摘 要：综述了国内外在人口数据空间化研究方面的进展，并分析了其优缺点。在此基础上，提出了基于建筑物的人口数据空间化方法，设计了基于建筑物的人口数据空间化模型；并以重庆市主城区的第六次人口普查数据为例，得到了较细粒度的人口空间分布结果。结果表明，由于受“四山”和“两江”的影响，重庆市人口空间分布呈组团化和沿主要道路分布特征，且各组团有逐渐合并的趋势。对于城乡规划编制、城市空间政策制定、突发事件应急处理以及灾后损失评估具有重要意义。
关键词：六普；重庆市；人口数据空间化；地理信息
人口的空间分布是指在一个特定的时间内，所有人口总和在特定区域内的空间分布特征和表现形式[1]。现如今，人口的不断增长给地球的资源和环境带来了巨大的挑战，产生了空气污染、水资源匮乏、能源短缺等问题[2]。人类活动对环境的负面作用和影响已成为共识[3]，要想研究人口与环境的关系，不仅要研究人口的数量，还要研究人口的空间分布。然而，人口受自然环境、经济发展和产业政策多重因素的影响，在空间上的分布是不均匀的。随着经济的发展，人口越来越集中到少数的大城市，且这一趋势越来越明显[4]。人口普查和历年的人口抽样统计仅解决了人口的数量问题，从公布的数据来看多以区县为单位，无法更细粒度地研究人口在空间上的分布特征。因此，要想更加准确地反映人口的空间分布，必须对人口普查数据进行建模，将人口普查数据离散到空间上，从而掌握人口的空间分布特征、空间增长特征以及空间迁移规律，进而辅助突发事件的处理和社会经济政策的制定。
1 人口数据空间化研究进展
对人口空间分布特征的研究，最早可追溯到19世纪美国的统计革命时期。随着科学技术的进步，尤其是3S技术的突飞猛进，地理学家开始利用这些新技术来研究人口的空间化问题。按照研究的层次和内容，人口数据空间化研究可分为理论模型研究、基于统计数据的人口空间分布研究和基于影响因素的人口空间分布研究。
1.1 理论模型研究
理论模型研究主要是借助数理统计方法和场位论，通过模型推导来实现对人口空间分布规律的研究[5]，如Clark模型[6-7]、Sherratt模型[8-9]和Smeed模型[10]。有些学者还提出了“重量—质量—距离”人口分布模型和Weibull型公式模型[5]，但这些模型的假设前提都是城市单中心结构，而对于多中心组团式的城市结构并不适用，人口也是遵从城市中心向外围逐渐递减的规律。理论模型是从人口的数量关系上进行空间分布研究，简单明了，能宏观把握人口的总体分布情况，在特定的领域具有实用性；但由于人口的空间分布受太多因素的影响，空间分布规律不明显，仅靠模型模拟很难得到高精度的结果。
1.2 基于统计数据的人口空间分布研究
基于统计数据的人口空间分布研究是利用已知的统计人口数量，将人口离散到空间上的方法。常用方法包括3种：
1)网格法。该方法假设人口在一定区域内均匀分布，将每个统计单元的人口密度赋值给统计单元的中心点，再将研究区域离散成一定大小的网格，最后利用内插法计算每个网格的人口密度，从而实现人口的空间化[11]。其优点是在人口均匀分布的前提下模拟较为准确，也便于空间叠加等操作；缺点是不便于研究人口的空间迁移[12]。
2)融合法。该方法是借助遥感、统计、经济社会等资料，利用叠加[13]、栅格化[14]、最小平方迭代回归[15]等方法实现人口的空间化；或利用SAR、土地利用格局分析[16-18]来实现人口的空间分析和研究[19]。
V e=即选用的压力膨胀罐总容积不小于0.47m3。市面有500L总容积罐体其产品直径φ=660mm，高H=1900mm。
尽管亚欧美仍在中国公民境外游市场中占大头，但非洲近年日益成为颇具吸引力的目的地。显然，中国人对非洲日渐浓厚的兴趣一定程度上与非洲国家转变旅游战略和来自北京的支持有关。许多非洲国家意识到中国游客的重要性，纷纷放宽对中国公民的签证要求，让他们享受免签或落地签。此类举措吸引了中国人纷至沓来，同时日渐增多地开展惠及当地经济体的消费活动。非洲市场的自信在增长并且受到中非之间热情友好的社会经济及政治合作的支持。目前，摩洛哥、南非、马达加斯加和纳米比亚是最受中国游客青睐的非洲目的地。赞比亚和津巴布韦也在吸引更多中国游客。
1.3 基于影响因素的人口空间分布研究
基于该假设可对人口密度进行空间化，但由于获取的普查数据往往是以行政单元统计的(区县、乡镇等)，而在一个区县或乡镇单元内部，仍然不能将人口密度看作是连续的，因此需对人口密度连续的单元作一个更加精确的界定。
式中，di。为各已知点与预测点的距离；p为预测点与样点之间随着距离的增加，权重值降低的速度，一般取平方权，即p＝2。
2 基于建筑物的人口数据空间化
2.1 人口数据空间化的一般假设
在人口分布的研究中，经常要识别和分析人口分布的趋势。从本质上讲，人口分布在空间上是不连续的；但人口密度作为一个区域性指标，是单位区域内人口的数量，因此在一定的空间尺度上可将人口密度看作是空间连续分布的。基于此，引出了本文的第一个基本假设：
假设1：人口在空间上是不连续的，人口密度在一定区域内(建筑物内部)是连续的。
3)人口密度法。该方法较为简单，即利用人口在相应统计单元内的人口密度来研究人口的空间分布特征，也是较常用的研究方法，如胡焕庸[20]、韩光辉等[21-23]都利用人口密度方法研究了中国的人口分布规律。其优点是方法简单、直接，可非常直观地反映人口在空间上的疏密程度；缺点是假设人口在统计区域内均匀分布，对于统计区域较大或人口分布不均匀的区域误差较大[24-25]。在山地区域，人口往往分布在较为平坦的场镇，而大面积的山区人口分布较少，若采用该方法就会造成在所有区域都均匀分布的假象，掩盖了区域的内部差异。
基于影响因素的人口空间分布研究是将与人口相关的遥感影像、地形地貌、水文地质、交通设施、经济社会等因素与人口统计数据建立线性或非线性回归模型，从而将人口离散到空间上进行研究[13,26-30]。该方法是一种人口统计数据与人口分布影响因素相结合的方法，空间化结果更加准确，既考虑了宏观尺度的人口总量，又兼顾了细粒度的人口分布，具有较好的适用性。
随着国家防汛抗旱指挥系统二期工程的建设应用，水利部门将能接收到来自气象部门的158部天气雷达数据和产品信息，能够建立雷达反演降水与地面观测降水相融合的多元融合定量估算降水业务系统和基于雷达信息的暴雨监视预警应用系统，这些业务系统的建成将促进天眼系统实现天气雷达信息在实时监视、定量估算、临近预报等方面的深入应用。
假设2：人口数量总是对应一定的居住建筑面积，在该建筑面积上，人口密度是连续的。
结合行政区面积，可进一步分析获得乡镇街道尺度的人口密度分布情况。如图1所示，人口密度最小的是天星寺镇，为179人/km2，其次是金刀峡镇，为191人/km2；人口密度最高的是七星岗街道，为9.7万人/km2，其次是解放碑街道，为5.25万人/km2。
假设1是所有人口数据空间化研究的前提条件，而假设2是本文为了实现更加精确的人口空间化所设定的。本文抛弃了众多研究中采用的高程、坡度、道路等影响因素，直接以人们生活的建筑物为载体，实现人口数据的精细空间化。
2.2 人口数据空间化的基本方法
式中，Di为某统计区域内第i栋建筑物上的人口密度；P为统计区域内的人口数量；Fi为统计区域内第i栋建筑物的楼层数；Ai为统计区域内第i栋建筑物的投影面积；m为统计区域内的总建筑数量。
1)基于建筑物的人口数据空间化方法。通过假设1和假设2的阐述，可以建筑物为载体进行人口数据的空间化。每栋建筑物上的人口密度公式为：
根据式(1)，其具体步骤为(假设普查区以乡镇街道为单位)：①以乡镇街道名称为公共字段，将普查的统计数据与乡镇街道的行政区边界建立关联，实现人口数据在乡镇街道层面的空间化；②计算普查区内所有居住建筑的总建筑量；③将建筑物与乡镇街道的行政区划界进行空间叠加，统计每个乡镇街道的总居住建筑量；④根据乡镇街道的人口和总建筑量，计算每个乡镇街道的人均居住建筑面积；⑤根据每栋建筑的居住建筑量和人均居住建筑面积，计算每栋建筑物的人口，实现人口数量与建筑物的关联，达到人口数量以建筑物为单位的空间化的目的；⑥计算以每栋建筑物投影面积为单位的人口密度；⑦按一定格网大小对每栋建筑物进行空间离散。
2)基于建筑物的人口空间模拟。由于式(1)空间化的结果侧重于表现局部细节上的人口密度空间分布情况，而对于主总体格局上的人口密度空间分布表现较差，因此需对人口的空间分布作进一步的综合和插值。同时，由于人类活动往往是围绕着自己住所进行的，即离住所越近活动越频繁，离住所越远活动越少，因此在插值的过程中需考虑距离因素。本文采用反距离加权法(IDW)，一般公式为：
式中，Di为普查区内任意一个人口密度点；DOBi为按照式(1)求得的某个建筑物上的人口密度；Wi为分配给该建筑上人口密度的权重，计算公式为：
现阶段的体系结构主要有C/S、B/S和P2P结构，其各有优劣势。由于B/S体系结构的主要事务逻辑完全在服务器端通过浏览器实现，对客户端的硬件配置要求不高，网络也不必是专门的网络环境，且只需要维护服务器，方便用户使用，因此该体系结构广泛用于现阶段应用系统的开发建设。但其对应用服务器提出了更高的要求，需要更加优化的系统结构和相应硬件配置。并且由于系统是建立在广域网之上，面向不可知的用户群，对安全的控制能力相对较弱，必须辅以相应的软硬件措施，确保数据的安全。
综上所述，各种方法都有其使用范围和尺度，也各具优缺点。基于影响因素的人口空间分布研究总体上适用性较好，但其考虑的因素往往较宏观，而对人口分布影响最重要的建筑物考虑较少或根本没有考虑。建筑物作为人类生产和生活的载体，在很大程度上影响着人口的分布和迁移，可以说人口的分布都是围绕着建筑物展开的，尤其是居住建筑。因此，利用地理空间技术，以建筑物为离散的载体，研究人口的空间化具有重要意义。
在实际应用中，可将式(1)计算的结果转换成点数据，再按照IDW方法进行插值。
3 重庆市人口数据空间化实证研究
3.1 研究区概况
重庆市是长江上游最大的经济中心、西南工商业重镇和水陆交通枢纽，幅员面积为5 473 km2，南北长72 km，东西宽111 km；2012年共辖9个区，155个乡镇街道。根据第六次人口普查数据，2010年底重庆市主城区常住人口为745.76万人。
本研究使用Eg-β-actin作为内参，通过RT-qPCR方法鉴定油棕叶、花和果中DGAT2的转录水平。结果显示， DGAT2在油棕叶片和雌花的表达量较低，在雄花中的表达量最高，相比叶片表达量增长了3.8倍，雌花的表达量仅为雄花的25.6%(图7)。说明DGAT2在初始发育阶段表达量较低，成熟果实和雄花中的表达量较高。
3.2 不同尺度的人口空间分布特征
本文采用重庆市统计局第六次人口普查成果，普查区以乡镇街道为单位，利用基于建筑物的人口数据空间化方法，按不同的粒度进行了空间化。
1)乡镇街道尺度人口空间分布特征。通过分析可知，重庆市主城区常住人口最多的街道为观音桥街道，人口数量为20.38万人；其次为回兴街道，人口数量为18.7万人；再次为鱼洞街道，人口数量为17.14万人。常住人口最少的是江北城街道，仅516人；其次是山洞街道，为3 075人；再次是天星寺镇，为8 383人。从统计分级上来看，人口在2万以下的街道有37个，在2万～4万的街道有48个，在4万～6万的街道有27个，在6万～8万的街道有16个，在8万～10万的街道有12个，在10万以上的街道有15个，如表1所示。
表1 重庆市主城区乡镇街道尺度常住人口分级表
分级/万人 乡镇街道/个 常主人口/万人 占比/%＜2 37 53.25 7.14 2～4 48 142.04 19.05 4～6 27 131.21 17.59 6～8 16 112.03 15.02 8～10 12 108.27 14.52＞10 15 198.96 26.68合计 155 745.76 100
基于该假设可将一定统计单元内部的人口数量与总建筑量进行关联，从而获得该统计单元内部的人均居住建筑面积。通过人均居住建筑面积和每栋建筑物的总建筑面积，即可计算每栋建筑物上的人口数量和人口密度，从而实现人口数据在建筑物上的空间化。
理解生态文明，首要任务是将生态与自然区分开。一般理解，生态环境近似自然环境，其概念十分相近，很多时候人们都会将其混用，但是严格意义上，生态环境并不等同于自然环境，通常来说，自然环境所包含的范围比生态环境要广的多，自然环境除了包括人类生活的一定范围的生态环境，还包括生物环境和地下资源环境，即生态环境包含于自然环境之中。自然环境几乎包括了各种天然因素，而生态环境是指具有一定生态关系构成的系统整体。生态环境仅是自然环境的一种，二者具有包含与被包含的关系。
由表11可知，以上39个处理组合中，单位面积合格插穗数在8333-62223个之间，其中处理A1B4(株行距30cm×50cm，定芽数4)最高为62223个。
2)细粒度的人口数据空间化分析。乡镇街道粒度的人口数据空间化结果已经可以较好地反映主城区人口的分布情况；但主城区5 473 km2的面积内仅有155个乡镇街道，平均35 km2的粒度，显然过粗。同时，作为典型的山地城市，重庆市主城区受“四山”和“两江”的影响较大，人口呈明显的不连续和不均匀分布，单纯的以乡镇街道为单位的人口密度无法准确反映该特点。为了更加精确地反映重庆市人口的空间分布，采用基于建筑物的人口数据空间化方法，分别按100 m和1 000 m两种格网粒度对人口数据进行空间化，如图2所示。
wherek=x=c0is the free space wavenumber,with x being the angular frequency and c0being the speed of sound;,is the Mach number with V0being the fiow velocity;the acoustic velocity potential/is related to the acoustic pressure as
图1 重庆市主城区人口数量和人口密度空间分布图（乡镇街道尺度）
图2 重庆市主城区人口密度空间分布图
通过离散可知，重庆市主城区的常住人口覆盖了主城区全部范围，但由于“两江”和“四山”的分割，出现了很多的空白区(图2a)，即该区域没有人口分布，这是在乡镇街道尺度上无法看到的；且人口分布并不均匀，呈组团状，如回兴、大学城、南岸、北碚。对人口分布进一步综合后，重庆市主城区的人口集聚特点开始显现，人口较为集中的地方为主城区老六区(渝中区、江北区、南岸区、沙坪坝区、九龙坡区、大渡口区)、中梁山和铜锣山相夹的区域(图2b)，以及沙坪坝区的大学城周边、机场高速沿线和北碚附近。这些变化都是经过细粒度的空间化后，再进行综合得到的；而在粗粒度的乡镇街道尺度是无法实现的。
3.3 人口密度空间模拟
由于100 m和1 000 m粒度的人口数据空间化结果侧重于表现局部细节上的人口密度空间分布情况，对于主城区总体格局上的人口密度空间分布表现较差，因此需对人口的空间分布作进一步的综合和插值。具体方法是采用建筑物粒度的人口密度作空间插值(§2.2节所述)，从而得到整个主城区的人口密度模拟图(图3)。由图3可知，主城区的人口分布更加清晰和准确，人口的聚集不再是一个片区，而是清晰地分为多个聚集点，即在大的聚集区里面，又分化出了具体的聚集点。例如，机场路沿线分化出了回兴、机场、渝北老城区等聚集点；沙坪分化出了大学城、西永、老城区等聚集点。
图3 重庆市主城区人口密度模拟图
4 结 语
本文在分析国内外人口空间分布特征的基础上，提出了基于建筑物的人口数据空间化方法，并以重庆市主城区为例进行了实证研究。结果表明，重庆市主城区的人口空间分布呈组团状和沿道路的带状分布特点，同时也具有连片的趋势。该方法能更精确地反映人口在空间上的实际分布情况。
另外，本文假定每个乡镇街道拥有相同的人均居住建筑面积，这与实际情况有所出入，需在后续的研究中不断完善。在空间化粒度的选择上，本文选用的100 m和1 000 m两个粒度，适用于中宏观的空间分布研究，对于更加微观的研究则需进一步细化粒度。
参考文献
[1] LO C P. Modeling the Population of China Using DMSP Operational Linescan System Nighttime Data[J]. Photogrammetric Engineering and Remote Sensing,2001,67(9):1 037-1 047
[2] 董春, 刘纪平, 赵荣, 等. 地理因子与空间人口分布的相关性研究[J].遥感信息, 2002(4):61-64
[3] 高志强, 刘纪远, 庄大方. 基于遥感和GIS的中国土地资源生态环境质量同人口分布的关系研究[J].遥感学报, 1999(1):66-70
[4] Harvey J T. Estimating Census District Populations from Satellite Imagery: Some Approaches and Limitations[J]. International Journal of Remote Sensing,2002,23(10):2 071-2 095
[5] 江东, 杨小映, 王乃斌, 等. 基于RS、GIS的人口空间分布研究[J]. 地球科学进展, 2002,10(5):734-738
[6] Clark C. Urban Population Densities[J].Journal of Royal Statistical Society,1951(114):490-496
[7] 陈彦光. 城市人口空间分布密度衰减模型的一个理论证明[J].信阳师范学院学报(自然科学版),2000,13(2):185-188
[8] Sherratt G G. A Model for General Urban Growth[C].Management Sciences, Model and Techniques: Proceedings of the Sixth International Meeting of Institute of Management Sciences, NY: Pergamon Press:147-159
[9] Tanner J C. Factors Affecting the Amount of Travel: Road Research Technical Paper No.51[M]. London: H.M. Stationery off,1961:102-109
[10] Smeed R J. The Traffic Problem in Towns: a Review of Possible Long Term Solutions[J]. Town Planning Review,1964,35(2):133-158
[11] 吕安民, 李成名, 林宗坚, 等. 人口统计数据的空间分布化研究[J].武汉大学学报(信息科学版),2002,6(3):301-305
[12] 苏莹. 人口统计信息空间可视化系统研究[D].北京: 中科院地理所, 2005
[13] Langford M，Harvey J T．The Use of Remotely Sensed Data for Spatial Disaggregation of Published Census Population Counts[C]. IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas,2001:260-264
[14] Paul C S. Progress in Empirical Measurement of the Urban Environment: an Exploration of the Theoretical and Empirical Advantages of Using Nighttime Satellite Imagery in Urban Studies[C]. 4th International Conference on Integrating GIS and Environmental Modeling(GIS/EM4),Canada,2000:11-19
[15] Harvey J T. Population Estimation Models Based on Individual TM Pixels[J]. Photogrammetric Sensing,2002,68(11):1 181-1 192
[16] Harris R. SIR-A Imagery of Tunisis and Its Potential for Population Estimation[J]. International Journal of Remote Sensing,1985,6(7):975-978
[17] Lo C P. Settlement, Population, and Land Use Analysis on the North China Plain Using Shuttle Imaging Radar-A Data[J].Professional Geographer,1986,38(2):141-149
[18] Henderson F M. An Analysis of Settlement Characterization in Central Europe Using SIR-B Radar Imagery[J]. Remote Sensing of Environment,1995,54(1):61-70
[19] Henderson F M, ZONG G X. SAR Applications in Human Settlement Detection, Population Estimation and Urban Land Use Pattern Analysis: a Status Report[J]. IEEE Transactions on Geoscience and REM Sensing,1997,35(1):79-85
[20] HU H Y. The Distribution of Population in China[J]. ACTA Geographica Sinica,1935(2):33-74
[21] HAN G H, CHEN X B. The Spatial Structure, Variety Trend,Questions and Answers of China Population Resource in Recent 30 Years[J]. Population and Economics,1999(6):39-45
[22] HAN G H, LIU Y, LIU R W. The Spatial Patterns of China’s Population and Their Cause of Formation[J]. Journal of Lanzhou University(Social Sciences),2000,28(4):16-21
[23] HU H Y. The Distribution, Regionalization and Prospect of China’ s Population[J]. ACTA Geographica Sinica,1990(2):139-145
[24] ZHU C G, GU C L, MA R H, et al. The In fl uential Factors and Spatial Distribution of Floating Population in China[J]. ACTA Geographica Sinica,2001(5):549-560
[25] LIU Y. The Compiling Characteristics of the National Population Atlas of China[J]. ACTA Geographica Sinica,1987(4):347-356
[26] Mennis J. Generating Surface Models of Population Using Dasymetric Mapping[J].Professional Geographer,2003(55):31-42
[27] Elvidge C D, Baugh K E, Kig E A, et a1. Relation Between Satellite Observed Visible: Near Infrared Emissions, Population,Economic Activity and Electric Power Consumption[J].International Journal of Remote Sensing,1997,18(6):1 373-1 379
[28] 刘燕华, 王强. 中国适宜人口分布研究: 从人口的相对分布看各省区可持续性[J]. 中国人口·资源与环境, 2001,36(1):34-37
[29] 杜宁睿, 贾卫宾. 欠发达地区小城镇人口空间分布形态研究: 以贵州省镇宁县城为例[J].武汉大学学报 (工学版),2003,36(6):117-120
[30] YUE T X, WANG Y A, LIU J Y. SMPD Scenarios of Spatial Distribution of Human Population in China[J]. Population and Environment,2005,26(3):207-227
中图分类号：P237
文献标志码：B
文章编号：1672-4623(2019)03-0062-04
doi:10.3969/j.issn.1672-4623.2019.03.018
收稿日期：2018-03-09。
项目来源：重庆市科委重点产业共性关键技术创新专项重点研发资助项目(CSTC2017zdcy-zdyfx0002)。
作者简介：贾敦新，硕士研究生，高级工程师，注册城市规划师，主要从事地理信息、城市规划等方面的研究。
标签：人口论文; 空间论文; 建筑物论文; 街道论文; 重庆市论文; 社会科学总论论文; 人口学论文; 人口地理学论文; 《地理空间信息》2019年第3期论文; 重庆市科委重点产业共性关键技术创新专项重点研发资助项目(CSTC2017zdcy-zdyfx0002)论文; 重庆市地理信息中心论文;