建成环境对城市不同年龄群体活力的时空异质性影响研究

城市活力是城市空间质量的重要体现,对构建可持续发展的城市空间具有重要参考意义。该文以西宁市主城区为例,利用手机信令数据探索城市不同年龄群体活力的空间分布模式,采用多元线性逐步回归模型和多尺度地理加权回归(MGWR)模型定量研究建成环境对城市不同年龄群体活力的时空异质性影响。研究发现:1)根据不同年龄群体活动能力和需求的差异可将活力空间分布模式划分为“离核紧凑型”“离核延伸型”“聚核延伸型”“聚核紧凑型”4种群体活力分布模式。2)建成环境对群体活力影响的群体差异和时空异质性显著。区位条件普遍影响各群体活力且具有稳健的时间变化特征;道路交叉口密度有利于青年和老年群体活力的提升,且白天影响力高于夜晚;公交线路数量仅与老年群体白天活力呈正相关关系;白天时段建筑密度对少年和老年群体活力的积极影响高于夜晚;容积率对青年群体夜晚活力和老年群体白天活力的影响完全相反;相比功能混合度,具体配套设施密度对各群体活力影响更突出。研究结果可为城市精准设计和差异化设施布局提供借鉴,促进城市空间协调发展。     

基于大数据的上海中心城区建成环境与城市活力关系分析

运用大众点评数据、出租车到达数据与文化设施POI数据测度城市活力的经济、社会和文化维度,在街区和街道层面分析城市活力的空间结构特征,建立计量模型分析城市建成环境对城市活力的影响关系。结果表明:①上海中心城区城市活力表现出明显的空间差异,主要表现为由中心向四周递减、浦西优于浦东的总体特征;②街区和街道尺度影响城市活力的建成环境因素存在差异;③街区尺度建成环境对城市社会、经济和文化活力的影响存在差异:提升人口密度对经济活力具有正面影响,过高的人口密度可能不利于社会和文化活力发展;增加POI密度、路网密度和POI混合度有利于城市活力的提升;建筑层数和建筑密度的增加会降低街区的社会活力和文化活力,但会提升街区的经济活力;交通可达性有利于经济活力的提升。     

基于多源数据的城市活力空间特征及建成环境对其影响机制研究

采用城市POI、手机信令数据及夜间灯光遥感数据,以深圳市为例,构建城市活力度量指标分析城市活力的空间特征。构建“5D”指标体系度量城市建成环境,并运用地理探测器,探究建成环境对城市活力的影响机制。结果表明：1）深圳市城市综合活力显示出“南强北弱,西强东弱”的空间分异特征,空间分布极不均衡。城市综合活力最主要反映的是社会活力。2）城市综合活力、经济活力、社会活力、文化活力均受到建成环境的显著影响。高POI密度、高建筑密度、高平均建筑层数和高土地利用混合度对城市活力具有显著促进作用。3）居住人口密度与路网密度、土地利用混合度与路网密度等交互作用对城市活力产生更为积极的影响。4）在影响机制中,建筑密度、平均建筑层数为底层支撑因素,POI密度、土地利用混合度为直接驱动因素,居住人口密度为诱发因素,距行政区中心距离、交叉口密度、路网密度、地铁站点密度和公交站点密度为调节因素。     

中东地区恐怖主义指数时空演变及其影响因素的时空异质性

恐怖主义指数是评判恐怖主义风险的重要指标,剖析中东地区恐怖主义指数时空演变及其影响因素的时空异质性,对推理与解析恐怖主义发展趋势及其成因的时空分异具有重要意义。基于GTD数据库,计算恐怖主义指数,对中东地区各国恐怖主义风险进行量化评估,并结合统计指标进一步分析该地区恐怖主义指数的时空演变特征,采用OLS、GWR和GTWR模型解析诸多因素对该地区恐怖主义指数的作用模式。研究表明：（1）1995年至2016年期间,中东地区大部分国家恐怖主义风险逐步提高,且恐怖主义风险表现出一定的空间扩散趋势。（2）相比于OLS模型及GWR模型,GTWR模型解释度及拟合效果均明显增高,说明时空效应对各类因素均存在一定的影响,即各影响因素对中东地区恐怖主义指数均表现为时空非平稳作用模式。（3）通过综合分析各模型回归结果,民族宗教因素为导致中东地区恐怖主义指数发生时空变化的主导因素。     

空气污染对城市活力的影响及其建成环境异质性——基于大数据的分析

建设充满活力的城市空间得到地理和城乡规划学者的广泛关注。随着空气污染问题的加剧,空气质量影响居民在城市空间中的活动,但鲜有研究考察空气污染与城市活力的定量关系。基于广州市2019年新浪微博签到记录、日气象和空气质量数据、以及建成环境数据,本研究构建以街道为空间单元、以天为时间单元的面板数据,通过标准差椭圆（SDE）以及面板回归模型测度空气污染对城市活力的抑制效应以及该抑制效应在不同建成环境上的异质性。研究得到以下结论：① 城市活力SDE面积随空气质量指数（AQI）上升而收缩,轻度污染和中度污染的城市活力SDE面积仅为空气质量优的约80%和30%。② 运用空间面板回归模型控制街道的空间关联性后,空气质量指数（AQI）对城市活力具有明显负向影响,AQI每增加1个单位,日活动强度减少约0.10次/10 km²;当空气质量恶化到中等污染后,AQI每增加1个单位,日活动强度减少约0.14次/10 km²。③ 空气污染对城市活力的抑制效应在不同建成环境上存在异质性,POI密度、离城市中心距离强化空气污染对城市活力的抑制效应,而地铁站密度、道路交叉口密度、土地利用混合度则弱化空气污染对城市活力的抑制效应。本研究有助于更好厘清空气污染、建成环境与城市活力的关系,并为优化建成环境以缓减空气污染对城市活力抑制效应提供分析支撑。     

基于街景数据的建成环境与街道活力时空分析——以深圳福田区为例

建成环境对街道活力的影响是国内外城市研究的热点议题。然而,对于建成环境要素的测度与评估多偏重于二维建成环境指标,尚未充分挖掘三维建成环境指标。以深圳市福田区为例,采用街景数据、路网数据、POI数据及移动互联网位置服务数据,建立周末分时段模型,探讨商业街道和生活街道活力的时空间分布特征及建成环境对其产生的影响。结果表明：① 商业街道上居民全天活动的峰值时段为18:00~20:00,生活街道上居民全天活动的峰值时段为11:00~13:00。② 深圳市福田区街道活力总体呈现多中心结构,随时间变化显现出明显的空间差异。③ 不同的建成环境指标对街道活力的作用时段与影响程度存在差异。提高功能混合度有利于提升商业街道凌晨、上午和夜间的活力及生活街道午后和傍晚的活力;过宽的相对步行宽度对生活街道活力提升有抑制作用,更安全的步行环境对商业和生活街道夜间活力提升有促进作用;界面连续程度高的商业街道午后及夜间的活力更强,界面多样性丰富的生活街道白天活力更强。     

基于多源数据的城市活力与建成环境非线性关系研究——以双休日武汉市主城区为例北大核心CSCD

通过优化城市建成环境来营造和发展城市活力是建设充满活力的城市空间的重要举措。论文以双休日武汉市主城区为例,使用人口热力数据量化城市活力的时空分布特征;选用基于梯度提升决策树的SHAP可解释性模型(gradient boosting decision tree-Shapley additive explanations,GBDT-SHAP)测算城市建成环境对城市活力的非线性影响,并提取关键变量的最佳阈值。结果表明:(1)双休日武汉市主城区城市活力的分布具有明显的时间、空间和功能异质性。城市活力在空间上整体呈现出“中心高、外围低”的特征;在时间上,从7:00开始逐渐提升,下午和晚间达到顶峰。(2)武汉市主城区建成环境显著影响了城市活力强度,且其非线性影响和阈值效应明显:大型商圈的影响阈值大致在3000~4000 m,地铁对城市活力的影响主要在城市内部且地铁站服务范围在1500 m以内,POI混合度超过0.4后会抑制城市活力。SHAP模型弥补了传统多元线性模型在可解释性上的不足。(3)到CBD的距离、离地铁站距离、天空开敞度以及商业类型存在时间驱动效应,随时间变化对城市活力的影响重要性会发生相应变化。研究结果可为武汉市主城区城市规划设计提供依据:贯彻公共交通为导向的开发理念,做好地铁交通与大型商圈的衔接,是增强城市活力的有效措施;设置户外开放空间,有利于促进居民晨练和社会活动;增加小型餐饮和娱乐场所也是增强夜间活力的措施。     

基于网络大数据的城市轨道交通时空溢价效应研究

城市轨道交通是大城市缓解交通拥堵的重要公共交通方式,其对周边住宅的时空溢价效应一直是城市研究热点,但传统研究存在样本量少、数据时间跨度短、忽视预期效应等问题。该文利用网络爬虫获取住宅交易大数据,以天津市地铁6号线为例,采用直接比较法、特征价格模型测度城市轨道交通对沿线住宅价格的时空溢价效应,结果表明:1)空间尺度上,轨道交通对沿线住宅价格具有显著溢价效应,但溢价程度并非随着距轨道交通站点距离的增加而下降,而是呈现先上升后下降的“倒U形”趋势。其中,500~1000 m的影响区溢价幅度最大,溢价率高达17.2%。2)时间尺度上,轨道交通对住宅价格的影响具有超前效应,在施工期溢价就已显现,且在首个开通运营年达到峰值,说明住宅价格对开通运营这一“标志性”事件反应强烈。3)受心理预期效应的影响,轨道交通全线开通运营的溢价效应明显低于首个开通运营年的溢价效应。研究结论可为公共交通导向模式下城市综合开发和轨道交通的“溢价回收”策略提供决策支持。     

基于重心-GTWR模型的京津冀城市群研究

Research into urban expansion patterns and their driving forces is of great significance for urban agglomeration development planning and decision-making.In this paper,we reveal the multi-dimensional characteristics of urban expansion patterns,based on the intensity index of the urban expansion,the differentiation index of the urban expansion,the fractal dimension index,the land urbanization rate,and the center of gravity model,by taking the Beijing-Tianjin-Hebei(Jing-Jin-Ji)urban agglomeration as an example.We then build the center of gravity-geographically and temporally weighted regression(GTWR)model by coupling the center of gravity model with the GTWR model.Through the analysis of the temporal and spatial patterns and by using the center of gravity-GTWR model,we analyze the driving forces of the urban land expansion and summarize the dominant development modes and core driving forces of the Jing-Jin-Ji urban agglomeration.The results show that:1)Between 1990 and 2015,the expansion intensity of the Jing-Jin-Ji urban agglomeration showed a down-up-down trend,and the peak period was in 2005-2010.Before 2005,high-speed development took place in Beijing,Tianjin,Baoding,and Langfang;after 2005,rapid development was seen in Xingtai and Handan.2)Although the barycenter of cities in the Jing-Jin-Ji urban agglomeration has shown a divergent trend,the local interaction between cities has been enhanced,and the driving forces of urban land expansion have shown a characteristic of spatial spillover.3)The spatial development mode of the Jing-Jin-Ji urban agglomeration has changed from a dual-core development mode to a multi-core development mode,which is made up of three functional cores:the transportation core in the northern part,the economic development core in the central part,and the investment core in the southern part.The synergistic development between each functional core has led to the multi-core development mode.4)The center of gravity-GTWR model combines the analysis of spatial and temporal nonstationarity with urban spatial interaction,and analyzes the urban land expansion as a space-time dynamic system.The results of this study show that the model is a feasible approach in the analysis of the driving forces of urban land expansion.     

“绿道-邻里”视角下建成环境对城市绿道使用的影响——以广州为例

基于“绿道-邻里”视角,采集了广州典型城市绿道上的市民使用人数与类型等属性,并运用多元线性回归模型探讨绿道周边建成环境（人口密度和土地类型混合度）与绿道使用之间的关系。结果表明：绿道周边建成环境作为绿道使用的潜在来源地和目的地,影响着城市绿道使用效果,步行和骑行可达范围内的居住区人口密度和绿道周边土地利用混合度均可作为绿道使用强度的解释因子,两者的增加均会带来绿道使用强度的提高;除此之外,周边居民区收入水平、年龄和时间等变量对城市绿道使用也会造成影响。研究结果可为城市绿道建设提供直接参考。     

基于社交媒体签到数据的城市居民暴雨洪涝响应时空分析

暴雨洪涝等小型地域性气候灾害给城市韧性带来挑战。以南京暴雨洪涝为例,通过挖掘新浪微博签到数据,构建公众感知指数和公众情绪指数,分析居民对暴雨洪涝响应的时空格局。在时间维度上,居民对暴雨洪涝的响应主要集中在暴雨洪涝期,并随灾害的严重程度而变化;在暴雨洪涝期内,居民在社交媒体上对暴雨洪涝的响应集中在早、晚高峰。在空间维度上,居民对暴雨洪涝的响应集中在主城区和3个新市区;重要交通基础枢纽地区和低海拔、经历快速城市化的新市区的居民对暴雨洪涝担忧程度更高。时空分析表明,暴雨洪涝对居民的交通出行影响最明显。基于时空间分析,最后从硬件和软件设施上为提升暴雨洪涝的城市韧性提供相关政策建议。     

基于重心-GTWR模型的京津冀城市群城镇扩展格局与驱动力多维解析

城镇用地扩展格局及驱动力研究对城市群发展规划与决策具有重要意义。以京津冀地区为例,基于城镇用地扩展强度指数、城镇用地扩展差异指数、分形维数、土地城镇化率和重心转移模型,多维解析了城市群城镇用地扩展格局特征,并耦合重心转移模型和时空地理加权回归（GTWR）模型构建重心-GTWR模型,在对空间格局进行长时间序列多维度指标分析的基础上,运用该模型依序对其特征进行驱动力解读,进而总结凝练京津冀区域发展的主导模式与城市核心驱动力。主要结论为：① 1990-2015年,京津冀城市群城镇用地扩展强度呈现“下降-上升-下降”的趋势,高峰时期在2005-2010年,在2005年之前高速发展城市集中在北京、天津、保定和廊坊,2005年之后集中在邢台和邯郸;② 城市群城镇用地重心虽呈现出发散态势,但城市之间的局部相互作用力逐渐增强,城镇用地扩展驱动力表现出空间溢出特征;③ 京津冀城市群空间发展模式由以北京和天津为中心的双核发展模式向多核发展模式转变,并出现北部资源运输核心、中部经济发展核心和南部投资发展核心三大功能核心组团,城市群趋向于多核功能协同发展模式;④ 重心-GTWR模型结合了时空非平稳性和城市空间相互作用,将城市群城镇用地扩展作为一个时空变化系统进行分析,经验证,该模型在城镇用地扩展格局驱动力分析研究中具有可行性。     

Swelter in the city: Urban greenery and its effects on temperature in Guwahati,India

Changing urban landscape with multistoried high rises, roads and pavements is continuously reducing urban green space. These structures result in high surface temperature variation within cities. To explore the relationship between surface temperature and normalized difference vegetation index (NDVI), this study estimates two models—geographically weighted regression (GWR) and a fixed effect panel data model in relation to the Guwahati Metropolitan Area (GMA), a secondary city in north east India. The results indicate the superiority of GWR regression in presence of spatial dependence. Panel data analysis shows that the densely populated urban areas in the GMA with less than 10 per cent greenery are 1°C warmer than the sub-urban areas with 50 per cent greenery.