上海大都市圈物流网络空间结构及驱动力分析

李延祺，涂敏

(武汉理工大学交通与物流工程学院，武汉 430063)

0 引 言

物流作为地理空间资源和要素的衔接纽带，能克服时空差异，是构成城市联系的基础。随着一体化发展进程的推进，行政区划范围逐渐被打破，特别是《国家综合立体交通网规划纲要》提出，构建综合立体交通网，打造基于全球的快货物流圈。物流资源、要素的自由流动使得区域间形成了一种较为复杂的物流关联网络。因此，研究区域物流关联在整体和个体层面呈现出的网络结构特征，分析不同城市在物流网络中的地位，探讨物流空间网络形成的驱动因子，对于全面认识当前区域物流关联网络的格局特征，了解区域间物流联系的传导机制，促进区域的协同发展及制定差异化政策，具有重要意义。

国外对物流网络的直接研究较少，主要从“流空间”的视角借助铁路流、港口流、航空客运流、航线流、信息流、货运流等数据展开城市网络结构与格局的研究。如BUNNELL等利用城市的信息流、货运流的空间联系来反映城市的区域空间扩展过程；LIU等基于出租车数据构建空间嵌入式网络，采用复杂网络方法揭示了上海市的旅行格局；WANDELT等对2002—2013年国际航空运输拓扑网络的分析表明，网络具有小世界效应；DU等利用复杂网络分析中国航空交通网络。国内有关物流网络的研究，多为通过城市物流产业关联、物流业企业关联、货运班次等从不同视角对物流相关网络的构建及结构特征的分析，所用的主流方法有两大类：一类通过物理模型如引力模型、企业的总部-分支结构、互锁网络模型；另一类借助于互联网大数据，从物流数据平台获取相关数据进行网络的构建与分析。如唐建荣等通过修正的引力模型对江苏省物流网络结构进行探析，还对长三角物流网络进行了动态和不平衡演进分析；刘程军等基于电子商务视角，对浙江省县域的物流网络特征进行了探讨；宗会明等基于物流企业数据研究了中国城市网络空间演化特征，还对中国汽车物流网络的空间分异特征进行了描述；王克强等从聚合与互锁链接等方面对长三角地区城市网络进行了考察；黄音等运用货运大数据和复杂网络分析方法，研究了浙江省城际货运网络演化；任梦瑶等通过物流活动数据，揭示了中国城际专线物流的联系格局；杨扬等通过收集航空货运量数据对云南省航空物流网络空间结构特征进行了分析；李鲁奇等基于宅急送快递运单数据对中国快递型物流网络格局进行分析。

综上，以往研究对长三角地区城市的分析较多。上海同城化都市圈是未来服务长三角、打造世界级城市群的基础，因此研究其物流网络特征显得尤为重要。本文以运用网络爬虫技术获取的城市间真实交易量作为“流”数据，构建城市物流关联网络；综合社会网络分析及二次指派程序法(quadratic assignment procedure,QAP)对网络的空间结构特征及驱动因子进行探析，以打通“物流发展-联系网络-驱动机制”的研究通道，全面刻画上海大都市圈物流关联网络的特征及驱动因素，为上海大都市圈物流的协同发展、从物流视角构建完善都市圈交通网络、打造快货物流圈、制定相关政策等提供参考。

1 研究区域、数据处理与研究方法

1.1 研究区域

为推动上海与周边城市的协同发展，《上海市总体规划(2017—2035年)》提出构建上海大都市圈，打造具有世界级别影响力的城市群。本文以上海、苏州、无锡、常州、南通、宁波、嘉兴、舟山、湖州等9个城市为研究单元(即网络中的节点)。

1.2 数据来源及预处理

以往学者通过获取互联网平台的货运发布信息、航班班次信息、客运班次信息、货运线路信息等进行城际之间的关联网络研究。由于网站数据手动收集较为困难且数据量庞大，本文采取网络爬虫技术，通过对物流相关网站进行城市之间物流相关数据的爬取、采集、清洗、整理，进行城市之间物流关联网络的分析。数据来源平台为“菜鸟运输市场”网站。“菜鸟运输市场”是“菜鸟网络”旗下的专门提供货运服务的网站。“菜鸟网络”的大数据服务平台汇集了诸如申通、圆通、中通、韵达等快递公司，以及德邦物流、天地华宇等专业物流供应商的物流数据，其中“菜鸟运输市场”网站整合了1万多家物流商的货运服务。庞大的物流交易数据对于系统地研究物流地理格局具有重要价值。

研究通过网络爬虫获取多种数据属性字段进而建立不同的数据库，具体数据信息包括品牌(即物流公司名称)、出发地、目的地、运输时效、重货单价、轻货单价、线路数、最近成交量(近90 d)。在数据爬取导出的过程中完成对数据的清洗，具体包括：运用路径表达式找到需要爬取的数据的位置；运用条件判断完成对数据类别的清洗，同时对不同类别数据进行字段的设置，删除不属于目标字段的数据类别；运用正则表达式完成对数据的匹配和过滤，即仅爬取城市间订单成交量数据不为0的城市对，最终对导出的所有数据在Excel里进行再次检验。通过剔除重复数据、合并不同企业货运信息，共获取上海大都市圈内两个城市之间的线路有效数据67 340条，成交量93 600单。线路数即各物流公司为满足市场运输需求而确定的不同路线数，可以在一定程度上表示两个城市之间的关联度。由于受到季节、社会经济水平的影响，部分路线在一段时间内可能没有成交量，所以两个城市之间实际发生的物流成交量更能体现出城市间物流联系的真实水平。本文选取成交量指标作为主要分析数据。

在进行驱动力分析时，所选“物流节点覆盖度”指标的数据是基于高德在线地图平台获得的。以物流园区(保税区)、物流企业、仓储、配送中心、邮政速递、货运场站、港口码头等为关键词进行检索，采集得到上海大都市圈内各城市物流兴趣点(point of interest，POI)数量，利用Excel对收集到的数据进行查重清理，剔除无效重复数据后，共获取物流热度有效数据42 330个。其余驱动因子所需的统计数据均来自2019年《中国城市统计年鉴》。

1.3 研究方法

1.3.1 物流网络构建方法

借鉴城市网络分析的方法，记出发地与目的地之间的物流联系为。为突出各城市对外辐射力和受到的其他城市的影响力(即物流联系的方向性和不对等性)，记出发地与目的地之间的物流联系为，≠。城市的总对外物流联系(记为城市的“出度”)和总外来物流联系(记为城市的“入度”)分别表示城市的对外物流辐射力和其他城市对城市的物流辐射力。城市的总联系度表示该城市在网络中的地位。以此方法，将获取的城市间物流联系数据转换为以成交量为边权值的有向物流联系网络。相关计算式为

=+

1.3.2 社会网络分析法

在区域物流网络结构中，各节点代表区域内的各城市，两个节点之间的连线代表两个城市之间的联系。对城市物流网络特征的测量包括个体和整体网络结构的计量。本文选取文献[17]中的部分指标进行分析，具体如下。

用网络密度反映城市物流网络的连接关系，其值越高，表示关系越密切，其表达式为

式中：为网络中的节点数；为实际的物流联系总数。

用网络关联度衡量城市物流网络中两个城市之间直接或间接可达的程度，其表达式为

式中：为网络中不可达的点对数；为网络规模。网络关联度越大，网络的脆弱性就越好。

用网络等级度衡量物流网络中成员之间的不对称可达程度，其表达式为

=1-(max)

式中：为网络中对称可达的点对数；max是网络中对称可达的最大可能点对数。网络等级度越高，网络越具有层级性，说明网络中只有少数城市起主导作用。

用网络效率(各城市之间的连接效率)表示网络稳定性。网络效率越低，网络结构就越稳定。其表达式为

=1-(max)

式中：为网络中多余线的条数；max为网络中最大可能的多余线的条数。

中间中心度反映一座城市在多大程度上控制其他城市。对城市节点来说，中间中心度说明其具有作为要素流动中转枢纽的优势。在物流网络中，中间中心度主要表示城市对物流资源的控制水平。因此，中间中心度高的城市多为物流资源的“中转站”。中间中心度表达式为

式中：为节点到的最短路径数；()为节点与之间存在的经过点的最短路径数。

用接近中心度刻画单个成员与其他成员的直接关联程度。一座城市的接近中心度值越高，表示该城市与网络中其他城市越接近，在要素传递方面越不依赖于其他城市。接近中心度表达式为

式中：为节点到的最短距离。

1.3.3 QAP

不同于常规的属性数据使用的统计分析方法，QAP是一种适用于关系型数据分析的非参数估计方法，其基本原理是基于矩阵的随机置换。常规的参数估计分析方法要求变量之间是独立的，因此可能产生数据的“多重共线性”。而QAP能够有效避免这种问题的出现，因此估计结果会更加稳健。QAP分析又分为两种：①QAP相关分析，其基本思想是把矩阵当作长向量，然后计算矩阵之间的相关系数，并对其进行非参数检验；②QAP回归，研究解释变量矩阵与被解释变量矩阵之间的关系，并得到一个判定系数值，通过判断该值的显著性对驱动因子的解释力进行分析。两种分析方法的基本逻辑相似，由于本文构建的物流联系矩阵及各相关驱动力因素的差异矩阵均属于关系型数据，所以本文选取QAP检验各驱动因素对物流关联网络构建的影响。

1.3.4 驱动因素选择与模型建立方法

区域间物流关联网络是在自身资源条件、经济发展情况、交通基础设施水平等众多因素的相互影响下形成的。本文选取物流成交量表示两个城市间的物流联系度，而货运需求的变动显然也会影响城市网络的空间结构，因此影响货运需求的因素也是影响城市物流网络的因素。结合已有研究成果，考虑数据的可得性，本文选择以下指标作为驱动因子来探讨物流关联网络的形成机制：①地理邻近性。依据地理学第一定律，地理位置邻近的城市往往越能产生较强的联系，即邻近的城市之间可能具有更显著的关联关系。②经济发展水平差异。经济发展水平的不同能够刺激市场消费，增加货物贸易往来，进而提高物流需求,开拓物流市场，加强区域物流的流动。③产业功能互补性。相关研究成果表明，城市产业功能互补性越显著，网络构建势能越强劲，即两个城市之间的产业同质化程度越低，两个城市产业功能越互补，城市之间的联系就会越紧密。本文引入产业功能互补指数表示两个城市之间的互补性。两个城市之间第二产业功能互补指数越大，说明两个城市联系越紧密。两个城市的产业功能互补指数为

式中：和表示上海大都市圈内的任意两个城市；表示第二产业；为城市在第二产业的区位熵；为城市的第二产业就业人数；为城市的总就业人数；为上海大都市圈第二产业的总就业人数；为上海大都市圈各产业的总就业人数。④物流节点覆盖度。物流业特别是电商作用下的货运物流业通过网点布局进行业务配送，网点覆盖情况会影响业务的供给，对于提升网络时效性有重要作用，本文选取各城市拥有的物流POI数量表示各城市物流网点的覆盖情况。⑤对外开放度。城市之间对外开放能力的差距会影响城市之间的协调联动和资源共享程度，加快物流要素和资源的流动，进一步使得城市之间的联系强度加大。本文参考李远的开放度模型构建差异指标。⑥交通通达性。交通运输网络是城市实现物流联系的基础，影响着物流的辐射范围和辐射方向。城市之间交通通达度越高，物流要素资源的流通越方便快捷，要素流通成本越低，城市之间的物流联系也会越频繁。具体指标及处理方式见表1。

表1 上海大都市圈物流关联网络驱动因素、矩阵处理

基于上述分析，本文构建的物流关联网络模型如下：

=+++++++

式中：表示上海大都市圈物流联系强度矩阵；是截距项；表示地理邻近矩阵；表示经济发展水平差异矩阵；表示产业功能互补矩阵；表示物流POI覆盖度矩阵；表示对外开放度差异矩阵；表示交通通达性矩阵；～为待估参数；表示残差项。

2 结果分析

2.1 城市间物流联系强度分析

以城市间物流成交量度量城市之间物流联系强度并进行可视化处理，见图1。计算城市出度与入度之比，见表2。城市出度与入度之比大于1、小于1、等于1，分别说明该城市为物流输出型、输入型、平衡型城市。

图1 上海大都市圈物流联系强度

表2 节点城市物流出度、入度及出入度之比

依据测算结果，上海大都市圈物流联系强度与各城市社会经济发展格局相吻合，以上海、苏州、宁波三个城市为核心向周边城市辐射。考虑物流流向，上海大都市圈共计72对联系对。运用自然断裂法将物流联系强度进行等级划分，见表3。由表3可知，在上海大都市圈中物流联系强度位于第一等级的城市对数量最多(占整个联系网络的58.33%)，位于第二等级的城市对数量其次(占整个联系网络的20.84%)，而位于高联系强度的第五等级的仅有1对，这说明上海大都市圈物流联系网络整体上为弱联系(即等级度较低)。从高等级物流联系强度分布看，联系强度较高的城市对为宁波-上海、苏州-上海、宁波-苏州，形成以宁波、苏州、上海为顶点的三角形联系轴线，其中从宁波发出的城市物流联系对较多，这与宁波作为沿海港口城市具有较高的货物吞吐量高度相关。从对外物流联系值即出度值来看，上海、宁波，苏州位于前3位，整个都市圈的物流对外联系强度平均值为10 400，仅上海、宁波高于平均值(分别为平均水平的1.54、1.49倍)，都市圈内对外联系强度差异较大。从外来物流联系值即入度值看，上海、宁波依然位于前列。湖州、舟山离中心城市较远，处于整个都市圈的外围地带，与其他城市之间的物流联系较弱，不管是对外物流联系总量还是外来物流联系总量均位于都市圈后位。从出度与入度之比可以看出，上海、宁波为输出型城市，苏州、无锡、常州、南通、嘉兴、湖州、舟山为输入型城市。

表3 城市间物流联系强度分级

综上所述，上海大都市圈内各城市间物流联系不均衡，呈现出以上海、宁波、苏州等3个城市为主的星型结构。上海、宁波属于输出型城市，对外影响力较大，其余7个城市属于输入型城市，其他城市对其的影响力较大。

2.2 物流关联网络特征分析

2.2.1 空间关联整体网络特征

为分析上海大都市圈物流关联网络呈现出的空间结构特征，借助UCINET软件从网络密度、网络关联性方面进行测度和分析。首先通过对联系矩阵进行二值化处理将其转换为关系矩阵，在测算网络关联性时将阈值设置为各城市之间联系强度的平均值。当联系强度大于平均值时记为1，小于平均值时记为0。

(1)网络密度。为探析上海大都市圈整体物流网络联系的紧密程度，分别对不同阈值下的网络密度进行测算。设定不同的阈值将物流引力矩阵转换为(0,1)关联矩阵。测算结果为：当阈值为1 000时，网络密度为0.861 1，各节点之间联系较为广泛；当阈值仅上升到平均值1 500时，网络密度急速降至0.180 6；当阈值上升至2 000时，网络密度仅为0.111 1；当阈值上升至2 500时，网络密度仅为0.055 6，联系较为疏松。由此可以看出：上海大都市圈物流网络联系广泛，弱联系较多，强联系较为集中；一旦提高阈值，网络密度就会急速下降，导致网络失衡，故网络的稳定性并不高。这一结论与物流联系强度的相符。

(2)网络关联性。对于都市圈物流关联网络来说，城市之间的关联关系将物流业有效连接为一个整体。如果两个城市之间可以通过路径相连，说明网络的关联性较好。如果很多城市之间的联系均是通过一个城市相连，说明网络对该城市的依赖性较强，网络的稳健性有待商榷，该城市一旦撤出可能导致整个网络崩溃。对网络关联性进行刻画时，一般用网络关联度表示网络脆弱性，用等级描绘网络等级结构，用效率描述网络的稳健性。首先测得上海大都市圈物流关联网络的关联度为0.77。一般来说网络的关联度为1说明网络具有较好的可达性。关联度较低，说明可能存在物流关联网络对某一城市依赖性较高的情况，一旦该城市撤出，整个网络系统可能失去关联。经测算，上海大都市圈物流网络等级为0.25，等级结构并不显著，这有利于空间关联性的增强，进而有利于形成协同发展合作的趋势。经测算，网络效率为0.6，说明整个物流网络不太稳定。这一结论与网络密度及关联度指标得出的结论相符，说明上海大都市圈物流关联网络总体上联系广泛，虽未出现较为森严的等级结构，但网络整体表现出不稳定性。

2.2.2 空间关联个体网络特征

个体网络特征主要是通过中心性研究来分析各个节点在关联网络中的地位和作用，主要以节点的中间中心度、接近中心度为测度指标。本文采用这两个指标来判别各个城市在上海大都市圈物流关联网络中的地位。同样，以物流联系强度平均值为阈值将联系矩阵转化为(0,1)矩阵。

由中间中心度结果(见表4)可知，上海、宁波排名靠前，表明这两个城市在上海大都市圈物流联系网络中处于中心地位，位于其他城市连接的最短路径上。这两个城市对整个物流网络的资源控制力也较强，整个物流网络之间的联系多是通过这两个城市的连接完成的。而排名靠后的城市的中间中心度也基本与出度和入度值相符合，多为对外影响力较弱且总体上与其他城市物流联系较少的城市，容易受到中间中心度较大的城市的影响而难以对其他城市的物流发展发挥控制和支配作用。综合来看，各城市在物流关联网络中的中间中心度表现出非均衡性，物流规模及发展水平较高的城市在网络中处于中心地位，对网络的控制作用较强。从接近中心度结果来看：都市圈内接近中心度的平均值为37.82，上海、宁波排名依旧靠前(接近中心度达到了50.00)，说明上海、宁波作为中心行动者在都市圈物流关联网络中能够迅速与其他城市建立联系，基本位于网络的中心，其物流资源和要素传递也更加容易，不依赖于其他城市；排在末位的常州、湖州、舟山物流规模较小或地理位置欠佳，在网络中属于边缘行动者。

表4 物流联系网络节点的中间中心度和接近中心度

2.3 物流关联网络驱动因素分析

将前面得到的空间关联关系的联系矩阵转换为关系矩阵，以联系度的平均值为切分值进行二值化处理。将上述表格中构建的差异矩阵导入UCINET软件，选择随机置换10 000次，得到物流空间联系矩阵与各影响因素差异矩阵的QAP分析结果，见表5。

表5 上海大都市圈物流关联网络的驱动因素分析结果

由相关分析结果可知，经济发展水平与物流空间关联矩阵的相关性不高，未通过显著性检验。这表明，区域间的物流联系与人均GDP差异水平之间的相关性不强，这一结论与王东方的结论相同。究其原因，可能是：当前各城市无论经济发展水平高低都在积极发展物流产业，而上海大都市圈内城市间物流联系的建立则是基于区域物流资源和潜力，而非单纯基于经济发展水平。产业功能互补性、对外开放度、物流节点覆盖度在10%水平上显著；地理邻近性与物流关联矩阵在5%以内的水平上显著；交通通达性在0.1%水平上显著：这些因素对物流联系均有显著的正向影响，

在剔除统计意义较差的因素经济发展水平差异后，接着对其他几项因子与物流关联矩阵进行回归分析。同样选择置换次数为10 000，得到调整后的可决系数=0.463，且显著性水平达到了1%，即选取的驱动因素能够解释物流关联网络的46.3%。一般QAP回归得到的可决系数比传统回归分析方法的要低。对比其他研究得到的系数值，该回归结果处于较优水平。

从具体驱动因子看，各因子均在10%的水平下通过了检验，其中物流节点覆盖度、交通通达性水平达到了1%以下。地理邻近性表明两个城市越邻近则相关性越强。两个城市之间产业功能越互补，城市联系就越紧密。对外开放度同样与物流联系具有显著的正向关系，即城市在该变量上的差异越大，区域物流的空间关联性就越强，城市之间的联系越紧密。这说明，地区之间的差异性成为地区之间发展的推动力，对外开放度较低的城市缺少较为先进的物流技术、资源，需要对外开放度较高的城市为之提供较为先进的物流技术或引进外资企业等，从而促进物流信息和物流资源的扩散，推动区域之间的协调联动和资源共享，带动区域之间的平衡发展。同样，城市间的交通可达性影响物流空间联系，进而推动网络空间结构的改变。这启示各城市应注重加强基础设施方面的建设，提高道路可达性，进而促进城市之间的联系。物流节点覆盖度的显著性说明，物流服务点能在一定程度上促进网络的形成，物流节点影响城市之间货物流通的效率及网络整体的协调能力和通达性。上海大都市圈内广泛分布的物流网点、末端配送点等有效促进了物流网络的形成。

综上分析，人均GDP差异对物流空间关联矩阵的影响并不显著，即区域之间经济发展水平的差异对上海大都市圈物流关联网络的形成没有影响。与经济发展水平差异较大的城市相比，经济发展水平相近的城市之间可能在物流资源要素方面的竞争也更激烈，因此城市之间不一定存在紧密联系。对外开放度、物流节点覆盖度、地理邻近性、交通通达性、产业功能互补性则是促进区域之间物流关联网络形成的重要因素，相邻的、可达性较好的城市之间更容易产生关联互动，物流要素和资源的流动更方便。对外开放度差异、产业功能互补性能够促进区域之间物流资源的共享和协调联动。物流节点的布局则能够有效推动物流网络的形成与发展。

3 政策启示

基于上述分析，得到政策启示：

①依据各个城市在网络中地位的不同，发挥各城市的区位、资源优势，明确各城市在都市圈物流业发展中的功能定位。上海作为都市圈物流网络的核心城市，要发挥其核心城市作用，积极引领带动其他城市。作为仅有的两个输出型城市之一的宁波来说，其地理优势尤为突出。宁波拥有高度发达的外贸港口，不管是进出口贸易还是与内陆腹地其他城市的货运联系都十分活跃，故要充分发挥其“港口型物流中心城市”的作用。苏州作为国家规划布局的“一级物流园区”，加之其发达的制造业，要充分展现其“制造型物流枢纽城市”的作用。对于比较落后的城市如舟山，作为群岛型城市，物流关联特征与周边城市存在一定的差异，更要发挥其自身作为群岛城市的优势。只有各个城市分工协作，充分展示各自职能，才能构建运转更加高效的物流网络。

②由于上海大都市圈物流关联网络不稳定，对中心城市的依赖性较高，所以更要着重加强区域物流的关联强度，增强网络的稳健性。一是要提高城市之间的交通通达性，扩大城市之间的辐射效应。地理邻近性是推动都市圈物流联系的重要因素，规划建设健全的交通网络，强化基础设施，完善跨区域交通网络，有助于增强城市之间的联系。二是要提高城市的综合物流发展水平，特别是发展较为落后的、处于网络边缘行动者地位的城市，在发展自身实力的同时也要主动接受核心城市的辐射和外溢效应，加强区域沟通，以促进区域物流网络的一体化协调发展，避免出现个别城市与整体网络脱钩的局面。

③要充分重视各城市之间的产业功能互补。产业功能互补性是加强城市联系的重要因素之一，故要在保证现有城市之间强互补产业联系的同时，充分发挥各城市的比较优势，形成相互辐射的都市圈产业功能互补机制。同时，依据城市之间的对外开放度差异，增强物流要素的扩散效应，推动城市间物流资源协调联动和资源共享，进而构建更加紧密的空间联系网络。

4 结 论

本文通过爬取上海大都市圈内各城市之间真实发生的货运成交量，构建物流关联网络，综合社会网络分析法和二次指派程序法(QAP)对网络的结构特征及网络形成驱动因素进行分析，得到以下结论：

①从联系强度角度，都市圈内物流联系分布不平衡，总体上表现为以上海、苏州、宁波等3个城市为主的放射状网络格局。从物流联系方向上看，上海、宁波属于输出型城市(即对外影响力较大)，其余7个城市属于输入型城市(即其他城市对其影响力较大)。

②从网络结构特征看，随着阈值的不断增加，网络密度不断降低。网络的等级结构不显著，关联度较低，网络效率较高。在联系强度方面，上海大都市圈以弱联系为主。

③从个体网络特征看，上海大都市圈物流关联空间格局呈现出“核心-边缘”分布格局。物流影响度较高的城市处于网络的主导地位，以上海、宁波最为突出。物流影响度较弱的城市(如湖州、舟山)处于边缘行动者地位。

④都市圈物流关联网络的形成受社会经济条件和自身资源优势等的共同影响。对外开放度、地理邻近性、交通通达性、产业功能互补性、物流节点覆盖度是促进区域之间物流关联网络形成的重要因素。经济水平差异对都市圈物流联系没有显著影响。

本文重点对上海大都市圈城市节点之间的物流联系特征进行分析，若能同时与其他城市圈的物流联系状况进行对比分析或者深入研究上海大都市圈城市物流联系特征的演进过程，将使研究成果更具有可比性。下一步研究中将深入优化研究方法，并考虑上海大都市圈与其他城市圈的物流联系状况，从而获得更加全面的分析结果。