保龄球联赛和脸书好友：在数字时代衡量社会资本

《Community Development》：Bowling leagues and facebook friends: Measuring social capital in the digital age

　　摘要
本研究将基于公民组织和实体机构密度来量化社会资本的“孤军奋战”方法（Bowling Alone approach）与利用数十亿在线友谊关系来评估经济联系和社会凝聚力的新方法进行了比较。利用来自美国大陆各地的县级数据，构建并比较了传统社会资本和数字社会资本的指数，绘制了它们的地理分布图，并评估了它们之间的相关性。分析表明，这两种衡量方法之间的相关性较弱，并且表现出显著不同的空间模式：传统社会资本在农村地区最高，而数字社会资本则集中在大都市区。对于社区发展研究而言，该研究还测试了每种衡量方法在预测人口增长、收入变化和就业趋势等县级结果方面的有效性。研究发现，每种衡量方法捕捉到了互补且不可替代的社区联系维度，强调了采用综合方法来理解当地社会联系的必要性。

关键词：
社会资本；社区发展；社会网络

引言
至少自《Bowling Alone》（Putnam, 2000）出版以来，美国的社会资本状况就被认为已经减弱。尽管这一观点普遍存在，但对于如何衡量这种新近分化的公民社会的看法仍存在争议。兄弟会组织、宗教团体和邻里协会在社区生活中的作用已不如过去（Hinck, 2018; Putnam, 2001）。取而代之的是，由数字平台促进的更松散、更分散的网络。这种转变在区域发展中尤为明显，因为嵌入式社会网络对于塑造经济机会和机构信任至关重要（Glaeser et al., 2004; Rahe et al., 2025）。尽管普遍认为社会联系的性质已经发生变化，但文献中仍然存在一个持续性难题，即如何有意义地衡量地方联系，以反映其不断变化的结构和功能。传统的社会资本指标越来越与现代社会生活不匹配，因此仅仅统计组织成员数或投票率可能会误判社会凝聚力（Claridge, 2018; Trunfio & Rossi, 2021）。同时，新的数字参与形式产生了丰富但带有噪声的社会网络，这些网络容易受到算法偏见和有误指标的影响（Baym, 2013）。这种不匹配可能使评估社会网络在社区经济结果中的作用变得复杂，尤其是在经济机会和公民参与存在地理差异的情况下（Woodhouse, 2006）。

社会资本研究一直受到批评，质疑其“产生的烟雾多于光亮”（Halstead et al., 2022）。这些衡量社会网络的方法到底有多不同？这些差异对经济结果又有何重大影响？为了解决这些基本问题，我们比较了美国各县中传统的制度性社会资本衡量方法与新兴的基于数字网络的方法。我们将传统的“孤军奋战”方法（即认为社会资本可以通过当地公民机构的密度、选民参与和组织成员数来衡量）与最近的社会网络分析创新进行对比，后者利用数十亿社交媒体连接来高精度地衡量社会凝聚力。我们的主要贡献是提供了首次大规模的实证比较，揭示了传统和数字方法在衡量社会资本方面的差异，并提供了关于美国社区联系演变本质的实质性发现。我们发现，尽管在县级层面，传统和数字社会资本的衡量方法之间的相关性较弱，但它们在空间分布和经济结果方面的关联存在显著差异。除了估计这两种社会资本衡量方法之间的统计相关性外，我们还绘制了它们各自的地理分布图，以识别时间趋势和空间模式（尤其是城乡差异）。传统社会资本在农村和非都市县最高，而数字社会资本则集中于大都市和沿海地区。对于社区发展研究来说，我们通过测试每种衡量方法与人口增长、收入变化和就业趋势等县级结果之间的关系来评估其预测有效性。回归分析显示，这两种方法与经济增长的关系相反，证实它们捕捉到了互补而非可替代的社区联系维度。通过比较这些方法，我们证明了依赖单一指标可能会导致忽视影响社区发展轨迹的关键形式的社会资本。

背景
“资本”一词传统上被定义为金融资产的价值或某种积极或有利品质的储存（Oxford University Press, 2025）。因此，社会资本指的是个人或组织通过强大的人际关系积累的资产（Bourdieu, 1980; Woolcock, 1998）。这些关系培养了信任，促进了协调与合作，使社区能够更有效地运作（Putnam, 1993）。虽然这一概念最初是由社会学家和政治科学家提出的，但后来在社会科学领域引起了广泛关注，尤其是在研究经济增长的人士中（Farris et al., 2019; Robison, Malone, Oliver, Winder et al., 2020b; Moreno & Malone, 2021）。区域经济学家和社区发展学者利用这一概念来解释不同地区的经济繁荣和韧性差异，认识到社会纽带和网络有助于“塑造当地经济”（Blair & Carroll, 2016），通过促进信息流动、降低交易成本（Oh et al., 2014）以及实现经济协调所需的集体行动（Rahe et al., 2025）。正如Coleman（1988）所观察到的，社会资本使得“在没有它的情况下无法实现的某些目标”成为可能。

鉴于社会资本在经济协调中的基础作用，越来越多的研究探讨了它如何推动地方经济发展和增长。这些研究表明，社会资本可以成为经济增长和区域发展的催化剂（Iyer et al., 2005; Westlund & Adam, 2010），特别是通过影响创业和商业形成（Kwon et al., 2013）。基于社区的社会网络为潜在创业者提供了必要的商业知识，并为新企业的可行性提供了信号（Roxas & Azmat, 2014）。Emery和Flora（2006）开发的“社区资本”框架也突出了社会资本在促进复兴和创业中的作用。然而，先前的研究强调，社会资本与经济结果之间的关系比简单的正向因果关系更为复杂。研究人员发现，社会资本并不总是对总体产出和就业有显著影响（Baycan & ?ner, 2023; Casey & Christ, 2005），在某些情况下甚至可能对经济增长产生负面影响（Portes & Landolt, 1996; Taylor et al., 2025）。此外，社会资本并不总是可靠的社区发展资产，因为一些地方存在“深刻的社会分裂”，这会对社区发展目标产生不利影响（Bridger & Alter, 2006）。社区有时会合作，有时会竞争，因此仔细衡量社会资本至关重要，因为其形式、功能和效果在不同社区和情境中可能有很大差异（Westlund & Bolton, 2003）。

早期关于社会资本的研究通过民族志案例研究、焦点小组和调查等广泛的原始数据来量化特定地点的社会资本存在和影响力（Harpham et al., 2002; Putnam, 1993; Uzzi, 1999）。此后，该领域转向了系统性的社区层面测量，需要能够跨更大地理范围比较的-consistent数据。研究人员通常使用传统的制度指标来衡量社会资本，如组织成员数、公民参与度和教堂、保龄球馆等社区机构的密度（Kyne & Aldrich, 2020; Putnam, 1995; Putnam, 2000; Valsan et al., 2023）。这些指标依赖于可获取的数据源，包括人口普查记录、选举数据和协会目录、企业登记册。Rupasingha等人（2006）开发的综合性县级指数就是一个著名例子，经济学家和政策制定者广泛使用它作为区域社会资本的可靠代理指标。尽管传统制度性社会资本衡量方法在历史上很有价值，但在捕捉当代社会联系的演变性质方面存在重大局限。这些指标（如组织成员数、投票率和公民参与度）与现代社会生活存在时间上的不匹配，调查响应率下降，且可能过分强调正式网络而忽视非正式网络（Claridge, 2018; Coffé & Geys, 2007）。此外，传统方法在城乡环境中的测量有效性也存在差异，可能忽略了越来越多地存在于社会组织中的分散、非制度化的网络（Pénard & Poussing, 2010; Stern & Dillman, 2006）。

为了解决这些局限，研究人员开发了基于数字网络的方法，利用社交媒体数据的前所未有的规模和细节来绘制社会联系图。Facebook社会凝聚力指数等类似的指标分析了数十亿友谊链接，以量化不同地理区域中个体之间相互连接的概率，生成实时更新的高分辨率社会网络地图（Bailey et al., 2018; Kuchler et al., 2022）。这些数字方法相比传统方法具有显著优势：它们似乎捕捉到了实际的社会联系，而不是制度性代理指标，提供了精确到邮政编码和县级的地理细节，反映了当代的社会互动形式，并生成了可以追踪网络结构随时间变化的纵向数据（Chetty, Jackson, Kuchler, Stroebel et al., 2022）。

尽管数字社会资本衡量方法在分析上具有潜力，但仍面临重要限制。选择特定平台会导致系统性的覆盖缺口，排除了那些无法或选择不参与特定社交媒体生态系统的人，包括老年人、低收入居民以及宽带接入或数字素养有限的社区（Auxier & Anderson, 2021; Hargittai, 2020）。因此，基于单一平台的指数可能无法准确反映那些对社会发展结果最具影响的社会资本群体（Ruths & Pfeffer, 2014; Tufekci, 2014）。此外，关于在线友谊关系是否可靠地捕捉到与“真实”社会资本相关的核心品质（如人际信任、互惠义务和集体效能）的持续争论也表明，这些关系可能反映了另一种更脆弱的、数字化中介的连接层（Williams, 2006）。鉴于人类-计算机交互（HCI）文献中的证据，这些担忧尤为明显，因为不同平台在培养强联系与弱联系之间的平衡上存在差异（Gilbert & Karahalios, 2009），它们在不同城乡环境中的使用方式不同（Hardy et al., 2019; Pick et al., 2019），以及对影响在线连接对象的更广泛的社会政治力量的敏感性也不同（Resnick, 2001）。综上所述，这些研究表明，数字社会资本指数应被视为捕捉社区联系的一个特定、平台依赖的部分，而不是全面或理论完备的地方社会资本衡量方法（Appel et al., 2016）。直接回应Chetty, Jackson, Kuchler, Stroebel等人（2022）基于Facebook的社会资本测量方法，Steijn（2024）警告说，过度依赖大数据可能会固化观察到的在线友谊模式，而忽视了使这些联系成为可能的实体社会基础设施和准公共空间，从而在仅从平台衍生网络推断邻里效应和社会流动性时产生遗漏变量偏差。

因此，数字网络指数既包含测量偏差也包含获取偏差，这些偏差难以通过现有的数据完全解决。即使平台级别的覆盖率看似很高，本地估计也可能将社会资本的差异与年龄构成、宽带和移动连接性的差异以及不同地区和人口群体的平台特定采用模式混淆（Hargittai, 2018; Mislove et al., 2011）。对于本研究而言，这些限制意味着DSC指数最好被视为一个信息性的但不完整的社区联系视角，其解释应结合关于线下网络、数字鸿沟以及中介在线平台参与的社会技术基础设施的补充证据。

注释
1. 动机和研究问题
本研究通过对美国所有大陆县的传统制度性社会资本衡量方法与新兴的基于数字网络的方法进行大规模实证比较，解决了这些挑战。尽管这两种测量策略被广泛采用，但尚未有系统性的评估来确定它们是否捕捉到相同的基本社会现象或提供关于社区联系的根本不同见解。这一实证差距使得学者们对他们理论主张的有效性感到不确定，同时也让政策制定者不清楚哪些测量工具能够准确识别出推动社区发展成果的社会资产。测量结果的不确定性可能对政策相关辩论产生深远影响。如果传统的和数字化的社会资本衡量方式存在根本性的差异，那么社会组织中不同的维度可能会对社区结果产生不同的影响。依赖那些错误识别社会资本存在方式的测量方法，可能会导致资源被错误地投向那些在传统指标上看似孤立但实际上通过数字渠道紧密联系的社区，而真正孤立的地方则可能被忽视和忽视服务。事实上，错误导向的农村发展项目、创业计划和基于地点的经济发展策略可能会导致意外的后果，或者对社区的社会资产没有任何实际效果。

本研究分析由三个研究问题指导：
1. 县级社会资本随着时间的变化以及在州和城乡边界之间的差异是什么？
2. 如地方公民组织、协会设施和社区参与度等指标是否同步变化？
3. 衡量数字社会资本的新方法（例如Facebook网络分析）在地理上是否存在差异？
4. 基于县级制度和组织数据的社会资本衡量指标与基于在线社交网络数据得出的指标在统计上有多大的相关性？
5. 哪种社会资本衡量方式（县级制度数据或在线社交网络数据）更能解释区域经济成果，如人口增长、收入变化和就业趋势？

为了回答这些问题，我们构建了两个独立的指数，每个指数衡量县级社会资本的不同方面。第一个指数复制了Rupasingha等人（Citation2006）开发的指数，该指数利用多种来源的数据创建了一个涵盖四个关键维度的传统社会资本综合衡量标准（见表1）。这些组成部分被结合起来生成了一个单一的社会资本指数，反映了正式公民机构和参与行为的广度，这些机构和行为构成了社区生活的基石。

我们借鉴了这种方法，为2002年、2012年和2022年这三个时间段创建了类似的社会资本指数。与仅依赖县级商业模式数据不同，我们使用了国家机构时间序列（NETS）数据库，该数据库提供了更全面的跨所有行业和机构规模的地标定位商业设施覆盖（Walls, Citation2022）。这种替代尤为重要，因为它能够捕捉到在传统联邦商业登记中可能被低估的小型公民组织和设施。选民投票数据来自MIT选举数据与科学实验室（Citation2018），并使用美国人口普查局2000年、2012年和2020年总统选举的公民投票年龄人口（CVAP）估计值进行了标准化，以确保不同时间段之间的一致性。人口普查响应率和非营利组织数量的数据来源于各自的原始来源，并更新为每个时间段的最新可用数据。我们遵循了Rupasingha等人（Citation2006）的方法，将四个因素标准化为z分数，并进行了主成分分析，然后用第一个主成分作为我们的“传统社会资本”（TSC）指数。

为了进一步了解TSC各个组成部分之间的关系，表2报告了2002年、2012年和2022年四个标准化指标之间的成对相关性。在所有年份中，协会设施、选民投票率和非营利组织密度呈正向但中等的关联，而人口普查响应率与其他组成部分的关联较弱。这些模式表明，TSC指数综合了几种互补而非冗余的制度社会资本维度。

需要注意的是，人均设施数量可能会对人口非常少的县产生机械性优势，因为即使在偏远农村地区仅有少数几个公民组织，也会导致相对较高的人均设施比率。为了评估这些小基数是否影响了我们的结果，我们进行了敏感性检查，排除了人口少于10,000的县。主要模式仍然稳健：2002年至2022年间TSC的上升趋势持续存在，TSC与DSC之间的相关性仅略有下降。OLS回归结果在系数符号、大小和统计显著性方面基本没有变化。这些发现表明，偏远农村县的小基数似乎不是本研究关键结果的主要驱动因素。

第二个指数使用了“机会地图集”公共仓库（Chetty, Jackson, Kuchler, Stroebel等人，Citation2022）中的数据。由于这个数据集使用了专有数据，我们没有尝试复制或修改原始方法，包括添加额外的时间段进行时间分析。从Chetty, Jackson, Kuchler, Hendren等人（Citation2022）提供的县级数据中，我们选择了三个主要变量：经济连通性、社会凝聚力和公民参与度，这些变量在表3中进行了大致总结。与构建TSC指数的方法类似，我们对每个指标进行了标准化，进行了主成分分析，并使用第一个主成分作为我们的“数字社会资本”（DSC）指数。

构建了这两个指数后，我们收集了额外的变量作为普通最小二乘（OLS）回归分析的结果变量和控制变量，以研究TSC/DSC（传统和数字社会资本指数）与三个社区经济活力指标（人口增长、收入增长和就业增长）之间的关系。这些结果变量来源于经济分析局（BEA）的县级概况数据，并计算为可比时间段的年化增长率，以确保与我们的社会资本测量标准一致。控制变量包括标准的人口统计和经济特征，如人口密度、教育水平、产业构成和地理区域，以分离社会资本对经济成果的独立效应，同时考虑潜在的混杂因素。

重要的是要认识到，我们选择的指数——基于Rupasingha等人（Citation2006）的TSC指数和基于Chetty, Jackson, Kuchler, Hendren等人（Citation2022）的DSC指数——仅代表了众多实证量化社会资本方法中的两种。例如，美国联合经济委员会的社会资本项目（U.S. Joint Economic Committee, Citation2018）最近开发了一个县级指数，旨在以政策为导向的框架内总结“社区社会资本”。该指数将家庭稳定性、机构健康和社区参与度的指标汇总成一个总分，这与传统的/协会式测量社会资本的方法紧密相关。

我们的研究旨在比较两种突出但具有对比性的方法。

**方法**
- **探索性分析：** 不同时间和地点的社会资本
我们的修改后的TSC指数使用了相同的数据结构和方法论，在三个时间段（2002年、2012年和2022年）进行了构建，允许直接比较随时间变化的社会资本趋势。我们进行了方差分析（ANOVA），以测试这些时期的平均TSC值是否存在显著差异。每个年份作为一个时间点的快照，我们将其视为离散的横截面比较，而不是连续的时间序列。
为了评估社会资本模式的区域异质性，我们计算了三个美国人口普查分区在所有三个时间段的平均TSC值，并检查了20年研究期间的绝对差异，以确定在传统社会资本方面表现不同的区域。同样，我们通过使用美国农业部经济研究服务局的城乡连续代码计算大都市和非大都市县的独立TSC趋势来分析城乡差异，特别关注TSC在完整的城乡分类范围内的变化。然后，我们使用等值线地图来可视化两种社会资本措施的地理分布。对于TSC，我们展示了三个时间段（2002年、2012年、2022年）的县级地图，以说明随时间的空间变化。DSC指标仅在2022年可用，单独绘制以展示当代的数字社会资本模式。地图使用五分位数分类方案来突出各县之间的相对差异，从而可以直接比较传统社会资本与数字社会资本的空间分布。

- **相关性分析：** 传统社会资本与数字社会资本
我们使用皮尔逊产品矩相关系数（Pearson’s r）来评估TSC和DSC之间的统计关系，重点关注2022年的数据，当时两种指标都可用。全球相关性提供了传统制度方法和基于数字网络的社会资本测量方法之间关联的整体度量。
为了研究这种关系的情境变化，我们在多个维度上进行了分层相关性分析。我们计算了每个美国人口普查区域的单独相关性，以识别TSC-DSC关系的地理差异。我们还使用CBSA分类计算了大都市和非大都市县的单独相关性，以评估城乡连续体上的差异。我们用双变量散点图补充相关性分析，以识别潜在的异常值并评估线性假设。

- **回归分析：** 社会资本与经济成果
最后，我们使用一组基本的普通最小二乘（OLS）回归来评估社会资本测量与三个区域经济活力指标（人口增长、收入增长和就业增长）之间的关系。所有结果变量都计算为2017-2022年期间的年化百分比变化率，以确保与我们的2022年社会资本测量标准一致。这种结果变量的组合遵循了区域发展文献中的成熟方法，特别是建立在Carlino和Mills（Citation1987）开发的框架之上，用于分析县级增长的决定因素（另见Deller & Lledo, Citation2007）。我们预计，传统和数字化的社会资本衡量方式可能会与每个结果表现出不同的关系，因为不同的社会资本形式可能促进不同的经济发展路径。

我们的实证策略包括为每个结果变量估计三组模型：
1. Yi = α + β1TSCi + δXi + εi
2. Yi = α + β2DSCi + δXi + εi
3. Yi = α + β1TSCi + β2DSCi + δXi + εi

其中Yi代表第i县的经济成果，Xi是控制变量向量，εi是误差项。分别估计方程（1）和（2）允许直接比较每个社会资本测量的解释能力，而方程（3）测试同时包含这两种社会资本测量是否能够捕捉到互补的方面。控制变量包括标准的人口统计和经济特征：人口密度（对数）、年龄依赖比率、拥有学士学位或更高学历的比例、失业率、行业多样性（赫芬达尔指数）以及人口普查区域固定效应。这些控制变量考虑了可能偏向社会资本与经济成果关系的可观察混杂因素。

我们使用调整后的R平方值和赤池信息量准则（AIC）来评估模型性能。我们还进行了异方差性和多重共线性（方差膨胀因素）的检查。然而，我们承认这些OLS模型并不是因果关系的，并且可能由于未观察到的异质性和社会资本与经济成果之间的潜在反向因果关系而存在偏差。尽管如此，我们还是包括了这种多元分析，因为它在建立基线关联和比较传统与数字社会资本测量的相对预测能力方面具有价值。虽然结果应谨慎解读，因为它们代表的是相关性而非因果关系，但它们仍然展示了不同的测量方法可能如何错误地指定社会资本的独特方面与经济活力的相关性。

在额外的稳健性检查中（可根据请求提供），我们估计了两种替代规格：1）包括TSC和DSC之间的交互项；2）允许通过每个指数的平方项来考虑非线性效应。在所有三个结果中，TSC×DSC交互项和几个二次项在统计上都是显著的，但幅度较小，更重要的是，它们没有改变主要TSC和DSC系数的符号或实质解释。模型拟合度仅略有提高——AIC值相对于基线模型下降了大约9-30分，调整后的R2也仅略有增加——因此我们在主表格中保留了更为简洁的线性模型，并在此记录这些检查结果以保持完整性。

**结果**
**探索性结果**
描述性统计数据显示（见表4），在整个20年的研究期间，传统社会资本（TSC）指数呈现出明显的上升趋势。虽然从主成分分析（PCA）得出的分数的绝对值不易直接解释，但相对变化是显著的：2022年美国各县在TSC量表上的平均得分比二十年前高出近一个 full point，这表明传统社会资本指标一直在持续增强。方差分析（ANOVA）的结果证实了这些时间差异在统计学上非常显著，表明美国各 county 的社会资本模式在二十年间确实发生了变化。

**表4. 不同时期的传统社会资本指数描述性统计**
**进一步描述性统计**（见表5）强调，TSC和DSC在不同地区以及城乡之间的差异很大。在表格的上半部分，中西北部和新英格兰地区的TSC水平最高，而东南中部和西南中部地区的TSC水平最低。在比较都市和非都市县时，非都市地区显示出更高的TSC水平，这突显了农村在传统社会资本方面的优势。然而，将非都市县按其与都市区的邻近程度细分后发现，这种差异主要由非都市区中的非邻近县造成，这些县的TSC平均水平远高于都市和非都市邻近县。表格的中半部分总结了2002年至2022年间TSC的变化情况。由于TSC指数是一个标准化的、无量纲的度量指标，我们报告的是绝对差异而非百分比变化，因为后者难以赋予实际意义。在所有地区和县类型中，平均TSC在研究期间都有所增加，证实了全国范围内的上升趋势。南大西洋和中大西洋地区在此期间的增长最为强劲，而新英格兰和两个北部中心地区则增长较为温和（这可能反映了这些地区在研究开始时就已经具有相对较高的TSC水平）。都市县在平均增长上超过了非都市县，尽管差距不大（无论是都市邻近县还是更偏远的非都市县，增长幅度都大致相同）。

**表5. 按人口普查区划分的传统与数字社会资本及城乡连续体邻近性**
表格的下半部分突出了数字社会资本（DSC）与传统指标之间的地理分布差异。在地区层面，DSC的排名通常与TSC一致：如新英格兰这样的地区在两者中都排名靠前，而东南中部地区则排名较低。然而，当区分城乡区域时，这种一致性就消失了。与TSC不同，DSC在都市县中显著更高。在非都市地区，DSC水平普遍低于都市县，而非都市区中的非邻近县的平均DSC水平（尽管仍为负值）远高于其相邻的都市县。这种反转——即农村在TSC上的优势被都市在DSC上的优势所抵消——表明虽然农村社区在传统公民机构方面具有优势，但城市地区在数字连接性和在线参与度方面发展得更为成熟。这些对比模式进一步印证了先前的发现：传统社会资本和数字社会资本代表了美国不同空间分布下的两种不同的社会组织形式。

**图1**直观地展示了二十年间TSC在城乡之间的差异及其演变。每个RUCC类别用三根条形图表示2002年、2012年和2022年的TSC水平，表明所有城乡分类的TSC水平都随时间呈单调上升趋势。尽管这些指数指标本身不易解释，但不同类型县之间的相对差异仍然清晰可见：最偏远的县（RUCC代码8和9）的TSC水平始终最高，且其优势随时间显著扩大。

**图1. 按RUCC和年份划分的平均TSC测量值**
该图还显示了按RUCC和年份划分的平均TSC测量值。X轴标签为“城乡连续体代码”，单位未显示，刻度标签为1、2、3、4、6、8、5、7、9；X轴下的类别文本分别为“都市”、“与非都市相邻的都市区”和“与非都市相邻的非都市区”。Y轴标签为“传统社会资本指数”（括号内2002年的平均值等于1），单位未显示，范围为0至3，刻度位于0、1、2、3；图例标签为年份（2002、2012、2022）。虚线水平参考线分别位于约1.7和约1.95。不同RUCC代码的条形图数值如下：

- 对于城乡连续体代码1，2002年的值为0.67，2012年为1.64，2022年为1.82；
- 对于RUCC代码2，2002年为0.62，2012年为1.43，2022年为1.64；
- 对于RUCC代码3，2002年为0.69，2012年为1.38，2022年为1.58；
- 对于RUCC代码4，2002年为0.63，2012年为1.27，2022年为1.48；
- 对于RUCC代码6，2002年为0.72，2012年为1.34，2022年为1.56；
- 对于RUCC代码8，2002年为1.17，2012年为1.80，2022年为2.14；
- 对于RUCC代码5，2002年为0.76，2012年为1.24，2022年为1.40；
- 对于RUCC代码7，2002年为1.21，2012年为1.72，2022年为1.90；
- 对于RUCC代码9，2002年为1.88，2012年为2.60，2022年为2.85。

地图显示了TSC的城乡分布差异，这种差异不仅取决于城乡程度，还取决于与都市区的邻近性。最大都市区（RUCC 1-3）内的县的TSC起始水平低于大多数农村县，但随时间稳步上升，到2022年已接近当年的平均水平。在非都市县中，随着RUCC代码的增加（即县规模和城市人口的减少），TSC水平也系统性上升，其中最小、最偏远的县（RUCC 9）每年的TSC水平最高。在每个都市规模区域内，非邻近县（RUCC 5、7、9）始终高于其相邻的都市县（RUCC 4、6、8），且这种差距随时间扩大，表明与高TSC最密切相关的因素是距离而不是简单的农村属性。这些模式共同表明，农村在TSC上的优势主要体现在小型、非邻近的县中，因为这些地区的传统公民基础设施在过去二十年里得到了最大的加强。

**图2**的地图使用五分位数分组而非绝对单位来展示TSC的分布。由于五分位数每年都会重新计算，因此同一个颜色表示的县其TSC绝对水平不一定保持不变；地图显示了各时期各县之间的相对排名。绿色阴影区域表示2002年、2012年和2022年的TSC分布，蓝色阴影区域表示2022年的DSC分布。图中可以看出，TSC在北部和东部地区的分布较高，而在中部和南部地区的分布较低。对比TSC（在非都市地区较高）和DSC（在都市县较高），DSC在都市县中显著更高。在非都市地区，DSC水平普遍低于都市县，而非都市区中的非邻近县的平均DSC水平（尽管仍为负值）显著高于其相邻的都市县。

**结论**
总体而言，图2揭示了TSC在城乡之间的广泛分布差异。乍看之下，北方中部和新英格兰地区的县始终位于TSC的最高五分位数，但仔细观察会发现全国范围内的社会资本分配发生了明显变化。许多位于墨西哥湾和大西洋沿岸的县在20年间进入了更高的五分位数，特别是在卡罗莱纳州、乔治亚州以及阿拉巴马州、密西西比州和路易斯安那州的部分地区。西南部的一些地区（包括亚利桑那州和新墨西哥州）也有轻微改善。相比之下，上中西部的一些地区（尤其是威斯康星州和密歇根州）预计到2022年将降至较低的五分位数。这些发现再次证实了先前的统计结果，表明社会资本的地域性和时间变化，并表明社会资本的空间分配是动态的，各地区的相对地位在二十年间有所起伏。

虽然之前的表格和图表主要关注传统社会资本（TSC），因为数字社会资本（DSC）的数据仅限于一个时期，但图2的下两个面板提供了2022年这两种指标的对比。两张地图的对比表明，TSC和DSC在空间分布上存在显著差异，且几乎是互补的：TSC较高的县主要集中在上中西部、大平原和新英格兰北部地区，而在DSC上得分较低的县则多分布在城市化程度较高的区域，尤其是在沿海和都市地区。这种模式与传统的观点一致，即传统社会资本和数字社会资本代表了不同的公民参与模式，农村地区在传统机构中占据主导地位，而城市地区则在数字网络和在线参与方面发展更成熟。这些空间模式引发了关于TSC和DSC之间关系的重要问题，以及它们与其他县级特征之间的联系，需要通过相关性分析进一步探讨。如全国范围散点图所示，TSC（传统社会资本）与DSC（数字社会资本）之间的皮尔逊相关系数（r）为0.28（p<0.001），表明两者之间存在统计学上显著但较弱的关系。这一结果表明，传统的和数字的社会资本测量方法捕捉到了社区联系的相关但大体不同的方面，其中一个测量方法的方差中仅有8%与另一个相关。中等程度的相关性表明这些测量方法并没有捕捉到相同的基本现象，这支持了我们的假设，即不断发展的社会组织形式需要新的测量方法。图3显示了2022年的传统和数字社会资本测量结果。详细描述请参阅相关文献。

图A显示了一个标有“全国范围”的散点图。x轴标签为“传统社会资本测量值”（单位未显示），在0、3和6处有明显的刻度；y轴标签为“数字社会资本测量值”（单位未显示），在-5、0和5处有明显的刻度。文字说明中提到皮尔逊相关系数为0.28，p值小于0.001。一条拟合线从较低的区域向较高的区域倾斜。数据点在x轴接近0和y轴接近0的地方最为密集，然后逐渐分散到x轴接近6和y轴接近3的区域，表明两者之间存在弱正相关关系。图B显示了按人口普查区划分的9个散点图，并附有美国地图。每个散点图的x轴标签仍为“传统社会资本测量值”（单位未显示），刻度位于0、3、6；y轴标签为“数字社会资本测量值”，刻度位于-5、0、5。每个图表都包含一条拟合线和相关系数：东北部中心地区的r值为0.17（上升线）；东南部中心地区的r值为-0.23（下降线）；中大西洋地区的r值为0.22（上升线）；山区地区的r值为0.4（上升线）；新英格兰地区的r值为0.07（几乎平直的上升线）；太平洋地区的r值为0.39（上升线）；南大西洋地区的r值为0.11（轻微上升线）；西北部中心地区的r值为0.21（上升线）；西南部中心地区的r值为0.07（几乎平直的上升线）。美国地图将人口普查区以分组状态显示，使用不同的填充样式来区分各个区域。

区域差异与全国范围内的发现大体一致，只有太平洋地区的相关系数（0.39）较高。有趣的是，在东南部中心地区（肯塔基州、田纳西州、密西西比州和阿拉巴马州），TSC和DSC呈负相关（r=-0.23），这意味着传统社会资本水平较高的县与数字社会资本水平较低的县存在关联。这种反向关系表明该地区可能存在替代效应，即强大的传统公民机构可能与较弱的数字网络并存，或者这些县的社交资本特征主要依赖传统或数字形式的联系，但很少同时具备两种形式。

TSC和DSC之间的相关性在城乡之间也存在显著差异，大都市县的关联度较低（r=0.26），而非大都市县的关联度较高（r=0.42）。这种模式表明，农村地区可能表现出更连贯的社交资本特征，传统和数字衡量标准往往同步变化；而城区则显示出更复杂、可能碎片化的社交资本格局，其中制度和网络基础的衡量标准更为独立运作。

除了分析TSC和DSC之间的统计关系外，我们还评估了每种社会资本是否具有空间聚集模式，即社会资本水平相似的县是否在地理上较为接近。为此，我们首先计算了一个“全局”（即包括所有县）的空间自相关系数Moran’s I，该系数用于检测分析中使用的2,962个县的整体聚集趋势。该系数分别为TSC的0.43和DSC的0.6，均具有高度显著性，表明县的社会资本水平并非空间独立，而是倾向于在地理上聚集。图4显示了局部和全局空间自相关的测量结果。图例范围从-2.5到5.0，表示从低到高的聚集程度。高值集中在中部和东部地区，而低值出现在西部地区。

图B显示了美国地图，显示了数字社会资本的测量结果及相应的局部Gi统计范围。高值出现在东部地区，低值出现在中部地区。图C显示了美国地图，突出了传统社会资本的热点区域。红色代表高聚集区，蓝色代表低聚集区，灰色代表不显著区域。高聚集区主要集中在中部和东部地区，而低聚集区位于西部地区。图D显示了数字社会资本热点区域的地图。高聚集区位于中部地区，低聚集区位于东部地区。下表提供了统计数据：TSC的Moran’s I统计值为0.4349，DSC的Moran’s I统计值为0.5981，对应的检验统计量分别为38.895和53.457，p值均小于0.0001。

图4中的地图展示了空间自相关最强的区域，突出了社会资本具有显著局部相似性的县群。顶部两张地图显示了每个县的局部Gi*统计值，该值衡量了一个县周围具有相似高低社会资本值的邻居的程度；颜色越深表示局部聚集越强（Getis & Ord, 1992）。底部两张地图仅显示了Gi*统计值具有显著性的县，分别标出了“热点”（红色）和“冷点”（蓝色）。这些组别由周围其他具有类似高低社会资本水平的县组成。

比较传统和数字衡量标准下的热点和冷点可以发现空间模式的既有共性也有差异。有些相似之处在于，两种衡量标准下的热点都分布在中央平原和北部落基山脉地区，以及德克萨斯州南部的一个几乎完全相同的冷点区域。然而，也存在显著差异，最明显的是从路易斯安那州延伸到南卡罗来纳州的一个巨大DSC冷点区域，在TSC图中几乎不存在。

同时，TSC的热点和冷点应当被解释为反映了当地正式测量的社会资本水平较低，而不是整体社会联系薄弱的明确证据。由于我们的TSC指数是根据Rupasingha等人（2006年）的方法构建的，它主要基于建立机构和组织（如注册的非营利组织、公民和宗教组织以及正式机构），因此不适合捕捉非正式的、临时的或跨辖区的服务提供。因此，移动服务、临时项目以及基于邻近城镇但服务于更广泛农村地区的“分支”活动——在小型、贫困的农村社区中较为常见——可能在我们的数据中被低估或完全遗漏。这些空间差异进一步证实了相关分析的总体结论：传统和数字社会资本测量方法捕捉到了互补而非替代的社区联系维度。

我们分析的最后一个部分包括三个描述性回归模型，用于考察这两种社会资本衡量标准与三种不同区域经济结果之间的关系。表6-8展示了2017年至2022年间社会资本与就业增长、收入增长和人口增长之间的关联。对于所有三个结果变量，传统社会资本（TSC）和数字社会资本（DSC）表现出相反的关联模式，表明这些测量方法捕捉了社会组织的基本不同方面及其经济影响。

表6显示了2017年至2022年间社会资本与就业变化的关系。表7显示了社会资本与人口变化的关系。表8显示了社会资本与收入变化的关系。就业增长的结果表明，两种社会资本测量标准之间存在明显分歧：传统社会资本与就业增长呈显著负相关，而数字社会资本与就业增长呈显著正相关。当两种测量标准同时在模型中考虑时，相关系数几乎没有变化且仍然高度显著，这表明这些关系是稳健的，且两种测量标准捕捉的是不同的现象而非重叠的构建。结合模型具有最高的解释能力（即最高的调整后R2值和最低的AIC值），表明两种形式的社会资本都为理解就业动态提供了独特信息。

以人口增长作为结果变量时，表7的结果与之前的结论一致，但两种社会资本测量标准之间的对比更加明显：传统社会资本与人口增长呈强烈负相关，而数字社会资本与人口增长呈强烈正相关。这些系数的绝对值几乎相同，但符号相反。在这三组回归模型中，人口增长模型的解释能力最强（调整后R2=0.403），表明社会资本衡量标准对于理解人口动态特别重要。

最后，收入增长模式（表8）显示两种社会资本测量标准之间存在反向关系，与就业和人口增长的结果相反：传统社会资本与收入增长呈显著正相关，而数字社会资本与收入增长呈显著负相关。当两种测量标准同时考虑时，这些系数仍然稳定，进一步证实了它们效果的独立性。然而，收入模型的解释能力低于就业和人口模型，这可能反映了县级收入决定过程的复杂性。

控制变量在不同模型中的表现基本符合预期，但也有一些例外。较高的教育水平（学士学位或以上）通常与正的经济结果相关，尽管这种联系在不同结果中的强度有所不同。大都市县与就业和人口增长呈正相关，但在收入增长方面的结果则混合。我们的核心社会资本发现在不同模型规范中的稳健性，以及两种测量标准同时包含时模型拟合度的持续改善，支持了传统和数字社会资本捕捉到互补而非替代的社会组织维度的解释。

如图4所示，两种县级社会资本测量标准均存在显著的空间自相关。因此，我们进行了拉格朗日乘数检验，并应用了Anselin（1988年）提出的决策树方法，确定空间自回归组合（SAC）模型是最合适的模型规范，以解释我们的回归模型中的空间依赖性。Moran’s I统计结果表明，两种社会资本测量标准均存在显著的空间自相关。为了解决这个问题，我们进行了拉格朗日乘数检验，并应用了Anselin提出的决策框架；诊断统计结果表明，空间自回归组合（SAC）模型是最合适的模型规范。

这些空间模型（附录中的表D1至D3）总体上证实了核心OLS的发现，尽管当明确模拟空间依赖性时，效应大小有所减弱。重要的是，传统和数字社会资本测量标准之间的对立关系模式在空间规范中仍然存在，这增强了我们对这些社会资本维度在区域经济发展中不同角色的信心。

讨论与结论：传统社会资本和数字社会资本测量标准之间的弱相关性以及它们与经济结果的相反关系表明，这两种方法捕捉到的是社会组织的基本不同维度，而不是同一基本现象的替代测量。它们与经济结果的不同关联表明了不同的发展路径，这对社区发展实践具有深远意义。具有较高传统社会资本的社区可能更能维持现有的经济和社会结构，特别是通过利用现有的制度网络帮助居民应对冲击和不确定性。相比之下，数字社会资本较强的地方似乎更有可能促进新的联系，从而吸引外部的人员、信息和投资。这些差异表明，社区发展策略如果与特定地区的主要社会资本形式相匹配，可能会更加有效，而不是假设“越多越好”的统一模式。实际上，这意味着不仅要关注社会资本的数量，还要关注它主要是强化地方凝聚力还是扩展可能支持新的经济变化的外向联系。我们对传统社会资本随时间的探索性分析发现了一个积极增长的趋势，从2002年到2012年以及从2012年到2022年，传统社会资本（TSC）都有所增加。这些模式并不支持社会资本普遍下降的简单叙述，而是表明，在许多地方，社会资本的制度性和关联指标保持稳定或有所加强，尽管有关信任和归属感侵蚀的更广泛担忧在文献中仍然存在。

我们的探索性分析的空间维度显示，社会资本的分配在全国范围内并不均匀，无论采用何种测量方法，区域间的社会资本差异一直存在。关于城乡差异，我们的研究发现表明，非都市县在传统社会资本方面可能具有优势，因为农村地区往往拥有更强大的实体机构和更高的公民参与度。相反，在传统公民机构可能较薄弱的大都市地区，居民可能会通过数字网络和平台来建立社区联系和协调当地活动，有效地利用在线连接来填补实体组织不足的部分。

这些对比模式可以与普特南（Putnam）关于衔接型和社会资本（Bonding and Bridging Capital）的区分联系起来（Putnam, Citation2000）。衔接型资本植根于紧密的家庭关系和长期的本地联系，很可能支持我们TSC指数所反映的密集的制度和关联基础设施，尤其是在农村社区。衔接型资本则通过更多样化且松散连接的“弱联系”（Granovetter, Citation1973）建立，更常见于城市环境，并且可以通过数字平台轻松形成和维持。从这个角度来看，农村地区的较高TSC反映了更强的以联系为导向的制度网络，而大都市地区的较高DSC反映了通过数字中介促进衔接关系的环境，尽管这两种测量都无法完全捕捉到广泛文献中强调的社会资本的更深层次关系和心理维度。

尽管基于普特南工作的主流观点认为美国的社会资本正在持续下降，但我们的发现使得这一观点复杂化而非否定它。重要的是要区分这一广泛观点——其中包括关于“孤独流行病”的全国性讨论（Murthy, Citation2017; U.S. Surgeon General, Citation2023）——以及我们的TSC指数实际测量的内容，即跟踪公民组织和参与的制度和关联指标，而不是《独自打保龄球》（Bowling Alone）中讨论的完整“本质”概念。同时，新的证据表明，某些关联或制度社会资本的维度是稳定的，或者在最近几十年中没有像早期“下降”观点所暗示的那样急剧下降；例如，Weiss等人（Citation2019）发现“关联社会资本似乎并没有随时间减少”，Diemer（Citation2024）强调的是结构和组成变化而非简单的总体下降。这些文献有助于将我们的发现放在更新和复杂化原始下降观点的背景下，同时也留下了这样的可能性：更多的关系型社会联系形式可能以我们的测量方法无法完全察觉的方式继续侵蚀。

从实际意义上讲，这意味着什么？以密歇根州为例，图5中的地图突显了两种类型社会资本在空间分布上的显著差异。在该州传统社会资本较强的农村地区，居民可能更倾向于通过促进面对面互动和集体行动的长期存在的机构参与社区生活（Ulrich, Citation2010）。而在I-94走廊沿线，尽管数字网络较强，但传统机构较弱，底特律、兰辛和卡拉马祖等大都市地区的居民可能会依赖Facebook群组或Nextdoor等数字平台来协调社区活动、共享信息并在缺乏强大传统协会的情况下维持社会联系。图5显示了密歇根州TSC和DSC的对比情况。

如表9所总结的，传统社会资本（TSC）与更高的收入增长相关，但与较低的就业和人口增长相关；而数字社会资本（DSC）与更高的就业和人口增长相关，但与较低的收入增长相关。对于考虑社区经济发展中社会资本的决策者和利益相关者来说，这些发现强调传统社会资本和数字社会资本对关键区域结果产生不同的、有时甚至是相反的影响（表9. 社会资本对区域结果的影响总结，2017–2022年）。

如果一个社区的传统社会资本较强，我们的研究建议从业者应侧重于利用稳定的制度网络来支持居民留存、保护地方特色并促进收入增长。相反，如果数字社会资本较强，发展工作应强调通过利用数字连接和在线参与来促进增长、创新和吸引新居民或企业。对于资源有限的社区来说，根据当地主要的资本形式定制本地项目（而不是采用统一的方法）可以最大化效果并避免不必要的权衡。无论是基于长期存在的机构还是数字网络，将发展战略与社区独特的社会资本特征相匹配，都能为实现具有地方意义的目标提供更清晰的路径。简而言之，最成功的社区发展努力将从以下问题开始：我们拥有哪些类型的社会资本，我们如何利用它们来实现我们最看重的经济成果？

这项研究的局限性在于缺乏一致的、公开可用的指标，无法在县级层面创建传统和数字社会的纵向（即年度）面板数据。虽然这一限制没有妨碍我们进行探索性相关性和描述性多变量分析，但它确实阻碍了可能探索社会资本与社区经济结果之间因果关系的更深入的准实验分析。未来的研究可以在获得此类数据时纳入数字社会资本的纵向分析。另一个局限性是依赖于县作为分析的地理单位。县和社区并不完全相同：一个县可能包含多个不同的社区，而许多社区则跨越县界。虽然来自Chetty、Jackson、Kuchler等人（Citation2022）的DSC指标也可用于邮政编码和学区层面，但复制Rupasingha等人（Citation2006）提出的TSC指数所需的数据在更小的地理尺度上并不容易获得。拥有更详细数据的研究人员可能会对社会资本有更深入的理解；然而，通常没有一种单一的地理单位能够完美捕捉到社区边界和社会网络的复杂性和重叠性。

未来的研究还应深入探讨社会资本随时间的变化。例如，定性研究可以提供关于传统社会资本和数字社会资本之间的区别关系及其对经济结果影响的更细腻描述。这样的工作可以帮助澄清为什么不同类型的社会资本会预测不同的社区发展模式。研究人员还可以研究我们的结果是否适用于除经济增长之外的其他社区结果，如地方创新或韧性。尽管我们不再生活在一个仅通过统计保龄球馆和扶轮社的数量来衡量社区社会健康状况的世界中，但我们的社会互动并没有完全转移到数字平台上，以至于不能完全通过在线连接度指标来量化。因此，这项研究的中心发现是，在21世纪，传统和数字社会资本的测量是互补的，而非等同的。未来，社区发展研究人员和实践者必须采用综合的测量框架，同时考虑制度性公民参与和数字网络连接，根据社区独特的社会资本特征来制定策略。这种更精细的理解使我们能够更有效地应对日益紧密但碎片化的社会环境中的特定社区挑战。