西安城区公园绿地与人口空间分布及关系研究

陈 斐

（西安欧亚学院，西安 710065）

“公园城市”的概念是将“人本”思想融入城市和景观规划建设中，已有研究证实公园绿地与居民健康和生活质量密切相关，现有规划和政府政策也逐渐重视公园绿地的规划建设。然而，在商业经济利益最大化的驱使下，新增用地用途仍以经济效益较高的商业和居住用地为主，公园绿地供需存在空间不均。同时，政府在进行绿地分布规划时缺少量化支撑依据，无法明确供需不均的具体区域以便进行规划调控和改善。鉴于此，以西安市主城区为范围，通过大数据调研获取城市公园与人口的数据信息，利用基于街道行政区划的密度分析、Spearman秩相关和空间自相关的分析方法，结合ArcGIS、SPSS、Geoda等数据分析和可视化软件，探究西安主城区的公园与人口分布格局及关系，明确西安市绿地空间供需情况。结果表明：（1）研究区域范围的人口非均质化分布，呈现由中心明城区和二环范围内逐渐向外扩散减少的空间分布特征；（2）研究区域公园绿地面积与街道辖区面积呈显著正相关，但对比人均公园使用面积，各街道之间差距较大；（3）研究区域内的公园绿地分布与人口分布呈负相关趋势，人口分布与公园绿地分布不匹配。基于以上结果，期望为今后公园绿地规划与建设提供依据，以人口分布情况均衡布局公园绿地空间，提升环境的宜居水平，促进绿地资源公平配置，建设具有西安历史人文与自然特色的“公园城市”绿地格局。

公园绿地；人口；空间分布与关系；西安城区；Spearman秩相关与空间自相关

党的二十大报告指出：中国式现代化是全体人民共同富裕的现代化。坚持以人民为中心的发展思想，增进民生福祉，让现代化建设成果更多更公平惠及全体人民。坚持人民城市人民建、人民城市为人民。同时指出未来五年是全面建设社会主义现代化国家开局起步的关键时期，主要目标任务包括“基本公共服务均等化水平明显提升，城乡人居环境明显改善”。报告中“以人民为中心的发展思想”是将人民的需求放在首位，并指出建设成果应惠及全民。城市公园绿地作为提升人居环境的重要公共服务设施，其近期建设的目标任务应与当下全民社会主义现代化建设要求一致，应将提升公园绿地均等化水平作为构建城市发展格局和推动高质量发展的重要内容。另外，习近平总书记在2018年2月视察成都时首次提出“公园城市”这一城市发展模式，强调城市规划要突出公园城市特点和生态价值[1]，这也为城市景观建设明确了新的方向。

“公园城市”是将城市绿地系统和公园体系、公园化的城乡生态格局和风貌作为城乡发展建设要素，把“市民—公园—城市”三者关系的优化和谐作为创造美好生活的重要内容[2]，满足人民日益增长的对优美生态环境的需求。随着“公园城市”理念的提出，中国多个城市（如贵阳、扬州、成都、青岛等）开始推进公园城市的规划建设。国内不同学者从理念起源[3]、历史演变[4]、特征内涵[5]、指导思想[6]、建设策略和实践[7]等多方面展开研究。在国外，没有明确提出“公园城市”的理念，但与公园城市相关的城市公园系统的概念发端于美国，由奥姆斯特德始创，他所规划设计的波士顿“翡翠项链”公园体系是最早的公园系统建设实例。之后，被誉为“美国公园系统之父”的埃利奥特，使城市公园系统建设获得美国法律认可并成为美国城市公园建设的一种模式[8]。英国建筑规划学家E·霍华德所提“田园城市”的理论也可称为公园城市规划的思想起源。英国多个城市，如谢菲尔德、伦敦、埃布斯弗利特等，都致力于增加城市绿量，让公园成为市民的一种生活方式，同时倡导公众参与到公园城市建设中。新加坡所提的“花园城市”理念与公园城市理念相似，其中立体绿化、插缝绿化的理念对于实现在有限的土地中尽可能地保留绿地资源具有很强的实践意义。此外，北欧城市哥本哈根通过“指状”公园系统的规划建设，助力旧城复兴、产业转型、低碳发展，引导市民绿色出行。

现有城市公园绿地研究主要包括以下几个方面：（1）对于公园绿地系统布局的公平性研究，通过量化指标研究区域绿地供需情况[9-10]；（2）引入地理信息系统（GIS）进行较大尺度城市绿地的时空变化的可视化研究[11-14]；（3）利用可达性指标来评价研究公园绿地空间分布格局和供需情况[15-17]；（4）采用不同社会阶层人群的需求和收入差异、种族差异来研究现实因素对绿地公平性的影响[18-20]。然而，以“公园城市”为重点的城市发展模式对城市绿地系统的需求供给、结构优化、空间布局、供需公平提出更高要求。现有研究缺少基于数据对公园资源和人口情况空间分布进行客观分析的研究探索，缺少对于最新人口普查结果和实际居住人口的比较结合研究，导致仅通过一种人口数据进行研究，所得结果不准确的问题。

鉴于此，本研究以西安市主城区为研究范围，通过大数据调研，获取城市公园和人口相关数据，包括公园POI和AOI数据、居住小区数据、街道行政边界数据和人口普查数据等。选择最新的人口普查数据和居住小区数据是希望通过两种能够反映居住人口的数据进行研究，互相补充。之后，利用基于街道范围的密度分析、Spearman秩相关和空间自相关的分析方法，基于ArcGIS、SPSS、Geoda等数据整合、计算和可视化处理工具，探究公园绿地与人口的空间分布特征和相关关系。基于街道范围的密度分析能够从街道尺度了解整个西安主城区绿地分布情况，再利用Spearman秩相关分析不同研究变量之间的相关关系，最后以空间自相关了解人口与公园具体在哪些区域呈现高低聚类关系。并基于研究结果提出城市公园绿地空间供需情况和优化布局建议，以期为西安市未来建设“公园城市”提供更加全面和科学客观数据分析，为优化西安绿地空间布局，提高城市景观形象，为城市公平的策略提出提供参考依据。

1 研究区概况

西安位于关中腹地的渭河平原，土地开阔，四面环山饶河。同时四季分明、气候温和，良好的自然地理和气候条件为其人类文明的兴盛铺垫了优渥的物质基础。作为十三朝古都，历朝历代的城市营建和环境改造成就了西安以钟楼为中心、明清城墙为标志的基本空间格局和城市风貌。尤其是自新中国成立以来，西安在1950s、1980s、1990s、21世纪初先后开展了4轮城市总体规划。这些规划受现代城市规划理念的影响，改变着西安整体的空间环境。

2017年《大西安（西安市—西咸新区）国民经济和社会发展规划（2017 - 2021年）》[21]明确勾勒未来大西安的发展蓝图；2018年《关中平原城市群发展规划》[22]明确提出把西安建设成具有历史文化特色的国际化大都市；2019年《全域治水碧水兴城西安市河湖水系保护治理三年行动方案（2019 - 2021年）》[23]的实施使多条河道、公园得到修复和建设；2021年全运会的举办大幅增加了全市公园绿地面积。根据西安市2020年统计年鉴（表1），2020年较2010年新增公园81个，新增公园面积3 468.83 hm2。其中2020年较2019年新增公园32个，新增公园面积1 313.3 hm2，新增公园个数占十年总新增公园个数的39.5%，新增公园面积占新增总面积的37.9%。西安市未来城市公园的建设将基于现有资源，依托“一带一路”的国家战略，以国家中心城市和国际化大都市的公园景观环境为标准，构筑具有西安历史文化与自然特色的“公园城市”绿地格局。

2 研究方法

2.1 数据收集

本研究以西安主城区为研究范围，包括新城区、莲湖区、碑林区、雁塔区、未央区、灞桥区和部分长安区、高新区和西咸新区，范围划定依据2017年9月西安市规划局所绘制《西安主城区范围图》为参考标准。研究区域总面积1 162.48 km2。街道范围数据通过国家地理信息公共服务平台天地图获得。街道人口数据通过访问所需研究的各个行政区网站搜索第七次全国人口普查公报（第二号）获得，由于西安高新区未发布各街道人口数据，故未能获得细柳街道、鱼化寨街道和丈八沟街道的人口数据。

本研究中的城市公园是指城市建成区中向公众免费开放，面积大于0.2 hm2，在百度和高德地图中明确标记名称和范围的城市公园和广场，这些公共空间拥有基本游憩休闲设施和固定的服务人群，能满足居民日常游憩需求。既包括综合公园、专类公园、遗址公园、运动公园等，也包括有特殊特征或主题的公园，如郊野公园、湿地公园、农业观光园、遗址公园、主题公园、森林公园等[24]。POI数据即兴趣点，泛指一切可以被抽象为点的地理实体，通过获取大规模POI数据已经成为目前研究城市多种要素空间分布的重要手段[25]。AOI数据是指兴趣点区域范围边界控制点经纬度数据。本次通过Python网络爬取程序获取高德地图城市公园POI数据，对风景名胜大类中的公园广场种类按照不同行政区域进行爬取。研究所用POI数据是在2022年1月份对高德地图进行检索所获得的POI数据，通过结合网络卫星图和街景图片逐一筛查爬取数据的内容，最终确定需要研究的城市公园名称和相关信息，并编制成表。之后，再根据表格获取公园范围AOI数据。通过多次获取，最终确定研究范围内的城市公园POI和AOI数据点位和范围共159个。此数据作为不同街道范围内基础公园统计数据，用于之后各街道公园面积总和和人均公园面积的计算。

由于人口普查数据范围较广泛，故通过安居客网站获取西安现有居住小区数据作为人口数据的补充。通过利用Python网络爬虫程序获取2022年7月安居客网站所登记的西安市各小区名称和所有细节信息，包括但不仅限于小区地址、小区户数、小区建成年份等信息。再通过百度地图开放平台以小区名称反向获得小区经纬点坐标信息。此处需要注意的是，由于百度地图的POI点经纬度坐标是火星坐标系，还需要通过Python程序添加转换公式，批量转换数据为Wgs84大地坐标系的经纬度坐标数据。通过逐个行政区爬取和多次筛查，剔除重复和错误的数据信息，共获得有效住宅小区居民点经纬坐标数据共6 742个。通过ArcGIS将以上所获得所有信息进行可视化表达，获得城市街道行政区划与公园等级分布图1和居住小区点分布图2。街道人口数据用于各街道人均公园面积的计算，街道行政区域范围用来确定公园所属辖区范围。

图1 西安市主城区各街道行政区划与公园等级分布图Fig.1 Distribution of administrative divisions and park levels by Jiedao in the central area of Xi'an

图2 西安市主城区居住小区点分布图Fig.2 Residential community point distribution in the central area of Xi'an

2.2 数据处理

本研究利用基于街道范围的密度分析、Spearman秩相关和空间自相关的分析方法，基于ArcGIS、SPSS、Geoda等数据整合、计算和可视化处理工具，探究公园绿地与人口的空间分布特征和相关关系，具体数据研究技术路线见图3。（1）利用基于街道范围的密度分析能够从街道尺度了解整个西安主城区绿地分布情况；（2）利用Spearman秩相关分析不同研究变量，明确公园绿地与人口之间的相关关系；（3）以空间自相关了解人口与公园具体在哪些区域呈现高低聚类关系。并基于研究结果提出城市公园绿地空间供需情况和优化布局建议。

图3 数据研究技术路线图Fig.3 Data research route flowchart

2.2.1 基于街道行政区划的密度分析

利用ArcGIS将城市公园POI点、AOI区域和居住小区POI点与行政区划范围进行几何相交，得到各个街道所包含的城市公园面积和居住小区数量，同时结合各个街道第七次人口普查数据，探索西安主城区各街道范围内城市公园与人口的分布特征。具体操作利用ArcGIS 10.6软件，首先导入街道办行政边界Shp图形矢量数据，然后通过分析工具（Analysis Tools）叠加（Overlay）工具下的相交（Intersect）工具，计算输入的街道范围与城市公园和居住小区的几何交点和几何相交面，其重叠区域的所有相关信息特征将写入新生成的图形图层特征中。新的特征结果可以通过数据表中新建列进行总和计算，得到计算结果表格。再利用原有街道行政范围图层与新的特征计算结果进行关联，得到所需的可视化表达数据。结合ArcGIS图层符号系统进行可视化效果展示，利用量级显示方式选中相关特征和颜色表进行最优的可视化结果示意图的制作。

2.2.2 Spearman秩相关分析

Spearman秩相关分析相关性检验可以考察两个或多个变量元素相关密切程度，常用方法主要为Pearson（皮尔逊）、Kendall（肯德尔）和Spearman（斯皮尔曼）三种。Spearman提出的相关系数属于非参数检验，较之其他相关性方法适用范围更广，不需要进行变量线性检验[26-27]。其Spearman秩相关计算见公式（1），式中x，y为随机变量，其元素个数均为n，1≤i≤n。利用相关系数rs说明两个变量间的直线相关关系的密切程度和相关方向。rs值为正，则正相关；值为负，则负相关。当p值（sig）小于0.05时，两个变量有显著相关关系；当p值（sig）大于0.05则两变量无显著相关关系，即存在独立关系。本研究利用Spearman秩次相关系数分析西安主城区各街道城市公园与人口的相关性。

2.2.3 基于ArcGIS的空间自相关分析

空间自相关作为一种经典的空间关系分析工具，在城市、经济等相关研究中日益广泛和深入，最为常用的指数为全局自相关指数（全局莫兰指数）和局部自相关指数（局部墨兰指数）[28]。全局莫兰指数（Global Moran’s I）用于查看某变量的整体分布情况，判断是否有聚集特性的存在。计算见公式（2），式中Zi，Zj是要素i，j的属性与其平均值的偏差，Wi，j是要素i和j之间的空间权重，n等于要素总数，S0是所有空间权重的聚合。

全局墨兰指数通过方差归一化操作后，其值分布在[-1，1]之间，用于判断是否有自相关关系。当值大于0时，表示呈现空间正相关关系，值越大相关性就越明显；当值小于0时，表示呈现空间负相关，值越小，差异越大；当值等于0，空间呈随机分布[29]。空间关联的局部墨兰指数（Anselin Local Moran’s I）针对区域的具体情况进行分析，可以看出区域中哪里存在空间集聚现象，计算见公式（3），式中xi是要素i的属性、是对应属性的平均值、Wi，j是要素i和j之间的空间权重。

本次研究对于城市公园和人口的分布情况进行空间自相关分析。利用Arcmap中空间统计工具下的空间自相关（Morans I）工具计算全局墨兰指数并保存结果；再利用空间统计工具中聚类分布制图下的聚类与异常值分析（Anselin Local Morans I）进行局部墨兰指数计算得到Lisa可视化聚类图，利用不同颜色标出局部空间上的相关结果。其中可区分具有统计显著性的高值（HH）聚类、低值（LL）聚类、高值主要由低值围绕的异常值（HL）以及低值主要由高值围绕的异常值（LH）。

3 结果分析

3.1 各街道公园绿地与人口分布结果与分析

3.1.1 街道面积和人口密度

利用ArcGIS进行各街道行政区域内的人口、城市公园和居住小区点的密度分布分析，所得可视化结果可以分析出：（1）街道面积。西安市主城区内各街道面积大小从中心明城区开始向外围逐渐变大，其中面积最大的是长安区郭杜街道，最小的是碑林区南院门街道，各街道平均面积18.45 km2；（2）人口密度。根据各街道第七次全国人口普查数据所得的人口密度分布图4可以看出，明城区外二环道路内部的街道人口密度最大，其中莲湖区北关街道、碑林区长乐坊街道和张家村街道人口密度位列前三，均超过34 000人/km2，其中北关街道达到42 000人/km2。西安市主城区各街道平均人口密度为13 704人/km2，说明整个西安市的大部分人口居住在主城区，形成在小区域内较高的人口密度。

图4 西安市主城区各街道人口密度高低分布图Fig.4 Distribution of high and low population density by Jiedao in the central area of Xi'an

3.1.2 公园绿地面积和公园绿地率

利用公园区域AOI数据与各街道行政区域范围进行相交，获得不同街道区域所拥有的城市公园绿地面积，采用ArcGIS进行数据处理获得各街道公园面积大小分布图5和城市公园绿地率高低分布图6，由图示结果可分析得出：（1）公园面积。由主城区外围向二环区域内逐渐减少，由二环区域向明城墙区域内部有所提升。东南部公园面积较少是由于地形土塬较多，农田较多。而二环内部多个街道公园面积较少则是由于居住空间占据了较多的用地面积，人口密度较大。从公园面积相关数据可以看出，未央宫街道拥有最多的公园面积，这是因为汉长安城遗址和汉城湖旅游风景度假区都在其辖区内，整体公园面积超过637 hm2。灞桥街道位居第二，由于其辖区西侧边界为灞河，结合河道生态建设灞河东路湿地公园、广运潭公园、西安世博园和灞桥生态湿地公园多个公园绿地，其整体公园面积超过508 hm2。（2）公园绿地率。此处的公园绿地率是指城市公园面积占街道总用地面积的比率。主城区以及东北区域相较西南区域公园绿地率较高，这是由于东南侧为土塬，地形变化较大，农业、森林水库用地较多，人口稀疏，未建设较多公园，而东北部有秦汉宫城遗址和浐灞河流，结合遗址保护和河流生态环境建设较多公园。自强路街道由于其三分之一以上的土地属于大明宫国家遗址公园，故成为整个主城区公园绿地率最高的街道。

图5 西安市主城区各街道城市公园面积大小分布图Fig.5 Distribution of city park area by Jiedao in the central area of Xi'an

图6 西安市主城区各街道城市公园绿地率高低分布图Fig.6 Distribution of high and low green space rates of city parks by Jiedao in the central area of Xi'an

3.1.3 人均公园绿地面积

由于各个街道的面积大小差距较大，仅以公园面积不能够看出各区域的公园面积是否适应人群分布。故结合街道人口数据计算人均公园使用面积，利用ArcGIS进行数据分析可视化得各街道人均公园面积大小分布图7，根据结果分析可得人均公园面积整体布局与公园面积相似，但东北部人均公园使用面积都较大，而西南部除曲江街道和大雁塔街道外，整体缺少绿地空间，人口密度大，人均公园面积小。从细节数据可得未央区六村堡街道和未央宫街道、灞桥区新合街道和灞桥街道、西咸新区斗门街道、雁塔区曲江街道、新城区自强路街道的人均公园使用面积超过40 m2远超其他区域。新城区胡家庙街道、莲湖区土门街道、北关街道和红庙坡街道、雁塔区小寨路街道、灞桥区纺织城街道、长安区大兆街道和西咸新区建章路街道的人均公园使用面积不足1 m2。其中大兆街道和建章路街道地广人稀，而其余街道的人口密度均在23 000人/km2，属于高密度居住区，公园面积和数量与人群分布和使用需求不匹配。

图7 西安市主城区各街道人均公园面积高低分布图Fig.7 High and low distribution of park area per capita by Jiedao in the central of Xi'an

3.1.4 居住小区点数量

在ArcGIS中将街道行政区划范围与居住小区点坐标位置进行相交，对同一街道区域居住小区点个数相加可得各个街道区域的居住小区数量。根据ArcGIS获得各街道居住小区点密度大小分布图8，根据结果分析得出西安明城墙区域内部的居住小区数量最多，明城以外二环以内的各街道小区数量次之，二环外围向外扩散逐渐减少，整体居住小区分布呈现向外辐射状减少的趋势。

图8 西安市主城区各街道居住小区点密度大小分布图Fig.8 Distribution of the density and size of residential community points by Jiedao in the central of Xi'an

3.1.5 居住小区点户数

仅以居住小区点的总数来判断人口居住情况是不够的，因为每个小区的容积率不同，能居住的人口数量差别较大。故由ArcGIS进行数据分析可视化得各街道居住小区户数密度大小分布图9。虽然明城区的小区数量最多，但通过小区户数数据复核可以看出，多数是低层或多层老旧小区，因此还需要将各个小区所居住的户数结合进来一并计算，可得各个街道内的居住小区总户数的高低分布。根据结果可知明城区内除中山门街道外，不是人口居住最多的区域。反之，明城墙以外，二环内部的多个街道才是人口居住户数最多的。除未央区张家堡街道数据出现较大差异外，其结果与采用各街道第七次人口普查数据所得结果相似。另外，由于缺少高新区的人口普查数据，此部分居住小区户数和数据可以予以补充，可以看出高新区的居住密度较大，人口较多，这对城市公共空间的面积和数量也将提出较高的需求。

图9 西安市主城区各街道居住小区户数密度大小分布图Fig.9 The distribution of the number of households density size of each residential neighborhood by Jiedao in the central of Xi'an

3.2 Spearman秩相关分析结果

除以上通过以各街道范围边界分析西安市城市公园和人口的分布格局外，还需要进一步探究这些相关因素之间的数量和空间相关关系。本次研究首先以Spearman秩相关的方法探究街道面积、人口密度、公园绿地率、公园面积、人均公园面积、居住小区点数量和，以及居住小区户数和道路密度之间的关系，数据结果分析见表2。

表2 基于行政街道边界范围的公园与人口因素值的Spearman秩相关性比较结果Tab.2 Results of Spearman’s rank correlation comparison of park and population factor values based on administrative Jiedao boundary ranges

通过数据分析结果可知：（1）公园面积与街道面积的相关系数为0.427，p值（sig.）小于0.01，表示公园面积与街道面积存在显著的相关关系，是中等程度相关，且是正相关，说明街道面积越大，公园面积越大；（2）公园面积与人口数量的相关系数为0.088（p＞0.05），两者无相关关系，呈随机分布状态，两者相对独立；（3）人均公园面积与人口密度的相关系数为-0.519（p=0），表示人均公园面积与人口密度呈现极其显著的负相关关系，两者分布特征相互排斥。人口密度较高的地方，公园绿地面积反而较少。这也说明，较大的公园面积多数在山水环境较好或需要保护保留的遗址环境周围，而对于居住空间功能有所限制；（4）人均公园面积与居住小区数量的相关系数为-0.297（p＜0.05），两者之间呈现弱的负相关关系，由于缺少高新区的人口普查数据，所以此部分用于验证所有主城区的公园绿地与人口之间的布局关系，虽然程度减弱，但是整体趋势与上一个相关关系相同；（5）公园绿地率与人口密度的相关系数为0.125（p＞0.05），除高新区外，公园布局与人口密度之间无显著相关关系，布局上相对独立；（6）公园绿地率与户数密度的相关系数为0.068（p＞0.05），两者无显著相关关系，各自独立，经过二轮验证，加入高新区的数据后，整体独立趋势更加明显，公园空间布局与人口分布无相关关系。

3.3 空间自相关分析结果

空间自相关全局墨兰指数反映变量在一定区域范围内的整体分布情况，局部墨兰指数则可以判断变量具体在哪些位置发生集聚现象。本研究通过ArcGIS首先计算街道人口、公园绿地率、人均公园面积、居民点密度和居民点户数和等数据计算单变量全局莫兰指数，所得结果见表3，再通过Geoda计算双变量全局墨兰指数，所得结果见表4。此外，利用ArcGIS绘制得出能够反映单变量局部墨兰指数的lisa聚集图，以便分析单个变量的聚集和异常情况。

表3 基于行政街道边界范围的公园与人口因素值的空间自相关分析Tab.3 Spatial autocorrelation analysis of park and population factor values based on administrative Jiedao boundary ranges

表4 基于行政街道边界范围的公园与人口因素值双变量的空间自相关分析Tab.4 Spatial autocorrelation analysis of bivariate park and population factor values based on administrative Jiedao boundary extent

3.3.1 单变量和多变量全局莫兰指数分析结果

（1）单变量全局墨兰指数。通过计算得到的墨兰指数值可以分析得出人口密度、居住点密度和居住小区户数和在街道分布范围呈集聚和依存趋势，而公园绿地率和人均公园面积均呈现随机分布趋势。（2）双变量全局墨兰指数。公园面积与街道面积之间存在空间正相关关系，且相关性较高。而人均公园面积与居住小区户密度，以及公园绿地率与居住小区点密度存在空间负相关关系，公园面积越大的，人口密度越低，两者显著负相关，与Spearman秩相关分析结果一致。除此以外，人均公园面积与人口数量和公园绿地率与人口密度呈较弱的空间负相关关系。

3.3.2 单变量局部墨兰指数分析结果

（1）人口密度方面，根据所得的lisa聚集图结果分析得到人口密度在明城区和二环内的街道呈现高值聚类，在三环以外则呈现低值聚类，说明人口聚集有热点和冷点区域；（2）根据基于街道分布的人均公园面积lisa聚集图10分析可得，人均公园面积在新筑街道和洪庆街道呈现高值聚类，在土门街道、长安路街道、鸣犊街道呈现低值聚类。在斗门街道呈现高低值聚类，这是由于周围街道属于高新区正在开发和较为成熟的街区，人口密度较高。在建章路街道、自强路街道和张家堡街道呈现低高值聚类，这是由于多个遗址公园的建设，占用较大用地面积，因而出现部分区域与其他区域人口数据差距较大；（3）根据各街道居民小区户数密度lisa聚类图11分析可得，各居住小区户数密度在明城墙区内的青年路街道、北院门街道、南院门街道和柏树林街道呈现高值聚类。在明城墙以南的张家村街道、长安路街道、文艺路街道和小寨路街道，以及以东的长乐西路街道、长乐中路街道、东关南街街道也呈现高值聚类。在自强路街道和解放门街道呈现低高值聚类。在三环以外的4个方向多个街道呈现低低值聚类。通过以上分析可得，人口分布与公园分布相对独立，各自有其聚集区域，且呈现一定的负相关关系。

图10 基于西安市主城区各街道人均公园面积lisa聚集图Fig.10 Park area per capita lisa aggregation map by Jiedao in the central of Xi'an

图11 基于西安市主城区各街道居民小区户数密度lisa聚集图Fig.11 lisa aggregation map ofthedensity of households in residential neighborhoods by Jiedao in the central of Xi'an

4 结论与讨论

4.1 结论

本研究通过网络爬取大数据，包括城市公园POI点和AOI区域、居住小区信息和POI点、街道区域信息、人口普查数据等多种数据类型和手段，利用基于街道行政区划的密度分析法、Spearman秩相关分析法、空间自相关分析法等地理空间分析和数据相关性分析方法，通过ArcGIS、SPSS、Geoda等数据分析和可视化软件，对西安主城区的公园绿地和人口分布格局及关系进行研究。研究结果表明：（1）研究区域范围的人口非均质化分布，呈现由中心明城区和二环范围内逐渐向外扩散减少的空间分布特征，且多个街道人口密度较大，整个主城区平均人口密度较高；（2）研究区域公园绿地面积与街道面积呈显著正相关，但人均公园使用面积，各街道之间差距较大，西安主城区东北部较高，而西南部除曲江街道和大雁塔街道外，整体缺少公园绿地空间；（3）研究区域内的公园绿地分布与人口分布呈现显著负相关趋势，人口密度较大区域公园绿地面积较小，公园绿地率与人口密度无相关关系，各自相对独立，人口分布与公园绿地分布不匹配。

以上研究结果的产生原因主要是西安建城发展史和西安所处地区的自然环境的影响。在城市建设发展方面，从周秦到汉唐，西安作为全国政治中心，拥有辉煌宏大的营城成就。唐以后，逐渐成为军事重镇，城建规模缩小，在区域政治格局中发挥重要作用。新中国成立后，西安经历了4轮城市总体规划，不断变换着城市性质定位与角色，修正城市建设发展规模和目标，并形成以旧城为中心的发展模式，形成“九宫格局、棋盘路网、轴线突出、一城多心”的总体空间格局。城市建设发展过程形成在二环范围内较高密度的居住人口和主城区内非均质化的人口分布。同时，不同时期的历史遗迹作为保护区域在西安主城区内分布不均，对绿地格局有较大影响；在自然环境方面，西安地形南高北低，东南部台塬数量较多，连绵不绝。水网分布主要在主城区外围，东南部较多。这也使得绿地分布与人口分布呈现相反趋势。

4.2 讨论

本研究提出的公园绿地与人口空间分布关系的研究方法，以主城区公园绿地作为研究重点，通过对最新的人口普查数据和居住数据的搜集，对不同街道的公园绿地布局情况、人口情况和相关关系进行了测度，从街道尺度通过量化研究整个主城区区域内的公园绿地分布与人口分布格局关系，对于现阶段城市公共绿地布局的建设策略和政策制定提供参考。然而，由于以街道行政区域作为研究单元，因此对于具体存在问题的区域无法细化到道路或者社区，所得结论较为宏观，还需进一步进行街道内部深化研究，从而提供更加准确的研究结论，指导实际建设。此外，由于仅关注公共公园绿地，对于居住小区内部的绿化情况没有纳入本次调研数据的收集范围，故会影响绿地供需评价的精确性，需进一步进行完善。最后，本次人口数据以人口普查数据和网络抓取小区数据为主，这与实际人口情况会存在偏差，还应尝试以手机信令或社交软件等获取流动人口，提高人口数据的准确性。

4.3 建议对策

在城市更新与存量优化背景下，城市绿地空间布局的改进对策与措施落地性不强，目前城市绿地是从统配型向适配型发生转变，但在城市主城区，尤其是对各类新建和旧改小区而言，城市绿地布局规划难免会受政策、用地产权等影响，因此，基于以上分析结果，提出以下优化建议：（1）对于缺少公园绿地的街道，例如明城墙以外二环以内的多个街道极度缺少公园绿地空间，应利用街道两侧及无人使用的公共空间，见缝插绿，构建更多口袋公园、街边绿地或屋顶花园等公共绿地活动空间；（2）现有较大的公园绿地多依托历史遗址或生态河道环境，但此部分绿地资源在市内分布不均。对于缺少相关资源的街道，应结合自身条件，如定时适当开放西南部高教区的公共绿地资源、提升和改造各小区内部的景观空间环境、提高对新挂拍土地绿地率的规划要求，建设宜居小区和展现社会公平；（3）部分街道由于老旧社区较多，缺少停车空间，故多数公共活动空间都被机动车所侵占。针对此类空间，街道应加强空间管控，增建停车楼等设施，释放公共空间，增建公园绿地；（4）二环内人口密度较大区域，多数属于2000年以前的老旧小区，可以在老旧小区更新过程中，对于小区内部的绿化环境进行整改，包括减少植被中的灌木数量，变为可以活动和停留的空间。而对于明城区内部，部分区域还存在20世纪50年代起所建的棚户区，对于此区域可通过拆迁重建或搬迁的方式改善居住品质，同时增加公园绿地，缓解区域公共空间不足的压力。期望在今后公园绿地规划与建设中，应根据人口分布情况均衡布局公园绿地空间，提升人居环境的宜居水平，建设具有西安历史人文与自然特色的“公园城市”绿地格局。

注：文中图表均由作者自绘。