随着交通与信息技术发展，基于个体的位置感知设备普及，导致了时空大数据的出现。海量个体时空间位置信息反映了空间约束下的大规模城市活动特征，为从空间使用视角认知城市空间提供了新的数据基础。2012-2022年是时空大数据全面进入城市规划研究的十年。时空大数据改变了对城市空间的研究方式，表现为以下三点。其一，描述个体流动的时空大数据支持城市空间的人本化、社会化转向，而不局限于物质空间研究本身。其二，准实时获取的时空大数据支持城市空间研究过程化、动态化转向，克服了传统普查或社会调查的时间滞后性。其三，海量时空大数据为挖掘城市活动规律、理解城市空间运行机制提供了可能。

图1 时空大数据支持的城市空间研究方式改变

来源：作者自绘

本文将通过介绍时空大数据支持城市空间研究的典型文献，阐述时空大数据在城市规划研究中前沿议题。上篇聚焦行为与建成环境、城市治理两个领域中时空大数据应用。其中，行为与建成环境关注小尺度城市空间和行为活动的关系，城市治理则关注城市空间的社会问题。

时空大数据支持行为与建成环境研究，是通过观察个体活动和城市空间的关系，揭示城市建成环境要素是如何影响行为个体的空间使用和空间感知，进而对城市空间营造提供经验支持，具体可归纳为城市活力和城市意象两项研究议题。

城市活力研究源于Jane Jacobs（1961）的城市活力理论，从行为个体的空间使用视角出发，实证探索诸如功能混合、高密度等建成环境要素对于城市活力的影响。常见以人群分布密度来表征城市活力，传统研究中多采用人流计数法、访谈法等对小范围的人群分布动态进行量化测度，大范围采样则需通过五年一次或十年一次的人口普查或交通调查实现全样本的静态统计，存在采样范围、采样频率、采样周期上的局限性。

时空大数据能够实现城市人群分布时空间动态的大范围高频采集，对传统城市活力调查方法形成补充。Wu和Niu（2019）使用手机信令数据直接测度上海中心城区城市活动强度，基于一天中六个时段的活跃手机位置表征人群分布实时动态（图2）。研究发现混合用途和多样性、规模、老建筑、密度和边界等建成环境对城市活力有显著影响；且相比于工作时间，非工作时间城市活力更容易受到城市建成环境的影响。

图2 上海中心城区城市活力空间分布的多时段比较 

来源：WU W S, NIU X Y. Influence of built environment on urban vitality: Case study of shanghai using mobile phone location data[J]. Journal of Urban Planning and Development, 2019, 145(3): 04019007.

同样的方法也适用于城市公园活力研究。Donahue等（2018）基于Flickr 平台过去十年上传的照片和Twitter平台过去三年发布的推文对美国明尼苏达州双城都会区1581个城市公园和绿地的游客访问量进行测度（图3），计算游客年平均到访频次并与传统调查方法比较。研究验证了社交媒体数据作为公园访问代理的可靠性，并发现水景、便利设施、小径等建成环境对公园活力产生显著影响。

图3 美国明尼苏达州双城都会区1581个城市公园和绿地的到访频次比较

来源：DONAHUE M L, KEELER B L, WOOD S A, et al. Using social media to understand drivers of urban park visitation in the Twin Cities, MN[J]. Landscape and Urban Planning, 2018, 175: 1-10.

此外，多源时空大数据为探索城市活力的多样化内涵提供了可能，为探索城市活力和建成环境的关系提供了新的研究视角。Huang等（2020）在使用腾讯定位数据测度人群活动分布密度的基础上，分别使用微博数据和大众点评数据测度社交活动强度和经济活动强度，通过因子分析方法提取了综合城市活力指数。研究发现上海城市活力空间动态呈现多中心结构（图4），并指明水平建筑密度而非垂直高度是上海城市活力的主要来源。

图4 多维活力分析框架下的上海城市活力空间分布（虚线圆圈标注活力多中心）

来源：HUANG B, ZHOU Y L, LI Z G, et al. Evaluating and characterizing urban vibrancy using spatial big data: Shanghai as a case study[J]. Environment and Planning B: Urban Analytics and City Science, 2020, 47(9): 1543-1559.

时空大数据测度城市活力具备空间精度高且覆盖范围大、时间精度高且持续周期长的多维特征，能够支持长时间周期的演变研究与大范围多对象的比较研究，进而为城市活力与城市建成环境的定量关系研究提供了“大而精”的数据基础。

城市意象研究源于Kevin Lynch（1960）的城市意象理论，从行为个体的空间感知视角出发，对城市建成环境进行符号化抽象，揭示城市空间物理形态和居民心理意象（情感体验）的关系。Lynch采用问卷调查和草图绘制的方式获取城市意象。

时空大数据提供了个人到访特定地点的时空间信息与评价信息，为从实际出行行为和主观认知评价中提炼个体情感体验与心理意象提供了可能，对传统城市意象研究方法形成补充。Huang等（2021）基于Instagram和Twitter平台的社交媒体数据，使用聚类分析、核密度估计、图像识别和文本分析（情感分析和关键词搜索）方法对波兰北部三个城市地区的城市意象进行量化评估；同时结合传统问卷方法进行“大数据”和“小数据”的比较研究（图5）。研究证实社交媒体数据可以作为数字时代感知城市意象的可靠衡量标准，在社交媒体上识别的“区域”、“地标”、“路径”这三个元素与传统问卷方法调查结果具有较好一致性；与此同时不同社交媒体平台上被高频标记的访问地点具有差异化语义内涵，譬如Instagram上一般是建筑地标或旅游景点，而Twitter上往往是社区层面美好日常生活的承载地。

图5 基于Kevin Lynch五元素分析的城市意象

来源：HUANG J X, OBRACHT-PRONDZYNSKA H, KAMROWSKA-ZALUSKA D, et al. The image of the city on social media: A comparative study using “Big Data” and “Small Data” methods in the Tri-City Region in Poland[J]. Landscape and Urban Planning, 2021, 206: 103977.

时空大数据还有助于挖掘城市中不显眼但有趣的地方，对空间优化提供决策支持。Zhang等（2020）通过微博签到数据表征特定地点受欢迎程度，使用街道级图像表示地方物理环境，区分游客和当地人的不同活动模式（图6）。研究在北京发现了一些物理环境一般但很受本地人欢迎的餐厅、环境较好但不受欢迎的户外场所，为城市设计和空间规划提供着眼点。

图6 北京当地人和游客喜欢的地点

来源：ZHANG F, ZU J Y, HU M Y, et al. Uncovering inconspicuous places using social media check-ins and street view images[J]. Computers, Environment and Urban Systems, 2020, 81: 101478.

使用时空大数据结合图像文本数据，综合特定空间位置的到访频率和语义表达，能实现个体主观感知视角下的城市意象量化测度，为城市意象研究补充了时空间行为的视角。

时空大数据支持城市治理研究，是通过评估个体出行活动和语义表达，揭示行为背后所反映出的情感态度和社会矛盾，为治理城市空间中的社会问题提供了新的感知手段，具体可归纳为社区治理和空间公平两项研究议题。

社区治理研究是基于安全、包容、可持续的社区发展目标，需要规划从业者和政策制定者对社区所面临的状况保持及时而全面的了解。传统研究一般依靠人口普查和专项社会调查来评估社区的社会经济和人口变化，存在空间精度上的局限性和时间维度上的滞后性。

基于时空大数据识别的社区居民出行联系，有助于认知社区的空间使用和邻里结构，为社会分异、社区犯罪等问题提供研究手段。Shelton等（2015）通过社交媒体数据识别Louisville不同种族、收入人群的日常活动空间，来验证传统观念中的“9th Street Divide”，即以第九大街为物理边界的社会隔离是否发生。研究发现第九大街西侧以黑人为主、传统认为隔离程度更高的居民反而会更频繁地越过到白人一侧（图7），社会隔离表现出空间异质、时间隔离的双重特征。Saxon（2020）通过手机应用程序LBS数据测度社区居民出行联系，识别社区邻里结构。研究发现与周围环境更好融合、联系更为密切的社区表现出较低水平的暴力和财产犯罪。

图7 Louisville西区和东区居民活动空间的不均匀分布

来源：SHELTON T, POORTHUIS A, ZOOK M. Social media and the city: Rethinking urban socio-spatial inequality using user-generated geographic information[J]. Landscape and Urban Planning, 2015, 142: 198-211.

社交媒体平台上实时更新的本地居民和外来游客对于特定社区的认知评价信息，也为社区治理提供了决策依据。Kontokosta等（2021）使用社交媒体数据构建街区人气指数，基于Twitter平台上的发文量和评价内容对纽约市274个街区的关注度和声誉进行量化；并将2010-2017年间街区人气指数的变化与房地产价格的变化进行比较（图8）。研究发现，社交媒体不仅提供了公众对于社区态度转变的实时指标，还提供了社区构成和未来需求变化的预警作用。有助于规划者实时了解社区动态，并确定未来可能存在绅士化风险的社区，克服传统社会调查与普查方法中存在的时间滞后问题。

图8 社交媒体关注度、声誉和房地产价值之间关系的散点图（基于八年测量平均值）

来源：KONTOKOSTA C E, FREEMAN L, LAI Y. Up-and-Coming or Down-and-Out? Social media popularity as an indicator of neighborhood change[J]. Journal of Planning Education and Research, 2021, 0739456X21998445.

使用社交媒体数据可以从空间使用和情绪感知两个层面共同透视社区空间中的社会问题。通过对社区动态的实时追踪与量化分析，有助于实现社区规划的反馈、评估和调整，落实精细化的社区治理目标。

空间公平研究是城市治理长久以来关注的议题，在城市规划领域主要关注公园绿地、公服设施、公共交通等公共资源配置的公平性问题。传统空间公平研究往往是从供给端出发，基于设施可达性来衡量公平，但未能考虑个体真实出行。

使用时空大数据能够捕捉人的设施使用行为，从需求视角揭示城市公共资源配置中存在的不平等。Xiao等（2019）使用手机信令数据测度上海32个公园的到访游客，基于出行距离、休闲时长等出行活动指标来评估可达性（图9），基于洛伦兹曲线和基尼系数来评估绿色可达性的空间不平等。研究发现，在经历快速城市增长和转型的高人口密度背景下，即便出现社会分层和住房隔离，但社会公平是可以实现的。

图9 周末和工作日的出行距离分布。

来源：XIAO Y, WANG D, FANG J. Exploring the disparities in park access through mobile phone data: Evidence from Shanghai, China[J]. Landscape and Urban Planning, 2019, 181: 80-91.

基于空间正义的价值导向，在评估可达性基础上，可将个体社会经济属性纳入考量，进一步探究弱势群体在城市公共空间与资源使用中是否遭遇不公。Hamstead等（2018）使用地理标记的 Flickr 和 Twitter社交媒体数据捕捉纽约市2143个公园的使用动态，并探索其与邻里级别社会特征的关系。研究发现，公园访问量与公园所在街区内少数族裔比例呈负相关，这意味着少数族裔在进入公园时遇到障碍。Bai和Jiao（2021）基于美国Austin市共享电动滑板车使用记录结合人口统计数据，从使用机会与空间侵犯两个角度来探讨共享微交通的公平性。研究发现，少数族裔、低收入人口、身体残疾人三类弱势群体在使用共享微交通时处于不利地位（图10），老年人未遭遇显著不公平现象。

图10 Austin市共享共享微交通的使用机会指数得分

来源：BAI S H, JIAO J F. Toward Equitable Micromobility: Lessons from Austin E-Scooter Sharing Program[J]. Journal of Planning Education and Research, 2021, 0739456X211057196.

时空大数据为从需求视角解读空间公平问题提供了新的数据基础，支持城市规划实践中的城市公共设施与资源布局优化。当前，这类研究还局限于描述性的相关性研究，尚不能揭示个体社会属性和资源空间布局背后的约束性机制，对于空间公平现象的机理认知还有待进一步探索。

编　辑：周   方

初　审：张   允

审　核：何正国

审　签：钟家晖