鑽石舞台

時空大數據支持城市空間結構研究是基於動態的個體活動視角來揭示城市層面的靜態空間關係，是時空大數據在城市規劃研究中應用最為廣泛的領域。具體可歸納為中心體系和職住空間關係兩項研究議題。

城市空間結構中的中心體系研究，涵蓋形態多中心和功能多中心兩類研究視角。前者是基於城市活動分布密度來劃定城市中心；後者是基於城市活動聯繫強度來劃定城市中心。

時空大數據能夠實現人群活動分布和活動聯繫的大範圍測度，對於傳統中心體系研究中的基礎社會調查方法形成補充。較為典型如Sun 等（2016）基於密度分布視角，根據社交網絡簽到數據中的到訪頻次，通過聚類分析識別了德國三個城市（柏林、慕尼黑、科隆）的城市中心，並精確劃定了城市中心的空間邊界（圖1）。

圖1 三種聚類方法識別城市中心

來源：SUN Y R, FAN H C, LI M, et al. Identifying the city center using human travel flows generated from location-based social networking data[J]. Environment and Planning B: Planning and Design, 2016, 43(3): 480-498.

時空大數據還能夠實現人群活動分布和活動聯繫的長周期測度，支持城市中心體系的縱向比較研究。Zhong等（2014）基於聯繫強度視角，使用公交刷卡數據構建市民出行聯繫，通過網絡分析計算節點中心性、識別組群邊界。通過歷史數據比較，研究發現新的副中心和社區正在出現，新加坡正在向多中心城市形態發展（圖2）。

來源：ZHONG C, ARISONA S M, HUANG X F, et al. Detecting the dynamics of urban structure through spatial network analysis[J]. International Journal of Geographical Information Science, 2014, 28(11): 2178-2199.

在對城市中心體系進行量化測度的基礎上，時空大數據還可用於城市空間結構的經典模型驗證。例如，Van Meeteren和Poorthuis（2018）使用社交媒體數據驗證了中心地理論，以肯塔基州Louisville為例，基於地理標記推文識別消費出行，通過比較各類商業設施服務範圍和空間分布差異實證中心地理論中範圍（range）和閾值（threshold）的關係（圖3），並發現城市中心功能集群接近層次結構。

圖3 各類商業設施範圍（range）和閾值（threshold）的關係

來源：VAN MEETEREN M, POORTHUIS A. Christaller and 「big data」: recalibrating central place theory via the geoweb[J]. Urban Geography, 2018, 39(1): 122-148.

時空大數據測度中心體系能夠兼顧形態多中心和功能多中心雙重視角，且大範圍、長周期的數據採集能夠支持多城市的比較研究和多中心的演變研究，有助於深入揭示城市多中心的空間特徵與形成機制，同時為傳統城市模型驗證提供新的數據基礎。

職住空間關係是城市空間結構的經典議題，傳統研究中獲知城市層面職住分布及其通勤聯繫的手段有限，以人口普查和經濟普查為代表的普查數據往往只能獲知就業分布或居住分布，難以描述其通勤聯繫，且普查數據一般以街道或區縣為空間統計單元；交通調查雖然能夠獲知通勤聯繫，但是數據獲取成本較高，一般五或十年才進行一次。

時空大數據基於移動通信設備隨身攜帶的特性，能夠較為準確地估測出用戶的居住地、就業地，使得大範圍的基於個體的職住分布及其通勤聯繫測度成為可能。Long等（2015）使用公交刷卡數據識別持卡人居住地、就業地和通勤出行，並與居民出行調查結果相比較，證實了使用公交刷卡數據識別職住與通勤的可靠性；並分析了北京市三大典型居住區、六大典型辦公區的通勤模式（圖4）。Niu和Ding（2015）使用手機信令數據識別了上海中心城的通勤範圍（圖5），同時量化了中心城區和郊區新城的通勤聯繫，從而對上海市域範圍內的人口、產業布局提出職住平衡導向下的規劃政策建議。

圖4 北京主要通勤模式（箭頭表示從家到工作地點的方向，以TAZ為空間單元）

來源：LONG Y, THILL JC. Combining smart card data and household travel survey to analyze jobs-housing relationships in Beijing [J]. Computers Environment and Urban Systems, 2015, 53(S1): 19-35.

圖5 中心城通勤範圍

來源：Niu,Ding.利用手機數據分析上海市域的職住空間關係——若干結論和討論[J].上海城市規劃,2015(2):39-43.

在對職住分布和通勤聯繫進行量化測度和空間可視化的基礎上，使用時空大數據可進一步對通勤活動與職住空間分布的關係進行深入探索，有助於挖掘職住失衡背後的原因所在。Zhang等（2017）使用手機信令數據識別上海市民職住地，並對實際通勤、理論最小通勤、理論最大通勤進行可視化和對比分析（圖6）。研究發現上海市實際通勤與理論極值差異較大，基於職住空間分布現狀，理論上能實現6km內就近就業的工作者比例遠高於實際比例，說明工作崗位和住房之間可能存在不匹配。

圖6 上海的通勤流量

來源：ZHANG P, ZHOU J P, ZHANG T R. Quantifying and visualizing jobs-housing balance with big data: A case study of Shanghai[J]. Cities, 2017, 66: 10-22.

使用時空大數據測度職住空間關係能夠克服傳統研究中採樣精度、採樣頻率等局限，使得更大範圍、更細粒度且更具時效性的職住空間關係研究得以廣泛開展，引發了對於職住平衡、職住匹配、過剩通勤等諸多議題的關注。

時空大數據支持區域空間結構研究，是基於跨地級市層面的個體要素流動，來揭示功能聯繫視角下的區域空間關係，具體可歸納為城市網絡和功能性城市區域兩大議題。

城市網絡研究範式源於1990年代以後盛行的「流空間」理論，常見使用企業關聯、航空網絡等來測度區域空間結構網絡特徵。時空大數據的出現，為描述人流、物流等個體層面的城際出行聯繫提供了新的數據基礎。

通過時空大數據測度城際人員流動，根據流動頻次、時段等時空間特徵可進一步區分流動類型，支持城市網絡量化分析，實現城市層級比較、城市組群劃分等，進而為區域規劃提供決策依據。例如，Wang等（2021）使用手機信令數據構建長三角城市群城際出行網絡，分別從場所空間和流動空間兩個維度測算了長三角城市群的空間組織特徵（圖7）。研究發現，長三角城市群依然是穩定中心地體系，但逐步瓦解；區域形成了「一核多極」非均衡網絡結構。

圖7 最大、第二大城際出行聯繫劃分核心城市腹地

來源：Wang,Niu,Song.基於城際出行的長三角城市群空間組織特徵[J].城市規劃,2021,45(11):43-53.

在對城市網絡特徵進行量化分析的基礎上，時空大數據還可用於城際人員流動的影響因素探究。例如，Zhang等（2018）使用社交媒體數據構建長三角城市群城際聯繫網絡並劃分為若干城市組群（圖8），探討了行政邊界、自然條件、方言文化等物質空間與社會經濟要素對於區域內部組群形成的可能影響。

圖8 基於城際出行聯繫劃分的長三角城市分區

來源：ZHANG W Y, DERUDDER B, WANG J H, et al. Regionalization in the Yangtze River Delta, China, from the perspective of inter-city daily mobility[J]. Regional Studies, 2018, 52(4): 528-541.

使用時空大數據測度城市網絡沿用了城市網絡的研究範式。大數據展示的人員流動等城市關聯為城市網絡特徵刻畫提供了新的研究維度。

功能性城市區域研究是從功能聯繫視角來界定城市區域範圍，超越了傳統行政邊界的限制，定義為與核心城市有緊密規律性日常聯繫、頻繁發生社會經濟互動的城市連綿地域。

時空大數據用於功能性城市區域研究沿用了以通勤聯繫為代表的功能聯繫視角，通過測算就業活動分布密度、職住通勤聯繫流量，界定功能性城市區域範圍，探知「核心-邊緣」區域空間結構特徵。例如，Li和Niu（2021）使用手機信令數據測算職住功能聯繫，通過局部空間自相關識別就業活動分布的高密度連續區域，從而劃定上海巨型城市區域的核心範圍（圖9）。

圖9 基於就業分布高密度連續區劃定的上海巨型城市區域核心範圍

來源：LI K K, NIU X Y. Delineation of the Shanghai Megacity Region of China from a commuting perspective: Study based on cell phone network data in the Yangtze River Delta[J]. Journal of Urban Planning and Development, 2021, 147(3): 04021022.

除了「核心-邊緣」的研究視角，也有部分研究從網絡視角解讀時空大數據測得的通勤聯繫，採用網絡社區發現算法探知功能性城市區域的空間結構。例如，Zhang等（2020）使用手機信令數據構建了以珠三角60個子城市分區為節點的細粒度通勤網絡，檢測到存在兩個社區，並呈現為混合多中心區域空間結構（圖10）。

圖10 基於網絡社區算法探知珠三角的功能性城市區域網絡空間結構

來源：ZHANG W J, FANG C Y, ZHOU L, et al. Measuring megaregional structure in the Pearl River Delta by mobile phone signaling data: A complex network approach[J]. Cities, 2020, 104: 102809.

時空大數據突破了傳統功能性城市區域研究中以人口普查區或交通調查區等行政管理單元統計職住分布與通勤聯繫的局限，使得功能性城市區域的空間結構研究得以在實體地域上開展。

時空大數據與人的軌跡的耦合程度決定了應用的深度，時空大數據的感知方式決定了應用的方式。

時空大數據來源於隨人或物移動的位置感知設備，設備與人的軌跡耦合程度決定了數據能多大程度上揭示人的活動特徵。手機信令數據等來源於由人隨身攜帶的移動通信設備，能夠更全面地記錄人在城市空間中的活動全過程，在城市規劃研究中有更高的價值；浮動車數據等來源於交通運輸工具，只能記錄城市活動的局部片段，故在規劃研究中也存在一定的應用。

時空大數據根據數據感知方式可分為被動數據和主動數據。以手機信令數據、互聯網LBS數據為代表的被動數據，是指設備使用者在使用移動通信或網絡信息服務時，被自動採集的時空間位置記錄。被動數據因其被動感知特點，能夠較為完整地記錄活動的時空間特徵。以微博等社交平台簽到、帶有地理位置標記的推文等社交媒體數據為代表的主動數據，是指設備使用者主動上傳的活動記錄，通過語義解讀可以相對較為容易探知活動行為目的或用戶的情感態度信息。主動數據、被動數據均在城市規劃得到了應用。

圖11 時空大數據的類型與應用

來源：作者自繪

時空大數據使得大量行為個體在城市中的活動軌跡得以被連續記錄，個體活動受到城市建成環境的制約，大量個體的共同活動特徵反映了城市空間特徵，為從個體使用和感知視角支持城市規劃決策提供了新的數據基礎。

相比於傳統調查方法，時空大數據具備「大而精」的優勢，連續長周期、大範圍、細粒度的數據採集彌補了傳統普查數據在時間頻率和空間精度上的局限、訪談調查數據在樣本容量和空間範圍上的局限，是傳統研究方法的有效補充。

由於移動通信設備的普及率在不同社會經濟屬性人群中存在差異，尤其是移動社交網絡用戶存在明顯的年齡特徵，因此時空大數據還難以準確反映所有城市行為個體的共同行為特徵，存在一定程度的採樣偏差。

因此可以在全局使用時空大數據，同時在若干典型局部區域使用傳統社會調查方法進行抽樣，通過比較大數據和小數據的統計結果構成差異，為了解時空大數據採樣的偏差程度提供參考。

時空大數據支持城市規劃研究，目前還是在探究時空大數據所反映的城市活動特徵與建成環境等空間特徵之間的相關性，還不能用於城市預測。城市規劃的職責是應對未來，不只是認識、評價現狀。時空大數據預測城市活動變化、支持規劃預測，將是未來時空大數據在城市規劃研究中有待探索的前沿。