EN中文

地理科学进展 >

2021 , Vol. 40 >Issue 11: 1812 - 1823

DOI: https://doi.org/10.18306/dlkxjz.2021.11.002

研究论文

国家城市规模分布的时空演化特征及影响因素——基于LandScan的全球实证研究

  • 王妤 , 1, 2, 3 ,
  • 孙斌栋 , 1, 2, 3, * ,
  • 张婷麟 1, 2, 3
展开
  • 1. 华东师范大学中国行政区划研究中心,上海 200241
  • 2. 崇明生态研究院,上海 202162
  • 3. 华东师范大学城市与区域科学学院,上海 200241
*孙斌栋(1970— ),男,河北阜平人,教授,博士生导师,主要从事城市地理、城市规划和区域经济研究。E-mail:

王妤(1992— ),女,河北唐山人,博士生,主要从事城市地理、区域经济研究。E-mail:

收稿日期: 2021-01-11

  修回日期: 2021-04-26

  网络出版日期: 2022-01-28

基金资助

国家社会科学基金重大项目(17ZDA068)

华东师范大学未来科学家和优秀学者培育计划项目(WLKXJ202010)

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 change and influencing factors of city size distribution: Global empirical research based on LandScan data

  • WANG Yu , 1, 2, 3 ,
  • SUN Bindong , 1, 2, 3, * ,
  • ZHANG Tinglin 1, 2, 3
Expand
  • 1. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China
  • 2. Institute of Eco-Chongming, Shanghai 202162, China
  • 3. School of Urban & Regional Science, East China Normal University, Shanghai 200241, China

Received date: 2021-01-11

  Revised date: 2021-04-26

  Online published: 2022-01-28

Supported by

Major Program of National Social Science Foundation of China(17ZDA068)

Training Program for Future Scientists and Outstanding Scholars of East China Normal University(WLKXJ202010)

Copyright

Copyright reserved © 2021.
Fold

摘要

洞悉世界各国城市规模分布规律有助于推动形成合理的城镇格局和促进国家经济高质量发展。论文基于2000—2018年LandScan等数据库,按照统一的人口集聚标准创新性地识别了全球各国的城市,分析了国家城市规模分布的时空演化特征、影响因素及其异质性。研究发现：全球各国城市规模分布在研究期间内呈波动均衡的态势。从空间演化来看,非洲、南美洲国家城市规模分布逐渐均衡,而亚洲、欧洲国家出现极化趋势;从现状比较来看,非洲国家城市规模分布的极化程度居于首位,欧洲国家则最为均衡。河流密度、城市人口密度以及工业化水平提高会促进城市规模分布均衡发展,而地形起伏度、国家不稳定程度增加则会强化其极化程度。相比于其他要素,社会经济要素(尤其是城市人口密度)对城市规模分布的影响在不同收入水平、产业结构和政府干预程度的国家间异质性最为明显。研究深化了对城市规模分布及其形成机理的规律性认知,为形成合理的城市规模分布提供了有力的实证支撑。未来中国应通过构建适度均衡的城市规模分布体系、扩大内外双向开放以及应用新一代信息技术,重塑国家经济地理格局。

关键词： 城市规模分布; 高质量发展; 影响因素; 异质性; 全球

本文引用格式

王妤 , 孙斌栋 , 张婷麟 . 国家城市规模分布的时空演化特征及影响因素——基于LandScan的全球实证研究[J]. 地理科学进展, 2021 , 40(11) : 1812 -1823 . DOI: 10.18306/dlkxjz.2021.11.002

Abstract

Understanding the patterns of city size distribution around the world is important for the formation of reasonable city size distribution and high-quality national economic development. Based on a panel two-way fixed effects model and multiple databases such as LandScan from 2000 to 2018, this study identified the spatial and temporal change characteristics of city size distribution at the national level and analyzed its influencing factors as well as their heterogeneity based on global cities with a uniform definition. It was found that city size distribution across countries showed a fluctuating equalizing trend. In terms of spatial change, African and South American countries showed gradually equalized city size distribution, while Asian and European countries showed a trend of polarization. In a comparison of the present situation, African countries lead in the polarization of city size distribution, while European countries are the most equalized. Higher river densities, city population densities, and industrialization levels promote a equalized city size distribution, while larger topographic relief and national unrest reinforce their polarization. Compared to other factors, the socioeconomic factors (especially urban population density) have the most significant impact on the heterogeneity of city size distribution across countries with different income levels, industrial structures, and levels of government intervention. Although increased city population density contributes to a more equalized city size distribution overall, it has a significant polarizing effect in service-dominated and weak government intervention countries and a less pronounced effect in high-income countries. The balancing effect of industrial development on city size distribution and the polarizing effect of increased railway density are more significant in low-income countries, manufacturing-dominated countries, and countries with weak government intervention. Increased economic development significantly contributes to the polarization of city size distribution in service-dominated and weak government intervention countries and the expansion of openness contributes to the equalization of city size distribution in high-income countries. The increase in city population and internet penetration contributes to polarization and equalization of the city size distribution in countries with strong government intervention, and the increase in government spending only has a balancing effect on the city size distribution in countries with strong government intervention. This study deepens the knowledge of the patterns of city size distribution and its formation mechanism, and provides strong empirical support for the formation of a reasonable city size distribution. In the future, China should reshape the national economic geography by constructing an appropriately equalized city size distribution, expanding the two-way internal and external openness, and applying new generation information technologies.

Key words： city size distribution; high-quality development; influencing factors; heterogeneity; globe

全球城市人口在2008年正式超过农村人口,标志着人类进入城市星球时代,2018年全球已有55%的人口居住在城市,预计到2050年,这一比重将达到68%[1]。在这场世界历史上规模最大、速度最快的城镇化浪潮之中,中国2020年城镇化率已超过60%并且仍将持续攀升[2]。高速城镇化对原有城市体系造成了巨大冲击,大城市出现交通拥堵、环境污染以及住房紧张等明显的集聚不经济现象,部分中小城市则发展不足,这些问题都与城市规模存在密切关联。因此,近年来国家高度重视城市规模分布问题,发布了多个与优化城市规模布局相关的政策文件。2014年3月,中共中央、国务院印发《国家新型城镇化规划(2014—2020年)》,强调优化城镇化布局和形态,助推大中小城市和小城镇协调发展。2017年10月,党的十九大明确将构建大中小城市和小城镇协调发展的新型城镇化格局上升到战略高度。2020年11月,中央在十四五规划目标中建议要优化国土空间格局,通过合理确定城市规模、人口密度以及空间结构,推动区域协调发展。
事实上,城市规模分布不仅是国土空间格局的重要组成部分,也是社会经济活动的空间投影,其通过重构资源和要素的空间配置进而影响一个国家的生产效率与经济发展质量。合理的城市规模分布有利于城市体系功能的发挥以及国家竞争力的提升,因此若能理解城市规模分布的演化特征及其形成机理,就能更好地引导人口向更有效的空间格局流动,这对于形成合理的国家与区域城市格局和促进各类城市协调发展具有重要的现实意义。
从以往文献来看,最早有关城市规模分布的研究来源于Auerbach[3],他通过对5个欧洲国家和美国城市人口的研究发现,城市人口和城市位序的乘积是一个常数。Zipf [4]进一步发现美国城市规模分布服从指数为1的帕累托分布。后期,基于对不同国家的研究将城市规模分布分为帕累托分布、对数正态分布、双帕累托对数正态分布等[5,6,7]。有关国家城市规模分布演化特征的研究主要集中在单个国家[8],仅有少量跨国尺度的研究[9]。
随着研究不断深入,相关学者开始关注城市规模分布影响因素。学界普遍认同人口分布是自然和社会经济因素共同作用的结果[10]。尽管技术和经济进步提高了人们改造自然的能力,但自然地理要素仍是人口分布的重要约束条件[11]。首先是河流密度。一方面,河流能为人类生产、生活提供充足的水源,吸引人口向沿河周边地区集聚[12];另一方面,相关研究通常认为河流密度与均衡的城市规模分布密切相关[13]。因为河流的存在使得原有土地支离破碎,难以形成大规模的人口集聚。其次是地表起伏程度。地形越不平坦的地区通常有更高的道路修建和维护成本,导致道路网密度较低,交通可达性较差,经济活动更容易在空间上集聚[14],使得城市规模分布向极化发展。
就社会经济要素而言,经济发展水平、集聚经济、开放水平等因素都会对城市规模分布产生影响。关于经济发展水平,大部分学者认为城市规模分布随着经济发展呈现出先极化后均衡的状态[15,16]。对于集聚经济,人口由于集聚经济的存在快速增长,但随着人口进一步集聚,首位城市的集聚不经济会推动城市规模分布朝着均衡发展[17]。关于开放水平,由于比较优势的存在,首位城市会最先从开放中获益,带来城市规模分布的极化[18];但开放也给其他城市提供了发展机会,可能使城市体系更均衡[19]。至于工业化水平,工业比重增加会促使部分企业离开大城市,迁往低等级的小城市,带来城市规模分布的均衡发展[9]。对于产业结构,制造业通常比服务业需要更多用地,因而制造业比重高的国家企业会更倾向集聚在低地价的小城市,带来均衡的城市规模分布;服务业则对面对面交流有更高需求,因此服务业比重高的国家,其产业更可能向大城市集聚,从而促进城市规模分布极化[17]。关于交通基础设施,交通基础设施水平低的国家城市间人流、物流以及信息流的运输成本较高,会强化大城市的本地市场效应,推动城市规模分布极化发展[20]。随着交通基础设施的水平的提高,一方面区域内投资环境得到改善,会吸引企业集聚,从而带来极化的城市规模分布;另一方面交通运输成本降低也会促进产业向外分散,带来均衡的城市体系[21]。关于信息化水平,信息化通常被认为是塑造城市体系的重要动力,互联网技术的普及降低了信息沟通成本,扩大了信息传输范围,为大城市的企业和个人向小城市迁移提供可能[22,23];但借助互联网技术的频繁交流也会衍生出更多面对面交流的需求,强化大城市作为交流中心的地位[24]。
一些学者认为,制度因素也会对城市规模分布产生重要影响[25],其作用甚至可能超过自然和社会经济要素。首先是国家管理水平。强政府干预以及高度集权的国家通常会吸引企业向权力中心(通常是大城市)靠近,带来城市规模分布的极化[26],而减少政府干预或降低国家集权程度则可能促使其向均衡发展,因为各区域代理人为其所在的城市发声谋利[27]。其次是国家政治环境。国家政局动荡可能导致城市规模分布极化,因为在动荡时期居民通常会去大城市寻求庇护[26];但大城市也可能率先成为战争中受攻击的目标,这会使得一些居民选择逃离大城市,城市规模分布会趋于均衡[28]。
综上所述,尽管已有不少文献探讨了城市规模分布特征、演化及其影响因素,但基于跨国尺度的研究相对较少,并且在现有少量跨国尺度实证研究中,由于各国对城市的定义不一致,导致数据口径无法统一,可比性较差,其研究结论的可信度也受到一定程度的质疑。此外,跨国尺度的城市规模分布影响因素研究很少关注不同类型国家间的异质性。事实上,由于各国在经济社会发展阶段、城镇发展动力等方面均存在较大差异,相同要素对不同类型国家城市规模分布的效应可能不同。为此,本文首先借助2000—2018年的LandScan人口数据和欧洲航天局(下文简称欧空局)的用地类型数据,按照统一的人口集聚标准创新性地识别了全球各国的城市。随后,根据人口分布情况计算各国城市规模分布的帕累托指数,从而使各国城市规模分布更具可比性。最后,在跨国分析框架下对其时空演化特征及影响因素进行分析,并通过分样本的方式探讨城市规模分布的影响因素在不同类型国家之间的异质性。

1 方法和数据

1.1 城市识别

由于缺少全球可比的城市人口数据库,且现有城市识别方法识别出的仅是建成环境或社会联系的边界[29],而非本质为人类聚居地的实体城市。因此,本文试图采用统一标准识别全球所有城市,为分析城市规模分布的影响因素奠定良好的数据基础。本文所采用的方法与已有方法的最大区别在于,关注了城市作为集聚地的核心特征。文中将城市定义为具有一定建成环境和人口规模的人类聚居地,并采用2000—2018年LandScan数据库中全球人口栅格数据以及欧空局气候变化倡议项目中的土地覆盖分类栅格数据对城市进行识别。考虑到城市规模分布相对稳定性,本文选择2000、2005、2010、2015、2018年5个截面数据进行研究。图1为具体的城市识别过程。
图1 城市识别过程

Fig.1 City identification process

为了检验这一城市识别方法的适用性,本文选取东京、巴黎、纽约、洛杉矶、北京、新加坡、悉尼和伦敦等几个具有代表性的城市作为样本,将识别出的城市面积与OECD数据库中提供的这些城市的行政边界的面积进行比较,同时将识别出的这些城市的人口与2018年《世界城市化展望》中的城市集聚区人口进行对比。发现识别出的城市面积和人口与现有数据库中相关数据有一定差异,但差异相对较小,由此可知该方法具有一定适用性。由于篇幅限制,在本文中没有列出详细的对比表格。

1.2 城市规模分布的测度

本文用帕累托指数测度城市规模,公式如下：
R i = A P i - α 或 ln R i = ln A - α ln P i
式中：Ri是i城市按照人口规模降序在全国范围内的排序;Pi为i城市人口;A为常数;α是帕累托指数,指数越大意味着城市规模分布越均衡,反之,越极化。
研究通常用最小二乘法(OLS)对上述方程进行回归分析,但这种回归在小样本中存在很大偏差。Gabaix等[30]通过理论模型推导和实证检验发现,当使用ln(Ri -1/2)替代lnR时,能在很大程度上消除这种偏差。为此,本文采用Gabaix等改进后的估计方程(2)计算帕累托指数：
ln ( R i - 1 / 2 ) = ln A - α ln P i
根据前面识别出的城市样本计算出的帕累托指数记为Pareto1。

1.3 回归模型和变量

本文采用面板双向固定效应模型对城市规模分布的影响因素进行识别。具体公式如下：
α = θ 0 + θ 1 PG + θ 2 EG + θ 3 Political + μ i + γ t + ε it
式中： α为帕累托指数; PG代表自然地理变量,由河流密度和地表粗糙度反映;EG代表社会经济变量,包括反映经济发展水平的人均GDP、体现集聚经济的城市人口和城市人口密度、衡量开放水平的进出口贸易总额占GDP比重、表示工业化水平的工业增加值占GDP比重、测度产业结构的制造业与服务业增加值之比、显示国家交通基础设施水平的铁路密度和代表信息化水平的互联网普及率; Political代表制度因素,涵盖体现政府干预程度的政府支出占GDP比重、反映国家集权程度的公民政治权利自由度和体现国家政局稳定程度的国家脆弱指数; θ 1、 θ 2、 θ 3分别是各类变量对应的系数; μ i是国家固定效应, γ t代表时间固定效应; ε it为残差。

1.4 数据来源及变量描述性统计

本文用于识别城市人口的数据来源于LandScan全球人口数据库和欧空局气候变化倡议项目中的土地覆盖分类数据,河流长度数据来源于 HydroSHEDS网站,反映信息化水平的互联网普及率来源于国际电信联盟官网。政治权利自由指数的数据来源于Freedom House,脆弱指数来源于Center for Systemic Peace。除此之外,其余数据均来源于世界银行数据库。回归过程中除公民政治权利自由度和国家脆弱指数2个类别变量外,其余所有变量均取自然对数,各变量描述性统计见表1。
表1 各变量描述性统计

Tab.1 Descriptive statistics of variables

变量 单位 平均值 标准差 最小值 最大值
Pareto1(ln) — -0.218 0.241 -1.231 0.867
城市河流密度(ln) km/km2 -1.324 0.531 -3.771 2.295
地表粗糙度(ln) — 5.232 1.138 -0.698 8.213
人均GDP(ln) 美元/人 8.485 1.512 5.285 11.431
城市总人口(ln) 人 20.396 1.458 16.938 25.135
城市人口密度(ln) 人/km2 9.407 0.734 7.508 13.098
进出口贸易总额占GDP比重(ln) % 4.257 0.546 -1.295 5.728
工业增加值占GDP比重(ln) % 3.278 0.381 1.516 4.440
制造业与服务业增加值之比(ln) — -1.443 0.538 -3.678 0.725
铁路密度(ln) km/100 km2 -4.341 1.462 -11.216 -2.095
互联网普及率(ln) % 2.540 1.974 -8.794 4.602
政府支出占GDP比重(ln) % 2.667 0.377 0.722 3.401
公民政治权利指数① — 3.489 2.157 1 7
国家脆弱指数② — 8.463 6.442 0 24

注：① Freedom House将该指数分为自由(1~2)、半自由(3~5)和非自由(6~7) 3个级别;② 国家脆弱指数分为低等脆弱(0~7)、中等脆弱(8~16)、高等脆弱(17~24) 3类;括号中ln表示变量取自然对数,下同。

2 城市规模分布和影响因素时空演化特征

2.1 城市规模分布

2000年以来世界各国帕累托指数平均值波动增加,各国城市规模分布呈现出总体向均衡发展但波动性较大的特点(图2)。2000年全球绝大部分国家城市规模分布相对极化,极化程度最高的是非洲,最低的是欧洲;2018年城市规模分布最极化和最均衡的地区仍分别为非洲和欧洲(图3)。2000—2018年间,非洲、南美洲大部分国家的城市规模分布趋于均衡,亚洲、欧洲少数国家(中国、哈萨克斯坦、芬兰、挪威等)城市规模分布有极化趋势,北美洲、大洋洲国家的城市规模分布呈现出相对稳定的态势。
图2 2000—2018年国家城市规模分布和影响因素时间演化特征

Fig.2 Temporal change of city size distribution at the national level and influencing factors, 2000-2018

图3 2000、2018年国家城市规模分布空间演化特征

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1663号的标准底图制作,底图无修改。

Fig.3 Spatial change of city size distribution at the national level in 2000 and 2018

2.2 城市规模分布影响因素时空演化特征

(1) 自然要素。2000年以来各国河流密度平均值有所上升(图2),加拿大、俄罗斯和欧洲东部少部分国家的河流密度却有所下降。地表粗糙度基本稳定,高值国家始终在亚洲南部、非洲南部和南美洲西北部,低值国家一直位于非洲北部和欧洲。
(2) 社会经济要素。2000—2018年,全球人均GDP平均值不断增加,人均GDP水平较高的国家始终集中在欧洲、北美洲和大洋洲,非洲国家则始终处于较低水平。各国城市人口平均值不断上升,城市人口密度平均值则呈下降趋势。非洲人口增加相对明显,且非洲和亚洲南部国家人口总量和密度始终处于较高水平。2000年以来各国进出口贸易总额占GDP比重平均值波动增加,但该指标在美国、俄罗斯等国家明显下降。全球大部分国家工业增加值占GDP比重在波动下降,工业比重较高的国家始终集中在亚洲和非洲。各国制造业与服务业增加值之比的平均值呈下降趋势,但比值较高国家始终集中在非洲和东南亚。2000年以来各国铁路密度平均值呈现缓慢增加趋势,欧洲国家铁路密度一直较高。互联网普及率平均值不断增加,2000年,仅北美洲、大洋洲和欧洲部分国家互联网普及率较高,而2018年时,仅非洲国家互联网普及率较低。
(3) 制度要素。2000—2018年各国政府支出占GDP的比重和公民政治权利自由指数平均值均波动增加(图2),非洲政府支出比重始终最低,北美洲、欧洲和大洋洲国家的公民政治权利自由指数始终较高。国家脆弱指数平均值呈下降趋势,非洲国家最为脆弱。

3 城市规模分布的影响因素分析

3.1 自然、社会经济以及制度要素均对城市规模分布产生显著影响

基准回归结果中(表2),从所有国家来看,河流密度与地表粗糙度2个反映自然要素的指标分别呈现出正、负显著,即高河流密度和地形起伏程度小的国家通常有更加均衡的城市规模分布。城市人口密度的系数显著为正,意味着城市人口密度增加会加剧大城市的集聚不经济而迫使企业和居民向小城市迁移,推动城市规模分布均衡化。工业增加值占GDP比重的系数也显著为正,支持了以往研究中关于大城市工业企业为了避免集聚不经济会向小城市扩散,从而使城市规模分布均衡的观点[31]。其他社会经济要素指标的系数不显著,可能源于这些要素对城市规模分布的极化和均衡作用相互抵消。制度因素中,仅高等脆弱指数显著为负,意味着国家政局动荡时,企业和居民会集聚在权利中心(大城市)寻求保护,带来城市规模分布的极化。政府干预程度不显著,可能是尽管政府支出更倾向于大城市,为其提供了更多资源要素,但其对大城市的过度干预阻碍了城市集聚经济的发挥,因此总体效应不明显。另外,国家集权程度也不显著,表明充分的政治权利自由一方面给小城市带来更多发展机会,增强了小城市吸引力;另一方面也赋予居民更多自由,允许其向服务水平高、娱乐活动丰富的大城市集聚。
表2 国家城市规模分布影响因素及异质性

Tab.2 Influencing factors of city size distribution at the national level and their heterogeneity across countries

变量 Pareto1(ln)
所有国家 高收入国家 低收入国家 制造业为主国家 服务业为主国家 强政府干预国家 弱政府干预国家
河流密度(ln) 0.3790*** 0.3860*** 0.4830*** 0.4670*** 0.3900*** 0.5130*** -0.0038
(0.1120) (0.1050) (0.1570) (0.1650) (0.1210) (0.0860) (0.1830)
地表粗糙度(ln) -0.1050* -0.0435*** -0.2580*** -0.0317** -0.0574 -0.0282** -0.2850***
(0.0571) (0.0119) (0.0426) (0.0158) (0.1660) (0.0139) (0.0452)
人均GDP(ln) 0.0358 0.0372 -0.0069 7.43E-05 -0.1250* -0.0617 -0.1740**
(0.0553) (0.1030) (0.0776) (0.0798) (0.0657) (0.0777) (0.0763)
城市人口(ln) -0.0727 0.1230 -0.0710 0.0221 -0.2090 -0.3260** 0.1830
(0.1030) (0.2570) (0.1120) (0.1420) (0.1990) (0.1510) (0.2010)
城市人口密度(ln) 0.1880** -0.0349 0.1820** 0.2150*** -0.1190* 0.1380* -0.1470*
(0.0918) (0.0659) (0.0812) (0.0665) (0.0688) (0.0731) (0.0868)
进出口贸易总额占 0.0257 0.1440* -0.0518 -0.0767 -0.1000 -0.0132 -0.0916
GDP比重(ln) (0.0531) (0.0759) (0.0499) (0.0523) (0.0805) (0.0598) (0.0600)
工业增加值占 0.1780** -0.1980 0.2240*** 0.1760* 0.1640 0.0368 0.3350***
GDP比重(ln) (0.0714) (0.1420) (0.0796) (0.0918) (0.1350) (0.1090) (0.0975)
制造业与服务业 -0.0803 0.1030 0.00924 0.0413 0.0371 0.0792 -0.0467
增加值之比(ln) (0.0704) (0.0871) (0.0521) (0.0499) (0.0909) (0.0562) (0.0493)
铁路密度(ln) -0.0145 -0.0051 -0.1040* -0.1270** -0.0074 0.0016 -0.1510**
(0.0089) (0.0092) (0.0571) (0.0523) (0.0076) (0.0050) (0.0671)
互联网普及率(ln) -0.0078 0.0234 -0.0005 0.0008 0.0158 0.0215** -0.0236
(0.0110) (0.0282) (0.0141) (0.0139) (0.0182) (0.0104) (0.0153)
政府支出占 0.0347 -0.0353 0.0786 0.1290 0.0890 0.2800** 0.0227
GDP比重(ln) (0.0643) (0.1040) (0.0646) (0.0779) (0.0874) (0.1170) (0.0786)
公民政治权利半自由 -0.0371 0.0571** -0.0922 -0.0655 -0.3440*** -0.1930** -0.1690*
(0.0801) (0.0223) (0.0775) (0.0542) (0.0683) (0.0918) (0.0857)
公民政治权利自由 -0.0941 — -0.1580* -0.1150** — -0.1910* —
(0.0656) — (0.0840) (0.0562) — (0.0980) —
中等脆弱 -0.0410 0.0054 -0.0422 -0.0640* -0.0331 -0.0578** -0.0701*
(0.0317) (0.0362) (0.0272) (0.0362) (0.0519) (0.0288) (0.0410)
高等脆弱 -0.1370* — -0.1380** -0.1410 0.0648 -0.0017 -0.1670
(0.0721) — (0.0621) (0.0915) (0.1050) (0.0707) (0.1180)
时间 控制 控制 控制 控制 控制 控制 控制
国家 控制 控制 控制 控制 控制 控制 控制
常数 -0.6120 -1.8450 0.5860 -2.9570 6.9020 5.9960 -1.1140
(2.3500) (5.7770) (2.8920) (3.4140) (4.1670) (3.9190) (4.7470)
观测值 303 131 172 187 116 194 109
样本国家数 89 30 59 67 44 55 45
R2 0.413 0.441 0.639 0.588 0.484 0.575 0.712

注：① 括号内数值为稳健标准误;***、**、* 分别代表在1%、5%和10%的水平下通过显著性检验;② 进行分样本回归的时,一些指标在样本量少的分组中由于共线性被自动剔除掉;③ 高、低收入国家分类参考世界银行标准;制造业、服务业为主国家,强、弱政府干预国家类型的划分取决于样本高于或低于相应指标在全球的平均值。

3.2 不同类型国家城市规模分布影响因素异质性探讨

异质性分析结果表明(表2),社会经济要素的影响在不同类型国家异质性最大。① 经济发展水平。服务业对面对面有更高需求,因而经济水平的提高会加剧服务业为主国家城市规模分布极化;弱政府干预国家的企业和居民通常能自主选择区位,会随着经济快速发展而进一步向优质资源集中的大城市集聚。② 集聚经济。城市人口增加显著促进强政府干预国家城市规模分布极化,可能是政府通常将优质资源和要素布局在首位城市,使其成为人口增长过程中的集聚目标。人口密度对城市规模分布的均衡作用在高收入国家不明显,并且会促使服务业为主和弱政府干预程度国家城市规模分布极化。可能是因为人口密度的增加会加重大城市的负担从而使城市体系均衡,但高收入国家通过投入资金、技术能快速缓解大城市负担,因作用不显著。服务业为主国家对集聚有更高的需求[32],弱政府干预国家企业和居民选址更自由,因而人口密度的增加会促进人口向收益更高的大城市集聚。③ 开放水平。高收入水平国家开放历史久、程度高,中小城市更能从中获益,因此城市规模分布更加均衡。④ 工业化水平。工业化对城市规模分布的均衡作用在高收入、服务业为主国家以及强政府干预国家不明显,可能是前2类国家通常处于工业化较成熟时期,工业化作用不再明显;而在强政府干预国家,一方面工业化的推进为企业由大城市向低等级城市扩散提供了机会,但另一方面由于政府通常将优质资源集聚在大城市,加大了大城市的吸引力,因此总效应不明显。⑤ 交通基础设施。交通基础设施的改善促进低收入、制造业为主及弱政府干预国家的城市规模分布向极化发展。交通基础设施改善降低了低收入国家的要素流动成本,吸引企业向收益高的大城市集聚。运输成本的下降也有利于制造业在空间集聚以获取集聚经济的好处,从而使制造业为主国家的城市规模分布更为极化。另外,交通水平的提高也为弱政府干预国家中的企业和居民更自由地向工资高、资源丰富的大城市集聚提供了便利,促进城市规模分布极化发展。⑥ 信息化水平。强政府干预国家的首位城市通常具有垄断地位,互联网普及率的提高削弱了其地位,促使城市规模分布更加均衡。
自然要素对城市规模分布的影响在不同类型国家中较为一致,但制度要素的作用存在差异。仅在强政府干预的国家,政府支出占GDP比重的增加才会促进城市规模分布的均衡,可能是只有在强政府监督下,政府增加用于公共服务设施建设方面的支出才能有效提升中小城市活力。国家脆弱指数和公民政治权利自由2个指标在分样本回归过程中受共线性影响缺失值较多,因此未对其做具体分析。

3.3 已有跨国研究对比

近年来有3个较为系统的跨国城市规模分布研究,本文与他们的不同之处和贡献在于(表3)：① 创新性地识别了口径一致的全球城市人口数据。已有跨国研究采用的城市人口数据主要来源于2014年《世界城市化展望》以及Thomas Brinkhoff建立的City Population数据库,前者仅提供各国人口大于30万的城市集聚区数据,缺少小城市的人口信息;而后一数据库中各国对于城市的定义不一致,部分采用行政定义,其他则基于功能定义,并且连续面板数据不可得,数据可比性较差。本文则基于LandScan人口数据和欧空局土地利用类型数据,识别出全球范围内具有统一定义的城市,较好地解决了跨国城市人口数据不可比问题。② 研究内容更为深入。已有研究主要关注城市规模分布的类型划分、时间演变趋势及一般性影响因素分析,很少关注不同类型国家间影响因素的作用效果是否存在差异,而本文则对这一问题进行了深入探讨。③ 研究结论更为丰富。首先,本文证实了河流密度和地表粗糙度对城市规模分布分别起到了均衡和极化作用,这2个自然要素对城市规模分布的影响在已有跨国研究中常被忽略。其次,一些社会经济影响要素在不同类型国家对城市规模分布作用确实存在显著差异,其中城市人口密度的异质性最明显。城市人口密度通常会促进城市规模分布的均衡,但对服务业为主和弱政府干预国家的城市规模分布却起到极化作用,对高收入国家的效应则不明显。
表3 本文与近年来全球尺度城市规模分布影响因素相关研究对比

Tab.3 Comparison between this study and recent studies on influencing factors of city size distribution at the global scale

比较内容 本文 张亮靓等[9] 盛科荣等[15] Soo[28]
研究样本 全球89个国家 全球100多个国家 57个国家和地区 全球73个国家
人口数据
来源		 Landscan人口数据、欧空局土地利用类型数据 2014年《世界城市化展望》 City Population数据库 City Population数据库
计量方法 面板固定效应模型 截面回归、面板固定效应模型 截面回归 混合横截面回归
研究内容 城市规模分布时空演化
城市规模分布影响因素
不同类型国家影响因素异质性分析		 城市规模分布演变
城市规模分布影响因素		 城市规模分布类型划分
城市规模分布影响因素		 验证Zipf定律的适用性
城市规模分布影响因素
主要结论 (1) 2000—2018年,国家城市规模分布总体均衡发展,而亚洲、欧洲部分国家城市规模分布有所极化
(2) 众多影响因素中,河流密度、城市人口密度、工业增加值占GDP比重的增加会促进城市规模分布向均衡发展;地表粗糙度、国家脆弱指数上升导致城市规模分布极化;城市人口和密度、工业化水平、经济发展水平、开放水平、交通基础设施水平以及政府干预程度对国家城市规模分布的影响均存在异质性,会因国家收入水平、产业结构和政府干预程度的不同存在差异		 (1) 1950—2010年,国家城市规模分布逐渐分散
(2) 从影响要素来看,土地面积、人口密度、二三产业产值占GDP比重促进城市规模分布的均衡;进出口贸易额占GDP比重、国家脆弱指数促进城市规模分布的极化;人均GDP先促进城市规模分布极化后促进城市规模分布均衡;城市化率、每百人固定电话订阅数、每百人互联网用户以及Freedom自由度对城市规模分布的影响不明显		 (1) 全球各国城市规模分布分为5种类型
(2) 影响因素层面,进出口贸易额占GDP比重、每千人机动车拥有量以及民主化或降低首位城市的集聚度;区域人口数量、人均GDP会促使人口向高位序城市集聚;而城市化率对城市规模分布的影响则不显著		 (1) 全球73个国家中,大部分国家城市规模分布都不符合Zipf定律
(2) 影响因素中,人口规模,人均GDP、规模经济、政府支出占GDP比重、战争促进了城市规模分布的分散;二三产业产值占GDP比重、交通成本促进了城市规模分布的集聚;进出口贸易额占GDP比重、土地面积对城市规模分布的影响不明显

4 结论与讨论

本文通过对全球范围内国家城市规模分布时空演化特征、影响因素及其在不同类型国家间的异质性进行分析发现：
(1) 2000—2018年间世界各国城市规模分布呈现波动均衡的发展态势,其中非洲和南美洲国家城市规模分布趋于均衡,而亚洲和欧洲国家城市规模分布有所极化;在研究期内,非洲各国城市规模分布极化程度最高,欧洲最为均衡。
(2) 众多影响因素中,河流密度、城市人口密度、工业化水平的提升会促进城市规模分布向均衡发展;地表粗糙度、国家脆弱指数增加则使城市体系更加极化。
(3) 与自然要素和制度要素相比,社会经济要素对城市规模分布的影响在不同类型国家间异质性最为明显。虽然总体来看,城市人口密度增加有助于城市规模分布更为均衡,但该要素在服务业为主和弱政府干预国家却起到极化作用,对高收入国家的效应不明显;工业发展对城市规模分布的均衡作用和铁路密度增加对其极化作用在低收入国家、制造业为主国家和弱政府干预国家更为明显;经济发展水平提升显著促进服务业为主国家和弱政府干预国家城市规模分布的极化;扩大开放会促进高收入国家城市规模分布均衡发展;城市人口和互联网普及率分别促进强政府干预国家城市规模分布向极化和均衡发展;增加政府支出仅对强政府干预国家的城市规模分布起均衡作用。
本文在全球可比的城市基础上开展了跨国城市规模分布研究,不仅加深了对世界各国城市规模分布及其形成机理的规律性认识,也发现城市规模分布影响因素在各国间存在较大异质性,为未来各国形成合理的城市规模分布格局提供了有价值的参考依据。
城市规模分布对中国新型城镇化进程有重大影响,合理的城市规模分布将有效助推高质量的城镇化建设。基于本文研究发现,未来中国可以通过以下几个方面优化城市规模分布,为国家治理体系现代化奠定空间基础：其一,构建适度均衡的城市体系。本文发现高人口密度的大国倾向于形成均衡的城市规模分布模式,而中国目前处于极化的城市规模分布演化过程中,特大城市深受“城市病”的困扰,小城市则因规模不足而缺乏发展动力。因此,未来应在充分发挥市场配置资源的基础上,适当通过政策手段为中小城市注入发展动力,重构中国的经济地理格局。其二,扩大内外双向开放以助推国内国际双循环。本文研究表明,扩大开放会给高收入国家中小城市带来更多发展机遇,这将有助于扩大国内需求。当前阶段,中国的人均收入水平已非常接近高收入国家(世界银行高收入国家标准为人均GDP高于11900美元,中国2020年人均GDP已经超过1万美元),但中国的城市规模分布却处于相对极化水平,并且这一趋势仍在加剧,导致小城市发展不足,大中小城市分布格局失衡。未来应通过进一步内外双向开放,继续坚持扩大内需,并以城市群构建为基础为中小城市发展创造更多机遇。其三,充分重视新一代信息技术在国土空间规划过程中的重大影响。互联网会促进强政府干预国家城市规模分布向均衡发展,中国作为政府干预水平较高的国家,应认识到互联网的发展有利于人口进一步向小城市流动,有必要在未来规划中合理布局信息基础设施和资源,给小城市配置充足的发展资源,尽量避免出现大城市资源浪费而小城市承载力不足的问题。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
联合国. 世界城市化展望 (2018修订版)[EB/OL]. 2018-05-16 [2021-01-01]. https://www.un.org/development/desa/publications/2018-revision-of-world-urbanization-prospects.html

[United Nations. World Urbanization Prospects (2018 Revised Version). 2018-05-16 [2021-01-01]. https://www.un.org/development/desa/publications/2018-revision-of-world-urbanization-prospects.html

[2]
国家统计局. 中国农村发展报告(2020) [EB/OL]. 2020-08-19 [2021-01-01]. http://www.stats.gov.cn/

[National Bureau of Statistics. China rural development report (2020). 2020-08-19[2021-01-01]. http://www.stats.gov.cn/

[3]
Auerbach F. Das gesetz der bevolkerungskoncentration[J]. Petermanns Geographische Mitteilungen, 1913, 49(1):73-76.

[4]
Zipf G K. Human behavior and the principle of least effort[M]. Cambridge, USA: Addison-Wesley, 1949: 375-376.

[5]
沈体雁, 劳昕. 国外城市规模分布研究进展及理论前瞻-基于齐普夫定律的分析[J]. 世界经济文汇, 2012(5):95-111.

[ Shen Tiyan, Lao Xin. Research progress and theoretical prospect of foreign city size distribution: Based on the analysis of Zipf's law. World Economic Papers, 2012(5):95-111. ]

[6]
魏守华, 周山人, 千慧雄. 中国城市规模偏差研究[J]. 中国工业经济, 2015, 33(4):5-17.

[ Wei Shouhua, Zhou Shanren, Qian Huixiong. Research on the deviation of urban scale in China. China Industrial Economics, 2015, 33(4):5-17. ]

[7]
万庆, 吴传清, 罗翔, 等. 中国城市规模分布时空演化特征: 基于“五普”和“六普”人口统计数据的实证研究[J]. 经济地理, 2018, 38(4):81-90.

[ Wan Qing, Wu Chuanqing, Luo Xiang, et al. Spatial and temporal evolution characteristics of China's city size distribution. Economic Geography, 2018, 38(4):81-90. ]

[8]
孙斌栋, 金晓溪, 林杰. 走向大中小城市协调发展的中国新型城镇化格局: 1952年以来中国城市规模分布演化与影响因素[J]. 地理研究, 2019, 38(1):75-84.

DOI

[ Sun Bindong, Jin Xiaoxi, Lin Jie. China's new pattern of urbanization toward coordinated development of large, medium and small cities: Evolution and determinants of city size distribution since 1952. Geographical Research, 2019, 38(1):75-84. ]

[9]
张亮靓, 孙斌栋. 极化还是均衡: 重塑大国经济地理的战略选择: 城市规模分布变化和影响因素的跨国分析[J]. 地理学报, 2017, 72(8):1419-1431.

DOI

[ Zhang Liangliang, Sun Bindong. Polarization or convergence: Strategy of reshaping economic geography of large countries: A cross-country study on the evolution and determinants of city size distribution. Acta Geographica Sinica, 2017, 72(8):1419-1431. ]

[10]
王超, 阚瑷珂, 曾业隆, 等. 基于随机森林模型的西藏人口分布格局及影响因素[J]. 地理学报, 2019, 74(4):664-680.

DOI

[ Wang Chao, Kan Aike, Zeng Yelong, et al. Population distribution pattern and influencing factors in Tibet based on random forest model. Acta Geographica Sinica, 2019, 74(4):664-680. ]

[11]
李琬, 孙斌栋, 刘倩倩, 等. 中国市域空间结构的特征及其影响因素[J]. 地理科学, 2018, 38(5):672-680.

DOI

[ Li Wan, Sun Bindong, Liu Qianqian et al. The features and determinants of spatial structure in chinese prefecture-level city regions. Scientia Geographica Sinica, 2018, 38(5):672-680. ]

[12]
赵彤彤, 宋邦国, 陈远生, 等. 西藏一江两河地区人口分布与地形要素关系分析[J]. 地球信息科学学报, 2017, 19(2):225-237.

DOI

[ Zhao Tongtong, Song Bangguo, Chen Yuansheng, et al. Analysis of population distribution and its spatial relationship with terrain elements in the Yarlung Zangbo River, Nyangqu River and Lhasa River region, Tibet. Journal of Geo-information Science, 2017, 19(2):225-237. ]

[13]
刘修岩, 李松林, 陈子扬. 多中心空间发展模式与地区收入差距[J]. 中国工业经济, 2017(10):25-43.

[ Liu Xiuyan, Li Songlin, Chen Ziyang. Polycentric development and its effect on regional income disparity. China Industrial Economics, 2017(10):25-43. ]

[14]
刘修岩. 空间效率与区域平衡: 对中国省级层面集聚效应的检验[J]. 世界经济, 2014, 37(1):55-80.

[ Liu Xiu-yan. Spatial efficiency and regional balance: An examination of agglomeration effects at the provincial level in China. The Journal of World Economy, 2014, 37(1):55-80. ]

[15]
盛科荣, 金耀坤, 纪莉. 城市规模分布的影响因素: 基于跨国截面数据的经验研究[J]. 经济地理, 2013, 33(1):66-71, 65.

[ Sheng Kerong, Jin Yaokun, Ji Li. A study on the influencing factors of city size distribution based on country-level cross-sectional data. Economic Geography, 2013, 33(1):66-71, 65. ]

[16]
孙斌栋, 华杰媛, 李琬, 等. 中国城市群空间结构的演化与影响因素: 基于人口分布的形态单中心—多中心视角[J]. 地理科学进展, 2017, 36(10):1294-1303.

DOI

[ Sun Bindong, Hua Jieyuan, Li Wan, et al. Spatial structure change and influencing factors of city clusters in China: From monocentric to polycentric based on population distribution. Progress in Geography, 2017, 36(10):1294-1303. ]

[17]
叶浩, 庄大昌. 城市体系规模结构研究的新方法: 位序累积规模模型[J]. 地理科学, 2017, 37(6):825-832.

DOI

[ Ye Hao, Zhuang Dachang. A new method for analyzing the size structure of urban system: Rank cumulative size model. Scientia Geographica Sinica, 2017, 37(6):825-832. ]

[18]
刘修岩, 文意豪. 中国省域城市体系多中心发展水平的测度与影响因素[J]. 浙江学刊, 2020(1):100-110.

[ Liu Xiuyan, Wen Yihao. Analysis on the measurement and determinants of China's provincial polycentricity development level. Zhejiang Academic Journal, 2020(1):100-110. ]

[19]
Alonso-Villar O. Large metropolises in the third world: An explanation[J]. Urban Studies, 2001, 38(8):1359-1371.

DOI

[20]
李威, 王珺, 陈昊. 国际贸易、运输成本与城市规模分布: 基于中国省区数据的研究[J]. 南方经济, 2017(11):85-102.

[ Li Wei, Wang Jun, Chen Hao. International trade, transportation cost and city size distributions: Research on Chinese provincial data. South China Journal of Economics, 2017(11):85-102. ]

[21]
胡晨光, 孙久文, 王婷婷. 大都市带基础设施, 城市规模与城市经济增长: 一个中介效应与调节效应的综合分析框架[J]. 中国软科学, 2020(10):85-95.

[ Hu Chenguang, Sun Jiuwen, Wang Tingting. Infrastructure, city size and city economic growth in megalopolis: A comprehensive analysis framework of mediating effect and moderating effect. China Soft Science, 2020(10):85-95. ]

[22]
鲍超, 陈小杰. 中国城市体系的空间格局研究评述与展望[J]. 地理科学进展, 2014, 33(10):1300-1311.

DOI

[ Bao Chao, Chen Xiaojie. Review and prospect of research on the spatial pattern of China's urban system. Progress in Geography, 2014, 33(10):1300-1311. ]

[23]
Ioannides Y M, Overman H G, Rossi-Hansberg E, et al. The effect of information and communication technologies on urban structure[J]. Economic Policy, 2008, 23(54):202-242.

[24]
Tayyaran M R, Khan A M. The effects of telecommuting and intelligent transportation systems on urban development[J]. Journal of Urban Technology, 2003, 10(2):87-100.

DOI

[25]
Fan C C. The vertical and horizontal expansions of China's city system[J]. Urban Geography, 1999, 20(6):493-515.

DOI

[26]
Ades A F, Glaeser E L. Trade and circuses: Explaining urban giants[J]. The Quarterly Journal of Economics, 1995, 110(1):195-227.

DOI

[27]
Henderson J V, Wang H G. Urbanization and city growth: The role of institutions[J]. Regional Science and Urban Economics, 2007, 37(3):283-313.

DOI

[28]
Soo K T. Zipf's law for cities: A cross-country investigation[J]. Regional Science & Urban Economics, 2005, 35(3):239-263.

[29]
Liu X P, Hu G H, Chen Y M, et al. High-resolution multi-temporal mapping of global urban land using landsat images based on the Google Earth Engine Platform[J]. Remote Sensing of Environment, 2018, 209:227-239.

DOI

[30]
Gabaix X, Ibragimov R. Rank-1 / 2: A simple way to improve the OLS estimation of tail exponents[J]. Journal of Business & Economic Statistics, 2011, 29(1):24-39.

DOI

[31]
Fujita M, Krugman P, Venables A J. The spatial economy: Cities, regions, and international trade [M]. Cambridge, USA: Massachusetts Institute of Technology Press, 2001: 283-285.

[32]
彭昱, 周尹. 城市人口集聚与服务业发展[J]. 财经问题研究, 2016(12):35-40.

[ Peng Yu, Zhou Yin. City population concentration and service sector development. Research on Financial and Economic Issues, 2016(12):35-40. ]

Options
文章导航

/

〈 〉