2. 长春市城乡规划设计研究院, 长春 130024
2. Changchun Institute of Urban Planning and Design, Changchun 130024, China
在地理学社会转向和人本主义思潮影响下, 人类行为及其所处空间的研究逐渐成为地理学热点。城市物质空间和功能空间的研究逐渐向社会空间和行为空间转变[1]。城市居民活动空间是居民日常行为活动所占用的空间, 是一个包含了居住空间, 就业空间, 消费空间, 休闲娱乐空间等多重内容的庞大空间体系。活动空间是透视城市发展的窗口, 通过居民活动空间的研究可从微观个体行为视角评价城市活动强度, 识别城市空间功能和空间质量, 进而从一个全新角度认识城市空间结构。
活动空间研究起源于行为地理学中的"行动空间"[2], 主张从个人主体性角度认识城市空间。上世纪六七十年代左右, 西方地理学者就开始关注个人日常生活中的行为活动。Chapin认为[3], 个人的日常活动是由上班、回家、购物等习惯性行为组成的, 他从时空视角探究城市居民日常活动模式。Herz指出居民日常行为具有稳定性、可变性和灵活性并强调了这些活动模式在日常生活中的重要性[4]; Hanson、Gordon等人则从性别差异的角度研究居民的出行活动特征[5, 6], 还有一些学者通过内城和郊区居民活动空间的对比总结了居住空间区位对生活活动模式的影响[7, 8]。总的来看, 西方国家关于活动空间的研究集中于两个方面, 一是对活动空间大小[9]、几何结构[10]等特征的统计计算, 二是从居住区位、日常活动模式等角度对活动空间形成原因进行分析[11]。
近年, 国内地理学家也开始关注居民的日常活动空间, 柴彦威将居民的日常生活行为所及的空间范围统称为活动空间, 他提出了活动分析法框架[12], 并基于行为数据对北京居民购物行为、职住关系与通勤特征进行了研究[13, 14]。王波等[15]基于大数据的实证分析总结了南京市的活动空间特征并对空间等级极化的原因进行探讨。目前国内研究重点放在不同类别行为活动模式的分析、活动空间的形态面积特征总结及可视化表达上。
在研究方法上, 早期由于数据获取难度较大, 活动空间的研究多以小范围的特定区域特定人群为研究对象, 多采用问卷调查、出行日志等方法, 忽略个体差异, 通过调查数据的汇总来整合分析居民活动特征。近年则多借助大数据, 将GPS、手机等定位技术应用于活动空间研究, 并借助GIS或一些特定软件的空间分析功能, 更加宏观和精确的把握活动空间。
手机信令数据包含大量精细的地理空间信息, 动态记录个体行为特征, 加上目前手机的高持有率, 使得依据手机定位数据研究长春居民活动的时空规律成为可能。手机信令数据可以呈现"个体——时间——地点"这种居民空间活动信息[16, 17], 通过居民活动规律的可视化呈现和特征总结, 生动展现城市空间。在手机信令数据研究方面, 目前国内外手机数据应用于地理学的相关研究主要集中于以下两个方面:一是对人体运动基本规律的认识, 包括职住活动及相应的就业通勤有关研究和消费活动的研究[10, 18]。例如Becker等[19]用Morristown约13 km2内35个基站在两个月中记录的手机话单数据识别用户工作地和居住地, 并据此得到了该城市的通勤范围。田金玲[20]等对上海市三个典型就业区的就业与居住、通勤时空间特征及地铁通勤进行分析, 整理出三类通勤模式并对不同模式就业区的形成原因进行分析。丁亮[21]利用手机信令数据获取上海市域就业者的通勤数据并测度上海中心城的就业中心体系。王德等[22]基于手机信令数据识别的消费者的数量和空间分布特点, 对商圈进行等级划分和空间结构的研究。二是利用手机数据进行动态城市系统的研究, 比较有代表性的是Ahas[23]提出了社会定位方法(social positioning method), 结合手机数据和手机用户的社会属性数据进行时空行为和城市系统研究; 钮心毅[24]等通过对手机数据的处理分析, 依靠个体出行特征识别出城市公共中心的等级和职能类型, 进而划分城市功能分区, 探究城市空间结构。
本文基于手机信令数据, 可视化长春市居民活动空间的动态变化, 据此识别不同类别的活动空间并分析其空间特征, 从个体行为视角认识城市空间结构, 了解居民对城市空间的利用情况。快速城市化背景下, 居住空间分异日益明显, 通过以社区为单位的居民行为时空数据的观测统计, 在小尺度空间单元上可以更加准确感知现代城市的社会空间体系。活动空间时空分布规律特征的研究也将为未来长春市土地利用调整和公共设施的规划布局提供参考。
2 数据来源与研究方法 2.1 研究范围本文研究区域为长春市的中心城区(图 1), 包括朝阳区、南关区、宽城区、二道区、绿园区五个老城区和经济技术开发区(包括南区和北区)、高新技术开发区(包括南区和北区)、净月经济开发区和汽车经济技术开发区四个开发区, 总面积612km2。
|
图 1 长春市中心城区示意图 Fig.1 Schematic Diagram of the Central City in Changchun |
本文采用长春市中心城区2017年3月11日至3月24日连续两周的手机信令数据, 包括用户编号、信令发生时间、连接基站、信令类型等基本信息。参考相关文献[21, 25], 本文设置以下方法提取居住地、工作地和消费休闲地三类活动空间。居住地的识别方法为:将每日23:00至次日3:00的整点作为识别居住地的时间点, 若某一手机用户每天至少有三个时间点在同一基站或者附近1000m内基站, 就将该基站识别为该日该用户的居住地。若十个工作日中至少有六天代表居住地的基站相同或者在附近1000m以内, 就将该基站识别为用户的居住地。用同样的方法识别用户的工作地, 特征时间点选择工作日的9:00、10:00、11:00、14:00和15:00, 排除午休外出等情况干扰。若仅以休息日人口密度反映消费休闲活动空间可能会因大批没有参与消费休闲活动人群带来偏差, 因此本文设置消费休闲地的识别方法为:选取休息日9:00-11:00和14:00-16:00时段内平均人口密度值比工作日平均密度值增加10%以上的区域认定为消费休闲活动集聚地。针对个体而言, 其消费休闲地的识别方法为:以同时具有固定居住地和工作地的人群作为研究对象, 统计其出行特征, 排除休息日在家和在工作地的用户(即排除所记录的点与居住地或者工作地距离小于1000m的用户), 记录剩余人群休息日9:00、10:00、11:00、14:00、15:00和16:00所出现的距家最远的点, 以此作为该用户的消费休闲地(图 2)。在探讨活动空间的社区分异时, 就业距离为工作地与居住地的直线距离, 消费休闲距离为消费休闲地与居住地的直线距离。
|
图 2 居住地和消费休闲地的识别流程图 Fig.2 The Framework of Identifying Place of Residence, Consumption and Leisure |
利用手机信令识别出同时具有固定居住地和工作地的人口数量达164.63万, 占同期长春市常驻人口的37.6%, 可以较好的反映全市人口活动空间特征。
2.3 研究方法 2.3.1 核密度采用核密度分析法, 以800m为搜索半径(城内基站覆盖半径约500-1000m), 按每一基站连接用户数进行密度计算, 生成200m*200m的栅格密度图。通过核密度分析可以呈现城市空间利用情况, 识别各类活动热点, 并依据活动强度划分活动中心等级。密度值越高表明人口集聚程度越高, 其活动中心的等级也越高。
2.3.2 从基站到社区尺度的空间单元映射手机定位只能精确到基站, 且城区内基站分布的稀疏程度不同, 以基站为单位表达位置不利于空间维度上的信息挖掘[25]。借鉴已有研究[26], 采用维诺图(Voronoi Diagram)分区方法。每一个V多边形内唯一对应着一个基站, 其大小可以近似地描述对应基站的覆盖区域。然后将这一基站的记录人数在这一V多边形内随机散点, 再根据社区的空间单元区域进行汇总, 从而实现从基站分布到社区的空间尺度。
2.3.3 聚类分析聚类分析是一种分类的多元统计分析方法, 按照个体属性分类, 使同一类别个体具有尽可能高的同质性, 不同类别之间具有尽可能高的异质性。
(1) SPSS系统聚类
根据每个社区居民的职住距离和消费休闲距离的数量比例, 利用SPSS软件的系统聚类功能对建成区348个社区进行类别划分, 以此探究不同居住空间人群的活动特征分异, 尝试找寻不同地域人群活动空间规律, 以此感知城市社会空间。
(2) GIS分组分析
GIS分组分析的聚类方法综合研究对象的属性因素和空间特征, 其最大优势表现为聚类过程考虑要素的地理空间位置, 因此分组结果在空间上相连, 聚类结果可以更加方便规划政策的制定和实施[27]。分组有效性主要通过伪F统计量来测量, 用来反映组内相似性和组间差异性的比率, 计算公式如下[28]:
|
(1) |
|
(2) |
|
(3) |
|
(4) |
式中, SST代表组间差异, SSE代表组内差异, n为社区数量, ni为i组的社区数量, nc为分组数量, nv为用于分组的变量数, Vijk为第i组第j社区的k变量取值, Vk为所有社区的k变量取值, Vik为第i组所有社区的k变量均值。
3 长春市居民活动空间特征分析 3.1 活动空间动态分布特征通过各特征时间点的统计(图 3)发现, 居民活动空间呈典型圈层结构, 省政府及周边区域成为空间利用率最高的地区, 以省政府为中心, 人口活动密度向外逐渐降低。人口活动具有白天集中, 夜晚离散, 工作日集中, 休息日离散的特征。"人"字型活动密度高值区集中在宽城区、朝阳区和南关区三区交界。工作日9:00-11:00和14:00- 16:00时段的人口中心集聚态势比1:00-3:00和19:00-21:00两个时间段明显, 意味着城市核心区是人口就业活动的集中区。相比较于工作日, 休息日的人口分布离散化趋势明显, 各时段的核心区人口密度均出现下降, 人口中心集聚态势有所降低, 人口密度的中值区范围有所扩大。但白天两个时段的人口中心集聚程度仍然要高于夜晚两个时段, 反映出休息日人们活动仍集中于市中心的特征。1:00-3:00始终是建成区各地人口密度差异最小的时段, 这可能与晚上识别的手机数量较少有关, 同时也能反映夜晚比白天人口分布相对离散的趋势。
|
图 3 长春市活动空间动态分布特征 Fig.3 Dynamic Distribution Characteristics of Activity Space in Changchun |
根据前文提及方法, 识别出全市典型人口居住地、就业地和消费休闲地, 并基于人口密度, 在ArcGIS中按照自然间断法进行等级划分, 由此绘制居住、就业和消费休闲活动的等级分类的空间分布图, 其中消费休闲活动的等级分类的空间分布图是通过计算休息日比工作日人口密度的增加比例得到的。将得到的居住人口密度与"六普"时期以街道为单位的人口密度图对比发现, 两者相关性较好, 可认定识别结果具有可靠性。在长春市2017年土地利用现状图上, 手机信令数据识别出的典型就业空间和消费休闲空间主要分别对应长春市的商业服务业用地和大型商业中心、公园绿地, 同样认定识别结果可靠性较高。
3.2.1 居住活动研究发现, 居住活动呈现典型中心集聚特征, 其分布的圈层结构明显(图 4a)。通过手机数据可识别出三个等级的居住中心, 其中高密度人口聚居在两个极值区, 即图中红色区域, 一是以省政府为中心的城市核心区, 二是文化广场周边地区, 两地成为长春市一级居住中心, 人口聚居密度在2.1万人/km2以上; 二级居住中心围绕一级中心呈环状分布, 居住密度介于1.6-2.1万人/km2之间; 三级居住中心为图中黄色区域, 主要散布于城市中部的宽城、朝阳和二道等老城区。其余广大地区人口居住密度低于1.1万人/ km2。随着与城市核心区距离的增加, 居住活动密度逐渐降低。
|
图 4 长春市活动空间分布特征 Fig.4 Distribution Characteristics of the Activity Space in Changchun |
研究发现, 就业活动主要集中在传统商业中心(重庆路商圈和红旗街商圈)、新兴商业中心(以晨宇为中心的商圈)以及复合交通沿线地带(图 4b)。与居住相比, 就业活动的中心集聚态势不强, 在居住活动分布基础上扩散展开。一级就业中心分布面积狭小, 主要集中于重庆路商圈一带, 二级就业中心呈现多中心连片发展趋势, 主要包括三大片区, 一是是以重庆路商业街为中心的城市中心商务服务业集聚区, 这里集聚了欧亚新发、好望角、永春批发、商业大厦、亚泰富苑等商业综合体和众多老字号店铺, 是长春市较早形成的民俗商业与现代时尚融为一体的商业街区。高度信息化的办公环境和便捷的相应支持功能使其成为长春市的核心办公区, 各界办公人士在本区的交往机会也得以最大化。二是轻轨三号线北段(西安桥至宽平大桥)沿线东部区域, 这里有以安达街、建设街为代表的餐饮街区, 也汇聚了欧亚商都、万达广场、巴黎春天等综合休闲商业中心和高层办公楼。三是二道区南部以晨宇购物中心为核心的商业片区。高级办公空间出现空间分离, 中心区外围地区也开展了商业空间的规划与建设。这是中心区功能分化、外围地区可达性水平提高和市场完善的结果。结合长春市产业布局, 发现三大片区均是以现代商贸、金融服务、文化信息产业等为主导产业地区, 而长春西南部的汽车及零部件加工、现代物流业以及东部农产品加工等产业并未吸引大规模就业人口, 因此进一步确认第三产业特别是商务和生活服务业才是大规模吸引就业人口的产业类型。
3.2.3 消费休闲活动本文以休息日与工作日人口密度的增加量作为消费休闲地的提取条件, 人口密度增加越多的区域其作为消费休闲地的等级越高。由图 4c可知, 消费休闲地布局整体呈点状模式, 一级消费休闲地有两个, 分别是位于朝阳区、高新区和汽车区三区交界的欧亚卖场和长春市东南部的净月潭国家森林公园周边, 两地休息日人口密度比工作日高出40%-70%, 且二者均位于交通便利的城市外缘地带, 远离市中心。欧亚卖场单体建筑面积60万m2, 集购物、休闲、娱乐、商务、金融、教育、医疗、健身、餐饮、展会、旅游等多业态为一体, 俨然成为长春最大的商贸购物中心和城市综合体。依托卖场巨大的体量优势, 加之配备20万m2停车场, 能够极大满足现代居民自驾出行需求, 这里成为众多居民休息日出行选择的目的地。净月潭是国家5A级旅游景区, 水域宽广, 森林覆盖率达96%, 是长春市著名的生态休闲中心。作为长春市的生态绿核, 其距市中心人民广场仅18 km, 既远离市中心的喧嚣又保证了可达距离, 优越的自然风景和区位条件吸引众多人口周末聚集于此。二级消费休闲中心设定为人口密度比工作日高出30%-40%的区域, 主要集中于一级中心周边及城市郊区, 反映了休息日居民消费休闲出行的"逆中心"趋势。三级消费休闲中心为人口密度比工作日高出20%-30%的区域, 多集中在城市南部, 尤以南关区南部和净月区最为典型, 这主要归因于该地区优越的自然景观。休息日人口密度比工作日高出10%-20%的区域面积最广, 散布于城市核心区周边。
3.2.4 活动空间结构模式根据居民活动空间特征梳理出行为视角下长春市的活动空间结构模式图(图 5), 直观展示居民对城市空间真实的偏好和利用状况。整体来看, 居住与就业活动的中心依赖度高, 消费休闲活动远离城市中心。居住活动圈层等级结构明显, 且一二级中心均主要集中在一环内; 就业活动等级分类不明显, 集中在二环以内, 以省政府为中心, 呈"人"字型条块状发展格局; 消费休闲中心点状布局, 一二级消费休闲中心均呈"逆中心"发展态势, 这主要受交通区位条件和自然环境影响。
|
图 5 长春市活动空间结构模式图 Fig.5 Structure Model of the Activity Space in Changchun |
以同时具有固定居住地和固定工作地的人口为研究对象, 通过就业距离的计算探讨建成区内就业活动的内部分异。就业距离可以反映职住分离程度, 检测活动是否集聚在居住地附近。随着我国住房制度和土地使用制度改革的深入以及房地产业的发展, 中国城市社会由"单位型"管理向"社区型"管理转变[29], 本文便以社区为单位统计城市居民的职住特征。长春市建成区内共348个社区(包括村委会)。为统计方便, 将职住距离分为小于1km, [1, 3)km, [3, 5)km, [5,10]km和大于10km五个等级, 分别统计每个社区处于五个等级距离的人口百分比。
统计发现, 第一等级(职住距离小于1km)的人口比例大于50%的社区有31个, 其中朝阳区有12个, 南关区有9个, 可知短距离通勤多见于发展历史悠久的老城区。第五等级(职住距离大于10km)的人口比例超过22%的社区共有9个, 其中7个位于净月区, 1个位于高新区, 1个处于经济技术开发区, 净月区成为职住分离最为严重的行政区。
为准确呈现就业活动空间特征的社区分异, 利用SPSS的系统聚类分析功能, 按照五个等级职住距离对348个社区进行系统分类。考虑到数据之间的相关性, 选择第一、第二和第五等级数据作为变量, 选用区间欧式距离测量方法, 以此将社区划分为五类(图 6)。五种社区类型的划分实质为依据五个等级距离下人口所占百分比进行的划分, 是各个社区相对比而产生的。第一类社区职住距离极短, 属就业极为便利类型, 居民就业距离在0-3km的比例占80%以上。这类社区仅有2个, 分别是盛家村委会和东朝阳南社区, 两者均属朝阳区。第二类社区职住距离较短, 就业较为便利, 就业距离在0-3km范围内的比例可达60- 70%, 而就业距离大于10km的比例小于10%, 这类社区有112个, 主要集中于城市二环路以内和经开北区与净月区的大部分区域。第三类社区属就业通勤距离适中型, 就业距离在0-3km的比例约50%, 就业距离大于10km的比例可占10-20%, 这类社区有225个, 分布于二环以外的大部分区域。第四类社区的居民中, 就业距离在[3, 5)km和[5,10] km的比例最大, 约占50%以上, 其它三个距离等级的比例相当, 就业通勤距离较远。这类社区有八个, 其中宽城区、经济开发区、朝阳区、净月区各两个。第五类社区仅有净月区的勤俭村委会一个社区, 该社区就业距离大于10 km的比例高达43.4%, 属于职住距离极远类型, 远距离通勤既造成居民就业不便, 又容易加重城区交通负担。
|
图 6 长春市居民活动空间的社区分异 Fig.6 Community Differentiation of Residents' Activity Space in Changchun |
参考个体消费休闲地的识别方法, 将识别出的居民消费休闲距离分为小于1km, [1, 3)km, [3, 5)km, [5,10]km和大于10km五个等级, 分别统计每个社区处于五个等级距离的人口百分比。借助SPSS的系统聚类分析功能, 呈现消费休闲活动空间特征的社区分异。同就业空间的社区分异, 这里的五种社区类型同样为依据五个等级距离下人口所占百分比进行的划分。全部社区共分五类, 第一类社区共48个, 属短距离消费休闲型, 这类社区有10%以上的居民出行距离小于3km, 绝大多数居民出行距离小于10km; 第二类社区有144个, 属消费休闲距离较近类型, 60%的居民出行距离在3-10km范围内; 第三类社区属消费休闲距离适中型, 共132个此类型社区; 第四类社区有17个, 消费休闲距离较远; 第五类社区仅7个, 属消费休闲距离极远类型。
统计发现, 休息日活动距离在3-10km的人口居多, 消费休闲活动以中短途为主。统筹全市消费休闲活动距离的社区分异情况, 城市三环路沿线社区以短途活动居多, 社区70%左右的人口比例消费休闲距离在10km以内。三环以内社区以中短途为主, 出行大于10km的人口比例较少。消费休闲距离大于10km的人口比例占50%以上的社区仅24个, 多分布于中心城区外缘和二环路南段, 中心城区边缘社区因其距典型消费休闲中心较远而导致远距离的消费休闲活动, 二环路南段社区较远的消费休闲距离显示附近居民较强的出行意愿和能力。
4.3 活动空间类型区划分及空间模式居住、就业与消费休闲活动三者之间的联系主要反映在就业距离和居民的消费休闲距离上。就业距离和消费休闲距离构成了城市资源的区位机会结构, 这种区位机会结构具有模式化特征, 就业距离和消费休闲距离一定程度上决定了社区居民对其居住空间的生活空间质量高低的感知[30]。以社区为单位统计居民就业距离和消费休闲距离, 通过衡量便捷程度感知城市社会空间, 检验功能用地配置合理性, 以此合理安排人口、岗位及消费休闲设施的分布, 优化城市职住空间关系和消费休闲与居住的关系。
利用Arcgis10.2分组分析功能, 将上文的五类距离合并为[0, 3]km、(3, 10]km和大于10km三类, 以此对每个社区不同类别的就业距离和消费休闲距离进行空间聚类分析, 空间关系约束选择狄洛尼三角形, 检验不同分组方案的伪F值。结合各社区现状, 将长春活动空间类型区划分为五组比较适宜(图 7a), 其对应F值为24.87。根据主因子平均值得分分别命名五类空间类型区(表 1)。第一类型区集中于城市东半部, 包括35个社区, 该类型区具有就业距离远消费休闲距离适中的特征, 未来本区发展可增加就业岗位布置, 方便附近居民就近就业; 第二类型区位于朝阳区北部的城市核心区, 仅包含19个社区, 占比5.46%, 该类型区居民就业和消费休闲活动的出行距离短, 是就业和生活最为便捷的地区。第三类型区主要分布在省政府以北的南部宽城区, 包括37个社区, 该类型区特点是就业距离近, 消费休闲距离远, 该区需增加消费休闲设施布置, 满足居民活动需求。第四类型区的就业和消费休闲距离都适中, 包括31个社区, 主要位于南关区北部。第五类型区数量庞大, 包括226个社区, 占比64.9%, 分布于城市西半部的广大区域, 该类型区居民就业距离适中但消费休闲距离远, 发展重点同第三类型区相似, 增加消费休闲设施布置, 调节消费休闲活动与居住的关系。
|
图 7 长春市活动空间类型区划分及空间模式 Fig.7 Division of Types and Spatial Pattern of the Activity Space in Changchun |
|
表 1 长春市活动空间类型区的特征判别 Tab.1 Distinguishing Features of Different Types of Activity Space in Changchun |
根据就业距离和消费休闲距离的空间分布特征, 进一步抽象出长春市活动空间类型模式图(图 7b), 整体呈"环形+扇形"结构。该图直观显示出长春市中部地区以近域活动为主, 居民就业生活较为便捷, 西部地区消费休闲距离远而东部地区普遍就业距离远, 这就需要针对不同区域实行差异化的政策和措施, 东部地区适当增加就业岗位, 解决本地职住分离严重的问题。省政府以北以及城市西部广大地区则需关注各种娱乐休闲设施的补充建设, 以此实现居民居住、就业和消费休闲活动的合理配置。
5 结论与讨论 5.1 结论本文借助手机信令数据研究城市时空效用, 真实反映社会生活图景。文中整理分析了长春市各时段人口活动特征, 通过居民活动特征识别城市各类功能空间, 了解城市空间利用情况, 并以社区为单位通过职住距离和消费休闲距离的研究认识三类空间关系, 感知居民生活空间质量和城市社会空间结构。通过手机信令数据重新审视城市空间, 可发现:
(1) 个体活动空间视角下城市仍保持单中心的空间结构
传统研究多通过土地建设规模及用地功能、交通和产业发展状况[31, 32]认识城市空间结构, 本文基于手机信令数据展现个体活动空间视角下的城市空间结构, 这也是城市真正发生的贴近现实的空间结构。个体活动空间特征折射出长春仍是典型的单中心城市, 已规划十年有余的"双中心"城市结构尚未形成。从土地建设来看, 南部新城已初具规模, 但从手机信令数据所反映的人口聚居和活动情况看, 南部新城建设并未有效缓解城市核心区压力。工作日和休息日的不同时段人口均主要集中于老城区, 长春固定居住人口仍主要集中城市二环以内, 三环外新建住宅入住率普遍偏低。这可能原因有二, 一是城市郊区基础设施配置滞后, 无法满足居民生活所需; 二是因为郊区住宅的购买存在一定比例的投资行为, 并未真正带动人口由核心区外迁。
(2) 城市产业空间结构处于低层次发展阶段
就业活动数据显示, 长春就业活动的中心集聚度明显低于居住活动, 活动等级区分不明显。目前长春并未出现典型的高人口密度就业中心, 这也是长春区别于上海、南京[15, 21]等大城市的显著特征。通过人口集聚度指标反映出的就业中心均是以商务和生活服务业为主的第三产业, 结合该事实可以认定, 目前长春第三产业发展较为滞后, 尚未形成真正意义的中央商务区;
(3) 城市各类功能空间关系区域分异明显
以往城市空间的研究多集中于从宏观层面进行城市用地或产业空间的研究, 或是结合样本抽查和人口普查数据对人口空间研究, 很难建立各要素彼此之间的联系。活动空间研究将各独立的空间有机结合起来, 探究不同地域各功能空间匹配程度。研究发现, 短距离通勤和消费休闲活动都集中于老城区, 这里各类城市功能融合良好, 居民活动便利, 生活空间质量较高。城市外缘地带的居住、就业和消费休闲的综合配套能力较差, 成为城市功能空间失衡区。通过空间聚类分析, 明晰了未来城市规划和整治过程中, 各区域的相应规划和建设的目标和方向。活动空间的社区分异实质是对城市社会内部分异的初步探讨, 小尺度单元的研究细化城市内部信息, 凸显各地域自身问题, 方便社区针对性的配套相应基础服务设施, 以满足居民需求, 提高居民生活质量。
5.2 讨论现代城市社会是一个不断分化的过程, 在空间上首先体现在家庭生活和就业场所的分化与分离, 接着是生活方式与场所的分化与分离。居住场所、就业场所和消费休闲场所都被放到适当的空间位置上, 相互作用与制约并保证一定比例的平衡关系, 才能发挥城市系统的整体功效, 满足居民日常行为对空间的需求。
手机信令数据为空间识别提供了可能, 手机时空数据可以全面动态的揭示城市居住空间、就业空间和消费休闲空间状况, 通过人们时空行为与活动空间的互动关系, 客观认识城市功能空间, 以此加深对长春市居住体系、就业体系、消费休闲体系的认知, 明确各类空间的位置与能级, 并与城市规划和居民传统认知作对比, 从而认识城市真正在发生的空间关系, 而不是规划构想的空间关系。本文设置的消费休闲活动空间的提取方法可能会掩盖部分中心人口高密度区也属消费休闲活动区的事实, 因此在进行该类活动分析时, 也需要结合休息日人口密度分布状况展开。
由于手机信令数据依靠基站定位, 精度较粗, 加之大数据可提供数据准确把握活动空间的时空变化, 但难以探究现象间的因果关系的事实, 未来随着研究的深入和更加翔实数据的获取, 采用将手机信令数据与传统问卷调查相结合的研究方法, 通过影响因素或机制的分析深入探究城市活动空间分异特征, 从而不断优化城市活动空间相关研究。
| [1] | 柴彦威, 申悦, 马修军, 等. 北京居民活动与出行行为时空数据采集与管理[J]. 地理研究, 2013, 32(3): 441-451. [Chai Yanwei, Shen Yue, Ma Xiujun, et al. The collection and management of space-time data of individual behavior based on location-based technologies:A case study of activity-travel survey in Beijing[J]. Geographical Research, 2013, 32(3): 441-451. ] |
| [2] | Horton F E, Reynolds D R. Effects of urban spatial structure on individual behavior[J]. Economic Geography, 1971, 47(1): 36-48. DOI:10.2307/143224 |
| [3] | Chapin F S. Human activity patterns in the city[J]. Queen's Quarterly, 1974, 29(12): 463-469. |
| [4] | Carpenter S, Jones P M. Recent Advances in Travel Demand Analysis[M]. Alder-shot: Gower, 1983: 385-400. |
| [5] | Hanson S, Johnston I. Gender differences in work-trip length:Explanations and implications[J]. Urban Geography, 2010, 6(3): 193-219. |
| [6] | Gordon P, Kumar A, Richardson H W. Gender differences in metropolitan travel behaviour[J]. Regional Studies, 1989, 23(6): 499-510. DOI:10.1080/00343408912331345672 |
| [7] | Bromley R D, Tallon A R, Thomas C J. Disaggregating the spacetime layers of city-center activities and their users[J]. Environment and Planning A, 2003, 35(10): 1831-1852. DOI:10.1068/a35294 |
| [8] | Naess P. Accessibility, activity participation and location of activities:Exploring the links between residential location and travel behaviour[J]. Urban Studies, 2006, 43(3): 627-652. DOI:10.1080/00420980500534677 |
| [9] | Song C M, Qu Z H, Nicholas B, et al. Limits of predictability in human mobility[J]. Science, 2010, 327(5968): 1018-1021. DOI:10.1126/science.1177170 |
| [10] | González M C, Hidalgo C A, Barabási A L. Understanding individual human mobility patterns[J]. Nature, 2008, 453(7196): 779-782. DOI:10.1038/nature06958 |
| [11] | Golledge R G, Stimson R J. Spatial behavior:A geographic perspective[J]. Economic Geography, 1998, 74(1): 83-85. DOI:10.2307/144350 |
| [12] | 柴彦威, 沈洁. 基于活动分析法的人类空间行为研究[J]. 地理科学, 2008, 28(5): 594-600. [Chai Yanwei, Shen Jie. Activity-based approach to human spatial behavior research[J]. Scientia Geographica Sinica, 2008, 28(5): 594-600. DOI:10.3969/j.issn.1000-0690.2008.05.002] |
| [13] | 沈洁, 柴彦威. 郊区化背景下北京市民城市中心商业区的利用特征[J]. 人文地理, 2006, 21(5): 113-116. [Shen Jie, Chai Yanwei. Study on residents' utilization of downtown retail center in Beijing in the context of city suburbanization[J]. Human Geography, 2006, 21(5): 113-116. DOI:10.3969/j.issn.1003-2398.2006.05.025] |
| [14] | Wang D, Chai Y. The jobs-housing relationship and commuting in Beijing, China:The legacy of Danwei[J]. Journal of Transport Geography, 2009, 17(1): 30-38. |
| [15] | 王波, 甄峰, 魏宗财. 南京市区活动空间总体特征研究——基于大数据的实证分析[J]. 人文地理, 2014, 29(3): 14-21, 55. [Wang Bo, Zhen Feng, Wei Zongcai. The research on characteristics of urban activity space in Nanjing:An empirical analysis based on big data[J]. Human Geography, 2014, 29(3): 14-21, 55. DOI:10.3969/j.issn.2095-0446(h).2014.03.004] |
| [16] | 丁亮, 钮心毅, 宋小冬. 基于移动定位大数据的城市空间研究进展[J]. 国际城市规划, 2015, 30(4): 53-58. [Ding Liang, Niu Xinyi, Song Xiaodong. Urban spatial studies with big data of mobile location:A progress review[J]. Urban Planning International, 2015, 30(4): 53-58. ] |
| [17] | 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, 39(9): 100-106. [Ding Liang, Niu Xinyi, Song Xiaodong. Identifying the commuting area of Shanghai central city using mobile phone data[J]. City Planning Review, 2015, 39(9): 100-106. ] |
| [18] | Schwanen T, Dijst M, Dieleman F M. A microlevel analysis of residential context and travel time[J]. Environment and Planning A, 2002, 34(8): 1487-1508. DOI:10.1068/a34159 |
| [19] | Becker R A, Caceres R, Hanson K, et al. A tale of one city:Using cellular network data for urban planning[J]. IEEE Pervasive Computing, 2011, 10(4): 18-26. DOI:10.1109/MPRV.2011.44 |
| [20] | 田金玲, 王德, 谢栋灿, 等. 上海市典型就业区的通勤特征分析与模式总结——张江、金桥和陆家嘴的案例比较[J]. 地理研究, 2017, 36(1): 134-148. [Tian Jinling, Wang De, Xie Dongcan, et al. Identifying the commuting features and patterns of typical employment areas in Shanghai using cellphone signaling data:A case study in Zhangjiang, Jinqiao and Lujiazui[J]. Geographical Research, 2017, 36(1): 134-148. DOI:10.3969/j.issn.1004-9479.2017.01.014] |
| [21] | 丁亮, 钮心毅, 宋小冬. 上海中心城就业中心体系测度——基于手机信令数据的研究[J]. 地理学报, 2016, 71(3): 484-499. [Ding Liang, Niu Xinyi, Song Xiaodong. Measuring the employment center system in Shanghai central city:A study using mobile phone signaling data[J]. Acta Geographica Sinica, 2016, 71(3): 484-499. ] |
| [22] | 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 areas 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. ] |
| [23] | Ahas R, Mark Ü. Location based services:New challenges for planning and public administration[J]. Futures, 2005, 37(6): 547-561. DOI:10.1016/j.futures.2004.10.012 |
| [24] | 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. DOI:10.3969/j.issn.1000-3363.2014.06.009] |
| [25] | 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. [Zhong Weijing, Wang De, Xie Dongcan, et al. Dynamic characteristics of Shanghai's population distribution using cell phone signaling data[J]. Geographical Research, 2017, 36(5): 972-984. ] |
| [26] | Wang P. Understanding the spreading patterns of mobile phone viruses[J]. Proceedings of the National Academy of Sciences, 2009, 106(20): 8380-8385. DOI:10.1073/pnas.0903144106 |
| [27] | 湛东升, 张文忠, 孟斌, 等. 北京城市居住和就业空间类型区分析[J]. 地理科学, 2017, 37(3): 356-366. [Zhan Dongsheng, Zhang Wenzhong, Meng Bin, et al. Spatial structure of urban residence and employment in Beijing[J]. Scientia Geographica Sinica, 2017, 37(3): 356-366. ] |
| [28] | ESRI. ArcGIS帮助10.1.分组分析的工作原理[EB/OL].(2014-05-01)[2017-10-15]. http://resources.arcgis.com/zh-cn/help/main/10.1/index.html#/na/005p0000004w000000/. [ESRI. ArcGIS Help10.1. Working principle of grouping analysis[EB/OL].(2014-05-01)[2017-10-15]. http://resources.arcgis.com/zh-cn/help/main/10.1/index.html#/na/005p0000004w000000/.] |
| [29] | 张鸿雁. 城市形象与城市文化资本论——中外城市形象比较的社会学研究[M]. 南京: 东南大学出版社, 2002: 21. [Zhang Hongyan. Urban Image and Urban Cultural Capital:A Sociological Study of Urban Image Comparison Between China and Foreign Countries[M]. Nanjing: Southeast University Press, 2002: 21.] |
| [30] | 王兴中, 王立, 谢利娟, 等. 国外对空间剥夺及其城市社区资源剥夺水平研究的现状与趋势[J]. 人文地理, 2008, 23(6): 7-12. [Wang Xingzhong, Wang Li, Xie Lijuan, et al. The status and trend of researches on deprivation of space and city community resources abroad[J]. Human Geography, 2008, 23(6): 7-12. DOI:10.3969/j.issn.1003-2398.2008.06.002] |
| [31] | 申庆喜, 李诚固, 胡述聚. 长春市居住与工业空间演进的耦合性测度及影响因素[J]. 人文地理, 2017, 32(1): 62-67. [Shen Qingxi, Li Chenggu, Hu Shuju. The coupling measure and driving forces of the evolution of residential and industrial space in Changchun[J]. Human Geography, 2017, 32(1): 62-67. ] |
| [32] | 廖邦固, 徐建刚, 宣国富, 等. 1947-2000年上海中心城区居住空间结构演变[J]. 地理学报, 2008, 63(2): 195-206. [Liao Banggu, Xu Jiangang, Xuan Guofu, et al. Evolution of residential space structure in Shanghai central city based on land use[J]. Acta Geographica Sinica, 2008, 63(2): 195-206. DOI:10.3321/j.issn:0375-5444.2008.02.009] |