我国30个主要都市圈内部城镇识别及规模等级结构分析

昝骁毓1蒋　凯2，3李政寰2李　强1张文新1

（1.北京师范大学地理科学学部，北京 100875； 2.华夏幸福研究院，北京 100027；3.中央财经大学会计学院，北京 100081）

摘　要　围绕大城市或者特大城市形成的都市圈在带动区域发展中扮演着重要角色，界定都市圈范围并识别都市圈内部城镇对于研究不同区域都市圈的形成过程和基本特征具有重要意义。本书基于夜间灯光遥感数据，以中国30个主要都市圈为对象，提出利用局部等值线树算法识别都市圈内部城镇的基本思路，并在确定城镇建成区范围的基础上，结合人口数据，对内部城镇进行规模等级划分，分析都市圈内部由中心城市、节点城市、次节点城镇和微中心构成的城镇体系特征。同时，根据非中心城镇数量、城镇均衡度、城镇聚集度3个参数，对都市圈内部城镇空间结构进行分析。研究结果表明：①都市圈内部城镇识别方法能够精准刻画突破行政区划界线的实际城镇空间范围。②都市圈建成区的整体人口规模较大，多数都市圈内部核心城镇的集聚作用明显，呈单中心结构。但是，有一些都市圈内部的城镇结构不完善，存在断档现象。③综合建成区面积、规模等级和空间结构特征，30个主要都市圈可以划分为单核型、单中心Ⅰ型、单中心Ⅱ型、双中心型、组团型、网络型6种类型。

关键词　都市圈　夜间灯光遥感数据　局部等值线树算法　规模等级结构　空间结构

1　引言

2019年2月，国家发展和改革委员会发布的《国家发展改革委关于培育发展现代化都市圈的指导意见》指出，都市圈是城市群内部以超大城市、特大城市或辐射带动功能强的大城市为中心，以1小时通勤圈为基本范围的城镇化空间形态。在我国长期以来城镇化快速发展的背景下，不同区域已有许多都市圈逐渐形成，并在带动区域发展中扮演着重要角色。

都市圈的形成突破了原有的城市行政区划，为了促进都市圈的健康发展，以及规划都市圈的公共基础设施和公共服务，有必要在界定都市圈范围的基础上，对都市圈内部的城镇建成区范围进行精准识别，并分析内部城镇的规模等级结构。其结果能够为优化都市圈范围内的城镇规模结构、完善都市圈产业分工协作体系、实现都市圈的一体化发展、提升都市圈整体竞争力奠定基础。

城镇体系是一个国家或一个地域范围内由一系列规模不等、职能各异的城镇所组成，并具有一定的时空地域结构、相互联系的城镇网络的有机整体，城镇体系研究主要是从规模结构、功能联系、空间布局3个方面展开。Jefferson（1939）和Zipf（1951）最早对城市体系的规模分布规律进行了研究，提出城市首位律和位序规模法则；Henderson（2000）后来又从相互作用、等级体系、网络、节点、界面、扩散等6个方面，研究了区域城镇体系的演化过程；还有Hino（1977）、Aiken（1984）等分析了日本和德国的城镇体系演化特征和规律。

我国有关城镇体系的研究起步较晚，最早见于梁思成1945年发表的《市镇的体系秩序》，1964年严重敏将克里斯泰勒的中心地理论应用于解决社会生产中的实际问题。随着改革开放以来我国城镇化的快速发展，有关城镇体系研究及规划建设工作日益受到关注，相关研究涉及城镇基本概念、城镇体系结构、城镇体系发展演化过程、特定城市的城镇体系案例研究等多个方面。例如，1983年于洪俊等在《城市地理概论》中引入法国学者戈特曼关于“巨大都市带”的概念。周一星等（1986，1995）讨论了城镇及城市实体地域的概念，认为行政地域与实体地域的概念混乱使城市人口的统计数据一直处于困境。李健等（2007）研究了20世纪90年代以来上海人口空间变动与城市空间结构重构等问题。王红霞（2009）研究了上海多中心化空间演变进程中的城镇体系建设，提出中心城区、通勤区和郊区的三圈层空间结构。梁辉等（2011）研究了武汉城市圈的流动人口空间体系与城镇体系的相互影响，认为人口流动加强了城市圈内部不同城镇间的联系。李植斌等（2012）认为杭州市的快速交通有助于突破单中心结构，促进多中心形成，优化城镇体系。江曼琦等（2015）从人口聚集的视角，参考了城市公共设施服务状况，提出了城市化地区的测度方法。近年来，Long（2016）、马爽（2019）等利用POI[1]等大数据，尝试重新定义城镇体系和识别城市实体地域范围。总体来说，城镇体系的研究相对成熟，但对都市圈内部节点城镇建成区的识别及规模等级结构的分析仍然十分有限。

2　研究区与资料来源

2.1　研究区

研究区涵盖我国30个主要都市圈，包括北京都市圈、上海都市圈、广州都市圈、深圳都市圈、海口都市圈、贵阳都市圈、南宁都市圈、哈尔滨都市圈、南昌都市圈、太原都市圈、石家庄都市圈、沈阳都市圈、福州都市圈、长春都市圈、济南都市圈、昆明都市圈、乌鲁木齐都市圈、长沙都市圈、合肥都市圈、青岛都市圈、天津都市圈、厦门都市圈、宁波都市圈、郑州都市圈、成都都市圈、南京都市圈、重庆都市圈、西安都市圈、杭州都市圈、武汉都市圈。都市圈范围划定的具体方法见本文3.1节“都市圈范围的划定”。

2.2　资料来源

2.2.1　夜间灯光遥感数据

“珞珈一号”是武汉大学研发的新一代夜间灯光遥感卫星，于2018年6月2日在酒泉卫星发射中心发射，具有幅宽250km的成像能力，其数据分辨率为130m×130m，理想条件下可在15天内完成全球夜间灯光影像，能够提供我国及全球的GDP指数、碳排放指数、城市住房空置率指数等专题遥感数据产品。

2.2.2　其他数据

研究中利用的其他数据还包括：高德人口分布和通勤数据集（2018，1km×1km或半径200m）、7大类POI（咖啡厅、餐饮相关场所、购物相关场所、商务住宅相关场所、学校、交通站点、公司企业）分布数据集（2018，1km×1km或半径200m）、基于GF-1幅宽16m影像的都市圈建成区提取数据集（2017），以及ArcGIS 10.3平台上的高德影像地形图、百度在线地图数据等。

2.3　数据预处理

由于研究区涵盖分布于不同地域的30个都市圈，首先，需要对分幅夜间灯光影像进行拼接。其次，为保证投影面积误差最小，将拼接后的影像投影转为Albers投影。最后，根据研究区范围对影像进行裁剪，完成130m×130m分辨率的重采样。

3　研究方法

3.1　都市圈范围的划定

划定都市圈范围的方法主要有3种，分别为“半径确定法”“等时圈范围法”和“综合研判法”。

半径确定法是指以核心城市的中心为圆心，以一定距离为半径确定圈层范围的方法。该方法的优点在于简单明确、易于理解，但最终划分的圈层形状过于规则，与复杂的都市圈空间形态不匹配，且未考虑不同区域间的关联因素。

等时圈范围法是目前应用较广泛、接受度较高的一种方法，其原理是以核心城市的中心为起点，根据一定时间所能到达的地域确定圈层范围。该方法能够反映交通因素的影响，但影响因子过于单一，难以描述复杂的区域关系。

华夏幸福研究院以大数据为支撑，参考已有的都市圈范围划定方法，应用综合研判法进行都市圈范围的划定，认为都市圈由核心圈、城市圈和辐射圈构成。第一圈层称作核心圈，按照人口密度和POI密度加权平均确定；第二圈层称作城市圈，按照与核心圈的单向通勤率大于10%确定；第三圈层称作辐射圈，以1.5小时等时圈、叠加80km等距圈，并综合夜间灯光遥感数据、建成区范围、地形、文化民俗等因素，通过专家研判确定，辐射圈的边界也即都市圈范围。相比前两种方法，综合研判法在划定核心圈时使用了人口、POI等多项指标，在划定城市圈及辐射圈时，既借鉴了国际上已有的通勤率指标，又参考了半径圈和等时圈用以校验圈层范围，使范围划定结果更为合理。需要指出的是，都市圈范围突破了核心城市所属的行政区划。综合研判法主要包括以下几个步骤。

3.1.1　核心圈范围划定

以工作时段和休闲时段的人口分布为主要依据，综合考虑大型商场、公共设施、政府机构、餐饮美食、楼宇住宅、文化教育和医疗服务等的POI分布，筛选出成片的高密度区域，再进一步利用城市建成区范围和夜间灯光遥感影像图进行校验，最终确定核心圈范围。

工作时段的人口分布在很大程度上能够代表企事业单位的分布状况，休闲时段的人口分布在一定程度上能够代表休闲娱乐场所和居住场所的分布状况。因此，两个时段的人口分布高密度区域能够体现生产力高度集中、生活功能完善的特点，可以作为都市圈核心区域范围划定的主要依据。而大型商场、公共设施、政府机构、餐饮美食、楼宇住宅、文化教育和医疗服务等的POI分布，以及建成区范围、灯光图等作为新型大数据手段，可以辅助都市圈核心区域范围的划定。

3.1.2　利用通勤率确定城市圈范围

作为都市圈的第二圈层，城市圈与核心圈有较强的联动关系。参考已有的都市圈划定方法，基于两个圈层之间有10%以上日常通勤率的标准，划定城市圈范围。A区域到B区域的通勤率定义为：居住在A区域且工作在B区域的人数占A区域总人数的比重。进一步根据城市建成区范围和夜间灯光遥感影像图，对初步确定的城市圈范围进行校验，将其中的连片区域（包含部分飞地）确定为城市圈的最终范围。

3.1.3　利用等时圈确定辐射圈范围

辐射圈作为承接核心圈和城市圈产业转移和人口迁移的潜在区域，在都市圈中具有不可或缺的作用。结合不同城市的发展实际，考虑到1.5小时是日常通勤可以接受的极限时间，因此采用距核心城市1.5小时等时圈为辐射圈的划定标准。同时，考虑到核心城市的辐射半径与其自身的交通条件等因素有关，进一步采用80km（一线城市为100km）的等距圈对辐射圈范围进行校正。其中“X小时等时圈”是指从核心城市中心出发，驾车X小时可达的范围。“Xkm等距圈”是指以核心城市中心为圆心、Xkm为半径的空间范围。

3.2　都市圈建成区范围的提取方法

《城市规划基本术语标准》对城市建成区的定义为：城市行政区内实际已成片开发建设、市政公用设施和公共设施基本具备的地区。随着城市空间扩张和人类活动重心的迁移，建成区范围也在动态演进，快速、准确地提取城市建成区范围对城市管理和规划具有重要意义。官方公布的建成区面积是以行政区划为单元的统计数据，但都市圈的范围往往打破了行政界线，因此无法与统计数据的面积进行匹配。遥感技术具有多波段、多时相及覆盖范围广的特性，使其在城市化扩展监测和城市规划管理等研究中得到了广泛的应用。夜间灯光遥感数据能探测到城市灯光甚至小规模居民地、车流等发出的低强度灯光， 并使之明显区别于黑暗的乡村背景，被广泛应用于城市研究中。基于夜间灯光遥感影像提取城市建成区范围的重点在于获取最佳的阈值， 并以此阈值对夜间灯光遥感数据进行分割， 从而得到城市建成区范围。

对于最佳阈值的获取方法主要分为4类：经验阈值法、突变检测法、统计数据比较法、较高分辨率影像数据空间比较法。本书用局部等值线树算法、自然断裂法、人口核密度分析法提取了北京都市圈的建成区范围（见表1），通过对比这3种方法的结果发现，相比人口核密度分析法和自然断裂法，局部等值线树算法能够进行多区域独立搜索，可以更好地反映符合特定区域实际的细节特征，使建成区范围的提取更加准确，因此本书采用局部等值线树算法提取都市圈建成区的范围数据。

局部等值线树算法的目标是利用“图论”中的等值线树表示等值线图，最早被使用在地形分析中，用于快速寻找地表的洼地及表征洼地的内部空间结构。与洼地相反，山峰是海拔高度明显高于周围区域的地形。由于城镇是相较于周围区域拥有高聚集度和高密度的人口活动区域，因而识别城镇可以认为是在夜间灯光遥感影像中寻找“山峰”。局部等值线树算法中的“局部”是指按照等值线间的拓扑关系，将整个地理空间划分成多个区域，对每个区域生成独立的树。在等值线树里，每个节点代表一条等值线，而每条边代表的是相邻两条等值线间的拓扑关系。利用等值线树算法识别城市建成区范围的步骤，分别是寻找种子等值线、生成常规等值线树、简化等值线树。种子等值线的定义是一条不包括其他等值线树且有一个局部最高点的等值线。如图1所示，S1和S2为仅有的两条种子等值线，作为局部等值线树算法检索的起始点，逐条等值线向外检索。如果其向外的最邻近等值线仅包含该种子等值线，则该等值线将被认为与种子等值线具有相同级别，否则将赋予更高的级别，即二级节点。在图1中，S2与T为一级节点，U为二级节点。通过反复迭代直至判别完所有的等值线，可以得到常规等值线树。此外，通过保留每个分支的最后一个节点（面积最大的节点）代表整条分支，从而对常规等值线树进行简化。

生成夜间灯光等值线图需要设置3个参数，分别是起始等值线值、等值距、最小面积。起始等值线值是指低于某一阈值的夜间灯光亮度将不会被用于生成等值线，本书设置起始等值线为夜间灯光亮度等于0。等值距是指两条相邻的夜间灯光亮度等值线的差值，等值距越小，生成的等值线越密集，越能够反映更丰富的夜间灯光亮度细节信息。考虑到“珞珈一号”夜间灯光遥感数据的灯光值范围（最大值的数量级为10万），因此将等值距取值为10000。最小面积是指局部等值线树中一级节点的面积。如果最小面积取值较小，会识别出许多较为破碎的城镇区域范围。相反，如果最小面积取值过大，则无法体现都市圈内部城镇的异质性。因此，选择5km2作为最小面积。

3.3　城镇规模等级的确定

城镇规模等级的划分有很多标准，美国的大都市统计区（Metropolitan Statistical Area）是指至少有一个人口规模5万以上的城市化地区（Urbanized Area），小都市统计区（Micropolitan Statistical Area）是核心区人口为1万～5万人。城市化地区定义为人口密度不低于1000人/mi2（390人/km2）的连续普查区组，并且其相邻的普查区组的人口密度都不低于500人/mi2（190人/km2）。

我国主要按照《国务院关于调整城市规模划分标准的通知》，以城区常住人口为统计口径，将城市划分为5类7档，分别是：城区常住人口在50万人以下的为小城市，其中20万～50万人的为Ⅰ型小城市，20万人以下的为Ⅱ型小城市。城区常住人口50万～100万人的为中等城市；城区常住人口 100万～500万人的为大城市，其中300万～500万人的为Ⅰ型大城市，100万～300万人的为Ⅱ型大城市。城区常住人口500万～1000万人的为特大城市。城区常住人口达1000万人以上的城市为超大城市。对于都市圈而言，其内部包含的城镇也具有规模不等、职能不同、空间分布各异的特点，不同城镇之间存在密切联系，其空间结构形态随着时间的推移及城镇间联系强度的改变而发生变化。但是，都市圈通常是围绕一个核心城市形成的，其内部城镇的规模明显会更小。因此，参考国家城市规模划分标准，结合都市圈的具体特征，将其内部的城镇规模划分为4类9档，分别是：城区常住人口达1000万人以上的为中心城市；100万～1000万人的为节点城市，其中包括100万～300万人、300万～500万人和500万～1000万人等3个类型；20万～100万人的为次节点城镇，其中包括20万～50万人和50万～100万人等2个类型；2万～20万人的为微中心，其中包括2万～5万人、5万～10万人和 10万～20万人等3个类型。

4　结果与分析

4.1　都市圈的建成区范围

城镇建成区是指城镇人口生活和生产的主要区域，因此本书在对建成区进行识别时遵循的基本原则为：每个被识别出的城镇都是在地理空间上相对独立未连片，且每个城镇人口规模不低于2万人、面积不小于5km2，即人口密度不低于4000人/km2的综合区域。基于上述原则，本书利用局部等值线树算法提取了30个都市圈内部城镇的建成区范围数据，进一步统计了30个都市圈内部城镇的建成区面积及都市圈范围的总面积，结果见表2。

一方面，从都市圈的面积来看，排前5位的都市圈分别是：北京都市圈、上海都市圈、广州都市圈、成都都市圈和杭州都市圈，其中最大的都市圈是北京都市圈，面积达到28523.10km2；排后5位的都市圈分别是：乌鲁木齐都市圈、海口都市圈、南宁都市圈、太原都市圈和南昌都市圈，其中最小的都市圈是乌鲁木齐都市圈，面积为6963.69km2。

另一方面，从都市圈内部的城镇建成区面积来看，排前5位的都市圈分别是：上海都市圈、广州都市圈、北京都市圈、南京都市圈和重庆都市圈，其中最大的都市圈是上海都市圈，城镇建成区面积为5086.70km2（与都市圈总面积的排序有一定差异）；排后5位的都市圈分别是：海口都市圈、贵阳都市圈、南宁都市圈、哈尔滨都市圈和南昌都市圈，其中最小的都市圈是海口都市圈，城镇建成区面积为197.74km2（与都市圈总面积的排序有一定差异）。

为了揭示不同都市圈内部的城镇化程度，本书进一步计算了都市圈内部城镇建成区面积占都市圈总面积的比例。结果表明，比例较高的前5个都市圈分别是：上海都市圈、广州都市圈、南京都市圈、重庆都市圈和厦门都市圈，其建成区面积占比为9.36%～18.03%，其中上海都市圈的城镇建成区面积占比最大，为18.03%。与上述建成区面积前5位的结果进行对比就可以发现，北京都市圈的总面积虽然较大，但其内部城镇建成区的面积占比并不高，未进入该项排名前5。城镇建成区面积占比较小的5个都市圈分别是：贵阳都市圈、沈阳都市圈、海口都市圈、石家庄都市圈和福州都市圈，其建成区面积占比为2.14%～3.06%，其中贵阳都市圈的城镇建成区面积占比最小，为2.14%。实际上，贵阳都市圈和海口都市圈内部的城镇建成区总面积也很小，均排在后5位。

4.2　都市圈内部城镇规模等级特征

在提取都市圈内部城镇建成区范围的基础上，按照前述的城镇规模等级确定方法，对都市圈内部城镇的规模等级结构进行分析。表3和图2的结果揭示了都市圈内部城镇规模等级的主要特征。

（1）都市圈内部城镇建成区具有较大的人口规模。在全部都市圈中，内部城镇建成区人口大于500万人的有19个，其中上海都市圈、广州都市圈、北京都市圈、成都都市圈、重庆都市圈、武汉都市圈、南京都市圈、郑州都市圈的内部城镇建成区人口均超过1000万人，海口都市圈内部城镇建成区的人口最少，约为280万人。

（2）都市圈内部核心城镇的集聚作用明显。除厦门都市圈以外，其余都市圈的最高等级城镇均为1个，表现出核心聚集明显的单中心结构特征。有一半以上都市圈的最高等级城镇为人口数在300万人以上的城市，但除上海都市圈和广州都市圈以外，其余都市圈人口数量大于100万人的城镇最多为2个，次节点城镇与微中心占主体的特征明显。

（3）都市圈内部城镇等级存在结构缺失现象。在所有都市圈中，18个都市圈的内部城镇在最高等级与次一级之间存在断档，有15个都市圈的次节点城镇占比不足30%。中间位序城镇发育薄弱，在一定程度上制约其承接和疏解上一级城镇功能的能力。

4.3　都市圈内部城镇的规模等级聚类

基于前述的城镇规模等级特征分析，进一步利用SPSS软件对所有都市圈进行聚类分析，结果见图3和表4。

根据聚类分析的结果，可以将都市圈分成7个类别。类别1包含10个都市圈，其主要特征为：最高等级城镇的人口数量为100万～300万人（合肥都市圈和沈阳都市圈除外），城镇总数在15个左右（海口都市圈、沈阳都市圈、南宁都市圈除外）。类别2包含6个都市圈，其主要特征为：最高等级城镇的人口数量达到300万～1000万人，城镇总数在20个以上（长沙都市圈除外）。类别3包含4个都市圈，其中北京都市圈和广州都市圈最高等级城镇的人口达到1000万人以上，城镇总数在40个左右。类别4包含3个都市圈，主要特征是以次节点城镇和微中心为主，城镇总数在25个左右，微中心个数在20个左右。类别5、类别6和类别7各有1个都市圈，分别是：青岛都市圈、上海都市圈和宁波都市圈，表现出与其他都市圈明显不同的特点。例如，上海都市圈的内部城镇建成区人口数量最多，最高等级城镇的人口在1000万人以上，次节点城镇和微中心数量也相对较多。

4.4　都市圈内部城镇的空间结构

都市圈内部不同规模的城镇在空间分布上形成具有一定结构的有机整体，为了揭示都市圈内部城镇之间的相互联系和作用，采用非中心城镇数量、城镇均衡度、城镇聚集度等3个指标，从点、线、面等3个维度对都市圈内部城镇的空间结构进行分析。

4.4.1　非中心城镇数量

如前所述，多数都市圈内部的城镇呈现单中心结构。就具体都市圈而言，中心城镇指的是都市圈内部城镇中最高等级的城镇，除此以外的其他城镇统称为“非中心城镇”。中心城镇的发展与其周边的非中心城镇密切相关，非中心城镇具有承接和分散中心城镇功能的作用。因此，非中心城镇数量的多少是表征都市圈内部城镇空间结构的指标之一。

如表5所示，除海口都市圈以外，多数都市圈的非中心城镇数量为10～26个，沈阳都市圈、南宁都市圈和哈尔滨都市圈的非中心城镇数量少于10个，北京都市圈、广州都市圈、杭州都市圈和南京都市圈的非中心城镇数量分别为：36个、40个、40个、42个，上海都市圈的非中心城镇数量最多，达到77个。

4.4.2　城镇均衡度

除了考虑都市圈内部城镇的中心与非中心城镇数量对比以外，需要进一步分析二者的面积差异。一般而言，都市圈内部城镇建成区的总面积会随着非中心城镇数量的增加而增加。但是，根据表5可知，对于城镇建成区总面积同样在1000km2以上的都市圈而言，成都都市圈、郑州都市圈、武汉都市圈、重庆都市圈、厦门都市圈和宁波都市圈的非中心城镇数量均为20多个，而杭州都市圈、南京都市圈、广州都市圈和上海都市圈的非中心城镇数量则均在40个以上，说明这些都市圈的内部城镇结构存在一定差异。因此，需要构建城镇均衡度指数表征都市圈中中心城镇与非中心城镇的差异。

其中，a为城镇均衡度指数；So为非中心城镇的总面积；Sc为中心城镇的面积。a值越大说明都市圈内部城镇之间的差异越不明显，单中心性越不强，非中心城镇的承接和疏解能力越好，都市圈内部的城镇发展越均衡。

由表5的结果可知，对于城镇建成区总面积在1000km2以上，并且非中心城镇数量在20个左右的6个都市圈，其城镇均衡度的差异较大。但是，对于非中心城镇数量在40个以上的4个都市圈而言，其城镇均衡度均较大，说明其非中心城镇数量较多，在一定程度上可以使都市圈内部的城镇发展更均衡。

4.4.3　城镇聚集度

都市圈内部城镇之间的距离是其空间分布的直观表征，城镇之间的距离越短，意味着城镇之间的联系越密切。由于不同都市圈的规模不同，平均距离不具有可比性，因此构建如下城镇聚集度指数。

其中，b是城镇聚集度指数；St是都市圈面积；是非中心城镇之间的平均距离，b值越大说明都市圈内部的非中心城镇越聚集。

对于除中心城镇以外两个城镇间的距离，可以利用ArcGIS10.3软件，通过得到每个城镇的几何中心，进而计算得到其平均值（见表6）。由表6中的结果可知，城镇聚集度较高的前5位都市圈分别是：杭州都市圈、广州都市圈、北京都市圈、上海都市圈和成都都市圈，其中心城镇属于特大城市或者新一线城市。城镇聚集度较低的后5位都市圈分别是：海口都市圈、南昌都市圈、乌鲁木齐都市圈、太原都市圈和贵阳都市圈，其中心城镇的实力直接影响城镇的聚集度。

4.4.4　空间结构特征

前文基于非中心城镇数量、城镇均衡度、城镇聚集度等3个指标，从不同维度对都市圈的空间结构进行了分析。非中心城镇具有承接和分散中心城镇功能的作用，而城镇均衡度可以表征都市圈中的中心城镇与非中心城镇的差异。当非中心城镇的承接和疏解能力较强时，都市圈内部城镇的发展会较为均衡。城镇聚集度表征都市圈内部城镇之间联系的密切程度，同时都市圈内部中心城镇的实力直接影响城镇聚集度。3个指标的排序结果见表7。

根据3个指标的排序结果，可以看出：3个指标同时较高或者同时较低的都市圈数量占比达到了56.7%，反映出这3个指标具有很好的一致性。没有都市圈呈现非中心城镇数量多，而城镇均衡度和城镇聚集度都较低的特点，说明非中心城镇数量较多的都市圈，其均衡发展程度或城镇之间的联系程度也较高。对于非中心城镇数量较多和城镇均衡度指数较高的都市圈，说明其城镇发展均衡，中心城镇和非中心城镇的差异不大，通常表现为非中心城镇的面积较大。而对于非中心城镇数量较多和城镇聚集度指数较高的都市圈，说明城镇分布较为紧凑。此外，还有城镇均衡度与城镇聚集度均较高的都市圈，说明其内部城镇之间的差异小且分布聚集。

4.5　考虑内部城镇空间结构的都市圈聚类

在前述分析的基础上，综合考虑非中心城镇数量、城镇均衡度、城镇聚集度等3个表征都市圈内部城镇空间结构的指标，利用SPSS软件对都市圈再次进行聚类分析，结果见图4和表8。

根据表8的结果，主要都市圈可以分成7个类别。类别1包括15个都市圈，主要特征表现为：都市圈内部的非中心城镇数量较少，平均为17个，哈尔滨都市圈最少，只有9个，宁波都市圈的非中心城镇数量最多，达到25个；都市圈内部的城镇均衡度整体较低，除了宁波都市圈（3.59）、厦门都市圈（3.01）、青岛都市圈（2.86）以外，其余都市圈的城镇均衡度皆在平均值1.5以下或接近平均值，而长沙都市圈的城镇均衡度最小，为0.58。此外，都市圈内部城镇的聚集度也较低，平均值为191.59，仅有福州都市圈、昆明都市圈、西安都市圈、重庆都市圈、深圳都市圈等5个都市圈的城镇聚集度在200以上。

类别2包括5个都市圈，除南京都市圈外，其余都市圈内部的非中心城镇数量在20个左右。5个都市圈的城镇均衡度差异较大，平均值为3.14，南京都市圈的城镇均衡度最大，为5.98，而武汉都市圈的城镇均衡度最小，为1.20。但5个都市圈的城镇聚集度差异不大，平均值为249.59，天津都市圈的城镇聚集度最大，为260.56，郑州都市圈的城镇聚集度最小，为241.84。

类别3包括3个都市圈，总体特征为都市圈内部的非中心城镇数量较多，在40个左右。城镇均衡度平均值为2.29，杭州都市圈的城镇均衡度最大（3.13），北京都市圈的城镇均衡度最小（1.78）。该类别的都市圈内部城镇聚集度的差异不大，平均值为343.17，同样是杭州都市圈最大（370.54），北京都市圈最小（323.32）。

类别4包括3个都市圈，总体特征为都市圈内部的非中心城镇数量差异较大，成都都市圈的非中心城镇有25个，而南宁都市圈仅为6个。3个都市圈内部的城镇均衡度均较低，沈阳都市圈的城镇均衡度最小（0.28），成都都市圈的城镇均衡度最大（1.03）。而且3个都市圈内部的城镇聚集度差异不大，南宁都市圈的城镇聚集度最小（281.25），成都都市圈的城镇聚集度最大（305.04）。

类别5只包括南昌都市圈和乌鲁木齐都市圈，二者内部的非中心城镇数量很少，分别为12个和18个。而且两个都市圈内部的城镇均衡度也偏低，南昌都市圈为1.06，乌鲁木齐都市圈为1.16。同时，两个都市圈内部的城镇聚集度也偏低，南昌都市圈为118.50，乌鲁木齐都市圈为134.72。

类别6和类别7各包括1个都市圈，分别为上海都市圈和海口都市圈。上海都市圈内部有77个非中心城镇，数量最多；且城镇均衡度和聚集度均很高，分别为3.76和313.10。海口都市圈仅有一个中心城镇，非中心城镇数量为0。

4.6　都市圈聚类结果的对比分析

将仅考虑内部城镇规模等级的都市圈聚类结果，与考虑内部城镇空间结构的都市圈聚类结果进行对比，可以发现，有11个都市圈（贵阳都市圈、济南都市圈、福州都市圈、合肥都市圈、厦门都市圈、郑州都市圈、武汉都市圈、北京都市圈、广州都市圈、杭州都市圈、上海都市圈）在两种情况下均属于同一类别，说明这些都市圈无论是从规模等级还是从空间结构来看，都具有高度的相似性。还有9个都市圈（南宁都市圈、沈阳都市圈、重庆都市圈、长沙都市圈、西安都市圈、昆明都市圈、深圳都市圈、青岛都市圈、宁波都市圈）虽然在两种聚类情况下，由于不同的聚类指标导致聚类的结果有差别，不完全属于同一类，但是都市圈之间仍然具有很大的相似性。在仅考虑内部城镇规模等级的都市圈聚类时，南宁都市圈和沈阳都市圈都属于类别1，而在考虑内部城镇空间结构的都市圈聚类时则都属于类别4。重庆都市圈、长沙都市圈、西安都市圈在仅考虑内部城镇规模等级的都市圈聚类时都属于类别2，昆明都市圈和深圳都市圈都属于类别4，青岛都市圈属于类别5，宁波都市圈属于类别7；但是在考虑内部城镇空间结构的都市圈聚类时，这些都市圈均属于类别1。

另外，通过基于不同类别都市圈所处的地理位置可以发现：类别1的都市圈绝大多数处于东南地区；类别2的都市圈均处于中部地区；类别3的都市圈均以特大城市为中心，且除北京都市圈以外，皆为沿海地区；类别5是上海都市圈，属于我国的经济中心。

对比两种聚类结果可以发现，虽然存在一定的差异，但很多都市圈始终属于同一类型，说明这些都市圈在规模等级和空间结构上具有很大的相似性。

4.7　都市圈综合分类

综合考虑前述的都市圈建成区面积、内部城镇规模等级和空间结构特征，选取6个指标（见表9）对主要都市圈进行综合分类。6个指标分别是：非中心城镇数量、城镇均衡度、城镇聚集度、建成区面积占比、中心城镇人口占比、断档级数。其中，非中心城镇数量、建成区面积和中心城镇人口占比从不同侧面反映都市圈的城镇化程度；城镇均衡度表征都市圈内部中心城镇与非中心城镇发展的均衡程度；城镇聚集度表征都市圈内部城镇之间联系的密切程度；断档级数反映的是都市圈内部城镇的等级结构是否完善。

人口规模是城镇综合实力的重要体现之一，都市圈内部的中心城镇人口占比可以反映中心城镇在都市圈中的重要程度，其计算公式为

其中，c为中心城镇人口占比；Po为都市圈内部的中心城镇人口数；Ps为都市圈总人口数。c值越大说明都市圈内中心城镇的重要程度越高。

如前所述，都市圈的内部城镇规模共包括4类9档，有18个都市圈的内部城镇在最高等级与次一级之间存在断档。为反映城镇等级结构的完善性，利用如下公式计算各都市圈的内部城镇断档级数。

其中，d为断档级数；L为城镇的等级数，设定中心城市的等级数为1。L1和L2分别为某一都市圈最高等级城镇的级数和次一级城镇的级数。当L1=1且L2=2时，d=0，表示该都市圈不存在断档现象；若L1=1且L2=3时，d=1，表示在最高等级与次一等级之间缺失一级，依次类推。

根据以上6个指标对26个都市圈进行聚类分析（哈尔滨都市圈、长春都市圈、太原都市圈、乌鲁木齐都市圈因缺失人口数据，未进行聚类分析），得到如图5所示的聚类谱系。26个都市圈被归为单核型、单中心Ⅰ型、单中心Ⅱ型、双中心型、组团型和网络型等6种类型。另外，对于哈尔滨都市圈、长春都市圈、太原都市圈、乌鲁木齐都市圈，根据其空间结构的聚类结果，这4个都市圈分别属于类别1和类别5，类别1中绝大多数都市圈属于单中心Ⅰ型，类别5的南昌都市圈也属于单中心Ⅰ型，因此将这4个都市圈归为单中心Ⅰ型，最终得到30个主要都市圈的综合分类结果（见表10）。

（1）单核型都市圈。海口都市圈是唯一只包含一个中心的都市圈，将其归为特殊的单核型都市圈。

（2）单中心Ⅰ型都市圈。单中心Ⅰ型都市圈是主体类型，包含20个都市圈。其主要特征为：都市圈内部的非中心城镇数量较少；城镇均衡度和城镇聚集度都偏低，除了厦门都市圈、青岛都市圈、郑州都市圈以外，其余都市圈的城镇均衡度均在2以下；除了沈阳都市圈、南宁都市圈、石家庄都市圈以外，其余都市圈的城镇聚集度均在250以下。说明都市圈内部的最高等级城镇作用强，但辐射带动能力不足，非中心城镇分布零散。

（3）单中心Ⅱ型都市圈。单中心Ⅱ型包含3个都市圈，分别是深圳都市圈、北京都市圈和成都都市圈。其主要特征为：最高等级城镇与第二等级城镇差异大，存在明显的断档现象；都市圈均衡度较低，为0.74～1.78。该类型与单中心Ⅰ型相似，表现为都市圈内部最高等级城镇的作用很强。但是单中心Ⅱ型与单中心Ⅰ型还有许多不同，如最高等级城镇人口数量更多，均在500万人以上；都市圈内部非中心城镇数量更多，为24～36个；城镇聚集度更高，为227.62～323.32；建成区面积占比更高，为5.94%～9.28%；最高等级城镇人口占比较高，为43.79%～69.53%。说明该类型的都市圈仍是以最高等级城镇为中心，但是都市圈内外围城镇联系紧密，在空间分布上更加聚集。

（4）双中心型都市圈。双中心型包含杭州都市圈和天津都市圈2个都市圈。其主要特征为：都市圈内部非中心城镇数量较多；都市圈人口数量相对较多，杭州都市圈752万人，天津都市圈654万人；城镇均衡度和城镇聚集度均较高，城镇均衡度分别为3.13和4.39，城镇聚集度分别为370.54和260.56；建成区面积占比相较于单中心Ⅱ型都市圈偏低，杭州都市圈为4.87%，天津都市圈为6.21%；最高等级城镇人口占比较高，杭州都市圈为33.63%，天津都市圈为47.98%。该类型都市圈内部有两个核心城镇，并且最高等级城镇与第二等级城镇差异不大，非中心城镇联系紧密、发展均衡，能够较好承接和疏解中心城镇的功能。

（5）组团型都市圈。组团型包括南京都市圈和宁波都市圈，与双中心型都市圈相似，其主要特征为：都市圈内部的城镇非中心数量较多；城镇均衡度较高，宁波都市圈为3.59，南京都市圈为5.98；建成区面积占比较高，南京都市圈为9.54%，宁波都市圈为8.29%。最高等级城镇人口占比较低，南京都市圈为27.76%，宁波都市圈为33.20%。此外，该类型都市圈与双中心型都市圈最大的区别在于：最高等级城镇与次一级城镇在空间上的分布较为均匀且相互间离散，并且在次一级城镇周围聚集着许多小城镇，在空间上呈现出组团式的分布结构。

（6）网络型都市圈。网络型都市圈包括广州都市圈和上海都市圈，其主要特征为：都市圈人口总数在所有6个类型都市圈中最多，广州都市圈为2073万人，上海都市圈为3348万人；最高等级城镇与第二等级城镇差异大，存在明显的断档现象；都市圈非中心城镇数量较多，广州都市圈40个，上海都市圈77个；最高等级城镇的人口数较多，均大于1000万人，且最高等级城镇人口占比较高，上海都市圈为43.80%，广州都市圈为50.33%；城镇聚集度和城镇均衡度均较高，城镇均衡度分别为1.95和3.76，城镇聚集度分别为335.65和313.10；建成区面积占比极高，为都市圈中前两位，广州都市圈为10.78%，上海都市圈为18.03%。此外，该类型都市圈内部的最高等级城镇与非中心城镇的差异较小，并且空间分布较为紧凑，在空间上呈现出从中心向外围蔓延的网络状结构。

5　结论与讨论

基于夜间灯光遥感数据，以30个主要都市圈为对象，首先，利用局部等值线树算法识别都市圈内部的中心和非中心城镇及其建成区范围。其次，结合人口数据进行都市圈内部城镇规模等级划分，包括中心城市、节点城市、次节点城镇和微中心4个等级。再次，提出非中心城镇数量、城镇均衡度、城镇聚集度3个参数，用以表征都市圈内部城镇的空间结构特征。最后，综合考虑都市圈建成区面积、内部城镇的规模等级和空间结构特征，通过非中心城镇数量，城镇均衡度、城镇聚集度、建成区面积占比、中心城镇人口占比、断档级数6个指标，对都市圈进行综合分类。研究结果如下：

（1）局部等值线树算法对于识别都市圈内部城镇具有适用性，能够精准提取突破行政区划界线的实际城镇空间范围数据。该方法不仅可以提取城镇范围数据，还可以识别城市空间层级结构，但需要人为设置最小面积、起始等值线值、等值距等参数。

（2）主要都市圈的内部城镇规模等级特征表现为：都市圈内部城镇建成区具有较大的人口规模；多数都市圈内部中心城镇的核心集聚作用明显，呈单中心结构；一些都市圈内部城镇规模等级结构不完善，存在断档现象，节点城市和次节点城镇的承接作用有限。

（3）依据都市圈建成区面积、内部城镇的规模等级和空间结构特征，将30个主要都市圈划分为6种类型，分别为：单核型、单中心Ⅰ型、单中心Ⅱ型、双中心型、组团型和网络型，其中以单中心型为主体，双中心型、组团型和网络型尚属少数，处于逐步形成阶段。

在都市圈研究日益受到重视的背景下，有必要加强对于都市圈内部城镇之间相互关系的理论研究体系构建和适用方法开发。本书仅仅是对都市圈内部城镇规模等级和空间结构的初步探索，方法和结论都需进一步推敲和完善，如对于空间结构的分析还需综合考虑不同都市圈的区位因素和地形条件等；除了规模结构和空间结构以外，都市圈内部城镇的功能结构还有待进一步研究。

参考文献

［1］ 中华人民共和国国家发展和改革委员会. 国家发展改革委关于培育发展现代化都市圈的指导意见［EB/OL］. （2019-02-21）［2020-06-04］. https：//www.ndrc.gov.cn/xxgk/zcfb/tz/201902/t20190221_962397.html.

［2］ 顾朝林. 中国城镇体系：历史、现状、展望［M］. 北京： 商务印书馆， 1992： 1.

［3］ JEFFERSON M. The law of the primate City［J］. Geographical review， 1939， 29（2）： 226-232.

［4］ ZIPF G K. Human behaviour and the principle of least effort［J］. American journal of sociology， 1951， 57（1）： 92-94.

［5］ HENDERSON V. Handbook of regional and urban economics［M］.Amsterdam：North Holland， 2000.

［6］ HINO M. Fundamental dimensions of the Japanese urban system in the years of 1950， 1960， and 1970［J］. Geographical review of Japan. 1977， 50（6）： 335-353.

［7］ AIKEN S M. Corporate influence and the German urban system： headquarters location of German industrial corporations， 1950-1982［J］. Economic geography， 1984， 60（1）： 38-54.

［8］ 严重敏， 刘君德，孙大文， 等. 试论苏锡地区农业发展与中小城镇的关系［J］. 地理学报， 1964（3）： 234-247.

［9］ 于洪俊. 城市地理概论［M］. 安徽： 安徽科学技术出版社， 1983.

［10］ 周一星. 关于明确我国城镇概念和城镇人口统计口径的建议［J］. 城市规划， 1986（3）： 10-15.

［11］ 周一星， 史育龙. 建立中国城市的实体地域概念［J］. 地理学报， 1995（4）： 289-301.

［12］ 李健，宁越敏. 1990年代以来上海人口空间变动与城市空间结构重构［J］. 城市规划学刊， 2007（2）： 20-24.

［13］ 王红霞. 多中心化空间演变进程中的城镇体系建设：以上海为例的研究［J］. 上海经济研究， 2009（1）： 13-22.

［14］ 梁辉， 岳彩娟. 流动人口空间体系及其与城镇体系的相关分析：以武汉城市圈为例［J］. 南方人口， 2011， 26（2）： 39-47.

［15］ 李植斌， 邓洪娟， 程安顺. 快速交通对大都市区建设的提振效应：以杭州为例［J］. 上海城市管理， 2012（4）： 53-57.

［16］ 江曼琦， 席强敏. 中国主要城市化地区测度：基于人口聚集视角［J］. 中国社会科学， 2015（8）： 26-46，204-205.

［17］ LONG Y. Redefining Chinese city system with emerging new data［J］. Applied geography， 2016， 75： 36-48.

［18］ 马爽， 龙瀛. 中国城市实体地域识别：社区尺度的探索［J］. 城市与区域规划研究， 2019， 11（1）： 37-50.

［19］ 高分辨率对地观测系统湖北数据与应用中心. 珞珈一号01星数据与应用服务［J］. 卫星应用， 2019（5）： 26-29.

［20］ 国家质量技术监督局，中华人民共和国建设部. 城市规划基本术语标准［S］. 北京： 中国建筑工业出版社， 1999.

［21］ 李德仁， 余涵若， 李熙. 基于夜光遥感影像的“一带一路”沿线国家城市发展时空格局分析［J］. 武汉大学学报（信息科学版）， 2017， 42（6）： 711-720.

［22］ 何春阳， 李景刚， 陈晋， 等. 基于夜间灯光数据的环渤海地区城市化过程［J］. 地理学报， 2005（3）： 409-417.

［23］ MILESI C ， ELVIDGE C D ， NEMANI R R， et al. Assessing the impact of urban land development on net primary productivity in the southeastern United States［J］. Remote sensing of environment， 2003， 86（3）： 401-410.

［24］ 刘小平， 黎夏， 陈逸敏， 等. 景观扩张指数及其在城市扩展分析中的应用［ J］. 地理学报， 2009， 64（12）： 1430-1438.

［25］ 吴健平， 张立. 卫星遥感技术在城市规划中的应用［J］. 遥感技术与应用， 2003（1）： 52-56.

［26］ ELVIDGE C D， CINZANO P， PETTIT D R， et al. The nights at mission concept［J］. International journal of remote sensing， 2007， 28（12）： 2645-2670.

［27］ 陈晋， 卓莉， 史培军， 等. 基于DMSP/OLS数据的中国城市化过程研究：反映区域城市化水平的灯光指数的构建［J］. 遥感学报， 2003（3）： 168-175，241.

［28］ 卓莉， 李强， 史培军， 等. 基于夜间灯光数据的中国城市用地扩展类型［J］. 地理学报， 2006（2）： 169-178.

［29］ SUTTON P， ROBERTS D， ELVIDGE C， et al. Census from heaven： an estimate of the global human population using night-time satellite imagery［J］. International journal of remote sensing， 2001， 22（16）： 3061-3076.

［30］ IMHOFF M L， LAWRENSE W T， STUTZER D C， et al. A technique for using composite DMSP/ OLS “City Lights” satellite data to accurately map urban areas［J］. Remote sensing of environment， 1997， 61（3）： 361-370.

［31］ 何春阳， 史培军， 李景刚， 等. 基于DMSP/ OLS夜间灯光数据和统计数据的中国大陆20世纪90年代城市化空间过程重建研究［J］. 科学通报， 2006（7）： 856-861.

［32］ HENDERSON M， YEH E T， GONG P， et al. Validation of urban boundaries derived from global nighttime satellite imagery［J］. International journal of remote sensing， 2003， 24（3）： 595-609 .

［33］ 陈佐旗. 基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析［D］. 上海： 华东师范大学， 2017： 56-58.

［34］ WU Q， LIU H， WANG S， et al. A localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high-resolution topographic data［J］. International journal of geographical information science， 2015， 29（12）： 2041-2060.

［35］ CHEN Z， YU B， SONG W， et al. A new approach for detecting urban centers and their spatial structure with nighttime light remote sensing［J］. IEEE transactions on geoscience and remote sensing， 2017， 55： 6305-6319.

［36］董磊， 王浩， 赵红蕊. 城市范围界定与标度律［J］. 地理学报， 2017， 72（2）： 213-223.

［37］ 中华人民共和国中央人民政府. 国务院关于调整城市规模划分标准的通知［EB/OL］. （2014-11-20）［2020-04-05］. http：//www.gov.cn/zhengce/content/2014-11/20/content_9225.html.

---

[1]感兴趣点，Point of Interest。