基于优势流约束下聚类方法计算的
中国都市圈数据集研发

李 娟，张 扬^*，唐 松，刘旭宏

成都理工大学地理与规划学院，成都 610059

摘 要：都市圈是推进新型城镇化建设和高质量发展的重要空间载体，科学识别都市圈空间范围是开展相关研究和规划实践的重要基础。本研究在厘清都市圈概念的基础上，首先选取都市圈中心城市，然后利用百度人口迁徙数据构建城市人流联系网络，最后利用优势流约束下的DBSCAN聚类进行中国都市圈空间范围识别。数据集内容包括：（1）都市圈中心城市列表及空间分布；（2）城市间人流联系强度矩阵和人流联系网络；（3）都市圈识别结果列表及空间分布。数据集存储为.shp和.xlsx格式，数据集由29个数据文件组成，数据量为67.9 MB（压缩为1个文件，31.3 MB）。

关键词：都市圈识别；人流网络；中心城市；优势流约束；DBSCAN聚类

DOI: https://doi.org/10.3974/geodp.2025.03.04

CSTR: https://cstr.escience.org.cn/CSTR:20146.14.2025.03.04

数据可用性声明：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：
https://doi.org/10.3974/geodb.2025.08.01.V1 或 https://cstr.escience.org.cn/CSTR:20146.11.2025.08.01.V1.

1 前言

都市圈本质上是一个城市功能地域概念[1]。都市圈通常依托综合性特大城市的扩散与辐射效应，带动周边大中小城市协同发展，逐步形成空间紧密联系、功能深度融合的城市密集区域[2]。其地域范围往往比城市群小，是城市群的核心区域[3,4]。作为推动新型城镇化战略实施和实现高质量发展的关键载体，都市圈的重要作用日益凸显[5–7]。都市圈建设近年来持续得到国家战略层面的政策聚焦，如2014年《国家新型城镇化规划（2014–2020）》提出构建通勤高效、协同发展的一体化都市圈。此后，国家发展改革委于2019年印发《关于培育发展现代化都市圈的指导意见》，进一步推动都市圈建设迈向现代化与高质量发展。此后，国家再次强调要以城市群、都市圈为依托构建大中小城市协调发展格局。作为规划实践和相关研究的基础，科学界定都市圈空间范围，可为优化要素跨区域配置、促进城乡融合发展、推动新型城镇化高质量发展提供必要参考。

全球化和信息化进程加速了城市间要素（人流、物流、信息流、资金流、技术流等）的流动，深刻塑造了城市网络关联并影响着都市圈的形成与发展[8]。然而，传统都市圈识别方法多依赖静态地理空间分析[9,10]，主要采用非农人口占比[1]、人口规模[11]和二三产业产值等属性数据结合地域邻近因素判别[12]，忽视动态要素流的空间交互作用。近年来，随着大数据技术的蓬勃发展，类型丰富且获取成本较低的地理流大数据可为都市圈识别提供助力[13]。因此，本文在选取都市圈中心城市的基础上，基于百度人口迁徙数据构建全国人流网络，运用优势流约束下的DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类进行中国都市圈的空间范围识别。

2 数据集元数据简介

《基于优势流约束下聚类方法（DBSCAN）计算的中国都市圈数据集》[14]的名称、作者信息、地理区域、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。

3 数据研发方法

3.1 数据来源与处理

本研究所用数据主要包括社会经济统计数据和百度人口迁徙数据。社会经济统计数据主要为常住人口数量、GDP等，来自于《中国城市统计年鉴2020》[16]。百度人口迁徙数据依托大规模地理位置服务技术，可动态记录不同时段各城市人口流向、流量及迁徙强度，多用于城市网络的相关研究[17]。本文选取2020年1月1日至1月14日中国365个城市（港澳台地区数据暂缺）两两之间的人口迁入迁出数据，涵盖了工作日、周末和法定节假日[1]。之后，本文对获取到的百度人口迁徙数据进行了严格的清洗和预处理，通过数据预处理达到去重、处理缺失值、检测异常值的目标，并进行统一数据格式和数据校准，以确保数据的可靠性和安全性。最后，基于预处理完的人口迁入迁出数据构建365个城市间的人口迁移规模矩阵。

3.2 主要算法

3.2.1 人流联系强度测算

由于城市间人口的流入流出在方向上有差异，计算人流联系强度时，其数值通过城市i和j之间的人口流入流出强度之和得到，以消除人流联系的有向性。两个城市之间的人流联系强度计算公式如下[18]：

P_ij = P_i,j + P_j,i (1)

式中，城市i流向城市j和由城市j流向城市i的人流联系规模分别由P_i,j和P_j,i表示。

3.2.2 优势流约束下的DBSCAN聚类

DBSCAN是一种基于密度的空间聚类算法，通过定义邻域半径Eps和最小样本数Minpts，将邻域内样本数达到阈值的核心点及其密度相连对象划分为簇。由于其能将高密度区域划分为簇、有效处理噪声数据并形成任意形状聚类的特点，在空间数据聚类、复杂网络社区识别等领域广泛应用[19]。在面向城市关联网络等流数据场景时，张扬等[20]创新性地将优势流分析法与DBSCAN聚类算法相结合，提出了一种改进的空间聚类方法。该方法在传统密度聚类的基础上，引入节点间主导要素流向（优势流）作为约束条件[21]。同时考虑地理邻近性和网络关联强度，以实现对都市圈空间范围的更为科学的识别。

3.3 技术路线

本数据集研发流程主要包括3个步骤：选取都市圈中心城市，全国人流联系网络构建及优势流分析，都市圈空间范围识别（图1）。

图1 数据集研发技术路线图

下载

3.3.1 都市圈中心城市确定

综合《都市圈国土空间规划编制规程》[22]以及《关于培育发展现代化都市圈的指导意见（发改规划〔2019〕328号）》[23]中对都市圈中心城市的界定，本文优先选取中心城区人口在300万以上的7个超大城市、14个特大城市以及14个I型大城市作为都市圈的中心城市。同时，依据申明锐等[24]的研究，在西部地区可适当降低都市圈中心城市的常住人口规模门槛。因此将中心城区常住人口在100–300万的12个西部II型大城市也选为都市圈的中心城市。这些中心城市人口虽在300万以下，但其对周边区域产生较大的辐射带动作用，且多为省会城市或城市群核心城市。最终选取得到47个都市圈中心城市。

3.3.2 城市人流联系网络构建

首先对所获取百度人口迁徙数据进行预处理后，由逐日人口迁入迁出数据计算得到人口迁移规模矩阵。进一步利用公式1得到人流联系强度矩阵，并对其进行可视化表达，利用自然断裂点法将其划分为不同的等级，得到城市间人流联系网络空间分布格局并进行优势流分析。

3.3.3 都市圈空间范围识别

本数据集结合现有规划都市圈中最大城际平均距离，以及1h通勤圈的空间覆盖范围，将都市圈的识别半径设置为120 km；将城际人流联系强度大于中心城市人流联系总量的5%作为优势流约束条件。在VScode平台的node.js运行环境中，使用JavaScript运行了改进的DBSCAN聚类算法。即以中心城市点集D中的点p为起点，若p的Eps邻域内城市数量超过Minpts，则p为核心对象，创建以p为核心的簇并将其Eps邻域内的城市加入，同时引入优势流阈值作为簇扩展的约束条件，实现中心城市都市圈空间范围的识别。

4 数据结果与验证

4.1 数据集组成

本数据集共包括3个方面的数据：（1）都市圈中心城市列表及分布；（2）365个城市间人流联系强度矩阵及人流联系网络；（3）中国都市圈识别结果列表及分布。数据集存储格式为.xlsx和.shp。

4.2 数据结果

经过筛选共得到47个都市圈中心城市（图2），其中包括7个超大城市、14个特大城市、14个I型大城市以及12个II型大城市。可以看出，中心城市多位于胡焕庸线东南侧，西部地区除一些省会城市外，多数城市的辐射带动能力弱。

图2 都市圈中心城市分布图
（参照审图号GS（2024）0650的标准地图制作，底图无修改）

下载

由图3可知，全国人流联系网络整体呈现东密西疏和东强西弱的分布格局，重要城市群（长三角城市群、京津冀城市群、珠三角城市群、成渝城市群等）为高等级联系流的主要集中区，并以城市群核心城市（北京、上海、深圳、成都、重庆等）为中心向外辐射。部分省会城市同样为高等级联系流的发出地，如西安、昆明、长沙、武汉等。各等级联系流的规模分布不均衡，高等级的联系流占比较少且多为短距离联系流，低等级的联系流分布范围广泛且多为长距离联系流。

图3 城市人流联系网络图
（参照审图号GS（2024）0650的标准地图制作，底图无修改）

下载

通过设定都市圈识别半径及优势流约束条件，都市圈的识别结果如图4和表2所示，共得到37个都市圈。因上海与全国多数城市间人流联系紧密，且与周边的城市未形成明显的优势流，所以并未将上海纳入都市圈空间范围的识别。总体来看，中国都市圈空间分布呈东南密、西北疏的总体格局，除乌鲁木齐都市圈、西宁都市圈、兰白都市圈、银川都市圈和呼和浩特都市圈外全部位于胡焕庸线东南侧。同时京津冀城市群、长三角城市群、珠三角城市群以及成渝城市群等重要城市群是都市圈分布密集区。都市圈呈现单中心、双中心、多中心并存现象，其中广深都市圈和苏锡常都市圈为多中心都市圈，首都都市圈、川南都市圈、贵阳都市圈和呼和浩特都市圈为双中心都市圈。这些都市圈的中心城市规模相当，呈现出强强联合或一主多副的格局。37个都市圈的GDP总量所占全国比例为64.76%，其中特别突出的为广深都市圈和首都都市圈，两者均为发展较为成熟的都市圈，GDP总量更是在全国都市圈中处于领先地位，常住人口规模亦居前列，为人流网络的高等级联系流集聚区，具有高度的经济活跃度与人口吸引力。

图4 都市圈识别结果分布图
（参照审图号GS（2024）0650的标准地图制作，底图无修改）

下载

4.3 数据结果验证

将都市圈识别结果与国家已批复的都市圈发展规划进行对比验证，可以发现大部分都市圈与所识别都市圈的空间范围是高度重合的，如成都都市圈、重庆都市圈、长株潭都市圈、西安都市圈等；也存在一些有所区别的都市圈，如广深都市圈，因广州都市圈和深圳都市圈城市之间人流联系紧密，因此识别到同一都市圈空间范围内，这也印证了利用优势流约束下的DBSCAN聚类进行都市圈空间范围识别具有科学性。此外，本研究识别出20个尚未获得国家批复的都市圈，这些都市圈同样具有较大的人口经济规模，内部人流联系较为紧密，具备培育现代化都市圈的潜力，如川南都市圈、呼和浩特都市圈、大连都市圈、南宁都市圈等。

5 讨论和总结

本数据集基于百度人口迁徙数据构建城市人流联系网络，运用优势流约束下的 DBSCAN 聚类算法，通过构建"中心城市选取-优势流分析-动态聚类"的综合识别框架对中国都市圈进行科学识别。由此识别的都市圈与现行规划的核心发展区域相契合，所覆盖空间范围更为完整，体现出较强的科学性和适用性，可为我国都市圈范围划定及规划政策制定提供方法参考和科学依据。未来可进一步纳入技术流、信息流等多维要素流以完善研究方法。此外，还可基于都市圈识别结果开展竞争力评价与发展能级划分，针对不同发展阶段制定差异化规划建设方案及相关政策。

作者分工：李娟负责数据可视化和数据论文的撰写；张扬负责数据集开发的总体设计，并对论文进行整体把关；唐松负责采集和处理人流联系数据及其他相关基础数据；刘旭宏完成了都市圈空间范围识别模型与算法的设计与实现。

利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

• [1] 周一星, 史育龙. 建立中国城市的实体地域概念[J]. 地理学报, 1995(4): 289–301.
• [2] 钮心毅, 李凯克. 跨城功能联系视角下的都市圈国土空间规划实施监测[J]. 资源科学, 2021, 43(2): 380–389.
• [3] 张京祥, 胡航军. 新发展环境下的都市圈发展、规划与治理创新[J]. 经济地理, 2023, 43(1): 17–25.
• [4] 袁家冬, 周筠, 黄伟. 我国都市圈理论研究与规划实践中的若干误区[J]. 地理研究, 2006, 25(1): 112–120.
• [5] 张艺帅, 黄建中, 王启轩等. "尺度重组"与"元治理"视角下我国都市圈治理模式的建构思路研究[J]. 规划师, 2023, 39(4): 19–27.
• [6] 张京祥, 邹军, 吴启焰等. 论都市圈地域空间的组织[J]. 城市规划, 2001(5): 19–23.
• [7] 汪光焘, 李芬, 刘翔等. 新发展阶段的城镇化新格局研究——现代化都市圈概念与识别界定标准[J]. 城市规划学刊, 2021(2): 15–24.
• [8] 马丽亚, 修春亮, 冯兴华. 多元流视角下东北城市网络特征分析[J]. 经济地理, 2019, 39(8): 51–58.
• [9] Stone, L. O. On the correlation between metropolitan area in-and out-migration by occupation [J]. Journal of the American Statistical Association, 1971, 66(336): 693–701.
• [10] Feria, J. M., Casado-Diaz, J. M., Martinez-Bernabeu, L. Inside the metropolis: the articulation of Spanish metropolitan areas into local labor markets [J]. Urban Geography, 2015, 36(7): 1018–1041．
• [11] 杨永春, 张从果, 吴文鑫. 中国西部地区大都市圈发展规划研究——以兰州大都市圈规划为例[J]. 城市规划, 2005(4): 23–29.
• [12] 邹军, 陈小卉. 城镇体系空间规划再认识——以江苏为例[J]. 城市规划, 2001(1): 30–33.
• [13] 杨延, 尹丹, 刘紫玟等. 基于大数据的流空间研究进展[J]. 地理科学进展, 2020, 39(8): 1397–1411.
• [14] 李娟, 张扬, 唐松等. 基于优势流约束下聚类方法（DBSCAN）计算的中国都市圈数据集[J/DB/OL]. 全球变化数据仓储电子杂志, 2025. https://doi.org/10.3974/geodb.2025.08.01.V1. https://cstr.escience.org. cn/CSTR:20146.14.2025.08.01.
• [15] 全球变化科学研究数据出版系统.全球变化科学研究数据共享政策[OL]. https://doi.org/10.3974/dp. policy.2014.05(2017年更新).
• [16] 国家统计局城市社会经济调查司. 中国城市统计年鉴（2020）[M]. 北京: 中国统计出版社, 2021.
• [17] Zhan, C., Tse, C. K., Fu, Y. X., et al. Modeling and prediction of the 2019 coronavirus disease spreading in China incorporating human migration data [J]. Plos One, 2020, 15(10): e0241171.
• [18] 张扬, 赵银兵, 赵晶晶等. 基于人流-物流-信息流的成渝城市群网络结构特征研究[J]. 地域研究与开发, 2023, 42(6): 40–45.
• [19] 李新延, 李德仁. DBSCAN空间聚类算法及其在城市规划中的应用[J]. 测绘科学, 2005(3): 51–53+5.
• [20] 张扬, 李娟, 王兴平. 多维要素流视角下成渝城市群空间结构特征研究[J]. 西部人居环境学刊, 2024, 39(3):14–20.
• [21] Zheng, L., Long, F., Zhang, S. Comparison of the spaces of call and traffic flows: an empirical study of Qianzhong urban region, China [J]. Cities, 2020, 107, 102927.
• [22] 中华人民共和国自然资源部. 《都市圈国土空间规划编制规程》正式实施[EB/OL]. (2024-04-02) [2025-07-30]. https://www.mnr.gov.cn/dt/ywbb/202404/t20240402_2841150.html.
• [23] 国家发展改革委. 关于培育发展现代化都市圈的指导意见[EB/OL]. (2019-02-19) [2025-07-30]. https://zfxxgk.ndrc.gov.cn/web/iteminfo.jsp?id=16110.
• [24] 申明锐, 王紫晴, 崔功豪. 都市圈在中国：理论源流与规划实践[J]. 城市规划学刊, 2023(2): 57–66.