江浙滬地區城市群空間結構優化

劉富勤 朱永興

［收稿日期］2022-1108

［基金項目］湖北省教研項目（2020464）

［第一作者］劉富勤（1971年-），女，河南信陽人，湖北工業大學副教授，研究方向為工程管理

［通信作者］朱永興（1994年-），男，山東新泰人，湖北工業大學碩士研究生，研究方向為工程管理

［文章編號］1003-4684（2023）02-0084-07

［摘要］合理有序的空間結構為城市群協調發展提供依據，對空間聯系強度和網絡特征的分析，可以為城市發展提供借鑒。以江浙滬地區25個城市為例，利用熵值TOPSIS改進空間引力模型，對城市之間的空間聯系強度進行計算，繪制空間聯系網絡圖，并對結果進行社會網絡分析，為城市群空間結構優化提供建議。研究表明：空間聯系強度方面，江浙滬地區城市群，集中在上海、蘇州、無錫和常州，呈現由中部向北部和南部，東部向西部遞減的趨勢。核心邊緣結構和凝聚子群分析中，城市群圈層結構明顯，空間穩定性較好。核心圈層內城市掌握較多資源，整個城市群可分為三個圈層和四個凝聚子群。對此，文章針對每個城市子群提出具體建議。

［關鍵詞］江浙滬城市群； 熵值TOPSIS； 空間結構； 社會網絡分析

［中圖分類號］F293? ［文獻標識碼］A

城市群是指在一定地域空間內，以一個特大城市為核心，不同等級，規模和性質的大中小城市，以發達的交通網絡為依托，吸引和輻射周邊區域，共同構成相互作用、相互聚集的集合體。空間結構反映了一個城市群的綜合發展水平和群內各城市經濟、社會等要素的相互聯系，可以用來衡量城市群的競爭力。城市群空間結構優化，是指從空間視角，在空間發展的現狀基礎之上，分析城市空間發展的局限性與潛力，提出城市空間未來的發展趨勢和總體架構[1]，是城市體系研究的重要內容之一。對城市群空間網絡的研究，可追溯到Friedman對城市等級體系的研究[2]。目前，對城市群空間結構的研究主要有四個方面：一是城市群空間結構的形成原因和機理，白永亮（2014）從經濟距離、質量和引力三個方面探尋長江中游城市群內部聚集的機理[3]。張祥健（2003）通過對長江三角洲城市群產業機理研究，發現城市群驅動力是產業關聯效應，產業轉移效應和產業聚集效應[4]；二是對空間結構特征的研究。李金峰（2019）剖析了中原城市群物流業發展空間演變特征，認為整體聯系強度明顯增強，聯系總量差距大且聯系不平衡[5]。武前波（2021）對浙江省19家銀行構成的金融網絡空間的結構特征進行分析[6]；三是對城市空間結構優化的探討，鐘業喜（2020）通過對長江中游城市群空間結構比較分析，發現武漢城市圈緊湊度和可達性最好，并提出城市梯度建設的建議[7]。程欽良（2020）發現蘭西城市群網絡結構單一，城市間的聯系依賴于行政區劃分[8]；四是城市群空間結構測度和影響，Zhou和Gao（2020）探究不同時期交通對于東京城市群空間聯系強度的影響[9]。Jia和Tang（2019）探究基礎設施投資變化對城市群連接強度的影響，并對山東半島、四川城市群和長三角、珠三角城市群進行研究[10]。

近些年，在社會學領域里的社會網絡分析被廣泛應用于城市群空間結構特征分析。社會網絡分析是從“關系”出發，刻畫網絡的整體形態、特征和結構的重要方法。

已有的研究已經從不同角度對城市群空間結構進行分析，但在研究方法上仍然有進一步改進的空間。在研究內容方面，多集中在城市群層次結構劃分，對層次內各城市空間聯系研究較少。此外，隨著城市的發展，引力模型中GDP和人口的數據并不能全面反映一個城市的綜合發展，本研究采用社會網絡分析，基于交通時間、成本等數據，對江浙滬地區25個城市進行空間聯系強度、中心性、核心邊緣結構和凝聚子群分析。在已有研究的基礎上，本文希望從以下幾個方面做出進一步貢獻，對傳統的引力模型參數做出調整，選取GDP、社會消費品零售總額等8個指標，利用熵值TOPSIS確定城市綜合系數。利用鐵路運輸時間和成本來確定兩地之間的距離，以此作為社會網絡分析的基礎數據。其次，通過中心性，核心邊緣結構和凝聚子群等指標，探尋城市間空間聯系特征，為城市研究提供依據和參考。

1??? 數據來源和研究方法

1.1??? 城市群背景

國務院發展研究中心《地區協調發展的戰略和政策》報告中提出劃分八大經濟區[11]，其中東部沿海經濟區：包括上海、江蘇和浙江三省市。要建設成為具有國際影響力的世界性金融中心，全國最具影響力的多功能的制造業中心，特別是輕工業裝備產品制造中心，以及高新技術研發和制造中心，江浙滬三地GDP已超萬億，地區人均GDP已接近發達國家水平。選擇江浙滬地區城市群作為研究對象原因為：江浙滬地區城市群空間結構層次明顯。城市群包括上海一個特大城市，蘇州、杭州、南京等大城市，徐州、溫州等中型城市，還有一些規模比較小的城市，城市等級、規模分明。在承接產業結構轉移，人口、經濟要素互聯互通方面有很大優勢。以此為研究對象更容易體現城市群空間結構變化特征。

1.2??? 數據來源

本文研究分析了江浙滬地區25個城市2019年的數據，衡量各個城市綜合素質的相關數據來自于浙江省、江蘇省和上海市2020年各地市統計年鑒。

城市之間的時間和地理距離基于以下幾種原則：1）鑒于目前遠距離運輸以鐵路為主且優勢明顯，對于有直達鐵路客運站的城市，費用和時間通過訪問https：∥www.12306.cn/index/確定。2）對于沒有鐵路客運站直達的城市，采用鐵路中轉的方案，換乘的時間也被計算在內3）對于沒有鐵路客運站的城市，比如舟山市，采用鐵路+公路的方式，通過訪問https：∥bus.ly.com/來確定客車最佳運輸距離。

1.3??? 研究方法

1.3.1??? 引力模型的建立空間引力模型是根據萬有引力定律和距離衰減原理構造出來的，傳統的引力模型的原理是兩個物體之間的空間聯系強度與兩物體質量成正比，與距離成反比。如今，已被廣泛應用在研究空間聯系強度、生態環境、基礎設施等領域[12-14]。本文對傳統引力模型參數進行調整，建立調整后的空間引力模型，修正后的模型用于城市間空間聯系強度的量化，并作為社會網絡分析的基礎數據。

傳統空間引力模型里的質量參數，通常用GDP和人口來表示，但隨著經濟的發展，已經不能表達一個城市的綜合發展，因此本文采用GDP、進出口總額、實際利用外資等8個指標，來衡量城市的綜合素質。傳統的引力模型里的城市直線距離，現如今更多用兩地交通時間和交通成本來表示。這樣會更客觀，更全面反應兩個城市之間的聯系強度。調整空間引力模型過程如下：

Fij=kMiMjDαij（1）

其中：Fij表示城市i與j的空間聯系強度，Mi和Mj表示為城市i和城市j的綜合素質系數。Dij是城市i和城市j之間的距離。k是引力常數，通常為1，而α是摩擦距離，通常為2[15]。

隨著市場經濟的日趨發達，城市間的距離不再用直線距離來表示，而是考慮運輸距離，兩地間的要素流動主要因素是交通運輸的時間與費用，因此兩地之間的空間距離可以轉化為交通運輸的時間與費用的組合[16]。城市i與城市j兩地之間的距離可以用下列公式來表示：

Dij=CijTij（2）

因此，上述公式（1）可表示為：

Fij=MiMjCijTij（3）

對于城市綜合素質M，本文在現有研究的基礎上，采用熵值TOPSIS，選取8個指標（表1），得出每個城市的綜合素質。步驟如下，基于25個城市，8個指標，構造了一個25×8的矩陣。設決策矩陣為X=（xib）25*8，其中xib為i市在指標b下的指標值。

第一步是構造初始決策矩陣X

yib=xib∑25i=1xib（4）

第二步，計算各指標的熵eb和權重值wb

Pib=yib∑25i=1yib（5）

eb=－1lnn∑ni=1Pib·lnPib（6）

wb=（1-eb）∑nb=1（1－eb）（7）

第三步構造賦權后的矩陣并計算正理想解和負理想解

Z=（zib）25×8，zib=wb×yib（8）

A+=（z+1，z+2，…，z+n）（9）

A-=（z-1，z-2，…，z-n）（10）

第四步，計算歐氏距離

d+i=zi－A+=∑nb=1（zib－z+b）2（11）

d－i=zi－A－=∑nb=1（zib－z－b）2（12）

最后一步，計算每個城市的綜合素質

Mi=d－id－i+d+i（13）

城市之間的聯系強度是有方向的，既可以是單向也可以是雙向。根據公式（3）來衡量每一個城市對外的影響，和其他的城市對其自身的影響，為社會網絡分析奠定基礎。城市之間的空間聯系強度計算公式如下：

Ri→j=MiMi+Mj×MiMjCijTij；

Rj→i=MjMi+Mj×MiMjCijTij（14）

Pi=∑jRi→j=∑jMiMi+Mj×MiMjCijTij;

Ni=∑jRj→i=∑jMjMi+Mj×MiMjCijTij（15）

上述公式中，Ri→j衡量的是城市i對城市j的影響，同樣，Rj→i衡量的是城市j對城市i的影響，Pi衡量的是城市i對網絡中其他城市的累計影響力，而Ni衡量的是網絡中其他城市對城市i的累計影響力。

1.3.2??? 社會網絡分析社會網絡分析是發現并且利用社會網絡中最重要的特征和關系，以及這些關系如何代表信息在網絡中的流動[22]。它具有分析單個網絡和整體網絡特征的功能。近年來，不僅僅局限于分析人與人構成的網絡，還廣泛應用在了城市群空間結構、產業研究、政府政策、國際商務貿易等研究領域[22-23]。社會網絡分析通常用UCINET軟件進行，用于計算和分析中心性，凝聚子群等網絡指標，并利用netdraw繪制空間連接圖。本文通過對江浙滬地區城市群的城市連接強度數據進行分析，從中心性、核心邊緣結構和凝聚子群等指標入手，深入分析江浙滬地區城市群空間結構特征。

2??? 結果與分析

2.1??? 江浙滬地區城市群空間連接強度特征

2.1.1??? 城市特征通過基于熵值TOPSIS，以及上述公式，確定了江浙滬城市群25個城市的綜合素質Mi，城市對外影響力總和Pi，外部對其城市的影響綜合Ni，城市綜合聯系強度Pi+Ni，對外影響與外部對其影響之差Pi-Ni，如表2所示。

1）城市群綜合發展水平呈階梯狀分布

由表2可以看出，各城市之間綜合發展水平差異較大，但總體來看呈現階梯型分布，上海市一家獨大，各方面均全面領先于其他城市。據Mi，可把江浙滬城市群大體分為四個層次：（a）上海一家特大型城市；（b）蘇州、杭州、南京三個大型城市；（c） 寧波，無錫，嘉興，南通，徐州，溫州，常州等中等城市;（d）紹興、臺州、鹽城等剩下的14座小型城市。

2）城市群有影響力的城市較多

在城市連接強度的網絡里，一個城市的地位可以由對外的影響減去外部對其本身的影響力來表示，即Pi-Ni。當Pi-Ni的值為正時，表明該城市在城市群中比較發達，其值越高，在城市群中的地位越高，外部影響力越強。當Pi-Ni為負值的時候，表示這座城市受其他城市的輻射能力超過自身對外部的影響。由表2可知，上海，蘇州，杭州，南京外部的影響力超過了外界對其本身的影響力，其他城市均為負值。即上海，蘇州，杭州和南京具有較強的對外輻射和影響力，可以認為是城市群內的輻射源點。其他城市則對上述城市的依賴程度較高。

3）城市的空間聯系強度受交通時間和交通成本影響較大

Pi+Ni可以反應一個城市在空間連接強度網絡中整體的參與程度。從表2看出，城市的Pi+Ni大體上與城市綜合素質呈相關關系，即城市的綜合素質越高，其空間聯系強度也就越好，但是受鐵路交通時間和成本影響較大。如圖1所示，蘇州、無錫、嘉興、常州雖然城市綜合素質位列第二，第六、第七和第十一，但空間聯系強度突出，分析其空間可達性較好，空間聯系強度與綜合素質并無絕對的因果關系。其地理位置在整個網絡的中央，對外部城市交通時間和交通成本最優，故在空間聯系強度方面有較大優勢。同時、無錫、嘉興和常州在位置上與上海、蘇州核心城市緊密相鄰，極有可能受到核心城市輻射的影響，也說明上海，蘇州這兩個核心城市對外輻射的效應明顯。

2.1.2??? 城市空間聯系強度特征公式（3）可計算出城市之間空間聯系的矩陣，導入ucinet軟件計算，通過netdraw進行可視化。如圖2所示，城市之間的連接強度，通過線的寬度以及顏色來反映。可以看出各城市之間的聯系強度存在很大差異，聯系強度集中于上海、蘇州、無錫和常州之間，同時南京和鎮江之間的聯系也很強烈。但是南京和鎮江與上述城市之間聯系并不強烈。紹興、杭州、泰州、揚州、南通五個城市之間的聯系強度屬于第二梯隊。其他城市之間的聯系強度還要再弱一些。

2.2??? 江浙滬地區城市群空間結構

2.2.1??? 中心性分析通過網絡中心性指標，可以識別出網絡中實力更強的城市，即可以對資源和信息有更多控制力和影響力的城市。中心性分析可以通過度數中心度來表示，即與該點直接相連的其他點的個數。基于城市聯系強度矩陣，得到每個城市的度數中心度如表3所示。在度數中心度方面，無錫、蘇州、上海、常州、南京、鎮江、揚州的中心度在整個網絡中比較高，表明這幾個城市在城市群中的地位最高，與之相連接的城市最多，對資源和信息有更多的控制力，對其他城市有更大的影響力。

由表3可知，上海的綜合素質最高，但是度數中心度稍遜于無錫和蘇州，因為無錫和蘇州在空間地理位置更占優勢，處于整個網絡的中心地帶，到達各個城市的成本和時間最優。無錫在綜合素質方面并不是最高，但度數中心度位列第一，且在城市群空間聯系強度位列第三，因為這幾年高鐵線路的開通，給無錫帶來了鐵路交通的優勢。縮短了到達各個城市的時間，使無錫在城市群中影響力和實力不斷增加。

2.2.2??? 核心邊緣結構分析利用社會網絡中的核心邊緣結構分析，可以進一步弄清楚江浙滬地區城市群的層次結構。設定核心至外圍連接的期望密度為0.2，江浙滬地區城市群核心邊緣結構構成如表4所示。

表4??? 核心邊緣城市核心上海，蘇州，無錫，常州

邊緣南京，鎮江，南通，揚州，泰州，淮安，鹽城，徐州，宿遷，連云港，杭州，寧波，紹興，嘉興，湖州，溫州，金華，臺州，衢州，麗水，舟山

核心層里面的城市包括：上海，蘇州，無錫和常州，與上文中度數中心度前幾名一致。利用ucinet核心邊緣結構模型，選擇CORR算法計算各個城市的核心度數，核心度數的排序結果如表5所示。

核心邊緣結構的分析結果中，前幾名基本與度數中心度結果一致，但杭州的核心程度數較度數中心度有所下降，表明在鐵路系統的影響下，雖然有很多城市與之相連，但是對于杭州在整個網絡中的影響力是下降的，即受到別的城市影響更多。如果將邊緣城市進一步分類，核心度選為0.01，可分為三個圈層，核心層以上海為中心包含無錫，蘇州，常州。第二圈層以南京為中心的南京，鎮江，嘉興，揚州。第三圈層以杭州為中心，杭州，徐州，金華，衢州，寧波，湖州。

2.2.3??? 凝聚子群分析一般的網絡都會由若干個團體結構組成。每個團體又是由若干個個體組成，團體間和團體內又存在著若干的特征。研究一個網絡內團體結構的構成和特征，可以進一步把握網絡的整體結構。通過凝聚子群分析可以發現，關系相對密集、聯系相對較強的城市團體，這種聯系更側重于經濟活動上的直接的，積極的、經常性的、緊密的聯系。相反如果團體內部的聯系交流過多，大于與團體之外的城市交流，對于整體網絡結構的均衡發展是不利的。分析凝聚子群的方法有很多：n-派系、n-宗派、k-叢、k-核等，但是上述這些方法不能有效的量化網絡團體內，網絡團體間的交流程度[24]。本文采用迭代相關收斂法CONCER進行非重疊性聚類分析，將城市群空間關聯網絡分為4個凝聚子群（圖3）以及子群間聯系密度矩陣（表6），分別為以上海為中心包括蘇州、無錫的城市子群Ⅰ，以杭州為中心的南部12個城市子群Ⅱ，以南京為中心及其周邊揚州、常州、鎮江和泰州城市子群Ⅲ，最后是以徐州為主分布在北部的城市子群Ⅳ。

通過對凝聚子群分析（圖3）和凝聚子群聯系密度（表6）可以發現：

1）從內部來看，以上海和蘇州為中心的凝聚子群Ⅰ密度最高，子群內城市聯系更加緊密，結合前面分析，上海和蘇州作為核心城市，自身實力和對外輻射較強，與之聯系最密切的無錫受影響最大，與前面Ni數值結論一致。從省級范圍來看，浙江省二級城市就一個子群Ⅱ，江蘇省分成了兩個子群，反映了江蘇省省內經濟發展不平衡，南北差異大。原因為蘇州南部更靠近上海等發達城市，地理位置上占優，其次蘇州南部鐵路線更密集，城市與城市之間溝通更便捷。

2）以杭州為中心的凝聚子群Ⅱ，因為距離整個網絡中心較遠，其鐵路運輸時間和成本都很高，因此與其他城市子群的聯系都很弱，此外，舟山市是一個島嶼，與其他城市之間并無鐵路直達。子群Ⅱ內部其他城市無論是綜合素質還是中心性排名都不是很高，對于整個城市群資源控制力偏弱。

3）凝聚子群Ⅳ，地理位置處于江浙滬地區的北部，互相之間以及與其他城市之間鐵路網絡并不發達，子群內城市經濟偏弱，因此處于整個網絡的邊緣地帶。

核心邊緣結構分析旨在識別核心層和外圍層的城市。相比之下，凝聚子群分析是通過連通性將城市劃分為各個子群，無法識別城市是在核心層還是外圍層，凝聚子群分析可以作為核心外圍結構分析的補充。常州與上海、無錫、蘇州都在京滬高鐵線上，同時受三個城市輻射帶動較強，核心度數較高。因此上海、無錫和蘇州被劃分為核心層卻與南京處于同一凝聚子群，這反應了蘇南地區交通基礎設施的發達程度足以滿足跨區域互動的需求。

3??? 結論與建議

基于改進的空間引力模型和社會網絡分析，量化各個城市的空間聯系強度和網絡分析的各項指標。研究表明江浙滬城市群空間聯系強度圍繞著上海和蘇州等核心城市向外輻射，由中部向北部和南部遞減，東部向西部遞減。各等級城市鮮明，有利于城市群產業轉移和協調發展，因此城市群穩定性較好。空間結構方面，無錫，蘇州和上海中心度最高，處于空間結構的核心，占據網絡資源的主導地位。整個城市群可分為三個圈層和四個凝聚子群。

根據以上結論，對江浙滬地區城市群空間結構提出如下建議：

1）在上述核心邊緣結構分析中，可根據核心度數分為三個圈層。核心圈層里發達城市的虹吸效應，會自然地吸引資本和人口，拉大圈層之間城市的發展水平。因此，在核心城市和邊緣城市之間培育“橋梁”城市至關重要，結合上述城市空間聯系強度和子群聯系密度矩陣結果，第二圈層中，南京與核心層聯系緊密且綜合素質較高，可作為核心層與第二圈層聯系城市。第三圈層杭州受北部核心城市輻射較強，且與南京等城市聯系密切。可作為與核心圈層和第二圈層溝通的“橋梁”城市。

2）根據凝聚子群的分析結果。首先，上海作為特大型城市，不可避免的遇到人口擁擠、住房短缺等大城市發展問題。無錫與上海處于同一子群，可利用交通和地理位置的優勢，承接上海的部分功能和產業。浙江省南部子群Ⅱ除杭州外，其他城市綜合實力并不高，建議加快培育影響力較大的城市。此外，舟山市因地理位置是島嶼，在交通方面處于劣勢，應注意公路等其他交通運輸方式的重要性。

3）以徐州為中心的蘇北城市子群Ⅳ，處于江浙滬地區城市群的邊緣地帶，遠離核心城市，對城市群的資源控制能力并不高。建議要發掘自身優勢，加強群內一體化，如徐州應加快產業升級，不要過分倚重礦產資源，連云港要充分利用省內唯一天然海港的優勢。

［參考文獻］

［1］楊迅周， 楊延哲， 劉愛榮. 中原城市群空間整合戰略探討[J]. 地域研究與開發， 2004（05）：33-37.

[2]FRIEDMANN J， MILLER J. The urban field[J]. Journal of the American Institute of Planners， 1965，31（4）：312-320.

[3]白永亮， 黨彥龍. 長江中游城市群空間作用機理與空間結構研究[J]. 宏觀經濟研究， 2014（11）：47-58.

[4]張祥建， 唐炎華， 徐晉. 長江三角洲城市群空間結構演化的產業機理[J]. 經濟理論與經濟管理， 2003（10）：65-69.

[5]劉秉鐮， 胡玉瑩. 現代物流影響城市群空間結構的作用機理[J]. 廣東社會科學， 2014（04）：14-24.

[6]武前波， 劉星. 金融聯系視角下沿海發達地區城鎮網絡空間結構研究——以浙江為例[J]. 世界地理研究， 2021，30（05）：966-977.

[7]鐘業喜， 邵海雁， 徐晨璐. 長江中游城市群空間結構效益比較與優化研究[J]. 區域經濟評論， 2020（03）：70-78.

[8]程欽良， 張亞凡， 宋彥玲. 蘭西城市群空間結構演變及優化研究[J]. 地域研究與開發， 2020，39（02）：52-57.

[9]ZHOU H， GAO H. The impact of urban morphology on urban transportation mode： A case study of Tokyo[J]. Case Studies on Transport Policy， 2020，8（01）：197-205.

[10] JIA Y， TANG L， XU M， et al. Landscape pattern indices for evaluating urban spatial morphology -A case study of Chinese cities[J]. Ecological Indicators， 2019，99：27-37.

[11] 馬春慶. 基于盈石矩陣的中國城市商服空間供需分析與規劃響應[J]. 城市發展研究， 2018，25（02）：16-23.

[12] ZENG C， SONG Y， CAI D， et al. Exploration on the spatial spillover effect of infrastructure network on urbanization： A case study in Wuhan urban agglomeration[J]. Sustainable Cities and Society， 2019，47：101476.

[13] WANG Z， LIANG L， SUN Z， et al. Spatiotemporal differentiation and the factors influencing urbanization and ecological environment synergistic effects within the Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Environmental Management， 2019，243：227-239.

[14] WANG D， NIU Y， QIAN J. Evolution and optimization of China's urban tourism spatial structure： A high speed rail perspective[J]. Tourism Management， 2018，64：218-232.

[15] HE J， LI C， YU Y， et al. Measuring urban spatial interaction in Wuhan Urban Agglomeration， Central China： A spatially explicit approach[J]. Sustainable Cities and Society， 2017，32：569-583.

[16] 李陳， 靳相木. 基于引力模型的中心鎮空間聯系測度研究——以浙江省金華市25個中心鎮為例[J]. 地理科學， 2016，36（05）：724-732.

[17] ZHOU T， JIANG G， ZHANG R， et al. Addressing the rural in situ urbanization （RISU） in the beijing-tianjin-hebei region： spatio-temporal pattern and driving mechanism[J]. Cities， 2018，75：59-71.

[18] HUANG Z， DU X， CASTILLO C S Z. How does urbanization affect farmland protection？ Evidence from China[J]. Resources， Conservation and Recycling， 2019，145：139-147.

[19] GUAN X， WEI H， LU S， et al. Mismatch distribution of population and industry in China： Pattern， problems and driving factors[J]. Applied Geography， 2018，97：61-74.

[20] WANG Y， HU H， DAI W， et al. Evaluation of industrial green development and industrial green competitiveness： Evidence from Chinese urban agglomerations[J]. Ecological Indicators， 2021，124：107371.

[21] BENTEZ-ANDRADES J A， GARCA-RODRíGUEZ I， BENAVIDES C， et al. Social network analysis for personalized characterization and risk assessment of alcohol use disorders in adolescents using semantic technologies[J]. Future Generation Computer Systems， 2020，106：154-170.

[22] THERRIEN M， JUTRAS M， USHER S. Including quality in Social network analysis to foster dialogue in urban resilience and adaptation policies[J]. Environmental Science & Policy， 2019，93：1-10.

[23] KURT Y， KURT M. Social network analysis in international business research： An assessment of the current state of play and future research directions[J]. International Business Review， 2020，29（02）：101633.

[24] 劉軍. 整體網分析 UCINET軟件實用指南[M]. 第2版.上海：格致出版社；上海人民出版社， 2014.

Study on Spatial Structure Optimization of Urban Agglomerationsin Jiangsu-Zhejiang-Shanghai Regions

-Based on Gravity Model and Social Network Analysis

LIU Fuqin，ZHU Yongxing

（School of Civil Engin.，Architecture and Environment，Hubei Univ.，of Tech.，Wuhan 430068，China）

Abstract： A reasonable and orderly spatial structure provides a basis for the coordinated development of urban clusters， and the analysis of spatial linkage intensity and network characteristics can provide a reference for urban development. Taking 25 cities in Jiangsu， Zhejiang and Shanghai regions as an example， we use entropy value topsis to improve the spatial gravity model， calculate the spatial linkage intensity between cities， draw a spatial linkage network map， and conduct social network analysis on the results to provide suggestions for the optimization of the spatial structure of urban agglomerations. The study shows that： in terms of spatial linkage intensity， the urban agglomerations in Jiangsu， Zhejiang and Shanghai， concentrated in Shanghai， Suzhou， Wuxi and Changzhou， show a decreasing trend from central to northern and southern， and from eastern to western. In the core edge structure and cohesive subgroup analysis， the city cluster circle structure is obvious and spatial stability is good. Cities within the core rim layer hold more resources， and the whole urban cluster can be divided into three circles and four cohesive subgroups. For this reason， the article makes specific suggestions for each urban subgroup.

Keywords：Jiangsu， Zhejiang and Shanghai urban agglomerations; Entropy weight TOPSIS; Spatial structure of urban agglomeration network; social network analysis

［責任編校： 裴琴］