黄健文,朱雪梅,徐 莹,熊 璐,张伟国
(1. 广东工业大学 建筑与城市规划学院,广东 广州,510090;2. 中国城市科学研究会 城市更新专业委员会,广东 广州,510090;3. 广州市人文社科重点基地,广东 广州,510090;4. 华南理工大学 建筑学院,广东 广州,510641)
岭南地区夏长冬短、潮湿多雨,亚热带季风海洋性气候特点孕育了与之依存的独特的人性化城市空间. 历经岁月仍作为居民主要生活场所的岭南城市旧城区,是社会交往发生和集体印记承载的城市空间,大多仍保持着功能紧凑且适宜步行的物质空间形态. 2009年广东省在国家“三旧”改造特殊政策扶持下[1],积极开展多元化的旧城更新实践与探索,近年在《住房和城乡建设部关于推进老旧小区改造试点工作的通知[2017]322号》的引导下,省内各城市旧城区逐步出现了一批以“老旧小区”为载体的旧城改造项目. 住房和城乡建设部对“老旧小区”定义为“2000年以前建成的环境条件较差、配套设施不全或破损严重、无障碍建设缺失、管理服务机制不健全、群众反映强烈的住宅小区.”然而,“三旧”改造政策的主要目标是“节约集约用地”[2],老旧小区改造不能罔顾原有物质空间形态长年积淀的独特性,针对以步行为主要出行方式的空间本底特征研究仍有待加强,城市物质空间形态定量研究更是旧城更新进程中需要解决的重要科学问题. 因此,本文尝试借助多源大数据的信息研究岭南地区各地城市老旧小区,探索相关物质空间形态的量化指标特征与内在关系,旨在有效引导老旧小区更新延续旧城空间形态逻辑,维育空间紧凑特性.
国内外相关研究主要集中在城市物质空间形态的建筑密度和街区尺度的特征分析与定量评价:伯格豪斯和豪普特(Berghauser & Haupt)[3]通过基本的数值量度解释密度的多种含义和量度方法,在理清了建筑密度的相关内容和参照指标之后,指出需要将多种建筑密度指标结合成一种整体性的评价方法;埃利斯(Ellis)[4]通过对8组形态相似或迥异的城市图底肌理进行同尺度对照分析,仔细探讨了图底分析如何描述城市空间格局并揭示其相应的建设活动;任春洋[5]通过对高密度方格路网与街道演变进程的回顾,归纳出其价值和形式特征并进一步分析它在中国的适用性;董春芳[6]用更简单易懂的方式解释了空间伴侣(Spacemate)的理论基础和应用,为城市密度的解读提供了新的方法. 以上研究是空间形态特征分析在建筑密度、空间格局和路网与街道方面的探索,而中微观层面的定量评价也已同时引起了学术界的关注. 周钰[7]通过分析城市和街道实例,研究街道界面密度与建筑密度之间的数值关系;黄烨勍[8]通过对90个大城市的对比分析归纳出了街区适宜尺度的具体判定特征;杨俊宴[9]以边界分形维数、斑块破碎度、地块离散度、街坊形状指数等测度城市新区的尺度肌理, 并以城市空间原型拓扑、图底关系转换等分析方法解析新区的空间形态. 从研究趋势来看,城市空间形态的特征分析与定量评价已由宏观层面深入到中微观层面,并由以往的单一测度向综合测度的趋势发展.
本课题研究采用“图底分析”为方法核心,以岭南地区老旧小区典型案例的适宜步行范围内的空间形态量化指标进行分析比较. 对于数据的分析和比较,主要采取两种方式. 一种是单一数据的比较,注重分析不同老旧小区之间的空间形态各类指标差异和指标主要分布区间,另一种是数据之间的双变量相关性分析,用于分析空间形态各类指标之间的潜在关系.
本课题的研究对象为从广东省21个城市旧城中选取较有代表性的75个老旧小区,广州、佛山、东莞、深圳各采集6个样本,其他城市各采集3个样本. 这是由于广东省政府实施“三旧”改造采取了试点城市的方式,其中广州、佛山、东莞、深圳4个大型城市被定点为“三旧”改造试点,并且这4个城市的老旧小区面积较广,因此本研究将其作为主要统计城市增加样本数量,见表1.
表1 75个岭南地区老旧小区样本所属社区及主要生活性街道(来源:团队制作)Tab.1 75 communities and major living streets belonging to the old residential neighborhoods in the Lingnan area (Source: team drawing)
此外,老旧小区的案例均为面积大小不等的住宅小区,为统一不同案例的空间形态以便于进行比较和分析,研究团队划定了一个以住宅小区主要生活性街道为中心,800 m×800 m的量化指标测算区域(以下简称“测算方域”). 测算方域选择主要来自两方面原因:一方面考虑与老旧小区空间形态直接相关的居住生活功能. 以居住为主体的老旧小区在行政性上归属城市社区管理,城市社区里最主要的生活性街道,通过聚集多层次的零售商铺商店及多类型的公共服务设施,为社区提供多样性的居住功能支持. 选择800 m×800 m的方域范围基本可以完全纳入这些生活性街道,较好体现紧凑性空间形态的老旧小区居民活动核心区域;另一方面则源自于一个普通成年人10 min的步行距离. 一个正常的人在正常情况下的步行速度一般是4~7 km/h,也就是10 min的步行距离在667~1167 m左右. 这里取人的步行速度为5 km/h,那么一个人在10 min的步行距离为833 m[10].因此,800 m×800 m的大小与距离均较适合作为测算老旧小区空间形态量化指标的基准范围.
在城市中微观空间层面上,主要通过“图底分析”方法来揭示老旧小区空间形态逻辑. “图形—背景”分析鲜明地呈现出实体与空间、建筑与街道的关系,提供了深入解析城市平面结构特征的研究基础[11]. 通过对测算方域的深入观察,团队选取中微观空间层面相对较能呈现空间形态逻辑的要素——建筑和道路,其相关量化指标包括建筑物数量、用地面积、建筑毛密度、建筑平均周长、建筑周长标准差、建筑平均面积、建筑面积标准差、道路总长度、道路交叉口数量(见表2).
表2 空间要素测算指标注释(来源:团队制作)Tab.2 Annotations for the measuring indicators of spatial elements (Source: team drawing)
多源大数据的数据采集内容,主要来自于两种地图数据,一种是像素化地图数据,另一种是矢量化地图数据. 而多源大数据采集过程大致分成3部分:前期数据观察,中期数据收集和后期数据整理. 前期首先通过对网络地图进行观察并选定75个岭南地区老旧小区样本的测算方域,然后通过插件对像素化地图数据进行转化以及对矢量化地图数据进行提取,最后截取和整理测算方域内所需要的空间要素测算指标,如图1所示.
2.3.1 像素化地图数据
图1 多源大数据采集过程框架图(来源:团队制作)Fig.1 Acquisition process framework of Multi-source big data(Source: team drawing)
像素化地图数据主要依托“天地图”网站,该网站是我国地理信息公共服务平台,其覆盖范围从宏观的中国全境到微观的县市乃至乡镇、村庄,数据内容包括不同详细程度的交通、水系、境界、政区、居民地、地名等信息数据以及不同分辨率的地表卫星影像数据等. 其中,“天地图·广东”(http://www.tianditugd.com)是国家“天地图”的省级节点,由广东省国土资源厅监制,广东省国土资源技术中心提供技术支持,是“数字广东”地理空间框架建设的重要组成部分,主要目的是统筹利用地理信息资源,为社会公众提供一站式、便捷的地理信息服务,发挥测绘成果在国民经济中的价值. 它高度集成了全省现有的基础地理信息数据,包括影像、地名、地址、三维地形和部分专题数据,实现了国家、省、市三级在线互联互通(见图2). 因此,本研究将其作为测算方域内建筑指标数据收集的主要来源,并通过使用谷地地理信息系统网站(http://www.goodygis.com)地图和实地调研对其进行补充完善.
图2 “天地图广东”网站在线地图界面(来源:http://www.tianditugd.com)Fig.2 Interface of “Tianditu·Guangdong” online map (Source:http://www.tianditugd.com)
2.3.2 矢量化地图数据
矢量化地图数据则提取自OpenStreetMap(简称OSM)开源地图网站(https://www.openstreetmap.org).团队借助专业3D造型软件Grasshopper软件中的ELK编程插件,通过对OSM导出的osm格式文件进行转换,生成包含多种类城市信息的矢量化地图数据. 例如,在OSM界面中通过对广州珠江新城中轴线区设定所需要的范围,即可导出该范围的包含城市信息的osm格式文件,然后再通过grasshopper软件中的ELK编程插件对osm格式文件进行转换,生成的是包括部分建筑边线、主要道路中心线、次要道路中心线,高架桥中心线、地铁及城市轨道交通中心线和海岸及湖岸线的矢量化地图,加以整理后能提取到测算方域内的道路、水域、山体等空间形态测算指标(见图3).
图3 ELK插件生成的珠江新城中轴线区矢量化地图(来源:团队制作)Fig.3 Vector map for the central axis area of Zhujiang New Town generated by ELK plug-in (Source: team drawing)
在多源大数据的采集基础上,团队分别对每个岭南地区老旧小区样本的测算方域进行了数据测算与整理,以此建构由75个样本所组成的数据总表. 首先,测算由像素化地图转化的数据指标. 建筑数量、建筑周长、建筑面积指标均由高分辨率的像素化地图转化为建筑物矢量图,再导入CAD软件且基于测算方域直接统计得出. 其次,将所有样本的建筑周长、建筑面积数据按标准差公式进行统计,即能计算出建筑平均周长、建筑周长标准差、建筑平均面积和建筑面积标准差的指标数据. 再次,测算由矢量化地图提取的数据指标. 道路矢量图由osm格式文件提取得到,基于测算方域通过grasshopper软件中的ELK插件计算出道路总长度以及道路交叉口数量. 此时可通过对照叠合建筑物与道路矢量图的卫星地图,不仅可检查建筑物与道路的准确性,还可以为制作测算方域的黑白“图底”做准备(见图4). 最后,测算由像素化地图和矢量化地图配合统计的数据指标. 用地面积和建筑毛密度既需要利用像素化地图转化得到的建筑物数据,也需要利用矢量化数据提取得到的水域和山体数据,两方面配合统计得出指标数据.
图4 叠合建筑物与道路矢量图的卫星地图(来源:团队制作)Fig.4 Satellite map stacked with buildings vector and roads vector(Source: team drawing)
除了进行数据统计,团队还通过Grasshopper软件平台处理生成建筑周长与面积数据的可视化图表. 如广卫社区样本的可视化图表,除了呈现测算方域的卫星地图、黑白“图底”、生活性街道照片以及一系列空间要素测算指标,还展现了建筑周长与面积的对向趋势排列图表(表示测算方域内所有建筑周长与面积按大小次序排布并反映各自变化趋势的图表)和位置顺序排布图表(表示测算方域内所有建筑周长与面积按先自东至西再自北至南地理位置排布的图表),藉此直观反映老旧小区建筑尺度的变化情况(见图5).
图5 广卫社区样本的数据与可视化图表(来源:团队制作)Fig.5 Data and visual charts for the Guangwei community sample(Source: team drawing)
根据75个样本的测算指标数据,可统计得出岭南地区老旧小区典型案例测算方域内的空间形态各项指标的汇总数据(见表3). 同时,这些量化指标可以作为重要的数据基础,进一步实行反映空间要素相互关系的双变量相关性分析.
相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度[12]. 为充分利用75个岭南地区老旧小区样本的空间要素指标,团队采用了SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案)软件分析这些指标的相关性. SPSS相关性分析主要生成两个关键数值. 一是皮尔森相关系数(Pearson correlation coefficient),也称皮尔森积矩相关系数[13],是一种线性相关系数. 皮尔森相关系数是用来反映两个变量线性相关程度的统计量[14]. 皮尔森相关系数绝对值越大,表示两个数据之间的相关性越大;二是显著性水平. 显著性水平是指发生小概率事件的概率,可作为判断两个指标是否显著相关的重要标准[15]. 在SPSS分析表中,显著性水平以*号标记在皮尔森相关系数之后. *表示相关性在0.05 层上显著,则表示两个指标显著相关. **表示相关性在 0.01层上显著,则表示两个指标极显著相关.
为了能够有效衡量两个变量因素,并且更加清晰地分析空间要素指标之间的关系,团队将空间要素指标分成3个组. A组是建筑量度方面的建筑数量和建筑毛密度. B组是道路量度方面的道路总长度和交叉口数量. C组是建筑尺度方面的建筑周长和面积. 针对这些指标的相关性分析不仅在组内进行,而且还在组与组之间展开.
4.2.1 A组:建筑数量与建筑毛密度
运用SPSS软件导入75个岭南地区老旧小区样本的建筑数量与建筑毛密度指标数据,得到两个变量之间的相关系数矩阵. 数据显示,建筑数量与建筑毛密度之间的皮尔森相关系数为0.506,相关性在0.01层上显著. 通过相关系数分析,表明建筑数量与建筑毛密度呈显著正相关(见图6). 同时,根据公式建筑毛密度=(建筑平均面积×建筑数量)/用地面积,可见建筑毛密度和建筑数量所具有的数理关系,由于样本的建筑平均面积将近90%集中在100~400 m2区间,同时老旧小区样本的用地面积内仅有较低比例的水域和山体,建筑平均面积和用地面积的数据基本稳定,可见它们对建筑毛密度和建筑数量的关系影响并不大. 综合以上推断,75个岭南地区老旧小区样本测算方域内,存在着建筑数量与建筑毛密度成正比变化的共性特征. 如果在改造中大幅度减少或增加老旧小区的建筑数量,必须注意此举措下对小区建筑毛密度的显著正相关性影响.
4.2.2 B组:道路总长度与交叉口数量
从B组两个变量之间的相关系数矩阵可以得知,道路总长度和交叉口数量之间的皮尔森相关系数为0.538,相关性在0.01层上显著,表明道路总长度和交叉口数量呈显著正相关. 而且从相关系数示意图反映出数据点基本大部分分布在趋势线两侧,则表明道路总长度和交叉口数量呈现出正向线性相关. 虽然道路总长度和交叉口数量难找到数理上的公式关联,但是正向线性相关已表明道路总长度的增加会带来交叉口数量的增加,促使车辆在老旧小区及周边的交叉口等候和频繁减速,有助于产生更安全舒适的步行环境.
表3 75个岭南地区老旧小区样本空间要素指标汇总(来源:团队制作)Tab.3 Indicators of spatial elements of 75 old residential neighborhoods in the Lingnan area (Source: team drawing)
续表3
**:在 0.01 水平(双尾)上显著相关。*:在0.05 水平(双尾)上显著相关。
图6 A组两个变量之间的相关系数矩阵与示意图(来源:团队制作)Fig.6 Correlation coefficient matrix and schematic diagram betweentwo variables in group A (Source: team drawing)
4.2.3 C组:建筑周长与面积
C组两个变量可分别呈现为平均值与标准差值,平均值用来衡量变量数据的平均水平,标准差值用来衡量变量数据的离散程度. 从相关系数矩阵可以得知,建筑周长平均值与面积平均值之间的皮尔森相关系数为0.966,建筑周长标准差值与面积标准差值之间的皮尔森相关系数为0.737,相关性都在0.01层上显著,表明建筑周长和建筑面积总体呈显著正相关. 另外,建筑周长平均值与标准差值之间的皮尔森相关系数为0.681,建筑面积平均值与标准差值之间的皮尔森相关系数为0.594,相关性都在0.01层上显著,亦即建筑周长与面积的平均值越高,则数据的离散程度越大. 返回观察75个老旧小区样本黑白“图底”,平均值的增高大部分情况是因为超大尺度建筑的比例增大,它们建筑周长和占地面积较大,拉高平均值,同时使数据之间的差距变大.
4.3.1 A组和B组
从相关系数矩阵可以看出,在A组和B组的任一变量之间,建筑数量和交叉口数量以及道路总长度、建筑毛密度和道路交叉口数量并没有显著的相关性,只有建筑毛密度和道路总长度的皮尔森相关系数为-0.272,相关性在0.05层上显著,呈较显著负相关. 这说明老旧小区当道路总长度变化时,老旧小区的建筑毛密度会随之有一定的反向变化,但这种相关性强度低于建筑量度组内建筑数量和建筑毛密度的相关性强度(见图7).
图7 A组与B组变量之间的相关系数矩阵与建筑毛密度和道路总长度相关系数示意图(来源:团队制作)Fig.7 Correlation coefficient matrix between two variables in group A and group B, and schematic diagram between the gross building density and the total road length (Source: team drawing)
4.3.2 A组和C组
A组的建筑物数量和C组的所有建筑周长和面积相关数据的皮尔森相关系数为-0.786、-0.591、-0.751和-0.450, 相关性均在0.01层上显著,具有显著负相关性,表明老旧小区当建筑物数量变化时,建筑周长和面积都极可能反向变化. A组的建筑毛密度和C组的建筑均周长的皮尔森相关系数为-0.339,相关性在0.01层上显著,具有显著负相关性,表明当老旧小区建筑毛密度变化时,小区建筑均周长随之反向变化. A组的建筑毛密度和C组的建筑均面积的皮尔森相关系数为-0.237,相关性在0.05层上显著,具有较显著负相关性,表明当老旧小区建筑毛密度变化时,小区建筑均面积随之有一定的反向变化,这种相关性强度低于建筑物数量变化对建筑尺度变量的相关性强度(见图8). 其余组间变量,建筑毛密度和建筑周长标准差和面积标准差这两项指标并没有显著相关性,表明老旧小区建筑毛密度变化与小区内个别建筑尺度的特殊变化基本不相关.
4.3.3 B组和C组
从相关系数矩阵得知,B组的道路总长度、交叉口数量和C组的建筑平均周长、建筑周长标准差、建筑平均面积、建筑面积标准差均无明显的相关性. 同时,以道路交叉口数量和建筑均面积相关系数示意图的数据分布情况为例,可以看出数据的偏移幅度很大,反映了道路量度的指标数据与建筑尺度的指标数据的相关性很弱,这表明老旧小区道路量度方面的改变基本与建筑尺度方面的变化无必然联系(见图9). 反之,当老旧小区局部的建筑更新出现尺度方面的变化,也不会必然导致道路总长度或交叉口数量的变化.
图8 A组与C组变量之间的相关系数矩阵与建筑毛密度和建筑均面积相关系数示意图(来源:团队制作)Fig.8 Correlation coefficient matrix between two variables in group A and group C, and schematic diagram between the gross building density and the average building area (Source: team drawing)
图9 B组与C组变量之间的相关系数矩阵与道路交叉口数量和建筑均面积相关系数示意图(来源:团队制作)Fig.9 Correlation coefficient matrix between two variables in group B and group C, and schematic diagram between the road intersection number and the average building area (Source:team drawing)
老旧小区改造是当前岭南地区城市更新进程中的重要内容. 在经济新常态下,政府部们一再强调推进老旧居住小区改造的目标是“有序实施城市修补和有机更新”[16]. 但在推进落实目标的各项工作之前,本文认为仍需要进行更深入的前期空间形态分析,以量化研究作为各空间要素及其关系的科学评价基础. 这有助于审视和认清岭南地区老旧小区自身的空间形态逻辑和特性,更好地辅助老旧小区更新规划和设计决策.
本研究结合多源大数据采集75个岭南地区老旧小区样本数据,尝试以定量研究的方式对微观尺度的空间要素进行量化分析,初步得出了以下几点反映老旧小区空间形态量化指标及要素关系判定特征的分析结论:
(1) 通过对老旧小区样本的空间形态指标统计,呈现出现状较普遍的空间要素指标范围: 建筑数量集中在500~1 500之间(样本占67%);建筑毛密度集中在 35%~45%(样本占56%);建筑平均周长集中在40~100 m(样本占92%);建筑平均面积集中在100~400 m2(样本占86%);道路总长度集中在5 000~8 000 m(样本占63%);道路交叉口数量集中在10~30(样本占77%).
(2) 在建筑量度、道路量度、建筑尺度3组变量内部,包括建筑数量与建筑毛密度、道路总长度与交叉口数量,以及建筑周长与面积,均呈现显著正相关性,相关性分析有效证实了这种空间要素分组所具有的合理性,以及提示了老旧小区改造时调整其中一个要素对同组要素的必然干扰.
(3) 在建筑量度、道路量度、建筑尺度3组变量之间进行两两相对的相关性分析,大体呈现出组间关系的强弱对比:建筑量度与建筑尺度>建筑量度与道路量度>道路量度与建筑尺度,揭示了包含建筑数量与建筑毛密度这两个指标的建筑量度对老旧小区整体空间形态的重要性. 其中,建筑物数量与建筑均周长和均面积都存在呈现显著负相关性,表明改造中建筑物数量的适度保持,离不开对老旧小区各改造项目建筑周长和面积的总体平衡控制.
(4) 从微观空间形态的图底分析来观察,与老旧小区空间界面最直接相关的建筑周长指标,是塑造舒适步行环境的重要基石. 通过以反映局部建筑尺度剧变情况的周长标准差为参照点,可以比较出除建筑数量呈显著负相关性外,建筑毛密度、道路总长度及交叉口数量均无显著相关性,揭示了在老旧小区改造中局部的建筑尺度变化所产生对步行环境的负面影响(如临街建筑数量减少),可以通过引导其他空间要素的改造(如增加交叉口数量降低车速)进行修补,充分利用弱相关性的有利条件.
基于多源大数据的空间形态量化研究,在一定程度上简化了空间形态的变量,虽然相对于传统研究方法有一定的进步意义,但受限于数据提取的方法和分析技术的尚未完善,老旧小区的图底场景与现实仍有一定差距,将在以后的研究中不断补足和改进. 此外,本研究仅仅只是促进老旧小区修补和有机更新的研究路径之一,老旧小区更新仍存在一系列让城市决策者需多方权衡的强烈诉求,包括如何进行复杂产权下的土地再开发?什么方式实施交通微循环改善?怎样切实加强历史文化保护与利用?如何让民生设施改善更为公平公正?等等[17]. 这些问题,在物质空间形态领域已难以全面回答,必须突破城市空间形态研究,进入城市社会与经济层面,结合老旧小区空间形态领域的研究成果进行更为综合的深入分析.