多源网络数据下城市居住空间识别与特征分析——以珠海市香洲城区为例

王玉强

珠海市规划设计研究院 广东 珠海 519000

1、概述

1933年，《雅典宪章》将城市的功能总结为居住、工作、游憩和交通四大类。作为城市四大功能之一，城市居住功能及其在空间上实体化的居住空间对城市具有重要意义。对居住空间的识别与分析，有助于进一步分析和研究城市的空间结构与功能分区、社区治理与规划、人口分布与职住平衡、公共服务设施规划与配置、开发强度与景观风貌管控等内容。因其重要性，国内从20世纪80年代便开始对单位大院、住宅小区等城市居住空间实体展开了一系列研究，形成了丰富系统的研究成果。

从现有研究内容来看，涉及居住空间结构及模式、居住空间分异、居住空间设计、居住隔离与空间正义、宜居性与居住环境评价、城市更新改造、职住研究、社区治理与社区规划及居住用地开发强度等诸多方面[1-6]。以此为基础，近年来伴随大数据研究方法的兴起与应用，部分研究者利用卫星遥感影像、夜光遥感数据、手机信令数据、公交刷卡数据、互联网POI数据等新型数据展开相关研究[7-11]。通过对多源大数据的应用，丰富和拓展了城市居住空间研究内容，也推动了相关分析技术及方法的优化。然而，仍存在一定不足：一是，多采取一种或两种大数据，所使用的数据源相对单一，对多源数据的综合应用较少；二是，就使用率较高的网络POI数据来看，多倾向于使用点数据，对于面数据的处理和应用较少。

本文以珠海市香洲城区为例，将从百度地图提取并整理而成的住宅小区面数据与房地产网站数据、百度慧眼人口数据相结合，通过构建较为系统的现状住宅小区数据合集，对居住空间格局及相关特征进行识别与分析。期望在丰富和拓展城市居住空间实证研究同时，也能为多源网络数据的发掘与综合应用提供新思路。

2、数据分析及处理

2.1 研究范围概况

从网络数据的可获取性和丰富度，以及现状实际建设情况等因素出发，本文选取珠海市香洲城区作为案例。香洲城区是珠海市中心城区重要构成，是珠海市政治、经济、文化中心，是全市开发建设最早、人口密度及建设强度最高的区域，见证了珠海市的兴起与发展演变。南与澳门相接，西与中山相连，包括香洲、新香洲、吉大、拱北、前山以及上冲六大片区。

图1 研究范围示意图

2.2 数据来源及处理

本文所采用的数据主要为2020年3月从百度地图及房地产网站获取，包含住宅小区边界范围、建设年代和人口规模等。其中，住宅小区面状数据通过调用百度地图API获取，建设年代通过房天下和Q房网站爬取，人口数据来源于百度慧眼。数据获取及处理过程如下：

第一步：爬取住宅小区名称。以“小区”为关键词，调用百度地图API得到小区名称及其对应的UID（User Identification，用户标识符），用于请求小区边界线和建设年代。

第二步：爬取并整理形成住宅小区面数据。以UID为请求参数，调用百度地图API得到小区边界的顶点坐标。进一步借助Python，编写脚本将其转换为面状图斑，并进行坐标转换。

第三步：爬取小区建设年代。借助Python脚本，爬取百度地图、房天下和Q房网站数据，并进行汇总与互校。

第四步：数据汇总、质检与完善，形成可用数据合集。结合现场调研等多种途径，对住宅小区数据进行校核与完善。并进一步将建设年代、人口数据与小区图斑进行联接和整合，形成住宅小区数据合集。

第五步：数据分析与可视化输出。借助ArcGIS分析技术，对住宅小区相关特征进行提炼与分析。

2.3 数据计算及分析

参考已有文献[12]，借助ArcGIS软件，使用核函数，对住宅小区的空间聚集程度及居住密度进行计算和分析。

首先，运用区位熵计算各片区住宅小区的相对集中程度，转换为点要素后，再进行核函数计算，得到住宅小区的核密度分析图。计算公式如下：

式中，Nij为片区i中住宅小区j的区位熵，Sij为片区i中住宅小区j的占地面积，S为所有住宅小区的占地面积之和。

其次，以住宅小区为基本单元，计算居住密度。进一步将标准化的居住密度进行核函数计算，得到居住密度的核密度分析图。居住密度计算公式如下：

式中，Pij为片区i中住宅小区j的居住密度，Rij为片区i中住宅小区j的人口规模，Sij为片区i中住宅小区j的占地面积。

图2 住宅小区图斑分布图

图4 居住密度核密度分析图

3、居住空间格局及特征分析

3.1 住宅小区占地规模普遍适中，尺度较适宜

经过梳理，共获得709个有效的住宅小区图斑数据，总占地面积约14.35km2。从占地规模来看，住宅小区用地规模存在较大差异，面积从1万m2以内到约20万m2不等，平均占地规模约为2万m2。具体而言，占地面积2万m2以内的住宅小区总量达到499个，占据主导地位（70.38%）；占地2万～4万m2的住宅小区为113个，占比为15.94%；占地超过4万m2的住宅小区仅有97个（占比13.68%），数量相对较少。结合建设年代来看，香洲城区内各个时期的住宅小区占地规模普遍不大，中小体量住宅小区一直占据主导地位。

图5 不同年代住宅小区占地规模统计

3.2 居住空间总体分布相对均衡，仍呈现一定集聚性

香洲城区内六大片区的住宅小区数量差别不大，除上冲片区外，其它五个片区的住宅小区数量均超过100个。整体分布相对均衡，但在各片区内仍呈现一定集聚性，如上冲片区南部（富华广场周边）、吉大片区南部（海湾花园周边）等区域集聚程度较高。根据现状建设情况，集聚度较高区域主要为珠海市开发建设较早的成熟住区，且近年来有一定数量的新建小区。

就居住密度而言，香洲城区整体差别不大，六大片区均超过30000人/km2（详见表1）。居住密度较高的区域主要集中在香洲片区东南部、前山片区北部、新香洲片区东部以及拱北片区南部。住宅小区数量、密度以及开发强度综合促成了上述集聚格局。

表1 香洲城区住宅小区基本情况

3.3 居住空间与交通廊道耦合性显著，呈带状布局

根据已有研究成果，城市道路与城市空间格局存在密切的互动关系，相互作用和影响。城市道路影响城市土地利用类型、扩展方向及开发强度，进而驱动城市空间形态的塑造与演化；反过来，城市空间形态及土地利用又引导交通需求的生成与分布，并推动路网格局的选择与优化调整[13-14]。特别是交通干道对沿线土地利用存在显著的廊道效应[15]。

将住宅小区与现状主要交通廊道叠加后发现，居住空间格局和居住密度均与交通廊道存在显著的耦合性（详见图3-4），主要城市干路沿线住宅小区的集聚度和居住密度呈“双高”特征，并随与城市干路的距离增加呈下降趋势。具体来看，住宅小区和人口布局均沿城市干路呈带状布局，主要集中于南北向的三台石路、迎宾路和凤凰北路，以及东西向的梅华路、九洲大道沿线。从近年建设情况来看，为了提升交通出行的便利性及最大化土地价值，新增住宅小区依然保持向城市干路靠拢趋势。

图3 居住空间核密度分析图

3.4 居住空间拓展的规律性不显著，老旧小区整治改造任务较重

以十年为间隔，对香洲城区的住宅小区进行分类汇总（详见图6），用于识别居住空间的增长及拓展情况。各个时期内，各片区内的住宅小区绝对数量增长相对均衡，但空间拓展的规律性并不显著，具有围绕已建小区和主要交通廊道呈现渐进式拓展和跳跃式拓展双重特征[16]。就绝对数量而言，2000～2009年为建设高峰期，数量达到了347个（占比49.15%）；近十年数量有比较大的回落，仅为96个（占比13.74%）。概括起来，回落原因有两点：一是由于城区内部建设用地已基本全部开发利用，且旧村更新改造推进缓慢，新增住宅用地较少；二是由于人口增加导致公共服务供给压力过大，政府收紧新增居住用地的审批，并积极引导房地产投资向横琴、唐家、西城等外围新城分流。

图6 住宅小区建设年代分布情况

根据珠海市相关政策，将建设年代20年以上住宅小区纳入老旧小区范围。经统计与分析，香洲城区内的老旧小区已达到357个，占比超过一半（50.57%）。各片区内的比重均已超过四成，其中，香洲、新香洲、前山以及拱北片区的数量均超过60个，未来整治改造压力较重。在空间分布上，老旧小区整体呈现“大分散、小集中”格局，人民路、柠溪路和九洲大道沿线以及拱北口岸附近（详见图7）数量较多。

图7 老旧住宅小区分布情况

4、结论与讨论

本文尝试提取并综合利用百度地图和房地产网站等多源网络数据，借助ArcGIS，对香洲城区的住宅小区及居住空间格局与特征进行综合分析，进一步丰富了城市居住空间实证研究，也提供了多源网络数据获取以及整合应用的新思路。得出以下结论：

（1）利用百度地图、房地产网站，可以获得住宅小区的名称、边界、建设年代以及人口规模等多种属性。通过数据清洗与整合，可形成相对有效的住宅小区数据合集，用于识别城市居住空间格局及特征。

（2）香洲城区的住宅小区占地规模存在较大差异，整体以中小体量为主。老旧小区占比极高，未来整治改造任务较重。

（3）香洲城区内部居住空间总体分布相对均衡，部分区域居住密度较高，具有一定的集聚性；且与主要城市干路耦合性显著，并呈现带状布局。居住空间拓展的规律性并不显著，具有围绕已建小区和主要交通廊道呈渐进式拓展和跳跃式拓展双重特征。

本文基于多源网络数据综合分析所得出的居住空间格局及相关特征与香洲城区土地利用现状契合度较好，表明上述网络数据及所采用的数据处理和分析技术方法具有一定有效性。然而，受限于数据本身精度、数据量以及属性完整性等因素，所获的数据样本尚未能全部覆盖现实所有住宅小区，且存在一定的错误信息需要进行核改，也表明仍需要借助其它数据源，特别是不能忽视传统数据获取方法，才能形成更加全面精准的分析结论。此外，回到研究内容本身，由于未涉及如价格、人群画像等相关属性，本文未能对居住空间分异、居住偏好、职住关系等内容进行分析，未来可进一步挖掘相关网络数据，丰富研究内容及研究结论。