中國城際人流和投資流網絡特征演化及相互影響

張 航，徐建剛

（南京大學 建筑與城市規劃學院，江蘇 南京 210093）

0 引言

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

人流和投資流是區域經濟要素空間再配置的結果，二者的關系密不可分。一方面，人流作為城鎮化的核心要素，承載了產業、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生產、經營活動，顯著推動流入地經濟發展［3］。資本為了更高的回報則會追隨著大規模的勞動力遷移［4］。另一方面，企業選址根植于城市規模與經濟水平，工作機會、收入水平等因素驅動下的人口流動勢必會與企業資本集聚呈現一定趨同性。企業間以價值創造為導向的正式與非正式的聯系構成了人口流動網絡存在的基礎［5］。

人口流動是中國改革開放以來規模最大、意義最深遠的地理過程之一［6］，受到學界持續而廣泛的關注。以往學者多使用人口普查和人口抽樣調查等統計數據對我國長期人口流動時空格局進行刻畫［7－10］，但受限于數據精度，研究多為省級單元尺度。隨著大數據的開源獲取，不同學者利用百度遷徙數據、騰訊位置數據、微博簽到數據等互聯網大數據構建城際人流聯系空間網絡格局［11－14］，并使用社會網絡分析方法從中心性、控制性等視角解構城市人流網絡特征［15，16］。此外，相關學者使用重力模型［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濟水平、行政等級、產業結構、收入水平、就業機會、遷移成本等社會經濟因素對人口流動的影響機制。在大數據分析手段的支撐下，城市人流網絡刻畫在空間粒度、規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系網絡研究仍較缺乏。此外，有關人口流動的影響測度也停留在靜態經濟社會統計指標層面，忽視了不同要素流在動態網絡中的相互作用關系。

投資流動是一種企業聯系形式。企業聯系視角下城市網絡研究主要有企業內網絡和企業間網絡兩種主要途徑［1］。國外學者最早通過企業內部總部－子公司關系表征城市網絡空間結構［22，23］，但大型企業區位選址常根植于發達城市，城市網絡容易忽略邊緣城市。企業間的聯系開始用于城市網絡研究，國內外不同學者利用企業股權關系［24，25］、企業間創業投資聯系［26，27］等角度透視了我國和城市群尺度的城市企業聯系網絡格局。已有研究大多關注某一年份的企業聯系網絡格局，對多個時期網絡特征演化的研究仍較缺乏。在影響因素方面，部分學者使用面板數據多元回歸等方法對城市企業網絡的作用機制進行剖析，發現城市經濟水平、金融環境、人口密度、產業結構等因素影響顯著［28，29］。仍未有研究關注人口流動因素對企業聯系網絡的影響。

綜上，本文基于流動人口監測數據和企業股權關聯數據，構建2009—2017 年我國人口流動和投資流動網絡。從網絡聯系和網絡節點中心度兩方面分析人流和投資流網絡空間格局和演化機制，并使用結構方程模型測度人流和投資流網絡的相互影響機制，以期為多要素流城市網絡空間格局研究做出補充，并為網絡之間的復雜作用關系研究提供思路。

1 研究區域、數據來源和研究方法

1.1 研究區域與數據來源

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為研究對象，并保證3 個研究期內研究區域一致，清除部分數據缺失的城市樣本，確認我國283 個地級及以上城市為最終研究區域。

人口流動數據來源于2017 年我國流動人口動態監測調查。該調查按照隨機原則在我國32 個?。ㄊ校┌戳鲃尤丝谳^為集中的流入地抽取樣本點，并采用分層、多階段、與規模成比例的PPS 抽樣法，選取在流入地居住一個月以上，非本區（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流動數據，流動人口監測數據面向務工經商、搬遷、學習等長期流動人群，剔除了旅游、春節返鄉等短期流動。長期流動人口直接參與了流入城市的經濟建設，對流入地社會經濟發展影響更為持續和深遠，利用流動人口監測數據構建人口流動網絡，可以更有效地測度人流網絡與投資經濟流網絡的相互影響關系。每一位調查對象從戶籍地到所在地的OD對視為一次流動，剔除城市內的流動（流出地和流入地為同一城市）和不在研究區域內發生的流動，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。

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

1.2 研究方法

從網絡聯系和網絡節點中心度兩方面刻畫人流和投資流的城市網絡空間格局，并使用ArcGIS 10.5軟件進行可視化。網絡聯系方面，識別流出城市→流入城市的人流和投資流OD對，以單個OD對發生人口和投資流動的數量反映該OD 對城市聯系強度。網絡節點中心度方面，使用社會網絡分析方法和位序—規模法則測度人流和投資流網絡加權出、入度分布特征。

社會網絡分析：社會網絡分析方法中常用度中心性指標反映城市節點在網絡中的地位和重要性［30－32］，其中加權出度表示節點對網絡資源的控制能力，加權入度表示節點對網絡資源的吸引能力［33］。城市人流和投資流的加權入度、加權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入度；Dout（i）為城市i 的人流或投資流加權出度；Xij（in）為城市j 流入城市i 的人口或投資數量；Xij（out）為城市i 流入城市j 的人口或投資數量。

位序—規模法則：借鑒位序—規模法則，對人流和投資流網絡節點城市加權入度、加權出度值進行排序并分別繪制冪律曲線，以反映城市網絡度分布規律［34］。度分布公式為：

式中：Din（i）為城市i 的人流或投資流加權入度；Dout（i）為城市i 的人流或投資流加權出度；rank（i）in、rank（i）out分別表示節點i 的入度、出度在網絡中的排序；C1、C2為常數；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絡的演化特征，絕對值變大，說明城市網絡集中的力量大于分散的力量，網絡層級性提升；絕對值變小，則說明城市網絡分散的力量大于集中的力量［35］，網絡層級性降低。

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

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

人口流動的發生主要受到主觀能動的流動人口屬性和客觀驅動的城市外部環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、遷移目的等均對人口流動的空間特征產生影響，而在流入、流出地城市屬性層面，二者的城鎮化水平、經濟發展水平、人口規模、產業結構、就業機會等社會經濟差異形成了促使兩地發生人口流動的“推力”和“拉力”。企業間資本流動與市場潛力、關鍵資源、營商環境、勞動力供應等企業外部條件密切相關［31］，異地投資的發生與否取決于企業所在城市的經濟發展水平能否提供企業發展所需外部環境，受到GDP、年末常住人口、第三產業比重等城市經濟指標的影響［38］。構建人流網絡和投資流網絡在流動人口屬性和城市經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 人流和投資流數量Table 1 The number of people and investment flows

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

內生變量路徑模型中，分別以加權出度、加權入度反映城市人流和投資流網絡的出度、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系，得到兩兩連接的8 條有向路徑。外生變量對內生變量的路徑模型中，考慮城市人口規模、經濟規模、企業規模和產業結構4 個城市經濟屬性指標對人流和投資流四類網絡中心地位均能產生影響，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、職業類型和戶籍類型三類流動人口屬性指標對人流網絡中心地位的影響，得到2 ×3 共6條有向路徑。將路徑效應分解為直接效應、間接效應和總體效應，每種效應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 網絡聯系空間格局

我國城際人流和投資流聯系均不斷增強，參與兩種要素流動的城市OD 對數量均不斷增長。2009—2011 年、2012—2014 年和2015—2017 年發生人流聯系的城市OD 對分別為6 131 對、7 648 對和8 976對，發生投資流聯系的城市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絡均不斷發育和擴張。

人流和投資流網絡聯系呈現不同的空間格局。具體來說，人流聯系網絡整體呈現以一線城市和各省會城市為中心的多流動組團格局，網絡均質化和破碎化特征明顯。人流由區域內短距離流動主導，呈現由下至上跨經濟和行政等級的垂直流動特點，高層級人流主要發生在經濟欠發達城市向省內或鄰省經濟發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，多個人流組團內建立了緊密的人流聯系，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、深圳等區域內跨省人流組團，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→南昌，資陽、南充、遂寧→成都等省內人流組團。

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

投資流聯系網絡則呈現以四大城市群為核心的“菱形”結構，流動等級性突出，“俱樂部效應”明顯。其中，京津冀、長三角和粵港澳大灣區三大城市群形成“菱形”中的3 個強核心，而成渝城市群為次級核心。相較于人流聯系，投資流呈現長距離跨區域聯系和同經濟等級城市間水平流動的“俱樂部效應”。2009—2011 年、2012—2014 年和2015—2017 年四大城市群間發生投資流動的次數分別為6 736 起、9 293起和11 669 起，分別占該研究期投資總流動數量的43.8%，51.4%和52.5%，四大城市群彼此投資聯系不斷增強，投資流路徑依賴效應明顯。

3 網絡節點中心度分布特征

3.1 網絡節點中心度位序—規模分布

人流和投資流網絡節點中心度位序分布回歸擬合效果總體良好，除人流加權出度外，R2均大于0.75，投資流擬合效果總體優于人流。中心度分布回歸曲線斜率絕對值反映了網絡層級性水平高低。從圖3 可見，2009—2017 年3 個研究期人流和投資流網絡層級性總體呈現增長趨勢，其中人流網絡層級性水平先降后升，投資流網絡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絡節點加權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

人流網絡呈現入度層級性突顯，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 區間，層級性突出，北京、上海、重慶、天津四城長期占據人口入度前四位，核心地位突出，人口吸引能力強；人流加權出度位序分布曲線則較為平緩，斜率絕對值位于0.8—0.95 區間，可見人口流出網絡相對扁平、均質化程度更高，人流加權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 市在兩個研究期內位列人流出度前十。

投資流網絡呈現出度層級性水平相對高、入度層級性水平相對低的特征。投資流加權入度位序分布曲線斜率絕對值位于1.0—1.25 區間。北京、上海長期位于投資流加權出度Top2，其中，北京投資吸引能力更強，每3 年吸引投資數約為上海的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。投資流加權出度位序分布曲線則更陡峭，斜率絕對值位于1.0—1.25 區間，投資流出網絡層級性更高。加權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 年人流網絡加權中心度前十城市Table 3 The Top10 cities with weighted degree of people flow networks，2009－2017

表4 2009—2017 年投資流網絡加權中心度前十城市Table 4 The Top10 cities with weighted degree of investment flow networks，2009－2017

3.2 網絡中心度空間格局

人流和投資流網絡中心度均表現出明顯的“東—中—西”空間分異和“核心—邊緣”結構，集聚趨勢不斷增強。其中，人流網絡由相對均質化空間逐漸轉變為以東部沿海城市群和中西部省會城市為人口流入中心的格局；投資流網絡呈現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。

人流網絡中心度呈現以京津冀、長三角、粵港澳大灣區、海峽西岸城市群等東部沿海城市群為主要流入地，中西部地區和東北地區為主要流出地的格局。東南地區人口流入規模不斷增大，以城市群為組團呈內部集聚、外部擴散趨勢，東南沿海“人口流入連綿帶”逐漸成形；中西部地區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，京津冀城市群呈現北京、天津人口流入雙中心格局。長三角地區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，人口吸引態勢在城市群范圍內不斷擴散?；浉郯拇鬄硡^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勢不斷增強，成都人口流入中心地位逐漸顯現。中西部省會城市人口吸引能力持續增強，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域人口流入中心的“多點開花”格局顯現并不斷強化。

投資流網絡中心度“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，而中西部地區以成渝城市群為主要投資流入地，呈現流入節點數量多、單點流入投資數量少的特點。3 個研究期內，全國范圍投資流節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“京津”投資流動雙中心格局，天津維持投資流出態勢，北京由投資流出型城市逐漸變為投資流入型城市，投資吸引能力不斷強化。長三角地區是投資輻射能力最強的城市群，呈現以上海為主中心，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。粵港澳大灣區呈現“廣深”投資流出雙中心并維持不變。成渝城市群呈現“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，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。

對比兩種網絡中心度格局發現，人流與投資流網絡中心度分布呈現一定的反向匹配關系。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。三大城市群在內的網絡核心城市表現出對資本要素的控制能力的同時，也表現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絡邊緣城市表現出對資本要素的吸引能力的同時，也表現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絡加權度格局Figure 4 Intercity people flow and investment flow network weighted degree pattern in China，2009－2017

4 人流和投資流網絡的相互影響機制

將2009—2017 年3 個研究期共847 個觀測樣本納入結構方程模型。使用Amos 23.0.0 軟件運行模型，采用極大似然法（ML）進行數據擬合，并進行重抽樣 樣 本 數 為2 000 的Bollen－Stine bootstrap 估計［36］。根據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系以提高模型適配度［40］。修正后最終模型的擬合指數和參考值如表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果如表6、表7 所示。直接效應、間接效應和總體效應均為標準化后路徑系數，其中直接效應顯著性根據回歸權重表中P 值判定，間接效應和總體效應顯著性依據糾偏后百分位數法得到的雙尾顯著性判定。

表5 模型擬合結果Table 5 Model fitting results

4.1 人流和投資流的相互影響

內生變量之間的效應值如表6 所示。從表6 可見，人流和投資流網絡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，兩種效應強度相當，直接效應分別為－ 0.717 和0.829，總體效應分別為－ 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，標準化總體效應達到－0.539，城市企業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，標準化總體效應達到0.454，城市企業資本流入顯著提升了人口吸引能力。

表6 內生變量之間的直接效應、間接效應和總體效應Table 6 Direct，indirect and overall effects between endogenous variables

人流和投資流網絡對自身的影響效應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，效應值更高且更顯著，人口外流后的回流效應明顯。投資流網絡的雙向影響效應水平相當，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。人流和投資流網絡的相互影響路徑可以解釋為資本流動自我實現的過程，資本流入通過刺激流入地城市企業的發展，增加就業崗位，進而提高流入地的人口吸引能力，為當地帶來更多的勞動力，拉動當地經濟發展，反過來提升該地企業投資外向輻射能力。

4.2 外生變量對人流和投資流網絡的影響

外生變量對內生變量的效應值如表7 所示。

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

從表7 可見，城市經濟屬性對城市人流和投資流網絡地位的影響效應水平高且普遍顯著，而流動人口屬性對兩種網絡影響微弱且部分顯著。人口規模對人流網絡影響顯著，人口規模越大，人口流入和人口流出總量越大；人口規模對投資流出度的負向抑制作用顯著，直接抑制效應達到－ 0.438，總體效應為－ 0.265。經濟規模（GDP）對人流和投資流網絡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，可見城市經濟發展對人口的吸引作用明顯，且對人口留居作用強；另一方面，城市經濟規模對投資流出度、入度均有顯著的正向影響。經濟規模對投資吸引的直接效應達到1.431，為外生變量對內生變量直接影響的最高效應值，這進一步說明城市經濟發展水平越高越有利于吸引企業投資，且其對投資的吸引度高于其投資向外輻射的程度［29］。企業規模（規模以上企業數量）對雙要素網絡的總體效應均不顯著，但對人流入度和投資流出度的直接促進效應和對人口外流和投資流入的直接抑制效應顯著?？梢姵鞘衅髽I規模越大，就業和工作機會越多，對人口吸引能力越強，向外投資輻射能力越強。產業結構（第三產業占比）對雙要素網絡均起到正向促進作用，其中，對人流入度的標準化總體效應強度約為對人流出度的效應強度兩倍，城市三產占比增加能吸引更多服務業人員，從而有效促進了對人口凈流入；產業結構對投資流網絡的標準化總體效應強度相當，對投資吸引和輻射的正向影響相同。

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

5 結論與政策建議

5.1 結論

本文基于流動人口監測數據和企業投資數據，構建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絡，分析兩種網絡的空間格局和演化規律，并使用結構方程模型測度兩種網絡間的相互影響效應。主要結論如下：①人流和投資流網絡聯系呈現不同的空間格局和演化特征。人流網絡聯系形成多個區域內短距離人流組團，自下而上跨經濟和行政等級的垂直人流趨勢明顯。投資流網絡聯系的“菱形結構”不斷強化和明晰，同經濟等級城市間投資水平流動的“俱樂部效應”突顯。②網絡中心度格局“東—中—西”分異不斷加劇，網絡層級性和“核心—邊緣”結構突出，集聚趨勢明顯。人流與投資流網絡表現出反向匹配的關系，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，中西部發達省會城市則表現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絡之間的相互影響關系主要體現為，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，進而推動流入地經濟發展，提升其投資向外輻射能力。④人口規模、經濟規模（GDP）、企業規模和第三產業占比四類城市經濟屬性要素對人流和投資流網絡產生了不同程度的影響，其中城市經濟規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絡影響相對較小。非農業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，低學歷和農業戶籍人群仍是城市大規模流出人口的主要組成部分。

5.2 政策建議

根據上述結論，提出以下政策建議：

首先，構建和完善多層級城市群體系，加強對中西部地區城市群的培育。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，可以有效推動區域高質量均衡發展。我國城際要素流動主要發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，西部地區僅有成渝城市群。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，導致東、中、西部區域差異逐漸增大。未來應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量城市群快速發育成型。

其次，加強不同地區和不同等級城市間網絡聯系。城市間聯系不斷緊密，但也存在不同程度的網絡層級固化，使得大部分資源要素流向少部分高層級城市，從而加快區域不均衡發展。未來應破除資源配置的路徑依賴和跨地區行政壁壘，增加不同發展水平區域間、不同等級城市間的要素聯系，尤其要加強東部發達城市與中西部欠發達城市間的強—弱聯系，構建多節點、多聯系的城市網絡。

第三，促進以人口和資本為主體的多要素城市聯系。研究表明，城市間人口和資本流動存在相互促進關系，加快城市網絡內部的資本、人口等要素流動，特別關注二者之間的耦合協調關系，可以有效推進國內大循環格局的構建。未來的城市網絡呈現多向、多要素聯系的復雜關系，僅僅關注單一要素的格局和空間配置，容易陷入局部優化的陷阱，統籌協調城市間資本、人口、交通、基礎設施等多元要素聯系，整體性制定資源優化策略，可以有效促進城市復雜網絡內多要素間的耦合和自我實現機制的構建，實現城市網絡的高質量發展。

5.3 討論

本文仍存在一定的局限性。流動人口動態監測數據抽樣調查科學、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絡格局。但相較于大數據方法，仍存在數據量不足的問題，難以反映真實人流規模。此外，受新冠疫情的不利影響，2019年以后的流動人口動態監測數據未能獲取，故本研究未對2019—2022 年的我國城際人流和投資流網絡進行實證分析，僅對人流和投資流網絡的相互影響關系進行了初步探索。未來可以結合交通、信息等不同要素流對城際網絡更為復雜的耦合機制進行研究。