基于通勤率的東京都市圈空間結構研究及其啟示

李健, 張琳

摘要：都市圈是城鎮化發展到高級階段的重要空間組織形式，探討其空間范圍、空間結構和成長機制是優化都市圈規劃的重要工作基礎。選擇與上海大都市圈相類似且發育更成熟的東京都市圈作為比較案例，基于“2018年東京都市圈城市交通特性調查”數據測度東京都市圈中心—外圍的通勤流，運用社會網絡分析法從關系網絡視角對東京都市圈通勤網絡結構特征及其效應進行分析，借助空間計量模型分析東京都市圈空間結構的影響因素，研究結果發現：第一，東京都市圈空間范圍大致為11 300平方千米，并且有明顯“核心—外圍”結構，形成了以東京區部為核心的東京都市圈5個圈層；第二，通勤率指標仍然是體現中心城市和外圍城市之間緊密勞動力聯系的重要考察標準；第三，軌道交通建設、經濟發展、時間距離以及人口規模等指標都對都市圈空間結構產生影響；第四，東京都市圈空間組織具有多層級的復雜網絡結構特征。以上四點研究發現對于上海大都市圈空間規劃具有重要啟示意義。

關鍵詞：上海大都市圈； 東京都市圈； 通勤率； 空間結構

中圖分類號：TU984.1? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ?文章編號：1009-3060（2024）01-0074-12

一、 引言

2019年12月，中共中央、國務院印發了《長江三角洲區域一體化發展規劃綱要》，提出“加快南京、杭州、合肥、蘇錫常、寧波都市圈建設，統一規劃建設都市圈內基礎設施，構建快速便捷都市通勤圈；加強都市圈之間的合作互動，推動上海與近滬區域及蘇錫常都市圈聯動發展，構建上海大都市圈”。都市圈的定義源自歐美國家的“都市區”概念，是中心城市與周邊城市基于分工、商貿、交通等形成的經濟社會密切聯系的特定的區域城市簇群［1］。在實踐規劃中，上海大都市圈先后經歷了從“1+6”“1+7”到“1+8”①，再到目前“1+12”成員城市的多次調整，反映出上海大都市圈空間范圍基于行政區劃分的主觀性。

歐美國家對都市區或者大都市統計區的界定，更為強調中心城市與周邊城市的人口規模情況（城市地區）及通勤強度（聯系度），更多反映就業機會集中（需求勞動力）和人口集中（供應勞動力）的城市跨域聯系［2］。依據美國2013年啟用的《2010年都市區界定標準》，大都市統計區規模超過5萬人，小都市區規模超過1萬人。超過50%的人口位于核心區的郡縣或郡縣群被稱為中心縣，與中心縣毗鄰且與中心縣通勤率超過25% 的郡縣稱為外圍郡縣，中心縣和外圍郡縣共同構成都市統計區。加拿大的大都市普查區的界定標準每隔5—10年會進行調整，2016年其通勤閾值從2011年的25%提高到了50%。從2021年開始，加拿大大都市普查區總人口規模應大于10萬人，與核心區毗連的細分普查區至少滿足以下三個條件之一：一是至少50%的居民位于核心區；二是至少50%的勞動力在核心區工作；三是至少50%的勞動力在核心區居住。英國以兩個相鄰超級產出區域的通勤率為標準識別通勤區，其通勤區識別方法為：某個或多個超級產出區域中，超過75%的居民在此工作，超過75%的從業者在此居住，且總人口超過3 500人，則構成通勤區“雛形”。當通勤區人口規模超過2.5萬人時，通勤率閾值由75%下降至6667%；當通勤區人口規模處于3 500—25 000人時，通勤率閾值則根據實際人口規模由75%線性下降至6667%［3］。日本將都市區定義為包含一個或多個中心市及其相關外圍區域的空間，中心市為中央指定市或人口超過50萬的城市，以市町村為基本單元確定中心市外圍區域，如果中心市周邊市町村15歲以上居民中至少1.5%的人在中心市工作或就學，那么該市町村將被納入該都市區的統計范圍。日本經濟產業省還提出了大都市就業區的概念，外圍區域主要是與核心區城市保持10%以上通勤率的市町村。由于與歐美國家的都市區在中心市的人口規模標準方面存在量級的較大差異，中國學者往往將日本的“都市區”翻譯為“都市圈”。

從歐美及日本對都市區（都市圈）的空間范圍定義來看，中心市人口規模、通勤率這兩個指標最為關鍵，由于中心市人口規模一般都比較明確，因此通勤率成為重要考察對象。本文選擇與上海大都市圈在經濟結構、人口規模和密度、社會聯系等方面都比較相近且發育更成熟的東京都市圈進行研究，試圖實現三個研究目標：一是對東京都市圈的空間范圍進行界定，以便更好地類推上海大都市圈的空間尺度；二是對基于通勤率的東京都市圈空間組織進行探討，為上海大都市圈空間結構的優化提供依據；三是對東京都市圈空間發育機制進行研究，為上海大都市圈空間規劃政策提供參考。

二、 數據來源及研究方法

（一） 研究范圍

根據日本國土交通省對于東京都市圈的定義與劃分范圍，本文的研究對象包括東京都市圈“一都三縣”（東京都、埼玉縣、神奈川縣、千葉縣）及茨城縣南部，總計268個市町村。

（二）數據來源

本文數據主要來自日本總務廳和國土交通省的“2018年東京都市圈城市交通特性調查”。該數據庫自1987年起先后發布過6次，通過對東京都市圈范圍內常住人口的交通行為特征進行調查，以把握東京都市圈范圍內的交通狀況，為政府決策和科研機構從事研究提供參考，具有較高可信度。該調查通過隨機抽樣的方法，從東京都市圈共1 800萬個家庭戶中抽取約63萬戶，利用信件、網頁等形式進行問卷調查，以了解和把握東京都市圈范圍內不同城市、不同交通主體的出行特點。另外，“2018年東京都市圈城市交通特性調查”包括“日常通勤+學生上學流動”數據，考慮到我國跨城市上學的學生數量較少，本文對東京都市圈的研究僅采用日常通勤數據，以實現更好的參考和對標價值。

（三）研究方法

本文利用“2018年東京都市圈城市交通特性調查”數據，計算中心區與外圍城市的通勤聯系，參考國內外既有的都市圈劃分標準，選擇客觀指標并建構科學方法，以探討東京都市圈現有的圈層結構劃分及其主要影響因素?；谝陨涎芯磕繕?，本文的研究方法主要包括：第一，構建指標體系，測度都市圈范圍內各城市“中心—外圍”通勤強度；其次，使用社會網絡分析方法，從整體性、個體性等多層面對通勤網絡格局進行可視化展示，分析通勤網絡特征和結構層次；最后，構建空間計量模型，以探析東京都市圈空間結構的影響因素。

1. 通勤強度

通勤聯系具有方向性。為測度區域內的通勤強度，本文構建了具有方向特征的4個指標——內向通勤率、外向通勤率、雙向通勤率、通勤偏好指數，以反映東京都市圈各地區與中心區的通勤聯系強度。

內向通勤率（W_1）指居住在外圍地區但到中心城內工作的人口占其工作總人口的比例。計算公式為：

W_1=MijMi （1）

式中Mij表示在外圍地區i居住的勞動人口中前往中心區j工作的人口數量；Mi表示在外圍地區i居住的工作總人口數。

外向通勤率（W_2）指居住在中心區但到外圍地區工作的人口占中心區工作總人口的比例。計算公式為：

W_2=MjiMj （2）

式中Mji表示在中心區j居住的勞動人口中前往外圍地區i工作的人口數量；Mj表示在中心區j居住的工作總人口數。

雙向通勤率（W_3）即內向通勤率和外向通勤率之和，因而其計算公式為：

W_3=MijMi+MjiMj （3）

通勤偏好指數（Iij）即兩城市實際的通勤人口流量與地區可能的最大通勤流量的比值。通勤偏好指數是一個相對指標，測度的是某一地區通勤流量大小是否與該地區人口規模相匹配，反映地區間聯系的緊密程度。表達式為：

Iij=MijPiP×PjP×∑Mij （4）

在通勤偏好指數公式中，Mij表示i地區流入j地區的通勤人口數量，Pi為i地區的人口數量，Pj為j地區的人口數量，P表示研究區域的總人口數量。

2. 通勤網絡

在得到268個市町村相互間及城市內部的通勤數據之后，本文構建了通勤聯系矩陣。其中，依據日本總務省的定義，15歲以上常住人口中通勤率達到1.5%就表示某城市與另一城市具有通勤聯系。本文樣本范圍是實際的通勤人口總數，因此將通勤臨界值調整為1%，在通勤聯系矩陣中通勤率高于1%的標記為1，反之取值為0，以此得到268個市町村間的二值通勤網絡矩陣，分網絡整體、網絡個體兩個層次進行考察。

（1）網絡整體空間關聯分析

為了進行網絡整體空間關聯分析，本文采用整體網絡密度、 網絡關聯度、網絡效率和網絡等級度進行測度。

整體網絡密度（Di）用于測度節點之間聯系的緊密程度，網絡密度越高，節點間聯系愈發密切。表達式為：

Di=NM（M-1） （5）

其中，N為城市間通勤聯系的節點對數，M為節點數。

網絡關聯度（C）用于測度網絡節點之間彼此聯系的程度。如果網絡中有許多點互相之間不可達，那么該網絡的關聯性就較??；當任意兩點間都有可達的途徑時，整體網絡的凝聚力則越大。表達式為：

C=1-VM（M-1）/2 （6）

其中，V為網絡節點中不可達的點對數，M為網絡節點數。

網絡效率（GE）用于測度在已知圖中所包含的成分數確定的情況下，網絡在多大程度上存在多余的線。表達式為：

GE=1-Vmax（V） （7）

其中，V是多余線的條數，max（V）是最大可能多余線的條數。

網絡等級度（GH）用于表達網絡節點相互之間的非對稱的可達，可分辨網絡等級結構的強度。表達式為：

GH=1-Vmax（V） （8）

其中，V表示網絡中對稱的可達的點對數。max（V）等于i可達j或者j可達i的點對數。

（2）網絡個體中心性分析

為對東京都市圈網絡個體中心性進行測度，本文采用度數中心度、中介中心度和接近中心度這三個指標。

度數中心度（C′RD）該指標利用某城市與其他城市的連接數量來反映網絡的局部特征。直接與某個節點城市相連的城市數量越多，則它的度數中心度就越大。根據數據的性質，度數中心度有點出度和點入度之分。為了方便對不同地區進行比較，本文采用相對度數中心度來衡量地區度數中心度（C′RD）大小。表達式為：

C′RD=（x的點入度+x的點出度）2n-2 （9）

其中，n代表節點個數。

中介中心度（C′ABi）該指標刻畫的是處于多條其他兩點間路徑的城市，測量某一城市對資源控制的程度。表達式為：

C′ABi=njnkbjk（10）

其中，j≠k≠i，且j

接近中心度（C-1APi）該指標和中介中心度一樣，均利用了整個網絡的特征，即一個節點在整個結構中所處的位置。如果節點到網絡其他節點的最短距離都很小，那么接近中心度就很高。表達式為：

C-1APi=∑nj=1dij（11）

其中，dij是點j和點k之間的捷徑距離，n代表節點個數。

三、 通勤強度計算與東京都市圈圈層劃分

（一） 東京都市圈通勤強度計算

1. 內向通勤率

如果以5%的內向通勤率標準計算，一都三縣與茨城縣南部整個圈域60千米半徑范圍都被涵蓋在內。而如果以日本國土交通省劃分大都市圈的10%的標準來看，以東京區部為核心的都市圈大致延伸到了50千米范圍內，最東邊延伸到千葉縣的成田市等地，最北邊將延伸到茨城縣的筑波、土浦和埼玉縣的熊谷、行田等地，最西邊的范圍將涵蓋東京都的相模原市綠區，最南邊將直達神奈川縣的橫須賀市。東京都市圈圈域結構大致呈同心圓狀層層向外擴展。在衰減規律上，東京都市圈10—30千米范圍內內向通勤率急劇下降，從90%以上快速下降到25%左右，通勤圈主要往東北方向拓展。在30千米范圍以外，內向通勤率從25%開始緩慢下降，衰減趨勢減緩，從圈域擴展方向看，該同心圓向西北方向偏移較大，是一個不均衡圓形。西南、西北方向上的擴展強度高于東部地區（見圖1（a））。

從縣域尺度看，2018年神奈川縣、埼玉縣、千葉縣和茨城南部的內向通勤率分別為2616%、28.53%、28.89%和9.12%，三縣與中心區的通勤情況相差不大。山下［4］在其研究中比較了神奈川縣、埼玉縣和千葉縣1985年流向東京區部的通勤率，結果顯示，埼玉縣和神奈川縣數值較高，分別為266%和26.3%，千葉縣為23.9%，由此可發現千葉縣與東京都區部的內向通勤率增長最快。目前，千葉縣在人口通勤方面逐漸成長為與東京區部聯系最為密切的地區之一，東京中心區影響范圍在近三十年往東部繼續擴張，影響力日益增大。相較而言，神奈川縣內向通勤率不增反減，這主要是因為神奈川縣的自立性程度在上升，在橫濱市、川崎市、相模原市等京濱工業地帶的業務核都市都形成了自己獨特而富有競爭力的產業結構，吸納了越來越多的勞動力。

2. 外向通勤率

從中心區流出的通勤人口大部分都分布在中心區周邊縣市，還有神奈川縣厚木市及周邊的一塊飛地。厚木市位于交通要沖，自2005年“招商引資條例”實施后，產業園區內吸引大量企業入駐，研究機構及物流、服務業等企業集聚，晝夜人口比顯著高于周邊縣市，并且與東京中心區之間的產業聯系較為緊密。整體比較而言，由于中心區經濟發展有絕對吸引力，內向通勤率顯著高于外向通勤率（見圖1（b））。

3. 雙向通勤率

雙向通勤率展示了城市總的通勤流量大小，可以綜合反映出城市人員流動與勞動力人口的活力和密度。從圖1（c）看，中心區及其緊鄰地區仍是通勤人口流動最頻繁的地區，雙向通勤率同樣具有呈同心圓狀向外拓展的特征，在中和了內向通勤率和外向通勤率兩者的作用后，雙向通勤的空間分布更加均勻。由于疊加內向通勤率和外向通勤率的影響，距離衰減規律也更加明顯。

4. 通勤偏好指數

通勤偏好指數分布圖（見圖1（d））依然顯示從中心區向外圍地區遞減的大致規律，但未完全按照地理空間衰減的順序平滑過渡。在非靠近中心區、不具有地理鄰近性的地區，如習志野市、鐮谷市仍然具有較高的通勤偏好指數值，這兩個地區的人口撫養比分別為0554和0560，遠低于平均水平0640，因而呈現出年輕型的人口結構。年輕人對大都市生活的向往導致該地區通勤偏好指數高于周邊地區。

（二）基于通勤強度的都市圈層劃分

借鑒張沛［5］、駒木伸比古［6］、小宮山直久［7］、藤井正［8］、山神達也［9］等學者的研究，本文確立了4個閾值：10%、25%、40%、90%。

內向通勤率、外向通勤率、雙向通勤率、偏好指數顯然具有共性的空間分布特征，這個空間分布特征可以將東京大都市圈劃分為以東京區部為核心、通勤強度從核心向外圍遞減的5個圈層（見圖2）。通勤率極高值聚集區集中分布在東京區部內，呈高密度連續性團狀聚集。都市圈核心城市外圍形成次高通勤率集中區，呈環狀圍繞在東京區部的外圍。而近郊區形成的通勤率聚集區則呈較均勻的連續圈狀分布，近郊區邊緣區形成的通勤率聚集區呈間斷的圈狀分布，遠郊區則呈點塊狀的不連續分布。本文以內向通勤率為基準，依據外向通勤率、雙向通勤率、通勤偏好指數并把功能、性質相同或者相近的地域進行整合歸并，依此形成以東京區部為核心的東京都市圈5個圈層（見表1）。

第一圈層也就是東京都23區全部的范圍，其通勤率全都在90%以上。從通勤率看，它吸納了核心區的絕大多數通勤人口，內向通勤率高而外向通勤率比較低。因而它不僅在空間上處于核心地位，在職能上也發揮核心作用，根據其性質可被定義為“核心圈層”。不管是在產業還是勞動力集聚層面，“核心圈層”都擁有最大的吸引力和輻射能力，可以說是整個大都市圈的“心臟”。

第二圈層大致位于東京都市圈15—25千米范圍內，空間上的分布緊挨著“核心圈層”。其通勤率基本介于40%—90%之間，西部的通勤偏好指數大概在4.25—7.11之間，顯著高于東部的175—4.25，不管是通勤率還是通勤偏好指數都僅次于“核心圈層”，表現出對中心區明顯的依賴性，晝夜人口比較低。本文將其命名為“燈下圈層”，包括船橋市、市川市、浦安市等，這些城市都帶有強烈的近郊城市性質。該圈層城市會同時受到“核心圈層”和“第三圈層”的影響，流向東京區部或橫濱的通勤率較高，而較少人口流入當地，因此更多是作為東京區部的“臥城”存在，在功能上以居住為主，產業發展偏弱。

第三圈層主要位于東京都市圈25—30千米范圍內，距離東京都市圈中心區有一定距離，受核心圈層的“虹吸效應”影響開始減弱，人員通勤率開始隨距離逐漸降低，整體通勤率在25%—40%之間，通勤偏好指數在4.25—7.11之間，平均值甚至會高于第二圈層的數值，不符合同心圓隨地理距離往外遞減的規律。第三圈層的城市主要是一些常住人口規模在30萬以上的城市，如埼玉市、野田市、越谷市、柏市、町田市等“業務核都市”及千葉市、橫濱市和川崎市部分地區，整體發展獨立性較好。雖然這些城市在區位條件、發展歷史、資源稟賦等方面不及“核心圈層”，但從第四次“首都圈整備計劃”開始，政府大力發展“業務核都市”，給予這些郊區新城許多政策優惠。業務核都市借助“擴散效應”，承接“中心圈層”的產業、人口轉移，根據自身發展特點，形成了多個各具特色的“亞核心”。這些“亞核心”既分散了核心圈層的壓力，又形成了一些次要功能的聚集，本文將其命名為“亞核圈層”。它是“擴散效應”和“虹吸效應”共同作用的結果，具有鮮明的功能定位，在其中已經形成多個綜合性的節點城市。

第四圈層位于東京都市圈30—50千米范圍內，覆蓋的空間范圍較大，位于第三個圈層外圍，受“亞核圈層”影響較大。第四圈層流向中心區的通勤率顯著降低，在10%—25%之間，通勤偏好指數也在下降，主要位于1.75—4.25，受中心區影響顯著下降。但在中心區對其牽引力下降的同時，“亞核圈層”中發展較為完善的新城對其牽引力提升，借助網絡分析我們可以更清晰地認識到這一點。這些廣袤的郊區地區與埼玉縣、神奈川縣、千葉縣的首府城市或業務核都市聯系更緊密，依賴程度更高，能側面反映出東京都市圈多核心的變化趨勢。因此，本文將其命名為“亞核附屬圈層”。

東京都市圈最外圍50—60千米范圍內是第五圈層，通勤率在5%—10%之間，也是通勤偏好指數最低的地域。這些地區因為通勤時間和成本的原因，與周邊其他地區尤其是東京都市圈中心區之間的通勤需求較低。它們是東京都市圈未來開發的腹地，目前主要承擔農業發展和生態保育、區域教育醫療等功能，因而本文將其命名為“外圍開發圈層”。

四、 基于網絡結構的東京都市圈空間組織

（一）通勤網絡整體空間關聯分析

從網絡整體連通性來看，東京都市圈通勤聯系網由268個市町村節點構成，共有268×（2681）即71 556個節點對，實際上通勤率高于1%的節點對有4 272對，整體網絡密度為0060，通勤流量大的節點對數占整體網絡的比例并不高。網絡關聯度數值為1，代表所有的節點間都實現了連接，東京都市圈內部無孤立的市町村節點，網絡結構突出，主要通勤聯系集中在幾個城市之間或城市內部，呈現“無標度”特征。網絡效率為0909 4，說明網絡冗余關系少，網絡整體密度不高。網絡等級度為0022 2，說明網絡中存在一定等級結構，部分節點更是只有通勤流入而無通勤流出，進一步證明這樣的節點是區域重要的節點城市。因此，整個東京都市圈存在明顯的“核心—邊緣”結構（見表2）。

（二）通勤網絡個體中心性分析

本文借助UCINET軟件的中心性分析程序，對東京都市圈通勤網絡的度數中心度、中介中心度和接近中心度進行測算（見表3）。268個市町村的度數中心度均值為0.059，有101個地區的相對度數中心度高于平均值，說明這些地區在東京都市圈通勤網絡中與其他地區有較多的通勤聯系。千代田區、港區、新宿區、中央區等地區都擁有極高的度數中心度，排名前7的地區均為東京區部核心區及副都心，作為區域內的CBD，具有大量商務通勤需求。排名前20的地區均為東京都23區及各縣縣廳所在地或政令指定都市，度數中心度最低的幾個地區都位于東京都市圈30千米以外的外圍地區。268個市町村的點入度和點出度均值都為1594，但點入度集中程度遠遠高于點出度，其中點入度的集中度為0.63，遠高于點出度的集中度004，這說明通勤流出地區分布相對均衡，而通勤流入集中在幾個經濟發達地區，中心三區和副都心的點流入通勤對數大于100，其他地區對這幾個地區有一定依賴性，勞動力集中向這幾個城市輸出。

中介中心度均值為1.049，有69個地區高于平均值，說明這些城市在大都市圈網絡控制其他城市通勤流動的能力較強，是通勤路徑上的樞紐城市。中介中心度排名最靠前的20個城市中，除23區之外，千葉市、小田原市、市川市等都是重要的交通節點城市和郊外節點城市，其他地區之間的通勤聯系要通過這些地區構建起來，在通勤關聯網絡中發揮著重要的中介和橋梁作用。東村山市經濟并不發達，但位于兩條交通干道的交匯處，因而也具有較高的中介中心度。中介中心度數值較低的城市主要分布在千葉縣東南部、埼玉縣西北部等人口少、經濟發展相對落后、交通不便地區，難以在網絡中發揮支配和控制作用。

東京都市圈通勤網絡接近中心度的平均值為45.92，有182個地區超過平均值，說明這182個城市在都市圈通勤網絡中與其他地區的網絡距離較短，從這些地區出發，可便捷快速地建立和其他地區的聯系，它們在空間網絡中發揮中心行動者的作用。與度數中心度的排名類似，接近中心度排名靠前的前20個城市是經濟發達、連接較多城市的網絡核心點。通勤網絡本質上是建立在勞動力市場和就業市場之上的，它們由便捷的交通設施所支撐。產業和經濟高度發達的地區通過這些交通設施能夠與其他區域建立起高效的聯系渠道，吸引和維持大量的人員流動。因此，這些地區在空間中往往表現出較高的接近中心度，這意味著它們與其他區域的連接程度較強。這種高度的連接性通常與度數中心度（即與多少其他節點直接相連）相一致，顯示了這些地區在整個網絡中的重要性和中心地位。

五、 東京都市圈通勤率空間布局的影響因素

（一） 變量選取與描述性統計

對通勤率影響因素和機制的研究可以更好地支撐都市圈一體化發展規劃。本文重點選取了人口、經濟、產業結構、基礎設施、與中心區距離等指標對雙向通勤率進行解釋，并利用空間計量分析技術檢驗是否存在空間溢出效應。在解釋變量選取上，人口總量和人口結構決定地區勞動力供給能力，如果當地勞動力供給量低于或超出勞動力需求，會分別產生內向通勤和外向通勤流量，因而本文主要選用人口規模來衡量人口指標對雙向通勤率的影響。經濟總量決定地區勞動力的需求能力，產業結構決定地區勞動力的需求結構，基于此，本文分別選用財政規模和第三產業從業人員比重衡量經濟總量和產業結構對雙向通勤率的影響。此外，由于交通基礎設施和到中心區的距離共同決定了通勤成本，理性經濟人會在通勤收益和通勤成本的衡量下做出通勤選擇，本文選用軌道交通使用比例衡量基礎設施對雙向通勤率的影響，并選用乘坐軌道交通到達中心區的時間來衡量距離對雙向通勤率的影響。雙向通勤率和軌道交通使用比例數據皆源于2018年東京都市圈城市交通特性調查，其余數據均來源于2018年日本總務省的調查數據和雅虎地圖交通數據。

變量的描述性統計分析結果見表4。由此可知，東京都市圈268個市町村各指標在地區分布上存在異質性。其中，地區財政規模數值差異最為顯著，最高有1 980億日元，最低只有13855 1億日元。同樣，人口規模也存在較大的地區差異，規模最大的有903 346人，最小的只有2 209人。由于變量單位和變量性質的差異，第三產業從業人員比重、雙向通勤率、軌道交通使用比例、到達東京中心區時間差異較小。在進行變量間兩兩相關性分析時可發現各變量之間的相關性較大，人口數量和地方財政規模的方差膨脹因子（VIF）均超過10，分別達到17.31和1956，這說明模型存在較強的多重共線性。本文利用SPSS 15逐步回歸法進行回歸分析，最終決定剔除“人口規?！敝笜?，剔除后所有指標方差膨脹因子（VIF）均小于10。

（二）空間相關情況

本文運用全局莫蘭指數對2018年268個市町村的雙向通勤率進行空間自相關檢驗。全局莫蘭指數取值范圍為［-1，1］，正值表明存在正向空間相關性，負值則表明存在負向空間相關性。2018年，東京都市圈雙向通勤率的Morans I 指數為0.292，且通過了1%的顯著性檢驗，說明雙向通勤率具有顯著的空間集聚特征，具體表現為：一個地區雙向通勤率水平高，其相鄰的地區雙向通勤率水平也可能較高。自變量中除了軌道交通使用比例的空間自相關性沒有通過顯著性檢驗，到達東京中心區時間、財政規模、第三產業從業人員比重、人口規模的Morans I指數分別為0.353、0.182、0.337、0.171，且都通過了1%的顯著性檢驗，都存在明顯的空間自相關性。因此，自變量和因變量的空間作用顯著，可以選擇空間計量模型進行量化分析（見表5）。

（三）相關檢驗與模型選取

根據前文分析，東京都市圈雙向通勤率有顯著的空間相關性?？臻g計量模型通過矩陣形式反映研究對象之間的空間作用關系，通過建立空間計量模型，可以更加準確地把握影響雙向通勤率的作用機制和影響因素。根據矩陣作用項，空間計量模型可以分為空間自回歸模型（SAR）、空間誤差模型（SEM）和空間杜賓模型（SDM），具體模型如下：

Y=ρWY+Xβ+θWX+μ

μ=λWμ+ε， ε～N［0， σ2I］

其中，Y代表因變量，X代表自變量，W代表空間鄰近權重矩陣，ρ和θ代表了空間相關系數，β為X的相關系數，μ和ε為隨機誤差且服從正態分布，λ為空間誤差系數。ρ≠0，θ=0且λ=0時，模型為空間自回歸模型（SAR）；ρ=0，θ=0且λ≠0時，模型為空間誤差模型（SEM）；ρ≠0，θ≠0且λ=0時，模型為空間杜賓模型（SDM）。更為一般的模型是將空間自回歸模型（SAR）和空間誤差模型（SEM）結合起來，即ρ≠0，θ=0且λ≠0，此模型被稱為“帶空間自回歸誤差項的空間自回歸模型”，簡稱為SARAR模型。本文將根據檢驗及具體結果選擇合適的模型方程。

第一步是進行LM檢驗。本文對普通線性回歸（OLS）進行空間效應檢驗，包括LM-Lag、LM-Error以及穩健的LM-Lag、穩健的LM-Error檢驗，初步判斷模型是否存在空間效應以及合適的模型形式。根據表6可知，針對空間滯后的兩個檢驗中，LM-Lag檢驗拒絕“無空間自相關”的原假設，而針對空間誤差的兩個檢驗均拒絕了此原假設，結果再次表明了應該進行空間計量分析（見表6）。

第二步是進行模型對比。本文分別使用MLE估計構建SARAR模型、空間自回歸模型（SAR）和空間誤差模型（SEM）來比較不同模型的效果。根據模型回歸結果，在SARAR模型中，空間誤差系數λ為0.060，且在1%水平上顯著；而空間自回歸系數ρ則很不顯著，其P值達0.508。由于空間自回歸系數不顯著，研究繼續使用不含空間滯后的SEM模型進行模型估計。除去第三產業從業人員比重（Ter），到達東京中心區的時間（Dis）、財政規模（Fin）、軌道交通使用比例（Rai）和空間誤差項（λ）都在1%水平上顯著，模型擬合效果較好（見表7）。

（四）實證分析結果

根據表7中SEM模型的估計結果，到達東京中心區的時間、財政規模、軌道交通使用比例對雙向通勤率的影響均較明顯，但作用強度有顯著差異。軌道交通使用比例影響較大，具有較為強烈的正效應。軌道交通使用比例每提升1個單位，雙向通勤率能夠增加9.43%。到達東京中心區的時間、財政規模這兩個因素影響較小。到達東京中心區的時間每增加10分鐘，雙向通勤率會減少4.32%；財政規模每提升10億日元，雙向通勤率會增加0.2%。而人口規模和第三產業比重對雙向通勤率的影響都比較弱。從空間效應看，誤差項的空間自回歸系數的估計值為0.053，且在1%水平上顯著，表明除模型中的解釋變量外，不可觀測的隨機沖擊存在著空間相關性，相鄰地區的隨機擾動項對本地區雙向通勤率具有一定的正向影響。這再次證明東京都市圈雙向通勤率存在明顯的空間集聚特征。完善地區交通等基礎設施、促進當地經濟發展和擴大財政規模對于增強該地區與東京中心區之間的雙向通勤率至關重要。這些措施有助于提高該地區在東京都市圈的參與度。其核心作用機制在于，經濟發展和基礎設施建設能有效促進人口流動，尤其是勞動力的流動性，從而提升人們對經濟和社會活動的參與程度。

六、 研究結論及對上海大都市圈的啟示

東京都市圈是政府規劃力量和市場經濟力量共同推動的發育成果，其空間組織特征和運行機制對于上海大都市圈具有重要的參考價值。從本文研究看，有以下幾個方面的結論值得關注：第一，從都市圈發育范圍看，東京都市圈在半徑60千米開始出現低于5%的內向通勤率，這意味著東京都市圈緊密圈層范圍大致為11 300平方千米。第二，不管從何種指標考察，東京都市圈都是由以東京區部為核心、通勤強度從核心向外圍遞減的5個圈層構成，具有明顯的“核心—外圍”結構。此外，其主要通勤聯系集中在幾個城市之間或城市內部，網絡整體密度不高。第三，通勤率仍然是日本和歐美等發達國家和地區都市圈規劃建設的重要參考指標。通勤率反映中心區和外圍城市之間緊密的勞動力聯系，是一種長期的固定通勤聯系，其他指標則難以體現這種社會實質。第四，都市圈表現為一種不規則圈層，這種不規則性受軌道交通建設的影響最為顯著。另外，經濟發展、時間距離、人口規模、地形地貌等指標對圈層的不規則性也有一定影響。第五，從都市圈網絡組織特征看，中心區網絡中心性最強，但在外圍區也會形成次級中心城市，從而形成多層級網絡結構的復雜網絡特征。

根據以上研究結論，上海大都市圈建設需重視以下幾個方面的啟示：

一是要重視對都市圈復雜空間組織的規劃認知。都市圈人口規模和范圍大小是影響都市圈規劃建設復雜性的基礎因素。上海大都市圈的“1+8”行政區域有7 700萬總人口，遠超過東京都市圈4 000萬的人口規模。在空間范圍方面，東京都市圈不足1.5萬平方千米，而上海大都市圈的陸域面積高達5.6萬平方千米。因此，上海大都市圈在空間范圍、人口規模方面都遠超東京都市圈，這也決定了上海大都市圈具有更復雜的空間結構和組織。在規劃建設中，應結合經濟社會聯系、自然環境等因素，既突出“核心—外圍”空間組織，又要重視重點城市之間的聯系，推動多層級空間規劃的有效銜接。

二是要重視對上海大都市圈內外圈層的劃分，針對不同圈層制定差異化發展策略?？紤]到上海大都市圈較東京都市圈具有更大的規劃范圍而發展水平相對較低，上海大都市圈應采取圈層式的發展策略。其中，內圈層包括上海市域、蘇州和嘉興部分行政區，覆蓋范圍大概1.2萬平方千米。內圈層外圍城市今后的工作重點是強化與上?；谕腔慕洕l展和社會聯系，在基礎設施暢通聯系的基礎上，推進土地利用、產業發展、生態環保、公共服務等領域的協同一體化發展。中圈層、外圈層更需要強化次級中心的建設，比如外圍寧波次中心、無錫次中心、南通次中心建設，其重點工作是通過次級中心城市發展帶動周邊區域，推進基礎設施、生態環保、項目建設、園區合作等領域共建共享。

三是要重視大都市圈外圍專業化城市的規劃和建設。盡管度數中心度證明東京中心23區及其周邊城市有更強的通勤流，但中介中心度和接近中心度的計算結果證明，外圍區域有一些交通樞紐、專業功能城市具有較強的交通中介和專業服務功能，它們在整個都市圈通勤網絡中發揮了樞紐節點的功能。上海大都市圈規劃應重視核心城市的建設，同時應注重培育區域獨立但有較強專業性功能的節點城市，它們對于強化區域聯系、豐富網絡密度具有重要的中介服務、專業服務作用，是新城、衛星城及都市圈多中心空間組織建設的事實依據。

四是經濟活躍但快速交通發展偏弱的外圍城市應推動自身城際鐵路的快速建設。從東京都市圈通勤聯系的影響因素和機制來看，軌道交通聯系水平、與核心城市通勤的時間、經濟發展等因素發揮著重要作用，其內在機制在于，經濟發展有利于推動人口的流動，快捷的交通設施有助于支撐此類人口的流動。因此，上海大都市圈規劃和建設應強化軌道交通建設，特別是外圍一些經濟活躍但高鐵聯通較弱的城市，要發揮各城市地方財政富裕的優勢，盡快推動區域城際鐵路建設，支撐上海大都市圈大規模、快速化的人口通勤聯系。

參考文獻

[1]許學強， 周一星， 寧越敏. 城市地理學［M］. 北京： 高等教育出版社， 2022： 3032.

［2］ 張欣煒， 寧越敏. 中國大都市區的界定和發展研究——基于第六次人口普查數據的研究［J］. 地理科學， 2015（6）： 665673.

［3］ 劉玉博， 李魯， 張學良. 超越城市行政邊界的都市經濟區劃分：先發國家實踐及啟示［J］. 城市規劃學刊， 2016（5）： 8693.

［4］ 山下博樹. 東京大都市圏における周辺中核都市の成長［J］. 地理科學， 1993， 48（1）： 119.

［5］ 張沛， 王超深. 出行時耗約束下的大都市區空間尺度研究——基于國內外典型案例比較［J］. 國際城市規劃， 2017（2）： 6571.

［6］ 駒木伸比古. 通勤·消費行動からみた東京大都市圏の空間構造［J］. 新地理， 2004， 52（1）：115.

［7］ 小宮山直久. 業務立地及び通勤特性からみた東京大都市圏の発展過程分析［J］. 土木計畫學研究， 2007，36（2）：399400.

［8］ 藤井正.大都市圏における構造変化研究の動向と課題［J］.日本都市社會學會年報，2007（25）： 3750.

［9］ 山神達也.日本の大都市圏における人口増加の時空間構造［J］. 地理學評論，2003， 76（4）： 187210.

［10］ 渡邊圭一.東京大都市圏における就業者の産業別·職業別通勤パターンから見た分都市圏化［J］. 人文地理， 2002， 54（4）： 356372．

［11］ 張沛， 王超深.大都市區空間范圍的界定標準——基于通勤率指標的討論［J］. 城市問題，2019（2）： 3743.

［12］ 王德.上海都市區邊界劃分——基于手機信令數據的探索［J］.地理學報，2018， 73（10）： 18961909.

［13］ 張尚武， 晏龍旭， 王德， 等.上海大都市地區空間結構優化的政策路徑探析——基于人口分布情景的分析方法［J］. 城市規劃學刊， 2015 （6）：1219.

［14］ 孫娟，屠啟宇，王世營，等.全球城市區域視角下上海大都市圈內涵屬性與目標愿景［J］. 城市規劃學刊，? 2022（2）： 6975.

A Study on Spatial Structure of Tokyo Metropolitan Area Based on Commuting Rate and Its Implications

LI Jian1，ZHANG Lin2

1. Institute of Urban and Demographic Studies， Shanghai Academy of Social Sciences， Shanghai 200020， China；

2. School of Social Development and Public Policy， Fudan University， Shanghai 200433， China

Abstract：Metropolitan area is an important spatial organization form in the advanced stage of urbanization development. Exploring its spatial scope， spatial structure， and growth mechanism is an important working foundation for optimizing planning. Selecting the Tokyo metropolitan area as a comparative case， which is similar to the Shanghai metropolitan area and has a more mature development， and based on the “2018 Tokyo Metropolitan Area Urban Transportation Characteristics Survey” data， this study measures the commuting flow between the center and periphery of the Tokyo metropolitan area， and uses social network analysis to analyze the structural characteristics and effects of the commuting network in the Tokyo metropolitan area from the perspective of relational networks. Additionally， spatial econometric models are utilized to analyze the influencing factors of spatial structure in the Tokyo metropolitan area. Findings are as follows： firstly， the spatial range of the Tokyo metropolitan area is approximately 11 300 square kilometers， and it has a clear “core-periphery” structure with the Tokyo district as the core， forming five layers within the Tokyo metropolitan area; secondly， the commuting rate indicator remains an important reference standard for reflecting the close labor force connection between central and peripheral cities; thirdly， indicators such as rail transit construction， economic development， time distance， and population size all have impacts on the spatial structure of the metropolitan area; Fourthly， the spatial organization of the Tokyo metropolitan area is characterized by a multi-level network structure and complex network characteristics. These findings have enlightening significance for the spatial planning of the Shanghai metropolitan area.

Key words：Shanghai metropolitan area;Tokyo metropolitan area;commuting rate;spatial structure

（責任編輯：王晨麗）