【文章精选】基于手机信令数据的高校联系网络研究：对上海城市创新空间营造的启示 | 《空间与社会评论》2023年第1期

科技创新是人类社会发展的重要引擎，是应对许多全球性挑战的有力武器。世界经验显示随着全球化的不断深入和产业价值链的细化，全球经济中心正向全球科技创新中心转型，科技创新已经成为全球城市参与区域竞争的关键支撑。如美国波士顿肯德尔广场、旧金山的硅谷、纽约的硅巷、美国北卡三角研究园区、伦敦的硅环岛、英伦黑科技三角、韩国板桥科技谷，日本筑波科学城、德国慕尼黑高科技工业园等，各类型的创新空间正越来越受到学者和政界的关注。李迎成和朱凯提出创新空间具有突出的尺度特征属性，如创新楼宇、创新场所、创新地区和创新区域，不同尺度下的创新空间内涵、空间特征和形成机制各有特点。其中，创新区域强调地区间的创新资源和要素的空间流动，一些地理区位优越、产业基础较好、创新环境优良的城市能够集聚全球创新要素，成为创新网络中的重要节点和区域。吴志强等采用引力模型方法，通过创新引力和外向创新联系度，探究长三角创新城市聚落的组织特征和空间网络格局。张永波和张峰通过北京科技企业对市外投资数据，发现北京科技企业对市外投资呈现的边缘扩散、散点集群和中心城市联动三种模式。吴家权等以期刊合作数据与专利合作数据构建粤港澳大湾区城市间知识创新网络与技术创新网络，基于“流”视角探究两种网络的时空演化特征。许劼和张伊娜使用手机信令数据以跨城人流表征城市间的关系，基于社会网络分析方法对长三角核心区的都市圈进行识别和节点分类。而城市和街区尺度强调创新空间的空间集聚效应，创新地理学指出，集聚是创新活动的重要空间特征。企业、高校和科研院所等创新主体的组团状的空间集群式发展，能够有效刺激创新活动的多样性和丰富性，如郑德高和袁海琴提出校区、园区、社区三区融合的创新活动组织新模式。顾洁等发现上海云计算产业具有明显的地理性空间分布特征，呈现出中心集聚、多点联动的空间格局，随着产业链向后端延伸，企业的空间分布逐渐向中心城区集聚。赵佩佩等发现杭州不同类型创新活动的区位选择开始分化，创新类活动更强化对核心企业和机构的黏性，已在空间上形成明显的创新圈。

事实上，基础研究是科技创新的源头。特别是城市街区尺度下创新空间营造，依托头部科研院校的“环高校创新圈”已在国内外得到广泛的实践，如美国硅谷、波士顿区域和中国北京中关村、上海杨浦区、武汉光谷。《上海市建设具有全球影响力的科技创新中心“十四五”规划》明确提出要深化高校创新能力建设，高校已成为城市创新活动的主要参与者。高校的等级、学科、空间上的差异是否已经导致高校创新圈的空间分异，高校间的创新活动是否已经连接并构成创新网络，如何发挥和释放高校的创新空间的空间溢出效应形成“锚”式发展，还有待进一步深化研究。

由社会学家曼纽尔·卡斯特提出的“流空间”概念为城市网络研究奠定了基石。早期学者多采用物流、交通流和企业关联数据流来进行研究。随着城市间和城市内部的知识流动与科技合作逐渐加强，基于信息流、知识流的城市创新网络研究成为城市网络研究的新热点。然而，静态“流”数据缺乏反映网络的动态变化特征的要素，忽视了构成网络的微观个人的自主行动特征。近年来，使用多源大数据，尤其是手机信令数据，来刻画个体活动模式的研究逐渐兴起。世界范围内手机信息技术的流行和复杂化为基于手机信令数据的研究潜力赋能，任何给定的手机都能被距离最近的基站追溯到，而通过分析手机信号在基站间的转移则可以预估用户的地理移动，手机信息技术具有广泛的应用前景。因此，富含人口时空迁移的地理编码轨迹的手机信令大数据，可用于识别人口的日常流动轨迹和活动地点。不同于静态的信息流数据，手机信令大数据能够精确刻画城市内部的微观人群流动特征，刻画各类人群在其居住、工作和日常活动空间中的多种行为类型，为城市内部街区尺度动态创新网络的构建提供了支持。

因此，本研究关注城市街区尺度创新空间营造，聚焦于高校这一创新主体，基于手机信令大数据通过识别高校之间实际人群到访强度构建上海市高校联系网络，利用网络聚类方法来探究高校的聚集特征和分布格局，为优化上海市科创空间布局、环高校创新圈建设提供理论依据，为上海市建设具有全球影响力的科技创新中心提供决策支撑。

（一）数据收集与特征

本研究涉及高校来自教育部公布的上海市普通高等学校名单，共64所。各个高校的校区边界来自从百度地图爬取的2020年5月的上海市AOI（Area of Interest）数据，主要字段包括AOI名称、AOI类别、AOI地址、GCJ_shape等信息。根据高校名单筛选出对应的校区AOI数据，由于部分高校存在一所高校有多个校区的情况，所以总计得到共125条校区信息。

校区之间的人流访问联系数据来源于联通公司提供的2020年11月的上海市手机信令数据。本研究采用两个校区之间的当月用户出行记录总数作为一对校区间的联系度。获取了2020年11月1—31日在上海市内以前述校区为出行起始点的用户出行信息，最终获得18889条用户出行信息。按照校区对出行记录进行无向化处理和统计加和后，得到1873个校区联系对及其联系度。

（二）网络分析指标与算法

1.联系度

根据复杂网络理论，一个具体网络可以抽象为一个由点集和边集组成的集合。本研究以高校校区为节点，以校区间的联系为边，构建上海市高校无向加权网络。当两个校区之间存在至少一条当月出行记录，则认为该校区对之间存在联系。每条联系的权重以联系度表示，联系度的值等于两个校区之间的当月手机用户出行记录总数。对于校区i和校区j来说，当月的联系度R_ij可以表示如下：

式中，U_ijk表示在当月第k日从校区i到校区j的出行记录数；U_jik表示在当月第k日从校区i到校区j的出行记录数。

2.中心性

节点中心性分析是网络分析的重点之一，用于识别网络中最重要的节点。在网络分析中有三种最常见的中心性测度指标，即：度中心性（degree centrality）、接近中心性（closeness centrality）和中介中心性（betweenness centrality）。

节点的度是网络结构的最基本属性，代表邻接的边的个数。度中心性反映了网络中一个节点与其他节点的关联度。其值越高，表明该节点在网络中具有越多的关联。如果节点v与其他i个节点直接有边相连，则节点v的度中心性被定义为：

接近中心性衡量从给定节点到达其他节点所需要的步数，由节点到网络中所有其他顶点的最短路径的平均长度的倒数来定义。其值越高，反映某节点与其他节点之间的接近程度越高、联系越紧密。在非加权网络中节点v的接近中心性被定义为：

式中，N为网络中的节点个数；d（v,k）为节点v与节点k之间的最短路径长度。在加权网络中，d（v,k）为节点v与节点k之间的最短加权路径长度。

中介中心性定义为通过某一节点或边的捷径（最短路径）数量，反映节点作为中转站的角色潜力。其值越高，说明该节点通过性越好。在非加权网络中节点v的中介中心性被定义为：

式中，N为网络中的节点个数，g_jk是节点j到节点k的最短路径数；g_jk（v）是从节点j到节点k经过节点v的最短路径数。在加权网络中，以上的最短路径是最短加权路径。

3.社区检测算法

社区检测（community detection）算法在复杂网络理论中发展迅速，它可以用于揭示网络中节点与相邻节点的联系程度。同一社区内的节点相互之间联系紧密，而社区之间的联系则比较稀疏。为了使得网络社区划分的优劣有一个明确的度量标准，有学者提出了模块度（modularity）的概念，用于测算不同类别节点之间的分离程度。模块度被定义为：

式中，m是网络中边的数量；A_ij是A邻接矩阵的第i行j列的元素；k_i是节点i的度数，k_j是节点j的度数；c_i是节点i的类型，c_j是节点j的类型；求和项遍历了所有顶点对（i,j）；当x=y时，δ（x,y）=1，当x≠y时，δ（x,y）=0。当该网络是加权网络时，边的权重被认为是A邻接矩阵的要素，k_i是节点i的邻接边的权重之和。模块度值的范围在0~1，值越大说明社区划分的准确度越高，或者社区之间的差异性越大。

由勃朗德尔（Blondel）等提出的Fast Unfolding算法是一种基于模块度优化的快速发现社区方法，该算法适用于无向加权网络，在效率和效果方面表现均较好。本研究采用Fast Unfolding算法对上海市高校网络中的校区节点进行社区聚类，校区对（i,j）之间的边的权重定义如下：

其中，R_ij是两个校区当月的联系度；d_ij表示两个校区质心之间的地理距离。

（一）上海高校到访网络特征

基于上海市2020年11月的联通用户手机信令数据，上海高校校区之间的人群流动形成了1873条流。结果发现，最强的联系出现在上海海洋大学临港校区和上海电机学院临港校区之间，第二、三层级的联系对均出现在地理位置邻近的大学城地区，如临港大学城、闵行大学城、松江大学城。其中，松江大学园区的高校间关联最强，显著强于其他大学城，说明地理位置的临近性对高校间关联具有正向作用。

为了进一步研究高校间的联系特征，对属于同一高校的不同校区的联系度进行加和，汇总得到上海市高校之间的联系度总表，筛选出排名前20的联系对。表1显示在高校层面，上海海洋大学—上海电机学院之间的联系最强，上海工程技术大学在前十名中占据了四个席位，具有最多的强联系对。当聚焦于四所头部985高校时，图1显示上海交通大学在联系对的数量和联系量的强度上，均远超过其他三所985高校，排在第二至第四的分别为华东师范大学、同济大学、复旦大学。在这四所头部高校之间的相互联系中，上海交通大学与华东师范大学间的联系度最高，在量级上显著高于其他高校的两两联系。

（二）上海高校到访网络拓扑关系分析

1.高校节点中心性分析

本研究以校区间联系度作为网络边加权的依据，对上海市高校网络中各校区的三类中心性进行分析。

使用R语言的i-graph包计算得到的128个高校校区的平均度中心性为29.97，表明在上海市高校联系网络中，平均每个高校校区与其他30个节点之间存在着集聚和辐射联系。标准差为23.41，表明此网络存在一定的不均衡性，具体表现为排名前十的节点的度中心性均远超过均值。表2显示了上海各高校校区度中心性、接近中心性、中介中心性分析结果。其中，上海大学宝山校区以值为94的度中心性位居所有高校之首，上海交通大学、同济大学、华东师范大学的校区在前十名中占据了五个席位，说明头部高校与较多的其他高校间存在关联。

在本研究中，以最短路径的倒数来定义的接近中心性反映了校区与其他校区之间联系的紧密性。该指数越低，说明与该校区之间的流量传输越容易。中介中心性可以表征一个校区对其他校区的控制程度。当某一校区在高校创新网络中的不可替代性越强，通过该校区的流量越大，其中介中心性就越高。图2~图4显示了以三类中心性为节点的权重、采用Fruchterman-Reingold算法在Gephi软件中进行可视化图布局的结果。如图4显示上海交通大学闵行校区有最高的中介中心性，其在高校创新网络中的不可替代性最强、处于核心地位。

经对比研究发现，上海交通大学闵行校区同时具有高度中心性、高接近中心性、高中介中心性，是上海市高校联系网络中最重要的节点。同济大学沪西校区、上海外对经贸大学长宁校区、上海财经大学武川路校区、华东师范大学闵行校区也具有较高的三类中心性，说明这些校区也是网络中的核心节点。

2.高校社区组团检测

采用社区检测算法中的Fast Unfolding算法对形成网络的125个高校节点进行聚类。聚类结果为8个组团，模块度值为0.79，说明社区划分的准确度较高。按照组团内校区数量递减进行编号，结果如表3所示。整体来看，上海市高校目前已经形成“1+1+6”的组团结构，存在1个大型组团、1个中型组团、6个小型组团。在等级规模上，各个组团的校区数量分布不均匀，两极化趋势明显。规模最大的组团占有57.6%的校区，而规模最小的组团仅有3个校区，占比2.4%。在空间格局上，大致以外环线为界分为环内组团和环外组团，浦西七区、宝山区、嘉定区的大部分高校校区聚类为一个大型组团，其他7个组团的分布与各区的大学城的分布具有较高的重合度，这些组团大多以区内的头部高校为核心，校区相互之间的地理位置较为邻近。

为了对比分析各组团的数量特征和空间特征，研究对平均度中心性和平均联系度进行描述性统计，度中心性反映发生联系的个数，联系度可反映联系总量。表3显示在特征强度上，网络中表现最强的组团是组团4（松江组团）和组团5（临港组团），这类组团的特点是小而精，空间上表现出局部的高度聚集，校区间地理邻近性强，说明这两处大学城的建设已经取得了初步的成效，社区的发育已经较为成熟。发育情况一般的社区有组团1（中心区组团）、组团2（浦东组团）和组团3（闵—奉组团）。中心区组团的特点是大而弱，在地理分布上横跨浦西七区、宝山区、嘉定区，虽然占有57.6%的校区数量，但是度中心性和联系度的值都不高，组团内既存在网络中的核心节点，也存在边缘节点。浦东组团的特点是散而弱，地理分布上较为分散，度中心性和联系度的值都不高。闵—奉组团的特点是散而强，以上海交通大学闵行校区、华东师范大学闵行校区为核心节点，组内校区分散在闵行区、金山区、奉贤区三个区。发育不成熟的组团包括奉贤区的组团6（奉贤组团）、黄浦区的组团7（上交医学院组团）、浦东新区的组团8（上纽组团）。这类组团的特点是小而弱，组内校区数量很少，在空间布局上未能融入周边发展相对较成熟的组团。如奉贤组团未能融入松江组团，上交医学院组团未能融入中心区组团，上纽组团未能融入浦东组团。产生异常隔离的原因可能与这些组团内高校的特殊性质有关，如上海交通大学医学院与其他综合类、专业类院校的联系较少，而上海纽约大学是中外合作办学的民办高校，与公办高校之间的联系较少。

（三）网络影响因素分析

为了进一步探究影响高校联系网络特征的因素，本文分别对网络节点的特征和网络边的特征进行常规最小二乘法（OLS）回归。在网络的节点方面，分别以高校校区的点联系度、高校校区网络中心性为因变量，将办学层次（是否为985/是否为211/是否为市属本科）、校区面积和校区数量作为自变量。办学层次代表高校教育水平和等级；校区面积和同一高校所拥有的校区数量在一定程度上可以反映办学规模。在网络的边方面，以高校校区间联系度为因变量，将校区质心间的距离作为自变量。由于在组团划分结果中，外环线内外的高校表现出不同的组团形态和规模特征，因此以上海市外环线为地理分界标准，将所有校区间联系分为外环内校区联系、跨外环校区联系、外环外校区联系。

表4显示在0.001的显著度水平下，校区面积与联系度和三个中心性均呈现显著正相关，且t值均较大，说明校区面积是影响节点联系度和三类中心性的最重要因素。985高校这一属性对程度中心性、接近性中心性、中介性中心性都有显著的积极作用，说明头部高校是网络中各个维度上的中心，有效发挥了龙头带动作用。211高校、市属本科高校对度中心性、接近性中心性有显著积极作用，但对于中介中心性的影响不显著，说明相较于头部高校而言，第二、第三层级的高校在扮演网络中“桥梁”角色时的优势微弱。

表5显示距离是影响校区间联系度的一个因素。距离的回归系数为负数，说明随着距离的增加，校区间的联系度减小，校区间的联系具有距离衰减效应。分组来看，对于外环内高校和外环外高校，回归模型均在0.001的水平下显著。距离的回归系数为负数，说明随着距离的增加，校区间的联系度减小，说明同处于外环内和同处于外环外的高校校区间的联系具有距离衰减效应。对于存在跨外环联系的高校来说，回归模型不显著，说明在存在跨环出行的时候，人们可能不在意空间距离的远近，出行的目的性更强。从四个回归模型的结果来看，整体校区联系、外环内校区联系和外环外校区联系都受到距离衰减效应的影响，而跨外环的校区联系不受距离衰减效应的影响。这与本文基于网络划分的高校校区组团结果具有一致性，表明在上海市高校网络中，先以市区/郊区为分界线形成组团；在组团内部，地理位置越邻近的高校间联系越强。

本文聚焦于上海城市街区创新空间营造问题，关注上海高校间的网络关系特征和格局，探索高校之间的网络特征是否和空间上的集聚格局相关。研究基于复杂网络分析理论，运用手机大数据，来测量高校之间的到访联系特征，因为人群的移动是街区创新活动组织的基本形态。通过网络特征和影响因素分析，研究发现：

（1）上海头部高校联系分层结构不明显。在中心性方面，上海交通大学闵行校区是网络中最重要的节点，同时具有程度、接近、中介的三维高中心性，但是其他三所985高校均未在网络中表现出明显的中心优势。

（2）上海市高校目前已经形成“1+1+6”的组团结构。以外环线为分界，可以大致划分为环内的1个大型组团和环外的1个中型组团、6个小型组团。各个组团的校区数量分布不均衡，发育程度的两极化趋势明显，规模最大的组团占据一半以上的校区数量。

（3）校区面积和办学层次是影响节点重要程度的因素。在组团内部，地理位置越邻近的高校间联系越强，在空间上表现出以头部高校为核心聚集。

世界经验显示高校对于城市微观尺度下创新空间的作用越发重要，上海市建设具有全球影响力的科技创新中心，需关注如何发挥上海高校资源在空间上溢出效应和带动作用，基于研究发现有以下几点建议：

（1）发挥龙头高校带动作用。目前在四所头部高校中，上海交通大学的带动作用较强，而同济大学、复旦大学、华东师范大学对其他高校的带动作用不显著。需要强化这三所高校在网络中的核心地位，充分发挥头部高校的辐射带动作用，围绕核心高校因地制宜制定发展战略，加强整体创新合作联系。

（2）优化高校组团结构。为了强化创新集聚空间，形成“多足鼎立”的创新格局，需要在规划层面对大学城布局模式进行系统性优化，推动创新空间格局往高效、均衡、成熟的方向发展。

一是做优。目前规模最大的城市中心区高校集群，地理位置分散，特色不明显。需要在功能联系的基础上进一步细分，围绕核心高校节点，打造有特色的环核心高校集群，做优做强，形成中心城区多足鼎立、融合发展的创新空间格局。

二是融入。目前郊区化的大学城布点模式不利于强创新集聚空间的形成。在分散的大学城布局模式下，高校校区往往在局部形成规模极小、发育不佳的弱组团，组团与组团之间由于地理位置的偏远而缺乏组间联系。对于地理距离相近、但功能距离疏远而形成的异常“弱弱”组团，如上海纽约大学组团、上海交通大学医学院组团，需要在功能上融入周边的“强强”“强弱”组团，进一步挖掘其与周边组团之间的创新协作互动潜力，以实现区域创新合作成片成网发展。

三是增强。对于组内高校数量多但是联系不强的组团，需要在兼容周边弱组团的基础上，进一步加强跨院校的空间互动与协作，提高创新交流的机会和频率，增强创新集群优势。

（3）做好高校创新空间引领和支撑工作。双一流大学是科学研究和知识创造的重地。既有研究表明，知识溢出具有显著的距离衰减效应，地理位置的临近可以加速创新扩散。不同类型、不同级别的院校应当充分利用地理临近性所带来的知识溢出效应，把握自身的差异化优势，提高在创新合作中的独立性和不可替代性。对于头部高校实施针对性的政策引导，使之成为地区的创新集聚中心，并带动相邻地区的发展。加强部署院校和地方院校之间的联动关系，打开创新扩散效应的接收端，实现高校创新圈“无界”的创新联系。

（4）优化城市创新空间体系和布局。目前上海的科创空间仍然是大规模的科技园的集群模式，而西方的创新空间在空间类型体系上更为多元和复杂，呈现出去中心化的特征，小规模的城市创新空间给城市发展和更新带来了活力和动力。因此，城市科创空间布局规划上需要结合高校地理空间网络的特征，信息流、知识流等数据互为补充，进一步吸收高校创新的溢出效应。

本研究尚存在一定的局限性。受数据源的限制，本文选取的手机数据为一个月内的联通手机用户出行信令数据。因此，可能存在研究时间区间具有特殊性、个例性，不能全面反映高校间人群流动的年均水平的问题；可能存在为解决一人多机、不同市场占有率的数据壁垒，对手机信令数据进行扩样而产生的全局数据失真的问题。未来研究可考虑采用更长时间跨度、更多源运营商的手机信令数据刻画高校间人群流动特征，并辅以信息流、知识流等类型数据综合构建上海市高校间创新联系网络，更全面地认知高校创新网络特征，进而更好地为上海市创新圈层的营造提供支持。

（内容以实际出版物为准）

《空间与社会评论》辑刊现已正式被“中国学术辑刊全文数据库”（知网）全文收录，欢迎点击知网链接查阅:

https://kns.cnki.net/knavi/journals/KOSH/detail?uniplatform=NZKPT

编辑：王天翔