EN中文

地球信息科学学报 >

2020 , Vol. 22 >Issue 11: 2199 - 2211

DOI: https://doi.org/10.12082/dqxxkx.2020.190769

地理空间分析综合应用

基于多源数据融合的北京市人口时空动态分析

  • 崔晓临 , 1 ,
  • 张佳蓓 1 ,
  • 吴锋 , 2, * ,
  • 张倩 3 ,
  • 吴尧慧 4
展开
  • 1.西安科技大学测绘科学与技术学院,西安 710054
  • 2.中国科学院地理科学与资源研究所,陆地表层格局与模拟院重点实验室,北京 100101
  • 3.中国农业大学土地科学与技术学院,北京 100193
  • 4.中国矿业大学（北京）地球科学与测绘工程,北京 100083
* 吴 锋（1979— ）,男,河北张家口人,博士,副研究员,主要从事决策支持系统集成、资源利用主体行为调控与仿真研究。E-mail:

崔晓临（1965— ）,女,陕西宝鸡人,博士,副教授,主要从事GIS、遥感应用研究。E-mail:

收稿日期: 2019-12-24

  要求修回日期: 2020-03-25

  网络出版日期: 2021-01-25

基金资助

国家自然科学基金项目(71774151)

北京市朝阳区社会发展科技计划项目(CYSF1906)

北京市自然科学基金项目(9172018)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatio-temporal Analysis of Population Dynamics based on Multi-source Data Integration for Beijing Municipal City

  • CUI Xiaolin , 1 ,
  • ZHANG Jiabei 1 ,
  • WU Feng , 2, * ,
  • ZHANG Qian 3 ,
  • WU Yaohui 4
Expand
  • 1. College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054, China
  • 2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. College of Land Science and Technology, China Agricultural University, Beijing 100193, China
  • 4. School of Geosciences & Surveying Engineering, China University of Geosciences, Beijing 100083, China
* WU Feng, E-mail:

Received date: 2019-12-24

  Request revised date: 2020-03-25

  Online published: 2021-01-25

Supported by

National Science Foundation Project(71774151)

Social Development Science and Technology Plan Project of Chaoyang District, Beijing(CYSF1906)

Beijing Natural Science Foundation Project(9172018)

Copyright

Copyright reserved © 2020
Fold

摘要

高精度、动态、空间化的人口数据是科学核算城市资源环境压力、促进人口合理调控的重要参考依据。研究首先以2012和2017年北京市常住人口统计信息为基础,融合夜间灯光、土地利用、道路网络等数据,依据用地类型、VANUI指数对街道分割成的区域进行分类和分级,并在此基础上构建人口空间化模型,制备2期100 m格网尺度的人口空间化数据。验证表明,模型误差在10%以内;与已有成果对比分析发现,人口空间化数据整体与局部精度均有提升。最后,基于该数据分析北京市人口分布的时空动态变化特征,揭示其影响因素。结果表明:① 格网单元上的人口平均数量在-2542~190之间变化,以-500~500人为主。② 2期人口空间分布均呈“内密外疏”格局,且减少人口主要聚集于城六区,2012—2017年间减少近21万人;③ 首都功能核心区减少人口最为显著,减少量占城六区减少量的62%;④ 二三环间减少人口最多,共减少近11万人,减少量占城六区减少量的52%;⑤ 与城六区接壤的城郊街道,人口呈现增加趋势,可能形成新的人口聚集区。北京市人口时空变化特征与首都功能定位、产业升级转型、人口疏解政策实施等因素密切相关,该研究可为北京市未来人口空间合理布局与人口疏解政策完善提供定量化的科学依据。

关键词： 人口空间化; 格网尺度; 时空动态; 多源数据; 夜间灯光; 空间分析; 人口疏解; 北京市

本文引用格式

崔晓临 , 张佳蓓 , 吴锋 , 张倩 , 吴尧慧 . 基于多源数据融合的北京市人口时空动态分析[J]. 地球信息科学学报, 2020 , 22(11) : 2199 -2211 . DOI: 10.12082/dqxxkx.2020.190769

Abstract

High-precision spatially-explicit population data performs a quantitative reference for evaluating urban resources and environment pressure and promoting a rational population distribution. This study first classified and ranked street blocks of Beijing based on land use categories and VANUI index. Based on this, a hierarchical population spatialization model was built to generate the spatial distribution of population at 100 m resolution. In addition, Beijing permanent resident demographic information of 2012 and 2017, NPP/VIIRS nighttime lights data, land use, road networks, and other auxiliary data were also used as model inputs. In our study, the model simulation error against the verified data was less than 10%. Compared with other published results, the population distribution result generated in this study had a higher overall accuracy and local accuracy. We further analyzed the spatio-temporal pattern of population in Beijing and its impact factors. Results show that the population of Beijing in each 100 m grid varied from -2564 to 1904, with -500~500 being the main change level. The spatial patterns of population in 2012 and 2017 both demonstrated that central Beijing was densely populated while Beijing suburb was sparsely populated. Between these two years, population of Beijing declined by approximately 210,000, which mainly happened in six main districts. The core functional area of Beijing had a remarkable reduction in population, accounting for 62% of the total population decline within the six districts of the city. In addition, population between the second and third ring of Beijing decreased the most, with nearly 110 000 people moved out, accounting for 52% of the population decline within the six districts. On the contrary, the population increased in the surrounding street blocks at the border of the six districts, which might form new population centers in the future. The spatial and temporal dynamics of Beijing's population were closely related to factors, such as the functional orientation of the capital, industrial upgrading and transformation, and the implementation of population redistribution policies. This study provides a scientific reference for the rational layout of Beijing's population space and formulation of Beijing's population redistribution policies in the future.

Key words： population spatialization; grid scale; spatio-temporal dynamics; multi-source data; nighttime light; spatial analysis; population redistribution; Beijing

1 引言

快速城镇化进程中,人口数量与经济增长方式不相适应给有限的城市资源承载能力和环境容量造成了巨大压力。北京市城市功能多元且过于集中,引起了人口井喷式增长,使其面临严重的“城市病”[1,2]。人口规模大、密度高、增速快且空间分布不均衡,导致交通拥堵、人地矛盾加剧、资源消耗过度、区域发展失衡、住房价格攀升等问题[3],整个城市运行成本高升,经济社会、环境资源各种要素处于“紧平衡”状态。随着北京城市功能定位的不断调整,其人口规模也在不断发生变化。20世纪90年代初,北京市以政治、经济与文化为中心;1990—2005年常住人口数量从1086万人增长到1538万人,年均增长30万人以上。21世纪初,以国家首都、国际城市、历史名城与宜居城市为中心;2005—2014年人口从1538万人增长到2152万人,年均增长超过68万人。2014年至今,以政治文化中心、国际交往中心与科技创新中心为核心,2014—2017年人口从2152万人增长到2170万人,年均增长6万人以上。聚焦首都核心功能、实现与城市功能定位相匹配的人口水平对北京市可持续发展具有重大意义。为使人口水平与城市功能定位相匹配,北京市实施以产业搬迁带动人口疏解的相关政策,即关闭腾退不符合首都城市功能定位的行业。随着相关产业的不断转移,人口也在随之流动。因此,研究人口时空动态变化特征能够有效缓解资源环境压力,为进一步完善北京市人口疏解政策提供科学依据。
高精度、动态的人口空间化数据是分析人口时空变化的定量依据。目前,相关研究多以行政区及功能区为单元开展人口数量和密度的特征分析,探讨人口分布及时空变化的影响因素[4,5]。研究多基于人口统计与土地利用数据,在实际应用中存在时空分辨率低的问题[6]。一般研究尺度较大,不能较好地体现人口在小尺度上的分布差异特征[7,8]。也有部分学者以手机信令结合多源数据进行城市居住人口时空变化特征与预测研究,但存在手机信令数据单一、实时动态变化数据量大、数据与真实人口转换标准不统一等问题,结果多为人口空间分布的瞬时状况,并不代表真实的人口状况[9]。同时,人口空间化方法的合理性影响着人口空间化数据的精度。当前人口空间化的主要方法是借助遥感影像数据和统计人口数据,建立多元回归模型并且在格网尺度上反演人口数量。利用RS与GIS进行人口空间化的方法可归纳为3类:土地利用建模方法、多源信息融合法、像元特征法。土地利用建模方法原理简单且精度较高,但不能反映人口分布的随机特征[10]。多源信息融合法模拟结果精度高,能够较为真实地反映人口数据空间分布情况,但是所选因子的权重确定过程复杂[11,12,13];基于像元特征的空间化方法是高分辨率空间化的重要手段,但多采用经验型统计模型实现空间化,普适性较差[14,15]。
随着RS与GIS的发展,社会经济指标数据空间化的数据源也在不断丰富。目前,人口数据空间化过程中所用到的数据源,主要有土地利用/覆盖 、夜间灯光、植被、数字高程、兴趣点、建筑轮廓、道路、河流等数据[16,17,18,19,20,21,22]。其中土地利用与夜间灯光遥感监测数据是人口空间化的关键数据基础[23,24]。土地利用类型与人口分布格局直接相关,但难以细化同一类型内部的人口差异。而土地利用类型与夜间灯光数据的结合为解决人口均一化问题提供了思路。目前应用较多的夜间灯光数据是美国国防气象卫星计划数据（Defense Meteorological Satellite Program's Operational Linescan System, DMSP/OLS）和新一代夜间灯光数据可见光红外成像辐射仪数据（National Polar-orbiting Partnership's Visible Infrared Imaging Radiometer Suite, NPP/VIIRS）,NPP/VIIRS较DMSP/OLS数据在辐射饱和、空间分辨率问题上有了显著提升。而植被指数与不透水面呈现负相关关系,与夜间灯光数据结合在反映人类活动以及提取建成区方面可以互补,有效减少夜间灯光像元饱和等因素引起的误差[12]。POI数据作为新型数据源,对于地物信息的表达更加精准,是一种高精度的辅助数据[11]。
针对上述问题,本研究融合人口统计、土地利用、夜间灯光、道路网络等多源数据,借助GIS空间分析功能,构建分区分级的人口空间化模型,分析人口时空动态变化特征以及其影响因素。为服务产业与人口关系分析,研究制备了与投入产出表编制相对应的2012年和2017年的北京市100 m格网人口空间分布数据,并与统计和其他数据源进行数据精度对比分析。研究分析北京市人口时空动态变化特征,为北京市缓解城市资源环境压力,完善人口疏解政策提供科学依据。

2 数据来源与预处理

2.1 数据来源

数据源主要包括NPP/VIIRS夜间灯光数据[25]、土地利用类型数据[26]、MODIS NDVI植被指数数据[27]、交通路网数据[28]、兴趣点数据（Point of Information）[29]、Chinapop2010[30]、人口统计数据[31]和行政边界[32]等数据（表1）。其中,NPP/VIIRS夜间灯光数据来源于NOAA/NGDC网站,其空间分辨率达到15″（约450 m）,所采用的广角辐射探测仪消除了灯光过饱和现象,增强了探测敏感度,在轨检校程序也进一步提高了影像的清晰度[33]。土地利用类型数据是由中国科学院资源环境科学数据中心提供,以各时间段Landsat TM/ETM+遥感影像为主要数据源,通过人工目视解译的方法生成了包含耕地、林地、草地、水域、建设用地和未利用地在内的6个一级类数据,以及包括城镇用地、农村居民点、其他建设用地等25个二级类数据。MODIS NDVI数据来源于中国科学院计算机网络信息中心地理空间数据云平台,采用中国500 m NDVI月合成产品,是MODND1D通过当月每天最大值计算而得,用于夜间灯光数据的过饱和化处理。
表1 北京市人口空间化模型数据源列表

Tab. 1 List of data sources applied in spatialized model of Beijing population

数据集 年份 属性 数据来源
土地利用 2010、2015 100 m http://www.resdc.cn/
NPP/VIIRS 2012、2017 450 m https://www.noaa.gov
人口统计 2010、2012、2017 街道及以上行政规划 http://www.bjstats.gov.cn/
行政边界 2012、2017 街道及以上行政边界 http://www.resdc.cn/
道路网络 2015 乡级及以上行政道路、高速、铁路、地铁及环线 http://www.resdc.cn/
兴趣点 2015 公园、机场、水体 http://www.resdc.cn/
MODIS NDVI 2012、2015 500 m http://www.gscloud.cn
Chinapop 2010 100 m https://doi.org/10.1016/j.scitotenv.2018.12.276

2.2 数据预处理

数据预处理包括:人口统计数据建库、NPP/VIIRS夜间灯光数据修正、修订后土地利用重分类及其时空匹配,数据地理参考系采用统一的WGS-84,栅格数据重采样为100 m,重采样方法为最邻近法。
（1）夜间灯光数据。将原始的月夜间灯光影像进行裁剪、投影、重采样后,合成100 m北京市NPP/VIIRS年夜间灯光数据。利用ArcGIS软件提取工具,取值在0~1范围之间的植被指数（负值与水相关）。为削弱夜间灯光数据在城市公共绿地等区域的溢出效应,提升夜间灯光数据在城市内部人类活动区域的精确表达,依据相关研究对NPP/VIIRS夜间灯光数据进行修正（图1）,得到基于MODIS NDVI 指数修正后的VANUI（Vegetation Adjusted NTL Urban Index）指数[34,35],如式（1）所示。
VANUI = ( 1 - NDVI ) × NTL
式中:VANUI为植被调整的NTL城市指数;NDVI为植被指数,取值范围0~1;NTL为NPP/VIIRS指数,取值范围1~255。
图1 2017年夜间灯光数据修正过程

Fig. 1 Correction process of nighttime lights data in 2017

（2）土地利用类型数据。一般而言,人口聚居在城乡建设用地[36],故利用ArcGIS软件提取工具,提取城镇用地与农村居民点2种类型为人口聚居区边界;考虑土地利用类型的比例尺,城市内部的道路、水体、公园等用地未能得到精细刻画需要进行修正,依据道路宽度以及道路距居住区距离做缓冲区,将其从人口聚居区中剔除。水体、公园和机场作相同处理。
（3）统计数据。收集2012年和2017年街道尺度的人口统计资料。由于行政区划调整与街道名称变更,研究对2012和2017年街道名称进行统一识别,以保证空间匹配,最终确定325个街道边界。
（4）人口空间化结果验证数据。研究选取一套最新公开的基于随机森林法与多源遥感数据制得的2010年100 m中国人口密度数据（Chinapop2010）,作为本研究2012年人口空间化结果的对比验证数据。该数据是目前公开的分辨率高、精度较好、年份较为接近的产品,因年份差异,本研究仅利用其北京部分（Chinapop2010_BJ）进行空间格局上的对比分析,不进行数值校验。

3 研究方法

本研究以北京市325个街道为研究单元,设计人口时空动态变化分析的技术路线（图2）。数据制备的具体步骤为:① 修正土地利用以及夜间灯光,得到高精度的输入数据;② 将具有相同特征的要素归类,来反映人口分布状态,根据街道边界内土地利用特征,将街道划分为城镇、乡村与城乡结合3种类型,以这3种类型边界为掩膜,提取修正后的夜间灯光即VANUI指数,并基于VANUI指数特征进行分级;③ 根据分区分级后的VANUI指数与对应区域的常住人口进行回归分析,构建人口空间化模型,得到初始人口栅格化数据,再对比分析模拟精度,若误差超过10%,则对该区域重新进行建模,反复迭代直到满足精度要求,最终生成100 m格网尺度人口空间化数据。在高精度人口空间分布数据的基础上,对人口密度和空间格局的变化进行分析,探讨北京市人口时空动态变化特征及其影响因素。
图2 北京市人口时空动态变化特征分析技术路线

Fig. 2 Workflow for analyzing the spatio-temporal characteristics of Beijing's population dynamics

3.1 土地利用类型分区与VANUI分级

用地类型变化不仅能够反映该地区经济发展状况,也能充分体现人口空间上的集聚状态。根据街道单元内的土地利用特征,将街道划分为3种类型:① 城镇型,即街道单元内为均质的城镇用地类型;② 乡村型,即街道单元内为均质的农村居民点类型;③ 城乡结合型,即街道单元内包含城镇与农村居民点2种用地类型（图3）。2012年和2017年城镇型与城乡结合型规模均在扩大,乡村型规模在减少,符合城市化进程的发展规律。
图3 2012年和2017年北京市街道类型分布

Fig. 3 Spatial distribution maps of Beijing's street blocks categories in 2012 and 2017

城镇与乡村区域内人口数量及VANUI值差异显著。因此,对分区内的VANUI值进行有效分级,可以表征其内部的人口空间分布差异特征[37]。为使VANUI值分级能够反映该区的VANUI特征,同时避免因分级数目过多造成极端值干扰整体分级阈值确定的困境,研究确定同一类型区内分级为 2~3个。2012年VANUI值各分级阈值是分区内VANUI统计值（图4）以自然断点法为基础,结合分区特征进行调整而最终确定的（表2）。2012年和2017年的VANUI值在同一空间上具有一定变化差异,但为保障同一区域基本属于同一类型,2017年VANUI值的分级阈值在自然断点法的分级基础上,充分考虑年份间在空间上的匹配进行了适当调整。统计对比发现,2012年和2017年相同类型区像元个数与VANUI值具有相似的变化趋势。城镇与乡村区VANUI值呈现不同的变化趋势,城镇内的像元个数随着VANUI值的增大表现为先增大后减少;而乡村内的像元个数随着VANUI值的增加呈现减少趋势,符合城镇和乡村的发展规律。由于乡村用地大多数人口所对应的VANUI值较低,不宜进一步分级,因此只对城镇范围的VANUI值进行分级。针对各分区的分级结果进行筛选,最终确定分级数目与分级阈值。
图4 2012年和2017年北京市不同街道类型区VANUI值与像元个数关系

Fig. 4 The relationship between VANUI value and pixel number of different types of streets spatial zones in 2012 and 2017

表2 2012年和2017年不同街道类型内VANUI指数分级详情

Tab. 2 Detailed description of VANUI index categories for Beijing's street blocks in 2012 and 2017

年份 分区 分级数目 分级详情
城镇一 城镇二 城镇三 农村
2012 城镇型 三级 [0,32) [33,64) [65,205)
城乡结合型 三级 [0,22) [23,110) [0,77)
乡村型 一级 [0,229)
2017 城镇型 三级 [0,22) [23,49) [50,164)
城乡结合型 三级 [0,14) [15,84) [0,69)
乡村型 一级 [0,164)

注:[ , ）中数字为分级后VANUI取值范围。

3.2 分区与分级结合的人口空间化方法

采用土地利用线性回归方法,分别对城镇用地和农村用地范围实现人口数据空间化处理[38]。每一个分区单独建模,依据各分区的VANUI分级标准,重分类后被细分成2~3类。街道单元建模,依据街道内存在一种或者多种土地利用类型,根据不同用地特征采用不同建模方式。
（1）针对城镇型或乡村型,其空间范围内只存在均质的土地利用类型,故采用线性函数建立人口空间化模型,如式（2）所示。
po p c = k × ∑ L night ' + b
式中: po p c 是建模区域街道单元人口;k是待定的回归系数; ∑ L night ' 是对应的街道行政单元内人口聚居区的VANUI指数之和;b为常数。
（2）针对城乡结合型,其空间范围内存在2种土地利用类型,故采用多元线性回归的方法来实现,如式（3）所示。
p i = ∑ j = 1 n a j × s ij + b
式中: P i 为城乡结合型第i个街道常住人口; a j 为j类土地利用下的人口分布系数/（人/hm2）; S ij 为第i个街道j类土地利用的面积/hm2;n代表土地利用类型种类。
在上述2种模型中,根据“无土地无人口”的原则,将常数项b值设定为0。且假设前提为分区内同一用地类型人口分布系数相同,因此,依据模型模拟的人口总数与统计人口数之间存在一定误差,采用加权平差法,对各街道的模拟人口进行误差校正。

3.3 人口空间化模拟精度检验

采用平均相对误差（Mean Percentage Error,MPE）和相对误差（Relative Error,RE）来检验空间化数据集的精度。汇总街道行政边界内的人口空间数据,再将得到的模拟人口总数与街道人口统计数据进行误差分析。平均相对误差MPE与相对误差RE的计算如式（4）、式（5）所示。
MPE = ∑ i=1 n RE i n
其中,
RE = po p m - po p a po p a × 100 %
式中:MPE为平均相对误差;RE为相对误差;POPm为统计得到的街道人口模拟值;POPa为该区人口统计数据;i表示第i个街道;m表示街道个数。

4 结果与分析

4.1 空间化人口结果检验与对比

对比模型模拟的人口空间化结果与统计数据发现,模型模拟精度较好。2012年和2017年全市街道尺度内的模拟值与统计值平均相对误差分别为0.94%与1.43%,相对误差范围分别为-4.04%~5.67%和-8.74%~9.42%。本研究将人口空间化结果BJpop2012与已公布的人口数据Chinapop2010_BJ进行比较,分别从整体拟合精度、偏离度、局部重点区域3个方面进行对比分析。结果表明,BJpop2012和Chinapop2010_BJ具有显著的线性关系,R2达到0.77,且二者之间的相关性系数为0.88,相关性较高,说明BJpop2012和Chinapop2010_BJ在空间上具有高度相似性（图5）。
图5 人口空间化数据（BJpop2012）和已公布人口数据（Chinapop2010_BJ）的相关性分析

Fig. 5 Correlation analysis of the data generated in this study (BJpop2012) and published data (Chinapop2010_BJ)

以街道为统计单元,利用偏离系数衡量两个研究结果空间上的匹配度。偏离系数常用于分析人口与产业在空间上的匹配度[39],运用其原理计算2个空间结果的匹配程度。匹配度是依据BJpop2012空间分布份额与Chinapop2010_BJ空间分布份额差额的绝对值,绝对值越小说明二者越匹配,反之匹配程度越低。经计算,偏离系数取值在0.000001~0.0103之间,说明2种数据具有极其相似的空间分布模式（图6）。其中,偏离系数在0.006185~0.0103范围的是偏差较高的区域,主要分布在东城区的建国门街道,朝阳区的香河园街道、安贞街道、小关街道、三里屯街道,丰台区的右安门街道、东高地街道、新村街道、西罗园街道,房山区的星城街道,共10个街道。究其原因,本研究的人口空间化数据以夜间灯光值为基础数据之一,且上述区域整体VANUI值高,使其人口空间化数值出现局部区域高估的可能性,导致其与统计人口偏差相对较大。上述地区一般行政商业繁荣,分布着火车站、商厦、酒店、商业街等,建筑密集,经济活动较强,灯光值相应较大,也对应着较为大量的流动人口,使其与实际常住人口产生一定偏差。
图6 人口空间化数据（BJpop2012）和已公布人口数据（Chinapop2010_BJ）偏离系数

Fig. 6 Deviation coefficient chart of the data generated in this study (BJpop2012) and published data (Chinapop2010_BJ) in Beijing's sub-district

对比BJpop2012和Chinapop2010_BJ局部重点区域人口分布差异。Chinapop2010_BJ中人口几乎遍布整个地理空间,而本研究制备的BJpop2012数据由于排除道路、公园、水体、机场等不存在常住人口的区域,使得人口空间分布范围更加精准;Chinapop2010_BJ在街道内部人口分布几乎呈现一致的分布状态,而BJpop2012则表现出人口在街道内部的分布差异,以回龙观街道、广安门内街道、奥运村街道等街道单元为例（图7）。
图7 人口空间化数据（BJpop2012）和已公布人口数据（Chinapop2010_BJ）局部重点区域对比

Fig. 7 Comparison of the data generated in this study (BJpop2012) and published data (Chinapop2010_BJ) in Beijing's local areas

4.2 北京市人口空间分布的动态分析

对比2012年和2017年北京市100 m格网人口空间化的数据集,分析人口时空动态变化特征。从人口空间分布形态来看,高密度人口主要集中在城市中心区,且2期人口密度在空间上均呈现“内密外疏”的空间失衡状态（图8）。从单位格网人口来看,2012年人口密度最大值为2564人,最小值为6人,人口超过2000人的网格有20个,其中有18个在二环至三环之间;2017年人口密度最大值为2345人,最小值为3人,人口超过2000人的网格有2个,分布在三环至四环之间。从交通环线内人口来看,2012年和2017年北京市二环以内人口数量分别约为138万人与129万人,该区域减少近9万人;2012年和2017年二环至三环之间的人口数量分别约为244万人与233万人,减少近11万人;四环到五环之间的人口数量分别约为357万人、352万人,减少近5万人。五环以内区域共减少近25万人,但是三环到四环之间、五环以外区域人口数量呈增加状态,这2个区域共增加人口近6万人。2012—2017年二环至三环减少人口数量最多,减少近11万人,这些街道主要位于东城和西城区;三环以内减少人口近19万人。
图8 北京市2012与2017年100 m格网人口分布

Fig. 8 Spatial distribution of Beijing's population in 2012 and 2017 (100 m×100 m grid)

2期数据集在100 m格网内的人口差值为-2564~1904人。用正态分布函数的标准差σ和均值μ来分析两期人口变化在空间上的集中趋势与离散度。100 m格网内人口数差值与频数的R2为0.89,说明拟合度较好（图9）。进一步求得标准差σ为100,均值μ为7,取（μ-σ, μ+σ）范围作为人口变化幅度最为集中的范围,得到人口在-93~103人内变化的格网有168 856个,占总体变化格网的81.6%。北京市人口变化区域主要在城六区以及其周围的街道（图10）。人口变化范围在-2564~-9人的有 21 885个格网,主要是以城六区为主,虽存在少量增加人口的格网,但仍能说明城六区人口整体呈减少趋势。人口变化范围在-499~-94人之间的格网个数为20 865个,占总体变化格网的10%,说明北京市100 m格网内减少人口多是以500人以内为主;增加人口范围在107~1904人的有16 958个格网,主要分布在城六区与城郊区边界接壤的街道,说明未来人口有可能在这些街道聚集。人口变化范围在108~500人之间格网个数为14 979个,占总体变化格网的7.2%,说明北京市100 m格网内增加人口多以500人以内为主。
图9 100 m格网内人口差值正态分布

Fig. 9 Normal distribution of population difference at 100 m×100 m grid level

图10 2012—2017年北京市城区人口变化空间分布(100 m格网)

Fig. 10 Spatial distribution of population difference in urban areas from 2012 to 2017

比较2012年和2017年各区县常住人口数据（空间化后结果）。2012—2017年城六区（首都功能核心区和城市功能拓展区）减少人口20.74万人,人口数量占比下降,其它区县（城市发展新区和生态涵养发展区）增加人口113.97万人,人口数量占比上升,它们各自所包含的功能区的人口数量、人口数量占比,与其有相同的变化趋势,仅有海淀区人口数量存在不一致的现象,本研究模拟的海淀人口增加0.27万人,统计数据显示海淀减少人口0.4万人,误差为0.67万人,误差控制在了合理的范围（表3）。其中,首都功能核心区减少人口最多,减少12.92万人,城市功能拓展区人口数量占比下降最快为2.46%,城市发展新区增加人口最多,增加104.43万人,而生态涵养发展区则变化不大。从区县人口数量与占比可见,西城区减少人口最多,减少6.99万人,大兴区增加人口最多,增加28.52万人,人口数量占比上升最大,而朝阳区、海淀区在全市的人口数量占比下降相对较多。总体来看,2017年底,城六区人口已经迁移到其他区县甚至迁出北京,说明北京市在控制人口增长和迁移部分企业对人口有效疏解起到一定作用;其他区县不仅在接纳城六区人口,也在吸收北京以外地区的人口,说明北京市整体在朝着全方位、协调的方向发展。2017年末北京市常住人口达到2171万人,这是自2000年以来首次出现负增长。
表3 2012年和2017年北京各区常住人口信息（空间化后结果）

Tab. 3 Residental population information for Beijing's districts in 2002 and 2017 (results from spatialized dataset)

地区 数量/万人 占比变化/%
2012年 2017年 变化 2012年 2017年 变化
首都核心功能区 219.82 206.90 -12.92 10.63 9.57 -1.06
东城区 90.94 85.01 -5.93 4.40 3.93 -0.46
西城区 128.88 121.90 -6.99 6.23 5.64 -0.59
城市功能拓展区 1007.51 999.68 -7.82 48.71 46.25 -2.46
朝阳区 374.38 373.14 -1.24 18.10 17.26 -0.84
海淀区 347.16 347.43 0.27 16.78 16.07 -0.71
丰台区 221.83 218.05 -3.77 10.72 10.09 -0.64
石景山区 64.14 61.07 -3.08 3.10 2.82 -0.28
城市发展新区 683.81 788.24 104.43 33.06 36.46 3.41
房山区 98.60 114.38 15.78 4.77 5.29 0.52
通州区 130.37 149.69 19.32 6.30 6.92 0.62
顺义区 96.03 111.80 15.78 4.64 5.17 0.53
昌平区 183.07 205.46 22.39 8.85 9.50 0.65
大兴区 146.44 174.96 28.52 7.08 8.09 1.01
门头沟区 29.31 31.95 2.64 1.42 1.48 0.06
生态涵养发展区 157.30 166.85 9.54 7.60 7.72 0.11
怀柔区 37.82 40.16 2.33 1.83 1.86 0.03
平谷区 42.29 44.42 2.13 2.04 2.05 0.01
密云区 45.18 48.56 3.38 2.18 2.25 0.06
延庆区 32.01 33.71 1.71 1.55 1.56 0.01
本研究结合各区功能定位分析人口空间变动影响因素。首都功能核心区是国家政治中心、文化中心和国际交往中心的核心承载区,2012年该区面临着严重人口压力,适度限制与核心区不匹配的功能,疏解该区人口刻不容缓。西城区采取集中进行简易楼腾退、棚改项目和清退出租房等措施,使大量人口迁出,该区减少人口最多,达6.99万人。东城区主要通过加强户籍管理清理集体户、空挂户、核销外迁户籍并且建立常住人口和户籍人口“双调控” 等制度措施来实现人口管控,减少5.93万人。
城市功能拓展区中,朝阳区和海淀区人口密集且规模较大。2012—2017年,朝阳、海淀两区人口数量占比均下降,分别下降0.84%和0.71%。朝阳区具有人口规模大、人口结构复杂等特征,通过产业转型升级,疏解升级区域性物流基地,将专业市场调整退出,部分企业有序疏解迁出,如路德工程技术有限公司全部外迁、西直河石材市场八成土地做绿化,雅宝路服装市场疏解等,这些整改间接影响部分人口迁出。海淀区是文化教育大区,其商业、金融业、房地产业不断提升,吸引着大量外来人口,使得区域内人口结构复杂,参差不齐,人户分离现象严重,资源环境压力巨大。该区通过腾退空间推进产业转型,将部分高校迁出,缓解人口压力,迫使部分人口流出,促进空间集约化利用和新兴产业发展,不断向“承载全国科技创新中心功能的核心承载体和引领带动核心发展区发展的新引擎”的定位靠拢。
城市发展新区和生态涵养发展区功能定位于依托新城、国家级和市级开发区,发展高新技术产业、现代制造业和现代农业,是北京市城市规划中承接城六区人口的重要区域。这些区域随着基础设施不断完善、教育医疗文化产业的引入,吸纳了更多人口汇集。该区域的人口均呈增长态势,其中大兴区、昌平区、通州区增长人口较多,分别增加约19~30万人不等。生态涵养发展区是北京的生态屏障和水源保护地,属于限制、禁止开发区域,多为山区地带,自然环境优美,解决保护生态环境与经济发展之间的矛盾是发展的核心议题,在吸引人口的同时应考虑自然资源与生态环境的承载能力。

5 结论与讨论

5.1 结论

北京市人口的时空动态变化与城市功能定位、产业转型、人口调控等因素息息相关。高精度的人口空间分布数据能够对首都功能优化、城乡统筹发展、人口疏解政策完善等工作提供科学依据。本研究融合人口统计、土地利用、夜间灯光及道路网络等多源数据,构建分区分级的人口空间化模型,制备了2012—2017年100 m格网的人口空间化数据集。基于2012年和2017年人口空间化数据,从人口密度和空间格局2个方面变化,定量分析北京市人口时空动态特征。得出以下2个主要结论:
（1）根据街道单元内土地利用特征进行街道分区,通过VANUI指数对城镇范围进行分级,构建分区分级的人口空间化模型,提高了人口空间化模型的模拟精度。通过土地利用特征初步界定人口集聚区范围,使空间化结果与人口实际活动范围接近;模拟人口与统计人口之间的平均相对误差在1%左右,相对误差范围在10%以内。同时,与已公开的人口空间化数据的整体及局部格局进行对比,利用相关性与偏离度两个指标进行校验,验证表明,本研究的人口空间化数据精度高。总体而言,从数据预处理,模型建模、结果验证等方面进行系数分析,确保人口空间化结果的精度。本研究制备的人口空间化数据集,可以弥补人口统计数据分辨率不佳的缺陷,也可为北京市人口疏解政策完善提供科学的、客观的数据支持。
（2）从动态人口空间分布来看,2012—2017年功能区人口空间分布信息中,人口减少区域主要集中于城六区。首都功能核心区减少人口最多,减少约13万人,城市功能拓展区减少近8万人,符合加强首都核心功能定位要求。在区县尺度上,西城区人口减少最多。以城市主干交通环线为参考分析可知,三环以内人口减少数量约占城六区减少人口数量的95%,说明城市核心区人口减少最明显。统计100 m格网尺度的人口,人口密度高值呈下降趋势,且超过2000人的格网个数在减少,减少人口主要分布在城六区。以上均说明产业转型与人口疏解政策等因素共同影响北京市人口空间分布,增加人口主要分布在城六区与城郊边界接壤的街道内,这些区域未来可能成为新的人口聚集区。

5.2 讨论

随着大数据技术的发展,多源、多尺度、多维与多主题的人口相关数据不断呈现,通过空间数据信息挖掘,人口空间化模型的精度不断提高。本研究基于北京市人口统计和多源空间数据开展人口空间化模拟,空间数据的精度和尺度决定了人口数据的精度。基于NDVI数据的夜间灯光数据处理在一定程度上解决了灯光的空间溢出问题。然而,由于部分商业区和厂房区等非居住功能城区信息缺乏制约空间化人口数据精度,未来开展集成城市功能区分类信息,将有助于改进人口空间化建模方法。此外,北京市人口空间发展存在严重“内密外疏”现象,未来人口可能在与城六区接壤街道出现新的人口集聚区域。两期空间数据对比分析发现,北京市不仅缓解了人口持续增长压力,也在对首都核心功能逐步强化。在京津冀一体化发展的背景下,北京与周边省份的联系愈加密切,而常住人口的动态频次更高,人口统计数据的精度也将制约空间化结果。大数据信息技术的发展能够为制备高精度、实时和动态的人口空间化数据提供技术支持,也成为了地理信息技术研究的热点议题。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张雷, 刘慧. 中国国家资源环境安全问题初探[J].中国人口·资源与环境,2002(1):43-48.

[ Zhang L, Liu H. An issue on the national security of national resources and environment for China[J]. China Population Resources and Environment, 2002(1):43-48. ]

[2]
黄小黎. 珠江三角洲发展中人口问题探讨[J]. 地理与地理信息科学, 2003,19(5):109-112.

[ Huang X L. Discussion on population issue in sustainable development of social -economy in the Pearl River Delta[J]. Geography and Geo-Information Science, 2003,19(5):109-112.]

[3]
高媛媛, 王红瑞, 韩鲁杰, 等. 北京市水危机意识与水资源管理机制创新[J]. 资源科学, 2010,32(2):274-281.

[ Gao Y Y, Wang H R, Han L J, et al. Consciousness of water resources crisis and the innovation of the water resources management system in Beijing[J]. Resources Science, 2010,32(2):274-281. ]

[4]
梁昊光, 刘彦随. 北京市人口时空变化与情景预测研究[J]. 地理学报, 2014,69(10):1487-1495.

[ Liang H G, Liu Y S. Study on spatio-temporal change and simulation of population in Beijing based on census data[J]. Acta Geographica Sinica, 2014,69(10):1487-1495. ]

[5]
童玉芬, 马艳林. 城市人口空间分布格局影响因素研究——以北京为例[J].北京社会科学,2016(1):89-97.

[ Tong Y F, Ma Y L. Influencing factors for the spatial distribution pattern of urban population: Take Beijing as an example[J]. Social Science of Beijing, 2016(1):89-97. ]

[6]
叶宇, 刘高焕, 冯险峰. 人口数据空间化表达与应用[J]. 地球信息科学学报, 2006,18(2):59-65.

[ Ye Y, Liu G H, Feng X F. Presentation of spatial distribution of population and its application[J]. Geo-information Science, 2006,18(2):59-65. ]

[7]
王雯菲, 张文新. 改革开放以来北京市人口分布及其演变[J]. 人口研究, 2001,25(1):62-66.

[ Wang W F, Zhang W X. Distribution and evolution of Beijing population since reform and open-up[J]. Population Research, 2001,25(1):62-66. ]

[8]
赵蕊. 北京常住人口空间分布变动与对策研究[J].北京社会科学,2018(1):14-25.

[ Zhao R. Study on the changes of spatial distribution of resident population and countermeasures in Beijing[J]. Social Science of Beijing, 2018(1):14-25. ]

[9]
林文棋, 陈会宴, 谢盼, 等. 基于多源数据的北京市朝阳区人口时空格局评估与预测[J]. 地球信息科学学报, 2018,20(10):1467-1477.

[ Lin W Q, Chen H Y, Xie P, et al. Spatial-temporal variation evaluation and prediction of population in chaoyang district of Beijing based on multisource data[J]. Journal of Geo-information Science, 2018,20(10):1467-1477.]

[10]
柏中强, 王卷乐, 姜浩, 等. 基于多源信息的人口分布格网化方法研究[J]. 地球信息科学学报, 2015,17(6):653-660.

[ Bai Z Q, Wang J L, Jiang H, et al. The gridding approach to redistribute population based on multi-source data[J]. Journal of Geo-information Science, 2015,17(6):653-660. ]

[11]
淳锦, 张新长, 黄健锋, 等.基于POI数据的人口分布格网化方法研究[J].地理与地理信息科学, 2018, 34(4):83-89,124,126.

[ Chun J, Zhang X C, Huang J F, et al. A gridding method of redistributing population based on POIs[J]. Geography and Geo-information Science, 2018, 34(4):83-89,124,126. ]

[12]
杨续超, 高大伟, 丁明军, 等. 基于多源遥感数据及DEM的人口统计数据空间化——以浙江省为例[J]. 长江流域资源与环境, 2013,22(6):729-734.

[ Yang X C, Gao D W, Ding M J, et al. Modeling population density using multi-sensor remote sensing data and DEM: A case study of ZheJiang Province[J]. Resources and Environment in the Yangtze Basin, 2013,22(6):729-734. ]

[13]
Yang X, Ma H. Natural environment suitabiliry of china and its relationship with population distributions[J]. International Journal of Environmental Research and Public Health, 2009,6(12):3025-3039.

PMID

[14]
Catherine L, Marius G, Snow R W, et al. Population distribution, settlement patterns and accessibility across Africa in 2010[J]. PLoS One, 2012,7(2):e31743-.

[15]
Azar D, Engstrom R, Graesser J, et al. Generation of fine-scale population layers using multi-resolution satellite imagery and geospatial data[J]. Remote Sensing of Environment, 2013,130:219-232.

[16]
Xiong J N, Wei F Q, Jiang Y H, et al. Classification simulating population distribution and disaster emergency Management considering the disparity between city and rural area taking SiChuan as an example[J]. Disaster advances, 2012,5(4):1718-1723.

[17]
Lu D S, Tian H Q, Zhou G M, et al. Regional mapping of human settlements in southeastern China with multisensor remotely sensed data[J]. Remote Sensing of Environment, 2008,112(9):3668-3679.

[18]
周自翔, 李晶, 任志远. 基于GIS的关中—天水经济区地形起伏度与人口分布研究[J]. 地理科学, 2012,32(8):951-957.

[ Zhou Z X, Li J, Ren Z Y. The relief degree of land surface and population distribution in Guanzhong-Tianshui economic region using GIS[J]. Scientia Geographica Sinica, 2012,32(8):951-957. ]

[19]
卓莉, 黄信锐, 陶海燕, 等. 基于多智能体模型与建筑物信息的高空间分辨率人口分布模拟[J]. 地理研究, 2014,33(3):520-531.

[ Zhuo L, Huang X R, Tao H Y, et al. High spatial resolution population distribution simulation based on building information and multi-agent[J]. Geographical Research, 2014,33(3):520-531. ]

[20]
廖顺宝, 孙九林. 基于GIS的青藏高原人口统计数据空间化[J]. 地理学报, 2003,58(1):25-33.

[ Liao S B, Sun J L. GIS based spatialization of population census data in Qinghai-Tibet Plateau[J]. Acta Geographica Sinica, 2003,58(1):25-33. ]

[21]
Elvidge C D, Baugh K E, Dietz J B, et al. Radiance calibration of DMSP-OLS low-light imaging data of human settlements[J]. Remote Sensing of Environment, 1999,68(1):77-88.

DOI

[22]
高义, 王辉, 王培涛, 等. 基于人口普查与多源夜间灯光数据的海岸带人口空间化分析[J]. 资源科学, 2013,35(12):2517-2523.

[ Gao Y, Wang H, Wang P T, et al. Population spatial processing for chinese coastal zones based on census and multiple night light data[J]. Resources Science, 2013,35(12):2517-2523. ]

[23]
王明明, 王卷乐. 基于夜间灯光与土地利用数据的山东省乡镇级人口数据空间化[J]. 地球信息科学学报, 2019,21(5):699-709.

DOI

[ Wang M M, Wang J L. Spatialization of township-level population based on nighttime light and land use data in Shandong Province[J]. Journal of Geo-Information Science, 2019,21(5):699-709. ]

[24]
Yu B, Shi K, Hu Y, et al. Poverty evaluation using NPP-VIIRS nighttime light composite data at the county level in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(3):1-13.

[25]
National Oceanic and Atmospheric Administration (NOAA) National Centers for Environmental Information. Version1 VIIRS Day/Night Band Nighttime Data. (2012、2017) [DB/OL] https://www.ngdc.noaa.gov/eog/viirs/download_dnb_composites.html, 2018-11-23.]

[26]
资源环境数据云平台.中国100 m土地利用数据(2010年、2015年)[DB/OL]. http://www.resdc.cn/, 2018-11-23.

[ Resource and Environment Data Cloud Platform. land use data of China in 100m(2010、2015) [DB/OL] http://www.resdc.cn/, 2018-11-23.]

[27]
中国科学院计算机网络信息中心地理空间数据云平台.中国500M NDVI月合成产品MODND1D(2012年、2015年)[DB/OL]. http://www.gscloud.cn/, 2018-11-23.

[ Geospatial Data Cloud site, Computer Network Information Center, Chinese Academy of Sciences. NDVI monthly synthetic product of China in 500m MODND1D(2012、2015) [DB/OL]. http://www.gscloud.cn/, 2018-11-23.]

[28]
资源环境数据云平台.道路数据(2015年)[DB/OL]. http://www.resdc.cn/, 2018-11-23.

[ Resource and Environment Data Cloud Platform. Rode Data. (2015) [DB/OL] http://www.resdc.cn/, 2018-11-23.]

[29]
资源环境数据云平台.北京兴趣点POI数据(2015年)[DB/OL]. http://www.resdc.cn/, 2018-11-23.

[ Resource and Environment Data Cloud Platform. POI Data of Beijing Points of Interest. (2015) [DB/OL]. http://www.resdc.cn/, 2018-11-23.]

[30]
Ye T, Zhao N, Yang X, et al. Improved population mapping for China using remotely sensed and points-of-interest data within a random forests model[J]. The Science of the total environment, 2019,658:936-946.

DOI PMID

[31]
北京市统计局. (2010年、2012年、2017年) [DB/OL]. http://www.bjstats.gov.cn/, 2018-11-23.

[ Beijing Municipal Bureau of Statistics. (2010、2012、2017) [DB/OL] http://www.bjstats.gov.cn/, 2018-11-23.]

[32]
资源环境数据云平台.中国乡镇行政边界数据(2012年、2017年)[DB/OL] http://www.resdc.cn/, 2018-11-23.

[ Resource and Environment Data Cloud Platform. China Township Administrative Boundary Data. (2012、2017) [DB/OL]. http://www.resdc.cn/, 2018-11-23.]

[33]
李峰, 米晓楠, 刘军, 等. 基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法[J]. 国土资源遥感, 2016,28(3):19-24.

[ Li F, Mi X N, Liu J, et al. Spatialization of GDP in Beijing using NPP-VIIRS data[J]. Remote Sensing For Land & Resources, 2016,28(3):19-24. ]

[34]
Zhang Q, Schaaf C, Seto K C. The vegetation adjusted ntl urban index: A new approach to reduce saturation and increase variation in nighttime luminosity[J]. Remote Sensing of Environment, 2013,129(none):32-41.

[35]
张晓璇, 胡永红, 樊彦国. VANUI指数监测京津冀城市群区域2001—2012年城市化过程[J]. 遥感技术与应用, 2015,30(6):1153-1159.

[ Zhang X X, Hu Y H, Fan Y G. The detection of urbanization process by VANUI Index in Jing-Jin-Ji Area from 2001-2012[J]. Remote Sensing Technology and Application, 2015,30(6):1153-1159. ]

[36]
陈晴, 侯西勇. 集成土地利用数据和夜间灯光数据优化人口空间化模型[J]. 地球信息科学学报, 2015,17(11):1370-1377.

[ Chen Q, Hou X Y. An improved population spatialization model by combining land use data and DMSP/OLS data[J]. Journal of Geo-Information Science, 2015,17(11):1370-1377. ]

[37]
王珂靖, 蔡红艳, 杨小唤, 等. 基于城镇居民用地再分类的人口数据空间化方法研究:以长江中游4省为例[J]. 遥感技术与应用, 2015,30(5):987-995.

[ Wang K J, Cai H Y, Yang X H, et al. Spatialization method for census data based on reclassifying residential land use in urban areas:A case study in the middle reaches of the Yangtze river watershed[J]. Remote Sensing Technology and Application, 2015,30(5):987-995. ]

[38]
杨小唤, 江东, 王乃斌, 等. 人口数据空间化的处理方法[J]. 地理学报, 2004,57(zl):70-75.

[ Yang X H, Jiang D, Wang N B, et al. Method of pixelizing population data[J]. Acta Geographica Sinica, 2004,57(zl):70-75. ]

[39]
李豫新, 王笳旭. 新经济地理学视角下人口与产业空间匹配性研究——以新疆地区为例[J]. 西北人口, 2014,35(1):56-61,68.

[ Li Y X, Wang J X. Study on the Mismatch of population and industry distribution under the perspective of new economic geography: A case of Xinjiang Province[J]. Northwest Population Journal, 2014,35(1):56-61,68. ]

Options
文章导航

/

〈 〉