新冠疫情对京津冀城市群城市发展的影响——以北京、天津、石家庄三大城市为例
萧星宇1, 梅诗雨2, 刘瑞琪2, 王阔3, 邓青1, 黄丽达4, 于峰5    
1. 北京科技大学 土木与资源工程学院, 北京 100083;
2. 北京科技大学 数理学院, 北京 100083;
3. 北京航空航天大学 航空气动声学工业和信息化部重点实验室, 北京 100191;
4. 清华大学 工程物理系, 公共安全研究院, 北京 100084;
5. 上海交通大学 国际与公共事务学院, 上海 200030
摘要:为兼顾新型冠状病毒肺炎疫情常态化背景下的城市安全与发展, 该文研究了不同新冠疫情阶段对城市群城市发展的影响机制。在文献搜集和分析的基础上, 从多维度构建城市发展水平指标体系, 并通过Cronbach系数检验指标信度; 使用组合赋权法构建新冠疫情影响下的城市发展水平指标体系; 进而利用差分整合移动平均自回归(ARIMA)模型预测无新冠疫情影响下的城市发展水平, 通过与有疫情影响下的实际数据进行对比, 定量评估新冠疫情对京津冀城市群中核心城市发展水平的影响。研究结果表明:在新冠疫情爆发期, 城市群内城市发展水平走势呈现趋同化; 城市具有韧性属性。该研究对新冠疫情常态化下城市群的应急管理决策具有参考意义。
关键词城市群    新冠疫情    面板数据    差分整合移动平均自回归(ARIMA)模型    城市发展水平    
Impact of the COVID-19 pandemic on the development of core cities in the Beijing-Tianjin-Hebei urban agglomeration—Taken Beijing, Tianjin, and Shijiazhuang as examples
XIAO Xingyu1, MEI Shiyu2, LIU Ruiqi2, WANG Kuo3, DENG Qing1, HUANG Lida4, YU Feng5    
1. School of Civil and Resource Engineering, University of Science and Technology Beijing, Beijing 100083, China;
2. School of Mathematics and Physics, University of Science and Technology Beijing, Beijing 100083, China;
3. Key Laboratory of Aeroacoustics of Ministry of Industry and Information Technology, Beihang University, Beijing 100191, China;
4. Institute of Public Safety Research, Department of Engineering Physics, Tsinghua University, Beijing 100084, China;
5. School of International and Public Affairs, Shanghai Jiao Tong University, Shanghai 200030, China
Abstract: Objective The negative impact of COVID-19 pandemic has hindered the development of urban agglomerations. Because of close geographical, transportation, and economic ties, COVID-19 is more likely to be transmitted repeatedly in urban agglomerations. This paper provides references for coordinating the development and security of urban agglomerations and building "resilient cities" in the context of pandemic. By constructing a system of indicators for the urban development level and using an autoregressive integrated moving average (ARIMA) model to predict the urban development level without pandemic, this study can quantitatively assess the impact of pandemic on individual cities in the Beijing-Tianjin-Hebei urban agglomeration. Methods The study applied an ARIMA model to investigate the urban development mechanism in urban agglomerations in different stages of pandemic. First, indicators were selected from multiple sources based on the collection and analysis of literature. Their reliabilities were tested with the Cronbach's coefficients. Second, the indicators were assigned weights using an integrated method with the analytic hierarchy process (AHP) and the entropy weight method. Third, the stages of the COVID-19 pandemic were divided based on the monthly data collected from Weibo and other websites. Fourth, based on historical data and urban development trends before pandemic, the ARIMA model was used to predict the urban development level without the effect of pandemic. Finally, a comparison analysis was conducted between the prediction value and the real value to quantitatively assess the impact of pandemic on individual cities in the urban agglomeration. Results (1) In the context of pandemic, the urban development level indicators of three cities reached peak and trough values in the same month. (2) The degree of influence was less than 0 during the outbreak period and gradually decreased to a stable trough value. (3) The degree of influence was greater than 0 in the early stage of the recovery period and gradually decreased to less than 0 in the later stage until it reached the trough point. Conclusions This study shows that: (1) the COVID-19 pandemic in the central city of the urban agglomeration affects the formulation and implementation of the overall urban agglomeration development strategy; (2) the development pattern of urban agglomeration converges because of pandemic; and (3) cities are resilient and have a certain disaster-bearing capacity. To strengthen the construction of the Beijing-Tianjin-Hebei urban agglomeration, the paper suggests that the government should start from the economy, transportation, people's livelihood, and disaster resilience to improve the urban development level.
Key words: rban agglomeration    COVID-19 pandemic    panel data    autoregressive integrated moving average (ARIMA) model    urban development level    

近年来,中国提出了区域协同发展战略[1]。城市群的地理和经济双重属性给城市群中各城市“1+1>2”的发展模式提供了支撑。然而,突如其来的新型冠状病毒肺炎疫情,呈现点多、面广、频发的特点,给城市群发展带来了巨大挑战。紧密的地域、交通、经济联系导致城市群地区新冠疫情呈现反复性,如何实现城市群协调发展是当前统筹发展与安全、建设“韧性城市”亟待解决的难题。

近年来,有关城市群发展的相关研究呈递增趋势。本文从城市发展水平、灾害对城市发展的影响评估两方面对现有研究进行梳理和总结。

在城市发展水平评估方面,可持续发展指标体系[2]是研究的基础。不同国家的指标体系各有特点,如英国的体系主要在社区层面[3];国内研究多从人口、经济、环境、资源、生态等角度构建城市群一体化评价模型,如新冠疫情对经济的影响评估[4]和京津冀地区人口与经济的协调发展关系[5]。季建万[6]从发展度、协调度和协调发展度对京津冀区域协调发展进行分析评价。马壮林等[7]构建了城市群绿色交通水平测度指标体系。也有部分研究引入韧性来综合评估城市发展水平,如从吸收能力、缓冲能力和可恢复能力3个维度构建交通网络结构韧性评估模型[8]

在量化评估灾害对城市发展的影响方面,相关研究涉及灾害对经济及各行各业的影响。新冠疫情态势演化和城市发展均与时间紧密相关,而时间序列分析是一种常用的利用历史数据预测未来走势的灾害影响评估方法,其中差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型最为常用。Zong等[9]通过ARIMA模型预测2016—2020年中国城市居民的出行率;李绍攀等[10]通过分析微博平台的台风灾害舆论数据,对城市灾损进行了估计。

目前对城市群的研究已逐步完善,但城市发展水平指标体系相对不全面,且较少考虑突发事件的影响。为此,本文在多维度面板数据获取和相关文献分析的基础上,从多方面构建城市发展水平指标体系,定量分析新冠疫情对京津冀城市群核心城市的影响,为新冠疫情常态化下城市群的一体化发展提供决策参考。

1 城市发展水平指标体系构建 1.1 城市发展水平指标选取

为合理选择城市发展水平的表征指标,本文以“城市群协调发展”“新冠疫情影响经济”等为关键词在中国知网(https://www.cnki.net/)上进行文献检索,根据“相关度” “被引” “下载”排序,最终选取排序靠前的500篇论文。对这些论文进行词频分析,以词频排序作为城市发展水平指标选取的重要参考。考虑经济、城市群之间的交通对城市群内城市发展的重要作用,人民生活水平[11]及新冠疫情常态化的特征[12],本文引入4个一级指标:经济、交通、民生、适灾韧性。每个一级指标又由多个二级指标构成,进而构建了由4个一级指标和13个二级指标组成的指标体系(见表 1)。

表 1 城市发展水平指标体系及其代理变量计算方法
一级指标 二级指标 代理变量及其单位 指标属性
经济(E) 居民消费价格(E1) CPI/% 负指标
工业化等级(E2) 规模以上工业同比增长/% 正指标
经济运营(E3) 固定资产投资/亿元 正指标
居民商品购买力(E4) 社会消费品零售额增长率/% 负指标
产业结构高级化(E5) 规模以上高技术产业增加值/亿元 正指标
经济总量差距(E6) 城市GDP与所在城市群GDP均值之比/亿元 负指标
交通(B) 邮政运行情况(B1) 快递业务量/万件 正指标
客运情况(B2) 客运总量/万人 正指标
人口流动等级(B3) 百度迁移数据的迁出与迁入规模指数之和 正指标
民生(P) 社会保障和就业(P1) 社会保障和就业支出/亿元 正指标
居民可支配收入(P2) 人均可支配收入/元 正指标
适灾韧性(R) 医疗服务设施(R1) 医疗机构个数/个 正指标
城市防灾投入金额(R2) (卫生健康支出+公共安全支出)/亿元 正指标
正指标
注:社会保障和就业支出、卫生健康支出、公共安全支出为当年的月度均值,其余为当月数据。

1.2 数据获取与预处理

面板数据[13]是在时间序列上截取多个截面,同时选取样本观测值所构成的样本数据。本文通过多渠道收集京津冀城市群三大核心城市(北京、天津、石家庄)从2013年6月到2021年12月的月度数据。其中,以当地疫情首次爆发的时间(2020年1月)作为分隔,将疫情爆发前(2013年6月到2020年1月)的数据作为ARIMA模型预测的训练集,预测疫情爆发后时间段内(2020年2月到2021年12月)若无疫情影响下各变量的数据,进而预测无疫情影响下的城市发展水平。数据来源主要包括国家和地方统计局、百度迁徙大数据、网络数据库等。因二级指标“产业结构高级化”“客运情况”“人口流动等级”数据大量缺失,本文计算时暂不考虑,后续研究中如能获取相关数据将加以补充完善。

1.2.1 缺失数据补充

对于缺失少量数据的部分指标,使用MATLAB中的GM(1, 1)模型及interp1()插值函数进行预测补充,所涉及的具体指标为快递业务量、规模以上工业同比增长、规模以上高技术产业增加值、社会消费品零售额增长率、固定资产投资。

本文选取每个城市每年6月份的数据作为样例,收集的样例数据见表 2

表 2 2013至2021年北京、天津、石家庄每年6月份的月度面板数据收集样例
城市 时间 E1/% E2/% E3/亿元 E4/% E6/亿元 B1/万件 P1/亿元 P2/元 R1/个 R2/亿元
北京 2013-06 103.30 6.40 7.40 8.80 1.59 6 531.00 469.13 9 692.00 10 043.17 531.95
2014-06 101.80 7.70 6.60 7.50 1.59 12 086.00 509.01 9 181.00 10 202.50 322.29
2015-06 102.30 1.70 5.30 6.00 1.57 11 267.60 700.48 12 668.00 10 273.75 370.52
2016-06 101.10 2.10 6.20 3.80 1.58 17 649.40 716.20 13 877.00 10 912.25 397.95
2017-06 101.70 7.40 6.20 5.60 1.57 20 174.90 795.38 15 277.00 10 811.50 427.87
2018-06 102.80 5.80 14.40 4.40 1.85 19 158.00 835.65 16 694.00 11 043.00 490.09
2019-06 102.60 2.10 14.70 5.40 2.02 19 419.60 972.98 18 305.00 11 156.00 534.41
2020-06 101.40 10.80 -1.50 -16.30 1.91 114 120.00 1 055.86 18 211.00 11 211.00 725.98
2021-06 100.90 45.50 9.20 21.00 1.95 106 980.00 1 055.30 20 192.00 11 727.00 745.04
天津 2013-06 103.00 12.90 19.20 13.20 1.06 563.80 229.28 7 205.00 4 613.73 128.94
2014-06 101.30 9.50 17.40 4.50 1.09 935.50 259.56 7 892.00 4 839.50 161.33
2015-06 102.40 9.50 13.20 10.80 1.09 1 898.30 314.77 8 526.00 5 105.50 195.02
2016-06 102.20 9.00 10.70 8.60 1.08 3 028.30 377.92 9 355.00 5 331.50 203.23
2017-06 101.60 7.20 3.60 5.50 1.08 4 293.10 403.44 10 169.00 5 549.00 182.10
2018-06 102.00 0.60 17.30 4.30 0.77 4 931.40 505.46 10 876.00 5 603.00 192.76
2019-06 102.30 2.10 17.40 0.60 0.80 6 096.50 550.98 8 452.00 5 806.00 197.86
2020-06 102.20 -5.70 -4.50 -21.70 0.75 35 412.00 518.51 12 332.00 5 836.00 381.94
2021-06 101.50 17.30 6.20 17.20 0.74 56 362.00 595.25 12 332.00 6 084.00 381.09
石家庄 2013-06 101.90 11.40 19.70 13.10 0.35 511.80 42.90 6 319.00 6 531.00 48.30
2014-06 102.60 8.20 8.20 12.50 0.32 833.70 42.94 6 453.00 6 554.00 48.30
2015-06 100.80 6.10 13.70 9.20 0.34 1 249.20 48.43 6 656.00 6 622.00 56.35
2016-06 101.40 6.10 13.90 9.70 0.34 1 962.80 58.80 7 276.00 6 903.00 66.78
2017-06 101.40 4.20 7.30 10.40 0.35 2 616.90 72.60 7 857.00 7 383.00 72.52
2018-06 103.10 5.30 6.60 10.00 0.38 4 108.10 88.07 6 604.00 8 013.00 78.01
2019-06 102.10 4.80 7.40 8.90 0.18 5 366.90 116.32 9 559.00 8 745.00 90.15
2020-06 103.40 -1.00 -20.70 -7.90 0.34 44 682.00 126.70 9 602.00 8 369.00 147.11
2021-06 101.00 4.90 -20.70 7.50 0.31 60 736.00 126.50 10 694.00 8 494.00 175.10
注:表格中标粗数据为补充数据。

1.2.2 数据标准化

1) 指标正向化。

指标一般分为正向指标、负向指标、适度指标。本文综合考虑区域发展的协调性,对指标进行正负向分类,经济总量差距、居民消费价格和居民商品购买力为负向指标,其余为正向指标。由于倒扣逆变化法不会改变变量的分布情况[14],采用该方法对指标进行正向化处理,表达式为

$ y_{i j t}=\max \limits_{1 \leqslant t \leqslant T}\left\{x_{i j t}\right\}-x_{i j t} . $ (1)

其中:t为时间,月;T为所取月份总个数;i为城市编号;j为指标编号;xijt为待正向化的逆向指标值;yijt为指标xijt正向化后的结果。

2) 基础数据标准化。

对正向化后的数据采用极差法进行标准化。Xij(t)为数据xijt标准化后的结果,

$ X_{i j}(t)=\frac{x_{i j t}-\min \left\{x_{j t}\right\}}{\max \left\{x_{j t}\right\}-\min \left\{x_{j t}\right\}}. $ (2)

{xjt}为各城市指标j在时间t下的数值集合。

1.3 指标一致性检验

Cronbach系数法是基于归一化数据衡量量表或测验信度的一种方法。为衡量本文所提出的指标体系的内部一致性,在对面板数据进行归一化处理[15]后,采用Cronbach系数对其进行检验。数据归一化处理过程如下:

$ \bar{X}_j=\frac{1}{N} \frac{1}{T} \sum\limits_{t=1}^T \sum\limits_{i=1}^N X_{i j}(t) . $ (3)
$ \operatorname{VAR}_{X_j}=\frac{1}{T} \frac{1}{N-1} \sum\limits_{i=1}^N\left[X_j(t)-\overline{X_j}\right]^2 . $ (4)
$ Z_{i j}(t)=\frac{X_{i j}(t)-\overline{X_j}}{\sqrt{\mathrm{VAR}_{X_j}}} . $ (5)

其中: N为城市个数,Xj为第j个指标的均值,VARXj为第j个指标的方差,Zij(t)为城市ij个指标在时间t的归一化结果值。

归一化处理后,可得到城市发展水平的均值Xj、方差VARXjk个指标的方差VARZk。Cronbach系数α的计算表达式为

$ \alpha=\frac{k}{k-1}\left(1-\frac{\sum\limits_j \operatorname{VAR}_{X_j}^2}{\operatorname{VAR}_{Z_k}^2}\right). $ (6)

本文计算得到经济、民生、适灾韧性3个一级指标的Cronbach系数值(交通仅有一个二级指标,无需检验),如表 3所示。北京、天津、石家庄的经济、民生和适灾韧性3个指标的Cronbach系数平均值分别为0.708、0.856、0.871,均大于0.7。综合判断,本文所构建的指标体系信度可以接受。

表 3 各指标的Cronbach系数值
指标 北京 天津 石家庄 平均值
经济 0.702 0.703 0.719 0.708
交通
民生 0.957 0.782 0.828 0.856
适灾韧性 0.933 0.906 0.774 0.871
平均值 0.902 0.777 0.756 0.812

2 指标权重的确定

为实现城市发展水平的定量评估,在第1章指标体系构建的基础上,需确定指标体系中各指标的权重。权重确定方法主要分为主观和客观分析法。主观分析法考虑了决策者的实际经验,客观分析法充分发挥了数据的统计特性。组合分析法结合了这两者的优势,使评价结果更真实可信。本文选取层次分析法(analytic hierarchy process, AHP)与熵值法相结合的组合赋权法来确定指标的权重[16]。具体流程见图 1,首先根据第1章构建的指标体系,建立AHP分析体系,分别采用AHP和熵值法计算指标权重,然后将二者的平均值作为各指标的最终权重。

图 1 组合赋权法步骤示意图

AHP是一种比较灵活的主观权重确定方法。本文首先邀请3位城市应急管理与经济发展领域的专家对判断矩阵取值,然后基于一致性检验确定其合理性,对通过一致性检验的结果予以接受。

熵值法是用来判断某个指标离散程度的数学方法[17]。基于1.2.2节中的标准化结果Xij(t)进行熵值法的具体处理和计算。将城市i在第t月中第j个指标的权重记为wijt,权重wijt表达式为

$ w_{i j t}=\frac{X_{i j}(t)}{\sum\limits_{i=1}^n \sum\limits_{t=1}^m X_{i j}(t)} . $ (7)

权重的计算结果见表 4

表 4 各指标权重值
指标 AHP权重 熵值法权重 组合权重
E 0.300 0.532 0.416
B 0.085 0.212 0.149
P 0.451 0.119 0.285
R 0.162 0.137 0.150

得出各一级指标的组合权重值qi (i=1, 2, 3, 4)后,城市发展水平Z表达式为

$ Z=E \cdot q_1+B \cdot q_2+P \cdot q_3+R \cdot q_4 \text {. } $ (8)

其中:EBPR分别为经济、交通、民生、适灾韧性各自二级指标标准化结果之和。

3 新冠疫情对城市群中单个城市发展水平的影响

本章以北京、天津、石家庄3个城市为例,探讨新冠疫情对京津冀城市群中城市发展水平的影响。指标的标准化和归一化处理,可在一定程度上抵消石家庄市与北京、天津的体量差异。本章首先对各城市新冠疫情阶段进行划分,然后基于新冠疫情前的数据,采用ARIMA模型预测无新冠疫情影响下的城市发展水平(预测值记为Zp),并与新冠疫情影响下城市发展水平的真实值(记为Zr)对比,探讨不同疫情阶段下城市发展水平的演化趋势,以此来分析疫情对城市发展的影响。

3.1 新冠疫情阶段划分

突发性公共事件的发展过程一般可划分为不同阶段[18],如潜伏期、爆发期、相持期、解决期和恢复期等[19]。新冠疫情爆发时,一些封控或限制措施会使城市发展水平受到影响[20]。本文重点聚焦于有无新冠疫情影响下城市发展水平的演化机制,而非探讨新冠疫情的发展周期。因此,本文基于新浪微博爬取的文本数据与新冠肺炎疫情地图的新冠疫情月度数据(每月新确诊病例数及新治愈病例数),将2020-02—2021-12的新冠疫情划分为爆发期与恢复期两个阶段,见表 5

表 5 新冠疫情阶段划分标准及各城市的阶段划分结果
生命周期 开启条件 阶段特征 北京 天津 石家庄
爆发期 《人民日报》记录第1例病例 数月持续有新确诊病例 2020-02至2020-06
2020-11至2021-01
2021-04至2021-08
2021-10至2021-12
2020-02至2020-03
2020-07至2021-01
2021-06至2021-08
2021-10至2021-12
2021-01至2021-03
2021-10至2021-12
恢复期 当月新确诊病例数 < 治愈病例数 新确诊病例数呈递减趋势、新治愈病例数呈递增态势,确诊数远小于治愈人数,最后病例数仅剩个位数 2020-07至2020-10
2021-02至2021-03
2021-09
2020-04至2020-06
2021-02至2021-05
2021-09
2020-02至2020-12
2021-04至2021-09

3.2 ARIMA预测模型的建立

ARIMA模型可利用某一指标的历史数据预测该指标在未来一段时间内的走势。ARIMA模型由两部分组成,AR是自回归,MA是移动平均。该模型的使用前提是输入的变量序列为平稳序列,若原序列不平稳,需对其进行差分。记原始非平稳序列为{xk},经过d阶差分运算后得到平稳序列{yk},

$ y_k=\varDelta^d x_k=\varDelta^{d-1} x_k-\varDelta^{d-1} x_{k-1} . $ (9)

Δ为差分算子。接下来,将平稳序列{yk}代入ARIMA计算公式(10),得到预测结果yt

$ y_t=\mu+\sum\limits_{i=1}^p \beta_i y_{t-i}+\sum\limits_{j=1}^q \theta_j \varepsilon_{t-j} . $ (10)

其中:{εt-j}是白噪声序列,β为AR系数,θ为MA系数,p是自回归项数,q是移动平均项数,μ为常数项。

通常来说,建立ARIMA模型有3个阶段:模型识别和定阶、参数估计、模型检验[21-23]。第1阶段根据平稳性检验、自相关图和偏相关图截尾与拖尾性质初步确定模型参数pdq。第2阶段主要根据Akaike信息准则(Akaike information criterion, AIC)和Bayes信息准则(Bayesian information criterion, BIC)筛选参数。第3阶段的模型检验主要通过残差白噪声检验来验证pdq取值的合理性。

本文基于北京、天津、石家庄2013-06—2020-01的指标数据构建ARIMA模型,预测2020-02—2021-12无新冠疫情影响下的城市发展水平。首先以各城市4个一级指标2013-06—2020-01年的真实数据作为基础,利用ARIMA模型计算2020-02—2021-12这4个一级指标的预测数据,得到的预测公式见表 6。然后,使用第2章中的组合赋权方法计算各一级指标的权重,最后基于式(8)得到城市发展水平预测值Zp

表 6 北京、天津、石家庄3市ARIMA预测结果
城市 指标 适用模型 公式 PQ6
北京 E AR(2) yt=0.201+0.533yt-1+0.274yt-2 0.805
B ARIMA(1, 1, 1) yt=0.000+0.433yt-1-0.911εt-1 0.958
P ARIMA(3, 1, 0) yt=0.002-0.033yt-1-0.033yt-2-0.066 4yt-2 0.542
R ARIMA(0, 1, 0) yt=0.001 0.304
天津 E ARIMA(0, 1, 0) yt=-0.001 0.136
B ARIMA(0, 1, 1) yt=0.000-1.000εt-1 0.292
P ARIMA(0, 1, 0) yt=0.201+0.533yt-1+0.274yt-2 0.986
R ARIMA(0, 1, 0) yt=0.001 0.665
石家庄 E ARIMA(0, 1, 0) yt=0.000 0.425
B ARIMA(0, 1, 3) yt=0.000-0.312εt-1-0.185εt-2-0.218εt-3 0.969
P ARIMA(0, 1, 0) yt=0.001 0.973
R ARIMA(0, 1, 1) yt=0.000-0.748εt-1 0.969
注:Q6表示采用Q检验考察残差前6阶自相关系数是否满足白噪声,PQ6值为Q6检验得到的概率值;yt-nεt-n见式(10)。

3.3 新冠疫情对城市的影响分析

以2020年1月(新冠疫情首次在京津冀地区爆发时间)为分界线,新冠疫情出现前后北京、天津、石家庄城市发展水平时间序列图见图 2图 2中:虚线代表无疫情影响下的城市发展水平预测值Zp,实线代表疫情影响下的城市发展水平真实值Zr。新冠疫情爆发前,3个城市的发展水平走势不一致,相比较而言,北京属于稳步上升,天津和石家庄均在均值上下波动。新冠疫情爆发后,3条实线几乎在相同时间达到波峰或波谷,即3个城市发展趋势一致。可以看出,新冠疫情下城市群核心城市发展水平真实值波动性变化情况趋同。

图 2 新冠疫情出现前后北京、天津、石家庄城市发展水平时间序列图

为评估不同疫情阶段对城市发展水平的影响,将3.1节划分的各城市新冠疫情爆发期标注在图 3中。对比图 23可知,只有北京符合“新冠疫情爆发期,城市发展水平真实值Zr显著低于无新冠疫情影响下的城市发展水平预测值Zp”的规律,而天津、石家庄的城市发展水平真实值的波动与北京疫情爆发期基本吻合,关联性十分明显。例如,2021年3月至2021年5月,北京、天津、石家庄城市发展水平真实值均呈现下降趋势(见图 2),但却只有北京处在新冠疫情爆发期。这一研究结果进一步说明新冠疫情下城市群内城市发展趋势趋同化,这主要是新冠疫情爆发时城市群内城市间采取了一些联防联控措施,同时也说明城市群内城市间存在紧密联系。

图 3 3个城市新冠疫情阶段划分示意图

为进一步分析城市群内核心城市受新冠疫情的影响,定义核心城市受新冠疫情影响的程度R值表达式为

$ R=Z_{\mathrm{p}}-Z_{\mathrm{r}}. $ (11)

新冠疫情期间北京、天津、石家庄的R值见图 4,可以发现:1) 3个城市R值的变化趋势一致,再次说明新冠疫情下城市群内城市发展趋势趋同;2) R值在新冠疫情爆发期小于0,且逐渐减小达到平稳波谷值,说明新冠疫情对城市的冲击在爆发期达到最大值,且城市发展水平存在下限;3) R值在恢复期前期大于0,后期逐渐减小至小于0,直到达到波谷。这些结果说明恢复期间城市综合实力出现迅速回弹,但在短暂恢复后,又迅速跌至谷底,表明城市具有一定的承灾能力。

图 4 2020-02至2021-12期间北京、天津、石家庄3个城市的R

4 结论

本文首先通过文献分析与总结,从多方面构建了城市发展水平指标体系;然后,基于组合赋权法计算指标权重,进而计算得到城市发展水平Z;最后,基于ARIMA模型预测无新冠疫情影响下的城市发展水平,对比有疫情影响下的城市发展水平真实值,定量分析新冠疫情对京津冀城市群内核心城市的影响。本研究结果表明:新冠疫情使得城市群内城市发展模式趋同;同时,城市具有韧性和一定的承灾能力。

本文研究结果可为新冠疫情常态化下的政策制定提供参考。结合本文所构建的适灾韧性指标,北京、石家庄、天津可通过完善医疗服务设施、加大防灾投入等手段提升城市韧性。最后,城市群应在新冠疫情爆发期做好精准联防联控,在恢复期加强经济、交通等领域的合作,相互扶持与一体化发展,以减缓疫情对城市群经济的冲击。

参考文献
[1]
中华人民共和国国民经济和社会发展第十三个五年规划纲要[N]. 人民日报, 2016-03-18(001).
Outline of the 13th Five Year Plan for national economic and social development of the People's Republic of China[N]. Peoples's Daily, 2016-03-18(001). (in Chinese)
[2]
WALLER-HUNTER J A. Indicators of sustainable development: Framework and methodologies[M]. New York: United Nations, 1996.
[3]
CUSTANCE J. The development of national, regional and local indicators of sustainable development in the United Kingdom[J]. Statistical Journal of the United Nations Economic Commission for Europe, 2002, 19(1-2): 19-28. DOI:10.3233/SJU-2002-191-203
[4]
肖伯文, 范英. 新冠疫情的经济影响与绿色经济复苏政策评估[J]. 系统工程理论与实践, 2022, 42(2): 273-288.
XIAO B W, FAN Y. Economic impact of the COVID-19 epidemic and assessment of green economic recovery policy[J]. Systems Engineering: Theory & Practice, 2022, 42(2): 273-288. (in Chinese)
[5]
李国平, 罗心然. 京津冀地区人口与经济协调发展关系研究[J]. 地理科学进展, 2017, 36(1): 25-33.
LI G P, LUO X R. Coordinated development between population and economy in the Beijing-Tianjin-Hebei region[J]. Progress in Geography, 2017, 36(1): 25-33. (in Chinese)
[6]
季建万. 基于多源时空数据的京津冀区域协调发展评价研究[D]. 北京: 中国科学院大学, 2021.
JI J W. Research on evaluation of coordinated development of Jing-Jin-Ji region based on multisource spatiotemporal data[D]. Beijing: University of Chinese Academy of Sciences, 2021. (in Chinese)
[7]
马壮林, 高阳, 胡大伟, 等. 城市群绿色交通水平测度与时空演化特征实证研究[J]. 清华大学学报(自然科学版), 2022, 62(7): 1236-1250.
MA Z L, GAO Y, HU D W, et al. Green transportation level measurements and spatial-temporal evolution characteristics of urban agglomeration transportation systems[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(7): 1236-1250. (in Chinese)
[8]
马书红, 武亚俊, 陈西芳. 城市群多模式交通网络结构韧性分析: 以关中平原城市群为例[J]. 清华大学学报(自然科学版), 2022, 62(7): 1228-1235.
MA S H, WU Y J, CHEN X F. Structural resilience of multimodal transportation networks in urban agglomerations: A case study of the Guanzhong Plain urban agglomeration network[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(7): 1228-1235. (in Chinese)
[9]
ZONG C L, WANG L. Prediction of urban residents' travel rate in China based on ARIMA models[J]. Journal of Interdisciplinary Mathematics, 2018, 21(5): 1285-1290. DOI:10.1080/09720502.2018.1497999
[10]
李绍攀, 赵飞, 周义棋, 等. 基于微博数据的台风灾害舆情分析与灾害损失估计[J]. 清华大学学报(自然科学版), 2022, 62(1): 43-51.
LI S P, ZHAO F, ZHOU Y Q, et al. Analysis of public opinion and disaster loss estimates from typhoons based on Microblog data[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(1): 43-51. (in Chinese)
[11]
李珩. 以民为本创造高品质生活[N]. 重庆日报, 2022-05-17(001).
LI H. Put the people first and create a better life[N]. Chongqing Daily, 2022-05-17(001). (in Chinese)
[12]
毛怡萱. "疫情常态化时代"浙江民营经济面临的挑战与对策[J]. 太原城市职业技术学院学报, 2021(5): 18-21.
MAO Y X. The challenges and solutions of private economy in Zhejiang Province in the era of epidemic normalization[J]. Journal of Taiyuan Urban Vocational College, 2021(5): 18-21. (in Chinese)
[13]
HSIAO C. Analysis of panel data[M]. 2nd ed. Cambridge: Cambridge University Press, 2022.
[14]
叶宗裕. 关于多指标综合评价中指标正向化和无量纲化方法的选择[J]. 浙江统计, 2003(4): 24-25.
YE Z Y. On the selection of positive and dimensionless methods in the comprehensive evaluation of multiple indicators[J]. Zhejiang Statistics, 2003(4): 24-25. (in Chinese)
[15]
董锋, 谭清美, 周德群. 多指标面板数据下的企业R & D能力因子分析[J]. 研究与发展管理, 2009, 21(3): 50-56.
DONG F, TAN Q M, ZHOU D Q. Factor analysis on enterprises' R & D ability under multi-index panel data[J]. R & D Management, 2009, 21(3): 50-56. (in Chinese)
[16]
YIN H Y, XU G L, ZHANG Y W, et al. Risk assessment of water inrush of a coal seam floor based on the combined empowerment method[J]. Water, 2022, 14(10): 1607.
[17]
WU J R, CHEN X L, LU J Z. Assessment of long and short-term flood risk using the multi-criteria analysis model with the AHP-entropy method in Poyang Lake basin[J]. International Journal of Disaster Risk Reduction, 2022, 75: 102968.
[18]
周国韬, 邓胜利. 突发公共卫生事件下老年人信息感知与保护性行动决策研究[J]. 情报资料工作, 2021, 42(2): 31-42.
ZHOU G T, DENG S L. Research on the elderly's information perception and protective action decision under the sudden public health event[J]. Information and Documentation Services, 2021, 42(2): 31-42. (in Chinese)
[19]
肖群鹰, 刘慧君. COVID-19疫情的生命周期模型与分期应急管理[J]. 城市治理研究, 2020, 5(1): 12-26, 1-2.
XIAO Q Y, LIU H J. Life-cycle model of COVID-19 outbreak and the emergency management by instalments[J]. Urban Governance Studies, 2020, 5(1): 12-26, 1-2. (in Chinese)
[20]
曹文静, 刘倩倩. 数字化时代突发公共卫生事件的应急管理研究[J]. 现代管理, 2021, 11(7): 715-723.
CAO W J, LIU Q Q. Research on emergency management of public health emergencies in the digital age[J]. Modern Management, 2021, 11(7): 715-723. (in Chinese)
[21]
DU Y L. Application and analysis of forecasting stock price index based on combination of ARIMA model and BP neural network[C]// 2018 Chinese Control and Decision Conference. Shenyang, 2018: 2854-2857.
[22]
JIANG F, YANG X, LI S Y. Comparison of forecasting India's energy demand using an MGM, ARIMA model, MGM-ARIMA model, and BP neural network model[J]. Sustainability, 2018, 10(7): 2225.
[23]
WENG Y C, WANG X J, HUA J, et al. Forecasting horticultural products price using ARIMA model and neural network based on a large-scale data set collected by web crawler[J]. IEEE Transactions on Computational Social Systems, 2019, 6(3): 547-553.