基于多源數據的城市公園時空活力與影響因素測度
——以南京為例

秦詩文

楊俊宴*

馮雅茹

顏 帥

公園綠地是城市中重要的公共活動場所，也是構建“公園城市”的核心要素之一[1]。與其他類型的城市綠地不同，城市公園綠地是指具有相對豐富的服務設施和較為完整的服務功能的綠地空間，對城市生態環境的改善和滿足市民多元戶外活動的需求具有重要作用，對城市的有序發展和市民的健康生活也具有積極影響[2-4]。

在城市綠地研究領域，過去的研究主要聚焦于風景園林學視角下公園綠地為城市帶來的生態效益，近年來逐漸轉向對公園綠地的經濟、社會、游憩、審美、觀賞、健康[5-7]和恢復性[8-10]等效益方面定性或定量的研究。公園能為市民帶來什么福祉？如何提升公園的綜合效益？如何應用多源數據測度公園使用特征及衡量相關影響因素？這些問題已逐步成為這一領域的熱點話題。

傳統的方法往往通過調研或觀察獲取研究數據，但其樣本量較少且高度依賴受訪者的社會人口統計特征，難以支撐較宏觀尺度的分析研究。大數據憑借其數量多、精確度高、易獲取等優勢得到了學者的青睞，如來自Panoramio照片共享網站、Flickr圖片分享網站[11-13]、高德地圖[14]及其他社交媒體[15]的地理空間數據可被用于描述公園綠地的使用情況；手機信令數據憑借其可操作的靈活度和充分的跟蹤記錄，被用于測度城市大型公園綠地的空間活力，并判斷各社區的供需平衡關系[16]。最近，有研究者開始嘗試運用RTUD數據對公園綠地的使用情況進行測度，并嘗試運用百度POI數據和用地數據等多源數據的方法，揭示公園與城市的相互作用關系[17]?？偨Y來看，目前用于測度公園活力的數據主要可以分為社交媒體數據、手機信令數據和LBS位置數據3類，但由于數據本身數量、精準度等方面的問題，如何運用以上3種數據對公園活力進行精準測度，仍然需要進一步的研究與驗證。如何通過一定的篩選規則，提取出公園真實使用人群的活動軌跡，并對城市大型公園綠地使用的時空動態特征進行識別分析是本文的研究目的之一。

另外，在公園綠地活力的影響因素研究方面，既有研究的關注點主要停留在公園綠地自身，如公園綠地的規模、設施完備度、活動類型和內部通達性等，對于公園周邊的城市建成環境因素與公園綠地活力關聯性的研究較少。因此，探尋公園使用時空特征背后深層的影響因素是本文的研究目的之二。在此過程中，實現多源大數據的交叉耦合分析，將公園綠地使用活力與土地使用數據、建筑數據、業態POI數據和手機信令數據等多源數據結合起來，定量研究影響公園活力的構成因素，并剖析其內在規律。

圖1 研究涉及的南京市公園分布

1 數據與方法

1.1 研究數據

共收集了14天內(2015年11月9—22日)南京市匿名手機用戶樣本，約5.6萬用戶/日，考慮到天氣等因素，最終選擇11月11、21日的數據作為研究樣本①。由于手機信令數據的空間分辨率為100～300m，且假設用戶均勻分布在泰森多邊形內[18]，而公園綠地規模通常較小，其用戶密度與其他場所存在一定的差異性，為保證測度的可靠性，有必要對手機用戶和城市公園進行篩選。

一方面，對研究對象進行尺度上的界定，由于在面積較小的街頭公園或廣場公園無法精確識別真正到訪公園的人數，為減少誤差，篩選出面積在10hm2以上的36個公園作為研究對象。另一方面，對公園使用進行界定，排除在公園范圍內居住、工作和過路的人群。為從匿名用戶中篩選出目標用戶，采用以下途徑進行遴選：1)將在6：00—22：00的開園時間內進入公園且停留時間超過10min的人群視為使用人群，排除停留時間過短的過路人群；2)為排除公園范圍內居住和工作的人群對公園綠地使用測度的影響，需將這2類人群剔除，因此將0：00—5：00手機處于靜默狀態的樣本空間位置視為其居住所在地，將工作日連續3天在10：00—16：00出現視為工作人口樣本；3)排除異常的公園使用數據，如位置不斷在公園內及周邊擺動，且當日公園使用次數超過10次的異常用戶，不納入研究數據。

需要說明的是，本文未進行數據擴樣處理。由于本文主要關注公園游憩活動的時空差異性及其主要影響因素，數據的標度并不會對結果產生顯著影響，并且目前尚缺乏對手機信令數據進行數據擴樣的標準方法，簡單的擴樣處理可能會導致調查數據失真，故經上述方法篩選出的到訪公園的手機用戶即為本文的研究對象。

1.2 研究區域

依據《南京市城市總體規劃(2011—2020)》制定的南京中心城區規劃范圍，確定本文的研究范圍為南京市中心城區，包括主城區、仙林副城、江北副城和江寧副城。按照城市綠地系統規劃分類，研究區域涵蓋多種類型公園36個(圖1)。

1.3 模型建構

1.3.1 變量

建立一組線性回歸模型來確定與城市公園使用相關的因素。由于研究需排除公園容量大小的影響，因此將用戶密度定義為因變量，代表公園內每公頃的累計手機用戶數量，從而分析相關因素如何導致用戶密度的變化。綜合前人的研究[18-21]，在模型中引入了5組獨立變量：城市區位特征、周邊空間特征、業態布局特征、公園自身特征和交通可達特征，總體上能較為全面地反映公園自身及其周邊特征信息(表1)。

1)城市區位特征。

包括5個次級變量：區域開發能級、與中心區的距離、居住人口密度、周邊居住用地比例，以及周邊公共服務設施用地比例②。其中，區域開發能級參考公園所屬地區的行政等級；與中心區的距離為從南京新街口中心區到公園中心的直線距離；居住人口密度為公園周邊500m范圍內單位面積的居住人口數量；周邊居住用地比例和周邊公共服務設施用地比例指標用于衡量公園周邊的土地主要使用方式。

2)周邊空間特征。

包括5個次級變量：開發強度(容積率)、建筑密度、街區平均高度、地塊數量，以及平均街區大小。這一系列指標主要是為了研究公園使用與周邊建成環境空間形態之間的關聯性。從高德地圖爬取南京市建筑普查數據，并與南京市土地利用數據庫中的街區數據耦合，計算出公園500m范圍內的街區空間形態特征指標。

3)業態布局特征。

業態布局特征變量用于衡量公園周邊的業態活力。豐富的業態不僅有利于鼓勵公園出行，同時也能豐富游憩活動體驗。故引入POI密度、生活服務POI密度、生產服務POI密度和社會服務POI密度4項指標。

4)公園自身特征。

公園自身特征變量用于衡量公園的環境品質。本文利用POI數據、公園設施和公園特征建構了一種大數據背景下公園質量的度量方法，分為設施(公園面積、廁所密度、出入口數量、是否有體育設施、是否有公共停車場、公園內部POI密度、步行道密度、公園是否收費)、公園是否臨山，以及公園是否臨水③3類。

5)交通可達特征。

考慮到許多游客步行或乘坐公共交通前往公園，本文使用道路網密度、公交車和地鐵站點密度來表示公園的可達性④。由于高速公路或城市快速路不能由行人或騎自行車者使用，因此在計算時，不包括城市快速路與高速公路。

1.3.2 模型

建立6個線性回歸模型來分析影響城市公園使用的因素(表2)，并評估城市公園用戶密度與其周邊景觀特征之間的關聯。所有變量值都通過Z尺度轉換來進行標準化。由于城市區位差異形成的人口非均衡分布是導致公園活力差異的重要指標(即文中提及的城市區位特征變量)，故將基本模型的獨立變量設置為城市區位特征，另外4個模型用于檢查周邊空間特征、業態布局特征、公園自身特征和交通可達特征。與模型1相比，模型2增加了周邊空間特征作為附加的自變量，模型3增加了業態布局特征變量，模型4增加了公園自身特征變量，模型5增加了交通可達特征變量，模型6包含所有變量。

使用ArcGIS構建普通最小二乘(OLS)線性回歸模型，運算得出標準化的β系數與t統計量用以衡量各要素的影響權重。另外，p值小于0.05用于表示回歸模型具備統計學意義上的顯著性。

2 城市公園時空活力測度

2.1 使用者時空分布

從公園出行總人次來看，工作日和休息日分別為10.8萬和11.7萬人次，休息日略高于工作日；公園出行者比例方面，工作日比例為2.26%，休息日比例為2.48%；人均公園出行次數方面，工作日為0.035次/人，休息日為0.040次/人。從分析結果來看，3個指標均反映出休息日公園出行的強度略高于工作日。

表1 與城市公園使用相關的因素

表2 6種模型分別涉及的變量

公園的使用時間在工作日和休息日的分布有所不同(圖2)。工作日的活動高峰時段為7：00—10：00和15：00—17：00。休息日的活動高峰時段為9：00—11：00、14：00和16：00—18：00。工作日和休息日公園出行隨時間的波動特征存在顯著差異，二者雖都存在早高峰，但工作日早高峰的開始時段更早、持續時間更長。此外，16：00是工作日公園活動的高峰時段，卻是休息日的低谷時段。

2.2 公園使用的時空差異

對各公園的活動強度進行空間落位，得到公園活動強度分布圖(圖3、4)。從公園活動的空間分布來看，老城區西側、江寧、江浦等區域的公園用戶較多，累計用戶數大于365人/hm2，其中單位面積用戶最多的為漢中門公園，累計用戶數為3 125人/hm2。而仙林、河西等區域的公園用戶較少，累計用戶數小于365人/hm2，其中單位面積用戶最少的公園為七橋甕生態濕地公園，累計用戶數僅為4.7人/hm2。

3 城市公園活力影響因素研究

3.1 影響公園使用的顯著性要素

通過多元回歸模型的檢驗，可以分辨各個因素對于城市公園使用的貢獻程度。建立了6個模型來分析與城市公園用戶密度相關的因素，6個模型經調整的R2值(決定系數)分別為0.41、0.45、0.51、0.58、0.38和0.53。除模型6之外，其余模型的優良性均通過F檢驗的顯著性檢驗，說明前5組模型建構得當，不存在明顯的共線性問題。而模型6可能由于因素過多，存在較多VIF值大于7.5的冗余變量，產生了一定的共線性問題。

模型1的結果表明，城市區位特征約占方差的40.9%。試驗逐漸增加其余變量，觀察回歸結果中經調整的R2的變化，結果如下。

在模型2中添加周邊空間特征的變量，發現周邊空間特征對公園使用的影響非常小，其對模型的方差貢獻率僅有4.7%(調整后的R2為0.446，模型1調整后的R2為0.409)。

在模型3中添加業態布局特征變量，結果表明，增加周圍業態功能密度和豐富度會對公園的使用產生顯著貢獻，該變量貢獻了方差的9.7%。

在模型4中添加公園自身特征的變量，結果表明，公園的自身景觀環境和內部景點及設施會對公園的使用產生顯著貢獻，約占方差的17.5%，使調整的R2達到最高的0.585。

在模型5中添加交通可達特征變量，但結果表明，增加公交車和地鐵站點密度或道路網密度并不能有助于公園的使用，相比模型1，經調整后的R2反而下降了2.8%，說明公園的可達性對公園使用的影響不具有顯著性。

模型6引入了所有變量，調整后的R2值增加到0.525，相比模型1中的0.409僅增加了0.116。這表明排除了城市區位的影響，其余變量僅對公園使用強度造成了11.6%的影響。

圖2 6：00—22：00時段內城市公園出行次數變化

圖3 公園使用總人數分析

圖4 公園使用人群密度分析

3.2 公園使用的影響因素分析

通過多元回歸模型的分析，可以分辨各影響因素(小類)的顯著性水平，反映它們對于城市公園使用活力的影響程度(圖5)。城市區位特征是影響公園使用的顯著因素，方差貢獻率達到40.9%。其中區域開發能級、與中心區的距離、居住人口密度等次級變量與公園使用顯著相關，反映出越靠近城市中心、人口越密集的區域公園使用頻率較高。

結果表明，周邊空間特征不是影響公園使用的顯著要素，在控制其他變量時，周邊空間特征的影響非常小，只貢獻了方差的4.7%。但其中的二級因素街區平均大小，對模型具有一定的貢獻，說明處在小街區內的公園將獲得更高的使用率。

業態布局特征對公園使用有一定的影響，貢獻了方差的9.7%，其中POI密度和生活服務POI密度特征與公園使用呈正相關，公園周邊的生活服務設施越完善，其公園活動的人數也會相應增加，說明便利、多元的城市生活氛圍也會增加人們公園出行的意愿。

公園自身特征對公園使用影響較為顯著，貢獻了方差的17.5%。是否臨山和是否收費是顯著性最強的特征變量，說明山地公園對市民的吸引力更大，同時也表現出公園收費會嚴重阻礙市民日常對于公園的使用。公園面積和步行道長度變量也具有一定的顯著性特征，公園面積與公園使用呈負相關，說明小型公園反而更受居民歡迎；而若公園內提供更多的步行道則將增加公園的使用。

交通可達特征不會顯著影響公園使用。在控制模型中其他變量時，可達性的影響非常小，添加該變量后模型的方差甚至下降了2.8%，這意味著單純增加可達性不會使公園的使用增加，相反，高機動車道路密度甚至與公園使用存在負相關，過多的城市道路會對步行的便利性和行人的舒適感產生一定影響。周邊公交車站和地鐵站的數量指標也并非顯著性影響因素，說明人們出行公園會首先選擇離居住地較近且步行可達的公園，較少用到公共交通。另外，由于本研究納入了部分位置處在城市新區的公園，如仙林湖公園、麒麟科技生態中央公園等，這些公園周邊雖然交通設施十分健全，但是目前新區的城市開發建設尚未完全成熟，公園日常接待的游客也會相應減少，拉低了交通可達性之于公園使用的作用，致使相關性分析中交通可達性因素與公園游憩活動呈負相關。

圖5 影響因素(小類)對模型的影響程度

4 討論

4.1 對公園規劃和設計的影響

城市區位是影響公園使用的第一要素?？拷鞘兄行牡貐^的人流量較大，到公園游憩的人群也會相應增加。人流密集場所往往會進一步集聚人口，當一個公園活動的人數越多，所產生的極化效應和連鎖反應將促使越來越多的人進入到該公園中來。這一現象可以從環境行為學的角度來解釋。首先，在公園中人與人之間的相互觀察和監督會讓公園更具有安全性，安全感的提供促進了公園的活力。同時，觀察他人的行為可以滿足人們的社交需求，各種游客展現出多元化的活動方式，如打牌、遛狗、晨練等，既滿足了人看人的心理，也為人們參與其中提供了機會。另一方面，城市區位的中心地區提供了大量工作崗位，快節奏的都市生活使人們更加向往回歸自然，公園恢復性理論提出公共綠地不僅作為城市客廳，為市民的日常休閑娛樂提供了活動的場所，還承擔起了康復功能。在城市中心地帶，公園使用的需求量更大，故在城市中心地區布局城市公園將最大限度地提升其使用效能。

開放式社區的設施共享程度更高。分析顯示，小街區密路網的地區會促進城市公園的使用。小街區的空間形態提供了舒適、安全的步行空間環境[22]，激發人們的出行意愿；由于小街區將提供更多沿街開敞的界面，使公園周邊的業態更加多元化，便利的生活服務設施使得這些地區的戶外活動更富有活力，業態功能豐富度、道路網密度是顯著的影響因子也印證了這一點。開放社區會使人群的活動更加集中，而大街區的組織模式會使活動更加分散，這是因為封閉式的大單位或住區往往會在各自內部布局私人享有的綠地公園，但相對利用程度不高，不利于人流集聚產生的極化效應的形成。

在城市規劃設計手法當中，常常會結合公園提供便利的城市公共交通系統[23]，但這種做法對公園使用效能的提升并不明顯。研究結果表明，交通可達方面的相關指標均不具備較高的相關性。公園周邊設置過多過寬的城市道路會激化人車沖突，頻繁地穿越馬路會產生安全隱患，降低步行的舒適度。與此同時，過多交叉口和機動車道的阻礙，也無形中增加了人們前往公園的時間成本，抑制了出行意愿。所以，在公園周邊的規劃設計中應加強步行系統的構建[24]，提供便利的過街設施，設計步行優先的街道，減少片區內快速交通的穿越，在近公園地帶形成慢行活動區，鼓勵人們休閑游憩的活動出行，從而提升公園的使用效能。

提高公園自身的品質十分必要，如公園景觀的生態性及獨特性。研究結果顯示，依托自然本底形成的山地公園對公園使用存在顯著正相關。而公園內部的POI密度、廁所密度和是否有體育設施與公園使用并沒有顯著的相關性，這說明人們在選擇公園時往往不會重點考慮這些要素。同時，收費的管理制度對公園的使用產生顯著的負相關影響，門票形成的門檻將阻礙大多數居民對于公園的日常使用[25]，所以在城市總體規劃中，營利性質的公園并不適合作為城市公共設施。

4.2 方法論建構

本研究方法對于大尺度的公園綠地研究具有參考意義。運用南京市手機信令數據進行城市整體公園使用分析，替代了成本較大、歷時較長的現場勘察。此外，構建了公園周邊環境對公園使用活力的相關性研究模型，以確定何種因子將影響公園使用。通過對城市公園時空使用特征的識別，對城市整體的公園使用績效進行定性與定量相結合的評估。

4.3 研究的局限性

本研究的局限性主要體現在：1)由于手機信令數據是落位到各個基站上，不能精確地統計到訪公園的用戶，只能通過設定一些篩選原則對公園出行人群進行提取，獲取到訪公園人群的大致數量；2)手機信令數據來自手機，因此統計的人數只包括攜帶手機的用戶，如兒童、老人和其他沒有移動設備的用戶將不會被統計；3)考慮到手機信令數據的分辨率問題，在公園樣本的選擇上，僅選擇了面積在10hm2以上的城市公園，忽略了很多占地面積較小但使用頻率很高的社區公園和口袋公園[26]。

5 結語

本文使用手機信令數據來衡量南京市中心城區城市公園使用活力，擴展了城市公園綠地活力量化研究的尺度限制，并通過網絡開放的業態POI大數據、城市空間大數據等與實測數據的結合，探索公園自身與周邊因素對公園使用活力的影響程度。

結果顯示，在城市層面，城市區位對公園使用的影響最大，而公園周邊的交通設施并不對公園使用產生顯著影響；在城市街區層面，與中心區的距離或居住人口密度等區位要素，以及公園周邊業態設施的完備程度等，是對公園使用產生顯著影響的因素。

通過這項研究，可為政策制定者在規劃管理城市公園時提供相關依據，其中包括建議在城市中心及人口密集地區設置公園，在開放的城市街區內規劃城市公園的選址，以及質疑了通過提升機動車交通系統容量來提升公園可達性的做法。

注：文中圖片均由作者繪制。

注釋：

① 本研究所采用的2015年南京手機信令數據于2016年購買自手機運營商，當時的數據格式普遍為包含匿名用戶軌跡且依附于基站的詳細數據，有利于本研究對公園出行人群進行識別提取，而此后運營商提供的手機信令數據大多為經過處理后的柵格數據，不易對目標人群進行識別。同時為比較工作日和休息日綠地的使用情況，對當時的天氣情況進行考量，選擇了2015年11月11、21日的數據。這2天都有陽光普照的天氣條件，適合用于研究無雨和無極端溫度下的公園出行活動。

② 本研究使用從百度地圖(map.baidu.com)收集的2017年設施POI數據作為數據源，并根據國家行業分類標準，將該POI數據集篩選并劃分成生活服務、社會服務、生產服務3類城市業態機構最主要的職能，共計設施點約10.5萬個。

③ 數據主要來自百度地圖(map.baidu.com)收集的2017年南京設施興趣點數據。根據公園的邊界提取公園內部的興趣點，數據庫由各種興趣點，如商店、餐廳、交通、運動場、休閑娛樂設施和建筑物等，以判斷公園內部的設施種類。另外，在過去的研究中，每個公園邊界內的體育場、兒童游樂場、廁所、購物場所和餐廳的數量被證明是主要吸引人們參觀公園的便利設施[17]。

④ 從www.openstreetmap.org爬取包括人行道、小徑和自行車道等數據；公交車和地鐵站點的密度被定義為公園所有入口處500m服務區內每個單位面積的公交車和地鐵站數量。公園入口處的500m服務區基于ArcGIS10.3中的網絡分析工具展開計算。