基于多源大數據的人口分布影響因素空間異質性探析
——以南京主城區為例

■楊碩 石飛

引言

習近平總書記強調，“城鎮的發展終究要依靠人、為了人，以人為核心才是城市建設與發展的本質”[1]。黨的二十大報告也指出，要推進以人為核心的新型城鎮化。這要求城市和城鎮化研究與實踐由以往重視環境物質要素轉向人本視角，城市發展的重點由經濟增長和增量建設轉向城市人口與城市空間的耦合協同，更好滿足居民日益增長的美好生活需要。人口均衡理論認為，人口發展需與經濟社會發展水平相互協調，需與資源環境承載力相適應[2]。當前從全國、城市群等宏觀尺度研究人口空間分布格局及其影響因素較多[3-4]，而對于城市內部人口分布及其與城市空間的關系關注較少。以人為核心的城鎮化要求從人的角度出發研究城市的形態結構及其發展變化，因此開展人口在城市空間上分布變化的研究十分重要。人是城鎮化的主體，人口尤其是勞動力人口在空間上的集聚推動了創新的集聚和經濟的發展。人口在空間上的分布變化直接影響了城市形態及其土地利用結構、基礎設施、公共服務設施配置，以及交通、居住等多個方面[5]，是城市化健康發展的主要標志[6]。

然而，盡管“疏散老城”、建設“多中心”城市[7]等理念與戰略被屢屢提及，但人口過度集聚導致老城擁擠、新城人口吸引力不足甚至淪為“空城”[8]的失配現象仍是當前許多城市面臨的主要發展困境之一。因此，分析城市人口空間分布的影響因素及其內在機制，對推動城市空間與人口的耦合發展、優化城市空間結構、推動城市土地集約節約利用和功能合理配置具有重要意義。

經典地理學觀點認為，城市人口伴隨用地空間呈現同心圓、扇形、多核心等分布模式，且由于城鄉間對于人口的推—拉力變化而在不同發展階段呈現集中城市化、郊區化、逆城市化、再城市化等現象[9]。近年來，我國地理學、城鄉規劃學、經濟學等多個領域學者對城市人口空間分布展開了不同形式的探索，研究重點包括城市人口分布的空間圈層結構[10-11]，外來人口、流動人口、老齡人口等特殊群體的居住特征[12-14]，人口空間分布的影響因素等。既有研究中考慮了經濟發展水平、就業、教育醫療等民生資源，房地產建設、商業等公共設施數量[15-16]，緩沖區距離、河網、數字高程模型（DEM）、路網密度[17]等因素對城市人口空間分布的影響，但因數據類型和數據量的限制，研究多基于各類人口統計數據[18]和縣區、鄉鎮街道等偏宏觀行政區劃尺度，在精度上有一定局限性。盡管有學者基于中國人口空間分布公里網格數據集對柵格尺度的城市人口空間分布格局進行了研究探索[19]，但該數據基于全國人口普查并進行分區擬合得出，與真實居住人口仍有一定誤差。至于研究方法則多基于普通最小二乘法（OLS）回歸，忽視了影響因素作用效應的空間異質性。

在信息化時代，信息通信技術、高分辨率遙感、互聯網大數據等新技術的應用以及新數據類型的獲取與挖掘，為城市人口空間分布精細化定量研究創造了條件。以手機信令數據為支撐的人口日常流動研究有助于了解居民對城市資源時空配置的差異化需求及城市空間的精細化管理[20]。本文通過手機信令、POI（Point of Interest，興趣點）、互聯網地圖API 等數據源，獲取就業崗位、土地利用混合度、路網密度、至市中心路網距離、公共交通可達性、地形坡度、平均房價等多源大數據，利用地理探測器（Geodetector）探析城市人口空間分布的主導影響因素，并利用地理加權回歸（Geographically Weighted Regression，GWR）分析人口分布影響因素在空間上的異質性，進而得出相應結論與思考，以期為推動人本視角的新型城鎮化建設提供參考。

一、研究方法與數據

（一）研究的城區概況

南京是江蘇省省會、長三角特大城市、國家歷史文化名城。截至2021 年，南京全市建成區面積達868 平方千米，常住人口942 萬人，城鎮化率達86.9%?？紤]到面向未來的發展規劃，本研究范圍依據《南京市國土空間總體規劃（2021—2035）》草案確定的中心城區范圍劃定，包括江南主城和江北新主城兩部分（圖1）。同時，在南京中心城區范圍內以500米為距離生成等分柵格，作為最小研究單元，共得到3509個柵格單元。

圖1 研究范圍

（二）研究方法

1.地理探測器

地理探測器的基本原理是：將研究區域劃分為若干子區域，若子區域的方差之和小于區域總方差，則存在空間分異性；若兩變量的空間分布趨于一致，則兩者存在統計關聯性[21]。地理探測器可用于揭示空間分異性及其背后驅動力，同時可探測兩因素的交互作用。地理探測器的基本表達式為：

式（1）（2）中：SSW和SST分別為層內方差之和、全區總方差。q的值域為0～1，表示自變量X解釋了100×q%，其值表示自變量X對屬性Y的解釋力，數值越大則解釋力越強。

2.地理加權回歸

普通最小二乘法基于全局回歸，僅得到全局回歸方程，其解釋的是各類要素在全局上的作用方向和強度。與普通最小二乘法不同，地理加權回歸基于局部光滑思想，在揭示空間自相關性的同時，更能反映各參數在不同區域作用的空間異質性[22-23]，而且基于地理位置對每一最小研究單元分別得出回歸結果，可以有效改進由空間位置引起的自變量與因變量間的局部變異問題[24]。地理加權回歸的基本表達式為：

式（3）中：yi為采樣點i的因變量值；β0為截距，(ui,vi)為采樣點i的坐標，β0(ui,vi)為采樣點i的常數項；βk(ui,vi)為采樣點i的第k個自變量的系數，Xik為采樣點i的第k個自變量；εi為隨機誤差項。在地理加權回歸結果中，矯正R2的值域為0～1，數值越高表示自變量對因變量的解釋力越強。

（三）數據來源及處理

需要說明的是，本文所用數據類型較多，數據源、獲取方式不同，保證7 類數據采集于同一時間客觀上難以實現。手機信令數據由于涉及人口身份識別、活動位置等敏感指標而有很強的保密性，其并非開放數據，獲取難度大，且獲取及使用需簽署保密協議。坡度數據由觀測衛星測繪的數字高程模型數據處理得到。此兩類數據客觀上難以獲取最新數據，本文所用手機信令數據采集于2019 年6 月，數字高程模型數據衛星拍攝時間為2019 年8 月。為保證數據前后邏輯一致性，POI、道路網、公交出行時間、空間距離等均采用2019 年8～9 月自主采集數據，已盡量縮短時間跨度。具體來源及處理方法如下：

1.人口及就業崗位空間分布數據

職住空間分布即就業崗位同人口的空間分布關聯性已被廣泛關注。與以往研究中常用的人口普查數據不同，手機信令數據具有樣本量大、覆蓋廣、精度高、動態性強等優勢。由于手機信令數據連續記錄了使用者所持移動終端同運營商所設最近基站間的交互信息，運營商可借此判別使用者所處的位置坐標與停留時刻及時長。一般認為，在某一位置停留時長超過30分鐘即為停留點，否則將被判定為路過。

居住人口及就業崗位數量判定計算規則：通過連續記錄使用者的出行時空軌跡并結合出行與停留時刻，可以判定每一終端使用者的居住與就業地位置，將手機用戶夜間長時間停留位置視為該用戶居住地，白天長時間停留地視為工作地，并建立對應的出行起訖點（OD）軌跡，進而可統計出城市居住人口和就業崗位的空間分布情況。

本研究所用數據由中國聯通公司采集于2019 年6 月，客觀上也規避了新冠疫情對于城市人口流動的復雜影響。原始數據經聯通公司脫敏處理，去除用戶隱私信息?？紤]到手機用戶群體分屬移動、聯通、電信三家運營商，且存在一人多部手機、小部分人沒有手機等客觀事實，聯通公司基于其在南京地區市場占有率、一主多號情況等指標，設定算法對原數據進行擴樣，從而保證數據的全面性和科學性。本研究最終獲得基于500×500m 柵格（與圖1 劃定柵格一致）的南京市域內居民OD 空間分布及每一OD 軌跡對應的交通量，并利用GIS 空間統計工具獲得每一研究柵格內居住人口和就業崗位數量。經統計，南京市全域由信令數據識別人口總數約為971萬人，同第七次全國人口普查公布的931 萬人誤差不超過5%，證明識別結果具有研究可信度。本研究涉及主城區范圍內居住人口約542 萬，基于500×500m 柵格的人口數量空間分布如圖2所示。

圖2 基于信令數據的居住人口數量空間分布圖

2.土地利用混合度數據

土地利用混合度借鑒熱力學中的“熵值”概念提出，其數值越高代表區域內用地類型更加復雜多樣。土地的混合利用即將眾多不同或相關聯的功能緊湊安排在較近的空間范圍內，從而實現大大縮減出行成本、提升城市活力、便利居民使用等目標。大數據時代，海量POI 數據為用地功能混合度的計算提供了新方法。借鑒黨云曉等學者的研究成果[25]，本研究基于以下公式計算每一研究柵格內的土地利用混合度：

式（4）中：POI 類型x共有k種，Px表示網格空間內第x類POI 的密度。本研究基于餐飲、購物、公共服務設施、居住、交通共五類用地功能，于2019 年9 月利用互聯網地圖開放平臺爬取了17 種POI，并利用GIS 空間連接、空間統計等工具分別計算研究范圍內3509個柵格的土地利用混合度數值。

3.路網密度數據

本研究利用互聯網地圖開放平臺API 獲取南京主城區各級各類城市路網數據（獲取時間為2019年8月），并利用GIS空間連接、空間統計等工具計算3509 個柵格內的路網密度，公式如下：

式（5）中：∑L表示柵格內各級城市道路長度之和，S表示柵格面積。

4.城市公交可達性數據

與個體私人交通不同，公共交通作為城市提供的重要民生設施，為城市大多數居民提供了便利的出行選擇。城市居民往往傾向于在公共交通可達性高的地區居住，許多市民對“地鐵房”的追捧就是典型現象。本文利用加權平均出行時間[26]衡量南京中心城區每一柵格的可達性，公式如下：

式（6）中：Ai表示柵格i的可達性，Tij為自柵格i的重心點到柵格j的重心點所需公交出行時間，該數據使用互聯網地圖“路徑規劃API”爬取獲得，采集于2019 年9 月；Pij為以柵格i為起點、柵格j為終點的實際出行人數，由手機信令OD數據獲得。j取值為1～n，表示研究區域內除了起點i以外的其他所有柵格。加權平均出行時間Ai數值越高，表示由柵格i出發的居民到其他所有柵格的平均公交時間花費越高，即可達性越低。

5.空間距離數據

科林·克拉克（Colin Clark）于1951年提出著名的人口密度距離衰減模型，認為城市人口密度受到距市中心距離長度影響[27]。受限于方法和工具，以往研究中往往通過劃定緩沖區，以直線距離表示居住地到市中心的空間距離，而沒有考慮城市實際路網和交通狀況。本研究借助互聯網地圖開放平臺“路徑規劃數據API”，通過編寫Python 腳本爬取每一柵格形心點至南京市級中心新街口的路徑規劃數據，獲取每一柵格到南京市中心的空間距離，數據采集于2019年9月。

6.平均坡度數據

坡度作為影響建設工程選址施工的重要自然條件，可能會對城市人口空間分布產生影響。本文使用地理空間數據云網站（https://www.gscloud.cn）下載南京市域內分辨率為30m 的數字高程模型數據，源數據采集于2019 年8 月。本研究通過GIS進行投影轉換、拼接、裁剪，進而借助坡度分析工具計算坡度值，再使用空間連接、空間統計等工具計算每一研究柵格內的平均坡度。

7.平均房價數據

房價數據于2019 年8 月采集自南京網上房地產網站（www.njhouse.com.cn），該網站由南京市住房保障和房產局主管。本研究利用工具對網站上公示的全市各區域商品房、存量房交易價格進行爬取，并借助地圖工具匹配地理坐標，通過GIS軟件將房價點數據擬合為面數據，再由此分別計算每一研究柵格內的平均房價。

二、人口分布格局及影響因素分析

（一）空間自相關性分析

地理學第一定律（Tobler’s First Law，TFL）認為，空間中的每一事物間都有聯系，且距離越近其關系往往越緊密?？臻g自相關性是揭示空間數據分布狀況的重要概念，廣泛用于研究地理要素的空間分布是否具有潛在的相互依賴性。

以反距離權重作為空間關系概念化方式，利用全局莫蘭指數（Global Moran’s Ⅰ）對南京中心城區范圍內的人口分布情況進行空間相關性分析，得出研究區域內全局莫蘭指數為0.71，p值小于0.01，z值為41.96，即南京中心城區人口數量在空間上的分布具有明顯的集聚現象，地理空間集聚度大的地方，人口集聚也相應多。

利用局部莫蘭指數（Anselin Local Moran’sⅠ）進一步分析人口集聚具體位置及空間差異（圖3），可以發現人口集聚高值主要位于南京老城范圍內（同明城墻圍合范圍相近），低值主要分布于中心城區范圍邊緣及江北沿江區域。異常值包括低值被高值包圍（LH）與高值被低值包圍（HL）兩種，主要分布在老城邊緣區。相比中心城區的其他區域，南京老城區開發建設較早，用地類型多樣、開發強度高，同時具有更加完善的城市道路交通設施，一直是區域內的交往、就業等城市功能中心和地價峰值區。這些優勢影響疊加產生了巨大的吸引力，導致南京人口空間集聚高值區仍沒有跳出古城墻圍合范圍。同時可以猜測，就業崗位、土地利用混合度、交通、地價以及自然地形等因素有可能會對人口的空間集聚產生影響。

圖3 人口分布數量Lisa顯著性圖

（二）影響因素探測分析

以柵格內的居住人口數量為因變量，使用自然間斷點分級法（Jenks Natural Breaks）對獲取的自變量數據進行分層，從而使其由數值量轉換為類型量，以便于使用地理探測器工具進行影響因素探測。結果顯示，所選7類因素均通過0.01 顯著性檢測，且就業崗位數、至市中心距離、土地利用混合度三類因素對居住人口數量空間分布解釋力較強。進一步探析兩因素交互作用，可知就業崗位數、至市中心距離兩因素交互作用解釋力超過90%，兩因素交互作用探測結果如表1。

表1 兩因素交互作用探測結果

由于地理探測器在使用過程中對自變量進行了分層處理，其分級分類標準實際應用意義較小，因此地理探測器分析結果的參考價值更多地體現在探析各因素及雙因素交互作用解釋力，用于比較不同因素的作用力排序。為進一步分析影響因素置信度，本研究仍以柵格內的居住人口數量為因變量，利用最小二乘回歸方法對數據進行全局回歸，結果如表2。

表2 普通最小二乘法回歸結果

普通最小二乘法回歸R2達0.917，說明所選因素整體擬合度較高。各類指標方差膨脹因素（VIF）均遠小于5，說明模型構建良好，沒有多重共線性問題。分因素來說，距離、就業崗位、土地混合、平均房價四類因素通過了5%的顯著性檢驗，可用于之后的進一步分析。由于所選因素種類不同，具有不同的計量單位與實際意義，所以回歸系數不能用于精確衡量變量在模型中的貢獻度，但仍可通過系數正負值分析其對因變量的作用方向。由回歸結果可知，距離因素對人口分布具有負向作用，就業崗位、土地混合、平均房價三類因素對人口空間分布具有正向作用。

三、影響因素空間異質性分析

普通最小二乘法能從全局角度分析各因素對南京中心城區人口空間分布的影響作用，但由于沒有考慮各因素的地理空間位置，忽視了各因素作用方向及程度的空間異質性。前述空間自相關性分析結果證明變量的地理屬性對變量值的影響顯著，因此需借助地理加權回歸基于地理位置得出4 種顯著性因素在不同研究柵格內的作用方向和作用強度分布?；貧w結果得出模型矯正R2為0.933，高于普通最小二乘法回歸所得R2，進一步證明了地理加權回歸相比普通最小二乘法具有優越性。

對地理加權回歸結果中的標準化殘差進行空間自相關性分析，采用反距離權重空間關系概念化方式進行全局莫蘭指數計算，分析結果如圖4，得出全局莫蘭指數為-0.01，即標準化殘差在空間上可認為呈隨機分布，證明模型構建有效，就業崗位、距離、房價、土地利用混合度四類因素能夠解釋居住人口空間分布現象。四類因素回歸系數空間異質性分析如下：

圖4 標準化殘差空間自相關性分析結果

（一）就業崗位因素：全局正向促進，區域差異明顯

依據回歸結果，就業崗位在空間上的集聚對城市居住人口在研究區域全局起到正向作用，如圖5，表明區域內所提供的就業崗位越多，集聚的居住人口也越多。分區域來說，總體上江北主城比江南主城回歸系數更高，表明江北主城就業崗位對人口集聚的帶動作用更強，而江南主城則呈現明顯的內部差異。東部的仙林片區和南部的江寧大學城片區回歸系數明顯低于其他區域，從用地功能角度考慮，這兩個區域皆為大學城，區域內學生群體居住、就業（就讀）空間位置相對穩定。回歸系數較低的原因可解釋為區域內相當數量的教職工及其他就業群體以主城區內其他區域為居住地（如人口集聚程度較高的老城），受益于便捷、快速的交通設施（如地鐵），這部分群體實現了就業與居住在空間上的相對分離。

圖5 就業崗位因素回歸系數空間分布

城市規劃、交通等學科長期關注“就業—居住平衡”（Jobs-Housing Balance）理念，其基本觀點認為若住房和就業崗位能在相對鄰近局域范圍內實現供給的平衡，則可以有效縮減居民出行距離與時間成本，并減少小汽車的使用，從而緩解城市交通擁堵、降低空氣污染[28]。這種簡單的職住平衡度測量忽視了市場對住房的分配以及居民職業同就業崗位的匹配性問題，但不可否認的是，盡管存在各種不匹配問題，供給與需求時?？梢韵嗷撛?，就業與居住確實存在明顯的正向效應。針對南京實際情況來說，江北新區作為“新主城”，其居住和就業崗位數相比江南主城還有很大的增長空間，未來可以“職住平衡”為規劃導向，推動緩解擁堵和減輕污染等正向效應的實現。

（二）距離因素：負向作用為主，中心外圍相異

距離因素對人口空間分布的影響以負向作用為主，僅鄰近市中心區域和部分研究邊界區域為正向作用，如圖6。經典理論認為，城市人口密度由城市中心向邊緣逐漸遞減，回歸結果為負值區域意味著距離市中心越遠則居住人口越少，印證了這一觀點。

圖6 距離因素回歸系數空間分布

至于城市中心區域，回歸結果呈明顯圈層結構，但作用方向卻與經典理論相反，可以概括為：在距市中心一定距離內，居住人口隨到市中心距離的增長而增多，類似于環境學中的“逆溫”現象。這一現象可以理解為，在特定距離范圍內，距離因素使城市人口數量減少的作用力并不顯著，而其他影響因素的作用占據主導地位。以市場作用為例，市中心是城市各類資源匯聚之地，也造就了城市地租的頂點。對于開發者來說，往往具有雄厚資金的商業與服務業可以承擔地租；對于居民來說，在面對由住房和通勤構成的綜合成本時，往往愿意在市中心外圍一定距離區域居住，盡管通勤成本相應增加，但住房投資成本大大減少了。因此，城市中心通常以高利潤率的商業服務業設施用地為主，居住用地則向邊緣集聚，這也部分驗證了威廉·阿朗索（William Alonso）提出的競租曲線模型[29]。

距離負向作用最明顯的區域位于南京南站周邊區域，某種程度上表明鐵路等重大交通基礎設施對于城市通達的阻隔作用明顯，且由此致使城市居民心理上的阻隔感與距離感可能遠大于實際路網距離。而研究范圍邊緣部分回歸系數為正值的“異常區域”推測是由該區域建設的相對獨立的居住組團導致。

（三）房價因素：中介效應、調節效應共同作用

房價由市場無形之手調節，它是城市區位條件、資源與服務水平的價值顯現。國內已有學者關注到房價在城市資源與人口集聚間的中介與調節效應[30]，認為房價是城市資源價值與人口集聚的中介。當房價上漲真實反映城市功能、資源質量提升時，城市人口會伴隨房價上漲而集聚；當房價過快上漲且與城市資源質量提升程度脫節時，城市的人口集聚程度則會因房價不合理上漲而降低。

房價對人口集聚的影響是市場調節與居民理性博弈的結果。對于區位優勢明顯、交通便捷、教育醫療等公共服務設施優越的地區，房價自然較高。雖然居民收入水平各異，但出于對高品質美好生活的追求，仍有居民愿意為此支付較高的住房成本。這也是南京中心城區大部分區域房價對人口集聚呈正向作用的原因，如圖7。與之相反，典型如南京河西地區，平均房價回歸系數為負值，原因在于這些地區定位中高端，被視為濱江現代化的標志區，房價堪比老城區，但由于開發建設較晚，教育、醫療等民生公共服務設施在質量與數量上同老城區仍有差距，可以認為這些地區當前房價溢價過高、配套滯后。居民出于對成本和所得的理性考量，往往因房價的升高而降低遷往這些區域居住的意愿，在空間分析上即表現為房價對人口集聚的負向作用。

圖7 房價因素回歸系數空間分布

（四）土地利用混合度因素：中心正向作用，邊緣負向作用

同預想的土地利用混合度越高，居民職住分離現象越弱[25]，而人口居住集聚程度越高的設想不同，在城市邊緣區域，尤其是南京南站及江寧大學城片區出現了大面積回歸系數為負值的柵格，如圖8。結合土地利用混合度與人口空間分布原始數據分析后可以推測，回歸系數負值的出現是由于兩類要素在空間上的失配導致。以南部負值區域為例，該區域大部分柵格人口密度在0.3～0.4 萬人/千米2，遠低于城市中心區人口密度，但由于鄰近眾多知名高校，高標準現代化的用地開發，使得這一區域的城市功能已十分健全，從土地利用混合度數值上來看同老城區并沒有明顯差距。位于城市東部、同樣高校集聚的仙林大學城區域，由于已集聚了相當數量的居住人口，因而沒有出現回歸系數負向作用過大的異常現象。而以南京老城區為核心的主城區中心區域，由于實現了高用地混合度與高居住人口密度的匹配，回歸系數為正，且形成了較明顯的圈層結構。

圖8 土地利用混合度因素回歸系數空間分布

土地利用混合度與人口集聚存在相關性但并不存在因果關系，人口集聚帶來了多樣用地功能需求的增長，而用地功能的混合又吸引了人口的集聚，兩者相互促進。對于大學城、工業園區等相對獨立的功能組團，應推動兩者的協同提升，實現人口集聚與用地混合相匹配。

四、結論與討論

（一）結論

居民作為城市建設和使用的主體，其空間分布反映了就業、用地、交通、經濟等各類要素的疊加影響效果。識別影響城市人口空間分布的主導因素及其作用的空間異質性，對于精準找出發展問題并提出有針對性的策略，進而推動城市功能整合優化、實現空間與人口的耦合發展具有重要意義。本研究首先借助局部莫蘭指數分析南京中心城區人口空間分布異質性，繼而使用地理探測器和普通最小二乘法識別影響人口空間分布的主導因素，并通過地理加權回歸模型對各影響因素的空間異質性進行分析，得出主要結論如下：

1.南京中心城區人口空間分布呈現明顯的集聚現象。人口密度高值集中出現在明城墻圍合的古城區域，規劃建設的江北、江寧等新的人口集聚區規模仍較小，尚沒有形成明顯的次級人口集聚中心。南京市早在2001年即提出以疏散老城人口和功能為重點的“一疏散三集中”戰略，但老城區至今仍是居住人口、就業崗位集聚的絕對核心以及公共服務設施、商業服務業等城市功能過于集中的土地利用混合度高值集聚區和地價峰值區，是區域內人口集聚的絕對引力中心。

2.人口空間分布是多種因素共同作用的結果，且各因素的解釋力不同。利用地理探測器及最小二乘法回歸發現就業崗位、距市中心路網距離、平均房價、土地利用混合度等因素回歸顯著性較強。人口分布并不是各因素獨立作用的結果，而是各因素交互作用增效后的產物，其中就業崗位和距市中心路網距離兩因素對于人口集聚的交互作用解釋力最強。各類因素對人口分布的影響作用呈現明顯的空間異質性，因地理位置的不同呈現不同的作用方向與強度。

3.回歸系數分層聚類形成的作用組團與城市規劃中人為劃定的功能組團契合度高。盡管空間異質性導致各因素在不同地理位置回歸系數不同，但仍然遵循地理學第一定律，即鄰近區域回歸系數相近，存在集聚分布現象，且在空間上與南京老城區、江北新區、河西新城、仙林大學城、江寧大學城、南京南站樞紐等城市功能組團在空間上的契合度高。組團內影響因素作用方向相同、強度接近，而組團間作用方向和強度明顯不同。

（二）討論

本文將手機信令、互聯網地圖等多源大數據引入城市人口研究，相比傳統數據，在精準性和科學性上更強。但現有的大數據與理論方法顯然仍不能完全準確解釋城市這一復雜系統的各種現象與機制，仍有待未來數據與方法的進一步創新。

人口空間分布是長期、多因素復合作用的復雜性結果，僅用少量因素回歸難以解釋。本研究側重于分析就業、距離、土地混合、房價等與人口分布關系密切的因素在影響作用上的空間異質性，為進一步揭示城市人口空間分布影響因素及作用機制提供參考。但人口在空間分布上的地理特征是在長期歷史演進中，受區位、資源環境、用地、經濟、政策、文化等多因素交互影響形成的結果，其具體作用機制、強度、因素間的協同與拮抗關系仍有待進一步揭示。

各類影響因素與人口空間分布現象間并不是因果關系，而應理解為相互影響、相互作用的相關性。此外，基于現狀的分析研究難以考慮到未來規劃的政策導向作用。以公共交通可達性因素為例，基于現狀研究，南京中心城區公共交通可達性對人口空間分布的解釋力顯著性并不突出，但公交引導城市開發、城市適應公交的理念已被廣泛倡議。南京作為公交都市試點城市，未來通過規劃引導的手段推動就業、公共服務設施等城市資源向公交可達性優勢地區傾斜，繼而吸引居民集聚仍具有現實意義和可實施性。

人口的空間分布可作為城市中心體系測度的重要標準，既有研究結果表明城市中心體系主要存在“人、地、業”三種形式的表征[31]，從而通過測度人口分布與活動、土地建設規模與強度、城市業態功能三類外顯特征可識別城市中心體系。21 世紀以來，南京市先后提出“一疏散三集中”“一城三區”“指狀發展”“一主一新三副城九新城”等城市多中心發展戰略，但實施成效仍有待時間檢驗。人口在老城區的過度集聚仍將帶來老城交通、公共服務設施承載壓力過大等問題。

對此，本文提出如下對策建議：首先，持續推進老城區人口和功能的實質性疏解。人口的多中心分布與功能的多中心布局相輔相成，共同推動形成多中心城市結構。只有推進就業崗位、基礎設施、優質公共服務設施等城市核心功能在空間上的多中心分布，才能實現人口在空間分布上的相對均衡，避免因過度集聚引發的各種城市問題。其次，針對不同區域、城市功能組團，應綜合考慮各種因素交互影響作用，采取差異化的發展策略。例如，江北新區作為規劃中的新主城，其就業崗位和土地利用混合度對人口集聚具有明顯的正向作用，在未來規劃中更應通過產業轉型升級、創造優質崗位、推進產城融合與職住平衡、完善基礎設施和公共服務設施等方式吸引更多人口集聚。