苏州城市增长的时空动态与驱动因素

中国苏州城市增长的时空动态与空间决定因素

摘要

本文通过苏州这一快速工业化和全球化的城市案例，分析了中国城市增长的时空动态，并对其空间决定因素进行建模。我们对源自1986年至2008年多时相遥感图像的苏州土地利用数据进行了空间分析。识别出三种城市增长类型，即填充式增长、边缘扩张和跳跃式发展。我们采用景观指标来量化苏州城市增长的时间趋势。在这22年期间，苏州的城市化经历了从自下而上的农村城市化向以城市为基础的自上而下的城市扩张转变，其内在机制也从乡镇企业（TVE）驱动的农村工业化转变为外商直接投资（FDI）驱动的“开发区热”。此外，我们采用了全局逻辑回归和局部逻辑回归模型，以一组空间变量来模拟城市土地转换的概率。全局逻辑回归模型发现邻近性、邻域条件和社会经济因素具有显著影响。地理加权回归（GWR）模型在模型拟合优度和预测精度方面优于全局回归模型。更重要的是，变量的局部参数估计使我们能够考察各变量对苏州城市增长影响的空间变异。

关键词 ：城市增长；城市化；景观指标；地理加权回归（GWR）；苏州；中国

1. 引言

自1978年实施经济改革和开放政策以来，中国经历了前所未有的城市化。中国各城市和地区发生了巨大的城市土地扩张[1–3]。到2011年底，中国历史上首次出现城镇人口超过农村人口的情况[4]。然而，中国的快速城市化也伴随着耕地流失、景观破碎化和可持续性挑战[1,5,6]。许多研究致力于分析城市土地扩张的复杂格局，并探讨其潜在因素[7–9]。

中国的城市增长已从不同视角得到研究。学者们已从制度和政治经济学视角[10–14]揭示了中国城市土地扩张的驱动因素。他们发现，中国的城市增长由经济改革和全球化推动，并由政府和跨国公司主导。随着空间建模、地理信息系统（GIS）和遥感技术的发展，已开发出多种模型以分析中国的城市增长模式。其中，基于神经网络的元胞自动机模型和基于代理的模型通常用于预测/模拟土地利用变化情景[15–17]。然而，这些模型在解释城市增长的潜在机制和多样化模式时，往往不足以纳入社会经济因素。以往的城市扩张模型倾向于从全局视角揭示城市增长模式，假设各种因素的影响在整个研究区域内均匀适用，较少考虑空间变异。然而，城市增长是一个空间上的非平稳过程。土地利用变化中的空间异质性不容忽视[18]。近年来一些研究通过使用空间显式模型（如地理加权回归（GWR）和空间扩展方法），考虑了城市增长与解释因素之间的空间非平稳关系[8,9,19]。

通过长江三角洲苏州市的案例研究，本研究旨在利用空间分析、地理信息系统（GIS）和景观指标，并结合制度分析，探讨苏州市城市增长的时空动态。此外，通过采用逻辑GWR模型，本研究进一步考察城市土地转换与潜在因素之间关系的空间差异性。最后，苏州市作为与中国国家级中心城市不同的二线城市，其案例有助于加深对中国城市增长多样化模式与决定因素的理解。

2. 数据与方法

2.1. 研究区域与数据

2.1.1. 研究区域

苏州拥有2500多年的历史，是中国的古都和历史文化名城之一。位于中国华东地区（苏南）江苏省南部（图1），地处太湖东岸、长江三角洲下游。苏州以其优美的风景著称，尤其是古典园林、水系和桥梁，被誉为“东方威尼斯”。市内河网密布，河流、运河与湖泊纵横交错。苏州的平均海拔仅约4米，但西部分布有低山。凭借水、气候和土壤的优势，苏州农业发展历史悠久，曾是中国重要的水稻生产基地。

自宋朝以来，苏州一直是长江三角洲的经济文化核心。在明清时期，它是全国的制造和商业中心[20]。然而，19世纪中期，由于外来势力的渗透，苏州开始陷入停滞。太平天国运动的严重破坏，苏州的发展开始停滞。其地位逐渐被蓬勃发展的条约港口上海所取代。自1978年经济改革以来，苏州经历了快速的经济增长，国内生产总值在2008年达到6700亿元人民币，位居全国第五。20世纪80年代，苏南地区政府主导的乡镇企业（TVEs）蓬勃发展，开创了一条被称为苏南模式的成功发展道路[21]。20世纪90年代初，苏州开始借鉴成功开发区吸引外商直接投资（FDI）的经验和策略。自20世纪90年代中期以来，苏州已摆脱传统的苏南模式，转向全球化，成为中国热门的制造中心和主要外商直接投资目的地[20]。

苏州市是苏州地区的地级市行政中心，该地区还包括其他五个县级市。自20世纪80年代以来，苏州地区的行政区划不断变化，苏州市也持续从邻近城市兼并土地。为了保证分析的一致性，我们采用2008年苏州市的行政区划，当时其由七个区组成（图1）。截至2010年底，该市面积达1810 km²，人口为400万。

2.1.2. 数据

卫星遥感数据可为监测土地利用变化提供准确及时的地理空间信息。本研究使用了1986年、1991年、1995年、2002年和2008年的五幅陆地卫星专题制图仪（TM）图像（Path 119/Row 38）。这些图像均下载自美国地质调查局（USGS，http://earthexplorer.usgs.gov/）网站。我们还使用了其他空间数据，包括数字高程模型（DEM）、交通网络的GIS文件（2006年）、行政区划（2008年）以及来自统计年鉴的社会经济数据（1991–2009年）。这些数据由南京地理与湖泊研究所、苏州市统计局和苏州市规划局提供。

2.2. 方法

2.2.1. 土地利用数据采样

本研究采用的土地利用数据源自五幅陆地卫星TM图像（30米 × 30 m分辨率）。具体而言，我们使用了由布雷曼[22]开发、刘亮和威纳[23]在R语言中实现的机器学习算法随机森林，以“训练”计算机系统进行监督分类。随后，我们通过分层随机抽样从每幅分类图像中选取500个点，并将其与参考数据（高分辨率图像或GIS土地覆盖数据）进行比较。总体精度因年份而异，但均高于85%。分类结果包括四种土地利用类型：水体、湿地、植被覆盖地和建成区。在本研究中，城市土地被广义定义为分类图像中的建成区。

为了提取非城市到城市土地利用转换区域，对1991年和2008年的两幅分类图像进行了空间叠加操作。用于城市土地扩张的图像包含2318 × 2059像元，数据量巨大，难以处理，因此需要采用合适的采样方法。为降低空间依赖性并确保样本具有总体代表性，我们采用了一种结合系统采样和随机采样的空间采样方法[8,24]。首先，从1991年图像的非城市区域中提取间隔为10像素（300米）的等间距点；然后，从这些点中筛选出所有发生非城市到城市土地利用转换的2409个点；最后，从未发生城市土地转换的点中随机选取另外2409个点，最终获得共计4818个样本点。该样本量能够良好地代表总体，且可被大多数统计软件处理。

2.2.2. 景观指标的选取

最初源于景观生态学研究，景观指标最近被应用于城市形态[25,26]。景观指标可以在斑块、类别（斑块类型）层面进行定义，以及景观级别。已开发出多种景观指标，用于描述具有特定土地覆盖类型的景观比例；以及该类别中斑块的大小、数量、周长和形状复杂性[27]。许多实证研究已采用这些指数来评估城市土地利用的破碎化[28,29]。在本研究中，我们选择了以下在类别级别上定义的景观指标，以分析城市土地格局的整体变化：斑块数量（NP）、最大斑块指数（LPI）、边缘密度（ED）、平均斑块大小（MPS）、面积加权平均斑块分形维数（AWMPFD）和面积加权平均欧几里得最近邻距离（AWMENND）（见表1）。所有指数均使用公共领域软件FRAGSTATS版本4.2[27]。

表1. 选定的景观指数。

指数	单位	范围	公式和说明
NP	None	NP ≥ 0	NP等于相应斑块类型（类别）的斑块数量
LPI	百分比	0 < LPI ≤ 100	LPI等于相应斑块中最大斑块的面积（m²）类型，除以景观总面积（m²），乘以100（转换为百分比）
ED	米/公顷	边缘密度 ≥ 0	ED等于所有涉及边缘段的长度（米）总和相应斑块类型的面积，除以景观总面积（m²），乘以10,000（转换为公顷）
MPS	公顷	平均斑块面积 > 0	MPS等于相应斑块面积（m²）的总和斑块类型，除以相同类型的斑块数量，除以10,000（转换为公顷）
面积加权平均斑块分形维数	None	1 < 面积加权平均斑块分形维数 ≤ 2	面积加权平均斑块分形维数等于所有斑块相应斑块的总和类型，为斑块周长（米）的0.25倍的对数的两倍除以斑块面积的对数（m²），乘以斑块面积（m²）除以类别总面积
面积加权平均欧几里得最近邻距离	米	面积加权平均欧几里得最近邻距离 ≥ 0	AWMENND等于所有斑块对应的总和斑块类型，每个斑块的最近邻距离，乘以斑块的相对丰度（即斑块面积除以斑块面积之和）

NP：斑块数量；LPI：最大斑块指数；ED：边缘密度；MPS：平均斑块大小；AWMPFD：面积加权平均斑块分形维度；AWMENND：面积加权平均欧几里得最近邻距离。来源：McGarigal等[27]。

2.2.3. 城市增长类型

为了便于实施，我们使用了一个简单的方程来区分三种类型新开发的城市土地斑块，由徐等人提出[30]。

$$ S = \frac{L_c}{P} $$ (1)

其中 $ L_c $ 为新开发的城市斑块与增长前的城市斑块之间的共同边界长度，$ P $ 为新生成斑块的周长。当 $ S \geq 0.5 $ 时，城市增长类型定义为填充式增长；当 $ 0 < S < 0.5 $ 时，为边缘扩张；当 $ S = 0 $ 时，表示无共同边界，即为跳跃式增长[30]。

2.2.4. 扇形和同心圆分析

采用扇形和同心圆分析来表征苏州城市土地扩张的时空动态（图2）。扇形分析用于根据相对于预设城市中心的角度方向，刻画城市土地的数量和空间分布[31]。我们从城市中心引出16条方向轴，形成16个扇形区域，每个区域夹角为22.5度。然后将这些扇形区域与土地利用数据叠加，计算每个扇形区域内城市土地的面积，并将这些数值标注在相应的方向轴上，以展示城市土地的空间分布情况。

同心圆分析用于分析城市增长面积与距城市中心距离之间的关系。共创建了15个同心圆，每个圆环宽度为2千米。然后将这些同心区域与各时间段内的新增城市建设用地进行叠加，计算每个区域内城市增长面积的百分比。

2.2.5. 逻辑回归模型

逻辑回归模型已被广泛用于分析城市土地转换的决定因素。吴和叶将该模型应用于中国广州的土地利用变化研究，[32]发现道路通达性和社会经济因素是转型经济中城市土地开发的重要决定因素。Verburg等人[33]使用该模型分析荷兰的土地利用变化，发现住宅用地、工业/商业用地和休闲娱乐区的扩展可以通过可达性指标、空间政策以及邻域相互作用的组合来解释。

在本研究中，我们还采用了逻辑回归模型来识别苏州城市增长的决定因素。逻辑回归的因变量 Y 是一个存在或不存在事件，当 Y = 1 时，表示一个像元从非城市到城市建设用地的转换，Y = 0 则表示其他情况。P(Y = 1) 表示非城市到城市建设用地转换的概率。逻辑回归模型描述为[8,24]

$$ \text{logit}(Y) = \beta_0 + \sum_{k=1}^{n} \beta_k X_k + \epsilon $$ (2)

其中 $ X_k $ 为自变量，logit(Y) 是自变量的线性组合函数；$ \beta_0 $ 为常数；参数 $ \beta_k $ 为待估计的自变量 $ X_k $ 的回归系数；$ \epsilon $ 为误差项。logit(Y) 可转换回概率 P(Y = 1)

$$ P(Y = 1) = \frac{\exp(\beta_0 + \sum_{k=1}^{n} \beta_k X_k)}{1 + \exp(\beta_0 + \sum_{k=1}^{n} \beta_k X_k)} $$ (3)

2.2.6. 因变量与自变量的设定

如上所述，因变量是一个存在或不存在事件，当 Y = 1 表示一个像元在1991年至2008年期间从非城市到城市建设用地的转换，而 Y = 0 表示该像元仍保持为非城市土地。在土地利用转换模型中已识别出多种解释因素，包括道路基础设施的可达性、土地利用地点邻域属性以及空间政策（如规划限制）[8,24,32]。在本研究中，我们使用了三组自变量，包括与交通基础设施的接近程度、邻域物理条件和社会经济因素。所有自变量均描述了1991年的转换前条件。

首先，三个自变量——到城际高速公路的距离、到地方主干道的距离和到铁路的距离，可用于表示样本点与交通网络的邻近性。为了获取样本点的邻近性变量值，我们使用 ArcGIS 10.2.2（美国环境系统研究所，雷德兰兹）中的欧氏距离工具生成一组距离栅格表面（30 米 × 30米 像元大小），然后从这些表面中提取每个点的变量值。距离变量以千米为单位进行测量。

土地利用变化取决于邻域的物理条件[7,33]。我们选择了两个变量，即水域密度（水体与湿地合计）和植被区密度，以表示邻域内的土地利用物理条件。邻域被定义为480米半径的圆形区域，该范围考虑了距离衰减的影响以及其他学者采用的做法[8,24,33]。Verburg等人[33]指出，邻近区域的影响在500米范围内达到最大。Liu等人[24]和 Liao 与 Wei[8]分别在对杭州和东莞这两个快速城市化中国城市的城市增长研究中，确定480米为合适的邻域半径，这两个城市的发展轨迹与苏州相似。

邻域密度变量是使用 ArcGIS 10.2.2 中的区域统计工具计算的，用于测量某种土地利用类型在其直接邻域中的比例。我们还从30米数字高程模型中提取了样本点的坡度信息，以衡量其地形对城市发展的适宜性。坡度以度为单位进行测量。

现有对城市土地转换的研究往往更强调可达性和物理条件。学者们最近认识到社会经济因素是城市增长的重要驱动力[14,34]。我们选择了四个变量来反映社会经济因素的影响：到市中心的距离、到区中心距离、到工业中心的距离以及中心单元480米半径邻域内的建成区密度。这些变量被用来反映集聚经济的影响，包括城市集聚和产业集聚。

此外，我们对上述自变量进行了相关性分析。结果表明，水域密度与植被区密度之间，以及到市中心距离与到区中心距离之间存在高度相关性。土地利用类型中的植被区较为笼统，并未细分为林地或农业用地等子类。不同类型的植被覆盖地可能对城市土地转换产生不同的影响，例如林地可能构成限制，而农业用地则可能提供可开发空间。因此，变量“植被区密度”未被纳入最终模型中。我们还剔除了“到市中心的距离”这一变量，因为当将其纳入模型并同时排除“到区中心的距离”变量时，其回归系数并不具有统计显著性。随后，我们对剩余的八个自变量进行了方差膨胀因子(VIF)检验，所有自变量的VIF值均未超过7，表明不存在多重共线性问题。土地利用模型中使用的所有变量列于表2中。交通网络、重要社会经济中心、水体与湿地以及地形条件如图3所示。表3提供了样本数据集的描述性统计信息。

表2. 城市土地利用转换模型中使用的变量。

变量	描述
因变量
变化	非城市转为城市的土地转化
自变量
与交通基础设施的接近程度
到高速公路的距离	到城际高速公路的距离
到地方主干道的距离	到地方主干道的距离
到铁路的距离	到铁路的距离
社区物理状况
水域密度	水域密度（水体和湿地）
坡度	以度为单位测量的样点坡度
社会经济因素
到区中心的距离	到区中心的距离
到工业中心的距离	到工业中心的距离
建成区密度	建成区密度

表3. 样本数据集的描述性统计。

变量	Min.	Max	Mean	STD
到高速公路的距离	0.060	29.068	4.356	5.094
到地方主干道的距离	0.030	7.611	0.716	0.922
到铁路的距离	0.030	44.172	11.238	8.992
水域密度	0.000	1.000	0.213	0.311
坡度	0.000	35.035	3.192	4.454
到区中心的距离	0.095	41.670	11.957	8.100
到工业中心的距离	0.170	40.853	10.854	7.631
建成区密度	0.000	0.909	0.086	0.099

2.2.7. 地理加权逻辑回归

尽管上述经典逻辑回归模型（通常称为全局逻辑回归模型）被广泛用于模拟城市土地转换，但在用于局部尺度的土地利用变化建模时可能存在一些问题。采用逻辑回归对城市土地转换进行传统统计分析时，通常隐含地假设自变量与土地利用变化之间的关系是空间平稳的[8,35]。

除了经典的逻辑回归外，本研究还采用地理加权回归（GWR）来模拟城市土地扩张。GWR是一种用于研究空间非平稳性的局部回归技术[35]。它假设从传统全局回归模型中得到的关系是变化的局部过程的“平均”结果。通过使用核函数，研究人员可以通过对邻近数据进行地理加权，为特定位置创建局部样本，以模拟局部过程。因此，GWR适用于建模回归参数复杂的局部变化，并已被近期多项研究所采用[8,36,37]。在其基本形式中，GWR模型采用以下方程[35]：

$$ Y_i = \beta_{0i} + \sum_{k=1}^{n} \beta_{ki} X_{ki} + \epsilon_i $$ (4)

其中，$ \beta_{0i} $ 是位置 $ i $ 处的常数参数；$ \beta_{ki} $ 是位置 $ i $ 处自变量 $ k $ 的参数；$ \epsilon_i $ 是位置 $ i $ 处的误差项。基于公式(2)和(3)，公式(4)可修改为以下形式，表示逻辑回归地理加权回归：

$$ P(Y = 1) = \frac{\exp(\beta_{0i} + \sum_{k=1}^{n} \beta_{ki} X_{ki})}{1 + \exp(\beta_{0i} + \sum_{k=1}^{n} \beta_{ki} X_{ki})} $$ (5)

GWR 使用一种非参数核加权方案，根据其他位置与位置 $ i $ 的空间邻近性，生成局部样本，以估计位置 $ i $ 处每个观测值的参数[35]。距离较近的位置获得较高的权重，距离较远的位置则获得较低的权重。通常使用两种类型的核函数：固定核和自适应核，以获取权重。固定核函数计算量较小，但在数据稀疏的区域可能产生较大的局部估计方差，在数据密集的区域可能掩盖细微的变化[35]。在本研究中，我们采用了自适应核函数，该函数可确保一定数量的最近邻作为局部样本，能更好地反映空间异质性的程度。该自适应核函数基于以下双平方距离衰减函数[8,35]：

$$ w_{ij} =
\begin{cases}
[1 - (\frac{d_{ij}}{b})^2]^2 & \text{if } j \in {N \text{ nearest neighbor points}} \
0 & \text{otherwise}
\end{cases}
$$ (6)

其中 $ d_{ij} $ 是从 $ j $ 到 $ i $ 的距离，$ b $ 是从第 $ N $ 个最近邻到 $ i $ 的距离。

我们使用GWR4[38]软件包对苏州的城市土地转换进行逻辑回归地理加权回归（Logistic GWR）校准，其中最近邻点数量648是通过最小化修正的赤池信息准则 (AICc)[35]选定的。

3. 城市增长的时空动态

3.1. 景观特征变化

在1986年至2008年期间，苏州市的城市土地迅速且持续增长。1986年，建成区面积为168.84 km²（占研究区域的9.32%），而到2008年，面积扩展至552.47 km²（占研究区域的30.85%），增加了327%。年均增长率也大幅上升，1986–1991、1991–1995、1995–2002和2002–2008这四个时期的年均增长率分别为15.99、26.66、30.21和42.45 km²/年，表明过去22年中，苏州的城市化进程不断加快。大部分新增城市土地由农业用地转化而来。加速城市化伴随着苏州农业用地的大规模减少。

选定的景观指数的变化如图4所示。斑块数量（NP）在1986年为8016，1991年减少至6263，1995年增加到6373，随后在2002年再次下降至5869，并在2008年进一步降至5540。最大斑块指数（LPI）从1986年的2.21%持续上升至2008年的18.98%，表明主要城市斑块（对应城市核心区）在景观中的主导地位不断增强。边缘密度（ED）和平均斑块面积（MPS）均呈上升趋势，尽管ED在1991年略有下降，这表明城市斑块类型的平均长度和大小有所增加。同时，面积加权平均斑块分形维数（AWMPFD）也呈上升趋势，说明城市斑块形状复杂性增加。面积加权平均欧几里得最近邻距离（AWMENND）从1986年的95米持续下降至2008年的65米，表明城市斑块之间的距离越来越近。这些景观指标的变化表明，在城市化过程中，许多城市斑块在扩展过程中可能相互合并，因此其总数减少，而平均长度和大小增加。

3.2. 城市增长类型学

识别出三种城市增长类型，各类增长类型对增长面积的贡献率如图5a所示。显然，在整个22年期间，边缘扩张是主要的增长类型。在第一阶段（1986–1991），填充式增长占新开发城市土地总面积的10.86%，边缘扩展增长占73.07%，跳跃式增长占16.07%。从1991年至2002年，填充式增长的百分比下降至5.15%，跳跃式增长下降至7.14%。相比之下，边缘扩展增长上升至87.70%。在最后时期（2002–2008），填充式增长减少到仅占1%的可忽略比例，跳跃式增长略高于5%，而边缘扩展增长以93.24%的占比明显主导了新增城市区域。

三种增长类型的斑块数量比例在时间模式上表现出不同的趋势（图5b）。边缘扩展增长的斑块数量百分比最大，从第一时期的50.46%略微下降到最后时期的45.31%。填充型也从18.70%减少到15.03%，而跳跃式增长则从30.85%逐渐增加到39.66%。在22年期间，边缘扩张始终占比最大，跳跃式增长次之，填充型最小。

在苏州城市土地扩张的初期，增长前的城市斑块之间存在间隙，跳跃式增长的城市斑块与主导的城市核心区相隔离。随着苏州城市化进程的推进，这些间隙逐渐被填充式增长斑块所填补，同时也连接了一些增长前的城市斑块。与此同时，通过持续的边缘扩张，城市核心区向外扩展，逐渐接近并最终与那些原先孤立的跳跃式城市斑块连成一体。

3.3. 城市增长模式的变化

根据土地利用分类结果（图6）、扇形分析（图7）和同心圆分析（图8），我们可以详细分析不同阶段城市增长模式的变化。在第一阶段（1986–1991），城市土地沿16个方向轴几乎以相同的速度增加；城市增长主要集中在增长前的城市核心区（老城区）周围；少数新的建成区斑块在远离市中心的一些乡镇发展起来。反映新增城市面积百分比随到市中心距离变化的曲线呈现出多个峰值，表明该时期存在多个城市增长热点区域（图8）。第一个峰值出现在4–6公里处，其增长面积百分比为单个最大值，对应于城市核心区周围新开发的城市土地。在10–20公里处，增长面积的集中程度最高（接近一半），反映了这些乡镇中的新建建成区面积。

1991至1995年，城市增长率在不同方向上表现出显著差异。最高增长率出现在东、西南偏西、西北西和西北方向（图7）。图6也清晰地反映了这一模式。位于老城区以东的中新苏州工业园区（SIP）和位于西方向的苏州新区和高新技术区（SND）的发展显著扩展了城市核心区。代表城市边缘区的第一个峰值，其增长面积百分比最大，向外移动至6–8公里的距离（图8）。

在第三个时期（1995–2002年），最高增长率出现在北方向、NNE、E、西南偏西、东南偏南和西北偏北方向（图7）。这反映了苏州工业园区、吴中经济开发区（WZEDZ）、苏州新区和徐庶关经济开发区（XSGEDZ）的快速扩张。此时期的城市增长明显以开发区为导向。交通基础设施（高速公路和地方主干道）的建设旨在提高相邻开发区的可达性，在图6中清晰可见。城市边缘区进一步扩展至8–10公里的距离（图8）。

从2002年到2008年，最大的新开发建成区集中在东北东方向和西北方向，这与苏州工业园区的进一步发展以及城阳工业园区（CYIP）和草湖工业园区（CHIP）的建立密切相关。到2008年，城市边缘区已扩展至距市中心10–12公里处（图8）。距市中心10公里范围内的同心区域新增建成区百分比远低于前一时期。城市增长主要发生在12–24公里距离范围内，该范围内的增长面积百分比在四个时期中最高。与前三个时期相比，城市扩张发生在更远的区域，尤其是20–24公里距离的同心区域。我们注意到，此期间西南西和正西方向的建成区面积有所减少，部分原因是该区域内低效使用或废弃的工业（制造和采矿）用地及农村宅基地进行了恢复[39]。

3.4. 经济转型与城市增长

苏州1986年至2008年的城市增长模式的变化实际上是过去三十年经济转型的结果。在22年间，城市增长从自下而上的农村城镇化转变为自上而下的城市扩张。城市化的内在机制也从乡镇企业驱动的农村工业化转变为外商直接投资驱动的发展区热潮。

3.4.1. 从自下而上的农村城镇化到自上而下的城市扩张

苏州位于苏南地区的中心，传统的“苏南模式”将苏南地区早期发展（从1978年到20世纪90年代初）归因于地方政府主导的乡镇企业[21]。在此期间，经济增长和城市化主要发生在农村地区。由于乡村工业广泛分布在小城镇和村庄中，以农村为主导的城镇化在苏南地区的广大乡村分散展开[40]。这种基于乡镇增长的城市化路径被称为“自下而上的城镇化”，与通常称为“自上而下的城镇化”的以城市为基础的城市化路径截然不同[41,42]。这种自下而上的农村城镇化特征是无计划的自发增长，城镇经济的发展没有来自中央政府的重大投资[42]。由于大多数乡镇企业规模较小，这类城市化程度较轻且稳定。因此，从1986年到1991年，苏州的城市土地适度增长，几乎一半的增长面积出现在远离市中心的乡镇。

自20世纪90年代初以来，外商直接投资流入与政府对城市经济的支持共同作用，形成了更具竞争性的市场，乡镇企业逐渐失去优势。苏州通过全球化逐步超越传统的苏南模式，发展成为中国的一个热门制造中心和主要的外商直接投资目的地[20,21]。这种自上而下的城市扩张导致对工业用地的需求日益增长，主要通过将农用地转为他用得以满足。1992年苏州新区的建立和1994年苏州工业园区的设立，体现了来自上级（中央政府）和外部（新加坡）的大量投资，也使城市化进程从以农村为主转变为以城市为基础。

3.4.2. 从乡镇企业驱动的城市化到外商直接投资驱动的发展区热潮

自下而上的农村城镇化主要由乡镇企业驱动。从1978年到20世纪90年代初，乡镇企业在苏州的经济和产业结构中占据主导地位。广泛分布的乡村工业能够将农村剩余劳动力吸纳到乡镇企业中，使人们实现离土不离乡（离土不离乡）。然而，由于产权不清和管理效率低下，乡镇企业在20世纪90年代初开始出现发展放缓。在乡镇企业进行重组和私有化的同时，1992年上海浦东新区开发后，大量外资迅速涌入苏州。2000年代，苏州的外商直接投资实现了前所未有的增长（图9）。许多财富全球500强企业，如西门子、三星、富士通和飞利浦，纷纷在苏州投资。

自20世纪90年代中期以来，苏州的城市土地扩张主要由外商直接投资驱动的工业化所推动。外向型开发区迅速扩展，占据了新增城市面积的很大一部分。除了主要的国家级和省级开发区外，一些乡镇级政府也通过设立自己的开发区（即所谓的“一镇一区”）加入到吸引外资的竞争中。为了吸引外商直接投资以刺激地方经济，几乎每个乡镇都规划了各自的工业园区和优惠政策，其中之一便是低成本土地使用。因此，一场开发区热在20世纪90年代末[14,43–45]。这股毫无理性规划的开发区建设浪潮席卷了中国沿海地区，导致城市土地迅速扩张。由于缺乏科学的工业发展规划，开发区出现利用不足和宝贵耕地资源浪费的问题。

2003年夏季，中央政府发布两项法令，暂停批准任何新的开发区，并督促地方政府清理现有开发区[11]。结果，许多非正式批准的开发区被撤销并恢复为农业用途。这可能部分解释从2002年到2008年西南西和正西方向建成区面积减少的原因。从1986年至2008年，快速城市扩张导致了许多环境问题，对苏州的环境可持续性构成了挑战。大规模的农业用地流失使苏州从一个传统水稻生产基地转变为严重依赖进口大米的地区，引发了对粮食安全的担忧[46]。前所未有的城市化和工业化导致太湖出现富营养化和藻类水华现象，严重影响了太湖流域水体的水质和水量[47]。在此期间，地方政府的土地利用管制未能有效遏制城市无序扩张。为了苏州的可持续发展，这一快速城市化的城市迫切需要政府干预和严格的土地使用政策。精明增长和紧凑型发展战略应被倡导在苏州[48]。

4. 城市增长的空间决定因素

4.1. 全局逻辑回归模型

如前一节分析所示，苏州在20世纪90年代初发生了经济转型。此外，行政区划和交通网络大多形成于20世纪90年代。因此，我们选择1991年作为土地转换模型的起始年份。全局逻辑回归模型的结果见表4。正确预测百分比为76.6%，表明具有中等预测精度。所有自变量均显著，其中到工业中心的距离在0.1水平上显著，其余所有变量均在0.01水平上显著。

表4. 城市土地转换的全局逻辑回归模型结果。

| 自变量 | 系数 | 标准误 | z值 | Pr(>|z|) |
| :— | :— | :— | :— | :— |
| 到高速公路的距离 | 0.046 | 0.014 | 3.366 | 0.001 |
| 到地方主干道的距离 | −0.873 | 0.079 | −11.106 | 0.000 |
| 到铁路的距离 | −0.048 | 0.008 | −6.153 | 0.000 |
| 水域密度 | −2.362 | 0.166 | −14.215 | 0.000 |
| 坡度 | −0.106 | 0.012 | −8.762 | 0.000 |
| 到市中心的距离 | −0.098 | 0.011 | −8.997 | 0.000 |
| 到工业中心的距离 | 0.021 | 0.011 | 1.911 | 0.056 |
| 建成区密度 | 3.379 | 0.465 | 7.265 | 0.000 |
| 常数 | 2.223 | 0.106 | 21.056 | 0.000 |
| 样本量 | 4818 | | | |
| ‐2 对数似然值 | 4645.499 | | | |
| PCPa | 76.6 | | | |

PCPa：cut值为0.5时的正确预测百分比。

在三个邻近性变量中，到地方主干道的距离 (Dis2Lard) 对土地转换的负向影响最强，到铁路的距离 (Dis2Rail) 的负向影响次之。与我们的预期相反，到高速公路的距离 (Dis2Hwy) 具有轻微的正向影响。地方主干道在土地利用转换中的重要性与以往研究的结果相似[7,8]。研究结果表明，苏州的城市增长在很大程度上依赖于交通基础设施发展，且地方道路是更为重要的决定因素。

代表邻域物理条件的两个变量，即水域密度 (DenWater) 和坡度 (Slope)，对城市土地转换均具有负向影响。这表明城市扩张通常受到水体密度和地形条件的限制。其中，水域密度 (DenWater) 在所有变量中具有最强的负向影响，这可能是因为苏州的主要水体和湿地受到保护。在社会经济变量中，只有到区中心的距离 (DisDcen) 具有负系数，表明随着到区中心距离的增加，像元从非城市到城市建设用地转换的概率降低。到工业中心的距离 (Dis2Indu) 对城市增长具有正向影响，这可能意味着城市发展并不依赖于苏州现有的工业中心。邻域内的建成区密度 (DenBuilt) 在所有变量中具有最强的正向影响，对城市土地转换起到了显著的促进作用。

我们的全局逻辑回归模型可以解释苏州城市土地转换的决定因素。然而，城市增长潜在的空间非平稳性仍不清楚。我们进一步使用逻辑回归地理加权回归来检测空间非平稳性，因为它允许回归参数在空间上变化，从而揭示苏州城市增长模式的局部空间变化。

4.2. 城市增长模式的空间差异

我们将地理加权逻辑回归应用于相同的4818个样本点数据集。表5展示了全局逻辑模型与逻辑GWR模型之间的比较。逻辑GWR模型相较于全局逻辑模型有明显改进。首先，‐2 对数似然值、残差平方和以及AICc的降低，以及伪R平方的增加表明，GWR模型的拟合优度显著优于全局模型。其次，正确分类百分比（PCP）和ROC（受试者工作特征曲线下面积）的提高说明逻辑GWR模型具有更高的预测精度。第三，GWR模型显著降低了残差的空间依赖性，这可以通过残差的Moran’s I的下降来衡量。

与全局逻辑模型不同，逻辑GWR模型的参数估计值表现出显著的变化。表6列出了样本点的GWR参数估计值的描述性统计。所有变量的参数值既有正值也有负值，尽管两者所占比例有所不同。Dis2Hwy的参数值，Dis2Rail、slope、Dis2Dcen 和 Dis2Indu 的参数结果正负值划分明显，这种显著的空间变异被全局逻辑模型忽略，但可由GWR模型检测到。Dis2Lard、DenWater 和 DenBuilt 的参数值正负划分相对较低，表明这些变量的空间变异较少。

表5. 全局逻辑回归与逻辑地理加权回归（GWR）的比较。

	全局逻辑模型	逻辑回归地理加权回归
‐2 对数似然值	4645.499	3942.417
PCP	76.6	80.2
伪 R²	0.3045	0.4097
残差平方和	763.9226	643.9371
残差的莫兰指数I	0.0731	0.0197
ROC	0.847	0.890
AICc	4663.5371	4196.4052

ROC：受试者工作特征曲线；AIC：赤池信息准则校正。

表6. GWR参数估计值的描述性统计

变量	Min.	Max.	Mean	STD	正百分比	负百分比
到高速公路的距离	−2.922	0.748	−0.008	0.433	60.46	39.54
到地方主干道的距离	−4.286	0.177	−1.275	0.882	3.94	96.06
到铁路的距离	−1.544	1.867	−0.044	0.476	33.96	66.04
水域密度	−5.627	16.877	−1.803	2.236	16.19	83.81
坡度	−0.369	0.241	−0.065	0.129	25.61	74.39
到市中心的距离	−2.020	2.573	−0.034	0.648	41.24	58.76
到工业中心的距离	−1.515	1.491	−0.015	0.468	46.82	53.18
建成区密度	−4.175	13.484	3.376	3.420	85.84	14.16

软件包GWR4为每个样本点生成了一组参数估计值。此外，还计算了伪t‐统计量以指示参数的显著性。基于具有参数估计值和t‐统计量的样本点，生成了一组参数和t‐统计量表面，以揭示城市土地增长模式的空间变异。采用反距离权重（IDW）插值方法生成这些表面。IDW插值方法假设表面受局部变化驱动，这可以通过邻域[8]来捕捉。图10–12展示了生成的参数和t‐统计量表面，像元大小为30米 × 30 m。与参数在整个空间上统一的全局逻辑模型不同，从图10–12可以明显看出，所有参数在研究区域内均存在空间变化。就显著性而言，所有参数在研究区域的某些部分均不具有统计显著性。

图10展示了与交通网络接近程度相关的三个变量的参数和t‐统计量曲面。尽管全局逻辑回归模型表明到高速公路的距离（Dis2Hwy）对城市土地开发具有正向影响，但Dis2Hwy的参数曲面显示，在研究区域的西北部、北部、中部、东南部和西南部部分地区，到高速公路的距离对城市土地转换具有负向影响（图10a）。Dis2Hwy的负系数在城市北部（草湖工业园区）、增长前的城市核心区以东（苏州工业园区）、东山半岛南部以及城市西部太湖湖岸线周边地区显著。这可能表明，苏州工业园区（SIP）和草湖工业园区（CHIP）的发展比其他地区更依赖于城际高速公路。SIP和CHIP均为出口导向型开发区，这意味着未来的交通规划应进一步强化高速公路对出口导向型区域的重要性。到地方主干道的距离 (Dis2Lard) 对土地转换总体上具有负向影响，仅在北部一个非常小的区域除外（图10b）。这种影响在原始城市核心区沿东西轴线附近最强，并向南部和北部逐渐减弱。Dis2Lard 参数在研究区域的大部分地区均显著，除了增长前的城市核心区以北以及两个岛屿上，这些地方的地方道路主要环绕山脉分布（图3）。全局逻辑回归模型显示，到铁路的距离（Dis2Rail）对城市土地扩张具有负面影响。然而，这并不适用于整个研究区域。Dis2Rail 的正向影响出现在东北部、原始城市核心区以东（苏州工业园区）以及两个岛屿上，但只有在东北部和东山半岛上的正向影响是显著的（图10c）。

逻辑GWR模型还揭示了邻域物理条件两个变量参数估计的空间变异。水域密度 (DenWater) 对土地转换总体上具有负面影响，仅在西部地区除外（图11a）。苏州西部地区缺乏大型水体（图3），例如湖泊和河流，而这些水体通常受到保护。DenWater的参数在研究区域的东北部、东部、南部和西南部大部分地区均显著。作为地形条件的代表，坡度总体上对苏州的城市增长产生负面影响（图11b）。然而，在城市东北部和东南部地区，坡度却呈现正向影响，这些区域分布着阳澄湖和澄湖两大内陆湖泊。坡度系数在研究区域的西南部负向显著，仅在东北角呈正向显著。苏州坡度的空间分布表明，西南部为低山区域，其陡峭地形会对城市增长产生不利影响（图3）。

图12展示了三个社会经济变量的参数和t-统计量表面。尽管到区中心的距离（Dis2Dcen）在全局模型中表现出较弱的负向影响，但其参数曲面在空间上变化显著（图12a）。该变量对城市北部、东南部、西南部和西北部的城市土地开发具有正向影响。Dis2Dcen的系数在研究区域的东北部（阳澄湖）和南部（吴中经济开发区）以及原始城市核心区（苏州新区和胥墅关开发区）的西部和西北部呈负向显著，仅在研究区域东南部、西南部和西北部的小部分区域呈正向显著。全局模型表明，城市发展并不依赖于现有工业中心。而逻辑回归地理加权回归（Logistic GWR）发现这一结论过于简化。尽管到工业中心的距离（Dis2Indu）在增长前的城市中心的南部、西部和西北部以及城市的东北部具有正向影响，但Dis2Indu的参数是正向仅在原始城市核心区以西和研究区域的东北部显著（图12b）。该变量的系数仅在城市的东南部小部分地区和西南部为负向显著。对于城市的大部分地区，参数Dis2Indu未达到统计显著性。类似地，建成区密度 (DenBuilt) 对土地转换具有主导性的正向影响（图12c），但其参数在城市的大部分地区均未达到统计显著性。只有在城市北部以及两个岛屿上，DenBuilt的系数为正向显著。这些地区在增长前期的城市化程度较低，这可能表明现有的建成区在较不成熟的地区对促进城市增长能够发挥更有效的作用。

5. 结论

本文通过苏州案例分析了中国城市增长的时空动态及其空间决定因素。我们通过研究苏州从自下而上的农村城市化向自上而下的城市扩张的独特转型，为中国城市发展研究做出了贡献。我们利用景观指标、空间分析和地理信息系统（GIS）分析了来自遥感图像的土地利用数据，并构建了全局和局部逻辑回归模型，结合一系列空间变量，分析苏州城市增长的模式及其潜在因素。研究发现，1986年至2008年期间，苏州建成区面积占研究区域的比例从9.32%增加到30.85%，年均增长率加快。

景观指标和空间分析量化了苏州城市发展的时空动态。我们区分了三种城市增长类型，其中边缘扩展增长主导了新的城市区域，而填充式增长和跳跃式增长在研究期间呈下降趋势。扇形和同心圆分析确定了苏州城市增长的变化方向和热点区域，这些区域大多与外商直接投资驱动的发展区重叠。快速的城市增长引发了严重的环境问题。应倡导有效的土地利用管制和可持续发展战略[49]。

在我们的全局逻辑回归模型中，所有自变量均具有统计显著性。在邻近性变量中，到地方主干道的距离对土地转换的负向影响最强。水域密度以及邻域坡度也具有负向影响。在社会经济变量中，建成区密度倾向于促进城市增长，而到区中心的距离增加会降低土地转换的概率。

我们发现，逻辑GWR模型相较于全局逻辑回归模型有所改进。逻辑GWR模型的整体拟合优度更优，预测精度高于全局模型，因此在探索潜在因素与城市增长模式之间关系方面表现更好。此外，逻辑GWR显著降低了残差的空间依赖性，表现为残差的Moran’s I值得到下降。

此外，逻辑GWR模型允许参数在空间上变化，从而提供了对城市增长模式空间变异的更深入理解。每个变量在研究区域的不同部分对城市增长既有负向影响也有正向影响。到地方主干道的距离和水系密度主要表现为负向影响，且其系数在城市的大部分区域具有统计显著性。其他变量倾向于产生非常局部的影响，其系数仅在很小区域内具有统计显著性。尽管逻辑GWR能更有效地揭示自变量影响的空间变异，但对这些变异的解释应紧密结合研究区域的具体背景。