发布时间：2021-05-19所属分类：农业论文浏览：1次
摘 要： 摘要：基于2010年北京市工商企业登记数据和第六次人口普查数据，从分行业视角对北京市城区职住空间结构及其类型区特征进行详细实证分析。研究表明：北京市就业空间结构和居住空间结构均有3个主成分因子构成，其中就业空间结构包括综合服务业、流通地产服务业
摘要：基于2010年北京市工商企业登记数据和第六次人口普查数据，从分行业视角对北京市城区职住空间结构及其类型区特征进行详细实证分析。研究表明：北京市就业空间结构和居住空间结构均有3个主成分因子构成，其中就业空间结构包括综合服务业、流通地产服务业与二产、高科技产业等主因子，居住空间结构则由一般服务业、流通生活服务业与二产、科技和教育产业等主因子构成，且不同城市就业与居住空间主因子的空间关联强度存在差异。采用GIS分组分析方法可将北京城市居住和就业空间划分为5种类型区，即流通生活服务业与二产居住集中区、流通生活服务业与二产职住综合区、一般服务业职住综合区、职弱住强型科教优势区和职强住弱型科教优势区。分析发现，北京城市居住和就业空间结构形成主要受到历史力、市场力、政府力和个体力等因素共同作用。
关键词：居住空间;就业空间;分组分析;北京
居住空间和就业空间是城市内部空间结构研究的两个核心要素。20世纪80年代以来，伴随城市土地有偿使用制度、住房市场化改革、退二进三的产业政策引导、以及经济全球化发展等诸多因素的相互交织，市场性力量对北京城市内部居住和就业空间结构的塑造作用越来越强。快速转型期，北京城市内部居住和就业空间结构正在经历剧烈、复杂的空间重构过程，传统均质化的单位大院职住空间模式逐渐被瓦解，城市内部职住空间的异质性显著增强[1,2]，且空间分离趋势不断加大[3~5]。因此，如何科学认识北京城市内部居住与就业空间结构特征成为亟待解决的关键性课题，这对明晰北京城市空间的职住功能和优化调整城市内部职住空间结构等具有重要现实意义。
类型区划分是对具有相似属性特征空间单元的分类概括，旨在寻找不同类型空间单元所面临的共性特征和问题，它是加强区域或城市内部空间治理的重要决策依据。由于研究单元的空间尺度不同，通常类型区分析的对象也存在较大差异。在国家和区域层面，已有研究重点关注生态区划、经济区划、城市职能类型和主体功能区等内容[6~9];在城市内部层面，主要关注城市社会区、产业地域空间模式和居住环境类型区等议题[10~12]。城市空间结构类型区或模式研究是地理与规划学科研究的经典课题。20世纪二三十年代，以伯吉斯、霍伊特和哈里斯等为代表的芝加哥城市社会学派，把北美城市空间结构归纳为同心圆模式、扇形模式和多核心模式等不同模式[13]，为城市空间结构类型研究奠定了理论基础。随着因子生态方法在国外城市社会空间结构领域的成熟运用，进一步推动了城市社会区研究的不断深入[14~16]，但是对传统因子生态分析方法的改进研究却鲜有报到。
居住空间结构主要反映城市社会空间特征。国内城市社会空间结构研究从1980年代末期开始迅速增加[17]，大量的实证研究结果表明，居民从业行业属性是影响中国城市社会空间结构的重要变量[18,19]。魏立华等[20]还重点关注了广州市不同行业从业人员的居住空间分异特征。就北京案例而言，顾朝林[21,22]和冯健[23,24]等学者均对北京城市社会空间结构进行过详细研究，并总结出城市社会区类型。就业空间结构则是城市经济空间的重要表征。有学者分别基于经济普查数据[25]和企业空间点要素数据[26]，从不同视角探讨了深圳市的就业空间结构类型区特征。也有学者分别对北京城市的产业功能格局整体特征与模式[27]以及生产性服务业的地域空间结构进行过总结和机理阐释[11]。近年来，还有学者利用大规模问卷调查数据,尝试从个体视角揭示不同社会属性居民的职住空间结构特征[28]。这些研究丰富了中国城市内部职住空间结构特征的科学认识，但大多数研究却把城市居住和就业空间相互割裂进行单独讨论，关于城市职住空间结构的综合研究还尤为缺乏，也因此阻碍了对城市居住和就业空间结构特征的全面认识。
本文基于2010年北京城市工商企业登记数据和第六次人口普查数据，借助因子生态方法思想，对北京城市居住和就业空间结构特征进行综合分析，并采用分组分析方法对传统的城市空间结构类型区识别方法进行改进，以期能够为北京城市职住空间结构优化调整提供科学支撑。
1研究方法与数据来源
1.1数据来源
本文研究区范围为北京市主城区和近郊重点乡镇、新城地区，包括中心城六区、通州新城、亦庄新城和黄村、回龙观和天通苑等远郊乡镇地区，共辖133个街道或乡镇。
城市就业空间结构主要探讨城市内部的产业空间结构特征。由于第二次全国经济普查数据时间为2008年，与2010年全国人口普查数据存在一定的时间差，且街道尺度的分行业经济普查数据难以获取，因此选取2010年北京市工商企业登记数据作为就业数据来源，以保证职住空间结构分析的研究年份相互吻合，增加研究结论的可信度。研究区共有487713个企业点位信息，鉴于农业、采矿业、电力、热力的生产和供应业和国际组织等4个行业类型的各街道平均企业数量较少(<10个)，故将其剔除，最终剩下16个行业大类的487157个有效企业数据，并在ArcGIS10.1中进一步计算出各街道的不同行业类型的企业数量。城市居住空间结构主要反映城市内部不同行业从业人员的社会空间结构特征。数据来源于2010年北京市人口普查年鉴的长表数据。同就业数据处理类似，过滤从业人口数量较少的农业、采矿业、电力、热力的生产和供应业和国际组织等4个行业类型，得到每个街道16个行业类型的从业人口特征。最终分别获得133×16的北京城市居住与就业行业类型数据矩阵作为本研究的数据基础。
1.2研究方法
1)因子分析。因子分析方法是提取城市内部空间结构因子的有效方法，已被广泛应用于城市社会空间结构和产业空间结构研究。因子分析方法的核心则是利用降维技术把城市空间结构的多变量提取成少数主要因子的过程，可以将城市地域空间的相对复杂社会经济现象进行概扩总结，最终得到一种相对简化明晰的地域空间结构模式[11]。
2)空间自相关分析。本研究还采用全局空间自相关方法计算北京城市居住和就业空间结构主因子的空间关联效应，用以检验各主因子的空间单元属性与邻近空间单元属性值的相关性[29]。全局空间自相关的最常用测度指标为Moran’sI值，可通过Z得分来检验原假设成立与否，其取值范围在[-1,1]之间。当I>0，表示研究对象为空间集聚模式，即空间单元属性值与邻近空间单元属性呈现相同的变化趋势;I<0,表示研究对象为空间分散模式，即空间单元属性值与邻近空间单位属性呈现不同的变化趋势;I=0，表示研究对象为空间随机模式，表示间单元属性值与邻近空间单位属性不具有相关性。
1.3北京市居住和就业分布基本特征描述
对北京城市内部街道各行业企业与从业人口数量基本特征的描述统计分析可得(表1)：从就业空间分布来看，街道平均企业数量分布较多的行业分别为批发和零售业、科学研究、技术服务和地质勘查业、租赁和商务服务业等行业类型，其中信息传输、计算机服务和软件业、科学研究、技术服务和地质勘查业、金融业等行业类型的地理集中度相对较高。
从居住空间分布来看，街道平均从业人口数量较多的行业分别为批发和零售业、制造业、信息传输、计算机服务和软件业等行业类型，其中信息传输、计算机服务和软件业、建筑业、批发和零售业等行业类型的地理集中度相对较高。
需要注意的是，北京市各街道平均企业数与平均从业人口数按大小排序存在不一致，主要与不同行业类型企业的规模大小和可吸纳就业人数等因素差异有关。另外，就业企业和从业人口分布的地理集中度差异结果表明，同一行业从业人员的就业空间和居住空间的空间集聚程度不同，这也是导致北京城市内部职住空间功能错位的重要因素。
2北京城市居住和就业空间结构分析
2.1北京城市就业空间结构分析
在进行因子分析前，首先对原始数据进行KMO和Bartlett的检验。结果显示，KMO和Bartlett球形检验的卡方值分别为0.889、3304.195，对应显著性为0.000，表明原始变量存在显著的相关性，适合采用进行因子分析。采取特征根>1作为遴选标准，因子分析结果共得到3个主成分因子，累计贡献率达到84.872%，能较好的解释原始变量的大部分信息。表2为方差最大化旋转后的因子载荷系数矩阵。对3个主成分因子特征详细分析可得(表2，图1)。
1)“综合服务业”因子
就业第1主成分因子为“综合服务业”因子，其特征根与贡献率分别为10.518、65.736%。该主因子主要与批发和零售业，住宿和餐饮业，金融业，房地产业，租赁和商务服务业、居民服务和其他服务业，教育，卫生、社会保障和社会福利业，文化、体育和娱乐业，公共管理和社会组织等行业企业空间分布存在较高的正相关。就业F1主成分因子得分越高，表明该街道的综合服务业的企业分布数量越多。空间自相关分析结果显示，该主成分因子的Moran’sI值为0.469，表明综合服务业因子分布也具有相对较强的空间趋同性。
综合服务业得分分布具有明显的城市中心趋向，高值区主要集中在城市四环道路以内的中心区域和外围少数区域性服务中心街道，并呈现出“东部北部多、西部少”的斜楔状空间格局。其中，得分较高街道均位于城市三环道路以内，包括建国门外、东华门、金融街、展览路等街道。另外，万寿路、月坛、新街口、望京和通州城区等街道得分也相对较高。
2)“流通地产服务业与二产”因子
就业F2主成分因子为“流通地产服务业与二产”因子，其特征跟与贡献率分别为1.837、11.484%。该主因子主要与制造业、建筑业、交通运输、仓储和邮政业、批发和零售业、房地产业、水利、环境和公共设施管理业等行业企业空间分布具有高度的相关性。就业F2主成分因子得分越高，说明该街道的流通地产服务业与二产等行业企业分布数量越多。空间关联效应分析表明，该主成分因子的Moran’sI值最低为0.317，表明该类型企业分布的空间集聚程度相对较低，不及服务业空间分布趋同特征明显。
流通地产服务业与二产因子得分则呈现出明显“中心低边缘高”的空间特征，反映出其郊区化分布特征比较明显。高值区主要位于南城的三环以外地区，并在通州城区形成高得分的孤岛，代表性街道为东铁匠营、卢沟桥、花乡和黄村等街道。流通地产服务业与二产等行业企业分布逐渐向城市外围转移，主要受到城市地价、退二进三产业政策和环境规制等因素影响。
3)“高科技产业”因子
就业F3主成分因子为“高科技产业”因子，其特征根和贡献率分别为1.224、7.651%，该主因子主要表征信息传输、计算机服务和软件业、科学研究、技术服务和地质勘查业2个变量。就业F3主成分因子得分越高，则代表信息传输、计算机服务和软件业、科学研究、技术服务和地质勘查业等行业企业空间分布数量越多，该街道的科技与信息服务功能越突出。从空间关联强度来看，该主成分因子的Moran’sI值最高为0.500，表明高科技产业类型企业的空间集聚强度最强，与邻近街道分布数量具有较强的相似性，可能与高科技产业对集聚经济追求动力更加强烈有关。
相关期刊推荐：《地理科学进展》主要刊登地理学及其分支学科的最新研究成果，反映国内外地理学最新研究动态。发表论文的领域为资源与环境、全球变化、可持续发展、区域研究及地理信息系统等方面的成果与新技术。主要栏目有论文、综述、专家论坛、研究方法、学术动态、成果报道、重大课题进展、院系介绍及书评、书讯等。读者对象为地理科学研究人员，高等院校地理系和相关学科师生，规划、经济、农、林、水利、环保、地质、气象等部门或机构的管理人员。
高科技产业得分呈现出明显的城市西北一隅集聚态势，主要与城市西北部的海淀区以科教功能定位有关，同时境内拥有中关村和上地等高科技产业园区。其中，得分最高的街道主要包括中关村、海淀、北下关和上地等街道，同时紫竹院、甘家口、八里庄、学院路、花园路和北太平庄等街道得分也相对较高。
2.2北京城市居住空间结构分析
同就业空间结构分析处理类似，再次运用因子分析方法对16个行业类型的居住空间结构分析得到：北京市居住空间结构共包括3个主成分因子，累计贡献率达到82.12%，表3为因子旋转后的载荷矩阵。对北京市居住空间结构主因子详细分析可得图2。
1)“一般服务业”因子
居住F1主成分因子为“一般服务业”因子，其特征根与贡献率分别为9.954、62.213%。该主成分因子主要与金融业、房地产业、租赁和商务服务业、卫生、社会保障和社会福利业、文化、体育和娱乐业、公共管理和社会组织等行业从业人口空间分布有关。如果街道的居住F1主成分因子得分越高，表明其所具有的一般服务业从业人员数量越多。从空间关联效应来看，该主成分因子呈现出较强的空间正相关，Moran’sI值为0.392，但与就业F1主成分因子相比，其空间关联效益却要略弱一些。
一般服务业因子得分高值区呈现出“C”型空间结构，在城市西部、北部和南部均有高值区分布，而东部地区分布数量却相对较少。对比可以看出，与就业空间结构中的“综合服务业”企业分布相比，居住空间结构中的“一般服务业”从业人员分布明显要更为分散。其中，得分较高街道主要集中在西二环至西四环附近和城市北部个别街道，包括月坛、万寿路、广安门外、卢沟桥和东小口等街道。
2)“流通生活服务业与二产”因子
居住F2主成分因子为“流通生活服务业与二产”因子，其特征根与贡献率分别为2.157、13.478%。该主因子与就业F2主成分因子构成比较相似，主要与制造业、建筑业、交通运输、仓储和邮政业、批发和零售业、房地产业、水利、环境和公共设施管理业等行业从业人口分布有关，同时还与居民服务和其他服务业的从业人口分布保持较强的一致性。如果街道的居住F2主成分因子得分越高，表明其流通生活服务业与二产等行业的从业人口数量越多。在空间关联效应方面，该主成分因子的Moran’sI值最低，仅为0.306，表明流通生活服务业与二产的从业人员居住空间集聚程度明显要弱。
流通生活服务业与二产从业人员得分同样呈现出“中心低边缘高”的空间特征，高值区街道主要集中在四环道路外围的街区，并在南城的三环与四环之间区域也广有分布。其中，得分较高的街道主要包括花乡、黄村、十八里店、平房、西北旺等街道。
3)“科技和教育产业”因子
居住F3主成分因子为“科技和教育产业”因子，其特征根和贡献率分别为1.029、6.429%。该主因子主要反映信息传输、计算机服务和软件业、科学研究、技术服务和地质勘查业和教育等行业从业人口分布特征。如果街道的居住F3主因子得分越高，则表明其科教和教育从业人口的分布数量越多。空间自相关分析表明，该主因子的空间关联效益最强，Moran’sI值最大为0.575，说明科技和教育产业领域的从业人员在居住空间上具有最强的空间趋同性。
科技和教育产业从业人员主要在二环道路以外的城市北部区域明显聚集，其中得分最高街道主要集中在学院路、回龙观和东小口等3个街道。另外，西三旗、奥运村、清华园、紫竹院等街道的主成分因子得分同样较高，意味着这些街道的科技和教育产业的从业人员分布数量也相对较多。——论文作者：湛东升1,2,3，张文忠1,2，孟斌4，党云晓5，刘倩倩1,2,3
SCISSCIAHCI
