多情景模拟下的中国城镇用地扩展预测

孙 健，张增祥，左丽君，赵晓丽，汪 潇，易 玲，刘 芳，徐进勇，胡顺光，孙菲菲

（1.中国科学院空天信息创新研究院，北京 100101；2.中国科学院大学，北京 100049）

城镇是人类干预自然环境较为强烈的地方，聚集了高密度的人口和社会经济活动。城镇扩展是城镇化的直接表现形式之一，也是城镇空间格局变化的综合反映。研究显示，城镇扩展正在深刻影响着周围的土地利用格局变化［1，2］以及生态系统［3］。为了更好地理解城镇化发展，有必要对潜在的城镇范围进行空间预测，从而为进一步研究城镇扩展的影响奠定基础。

近年来，许多学者通过建立总量预测模型和空间分配模型，开展城镇用地总量预测和空间分配模拟研究，研究特点呈现多尺度、多情景、多方法。在研究尺度上，从模拟单个城市的扩展［4］到模拟国家、地区尺度的城镇扩展［5］，甚至模拟全球尺度的城镇扩展［3，6-8］。在情景设置上，不仅着眼于单一情景或沿袭历史趋势［3，8］，也越来越多地关注不同情景的设置，既有学者自定义的情景［9］，也有采用国际通用情景，例如共享社会经济路径（Shared socioeconomic pathways，SSPs）［6，7］。关于SSPs 下全球或国家尺度层面城镇用地总量预测的研究中，大多数的最小划分单元均在国家或地区层面（全球分别被划分为16、32 个区域）［3，6］，而以国家或地区为最小研究单元，将预测到的国家或地区的城镇用地总量直接分配到空间栅格上，容易造成预测的城镇用地优先分配到城镇用地密度高的地方即发达地区，从而造成较大偏差［7］。Gao 等［7］通过将全球划分为375 个国家（区域），并对每个区域单独建模的方法解决了上述问题。在方法建模上，Aburas 等［10］研究表明，元胞自动机模型（Cellular Automata，CA）和其他定量模型耦合方法在城镇扩展预测研究中较常使用，其中CA-Markov 模型是过去10 多年中模拟城市扩展最流行的耦合方法，Dinamica EGO 模型是CA-Markov模型的应用之一。

分析上述研究，有几个方面有待改进：①结合SSPs 的中国国家尺度的城镇用地扩展模拟的研究较少。②Seto 等［3］和Chen 等［6］总量预测中使用的回归模型是线性的，而城镇用地与其影响变量的关系被普遍认为是非线性的［11，12］。③Gao 等［7］将中国划分为26 个区域，模拟过程是通过总量预测模型得到预测增加的城镇用地数量，首先分配给次国家区域，然后再通过空间分配模型直接分配给每个区域内的栅格单元。本文的研究区域是中国，可以进一步提升总量预测模拟的精度，而不只是中国26 个区域。

改革开放以来，中国城镇化进程发展很快，研究表明中国是世界上城镇扩展速度最快的国家之一［13，14］。《国家人口发展规划（2016—2030 年）》指出，中国2030 年常住人口城镇化率将达70%，这意味着城镇用地规模在未来一段时间内还将会持续扩大，由此引发的城镇发展与周围环境、生态系统保护等的矛盾将会加重。本研究以中国多省、自治区和直辖市下所有的城镇（除台湾省外）为研究对象，城镇用地总量预测部分采用异速生长模型，城镇用地空间分配部分采用Dinamica EGO 模型的空间分配模块，预测时间节点为2030 年，情景设置参考SSPs，分辨率为1 km。针对上述研究不足，本研究通过采用具有非线性特征的异速生长模型探测城镇人口-城镇面积的关系，并结合未来SSPs 的人口预测数据对城镇用地总量开展预测；以中国338 个城市（地级行政区、直辖市）为总量预测的最小研究单元，在城市分类的基础上对每个类别分别进行总量预测建模，总体上形成了“分类别总量预测-地级行政区、直辖市总量预测变化量-1 km 空间栅格单元”自上而下的分配模拟流程。在此基础上，对SSPs 下2030 年的中国城镇用地空间预测结果进行分析，以期为中国城镇发展的探索提供参考，并为进一步研究城镇扩展对环境和生态系统服务的影响奠定基础。

1 数据与方法

1.1 数据介绍

本研究使用的数据包含人口数据、土地利用遥感监测数据、自然因素、区位因素和交通因素数据，其中自然因素、区位因素和交通因素作为城镇用地空间分配的空间驱动因子和限制因子。数据具体名称及来源如表1 所示。

表1 数据名称及来源

1.2 研究方法

本研究采用异速生长模型对Dinamica EGO 模型的总量预测模块进行改进，在此基础上开展城镇用地扩展预测。首先进行城市分类，在每个类别内部基于2000—2015 年历史数据构建异速生长模型，再结合未来预测人口数据得到SSPs 下地级行政区、直辖市的未来城镇用地面积；然后采用Dinamica EGO 模型的空间分配模块进行城镇用地的空间栅格预测。技术路线如图1 所示。

图1 SSPs下中国城镇用地扩展预测模拟的技术路线

1.2.1 城市分类 考虑到类间的差异性和类内的相似性，即不同级别城市的城镇用地扩展趋势不一致，有必要区分不同级别城市，在各自级别城市群内部进行城镇用地总量预测。城市分类具有不同的参考指标和体系，2014 年国务院发布的城市规模划分最新标准是采用单分类指标——城区常住人口。本研究根据异速生长模型建模的需求，需要创建一套适合于城镇用地的城市分类体系，故选择采用城镇人口作为分类指标。分类方法采用类间距离为离差平方和法的系统聚类方法，按照最大程度区分不同性质类别的标准来确定类别数。依据类间差异最大化原则，中国城市可分为4 类，分类结果如图2 所示，具体类别信息描述见表2。

表2 中国城市（地级行政区、直辖市）分类结果

图2 城市分类结果

1.2.2 城镇用地总量预测模型 城镇用地总量预测模型用于对未来城镇用地需求量的预测，即城镇用地的变化面积。本研究基于异速生长模型搭建城镇用地总量预测模型。异速生长定律原是生物学领域的一种几何测度方法，有学者将其引入人文地理学领域探讨城市人口-城区面积关系。陈彦光等［18］将该方法引入中国，最初以河南省城市为研究区，采用异速生长模型分析了城市扩展的人-地关系特征。

城市异速生长方程一般表示如下：

式中，A为城镇面积，P为城镇人口规模，b为异速增长系数（或称标度因子），用来描述城镇面积和城镇人口的异速增长关系。

即城镇面积A的相对增长率与城镇人口P的相对增长率之比是一常数b。两边同时积分等价转为：

或化为双对数形式：

1.2.3 城镇用地空间分配模型 城镇用地空间分配模型用于将预测增加的面积分配到空间栅格单元中，本研究采用Dinamica EGO 模型的空间分配模块来实现该过程。Dinamica EGO 模型是基于元胞自动机原理开发的模拟景观动态变化的地理建模平台［19］。土地利用转化概率模块基于贝叶斯理论的证据权重法开发，土地利用变化数量分配模块则使用了流行的元胞自动机算法。

1）基于证据权重法计算转化概率。证据权重统计方法的核心是基于条件概率的贝叶斯理论［20］，这里的“证据”即“驱动城镇化发生的解释变量”，而解释变量就是选取的城镇化的驱动因子。本研究考虑到城镇扩展的主要驱动力和驱动因子1 km 栅格数据的易获得性，选择了自然因素、交通因素和区位因素三大类驱动因子（表1）。

首先，计算各驱动因子分段权重。贝叶斯理论可以用胜率的形式来表示，如式（4）所示。再对含有胜率的等式两边取自然对数，即可得到用对数形式表达的分段权重，即式（5）、式（6），反映了该段取值的驱动因子对“非城镇用地-城镇用地”转化的贡献程度。

式中，R为“非城镇用地转为城镇用地”的事件，S为驱动因子，O｛｝为胜率，W+为在驱动因子影响下的证据权重。

其次，求解每个栅格的转化概率。转化概率本质上是条件概率，把含有对数形式的式（5）转为条件概率的式（7），并代入相应权重，即可得每个栅格的转化概率。其中，符号ψ是标准化常数，以确保最后转化概率的值位于0~1。

式中，Px,y为在某一像元处的转化概率，S1,…,Sn为所有的驱动因子。

2）基于Patcher 和Expander 函数执行元胞空间分配。影响土地利用变化数量空间分配的不只是每个元胞的转化概率，元胞周围的邻域也会对空间分配起作用。Dinamica EGO 模型由两个互补的函子Expander 和Patcher 作为局部元胞转化规则来实现邻域影响。Expander 函子表明城镇用地斑块扩展或收缩，Patcher 函子通过种子机制形成新的城镇用地斑块，这两种过程相互补充、共同发挥作用。

3）模型精度验证。为了对校准后模型的可靠性进行检验，以2000 年为模拟初始年份，2015 年为模拟终止年份，将模拟结果与实际城镇用地范围进行比对。验证的指标采用品质因数（Figure of Merit，FoM），FoM 最早由Pontious 等［21］倡导用来评估土地利用变化模型模拟的精确度。FoM 是预测成功的栅格数和预测土地利用类型变化量与实际变化量之和的比值。该指标探讨的对象只是变化的栅格量，并没有把未发生土地利用变化而导致模拟影像和实际影像元值相同的部分栅格考虑在内，从而避免了过高估计，所以FoM 指标比总体精度和Kappa 系数更加真实和可靠。

计算原理如式（8）所示。其中，A表示由于实际发生城镇化但未预测到城镇化而导致的错误，B表示正确预测到的城镇化，C在本研究中为0，即模型模拟过程中不允许逆城镇化，D表示由于未发生城镇化但预测为城镇用地而导致的错误。FoM取值范围为0~1，0 表示两者完全没交集，1 表示完全重合。

4）模拟预测。利用异速生长模型得到2030 年城镇用地面积以及经过校准验证后的各参数值，以2015 年为城镇用地的模拟起始年份，模拟2030 年不同情景下的城镇用地范围。

SSPs 作为新一代的情景组合，提供了未来不同社会经济发展路径下的描述，而城镇是人类开展社会经济生产活动的主要区域，因此结合SSPs 探讨不同情景下未来城镇的扩展是有意义的。SSPs 的结果是缓解与适应社会经济挑战的特定组合，如图3所示［22］。表3 描绘了5 种不同的社会经济发展模式，可分为可持续发展道路（SSP1，Taking the Green Road）、中等发展道路（SSP2，Middle of the Road）、区域竞争道路（SSP3，A Rocky Road）、不均衡发展道路（SSP4，A Road Divided）和化石燃料为主的发展道路（SSP5，Taking the Highway）。

表3 SSPs情景描述

图3 5 种共享社会经济路径

1.2.4 城镇用地扩展特征的分析指标 选择扩展面积（市均扩展面积）和扩展速率2 个指标，分析城镇扩展特征。参考Zhang 等［23］关于中国城市扩展研究中指标的选取，结合本研究的时间阶段特点（时间阶段均为15 年），所以把指标定为扩展面积（市均扩展面积）和扩展速率。扩展面积反映了城镇扩展的净变化量，其中，“市均”目的是方便比较不同城市数量群体之间的扩张特征；扩展速率是无量纲量，基数是初始年份的原有城镇面积，反映了城市本身的扩展倍数。

2 结果与分析

2.1 总量预测建模结果

采用异速生长模型分别对4 类城市进行2030 年SSPs 下城镇用地总量的预测。在每个子区域内，使用2000 年、2005 年、2010 年和2015 年的每个地级行政区、直辖市的城镇面积和城镇人口数据进行建模，面积单位为公顷，人口单位为百万人，结果如图4 所示。基于Chen 等［6］构建的SSPs 下中国网格化人口数据库中的未来城镇人口数据，将建立好的异速生长模型应用于2030 年每种路径下的城镇用地总量预测。

图4 城镇用地总量预测建模结果

2.2 空间分配验证结果

为了对校准后模型的可靠性进行检验，以2000年为模拟初始年份，2015 年为模拟终止年份，将模拟结果与实际城镇用地范围进行比对。FoM 指标越大表示模拟结果越准确。根据有关城镇扩展预测模型方面的研究，FoM 指标大多为0.2 左右［24-26］。本研究验证结果如图5 所示，全国尺度的FoM值为0.30；区域尺度上，东部地区的FoM值最大，为0.36，中部地区的FoM值次之，为0.27，东北地区的FoM值最小，为0.21。经过与其他城镇扩展模型的验证结果比对，有理由认为本研究的模型可以用于未来城镇用地的预测模拟。

图5 城镇用地扩展预测模型验证结果

2.3 SSPs 下中国城镇用地扩展的特征分析

2015—2030 年，5 种情景下中国的城镇面积扩展均明显减缓；此外，在不同情景下，未来城镇用地预测的结果存在较大差异。首先，5 种情景下，2015—2030年中国的城镇扩展面积为21 721~25 419 km2，与2000—2015 年城镇扩展面积相比，降低了58.07%~64.17%。根据表示城镇化发展水平的诺瑟姆曲线和表示城镇化发展速度的倒“U”形曲线理论［27，28］，预测城镇扩展面积大幅降低，表明中国将要迈过城镇化速度峰值，进入城镇化快速发展阶段的第二阶段，即减速阶段；其次，SSP5 情景下中国的城镇扩展面积最大，SSP3 情景下最小，SSP2 和SSP4 情景下的城镇扩展面积相近。

2.3.1 SSPs 下中国不同城市的城镇用地扩展差异SSPs 下，2015—2030 年中国单个城市间的城镇扩展差异化明显，并且分布不均衡。根据SSP2 中国城镇预测结果（图6 和图7，SSP2 为中等发展道路，可以被理解为遵循历史趋势的发展情景［22］，并且，5 种情景下本研究得出的结论都适用，故以SSP2 作为SSPs的代表）可知，首先，无论从扩展面积和扩展速率角度考虑，未来中国的城镇扩展大多集中在胡焕庸线的东侧，西部地区纵深的位置除了新疆部分地区外，其他位置扩展很小，原因是固有的区位发展优势存在差异［29］。其次，由图6、图7 和图8 可以看出，河南省、河北省等中部地区的城镇扩展面积和扩展速率最大，是未来城镇扩展的焦点，一方面因为这些省份是人口大省且城市正处在快速发展阶段，这与发达地区城市的发展后劲不足形成了鲜明对比［27，30］；另一方面以郑州等城市为代表的中原城市群政策将更大程度上促进中原城市群的崛起［31，32］。

图6 2015—2030 年SSP2 下中国城镇扩展范围预测

图7 2015—2030 年SSP2 下中国地级行政区、直辖市尺度的城镇扩展面积和扩展速率

图8 2015—2030 年SSPs下五大城市群的城镇扩展范围预测

2.3.2 SSPs 下中国不同地区的城镇用地扩展差异本研究按照国务院2015 年定义的中国四大经济区域——东北、东部、中部、西部四大地区，比较SSPs下2015—2030 年的城镇扩展差异。

与2000—2015 年对比发现，东部地区的城镇用地扩展速率降幅最大，中部和西部地区的城镇扩展速率降幅较小，表明东中西部的差距将会减小。由表4 可知，5 种情景下中国未来的城镇扩展速度均明显放缓，从不同区域来看，市均扩展面积和扩展速率均是东部地区降幅最大，中部最小。此外，2000—2015 年的东部地区扩展速率最大，而预测的2015—2030 年，中部地区和西部地区的扩展速率均大于东部地区，反映了未来预测的时间段内，中部和西部城镇扩展的速度会加快，表明东、中、西部城镇发展的区域差距将会缩小，一定程度上反映了区域协调发展战略实施的重要意义。

表4 SSPs下中国不同地区之间市均城镇扩展面积和扩展速率

2015—2030 年5 种情景相互对比发现，SSP5 下不同地区市均扩展面积的差异较其他情景增大，表明该情景不但不利于气候变暖减缓而且不利于区域协调发展。首先，整体来看，5 种情景下东北地区的市均扩展面积和扩展速率均最小，并且其相比2000—2015 年的降幅程度仅次于东部地区，原因在于东北老工业基地的资源型城市经济转型困难等［33，34］；其次，大部分情景下东部地区的市均扩展面积大于西部和中部地区，但扩展速率却小于西部和中部地区，可能是城市处在不同发展阶段所致。

2.3.3 SSPs 下中国不同规模城市的城镇用地扩展差异 本研究按照国务院于2014 年发布的《关于调整城市规模划分标准的通知》中提到的最新标准，以第六次人口普查数据为基础，按照城区人口统计口径将研究区的地级行政区和直辖市分为五大类——超大城市、特大城市、大城市、中等城市和小城市［35］。

与2000—2015 年的对比发现，超大城市和特大城市的城镇用地扩展面积和速率放缓程度最大，大城市、中等城市和小城市的城镇扩展速度放缓程序较小，表明大中小城市之间城镇发展的差距将会减小。据表5，首先比较不同城市规模的城市群体之间的城镇用地扩展放缓程度，市均扩展面积和扩展速率均是按照超大城市到小城市的顺序依次递减；其次，2000—2015 年的特大城市扩展速率最快，而预测的2015—2030 年，中等城市的扩展速率最快，反映了未来预测的时间段内中等城市的城镇扩展速度将会快于其他类型城市，即大中小城市之间的城镇发展差距将会减小，国家推动制定的大中小城市协调发展的政策将起到重要作用。

表5 SSPs下中国不同规模城市之间市均城镇扩展面积和扩展速率

2015—2030 年5 种情景对比发现，SSP5 下不同规模城市之间市均扩展面积的差异较其他情景增大，表明该情景不利于不同规模城市间的协调发展。整体来看，大部分情景下超大城市和特大城市的市均扩展面积大于其他级别的城市，但扩展速率却最小，这可能是城市处在不同发展阶段的原因；其次，SSP5 下超大城市和特大城市的市均扩展面积最大、SSP3 下超大城市的市均扩展面积较小。

3 结论

本研究提供了2030 年多情景模拟下空间分辨率为1 km 的中国城镇扩展预测结果，并从不同角度对中国城镇用地预测的结果进行了对比分析。结果表明，不同时间阶段间、不同城市（群）间、不同情景间城镇扩展均有较大差异。

1）2015—2030 年，5 种情景下中国的城镇扩展均明显减缓，与2000—2015 年中国的城镇扩展面积相比，降幅程度达到了58.07%~64.17%，表明中国将要迈过城镇化速度的峰值。

2）SSPs 下，中部和西部地区、中等城市的城镇扩展速度会加快，表明东中西部、大中小城市城镇发展的区域差距会缩小，区域协调发展战略和大中小城市协调发展政策效果显著。

3）对于东部地区或者超大城市、特大城市而言，SSP5 情景下，不同地区、不同规模城市的市均扩展面积差异较其他情景增大，表明该情景不但不利于气候变暖减缓，而且不利于区域协调发展。

城镇化是中国现代化进程中的一个基本问题，中国的基本国情决定了城镇化还有很长的路要走，协调推进城镇化是实现中国现代化的重大战略选择［36］。2021 年是“十四五”规划的开启年，“十四五”时期是中国乘势开启全面建设社会主义现代化国家新征程的关键时期，更加需要把握未来的城镇化进程，本研究结果可为中国新型城镇化发展政策的制定提供依据。