EN中文

GEOGRAPHICAL RESEARCH >

2022 , Vol. 41 >Issue 4: 1152 - 1169

DOI: https://doi.org/10.11821/dlyj020210167

Articles

Socio-spatial segregation of household registration based on a spatiotemporal index at the individual level: A case study of 10 towns in Shanghai suburbs

  • SHEN Yue , 1, 2, 3 ,
  • LUO Xueyao , 4, 5
Expand
  • 1. The Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China
  • 2. Research Center for China Administrative Division, East China Normal University, Shanghai 200062, China
  • 3. Institute of Eco-Chongming, East China Normal University, Shanghai 202162, China
  • 4. School of Urban Planning and Design, Peking University Shenzhen Graduate School, Shenzhen 518055, Guangdong, China
  • 5. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China

Received date: 2021-03-02

  Accepted date: 2021-07-02

  Online published: 2022-06-10

Copyright

Copyright reserved © 2022
Fold

Abstract

Socio-spatial segregation is a critical issue of urban studies. With the increase of human mobility, the traditional measurements of residential segregation based on aggregated data show limitations. Few studies have explored the segregation in residents' daily activity space outside their living spaces, or the spatiotemporal patterns of segregation level in different periods of a day. Thus, it is necessary to study the individual-based socio-spatial segregation in various geographic and temporal contexts. Using data from a household travel survey in 10 typical towns of the suburbs of Shanghai in 2017, this study researched the spatiotemporal characteristics of household registration segregation in people's daily life based on a creative individual-based proximity index, which measures the proximity of various groups in different geographic contexts with various activity types and time periods. We divided a day into eight periods and used the i-STP index to measure the spatiotemporal pattern of segregation of four kinds of household registered residents. By dividing Shanghai into hexagonal grids with an actual area of 5 km 2, the average value of i-STP within each grid was calculated. Then Arcscene 10.2 was used to visualize the results. Results show that the average i-STP is higher in work activities during weekdays and is lower in recreation activities on weekends, indicating the distinctions of segregation levels in different activity contexts. Results also show that lower i-STP is detected during commuting time (6:00-9:00) and leisure time at night (18:00-21:00) on weekdays and the average i-STP reaches the minimum in the afternoon (15:00-18:00) on weekends. We also found that residents with different household registration types have different spatiotemporal segregation patterns and that the working place and activity place of residents in day time shows higher segregation level than the living place at night. The study provides a new measure of segregation from an individual-based and dynamic perspective, which can fill the gap in the existing research on segregation based on activity space. The results of the study indicate that attention should be paid to the segregation of different types of registered population in work and leisure activities in large cities of China to enhance the interaction between different groups.

Key words： activity space; household registration; social segregation; suburbs; Shanghai

Cite this article

SHEN Yue , LUO Xueyao . Socio-spatial segregation of household registration based on a spatiotemporal index at the individual level: A case study of 10 towns in Shanghai suburbs[J]. GEOGRAPHICAL RESEARCH, 2022 , 41(4) : 1152 -1169 . DOI: 10.11821/dlyj020210167

1 引言

社会空间分异指各类社会要素在空间上明显的不均衡分布现象。在全球化不断深入、社会经济结构不断转型的背景下,城市社会空间正逐步展现出分异的格局,社会空间分异与隔离成为亟待探讨的现实问题[1,2]。已有的大量研究倾向于将居住空间分异作为社会空间分异的主要表征。西方国家主要关注种族引发的分异和隔离问题[3],近年来不同收入、教育水平人群的隔离问题也受到重视[4,5]。在中国,相关研究主要关注在住房改革、产业结构调整、人口迁移等因素影响下,不同收入、户籍、职业、年龄人群的居住空间分异问题[6,7,8]。学者认为居住地的空间隔离体现并加剧了弱势群体与其他人群的社会隔离,从而导致公共设施可达性、健康和出行公平性、职住空间错位等问题[9,10,11,12]。
然而,近些年的研究认为,社会空间分异不仅局限于居住空间。随着人类移动性不断加强和居民活动模式日益多样化[13,14],不同人群可能在社会经济特征和时空制约等因素影响下出现日常活动和出行过程中的分异[15,16]。即使居住在同一个社区的居民,也可能在工作地或其他非工作活动地产生不同程度的社会隔离[17,18]。以往静态的基于居住空间的社会空间分异研究视角显得片面,忽视了人的移动性和居民活动的复杂性,因此,有必要从活动空间出发,以更为动态的视角来理解社会空间分异和隔离问题[19,20,21]。
在此背景下,得益于个人移动数据可获得性的增强[14],定量化测度社会空间分异的研究由静态、汇总的居住空间分异向包含时空间维度、基于人的活动空间分异测度转变[17,18,19],但相关研究还处于探索阶段,研究范式和方法尚未统一。一些研究使用活动日志数据或移动轨迹数据,在时间地理学的框架下探索不同人群的活动空间分异,其中活动空间可以被细分为工作空间、购物空间、娱乐空间等[20,21,22,23]。还有一些研究从接触维度更加直接地测度基于活动空间的社会隔离水平,相关研究可以分为两类。第一类研究以不同群体活动空间内部与其他人群接触的可能性作为社会空间隔离的测度[18,24-26]。如Wong等构建个体接触指数,探讨个体在活动空间范围内接触其他群体的可能性[24]。Li等认为若个体能够接触的群体具有社会经济属性方面的一致性,则个体处于较高的社会隔离水平,因此综合了均衡性和接触性两重维度,构建用回归系数表征的接触指数[25]。这一类研究将社会隔离研究的空间范围从居住地拓展到了活动空间,但依然用活动空间内部的人口汇总特征代表个体所处的社会环境,并未很好描绘“基于人”的真实分异情况。另一类研究利用个体行为数据,以个体间活动空间的交互特征作为社会空间隔离的表征[27,28,29,30]。例如,有学者提出了“共享活动空间”指标,以同一社区不同群体间的活动空间共享程度来表征社会空间隔离[27,28]。
已有研究关注到了个体的空间维度分异,然而结合时间维度的研究还较少。部分国外学者证实了社会空间分异的时段差异[29,31]。如Park等构建“个体时空邻近指数”,探讨一天7个时段内不同群体相互邻近的程度,用各种族潜在的接触可能性代表社会隔离程度[29]。研究表明,基于活动空间的社会空间分异程度随活动的时段而改变,仅考虑空间维度而忽视时间维度的社会空间分异研究是静态而片面的[18,29],可能导致“地理背景不确定性问题（UGCoP）”[32,33]。目前,已有的社会空间分异测度指标较少考虑时间维度,因此有必要采取新的测度方法,将时间与活动、空间维度相结合,探索基于个体的社会空间分异情况。
本研究主要关注户籍维度的社会空间分异。20世纪50年代设立的户籍制度在人口登记管理、工业化进程推进等方面发挥了重要作用,但同时也形成了城市之间和城乡之间的人口迁移限制,以及城市公共品供给歧视问题[34,35]。在改革开放后快速城市化和市场化的背景下,随着户籍改革不断推进,大量外来人口涌入大城市,城乡壁垒也逐渐被打破;但另一方面,户籍制度仍然与就业、住房、医疗、教育、养老等各类社会保障和福利相关联[36,37,38]。已有研究揭示了大城市中存在的户籍维度的居住分异问题[6,39-41]。同时,户籍制度导致的资源分配差异造成了不同户籍人群在日常行为、活动空间方面也可能产生分异[16],因此从活动空间的视角开展户籍维度的社会空间分异研究具有重要意义。
本文聚焦不同户籍类型人群是否在活动、时间和空间维度存在分异这一研究问题,构建“个体时空邻近指数”,分析上海市郊区10个典型镇不同户籍类型人群的分异情况及其时空间特征,并对结果进行可视化,创新了基于活动空间的社会空间分异的测度方法,并从活动与时空间结合的视角探讨了户籍维度的社会空间分异。

2 数据来源与研究方法

2.1 研究区域与数据来源

本研究选取上海市郊区作为研究区域。上海作为中国特大城市,是流动人口迁移重要的目的地之一。2000—2019年,上海市常住人口由1608.6万增加至2428.1万,其中外来常住人口的比例由17.8%增至40.3%[42]。同时,已有研究发现上海在居住、就业、通勤等方面存在明显的户籍分异现象[6,40,43-45],因此,将上海作为户籍分异的案例城市具有典型性。另一方面,在快速郊区化的影响下,郊区已成为城市发展的前沿地区,而郊区与中心城区又具有明显的户籍结构差异[6,41,44,46]。根据2020年上海市统计年鉴,中心城区外来人口占常住人口的比例为24.4%,而在郊区该比例为45.7%[42]。此外,近年来郊区居民面临的远距离通勤、社区归属感弱等问题愈发凸显[28,43],对《上海市城市总体规划（2017—2035）》中提出构建“郊区新城”的设想和提升人民幸福感的理念形成了挑战。因此,研究社会空间分异格局有助于深入理解上海市郊区的发展状况,具有理论和实践意义。
研究数据来源于2017年上海市郊区居民日常活动与出行调查。该调查在综合考虑区位、区域发展水平和社区类型的基础上,采用多阶段抽样方法,选取了上海市除崇明区以外的8个郊区行政区中的10个典型镇作为案例地区（图1、表1）。从区位来看,10个案例镇可划分为外环线附近的近郊镇和郊环线附近的远郊镇,其中近郊镇相对靠近中心城区,在郊区化过程中成为重要的外来人口导入地,拥有较高的非沪籍人口比例;而远郊镇的常住人口中,本地户籍人口的比例相对较高。从各镇的综合发展与规划来看,顾村镇、江桥镇、徐泾镇、九亭镇、梅陇镇、周浦镇是郊区的重要节点城镇,具有相对完善的基础设施和公共服务系统;张江镇和朱泾镇分别毗邻科技园区和工业园区,具有相对专门化的产业结构;南汇新城镇和南桥镇分别对应于上海市“十四五”规划五大新城中的南汇新城和奉贤新城,未来将打造成为独立的综合性节点城市。总体上,本研究选取的10个案例镇对上海市郊区不同区位与发展水平的城镇具有一定的代表性。
图1 案例镇分布图

Fig. 1 Distribution of sample towns in the suburbs of Shanghai

表1 案例镇基本特征统计

Tab. 1 The statistics of sample towns

案例镇 行政区 区位 户籍结构 性别结构 年龄结构 就业结构
常住人口
(万人)		 户籍人口
比例(%)		 男性
(%)		 女性
(%)		 0~14
(%)		 15~64
(%)		 ≥65
(%)		 二三产业从业
人口比例(%)		 本地企业就业
人口比例(%)
朱泾镇 金山区 远郊 12.0 69.8 50.2 49.8 10.0 78.5 11.5 51.9 16.3
南汇新城镇 浦东新区 远郊 4.8 47.0 60.5 39.5 6.0 89.5 4.5 67.0 42.6
周浦镇 浦东新区 近郊 14.7 42.8 51.3 48.7 9.8 81.2 8.9 75.8 51.9
张江镇 浦东新区 近郊 16.5 32.5 53.4 46.6 9.8 84.1 6.1 69.5 2.3
南桥镇 奉贤区 远郊 36.1 31.5 51.0 49.0 12.6 81.4 6.0 35.6 34.8
顾村镇 宝山区 近郊 24.0 29.3 55.1 44.9 8.9 84.6 6.5 29.5 10.1
梅陇镇 闵行区 近郊 34.4 26.9 52.0 48.0 9.2 83.8 7.0 68.6 28.3
江桥镇 嘉定区 近郊 25.6 21.4 54.5 45.5 8.4 86.1 5.5 52.1 42.8
徐泾镇 青浦区 近郊 12.8 20.0 54.7 45.3 9.2 86.8 4.0 80.1 59.6
九亭镇 松江区 近郊 25.3 13.3 53.1 46.9 11.2 85.2 3.6 84.8 21.6

注：户籍、性别、年龄数据来源于2010年第六次全国人口普查;就业数据来源于《中国县域统计年鉴2018》。

在案例镇内,选取了58个不同类型的社区,开展社区随机抽样和入户调查,采集了受访者的社会经济属性、住房情况、惯常活动地点、活动日志等信息。其中,活动日志记录了受访者最近的两个连续的工作日和休息日内所有活动与出行情况①（①为保证活动与出行信息的完整性,每日以凌晨3:00为起始,至次日凌晨3:00结束,记录受访者该时段内所有活动与出行的开始时间、结束时间、活动类型、出行方式等信息。）。本调查共发放问卷1593份,回收有效问卷1140份,有效率为71.56%。根据研究需要,进一步筛选出社会经济属性无缺省、活动日志填写完整且合理的样本共810份。将样本的基本特征和上海市的总体情况进行对比（表2）,样本中低学历、外地户籍人群占比更大,与上海市郊区居民的社会经济属性特征基本相符[43]。根据样本在10个镇的分布情况（图2）,每个镇的平均样本数为81人,呈现出上海本地户籍和非农户籍样本数量多、外地户籍和农业户籍样本数量少的特征,基本能够反映10个案例镇的特点。
表2 样本基本特征统计

Tab. 2 Socio-economic characteristics of samples

变量名称 类别 总样本构成 上海非农
样本构成		 上海农业
样本构成		 外地非农
样本构成		 外地农业
样本构成		 上海市总
体情况
(人) (%) (%) (%) (%) (%) (%)
性别 男 414.0 51.1 49.5 43.8 53.3 53.3 51.5
女 396.0 48.9 50.5 56.3 46.7 46.7 48.5
教育程度 初中及以下 167.0 20.6 15.8 50.0 15.0 33.9 50.0
高中 250.0 30.9 43.0 34.4 42.3 46.7 21.0
本科及以上 293.0 36.2 41.2 15.6 42.7 19.4 22.0
年龄 16~34 260.0 32.1 37.8 31.3 61.7 65.5 81.3
35~49 433.0 53.5 40.7 40.6 31.3 29.1
50及以上 117.0 14.4 21.5 28.1 7.0 5.5
户籍 上海非农 386.0 47.7 100.0 0.0 0.0 0.0 59.8
上海农业 32.0 4.0 0.0 100.0 0.0 0.0
外地非农 227.0 28.0 0.0 0.0 100.0 0.0 40.2
外地农业 165.0 20.4 0.0 0.0 0.0 100.0
婚姻状况 已婚 650.0 80.3 86.0 81.3 74.9 73.9
单身/离异/丧偶 160.0 19.8 14.0 18.8 25.1 26.1
出行能力 有驾照 444.0 54.8 57.3 46.9 63.9 38.2
无驾照 366.0 45.2 42.8 53.1 36.1 61.8
工作状态 全职就业 623.0 76.9 76.9 75.0 81.5 70.9
非全职就业 187.0 23.1 23.1 25.0 18.5 29.1
个人月收入 低收入(<2500元) 78.0 9.6 9.6 31.3 5.3 11.5
中收入(2501~7500元) 469.0 53.5 51.1 34.4 54.6 58.8
高收入(>7500元) 299.0 36.9 38.3 34.4 40.1 29.7

注：上海市总体情况的性别、教育程度、年龄数据来源于2010年第六次全国人口普查,户籍常住人口比例和外来常住人口比例来源于上海市2017年国民经济和社会发展统计公报。

图2 案例镇内样本户籍结构分布

Fig. 2 Distribution of household registration structure of samples in case towns

2.2 研究方法

2.2.1 个体时空邻近指数（i-STP）及修正方法 使用个体时空邻近指数（i-STP）分析不同户籍人群的社会空间分异情况。个体时空邻近指数是Park和Kwan提出的基于个体活动的社会空间分异测度指标。该指数在Grannis的多组空间邻近指数基础上加入个体和时间维度,测度个体在不同时间段内所处环境中各类人群相对邻近程度的差异,并将此定义为个体在该时段的社会空间分异程度[29,47]。其中,个体在特定时段内所处环境定义为距离最近的k个人所组成的空间范围。由此确定的邻域范围在空间和时间维度都与个体十分接近,与以往使用整个研究区域的总人口作为空间单位的静态测度指数相比,能更好地缓解“地理背景不确定性问题（UGCoP）”的影响,以“基于人”的、时空间相结合的动态视角理解社会空间分异问题。个体时空邻近指数表达式如公式（1）所示：
i - STP = ∑ g = 1 n N g P gg , t k × P kk , t
式中：i-STP代表个体i在t时段所处环境内各群体的相对空间邻近程度。公式的分子表示各群体邻近程度的加总; N g为k个人中属于g群体的人数; P gg , t为k个人中g群体两两之间的平均邻近程度,定义如公式（2）所示：
${{P}_{gg,t}}={{\left( \frac{{{N}_{g}}!}{2!\left( {{N}_{g}}-2 \right)!} \right)}^{-1}}\sum\limits_{i}{{}}\sum\limits_{j}{{}}f\left( {{d}_{i,j}} \right)$
式中： d i , j表示个体i和j之间的距离,而两点间邻近度采用二次负指数函数来刻画,如公式（3）：
f d i , j = exp ( - 2 d i , j )
原公式②（②本文对原指数中平均邻近度的公式进行修正。原公式：${{P}_{mm,t}}=\frac{1}{{{m}^{2}}}\sum\limits_{i}{{}}\sum\limits_{j}{{}}f\left( {{d}_{i,j}} \right)$, P mm , t为m个人两两间平均邻近度; d i , j为其中i个体与j个体间距离。）中使用 N g 2对g群体两两间邻近度进行平均,这需要满足 N g足够大（即k足够大）的条件。本文使用 N g ! 2 ! N g - 2 !对组间邻近度进行平均,可令k较小时也满足条件,表达式如公式（4）所示：
${{P}_{kk,t}}={{\left( \frac{k!}{2!\left( k-2 \right)!} \right)}^{-1}}\sum\limits_{i}{{}}\sum\limits_{j}{{}}f\left( {{d}_{i,j}} \right)$
式中：分母表示k个人间邻近度的总和; P kk , t为k个人两两之间的平均邻近程度。本研究关注户籍维度的社会空间分异情况,因此当i取值为1、2、3和4时, g i分别代表上海非农人口、上海农业人口、外地非农人口和外地农业人口。通过对每个时间段的计算,得到个体i在给定时段内所处环境中各户籍人群的相对邻近程度。与White的空间邻近指数相似[48],i-STP值等于1,表示在给定的时间段内,个体i所处的环境中各类人群与其不同户籍类型人群的邻近度等于与其相同户籍类型人群的邻近度,即个体i没有承受户籍维度的分异。i-STP值大于1,表示在给定的时间段内,个体i所处的环境中各类人群与其相同户籍类型人群间的邻近度大于与其不同户籍类型人群间的邻近度,即存在户籍分异现象。i-STP值小于1,表示在给定的时间段内,个体i所处的环境中各类人群与其不同户籍类型人群的邻近度大于与其相同户籍类型人群的邻近度,即各类户籍人群混杂程度较高,但过低的i-STP值也可能意味着该户籍类型人群受到排斥。2.2.2 参数选取 本研究选取时间单位参数t=3,即以3 h为时间维度的统计单元。主要原因：首先,由于存在一些相对固定的日常活动,如工作、睡眠、用餐等,人们在一段时间内可能没有发生出行（即位置未发生改变）,此时使用过于精细的时间单位会给每个个体产生大量相同位置的冗余结果,因此时间单位不宜过小且应有一定的代表性。其次,居民日常活动节奏存在以3 h为单位的规律性变动。最后,已有研究中也使用了3 h的时间单位来测度社会空间分异水平[29,31]。因此,将一天分解为8个时段,从凌晨3:00到次日凌晨3:00,每3 h为一个时间单位,以此探究各时段内户籍分异情况的差异。选取邻域单位参数k=25,即个体在某个时段内所处的环境为距离最近的25个人所组成的空间范围。主要原因如下：首先,除工作活动外,其余活动的平均出行距离均小于5 km（剔除异常值）,小于样本社区间的距离,因此认为个体活动多是基于社区尺度的,考虑社区平均样本数的1、2、3分位数与平均值4个取值。第二,考虑操作便捷性,将社区平均样本数的1、2、3分位数与平均值近似为5、10、15、25,分别测算k等于这4个值时,每个个体周围k个人中各户籍人群的占比,以2014年上海市人口结构为参照,选取结果最贴近实际时k的取值,测算结果及参照如表3所示。第三,进行k值敏感性分析,将不同k值测算的i-STP结果做方差分析,如果各因素多重比较的显著程度一致,则认为k值的选取不影响指数的分布。因此,最终确定k=25为最优参数。
表3 不同k值中各户籍类型人群比例

Tab. 3 The ratio of different types of household registered population of k values

上海非农户籍人数/上海
常住人口总数(%)		 上海农业户籍人数/上海
常住人口总数(%)		 外地户籍人数/上海
常住人口总数(%)
k=5 48.6 4.1 47.3
k=10 48.8 4.1 46.7
k=15 49.4 4.3 46.4
k=25 49.8 4.4 45.7
2014年上海市 53.6 5.7 40.7
2.2.3 i-STP指数结果可视化 为更直观探究户籍分异的时空间差异,利用ArcGIS 10.2将i-STP指数结果进行可视化。首先,用实际面积为5 km2的六边形栅格分割上海市版图;其次,将每个时间段的i-STP值赋值给其所在栅格,若栅格内存在多个活动点,则取平均值;对结果进行可视化,得到8个时间段内上海市户籍分异的直观表达。

3 户籍维度社会分异的总体特征

总体来看,上海市郊区四种户籍类型人群在工作日和休息日并未存在严重的分异,i-STP指数有效值未超出0.8~1.2的水平区间（图3）。值得注意的是,从均值看,上海农业户籍人群在工作日和休息日承受的分异水平都高于其他人群,其中工作日的i-STP指数均值明显大于1,表明该类人群在居住空间和活动空间中与其他户籍类型人群的接触机会较小,存在明显的隔离现象。可能的原因是,上海农业户籍人群平均年龄较大,存在更多退休和非正规就业人员（表2）,由于自我选择、出行能力和活动时间等因素制约,他们所处环境中人群较为单一,因而承受更大程度的分异。
图3 个体时空邻近指数的户籍差异

Fig. 3 Household registration differences in segregation levels

为探究不同户籍类型人群的分异水平差异是否在统计学上有意义,本研究基于户籍类型进行了ANOVA单因素检验,得到基于图基检验的事后多重比较结果（表4）。结果表明,四类户籍人群承受的分异水平具有显著差异。综合来看,上海本地和外地户籍人群的分异水平差异显著。相比外地户籍人群,上海非农户籍人群承受的分异水平更低,而上海农业户籍人群承受的分异水平更高,表明本地非农人群与其他人群接触较多,混合度较高,而本地农业人群则相对隔离程度较高。此外,工作日主要体现为上海非农户籍人群与其他三类人群的差异,休息日体现为非农与农业户籍人群之间的差异。以上结论表明,上海市郊区10个典型镇居民在日常活动过程中仍存在“本地-外地”和“农业-非农业”双重维度的户籍分异情况。
表4 户籍因素的多重比较结果

Tab. 4 Pairwise comparisons between houlsehold registrations

户籍类型差异 汇总平均值差异 工作日平均值差异 休息日平均值差异
上海非农-上海农业 -0.0259*** -0.0280*** -0.0239***
上海非农-外地非农 -0.0091*** -0.0136*** -0.0045
上海非农-外地农业 -0.0112*** -0.0112*** -0.0112***
上海农业-外地非农 0.0168*** 0.0143* 0.0193***
上海农业-外地农业 0.0146*** 0.0167** 0.0126**
外地非农-外地农业 -0.0021 0.0024 -0.0066**

注：*、**、***分别代表P值<0.01、P值<0.05、P值<0.1。

4 户籍维度社会分异的多重分析

为更加深入、全面地刻画上海市郊区10个典型镇居民的户籍分异格局,分别从活动、时间和时空间3个维度展开讨论。

4.1 活动维度的分异格局

参照以往研究将活动类型分为七类[49]：工作、个人事务(睡觉、用餐等生存型活动)、家庭事务（扫除、做饭、照顾或接送孩子和老人等）、购物（非食材类购物）、娱乐休闲（观影、锻炼、娱乐场所活动等）、社会交往（探亲访友、参加聚会等）和其他活动,研究样本在不同类型活动中是否存在显著的户籍分异。
结果表明,不同活动类型间具有较为明显的户籍分异（图4）。进一步对工作日和休息日的活动变量进行ANOVA单因素方差检验,得到基于图基检验（Tukey's test）的事后多重比较结果（表5）。工作日内,工作活动的i-STP指数均值明显大于1,显著高于个人事务、家庭事务和娱乐休闲活动,表明工作活动中存在各户籍类型混合度较低、分异明显的现象;购物活动、社会交往活动和其他活动由于在四类人群中分异水平差距较大,导致组内随机变异较大,因此活动类型间的差异并不显著。其中上海农业户籍人群在购物活动中的i-STP指数明显低于其他三类户籍人群,而在社会交往活动中的i-STP指数明显更高,表明该类人群在购物活动中可能受到排斥,而社交结构则展现了高度自我隔离的封闭性[41]。此外,上海非农户籍人群还在工作日其他活动中表现出明显的自我隔离。休息日内,个人事务与娱乐休闲类活动的i-STP指数与工作活动相比显著更低,体现了这两类活动中各户籍人群混合度高且均匀的特征。购物和其他活动中,上海农业、上海非农户籍类型人群的户籍分异现象减轻,但前者在社会交往活动中依然展现了高度的自我隔离。
图4 个体时空邻近指数的活动类型差异

Fig. 4 The variation of segregation level in different activity types

表5 活动维度的分异格局多重比较

Tab. 5 Pairwise comparisons between activity types

各活动类型均值差异
工作 个人事务 家庭事务 购物 娱乐休闲 社会交往 其他
工作日活动类型
工作 - 0.0281* 0.0287* 0.0288 0.0271* 0.0244 -0.004
个人事务 -0.0281* - 0.0005 0.0006 -0.001 -0.0038 -0.0321
家庭事务 -0.0287* -0.0005 - 0.0001 -0.0015 -0.0043 -0.0326
购物 -0.0288 -0.0006 -0.0001 - -0.0016 -0.0044 -0.0327
娱乐休闲 -0.0271* 0.001 0.0015 0.0016 - -0.0028 -0.0311
社会交往 -0.0244 0.0038 0.0043 0.0044 0.0028 - -0.0284
其他 0.004 0.0321 0.0326 0.0327 0.0311 0.0284 -
休息日活动类型
工作 - 0.0118* 0.009 0.009 0.0143* 0.0135 -0.0026
个人事务 -0.0118* - -0.0027 -0.0028 0.0025 0.0018 -0.0144
家庭事务 -0.009 0.0027 - 0.0001 0.0053 0.0045 -0.0116
购物 - 0.0028 -0.0001 - 0.0053 0.0045 -0.0116
娱乐休闲 -0.0143* -0.0025 -0.0053 -0.0053 - -0.0008 -0.0169
社会交往 -0.0135 -0.0018 -0.0045 -0.0045 0.0008 - -0.0162
其他 0.0026 0.0144 0.0116 0.0116 0.0169 0.0162 -

注：*、**、***分别代表P值<0.01、P值<0.05、P值<0.1。

4.2 时间维度的分异格局

箱线图（图5）和ANOVA单因素方差检验结果（表6）表明,户籍维度的社会分异在不同时段间表现明显。工作日内,居家（3:00~6:00）、早高峰（6:00~9:00）、晚高峰和晚间休闲（18:00~21:00）时段的户籍分异水平明显低于下午工作时段（15:00~18:00）。这一结果从统计学上验证了通勤时段和工作日晚间休闲时段内各户籍人群总体高度混合的特征,并表明了下午和傍晚为工作活动中分异水平最高的时段,该时段内上海农业户籍和外地非农户籍人群的i-STP指数都明显大于1。休息日的结果表明,12:00至次日3:00的午间加晚间时段内,各户籍类型人群在购物、娱乐休闲、社会交往等活动中总体呈现较为混合的特点,可能由于下午时段（15:00~18:00）是居民休闲类出行高峰[50],不同户籍人群拥有更多的接触机会。然而上海农业户籍人群在12:00~18:00的i-STP指数仍然大于1,展现出自我隔离特征,这一结果揭示了本地农业户籍与其他户籍类型人群在不同的消费水平、生活方式等因素影响下形成的活动空间差异。
图5 个体时空邻近指数的时段差异

Fig. 5 The variation of segregation level in different time periods

表6 时间维度的分异格局多重比较

Tab. 6 Pairwise comparisons between time periods

各时段均值差异
3:00~6:00
(t1)		 6:00~9:00
(t2)		 9:00~12:00
(t3)		 12:00~15:00
(t4)		 15:00~18:00
(t5)		 18:00~21:00
(t6)		 21:00~0:00
(t7)		 0:00~3:00
(t8)
工作日时段
3:00~6:00 (t1) - -0.0019 -0.0118 -0.0057 -0.014* -0.0012 -0.0066 -0.0036
6:00~9:00 (t2) 0.0019 - -0.0099 -0.0038 -0.012* 0.0006 -0.0047 -0.0017
9:00~12:00 (t3) 0.0118 0.0099 - 0.0061 0.0021 0.0105 0.0052 0.0082
12:00~15:00 (t4) 0.0057 0.0038 -0.0061 - -0.0082 0.0044 -0.0008 0.002
15:00~18:00 (t5) 0.014* 0.012* -0.0021 0.0082 - 0.0127* 0.0073 0.0103
18:00~21:00 (t6) 0.0012 -0.0006 -0.0105 -0.0044 -0.0127* - -0.0053 -0.0023
21:00~0:00 (t7) 0.0066 0.0047 -0.0052 0.0008 -0.0073 0.0053 - 0.0029
0:00~3:00 (t8) 0.0036 0.0017 -0.0082 -0.002 -0.0103 0.0023 -0.0029 -
休息日时段
3:00~6:00 (t1) - -0.0061 0.0024 0.0077 0.0122* 0.0069 0.007 0.0071
6:00~9:00 (t2) 0.0061 - 0.0085 0.0138* 0.0183* 0.0131* 0.0132* 0.0133*
9:00~12:00 (t3) -0.0024 -0.0085 - 0.0053 0.0097 0.0045 0.0046 0.0047
12:00~15:00 (t4) -0.0077 -0.0138* -0.0053 - 0.0044 -0.0007 -0.0006 -0.0005
15:00~18:00 (t5) -0.0122* -0.0183* -0.0097 -0.0044 - -0.0052 -0.0051 -0.0051
18:00~21:00 (t6) -0.0069 -0.0131* -0.0045 0.0007 0.0052 - 0.0001 0.0001
21:00~0:00 (t7) -0.007 -0.0132* -0.0046 0.0006 0.0051 -0.0001 - 0.0001
0:00~3:00 (t8) -0.0071 -0.0133* -0.0047 0.0005 0.0051 -0.0001 -0.0001 -

注：*、**、***分别代表P值<0.01、P值<0.05、P值<0.1。

4.3 时空间维度的分异格局

利用ArcGIS 10.2将个体时空邻近指数计算结果可视化。根据结果的数据分布特征,选取第3分位数（1.02）、第1分位数（0.98）及其加减1.5倍四分位距的有效上下限值（1.05, 0.95）作为分割点,同时用0.5和1.5作为分异程度较低和分异程度较高的分割点,将结果分为7个区间（图6、图7）。研究结果显示,户籍维度的社会分异存在明显的空间异质性。
图6 工作日户籍维度社会空间分异的时空特征

Fig. 6 Spatiotemporal characteristics of segregation level on weekdays

图7 休息日户籍维度社会空间分异的时空特征

Fig. 7 Spatiotemporal characteristics of segregation level on weekends

首先,部分案例镇存在居住分异现象。21:00至次日6:00（第1、第7、第8时段）主要为在家或近家的个人事务类活动时段[50],反映了晚间各户籍类型人群在居住地的相互接触情况。工作日内,江桥镇、周浦镇、顾村镇和南桥镇在21:00至次日凌晨3:00夜间时段的i-STP指数均出现了大于1.02的情况（图6a、图6g、图6h）。此类城镇作为上海市发展较早的外来人口聚居区,居民的文化水平差异和人口流动性较大,居民间认同感不高,区域内“大杂居、小聚居”情况明显,使得各类户籍人群产生居住分异。其中,上海市外环附近的近郊镇居住分异现象更为明显,与以往研究中户籍等制度因素对近郊区人口分异的作用大于外围地区的结论相符[40]。
此外,工作日白天活动中的户籍分异在地区间差异明显（图6b~图6f）。6:00~9:00和18:00~21:00展现了通勤时段的分异格局[50],其中早高峰时段比晚高峰时段的活动地点分布更广泛,且外环内通勤对各户籍人群的混合作用比外环外更明显。9:00~18:00时段间城区与郊区的分异格局更为清晰：内环内户籍分异水平较高（>1.02）,可能的原因是,内环内高附加值产业聚集,就业门槛相对较高,本地和非农户籍中受教育程度高、劳动技能高的人群相对集中[38];内环与外环之间的户籍分异水平较低（0.5~0.95）,可能由于该区域分布了大部分文教、公共管理、居民服务业和其他生活服务业等二三产业,同时也是居民就业的主要聚集地[44,45],各户籍类型人群在工作中拥有较多的接触可能;远郊地区成点状集聚于案例镇以及金山区、松江区、宝山区等传统工业区,且几乎都有较明显的分异情况（1.02~2.00）。一方面,随着2000年以来上海中心城区产业结构调整,大量生产、运输设备操作等第二产业由近郊向远郊扩散,该类产业从业比例较高的外地户籍人群相应地向远郊迁移,形成一定程度的分异[41];另一方面,上海市郊区各镇集中了部分老龄群体,以外地低龄老年人为主[51],由于其多为离退休人员,因此在工作日白天与其他就业人群产生了明显的活动维度的分异。综合来看,工作日白天的户籍分异格局由中心城区向远郊呈现“高-低-高”特征,暗示了受职业、年龄等影响下的户籍分异特点。
休息日晚间各户籍人群间总体居住分异水平较低（0.5~0.98）,其中朱泾镇在休息日呈现出了与工作日不同的居住分异态势（>1.02）,暗示工作日与休息日该镇人群的户籍结构产生变动（图7a、图7g、图7h）。休息日白天活动中的户籍分异在地区间也有差异（图7b~图7f）。休息日白天居民活动地点更加集聚于案例镇周边和中心城区西部（浦西）,在12:00~18:00时段活动地点分布相对更广,这一特征与前人研究揭示的上海市浦东地区休息日活动强度远低于工作日、休息日整体活动强度较为均衡且在下午相对较多的特征相符[50]。其中案例镇内的i-STP指数较高（1.05~2.00）,而其他地区未有明显的户籍分异现象（<1.02）。结果表明,休息日各户籍人群在居住地附近的活动具有隔离特征,而外出活动则呈现出各类人群高度混合的特点,与前文活动和时间维度的分析相符。

5 结论与讨论

以上海市郊区10个典型镇为案例区,从活动空间角度出发,研究了不同户籍类型居民在活动、时间和时空间维度的社会空间分异特征。主要结论为：① 案例镇内各类户籍人群总体不存在严重的分异,个体时空邻近指数处于0.8~1.2的区间内,其中上海本地农业户籍人群的分异水平最高,外地户籍人群次之,上海本地非农户籍人群分异水平最低;② 案例镇各类户籍人群在活动维度存在明显的分异,其中工作日内工作活动的户籍分异程度最高,休息日内娱乐休闲等活动的户籍分异程度最低;③ 案例镇各类户籍人群在时间维度存在明显的分异,其中工作日早高峰、晚高峰和晚间休闲时段的户籍分异水平明显低于下午工作时段,展示了通勤时段和晚间休闲时段内各户籍人群高度混合的特征,而休息日白天时段户籍分异水平整体较低,在15:00~18:00时段达到最低点,体现了案例镇非工作活动中不同户籍人群接触的可能性及其时间特征;④ 案例镇各户籍人群在空间维度存在明显的分异。工作日白天,由中心城区向远郊呈现出“高-低-高”的户籍分异格局,暗示了职业、年龄等因素影响下的户籍分异特征。休息日白天,案例镇居民展示了近家活动的高隔离特征和外出活动的高混合特征。另外,江桥镇、周浦镇、顾村镇和南桥镇在夜间较高的户籍分异程度反映了这些地区的居住空间分异较为显著。
本文利用上海市郊区居民的活动日志数据,构建“个体时空邻近指数”,从基于人的、动态的时空间维度探讨不同户籍类型人群的分异特征,是一次对较高时空粒度下社会空间分异测度新方法的尝试,补充了已有基于活动空间的社会空间分异研究对时间和活动维度关注的不足。在已有研究[18,19,24-29,31]的基础上,本文主要考虑户籍维度的人群分异,为深入理解“本地-外地”“农业-非农业”双重户籍制度因素影响下的社会空间构成和分异格局提供了研究基础。同时,本文聚焦于上海市郊区10个典型镇,为探索不同区位和功能定位的郊区城镇空间优化提供了研究依据。研究结论回应了前文提出的研究问题：上海市郊区不同户籍类型人群在活动、时间和空间维度上存在明显的分异,其中工作地、活动地和居住地在不同时段和不同活动中展现的户籍分异水平有较大差异,印证了从活动空间视角探讨户籍分异的重要意义和必要性。此外,白天时段的工作地和活动地比夜晚居住地的分异水平更高,这一结论与国外的研究存在一定差异[31]。研究表明,户籍制度影响下长期形成的较封闭的社会阶层结构仍能体现在居住和活动地的日常行为接触中,应当重视中国大城市各类户籍人群在工作、休闲等活动中的分异现象,提升不同群体在日常活动中的接触机会,促进农业户籍、外地户籍人群在城市中的社会融合。
本研究也存在值得深入探讨的问题。首先,相对于传统居住空间分异研究所经常采用的人口普查数据而言,基于活动空间的社会空间分异研究由于需要获取样本相对完整的行为信息,在数据获取难度和样本量方面都面临着一定的挑战;而包含行为空间信息的手机信令等新型数据,又由于保护用户隐私所导致的社会经济属性缺失而难以利用。因此,在创新社会空间分异研究范式的过程中,如何找到更加具有代表性和可获取性的数据源,从而较为全面的反映中国当前的社会空间分异特征,就成为了值得深入探讨的重要问题。第二,传统的基于居住空间的社会空间分异研究,在大量学者长期而深入的研究的支撑下,发展出了非常丰富的测度方法,涵盖了不同维度,能够针对单一属性或多个属性开展研究;而基于活动空间的社会空间分异研究正处于探索和发展阶段,尚未形成具有共识性的测度方法和指标体系,相关研究也主要聚焦某一属性（例如,国内已有研究主要聚焦于户籍、收入或职业维度）,因此,未来还需要更多深入的研究,从多维度结合的视角加以探讨。第三,基于活动空间的社会空间分异研究更多采取基于人的研究范式,在测度指标方面主要落脚在个体或群体上,因此,未来研究在社会空间分异的影响机理方面,仍有较大的探索空间,可以对社会经济属性、建成环境等因素进行综合考虑。综上,基于活动空间的社会空间分异研究仍有较大的探索空间,有待相关学者给予更多关注。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文研究思路、结果分析、结论梳理方面的修改意见,使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李志刚, 吴缚龙. 转型期上海社会空间分异研究. 地理学报, 2006,61(2):199-211.

[ Li Zhigang, Wu Fulong. Sociospatial differentiation in transitional Shanghai. Acta Geographica Sinica, 2006,61(2):199-211.] DOI: 10.3321/j.issn:0375-5444.2006.02.009.

DOI

[2]
冯健, 周一星. 转型期北京社会空间分异重构. 地理学报, 2008,63(8):829-844.

[ Feng Jian, Zhou Yixing. Restructuring of socio-spatial differentiation in Beijing in the transition period. Acta Geographica Sinica, 2008,63(8):829-844.] DOI: JournalArticle/5aed5207c095d710d40ad9ae.

DOI

[3]
Johnston R, Poulsen M, Forrest J. The geography of ethnic residential segregation: A comparative study of five countries. Annals of the Association of American Geographers, 2007,97(4):713-738. DOI: 10.1111/j.1467-8306.2007.00579.x.

DOI

[4]
Clark W A V. Changing residential preferences across income, education, and age: Findings from the multi-city study of urban inequality. Urban Affairs Review, 2009,44(3):334-355. DOI: 10.1177/1078087408321497.

DOI

[5]
Reardon S F, Bischoff K. Income inequality and income segregation. American Journal of Sociology, 2011,116(4):1092-1153. DOI: 10.1086/657114.

DOI PMID

[6]
王春兰, 杨上广, 何骏, 等. 上海城市社会空间演化研究: 基于户籍与职业双维度. 地理研究, 2018,37(11):2236-2248.

DOI

[ Wang Chunlan, Yang Shangguang, He Jun, et al. On the social space evolution of Shanghai: In dual dimensions of the Hukou and the occupation. Geographical Research, 2018,37(11):2236-2248.] DOI: 10.11821/dlyj201811009.

DOI

[7]
何深静, 刘玉亭, 吴缚龙, 等. 中国大城市低收入邻里及其居民的贫困集聚度和贫困决定因素. 地理学报, 2010,65(12):1464-1475.

DOI

[ He Shenjing, Liu Yuting, Wu Fulong, et al. Poverty concentration and determinants in low-income neighbourhoods and social groups in Chinese large cities. Acta Geographica Sinica, 2010,65(12):1464-1475.] DOI: 10.1111/j.1468-2427.2010.00907.x.

DOI

[8]
周春山, 童新梅, 王珏晗, 等. 2000—2010年广州市人口老龄化空间分异及形成机制. 地理研究, 2018,37(1):103-118.

DOI

[ Zhou Chunshan, Tong Xinmei, Wang Yuhan, et al. Spatial differentiation and the formation mechanism of population aging in Guangzhou in 2000-2010. Geographical Research, 2018,37(1):103-118.] DOI: 10.11821/dlyj201801008.

DOI

[9]
Yang S, Wang M Y L, Wang C. Socio-spatial restructuring in Shanghai: Sorting out where you live by affordability and social status. Cities, 2015,47:23-34. DOI: 10.1016/j.cities.2014.12.008.

DOI

[10]
van Kempen R, şule Özüekren A. Ethnic segregation in cities: New forms and explanations in a dynamic world. Urban Studies, 1998,35(10):1631-1656. DOI: 10.1080/0042098984088.

DOI

[11]
Morello-Frosch R, Lopez R. The riskscape and the color line: Examining the role of segregation in environmental health disparities. Environmental research, 2006,102(2):181-196. DOI: 10.1016/j.envres.2006.05.007.

DOI PMID

[12]
Park Y M, Kwan M P. Individual exposure estimates may be erroneous when spatiotemporal variability of air pollution and human mobility are ignored. Health & Place, 2017,43:85-94. DOI: 10.1016/j.healthplace.2016.10.002.

DOI

[13]
柴彦威, 沈洁. 基于居民移动: 活动行为的城市空间研究. 人文地理, 2006,21(5):108-112.

[ Chai Yanwei, Shen Jie. Travel-activity based research frame of urban spatial structure. Human Geography, 2006,21(5):108-112.] DOI: 10.3969/j.issn.1003-2398.2006.05.024.

DOI

[14]
甄峰, 魏宗财, 杨山, 等. 信息技术对城市居民出行特征的影响: 以南京为例. 地理研究, 2009,28(5):1307-1317.

[ Zhen Feng, Wei Zongcai, Yang Shan, et al. The impact of information technology on the characteristics of urban resident travel: Case of Nanjing. Geographical Research, 2009,28(5):1307-1317.] DOI: 10.3321/j.issn:1000-0585.2009.05.017.

DOI

[15]
Uteng T P. Gender, ethnicity, and constrained mobility: Insights into the resultant social exclusion. Environment and Planning A, 2009,41(5):1055-1071. DOI: 10.1068/a40254.

DOI

[16]
安东尼·吉登斯. 社会的构成: 结构化理论纲要. 李康, 李猛译. 北京: 中国人民大学出版社, 2012: 109-110.

[ Giddens Anthony. The constitution of society: Outline of the theory of structuration. Li Kang, Li Meng. Beijing: China Renmin University Press, 2012: 107-110.]

[17]
Kwan M P. Beyond space (as we knew it): Toward temporally integrated geographies of segregation, health, and accessibility. Annals of the Association of American Geographers, 2013,103(5):1078-1086. DOI: 10.1080/00045608.2013.792177.

DOI

[18]
申悦, 柴彦威. 基于日常活动空间的社会空间分异研究进展. 地理科学进展, 2018,37(6):853-862.

DOI

[ Shen Yue, Chai Yanwei. Progress of research on sociospatial differentiation based on daily activity space of urban residents. Progress in Geography, 2018,37(6):853-862.] DOI: 10.18306/dlkxjz.2018.06.012.

DOI

[19]
Park Y M, Kwan M P. Multi-contextual segregation and environmental justice research: Toward fine-scale spatiotemporal approaches. International Journal of Environmental Research and Public Health, 2017,14(10):1205. DOI: 10.3390/ijerph14101205.

DOI

[20]
Silm S, Ahas R. Ethnic differences in activity spaces: A study of out-of-home nonemployment activities with mobile phone data. Annals of the Association of American Geographers, 2014,104(3):542-559. DOI: 10.1080/00045608.2014.892362.

DOI

[21]
Ellis M, Wright R, Parks V. Work together, live apart? Geographies of racial and ethnic segregation at home and at work. Annals of the Association of American Geographers, 2004,94(3):620-637. DOI: 10.1111/j.1467-8306.2004.00417.x.

DOI

[22]
Wang D, Li F. Daily activity space and exposure: A comparative study of Hong Kong's public and private housing residents' segregation in daily life. Cities, 2016,59:148-155. DOI: 10.1016/j.cities.2015.09.010.

DOI

[23]
塔娜, 柴彦威, 关美宝. 北京郊区居民日常生活方式的行为测度与空间-行为互动. 地理学报, 2015,70(8):1271-1280.

DOI

[ Ta Na, Chai Yanwei, Kwan Mei-Po. Suburbanization, daily lifestyle and space-behavior interaction in Beijing. Acta Geographica Sinica, 2015,70(8):1271-1280.] DOI: CNKI:SUN:DLXB.0.2015-08-008.

DOI

[24]
Wong D W S, Shaw S L. Measuring segregation: An activity space approach. Journal of Geographical Systems, 2011,13(2):127-145. DOI: 10.1007/s10109-010-0112-x.

DOI

[25]
Li F, Wang D. Measuring urban segregation based on individuals' daily activity patterns: A multidimensional approach. Environment and Planning A, 2017,49(2):467-486. DOI: 10.1177/0308518X16673213.

DOI

[26]
Farber S, Páez A, Morency C. Activity spaces and the measurement of clustering and exposure: A case study of linguistic groups in Montreal. Environment and Planning: Part A, 2012,44(2):315-332. DOI: 10.1068/a44203.

DOI

[27]
Browning C R, Calder C A, Krivo L J, et al. Socioeconomic segregation of activity spaces in urban neighborhoods: Does shared residence mean shared routines. The Russell Sage Foundation Journal of the Social Sciences, 2017,3(2):210-231. DOI: 10.7758/RSF.2017.3.2.09.

DOI

[28]
塔娜, 申悦. 基于共享度的上海郊区社区居民活动空间隔离及其影响因素. 地理学报, 2020,75(4):849-859.

DOI

[ Ta Na, Shen Yue. Activity space-based segregation among neighbors and its influencing factors: An analysis based on shared activity spaces in suburban Shanghai. Acta Geographica Sinica, 2020,75(4):849-859.] DOI: CNKI:SUN:DLXB.0.2020-04-014.

DOI

[29]
Park Y M, Kwan M P. Beyond residential segregation: A spatiotemporal approach to examining multi-contextual segregation. Computers Environment and Urban Systems, 2018,71:98-108. DOI: 10.1016/j.compenvurbsys.2018.05.001.

DOI

[30]
Farber S, O'Kelly M, Miller H J, et al. Measuring segregation using patterns of daily travel behavior: A social interaction based model of exposure. Journal of Transport Geography, 2015,49:26-38. DOI: 10.1016/j.jtrangeo.2015.10.009.

DOI

[31]
Silm S, Ahas R. The temporal variation of ethnic segregation in a city: Evidence from a mobile phone use dataset. Social Science Research, 2014,47:30-43. DOI: 10.1016/j.ssresearch.2014.03.011.

DOI

[32]
Kwan M P. The uncertain geographic context problem. Annals of the Association of American Geographers, 2012,102(5):958-968. DOI: 10.1080/00045608.2012.687349.

DOI

[33]
Kwan M P. The limits of the neighborhood effect: Contextual uncertainties in geographic, environmental health, and social science research. Annals of the American Association of Geographers, 2018,108(6):1482-1490. DOI: 10.1080/24694452.2018.1453777.

DOI

[34]
邹一南. 农民工市民化困境与新一轮户籍制度改革反思. 江淮论坛, 2020, (4):54-61.

[ Zou Yinan. The plight of citizenization of rural migrant workers and the introspection of the reform of household registration system. Jianghuai Tribune, 2020, (4):54-61.] DOI: 10.16064/j.cnki.cn34-1003/g0.2020.04.006.

DOI

[35]
樊明, 王权堂, 张晶, 等. 户籍制度改革的经济学分析及路径探索. 中国劳动关系学院学报, 2021,35(2):27-37.

[ Fan Ming, Wang Quantang, Zhang Jing, et al. An economic analysis and path exploration of household registration system reform. Journal of China University of Labor Relations, 2021,35(2):27-37.]

[36]
陆益龙. 户口还起作用吗: 户籍制度与社会分层和流动. 中国社会科学, 2008, (1): 149-162, 207-208.

[ Lu Yilong. Does hukou still matter? The household registration system and its impact on social stratification and mobility in China. Social Sciences in China, 2008, (1): 149-162, 207-208.] DOI: CNKI:SUN:SHEK.0.2008-02-009.

DOI

[37]
李伟. 农民工城市融入问题研究综述. 经济研究参考, 2014, (30):38-49.

[ Li Wei. Review of the research on the urban Integration of migrants. Review of Economic Research, 2014, (30):38-49.] DOI: 10.3969/j.issn.2095-3151.2014.30.029.

DOI

[38]
刘玉照, 乌尼日其其格, 陈伟. 社会转型与上海市居民的职业技能养成: 以上海都市社区调查(SUNS)为例. 工会理论研究(上海工会管理职业学院学报), 2020, (4):28-40.

[ Liu Yuzhao, Wuniriqiqige, Chen Wei. Social transformation and vocational skill acquisition of residents in Shanghai: Based on the analysis of Shanghai Urban Neighborhood Survey. Labour Union Studies, 2020, (4):28-40.] DOI: 10.19434/j.cnki.ghllyj.2020.04.003.

DOI

[39]
张瑜, 仝德, Ian M. 非户籍与户籍人口居住空间分异的多维度解析: 以深圳为例. 地理研究, 2018,37(12):2567-2575.

DOI

[ Zhang Yu, Tong De, Ian M. Multi-dimensional analysis of housing segregation: A case study of Shenzhen, China. Geographical Research, 2018,37(12):2567-2575.] DOI: 10.11821/dlyj201812016.

DOI

[40]
孙珊, 龚岳, 李贵才. 中国超大城市流动人口居住分异特征及影响因素研究. 城市发展研究, 2020,27(6):88-97.

[ Sun Shan, Gong Yue, Li Guicai. Residential segregation in Chinese megacities: Characteristics and impact factors. Urban Developmen Studies, 2020,27(6):88-97.]

[41]
刘爽, 王震, 陈晨. 上海市外来人口空间集聚的特征及其影响因素初探. 上海城市管理, 2020,29(5):24-35.

[ Liu Shuang, Wang Zhen, Chen Chen. The spatial pattern of migrants agglomeration in Shanghai and its driving forces. Shanghai Urban Management, 2020,29(5):24-35.]

[42]
上海市统计局. 上海统计年鉴 . 北京: 中国统计出版社, 2020.

[Shanghai Bureau of Statistics. Shanghai Statistical Yearbook. Beijing: China Statistics Press, 2020.]

[43]
干迪, 王德, 朱玮. 上海市近郊大型社区居民的通勤特征: 以宝山区顾村为例. 地理研究, 2015,34(8):1481-1491.

DOI

[ Gan Di, Wang De, Zhu Wei. Research on the residents' commuting feature of large-scale residential district in suburban Shanghai: A case study of Gucun, Baoshan District. Geographical Research, 2015,34(8):1481-1491.] DOI: CNKI:SUN:DLYJ.0.2015-08-008.

DOI

[44]
孙铁山, 刘霄泉. 中国超大城市常住外来和常住户籍人口居住-就业的空间错位: 基于北京、上海和广州的实证. 人口与经济, 2016, (5):23-34.

[ Sun Tieshan, Liu Xiaoquan. Jobs-Housing spatial mismatch of permanent immigrants and local registered residents in Chinese metropolises: An empirical study based on Beijing, Shanghai and Guangzhou. Population & Economics, 2016, (5):23-34.] DOI: 10.3969/j.issn.1000-4149.2016.05.003.

DOI

[45]
崔光灿. 外来人口居住空间结构与产业结构的互动: 以上海市为例. 城市问题, 2014, (11):33-38.

[ Cui Guangcan. Interaction between industrial structure and migrants' living spatial structure: Taking Shanghai city for example. Urban Problems, 2014, (11):33-38.] DOI: CNKI:SUN:CSWT.0.2014-11-007.

DOI

[46]
傅行行, 申悦. 面向社区生活圈构建的郊区居民社区依赖性研究: 以上海市为例. 地理科学进展, 2019,38(6):818-828.

DOI

[ Fu Xingxing, Shen Yue. Neighborhood attachment of suburban residents in the context of community life circle construction: A case study in Shanghai. Progress in Geography, 2019,38(6):818-828.] DOI: CNKI:SUN:DLKJ.0.2019-06-003.

DOI

[47]
Grannis R. Discussion: Segregation indices and their functional inputs. Sociological Methodology, 2002,32(1):69-84. DOI: 10.1111/1467-9531.00111.

DOI

[48]
White M J. The measurement of spatial segregation. American Journal of Sociology, 1983,88(5):1008-1018. DOI: 10.1086/227768.

DOI

[49]
申悦, 柴彦威, 郭文伯. 北京郊区居民一周时空间行为的日间差异. 地理研究, 2013,32(4):701-710.

[ Shen Yue, Chai Yanwei, Guo Wenbo. Day-to-day variability in activity-travel behavior based on GPS data: A case study in suburbs of Beijing. Geographical Research, 2013,32(4):701-710.] DOI: 10.11821/yj2013040013.

DOI

[50]
钟炜菁, 王德. 基于居民行为周期特征的城市空间研究. 地理科学进展, 2018,37(8):1106-1118.

DOI

[ Zhong Weijing, Wang De. Urban space study based on the temporal characteristics of residents' behavior. Progress in Geography, 2018,37(8):1106-1118.] DOI: 10.18306/dlkxjz.2018.08.010.

DOI

[51]
叶锦涛, 王建平. 特大城市老年人家庭结构、老龄化程度与养老需求研究: 以上海市为例. 老龄科学研究, 2020,8(7):41-56.

[ Ye Jintao, Wang Jianping. Family structure, degree of population aging and demand of senior care in megacities: Taking Shanghai as an example. Scientific Research on Aging, 2020,8(7):41-56.]

Options
Outlines

/

〈 〉