EN中文

Journal of Geo-information Science >

2018 , Vol. 20 >Issue 2: 205 - 216

DOI: https://doi.org/10.12082/dqxxkx.2018.170368

Orginal Article

Simulation and Projection of the Spatial Pattern of the Population in Beijing under the Background of Non-capital Function Extraction

  • HU Zengzeng , 1, 3 ,
  • ZHAO Zhilong , 2, * ,
  • ZHANG Guixiang 1, 3
Expand
  • 1. College of Urban Economics and Public Administration, Capital University of Economics and Business, Beijing 100070, China
  • 2. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. Beijing Key Laboratory of Megaregions Sustainable Development Simulation, Beijing 100070, China
*Corresponding author: ZHAO Zhilong, E-mail:

Received date: 2017-08-08

  Request revised date: 2017-11-23

  Online published: 2018-03-02

Supported by

Beijing Social Science Foundation Research Base Project, No.14JDZHB007

Cultivation Program of Beijing Municipal Science and Technology Commission, No.Z171100002217021

Project from Collaborative Innovation Center for Economic and Social Development and Research of Megalopolis in CUEB, No.TDJD201401

Program of Postgraduates' Scientific and Technological Innovation in Capital University of Economics and Business

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Based on population distribution data of Beijing City at the spatial scale of 1 km×1 km grid in 2005 and 2010 and CA-Markov model, we simulated the spatial distribution of the population in 2015, 2020, 2025 and 2030. Then, we used the population data at the spatial scale of street to verify the simulation accuracy. On the basis of good reliability of the model and from the perspective that population redistribution is driven largely through industries transfer, we combined the data on employment quantity of different industries at the spatial scale of streets of Beijing city with the population redistribution goal and transfer direction of industries. Then, we calculated the decentralization weight of each street, and analyzed the spatial distribution after redistributing 15% of the population in the six central urban districts in 2020. The results indicated that, firstly, during 2005-2010, the region of the low population density at level 1 is accounting for 90%, focusing on Miyun District, Huairou District, Yanqing District and Fangshan District. Population density above level 10 focused on Xicheng District and Dongcheng District. Secondly, from 2015 to 2030, the low population density area shows a downward trend and the middle to high population density area shows an upward trend under natural conditions. Thirdly, under the impact of non-capital function extraction, population distribution in the six central urban districts shows a trend from focusing on middle-high level to low-middle level, and the high population density area shows a downward trend in 2020. Except Dongcheng District, the rest of five districts focus on population density area at level 5-8. In conclusion, this study can be useful for population management, resource allocation, and policy making.

Key words： spatia distribution of the population; kilometer grids; CA-Markov model; non-capital function; Beijing City

Cite this article

HU Zengzeng , ZHAO Zhilong , ZHANG Guixiang . Simulation and Projection of the Spatial Pattern of the Population in Beijing under the Background of Non-capital Function Extraction[J]. Journal of Geo-information Science, 2018 , 20(2) : 205 -216 . DOI: 10.12082/dqxxkx.2018.170368

1 引言

“十三五”时期是中国全面建成小康社会决胜阶段,国民经济要保持中高速增长,首都北京担负着重要的发展使命和示范引领作用。与此同时, 十三五期间控制2300万的人口规模是一个约束性指标。改革开放以来,北京市的常住人口从1978年的871.5万增加到现在的2151.6万,年均增长率为7%,在稳增长的大背景下,北京不仅具有人才、资金、商品、技术、信息等要素聚集的天然优势,也更多地从国家产业政策、区域发展政策以及新型城镇化发展中受益。以京津冀协同发展为例,随着京津冀交通一体化先行,城际铁路的修建、断头路的打通,三地间联系的加强,跨区域流动成本下降,人口会向市场规模较为庞大的、基础设施和公共服务好的核心城市集聚。因为人口跨区域流动的一个主要动因是获取更高的收入和更有体面的职业。北京城镇家庭人均可支配收入远远高于周边的河北、山西、内蒙、辽宁等城镇家庭,在基础设施、科教文卫、社会保障等公共服务领域具有明显的优势。随着国家新型城镇化的进一步实施和劳动力人口的自由流动,在京津冀一体化前期,将会有一段时间持续吸引周边的人口向北京集聚,直到周围城市形成反磁力从而吸引更多经济活动集聚的局面出现。“十三五”时期是京津冀协同发展在深层次上的破冰期,周边流动人口还将有一段时间向北京进一步集聚,加剧控制人口规模的困境。
在这种背景下,非首都功能的有序疏解不仅是破解北京“大城市病”的根本途径,更是促进北京产业转型升级、空间布局优化、发展阶段跃升和实现功能“蝶变”的难得历史机遇和最大发展动力,非首都功能疏解的目的和关键在于提升首都“四个中心”功能,而从当前北京的发展实际看,北京与纽约、伦敦、东京等国际城市相比还存在较大差距,同时也难以实现国家打造以北京为核心的世界级城市群的要求。通过疏解部分功能,一方面,倒逼产业朝高端化、服务化、聚集化、融合化、低碳化方向发展,实现“腾笼换鸟”,优化空间布局,强化优势资源聚集,提升核心功能,推动首都经济向形态更高级、结构更合理的发展阶段演化;另一方面,还可以激活并扩散北京的要素资源,促进区域趋同发展,实现京津冀协同发展[2]。关于非首都功能疏解,已有的研究集中在对非首都功能的内涵、疏解思路、疏解的影响等方面,从城市功能定位或城市功能的类别角度来看,非首都功能是除了4大核心功能（全国政治中心、文化中心、国际交往中心、科技创新中心）之外的城市功能[3],政府在引导疏解非首都功能过程中要注重差异化,对制造业和区域物流基地侧重鼓励政策和经济杠杆推动疏解,对部分社会公共服务功能和行政性、事业性服务机构的疏解侧重发挥政府对资源配置的推动作用[4],同时还要注重京津冀区域内部产业协同发展[5]。向哪里疏解非首都功能疏解,存在很大争议,包括向北京边缘区域的区县转移[6]、向津冀两地转移[7]、向雄安新区和通州集中疏解,使雄安新区与北京城市副中心共同形成北京新的两翼[8]等说法,也有具体到每类别的疏解建议,如北京石油加工业、金属加工业、造纸业、纺织业分别向沧州、邢台和唐山、廊坊、衡水疏解[9]。但无论向哪里疏解,城六区作为向外疏解的重点区域已达成共识。2015年,在北京市发布的《北京市人民政府关于进一步推进户籍制度改革的实施意见》中,提出2020年城六区常住人口在2014年基础上下降15%的目标,争议集中在选择需要疏解哪些产业,大多从定性的角度去阐述观点[8,9,10]。也有部分从定量的角度来分析的,包括采用行业平均工资低于全市平均工资80%作为甄选低端产业的依据、使用偏离份额分析法选出不具有本地竞争优势的产业、采用区位熵来遴选需疏解的产业、通过投入产出法分析经济敏感度选择应疏解的产业等[13,14]。
现有文献中关于人口空间分布方面的研究成果非常丰富,包括人口分布综述、规律研究、影响因素和机制、度量方式和应用研究等[15,16,17,18]。在人口学预测方面,大多围绕人口总量、劳动力数量和老龄化率及人口红利等数量或结构来预测,也有采用人口密度来衡量人口分布的,但最小的尺度也是县域尺度[19,20],且大多都是针对全国或者部分区域人口密度的预测,鲜有采用公里网格数据对单个城市人口密度进行动态预测。在对城市人口空间分布的研究中,经常用到克拉克和纽林模型[21,22,23],但是这些模型是西方学者根据西欧、北美等国家的大城市发展和人口空间分布变动概括所得,对北京城市的研究存在局限[24]。近年来,随着CA-Markov模型被引入到城市土地利用的研究中[25,26,27],以及基于人口密度与土地利用格局耦合关系的公里网格人口分布数据的产生,使运用CA-Markov模型探讨1 km空间尺度下不同区域人口密度的未来变化成为可能。对于单个城市人口密度预测而言,采用细化到公里网格的人口数据以及应用街道尺度的人口统计数据对模拟获得的人口空间分布进行验证,会使预测更加精准。此外,结合城市产业数据、产业疏解政策以及产业疏解方向,来确定人口疏解权重,也会使疏解政策下人口空间分布的模拟和预测工作更为精确。
综上,本文以北京市2005年和2010年的公里网格人口分布数据为基础,利用北京各区产业数据,结合疏解政策以及产业疏解方向,运用CA-Markov模型,模拟和对比北京市公里网格人口在有无非首都功能疏解政策干预下的空间分布,对人口管理、资源配置和政策制定都具有重要参考意义。

2 数据源与研究方法

2.1 数据源

本文所使用的北京市公里网格人口分布数据源于中国公里网格人口分布数据集[28],该数据集包括2005年和2010年的中国公里网格人口空间分布数据,数据格式为ArcGIS TIF格式,单位：人。本文采用北京市行政边界对2005年和2010年的中国公里网格人口分布数据进行裁切,分别得到2005年和2010年的北京市公里网格人口分布数据,并用以预测未来北京市人口空间分布模拟。地图数据即北京市行政边界及其内部各区行政边界数据源于 1:400万中国基础地理数据库（2003年）。本文通过整理龙信公司大数据、各区统计年鉴以及第三次经济普查数据,得到各区各街道各行业的企业数占比、各区各街道各行业从业人员占比数据。

2.2 数据处理

本文所采用的中国公里网格人口分布数据集[28]以遥感反演的土地利用数据和中国统计年鉴的人口统计数据为基础,在考虑人口密度与土地利用格局的耦合关系后,生成了1 km×1 km人口空间分布的栅格数据。根据2005年和2010年的北京市公里网格人口分布数据集中每一个1 km×1 km的网格内的人口数量（即人口密度/人/km2）和IDRISI TerrSet软件的Markov模块中最大的可分类别为20的限制条件,将北京市人口密度划分为20个等级,最低为第1级,人口密度为0~2000 人/km2,以此类推,在第1级和第20级之间,按照2000 人/km2的间距划分其余18个等级,第20级人口密度>38 000人/km2。最后,依据2005-2010年的人口变化状况并借助CA-Markov模型来模拟未来人口变化情况。

2.3 CA-Markov模型设定

CA模型是一种具有时空计算特征的动力学模型,能够将较小范围的观测数据结合到邻域转化规则中。其通过计算机模拟大范围的动态特征[29,30],按照一定的转换规则（包括邻域效应和转移可能图像） 控制空间格局变化[31],具有模拟复杂系统空间变化的能力。Markov模型是利用Markov链的无规则运动过程和状态转移概率对事物进行动态演变模拟。Markov链通过各种土地利用类型的转移面积矩阵控制时间变化[31],具有长期预测的优势。CA-Markov模型结合了二者优势,是一个能有效预测区域土地利用格局的变化和时空动态变化的综合模型[32,33,34]。同时,土地利用深刻地影响着人口的空间分布,其格局与人口密度之间存在着紧密联系。对人口数据按照密度等级进行重分类后,本文拟将人口密度等级按照土地利用类型来理解,并探讨人口密度的未来变化情况。CA-Markov模型具体流程[35]（图1）如下：
（1）利用Markov链计算转移概率矩阵
在IDRISI TerrSet软件的Markov模块中,分别输入2005年和2010年的北京市公里网格人口分布数据集,它们来源于2005年和2010年中国公里网格人口分布数据集（空间分辨率为1 km×1 km）,并由北京市行政边界矢量数据裁切获得。而后,得到2005-2010年不同人口密度等级之间的转移概率矩阵。
（2）创建人口转移可能性图集
人口转移可能性图集表示一种人口密度等级转换为另一种的可能性和概率,这个过程同时考虑每个人口密度等级的邻域效应。邻域效应强调人口变化的动态性。当一个区域内一种人口密度等级处于另一种人口密度等级包围时,那么该人口密度等级转化为另一种人口密度等级的概率很高,这符合相关研究指出的人口就近迁移规律[36,37]。
（3）模拟人口变化空间分布
利用IDRISI TerrSet软件中的CA-Markov模块模拟人口密度等级变化的空间分布,以2015年人口密度等级变化的空间分布模拟为例,需要3部分数据：① 2005年和2010年北京市公里网格人口分布数据集;② 2005-2010年不同人口密度等级之间的转移概率矩阵;③ 人口转移可能性图像集。设置CA的迭代次数为10,选择5 km×5 km的邻近滤波器。最后可得出2015年北京市人口分布的预测图。
Fig. 1 Workflow

图1 流程图

3 北京人口空间分布模拟分析

3.1 无疏解政策下北京市人口空间分布模拟

（1）北京市2005-2010年公里网格人口空间分布
由2005年和2010年的公里网格人口分布情况（图2）可知,北京市行政范围为1.6406万 km2。在该范围内,约90%的公里网格人口密度在1级以下,集中在密云区（14.93%和15%）,怀柔区（14.15%和14.25%）,延庆区（13.26%和13.34%）和房山区（12.38%和12.61%）。而人口密度在10级以上的区域集中在西城区（54.02%和50.54%）和东城区（35.63%和33.33%）。2005-2010年,北京市人口密度在4级以上的区域呈显著增加态势,并以4、5、6、9级人口密度等级区域的增加为主,分别为10.17% 、15.07%、40.40%、18.55%。从各功能区来看,首都核心区人口逐渐增加至饱和状态。该时期,西城区的中高人口密度区域呈增加态势,北京市13、17级人口密度等级的区域集中在该区;东城区也表现出全区域人口密度上升的情况,北京市12、14、15级人口密度等级的区域集中在该区。在首都功能扩展区中,朝阳区、石景山区、丰台区和海淀区则表现出高人口密度区域的大幅增加以及全区域人口密度的上升。在城市发展新区中,通州区、昌平区、房山区、大兴区4区则表现出低人口密度区域减少,高人口密度区域增加的态势。在生态涵养发展区中,密云区、平谷区、怀柔区、延庆区、门头沟区的人口密度保持平衡状态。
Fig. 2 Spatial distribution of population in Beijing in 2005 and 2010

图2 2005年和2010年北京市人口空间分布图

（2）北京市2015-2030年公里网格人口空间 分布模拟
根据上文提及的CA-Markov模型的分析方法和计算流程,模拟了2015、2020、2025和2030年北京市各区公里网格的人口空间分布情况（图3）。
Fig. 3 Spatial distribution of population in Beijing during 2015-2030

图3 2015-2030年北京市人口空间分布图

由图3可知,2015-2030年位于首都核心区的西城区和东城区的人口密度呈下降趋势,其中西城区高人口密度等级所占北京市比重逐渐下降,最低人口密度等级不断上升,中高人口密度等级区域占西城区的面积比重超过70%。例如,2030年最低人口密度等级为11级,相比2015年的6级有很大提升。2030年,11级所占西城区的面积比重为46.94%,而17级也达到了30.61%,但相比于2015年这些人口密度等级区域占北京市的面积比重而言,该年西城区11级区域占北京市同等级区域的比重下降至10.22%,而17级则下降至33.33%。东城区2015-2030年高人口密度等级所占面积比重逐渐下降,如2030年东城区14级区域占北京市同等级区域的比重下降至34.21%。
在首都功能扩展区中,海淀区人口密度呈现出普遍下降态势,仅在部分人口密度等级呈现上升趋势,如人口密度等级为9的区域所占北京市的面积比重上升了17%。朝阳区人口密度呈现显著上升趋势,例如人口密度等级为6、15、20的区域所占北京市的面积比重分别上升了46%、59%、43%。石景山区、丰台区人口密度呈现出较为稳定态势,并在部分人口密度等级呈现上升趋势,如石景山区和丰台区人口密度等级为5的区域所占北京市的面积比重分别上升了22%和33%。
城市发展新区和生态涵养发展区人口密度的变化呈现稳定态势。密云区、怀柔区、延庆区、房山区、平谷区、门头沟区、大兴区的人口变化总体保持稳定态势,顺义区人口密度呈现上升趋势,如人口密度等级为17的区域所占北京市的面积比重上升了7%。通州区、昌平区表现出低人口密度区域减少,高人口密度区域增加的态势,如通州区的人口密度等级为10的区域所占北京市的面积比重上升了11%。昌平区的人口密度呈现显著上升趋势,人口密度等级为18和19的区域所占北京市的面积比重分别上升了23%和27%。

3.2 公里网格人口空间分布模拟精度验证

为说明CA-Markov模型对北京市公里网格人口分布模拟的可行性和准确性,本文对2015年北京市公里网格人口分布的模拟结果进行验证。以朝阳区为例,根据该区在2015年统计年鉴和第三次经济普查中总计141 018家企业的从业人员数据,得到朝阳区43个街道平均人口密度,而后将模拟的2015年朝阳区公里网格人口数据与各街道范围相对应,计算出各街道的平均人口密度等级,继而将模拟获得的朝阳区街道人口密度等级与实际街道人口密度等级进行对比,以表征数据模拟精度。对比结果显示,CA-Markov模型模拟的公里网格人口数据准确率达70%（表1）,表明采用CA-Markov模型对北京市公里网格人口分布进行模拟具有可行性。
Tab. 1 Comparison of the actual population density and the modeled population density

表1 2015年实际人口密度与模拟人口密度对照表（以朝阳区为例）

朝阳区街道 常住人口/人 街道面积/km2 实际公里网格人口密度/(人/km2) 模拟公里网格人口密度范围(人/km2) 误差范围值（15%） 是否在误差范围
团结湖 36 498 1.23 29 575 16 000~18 000 13 600-20 700 否
和平街 92 245 3.24 28 440 16 000~18 000 13 600-20 700 否
潘家园 81 467 2.87 28 359 16 000~18 000 13 600-20 700 否
呼家楼 64 607 2.88 22 446 16 000~18 000 13 600-20 700 否
八里庄 86 975 3.96 21 940 14 000~16 000 11 900-18 400 否
安贞 47 897 2.21 21 703 10 000~12 000 8500-13 800 否
小关 51 363 2.54 20 244 16 000~18 000 13 600-20 700 是
左家庄 66 121 3.30 20 038 16 000~18 000 13 600-20 700 是
香河园 34 769 1.77 19 636 16 000~18 000 13 600-20 700 是
朝外 42 812 2.19 19 580 16 000~18 000 13 600-20 700 是
劲松 75 049 3.88 19 360 16 000~18 000 13 600-20 700 是
六里屯 62 483 3.34 18 693 16 000~18 000 13 600-20 700 是
双井 73 755 5.02 14 698 16 000~18 000 13 600-20 700 是
酒仙桥 70 404 5.08 13 855 14 000~16 000 11 900-18 400 是
三里屯 51 280 3.18 16 126 16 000~18 000 13 600-20 700 是
建外 60 325 3.92 15 392 16 000~18 000 13 600-20 700 是
垡头 54 712 3.46 15 791 16 000~18 000 13 600-20 700 是
亚运村 72 096 5.14 14 032 16 000~18 000 13 600-20 700 是
望京 136 749 9.67 14 144 16 000~18 000 13 600-20 700 是
太阳宫 84 038 5.92 14 205 16 000~18 000 13 600-20 700 是
三间房 103 798 8.48 12 234 14 000~16 000 11 900-18 400 是
大屯 138 696 9.63 14 406 16 000~18 000 13 600-20 700 是
南磨房 148 509 9.68 15 335 16 000~18 000 13 600-20 700 是
管庄 127 946 10.20 12 547 14 000~16 000 11 900-18 400 是
东风 101 624 7.25 14 009 14 000~16 000 11 900-18 400 是
麦子店 32 171 1.66 19 330 16 000~18 000 13 600-20 700 是
高碑店 119 928 15.03 7980 14 000~16 000 11 900-18 400 否
奥运村 243 057 19.41 12 520 16 000~18 000 13 600-20 700 否
常营 90 379 9.59 9427 10 000~12 000 8500-13 800 是
首都机场 24 894 10.03 2483 0~2000 0-2300 是
小红门 174 743 12.01 14 546 16 000~18 000 13 600-20 700 是
将台 119 627 11.27 10 613 12 000~14 000 10 200-16 100 是
平房 169 379 15.17 11 165 12 000~14 000 10 200-16 100 是
来广营 259 156 25.90 10 006 12 000~14 000 10 200-16 100 否
东坝 111 108 24.62 4512 8000~10 000 6800-11 500 否
十八里店 257 180 25.35 10 145 16 000~18 000 13 600-20 700 否
王四营 123 205 15.29 8057 14 000~16 000 11 900-18 400 否
豆各庄 37 181 14.06 2645 8000~10 000 680-11 500 是
黑庄户 56 471 24.18 2336 4000~6000 3400-6900 否
崔各庄 74 544 31.53 2364 2000~4000 1700-4600 是
孙河 10 395 34.70 300 0~2000 0-2300 是
金盏 85 410 50.16 1703 2000~4000 1700-4600 是
总人口 3 955 046
模拟公里网格人口密度在实际公里网格人口密度范围内的准确率 70%

注：表中“望京”包括望京街道和望京开发区,CA-Markov模型的模拟误差系统默认为15%

3.3 非首都功能疏解政策干预下北京市人口空间 分布模拟

（1）疏解权重计算及应疏解人口数
北京市政府提出要在2020年完成疏解城六区2014年人口基数15%的目标,所以本文从城六区疏解角度出发来模拟有疏解干预下的北京市人口空间分布,设定了自2015年开始5年内中心城区人口疏解15%的目标值,即东城区、西城区、朝阳区、海淀区、丰台区、石景山区分别要完成疏解人口14、20、60、55、35和10万,六区总计194万。在预测模型中,通过对城六区所属的公里网格加入疏解权重（即下降的人口等级）来模拟北京市2020年的人口变化情况,其中疏解权重的赋予是关键。
一方面,确定应疏解的产业范畴,根据《京津冀协同发展规划纲要》中关于疏解四大类非首都功能的相关建议[38],包括部分一般制造业,批发零售业,交通运输、仓储和邮政业,租赁和商务服务,教育,卫生和社会工作,公共管理、社会保障和社会组织等[1];另一方面,计算下降的人口等级,根据北京市各街道办事处和各乡镇应着重完成疏解的产业范畴比重,确定各街道办事处和各乡镇的应疏解人口总数和下降的人口等级,城六区各街道办事处和各乡镇应着重疏解的四大类产业占比数据来源于各区统计年鉴、龙信公司大数据库和第三次经济普查数据。
以朝阳区为例,计算过程为：① 由朝阳区第三次经济普查数据中企业机构数和分布地区以及龙信大数据公司提供的相关数据整理得到各街道应疏解产业比重。朝阳区一般制造业集中在酒仙桥、金盏、黑庄户、十八里店、望京、南磨房地区等行政区,批发与零售业多集中在建外、左家庄、望京、朝外、呼家楼等行政区,交通运输、仓储和邮政业多集中在十八里店、黑庄户、朝外、建外、左家庄、王四营、金盏等行政区,租赁和商务服务多集中在建外、呼家楼、八里庄等行政区,教育产业多集中在望京、建外、大屯、劲松、左家庄等行政区,卫生和社会工作产业多集中在十八里店、大屯、建外、劲松、来广营、望京等行政区,公共管理、社会保障和社会组织产业多集中在朝外、呼家楼、麦子店、建外、小关等行政区,通过整理各街道应疏解产业比重,得到建外（8.7%）、望京（5.15%）、十八里店（4.19%）、劲松（4.14%）、呼家楼（4.09%）、奥运村（3.87%）、朝外（3.84%）、大屯（3.83%）等各街道应疏解产业占比。② 计算朝阳区各街道平均公里网格内应疏解产业占比=各街道应疏解产业比重/对应街道的面积（街道面积数据来源于朝阳区统计年鉴）。③ 计算朝阳区各街道平均公里网格内可能下降的人口等级,先计算各街道平均公里网格内应疏解人口数=各街道平均公里网格内应疏解产业占比×应疏解总人口（朝阳区为60万）,再计算得到各公里网格内可能下降的人口等级=各公里网格内应疏解人口数/一个等级的人口数（0.2万）。以此类推,对城六区内各 1 km×1 km网格人口密度等级进行赋权重,计算出15%疏解情景下城六区应疏解的人口数（表2）,进而计算各区下降的人口等级,得到城六区在非首都功能疏解下的2020年北京市人口空间分布情况（图4）。
Tab. 2 The simulated population that should be extracted under the objective of 15% extraction in the six district of Beijing in 2020

表2 模拟2020年北京市城六区在完成15%疏解总目标下应疏解人口数（人）

区域 人数 区域 人数 区域 人数 区域 人数
东城区 东直门 6556 朝阳区 建外 11 095 垡头 488 万柳地区 52
崇文门 5928 朝外 8794 平房 404 温泉镇 33
建国门 5560 呼家楼 7109 黑庄户 267 丰台区 方庄 4574
朝阳门 4861 左家庄 5593 东坝 244 大红门 3984
北新桥 4746 劲松 5341 崔各庄 227 西罗园 3881
东华门街道 4280 八里庄 4623 豆各庄 202 东铁匠营 3733
东四 4212 团结湖 3852 金盏 179 马家堡 3504
和平里 4018 潘家园 3540 孙河 142 和义街道 3438
体育馆 2843 双井 3265 首都机场 90 右安门 2501
龙潭 2825 三里屯 3262 海淀区 海淀 16 872 卢沟桥 2097
景山街道 2173 安贞 3160 中关村 12 666 丰台 2068
东花市 2047 小关 3007 上地 9619 太平桥 1448
交道口街道 1882 香河园 2989 甘家口 6256 新村 1102
安定门 1831 和平街 2839 北下关 5613 东高地 863
永外 1195 望京 2662 紫竹院 5096 南苑 571
前门 1137 麦子店 2360 北太平庄 4870 宛平城 436
天坛 1044 亚运村 2196 曙光 4105 长辛店 392
西城区 广安门外街 6339 酒仙桥 2034 花园路 3957 云岗 233
崇文门 5928 大屯 1987 八里庄 3745 王佐镇 178
牛街街道 5353 六里屯 1832 羊坊店 3524 石景山区 苹果园街道 3065
展览路街道 5197 南磨房 1526 燕园 3066 鲁谷社区 2420
德胜街道 4894 三间房 1142 万寿路 2643 八角街道 2401
金融街街道 4399 太阳宫 1038 清华园 2476 八宝山街道 999
白纸坊街道 4395 管庄 1018 学院路 2189 古城街道 859
新街口街道 4242 奥运村 996 清河 1976 广宁街道 684
椿树街道 4102 高碑店 962 田村路 1441 老山街道 526
月坛街道 3733 王四营 942 永定路 1408 金顶街街道 503
广安门内街道 3699 小红门乡 836 西三旗 1249 五里坨街道 118
天桥街道 2768 十八里店 827 马连洼 1196
大栅栏街道 2597 来广营 678 四季青镇 580
陶然亭街道 2140 常营地区 665 东升镇 493
什沙海街道 1892 东风 626 西北旺镇 89
西长安街街道 1714 将台地区 616 青龙桥 89

注：本文中因为要将公里网格数据和各街道图层相对接来进行对比分析,加上近年来街道行政区划有少许变动,所以统一采用北京市2010年街道行政区划进行分析

（2）非首都功能疏解政策干预下公里网格人口空间分布模拟
2020年,中心城区完成人口疏解15%目标后（图4）,将其与无疏解政策干预下的2030年人口状况相比,发现在首都核心功能区中,西城区最高的人口密度等级降为14级,面积占比为28.57%,最低的人口密度等级为6级,面积占比为4.08%,人口主要集中在8级,这个等级所占西城区面积比重达到51.02%。东城区最高的人口密度等级降为17级,面积占比为2.38%,最低的人口密度等级为6级,面积占比为26.19%,人口主要集中在11级,这个等级所占东城区面积比重达到40.48%。城市功能拓展区,朝阳区最高的人口密度等级降为7级,面积占比为0.66%,最低的人口密度等级为1级,面积占比为28.19%,人口主要集中在5、6级,这2个等级所占朝阳区面积比重分别达到24.89%和41.63%。丰台区最高的人口密度等级降为14级,但面积占比仅为0.34%,最低的人口密度等级为1级,面积占比为14.14%,人口主要集中在6级,这个等级所占丰台区面积比重达到63.64%。石景山区最高的人口密度等级降为9级,面积占比为1.18%,最低的人口密度等级为1级,面积占比为22.35%,人口主要集中在6级,这个等级所占石景山区面积比重达到61.18%。海淀区最高的人口密度等级降为17级,面积占比为2.77%,最低的人口密度等级为1级,面积占比为45.62%。
Fig. 4 Spatial distribution of the population in Beijing in 2020 under the influence of layout policy of non-capital function

图4 2020年北京市非首都功能疏解政策下人口空间分布图

4 结论与讨论

4.1 结论

本文以2005年和2010年北京市公里网格人口分布数据为基础,通过CA-Markov模型模拟了北京市2015、2020、2025和2030年4期公里网格人口分布数据集,而后应用由统计口径获得的街道尺度人口数据对模型预测获得的人口数据进行验证。在模型可靠性良好的基础上,从产业疏解角度出发确定北京市各区人口疏解的权重,并预测了2020年北京市中心城区人口疏解15%后的情景。相关结论如下：
（1）2005-2010年,北京市约90%的公里网格人口密度等级为1级,集中在密云区、怀柔区、延庆区和房山区,而人口密度在10级以上的区域集中在西城区和东城区。首都功能核心区的中高人口密度区域呈增加态势,首都功能扩展区表现出高人口密度区域大幅增加以及全区域人口密度上升的态势,城市发展新区表现出低人口密度区域减少,高人口密度区域增加的态势,生态涵养发展区的人口密度则保持着平衡状态。
（2）CA-Markov模型预测人口密度的精度为70%。在无人口疏解政策影响下,2015-2030年北京市公里网格人口分布呈现出低人口密度区域减少、中高人口密度区域增加的态势。其中,公里网格人口密度等级为1级的区域占比由90%下降到87%,公里网格人口密度等级为11-13级的区域占比增加最为明显。位于首都功能核心区的东城区和西城区的高人口密度等级区域占比下降;首都功能扩展区中,海淀区人口密度呈现出普遍下降态势,朝阳区人口密度呈现显著上升趋势,而石景山区、丰台区人口密度则呈现出较为稳定态势;城市发展新区和生态涵养发展区的人口密度变化总体呈现稳定态势,通州区、昌平区表现出低人口密度区域减少,高人口密度区域增加的态势。
（3）根据应疏解的产业类型以及相对应的各个街道的从业人员数据确定市内各街道的人口疏解权重,以产业疏解推动人口疏解。在此人口疏解政策影响下,至2020年,中心城区人口分布从集中于中高密度等级转向集中于中低人口密度等级。首都功能核心区和首都功能扩展区的最高人口密度等级的数值均呈下降态势,并且高人口密度等级的区域占比也呈下降态势。除东城区外,其余5个中心城区的人口集中于人口密度等级为5-8级的区域。

4.2 讨论

国外城市的人口疏解大多遵循“政府主导,市场引导”原则,并运用法律、行政、市场等多种手段引导人口流动[39],政府常常通过法律和行政手段来发挥控制人口疏解的主导作用,调控方法包括运用法律法规、行政规章制度和出台城市规划等。 例如,首尔的《新行政首都特别法》（2004）通过释放空间资源来带动人口疏解[40],伦敦的“大伦敦发展规划（2004）”合理规划了区域人口空间布局,而纽约的“精明增长计划（2000）”则规划了人口蔓延边界,防止无序蔓延[41]。市场则主要通过经济手段来引导人口流动的效果,调控方法包括产业政策、财政政策、税收优惠政策、信贷优惠政策、价格杠杆、资源调节等[41]。人口疏解的政策往往会导致人口空间布局的变化,如在限制中心城市空间方面,纽约的“精明增长计划”通过控制土地粗放使用来管控人口;首尔的《首都圈整备计划法》通过严格界定地带功能来影响人口分布结构;东京的“绿带管理”则通过提高中心城新建住宅要求控制中心人口数 量[42]。在拓展重组都市圈空间方面,最有效的手段是建设“都市圈”和“城市群”,扩展城市人口容纳力和流动边界,实现大区域内的合理布局[43]。
人口流动是影响北京市当前人口规模和结构变动的最重要因素,引导人口流动是人口调控的重点。在北京市人口空间分布不均的历史状态和核心区人口饱和的现状下,拟在2020年完成疏解中心城区2014年人口基数15%的目标,有很大难度。这主要是由于功能定位造成优质资源过于集中在中心城区,造成了中心城区人口规模大、人口流动大,且外迁出的意愿低的情况。为加快推进中心城区人口疏解,本文在借鉴国外城市的人口疏解经验的基础上,结合本文研究结论,拟提出以下对策建议：① 宏观上对产业转移进行有序规划,并从经济、规划、行政、法律等方面协同推进,调整产业结构、转变发展方式,探索符合新阶段要求、能够带来大城市持续发展活力的新要素、新增长方式和新发展平台;② 需要进一步提高机构疏解的力度和精准度,这些人口疏解任务必须落实到各区的各个街道; ③ 培育更多的大中小城市成为多中心多节点,形成对首都城市的反磁力,这也是区域协同发挥作用的关键。北京市的通州区、大兴区、房山区可建立针对中心城区的反磁力中心,尤其是加快推进北京市行政副中心-通州反磁力中心的建设,同时结合国家级新区-河北雄安新区建设,形成首都北京新的两翼和区域增长极,引导人口流动。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
段霞. 城市大数据的分析与应用[M].北京:中国经济出版社,2015:156,167-196.

[ Duan X.Analysis and application of urban big data[M]. Beijing: China Economic Publishing House, 2015:156,167-196. ]

[2]
柴浩放. 非首都功能疏解的域内外视角分析[J].商业经济研究,2017(4):215-217.

[ Chai H F.Internal and external analysis under the extraction of non-capital function[J]. Commercial Economic Research, 2017(4):215-217. ]

[3]
张可云,蔡之兵.北京非首都功能的内涵、影响机理及其疏解思路[J].河北学刊,2015,35(3):116-123.

[ Zhang K Y, Cai Z B.Connotation of non-capital function,the impact mechanism and the ideas of easing function[J]. Journal of Hebei, 2015,35(3):116-123. ]

[4]
赵弘,刘宪杰.疏解北京非首都功能的战略思考[J].前线,2015(6):74-76.正疏解北京非首都功能是落实京津冀协同发展国家战略的重要内容。在这一过程中面临着一系列复杂的矛盾,需要解决好"搬哪些、往哪搬、谁来搬、怎么搬"等问题,涉及面广,难度大,是一项系统工程,需要对一些重大问题关键问题进行研究。根据不同类型主体,进行差异化疏解就疏解对象看,现在社会公认的有四类非首都功能需要疏解:一是不符合首都城市定位的产业,主

[ Zhang H, Liu X J.Strategic thinking of Beijing Non-Capital function[J]. Frontline, 2015(6):74-76. ]

[5]
张可云,沈洁.疏解首都科技创新功能可行吗?——韩国的经验及其对北京的启示[J].北京社会科学,2016(3):58-66.

[ Zhang K Y, Shen J.On decentralization of the capital function of scientific and technological innovation: Korean experience and its implication for Beijing[J]. Social Science of Beijing, 2016(3):58-66. ]

[6]
谷树忠.疏解非首都核心功能[J].北京观察,2014(6):10-13.疏解非首都核心功能,要对功能进行科学的识别、分类,要从国家、地区、北京等三个层面进行全方位的认识、分析,要建立健全疏解的协调机制和动力机制,要坚持问题导向和有力有序的原则。

DOI

[ Gu S Z.Decentralize the non-core functions of the capital[J]. Beijing Observation, 2014(6):10-13. ]

[7]
于化龙,臧学英.非首都功能疏解与京津产业对接研究[J].理论学刊,2015,262(12):67-73.非首都功能疏解是缓解首都“大城市病”的有效途径，也是新常态下首都发展模式转变的客观要求，更是京津冀区域协同发展的战略先导。通过产业转移实现非首都经济功能的疏解应作为非首都功能疏解的先行步骤。天津作为京津冀都市群重要的增长中心，与首都北京有着紧密的经济社会联系，并具备了良好的产业发展条件，能够承接非首都功能中的高端制造业和科技成果转化型企业转移。为推动京津产业对接，天津应努力克服产业对接中可能产生的发展压力、环境差异与利益冲突等困难，通过产业转型升级、基础设施一体化和体制机制创新等举措，为京津产业对接创造良好条件，并通过京津产业对接促进京津冀区域协同发展。

DOI

[ Yu H L, Zang X Y.Decentralize the non-capital functions and undertaking location of industry in Beijing and Tianjin[J]. Theory Journal, 2015,262(12):67-73.

[8]
郭金龙. 有序疏解非首都功能推动京津冀协同发展[J].中国经贸导刊,2015(36):8-10.

[ Guo J L.Orderly decentralize the non-core functions of the capital and promote the Beijing-Tianjin-Hebei coordinated development[J].China Economic & Trade Herald, 2015(36):8-10. ]

[9]
邓仲良,张可云.北京非首都功能中制造业的疏解承接地研究[J].经济地理,2016,36(9):94-101.基于修正的MTOPSIS模型和产业承接指标,从空间和产业两个维度建立了产业承接地的选择方法。以疏解北京非首都功能中的制造业为例,利用2013年天津与河北各市的产业数据,对天津和河北11个地级市的规模以上工业进行了测算,定量确定了北京产业疏解承接地的综合承接能力和产业比较优势。研究表明,沧州、邢台和唐山、廊坊、衡水可分别为北京石油加工业、金属加工业、造纸业、纺织业的产业承接地。北京非首都功能中的制造业疏解目的地得到了明确,为京津冀地区产业承接的政策制定提供了参考依据,利于京津冀协同发展工作深层次推进。

DOI

[ Deng Z L, Zhang K Y.Research on manufacturing easing and undertaking locations of Beijing Non-Capital Function[J].Economic Geography, 2016,36(9):94-101. ]

[10]
王洪峰,张旭东,李亚红等.雄安新区如何启动实施建设[N].人民日报,2017-4-6(3).

[ Wang H F, Zhang X D, Li Y H.et al.How to construct Xiongan New Area[N].The People Daily, 2017-4-6(3). ]

[11]
文魁.首都功能疏解与区域协同发展[J].城市管理与科技,2014(4):11-12.

[ Wen K.The capital function relief and the coordinated regional development[J]. Urban Management Science & Technology, 2014(4):11-12. ]

[12]
杨开忠. 京津冀大战略与首都未来构想-调整疏解北京城市功能的几个基本问题[J].人民论坛·学术前沿,2015(2):72-83,95.

[ Yang K Z.The Beijing-Tianjin-Hebei grand strategy and the future concept of the capital: several basic issues on the adjustment of the urban functions of Beijing[J]. Frontiers, 2015(2):72-83,95. ]

[13]
孙威,毛凌潇,唐志鹏.基于敏感度模型的非首都功能疏解时序研究[J].地理研究,2016,35(10):1820-1827.利用北京市2012年竞争型投入产出表,构建了敏感度模型,定量分析了最终使用变动1%对某一产业增加值和就业的影响程度。研究表明:1根据经济敏感度系数,北京应该优先疏解金属制品、机械和设备修理服务等8个产业部门。假设上述产业部门全部疏解,对北京市产业增加值的影响为1.06%,对应的产业增加值减少186.4亿元。2根据就业敏感度系数,北京应该优先疏解木材加工品和家具、纺织品等8个产业部门。假设上述产业部门全部疏解,对北京市就业人口的影响为1.31%,对应的就业人数减少12.0万人。3根据综合敏感度系数和首都核心功能定位,北京应该疏解的产业部门依次是批发和零售、化学产品、食品和烟草、金属冶炼和压延加工品、煤炭采选产品等19个产业部门。

DOI

[ Sun W, Mao L X.Research on the decentralization sequence of non-capital function based on the sensitivity model[J]. Geographical Research, 2016,35(10):1820-1827. ]

[14]
龙瀛,茅明睿,毛其智,等.大数据时代的精细化城市模拟:方法、数据和案例[J].人文地理,2014,29(3):7-13.

[ Long Y, Mao M R, Mao Q Z, et al.Fine-scale urban modeling and its opportunities in the “big data” era: Methods, data and empirical studies[J]. Human Geography, 2014,29(3):7-13. ]

[15]
叶东安. 我国人口分布的现状和特点-人口分布问题研究综述[J]..人口研究,1988(5):57-59.正 人口分布问题是近几年来人口学领域的热门话题之一,许多专家、学者和实际工作者围绕着人口分布的定义、影响因素、中国人口分布的现状、特点及未来人口分布的预测等重要课题进行了研究和论述,现将主要

[ Ye D A.The present situation and characteristics of population distribution in China - the review on population distribution issue[J].Population Research, 1988(5):57-59. ]

[16]
胡焕庸. 中国人口之分布—附统计表与密度图[J].地理学报,1935,2(1):33-74.

[ Hu H Y.The distribution of population in China[J]. Acta Geographical Sinica, 1935,2(1):33-74. ]

[17]
Yue T X, Wang Y A, Liu J Y, et al.SMPD scenarios of spatial distribution of human population in china[J]. Population and Environment, 2005,26(3):207-228.Three scenarios of spatial distribution of human population in China are developed in the years 2010 and 2020, respectively by means of the method of surface modeling of population distribution (SMPD). Each one of the SMPD scenarios is defined as a plausible alternative future under particular assumptions of elevation, water system, net primary productivity (NPP), urbanization, transport infrastructure development, and population growth. The SMPD scenarios show that if population could freely migrate within the whole China, the balanced ratios of population in the western region, the middle region and the eastern region to total population in the whole China would be 16%, 33% and 52%, respectively.

DOI

[18]
LV Chen, FAN Jie, SUN Wei.Population distribution and influencing factors based on ESDA[J]. Chinese Journal of Population Resources and Environment, 2012,10(3):47-53.

DOI

[19]
王露,杨艳昭,封志明,等.基于分县尺度的2020-2030年中国未来人口分布[J].地理研究, 2014(2):310-322. 选取1982年、1990年、2000年和2010年人口普查数据,运用Logistic模型系统预测了2020年和2030年中国分县人口规模,定量分析了未来中国人口分布的基本布局、各地区人口增减变化以及城市群人口集聚度变化.研究认为:①2020-2030年中国未来人口空间分布的总体格局不会发生根本改变,东南半壁人口比例会有所减少,西北半壁人口比例会有所增加,但增减变化在0.1％～0.3％之间;②2010-2020年中国有1641个分县单元人口将仍呈增加趋势,占地规模和相应人口都在全国3/4水平,人口增加仍是主要特征;2020-2030年中国人口增加的分县单元将大幅减少到598个,人口减少地区占地规模和相应人口将占3/5以上,人口减少成为普遍现象.③中国21个城市群地区人口总量将由2010年的7.81亿增加到2020年的8.68亿和2030年的9.17亿,相应的人口集聚度也将由2010年的1.99逐步提高到2020年的2.17和2030年的2.33,城市群地区人口集聚规模和集聚程度在逐步提高,人口集聚态势更加明显.

DOI

[ Wang L ,Yang Y Z, Feng Z M, et al.Prediction of Chinese population in 2020 and 2030 on county scale[J]. Geographical Research, 2014(2):310-322. ]

[20]
曾永明. 中国人口空间分布形态模拟与预测-基于“五普”和“六普”的分县尺度人口密度研究[J].人口与经济,2016,219(6):48-61.人口空间分布不平衡是一个普遍现象,但其＂是否有分布和统计规律＂的研究议题非常鲜见。通过中国第五次和第六次人口普查的分县尺度数据模拟出中国分县尺度人口密度的概率分布函数,并进行概率分布预测,分析了未来中国人口分布统计特征。主要结论有：模拟显示,中国分县尺度人口密度符合对数正态分布形态;以2000年分县尺度数据的前向（未来）预测检验和2010年数据的后向（过去）预测检验发现,＂人均产出＂和＂地均产出＂两个条件能很好地模拟未来人口密度的分布规律;以2010年分县尺度为基础预测了2020-2100年的中国人口密度概率分布特征和趋势,结果显示中国人口分布极化特征将持续加大,例如2050年,无人区（小于1人/平方公里）的县域比例将从当前的1.02%（29个）增加到4.49%（128个）,超高密集区（大于30000人/平方公里）的区县比例将从0.11%（3个）增加到3.93%（112个）。

DOI

[ Zeng Y M.Simulation and projection on the pattern of spatial distribution of Chinese population: research on population densities of county level based on the 5th and 6th Population Census of China[J]. Population &Economics, 2016,219(6):48-61. ]

[21]
Geary R.The Contiguity ratio and statistical mapping[J]. The Incorporated Statistician, 1954(5):115-145.

[22]
Getis A, Ord J K.The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992(24):189-206.Introduced in this paper is a family of statistics, G , that can be used as a measure of spatial association in a number of circumstances. The basic statistic is derived, its properties are identified, and its advantages explained. Several of the G statistics make it possible to evaluate the spatial association of a variable within a specified distance of a single point. A comparison is made between a general G statistic and Moran's I for similar hypothetical and empirical conditions. The empirical work includes studies of sudden infant death syndrome by county in North Carolina and dwelling unit prices in metropolitan San Diego by zip-code districts. Results indicate that G statistics should be used in conjunction with I in order to identify characteristics of patterns not revealed by the I statistic alone and, specifically, the G i and G i * statistics enable us to detect local “pockets” of dependence that may not show up when using global statistics.

DOI

[23]
高向东. 大城市人口分布变动与郊区化研究——以上海为例[M].上海:复旦大学出版社,2003:82-121.

[ Gao X D.Research on changes of population distribution in the large cities and its suburbanization: A case study of Shanghai[M]. Shanghai: Fudan University Press, 2003:82-121.

[24]
张耀军,刘沁,韩雪.北京城市人口空间分布变动研究[J].人口研究,2013,11(6):52-60.

[ Zhang Y J, Liu Q, Han X.Changes of the spatial distribution of population in Beijing[J]. Population Research, 2013,11(6):52-60. ]

[25]
黎夏,刘小平.基于案例推理的元胞自动机及大区域城市演变模拟[J].地理学报,2007,62(10):1097-1109.元胞自动机（CA）被越来越多地用于复杂系统的模拟中。许多地理现象的演变与其影响要素之间存在着复杂的关系,并往往具有时空动态性。在研究区域较大和模拟时间较长时,定义具体的规则来反映这种复杂关系有较大的困难。为了解决CA转换规则获取的瓶颈问题,提出了基于案例推理（CBR）的CA模型,并对CBR的k近邻算法进行了改进,使其能反映转换规则的时空动态性。将该模型应用于大区域的珠江三角洲城市演变中。实验结果显示,其模拟的空间格局与实际情况吻合较好。与常规的基于Logistic的CA模型进行了对比,所获得的模拟结果有更高的精度和更接近实际的空间格局,特别在模拟较为复杂的区域时有更好的模拟效果。

DOI

[ Li X, Liu X P.Case-based cellular automaton for simulating urban development in a large complex region[J]. Acta Geographical Sinica, 2007,62(10):1097-1109. ]

[26]
杨青生,黎夏.多智能体与元胞自动机结合及城市用地扩张模拟[J].地理科学,2007,27(4):542-548.运用多智能体(Agent)和元胞自动机(CA)结合来模拟城市用地扩张的方法,将影响和决定用地类型转变的主体作为Agent引进元胞自动机模型中,Agent在CA确定的城市发展概率的基础上,通过自身及其周围环境的状况,综合各种因素的影响做出决策,决定元胞下一时刻的城市发展概率。运用Agent的决策结果,对CA模型中以随机变量体现的不确定性通过Agent决策行为给予地理意义的新解释。以城市郊区—樟木头镇为例,对1988～1993年城市用地扩张进行了模拟研究,取得了良好的模拟效果。

DOI

[ Yang Q S, Li xia. Integration of multi-agent systems with cellular automata for simulating urban land expansion[J]. Scientia Geographica Sinica, 2007,27(4):542-548. ]

[27]
秦贤宏,段学军,李慧,等.基于SD和 CA 的城镇土地扩展模拟模型——以江苏省南通地区为例[J].地理科学,2009,29(3):439-444.充分利用系统动力学模型(System Dynamics,SD)在情景模拟和宏观因素反映上的优势和元胞自动机模型(Cellular Automata,CA)在微观土地利用空间格局反映上的优势,构建一个耦合SD和CA的城镇土地扩展模拟模型,并以江苏省南通地区为例,对模型的实证应用做了进一步的验证。结果表明,这种耦合模型不仅能够对研究区域未来城镇土地扩展数量给予一个比较好的预测,而且还对其空间分布效果做了一定精度上的模拟,这使得城市规划在土地利用预测方面有一个相对科学的依据。

[ Qin X H, Duan X J, Li H.Urban land expansion simulation model based on SD and CA: A case study of Nantong City[J]. Scientia Geographica Sinica, 2009,29(3):439-444. ]

[28]
付晶莹,江东,黄耀欢.中国公里网格人口分布数据集(PopulationGrid_China)[DB].全球变化科学研究数据出版系统,2014. DOI:10.3974/geodb.2014.01.06.v1. http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=131.

[ Fu J Y, Jiang D, Huang Y H.1 km grid population dataset of China (PopulationGrid_China)[DB],Global Change Research Data Publishing & Repository, 2014. DOI:10.3974/geodb.2014. 01.06.v1. http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=131.]

[29]
黎夏,叶嘉安.约束性单元自动演化CA模型及可持续城市发展形态的模拟[J].地理学报,1999,54(4):1-6.单元自动演化ＣＡ可以大大增强ＧＩＳ的空间模型能力，在国外被越来越多地应用于城市发展演化过程的模拟。本文探讨了如何通过ＣＡ与ＧＩＳ的结合来进行可持续土地发展规划的新方法。提出了基于约束性的ＣＡ模型，具体分析了局部、区域以及全局约束性对ＣＡ模型结果的影响。并将灰度的概念引进ＣＡ模型中来反映状态连续的变化，克服常规ＣＡ模型的缺陷。将该模型应用于珠江三角洲地区来获得合理的城市发展空间布局，取得了较好的效果

DOI

[ Li X, Ye J A.Constrained cellular automata for modeling sustainable urban forms[J]. Acta Geographica Sinica, 1999,54(4):1-6. ]

[30]
黎夏,叶嘉安,刘小平,等.地理模拟系统:元胞自动机法与多智能体[M].北京:科学出版社,2007:1-14.

[ Li X, Ye J A, Liu X P, et al.Geographical simulation systems: cellular automata and multi-agent[M]. Beijing: Science Press, 2007:1-14. ]

[31]
吴琼,王如松,李宏卿,等.土地利用/景观生态学研究中的马尔可夫链统计性质分析[J].应用生态学报,2006,17(3):434-437.lt;P><FONT face=Verdana>马尔可夫链在土地利用和景观生态学研究中得到了广泛应用，而应用中通常假设土</FONT><FONT face=Verdana>地利用变化为满足马尔可夫性的一阶时齐马尔可夫链，对马尔可夫链的统计性质是否成立</FONT><FONT face=Verdana>却很少进行检验.本文以北京市土地利用变化监测数据为算例，提出了马尔可夫链统计性质</FONT><FONT face=Verdana>的皮尔逊<EM>χ</EM><SUP>2</SUP> 拟合优度检验方法.检验结果表明，土地利用研究中通常假设的时齐性和马</FONT><FONT face=Verdana>尔可夫性(一阶性)在统计学上并不成立，即北京土地利用演变过程为非时齐的高阶马尔可夫</FONT><FONT face=Verdana>链.相对于马尔可夫统计性质的似然比检验中转移概率大于零的要求，皮尔逊<EM>χ</EM><SUP>2</SUP>检验对</FONT><FONT face=Verdana>转移概率的要求相对宽松，允许转移概率为零，所以应用的范围较似然比检验更为广泛.</FONT></P>

[ Wu Q, Wang RS, Li H Q, et al.Statistical properties of Markov chain in land use and landscape study[J]. Chinese Journal of applied ecology, 2006,17(3):434-437. ]

[32]
Guan D, Li H, Inohae T, et al.Modeling urban land use change by the integration of cellular automaton and Markov model[J]. Ecological Modelling, 2011,222:3761-3772.Spatially land use models are indispensable for sustainable land use planning. This study demonstrates a combined Markov–Cellular Automata model to analyze temporal change and spatial distribution of land use stressed by natural and socioeconomic factors in Saga, Japan. Firstly, area change and spatial distribution of land use are calculated using GIS technology, and then the transition among different land use types is analyzed to obtain the transformation matrices during a period of 1976–2006. Meanwhile, an integration evaluation procedure with natural and socioeconomic data is used to generate the transition potential maps. Secondly, using the transition potential maps and transition matrices, a Markov–Cellular Automata model is established to simulate spatial distribution of land use in 2006. Finally, we use this Markov–Cellular Automata model to forecast the future land use changes during the period of 2015–2042. As a consequence, area change simulation predicts a continuing downward trend in agriculture land and forestland areas, as well as an upward trend in built-up areas; spatial distribution simulation indicates that built-up land will expand toward suburban regions, and land use of urban center is at the decline stage. Hence, if the current trends keep constant without holistic sustainable development measures, severe land use decline will ensue. The study is anticipated to help local authorities better understand and address a complex land use system, and develop the improved land use management strategies that can better balance urban expansion and ecological conservation.

DOI

[33]
Kamusoko C, Aniya M, Adi B, et al.Rural sustainability under threat in Zimbabwe: Simulation of future land use/cover changes in the Bindura district based on the Markov-cellular automata model[J]. Applied Geography, 2009,29:435-447.Spatially explicit land use/cover models are indispensable for sustainable rural land use planning, particularly in southern African countries that are experiencing rapid land use/cover changes. Using Zimbabwe as an example, we simulated future land use/cover changes up to 2030 based on a Markov-cellular automata model that integrates Markovian transition probabilities computed from satellite-derived land use/cover maps and a cellular automata spatial filter. A multicriteria evaluation (MCE) procedure was used to generate transition potential maps from biophysical and socioeconomic data. Dynamic adjustments of transition probabilities and transition potential map thresholds were implemented in the Markov-cellular automata model through a multi-objective land allocation (MOLA) procedure. Using the normalised transition probabilities, the Markov-cellular automata model simulated future land use/cover changes (up to 2030) under the 2000 calibration scenario, predicting a continuing downward trend in woodland areas and an upward trend in bareland areas. Future land use/cover simulations indicated that if the current land use/cover trends continue in the study area without holistic sustainable development measures, severe land degradation will ensue.

DOI

[34]
汤洁,汪雪格,李昭阳,等.基于CA-Markov模型的吉林省西部土地利用景观格局变化趋势预测[J].吉林大学学报(地球科学版),2010,40(2):405-411.lt;p>Markov模型与CA模型均为时间离散、状态离散的动力学模型，CA模型具有模拟复杂系统空间变化的能力，Markov模型具有长期预测的优势。CA-Markov耦合模型既可进行长期预测，又可有效地模拟空间变化。以吉林西部为例，以RS-GIS技术为支撑进行土地利用遥感解译，得出1989年和2004年两期土地利用景观格局分布图；在此基础上利用CA-Markov耦合模型，进行了土地利用景观格局变化趋势预测。结果表明:与1989-2004年的变化趋势一样，到2019年，水田、旱田、居民地和盐碱地面积分别比2004年增加，高、中、低覆盖草地、水域和湿地面积分别比2004年减少。增加的盐碱地主要是在原盐碱地的基础上扩张，侵占草地、水域和湿地，其分布主要集中在中部的地势低洼地带，大安市、通榆县、长岭县和乾安县的盐碱地将连成片，生态环境被严重破坏。修正的Lee-Sallee指数为0.64，表明CA-Markov模型模拟精度较高，该模型预测土地利用景观格局变化是可行的。</p>

DOI

[ Tang J, Wang X G, Li Z Y, et al.The tendency forecast on land use and landscape pattern changes in western Jilin province based on CA-Markov model[J]. Journal of Jilin University (Earth Science Edition), 2010,40(2):405-411. ]

[35]
胡雪丽,徐凌,张树深.基于CA-Markov 模型和多目标优化的大连市土地利用格局[J]. 应用生态学报, 2013,24(6):1652-1660.lt;p>运用马尔科夫转移矩阵、多准则评估以及元胞自动机耦合的CA-Markov模型,基于1990、2000、2010年土地利用图、地形因子和地理要素等,模拟大连市未来土地利用景观格局变化趋势.基于大连市土地利用结构、经济社会、自然环境等特点,结合大连市城市总体规划和土地利用规划,建立经济、社会、环境3个目标导向的模糊多目标优化模型,优化配置了大连市未来土地利用格局.结果表明: 1990&mdash;2010年,大连的快速发展呈现出建设用地持续扩张而耕地、林地面积缩小的特点,以现有城市化速度发展,到2020年大连市景观格局土地覆盖将发生很大变化,景观破碎化程度将加剧.优化调整土地利用数量结构,能满足未来大连可持续发展的要求.</p>

[ Hu X L, Xu L, Zhang S S.Land use patterns of Dalian city,Liaoning province of northeast China based on CA-Markov model and multi-objective optimization[J]. Chinese Journal of Applied Ecology, 2013,24(6):1652-1660. ]

[36]
胡小武. 人口“就近城镇化”:人口迁移新方向[J].西北人口,2011(1):1-5.

[ Hu X W.Neighborhood urbanization strategy and chinese town-urbanization road rethinking[J]. Northwest population, 2011(1):1-5. ]

[37]
李强,陈振华,张莹.就近城镇化与就地城镇化[J].广东社会科学,2015(1):186-199.改革开放以来东部沿海地区的快速发展形成了“异地城镇化”和人口向特大城市集聚的特点，由此也导致了“农民工”和“留守现象”等一系列问题。应该依托地级市和县级城镇，促进人口集聚，并鼓励有条件的小城镇和村庄就地改造，探索就近就地城镇化模式，一方面可以降低城镇化的制度障碍和成本，促进区域均衡发展；另一方面，也有利于农业和乡村可持续发展。同时，就近就地城镇化也符合当前农民工的城镇化意愿。对于中国这样一个幅员辽阔的大国，就近就地城镇化符合城镇化人口流动规律，具有重要的意义。

DOI

[ Li Q, Chen Z H, Zhang Y.Nearby urbanization and local urbanization[J]. Social Sciences in Guangdong, 2015(1):186-199. ]

[38]
国务院. 京津冀协同发展规划纲要[Z].2015.

[ The State Council.The plan for the collaborative development of Beijing, Tianjin and Hebei[Z]. 2015. ]

[39]
杨成凤,韩会然,张学波.国内外城市功能疏解研究进展[J].人文地理,2016(1):8-15.

[ Yang C F, Han H R, Zhang X B.Review on progress of urban function decentralization research[J]. Human geography, 2016(1):8-15. ]

[40]
戚本超,赵勇.首尔人口限制和疏解策略对北京的启示[J].城市发展研究,2007,14(4):83-87.论文分析和总结了首尔人口限制和疏解的策略,认为北京在人口发展过程中要细化地带功能并保证严格实施,调整产业结构,鼓励机构外迁,发展轨道交通提高卫星城市通勤效率,加强区域联合引导人口合理流动。

DOI

[ Qi B C.Zhao Y.The enlightenment to Beijing brought by the population controlling and redistributing of Seoul[J]. Urban Studies, 2007,14(4):83-87. ]

[41]
姜鹏飞,唐少清.首都人口疏解的制约因素与突破思路—基于国外城市人口疏解的经验[J].河北大学学报(哲学社会科学版),2017(7):150-155.根据首都圈人口特点,借鉴国外城市经验,提出人口疏解的突破思路。即：人地统筹,构建大区域人口协调机制;产城融合,发挥产业链＂以业带人＂的作用;职住平衡,提升卫星城人口＂磁力＂;人口迁出示范,加快北京城市副中心、雄安新区建设,带动高端要素流动;生活成本阶梯化,运用经济杠杆,引导人口梯度转移。以此为首都人口问题提供决策参考,进而实现京津冀都市圈人口流动性与区域承载力的平衡,拓展人口经济密集区域人口流动问题的研究视野。

DOI

[ Jiang P F, Tang S Q.Restriction factors and breaking ideas of capital population redistribution - based on international reference[J].Journal of Hebei University philosophy and Social Science, 2017(7):150-155. ]

[42]
陈佳鹏,黄匡时.特大城市的人口调控:东京经验及其启发[J].中国人口·资源与环境,2014(8):57-62.特大城市是城镇化的客观必然。尽管特大城市容易滋生大城市病。但是如粜规划和管控得好，特大城市不仅可享受更高的城镇化质量。而且可以容纳更多的人口。特大城镇化的本质是人口的调控和人口再分布。因此从特大城市入手更容易发现人口调控的内在规律。在世界上众多特大城市中，东京的特大城镇化战略无疑是目前世界比较具有代表性、较为成功的特大城镇化案例。本文将深入剖析东京特大城镇化的发展演变历程，并总结贯穿于其中的人口调控经验，最后结合中国国情，为中国特大城镇化进程及其人口调控提供政策参考。本研究发现。东京都市圈进程中的人口调控经验可以归纳为六个点：一是政府发挥主导性作用；二是调整产业结构布局。中心区高端化；三是引导城市由单一中心型向多核心型城市结构转型；四是建立都市圈；五是便捷的交通设施网络；六是提高核心区生活成本，生活成本阶梯化。本文认为。特大城市的人口调控的基本思路应该是在科学发展观的指导下。遵循特大城市化人口分布规律，充分调动市场在人口调控中的决定性作用，最大限度发挥政府在人口调控中的引导性作用。以转变经济发展方式为人口调控的根本。以完善城市科学管理为关键；以国家层面调控为大背景。以区域层面的合作和分流调控以及城市层面的调控为重点；以产业等经济性手段调控为主，以技术性手段和行政性手段为辅；以企业调控为主，以流动人口和出租房屋主的管理调控为辅，做到标本兼治。努力实现多层面协作、多主体调控、多手段并用、多部门合作的人口调控工作格局。

DOI

[ Chen J P,Huang K S.Population control in megacities: Tokyo experience and its inspiration[J].China Population,Resources and Environment, 2014(8):57-62. ].

[43]
Kawaguchi N, Murayama A.Urban planning: Is a networked compact city vision realistic[A]. In: Labor Forces and Landscape Management[C]. Singapore: Springer Singapore, 2017:373-380.

Options
Outlines

/

〈 〉