2. 江苏省智慧城市设计仿真与可视化技术工程实验室, 南京 210093
2. Provincial Engineering Laboratory of Smart City Design Simulation & Visualization, Nanjing 210093, China
随着以5G为代表的新一代信息通讯技术(information and communication technology,ICT)不断创新突破,中国加速进入数字化、网络化、智能化深入发展的智慧社会时代,而手机网民成为这一时代最庞大的数字人群。截止2020年12月,我国网民中使用手机上网比例为99.7%,规模达9.86亿人[1]。移动互联网应用(application,简称APP)以其便利性、易上手性和超高覆盖率逐渐成为居民维系日常生活的重要组成,为居民的工作、生活及出行方式提供了丰富多元的功能体验。新冠疫情期间,实体空间的隔离促使居民更加依赖互联网连接,居民上网意愿、上网习惯加速形成,网络购物、网上外卖、休闲娱乐、工作学习、政务民生等各类APP的重要性更加凸显[2]。
线上服务推动了居民日常行为模式和生活空间的重构[3]。居民原有出行行为被部分取代,工作、消费及文化行为脱离地理空间束缚融入日常线上生活中[4]。空间距离限制减弱、时间影响逐步凸显,线上生活空间进一步延伸到线下实体生活空间,使用APP等数字媒介进行线上与线下行为的交互融合促使城市生活空间日趋呈现出多样化、复合化等特征[5]。社交娱乐方面,手机游戏、微信等软件的普及改变了人群的娱乐活动方式,一定程度上替代了实体的社会交往空间;办公学习方面,钉钉、腾讯会议等软件的出现促使人群可以足不出户且随时随地进行办公学习,推动了家庭、咖啡馆等空间的功能转型;商业服务方面,O2O模式出现,即时配送的线上购物行为等对线下购物行为具有一定的替代性[6],其推动了以O2O零售业为主的线下实体商业空间布局特征转变。
现有针对手机APP的研究主要聚焦于对城市空间的表征和对个体行为的影响机制。一方面,有研究利用APP使用数据表征和监测城市人群分布和空间布局规律。例如,通过twitter语义信息分析进行人类社会活动判断,并研究人群的时空聚集特征[7],通过大众点评网络口碑度分析城市不同等级商业及餐饮空间布局[8],通过新浪微博数据统计人口密度及人群变迁情况从而探讨中国区域与城市空间功能转变[9]等。另一方面,也有研究关注了APP使用对居民感知和行为影响机制。国内有研究分析了抖音(Tiktok)为代表的APP对城市形象塑造的积极影响[10];而国外则更加关注其对居民心理感知的影响,特别是新冠疫情期间以来医疗知识类短视频传播给人群生理卫生认知和行为带来的转变[11, 12]。可以看出,现有研究关注的APP使用类型相对单一,空间分析以大尺度为主,缺少对不同类型APP使用特征及其在空间上分布规律的探讨。早期针对居民线上行为研究主要采用问卷调研等小数据方法,讨论居民个人经济社会属性、职住属性与信息化程度、网络依赖程度的相关性[13, 14]。但由于技术的快速涌现与更迭推动线上行为的快速变化,传统统计调查方式存在一定滞后性[15],且受样本数量等因素的限制,研究结果往往难以全面反映信息通讯技术在空间上对不同居民群体的扩散规律[16],目前研究主要集中于讨论O2O模式等商业服务的效率扩散(efficiency hypothesis)[17]或技术扩散模式(innovation diffusion hypothesis)[18]转变。随着大数据带来的更丰富数据量及更低的获取成本,从大数据层面对用户APP使用行为监测与分析成为热点[19],但不同人群使用APP偏好不同,其数据同样存在用户偏差,并不能代表整体居民的认知与行为变化[20]。因此,针对不同属性用户的APP使用偏好进行分类分析,精细化探讨不同群体线上行为模式及空间分布特征可能成为未来相关研究的重点。
综上,ICT影响下居民的认知、行为与活动都产生了颠覆性影响,且APP作为线上行为的重要载体已经渗入到居民工作、购物、娱乐等日常生活中。然而已有研究对居民APP使用的空间分布规律关注不足,尤其缺少对不同人群属性、不同APP类型的分类对比。基于此,本文使用手机信令数据等多源数据类型[21],分析不同年龄段居民APP使用情况及其空间分布差异,进而讨论新技术的空间扩散规律。研究剖析智慧社会时代居民需求与线上行为习惯转变方向,有利于丰富居民线上行为研究框架,为未来智慧居住区、智慧社区的建设方向提供理论依据,从而为以人为本的智慧城市建设提供参考。
2 研究思路与方法 2.1 研究区概况南京市是江苏省省会、副省级市、南京都市圈核心城市。作为国家首批智慧城市建设试点城市,该市在“互联网+政务”、“互联网+民生”等领域已经展开了一定探索,居民信息化水平普遍较高,居住区配套服务较为齐全。中心城区作为南京人口集聚区,其人群APP使用类型多样且使用强度高,且城区内部居住区由于建设要求在建成年份、服务对象方面存在较大差异性。依照《南京城市总体规划(2018—2035)规划草案》,南京市中心城区主要分为江南主城和江北主城两部分,并规划有4个市级中心,3个市级副中心和25个地区级中心(图 1)。本文选取南京市中心城区作为实证研究区域,并识别中心城区内2536个小区作为空间研究单元,具体包括保障房38个,老旧小区507个,一般商品房1991个。
本文使用数据主要包括手机信令数据和地理空间数据两类。其中,地理空间数据主要为QuantUrban提供的小区数据轮廓数据,根据南京保障性住房规划以及截止2020年南京老旧小区整治名单数据,将居住区分为一般商品房、老旧小区及保障房3类。手机信令数据为中国联通提供的2019年6月手机信令数据,具体字段包括性别、用户驻留地、用户类型、年龄、APP名称、APP使用时长。
首先,通过居民夜间驻留位置和时间识别长期居住在本地的用户人群,共识别出1332579个样本作为本文研究对象。因社会文化、制度、经济和政治因素的差异,各国年龄阶段划分有所不同,根据世卫组织年龄划分以及国家七普数据划分方式,本次年龄结构将样本划分为0—18岁儿童及青少年人群,19—39岁青年人群,40—59岁中年人群和60岁以上老年人群,其比例约为1:13:5:1。进一步,根据《城市居住区规划设计标准(GB50180-2018)》中规划生活分类标准及《第44次中国互联网络发展状况统计报告》中提出的APP研究方向及划分类型,对1744个APP月度使用数据进行统计,对使用率超过50% 的APP进行即时通信、休闲娱乐、网络购物、生活服务等多个常用类型划分。
其次,将包含APP使用情况及年龄等属性的样本与居住区进行空间连接,以居住区为单元分析APP使用率及使用强度,从而反映南京本地用户APP使用现状。由于隐私与数据技术限制,人群实时使用APP地点获取难度高,居住区作为提供日常服务的主要场所,也是未来生活圈优化重点,从居住区分析利于从宏观尺度上对居民APP使用情况进行讨论具有现实意义。最后,在空间特征分析中采用自然间断点分类,并进行热点分析,研究空间特征现状以及新技术影响下不同人群的线上APP使用行为的空间扩散规律特征,探讨其是否符合效率假说即城市非中心,不发达的地区由于获取各类服务不便,通过线上行为获取服务从而提升效率,或符合技术扩散假说即越靠近城市中心,发达地区由于技术、消费者水平较高,线上行为更易扩散。
2.3 分析方法 2.3.1 APP使用率及使用强度APP使用率为使用APP的总人数与上网总人数之间的比值,通过统计分析使用率可对居民整体使用APP特征进行分析,从而判别高频使用的APP类型。
(1) |
式中,Xi表示APP使用率,Pi表示使用该APP的总人数,Qi表示上网总人数。
APP使用强度为使用APP的总时间(h)与使用APP的总人数之间的比值,通过统计分析使用强度并进行年龄、居住去类型的比较,从而表征线上行为及空间分布特征。
(2) |
式中,Xmn表示APP使用强度,m表示APP使用类型,n代表第n个年龄区间或研究区域内第n个小区,Tmn表示第n个年龄区间或研究区域内第n个小区APP使用时间(h),Pmn表示第n个年龄区间或研究区域内第n个小区使用人数。
2.3.2 热点分析研究采用热点分析(Getis-Ord Gi*)观察不同年龄段人群分布特征及APP使用强度空间分布特征。根据在一定的分析规模内的所有要素,统计识别具有统计显著性的热点和冷点,通过得到的z得分和p值,判断高值或低值要素在空间上发生聚类的位置。对于具有显著统计学意义的正的z得分,z得分越高,高值(热点)的聚类就越紧密,反之负z得分越低,低值(冷点)的聚类就越紧密。本文以各居住区中心点为分析对象,分年龄统计显著性的高值(热点)和低值(冷点)空间聚类情况,以置信区间+3到-3、+2到- 2、+1到-1分别反映置信度为99%、95%、90% 的统计显著性,置信区间0中要素的聚类则不具有统计显著性。
3 南京居民APP使用特征分析根据手机信令数据对不同年龄段人群使用APP的时间进行统计分析,主要从儿童及青少年、青年、中年及老年人群进行APP使用率特征分析,并将高频APP分为休闲娱乐、网络购物及生活服务三类进行使用强度分析,可以得到以下特征。
3.1 统计分布特征 3.1.1 整体使用特征人群使用率超过50%的APP有25个(图 2),以服务为主的休闲娱乐类、网络购物类及生活服务类APP,和以社交为主的即时通信类APP已经成为人群日常生活高使用率APP,且儿童及青少年、青年等年轻人群APP使用率较中、老年人群更高。人群日常高频使用率中即时通讯类代表APP为微信、QQ,休闲娱乐类APP代表为抖音短视频、新浪微博、腾讯视频,网络购物类APP代表为淘宝、京东、拼多多,生活服务类APP代表为美团、大众点评。微信及QQ使用率在全年龄段位列前二、使用率超97%,网络社交已经成为人群交流的重要构成方式。其次,涉及人群日常生活服务中,休闲娱乐类腾讯视频占75%、新浪微博占65%、抖音短视频占53%,网络购物类手机淘宝占95%,京东占86%,天猫占81%,近88% 的网民会使用网上购物功能;在涉及日常生活餐饮、买菜等生活服务类APP中美团占65%、大众点评占51%,目前已经超过50% 的人开始使用日常采购及服务类APP。年龄结构方面,整体APP使用率随着年龄增长递减。虽然儿童及青少年人群上网总人数较少,但其使用APP进行线上活动的频率更高,且偏好于休闲娱乐类APP,说明儿童及青少年对利用APP进行日常娱乐这一途径接受度更高。青年及中年人群则更偏向于网络购物及生活服务类APP,说明在网络上进行日常生活购物逐步融入目前大多数工作人群的生活中。老年人群则更加聚焦在微信、QQ等社交、即时通讯软件中,与亲人、朋友沟通交流成为他们日常生活的重要部分即时通讯软件为老年人提供了与朋友、晚辈增加沟通的机会。另外老年人在休闲娱乐、网络购物与生活服务等类型APP中平均使用率低于50%,网络支付等手段与老年人使用现金习惯产生冲突,目前大多数老年人仍旧需要在线下获取的日常需求。
本次研究从休闲娱乐、网络购物与生活服务三类使用频率较高的APP类型进行使用强度分析(图 3),整体来看人群在休闲娱乐上使用强度最高,网络购物次之,日常服务最末。休闲娱乐其作为时间消耗性活动,该类APP本身使用时间较长,以短视频为主的抖音短视频类使用方式简单且接触门槛更低,儿童及青少年、老年人的使用强度更高,以文字类为主的新浪微博则主要以青年与中年为主。网络购物类APP由于其经济属性的存在,分析发现儿童及青少年、青年人群相较价格对品牌等更加关注,所以偏向于覆盖面更广、品牌更多的手机淘宝,而中年及老年人群对价格更加敏感,偏向于价格更加便宜、有更多优惠的拼多多,京东以数码产品为主打,使用人群以青年人为主其整体使用强度偏低。生活服务类APP中年人使用强度最高,不考虑暂无日常生活支出的儿童及青少年人群、偏向于线下购买的老年人群,在18至59岁年龄尺度内生活服务类APP的人群覆盖率较高,联系使用率可以发现外卖、买菜等生活服务功能逐步成为重要生活工具。
以居住区为单位统计休闲娱乐、网络购物、生活服务三类APP使用强度,采用自然间断点法将使用强度分为低、较低、中、较高、高五类,针对不同年龄段居民进行空间分布特征分析。
3.2.1 整体空间分布特征三类APP的高强度空间分布特征与南京市城市中心体系基本保持一致(图 4),围绕在商业及公共服务集聚中心周边的居住区APP使用强度较高,说明从居住区角度来看APP使用强度特征的空间分布规律符合技术扩散假说而不符合效率假说,即越发达、消费水平越高的地方由于信息通讯技术扩散更快,人群对APP使用也更加频繁。该情况在江南江北主城也有所呈现,江北主城的APP使用强度上较江南主城更低,其原因为江北主城目前尚处于开发状态中,其商业、生活环境氛围相较城南主城仍存在一定差距。整体来看高使用强度空间可以分为两类,一是围绕在新街口中心、河西中心等市级中心,东山等市级副中心以及各类地区级中心的城市商业集聚区以及生活服务较为发达的居住中心,二是以孝陵卫片区、仙鹤片区为代表的大学周边小区集聚区,这些大学周边同样具有一定规模的商业活动与公共服务空间。
对比三类APP的使用强度及空间分布差别(表 1),休闲娱乐类和网络购物类APP分布特征基本相似,且各程度的居住区数量分布比例一致性较高。从各类型来看,休闲娱乐类APP各强度程度皆明显高于网络购物及生活服务类APP,休闲娱乐作为时间消耗性APP类型,其本身具备的广泛性和零成本使用性。网络购物类APP使用强度程度偏高的居住区更多,这说明网络购物在人群之间的使用强度差异性并不高,结合使用率再次印证了网络购物已经成为人群享受消费服务的常态。生活服务类APP因使用强度整体偏低,分布特征不够凸显,且通过居住区数量的分析发现,生活服务类APP相较于其他两类使用人数更少、使用时长更短,使用强度与居住区的数量呈现负线性关系,这说明日常服务中实体空间仍承担较多功能。总结分布特征,现有APP使用强度分布在空间层面上来看,更靠近城市中心的地方,线上行为也更加频繁,且由于不同线上行为泛用性和自身使用时间差异,也会导致使用强度差异。
以居住区为对象,对比分析18岁以下儿童及青少年人群,19—39岁青年人群,40—59岁中年人群及60岁以上老年人群的人群数量分布热点与APP使用强度分布热点,深入讨论不同年龄段的空间使用强度分布特征(图 5)。
从儿童及青少年人群来看,休闲娱乐类和网络购物类的热点地区主要集中在江南主城区的北部红山—丁家庄片区及南部东山副中心片区,而生活服务类热点地区主要集中在江东门片区,整体上与人群集中热点存在一定差距,特别是在新街口中心片区的热点有所偏离,仅东山副中心片区使用强度热点与人群分布热点相一致。从青年人群来看,人群分布热点和APP使用热点在新街口地区保持一致,人群的休闲娱乐类和网络购物类的热点地区同样分布在商业中心片区及孝陵卫大学聚集区周边的小区片区,而生活服务类热点地区则集中在新街口与东山副中心两个片区。中年人群使用强度热点与中年人人群空间分布差异较大,存在冷热点相反情况,生活服务的使用强度热点同样偏离了新街口中心片区,在红山—丁家庄片区、孝陵卫片区及东山副中心更具热点特征。从老年人群来看,可以发现与人群集中在新街口不同,三类APP使用强度热点都聚集于东山副中心周边的小区。
对比不同年龄段可发现,休闲娱乐类和网络购物类APP的使用强度热点在各年龄段皆存在空间分布的相似性。整体上儿童及青少年、青年两个年龄段使用强度集聚热点与城市商业居住中心一致性较高,更符合技术扩散假说,但是在中年人群以及老年人群中使用强度出现了偏离新街口城市中心的现象,而在其他副中心的热点更高,与技术扩散假说并不贴合但不符合效率假说。分析一定程度上说明儿童及青少年、青年人群技术接受程度会更高,特别是相较老年人群对技术的接受度方面有明显差距。东山副中心各使用强度热点皆较为突出,是老年人群三类使用强度热点聚集地。新街口片区作为老旧小区集聚区有较多老人独住的情况,而该片区作为城南江宁新主城片区,其小区皆为2000年后新建成小区,集聚的老年人群年龄更加年轻化。且部分老年人存在与亲人同住现象,一定程度上从侧面反映了老年人群在亲人的帮助之下更有可能学习手机、APP等智能设备并利用其进行日常生活。
3.2.3 各居住空间类型使用特征结合一般商品房、老旧小区及保障房三类居住地,进一步剖析不同年龄段APP使用行为特征(图 6),分析结果显示居住在老旧小区中的人群APP使用强度情况略高于一般商品房,但相差不明显,而保障房类型的居住地中居住的各类人群对APP的使用强度皆相较其他两类人群明显偏低。南京老旧小区主要位于以新街口为辐射点的鼓楼区、玄武区等城市中心地带及江北主城区的小部分地区,保障房则位于远离市中心的城市边缘地带并与城市各商业居住中心较为偏离,结合该空间分布情况可再次验证高使用强度分布地与城市中心之间存在相似性分布,与技术扩散假说吻合。在APP类型中,可以发现休闲娱乐类APP在三类居住地之中使用强度差异最为明显,一般商品房及老旧小区两类居住地差异较小,人群差异主要存在于儿童及青少年、青年及中年三类中,老年人群整体使用偏低差异不显著。整体来看,南京市保障房作为经济收入水平及受教育程度较低的人群居住集聚地,其三类APP使用强度低,一定程度上反应人群经济社会属性与APP使用强度存在相关性。而保障房居民使用网络购物类APP的强度虽低于其他两类人群,但差异在20分钟以内,说明网络购物类APP其在成为日常使用工具后经济属性门槛大大减弱。
本文基于用户APP使用数据,分析了休闲娱乐、网络购物及生活服务三类APP使用率和使用强度的统计和空间特征,并简要探讨了影响使用行为的因子,研究扩展了对居民线上行为的分析思路,为智慧社会背景下以人为本的城市规划与治理提供参考。研究主要结论有:
(1)即时通信、休闲娱乐、网络购物与生活服务等类型APP成为人群高频使用APP,不同年龄段人群偏好存在差异。在网络上进行社交、娱乐、购物、外卖餐饮等行为已经融入现有年轻人群日常生活中,且在老年人群中有一定增强。不同年龄段存在APP使用偏好,儿童及青少年和老年人群偏向于使用休闲娱乐功能,青年及中年人群偏向于使用网络购物、生活服务功能,且从网络购物类APP分析中发现,儿童及青少年、青年人群对品牌等社会属性更有要求,而中年、老年人群对价格等经济属性更加敏感。
(2)休闲娱乐、网络购物及生活服务三类APP使用强度空间分布特征有差异,但皆与城市中心体系存在强关联性,符合技术扩散假说。城市越发达的地方新技术扩散越快,人群线上活动频率较高,并未出现因居住在远离城市中心、不发达的地方而多使用APP进行效率补偿的情况。APP高强度集聚区与城市中心分布基本吻合,分布区类型为商业集聚区、大型居住中心以及大学、景点等周边的小区片区。休闲娱乐类APP由于其泛用性和零成本使用性,空间整体使用强度相较其他两类更高,网络购物类APP高强度使用人群偏多,成为日常进行购物消费的常态模式。
(3)不同年龄的居民使用强度热点空间分布特征存在偏差,不同居住区类型使用强度存在差距。整体上儿童及强少年、青年人群使用强度热点与城市商业居住中心相似度较高,符合技术扩散假说。老年人群三类APP使用强度低,其使用热点偏离城市中心,而主要位于以新建居住区为主的城市副中心。一般商品房与老旧小区中居住的人群APP使用强度差距较小,但两者与保障房居住区使用强度差距明显,收入及受教育程度相对偏低的人群集聚的保障房类型居住区,其三类APP使用强度都较低。
4.2 讨论本次研究从日常生活服务角度出发,主要针对休闲娱乐、网络购物及生活服务三类高频使用APP进行讨论,尚未对学习、教育、通信及政务等其他日常使用APP进行深入分析,未来在APP类型覆盖面上有待拓展。其次,本次研究以居住区作为空间分析单元,是因居住地作为日常服务提供的重要场所,也是未来智慧城市建设、生活圈建设的重要方向,较多的生活服务设施也主要围绕居住地进行配套展开,所以以居住区为分析对象进行讨论可为实践规划进行参考。但本次研究由于数据及技术限制,尚未考虑人群实时使用APP空间地理信息,且针对不同年龄段人群,居住地、工作地、学习地以及周末固定休憩地等空间都将对人群的APP使用行为产生影响,这些研究可在未来进行更加深入的思考与讨论。另外,本文从人群属性、居住地特征等侧面角度对APP使用行为的影响因子进行了一定合理的推测,例如对居住在新建居住区的老年人其可能由于与亲人同住情况较多,所以相较独居的老年人更易进行线上行为;保障房居住区其代表的收入教育水平偏低的人群其APP使用情况也偏低。但并未对影响机制进行精确分析,未来可考虑在拓展日常生活APP类型的基础上,利用建成环境及问卷调研数据进行大小数据相结合,对新时代居民线上行为影响因子进行深入探讨,补充线上行为相关研究内容及框架。
本次研究针对不同经济收入水平、不同建成环境条件下的居民进行精准化智慧发展需求研究。在目前对手机APP相关研究较为单一化的情况下,本文期通过多源数据宏观讨论不同人群新时代的线上行为模式及其空间分布规律、技术扩散规律,在理论上拓展手机信令数据APP数据类型的分析方法,补充对各类居民综合线上行为的理论分析研究,进一步对智慧技术与空间分布关联进行讨论。此外,在城市发展中,智慧社会时代下智能手机及APP成为居民日常生活工具的同时,也逐步成为政府进行疫情防控等城市管理的高效手段,但科技技术更迭使用也导致老年人等特殊群体生活无法及时适应变化,出现城市智慧化服务成为生活阻碍的情况。为促进智慧城市健康发展,研究智慧社会时代发展方向与智慧城市规划发展路径应当回归人本视角,从“以人为本”视角出发,为未来建设居住区智慧应用场景、智慧城市民生服务方向提供理论参考。
[1] |
中共中央网络安全和信息化委员会办公室. 第47次《中国互联网络发展状况统计报告》[M]. 北京: 中国互联网络信息中心, 2021: 1-2. [Office of the Central Cyberspace Affairs Commission. The 47th China Statistical Report on Internet Development[M]. Beijing: China Internet Network Information Center, 2021: 1-2.]
|
[2] |
牛强, 易帅, 顾重泰, 等. 面向线上线下社区生活圈的服务设施配套新理念新方法——以武汉市为例[J]. 城市规划学刊, 2019(6): 81-86. [Niu Qiang, Yi Shuai, Gu Zhongtai, et al. New concept and approaches to the reconfiguration of service facilities of online and offline community life circle: A case study of Wuhan[J]. Urban Planning Forum, 2019(6): 81-86.] |
[3] |
席广亮, 甄峰. 互联网影响下的空间流动性及规划应对策略[J]. 规划师, 2016, 32(4): 11-16. [Xi Guangliang, Zhen Feng. Space flow and planning response under internet impact[J]. Planners, 2016, 32(4): 11-16.] |
[4] |
何凌华. 互联网环境下城市公共空间的重构与设计[J]. 城市规划, 2016, 40(9): 97-104. [He Linghua. Restructuring and design of urban public space under internet environment[J]. City Planners, 2016, 40(9): 97-104.] |
[5] |
姜玉培, 甄峰. 信息通信技术对城市居民生活空间的影响及规划策略研究[J]. 国际城市规划, 2018, 33(6): 88-93. [Jiang Yupei, Zhen Feng. Study on the impact of ICT on urban residents' life-space and spatial planning strategy[J]. Urban Planning International, 2018, 33(6): 88-93.] |
[6] |
张永明, 甄峰. 建成环境对居民购物模式选择的影响——以南京为例[J]. 地理研究, 2019, 38(2): 313-325. [Zhang Yongming, Zhen Feng. The influence of built environment on the choice of residents' shopping modes: A case study of Nanjing[J]. Geographical Research, 2019, 38(2): 313-325.] |
[7] |
Steiger E, Westerholt R, Resch B, et al. Twitter as an indicator for whereabouts of people correlating Twitter with UK census data[J]. Computers, Environment and Urban Systems, 2015, 54: 255-265. |
[8] |
秦萧, 甄峰, 朱寿佳, 等. 基于网络口碑度的南京城区餐饮业空间分布格局研究——以大众点评网为例[J]. 地理科学, 2014, 34(7): 810-817. [Qin Xiao, Zhen Feng, Zhu Shoujia, et al. Spatial pattern of catering industry in Nanjing urban area based on the degree of public praise from Internet: A case study of dianping.com[J]. Scientia Geographica Sinica, 2014, 34(7): 810-817.] |
[9] |
Rizwan M, Wan W, Cervantes O, et al. Using location-based social media data to observe check-in behavior and gender difference: Bringing Weibo data into play[J]. ISPRS International Journal of Geo-Information, 2018, 7(5): 196-213. |
[10] |
谭宇菲, 刘红梅. 个人视角下短视频拼图式传播对城市形象的构建[J]. 当代传播, 2019(1): 96-99. [Tang Yufei, Liu Hongmei. The construction of city image by short video jigsaw communication from personal perspective[J]. Contemporary Communication, 2019(1): 96-99.] |
[11] |
Ostrovsky A M, Chen J R. TikTok and its role in COVID-19 information propagation[J]. Journal of Adolescent Health, 2020, 67(5): 730. |
[12] |
Zu A, Ewed B. Shelter in place, connect online: Trending TikTok content during the early days of the U.S. COVID-19 pandemic[J]. Journal of Adolescent Health, 2021, 68(5): 869-868. |
[13] |
席广亮, 甄峰, 魏宗财, 等. 南京市居民移动信息化水平及其影响因素研究[J]. 经济地理, 2012, 32(9): 97-103. [Xi Guangliang, Zhen Feng, Wei Zongcai, et al. Research on the residents' mobile information level and its influencing factors in Nanjing[J]. Economic Geography, 2012, 32(9): 97-103.] |
[14] |
朱寿佳, 甄峰, 秦萧, 等. 移动信息化时代居家网络依赖特征和影响因素研究——以南京市为例[J]. 人文地理, 2014, 29(2): 69-75. [Zhu Shoujia, Zhen Feng, Qin Xiao, et al. The features and the influencing factors of home network dependence in mobile information age: A case study of Nanjing[J]. Human Geography, 2014, 29(2): 69-75.] |
[15] |
王德, 李丹, 傅英姿. 基于手机信令数据的上海市不同住宅区居民就业空间研究[J]. 地理学报, 2020, 75(8): 1585-1602. [Wang De, Li Dan, Fu Yingzi. Employment space of residential quarters in Shanghai: An exploration based on mobile signaling data[J]. Acta Geographica Sinica, 2020, 75(8): 1585-1602.] |
[16] |
Anderson W P, Chatterjee L, Lakshmanan T R. E-commerce, transportation, and economic geography[J]. Growth & Change, 2003, 34(4): 415-432. |
[17] |
史坤博, 杨永春, 白硕, 等. 技术扩散还是效率优先——基于"美团网"的中国O2O电子商务空间渗透探讨[J]. 地理研究, 2018, 37(4): 783-796. [Shi Kunbo, Yang Yongchun, Bai Shuo, et al. Innovation diffusion hypothesis or efficiency hypothesis: Spatial penetration of online-to-offline e-commerce in China based on Meituan. com[J]. Geographical Research, 2018, 37(4): 783-796.] |
[18] |
张逸姬, 甄峰, 张逸群. 社区O2O零售业的空间特征及影响因素——以南京市为例[J]. 经济地理, 2019, 39(11): 104-112. [Zhang Yiji, Zhen Feng, Zhang Yiqun. Adoption of O2O strategies by community retailers in Nanjing[J]. Economic Geography, 2019, 39(11): 104-112.] |
[19] |
Tasse D, Hong J I. Using Social Media Data to Understand Cities [R]. Carnegie Mellon University: Human-Computer Interaction Institute, 2014.
|
[20] |
Yuan Y, Lu Y, Chow T E, et al. The missing parts from social media-enabled smart cities: Who, where, when, and what?[J]. Annals of the American Association of Geographers, 2020, 110(2): 462-475. |
[21] |
席广亮, 甄峰. 基于大数据的城市规划评估思路与方法探讨[J]. 城市规划学刊, 2017(1): 56-62. [Xi Guangliang, Zhen Feng. Exploring the ideas and methods of urban planning evaluation based on big data[J]. Urban Planning Forum, 2017(1): 56-62.] |