EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 10: 1854 - 1866

DOI: https://doi.org/10.12082/dqxxkx.2022.220027

城市活力

顾及人群集聚和情绪强度的城市综合活力评价及影响因素

  • 梁立锋 , 1 ,
  • 曾文霞 1 ,
  • 宋悦祥 1 ,
  • 邵振峰 , 2, * ,
  • 刘秀娟 1
展开
  • 1.岭南师范学院 地理科学学院,湛江 524057
  • 2.武汉大学 测绘遥感信息工程国家重点实验室,武汉 430079
*邵振峰（1976— ）,男,河南新县人,博士,教授,博士生导师,主要从事城市遥感的教学与科研工作。E-mail:

梁立锋（1978— ）,男,吉林长春人,博士,讲师,工程师,主要从事地理大数据挖掘与智慧城市方面的教学与科研工作。E-mail:

收稿日期: 2022-01-16

  修回日期: 2022-03-27

  网络出版日期: 2022-12-25

基金资助

国家自然科学基金项目(42090012)

广东省哲学社会科学规划项目(GD20XYJ04)

广东省科技创新战略专项资金(pdjh2021b0315)

广东省科技创新战略专项资金(pdjh2022b0326)

广东省教育厅基金项目(2019KTSCX089)

岭南师范学院人才专项(ZL1936)

广东省大学生创新创业训练计划(S202110579021)

灾害天气国家重点实验室开放课题(2021LASW-A17)

收起

Urban Comprehensive Vitality Evaluation and Influencing Factors Analysis Considering Population Agglomeration and Emotional Intensity

  • LIANG Lifeng , 1 ,
  • ZENG Wenxia 1 ,
  • SONG Yuexiang 1 ,
  • SHAO Zhenfeng , 2, * ,
  • LIU Xiujuan 1
Expand
  • 1. School of Geographical Sciences, Lingnan Normal University, Zhanjiang 524057, China
  • 2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
*SHAO Zhenfeng, E-mail:

Received date: 2022-01-16

  Revised date: 2022-03-27

  Online published: 2022-12-25

Supported by

The National Nature Science Foundation of China(42090012)

Guangdong Provincial Philosophy and Social Science Planning Foundation(GD20XYJ04)

Guangdong Provincial Science and Technology Innovation Strategy Special Foundation(pdjh2021b0315)

Guangdong Provincial Science and Technology Innovation Strategy Special Foundation(pdjh2022b0326)

Guangdong Education Department Fund(2019KTSCX089)

Talent Special Foundation of Lingnan Normal University(ZL1936)

Guangdong Provincial College Student Innovation and Entrepreneurship Training Program Foundation(S202110579021)

Teaching Reform Foundation the Open Grants of the State Key Laboratory of Severe Weather(2021LASW-A17)

Fold

摘要

城市活力的科学定量评估,能够为城市规划和协调发展提供重要依据,针对城市活力容易忽略居民情感的现状,本文选用百度热力图数据与微博情感分析结果,分别衡量人群集聚强度和情绪强度,并结合TOPSIS方法,提出一种顾及人群集聚和情绪强度的综合活力评估框架。从城市物理环境、经济环境和生态环境3个维度,选择8个关键影响因子,结合地理探测器空间分析方法,探讨影响因子对城市活力空间异质性的影响。结果表明：① 融合人群集聚强度和情绪强度的综合活力评估方法,能够较好反映城市活力空间分异格局;通过对典型样本区域分析,验证了本文提出的城市综合活力评价框架的有效性;② 城市POI密度对城市综合活力的解释力最显著,而植被覆盖度因子对城市综合活力的解释力最弱;但是植被覆盖度因子与其他因子的交互作用,对于城市活力空间异质性的影响力提升最为显著,表明植被覆盖度因子并不是直接作用于城市活力的空间异质性,而是通过耦合空间可达性、POI密度以及建筑密度等影响因子,间接影响城市综合活力的空间分异。

关键词： 多源大数据; 城市活力; 综合感知; 地理探测器; 优劣解距离法; 百度热力图; 文本情感分析

本文引用格式

梁立锋 , 曾文霞 , 宋悦祥 , 邵振峰 , 刘秀娟 . 顾及人群集聚和情绪强度的城市综合活力评价及影响因素[J]. 地球信息科学学报, 2022 , 24(10) : 1854 -1866 . DOI: 10.12082/dqxxkx.2022.220027

Abstract

The scientific and quantitative evaluation of urban vitality can provide an important basis for urban planning and urban coordinated development. Existing studies on urban vitality and urban planning both focus on the characteristics of people's activities, without considering the psychological feelings of urban residents. In view of the current situation that residents' emotions are easily ignored in research, this study selects Baidu heat map to measure the intensity of population agglomeration intensity and uses the emotional analysis results of micro-blog text data to measure emotional intensity. Using the TOPSIS model to calculate the comprehensive vitality of the city, a comprehensive vitality evaluation framework considering population agglomeration and emotional intensity is proposed. This study selects eight influencing factors from three dimensions: urban physical environment, economic environment, and ecological environment, including road accessibility, land use mix, the density of POI, building density, nighttime light intensity, salary level, housing price level, and vegetation coverage. The influence of the eight influencing factors on the spatial heterogeneity of urban vitality is further explored by the GeoDetector model. This study shows that: (1) The comprehensive vitality evaluation method integrating population agglomeration intensity and emotional intensity proposed in this study can better reflect the spatial differentiation pattern of urban vitality. The effectiveness of this proposed framework for evaluating urban comprehensive vitality is verified by the analysis results of the typical sampling regions; (2) Among the eight influencing factors, the density of POI has the greatest influence on urban comprehensive vitality, while the influence of vegetation coverage on urban comprehensive vitality is the weakest. However, the interaction between vegetation coverage and other factors has the most significant impact on the spatial heterogeneity of urban vitality. It shows that the vegetation coverage factor does not directly act on the spatial heterogeneity of urban vitality but indirectly affects the spatial differentiation of urban comprehensive vitality by coupling the road accessibility, density of POI, and building density.

Key words： multi-source big data; urban vitality; comprehensive vitality perception; GeoDetector; TOPSIS; Baidu heat map; text sentiment analysis

1 引言

随着我国快速城市化进程的发展,城市蔓延、环境污染以及交通拥堵等城市问题日益凸显[1-2]。国家新型城镇化规划强调了中国特色新型城镇化的本质属性是以人为本的城镇化,而目前城市规划过分追求效率,容易忽略居民幸福感,引发了地理学、城市规划以及社会经济学等领域学者对城市活力研究的思考[3-4]。
目前,国内外对城市活力的研究已有较丰富的成果。凯文·林奇将[5]“活力”定义为：一个聚落形态对于生命机能、生态要求和人类能力的支持程度。简·雅各布斯[6]从城市街道入手进行研究,认为正是城市生活的多样性,使城市获得了活力;蒋涤非[7]认为城市活力即城市旺盛的生命力,是城市提供市民人性化生存的能力。总的来说,对城市活力的定义离不开城市中的人。基于前人研究[8],本文认为城市活力是指城市提供市民多样生活的能力,通过人类活动及其与空间的交互来表征。微信宜出行数据[9]、百度热力图数据[10-11]、出租车到达数据[12]以及社交媒体签到数据[13]等能反映城市空间内人的活动特征的数据,常被用于城市活力的衡量。城市居民的主观感受也被考虑到城市活力的评价当中：唐璐等[9]利用美团点评数据计算出活动满意度指标,作为城市活力评价指标之一;刘凯旋等[14]研究微博文本情绪和街区活力之间的关联性,指出情绪值越高的街区更具活力。还有学者从城市功能和社会经济的角度出发,利用POI数据和夜间灯光遥感数据,综合衡量城市活力水平[15]。对于城市活力影响机制的研究,学者多从城市空间内部特征和外部环境2个角度出发,建立城市活力影响因子指标体系,Wei等[16]从人口统计学、社会经济学和建成环境3个方面选取了9个指标,分析了影响因子与城市活力的相关关系;Liu 等[17]构建并量化了10个城市活力潜在驱动指标,考虑了经济环境中人们的生产和消费状况对城市活力的影响。现有对城市活力的评价与分析研究,总体上是从定性研究到定量分析,研究数据的来源越来越丰富和精细,研究角度也更加多元和人性化,为当下城市规划与发展做出了重要贡献。
考虑到现有城市活力研究和城市规划都重点关注人的活动特征,且对人的感受愈发重视,本文基于多源地理大数据及微博文本大数据,顾及城市中人群集聚及居民主观情绪强度,利用TOPSIS方法计算城市综合活力。而对于影响因素的分析与研究,前人集中研究城市的物理环境、社会经济环境或者生态景观,对3种环境的综合研究及其因子之间的交互作用方面的研究相对较少,在此基础上,本文从城市物理环境、经济环境和生态环境3个方面对城市活力影响因子进行研究,挖掘出道路可达性、土地利用混合度、POI密度、建筑密度、夜间灯光强度、房价水平、薪资水平、植被覆盖度这8个影响因子,最后通过地理探测器模型[18]量化研究这些影响因子对城市综合活力的作用,并重点分析对比单因子作用和交互作用对城市综合活力的解释力差异,为未来城市规划提供参考。

2 研究方法

本文以广东省佛山市中心城区为研究区域。① 对4个二级指标（表1）进行量化计算,即利用百度热力图计算人群集聚强度;对微博文本数据进行情感分析,赋予相应情感值并进行分级,计算情绪强度。② 结合4个二级指标计算结果,利用TOPSIS法[19⇓-21]计算城市综合活力。③ 从城市物理环境、城市经济环境和城市生态环境3个方面选取了8个影响因子,利用地理探测器研究这些因子对城市综合活力的作用机制。
表1 城市综合活力量化指标

Tab. 1 Quantitative index of urban comprehensive vitality

一级指标 二级指标
人群集聚强度 工作日人群集聚强度
休息日人群集聚强度
情绪强度 工作日情绪强度
休息日情绪强度

2.1 基于TOPSIS算法计算城市综合活力

2.1.1 人群集聚强度

百度热力图作为一款受众面广的大数据可视化产品,通过对手机用户地理位置的空间表达处理,实时呈现区域内的人群集聚强度,是衡量城市人群动态分布的重要数据源[22]。为了获得工作日与休息日的静态人群集聚强度,本文对一天内18个时段（间隔一小时采集数据一次）的百度热力值进行均值计算（式（1））。
V i n t = ∑ i = 1 n V i n
式中： V i n t表示人群集聚强度; i表示不同时刻, i= 1, 2, 3, …, n, n为时刻总数; V i表示在 i时刻的百度热力值。

2.1.2 情绪强度

情绪地图作为一种能反映一定空间内大量个体情绪的可视化表达工具,可以用于感知居民对城市职能与质量的情绪[23-24]。前人在研究中指出居民情绪强度值可以反映出一个街区活力状况,且情绪越积极的街区更具活力[14]。新浪微博作为Web 2.0时代下的一种社交媒介,已经成为了人们日常记录、发表看法的平台,其数据具有数据量丰富、主观性强等特点[25-26]。本文首先通过网络爬虫技术爬取微博文本数据,其次基于百度AI开放平台自然语言处理技术（ https://cloud.baidu.com/doc/NLP/s/zk6z5 2hds）对清洗后的微博文本数据进行语义分析,将语句赋予0~1的情绪强度值,通过空间连接将数据连接到蜂窝格网中实现可视化,蜂窝格网见图1,每个蜂窝单元中的情绪强度为落入到蜂窝单元内所有微博文本的情绪强度的均值。取均值的主要原因是：考虑情感强度容易受到个体情绪的影响,例如极度高兴、极度悲伤等,而个体情感强度值不能代表某个蜂窝单元（对应某个地区的人群）都是这个情况。因此本文对落入到蜂窝单元的情感强度进行均值化处理,这样才能近似代表大多数人的情感强度。最后采用自然间断点法将微博情绪分为1~9级,其中,1~3级定义为消极情绪,4~6级定义为中性情绪,7~9级定义为积极情绪。
图1 研究区行政区划及蜂窝单元划分

Fig. 1 Administrative planning and hexagonal grids of the study area

2.1.3 TOPSIS核心算法

（1）构建初始矩阵。假设研究区域划分为 n个蜂窝单元,用矩阵的行向量表示,工作日人群集聚强度、休息日人群集聚强度、工作日情绪强度、休息日情绪强度4个二级指标（表1）分别用矩阵的列向量表示,本文所选取的4个指标均为极大型指标,则构成如下初始矩阵。
X = x 11 ⋯ x 1 m ⋮ ⋰ ⋱ x i j ⋱ ⋰ ⋮ x n 1 ⋯ x n m
式中： x i j表示第 i个蜂窝单元的第 j类指标, i = 1 , 2 , … , n, n为研究区内蜂窝单元总数, j = 1 , 2 , … , m, m = 4。
（2）对矩阵 X进行规范化处理（式（3））。
Z i j = x i j ∑ i = 1 n x i j 2
式中： x i j含义及 i, j取值范围与式（2）的说明相同。规范化后的矩阵如式（4）所示。
Z = ( z i j ) n × m = z 11 ⋯ z 1 m ⋮ ⋰ ⋱ z i j ⋱ ⋰ ⋮ z n 1 ⋯ z n m
（3）确定正理想解（ Z +）和负理想解（ Z -）。正理想解是指可使成果效益最大化而成本最小化的解,而负理想解是指可使成本最大化而成果效益最小化的解[19]。取正理想解 z j + = m a x ( z 1 j , z 2 j , … , z n j ),负理想解 z j - = m i n ( z 1 j , z 2 j , … , z n j ),最优方案 Z + = ( z 1 + , z 2 + , … , z m + ),最劣方案 Z - = ( z 1 - , z 2 - , … , z m - ), j = 1,2 , … , m, m = 4。
（4）进行评分指标构建,计算对象与最优方案（式（5））和最劣方案的距离（式（6））。
D i + = ∑ j = 1 m ( Z j + - z i j ) 2 ( i = 1,2 , … , n )
D i - = ∑ j = 1 m ( Z j - - z i j ) 2 ( i = 1,2 , … , n )
式中： i为评价对象,代表蜂窝单元; j为评价指标, j = 1,2 , … , m, m = 4。
（5）计算综合评价值（式（7））并进行归一化。
C i = D i - D i + + D i - ( 0 ≤ C i ≤ 1 , i = 1,2 , ⋯ , n )
城市综合活力强度用 C i值度量, C i越接近1则表示城市综合活力越强,越接近0则表示城市综合活力越弱。
值得说明的是,假设第 i个蜂窝单元在工作日和休息日均无微博情感数据,则对该蜂窝单元的情感值赋值为0[23],即： x i 3 = 0, x i 4 = 0,此时式（2）简化为式（8）,后续计算过程依然遵循式（3）—式（7）。
X = x 11 x 12 x 21 x 22 ⋮ ⋮ x 13 x 14 x 23 x 24 ⋮ ⋮ x i 1 x i 2 ⋮ ⋮ x n 1 x n 2 0 0 ⋮ ⋮ x n 3 x n 4

2.2 城市活力空间异质性分析

城市综合活力的空间异质性分析,对城市活力空间分异机制的研究至关重要,主要包括影响因子体系构建和分析方法2个方面内容。首先,依据数据的可获取性和已有的研究成果,从城市物理环境、城市经济环境和城市生态环境3个方面出发,选取道路可达性、土地利用混合度、POI密度、建筑密度、夜间灯光强度、薪资水平、房价水平以及植被覆盖度8个关键影响因子（表2）,构建城市活力空间异质性的影响因子体系。其次,地理探测器作为一种探测影响因子对地理现象空间异质性的新兴空间分析方法[18]。主要由因子探测、交互作用探测、生态探测和风险区探测4个探测器组成,目前已广泛用于地理学、生态学等研究中[27⇓-29]。本文主要探究影响因子的单独作用和交互作用,对城市活力的综合影响,因此,选择因子探测器和交互探测作为主要的城市活力空间异质性的分析方法[30⇓-32]。最后,为了保持数据的一致性,本文对综合活力（C）及8个影响因子（X1, X2,…, X8）,都进行归一化,利用自然间断点法划分为9个等级,且综合活力及8个影响因子均为正向型指标,即1为最差,9为最好,并将归一化后的数据作为地理探测器模型的输入,探究城市活力的影响机制。
表2 影响因子及其描述

Tab. 2 Influence factors and their description

指标 因子 自变量 计算方法 计算公式 公式描述 公式编号
城市物理环境 X 1 道路可达性 空间句法 N Q P D A ( x ) = ∑ y ∈ R X W ( y ) P ( y ) d M ( x , y ) N Q P D A ( x )为整合度; P ( y )为搜索半径 R内节点 y的权重,在连续空间分析中, P ( y ) ∈ [ 0,1 ],在离散空间分析中, P ( y )取值为0或1; d M ( x , y )为节点 x到节点 y的最短拓扑距离; W ( y )为自定义权重 （9）
X 2 土地利用混合度 Shannon-Weiner index H = ∑ P i L n P i H表示土地利用混合度; i表示某一蜂窝单元内POI的类别数量; P i表示某一蜂窝单元内第 i类POI的数量与所在蜂窝POI总数量的比值 （10）
X 3 POI密度 核密度估计法[33-34] f ( x ) = ∑ i = 1 n 1 h 2 k ( x - x i ) h f ( x )是 x处要素的密度估计值; h为窗口宽度或带宽; ( x - x i )为第 i个要素与被估计要素x的距离; k ( * )为核的权重函数 （11）
X 4 建筑密度 线密度 L D = ∑ k = 1 n ( L k ∙ V k ) A L D表示线密度; n表示圆周内的线数量; L表示线长; V表示线的权重; A表示圆面积 （12）
城市经济环境 X 5 夜间灯光强度 数据格网化 L i = ∑ j = 1 N i l i j N i L i表示第 i个蜂窝单元的夜间灯光强度; N i表示第 i个蜂窝内栅格的总数; l i j表示落入第 i个蜂窝单元内的第 j个栅格像元的亮度值 （13）
X 6 薪资水平 数据格网化 X i = ∑ j = 1 N i x i j N i X i表示第 i个蜂窝单元的薪资水平; N i表示第 i个蜂窝单元内数据点的总数; x i表示落入第 i个蜂窝单元内第 j个数据点的薪资水平 （14）
X 7 房价水平 数据格网化 F i = ∑ j = 1 N i f i j N i F i表示第 i个蜂窝单元的房价水平; N i表示第 i个蜂窝单元内的数据点总数; f i j表示第 i个蜂窝单元内第 j个数据点的房价 （15）
城市生态环境 X 8 植被覆盖度 归一化差异植被指数（NDVI） N D V I = ( N I R - R ) ( N I R + R ) N D V I表示植被覆盖度; N I R表示近红外波段的反射值; R为可见光红光波段的反射值 （16）

3 研究区概况与数据来源

3.1 研究区概况

本文将广东省佛山市中心城区作为研究区域（图1）,根据《佛山市城市总体规划（2011—2020年）》[35]文件,佛山市中心城区总面积约为361.66 km2,包括禅城区行政辖区、南海区桂城街道和狮山镇罗村社会管理处、顺德区乐从镇行政辖区。佛山市位于中国经济实力和发展活力最为强盛的地区之——珠江三角洲腹地;作为粤港澳大湾区的极点城市,佛山市被赋予了重要的任务,《粤港澳大湾区发展规划纲要》[36]中指出,要把佛山市建设成经济繁荣昌盛、环境绿色和谐、社会安宁稳定、群众安居乐业的幸福城市。在不松懈疫情防控的前提下,佛山市致力于经济社会的发展,在《2020年第一季度中国城市活力研究报告》[37]中,3次跻身全国城市前十位,充分显示了外来人口流动的活跃程度,为城市储蓄发展新势能。
克里斯泰勒在其“中心地理论”中指出,城市的空间服务结构具有显著的六边形形态特征,六边形格网相较于其他形状格网更接近现实城市结构,因此本文利用ArcGIS中Tessellation工具,以研究区的矢量边界数据为基础创建了正六边形蜂窝图,边长为300 m,如图1所示。

3.2 数据来源及预处理

本研究所使用的数据主要包括基础地理数据和网络开源数据,如表3所示。
表3 佛山市城市地理大数据具体信息

Tab. 3 Big data information of urban geography in Foshan City

数据类型 数据名称 格式 时间 有效数据量 来源
基础地理数据 佛山市路网 矢量 2021年 25 421条 Open Street Map 开源地图下载平台（ https://www.openhistoricalmap.org/）
佛山市高分2号
遥感影像		 栅格 2020年11月
2021年1月		 6景 高分辨率对地观测系统广东数据与应用中心（ http://gdgf.gd.gov.cn/）
佛山市夜间灯光
遥感数据		 栅格 2021年7月 1景 佩恩公共政策研究所地球观测小组（ https://eogdata.mines.edu/products/vnl/#monthly）
网络开源数据 佛山市百度热力图 栅格 2021年9月 36幅 百度地图
佛山市微博数据 矢量 2021年9月 33 683条 新浪微博（ https://weibo.com/p/1001018008644060000000000）
佛山市POI数据 矢量 2021年7月 55 716条 高德地图（ https://lbs.amap.com/tools/picker）
佛山市建筑数据 矢量 2021年 223 531条 网络地图
佛山市薪资数据 矢量 2021年9月 25 995条 智联招聘（ https://landing.zhaopin.com）
佛山市房价数据 矢量 2021年8月 14 615条 贝壳找房网（ https://fs.ke.com/）
（1）基础地理数据。包括佛山市主城区行政区划数据、路网数据、高分二号卫星遥感影像数据和夜间灯光数据。路网数据源于Open Street Map开源地图下载平台,具有开放、可编辑、更新快的优点,主要用于空间句法中整合度计算;高分二号卫星影像数据主要用于植被覆盖度计算;夜间灯光数据具有反映夜晚人类社会活动的独特功能,是表征城市社会经济活动强度的重要数据源[38⇓-40]。
（2）网络开源数据。包括百度热力图数据、新浪微博数据、POI数据、建筑数据、贝壳网房价数据和智联薪资数据,上述数据均是通过网络爬虫技术获取,详细信息见表3。其中,百度热力图数据主要包含2021年9月15日（工作日）、2021年9月25日（休息日）每日的7—24时每个整点时刻图像;微博数据的获取时间是2021年9月1日—2021年9月30日每日的7时、12时、18时、24时,获取的微博数据包含发表时间、地点和微博评论文本数据,不含用户个人隐私信息;POI数据包括名称、类型、地点等属性信息,主要用于POI密度和土地利用混合度计算;建筑数据反映城市的物理环境特征,利用ArcGIS对错误数据进行校正和删除,得到带有地理坐标信息的建筑数据。房价数据包括楼盘名称、均价、地址等属性信息;薪资数据具有地址、平均工资等属性信息。

4 结果与分析

4.1 人群集聚强度与情绪强度对比分析

通过对比佛山市工作日和休息日时的人群集聚强度（图2（a）、图2（c））和情绪强度（图2（b）、 图2（d））可发现：无论是在工作日还是休息日,空间尺度上研究区东北部的人群集聚较强,高热区主要分布在祖庙街道和石湾镇,而在西南部的南庄镇和乐从镇交界地区、西北部的狮山镇与南庄镇、张槎街道交界地区形成了低值区;且积极情绪和中性情绪也集中分布在祖庙街道和石湾镇,在西南部和西北部分布稀疏。从时间尺度上看,工作日人群集聚强度比休息日更强,高热区和次热区分布更集中,主要分布在祖庙街道的季华四路、五路区域,桂城街道的金融高新区,乐从镇的佛山大道南与乐从大道交界区域;而休息日的高热区分布比工作日更分散,体现了工作日时居民们主要在办公点和居住区之间活动,而休息日时则有机会到远距离的郊区或者选择在家休息,这使得研究区的人群集聚强度存在时空分布不均的情况;工作日情绪强度分布比休息日更分散,而休息日的情绪强度比工作日更积极,这是因为相比于工作日时,人们在休息日时多选择在祖庙街道和石湾镇街道活动,或者选择在家休息,身心得以放松,心情会更好。总的来说,人群集聚强度的高热区和次高热区与情绪强度的积极情绪和中性情绪的分布基本吻合,同时无情绪数据地区的人群集聚强度也相对较低;从时间尺度方面观察,工作日和休息日的人群集聚强度与情绪强度存在差异但波动均较小。
图2 研究区工作日与休息日的人群集聚和情绪强度分布

Fig. 2 The distribution of population agglomeration and emotional vitality of working days and rest days in the study area

4.2 城市综合活力空间分异特征

根据城市的人群集聚强度与情绪强度（图2）,基于TOPSIS算法计算了城市综合活力,可视化结果如图3所示,城市综合活力从一定程度上能反映出城市的发展程度与城市居民幸福水平。采用自然间断点法将城市综合活力分为1—9级,其中,1—3级定义为低活力区,4—6级定义为次高活力区,7—9级定义为高活力区,综合活力强度等级越高,表示城市发展程度越好,居民幸福水平越高。通过对比图3城市活力的强度分布发现：研究区整体综合活力较强,高活力区占比高,主要集中分布在中北部的祖庙街道和石湾镇;次高活力区主要沿着交通路网分布,研究区西南部的世界陶瓷文化广场和佛山大道南与乐从大道交界区域有两块明显的次高活力区;其余大部分地区活力较低。
图3 研究区空间分异特征

Fig. 3 The spatial differentiation characteristics of the study area

根据综合活力可视化结果,本文分别在高活力区、次高活力区、低活力区选取具有代表性的典型区域（图3中区域1—区域3）,结合遥感高分影像,详细分析综合活力结果。从空间上看（图（3））,研究区内的高活力区1位于中北部,为禅城区行政辖区、南海区桂城街道。该地毗邻广州,广佛线穿插其中,受广州辐射影响大;其次,该地为新旧城区交错聚集区,基础设施完备、功能点分布密集、交通便利,可达性较高、建筑密度较大、工作岗位丰富、薪资水平较高,具有良好的物理环境和经济环境,同时保持了一定的植被覆盖度,从而有利于人气的聚集和幸福感的提升。城市次高活力区2位于研究区南部,为顺德区乐从镇行政辖区。从遥感卫星影像上看,该地聚集了较多的家具展览和销售产业,有大型商场坐落在此,消费需求旺盛,经济环境良好;其次,乐从文化广场与乐从文化公园在此分布,提升城市绿化度的同时为居民提供休闲娱乐的场所,有利于激发城市活力。低活力区3位于研究区西南部,为禅城区南庄镇与顺德区乐从镇。该地多农田、工业厂房分布,城市功能服务数量少、种类少;路网稀疏,交通可达性差;建筑密度低;工作岗位少、薪资水平低;导致城市活力水平较低。上述地面分析结果验证了本文方法的有效性。

4.3 城市活力驱动因子挖掘

依据表2中的方法,计算出8个影响因子,可视化结果如图4所示。通过对8个因子对比分析,我们发现：① 研究区东北部物理环境较好,道路可达性高,土地利用丰富度大,POI密度高,能提供的服务种类齐全,建筑较密集;② 研究区东北部夜间灯光较强,薪资水平也较南部高,而房价则存在自东向西逐渐降低的情况,这与越靠近经济发达区房价越高的常识是一致的;③ 植被主要分布在研究区东南部边缘和西北面,东北部和中北部植被覆盖度较低。
图4 8个影响因子可视化

Fig. 4 Visualization of 8 influencing factors

地理探测器模型的计算结果如表4和表5所示。分异与因子探测的结果显示（表4）,8个影响因子中对城市综合活力空间分异解释力最强的是POI密度分布,即城市功能点密度,其次是道路可达性,所有因子的解释力大小排序为：POI密度>道路可达性>房价水平>薪资水平>建筑密度>夜间灯光强度>土地利用混合度>植被覆盖度。
表4 各因子对研究区城市综合活力空间分异的解释力大小及排序

Tab. 4 The explanatory power and order of each factor on the spatial differentiation of urban comprehensive vitality in the study area

自变量 q值 解释力排序
道路可达性 0.3366 2
土地利用混合度 0.2646 7
POI密度 0.3566 1
建筑密度 0.3005 5
夜间灯光强度 0.2982 6
薪资水平 0.3265 4
房价水平 0.3324 3
植被覆盖度 0.0195 8
表5 因子交互作用下的解释力

Tab. 5 Explanatory force under factor interaction

X1 X2 X3 X4 X5 X6 X7 X8
X1 0.3366
X2 0.4479(B) 0.2646
X3 0.4722(B) 0.4434(B) 0.3565
X4 0.4405(B) 0.4075(B) 0.4529(B) 0.3005
X5 0.4122(B) 0.4229(B) 0.4893(B) 0.4505(B) 0.2982
X6 0.4718(B) 0.4384(B) 0.4671(B) 0.4699(B) 0.4572(B) 0.3265
X7 0.4877(B) 0.4478(B) 0.4827(B) 0.4702(B) 0.4777(B) 0.4470(B) 0.3324
X8 0.3532(B) 0.2814(B) 0.3721(B) 0.3314(N) 0.3137(B) 0.3490(N) 0.3625(N) 0.0195

注：B表示双因子增强,N表示非线性增强。

为了深入研究不同因子交互作用对城市活力强度的影响,需要对8个因子进行交互探测。交互探测结果显示（表5）,不同因子的交互作用q值均大于单因子作用的q值,且均呈现双因子增强或者非线性增强的交互关系,并不存在相互独立或减弱的关系,说明因子的交互作用能增加对城市综合活力的解释力。在所有因子的交互探测中,城市POI密度（X3）和夜间灯光强度（X5）的交互作用对城市综合活力的空间分布解释力最强,即,q(X3∩X5)=0.4893,且城市POI密度与其他因子的交互作用下的解释力最显著。这是因为城市的功能点所提供的服务等级、数量、质量在一定程度上影响城市交通规划与布局,公司企业的分布,住宅选址,城市绿化设计等,同时能刺激经济消费、人才聚集,从而激发城市的综合活力;而城市夜间灯光水平反映出城市的夜间活力,也体现了城市的经济水平,夜间活力强间接体现出该地区夜间出行与消费的需求大,刺激了城市功能服务在时间上的延长,提高了城市活力营造的可能性。
根据表5进一步制作了双因子交互作用的增强幅度曲线,表征该因子与其他因子交互作用结果与该因子单独作用结果的差值,如图5所示。图中红线代表的含义是：q(X8∩Xn)-q(X8),其他曲线含义类似。从图5曲线对比可以看出,植被覆盖度（X8）与其他因子交互作用下的解释力相比于其他因子两两交互增强幅度最高,而植被覆盖度单因子作用的值仅为0.0195（表4）,这表明了植被覆盖度单因子作用对城市活力的影响较小,但是与其他因子交互作用下对城市活力则存在较大的影响,这丰富了前人关于城市活力与植被覆盖度相关关系的研究成果[1]。例如,在建筑密度较高,POI密度较大,同时建有绿道和公园的地区,活力水平较高;因此,在城市建设过程中,更应该注重城市绿化,从而激发城市活力。但值得注意的是,在建筑分散、交通不便的地区,农田分布较多,其活力基础值较低（图3位置3所示）,因此,植被覆盖程度需因地制宜地与城市物理环境达到平衡,这样才有利于激发城市活力。
图5 单因子交互作用后q值变化量

Fig. 5 q value variation after single factor interaction

5 总结与展望

本文提出一种顾及人群集聚强度和情绪强度的城市综合活力评估框架,基于TOPSIS算法和地理探测器空间分析方法,对佛山市中心城区的城市综合活力进行定量评价;并探测城市物理环境、经济环境和生态环境等不同维度因子对其空间异质性的影响。结果表明：
（1）结合人群集聚强度及情绪强度评估城市综合活力,有助于完善城市综合活力评价指标体系,能够反映城市活力空间的差异。通过选取具有代表性的典型区域进行分析,验证了本文提出的方法框架的有效性。研究区城市综合活力结果表明：佛山市中心城区城市综合活力具有空间上的差异,活力较高的地区集中分布在中北部的祖庙街道和石湾镇,在西南部的世界陶瓷文化广场和佛山大道南与乐从大道交界区域形成两处次高活力中心,而其他地区活力水平相对较低。
（2）通过对比地理探测器的因子探测和交互作用探测结果,发现城市POI密度的单独作用对城市综合活力的影响力最显著。影响因子的交互作用主要以双因子增强或非线性增强为主,且与因子单独作用相比,因子的交互作用对城市活力的空间异质性影响更为显著,不同维度的环境因子的综合作用共同激发城市活力。
（3）植被覆盖度因子与其他因子的交互作用,对于城市活力空间异质性的影响力提升最为显著,反映了植被覆盖并不是直接作用于城市活力的空间异质性,而是通过耦合空间可达性、POI密度以及建筑密度等影响因子,间接影响城市综合活力的空间分异。
本文的不足之处在于：受限于无法获取部分欠发达地区详细的微博评论文本数据,这也是目前地理大数据研究所面临的共性问题。在未来研究中,将结合街景影像数据或无人机影像数据,采用深度学习技术分析城市环境对人主观情感的影响,实现更为精细的综合城市活力评估,从而为相关领域的研究提供更加全面、精细和科学的研究思路。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张莹. 城市街区活力测度及影响机制研究[D]. 武汉: 武汉大学, 2019.

[ Zhang Y. Research on the measurement and influence mechanism of urban block vitality-taking the main city of Wuhan as an example[D]. Wuhan: Wuhan University, 2019. ]

[2]
明雨佳, 刘勇, 周佳松. 基于大数据的山地城市活力评价:以重庆主城区为例[J]. 资源科学, 2020, 42(4):710-722.

DOI

[ Ming Y J, Liu Y, Zhou J S. Vitality assessment of mountainous cities based on multi-source data: A case of Chongqing municipality, China[J]. Resources Science, 2020, 42(4):710-722. ] DOI: 10.18402/resci.2020.04.10

DOI

[3]
Sulis P, Manley E, Zhong C, et al. Using mobility data as proxy for measuring urban vitality[J]. Journal of Spatial Information Science, 2018, 16:137-162. DOI: 10.5311/JOSI S.2018.16.384

DOI

[4]
张梦琪. 城市活力的分析与评价[D]. 武汉: 武汉大学, 2018.

[ Zhang M Q. Analysis and evaluation of urban vitality[D]. Wuhan: Wuhan University, 2018. ]

[5]
Lynch K. Good city form[M]. Boston: The MIT press, 1984:30-45.

[6]
Jacobs J. The death and life of great American cities[M]. New York: random house, 1961.

[7]
蒋涤非. 城市形态活力论[M]. 南京: 东南大学出版社, 2007.

[ Jiang D F. The theory of city form vitality Theory of city form vitality[M]. Nanjing: Southeast University Press, 2007. ]

[8]
秦昆, 林珲, 胡迪, 等. 空间综合人文学与社会科学研究综述[J]. 地球信息科学学报, 2020, 22(5):912-928.

DOI

[ Qin K, Lin H, Hu D, et al. A review of spatially integrated humanities and social sciences[J]. Journal of Geo-information Science, 2020, 22(5):912-928. ] DOI: 10.12082/dqxx kx.2020.200232

DOI

[9]
唐璐, 许捍卫, 丁彦文. 融合多源地理大数据的城市街区综合活力评价[J/OL]. 地球信息科学学报, 2021,1-14[2022-01-12].

[ Tang L, Xu H W, Ding Y W. Comprehensive vitality evaluation of urban blocks based on multi-source geographic Big Data[J/OL]. Journal of Geo-information Science, 2021,1-14[2022-01-12].

[10]
周雨霏, 杨家文, 周江评. 基于热力图数据的轨道交通站点服务区活力测度研究——以深圳市地铁为例[J]. 北京大学学报:自然科学版, 2020, 56(5):875-883.

[ Zhou Y F, Yang J W, Zhou J P. Evaluating vitality of metro station service area with heat map: A case study on Shenzhen subway[J]. ACTA Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(5):875-883. ] DOI: 10.13209/j.0479-8023.2020.054

DOI

[11]
闵忠荣, 丁帆. 基于百度热力图的街道活力时空分布特征分析——以江西省南昌市历史城区为例[J]. 城市发展研究, 2020, 27(2):31-36.

[ Min Z R, Ding F. Analysis of temporal and spatial distribution characteristics of street vitality based on Baidu thermal diagram: The case of the historical city of Nanchang City. Jiangxi Province[J]. Urban Development Studies, 2020, 27(2):31-36. ] DOI: 10.3969/j.issn.1006-3862.2020.02.014

DOI

[12]
塔娜, 曾屿恬, 朱秋宇, 等. 基于大数据的上海中心城区建成环境与城市活力关系分析[J]. 地理科学, 2020, 40(1):60-68.

DOI

[ Ta N, Zeng Y T, Zhu Q Y, et al. Relationship between built environment and urban vitality in Shanghai downtown area based on big data[J]. Scientia Geographica Sinica, 2020, 40(1):60-68. ] DOI: 10.13249/j.cnki.sgs. 2020.01.008

DOI

[13]
B J W A, D N T, B Y S, et al. Urban form breeds neighborhood vibrancy: A case study using a GPS-based activity survey in suburban Beijing[J]. Cities, 2018, 74:100-108. DOI: 10.1016/j.cities.2017.11.008

DOI

[14]
刘凯旋, 任利剑, 运迎霞. 基于微博数据的街区活力与情绪值关联度研究[C]. 共享与品质——2018中国城市规划年会论文集(07城市设计),中国浙江杭州, 2018.

[ Liu K X, Ren L J, Yun Y X. Research on the correlation between street vitality and emotional value based on microblog data[C]. Sharing and Quality-2018 Chinese Urban Planning Annual Conference Papers (07 Urban Design), Hangzhou, Zhejiang, China, 2018. ]

[15]
孙启翔, 李百岁, 田桐羽, 等. 内蒙古城市活力时空格局及影响因素研究[J/OL]. 世界地理研究,1-14. [2022-02-11].

[ Sun Q X, Li B S, Tian T X, et al. A study on the spatiotemporal pattern of urban vitality in Inner Mongolia and its influencing factors[J/OL]. World Regional Studies, 1-14[2022-02-11].

[16]
Wei T, Tzab C, Jxab C, et al. Portraying the spatial dynamics of urban vibrancy using multisource urban big data[J]. Computers, Environment and Urban Systems, 2019, 80. DOI: 10.1016/j.compenvurbsys.2019.101428

DOI

[17]
Liu S, Zhang L, Long Y, et al. A new urban vitality analysis and evaluation framework based on human activity modeling using multi-source big data[J]. International Journal of Geo-information, 2020, 9(11):617. DOI: 10.339 0/ijgi9110617

DOI

[18]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[ Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134. ] DOI: 10.11821/dlxb201701010

DOI

[19]
AHSS, BHJS, CESL. An extension of TOPSIS for group decision making - ScienceDirect[J]. Mathematical and Computer Modelling, 2007, 45(7-8):801-813. DOI: 10.1016/ j.mcm.2006.03.023

DOI

[20]
付栋文, 韩印, 王馨玉. 基于POI数据的城市轨道交通站点活力研究[J]. 交通运输研究, 2021, 7(6):69-78.

[ Fu D W, Han Y, Wang X Y. Vitality of urban rail transit stations based on POI data[J]. Transport Research, 2021, 7(6):69-78. ] DOI: 10.16503/j.cnki.2095-9931.2021.06.008

DOI

[21]
翁世杰. 武汉市城市活力分析[D]. 武汉: 武汉大学, 2019.

[ Weng S J. Analysis of urban vitality for Wuhan: A case study in Main city zone[D]. Wuhan: Wuhan University, 2019. ]

[22]
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, 40(4):33-40.

[ Wu Z Q, Ye Z N. Research on urban spatial structure based on Baidu heat map: A case study on the central cty of Shanghai[J]. City Planning Review, 2016, 40(4):33-40. ] DOI: 10.11819/cpr20160407a

DOI

[23]
王悦人. 基于微博语义分析的深圳市情绪地图构建研究[D]. 哈尔滨: 哈尔滨工业大学, 2018.

[ Zhang Y. The study of Shenzhen emotion map construction based on semantic analysis through Weibo[D]. Harbin:Harbin Institute of Technology, 2018. ]

[24]
邹韵. 基于情绪地图的生活性街道空间特征研究[D]. 沈阳: 沈阳建筑大学, 2020.

[ Zhou Y. Study on spatial characteristics of living street based on emotional maps- A case study of Shenyang[D]. Shenyang: Shenyang Jianzhu University, 2020. ]

[25]
Saqib A H, 万旺根, 曾本冲, 等. 基于核密度估计的新浪微博数据地理空间分析:以上海市为例[J]. 电子测量技术, 2019, 42(21):32-38.

[ Saqib A H, Wan W G, Zeng B C, et al. Geo-spatial analysis of Sina-Weibo data using Kernel Density Estimation: A case study of Shanghai city[J]. Electronic Measurement Technology, 2019, 42(21):32-38. ] DOI: 10.19651/j.cnki.emt.1903001

DOI

[26]
陈兴蜀, 常天祐, 王海舟, 等. 基于微博数据的“新冠肺炎疫情”舆情演化时空分析[J]. 四川大学学报(自然科学版), 2020, 57(2):409-416.

[ Chen X S, Chang T Y, Wang H Z, et al. Spatial and temporal analysis on public opinion evolution of epidemic situation about novel coronavirus pneumonia based on micro-blog data[J]. Journal of Sichuan University (Natural Science Edition), 2020, 57(2):409-416. ] DOI: 10.3969/j.issn.0490-6756.2020.02.031

DOI

[27]
张泽, 胡宝清, 丘海红, 等. 桂西南喀斯特-北部湾海岸带生态环境脆弱性时空分异与驱动机制研究[J]. 地球信息科学学报, 2021, 23(3):456-466.

DOI

[ Zhang Z, Hu B Q, Qiu H H, et al. Spatio-temporal differentiation and driving mechanism of ecological environment vulnerability in Southwest Guangxi Karst-Beibu gulf coastal zone[J]. Journal of Geo-information Science, 2021, 23(3):456- 466. ] DOI: 10.12082/dqxxkx.2021.200278

DOI

[28]
王波, 甄峰, 张姗琪, 等. 空气污染对城市活力的影响及其建成环境异质性——基于大数据的分析[J]. 地理研究, 2021, 40(7):1935-1948.

DOI

[ Wang B, Zhen F, Zhang S Q, et al. The impact of air pollution on urban vibrancy and its built environment heterogeneity: An empirical analysis based on big data[J]. Geographical Research, 2021, 40(7):1935-1948. ] DOI: 10.11821/dlyj020200685

DOI

[29]
谢玲, 王宏卫, 刘素红, 等. 气象因素影响下中国手足口病时空演化特征研究[J]. 地球信息科学报, 2021, 23(3):431-442.

[ Xie L, Wang H W, Liu S H, et al. Study on spatiotemporal evolution of Hand, Foot and Mouth Disease(HFMD)in China under the influence of meteo rological factors[J]. Journal of Geo-information Science, 2021, 23(3):431-442. ] DOI: 10.12082/dqxxkx.2021.200024

DOI

[30]
胡雪瑶, 张子龙, 陈兴鹏, 等. 县域经济发展时空差异和影响因素的地理探测——以甘肃省为例[J]. 地理研究, 2019, 38(4):772-783.

DOI

[ Hu X Y, Zhang Z L, Chen X P, et al. Geographic detection of spatial-temporal difference and its influencing factors on country economic development: A case study of Gansu province[J]. Geographical Research, 2019, 38(4):772-783. ] DOI:10.11821/dlyj02017 1169

[31]
高楹, 宋辞, 郭思慧, 等. 接驳地铁站的共享单车源汇时空特征及其影响因素[J]. 地球信息科学学报, 2021, 23(1):155-170.

DOI

[ Gao Y, Song C, Guo S H, et al. Spatial-temporal characteristics and influencing factors of source and sink of dock less sharing bicycles connected to subway stations[J]. Journal of Geo-information Science, 2021, 23(1):155-170. ] DOI: 10.12082/dqxxkx.2021.200351

DOI

[32]
梁立锋, 谭本华, 马咏珊, 等. 基于多源地理大数据的城市空间结构研究[J]. 遥感技术与应用, 2021, 36(6):1446-1456.

[ Liang L F, Tan B H, Ma Y S, et al. Research on urban spatial structure based on mutil-source big data[J]. Remote Sensing Technology and Application, 2021, 36(6):1446-1456. ] DOI: 10.11873/j.issn.1004-0323.2021.6.1446

DOI

[33]
赵宏波, 余涤非, 苗长虹, 等. 基于POI数据的郑州市文化设施的区位布局特征与影响因素研究[J]. 地理科学, 2018, 38(09):1525-1534.

[ Zhao H B, Yu D F, Miao C H, et al. The location distribution characteristics and influencing factors of cultural facilities in Zhengzhou based on POI data[J]. Scientia Geographica Sinica, 2018, 38(9):1525-1534. ] DOI: 10.13249/j.cnki.sgs.2018.09.016

DOI

[34]
吴康敏, 张虹鸥, 王洋, 等. 广州市多类型商业中心识别与空间模式[J]. 地理科学进展, 2016, 35(8):963-974.

DOI

[ Wu K M, Zhang H O, Wang Y, et al. Identify of the multiple types of commercial center in Guangzhou and its spatial pattern[J]. Progress in Geography, 2016, 35(8):963-974. ] DOI: 10.18306/dlkxjz.2016.08.005

DOI

[35]
佛山市自然资源局. 佛山市城市总体规划(2011-2020年)[EB/OL]. http://fszrzy.foshan.gov.cn/ywzt/cxgh/phgg/content/post_763139.html,2017.

[Bureau of Natural Resources, Foshan, China, Urban overall planning of Foshan city (2011-2020)[EB/OL]. http://fszrzy.foshan.gov.cn/ywzt/cxgh/phgg/content/post_763139.html,2017.

[36]
新华网. 中共中央国务院印发粤港澳大湾区发展规划纲要[EB/OL]. http://www.xinhuanet.com/politics/2019-02/18/c_1124131474.htm,2019.

[ Xinhuanet. The CPC Central Committee and the State Council printed and distributed the Outline Development Plan for the Guangdong-Hong Kong-Macao Greater Bay Area[EB/OL]. http://www.xinhuanet.com/politics/2019-02/18/c_1124131474.htm,2019.

[37]
百度地图:2020年第一季度中国城市活力研究报告[EB/OL]. https://huiyan.baidu.com/reports/landing?id=56,2020.

[Baidu. China urban vitality research report,2020Q1[EB/OL]. https://huiyan.baidu.com/reports/landing?id=56,2020.

[38]
涂丽莹, 张正鹏, 卜丽静, 等. POI与夜光FCM-STP指数融合的城市建成区提取方法[J]. 遥感信息, 2021, 36(5):10.

[ Tu L Y, Zhang Z P, Bu L J, et al. Extraction method of urban built-up area by integrating POI and noctilucent FCM-STP index[J]. Remote Sensing Information, 2021, 36(5):10. ] DOI: 10.3969/j.issn.1000-3177.2021.05.017

DOI

[39]
Li XY., Li X., Fan Z. et al. Civil war hinders crop production and threatens food security in Syria[J]. Nat Food 2022, 3:38-46. DOI: 10.1038/s43016-021-00432-4

DOI

[40]
李峰, 米晓楠, 刘军, 等. 基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法[J]. 国土资源遥感, 2016, 28(3):19-24.

[ Li F, Mi X N, Liu J, et al. Spatialization of GDP in Beijing using NPP-VIIRS data[J]. Remote Sensing for Land and Resources, 2016, 28(3):19-24. ] DOI: 10.6046/gtzyyg.2016.03.04

DOI

Options
文章导航

/

〈 〉