基于骑行指数的南京中心城区公园广场服务水平研究

汪成昊，许捍卫，丁彦文

(河海大学水文水资源学院，江苏 南京 211100)

0 引言

随着市民生活水平日益提升，传统的生存型生活观念逐渐向享受型转变，从而对城市休闲空间的数量、质量和分布提出了更高要求，而公园广场作为城市休闲空间的重要组成部分，是市民生活的重要载体，在城市生活中具有举足轻重的地位[1]。对于公园广场的规划管理需要贯彻“以人为本”的设计理念[2]，市民能否在短时间内方便、快捷地到达附近公园广场设施点、平等地享受休闲资源，是城市公园广场服务能力的重要体现[3-6]。

国内外对于城市公园广场这类休闲空间的研究，传统上多结合城市规划学构建评价体系探讨公园广场的建设水平，侧重于评价指标(如人均公园面积、公园数量等)的选取，对于从“量”的角度研究城市休闲空间具有现实意义[7-9]，但对公园广场的空间和人口分布考虑不足，忽略了服务公平性的问题。有学者引入空间可达性概念对公园广场进行评价，相对于传统指标，空间可达性增加了时间、距离等评价因子，是衡量城市公园广场服务水平的重要因素。例如：Fan等[10]利用南京市路网和人口数据，定量分析公园绿地的空间可达性和居民出行的便利性；Gu等[11]通过两步移动搜索法计算出上海14个郊野公园的空间可达性；还有学者利用最小距离法、网络分析法分析城市公园广场的空间可达性，为城市公园广场的规划提供了合理依据[12,13]。

从以上研究可知，空间可达性能较好地反映公园广场空间配置的合理程度，结合人口分布、市民出行方式等因素可更全面地衡量公园广场的服务能力。如今低碳出行的理念深入人心，人们更倾向于选择步行、骑行方式出行[14]。国内已有学者研究步行方式下公共设施的服务能力并验证了其有效性[15-17]，但缺乏骑行角度下的相关分析。随着近年来我国城市共享单车的迅猛发展，骑行逐渐成为更多市民的出行方式，因此，针对骑行评价公园广场的服务水平具有一定的实际意义。此外，要分析公园广场布局与人口分布的匹配关系，获取准确的人口空间分布至关重要。传统方法多利用统计年鉴获得各区域人口[18]，数据尺度较大，会降低空间可达性结果的准确性；后有学者利用夜间灯光数据[19]、腾讯位置大数据[20]进行人口空间化，大大提高了人口空间分布的精度。事实上，如今蕴含定位信息的网络大数据无处不在，运用这些新兴数据可为解决一些地理问题提供新的视角[21]。

鉴于上述问题，本文以南京市中心城区为研究区，在空间可达性基础上分析各公园广场的服务范围，根据重要性为各类公园广场赋值，并按照限制条件进行权重衰减；然后分别从格网和街道尺度，结合微信宜出行数据构建骑行指数，对公园广场的服务能力进行评价，以期对城市公园广场的布局提供参考。本文技术框架如图1所示。

图1 研究框架Fig.1 Framework of the study

1 研究区与数据来源

南京市是华东地区乃至国家战略的重要中心城市，其绿地系统规划范围分为中心城区、都市区和其他区域三部分(图2a)，并将中心城区划分为4个片区,形成“一主三副”的格局(图2b)。

图2 研究区分布Fig.2 Location of study area

本文数据包括：1)城市公园广场数据，来源于高德地图Web服务API接口，包含公园广场的POI点数据和面数据，其中面数据需结合Google Earth和高分辨率遥感影像通过手工矢量化形式补充，经过数据清洗和去重共采集到231个公园广场和258个出入口数据。2)微信宜出行数据，宜出行是腾讯位置服务下的一款产品，腾讯位置服务数据包括QQ、微信、腾讯地图和美团打车等多种生活常用软件所产生的定位数据，宜出行通过上述位置服务提供给用户某个地点的人流量及拥挤程度，供用户出行参考。本文利用Python爬虫技术，每隔1 h获取一次数据，采集2019年8月南京市全天的宜出行定位数据，并根据经纬度筛选中心城区内的数据。由于白天人口流动大且居家人口少，为提高人口空间化的有效性，筛选夜晚22:00-24:00的数据用以建模。3)辅助数据，为各居住点的POI数据，包括小区名称、地址、经纬度、建筑年代、建筑类型、均价、楼栋数和住户数等属性，共计4 965个，采集时间为2018年12月。对于部分分期建成的小区，由于面积过大，按每期名称分别统计，精确到门牌号；街道人口数据源于街道内各小区人口数据，中心城区边界、路网和街镇单元数据来源于地理国情监测数据。

2 研究方法

2.1 空间可达性

空间可达性表示实际交通网络节点间相互作用力的大小,其不但具有时空概念,还能反映出一定的社会价值[22]，服务设施的空间可达性对居民生活质量有重要影响[23]。本文利用空间可达性并结合服务覆盖率(C，公园广场服务范围占城市面积的比例)和服务重叠率(O，反映公园广场服务范围间的重叠情况)[6]分析公园广场设施布局和服务状况,计算公式为：

C=∑PA/A×100%

(1)

式中：∑PA为去掉所有公园广场重叠部分的服务范围面积之和；A为研究区面积。

O=(∑CO-∑PA)/∑CO×100%

(2)

式中：∑CO为各公园广场服务范围面积之和。

2.2 公园广场分类赋权

参考已有对城市休闲旅游资源分类的研究[24]，将采集到的公园广场数据分为4个大类，每一大类包含若干子类。一些文化类场馆和历史古建筑也附带一定面积的广场，具有游憩功能，本文也将其纳入研究的类别范畴(表1)。根据实地调查成果，将公共游憩类的公园广场权重赋值为1，咨询10位有地学背景且对南京较为熟悉的专家，参考《旅游资源分类、调查与评价》的评价方式，将其余公园广场对于居民休闲游憩的重要程度以1为基准划分为4档，将每类公园广场的总得分进行平均得到其休闲重要性权重(表1)。其中，公共游憩类对市民的吸引力较大，自然综合类虽然面积较大且设施完善，但更适合亲朋好友组团游玩，吸引力略低于前者;文化场馆类和历史遗迹类附带的广场作为游憩点的目的性偏弱，权重较低。此外，根据开放时间限制和收费情况分别对权重做30%和50%的衰减。

表1 公园广场分类赋权Table 1 Classification weights of parks and squares

2.3 单点骑行指数计算

作为针对出行目的地服务水平的评价方法,骑行指数综合考虑了城市公园广场的休闲吸引力、距离和城市人口分布等因素。单点骑行指数是衡量从某点到附近一定范围内公园广场骑行可达性的重要指标，在表1的基础上，考虑距离衰减(人们的骑行意愿会随出发点到公园广场距离的增加而产生规律性衰减[25])问题，可计算出某样本点的单点骑行指数。不考虑以竞速、健身为目的的长距离骑行，参照相关研究将骑行速度设置为12 km/h[26]，并采用与步行衰减类似的分段线性变化规律[27](图3)：骑行5 min内可达公园广场，即距离小于1 000 m时，距离因素几乎不会引起衰减；在20 min时衰减为原值的12%，30 min时衰减为0。通过网络分析获取各格网点6 000 m范围内的公园广场出入口,获取权重值之和后按照距离衰减函数进行衰减,得到单点骑行指数。

图3 权重距离衰减曲线Fig.3 Weight distance attenuation curve

在实际骑行过程中，道路交叉口越多、街区长度越短，在选择骑行路线时越方便快捷[25]。因此，计算骑行指数后需根据路网内的交叉口密度和街区长度进行指数修正(表2),对衰减后的指数进行标准化，骑行指数得分越高，说明该点至附近目的地的骑行便捷性越好。

表2 道路交叉口密度与街区长度衰减率Table 2 Intersection density and block length attenuation rate

2.4 人口空间化

人口空间化是通过一定的方法将人口分配到格网或类似的单位尺度内[28]，即统计不同单位尺度下的人口数量。为探究人口统计数据与影响人口分布的其他数据间的回归关系，本文利用微信宜出行定位次数进行人口空间化，估算500 m×500 m格网尺度的人口数。具体方法为：随机将中心城区内的59个街道分为2组，第1组49个街道用于人口空间化模型构建，第2组10个街道用于模型精度检验。首先求出宜出行定位次数与街道人口数之间的关系(式(3))，为提高模型精度，对初始的人口分布系数进行校正(式(4))；然后降尺度探究500 m格网的人口关系，在格网尺度下假设街道内截距和误差均质，将该值平均分配给街道内的所有格网(式(5))。

Peoi=a×Loci+b+e

(3)

(4)

GridPeoi=ai×Loci+b/ni

(5)

2.5 面域骑行指数

面域骑行指数代表一个区域的骑行性。由于面域内不同的格网包含不同数量的人口，公园广场的建设应以人口分布为基准。在计算出单点骑行指数的基础上，结合人口空间化结果，根据区域内人口比例设置权重，对区域内不同格网的单点骑行指数进行累加，得到面域骑行指数。面域骑行指数保留了区域内部的共享性特征，能够从供需平衡的角度衡量南京市公园广场的社会服务水平，其值越大，说明该街道内的公园广场服务水平越高。

3 结果分析

3.1 中心城区公园广场的服务范围特征

为分析不同区域公园广场的空间可达性程度，以中心城区各街道为单位，统计其服务范围。如图4所示，公园广场服务范围随骑行时间变化趋势较明显，骑行方式下5 min、15 min、30 min的公园广场服务范围分别为121.22 km2、404.34 km2、570.8 km2，呈现由中心向四周扩散的趋势。5 min内，中心城区只有新街口、湖南路、朝天宫等街道的服务范围保持在较高水平；15 min内，主城区多数街道的空间可达范围达到90 %；30 min内可覆盖主城区和仙林副城的大部分街道，但江北副城中的街道(如江浦、盘城、沿江街道等)通常面积较大且路网密度不高，服务范围明显小于长江以南街道。此外，由于骑行方式速度较慢、距离较短，在中心城区范围内也存在一些“服务盲区”。

图4 各街道公园广场服务范围Fig.4 Service scope of parks and squares in each sub-district

以居民出行时间概率较大的15 min为例，分别计算南京市中心城区“一主三副”格局中各区域的服务覆盖率和服务重叠率(表3)，可见主城区的服务覆盖率最高，3个副城的服务覆盖率明显不足，尤以江北副城最低。主城区、江北副城和东山副城服务重叠率都高于覆盖率，表现出服务分布的密集性，其中江北副城面积高达289.8 km2，服务覆盖率只有32.6%，服务重叠率却高达47.87%，说明江北副城的公园广场分布不平衡；仙林副城公园广场分布较均匀，但服务覆盖率较低，还有很大的建设空间。

表3 “一主三副”服务覆盖率、服务重叠率指标Table 3 Service coverage rate and service overlap rate of "one primary and three secondary urban areas"

计算中心城区500 m×500 m格网的单点骑行指数(图5)并对其进行标准化处理，平均值为18.91。总体而言，中心城区的单点骑行指数空间分布差异较大，由主城区中心的高值区向四周扩散，以清凉山公园、汉中门广场、西安门公园、夫子庙、朝天宫等为代表的公园广场邻近居住区且周围出入口数量多、道路交叉口密集，骑行便捷度高；中高值区分布在仙林副城大部分区域、东山副城中部、江北副城西南和东北区域，如以栖霞山公园、仙林湖公园和羊山公园为代表的公园广场，由于城市建设滞后，周边休闲设施较少，普遍得分较低。单点骑行指数小于10的公园广场(如江北副城的浦口公园、顶山广场等)在区域内零星分布，周围路网稀疏，导致该区域骑行便捷度受到很大影响。

图5 中心城区单点骑行指数Fig.5 Cycling score of single point in downtown

3.2 基于骑行指数的各街道公园广场服务水平分析

基于人口空间化模型将各街道的宜出行定位数据与街道人口数进行函数拟合(图6)，相关系数R2为0.9071，表明定位次数与街道人口数的线性拟合关系较为密切。将第2组10个街道的定位次数代入模型进行人口估算，并对比估算结果与街道人口数(图7)，发现7个街道估计值与统计值的误差小于15%，说明建立的估算模型精度较高，能较好地描述各街道的人口数量情况。

图6 定位次数与街道人口数的拟合关系Fig.6 Fitting relationship between location times and population of sub-district

图7 人口估计数据与人口统计数据对比Fig.7 Comparison of estimated population and statistical population

利用校正后的系数修正公式(式(5))估算各街道内的格网人口数量，若格网内包含多个街道，则按面积比例分配，最终得到中心城区500 m×500 m格网的人口分布(图8a)；根据人口空间化结果，得到南京市中心城区内各街道的面域骑行指数(图8b)。由图8b可知，主城区中心位置街道(如新街口、洪武路、朝天宫、秦虹等)的面域骑行指数较大，同时这些街道的单点骑行指数也较高，说明该区域内居民去往公园广场的便捷程度高，且公园广场数量充足、分布合理；主城区外围部分街道人口分布密集，但面域骑行指数普遍低于40，街道公园广场的整体分配情况较差；东山副城各街道面域骑行指数不高，公园广场数量不多，但其人口分布范围广，且高值区集中于秣陵街道和东山街道交界地段，此区域单点骑行指数较高，居民到达附近公园广场较为便捷，说明设施分布较合理；江北副城中泰山街道的人口数量较多，但单点和面域骑行指数都很低，说明此街道内缺少公园广场，不能满足市民骑行休闲的需求；仙林副城街道人口分布稀疏，单点和面域骑行指数均不高，但其面积较大且生态环境良好，公园广场建设潜力较大，可作为未来城市建设并缓解人口压力的一个良好方向。

图8 500 m×500 m格网人口数和各街道面域骑行指数Fig.8 Population of 500 m×500 m grid and regional cycling score of each sub-district

4 结论

骑行作为一种低碳出行方式值得推崇，本文分析了南京市中心城区公园广场的服务范围特征，进一步构建骑行指数并结合微信宜出行数据分析公园广场的服务水平。主要贡献在于：弥补了现有以步行为主评价方法的单一性，为研究城市公园广场提供了新视角；选取粒度较小的微信宜出行数据可提高人口空间化的精度，使指数计算结果更契合实际。研究结果表明：1)主城区公园广场的骑行便捷度最高，仙林副城和江北副城的骑行便捷度较低；2)从15 min的骑行可达域看，主城区、江北副城和东山副城的公园广场分布集中、服务重叠率较高，仙林副城公园广场的空间分布则较为均衡；3)30 min的骑行可达域内，大部分街道中公园广场的服务范围达80%，可基本满足市民的骑行需求；4)“一主三副”格局中大部分街道的公园广场分布与人口分布匹配度较高，但也存在供需不平衡的情况，如泰山街道和沿江街道人口众多，但面域骑行指数却很低。

本文从路网、人口分布、公园广场属性等客观因素计算骑行指数，但人的主观感受也是重要影响因素，如出行道路的空气质量和车辆拥挤程度会降低人们的出行意愿，今后研究应考虑这些因素。