EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 8: 1575 - 1588

DOI: https://doi.org/10.12082/dqxxkx.2022.210226

Comprehensive Vitality Evaluation of Urban Blocks based on Multi-source Geographic Big Data

  • TANG Lu ,
  • XU Hanwei , * ,
  • DING Yanwen
Expand
  • College of Hydrology and Water Resources, Hohai University, Nanjing 210024, China
*XU Hanwei, E-mail:

Received date: 2021-04-25

  Revised date: 2021-06-14

  Online published: 2022-10-25

Supported by

National Natural Science Foundation of China(41101374)

Fold

Abstract

How to conduct quantitative analysis of urban vitality in a scientific and efficient manner has become a key research issue nowadays. Based on the multi-source geographic big data such as OpenStreetMap, Baidu Map POI, WeChat Travel, Meituan, Gaode building outlines, etc., and from the dual perspectives of people and space, this study selects indicators from four aspects, including crowd vitality, diversity of vitality, activity satisfaction, and spatial interaction potential, to construct a comprehensive vitality evaluation model of Spatial TOPSIS. Using the model, this study evaluates the comprehensive vitality of the downtown area of Nanjing, analyzes the spatial distribution characteristics of the vitality of the neighborhood, and explores the similarities and differences of vitality poles between weekdays and weekends. The evaluation results are compared with that of Entropy TOPSIS, in an effort to explore the impact of spatial interaction on the vitality of blocks. This study aims to help urban planners to understand the current status of urban vitality systematically, and provide a feasible plan for urban planning research. The research shows that, firstly, the spatial distribution characteristics of the comprehensive vitality of the downtown blocks in Nanjing urban center are similar between weekdays and weekends. However, the comprehensive vitality of the blocks on weekdays is higher than that on weekends. From the perspective of block functions, the high-value areas of comprehensive vitality are mainly concentrated in commercial centers, tourist attractions, and transportation hubs, which are closely related to the distribution of transportation stations (e.g. subway stations). Secondly, based on the vitality analysis of weekdays and weekends, it is found that Hunanlu - Xinjiekou - Confucius temple scenic area is the largest and most stable vitality pole. Among the small vitality poles, only Longjiang Metro Station has begun to take shape. Other small vitality poles, including Jiqingmen Street, Olympic Sports Center, Baijiahu Commercial District, and Wanda Commercial District, are unstable. Their vitality is still growing. Thus, they may become bigger vitality poles in the future. Thirdly, both the high vitality blocks in the center of the study area and the low vitality blocks receive less spatial effects. The areas with the greatest vitality change are generally distributed in a ring shape around the periphery of the central city. Combining the block functions, it is found that the comprehensive vitality of block units of other land and industrial land is less affected by the spatial interaction. In comparison, residential, commercial, scientific, educational, and cultural land are greatly affected by spatial interaction.

Key words： geographic big data; OSM road network; POI; Nanjing; urban block vitality; gravity model; TOPSIS; spatial interaction

Cite this article

TANG Lu , XU Hanwei , DING Yanwen . Comprehensive Vitality Evaluation of Urban Blocks based on Multi-source Geographic Big Data[J]. Journal of Geo-information Science, 2022 , 24(8) : 1575 -1588 . DOI: 10.12082/dqxxkx.2022.210226

1 引言

1978年以来,我国城镇化建设的速度不断加快,城市规模日益扩大,经济水平快速提升的同时伴随而来的是复杂的城市问题。一方面,单一物质空间视角已难以适应城市发展中的新现象与新趋势[1],城市问题需要以全面、多元、以人为本的视角来理解和看待;另一方面,城市发展模式粗放引发的一系列问题严重影响了城市居民的生产生活,随之而来的城市活力消解问题[2]引起了国内外城市规划专家学者的广泛关注,越来越多的研究者开始以城市活力来分析城市背后的复杂社会和经济秩序[3],城市活力定量分析研究逐渐成为国内外学者关注的热点。
国外关于城市活力的研究起步较早[4⇓⇓-7],最早提出城市活力概念的美国著名城市规划师简·雅各布斯认为城市活力来源于城市内部人与人的活动及生活场所相互交织产生的多样性,城市多样性是保持城市生机、安全、活力的基础,强调了城市活力对城市发展和规划建设的重要意义[4];凯文·林奇在《城市形态》[5]一书中将活力作为评价城市空间形态的首要指标,他认为城市活力是一个聚落形态对于生命机能、生态要求、人类能力以及物种延续的支持程度,城市活力与城市形态、功能以及城市活动紧密相关。此后,国外学者们对于城市活力的研究分别从人和城市空间的角度出发,为城市活力的研究奠定了理论基础;国内关于城市活力基础理论的研究起步较晚[8⇓⇓-11],蒋涤非[8]认为城市活力是城市提供给市民人性化生存的能力,人的聚集与活动赋予了城市生命特征,是城市产生活力的本质;汤华杰[11]认为城市活力空间是指居民乐于聚集与使用的空间,活力空间是城市设计的着力点,它能够激发经济活力与商业吸引力,传达人文价值,增强城市凝聚力。
基于已有研究,本文认为城市活力从广义上是指城市具有旺盛的生命力,表现为一个城市维持正常、积极运转的综合能力;从狭义上是指城市空间活力,表现为城市内部人与人的活动及空间的交互作用。本文研究的是狭义上的城市活力。城市活力通常以人流量相关指标作为最直接的表征方式,早期的研究受数据获取难的限制,主要通过实地考察、调查问卷等方式来获取研究数据[12-13],观测范围通常较小,样本量受限。随着信息化时代和数字化时代的来临,各种时空大数据给城市活力研究带来了新的发展契机,人群活动表征可以通过新的方式被理解[14⇓⇓⇓-18]。手机数据是最先受到各界学者广泛关注的数据源[19-20]。其他大数据（如GNSS定位数据、社交媒体签到数据、POI数据等）也逐渐应用于城市活力的研究中[21⇓-23]。随着新数据源的出现,学者们开始运用定量测量方法研究城市活力及其影响因素,并建立活力评价指标[24⇓⇓-27]。Zeng等[24]为了探究了芝加哥和武汉的城市活力空间特征的异同,从人口密度、空间宜居性、可达性和多样性角度对城市活力展开评价,获得了较好的实验效果;Wu等[26]以社交媒体签到数据作为衡量活力的指标,对城市活力空间分布特征及影响机制进行研究。已有对于城市活力的研究,总体上是从定性理论研究到定量方法测量,数据从粗粒度到细粒度,研究角度也更加多元和人性化。
本文相较于传统研究有如下优势：① 现有研究通常以人的活动作为城市活力的表征,本文在此基础上充分考虑人的感受以及空间的交互作用,构建人、空间双重角度的街区活力量化指标;② 本文充分挖掘百度POI数据、微信宜出行数据、美团口碑评分数据等多元地理大数据的潜在价值,对工作日、周末城市街区的综合活力展开研究;③ 现有的综合评价方法中,学术界使用最广泛的是熵权法与TOPSIS有机结合的方法,本文引入空间关系权重,构建了空间TOPSIS综合活力模型,探究了空间相互作用对南京市中心城区城市活力的影响程度。

2 研究方法

本文技术路线如图1所示：以南京市中心城区为研究区域,基于多源地理大数据从人与空间2个角度对城市街区活力的外在表征进行量化,选取人群活力、活力多样性、活动满意度和空间交互潜能 4个指标对街区综合活力进行量化：① 使用微信宜出行定位数计算人群活力（包括活力强度和波动性）;② 对百度POI 数据和美团点评数据进行核密度估计,进一步计算活力多样性和活动满意度指标;③ 对街区功能进行识别后,基于引力模型以点度中心度来计算空间交互潜能。之后基于以上4个指标分别根据传统的熵值TOPSIS模型和本文提出的空间TOPSIS模型计算街区综合活力,并进行活力极识别,最后分析了工作日、周末街区活力差异、街区综合活力空间分布特征及空间相互作用对街区综合活力的影响。相比于传统规划研究,本文的研究结果更加科学、高效,能够帮助城市规划者反思当前存在的规划问题,为更合理的城市规划提供支撑。
图1 融合多源地理大数据的城市街区综合活力评价技术路线

Fig. 1 Technical route of comprehensive vitality evaluation of urban blocks based on multi-source geographic big data

2.1 城市街区综合活力量化指标

城市街区综合活力量化指标包括人群活力、活力多样性、活动满意度和空间交互潜能4个方面,如表1所示。
表1 城市街区综合活力量化指标

Tab. 1 Quantitative index of comprehensive vitality of urban blocks

一级指标 二级指标
人群活力 人群活力强度
人群活力波动性
活力多样性 土地利用多样性
活动满意度 活动满意度
空间交互潜能 点度中心度

2.1.1 人群活力评价指标

（1）人群活力强度
人流量是城市活力最直观的表现形式,也是活力表征研究中最被广泛使用的评价指标。本文构建了活力强度模型（式（1））分别对工作日、周末活力强度进行计算。
V i n t = ∑ i = 1 n v i n × S
式中： V i n t为某一街区活力强度值; v i为该街区单元第i个时刻的宜出行定位数,i=0,1,2,···,n,n为23,为了消除街区面积大小的差异,将该式除以街区面积S。活力强度值反映了街区单元在某一段时间内人群聚集密度,活力强度越大说明该区域人群聚集密度越高,人群活力强度越高。
（2）人群活力波动性
为了研究街区单元一天内人群活力变化特征,构建了活力波动性模型,分别计算工作日、周末人群活力的标准差（式（2））。
V s t d = ∑ i = 1 n ( v i / S - v ¯ / S ) 2 n
式中： V s t d为某一街区人群活力波动性; v i为该街区单元第i个时刻的宜出行定位数;i为不同的时刻, i=0,1,2,···n,n为23; v ¯为该街区单元24个时刻宜出行定位数的平均值;S为街区单元面积。活力波动性反映了街区单元在一段时间内人群聚集密度的变化幅度,活力波动性越高,说明街区单元在不同时刻人群聚集密度变化幅度越大,差异越大。

2.1.2 活力多样性评价指标

一个有活力的街区必然保持足够的多元性与混合度,进而满足人们多样性的需求。因此城市空间活力的外在表征并不完全等于人流量,还包括人们在城市中进行的出行、社交、娱乐等多样性的活动。由于土地利用单元是人们进行不同社会活动的承载体,因此本文参考生物多样性指数[28]计算研究区街区单元土地利用多样性（式（3））。
q D ≡ ∑ i = 1 s p i q 1 1 - q
式中： p i为街区单元第i类POI的频率密度;s为POI类别总数;q为阶数,q=0,1,2,表示多样性指数对物种的敏感度,本文取q=1时的多样性指数公式计算土地利用多样性,反映土地利用功能的混合程度（式（4））。
1 D ≡ e - ∑ i = 1 6 p i l n ( p i )
由于不同类型POI的数量及其对土地利用分类的贡献程度不同,因此在计算 p i频率密度时需要对各类POI赋予权重（式（5））。根据POI设施占地面积及公众认知度[29],各类POI权重分配如下：居住用地为30,商业用地为15,工业用地为40,公服用地50,科教文化用地为60,绿地广场为90。
p i = w i × k i ∑ j = 1 j = 6 w j × k j
式中： w i表示第i类POI的权重; k i表示街区单元内第i类POI核密度之和。

2.1.3 活动满意度评价模型

人是街区活力的主体,一个有活力的街区必然使人们获得良好的活动体验。与街区中必要性活动（如上班、上学等）相比,非必要活动（购物、休闲娱乐等）对周围物质环境的要求最高,对活力的影响也更大。因此本文利用美团商铺口碑评分数据,将爬取到的11个行业数据按照人们在街区中进行的活动分为餐饮购物、休闲娱乐、生活服务、教育培训4类,之后基于核密度估计算法实现口碑评分影响的扩散,并构建街区活动满意度模型,对人们在街区进行活动的体验进行量化,活动满意度评价模型如下：
S a t i s f a c t i o n = ∑ i = 1 n G i S
式中： G i为街区单元内第i类口碑评分的核密度值;S为街区单元面积。

2.1.4 空间交互潜能

目前关于城市活力量化研究大多从人的活动角度出发,很少考虑研究单元之间的空间作用,而一个有活力的街区不仅表现在街区单元内部人的活动上,也表现在空间上街区与街区之间的相互联系、相互吸引的能力上。在空间关系网络中,一个街区单元在其中扮演的角色和发挥的作用越重要,与其他街区发生交互联系的潜能越大,其空间活力也越高。因此本文基于引力模型构建空间交互潜能网络,从空间的角度对城市街区活力进行研究。
（1）功能区识别模型
利用百度POI数据对南京市中心城区进行功能区划分,为街区空间交互潜能模型的构建做准备,构建功能区识别模型如式（7）、式（8）。
F i = n i N i
C i = F i ∑ i = 1 n F i
式中： F i为第i类POI的频率密度;i为POI类别数,i=1,2,3,4,5,6;n为街区单元内第i类POI数量; N i为第i类POI总数; C i为第i类POI功能类型比例,即街区内第i类POI频率密度占街区内所有类别POI频率密度的比例。
根据空间交互潜能模型的需要,将街区划分为单一功能区,通过比较类型比例大小确定功能区类别,部分无数据区划分为其他用地类型。因此确定功能类型为居住用地、商业用地、工业用地、公共服务用地、科教文化用地、绿地广场用地、其他用地 7种类型。
（2）基于引力模型的空间交互潜能
引力模型（Gravity Model）,又称重力模型,是以牛顿万有引力定律为基础提出的用来分析、预测空间相互作用的数学模型。本文利用引力模型,测量城市街区之间的空间交互潜能,认为街区间交互潜能与2个街区的容积率的乘积成正比（容积率公式如式（9））,与2个街区间欧式距离的平方成反比,由此改进得到的引力模型公式如式（10）所示。
A = b B
G i j = K i j A i × A j D i j 2
式中： A表示街区的容积率;b为街区单元内的总建筑面积;由高德爬取的建筑物轮廓数据计算得到;B为该街区单元的面积。 G i j表示街区i和j之间的空间交互潜能; K i j表示常数,表示街区i与街区j相互作用的引力系数; A i、 A j分别表示街区i、j的容积率; D i j表示街区i与街区j几何中心的欧氏距离。
同时,本文认为空间交互潜能与街区的功能类型有关。当2个街区功能互补时,交互的可能性更大,当街区功能相同或者相关性较小时,发生交互活动的可能性减弱,由此定义引力系数 G i j,利用专家打分法[30]对不同功能类型的街区单元之间发生交互活动的潜能进行打分（表2）。
表2 不同功能区类型间的引力系数

Tab. 2 Gravitational coefficient between different functional area types

居住 商业 工作 公服 科教 绿地 其他
居住 0.5 1 1 0.8 0.8 0.8 0.1
商业 1 0.6 1 0.8 0.8 0.8 0.1
工作 1 1 0.5 0.8 0.5 0.6 0.1
公服 0.8 0.8 0.8 0.6 0.6 0.6 0.1
科教 0.8 0.8 0.5 0.6 0.5 0.6 0.1
绿地 0.8 0.8 0.6 0.6 0.6 0.6 0.1
其他 0.1 0.1 0.1 0.1 0.1 0.1 0.1
利用改进的引力模型测量街区间发生交互联系的强度,构建多值无向空间网络矩阵。
为了判定街区间是否存在交互联系,计算交互强度值的中位数,当2个街区之间强度值大于或等于中位数时,则赋值为1,认为该街区之间有交互联系,否则赋值为0,认为街区间无交互潜力,从而将该多值网络矩阵转化成二值网络矩阵。
（3）点度中心度
点度中心度（Degree Centrality）是指在网络中与该点直接发生联系的节点数量,是社会网络分析法中描述节点中心度最简单的方法。本文利用点度中心度来测量空间交互网络中各街区的重要性（式（10））。
C i = ∑ j = 1 I x i j
式中： x i j表示节点i与j之间直接相连的连线数量; I表示网络中节点总数。

2.2 基于空间权重的TOPSIS算法

2.2.1 TOPSIS算法

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）法即逼近理想解排序法,又称优劣解距离法[31]。其基本原理为通过计算评价目标与最优解与最劣解的欧式距离来进行排序,若评价目标与最优解距离最近并且与最劣解距离最远,则评价该目标为最优,否则不为最优。
（1）将所有指标正向标准化,确定最优方案和最劣方案,最优方案Z+为标准化后的矩阵每列元素的最大值,最劣方案Z-为标准化后的矩阵每列元素的最小值。
（2）计算评价对象与最优（式（11））、最劣方案（式（12））距离：
D i + = ∑ j = 1 m w j ( Z j + - z i j ) 2 ( i = 1,2 , · · · , n )
D i - = ∑ j = 1 m w j ( Z j - - z i j ) 2 ( i = 1,2 , · · · , n )
式中： w j为第j个指标的权重, j=1,2, · · ·,m。
（3）计算相对接近度（式（13））,根据相对接近度对评价对象进行排序相对接近度越接近1,表明该评价对象越好,越接近0则表明该对象越差。
C i = D i - D i + + D i - ( 0 ≤ C i ≤ 1 , i = 1,2 , · · · , n )

2.2.2 指标定权：传统熵值法与空间关系权重

确定合理的权重是TOPSIS算法取得良好效果的关键。目前权重分配方法有很多,可以分为主观赋权法和客观赋权法。主观赋权法是根据决策者的经验判断对各项指标的重要程度进行赋权,这种方法受限于研究者知识经验的限制,有很大的主观随意性。客观赋权法是根据数学方法量化指标间的关系或者离散程度,其中一种典型的方法就是熵值法。
熵值法是通过度量已知数据所包含的有效信息量来确定权重的方法,指标值相差较大时,熵值较小,此时该指标提供的有效信息量较大,权重也应较大;反之权重较小。熵值法首先需要对指标值进行归一化及标准化处理,之后计算评价指标的熵 H j（式（15））,根据熵值得出最终的权重值 w j（式（16））。
H j = - 1 l n y ( ∑ i = 1 y b i j + 1 ∑ i = 1 y ( b i j + 1 ) l n b i j + 1 ∑ i = 1 y ( b i j + 1 ) )
w j = 1 - H j n - ∑ j = 1 n H j
式中：y为评价对象数; b i j为归一化、标准化处理后第i个评价对象第j个评价指标值。
这种方法较为公正客观,但根据不同街区单元的空间位置关系,一个街区的综合活力会受到其周围具有高活力街区的辐射影响,因此单纯使用数学方法分配权重有失偏颇。距离高活力街区越近,则受到的影响带动作用越大。由此,本文引入空间关系权重,考虑街区单元与处于理想状态的街区间的空间欧式距离,空间权重计算公式如式（16）、式（17）所示。
d j k = D I S T j k ∑ j = 1 n D I S T j k
w j k = m a x ( d j k ) - d j k
式中： D I S T j k为街区单元j到指标k理想解的空间距离; w j k为k指标下街区单元j的空间距离权重。

2.3 Getis-Ord Gi*热点指数

Getis-Ord Gi*热点指数[32]是由美国乔治敦大学麦克多诺商学院的J. Keith Ord和圣地亚哥州立大学地理系的Arthur Getis[32]共同提出的一种空间聚类方法,该方法通过分析高低值要素在空间上的聚集位置,识别具有显著性的热点和冷点。其不仅考虑要素的数量、空间位置、邻近要素,也考虑空间单元的数据属性、权重。目前广泛运用于经济地理、交通事故分析、人口分布、城镇发展、零售业态空间布局等领域的研究中。Getis-Ord Gi*热点指数 G i *可表示为：
G i * = ∑ j = 1 n w i , j x j - X ¯ ∑ j = 1 n w i , j S n ∑ j = 1 n w i , j 2 - ∑ j = 1 n w i , j 2 n - 1
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为要素总数,且：
S = ∑ j = 1 n x j 2 n - ( X ¯ ) 2
X ¯ = ∑ j = 1 n x j n

3 研究区概况与数据来源

3.1 研究区概况

本文的研究区域为南京市中心城区,如图2所示。南京作为国家重要的政治、军事、科教、文化、金融商业中心和综合交通枢纽,总面积6587 km2,建成区面积823 km2。
图2 研究区行政区划及街区单元划分

Fig. 2 Study area administrative division and block unit division

根据2011—2020年南京市城市总体规划文件,南京市中心城区总规划面积约846 km2,2020年规划建设用地规模约652 km2,由主城区和东山、仙林、江北3个副城组成,承担着政治交流、金融商贸、工业生产、生活服务、教育服务、文化旅游等多种功能,同时中心城区设施完善,人群聚集度高,城市活力变化显著,有利于本文开展活力的评价与分析。

3.2 数据来源

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,通过政府部门申请、官方网站下载和网络爬虫的方式获得,如表3所示。
表3 融合多源地理大数据的城市街区综合活力评价研究数据

Tab. 3 Research data of comprehensive vitality evaluation of urban blocks based on multi-source geographic big data

数据类型 数据名称 数据来源 年份
基础地理数据 行政边界矢量数据 基础地理国情监测数据 2017
水系数据 基础地理国情监测数据 2017
路网数据 OpenStreetMap官网 2019
网络开源数据 POI数据 百度地图爬虫 2019
微信宜出行数据 腾讯大数据平台爬虫 2019
商铺口碑评分数据 美团网爬虫 2020
建筑物轮廓数据 高德地图爬虫 2019
（1）OSM路网数据
对OSM（OpenStreetMap）路网数据[33],首先筛选出OSM路网中的高速公路、主干道、一级道路、二级道路、三级道路,对路网进行拓扑处理,包括将道路延长100 m以处理未连接的道路网,修剪路网中的悬挂道路及独立路段;然后,根据《城市道路工程设计规范》[34]并结合研究区实际情况,将道路划分为3个等级,其中高速公路、主干道为第一等级,一级道路、二级道路为第二等级,三级道路为第三等级,并分别生成40 m、20 m、10 m缓冲区,进而建立道路空间;最后,结合南京市中心城区矢量数据,生成独立的地块单元,将道路空间从研究区内移除,剔除因面积过小难以发挥社会经济功能的街区单元[35-36],最终得到研究区2402个街区单元。
（2）POI数据
根据《城市用地分类与规划建设用地标准》[37]以及南京市实际情况,将POI一级分类分为6大类,分别为居住用地、商业用地、工业用地、公共服务用地、科教文化用地、绿地广场用地,筛选分类后的POI数据共206 957条。
（3）微信宜出行数据
微信宜出行是展现人口热度的数据源,它是腾讯公司通过记录使用微信产品的活跃用户的实时位置信息,以空间点数据的形式展现人口热力值。
本文每小时爬取一次研究区2019年8月1日 0时—8月7日24时连续一周的宜出行定位数据, 空间分辨率为25 m,共计2100万条记录。调用 Python开源库Pandas对数据进行去重求和处理。由于本文需要对工作日、周末人群活力分别展开研究,因此将工作日（2019-08-01—2019-08-02、2019-08-05—2019-08-07）、周末（2019-08-03—2019-08-04）每小时宜出行数据分别求平均,得到工作日、周末各24个时刻的平均人口热度。
（4）美团商铺口碑评分数据
美团网作为第三方消费点评网站,巨大的用户量以及常年的评分数据累积,使得商户口碑评分数据具有一定的代表性。本文将美团网商户口碑评分数据作为活力满意度的评价指标,获取南京市中心城区不同行业商户口碑评分数据,包括美食、休闲娱乐、酒店、运动健身、生活服务、医疗健康等11个行业分类。由于原始数据中有些商铺没有评价或者评价数很低,为了保证数据的客观性,本文将评价数量小于20条的商户剔除,最后共得到研究区内2.6万条有效的口碑评分数据,考虑到不同商铺的辐射范围不同,将其分为餐饮购物、休闲娱乐、生活服务、教育培训4类。
（5）建筑物轮廓数据
利用Python爬虫技术获取南京市中心城区高德楼宇数据,共计179 049条,包含楼层数、楼高、编号等属性。

4 结果及分析

4.1 南京市中心城区街区综合活力空间分布特征

基于上文的改进空间TOPSIS算法得到南京市中心城区工作日、周末街区综合活力,使用自然间断点分级法将综合活力分为五级（图3）,按活力值从低到高依次为低活力区、较低活力区、一般活力区、较高活力区和高活力区（表4）。南京市中心城区街区综合活力在工作日、周末的空间分布整体特征相似。综合活力高值区主要分布在鼓楼区、秦淮区、玄武区交界处,以新街口为核心呈团状向外形成最大的活力中心,同时在夫子庙、湖南路区域、龙江地铁站形成了次级活力中心。而建邺区、雨花台区、江宁区综合活力高值区分布较少,呈星状分散在集庆门大街地铁站、南京南站、虹悦城、百家湖商圈、江宁万达等区域,此外,栖霞区、浦口区、六合区综合活力较低,未能形成明显的活力中心。可以看出综合活力高值区主要集中在商业中心、旅游景区、交通枢纽处,并且与交通站点分布紧密相关,通常分布在地铁站附近的区域。
图3 南京市中心城区街区综合活力空间分布

Fig. 3 The spatial distribution of comprehensive vitality in the downtown area of Nanjing

表4 综合活力分级范围

Tab. 4 Comprehensive vitality classification range

综合活力分级 工作日综合活力 周末综合活力
低活力区 0.00 ~ 0.04 0.00 ~ 0.04
较低活力区 0.04 ~ 0.08 0.04 ~ 0.08
一般活力区 0.08 ~ 0.12 0.08 ~ 0.12
较高活力区 0.12 ~ 0.28 0.12 ~ 0.29
高活力区 0.28 ~ 0.63 0.29 ~ 0.57
使用Getis-Ord Gi*热点指数进一步识别研究区活力极（图4）,工作日、周末识别出的活力极空间分布基本相同,说明活力极整体相对稳定,南京市中心城区以湖南路商业街-新街口-夫子庙风景区为核心形成最大的活力极,其周边龙江地铁站、集庆门大街地铁站附近形成2个较小的活力极,此外以奥体中心、百家湖、万达商圈为核心形成3个更小的活力极。
图4 南京市中心城区活力极空间分布

Fig. 4 Spatial distribution of vitality poles in downtown Nanjing

4.2 工作日、周末街区综合活力异同

统计发现,工作日综合活力平均值为0.069 542,周末综合活力平均值为0.0648 41,工作日的综合活力平均值高于周末,工作日综合活力标准差为0.055 368,周末综合活力标准差为0.051 617,周末的综合活力标准差略低于工作日。总的来说,工作日街区综合活力整体要高于周末,且各街区工作日综合活力较周末波动更大。为了更好地分析比较工作日、周末综合活力,分别统计五类活力街区的数量与面积,结果如表5及图5所示。
表5 工作日、周末各类活力街区数量与面积

Tab. 5 Number and area of various vibrant blocks on weekdays and weekends

综合活力
分级		 工作日 周末
街区数量
/个		 街区面积
/km2		 街区数量
/个		 街区面积
/km2
低活力区 709 358.32 724 367.47
较低活力区 1006 349.75 1028 347.80
一般活力区 415 54.15 420 50.15
较高活力区 249 13.40 213 10.38
高活力区 23 0.56 17 0.37
图5 工作日、周末各类活力街区数量与面积

Fig. 5 Number and area of various vibrant blocks on weekdays and weekends

从图3上看,工作日、周末高活力区、较高活力区尽管存在一定差异,但分布位置基本稳定,主要分布在新街口、夫子庙及其他商业中心。工作日高活力区、较高活力区、一般活力区街区数量与面积均高于周末,周末低活力区街区数量和面积高于工作日,工作日、周末综合活力分布差异最显著的是较高活力区（图3中橙色街区）,其工作日数量明显多于周末。这种现象主要是由工作日、周末人的活动差异产生的。工作日人们的活动区多为固定的上班地点与居住地,因此此类活力聚集地多为城市各处的工作、居住地,分布范围更广,而周末人们通常会产生购物、休闲娱乐、游玩的需求,更趋向于前往市中心的高级商业中心、休闲娱乐场所等地,导致此类街区难以产生较高的活力。
进一步统计不同功能街区工作日与周末的活力差异（图6）发现,工业用地、公共服务用地、绿地广场用地及商业用地功能街区工作日与周末的综合活力差异较大,其中,工业用地及公共服务用地街区的综合活力受到人们日常工作的影响,绿地广场用地及商业用地街区的综合活力受到人们周末休闲娱乐的需求影响。值得注意的是,公共服务用地街区综合活力差值均值最大,考虑是政府机构等实行双休制导致活力差异最大,而同样实行双休的科教文化用地街区的综合活力差值均值却不大,可能是由于科教文化用地中除了实行双休的中小学外,还包括工作日、周末均十分活跃的大学,导致活力差异不大。此外,不管是周末还是工作日,居住是人们基本的需求,因此居住用地功能街区综合活力变化很小,而其他用地功能街区几乎不具备承载人们活动的能力,其本身的综合活力很小,工作日与周末的活力差异也几乎可以忽略。
图6 不同功能街区工作日与周末综合活力差值的均值与标准差

Fig. 6 Mean and standard deviation of weekday and weekend comprehensive vitality difference of different functional blocks

根据图4进一步对比分析工作日、周末活力极的空间差异,发现主要是位于奥体中心、集庆门大街、百家湖、万达商圈的活力极发生变化（图7）。图7中颜色越深表示置信度越高。奥体中心附近的区域在工作日存在置信区间为99%的热点区域,热点范围更大、活力更高,而在周末置信区间衰弱至95%、90%。说明该区域活力不稳定,这主要是由于该区域的用地功能特点导致其周末不能保持最佳活力状态,此处位于河西中央商务区,分布有较多的商业金融中心,使得工作日产生的活力聚集高于周末。集庆门大街、百家湖、万达商圈3处活力极置信区间为99%、95%的热点区域在周末范围更大、活力更高。这3处区域多分布有商圈,因此在周末活力更高,也表明此区域的活力仍在不断集聚成长过程中,未来可能产生更大的动力,形成更高的活力极。
图7 工作日、周末活力极空间差异

Fig. 7 Vitality difference between weekdays and weekends

而湖南路商业街-新街口-夫子庙风景区、龙江地铁站附近的活力极在工作日和周末变化不大,说明这些区域的活力极已基本成型,相对稳定。六合区、栖霞区、浦口区存在大量活力冷点,活力较弱,未来活力建设需提升本区域的吸引力。此外,浦口区、栖霞区在置信区间95%以上有较小的活力极,表明这2处区域处于活力孕育的早期,活力建设需进一步探索和努力,才可能培养成更大的活力极。

4.3 空间相互作用对街区综合活力的影响

对由传统熵值TOPSIS法和本文提出的空间TOPSIS法得到的结果进行比较（图8）,2种方法的综合活力差值越大表明空间相互作用对街区综合活力的影响越大。工作日综合活力差值取值范 围为0~0.096 735,周末综合活力差值取值范围为0~0.099 557,工作日活力差值低于周末,但工作日与周末街区单元间的空间相互作用表现出相似的空间变化（图3）：中心高活力街区活力受到的空间作用较小,最大活力变化呈环状分布在中心城区外围,但中心高活力区存在活力变化较大的街区,外围区域中也存在活力变化较小的街区。
图8 熵值TOPSIS与空间TOPSIS活力模型计算结果差值

Fig. 8 The difference between the results of entropy TOPSIS and spatial TOPSIS

中心高活力街区受到的空间作用较小,说明一般情况下,街区的活力越高,受到周围街区的影响就越小,而中心城区外围的街区活力较低,易受到空间作用的影响,因此最大活力变化呈环状分布在中心城区外围。外围差值较小的街区多为工业用地、绿地广场用地和其他用地,而中心差值较大的街区多为商业用地及科教文化用地,为了进一步探究空间关系对不同功能的街区的活力影响,根据街区功能对综合活力变化进行统计（图9）。绿地广场用地、工业用地及其他用地活力差值的均值和标准差都较低,说明不论街区单元是否位于活力高值区附近,其活力变化均不大且波动性不强,即该功能的街区单元综合活力受空间相互作用的影响小;居住用地、商业用地及科教文化用地活力差值的均值和标准差都为最高,说明空间关系对其活力的影响很大,并且活力差值的波动性很强,结合图9,该类功能活力差值较大的街区多位于中心活力高值区附近,活力差值较小的街区多位于外围低活力区,即高活力街区对该功能街区综合活力的影响随距离增加逐渐削弱。
图9 不同功能的街区综合活力差值统计

Fig. 9 Comprehensive vitality difference of blocks with different functions

南京市中心城区街区综合活力整体发展并不平衡,由于不同功能的街区受空间相互作用的影响不同,居住用地、商业用地及科教文化用地街区受空间相互作用影响明显,因此仅考虑空间相互作用的影响时,究其内部机理可以发现,未来南京市中心城区街区综合活力整体协调发展的关键在于科教文化水平的均衡发展,优质的教育资源促进人口流入,带动周边地区的商业建设,进一步提升街区对人们的吸引力,三者形成良性循环,进而大幅提升低活力街区的综合活力,使南京市中心城区街区的综合活力发展趋于平衡。

5 结论与展望

本文融合多源地理大数据基于TOPSIS算法提出了一种考虑空间关系的空间TOPSIS算法对南京市中心城区街区综合活力进行评价,并与传统熵值TOPSIS法结果进行对比分析。结果表明：
（1）南京市中心城区街区综合活力整体发展并不平衡,活力较高的地区主要分布在市中心区域,其中以新街口为核心呈团状向外形成最大的活力中心,而其他地区难以保持良好的活力状态。
（2）人们的活动差异造成工作日与周末街区综合活力的差异,位于湖南路商业街-新街口-夫子庙风景区、龙江地铁站的活力极已经成型,六合区、栖霞区、浦口区活力较弱,其中浦口区、栖霞区有较小活力极正在孕育中,需要继续提升吸引力。
（3）综合活力越低的街区受空间相互作用的影响越大,不同功能的街区受空间相互作用的影响不同,科教文化水平的发展是城市活力发展的关键。
仅从空间相互作用上看,科教水平是街区综合活力提升的关键,但城市活力是一个复杂多元的问题,南京市中心城区综合活力的空间分布差异与各区域历史沿革、社会经济、城市规划战略有关。因此在开展城市综合活力建设时,需要政府考虑各区域的职能发展定位与基础条件,积极引入营造活力的相关要素,提供相关政策扶持与倾斜,减少依靠本地经济基础与市场引导进行的盲目探索,为区域活力建设指明方向。
本文的改进之处在于：① 不同于目前城市活力量化研究通常以人的活动作为外在表征,采用单一的数据源表示人群活动量,本文结合多源地理大数据,从人与空间双重角度,通过街区人群活力、活力多样性、活动满意度、街区空间交互潜力4个方面更加全面地对街区活力进行衡量;② 通常TOPSIS算法权重多采用层次分析法、熵值法确定,本文考虑到高活力街区单元对其他街区单元的辐射作用和街区单元之间的空间位置关系,引入空间关系权重,构建了改进的空间TOPSIS模型,并结合传统熵值TOPSIS算法探究了空间相互作用对城市活力的影响。
本文的不足之处在于,评价综合活力时只考虑了空间尺度,而城市活力在一天中不同的时间段会表现出不同的特征与规律,此外,本文未对城市活力内在影响机制进行探究,因此,未来可以引入时间尺度,结合各种时空大数据对街区活力时空分布特征及内部影响机制进行探究,从而为城市规划建设提供更加科学、全面的研究思路。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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.

[ Wang Y Z. Research on urban spatial vitality characteristic evaluation and internal mechanism of Shanghai central city based on mobile phone signaling data[D]. Nanjing: Southeast University, 2017. ]

[2]
范冬婉. 时空大数据支持下的城市活力测量方法及增长策略研究[D]. 武汉: 武汉大学, 2019.

[ Fan D W. Quantifying urban vitality and its growth strategy using spatio-temporal big data[D]. Wuhan: Wuhan University, 2019. ]

[3]
翁世杰. 武汉市城市活力分析——以三环内主城区为例[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. ]

[4]
Jacobs J. The death and life of great American cities[M]. New York: random house, 1961.

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

[6]
Bentley I. Responsive environments[M]. New York: Architectural Press, 1985:27-31.

[7]
Gehl J. Life between buildings: Using public space[M]. Washington DC: Island press, 2011.

[8]
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. ]

[9]
龚颖. 城市公共空间活力研究[D]. 武汉: 中国地质大学, 2009.

[ Gong Y. Study of the vitality of urban public space[D]. Wuhan: China University of Geosciences, 2009. ]

[10]
李万林. 城市公共空间的活力与特征浅述[J]. 重庆建筑, 2011, 10(12):10-12.

[ Li W L. Brief introduction of vitality and features in urban public space[J]. Chongqing Architecture, 2011, 10(12):10-12. ]

[11]
汤华杰. 加快城市活力空间建设的思考[J]. 中国国情国力, 2017(5):48-49.

[ Tang H J. Thoughts on speeding up the construction of urban vitality space[J]. China National Conditions and Strength, 2017(5):48-49. ]

[12]
Gehl Architects. Towards a fine city for people: Public spaces and public life-London[R]. London: Transport for London, 2004.

[13]
Biddulph M. Radical streets: The impact of innovative street designs on liveability and activity in residential areas[J]. Urban Design International, 2012, 17(3):178-205.

[14]
杨喜平, 方志祥. 移动定位大数据视角下的人群移动模式及城市空间结构研究进展[J]. 地理科学进展, 2018, 37(7):880-889.

DOI

[ Yang X P, Fang Z X. Recent progress in studying human mobility and urban spatial structure based on mobile location big data[J]. Progress in Geography, 2018, 37(7):880-889. ]

[15]
Xi L, Li G, Yongxi G, et al. Revealing travel patterns and city structure with taxi trip data[J]. Journal of Transport Geography, 2015, 43:78-90.

[16]
John D, Peter H, Ronan F, et al. Population Mobility Dynamics Estimated from Mobile Telephony Data[J]. Journal of Urban Technology, 2014, 21(2):109-132.

[17]
Meng Z, Yang Y, Qingquan L, et al. Portraying temporal dynamics of urban spatial divisions with mobile phone positioning data: A complex network approach[J]. ISPRS International Journal of Geo-information, 2016, 5(12):240.

[18]
陈佳, 胡波, 左小清, 等. 利用手机定位数据的用户特征挖掘[J]. 武汉大学学报·信息科学版, 2014, 39(6):734-738,744.

[ Chen J, Hu B, Zuo X Q, et al. Personal profile mining based on mobile phone location data[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6):734-738,744. ]

[19]
钟炜菁, 王德, 谢栋灿, 等. 上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索[J]. 地理研究, 2017, 36(5):972-984.

DOI

[ Zhong W J, Wang D, Xie D C, et al. Dynamic characteristics of Shanghai's population distribution using cell phone signaling data[J]. Geographical Research, 2017, 36(5):972-984. ]

[20]
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. ]

[21]
王波, 甄峰, 张浩. 基于签到数据的城市活动时空间动态变化及区划研究[J]. 地理科学, 2015, 35(2):151-160.

DOI

[ Wang B, Zhen F, Zhang H. The dynamic changes of urban space-time activity and activity zoning based on check-in data in sina web[J]. Scientia Geographica Sinica, 2015, 35(2):151-160. ]

[22]
张莹. 城市街区活力测度及影响机制研究——以武汉市主城区为例[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. ]

[23]
Cranshaw J, Schwartz R, Hong J I, et al. The Livehoods project: Utilizing social media to understand the dynamics of a city[J]. ICWSM 2012 - Proceedings of the 6th International AAAI Conference on Weblogs and Social Media, 2012:58-65.

[24]
Zeng C, Song Y, He Q, et al. Spatially explicit assessment on urban vitality: Case studies in Chicago and Wuhan[J]. Sustainable Cities and Society, 2018, 40:296-306.

[25]
Huang B, Zhou Y, Li Z, et al. Evaluating and characterizing urban vibrancy using spatial big data: Shanghai as a case study[J]. Environment and Planning B: Urban Analytics and City Science, SAGE Publications Sage UK: London, England, 2019: 2399808319828730.

[26]
Wu J, Ta N, Song Y, 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.

[27]
Mehta V. Evaluating Public Space[J]. Journal of Urban Design, 2014, 19(1):53-88.

[28]
宁晓平. 土地利用结构与城市活力的影响分析[D]. 深圳: 深圳大学, 2016.

[ Ning X P. Analysis on the influence of land use structure and urban vitality[D]. Shenzhen: Shenzhen University, 2016. ]

[29]
赵卫锋, 李清泉, 李必军. 利用城市POI数据提取分层地标[J]. 遥感学报, 2011, 15(5):973-988.

[ Zhao W F, Li Q Q, Li B J. Extracting hierarchical landmarks from urban POI data[J]. Journal of Remote Sensing, 2011, 15(5):973-988. ]

[30]
谢超. 城市网络格局下的新城活力表征研究——以广州珠江新城为例[D]. 哈尔滨: 哈尔滨工业大学, 2020.

[ Xie C. A research on the urban vitality characterization of new town from a network perspective: A case study from the pearl river new town in Guangzhou[D]. Harbin: Harbin Institute of Technology, 2020. ]

[31]
倪艳亭, 崔雁冰. 基于改进TOPSIS法的济南都市圈城市创新能力空间分异研究[J]. 地域研究与开发, 2019, 38(6):63-67.

[ Ni Y T, Cui Y B. Spatial differentiation of urban innovation capability in Jinan metropolitan circle based on improved TOPSIS method[J]. Areal Research and Development, 2019, 38(6):63-67. ]

[32]
Ord J K, Getis A. Local spatial autocorrelation statistics: Distributional issues and an application[J]. Geographical Analysis, 2010, 27(4):286-306.

[33]
OpenStreetMap基金会. OpenStreetMap[EB/OL]. https://www.openstreetmap.org/,2021.

[OSMF. OpenStreetMap[EB/OL]. https://www.openstreetmap.org/,2021.

[34]
中华人民共和国住房和城乡建设部. 中华人民共和国城镇建设工程标准:城市道路工程设计规范CJJ 37-2012[S]. 北京: 中国建筑工业出版社, 2012.

[Ministry of Housing and Urban-Rural Development of the People's Republic of China. Code for design of urban road engineering. CJJ 37-2012[S]. Beijing: China Architecture & Building Press, 2012. ]

[35]
Yuan Zhang, et al. The Combined Use of Remote Sensing and Social Sensing Data in Fine-Grained Urban Land Use Mapping: A Case Study in Beijing, China[J]. Remote Sensing, 2017, 9(9):865.

[36]
Liu Xingjian, Long Ying. Automated identification and characterization of parcels with OpenStreetMap and points of interest[J]. Environment and Planning B: Planning and Design, 2016, 43(2):341-360.

[37]
中华人民共和国住房和城乡建设部. 中华人民共和国国家标准:城市用地分类与规划建设用地标准GB 50137-2011[S]. 北京: 中国计划出版社, 2012.

[Ministry of Housing and Urban-Rural Development of the People's Republic of China. National Standard (Mandatory) of the People's Republic of China: Code for classification of urban land use and planning standards of development land. GB 50137-2011[S]. Beijing: China Planning Press, 2012. ]

Options
Outlines

/

〈 〉