, 刘盛和Spatial identification and scale effects of floating population agglomerations at the community scale: A case study of Beijing
ZHAOMeifeng, LIUShenghe通讯作者:
收稿日期:2017-12-12
修回日期:2018-03-3
网络出版日期:2018-06-10
版权声明:2018《地理研究》编辑部《地理研究》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词：
Abstract
Keywords：
-->0
PDF (18695KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
改革开放以来,中国涌现出大规模、高强度的城乡间、区域间流动人口,目前流动人口已达2.5亿,占总人口的1/6[1-3]。中国特殊的城乡分割社会管理体制,导致城市对流动人口采取“经济吸纳、社会拒人”的双重态度,流动人口被排斥在社会保障范围之外,加上收入低,不得不选择在城市边缘地区的城中村等廉价房租地域聚居生活[4-6]。由此,中国特大城市和大城市出现一种特殊的异质性社区——流动人口聚居区。流动人口聚居区具有复杂的社会经济形态和特殊的地理环境,凸显出“社会经济二元性”和“地理空间异质性”特征,严重阻碍了城市健康可持续发展[7-10]。从社会经济形态来看,流动人口聚居区表现出“身体在场,关系不在场、利益不在场、参与权不在场、保障权不在场”非正常现象[11]。从地理环境特征来看,大量流动人口聚居区的城市建设远滞后于城市化发展,基础设施建设不完善尤为突出[12-14]。如何促进流动人口聚居区与城市融合发展,成为中国新型城镇化建设和农业转移人口市民化的焦点问题。流动人口聚居区研究一直是地理学、城市规划学、社会学、公共管理学等众多学科领域的重要课题。社区是城市空间的基本单元,社区尺度下流动人口聚居区的系统性研究是政府部门进行流动人口聚居区顶层制度设计的科学基础。由于中国社区尺度人口统计数据不向公众开放,当前研究成果大多是依靠研究者主观识别的个案实证研究,由此可能出现“以偏概全”缺陷。如何破解社区尺度下流动人口聚居区空间识别的技术瓶颈,进而开展整个城市尺度流动人口聚居区系统性研究,是学术界亟待解决的问题。
不同空间尺度流动人口聚居区识别结果的差异性,即流动人口聚居区的空间尺度效应也是需要明确的重要问题。大量研究表明,地理学现象的格局、过程、机理随着空间尺度的不同而发生变化[15]。空间尺度选择对正确解释研究对象的科学本质至关重要。空间尺度过大,事物内部差异极易忽视;空间尺度过小,事物整体特征难以把握[16]。空间尺度效应在地理学中广为关注,包括地貌系统、景观结构变化、生物多样性、遥感反演等[17-19]。然而,在流动人口聚居区的研究中,空间尺度效应没有得到应有的关注。关于流动人口聚居区的空间识别,一部分****界定为街道乡镇尺度[20],一部分****界定为社区尺度[21,22]。然而,两种空间尺度之间是否可以相互转换、异同点及其作用机制,极少受到关注。
国内外****针对流动人口聚居区空间识别问题,开展了大量研究。梳理流动人口聚居区空间识别方法,大致可以划分为三类：第一类是依据人口统计数据确定流动人口聚居区,即根据流动人口数量、比例等指标,进行以街道为基本单元的流动人口聚居区识别[20]。第二类则是利用遥感影像识别出低收入流动人口聚居区,即首先提出若干判定低收入流动人口聚居区的准则,而后依据遥感影像进行流动人口聚居区识别。这些准则大致包括房屋密度、道路密度、绿化比例等[23-26]。第三类是运用实地走访调查、公众意识等方法进行流动人口聚居区的主观识别[21,22]。显然,第一类研究直接使用行政区人口统计数据,空间识别方法简单有效,其缺点是以行政单元边界为依托,严格受人口统计数据限制。第二类研究使用遥感影像,技术路线成熟,识别成果明确、可视化程度好;其缺点则是人口信息利用不足,只能识别出低收入流动人口聚居区,并且容易与低收入人口聚居区混为一谈。第三类研究使用了更加主观的方法,将人口信息和空间信息相结合,可以得到较为准确的自然单元边界;但主要依靠研究人员主观判断,方法不容易推广普及,并且各个研究人员主观判别标准差异大,流动人口聚居区识别成果不容易得到普遍认同。
综上所述,流动人口聚居区空间识别的技术选择,主要取决于数据的可获取性、经济成本和人工成本。本文在地理空间数据和人口分布数据高度关联性基础上,建立基于空间配置法的流动人口聚居区空间识别方法,实现社区尺度流动人口聚居区的空间识别;并通过与街道尺度流动人口聚居区的对比分析,判断流动人口聚居区的空间尺度效应,明确社区尺度作为流动人口聚居区空间尺度的必要性。
2 研究方法与数据来源
2.1 空间识别原理
空间尺度转换是人文地理学及许多社会科学研究的重要课题。在人文地理学研究中,数据来源的一个重要特点是其来自于统计数据而不是实验数据。这些统计数据一般以行政统计单元为空间单元,而行政统计单位的大小又是空间尺度的基准。因此从数据来源的角度,其空间尺度特征往往是被预先决定的。可是在实际研究中,行政单元问题、研究问题以及最终的应用层次之间常常存在尺度的不一致性,从而导致尺度转换在人文地理学及相关学科中不可避免。全国人口普查数据和其他来源的人口统计数据是划分和分析流动人口聚居区的基础数据。在中国,街道尺度的人口统计数据是对公众开放和可以公开获取的最小空间尺度。然而,中国的街道面积很大,街道并不是一个具有高度社会空间同质性的区域。在同一个街道内部,社区环境和人口统计特征具有极大的空间分布不均匀性。例如在北京六环内区域,街道的平均人口是87240人,平均面积是18.8 km2,远远高于国际上异质性社区研究的普遍标准。中国“街道”的地域范围和人口规模远大于国外的统计单元,街道层面以下如居委会、住宅小区的社会空间分异往往被忽视[27]。因此,流动人口聚居区研究中,街道尺度的人口统计数据不够精细,有必要对流动人口聚居区进行空间降尺度识别。
土地作为人与自然相互作用的产物,与人口分布的关系非常密切[28]。不同土地利用类型的人口密度具有很大差异性,而同一土地利用类型的人口密度则具有同一性[29]。因此,在土地利用和人口分布的同一性基础上,本文建立了基于空间配置法的社区尺度流动人口聚居区识别方法,实现了流动人口聚居区的空间降尺度识别。“社区”一词,广泛应用于社会学、地理学、城市规划学等多个学科领域。****们普遍认为,“社区”是指进行一定的社会活动、具有某种互协关系和共同文化维系力的人类生活群体及其活动地 域[30]。然而,****们对于“社区”的空间属性、空间范围和空间层级并没有达成统一的共识。依据是否具有明显的地域空间,社区可以划分为空间性社区和非空间性社区两类。依据地域界限的属性,空间性社区细分为法定社区、自然社区和专能社区。为了使研究成果更方便指导城市规划与管理,本研究的“社区”采用法定社区概念,即地方行政区,具有法律规定的地域界限,在农村指的是行政村,在城市指的是居委会辖区。在中国的三级行政区划体系中,社区是城市街道、行政建制乡镇这一基层行政区划单位的基本构成单元。
2.2 空间识别标准
关于流动人口聚居区的识别指标及识别标准,学术界和政府规划部门没有统一的共识和定论。综合国内外研究,流动人口聚居区的识别指标主要有两个：流动人口规模和流动人口比例。这两个指标的侧重点不同：流动人口规模关注的是流动人口的绝对数量,流动人口比例关注的是流动人口的相对数量。为了充分利用流动人口规模和流动人口比例这两个指标在识别流动人口聚居区的优势,避免单一识别指标的缺点,本文选取流动人口规模和流动人口比例两个指标,构建流动人口聚居区的双指标识别法。具体做法为：首先,确定流动人口聚居区的流动人口规模阈值和流动人口比例阈值。关于流动人口规模阈值,本文采用一倍标准差,即γ=mean+S.D.。关于流动人口比例阈值,采用1.2倍的平均流动人口比例,即δ=1.2×$\overline{PCT\_FP}$（$\overline{PCT\_FP}$是平均流动人口比例）。各街道流动人口比例与平均流动人口比例的比值,实际上就是经济学中的“区位商”概念。大量的研究证明,当区位商<0.85时,代表这一区域的观测值集聚程度较低;当区位商>1.2时,代表这一区域的观测值集聚程度很高[31]。由此,在流动人口比例阈值的确定中,采用1.2×$\overline{PCT\_FP}$这一阈值。
其次,以流动人口规模为X轴,以流动人口比例为Y轴,建立判别坐标系（图1）。这样,可以将所有的空间单元划分为四个类型,：高流动人口规模高流动人口比例型（简称“高规模高比例”,位于第一象限）、低流动人口规模高流动人口比例型（简称“低规模高比例”,位于第二象限）、低流动人口规模低流动人口比例型（简称“低规模低比例”,位于第三象限）、高流动人口规模低流动人口比例型（简称“高规模低比例”,位于第四象限）。其中,仅有高规模高比例型街道同时满足流动人口聚居区的识别准则。
显示原图|下载原图ZIP|生成PPT图1流动人口聚居区的判别坐标系
-->Fig. 1The coordinate frame of identifying floating population communities
-->
2.3 空间识别技术流程
依据土地利用与人口分布的同一性原理,建立基于空间配置法的流动人口聚居区识别法：首先将街道尺度人口数据细化到社区尺度,然后采用流动人口聚居区的双指标识别法,对社区尺度流动人口聚居区进行空间识别。具体流程如下（图2）：
显示原图|下载原图ZIP|生成PPT图2基于空间配置法的流动人口聚居区空间识别技术流程图
-->Fig. 2The process of identifying floating population communities based on space allocation
-->
第一步,划分土地利用类型。利用土地利用现状图,区分城市居住用地、农村居住用地和非居住用地。非居住用地被认定为没有人居住,人口密度为0;只有城市居住用地和农村居住用地有人居住,分配一定规模的人口。
第二步,常住人口空间化。根据以下两个原则将街道尺度的总人口分配到每一个社区：第一个原则,城市居住用地和农村居住用地的人口密度比;第二个原则,每一个社区里,各个土地利用类型所占的土地面积。本研究采用空间抽样方法来获取城市居住用地和农村居住用地的人口密度比。空间抽样的具体过程如下：选取只包含同一个土地利用类型的社区,通过实地调查、深度访谈村干部或居委会工作人员、派出所登记数据等多种方法,获取该社区的总人口。利用土地利用数据,测算出该社区的占地面积,进而计算出人口密度。这一空间抽样过程在每个街道单独进行,即每个街道分别抽取两个具有不同土地利用类型的社区。其原因是对于各个土地利用类型的人口密度比,每个街道之间存在较大的差异。将街道尺度的人口数据分配到社区尺度的计算公式如下：
式中：
第三步,流动人口比例估算。根据前人研究和实地调查,同一个街道内部,各个土地利用类型的流动人口比例具有高度的空间同质性;不同街道之间,各个土地利用类型的流动人口比例具有空间不均匀性。基于上述假定,流动人口比例估算方法采用空间抽样法,具体方法步骤同常住人口密度估算方法。首先,将街道尺度的流动人口数据分配到社区尺度。计算公式如下：
式中：
然后,结合第二步估算出的社区总人口,计算社区尺度流动人口比例。计算方法 如下：
式中：
第四步,建立流动人口聚居区的双指标识别准则,包括流动人口规模和流动人口比例两个指标。
第五步,利用估算出的社区尺度人口数据和流动人口聚居区识别准则,识别出社区尺度流动人口聚居区。
2.4 数据来源及处理
北京是中国流动人口高度集聚的三大城市之一。北京市下辖16个市辖区,总面积1.64万km2。本文研究区是北京市六环路以内区域,以六环路为界,涵盖六环路以内以及六环路经过的所有街道和乡镇,土地面积3477 km2（图3）。通过人口空间化数据与研究范围的空间叠加分析发现,北京市六环路以内区域是流动人口主要分布区。2010年北京市六环内区域流动人口为634万,集中了北京市约90%的流动人口。
显示原图|下载原图ZIP|生成PPT图3研究区域
-->Fig. 3The map of the study area
-->
本研究采用的常住人口数据来源于《北京市2010年第六次全国人口普查主要数据资料》《北京市2010年人口普查资料——乡、镇、街道卷》《北京市2010年人口普查资料——流动人口卷》,常住人口包含本地户籍常住人口和外来常住人口,不包含半年以下的暂住人口。空间数据由北京市测绘设计研究院提供,主要包括北京市道路、水系、地名、行政边界等基础地理信息数据和2007年第二次全国土地调查数据（所有涉密数据在本文图文之间均未体现）。基于北京市第二次全国土地调查成果数据库,依据土地利用类型提取出北京市居住用地空间分布图（图4）。第二次全国土地调查数据是使用多源高分辨率遥感影像（包括0.2 m分辨率的航空遥感数据、0.6 m分辨率的快鸟遥感数据、10 m分辨率Spot遥感数据、4 m分辨率的中国资源二号和北京一号遥感数据等）,在农村地区以1:1000比例尺、城镇地区以1:500比例尺下进行解译、结合外业调查的数据库。
显示原图|下载原图ZIP|生成PPT图4北京市居住用地空间分布图
-->Fig. 4The spatial distribution of residential land in Beijing
-->
3 社区尺度流动人口聚居区空间识别结果
3.1 流动人口聚居区空间识别结果及其检验
在北京市2010年人口普查数据和2007年全国第二次土地利用调查数据基础上,利用基于空间配置法的流动人口聚居区识别方法,对北京市社区尺度流动人口聚居区进行空间识别。经过土地利用类型划分、常住人口空间化和流动人口比例估算三个步骤,可以得到北京市分社区流动人口规模和流动人口比例。在此基础上,确定北京市分社区流动人口聚居区的判别阈值。经计算,北京市分社区流动人口平均数量是2043人（S.D.=5082）,流动人口平均比例是35.49%。基于双指标识别法,流动人口聚居区必须同时满足规模和比例两方面的要求：在规模总量上,满足流动人口数大于7125人;在比例上,满足流动人口比例大于47.12%。据此,可制作出北京分社区流动人口聚居区判别坐标系（图5）。位于流动人口聚居区判别坐标系第一象限的社区,即流动人口聚居区。经统计,流动人口聚居区共计120个,涉及30个乡镇/街道,面积405 km2,常住人口297万,占北京市六环内常住总人口的18.42%;涉及流动人口183.5万,占北京市六环内区域流动人口总量的28.96%;流动人口平均比例为65.29%。
显示原图|下载原图ZIP|生成PPT图5北京市分社区流动人口聚居区判别坐标系
-->Fig. 5The coordinate frame of identifying floating population community in Beijing
-->
本文利用正态分布概率密度函数和空间抽样法两种方法来验证基于空间配置法的流动人口聚居区识别方法的有效性。首先,从图6可以看出,北京市分社区流动人口规模基本符合对数正态分布,流动人口比例基本呈正态分布。利用正态分布概率密度函数可得,北京市分社区流动人口聚居区规模阈值（7125）的概率是6.68%,比例阈值（47.12%）的概率是15.87%。由此可以判断,北京市流动人口规模和流动人口比例两个指标在流动人口聚居区与普通居民社区二者之间存在较为显著的差异,即本文设定的流动人口聚居区阈值具有较高可信性。第二,从北京市流动人口聚居区空间识别结果中随机选取10个进行检验。通过实地调查获取10个样本区的流动人口规模和比例数据,并与估算结果进行对比。经对比,运用空间配置法估算的流动人口规模和比例的误差率均小于10%。这证明本研究构建的基于空间配置法的流动人口聚居区识别方法具有较高的有效性。
显示原图|下载原图ZIP|生成PPT图6北京市分社区流动人口规模和比例频率直方图
-->Fig. 6The frequency histogram of size (a) and proportion (b) of floating population at the community scale in Beijing
-->
3.2 流动人口聚居区空间分布特征
3.2.1 区位分布特征 根据城市空间关系,将北京市城区划分为中心城区、近郊区和远郊区三个圈层。其中,中心城区包括东城区和西城区,面积92 km2;近郊区包括石景山区、海淀区、朝阳区、丰台区,面积1276 km2;远郊区包括六环路以内的房山区、门头沟区、通州区、昌平区、顺义区、大兴区的部分街道和乡镇。从识别结果看,北京市流动人口聚居区主要位于城市近郊区,尤其是四环路至六环路之间,呈环形结构（图7）。流动人口聚居区的环形结构与北京市城市边缘区的空间地域范围相互吻合。城市边缘区具有土地价格较低、房租便宜、公共交通相对便捷、房源充足、行政管理相对宽松、城乡过渡性地域文化等区域特征。这与流动人口较低的经济收入水平、有限的交通成本支付能力、农村地域文化背景等个体特征构成稳健的供需关系,共同促使城市边缘区流动人口聚居区的发育和演化。由于北京市城市拓展方向以环路为基,从中心城区向外呈圈层状拓展,由此导致流动人口聚居区呈现与环路方向一致的环状结构。
显示原图|下载原图ZIP|生成PPT图7北京市分社区流动人口聚居区空间分布图
-->Fig. 7The spatial distribution of floating population communities in Beijing
-->
城市近郊区集中了60%以上的流动人口聚居区,吸纳流动人口高达109万人;远郊区集中了约30%的流动人口聚居区,吸纳流动人口67万人。值得注意的是,北京市中心城区未识别出流动人口聚居区。其主要原因有二：一是中心城区人口密度极高,导致流动人口规模虽然不小,但是所占比例相对较低,不能达到流动人口聚居区的识别标准;二是与全国其他特大城市不同,北京市中心城区以“城中村”为代表的廉价住宅较少。“城中村”是高速城市化进程中,部分政府采取“获取农村耕地、绕开村落居民点”的城市土地开发政策,导致城市边缘区的农村耕地被大量占用、村民仍留在农村宅基地居住的一种半城市化或不完全城市化现象[32]。城中村大量廉价的出租房屋,成为低收入流动人口进入城市的首选落脚地。2005-2008年期间,为了迎接2008年北京奥运会,北京市政府集中整治了奥运场馆和四环路以内的171个城中村。2009年底,北京市再次开展城中村整治改造工作,50个重点改造城中村中的38个位于中心城区。大规模、持续不断的城中村改造工作,导致北京市中心城区几乎不存在城中村,进而导致流动人口很难在中心城区找到支付能力范围内的廉价住宅。
3.2.2 空间集聚特征 通过测算空间关联局域指标（Local Indicators of Spatial Association,LISA）显著水平,利用Local Moran's I统计量计算流动人口的空间集聚程度。基于此,采用等间距法将区域划分为三个类型：流动人口集聚分布区（Local Moran's I的标准化值>0.667）、流动人口分散分布区（Local Moran's I的标准化值<-0.667）、流动人口混合分布区（-0.667≤Local Moran's I的标准化值≤0.667）。在此基础上,分析流动人口聚居区的空间紧邻关系,判断流动人口聚居区的空间集聚类型：集中连片型（流动人口聚居区位于流动人口集聚分布区）、孤岛型（流动人口聚居区位于流动人口分散分布区）和混合型（流动人口聚居区位于流动人口混合分布区）。
计算结果表明,北京市流动人口聚居区总体呈集聚分布,接近一半的流动人口聚居区属于集中连片型流动人口聚居区（图8）。具体来看,集中连片型流动人口聚居区共计57个,占全部流动人口聚居区的47.5%,涉及114.4万常住人口和84.7万流动人口,分别占流动人口聚居区总人口和流动总人口的38.5%和46.2%。孤岛型流动人口聚居区仅11个,占全部流动人口聚居区的9.17%,只涉及17.4万流动人口。流动人口聚居区呈集聚分布,一方面是因为相近的地理区位、交通优势、房租价格和社会文化环境,吸引大量流动人口涌入。另一方面是因为流动人口聚居区的空间溢出效应,即流动人口居住空间的集中会产生社会经济效应,吸引流动人口继续向一定地区靠近。空间溢出效应是流动人口聚居区不断扩大、向周边蔓延的外部空间作用。大规模流动人口的集聚,会产生不同于本地人口的生产生活需求,包括饮食、娱乐、教育、医疗等,这就刺激了为流动人口服务行业的产生,出现了流动人口为流动人口服务、流动人口聚居区不断向周边扩张的现象。
显示原图|下载原图ZIP|生成PPT图8北京市分社区流动人口聚居区空间集聚类型图
-->Fig. 8The spatial cluster type of floating population communities in Beijing
-->
4 流动人口聚居区空间尺度效应
流动人口聚居区的空间识别研究中,空间尺度选择、空间尺度转换和空间尺度效应是需要明确和解决的重要问题。众多空间尺度中,应该选择哪类空间尺度,既能刻画区域内部差异、精确识别出流动人口聚居区,又能保证数据的可获取性和准确性?不同空间尺度的流动人口聚居区识别结果有什么差异?为了明确社区尺度空间识别的必要性,判别流动人口聚居区是否存在空间尺度效应,本文对比分析街道尺度和社区尺度的流动人口聚居区识别结果,分析两种空间尺度下流动人口聚居区识别结果的异同点及其形成原因。4.1 不同尺度流动人口聚居区识别结果对比
首先,利用2010年北京市分街道人口普查数据,根据2.2节流动人口聚居区的识别标准,计算街道尺度流动人口聚居区的阈值。计算结果显示,流动人口规模的阈值为77255人,流动人口比例的阈值为47.12%。从流动人口规模和比例的频率直方图（图9）可以看出,北京市街道尺度流动人口规模符合对数正态分布,流动人口比例基本符合正态分布。利用正态分布概率密度函数计算,北京市街道尺度流动人口聚居区规模阈值的概率约为9.68%,比例阈值的概率小于18.41%。这表明,北京市街道尺度流动人口聚居区的流动人口规模和比例与其他社区差异较为明显。
显示原图|下载原图ZIP|生成PPT图9北京市分街道流动人口规模和比例频率直方图
-->Fig. 9The frequency histogram of size (a) and proportion (b) of floating population at the subdistrict scale in Beijing
-->
依据流动人口聚居区判别阈值,可以绘制出判别坐标系,并识别出街道尺度下的流动人口聚居区（图10a）。街道尺度下流动人口聚居区数量和面积虽小,但集聚了超过1/4的流动人口。流动人口聚居街道共计13个,区内共计流动人口167万人,占北京市六环内区域流动人口总量的26%;平均流动人口比例达62%;面积仅430 km2,占北京六环内区域的12%。从空间分布图可以看出（图10b）,街道尺度下流动人口聚居区呈环状位于城市功能拓展区和城市发展新区,北京城市交通环线的四环至五环之间。这些区域是北京市近几年快速发展的地区,交通基础设施建设加快,拥有大量的地铁站点和公交线路,交通极为便利;但商业开发和房地产开发滞后于交通建设,因此房租较低,且存在大量城中村,廉价房源多,因此,成为流动人口高度集聚的区域。
显示原图|下载原图ZIP|生成PPT图10北京市分街道流动人口聚居区判别坐标系和空间分布图
-->Fig. 10The coordinate frame (a) and the spatial distribution (b) of floating population communities at the subdistrict scale in Beijing
-->
通过对比街道尺度和社区尺度的流动人口聚居区识别结果,可以发现,流动人口聚居区存在空间尺度效应（图11）。两种空间尺度下,流动人口聚居区的识别结果不完全重合。较大空间尺度的识别方法容易造成流动人口聚居区的过度识别和遗漏识别;而较小空间尺度的识别技术更能把握和反映出社会空间内部差异。比较社区尺度和街道尺度的流动人口聚居区识别结果,可以将流动人口聚居区划分为三种类型：一是重合区,即社区尺度流动人口聚居区与街道尺度流动人口聚居区的重叠区域（红色区域）;二是高估识别区,即该社区本身并不是流动人口聚居区,却在街道尺度上被定义为流动人口聚居区（蓝色区域）;三是遗漏识别区,即该社区是流动人口聚居区,却在街道尺度上被定义为非流动人口聚居区（黄色区域）。结果表明,街道尺度和社区尺度流动人口聚居区的重合区共75个,占社区尺度流动人口聚居区总数的62.5%;遗漏识别区共45个,涉及51.9万流动人口,遗漏率高达37.5%（表1）。由此表明,社区尺度的流动人口聚居区空间识别方法具有显著优势。
显示原图|下载原图ZIP|生成PPT图11流动人口聚居区的空间尺度效应
-->Fig. 11The scale effects of floating population agglomerations
-->
Tab. 1
表1
表1北京市社区尺度流动人口聚居区分类型统计表
Tab. 1Statistics of floating population communites by type in Beijing
| 类型 | 数量 | 流动人口平均规模(人) | 流动人口平均比例(%) |
|---|---|---|---|
| 重合区 | 75 | 17535? | 68.19? |
| 高估识别区 | 83 | 4231? | 78.30? |
| 遗漏识别区 | 45 | 11545? | 60.45? |
新窗口打开
比较高估识别区、遗漏识别区与社区尺度流动人口聚居区识别阈值的对应关系,可以发现：① 高估识别区的流动人口比例远远高于阈值,甚至高于重合区的流动人口平均比例;但其流动人口规模较低,不足规模阈值的60%。这表明街道内部社区之间的规模差异,尤其是流动人口规模,是造成高估识别区的重要原因之一。部分社区的流动人口比例较高,但其人口基数较小、流动人口数量较少、邻近社区流动人口规模大,这类社区容易被高估为流动人口聚居区。② 遗漏识别区的流动人口规模和比例均高于阈值,略低于重合区的相应指标。由此推断,遗漏识别区的邻近社区流动人口规模小、比例低,拉低了遗漏识别区所在街道流动人口数量和比例的总体水平,造成遗漏识别。
4.2 流动人口聚居区空间尺度效应形成原因
流动人口聚居区在街道尺度和社区尺度上的识别结果呈现明显差异性,表现为：街道尺度流动人口聚居区识别方法产生了部分高估识别区和遗漏识别区。具体来看高估识别区和遗漏识别区的空间分布特征及其形成原因。4.2.1 高估识别区 高估识别区主要位于重合区附近。高估识别区产生的主要原因是：在同一街道内部,不同社区的土地利用类型、住宅类型、人口密度、流动人口比例存在差异。街道尺度的流动人口聚居区识别方法将街道视为一个均质区域,从而不能区分其内部的差异。以朝阳区崔各庄镇为例。崔各庄地区位于朝阳区东北部,东与金盏地区接壤,南邻将台地区,西靠来广营地区,北接孙河地区,紧邻首都机场,机场高速、京承高速、机场辅路、京顺路、五环路、来广营北路、京包铁路等交通要道,城市轨道铁路及机场第二条高速穿境而过,面积24.4 km2,2010年常住总人口10.20万人,流动人口7.72万人,流动人口占常住总人口比例高达75.71%,在街道尺度上被识别为流动人口聚居区。然而,崔各庄地区内部社会空间差异巨大,既有流动人口集聚的城中村（马泉营村）,也有高端休闲娱乐度假会议中心（北京圣露国酒庄园）、文博设施（318国际艺术园、中国铁道博物馆）和高新技术产业园区（规划望京电子城北扩地区）。不同的用地类型导致崔各庄地区内部人口密度和流动人口比例差异巨大,崔各庄地区西部和南部大部分社区均是高估识别区。
4.2.2 遗漏识别区 遗漏识别区一部分位于海淀区、朝阳区等近郊区,另一部分分布在远郊区县政府驻地周边社区。遗漏识别区产生的主要原因是：随着城市化进程的加快,城市近郊区及区县政府驻地周边社区逐渐由农村地区演变为城市地区。在这一过程中,极少数社区由于制度、利益关系等原因,仍保留乡村形态,城市化程度远远落后于周边区域,从而形成城中村,成为流动人口集聚地。以海淀区清河街道为例。清河街道位于为海淀区东北部,面积9.37 km2,2010年常住总人口14万人,其中流动人口6.8万人,流动人口占常住总人口的比例是48.6%。无论从流动人口规模上还是从流动人口比例上,均没有达到街道尺度流动人口聚居区识别标准。但是从社区尺度上看,清河街道南部的朱房社区和清河老街社区流动人口总量均超过1万人,流动人口比例超过50%,是典型的流动人口聚居区。清河街道大部分社区是普通城市住宅区（如安宁里社区、安宁庄社区）和别墅区（如领袖硅谷社区）,流动人口集聚程度较低;而朱房社区和清河老街社区这两个社区是典型的居民、农民混居平房社区,城市化程度远远低于周边区域,集聚了大量流动人口。
5 结论与讨论
流动人口聚居区作为城市典型“异质性社区”,直接关系着新型城镇化建设和农业转移人口市民化进程。社区尺度流动人口聚居区空间识别方法是流动人口聚居区研究亟需解决的首要问题。本文以北京市为案例区,利用土地利用数据和人口普查数据,建立基于空间配置法的流动人口聚居区识别方法,实现了流动人口聚居区的空间降尺度识别。在此基础上,对比街道尺度和社区尺度的流动人口聚居区识别结果,判断流动人口聚居区的空间尺度效应。研究结果表明：① 基于空间配置法的社区尺度流动人口聚居区具有较高的准确度,能够有效识别案例区约90%的流动人口聚居区。② 北京市六环内区域共有社区尺度流动人口聚居区120个,涉及流动人口183.5万,占研究区域流动人口总量的29%,流动人口平均比例高达65.29%,2/3的流动人口聚居区位于城市边缘地区,呈现集中连片分布形态。③ 通过对比街道尺度和社区尺度的流动人口聚居区识别结果,可以发现流动人口聚居区具有空间尺度效应。两种空间尺度下,流动人口聚居区的识别结果不完全重合。街道尺度识别方法容易造成流动人口聚居区的过度识别和遗漏识别;而社区尺度识别方法更能把握和反映出社会空间内部差异。④ 以朝阳区崔各庄地区和海淀区清河街道为典型案例,剖析流动人口聚居区空间尺度效应的产生原因,主要包括以下三点：较大空间尺度（街道尺度）容易忽略区域内部社会空间差异、城乡分割的二元社会经济体制和高速城市化进程。随着对地观测技术和遥感技术的飞速发展,高清遥感影像已逐渐成为人口空间化的重要数据源。利用高清遥感数据、自动处理技术和人工解译方法,可以提取建筑物信息,从而细分住宅类型,能够提高人口空间化的准确率[33]。然而,高清遥感影像数据经济成本高昂,加上基于高清遥感影像的住宅类型识别技术自动化程度较低,经济成本和人工成本的双重高居不下,导致高清遥感影像在人口空间化研究中的使用范围和推广程度受到限制。如何突破高清遥感影像的双高成本瓶颈,改进基于空间配置法的流动人口聚居区识别方法,是今后流动人口聚居区空间识别研究的下一步发展方向。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
| [1] | 改革开放30年来,我国流动人口规模不断增大,对我国的经济发展和社会进步起到了重要作用。但我们对流动人口的认识总体来讲是底数不清、情况不明,流动人口变化趋势研究更是罕见。本文通过深入挖掘1982年以来历次全国人口普查和1%人口抽样调查数据资料,总结得出了改革开放30年来我国流动人口变动的九大趋势:流动人口的普遍化、流动原因的经济化、流动时间的长期化、流入地分布的沿海集中化、年龄结构的成年化、性别构成的均衡化、女性人口流动的自主化、流动方式的家庭化和学业构成的"知识化"。 |
| [2] | . |
| [3] | |
| [4] | Urbanisation and urban development issues are the focus of this comprehensive account which introduces readers to the far-reaching changes now taking place in Chinese cities. |
| [5] | |
| [6] | . 基于住房供给一需求关系，本文从就业机会、房源供给、宏观区位和交通便利性4个维度构建了外来人口在都市区内部的居住决策和空间分布的解释模型，并将区域差异和尺度效应纳入模型。基于北京市村级数据的实证研究发现，就业机会的空间分布对外来人口的居住区位决策和空间分布格局起到决定性作用，职住空间一体化或职住临近是城市外来人口工作、生活空间的重要特征。近郊区是中心城区外来务工人口的主要聚居地，其空间格局主要受到房源供给的限制，而与本地的就业机会和交通条件关系有限。城市产业的郊区化促进外来人口向远郊区聚集，进入了明显的远郊化进程；尤其随着地铁网络的延伸，远郊地铁站附近成为外来人口的重要聚居区。远郊区和偏远地区的区县中心对外来人口分布的影响不大，依托村镇本地的就业机会而就近居住是这些地区外来人口居住决策的主要方式，县乡道及一般道路通达性较好的地区因此成为产业发展和外来人口集聚的优势区域。 基于住房供给一需求关系，本文从就业机会、房源供给、宏观区位和交通便利性4个维度构建了外来人口在都市区内部的居住决策和空间分布的解释模型，并将区域差异和尺度效应纳入模型。基于北京市村级数据的实证研究发现，就业机会的空间分布对外来人口的居住区位决策和空间分布格局起到决定性作用，职住空间一体化或职住临近是城市外来人口工作、生活空间的重要特征。近郊区是中心城区外来务工人口的主要聚居地，其空间格局主要受到房源供给的限制，而与本地的就业机会和交通条件关系有限。城市产业的郊区化促进外来人口向远郊区聚集，进入了明显的远郊化进程；尤其随着地铁网络的延伸，远郊地铁站附近成为外来人口的重要聚居区。远郊区和偏远地区的区县中心对外来人口分布的影响不大，依托村镇本地的就业机会而就近居住是这些地区外来人口居住决策的主要方式，县乡道及一般道路通达性较好的地区因此成为产业发展和外来人口集聚的优势区域。 |
| [7] | |
| [8] | . 空间的生产理论是当前解释中国城市空间开发现象的重要理论工具,也是目前学术界相关研究的热点。中国对于空间生产理论的研究当前主要着眼于宏观的制度、资本等要素,而本文以广州市瑞宝村为例,探讨了由流动人口推动的城乡结合部"弱"空间生产过程。研究发现,城乡结合部流动人口聚居区的空间生产是流动人口在当前的户籍、土地、政府监管与城市更新制度之下,通过积极的区位选择、社会网络关系带动实现了对空间的占据、巩固和空间的持续占有,其空间生产的结果是形成一个以流动人口为主体、以社会网络关系维系的稳定、孤立的同质生产社区。在当前的制度体制之下,此类社区并非个例,而对此类社区的管治,需要从一个更为综合的社会—空间视角进行考量。 空间的生产理论是当前解释中国城市空间开发现象的重要理论工具,也是目前学术界相关研究的热点。中国对于空间生产理论的研究当前主要着眼于宏观的制度、资本等要素,而本文以广州市瑞宝村为例,探讨了由流动人口推动的城乡结合部"弱"空间生产过程。研究发现,城乡结合部流动人口聚居区的空间生产是流动人口在当前的户籍、土地、政府监管与城市更新制度之下,通过积极的区位选择、社会网络关系带动实现了对空间的占据、巩固和空间的持续占有,其空间生产的结果是形成一个以流动人口为主体、以社会网络关系维系的稳定、孤立的同质生产社区。在当前的制度体制之下,此类社区并非个例,而对此类社区的管治,需要从一个更为综合的社会—空间视角进行考量。 |
| [9] | . |
| [10] | . 快速城镇化时期中国城市社会空间分异不断加剧,与此相对应的是,城市社会空间融合的重要性更加凸显。当前经济转型深刻地影响了城市社会空间的形态,既存不同阶层间的空间隔离阻隔城市社会融合的进程,并危及中国城乡社会的健康发展。文章在对社会空间融合的概念及理论研究进行梳理的基础上,探讨阻碍中国城市社会空间融合的因素,并提出了城乡规划应对社会空间问题的建议。 快速城镇化时期中国城市社会空间分异不断加剧,与此相对应的是,城市社会空间融合的重要性更加凸显。当前经济转型深刻地影响了城市社会空间的形态,既存不同阶层间的空间隔离阻隔城市社会融合的进程,并危及中国城乡社会的健康发展。文章在对社会空间融合的概念及理论研究进行梳理的基础上,探讨阻碍中国城市社会空间融合的因素,并提出了城乡规划应对社会空间问题的建议。 |
| [11] | . 本文通过对C市城乡结合部若干村落的调查发现：作为农业转移人口 进入城市的重要空间和通道，城乡结合部不仅吸纳了大量的以进城务工农民为主体的外来人口，同时也使这一群体在城乡结合部建立起初步的社会联结。这些基础性 的社会关联主要包括血缘关联、租赁关联、社区关联、职业关联等，构成了一种特殊类型的社会联结体系。在使农业转移人口落脚城市的同时，也开始积累起进入城 市最为基础的社会资本，为推进其完成市民身份转换，提供了基本的社会前提。 本文通过对C市城乡结合部若干村落的调查发现：作为农业转移人口 进入城市的重要空间和通道，城乡结合部不仅吸纳了大量的以进城务工农民为主体的外来人口，同时也使这一群体在城乡结合部建立起初步的社会联结。这些基础性 的社会关联主要包括血缘关联、租赁关联、社区关联、职业关联等，构成了一种特殊类型的社会联结体系。在使农业转移人口落脚城市的同时，也开始积累起进入城 市最为基础的社会资本，为推进其完成市民身份转换，提供了基本的社会前提。 |
| [12] | . 城中村——有多种形态空间、各种人流混杂聚居及业缘聚居等多种聚居方式。本文对其建筑、整体空间环境、卫生、社会配套设施等多方面进行调研,并对城中村与人的关系进行分析,总结出其空间特点。 城中村——有多种形态空间、各种人流混杂聚居及业缘聚居等多种聚居方式。本文对其建筑、整体空间环境、卫生、社会配套设施等多方面进行调研,并对城中村与人的关系进行分析,总结出其空间特点。 |
| [13] | . |
| [14] | . 中国新型城镇化建设和农业转移人口市民进程，对于城市“异质型社区”外来人口聚居区及其规划思路提出了重大挑战。文章从基本特征、形成原因、效应评价和治理策略等四个方面，对发达国家跨国移民聚居区、发展中国家乡村移民聚居区以及中国外来人口聚居区进行了比较分析和系统梳理。在此基础上，提出未来城市规划亟需重点解决的三大问题及应对策略：一是以原村民长远利益为出发点、以外来人口居住问题为诉求，构建外来人口聚居区的科学治理模式。二是以流动人口公共服务均等化为目标、考虑外来人口的独特需求，探索公共基础设施的合理配置策略。三是以农民意愿为基础、以市场化为导向，寻求农村土地“资本化”的新途径与新模式。 中国新型城镇化建设和农业转移人口市民进程，对于城市“异质型社区”外来人口聚居区及其规划思路提出了重大挑战。文章从基本特征、形成原因、效应评价和治理策略等四个方面，对发达国家跨国移民聚居区、发展中国家乡村移民聚居区以及中国外来人口聚居区进行了比较分析和系统梳理。在此基础上，提出未来城市规划亟需重点解决的三大问题及应对策略：一是以原村民长远利益为出发点、以外来人口居住问题为诉求，构建外来人口聚居区的科学治理模式。二是以流动人口公共服务均等化为目标、考虑外来人口的独特需求，探索公共基础设施的合理配置策略。三是以农民意愿为基础、以市场化为导向，寻求农村土地“资本化”的新途径与新模式。 |
| [15] | . 以石羊河流域为例，运用GCAWI法、空间自相关指数以及考虑空间自相关性的多（单）中心指数模型等实现了乡镇单元向格网单元图层的转化、适宜格网大小的确定以及人口密度的空间模拟。结果表明：①石羊河流域人口密度的空间分布差异较大而又相对集中，具有“3点4线3区”的“点—线—区”状空间结构；②不同单元大小的格网图层提高了流域整体的空间自相关性，Moran’s I指数表现出较大的差异性和偶然性；③石羊河流域人口密度空间分布存在明显的正空间自相关，8 000~10 000 m是表现流域人口密度空间分布特征的最优选择范围；④空间自相关性影响下的人口密度空间化多（单）中心模型大大提高传统指数模型的精度，却改变了距离衰减系数的性质和大小，多中心和单中心模型模拟系数的差异主要是由金昌人口密度中心引起的。 以石羊河流域为例，运用GCAWI法、空间自相关指数以及考虑空间自相关性的多（单）中心指数模型等实现了乡镇单元向格网单元图层的转化、适宜格网大小的确定以及人口密度的空间模拟。结果表明：①石羊河流域人口密度的空间分布差异较大而又相对集中，具有“3点4线3区”的“点—线—区”状空间结构；②不同单元大小的格网图层提高了流域整体的空间自相关性，Moran’s I指数表现出较大的差异性和偶然性；③石羊河流域人口密度空间分布存在明显的正空间自相关，8 000~10 000 m是表现流域人口密度空间分布特征的最优选择范围；④空间自相关性影响下的人口密度空间化多（单）中心模型大大提高传统指数模型的精度，却改变了距离衰减系数的性质和大小，多中心和单中心模型模拟系数的差异主要是由金昌人口密度中心引起的。 |
| [16] | . 大量研究证实, 地理学研究对象格局与过程及其时空特征均是尺度依存的, 随着研究工作的不断深入, 尺度问题越来越展示出其重要性。针对地理学各个分支学科都不同程度存在诸如概念模糊、转换模式不统一、转换效果评价缺乏客观标准等与尺度相关问题, 本文对一些有关尺度转换的议题进行了探讨。在评述了尺度及其转换研究的地理学意义后, 着重阐述了地理学尺度研究理论框架的内容和对象, 提出了地理科学中需要解决的 10个关键尺度问题, 并给出了初步的解决方案。 大量研究证实, 地理学研究对象格局与过程及其时空特征均是尺度依存的, 随着研究工作的不断深入, 尺度问题越来越展示出其重要性。针对地理学各个分支学科都不同程度存在诸如概念模糊、转换模式不统一、转换效果评价缺乏客观标准等与尺度相关问题, 本文对一些有关尺度转换的议题进行了探讨。在评述了尺度及其转换研究的地理学意义后, 着重阐述了地理学尺度研究理论框架的内容和对象, 提出了地理科学中需要解决的 10个关键尺度问题, 并给出了初步的解决方案。 |
| [17] | . 叶面积指数(LAI)是表征植被几何结构和生长状态的关键生物物理参数,也是气候、能量和碳循环等模型的重要输入参数.遥感反演LAI的尺度效应问题一直备受关注.考虑到尼尔逊参数对离散植被的BRDF模型的影响,我们定义有效叶面积指数LAIeff,LAIeff与传统概念下的叶面积指数具有相同的表征植被冠层内叶子浓密程度的主要功能,因此,本文以讨论有效叶面积指数为主.离散植被的空间尺度效应产生机理与连续植被有所不同,本文在方向性二阶微分方法(DSD)反演有效叶面积指数的基础上,讨论了离散植被空间尺度效应产生的原因,并提出了有效叶面积指数的尺度转换公式.理论分析结果表明高分辨率像元有效叶面积指数反演值的平均值总是大于等于同一目标低分辨率像元的有效叶面积指数反演值.另外,本文基于实际航空高光谱遥感影像,反演了中国河北省张家口市怀来县某植被覆盖区的有效叶面积指数,其反演结果验证了该结论的正确性和尺度转换公式的可靠性. 叶面积指数(LAI)是表征植被几何结构和生长状态的关键生物物理参数,也是气候、能量和碳循环等模型的重要输入参数.遥感反演LAI的尺度效应问题一直备受关注.考虑到尼尔逊参数对离散植被的BRDF模型的影响,我们定义有效叶面积指数LAIeff,LAIeff与传统概念下的叶面积指数具有相同的表征植被冠层内叶子浓密程度的主要功能,因此,本文以讨论有效叶面积指数为主.离散植被的空间尺度效应产生机理与连续植被有所不同,本文在方向性二阶微分方法(DSD)反演有效叶面积指数的基础上,讨论了离散植被空间尺度效应产生的原因,并提出了有效叶面积指数的尺度转换公式.理论分析结果表明高分辨率像元有效叶面积指数反演值的平均值总是大于等于同一目标低分辨率像元的有效叶面积指数反演值.另外,本文基于实际航空高光谱遥感影像,反演了中国河北省张家口市怀来县某植被覆盖区的有效叶面积指数,其反演结果验证了该结论的正确性和尺度转换公式的可靠性. |
| [18] | . 生物多样性包含遗传、物种、生态系统和景观多样性4个层次,虽然各个层次的研究较多,但是各层次间相互关系的研究较少。物种多样性多采用野外样方调查法,景观多样性采用遥感、地理信息系统和野外调查,研究方法较为成熟;生态系统多样性研究因生物地理地域和尺度的不同,常采用不同的分类体系,尚无统一评估标准。物种多样性的尺度效应在α、β、γ指数上均有不同体现,景观多样性的尺度效应非常明显。生境异质性与物种α和β多样性指数密切相关,在一定尺度上,丰富的景观多样性提高了物种多样性。未来研究需要揭示不同生物多样性层次之间的耦合关系,并将研究结果应用到生态系统红色名录制定、区域生物多样性综合监测与评估等实践之中。 生物多样性包含遗传、物种、生态系统和景观多样性4个层次,虽然各个层次的研究较多,但是各层次间相互关系的研究较少。物种多样性多采用野外样方调查法,景观多样性采用遥感、地理信息系统和野外调查,研究方法较为成熟;生态系统多样性研究因生物地理地域和尺度的不同,常采用不同的分类体系,尚无统一评估标准。物种多样性的尺度效应在α、β、γ指数上均有不同体现,景观多样性的尺度效应非常明显。生境异质性与物种α和β多样性指数密切相关,在一定尺度上,丰富的景观多样性提高了物种多样性。未来研究需要揭示不同生物多样性层次之间的耦合关系,并将研究结果应用到生态系统红色名录制定、区域生物多样性综合监测与评估等实践之中。 |
| [19] | . 基于GIS点格局方法,从余震点分布的不确定性以及烈度区与点空间距离格局的关系角度研究了汶川及芦山余震点格局.结果表明：余震在较小尺度内接近随机分布且关联效应明显;在较大尺度内余震聚集分布,空间距离关联仍呈幂律关系,无标度区间的上下限与不同烈度区的长短轴间存在关联.汶川、芦山余震形成东北西南向矩形的热点、次热点分布区,区域内最邻近指数为0.99,0.76;映秀Ⅺ度、芦山Ⅸ度烈度区内最邻近指数分别为1.02和0.95,显示余震点在强烈度、高聚集区内趋向随机分布.余震点距离关联特征表明：汶川余震在13.5-20 km和30-43 km区间,芦山余震在7-14.5 km区间内关联程度显著;汶川余震在66-82 km、225-236 km、317-321.5 km区间以及芦山余震在15.5-22 km、23-32.5 km、33.5-43.5 km区间仍呈幂律关系.该结果与汶川地震Ⅺ-Ⅸ度、芦山地震Ⅸ Ⅶ度烈度分布区域的长短轴存在一定关联,321.5 km和40 km与两次地震主破裂面长度也较为吻合.对比核密度估计与地震烈度图可以看出：带宽越小,核密度面积与较高烈度区域的一致性越大;随着带宽的扩大,核密度面积与烈度区的差异也越大. 基于GIS点格局方法,从余震点分布的不确定性以及烈度区与点空间距离格局的关系角度研究了汶川及芦山余震点格局.结果表明：余震在较小尺度内接近随机分布且关联效应明显;在较大尺度内余震聚集分布,空间距离关联仍呈幂律关系,无标度区间的上下限与不同烈度区的长短轴间存在关联.汶川、芦山余震形成东北西南向矩形的热点、次热点分布区,区域内最邻近指数为0.99,0.76;映秀Ⅺ度、芦山Ⅸ度烈度区内最邻近指数分别为1.02和0.95,显示余震点在强烈度、高聚集区内趋向随机分布.余震点距离关联特征表明：汶川余震在13.5-20 km和30-43 km区间,芦山余震在7-14.5 km区间内关联程度显著;汶川余震在66-82 km、225-236 km、317-321.5 km区间以及芦山余震在15.5-22 km、23-32.5 km、33.5-43.5 km区间仍呈幂律关系.该结果与汶川地震Ⅺ-Ⅸ度、芦山地震Ⅸ Ⅶ度烈度分布区域的长短轴存在一定关联,321.5 km和40 km与两次地震主破裂面长度也较为吻合.对比核密度估计与地震烈度图可以看出：带宽越小,核密度面积与较高烈度区域的一致性越大;随着带宽的扩大,核密度面积与烈度区的差异也越大. |
| [20] | |
| [21] | . |
| [22] | . 正蚁族及蚁族形成的原因蚁族是近年来出现的新名词,其特征是:收入低、高学历、高聚居、工作稳定性低。该群体是继农民工、下岗职工后的第四大弱势群体。其从事行业主要为保险推销、电子器材销售、广告营销、餐饮服务等临时性工作,绝大多数处于半失业和没有"三险"和"劳动合同";年龄集中在20～30岁之间。蚁族形成的原因与当前我国社会转型密不可分。随着中国社会城市化、人口 正蚁族及蚁族形成的原因蚁族是近年来出现的新名词,其特征是:收入低、高学历、高聚居、工作稳定性低。该群体是继农民工、下岗职工后的第四大弱势群体。其从事行业主要为保险推销、电子器材销售、广告营销、餐饮服务等临时性工作,绝大多数处于半失业和没有"三险"和"劳动合同";年龄集中在20～30岁之间。蚁族形成的原因与当前我国社会转型密不可分。随着中国社会城市化、人口 |
| [23] | . From 21-23 May 2008 a group of 21 international experts on remote sensing and slummonitoring met at the International Institute for Geoinformation Science and EarthObservation (ITC), The Netherlands (see appendix A for details of participants and theprogramme of the meeting). The focus of the meeting was to document methods forthe identification and delineation of slum areas based on very high resolution (VHR)remote sensing and supplementary data sets (e.g. census and related GIS data oninfrastructure and services). A major goal was to explore the potential of satelliteimagery to assist the UN-HABITAT Global Urban Observatory (GUO) in producingglobal statistics on slums in support of Millennium Development Goal 7, Target 11,“improving the lives of 100 million slum dwellers”.The main purpose of the meeting was to:1. establish requirements for slum mapping for the Global Urban Observatory(GUO) of UN-HABITAT;2. present state of the art methods using VHR imagery for slum mapping;3. identify suitable methods for further development, knowledge transfer, andcapacity building. |
| [24] | This paper outlines a methodology to identify informal settlements out of high resolution satellite imagery using the concept of lacunarity. Principal component analysis and line detection algorithms were applied alternatively to obtain a high resolution binary representation of the city of Hyderabad, India and used to calculate lacunarity values over a 6002×026002m grid. A number of ground truthing areas were used to classify the resulting datasets and to identify lacunarity ranges which are typical for settlement types that combine high density housing and small dwelling size – features characteristic for urban slums in India. It was discovered that the line detection algorithm is advantageous over principal component analysis in providing suitable binary datasets for lacunarity analysis as it is less sensitive to spectral variability within mosaicked imagery. The resulting slum location map constitutes an efficient tool in identifying particularly overcrowded areas of the city and can be used as a reliable source in vulnerability and resilience assessments at a later stage. The proposed methodology allows for rapid analysis and comparison of multi-temporal data and can be applied on many developing urban agglomerations around the world. |
| [25] | This research distinguishes informal from formal neighborhoods in developing countries by analyzing shape (form), terrain geomorphology, texture, road networks and dominant settlement materials (vegetation, soil, asphalt) to produce a multivariate, spatially explicit evaluation of settlement structure. The principal datasets require only high resolution imagery and elevation data which are both widely available. Ancillary data, field surveys, and dwelling outlines, which are difficult to obtain from developing countries in general, are not required. Twenty-four variables derived from a review of informal settlement and suburban sprawl research describing settlement characteristics were identified and tested for significance. From both discriminant function analysis and regression trees, seven variables were identified to be significant in distinguishing informal and formal settlements using data from Guatemala. Results show promise in using limited data to identify informal settlements in Latin American countries or other less developed nations. |
| [26] | . 以QuickBird遥感影像为数据源,从纹理信息的角度,利用灰度共生矩阵（GLCM）的方法对南京市下关区的棚户区信息进行了提取。首先,利用所选择的4个纹理特征统计量（对比度、能量、同质性和相关性）构建一个特征空间。然后运用非监督分类的方法（ISODATA算法）将研究区分成确定的类别数目。最后,根据实际情况,利用数学形态法对分类结果进行调整和优化,从而获得研究区域的棚户区信息。研究结果表明,基于纹理特征的灰度共生矩阵方法对于棚户区的提取和制图是有效可行的,同时本文的研究结果可以为南京市棚户区的管理及城市规划提供更为科学的依据。 以QuickBird遥感影像为数据源,从纹理信息的角度,利用灰度共生矩阵（GLCM）的方法对南京市下关区的棚户区信息进行了提取。首先,利用所选择的4个纹理特征统计量（对比度、能量、同质性和相关性）构建一个特征空间。然后运用非监督分类的方法（ISODATA算法）将研究区分成确定的类别数目。最后,根据实际情况,利用数学形态法对分类结果进行调整和优化,从而获得研究区域的棚户区信息。研究结果表明,基于纹理特征的灰度共生矩阵方法对于棚户区的提取和制图是有效可行的,同时本文的研究结果可以为南京市棚户区的管理及城市规划提供更为科学的依据。 |
| [27] | . 本文把新城市贫困度量指标从经济领域拓展到社会文化等领域,利用广州市2005年最低保障统计和五普数据,采用因子分析法计算街道层面贫困主因子和综合贫困得分,并对得分大于全市平均水平的街道进行聚类,划分出"外围工人相对集中的贫困区、邻近核心就业不理想的贫困区和内城核心住房设施匮乏的贫困区"三种类型.结合三类代表社区的问卷访谈、综合调研和社区发展分析,发现计划和转型两个时期,体制和市场的双重因素共同作用,深刻改变或影响了社区的物质和社会特征,最终导致贫困地域产生明显的特征分异. 本文把新城市贫困度量指标从经济领域拓展到社会文化等领域,利用广州市2005年最低保障统计和五普数据,采用因子分析法计算街道层面贫困主因子和综合贫困得分,并对得分大于全市平均水平的街道进行聚类,划分出"外围工人相对集中的贫困区、邻近核心就业不理想的贫困区和内城核心住房设施匮乏的贫困区"三种类型.结合三类代表社区的问卷访谈、综合调研和社区发展分析,发现计划和转型两个时期,体制和市场的双重因素共同作用,深刻改变或影响了社区的物质和社会特征,最终导致贫困地域产生明显的特征分异. |
| [28] | . Land is an outcome affected mutually by human being and natural world.There exits a very close relationship between population distribution and land use.Through multi-variables regression analysis with statistical population data and various land use indexes at county level in China in1999,it was found that there was a co-relationship of multiple ratio=0.82between mean population densities and12land use indexes for the overwhelming majority administrative divisions at county level.And in Tibet autonomous region,Qinghai and Hainan provinces,the multiple ratios reached to0.99respectively.With the model of population distribution-land use and DEM,which was established by means of multiple variables regression analysis,a rasterized population dataset for Tibet autonomous region with a resolution of one kilometer by one kilometer was calculated.The dataset not only keeps consistence with statistical population at county level but also reflects change of population distribution inside a county.For the37townships in3counties in Tibet,which were selected to test and verify the model,there was a co-relationship of ratio=0.88between the townships ctual population densities and calculated population densities by the model.Therefore,land use is a very important parameter for spatialization of statistical population data.The relationship model between population densities and land use index can be applied to spatialization of statistical population. Land is an outcome affected mutually by human being and natural world.There exits a very close relationship between population distribution and land use.Through multi-variables regression analysis with statistical population data and various land use indexes at county level in China in1999,it was found that there was a co-relationship of multiple ratio=0.82between mean population densities and12land use indexes for the overwhelming majority administrative divisions at county level.And in Tibet autonomous region,Qinghai and Hainan provinces,the multiple ratios reached to0.99respectively.With the model of population distribution-land use and DEM,which was established by means of multiple variables regression analysis,a rasterized population dataset for Tibet autonomous region with a resolution of one kilometer by one kilometer was calculated.The dataset not only keeps consistence with statistical population at county level but also reflects change of population distribution inside a county.For the37townships in3counties in Tibet,which were selected to test and verify the model,there was a co-relationship of ratio=0.88between the townships ctual population densities and calculated population densities by the model.Therefore,land use is a very important parameter for spatialization of statistical population data.The relationship model between population densities and land use index can be applied to spatialization of statistical population. |
| [29] | . = P×V/■V + P×V/■V. Linear weighted model is used to calculate rural population indices. It firstly picks out the indicators for the model which are correlated positively and remarkably with the population of counties in each of the 12 ecological regions, then stepwise regression is introduced to calculate the indices; and finally the weighted coefficients of various indices are determined in combination with the productivity of land and the relations between habitation and variant land. For the urban population indices, a power exponential model based on the scale of town and the distance from the center of town, rooted in distance decay function, is built as V = A×lnA×exp(-1.9874ri-0.6). The outcome of the simulation shows that 94.58% of the population inhabit in the southeast of Hu Huanyong population line, and its density is 21 times as that of the northwest. In the east, population is centralized in four regions and one zone. They are Huang-Huai-Hai plain, Sichuan basin, plains of the middle and lower Yangtze River, Northeast China plain and the zone of 100 km from coast. Moreover, a "points-axis" pattern of population distribution is discovered on the southeast coast. Because this paper has fully recognized the relation between land use and the population distribution, the outcome of the simulation proves to be highly credible. Compared with other models, this method is more efficient. = P×V/■V + P×V/■V. Linear weighted model is used to calculate rural population indices. It firstly picks out the indicators for the model which are correlated positively and remarkably with the population of counties in each of the 12 ecological regions, then stepwise regression is introduced to calculate the indices; and finally the weighted coefficients of various indices are determined in combination with the productivity of land and the relations between habitation and variant land. For the urban population indices, a power exponential model based on the scale of town and the distance from the center of town, rooted in distance decay function, is built as V = A×lnA×exp(-1.9874ri-0.6). The outcome of the simulation shows that 94.58% of the population inhabit in the southeast of Hu Huanyong population line, and its density is 21 times as that of the northwest. In the east, population is centralized in four regions and one zone. They are Huang-Huai-Hai plain, Sichuan basin, plains of the middle and lower Yangtze River, Northeast China plain and the zone of 100 km from coast. Moreover, a "points-axis" pattern of population distribution is discovered on the southeast coast. Because this paper has fully recognized the relation between land use and the population distribution, the outcome of the simulation proves to be highly credible. Compared with other models, this method is more efficient. |
| [30] | . |
| [31] | Analysts have debated the extent to which recent economic changes represent a continuation of earlier patterns or a fundamental shift to a new industrial order. We trace and extend the spatial implications of this debate for a mature industrial region, the Ohio River Valley, part of the American Manufacturing Belt, for the 1980-90 period. The paper builds on recent research arguing that such regions had a diverse, rather than homogeneous, space-economy. Empirical findings clearly demonstrate diversity of economic structures, sectorally and spatially, emphasizing both continuity and change in an old industrial region , and the totality of economic activity rather than specific sectors identified with the rise or transformation of industrial capitalism. In terms of change, aggregate trends follow national ones, but do not wash evenly over the Ohio River Valley. Nor do they mirror, when considered at a sub-regional scale, patterns indicated by de-industrialization and post-Fordist transition frameworks. Findings provide implications for elaborating or augmenting these perspectives, and types of research needed to accomplish the task. |
| [32] | . 分析了'城中村'的浅层涵义及其本质,认为'城中村'已经演化为'为城市流动人口提供廉租房的低收入社区',仅考虑村民的改造措施是不妥当的.通过'城中村'和贫民窟的比较研究发现,'城中村'是有序的、自组织的'类单位制'的社会经济运行系统,这不同于以非法、无序、暂时性、社会职能缺失为基本特征的贫民窟,因而不能够采取类似于处理贫民窟的改造模式.城市政府主导的'城中村'改造的目的应当是不谋'城中村'的区位利益,只为身为弱势群体的低收入流动人口的居住质量谋福利.在此基础上,'自我原位塑造',即'在原有区位上由村民或村集体改造自身(但以留存乃至扩大出租屋经济为前提)'是目前的可行性模式. 分析了'城中村'的浅层涵义及其本质,认为'城中村'已经演化为'为城市流动人口提供廉租房的低收入社区',仅考虑村民的改造措施是不妥当的.通过'城中村'和贫民窟的比较研究发现,'城中村'是有序的、自组织的'类单位制'的社会经济运行系统,这不同于以非法、无序、暂时性、社会职能缺失为基本特征的贫民窟,因而不能够采取类似于处理贫民窟的改造模式.城市政府主导的'城中村'改造的目的应当是不谋'城中村'的区位利益,只为身为弱势群体的低收入流动人口的居住质量谋福利.在此基础上,'自我原位塑造',即'在原有区位上由村民或村集体改造自身(但以留存乃至扩大出租屋经济为前提)'是目前的可行性模式. |
| [33] | . 引入Google Earth软件，讨论了一种快速、免费、便捷的研究城市人口密度的方法，该思路与方法在缺乏基础资料（如城市地形图、研究区域人口等数据）时能够作为一种有效的分析手段。文中通过获取各类地物信息，将土地利用、道路、建筑物等因素与人口密度建立起对应关系，绘制出研究区域的人口密度分布图，并对人口密度进行分析。此外，根据城市人口分布现状，提出人口引导控制区概念，为城市规划建设、环境保护等提供参考。 |
| [1] | . 改革开放30年来,我国流动人口规模不断增大,对我国的经济发展和社会进步起到了重要作用。但我们对流动人口的认识总体来讲是底数不清、情况不明,流动人口变化趋势研究更是罕见。本文通过深入挖掘1982年以来历次全国人口普查和1%人口抽样调查数据资料,总结得出了改革开放30年来我国流动人口变动的九大趋势:流动人口的普遍化、流动原因的经济化、流动时间的长期化、流入地分布的沿海集中化、年龄结构的成年化、性别构成的均衡化、女性人口流动的自主化、流动方式的家庭化和学业构成的"知识化"。 |
| [33] | 引入Google Earth软件，讨论了一种快速、免费、便捷的研究城市人口密度的方法，该思路与方法在缺乏基础资料（如城市地形图、研究区域人口等数据）时能够作为一种有效的分析手段。文中通过获取各类地物信息，将土地利用、道路、建筑物等因素与人口密度建立起对应关系，绘制出研究区域的人口密度分布图，并对人口密度进行分析。此外，根据城市人口分布现状，提出人口引导控制区概念，为城市规划建设、环境保护等提供参考。 |
