村镇既不是六边形网格,也不是随机撒点,这种中间排布有多均匀?
论文名片|Lei Dong,Hyperuniform organization in human settlements,arXiv:2306.04149v2 [physics.soc-ph],稿面日期 2023 年 7 月 6 日。arXiv:2306.04149v2。本文依据这一版预印本解读。研究把聚落位置当作点,比较点数涨落,并用生长模型再现这种点格局。
在平原上找最近的镇子,间距常常差不多:太近会抢同一片人,太远又照顾不到。将近一个世纪前,克里斯塔勒的中心地理论(Central Place Theory)给出一个整齐答案:服务区铺满平面的最好办法,是把聚落放在正六边形格子上。真实地图却被河流、地形和后来的道路拧歪,完美格子并不存在。
拧歪并不等于随手撒点。这篇预印本要区分的,就是格子、随机点,以及夹在中间的那种排布。方向性结论是:在所分析的中国乡镇窗口、德国村庄窗口,以及按人口拉开之后的伦敦统计区中心上,局部点数涨落低于同规模的泊松随机点。物理学把大尺度涨落被压低的点格局叫做超均匀(hyperuniformity)。聚落系统只有几百个点,达不到理论定义的无穷极限,作者因此称为有效超均匀(effective hyperuniformity)。一个不许贴得太近、也不许离得太远的生长规则,可以在点生成的时候得到这种格局,并同时带出少数大、多数小的人口分布。模型拟合上了这些统计,并不证明真实村镇只按这一条规则长成。
先说结论
- 中国 9 个 100 公里见方的平原窗口,平均每个窗口 147 个乡镇几何中心,其平均点数方差沿图中的 R¹·⁸ 上升,低于窗口面积对应的 R²。作者由此近似 α≈0.2。德国一个 200 公里见方窗口里有 794 个村庄,较短半径上的涨落低于同规模泊松点和随机序列吸附,作者给出的 α≈0.1;大半径处斜率回到约 2,更接近泊松。
- 聚落在很近的距离上几乎不共处。对关联函数的峰靠近典型间距:德国用边长除以点数平方根,L/√N≈7 公里;中国约为 8 公里。同点数、同窗口大小的泊松对照在近距离仍停在 1 附近。
- 伦敦内城 20 公里见方的窗口,等密度投影前有 430 个中层统计区中心,投影后有 196 个。投影后的点数方差沿图中 R¹·⁵ 上升,低于面积缩放的 R²。
- 生长模型取竞争参数 μ=0.58、每个参数平均 50 套点,点数方差、结构因子和对关联函数与德国村庄接近。μ=0.90 更规则,方差参考线变为 R¹·³。这些点一旦放下就不再移动。
- 把每个聚落的人口除以系统总人口后,模型在聚落数达到 1,500、最大作用半径 Rmax=5、每个 μ 平均 50 套点时,累积曲线与中国乡镇的重尾形状靠近。按模型公式,μ=0.58 的填充率 φ=0.38,μ=0.90 时 φ=0.56。这是圆盘面积之和除以窗口面积,不是实测的土地覆盖率。
六边形解释不了的地方,方差能测什么?
中心地理论关心的是服务区能否铺满,而不留大块空白,也不严重重叠。六边形格子能做到这件事,晶体和一些动物领地也会出现类似的规则排列。地理约束把格子拧乱之后,还需要一个不依赖完美对称的指标:在一块地方里数聚落,换一个位置、换一个半径,这个数目跳动得有多厉害。
设采样窗口半径为 R。窗口里的点数方差记为 σ²(R)。二维窗口的面积正比于 R²。若方差随 R 增长得比面积更慢,长距离上的密度涨落就被压低,点格局称为超均匀。作者按与结构因子有关的指数 α 分成三类。α 大于 1 时,方差大约按 R 的 d−1 次方增长,二维里就是按 R 增长,完美晶体属于这一类。α 等于 1 时,大约按 R 乘以 ln R 增长。α 小于 1 时,大约按 R 的 d−α 次方增长;二维里就是 R 的 2−α 次方。无序但涨落仍被压低的系统,多落在这第三类。
泊松随机点给出对照基线:点数方差等于平均点数,平均点数又正比于面积,所以方差大约按 R² 增长。超均匀要看的,就是真实聚落的方差斜率是否低于这条面积基线。
另一个量是结构因子 S(k)。它把点的位置记成波:S(k) 等于 (1/N) 乘以全部点的 exp(i k·rᵢ) 之和的模方。N 是点数,rᵢ 是第 i 个点的位置,k 是波矢。k 很小,对应很大的空间尺度。超均匀系统里,k 趋向 0 时 S(k) 也趋向 0,表示大尺度密度起伏变弱。作者计算时把波矢取成 (i, j) 乘以 2π/L,i 和 j 是整数。聚落只有几百个,小 k 处的点不够密,本文没有拟合出一条稳健的 S(k) 幂律指数,α 是从点数方差反推的近似。
中国乡镇和德国村庄,涨落低于哪条基线?
三套位置来自差别很大的地区和年代。中国用 2020 年乡镇界的几何中心。乡镇在文中是省、市、县之下的第四级行政区。为了少受河流和山地影响,作者只取平原上 9 个 100 公里见方的窗口,平均每个窗口 147 个乡镇。德国村庄来自克里斯塔勒原图的手工数字化,对应 20 世纪 30 年代;原图有七个等级,这里只用最低两级,Hauptdorf 和 Gehobenes Hauptdorf,因为这两级点数够做统计。200 公里见方的窗口里一共 794 个村庄。伦敦用 2011 年中层超级输出区(Middle Super Output Area,MSOA)边界的中心,放在后面单独看。经纬度都先投到投影坐标,距离是欧氏直线距离,不是沿路里程。
图 1 先把采样说清楚:数的是窗口里的乡镇中心,窗口换半径、换位置,点数就会变。后面的方差,就是这种变动有多大。

图 1|换一个圆窗,里面的乡镇数目会跳多少?
无字母子图。蓝点是乡镇几何中心,灰线是乡镇界。红圈是半径为 R 的采样窗,窗内着淡红色。图例中的 Centers 是中心,Town boundaries 是乡镇界。这张图说明方差的计算单位是窗口中的点数,不表示每个乡镇的人口或服务能力。来源:原论文 Fig. 1。
图 2 把中国 9 个窗口的平均结果、德国那 794 个村庄,以及两组对照放在一起。对照是泊松点和随机序列吸附(random sequential adsorption,RSA):点数和窗口边长都与德国数据相同,各模拟 50 次再平均。RSA 也随机放点,但靠得太近的点会被拒绝,所以它有一个硬的排斥距离,并不是完全无约束的撒点。

图 2|同样多的点,聚落的涨落比随机点低在哪里?
(a)纵轴是点数方差 σ²(R),横轴是窗口半径 R,单位都是公里,两轴为对数。橙点是中国乡镇,蓝方块是德国村庄,空心圆是 RSA,灰三角是泊松;图例把泊松写成了 Possion。虚线是 R²·⁰,点线是 R¹·⁸。中国乡镇贴着 R¹·⁸,低于面积基线 R²。德国村庄的方差高于中国,小半径时仍低于泊松和 RSA,大半径时斜率向 R²·⁰ 靠近。(b)纵轴是结构因子 S(k),横轴是波矢长度 k。虚线是 S(k)=1。乡镇和村庄在小 k 处降到明显低于 1;泊松点贴着 1,RSA 只略低于 1。作者说明小 k 的样本不足以拟合稳健幂律。(c)纵轴是对关联函数 g(r),横轴是距离 r,单位公里。竖线标在 7 公里和 8 公里。德国的峰靠近 7 公里,中国的峰靠近 8 公里,之后都回到 1 附近。聚落在数公里以内 g(r) 接近 0;泊松在全程接近 1;RSA 在极近处也被压低,但排斥距离更短。来源:原论文 Fig. 2。
对关联函数 g(r) 回答的是:从某个聚落出发,距离 r 处的点比平均密度密还是稀。二维里,它正比于该距离环带上的点数,再除以密度、环带周长和环带宽度。g(r) 接近 0,表示这个距离上几乎没有别的聚落;接近 1,表示和完全随机、没有相互作用时一样密。图 2c 的峰因此不是人口峰值,而是一个偏好间距:既容易互相到达,又留下一块不太重叠的地盘。
论文把这个间距写成平均最近邻距离,并用 L/√N 估计。德国 L=200 公里、N=794,L/√N≈7 公里。中国 L=100 公里、每个窗口平均 147 个点,约为 8 公里。这是窗口边长除以点数平方根,表示每个点分到的典型格子有多大,不是沿路测出来的通勤距离。作者把大约 7 到 8 公里换成步行约 2 小时、驾车约 10 到 15 分钟,用来说明这个间距在生活上意味着什么;这次研究没有测量实际出行时间。
由第三类公式回看方差:中国 α≈0.2,对应大约 R¹·⁸,与图 2a 的点线一致;德国 α≈0.1,对应大约 R¹·⁹。图上没有单独画出 R¹·⁹,德国曲线在大 R 处已经转向约 2。所以德国的有效超均匀主要出现在较短尺度,长尺度更像泊松。这和一些刚好到达临界状态的随机组织模型相似:短尺度压低涨落,长尺度又恢复较大波动。它不能被读成德国村庄在所有尺度上都同样均匀。
中国曲线是 9 个平原窗口的平均。窗口经过挑选,避开了作者认为地理约束更强的山地和河流。因此结果描述的是这些平原快照,不是中国全部乡镇。
伦敦挤在市中心,按人口拉开之后还均匀吗?
上面的比较有一个前提:点所在的平面大致均匀。城市并不如此。集聚让区域尺度上的城镇成团,也让人口集中在城市内部。作者写明,多数情况下这种不均匀并不会看起来像超均匀。以前的超均匀研究多半讨论均匀背景,所以这里换了一种距离。
等密度投影(density-equalizing projection,也称 cartogram)按人口把地图面积重新缩放,并尽量保持地块的相邻关系。高人口密度的地方被拉开,低密度的地方被压缩,直到各处密度接近。作者给它两层意思。物理上,这相当于用人口密度给距离加权,也可以想成人口从高密度处扩散,直到密度拉平。社会经济上,投影之后一块设施所占的面积,对应它服务的人口规模。伦敦被选来做这个例子,是因为城市内部的集聚比区域尺度更强。MSOA 按设计覆盖大致相近的人口,作者写的是几千人量级,所以密集城区的统计区更小,郊区更大。用它的中心代替聚落,还有一个方便之处:普查直接给出人口,才能做等密度投影。

图 3|按人口把伦敦拉开之后,点数涨落如何变化?
(a)地理地图。蓝点是 MSOA 中心,橙色深浅表示 2011 年英国普查的人口密度。黑框放大的是用于统计的中心城区。(b)等密度投影后的同一批单元,轮廓被人口拉开,放大框里的点间距比(a)更匀。(c)纵轴是点数方差,横轴是半径,单位公里。蓝点是投影前的 Normal,红点是投影后的 Cartogram,点线为 R¹·⁵。红点沿 R¹·⁵ 上升,蓝点的方差更高,并在大半径处变平。(d)纵轴是结构因子 S(k),横轴是 k。大 k 处两组都在 1 附近散开。投影后最小的几个 k 降到图中 10⁻¹ 刻度附近;投影前最左侧的点仍靠近 1。来源:原论文 Fig. 3。
作者选取内伦敦市中心 20 公里见方的范围:等密度投影前有 430 个中心,投影后有 196 个。正文给出的超均匀描述是投影之后的:方差按 R¹·⁵ 增长,且 k 较小时 S(k) 趋向 0。R¹·⁵ 低于面积基线 R²。若仍用第三类关系、也就是 R 的 2−α 次方来理解,1.5 对应 α=0.5,仍小于 1;论文直接报告的是 R¹·⁵,没有另给伦敦的 α。
这张图支持的是人口加权之后的间距,不是地理公里上的伦敦街道已经均匀。投影本身就会把挤在一起的小统计区拉开。未投影的蓝点方差更高,正说明地理坐标里的集聚还在。另外,MSOA 中心是普查单元的代表点,单元人口只是大致相近,并不等于一个历史形成的村或镇。
点一旦落下就不能再搬家,均匀从哪里来?
已有的一些超均匀模型先固定点数,再让点随机挪动,直到涨落变小。聚落不是这样:城镇形成之后很难整体搬家,数目也会随时间增加。作者因此猜想,这种格局出现在生成过程中,而不是生成之后再重排。
模型放在资源均匀的二维平面上,只加两条规则。第一条是空间匹配:每个聚落有一个最大相互作用半径 Rmax,新点离现有点太远就无法存活。第二条是竞争:新点离现有点太近,就会并入附近聚落。并入哪一个的概率正比于那个聚落的人口,类似网络里的局部偏好依附。合并只改变人口,不改变已经留下的点的位置,因此作者认为它不决定超均匀是否出现。
新点 i 能留下,需要相对已有点 j 满足:
2μ Rmax ≤ |rᵢ − rⱼ| ≤ 2 Rmax。
这里的距离是欧氏直线距离,μ 在 0 到 1 之间。μ 靠近 1,允许的间隔很窄,点会排得接近格子。μ 靠近 0,排斥几乎消失,只剩下不能离群太远的匹配生长,点密度会从中心向边缘衰减。时间从中心的第一个聚落开始,每个新聚落先带一份固定人口。

图 4|只加最小间距和最大服务距离,能长出德国村庄那种涨落吗?
(a)示意。浅灰大圆半径为 Rmax,深灰小圆半径为 μRmax。点 4 的大圆与已有点不相交,离得太远,不能存活。点 3 与点 2 过近,会并入点 2。数字是加入顺序。(b)三套生成结果,颜色由深到浅表示出现由早到晚。μ=0.3 时早出现的点挤在中心,晚出现的点散在边缘;μ=0.6 时分布更匀;μ=0.9 时最接近规则排列,仍不是完美格子。(c)点数方差。蓝方块是德国村庄,灰点是 μ=0.58,红点是 μ=0.90。前两者沿 R¹·⁹ 上升,并在大 R 处略高于这条参考线;μ=0.90 沿更低的 R¹·³ 上升。(d)结构因子。小 k 处 μ=0.90 降得最低,德国村庄和 μ=0.58 也低于 1,但没有同样低;大 k 处三组在 1 附近散开。(e)对关联函数。德国村庄和 μ=0.58 的峰都在 1 到 2 之间,位置靠近较短距离;μ=0.90 的主峰高于图中 3.5 刻度,随后还有一个较小的次峰,然后回到 1 附近。来源:原论文 Fig. 4。
图 4c 到 e 的模拟设置是 Rmax=4,每个 μ 生成 50 套点再平均。μ=0.58 与德国村庄的三条曲线接近,也保留了大半径处方差向泊松一侧回升的转折。μ=0.90 则把涨落压得更低,对关联函数出现更高的峰,表示间距更整齐。作者把这种吻合读成自下而上的匹配与竞争。这里需要停一下:吻合说明这组规则足以产生相似的统计,不说明它是唯一机制,也没有用村庄出现的历史顺序去检验谁先谁后。μ=0.58 是让曲线靠近德国数据的参数,不是从竞争距离独立测量出来的。资源均匀、平面无地形,这些假设在模型里成立,在 794 个历史村庄所在的地图上并未逐项检验。
同一套规则,能不能也长出少数大城?
城市系统还有另一件众所周知的事:小镇很多,大城市很少。模型里的合并按人口比例发生,所以大的聚落更容易再并入新点,人口可以越拉越开。空间上的超均匀并不依赖这一步,人口重尾才依赖它。

图 5|人口重尾是合并规则带出来的,还是另有一套空间规律?
(a)μ=0.6、Rmax=5 的一套点。颜色是人口的对数,色标从 0 到 3.5,颜色越深人口越大。点的疏密仍比较匀,深色点夹在浅色点之间。(b)累积分布函数。横轴是单个聚落人口除以系统总人口,图中画到 0.005,也就是总人口的 0.5%。纵轴从约 0.2 画到 1。蓝、灰、红线分别是 μ=0.30、0.60、0.90,青线是中国乡镇数据。四条曲线都在这个很小的份额内升到接近 1,说明大多数聚落只占系统总人口的很小一部分。模拟与数据的形状靠近,论文没有给出误差或检验统计量。来源:原论文 Fig. 5。
为了让模拟和数据可比,每条曲线都把单个聚落人口除以该系统的总人口,因此比较的是份额,不是绝对人数。模拟取 Rmax=5,每个 μ 生成 50 套点并平均,聚落数到达 1,500 时停止。中国乡镇人口由 WorldPop 人口网格与乡镇界叠加得到。图 5b 支持的是份额分布的重尾形状相近。它不给出某个具体城市的人口预测,也不能区分合并、迁移或行政调整中哪一种历史过程造成了真实的重尾。
作者还用填充率讨论排布有多满。公式是 φ = (1/L²) × Σᵢ π(μ Rmax)²:把每个聚落周围半径为 μ Rmax 的圆盘面积加总,再除以窗口面积。μ=0.58 时 φ=0.38,μ=0.90 时 φ=0.56。因为半径里含有 μ,μ 越大,公式里的圆盘越大,填充率越高。这是模型几何量。圆盘若重叠,连加会把重叠面积算多次,论文写的就是连加,不是重叠合并后的实际覆盖面积。作者认为 0.56 接近某些生物系统的填充水平,但本文没有写出那个生物数值,因此不能从这篇预印本核对接近到什么程度。与德国统计更接近的是 φ=0.38 那一组,不是更满的 0.56。
同一模型放大到城市内部时,正文还报告了另一项密度结果:μ 较小、排布更随机时,人口更集中;μ 较大、排布更规则时,人口更分散。密度随距市中心的距离先升后降,接近以往城市研究里的火山口型。这项比较用于说明模型不绑死在一个空间尺度,本文没有给出该密度曲线的数值表。
这些比较能说到哪一步?
有效超均匀是一个统计描述,不是规划已经最优的证明。定义本身要求很大的系统;这里每个窗口只有几百个点,德国的大尺度斜率又回到接近 R²。短尺度均匀和长尺度恢复涨落,要一起说。
三套数据的点也不是同一种对象。中国是 2020 年平原乡镇界的几何中心,德国是 20 世纪 30 年代地图上两个最低等级的村庄,伦敦是人口规模大致相近的普查区中心。几何中心不一定是人口中心或集市所在。德国没有纳入原图中更高的城镇等级。伦敦的 R¹·⁵ 出现在人口投影之后,地理坐标下的集聚仍然可见。
模型再现了方差、结构因子、对关联函数和人口份额曲线,用的是均匀资源和一个可调的 μ。拟合接近,不能排除地形、道路、行政边界或后来的搬迁也能产生相似统计。点不能移动,是模型的设定,不是对历史城镇是否曾经废弃、合并或迁址的检验。填充率也还不是设施布局效率的实测。
从应用上,作者提出一个规划问题:给定最小距离和聚落数目,现有排布离这种填充有多远。这个问题可以问。本文给出的 φ 来自模型参数,还没有对某一座真实城市的设施做同样的计算。
一句话总结
在这些平原乡镇、历史村庄和按人口拉开的伦敦统计区里,聚落间距的涨落低于同规模随机点,但又不是六边形格子;一个生成时就限制远近的简单规则,足以同时再现这种涨落和重尾人口,而不能单独证明真实城市只按这条规则长成。
核心来源
- arXiv:2306.04149v2,稿面日期 2023 年 7 月 6 日。题目、作者、三套数据口径、图 1 至图 5 和正文数值均按这一版核对。
- 论文给出的数据与代码入口。
- 北京大学地球与空间科学学院教师页,用于核对作者中文姓名、现职单位和研究方向。
作者介绍
Lei Dong(董磊)是本文唯一作者,署名单位为北京大学地球与空间科学学院遥感与地理信息系统研究所。学院页面记载他为该所助理教授,研究方向是城市科学与时空大数据分析,公开邮箱 leidong@pku.edu.cn 与论文一致。本文讨论的是聚落点的空间涨落,不是个人出行轨迹。
延伸思考
以下是 AI 基于论文结果所作的延伸,不属于原论文结论。
若把超均匀当成设施是否均匀的评分,先要声明距离用的是地理公里还是服务人口。伦敦这组对比已经表明,同一批统计区中心在地图上可以很挤,按人口拉开之后方差又沿 R¹·⁵ 下降。学校和诊所若按地理间距评分,市中心会显得过密;若按每个点分到的人口评分,结论可能反过来。两种评分回答的是不同问题,不能合成一个高低分。
模型还把点钉在落地的位置上。真实乡镇会撤并,一条新路也会改变人们愿意走的距离,相当于改变 Rmax,而不只是改变 μ。可以用同一套点数方差,比较合并或通车前后的同一窗口:若只有人口份额变了、短尺度方差几乎不变,就更接近论文里合并不影响点格局的设定;若通车后对关联函数的峰移动了,就说明有效间距会变,μ=0.58 不能当成一个地区的固定属性。这个比较需要前后两套坐标,本文没有做。