大数据支持下的城市空间集聚及尺度效应研究

Agglomeration efficiency is an important research question of urban studies, and the scale effect is also the core concept of geography. Because of the lack of micro-level data, previous studies on spatial agglomeration neither measured the differences in agglomeration efficiency within cities nor did they take into account the scale effects. Because a large number of policies need to be formulated and implemented in space, finding suitable spatial scales to measure agglomeration efficiency is of great significance for studying the urbanization in China. The rapid growth of information technology in recent years has brought a large amount of spatiotemporal big data, demonstrating the great potential in establishing consistent spatial statistics units and agglomeration efficiency measures. This study aims to (1) provide a data-driven quantitative analysis of agglomeration efficiency using high-resolution spatiotemporal data; (2) to reveal the important impact of scale effects on agglomeration efficiency and to find out the rules/patterns of urban agglomeration; (3) Further, to establish a co-evolution model of urban elements (population, infrastructure, economic activities, etc.), which could shed light on the mechanism of agglomeration phenomena. This research not only helps us understand the rules of urban agglomeration and the scale effect, but also contributes to the spatial application of urban policy.

集聚效率是城市研究的重要命题，尺度效应也是地理学的核心概念。之前对空间集聚的研究因为缺少微观数据支持，既无法刻画城市内集聚效率的差异，也无法顾及尺度效应的影响。因为大量政策的制定和实施需要落实到空间上，所以找到合适的空间尺度测度集聚效率，对研究中国的城市化问题意义重大。近些年信息技术的高速发展，带来了大量带有时空标记的大数据，展示了在建立一致性的空间统计单元和集聚效率测度方面的巨大潜力。本研究希望（1）借助高分辨率的时空大数据，提供一种数据驱动的集聚效率的定量分析方法；（2）揭示尺度效应在测度集聚效率中的重要影响，挖掘城市集聚规律；（3）进一步通过建立城市要素（人口、基础设施、经济活动等）的协同演化模型，来理解集聚现象的形成机制。本项目将地理学研究与城市发展的重要问题相结合，不仅有助于我们认识城市、理解城市集聚规律和尺度效应，也有助于城市政策的空间落位。

理解城市中人口、经济活动的集聚规律并进行科学的模拟与预测，是城市研究的核心议题，也可以为推进可持续、高质量的城市发展提供科学基础。近些年信息技术的高速发展，积累了包括手机信令、出租车轨迹、兴趣点（POI）等在内的大量带有时空标记的大数据，为感知城市内部人口与社会经济活动、挖掘城市集聚规律提供了数据支撑。在此背景下，本项目主要完成了如下研究：（1）融合时空大数据与统计数据，建立了一套包括人口、企业活力、经济活力在内的微观数据集。数据集分辨率为 1km*1km，覆盖全国范围。（2）通过建立的数据集，提出了一种基于渗流模型的城市建成区提取方法。与复杂的机器学习或遥感方法相比，该方法基于物理模型，只需要一个参数就能取得同样或更高的精度，在可解释性与运算效率方面有较大的优势。（3）通过研究城市内部人口与基础设施、经济活动的分布，发现了介观尺度上的超线性（人口与经济活动）和亚线性（人口与基础设施）标度律的存在，并进一步通过建立一个空间交互模型来解释超线性与亚线性集聚规律形成机制。（4）发现了人类移动中的“距离-频率”标度律法则——任一地点的访客数量都会与他们的访问频率和旅行距离的乘积的平方成反比。同时发现，人类移动带来了城市吸引力中心明显的集群化分布，其面积分布遵循Zipf法则。并进一步通过建立了一个基于偏好探索和返回的个体移动模型，为发现的标度律和城市空间结构提供了机制上的解释。（5）在应用层面，发现城市内部的“餐饮”POI 可以很好地预测人口、经济活动等分布，并建立了一个机器学习模型来通过小样本的 POI 数据预测公里网格尺度上的人口、经济活动分布。本项目将地理学研究与城市发展的重要问题相结合，对城市中人群移动、分布，以及与经济活动的耦合关系进行了比较深入的分析，不仅有助于我们认识城市、理解城市集聚规律和尺度效应 ，也有助于城市政策的空间落位。