首页  期刊介绍 期刊订阅 广告合作 联系我们 English
 
最新录用  |  当期目录  |  过刊浏览  |  热点文章  |  阅读排行  |  下载排行  |  引用排行
城市流动人口居住自选择中的空间权衡分析——以成都市为例
张少尧1,2,, 时振钦1,2, 宋雪茜3, 邓伟1,2,
1. 中国科学院水利部成都山地灾害与环境研究所/山区发展研究中心,成都 610041
2. 中国科学院大学,北京 100049
3. 成都信息工程大学管理学院,成都 610225

作者简介:张少尧(1993- ),男,四川巴中人,博士研究生,主要从事山区聚落与城镇化研究。E-mail: zhangsyxs@163.com

通讯作者:邓伟(1957- ),男,辽宁沈阳人,博士,研究员,博士生导师,主要从事山区发展研究。E-mail: dengwei@imde.ac.cn
摘要

基于成都市主城区各街道的流动人口数据,分析2010-2015年流动人口规模的空间分布格局及居住空间分异程度,并从流动人口行为决策的视角选取影响变量,分析其对居住自选择的影响程度及其空间差异,据此揭示居住自选择中的空间权衡过程,探讨流动人口的空间权衡对其居住自选择和居住空间格局形成的作用。结果表明:2010-2015年,成都流动人口在主城区南部和城市中心快速增加,其集聚态势为西高东低;流动人口相较于本地户籍人口表现出一定程度的居住空间分异性;流动人口占常住人口比、居住区面积、房租、公交、企业及生活服务设施对流动人口居住自选择有明显影响,且流动人口占常住人口比、居住区面积和房租影响显著,但影响关系受流动人口空间自相关影响显著;地理加权回归结果显示不同变量对居住自选择的解释能力存在空间差异性,流动人口通过不同变量空间分布的差异性权衡不同区域,以此完成居住自选择并最终形成居住空间格局。

关键词: 居住自选择; 空间权衡; 流动人口; 地理加权回归; 成都市;
Space trade-offs analysis in the urban floating population residential self-selection: A case study of Chengdu
ZHANG Shaoyao1,2,, SHI Zhenqin1,2, SONG Xueqian3, DENG Wei1,2,
1. Institute of Mountain Hazards and Environment/Research Center for Mountain Development, CAS, Chengdu 610041, China
2. University of Chinese Academy of Sciences, Beijing 100049, China
3. Chengdu University of Information Technology College of Management, Chengdu 610225, China
Abstract

A large floating population has entered urban areas under the rapid urbanization in China. However, their residential space pattern is strongly affected by residential self-selection, which has reconstructed the urban population distribution pattern and social space. This study examines urban floating population residential space pattern and its formation process, by using the floating population data of 2010 and 2015 in the yearbooks of Chengdu downtown block, and choosing influence variables from the perspective of behavioral decision made by the urban floating population. Therefore, the aims of this study are to analyze the influence of urban characteristic variables for residential self-selection and the influences' spatial differentiation, and to reveal process of space trade-offs in residential self-selection and its role in the formation of urban floating population residential space pattern. The results show that from 2010 to 2015, the urban floating population of Chengdu increased rapidly in the southern part of the downtown area and in the urban centers, and a significant space agglomeration situation featured by low-west and high-east is obviously reflected. Moreover, residential space pattern of urban floating population shows that the level of residential segregation is partially related to the residential space pattern of the registered population, but a notable degree of residential segregation has reduced from 2010 to 2015. More importantly, the study proves that the proportion of urban floating population in permanent residential population, residential land area, housing rent, public transportation, enterprise, hospital, drugstore, restaurant and marketplace have influences on floating population residential self-selection. In addition, the proportion of urban floating population in permanent residential population, residential land area and housing rent are the three significant variables in the spatial error model, but it is dramatically impacted by spatial autocorrelation of floating population statistic block. A major contribution of this study is that the spatial differentiation of the variables' influence on residential self-selection is verified by using geographic weighting regression (GWR), and it reveals the process of urban floating population space trade-offs on how to realize residential self-selection by weighting spatial variability of variables’ influence among different urban regions. That is to say, the spatial difference of living cost, employment opportunities, living environment and commuting costs have shaped the floating population residential space pattern, which is a complex reflection of the urban spatial perception, spatial trade-offs and spatial self-selection of floating population. It can help us to deeply understand the formation process of urban floating population residential space pattern, and provide references to promote community integration and urban management.

Keyword: residential self-selection; space trade-offs; floating population; GWR; Chengdu;
1 引言

居住自选择可被理解为个体对居住地的偏好态度,并能充分表达自身特征和选择态度的行为决策[1]。居住自选择多被用在交通[2,3]或出行行为[4]同建成环境关系的研究中,来探讨其在建成环境和行为关系[5]间的作用,以及同土地利用[6]和公共政策的关系[7,8]。研究证明社会经济属性、主观态度及生活方式都是居住自选择的成因[7,9]。空间权衡指对空间不同区域进行权衡比较,选择更适合的区域[10]。城市空间的异质性决定同一区域在不同变量的衡量下或不同区域在同一变量衡量下空间特性的差异化,使得城市中少有完美区域可同时满足多个变量的衡量[11],所以居住自选择具有空间性,即不同变量对居住自选择的影响在空间上不一致[12]。这种不一致使得城市不同区域在满足居住自选择时表现出差异性,所以要求居住自选择的主体对不同区域进行空间权衡,其权衡过程受不同变量影响。

流动人口成为现代大城市的重要组成部分,其居住空间格局对城市发展和社会融合意义重大[13,14]。自1998年中国改革住房商品化制度以来,城市流动人口可以更自由地根据收入、工作、家庭和个人偏好选择居住地[15,16],流动人口个体的居住自选择共同构成总体的居住空间格局。关于流动人口居住空间格局的研究可以分为三类:一是研究职业、收入、教育、家庭构成等流动人口自身特征对居住空间选择的影响[17,18];二是阐述住房价格和城市空间对流动人口的“过滤”和“筛选”作用[6,19,20];三是根据普查数据分析国家或区域层面流动人口居住空间分异格局及驱动机制[16,21,22]。但对流动人口居住空间格局形成的过程研究较少,缺乏对城市特征的考量和影响因素空间差异性的探讨。

城镇化背景下,大量流动人口进入城市,租房成为流动人口主要的居住方式[23],居住成本也就成为影响居住自选择的重要因素。同时流动人口还参加通勤、就业和享受城市生活环境[14,16,21],以实现自我发展,城市活动构成其对空间环境的感知并影响他们的空间权衡,在此基础上完成居住自选择,个体的居住自选择反映总体的居住空间格局[24,25]。因此本文试图寻找表征流动人口对城市空间环境感知的变量,分析其对空间权衡的作用,揭示居住自选择中的空间权衡过程。

2 研究方法与数据来源
2.1 研究视角

对居住空间分异的研究主要有三种视角,以社会—空间理论、社会生态学为代表的结构主义[26];以自选择理论、家庭生命周期为代表行为主义[27];以公共政策和制度为代表的制度主义[25]。结构主义主要分析居住空间格局及其影响因素,行为主义则更多从个体选择和行为决策的视角分析居住空间分异形成原因,有利于分析在城市转型中流动人口对城市空间的感知、权衡的过程,认知个体的空间权衡和空间选择在居住空间格局形成过程中的作用。所以本文以城市流动人口行为决策为视角,基于影响流动人口对城市空间环境感知的变量,分析流动人口居住自选择的空间权衡过程,试图揭示不同变量对空间权衡的影响作用,阐述流动人口如何根据影响变量对城市空间不同区域进行空间权衡,以完成居住自选择,并最终形成居住空间格局。尝试构建空间感知→空间权衡→空间选择(居住自选择)→空间格局的研究流动人口居住空间分异的逻辑架构,深化对流动人口居住空间分异的认识,以期为流动人口的社会融入和城市管理提供参考,促进宜居城市建设和城市竞争力的提升。

2.2 研究区概况

研究区为成都市中心六区构成的主城区(图1),包括青羊区、锦江区、武侯区、金牛区、成华区和高新技术产业开发区(高新区),共计77个街道办事处。成都市作为四川省省会和西南经济、文化中心,大量流动人口涌入推动了全市常住人口城镇化率从2000年的34.13%上升到2015年的67.51%,其主城六区已实现100%的城镇化。2015年成都主城六区常住人口为644万人,其中流动人口304万人;2010年常住人口511万人,流动人口270万人。5年间常住人口增长25.91%,流动人口增长12.57%,流动人口占常住人口比例由2010年的52.79%降到2015年47.2%(数据源自2016年成都统计年鉴)。成都市地处成都平原腹地,是成渝城市群核心城市,市内无大型河流、山脉割裂城市空间。在历史发展进程中,逐步形成了中心圈层式的空间格局,并对城市布局和发展产生重大影响。其中心圈层式的空间格局完全由社会经济力量所塑造,更能体现城市空间和要素特征的空间差异,有利于研究城市空间分异性对流动人口居住自选择的影响。

图1 成都市主城区行政区划 Fig. 1 Administrative divisions in Chengdu city proper

2.3 数据来源及处理

2010年、2015年的户籍和流动人口数据分别来自2011年、2016年的《青羊年鉴》《金牛年鉴》《成都市锦江区年鉴》《成华年鉴》《武侯年鉴》《成都高新技术产业开发区年鉴》六本年鉴中各街道所统计的户籍人口与流动人口,其中流动人口指市区外流入到所在街道半年以上的人口,户籍人口指居住在本街道的且拥有本地户籍的人口,对于街道间、城区内的人户分离人口计入户籍人口中,二者共同构成街道的常住人口。居住区面积来自成都市2015年1 10万土地利用类型图,住宅价格、房租及出租房数量来自安居客(http://chengdu.anjuke.com/)、链家网(http://cd.lianjia.com/)和房天下(http://cd.fang.com/),数据截至2016年末。住宅价格为商品房出售单价,单位为元/m2,出租房数量以小区可出租房屋套数计算,出租价格根据房屋面积和月租金换算为元/m2/月。公交站及线路、医院、药店、商场及餐馆数据来自百度地图(http://map.baidu.com/),企业数据来自顺企网(http://www.11467.com/chengdu/),全部整理为空间矢量数据,统一投影和坐标。

住宅价格和房租均按街道统计其单价的平均值,出租房数量以街道计算总量,分别表示每一个街道的平均住宅价格、房租和可出租房屋总套数;居住区面积来自各街道的居住用地面积之和;以每个公交站的公交路线数为权重,对各街道公交站点数加权求和,计算不同街道的公交优势度;计算企业、医院、药店、商场、餐馆点矢量数据的核密度,然后提取各街道核密度的均值。最终形成研究区77个街道的常住人口、流动人口、居住区面积、住宅价格、房租、出租房总数、公交、企业、医院、商场、药店、餐馆的数据集。

2.4 实证方法

2.4.1 居住空间分异测度 运用国际通用指标分异指数(index of dissimilarity)对成都市主城区流动人口居住空间分异性进行测度。分异指数衡量流动人口的居住分异性程度,能比较不同群体均匀居住而需重新进行空间选择比例,其计算公式为[28]

ID = 0.5 × i = 1 n x i X - y i Y (1)

式中:ID为分异指数;xiyi分别是区域单元i中群体x和群体y的人数;n是区域空间单元个数;XY分别是全市群体x和群体y的总人数。分异指数值域范围为[0, 1],当ID>0.3时,被认为分异程度较高。

2.4.2 多元线性回归 回归分析被认为当今最受欢迎的探索变量间影响关系的数学分析方法,其中以线性回归最为普遍。为考虑变量间的空间相关性,在此基础上发展出空间滞后模型和空间误差模型[29],空间滞后模型中的滞后变量说明邻近空间变量间存在扩散或溢出等空间作用,其大小反映空间扩散或溢出的程度,如果系数具有显著统计意义,说明变量间存在一定的空间相关性;而当空间相关性是通过忽略的变量产生作用时,通过不同区域的空间协方差来反映误差过程的空间误差模型就能较好拟合变量间的关系。

空间回归模型(SRM)通用回归方程为[30]

y = ρ W 1 y + + μ (2)

μ = λ W 2 ε + μ , μ ~ N 0 , Ω , Ω ii = h i za , h i > 0 (3)

式中:y为因变量;Xn×k的自变量矩阵;W1n×n阶权重矩阵,反映因变量本身的空间趋势;ρ为空间滞后变量W1y的系数;β是与自变量X相关的k×1的参数向量;μ为随机误差相差向量;权重矩阵W2反映残差的空间趋势;N为正态分布;Ω为方差矩阵,其对角线元素元素为Ωii;z是一个外生变量;a是一个常数项;hi是一个函数关系;λ为空间自回归结构W2ε的系数。当系数ρ≠0,λ=0时,回归模型为空间滞后模型;当系数ρ=0,λ≠0时,回归模型就为空间误差模型。

2.4.3 地理加权回归 多元线性回归只能探测整体区域上自变量对因变量的影响作用,但缺乏区域尺度上对影响作用的空间变异性的感知。而地理加权回归(GWR)在线性回归模型基础上进行扩展,通过使回归方程尽可能地适应局部空间要素,其回归系数β不再是全局性的统一值,而具有空间差异性,从而可以更好地反映自变量对因变量的影响作用随空间位置而变化,用以探索空间数据的非平稳性和空间特征的异质性。GWR的数学表现形式[31]为:

y i = a o u i , v i + a k u i , v i x ik + ε i (4)

式中:yi为第i点的因变量;xik为第k个自变量在第i点上的值;k为自变量记数;i为样本点记数;εi为残差; u i , v i 为第i个样本点的空间坐标; a k u i , v i 为连续函数 a k u , v i点的值。

3 结果分析
3.1 流动人口居住空间分异

3.1.1 流动人口规模空间分布 2010-2015年间,成都市主城区流动人口增加了34万人,其中重点增长区域位于高新区和锦江区南部、城市中心区、金牛区北部及成华区中部(图2a),成都主城区南部增长率整体上高于北部,而在二环附近区域流动人口有所减少,三环至绕城区域多为流动人口增长区。增长趋势的空间分布说明2010-2015年间,成都主城区的流动人口显现出外围和内核增加、中环收缩的趋势。从2015年流动人口占常住人口的比例的空间分布来看(图2b),主城区的西北部,即武侯区、青羊区和金牛区流动人口集聚度最高,其占比多超过50%。相比之下,成华区的流动人口集聚度最低。表现出明显的西高东低的集聚特点,这和成都市城市空间格局紧密相关。西部是传统的居住区和教育文化区,北部为小商品集散批发区,东边为工业区,南部为高新技术产业开发区。流动人口的居住自选择明显受到城市空间结构和要素特征空间分布的影响。

图2 2010-2015年成都市主城区流动人口增长趋势及占常住人口的比例 Fig. 2 The growth trend of the floating population and the proportion of permanent residents in Chengdu city proper in 2010-2015

3.1.2 居住空间分异程度 将常住人口分解为本地户籍人口和流动人口,用分异指数测度流动人口相对于本地户籍人口的居住分异性。结果表明2010年流动人口与本地户籍人口规模分异指数为0.260,2015年为0.215,即成都主城区存在一定程度的居住分异,但分异程度有所减小。将分异指数按街道进行可视化(图3),发现流动人口与本地户籍人口分异性较高的区域集中于三环外,如武侯区西部、金牛区和成华区北部,这些区域流动人口集聚度较高,其数量超过本地户籍人口。流动人口与本地户籍人口居住分异性较低的区域多在城市中心及锦江区和高新区等东南方,其流动人口占比较低。2010-2015年,成都主城区的居住分异性有所减小,尤其是金牛区和成华区的北部,而武侯区流动人口的居住空间分异性仍较高。同2010-2015年流动人口的增长趋势(图2a)结合分析,可发现流动人口快速增加的区域居住空间分异程度较低,且有显著降低,如高新区、锦江区南部等。而武侯区西部流动人口减少,导致其居住空间分异性维持在较高水平。反映出流动人口有从居住分异性较高区域向较低区域流动的趋势,即新增流动人口倾向于流动人口与本地户籍人口分异性较小的区域,也可以认为流动人口占常住人口比例在一定程度上影响流动人口的居住自选择。

图3 2010年和2015年成都主城区流动人口居住空间分异程度 Fig. 3 Residential spatial differentiation degree of Chengdu city proper in 2010 and 2015

3.2 居住自选择影响变量分析

3.2.1 变量选择及相关分析 根据流动人口规模空间分布及居住空间分异性分析,本文选择出租房总数、房租、居住区面积和住宅价格作为衡量居住成本的指标;选择企业密度代表就业机会;选择商场、药店、医院和餐馆的密度衡量生活成本;选择最大众化的公交作为通勤成本的指标;同时选择流动人口占常住人口的比例为分析居住隔离度和生活环境提供支撑;加入街道面积,分析空间可塑单元面积差异对流动人口统计的影响。图4表明了流动人口与各变量的相关强度和方向,其中流动人口占常住人口比、街道面积、居住区面积、企业、公交、药店、医院和餐馆同流动人口数量明显相关,而出租房数量与住宅价格同流动人口相关性较弱,房租价格和住宅价格同流动人口呈负相关。统计表明占常住人口比对流动人口集聚有正向作用,表现出居住融入性;街道面积对流动人口的统计有显著影响,回归分析中应考虑街道面积的差异;房租和住宅价格对流动人口有负向作用,但住宅价格相关性微弱,表明流动人口更加关注租房居住,而不是购买商业住宅。居住区面积更大的区域对流动人口吸引力越大;此外企业、公交、商场、药店和餐馆都与流动人口正向相关,就业机会、通勤和生活服务设施吸引流动人口的集聚。相关性分析说明流动人口居住自选择显著受到居住成本、就业机会、通勤成本和生活成本的影响。

图4 流动人口同各变量的相关系数及相关示意图 Fig. 4 The correlation coefficient between floating population and variables and their correlativity

3.2.2 回归结果分析 剔除相关性微弱的变量,利用回归模型分析剩余变量对流动人口的影响关系。结果(表1)表明:经典线性回归拟合度R2为0.566,变量中流动人口占常住人口比例、房租、居住区面积和药店通过显著性检验,所有变量方差膨胀因子(VIF)均小于7.5。回归残差的空间自相关分析显示街道间的空间相关性对回归结果产生影响,所以采用空间滞后模型和空间误差模型。似然比检验表明空间误差模型比空间滞后模型更加显著(P:0.0005<0.009)。在空间误差模型中,R2为0.66,高于经典线性回归模型和空间滞后模型,且占常住人口比、房租、居住区面积通过回归模型的显著性检验。模型显示空间误差变量统计显著,表明流动人口的空间自相关对回归结果影响显著。

表1 流动人口回归分析结果 Tab. 1 Regression results of floating population

回归分析表明,流动人口的居住自选择显著受到常住人口规模及流动人口占比的空间分布的影响,常住人口分布越多的区域人居环境越好,生活服务设施更加便利,受到流动人口的青睐。房租是影响流动人口空间分布的重要变量,受地价竞租理论的影响,城市房价从中心向郊区递减。流动人口因自身经济收入的原因,会偏向于房屋质量或周边环境较差、远离城市中心的低房租区域居住,即增加通勤成本以承受居住成本。居住区用地面积越大,居住小区越多,流动人口居住自选择选项更多,便可选择自身经济条件承受范围内性价比最高的居住地。此外,大的居住区往往形成流动人口集聚区,相同的居住环境、消费环境、交通及就业环境会吸引更多流动人口,而流动人口也会倾向于具有归属感和融入感的居住小区。

3.3 流动人口居住自选择的空间权衡

3.3.1 空间权衡变量分析 空间回归分析虽说明了变量对流动人口居住自选择的影响关系及强度,但仍无法揭示各变量对居住选择影响的空间差异及解释流动人口居住空间格局的形成过程,且空间回归模型显著受到变量的空间自相关性的影响,其全局性回归系数无法说明自变量的空间差异对居住自选择的影响,所以本文运用地理加权回归分析各自变量对居住自选择解释能力的空间差异。自变量的选择依据经典线性回归中的VIF的大小和空间误差模型中各自变量的显著性(表1),以避免出现完全或局部多重共线性。最终选择2015年的流动人口为因变量,流动人口占常住人口比例、房租、居住区面积、企业、公交作为自变量,街道面积作为模型的权重变量,以平衡街道面积差异对流动人口的影响。上述变量组成的地理加权回归模型通过显著性检验,其中模型拟合度R2=0.68,模型评价系数Condition Number(Cond)小于30,表明模型的局部共线性可以接受。

变量回归系数的空间分布(图5)表明:流动人口占常住人口比对流动人口解释能力北高南低,在金牛区的流动人口居住自选择显著受到户籍人口分布的影响,而高新区和锦江区影响较弱;房租对流动人口居住自选择的影响是负向的,在金牛和成华区流动人口对房租更加敏感,敏感程度自西北向东南递减;居住区面积能反映可出租房屋数量和生活环境,面积越大,流动人口居住自选择余地也越大。居住区面积的回归系数西高东低,即在主城区西部居住面积对流动人口有显著集聚作用;企业数量代表就业机会,其对居住自选择解释力的空间分布表明就业机会对流动人口影响的空间差异,武侯区、高新区和锦江区充足的就业机会吸引流动人口的居住集聚;公交代表通勤成本,公交优势度越差,则通勤成本越高。公交对流动人口居住自选择解释力最高的区域位于成华区,此处也是流动人口分布最少的区域(图2b),说明流动人口偏向选择通勤成本较低或公交优势度较好的区域。而在公交优势度较差的区域(成华区),流动人口的空间分布会更加依赖公交站的空间分布(解释力最高);地理加权回归模型的残差仅在武侯区西部、金牛区北部等少数边缘地带较大,大部分区域残差较小,表示利用占常住人口比、房租、居住区面积、企业和公交五个变量能较好地拟合流动人口居住空间格局。

图5 变量回归系数及残差空间分布 Fig. 5 Spatial distribution of variables regression coefficient and residual error

3.3.2 居住自选择的空间权衡过程 成都市主城区因历史和社会经济发展所导致的功能分区影响城市特征空间分异格局,其西部是传统居住区,东部为工业区,北部为商贸批发区,南部近年发展为高新技术区[32],由此导致的居住成本、就业机会、生活成本、通勤成本的空间差异。如西北部居住人口多于东南;西南部房价高于东北部;高新技术企业多集中南部,而小商贩多位于北部。城市流动人口的居住自选择需考虑不同影响变量在城市空间中的差异,成都主城区北部较多的常住人口规模能吸引流动人口的集聚,形成流动人口集聚区,相同的消费环境能够降低生活成本,但北部流动人口对房租更加敏感,影响其居住自选择。西北部充足的居住区能为流动人口提供丰富的居住选择,吸引流动人口,而就业机会多集中于南部。东部的通勤成本对流动人口空间分异影响最为显著,从而使得流动人口偏向选择通勤更为方便的其他区域。不同影响变量的空间差异要求流动人口必须在不同的区域间做出空间权衡,选择更适合自身的居住区域,完成居住自选择。

综合相关性分析(图4)和空间误差模型(表1)可知,在流动人口居住自选择空间权衡中,各变量的影响力依次为居住面积、公交、户籍人口规模、企业、药店和餐馆等,即流动人口在空间权衡中优先会考虑居住成本、其次为通勤成本、生活环境和就业机会,权衡过程根据变量权重(影响力)的大小分步完成(图6)。首先流动人口需要权衡居住成本,选择居住面积更大、出租房更多、房租更便宜的区域;其次权衡通勤成本,流动人口偏向选择公共交通更方便、离市区和工作地稍近的区域;然后权衡生活环境,选择具有便利生活服务设施、流动人口集聚的区域;最后权衡就业机会,选择尽可能靠近工作地的区域。每次权衡具有递进性,即在上一次权衡的区域内进行下一次权衡,如果两次权衡区域不能同时满足两次权衡条件,则会优先选择影响力更大的权衡条件。如虽然生活环境更好,但房租较贵,流动人口则会选择生活环境稍差、但房租更便宜的区域。从权衡次序中,认为居住成本是城市流动人口首要考虑的因素,即使不满足通勤成本更低、良好的生活环境和靠近工作地等条件,但较低的居住成本依然能吸引流动人口的集聚。就业机会的权衡次序低于通勤成本,表明流动人口往往通过寻找交通更加便利的区域或是增加通勤成本来降低居住成本,而不是靠近工作地增加居住成本。综合各变量回归系数的空间分布(图5)认为,成都主城区的西、西北和西南部能较好地满足了流动人口空间权衡中各因素的优先次序,即充分的居住选择、较低的房租、便利的通勤、较好的生活环境和靠近就业地。居住成本、就业机会、生活环境和通勤成本的空间差异塑造了流动人口居住空间的分异格局(图2b),这种格局便就是流动人口空间感知、空间权衡和空间选择(居住自选择)的直接反映。通过对居住自选择中的空间权衡过程分析构建起空间感知→空间权衡→空间选择(居住自选择)→空间格局的逻辑架构(图6),深化对流动人口居住空间分异形成过程的认识。

图6 流动人口居住自选择中的空间权衡过程 Fig. 6 Space trade-offs process in floating population residential self-selection

4 结论与讨论
4.1 结论

基于成都主城区各街道流动人口数据,分析流动人口居住空间分异的格局和程度。同时选择相关变量解释2015年流动人口居住自选择的影响机理,运用地理加权回归揭示居住自选择空间权衡的过程。主要结论如下:

(1)2010-2015年,成都主城区流动人口增加了34万,重点增长区域在城市中心和主城区南部,其增长格局显示出外围和内核增加、中环收缩的趋势,而流动人口的集聚态势为西高东低。流动人口相对于本地户籍人口的表现出一定程度的居住分异,但随着新增流动人口从居住分异性较高区域向较低区域流动,其居住空间分异性有所降低,也说明流动人口占常住人口比例在一定程度上影响流动人口的居住自选择。

(2)相关分析表明流动人口占常住人口比、居住区面积、房租、企业、公交、商场、餐馆、药店和医院对流动人口居住自选择有明显影响,而出租房数量和住宅价格影响微弱,其中房租、住宅价格对居住自选择有负向影响。回归结果表明流动人口占常住人口比、居住区面积、房租对居住自选择影响显著,但模型受到流动人口空间自相关性的影响。

(3)地理加权回归结果显示流动人口占常住人口比、居住区面积、房租、企业和公交对流动人口的居住自选择的解释力具有不同的空间分异性,其空间分异性揭示出流动人口居住自选择时对不同城市要素的空间权衡差异。流动人口依次权衡居住成本、通勤成本、生活环境和工作机会,根据不同空间影响变量的差异性评估不同区域,并结合自身情况完成居住自选择,最终形成流动人口的居住空间格局。由此构建起空间感知→空间权衡→空间选择(居住自选择)→空间格局的流动人口居住自选择的逻辑架构。

4.2 讨论

流动人口居住自选择的空间权衡是一个复杂的过程,虽然居住自选择能表达一定程度的个体的主观态度,但个体特征依然会影响流动人口的空间感知和空间选择[1,17],如职业、收入、家庭生命周期等[27]、主观态度及流动人口群体内部的社会差异[21]都有可能影响居住自选择。个体特征的数据则需要依靠问卷调查或者大数据等手段来获取,后续研究中应进一步丰富流动人口居住自选择研究中的数据源,以求更加完善地反演其空间权衡过程。此外城市不同空间尺度下空间权衡过程可能不同,开展社区尺度的研究可能会更加精细地反映流动人口居住自选择中的空间权衡过程。

在经济转型、城镇化和全球化的影响下,流动人口进入城市成为中国现代化发展的一部分,推动城市社会空间的重构[33]。在流动人口居住自选择中的空间权衡过程中,流动人口从不同变量的角度深化对城市空间环境的感知,以更好地融入城市生活。但在多重原因推动下,城市社会贫富差距扩大,阶层重构和社会空间分异进程加速,居住群体更加多元。本文分析发现流动人口占常住人口比对其居住自选择影响显著,即流动人口相对于本地户籍人口的居住分异性影响其居住迁入和流动,表明流动人口更加在意居住区群体间的差异性和融洽度。本地户籍人口集聚区代表着更好的居住环境、公共服务和就业机会,但流动人口与本地户籍人口间的个体特征差异则会影响居住归属感和社区融入感。而流动人口集聚区因相同的居住环境、消费环境、交通及就业环境会吸引更多流动人口,而此则会加剧居住空间分异。从权衡结果看,流动人口更加偏向于流动人口集聚区,而2010-2015年新增流动人口更倾向于本地户籍人口集聚区,追求更好的就业机会和公共服务,表明居住空间分异和社区融入感已成为流动人口居住自选择的重要权衡变量。在流动人口快速涌入的城市化背景下,可以通过产业结构升级、公共服务的优化配置、住房补贴、完善公共交通、打造多元社区等手段,构建更包容、更多元、更宜居和更具全球竞争力的城市。

The authors have declared that no competing interests exist.

Reference
[1] Litman T.Land use impacts on transport how land use factors affect travel behavior. Land Use Planning, 2005.
[本文引用:2]
[2] Cao X, Yang W.Examining the effects of the built environment and residential self-selection on commuting trips and the related CO2 emissions: An empirical study in Guangzhou, China. Transportation Research Part D: Transport and Environment, 2017, 52: 480-494.
Numerous studies have established the link between the built environment and travel behavior. However, fewer studies have focused on environmental costs of travel (such as CO 2 emissions) with respect to residential self-selection. Combined with the application of TIQS (Travel Intelligent Query System), this study develops a structural equations model (SEM) to examine the effects of the built environment and residential self-selection on commuting trips and their related CO 2 emissions using data from 2015 in Guangzhou, China. The results demonstrate that the effect of residential self-selection also exists in Chinese cities, influencing residents choice of living environments and ultimately affecting their commute trip CO 2 emissions. After controlling for the effect of residential self-selection, built environment variables still have significant effects on CO 2 emissions from commuting although some are indirect effects that work through mediating variables (car ownership and commuting trip distance). Specifically, CO 2 emissions are negatively affected by land-use mix, residential density, metro station density and road network density. Conversely, bus stop density, distance to city centers and parking availability near the workplace have positive effects on CO 2 emissions. To promote low carbon travel, intervention on the built environment would be effective and necessary.
DOI:10.1016/j.trd.2017.02.003      [本文引用:1]
[3] Scheiner J.Transport costs seen through the lens of residential self-selection and mobility biographies. Transport Policy, 2016: 1-12.
61The paper develops a life-course perspective to understand transport costs.61Interrelations between mobility biographies and transport costs on multiple levels.61A strong planning system may help reduce future transport user costs.61A strong planning system may reduce future transport provision and external costs.61Paper suggests a shift away from happiness and towards dignity in transport studies.
DOI:10.1016/j.tranpol.2016.08.012      [本文引用:1]
[4] Ettema D, Nieuwenhuis R.Residential self-selection and travel behaviour: What are the effects of attitudes, reasons for location choice and the built environment?. Journal of Transport Geography, 2017, 59: 146-155.
In studies of the effect of built environment on travel behaviour, residential self-selection is an increasingly important issue. Self-selection implies that households locate in places that provide them with conducive conditions for their preferred way of travelling. In these studies, it is assumed that attitudes toward different travel modes are an important factor in location choice, and that households are unconstrained in choosing their preferred residential location. This paper challenges these assumptions, by distinguishing between the more passive travel attitude and travel considerations as a deliberate reason to locate in a certain place. Based on a survey among 355 recently relocated households in Dutch TOD locations, we find that the association between travel attitude and residential environment is weak, and that the association between travel attitude and travel as a factor in location choice is moderate at best. Multivariate models show that both travel attitude and travel being a reason for location choice influence travel mode use, suggesting that travel attitude is insufficient to fully reflect self-selection processes. In comparison to other travel modes, train travel is most influenced by the fact whether residents deliberately chose to live in an environment conducive to using this mode.
DOI:10.1016/j.jtrangeo.2017.01.009      [本文引用:1]
[5] Booneheinonen J, Gordonlarsen P, Guilkey D K, et al.Environment and physical activity dynamics: The role of residential self-selection. Psychology of Sport & Exercise, 2011, 12(1): 54-60.
Within the socio-ecologic framework, diet and physical activity are influenced by individual, inter-personal, organizational, community, and public policy factors. A basic principle underlying this framework is that environments can influence an individual's behavior. However, in the vast majority of cross-sectional and even the few longitudinal studies of this relationship, the question of whether individuals select their area of residence based on physical activity-related amenities is ignored. In this paper, we address a critical methodological issue: self-selection of residential location, which is generally not accounted for, and can significantly compromise research on the relationship between environmental factors and physical activity behaviors. We define and discuss the problem of residential self-selection in the study of neighborhood influences on health and health behavior, review methods used to control for residential self-selection in the literature, and present our strategy for addressing this potentially important source of bias. Existing research has built our understanding of residential self-selection bias, but important gaps remain. Our strategy uses data from a longitudinal cohort study linked to contemporaneous environmental measures to create a multi-equation model system to simultaneously estimate residential choice, environmental influences on physical activity, and downstream health outcomes such as obesity and clinical cardiovascular disease risk factor measures.
DOI:10.1016/j.psychsport.2009.09.003      PMID:3079234      [本文引用:1]
[6] 廖邦固, 徐建刚, 梅安新. 1947-2007年上海中心城区居住空间分异变化: 基于居住用地类型视角. 地理研究, 2012, 31(6): 1089-1102.
Based on long-term residential land-use data,this paper makes a calculation on the dissimilarity of diverse residential lands,which might be used as reference in the perspective of physical changes of residential spaces.(1)This study classifies residential land use of downtown Shanghai into 6 types:garden house and villa(coded as R1),high-rise apartment before 1949and workers'community after 1949(R2),commercial residential building(R2N),li-nong residential building(R3),shanty town(R4)and rural house(E6).Then,calculations are made on the spatial differentiation,i.e.the index of dissimilarity(D),spatial-modified dissimilarity index(D(s)),multi-group dissimilarity index(D(m))and spatial-modified multi-group dissimilarity index(SD(m))of various land-use types on the spatial scale of blocks and towns.(2)The result shows that the changing of residential spatial differentiation in different time series is not affected by scale effects or whether the dissimilarity index is spatial-modified or not.(3)From 1947 to 2007,in the type of garden house and villa,the dissimilarity maintains high,while the dissimilarity of commercial residential building keeps decreasing.In other types,however,the dissimilarity has a wave change.(4)D(m)of residential land-use shows that residential segregation might be notable in 1947,and decreases obviously from 1947 to 1979,while D(m)of residential space decreases obviously,and increases significantly from 1979 to 2007.(5)The relation between the hierarchy and the dissimilarity of residential land differs in various periods.Before 1949,the dissimilarity is high within high-rank residential land,whereas the index is quite low in medium and low rank residential land.During the socialist period,the rank and the dissimilarity have a positive correlation.In the transitional period,a"Vshaped"pattern can be found,which means that the dissimilarity of high rank and low rank residential land is high,and low dissimilarity can be seen in medium rank residential land.This indicates that the residential space of Shanghai has been polarized in terms of physical environment.
DOI:10.11821/yj2012060012      [本文引用:2]
[Liao Banggu, Xu Jiangang, Mei Anxin.Evolution of residential differentiation in central Shanghai city (1947-2007): A view of residential land-use types. Geographical Research, 2012, 31(6): 1089-1102.]
[7] Vos J D, Witlox F.Do people live in urban neighbourhoods because they do not like to travel? Analysing an alternative residential self-selection hypothesis. Travel Behaviour & Society, 2016, 4: 29-39.
Previous research has indicated that mode-specific attitudes can affect travel mode choice through the residential location choice. According to the principle of residential self-selection, people will try to choose a residential neighbourhood that enables them to travel with as high a share as possible of their amount of travel with their preferred mode. In this study, however, we will analyse whether differences in travel distance, travel time and travel satisfaction in urban versus suburban neighbourhoods are due to travel-liking attitudes, the residential location or a combination of both. Results of this study 61 analysing leisure trips within the city of Ghent (Belgium) 61 indicate that suburban respondents are, compared to urban respondents, more satisfied with their trips, which are also longer in time and distance. Suburban respondents also have a more positive stance towards travelling, suggesting a possible residential self-selection process. Travel lovers might prefer a residential neighbourhood where travel distances and travel time are relatively high, while people who do not like to travel might prefer to live in a neighbourhood that enables more short-distance and less travel-time intensive trips. This study suggests that especially people who do not like to travel self-select themselves in urban neighbourhoods in order to limit travel distance and travel time. In contrast, respondents with a more positive stance towards travelling are equally distributed in urban and suburban neighbourhoods. Results also indicate that travel distance and travel time are mainly affected by respondents’ residential neighbourhood, while travel satisfaction is mainly affected by travel-liking attitudes.
DOI:10.1016/j.tbs.2015.12.002      [本文引用:2]
[8] Schwanen T, Mokhtarian P L.What affects commute mode choice: Neighborhood physical structure or preferences toward neighborhoods?. Journal of Transport Geography, 2005, 13(1): 83-99.
The academic literature on the impact of urban form on travel behavior has increasingly recognized that residential location choice and travel choices may be interconnected. We contribute to the understanding of this interrelation by studying to what extent commute mode choice differs by residential neighborhood and by neighborhood type dissonance—the mismatch between a commuter’s current neighborhood type and her preferences regarding physical attributes of the residential neighborhood. Using data from the San Francisco Bay Area, we find that neighborhood type dissonance is statistically significantly associated with commute mode choice: dissonant urban residents are more likely to commute by private vehicle than consonant urbanites but not quite as likely as true suburbanites. However, differences between neighborhoods tend to be larger than between consonant and dissonant residents within a neighborhood. Physical neighborhood structure thus appears to have an autonomous impact on commute mode choice. The analysis also shows that the impact of neighborhood type dissonance interacts with that of commuters’ beliefs about automobile use, suggesting that these are to be reckoned with when studying the joint choices of residential location and commute mode.
DOI:10.1016/j.jtrangeo.2004.11.001      [本文引用:1]
[9] Pinjari A R, Bhat C R, Hensher D A.Residential self-selection effects in an activity time use behavior model. Transportation Research Part B Methodological, 2009, 43(7): 729-748.
This study presents a joint model system of residential location and activity time-use choices that considers a comprehensive set of activity-travel environment (ATE) variables, as well as socio-demographic variables, as determinants of individual weekday activity time-use choices. The model system takes the form of a joint mixed Multinomial Logit ultiple Discrete-Continuous Extreme Value (MNL DCEV) structure that (a) accommodates differential sensitivity to the ATE attributes due to both observed and unobserved individual-related attributes, and (b) controls for the self-selection of individuals into neighborhoods due to both observed and unobserved individual-related factors. The joint model system is estimated on a sample of 2793 households and individuals residing in Alameda County in the San Francisco Bay Area.The model results indicate the significant presence of residential self-selection effects due to both observed and unobserved individual-related factors. For instance, individuals from households with more bicycles are associated with a higher preference for out-of-home physically active pure recreational travel pursuits (such as bicycling around in the neighborhood). These same individuals locate into neighborhoods with good bicycling facilities. This leads to a non-causal association between individuals time investment in out-of-home physically active pure recreational travel and bicycling facilities in their residential neighborhoods. Thus, ignoring the effect of bicycle ownership in the time-use model, would lead to an inflated estimate of the effect of bicycling facility density on the time invested in physically active pure recreational travel. Similarly, there are significant unobserved individual factors that lead to a high preference for physically active recreational activities and also make individuals locate in areas with good bicycling facilities. When such unobserved factors were controlled by the proposed joint residential location and time-use model, the impact of bicycling facility density on out-of-home physically active recreational activities ceased to be statistically significant (from being statistically significant in the independent time-use model). These results highlight the need to control for residential self-selection effects when estimating the effects of the activity-travel environment on activity time-use choices.
DOI:10.1016/j.trb.2009.02.002      [本文引用:1]
[10] 林世伟. “三江并流”区生态系统服务空间权衡与协同关系研究. 昆明: 云南大学博士学位论文, 2016.
人类社会的永续发展极大地依赖于生态系统服务的持续供给。生态系统服务是人类从自然、半自然或人工生态系统中获得的各种惠宜,包括丰富多样的产品和服务类型,如干净的空气和安全的食物等。在自然因素和人为因素的共同影响下,生态系统服务间存在复杂的相互作用关系,通常概括为此消彼长的权衡(trade-offs)和相互促进的协同(synergies)。然而,人类目前对这种相互作用关系的认识仍然非常有限,给生态系统服务管理带来了极大的挑战。生态系统服务空间权衡与协同关系已成为当前地理学和生态学研究中亟待解决的关键科学问题。山地是地球陆地表面一种重要的地貌类型,山地生态系统为人类社会提供了许多重要的生态系统服务,并且山地生态系统服务间相互作用关系的复杂性极高。在典型山地开展生态系统服务的空间权衡与协同关系研究,可为国际学术界提供新的典型案例,丰富现有理论与方法。同时,对我国山地可持续发展和生态文明建设也具有重要指导意义。本研究以“三江并流”区,这一世界性生物多样性热点地区为例,选取对研究区当地及其周围地区十分重要的4类共8种典型生态系统服务,包括供给服务(粮食供给服务、畜牧养殖服务和水源供给服务)、调节服务(碳存储服务、固碳服务、土壤保持服务)、支持服务(生境支持服务)和文化服务(自然游憩服务)。在地理信息系统技术支持下,结合社会经济统计资料与相关生物物理模型,在乡镇尺度上模拟和估算以上8种服务物质量的空间分布。使用斯皮尔曼相关系数并结合冷、热点分析法,探究不同生态系统服务间的相互作用关系。使用主成分分析法,揭示影响不同生态系统服务空间分异及其相互作用关系的主要因素。运用K-均值聚类法识别出不同的生态系统服务簇,并提出针对各类生态系统服务簇的管理建议。主要结论如下:(1)8种生态系统服务在水平和垂直方向上具有各自的分布特征,地域差异明显,生态系统服务间的空间分布规律相似性和差异性并存。除粮食供给服务和畜牧养殖服务外,其他6种服务对维护区域生态安全有重要意义,突出了保护本地区生态系统服务的必要性。(2)在28组可能的生态系统服务组合中有15组相关性表现为中等以上相关(|Spearnan's r |≥0.30,p0.01)。供给类服务与其他3类服务之间的相互作用关系以负相关居多,调节服务与其他3类服务间的相互作用关系以正相关为主,生境支持服务与自然游憩服务之间为显著正相关关系(Spearman's r=0.564,p0.01),同类型的生态系统服务间权衡与协同关系并存。生态系统服务的相互作用关系为生态系统服务管理提供了重要支持,如加强某种特定的调节服务,可能会同时提高其他3类服务。生态系统服务间相互作用关系具有明显的尺度效应。(3)选取在研究区提供某种生态系统服务能力在前或后30个乡镇为该服务的热或冷点乡镇(约占总乡镇数的20%)。研究发现,当两种服务间的相互作用关系表现为权衡关系时,一种服务的热点可能正好是另一种服务的冷点。当两种服务的关系表现为协同关系时,两种服务的热点空间分布十分相似。79.7%的乡镇可以提供至少1种以上较高或较低的生态系统服务。仅有7.2%的乡镇可以同时产生至少4种以上的高值生态系统服务,这些乡镇是急需优先保护的地区。5.9%的乡镇存在4种以上的低值服务,这些乡镇需要在经过实地调研后决定是否需要采取生态恢复措施。没有乡镇能同时提供8种高值或低值生态系统服务。(4)通过对比不同服务的负荷量及不同乡镇前3个主成分因子得分的空间分布特征并结合专家知识,认为“海拔-人类活动”交互作用在空间上的梯度变化是解释本地区生态系统服务空间分异形成的主要因素。由本地区特殊的地表格局造成的气候区域差异是解释生态系统服务空间分异形成的其他重要因素。(5)结合影响生态系统服务空间分异的主要因素,在研究区共识别出4类生态系统服务簇。研究比较了每类服务簇内部及相互间生态系统服务供给能力差异。研究发现一些特殊的生态系统服务簇会因相似的社会经济和自然环境背景在不同地区反复出现,如第2类服务簇;而随着研究的深入,不断有新的生态系统服务簇被发现,如第1类服务簇。结合不同生态系统服务簇当前的社会经济发展和自然环境状况,文章最后提出了相应的生态系统管理建议,以期为本地区可持续发展和生态文明建设提供科学支持。
[本文引用:1]
[Lin Shiwei.Spatial trade-offs and synergies among ecosystem services in the Three Parallel Rivers region. Kunming: Doctoral Dissertation of Yunnan University, 2016.]
[11] Sener I N, Pendyala R M, Bhat C R.Accommodating spatial correlation across choice alternatives in discrete choice models: An application to modeling residential location choice behavior. Journal of Transport Geography, 2011, 19(2): 294-303.
This paper presents a modeling methodology capable of accounting for spatial correlation across choice alternatives in discrete choice modeling applications. Many location choice (e.g., residential location, workplace location, destination location) modeling contexts involve choice sets where alternatives are spatially correlated with one another due to unobserved factors. In the presence of such spatial correlation, traditional discrete choice modeling methods that are often based on the assumption of independence among choice alternatives are not appropriate. In this paper, a Generalized Spatially Correlated Logit (GSCL) model that allows one to represent the degree of spatial correlation as a function of a multi-dimensional vector of attributes characterizing each pair of location choice alternatives is formulated and presented. The formulation of the GSCL model allows one to accommodate alternative correlation mechanisms rather than pre-imposing restrictive correlation assumptions on the location choice alternatives. The model is applied to the analysis of residential location choice behavior using a sample of households drawn from the 2000 San Francisco Bay Area Travel Survey (BATS) data set. Model estimation results obtained from the GSCL are compared against those obtained using the standard multinomial logit (MNL) model and the spatially correlated logit (SCL) model where only correlations across neighboring (or adjacent) alternatives are accommodated. Model findings suggest that there is significant spatial correlation across alternatives that do not share a common boundary, and that the GSCL offers the ability to more accurately capture spatial location choice behavior.
DOI:10.1016/j.jtrangeo.2010.03.013      [本文引用:1]
[12] 宇林军, 孙丹峰, 彭仲仁, . 城市家庭居住地选址的空间异质性分析: 以美国佛罗里达州橙县为例. 地理科学进展, 2012, 31(8): 1024-1031.
家庭选择居住地的行为天然具有空间性, 因而空间异质性效应是家庭居住地选址建模不可忽视的因素。传统的居住地选址模型基于空间一致性假设, 即假设影响因素对家庭的居住地选择行为的影响在空间上一致, 因而忽略了空间异质性效应。基于多项Logit 模型构建了居住地选址模型, 并在两个空间尺度和5 个子区域中分别应用该模型, 来反映影响因素的影响作用在空间上的变化。以美国佛罗里达州橙县家庭选址为例进行实证研究, 结果表明:家庭居住地选址行为的影响因素在不同的空间位置和空间尺度上具有不同的作用, 因而存在显著的空间异质性。尽管以美国地区为例, 但所得结论对国内案例区研究同样具有借鉴意义。
DOI:10.11820/dlkxjz.2012.08.005      [本文引用:1]
[Yu Linjun, Sun Danfeng, Peng Zhongren, et al.spatial heterogeneity analysis of household residential location choice: A case study in Orange county, Florida, USA. Progress in Geography, 2012, 31(8): 1024-1031.]
[13] 雷华. 农民工居住现状及其对心理融入的影响研究. 武汉: 华中农业大学博士学位论文, 2013.
随着经济社会的不断发展,赚钱不再是农民工外出务工经商的唯一目的,已有相对数量的农民工在获取经济收入的同时渴望融入城市。安居才能乐业,居住是农民工在城市生活的重要物质基础。本文立足农民工城市融入和市民化这一社会背景,以湖北省农民工在城市的居住现状为基础,从行动-结构互动论、社会距离视角出发,运用回归分析法、因子分析法,分别对农民工的居住现状及影响因素,居住现状对农民工心理融入的影响进行了实证分析。研究发现: 从居住现状方面看,农民工在城市的居住现状不容乐观,但对居住环境表现出较高的满意度。具体表现为:第一,农民工拥有自建房或自购商品房的比例小,主要居住在出租房、单位(雇主)搭建的集体工棚和集体宿舍、用工单位宿舍,人均居住面积小;第二,多数农民工居住在简陋的出租屋或单位(雇主)提供的集体宿舍,未能携家人同住;第三,农民工被排斥在城市住房保障体系之外,难以享受城市的住房福利;第四,尽管从客观上讲农民工的居住条件普遍较差,但多数农民工对居住环境表现出较高的满意度。 从居住现状的影响因素看,农民工居住现状普遍不佳的情况下出现了分化,农民工的居住现状既受个人微观经济因素和非经济因素的影响,也受其所在用工单位的性质、规模等企业层面因素的影响。具体表现为: 第一,在居住方式方面,与家人居住在一起、文化程度高、收入水平高的农民工,更倾向于选择社会主导型居住方式。所工作的单位规模越大、单位性质为集体企事业单位的农民工倾向于选择资本主导型居住方式。第二,在居住区域方面,年龄、婚姻状况、打工时间、收入水平、是否与家人居住在一起及行业类别对农民工居住区域的选择产生显著影响。第三,在居住面积方面,年龄、是否与家人居住在一起、有无职业培训、行业类别对农民工的居住面积产生显著的影响。第四,在居住环境方面,收入水平、有过职业培训、专业资格证书对其在居住环境方面的评价产生显著的正向影响,从事服务业、所在企业规模较大的农民工对居住环境的评价较之其他农民工高,个人因素和企业因素中的其他变量对居住环境的评价不产生显著的影响。 从居住现状对农民工心理融入的影响看,农民工个体层面的因素,如性别、年龄对其城市融入产生显著的负向影响,文化程度和婚姻状况对其心理融入产生显著的正向影响。农民工的居住现状对其心理融入产生显著的影响,其中,居住方式、居住区域和居住环境主观评价对其心理融入的影响显著,而居住面积对其心理融入的影响不显著。 以上述结论为基础,笔者认为农民工居住现状的改善和解决应该坚持分层分类的原则。同时,在促进农民工城市融入,实现市民化的过程中,要重视居住所产生的有形空间距离对农民工无形主观心理距离的影响。
[本文引用:1]
[Lei Hua.Inhabitation situation and its impact on psychological integration of migrant workers: Taking Hubei province as an example. Wuhan: Doctoral Dissertation of Huazhong Agricultural University, 2013.]
[14] 任远. 城市流动人口的居留模式与社会融合. 上海: 上海三联书店, 2014.
[本文引用:2]
[Ren Yuan.The residence mode and social integration of urban floating population. Shanghai: Joint Publishing, 2014.]
[15] 唐波. 长沙市城市居民居住区位选择研究. 长沙: 湖南大学硕士学位论文, 2013.
自1998年我国实行住房商品化制度体系以来,居民个人成为自由选择和购房的主体。城市居民可根据自身的收入、工作地点、个人喜好等因素进行居住区位选择决策。随着我国住房市场经济体制的逐步健全和人民生活水平的日益提高,居住区位的作用进一步凸显,特别是在城市化发展迅速、人口剧增、用地紧张、房价居高不下的背景下,城市内部住房区位探究有其客观必要性。 本文采用问卷调查与数理分析相结合的研究思路,较为全面地分析长沙市居民居住区位选择的因素,探究居住区位选择影响因素,最后总结出长沙市城市居民居住区位选择的类型。首先,在理论分析方面,本文对居住区位的相关概念进行了界定,分析了居住区位选择的影响因素。其次,构建居住区位优势度模型,分析长沙市的居住区位优势的空间分布规律;利用调查问卷分析长沙市城市居民居住区位选择的主要因素之间的关系,总结长沙市城市居民居住区位选择的三种类型——生活偏好型、生态偏好型和享受偏好型,并运用这些类型对长沙市现居住区位选择进行验证。最后,总结出本文的主要研究结论,并针对针对长沙市居住区位选择的三大类型提出了相关的政策建议。 研究结论如下:(1)居住区位优势度从市中心向外围逐渐递减,各区区位因子的优势度也表现出与现实对应的差异;长沙市大多数居民对现居住地区位的满意程度持一般和满意的态度,各区居民对现居住地的满意程度大致反映了各区居住区位优势度。(2)与总体样本相比,长沙市居住区位主体样本对现居住区位的满意程度较高;长沙市居住区位主体样本选择现居住区位的主要影响因素比例基本上有所提升;对交通条件优势和配套设施优势的偏好要远大于对其他区位优势的偏好。(3)不同年龄层次,收入水平,受教育程度的居民对居住区位效用满意程度不同,对居住区位因素的需求有所不同。(4)不同收入阶层居民会结合自身的年龄和受教育程度选择适合的居住区位类型;工薪阶层选择生活偏好型,中产阶层选择生态偏好型,高收入阶层选择享受偏好型。(5)在长沙市,生活偏好型的居民倾向于选择雨花区、天心区和望城区,生态偏好型的居民倾向于选择开福区和岳麓区,享受偏好型的居民倾向于选择芙蓉区和岳麓区;受访居民的现居住区位选择大体为生活偏好型和生态偏好型,处于享受偏好型的居民不多。
DOI:10.7666/d.Y2355557      [本文引用:1]
[Tang Bo.The research on residential location choices of residents in Changsha city. Changsha: Master Dissertation of Hunan University, 2013.]
[16] Yuting Liu, Shenjing He, Fulong Wu.Housing differentiation under market transition in Nanjing, China. Professional Geographer, 2012, 64(4): 554-571.
Based on a large-scale household survey conducted in Nanjing in 2005, this study examines housing differentiation between and within groups defined by different socioeconomic characteristics and analyzes institutional and market determinants of housing differentiation under market transition. It is worth noting that, although the degree of housing differentiation between different socioeconomic groups is high, the differentiation within each group is even more significant. This suggests an intensified housing differentiation in the Chinese city. Institutions inherited from the socialist period and the emerging market mechanisms are intertwined to contribute to housing differentiation after the introduction of housing reform. In the postreform era, whereas some institutional factors were weakened, other institutional factors such as the hukou system and the work unit system continue to be significant. Furthermore, similar to other postsocialist countries, the pattern of housing inequality in prereform China remains and even consolidates after economic reforms; that is, vested groups continue to enjoy better housing conditions under a market economy, and the disadvantaged groups are entrapped in a housing predicament. Nevertheless, market factors have also become decisive, which is mainly reflected in the significant housing differentiation between groups categorized by educational attainment and household income.
DOI:10.1080/00330124.2011.614565      [本文引用:3]
[17] 桂静. 流动人口的分层因素与居住选择的相关研究. 上海: 华东理工大学博士学位论文, 2015.
[本文引用:2]
[Gui Jing.Study on migrants' stratification factor and residential choices: Based on survey in 7 cities in 2013. Shanghai: Doctoral Dissertation of East China University of Science and Technology, 2015.]
[18] 周春山, 杨高, 王少剑. 深圳农民工集聚空间的演变特征及影响机制. 地理科学, 2016, 36(11): 1643-1653.
以2000年、2010年人口普查数据和2008年珠江三角洲外来农民工问卷调查为基础数据,以街道为单元,运用数理统计分析和GIS空间技术揭示深圳农民工集聚空间演变特征及其影响机制。研究发现:1深圳农民工以青年为主体,具有受教育水平高、职业转型模式多样、留城意愿较低和社会空间分异度较高等特征。2农民工规模呈现西北部最高、中部其次、沿海最低的地带性分布规律,农民工高密度地区主要分布在工业集中区和城市中心区;热点区(高聚集区)集中在西部和北部的宝安区和龙华新区,冷点区(低聚集区)则分布在南部的中心城区,与传统制造业布局相一致。3农民工空间演化格局相对稳定,全市农民工分布重心逐步向西北偏移;全市农民工集中度略有上升,热点区基本稳定,冷点区有所扩大;农民工人口密度高值由"1个高中心+1个外围中心"逐步演变为"1个高中心+2个外围中心";农民工空间变化差异较大,增长演变类型呈多样化。4深圳农民工分布的时空演变特征与常住人口存在较为明显的差异。5农民工集聚空间的分布演变受住房因素、就业机会、交通条件、社会网络、城市规划共同影响。
[本文引用:1]
[Zhou Chunshan, Yang Gao, Wang Shaojian.The characters and influencing mechanism of spatial-temporal variations of migrant workers in Shenzhen. Scientia Geographica Sinica, 2016, 36(11): 1643-1653.]
[19] 肖扬, 陈颂, 汪鑫, . 全球城市视角下上海新移民居住空间分异研究. 城市规划, 2016, 40(3): 25-33.
[本文引用:1]
[Xiao Yang, Chen Song, Wang Xin, et al.Study on segregation of residential space of new migrants in Shanghai from the perspective of global city. Planning Studies, 2016, 40(3): 25-33.]
[20] 王洋, 张玉玲, 张虹鸥. 广州市家庭收入与住房特征对应关系的区位差异性. 地理科学进展, 2017, 36(2): 151-158.
以广州市中心区(天河区)和郊区(南沙区)为研究案例,依托2010年中国(广东)家庭动态跟踪调查数据,基于家庭户住房的邻里特征、建筑特征、区位特征、家庭收入等13个指标构建路径分析模型,研究广州市居民家庭收入与住房特征的映射关系和影响方向。在此基础上,采用多群组路径分析方法研究区位因素对"收入→住房特征"的影响程度及其差异性。最后利用方差方程和均值方程,分析不同区位条件下(中心区和郊区)的住房特征差异。结果表明:(1)家庭收入更显著地决定住房特征,对邻里特征的影响并不显著;(2)区位对"收入→住房邻里特征"的关系具有显著调节作用,而对"收入→住房建筑特征"的调节作用较弱;(3)在中心城区和郊区的内部,家庭收入更显著地影响住房建筑特征,而对邻里特征基本无显著影响;(4)郊区家庭收入对公共交通时间便利性、住房面积、厕所设施水平、拥有住房数量、住房综合条件等几个主要住房特征指标的影响程度大于中心城区;(5)中心城区住房的邻里特征明显优于郊区,但建筑特征明显差于郊区。显示出广州市住房邻里特征与建筑特征在不同区位条件下的"互换特征"。
DOI:10.18306/dlkxjz.2017.02.002      [本文引用:1]
[Wang Yang, Zhang Yuling, Zhang Hong'ou. Spatial variations in the correlation between household income and housing characteristics in Guangzhou city. Progress in Geography, 2017, 36(2): 151-158.]
[21] 钟奕纯, 冯健. 城市迁移人口居住空间分异: 对深圳市的实证研究. 地理科学进展, 2017, 36(1): 125-135.
基于深圳市第六次人口普查数据,将迁移人口按照户籍地划分为市内迁移、省内迁移和省际迁移3种类型.通过计算区位熵分析街道迁移人口比重在全市中的水平,并用空间自相关来识别其空间集聚状况,以揭示迁移人口的空间分异格局,进而用分异指数刻画迁移人口的分异程度.然后以街道迁移人口比重为因变量,住房因素和就业因素为自变量,采用OLS模型、空间滞后模型和空间误差模型来分析和解释迁移人口居住空间分异的影响因素.结果表明:①迁移人口区位熵呈现出较为明显的圈层结构分布特征,以南山区和福田区为中心向外依次为市内、省内和省外迁移人口;②迁移人口的居住分布存在空间集聚,市内迁移人口集聚分布在行政中心周围,省内迁移人口集中分布在商业中心周围,省外迁移人口集中分布在工业园区较多的关外街道;③省外迁移人口与本地人口之间的居住分异程度最高;④省外迁移人口的居住空间分布显著地受住房因素的影响,省内迁移人口的居住空间分布则受就业因素的影响,住房和就业因素对市内迁移人口的居住空间分布的影响不显著.
DOI:10.18306/dlkxjz.2017.01.012      [本文引用:3]
[Zhong Yichun, Feng Jian.Residential spatial differentiation of migrant population within the city: A case study of Shenzhen. Progress in Geography, 2017, 36(1): 125-135.]
[22] 田盼盼, 朱宇, 林李月, . 省际与省内流动人口空间分布及其影响因素的差异: 以福建省为例. 人口学刊, 2015, 37(6): 56-67.
本文基于福建省第六次人口普查和社会经济数据,从县市(区)层面分析省际与省内流动人口空间分布及其影响因素的差异。研究发现,省际流动人口对流入地的选择具有明显的空间偏好,空间分布呈现出"东南高,西北低"的宏观格局,"福厦泉"地区是集聚中心,中西部和北部地区则为边缘区;省内流动人口的空间分布则相对较为均衡。省际流动人口流入主要取决于流入地区的经济发展水平,与流入地区所能提供的制造业就业机会密切相关;而省内流动人口流入则主要取决于流入地区的社会事业发展水平,呈现出高生活质量驱动,良好个人发展条件驱动,知识和技术密集型职业驱动的特征。同时,流入地区的经济发展水平也是重要的"拉力"条件。
DOI:10.16405/j.cnki.1004-129X.2015.06.006      [本文引用:1]
[Tian Panpan, Zhu Yu, Lin Liyue, et al.Differences in the spatial distribution and its determinants between inter- and intra-provincial floating population: The case of Fujian province. Population Journal, 2015, 37(6): 56-67.]
[23] Gilbert A.Rental housing: The international experience. Habitat International, 2016, 54: 173-181.
DOI:10.1016/j.habitatint.2015.11.025      [本文引用:1]
[24] Clark W A.Changing residential preferences across income, education, and age: Findings from the multi-city study of ur-ban inequality. Urban Affairs Review, 2009, 44(3): 334-355.
DOI:10.1177/1078087408321497      [本文引用:1]
[25] 李志刚, 吴缚龙, 肖扬. 基于全国第六次人口普查数据的广州新移民居住分异研究. 地理研究, 2014, 33(11): 2056-2068.
运用第六次全国人口普查数据,分析当前广州新移民的居住空间分异问题,探讨中国大城市新移民居住空间的整体格局、分异程度及其分异机制,并以此实证中国城市社会空间理论。研究表明:广州新移民的空间分布总体上表现出近郊集中和远郊分散的特征,其中省内新移民较多集中在中心区外围,省外新移民集中分散在远郊。广州新移民与本地常住人口的差异指数为0.48,分异指数为0.46,隔离指数为0.56,超过美国亚裔移民分异的平均水平。此外,各区的分异度水平存在较大差异。机制分析表明,历经30多年的市场化进程,制度因素对新移民聚居区的影响减弱,单位因素对新移民聚居无明显影响,市场因素的作用增强。与西方情况类似,人口和家庭因素对新移民聚居有一定影响,其中年龄因素和婚姻状况是影响新移民聚居的重要因素。总体上,市场化下中国城市新移民的社会隔离正不断转化为明显的空间分异问题。为推进社会融合,应尽快采取社会空间重构措施(如社会规划和社区规划)予以应对。
DOI:10.11821/dlyj201411006      [本文引用:2]
[Li Zhigang, Wu Fulong, Xiao Yang.Residential segregation of new migrants in Guangzhou, China: A study of the 6th census. Geographical Research, 2014, 33(11): 2056-2068.]
[26] 蒋亮, 冯长春. 基于社会—空间视角的长沙市居住空间分异研究. 经济地理, 2015, 35(6): 78-86.
随着住房商品化政策的实施,城市居住空间在房价的“过滤”和社会经济差异的“分选”机制作用之下,不同职业背景、收入状况、价值取向的居民在住房选择上趋向于同类相聚,形成一种居住分化甚至相互隔离的状况。从社会—空间视角出发,利用住房数据与问卷调查相结合的方式,对长沙市的居住分异情况进行研究。通过聚类分析将长沙住宅划分成五类,归纳总结其分布和居民特性。以街道为单位从宏观和中观尺度,对各住宅阶层的分异指数进行定量研究,从而得到长沙居住空间分异的特征。最后,通过构建多元排序logistic住宅阶层选择模型,对分异的微观动因——居民的社会属性进行分析。
DOI:10.15957/j.cnki.jjdl.2015.06.011      [本文引用:1]
[Jiang Liang, Feng Changchun.The study of residential differentiation in Changsha based on the social-spatial perspective. Economic Geography, 2015, 35(6): 78-86.]
[27] 柴宏博, 冯健. 基于家庭生命历程的北京郊区居民行为空间研究. 地理科学进展, 2016, 35(12): 1506-1516.
郊区居民行为空间研究是解读郊区空间的重要方面之一,当前的研究多基于汇总的个体数据,从家庭层面出发的微观研究较少.本文运用质性研究方法,选取居住在北京五环至六环之间的3个不同类型的家庭开展实证研究,旨在通过以家庭为单元的行为空间研究,丰富对郊区居民行为空间的理解.研究发现:家庭的生命历程与家庭成员的日常行为之间存在一定的辩证关系.生命历程中的重要生命事件,包括迁居、就业选择、家庭结构变化、家内成员的社会角色变化等,会通过改变地理背景、移动性和家庭内部的责任分工,影响每一个成员的惯常活动模式.家庭内部的资源分配和时间安排形成了家庭成员一段时间内相对固定的行为模式,但当部分因素改变时,家庭也会通过一定的协调机制来响应家庭成员所遇到的制约,以便家庭成员能够更好的完成日常生活所需的各类活动.
DOI:10.18306/dlkxjz.2016.12.007      [本文引用:2]
[Chai Hongbo, Feng Jian.Behavior space of suburban residentsin Beijing based on family life course. Progress in Geography, 2016, 35(12): 1506-1516.]
[28] 陈杰, 郝前进. 快速城市化进程中的居住隔离: 来自上海的实证研究. 学术月刊, 2014, 46(5): 17-28.
伴随工业化和城市化的快速推进,中国城市人口的规模和流动性都在迅速增加。在中国城乡二元经济结构和以户籍为代表的城市社会人口管理制度背景下,城市内部不同身份群体社会隔离的程度在不断提高。但对于中国快速城市化进程中大都市基于居住的社会隔离发展趋势和特点,国内文献还研究甚少。利用最新的第六次人口普查(2010年)的微观数据,包括居委会和街道等多个微观尺度,可从户籍、学历、就业和年龄结构等多维度对上海居住隔离情况进行最新评估。在测度整体居住隔离指标上,通过探究局部居住隔离指标的数值与空间分布特征,可深化对居住隔离的层次性和空间差异性的认识。结果显示,随着2000年以来住房市场化程度加深和产业结构变迁,上海居住隔离正在加快,尤其户籍人口与非户籍人口之间的居住隔离已经比较严重,正在对城市社会管理提出新的挑战。因此,必须加快户籍制度改革,改变按户籍人口的公共服务配置机制,优化公共服务资源的空间配置。
[本文引用:1]
[Chen Jie, Hao Qianjin.Residential segregation under rapid urbanization in China: Evidence from Shanghai. Academic Monthly, 2014, 46(5): 17-28.]
[29] Wang Y, Wang S, Li G, et al.Identifying the determinants of housing prices in China using spatial regression and the geographical detector technique. Applied Geography, 2017, 79: 26-36.
This study analyzed the direction and strength of the association between housing prices and their potential determinants in China, from a tripartite perspective that takes into account housing demand, housing supply, and the housing market. A data set made up of county-level housing prices and selected factors was constructed for the year 2014, and spatial regression and geographical detector technique were estimated. The results of the study indicate that the housing prices of Chinese counties are heavily influenced by the administrative level of the county in question. On the basis of results obtained using Moran's I , the study revealed the presence of significant spatial autocorrelation (or spatial agglomeration) in the data. Using spatial regression techniques, the study identifies the positive effect exerted by the proportion of renters, floating population, wage level, the cost of land, the housing market and city service level on housing prices, and the negative influence exerted by living space. The geographical detector technique revealed marked differences in the relative influence, as well as the strength of association, of the seven factors in relation to housing prices. The cost of land had a greater influence on housing prices than other factors. We argue that a better understanding of the determinants of housing prices in China at the county level will help Chinese policymakers to formulate more detailed and geographically specific housing policies.
DOI:10.1016/j.apgeog.2016.12.003      [本文引用:1]
[30] 王劲峰, 廖一兰, 刘鑫. 空间数据分析教程. 北京: 科学出版社, 2010: 126-131.
[本文引用:1]
[Wang Jinfeng, Liao Yilan, Liu Xin.A tutorial on Spatial Data Analysis. Beijing: Science Press, 2010: 126-131.]
[31] Mcmillen D P.Geographically weighted regression: The analysis of spatially varying relationships. American Journal of Agricultural Economics, 2004, 86(2): 554-556.
No abstract is available for this item.
DOI:10.1111/j.0002-9092.2004.600_2.x      [本文引用:1]
[32] 陈岚, 曾坚, 周波. 成都城市空间形态的生态进程与可持续发展研究. 建筑学报, 2009, (12): 14-17.
通过对成都城市空间形态演变的生态进程以及环境在成都城市空间发展中的生态制约分析,梳理了成都城市发展的历史脉络,展现其内在的规律特性,并在此基础上提出对成都城市空间的可持续发展策略的思考.
DOI:10.3969/j.issn.0529-1399.2009.12.004      [本文引用:1]
[Chen Lan, Zeng Jian, Zhou Bo.Study on the ecological course and sustainable development of chengdu urban spatial form. Architectural Journal, 2009, (12): 14-17.]
[33] 宁越敏. 中国城市化特点、问题及治理. 南京社会科学, 2012, (10): 19-27.
中国已进入快速城市化时期,2011年的城市化率超过了50%。本文首先分析了当代中国城市化的三个特点,即规模大、速度快,半城市化现象显著;城市化的区域差异显著;都市化现象已经显现,大城市群成为国家经济的核心地区。其次,从三个方面分析了中国城市问题出现的原因。针对中国城市化进程中的问题,本文从政策制定和空间策略两方面提出了两个建议,一是认为要深化改革,逐步解决半城市化的问题,二是要实施都市区和城市群发展战略,预防城市病的发生。
DOI:10.3969/j.issn.1001-8263.2012.10.003      [本文引用:1]
[Ning Yuemin.A study on the urbanization, urban problems and solution in China. Social Sciences in Nanjing, 2012, (10): 19-27.]
版权所有 © 《地理研究》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn