跳至正文

城市分形：从街道网络到城市增长

  • 由
🟢 实验验证 📅 2026年3月 ⏱ 阅读约12分钟

你有没有想过：城市地图放大十倍之后，它的”轮廓感觉”和放大一倍时居然差不多？街道延伸到支路，支路再生出小巷，小巷还能再细分……这种不依赖放大倍数的”自我相似性”，正是分形的核心特征。城市不是被设计成分形的，却在自发的扩张过程中涌现出分形结构。这背后有什么数学机制？

📑 本文目录

一、城市为什么是分形

欧几里得几何描述的是”规整”对象：圆形、正方形、多面体。但城市的边界是锯齿状的，建成区的扩张是参差的，道路网络也绝不是正方格。传统欧式测量给城市一个长度、一个面积，但这些数字随测量尺度的变化而剧烈变动——”特征尺度”根本不存在。[1]

🔑 核心概念：无特征尺度

当一个系统的统计特性不随观测尺度变化，即在不同放大倍率下呈现相似图案时，我们说它具有标度不变性（scale invariance）。城市形态在很宽的尺度范围内满足这一条件——这正是分形方法论登场的理由。[1]

Michael Batty 在 1991 年就明确指出：城市增长与形态可以用分形几何正式建模，分形不是城市的一种比喻，而是可以用于推导、模拟和预测城市形态演化的数学工具。[2] 此后，Batty 的综合性著作进一步将分形与元胞自动机、主体模型相结合，形成”城市复杂性科学”的方法论体系。[3] 欧洲学派的 Frankhauser 则从法国城市出发，强调不同尺度上的自相似与层级组织是理解欧洲历史城市结构的关键。[4]

💡 直觉类比：海岸线问题

Mandelbrot 的经典问题是：英国海岸线有多长？用越小的尺子量，总长度越长——因为尺子越小，你能捕捉的曲折越多。城市建成区的边界与此如出一辙：用 100 米分辨率的卫星图看到的边界”长度”，和用 10 米分辨率看到的根本不是一个数量级。

二、盒计数法与城市分形维数

测量城市分形维数最常用的工具是盒计数法（box-counting method）。操作思路非常直观：

  1. 把城市地图网格化，用边长为 r 的正方形格子（”盒子”）覆盖整幅图；
  2. 统计包含城市建成区（或街道）的盒子数 N(r)；
  3. 逐步缩小 r，重复统计；
  4. 如果城市是分形结构，N(r) 与 r 之间应服从幂律关系。
📐 核心公式：盒计数维数
N(r) ∝ r−D

两边取对数，得到：

D = −limr→0 [ln N(r) / ln r]

翻译成人话：把尺子缩小 10 倍，如果覆盖城市所需的盒子数也以 10D 倍增加，那么 D 就是这个城市的分形维数。普通欧式平面的维数是 2，但城市建成区通常在 1.5 到 1.9 之间——它比线（D=1）更”胖”，比实心平面（D=2）更”稀疏”。[1]

Chen（2020）系统梳理了城市形态可用的多种分形维数指标：除了面积维，还有边界维（刻画城市轮廓的粗糙程度）和相关维（刻画建成区内部点-点关联的衰减特征）。[1] 这三种指标分别从不同角度捕捉城市形态的非规则性，彼此互补。

🔬 实证：中国 298 个城市的统一规律

Ma 等人分析了中国 298 个城市的街道网络，发现尽管城市规模、历史、地理条件差异巨大，路网分形特征却表现出跨城市统计规律——中小城市和大型城市都落在相近的幂律尺度关系上。这说明城市分形不是偶然出现在个别城市的奇观，而是一种结构性规律。[11]

三、街道网络的分形结构

街道网络是城市分形研究最有操作性的切入口：它是有据可查的空间数据，可以直接套用图论与分形工具。

Porta、Crucitti 和 Latora（2006）奠定了一个关键方法转换：将城市地图上的街道转化为网络（节点=交叉口，边=路段），这样就可以用网络科学的全套工具——度分布、介数中心性、聚类系数——来刻画城市的内在组织逻辑。[6] Strano 等人将这套方法应用到十个欧洲城市，发现不同城市的街道网络呈现出截然不同的拓扑特征——巴塞罗那的棋盘式格局和威尼斯的迷宫式水网，其背后的分形与网络参数完全不同。[5]

🌍 案例：香港街道网络的”形”与”结构”

Zhang 等（2021）把街道网络的几何形状（form）和网络结构（structure）分开处理，发现两者的分形化进程不同步：香港的路网几何轮廓和网络拓扑的分形特征在不同历史阶段以不同速率演化——地形约束（山地）先约束了几何形态，拓扑连通性则滞后调整。[10]

Jiang（2015）在这一脉络上提出更本质的观点：城市根本不应被理解为一棵”规划之树”（可以层层管控的层级结构），而是一个真正的复杂网络——它的拓扑与分形结构是自下而上涌现的，而非顶层设计的结果。[23]

📐 网络效率与分形形态的定量关系
η = (1/N(N−1)) · Σi≠j (dijE / dij)

翻译成人话：网络效率 η 衡量的是”实际路径”与”直线距离”之间的接近程度。Flores-Ortega 等（2023）发现，具有分形形态的空间网络，其效率曲线随分形维数的变化呈现出非单调性——维数太低（路网太稀疏）效率低，维数太高（路网过于致密）边际效益递减；中等分形维数范围往往对应最优效率区间。[22]

四、多重分形：中心与边缘的不同故事

如果整个城市用同一个分形维数来描述，很多信息就被抹平了。城市中心区和郊区边缘的密度差异、增长速率、空间复杂性根本不在一个量级——单分形不够用。

多重分形分析（multifractal analysis）正是为此而生。它不再用一个数 D 描述整个系统，而是用一个奇异性谱（singularity spectrum）来刻画局部密度的起伏分布。

📐 多重分形谱：f(α) 函数
μi(r) ∝ rαi
f(α) = limr→0 [ln N(α, r) / ln(1/r)]

翻译成人话：α 是局部”奇异性指数”，描述某个位置的密度随尺度变化的速率。α 小的地方密度集中（城市中心）；α 大的地方密度稀疏（城市边缘）。f(α) 则描述”有多少个位置具有该奇异度”。当 f(α) 谱宽（α 的范围大），说明城市内部高度异质——中心和边缘遵循不同的分形规律。[7]

Long 等（2021）对中国 12 个超大城市的街道网络做多重分形分析，证实这些城市路网都具有显著的多重分形结构——中心区与边缘区的局部分形维数相差明显，反映出两者的增长机制根本不同。[7]

🔬 伦敦的”分形退化”：从多重到单一

Murcio 等（2015）对伦敦街道网络做了跨越两个多世纪（1786—2010 年）的纵向分析。结论令人意外：伦敦路网在历史上一度具有明显的多重分形特征，但随着绿带政策的实施（20 世纪中叶），城市扩张受到严格边界约束，路网反而逐渐向单分形靠拢——空间异质性在制度约束下被”压平”了。[8]

Fu 等（2023）进一步用多重分形谱来区分城市增长的时空模式：中心区的 f(α) 谱形窄而高（增长均匀稳定），边缘区的谱形宽而低（增长高度不均匀，存在活跃前沿）。这为从卫星图像诊断”城市正在哪里快速扩张”提供了一个可量化框架。[17]

五、城市增长模型：DLA、渗流与行为驱动

城市为什么会”长成”分形？这需要机制层面的解释，而不只是形态描述。

5.1 扩散限制聚集（DLA）模型

🔑 DLA：最经典的分形生长机制

扩散限制聚集（Diffusion-Limited Aggregation）模拟的是粒子随机游走直到碰触已有聚集体并”粘上”的过程。由此生成的聚集体具有树枝状分形结构，分形维数约为 1.71（二维空间）。Batty（1991）最早提出城市扩张和 DLA 在机制上有相似性：新建筑倾向于出现在已建成区的边缘，而边缘的突出部分更容易”捕获”新增长。[2]

Andersson 等（2002）尝试从更基础的规则出发模拟城市增长，验证简单的微观规则是否足以生成接近真实的宏观分形形态。结果表明，即便是几条关于”人倾向于聚居在其他人附近”的简单规则，也足以催生出分形状的城市轮廓。[13]

5.2 受限增长：当制度边界截断分形

Masucci 等（2013）研究了伦敦自 18 世纪至今的路网增长，发现它并非无限扩张的 DLA，而是受限增长（limited growth）：城市在填满可用空间后，增长速率会显著放缓，路网逐渐趋于”空间饱和”状态。[9] Andersson 等（2002）在聚落转变研究中也指出，城市增长会经历阶段性重组——不是线性累加，而是在某些时刻发生结构性跃变，类似相变。[14]

5.3 层级渗流：从街道识别城市边界

📐 渗流临界阈值
P(k, p) = Σs≥k ns(p) · s

翻译成人话：渗流理论问的是：当随机开放一定比例 p 的路段时，整个网络何时从”孤立小片”变为”全连通大网络”？在城市语境下，Arcaute 等（2016）用层级渗流方法——逐步降低街道间距阈值——从连续路网中自动识别出不同尺度的城市与区域边界，无需任何行政划分先验信息。[15]

5.4 行为驱动：人类流动性催生分形城市

最新的研究把微观视角推得更远。Xu 等（2021）在 Nature Computational Science 发表的研究直接把城市增长的分形模式与人类流动行为挂钩：人们在日常通勤、购物、社交中形成的流动轨迹，在空间上自然地聚集成层级化的活动热点——这些热点正是城市功能区分化与路网致密化的种子。[12] 城市的分形结构，在某种意义上是无数人的日常行为轨迹叠加的结果。

🌍 地形约束：兰州的河谷城市

Yang 等（2024）研究了兰州这座典型河谷城市的形态演化。由于黄河两岸山地约束，兰州只能沿河谷线性扩张，无法向四周各向同性蔓延。分形维数分析显示，其路网增长呈现出与平原城市截然不同的各向异性分形特征——沿河方向的维数显著高于垂直河道方向。地形是分形轨迹的”硬边界”。[18]

六、跨领域联系

6.1 信息传递与城市尺度耦合

Murcio 等（2015）把信息论工具引入城市分析：用传递熵（transfer entropy）衡量不同时空尺度之间的信息流动方向与强度。结论表明，城市增长信号通常从大尺度流向小尺度（宏观政策→局部建设），但偶尔也存在反向传递——局部活跃区域的扩张”感染”更大范围的增长模式。[16]

📐 传递熵
TEX→Y = Σ p(yt+1, yt, xt) · log [p(yt+1 | yt, xt) / p(yt+1 | yt)]

翻译成人话：知道了 X 的历史，能比只知道 Y 的历史更好地预测 Y 的未来吗？如果能，就说明 X 在向 Y “传递信息”。在城市中，这可以量化”哪个尺度的增长驱动哪个尺度的变化”。[16]

6.2 分形城市的热环境

Shreevastava 等（2019）把分形分析扩展到城市热岛：他们发现全球多个城市的内部热斑（高温区域）也具有分形与渗流特征——随着气温阈值降低，热斑彼此连通，在某个临界阈值处突然形成覆盖大片城区的”热渗流簇”。这与临界渗流理论高度吻合。[19] 城市的分形结构不只存在于道路和边界，它同样投射到温度场、功能场等城市物理环境中。

6.3 复杂性测量：分形维数不孤单

Boeing（2018）提出，单纯的分形维数不足以刻画城市形态的完整复杂性。他构建了一个更宽泛的复杂性指标框架，涵盖街道取向熵、节点密度、平均街段长度等多维指标，分形维数只是其中一个维度。[21] 这提醒我们：分形是透视城市的一个强大透镜，但不是唯一的。

七、前沿与开放问题

🚀 前沿：自组织规划能否兼得秩序与活力？

Goldman 等（2024）在 arXiv 提出了一个规划理论层面的根本问题：如果城市的分形复杂性来自自组织，规划是否应该顺应而非压制这种自发涌现？他们认为，未来城市设计的核心挑战是设计规则（条件和约束），而非设计形态（具体蓝图）——让自组织在边界内自由生长。[24]

Jahanmiri 和 Parker（2022）在系统综述中梳理了分形几何用于城市规划的四大实际价值：[20]

  1. 紧凑度评估：分形维数可量化城市扩张是”填充式”还是”蔓延式”；
  2. 边缘增长预警：多重分形谱的宽度变化可提前识别活跃扩张前沿；
  3. 层级组织诊断：路网分形特征反映城市功能层级的健康程度；
  4. 绿带与生态廊道设计：分形维数变化趋势可为边界约束政策提供定量依据。
🚀 开放问题
  • 城市分形维数是否存在”黄金范围”，使得路网效率最优？[22]
  • 多重分形谱能否成为实时预警城市”过热扩张”的早期指标？[17]
  • 人类流动数据（手机信令、打车轨迹）能否直接反演城市的分形增长驱动力？[12]
  • 气候变化下，城市热分形与路网分形之间是否存在耦合演化机制？[19]
🎯 关键要点
  • 城市形态没有特征尺度，分形维数与标度律比欧式长度/面积更适合刻画城市结构。
  • 盒计数法测得城市建成区的分形维数通常在 1.5—1.9 之间，街道网络分形维数因城市而异。
  • 大城市路网通常是多重分形而非单分形——中心区与边缘区遵循不同的局部分形规律。
  • 绿带等制度边界会改写城市分形轨迹：伦敦路网在绿带约束下从多重分形退化为单分形。
  • 城市分形不是规划的结果，而是人类流动行为、地形约束与制度边界共同作用的涌现现象。
  • 分形维数可作为量化指标用于紧凑度评估、边缘扩张预警和网络效率优化。

📚 参考文献

  1. Chen Y. Fractal Modeling and Fractal Dimension Description of Urban Morphology. Entropy, 2020. https://doi.org/10.3390/e22090961
  2. Batty M. Cities as Fractals: Simulating Growth and Form. In: Fractal Cities, 1991. https://doi.org/10.1007/978-1-4612-3034-2_4
  3. Batty M. Cities and Complexity: Understanding Cities with Cellular Automata, Agent-Based Models, and Fractals. MIT Press, 2007. https://mitpress.mit.edu/9780262524797/cities-and-complexity/
  4. Frankhauser P. La fractalité des structures urbaines. Anthropos, 1994. https://hal.science/hal-00873951
  5. Strano E, Viana MP, Costa LF, et al. Urban Street Networks, a Comparative Analysis of Ten European Cities. Environment and Planning B, 2013. https://doi.org/10.1068/b38216
  6. Porta S, Crucitti P, Latora V. The network analysis of urban streets: A dual approach. Physica A, 2006. https://doi.org/10.1016/j.physa.2005.12.063
  7. Long Y, et al. Multifractal scaling analyses of urban street network structure: The cases of twelve megacities in China. PLOS ONE, 2021. https://doi.org/10.1371/journal.pone.0246925
  8. Murcio R, Masucci AP, Arcaute E, Batty M. Multifractal to monofractal evolution of the London street network. Physical Review E, 2015. https://doi.org/10.1103/PhysRevE.92.062130
  9. Masucci AP, Stanilov K, Batty M. Limited urban growth: London’s street network dynamics since the 18th century. PLOS ONE, 2013. https://doi.org/10.1371/journal.pone.0069469
  10. Zhang H, Lan T, Li Z. Fractal evolution of urban street networks in form and structure: a case study of Hong Kong. International Journal of Geographical Information Science, 2021. https://doi.org/10.1080/13658816.2021.1974451
  11. Ma D, Guo R, Zheng Y. Understanding Chinese Urban Form: The Universal Fractal Pattern of Street Networks over 298 Cities. ISPRS International Journal of Geo-Information, 2020. https://doi.org/10.3390/ijgi9040192
  12. Xu F, Li Y, Jin D, et al. Emergence of urban growth patterns from human mobility behavior. Nature Computational Science, 2021. https://doi.org/10.1038/s43588-021-00160-6
  13. Andersson C, Lindgren K, Rasmussen S. Urban growth simulation from “first principles”. Physical Review E, 2002. https://doi.org/10.1103/PhysRevE.66.026204
  14. Andersson C, Rasmussen S, White R. Urban Settlement Transitions. Environment and Planning B, 2002. https://doi.org/10.1068/b12813
  15. Arcaute E, Molinero C, Hatna E, et al. Cities and regions in Britain through hierarchical percolation. Royal Society Open Science, 2016. https://doi.org/10.1098/rsos.150691
  16. Murcio R, Morphet R, Gershenson C, Batty M. Urban Transfer Entropy across Scales. PLOS ONE, 2015. https://doi.org/10.1371/journal.pone.0133780
  17. Fu M, et al. Characterizing the Spatio-Temporal Variations of Urban Growth with Multifractal Spectra. Entropy, 2023. https://doi.org/10.3390/e25081126
  18. Yang M, et al. River valley urban network and morphology: A study on the urban morphology evolution of Lanzhou. PLOS ONE, 2024. https://doi.org/10.1371/journal.pone.0302686
  19. Shreevastava A, et al. Emergent self-similarity and scaling properties of fractal intra-urban heat islets for diverse global cities. Physical Review E, 2019. https://doi.org/10.1103/PhysRevE.100.032142
  20. Jahanmiri F, Parker DC. An Overview of Fractal Geometry Applied to Urban Planning. Land, 2022. https://doi.org/10.3390/land11040475
  21. Boeing G. Measuring the complexity of urban form and design. Urban Design International, 2018. https://doi.org/10.1057/s41289-018-0072-1
  22. Flores-Ortega AC, Nicolás-Carlock JR, Carrillo-Estrada JL. Network efficiency of spatial systems with fractal morphology: a geometric graphs approach. Scientific Reports, 2023. https://doi.org/10.1038/s41598-023-45962-y
  23. Jiang B. A City Is a Complex Network. arXiv, 2015. https://arxiv.org/abs/1509.08452
  24. Goldman A, et al. Designing Complexity? The Role of Self-Organization in Urban planning and Design. arXiv, 2024. https://arxiv.org/abs/2403.14175