国铁路列车时刻表》（ https://www.12306.cn/index/）、《中国交通统计年鉴》（ https://www.mot.gov.cn/tongjishuju/）
资金流 中国城市间城际控股型（含全资）的企业间投资联系数据 企业名称、注册时间、注册资本、注册地址、投资企业、投资资本、投资地址等 从中筛选出中国沿海各港口城市企业间的投资联系数据信息，以此为依据构建资金流网络 启信宝（ www.qixin.com/）①(①“启信宝”是从全国企业信用信息公示系统、中国法院裁判文书网、中国执行信息公开网等100家网站提取官方数据。通过企业名称、人名、品牌、联系方式、网址、专利等企业信息关键字或者组合关键字多维度锁定目标企业。)
技术流 各城市之间关于专利、科技成果及科技报告的单位合作联系数据 成果类型、发表成果时间、发表成果作者单位、单位地址等 采取一定规则②(②选取有合作关系的数据，汇总并进行加权。即参与每篇专利等的作者群，如为两两联系，则分别计为1/2；3个联系的数据，分别计为1/3，以此类推，由此得出港口城市网络联系矩阵。)对相关专利、成果和报告进行量化。从中筛选出中国沿海各港口城市间技术联系数据信息，以此为依据构建技术流网络 万方数据知识平台（ www.wanfangdata.com.cn）
信息流 “两两城市之间”的信息流通数据（剔除了无效和干扰信息） 时间、词条内容（积极/消极）、地址等 从中筛选出中国沿海各港口城市间信息联系数据，以此为依据构建信息流网络 百度搜索（ www.baidu.com）③(③百度拥有目前世界上最大的中文信息库,并使用了高性能的“网络蜘蛛”程序自动在互联网中搜索信息, 能在极短的时间内收集到最大数量的互联网信息。)界面

1.3 研究方法

运用复杂网络分析方法，构建各流要素联系网络矩阵。首先，借助Matlab和Gephi对各个网络的特征值进行计算，通过社区发现算法（Louvain）对各流要素网络的地理空间关联结构、流动特征和集聚特征进行揭示。其次，通过脉冲响应分析方法刻画不同流要素网络的内在联系。最后，利用ArcGIS和Gephi对其空间分布特征和联系格局进行可视化。

1.3.1复杂网络基本指标

1）加权度及中心性（主要包涵加权度中心性、加权中介中心性和加权邻近中心性）是复杂网络分析中常用的指标。其中，加权度表示港口城市节点在网络中联系的深度。加权度中心性表示港口城市节点在网络中与其它节点发生直接联系的可能性大小，加权中介中心性表示港口城市节点在网络中的中转功能强弱，加权邻近中心性表示港口节点在网络中的重要性和可达性，相关计算方式参见文献[15]。
2）社团结构。主要是指网络中的一些子集，在子集内部边的密度要比子集之间大[31]。本文通过Louvain算法构建“城市社团结构”，公式如下：
$ Q = \dfrac{1}{{2m}}\displaystyle\sum\nolimits_{i,j} {\left[ {{W_{i,j}} - \dfrac{{{k_i}{k_j}}}{{2m}}} \right]} \delta \left( {{C_i},{C_j}} \right) $
式中，Q为模块度，Wi,j表示节点i与j连边的权值；ki和kj是和节点i和j相连的边的权值之和；Ci和Cj分别是港口城市i和j所属社团； $\delta \left( {{C_i},{C_j}} \right)$ 表示Ci与Cj是否为同一个社团；m是网络的总边数。
$ \begin{split} \Delta Q = &\left[ {\dfrac{{\displaystyle\sum {in} + {K_{i,in}}}}{{2m}} - {{\left( {\dfrac{{\displaystyle\sum {out} + {k_i}}}{{2m}}} \right)}^2}} \right] -\\ &\left[ {\dfrac{{\displaystyle\sum {in} }}{{2m}} - {{\left( {\dfrac{{\displaystyle\sum {out} }}{{2m}}} \right)}^2} - {{\left( {\dfrac{{{k_i}}}{{2m}}} \right)}^2}} \right] \end{split} $
式中，ΔQ为模块度增量， $\displaystyle\sum {in} $ 是社团内部边的权值之和； $\displaystyle\sum {out} $ 是所有与社团内部节点相连的边的权值之和；Ki,in是节点i与社团C相连的边的权值之和。

1.3.2基于VAR模型的脉冲响应分析

联立方程模型可以解决某个年份多个区域内生变量和外生变量间的关系问题[12,32]。为确保联立方程模型结构的正确性，并精准解释内生变量之间错综复杂的关系，借助向量自回归模型（Vector Auto-regression Modle，VAR）加以调整。物流作为港口间联系的主流物质形态，对其他流要素的集散具有一定的牵引作用，而物流及相关产业的升级换代又会受到其他流要素的支撑，即流要素间的相互关系持续且波动。同时，由于不同港口的发展历史、阶段、功能各不相同，为探究不同流要素的空间交互规律，特别是整个港口体系物流与其他流要素的相互关系。因此，借鉴联立方程模型的内涵，运用VAR模型对各流要素之间相互关系进行揭示，VAR模型具体计算参考文献[32]。流要素网络中的“时间序列”通过将各港口城市的中心性值按大小顺序排列得到。

2 不同流要素网络空间联系特征

2.1 网络基本联系特征

2006—2016年，进入物流、客流、资金流、技术流和信息流的港口城市分别从34、33、34、32和47个增至43、43、47、43和47个，在5个流动要素网络中，港口城市间的要素联系总量增加且增幅较大，但在反映港口城市体系分布特征时具有明显的不同。具体来看（表3）：① 上海、深圳、广州、南京和宁波分别处于不同流要素网络的中心，其中，2006年，上海在物流、客流、技术流和信息流网络中处于中心地位，但在2016年，上海均处于各流要素网络的中心。总的来看，各流要素网络中心城市均具有流动规模大、密度高，各功能汇集能力强的特征，核心城市和热点城市呈现向长三角和珠三角地区集聚的态势。② H指数（赫希曼–赫芬达尔指数）计算结果显示，港口城市间物流和资金流网络的集中分散指数分别由0.057和0.075上升至0.078和0.081，表明两种网络的集中化程度有所上升，网络联系更为紧密；客流和技术流网络分别由0.038和0.113下降为0.032和0.068，表明两种网络的集中化程度有所下降，网络联系更为分散；必须指出的是，随着时间的发展，分散化将成为信息流网络的主流趋势。③ 与同等规模的随机网络相比，各流要素网络均具有明显的小世界特征。其中，以物流和客流为基础的物质流网络路径长度较大，以资金、技术和信息为基础的虚拟流网络的路径长度相对较小。主要由于物质流网络受距离限制明显，节点之间需要经过多次中转才可以产生联系。虚拟流网络联系受距离摩擦较小，节点间相互联系便捷且效率明显提高。
表3 2006—2016年沿海港口城市流要素结果对比

Table 3 Comparison of stream element of coastal port city in 2006-2016

流要素类型 流要素中心 流要素副中心 排名前20%城市所占比重/% H指数
　　注：1.流要素中心、流要素副中心和排名20%的城市均依据其加权度中心性界定；2.H指数是指赫希曼–赫芬达尔指数，用于测量港口城市各流要素的集中与分散程度；3.未含港澳台数据。
2006年 物流 上海 深圳、宁波 71.3 0.057
客流 上海 南京、无锡 47.3 0.038
资金流 深圳 上海、宁波 74.1 0.075
技术流 上海 深圳、广州 73.5 0.113
信息流 上海、南京、宁波 苏州、深圳 31.0 0.003
2016年 物流 上海、宁波 深圳、青岛 83.6 0.078
客流 上海、南京 无锡、常州 60.7 0.032
资金流 上海、深圳、广州 苏州、南京 73.8 0.081
技术流 深圳、上海 广州、南京 77.7 0.068
信息流 上海、南京、深圳 广州、南通 24.7 0.003

2.2 网络空间联系特征

由于各流要素的本质属性特征具有明显不同，导致其对时空距离的压缩效应也存在明显差异。因此，为了探讨各流要素网络的组织结构，分别基于物质流（物流和客流）和虚拟流（资金流、技术流和信息流），进一步分析不同流要素视角下中国沿海港口城市体系的网络空间结构分布特征。

2.2.1物质流特征

由图1可以看出，2006—2016年，①物流网络中联系量排名前五的城市对分别由上海−宁波、上海−深圳、大连−天津、上海−青岛和宁波−深圳变成为上海−宁波、上海−深圳、深圳−宁波、上海−青岛和宁波−青岛。主要集中在以上海、深圳、宁波、广州、青岛等为核心的长三角和珠三角和环渤海地区，并具有向长三角和珠三角集聚的趋势。空间联系符合一般的距离衰减特征，即距离相近的联系较多，距离较远的联系少。②客流网络中联系量排在前五的城市对分别由“深圳−广州、上海−无锡、上海−南京、无锡−南京和广州−东莞”变为“上海−南京、上海−无锡、深圳−广州、南京−苏州和南京−无锡”。网络格局向“多核”转变，空间联系虽得到一定程度拓展但发展速度相对缓慢，环渤海和长三角地区仍处于弱连接状态。且受到较为明显的地理制约及规模效应影响，多指向区域中心城市，同时受到网络中心性和层级结构的影响较大。
图1 2006—2016年沿海港口城市物质流网络结构分布格局

圆圈表示港口城市节点，体现加权度大小；线条表示港口城市间的联系强度，粗细体现联系量大小；未含港澳台数据

Fig. 1 Transportation system network structure of coastal port city in 2006-2016

总的来说，物质流主导下港口城市体系的网络联系以基础设施等实体联系为基础，不仅能够直接反映港口间的交通运输功能联系、客货交流频率和连通度，更是形成港口城市体系网络系统的物质条件和必要前提。该类网络受到较为明显的地理制约，地理区位优劣、港口规模大小、经济发展水平高低、以及沿线站点数量依然是制约网络联系的主要因素。因此，形成了不同等级港口城市节点间的垂直关联体系，呈现出“组团发展”与“轴−辐”并存的网络特征。

2.2.2虚拟流特征

由图2可以看出，2006—2016年，①资金流网络中联系量排在前五的城市对分别由深圳−广州、上海−宁波、上海−深圳、深圳−大连和上海−嘉兴变为上海−深圳、广州−深圳、上海−苏州、上海−南京和上海−宁波。网络格局由深广、上宁和大连的“多核心”演变为深广和上宁的“双核心”，长三角一直处于整个网络的中心，其次与珠三角的联系最为密切。该网络并没有受到明显的地理距离约束，主流联系发生在距离甚远的核心港口城市之间，跨地理特征更加明显。②技术流网络中联系量排在前五的城市对分别由上海−广州、上海−深圳、上海−南京、上海−苏州和上海−中山变为深圳−广州、深圳−东莞、上海−天津、上海−苏州和上海−南京。网络格局由上海和深广的“两核心”发展为上苏、深广和天津的“三核心”。相比较来看，该网络联系强度分布不均衡，且具有一定的等级层次性，主流联系发生在邻近地区或经济发展较好的地区之间。③信息流网中联系量排在前五的城市对分别由上海−深圳、上海−广州、上海−南京、广州−深圳和上海−无锡变为苏州−杨州、上海−深圳、广州−深圳、上海−南京和珠海−惠州。网络联系强度分布较为分散，并形成多中心、多层级的港口城市网络，源于信息流是通过互联网络虚拟转播的，地理距离和港口规模的限制明显较小，港口间信息的传递和流动更加频繁且高效，整个网络联系协调有序。
图2 2006—2016年沿海港口城市虚拟流网络结构分布格局

圆圈表示港口城市节点，体现加权度大小；线条表示港口城市间的联系强度，粗细体现联系量大小；未含港澳台数据

Fig. 2 Information system network structure of coastal port city in 2006-2016

总的来说，虚拟流主导下港口城市体系的网络联系通过互联网在一定程度上减轻了港口城市场所空间的依赖，重塑了传统的地理空间。相比较来说，基于虚拟流的网络联系并没有受到明显的地理距离约束，各要素在城市之间相互传递与流通，瞬时性特征显著，跨地理特征更加明显。资金流和技术流空间形态上发育出显著的“核心−边缘”结构和层次性，且结构内部不断优化和重组。信息流主导下的港口城市彼此之间联系日益紧密，并呈现均衡网络化发展模式。

3 不同流要素网络的社团结构及内在联系

3.1 社团结构分析

港口城市体系的网络化本质是城市间的相互关系，而不同港口城市在各流要素网络中的强度和广度也存在差异，导致了要素联系会呈现集聚性、分散性和差异性等特征。社团网络结构在一定程度能够进一步反映各港口城市间流要素网络的联系特征及空间关系[33]。因此，利用Louvain算法对物质流和虚拟流进行社团结构划分。其中，物质流网络分别划分为两大两小4个社团和两大一小3个社团，虚拟流分别划分为3个均衡的社团和一大两小3个社团。

3.1.1基于物质流的港口城市社团划分

①2006年，社团结构围绕三大港口城市群存在一定的集聚，但环渤海地区的港口城市分别围绕大连和青岛形成两个社团（图3）。究其原因，物质流网络受空间距离、城市规模、港口群或省域边界效应的影响，其城市之间的联系遵循就近原则，城市社团与城市群或省域边界在空间分布上具有一定的耦合性。②2016年，各社团结构在遵循港口分布基础上逐渐吸引其他区域的城市，具有明显的跨区域分布特征，其中上海、宁波、青岛、大连等城市组成一个社团，广州、深圳等珠三角城市组成一个社团。福建和广东的部分城市形成闽南社团，其原因在于福建的自我封闭状态明显，交通运输主要在区域间展开。
图3 2006—2016年基于物质流的港口城市社团划分

圆圈表示港口城市节点，体现加权度大小；线条表示港口城市间的联系强度，粗细体现联系量大小；未含港澳台数据

Fig. 3 Division of coastal port city communities based on port systems in the transportation system in 2006-2016

3.1.2基于虚拟流的港口城市社团划分

①2006年，社团结构与港口城市群分布基本吻合，形成了以环渤海、长三角和珠三角为核心的3个社团（图4）。但以上海为核心的社团已经开始小范围的吸引其它港口城市群的城市，跨区域流动已经出现，基本呈现多层级、多中心的网络格局。②2016年，社团结构已经突破了港口城市群的制约。其中，较大的社团主要以上海、深圳和广州为核心，两个小的社团分别围绕扬州和海口形成。在该阶段港口城市的广度和深度进一步拓展和加深，在其所在港口群的基础上，还吸引了一些其他港口群的城市。
图4 2006—2016年基于虚拟流的港口城市社团划分

圆圈表示港口城市节点，体现加权度大小；线条表示港口城市间的联系强度，粗细体现联系量大小；未含港澳台数据

Fig. 4 Division of coastal port city community based on information system in 2006-2016

总的来看，网络化打破了由增长极带动区域发展的规律，使各流要素能够在港口城市间自由且高效流动，港口城市间基本实现要素集散、利用的强聚合效应，社团内各城市彼此可进行资源配置及互补，由单纯的竞争变为新兴的竞合关系。其中，上海作为长三角社团的核心港口城市，具有绝对的联通优势和集散优势，会对其他城市的资源要素产生虹吸效应，促使这些资源要素不断向上海集聚。而珠三角地区的广州和深圳展现了“双核”特征，同时在要素联系上形成了竞合关系。

3.2 区别联系与相互作用

虽然港口已由第一代发展到第四代，但物流一直是港口经济发展的重要组成部分，同时也是流动空间的主要物质流态，对其他要素流动具有一定的牵引作用。在港口运输结构调整优化、航运技术发展和港口功能升级演化的背景下，港口城市发展也逐渐多元化。基于此，在探讨各个流要素的网络特征、基本属性和功能差异等方面特征的基础上，为深入探讨各要素流动的内在的联系及差别，把物流作为衡量港口城市发展的指标，分别从客流、资金流、技术流和信息流4方面来探讨其与港口城市发展相互关系，通过脉冲响应来测定不同流要素之间相互冲击后的趋势，进一步验证各流要素的网络数据联系是否与港口功能属性存在耦合联系。
从冲击的趋势（图5）看：① 以物流和客流为连接主体的港口城市体系，受城市规模和经济发展水平的影响，早期具有较强的相互冲击。但随着现代港口经济与港口城市不断发展，港口城市的多元化趋势明显，受其他因素的影响不断扩大，冲击趋势逐渐平缓或持续性差。② 资金流对物流的影响逐渐高于物流对资金流的影响，在中期冲击趋势明显。港口的发展必须依靠资金的流动，且现代化港口也为资金的流动提供了高效便捷的通道。③ 随着港口城市的不断演变，技术流对其冲击在中期趋势明显，并不断向港口渗透，为港口的基础设施、管理能力和技术水平提供强有力的支撑，并使其明显提升。④ 物流和信息流的相互冲击具有明显的滞后性，但具有持续增长的趋势。一方面，随着港口发展及时代的需要，“智慧港口”应用而生并不断发展壮大。不仅要求港口物流运输更新换代，同时也对其基础设施及相关服务功能提出了高标准和新要求。另一方面，大数据时代下信息技术迅猛发展，对港口城市要素联系产生了愈来愈重要的影响。
图5 2006—2016年沿海港口城市物流与其他流要素的脉冲响应分析

未含港澳台数据

Fig. 5 Impulse response analysis chart of logistics and other factors of coastal port city in 2006-2016

从冲击的程度看（表4），2006年，物流与客流、技术流的相互冲击程度大于资金流和信息流。2016年，物流与客流的相互冲击大幅下降，与资金流、技术流和信息流的相互冲击明显增强。另外，其他4个流要素对物流的冲击明显大于物流对其他4个流要素的冲击。随着港口城市功能趋向多元化，港口城市间逐渐实现了各流要素的融合发展，从而促使其要素联系呈现紧密性和整体性的特征。由网络联系表征的港口各功能性成为沿海港口城市发展的核心动力，更能有效的反映出港口城市的发展潜力。与此同时，随着不同流要素在港口城市间流通和集散，各港口城市从内部优化转为更多地区其他港口城市或区域互动，使要素流动频率加强、效率提升。
表4 2006—2016年沿海港口城市不同流要素的冲击程度排序

Table 4 Sorting the impact degree of different factor flows of coastal port city in 2006-2016

冲击程
度排序 		物流对其他流要素冲击 其他流要素对物流冲击
2006年 2016年 2006年 2016年
　　注：未含港澳台数据。
1 客流 客流 客流 资金流
2 资金流 技术流 信息流 技术流
3 技术流 资金流 技术流 客流
4 信息流 信息流 资金流 信息流

4 结论和讨论

以中国47个规模以上港口城市为例，借助ArcGIS、Matlab和Gephi等技术平台，从物流、客流、资金流、技术流和信息流5个维度出发构建2006年和2016年中国沿海港口城市多元联系网络，探讨了不同要素流动影响下港口城市体系的网络格局变化特征。主要得到以下结论：
1）2006—2016年，进入物流、客流、资金流、技术流和信息流的港口城市分别从34、32、34、32和47个增至43、43、47、43和47个，在5个流动要素网络中，城市间的要素联系总量增加且增幅较大，集中分散程度、区域分布特征均发生了显著变化。港口城市体系网络空间结构正由“点轴”模式向“网络化”模式转化。
2）不同流要素的枢纽城市具有高度重合性，但网络结构具有明显差异性。其中，物流两个年份的枢纽城市均是上海，客流由南京变为南京和上海。两种流要素反映了港口城市之间货物和人口的流动，构成了港口城市体系网络关联格局的主要骨架，均呈现“组团发展”与“轴−辐”并存的空间特征；资金流的枢纽城市由深圳变为上海、深圳和广州，技术流由上海变为深圳和上海。两种流要素反映了港口城市未来的发展潜力和发展活力，共同构成了港口城市体系网络联系格局核心骨架连通的支撑轴带，发育出显著的“核心−边缘”和层次性的空间形态；信息流的枢纽城市由上海、南京和宁波发展为上海、深圳和南京，反映了港口城市间的综合信息连接，在整体骨架和支撑轴带的基础上发挥了有效的填充作用，呈现均衡的网络化发展模式。
3）不同流要素网络的社团结构分布存在明显的不同，但随着港口城市在各流要素网络中广度和深度的不断拓展，进一步促进了港口城市群溢出效应的扩散，即各港口城市间实现了要素优化的强聚合效应，彼此进行资源互补，由单纯竞争变为新兴竞合关系，并形成更具效率和价值的网络联系。
4）不同流要素刻画出不同层面的港口城市体系，但却有着紧密联系。物流在港口城市体系中具有基础性作用，仍是港口城市作为交通枢纽基本职能在区域联系中的直观反映。客流反映港口城市经济活跃度及人口迁移热度。资金流则反映港口城市的核心竞争力及彼此间经济活力的此消彼长。技术流反映港口城市创新能力及发展潜力。信息流反映港口城市之间的信息连接及未来发展的方向；从脉冲响应分析来看：物流和客流的相互冲击具有一定的耦合性，两者相辅相成、互为因果。资金流、技术流对物流的冲击程度大于物流对其的冲击，是影响港口发展的关键因素。物流和信息流的相互冲击具有一定的滞后性，但信息流对物流的扁平化起到了明显的促进作用。港口网络转向多元流要素综合发展，港口城市间联系更加多元化，实现了与外部流要素的互动融合。
基于多元流要素刻画港口城市体系的网络关联结构，避免了单一流要素视角下港口城市体系网络联系的属性化特征和片面化结果，增加了城市网络的研究视角。同时，随着多元流动要素在各个港口城市汇集，港口城市间的联系将更加紧密，虽然各个港口城市将“流空间”转化为地方空间的能力存在差异，但各要素流动都将在“流空间”的连接与支撑下得到相应的调整与优化。一方面，“流动空间”引发了港口体系网络研究视角及研究方式的转变，促使其网络联系的集中化程度下降，多核心的扁平化特征成为不同流要素视角下港口城市体系网络的典型特征。另一方面，网络化更要求核心港口城市在区域中发挥枢纽作用、具有突出优势、具有引领作用。不仅有效发挥其区位优势和交通优势，同时应发挥高效的连接功能与辐射作用。从实践的角度看，“流动空间”视角下，港口城市群的溢出效应进一步扩散，港口城市的发展受到内部集聚经济增强和外部网络联系提升的双重影响。首先应积极增强港口城市集群能力，完善基础设施建设、相关配套产业，构建良好的营商环境，着重突出各港口城市的优势功能。其次应有效提升港口的辐射能力，利用其区位优势和联通优势汇集资源要素、高端人才、高新技术和企业投资等，为流要素的集散打下坚实的基础，提升港口网络联系的效率。
在未来的研究中仍应存在一些不足。第一，应该考虑到影响城市节点的各种因素，复杂网络之所以“复杂”，它的影响因素应该是多方面的，除了节点研究内容本身，还应该把其它可能的影响因素都考虑在内，这样才能全面反映中国港口城市网络问题。第二，各流要素都有方向。然而，我们关注流动强度和空间结构而不是流动方向来确定流动空间的层次等级和区域城市发展模式。在我们未来的研究中，我们将在区域城市发展的分析中考虑各流要素的方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王海平, 刘秉镰. 现代化港口城市的内涵与特征——兼论港口经济[J]. 港口经济, 2000(1): 9-13

Wang Haiping, Liu Binglian. Connotation and characteristics of modern port city. Port Economy, 2000(1): 9-13

[2]
Hoyle B S. The port–city interface: Trends, problems, and examples[J]. Geoforum, 1989, 20(4): 429-435

DOI

[3]
郭建科, 吴陆陆, 李博, 等. 多功能视角的沿海港口城市体系位序规模结构及耦合类型[J]. 地理科学, 2020, 40(7): 1050-1061

Guo Jianke, Wu Lulu, Li Bo et al. Rank-size structure and coupling type of coastal port city system based on multifunctional perspective. Scientia Geographica Sinica, 2020, 40(7): 1050-1061

[4]
郭建科, 韩增林. 中国海港城市“港–城空间系统”演化理论与实证[J]. 地理科学, 2013, 33(11): 1285-1292

Guo Jianke, Han Zenglin. The port-city spatial system evolution theory and empirical study of Chinese seaport city. Scientia Geographica Sinica, 2013, 33(11): 1285-1292

[5]
Zhen Feng, Qin Xiao, Ye Xinyue et al. Analyzing urban development patterns based on the flow analysis method[J]. Cities, 2019, 86: 178-197

DOI

[6]
Bird J. The major seaports of the United Kingdom[J]. London:Hutchinson, 1963: 21-22

[7]
Notteboom T, Rodrigue J. Port regionalization: Towards a new phase in port development[J]. Maritime Policy and Management, 2005, 32(3): 297-313

DOI

[8]
Mina Akhavan. Development dynamics of port-cities interface in the Arab Middle Eastern world—The case of Dubai global hub port-city[J]. Cities, 2017, 60(3): 343-352

[9]
王成金. 中国港口分布格局的演化与发展机理[J]. 地理学报, 2007, 62(8): 809-820

DOI

Wang Chengjin. Evolution and developing mechanism of port distribution system in China. Acta Geographica Sinica, 2007, 62(8): 809-820

DOI

[10]
王缉宪. 中国港口城市互动与发展[J]. 南京: 东南大学出版社, 2010.

Wang Jixian. Interaction and development of port cities in China. Nanjing: Southeast University Press, 2010.

[11]
曹有挥, 蒋自然, 陈欢, 等. 长江沿岸港口体系的形成过程与机制[J]. 地理科学进展, 2015, 34(11): 1430-1440

DOI

Cao Youhui, Jiang Ziran, Chen Huan et al. The evolution course and mechanism of the port system along the Yangtze River. Progress in Geography, 2015, 34(11): 1430-1440

DOI

[12]
Guo Jianke, Qin Yafeng, Du Xiaofei et al. Dynamic measurements and mechanisms of coastal port-city relationships based on the DCI model: Empirical evidence from China[J]. Cities, 2020, 96: 102440

DOI

[13]
梁双波, 曹有挥, 曹卫东, 等. 长三角集装箱港口体系的偏移增长与演化模式[J]. 地理科学进展, 2008, 27(5): 95-102

DOI

Liang Shuangbo, Cao Youhui, Cao Weidong et al. The total shift and evolution of the Yangtze River Delta container port system. Progress in Geography, 2008, 27(5): 95-102

DOI

[14]
王成金, 金凤君. 中国海上集装箱运输的组织网络研究[J]. 地理科学, 2006, 26(4): 4392-4401

Wang Chengjin, Jin Fengjun. Organization networks of Chinese marine container transportation. Scientia Geographica Sinica, 2006, 26(4): 4392-4401

[15]
王列辉, 林羽珊, Cesar Ducruet. 1895—2016年全球海运网络中的海峡两岸港口运输联系变化[J]. 地理学报, 2018, 73(12): 2282-2296

Wang Liehui, Lin Yushan, Cesar Ducruet. Changes of ports’ connection across the Taiwan Straits in the global maritime network (1895-2016). Acta Geographica Sinica, 2018, 73(12): 2282-2296

[16]
杜超, 王姣娥, 莫辉辉. 中国集装箱航运网络空间格局及复杂性研究[J]. 长江流域资源与环境, 2016, 25(2): 90-198

Du Chao, Wang Jiao'e, Mo Huihui. Spatial pattern analysis of China container shipping network on complex theory. Resources and Environment in the Yangtze Basin, 2016, 25(2): 90-198

[17]
赵新正, 李秋平, 芮旸, 等. 基于财富500强中国企业网络的城市网络空间联系特征[J]. 地理学报, 2019, 74(4): 694-709

Zhao Xinzheng, Li Qiuping, Rui Yang et al. The characteristics of urban network of China: A study based on the Chinese companies in the Fortune Global 500 list. Acta Geographica Sinica, 2019, 74(4): 694-709

[18]
Peter Nijkamp, Aura Reggiani, Wai Fai Tsang. Comparative modelling of interregional transport flows: Applications to multimodal European freight transport[J]. European Journal of Operational Research, 2004(155): 584-602

[19]
Murat H Celika, Jean-Michel Guldmann. Spatial interaction modeling of interregional commodity flows[J]. Socio-economic Planning Sciences, 2007, 41(2): 147-162

DOI

[20]
焦敬娟, 王姣娥, 金凤君, 等. 高速铁路对城市网络结构的影响研究——基于铁路客运班列分析[J]. 地理学报, 2016, 71(2): 265-280

Jiao Jingjuan, Wang Jiao'e, Jin Fengjun et al. Impact of high-speed rail on inter-city network based on the passenger train network in China, 2003-2013. Acta Geographica Sinica, 2016, 71(2): 265-280

[21]
魏冶, 修春亮, 刘志敏, 等. 春运人口流动透视的转型期中国城市网络结[J]. 地理科学, 2016, 36(11): 1654-1660

Wei Ye, Xiu Chunliang, Liu Zhimin et al. Spatial pattern of city network in transitional China based on the population flows in “Chunyun” period. Scientia Geographica Sinica, 2016, 36(11): 1654-1660

[22]
沈丽珍, 罗震, 陈浩. 区域流动空间的关系测度与整合——以湖北省为例[J]. 城市问题, 2011(12): 30-35

Shen Lizhen, Luo Zhen, Chen Hao. Measurement and integration of regional flow space: A case study of Hubei Province. Urban Problems, 2011(12): 30-35

[23]
武文杰, 董正斌, 张文忠, 等. 中国城市空间关联网络结构的时空演变[J]. 地理学报, 2011, 66(4): 435-445

Wu Wenjie, Dong Zhengbin, Zhang Wenzhong et al. Spatial and temporal evolution of urban spatial association network structure in China. Acta Geographica Sinica, 2011, 66(4): 435-445

[24]
刘承良, 桂钦昌, 段德忠, 等. 全球科研论文合作网络的结构异质性及其邻近性机理[J]. 地理学报, 2017, 72(4): 737-752.

Liu Chengliang, Gui Qinchang, Duan Dezhong. Structural heterogeneity and proximity mechanism of global scientific collaboration network based on co-authored papers. Acta Geographica Sinica, 2017, 72(4): 737-752.

[25]
Ter Wal A L J. Cluster emergence and network evolution: A longitudinal analysis of the inventor network in Sophia Antipolis[J]. Regional Studies, 2013, 47(5): 651-668

DOI

[26]
陈艳华, 韦素琼, 陈松林. 大陆台资跨界生产网络的空间组织模式及其复杂性研究——基于大陆台商千大企业数据[J]. 地理科学, 2017, 37(10): 1517-1526

Chen Yanhua, Wei Suqiong, Chen Songlin. The spatial organization pattern and its complexity characteristics of cross border production networks of Taiwan-funded Enterprises in Chinese mainland: Based on Top 1 000 Taiwan-funded Enterprises in Chinese mainland. Scientia Geographica Sinica, 2017, 37(10): 1517-1526

[27]
王波, 甄峰. 城市实体特征对城市网络空间影响力的作用机制——基于互联网新闻媒体的分析[J]. 地理科学, 2017, 37(8): 1127-1134

Wang Bo, Zhen Feng. Impacts of city’s characteristics on city’s importance in the virtual world: An empirical analysis based on Internet news media. Scientia Geographica Sinica, 2017, 37(8): 1127-1134

[28]
Derudder B, Cao Z, Liu X et al. Changing connectivities of Chinese cities in the world city network 2010-2016[J]. Chinese Geographical Science, 2018, 28(2): 183-201

DOI

[29]
Liu X, Derudder B, Wu K. Measuring polycentric urban development in China: An intercity transportation network perspective[J]. Regional Studies, 2016, 50(8): 1302-1315

DOI

[30]
韩增林, 郭建科. 中国海港空间效应的识别与测度[J]. 地理学报, 2014, 69(2): 243-254

DOI

Han Zenglin, Guo Jianke. The identification and measurement of seaport spatial effect in China. Acta Geographica Sinica, 2014, 69(2): 243-254

DOI

[31]
占文威, 席景科, 王志晓. 基于相似性模块度的层次聚合社区发现算法[J]. 系统仿真学报, 2017, 29(5): 1028-1032+1040

Zhan Wenwei, Xi Jingke, Wang Zhixiao. Hierarchical agglomerative community detection algorithm based on similarity modularity. Journal of System Simulation, 2017, 29(5): 1028-1032+1040

[32]
樊欢欢, 刘荣. Eviews统计分析与应用[M]. 北京: 机械工业出版社, 2014.

Fan Huanhuan, Liu Rong. Eviews statistical analysis and application. Beijing: China Machine Press, 2014.

[33]
高鹏, 何丹, 宁越敏, 等. 长江中游城市群社团结构演化及其邻近机制——基于生产性服务企业网络分析[J]. 地理科学, 2019, 39(4): 578-586

Gao Peng, He Dan, Ning Yuemin et al. Evolution of community structure and its adjacent mechanism in urban agglomeration in the middle reaches of the Yangtze River. Scientia Geographica Sinica, 2019, 39(4): 578-586

Options
文章导航

/

〈 〉