*Lewis Dijkstra，任职于欧盟委员会区域和城市政策总司；Teodora Brandmüller，任职于欧盟统计局；Thomas Kemper，任职于欧盟联合研究中心；Arbab A.Khan，任职于联合国粮农组织；Paolo Veneri，任职于经济合作与发展组织(OECD）。本文为欧盟委员会、联合国粮农组织等六大国际机构合作的成果，旨在为城市化研究中的国际比较提供统一方法。本文的翻译出版获得了欧盟的授权（授权号：CC-BY-NC-SA3.0 IGO）。欧盟不负责本文翻译的准确性，权威文本请参见英文原文。因篇幅所限，我们将分上下两期登载。——编者注
1. 引言
2015年9月通过的联合国决议《变革我们的世界：2030年可持续发展议程》\[联合国（2015年）\]，包含了数项涉及城市或城乡地区可持续发展目标（SDGs）的指标。然而，到目前为止，人们还没有提出任何通用方法或国际标准来划分这些地区。各国在定义城市和农村地区时采取了各种不同的标准，这对跨国比较构成了重大挑战（ILO，2018）。《落实新城市议程的行动框架》（UN-Habitat，2017）和《改进农业和农村统计的全球战略》（IBRD-WB，2011）都强调，我们需要统一的方法来推动国际比较，提高城市和农村统计的质量，为国家政策和投资决策提供支持。
正是出于这一原因，欧盟委员会、联合国粮农组织、联合国人居署（又称人类住区规划署）、国际劳工组织、经济合作与发展组织（以下简称经合组织，OECD）和世界银行六家机构在过去4年里一直密切合作，致力于开发统一、简单且具有成本效益（cost-effective）的方法。在这种新方法下，可以按照城市化程度汇编统计数据，划定城市、城镇和半密集区、农村地区，这三者位于分类的第一级。该方法使用的是三个类别而非两个类别（城市和农村），因而涵盖了城乡连续带。为了提高可持续发展目标下城市和农村指标的国际可比性，建议按城市化程度来制定这些指标。
城市化程度分类的第一级可以通过两种方式进行扩展。第一层扩展被称为城市化程度分类的第二级，这是一个更详细的地域类型学：它区分了城市、城镇、郊区或近郊区、村庄、人口分散的农村地区和基本无人居住的地区。第二层扩展定义了涵盖城市及其周围通勤区的城市功能区（也被称为都会区）。若想根据城市化程度分类第二级或根据城市功能区制定可持续发展目标的指标，就有必要使用大样本调查。因此，为这两层扩展制定可持续发展目标的指标并不总是具有可行性。
为了强调按城市化程度制定可持续发展目标的相关指标的益处和可行性，本手册列出了12个目标的指标实例，这12个目标选自全球多个国家的17个目标。这些指标往往具有明显的城市梯度，一端是城市，另一端是农村，中间是城镇和半密集地区。在某些方面，城市往往表现更佳，如受教育机会；在另一些方面，农村地区往往表现更好，如个人安全。
本方法手册旨在补充而非取代各国统计局和部委使用的现有定义。这些定义通常立足于一套更为广泛的标准，而这些标准可能已被改进，以便将具体特点、背景和政策目标纳入考量。
本手册主要是为数据生产者、供应者和统计人员而设计的实用指南，旨在让他们拥有必要信息来落实这一方法，并确保其数据收集和分析的连贯性和一致性。这对次国家层面统计数据的用户，如政策制定者、私人部门、研究机构、学术界，可能也颇有意义，可以让他们更好地理解和解读次国家层面的官方统计数据。
本手册是应联合国统计委员会（UNSC）第51届会议的要求编写的，该次会议“批准了用于国际和区域统计比较的城市和城乡地区划分方法，（UNSC）敦促尽早发布一份关于城市和城乡地区划分方法实施情况的技术报告”（*1 联合国统计委员会（UNSC）， Report on the fifty-first session （3-6 March 2020）， Economic and Social Council， Official Records， 2020， Supplement No.4， E/2020/24-E/CN.3/2020/37， 51/112 paragraph （i-j）。）
这份报告的草案已经提交全球各国进行商议。商议始于2020年10月5日，止于2020年11月5日，共收到来自22个国家的意见或建议，这些意见或建议在2020年11月被加入原稿。撰写者谨对所有提出意见和评论的国家和专家表示感谢。这些意见非常翔实，无疑提高了手册最终版的质量。有一些意见所提的问题超出了本手册的范围，尤其是与人口网格制作相关的具体意见和问题。要想解答这些问题，应由一份单独的手册就如何制作官方人口网格给出通用指南。
 |
 |
2. 法律和政策框架
如想设计行之有效的政策，就需要深入了解城市和城乡地区的社会经济条件，而这一切的关键就是对大众及其活动、社区、福祉以及他们与环境的互动建立起坚实的知识基础。只有以连贯统一的方式划分城市和城乡地区，才能为不同城市和农村地区生成可靠、及时且具有国际可比性的数据库。
2.1 2030年可持续发展议程
2015年，联合国大会通过了《2030年可持续发展议程》（UN，2015）。议程的核心是17个可持续发展目标，这些目标设立了一个全球政策框架，激励我们于2030年之前在与人类、地球、繁荣、和平及伙伴关系相关的关键领域采取行动。为衡量2030年议程中这17个目标下169个具体目标的进展，制定了一份由232个指标组成的全球清单。城市和城乡地区在可持续发展目标的诸多政策领域发挥着关键作用，如消除贫困和饥饿、住房、交通、基础设施、土地使用或气候变化。其中，可持续发展目标11，即建设包容、安全、有抵御灾害能力和可持续的城市和人类住区，明确聚焦于城市和社区；除此之外，169个具体目标中大约有三分之二可以针对城市和城乡地区进行衡量和分析，这有助于从根本上制定可持续发展政策，并为实现2030年议程中的具体目标提供助力。
2.2 新城市议程
城市化是一种影响经济、社会、文化和环境的现象。到2050年，全球预计将有55%的人口生活在城市（OECD and European Commission，2020）。人们不仅对城市开发的快速增长和形态越来越感兴趣，而且对各个城市之间以及城市与农村地区之间的联系也越来越感兴趣。一个格外引发政策关注的领域是特大城市和大都会地区，它们受益于集聚经济、产业集群和创新，同时又在可持续城市发展方面面临着重大挑战（如交通拥堵或环境影响）。
2016年10月20日在厄瓜多尔基多举行的联合国住房和可持续城市发展会议（人居署第三次会议）通过了《新城市议程》；该议程于2016年12月23日得到联合国大会的批准（UN-Habitat，2017）。《新城市议程》意在推动新的城市发展模式，为更可持续的未来提供构想；其前提是，城市可以为诸多全球挑战提供解决方案，而不是成为挑战的起因。议程为城市地区的规划、建设、发展、管理和改进提出了标准和原则，它遵循如下五大核心：国家城市政策、城市立法和法规、城市规划和设计、地方经济和市政财政、地方落实。
2.3 农村发展政策
农村地区本质上非常重要，且与城市地区有着根本的不同，因此（通常）需要一套不同的干预措施和政策，以改善其居民的生活。研究和实证证据表明，农村地区的特点是：农业生产力发展缓慢，收入普遍不平等，农业收入不稳定；大量人口流向城市地区，导致农村地区人口减少；缺少有效的实体、技术和信息技术基础设施；与城市地区相比，公共和私人服务的提供成本更高，获取难度更大（OECD，2020）。
收入和生计方面的农村统计虽然很重要，却零散且稀少，主要原因是国际上对农村地区没有一致的定义。农村地区通常是根据国家政策目标来定义的；有时是城市地区被定义之后的剩余地带，有时则依据多种标准的组合，如人口规模和密度、农业的存在、远离城市地区以及缺少基础设施和基本社会服务。
必须强调指出的是，农村统计是地域性的，不同于侧重单一活动的部门统计。除农业、渔业和林业以外，农村地区的人们通常从事几种不同的经济活动，如采矿、采石及手工业生产。农村地区面临的一些主要挑战包括：营养不良、粮食短缺、贫困、卫生和教育服务有限、缺少其他基本基础设施、劳动力利用不足。
在制定农村发展政策时，联合国粮农组织参考了2030年可持续发展议程中指出的问题，同时也承认农村地区的特点带来了特有的挑战。这些挑战包括：农村人口，可能会对有效提供基础设施构成障碍的地理特征（地形和地貌），（过度）依赖农业部门，确保自然资源和环境得到保护。
2.4 国际统计对城市和农村地区的区分
国际统计中对城市和农村地区加以区分的理念可以追溯至几十年前。1991年，欧盟劳动力调查引入了一个变量来描述受访者居住地区的特征。然而，其结果的国际可比性相当有限。
2012年，经合组织与欧盟委员会共同开发了一种新的方法来衡量都会区（OECD，2012），该方法后来由狄克斯特拉等人（Dijkstra et al.，2019）的著述进一步拓展。该方法意在将城市及其通勤区定义为国际公认的经济功能单位，确保有关城市发展的统计更加健全，从而在规划、基础设施、交通、住房、教育、文化和娱乐等领域更好地指导决策者。
欧盟委员会区域和城市政策总司（DG REGIO）发布了《城市和农村地区的统一定义：新的城市化程度》（Dijkstra and Poelman，2014）。文件介绍了城市化程度的分类，并基于人口网格信息划分了三个类别：城市、城镇和郊区、农村地区（或人口稠密地区、中等密度地区和人口稀疏地区），以提供更有力的数据（更具可比性和可用性）。
在2017年之前，欧洲统计系统（ESS）内部的地域类型学及相关方法并没有任何法律依据。2017年12月12日，欧洲议会和理事会通过了关于地域类型学（Tercet）的修正条例（EU 2017/2391），随后又在2018年1月18日通过了关于建立统计用地域单位通行分类（NUTS）条例（欧盟1059/2003）的合并和修订版本。地域类型学修正条例的主要目标包括：制定核心定义和统计标准，建立对地域类型学的法律认可以供欧洲统计之用；将地域类型学纳入统计用地域单位通行分类条例，以便在专题统计条例或政策倡议中提及具体的地域类型，而无须（重新）定义城市和城乡地区等术语；明确宣传如何更新地域类型学，确保方法学方面的透明度和稳定性。
作为“改进农业和农村统计的全球战略”的一部分，联合国粮农组织发布了《关于定义农村地区和制定发展政策指标的准则》（FAO，2018），就哪些地域应被视为农村给出了定义，并对不同类型的农村地区做了更具体的分类，以促进国际同类比较。该准则旨在提供概念和方法方面的信息，以改进农村统计的质量、可用性和使用。
联合国统计司在协调世界人口和住房普查计划方面发挥了关键作用。2017年，联合国发布了《关于人口和住房普查的原则和建议》（UN，2017）。同样，联合国欧洲经济委员会发布了《欧洲统计人员会议关于2020年人口和住房普查的建议》（UNECE，2015），专门就欧洲统计人员的需求提出了一套建议。这两份文件都为普查的规划和执行提供了指导和帮助，和其他文件一样，旨在进一步改进次国家层面数据的可比性。关于住房或人口单位的编码，有两种不同的方法：第一种方法是按照最低级别的普查区进行单位编码，而第二种则立足于坐标或网格系统。文件敦促欧洲各国采用网格数据和坐标参考标识符，这样的话，各国下一次普查的结果就有望提供范围广泛的空间分析。
3. 原理与优点
不同国家使用不同标准来定义城市和农村地区，这反映了它们在城市和农村地区构成这个问题上的不同看法。显然，各国都需要制定可在其统计系统内部施行的本国定义，并根据定义将指标按城市和农村地区进行分解，以达到其国家政策目的。然而，为了对城市和农村地区的统计指标进行有意义的国际比较，我们无疑需要一个同时具有国家相关性和国际可比性的定义。
国际官方统计和国际统计标准缺少这样的定义。如果没有全球统一的方法，城市化水平以及城市和农村地区指标的比较就难以解读，因为定义的不同会影响结果。
拟议的解决方案是对城市、城市地区和农村地区制定一个全球定义；在所有地区/国家采取相同划分标准的基础上，该定义在全球范围内可以通用。这一建议将会带来统一、通用的城市、城镇和半密集区以及农村地区的地图。如想做出坚实的循证决策并衡量城市和农村地区在实现可持续发展目标之路上取得的进展，拥有具有国际可比性的统计信息至关重要。
这一新方法旨在用一个既具有国家相关性又具有国际可比性的定义来补充国家定义，而非取而代之。
它有六个明显的优点，分别是：
● 通过城市化程度分类中第一级的三个类别和第二级的七个类别，涵盖了城乡连续带（见本文第6节和第7节）；
● 在全球范围内使用相同的人口规模和密度阈值（见本文第6节和第7节）；
● 从人口网格着手，减少因使用大小不同、形状各异的空间单元而造成的偏差（见本文第5节）；
● 直接测量人口群，而不是将建筑群视为人口群的近似值来间接测量（见本文第6节和第7节）；
● 在对地区进行定义时不考虑它们获取服务的情况，从而确保各地区的服务获取情况能够得到准确监测，而不受定义的干扰；
● 提出了一种可以应用于现有数据收集的相对经济的方法（见本文第5节、第9节和第10节）。
3.1 以统一的方式涵盖城乡连续带
联合国《世界城市化展望》（*2 联合国经济和社会事务部：人口动态 （https://population.un.org/wup/）。）介绍了城市地区和农村地区的数据。然而，很多国家采用了多类法来更好地涵盖城乡连续带。例如，印度在2011年的普查中定义了三种类型的城市地区：法定城镇、普查城镇和自然生成的城镇。美国在普查中划分了城市化地区、城市化地区以外的城市场所、农村场所和地域。葡萄牙在普查中划分了城市占主导地位的地区、中等城市地区和农村占主导地位的地区，而南非划分了三种地理类型：城市地区、农村地区和传统地区。
城市化程度沿着城乡连续带对一国全部领土进行了分类。它结合人口规模和人口密度阈值，涵盖了三个相互排斥的类别：城市、城镇和半密集区、农村地区（城市化程度分类的第一级）。从城市化程度分类第一级与传统的城乡二分法相比较来看，国家定义可能会将城镇和半密集地区归入城市类别或农村类别（见图1），这具体取决于相关国家的国情。例如，根据葡萄牙、巴西、法国和美国的国家定义，城镇和半密集区的人口几乎全被归入城市，而在乌干达和印度，城镇和半密集区的人口一般被归入农村。
 |
对于那些在国家定义中没有达成普遍共识的地区，城市化程度分类法创建了一个单独的类别，给出了折中方案，既承认了这两种方法，又提高了国际可比性。
该方法有两个主要扩展。第一种扩展（城市化程度分类的第二级）进一步细分城镇和半密集区以及农村地区，两者均被分成三个独立的子类（见后文第7节）。
第二种扩展定义了城市功能区（也被称为都会区）。这将城市的概念扩展至周边通勤区，从而补充了根据城市化程度分类的做法。这第二种扩展使我们可以从更加侧重经济的视角看待城乡连续带。它也可以与第一级的按城市化程度分类相结合，以区别都会区以内和以外的农村地区。
3.2 在全球范围内使用相同的人口规模和密度阈值
各国的国家定义通常使用差异极大的人口规模和密度阈值（见图2），这可能会降低所得数据的国际可比性。城市化程度分类法在全球范围内使用相同的阈值。这些统一的人口规模和密度阈值从各国的国家定义中汲取了灵感。
● 在103个使用人口规模最低阈值来定义城市地区的国家中，有84个国家使用的阈值为5 000名居民或更少，这个5 000名居民的最低阈值被用于定义城市群；
● 日本使用的是50 000名居民的人口规模最低阈值，这一标准被用于定义城市中心；
● 中国和塞舌尔使用的是每平方千米1 500名居民的人口密度最低阈值，这一标准被用于定义城市中心。
 |
欧盟官方网格和两个全球网格\[GHS-POP（*3 一个包含人口分布和密度的空间栅格数据集，表示为每单元居民人数（https://ghsl.jrc.ec. europa.eu/data.php）。）和WorldPop（*3 行政边界处居民人数的详细空间信息（https://www.worldpop.org/focus_areas）。）]都接受了敏感性拓展分析。
从GHS-POP看，如果将每平方千米1 500名居民的密度阈值和50 000名居民的人口规模最低阈值结合起来，全球每个国家至少有一个城市拥有至少25万名居民（*4 在全球层面测试城市化程度（https://ghsl.jrc.ec.europa.eu/CFS.php）。），瓦努阿图是唯一的例外。根据GHS-POP，所有发展中小岛国（SIDS）要么拥有一个城市，要么拥有一个城镇。据估计，以下发展中小岛国有一个城镇的居民达到至少5 000人：安提瓜和巴布达、多米尼克、格林纳达、基里巴斯、马绍尔群岛、密克罗尼西亚、瑙鲁、帕劳、圣基茨和尼维斯、圣卢西亚、圣文森特和格林纳丁斯、萨摩亚、塞舌尔、汤加、图瓦卢和瓦努阿图。
3.3 从人口网格着手，减少空间单元因形状各异、大小不同产生的偏差
全球一半以上的国家都有一个以人口规模最低阈值来划分城市地区的国家定义。然而，在将这些阈值应用于形状各异、大小不同的空间单元时，会影响结果并降低国际可比性。此外，在应用国家阈值时，会导致一些小型农村地区被归类为城市，原因就在于它们从属于一个（较）大的行政单位。例如，苏格兰的普洛克顿（Plockton）仅有387名居民，但它从属于高地议会区，后者的居民人数超过了23万。如果使用人口规模阈值的话，普洛克顿会被归入农村地区，而高地议会区会被归入城市地区，但两者目前都被视为农村地区。
为了避免将农村地区归类为城市地区，一些国家定义加上了人口密度要求。然而，如果一个大城市从属于面积极大的行政单位，那么它的人口密度就有可能很低。例如，蒙古的乌兰巴托拥有140万居民，但它的人口密度相对较低，每平方千米只有270人。这种由空间单元的形状和大小造成的偏差被称为可以补救的面积单位问题。可以通过使用相同形状和大小的空间单元，如人口网格，来解决这个问题。从图3可以看出，在使用行政单位的人口密度进行划分时，只识别了一个住区，而如果使用人口网格，在分析相同的空间单元（网格）时，实际上有两个住区（用圆圈出）。
此种方法的第一步是对1平方千米人口网格进行分类。此举设立了一种独立于国家行政单位的分类，这种分类通常要详细得多。例如，欧盟大约有12万个地方行政单位，但1平方千米网格单元超过了400万个。一些国家在定义中使用了普查区，这些区域通常远远小于地方行政单位。由于划分这些区域的目的是涵盖大致相同的家庭数量，因此它们在城市地区往往（很）小，而在农村地区则（很）大。由此产生的结果就是，与相同形状和大小的单位相比，普查区的人口密度在城市地区会比较高，在农村地区会比较低。例如，澳大利亚网状区块的面积从0.0001平方千米至100 000多平方千米不等，相差10亿倍。如此大的面积差异必然会对人口密度数据产生重大影响，从而也会对那些立足于人口密度的定义产生影响。使用网格的优势在于，所有单元具有相同的形状和大小，其边界不会随时间推移而变化。由此所做的分类在空间上更具可比性，在时间上更为稳定。
 |
3.4 直接测量人口群
联合国《关于人口和住房普查的原则和建议》（UN，2017）将居住地区或住区定义为明确的人口群（第1.8节，第187页）。然而，在过去，无法测出人们形成集群的地方，即使地图上建筑物的空间分辨率要远高于人口的分辨率。例如，绘有每栋建筑物轮廓的地籍图具有很高的空间分辨率，可以用来确定哪些建筑物相距200米以内。然而，人口数据只能以更低的空间分辨率获得。因此，一些国家定义和学术定义使用建筑群来识别住区。
然而，如今有了更为精确的关于人口分布和位置的信息。随着地理编码型普查、地理参照型人口登记和高分辨率人口网格的出现，人口数据的空间分辨率大幅提升，已经可以直接识别人口群。因此，不再需要通过使用建筑群来近似判定人口群。
直接测量人口集中度，可以使不同（经济）发展水平之间的城市更具可比性。高收入国家的城市往往比低收入国家的城市有更大面积的人均建成区（例如，高收入国家的城市往往有着更大的住房以及更宽敞的办公室和商店）。如果只用建成区来定义城市，那就意味着相对于低收入国家而言，高收入国家会有更多的城市，而且（就面积而言）每个城市都会更大，即使它们在人口群方面有着完全相同的城市结构。
直接测量人口集中度也使不同时期的城市更具可比性。在很多国家，建成区的增长速度快于人口规模的增长速度。这意味着，随着时间推移，达到一定规模建成区所需的人口会越来越少。因此，以建成区为立足点的定义可能会随着时间推移而夸大城市人口的比重，而基于人口的定义则不会受到这个问题的影响。
3.5 通过定义地区来监测服务获取情况，而不是根据服务获取情况来定义地区
可持续发展目标设立了多个监测服务或基础设施获取情况的指标，其中包括衡量电力、安全管理的饮用水、移动电话网络和全天候道路可通行情况的指标。要想正确监测城市和农村地区获取这些服务的情况，就不应将之视为地区定义的一部分。举例来说，如果城市地区的定义设置了一个标准，要求人人都能获得电力，这将意味着，根据定义，整个城市的人口都必须获得电力。这样的话，我们就无法监测城市地区的电力供应情况，因为一些缺乏电力的大型密集居住区不会被归类为城市地区。
为了避免这个问题，城市化程度不以服务或基础设施可获得性为标准。这意味着，可以用它来识别能否成功获得这种服务的城市、城镇和半密集区以及农村地区。这可以促进一些问题的国际政策交流，比如，如何向不同类型的地区提供电力。
此外，由于概念上和经验上的原因，城市化程度并没有使用农业就业比例这个标准。相反，该方法是以人为本的，意味着相同规模的住区都以相同的方式分类。如果将农业就业最高阈值视为地区分类法的标准之一，那么具有相同人口规模的住区既有可能被归类为城市，也有可能被归类为农村，这有损该方法的核心原则。
从经验上看，全球各国的农业就业比例为50%以上到1%以下不等。如果对农业就业比例使用固定阈值，会导致一些国家被完全归类为农村或城市。这将会破坏意在促进国际比较、以统一方式衡量可持续发展目标的宗旨。
农业就业并非这一分类法要考量的因素，因此所有三个类别都有可能出现农业就业。比如，在欧盟27国，大约6%的农业从业人员生活在城市，24%生活在城镇和半密集区，其余69%生活在农村地区。农村地区以外的地方存在农业就业，这不应被视为一个问题，而应该被视为这一分类法的优势之一。例如，生活在城市及城镇和半密集区的农民将有更好的机会进入市场，这使他们能够专心生产更易变质但增加值更高的农产品。他们也可能会有更多机会同时从事农业和其他经济部门的工作。
联合国《关于人口和住房普查的原则和建议》（UN，2017）提到，城市和农村地区缺乏一个统一的定义。文件表示，一些国家可能希望使用一些额外的标准，如“务农人口的占比，生活区通电通水的情况，以及获取医疗、学校、娱乐设施和交通服务的便利程度”。本文介绍的分类法旨在填补缺乏统一方法来划分城市、城市地区和农村地区的空白。该方法刻意不采用前述额外标准，以确保：（1）相同规模的住区以相同的方式分类；（2）可以在不同时间和空间监测服务获取情况。
3.6 提出一种具有成本效益的方法
此种方法具有很高的成本效益，原因有二。其一，可以利用现有数据，以相对较低的成本创建人口网格。其二，可以通过汇总现有数据，按城市化程度汇编统计数据。
可以利用地理编码型普查或地理编码型人口登记来创建人口网格，基本无须额外费用。这些信息源还能提供一国居民的确切位置。进一步需要做的就是把每1平方千米网格单元的人口加到一起，如果需要的话，对结果进行保密处理。如果人口的确切位置并不可知，可以将人口普查区的人口与高分辨率的土地利用或土地覆盖数据相结合，建立人口分解网格；这些数据可以通过遥感技术生成。一些机构提供了免费的全球数据，包括全球人类住区层数据。（*6 联合研究中心，全球人类住区层（https://ghsl.jrc.ec.europa.eu）。）
根据城市化程度汇编数据是件相对简单的事情。例如，在家庭调查中，如果受访者居住的地点或他们居住的小型空间单元是可知的，就可以相应地汇总受访者的回答，然后按照城市化程度汇编统计数据。在城市化程度分类法中，三个类别的人口分布通常相当平衡，因此总的来说，所做调查在每个类别中都有足够大的样本来产生可靠的结果。其他类型的数据，如行政数据，只要是为小型空间单元收集的，也可以按照城市化程度进行汇编。
4. 官方统计与分类的原则如何实现
本章回顾了根据《制定国际统计分类的最佳实践指南》（UN，2013）规定的 10 项原则，按城市化程度汇编统计数据所采用的方法。
● 概念基础：城市化程度分类法使用人口密度和规模。大多数国家也使用人口规模来定义城市和农村地区。城市功能区这一分类还使用了通勤数据，各国对都会区的定义通常会用到这一数据。这些要素全都有各自的明确定义。测试表明，该方法不仅能够刻画不同规模的住区，还刻画了城市与周边通勤区之间的经济关系。
● 分类结构：城市化程度分类分为两个层级，城市功能区分类有一个层级。
● 分类类型：该方法提出了两种国际参考分类法。因此，这些分类可能需要进行一些调整以适应特定国情。可能有一些为了国际使用而定义的类别并不适用于一国的特定国情，也可能有一些国情在国际参考分类中没有顾及。在这些情况下，建议统计资料的汇编者详细说明具体国情与国际分类相对应之处。
● 相互排斥性：城市化程度分类法每一级（一级和二级）中的网格单元及小型空间单元分类与城市功能区分类是相互排斥的。
● 穷尽性：城市化程度分类的第一级和第二级详尽而全面，换言之，两个层级对一国全部领土进行了分类。城市功能区分类也同样详尽，因为它涵盖了都会区和非都会区，这两者共同构成了一国的全部领土。
● 统计平衡：基于全球人类住区层（GHSL）人口网格的估算，根据这些分类划分的各个类别的人口规模不会太过悬殊，因此可以进行有效的数据交叉分析。
● 统计学上的可行性：为了应用于全球各国，这些分类简单明了。城市化程度分类需要人口网格，而这个网格已经在全球范围有过估算。越来越多的国家已经制作或计划制作这样的网格。城市功能区分类还需要通勤数据，而这些数据在各国并不普遍。但是，辅助数据源，如来自移动电话或就业登记的数据，可以帮助填补这一缺口。
● 分类单位/统计单位：分类法提出了简单的类别（如城市、城镇和半密集区、农村地区或都会区），可与各种统计单位，如人口、就业、企业、建筑、农场、土地利用等，一起使用。
● 时序可比性：根据全球人类住区层人口网格所做的估算，使用城市化程度分类的数据可以反映随时间推移而发生的变化，但不会有太大波动。
5. 构建人口网格
人口网格是一个强大的工具：其主要优势在于它能使报告单位标准化。人口网格可用于分析一直需要高空间分辨率的问题，如公共交通的可及性、受水灾影响或城市化模式。人口普查区在城市地区提供了高水平的空间分辨率，但对农村地区的分辨率则要低得多，这使它们不太适合这种类型的分析。
人口网格极有助益，因此多家组织正在推动人口网格的生成和使用，如联合国全球地理空间信息管理（UN GGIM）、联合国人口基金（UNFPA）和POPGRID数据合作倡议。（*7 POPGRID数据合作倡议（https://www.popgrid.org/）。）
人口网格具有诸多重要优势：
● 网格单元大小相同，便于比较；
● 网格不因时间推移而变化（*8 就未来数据收集而言，可以保持网格的稳定，但很难为过去的时期构建可靠的人口网格。）；
● 网格易与其他数据（如气象或空气质量数据）整合；
● 网格单元可以组合形成针对特定目的和研究领域的区域（山区、集水区、都会区）。
第一批现代人口网格是20世纪70年代斯堪的纳维亚国家根据经过地理编码的人口登记制作的。如今有30多个国家制作了官方人口网格，包括巴西和欧洲统计系统（ESS）中的所有国家。此外，相当多的国家近来已经开展或正准备开展地理编码型人口普查。这样的普查可以生成高质量的官方人口网格（见5.1节）。
在没有地理编码型普查或人口登记的情况下，可以将普查单位（普查区）的人口与国家或全球高分辨率土地使用数据相结合，创建分解网格（见5.2节）。如果没有整个国家的普查人口数据可用，可以用模型来估算普查未覆盖地区的网格单元人口数据（见5.3节）。最后，手机或社交媒体上的很多新兴大数据来源也可用于估算人口网格，只是这些数据源带来了可靠性和长期稳定性方面的诸多问题（见5.4节）。
为了将城市化程度投入应用，需要将人口网格转化为人口密度网格。对于完全被土地覆盖的单元，等面积投影中的人口密度计算非常简单：举例来说，如果1平方千米网格单元的居民人数是100，那么人口密度就是每平方千米100人。然而，对于部分被水覆盖的网格单元，需要计算土地在总（表面）面积中的比例来调整人口密度。要想做到这一点，可以将网格与识别河流、湖泊和海洋的地理信息系统（GIS）层网格相结合。
5.1 建基于点数据聚合的网格
理想情况下，人口网格建立在高空间精度的地理参照型点数据集之上（见图4）。这保证了网格的高质量，且无须进行任何估算或分解。这些点数据可以从各种来源获得。越来越多的国家已经或将要进行数字化普查；在这样的普查中，每个家庭的确切地理位置都被记录在案。（*9 联合国统计司，《人口和住房普查的电子数据采集技术使用指南》（https://unstats.un.org/unsd/demographic/standmeth/handbooks/data-collection-census-201901.pdf）。）拥有地理编码地籍簿、建筑登记册或地址登记册的国家可以利用这些资料生成一组带有人口数据的点。一旦创建了点数据，就可以将其聚合为方形网格单元。
 |
每个家庭的确切位置是保密的。然而，如果将这些数据聚合至1平方千米的网格单元，通常就足以解决保密性问题。一些国家还采用了有限的记录交换，以确保更高的保密性（Eurostat，2019；GEOSTAT 1B（*10 欧洲地理和统计论坛（EFGS），GEOSTAT 1B（https://www.efgs.info/geostat/1B/）。）。）
5.2 建基于人口数据分解的网格
在缺少点数据的情况下，可以使用具有较高空间分辨率且与居民存在息息相关的辅助数据（如土地覆盖或建成区数据），分解来自普查区或行政单位（如市、区或省）的人口数据，从而生成人口网格（见图5）。
 |
在分解网格中，一个普查单位或行政单位的总人口被划分至覆盖该单位的网格单元，其划分依据是与居民存在相关的其他数据。这种分解可以通过多种方式进行。最简单的方法是立足于一个单一的协变量，并根据该协变量按比例分配人口。GHS-POP R2019A（*11 欧盟的全球人类住区层人口网格跨时数据库2019版，该数据库首次发布于2016年。——编者注）（Freire et al.，2016；Schiavina et al.，2019）正是这种方法的一个出色范例。（*12 联合研究中心，全球人类住区层（https://ghsl.jrc.ec.europa.eu）。）
还有一个稍微复杂的方法，那就是使用多个协变量。例如，人口按比例分配给所有建成区，但要将非住宅区、公路、铁路排除在外。《欧洲住区地图》（Corbane and Sabo，2019; Corbane et al.，2020）正是这种方法的实例之一。（*13 哥白尼计划，《欧洲住区地图》（https://land.copernicus.eu/pan-european/GHSL/european-settlement-map）。）
一个更为复杂的方法是将多个协变量和“随机森林”估计技术相结合，以确定人口分配权重。WorldPop（Tatem，2017）很好地展示了这种方法。（*14 WorldPop （https://www.worldpop.org/）。）
无论选择何种分解方法，两个关键问题将决定由此生成的人口网格的质量。第一，有人口数据可查的单位的大小（面积）：空间单元越小，网格质量越高。第二，协变量的质量：一个与居民密切相关且能避免遗漏和失误的协变量能够生成一个更高质量的网格。比如，具有高空间分辨率的建成区或建筑物轮廓的地理空间层非常适用于这类目的。这类数据通常立足于遥感，而遥感可能无法检测到所有的建成区或建筑物（遗漏），或者可能错误地将某些区域识别为建成区或被建筑物覆盖（失误）。一些组织提供了基于遥感数据的开放性全球住区层，包括由欧盟委员会联合研究中心（JRC）制作的全球人类住区层。
如图6所示，要在一个普查单位内根据单一协变量按比例分配人口，需要采取数个步骤。第一张地图展示一个普查单位及其人口（p）。第二张地图展示使用250米网格对该普查单位进行栅格化之后的边界。通过这个过程，每个250米单元被分配至唯一一个普查单位。（*15 没有栅格等效物的普查单位除外；这些单位的人口可以分配至与之相交的单元中。）这个过程也可以在更精细的分辨率下进行（100米或更小），以确保原始普查单元和分配单元之间更为匹配，只不过这需要更强大的计算机。第三张地图展示了建成区（b），这些区域以二进制的方式在30米的分辨率下绘制而成，换句话说，要么已建成，要么未建成。第四张地图显示了每个250米单元内的建成区占普查单位内总建成区的份额（b%=单元内的b/普查单位的b）。第五张地图显示了根据建成区所占份额按比例分配的人口（POPcell = p×b %）。一个普查单位中所有单元的建成区份额之和为100%，因此这些单元的人口之和将与普查单位的人口完全一致。第六张地图显示了一组1千米网格单元的人口。请注意，三个1平方千米网格单元的人口之和（113人）高于普查单元的人口（104人），因为这三个网格单元包含了相邻普查单元下几个250米单元的人口。
GHS-POP（Freire et al.，2016；Schiavina et al.，2019）正是以这种方式生成的。它使用最佳可用普查单元对四个目标年份的居住人口估值进行分解，并根据联合国世界人口展望的估值进行调整\[人口信息来源为《网格化世界人口》4.10版（CIESIN，2018）\]。分解的时候使用了以全球人类居住区层的方式检测到的建成区。
 |
5.3 建基于局部微型普查的人口网格推断
就小地区而言，全面准确的人口数据可能收集起来成本很高，而且面临后勤方面的挑战，但它们是政府决策和政策制定的基本依据。在资源有限的情况下，国家人口和住房普查数据可能出现过时、不够准确或缺少特定群体等问题，而登记数据有可能缺失或不够完整。此外，由于冲突、交通不便或成本限制，国家数据收集可能没有涵盖到一个国家的某些地区。在这种情况下，需要采取另一种方法来制作完整的人口网格。
在没有地理参照型普查数据可用或普查因不完整、不够新或不可靠而被认为不适用的时候，可以采取另一种方法来创建人口网格。这一技术更难，因为它不是从整个国家现有的人口计数着手；相反，人口总数是用人口分布模型估算得出的。这种方法需要从并不覆盖整个国家的微型普查或调查中获得详细可靠的数据，用以开发模型。这一技术结合了抽样调查和辅助数据，通常是遥感数据（如建筑物的密度、城市地区），在网格单元层面估算出一个人口数。在给定一个覆盖全国的空间协变量和针对该国一个子集的调查（微型普查）之后，这些数据被结合到一起，在描述人口分布的统计模型中得出参数或权重。然后，在假定调查区可以代表整个地区的前提下，用这个模型来预测非调查区的人口分布（见图7）。
图7在没有人口普查计数的情况下创建人口网格的简化流程
卫星图像、用于实地调查的地理定位工具、统计方法和计算能力等领域近来取得的进展带来了种种机会，使我们可以对被普查遗漏的地区进行建模和估算，从而对传统的人口数据收集方法形成补充（Wardrop et al.，2018）。因局势不稳、资金问题或其他障碍限制了近期国家数据收集工作的多个国家，已经开发并应用了贝叶斯地理统计建模方法，根据小区域微型普查或不完整普查来预测人口数量和年龄/性别结构。
使用一组具有空间完整性的数据集，包括卫星导出的建筑物轮廓作为协变量，再加上空间协方差结构以及相关的不确定性指标，模型就有可能按年龄和性别预测整个国家未观测地区的人口（Wardrop et al.，2018）。交叉验证在次国家层面通常会显示出较高的模型精度。（*16 如联合国人口基金（https://www.unfpa.org/resources/new-methodology-hybrid-censusgene-rate-spatially-disaggregated-population-estimates）。）这一技术有望填补无法普查的空白，并提供当下的、定期更新的、准确的人口信息，从而为挑战性环境下的决策和发展提供助力。（*17 如联合国人口基金或GRID3（https://grid3.org/solution/high-resolution-populationestimates）。）可从WorldPop（*18 WorldPop开放式人口库（https://wopr.worldpop.org/）。）获取通过这些方法为尼日利亚、赞比亚和刚果民主共和国建立的数据库。
5.4 创建人口网格的替代和新兴数据源
近年来，一些新兴数据源和技术已被探索用于直接绘制人口地图，或者被用作人口分解的替代品；目前，这项工作主要以概念验证的形式进行。来自手机的数据（Deville et al.，2014）、众包/自发地理信息（Bakillah et al.，2014）和基于位置的社交媒体（Aubrecht et al.，2011，2017）都在此列。举例来说，在移动电话普及率较高、移动电话信号塔较多的国家，可以利用移动电话的夜间位置来生成高分辨率的人口网格。一些有望成功的方法涉及常规与非常规数据源的整合，例如，将官方统计数据与来自遥感、自发地理信息、社交媒体和手机的大数据相结合（Aubrecht et al.，2018）。
尽管有望成功，但这些类型的数据和技术涉及一系列问题，如这类方法的可持续性、数据访问和所有权、社交媒体用户的隐私和匿名、代表性偏差（Zhang and Zhu，2018）。开发者面临的主要挑战是如何将高度本地化的方法扩展至更广的地理区域（大陆、全球），从而（以可持续的方式）提供开放和免费的数据集。鉴于这些尚未解决的挑战，此类数据目前还不能被用作官方人口和住房普查的可靠替代，后者除了遵守严格的技术和统计规范外，还会收集大量关于人口特征和生活条件的额外信息。
6. 第一级城市化程度分类的应用方法
本部分就如何应用第一级城市化程度分类给出了方法建议；第一级分类是对可持续发展目标的指标地域分类。
6.1 术语
描述第一级城市化程度分类的术语有两套。第一套使用的是简明术语，如城市和农村地区。第二套使用的则是更加专业、更加中性的语言。有了第二套术语，就可避免与国家定义中的术语重叠（表2和表3）。
 |
第一级城市化程度分类将小型空间单元划分为（1）城市或人口稠密地区，（2）城镇和半密集区或中等密度地区，（3）农村地区或人口稀疏地区。划分方法是使用1平方千米的网格单元，根据其人口密度、人口规模和毗连情况（相邻单元）进行分类。每个小型空间单元只属于上述三个类别中的一个。
城市地区由城市加上城镇和半密集区组成。第一级城市化程度分类旨在涵盖城乡连续带，因此我们的建议是报告所有三个类别的指标，而不是只报告城乡二分法下的指标。这一点非常重要，因为城镇和半密集区可能与城市和农村地区都有很大的不同。低收入和中等收入国家的半密集区常被称为城市边缘地带。在高收入国家，它们常被称为郊区。两者都是中等密度地区，处在农村地区和城市或城镇之间的过渡地带。
国家统计系统关于两个外层类别通常都达成了高度共识：城市一般被归为城市地区，而村庄和人口稀少的地区通常被归为农村地区。相比之下，中间地带的分类就不那么明确：一些国家倾向于将之归入城市地区，另一些国家将之归入农村地区，而第三类国家则选择在这两个极端之间设置一个中间类别。城市化程度分类法尝试容纳这些中间地区和不同观点，强调指出城镇和半密集区处在城市和农村之间。这一点非常重要，因为政策决策如果毫无差别地全盘面向三个类别，可能对某一类别来说并不合适；若是根据城市、城镇和半密集区或农村地区的具体需求来制定政策，定能从中受益。
6.3 网格单元分类
城市化程度分类法的立足点是 1 平方千米的人口网格（关于如何构建人口网格，更多细节请参见第5节）。每个网格单元具有相同的形状和表面积，从而避免了因使用大小不同、形状各异的单位造成的偏差。与其他方法，如使用地方行政单位（如市）的人口数据相比，这是一个极大的优势。
使用相对较小（1平方千米）且规格统一的网格单元，意味着该方法的基本理念是在较大的地方行政单位内部探寻城市、城镇和半密集区以及农村地区的存在。这样的话，创建一个更为准确的分类也就成为可能。之所以选择1平方千米的网格单元而不是更小的单元，原因有二。这一大小的网格在空间细节、官方数据可用性、保密性考量和计算复杂性之间取得了平衡。比如，1平方千米网格单元已被多个国家的统计部门使用，基本不用担心保密性，而且可以用普通的台式电脑进行处理。尽管由100米乘100米的单元组成的网格可以提供更多的空间细节，但单元总数将会变成原先的100倍。此外，以下两个原因将导致该方法不得不做出改动。首先，较小的单元将出现与此不同的、更加偏斜的人口密度分布。其次，使用更高分辨率的网格可能会导致单个住区的碎片化。一个小型带状公园就足以将某个住区一分为二，而这也可能导致它低于人口规模阈值。
专栏1 认识毗连单元
在考察三种集群类型的识别之前，有必要先了解一下毗连单元的概念。图8是由9个网格单元组成的阵列，重点是中心单元，它被编号为1至8的其他8个单元包围。
 |
（1）四点毗连，这是一个不包含对角线毗连的狭义定义，也即在所有的相邻单元中，不包含那些只在对角线上相邻的单元；根据这一狭义定义，图8中只有编号为2、4、5和7四个单元与中心单元相毗连。
（2）八点毗连，这是一个包含对角线毗连的广义定义，它指所有以任何方式相邻的单元，包括只在对角线上产生关联的单元；根据这一广义定义，图8中编号为1至8的单元都与中心单元毗连。
第一阶段：对网格单元进行分类
识别集群类型的方式是，根据人口总数和人口密度反映的特征对1平方千米人口网格单元进行分类。
绘制1平方千米人口网格单元组及毗连单元组，从而识别出：
● 城市中心（高密度集群）：毗连的1平方千米网格单元集群（使用四点毗连，换言之，不包含对角线毗连），人口密度至少为每平方千米1 500人，填补缺口之前的人口总数至少为50 000人；如有必要，可以加上建成区至少达到50%的单元（见本文第8.2.1节）。
● 城市群（中等密度群）：毗连的1平方千米网格单元集群（使用八点毗连，换言之，包含对角线毗连），人口密度至少为每平方千米300人，人口至少达到5 000人。最后一步是从城市群众删除被识别为城市中心的网格单元。
● 农村网格单元（大多为低密度单元）：未被识别为城市中心或城市群的网格单元。
请注意，在欧盟统计局的《地域类型学方法手册（2018年版）》（Eurostat，2019）中，一个网格单元可以同时属于城市中心和城市群。本文提出了另一种方法，即每个单元都被划分至唯一一个类别，将那些属于城市中心的单元从城市群中剔除。这一调整对小型空间单元的分类没有影响。相反，这一互斥性网格层的好处是，它既能精确匹配小型空间单元分类，又能遵照国际参考分类的准则。
6.3.1城市中心（高密度集群）
城市中心（高密度集群）的识别分三个步骤进行。第一步是识别毗连单元组。
● 选择人口密度至少达到每平方千米1 500人的所有单元（图9中的灰色方块）；
● 识别毗连网格单元组（图9中的G1和G2组）。如果有的话，可以加上建成区至少达到50%的单元（见第8.2.1节）。
毗连单元被组合在一起，但在识别城市中心时，对角线毗连会被剔除。因此，在图9的例子中，C2 和 D3 单元不被视为毗连单元；相反，它们分属于不同的单元组（G1 和 G2）。
图9城市中心的毗连单元组
第二步，根据居民总数分析每组毗连网格单元，只选择那些总共至少有50 000名居民的毗连单元组（见图10）。如图10所示，在刚才的例子中，G1组被视为城市中心，因为它有106 500名居民，而G2不是城市中心，因为它的居民只有13000人。
 |
识别城市中心的第三步是填补缺口、平滑边界。这一步是通过应用迭代多数裁定原则（iterative majority rule）完成的。该原则被应用于单个城市中心（*19 当两个或多个城市中心相距较近时，多数裁定原则可能会导致不同的结果，具体取决于先被处理的是哪个城市中心。DUG 工具（见本文第10节）能够识别所有可能被分至两个或更多城市中心的单元。如果多数裁定原则在将所有城市中心纳入考量之后得出了单一划分结果，那么这些单元就被归于一个城市中心。其余的单元则不归属于任何城市中心。这就确保了单元划分方式的一致性。）：换言之，只考虑某一城市中心的单元，而不考虑附近其他城市中心的单元。在某些情况下，由于多数裁定原则，城市中心可能会毗连，但不应将它们合而为一，而应该保持为两个独立的个体。
引入多数裁定原则是为了解决若干问题。它增加了那些人口密度较低（但被人口密集的街区包围）并有可能在白天被城市居民频繁使用的地区。这些地区包括工业和商业区、交通枢纽、公园和城市森林。由多数裁定原则生成的地区更适合于监测可持续发展目标的指标。例如，要想衡量城市绿地占比，这些区域（最好）应被归入城市中心；又或者，要想衡量总共有多大面积需要开通公共交通线路（或穿越其中），工业和商业区、公园和城市森林也应被包括在内。多数裁定原则填补了城市中心的这类缺口（*20 在某些情况下，一个矩形大缺口不会被多数裁定原则填补。请注意，DUG工具会填补所有小于15平方千米的缺口。），由此生成的网格单元形状更加圆滑/没有锐角。因此，经过调整以填补缺口、平滑边界的城市中心，更有可能涵盖那些连通城市中心不同部分的交通线。
专栏2迭代多数裁定原则
如果某一特定单元周围（8个）单元中有5个或更多单元属于同一城市中心，那么该单元也被视为属于同一城市中心；这个过程不断重复（迭代），直到没有更多的单元可被添加。
请注意，在多数裁定原则下，填补缺口的标准也包含仅在对角线上相邻的单元。以图10左侧的B2单元为例，其周围8个单元格中有7个属于同一城市中心。因此，这个单元随后应被归入城市中心，以平滑边界（如图10右侧所示）。
6.3.2 城市群（或中等密度集群）
用于识别城市群（中等密度群）的技术与识别城市中心（高密度群）的技术类似。城市群的识别不是使用每平方千米至少1 500名居民的阈值，而是立足于每平方千米至少有300个居民的网格单元（见图11）。
城市群的初步识别分两步进行：
● 绘制人口密度至少为每平方千米300人的所有单元（图11中的深灰色方块）；
● 识别毗连网格单元组（图11中的G1和G2组）；请注意，毗连网格单元可包括仅在对角线上相邻的单元（八点毗连），如C2单元所示。
 |
然后，对每组毗连网格单元的居民人数进行分析，并选择那些总共至少有5000名居民的毗连单元组；这些单元组就是城市群。请注意，如果有一些单元同时也被划入城市中心，那就将其剔除。如图12所示，G1组被视为一个城市群，因为它有7000名居民，而G2组不是城市群，因为它只有3050名居民。
 |
图13展示了从网格单元分类到城市中心识别的概览图。在第一张图中，人口密度至少为每平方千米300人的网格单元被识别出来。第二张图将这些网格单元叠加，显示出城市群（中等密度集群），这些城市群由八点毗连网格单元组成，在剔除所有同时也被划为城市中心的单元之前至少有5000名居民。最后一张图显示了剔除城市中心单元后的城市群单元和城市中心，后者为一组毗连网格单元，其人口密度至少为每平方千米1500人，人口总数至少有50000人（在应用迭代多数裁定原则之前）。
 |
农村网格单元是那些未被识别为城市中心或城市群的单元。大多数农村网格单元的人口密度都要低于每平方千米300人，但并非一定如此。一些农村网格单元没有进入满足城市中心或城市群标准的集群，它们的居民数量可能会更高。
在图14中，单元A3、B4和F1都符合城市中心的人口标准（每平方千米至少有1500名居民），而单元B3、C2和E1都符合城市群的人口标准（每平方千米至少有300名居民）。
 |
 |
6.4 小型空间单元的分类
第二阶段：按城市化程度对小型空间单元进行分类
一旦所有网格单元都被分类并识别出城市中心、城市群和农村网格单元，下一步就是将这些结果叠加到小型空间单元上，具体如下：
● 城市（或人口稠密地区）：至少有50%人口住在城市中心的小型空间单元；
● 城镇和半密集区（或中等密度地区）：不到50%人口住在城市中心、不多于50%人口住在农村网格单元的小型空间单元；
● 农村地区（或人口稀少地区）：超过50%人口住在农村网格单元的小型空间单元。
城市（或人口稠密地区）由一个或多个小型空间单元组成，其中至少有50%人口住在城市中心。一个小型空间单元可以是一个行政单位，也可以是一个统计区域。行政单位有市、区、街区或都会区。其中一些行政单位还具有选区或地方政府方面的政治作用。统计区域可以是普查单位/普查区、普查小区、普查地段、选区、超级输出区、指定地点或小型区域。
在某些国家，并非所有的小型空间单元都住有居民。为了对没有人口的空间单元进行分类，应该将人口换成面积并采用同样的规则。比如，一个没有任何人口的小型空间单元，如果其50%以上的面积位于农村网格单元，就应该被归类为农村地区。
 |
 |
从地图3可以看出，在将小型空间单元划分为城市时，可能需要考虑两个或更多的城市中心。在这个例子中，有65 593人居住在荷兰的哈勒默梅尔城市中心，这只相当于哈勒默梅尔小型空间单元总人口的46%（低于城市所需的50%门槛）。然而，如本例所示，两个相邻小型空间单元——阿姆斯特丹和哈勒姆——的城市中心溢出到哈勒默梅尔。将位于哈勒默梅尔边界内的三个城市中心的人口进行汇总，得出的结果是生活在城市中心的人口占比升至总人口的54%左右；因此，哈勒默梅尔被归类为城市。
 |
一些小型空间单元因为太小，所以没有1平方千米的对等网格单元。在确定这些小型空间单元在第一级城市化程度分类中的类别时，由于物理面积太小（小于一个网格单元），它们不被分配任何人口；因此，它们没有得到初始分类。
在初始分类之后，就可以选择这些剩余的小型空间单元。对于每个小型空间单元，应确定其边界内的几何中心。可以用这些几何中心对剩余的小型空间单元进行分类。它们应该在空间上遵从基于网格的类型学，即每个小型空间单元的几何中心所在网格是什么类别，它就被归入什么类别。在欧盟，人们发现这样的小型空间单元只存在于城市中心。爱尔兰的都柏林就是一个例子（见地图4）。
这个问题也可以通过使用更高空间分辨率的栅格来解决，比如，50米乘50米的单元。在这一尺度上，基本上所有的小型空间单元都应该有一个对等栅格。如果在这个尺度上有人口网格可用或是可以进行估算的话，对于这些在1平方千米网格中没有对等栅格的小型空间单元来说，仍然可以根据它们在三类网格单元之间的人口分布进行分类。网格单元仍将被定义为1平方千米，但人口分布将使用50米乘50米的单元来决定。后文第 10.1.3 节介绍了城市化程度地域单位的分类工具（GHS-DU-TUC），在使用较小的网格单元对空间单元进行分类的过程中，该工具能够起到推动作用。
6.5 随时间推移而发生的影响到小型空间单元分类的变化
根据第一级城市化程度分类所做的小型空间单元分类应当及时更新，以反映决定其类别的基本信息来源发生的变化。因此，分类的更新可以反映小型空间单元的边界变化或1平方千米网格单元的人口分布变化。更新频次因信息来源的不同而有所差别。
因修订1平方千米网格单元的人口分布而修改小型空间单元分类的情况不太常见，预计每5年或每10年进行一次，此时会有新的人口普查数据。
为反映小型空间单元的边界变化，应当每年对小型空间单元的城市化程度分类进行更新。此类修改可以通过两种方式实现：对新的小型空间单元层采用上述城市化程度分类法；或者根据小型空间单元的边界变化估算城市化程度。第一种方法比较耗费人力，而第二种方法特别适合以下情况：小型空间单元的边界变化相对较小，或者边界变化主要涉及小型空间单元的合并，如果这些小型空间单元在第一级城市化程度分类中同属一个类别，那就更为适用。
 |
小型空间单元的边界可能会以三种不同的方式随时间推移而变化：小型空间单元可能被合并，可能出现边界移位，可能被拆分。近年来，欧盟内部最常出现的变化是两个或多个小型空间单元被合并；边界移位不太常见，而小型空间单元被拆分的情况则非常罕见。
情况1：小型空间单元的合并
如果合并的是两个城市化程度不同的小型空间单元，人口更为密集的空间单元可以享有优先权。
● 如果合并的小型空间单元为一个城市和一个城镇或半密集区，就将新的小型空间单元重新分类为城市；
● 如果合并的小型空间单元为一个城镇或半密集区和一个农村地区，就将新的小型空间单元重新分类为城镇或半密集区。
可将两个小型空间单元的相对人口规模纳入考量，从而进一步完善这一过程。
情况1a：城市化程度相同的小型空间单元合并
城市化程度分类是相加性质的，意味着如果两个被归类为农村地区的小型空间单元被合并为一个小型空间单元，那么它们仍然是农村地区；分类中的其他类别也是如此。
情况1b：农村地区和城镇或半密集区的小型空间单元合并
这类合并可以通过两种简单的方式来解决：使用城市群的人口或使用小型空间单元的人口。
在第一种情况下，如果有相关城市群的人口数据可查，那就将每个小型空间单元居住在城市群的人口相加，然后除以新合并小型空间单元的总人口，以确定新的城市化程度类别。如果新合并的小型空间单元有超过50%的人口居住在城市群，那么新合并的小型空间单元应被归入城镇或半密集区。如果这一人口比例低于50%，那么新合并小型空间单元应被归入农村地区。
在第二种情况下，如果不能确定居住在城市群的人口，那么可以根据小型空间单元之间的人口分布来确定城市化程度类别。如果新合并的小型空间单元有超过50%的人口来自农村地区，那么它就应被归入农村地区。如果新合并的小型空间单元有超过50%的人口来自城镇或半密集区，那么它就应被归入城镇或半密集区。
情况2：小型空间单元的边界移位
虽然合并可以用简单的方法来处理，但边界移位并不总是能够很好地得到解决。事实上，在一些罕见的情况下，具有相同城市化程度的小型空间单元之间的边界移位会导致其分类发生变化。这种复杂性意味着最为有效的首选方法往往是简单的经验法则。
可以制定一条简单的法则：如果一个小型空间单元由于边界移位而减少的人口少于25%，或增加的人口少于50%，那么城市化程度类别就不会改变。这一经验法则大概能涵盖90%的边界移位，并确保连续性。如果并非上述情况，则需要进一步调查，如下所述。
情况2a：边界移位导致城市化程度类别发生变化的可能性可被排除
对于每个小型空间单元，三种不同类型的人口网格单元的人口占比是已知的。比如，如果一个100%人口都处在农村网格单元的小型空间单元由于边界移位而缩小，那么它将继续被归类为农村地区。同样，如果一个100%人口都处在农村网格单元的小型空间单元由于边界移位而扩大，那么这个新的小型空间单元需要增加一倍以上的人口才（可能）被归入城镇或半密集区。因此，如果边界移位导致的人口变化太小，无法使调整后的小型空间单元的人口占比低于相关网格单元的50%，那么它仍然处于之前的城市化程度类别。
情况2b：边界移位导致城市化程度类别发生变化的可能性不大（但也不能完全排除）
如果边界移位导致的人口变化在理论上足以使调整后的小型空间单元的人口占比低于或高于 50%，但边界移位发生在城市化程度类别相同的小型空间单元之间，那么应保持原有类别不变。
情况2c：由于边界移位，城市化程度类别可能会发生变化
在某些情况下，城市化程度类别可能会发生变化。假设一个城市由于边界移位而并入了部分郊区（后者被归类为城镇或半密集区），该城市增加了少量居民（这不会对其城市化程度类别产生影响），郊区失去了一些人口（这些人口被重新归类为城市）。因此，郊区覆盖的调整后小型空间单元可能会有不到50%的人口居住在城市群，在这种情况下，它应被重新归类为农村地区。
情况3：小型空间单元的拆分
这种类型的变化相对罕见。因此，主要建议是保持连续性；换言之，保持原有的城市化等级类别。如果一个小型空间单元被拆分，新的小型空间单元应与旧的小型空间单元具备相同的城市化程度类别。如果担心新的小型空间单元可能需要被归入不同的城市化程度类别，可以采取边界移位时所用的方法。（未完待续）
（陆殷莉 译）
参考文献
第1节
FAO and GSARS （2018）， Pilot tests of an international definition of urban-rural territories， Technical Report no.37， Rome.
IBRD-WB （2011）， Global Strategy to improve Agricultural and Rural Statistics， International Bank for Reconstruction and Development/The World Bank， Economic and Sector Work， Report No.56719-GLB， Washington D.C.
UN （2015）， Transforming our World:the 2030 Agenda for Sustainable Development， United Nations， General Assembly， A/RES/70/1， New York.
UN （2019）， Expert Group Meeting on Statistical Methodology for Delineating Cities and Rural Areas， United Nations Statistics Division， New York.
UN-Habitat （2017）， New Urban Agenda， United Nations Conference on Housing and Sustainable Urban Development （Habitat III）， United Nations， General Assembly， A/RES/71/256， New York.
UN-Habitat （2017）， Expert Group Meeting on Geospatial Definitions for Human Settlements Indicators of the SDGs， Brussels.
第2节
Dijkstra， L.and H.Poelman （2014），“A harmonised definition of cities and rural areas: the new degree of urbanisation”， Regional Working Paper 2014， WP 01/2014， European Commission Directorate-General for Regional and Urban Policy.
Dijkstra， L.， H.Poelman and P.Veneri （2019），“The EU-OECD definition of a functional urban area”， OECD Regional Development Working Papers， No.2019/11， OECD Publishing， Paris.
Eurostat （2019）， Methodological manual on territorial typologies —2018 edition， Publications Office of the European Union， Luxembourg.
FAO （2018）， Guidelines on defining rural areas and compiling indicators for development policy， Food and Agriculture Organization of the United Nations （FAO）， Rome.
ILO （2018）， Rural-urban labour statistics， 20th International Conference of Labour Statisticians， International Labour Office， ICLS/20/2018/Room document 3/Rev.3， Geneva.
OECD （2012）， Redefining “Urban”:A New Way to Measure Metropolitan Areas， Organisation for Economic Co-operation and Development， OECD Publishing， Paris.
OECD （2020）， Rural Well-Being:Geography of Opportunities， OECD Publishing， Paris.
OECD and European Commission （2020），“Cities in the World: A New Perspective on Urbanisation”，OECD Urban Studies， OECD Publishing， Paris.
UN （2015）， Transforming our World:the 2030 Agenda for Sustainable Development， United Nations， General Assembly， A/RES/70/1， New York.
UN （2017）， Principles and Recommendations for Population and Housing Censuses—Revision 3，ST/ESA/STAT/SER.M/67/Rev.3， Department of Economic and Social Affairs， Statistics Division， United Nations， New York.
UNECE （2015）， Conference of European Statisticians Recommendations for the 2020 Censuses of Population and Housing， United Nations Economic Commission for Europe， United Nations， New York and Geneva.
UN-Habitat （2017）， New Urban Agenda， United Nations Conference on Housing and Sustainable Urban Development （Habitat III）， United Nations， General Assembly， A/RES/71/256， New York.
第3节
UN （2017）， Principles and Recommendations for Population and Housing Censuses—Revision 3， ST/ESA/STAT/SER.M/67/Rev.3， Department of Economic and Social Affairs， Statistics Division， United Nations， New York.
第4节
UN （2013）， Best Practice Guidelines for Developing International Statistical Classifications， Expert Group on International Statistical Classifications， Department of Economic and Social Affairs， Statistics Division， United Nations， New York.
UN （2014）， Fundamental Principles of Official Statistics， United Nations， General Assembly， A/RES/68/261， New York.
UNECE，“Part B Metadata Concepts， Standards， Models and Registries”， Common Metadata Framework， online publication， United Nations， Geneva.
第5节
Aubrecht， C.， D.O.Aubrecht， J.Ungar， S.Freire and K.Steinnocher （2017），“VGDI — advancing the concept: volunteered geo-dynamic information and its benefits for population dynamics modeling”， Transactions in GIS，
Volume 21， Issue 2， pp.253-276.
Aubrecht， C.， J.Ungar and S.Freire （2011），“Exploring the potential of volunteered geographic information for modeling spatio-temporal characteristics of urban population: a case study for Lisbon metro using foursquare check-in data”， Proceedings of the 7th International Conference on Virtual Cities and Territories， pp.57-60.
Aubrecht， C.， J.Ungar， D.O.Aubrecht， S.Freire and K.Steinnocher （2018），“Mapping land use dynamics using the collective power of the crowd”， Earth Observation Open Science and Innovation， ISSI Scientific Report Series， Volume 15， pp.247-253.
Bakillah， A.， S.Liang， A.Mobasheri， J.J.Arsanjani and A.Zipf （2014），“Fine-resolution population mapping using Open Street Map points-of interest”， International Journal of Geographical Information Science， Volume 28， Issue 9，pp.1940-1963.
Center for International Earth Science Information Network （CIESIN）， Columbia University （2018）， Documentation for the Gridded Population of the World， Version 4 （GPWv4）， Revision 11 Data Sets， NASA Socioeconomic Data and Applications Center （SEDAC）， Palisades， NY.
Corbane， C.and F.Sabo （2019）， European Settlement Map from Copernicus Very High Resolution data for reference year 2015， Public Release 2019， European Commission， Joint Research Centre （JRC）.
Corbane， C.， F.Sabo， V.Syrris， T.Kemper， P.Politis， M.Pesaresi， P.Soille and K.Osé （2020），“Application of the Symbolic Machine Learning to Copernicus VHR Imagery: the European Settlement Map”，IEEE Geoscience and Remote Sensing Letters， Volume 17， Issue 7， pp.1 153-1 157.
Deville， P.， C.Linard， S.Martin， M.Gilbert， F.R.Stevens， A.E.Gaughan， V.D.Blondel and A.J.Tatem （2014），“Dynamic population mapping using mobile phone data”， Proceedings of the National Academy of Sciences of the United States of America， Volume 111， No.45， pp.15 888-15 893.
Eurostat （2019）， Methodological manual on territorial typologies — 2018 edition， Publications Office of the European Union， Luxembourg.
Freire， S.， K.MacManus， M.Pesaresi， E.Doxsey-Whitfield and J.Mills （2016）， Development of new open and free multitemporal global population grids at 250 m resolution， Conference paper for AGILE 2016 — Helsinki， June 14-17， 2016， Association of Geographic Information Laboratories in Europe （AGILE）.
Schiavina， M.， S.Freire and K.MacManus （2019）， GHS-POP R2019A — GHS population grid multitemporal （1975， 1990， 2000， 2015）， European Commission， Joint Research Centre （JRC）.
Tatem， A.（2017），“WorldPop， open data for spatial demography”， Scientific Data 4， Article No.170004.
Wardrop， N.A.， W.C.Jochem， T.J.Bird， H.R.Chamberlain， D.Clarke， D.Kerr， L.Bengtsson， S.Juran， V.Seaman and
A.J.Tatem （2018），“Spatially disaggregated population estimates in the absence of national population and housing census data”， Proceedings of the National Academy of Sciences， Volume 115， No.14， pp.3529-3537.
Zhang， G.and A-X.Zhu （2018），“The representativeness and spatial bias of volunteered geographic information: a review”，Annals of GIS， Volume 24， Issue 3， pp.151-162.
第6节
Eurostat （2019）， Methodological manual on territorial typologies —2018 edition， Publications Office of the European Union， Luxembourg.
Florczyk， A.， C.Corbane， D.Ehrlich， S.Freire， T.Kemper， L.Maffenini， M.Melchiorri， M.Pesaresi， P.Politis， M.Schiavina， F.Sabo， and L.Zanchetta （2019）， GHSL Data Package 2019， JRC 117104， EUR 29788 EN， Publications Office of the European Union， Luxembourg.
京公网安备 11010502034662号 