结合夜光遥感的成渝城市群城市经济发展特征变化分析

doi:10.6046/zrzyyg.2023159

结合夜光遥感的成渝城市群城市经济发展特征变化分析

牛振生^,¹^,²^,³, 杨鑫^,¹^,², 陈超³, 廖祥¹, 张小轩¹

1.成都理工大学地球科学学院,成都 610059

2.成都理工大学地球勘探与信息技术教育部重点实验室,成都 610059

3.河南工程学院土木工程学院,郑州 451191

Analysis of changes in the economic development characteristics of the Chengdu-Chongqing urban agglomeration using remote sensing data on nighttime light

NIU Zhensheng^,¹^,²^,³, YANG Xin^,¹^,², CHEN Chao³, LIAO Xiang¹, ZHANG Xiaoxuan¹

1. College of Earth Sciences, Chengdu University of Technology, Chengdu 610059, China

2. Key Lab of Earth Exploration and Information Techniques of Ministry of Education, Chengdu University of Technology, Chengdu 610059, China

3. School of Civil Engineering, Henan University of Engineering, Zhengzhou 451191, China

通讯作者: 杨鑫(1984-),男,博士,副教授,研究方向为“3S”技术在地学中的应用。Email:yangxin2012@cdut.edu.cn。

责任编辑: 陈庆

收稿日期: 2023-06-2 修回日期: 2023-10-16

基金资助:

国家自然科学基金项目“风沙区超大工作面岩土体协同形变特征与机理研究”(42007424)

Received: 2023-06-2 Revised: 2023-10-16

作者简介 About authors

牛振生(1998-),男,硕士研究生,研究方向为夜光遥感理论及应用。Email: 276140764@qq.com。

摘要

为解决传统经济数据缺乏空间信息、难以反映区域经济发展的空间差异性及动态变化特征等问题,利用夜间灯光数据结合土地利用数据、社会经济数据,构建成渝地区国内生产总值(gross domestic product,GDP)空间化模型,使用趋势分析、修正引力模型等方法,在像元尺度和经济关联性上对成渝地区经济发展特征进行分析。结果表明: 基于多源数据所构建的GDP空间化模型精度较高,其误差均不超过1.1%; 成渝地区GDP密度快速增长的区域主要位于成都市和重庆市主城区周围,其占比约为73.9%,且经济集聚特征较明显的地区仍主要分布于该区域; 成渝地区城市间的经济关联强度不断加深,城市综合发展质量稳步提升,成都市与其周边城市的经济联系最为密切。综合来看,成渝地区区域内经济呈现出“双核驱动发展”的空间特征,经济关联强度逐渐增强。研究可为成渝城市群经济高质量发展提供数据支持和方法依据。

关键词： NPP/VIIRS夜间灯光数据; GDP空间化; 成渝城市群; 修正引力模型; 经济发展

Abstract

To resolve the limitations of traditional economic data such as the lack of spatial information and the difficulty in capturing the spatial disparities and dynamic patterns of regional economic development, this study integrated nighttime light data with land use and socio-economic data to develop a spatialized gross domestic product (GDP) model for the Chengdu-Chongqing region. Using trend analysis and a modified gravity model, this work analyzes the economic development characteristics of the region at the pixel level and in terms of inter-city economic relationships. The results indicate that the spatialized GDP model, constructed from multiple data sources, demonstrated high accuracy, with errors not exceeding 1.1%. The areas with the fastest GDP density growth in the Chengdu-Chongqing region are mainly concentrated around the core urban areas of Chengdu and Chongqing, accounting for approximately 73.9% of the total. These areas also show pronounced economic agglomeration characteristics. The inter-city economic relationships in the Chengdu-Chongqing region are continually strengthening, and the overall quality of urban development is steadily improving. Chengdu, in particular, has the closest economic ties with its neighboring cities. Overall, the Chengdu-Chongqing regional economy exhibits a spatial pattern of “dual-core driven development”, with the intensity of inter-city economic relationships continuing to strengthen. This study will provide valuable data support and methodological insights for promoting the high-quality economic development of the Chengdu-Chongqing urban agglomeration.

Keywords： NPP/VIIRS night light data; GDP spatialization; Chengdu-Chongqing urban agglomeration; modified gravity model; economic development

PDF (9221KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

牛振生, 杨鑫, 陈超, 廖祥, 张小轩. 结合夜光遥感的成渝城市群城市经济发展特征变化分析[J]. 自然资源遥感, 2024, 36(4): 272-281 doi:10.6046/zrzyyg.2023159

NIU Zhensheng, YANG Xin, CHEN Chao, LIAO Xiang, ZHANG Xiaoxuan. Analysis of changes in the economic development characteristics of the Chengdu-Chongqing urban agglomeration using remote sensing data on nighttime light[J]. Remote Sensing for Land & Resources, 2024, 36(4): 272-281 doi:10.6046/zrzyyg.2023159

0 引言

国内生产总值(gross domestic product,GDP)是衡量一个国家或地区区域发展状况和经济发展水平的重要指标之一^[1]。以往的GDP都是以行政单元统计的宏观数据,其缺乏空间信息且发布周期长,难以反映区域发展的空间差异及动态变化特征。因此,将社会经济数据空间化,在宏观和微观尺度上探究地区经济发展水平及空间联系变得极为重要^[2]。

夜间灯光与城市经济联系紧密,近年来,众多学者将夜间灯光数据与GDP相结合进行研究^{[3⇓⇓⇓-7]},做出了大量卓有成效的工作。早在1997年,Elvidge等^[8]利用美国国防气象卫星项目(defense meteorological satellite program,DMSP)的线性扫描系统(operational linescan system,OLS),以21个国家为研究对象,发现了夜间灯光强度与GDP存在高度的相关性。近年来,随着具有更高空间分辨率和更宽辐射范围等优点的新一代夜间灯光数据NPP/VIIRS (national polar-orbiting partnership’s visible infrared imaging radiometer suite)的发布,也使得GDP空间化的精度进一步提高。Li等^[9]对比了2种灯光数据与GDP之间的关系,发现NPP/VIIRS数据和GDP的相关性显著强于DMSP/OLS数据。

探索城市群经济高质量发展的空间联系,对于识别城市群内部城市间经济高质量发展的空间导向,促进城市群的高水平一体化发展具有重要意义。朱永明等^[10]运用熵值法并构建修正引力模型对中原城市群的经济高质量发展水平及其空间联系进行分析; 王莎等^[11]在综合利用城市职能强度模型、引力模型和城市流模型的基础上,描述了京津冀城市群内部的经济空间联系特征。目前相关研究对研究城市群经济间的空间联系已有一定成果,但多使用的是传统调查数据,结合夜间灯光探究其空间联系方面的研究甚少,且大多认为两城市间的经济关联是对等的,忽略了双方城市发展的差异性。

近年来,受西部大开发等一系列国家政策的加持,成渝城市群已成为我国西部地区发展水平较高、经济实力较强的地区之一^[12],其经济结构及一体化发展程度也备受关注。基于此,本研究以2014年、2017年、2020年为研究时间截面,使用夜间灯光数据,结合土地利用数据、社会经济数据构建GDP空间化模型,应用趋势分析,在像元层次分析成渝地区经济分布及发展状况; 改进城市综合发展质量测评方法,将夜间灯光指数引入城市综合质量中,再将其作为修正引力模型的质量变量,在宏观层次分析成渝地区城市间的经济网络结构特征,提升对城市发展系统的综合认识,为促进成渝双城经济圈建设及成渝地区高质量发展提供决策依据,也为成渝地区后续政策制定提供理论参考。

1 研究区概况及数据源

1.1 研究区概况

成渝城市群位于我国西南部地区,介于N27°40'~33°3',E101°55'~109°40'之间,以亚热带季风气候为主,是长江经济带与丝绸之路经济带的结合地带,也是西部人口密度最高、产业基础最为雄厚的地区。依据国家发改委颁布的《成渝城市群发展规划》,成渝城市群包括重庆市27个区(县)和四川省15个地市,总面积为18.5万km²。本研究将四川省15个地级市与重庆市所包含的所有区(县)作为研究区域(图1)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区2020年夜间灯光辐射值及地形分布

Fig.1 Night light radiation value and terrain distribution in the study area in 2020

1.2 数据源及其预处理

1.2.1 GDP统计数据

本文所使用的2014年、2017年、2020年的社会经济数据均来源于《四川省统计年鉴》和《重庆市统计年鉴》以及各市、县、区统计年鉴和统计公报等。将其按年份和地区进行统计。

1.2.2 NPP/VIIRS夜间灯光数据

NPP/VIIRS夜间灯光数据来源于美国国家海洋与大气管理局(https://www.ngdc.noaa.gov/eog)发布的2014年、2017年、2020年的年均影像,该影像由Suomi-NPP卫星的可见光红外成像仪VIIRS传感器获取,空间分辨率约为500 m。该卫星采用广角辐射探测仪,消除了DMSP/OLS影像灯光过饱和的现象,增强了探测的灵敏性,更易探测到乡村微弱灯光以及城市中心过亮灯光^[13]。由于其原始数据未经处理,因此需对数据进行异常值消除、连续性纠正等操作^[14-15]; 最后将NPP/VIIRS数据转换至Lambert投影坐标系,并重采样至500 m,依据成渝地区矢量数据裁剪至所需范围。

1.2.3 土地利用数据

本文使用的土地利用数据来源于Yang等^[16]使用Landsat影像基于随机森林方法构建的1985—2020年的年度土地覆盖产品,空间分辨率为30 m。将数据裁剪至研究区范围,转换投影后,按县(市/区)提取各土地利用类型面积。

1.2.4 人口数据

人口数据源自WorldPop官网(https://hub.worldpop.org/),空间分辨率为100 m,具有较高的空间分辨率和人口拟合精度。在ArcGIS软件中根据成渝地区行政区域进行提取。

2 研究方法

2.1 GDP空间化模型构建

近年来,随着夜间灯光数据的广泛应用,基于夜间灯光数据进行GDP空间化的方法已日渐成熟,夜间灯光数据结合其他数据^[17]进行GDP空间化也已成为研究的新方向。研究表明^[18],结合土地利用数据分产业进行社会经济空间化建模能够较好地提高其建模精度。因此,本文采用分产业建模方法开展成渝地区GDP空间化,以土地利用数据进行第一产业产值(GDP₁)空间化; 以夜间灯光数据为基础,通过选择最佳灯光指数,进行第二、三产业产值(GDP₂₃)的空间化。

2.1.1 第一产业产值空间化模型构建

已有研究表明,第一产业与夜间灯光数据的相关性不高^[19],不适宜用夜间灯光数据进行空间化,其主要依赖于农、林、牧、渔业,对应于土地利用类型中的耕地、林地、草地和水域。通过对成渝地区土地利用类型进行分析,可知该地区主要以耕地和林地为主,其二者之和占上述4种土地利用类型的98%以上,因此本文选取耕地和林地来对GDP₁进行建模。然而并非所有林地都能对第一产业产值做出贡献,本文依据李峰等^[20]的研究并结合实际情况,对坡向在90°~270°、坡度小于20°的林地利用地理信息系统叠加分析并提取,将其作为经济林地(下文统称林地)纳入研究。

以2020年为例,将耕地和林地面积与GDP₁进行多元线性回归分析,二者对应的回归系数a和b分别为0.006和0.05,R²为0.971 0。将耕地与林地面积之和与GDP₁进行相关性分析,发现其R²为0.980 7,表现出了较好的相关性,表明将耕地和林地面积之和与GDP₁进行建模也是可行的。同时,将2014年、2017年耕地和林地面积之和与GDP₁进行回归分析,其回归关系如图2所示,也表现出了较好的拟合关系。因此,对GDP₁产值进行建模的公式为:

(1)GDP₁_n=aS_c,

式中: GD ${P_{1}}_{n}$ 为第n年第一产业产值; S_c为耕地与林地面积之和; a为回归模型的系数。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 耕地与林地面积之和与GDP₁的回归分析拟合结果

Fig.2 Regression analysis fitting results between the sum of cultivated land and forest land area and GDP ₁

2.1.2 第二、三产业产值空间化模型构建

由于第二、三产业在城市灯光亮度方面差别不大,将第二、三产业整合作为一个变量进行相关性分析是可行的。

目前,常用以下3种灯光指数来反映某地区社会经济发展水平^[21]: 夜间灯光总强度(total nighttime light,TNL)、区域平均灯光强度(average light intensity,ALI)、综合灯光指数(compounded night light index,CNLI)。公式分别为:

(2)TNL=

\overset{D N_{m a x}}{\sum_{i = 0.3}}

(DN_in_i),

(3)ALI=TNL/(DN_maxN),

(4)S=A_N/A,

(5)CNLI=ALI·S,

式中: DN_i和n_i分别为行政单元内第i级灰度像元值和像元数; DN_max为行政单元内最大的像元值; N为区域内灯光值位于[0.3,DN_max]区间的像元总数; S为灯光面积比; A_N和A分别为行政单元内在[0.3,DN_max]区间的像元所占据的面积和行政单元面积。

分别计算成渝地区16个地市2014年、2017年、2020年间的夜间灯光指数TNL,ALI和CNLI,将其与GDP₂₃进行回归分析,进而选出最佳灯光指数,具体模型公式为:

(6)GDP₂₃_n=P₀+bQ_i,

式中: GD ${P_{23}}_{n}$ 为第n年的第二、三产业产值; P₀为常数; b为回归模型的系数; Q_i为上述3种灯光指数。

分别计算出各年间的夜间灯光指数,并将其与GDP₂₃进行相关性分析(表1)。结果显示,GDP₂₃与TNL的相关性最强,相关系数分别达到0.972,0.989和0.985,而与ALI的相关性最弱,只有0.018,0.152和0.189。

表1 3种灯光指数与GDP₂₃的拟合关系

Tab.1 Fitting relationship between 3 light indexes and GDP₂₃

年份	相关系数			拟合精度
年份	TNL	ALI	CNLI	TNL	ALI	CNLI
2014年	0.972	0.018	0.420	0.945	0.003	0.176
2017年	0.989	0.152	0.459	0.979	0.023	0.210
2020年	0.985	0.189	0.455	0.970	0.036	0.207

新窗口打开| 下载CSV

经上述验证,选取相关性最大的灯光指数TNL,建立其与GDP₂₃的回归模型,散点图如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 夜间灯光指数TNL与GDP₂₃的回归分析拟合结果

Fig.3 Fitting results of regression analysis between night light index TNL and GDP₂₃

2.1.3 GDP线性纠正

由于结合灯光数据和土地利用数据模拟计算得到的GDP误差较大,在保证各区县实际统计的GDP总量不变的条件下,进行逐像元纠正,其公式为:

(7)GDP_T=GDP_j(GDP_t/GDP_all),

式中: GDP_T为经逐像元纠正后的GDP模拟值; GDP_j为每个像元的初步模拟值; GDP_t为各县(区)GDP的实际统计值; GDP_all为各县(区)的GDP模拟值。

为了验证纠正后的GDP拟合结果与原统计结果之间的差异,采用相对误差(relative error,RE)和平均相对误差(mean relative error,MRE)来对经像元纠正后的GDP进行精度验证。公式分别为:

(8)RE=

(|\frac{G D P_{S} - G D P_{A}}{G D P_{A}}|)

×100%,

(9)MRE=

\frac{1}{m}

RE,

式中: GDP_S为GDP的模拟值; GDP_A为GDP的实际统计值; m为地市个数。

2.2 趋势分析

趋势分析能够测算某一变量随时间变化在像元级别的增减变化情况,能够有效地反映某一变量的变化趋势^[22]。公式为:

(10)θ_slope=

\frac{t \overset{t}{\sum_{i = 1}} (i G D P_{i}) - \overset{t}{\sum_{i = 1}} i \overset{t}{\sum_{i = 1}} G D P_{i}}{t \overset{t}{\sum_{i = 1}} i^{2} - {(\overset{t}{\sum_{i = 1}} i)}^{2}}

式中: θ_slope为该像元在相应时间段内GDP逐年变化的一元线性回归方程的变化斜率; t为检测时间年跨度; GDP_i为第i年的GDP值。

2.3 修正引力模型

引力模型以万有引力定律和距离衰减原理构建而成。借鉴相关研究^[23-24]对引力模型参数做出改进。受城市间彼此综合实力的影响,城市经济发展类型可能表现出溢出型和吸收型,会干扰彼此城市间的经济联系强度,构建以城市综合质量占2个城市综合质量总和的比值来对引力常数进行修正; 其次,在城市群内部联通日益紧密、基础设施不断完善的背景下,以时间距离来表达城市间的空间距离更加合理^[25],成渝地区高速公路网发达,利用百度API(application programming interface)对两两城市间最短高速公路距离进行检索,并以100 km/h作为通行速度; Elvidge等^[26]构建的夜间灯光发展指数(night light development index,NLDI)能够反映城市内部经济社会发展的均衡程度,NLDI的取值范围为[0,1],越接近0代表区域内夜光与人口的分配越均衡,越接近1代表分配越不均衡。利用各地市的GDP与NLDI的倒数作为城市综合发展质量的衡量标准,更能体现城市发展的均衡程度,提升对城市发展系统的综合认识。计算公式分别为:

(11)R_ij=k_ij

\frac{V^{r} M_{i} M_{j}}{D_{i j}^{r}}

(12)M_i=

\sqrt[]{G D P_{i} / N L D I_{i}}

(13)k_ij=

\frac{M_{i}}{M_{i} + M_{j}}

式中: R_ij为城市i和城市j间的经济关联水平; M_i和M_j为2个城市的综合发展质量; k_ij为修正引力系数; D_ij为城市i和城市j间最短高速公路距离; V为研究区高速公路通行速度; r为摩擦系数,根据顾朝林等^[27]对中国城市体系空间联系研究并结合本研究区概况,取r =2符合实际情况; GDP_i为城市i的模拟GDP; NLDI_i为城市i的夜间灯光发展指数,参考谢金龙等^[28]的方法进行计算。

3 结果与分析

3.1 成渝地区GDP空间化结果与误差分析

在模拟GDP₁和GDP₂₃时分别采用了30 m和500 m空间分辨率的影像。根据李月娇等^[29]的研究表明,省市级以100~1 000 m之间为最佳研究尺度。因此,为统一标准,本研究选用500 m格网尺度。为防止重采样导致的精度误差,提取土地利用数据中耕地及林地类型,将其空间位置映射至500 m格网内,并统计各格网内二者面积之和,利用式(1)计算出各格网的GDP₁,同时根据式(6)计算出每个格网的GDP₂₃,将二者叠加并经式(7)进行逐像元纠正后的GDP预测值重新分配至每个像元,得到2014年、2017年、2020年500 m空间分辨率的GDP密度图,并用ArcGIS软件将其分为7个等级。

图4反映的是成渝城市群像元级的GDP空间化密度,其提供了GDP的空间信息,能够更直观细致地反映区域发展的空间差异及动态变化特征。GDP空间密度值的大小和范围是衡量一个地区发展最直观的方法,面积越大,亮度越高,所在地经济发展形势越好。从图4中可以看出,成渝城市群2014—2020年经济发展状况稳步提升,GDP密度呈持续增长的趋势。早期该地区GDP密度值高的地方较少,只存在于少量城市的中心地带,总体经济发展水平低,经济中心分散,GDP密度值大于2亿元的区域占比仅为0.39%。随着时间的推移,成渝地区GDP密度逐渐增加,高值区以城市为中心向四周扩展,大于2亿元的区域占比提升至0.92%,经济中心由“双核独大”向“多点开花”转变。从城市群内部区域来看,一部分是以成都市为中心的西部带状结构经济发展带,该区域沿线GDP密度较高,且增长变化较为明显; 另一部分是以重庆市主城区为主的经济发展区,GDP密度也较高。GDP密度值较低的区域主要分布在研究区东北及西南部地区。总体而言,基于TNL指数得到的GDP密度具有较好的时效性和联系性,可用于分析GDP变化的关联机制和空间动态特征。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 成渝地区GDP密度空间分布

Fig.4 Spatial distribution of GDP density in Chengdu-Chongqing region

将经逐像元纠正后的成渝地区2014年、2017年、2020年各地市的GDP利用式(8)和(9)进行精度验证,其验证结果如图5所示。整体上看,基于模型构建所预测的GDP对于大多数城市来说精度都较高,其RE均小于3.5%,MRE均不超过1.1%。其中,在研究时段内RE最大值出现在2017年的重庆市,达到3.3%,此外乐山市、雅安市、眉山市、宜宾市也出现过2%以上误差,模拟效果较好的是绵阳市、内江市、成都市、泸州市,其误差都小于0.4%。尽管总体看来模拟精度较高,然而受数据质量有限、经济发展水平和产业结构等多种因素的影响,仍存在一些问题。例如,本文使用的数据均为500 m格网尺度,在进行栅格切割时,对于行政区面积较小且经济实力较强的区县(如重庆市渝中区、大渡口区),必然会造成一定误差。总体来说,虽然出现了部分城市RE较高的情况,但整体误差并不大,且3个年份的模拟值与实际值之间的拟合结果均达到了0.99以上(图6)。因此,基于该模型进行GDP空间化是可靠的。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 各市GDP预测值与GDP实际值的相对误差

Fig.5 Relative error between the predicted GDP and the actual GDP of each city

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 GDP预测值与GDP实际值拟合情况

Fig.6 Matching between predicted GDP value and actual GDP value

3.2 成渝地区GDP变化趋势分析

利用趋势分析法得到成渝地区2014—2020年GDP密度的变化趋势,并将其增长状况分为5类(图7),划分标准及各部分占比如表2所示。从图7中可以看出,成渝地区GDP增长趋势较为显著的区域大致分布在以成都市为中心的西部地区和以重庆市为中心的东部地区,显示出该地区经济增长态势以抱团发展、双核驱动模式为主。从增长范围来看,无增长的区域占整个研究区的88.9%; 出现经济增长的区域占比为11.3%,其中,缓慢增长的区域占比为7.3%,中速增长的区域占比为3.0%,较快增长的区域占比仅有0.6%,仅在成都市主城区、重庆市主城区以及绵阳市有少量分布,而快速增长的区域占比仅为0.2%,且分布主要以成都市和重庆市的主城区为主(主要分布在成都市的天府新区、青羊区、锦江区和重庆市的渝中区、江北区以及部分地市的核心区域),约占该类别的73.9%。除上述地区以外的区域由于远离成渝城市群城市发展核心区,城市群发展联动效应较弱,增长趋势较为缓慢。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 2014—2020年GDP分布演变趋势

Fig.7 Evolution trend of GDP distribution from 2014 to 2020

表2 Slope等级划分标准及各部分占比

Tab.2 Slope classification standard and proportion of each part

类型	划分标准	各部分占比/%
无增长	θ≤0	88.9
缓慢增长	0<θ≤0.1s^①	7.3
中速增长	0.1s<θ≤0.5s	3.0
较快增长	0.5s<θ≤1.5s	0.6
快速增长	θ>1.5s	0.2

①s为研究区的标准差。

新窗口打开| 下载CSV

3.3 成渝地区城市经济关联强度分析

图8为研究时段成渝地区各市的NLDI计算结果,整体来看,2014—2020年间超一半的城市NLDI处于下降趋势,表明多数城市的夜间灯光和人口分配水平差距不断弥合,城市内部发展日趋平衡。通过式(12)将NLDI引入城市综合发展质量计算公式中,计算得到2014年、2017年、2020年成渝地区各城市的城市综合发展质量M_i,结果如图9所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 成渝地区2014年、2017年、2020年各市NLDI结果

Fig.8 NLDI results for each city in the Chengdu-Chongqing region in 2014, 2017 and 2020

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 2014—2020年成渝城市群M及其占比

Fig.9 M and its proportion in the Chengdu-Chongqing urban agglomeration from 2014 to 2020

相较于传统的综合发展质量指数常以人口和GDP来表征,新构建的指数结合了夜间灯光指标,克服了当前城市质量指标选取主观性强、解释性差等弊端,能更清晰地反映出城市间发展的均衡程度。从图9来看,成渝地区各城市的综合发展质量均表现出稳步提升的态势。成都市和重庆市作为成渝城市群的领头羊,其二者的综合发展质量占比之和在3个时段间均超30%,其余各城市的占比稳定在3%~7%之间。位于成都市周边的德阳市、绵阳市、眉山市M增幅分别高达25.95%,34.45%和59.88%,体现了成渝城市群中以成都市为代表的成都圈层有着较高的影响力和吸引力。总体来看,地区城市综合发展质量总体呈现出以成都市和重庆市为龙头,“双核驱动发展”的空间特征。

计算得到成渝地区各城市间的经济关联强度如图10所示。传统引力模型认为2个城市间的关联情况是对等的,但在城市发展过程中,其二者的关联情况实际是有差别的。利用城市综合发展质量界定的修正引力系数,明确了当前研究常忽略的城市双向引力差异,相较于城市间单向的经济关联强度,双向的经济联系强度更能反映彼此间经济交流的活跃程度。例如在双向引力中,能明显看出成都市对各市的经济联系强度是大于各市对成都市的经济联系强度的,也体现出成都较好的经济活跃状态,而在单向引力模型中难以反映出此特点。总体来看,在双向引力模型中,成渝地区各城市间经济关联强度处于稳步提升状态,城市间关联强度关系变化不大。经济关联总强度值由2014年的261 968提升至2020年的433 795,空间关联网络逐渐复杂。分城市来看,成都市对眉山市的经济关联强度最高,关联强度从2014年的17 018增长至2020年的30 532,增长超79.4%,其次是德阳市与绵阳市,其关联强度分别从2014年的8 408和7 731增长至2020年的13 792和13 537,与成都市关联强度最弱的是达州市,2020年的关联强度只有232。重庆市与广安市的关联强度最高,其由2014年的5 975增长至2020年的10 468,其次是南充市、遂宁市,2020年空间关联强度也达到了5 340和5 099。除上述2个城市之外,成渝地区内部一些城市的关联强度也较高,例如自贡市和内江市、绵阳市和德阳市、乐山市和眉山市等城市的关联强度自2014年以来一直较高且处于稳步提升的状态。综合来看,成渝地区内部城市之间的经济关联程度不断加深,成都市对其附近城市的带动作用最为明显。然而受制于基础设施、地理环境等因素的影响,不同城市间的经济关联强度差异显著,部分城市间的关联强度仍处于较低状态。

图10-1

新窗口打开| 下载原图ZIP| 生成PPT

图10-1 成渝地区城市经济关联强度

Fig.10-1 Urban economic correlation intensity in Chengdu Chongqing region

图10-2

新窗口打开| 下载原图ZIP| 生成PPT

图10-2 成渝地区城市经济关联强度

Fig.10-2 Urban economic correlation intensity in Chengdu Chongqing region

4 结论与讨论

本文利用夜间灯光数据、土地利用数据和社会经济数据对成渝地区2014年、2017年、2020年GDP进行空间化,使用趋势分析,结合夜间灯光指数改进修正引力模型,在像元尺度和经济关联性上对成渝城市群经济发展特征进行分析。主要结论如下:

1)基于夜间灯光数据和土地利用数据构建的GDP空间化模型较为精确,其平均相对误差在1%左右。GDP₁的产值与土地利用数据具有很强的相关性,利用夜间灯光构建的TNL与GDP₂₃的产值的相关性最强,二者综合构建的GDP空间化模型精度较高,能够反映像元级别的GDP分布情况。

2)GDP空间化数据可以直观地反映成渝城市群的经济分布状况。成渝城市群2014—2020年经济发展状况稳步提升,区域经济得到不同程度的发展,GDP密度呈持续增长的趋势。利用趋势分析法得出成渝地区2014—2020年间GDP像元级的增长趋势,结果显示成渝地区出现经济增长的区域占比为11.3%,而其中快速增长的区域主要位于成都市和重庆市主城区周围,约占该类别的73.9%。

3)在目前已有的引力模型修正思路的基础上,将能表征城市内部经济社会发展均衡程度的夜间灯光指数引入城市综合发展质量中,并将其作为影响性系数对传统的引力模型进行修正,克服了当前城市质量指标选取主观性强、解释性差等弊端。使用经济联系强度表征区域经济交互测度研究,在一定程度上可为研究经济交流的活跃程度提供新思路,为区域经济空间结构的优化研究提供一定的参考。实例分析表明,成渝地区城市间的经济关联强度正不断加深,城市综合发展质量稳步提升,成渝城市群中心城市成都市作为“树根”城市之一,在城市经济网络中居于核心地位,其供需关系深刻影响着其附近的其他城市。

本研究是利用夜间灯光数据及土地利用数据对成渝城市群区域经济发展特征进行分析,但仍然存在一些问题有待于进一步研究: ①研究只选用了NPP/VIIRS数据,未来可将DMSP/OLS数据纳入研究范畴,构建更长时序的GDP空间化模型,更好地反映在较长一段时间内成渝地区发展的动态变化过程; ②研究只考虑夜间灯光以及土地利用与GDP的关系,然而影响GDP的因素众多,在将来的研究中可以引入更多因子,例如人口、POI等数据,进一步提高GDP空间化的精度; ③城市间的经济联系是一个复杂的过程,其受众多要素的影响,在探寻了区域经济联系的强度后,结合其他政策、产业、公共服务等因素来了解其背后的驱动因素,是未来突破的方面。区域经济协调发展是一个开放的过程,研究仅限于对成渝地区经济网络的刻画,因此,分析周边地市乃至省份间经济网络联系,对于明确成渝地区的发展潜力及发展方向也是下一步研究的重点。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[22]

Wang

J H

. GDP spatialization research of Sichuan Province based on nighttime light data[D]. Chengdu: Chengdu University of Technology, 2019.