基于開放數據的上海城市公園使用活躍度時空特征研究

何仲禹

李岳昊

隨著生活質量的不斷提高，中國居民對健康的理解和追求正在發生變化：以治療疾病為主的醫療健康模式開始向干預居民整體健康水平的社會模式轉變。研究發現，生活環境對健康的影響比個體行為更加具有普遍性，也預示著存在改善公眾健康的普適性環境解決方案，從而為城市規劃與設計提出了新的課題。

在影響公眾健康的諸多建成環境要素中，公園綠地無疑是其中最受關注的。公園綠地不僅具有良好的生態效益，也是居民進行體育鍛煉和室外休閑娛樂活動的主要場所。近年來，公園綠地的供給日益受到重視，城市人均綠地面積逐漸提升；但與此同時，也出現了公園大小、分布、使用者失衡等結構性問題。本文通過對上海中環線內130個城市公園的實證分析，探討影響公園使用活躍度的建成環境因素，以期為我國城市公園綠地的規劃與建設提供參考。

1 研究背景

現有文獻對城市公園與綠地的研究主要集中在規劃設計方法[1-3]、生態景觀格局分析[4-6]、綠地空間分布優化[7-9]及綠地效用評價[10-12]等幾個方面。本文的研究重點是公園的空間結構，對其規劃設計和效用評價也有一定涉及。在公園的空間分布問題中，可達性研究是其中的重要內容之一；早期可達性單純以人均公園面積或綠地率作為評價依據，這種方法雖然簡單易行，但只適合做粗略估算；隨后出現了基于服務半徑、直線距離或緩沖區的可達性計算方法，這類方法并沒有考慮實際的出行路線，仍具有較大的局限性；近年來隨著GIS技術的普遍應用，出現了基于路網并綜合考慮交通方式或出行成本的網絡分析法和阻力模型法，這2種方法的計算精確度大為增加，但仍需對部分參數進行主觀賦值[13]。此外，目前的公園規劃設計方法研究大多基于案例分析，主要關注功能、面積、文化意象和植被景觀等設計要素，對公園內部的服務設施配置涉及較少。而對公園的效用評價研究一般包括基于使用者滿意度的主觀評價方法和基于使用者數量及基于評價指標體系的客觀評價方法。

在大數據時代，作為研究基礎的數據來源的本質變革為所有研究提供了全新視角。目前，國內已經產生一些應用大數據對城市公園進行研究的成果，但整體數量仍偏少。李方正等利用新浪微博簽到數據分析了北京中心城區綠地的使用情況，發現綠地使用情況受綠地類型影響較大，不同類型綠地的使用影響因素存在差異[14]。王鑫利用網絡POI數據分析了市民休閑活動聚集強度，對北京郊野公園選址提出了建議[15]。另有一些學者利用不同類型的大數據進行了公園評價研究[16-18]。

基于時間地理學的理論框架[19]，活躍度可定義為一定時間或空間范圍內研究對象數量或密度的動態分布，它反映了被評價媒介的可達性和受眾滿意度[20]。近期相關研究大都采用如出租車GPS定位數據[19]、二手房交易數據[21]、城市POI數據[22]等大數據，通過核密度分析的方法分析城市空間活躍度。張薇分析了城市綠道活躍度與17個城市設計因子的相關性[20]，除此以外，針對公園綠地活躍度的研究還較為匱乏。根據既有研究，本文將使用者活躍度定義為公園使用者的數量、密度及其在時間上的分布，將其作為公園評價依據，考量公園基本空間特征、內部服務設施、公園可達性及使用者個人屬性對公園使用活躍度的影響。本文使用數據均來自互聯網平臺的開放數據，從而為既有公園研究提供一種新的思路與方法。

2 研究方法

2.1 開放數據概念

開放數據和大數據是2個互有交集的概念，前者目前尚無統一的定義。開放數據對產生或存儲于Web中的各種類型的數據，按照用戶特定的需求和相應的互聯網協議、規則、框架進行開發、加工、存儲和組織等管理活動，從而實現數據開放、互通和共享[23]。開放數據一般具備以下3個特點：1)非歧視性，對所有人均開放；2)可讀性，數據應能被機器自動識別；3)開放授權性，使用者具有免費訪問、獲取、使用、加值、傳播的權利[24]。開放數據以政府和學術機構提供的數據為主要來源，隨著信息技術發展，特別是智能移動終端的普及，一些移動互聯網企業提供的開放型大數據，如簽到、評價和軌跡數據，為描述人們的空間活動提供了便捷和精準的途徑。

本文的研究思路如下：首先通過Python編程提取來自開放數據平臺的相關數據，然后利用ArcGIS工具對數據進行相關空間計算，最后將計算結果導入SPSS建立統計模型，定量分析使用者屬性、公園服務設施、公園可達性及使用者評價等要素對公園使用者活躍度的影響。

圖1 130個公園的面積及與市中心距離分布圖

2.2 數據獲取

依據城市用地分類標準，城市公園可分為面積較大的綜合公園(包括市級公園和區域性公園)，面積小、數量多的社區公園，沿路或水系分布的帶狀公園，以及諸如動物園、植物園、兒童樂園等類型的專類公園。本文以上海中環線內130個免費塊狀城市公園為研究對象，主要包括綜合公園和社區公園2類。

本文需要獲取的數據包括130個公園的基本信息、公園使用者數量與評價、使用者個人屬性及公園可達性4個方面。數據來自高德地圖API、高德位智和大眾點評等互聯網平臺。

2.2.1 公園基本信息

通過高德地圖開放平臺API獲取公園的基本信息。首先，利用多邊形搜索接口搜索中環線內所有的城市公園，并獲得其名稱、坐標及中心坐標信息。然后借助POIinfo接口獲取公園的邊界信息，并利用多邊形搜索接口對公園邊界內指定類型POI進行搜索，得到公園中各類服務設施及公園出入口的數量和位置。同時，利用公園邊界數據，通過Haversine公式計算得到公園面積。本研究選定人民廣場作為上海中心，根據公園中心坐標計算得到公園與市中心的距離(圖1)。通過接口搜索得到距離公園最近的地鐵站坐標，從而計算公園與最近地鐵站的距離(表1)。

2.2.2 公園使用者數量、評價及個人屬性

本文選取高德位智中區域指數來計算公園使用量。區域指數是指一定時間內發生在一定地理范圍內所有通過高德位置服務發起定位請求的總數量。盡管區域指數只能記錄特定地理范圍內發起定位請求的特定人群，無法代表全體人群，但本文認為在某一特定類型的空間(如公園綠地)中，使用這種定位服務的人群比例差異不大，因此指數數據同區域內人群數量、群體活躍度成正比。本文最終分別獲取了130個公園以天為單位、2018年4月29日—5月25日共4周的使用者數量數據。

與公園使用量相同，公園使用者的基本信息也從高德位智頁面中提取。由于部分深度屬性數據，如使用者收入、職業等信息只面向商業合作用戶開放，故本研究僅收集了公園使用者的年齡分組和性別這2類信息。

本研究中公園服務評價數據主要來自高德地圖用戶對于公園的平均評分，評價采用5分制。而對于高德地圖中缺失評分數據的公園，本研究采用大眾點評或其他地圖服務商提供的評分數據作為代替。在數值上，不同方式獲取的公園評分存在一定無規律差異，但總體而言，本研究認為它們的組合可以代表使用者對公園服務的整體評價。

表1 130個公園的基本信息

圖2 控制點插值法數據示例

圖3 部分公園步行15min可達范圍示例

2.3 可達性計算

基于開放數據的特點，本文采用了與已有研究不同的可達性計算方法，即利用高德路徑規劃工具計算從公園出發、在工作日非高峰時間的一定時間內步行或車行的可達范圍，從而避免了主觀賦值，提高了計算的客觀性與準確性。

具體而言，對于一個特定公園的步行可達范圍，首先在以公園中心坐標為圓心、3km為半徑的圓內，以300m為間隔沿南北和東西方向取控制點(經緯度不同)，然后通過高德路徑規劃接口獲取每個控制點到公園入口的時間距離。對于入口數量小于2個的公園，由于一般情況下這類公園屬于沒有圍擋的開放性公園，因此采用的方法是首先計算控制點到公園中心的時間，然后假定公園呈圓形，計算其半徑，在前面得到的時間距離的基礎上減去從公園邊緣步行至公園中心的時間，作為控制點到達公園的最終時間距離。對于入口數量大于等于2個的公園，則分別計算每個控制點到達公園每個入口的時間距離，然后從中取最短時間距離作為控制點到達公園的最終時間距離。

在獲取從控制點到公園的時間距離后，利用控制點空間位置和時間距離數據，通過Matplotlib庫和Scipy.interpolate庫進行Cubic插值，得到描述到達公園時間距離的柵格文件，再追蹤柵格文件特定時間(以min為單位)的等值線，計算邊界內面積，得到公園服務范圍數據(圖2)。最終選取步行15和30min 2個可達區域作為下文統計分析的自變量。圖3展示了按照上述方法計算得到的部分公園15min可達區域的范圍，可以看到，根據公園空間邊界、周邊道路及交通狀況的差異，這些范圍也呈現出不規則的形狀。

在對車行可達范圍的計算上，本文主要考慮了30min機動車可達面積。一方面，機動車的空間可達范圍遠遠大于步行的空間可達范圍；另一方面，不同的交通區位等條件使得不同公園可達范圍的差異性大大增強。因此，在機動車可達范圍計算控制點的選取上，本研究采取了逐層搜索的方式，即從公園中心開始，以500m為半徑變化梯度，由內而外搜索每個同心圓上各控制點到公園中心的時間距離。如果出現某個圓上所有控制點的時間距離均大于30min的情況，即視為已搜索到公園可達范圍邊界，停止搜索，然后利用插值法估算30min機動車可達范圍。此外，由于公園機動車可達范圍遠大于公園自身范圍，所以計算中忽略了公園入口與公園中心的差異。

從計算結果來看，步行15min可達范圍與步行30min可達范圍高度相關，但兩者與車行30min可達范圍均沒有相關性。其中，步行15min可達范圍最大的公園是魯迅公園，覆蓋面積達3.4km2；可達范圍最小的是宜川公園，面積約為1km2；平均可達面積為2km2。步行可達范圍較大的公園基本為大中型公園，大都沿內環路兩側分布，且相對集中于內環北部與西南部。車行30min可達范圍最大的是嘉川路小游園，覆蓋面積達1 014.3km2；覆蓋面積最小的是管弄公園，為413.1km2；平均可達面積為707.8km2。車行可達范圍較大的公園均臨近城市快速路，面積較小，且大多沿中環路分布。需要指出的是，不同大小的公園，使用者步行與車行抵達的比重有所差異，因此其實際可達性應介于本文計算的步行與車行可達范圍之間。

3 公園使用活躍度評價

3.1 公園使用活躍度特征

利用高德位智提供的7d周期內分時段區域指數，可以對130個公園的使用活躍度進行分析。從使用者性別比例來看，男性普遍占比在60%以上，這可能是由于男性相對女性更傾向于使用地圖導航服務。從年齡層次來看，由于老年群體使用電子地圖數量較少，因此統計得到的使用者以40歲以下人群為主，其中20～29歲人群約占45%，30～39歲人群約占35%。50歲以上中老年人群比例較高的公園基本為中小型社區公園，如西康公園、憩園、田中中心綠地等；而29歲以下年輕人比例較高的公園則大多為規模中等的區域性綜合公園，如黃浦公園、廣蘭公園、古城公園等；市級大型綜合公園各年齡層人群分布則處于平均水平。

從使用者活躍時間段來看，根據5月5—25日3周統計的平均值計算(4月28日—5月4日因包含五一假期，故未參與計算)，其中21個公園的周末使用活躍度高于工作日，74個公園的工作日使用活躍度高于周末，35個公園無明顯差異。就一天24h的周期而言，130個公園中使用活躍度呈現早、晚2個高峰，中午(傍晚)1個高峰或無明顯高峰的比例各占約1/3，使用活躍度峰值在周末一般較為平緩，在工作日則更為集中。依據使用者活躍度的時間特征，可以將上海中環內公園劃分為6種類型(表2)，并可做出如下推斷：小型社區公園使用者以居住在周邊的居民為主，使用人數較少，各時段使用人數較平均；位于城市中心且周邊就業密度較高的公園使用者數量最多，其使用者中周邊就業人群的比例較高；靠近地鐵站的公園更容易出現早、晚2個使用高峰；臨近主要商業區的公園一般周末活躍度高于工作日，且使用高峰易出現在中午至傍晚，可能是由于使用者中購物人群比例較高；游樂設施較多的大型綜合公園同樣在周末的活躍度明顯增高，可能是由于這些公園在周末會吸引來自全市各地區的各類使用者，平均使用者數量在6個類型中居第2位。

根據每個公園4周的日平均活躍密度與所有公園日平均活躍密度平均值的相對高低，劃分其活躍度的高低；根據每個公園4周的日活躍度標準差(標準化)與所有公園日活躍度標準差平均值的相對高低，劃分其活躍度穩定性的高低；從而將130個公園分為穩定高活躍、不穩定高活躍、穩定低活躍、不穩定低活躍4類(圖4)。可以看出，活躍度高但人流波動大的公園(圖4-1)主要集中在市中心；與之相對，活躍度低而人流波動小的公園(圖4-2)多位于內環與外環之間。穩定的高活躍度公園(圖4-3)主要位于浦西的居住片區內部；活躍度低且人流波動大的公園(圖4-4)相對集中在浦東地區。

表2 依使用者活躍度特征劃分的公園類型

3.2 公園使用活躍度影響因素

為進一步定量分析公園的建成環境特征、公園可達性、使用者個人屬性和使用者評價對公園使用活躍度的影響，本文建立了回歸模型。由于各公園面積差異巨大，因此分別計算統計周期內周末和工作日各公園的日平均使用者密度，將其作為使用活躍度表征，建立2個模型，模型中各變量定義如表3所示。

對于公共服務設施，根據高德地圖定義的POI類型，本文主要統計了公園內部較為常見且可能對使用者數量產生影響的運動休閑、購物、餐飲和生活服務設施4種類型。通過對4類設施的相關性分析發現，各設施彼此相關性較強，其中生活服務設施與餐飲、購物設施的相關系數分別高達0.679和0.838(表4)，為避免產生共線性問題，將生活服務設施數量從模型中移除。

在具體回歸模型的選擇上，本文比較了多元線性模型與柯布道格拉斯模型2種形式，并發現后者擬合度較好。因此，選用后者并通過對函數取對數的方式將其轉換為線性關系。將表3中各自變量帶入回歸模型，并逐一去除不顯著的變量，最終得到僅包含顯著變量的回歸結果，如表5所示。

從回歸結果可以看出，2個模型具有較多相似之處。首先，公園使用者的年齡、性別構成等個人屬性均對公園使用活躍度沒有影響。其次，公園面積、與最近地鐵站距離、與市中心距離3個基本空間屬性與使用活躍度呈現顯著的負相關關系。其中，在其他變量條件相同的情況下，公園面積越大，單位面積使用者數量越少，且是各變量中與活躍度關聯最強的因素；而公園與市中心、與地鐵站距離越近，則使用活躍度越高。再次，公園使用活躍度與公園內餐飲服務設施數量正相關，而與休閑娛樂服務設施數量不具備統計意義的相關性。最后，從可達性來看，車行30min可達范圍與使用活躍度無關，而步行15、30min可達范圍與使用活躍度均顯著正相關，但步行15min對模型解釋力度更強，說明15min的步行可達性對公園使用活躍度有著更大的影響。由于2個步行變量相關度較高，如同時放入模型會導致二者均不顯著，因此最終模型僅納入15min步行變量。2個模型最大的不同之處在于，使用者評價與工作日公園使用量無關，但與周末使用活躍度正相關，即使用者對公園評價越高，則公園使用強度也相應增加。這可能是因為周末人們時間較為寬松，對公園選擇的靈活度更大，因此更傾向于依據主觀偏好進行選擇；而工作日則更多基于便利性進行選擇。2個模型的整體擬合度也可支持這一推測：周末使用活躍度模型的擬合度為0.533，低于工作日的0.611，說明周末對公園利用的不確定性更大。

圖4 依活躍度高低與穩定性劃分的公園類型

4 結論與討論

根據前文分析，為公園規劃提出如下建議。1)在公園用地總量一定的情況下，提供分散、小規模的公園比集中、大規模的公園更有效。從公園空間屬性與使用活躍度的關系來看，隨著單個公園面積的增加，使用者總量上升，但單位面積使用者數量則呈下降趨勢，公園使用效率下降；而單個公園面積與其使用滿意度并無顯著的相關性。當然，公園規模過小也并不利于其利用。從本文選取的樣本來看，最小的公園面積為1 256m2，使用效率最高的公園面積大多分布在0.3～5hm2范圍內。2)注重完善和豐富公園內的公共服務設施配置。隨著公園內餐飲、購物、服務設施增加，公園使用活躍度增強，說明很多人利用公園的目的往往具有復合性，而不僅僅是到公園休閑或鍛煉。3)公園布局與規劃應提升基于實際路徑的15min步行覆蓋范圍。良好的區位、公共交通條件與步行可達性對提升公園使用活躍度具有積極作用，位于30min步行時間內的公園仍對使用者具有吸引力，但隨著步行時間的增加，其吸引力也將下降。除上述結論外，本文還發現不同類型公園的使用時間特征存在明顯的差異。如大型市級公園周末活躍度高于工作日，臨近就業中心的公園則相反，而居住區周邊的小型社區公園則無明顯差異；臨近就業中心、商業區、旅游景區的公園一般白天有一個使用高峰，其他公園則有早、晚2個使用高峰。

表3 變量定義與預期效應

表4 公園各類服務設施數量間的相關性

表5 回歸分析結果

本文主要的創新之處在于開放數據的引入，既有文獻利用微博、微信、POI等大數據對公園綠地的使用評價研究大都是基于某一時間截面的靜態分析，而本文通過細化到小時的連續時間數據，從動態的角度揭示了公園使用的時空變化特征。此外，利用實時交通大數據計算可達性，提高了研究的精度和客觀性。由于考慮了路網、出行速度和交通擁堵狀況，從這種方法得到的部分公園可達范圍存在著極大的空間非對稱性(圖3)。盡管對公園可達性的研究已大量存在，但本文和既存相關研究最大的不同在于：既有研究大多以一定范圍的城市片區為對象，分析其內部所有公園在一定可達性條件下的空間覆蓋率；而本文則以個體公園為對象，分析不同的可達性條件對公園使用情況的影響。

由于本研究是利用開放數據進行城市公園研究的初步嘗試，因此也存在著一些不足之處。1)真正影響公園使用活躍度的是公園一定可達距離內的人口數量，但由于缺乏微觀的人口分布數據，本文假設各公園周邊人口密度接近，從而以用地面積代替人口數量，這與真實情況相比會有一定差異。2)由于技術手段限制，本文未能利用實時開放數據分析利用公共交通情況下的公園可達性，對步行和機動車也僅僅選取了3個時間距離。3)本文對影響公園使用活躍度的建成環境要素分析相對簡單，未考慮公園形狀、景觀類型、植被覆蓋率和水系等其他設計要素的影響。如果后續研究能在上述三方面進行改進，將會得到更為嚴謹和深入的研究結論。

注：文中圖片均由作者繪制。