基于网络口碑大数据的城市步行与自行车交通廊道选线规划——以北京市海淀区为例

冯君明 李玥 吕硕 李翅＊

1 研究背景

城市交通系统的快速发展带来了交通拥堵、环境污染、交通安全等方面的问题，其中机动车交通是引发上述问题的主要原因[1]。在此背景下，以步行、自行车为主的非机动交通受到广泛关注并得到各国政府大力支持[2]。步行和自行车交通廊道（pedestrian and bicycle transport corridor, PBTC）是城市步行和自行车交通系统（pedestrian and bicycle transport system,PBTS）的空间结构骨架（图1），即连接城市步行和自行车交通区及内部节点的线形廊道网络[3]。相较于慢行交通概念，PBTS更加侧重对步行和自行车交通线路与环境的组织，而在中国，慢行交通的概念最早在《上海市城市交通白皮书》（2002年）中被提出时还包括对助动车等交通工具的使用。近年来，随着北京、广州等城市提出“步行和自行车友好城市”建设目标，以及GB/T 51439—2021《城市步行和自行车交通系统规划标准》等规范标准的发布，步行和自行车交通系统规划导向逐渐明晰，同时在国外相关规划文件与研究成果[2,4-5]中，PBTS这一概念的应用更加广泛。因此本研究将PBTS作为概念基础，结合相关文献[3]和研究目标选择PBTC作为主要研究内容。PBTC的作用与中心城绿道[6]相似，但在功能构成上更加多元，同时强调对商业区、产业园区等城市空间的连通，并侧重与城市公交系统的协调性[3]。在PBTC支持下，城市慢行空间品质和中短程出行效率将得到进一步提升。构建合理、适用的PBTC网络对激发公共活力，响应低碳环保、绿色出行和可持续发展理念具有重要的意义[7-8]。

1 城市步行和自行车交通系统空间结构示意图[3]Schematic diagram of spatial structure of urban PBTS[3]

在PBTC规划过程中，综合选线是高效串联城市资源与环境的重要步骤。为充分考虑城市环境与公众出行规律的影响，国内外学者积极探索社交网络[8]、手机信令[9]、运动轨迹[10]、公共交通刷卡记录[11-12]和百度热力图[13]等大数据与PBTC（或综合绿道等）规划的结合方式。研究发现，具有空间定位特征的兴趣点（points of interest, POI）数据由于信息量大、获取便捷等特点被广泛使用，在分析过程中，POI数据空间密度[14-15]、混合度[9]等在一定程度上能够体现公共服务设施的整体分布，但已有研究对公共设施服务能力的内在差异性考虑较少，而该差异对公众出行过程也将产生一定影响，如Grindlay等[16]认为高质量的城市功能空间与流动性之间联系紧密；钟炜菁等[17]发现在夜间活力影响方面，业态多样且影响力强的公共设施空间相比其他用地类型具有明显的正效应；郭翰等[18]发现商业类设施POI密度与人口聚集的相关性普遍强于医疗等公益类设施。在“以人为本”发展理念和“存量提质”发展模式指引下，中国城市公共服务系统规划将进一步强化对“质”与“量”的综合测度，而公众使用满意度作为判断城市基本公共服务质量的重要标志[19]，同样需要被纳入城市交通系统研究范畴。因此，基于公众使用满意度对POI的服务能力进行划分，这为PBTC选线规划提供了新的切入点。

目前常用的公共服务POI满意度的测度方法主要包括政府或专业机构评级[20]、问卷调查[19]和第三方网络平台评价[21]等。其中，政府或专业机构评级的应用类型相对局限，主要包括医院、学校等部分政府主导型设施；问卷调查则易出现样本数量较小难以反映空间服务设施适配全貌等问题[22]。作为第三方网络平台发展的重要产物，网络口碑（internet word-of-mouth, IWOM）大数据的出现为较大尺度、更多类型的公共服务POI满意度评价提供了依据。IWOM大数据是指在互联网环境中传播的口碑信息[23]，其数据平台包括大众点评、马蜂窝、饿了么、Facebook、Twitter等，信息载体包括文字、图片、视频和评分等，具有交互性、匿名性和反馈性等特点[24]。在IWOM大数据应用研究中，相关学者分别从公共服务设施空间格局（如餐饮点空间分布[25-26]、旅游空间格局[27]）和个例（类）公共服务设施（如商业消费设施[21]、公园[28]）使用满意度等方面探讨公共服务POI的内在差异及其影响下的空间分布特征，普遍认为该数据已在多个领域影响人们的日常生活[29]，不仅成为开展公众活动以及体验反馈的重要依据，其口碑信息也在一定程度上反映公共设施的服务质量和吸引力[30]。虽然该数据在信息载体等方面和实际情况存在一定偏差，但大量研究表明，网络社交媒体产生的海量数据对居民在出行目的地的选择上发挥着不可替代的作用[31]。与传统的POI点位数据相比，IWOM大数据兼具空间分布和口碑质量的双重属性[32]，可以帮助规划者更加全面地剖析公众对服务设施的满意度情况，从而在更大尺度上掌握公共设施服务能力的内在差异，为城市交通系统规划提供支撑。

综合上述研究，本研究引入IWOM大数据作为城市公共服务POI使用满意度的量化依据，提出基于IWOM大数据的PBTC选线规划框架并以北京市海淀区为例开展实证分析。由于IWOM大数据主要产生于公共服务范畴，因此本研究聚焦PBTC非通勤出行功能展开研究，并依托大众点评平台（www.dianping.com）获取各类服务设施的网络口碑信息，最终完成PBTC最优线路的选择。该框架的提出拓展了城市交通系统规划相关理论与实践的范畴，选线结果也能为《北京市慢行系统规划（2020年—2035年）》的实施以及2035年步行和自行车友好城市目标的实现提供参考。

2 基于IWOM大数据的PBTC选线框架

研究探索大数据支撑下的城市PBTC选线规划思路和方法。参考GB/T 51439—2021《城市步行和自行车交通系统规划标准》、TD/T 1062—2021《社区生活圈规划技术指南》等标准规范，以及城市步行与自行车交通网络[3]、街区活力[33]与城市绿道[12,14]等相关的研究成果，提出基于IWOM大数据的PBTC选线思路框架（图2）。

2 基于IWOM大数据的PBTC规划选线框架[30]Framework for PBTC route selection planning based on IWOM big data[30]

在分析方法上，目前常用的城市PBTC选线方法包括线上或线下调查筛选和综合评价（模拟）等类型，相关分析工具包括层次分析法（analytic hierarchy process, AHP）[34]、最小累积阻力（minimum cumulative resistance, MCR）[14]模型和空间句法（space syntax, SS）[35]等。其中MCR模型自1992年由荷兰生态学者Knaapen等[36]提出以来，逐渐被应用于生态网络[37]、城市绿道[14]和遗产廊道[38]等领域，具有多元的指标类型和灵活的适用尺度等特点，在线性空间选择与评价上广受认可。因此，本研究将其作为PBTC选线的核心分析方法，同时IWOM大数据的引入也可进一步丰富MCR模型的评价体系。在IWOM大数据来源上，基于用户数量、数据类型、信息维度以及获取便捷程度等考虑，选择大众点评网作为IWOM数据源。该网站是中国社交媒体网站中拥有最多点评数量和影响的点评网站之一，数据使用率高且代表性强[39]，相较于其他平台更加符合本研究对量化公共设施服务能力内在差异的需求①。在PBTC功能构成上，根据2035年北京步行和自行车友好城市目标对PBTC功能的设定②、“社区生活圈”要素构成[40]以及大众点评网数据构成特点[39]，将研究区PBTC分为商业综合型（连接餐饮店、商场等）、休闲娱乐型（连接电影院、健身中心等）和生活服务型（连接家政服务、医疗等）3种类型，以此作为数据获取和分析的导向。在分析过程上，首先通过多源数据分析筛选PBTC需求端与吸引端；其次分析城市PBTC选线的适宜性分布，该过程会考虑不同口碑梯度下的城市公共服务POI的服务范围；最后对扩散源进行扩散模拟与优化，得到PBTC最终选线结果。

3 基于IWOM大数据的PBTC选线规划实证

3.1 研究区概况

本研究选择北京市海淀区作为实证分析对象，海淀区位于北京市中心城区西北部（图3），下辖29个乡镇管理单位，总面积430.7 km2，常住人口313.3万人（截至2020年11月）。城区内道路网络发达，城镇化程度较高，拥有“三山五园”、京张铁路绿廊、中关村科学城等各类历史文化和现代城市环境资源[41]。已有相关学者分别从全区[14]、部分城区[42]和街道[12]尺度开展了绿道、风景区交通体系等研究，这为本研究框架的制定与结果优化提供了可靠依据。

3 北京市海淀区部分类型公共服务设施分布Distribution of some types of public service facilities of Haidian District, Beijing

3.2 数据来源

3.2.1 PBTC需求端数据

使用居住区POI核密度、城市夜间照明VIIRS DNB值（visible infrared imaging radiometer suite, day night band, VIIRS DNB）以及居民出行热力分布作为需求端筛选的依据[17,33,43]。其 中：1）居 住 区POI数 据 于2021年1月12日通过Bigemap地图下载器下载，共获得点位数据2 951个；2）VIIRS DNB数据于2021年1月通过地球观测小组网站（www.eogdata.mines.edu/products/vnl）获取，数据精度为400 m；3）居民出行热力数据源于百度地图开放平台（www.lbsyun.baidu.com）提供的百度热力图及相关矢量数据，获取时间为2020年8月17—23日（连续一周，每日获取时间为08：00、10：00、15：00、19：00，共28组），经矢量化和叠加处理后进入选线过程。需要说明的是，受新型冠状病毒肺炎疫情的影响，本研究选择2020年8月作为数据采集月份，该时段北京市新冠肺炎疫情得到控制且较为稳定，日活人口③与通勤出行已基本恢复往年同期水平，并在全年处于活力较高状态。同时在PBTC需求端的选择上，研究区主要居住地、商圈与交通设施等区域的公众出行规律存在一定历史累积性，步行和自行车出行需求的关键集聚地短期内通常不会出现大幅度变化。

3.2.2 PBTC吸引端数据

在大众点评数据获取方面，使用Java语言编写程序并结合人工采集，获取商业综合、休闲娱乐、生活服务三大类、9小类的POI坐标及口碑评分数据，获取时间为2021年1月12—20日，通过坐标转换、清洗、去重等方式对数据进行整理，获得3类PBTC吸引端POI数据（表1）。在此基础上，通过ArcGIS 10.5计算各类POI专项口碑分数（口味、产品、服务等）的平均分并进行归一化处理，以此降低不同类型口碑分制对排序的影响，然后结合自然断点法（natural breaks）将平均分值划分为较高、中高、中低和较低4个梯度（图4）。

4 不同平均分值梯度下的海淀区3类POI数量统计Statistics of three types of POIs in Haidian District under different mean score gradients

表1 海淀区城市公共服务POI网络口碑数据信息Tab. 1 Information of IWOM data about urban public service POI in Haidian District

3.2.3 城市PBTC建设综合评价数据

选择POI服务范围、城市自然或建成环境（坡度、道路等级、街景绿视率）和PBTC建设潜力（PBTC现状条件、绿色开放空间、规划或在建线性绿色基础设施）作为综合评价因子，相关评价标准和依据[3,6,12,39,44-46]如表2所示。其中公共服务POI数据与PBTC吸引端数据源相同；城市道路和高程数据于2021年2月12日通过Bigemap地图下载器下载，城市道路包括快速路、主干道、次干道和支路4类，地形高程栅格数据精度为7.32 m；街景绿视率通过DeepLab-V3+软件，识别城市街景图像并计算得到，图像数据源自研究区9 850个全景街道点位；PBTC建设条件则借鉴了李方正等[11]、Saplioğlu等[34]的研究方法，依据AHP并参考北京市最新地方标准DB11/1761—2020《步行和自行车交通环境规划设计标准》构建评价体系，经30位城市规划领域专家、学者打分计算获得；城市绿色开放空间、规划或在建线性绿色基础设施源自《海淀分区规划（国土空间规划）（2017年—2035年）》（简称《海淀分区规划》），经ArcGIS矢量化处理获得。本研究使用的全部数据均投影至2000国家大地坐标系，以确保底图一致。

表2 PBTC选线模拟过程中的阻力因子信息[3,6,12,39,44-46]Tab. 2 Information about resistance factors in the simulation process of PBTC route selection[3,6,12,39,44-46]

3.3 选线规划过程

3.3.1 扩散源的选取

需求端方面，首先将居住区POI数据进行核密度分析，并和城市VIIRS DNB值、居民出行热力数据进行精度统一（30 m）、归一化处理和加权叠加。其中，归一化处理选择线性函数计算各项数据模糊隶属度（fuzzy membership）的分类值。权重方面，首先由30位城市规划领域专家、学者依据各因子对公众步行和自行车出行集聚程度的重要性进行打分（10分制）；接着通过Yaahp软件、和积法计算最大特征值求得，其判断矩阵一致性指标（Consistency Index, CI）值为0.0136（＜0.10），通过一致性检验[47]；最终得到,居住区POI核密度权重0.33，居民出行热力权重0.59，城市VIIRS DNB值权重0.08。然后将叠加结果重分类并按自然断点法划分为10个等级，根据级别赋值1～10，分值越高表示该区域人群聚集程度越高，对步行和自行车出行影响越关键。考虑到海淀区城市建设发展不均衡的特点[41]，本研究将7级以上的区域作为扩散源点位的筛选依据，定位时会结合公交站点、城市广场等场所统筹考虑，最终得到PBTC需求端点共40个（图5），主要分布在海淀区中部和南部片区，西侧、北侧等浅山地带分布较少。

5 海淀区PBTC出行需求端筛选结果PBTC route selection results regarding travel demand in Haidian District

吸引端方面，对商业综合、休闲娱乐、生活服务3类PBTC所对应的POI点位数据进行核密度分析并分级筛选，筛选逻辑与需求端相同，得到3类PBTC吸引端点各30个（图6）。可以看出，3类吸引端点在海淀区范围内除西北部相对较少外，其他区域分布较为均匀。

6 海淀区PBTC出行吸引端筛选结果PBTC route selection results regarding travel attractiveness in Haidian District

3.3.2 适宜性阻力分布

使用ArcGIS软件的Network Analysis工具包，以500、1 350、3 000、5 000 m（分别对应5 min步行、15 min步行或5 min骑行、10 min骑行、15min骑行距离[3]）为阈值对3类各梯度口碑分值的POI数据进行服务范围分析，并依据表2对各项因子进行阻力值设置和加权叠加，得到相应的适宜性分布结果（图7）。其中阻力值依据各因子阻力分类内容对公众步行和自行车出行的阻碍程度，由小到大按1～9设置，权重设定方法与扩散源需求端相同（类型与指标层判断矩阵CI值均＜0.10），借此降低主观评价对权重设定的影响。

7 海淀区3类PBTC空间阻力值及最小累积阻力模拟选线结果Spatial resistance cost and route selection simulation results under the minimum resistance of three types of PBTCs in Haidian District

3.3.3 最小累积阻力路径模拟

使 用ArcGIS软 件 的Cost Connectivity命令，以PBTC出行需求端和3类吸引端为起点，以相应类型的空间阻力成本作为环境限制要素分别进行模拟，得到3组PBTC最小累积阻力路径（图7）。可以看出，在PBTC网络结构上，3种线路走势大体相近，但由于吸引端类型以及不同口碑梯度POI服务范围之间存在较大差距，因此各类PBTC廊道最适宜线路又存在明显区别。

1）商业综合型最小累积阻力路径，总长度153.30 km。以西三环路辅路、圆明园西路、永丰路辅路、上庄路等南北向道路为主干，东西向通过后厂村路、万寿路、阜石路辅路等和百望山东部、清河万象汇周边以及西三环、北四环沿线商业集聚区域连接。

2）休闲娱乐型最小累积阻力路径，总长度150.68 km。西北郊地带以北五环辅路、永丰路辅路等为主干，连接中关村环保科技示范园、东升科技园等地；南部线路相对分散，主要集中在城市次干道与支路路段内，连通五道口、中关村、世纪城等主要商业区。

3）生活服务型最小累积阻力路径，总长度143.71 km。中南部区域与休闲娱乐型相近，侧面体现出这2种类型的城市公共服务场所选址及其口碑影响的相似性；西北部则以温北路、上庄路等为主线，连通该区域分布相对密集的居住区。

3.3.4 PBTC网络优化

以提升线路网络的合理性、系统性及其与现状和规划的契合度为标准，对模拟结果进行优化（图8）。其中，商业综合型、生活服务型PBTC重在细化东升科技园、四通桥附近商业中心，五道口周边商业区以及高校园区的局部廊道网络；休闲娱乐型PBTC主要提升其整体畅通性，包括简化中国人民大学西侧、五棵松公园附近的廊道等。在与周边城区的联系上，北部通过京密引水渠、上庄路连接昌平新城；东部通过北清路和回龙观—上地自行车专用道与回龙观—天通苑大型居住区相连，同时提升与奥林匹克森林公园和元大都城垣遗址公园、北海公园（西城区）等绿地的联系；西部则经石景山路与首钢工业遗址公园、永定河休闲森林公园（石景山区）等绿地相连。此外，考虑到之前的模拟结果在南北方向上连通性的不足，本研究结合西侧京密引水渠和香山南路，以及东侧京张铁路绿廊等进行补充，增强与西山永定河文化带、小月河绿廊以及京张铁路遗址公园片区等大型线性绿色基础设施之间的联系。

8 海淀区PBTC网络布局优化Layout optimization of PBTC network in Haidian District

通过调整优化，海淀区3类PBTC线路总长度由模拟结果的447.69 km增加至714.01 km，在空间结构上更加明确，呈“整体连通、局部循环”的布局，整体走势与《海淀分区规划》中的景观格局规划相吻合。需要说明的是，原有规划内容更多强调对蓝绿网络结构的把控，而PBTC选线规划导向除了拥有较好的景观体验外，还需要强化对商业、娱乐等公共设施的连通。本研究将公众出行规律和公共设施使用满意度视为PBTC选线模拟与优化的重要因素，其支撑下的廊道网络相比国土空间规划结果除在街区层面有所细化外，在局部廊道结构上也存在一定差异。在公众出行影响上，以百度热力图数据为例，蓝靛厂南路作为市级规划绿道拥有绝佳的景观风貌，但其百度出行热力值远低于其东侧的西三环路和首都体育馆南路，该情况在大钟寺地铁站、苏州街路段等区域也有所体现；在公共设施使用满意度上，除了中关村、五道口等重要城市活力中心外，公主坟、长春桥地铁站周边商业街区由于大量高口碑分值的POI分布同样需要被纳入PBTC网络体系。在IWOM等大数据支撑下，该廊道网络将更加符合公众对服务设施的使用满意情况，其合理性也能得到一定程度提升。

4 讨论和总结

本研究聚焦PBTC选线的科学方法，提出了基于IWOM大数据的城市PBTC选线规划思路。其主要创新性及局限性如下。

1）通过网络平台获取部分类型公共服务设施的口碑分值，以此表征公众满意度并量化其内在差异性。以往研究主要通过线上/线下问卷调查或引用专业机构调查结果表达公众使用满意度[48-49]，本研究引入IWOM大数据作为部分类型服务设施公众使用满意度的评价依据，一方面，IWOM大数据兼具空间分布和口碑质量的双重属性[32]，与密度或混合度分析相比可以更加全面地剖析公众对公共服务设施的使用情况，帮助规划者立足区域视角识别公共服务系统的内在差异；另一方面，该数据不受尺度上的限制，使研究范围的划定和区域比较更加自由。基于此，IWOM大数据在未来更大尺度上城市交通系统的规划研究中有极大的应用潜力，这点与智慧城市与智慧交通规划等[8-9,50]研究所持观点相近。此外，IWOM大数据也存在一定局限性：①当前缺少较有代表性的IWOM数据平台，由于使用人群和数据量的限制，本研究使用的大众点评网络数据尚难代表城市人群的整体使用需求，特别是中老年人对网络社交媒体使用较少，在PBTC选线规划时对该群体更应予以针对性考虑；②在服务设施类型上，IWOM大数据主要包含美食、购物、生活服务等市场主导型公共服务设施[22]，在生态观光、通勤等类型设施数据上积累不足；③部分商家为了提高口碑分值所使用的“水军”等非常规手段也会影响数据的真实性[51]。

2）扩展城市线性廊道选线规划的研究范畴。在城市（区）尺度上，目前多数研究成果聚焦绿色空间体验[14]、通勤功能[12]等领域，对商业、体育等社区生活圈其他基础服务要素关注较少或未能实现分类细化。本研究以商业综合、休闲娱乐、生活服务3类功能为导向进行PBTC选线分析，实现对城市PBTC（或慢行系统）在研究对象和数据应用上的补充。此外，选择公共设施数量大、类型复杂且人口密度较高的北京市海淀区作为研究区，可以利用资源优势使公共设施内在差异性在区域尺度上得到更加显著的表达，同时便于与已有其他线性廊道选线规划研究成果进行对比[14,41]进而支撑城市综合PBTS的完善和优化过程，提升实践价值。不足之处在于本研究方法在社区和城市等其他尺度上的适用性尚需进一步探讨，并且步行与自行车交通方式之间也存在一定差异，其对评价因子和权重阈值的影响也是PBTC选线规划的未来关注方向。

本研究初步探讨了IWOM大数据在识别与量化城市公共设施内在差异性过程中的作用，以及介入城市PBTC规划选线的思路和方法。面对步行和自行车交通友好城市等发展目标，仍需围绕IWOM数据源、口碑定量评价、公众出行相关性等方面展开研究，相信随着大数据技术的持续发展，在重视程度、应用技术与人才力量等驱动下，该数据的局限性将逐渐降低[52]，其在城市交通系统规划中的应用效果和可行性也将随之提高。

注释(Notes)：

① 以研究区为搜索范围对各网络口碑平台数据进行对比，发现大众点评网相比美团网，店铺数量更多（以火锅店为例，2021年1月12日大众点评网有效店铺数量为752个，美团网为541个）；相比饿了么、每日优鲜等应用程序，其数据类型更多；相比微博、B站，数据更易获取并且口碑信息指向性更强。综合权衡最终选择大众点评网站作为本研究IWOM数据源。

② 源自《北京城市总体规划（2016年—2035年）》中关于“提高城市治理水平，让城市更宜居”的相关表述。

③ 源自北京交通发展研究院《北京市通勤出行特征2020》研究报告，其中“日活人口”指手机信令识别的所有在京出现人口。

图表来源(Source of Figures and Tables)：

图1由作者根据参考文献[3]改绘；图3、8底图源自《海淀分区规划（国土空间规划）（2017年—2035年）》和百度地图网站；其余图表均由作者绘制。