EN中文

地理研究 >

2016 , Vol. 35 >Issue 7: 1370 - 1382

DOI: https://doi.org/10.11821/dlyj201607012

国外城市地理动态

圣保罗大都市区社会空间分异研究——多元统计方法在城市连绵区的应用

  • ReinaldoPaulPérezMachado , 1 ,
  • ViolêtaSaldanhaKubrusly 2 ,
  • Ligia Vizeu Barrozo 1 ,
  • 陈明玉 3 ,
  • 顾朝林 , 3
展开
  • 1. 巴西圣保罗大学地理系,圣保罗 05508-000,巴西
  • 2. 圣保罗市住房秘书处,圣保罗 01008-906,巴西
  • 3. 清华大学建筑学院,北京 100084
通讯作者:顾朝林（1958- ）,男,江苏靖江人,博士,教授,研究方向为城市与区域规划。E-mail:

作者简介：Reinaldo Paul Pérez Machado（1955-）,男,副教授,研究方向为制图学、地理信息学和遥感。E-mail:

收稿日期: 2016-03-05

  要求修回日期: 2016-05-23

  网络出版日期: 2016-07-26

基金资助

国家社会科学基金重大项目（14ZDA026）

收起

Social cartography of São Paulo Metropolitan Area: A multivariate analysis applied to the urban continuum

  • Reinaldo Paul Pérez Machado , 1 ,
  • Violêta Saldanha Kubrusly 2 ,
  • Ligia Vizeu Barrozo 1 ,
  • CHEN Mingyu 3 ,
  • GU Chaolin , 3
Expand
  • 1. Department of Geography, University of São Paulo, São Paulo 05508-000, Brazil
  • 2. Municipality of São Paulo Housing Secretariat, São Paulo 01008-906, Brazil
  • 3. School of Architecture, Tsinghua University, Beijing 100084, China

Received date: 2016-03-05

  Request revised date: 2016-05-23

  Online published: 2016-07-26

Copyright

《地理研究》编辑部
Fold

摘要

空间数据和地理信息系统在城市规划和决策中应用的重要性日见凸显。主要原因在于：重要的人口数据和社会变动经常表现出一定的空间特性,这种特性可以通过空间分析和统计方法被认识和解释。应用多元分析的空间分类方法编制圣保罗大都市区社会分异地图并进行相关分析。研究的主要数据来自2000年巴西全国人口普查,其中包括了圣保罗大都市的所有行政区和39个自治市的21774个人口普查区。为了把都市连绵区从数据全集中分离出来,我们采用混合技术进行互补分析,即在2000年4月30日的陆地卫星7号图像中绘制一个个多边形,这些被识别出来的多边形就是人口普查区。然后,通过目视解译出假彩色多边形集合。应用空间分类评分程序将这些多边形分成五类,并建立人口普查区的数目、覆盖的面积和都市连绵区之间的关系。这种多元分析方法是基于变量的均衡化来生成易于用分级统计图描述平均值,以促进可视化和后续的空间分布分析。基于多元分析的空间分类方法研究,清楚地展现了圣保罗大都市最重要的社会特征,也说明城市社会地图方法和多元分析的空间分类方法在大都市区的管理、公共政策规划和复杂决策中具有重要的应用价值。

关键词： 人口普查图; 定量分析; 城市群; 彩色合成图像; 分级统计图

本文引用格式

ReinaldoPaulPérezMachado , ViolêtaSaldanhaKubrusly , Ligia Vizeu Barrozo , 陈明玉 , 顾朝林 . 圣保罗大都市区社会空间分异研究——多元统计方法在城市连绵区的应用[J]. 地理研究, 2016 , 35(7) : 1370 -1382 . DOI: 10.11821/dlyj201607012

Abstract

The use of spatial data and Geographic Information Systems is becoming more and more important to urban planning and decision-making. This occurs because important demographic data and social variation often show a spatial expression which can be understood through spatial analysis and statistical methods. Thus, the purpose of this study was to create and analyze the social map of Sao Paulo Metropolitan Area (SPMR) by applying the methodology of spatial classification by multivariate analysis. The primary data source employed in this work was the Brazilian National Census from the year 2000. It contained 21774 census tracts, which were aggregated into districts and 39 municipalities. Next, aiming to separate the urban continuum from the data universe we used a mixed technique to yield a complementary analysis: the drawing of a polygon through visual interpretation over a false color composite from the Landsat 7 image (ETM+), from April 30, 2000. The census tracts that were totally contained on the above-mentioned polygon were then identified and selected for visualization. For the analysis, the procedure went through Spatial Classification Scores-SCSs, in five categories, establishing a relationship between the number of census tracts, occupied surface and urban continuum. This simple multivariate analysis is based on the equalization of the variables, leading to the creation of an average score that is easily depicted with choropletic maps, thus facilitating visualization and consequent analysis of its spatial distribution. Finally, the Unified Spatial Classification Score (USCS) was created to integrate all the variables. Due to the results obtained in this research it is concluded that the method of spatial classification by multivariate analysis used here, clearly represent the peculiarities of the most important social variables on the urban agglomerate of the city of São Paulo. Finally, it is possible to highlight that urban social cartography, and the methodology of spatial classification by multivariate analysis are tools of undeniable value for managing and planning public policies and complex decision making in big cities and metropolitan areas.

Key words： census tract maps; qualitative analysis; urban agglomeration; color composite images; choropleth maps

1 引言

地理学家、城市学家和社会科学研究者经常以巴西的圣保罗作为拉丁美洲大都市案例与世界上的其他大城市,如巴塞罗那、伦敦、纽约、托里诺（意大利西北部皮埃蒙特区的首府城市,即都灵）等进行比较研究,也取得了一些重要研究成果。本文并不否认这些研究成果,但引起本文关注的是最近这些与拉丁美洲城市的比较研究已经不再那么流行。然而,事实上,圣保罗在进入21世纪时已经成为南美洲最大的城市,墨西哥城则也成为北美洲最大的城市。这两座城市都呈现城市群（urban agglomerations）①(“城市群”的概念指的是在相邻地域范围内包含的人口居住在未考虑任何行政区划或者流量分析的城市密度等级。一般包含城市或镇的人口以及临近城市边界的郊区人口[2]。)形态的增长,联合国（2012）资料[1]它们在1975-2025年间的人口增长（包括预测）表现出相似的特点。另外还有两个类似的城市：一是具有1185万人口的布宜诺斯艾利斯大都市区,二是2000年人口528万的圣地亚哥。这四个城市都是值得关注并进行比较研究的案例城市。今天在我们称之为大都市的地区,表现为城市连绵发展并高度城市化的空间,但没有Milton Santos所说的“累积和不可逆转的巨头畸形（macrocephalies）城市”。然而,圣保罗、墨西哥城、布宜诺斯艾利斯和其他一些城市就是这里所说的巨头畸形城市典型例子[3]。
尽管“巨头畸形”的概念是一个近似生物学含义,但它们都反映了这些拉丁美洲巨型城市都患了“巨头畸形”城市症。尽管这些大都市除了存在太多自然环境和人工环境的差异外,地域经济和社会形态过程是不可逆的,但也必须处理这些高度城市化的地理空间的合法性和有效“管治”间的问题。在这些城市连绵区内频繁不断的相互作用和联系,总是与土地的非法强占和使用（the occupation and use of land）的城市发展策略、城市管理制度相关,城市与区域规划学科与政府管理部门如何在规划管理制度和城市发展策略上实现整合成为亟需解决的问题。因为治理这些巨型城市（mega-cities）既不简单又非做不可。
本文旨在采用多元分析②(指能支持每个研究对象进行多种测试的同时分析的一套方法;也就是说,能使两个或更多变量进行同时分析的任何方法都可以被看作多元的。)的空间分类方法编制并分析圣保罗大都市区社会图（Região Metropolitana de São Paulo,RMSP）,试图促进拉丁美洲类似大城市的比较研究。

2 研究区概况

2.1 自治市和城市的概念

在涉及与本文的研究领域有关的空间问题前,对本文中使用到的城市、城镇和大都市区这些术语进行解释并对定义和概念提出一些看法。为了使问题更加有趣和引人入胜,结合巴西城市发展特点,本文特意将这次分析集中在圣保罗大都市区。尽管前文论述了很多,但本文也有意地从初始方法中排除了城市群的概念。
首先,圣保罗市是由葡萄牙传教士于1554年1月25日抵达卡巴乌河谷（Anhangabaú Valley）的马尔山（Inhapuambuçu）建立的。今天这里已经成为南美洲最大的城市和世界第六大城市。据联合国世界人口预测（2012）[1],到2025年,即使墨西哥城人口从世界第三位下降到第五位,圣保罗仍然是世界第七大城市。诚然,这类“巨头畸形”城市进一步赢得人口增长的“竞赛”绝不是值得称道的成就,恰恰相反,快速的城市人口增长以及极度城市贫困现象则非常令人担忧。
事实上,圣保罗大都市区内的自治市/城镇（municipality/township）（município）和城市周边的市（city）（cidade）的概念有所不同。巴西的自治市是一个由法律地位确立并构成国家自治行政边界的地区,由全体市民直接投票选举的市长（prefeito）和议员（vereadores）进行管治的。Meirelles是这样表述的,“巴西的自治市是一个与联邦制融合的行政实体。这种融合是巴西国家的特征,因为还没有发现其他主权国家在宪法中将自治市定义为联邦制度的一部分[4]”再就是城市（city）是一个有结构的城市形态,自身特点决定了其相互之间和内部连接的空间,宪法上赋予了其政治和战略管理上的自治权。Manuel Castells认为：“城市”是指一种人口占据空间的特殊方式,即一个极度集中和密度较高的人口集群,它的发展趋势和持续存在依靠更大的功能区与社会分异[5]。在巴西,Marcos F. R. Gonçalves认为：城市不仅包括大都市区内自治市的行政区,而且包括了两万及其以上居民的行政区的中心。城市不仅是主要的自治市、市政管理的总部,而且也是居民大规模集中、具有社会经济意义的人口聚居区[5]。
圣保罗市在1881-2001年间城市聚落点的空间演变是一个令人惊叹的发展过程,如图1所示。19世纪,圣保罗市还只是一个具有2万居民的小城市,但到20世纪末已经发展成为拥有1700万居民的巨型城市。城市快速的人口增长开始于1874年（增速约每年5%）,尽管当时的人口规模增长了近10倍（20万人）,然而,在最初的25年几乎没有意义,因为它还没有成为一个具有社会经济影响力的城市。但1874年以后,圣保罗市变成了巴西的国家工业化中心,并逐渐发展为一个大都市,到2010年集聚的城市人口达到了2000万[6]。
Fig. 1 Development of the urban spot corresponding to São Paulo Metropolitan

图1 圣保罗大都市区的发展

2.2 行政区及其边界

圣保罗市被分割为96个片区,依次被分组到31个作为地方管理的行政区中（Submunicipalities）③(“Submunicipality”（葡萄牙语中是Subprefeitura）,于2000年正式设立的圣保罗“市”(Prefeitura)的行政区,以前它被称之为区域行政管辖区“Regional Administrations”(Administrações regionais)。),如图2和表1所示。
Fig. 2 Map showing the population density in the municipality of São Paulo in 2000

图2 2000年圣保罗市行政区和人口密度图
注：96个片区聚合形成31个市辖区。

Tab. 1 A list containing the 31 submunicipalities, the administrative divisions of the municipality of São Paulo

表1 2000年圣保罗市行政区划简表

缩写 行政区名称 人口数(人)
AF 阿里坎杜瓦Aricanduva 266838
BT 布坦塔Butantã 377576
CL 坎普林波Campo Limpo 505969
CV 卡萨佛德Casa Verde/Cachoeirinha 313323
AD 德玛尔城Cidade Ademar 370797
CT 蒂拉登特斯Cidade Tiradentes 190657
EM 马塔拉佐Ermelino Matarazzo 204951
FO 汤森自治镇/Freguesia/Brasilândia 392251
GU 圭亚那Guaianazes 256319
IP 伊皮兰加Ipiranga 429235
IT 伊塔保利斯塔Itaim Paulista 359215
IQ 伊塔克拉Itaquera 489502
JA 贾巴尔普尔Jabaquara 214095
LA 莱普Lapa 270656
MB 博伊米林M'boi Mirim 484966
MO 摩卡Moóca 308161
PA 帕雷罗斯区Parelheiros 111240
PE 佩尼亚Penha 475879
PR 秘鲁Perus 109116
PI 皮涅鲁斯Pinheiros 272574
PJ 皮里图巴Pirituba 390530
ST 圣安娜Santana/Tucuruvi 327135
SA 圣安德烈Santo Amaro 218558
CP 索科鲁Socorro 563922
SM 马特乌斯São Mateus 381718
MP 圣米格尔São Miguel 378438
SE 圣保罗中心Sé 373914
JT 杰卡纳区Tremembé/Jaçanã 255612
MG 维拉玛丽亚Vila Maria/Vila Guilherme 304393
VM 维拉马里亚纳Vila Mariana 313036
VP 维拉普鲁登特Vila Prudente/Sapopemba 523676

说明：本表包含了圣保罗市31个市辖区的缩写、行政区名和人口数。

圣保罗与周边30个以上的城镇在1970年的巴西军事独裁时期就被公认为是一个大都市区。1988年,巴西颁布联邦宪法,即所谓的“公民宪法”,使民众参与和地方自治的原则被建立起来,并废弃了之前的行政区命名。从有效性看,主要依据宪法第25条按州设立大都市区,这样每一个联邦统一体都建立了自己设置大都市区的标准。因此,不同州的大都市区标准在定性和定量方面都有巨大不同和差异,这也允许那些还没有达到大都市区标准的地方进入到大都市区[7]。因此,一个冲突也出现了,尽管圣保罗大都市规划（EMPLASA）的存在已经超过30年,但很多的立法建议尝试建立一个圣保罗地区一体化都市管理的新模式。例如,1973年6月8日,巴西联邦第14号补充法令颁布[8]（República Federativa do Brasil）：圣保罗（São Paulo）、贝洛奥里藏特（Belo Horizonte）、阿雷格里港（Porto Alegre）、累西腓（Recife）、萨尔瓦多（Salvador）、库里蒂巴（Curitiba）、贝伦（Belém）和福塔雷萨（Fortaleza）为大都市区;1974年5月29日,巴西国家第94号补充法令又对大圣保罗都市区颁布专门的管理条例;在1983年11月21日,巴西国家第332号补充法令颁布“整顿大圣保罗都市区,创建各自的发展议会和相关措施”[9];直到2011年6月16日巴西国家第1139号补充法令获得最终通过并予以实施。然而自1974年使用的原定名称——大圣保罗都市区,已经被改为今天由39个市组成的RMSP④(在必要的时候,本文使用葡萄牙语的首字母缩略词。),直到最近（2011年6月）仍然没有一个法律层面上确认的圣保罗大都市区。

3 研究单元和变量

3.1 数字地图及其单元

本文使用圣保罗大都市区的市区边界和人口普查区（census tracts）⑤(指的是巴西人口普查制作10年人口普查数据表的最小地理实体。它基于政治和行政区划,根据一个人口调查员可以走访的区域和家庭单位数量来确定规模（约250到300户家庭）,被定义为有明确边界的连续区域内实施人口普查数据收集的区域单位。单位的边界随着单位内维持稳定的人口数量的人口增长而改变。2010年巴西地理统计局（Instituto Brasileiro de Geografia e Estatística,IBGE）将其译为“人口普查计数区（enumeration areas）”。)的多边形作为原始数据分析的基本单元。巴西地理与统计局[10]曾经为2000年国家人口普查⑥(可在相关网站上（http://www.ibge.gov.br）获得。)编制了地图数据库的矢量数字化格式。数据库包含了行政区内的21774个人口普查区,并将这些人口普查区与组成圣保罗大都市区的39个行政区进行了吻合。出于几个技术原因在2010年的人口普查时才完成了数据吻合,但为了与其他拉丁美洲城市人口普查进行比较,本文仍然选择已经在许多研究中广泛使用的2000年人口普查数据,而不是2010年数据。
通过在地理坐标参考数据库上用逻辑运算符执行选择（包括图形和字母数字数据）,完成了旨在建立城市和农村人口普查区之间、有无人口数据之间的图像差异化的空间分析运算。这个看似简单的问题,事实上不是那么简单,由于2000年的人口普查对定义为城市和农村的人口普查区做出区分,但是这样的定义不一定能表明这个地区的人口是稠密还是稀少,或者人口数据是否已知。另一方面,就圣保罗大都市区的人口普查而言,在空间聚类水平,人口普查区,行政区和自治市之间存在整体的一致性问题。在某些情况下,一些与城市化和连片的中心核有一定距离的自治市能直接从地区发展到自治市/城镇水平,却不用经过行政区这个过渡阶段。出于这个原因,本文采用圣保罗城市群中连续城市型聚落的多边形作为基本单元。其中关键的部分是使用一项混合技术,即首先通过对2000年4月30日的陆地卫星7号图像（传感器ETM+）进行目视解译,得到一个假彩色合成影像来确定这个多边形。在此基础上,采用以下标准对多边形进行定义：在明显城市化的地表之间的任何不大于500 m的空间中断,都应该被看作是连续的区域。然后,识别出完全包含在上述多边形内的人口普查区,由此获得了21744个实体中的18348个。利用这个子集,进行了城市社会地图的制作。
从研究原理看,没有必要在圣保罗大都市区的地区边界和内部的市区边界之间进行任何的几何校正,因为这些边界都通过扩增使彼此匹配。但需要指出的是,巴西地理统计局提供的原始档案有时包含了为了正确使用而需要修正和几何编辑的拓扑误差。
图3是圣保罗大都市区的自治市和人口普查区的吻合图。
Fig. 3 The 39 municipalities of São Paulo Metropolitan Area

图3 用于城市社会地图的圣保罗大都市区基础单元图
注：灰色的内部分区与21774个人口普查区的边界相一致,是2000年的巴西地理统计局IBGE人口普查中分解出的最小单元;在红色区域内,可以看到城市群中连续城市型聚落。

3.2 研究变量

2000年8月1日进行的巴西人口普查规定人口普查期间居民都要待在家里（domicílios）⑦（住宅Domicílio (domicile/household): 根据IBGE的说法,为了充当一个或更多人的住所,住宅成为独立和分离的地方,并像现在这样被使用。分隔是由屋顶覆盖的墙,栅栏或防风墙来确定,限制地点,使住在里面的一个或更多的人有远离其他人。住宅是为了睡觉、做饭或进食,和免受环境灾害,支撑生活的部分或全部消费的私人场所[10]。）。人口普查区是基于行政区划、城乡划分标准和地区利益等因素的考虑,为收集按地籍进行人口普查的数据而将地区界线和现场考察中可识别的实际边界结合建立起来的地域单元[10]。巴西地理统计局进行人口普查的一个具体特点是根据职业状况把人口普查区分为城市和乡村两种类型。本文未考虑这一特点,也就是说,为了避免在地图上表现出不连续和空置的空间,所有的单元都被看为城市空间。虽然如此,但也有一些在人口普查档案中缺数据的多边形,被分离出来作为一种类型（没有数据）放到了说明中。
为了与拉丁美洲其他城市进行比较研究,根据Buzai[11]的建议,选择使用基础变量。但是,需要重点说明的是,一些变量（如与学校和就业有关的变量）要符合巴西的国情：为了计算,考虑使用实际服务私人永久住宅⑧(根据IBGE的说法,房主（person responsible for domicile）（Pessoa responsável pelo domicílio）：是指使用实际服务私人永久住宅的男人或女人,或是被视为这样的人的其他居民。与实际服务私人永久住宅有关的变量是:受教育年限、有认证标志的最后一年级教育、最高水平的课程（至少完成一年级的学习）,每月的名义工资表示的最低的工资数量。在2000年7月最低工资是151雷亚尔（巴西货币）[10]。)的人数而不是总人口数。对比阿根廷和巴西的人口普查情况,方法上的一些小的差异也要考虑。举例来说,巴西人口普查区考虑了被剥夺的弱智者而不是用居所条件指数。
因此,这些标记出的多边形用巴西人口普查中相应的变量加以阐述,它们表现为收益和成本变量,呈现出各自有利的或不利的局面。收益变量是：① 完成大专或大学教育,25岁及以上拥有住宅的人口百分比;② 居住在条件较好的公寓的人口百分比;③ 居住在有公共供水管网的住宅人口百分比;④ 居住在有浴室和公共下水道住宅人口百分比。成本变量是：① 没有接受过任何小学教育或没有完成小学教育,25岁及以上拥有住房的人口百分比;② 居住在住房不足或没有住房的人口百分比（房客、房间/旅馆或旅舍）,住在没有居住功能的建筑里,或是不固定的住所）;③ 在逐级物质匮乏（convergent material deprivation）住所居住的人口百分比;④ 居住在没有浴室和公共下水管道的住宅人口百分比。
逐级物质匮乏指标是从INDEC（2003）[12]的家庭物质匮乏（home material deprivation）指标发展而来。这个新方法旨在说明过去几十年中贫困一直被要求解决的异质性变强的问题。该指标通过确认家庭表现出的匮乏的不同性质和强度等级,提出贫困家庭的鉴定方法[13]。该方法的主要特点是从确认贫困异质性开始,可能区分出匮乏的强度等级和被识别为贫困家庭组成的差异[12]。这个指标基于贫困的概念,表明贫困是作为一种在历史决定的社会里被主流生活条件所排斥的形式。这个排斥可以呈现在几个方面,如功能和文化排斥,政治法律排斥和物质排斥。然而,由于实证指标的限制,该指标中采用的贫困定义特别是指家庭物质资源的缺乏。几种物质资源缺乏的指标主要是结构上的,例如有关获取需要长期存款和投资的物品指标。其他的则是有关日常生活可以获得的、不贵但不是永久需要的即期消费品的指标。匮乏的情况一般发生在家庭没有能力提供一种或几种资源的情形。因此,代际匮乏被视为长期的,以一种更加稳定的方式影响家庭。另一方面,目前的资源不足与经济整体的波动有关。考虑到两种匮乏,可以将家庭分为四组：① 没有匮乏的家庭;② 只是目前资源匮乏的家庭;③ 代际匮乏的家庭;④ 逐级匮乏的家庭（包括两种匮乏⑨(关于计算逐级贫困方法的更多详细资料可以查看Gómez等的研究[13]。)）。

4 分析模型和空间展示

4.1 社会分异模型

本文采用空间分类评分方法。这是一种在分析中使用的变量标准化为基础的简单多元分析法,可以借助分级统计图来表现评分汇总,从而促进空间分布的分析。
为了达到这个目标,本文使用Ω评分对收益变量（WB）和成本变量（WC）进行分析。通过式（1）,将所有数值转换为百分数（0~100）：
X i = x i - x min x max - x min × 100 （1）
式中： X i 是转换后的变量;xi的值根据变量x在i中的比例而定,xmin是最小值,xmax是最大值。
首先,两种变量（收益和成本）被分别地处理。为了得到变量收益（空间分类的收益评分–SSCB）和成本（空间变量的成本评分–SSCC）,将平均每个空间单元（人口普查区）与空间分类的评分结果相对应。将两个结果在圣保罗大都市区的人口普查区的地图基础上表示出来,并在项目结果中显示,用由浅到深的颜色表示分级结果的由弱到强（图4和图5）。
Fig. 4 Social map of São Paulo Metropolitan Area: Scoring of spatial classification of benefit (SSCB)

图4 圣保罗大都市区社会地图——收益的空间分类评分（SSCB）
注：人口普查区的边界已经去除,便于进行小尺度分级统计图的可视化。为了可视化,将都市连绵区外围的人口普查区隐藏。

Fig. 5 Social map of São Paulo Metropolitan Area: Scoring of spatial classification of cost (SSCC)

图5 圣保罗大都市区的社会地图——成本空间分类的评分（SSCC）
注：人口普查区的边界已经去除,便于分级统计图的可视化。

其次,建立合成的空间分类评分（USCS）系统。为了以一致的方式得到结果,本文反转成本的结果,使它们可以像收益一样朝相同的方向。反转成本（WCi）Ω评分的计算公式为：
W Ci = 1 - W （2）
单独应用反转变量的方法能够计算出总体评分（8个变量）的均值,并因此可以通过解释收益的方法,总结出人口社会空间分布的结果。这是统一收益和成本两种评分的一种方法,能用一个斜度表现它们,箭头的指向代表从小到大的增长方向。图6中越鲜艳的颜色代表越高的分值。
Fig. 6 Social map of the continuous urban spot of São Paulo Metropolitan Area: Unified Spatial Classification Scoring (USCS)

图6 圣保罗大都市区连续城市聚落的社会分异图（USCS）
注：只将包含在城市连绵区的人口普查区着色。

4.2 社会分异地图

研究结果通过分级统计图表达。方法上采用公式和过程来描述收益变量（图4）和成本变量（图5）的空间分类评分标准,并进行统一的空间分类评分（图6）。
起初通过四分数进行分类,获得社会分异地图。因此,可比较的研究结果通过整合组距中的每一个相同数字的空间单元来实现。在选取了21774个空间单元后发现238个人口普查区没有数据。这样对所剩的具有有效数据的21506个单元采用五分位数把它们被分为5个相等的组（每个4301）进行赋值：非常低、低、一般、高、非常高。
图4展现了收益变量的汇总情况。颜色强度从中心向外围由深变浅,表明当空间分析单元（人口普查区）远离中心区域时有利形势变弱。这个现象明显受到大型街道的设计和地方中心的增长的影响,已经出现在之前被视为不太有利的地方。
图5显示了成本变量的汇总情况。颜色强度从外围向中心逐渐变浅,表示空间分析单元（人口普查区）距离中心越远,不利的程度变得越高。图4和图5尽管显示了一个非常相似的解释,但可以清楚地看到两个评分的形态以相反的方式呈现了圣保罗大都市区的社会空间状况。
尽管获得的空间形态与拉丁美洲其他城市的社会地图模型形似,即它们都有一个清晰的中心——外围的差异[11],但需要考虑圣保罗大都市区在它的中心和更加城市化的核心表现出的SSCB和SSCC变量的强度变化。这些变化大部分可能来自贫困的扩大和富有的极点的存在。另外,由于城市内大片人口稠密区的土地扩展,它们变得更加明显;这一点在这次研究中的人口普查区的数量（21774）可以清楚地看到。此外,从图6中也能看出世界上最大的巨型城市之一的社会肌理可以在地表覆盖的不同用途和形态方面达到非常复杂的程度。
从图7可以看出,SSCB（X轴）和SSCC（Y轴）的空间分布之间存在负相关。两个评分表现出显著相反的相关变化,计算出的相关系数r=-0.6630。图像的依据源于相关分析中获得的Pearson相关系数。
Fig. 7 Scatter plotting of SSCB and SSCC data

图7 SSCB和SSCC数据的散点图

经过融合所有变量的收益,统一的空间分类评分（USCS）在收益方向中呈现出来。评分的空间分布如图6所示。
尽管为了圣保罗大都市区统计图的可视化去除了人口普查区的边界,只留下了辖区界,但从实际的研究成果应用看,有必要将研究成果放到更大尺度的地图上。因此绘制了图8,从图8中可以看到被放大的巨型都市区的中心核。注意,与图4和图5一样,为了易于可视化,将图7中的都市连绵区外围的人口普查区隐藏了。
Fig. 8 Magnified detail of the central portion of the map in Figure 7

图8 基于USCS圣保罗大都市区城市社会空间图
注：中心部分的细节放大;按五个等级展现的圣保罗中心等级非常复杂。

现在对可以看到的圣保罗大都市区城市社会空间结构的元素和统一空间分类（USCS）的评分等级图进行分析说明（表2）。
Tab. 2 Computation of territorial surface occupied by the five categories of the map in Figure 6

表2 图7 中五个等级覆盖的地区表面的计算

统一空间分类评分 人口普查区的数量 占地面积（km²） 城市连绵度（%）
极高 3886 201.15 13.32
高 3888 326.51 21.63
中 3804 271.61 18.00
低 3552 330.95 21.92
极低 2740 329.72 21.84
没有数据 478 49.72 3.29
总体 18,348 1,509.66 100
如表2所示,呈现在图7和图8中被五个等级覆盖的区域如下：① 极高值区。主要从圣保罗市的中心核扩展,形成一个十字的空间结构。在东—西方向上,顺着铁特河（Tiete River）形成轴线。另外,有几个地方中心也有非常高的值。值得注意的是,结构化道路系统的控制促使核心内的空间连续区达到更高值。② 高值区。尽管它的整体形状趋向一个正方形,但其连续地分散在极高分类里,形成了环绕中心核的中央空间,并向东南和西南方向扩展。十字形的分布格局仍向西、向北、特别是向东推进,并远达苏扎诺（Suzano）和摩基达斯克鲁易斯（Mogi das Cruzes）城的一些人口普查区。③ 中间值区。中间值区的空间分布以环绕中心核为特点,中间值区穿插在高值区内,使这个分类的中心几乎是空的。在中间值的人口普查区创建的聚落展现了一个在东西方向更长的轴线,且近乎矩形的形状。然而在这种情况下有一支臂向东延伸,而另一支更长的臂向北,切断了圣保罗市的北部。④ 低值区。这类区很大一部分分布在圣保罗大都市区的外围,如巴鲁埃里（Barueri）、然迪拉（Jandira）、伊塔佩维（Itapevi）和塔博昂—达塞拉（Taboão da Serra）的大聚落。在都市区的西面,分布到毛阿（Mauá）、里贝朗皮里斯（Ribeirão Pires）、波阿（Poá）、苏扎诺（Suzano）、伊塔夸克塞图巴（Itaquaquecetuba）、摩基达斯克鲁易斯（Mogi das Cruzes）和瓜鲁柳斯（Guarulhos）。这类区的覆盖面达到21.92%。⑤ 极低值区。在圣保罗大都市区的外围,覆盖面积排第二,占21.84%,而城市中心聚落几乎是空的。从环境视角看,这些区大多处在不利区位,如洪水威胁区、土壤滑坡区以及危险的或不规则的土地非法占用区。

5 讨论与结论

5.1 讨论

如果我们审视圣保罗的历史性转变和它走向重量级巨型城市的道路,可能会理解本文绘制的社会分异图展现的图景：本文显示了城市聚落从1544年Pátio do Colégio的一个典型殖民飞地到成为巨型城市的中心极核（Harris and Turman model）,后来才进入环形发展的阶段（Burgess model）。尽管它在后面保持了与拉丁美洲城市一样的特点,但从更大的区域看,区域的复杂性产生了圣保罗大都市区的城市社会空间结构,显示了城市空间分类指标的显著变化也明显地受到上述地方中心的影响。
另一方面,值得指出的是,由于数据聚合度的影响,阐述和解译地图中需要注意那些现在应用在社会主体中的数据。众所周知,依靠采用的地理尺度、空间地图分辨率或是变量的表现方式,可以在地理学和地图文献中人工地创建或丢弃形态[8,14-17]。分类的数量、组距的确定、使用的颜色甚至是采用的比例,所有这些都可以导致非常不同的视觉形态。
笔者认为地图表现中的分级统计图技术（传统上用于清楚地呈现人口稠密表面分区的专题地图）,但在某些情况下它可能会扭曲信息,例如认为人口与所有的行政区划是同质的,即使一定比例的区域事实上是无人的（例如墓地、公园、飞机场、城市广场、工业区和商业区等）。从这层意义上说,应该考虑到巴西人口普查的一个特征,即把无人居住的区域包含到人口普查区（例如湖和坝的整个表面,以及公园和环境保护区）。解决这个问题的一个有效办法或许是采用分区密度制图进行地图的精化,将空间数据分解成一个更加详细的分析单元,并为了优化人口的地理位置或其他正在研究的对象使用附加（辅助）数据。其结果将可以得到更小、更详细和均质的实际社会区,而不是基于行政区划单元的新社会区边界。使用密度图的研究工作已经在圣保罗市成功实现了[18],因此将本文采用的方法是在更大尺度上进行了研究,可能会是一个重要的学术贡献。

5.2 结论

依据完成这项研究而获得的成果,可以认为：本文采用的多元分析的空间分类方法,在进行圣保罗都市区最重要的社会变量的特性研究中具有重要的价值。鉴于这次工作采用的尺度和研究区的量级,考虑到来自不同空间的数据源（相同尺度）和数据分析以及地图表达方法,能够按相似的特征编制出大都市的社会分异地图。
最后,有必要指出的是,城市社会分异图,特别是通过多元分析的空间分类方法获得的图,能成为有价值的分析工具,从而帮助拉丁美洲复杂的城市空间制定相关的公共政策。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
United Nations. World Urbanization Prospects.The 2011 Revision. New York: United Nations Economic & Social Affairs, 2012.

[2]
United Nations. World Urbanization Prospects.The 2007 Revision. New York: United Nations Economic & Social Affairs, 2008.

[3]
Santos M.O espaço dividido: Os dois circuitos da economia urbana dos países subdesenvolvidos. São Paulo: EDUSP, Coleção Milton Santos, 2004.

[4]
Meirelles H L. Direito Administrativo Brasileiro.16a Edição. São Paulo: Revista dos Tribunais, 1991.

[5]
Pumain D, Saint-Julien T.L'analyse spatiale, Localisations dans l'espace. Paris: Armand Colin, 2008.

[6]
IBGE. Primeiros Resultados do Censo Demográfico 2010. Diário Oficial da União de 04 de Novembro de 2011. Brasília: Instituto Brasileiro de Geografia e Estatística, 2011.

[7]
Freitas R.Regiões Metropolitanas: Uma abordagem conceitual. HUMANAE, Revista Eletrônica da Faculdade de Ciências Humanas ESUDA. Recife, 2009, 1(3): 44-53.

[8]
República Federativa do Brasil. Lei Complementar Federal Nº 14, de 8 de Junho de 1973. Brasilia: Subchefia para Assuntos Jurídicos, 1973.

[9]
Estado de São Paulo. Lei Complementar nº 332, de 21 de novembro de 1983. São Paulo: Assembleia Legislativa do Estado de São Paulo. Secretaria Geral Parlamentar, 1983.

[10]
IBGE. Censo Demográfico 2000: Agregado por Setores Censitários dos Resultados do Universo. Rio de Janeiro: Instituto Brasileiro de Geografia e Estatística, 2003, 157: 2.

[11]
Buzai G D. Mapas Sociales Urbanos.Buenos Aires: Lugar Editorial S.A., 2003.El comienzo del siglo XXI ha constituido un excelente punto para la realización de numerosos balances en el campo de la investigación social. Una serie de aspectos, surgidos de ellos, motivaron el desarrollo del estudio que hemos realizado y cuyos

[12]
INDEC. El estudio de la pobreza según el Censo Nacional de Población, Hogares y Viviendas 2001: El Indice de Privación Material de los Hogares (IPMH). Desarrollo de Nuevas Metodologías para el estudio de la pobreza con datos censales. Documento de Trabajo N° 61. Buenos Aires: Instituto Nacional de Estadística y Censos, 2003.

[13]
Gómez A, Mario S, Olmos F.La heterogeneidad de la pobreza: perfiles demográficos comparados. VII Jornadas Argentinas de Estudios de la Población. Tucumán: 2003.

[14]
Barrozo L V.Técnicas em Geografia da Saúde. In: Venturi L A B. Geografia: Práticas de Campo Laboratório e Sala de Aula. São Paulo: 2011.

[15]
Brewer C A, Pickle L.Comparison of methods for classifying epidemiological data on choropleth maps in series. nnals of the Association of American Geographers, 2002, 92: 662-681.

[16]
Elliott P, Wartenber D.Spatial Epidemiology: current approaches and future challenges. Environmental Health Perspectives, 2004, 112(9): 998-1006.Spatial epidemiology is the description and analysis of geographic variations in disease with respect to demographic, environmental, behavioral, socioeconomic, genetic, and infectious risk factors. We focus on small-area analyses, encompassing disease mapping, geographic correlation studies, disease clusters, and clustering. Advances in geographic information systems, statistical methodology, and availability of high-resolution, geographically referenced health and environmental quality data have created unprecedented new opportunities to investigate environmental and other factors in explaining local geographic variations in disease. They also present new challenges. Problems include the large random component that may predominate disease rates across small areas. Though this can be dealt with appropriately using Bayesian statistics to provide smooth estimates of disease risks, sensitivity to detect areas at high risk is limited when expected numbers of cases are small. Potential biases and confounding, particularly due to socioeconomic factors, and a detailed understanding of data quality are important. Data errors can result in large apparent disease excess in a locality. Disease cluster reports often arise nonsystematically because of media, physician, or public concern. One ready means of investigating such concerns is the replication of analyses in different areas based on routine data, as is done in the United Kingdom through the Small Area Health Statistics Unit (and increasingly in other European countries, e.g., through the European Health and Environment Information System collaboration). In the future, developments in exposure modeling and mapping, enhanced study designs, and new methods of surveillance of large health databases promise to improve our ability to understand the complex relationships of environment to health.

DOI PMID

[17]
Monmonier M.How to lie with maps. Chicago: The University of Chicago Press, 1996.

[18]
Barrozo L V, Barrozo L V, Pérez Machado R P, et al. Dasymetric mapping of socioeconomic data of the city of Sao Paulo: First approach. Santiago: Regional Geographic Conference-International Geographic Union, 2011.ABSTRACT Both on health and urban planning studies, maps have been widely used to identify risky areas rising etiological hypothesis (in the case of diseases), aiding in planning and management of social and public health problems and assessing the impact and benefit of strategies and public policy. In general, socio-demographic indicators are mapped based on the total area of the administrative units using the choropleth mapping technique leading to a distorted notion for urban planning purposes. The city of S茫o Paulo is one of the most populous cities of the world; the last National Census estimated the population to be 11.2 million with an elevated degree of urbanization. Demographic density is heterogeneously distributed. In a municipal territory of approximately 1,500 km2, there are important areas that are not effectively occupied, such as reservoirs, protected areas at the periphery and other land uses as parks, cemeteries, airports, squares, industrial and commercial areas, etc. Nowadays, due to the development of GIS and remote sensing other cartographic representations, such as dasymetric mapping, became feasible. The dasymetric method can be defined as the process of disaggregating spatial data to a finer unit of analyses using ancillary data to show the location of the population and other phenomena. This study aimed to develop a methodology to refine the cartographic representation of socioeconomic and health ratios and indexes through dasymetric mapping on the city of Sao Paulo. Dasymetric mapping was reached using ArcGIS 10, applying the binary division approach. Multiple ancillary datasets were combined to detect and remove uninhabited lands from the area to be represented. The census tracts were used as the initial geographic units. Their boundaries were obtained from IBGE's national census (2010). The data layer of residential areas was created from the polygons of the city blocks linked to the aggregated municipality fiscal cadastre. Next, census tracts were overlaid by fiscal blocks. Based on the fiscal block information, polygons which had non-residential built area were separated. The demographic characteristic mapped was 'percentage of elderly people', considering people above 65 years old in relation to overall population by census tract. Results so far indicate that demographic census data is better visualized if dasymetric mapping techniques are properly applied. The final cartographic product seems to be relevant for planning purposes, especially because of its implicit aptitude to highlight road networks with the characteristic block imprint of the city, as well as the ability of empower the analysis capacity of spatial related socio-economic indicators.

DOI

Options
文章导航

/

〈 〉