LA荐读 | 刘颂 赖思琪 | 大数据支持下的城市公共空间活力测度研究

全文刊登于《风景园林》2019年第5期 P24-28

刘颂，赖思琪.大数据支持下的城市公共空间活力测度研究[J].风景园林，2019，26（5）：24-28.

大数据支持下的城市公共空间活力测度研究 

刘颂

女 / 博士 / 同济大学建筑与城市规划学院景观学系、生态智慧与实践研究中心、高密度人居环境生态与节能教育部重点实验室、上海城市困难立地绿化工程技术研究中心教授、博士生导师 / 研究方向为景观规划设计及其技术方法、城乡绿地系统规划

赖思琪

女 / 同济大学建筑与城市规划学院在读硕士研究生 / 研究方向为景观规划设计

摘要：城市公共空间是人们进行社交活动的开放性场所，其活力的测度研究具有重要意义。人群及其活动是公共空间活力的主体和外在表现，传统的测度方法往往是对空间活力的间接反映。大数据能全面反映人群活动的行为特征和时空规律，从而使真实描述公共空间活力本质成为可能。从反映人群活动的稳定性、聚集性与多样性3个基本特征的视角，提出了以大数据为基础的公共空间活力评价体系和定量计算方法。指出大数据质量及适用性研究、公共空间活力评价及其与物理空间的耦合机制研究应是未来的研究方向。

关键词：风景园林；大数据；城市公共空间；活力；测度；研究方向

城市公共空间是城市居民进行公共交往活动的开放性场所，被称为“城市客厅”。20世纪60年代就有学者在规划和建设活动中考虑城市公共空间活力的价值，简·雅各布斯提出活力是城市多样性的集中表现；凯文·林奇指出城市空间形态质量的首要标准之一是城市活力状态，杨·盖尔认为营造富有活力的城市应考虑人的交往与社会生活的空间需求。城市公共空间活力的评价（测度）一直是研究热点，但是由于描述人的行为特征数据获取困难，传统的测度方法实现对空间活力的准确描述有一定的局限性。大数据的日益丰富，使得全面反映人群活动的行为特征和时空规律成为可能。笔者重点探讨在大数据支持下对城市公共空间活力本质特征的测度方法。

1 公共空间活力的内涵与本质

目前对于城市公共空间活力并没有统一的定义。简·雅各布斯提出城市的活力来源于多样性；蒋涤非认为城市公共空间活力是公共空间提供市民人性化生存的能力；王玉琢提出城市空间活力是城市中的物质空间对人及其活动产生吸引并支撑人的交往活动及人对空间场所的感知认同等活动的综合能力。

综上，关于公共空间活力的定义都围绕人群、活动以及活动发生的物理环境3个核心要素。笔者认为从空间使用主体的视角，公共空间活力是公共空间中人群及其活动的持续时间以及数量的表征，具有稳定性、聚集性与多样性3个基本特征：1）稳定性是指公共空间中人群活动在一段相对长的时段内持续活跃的稳定程度；2）聚集性指单位空间中的人群活动数量，即空间中的人群密度；3）多样性则为公共空间中的人群结构以及其产生的活动类型数量。

2 基于大数据的公共空间活力评价体系构建

2.1 大数据为公共空间活力的直接描述带来新契机

文献研究发现：传统的公共空间活力评估方法有间接描述和直接描述2种方法。空间观察法、问卷调查法、现场访谈法等实地调查方法是主要的数据获取途径。

随着互联网、智能终端、物联网等信息技术的发展，各类时空大数据正日益成为规划设计领域的新技术手段。大数据除了具有客观性、多源性、动态性、现势性、精细性的特征，还具有全面反映人的行为特征的优势。已有的研究和应用表明，大数据能全面反映人群活动的行为特征和时空规律，从而使真实描述公共空间活力本质成为可能。

与传统的公共空间活力评价方法相比，大数据支持下的公共空间活力评价的优势体现在以下3个方面：1）在活力的强度维度上，具有地理位置属性的大数据可在一定程度上反映特定研究区域内的人群数量，并能够将传统评价的对象从场地层面（微观尺度）拓展至城市层面（中观尺度）；2）在活力的时间维度上，诸如热力图等大数据比传统数据具有更强的连续性与动态性，能够更为精确地分析城市空间中人群活动的变化规律；3）在活力的多样性上，相较于传统的实地观测数据，带有使用者属性的大数据能够更全面地分析使用者的构成与偏好。

2.2 大数据支持下的公共空间活力评价体系及计算方法

公共空间活力评价即为对城市建成环境的使用情况进行综合评判，建立一个兼顾公共空间活力多方面的综合量化评价体系，有助于从定量的角度来理解公共空间活力。在目前的研究中，主要涉及的指标类型包括人群密度、冷热点指数、空间使用率、人群季节变动指数、活跃累计时长、人群类型多样性与场所类型多样性等。这些指标都是以公共空间活力的3个本质特征—活力聚集性、活力稳定性、活力多样性为核心，从时间与空间2个维度对活力展开的定量描述。基于此，本文作者提出以大数据为主要信息源的公共空间活力指标体系（表）。

表 基于大数据的公共空间活力评价体系

2.2.1 空间强度特征

空间强度特征用以衡量人群活动在特定空间中的总体数量水平，常用人群密度来表示，包括瞬时人群密度和积累人群密度2个指标。

1）瞬时人群密度。

瞬时人群密度指标是对某时刻公共空间中人群密度大小的一种度量，利用该时刻人群总数与单元空间面积的比值来表示：

式中，D_瞬为瞬时人群密度，P_总为某时刻特定空间范围内的人群总数，S_单元为空间单元的面积。可采用的数据包括手机信令数据、社交网络媒体数据、公交刷卡数据等。该指标能够反映不同时刻人群密度的差异性。

2）积累人群密度。

积累人群密度指标用以表示某段时间周期内公共空间中人群密度的大小水平，与瞬时人群密度同理，采用该时段内人群总数与单元空间面积的比值来表示。可采用的数据除了在瞬时人群密度指标中提及的数据类型，还包括定位轨迹数据。该指标常用于反映工作日、周末、节假日等不同时间段的人群密度，同时也适用于如绿道等线性公共空间。

2.2.2 空间分布特征

空间分布特征是描述人群活动在不同范围的城市公共空间中疏密程度的区位特征，包括瞬时冷热点指数和积累冷热点指数2个指标。

1）瞬时冷热点指数。

瞬时冷热点指数是指某时刻人群的空间聚类特征，可通过局域自相关系数Getis-Ord G_i^*探测出高值簇或低值簇在空间上发生聚类的具体位置，从而判断出空间上的热点区域。ArcMap中的“热点分析”（Getis-Ord G_i^*）工具具有此功能：

式中，X_j是要素j的属性值，W_i,j是要素i和j之间的空间权重，n是样本点总数。X为均值，S为标准差，G_i^*值越高反映该区域的空间聚类特征越明显，反之亦然。社交网络数据（如微博签到数据和Twitter等）、热力图（如百度热力图和腾讯热力图）等为可采用数据类型。

2）积累冷热点指数。

与瞬时冷热点指数同理，积累冷热点指数为某特定时段内人群的空间聚类特征。而其可采用的数据往往为具有积累性的场所数据（例如POI、foursquare^①数据等）。

2.2.3 时段波动特征

时段波动特征重点反映人群活动在不同时间段内的动态变化，特指空间单元中在指定时间段中人群活动密度的离散度，衡量指标为稳度指数S（Stabilization），可利用Excel中的STDEV函数进行计算：

式中，S为某一有效空间单元中n日人数总量的标准差，x_i代表当日的人数，r为n日内人数总量的平均数。S值越高反映该区域离散度越大，反之亦然。可采用的数据包括手机信令数据、热力图数据、社交网络媒体数据、公交刷卡数据、定位轨迹数据等。

2.2.4 持续时间

活跃累计时长指标用来表征特定空间范围内达到并维持一定活力强度的总时间，即空间单元人群密度达到给定的标准值的总时间。利用ArcMap中的“近邻分析”工具，可建立轨迹点与底图路径的精准空间联系，之后采用数据属性表中的字段计算器进行统计分析，计算公式可以表示为：

式中，T_j为活跃累计时长指标，a_t是t小时（t∈[0，24]）在空间单元j上的人群总数，P_t（a_t）用来判断t小时内的人群总数是否超过一定的阈值（Thr）。阈值可通过计算一周以内的平均人群密度得到，其中比例系数工作日取5/7，双休日取2/7。获得累计时长越大，表明在空间单元达到活跃水平、被高效利用的时间越长。

2.2.5 活动特征

活动特征更关注活动主体和活动自身的多样化程度，基于对人群活动的分类，例如娱乐活动、社交活动、通勤活动等，在特定的时空范围内反映人群活动的多样性，包括人群类型多样性和场所类型多样性2个指标。

1）人群类型多样性。

人群类型多样性为特定空间范围内的人口在文化（如不同地域）或身份（如居民与游客）等方面的混合程度，可表示为：

式中，D_i是区域i的多样性指数，m是不同文化或者身份人群的类型总数，n_r是第r类人群在区域i的总人数，N是区域i的总人数。D_i越接近于0，则表明该区域的人群在文化或身份方面的混合度越低；反之，该指数越大，表明混合度越高。可通过机器学习中支持向量机（Support Vector Machine，SVM）算法进行用户人群分类，可采用的数据类型包括带有详细用户属性的社交网络数据，如微博、Twitter等。

2）活动类型多样性。

活动类型多样性用于表征特定空间范围内基于签到数据或热力图的场所类型混合度，可以通过城市空间被使用的情况来反映人群活动情况，计算方法与人群类型多样性同理。可采用的数据有新浪微博兴趣点（POI）、微博签到数据、Twitter签到数据、Foursquare签到数据等。

3 讨论与结论

人群及其在公共空间活动的聚集性、稳定性、多样性是公共空间活力的本质特征和直观描述，时空大数据为描述公共空间活力的本质特征提供了全面、精确、动态的方法，因而具有巨大的挖掘潜力与价值。但是，大数据的应用还处于探索阶段，大数据本身还有许多局限需要进一步研究：一是大数据的采集方法多样、类型丰富、结构复杂、标准不一，需要研究不同类型大数据的预处理方法、数据过滤、清洗的技术手段，才能挖掘有用信息；二是大数据具有不同的精度和优劣势，要研究其适用的空间尺度和质量精度差异，未来需要多源数据进行结合分析，以提高评价结果的准确度与真实度。

本研究从公共空间活力的本质出发，建立了以大数据为基础的评价体系，其中各单因子的定量测算方法已在不同的文献中得以实现，而多因子综合评价还有待验证，鉴于各单因子测度结果的量纲不一，活力高低的评估标准难以确定，建议对单因子评价结果归一化后采用模糊综合评价法进行评价。

注释：

① Foursquare是一个知名的提供用户定位的社交网络服务，其用户提供累计的本地场所信息（https://foursquare.com/）。

为了微信阅读体验，文中参考文献标注进行了删减，详见杂志。

参考文献

[1] 王鹏.城市公共空间的系统化建设[M].南京：东南大学出版社，2002.

[2] JACOBS J. The Death and Life America Cities[M]. New York City: Vintaqe Books, 1961.

[3] LYNCH K. Good City Form[M]. Cambridge: MIT press, 1984.

[4] 杨·盖尔.交往与空间[M].何人可，译.北京：中国建筑工业出版社，1992.

[5] JACOBS J. The Death and Life of Great American Cities[J]. New York City: Vintage Books, 1961.

[6] 蒋涤非.城市形态活力论[M].南京：东南大学出版社，2007.

[7] 王玉琢.基于手机信令数据的上海中心城区城市空间活力特征评价及内在机制研究[D].南京：东南大学，2017.

[8] 刘博敏, 张露. 基于百度热力图的城市滨水活力时空模式研究：以南京秦淮河为例[C]// 持续发展理性规划.2017中国城市规划年会论文集（05城市规划新技术应用），东莞：中国城市规划学会，2017：10．

[9] 于丙辰, 陈刚．基于腾讯区域热力图的庐山核心景区客流研究[J].国土与自然资源研究，2017（2）：83-89．

[10] 李方正，董莎莎，李雄，等.北京市中心城绿地使用空间分布研究：基于大数据的实证分析[J].中国园林，2016（9）：122-128．

[11] 郭雅婷，贾铁飞．基于旅游数字足迹的访沪国内游客时空行为特征研究[J].资源开发与市场，2017（9）：1147-1152．

[12] 邓力凡，谭少华．基于微博签到行为的城市感知研究：以深港地区为例[J].建筑与文化，2017（1）：204-206．

[13] 刘晓娟，尤斌，张爱芸.基于微博数据的应用研究综述[J].情报杂志，2013（9）：39-45.

[14] ODLAND J. Spatial Autocorrelation[M]. Thousand Oaks, California: Sage Publications, 1988.

[15] GETIS A, ORD J K. The Analysis of Spatial Association by Use of Distance Statistics[J]. Geographical Analysis, 1992, 24(3): 189-206.

[16] 康维娜，邵景安，郭跃.重庆典型山区县人口迁移的时空分布特征及其影响因素[J].热带地理，2016，36（1）：132-141.

[17] 郑晓燕，周鹏.武汉市房价的空间分布格局及其影响因素分析[J].国土与自然资源研究，2016（2）：26-31.

[18] 宁姗姗，李磊，王伟.人流量大数据视角下特色小城镇活力评价研究：以东部地区9个特色小城镇为例[J].小城镇建设，2018，36（9）：43-48.

[19] MAURO P. Corruption and Growth[J]. The Quarterly Journal of Economics, 1995, 110(3): 681-712.

[20]吴志强，叶锺楠.基于百度地图热力图的城市空间结构研究：以上海中心城区为例[J].城市规划，2016（4）：33-40.

[21] 徐婉庭，马宏涛，程艺，等.北京地铁站域活力影响因素探讨[J].北京规划建设，2018（3）：40-46.

版面预览

相关阅读：

完整深度阅读请参看《风景园林》2021年01期

扫描下方二维码或点击阅读原文进入店铺购买

文章编辑 陈汪丹

微信编辑 刘芝若

微信校对 王亚莺

审核 曹娟

声明

本文版权归本文作者所有

未经允许禁止转载

如需转载请与后台联系

欢迎转发