EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 4: 809 - 822

DOI: https://doi.org/10.12082/dqxxkx.2023.220508

经济与社会

深圳市都市型滨水空间活力影响因素分析

  • 谭德明 , 1 ,
  • 饶佳艺 , 2, *
展开
  • 1.南华大学 经济管理与法学学院，衡阳 421000
  • 2.南华大学 松霖建筑与设计艺术学院，湖南省健康城市营造工程技术研究中心，衡阳 421000
*饶佳艺（1997—），女，江西景德镇人，硕士，主要研究滨水区域建设规划。E-mail:

谭德明（1976—），男，湖南株洲人，博士，副研究员，主要研究城市环境治理、能源经济与管理。E-mail:

收稿日期: 2022-07-12

  修回日期: 2022-12-16

  网络出版日期: 2023-04-19

基金资助

湖南省研究生科研创新项目(CX20210968)

收起

Analysis on Influencing Factors of Urban Waterfront Space Vitality in Shenzhen

  • TAN Deming , 1 ,
  • RAO Jiayi , 2, *
Expand
  • 1. University of South China, School of Economics Management and Law, Hengyang 421000, China
  • 2. University of South China, Songlin School of Architecture and Design, Hunan Engineering Technology Research Center for Healthy City Construction, Hengyang 421000, China
*RAO Jiayi, E-mail:

Received date: 2022-07-12

  Revised date: 2022-12-16

  Online published: 2023-04-19

Supported by

Postgraduate Research Innovation Project of Hunan Province(CX20210968)

Fold

摘要

城市滨水空间作为重要的城市公共空间，是体现城市活力与形象的重要载体。然而，目前研究主要侧重于单一类型的滨水空间活力的影响因素研究，缺乏对不同类型滨水空间活力的差异影响因素及各影响因素间的交互作用研究，难以对城市不同类型滨水空间的精细化管理提供指导。基于此现状，本文拟以深圳市为例，以百度热力图人口数据作为滨水空间活力的表征，整合多源地理数据，利用地理探测器模型，探寻不同类型下滨水建成环境与活力之间的交互关系，结合地理加权回归分析进一步识别活力的驱动因素。研究结果表明：① 各类滨水空间活力驱动因素存在较大差异，滨河空间中区位及可达性因子为主要驱动因子，q值高达0.757、0.720，滨湖空间区位、人口密度、滨水绿地率以及交通可达性因子活力的解释力更强，其中区位q值为0.807，海滨空间活力的驱动因子包括：区位、道路可达性以及建筑与水面的高宽比因子，q值分别为0.774、0.694和0.499；② 任意2个影响因子共同作用的解释力并非均大于单独作用结果，与以往研究不同，研究显示功能混合度因子及滨水绿地率因子与其他因子的交互作用，对于滨水空间影响力提升最为显著；③ 活力影响因素空间差异大，圈层特征明显。研究结论对我国未来城市规划建设、湖库海滨区域的深入开发以及滨水空间经济效益的提升具有重要的参考价值。

关键词： 滨水空间活力; 多源数据; 百度热力图; 空间分异; 地理探测器; 地理加权回归模型; 深圳市

本文引用格式

谭德明 , 饶佳艺 . 深圳市都市型滨水空间活力影响因素分析[J]. 地球信息科学学报, 2023 , 25(4) : 809 -822 . DOI: 10.12082/dqxxkx.2023.220508

Abstract

As an important urban public space, urban waterfront space is an important carrier of urban vitality and image. However, current studies mainly focus on the influencing factors of a single type of waterfront space vitality, and lack of research on the different influencing factors of different types of waterfront space vitality as well as the interaction between influencing factors, which cannot provide guidance for the fine management of different urban waterfront spaces. Based on the present situation, the paper takes Shenzhen city as an example, chooses the Baidu heat map data as the dynamic characterization of waterfront space, integrates multi-source geographic data, and uses the geographical detector model, to explore the interaction relationship between the built environment and different types of waterfront space vitality. The geographic weighted regression analysis was used to further identify the driving factors of vitality. The results show that: (1) there are great differences in the driving factors of waterfront space vitality. The location and accessibility are the main driving factors of riverfront space vitality. The explanatory power of location, population density, ratio of green space, and traffic accessibility factors is strong for lakefront space vitality. The driving factors of seafront space vitality include location, road accessibility, and aspect ratio factor between buildings and water surface; (2) The explanatory power of the combined effect of any two influencing factors is not always greater than that of the independent effect. Different from previous studies, the study shows that the interaction between functional mix and waterfront greenness and other factors has the most significant effect on the improvement of waterfront spaces; (3) The spatial variation of the influencing factors of waterfront space vitality is large, and the circle-like characteristic is obvious. The conclusion of the study is of great value for future urban planning and construction, further development of lake-reservoir/coastal areas, and improvement of waterfront space economic benefits.

Key words： waterfront space vitality; multi-source data; Baidu thermal diagram; spatial differentiation; geographic detector; geographic weighted regression model; Shenzhen

1 引言

城市公共空间作为公共生活和社会交往体验的重要场所，是城市活力的主要来源[1]。城市滨水空间是城市陆域和水域相连的一定区域所形成的公共空间，因其良好的自然景观条件、丰富的历史文化内涵以及舒适的休闲娱乐场所等特质，成为重要且特殊的城市公共空间。滨水空间活力作为提高城市生活质量的基本要素，是评价城市空间品质的代表[2]。而根据水域类型，滨水空间可分为滨河空间、滨湖空间和滨海空间3大类[3]，滨水空间活力也因其不同的经济、社会等要素产生空间异质性[4]。同时随着“人民城市”的建设及规划“存量优化”的推进，城市滨水空间规划开始倡导根据使用者的内生性需求来营造空间活力，通过精细化规划提升空间形态特征的吸引力。因此，深入理解居民需求与不同类型城市滨水空间活力之间的内在联系，对滨水空间的活力营造与提升具有重要意义。
Jacobs[5]首次将“城市活力”概念引入城市规划领域，并提出人类活动与生活场所相互交织构成了城市活力。Lynch[6]将城市活力视为城市场所满足个体“生命功能和生物需求”的能力。蒋涤非等[7]指出城市活力是城市提供市民人性化生存的一种能力，而城市则是活力的载体。William[8]强调了公共空间的物质配置对居民行为及城市活力的影响；韩咏淳等[9]更进一步指出活力的本质是人对城市功能的服务接受，对城市空间品质的感知。而关于城市滨水空间活力的研究，有学者从城市社会学视角解读城市活力的影响因素，强调滨水空间活力包含人和场所2个关键要素[10]，主要是指城市滨水空间为其居民提供设施与空间要素的能力[11]。通过“需求”理解“活动”，围绕“活动”描绘城市活力，进而探寻城市环境如何影响滨水空间活力，逐渐成为滨水空间活力研究的主流。
近年来，快速发展的大数据技术使得手机信令数据[12-13]、百度热力图数据[14]、微博数据[15]等数据成为深度挖掘行为活动、量化空间活力的重要工具，为探究城市滨水空间活力与滨水建成环境的关系提供了技术支撑。但相比于社交媒体数据带有的年龄及性别偏向局限以及手机信令数据地理位置上的缺陷，百度热力图数据具有的动态、连续、易获得等优势，使其适用于各尺度下的城市滨水空间分析[16]。研究方法上，地理加权回归(GWR)考虑空间的局部效应，通过直接模拟局部非稳态数据来探索地理变化关系，可有效解决空间非平稳性问题，被用于探讨活力的影响因素的空间分异[17]。但GWR也存在局限性，其无法反映滨水空间活力影响因子间复杂交互关系。地理探测器模型则可在不依赖线性假设的条件下度量变量的空间分异性及影响因子的解释力，已被用于城市功能区空间分异成因分析及滨水活力影响因素等研究[18-19]。
综上所述可知，国内外关于滨水空间活力已开展了较为系统的研究，并提出了系列观点，为本文研究提供了借鉴和参考。但深入研究可发现，国内研究目前主要侧重单一类型的滨水空间活力影响因素研究，缺乏不同类型滨水空间活力影响因素差异性的相关研究，难以对城市不同的滨水空间的精细化管理提供指导。基于此现状，本文拟以深圳市为例，梳理滨水空间与建成环境之间的关系，通过构建滨水空间建成环境指标体系，将百度热力图人口数据作为活力的表征，利用地理探测器模型选取影响因子最优离散组合，分析不同类型滨水空间各因子间交互作用。进而运用GWR模型，探究不同类型滨水空间的差异化影响因素。

2 研究区概况、研究方法及数据源

2.1 研究区概况

深圳位于113°43′E—114°38′E， 22°24′N—22°52′N之间，作为中国特色社会主义先行示范区，深圳市的经济实力和发展质量已跻身全球城市前列，其宽松的经济、社会、文化环境促进了城市空间活力的多元发展。随着城市发展进程的加快，“城水”关系也展现出新的特征，成为助推深圳市经济长期快速发展的“新商品”[20]。在此基础上，深圳市2020年制定了《深圳市碧道建设总体规划（2020-2035）》（以下简称《规划》）[21]，将滨水空间分为都市型的河流、湖库、海滨，城镇型的河流、湖库、海滨，郊野型的河流、湖库、海滨共9类，以构建深圳市绿色发展廊道。规划强调“还水于民”并进一步“推动流域土地与空间价值激发，释放环境红利”。深圳市滨水空间活力与建成环境具有较好的代表性，以深圳市都市型区域（《规划》划定范围包含：宝安区、南山区、罗湖区、福田区）为研究对象来研究滨水空间活力具有典型意义。
基于人群行为与滨水空间建成环境要素之间的相互作用关系以及滨水空间对人的诱导距离，选取2 km的距离做滨水缓冲区[22]，并做网格分析以精细化研究其空间活力。由于百度热力图人口矢量结果按250 m的网格划分，同时深圳市都市型滨水空间功能组团尺度大多在300~2000 m之间，若选用的空间尺度过小，数据整理结果易产生较大误差[23]。因此，研究选取500 m×500 m的栅格作为研究单元，研究区域见图1。
图1 深圳市研究区域

Fig. 1 Study Area of Shenzhen

2.2 研究方法

2.2.1 滨水建成环境与滨水空间活力关系构建

空间行为互动理论借鉴了时间地理学、行为主义地理学、活动分析法等行为学派的经典理论与方法，将空间与人的行为相结合，探讨空间与人的行为之间相互作用的机理，是城市滨水空间中“行为”（滨水空间活力）与“空间”（滨水建成环境）之间的关系和要素的理论基础[24]。分析空间对行为的影响，主要通过分析滨水空间的客观制约作用验证滨水空间建成环境规划的合理性；分析行为对空间的影响，则主要考虑人的主观能动性以及政府的作用，据此构建建成周边环境与行为活动的关系模型[25]。
研究以广东省深圳市都市型滨水空间为研究对象，具体研究框架（图2）如下：① 利用百度热力图人口数据计算人群集聚程度，据此量化人口空间活力；② 从社会经济要素、空间形态要素、环境品质要素、交通区位要素4个方面筛选出11个影响因子，利用地理探测器分析这些因子对城市滨水空间活力的影响机理；③ 根据地理探测器的分析结果，识别高活力影响因子，利用地理加权回归模型探究活力驱动因子的空间差异性。
图2 研究框架

Fig. 2 Research Framework

2.2.2 影响因子选取

综合考虑数据的可获得性及量化的可操作性，从社会经济要素、空间形态要素、环境品质要素、交通区位要素4个方面构建深圳市都市型滨水建成环境指标体系[26⇓-28]（表1）。其中社会经济要素包括人口密度及功能混合度，用来反映研究单元现有人口的聚集程度和设施丰富程度，多元化衡量区域内空间活力。空间形态要素包括建筑与水面的高宽比及建筑密度，用来量化对水域的视觉及尺度感知。环境品质要素则直接影响居民的居住感受，包括滨水绿地率、水质及区域内相应服务设施数量（如：餐饮、停车场、卫生间等），其中绿地率直观地反映河流周边绿地情况；水质是影响区域环境质量的重要因素，水质良好的河岸更能吸引居民前往；而完善的服务设施环境则吸引居民更多地参与社会公共活动。交通区位要素包括交通要素和区位要素，交通要素考虑车行可达性及人行可达性两方面，将区域与最近的CBD的直线距离视作区位因子。
表1 滨水建成环境指标体系

Tab.1 Waterfront built environment index system

指标 探测指标 因子 计算公式 公式描述 编号
社会经济要素 区域内人口密度 X1 y α = x α s i y α为研究单元人口密度值； x α为研究单元人口总数； s i表示单元面积 （1）
功能混合度 X2 P = - ∑ 1 N n P i P n × l n P i P n Nn为研究单元所有设施种类之和；Pi为单元中i类POI设施数量总和；Pn为单元内所有POI设施总和，P即为该区域的功能混合度系数 （2）
空间形态要素 建筑水面高宽比 X3 F α = H α × n W i F α为水面高宽比值； H α表示研究区域内建筑层高；n为建筑层数； W i表示各类水面宽度 （3）
建筑密度 X4 f x = s n s i s n为研究单元内建筑面积总和； s i为研究单元面积； f x即为区域建筑密度系数 （4）
环境品质要素 滨水绿地率 X5 N D V I = N I R - R N I R + R NDVI表示研究单元内植被覆盖度；NIR表示近红外波段的反射值；R为可见光红光波段的反射值。在本文中利用ArcGIS进行NDVI数据的转化 （5）
水质 X6 - 根据深圳市2021年水质报告及我国水质等级进行赋值，水质等级Ⅴ对应分值1分，Ⅰ级为5分 -
服务设施密度 X7 f x = m n s i m n为研究单元内服务设施POI数量即餐饮类（CPOI）、公共服务类（OPOI）、商住类（HPOI）数量； s i为研究单元面积； f x即为区域内服务设施密度值 （6）
交通区位要素 可达性 X8 N Q P D A 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；dM(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
在本文中利用ArcGIS进行可达性计算。		 （7）
交通服务设施密度 X9 f x = k n s i k n为研究单元内交通站点POI数量； s i为研究单元面积； f x即公共交通设施密度因子 （8）
区位 X10 - 研究单元距离最近的CBD的直线距离 -
针对数据分组出现的分区效应，研究选择等分分类(epual)、自然断点分类(abtral)、分位数类(quantle)、几何分类法(geometical)和标准差分类(Sd) 5种离散方法，将自变量分为3~7类分别计算Q值，选择Q值最大的组合作为离散方法和分类数量的最佳组合。最佳尺度见表2。
表2 分区效应最优组合

Tab.2 Optimal combination of partition effects

要素 X1 X2 X3 X4 X5 X7 X8 X9 X10
分类数量 7 7 7 7 7 6 6 7 7
离散方法 natural natural sd quantile sd quantile quantile sd natural

2.2.3 滨水空间活力影响因素分析

（1）地理探测器模型
地理探测器已被广泛用于探究城市要素的空间性，其优势在于能够探测并判断两因子的交互作用以及交互作用的强弱、方向、线性还是非线性等特征[16]。地理探测器包含因子探测、交互作用探测、风险区探测以及生态探测4个方面，本文主要利用其中的因子探测及交互探测。
因子探测揭示了不同影响因素对活力值空间分异的解释程度，用以判断不同影响因素对滨水空间活力分异的解释程度，用q值度量。
q = 1 - ∑ h = 1 l N n σ h 2 N σ 2
式中：q即为活力空间分异驱动因素的解释程度，N为影响因素分类数量， σ h 2及 σ 2为影响因素内方差和全区域总方差。q的取值范围为0~1，q值越大说明因变量的空间分异越明显，因变量和自变量的空间分布越一致，自变量对因变量的解释力越强，反之则越弱。在本研究中，将人口热力数据空间链接至研究区域，并统计各研究单元均值并做对数归一化处理，作为地理探测器的因变量Y，各影响因子量化结果为自变量X，q反映了滨水空间建成环境因子对滨水空间活力的的影响大小。
交互探测用于识别不同因子共同作用时如何影响滨水空间活力，记作q(A∩B)。因子交互类型即交互作用对活力的影响方式共有5种（表3）。
表3 地理探测器交互类型

Tab.3 Interaction types of geographic detectors

判据 交互作用
q(X1∩X2)<Min(q(X1), q(X2)) 非线性减弱
Min(q(X1), q(X2))<q(X1∩X2)<Max(q(X1))q(X2)) 单因子非线性减弱
q(X1∩X2)>Max(q(X1), q(X2)) 双因子增强
q(X1∩X2)=q(X1)+q(X2) 独立
q(X1∩X2)>q(X1)+q(X2) 非线性增强
（2）OLS模型
OLS模型用来解释自变量X与因变量Y之间的多元线性关系。本文利用OLS模型，检验各因子是否存在共线性，其残差是否满足正态分布，OLS公式如下：
Y = β 0 + ∑ i β i X + ε i
式中： β i为回归系数； ε i为随机误差项； β 0为常数项。
（3）地理加权回归模型
地理加权回归模型（GWR）将位置数据嵌入回归参数中以评估自变量和因变量之间的局部关系，能够有效地估计影响因素对滨水空间活力的作用程度[17]，较地理探测器而言，能够直观地反映不同类型滨水空间活力影响因素的
空间分异特征。模型一般公式为：
y i = β 0 ( u i , v i ) + ∑ K β k ( u i , v i ) X i k + ε i
式中：因变量 y i表示被解释变量，在本文中即滨水空间活力， ( u i , v i )为目标区域中网格i的坐标； u i 、 v i分别代表经度、纬度； X i k表示研究区域i的第k个变量； ( u i , v i )表示截距值；而 β 0 ( u i , v i )代表网格i的一组参数值。研究自变量即为各影响因子，以探究其如何作用于城市滨水空间活力并探讨活力影响的空间分异。

2.3 数据来源及预处理

文中所使用的数据主要包括网络开源数据及基础地理数据，其中网络开源数据包括：百度热力图数据、各类POI数据、人口栅格数据及水质数据；基础地理数据包括：NDVI数据、道路、河流、建筑等相关数据。主要数据及数据来源如表4所示。
表4 数据来源及获取时间

Tab.4 Data source and acquisition time

数据分类 具体指标 来源 获取时间
网络开
源数据		 百度热力图人口数据 百度地图开放API，包括名称、类型、坐标等 2021年9月6日—2021年9月12日
各类POI数据 https://lbs.amap.com/ 2021年6月
100 m×100 m人口栅格数据 https://landscan.ornl.gov/ 2020年
水质数据 http://meeb.sz.gov.cn/ztfw/zdlyxxgk/shjyb/content/post_10007973.html 2021年
基础地
理数据		 NDVI数据 https:// https://www.resdc.cn/Default.aspx 2020年6月
道路、河流、湖泊 https://www.openstreetmap.org/ 2021年9 月
建筑面积、建筑层数、水面宽度 https://lbs.amap.com/ 2021年9 月

2.3.1 网络开源数据

（1）百度热力图人口数据
百度热力图人口数据（BHM）是反映人类活动的地理位置数据，已被广泛用于人口活力、城市人口聚集特征、城市结构和土地利用等相关研究[29]。本文通过百度地图开放API端口，定时下载2021年9月6日—12日，一整个工作周期内深圳市人口热力数据图，以便从整体上了解活力的时空分布特征[30]。研究计算一天内24个时间段的百度热力值均值以表示工作日与休息日的人群集聚程度。每个研究单元中的人口集聚程度为研究单元内所有人口数的均值。对热力图进行矢量化处理，通过空间链接实现人口数据在500 m×500 m网格中的可视化，整理并计算研究单元内的热力矢量值，并作对数归一化处理，作为滨水空间活力的初始值。
（2）POI数据
POI数据（Point of Interest）即兴趣点数据，包含名称、地址、坐标、类别4个属性，本研究中利用高德地图API获取2021年深圳市全域的POI数据。依据高德地图的POI分类编码，将深圳市POI分为餐饮、风景名胜、公共设施、公司企业、购物、交通设施服务、金融保险服务、科教文化服务、商务住宅、生活服务、体育休闲服务、医疗保健服务、政府机构及社会团体、住宿服务14个类别[31]。进一步按分类，筛选部分POI并清理整合为餐饮类（CPOI）、公共服务类（OPOI）、商住类（HPOI）及交通站点类（TPOI）4大类。
（3）人口栅格数据及水质数据
人口栅格数据用于表示单位面积的人口数量，来源于LandScan人口数据集。下载2020年广东省100 m×100 m栅格人口分布数据，并在GIS中合并栅格数据使其与500 m×500 m的研究单元相互匹配，计算研究单元内人口密度。水质数据来源于深圳市政府公布的河流、湖库等水质报告。水质等级有Ⅰ级到Ⅴ级共五级，对其进行赋值，对应分值分别为5分到1分，并将数值空间链接至每一个研究单元，作为水质因子指标。

2.3.2 基础地理数据

基础地理数据包括：深圳市主城区行政区划数据、路网数据、湖泊河流数据、高分二号卫星遥感影像数据和建筑数据。路网、建筑及河流湖泊数据源于Open Street Map开源地图下载平台，主要用于整合道路及建筑数据，量化空间形态类要素，计算道路可达性。高分二号卫星影像数据主要用于滨水绿地率的计算。建筑层数、水面宽度数据来源于高德地图数据整理，用于计算建筑与水面高宽比因子；建筑面积数据用于建筑密度因子的计算。

3 结果与分析

3.1 深圳市都市型滨水空间活力空间分异特征

在通过对比深圳市都市型滨水空间活力空间分异特征（图3）可以发现，都市型滨水空间活力分布总体显示河流滨水区总体活力高、湖库及海滨区域低的空间分布特征，活力空间分布差异明显。
图3 深圳市都市型滨水空间活力空间分布

Fig. 3 Spatial distribution of vitality of urban waterfront space in Shenzhen

3.1.1 滨河空间活力空间分异分析

都市型滨河区域位于深圳市经济文化相对活跃的区域。河流多深入城市中心区，区域内多为大面积的建成区，河流功能多元复合。区域内整体活力较高，其中高活力段集中在深圳河流域及大沙河流域南部近，呈现出明显的多核心活力分布格局。高活力区域内多为开发程度深、路网密集的经济文化中心、大学城及科创中心，可见深圳市都市型滨河区域集金融贸易、文化创意、科创研发功能为一体，以水岸商业商务服务和市民日常游憩功能为主，实现宜居宜业的复合功能，空间活力具有溢出效应。

3.1.2 滨湖空间活力空间分异分析

深圳市都市型滨湖区域以水库为主，库岸是进行各种户外游憩活动的重要场所，按功能不同可分为生态保护型和休闲游憩型。生态保护型水库有铁岗水库以及西丽水库，二者皆为水源保护地。尽管生态效应显著，但库区禁止游客接近水源，水库面积较大且周边多绿地，物理上割裂了城市与湖泊，因此区域整体活力值较低。高活力值区域为铁岗水库外圈的滨水绿道以及西丽水库东南部西丽度假村型周边。休闲游憩型即深圳水库，其四周都有公园并建设有“环湖路”，活力最高点在景点较多、设施较完善的南部东湖公园周边，空间活力南北差异大。都市型滨湖区域以生态服务及市民日常游憩功能为主。

3.1.3 海滨空间活力空间分异分析

深圳市都市型滨海地区是人口、资金、技术等较为集聚的区域，分布着如深圳湾超级总部基地、科技创新合作区等城市重要引擎以及宝安机场等重大交通枢纽，为特区的高质量发展提供了强有力的支撑。然而，区域建设发展与市民亲水需求存在矛盾，如：基础设施建设导致的城海空间分离的现状，阻断了居民观海的视线廊道，也造成海滨的“不可达”。同时，都市型滨海区域多设置海滨公园，活动以观海为主，类型较为单一。最终导致都市型海滨区域活力较河流区域活力不足的现状，活力在空间上呈现由内陆向海边递减的圈层分布特征。活力集聚点在红树林生态公园周边、深圳湾公园A区及宝安区欢乐港湾周边。由此可见，都市型海滨区域活力仍以滨海休闲活力为主。

3.2 深圳市都市型滨水空间活力驱动因子识别

3.2.1 滨河空间活力驱动因子分析

依据表1中的方法，计算出11个影响因子。因子探测结果如表5所示。图4（a）反映了主要建成环境因子对滨河空间活力的影响程度。其中区位及可达性为河流区域的主要驱动因子，q值分别为0.757、0.720。生态探测结果（图5(a)）显示，除人口密度-高宽比，高宽比-建筑密度，滨水绿地率-可达性，可达性-区位外，其余因子对活力的影响均存在差异性。交互作用结果（图6(a)）中，单个因子影响力极低的功能混合度在与区位因子的共同作用下，对活力空间分布的解释力最强，q值为0.838。水质因子及功能混合度因子与多数影响因子交互作用均明显高于单个因子，其余因子见的交互作用结果多为双因子增强。建筑密度因子与建筑与水面高宽比因子及服务设施密度因子的交互作用均存在非线性减弱关系。
表5 因子探测结果

Tab.5 Detection results of dynamic spatial differentiation factors

影像因子 q值
滨海空间 滨湖空间 滨河空间
X1 0.367 0.794 0.556
X2 0.009 0.034 0.047
X3 0.283 0.356 0.509
X4 0.282 0.260 0.496
X5 0.500 0.769 0.656
X6 0.000 0.000 0.025
X7 0.210 0.064 0.415
X8 0.694 0.768 0.720
X9 0.083 0.118 0.125
X10 0.773 0.807 0.757
图4 活力空间分异驱动因子q值

Fig. 4 Detection results of dynamic spatial differentiation factors

图5 活力空间分异生态探测结果

Fig. 5 Results of ecological exploration of force spatial differentiation

图6 活力空间分异交互探测结果

Fig. 6 Dynamic spatial differentiation interaction detection results

3.2.2 滨湖空间活力驱动因子分析

滨湖空间中，关键驱动因子的解释力大小排序为：区位>人口密度>滨水绿地率>交通可达性>建筑与水面高宽比（图4（b））。人口密度-滨水绿地率，功能混合度-服务设施密度，高宽比-建筑密度这3组因子对滨湖空间活力的影响差异不显著（图5(b)）。为了深入研究不同因子交互作用对滨湖空间活力的影响，对这11个因子进行交互探测，结果显示（图6(b)），除水质要素外，其余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，并不存在减弱的关系。说明除水质因子外，其余因子的交互作用均能增加对滨湖空间活力的解释力。在所有因子中，人口密度因子与滨水绿地率因子的交互作用解释力最强，q(X1∩X5)=0.582，且服务设施密度因子与其他因子交互作用的解释力变化最为显著。

3.2.3 海滨空间活力驱动因子分析

海滨空间影响因子中，区位、道路可达性、滨水绿地率及建筑与水面的高宽比因子q值最高（图4(c)），为海滨空间活力的主要驱动因子。除高宽比—建筑密度这一对因子外，其余因子对海滨空间活力的影响均存在显著性差异（图5(c)）。交互结果显示（图6(c)），滨海空间因子交互作用主要为双因子增强及单因子非线性减弱关系。交通区位因子与其他因子交互多呈现双因子增强关系，仅在功能混合度与建筑与水面高宽比、公共交通设施密度交互作用中出现非线性增强关系。服务设施密度与建筑与水面高宽比、建筑密度交互呈现非线性减弱关系。

3.3 深圳市都市型滨水空间活力影响因素空间分异

选取上述研究中，q值大于0.1的8个影响因子（表6），并对其做OLS分析，以检验各因子是否存在共线性以及残差是否满足正态分布，结果显示，选取的影响因子VIF（方差膨胀因子）值均小于7.5，且残差符合正态分布（图7），满足地理加权回归模型的使用前提。进一步引入地理加权回归进行局部空间回归分析，探究这8个主要影响因素在作用方向及强度上的变化特征。该模型的矫正R2=0.594，拟合结果良好。
表6 影响因子OLS分析结果

Tab.6 Effects factor OLS analysis results

p值 VIF
人口密度 <0.01 1.057
高宽比 <0.01 1.443
建筑密度 <0.01 1.031
滨水绿地率 <0.01 1.653
服务设施密度 <0.01 1.233
可达性 <0.01 2.114
交通站点密度 <0.05 1.417
区位 <0.05 1.763
图7 活力驱动因子残差频率分布直方图

Fig. 7 Histogram of residual frequency distribution of dynamic drivers

3.3.1 滨河空间活力影响因素空间分异

在滨河区域，GWR分析结果显示交通区位类因子及服务设施因子对活力产生了显著的积极影响。其中服务设施密度因子在滨河区域由滨水向内陆递减。活力热点区域集中在深圳河及北部区域，结合交互作用结果和实地调研发现，该区域存在大面积居住生活区，居民对设施需求高，该因子与可达性及区位因子的交互作用，均大于单因子作用结果。可达性因子及交通站点因子解释力空间差异明显。福田、罗湖等经济活跃的滨河空间，人流密度大，对道路通畅性要求更高；大沙河周边区域分布有大量学校和研究院，公共交通为区域内居民主要出行方式，对交通站点设施的需求更高。而与以往研究相同的是，滨水绿地率因子及人口密度影响因子在滨河空间影响较弱，其与水质及交通站点设施等因子交互作用结果却推动了活力的产生。建筑与水面高宽比因子与建筑密度因子均呈负相关关系，区位因子影响力以负值为主，由福田区域向四周逐渐升高。这可能是因为都市型滨河区域临近区域CBD，区域内部各类设施已趋近饱和，过高的建筑高度及建筑密度影响滨河空间开敞度，在视觉及其他感官上影响居民游憩体验；而大沙河南部及福田区域周围分有大型CBD，吸引居民前往。结合交互作用结果可以发现，都市型滨河区域规划应紧扣其商业商务服务功能，在此基础上发展都市生态休闲服务，以满足市民日常游憩功能。以深圳河流域为重点发展核心，串联上游多条河流及深圳水库，打造公共开放的滨水区域。同时，“高强度、高密度”的发展模式并不适合深圳市都市型滨河区域，在未来的发展中应该更注重功能性影响因子及环境类影响因子的平衡，强调生态与功能的融合。

3.3.2 滨湖空间活力影响因素空间分异

滨湖区域因子交互作用能够显著提升空间活力。除水质因子外，其余因子交互作用均大于单一因子的交互作用。这可能是因为湖库区域作为水源涵养地，对水质本身有着极高的需求，这与人口流动存在一定的矛盾，也证明在滨湖空间活力的提升中，仍需将水质的保护放在首位。结合图8所示，滨水绿地率因子对空间活力有着积极作用，其与人口密度因子的交互作用结果最为显著，说明滨水绿地率因子并不仅仅是直接作用于滨湖空间活力的空间异质性，通过耦合其他因子更能间接影响空间活力。人口密度因子仅在滨湖空间中北部起积极作用，初步反映出滨湖区域尚未完全发挥其区域吸引力作用；交互结果显示其与区位及功能混合度因子等交互作用能够显著促进活力的产生，也证明了这一点。建筑高宽比因子以及交通设施密度因子在西部滨湖空间促进了空间活力的产生，东部深圳水库周边却抑制了空间活力。而建筑密度因子却正好相反，抑制了西部滨湖空间活力的产生，促进了深圳水库周边的活力产生。服务设施密度因子及可达性因子、区位因子的空间分布特征类似于建筑密度因子。这是由于西部湖泊周围分布有大面积绿地及保护区，建筑密度低，因此人们更倾向于前往此地休闲观光；而深圳水库靠近罗湖经济中心区域，高建筑密度及设施密度能够吸引更多的居民前往。另一方面，区域建筑密集更加催生了居民对道路通畅的需求，而西部滨湖空间建筑密度与人口密度均低于东部，因此对可达性的需求低于东部区域。同时其距离城市中心区较远，对公共交通的需求量大于东部滨湖区域。区位因子影响的空间分异进一步说明了东部滨湖区域与西部滨湖区域的功能差异。其中，服务设施密度及区位这2个影响因子与其他因子交互作用的活力增强趋势，进一步说明滨湖空间区域开发强度切实影响其空间活力。因此，应争对不同类型的湖库，建设集自然保护科教及休闲旅游度假两大功能为一体的湖库组团。贯通湖库区域游憩路径，如建设“环湖路”以及滨湖碧道等慢行步道，串联西丽水库以及铁岗水库，结合现代管理技术或设施，打开围网，促进湖库向公众开放。
图8 滨水空间影响因素空间分异

Fig. 8 Spatial differentiation of influencing factors in waterfront space

3.3.3 海滨空间活力影响因素空间分异

与滨湖区域不同，海滨空间因子交互抑制作用明显。其中区位及服务设施2个影响因子与其他因子的交互抑制作用最为显著。这是由于海滨空间特殊的地理位置，远离中心城区，区域功能单一，相应服务设施较少。GWR结果显示，影响因子在海滨区域南北差异较大。人口密度因子在大部分区域存在积极作用，建筑密度、区位因子及服务设施密度因子在空间上出现解释力“南北高、中心低”的局面。海滨区域南北端均靠近居住生活区，对区域开发强度的要求更高。而建筑与水面高宽比、滨水绿地率及可达性因子的解释力则出现“南高北低”的空间特征；交通设施密度因子却出现“中间高、南北低”的特征。南部区域存在大面积公园及休闲场所，低层建筑高度易使参观者感觉过于空旷从而影响游憩体验。且最南端区域距离城市中心区远，乘坐公共交通耗时久且公交站点数量相对较少，人们倾向于乘坐小汽车或大巴到达目的地，因此对可达性及交通设施因子的需求存在较大空间差异。
交互结果中功能混合度因子与高宽比、交通服务设施对活力的积极作用，也证明了发现海滨区域需要完善相应设施，以为游客提供更好的游憩环境。另外，区位与可达性因子对活力空间异质性的解释力最强。可见海滨区域符合传统认知下，腹地开发促进活力增长的规律。因此都市型海滨区域规划应当以空港新城、前海和深圳湾为规划节点，串联内陆河流，打造陆海融合的滨海休闲区。突出都市滨海休闲功能，注重生态保护与商务服务相结合。

4 讨论

近年来，城市滨水空间品质提升与空间活力的营造逐渐成为全球研究热潮，旨在恢复或增强城市发展的活力，塑造区域特色和形象，推动转型期城市的可持续性、创造性发展。城市高速发展下的居民需求日趋多样化且差异化明显，时空行为已经成为解释城市空间结构重构的重要视角[32] 。在此背景下，本文研究选题契合我国生态文明建设以及“绿水青山就是金山银山”的发展理念，研究发现对未来城市规划建设及湖库海滨区域的深入开发，滨水空间经济效益的提升具有重要的参考价值。
深圳市内部河网密集，有多处湖泊且毗邻海域，作为我国先行发展示范区域，大量滨水空间城市更新、碧道建设等项目的开展赋予滨水空间新的生命力，更需要从居民行为角度，透视滨水空间的合理性。行为空间的相关研究以及空间—行为互动理论帮助本研究建立起城市滨水空间中“行为”（滨水空间活力）与“空间”（滨水建成环境）之间的关系[33]。研究立足于对居民行为的正面研究，居民出行的目的包含了其需求及认知及偏好，使得作为目的地的滨水空间产生活力；同时，居民行为受到时空要素制约，在客观制约与主观决策共同作用下形成了行为结果，表现为不同类型滨水空间影响因素的差异性，反映出居民对不同类型滨水空间品质的差异化需求，如图8所示。
研究从社会经济要素、空间形态要素、环境品质要素、交通区位要素4方面对活力的影响因子进行分析，在一定程度上回应并深化了以往结论。研究结果与以往研究同中有异，具体体现在：① 以往研究表明，具有强功能导向的滨水空间能有效催生活力，交通通达性一定程度上决定了外来人口的渗入率，而区域CBD为吸引人口逗留提供了保障，这些因素同样在在都市型滨水空间活力的提升中起着重要作用；② 与以往研究不同的是，本文中社会经济要素因子、空间形态要素因子等对都市型滨河活力影响较弱，因子间交互作用结果出现抑制作用。结合地理探测及地理加权回归模型结果开源看出，一味追求“高强度、高密度”发展模式会影响居民对滨水空间品质的追求，不适用于开发完备的滨河区域。在滨湖区域中，与以往关于绿地对活力存在抑制作用的结论不同，空间因子交互结果显示，滨水绿地率因子结合区位等因素规划，可有效缓解城市滨水绿地“大而不当”的局面[32]，从而提升滨湖空间活力。
对深圳市不同类型滨水空间活力影响因素的差异分析表明，每类滨水空间都有着自己的特点，可以通过建成环境因子来反映这种现状，并分析其对活力产生的影响。上述分析显示，可达性因子及区位因子为深圳市都市型滨水空间活力的共同驱动因素，未来规划中需要重点关注二者对于对滨水空间活力的促进作用，同时针对不同滨水空间制定差异化规划策略。对于深圳市都市型滨河空间，规划应以资源疏解为主，结合区位特征实现多中心网络化布局，避免过度集聚带来的人口和交通压力。对于不同类型的滨河功能空间，进行针对性交通优化，提升滨河可达性；滨湖空间应以环境提升为主，充分利用区域绿地率与其他因子交互均能明显提升活力的特性，以社会娱乐活动为媒介，鼓励居民参与滨水空间的良性互动，提高区域人口密度以及公众对水岸的关注度；滨海空间应加强相关设施建设，满足游客需求，提高海滨游客承载力，并注重海岸建筑景观线建设，以吸引游客前往。

5 结论与展望

本文综合利用地理探测器及地理加权回归模型，分析不同类型滨水空间活力的影响因素差异，为滨水空间活力研究提供了新的视角。以深圳市都市型滨水空间为研究对象，将百度热力图人口数据作为活力的表征，利用地理探测器模型选取影响因子的最优离散组合，分析不同类型滨水空间各因子间交互作用。运用GWR模型，探究不同类型滨水空间的差异化影响因素。研究结果表明：① 深圳市不同区域的都市型滨水空间活力特征存在显著差异，总体上呈现河流滨水空间活力高于湖库及海滨区域的空间分布特征。② 交通可达性及区位因素依旧是催生活力的必要性底线。交互作用结果进一步表明，区域开发强度切实影响滨水空间活力的产生。滨河空间活力提升的主导因子为功能混合度因子与区位因子；滨湖区域中，人口密度及绿地率因子交互作用显著；海滨区域可达性因子与区位因子的交互作用进一步增强了海滨活力；③ “高强度、高密度”的发展模式并不适合深圳市都市型滨河区域，但对于生活型海滨及消费型湖泊区域仍有提升作用；④ 深圳市都市型滨湖空间中绿地率与区位等因子交互作用可以有效提升其空间活力； ⑤ 并非任意2个影响因子共同作用的解释力均大于单独作用结果，河流及海滨区域均存在明显的因子削弱作用。滨水空间活力提升为多种因素复杂交互作用结果，厘清不同类型滨水空间活力的影响因素差异，有助于从行为角度验证规划结果，进一步提出更具有针对性的规划策略。
当然，本研究仍然存在一定不足：① 研究涉及时间范围较短，无法充分表现活力长时间的演变轨迹，可能存在特定季节下活力的波动情况，后续将探索一定时间序列的空间活力变化及影响因素； ② 百度热力图矢量数据不能表现空间中的绝对人数，后续研究将考虑添加数据以更全面的反映人口活力；③ 研究主要针对深圳市都市型滨水空间，研究结论不一定具有普遍指导意义。后续将探究其他区域的活力影响因素，为我国城市活力提升提供更多的经验证据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈竹, 叶珉. 什么是真正的公共空间? ——西方城市公共空间理论与空间公共性的判定[J]. 国际城市规划, 2009, 24(3):44-49,53.

[Chen Z, Ye M. What is authentic urban public space? —A review of western public space theories and a evaluation of the “publicness” of pubilc space[J]. Urban Planning International, 2009, 24(3):44-49,53.] DOI:10.3969/j.issn.1673-9493.2009.03.008

DOI

[2]
Ye Y, Li D, Liu X J. How block density and typology affect urban vitality: An exploratory analysis in Shenzhen, China[J]. Urban Geography, 2018, 39(4):631-652. DOI:10.1080/02723638.2017.1381536

DOI

[3]
王建国, 吕志鹏. 世界城市滨水区开发建设的历史进程及其经验[J]. 城市规划, 2001, 25(7):41-46.

[Wang J G, Lu Z P. A historic review of world urban waterfront development[J]. City Planning Review, 2001, 25(7):41-46.] DOI:10.3321/j.issn:1002-1329.2001.07.010

DOI

[4]
Wu J, Chen X R, Chen S L. Temporal characteristics of waterfronts in Wuhan city and people's behavioral preferences based on social media data[J]. Sustainability, 2019, 11(22):6308. DOI:10.3390/su11226308

DOI

[5]
Jacobs J. The death and life of great American cities[M]. New York: Random House,1961.

[6]
Lynch K. Good city form[M]. Boston: The MIT Press, 1984:30-45.

[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[M]. Nanjing: Southeast University Press, 2007.]

[8]
威廉·H·怀特著, 叶齐茂, 倪晓晖译. 小城市空间的社会生活[M]. 上海: 上海译文出版社, 2016.

[Ye Q M, Ni X H, The social life of small urban spaces[M]. Shanghai: Shanghai Translation Publishing House, 2016.]

[9]
韩咏淳, 王世福, 邓昭华. 滨水活力与品质的思辨、实证与启示——以广州珠江滨水区为例[J]. 城市规划学刊, 2021(4):104-111.

[Han Y C, Wang S F, Deng Z H. Critique,empirical study, and implications of the vitality and quality of urban central waterfront: A case study of Guangzhou[J]. Urban Planning Forum, 2021(4):104-111.] DOI:10.16361/j.upf.202104015

DOI

[10]
罗桑扎西, 甄峰. 基于手机数据的城市公共空间活力评价方法研究——以南京市公园为例[J]. 地理研究, 2019, 38(7):1594-1608.

DOI

[Luo S, Zhen F. How to evaluate public space vitality based on mobile phone data: An empirical analysis of Nanjing's Parks[J]. Geographical Research, 2019, 38(7):1594-1608.] DOI:10.11821/dlyj020180756

DOI

[11]
冯莹. 基于生态理念的城市滨水空间活力营造初探[D]. 南京: 东南大学, 2016.

[Feng Y. Research on enhancing the vitality of urban waterfront space for the respect of ecologic notion[D]. Nanjing: Southeast University, 2016.]

[12]
王鲁帅, 缪岑岑. 基于手机信令数据的城市滨水区时空活力模式研究——以上海黄浦江中段为例[C]// 规划60年:成就与挑战——2016中国城市规划年会论文集(04城市规划新技术应用).沈阳, 2016:170-182.

[13]
史宜, 李婷婷, 杨俊宴. 基于手机信令数据的城市滨水空间活力研究——以苏州金鸡湖为例[J]. 风景园林, 2021, 28(1):31-38.

[Shi Y, Li T T, Yang J Y. Research on urban waterfront space vitality based on mobile phone signaling data: A case study of Jinji Lake in Suzhou[J]. Landscape Architecture, 2021, 28(1):31-38.] DOI:10.14085/j.fjyl.2021.01.0031.08

DOI

[14]
张露. 活力视角下的城市滨水空间解析模式探讨——以南京秦淮河为例[D]. 南京: 东南大学, 2018.

[Zhang L. Urban waterfront spatial analytic model under the view of vitality—A case study of Qinhuai River in Nanjing[D]. Nangjing: Southeast University, 2018.]

[15]
王伟强, 马晓娇. 基于多源数据的滨水公共空间活力评价研究——以黄浦江滨水区为例[J]. 城市规划学刊, 2020(1):48-56.

[Wang W Q, Ma X J. Vitality assessment of waterfront public space based on multi-source data: A case study of the Huangpu River waterfront[J]. Urban Planning Forum, 2020(1):48-56.] DOI:10.16361/j.upf.202001007

DOI

[16]
Wu C, Ye X Y, Ren F, et al. Check-in behaviour and spatio-temporal vibrancy: An exploratory analysis in Shenzhen, China[J]. Cities, 2018, 77:104-116. DOI:10.1016/j.cities.2018.01.017

DOI

[17]
Fotheringham A S, Charlton M E, Brunsdon C. Geographically weighted regression: A natural evolution of the expansion method for spatial data analysis[J]. Environment and Planning A: Economy and Space, 1998, 30(11):1905-1927. DOI:10.1068/a301905

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]
刘羿伯, 徐苏宁, 刘文茜, 等. 多源数据支持下的北京滨水街区活力测度及影响因素分析[J]. 建筑学报, 2021(S1):120-127.

[Liu Y B, Xu S N, Liu W Q, et al. Vitality measurement and analysis of the influencing factors of waterfront blocks in Beijing based on multisource data[J]. Architectural Journal, 2021(S1):120-127.]

[20]
王甫园, 王开泳, 虞虎, 等. 珠三角城市群生态游憩空间分异特征及关联性因素[J]. 地理研究, 2020, 39(9):2148-2164.

DOI

[Wang F Y, Wang K Y, Yu H, et al. Spatial differentiation and correlative factors of ecological recreation space distribution in the Pearl River Delta urban agglomeration[J]. Geographical Research, 2020, 39(9):2148-2164.] DOI:10.11821/dlyj020200376

DOI

[21]
王雨, 满彩霞, 徐瑷琳, 等. 城市政治生态学视角下的空间转型与中国环境治理创新——基于深圳城—水关系动态演变的分析[J]. 地理科学进展, 2022, 41(9):1755-1769.

DOI

[Wang Y, Man C X, Xu A L, et al. Spatial transformation and Chinese environmental governance innovation from an urban political ecology perspective:An analysis of Shenzhen's evolving waterscape[J]. Progress in Geography, 2022, 41(9):1755-1769.] DOI:10.18306/dlkxjz.2022.09.016

DOI

[22]
郭红雨. 城市滨水景观设计研究[J]. 华中建筑, 1998, 16(3): 75-77.

[Guo H Y. Research in design of city attractions close to water[J]. Huazhong Architecture, 1998, 16(3): 75-77.]

[23]
韩滨鹂, 任熙元, 王德. 北京市局部空间的在场人口研究:分布、流动性及时段特征——基于手机信令数据的探索[J]. 西部人居环境学刊, 2021, 36(5):104-112.

[Han B L, Ren X Y, Wang D. Research on the localized population dynamics in Beijing based on cell phone data: distribution, mobility, and temporal variation[J]. Journal of Human Settlements in West China, 2021, 36(5):104-112.] DOI:10.13791/j.cnki.hsfwest.20210514

DOI

[24]
柴彦威, 沈洁. 基于活动分析法的人类空间行为研究[J]. 地理科学, 2008, 28(5):594-600.

[Chai Y W, Shen J. Activity-based approach to human spatial behavior research[J]. Scientia Geographica Sinica, 2008, 28(5):594-600.] DOI:10.3969/j.issn.1000-0690.2008.05.002

DOI

[25]
柴彦威, 谭一洺, 申悦, 等. 空间——行为互动理论构建的基本思路[J]. 地理研究, 2017, 36(10):1959-1970.

DOI

[Chai Y W, Tan Y M, Shen Y, et al. Space-behavior interaction theory: Basic thinking of general construction[J]. Geographical Research, 2017, 36(10):1959-1970.] DOI:10.11821/dlyj201710012

DOI

[26]
梁立锋, 曾文霞, 宋悦祥, 等. 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

[Liang L F, Zeng W X, Song Y X, et al. Urban comprehensive vitality evaluation and influencing factors analysis considering population agglomeration and emotional intensity[J]. Journal of Geo-information Science, 2022, 24(10):1854-1866.] DOI:10.12082/dqxxkx.2022.220027

DOI

[27]
刘颂, 赖思琪. 基于多源数据的城市公共空间活力影响因素研究——以上海市黄浦江滨水区为例[J]. 风景园林, 2021, 28(3):75-81.

[Liu S, Lai S Q. Influence factors of urban public space vitality based on multi-source data: A case study of Huangpu River waterfront area of Shanghai[J]. Landscape Architecture, 2021, 28(3):75-81.] DOI:10.14085/j.fjyl.2021.03.0075.07

DOI

[28]
吴莞姝, 党煜婷, 赵凯. 基于多维感知的城市活力空间特征研究[J]. 地球信息科学学报, 2022, 24(10):1867-1882.

DOI

[Wu W S, Dang Y T, Zhao K. Spatial characteristics of urban vitality based on multi-dimensional perception[J]. Journal of Geo-information Science, 2022, 24(10):1867-1882.] DOI:10.12082/dqxxkx.2022.210714

DOI

[29]
Yang J W, Cao J, Zhou Y F. Elaborating non-linear associations and synergies of subway access and land uses with urban vitality in Shenzhen[J]. Transportation Research Part A: Policy and Practice, 2021, 144:74-88. DOI:10.1016/j.tra.2020.11.014

DOI

[30]
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 city of Shanghai[J]. City Planning Review, 2016, 40(4):33-40.] DOI:10.11819/cpr20160407a

DOI

[31]
韩株桃, 石杰锋, 吴金华, 等. 基于POI数据及四叉树思想的“三生空间”识别方法[J]. 地球信息科学学报, 2022, 24(6):1107-1119.

DOI

[Han Z T, Shi J F, Wu J H, et al. Recognition method of “the production, living and ecological space” based on POI data and quad-tree idea[J]. Journal of Geo-information Science, 2022, 24(6):1107-1119.] DOI:10.12082/dqxxkx.2022.210522

DOI

[32]
王世福, 覃小玲, 邓昭华. 环境行为学视角下城市滨水空间活力协调度研究[J]. 热带地理, 2021, 41(5):1009-1022.

DOI

[Wang S F, Qin X L, Deng Z H. Vitality coordination degree at the urban waterfront from the perspective of environmental behavior studies[J]. Tropical Geography, 2021, 41(5):1009-1022.] DOI:10.13284/j.cnki.rddl.003393

DOI

[33]
柴彦威, 申悦, 肖作鹏, 等. 时空间行为研究动态及其实践应用前景[J]. 地理科学进展, 2012, 31(6):667-675.

[Chai Y W, Shen Y, Xiao Z P, et al. Review for space-time behavior research: Theory frontiers and application in the future[J]. Progress in Geography, 2012, 31(6):667-675.] DOI:10.11820/dlkxjz.2012.06.001

DOI

Options
文章导航

/

〈 〉