基于人居活动数据的城市分析——纽约市实践经验及其城市人因工程学启示

来源，胡安妮

0 前言

21 世纪以来，城市人居在数字与智慧技术的影响下，不断呈现出虚实结合的空间演变与人机交互的智慧场景。大量涌现的城市数据为使用机器学习与信息可视化等技术开展科学量化分析提供了丰富的数字资源，通过对多源大数据与多模态信息分析解读，可促使我们更全面地了解人与多尺度、多维度空间中多种元素的相互作用。然而，在数字化、智慧化技术嵌入人居活动的过程中亦会带来新的不确定因素。随着信息技术与人工智能不断渗透人居空间与城市生活，当代城市物理—赛博—社会三元空间中多种智慧化技术应用与人不断交互影响，演化出众多新的用户体验、生活场景和交互方式，为城市分析带来了新问题、复杂性与新风险。与此同时，城市人因工程从人体与空间的体验、互动与感受出发，关注物理空间规划设计与人交互所带来的生理、心理影响与作用，成为探讨未来城市空间的重要研究视角。

1 智慧城市环境下的人居活动信息构架

本文首先阐述了21 世纪以来智慧人居的关键技术、科研进展与人居场景演变。结合美国纽约市的多项实践案例经验，梳理了城市分析的内涵及其在场所、社区、城市等多种尺度和多种智慧场景建设等方面的应用。基于以上关于城市分析的初步发现，进一步总结了城市分析当前所面临的难题，并对城市人因工程视角如何启发智慧人居建设背景下的城市分析展开探讨。总结而言，基于人居活动数据的城市分析为未来城市智慧人居建设治理提供了重要支撑，而城市人因工程在完善城市分析的“人本性”“交互性”“社会性”方面提供了独特视角，这不仅对支撑未来智慧城市人居规划、建设、治理具有实际意义，更为面向未来的数字化、智慧化人居环境科学和信息赋能设计科学提供重要的理论探讨。

1 城市智慧人居的演进趋势

1.1 智慧技术创新推动城市科学

在过去的20 年中，智慧城市伴随着城市基础设施老旧和城市治理挑战等难题经历了新兴技术驱动的4 次创新浪潮[1]。对其内容与特征可进行如下概括：（1）数字基础设施建设阶段，即在城市范围与空间尺度上的通讯信息（ICT）基础设施更新建设，通过无线网络、传感器等结合，以实现城市建成环境与公共通讯网络互联互通，形成一个将信息与物理系统连接起来的“数字城市”[2]；（2）信息化社会网络形成阶段，即新兴科技产业模式关注个人用户体验的信息媒体，以市场化的个人智能设备、物联网、社交媒体平台等形成一系列新型的商业模式；（3）城市大数据增长阶段，伴随数字基础设施、感知设备与社交网络的成熟带来了多样化的城市大数据资源和以服务市民为核心的城市数据平台建设，城市开放数据、城市数据分析、城市数据科学成为新兴技术议题；（4）城市科学与城市信息学兴起阶段，当城市数据资源快速增长，伴随城镇化进入新的阶段，引发了包括城市分析、城市预测、数字孪生城市等学术话题，并促成城市实验室、新城市科学、未来城市、智联社区等多种人居科学探索与技术开发途径[3]；（5）自2020 年新冠疫情肆虐全球以来，城市信息技术在疫情监测防控、公共卫生管理、社区健康服务等方面发挥了巨大作用，体现了智慧城市应用于公共健康领域的重要作用[4]。

美国纽约市作为全球科技创新领先城市，自21 世纪以来亦经历了上述5 个演进阶段，尤其在2010-2020 这10 年间，无论是城市政府部门的职能建设，还是当地高校与科研机构对城市科学与智慧城市技术的研发应用，抑或科技企业与商业机构对智慧城市人居的参与，该市均作出了诸多前沿科学探索与设计应用示范。因此以下将以纽约市为例，具体展开说明该市在城市分析及其相关的智慧人居建设方面的实践经验。

1.2 智慧城市多层信息构架

关于智慧城市的信息构架，Habibzadel 等将其概括为包括数据层、通讯层、传感层、应用层、安全层的多层级、多系统的城市信息构架[5]（图1）。以纽约市为例，该市自2012 年提出了城市开放数据平台（OpenNYC）作为城市数据层的管理机制，通过地方性立法和城市条例为其提供了政策保障、实施路径、技术支持与人力资源。在通讯与传感层面，纽约市开展了多个城市新型基础设施建设与传感监测项目，包括基于公共空间智能设备的LinkNYC 项目[6]、基于声学监测的SONYC 项目[7]、基于远红外遥感观测的Urban Observatory 项目[8]等；在应用层面，纽约市不仅对该市的公众服务热线（NYC 311）进行信息系统改造与数据管理优化[9]，还依托OpenNYC 推出一系列基于城市开放数据资源的智能应用[10]；在信息安全层面，纽约市成立了科技与创新办公室（The Office of Technology and Innovation,OTI）并于2017 年借助谷歌云（Google Cloud）的技术合作支持建立了纽约市赛博控制部（New York City Cyber Command），以对全城的公共数据安全及其相关信息系统安全性提供技术保障[11]。

1.3 虚实结合的人居场景演变

数字时代下，城市的发展不断呈现出虚实结合的空间演变与人机交互的智慧场景。一方面，传感设备、监测系统、云计算、分布式算法、信息交互界面等多种后端、中端、前端技术将城市空间及其空间中的各种人居活动数据化、虚拟化成为了可能。美国城市规划设计学者Mitchell W.对此提出了“比特城市”（City of Bits）的概念，认为未来城市规划设计不仅仅局限于传统物理空间塑造，还包括对赛博空间的设计干预[12]；另一方面，居民活动在物理空间、社会空间、赛博空间中不断拓展，人们的行为、决策、交流无不受到数据驱动与算法影响，并在多种信息交互中萌生出新的行为方式。对于这种转变，瑞典社会心理学家Bradley G.将其形容为“网络人”（Humans on the Net）现象，并探讨了数字技术所催生的社会新现象与社区信息学新兴领域[13]。在智慧城市与数字人居的背景下，荷兰法学专家Ranchordás S.进一步探讨了当代与未来信息技术对人的行为意识干预所涉及到的法律问题与伦理争议[14]。

在实践层面，智慧技术逐渐在多种城市规划、设计与治理场景中得到了应用示范。早在2008 年，纽约市警察局就与微软联合提出了基于域感知系统（DAS）的下曼哈顿安全倡议，探索信息技术支撑城市公共安全和安保数据管理[15]。该系统将监控视频源、车牌阅读器、辐射探测和化学传感器、911 警报和其他机构数据整合到一个中央信息交换中心，并于2015 年首次在城市部署了枪击检测系统，以增强公共安全监测和威慑犯罪的能力。在公共空间方面，纽约市公园管理局于2016 年启动了“公园智能长椅”的试点项目，将物联网装置引入公园智能设施与行人活动数字化管理[16]。每个智能长椅配置有可供手机充电的太阳能装置和用于收集公园空间使用趋势和行人轨迹数据的WiFi 设备。这种智能长椅不仅为公园使用者带来便利，还能为公园管理局提供实时信息和量化数据以实现由数据驱动的管理决策。2019 年，纽约市交通局（Department of Transportation,DOT）与大都会交通管理局（The Metropolitan Transportation Authority,MTA）、纽约警察局（The New York City Police Department,NYPD）合作开展了“公交提升行动”计划[17]。该计划旨在通过公交优先政策工具包、增加摄像头设备、公交车道执法、公交服务管理举措和公交路线优化等措施，将全市公交车速度提高25%，从而鼓励使用公共交通以缓解交通拥堵。综上，城市在多种数字信息技术的支持下，呈现出虚实结合的人居场景演变与智慧化的应用场景，不仅为城市的规划、设计、治理过程带来了多种数字化、智慧化的技术支持，还为随后开展的城市分析提供了大量数据资源与实证研究依据。

2 数据分析的类型分类，根据参考文献[21]绘制

2 基于人居活动数据的城市分析

2.1 城市分析的内涵

早在1960 年代就兴起了对数据以及数据分析内涵的讨论，美国数学家和统计学家Tukey J.认为数据分析（data analytics）是通过发掘、解读、交流数据所揭示模式规律的研究方式[18]。对于城市分析（urban analytics）的内涵，不同专家学者提出了多种解读和定义。例如Batty M.认为城市分析是一种快速新兴的工具，用于解决大数据、城市模拟、地理人口统计等问题[19]；Goodchild M.认为城市分析是通过利用来自社交媒体、众包、感知网络等新兴数据资源进行城市研究创新[20]。数据分析的类型可根据其方法途径、复杂程度与智能价值分为描述性分析（descriptive analytics）、诊断性分析（diagnostic analytics）、预测性分析（predictive analytics）与规范性分析（prescriptive analytics）[21]。描述性分析旨在利用数据统计与可视化等方式对数据进行总体描述与特征总结；诊断性分析主要通过回归模型与归因分析等来对不同变量间的相关性与因果关系进行分析验证；预测性分析利用统计模型、机器学习与深度学习等方法对历史数据或抽样数据进行分析以实现预测的能力；规范性分析亦利用多种统计模型和机器学习方法，但其目的偏向于提供建议与推荐（图2）。

基于人居活动的城市数据分析流程可大致归纳为以下5 个步骤:（1）数字化（digitizing），即利用多种技术将多源信息转化为机器可读的数据格式；（2）计量化（quantifying），即将观察结果计数和测量为数据的数量；（3）流程化（pipelining），即策划在整个生命周期中数据存储库的管理与使用，包括创建、存储、传输、归档和更新；（4）模型化（modeling），通过构建基于统计学习、机器学习或深度学习的回归模型、预测模型或分类器，以实现由数据驱动的归因、识别、分类、预测、推荐等多种分析算法；（5）可视化（visualizing），即将分析结果进行图形化展示以及可实现用户交互的信息界面。

作为城市分析的先行者，纽约市于2013 年正式成立“数据分析市长办公室”（Mayor's Office of Data Analytics,MODA）并明确了该机构组织的3 项重点工作：（1）为本市其他机构提供数据分析支持服务；（2）促进城市机构与多方主体之间的数据共享；（3）管理和推广多样化的城市开放数据项目，其内容涵盖城市的市政运营、经济发展、环境可持续、租户保护、应急响应等不同空间尺度与时效性的城市分析与决策支持[22]。在方法层面，对于城市原始数据的处理解读往往需要依赖信息学（数据和信息的使用）、分析学（从数据中提取知识）和城市专业领域知识（理解知识的相关性和潜在价值）等多学科的知识技能。因此，城市分析贯穿了城市信息系统的后端（数据管理）、中端（算法与模型）、前端（信息输入输出与交互界面），其成果不仅包括数据分析结果（类似于传统咨询企业所提供的解决方案服务），还包括作为用户友好体验和灵活使用接口和门户网站（作为数据控制台或终端）。综上，城市分析与传统城市量化研究不同，数据不仅可作为实证研究的依据，还能为城市信息管理设计、智慧城市系统运维、决策支持算法等方面提供信息源。

2.2 城市多源数据融合分析的多尺度发现

多源大数据与多模态信息能更全面地反映人与多尺度、多维度空间中多种元素的相互作用，为使用机器学习与信息可视化等技术开展科学量化分析提供了丰富资源。纽约市作为数据驱动城市运营和开放数据的先驱，近年来在不断建设的过程中逐渐形成了丰富多样的城市数据资源环境。在地点和场所尺度，与人居活动相关的城市建成空间元素，例如土地使用情况、建筑物占地、街道网络、公共交通设施、公共空间家具、行道树等，均已进行了数据化记录并实现城市公共数据开放化。通过空间提取、清理、融合等数据处理流程后，这些信息可支持对城市本地微观区域特征进行量化，客观定量地描述局部空间质量及其场所特征，并进一步支持解读分析当地动态多变的人居行为活动。例如，作者先前名为“量化场所”（quantifying places）的研究项目利用纽约市多源大数据，对该市范围内100 个地点的局部空间元素及其场所特征进行了量化、分类与回归模型分析，相关结果阐释了不同类型场所中行人活动的主要驱动因素，并揭示了人居活动分析中城市环境（空间因素）和社会动态（事件因素）的重要考量因素[23]。

在人居健康层面，笔者先前的一项研究利用纽约市内174 个邮政编码区内居民的就医活动行为记录量化计算了城市不同局部空间中季节性呼吸疾病就医率，并结合反映环境、社会、经济、人口等因素的多源数据，通过构建地理加权的多元回归模型（Geographically Weighted Multivariate Regression Model,GWMR）分析了包括建筑质量、空气质量（PM2.5 浓度）、花粉暴露、人口年龄、家庭经济因素与过敏性哮喘就医率间的相关性[25]。由此可见，除了建成环境及其场所特征，城市中不同空间局部的人居活动往往伴随着经济、社会、文化、健康等多重因素的累积叠加效应。

2.3 理解赛博空间人居活动情况

如上文所述，近20 年来的信息技术革新带来了城市生活改变，人居系统在数字化趋势下亦演变出其在赛博空间（cyberspace）的诸多行为，反映出了列斐伏尔（Lefebvre H.）在《空间的生产》（The Production of Space）中所提出的由“现实—精神—社会”所构成的三元空间下的人居活动行为模式[26]。数字政务平台、社交网络、自媒体、虚拟现实、元宇宙等多种新型信息交流与管理方式为理解更加具有动态性、时效性、多维性的城市人居活动提供了新的数据资源与实证研究依据。与此同时，新的信息源和数据格式亦需要通过新的分析方法对这些数据进行描述性解读、归因分析、聚类识别以及时空预测。

在2010 年以来，纽约市多个政府部门对其相关业务开展了数字政务管理、城市信息系统升级、数据融合分析等多种数字化、智能化提升，以不断融合城市管理运维在物理空间、社会空间、赛博空间中的高效融合。以纽约市建筑局（NYC Department of Buildings）为例，其对建筑活动许可、建筑安全检查、建筑质量评估、建筑能耗能效、建筑产权信息等相关部门业务开展了信息采集、数据分析与智能化决策支持应用。例如，作者先前的一项研究对纽约市建筑局1,058,547 项建筑改造活动许可记录进行了数据分析，通过自然语言处理技术对其进行了内容分析、主题趋势和话题模型的构建，从而识别城市居民自发进行的建筑改造活动的时空动态[27]。在了解居民对物理空间的利用改造之外，也可以通过社交媒体平台信息来了解城市人居动态，尤其是包括情绪、态度、意见等超越物理空间活动的人居信息动态。针对此，作者的研究团队曾对纽约市274 个社区相关社交媒体数据进行时序变化和舆情态度识别分析，通过对赛博空间信息的提取来衡量城市社区邻里变化与居民实时态度，探索了一种基于社交媒体动态的城市舆情指标构建、社区情况预警监测和公众意见收集的综合技术途径[28]。

3 城市人居活动数据分析的痛点

随着信息技术与人工智能不断渗透人到居空间与城市生活中，当代城市“物理—赛博—社会”三元空间中多种因素与人不断交互影响，演化出众多新的用户体验和生活场景，为人与城市空间交互带来了新问题、复杂争议与未知风险。整体而言，较为显著的问题主要包括由数字鸿沟带来的数据偏差问题、由高精度观测带来的数据质量问题以及由多主体多系统带来的协同问题。

3.1 数字鸿沟造成的数据偏差

数字鸿沟（digital divide）问题体现在社会不同群体对信息技术的可接入（access）和使用（use）方面体现出的差异性[29]，包括了设备的可用性、技术使用主动性、技术的社会支持与信息技术使用目的等方面所呈现出的差异性。因此，城市中不同社区在数据中的表现程度通常并不相同，不同社区和群体之间存在数字资源差异，低收入人群与社区可能存在数据缺失或数字表达不完整等问题。以纽约市民投诉与公共服务热线311 数据为例，McLafferty 等通过对全市范围市民关于室内臭虫（bed bug）投诉行为的分析揭示了居民自发行为地理信息（volunteered geographic information,VGI）背后的地理空间与社会经济偏见。分析比对发现，关于家居室内臭虫的假阳性（false positive）投诉往往出现在高品质住宅和高收入社区人群，若单纯以此数据作为市政服务和城市健康依据，就会导致低收入社区的实际问题遭到忽视[30]。因此，随着智慧技术持续渗入城市规划、治理和运维等工作环节，相关决策与智能化控制不断依赖居民活动数据，亟需重视由于数据质量、采样偏差、测量误差及其相关分析算法所带来的数字不平等（digital in equality）问题。

3.2 高精高频数据的质量检查

除了上文所介绍的由数字鸿沟所带来的数据偏差之外，智慧城市背景下的诸多人居活动数据具有高精度、高频率、多尺度的特点。这些来自于传感器监测、物联网运维、地理位置服务（location-basedservices）、手机信令、智慧应用、信息平台、社交媒体等多种信息源的数据为存储、清洗、检查、解读等一系列处理流程带来了技术挑战[31]。以传感数据为例，Teh H.等通过对6970 篇使用传感数据的研究论文进行分析，对传感数据的常见错误进行了总结，排序前5 位最常见的数据质量问题分别是异常值（outlier）、缺失数据（missing data）、偏差（bias）、漂移（drift）和噪点（noise）[32]。需要强调的是，许多数据质量问题不仅仅源于监测设备的系统性误差和传感装置调试问题，还可能是由当地人居活动影响而造成的。例如，先前一项关于纽约市社区空气质量检测的研究表明，局部微观尺度的空气质量监测极易受到当地居民夏季户外烧烤活动的影响，从而对观测数据采集带来异常值的干扰[33]。因此，随着更多的智能设备不断走入日常生活，城市分析需要应对多源、高精度和高频率的数据处理、检查和解读任务。

3 城市局部空间多种要素提取，引自参考文献[24]

3.3 多主体多系统多场景协同

智慧人居规划设计与管理需要应对多利益主体、多参与主体、多技术系统与多智慧场景协同的难题，这源自城市规划设计学科和人居环境科学问题的复杂性。因此，未来城市需要能整合数据管理、计算分析、公众科学一体化的城市信息整体框架以支持城市分析过程中所涉及的多主体、多系统和多场景协同难题[34]。具体就数据分析而言，需要整合基于各种集体现象观测的多源异构数据，相应的数据分析框架既要应对基于传感系统的环境客观测量，还要考虑代表不同利益和参与主体评价的主观反馈[35]。从模型构建的角度来看，城市现象的复杂性往往分布在多个尺度上，通常具有无标度统计特性且难以通过预测目的的简单平均值表示。这说明了仅基于数据统计建模和模拟预测的局限性，也突出了人工解读在城市问题实际管理应用，尤其是涉及语义和认知判断方面的必要性。此外，城市分析模型往往还涉及到市民活动行为、城市文化、社会经济等多个领域，这些非系统性的行为活动加上难以量化的社会文化影响，可能会造成模型结构及其参数相关性在不同情况下发生变化，从而导致不准确的解读与误判[36]。

4 人因工程视角对城市分析的启示

城市人因工程学（Urban Ergonomics）是通过建立描述性模型以支持城市的空间体验量化与设计干预的设计科学途径[37]。城市人因工程学源于人因工程学和人居环境科学的交叉融汇，其目的是改善城市空间与基础设施系统，使其更好地服务居民在生理、社会、心理等维度上的生活、安全与健康的质量[38]。其秉承着以人为本的原则，涵盖人体工程学（人体生理学）、认知工效学（感知心理学）与组织工效学（社会技术系统）3 个具体领域，利用多种技术工具来改善设计学过程中的空间认知与干预，并综合考虑个人尺度体验与多主体利益的平衡。它基于多学科专业领域知识，关注人与环境的交互，并通过多样化的科学技术手段理解这种复杂关系[36]。图4 概括了城市分析与城市人因工程学之间的联系，作者认为城市人因工程学对城市分析的启示主要体现在“人本性”“交互性”“社会性”3 个方面。

4.1 城市分析的人本性

“人本性”指城市应遵循亚里士多德“城邦源于保生存，成于求幸福”的基本理念，城市规划学者梁鹤年曾围绕“城市人”的概念对以人为本的城镇化开展探讨[39]。时至今日，无论是智慧城市规划设计，还是智慧人居场景运营，抑或是数据驱动的城市分析，都应秉承科技向善和以人为本的规划价值导向[40]。在城市人因工程领域，以人为本的设计由Mike Cooley 提倡，是一种交互式系统开发方法，旨在通过关注用户及其需求，并通过应用人为因素/人体工程学、可用性知识和技术，使系统可用和有用[41]。城市人因工程作为探讨未来城市空间智慧化与人性化设计的重要途径，在平衡“人—人、人—社会、人—环境”[42]这3 种维度间的互作互用发挥关键作用，因此经常与“人为因素”交替使用而统称为HFE/EHF（Human Factor Ergonomics）。

4 城市人因工程学视角下的城市居民活动数据分析

具体在城市设计领域，人因工程从人体与空间的体验、互动、感受出发，关注物理空间规划设计与人交互所带来的生理、心理影响与作用。城市人因工程关注人与城市建成空间之间的界面，将这些抽象的空间品质定义为可感知与测量的城市体验层次，并在宏（群体）、远（远体）、中（中体）、近（近体）、微（体表）5 个不同的尺度上开展科学研究与设计干预，以创造更加人性化的城市空间与智慧人居体验[43]。总结而言，作者认为城市人因工程体现了从现代城市主义延伸出的新型人文主义理念，是未来设计科学探索的重要价值导向。

4.2 城市分析的交互性

“交互性”是指人因工程强调的“人—机器—环境”之间的多重交互及其在设计过程中的重要意义。以参与式城市设计为例，其设计过程中既将用户参与作为研究手段或分析工具，也将用户数据作为推进设计研究的主要客观依据和考量因素[44]。这两种方式代表了参与式城市设计的不同阶段：前者侧重于将人的视角融入邻里评估，默认参与者和此项目并没有直接利益关系，而是为了解城市局部情况与空间活动提供中立的客观依据；后者则将参与者视为规划设计的参与主体，通过将公众参与引入场所营造和社区更新等多种设计情境中，通过将多方利益主体带入决策情境以期达成更加完善的解决方案。以上两种交互方式虽有不同的侧重，但都依赖城市数据平台对目标受众、研究人员或普通用户的信息开放。

值得注意的是，虽然数字化智慧化技术为参与式设计提供了数智赋能的机遇，但随着越来越多的信息技术介入于参与式设计中，信息源和数据量的增加也提高了数据的筛选、分析、管理和解读流程的复杂性。此外，参与式设计往往需要高质量和高准确性的数据支撑，例如民意调查问卷的问题需要更加精准的把控和引导。总结而言，参与式设计虽然能有效解决当地局部问题，但是城市规划仍需要总体宏观指引。因此，未来城市设计可借鉴人因工程手段来实现在数据信息的广泛度和精准度之间的平衡关系，并进一步构建基于人机交互的参与式规划设计模式，以便于更加全面精确地了解多元参与主体的特征与不同利益主体的诉求。

4.3 城市分析的社会性

“社会性”是指城市分析过程中的社会因素以及城市人因中所体现的社会属性，这是分析个人活动扩展至集群活动过程中的重要考量。早在1990 年代，Cohen 和Smith 就曾以人因工程学视角审视当代城市病与社区问题，并提出“社区人因工程学”（community ergonomics）的设想[45]。Lane N.等进一步提出可将基于人本尺度传感的量化监测串联扩大至社区尺度，从而得以分析“网络社区行为”（networked community behavior）所反映的集群特征、社会连接与活动规律[46]。从社会性视角来看，社区人因工程学由社会子系统（社区居民）、技术子系统（机构、服务、政策等）和社区人因程序（连接社会和技术子系统与环境的因素，例如经济）组成，旨在通过社区居民对其生活环境的把控以及对其行为对他人和环境后果的认识，来弥合社区居民与环境之间的差距。社区人因工程学的核心是通过个体的生理过程、外部社会和文化环境以及组织机构的自我调节来实现人类重要功能（如发展、感知、动机和学习）的自我控制和自我管理。在社区人因工程学中，个人被视为一个有组织的系统，其行为的指导和过程取决于个人对社区环境在经济、社会和文化方面的发展相互反馈控制的能力。

社区人因工程学包含7 项原则，分别为：（1）以行动为导向的方法注重对选定目的和目标的关注，旨在实现集体目的和观点对所关注问题的影响，并通过具体行动来达成具体目标和愿望；（2）通过个人参与、行动小组、委员会等机制促进公众参与，为居民提供思想源泉、激励手段、教育新思想与新行为方式；（3）通过加强多样性管理和冲突处理，城市社区能够更好地应对不稳定因素，提升自身的环境跟踪和互动能力；（4）鼓励式学习在控制权转移、知识转移和技能转移等技术向社区转移的过程中发挥作用；（5）通过创建具体任务、行动和学习机会来建立自律，以提高个人或团体对环境施加影响的能力；（6）整合反应性反馈、工具性反馈和操作性反馈机制，使闭环控制、社会跟踪和自我调节原则在社区环境改善的设计和实施过程中发挥作用；（7）通过评估实施操作要求、衡量有效性并利用信息反馈来持续改进和创新原有规划[47]。

作者认为，城市分析的社会性既体现在其结果所揭示的社会问题，也体现在其过程中所带来的社会效益。以纽约市为例，该市政府与纽约大学、哥伦比亚大学、康奈尔大学理工学院等多所当地教育科研机构开展合作，通过建立“社区实验室”的方式将公众科学与社区参与和城市分析相结合，开展聚焦人群健康、经济发展、环境保护、社会保障等多方面的智慧人居探索[48]。这说明，在城市智慧人居的实践过程中，城市分析的社会性、人本性、交互性往往呈现出相互交融的形式。

5 结语

随着城市信息技术创新与大数据不断涌现，基于人居活动数据的城市分析将在未来城市规划、设计、建设、治理过程中发挥更加重要的作用。而在新数据、新方法和新技术持续应用于城市智慧人居发展的同时，未来的城市数据分析仍需更好地应对信息偏差、数据质量和多元主体需求等复杂挑战。作者认为，城市人因工程作为前沿新兴的设计科学途径，能够有效地结合城市体验量化研究与空间设计干预，并从“人本性”“交互性”和“社会性”3 个方面对城市数据分析进行支撑。总而言之，基于人居活动数据的城市分析在智慧化城市规划治理中承担核心角色，而城市人因工程学的理论与方法对城市分析未来发展具有重要的科学启示，将是探索智慧人居设计科学的关键路径之一。