李凱克，鈕心毅

（1. 同濟(jì)大學(xué)建筑與城市規(guī)劃學(xué)院，上海200092；2. 上海市城市更新及其空間優(yōu)化技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海200092）

巨型城市區(qū)域（mega city-region）一詞源于西方學(xué)術(shù)界，用來描述由功能緊密聯(lián)系的城市組成城市密集地區(qū)空間形態(tài)。Hall等認(rèn)為巨型城市區(qū)域是由多個(gè)核心及周邊地區(qū)組成的區(qū)域，由連續(xù)的功能性聯(lián)系形成［1］。巨型城市區(qū)域的功能性聯(lián)系主要圍繞經(jīng)濟(jì)關(guān)系或依賴于經(jīng)濟(jì)關(guān)系的其他標(biāo)準(zhǔn)指標(biāo)（例如通勤）來定義［2］，是一定范圍內(nèi)的就業(yè)密集區(qū)，通勤是巨型城市區(qū)域內(nèi)最主要的功能聯(lián)系［3］。

多中心是巨型城市區(qū)域的特征之一，而巨型城市區(qū)域又是由功能相聯(lián)系的城鎮(zhèn)組成，所以功能多中心是巨型城市區(qū)域發(fā)展的關(guān)鍵目標(biāo)［1］。近年來，區(qū)域的多中心特征越來越多地得到關(guān)注。從美國大都市區(qū)的多中心現(xiàn)象［4-6］到歐洲城市區(qū)域的多中心特征［7-9］，都成為區(qū)域研究的熱點(diǎn)。對(duì)于多中心的空間結(jié)構(gòu)績效研究也表明，多中心能帶來更高的經(jīng)濟(jì)績效，是一種高效的集聚模式［10-11］。隨著城市的不斷擴(kuò)大和就業(yè)的分散化，新城市經(jīng)濟(jì)學(xué)的多中心模型認(rèn)為人口的分布通常受就業(yè)分布的影響［12］。城市區(qū)域內(nèi)就業(yè)中心的分散化也是城市區(qū)域功能多中心的體現(xiàn)。

而在多中心城市、就業(yè)次中心等的研究中，歐美學(xué)者更加關(guān)注大城市地區(qū)的多中心和次中心的定義、標(biāo)準(zhǔn)、形成機(jī)制、屬性類別等研究［13］。已經(jīng)有很多學(xué)者定義了就業(yè)中心，McMillen 等認(rèn)為就業(yè)中心是擁有比周邊地區(qū)就業(yè)密度高得多的區(qū)域，而且這個(gè)區(qū)域大到可以對(duì)城市空間結(jié)構(gòu)有影響［14］。McMillen 認(rèn)為就業(yè)中心是集聚足夠多的就業(yè)人員，以至于可以對(duì)整個(gè)空間結(jié)構(gòu)產(chǎn)生顯著影響［15］。不同的定義也衍生出了不同識(shí)別就業(yè)中心的方法?，F(xiàn)有城市就業(yè)中心的識(shí)別一般采用就業(yè)崗位的數(shù)量為基礎(chǔ)，主要分為兩類，第一類主要以密度閾值和密度空間聚類為主，如Giuliano 等定義就業(yè)中心為就業(yè)密度大于每英畝10 個(gè)就業(yè)崗位數(shù)且總就業(yè)崗位數(shù)大于1 萬個(gè)的地區(qū)［16］，Sun 等利用DBSCAN（densitybased spatial clustering of applications with noise）、GN（Givern-Newman）等聚類方法識(shí)別就業(yè)者聚集區(qū)域?yàn)榫蜆I(yè)中心［17］，此后較多研究采用此類方法識(shí)別就業(yè)中心，該方法難以發(fā)現(xiàn)郊區(qū)地區(qū)就業(yè)密度較低區(qū)域的中心，同時(shí)也要求研究人員對(duì)當(dāng)?shù)厍闆r有一定了解以確定就業(yè)中心以及就業(yè)密度閾值。第二類為非參數(shù)方法，McMillen利用交通調(diào)查數(shù)據(jù)，提出局部加權(quán)回歸和半?yún)?shù)回歸相結(jié)合的非參數(shù)識(shí)別就業(yè)中心方法［18］。該方法是在就業(yè)密度的基礎(chǔ)上利用回歸分析得到密度高值區(qū)，但相比第一類方法，該方法能很好地識(shí)別就業(yè)密度較低區(qū)域的就業(yè)中心。

現(xiàn)有的就業(yè)中心識(shí)別研究中，不管是基于密度空間聚類的研究［19］，還是基于非參數(shù)方法的研究［20-22］，均使用了靜態(tài)的就業(yè)崗位數(shù)量或密度作為參數(shù)參與到就業(yè)中心識(shí)別過程。但是單純以就業(yè)崗位數(shù)據(jù)為基礎(chǔ)識(shí)別多中心忽視了多中心結(jié)構(gòu)產(chǎn)生的基本要素，即多中心是依靠中心和腹地之間的流動(dòng)體現(xiàn)出來的［23］。Bourne認(rèn)為區(qū)域的就業(yè)次中心是吸引大批在中心城市以外工作的通勤者的區(qū)域［24］。因此，巨型城市區(qū)域范圍內(nèi)的就業(yè)中心需要以通勤聯(lián)系基礎(chǔ)進(jìn)行定義，由通勤聯(lián)系得到的就業(yè)多中心更能代表巨型城市區(qū)域的功能多中心結(jié)構(gòu)，在現(xiàn)有研究中，僅有少量研究以功能聯(lián)系出發(fā)識(shí)別城市或者區(qū)域的功能中心［25］。功能性聯(lián)系形成的巨型城市區(qū)域，其中就業(yè)中心需要優(yōu)先考慮使用通勤聯(lián)系進(jìn)行定義。所以測(cè)度巨型城市區(qū)域多中心結(jié)構(gòu)可以通過測(cè)度其功能多中心程度，而代表功能多中心的就業(yè)多中心程度測(cè)度需要合適的基礎(chǔ)數(shù)據(jù)和方法。以通勤聯(lián)系定義就業(yè)中心需要通勤聯(lián)系視角下的就業(yè)數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，包含了核心和周邊地區(qū)的巨型城市區(qū)域內(nèi)就業(yè)密度梯度變化較大，僅依靠密度閾值或空間聚類分析在城市內(nèi)部就業(yè)密度較高的地區(qū)比較合適［25］，但難以發(fā)現(xiàn)城市周邊地區(qū)就業(yè)密度較低區(qū)域的就業(yè)中心，而非參數(shù)分析方法適合此類區(qū)域的就業(yè)中心識(shí)別，所以依據(jù)通勤聯(lián)系得到的就業(yè)數(shù)據(jù)，以非參數(shù)分析方法識(shí)別的就業(yè)中心研究是適合巨型城市區(qū)域的就業(yè)多中心結(jié)構(gòu)研究的。

在中國幾十年快速城市化過程中，國內(nèi)外越來越多學(xué)者關(guān)注中國城市密集地區(qū)空間形態(tài)，如京津冀地區(qū)［26-27］、長三角地區(qū)［28-30］、珠三角地區(qū)［31-32］等。同時(shí)也發(fā)現(xiàn)國內(nèi)已經(jīng)有較多城市雖分屬不同行政區(qū)劃，但是空間上連綿發(fā)展的現(xiàn)象，比如上海及周邊地區(qū)［33］，廣州、佛山地區(qū)［34］等。在上海及周邊地區(qū)，基于 DMSP /OLS （defense meteorological satellite program / operational line-scan system）夜間燈光數(shù)據(jù)研究，表明上?！K州一線的建設(shè)用地已經(jīng)呈成片擴(kuò)展的狀態(tài)［35］。使用Landsat 及SPOT（satellite pour l’observation de la terre）遙感數(shù)據(jù)的間隙度指數(shù)，發(fā)現(xiàn)1995—2000 年間上海與蘇州的昆山、太倉已經(jīng)形成了城鎮(zhèn)用地的相互融合，2000—2007 年間長三角的城鎮(zhèn)用地已經(jīng)形成了“Z”形的連片融合［36］。同時(shí)，通過手機(jī)數(shù)據(jù)研究上海、蘇州之間的跨城通勤現(xiàn)象，發(fā)現(xiàn)上海的職住空間關(guān)系已經(jīng)擴(kuò)散到了周邊城市，上海、蘇州之間已經(jīng)存在了緊密的跨城通勤聯(lián)系［37］。這些研究表明，上海和周邊城市已經(jīng)形成了建設(shè)用地接近連綿發(fā)展的狀態(tài)，已經(jīng)是城市密集地區(qū)的空間形態(tài)；同時(shí)上海與蘇州之間也同時(shí)存在較為緊密的功能性聯(lián)系。上?！K州已經(jīng)具備了形成功能性聯(lián)系緊密的巨型城市區(qū)域的條件。

本文將研究上海與蘇州兩個(gè)城市組成范圍內(nèi)的就業(yè)通勤聯(lián)系，分析上?！K州形成的巨型城市區(qū)域內(nèi)的就業(yè)多中心空間結(jié)構(gòu)，從功能性聯(lián)系角度測(cè)度就業(yè)中心位置、范圍以及就業(yè)多中心體系的多中心程度，并以此判斷長三角區(qū)域的城市密集地區(qū)是否也符合西方學(xué)者提出的功能性聯(lián)系形成巨型城市區(qū)域的定義。

1 數(shù)據(jù)與方法

1.1 研究范圍和基礎(chǔ)數(shù)據(jù)

本研究以上海、蘇州兩市為主要研究范圍，具體范圍包括上海及蘇州兩市的市轄區(qū)，以及介于兩市轄區(qū)范圍之間的昆山和太倉市（如圖1），總面積約12 998. 2 km2（含水域）。在此范圍內(nèi)，生成1 km×1 km 覆蓋整個(gè)區(qū)域的方格網(wǎng)，作為后續(xù)數(shù)據(jù)匯總的基礎(chǔ)單元網(wǎng)格。

由于手機(jī)開機(jī)時(shí)，移動(dòng)通信網(wǎng)絡(luò)會(huì)持續(xù)記錄手機(jī)設(shè)備位置，所以移動(dòng)通信信令數(shù)據(jù)具有更好的連續(xù)性和分辨率。利用移動(dòng)通信信令數(shù)據(jù)可以較為準(zhǔn)確地識(shí)別用戶各個(gè)時(shí)間段的停留位置，從而能更有效地識(shí)別出個(gè)人活動(dòng)，也為用戶的通勤行為識(shí)別提供了可能。已有較多學(xué)者利用移動(dòng)通信信令數(shù)據(jù)做通勤相關(guān)研究［38-41］?，F(xiàn)有依據(jù)信令數(shù)據(jù)計(jì)算的用戶居住地、就業(yè)地能和傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)做到很高相關(guān)性［42］，是一種可靠且易獲取的大范圍調(diào)查數(shù)據(jù)。

圖1 研究范圍Fig. 1 Study area

本研究使用了中國聯(lián)通的移動(dòng)通信信令數(shù)據(jù)，包含時(shí)間從2017年11月1日到2017年11月30日一個(gè)月所有用戶連接基站信息，其中有22個(gè)工作日和8個(gè)休息日。依據(jù)現(xiàn)有研究算法［37，43］，利用手機(jī)信令數(shù)據(jù)中用戶規(guī)律的地點(diǎn)轉(zhuǎn)換以及特定的停留時(shí)間閾值，從信令數(shù)據(jù)中計(jì)算得到具有居住地和就業(yè)地的通勤用戶。將這部分通勤用戶的居住地和就業(yè)地位置連接到覆蓋研究范圍的千米網(wǎng)格中，得到基于網(wǎng)格的用戶通勤數(shù)據(jù)集。然后統(tǒng)計(jì)居住地和就業(yè)地位于不同網(wǎng)格的用戶數(shù)據(jù)，得到跨網(wǎng)格通勤數(shù)據(jù)。采用上述方法，在上海、蘇州組成研究范圍內(nèi)，總共識(shí)別到2 222 990 個(gè)跨千米網(wǎng)格的通勤用戶。（依據(jù)計(jì)算規(guī)則，在上海和蘇州兩市分別識(shí)別出具有居住地的用戶634. 0 萬人與354. 4 萬人，占2017 年末兩市常住人口的比例分別為26. 3% 和33. 2%。在這具有居住地的988.4萬用戶基礎(chǔ)上，識(shí)別出同時(shí)具有居住地和就業(yè)地的用戶233. 1 萬個(gè)，這其中識(shí)別出了222. 3萬個(gè)跨千米網(wǎng)格通勤用戶。此2 222 990是識(shí)別的用戶數(shù)，下文所涉及人數(shù)亦是用戶數(shù)，不是絕對(duì)人數(shù)。）最后，通過統(tǒng)計(jì)計(jì)算每個(gè)網(wǎng)格上流入通勤者的數(shù)量，得到流入通勤的就業(yè)密度分布。

對(duì)于那些通勤距離特別短的用戶，當(dāng)投影到千米網(wǎng)格的時(shí)候，他們的居住地網(wǎng)格和就業(yè)地網(wǎng)格是相同的，即這部分用戶的通勤發(fā)生在同一網(wǎng)格內(nèi)。本研究中把這部分用戶從網(wǎng)格通勤數(shù)據(jù)集中刪除，這有兩個(gè)原因：①1 km以內(nèi)的通勤都是就近通勤，本文研究區(qū)域尺度下巨型城市區(qū)域的空間結(jié)構(gòu)，1 km以內(nèi)的通勤對(duì)巨型城市區(qū)域的影響較小。②根據(jù)Zhang等的研究，雖然利用手機(jī)數(shù)據(jù)計(jì)算得到的通勤距離與占比分布和居民出行調(diào)查得到的通勤距離與占比分布有很好的相關(guān)性，但是會(huì)缺失通勤距離最短的0～1 km 部分通勤者［38］。這是由于手機(jī)數(shù)據(jù)本身缺陷造成的，由于手機(jī)連接基站的時(shí)候會(huì)在就近的若干個(gè)基站中隨機(jī)連接，所以當(dāng)居住地和就業(yè)地距離很近的時(shí)候，會(huì)被算法認(rèn)為是停留在同一個(gè)地方，所以0～1 km的短距離通勤在占比上會(huì)與居民出行調(diào)查有明顯差距。本研究將通勤數(shù)據(jù)投影到千米網(wǎng)格得到跨千米網(wǎng)格通勤數(shù)據(jù)，避免了由于數(shù)據(jù)缺陷帶來的短距離通勤缺失的問題，能更準(zhǔn)確地反映巨型城市區(qū)域內(nèi)居民通勤出行情況。

流入通勤的就業(yè)密度不僅表達(dá)了該網(wǎng)格就業(yè)活動(dòng)的密集程度，也表達(dá)了該網(wǎng)格吸引外部就業(yè)的能力，是在整個(gè)區(qū)域內(nèi)就業(yè)活動(dòng)的影響力程度的體現(xiàn)，也是通勤的功能性聯(lián)系在網(wǎng)格尺度上的代理。如圖2 所示，圖中黑色網(wǎng)格共含18 個(gè)由深灰色網(wǎng)格流入的通勤用戶，其網(wǎng)格流入通勤就業(yè)密度為18 人·km?2。本文接下來關(guān)于就業(yè)中心識(shí)別和功能多中心程度的測(cè)度均以此流入通勤的就業(yè)密度作為研究數(shù)據(jù)，通過跨網(wǎng)格流入通勤的就業(yè)密度識(shí)別的就業(yè)中心，相比于基于包含同網(wǎng)格就業(yè)的就業(yè)密度得到的就業(yè)中心，是更具有區(qū)域吸引力和影響力的就業(yè)中心。

通勤用戶按就業(yè)地匯總后得到網(wǎng)格流入通勤就業(yè)密度的分布（見圖3）。在研究范圍內(nèi)，最大值為20 872 人·km?2。流入通勤就業(yè)密度最高值分布在上海中心區(qū)內(nèi)靜安寺—人民廣場(chǎng)—陸家嘴一線。高值范圍在上海市域內(nèi)指狀擴(kuò)散，在蘇州市域范圍內(nèi)以虎丘—蘇州中心區(qū)—工業(yè)園區(qū)一線東西向分布，再往東接昆山境內(nèi)高值區(qū)域，一直向東延伸到上海嘉定區(qū)境內(nèi)，與嘉定區(qū)的高值范圍相銜接，高值范圍在上?！ド健K州一線已經(jīng)連綿分布。

圖2 網(wǎng)格流入通勤就業(yè)密度示意圖Fig. 2 Schematic diagram of grid employment density of inflow commuting

1.2 非參數(shù)分析方法

本研究采用以非參數(shù)分析為核心的方法。非參數(shù)方法擬合城市密度平面是對(duì)參數(shù)方法的改進(jìn)。參數(shù)方法需要預(yù)先設(shè)定密度函數(shù)形式，通常需要先假定城市的空間結(jié)構(gòu)，而多數(shù)密度函數(shù)假定城市是單一中心或?qū)ΨQ結(jié)構(gòu)，因此無法解釋在不同方向上的密度差異或解釋次中心的存在，參數(shù)方法應(yīng)用于現(xiàn)代大城市或者城市區(qū)域的研究有其局限性［21］。

最常用的非參數(shù)方法是局部加權(quán)回歸模型（locally weighted regression），該 模 型 最 初 由Cleveland 提出［44］。局部加權(quán)回歸模型最明顯的優(yōu)勢(shì)是能夠更有效地?cái)M合密度函數(shù)得到城市密度表面，并且改進(jìn)參數(shù)方法在多中心區(qū)域中的局限性［45］。該模型不僅能識(shí)別單中心區(qū)域的中心，更能準(zhǔn)確識(shí)別多中心區(qū)域郊區(qū)密度較低區(qū)域的中心。在局部加權(quán)回歸模型的基礎(chǔ)上，McMillen 提出了兩階段的中心識(shí)別方法。第一階段，依據(jù)密度值進(jìn)行局部加權(quán)回歸，得到密度函數(shù)中殘差值為正并且具有顯著統(tǒng)計(jì)意義的單元為候選中心。第二階段，進(jìn)一步檢查這些候選中心對(duì)城市空間結(jié)構(gòu)影響的顯著性和解釋力，并 最 終 確 定 為 城 市 或 者 區(qū) 域 中 心［18］。 在McMillen 提出的兩階段非參數(shù)方法基礎(chǔ)上，較多學(xué)者利用此方法探討了中心的識(shí)別，在諸多研究中，第一階段均使用局部加權(quán)回歸，利用殘差的統(tǒng)計(jì)顯著性避免了主觀閾值帶來的問題。在第二階段，不同學(xué)者嘗試了不同的方法，如半?yún)?shù)回歸［18］、迭代局部加權(quán)回歸［46］、鄰接矩陣統(tǒng)計(jì)［47-48］等，應(yīng)用較為靈活。

圖3 網(wǎng)格流入通勤的就業(yè)密度分布Fig. 3 Distribution of grid employment density of inflow commuting

本研究以移動(dòng)通訊信令數(shù)據(jù)計(jì)算得到的網(wǎng)格單元的流入通勤就業(yè)密度作為擬合的密度值。在研究范圍內(nèi)，非參數(shù)分析方法優(yōu)點(diǎn)在于能發(fā)現(xiàn)密度相對(duì)較低的地域中，流入通勤人數(shù)的相對(duì)高值的聚類區(qū)域。由于對(duì)于每一個(gè)網(wǎng)格，流入通勤就業(yè)密度表示了這個(gè)網(wǎng)格在整個(gè)區(qū)域與其余地域通勤聯(lián)系緊密程度，基于流入通勤就業(yè)的非參數(shù)分析是適合測(cè)算巨型城市區(qū)域的就業(yè)中心體系。

2 就業(yè)多中心體系的測(cè)算方法

參考McMillen［18］及Kane 等［48］提出的識(shí)別就業(yè)中心的非參數(shù)分析方法，密度數(shù)據(jù)使用移動(dòng)通信信令數(shù)據(jù)計(jì)算得到的基于千米網(wǎng)格的流入通勤就業(yè)密度。分為兩階段，第一階段是局部加權(quán)回歸得到預(yù)測(cè)的密度曲面，以每個(gè)網(wǎng)格為中心，確定1個(gè)鄰近區(qū)域，利用鄰近區(qū)域內(nèi)的網(wǎng)格流入通勤就業(yè)密度進(jìn)行局部加權(quán)回歸，擬合得到1 個(gè)平滑的密度平面。本研究中臨近區(qū)域的大小選擇不同于McMillen 選擇的鄰近中心網(wǎng)格的50%空間單元和Redfearn選擇的鄰近中心網(wǎng)格的1% 網(wǎng)格［46］，也不同于Kane 等選擇的120 個(gè)最鄰近網(wǎng)格，而是將鄰近區(qū)域定義為以中心網(wǎng)格為圓心、6 km為半徑的范圍內(nèi)，共112個(gè)網(wǎng)格作為鄰近區(qū)域（不含中心網(wǎng)格）。6 km是上海—蘇州研究范圍內(nèi)所有跨網(wǎng)格通勤用戶的通勤距離中位數(shù)值。擬合的密度平面平滑度由平滑系數(shù)決定，平滑系數(shù)選擇標(biāo)準(zhǔn)為修正的偏差A(yù)IC（akaike information criterion）標(biāo)準(zhǔn)AICC。在局部加權(quán)回歸過程中，在鄰近區(qū)域范圍內(nèi)，每個(gè)網(wǎng)格的權(quán)重隨著與中心網(wǎng)格的距離增大而減小，權(quán)重函數(shù)選用如下二次函數(shù)：

式中：wi表示網(wǎng)格i的權(quán)重；di表示網(wǎng)格i與鄰近范圍內(nèi)其他網(wǎng)格的距離；dmax表示鄰近范圍內(nèi)網(wǎng)格i與其他網(wǎng)格的最大距離。局部加權(quán)回歸對(duì)每個(gè)網(wǎng)格在其鄰近范圍內(nèi)進(jìn)行加權(quán)線性回歸，并通過逐點(diǎn)擬合的回歸得到平滑的回歸表面。經(jīng)過這一階段局部加權(quán)回歸分析，得到每個(gè)網(wǎng)格的預(yù)測(cè)就業(yè)密度和擬合后每個(gè)網(wǎng)格的殘差值，以殘差值為正且有顯著統(tǒng)計(jì)意義的網(wǎng)格作為第一階段的候選就業(yè)中心（見圖4）。

第二階段是識(shí)別形成就業(yè)中心的網(wǎng)格邊界。第二階段的算法不同于McMillen［18］采用的半?yún)?shù)回歸方法，參考Kane等［48］研究中非參數(shù)分析方法的第二階段，認(rèn)為就業(yè)中心是圍繞每個(gè)候選就業(yè)中心的連續(xù)區(qū)域，就業(yè)中心范圍內(nèi)的每個(gè)網(wǎng)格的就業(yè)密度均應(yīng)高于周邊區(qū)域。此階段中周邊區(qū)域的范圍大小仍然采用第一階段中的鄰近區(qū)域，即中心網(wǎng)格周邊的112個(gè)網(wǎng)格。在每個(gè)網(wǎng)格及其周邊的112個(gè)網(wǎng)格中，先計(jì)算這113 個(gè)網(wǎng)格的平均流入通勤就業(yè)密度，挑選出流入通勤就業(yè)密度高于平均流入通勤就業(yè)密度的網(wǎng)格，若該網(wǎng)格滿足如下條件1，且滿足條件2 及條件3 中的任一條件，則該網(wǎng)格是該中心網(wǎng)格所在就業(yè)中心的組成部分。

圖4 第一階段識(shí)別的候選就業(yè)中心網(wǎng)格Fig. 4 Grids of candidate employment centers identified in the first stage

條件1：高于平均就業(yè)密度。

條件2：與中心網(wǎng)格鄰邊相連。

條件3：與中心網(wǎng)格之間存在滿足條件1 和2 的n階相鄰。

經(jīng)過非參數(shù)分析方法兩階段的分析，可以得到區(qū)域內(nèi)組成就業(yè)中心的網(wǎng)格，依據(jù)鄰邊規(guī)則融合網(wǎng)格，即可得到各個(gè)就業(yè)中心的邊界范圍。上述方法得到就業(yè)中心體系，進(jìn)一步測(cè)度其功能多中心程度，由此量化得到上?！K州巨型城市區(qū)域的就業(yè)多中心空間結(jié)構(gòu)。

3 就業(yè)多中心空間結(jié)構(gòu)測(cè)度

3.1 就業(yè)中心識(shí)別

在網(wǎng)格流入通勤就業(yè)密度數(shù)據(jù)的基礎(chǔ)上，利用非參數(shù)分析方法的兩階段計(jì)算，得到在研究范圍組成就業(yè)中心的網(wǎng)格，將這些網(wǎng)格依據(jù)相鄰關(guān)系融合后，排除面積過小的就業(yè)中心，總共得到20 個(gè)就業(yè)中心。

從這些就業(yè)中心的統(tǒng)計(jì)數(shù)據(jù)可以看出（見表1），面積最大的是上海中心區(qū)，其次是蘇州中心區(qū)和蘇州工業(yè)園區(qū)，總就業(yè)人口排名前3 的也是這3 個(gè)中心。而就業(yè)密度最高的前7個(gè)就業(yè)中心均位于上海市域內(nèi)，密度最高的為上海中心區(qū)，達(dá)到3 030. 3人·km?2，其次為張江，就業(yè)密度在2 000人·km?2以上。蘇州市域內(nèi)就業(yè)密度最高的中心為蘇州中心區(qū)，其次是蘇州工業(yè)園區(qū)，就業(yè)密度均未超過1 000 人·km?2。

在這些就業(yè)中心中，完全位于上海境內(nèi)的就業(yè)中心14 個(gè)，完全位于蘇州境內(nèi)的5 個(gè)，1 個(gè)就業(yè)中心跨越了省界（見圖5），主要沿上海中心區(qū)—昆山—蘇州中心區(qū)一線分布。這些中心中，不僅有傳統(tǒng)認(rèn)知的就業(yè)中心，如上海中心區(qū)、蘇州中心區(qū)、張江、金橋、蘇州工業(yè)園區(qū)等；也有就業(yè)密度值在整個(gè)區(qū)域內(nèi)不顯著，但是顯著高于周邊范圍的就業(yè)中心，如安亭—花橋就業(yè)中心；從就業(yè)中心的識(shí)別結(jié)果可以看出，巨型城市區(qū)域內(nèi)的就業(yè)中心，與城市內(nèi)的就業(yè)中心有區(qū)別，不是所有的城市內(nèi)就業(yè)中心都具有區(qū)域影響力，比如吳江、太倉、奉賢等區(qū)縣的中心城區(qū)，同時(shí)，在城市層面不顯著的就業(yè)中心，在巨型城市區(qū)域?qū)用姘l(fā)揮了較大的吸引就業(yè)作用，如安亭—花橋就業(yè)中心。

表1 各就業(yè)中心就業(yè)密度表Tab. 1 Employment density of each employment center

3.2 功能多中心發(fā)育程度分析

使用Burger 等提出的內(nèi)外交互通勤指數(shù)（exchange commuting index）和水平交互通勤指數(shù)（criss-cross commuting index）測(cè)度以上得出的就業(yè)中心體系的功能多中心程度。內(nèi)外交互通勤指數(shù)與水平交互通勤指數(shù)分別反映了Burger等提出的4種多中心模式中的內(nèi)外交互多中心（polycentric exchange）和水平交互多中心（polycentric crisscross）［49］，如圖6所示。這兩個(gè)指標(biāo)是較好測(cè)度區(qū)域功能多中心結(jié)構(gòu)發(fā)育程度的方法［50-51］。

內(nèi)外交互通勤指數(shù)與水平交互通勤指數(shù)的計(jì)算公式如下：

式中：IEC為內(nèi)外交互通勤指數(shù)；ICC為水平交互通勤指數(shù)；CPC→ST為從中心到外圍地區(qū)的通勤量；CST→PC為外圍地區(qū)到中心的通勤量；CST→ST為外圍區(qū)域不同部分之間的通勤量。內(nèi)外交互通勤指數(shù)反映了中心與外圍地區(qū)通勤聯(lián)系的對(duì)稱性，越接近50%，對(duì)稱性越好；水平交互通勤指數(shù)是外圍地區(qū)不同部分之間的通勤聯(lián)系強(qiáng)度占外圍地區(qū)所有對(duì)外通勤聯(lián)系的比重，代表了外圍地區(qū)間水平聯(lián)系的程度，越接近100%，水平聯(lián)系比重越高。

圖5 就業(yè)中心識(shí)別結(jié)果Fig. 5 Result of employment center identification

圖6 多中心模式示意圖［49］Fig. 6 Schematic diagram of polycentric mode［49］

將識(shí)別的就業(yè)中心邊界和研究范圍內(nèi)的街道邊界疊合后形成的新的街道‐就業(yè)中心邊界，以各就業(yè)中心范圍作為中心地區(qū)范圍，剩余的街道范圍作為外圍地區(qū)范圍（見圖7），計(jì)算區(qū)域內(nèi)的內(nèi)外交互通勤指數(shù)和水平交互通勤指數(shù)。經(jīng)計(jì)算得內(nèi)外交互通勤指數(shù)值為28%，水平交互通勤指數(shù)值為43%。兩個(gè)指數(shù)結(jié)果顯示，上?！K州巨型城市區(qū)域已經(jīng)形成了一個(gè)功能緊密聯(lián)系的多中心空間結(jié)構(gòu)，就業(yè)中心體系雖然未達(dá)到完全多中心程度，但已經(jīng)達(dá)到一定程度上的功能多中心。

4 討論與結(jié)論

4.1 研究結(jié)論

（1）上?！K州巨型城市區(qū)域已經(jīng)形成了就業(yè)功能多中心結(jié)構(gòu)

在上海蘇州范圍內(nèi)存在20 個(gè)具有區(qū)域吸引力和影響力的就業(yè)中心，這些就業(yè)中心主要沿上海中心區(qū)—昆山—蘇州中心區(qū)一線分布，位于上海市域內(nèi)的就業(yè)中心14 個(gè)，蘇州市域內(nèi)5 個(gè)，1 個(gè)就業(yè)中心跨越市界。在上海、蘇州中心區(qū)之外，也出現(xiàn)了對(duì)整個(gè)區(qū)域具有重要吸引力的就業(yè)中心。同時(shí)，研究也發(fā)現(xiàn)了如安亭—花橋等不僅承接周邊通勤人口也承接上海、蘇州中心城區(qū)通勤人口的就業(yè)中心，是就業(yè)功能多中心定義的具體體現(xiàn)。這一范圍已經(jīng)形成一定程度的功能多中心結(jié)構(gòu)，上海、蘇州也已經(jīng)形成了功能上的巨型城市區(qū)域。這一研究也表明我國長三角區(qū)域的城市密集地區(qū)也符合西方學(xué)者提出的由緊密功能性聯(lián)系形成的巨型城市區(qū)域的定義。

圖7 街道?就業(yè)中心邊界示意圖Fig. 7 Boundary of sub-district and employment centers

（2）上?！K州巨型城市區(qū)域的就業(yè)多中心結(jié)構(gòu)特征

在識(shí)別出的具有區(qū)域影響力的就業(yè)中心中，面積和就業(yè)人數(shù)排名前3 的就業(yè)中心為上海中心區(qū)、蘇州中心區(qū)及蘇州工業(yè)園區(qū)。上海市域范圍內(nèi)就業(yè)中心的就業(yè)密度普遍高于蘇州市域范圍內(nèi)的就業(yè)中心，就業(yè)密度最高的就業(yè)中心為上海中心區(qū)。這些就業(yè)中心與其外圍地區(qū)之間的內(nèi)外交互通勤指數(shù)值為28%，水平交互通勤指數(shù)值為43%。依據(jù)Burger等利用這兩個(gè)指標(biāo)在英格蘭和威爾士的研究［49］，本文研究范圍處于功能單中心結(jié)構(gòu)向多中心結(jié)構(gòu)過渡階段。

（3）基于非參數(shù)分析的研究方法適用于在巨型城市區(qū)域尺度的就業(yè)多中心空間結(jié)構(gòu)測(cè)度

本研究提出的利用移動(dòng)通信信令數(shù)據(jù)得到的跨網(wǎng)格通勤用戶就業(yè)密度作為研究數(shù)據(jù)，以非參數(shù)分析方法作為識(shí)別就業(yè)中心的方法，能夠有效識(shí)別巨型城市區(qū)域內(nèi)的就業(yè)中心，且能準(zhǔn)確識(shí)別就業(yè)中心范圍，同時(shí)能識(shí)別就業(yè)密度較低區(qū)域的就業(yè)中心，為準(zhǔn)確測(cè)算區(qū)域的功能多中心程度提供了可能。利用千米網(wǎng)格計(jì)算得到的就業(yè)中心也避免了現(xiàn)有統(tǒng)計(jì)數(shù)據(jù)中以行政區(qū)為統(tǒng)計(jì)單元導(dǎo)致就業(yè)中心范圍無法準(zhǔn)確劃分的缺陷，本研究也識(shí)別出了安亭—花橋這一跨省界的就業(yè)中心邊界，打破了行政區(qū)劃帶來的研究限制。

4.2 討論和展望

現(xiàn)有西方學(xué)者對(duì)功能多中心結(jié)構(gòu)的形成機(jī)制和發(fā)展影響因素有過較多的研究，認(rèn)為巨型城市區(qū)域就業(yè)多中心結(jié)構(gòu)主要的影響因素包括城市規(guī)模［18］、交通基礎(chǔ)設(shè)施［14，47］、產(chǎn)業(yè)結(jié)構(gòu)特征和產(chǎn)業(yè)專業(yè)化程度［16］等。另一方面，對(duì)中國城市內(nèi)部的就業(yè)多中心影響因素和形成機(jī)制，一般認(rèn)為包括集聚經(jīng)濟(jì)、交通可達(dá)性和區(qū)域經(jīng)濟(jì)結(jié)構(gòu)的變動(dòng)等［52-53］。歸納起來，產(chǎn)業(yè)結(jié)構(gòu)、交通基礎(chǔ)設(shè)施、集聚經(jīng)濟(jì)等因素可能也會(huì)是上?！K州巨型城市區(qū)域就業(yè)多中心結(jié)構(gòu)的影響因素。由于社會(huì)經(jīng)濟(jì)背景差異、區(qū)域與城市尺度差異，這些因素對(duì)上海—蘇州巨型城市區(qū)域就業(yè)多中心作用機(jī)制、作用程度也應(yīng)該有所不同，這有待下一步研究。

本研究以千米網(wǎng)格為空間單元，表征跨網(wǎng)格就業(yè)通勤的流入通勤就業(yè)密度作為研究數(shù)據(jù)，有兩個(gè)作用。第一，排除了在區(qū)域?qū)用嬗绊憳O小的通勤距離1 km以下的短距離通勤，能更好地反映跨區(qū)域功能聯(lián)系對(duì)巨型城市區(qū)域空間結(jié)構(gòu)的影響。第二，改變了原有研究中以行政單元作為空間單元帶來的中心識(shí)別范圍不精確的問題，同時(shí)打破了行政區(qū)劃空間單元的限制，不僅將識(shí)別中心的精度提高到了千米尺度，能精確識(shí)別中心邊界，而且能準(zhǔn)確識(shí)別跨越行政區(qū)的中心，為認(rèn)識(shí)和理解巨型城市區(qū)域內(nèi)的多中心結(jié)構(gòu)提供了基礎(chǔ)。

跨網(wǎng)格流入通勤也存在一定的局限，在非參數(shù)分析方法識(shí)別就業(yè)中心的過程中，雖然排除了1 km以下的短距離通勤者，但給中距離、長距離及超長距離通勤者均賦予了相同的重要性。在巨型城市區(qū)域范圍內(nèi)，不同通勤距離的通勤者對(duì)于就業(yè)多中心空間結(jié)構(gòu)也會(huì)帶來影響。如何測(cè)度這一影響有待后續(xù)研究。

巨型城市區(qū)域和功能性城市區(qū)域的定義均是從功能聯(lián)系視角出發(fā)的，在這一尺度的研究和實(shí)踐需要更加關(guān)注區(qū)域內(nèi)的功能聯(lián)系。在長三角核心區(qū)域范圍內(nèi)，不僅需要關(guān)注建設(shè)用地等的形態(tài)聯(lián)系，更需要關(guān)注這一區(qū)域內(nèi)的內(nèi)部功能流動(dòng)。相關(guān)的都市圈一體化規(guī)劃、上海和蘇州的國土空間規(guī)劃不僅要重視土地使用、基礎(chǔ)設(shè)施等對(duì)接議題，更要重視就業(yè)通勤等功能的一體化。