府际数据共享的网络结构及其影响因素研究——基于长三角城市群的社会网络分析

■周宇轩

一、引言

随着信息技术水平的提高，数据和信息逐渐成为经济社会发展中重要的生产要素，同时也推动着政府治理效能与政务服务质量的提升。2021年国家“十四五”规划首次将数字中国建设作为单独一篇，强化了数字化在国家层面的战略地位。国内以“跨省通办”“一网通办”等数字化政务服务为代表的政府间数据共享协作行为，不仅见证着政府在数字化转型方面做出的努力，也说明地方政府之间破除“数据壁垒”的攻坚任务正逐渐提上日程。然而，数据共享的总体水平不高以及政府间技术与职能壁垒的存在仍然制约着我国数字政务的发展和数据共享协作关系的建立[1]，对于数据共享广度与深度的拓展仍然是我国现阶段行政改革的重中之重。

目前国内外相关研究多集中于政务数据共享对行政环境的改善。Jo Bates以英国政府为例，分析了政府数据开放政策对相关政策议程的促进作用[2]；李卫东提出要构建统一的政府信息资源共享领导机制，从而提高数据共享的全局性和战略性[3]；Clément Turbelin 和 Pierre-Yves Boëlle等指出数据共享管理标准的缺失会制约数据价值[4]。然而这些研究中缺乏对行动者中观行动结构和微观行为动机的探讨，而行动者的收益偏好、行为模式与行政环境之间存在相互作用，进而会对数据共享的形式与程度产生影响，从府际协作视角的研究可以弥补上述研究的不足。锁利铭从制度性集体理论视角分析了府际数据共享在府际协作与数据共享的双重困境[5]；许鹿、黄未从技术执行理论、不完全契约理论指出了府际数据共享存在技术壁垒和职能壁垒两大困境[1]。目前对于数据共享在府际协作领域的研究较少，且大多集中于相关理论的分析，因此有必要以具体案例切入，以多样化的框架拓展数据共享的发生场景。另外，已有研究对影响府际数据共享的因素进行了总结。Sharon S.Dawes提出政府信息资源共享的理论模型，分析了信息共享在技术因素、组织因素和政治因素方面的制约[6]；Da⁃vid Landsbergen Jr.和 George Wolken Jr.基于Sharon S.Dawes的理论模型，从可操作性收益和障碍的角度深入探究了数据共享中基础设施的作用[7]；杨建梁、刘越男通过综合集成法梳理出近年府际信息资源共享的影响因素，并将其划分为法规政策与标准、体制、机制、技术4个维度[8]。对于数据共享影响因素的探讨中缺乏对关系数据的考虑，且这类研究较少涉及府际数据共享在协作网络中的结构特征。

地方政府作为社会网络中的个体，其协作的推力与阻碍是由其所处的环境塑造的，而数据为政府间的协作行为提供了新的环境要素。如何更好地利用数据共享促进区域协同是目前实践的难点，认识并理解已有城市群数据共享协作机制，也成为进一步探究数据共享价值的前提条件。制度性集体行动理论提出，地方政府协作机制中的要素差异使其具有不同的偏好选择[9]，而府际数据共享网络恰好能反映出地方政府的行动偏好及地位特征，更能够暴露出其在协作中的有利及不利条件。在融入数据交换这一属性后，地方政府的行为特征与内在偏好有何特点？具体来说，数据的大量性、跨边界性特征对地方政府在协作对象的选择上存在什么样的影响？什么样的条件更有利于形成府际数据共享？相关要素的作用在协作过程中是如何演变的？只有明确了这些问题，才有可能对数据共享的价值做出进一步的判断。另外，以技术变革推动价值变革是公共价值变迁的方式之一[10]，从技术层面看，数据共享的作用在于通过提高管理能力实现公共价值，而公共价值代表的是公民对管理者的期望，其中所要求的不仅是管理能力的提高和治理手段的扩充，更包含着对政府数字化理念转变以及治理目标与手段置换的要求。基于此，本文对数据共享协作与地方需求间关系的观察，也有利于从宏观视角识别政府对该议题治理逻辑上的演变趋势。

数据共享作为地方政府间广泛存在的协作行为，必然具备数据交换与府际协作两种层面上的领域特征，如何结合数据共享本身的领域特征并使用府际协作的相关知识理论对该议题的内在机制进行解读，这对于数据共享困境的破解具有参考价值和借鉴意义。鉴于此，本文将以长三角城市群为例，通过实证研究实现两个目的：一是通过社会网络分析展现府际数据共享协作网络的结构形态，并从府际协作角度对其形成机制和结构演变进行解读；二是通过QAP方法，从机构属性、组织属性和交易物属性三个不同的维度探讨府际数据共享的影响因素，并观察其随时间变化的特征。本文对于政府数据共享的研究，可从府际协作视角提供实证补充，深入探讨府际数据共享的内在逻辑，为相关区域政策的制定提供科学依据。

二、研究设计与数据来源

（一）社会网络分析方法

本文主要使用社会网络分析方法（SNA）对长三角城市群府际数据共享协作网络进行分析。SNA是一种通过关系数据探讨某议题的网络关系和空间结构的方法，起初运用于经济金融领域，如Schiavo Stefano,Javier Reyes,Giorgio Fagiolo,Cassi Lorenzo,Andrea Morrison和Anne L.J.Ter Wal运用SNA研究了国际贸易、金融一体化的网络关联和特征[11-12]。近年来，SNA方法在社会学、经济学、管理学等学科中都逐渐展现其学术价值。

长三角城市群府际数据共享协作网络即为该区域地方政府之间数据共享协作关系的集合。网络中的节点为各个城市，有向连线为各个城市的协作联系，这些点和线共同构成数据共享的协作网络。本文通过对长三角区域各城市的政府官网进行文本采集，统计各市政府之间数据共享的互动客观数据，从而绘制出城市间的协作矩阵。由于地方政府之间的交流互动存在主动方和被动方，因此这是一个有方向的协作网络。

本文对该网络特征的描述主要分为整体网络特征、网络节点特征和块模型分析三部分。块模型分析最早由White Harrison C.,Scott A.Boorman和Ronald L.Breiger提出，它是对一元或多元关系网络的一种简化描述[13]。通过空间聚类的方法将网络分块，分别研究每一块的构成成员以及其角色预作用，可以从整体结构上直观地显示数据共享网络的构成情况以及各板块内部的结构状态。Wasserman Stanley和Katherine Faust还提出，在考察板块间关系时，必须对各个位置的规模进行考虑[14]。例如，假设整个网络中共有g个行动者，且位置Bk中有gk个行动者，则可以通过计算板块内外关系比例来评价板块内部关系趋势，如表1所示。

表1 块模型中的府际数据共享板块分类

（二）实证研究模型与QAP方法

结合已有研究成果[5-9]，本文将从机构属性、组织属性、交易物属性三个维度探讨府际数据共享影响因素的构成与变化情况，如表2所示。

表2 府际数据共享影响因素的指标分类

具体测度指标如下：

1.机构属性

该因素主要指地方经济社会发展水平以及政府治理能力等区域属性差异，包括城市GDP、地方一般公共预算支出、公共管理从业人数、城镇化率、第二产业占比等。根据制度性集体行动理论，不同地方政府之间的属性差异决定了协作的交易成本与风险，从而影响协作的形成[9]。这种影响的方向性在不同的议题中差异悬殊，现有研究中存在同质性假说，认为主体特征的相似会导致政策偏好的相同，从而促进协作的产生[15]；而异质性假说则基于资源依赖理论[16]，提出不同的经济社会发展状况会使得行动者之间产生潜在互惠的机会，从而促进合作。

2.组织属性

组织属性描述的是地方政府之间的关系属性。锁利铭、李雪从交易成本与契约风险的视角对公共事务的治理边界做了深入探讨，并将治理边界分为行政边界、地理边界、功能边界三类[17]。由于数据的可传递性与非排他性特征，地方政府在数据共享协作形成之初，会因对背弃风险的考虑而更倾向于与同一行政辖区范围内的城市进行合作；功能边界则大多由区域政策或区域合作组织的边界决定，边界内的地方政府通常具备较深厚的合作基础；地理距离较短的地方政府之间通常更易于建立合作关系。另外，正如Yi Hongtao,Suo Liming,Shen Ruowen,Zhang Jiasheng,Anu Ramaswami和Richard C.Feiock所提及的，行政层级差异、是否有同省省会城市参与协作等纵向关联也应纳入数据共享的影响因素中[18]。

3.交易物属性

在数据共享这一议题中，数据本身的领域特征会对地方政府间的协作产生影响。从政府供给角度来看，一方面，同质性的信息技术可以为府际数据共享降低因技术磨合而产生的实施成本；另一方面，对信息技术领域投入的相近意味着政府官员之间数字化意识与政策目标的一致性，这也有利于降低因目标偏差与收益偏好而产生的协调不力风险，从而促进协作的形成。本文主要引入电信业务收入、互联网宽带接入户数、信息技术从业人数来测度该指标。

从需求推动角度来看，府际数据共享早些年主要体现于“跨省通办”“一网通办”等数字化政务服务中，数据共享对于地方政府而言仅仅是上传下达的政治任务，是实现治理效能提高的一种手段；而随着城市数字化水平的提高、城市协作关系的加深以及政府治理模式的转化，数据共享促进扁平化管理和实现业务协同的目的将逐渐受到更多地方政府的认可，从而实现目标与手段的置换[1]。因此，引入人口流动性这一指标来观测政府数字化治理理念的转变，人口流动性越强，城市的数字化政务服务需求就越高，进而推动城市间数据共享协作的形成；随着数据共享上升为政策目标，业务需求的影响将会逐渐淡化。

基于上述分析，可构建如下模型：

式（1）中，因变量S为长三角城市群府际数据共享协作关系矩阵。自变量可分为两种形式，第一种是地方政府之间的关系数据，其中地理边界O1由城市间地理距离矩阵代替；对于行政边界O2，城市隶属同一省份取值1，否则为0；对于功能边界O3，城市处于同一政策规划或区域组织①则取值1，否则为0；对于O5，若存在省会城市参与则取值为1，否则为0。第二种是行动者属性或议题属性的异质性数据，例如G1、G2、G3、G4、G5、O4、T1、T2、T3，该类数据均使用其变异系数表示。另外，流动人口指数T5由两地流动人口总数表示。变异系数(Coefficient of Variation)可衡量数据的离散程度，其计算公式为：

其中SD为标准差，Mean为平均值。在分析因果关系的过程中，由于变量之间本身相关性较高，对参数采用传统的估量方法可能产生“多重共线性”问题，因此本文采用QAP方法，通过置换矩阵比较其相似性来计算相关系数，再对相关系数进行非参数检验。由于这种方法不需假设自变量之间相互独立，因此它比参数方法更加稳健[19]。

（三）样本与数据来源

本文选取《长江三角洲城市群发展规划》中长三角地区26个城市作为观测对象。在信息技术的发展和数据共享协作方面，长三角城市群走在国内领先位置，在2020年发布的《中国城市数字治理报告（2020）》中，长三角区域数字治理水平显著高于全国。以长三角城市群为考察对象不仅有利于梳理府际数据共享协作的内在机制，更能够完整地观测城市间协作关系的变迁。

基于数据的可获得性，本文所使用数据的时间范围为2013—2020年。数据的收集来源主要分为两种：城市间的数据共享互动数据主要通过各个城市政府官方网站进行收集；各个城市的属性数据主要通过CSMAR数据库、RESSET统计、EPS数据库等数据资源官方网站获取，对于缺失值则采用回归插补法补齐。另外，为了更直观地研究各个城市在协作网络中地位和功能的变动，本文将这些数据分为2013—2016年和2017—2020年两个时期进行比较研究，且城市的属性数据均采用各时间段的均量指标，而城市间的互动数据则采用时间段内的总量数据。城市间互动数据包括地方政府之间与数据共享相关的考察走访、交流学习、协议签订、会议召开等能够客观反映协作关系的数据。经过收集与清理，共获得长三角城市群323条数据共享协作数据，其中2013—2016年77条，2017—2020年246条。

三、实证结果分析

（一）长三角城市群府际数据共享网络演变的可视化分析

将两个时期的协作数据分别导入NetDraw工具，生成可视化的有向网络。图1和图2分别展示了2013—2016年、2017—2020年府际数据共享的网络结构形态，各个节点代表了所观测的长三角城市群中的26个城市，城市之间的箭头线表示两座城市之间的协作关系，线的宽度即象征着城市双方在该时间段内进行的协作数量的多少。

图1 长三角城市群2013—2016年府际数据共享协作网络

图2 长三角城市群2017—2020年府际数据共享协作网络

通过可视化网络可以初步观测出以下几点特征：

首先，总体上长三角城市群府际数据共享协作关联呈现加强趋势。从图1和图2可以看出，长三角地区自2013年起便具有了数据共享协作网络雏形，并且在空间上具备普遍的联系，不存在孤立的城市。随着2016年《长江三角洲城市群发展规划》的通过，以及同年国家“十三五”规划纲要中“加快推动数据资源共享开放”的要求，长三角地区在区域协调发展的整体性规划上具备了全面的战略支持，协作网络逐渐由图1的松散型网络向图2的密集型网络转变。通过连线数量的增多以及宽度由细及粗的转变可以看出这种联系的加强不仅体现于城市之间联系数量的增加，还体现于城市间数据共享质量与强度的提升。

其次，数据共享协作逐渐打破地理和行政边界的限制。从图1的网络形态可以看出，该协议网络中嵌套了江苏和浙江两个紧密的子网络，这说明在府际数据共享协作网络形成之初，地方政府之间的联系仍然会受到地理边界与行政边界的限制。而在2017—2020年的协作网络中，各个城市之间的数据共享协作行为则呈现出更加错综复杂、紧密相连的特征，这也初步印证了府际数据共享跨越地理与行政边界的假设。

最后，部分城市在网络中的控制作用和信息垄断地位正逐渐弱化。如图1所示，上海市在网络形成之初充当着多个城市之间的桥梁作用，而在图2所示的网络中，由于各个城市的信息来源相比之前产生了极大的扩展，因此“信息垄断”便很难再延续。

（二）长三角城市群府际数据共享网络的结构特征分析

1.整体网络结构特征

首先，通过网络密度可以观测出整个协作网络的联系紧密程度。2013—2016年和2017—2020年长三角城市群府际数据共享网络的整体网络密度分别为0.375和0.805。由于网络密度的值域为[0，1]，因此可以看出，在2013—2016年间，各城市间数据共享的协作关联并不充分，相互之间的合作与交流存在很大的提升空间。而在2017—2020年这一时间段，26个城市间数据共享的协作关联接近饱和，任意两个节点之间拓展出更多途径以达成联系，说明长三角城市群在数据共享方面的交流与合作也呈现出日益频繁和多样化的趋势。其次，两个时间段网络关联度的计算结果都为1，说明长三角城市群中任意两个城市间均存在直接或间接的协作行为，各个城市的关联关系具备普遍性、互通性的特征。最后，通过网络效率可以观测网络中存在多余线的程度。该网络在2013—2016年间网络效率偏高，为0.647，说明网络中的冗余连线较多，提高了数据共享协作过程中的交易成本，从而使协作效率较低；到了2017—2020年，网络效率大幅下降至0.2，表明网络间的高效率途径增多，稀释了冗余连线的低效影响，从而提高了整个协作网络的凝聚力。

2.个体网络结构特征

（1）点度中心度

如表3所示，在2013—2016年长三角城市群府际数据共享协作网络中，上海市的点度中心度已达到100%，领先于其他城市，说明它已较早与其他城市建立数据共享协作关系；而中心度排名倒数的池州与铜陵仅有8%和12%，说明数据共享的不平衡性较为显著。在2017—2020年间，各城市的点度中心度都出现了极大程度的提高，南京、无锡、常州等城市所建立的联系也达到饱和，排名最靠后的盐城也具有56%的中心度，表明随着时间的推移，长三角城市群各个城市政府都在主动与其他城市建立数据共享协作关系。

表3 长三角城市群府际数据共享协作网络的中心性分析结果

从点出度和点入度来看，上海市在整个协作网络中一直占据核心位置。2013—2016年，其拥有最高的点出度与点入度，说明上海市在长三角城市群中不仅拥有最高的吸引力与被关注度，在数据共享协作的促成方面也具备较高的主动性与活跃度，从2016年G60上海松江科创走廊向长三角城市群的延伸，到2018年上海市获批成为首批国家公共信息资源开放试点城市之一，上海在长三角城市群大数据发展与数据共享方面的中心地位越发明显。紧随其后的南京、无锡、苏州等城市也具备较高的吸引力与活跃度，在长三角城市群数据共享的协作互动中起着重要的枢纽作用。随着时间的推移，许多城市也逐渐在点出度与点入度上达到饱和，其中，南京、杭州、合肥等省会城市在城市群协作关系中逐渐成为新的增长极，对城市群产生了数据共享领域的辐射作用。

（2）中间中心度

长三角城市群府际数据共享协作网络的平均中间中心度较低，在2013—2016年和2017—2020年两个时间段内分别为2.603%和0.814%，说明总体上该网络中各个城市不易对其他城市产生较强的控制力，并且随着时间的推移，这种控制力逐渐减小。值得注意的是，2013—2016年上海市的中间中心度高达42.38%，远远领先于其他城市，说明府际数据共享的协作网络中，大部分关联关系都要经过上海，上海在城市间的桥梁作用和对该网络的支配能力十分明显。

到了2017—2020年，由于各个城市积极建立新的数据共享协作关系，上海等城市的桥梁作用和主导能力便逐渐被化解。一方面，南京、无锡、苏州、杭州、合肥、芜湖等经济发达、地理区位优势明显的城市逐渐分担起中介责任，促进各个城市间的数据共享协作；另一方面，南通、金华、滁州等原先中间中心度排名靠后的城市也积极在城市群中建立联系，提高了自身在数据共享协作网络中的影响力。另外，仍然存在绍兴、池州等中间中心度近乎为0的城市，这些城市由于地理区位劣势、经济发展水平或大数据治理能力不高等原因，难以在数据共享这一领域对网络中的其他城市产生控制和支配作用。

（3）接近中心度

由表3可以观测出，在2013—2016年间，上海与南京依靠其经济与政治地位占据着协作网络中接近中心度的前两名，而嘉兴则依靠其地理区位优势排名第三位，说明这几座城市与其他城市间的平均联系距离较短。

从各个城市中心度的相互比较和演变趋势来看，该网络的接近中心度具备以下两个特征：一是接近中心度的数值分布较为均衡，即各个城市在数据共享领域协作的可达性没有太大的差别。二是各个城市接近中心度的增长呈现稳健平缓特征。这一方面是由于城市间紧密的联系使得接近中心度的基数较大，不易产生进一步增长；另一方面，由于数据共享无视地理距离、跨越行政边界的领域特征，城市间一旦达成数据共享协作，其联系路径便会大大缩短，从而使得两节点间的路径距离难以发生进一步变化。另外，2017—2020年，上海、南京、杭州、合肥等接近中心度已达100%的城市由于与其他城市间高度的可达性，其数据共享协作已很难受到其他城市的控制；而池州、铜陵、台州等城市仍有可能因中间城市的控制而在协作的建立过程中耗费更多的交易成本。

3.块模型分析

选择最大切割深度为2，收敛标准为0.2，对两个时间段的协作网络进行块模型分析，可获得各时间段的四个数据共享协作板块。

如表4所示，2013—2016年，第一板块由上海、马鞍山、铜陵、安庆、合肥、池州6市构成；第二板块由台州、嘉兴、绍兴、舟山、杭州、金华、宁波、湖州8市构成；第三板块由南京、无锡、常州、苏州、盐城、芜湖、扬州、镇江、泰州、南通10市构成；第四板块由滁州、宣城2市构成。该时间段长三角城市群数据共享协作网络中共有244个关联关系，板块内部之间的关联数量为150个，说明板块之间的溢出效应还不够明显，各城市更倾向于在同一板块内部建立协作关系。

表4 长三角城市群2013—2016年府际数据共享板块的溢出效应

第一板块内部关系占比较高，外部接收关系数与发出关系数相近，属于双向溢出板块，这一板块主要由上海及安徽一些城市构成。上海经济中心以及科技创新中心的地位决定了它既从其他城市吸取数据共享经验，又向其他城市溢出相关数据资源；安徽各市则因省内关联较为疏松而亟须通过上海与其他城市建立关联。第二板块内部关系占比较高，而接收关系数大于发出关系数，因此属于主受益板块。可以看出，该板块内基本是浙江省内城市，由于行政边界的限制以及省内领先的大数据发展水平，浙江省内部数据共享协作关系活跃，吸引着省外城市来交流学习。同理，第三板块也应属于主受益板块，主要由经济发达、信息化水平较高的江苏省内城市构成。第四板块实际内部关系比例远小于期望值，接收外部关系也向外部发出关系，因此该板块属于“经纪人”板块。这主要是由于滁州、宣城两市大数据发展速度在长三角城市群中较为缓慢，更需要积极地与板块外发达城市沟通交流；同时它们在地理区位上又具备着作为“中介”的条件，例如滁州地处苏皖交界地区，在两省的跨省协作上具备优越的地理优势。

如表5所示，2017—2020年，各个板块的组成城市和功能特征发生了一些变化。在板块城市的构成上，第一板块由上海、南京、无锡、芜湖、苏州、合肥、杭州7市构成；第二板块由安庆、铜陵、金华、马鞍山、池州、嘉兴、湖州、滁州、宣城9市构成；第三板块由常州、扬州、镇江3市构成；第四板块由舟山、绍兴、南通、泰州、台州、宁波、盐城7市构成。在板块内外关系的收发上，该时间段网络中共存在523个关联关系，其中板块内关联关系为154个，可以看出与上一时间段相比，长三角城市群数据共享协作的溢出效应逐渐凸显。

表5 长三角城市群2017—2020年府际数据共享板块的溢出效应

第一板块的特征为双向溢出板块，且其板块外的接收与发出关系数都处于相当高的水平。在成员构成上，该板块内城市具备典型的“中介”特征。一方面，上海、南京、合肥、杭州这些省会级城市利用其影响力吸纳并辐射着城市群的数据资源；另一方面，这些城市共同构建起长三角地区信息共享的交流平台，例如芜湖市建立的公共信用信息共享服务平台、上海牵头的长三角区域一体化食品安全信息追溯体系等，均在城市数据共享的协作中起到了桥梁作用。第二板块也属于双向溢出板块，与第一板块不同的是其内部关系占比更高，板块外关系数比第一板块少很多。这一板块中的城市大多处于同一功能边界或行政边界中，例如嘉兴、金华、湖州、宣城都处于G60科创走廊，其他几个城市则是安徽省内经济发展水平和大数据发展水平相对较弱的城市，说明这些城市对于板块外的吸引力和积极性相比之前有了大幅提高，但受各种边界限制仍然较深，与板块外联系还不够充分。第三板块内部关系较少，板块外接收和发出关系较多，因此属于“经纪人”板块。第四板块为主受益板块，其内部关系较多，板块外接收关系多于发出关系，对于其中有些城市来说这是由于其大数据发展水平在长三角城市群中较为成熟，因此更能够吸引其他城市主动进行协作交流；然而对于该板块的更多城市来说，在建立数据共享协作关系时，往往是由板块外城市进行主导牵头，因此，这些城市数据共享的协作虽然呈现跨越地理和行政边界的特点，但其积极性和主动性有待提高。

通过计算板块网络密度可以观察板块的关联关系，将密度值大于整体网络密度值的赋值为1，否则赋值为0，可获得像矩阵。由表6可知，2013—2016年各板块基本没有溢出效应。表7则体现出2017—2020年间各板块之间明显的溢出效应，各板块不仅在板块内互动活跃，也积极与其他板块建立协作关系。第一板块的数据共享溢出效应同时延伸至四个板块；第二板块的数据共享溢出效应主要体现于第一板块和第二板块；第三和第四板块的溢出效应都体现于第一、第三和第四板块。

表6 长三角城市群2013—2016年府际数据共享板块的密度矩阵和像矩阵

表7 长三角城市群2017—2020年府际数据共享板块的密度矩阵和像矩阵

通过绘制像矩阵的板块间协作网络还可以直观地看出长三角城市群数据共享协作的传递机制。由于2013—2016年板块间溢出效应不明显，无法形成有效的板块间协作网络，因此本文仅将2017—2020年的矩阵数据绘制成网络。

如图3所示，该网络总体上呈现“核心—边缘”结构特征[20]，即第一板块处于联系密切的核心地位，第三板块与第四板块之间也存在密切联系，而第二板块大多依赖第一板块来与其他板块建立联系。正如Snyder和Kick所说，核心板块多为社会群体中的精英成员[21]，例如第一板块中的上海、南京、杭州、合肥等城市，在大数据发展水平上领先于长三角地区的其他城市；第二板块则作为依附者，大多依赖于某一中心城市或数据共享平台来拓展自身数据资源的来源，例如金华、嘉兴、湖州对于省会杭州的依附，以及嘉兴、金华、湖州、宣城对于G60科创走廊这一平台的依附，被依附者杭州、上海均属于第一板块成员，具备数据资源和政府治理能力方面的优势。从互惠性的角度来看，各板块之间的联系均为双向，这也印证了前文中，数据资源的可传递性与非排他性使得网络成员更倾向建立双向的协作来保证数据安全、有效降低背弃风险的假设。

图3 长三角城市群2017—2020年府际数据共享板块相互关系

（三）长三角城市群府际数据共享影响因素的QAP回归分析

QAP回归分析是研究关系型变量之间因果关系的常用方法，结合上文所述模型，选择2000次随机置换次数，分别对长三角城市群2013—2016年和2017—2020年的协作矩阵和影响因素矩阵进行回归分析。如表8所示，两个时间段的R2分别为0.560和0.686，说明这些因素能够解释长三角城市群数据共享协作关系的56.0%和68.6%。其显著性概率值都为0，通过了1%的显著性水平检验。样本数量为650个。

表8 模型拟合结果

表9显示了QAP回归分析获得的各变量回归系数和显著性水平。从机构属性来看，2013—2016年公共管理从业人数异质性在5%的水平下显著；2017—2020年地方一般公共预算支出异质性在10%的水平下显著，说明政府机构属性中，政府治理能力的差异会对数据共享协作的形成产生影响。另外，第二产业占比异质性在两个时间段里实现了不显著到显著的变化，产业结构差异的日益加大使得城市间的信息和数据存在领域和结构上的不同，从而促进城市间府际数据共享。

表9 长三角城市群府际数据共享协作影响因素的回归结果

从组织属性看，行政边界的临界性在两个时间段内都在1%的水平显著，说明在数据共享这一领域，由于同一行政辖区具有一致性的制度安排和属地考核方式，协作的交易成本与协作风险较低，地方政府更倾向于与行政辖区内的城市进行合作。地理距离在两个时间段内均显著，且系数为负，说明地方政府间地理距离越远，越不容易形成数据共享协作，这与经验认知相符。功能边界在两个时间段内也出现从不显著到显著的跨越，说明随着时间的变迁，中央和地方对于数据共享的政策要求逐渐明确，区域性合作组织也逐渐发挥其联结作用，府际数据共享协作的功能边界日益清晰。另外，同省省会城市的参与也对协作具有促进作用。

从交易物属性看，2013—2016年信息技术从业人数异质性在5%水平显著；2017—2020年电信业务收入异质性在10%水平显著，互联网宽带接入户数异质性在1%水平显著，说明数据本身的领域特征会对政府间协作产生影响。2013—2016年流动人口指数在1%水平显著，而2017—2020年却不显著，说明人口流动性对数据共享协作的影响具有淡化的趋势。

四、结论及对策建议

（一）研究结论

本文基于社会网络分析（SNA）方法探究了长三角城市群府际数据共享协作网络的结构特征及其变迁趋势，并使用QAP方法研究了影响协作的因素及其随时间而产生的变化。主要研究结论如下：

第一，长三角城市群府际数据共享协作网络呈现联系愈加紧密、关联数量越来越多的演变趋势。2013—2016年间的协作网络关联度便已达到饱和，且整体网络密度在两个时间段内实现了0.375到0.805这一较高的跨越；城市间的协作路径也逐渐增多，网络凝聚力呈现加强趋势。

第二，各城市在数据共享协作网络中的地位和功能差异悬殊，且随着时间的推移，核心城市对数据共享协作的控制和垄断作用逐渐弱化。个体网络特征反映出，上海市一直处于数据共享协作的核心地位；金华、湖州等城市由于其本身经济实力和信息化水平的局限，在网络中一般充当中间人的作用；南京、杭州等城市原本与同省城市归属同一板块，但随着各城市大数据发展水平的提高，其逐渐与上海交融于同一板块。这一方面体现出南京、杭州等城市的协作策略由占据区域核心地位、吸纳区域数据资源的“控制”策略，向着与其他发达城市紧密联系、加快发展步伐的“抱团”策略转变；另一方面，这些影响力逐渐凸显的城市也稀释了上海在数据共享网络中的核心地位，承担起带动城市群共同发展的责任，使网络中的协作交流更加多样化，呈现多中心发展态势。

第三，城市间数据共享协作的边界性呈现出纵向权威干预下，以行政边界为主导、地理边界为基础、功能边界日益凸显的特征。由QAP分析的结果可以看出，同省份对城市间的协作始终起到促进作用，说明行政边界的主导作用贯穿始终。随着《大数据产业发展规划（2016—2020年）》等中央部署的规划设计的完善，以及“长三角征信链”等地区自发形成的数据共享平台的增多，各城市基于协作基础也更倾向与同一功能边界内的城市建立联系，同时，地理上相近的优势也在其中得到充分体现。另外，同省省会城市的参与对协作的形成也起着促进作用，体现了纵向权威的干预。

第四，数据共享协作具有由被动向主动、由手段向目的转化的趋势。数据共享协作网络形成之初，外来务工人口的浪潮引起了跨地区政务服务的需求高峰，为了满足其需求，地方政府被动地选择通过政务数据共享来实现这一目标，这一阶段的数据共享由于仅仅是进行日常政务活动的手段，缺乏对共享数据价值的判断，因此协作的局限性较大、效率较低；随着信息化水平的提高以及政府官员数字化治理理念的转变，流动人口对数据共享协作的影响逐渐淡化，数据共享也由需求推动逐渐转为政府引导的顶层设计，成为提高业务协同、实现数字化治理的行政目标。

（二）对策建议

根据上述结论，本文提出如下政策建议：

第一，构建梯度化、多样化的政务数据共享机制，充分调动协作积极性。不同城市的政府在协作网络中具有多样化的功能和地位，因此，根据不同城市的机构属性和网络地位，应选择梯度化、多样化的发展政策，实现数据资源的精准调控，从而提升协作网络的适配性与协同性。目前对于上海、南京、杭州等经济政治地位较高、协作控制能力较强的特大城市，可充分利用其增长极的资源优势，解决部分城市的数据共享困境，进一步激发其数据资源的溢出效应，打造其“大数据航母”的角色；对于“经纪人”板块的城市，应充分发挥其桥梁作用，推动数据资源在协作网络中的传递和流通；而主受益板块的城市，由于其大数据发展还有较大潜力，因此主要依靠发达城市大数据产业的引进来促进其数据共享需求与能力的提升，实现区域协同发展。

第二，增强数据共享的多重边界要素支撑，促进区域治理的制度创新。我国从2013年起就开始注重数据共享在政府治理效能方面的促进作用，但迄今为止，数据共享始终处于行政辖区主导下的地方协同治理。行政边界下谨慎有序、墨守成规的常态化机制特征使得数据资源的交换产生封闭趋势，这与数字化治理开放性、多元性的特征相悖。虽然中央从制度安排和政策规划层面为政府数据共享提供了多样化的合作场景，但许多机制仍然流于形式，能够提供的合作约束力较为有限。因此，应以网络中控制能力较强的城市为核心，更加明确地对协作边界进行划分，建立起以功能边界为核心的创新型协作治理机制，促进数据共享对行政边界的跨越。另外，由于大数据非排他性、有价性的特征，行政边界的约束力与强制力始终应作为数据安全的基本保障，并与功能边界相互交融渗透。

第三，强化政务数据共享顶层设计的理念，实现数据共享由主动向被动、由手段向目标的置换。由上文的分析可知，随着大数据发展水平的提高和官员数字化治理理念的转变，长三角城市群的数据共享协作正逐渐摆脱需求推动的桎梏，向实现业务协同的目标迈进，但大部分部门员工仍然缺乏对政务数据交换价值的了解，使得现有的数据共享制度安排中存在数据无价值或缺乏相应应用场景的问题[1]。因此，可以从顶层设计的角度修正政府行政目标，促进政府数字化理念的转变。一方面，在人事制度安排上应当充分考虑部门专业人才与行政官员的人数配比，从人员结构上促进政务与数据共享的相互结合；另一方面，可利用党务系统的政治动员作用，从顶层设计的角度培育官员的数字化意识，打破行政壁垒，从而激发数据共享的内生动力。

第四，以数字化治理为依托，“强核心”与“强县域”并进，促进区域均衡发展。由于地方政府注意力与行政资源的有限性，部分学者认为“大国大城说”[22]与“强县域说”在政策和资源的配备上可能存在冲突，但本研究从新的理解角度指出二者之间的兼容性——核心城市（尤其是超大城市）与县城等中小城市应是互为依托、均衡发展的。从社会网络视角来看，“强核心”与“强县域”可视为区域均衡发展这一目标在不同发展阶段的具象表现。在不同制度环境与政策阶段中，由于历史使命与战略目标的差异，上述二者之间的主次地位与权重比例是不同的。以本研究为例，一方面，由于更多城市成为网络中的增长极，核心城市的控制作用在时间上具有弱化的趋势；另一方面，从中心度和板块功能的变化可以看出核心城市的溢出效应正逐渐凸显，对其他城市的“虹吸”作用则相形见绌。这说明在数据共享视角下，核心城市对区域资源的吸纳可能存在一定的边际递减性。目前长三角城市群已发展到一定的阶段，核心城市将更多地充当区域发展的推动力，带动其他城市的发展；以数字化为特征的产业链也应顺应这一趋势，逐渐向其他城市外溢。另外，由于不同类型与规模的城市在比较优势上存在差异，因此在两手并抓的过程中，应根据城市网络地位与行动偏好的不同，在政策与资源的投入上做出个性化、定制化的调整。而数字化治理恰能通过对其偏好与优势的分析，为实现资源的精准匹配提供技术保障。因此，本研究认为，当下及未来的一段时间里，“强核心”与“强县域”应互为依托，在数字化治理的技术支持下，共同促进区域均衡发展。

注释：

①本文中长三角城市群的功能边界主要有两个，一个是“十三五”规划中指定的信息惠民国家试点城市，另一个是G60科创走廊九市。