基于夜间灯光数据的西兰高速铁路站点区域经济影响分析

Analysis of Regional Economic Impact of High Speed Railway Station Based on Night Light Data：A Case Study of Xi'an-Lanzhou High Speed Railway

摘要

高速铁路的发展带动了沿线区域经济的飞速增长，夜光遥感数据相比传统统计数据具有客观性、地理空间特性和易获取等特点，能够有效衡量高速铁路沿线区域经济表现。以西兰高速铁路(西安—兰州)为例，基于夜间灯光数据分析其沿线高铁站的区域经济影响。利用整合夜间灯光数据和站点区位，通过距离圈层法将高铁站点按等级分类，分析高铁站区域的虹吸效应和集聚效应，以及高铁站点与城市中心对高铁站区域经济影响的差异。结果表明：高铁站点与城市中心均对高铁站区域有经济带动作用，且不同区位等级的高铁站点对高铁站区域的经济影响存在异质性，高铁站点对站区经济的负梯度效应与高铁站点的区位等级呈正比，城市中心的负梯度效应与高铁站点的区位等级呈反比。

Abstract

High speed railway development has led to the rapid growth of the regional economy along its routes. Compared with traditional statistical data, nighttime light remote sensing data has characteristics of objectivity, geographical spatiality, and ease of access. Consequently, it serves as an effective metric for assessing regional economic performance along high speed railway corridors. This paper used Xi'an-Lanzhou High Speed Railway as a case to analyze the regional economic impact of high speed railway stations along the route using nighttime light remote sensing data. By integrating nighttime light data and station locations, the paper classified the stations according to the distance circle method. Additionally, it analyzed the siphon effect and agglomeration effect of the high speed railway station areas, as well as the difference in the economic impact on high speed railway station areas between the stations and urban centers. The results show that both high speed railway stations and city centers contribute to the economic development of the high speed railway station area. Furthermore, the economic impact of high speed rail stations varies depending on their location levels, exhibiting heterogeneity. The negative gradient effect of high speed railway stations on the station economy is positively correlated with the station's location level, while the negative gradient effect of city centers is inversely proportional to the station's location level.

Graphical abstract

关键词

西兰高速铁路 / 夜间灯光数据 / 高铁站区域经济 / 距离圈层法 / 站点区位

Key words

Xi'an-Lanzhou High Speed Railway / Nighttime Light Data / Economy of High Speed Railway Station / Circle Distance Method / Station Location

0　引言

截至2023年底，我国高速铁路营业里程达到4.5万km。高速铁路网络建设是交通基础设施建设的重要组成部分，高速铁路的发展缩短了区域时空距离，加快了生产要素的流动，促进了区域经济一体化的进程^[1]。高速铁路已成为推动地区经济发展的新引擎。西兰高速铁路(西安—兰州) 2017年全线通车，标志着徐兰高速铁路(徐州—兰州)全线贯通，并与兰新高速铁路连接，将西北地区全面融入全国高速铁路网。

高速铁路的开通运营降低了城市之间可达性，使城市之间的经济联系变得紧密，并且直接推动了高速铁路站及其周边地区的社会经济发展，能够直接受益于其他经济发达城市所产生的集聚经济效应^[2]。作为“城市窗口”的高速铁路站建设带动了城市经济社会发展，使流动人口和生产要素向高速铁路新城发生集聚。具有良好发展前景的高速铁路站大多位于城市边缘区周边，并以轨道、公交等方式与高速铁路站衔接，在人流、资本等因素的作用下，促使一些核心区域的城市职能向高速铁路站周边地区迁移，高速铁路站周边地区的高效发展促进了城区的扩张^[3]。但是对于我国许多的中西部城镇而言，市场潜力不足严重限制了高速铁路新城经济发展，甚至由于自身较小的经济规模和站点选址偏远等原因产生“逆集聚”现象^[4]。

以西兰高速铁路为例，利用微观尺度的夜间灯光数据分析不同区位等级高速铁路站点对其周边地区的经济影响规律和特点，西兰高速铁路是连接我国西北部与中东部的客运主通道，其甘肃路段是“一带一路”的黄金段，陕西路段起到承东启西和连接南北的作用，能充分体现西部高速铁路新城的特点与现状，研究可为分析高速铁路沿线区域经济布局提供经验借鉴。

1　研究区概况与数据源

1.1　研究区概况

西兰高速铁路是中国“八纵八横”高速铁路主通道之一“陆桥通道”的重要组成部分，东起陕西省西安北站至甘肃省兰州西站，线路正线长度约568 km，全线共设12个高速铁路车站。选取西兰高速铁路所经过的甘肃省和陕西省的部分县(区)级行政区域作为研究对象，将各城市建成区的地理矢量中心定义为城市中心，基于矢量地理信息自行计算得到高速铁路站点与城市中心的直线距离，高速铁路站点基础信息如表1所示。

1.2　研究时间范围

西兰高速铁路包括西安至宝鸡段与宝鸡至兰州段，其中西宝段于2009年11月开工建设，2013年12月开通运营；宝兰段于2012年10月开工建设，2017年7月开通运营。将西兰高速铁路建设前后5年(2004—2020年)纳入研究期间，对比分析高速铁路建成前后的情况，以求分析西兰高速铁路站点周边地区的区域经济影响。

2　数据源及数据处理

2.1　夜间灯光数据

夜光遥感相比于传统光学和雷达遥感，主要获取无云条件下地表由人类活动而产生的可见光和近红外电磁波信息，因此夜光遥感更能直接反映人类活动，发现社会和自然规律，广泛应用于社会经济参量估算、城市化监测和环境及健康效应等研究。相比传统经济指标，夜间灯光数据收集过程相对客观，具有地理空间特性，能够更全面地衡量人类社会经济生产活动。夜间灯光数据与人类活动关系密切，可以替换传统统计数据作为衡量经济特征表现的数据源^[5]。

由美国国防气象卫星项目搭载的线性扫描系统传感器获取的DMSP/OLS(Defense Meteorological Satellite Program/Operational Linescan System)夜间灯光数据分别从6颗卫星中获取遥感影像：F10，F12，F14，F15，F16和F18。美国国家海洋和大气管理局(NOAA)负责发布相应的分年度整合数据。NOAA记录了1992—2013年长时序跨度总计34期年度整合DMSP 夜间灯光数据。DMSP/OLS 数据光谱分辨率为6 bit，空间分辨率为30"，像元边长约1 000 m。

由美国国家极地轨道对地观测卫星搭载的可见光红外成像辐射仪套件获取的NPP/VIIRS(Suomi National Polar-orbiting Partnership/Visible Infrared Imaging Radiometer Suite)夜间灯光数据，于2012年4月开始探测，仍然使用至今。NPP/VIIRS影像数据集的光谱分辨率为14 bit，空间分辨率为15"，像元边长约500 m。相比DMSP/OLS 数据，NPP/VIIRS数据值域范围更广，采集微弱灯光能力更强，能有效改善DMSP/OLS数据的“灯光过饱和”问题。但是NPP/VIIRS数据时间序列不全，缺乏历史对比数据，影像集存在云层、火光和月光等干扰以及异常极值的问题。因此以两种数据在2012年和2013年的时间重叠为整合基础，对NPP/VIIRS和DMSP/OLS数据进行整合处理。

2.2　数据处理

2.2.1　DMSP/OLS夜间灯光数据预处理

由于DMSP/OLS 数据未进行星上辐射定标，影像DN值存在异常情况，且影像由多代传感器获取，每代传感器之间存在年份重叠，因此使用前要需进行校正以改善数据的连续性和可比性。查阅相关文献^[6-7]对DMSP夜间灯光数据进行相互校正、年内融合、年际间校正等预处理。夜间灯光数据参考系为WGS-84坐标系，选用符合中国区域的亚洲兰伯特等面积平面投影坐标系，重采样为1 000 m。以黑龙江省鸡西市作为不变目标区域(灯光亮度值变化幅度相对稳定的区域)，选取F18卫星的2013年夜间灯光数据作为参考数据集，对原始灯光像元值数据进行相互校正，建立如下一元二次回归方程。

D{N}_{\mathrm{1}}=a_{\mathrm{0}}+a_{\mathrm{1}}DN+a_{\mathrm{2}}D{N}^{\mathrm{2}}⑴

式中：DN为原始像元亮度值；D{N}_{\mathrm{1}}为校正后的像元亮度值；a_{\mathrm{0}}，a_{\mathrm{1}}，a_{\mathrm{2}}为拟合参数。

为了综合利用同一年份两颗卫星抓取的数据以及剔除不稳定光源，根据第一步校正后的数据继续进行年内融合。发现原始灰度值为0的栅格单元经过公式⑴的校正后可能会产生变化，因此需要恢复其零值的设定。

文献研究发现，夜间灯光数据由于经济随时间正向发展具有一定特征，即一点像元后一年份应当大于前一年份的灯光亮度值^[8]。基于此对2次校正后的DMSP/OLS 夜间灯光数据进行年际间校正，如公式⑵所示。

D{N}_{\mathrm{3}}{}_i^t=\left\{\begin{array}{l}\mathrm{0}D{N}_{\mathrm{2}}{}_i^t=\mathrm{0}\\ D{N}_{\mathrm{2}}{}_i^{t-\mathrm{1}}D{N}_{\mathrm{2}}{}_i^{t-\mathrm{1}}>D{N}_{\mathrm{2}}{}_i^t>\mathrm{0}\\ D{N}_{\mathrm{2}}{}_i^t\mathrm{其他}\end{array}\right.⑵

式中：D{N}_{\mathrm{3}}为经过三步校正后像元值；D{N}_{\mathrm{2}}为经过年内融合与归零处理后的像元亮度值。

2.2.2　VIIRS夜间灯光数据的预处理

2021年NOAA地球观测小组的数据平台(Earth Observation Group，EOG)根据NPP/VIIRS月度夜间灯光数据制作了第2版本的2012—2020年全球夜间灯光数据集(Annual VNL V2)，利用12个月的中值辐射亮度过滤了生物质燃烧、极光和背景噪声等无关特征^[9]。将NPP/VIIRS 夜间灯光数据按研究区裁剪并转化为兰伯特等面积投影，像元大小重采样为1 000 m，以便与上述校正DMSP 数据保持一致。之后利用阈值法将夜间灯光数据中DN值小于经验阈值的像元赋值为0，去除极小值^[10]；通常城市中央商务区为DN值最高区域，选择西安市主城区DN值为阈值赋值给极亮值，以去除区域内极亮值。

2.2.3　VIIRS生成拟合DMSP数据

通过一个幂函数和高斯低通滤波处理，将预处理后的VIIRS数据转化为DMSP数据^[11]。首先，使用幂函数拟合VIIRS和DMSP之间的非线性关系，选取R² 最高的幂函数作为转化函数然后通过高斯滤波处理平滑拟合DMSP数据。最后，通过选择63作为过饱和修正阈值h的取值，确定DMSP\mathrm{\text{'}}(拟合DMSP数据)的取值范围。转化模型如公式⑶。

DMSP\mathrm{\text{'}}=G(VIIRS，a，b)\otimes M⑶

式中：DMSP\mathrm{\text{'}}为一个转化函数G和一个标准化矩阵M得出；“\otimes”表示卷积运算；转化函数G为一个幂函数矩阵；a和b为拟合系数；M为标准化矩阵。

两种夜间灯光数据的重叠年份为2012年和2013年，通过敏感度分析法^[12]选取最优参数(窗口半径为15，标准差为1.34，拟合系数a和b分别为30.8和0.53)。

处理得到了2004—2020年的整合夜间灯光数据。将NPP/VIIRS数据和整合数据分别与原始DMSP/OLS数据比较，通过计算均方根误差衡量参数的有效性，构建了Pearson相关系数指标对拟合数据进行检验以评价整合夜间灯光数据的整合效果，2012年和2013年整合数据和NPP/VIIRS数据对比评价如表2所示。

3　研究方法

3.1　距离圈层法

城市结构中的圈层理论，核心观点是城市中心对周边区域的影响随着距离的增加而减弱，导致区域的功能配比发生变化。已有研究^[13-15]将距离圈层法应用到人口变化和区域经济变化的研究，均具有从中心到外围随距离衰减的负梯度效应。对于社会经济数据依据行政区域的统计方法而言，无法有效评估高速铁路沿线站点的区域经济影响。而夜间灯光数据结合距离圈层法进行高速铁路车站周边地区的灯光亮度值的提取，并且高速铁路站点对周边经济影响具有随距离衰减的特征，这使得夜间灯光数据结合距离圈层的方法相比传统方法可以更好地反映高速铁路站点周边各距离圈层的经济效应。综合以上经验，研究通过高速铁路站点周边15 km以内各距离圈层的夜间灯光特征，分析西兰高速铁路站点对其周边地区的经济影响。

3.2　距离指数

距离指数可以客观表现高速铁路站点的区位特征，距离指数越大，高速铁路站点越偏远。其定义为高速铁路车站与城市中心的直线距离与城市建成区面积开方的比值^[16]，公式如下所示。

L=\frac{L_o}{\sqrt[]{S}}⑷

式中：L为距离指数；L_o为高速铁路站点与城市中心的直线距离，km；S为城市建成区面积，km²。

4　实证结果分析

4.1　西兰高铁站点区位变化特征

在设计和建造高速铁路的过程中，为了确保高速铁路在线路和节点上的通行速率，减少行车时间，通常都会对高速铁路的通道提出尽可能的平直要求。在很大程度上，高速铁路沿线站点的选择受到了顺直要求的影响，并且同时对于高速铁路客站与货站的布置和选址的优先考量方面，也存在着一定的差别^[17]。大型高速铁路站由于旅客发送人数较大，以办理高速铁路始发终到作业为主要内容，所以进站速度通常不会很快，在同样的条件下，线路更会考虑到城市布局和旅客出行对设站的要求。但对于中小型高速铁路车站而言旅客发送人数小，主要办理高速铁路不停站通过作业，很可能会发生为了确保线路的顺直，导致城市规模越小发展等级越低的车站，站城距离越大的情况^[18]。2008—2018年距离指数和变化率统计如图1所示，其中通渭站选址最偏远。从2008到2018年，距离指数整体下降，平均下降1.65%，兰州西站、榆中站和西安北站3个高速铁路车站的下降幅度非常明显；秦安站、天水南站、宝鸡南站、岐山站、杨陵南站和咸阳西站6个高速铁路车站的下降幅度较明显；定西北站和通渭站2个高速铁路车站的下降幅度不明显。近年来整体变化说明，西兰高速铁路车站城分离的局面正逐渐改善。

4.2　高速铁路车站区域灯光亮度的时间特征

利用夜间灯光数据分析高速铁路车站区域的夜间灯光亮度的时间变化特征，高速铁路车站周边地区夜间灯光亮度的变化如图2所示。研究列出通车前(2004年和2008年)与通车后(2018年和2020年)的高速铁路车站15 km缓冲区范围内的夜间灯光亮度情况。

伴随着高速铁路的开通，经济规模较大的地区将进一步吸引经济资源的流入，产生明显的“虹吸效应”；但高速铁路车站周边地区经济影响会随着环境不同而产生差异。除了受到中心城市区域经济的影响之外，还会与到中心城区的可达性、车站选址和土地利用政策支持等多种因素密切相关。高速铁路站点周边地区域经济影响显著地表现为：高速铁路开通后，区域内夜间灯光亮度大幅升高，且有明显的从中心到外围随距离衰减的负梯度效应。由于兰州西站与西安北站均为西北地区高速铁路网主干线路的枢纽，受徐兰高速铁路(徐州—兰州)、兰新高速铁路(兰州—乌鲁木齐)、西银高速铁路(西安—银川)、大西高速铁路(大同—西安)和西成高速铁路(西安—成都)等线路的复杂影响，将其剔除。

从图2可见，西兰高速铁路沿线高速铁路站点对周边地区的经济效应不同，依据高速铁路开通前夜间灯光亮度值以及高速铁路开通后高速铁路站点夜间灯光亮度随距离衰减的程度将其分为以下3种类型。

（1）A类高速铁路站点区位：这类站点有宝鸡南、天水南和杨陵南等二级站点。高速铁路开通前站点周边地区经济水平较高，灯光亮度也较高；高速铁路开通后，对站点周边地区有较强的带动作用，站点周边地区有许多的商业网点和服务设施，所受影响颇多，高速铁路站点随距离衰减的特征较明显。这类站点位处近郊地带，距离城市主城区约10 km (杨陵南站位于杨凌农业高新技术产业示范区中心4 km附近)，由于市区自身经济发展较高和“集聚效应”的作用推动，站点周边地区在高速铁路开通前就具备一定水平的公共服务资源，高速铁路开通能够进一步地促进城镇的人口流动和经济集聚。

（2）B类高速铁路站点区位：这类站点有岐山、榆中三级站点和定西北二级站点。高速铁路开通前站点周边地区经济水平较差，灯光亮度也较低。与距中心城市较远的偏远地区相比，高速铁路开通对B类站点周边地区有很强的推动作用。岐山站位于蔡家坡经济技术开发区，榆中县为兰州市的下辖行政区域，定西北站位于定西市新城区，高速铁路开通前周边地区灯光亮度较低，地理位置和交通基础条件较差，与其他城市的经济交互受到很大制约。随着高速铁路开通带来的可达性改善，加快了沿线城市以及辐射地区间的经济互动频率，经济潜能得到有效释放，灯光亮度提升显著。中心城市也更方便与其产生经济交互，使其经济得到较快的发展。

（3）C类高速铁路站点区位：这类站点有通渭和秦安三级站点。此类站点在高速铁路开通前与B类高速铁路站点区位类似，周边地区经济水平同样较差，灯光亮度也较低。但高速铁路开通对其周边地区的带动作用较差，经济推动效果不明显，随距离衰减的负梯度效应也不明显，灯光亮度提升不大。通渭县和秦安县分别隶属于定西市和天水市，距离城市中心较远，中心城市对其经济辐射程度较低，又由于自身经济规模较小和交通基础条件较差，呈现出“虹吸效应”，部分经济要素与人口流向周边其他经济规模大的城市。并且此类站点远离两端枢纽城市兰州市与西安市，处在两中心城市圈层边缘地区且区域可达性差，产生了边缘地区的弱化现象。

4.3　不同规模高速铁路车站点区位下夜间灯光亮度的回归分析

利用ArcGIS将高速铁路开通后3期整合夜间灯光数据匹配至高速铁路站站点周边地区5 km缓冲区^[19]内的大小约1 km²的单元内，提取得到1 794个样本点的夜间灯光亮度。

随着城市化进程的推进和城市空间的拓展，大城市面临人口高度聚集、地价攀升和资源短缺等一系列困境，将城市从单中心向多中心的模式转变显得尤为迫切，而高速铁路建设是大城市实现从单中心到多中心转变的重要方式。一方面，高速铁路综合交通枢纽所在地区的建设规模不断扩大成为重要的集聚因子；另一方面，高速铁路综合交通枢纽地区与周边地区、中心城区的联系不断增强，导致城市空间结构发生改变。

通过邻域计算高速铁路站点周边地区各位置点到高速铁路站点的距离和最近中心城市的距离，将各位置点的夜间灯光亮度与两种距离进行回归，来对比高速铁路站点与城市中心对高速铁路站点周边地区的促进效应有何差别，同时加入高速铁路站点区位等级的虚拟变量来分析不同规模高速铁路站点之间存在的差异。基于以下模型分析高速铁路通车对于站点周边地区经济发展的影响如下所示。

Y_i={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{X}_{\mathrm{1}i}+{\beta }_{\mathrm{2}}{X}_{\mathrm{2}i}+\delta D_s+{\gamma }_{\mathrm{1}}{D}_s{X}_{\mathrm{1}i}+{\gamma }_{\mathrm{2}}{D}_s{X}_{\mathrm{2}i}+{\epsilon }_i⑸

式中：Y为夜间灯光亮度；i为缓冲区范围内样本点；X_{\mathrm{1}}为各地理位置点到高速铁路站点的距离；X_{\mathrm{2}}为各地理位置点到城市中心的距离，以上变量均取自然对数；{\beta }_{\mathrm{1}}和{\beta }_{\mathrm{2}}分别为自变量X_{\mathrm{1}}和X_{\mathrm{2}}的回归系数，回归系数衡量两个距离对周边地区的夜间灯光亮度影响水平；D为虚拟变量，代表高速铁路站点等级分类；D_s{X}_{\mathrm{1}i}为D_s与自变量X_{\mathrm{1}}的交乘项；D_s{X}_{\mathrm{2}i}为D_s与自变量X_{\mathrm{2}}的交乘项；{\gamma }_{\mathrm{1}}和{\gamma }_{\mathrm{2}}为交乘项的回归系数，来衡量两个距离在不同高速铁路站点区位上对夜间灯光亮度影响水平；{\beta }_{\mathrm{0}}为回归截距；{\epsilon }_i为随机误差项。

夜间灯光亮度回归结果如表3所示。

表3中的列(1)表示不包含虚拟变量的回归结果，列(1)结果显示，自变量X_{\mathrm{1}}和X_{\mathrm{2}}的回归系数均为负值且在1%的水平上显著，表明高速铁路站点与城市中心均对站点周边地区的灯光亮度存在显著的负梯度效应，随着到高速铁路站点或城市中心距离的增加，周边地区灯光亮度显著降低，这证明2种距离均对研究区的经济社会发展有显著的影响，并且高速铁路站点的负梯度效应大于城市中心，高速铁路开通促进了站点地区的经济发展。列(2)表示纳入高速铁路站点区位等级虚拟变量与位置点分别到高速铁路站点与城市中心距离的交乘项，结果显示，虚拟变量D与自变量X_{\mathrm{1}}交叉项的回归系数为正，且虚拟变量D与自变量X_{\mathrm{2}}交叉项的回归系数为负。表明高速铁路站点的负梯度效应与高速铁路站点区位等级呈正比，A类高速铁路站点区位对于高速铁路站点的负梯度效应的促进程度最大，其次是B类高速铁路站点区位，C类高速铁路站点区位最小。然而城市中心的负梯度效应与高速铁路站点区位等级呈反比，C类高速铁路站点区位对其促进程度最大，A类高速铁路站点区位最小。这是由于中心城市空间结构的改变，发展模式从单中心转变为多中心，大型高速铁路站点周边地区快速发展，建设规模不断变大，形成新的集聚因子，对其自身的经济社会促进效应超过了城市中心对其的经济社会促进效应；而小型偏远的高速铁路站点周边地区发展不够成熟，经济集聚程度不足够，仍然依赖于城市中心，需要中心城市的经济要素与人口流动提升经济。

5　结论

西兰高速铁路的开通运营对沿线城镇社会经济发展具有促进效应，加强了高速铁路站点周边地区的经济集聚，使站点与城市之间的联系加深。基于整合夜间灯光数据和站点区位，通过距离圈层法将高速铁路站点按等级分类，分析高速铁路车站区域的虹吸效应和集聚效应。研究发现，高速铁路站点对周边地区的经济影响复杂，主要受高速铁路站点区位选择的影响，高速铁路站点到中心城市的距离、所在城市经济规模和周边经济腹地的规模等也具有一定程度的影响。A类高速铁路站点具有很强的集聚能力，高速铁路开通使得其他中小城市的经济要素向其流动；B类高速铁路站点因高速铁路开通使得其发展潜力得到释放，大幅度带动经济增长；C类高速铁路站点则因自身发展水平限制和大城市的“虹吸效应”，不能有效地利用高速铁路优势，导致经济要素的流出。高速铁路站点规模越大，对周边地区经济带动作用越大，高速铁路站点规模越小，高速铁路站点对周边地区影响越小。

通过对不同规模站点区位下夜间灯光亮度的回归分析得到以下结论：①高速铁路站点对周边地区的社会经济具有促进作用，不同类型的高速铁路站点对高速铁路站点周边地区的影响存在异质性；②高速铁路站点的负梯度效应与高速铁路站点区位等级呈正比，高等级高速铁路站点最高，低等级高速铁路站点最低；③城市中心的负梯度效应与高速铁路站点区位等级呈反比，低等级高速铁路站点最高，高等级高速铁路站点最低。具体表现为，高速铁路站点区位位于经济规模较大的城市，由于城镇经济发展较高和“集聚效应”的作用推动，站点周边地区在高速铁路开通前就已经具备一定水平的公共服务资源，高速铁路开通一定程度促进了站点周边地区的人口流动和经济集聚；对于以往经济基础薄弱但所在城市具有一定规模或者靠近周边经济腹地的站点，高速铁路建设极大激发了高速铁路新城的发展潜力，使其高速铁路站点周边地区经济飞速发展；但对于经济区位很差、远离中心城市的经济基础贫弱的欠发达地区，受高速铁路新城自身的经济聚集动力不足和“虹吸效应”影响，地区发展陷入低水平均衡，尽管高速铁路开通提升了城市可达性，但受制于远离中心城市的区位选择，低水平的城镇市场潜力不足严重限制了高速铁路站点周边地区经济的发展。

参考文献

[1] 谢力维，鲁　航. 我国高铁发展对经济增长的异质性影响研究：基于高铁车次流量与卫星灯光数据的分析[J]. 价格理论与实践，2021(3)：130-133.

[2] XIE Liwei， LU Hang. Study on the Heterogeneous Impact of China's High Speed Rail Development on Economic Growth：Analysis Based on High Speed Train Flow and Satellite Light Data[J]. Price (Theory & Practice)，2021(3)：130-133.

[3] AHLFELDT G M， FEDDERSEN A. From Periphery to Core：Measuring Agglomeration Effects Using High Speed Rail[J]. Journal of Economic Geography，2018，18(2)：355-390.

[4] 毛骏亚，李传成，李　晨，等. 日本高速铁路沿线站点地区空间发展影响因素研究[J]. 铁道运输与经济，2020，42(8)：68-74.

[5] MAO Junya， LI Chuancheng， LI Chen，et al. A Study on Influencing Factors of Spatial Development along Shinkansen Station Areas[J]. Railway Transport and Economy，2020，42(8)：68-74.

[6] 孙文浩. 高铁网络、逆集聚与城市创新[J]. 财经科学，2021(3)：119-132.

[7] SUN Wenhao. High Speed Rail Network，Reverse Agglomeration and Urban Innovation[J]. Finance & Economics，2021(3)：119-132.

[8] HENDERSON J V， SQUIRES T， STOREYGARD A，et al. The Global Distribution of Economic Activity：Nature，History，and the Role of Trade[J]. The Quarterly Journal of Economics，2018，133(1)：357-406.

[9] ELVIDGE C， ZISKIN D， BAUGH K，et al. A Fifteen Year Record of Global Natural Gas Flaring Derived from Satellite Data[J]. Energies，2009，2(3)：595-622.

[10] LIU Z F， HE C Y， ZHANG Q F，et al. Extracting the Dynamics of Urban Expansion in China Using DMSP-OLS Nighttime Light Data from 1992 to 2008[J]. Landscape and Urban Planning，2012，106：62-72.

[11] 邹进贵，陈艳华，田　径，等. 基于ArcGIS的DMSP/OLS夜间灯光影像校正模型的构建[J]. 测绘地理信息，2014，39(4)：33-37.

[12] ZOU Jingui， CHEN Yanhua， TIAN Jing，et al. Construction of the Calibration Model for DMSP/OLS Nighttime Light Images Based on ArcGIS[J]. Journal of Geomatics，2014，39(4)：33-37.

[13] ELVIDGE C D， ZHIZHIN M， GHOSH T，et al. Annual Time Series of Global VIIRS Nighttime Lights Derived from Monthly Averages：2012 to 2019[J]. Remote Sensing，2021，13(5)：922.

[14] ZHAO M， ZHOU Y Y， LI X C，et al. Building a Series of Consistent Night-Time Light Data (1992—2018) in Southeast Asia by Integrating DMSP-OLS and NPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing，2020，58(3)：1843-1856.

[15] ZHANG L， LEI J， WANG C J，et al. Spatio-Temporal Variations and Influencing Factors of Energy-Related Carbon Emissions for Xinjiang Cities in China Based on Time-Series Nighttime Light Data[J]. Journal of Geographical Sciences，2022，32(10)：1886-1910.

[16] WU K， WANG X N. Aligning Pixel Values of DMSP and VIIRS Nighttime Light Images to Evaluate Urban Dynamics[J]. Remote Sensing，2019，11(12)：1463.

[17] 高向东. 大城市人口分布变动与郊区化研究：以上海为例[M]. 上海：复旦大学出版社，2003.

[18] 王 兰，王 灿，陈 晨 等.高铁站点周边地区的发展与规划：基于京沪高铁的实证分析[J].城市规划学刊，2014，(4)：31-37.

[19] WANG Lan， WANG Can， CHEN Chen，et al.Development and Planning of the Surrounding Area of High Speed Rail Stations：Based on Empirical Study of Beijing-Shanghai Line[J].Journal of Urban Planning，2014，(4)：31-37.

[20] 俞　路，闫　歌. 京沪高铁站点对周边地区的经济带动效应研究：来自DMSP/OLS和NPP/VIIRS卫星灯光数据的证据[J]. 世界地理研究，2022，31(2)：305-316.

[21] YU Lu， YAN Ge. Economic Driving Effect of Beijing-Shanghai HSR Station on Surrounding Areas：Evidence from DMSP/OLS and NPP/VIIRS Satellite Light Data[J]. World Regional Studies，2022，31(2)：305-316.

[22] 赵　倩，陈国伟. 高铁站区位对周边地区开发的影响研究：基于京沪线和武广线的实证分析[J]. 城市规划，2015，39(7)：50-55.

[23] ZHAO Qian， CHEN Guowei. Influence of Hsr Station Location on the Development of Surrounding Areas：A Case Study of Beijing-Shanghai HSR and Wuhan-Guangzhou HSR[J]. City Planning Review，2015，39(7)：50-55.

[24] 于　剑. 新时代铁路枢纽总图规划关键问题思考[J]. 铁道经济研究，2019(4)：32-35.

[25] YU Jian. Key Issues of the General Layout Plan of Railway Junction[J]. Railway Economics Research，2019(4)：32-35.

[26] 陆 瑶.高速铁路站城距离评价研究[J].铁道运输与经济，2021，43(11)：27-33.

[27] HODGSON C. The Effect of Transport Infrastructure on the Location of Economic Activity：Railroads and Post Offices in the American West[J]. Journal of Urban Economics，2018，104：59-76.

基金资助

甘肃省教育厅双一流重大科研项目(GSSYLXM-04)

国家重点研发计划项目(2022YFB3903604)

中央引导地方科技发展基金项目(22ZY1QA005)