界定城市边界：数据选择如何塑造我们对城市的认知

引言：城市边界的“测不准”难题

在全球城市化加速的今天，我们却面临一个悖论：越是需要精准的城市数据，越难以确定城市的边界在哪里。人口普查区、行政辖区、建成区蔓延、通勤圈、夜间灯光轮廓——每一种界定方式都给出不同的城市画像。2026年发表于《自然·城市》的一篇观点文章（Van Migerode et al., 2026）系统梳理了用于识别城市边界的代理数据集，并指出：选择哪一种代理，本质上是对“何为城市”的一种定义性声明。

这一问题绝非书斋里的学术游戏。联合国《世界城市化展望》、全球城市竞争力排名、基础设施投资决策、气候变化适应规划——所有这些都依赖于对城市边界的统一或可比较的标定。当不同数据集将同一片区域分别归类为“城市”与“非城市”时，比较研究的基础便出现了裂缝。

三类主流代理：人口、建成区与夜间灯光

当前最常用的城市边界代理大致分为三类。第一类基于人口密度和人口分布网格（如WorldPop、GPW），其假设是“城市是人口高度集聚的空间”。第二类基于建成区（built-up area）遥感数据（如MODIS、GlobeLand30），其假设是“城市是建筑物连续覆盖的区域”。第三类基于夜间灯光强度（如DMSP/OLS、NPP-VIIRS），其假设是“城市是经济活动与基础设施集中照亮的空间”。

每种代理都有独特的优势和盲区。人口数据能反映人的分布，但易受行政边界和普查时效影响；建成区数据物理直观，却难以区分工业仓储与居住社区；夜间灯光能捕捉经济活跃度，但饱和效应和“漏光”问题低估了非洲等低密度地区的城市化真实形态。正如研究所示，在892个城市的热岛效应评估中，城市范围的不同界定会显著改变地表温度的估算结果（Yang et al., 2023）。

从方法论选择到认知框架

Van Migerode等人提出的核心贡献，是呼吁研究者将代理选择与“城市概念化”联系起来。换言之，在决定使用哪一种数据之前，需要先澄清：我们究竟要测量城市的哪一个维度？

例如，若研究对象是城市空气质量对健康的影响，那么“城市”或许应定义为人口连续高密度的区域；若研究是全球城市经济网络，则夜间灯光或通勤数据能更好地反映功能性城市区域（FUA）。而衡量农村到城市的转型时，建成区扩张或许更贴近土地利用变化。没有一种代理能普遍适用于所有场景——这恰恰是城市科学长期面临的“概念漂移”。

这一视角将城市边界界定从技术操作提升为认识论问题。正如地理学家Louis Wirth在1938年的经典论述中所言，城市不仅是一种物质形态，更是一种生活方式（Wirth, 1938）。代理数据集的选择，最终反映了我们对这种“城市性”的隐含判断。

全球城市比较的数据鸿沟

代理选择的差异在全球南方与北方之间尤为突出。在发达国家，城市化形态通常表现为紧凑、高密度、电网全覆盖，因此夜间灯光和人口密度数据吻合度较高。但在撒哈拉以南非洲、南亚等地，大量城市区域呈现低密度蔓延、基础设施不完善、非正规聚落普遍的特征。若仅以夜间灯光界定城市边界，便会系统性地低估这些地区的城市化水平。

OECD与西非国家经济共同体（SWAC）的《非洲城市化动力2020》报告正是针对这一问题，采用更精细的“Africapolis”方法，基于建成区和高分辨率人口数据重新定义非洲城市，结果发现非洲的城市化率比传统估计高出许多。这不仅修正了数据偏差，更重塑了对全球城市化格局的理解——全球南方的城市增长远比我们预想的更具活力。

走向目的驱动的数据选择

Van Migerode等人建议的“目的驱动”框架，是一种务实且负责任的应对。研究者需要明确表述：为什么选择某个代理？它如何与研究的核心概念对应？其局限性如何影响结论？同时，多源数据交叉验证、机器学习融合边缘检测（如Arribas-Bel et al., 2021使用XGBoost识别城市边界）等新方法，为弥合不同代理间的差距提供了可能。

然而，技术方案的进步并不能完全消解概念分歧。城市本身就是多义的空间实体——既是行政单位，又是经济盆地，还是社会生活的容器。试图用一个统一的边界锁定城市，就如同要求一幅地图同时精确显示海拔、降雨和政治区划。更好的做法或许是：承认每种地图都服务于特定目的，并公开其制图规则。

结语：边界即视角

城市边界界定的争议，本质上是城市认知的较量。随着卫星遥感、手机信令、社交媒体签到等新型数据源的涌现，我们拥有比以往更丰富的“测度”手段，但也更需警惕数据工具的无意识独裁。一种代理数据集被广泛使用，可能不是因为它在概念上最恰当，而是因为它最容易获取或最经典型。

未来的城市研究，不应再回避方法论背后的假设。倡导透明度与概念一致性，不仅是学术严谨的要求，更是确保城市政策基于真实世界的必要前提。因为，当我们划下城市边界的那条线时，我们也在定义谁被包括、谁被排除，以及我们如何理解这个星球上最复杂的人工系统。

本文基于Céline Van Migerode, Ate Poorthuis & Ben Derudder在 Nature Cities （2026）发表的观点文章“Proxy datasets to identify city boundaries”撰写。

参考文献

• Van Migerode, C., Poorthuis, A. & Derudder, B. Proxy datasets to identify city boundaries. Nat. Cities (2026).
• Yang, Q. et al. Influence of urban extent discrepancy on the estimation of surface urban heat island intensity. J. Clean. Prod. 426, 139032 (2023).
• Wirth, L. Urbanism as a way of life. Am. J. Sociol. 44, 1–24 (1938).
• OECD/SWAC. Africa’s Urbanisation Dynamics 2020: Africapolis, Mapping a New Urban Geography (OECD, 2020).
• Arribas-Bel, D., Garcia-López, M.-À. & Viladecans-Marsal, E. Building(s and) cities: delineating urban areas with a machine learning algorithm. J. Urban Econ. 125, 103217 (2021).