EN中文

Economic geography >

2020 , Vol. 40 >Issue 8: 9 - 17

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.08.002

Social-Spatial Differentiation Characteristics of Guangzhou Based on Time-Space Map

  • CHEN Huiling , 1 ,
  • SHI Enming 2 ,
  • LIU Wangbao , 2, ※
Expand
  • 1. School of Tourism Management，Hunan University of Technology and Business，Changsha 410205，Hunan, China
  • 2. School of Geography Science，South China Normal University，Guangzhou 510631，Guangdong, China

Received date: 2019-08-04

  Revised date: 2020-07-03

  Online published: 2025-04-18

Fold

Abstract

The calculation of the original socio-spatial differentiation indexes is always within the homogeneous Euclidean space, which places emphasis on the structure and composition rather than the nature of space. In this paper, we propose the idea of converting the distance into the travel cost between origin and destination during the calculation of socio-spatial differentiation index, and constructs the accessibility coordinate system to modify the original socio-spatial differentiation index using MDS algorithm. Finally, the accessibility spatial differentiation index is used with the original indexes for contrast with taking Guangzhou as the case study. The results show that the accessibility spatial differentiation index could be closer to the Social differentiation of human beings rather than the material differentiation. The space variable in different dimensions of spatial differentiation weights different, and the influence of area periphery ratio on the spatial modification is much smaller than that of the distance function. The results of modified and original spatial differentiation indexes based on the travel time coordinate system indicate that the time distance in the relatively congested city center is larger than the one in city suburbs, which means the actual segregated degree in the city center is underestimated. However, in the travel distance coordinate system, The segregated degree of people, who is less affected by road congestion in the city center, is relatively overestimated contrast with the people in the suburb due to the higher transport accessibility of the city center. In the travel distance coordinate system, the calculation result of uniformity dimension index is much less affected than the contact dimension index. The new coordinate system constructed in this study could convert the original linear distance between OD into the individual path as the spatial effect cost, and the spatial differentiation index based on it could reflect the space for human.

Key words： socio-spatial segregation; time-space map; multidimensional scaling analysis; accessibility

Cite this article

CHEN Huiling , SHI Enming , LIU Wangbao . Social-Spatial Differentiation Characteristics of Guangzhou Based on Time-Space Map[J]. Economic geography, 2020 , 40(8) : 9 -17 . DOI: 10.15957/j.cnki.jjdl.2020.08.002

随着市场化机制逐步在空间资源配置中起决定性作用，优势的空间资源向高利润群体和掌控话语权的群体倾斜，社会空间分异不断加剧，社区出现阶层化现象[1]。住房制度的改革和住房选择行为的变化导致过去空间内部结构较为一致的“单位制分配房”转变为多样化社区的出现，出现了如城中村、富人区等很多新的社会空间[2]。社会空间分异指数对定量化、标准化空间分异起到了重要作用[3]，合理的空间分异测算指数能使政府更好地了解当前空间隔离程度、分异状况，为制定相应改善措施提供判别依据。
早期社会空间分异研究主要关注种族隔离和阶层隔离[4]。1950年代初学者们开始寻求量化不同群体隔离问题的指标，出现的多为对整体进行测算的全局单指标，如基尼系数、差异性指数（D指数）、阿特金森指数、锡尔系数等。早期指标体系分散、单一缺乏统一性，只能对两个群体进行度量计算。1970年代末，学者们对早期隔离指数进行了多群体修正，如Morgan为了能度量和计算多群体隔离指数，对D指数公式进行了修正，解决其计算方面的需求[5]。Massey等从操作上重新定义了隔离的概念，通过因子分析将社会空间隔离总结为5个维度指标：均匀性维度、接触性维度、集中性维度、向心性维度和集群性维度[6]，其中集中性维度、向心性维度和集群性维度能表示空间性质上的差异。Morrill通过加入邻域矩阵使得D指数也能反映邻域性[7]。Wong在此基础上再次修正，不只是简单反映邻里关系，还考虑其大小和边界形状，进一步实现了其空间性[8]。现今很多新的方法被引入社会空间隔离研究，学者们根据其研究的重点将社会空间隔离的方法主要分为：指数修正学派、小区域学派、计算机模拟学派。至今大多社会空间分异指数的测算是基于地理空间而非人类连接的行为空间，对人的行为考虑的欠缺使得社会空间分异测试只具备简单的物理性空间特征，计算过程中“人”和空间的关系是相互独立存在的，把“人”的属性叠加在“空间”上进行研究。但实际上作为研究主体的“人”受制于空间的同时，“人”的属性也反作用于空间关系的形成，在表示人的空间关系时是一种异质性的空间，是由人所拥有的机会、移动能力所生产构建的空间，而非直线的无障碍的抽象自然空间。Reardon提出过接触性指数的相互作用函数可以考虑物理障碍和社会行为交互模式[9]；Schnell在基于个体层面的社会空间分异研究中用到社会空间距离表示空间相互作用力[10]；王东根等提出基于人们日常生活的社会空间经历来衡量城市隔离[11]。
空间革命将空间距离概念引入社会隔离测算，但无法表示人与人的空间隔离。人与人之间的空间隔离更是一种人在空间上的自由度的表现，而非物理上的直线距离，“人的空间自由度”最简单的形式就是通达性，即个体到达一个地方所消耗的通行距离成本和通行时间成本。时空图是利用“出行时间”和“出行距离”重新定义节点间的空间关系[12]，将节点间的可达性表示出来，由此创造出一个完整、连续的可达性新空间。Ahmed认为在很多时候基于功能空间的空间分析研究邻里关系和地理空间关系比传统的地理空间（欧几里得平面空间）对真实的世界具有更强的解释力[13]。时空关系是一种用于认识时间与距离空间的关系，是功能空间的一种形式。时空图被作为一种时空关系的展现，其通过对空间的扭曲使得原来的地理空间转换为具有通行时间和通行距离概念的通达性功能空间。时空图通过地图投影的方式将地图中的欧式距离变换成网络距离（通行距离/通行时间），使得其可以反映通达性所产生的时空压缩和扭曲变化[14]，其通过“通行距离”“通行时间”重新定义空间的邻里和距离关系，创建一个基于通达性的新的空间坐标系统[15]。时空图是一种用来表示时空压缩的形式，国内外时空图使用案例主要有：Spiekermann通过时空图反映欧洲高速铁路网的发展对全局通达性的影响[16]；Ahmed分析探讨了1992—2001年美国盐湖城城市路网的时空压缩情况，并利用时空图可视化其交通系统的效率 [12]；朱昱通过制作时空图研究福州和上海之间的铁路客运时间影响[17]；周恺通过时空图描述了湖南省城镇空间时空压缩特征。现有研究大多数将“时空图”作为一种可视化的工具，很少将“时空图”作为一种空间分析的底图，直接进行空间变量的计算。在时空图中，两点的距离是时间距离，研究单元的面积是时间面积，面积的相对大小表征物理距离通过时间压缩变形的程度，值越小则表示与其他地方的时间距离越短，即时间变形程度越大、时间通达性高[12,18]。
本研究利用“时空图”作为异质性空间进行空间分析，使其可以更贴近“真实的”社会空间分异现象。将时空图作为空间分析底图，提出通达性空间指数计算方法，并选择广州市作为案例地，对不同指数所表达的社会空间分异现象进行对比分析。

1 基于时空图的社会空间分异指数构建

1.1 通达性分异指数的提出与计算

本研究首先用多维标度方法（MDS）将最短通行时间和最短通行距离的OD矩阵数据进行空间拟合，得到一个二维坐标集合，通过ArcGIS空间校正的相似变换得到时空图。将时空地图作为新的空间坐标系统，将地理空间的直线距离转换成通行距离或通行时间，代替原来的矢量图作为空间分异的底图。在不改变原有的空间分析方法的基础上，在时空图上进行社会空间分异计算，使得空间分析具有通达性空间的属性。本文利用MDS算法将传统欧几里得坐标系统转换为不同类型的通达性坐标系统（如通行时间坐标系统和通行距离坐标系统），将基于通达性坐标系计算得到的社会空间分异指标称为通达性分异指数。通达性空间分异测算指数构建流程如图1。
图1 通达性分异测算指数构建流程

Fig.1 The building process of segregation indices based on accessibility

1.1.1 基于（MDS）的时空图构建

现有研究中时空图制作主要是通过空间变换中的橡皮拉伸方法将两点之间的空间距离变化为时间距离[19]，或者通过MDS变换将OD矩阵转换为地理空间坐标。相比之下，MDS变换方法可以表示出拟合误差和置信度，因而本研究主要通过MDS空间拟合得到二维坐标集合，再利用ArcGIS的空间校正的相似变换得到时空图。时空图构建过程中首先需要将最短通行时间和最短通行距离的OD矩阵数据存储在GIS数据库中，然后通过多维标度变换法将多维的最短路径矩阵作为输入数据，生成一个包含时间数据的坐标矩阵。其中可以通过散点图、碎石图和输出点配置来分析（二维或三维）空间结构中是否存在有意义时间—空间系统。采用二维或三维空间而非高维空间是因为高维数据既不便于理解也脱离了地理空间的概念。通过多维标度法（MDS）得到的空间坐标是一种仅仅基于点与点之间的长度关系的地理空间坐标系统，其舍弃了各点之间的方向信息，因此最后还需要通过投影变换映射回原地理空间。
将时空图代替原来的矢量图作为空间分异的底图，在时空图上进行空间分异计算。多维标度法（MDS）是一种在低维空间中以点间距离展现观测对象之间相似性测度或亲疏关系的多元数据分析方法，就是将坐标OD矩阵转换为二维空间坐标点，通过给定的距离矩阵通过寻找空间坐标点集使得各坐标点之间的欧几里距离和原距离矩阵最相似，其实质为最优求解问题：
已知：
D = d 11 d 12 … d 1 j d 21 d 22 … d 2 j ⋮ ⋮ ⋱ ⋮ d i 1 d i 2 … d i j         i , j = 1,2 , … , n
δ X = ∑ i j d i j - x i - x j 2         X = x 1 , … , x n ∈ R M
目标函数：
m i n x 1 , … , x n δ X
式中：D为距离矩阵； d i j为i、j两点之间的距离； x i - x j为 x i和 x j两向量的模； X为所求坐标点集合； δ X为误差函数，多维标度法求解过程即是使得误差函数最小。
由于MDS输出维度越低，其转换输出的坐标系统越容易被理解和用于分析，但失真程度越高，因此需要一个检验公式表示其拟合的有效性。Kruskal提出MDS拟合有效性检验公式[20]如下：
S t r e s s = ∑ i j n d i j - d ^ i j 2 ∑ i j n d i j 2
式中： S t r e s s为拟合有效性指数； d i j为i、j两点之间的距离； d ^ i j为拟合后的空间i、j两点之间的距离。Stress值为0~2.5%说明“拟合度非常高”，2.5%~5%为“拟合很好”，5%~10%为“拟合较好”，10%~20%为“拟合一般尚可接受”，20%以上为“拟合非常差”[20]。由于时空图仅对空间变量如距离、面积、周长等有影响，对于变量中并无空间参数的计算公式和方法不能起到修正作用。

1.1.2 空间分异测算指标的选取

社会空间分异指数样式繁杂，各指数拥有很多修正形式。但时空图仅对空间变量如距离、面积、周长等有影响，对于变量中并无空间参数的计算公式和方法不能起到修正作用。对于社会空间分异43个指数整理，抽取其中含有空间变量的指数，结果见表1。集群性维度指数由于表示各单元之间的接近和集聚程度，使用不同格网单元之间距离计算，因此均含有空间变量；均匀性维度和接触性维度的非修正指数中多不具有空间参数如ID指数、IS指数，而基于空间修正的指数具有空间参数，如 I S w、 I D w是能表示空间距离的指数， P ~ *是能表达空间几何属性的指数；集中性维度指数和向心性维度指数均无空间参数。
表1 社会空间分异指数是否具有空间变量的划分结果

Tab.1 The result of segregation indices whether have spatial variable

含有空间变量 不含空间变量
常用的社会
空间分异指数		 均匀性维度： I S w指数、 S B D指数、 I S s指数、 I D w指数、 I D s指数、DBI指数、MDBI指数、 D ~ *指数
接触性维度： P ~ *指数
集中性维度：无
集群性维度：Pxy指数、 P x y e x p指数、DPxy指数、RCL指数、SP指数、DPxx指数、DPxy指数
向心性维度：无		 均匀性维度：基尼系数、信息熵指数、IS指数、 I S a d j .指数、ID指数、 I D a d j .指数、 D m指数、Atkinson指数、SD指数、区位商
接触性维度：xPx指数、xPy指数、Eta2指数、P指数、R指数
集中性维度：DEL指数、ACO指数、RCO指数
集群性维度：无

向心性维度：PCC指数、ACE指数、RCE指数
Reardon等基于尺度效应和划分机制的影响对隔离的维度重新进行空间修正，认为具有空间属性的均匀性和集群性在概念上是相似的，空间集聚较大必然导致空间不均匀，即空间均匀性维度的反面表现为空间集聚，因而将Massey等提出的空间隔离的5个维度重新归结为空间均匀性和空间接触性两大的维度[21]。通达性空间修正是基于空间修正的延伸，是为了全面、简洁地表达空间分异测度特征。本文采用Reardon提出空间分异测度的空间均匀性维度和空间接触性维度作为社会空间分异测量维度，对比不同基图下的空间分异指数，采用单群体指数如 I S s、DPxx而非传统的双群体指数 I D s、DPxy，单群体指数可以看作是双群体指数的对比群体为所有其他群体这种特殊情况，因此同一类单群体指数和双群体指数具有相同的特性。空间均匀性维度的隔离指数采用Wong提出的 I S s[22]，其表达式如下：
I S s = I S - 1 2 ∑ i = 1 n ∑ j = 1 n w i j x i t i - x j t j ∑ i = 1 n ∑ j = 1 n w i j 1 2 P i A i + P j A j m a x P A
I S = 1 2 ∑ i = 1 n x i X - t i - x i T - X   ,   w i j = b i j ∑ j = 1 n b i j
式中： P i、 P j表示空间单元i、j的周长； A i、 A j表示i、j的面积； P i A i、 P j A j表示空间单元i、j的周长面积比； m a x P A表示取所有单元中面积周长比最大值； b i j是指空间单元i和j的公共边界长度； x i、 x j指空间单元i、j中的X群体的总人数； t i指空间单元i中的总人口； t j指空间单元j中的总人口。空间接触性维度指标采用Morgan提出的组间邻近度DPxx[23]，其表达式如下：
D P x x = ∑ i = 1 n x i X 2 ∑ i = 1 n x j ϕ i , j t j
式中：X指整个都市区域的X群体的总人数； x i指空间单元i中的X群体的总人数； x j指空间单元j中的X群体的总人数； t j指空间单元j中的总人口； ϕ i , j表示单元i与j的空间作用函数，空间作用函数主要受地理学第一定律的距离衰减效应思想影响，在传统公式中多用两点间的欧式距离的幂函数表示，本文采用通行时间和通行距离代替空间作用关系，而时间距离的单位和空间距离单位不统一，因此统一除以平均值对其进行标准化处理，表达式如下：
ϕ i , j = e - d i , j d ¯
式中： d i , j表示单元i与j的通行距离或通行时间； d ¯表示全局的平均通行距离或通行时间。

1.2 通达性分异指数的意义与表达

通达性分异指数针对的是关于空间本身的定义，传统社会空间分异测算的是地理空间而非人类连接的行为空间，本文希望通过重新定义空间从而使得空间分异测算能够更贴切地描述社会空间分异，从而与自然空间分异区别开来。通达性分异指数的计算相比传统的社会空间分异指数而言，将两点之间的直线距离转变为个体移动路径作为空间作用成本。这种计算方法由以均质性的、线性的空间转变为非均质的、非线性的空间作为基准空间，与基于原始欧几里得坐标系统得到的隔离指标的意义是完全不同的。通达性分异指数较传统的分异指标更能表达人的空间隔离性，解决了人的空间相互关系非均质化问题，更能反映作为人的社会性分异而非物质形态的分异，能使空间的异质性被映射出来。
时空关系是一种用于认识时间与距离空间的关系，是功能空间的一种形式。时空图作为一种时空关系的展现，通过对空间的扭曲使得原来的地理空间转换为具有通行时间和通行距离概念的通达性功能空间，基于这一功能空间的空间分析研究邻里关系和地理空间关系比传统的地理空间（欧几里得平面空间）对真实的世界具有更强的解释力。通过“时空图”对社会空间分异测算进行修正使得其测算更符合“人的空间”。人与人之间的空间隔离更是一种人在空间上的自由度的表现，而非物理上的直线距离，“人的空间自由度”最简单的形式就是通达性，即个体到达一个地方所消耗的通行距离成本和通行时间成本。因此本文采用“时空图”作为空间分析的底图，使用通行距离或通行时间代替空间直线距离，从而将经济人的通行属性归属于空间计算当中，使得社会空间分异测算指数能够更符合对社会空间的测度而非自然地理空间的测度。

2 分析结果

自市场化取向的经济体制改革以来，城市空间结构呈现出快速扩展和内部空间重新组合并存的特征。广州作为改革的前沿，同时作为中国三大经济圈之一的珠三角经济圈的核心城市，是一个集经济政治于一体的巨型都市，广州包含了11个区，既有天河区、海珠区这样的CBD核心区，也有增城、从化这样的“城镇连绵”地段，广州的社会空间分异可以看作是整个中国大城市的缩影。本文数据来源于2010年广州市第六次人口普查年鉴，选取户籍、职业和住房类型这三类指标反映广州市社会空间分异基本情况。根据经济社会联系，将广州市划分为中心城区、南部城区与北部城区。本节首先通过“时间图”分析广州市时空压缩特征，然后比较基于“时空图”修正的通达性分异指数和原空间分异指数的区别。

2.1 广州市时空图构建

制作时空图时，假设传统地图与时空图的出发地、目的地之间方向都一致[24]。利用Python语言的开源库scikit-learn提供的数据降维模块中的MDS方法对OD矩阵数据进行拟合估计以作图。该OD矩阵是以广州各镇街质点作为起点以及终点，选择驾车最短距离、最短时间两种模式，基于百度后台来获取路径，并分别提取通行距离、通行时间形成。百度地图路网数据完备且更新及时，利用该数据来制作时空图能较好反映广州交通条件而产生的时空压缩[12]。为了得到广州市日常通行时间，时间数据采集采用多日多时段采集方法，采集时间包含四个工作日和一个周末，最后对多个时间段数据求平均值得到日常通行时间数据。本次共获108 240条线路数据，其中通行时间数据94 710条、通行距离数据13 530条，数据样本详细见表2。
表2 百度地图获取最短时间及最短路径数据集概况

Tab.2 Data set of shortest time and the shortest path which get from Baidu Map

模式 总线路数 通行时间（距离） 交通状况（%）
平均值 最大值 最小值 无路况 畅通 缓行 拥堵
驾车最短时间模式 27 060 54.36 206.37 2.10 0.47 56.44 36.50 6.59
13 530 50.24 211.77 2.02 0.54 73.20 25.48 0.78
13 530 52.50 217.62 2.12 0.31 61.53 35.01 3.15
13 530 52.54 198.62 2.05 0.27 61.10 36.49 2.14
13 530 53.71 213.60 1.98 0.18 58.68 35.50 5.63
13 530 53.03 214.60 2.12 0.25 63.20 34.12 2.42
最短距离模式 13 530 36.31 200.60 0.72 0.24 77.49 20.79 1.47

注：本表中时间单位为min，距离单位为km。

利用MDS方法对采集的OD矩阵时空数据进行拟合估计，为了方便后期社会空间分异指标计算选择MDS输出坐标维度为二维坐标系统。其中通行距离基图拟合误差Stress值为5.96%，拟合程度较好；而通行时间基图的拟合误差Stress值为14.98%，其拟合效果一般。变形后的通行时间基图和通行距离基图在形态上存在巨大差异（图2）。广州市通行距离基图呈现“瘦长形”，南北方向被拉长，东西方向被压缩。主要原因在于道路在东西方向更平直，其与中心区之间的道路曲率更小，而在南北向延伸相对于直线距离差距更远，其与中心区之间的道路曲率更大。相比而言，广州市通行时间基图呈现“肥胖型”，东西方向被拉长，南北方向被压缩，时间阻力在东西方向要远胜于南北方向。其主要原因在于广州市中心区东西方向通行路径集中，作为贯穿中心区东西轴线的天河路、中山大道、东风路、黄埔大道、广园快速等通勤存在严重的时空集聚，城市结构网络与路网的集聚效应引发交通拥堵。虽然南北方向的科韵路、广州大道等同样存在严重交通拥堵，但因其总体线路长度较短，通勤流密集度相对东西轴线也较稀疏。
图2 通行时间基图和通行距离基图

Fig.2 The base map of transit time and passing distance

2.2 基于“时空图”的社会空间分异特征

首先通过“时空图”分析广州市时空压缩特征，然后通过百度地图快速构建通行时间OD矩阵和通行距离OD矩阵并构建“时空图”，比较基于“时空图”修正的社会空间分异指数和原空间分异指数的区别。
为了更好地理解广州市空间分异状况，采用Reardon[21]定义的空间均匀性维度和空间邻近性维度两维度指标。由于群体类型包含两个以上的群体，因此空间分异指数首先采用多群体指数对总体进行描述，再通过单群体指数对每个群体的空间分异单独进行测算。空间均匀性维度的单群体指数采用 I S s指数，多群体指数采用SD指数；空间邻近性维度的单群体指数采用xPx指数，多群体指数采用P指数。

2.2.1 空间均匀性维度指数特征

从户籍、从业人员、住房类型对社会空间分异情况进行计算，结果见表3。广州市的外来人口和本地户籍人口的空间均匀性指数相比大多从业人员与住房类型的较低，说明在外来人口和本地户籍人口空间上都分布相对均匀。对广州市从业人员空间分异，研究发现，农、林、牧、渔、水利业生产人员均匀性指数 I S s偏高，远超其他从业人员，空间分布非常不均匀。购买经济适用房人群、购买原公有住房人群空间分布极不均匀，均匀性指数 I S s均超过0.6，租赁其他住房人群 I S s指数最小，空间分布较均匀。
表3 户籍、职业、住房类型在不同基图下的隔离指数IS(s)比较

Tab.3 The comparison of IS(s) index of household registration, occupation, housing types in different based map

欧几里基图 实际通行距离基图与
欧几里得基图差值		 实际通行时间基图与
欧几里得基图差值
广州
全市		 市中
心区		 北部
城区		 南部
城区		 广州
全市		 市中
心区		 北部
城区		 南部
城区		 广州
全市		 市中
心区		 北部
城区		 南部
城区
户籍 外来人员 0.273 0.226 0.323 0.246 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.001 0.000
本地户籍人口 0.388 0.395 0.386 0.301 -0.000 0.004 -0.001 -0.000 0.001 0.000 0.004 0.000
职业 国家机关企事业单位负责人 0.407 0.384 0.315 0.382 -0.000 0.000 -0.001 -0.001 0.001 0.001 0.002 0.000
专业技术人员和有关人员 0.295 0.280 0.285 0.191 -0.001 0.000 -0.002 -0.001 0.001 0.001 0.005 0.001
办事人员和有关人员 0.222 0.192 0.249 0.170 -0.000 0.000 -0.002 -0.001 0.001 0.001 0.004 0.000
商业、服务业人员 0.241 0.201 0.188 0.159 -0.001 0.002 -0.004 -0.002 0.003 0.002 0.010 0.001
农林牧渔水利业生产人员 0.696 0.765 0.430 0.457 -0.001 -0.000 -0.009 -0.002 0.002 0.000 0.022 0.001
生产、运输设备操作人员及有关人员 0.366 0.397 0.224 0.155 -0.001 0.000 -0.004 -0.003 0.003 0.002 0.010 0.001
住房类型 租赁其他住房 0.343 0.278 0.313 0.252 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.000 0.000
租赁廉租住房 0.406 0.395 0.403 0.401 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.000 0.000
自建住房 0.515 0.496 0.422 0.412 -0.000 -0.000 -0.001 -0.000 0.000 0.000 0.003 0.000
其他 0.494 0.461 0.479 0.429 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.000 0.000
购买原公有住房 0.639 0.543 0.497 0.689 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.000 0.000
购买商品房 0.409 0.378 0.440 0.400 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.000 0.000
购买经济适用房 0.661 0.608 0.705 0.718 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.001 0.000
购买二手房 0.473 0.445 0.445 0.498 -0.000 -0.000 -0.000 -0.000 0.000 0.000 0.000 0.000

注：-0.000表示其为负数，因四舍五入在保留三位小数时舍去了所有数字，图4同。

从空间均匀性性维度来看，其隔离指数在三个不同基图差异不明显，变化较小，原因在于该指数的空间性修正表现为面积和周长比率，因此时间基图和通行距离基图对其影响主要体现在基图的变形率而不能以更直接的两中心点间的距离反映出来，而空间接触性维度的组间邻近度指数的空间函数是基于距离函数的修正。总体上来看，相对于欧几里得基图，隔离指数在通行距离基图下普遍更大，而在通行时间基图下普遍更小，主要由于空间变形过程中通行时间基图的东西方向的拉伸和南北方向的压缩使得形状更趋近于周长面积比最小的圆形，而通行距离则因为相反变化使得周长面积比率变大。

2.2.2 空间接触性维度指数特征

组间邻近度指数（DPxx）是一个正向指标，DPxx越大说明空间分布越集聚。从空间接触性维度来看，基于欧几里得基图的DPxx在户籍、职业、住房类型上普遍比基于通行距离基图、通行时间基图的指数要大，显示的群体聚集程度更大，其中指数变化最大的是本地户籍人口、农林牧渔水利业生产人员、自建住房三个变量。但对于不同的区域不同群体，修正前后的差异是不同的。
对于户籍人口，在全市范围内组间邻近度指数DPxx外地务工人口较低，说明本地户籍人口相对外来人员空间分布更为聚集，外来人员在社会交往方面应努力实现向市民的转变，促进社会融合。在全市范围内通行时间均较欧几里得基图组间邻近度指数更低，所显示的聚集程度更小，而通行距离更高，所显示的聚集程度更大。从细分区域来看，通行时间组间邻近度指数在市中心区和南部城区较低，而在北部城区较高，通行距离组间邻近度指数在南部城区较高，在中心城区和北部区的本地户籍人口组间邻近度指数更高。
对于职业类型，组间邻近度指数DPxx生产、运输设备操作人员及有关人员最高，说明其在空间上接触机会更多，而国家机关企事业单位负责人的DPxx指数最低，只有0.116，说明其在空间上小块状分布。通行距离组间邻近度指数在全市范围和市中心区均较欧几里得基图更高，在北部城区较低，而在南部城区商业服务业人员、农林牧渔水利业生产人员和生产运输设备操作人员及有关人员组间邻近度指数较高，其他职业较低。通行时间组间邻近度指数则在全市范围和北部城区更高，在市中心和南部城区表现更低。
表4 户籍、职业、住房类型在不同基图下的组间邻近度DPxx

Tab.4 DPxx index of household registration, occupation, housing types in different based map

欧几里基图 实际通行距离基图与
欧几里得基图差值Δ		 实际通行时间基图与
欧几里得基图差值Δ
广州
全市		 市中
心区		 北部
城区		 南部
城区		 广州
全市		 市中
心区		 北部
城区		 南部
城区		 广州
全市		 市中
心区		 北部
城区		 南部
城区
户籍 外来务工人员 1.340 1.921 0.773 1.530 0.037 -0.006 -0.034 0.055 -0.014 -0.068 0.091 -0.079
本地户籍人口 2.845 1.568 2.357 1.880 0.382 0.028 0.022 0.083 -0.523 -0.048 0.033 -0.101
职业 国家机关企事业单位负责人 0.116 0.154 0.063 0.108 0.002 0.007 -0.003 -0.002 0.003 -0.006 0.007 0.002
专业技术人员和有关人员 0.313 0.402 0.207 0.217 0.003 0.010 -0.009 -0.001 0.000 -0.009 0.022 -0.002
办事人员和有关人员 0.294 0.414 0.175 0.212 0.001 0.015 -0.007 -0.001 0.003 -0.013 0.019 -0.001
商业、服务业人员 0.875 1.144 0.623 0.585 0.008 0.038 -0.030 0.003 0.009 -0.032 0.082 -0.017
农林牧渔水利业生产人员 0.661 0.163 0.742 0.361 0.116 0.009 0.010 0.021 -0.100 -0.009 0.037 -0.028
生产、运输设备操作人员及有关人员 1.238 1.428 0.979 1.277 0.043 0.081 -0.040 0.024 0.028 -0.116 0.152 -0.044
住房类型 租赁其他住房 0.765 1.452 0.193 1.017 0.007 -0.006 -0.007 0.038 0.020 -0.059 0.017 -0.064
租赁廉租住房 0.132 0.138 0.084 0.172 0.008 0.000 -0.002 0.002 -0.008 -0.007 0.008 -0.002
自建住房 2.052 0.722 2.282 1.530 0.408 0.044 0.007 0.084 -0.410 -0.039 0.060 -0.089
其他 0.153 0.164 0.101 0.079 0.007 0.002 -0.002 0.004 -0.010 -0.004 0.009 -0.004
购买原公有住房 0.204 0.326 0.040 0.046 -0.001 -0.006 0.000 0.003 0.001 0.006 0.001 -0.003
购买商品房 0.457 0.447 0.317 0.354 0.011 -0.003 -0.011 0.000 -0.013 0.005 0.031 0.002
购买经济适用房 0.097 0.046 0.044 0.006 0.016 -0.001 0.003 0.000 -0.032 0.001 -0.003 0.000
购买二手房 0.097 0.106 0.054 0.082 0.001 -0.002 -0.002 0.002 -0.002 0.000 0.007 -0.001
对于住房类型，租赁廉租住房、购买经济适用房与购买二手房人群的DPxx指数较小，说明其在空间接触到其他群体的机会更少，相对“孤立”分布，政府未来在安排建设经济适用房、廉租房等福利性住房时应考虑规划布局问题。通行距离的组间邻近度指数在全市范围和南部城区较欧几里得基图更高，市中心区除了自建住房其他均较低，北部城区自建住房和购买经济适用房均比欧几里得基图组间邻近度指数低。通行时间的组间邻近度指数在全市范围内除了租赁其他住房和购买原公有住房外，其他均较欧几里得基图组间邻近度指数更低。其中南部城区普遍较欧几里得基图接触性指数更低，而北部城区较欧几里得基图接触性指数更高。在市中心区，租赁型及自建型其组间邻近度指数较欧几里得图得到的指数更低。
从广州市总体来看，基于距离考虑的组间邻近度指数普遍比基于时间考虑的隔离指数测量结果更高，由于时间地图尺度单位已经通过比例系数修正，使得时间地图和距离地图具有相同的平均距离，因此说明在时间视域下广州市全市范围的空间聚集程度其实较原空间视角下和实际通行距离视角下的更低。
通过使用“时空图”对广州市户籍、职业、住房类型的社会空间分异指数的修正发现，时空压缩使得市中心区和边缘地区空间分异程度发生变化，相对拥堵的市中心路段由于时间被严重拉长，对于小汽车出行的人来说，相同距离下市中心的时间距离比城市周边郊区要长，市中心的时间隔离程度被低估。由于“时空图”修正是对空间的一种修正方法，“空间变量”在空间分异的不同维度具有不同的权重，对空间均匀性维度的面积周长比隔离指数和空间接触性维度的组间邻近度来说，均匀性维度中的空间参数权重比接触性维度小很多。

3 结论

本文提出了社会空间分异指数计算过程中将两点之间直线距离转变为空间作用成本的思想，利用MDS算法将传统欧几里得坐标系转换为不同类型的通达性坐标系，基于新构建的坐标系说明通达性分异指数的计算方法，研究了该指数的特性以及适用范围。以广州为案例，对比了基于通行时间、通行距离坐标系统修正的通达性分异指数和原空间分异指数的区别。研究结论如下：①通达性分异指数较传统社会空间分异指数解决了人的空间相互关系非均质化问题，更能反映作为人的社会性分异而非物质形态的分异。通达性分异指数是基于时空图修正得到的，是基于空间的一种修正方法，“空间变量”在空间分异的不同维度具有不同的权重，各指标受影响的程度与距离参数有关，基于面积周长比的空间修正相对于基于距离函数的空间修正其所受影响要小得多。②传统的空间均匀性维度指数与空间接触性维度指数特征说明，相比其他群体类型，外来人口和本地户籍人口空间上分布相对均匀，其中本地户籍人口稍聚集一些；对于职业类型，农林牧渔水利业生产人员空间不均匀程度远超其他从业人员，而生产运输设备操作人员空间上接触机会更多，国家机关企事业单位负责人在空间上小块状分布；购买经济适用房人群、购买原公有住房人群空间分布极不均匀，租赁廉租住房、购买经济适用房与购买二手房人群在空间接触到其他群体的机会更少。③对比修正前后的空间分异指数，广州市社会空间分异特征主要有以下几个特点：一是相对拥堵的市中心路段由于时间被严重拉长，如果驾车出行相同距离，市中心的时间距离比城市郊区要大，市中心的实际隔离程度被低估了。与通行时间坐标系统不同，通行距离坐标系统在市中心通达度相对城市郊区更高，因此对于驾驶非机动车和小型机动车等受道路拥堵影响较弱的人群，其市中心的隔离程度相对与市郊区又相对被高估。二是基于行政单元中心点之间距离的MDS变换对空间分异测算的均匀性维度指标影响较小，对于接触性维度指标影响则非常显著。
本研究是一项探索性研究，还存在一定不足，例如国外社会空间分异指数修正研究多是通过对大量城市与城市街道级别样本的空间分异数的统计分布进行分析得到一个统一的评估参照值，但由于数据量和资源的限制，本文仅采用了广州市的数据进行验证，缺乏对全国、全省这样大规模大尺度的数据进行检验。同时OD矩阵选择的是街道中心坐标点，如果能够选择以社区中心坐标作为OD矩阵，其得到的“时空图”将更加精确。随着大数据时代的来临与移动应用的快速发展，出现了多样的数据形式，可以基于个体尺度层面探讨社会空间分异，从根本上解决棋盘问题。不同形式的数据内容需要新的社会空间分异测度方法，有待进一步的探索。同时基于地理位置的社交手段和方式不断更新发展，现今物理空间隔离逐渐扩展到线上虚拟网络空间隔离，后续研究可以从关注实体空间向关注跨空间的交互性转变。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
吴启焰, 吴小慧, Guo C, 等. 基于小尺度五普数据的南京旧城区社会空间分异研究[J]. 地理科学, 2013, 33(10):1196-1205.

DOI

[2]
刘于琪, 刘晔, 李志刚. 居民归属感、邻里交往和社区参与的机制分析——以广州市城中村改造为例[J]. 城市规划, 2017, 41(9):38-47.

[3]
石恩名, 刘望保, 孟海洁. 地理尺度下广州市职业空间分异特征研究[J]. 世界地理研究, 2016(2):82-93.

[4]
Feitosa F, Camara G, Monteiro A, et al. Global and local spatial indices of urban segregation[J]. International Journal of Geographical Information Science, 2007, 21(3):299-323.

[5]
Morgan B S. The segregation of socio-economic groups in ur-ban areas:a comparative analysis[J]. Urban Studies, 1975, 12(1):47-60.

[6]
Massey D, Denton N. The dimensions of residential segregation[J]. Social Forces, 1988, 67(2):281-315.

[7]
Morrill R L. On the measure of geographical segregation[J]. Geography Research Forum, 1991, 11:25-36.

[8]
Wong D. Spatial indices of segregation[J]. Urban Studies, 1993, 30(3):559-572.

[9]
Lee B A, Reardon S F, Firebaugh G, et al. Beyond the census tract:patterns and determinants of racial segregation at multiple geographic scales[J]. American Sociological Review, 2008, 73(5):766-791.

[10]
Schnell I, Yoav B. The sociospatial isolation of agents in every-day life spaces as an aspect of segregation[J]. Annals of the Association of American Geographers, 2001, 91(4):622-636.

[11]
Wang D, Li F. Daily activity space and exposure:a compara-tive study of Hong Kong's public and private housing residents’ segregation in daily life[J]. Cities, 2016, 59:148-155.

[12]
陈慧灵, 曹小曙, 梁斐雯, 等. 跨界道路交通对同城化地区时空联系影响研究:广佛案例[J]. 地理研究, 2018, 37(3):551-563.

DOI

[13]
Ahmed N, Miller H. Time-space transformations of geographic space for exploring,analyzing and visualizing transportation systems[J]. Journal of Transport Geography, 2007, 15(1):2-17.

[14]
Tobler W. Map transformation of geographic space[D]. Seat-tle, WA: University of Washington, 1961.

[15]
周恺, 钱芳芳, 邹宇. 湖南省城镇空间时空压缩特征及其可视化表达——基于时空图分析模型[J]. 地理科学进展, 2014(12): 1666-1675.

DOI

[16]
Spiekermann K, Wegener M. The shrinking continent:new time-space maps of Europe[J]. Environment & Planning B Planning & Design, 2008, 21(6):653-673.

[17]
朱昱, 游建胜, 李晓. 时间距离地图超制图学研究:以福州、上海间铁路客运为例[J]. 杭州师范大学学报:自然科学版, 2010, 9(3):231-236.

[18]
周恺, 刘冲. 可视化交通可达性时空压缩格局的新方法——以京津冀城市群为例[J]. 经济地理, 2016, 36(7):62-69.

[19]
余金艳, 刘卫东, 王亮. 基于时间距离的C2C电子商务虚拟商圈分析——以位于北京的淘宝网化妆品零售为例[J]. 地理学报, 2013(10): 1380-1388.

DOI

[20]
Kruskal J B. Multidimensional scaling by optimizing goodness -of fit to a nonmetric hypothesis[J]. Psychometrica, 1964, 29:1-27.

[21]
Reardon S F, O’sullivan D. Measures of spatial segregation[J]. Sociological Methodology, 2004, 34(1):121-162.

[22]
Wong DWS. Spatial decomposition of segregation indices:a framework toward measuring segregation at multiple levels[J]. Geographical Analysis, 2003, 35(3):179-194.

[23]
Morgan B S. An alternate approach to the development of a distance-based measure of racial segregation[J]. American Journal of Sociology, 1983, 88(6):1237-1249.

[24]
沈陈华, 王旭姣, 司亚莉, 等. 基于旅行者运动轨迹的时间地图变换[J]. 地理研究, 2015, 34(6):1160-1172.

DOI

Options
Outlines

/

〈 〉