基于多源数据的城市公园时空活力与影响因素测度——以南京为例

秦诗文

杨俊宴*

冯雅茹

颜 帅

公园绿地是城市中重要的公共活动场所，也是构建“公园城市”的核心要素之一[1]。与其他类型的城市绿地不同，城市公园绿地是指具有相对丰富的服务设施和较为完整的服务功能的绿地空间，对城市生态环境的改善和满足市民多元户外活动的需求具有重要作用，对城市的有序发展和市民的健康生活也具有积极影响[2-4]。

在城市绿地研究领域，过去的研究主要聚焦于风景园林学视角下公园绿地为城市带来的生态效益，近年来逐渐转向对公园绿地的经济、社会、游憩、审美、观赏、健康[5-7]和恢复性[8-10]等效益方面定性或定量的研究。公园能为市民带来什么福祉？如何提升公园的综合效益？如何应用多源数据测度公园使用特征及衡量相关影响因素？这些问题已逐步成为这一领域的热点话题。

传统的方法往往通过调研或观察获取研究数据，但其样本量较少且高度依赖受访者的社会人口统计特征，难以支撑较宏观尺度的分析研究。大数据凭借其数量多、精确度高、易获取等优势得到了学者的青睐，如来自Panoramio照片共享网站、Flickr图片分享网站[11-13]、高德地图[14]及其他社交媒体[15]的地理空间数据可被用于描述公园绿地的使用情况；手机信令数据凭借其可操作的灵活度和充分的跟踪记录，被用于测度城市大型公园绿地的空间活力，并判断各社区的供需平衡关系[16]。最近，有研究者开始尝试运用RTUD数据对公园绿地的使用情况进行测度，并尝试运用百度POI数据和用地数据等多源数据的方法，揭示公园与城市的相互作用关系[17]。总结来看，目前用于测度公园活力的数据主要可以分为社交媒体数据、手机信令数据和LBS位置数据3类，但由于数据本身数量、精准度等方面的问题，如何运用以上3种数据对公园活力进行精准测度，仍然需要进一步的研究与验证。如何通过一定的筛选规则，提取出公园真实使用人群的活动轨迹，并对城市大型公园绿地使用的时空动态特征进行识别分析是本文的研究目的之一。

另外，在公园绿地活力的影响因素研究方面，既有研究的关注点主要停留在公园绿地自身，如公园绿地的规模、设施完备度、活动类型和内部通达性等，对于公园周边的城市建成环境因素与公园绿地活力关联性的研究较少。因此，探寻公园使用时空特征背后深层的影响因素是本文的研究目的之二。在此过程中，实现多源大数据的交叉耦合分析，将公园绿地使用活力与土地使用数据、建筑数据、业态POI数据和手机信令数据等多源数据结合起来，定量研究影响公园活力的构成因素，并剖析其内在规律。

图1 研究涉及的南京市公园分布

1 数据与方法

1.1 研究数据

共收集了14天内(2015年11月9—22日)南京市匿名手机用户样本，约5.6万用户/日，考虑到天气等因素，最终选择11月11、21日的数据作为研究样本①。由于手机信令数据的空间分辨率为100～300m，且假设用户均匀分布在泰森多边形内[18]，而公园绿地规模通常较小，其用户密度与其他场所存在一定的差异性，为保证测度的可靠性，有必要对手机用户和城市公园进行筛选。

一方面，对研究对象进行尺度上的界定，由于在面积较小的街头公园或广场公园无法精确识别真正到访公园的人数，为减少误差，筛选出面积在10hm2以上的36个公园作为研究对象。另一方面，对公园使用进行界定，排除在公园范围内居住、工作和过路的人群。为从匿名用户中筛选出目标用户，采用以下途径进行遴选：1)将在6：00—22：00的开园时间内进入公园且停留时间超过10min的人群视为使用人群，排除停留时间过短的过路人群；2)为排除公园范围内居住和工作的人群对公园绿地使用测度的影响，需将这2类人群剔除，因此将0：00—5：00手机处于静默状态的样本空间位置视为其居住所在地，将工作日连续3天在10：00—16：00出现视为工作人口样本；3)排除异常的公园使用数据，如位置不断在公园内及周边摆动，且当日公园使用次数超过10次的异常用户，不纳入研究数据。

需要说明的是，本文未进行数据扩样处理。由于本文主要关注公园游憩活动的时空差异性及其主要影响因素，数据的标度并不会对结果产生显著影响，并且目前尚缺乏对手机信令数据进行数据扩样的标准方法，简单的扩样处理可能会导致调查数据失真，故经上述方法筛选出的到访公园的手机用户即为本文的研究对象。

1.2 研究区域

依据《南京市城市总体规划(2011—2020)》制定的南京中心城区规划范围，确定本文的研究范围为南京市中心城区，包括主城区、仙林副城、江北副城和江宁副城。按照城市绿地系统规划分类，研究区域涵盖多种类型公园36个(图1)。

1.3 模型建构

1.3.1 变量

建立一组线性回归模型来确定与城市公园使用相关的因素。由于研究需排除公园容量大小的影响，因此将用户密度定义为因变量，代表公园内每公顷的累计手机用户数量，从而分析相关因素如何导致用户密度的变化。综合前人的研究[18-21]，在模型中引入了5组独立变量：城市区位特征、周边空间特征、业态布局特征、公园自身特征和交通可达特征，总体上能较为全面地反映公园自身及其周边特征信息(表1)。

1)城市区位特征。

包括5个次级变量：区域开发能级、与中心区的距离、居住人口密度、周边居住用地比例，以及周边公共服务设施用地比例②。其中，区域开发能级参考公园所属地区的行政等级；与中心区的距离为从南京新街口中心区到公园中心的直线距离；居住人口密度为公园周边500m范围内单位面积的居住人口数量；周边居住用地比例和周边公共服务设施用地比例指标用于衡量公园周边的土地主要使用方式。

2)周边空间特征。

包括5个次级变量：开发强度(容积率)、建筑密度、街区平均高度、地块数量，以及平均街区大小。这一系列指标主要是为了研究公园使用与周边建成环境空间形态之间的关联性。从高德地图爬取南京市建筑普查数据，并与南京市土地利用数据库中的街区数据耦合，计算出公园500m范围内的街区空间形态特征指标。

3)业态布局特征。

业态布局特征变量用于衡量公园周边的业态活力。丰富的业态不仅有利于鼓励公园出行，同时也能丰富游憩活动体验。故引入POI密度、生活服务POI密度、生产服务POI密度和社会服务POI密度4项指标。

4)公园自身特征。

公园自身特征变量用于衡量公园的环境品质。本文利用POI数据、公园设施和公园特征建构了一种大数据背景下公园质量的度量方法，分为设施(公园面积、厕所密度、出入口数量、是否有体育设施、是否有公共停车场、公园内部POI密度、步行道密度、公园是否收费)、公园是否临山，以及公园是否临水③3类。

5)交通可达特征。

考虑到许多游客步行或乘坐公共交通前往公园，本文使用道路网密度、公交车和地铁站点密度来表示公园的可达性④。由于高速公路或城市快速路不能由行人或骑自行车者使用，因此在计算时，不包括城市快速路与高速公路。

1.3.2 模型

建立6个线性回归模型来分析影响城市公园使用的因素(表2)，并评估城市公园用户密度与其周边景观特征之间的关联。所有变量值都通过Z尺度转换来进行标准化。由于城市区位差异形成的人口非均衡分布是导致公园活力差异的重要指标(即文中提及的城市区位特征变量)，故将基本模型的独立变量设置为城市区位特征，另外4个模型用于检查周边空间特征、业态布局特征、公园自身特征和交通可达特征。与模型1相比，模型2增加了周边空间特征作为附加的自变量，模型3增加了业态布局特征变量，模型4增加了公园自身特征变量，模型5增加了交通可达特征变量，模型6包含所有变量。

使用ArcGIS构建普通最小二乘(OLS)线性回归模型，运算得出标准化的β系数与t统计量用以衡量各要素的影响权重。另外，p值小于0.05用于表示回归模型具备统计学意义上的显著性。

2 城市公园时空活力测度

2.1 使用者时空分布

从公园出行总人次来看，工作日和休息日分别为10.8万和11.7万人次，休息日略高于工作日；公园出行者比例方面，工作日比例为2.26%，休息日比例为2.48%；人均公园出行次数方面，工作日为0.035次/人，休息日为0.040次/人。从分析结果来看，3个指标均反映出休息日公园出行的强度略高于工作日。

表1 与城市公园使用相关的因素

表2 6种模型分别涉及的变量

公园的使用时间在工作日和休息日的分布有所不同(图2)。工作日的活动高峰时段为7：00—10：00和15：00—17：00。休息日的活动高峰时段为9：00—11：00、14：00和16：00—18：00。工作日和休息日公园出行随时间的波动特征存在显著差异，二者虽都存在早高峰，但工作日早高峰的开始时段更早、持续时间更长。此外，16：00是工作日公园活动的高峰时段，却是休息日的低谷时段。

2.2 公园使用的时空差异

对各公园的活动强度进行空间落位，得到公园活动强度分布图(图3、4)。从公园活动的空间分布来看，老城区西侧、江宁、江浦等区域的公园用户较多，累计用户数大于365人/hm2，其中单位面积用户最多的为汉中门公园，累计用户数为3 125人/hm2。而仙林、河西等区域的公园用户较少，累计用户数小于365人/hm2，其中单位面积用户最少的公园为七桥瓮生态湿地公园，累计用户数仅为4.7人/hm2。

3 城市公园活力影响因素研究

3.1 影响公园使用的显著性要素

通过多元回归模型的检验，可以分辨各个因素对于城市公园使用的贡献程度。建立了6个模型来分析与城市公园用户密度相关的因素，6个模型经调整的R2值(决定系数)分别为0.41、0.45、0.51、0.58、0.38和0.53。除模型6之外，其余模型的优良性均通过F检验的显著性检验，说明前5组模型建构得当，不存在明显的共线性问题。而模型6可能由于因素过多，存在较多VIF值大于7.5的冗余变量，产生了一定的共线性问题。

模型1的结果表明，城市区位特征约占方差的40.9%。试验逐渐增加其余变量，观察回归结果中经调整的R2的变化，结果如下。

在模型2中添加周边空间特征的变量，发现周边空间特征对公园使用的影响非常小，其对模型的方差贡献率仅有4.7%(调整后的R2为0.446，模型1调整后的R2为0.409)。

在模型3中添加业态布局特征变量，结果表明，增加周围业态功能密度和丰富度会对公园的使用产生显著贡献，该变量贡献了方差的9.7%。

在模型4中添加公园自身特征的变量，结果表明，公园的自身景观环境和内部景点及设施会对公园的使用产生显著贡献，约占方差的17.5%，使调整的R2达到最高的0.585。

在模型5中添加交通可达特征变量，但结果表明，增加公交车和地铁站点密度或道路网密度并不能有助于公园的使用，相比模型1，经调整后的R2反而下降了2.8%，说明公园的可达性对公园使用的影响不具有显著性。

模型6引入了所有变量，调整后的R2值增加到0.525，相比模型1中的0.409仅增加了0.116。这表明排除了城市区位的影响，其余变量仅对公园使用强度造成了11.6%的影响。

图2 6：00—22：00时段内城市公园出行次数变化

图3 公园使用总人数分析

图4 公园使用人群密度分析

3.2 公园使用的影响因素分析

通过多元回归模型的分析，可以分辨各影响因素(小类)的显著性水平，反映它们对于城市公园使用活力的影响程度(图5)。城市区位特征是影响公园使用的显著因素，方差贡献率达到40.9%。其中区域开发能级、与中心区的距离、居住人口密度等次级变量与公园使用显著相关，反映出越靠近城市中心、人口越密集的区域公园使用频率较高。

结果表明，周边空间特征不是影响公园使用的显著要素，在控制其他变量时，周边空间特征的影响非常小，只贡献了方差的4.7%。但其中的二级因素街区平均大小，对模型具有一定的贡献，说明处在小街区内的公园将获得更高的使用率。

业态布局特征对公园使用有一定的影响，贡献了方差的9.7%，其中POI密度和生活服务POI密度特征与公园使用呈正相关，公园周边的生活服务设施越完善，其公园活动的人数也会相应增加，说明便利、多元的城市生活氛围也会增加人们公园出行的意愿。

公园自身特征对公园使用影响较为显著，贡献了方差的17.5%。是否临山和是否收费是显著性最强的特征变量，说明山地公园对市民的吸引力更大，同时也表现出公园收费会严重阻碍市民日常对于公园的使用。公园面积和步行道长度变量也具有一定的显著性特征，公园面积与公园使用呈负相关，说明小型公园反而更受居民欢迎；而若公园内提供更多的步行道则将增加公园的使用。

交通可达特征不会显著影响公园使用。在控制模型中其他变量时，可达性的影响非常小，添加该变量后模型的方差甚至下降了2.8%，这意味着单纯增加可达性不会使公园的使用增加，相反，高机动车道路密度甚至与公园使用存在负相关，过多的城市道路会对步行的便利性和行人的舒适感产生一定影响。周边公交车站和地铁站的数量指标也并非显著性影响因素，说明人们出行公园会首先选择离居住地较近且步行可达的公园，较少用到公共交通。另外，由于本研究纳入了部分位置处在城市新区的公园，如仙林湖公园、麒麟科技生态中央公园等，这些公园周边虽然交通设施十分健全，但是目前新区的城市开发建设尚未完全成熟，公园日常接待的游客也会相应减少，拉低了交通可达性之于公园使用的作用，致使相关性分析中交通可达性因素与公园游憩活动呈负相关。

图5 影响因素(小类)对模型的影响程度

4 讨论

4.1 对公园规划和设计的影响

城市区位是影响公园使用的第一要素。靠近城市中心地区的人流量较大，到公园游憩的人群也会相应增加。人流密集场所往往会进一步集聚人口，当一个公园活动的人数越多，所产生的极化效应和连锁反应将促使越来越多的人进入到该公园中来。这一现象可以从环境行为学的角度来解释。首先，在公园中人与人之间的相互观察和监督会让公园更具有安全性，安全感的提供促进了公园的活力。同时，观察他人的行为可以满足人们的社交需求，各种游客展现出多元化的活动方式，如打牌、遛狗、晨练等，既满足了人看人的心理，也为人们参与其中提供了机会。另一方面，城市区位的中心地区提供了大量工作岗位，快节奏的都市生活使人们更加向往回归自然，公园恢复性理论提出公共绿地不仅作为城市客厅，为市民的日常休闲娱乐提供了活动的场所，还承担起了康复功能。在城市中心地带，公园使用的需求量更大，故在城市中心地区布局城市公园将最大限度地提升其使用效能。

开放式社区的设施共享程度更高。分析显示，小街区密路网的地区会促进城市公园的使用。小街区的空间形态提供了舒适、安全的步行空间环境[22]，激发人们的出行意愿；由于小街区将提供更多沿街开敞的界面，使公园周边的业态更加多元化，便利的生活服务设施使得这些地区的户外活动更富有活力，业态功能丰富度、道路网密度是显著的影响因子也印证了这一点。开放社区会使人群的活动更加集中，而大街区的组织模式会使活动更加分散，这是因为封闭式的大单位或住区往往会在各自内部布局私人享有的绿地公园，但相对利用程度不高，不利于人流集聚产生的极化效应的形成。

在城市规划设计手法当中，常常会结合公园提供便利的城市公共交通系统[23]，但这种做法对公园使用效能的提升并不明显。研究结果表明，交通可达方面的相关指标均不具备较高的相关性。公园周边设置过多过宽的城市道路会激化人车冲突，频繁地穿越马路会产生安全隐患，降低步行的舒适度。与此同时，过多交叉口和机动车道的阻碍，也无形中增加了人们前往公园的时间成本，抑制了出行意愿。所以，在公园周边的规划设计中应加强步行系统的构建[24]，提供便利的过街设施，设计步行优先的街道，减少片区内快速交通的穿越，在近公园地带形成慢行活动区，鼓励人们休闲游憩的活动出行，从而提升公园的使用效能。

提高公园自身的品质十分必要，如公园景观的生态性及独特性。研究结果显示，依托自然本底形成的山地公园对公园使用存在显著正相关。而公园内部的POI密度、厕所密度和是否有体育设施与公园使用并没有显著的相关性，这说明人们在选择公园时往往不会重点考虑这些要素。同时，收费的管理制度对公园的使用产生显著的负相关影响，门票形成的门槛将阻碍大多数居民对于公园的日常使用[25]，所以在城市总体规划中，营利性质的公园并不适合作为城市公共设施。

4.2 方法论建构

本研究方法对于大尺度的公园绿地研究具有参考意义。运用南京市手机信令数据进行城市整体公园使用分析，替代了成本较大、历时较长的现场勘察。此外，构建了公园周边环境对公园使用活力的相关性研究模型，以确定何种因子将影响公园使用。通过对城市公园时空使用特征的识别，对城市整体的公园使用绩效进行定性与定量相结合的评估。

4.3 研究的局限性

本研究的局限性主要体现在：1)由于手机信令数据是落位到各个基站上，不能精确地统计到访公园的用户，只能通过设定一些筛选原则对公园出行人群进行提取，获取到访公园人群的大致数量；2)手机信令数据来自手机，因此统计的人数只包括携带手机的用户，如儿童、老人和其他没有移动设备的用户将不会被统计；3)考虑到手机信令数据的分辨率问题，在公园样本的选择上，仅选择了面积在10hm2以上的城市公园，忽略了很多占地面积较小但使用频率很高的社区公园和口袋公园[26]。

5 结语

本文使用手机信令数据来衡量南京市中心城区城市公园使用活力，扩展了城市公园绿地活力量化研究的尺度限制，并通过网络开放的业态POI大数据、城市空间大数据等与实测数据的结合，探索公园自身与周边因素对公园使用活力的影响程度。

结果显示，在城市层面，城市区位对公园使用的影响最大，而公园周边的交通设施并不对公园使用产生显著影响；在城市街区层面，与中心区的距离或居住人口密度等区位要素，以及公园周边业态设施的完备程度等，是对公园使用产生显著影响的因素。

通过这项研究，可为政策制定者在规划管理城市公园时提供相关依据，其中包括建议在城市中心及人口密集地区设置公园，在开放的城市街区内规划城市公园的选址，以及质疑了通过提升机动车交通系统容量来提升公园可达性的做法。

注：文中图片均由作者绘制。

注释：

① 本研究所采用的2015年南京手机信令数据于2016年购买自手机运营商，当时的数据格式普遍为包含匿名用户轨迹且依附于基站的详细数据，有利于本研究对公园出行人群进行识别提取，而此后运营商提供的手机信令数据大多为经过处理后的栅格数据，不易对目标人群进行识别。同时为比较工作日和休息日绿地的使用情况，对当时的天气情况进行考量，选择了2015年11月11、21日的数据。这2天都有阳光普照的天气条件，适合用于研究无雨和无极端温度下的公园出行活动。

② 本研究使用从百度地图(map.baidu.com)收集的2017年设施POI数据作为数据源，并根据国家行业分类标准，将该POI数据集筛选并划分成生活服务、社会服务、生产服务3类城市业态机构最主要的职能，共计设施点约10.5万个。

③ 数据主要来自百度地图(map.baidu.com)收集的2017年南京设施兴趣点数据。根据公园的边界提取公园内部的兴趣点，数据库由各种兴趣点，如商店、餐厅、交通、运动场、休闲娱乐设施和建筑物等，以判断公园内部的设施种类。另外，在过去的研究中，每个公园边界内的体育场、儿童游乐场、厕所、购物场所和餐厅的数量被证明是主要吸引人们参观公园的便利设施[17]。

④ 从www.openstreetmap.org爬取包括人行道、小径和自行车道等数据；公交车和地铁站点的密度被定义为公园所有入口处500m服务区内每个单位面积的公交车和地铁站数量。公园入口处的500m服务区基于ArcGIS10.3中的网络分析工具展开计算。