城市边界｜谷一桢：基于通勤数据定义中国都市区

陈婷、谷一桢与邹奔等人的研究，利用百度地图乡镇街道间的通勤矩阵，定义了经济意义上的中国都市区。研究得到的基于通勤联系定义的都市区，很少跨越地级市边界，且与其它国家相比较小。其反映的状况，和中国的通勤模式较一致，即通勤总体较短，且受行政边界制约。研究还比较了通勤都市区与其他城市定义，并说明采用不同定义会得到不同的城市体系特征。

3月16日，北京大学汇丰商学院副教授谷一桢，在北京市规划设计研究院进行了专题讲座，分享了此项研究。以下基于报告内容整理。

2021年夏，上海，上班的人。澎湃新闻记者 周平浪 图

今天的主题是，基于通勤流定义中国城市。规划行业目前面临挑战，但在拥抱新数据方面走在最前列。报告主题是“基于通勤流定义中国城市”。原本想讲“都市区”，但担心带来误解。有时都市区、都市圈以及一些不同概念混淆在一起，索性明确为——让我们来定义中国城市的边界。

关于到底做不做这件事，我们犹豫了两年。因为，研究论文肯定不能在特别好的期刊发表。但我们觉得这个研究特别有意义，研究成果可以成为很好的公共产品。

动机

在美国的一些文献中，会提到一些不同的城市。美国可能更重视MSA的概念，即都市统计区（Metropolitan Statistical Area）。所谓都市统计区，是从经济意义上对城市做的定义。而中国并没有与之对应的关于城市的定义。比如，我的老家连云港，大家身处的北京，抑或深圳，大家可以自问，这些城市的真正边界到底在哪里？就北京而言，应不应该把燕郊纳入北京的都市区范围内？

追问这个问题，重要性在于两方面：第一，从公共产品提供的角度。比如，疫情期间居住在燕郊，但要往返北京城区通勤的人，会遇到什么困难？一个合适的、经济意义上的城市边界的定义，对政府政策制定者提供公共产品做参考，是很有必要的。第二，出于统计分析的考虑。如果我们经常做统计分析，每个样本可能是一个城市。但选取某个城市做样本时，确定每个城市的边界来统计城市人口，究竟依据的是什么？就北京而言，只计算北京市中心多少人口？是否应把燕郊或廊坊算上？以我老家连云港来说，包括若干城区，也包括一些县，应不应该把这些县作为城市的一部分？这其实是今天试图解答的问题。虽然算不上多么重要的研究，但从公共产品的提供而言，具有重要性。我的两个合作伙伴，是香港浸会大学的陈婷老师，以及普渡大学的邹奔老师。

众所周知，自1978年以来，中国的城市化浪潮非常之快。放眼任何一个国家，城市化速度都不曾达到这样一种水平。1978年，中国城市人口只占不到18%，但不久前公布的城市化率已达65%。与此同时，（城市）建设用地已扩增八倍之多。这样的速度，让人印象深刻。

但是，如果深入分析中国城市的特点、不同城市体系的特点，我们其实所知甚少。因为，欠缺最重要的量度：怎么定义这个城市？并没有官方的城市定义，去匹配城市的功能。比如，从劳动力市场的角度看，如何定义城市，并没有官方定义。中国的城市定义，是行政区划，实际包含很大的农村范围。而且有不同概念的“市”，如地级市、县级市，它们之间存在相互重叠的关系。这带来很大的困扰。

这就带来一个需求：中国MSA的边界应该在哪？我们怎样用劳动力市场定义城市？此时需要依赖通勤数据。

通勤的数据，就是我们所需要的新数据。美国有两类通勤数据来源。其一，是美国社区调查。美国社区调查类似我们的人口普查，公布每个地方有多少人，有多少比例的人口到另外的地方去工作。但中国并没有类似数据。唯一的一次例外，是2015年的小样本人口调查。小样本人口大概是100多万人或200多万人（取决于不同版本），给出每个人的工作地和居住地，精准到乡镇街道尺度。但如果用100万除以中国大概3000个区县，则每个区县平均有300个人，完全无法描绘全国区县层级的通勤模式。

美国第二类通勤数据来源，是全美交通出行调查。北京等中国大城市有五年一次的交通调查，但如果基于此定义中国的MSA，目前并没有可用的数据。这就给我们提供了机会，把这样的交通调查深入到乡镇街道尺度，覆盖全中国。美国的统计中，会做一些很漂亮的图，呈现人口分布、就业分布等。但之前没有办法在中国这样做。这同样给我们提供了填补空白的机会。 

因此，我们研究的贡献，就在于首次对中国的都市区加以定义。研究方法并不稀奇，是非常标准的基于通勤进行定义，使用的数据来自百度地图的位置信息，可提供任意两个街道之间的通勤矩阵。中国大概有4万个乡镇街道，可想象一个4万乘4万的矩阵，当然大部分值都是零。我们主要获取的是2017年11月的数据，同时也获取了2019年11月的数据，但这两组数据比较近，没有太多变化。

我们定义了中国的都市区，做了一些比较分析，比如中国城市体系特点如何。然后，和其他国家开展比较，比如美国、巴西、墨西哥，看跟其他国家比，中国的都市区究竟相对偏大还是偏小。这个研究的重要应用，就是可以根据这一经济上的城市定义提供公共服务，这样所提供的公共服务才是最为恰当的。

如果以50万人口为阈值，中国大概有超过500个都市区。这些都市区加在一起，超过了全国面积的15%。大多数通勤都市区，相对地级市而言要小得多得多，这和其他一些事实是相对一致的。

比如，中国的通勤时间和距离总体是偏短的。当然，北京的居民也许会抗议，因为长距离通勤让北京人饱受折磨。但如果用2015年人口普查的数据看，其实中国大部分通勤时间和距离都很短。比如，我们看中国3000多个区县级单元，绝大多数劳动者都在同一个区或同一个县里居住和工作，通勤距离很短。

另一个事实是，中国行政边界对通勤施加了很大的阻碍。举个例子，比如，夫妻俩分别在深圳和广州工作，有个比较好的选择，是可以在东莞居住——当然，前提条件是，子女教育、医疗可以在东莞解决——那完全可以选择住在东莞。但现在做不到。

中国都市区规模比较小，可归为若干原因。比如，我刚才提到，地方劳动力市场的组织方式，还有公共产品的提供方式，都会受行政边界影响。如果想在A地工作，在B地生活，就会遇到各种困难。

中国的都市区有明显的层级结构。从地级市，再到区、县、县级市等，都市规模和行政级别都高度相关。我们比较城市时，有时会用地级市，有时会用市辖区，还有时会用市辖区加上一些独立的县级市。如果基于不同的城市定义，得到的结论差之千里。这意味着，以前的一些结论或依据可能存在偏差。

另外，我们发现，基于通勤定义都市区，最符合齐夫定律。城市经济学里，很重要的是城市规模红利。就是说，在大城市工资会更高，但也有缺点，就是房价更高。如果采用不同定义，这些规模红利的大小也有很大区别。以前有中国城市化增长的相关文献，直接采用地级市的数据，但地级市与通勤都市区这类经济意义上的城市完全不是一码事。还有个比较有意思的方法，用夜间灯光定义都市区，但会发现这之间也存在较大的区别。

关于城市定义的研究，方兴未艾。比如，两年前《城市经济学期刊》（Journal

 of Urban Economics），有个关于定义城市的专辑。前两篇是基于建筑密度定义城市，基于卫星影像识别建筑密度和高度，如果一个地方的建筑密度显著高于一个阈值，就定义这个地方为城市单元，再加上连续性之类条件来进行划定。我们与定义哥伦比亚和日本都市的方法相同，采用通勤数据来定义。另外，手机的位置数据给我们带来新的机遇。可以利用这些新的数据，回答一些以前无法回答的问题；还可以了解互联网带来的冲击，看它如何改变生活，影响福祉。

再举一个种族隔离的例子。美国会有详细数据，比如，某些地方黑人和白人的比例。隔离不仅指居住隔离，还存在日常生活的隔离，比方说消费模式。现在有了手机数据，可以识别城市中的隔离，这对规划也意义非凡。比如，公租房应怎样配建，相关政策是否合理，居住隔离的情况目前到底如何，采取的措施到底多大程度上能改变这个事情，都需要严谨的研究。基于证据去检验政策，非常重要。

数据与方法

规划师们应该比我更熟悉，中国有多少个省级单元，多少个地级单元，多少个区县单元，多少个乡镇街道单元。我们以前的定义，是直辖市加地级市这种最常用的做法。

我们使用的数据来自百度地图。它是位置服务提供商。来自百度、阿里和腾讯等公司的位置数据的好处是，可覆盖中国几乎所有样本；如果是运营商，样本都是有偏的，要进行组织扩样（对每个样本的权重重新进行赋值）。但运营商的手机信号的好处，比如联通，每天可以汇报200个位置数据。我们可以据此，把每个人每天精确的位置变动、行程和停留都描绘出来。这样可以挖掘如上列出的消费隔离等问题。所以，不同数据适合于不同的研究问题。

百度会基于每台手机过去三个月的历史位置的记录，把日间和夜间最常出现的位置分别视为居住地和工作地。百度每月会更新这些数据。我们拿到的数据，其实是乡镇街道层面加总的通勤数据。

使用新数据，首先要让别人相信你的数据质量可信。比如说，2017年移动互联网用户数量到了12亿，在工作者通勤方面，使用移动互联网比例更高。但存在一些区别，不同城市之间存在一些系统性偏差。经过不同方式的验证，我们有了信心。

我们的算法，其实也很简单，就是迭代聚类方法。优点是什么？首先，不需要确定一个中心。比如北京，我们不需要确定天安门或国贸等作为中心。但需要先确定一个阈值的比例。

这个比例可以怎么来呢？比如，北京的西城和东城，如果西城有100个人，其中20个人住在西城，去往东城上班，就可以认为西城到东城的比例是20%。如果选定15%作为阈值，那么好，西城到东城的20%超过15%，那我们就把西城并到东城那边。这样下一步，我们就更新这个组团，西城到东城成为一个新的单元。不停滚动这样的过程，直到所有比例都小于阈值15%。基于这样的算法，给出了一组所谓通勤组团。

接下来做两件事。第一，以区县为单元来做这个滚雪球的过程。又或者，以乡镇街道为单元开展这样滚雪球的过程。各自有各自的好处。以乡镇街道为单元，会更精确，边界会更准。但我们大部分统计数据，只有区县街道才可得到。所以，我们把通勤组团跟区县的地图做了叠合。

如果每个区县里，超过50%的人在某个通勤组团内，我们就把这个区县列入这一组团。这就相当让边界是以区县边界为单元。其实是为了让人方便用这个产品，让以后大家用我们的定义时，手中的数据可以一并使用。然后，加入若干人口规模和人口密度限制。我们就得到了都市区的边界。

就像之前举例，西城到东城工作的居民达到15%的比例，这个阈值就是所谓限制。随着设定阈值的变化，用通勤数据定义的都市区数量也会出现变化。基于经验，我们最后选择的是10%。

给大家看这个图。不同颜色的组团，就是我们所定义的经济都市区。最明显的特点是，大部分城市里，那个组团都非常小。都市区要比它对应的地级市小得多得多。只有少数几个，如北京、广州、深圳、成都、西安、武汉，可能会超过自己地级市的范围。

我们为什么喜欢10%？也不是完全拍脑袋。如果是2%，整个川渝片区完全连成一块，不太合适。如果选择5%，情况差不多相同。如果选择20%或30%，都市区的数量好像太少，所以我们觉得，10%是比较好的。当然你可以说11%、15%可能也差不多。

再来看，中国排名前十的都市区在哪里。这时上海是第一的，其次是北京，然后广州排到第三，随后是成都、深圳和重庆。如果还是按照地级市来算的话，重庆肯定第一，对吧？有三千多万人。

一些发现

我们发现了什么？之前已提到，大部分这种城市，都位于地级市边界内，而且要比对应地级市的面积小得多。然后我们看，中国的单程通勤时间，中位数只有15分钟（北京当然例外），这远小于美国的27.6分钟（主持人询问后，报告人解释数据来源：来自2015年人口普查数据。学者们使用的是一个较小的抽样样本）。另外，中国跨越行政区通勤很少，区县级单元内部通勤的比例平均是88%。这很令人惊讶。88%的人在区县内部生活和工作，类似一个区县大院。当然，比如北京这里，燕郊、廊坊，固安那一片，跟北京市中心区的通勤联系非常紧密。再看上海，上海的通勤联系集中于行政辖区内部。珠江三角洲，广州已经跟佛山联系紧密。重庆的话，主城区九个区，以及少数邻近区县进入了通勤联系中。成都的话，与邻近的眉州、阿坝，从通勤而言关系会较为紧密。

然后比较一下区和县。区和县在内部通勤比例上差异分明。如图所示，橙色的都是县，内部通勤比例很高。如果是区，正如之前所列西城、东城、海淀之间的联系，区与区之间的通勤联系会很紧密，而区内通勤比例相对较低。这也说明，我们所使用数据的质量符合预期。

另外有趣的一点是，发现存在所谓边界效应。就我国区县而言，如果两个区县同属一个地级市内，通勤情况如何？比如，从燕郊到朝阳和从大兴到朝阳，距离可能是一样的，但燕郊到朝阳通勤人数比例就要小得多的多。因为有行政边界这样一个阻碍。 

导致边界形成的效应，可以怎么分解？我们考虑到几种可能。比如，跨城市边界的公共交通不足可能是一个问题。另一个问题可能是类似户口的作用。由于户口因素存在，就不能在一个地方居住，在另一个地方上班。如何对这些因素加以分解？很难找到一个清晰的框架，没有很好的机制去识别。正如我今天所讲，都是描述性的，并没有因果推断在其中。

比较

我们从官网下载美国、墨西哥、巴西的通勤数据，这些数据是公开的，用同样的算法去定义他们的都市区，把这些都市区按人口从大到小进行排序，按不同都市区人口占全国人口比例的高低进行排序。可以看到，美国这条曲线是最高的，说明他们的大都市区域人口的占比非常高。再看墨西哥2015年数据，然后是巴西2010年数据，可知中国大都市区人口占比远低于它们，不管是以乡镇街道为单元，还是以区县为单元来进行比较，差距都极为显著。

当然可能有人认为，中国面积太大。所以，我们把中国分成几个组团，比如华东、华北、华南。其中华东、华南跟美国人口比例接近。但可以发现，仍然比美国数据低得多。再按面积排列。中国都市区的面积累积分布曲线，跟巴西差不多，但仍远低于美国和墨西哥。美国15个最大城市，其人口之和可占全美人口41%。中国只有18%。

可能有哪些因素导致这种情况发生？我们尝试寻找一些证据，但并非那么严谨。首先，是行政边界，中国537个都市区之中，只有18个跨越了地级市边界，比如北京、深圳。只有一个算是跨越省界，北京。但在美国，排名前100的都市区里，36个是跨州的。比如纽约-新泽西都市区。十个最大的都市区，有七个是跨州的。

我国地方政府有各种规则，让比如住在东莞到深圳上班很难。首先，各种不同的社会福利，分别与居住地、工作地、户口所在地绑定。比如，孩子的教育是跟户口所在地绑定，医疗是跟工作所在地绑定。当然，现在有了异地医保互认，是一个重大进展，可以看看对人口流动的影响。

另外，就是之前提到的，公共交通网络通常不会跨越行政边界。有兴趣可以看看，公共交通怎么改变都市区的边界和大小。另一点就是行政层级。可以看到，我国最大的十个城市都是直辖市或省会，深圳例外，是经济特区。27个省份中，25个省份的最大都市区都在省会。有学者使用中国历史数据研究发现，这种强相关性在历史上普遍存在。

行政层级较低的城市，会有一些不利的政策待遇。按说1978年改革开放以来，外向型经济占上风，意味着港口、海边的城市会占据很大的地理优势。但1978年至今，每个省最大的城市仍是内部的城市，因为大部分省会都在内部城市。这说明我们的市场力量也许相对于政府并没有那么强。此外，可以看到，某区成立的时间越晚近，它归属中心组团的比例就越低。换而言之，如果某个区设区时间越晚，其内部通勤比例就越高。来看县的情况，如果这个县离市中心越远，内部通勤比例也会越高。

如果没有诸如通勤数据来定义城市，别人可能说，你可以用基于夜间灯光的数据进行比较。可以看我们用灯光画的这个图。图看起来很棒。但有什么缺点？图中整个珠江三角洲和旁边的福建连在了一起，整个长三角都连在一起，上海与旁边的江苏、浙江都连在一起。这些地方看起来都是连片特别亮的。虽然这些连片区域都可定义为“城市”，但如果看内部通勤联系，其实分属不同组团。

基于定义的经济都市区，我们可以考察城市体系的特征。齐夫定律是说什么？如果把国家中所有城市从最大到最小进行排列，存在一定规律。比如，居于首位的最大城市人口规模是2400万，第二位城市就应该是2400÷2，也就是1200万。第三位城市就应该是2400÷3，也就是800万。一些经济学家，比如爱德华·格莱泽，《城市的胜利》作者，有篇文章说中国情况并不符合齐夫定律。大致说是因为中国城市规模小，受到诸如户口因素的阻碍。但论据其实并不对。如果使用我们用通勤数据所定义的都市区排序，你可以看到，齐夫定律还是成立的。

我们还计算了所谓城市规模红利。比如说，城市的规模增加10%，这个地方的平均工资或生产率会高多少？最近二十大报告还强调要提高全要素生产率。可以看到，采用不同的城市定义，其系数的大小是不一样的。要针对不同研究目的，选择最合适的一种城市定义。城市边界在哪的问题，我觉得是比较重要的。这项工作对我们国家非常有意义。

问答环节要点

我们有非常多的通勤方面的研究。我们现在比较关注的是广州佛山的通勤，因为这对北京副中心发展极具启发。广佛的距离，跟北京城区到通州的距离较接近，是30公里。另外，广佛属于双向通勤状态，广州到佛山的通勤和佛山到广州的通勤基本是一样的。大家知道，生活在燕郊，到北京上班很痛苦，我们不应让这样的事发生。规划应把燕郊这些地方都划进来做。这种调整并非规划师说了算。但我们需要共同呼吁：在一个最合适的范围内，去考虑公共产品的提供，去考虑规划的编制。

关于量化的空间均衡模型。修建基础设施，比如修地铁，不仅会改变人们的出行方式，改变道路的拥堵状况。还会改变人们的居住选择，改变公司的区域性，最终会改变整个城市的通行模式。比如，就通州而言，有很多大公司进入。大企业过去之后，会怎样带动当地经济增长？

另一个感兴趣的研究，是地铁对城市空间的影响。你可以知道，一条新地铁线开通后，哪些人坐这条地铁，这些人是原本就住在这儿，还是从别的地方搬过来后才用这个地铁，这是用其他任何数据所不可比较的。我希望能跟规划师们就此合作：北京最近这一年间开通那么多地铁线路，在交通网络完备度不同的情况下，到底会如何改变周边人的出行的模式？到底会如何吸引人们搬到地铁线周边？

之前提及中国、美国、巴西的国际比较。相当于采用了同样的算法，使用了同类型的数据，亦即通勤交通数据。有时我们需要做时间维度的比较。因此，如果数据的统计口径一致，使用的方法也一致，任何比较都是有意义的。如果从政府部门的角度，采取制度化的方式从公司获取数据，会事半功倍。

我们的研究，关乎两个方向：其一，新数据如何回答传统的问题；其二，互联网给我们带来何种改变。美国沃顿商学院开展了全美各个城市的土地管制的统计。每个城市的土地管制强度不一样。土地管制越强，这个地方房价越高，因为限制了土地供应。

我们也应该做一些有意义的跨城市的比较，理解不同城市的土地供应。关于房价，关于住房市场，我们真的有太多东西不知道。住房关乎需求和供给，要知道需求弹性是什么，供给的弹性又是什么。比如，房价增加了10%，我们土地供应能增加多少？忽略城市政府的若干因素，市场需要做出何种反应？北京弹性多少，上海是多少？——我们都不知道，因为没有合理的数据，没有合适的方法来做。我的意思是，基础工作方面需要做的太多。