考慮不同年齡人群的社區宜居性評價

舒蕾，高雨瑤，陳肖湄，胡菲

[摘要]社區是城市的基本構成單元，考慮老年人和青年人社區宜居性評估可以反映社區建設和人群匹配度的問題，為精細化的管理提供決策支持。通過網絡爬蟲獲取房價、POI等數據，結合地理國情、出租車、控規等多源數據，構建包含三級指標體系的社區宜居性評價模型，并分別針對老年人和青年人，采用神經網絡方法和專家打分法進行綜合分析和權重賦值，對成都市中心城區的社區進行宜居性評價。可以發現，宜居性整體分布均衡且呈現中心向外輻射遞減的趨勢，老城區高于二圈層區域；其次，老年人的宜居程度高于青年人，且與居住區域匹配度較高，青年人居住區域宜居程度較低，可通過動態監測、定向提升的方式加以提高。

[關鍵詞]社區宜居性; 人群偏好; 神經網絡; 指標體系

[中國分類號]TU984.12? ? ? ? ? ? ? ? ? ? ? ? ? ? ?[文獻標志碼]A

0引言

黨的十九大報告定義我國的社會主要矛盾為人民日益增長的美好生活需要和不平衡不充分的發展之間的矛盾。人民不斷追求高品質的生活，對生活空間質量要求逐漸提高，“宜居城市”逐漸成為眾多城市的建設目標［1］。城市宜居性評價反映一個城市的城市的整體宜居水平，但是只能從宏觀上反映城市建設的不足，在實際建設應用中略顯寬泛［2］。城市社區是城市構成的基礎單元，開展社區宜居性評價可以反映城市不同區域社區建設中的問題，能夠為政府建設宜居社區提供更為具體的決策支持。

對于社區環境宜居性評價相關研究成果甚少，也并未形成統一的標準，評價結果差異較大［3］。以街道［4］、居住小區等為研究單元的具有一定的研究成果，其評價體系具有相應參考價值。目前，城市內部居住環境評價體系主要主觀評價法及客觀評價法2種方法［5］。多采用問卷分析和層次分析法構建評價體系，使用專家打分法進行權重打分，存在主觀干預較多的問題，并且多針對整體宜居性評價，針對不同人群偏好的宜居性評價并不多見。

在此背景下，本文聚焦于公平共享的理念，引入POI、出租車、房價、就業等多源數據，考慮老年人和青年人的居住選擇偏好，構建區空間宜居性評價體系，采用定量和定性結合的綜合方法確定權重，并以成都市中心城區社區為例進行驗證，測度社區環境宜居的空間格局及特征類型，為不同人群的選擇提供支撐，為片區進行精準定位改造或城市更新提供參考，為城市均衡發展和公服設施公平共享提供支撐。

1研究概述

1.1研究對象

本次研究選定成都市中心城區為研究范圍，包含錦江區、青羊區、金牛區、武侯區、成華區、天府新區、高新區、龍泉驛區、青白江區、新都區、溫江區、雙流區和郫都區。在此范圍內，結合網絡抓取的房價數據，按行政邊界獲取818個社區，并在社區層級進行評價。

1.2技術流程

本次研究主要采用從小區出發，進行數據收集和處理，并構建指標體系，通過神經網絡法確定青年人群和老年人群的宜居性偏好，并結合專家打分法確定指標的權重，最后計算每個小區的青年友好宜居性得分和老年友好宜居性得分。最后將小區結果匯總到社區層面，對社區層面的宜居性進行評估（圖1）。

2研究方法

2.1評價體系

宜居社區，即適宜居住的社區［6］。宜居社區應滿足多方面的條件，如公平的教育機會、良好的居住條件、方便的生活環境、交通通達性等。結合相關文獻中出現各類指標的頻次［5］，總結分析以往社區宜居性評價體系基礎，綜合考慮成都公園城市建設情況以及數據獲取的難易程度，確定了本次研究的社區宜居性評價體系，包含生活便利性、交通通達性、環境舒適性、就業可達性4個方面，構建4個一級指標，17個二級指標，29個三級因子的指標體系，如表1所示。

2.2數據處理

2.2.1數據來源

本次評估使用的數據來源涵蓋房價相關數據、POI數據、地理實體數據、出租車數據、人口數據、控規數據等多種類型。其中房價數據和POI數據通過網絡爬蟲手段獲取，其他數據從時空云平臺等相關管理平臺獲取。

2.2.2數據處理

（1）根據指標的不同特征，對原始數據進行指標量化處理（表1），實現數據的提取、處理和空間化，形成完整的數據庫，作為基礎支撐后期模型構建和分析。其中，住房條件等指標直接獲取，教育資源、醫療資源等點狀變量采用最近距離法進行指標量化，商業服務、停車場等分布廣泛的變量及道路等現狀變量采用密度分析法進行指標量化，交通熱點數據通過載客熱點識別、擁堵點識別和緩沖分析法進行量化，社區綠地等面狀數據變量通過占比分析法進行指標量化。

（2）由于評價體系存在正向和逆向指標，需對樣本矩陣進行無量綱化處理。

假定研究區有n個評價對象包括了m個評價指標，定義X為小區宜居性樣本矩陣，表達為式（1）。

X=x11…x1mxn1…xnm，

X={xij}n×m（0≤i≤n，0≤j≤m）（1）

由于各指標間量綱不同，直接進入模型分析會使結論產生偏差，因此為便于比較分析需要對所有數據進行標準化處理，以消除指標間的量綱影響。本文采用Min-max標準化法對各指標進行標準化。對于正向指標，宜居性評價隨指標值同向變動，采用式（2）進行標準化。對于負向指標則相反，宜居性評價隨指標反向變動，此時采用式（3）進行標準化。

zij=xij-min （xij）max（xij）-min （xij）（2）

zij=maxxij-xijmax（xij）-min （xij）（3）

2.3指標權重

社區宜居性評價屬于綜合性評價，權重的確定對整個評價很重要，直接影響到評價結果的準確性［7］。考慮不同年齡的權重確定較為困難，本次研究通過嘗試多種機器學習方法，對結果進行比對，最終選用神經網絡方法［8］進行不同年齡人群的偏好進行分析，采用boosting增強的多層感知器的神經網絡模型確定不同人群的因子權重，青年人比例Y1和老年人比例Y2分別作為目標函數，29個因素為因子變量，構建預測模型，青年人預測模型準確度89%，老年人預測模型準確度為98%。

對不同人群偏好的小區宜居性重點因素進行分析，同時結合專家打分法綜合獲得權重（表1），其中對應青年型社區的為wj1，對應老年性社區的為wj2。

2.4綜合評價

根據權重值，計算不同人群偏好下的居住小區青年友好宜居性liveability1和老年友好宜居性liveability2，并判斷社區內包含的小區，對其求均值算出社區宜居性，最后分成5個等級。

liveability1=∑mj1=1wj1×Xij（4）

liveability2=∑mj=1wj2×Xij（5）

其中，i=1，2，…n。

3結果和討論

3.1不同年齡人群的偏好分析

根據指標權重（表1），排序獲得前十的權重指標，獲得青年人群（圖2）和老年人群（圖3）的偏好差異，可以發現：

（1）10個指標中，青年人中占比較多的指標的為就業可達性和環境舒適性，老年人為生活便利性和環境舒適性。

（2）共同都比較偏好的為地鐵距離和市中心道路兩類交通通達性因子和水域面積、公園距離、噪音面積3類環境舒適性因子。

（3）無論是青年還是老年人群，都更傾向于環境舒適、生活品質高的區域，例如公園較近、遠離吵鬧的道路、河流等較近。

（4）相較于老年人群，青年人群更為傾向于教育資源和就業可達性較好的區域，例如小學距離近等。

（5）相較于年輕人群，老年人更傾向于生活便利的區域，例如金融、購物、診所等各類公服設施較近的區域。

3.2宜居性結果分析

整體來看，無論是青年見圖4（a）和老年友好宜居性見圖4（b），都呈現出分布不均衡的空間特征，五城區明顯高于二圈層區域，可能與發展較為成熟、配套設施豐富有關；同時，老年友好宜居性整體高于青年宜居性。青年友好宜居性處于較低水平，約2%的社區位于五級（最優），約85%的社區位于三級及以下，亟待提升。老年友好宜居性處于一般的水平，約5%的社區位于五級（最優），約70%的社區位于三級及以下，仍有提升空間。

分區來看（圖5），二圈層青年宜居性高于錦江區等五城區，可能與近年發展較迅速、房齡較新、就業條件較好有關；錦江區、成華區等老年友好宜居性較高，但青年友好宜居性有待進一步提高，提升城市活力。

分別對生活便利性、交通通達性、環境舒適性和就業可達性進行單項分析見圖4（c）～圖4（j），可以發現：

（1）生活便利度方面青年得分普遍高于老年得分，其中住宅品質二圈層高于主城區，教育和醫療資源集中在主城區，商業設施均比較完善。

（2）交通通達性方面老年優于青年的結果，并且呈現出明顯的由中心往外減弱的特征，與公交站點集中分布、路網密度高關系密切。

（3）環境舒適性方面無論是青年和老年都處于較高水平，綠地、水域、公園分布廣泛。

（4）就業可達性方面青年略優于老年的結果，并且評分高的社區集中在高新區、郫都區等就業集中的區域。

4結束語

傳統的宜居性評價多從城市宜居性出發，針對社區的宜居性評價較少，尤其是不同人群的宜居性評價。本次研究針對不同人群偏好，對老年友好宜居性和青年友好宜居性分別進行評價，可以為不同人群選擇提供建議，并且為片區進行精準定位改造或城市更新提供參考。

同時，本次研究采用神經網絡算法和專家打分法結合進行權重確定，相較于層次分析法等主觀方法而言更為科學和客觀；再次，引入了POI數據、出租車數據等新興數據，克服了數據源不足，指標計算精度不足等問題。

當然，本次研究指標權重確定受數據質量影響較大，后期可結合問卷等主觀評價方法得到更為科學合理的結果，獲得的偏好權重可進行進一步的探討。另外，不同人群僅針對年齡大于60歲的老年人和18～35歲的青年人，也可進行進一步的探討和細分。

參考文獻

［1］李丹妮. 我國城市宜居社區評估研究［D］. 大連： 大連理工大學，2009.

［2］Asami Y.Residential Environment： Methods and Theory forEvaluation. Japan： University of Tokyo Press，2001.

［3］楚建群，董黎明.創造良好的城市宜居環境［J］.北京規劃建設，2007（1）：15-17.

［4］陳軍，高湛，孫偉.宜居街道評估指標體系和數據適應性分析［C］//中國城市規劃學會城市規劃新技術應用學術委員會.2019年中國城市規劃信息化年論文集，廣西科學技術出版社，2019：158-166.

［5］周健.基于多源數據的社區環境宜居性評價研究——以長沙市為例［D］ .深圳：深圳大學，2018.

［6］Evans P. Livable Cities Urban Struggles for Livelihood and Sustainability. California，USA： University of California Press Ltd.，2002.

［7］程鋼，張富杰，楊杰等. GIS 支持下的城市小區的居住適宜性分析研究［J］. 測繪通報，2016（ 1） ： 49～52.

［8］劉向楠.應用人工神經網絡確定沙河輸沙量變化影響因素的權重［J］.海河水利，2016（2）：57-59+63.

［9］毛奧琳.基于GIS分析的老齡化視角下居住適宜性評價［J］.特區經濟，2019（2）：83-86.