NBER美国国民经济研究局-NBER-Delineating-Urban-Areas-Using-Building-Density_52页_6mb

报告摘要

总结：使用建筑密度界定城市区域

核心内容

本文提出了一种新的基于建筑密度的“镖盘法”（dartboard methodology）来界定城市区域。该方法利用法国所有建筑物的详细地图数据，通过比较实际建筑密度与随机重新分配后的反事实建筑密度，识别出具有统计显著性建筑密度过高的区域作为城市区域。此外，文章还扩展了该方法，以区分城市核心区与次中心，并提出了新的单侧和双侧统计检验方法，用于评估不同界定方法之间的差异。

主要观点

界定城市区域的重要性：
- 界定城市区域是进行城市研究的基础。
- 传统的行政单位（如市镇）往往不具备功能上自洽的特性。
- 错误界定可能导致研究偏差，例如对城市蔓延的误判或忽略城市政策的空间溢出效应。
方法创新：
- 采用建筑密度作为界定标准，而非人口密度。
- 引入反事实密度（counterfactual density）来判断建筑密度是否具有统计显著性。
- 使用核平滑方法（kernel smoothing）处理建筑密度数据。
- 提出单侧和双侧统计检验以比较不同界定方法。
数据使用：
- 使用法国国家地理信息研究所（IGN）提供的2014年BD TOPO数据，该数据包含所有建筑物的三维信息，包括面积、体积和用途。
- 对于不可建区域，利用BD CARTHAGE（水体信息）、BD ALTI（海拔信息）和BD TOPO（坡度信息）进行识别。
- 使用12,403,734个200x200米的像素进行计算，与法国国家统计局（INSEE）的划分一致。
界定流程：
- 第一步：计算每个像素的实际建筑密度。
- 第二步：使用核函数对建筑密度进行平滑处理。
- 第三步：随机重新分配建筑物，生成反事实建筑密度。
- 第四步：将实际平滑密度与反事实密度进行比较，判断是否为城市区域。
- 第五步：识别城市核心区与次中心，通过多次随机重新分配后选择密度最高的连续区域。
方法局限与改进：
- 使用带宽选择是关键步骤，不同区域需要不同的带宽以确保结果的准确性。
- 对于人口密度较低的区域，使用较大的带宽有助于识别城市区域；对于人口密度较高的区域，使用较小的带宽更合适。
- 采用中位数带宽作为默认值，以提高方法的稳健性。

关键信息

数据来源：
- BD TOPO：法国所有建筑物的详细地图数据。
- BD CARTHAGE：水体信息。
- BD ALTI：海拔和坡度信息。
- INSEE人口数据：用于计算人口密度。
方法步骤：
- 计算建筑密度：基于每个像素内建筑物的体积或面积。
- 平滑处理：使用核函数（bisquare kernel）进行密度平滑。
- 反事实密度生成：随机重新分配建筑物，模拟无城市结构的密度分布。
- 城市判定：若实际密度高于反事实密度的95%分位数，则判定为城市。
- 核心区与次中心识别：通过多次平滑和随机重新分配，识别出密度最高的连续区域作为城市核心区，其余连续区域为次中心。
统计检验：
- 开发了单侧和双侧检验，用于比较不同界定方法之间的差异。
- 用于评估方法的稳健性，并发现作者的界定方法与官方界定存在显著差异。
结果展示：
- 在法国，74%的像素未被建筑覆盖，但通过平滑处理后，仅0.1%的像素未被建筑覆盖。
- 平滑处理显著降低了建筑密度分布的偏斜度，Gini系数从0.927降至0.679。
- 作者使用Grenoble作为示例，展示了其方法如何识别城市区域、核心区与次中心，并处理不可建区域。