城市是流動的，是變化的，是被一些規律支配的。大數據能夠幫我們觀察城市街區之細微，也能俯視城市體系之宏大。

為此，上海交通大學中國發展研究院“城市酷想家”團隊與澎湃研究所聯合發起此專欄，旨在推進基于大數據的城市研究。

我們的目標不是描述有關城市的現象，而是將大數據與一些分析方法相結合，總結出與城市發展有關的社會科學規律及政策含義。這個專欄既發表原創的短文，也歡迎基于學術論文改寫的文章。投稿信箱為citycoolcamp@163.com。

2022年11月，上海，坐在屋后臺階上玩手機的人。澎湃新聞記者 周平浪 圖

疫情三年，人類的生產生活加速線上化。另一方面，第七次人口普查的數據顯示，中國人口仍持續向大城市及周圍地區集聚。那么，借助于互聯網技術發展起來的“線上城市”（即在線的視頻互動、直播帶貨等活動），會不會讓人口集聚的趨勢發生逆轉呢？

如果不看數據的話，似乎線上的活動可以把任意兩個距離上的人連接在一起，距離變得不重要，人口在城市的集聚也就不重要了。依照這個邏輯，“線上城市”的空間分布可能更加扁平，隨著線上活動在人們生產生活中越來越重要，人口的空間分布也可以變得越來越分散。但數據是不是支持這個判斷就另當別論了。

最近一段時間，上海交通大學的“城市酷想家”團隊與巨量引擎旗下的巨量引擎城市研究院開展合作，用抖音上的公開數據對“線上城市”的經濟活動進行了研究。我們重點關注了兩種活動，第一是短視頻，第二是直播帶貨。如果說，直播帶貨還是線上銷售手段對于線下銷售的賦能，那么，短視頻顯得更加容易脫離實體空間的局限，可以在任何地方隨手拍，隨手發。

為了展現“線上城市”的集聚程度，我們主要計算了三個線上城市指標的集聚度，依次是：（1）流量的集聚狀況。流量包括視頻發布的數量、點贊數量、主播和直播間數量，以及直播帶貨的購買數量。（2）MCN（Multi-Channel Network）賬號的集聚狀況。MCN賬號通常是由一個團隊或一家企業來運營的，它需要對相應視頻進行拍攝、剪輯、傳播，或進行直播前后的選品、商務談判、銷售對接，還有直播中的流程控制。本質上講，MCN是一種企業化運作的組織，需要人與人之間的相互協作，甚至是專業團隊的配合。（3）非MCN個人賬號的集聚狀況。無論視頻發布還是直播帶貨，有一些達人是相對獨立工作的，團隊生產性質較弱，對地理區位的要求相對也較低。比如說，如果一個人進行線上演藝，而且是獨立完成的話，在任何地方都可以做。再比如說個人賬號的直播帶貨，帶貨對象往往是當地甚至家庭經營的一些產品，這種個人賬號的地理位置也更依賴于產品所處的地理位置。

以上基于抖音公開數據進行的評估，肯定會得到賬戶高度集聚的結果，道理很簡單，因為人口就是高度集聚的，哪怕“線上城市”承載的經濟活動是均勻分布在人群之中的，只要人口是集聚的，線上活動就是集聚的。所以，我們有必要把“線上城市”三個指標的集聚度，與第四個指標即人口的集聚度進行對比。如果線上活動的空間集聚度大于人口的空間集聚度，那么，基于線上技術的“線上城市”就顯示出更強的空間集聚度；反之，如果線上活動的集聚度小于人口集聚度，那么“線上城市”則有分散化的傾向。

進一步地，由于MCN賬號需要團隊配合進行運營，它本身依賴于線下的互動和各種技術的外溢，因此，它的集聚度應該是高于非MCN的個人賬號集聚度。而由于生產側的邊際成本為零，以及需求側通過流量減少試錯成本等因素，導致了流量的規模經濟性，流量的集聚度又應該高于MCN賬號的集聚度。因此，通過以上四個指標的比較，我們就可以回答“線上城市”相對線下城市是更集聚還是更分散。

根據我們的分析結果，得到了這樣一個“城市酷想家不等式”，即:

流量集聚度 > MCN賬號集聚度 > 非MCN賬號集聚度 > 人口集聚度

接下來，我們看具體的數據分析結果，這些數據是由巨量引擎城市研究院提取抖音上的公開數據加工而成的，數據覆蓋2021年3月、6月、9月、11月這四個月，所有數據均經過脫敏處理。人口數據來自2020年第七次全國人口普查。

一、視頻和作者的空間集聚：MCN賬號>非MCN賬號>常住人口

無論按常駐城市還是按投稿城市計算，MCN和非MCN賬號的視頻數量和作者數量，均顯示出向大城市集聚的特征。MCN作者比非MCN作者更加集聚，并且他們的集聚程度均超過人口的集聚程度。

1. MCN賬號的視頻和作者均比非MCN賬號更加集聚

首先，MCN賬號作者的空間分布，比非MCN賬號作者的空間分布更加集聚。統計結果顯示（見表1），MCN和非MCN作者按常駐城市計算，投稿作者數量排名前10位的城市，作者總數占比分別為31.4%和16.4%，排名前20位的城市，作者總數占比分別為44.4%和25.8%。

同時，MCN賬號比非MCN賬號投稿視頻的空間分布也更加集聚。統計結果顯示（見表1），MCN和非MCN作者投稿視頻總數排名前10位的城市，視頻總數占比分別為29.9%和15%，排名前20位的城市，視頻總數占比分別為42.8%和23.8%。無論作者的數量還是視頻的數量，相比于非MCN賬號，MCN賬號更加集中在國家級中心城市和大城市。

將MCN和非MCN賬號的作者及視頻的空間分布與城市常住人口的空間分布相比較，發現城市人口規模排名前十的城市，人口之和占比13%，排名前20的城市，人口之和占比21%，均小于兩類賬號作者和視頻數量的集聚程度。也就是說，視頻和作者的空間分布均比人口的空間分布更加集聚。

表1： MCN和非MCN賬號作者數量和視頻數量排名前20城市。注：數據做脫敏處理，具體做法是，頭部城市的數量均設為100，其余城市的數量以此為基數并按其實際數量與頭部城市實際數量的比例進行計算。以下表格的數據均做相同的處理。

2. 視頻數量和作者數量與城市人口規模高度相關

為了更精確展示MCN和非MCN賬號作者數量和視頻數量的空間分布情況，以及它們與線下城市人口規模之間的關系，我們通過散點圖展示了兩類賬號作者按常駐地計算的投稿作者數量、按投稿地計算的投稿視頻數量與城市常住人口數量之間的關系。從圖1和圖2可以明顯看到，投稿作者數和投稿視頻數與城市人口規模高度相關，擬合優度R方均超過80%，并且人口規模越大的城市，兩類賬號的作者數和視頻數量也更多，擬合線的斜率也就是彈性系數均大于1，意味著作者數量和視頻數量的增加程度要快于人口規模的增加程度。其中，MCN賬號作者數量和視頻數量對人口規模擬合線的斜率分別為1.296和1.311，意味著城市人口規模每擴張1倍，作者數量和視頻數量將增加1.296倍和1.311倍，非MCN賬號作者數量和視頻數量的斜率略微大于1。這進一步說明，視頻的生產和視頻的生產者都高度依賴城市的人口規模，需要團隊合作的MCN賬號比非MCN的個人賬號更依賴城市的人口規模，因為大城市更加能夠滿足視頻生產的人才需要，這與線下城市人才空間分布的特征相互吻合。

圖1：MCN和非MCN賬號常駐城市作者數量與城市人口規模關系。注：圖1散點圖和方程去掉海南三沙和青海海南藏族自治州兩個異常點后繪制和計算。

圖2：MCN和非MCN賬號視頻投稿數與投稿城市人口規模關系

二、點贊數量的空間集聚：流量>視頻作者和視頻數量

1. MCN比非MCN賬號在點贊總數和被本市人點贊數量上均更加集聚

投稿視頻被點贊體現了發布視頻者和觀看者之間線上的互動，一個城市視頻被點贊數量也體現了這個城市在線上的受關注程度。我們通過對比MCN賬號和非MCN賬號視頻被點贊數量發現，點贊數量的空間分布同樣呈現向大城市集聚的特征，且MCN視頻的被點贊數更加集聚，甚至超過視頻投稿作者數量和視頻數量的集聚度。

MCN視頻投稿城市被點贊總數和被本市人點贊的數量均呈現出高度集聚特征。計算結果顯示（見表2），MCN視頻被點贊總數和被本市人點贊總數排名前10的城市，點贊數占比分別為49%和52.6%，排名前20的城市，點贊數占比分別為64.7%和66.8%，MCN視頻被本市人點贊數量更加集聚。非MCN視頻被點贊總數和被本市人點贊總數排名前10的城市，點贊數占比分別為20.3%和15.7%，排名前20的城市，點贊數占比分別為30.1%和25.3%。MCN視頻被點贊總數排名較高的城市主要是國家級中心城市和其他大城市，非MCN視頻點贊數排名較高的城市則多樣化一些。  

表2：MCN和非MCN賬號視頻被點贊數量排名前20的城市

2.視頻被點贊數量與城市人口規模高度相關

我們同樣通過圖3和4的散點圖展示兩類賬號的視頻被點贊總數、被本市人點贊數量與城市人口規模之間的關系，來呈現視頻關注度在城市間的分布及其與人口規模之間的關系。結果顯示，視頻點贊數量的分布與城市人口規模高度相關，擬合優度R方約在70%-80%之間，并且人口規模越大的城市，視頻被點贊總數越高，擬合線的斜率均大于1，說明視頻關注度的集聚速度要快于人口的集聚速度。其中，MCN視頻被點贊總數和被本市人點贊數量與人口規模擬合線的斜率分別為1.614和1.790，意味著，平均而言城市人口規模每增加1倍，該城市的視頻被點贊數量和被本城市人點贊的數量將增加1.614倍和1.79倍，非MCN賬號與城市人口規模的回歸系數也大于1.1。相比于非MCN賬號，MCN賬號發布的視頻在線上的互動更加集聚。

對比第一節和本節的結果，可以看到，視頻受關注程度的集聚度，不僅遠高于人口的集聚程度，也高于視頻作者數量和視頻數量的集聚程度。

圖3：MCN賬號視頻被點贊總數、被本市人點贊數量與城市人口規模的關系

圖4：非MCN賬號視頻被點贊總數、被本市人點贊數量與城市人口規模的關系

三、主播和直播間的空間集聚：MCN賬號>非MCN賬號

1. MCN賬號的主播和直播間均比非MCN賬號更加集聚

計算結果顯示（見表3），MCN賬號直播主播數和直播間數排名前10的城市占比分別為31.3%和31%，排名前20的城市占比分別為 44%和43.5%；非MCN賬號直播主播數和直播間數排名前10的城市占比分別為18.4%和18%，排名前20的城市占比分別為29.4%和28.9%。MCN賬號比非MCN賬號在開播城市的直播主播數量和直播間的數量上都更加集聚。MCN賬號和非MCN賬號在主播數和直播間數上的集聚程度，都與視頻的作者數量和視頻數量的集聚程度類似。

值得注意的是，直播主播數量和直播間數量的排名，與其他線上城市的指標排名稍有不同，也不同于經濟指標的排名。杭州、成都、廣州等直播發達城市的排名比較靠前，而北京、天津等城市的排名相對靠后。這也反映數字化在一些維度上悄悄改變城市的分布格局。

表3：MCN和非MCN賬號主播數和直播間數排名前20的城市

2.主播數量和直播間數量與城市人口規模高度相關

一個城市的主播數量和直播間數量，同樣與城市人口規模高度相關。圖5和6的散點圖顯示，MCN賬號和非MCN賬號的主播數和直播間數均與城市人口規模正相關，擬合線的R方在80%左右，擬合線的斜率均大于1，其中MCN直播主播數和直播間數的斜率分別為1.181和1.378，而非MCN賬號的系數在1.1左右。這同樣意味著，人口規模大1倍的城市，MCN主播數量和直播間數量要高1.181倍和1.378倍，而非MCN賬號的主播數量和直播間數量大約高1.1倍左右，直播主播與直播間的集聚速度同樣快于城市人口的集聚程度。

圖5：MCN主播數和直播間數與城市人口規模的關系

圖6：非MCN主播數和直播間數與城市人口規模的關系

四、直播城市訂單量的空間集聚： MCN賬號>非MCN賬號

直播城市的訂單數量呈現高度集聚的特征，且MCN比非MCN更加集聚。計算結果發現（見表4），MCN賬號直播城市訂單總量和本市用戶支付的訂單量排名前10的城市，訂單量占比分別為70.1%和72.9%，排名前20的城市，訂單量占比分別為79.9%和83.8%。非MCN賬號直播城市訂單總量和本市支付的訂單量排名前10的城市，訂單量占比分別為50.7%和50.5%，排名前20的城市，訂單量占比分別為64.5%和66%。訂單量的集聚程度明顯高于賬號及點贊的集聚度，這也可能與平臺直播帶貨正在發展過程中，大城市優先發展起來有關。

表4：MCN和非MCN賬號支付訂單數量排名前20的城市

進一步觀察直播帶貨訂單量與城市人口規模之間的關系，同樣可以看到（見圖7和圖8）MCN賬號和非MCN賬號直播城市交易的訂單量與人口規模高度相關，擬合優度R方在50%到76%之間，人口規模越大的城市，無論訂單總量還是本城市支付的訂單總量均更高，并且MCN比非MCN賬號的集聚程度更高?；貧w結果顯示，平均而言，城市人口規模每增長1倍，MCN直播帶貨訂單總量和本市支付的訂單總量的增長都超過2.3倍，非MCN訂單量增加則在2倍左右，略低于MCN賬號的訂單總量。

圖7：MCN直播帶貨的訂單總量和本城市支付訂單量與城市人口規模的關系

圖8：非MCN直播帶貨的訂單總量和本城市支付訂單量與城市人口規模的關系

五、總結

根據我們的大數據分析，可以給“線上城市”的集聚做出總結了。

第一，數字化的手段不僅沒有使得流量的分布更加扁平化，相反，流量的集聚度超過賬戶的集聚度，賬戶的集聚度又超過人口的集聚度，在這個意義上，線上城市更加集聚了。人口多的地方有更多需求，而且也有更多可供直播或視頻制作的場景和內容，線上城市放大了線下商品需求和線下場景及內容的集聚度。在我們所分析的線上城市里活動的，就是很多人所稱的數字游民。很多人認為數字游民，是不依賴于空間集聚的。在個體層面，有可能存在這樣的現象?？傮w上，我們的結論恰恰相反，他們比一般人群更加集中在少數地區，其中關鍵仍然是一句話，線上和線下是互補的。

第二，MCN的集聚度超過非MCN賬戶的集聚度，這說明，即便是在城市數字化轉型過程中，線下的團隊協作生產仍然需要面對面的交流和集聚。大城市，有更多的年輕人和教育水平更高的人群，有更加細致的分工，對于利用線上技術來發展生產性服務業或提高生活便捷度具有人才優勢。這時，線上技術不是在取代線下見面，而是為線下的活動和交易進行賦能。

第三，相比之下，視頻流量的集聚度小于直播帶貨的集聚度。因為線上銷售更加服從于由人口空間分布延伸出來的商品需求空間分布。而視頻所反映出來的則更加是內容供給側的集聚度，線上技術可以讓相對邊緣的地區能夠看到視頻內容，它放大了線下場景和內容的集聚度，但也的確讓偏遠地區和小城市擁有了更多在線上城市中被關注的機會。

第四，一些中小城市的確可以通過線上手段強化競爭力，這與線上城市的向心化趨勢不矛盾。甚至應該說，例如，金華這樣的制造業城市，可以借助于線上手段來擴大銷售覆蓋范圍，而畢節這樣的城市，則可以借助于線上手段來讓更多的人關注本地。

（作者魏東霞系廣東金融學院國際教育學院教授；陸銘系上海交通大學安泰經濟與管理學院特聘教授；李杰偉系上海海事大學經濟管理學院副教授；夏怡然系溫州大學商學院教授；其余合作者來自巨量引擎城市研究院）