随着我国体育事业的蓬勃发展,大型体育赛事活动在城市中的举办越来越火热,参与的人数日益增多,因此对于城市的影响也逐渐增大。并且大型体育赛事活动作为重大事件的典型代表,也正在受到众多城市研究者的关注,其对于城市的影响研究是城市空间规划、城市社会研究等的重要版图。近些年,我国的足球职业联赛发展得风生水起,足球赛事在很多城市都有着巨大的号召力和影响力,同时也促进着球迷群体的进一步发展。球迷的诞生是足球运动发展的必然产物,球迷行为所带来的一系列积极的、消极的影响早已成为足球这项运动重要的一部分,而当这样的球迷行为越来越壮大的时候,便成为一个社会问题被政府、体育机构甚至全社会所关注,这类人群到底具有什么样的特征,他们对于体育赛事的作用,他们对于城市的发展的利与弊,都是各类专家学者所面临的也是感兴趣的重大课题。作为城市规划角度的研究者,更加关注的是足球赛事所产生的球迷这个群体在城市这样的空间中他们所具有的一些空间特征或是行为特征,以及这些特征与城市的规划发展之间存在着什么样的联系,其核心在于对于这样一个群体能够有一个全面又细致的分析了解。对此,拟借助大数据发展革新的重大机遇,通过对于多场球赛识别出来的球迷分布出行特征的分析,希望能够发掘出这类人群的空间行为特征,以此来为城市重大事件的管控、城市体育设施的规划选址等问题提供一些参考。
国内对于城市重大事件与城市的关系的研究主要侧重于公共政策方面,如研究重大事件对城市规划学科发展的意义及启示,认为城市重大事件对城市规划学科的发展具有重要的指导意义,需要提高重视[1, 2],或是通过构建影响城市空间发展的要素与城市空间结构的关系来解释城市空间结构的演变机制[3, 4],利用手机数据来研究大事件的文献几乎没有。
对于球迷这个群体的研究,更多地是从文献阅读与现场调研的角度来研究球迷行为与城市发展之间的关系,如有运用文献资料法、观察法、访谈法、逻辑分析法等方法对我国足球运动中的球迷行为进行理论研究,并从社会学理论知识的角度出发对我国的球迷行为加以分析最后得出结论[5, 6];已有通过对相关文献的梳理总结,对国内外消费行为理论以及球迷消费行为的研究现状进行深入探讨[7]等,并没有通过数据对于球迷的行为直接进行客观研究的文献,缺少对于球迷这一特殊群体更加直观具体的行为特征研究。另一方面,行为地理学的研究作为中国城市地理学的重要领域,在国内已有近20年的发展,当前已有国内学者对这些研究成果做了理论和方法上的总结。柴彦威等[8, 9]通过对中国时空间行为研究理论和方法发展历程的梳理,总结了中国城市时空间行为研究的主要特色,将其概括为从行为角度解释中国城市社会转型,强调转型期中国城市空间与居民个体行为之间的互动关系,关注热点问题并探索时间应用。秦萧等[10]将传统的城市时空间行为研究方法分为定量分析和质性分析两类,研究方法包括描述性统计、因子分析、聚类分析、回归分析等统计分析方法和时空棱柱或路径、叙述性偏好、结构方程模型等数学模型以及观察法、访谈法等。这些研究的重点更多的集中在居民时空行为的研究上,且研究方法多以日志调查、问卷发放为主,已经表现出了一定的局限性,同时对于特定人群的研究也由稀少开始渐渐引起重视,如周洁等[11]对于老年人的时空行为研究,通过对国内相关文献的梳理,从空间行为的视角对国内多个学科的老年人日常行为相关研究进行评述,聚焦中国老年人日常生活的3类主体行为及其国内研究发展历程以及行为特征、影响机制分析等主要研究结论,陆林等[12]对于旅游者时空行为的研究,通过对珠三角都市圈主要客源地旅行社官网旅游线路报价数据的分析,研究了珠三角都市圈发展较为成熟阶段的旅游者空间行为模式及目的地类型等,这些都表明研究者们正在逐渐地关注某些特定人群的时空间行为研究。
近些年大数据的兴起给相应的研究带来了契机,大数据使人们得以更好地观察微观个体的社会空间中的人和城市活动空间中的设施和项目,也成为我们城市规划学科的一个新的关注重点,也有不少学者进行了相关的研究,如国外学者利用通话记录量话务量、社交开放数据等分析用户的空间分布以及城市活动强度的时空特征[13-16],国内有研究者基于微博数据来分析居民的夜间活动的时空分布[17],利用公交IC卡数据来分析居民的通勤行为[18]等分析个体行为的研究,也有基于手机信令数据来识别上海城市空间结构以及划定通勤区等分析城市空间结构的研究[19, 20];另有学者基于手机信令数据,通过对上海市不同等级商业中心消费者来源分布的分析,进行了商圈辐射范围特征的比较[21],从而通过居民的时空行为来进一步研究其对于城市商业体的影响。可见目前大数据在城市规划中的研究内容非常丰富,热度非常高。
总体来说,随着城市社会生活的不断丰富和发展,城市的大型活动在城市发展中的地位会日益重要,大型活动的参与人群的空间行为特征也越来越受到研究者的重视和关注。而目前通过手机数据来具体研究活动人群的空间行为特征的相关文献还较少,因此,笔者拟利用手机信令数据来分析球迷群体的分布、活动特征,希望能够利用大数据的优势,来更加全面具体地研究球迷这个特殊的群体的空间行为特征,进而为今后探究球迷行为与城市空间结构、城市设施规划的联系提供参考。
本次研究的创新性主要在于利用手机大数据对于球迷群体空间行为特征的识别。首先,传统调查方法由于人力物力的原因无法大规模的覆盖球迷这个群体,而手机信令数据能够利用一定的规则将特定人群进行大规模的识别。其次,传统研究方法无法跟踪较多人群的长时间活动轨迹,而手机信令数据在识别出特定人群后能够持续跟踪他们的时空行为轨迹,这是相较于传统方法的重要创新点与突破点。当然,手机信令数据对个体行为的研究方法相较于传统行为研究方法也具有一定的劣势,主要集中为个体属性较少,人群的识别准确性有一定的误差等,但总的来说,利用手机信令大数据对于球迷的空间行为特征进行识别研究是一次极具创新性的尝试,能够为传统个体行为的研究提供一个新的方法与视角。
2 研究对象、数据与方法 2.1 研究对象本研究选取2014年3月15日19:45—21:30分,虹口足球场上海申花对杭州绿城、3月16日16:00—17:45分,上海体育场上海上港对上海申鑫两场足球赛事作为分析对象,上海申花是老牌的上海足球强队,它的主场为虹口足球场,作为上海的传统足球强队,上海申花在上海深受喜爱,拥有着非常广大而且稳定的球迷群体,而上海上港是新兴的上海足球强队,强大的资金投入使得它在近两年飞跃发展,成为中国足坛的新兴豪门球队,虽然建队时间不及申花,但上海上港同样拥有非常庞大的支持者。选取这两场球赛作为分析对象,既考虑到它们有一定的相似度,能够涵括上海的大部分球迷群体,也希望这样两个新老球队的对比分析能够带来更有价值、更有意思的结论。
2.2 研究数据研究采用的手机信令数据是当今一种典型的大数据,它通过特定的基站连续不断地追踪手机用户的位置、状态等信息,从而实现对手机用户全面的完整的记录。与传统数据和其它大数据相比,手机信令数据的突出价值在于其近似全样本性、全时性,以及借助定位基站而附带的空间信息,因此在分析个体的行为特征时具有特有的优势,也为筛选特定人群提供了可能。
具体来说,本研究选取的数据为2014年上半年某两周的手机信令数据,分别取用了其中有球赛和无球赛的周末做对比分析。由于本研究中所希望筛选出来的是球迷群体,而手机信令数据本身只具有加密的SIM卡号、空间位置、时间等属性,并没有附带其他任何的个体属性,因此要达到数据筛选目标,需要采用一定的筛选规则。本次研究采用了以下规则:①基站的筛选:球场周边基站较多,平均基站之间距离为500米,所选基站都位于球场中,且经过作者现场实测,所选基站服务范围能够覆盖整个球场。②整体球迷识别:取开赛前半小时到球赛结束后半小时之间在所选基站中有2次以上记录且除去工作地以及居住地为所选基站的人群。因为球赛的提前进场与延迟退场时间,所以取比赛前后半小时,个人的居住地工作地是先前成果已提前进行识别①,取2次以上记录是考虑到手机信令数据的自动更新周期为两个小时,所以位于球场中的球迷在比赛期间应该至少有2条信令记录。③停留点识别:个人当天轨迹点相邻距离不超过1000m的点,聚为一个停留点,其中停留时长超过30min的点,被识别为有效的停留点。上述规则主要基于“假设—演绎”逻辑,在实际中不可避免地存在误差,使得研究数据无法绝对命中目标人群,但通过与中超联赛赛季统计上场数据的对比(中超第二轮申花主场上座人数22325人,上港主场上座人数10598),识别人数可以达到真实上座人数的30—40%,根据2014年中国移动公司财务报表分析显示2014年中国移动的市场占有率为70%,工信部数据显示2014年3月我国移动手机普及率为91%,所以可识别移动用户数大概为真实人数的60%,由于不可避免的识别误差存在,此次识别人数占到这部分人数的60—70%,所以认为该规则具有较高的可靠性。
筛选结果,即研究的主体数据:虹口足球场球赛识别球迷7597人,上海体育场识别球迷4284人,最后筛选出来的球迷属性主要有居住地坐标,当天的停留点坐标,当天的个人时空轨迹信息。
2.3 研究方法本次研究所采用的研究方法主要是空间分布可视化以及对比分析的方法,以此来探寻球迷群体的出行分布特征,同时为了更好地表示球迷的行为对于城市的影响,也运用了一些常规的统计分析方法。
手机大数据的优点在于近似全样本,且每个点有其所对应的地理坐标,为了合理地利用这一优势,直接的空间分布可视化是最能够反映实际情况的方法。由于手机信令数据所提供的空间位置信息是与其连接的附近基站的地理坐标,可能会出现同一坐标点多人重叠的情况,所以在做人群的空间分布时,采用的是一定半径的核密度分散方法,将人群的分布能够更加地接近与真实的人群分布,这样对于整体分布特征的体现也有着非常良好的效果。同时,对于每个人按照一天的行为轨迹点从早到晚连线所形成的时空轨迹图也是对于个体行为轨迹的独特展示,便于发现其出行的时空特征趋势。
在此需要说明的是,由于基站的平均间距为500m,所以在基站500m范围内的人的时空行为轨迹是无法被捕捉到的,所以本文所说的所有人的时空轨迹都是归结到基站的位置,并不是完全真实的行为轨迹,会有一定的误差,这也是手机信令数据自身的缺陷。本文得出的所有结论都是建立在此误差基础上所得到的,但只要不是在很微观的尺度进行分析,影响完全可以接受。
对比分析也是本次研究所采用的主要研究方法,研究所选取的两场比赛在主场球队、球场位置、开赛时间等方面都有着重要的比较意义,而为了更好地揭示球迷群体的分布与出行特征,尤其是这些特征对城市所产生的影响,两场球赛的比较分析更利于得出相应的结论,而在当前数据解释的球迷行为特征较少的情况下,两场球赛的比较分析也是一个相互假设验证的过程,这样的一个过程也能够增加结论的可信度与准确性。
最后,常规的统计分析同样必不可少,球迷进入商业体的人数分时段统计、球迷根据途中停留次数的分类统计以及不同球赛球迷的平均出发时间等都是衡量球迷与城市关系的重要指标。
3 球迷的分布特征 3.1 球迷常住地分布特征按上述数据处理方法识别出的虹口足球赛球迷人数为7597人,根据他们的常住地分布做核密度分布图,如图 1左,图中颜色越深表示分布人数越多。可以看出,虹口球赛球迷的常住地分布区域几乎涵盖了整个上海市域,整个中心城区的密度都保持较高水平,说明大部分球迷集中分布于中心城区以及相邻的近郊地区,进一步对其做圈层分析,结果如图 1右,这里所说的中心城区指外环线以内区域,近郊区指外环线以外沿线区域,具体为北至A30绕城高速,西至G15临海高速,南至S32申嘉湖高速,东至沿海所围区域,远郊区指上海市域除中心城、近郊以外区域(图 2)。
核心圈层区域为区域内球迷人数覆盖总球迷人数的50%,每平方公里大于8.7人;次级圈层为区域内球迷人数覆盖总球迷人数的70%,每平方公里大于4.4人;边缘圈层为区域内球迷人数覆盖总球迷人数的90%,每平方公里大于1.1人,分布的整体形态呈现以虹口足球场为中心,向外随距离逐渐衰减的特征,且核心圈层为球场周边相当大的一片区域。
上海体育场球赛识别球迷人数为4284人,根据他们的常住地分布做核密度分布图(图 3左)可以看出,其分布区域同样几乎覆盖了整个上海市域,而高密度区主要集中于中心城区与近郊,相较于虹口球赛来说,其远郊分布有所减少。对其进一步做圈层分析,结果如图 3右,核心圈层每平方公里大于4.4人;次级圈层每平方公里大于2.5人;边缘圈层每平方公里大于0.8人,整体的分布形态呈现以上海体育场为中心,向外随距离逐渐衰减的特征,核心圈层为以球场为中心的大片区域,范围比虹口球赛大。
两者相比较可以看出,球赛球迷的常住地分布区域都涵盖整个上海市域,核心圈层都集中于中心城区,都是以球场为中心向外发散分布,但上体球赛球迷的分布核心圈层范围更大,次级圈层的范围也更大,说明上体球赛球迷的分布中心与外围的差距更小,而虹口球赛球迷的分布则更为的集聚。
3.2 球迷占比分布特征不同地区球迷占总人数的比例也是衡量球迷分布的一个重要指标,这反映的是不同地区人群受球赛的影响程度的分布,本文采用第六次人口普查数据,计算各个街道球迷人数占常住人口数的比值,结果如图 4。从图中可以看出,两幅图的整体分布形态都呈现出一种以球场为中心,向外逐渐衰减的圈层结构特征,球场的存在对周边居民向球迷转化具有一定的促进作用,且虹口球赛的整体影响范围以及核心影响范围都要比上体球赛大,说明传统老牌强队的球迷群体基础更加深厚,其球赛的影响力更大。另外,从图中可以看出外高桥保税区、金桥出口加工区等区域在两幅图中都是高值区,说明这些地区的球迷群体较为稳定,球迷基础较好。
总体来说,球迷的占比分布特征更加印证了球迷常住地分布的圈层结构特征,以球场为中心的距离衰减效果得到体现,同时虹口球赛球迷的分布更广,影响范围更大,与上海申花老牌传统足球强队的形象相符,有更好的球迷基础。
4 球迷的活动特征 4.1 球迷时空轨迹特征手机信令数据的最大优势在于它的近似全样本、全时性,因此在研究球迷的活动特征时,首先考虑到的是每个人一天的时间—空间轨迹,将手机信令数据按照个人进行分组,一个人的所有记录按照0点—24点的顺序整理排列,以经纬度为X、Y坐标,以时间(换算成从0点开始计时的秒数)为Z坐标,即可形成一个人的时空轨迹三维折线,这样的三维折线能够反映一个人或是一群人一天的活动趋势特征,对于发现其基本活动规律有着重要作用。将虹口与上体球迷按照远郊、近郊、中心城区三个区域分类后分别生成各自的时空轨迹图,结果见图 5,从图中可以看出,各个群体时空轨迹的总体形态都呈现出沙漏状,轨迹线在球赛开始前一段时间开始向球场位置集聚,在球赛开始时到球赛结束轨迹点集中于球场区域,在球赛结束后一段时间又由球场向周边发散,这样一个先集聚后发散的过程反映了球迷当天活动的最基本的特征。而从地域划分的角度来看,从图中折线向里倾斜的角度能够看出,距离球场越远的球迷,其出发时间越早,也就是观赛活动在其当天的时间安排中所占比重越大,中心城区的球迷基本上一天中其他的活动并没有受到太多的影响。而通过对于图中轨迹拐点密集段的观察和归纳,可以看到远郊、近郊、中心城区的球迷的出发时间依次缩短,而且上体球赛球迷的出发时间普遍要比虹口球赛球迷的出发时间要早,这与上体球赛是下午开赛的事实相符合。
除此之外,为了更好地验证图中所观察出的结果,笔者将相应的数据进行了进一步的统计分析处理,得出结果见表 1,从表中可看出,上体球迷的平均离家时间要早于虹口球迷,与观察结果一致,且上体球迷的途中时间要比虹口球迷短大约2个小时,可能的推测是晚上举行的球赛对于球迷的当天活动会有更大的影响。
停留点的识别方法前文已提过,由于两场球赛的球迷轨迹特征较为相像,且从停留点分析的详细度考虑,选取在虹口足球场举行的球赛作为停留点特征的分析对象,以此来探究球迷停留点的主要特征。首先对于虹口球赛球迷在当天7点至23点的轨迹点进行停留点识别,共识别出2212个停留点,如图 6左所示,总体分布特征为中心城区分布较多,近郊及远郊分布逐渐减少。除此之外,识别出球迷的总停留次数为10396次,以停留次数绘制核密度图,得到虹口球迷在途中的活动量分布图,如图 6右所示,从图中可以看出,停留活动量主要分布于球场周边区域,同时在球场周边一定范围内的商业中心也有高值区,说明球迷的活动主要以球场及相隔不远的商业中心为主。
为了进一步了解球迷停留点的特征,以便更好的了解球迷在观赛途中的活动特征,笔者分别选取了上午9—11点、下午13—15点、赛前17—19点、赛后22—23点四个时段绘制相对应的停留点分布核密度图,结果如图 7所示,停留点的时空变化依旧是一个从分散到集聚,再由集聚走向分散的过程,说明球迷在观赛途中的停留点变化基本与时空轨迹所显示的趋势特征一致。
同时,每个球迷究竟在途中停留了多少次,他们到球场的过程中是否是由多次停留活动所构成,这不仅对了解球迷群体的活动特征有作用,同时也能够反映球迷观赛行为对于城市的影响作用。
因此,将球迷按照识别出来的停留次数进行分类统计,结果见表 2。从表中可以看出,大部分球迷的停留次数只有1次或者2次,而停留5次以上的球迷几乎没有,这说明大部分的球迷目的较为明确,直奔球场且途中停留较少。从表中还可看出,停留次数越少的球迷平均的出发时间越晚,而在途中停留次数越多的人,出发时间则越早,这也符合一般活动行为特征。
前文已经涉及到,球迷活动对于球场周边的商业体有一定的需求,也就说明球迷活动对于球场周边商业体有着或多或少的影响。作为城市中的一类特定人群,球迷群体的活动往往随着大型足球赛事的举行而活跃起来。利用手机信令数据分析球迷的活动对于球场周边商业体的影响,反映出球迷群体的消费行为特征的同时,一定程度上也反映球迷群体空间行为与城市设施之间的关系,同样是本次研究的重要组成部分。
以识别出的球迷为基础对象,将在商业体内部基站捕捉到2次以上(含2次)记录的人群认为是进入过该商业体的消费或被服务人群。而对于两场球赛的商业体分析对象,分别为虹口龙之梦和徐家汇中心。以此识别出虹口球赛球迷在当天进入过虹口龙之梦的人数有1451人,占总识别球迷人数的19%,将球迷人数及进入时间分别进行分时段统计,结果如图 8(上)所示,从图中可以看出,16:00到18:00出现第一波增长,为下午吃饭时间,19:00增长停止,球赛结束后,21:30到22:00出现第二波增长,可以看出球迷进入龙之梦的时间和人数出现了两波高峰,推测为下午饭活动以及赛后的庆祝活动。而球迷的活动对于龙之梦营业的促进作用,按照当天实际参加球赛的总球迷人数22000人计算,当天进入龙之梦的实际人数为4180人,按数据所得人均停留30分钟计算,总停留时间为2090小时,根据数据识别出该时段龙之梦的总顾客数为8900人,则在龙之梦停留的球迷人数占该时段总顾客数的47%,以此作为球迷消费行为对于虹口龙之梦商业中心影响的一个估值。
同样的对于参加上体球赛的球迷,通过识别得出进入过徐家汇中心的球迷人数为351人,占总球迷人数的8%,将球迷人数以及进入时间分别进行分时段统计,结果如图 8(下)所示,从图中可以看出,从9:20开始,10:00到12:00的中午午饭时间出现了第一波增长,增长的趋势持续至16:00,下午饭时间开始了第二波高增长,球赛开始时停止增长,球赛结束后,21:30到22:00出现第三波增长,其基本规律与虹口球赛相同,可能是由于开赛时间在下午,所以多出了午饭的增长期。上体球迷对于徐家汇中心的营业促进作用计算过程为,按当天实际总球迷人数为10000来计算,进入徐家汇中心的球迷人数为800人,按数据所得人均停留30分钟计算,总停留时间为400个小时,根据数据识别出该时段徐家汇中心的总顾客数约为20000人,则在徐家汇中心停留的球迷人数的占该时段总顾客数的4%。
以商业中心停留的球迷数量占同时段商业中心的总顾客数的比重来做比较,上体球赛球迷对于徐家汇中心的促进作用弱于虹口球赛球迷对于虹口龙之梦的促进作用,为了能够更好地比较两场球赛球迷行为对于周边商业体的影响,作为进一步分析球赛与城市的设施规划的相互关系的基础,本文将两个球场的相关信息制成表格(表 3),从表中可以看出,虹口足球场距离龙之梦的距离远远小于上海体育场距离徐家汇中心的距离,虽然两场球赛所识别的球迷人数也存在差距,且开赛时间也不同,但是相较于球场与商业体之间距离的差距来说,这两个因素都可以暂时忽略不计,因此如果将球迷进入商业体人数占同时段顾客数的比重作为影响效果的衡量标准,由于前文中提到基站间的平均距离为500m,而虹口龙之梦与虹口足球场之间的距离为150m,根据识别进入商场球迷的规则,会有一部分并没有进入商业体消费的球迷被错误识别,进而导致计算出的进入龙之梦的球迷占同时段顾客数的比重有估大的可能,徐家汇中心距离上海体育场2000m,不存在上述问题。因此可以得出以下结论:①球迷的消费行为对球场周边商业设施的影响与球场到商业设施的距离存在一定的联系。②根据球赛的影响力以及商业设施的等级不同,球迷的消费行为对于周边商业设施的促进作用也有所不同。
概括来说,当两个球场的地理位置与球赛影响力等因素相差并不大的情况下,商业设施的等级及商业设施与球场之间的距离可能是影响球迷与商业设施之间相互关系的两个主要因素。
6 总结与展望 6.1 总结本文通过对手机信令数据的分析,研究了两场球赛所识别出来的球迷群体的分布特征、活动特征以及其消费行为对于球场周边商业体的影响,较为全面地探究了球迷群体这个特殊群体的空间行为特征。对于球迷的空间行为有了更深的了解,也为探究球迷群体的行为与城市空间之间的关系打下了一定的基础,能够为城市未来的规划发展提供一些参考。
首先,所选两场球赛的球迷的空间行为呈现出了一定的差异性。研究得出传统老牌强队球迷群体的分布区域更加扩散,影响力更大,且晚上开赛的球赛相较于下午开赛的球赛来说,球迷的观球行为活动在其一天中所占比重会更大,也容易带动更多其他的活动。这反映出球赛主场球队的影响力以及球队的球迷基础对于球赛观赛球迷的行为特征影响有所区别,究其原因可以认为是球队的文化、对于自身球迷的影响程度会决定球迷的观赛行为在其当天活动安排中的重要程度,不但反映在了球迷的空间分布上,也体现在球迷在当天比赛前后的活动安排上。
其次,研究发现球迷的分布涵盖市域、呈现圈层结构,不同区域的球迷有其各自的特征。由于比赛的场地都位于市中心,所以球迷的分布结构往往与城市的空间结构有较大的关联性,上海是一个单中心城市,人口的分布就呈现圈层分布的结构,而球迷的分布正好反映了这个特点,这也证明了球迷这个群体的普遍性,涵盖社会的各个阶层。而不同区域的球迷行为由于城市交通、距离球场远近等因素往往会有一定的差别。
另外,在时空活动特征方面,研究发现球迷的活动轨迹整体呈现为集聚到分散再到集聚的过程;球迷的出发时间与球赛开始时间相关,且大部分球迷的出行目的较为明确,途中停留次数较少。这反映出球迷这个群体具有与其他大型活动人群类似的活动轨迹特征,在赛前以及赛后会对赛场周边区域的交通造成极大的负担与压力,甚至由于球迷群体的观赛的专业性,其赛前赛后的集会活动会带来比其他大型活动更大的交通以及治安压力,这也就要求球场周边需要提供更加广阔的区域来提供应对方法。
最后,通过对比发现,球迷对于球场周边一定距离范围内的商业体有影响。球迷在球场周边商业体的消费行为需求更多的集中在饮食需求上,而球场周边商业体距离球场的远近可能会影响球迷是否去该商业体进行消费的选择,所以无论从球场周边的设施服务水平考虑,还是从球迷群体的消费行为对于商业体的带动作用考虑,球场周边较近距离内都应该有一定规模商业中心的存在,这也是球迷的消费行为带给城市设施规划的一点参考与启示。
6.2 展望受限于获得的数据的时间区间,研究仅仅选取了两场球赛进行分析,虽说可以基本代表上海足球球迷这个较为稳定的群体,但毕竟为两个个案,其反映出的相关规律无法得到充分的验证。同样,球迷群体的分布与活动特征还有很多表现角度,而本文选取的角度有限,只能试图基本反映出球迷这个特定人群分布活动的基本特征与基本趋势。更应该强调的是,手机信令数据自身仍然存在着诸多的问题,比如数据的精度上依旧存在缺陷,空间误差不可避免;另一方面,筛选数据的机制方法其准确度无法做到完全可靠,还需要进行更多的尝试来进行验证。这些都会造成最后结论的偏差,但是对于最后结论的基本脉络与核心特征影响并不大,而且利用手机信令数据来对特定人群的微观行为进行分析本身就是方法上的一种创新,时空轨迹的构建等也是将传统的行为研究方法与新数据结合的新尝试,这些都能反映出最后结论的研究意义。
此次研究在利用手机大数据研究特定人群的空间行为特征上做出了一些尝试,虽说具体的规划应用结论上仍有缺陷,但也从行为地理学的角度在特定人群与商业体关系、大型事件的监测预警等方面提供了一定的应用拓展空间与研究价值,因此本次研究对于未来的展望一是能够改进研究的方法,提高数据清洗筛选的精度,将城市特定人群的行为特征与城市的发展规划之间的关系探究地更为准确详细,第二则是希望能够通过对于特定人群时空行为特征的总结,能够对于球迷聚集乃至大型人群聚集事件提供监测预警的方法,从而将研究的应用价值最大化。
注释:
① 具体识别方法及结果可见:钟炜菁, 王德, 谢栋灿, 等.上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索[J].地理研究, 2017, 36(5):972-984.——文中2.3.2部分。
[1] | 吴志强. 重大事件对城市规划学科发展的意义及启示[J]. 城市规划学刊, 2008(6): 16-19. [Wu Zhiqiang. Significance and inspiration of mega-events to the development of urban planning discipline[J]. Urban Planning Forum, 2008(6): 16-19. ] |
[2] | 吴志强. 重大事件:机遇和创新[J]. 城市规划, 2008(12): 9-11. [Wu Zhiqiang. Mega-events:Opportunities and innovations[J]. City Planning Review, 2008(12): 9-11. DOI:10.3321/j.issn:1002-1329.2008.12.002] |
[3] | 渠涛, 张理茜, 武占云. 不同历史时期特殊事件影响下的城市空间结构演变研究——以天津市为例[J]. 地理科学, 2014, 34(6): 656-663. [Qu Tao, Zhang Liqian, Wu Zhanyun. Study on the evolution of urban spatial structure under the influence of special events in different historical periods[J]. Scientia Geograhpica Sinica, 2014, 34(6): 656-663. ] |
[4] | 王春雷. 重大事件对城市空间结构的影响:研究进展与管理对策[J]. 人文地理, 2012, 27(5): 13-19. [Wang Chunlei. Impacts of major events on host cities' urban spatial structure:Literature review and strategic management model[J]. Human Geography, 2012, 27(5): 13-19. ] |
[5] | 孙杰. 我国足球球迷行为的社会学特征研究[D]. 武汉: 武汉体育学院, 2013: 2-11. [Sun Jie. Football Fans Act Sociological Characteristics of the Study in China[D]. Wuhan: Wuhan Sports Institute, 2013: 2-11.] |
[6] | 阮伟. 体育赛事与城市发展关系研究[D]. 北京: 北京体育大学, 2012: 24-299. [Ruan Wei. The Study on the Relationship Between Sports Event and Urban Development[D]. Beijing: Beijing Sport University, 2012: 24-299.] |
[7] | 肖淑红, 蒲皓舟, 付群. 国内外消费行为理论及球迷消费行为研究综述[J]. 西安体育学院学报, 2015, 32(4): 385-390, 434. [Xiao Shuhong, Pu Haozhou, Fu Qun. Global game:A review of consumption behavior and sport fandom[J]. Journal of Xi'an Physical Education University, 2015, 32(4): 385-390, 434. ] |
[8] | 柴彦威, 塔娜. 中国时空间行为研究进展[J]. 地理科学进展, 2013, 32(9): 1362-1373. [Chai Yanwei, Ta Na. Advances in the study of temporal spatial behavior in China[J]. Progress in Geography, 2013, 32(9): 1362-1373. DOI:10.11820/dlkxjz.2013.09.006] |
[9] | 柴彦威, 塔娜. 中国行为地理学研究近期进展[J]. 干旱区地理, 2011, 34(1): 1-11. [Chai Yanwei, Ta Na. Recent advances in the study of behavioral geography in China[J]. Arid Land Geography, 2011, 34(1): 1-11. ] |
[10] | 秦萧, 甄峰, 熊丽芳, 等. 大数据时代城市时空间行为研究方法[J]. 地理科学进展, 2013, 32(9): 1352-1361. [Qin Xiao, Zhen Feng, Xiong Lifang, et al. Research methods of urban spatial behavior in big data era[J]. Progress in Geography, 2013, 32(9): 1352-1361. DOI:10.11820/dlkxjz.2013.09.005] |
[11] | 周洁, 柴彦威. 中国老年人空间行为研究进展[J]. 地理科学进展, 2013, 32(5): 722-732. [Zhou Jie, Chai Yanwei. Research progress on spatial behavior of elderly in China[J]. Progress in Geography, 2013, 32(5): 722-732. DOI:10.11820/dlkxjz.2013.05.004] |
[12] | 陆林, 汤云云. 珠江三角洲都市圈国内旅游者空间行为模式研究[J]. 地理科学, 2014, 34(1): 10-18. [Lu Lin, Tang Yunyun. Spatial behavior patterns of domestic tourists in the Pearl River Delta metropolitan area[J]. Scientia Geographica Sinica, 2014, 34(1): 10-18. ] |
[13] | Girardin F, Calabrese F, Fiore F D, et al. Digital foot printing:Uncovering tourists with user-generated content[J]. Pervasive Computing, IEEE, 2008, 7(4): 36-43. DOI:10.1109/MPRV.2008.71 |
[14] | Li L, Goodchild M F, Xu B. Spatial, temporal, and socioeconomic patterns in the use of Twitter and Flickr[J]. Cartography and Geographic Information Science, 2013, 40(2): 61-77. DOI:10.1080/15230406.2013.777139 |
[15] | Ratti C, Pulselli R M, Williams S, et al. Mobile Landscapes:Using location data from cell phones for urban analysis[J]. Environment and Planning B:Planning and Design, 2006, 33(5): 727-748. DOI:10.1068/b32047 |
[16] | Sevtsuk A, Ratti C. Does urban mobility have a daily routine? Learning from the aggregrate data of mobile networks[J]. Journal of Urban Technology, 2010, 17(1): 41-60. DOI:10.1080/10630731003597322 |
[17] | 陈宏飞, 李君轶, 秦超, 等. 基于微博的西安市居民夜间活动时空分布研究[J]. 人文地理, 2015, 30(3): 57-63. [Chen Hongfei, Li Junyi, Qin Chao, et al. Study on spatio-temporal distribution of residents' nocturnal activities of Xi'an based on micro-blog[J]. Human Geography, 2015, 30(3): 57-63. ] |
[18] | 龙瀛, 张宇, 崔承印. 利用公交刷卡数据分析北京职住关系和通勤出行[J]. 地理学报, 2012, 67(10): 1339-1352. [Long Ying, Zhang Yu, Cui Chengyin. Analysis of Beijing residential relationship and commuting travel by bus card data[J]. Acta Geographica Sinica, 2012, 67(10): 1339-1352. DOI:10.11821/xb201210005] |
[19] | 钮心毅, 丁亮, 宋小冬. 基于手机数据识别上海中心城的城市空间结构[J]. 城市规划学刊, 2014(6): 61-67. [Niu Xinyi, Ding Liang, Song Xiaodong. Understanding urban spatial structure of Shanghai central city based on mobile phone data[J]. Urban Planning Forum, 2014(6): 61-67. ] |
[20] | 丁亮, 钮心毅, 宋小冬. 利用手机数据识别上海中心城的通勤区[J]. 城市规划, 2015(9): 100-106. [Ding Liang, Niu Xinyi, Song Xiaodong. Identifying the commuting area of Shanghai central city using mobile[J]. City Planning Review, 2015(9): 100-106. DOI:10.11819/cpr20150917a] |
[21] | 王德, 王灿, 谢栋灿, 等. 基于手机信令数据的上海市不同等级商业中心商圈的比较——以南京东路、五角场、鞍山路为例[J]. 城市规划学刊, 2015(3): 50-60. [Wang De, Wang Can, Xie Dongcan, et al. Comparison of retail trade area of retail centers with different hierarchical levels:A case study of east Nanjing road, Wujiaochang, Anshan road in Shanghai[J]. Urban Planning Forum, 2015(3): 50-60. ] |