EN中文

地理科学 >

2024 , Vol. 44 >Issue 5: 819 - 830

DOI: https://doi.org/10.13249/j.cnki.sgs.20220819

高速公路对城市多中心空间结构的影响

  • 商玉萍 , 1 ,
  • 庄德林 1 ,
  • 孟美侠 2 ,
  • 赵鑫 , 3, *
展开
  • 1.合肥工业大学经济学院，安徽 合肥 230009
  • 2.上海财经大学城市与区域科学学院，上海 200433
  • 3.安徽财经大学统计与应用数学学院，安徽 蚌埠 233030
赵鑫。E-mail:

商玉萍（1993—），女，安徽六安人，博士，讲师，主要从事区域经济研究。E-mail:

收稿日期: 2022-06-30

  修回日期: 2023-01-09

  网络出版日期: 2024-05-31

基金资助

国家自然科学基金项目(72304084)

国家自然科学基金项目(72173079)

教育部人文社会科学研究青年项目(22YJC910014)

中央高校基本科研业务费项目资助(JZ2023HGQA0083)

中央高校基本科研业务费项目资助(JZ2023HGTA0210)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

The impact of highway on urban polycentric spatial structure

  • Shang Yuping , 1 ,
  • Zhuang Delin 1 ,
  • Meng Meixia 2 ,
  • Zhao Xin , 3, *
Expand
  • 1. School of Economics, Hefei University of Technology, Hefei 230009, Anhui, China
  • 2. School of Urban and Regional Science, Shanghai University of Finance and Economics, Shanghai 200433, China
  • 3. School of Statistics and Applied Mathematics, Anhui University of Finance and Economics, Bengbu 233030, Anhui, China

Received date: 2022-06-30

  Revised date: 2023-01-09

  Online published: 2024-05-31

Supported by

National Natural Science Foundation of China(72304084)

National Natural Science Foundation of China(72173079)

Youth Research Project of Humanities and Social Sciences of the Ministry of Education(22YJC910014)

Fundamental Research Funds for the Central Universities(JZ2023HGQA0083)

Fundamental Research Funds for the Central Universities(JZ2023HGTA0210)

Copyright

Copyright reserved © 2024.
Fold

摘要

城市道路的发展是城市空间发展的根本动力，基于2001—2019年LandScan高分辨率全球人口分布数据构建了多组多中心空间结构指标，并利用历史交通路线、规划路线等工具变量，系统识别了高速公路对多中心空间结构的影响效应。结果表明，多中心已经成为中国城市空间结构的主要发展趋势，射线状或外围过境的高速公路能够提升外围地区的区位优势，通过集聚土地、开发区、企业和人口要素的途径来加速空间结构从单中心向多中心转变，这一结论在更换变量、限制样本、消除内生性、非线性回归等一系列稳健性检验后始终成立。此外异质性分析结果显示，高速公路对大城市和东部、南方城市多中心空间结构的塑造作用更大；特别地，地方政府财政能力本身越强，越有利于城市塑造出多中心空间结构，但也会弱化高速公路对多中心空间结构的塑造效应。

关键词： 高速公路; 城市空间结构; 多中心空间结构; 要素流动; 空间大数据

本文引用格式

商玉萍 , 庄德林 , 孟美侠 , 赵鑫 . 高速公路对城市多中心空间结构的影响[J]. 地理科学, 2024 , 44(5) : 819 -830 . DOI: 10.13249/j.cnki.sgs.20220819

Abstract

In recent years, the focal point of policy attention has revolved around how to adapt to new circumstances and implement regional optimization and spatial governance. Chinese government has recently emphasized the construction of a series of well-connected suburban new cities, aiming to drive the development of polycentric urban centers and suburbanization. Consequently, the current policy emphasis is on advancing the rational layout of internal urban spaces through planning and governance, optimizing the internal spatial structure of cities. From a practical perspective, over the past two decades, the internal spatial structure of most Chinese cities has indeed undergone a transition from a single center to multicenter. While factors influencing the internal spatial structure encompass aspects like natural endowments, economic levels, public services, and transportation conditions, the research on these influencing factors has been insufficient due to data limitations and the complexity of real-world issues. Simultaneously, significant transformations have occurred in China’s highways over the past two decades. Numerous studies have confirmed their crucial role in promoting regional coordinated development and reshaping urban systems. However, there has been a prolonged neglect of the impact of highways on the internal spatial structure of cities. Against this backdrop, this study, utilizing the analysis framework of the urban polycentric spatial structure model, specifically elucidates the impact mechanism of highways on the polycentric spatial structure. Simultaneously, based on high-resolution global population distribution data from LandScan from 2001 to 2019, we constructed multiple sets of indicators for the polycentric spatial structure. Employing historical transportation routes, planned routes, and other instrumental variables, we systematically identified the impact effects of highways on the polycentric spatial structure. The results show that: 1) Polycentric spatial structure has become a primary development trend within China’s urban areas. 2) Ray-shaped or peripheral transit highways can enhance the regional advantages of peripheral areas and accelerate the transformation of spatial structure from monocentric to polycentric by agglomeration of land, development zones, enterprises, and population factors. 3) Large cities, eastern and southern cities and cities with low government financial capacity are more effective in shaping polycentric spatial structure of highways. The approach provides insights into using spatial big data technology for researching urban economics issues. The study’s conclusions supplement empirical evidence on the role of transportation infrastructure construction in promoting factor mobility and shaping spatial structures. The study holds significant policy implications for further optimizing the layout of transportation infrastructure, exploring the advantages of polycentric spatial structures, and enhancing urban economic and population carrying capacity.

Key words： highway; urban spatial structure; polycentric spatial structure; factor flow; spatial big data

近年来，如何增强大城市的经济、人口承载力一直是政策制定者和学术届关注的焦点，城市非核心功能疏解、城市精细化管理、新区新城建设以及都市圈和同城化发展等诸多举措纷纷出台，其中以新区新城为代表的城市多中心空间发展战略逐渐成为政策制定者偏好的手段[1]。党的“十九大”以来，多中心空间结构在城市发展中的重要性被进一步强调[2]，推动城市向着多中心方向发展被认为是一种解决中心城区人口和功能过密问题的重要方法。然而，构建多中心空间结构并非易事，受到人口流出和产业收缩等的影响，中国中西部一些扩张型城市的新城新区甚至沦为了“空城”“鬼城”[3]。因此，如何更好地塑造多中心空间结构、发挥多中心空间优势成为重要的现实问题。理论上，多中心空间结构优势的获取必须依靠多中心之间密切的空间联系和群体化发展的外部效应。从发展现实来看，20世纪中后期，美国小汽车的普及和高速公路的建设开始成为城市郊区化发展最重要的催化剂，就业岗位和居住不断外迁，形成了分散的多中心空间结构[4]。由此可以认为，可达性至关重要，塑造多中心空间结构的关键在于良好的交通基础设施条件。但不同于欧美发达国家（地区）城市多中心发展的现实背景，中国城市空间结构演进并非完全市场经济的产物，政府规划在其中扮演相当重要的角色，新区新城、开发区等典型用于塑造多中心空间结构的区域导向型政策，往往都与交通基础设施密切相关。因此，明晰多中心空间结构的内涵和特征，以及高速公路对其的塑造作用，对优化交通基础设施布局，提高城市空间承载力具有重要意义。
虽然影响城市空间结构的因素包括了自然禀赋、经济水平、公共服务、交通条件等多个方面，但长期以来，由于数据限制和现实问题的复杂性，关于其影响因素的研究仍不充分。现有关于交通基础设施对城市空间结构的影响研究，最早可追溯到Alonso-Muth-Mills的单中心模型（AMM模型）[5-7]，交通可达性是决定城市土地利用的主要因素，经济活动正是因为交通成本的存在而最终呈现从城市中心向边缘区域的梯度递减分布。同样，新经济地理学强调，现代交通的发展能有效降低运输成本，影响人口流动和产业转移的区位选择[8-9]。在单中心模型的基础上，后续研究者通过引入集聚经济中的交流外部性，求解交流外部性收益和出行成本的均衡，内生化企业和工人的区位选择，解决了就业多中心的解释问题[10]。近年来，夜间灯光数据、人口栅格数据等高分辨率数据集的出现和应用，为城市空间结构的理论研究提供了更多的实证依据。Baum-Snow[4]、Garcia-López[11]、Gonzalez-Navarro[12]、Basso等[13]基于欧美国家（地区）大都市区的样本为高速公路和地铁促进郊区化、去中心化的研究都提供了经验证据，肯定了交通基础设施在塑造城市空间结构中的积极作用。聚焦于中国城市空间结构的相关研究，已有多篇文献注意到了中国城市多中心空间结构的经济和创新绩效问题[14-16]，但关于交通基础设施建设如何塑造城市空间结构的研究尚显不足。其中Baum-Snow[17]限于研究手段的制约，只关注到中国高速公路建设对城市去中心化的促进作用；而Meng等[18]则将研究尺度设定在上海大都市圈层面，尚未涉及到对城市空间结构的讨论。
现有研究虽然对城市空间结构已有一定的讨论，但对其形成规律的分析仍不充分，特别是当前对于中国城市空间结构的讨论未能将政府对开发区建设、土地市场的规划作用等中国独特性的政策纳入分析框架。本文基于2001—2019年LandScan高分辨率全球人口分布数据和手工整理的高速公路修建路线和通车信息，系统地检验了高速公路对多中心空间结构的影响效应及其影响机制。

1 理论机制

理论上，城市空间结构是指经济要素在空间相互作用下形成的集聚程度和形态，其发展与演化主要受到集聚（向心力）和扩散（离心力）2种力量的影响，多中心空间结构则是经济要素在离心力的作用下去中心化后受到向心力作用重新集聚的过程[1]。离心力与向心力都与交通成本密切相关，当交通成本很高时，空间呈现均匀分布，当交通成本降低时，空间则呈现集聚均衡分布，要素会集中分布在一个或多个中心。同时，也正是由于交通成本存在差异，使离心力和向心力相互抗衡，从而形成包括不同类型城市中心的层次体系。基于此，本文进一步结合集聚经济学理论[10]认为，高速公路建设能够降低运输成本，提升沿线地区的区位可达性。区位可达性提升则将有利于土地、开发区、企业和人口要素向高速公路沿线集聚，进而对多中心空间结构产生积极的塑造作用（图1）。具体表现为以下4点：第一，相比于普通公路，高速公路速度更快、运量更大、效益更高，因此高速公路建设将显著提升沿线地区的区位优势。进一步在空间集聚效应的作用下，可达性的提高能够加速周边区域人流、物流、信息流等生产要素的快速流动和交换，刺激土地价格上升，进而促进土地的开发。理论上，高速公路的修建会促使沿线周边低密度居住用地向商服用地、高密度居住用地等高效益土地利用方式的转变。即使是位于城市郊区的高速公路出入口，对商住用地的吸引力不明显，但也能促使农业用地或未开发土地向工业、物流仓储用地转换。因此，受高速公路的影响，会提升外围高速公路沿线的区位可达性，通过加速新开发土地要素向城市外围集聚来塑造多中心空间结构。第二，也同样是受到区位可达性提升的影响，中国地方政府往往在高速公路沿线位置布局工业开发区、经济技术开发区以带动外围地区发展。其中最为典型的是，中国开发区建设一般会选址于高速路口附近[18]，以获得区位优势，降低企业运输成本。因此，受高速公路的影响，地方政府基于可达性和交通成本的考虑，通常将新开发土地布局在高速公路沿线，进而带来城市多中心结构的形成。第三，根据AMM模型中的土地竞租曲线[5-7]可知，土地使用者在选址时，会在土地成本和与空间距离相关的交通成本之间进行权衡。特别是，城市土地在不同部门中间分配时，通常遵循“最高租金”原则。受高速公路的影响，制造业企业的运输成本得以降低，城市的整体地租出现了提升。对于服务业而言，投资于服务业的资本对区位的敏感性较强，往往能够承受住地价的上升，会继续在城市中心区集聚。而投资于制造业的资本难以承受中心城区高昂的地租，在权衡中心城区高昂的地租和低廉的运输成本下，转而向城市地租较为便宜的郊区迁移。这一过程直接加快了城市产业结构调整和功能置换，进而带来城市多中心空间结构的形成。第四，伴随着高速公路对土地、开发区和制造业企业的集聚效应的出现，将增加城市外围的就业机会，不仅会加速本地人口的城镇化进程，也会吸引更多的外地人口（包括外市和中心城区人口）迁入。特别地，居民选择在远郊地区居住，不仅能获得与中心城区同等的就业机会和工资水平，还能降低置业成本，获得更为宽敞的居住空间、更优良的生态环境，以及更小程度的拥堵，这使得人口在城市空间内分布越来越远，最终加速城市多中心空间结构的形成。
图1 高速公路影响城市多中心结构的理论机制

Fig. 1 Theoretical mechanism of highway affecting on urban polycentric spatial structure

基于以上4点考虑，本文提出研究假说：城市外围的高速公路能够通过提升沿线区位可达性，集聚土地、开发区、企业、居民要素，进而塑造出多中心空间结构。

2 数据来源与研究方法

2.1 数据来源

1） 高速公路数据。由于现有统计年鉴缺少地级市层面的高速公路里程、通车时间等数据，本文手工搜集了研究所需的高速公路建设路线数据和通车时间数据。具体地，本文根据《中国高速公路建设实录（2017）》[19]提供的高速公路修建信息，矢量化处理得到1998—2016年①(①目前详细记录中国条高速公路修建信息的数据只来源于《中国高速公路建设实录（2017）》，数据截至2016年。)中国高速公路建设矢量图，并记录了每条高速公路的开通日期，其中7月1日前（不包含）开通的线路属于当年开通，7月1日后开通的线路属于下一年开通。进而计算出每个城市每年由中心射向外围的高速公路数量和城市外围过境高速公路数量总和（N），若由中心射向外围的高速公路对称经过市中心CBD（中央商务区），则双倍计数。为了稳健性考虑，本文在N的基础上单独考虑了城市由中心射向外围的高速公路数量（N1）、城市外围过境高速公路数量（N2），以及环线状高速公路数量（N3）、高速公路线路长度（N4）和高速公路出入口数量（N5）。
2） LandScan数据。本文使用2001—2019年的LandScan数据（1 km×1 km分辨率）测度城市内部多中心空间结构，数据来源于美国能源部橡树岭国家实验室（https://www.ornl.gov/）。数据的生产制作是基于ArcGIS和遥感等创新方法，将人们可能的居住和工作地点精确分配到每一个1 km2网格中。通常，多中心空间结构的识别离不开就业数据的支持，然而除几个城市之外，中国大部分城市的就业人口数据均无法获得。LandScan数据被视为一种环境人口数据，代表了人们在1 d、24 h内的平均位置[20]，是就业人口数据的替代数据。为了检验数据的有效性，以上海大都市圈的9个城市（上海，江苏苏州、无锡、常州、南通，浙江嘉兴、湖州、宁波、舟山）为研究对象，以最小的乡镇行政单元为空间尺度，将2010年LandScan人口数据与2010年普查数据（https://data.stats.gov.cn/index.htm）和2008年经济普查就业人口数据（https://data.stats.gov.cn/index.htm）进行比较（表1），结果表明LandScan人口数据与就业人口数据、常住人口数据的相关性高达50%~80%，可以认为是识别城市空间结构的最佳样本。
表1 LandScan人口数据与普查数据的相关系数

Table 1 Correlation coefficient between LandScan population data and census data

变量数据来源人口普查数据就业普查数据
　　注：***代表在1%水平上显著；不含港澳台数据。
人口规模人口普查数据1
就业普查数据 0.5495***1
LandScan数据 0.6489***0.5867***
人口密度人口普查数据1
就业普查数据 0.7191***1
LandScan数据 0.7895***0.7888***
3） 明代驿站数据。本文根据学术地图发布平台（http://amap.zju.edu.cn/maps/443/view）提供的图层信息，矢量化处理得到了驿站的站点数据，并计算得到每个城市驿站数量作为工具变量。
4） 土地出让数据。土地出让数据来源于中国土地市场网（https://www.landchina.com/），利用Stata软件处理得到2007年和2016年新增地块的位置数据。
5） 中国工业企业位置数据。中国工业企业位置数据来源于国家统计局（https://data.stats.gov.cn/index.htm），同样利用Stata软件处理得到2001年和2013年企业的位置数据。
受限于数据可获得性，以上数据均未包含港澳台数据。

2.2 多中心空间结构测度

城市空间结构通常被定义为经济要素在空间范围内的分布和组合状态，包括了经济、产业、人口空间结构等。本研究则基于人口视角切入，侧重于关注单中心−多中心维度的形态多中心空间结构。多中心空间结构的测度方法，一般分为参数方法、阈值方法和非参数方法。参数方法源于单中心模型，候选中心被外生给定[21]，阈值方法则通过设置统一的人口规模或人口密度阈值确定中心[22]。这2种方法虽然是基于“本地知识”，但中心的选择可能会依赖于主观的判断。非参数方法不仅考虑到了城市中心地区和周边地区之间的相互作用，还能避免阈值确定的随意性，因此相较于前2种方法更加客观[1]。基于非参数思想，本文将中心设定为：在一个由若干个子区域组成的区域中，若某个子区域的就业密度显著高于其周边的区域，且对区域总体就业密度函数构成显著影响，这一子区域即为中心。因此本文将中心的识别分为2步[1]，第一步是基于非参数方法中局部异常值分析方法将识别出的人口密度显著高于其周边区域的子区域作为候选中心；第二步则基于阈值方法和“本地知识”，从区域总体角度出发设置了中心筛选准则，即一个中心应至少包含3个栅格（中心面积为3 km2），且总人口在10万人以上。经过上述2步的操作，本文确定了每个城市每年的中心数量，其中城市最大的中心为主中心。由此，本文将每个城市的中心数量（C）作为多中心空间结构的测度指标。另外，本文还在中心区域上叠加了LandScan人口数据，采用城市次中心人口占所有中心人口比重（P）作为多中心空间结构的稳健性指标，这一指标表达的是次中心相对于主中心的重要程度。

3 实证结果及分析

3.1 多中心发展趋势

本文利用中心数量指标C对中国285个城市的多中心空间结构指标进行分类统计，将城市样本划分为6类，1类城市（中心数量为0）、2类城市（中心数量1~2个）、3类城市（中心数量3~4个）、4类城市（中心数量5~6个）、5类城市（中心数量7~8个）以及6类城市（中心数量9~10个），结果见图2。可以看出，中国城市空间结构逐渐趋于多中心，城市平均的中心数量从2001年的1.5个上升至2019年的2.4个，中心数量为0的城市从2001年的36个下降至2019年的6个。
图2 中国城市多中心空间结构的分类统计

不含港澳台数据

Fig. 2 Classification statistics of urban polycentric spatial structure in China

3.2 模型设置

为考察高速公路对城市多中心空间结构的影响，本文构建如下基准回归模型：
$ \begin{split} \mathrm{l}\mathrm{n}{C}_{i,t}= & {\alpha }_{0}+{\alpha }_{1}\mathrm{l}\mathrm{n}{N}_{i,t}+{\alpha }_{2}\mathrm{l}\mathrm{n}{S}_{i,t}+\beta control+\\& {FE}_{{\rm{year}}}+{FE}_{{\rm{city}}}+{\varepsilon }_{i,t}\end{split} $
式中，i代表地级市，共285个城市；t代表年份，为2001—2016。C为城市中心数量，多中心空间结构指标，N为城市高速公路建设指标，S为城市规模指标。FEyear表示年份固定效应，FEcity表示城市固定效应，εit为误差项，a0为常数项，a1、a2为核心解释变量系数。另外，本文对城市层面的特征变量（control）进行了控制，β表示特征变量的回归系数。具体地，以城市实际利用外资总额与地区生产总值之比[23-24]表征外商投资水平（F）；以城市固定资产投资与地区生产总值之比表征物质资本水平（I）；以城市高等学校在校学生占总人口的比重表征教育水平（E）；以城市第三产业增加值占地区生产总值的比重表征产业结构（D）[25]；以国际互联网用户与总人口之比[26]表征网络通信水平（T）。为了使数据更加平稳，本文对所有指标都加1后取自然对数。表2为所有变量的描述性统计结果。
表2 高速公路对城市多中心空间结构影响变量的描述性统计

Table 2 Descriptive statistics of the impact variables of highway on urban polycentric spatial structure

变量变量含义样本量平均值标准差最小值最大值
　　注：C 为城市的中心数量；P为城市次中心人口占所有中心人口比重；N 为城市高速公路建设指标； S 为城市规模指标；F 为外商投资水平；I为物质资本水平；E为教育水平；D为产业结构； T为网络通信水平；不含港澳台数据。
lnC中心数量45600.98740.43350.00002.3026
lnP次中心人口比重45600.14990.16920.00000.5729
lnN高速公路条数45601.15700.62890.00002.9957
lnS城市规模456014.51890.766611.459416.9162
lnF外商投资水平45600.00420.01420.00000.3227
lnI物质资本水平45600.45080.17350.06101.4147
lnE教育水平45604.19201.33560.00008.1614
lnD产业结构水平45600.31190.06280,08230.6170
lnT网络通信水平45600.07820.10650.00001.5398

3.3 基准回归结果

基于式（1）提出的计量模型，本文采用普通最小二乘法，以逐步增加控制变量和固定效应的方式得到了高速公路影响多中心空间结构的基准回归结果（表3）。以列（5）的结果作为基准回归的结果进行解释，城市高速公路条数每提升1%，中心数量就增加约0.05%；城市规模每提升1%，中心数量就增加约0.20%。因此，本文的研究预期得到了验证，城市建设由中心射向外围的高速公路或者直接在外围建设高速公路，都利于引发人口向外围集聚，进而塑造出多中心空间结构；同时，随着城市规模的提升，多中心效应也愈加明显，大城市有更大的动力塑造多中心空间结构。
表3 高速公路影响城市多中心空间结构的基准回归结果

Table 3 Baseline regression result of the impact of highway on urban polycentric spatial structure

变量（1）（2）（3）（4）（5）
　　注：变量解释见表2；括号内为聚类到城市−年份层面的稳健标准误；***、**、*分别代表在1%、5%和10%水平上显著；空白项为无数据；不含港澳台数据。
lnN 0.2297***
（0.0102）		0.1080***
（0.0103）		0.0796***
（0.0124）		0.1260***
（0.0102）		0.0508***
（0.0120）
lnS 0.2193***
（0.0079）		0.2131***
（0.0085）		0.2181***
（0.0271）		0.1945***
（0.0284）
lnF 0.6612**
（0.2784）		0.1234
（0.1516）		0.2668
（0.1665）
lnI −0.0268
（0.0361）		0.1352***
（0.0291）		−0.0685*
（0.0400）
lnE 0.0109**
（0.0055）		0.0319***
（0.0065）		0.0098
（0.0067）
lnD −0.1498
（0.0968）		0.4173***
（0.1044）		0.1642
（0.1172）
lnT 0.4573***
（0.0724）		0.0287
（0.0535）		−0.1195*
（0.0676）
常数项 0.7216***
（0.0131）		−2.3221***
（0.1097）		−2.2238***
（0.1207）		−2.6529***
（0.3898）		−1.9480***
（0.4152）
城市固定效应否否否是是
年份固定效应否否否否是
样本量4,5604,5604,5604,5604,560
Adjusted R20.11090.23000.24230.79900.8070

3.4 内生性检验结果

在估计高速公路对多中心结构的影响时需要解决内生性问题，解决此问题常用的工具变量策略，一是用历史路线作为工具变量[27]，二是用规划路线作为工具变量。本文选取明朝驿站站点数量（IV1）和规划路线（IV2）作为工具变量，主要原因在于：一是从工具变量的相关性来看，明代驿站与当代高速公路类似，都是为了连接首都、大城市和重要港口城市，所经之地比较平坦，方便修建，满足相关性；同样，规划路线也是基于首都、大城市和重要港口城市等中心城市构建，与实际建设的高速公路路线高度相关，也满足相关性。二是从工具变量的外生性来看，明代驿路的初衷是传达军情、政令，而非用于促进区域经济发展，此外由于年代久远，本文认为历史线路不会直接影响当代人口分布。规划路线变量的构建也只与节点城市中心位置相关，与人口分布和空间结构完全不相关[28]。具体地，规划路线的构造方法如下：参照本文高速公路的构建方法，本文根据规划路线数据，计算每个城市规划路线条数表征IV2，以城市由中心射向外围的规划路线数量和城市外围过境规划路线数量总和构成，若由中心射向外围的规划路线对称经过市中心CBD，则双倍计数。为了稳健性考虑，本文还单独考虑了城市由中心射向外围的规划路线数量（IV21）、城市外围过境规划路线数量（IV22），以及城市内是否有规划路线穿过的虚拟变量（IV23）。工具变量的回归结果见表4。第一阶段回归结果表明，本文选择的工具变量与高速公路指标存在显著正相关关系，F值符合预期，也通过了不可识别检验和弱工具变量检验。第二阶段回归结果表明，高速公路的确对多中心空间结构正向显著，本文的研究结论稳健。
表4 高速公路影响城市多中心空间结构的工具变量回归结果

Table 4 Instrumental variables regression result of the impact of highway on urban polycentric spatial structure

变量（1）（2）（3）（4）（5）（6）（7）
　　注：变量解释见表2；其中列（1）~（2）回归采用明代驿站数量IV1作为工具变量，列（3）~（4）回归采用规划路线数量IV2作为工具变量，列（5）~（7）回归依次采用城市由中心射向外围的规划路线数量IV21、城市外围过境规划路线数量IV22和城市内是否有规划路线穿过的虚拟变量IV23作为工具变量；括号内为聚类到城市−年份层面的稳健标准误；***代表在1%水平上显著；不含港澳台数据。
第二阶段回归
lnN 0.5646***
（0.0580）		0.2718*
（0.1449）		0.3383***
（0.0316）		0.1757***
（0.0398）		0.1756***
（0.0425）		0.1775***
（0.0401）		0.2437***
（0.0471）
lnS 0.1417***
（0.0480）		0.1736***
（0.0149）		0.1737***
（0.0155）		0.1730***
（0.0152）		0.1511***
（0.0173）
城市控制变量是是是是是是是
年份固定效应是是是是是是是
城市固定效应否否否否否否否
样本量4560456045604560456045604560
Uncentered R20.83450.87690.86080.88000.87910.88000.8765
第一阶段回归
回归系数 0.1298***
（0.0086）		0.0464***
（0.0082）		0.3766***
（0.0137）		0.2816***
（0.0130）		0.3404***
（0.0164）		0.3547***
（0.0168）		0.3818***
（0.0222）
F值225.17***31.76***757.93***471.89***428.25***447.17***297.01***
Anderson canon. corr. LM206.531***31.477***115.78***387.870***349.462***373.105***342.016***
Cragg-Donald Wald F262.619***35.773***796.670***501.479***433.614***488.711***256.690***
Hansen J statistic0.0000.0000.0000.0000.0000.0000.000

3.5 稳健性检验

1）替换变量。表5列（1）~（5）依次用中心射向外围的高速公路数量N1，城市外围过境高速公路数量N2，环线状高速公路数量N3， 高速公路线路长度N4，高速公路出入口数量N5作为高速公路的稳健性指标，列（6）采用次中心人口比重P作为多中心空间结构的稳健性指标。结果证实，只有射线状或外围过境的高速公路对多中心空间结构正向显著，环线状高速公路以及高速公路线路长度本身对多中心空间结构无显著影响。对此的解释是，射线状或外围过境的高速公路有助于外围地区获取更高的交通可达性，加速经济要素在外围地区集聚，进而形成次中心。而环线状高速公路离主中心较近，对外围地区的交通可达性影响微弱，甚至会增加主中心的人口承载力，因此无法塑造多中心空间结构。同时，本文还发现高速公路出入口数量虽对多中心空间结构有显著正向影响，但影响较小。本文认为是因为有部分高速公路出入口分布在靠近主中心的位置，会降低对多中心空间结构的影响。
表5 高速公路影响城市多中心空间结构的替换变量回归结果

Table 5 Substitution variables regression result of the impact of highway on urban polycentric spatial structure

变量（1）（2）（3）（4）（5）（6）
　　注：N1，中心射向外围的高速公路数量；N2城市外围过境高速公路数量；N3，环线状高速公路数量；N4，高速公路线路长度；N5，高速公路出入口数量；其他变量解释见表2；括号内为聚类到城市−年份层面的稳健标准误；***、**分别代表在1%、5%水平上显著；空白项为无数据；不含港澳台数据。
lnN1 0.0430***
（0.0123）
lnN2 0.0572***
（0.0125）
lnN3 −0.0042
（0.0210）
lnN4 0.0021
（0.0020）
lnN5 0.0104**
（0.0051）
lnN 0.0217***
（0.0052）
lnS 0.1980***
（0.0288）		0.1982***
（0.0284）		0.1948***
（0.0286）		0.1949***
（0.0286）		0.1915***
（0.0287）		0.0371***
（0.0124）
城市控制变量是是是是是是
城市固定效应是是是是是是
年份固定效应是是是是是是
样本量456045604560456045604560
Adjusted R20.80650.80700.80590.80600.81930.7607
2）限制样本和非线性分析（表6）。首先，本文剔除了北京、天津、上海、重庆、广东深圳重新估计，结果见列（1）。其次，剔除了C为零值的样本后重新估计，结果见列（2）。同样，本文还剔除了2004年及以前的样本重新估计，结果见列（3）。与此相同，本文将稳健标准误的聚类层面改为城市层面重新估计，结果见列（4）。最后，本文引入了多中心空间结构指标的二次项以分析非线性关系，结果见列（5）。分析结果表明，高速公路与多中心空间结构确实不存在非线性关系，本文的研究结论未发生变化。
表6 高速公路影响城市多中心空间结构的限制样本和非线性分析的回归结果

Table 6 Constrained sample and nonlinear regression result of the impact of highway on urban polycentric spatial structure

变量（1）（2）（3）（4）（5）
　　注：变量解释见表2；括号内为聚类到城市−年份层面的稳健标准误；***、**分别代表在1%、5%水平上显著；空白项为无数据；不含港澳台数据。
lnN 0.0496***
（0.0120）		0.0361***
（0.0110）		0.0452***
（0.0151）		0.0505**
（0.0230）		−0.0187
（0.0211）
lnN20.0402***
（0.0097）
lnS 0.167***
（0.0313）		0.221***
（0.0277）		0.167***
（0.0337）		0.199***
（0.0566）		0.2096***
（0.0286）
城市控制变量是是是是是
城市固定效应是是是是是
年份固定效应是是是是是
样本量44804330342045604560
Adjusted R20.80280.79670.85440.80680.8081

3.6 机制检验结果

基于理论机制，借鉴Garcia-López等[11]、Meng等[18]的做法，从1 km×1 km的栅格层面检验高速公路对多种要素的集聚效应。从微观视角切入，能够更清晰地捕捉高速公路塑造多中心空间结构的本质。具体地，结合中国土地出让数据中新增地块的位置数据、开发区位置数据、工业企业位置数据和LandScan人口栅格数据，设定如下模型：
$ \begin{split} & \mathrm{l}\mathrm{n}{LD}_{j,t}\left(\mathrm{l}\mathrm{n}{ZD}_{j,t}、\mathrm{l}\mathrm{n}{FD}_{j,t}、\mathrm{l}\mathrm{n}{PD}_{j,t}\right)={\beta }_{0}+\\ & \quad \quad {\beta }_{1}\mathrm{l}\mathrm{n}{HW}_{j,t}\left({\mathrm{l}\mathrm{n}HP}_{j,t}\right)+{\beta }_{2}\mathrm{l}\mathrm{n}{CBD}_{j,t}+\\ & \quad \quad {\beta }_{3}\mathrm{l}\mathrm{n}{AIR}_{j,t}+{FE}_{year}+{FE}_{city}+{\varepsilon }_{i,t}\end{split} $
式中，j、t分别代表全国285个城市内部所有1 km×1 km的空间单元（全国共有6153200个）和年份。β0、β1、β2、β3为计量回归系数。对于核心解释变量，本文借鉴彭冲和金培振[29]的做法，分别采用核密度法计算高速公路线路的核密度（HW）和高速公路出入口的核密度（HP）以反映高速公路可达性。对于被解释变量，本文有4个：一是采用中国土地出让数据投射到1 km×1 km空间单元上的地块数量衡量土地开发强度（LD）。由于2007年之前的土地出让数据量较少，本文主要以2007和2016年土地出让数据为样本量②(②由于全国1 km×1 km空间单元足够多，计算机内存和运行空间有限，因此本文没有选择连续年份样本，仅以首年、末年数据为样本量做代表性分析。)。二是采用空间单元到开发区的最短距离（ZD）衡量开发区分布强度。三是采用中国工业企业位置数据投射到1 km×1 km空间单元的企业数量衡量制造业企业密度（FD）。考虑到数据的可获得性，本文主要以2001年和2013年工业企业数据为样本量。四是采用LandScan数据在1 km×1 km空间单元上的人口数量衡量人口密度（PD）。这里也以2001年和2016年数据为样本量。此外，模型还控制了空间单元到市中心CBD的最近距离（CBD）、到机场的最近距离（AIR），以及年份固定效应（FEyear）和城市固定效应（FEcity）。同时，为了捕捉样本差异和时间差异，该实证分析主要使用混合截面的OLS模型。
机制检验的回归结果见表7。其中列（1）和（5）报告了高速公路对土地要素的集聚效应。结果表明：一个空间单元的高速公路路网密度越大，其新开发地块密度越高。列（2）和（6）报告了高速公路对开发区分布的集聚效应。结果表明，一个空间单元的高速公路路网密度越大，其距离开发区的距离会更近，可以认为开发区的选址与高速公路正相关。列（3）和（7）报告了高速公路对制造业企业分布的集聚效应。结果表明，一个空间单元的高速公路路网密度越大，其制造业企业密度也越高，可以认为制造业企业通常选址在高速公路沿线。列（4）和（8）报告了高速公路对人口分布的集聚效应。结果表明，一个空间单元的高速公路路网密度越大，其人口密度越高，可以认为人口通常布局在高速公路沿线。综上说明，高速公路作为重要的交通基础设施，其建设所带来的通达性改善和区位可达性提升，显著影响了周边地区的要素布局，能够集聚土地、开发区、企业、居民要素，进而塑造出多中心空间结构。
表7 高速公路影响城市多中心空间结构的机制检验结果

Table 7 Mechanism test result of the impact of highway on urban polycentric spatial structure

变量lnLDlnZDlnFDlnPDlnLDlnZDlnFDlnPD
（1）（2）（3）（4）（5）（6）（7）（8）

　　注：括号内为聚类到城市−年份层面的稳健标准误；***代表在1%水平上显著；HP为高速公路出入口的核密度；HW为高速公路线路的核密度；LD、FD、PD分别为1 km×1 km空间单元上的地块数量、企业数量，人口数量；ZD为空间单元到开发区的最短距离；CBD、AIR分别为为空间单元到市中心CBD的最近距离、到机场的最近距离；空白项为无数据；不含港澳台数据。

lnHW 0.0044***
（0.0002）		−0.0090***
（0.0001）		0.0070***
（0.0001）		0.2342***
（0.0006）
lnHP 0.0040***
（0.0000）		−0.0048***
（0.0001）		0.0133***
（0.0001）		0.1750***
（0.0006）
lnAIR −0.0036***
（0.0007）		0.1477***
（0.0003）		−0.0019***
（0.0002）		−0.3478***
（0.0024）		−0.0017***
（0.0001）		0.1481***
（0.0003）		−0.0018***
（0.0002）		−0.3547***
（0.0024）
lnCBD −0.0296***
（0.0006）		0.2773***
（0.0002）		−0.0270***
（0.0002）		−1.1569***
（0.0021）		−0.0124***
（0.0001）		0.2784***
（0.0002）		−0.0267***
（0.0002）		−1.1811***
（0.0021）
常数项 0.0308***
（0.0004）		0.2838***
（0.0002）		0.0283***
（0.0001）		3.8042***
（0.0015）		0.0131***
（0.0001）		0.2821***
（0.0002）		0.0281***
（0.0001）		3.8417***
（0.0015）
城市固定效应是是是是是是是是
年份固定效应是是是是是是是是
样本量12 306 40012 306 40012 306 40012 306 40012 306 40012 306 40012 306 40012 306 400
Adjusted R20.00360.88370.04490.51890.01080.88360.04790.5168

3.7 异质性分析

① 城市规模异质性。基于异质性分析考虑，本文在基准回归机基础上引入异质性变量及其与多中心空间结构（lnS）的交互项。即引入城市规模（lnS）与lnN的交互项[表8列（1）]，结果显示，高速公路对大城市多中心空间结构的塑造作用更强。② 地理区位异质性。本文引入lnN与东部虚拟变量（east）和中部虚拟变量（center）的交互项[表8列（2）]，并以西部为基准。结果显示，东地区人口密集，更愿意发展多中心空间结构，而中、西部地区地广人稀，发展多中心空间结构的需求不足。同样引入lnN与北方虚拟变量（north）的交互项[表8列（3）]，结果显示，近年来南北经济差异逐渐拉开，南方城市发展多中心空间结构的需求更大。③ 多中心空间结构和高速公路可能都是政府干预能力的体现。基于此，本文在基准回归上引入政府财政能力（lnG）及其与lnN的交互项[表8列（4）]，并采用政府一般财政预算支出占GDP比重的自然对数衡量政府财政能力。结果显示，政府财政能力本身越强，越有利于城市塑造出多中心空间结构；但政府财政能力反而会弱化高速公路对多中心空间结构的塑造效应，其原因可能在于，政府财政能力越强，越会通过其他非高速公路的途径塑造多中心空间结构。
表8 高速公路影响城市多中心空间结构的异质性分析结果

Table 8 Heterogeneity analysis result of the impact of highway on urban polycentric spatial structure

变量（1）（2）（3）（4）
　　注：括号内为聚类到城市−年份层面的稳健标准误；east为东部虚拟变量；center中部虚拟变量；north为北方虚拟变量；G为政府财政能力；其他变量解释见表2；***、**分别代表在1%、5%水平上显著；空白项为无数据；不含港澳台数据。
lnN 0.0561***
（0.0121）		0.0562***
（0.0122）		0.0480***
（0.0120）		0.0505***
（0.0121）
lnS 0.1504***
（0.0315）		0.2137***
（0.0282）		0.2220***
（0.0281）		0.2160***
（0.0288）
lnN×lnS 0.0665***
（0.0105）
lnN×east 0.0920***
（0.0187）
lnN×center 0.0172
（0.0183）
lnN×north −0.0727***
（0.0150）
lnN×lnG −0.1916**
（0.0790）
lnG 0.3778***
（0.0869）
城市控制变量是是是是
城市固定效应是是是是
年份固定效应是是是是
样本量4560456045604,560
Adjusted R20.80980.80910.80840.8081

4 结论与建议

4.1 结论

在中国城市化率持续上升的背景下，本研究从高速公路视角论证了城市空间结构从单中心向多中心的发展，以期为中国城市高质量发展提供更多的理论解释和经验证据。首先，本文基于中国特色的城市化发展规律，在理论上详细阐释高速公路对多中心空间结构的塑造过程。本文认为，不同于欧美国家（地区）自下而上的城市化背景，中国多中心空间战略主要由地方政府统筹实施，高速公路对多中心空间结构的影响是通过提升外围地区的区位优势，集聚土地、开发区、企业和人口要素带来的。其次，从城市内部视角出发，本文估算出了高速公路的城市空间塑造效应，关注到城市内部要素分布的差异性。最后，本文结合高速公路修建路线和通车信息，以及LandScan高分辨率全球人口分布数据对理论假说进行了实证检验。实证结果发现，多中心已经成为中国城市空间结构的主要发展趋势，特别是由中心射向外围的高速公路或外围过境的高速公路都利于引发人口向外围集聚，塑造出多中心空间结构，而环线状高速公路并没有带来多中心空间结构。大城市、东部和南方城市以及政府财政能力较低的城市在高速公路塑造多中心空间结构中效果更大。

4.2 政策建议

根据本文的研究结论，未来从交通基础设施建设方向完善和优化中国城市空间结构，应重视以下3点内容：第一，多中心发展过程中应强化次中心的交通基础设施建设，完善基础服务设施配套。次中心的集聚能力是决定多中心空间战略成功与否的关键，而次中心的发展又离不开完善的交通基础设施和基础服务设施的支撑。因此政府在推进新城、开发区等多中心建设实践中宜建立与之配套的基础设施建设，通过便利的基础设施（高速公路）将这些次中心与主中心和外围城市相联接，持续提高次中心的集聚规模。同时，强化政府在引入土地开发、产业引入、人口引进等方面的主导作用，为多中心发展创造条件。第二，应发挥大城市在多中心空间结构实践中的引领带动作用，同时做好中小城市空间规划设计工作。数据显示，中国大城市人口密度总体偏高，加速推动大城市建设一批产城融合、职住平衡、生态宜居、交通便利的郊区新城，推动多中心、郊区化发展刻不容缓。同时中国中小城市受到规模经济的制约，过度的多中心空间结构反而容易造成人口吸附力下降和公共资源浪费等问题，多中心空间发展需要循序渐进。第三，发挥高速公路对多中心结构的塑造作用还需充分考虑城市区位、财政能力等异质性因素。本文虽然证实了高速公路是塑造多中心空间结构的重要力量，但中国中西部地区和北方地区城市依然存在塑造作用不足的情况。因此政府应该理性看待高速公路这一手段，因地制宜，合理利用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
商玉萍, 潘洲, 孟美侠. 中国城市多中心空间战略的创新绩效研究——基于集聚经济与舒适度的视角[J]. 经济学(季刊), 2023, 23(3): 965-982.

Shang Yuping, Pan Zhou, Meng Meixia. Research on innovation performance of Chinese urban polycentric spatial strategy—From the perspective of agglomeration economy and amenity. China Economic Quarterly, 2023, 23(3): 965-982.

[2]
习近平. 国家中长期经济社会发展战略若干重大问题[J]. 求是, 2020(11): 4-7.

Xi Jinping. Some major issues concerning the national medium-and long-term economic and social development strategy. Qiushi, 2020(11): 4-7.

[3]
冯奎. 中国新城新区现状与创新发展重点[J]. 区域经济评论, 2016(6): 15-25.

DOI

Feng Kui. Current Situation of new towns and new areas in China and key points of innovative development. Regional Economic Review, 2016(6): 15-25.

DOI

[4]
Baum-Snow N. Did highways cause suburbanization?[J]. The Quarterly Journal of Economics, 2007, 122(2): 775-805.

DOI

[5]
Alonso W. Location and land use: Toward a general theory of land rent[M]. Cambridge and London: Harvard University Press, 1964.

[6]
Mills E S. An aggregative model of resource allocation in a metropolitan area[J]. The American Economic Review, 1967, 57(2): 197-210.

[7]
Muth R. Cities and housing: The spatial pattern of urban residential land use[M]. Chicago: University of Chicago Press, 1969.

[8]
Ogawa H, Fujita M. Equilibrium land use patterns in a nonmonocentric city[J]. Journal of Regional Science, 1980, 20(4): 455-475.

DOI

[9]
Krugman, P. First nature, second nature, and metropolitan location[J]. Journal of Regional Science, 1993, 33(2): 129-144.

DOI

[10]
Fujita M, Thisse J F, ZenouY. On the endogeneous formation of secondary employment centers in a city[J]. Journal of Urban Economics, 1997, 41(3): 337-357.

DOI

[11]
Garcia-López M. All roads lead to Rome and to sprawl? Evidence from European cities[J]. Regional Science and Urban Economics, 2019, 79: 103467.

DOI

[12]
Gonzalez-Navarro M, Turner M A. Subways and urban growth: Evidence from earth[J]. Journal of Urban Economics, 2018, 108(11): 85-106.

[13]
Basso L J, Navarro M, Silva H E. Public transport and urban structure[J]. Economics of Transportation, 2021, 28(12): 100232.

[14]
魏守华, 陈扬科, 陆思桦. 城市蔓延、多中心集聚与生产率[J]. 中国工业经济, 2016(8): 58-75.

Wei Shouhua, Chen Yangke, Lu Sihua. Urban sprawl, polycentric agglomeration and productivity. China Industrial Economics, 2016(8): 58-75.

[15]
王峤, 刘修岩, 李迎成. 空间结构、城市规模与中国城市的创新绩效[J]. 中国工业经济, 2021(05): 114-132.

DOI

Wang Qiao, Liu Xiuyan, Li Yingcheng. Spatial structure, city size and innovation performance of Chinese cities. China Industrial Economics, 2021(05): 114-132.

DOI

[16]
郑涛, 孙斌栋, 张婷麟. 多中心空间结构对城市地价影响研究[J]. 地理研究, 2021, 40(6): 1610-1620.

Zheng Tao, Sun Bindong, Zhang Tinglin. Research on the impact of multi-center spatial structure on urban land price. Geographical Research, 201, 40(06): 1610-1620.

[17]
Baum~Snow N, Brandt L, Henderson J V et al. Roads, railroads, and decentralization of Chinese cities[J]. Review of Economics and Statistics, 2017, 99(3): 435-448.

DOI

[18]
Meng M, Shang Y, Yang Y. Did highways cause the urban polycentric spatial structure in the Shanghai metropolitan area?[J]. Journal of Transport Geography, 2021, 92: 103022.

DOI

[19]
交通运输部. 中国高速公路建设实录[M]. 北京: 人民交通出版社股份有限公司, 2017.

Ministry of Transport . Record of China’s highway construction. Beijing: People’s Communications Press Co., LTD, 2017.

[20]
Henderson J V, Nigmatulina D, Kriticos S. Measuring urban economic density[J]. Journal of Urban Economics, 2021, 125(9): 103188.

[21]
Anderson J E. The changing structure of a city: Temporal changes in cubic spline urban density patterns[J]. Journal of Regional Science, 1985, 25(3): 413-425.

DOI

[22]
Mcmillen D P. Nonparametric employment subcenter identification[J]. Journal of Urban Economics, 2001, 50(3): 448-473.

DOI

[23]
刘修岩,艾刚. FDI是否促进了中国城市的郊区化?——基于卫星夜间灯光数据的实证检验[J]. 财经研究, 2016, 42(6): 52-62.

Liu Xiuyan, Ai Gang. Does FDI promote the suburbanization of Chinese cities? An empirical test based on satellite night light data. Journal of Finance and Economics, 2016, 42(6): 52-62.

[24]
郑思齐,符育明,刘洪玉. 城市居民对居住区位的偏好及其区位选择的实证研究[J]. 经济地理, 2002(2): 194-198.

Zheng Siqi, Fu Yuming, Liu Hongyu. An empirical study of urban residents’ preference for residential location and location choice. Economic Geography, 2002(2): 194-198.

[25]
吴国兵,刘均宇. 中外城市郊区化的比较[J]. 城市规划, 2008(8): 36-39.

Wu Guobing, Liu Junyu. Comparison of suburbanization of Chinese and foreign cities. Urban Planning, 2008(8): 36-39.

[26]
Gerritse M, Arribas-Bel D. Concrete agglomeration benefits: do roads improve urban connections or just attract more people?[J]. Regional Studies, 2018, 52(8): 134-149.

[27]
Duranton G, Turner M. Urban growth and transportation[J]. Review of Economic Studies, 2008, 79(4): 1407-1440.

DOI

[28]
Holl A. Highways and productivity in manufacturing firms[J]. Journal of Urban Economics, 2016, 93(5): 31−151

[29]
彭冲, 金培振. 消费型街道: 道路密度与消费活力的微观证据[J]. 经济学(季刊), 2022, 22(4): 1361-1382.

Peng Chong, Jin Peizheng. Consumer streets: Microscopic evidence of road density and consumption vitality. China Economic Quarterly, 2022, 22(4): 1361-1382.

Options
文章导航

/

〈 〉