, 李小建The spatial differentiation and influencing factors of urban centers in China based on VIIRS night light
LUOQing, LIXiaojian通讯作者:
收稿日期:2018-06-14
修回日期:2018-11-15
网络出版日期:2019-01-20
版权声明:2019《地理研究》编辑部《地理研究》编辑部 所有
基金资助:
作者简介:
-->
展开
摘要
关键词：
Abstract
Keywords：
-->0
PDF (5353KB)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
城市多中心发展是推进以人为核心的新型城镇化的重要途径。中国城镇化进程中,许多城市中心城区出现了人口拥挤、交通堵塞、环境污染等问题。为缓解这些城市病问题,北京、上海、广州等大中城市相继提出多中心空间发展战略。国内外经验表明,规模较大的城市具有多中心发展趋势[1,2]。随着大中城市的较快发展,中国会出现更多的多中心城市。多中心发展符合新型城镇化“以人为本”的理念[3,4]以及十九大提出的“协调、共享”发展理念。为促进大中城市多中心发展,首要解决的问题是城市中心的精准识别。在此基础上,弄清城市多中心发展的分异特征及影响因素,对分析形成机制及相关决策具有重要参考。城市形态结构研究中,城市中心被定义为与周边地区相比有较高人口、就业和经济密度的集聚区。城市中心的识别主要有门槛法[5]、参数模型法[6]、非参数估计法[7]等。其中,门槛法是最为广泛采用的一种城市内部中心识别方法。相关****基于不同空间单元（如人口普查小区、交通小区等统计数据）,根据就业密度、就业人数、工作岗位集聚度、职住均衡比等指标设定阈值来识别城市中心[2,8,9]。这些研究对城市中心识别及城市结构的定量研究做出重要贡献,但主要基于统计数据或普查数据,识别的城市中心形状和范围受这些事先设定面积单元的边界所限制,难以对特定空间尺度上城市结构进行分析。尤其在中国城市内部人口、就业等统计数据缺乏且收集周期长的背景下,探索一种依据遥感等手段获取的数据对城市中心精准识别的方法具有重要意义。在这方面,有****尝试用手机信令[10]、公交刷卡记录[11]、电子地图POI[12]等数据对城市中心进行识别,但主要集中于北京、上海、广州等单个大城市,对不同城市间的横向比较研究还较为薄弱。
近年来,不同学科对城市多中心的发展机制进行诠释。城乡规划学侧重城市物质空间形态的研究与设计,强调通过实施多中心空间发展战略来解决城市发展过程中所产生的交通拥挤、环境污染、能源消耗等问题,提出“田园城市”“边缘城市”“新城”“卫星城”等概念理论假说[13];经济学尤其是以克鲁格曼、藤田昌久为代表的新经济地理学则以地租理论和集聚经济为核心,强调集聚力和分散力的平衡来揭示城市副中心的形成,试图找出城市空间结构演变的普遍规律和趋势[14];地理学则以土地利用类型和利用强度为基础,关注城市化引起的城市空间结构演变过程,提出扇形模式、多核心模式等城市空间结构[2]。总体来看,相关研究多侧重于案例剖析和定性研究,对城市多中心发展影响因素的定量研究较为薄弱。
夜间灯光数据作为城市社会经济活动强度的表征之一,可作为城市结构研究的重要数据源。已有****采用DMSP-OLS夜间灯光数据来描述城市空间模式[15]。随着更高分辨率的VIIRS夜间灯光数据的公布,有****尝试从更精细尺度上对城市内部结构进行研究。譬如,基于VIIRS夜间灯光数据对北京、上海、重庆等城市的城市中心进行识别[6,16]。虽然同等条件下城市夜间灯光也受建筑物类型、城区新旧等因素的影响,但夜间灯光在一定程度可反映城市中心状况。鉴于此,本文基于VIIRS夜间灯光数据,提出一种城市中心识别方法,并应用于所有设区的地级以上城市的中心识别。在此基础上,根据城市中心数、中心发展均衡度等方面测度中国城市中心的发展水平,刻画中国城市中心发展水平的分异特征及其影响因素,以期在以人为本的背景下为不同类型城市的多中心发展提供参考。
夜间灯光作为地球表面夜间表现的显性信息,可以表征区域人口、城镇化、工商业等发展状况。人类社会经济活动强度越大,夜间灯光的亮度就会越明显。相关研究已将夜间灯光数据用于人口[17]、GDP[18]、城市建筑密度[19]等社会经济指标的估算,并证实其具有一定的可靠性。然而,城市内部社会经济活动存在空间差异,并呈现一定的空间结构模式。城市中心作为城市内部社会经济活动高度密集的地方,通常有着高强度的公共和商业灯光。鉴于城市夜间灯光的集中度与社会经济活动集中度紧密相关,可以推断城市夜间灯光强的地方与城市中心的所在位置具有较高的一致性[16]。
城市多中心的发展受城市的自然地理、社会经济、交通设施、政策与制度等多种因素的影响（图1）。其中,自然地理条件是城市中心发展的物质基础;社会经济差异是促进城市中心形成的主要驱动力;交通设施是城市中心形成的润滑剂,可以加速或暂缓城市中心的形成;政策与制度因素对城市中心形成也具有助推作用。
显示原图|下载原图ZIP|生成PPT图1城市多中心发展的影响机理
-->Fig. 1The impact mechanism of urban polycentric development
-->
地形、水系等自然地理条件会影响城市扩张方向与城市中心的空间布局。河流为城市提供丰富的淡水资源、便利的航运[20]。然而,随着城市的扩张,高等级河流、临近海洋会阻碍城市的空间扩张、分割城市功能区和阻碍城市内部功能区的联系。地面坡度、可利用城市建设用地的数量和分布等地形条件对城市中心的选择、功能分区等方面产生影响[21]。
社会经济发展的差异有助于解释城市中心的形成[22]。教育、医疗、就业等服务的集中和收入的差异使得人们持续不断向城市中心聚集。新经济地理学理论认为,随着城市规模的扩大,集聚不经济会促使部分经济活动、人口分散到外围,在一定距离形成次级中心的可能性也增加。随着主城区集聚规模的不断扩大,集聚效应不断下降,城市空间布局将由单峰集聚发展成多峰集聚[14]。实证研究表明,多中心结构城市有助于提高劳动生产率、降低单位产出能耗[23]。
交通设施的状况直接影响城市居民活动的空间范围,交通方式的组合则可以引导城市空间结构的调整。不同规模城市对公共交通有着不同的需求。随着城市空间扩大,以公共汽车为核心的公共交通体系不能满足大容量运输需求,轻轨、地铁等轨道交通的引入会改变原有城市的空间结构和土地利用格局[24]。一方面,相比公交、小轿车等交通运输方式,轨道交通具有快捷、安全和大容量等特征,能增加人口流动性和及时疏解大量密集人群;另一方面,轨道交通可以大大提高沿线区域的可达性,吸引城市居民到这些区域（尤其是交通节点附近）居住和就业,从而推动城市结构的改变。
政策与制度因素可以影响城市形态发展的方向和城市中心形成的速度。自从改革开放以来,权力下放使得城市政府有能力影响已有城市的发展趋势或主导新建城市形态结构。一方面,城市政府可以通过制定城市规划,限定城市土地利用的类型和结构,进而对城市空间结构产生影响[25];另一方面,城市政府具有很强的资源配置能力,能采用市场手段来协调城市土地供应,引导企业和居民向特定区位聚集,从而为多中心城市发展留下足够的空间。此外,政府可以通过基础设施、教育医疗等公共服务设施的布局来影响城市居民的居住和就业行为。
2 研究方法与数据来源
2.1 数据来源
夜间灯光数据可用于描述城市人口密集区的结构特征和构建新的观测统计单元。本文所用VIIRS夜间灯光数据来源于美国地球观察组织所提供的2015年年合成数据,数据分辨率为500 m左右,已经剔除临时灯光、异常值等;市辖区属性数据来源于相应年份的中国城市统计年鉴和中国城市建设统计年鉴;90 m DEM数据来自地理空间数据云;行政区划边界、水系等基础地理信息数据来源于国家测绘局地理信息服务中心。2.2 城市中心的识别方法
本文所指的城市中心是城市内部具有一定规模的社会经济活动集聚区域,包括商业中心、行政中心等各种职能中心和综合中心。与OLS夜间灯光数据相比,VIIRS夜间灯光数据不存在饱和效应,像元间灰度值具有较大差异,通过设定阈值可以对城市中心进行识别。城市中心的具体识别方法包括以下三个步骤：第一步,采用相对最大临界值法识别潜在中心位置,即以中国城市统计年鉴所提供的城市建成区数据为参考,提取相应面积的灰度值较大像元作为城市建成区。在此基础上,再提取出每个城市建成区灰度值最大的10%像元作为潜在中心位置和范围。经过对城市的敏感性分析,提取出每个城市建成区灰度值最大的10%像元来识别城市中心时,城市中心数基本保持稳定,图2仅列出部分代表性城市。第二步,考虑到相互邻近的高灰度像元必须形成一定的集聚规模,参照《城市公共设施规划规范GB50442-2008》所设定的金融商业中心及其他公共设施用地标准,在反复测试以及与实际情况对比后,根据边相邻的原则把4个以上高灰度像元的集聚（大于1 km2）识别为城市中心。第三步,当所识别的两个城市中心边缘距离小于1 km时,将两个中心看做一个城市中心。因为大型绿地、水体等会给城市中心造成一定的分割,而城市居民日常出行15分钟的步行距离约1 km[26]。
显示原图|下载原图ZIP|生成PPT图2城市中心提取的敏感性分析
-->Fig. 2The sensitivity analysis of urban center extraction
-->
2.3 城市多中心发展水平的测度
城市多中心水平可以从城市中心数和中心均衡度两个方面进行测度。城市中心数是表征城市社会经济活动离散程度的一个重要方面。城市中心越多,越有利于减少城市居民社会经济活动的通勤距离,有助于人居环境的改善。城市中心的均衡度表征城市经济活动从市中心向外分散程度,是衡量城市多中心发展水平的一个重要指标,本文采用中心均衡度指数来衡量城市中心均衡发展程度[27]。中心均衡度指数公式如下：式中：EI是中心均衡度指数,取值范围是0到1之间（0表示单中心,1表示绝对均衡的多中心）,该指数值越大,表明城市各中心间发展越均衡;σobs代表某城市内部中心重要性的标准差;σmax表示双中心城市内部中心重要性的标准差,即一个中心不重要,另一个中心重要性最大。本文以城市内部每个中心面积来表征其重要性。
2.4 模型的构建和变量选择
采用多元线性回归模型定量分析各类因素对城市中心发展的影响。根据前面的理论分析,以城市中心数和中心均衡度指数为因变量,以自然地理因素、公共交通设施、规模因素、经济因素和政府干预五大类因素作为自变量（表1）。其中,河流分割市区数、市区是否临海和坡度小于6o面积占市区面积比例用于描述市区的河流、临海状况以及地形状况;公共汽车数和地铁站数量用于表征区域交通条件;市区常住人口和城市等级表征城市的人口规模和发展潜力;市区生产总值和第三产业占生产总值比例表征市区的经济总量和经济结构;固定资产投资和建成区形态指数表征政府干预程度,建成区形态指数表征城市规划和城市的发展方向。Tab. 1
表1
表1各变量的描述性统计
Tab. 1The descriptive statistics of variables
| 变量 | 样本数 | 平均值 | 标准差 | 最小值 | 最大值 | |
|---|---|---|---|---|---|---|
| 被解释变量 | 城市中心数（个） | 286 | 2.95 | 3.25 | 0.00 | 22.00 |
| 中心均衡度指数 | 278 | 0.40 | 0.34 | 0.00 | 0.97 | |
| 解释变量 | ||||||
| 自然地理因素 | 河流分割市区数（块） | 286 | 0.93 | 1.37 | 0.00 | 8.00 |
| 市区是否临海（是=1,否=0） | 286 | 0.18 | 0.38 | 0.00 | 1.00 | |
| 6度以下面积占市区面积比例（%） | 286 | 76.64 | 23.81 | 9.45 | 100.00 | |
| 公共交通设施 | 公共汽车数（万辆） | 286 | 0.16 | 0.33 | 0.00 | 3.17 |
| 地铁站数（个） | 286 | 7.82 | 36.81 | 0.00 | 375.00 | |
| 规模因素 | 市区常住人口数（万人） | 286 | 153.93 | 201.59 | 15.32 | 2126.65 |
| 城市等级（Ⅱ型小城市=1,Ⅱ型小城市=2,依次类推,超大城市=7） | 286 | 2.97 | 1.24 | 1.00 | 7.00 | |
| 经济因素 | 市区生产总值（亿元） | 286 | 1464.63 | 3032.99 | 30.17 | 24838.37 |
| 第三产业占生产总值比例（%） | 286 | 46.71 | 10.94 | 22.36 | 79.65 | |
| 政府干预 | 固定资产投资（亿元） | 285 | 960.84 | 1518.85 | 52.40 | 13048.00 |
| 建成区形状指数 | 286 | 3.32 | 1.46 | 0.88 | 11.98 |
新窗口打开
3 结果分析
3.1 城市中心的识别
本文将具有2个及以上中心的城市称为多中心城市,根据前面提出的识别方法识别出多中心城市181个,其中东部、中部、西部和东北地区分别为78个、45个、41个和17个。通过选取不同规模等级和不同地域代表性城市,将其所识别出来的城市中心分别与政府城市总体规划的中心进行对比,发现所识别的城市中心与城市规划的中心具有很大的一致性（图3）。具体而言,对于北京、上海、广州等超大城市,本文所识别的中心数略微多于相应城市总体规划所重点建设的中心数,这主要由于超大城市的中心具有较强的等级性,而本文所界定的中心识别面积为1 km2,将相对较小的中心识别出来有关。
显示原图|下载原图ZIP|生成PPT图3夜间灯光识别中心与城市规划中心对比
-->Fig. 3Comparison between night light identification center with city planning center
-->
3.2 中国城市中心的特征分析
3.2.1 城市中心数的特征分析 从地区层面看,城市中心数表现为“东多西少”的空间格局（图4a）。从表2可知,城市中心数表现为：东部>东北>中部>西部,东部远远高于中部、西部和东北。具体而言,东部、中部、西部和东北地区城市平均中心数4.14个,2.38个、2.24个和2.26个。除超大型城市是东部地区最少外,其他类型城市中心数最多的地区均为东部地区;除Ⅰ型大城市中心数是西部地区最少外,其他类型城市中心数最少的地区均为东北地区。相同类型城市中心数地区间差异有所不同,超大型城市中心数地区间差异最大,Ⅰ型小城市中心数地区间差异最小。具体而言,超大型城市、Ⅰ型大城市、Ⅱ型大城市、中型城市、Ⅰ型小城市和Ⅱ型小城市中心数的地区差异分别为3个、1.17个、1.13个、1.15个、0.34个和1.00个。
显示原图|下载原图ZIP|生成PPT图4中国城市中心数和均衡度指数的空间分布图
-->Fig. 4The spatial distribution of central number and equilibrium index of China's cities
-->
Tab. 2
表2
表2东、中、西和东北地区城市中心发展指标统计
Tab. 2Central index statistics in eastern, central, western and northeastern China
| 地区 | 东部 | 中部 | 西部 | 东北 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 规模等级 | 中心数（个） | 均衡度指数 | 中心数（个） | 均衡度指数 | 中心数（个） | 均衡度指数 | 中心数（个） | 均衡度指数 | ||||
| 超大城市 | 18 | 0.86 | — | — | 21 | 0.85 | — | — | ||||
| 特大城市 | 17.33 | 0.86 | — | — | — | — | — | — | ||||
| Ⅰ型大城市 | 8.50 | 0.75 | 8.25 | 0.68 | 7.33 | 0.76 | 8.00 | 0.71 | ||||
| Ⅱ型大城市 | 4.88 | 0.67 | 4.00 | 0.56 | 4.27 | 0.62 | 3.75 | 0.61 | ||||
| 中型城市 | 2.76 | 0.53 | 2.00 | 0.39 | 2.00 | 0.36 | 1.62 | 0.26 | ||||
| Ⅰ型小城市 | 1.71 | 0.30 | 1.56 | 0.24 | 1.41 | 0.19 | 1.38 | 0.18 | ||||
| Ⅱ型小城市 | 1.00 | 0 | — | — | 0.75 | 0 | 0 | 0 | ||||
| 合计 | 4.14 | 0.53 | 2.38 | 0.35 | 2.24 | 0.28 | 2.63 | 0.34 | ||||
新窗口打开
从城市规模等级看,城市中心数呈现“S”型等级递增特征（图5）。随着城市规模等级的增加,城市中心数也增加,但从Ⅰ型小城市到Ⅱ型大城市,城市中心数增加相对比较平稳缓慢,总共增加3.77个;从Ⅱ型大城市到特大城市急剧增加,即Ⅱ型大城市到Ⅰ型大城市和Ⅰ型大城市到特大城市,中心数分别增加了3.50个和9.33个;从特大城市到超大城市,城市中心数增加较为平缓,仅仅增加1.42个。同一地区内部,城市中心数随城市规模等级递增,但不同地区递增幅度有所差异。譬如,从Ⅱ型大城市到Ⅰ型大城市,城市中心数增加幅度表现为：东北（4.25个）>中部（4.24个）>东部（3.62个）>西部（3.06个）;从中型城市到Ⅱ型大城市,城市中心数增加幅度表现为：东北（2.13个）>东部（2.12个）>中部（2.00个）>西部（0.59个）;从Ⅱ型小城市到Ⅰ型小城市,城市中心数增加幅度表现为：东部（1.05个）>西部（0.59个）>中部（0.44个）>东北（0.24个）。
显示原图|下载原图ZIP|生成PPT图5城市规模等级与城市中心数、均衡度指数关系
-->Fig. 5Relationship between urban scale and urban center number and equilibrium index
-->
3.2.2 城市中心发展的均衡度分析 地区层面上,城市中心发展的均衡度呈现“东高西低”的空间格局（图4b、表2）。均衡度指数呈现东部>中部>东北>西部,东部地区远高于中部、西部和东北。具体而言,东部、中部、西部和东北地区城市平均均衡度指数0.53、0.35、0.28和0.34。地区内部来看,东部、中部、西部和东北地区城市均衡度指数的标准差分别为0.22、0.18、0.20、0.16,变异系数分别为0.34、0.31、0.34、0.27,表明地区内城市均衡度指数差异较小,各个城市内部中心发展较为均衡。相同类型城市均衡度指数地区间差异有所不同,随着城市规模呈现倒“U”型变化。超大型城市和Ⅱ型小城市均衡度指数地区间差异最小,中型城市均衡度指数地区间差异最大。具体而言,超大型城市、Ⅰ型大城市、Ⅱ型大城市、中型城市、Ⅰ型小城市和Ⅱ型小城市均衡度指数的地区差异分别为0.01、0.08、0.11、0.28、0.12和0.00。
从城市规模等级看,城市中心发展的均衡度呈现等级递增特征,表明随着城市等级的提高,城市内各中心之间发展更加均衡。从图5可以看出,从Ⅱ型小城市到Ⅰ型大城市,随着城市规模等级的增加,均衡度指数呈现直线增加;从Ⅱ型大城市到特大城市增加较为缓慢,即Ⅱ型大城市到Ⅰ型大城市和Ⅰ型大城市到特大城市,均衡度指数分别增加了0.08和0.14;从特大城市到超大城市,均衡度指数保持不变。同一地区内部,均衡度指数随城市规模等级递增,但不同地区递增幅度有所差异。从Ⅱ型大城市到Ⅰ型大城市,均衡度指数增加幅度表现为：西部（0.14）>中部（0.12）>东北（0.10）>东部（0.08）;从中型城市到Ⅱ型大城市,均衡度指数增加幅度表现为：东北（0.35）>西部（0.26）>中部（0.17）>东部（0.14）;从Ⅱ型小城市到Ⅰ型小城市,均衡度指数增加幅度表现为：东部（0.23）>西部（0.17）>中部（0.15）>东北（0.08）。
3.3 中国城市中心发展的影响因素分析
考虑到城市中心数和中心发展的均衡度指数是衡量城市中心发展的关键测度指标。这里,从自然地理、交通设施、经济特征、规模因素和政府干预等五个方面分析对城市中心数和均衡度指数的影响。表3为6个多元线性回归分析方程及其结果。Tab. 3
表3
表3城市中心发展的影响因素分析
Tab. 3Analysis of factors influencing on the development of urban center
| CN | EI | ||||||
|---|---|---|---|---|---|---|---|
| 自变量 | 模型1 | 模型2 | 模型3 | 模型4 | 模型5 | 模型6 | |
| 是否邻近河流 | 0.706*** | -0.035 | 0.057*** | 0.006 | |||
| (0.131) | (0.052) | (0.014) | (0.008) | ||||
| 是否临海 | 1.869*** | -0.020 | 0.149*** | 0.027 | |||
| (0.466) | (0.184) | (0.050) | (0.028) | ||||
| 市区平地比重 | 0.017** | 0.001 | 0.002*** | 0.001 | |||
| (0.008) | (0.003) | (0.001) | (0.000) | ||||
| 公共交通车辆数 | 0.443 | 0.419 | 0.083 | 0.086 | |||
| (0.395) | (0.399) | (0.060) | (0.060) | ||||
| 地铁站数 | -0.013** | -0.013*** | -0.002** | -0.001** | |||
| (0.005) | (0.005) | (0.001) | (0.001) | ||||
| 市辖区人口数 | 0.172** | 0.170* | -0.006 | -0.004 | |||
| (0.087) | (0.088) | (0.013) | (0.013) | ||||
| 城市等级 | 0.266*** | 0.266*** | 0.113*** | 0.112*** | |||
| (0.030) | (0.031) | (0.005) | (0.005) | ||||
| 市辖区GRP | 0.073*** | 0.074*** | 0.004*** | 0.004** | |||
| (0.010) | (0.010) | (0.001) | (0.002) | ||||
| 第三产业比例 | 0.017*** | 0.017*** | 0.002** | 0.003*** | |||
| (0.006) | (0.006) | (0.001) | (0.001) | ||||
| 固定资产投资 | 0.045*** | 0.046*** | 0.004** | 0.004** | |||
| (0.012) | (0.013) | (0.002) | (0.002) | ||||
| 建成区形状 | 0.062 | 0.061 | 0.005 | 0.003 | |||
| (0.075) | (0.078) | (0.012) | (0.012) | ||||
| Constant | 0.630 | -0.525 | -0.545 | 0.126* | -0.138** | -0.187*** | |
| (0.630) | (0.372) | (0.464) | (0.070) | (0.058) | (0.071) | ||
| Observations | 286 | 285 | 285 | 278 | 277 | 277 | |
| R-squared | 0.151 | 0.892 | 0.892 | 0.113 | 0.769 | 0.771 | |
新窗口打开
自然地理因素对城市中心发展的影响。模型1和模型4结果显示,河流分割、临近海洋、坡度小于6度的平地比重对城市中心数和均衡度指数具有显著的正向影响,表明河流分割越严重、地形起伏度越大和可利用土地越多,越有利于城市副中心的发展和城市各中心的均衡发展。譬如,重庆市既是山城也是江城,有21个城市中心,其城市发展受山脉阻挡和江河分隔的影响,城市发展过程中一直保持“多中心、多组团”格局,促进了各级城市中心的发育;广州市成为有22个中心的多中心城市,也与城市内受山体和河流的分割密切有关;深圳市行政区划的长条形,加上山体和大海的影响,某种程度上也促使其多中心、多组团的城市形态形成。
交通设施因素对城市中心发展的影响。模型2的结果表明,在5%显著水平上地铁站数对城市中心数有着显著的负向影响,表明地铁建设对城市副中心的形成具有重要抑制作用。这是由于中国许多大城市的发展过程中,地铁建设降低了人们到各个中心尤其是主要中心的通勤成本,加剧了人口和社会经济活动向现有中心的集聚。模型5的结果也显示,在1%显著水平上地铁站数会对均衡度指数有显著的负面影响,这表明地铁建设加剧了城市中心间的不均衡发展。公交车数与城市中心数、均衡度指数呈现正向相关,即有利于城市各中心更为均衡的发展。在10%显著水平上,公交车数对城市中心数和均衡度指数影响并不显著。这有可能是在城市中心发展的不同阶段,不同交通设施对其作用有所差异。城市中心发展的初始阶段,公共汽车对城市中心的发展起着重要作用。随着多中心发展进入成熟阶段,轨道交通对城市中心发展的作用上升,而公共汽车的作用基本保持稳定。
城市经济特征对城市中心发展的影响。在1%显著水平上地区生产总值和第三产业比重对城市中心数和均衡度指数均具有显著的正向影响,这与预期一致。这表明,城市经济总量和经济结构是城市多中心发展的重要经济推动力量。在城市中心发展过程中,城市经济总量增长的同时,引导产业结构的升级和产业向城市外围的迁移,有助于城市新中心形成以及主中心与副中心间的均衡发展。
城市规模对城市中心发展的影响。模型2和模型5显示,在1%显著水平上城市规模等级对城市中心数和均衡度指数有显著的正向影响,这表明城市规模等级越高,城市中心数越多和城市中心间均衡程度越高,与预期一致。市辖区常住人口数对城市中心数和均衡度指数有着正向影响,这也与预期一致,但在10%显著水平上对城市中心数和均衡度指数的影响不显著。
政府干预对城市中心发展的影响。在1%和5%显著水平上固定资产投资对城市中心数和均衡度指数分别有着正向影响。这意味着,政府固定资产投资越多,城市中心数将越多,并且城市中心间不均衡程度越低。这表明城市建设投资是城市多中心发展的重要经济推动力量。在城市多中心发展过程中,政府可以通过基础设施建设和公共服务等供给,引导社会经济活动的分散和各中心的相对均衡发展。城市建成区形状作为城市规划和城市政府空间发展的结果。模型2和模型5显示,城市形状指数对城市中心数和均衡度指数具有正向影响,但在10%水平上影响不显著。
4 结论与讨论
夜间灯光是城市社会经济活动的客观反映。VIIRS夜间灯光数据具有空间分辨率高、无数据饱和等优点。文章以VIIRS夜间灯光数据为基础,对中国286个地级以上城市的城市中心进行识别。在此基础上,从城市中心数和中心发展均衡度两个方面分析中国城市中心发展的空间分异特征,并对其影响因素进行分析。主要研究结论如下：（1）基于VIIRS夜间灯光数据设计出的城市中心识别方法,对中国286个地级以上城市中心进行识别,共识别出181个多中心城市,识别结果与城市规划中心的分布具有很大程度的一致性,识别结果也具有一定的稳定性。
（2）对城市中心数的空间分析表明,中国城市中心数存在“东多西少”的空间格局,但不同类型城市数量地区间差异表现为,超大型城市最大,Ⅰ型小城市最小,其他类型差别不大;城市中心数分布随城市规模等级呈“S”型递增特征。对城市中心的均衡性分析表明,均衡度指数呈现“东高西低”的空间分布特征,但相同类型城市的均衡度指数地区间差异有所不同,随着城市规模呈现倒“U”型变化;均衡度指数分布随城市规模等级提升稳定增加,达到特大城市基本保持稳定。
（3）城市中心发展的影响因素分析表明,河流对城市市区的分割、城市是否临海以及平地比重等自然地理因素对城市中心发展具有影响,但是相比较社会经济因素,这种影响很小。社会经济因素方面,轨道交通站点数、市辖区人口数、城市规模等级、地区生产总值、第三产业占地区生产总值比例、固定资产投资对城市中心发展具有显著影响。
与现有基于统计数据的研究方法相比,本文克服了根据行政单元统计数据进行城市中心识别的局限性,以栅格为单元进行分析,可以从更为精细尺度上刻画人类活动。然而,文章也存在以下局限。首先,仅基于夜间灯光强度对城市中心进行识别,而基于人口和就业数据进行识别有可能得到不一样的结论。未来的研究应将夜间灯光数据与高分辨率遥感影像数据、电子地图POI数据等结合,对城市中心进行识别。其次,本文仅集中于多中心城市发展的形态维度,对城市中心功能识别和城市中心间的功能联系考虑不足。在大数据时代,随着手机信令数据、电子地图POI数据、出租车轨迹数据等数据可获得性增加,未来的研究通过对关系和功能的多中心性进行分析,可为多中心城市发展研究提供一个全面的图景。第三,随着时间序列数据的积累,开展纵向研究有助于理清城市形态与社会经济发展、城市规划等之间的关系,进而证实或拒绝现有研究所提出的某些假设,丰富多中心城市发展理论。
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] | . We review and test Fujita and Ogawa's [Regional Science and Urban Economic 12 (1982) 161 196] model of urban spatial structure. The central theoretical prediction is that the number of employment subcenters rises with population and commuting costs. Simple Poisson regressions for a sample of 62 large American urban areas provide strong support for the theory, and these two variables alone account for nearly 80% of the variation in the number of subcenters. The results imply that an urban area with low congestion develops its first subcenter when its population reaches 2.68 million and its second subcenter at a population of 6.74 million. |
| [2] | |
| [3] | . "国家新型城镇化规划(2014-2020)"标志着中国城镇化发展的重大转型,核心是强调了人的城镇化,总体要求是"稳中求进"。本文着重从发展速度和发展质量方面阐述了对这个规划产生背景的初步认识。城镇化发展水平应当与城镇产业结构转型和新增就业岗位、城镇实际吸纳农村人口的能力、以及水土资源和环境承载力等保持一致。中国大规模高速发展的城镇化,付出的环境污染代价巨大,基础设施不堪重负,自然资源的支撑力面临严重的困难。城镇化是具有明显交叉学科特性的重要前沿科学问题,是一个复杂系统。人文经济地理学的跨学科性质在城镇化研究领域具有突出优势和较为扎实的研究基础,面向国家新型城镇化的重大现实需求,还非常需要对这一重大领域进行深入的跟踪和研究。 . "国家新型城镇化规划(2014-2020)"标志着中国城镇化发展的重大转型,核心是强调了人的城镇化,总体要求是"稳中求进"。本文着重从发展速度和发展质量方面阐述了对这个规划产生背景的初步认识。城镇化发展水平应当与城镇产业结构转型和新增就业岗位、城镇实际吸纳农村人口的能力、以及水土资源和环境承载力等保持一致。中国大规模高速发展的城镇化,付出的环境污染代价巨大,基础设施不堪重负,自然资源的支撑力面临严重的困难。城镇化是具有明显交叉学科特性的重要前沿科学问题,是一个复杂系统。人文经济地理学的跨学科性质在城镇化研究领域具有突出优势和较为扎实的研究基础,面向国家新型城镇化的重大现实需求,还非常需要对这一重大领域进行深入的跟踪和研究。 |
| [4] | . 2014年国家印发了"新型城镇化规划",标志着中国城市化进入由"数量增长型"向"质量提升型"的转型期,并将新型城市化作为国家未来相当长时期的重要工作内容,为城市化领域研究提供了重大机遇。国际上,城市化的基础理论和内容体系已基本形成并不断丰富,研究阶段持续深化,领域持续扩展,研究方法手段持续改善和进步。国内城市化研究起步晚、进展快,在中国特色城市化合理进程的科学认知与思辨等诸多议题上取得了显著成果。展望未来,提出了城市化领域的5个科学问题及其子问题:城市化的跨学科特性与成立城市化学科,城市化概念、原理、方法等基础理论体系的构建,城市化的区域特性以及与城乡统筹的相互关系,可持续城市化的发展模式与空间格局研究,大数据支持下城市化和智慧城市的系统集成与模拟平台研究。 . 2014年国家印发了"新型城镇化规划",标志着中国城市化进入由"数量增长型"向"质量提升型"的转型期,并将新型城市化作为国家未来相当长时期的重要工作内容,为城市化领域研究提供了重大机遇。国际上,城市化的基础理论和内容体系已基本形成并不断丰富,研究阶段持续深化,领域持续扩展,研究方法手段持续改善和进步。国内城市化研究起步晚、进展快,在中国特色城市化合理进程的科学认知与思辨等诸多议题上取得了显著成果。展望未来,提出了城市化领域的5个科学问题及其子问题:城市化的跨学科特性与成立城市化学科,城市化概念、原理、方法等基础理论体系的构建,城市化的区域特性以及与城乡统筹的相互关系,可持续城市化的发展模式与空间格局研究,大数据支持下城市化和智慧城市的系统集成与模拟平台研究。 |
| [5] | . |
| [6] | . Identifying the structure of a polycentric city is vital to various studies, such as urban sprawl and population movement dynamics. This paper presents an efficient and reliable method that uses multi-source geospatial big data, including nighttime light imagery and social media check-in maps, to locate the main center and subcenters of a polycentric city. Unlike traditional methods that rely on statistical data categorized by administrative units, the proposed method can effectively identify the boundaries of urban centers, and the data source guarantees a timely monitoring and update. Four main procedures are involved: 1) a new observation unit is developed using object-oriented segmentation; 2) main centers are located using cluster analysis (Local Moran's I); 3) subcenter candidates are selected using significant positive residuals from geographically weighted regression (GWR); and 4) final centers are filtered using global natural breaks classification (NBC). These steps can be reproduced in different regions. To evaluate the effectiveness, the method was applied to three rapidly developing Chinese cities: Beijing, Shanghai, and Chongqing with different natural and economic characteristics. The performance of the proposed method has been carefully evaluated with qualitative and quantitative analyses. Comparative experiments were also conducted across different datasets to prove the benefits of combining a social media check-in map with remotely sensed imagery in a human environment study. |
| [7] | . While it is well recognized that US metropolitan areas are polycentric, there is little consensus as to the appropriate method for identifying concentrations of employment within them. Existing methods suffer from strong assumptions about parametric form, misspecification, or reliance on local knowledge to calibrate model parameters. This paper introduces a new nonparametric method for identifying subcenters. Results indicate that this, more flexible, nonparametric approach yields greater accuracy with regard to both urban and suburban centers compared with other approaches. This approach should provide better data for the numerous topics that depend on the spatial accounting of employment within metropolitan areas. |
| [8] | . We investigate employment subcenters in the Los Angeles region using 1980 Census journey-to-work data. A simple subcenter definition is used, based solely on gross employment density and total employment. We find a surprising dominance of downtown Los Angeles and three large subcenters with which it forms a nearly contiguous corridor. Two-thirds of the region's employment, however, is outside any of the 32 centers we identify. Most centers have high population densities in and near them, and their workers' commutes are just 2.4 miles longer than other workers' commutes. A cluster analysis of employment by industry reveals several distinct types of centers, and a wide dispersion of sizes and locations within each type. |
| [9] | . Fern ndez-Maldonado A. M., Romein A., Verkoren O. and Parente Paula Pessoa R. Polycentric structures in Latin American metropolitan areas: identifying employment sub-centres, Regional Studies. The significant spatial transformations that have occurred within Latin American metropolitan areas since the 1990s have triggered many local studies claiming the formation of polycentric structures. This study explores the extent of that process, identifying sub-centres of employment using the double threshold methodology of job concentration and employment density in Mexico City (Mexico), Lima (Peru) and Fortaleza (Brazil). The results, although partial due to an absence of data on informal employment, indicate that Latin American metropolises are moving towards polycentric structures. But the identified employment sub-centres are mostly located in or near the metropolitan core, which practically excludes the formation of polycentric nodes in the metropolitan periphery. |
| [10] | . 利用手机信令数据识别上海市域内手机用户的工作地和居住地,获取就业者的通勤数据,测度上海中心城的就业中心体系.首先用就业者工作地数据生成就业密度分布图,基于中心城的就业密度识别就业中心.随后,用就业者工作地和居住地数据分别从就业密度和通勤联系两方面测度各中心的能级、分析各中心的腹地和势力范围.研究发现:①上海中心城的就业中心呈主中心强大的弱多中心体系;②就业密度越高的中心与其他地区的通勤联系一般也越强,但通勤联系在各中心间的差异更显著;③能级越高的中心腹地面积越大,但势力范围不一定越大;④相比于能级,职住功能混合度对职住平衡的影响更大;⑤缺少就业中心的地区势力范围呈交替状.本研究一定程度上能有助于解决既往就业中心体系研究因空间单元较大、缺少通勤数据在中心识别、通勤联系测度等方面受到的局限,希望能为构建上海中心城就业多中心体系提供帮助. . 利用手机信令数据识别上海市域内手机用户的工作地和居住地,获取就业者的通勤数据,测度上海中心城的就业中心体系.首先用就业者工作地数据生成就业密度分布图,基于中心城的就业密度识别就业中心.随后,用就业者工作地和居住地数据分别从就业密度和通勤联系两方面测度各中心的能级、分析各中心的腹地和势力范围.研究发现:①上海中心城的就业中心呈主中心强大的弱多中心体系;②就业密度越高的中心与其他地区的通勤联系一般也越强,但通勤联系在各中心间的差异更显著;③能级越高的中心腹地面积越大,但势力范围不一定越大;④相比于能级,职住功能混合度对职住平衡的影响更大;⑤缺少就业中心的地区势力范围呈交替状.本研究一定程度上能有助于解决既往就业中心体系研究因空间单元较大、缺少通勤数据在中心识别、通勤联系测度等方面受到的局限,希望能为构建上海中心城就业多中心体系提供帮助. |
| [11] | . 基于位置服务(Location Based Service,LBS)技术为研究城市系统的时空动态规律提供了新的视角,已往多基于移动通讯(GSM)、全球定位系统(GPS)、社会化网络(SNS)和无线宽带热点(Wi-Fi)数据开展研究,但少有研究利用公交IC卡刷卡数据进行城市系统分析。普遍存在的LBS数据虽然具有丰富的时间和空间信息,但缺乏社会维度信息,使其应用范围受到一定限制。本文基于2008年北京市连续一周的公交IC卡(Smart Card Data,SCD)刷卡数据,结合2005年居民出行调查、地块级别的土地利用图,识别公交持卡人的居住地、就业地和通勤出行,并将识别结果在公交站点和交通分析小区(TAZ)尺度上汇总:①将识别的通勤出行分别从通勤时间和距离角度,与居民出行调查数据和其他已有北京相关研究进行对比,显示较好的吻合性;②对来自3大典型居住区和去往6大典型办公区的通勤出行进行可视化并对比分析;③对全市基于公交的通勤出行进行可视化,并识别主要交通流方向。本研究初步提出了从传统的居民出行调查和城市GIS数据建立规则,用于SCD数据挖掘的方法,具有较好的可靠性。 . 基于位置服务(Location Based Service,LBS)技术为研究城市系统的时空动态规律提供了新的视角,已往多基于移动通讯(GSM)、全球定位系统(GPS)、社会化网络(SNS)和无线宽带热点(Wi-Fi)数据开展研究,但少有研究利用公交IC卡刷卡数据进行城市系统分析。普遍存在的LBS数据虽然具有丰富的时间和空间信息,但缺乏社会维度信息,使其应用范围受到一定限制。本文基于2008年北京市连续一周的公交IC卡(Smart Card Data,SCD)刷卡数据,结合2005年居民出行调查、地块级别的土地利用图,识别公交持卡人的居住地、就业地和通勤出行,并将识别结果在公交站点和交通分析小区(TAZ)尺度上汇总:①将识别的通勤出行分别从通勤时间和距离角度,与居民出行调查数据和其他已有北京相关研究进行对比,显示较好的吻合性;②对来自3大典型居住区和去往6大典型办公区的通勤出行进行可视化并对比分析;③对全市基于公交的通勤出行进行可视化,并识别主要交通流方向。本研究初步提出了从传统的居民出行调查和城市GIS数据建立规则,用于SCD数据挖掘的方法,具有较好的可靠性。 |
| [12] | . 利用兴趣点数据和城市路网数据构建了一套基于街区尺度的城市商业区空间识别及类型划分的方法,即通过基本单元的划分、商业活动量的计算和街区的合并三个基本步骤完成城市商业区的空间识别,并通过K-means聚类和自然断裂点分类法对商业区进行功能类型的划分。以北京市六环内为例,共识别出1063个商业区,平均面积0.065 km2,并将其分为饮食文化型商业区、专营型商业区、购物中心型商业区、便利型商业区、综合型商业区五种功能类型。在此基础上,探讨了北京市六环内商业区空间格局的特征,发现高等级商业区呈向心型分布,中等级的商业区主要沿着离心、沿着城市主要交通干线集结分布,服务等级较低的商业区分布较为分散;同时,不同功能类型的商业区也有各自的空间分布特点。 . 利用兴趣点数据和城市路网数据构建了一套基于街区尺度的城市商业区空间识别及类型划分的方法,即通过基本单元的划分、商业活动量的计算和街区的合并三个基本步骤完成城市商业区的空间识别,并通过K-means聚类和自然断裂点分类法对商业区进行功能类型的划分。以北京市六环内为例,共识别出1063个商业区,平均面积0.065 km2,并将其分为饮食文化型商业区、专营型商业区、购物中心型商业区、便利型商业区、综合型商业区五种功能类型。在此基础上,探讨了北京市六环内商业区空间格局的特征,发现高等级商业区呈向心型分布,中等级的商业区主要沿着离心、沿着城市主要交通干线集结分布,服务等级较低的商业区分布较为分散;同时,不同功能类型的商业区也有各自的空间分布特点。 |
| [13] | . "多中心"是当前国内外大城市发展的一般特征和趋势。本研究通过对大量国内外多中心城市相关研究的分析,首先梳理了多中心城市研究的历史脉络,从理论推导和空间特征两个方面,总结提出了多中心城市的概念和内涵;其次,分别从空间形态特征、规模等级特征、功能体系特征、"互动流"特征、区域协同特征和空间演化的阶段性特征方面,详细解析了多中心城市在各表现维度上的特征;最后,提出了对于我国大城市空间发展的启示与借鉴,并针对当前大城市空间结构引导实践中的困惑,提出未来的研究展望。本研究旨在为新型城镇化过程中我国大城市空间可持续发展和科学引导提供基础依据。 . "多中心"是当前国内外大城市发展的一般特征和趋势。本研究通过对大量国内外多中心城市相关研究的分析,首先梳理了多中心城市研究的历史脉络,从理论推导和空间特征两个方面,总结提出了多中心城市的概念和内涵;其次,分别从空间形态特征、规模等级特征、功能体系特征、"互动流"特征、区域协同特征和空间演化的阶段性特征方面,详细解析了多中心城市在各表现维度上的特征;最后,提出了对于我国大城市空间发展的启示与借鉴,并针对当前大城市空间结构引导实践中的困惑,提出未来的研究展望。本研究旨在为新型城镇化过程中我国大城市空间可持续发展和科学引导提供基础依据。 |
| [14] | |
| [15] | . Satellite-derived nighttime light images are increasingly used for various studies in relation to demographic, socioeconomic and urbanization dynamics because of the salient relationships between anthropogenic lighting signals at night and statistical variables at multiple scales. Owing to a higher spatial resolution and fewer over-glow and saturation effects, the new generation of nighttime... [Show full abstract] |
| [16] | . Urban spatial structure affects many aspects of urban functions and has implications for accessibility, environmental sustainability, and public expenditures. During the urbanization process, a careful and efficient examination of the urban spatial structure is crucial. Different from the traditional approach that relies on population or employment census data, this research exploits the nighttime light (NTL) intensity of the earth surface recorded by satellite sensors. The NTL intensity is represented as a continuous mathematical surface of human activities, and the elemental features of urban structures are identified by analogy with earth's topography. We use a topographical metaphor of a mount to identify an urban center or subcenter and the surface slope to indicate an urban land-use intensity gradient. An urban center can be defined as a continuous area with higher concentration or density of employments and human activities. We successfully identified 33 urban centers, delimited their corresponding boundaries, and determined their spatial relations for Shanghai metropolitan area, by developing a localized contour tree method. In addition, several useful properties of the urban centers have been derived, such as 9% of Shanghai administrative area has become urban centers. We believe that this method is applicable to other metropolitan regions at different spatial scales. |
| [17] | . 精确掌握常住人口的数量和分布特征有助于明确社会发展情况、提高人口管理能力。目前人口数据主要以行政区为单元统计,难以表现城市内部的人口分布特征。然而,在城市中,受道路、公共服务设施、城市亮化灯光的影响,利用夜间灯光数据对人口回归,精度降低。如何提高城市常住人口回归结果的精度,值得深入研究。上海是中国的国家中心城市之一,在快速城镇化进程中上海面临巨大人口压力。因此,本文以上海市为研究区,以NPP-VIIRS（National Polar-orbiting Partnership Visible Infrared Imaging Radiometer Suite）夜间灯光数据、乡镇级常住人口统计数据为基础,提取商业和居住区的灯光数据来缓解交通、城市亮化区的影响,提高灯光累计值与常住人口数的相关性（相关系数从0.7032提高至0.8026）。然后,本文用空间回归模型对上海市2013年常住人口进行回归,相对误差为10.57%,并对回归结果进行分乡（镇、街道）修正。实验结果表明,使用空间回归模型对常住人口回归可以取得较高的精度,且格网化结果能够弥补传统统计数据空间分辨率低的缺点,更加详细地刻画常住人口的圈层特征与真实分布情况。 精确掌握常住人口的数量和分布特征有助于明确社会发展情况、提高人口管理能力。目前人口数据主要以行政区为单元统计,难以表现城市内部的人口分布特征。然而,在城市中,受道路、公共服务设施、城市亮化灯光的影响,利用夜间灯光数据对人口回归,精度降低。如何提高城市常住人口回归结果的精度,值得深入研究。上海是中国的国家中心城市之一,在快速城镇化进程中上海面临巨大人口压力。因此,本文以上海市为研究区,以NPP-VIIRS（National Polar-orbiting Partnership Visible Infrared Imaging Radiometer Suite）夜间灯光数据、乡镇级常住人口统计数据为基础,提取商业和居住区的灯光数据来缓解交通、城市亮化区的影响,提高灯光累计值与常住人口数的相关性（相关系数从0.7032提高至0.8026）。然后,本文用空间回归模型对上海市2013年常住人口进行回归,相对误差为10.57%,并对回归结果进行分乡（镇、街道）修正。实验结果表明,使用空间回归模型对常住人口回归可以取得较高的精度,且格网化结果能够弥补传统统计数据空间分辨率低的缺点,更加详细地刻画常住人口的圈层特征与真实分布情况。 |
| [18] | . <p>高精度地表GDP分布数据是开展小尺度区域发展相关研究的关键数据，但通常难以获得完整数据序列。文章比较了DMSP-OLS和NPP-VIRS两种夜间灯光数据在小尺度单元GDP估算工作上的适应性，证实NPP-VIIRS数据在镇级GDP估算中有更好的性能。利用修正后的NPP-VIIRS夜间灯光数据建立珠三角地区镇级GDP估算模型，并通过地区差异系数对估计结果进行校正。对2013年镇级GDP估算的实验结果总体精度达到85%。估算结果能够用于填补珠三角地区部分镇级GDP统计数据缺失，为相关研究获取、对比GDP数据提供技术手段。</p> . <p>高精度地表GDP分布数据是开展小尺度区域发展相关研究的关键数据，但通常难以获得完整数据序列。文章比较了DMSP-OLS和NPP-VIRS两种夜间灯光数据在小尺度单元GDP估算工作上的适应性，证实NPP-VIIRS数据在镇级GDP估算中有更好的性能。利用修正后的NPP-VIIRS夜间灯光数据建立珠三角地区镇级GDP估算模型，并通过地区差异系数对估计结果进行校正。对2013年镇级GDP估算的实验结果总体精度达到85%。估算结果能够用于填补珠三角地区部分镇级GDP统计数据缺失，为相关研究获取、对比GDP数据提供技术手段。</p> |
| [19] | . 城市建筑密度在研究城市内涝的过程中与城市不透水率分布情况紧密相连,它还是城市发展规划的一个重要指标。通过使用Suomi-NPP/VIIRS夜间灯光影像,结合GIS手段分析了2012年南京市主城区灯光图像强度值与建筑密度之间的关系,并建立了相应的建筑密度估算模型,结果表明VIIRS夜间灯光强度数据具有实现建筑密度估算以及其他社会经济数据空间网格化的巨大潜力。 . 城市建筑密度在研究城市内涝的过程中与城市不透水率分布情况紧密相连,它还是城市发展规划的一个重要指标。通过使用Suomi-NPP/VIIRS夜间灯光影像,结合GIS手段分析了2012年南京市主城区灯光图像强度值与建筑密度之间的关系,并建立了相应的建筑密度估算模型,结果表明VIIRS夜间灯光强度数据具有实现建筑密度估算以及其他社会经济数据空间网格化的巨大潜力。 |
| [20] | . Cities are the focal points of the world economy. This paper sheds new empirical light on their origins. Using a new dataset covering over 250,000 randomly selected potential city locations, and all actual cities during the period 800–1800, we disentangle the different roles of geography in shaping today’s European city system. We find that a location’sphysical geographycharacteristics are the dominant determinants of its urban chances. Preferential location for water- or land-based transportation is a particularly important city seed. In addition, a location’sposition relativeto already-existing cities matters for its urban chances. Interestingly, it does so in a way corresponding to predictions from economic geography theory. |
| [21] | . 通过Google Earth和借鉴前人的研究成果,对74个处于复杂地形条件下城市的规划图和文本进行分析,归纳出该类城市有以下四种空间布局形态:单中心外围组团式结 构、 (双)多中心组团式结构、"大分散、小集中"式布局结构和带状组团式结构.处于复杂地形条件的城市空间拓展呈现出以下情形:①由于受自然条件的限制,大都 采取跳跃式的空间拓展模式;②工业空间拓展和新城(区)规划建设成为该类城市空间拓展的主导模式,其它依次为居住空间、科教空间、行政空间等. . 通过Google Earth和借鉴前人的研究成果,对74个处于复杂地形条件下城市的规划图和文本进行分析,归纳出该类城市有以下四种空间布局形态:单中心外围组团式结 构、 (双)多中心组团式结构、"大分散、小集中"式布局结构和带状组团式结构.处于复杂地形条件的城市空间拓展呈现出以下情形:①由于受自然条件的限制,大都 采取跳跃式的空间拓展模式;②工业空间拓展和新城(区)规划建设成为该类城市空间拓展的主导模式,其它依次为居住空间、科教空间、行政空间等. |
| [22] | . Despite much insightful work on polycentric urban development in China, there is a lack of systematic comparison at the intra-city level. Therefore, this paper explores polycentric urban development in 318 cities of China using detailed gridded population data. Our analysis examines the spatial structure of urbanized area within individual cities and identifies population centers within cities that are at the prefectural level and above. Our empirical results suggest that over 90% of Chinese cities have four or fewer ‘centers’, and approximately 40% only have one ‘dominating’ center. Regression models reveal that higher degrees of polycentricity are associated with cities in fragmented landscapes. Conditioning on topographic characteristics and total land area, Gross Domestic Product (GDP) per capita is associated positively with high polycentricity in Eastern China. Furthermore, our analysis suggests that the development of multiple (sub)centers in a number of cities (e.g., Shanghai and Tianjin) is relatively consistent with their master plans. |
| [23] | . |
| [24] | . 大运量的城市轨道交通系统在一定程度上决定了城市的布局结构和土地利用格局。从时空两个维度出发,基于地价和开发强度两个要素,探讨轨道交通影响下的深圳市空间结构动态演变过程。通过描述性分析和空间计量模型实证发现,轨道交通站点周边地价和开发强度在受到距市中心或组团中心距离影响而空间衰减的同时,呈现出明显的站点导向性。轨道交通对城市空间结构的影响在时间上是超前的,规划方案的公示和轨道系统的建成运营均塑造了土地价格梯度和容积率梯度。并且,由于城市建设和历史原因,深圳原特区内外在轨道交通的影响下,地价和开发强度呈现了差异化的增长趋势。研究结果对理解轨道交通对城市空间结构影响及政府财政效应评估等具有积极意义。 . 大运量的城市轨道交通系统在一定程度上决定了城市的布局结构和土地利用格局。从时空两个维度出发,基于地价和开发强度两个要素,探讨轨道交通影响下的深圳市空间结构动态演变过程。通过描述性分析和空间计量模型实证发现,轨道交通站点周边地价和开发强度在受到距市中心或组团中心距离影响而空间衰减的同时,呈现出明显的站点导向性。轨道交通对城市空间结构的影响在时间上是超前的,规划方案的公示和轨道系统的建成运营均塑造了土地价格梯度和容积率梯度。并且,由于城市建设和历史原因,深圳原特区内外在轨道交通的影响下,地价和开发强度呈现了差异化的增长趋势。研究结果对理解轨道交通对城市空间结构影响及政府财政效应评估等具有积极意义。 |
| [25] | . In recent years, a critical understanding of human ature interactions has become central to studies exploring the dynamics of urban morphology and the sustainability of growing cities in the developing world. Accordingly, numerous scholars have employed the coupled human and natural systems (CHANS) framework as a tool for understanding how cities are evolving in times of profound global change. Focusing on the case of Kano, northern Nigeria's largest city, this paper explores the potential of the CHANS framework in the analysis and interpretation of the human鈥搉ature interface in cities of the global south. Drawing on the qualitative analysis of graphic information and classical and contemporary literature, the centuries-old spatial morphology of Kano is traced and analysed. In the process, the paper highlights how change in the roles of traditional institutions of urban land administration have triggered the degeneration of the city's resilient indigenous urban morphology. Field investigations and the analysis of a variety of 19th, 20th and, 21st century images reveal significant change in the city's traditional building materials, roofing styles, street forms, distribution of ponds, and green and open spaces. Population pressure on urban land has also been a major driving force behind the unfolding changes. One catastrophic outcome of these changes has been the exacerbation of recurrent floods. In drawing attention to wider lessons for urban planners in other developing country contexts, the paper stresses the need to analyse any notable spatial and non-spatial events in cities in relation to the changing dynamics of urban morphology. |
| [26] | . 定量评价城市步行性,优化日常生活设施布局,提高居民步行出行便利度,是缓解拥堵及污染问题、改善城市人居环境的一个重要途径。通过国外步行指数方法计算得到深圳市福田区步行指数,可用于评价福田区总体以及各街道的步行性水平,并根据日常设施在选取的样本点周围的分布现状,对福田区的日常生活设施配置合理性进行总体评估。结果表明,福田区总体具有较高的步行性。结合新浪微博签到数据,发现其与步行指数高度的空间分布一致性。福田区的日常设施总体分布合理,居民日常需求基本可以得到满足,但书店布局较不合理,需适当补充该类设施。 . 定量评价城市步行性,优化日常生活设施布局,提高居民步行出行便利度,是缓解拥堵及污染问题、改善城市人居环境的一个重要途径。通过国外步行指数方法计算得到深圳市福田区步行指数,可用于评价福田区总体以及各街道的步行性水平,并根据日常设施在选取的样本点周围的分布现状,对福田区的日常生活设施配置合理性进行总体评估。结果表明,福田区总体具有较高的步行性。结合新浪微博签到数据,发现其与步行指数高度的空间分布一致性。福田区的日常设施总体分布合理,居民日常需求基本可以得到满足,但书店布局较不合理,需适当补充该类设施。 |
| [27] | . http://www.tandfonline.com/doi/abs/10.1080/00343404.2015.1004535 |
