北京公园用户类型刻画

王志芳 康佳 徐敏 林广思

1 研究背景

城市公园提供了多种生态系统服务，这些服务对于城市居民的福祉具有重要意义[1]。研究表明：城市公园能净化空气、降低噪声、稳定小气候[2]，同时有助于用户减压、调节情绪，获得安宁感[3]，公园内部较为完善的休闲娱乐设施和活动场所，可以促进用户的社会交往[4-5]，所提供的多元服务可从整体上保障用户的身心健康。城市公园越来越成为公众开展多种游憩活动的重要场所[6]。

随着中国城镇化水平显著提升，城市居民的游憩需求日益多样化[7]、高标准化[8]，这对城市公园的包容性和多功能性提出了新的要求[9-10]。如何实现服务最大化，满足用户需求，是城市公园亟待解决的问题。不同类型用户有不同的户外游憩选择[11-12]，所期望的游憩体验也存在差异[13-14]。基于此，从用户类型出发，系统了解什么人、因为什么原因、选择什么公园、在公园里进行了什么活动以及是否对该公园的服务满意，亦即系统刻画城市公园的用户特征并建立用户类型，是有效实施公园管理策略的前提，也是决策方制定发展策略的必然要求[15]。

用户特征是指能够高度概括或描述的一类群体的特征，一般包含用户人口统计学属性、动机及行为规律[16-18]。在现有城市公园的研究中，对用户特征的探索常常被解构，变得琐碎，缺乏系统性。用户分类只关注一级/一层/二元分类[17]。例如，基于年龄、性别、居住地等人口统计学属性来区分公园用户，在此基础上研究不同用户的活动区域[19]与景观偏好[20]、身体活动强度[21]和游憩活动偏好[22]等，从访问行为角度研究城市公园的使用方式与使用者福祉之间的联系[23]等，基于访问动机研究公园用户如何选择目的地[24]等。然而，对于公园管理者如何综合以上研究成果进行决策的现实问题依然没有得到充分解决。

国外有学者开始尝试综合多种要素对用户特征进行刻画，比如，Mak等从人口统计学特征和访问行为2个方面研究用户对公园的使用情况[5]；Sreetheran等从人口统计学特征、公园使用特征、访问动机和安全感多个方面描述了公园用户特征[25]。已有研究中，Komossa等从人口统计学特征、访问行为和景观偏好3个方面对用户在城郊的游憩行为进行了刻画[15]，得出了3种类型的游憩群体：“便捷型休闲者”（the convenience recreationist）、“一日游者”（the day tripper）和“文化/自然休闲者”（the culture/nature recreationist）；Zhai等使用GPS跟踪器收集了304个用户的运动和空间位置的有效数据，结合问卷调查数据（人口统计学数据和访问行为）发现3个主要的用户组：“与小孩玩耍型”（play with children）、“接触大自然并放松身心型”（have contact with nature and relax）和“与家人和朋友聚会型”（get together with families and friends），并探讨其使用模式、空间分布模式和景观偏好[26]；Song等通过Flickr社交媒体数据识别出多组不同类型的公园游憩者[27]。但是，从工程应用的整体性视角明确开展的用户类型研究依然有限，国内的相关研究更是空白。以往的问卷调查往往涉及大量的人口统计学特征，且变量之间存在一定的相关性[5,28]，如何在复杂且相关性很强的因素中选择最适合刻画城市公园用户特征的因素，综合人口统计学背景、访问行为和访问动机等要素系统梳理城市公园用户类型是难点所在。基于复合指标的城市公园用户特征刻画和用户类型研究亟待进一步的案例支撑。

因此，本研究旨在解决以下科学问题：1）如何基于复合指标建立城市公园用户类型？2）不同类型用户的公园选择偏好和满意度是否存在差异？

前述文献分析结果显示，描述城市公园用户特征的指标可以概括为3个：人口统计学背景（如性别、年龄、收入等）、行为规律（如每天打卡、偶尔访问等）、访问动机（如亲近自然、锻炼身体等）。本研究综合以上3方面指标系统刻画公园用户特征，建立公园用户类型，并以公园选择偏好及满意度作为具体表征，比较用户类型之间的差异性。建立面向城市公园的用户类型刻画可以为景观规划和管理者提供评估游憩需求和供给的依据[29]，对于解决多样化的游憩需求与有限的游憩资源之间的矛盾具有重要意义。

2 研究方法

2.1 研究范围选取

研究选取北京城市公园为案例。北京是中国的政治文化中心，拥有丰富多样的旅游资源，具有众多旅游、文化、休闲特色项目。截至2019年年底，全市常住人口2 153.6万人，城镇人口占比86.6%。2018年，全市森林绿化率61.5%，森林覆盖率43.5%。目前，北京有超过300个城市公园。这些公园能提供较好的景观、生态和游憩服务。

不同类型、面积和区位的公园，其使用状况可能存在差异[30-31]。为了更加全面地刻画北京城市公园用户类型，本研究综合考虑公园类型（包括综合公园、社区公园、社交娱乐公园、历史教育公园、专类公园等）、公园面积（7～680 hm2）和市民访问便利程度（六环内）等因素，最终选取11个公园作为研究对象（图1，表1）。

1 北京市公园绿地空间分布Spatial distribution of park green space in Beijing

2.2 数据采集与处理

数据来自一对一问卷调查，以被调查者方便填写为原则选择使用纸质问卷或者电子问卷。问卷内容包含4个部分，分别为人口统计学背景（性别、年龄、居住地和居住年限、收入）、公园访问行为（访问频率、访问时长、同伴类型）、公园游憩目的和公园满意度（采用李克特量表的5分制）。调研时间 为2019年7月，每 天06：00—10：00和17：00—21：00，调查人员在公园的多个位置对使用者随机抽样，进行一对一调查，共计回收1 870份问卷。使用SPSS剔除居住地不在北京、居住年限少于半年、答案重复率高于70%和填写时间少于3 min的问卷，最终用于统计分析的问卷为1 380份。其中，样本量最少的为中华民族园（47份），最多的为圆明园遗址公园（167份，表1）。

表1 公园基本信息Tab. 1 Basic information of the parks

用户特征刻画和类型建立采用SPSS的“两步聚类”（two step cluster）和“对应分析”（correspondence analysis）工具。两步聚类是基于统计量作为距离指标进行的聚类分析，对变量类型没有强制要求，能够处理连续变量和分类变量的混合数据，且可以根据一定的统计标准“自动地”建议并确定最佳的类别数，使得聚类结果的正确性更有保障。本研究中，两步聚类用于去除无关变量，筛选最有效的特征变量，同时基于筛选出的特征变量对样本进行初步聚类。对应分析是一种多元统计分析方法，基于对卡方统计量的分解与贡献，用于定性二维或多维列联表数据的分析，将交叉表转换为相应的对应分析图，可以在一个低维度空间中描述各变量分类间的关系并借助图形观察对应关系。其优势是：适用于多分类变量（如本研究中的公园有11类、游憩目的有8类），结果容易理解，能避免精细建模（如卡方检验等）带来的难以解释等应用障碍。本研究中，对应分析分别用于探究访问时长、游憩目的、公园选择、公园满意度与两步聚类结果间的对应关系，进一步探讨不同类型用户的特征及其对公园使用和评价的差异性。

3 研究结果

3.1 样本总体特征

对1 380份样本数据进行描述统计分析，了解其总体人口统计学特征。使用SPSS的描述统计工具分析样本的性别、年龄和收入特征，结果与北京市第六次人口普查（2010年）[32]结果基本一致。样本男女比例为48∶52，与北京市2010年的男女比例52∶48基本一致，均接近1∶1（图2）；样本年龄构成与2018年北京市常住人口年龄构成大体一致，但样本60～69岁年龄群体占比较北京市略高（图2）；样本涵盖各收入水平的用户（图3），样本加权年平均收入约为13.4万元，高于2018年北京市城镇在岗职工年平均工资值9.4万元[33]，这可能与样本比例中老年群体占比略高以及经济迅速发展有关。以上结果说明样本的总体人口统计特征与北京市实际情况基本保持一致，不存在明显的偏差。

2 样本年龄和性别构成Sample age and gender composition

3 样本收入结构Sample income structure

3.2 公园用户特征刻画及类型建立

3.2.1 研究原理

使用SPSS的“两步聚类”工具筛选最有效的特征变量并对样本进行初步聚类。分别选取人口统计学背景（性别、年龄、收入）和访问行为（访问频率、访问时长、同伴类型）中的多个变量进行多次初步聚类，去除对聚类结果的贡献几乎为0的性别和收入2个变量。本次研究中，分别用不同的变量进行了十几次聚类尝试，并观察软件反馈的聚类效果。由于变量过多会使软件的自动聚类变得复杂无序，影响真实聚类与群体的刻画，因此本研究初步聚类结果最终采用了效果最好的几个变量。之后使用SPSS的“对应分析”工具进一步探究初步聚类结果与其他特征变量之间的关系。

表4 聚类结果与游憩目的的对应分析Tab. 4 Corresponding analysis of clustering results and recreational purposes

3.2.2 分析结果

初步聚类结果显示：年龄、访问频率和同伴类型3个变量的聚类效果最好，其中同伴类型贡献度最高（图4），聚类比例约为3∶3∶4（表2）。

4 聚类效果与变量贡献度Clustering effect and variable contribution

表2 初步聚类结果Tab. 2 Preliminary clustering results

对应分析结果显示：访问时长和游憩目的2个变量明显与初步聚类结果具有显著的对应关系。3个聚类与访问时长（χ2=45.557，P=0.000，累积解释度100%）和游憩目的（χ2=374.897，P=0.000，累积解释度100%）存在强烈的关联性（表3、4）。

表3 聚类结果与访问时长的对应分析Tab. 3 Corresponding analysis of clustering results and visit duration

初步聚类结果与访问时长的二维散点图衡量了聚类结果和访问时长的关联性，落在从图形原点（0，0）处出发的相同方位上大致相同区域内的聚类和访问时长之间彼此存在联系，散点间距离越近，说明关联倾向越明显。结果显示：3个聚类分别对应不同的访问时长（图5）。

5 聚类结果与访问时长二维散点图Two-dimensional scatter plots of clustering results and visit duration

初步聚类结果与游憩目的对应分析结果显示：3个聚类有着明显不同的游憩目的（图6）。维度1主要解释了聚类1、3和游憩目的之间的关联性（系数的绝对值较大），维度2主要解释了聚类2与游憩目的之间的关联性。

6 聚类结果与游憩目的二维散点图Two-dimensional scatter plot of clustering results and recreational purposes

3.2.3 公园用户类型结果

聚类结果、访问时长和游憩目的分析结果如下。1）聚类1：对应的公园用户年龄在65岁及以上的最多，是典型的老年群体；使用公园的频率很高，有45.2%的用户每周使用公园3～4次，每周使用1～2次及以上的占比超过75%；公园访问时长最短，以2h以内居多；几乎全部为“无同伴”出行；游憩目的为锻炼身体、放松身心，即此类用户更注重个人身心康健。2）聚类2：对应的公园用户年龄在25岁及以下的最多，是典型的青年群体；使用公园的频率很低，数月1次占比36.8%，每月1～2次及以下的占比超过70%；公园访问时长主要为2～4 h；多与亲戚朋友（94.3%）、同学同事（98.5%）结伴出行；游憩目的为野餐聚会、旅游、休闲聊天，即此类用户更注重休闲聚会。3）聚类3：对应的公园用户年龄在40岁左右的最多，平均年龄为44岁，是典型的中年群体；使用公园的频率一般，每月1～2次居多，占比50%；公园访问时长最长，主要为4～8 h；与伴侣（94.8%）、孩子（91.5%）和父母（90.6%）结伴出行；游憩目的为陪伴家人、照看小孩，说明此类用户访问公园的过程中更注重家庭关系。

综上，将北京城市公园用户刻画为3种类型：1）“个人康健型”用户：以老年（65岁及以上）、无同伴出行、高频短时（每周多次，每次2 h以内）、维护身心健康为主要特征；2）“社交休闲型”用户：以青年（25岁及以下）、与好友结伴出行（亲戚朋友、同学同事）、低频中时（偶尔访问，每次2～4 h）、休闲聚会为主要特征；3）“家庭出游型”用户：以中年（25～65岁）、携家庭出行（伴侣、孩子、父母）、中频长时（每月1～2次，每次4～8 h）、增进家庭关系为主要特征。

3.3 不同用户类型的公园选择偏好

为了解不同类型用户对公园使用是否存在偏好，用SPSS的“对应分析”工具探究3类公园用户类型与公园选择之间的对应关系。二维散点图衡量了用户类型和公园选择的关联性，结果显示：3类用户对公园的选择存在明显差别（图7）。

7 用户类型与访问公园的二维散点图Two-dimensional scatter plots of user types and parks

社交休闲型用户更倾向于选择综合公园，比如奥林匹克森林公园和玉渊潭公园等；“家庭出游型”用户更倾向于选择社交娱乐公园，比如红领巾公园、中华民族园等；“个人康健型”用户对公园选择较为多样，比如玲珑公园（社区公园）、天坛公园（历史教育公园）和香山公园（综合公园）等。分析其原因，综合公园面积大，有着良好的绿化环境和休闲空间，能满足“社交休闲型”用户对野餐聚会、旅游等休闲活动的需求。社交娱乐公园配有多样的娱乐设施，适合开展娱乐活动，而“家庭出游型”用户多带有小孩，小孩对娱乐设施的需求较大。玲珑公园面积小，是典型的社区公园，到访者主要为周边社区的居民，可以满足“个人康健型”用户高频短时访问的需求，天坛公园以其历史主题、香山公园以其登山健身功能吸引此类用户。已有研究也表明，用户对目的地及活动类型的选择受其景观偏好的影响[15,34-36]。

3.4 不同用户类型的公园满意度差异

为了解不同类型用户对公园的满意度，用SPSS的“对应分析”工具探究3类公园用户类型与公园满意度之间的对应关系。结果显示：不同类型的用户对公园的满意度存在显著差别（χ2=18.025，P=0.021，累积解释度100%，表5）。

表5 用户类型与满意度的对应分析Tab. 5 Corresponding analysis of user types and satisfaction

二维散点图衡量了用户类型和公园满意度的关联性（表6、图8）：“个人康健型”用户与“非常满意”关联度最强，对公园的整体满意度最高，平均满意度得分为4.18，其中31%的用户表示非常满意，在3类用户中占比最大；“社交休闲型”用户对公园的满意度次之，与“满意”关联度最强，平均满意度得分为4.10，其中26.5%的用户表示“非常满意”；“家庭出游型”用户与“一般”关联最强，对公园的满意度最低，平均满意度得分4.03，其中，19.2%的用户“非常满意”，在3类用户中占比最低，1.5%的用户“非常不满意”，在3类用户中占比最大。

表6 用户满意度及各分级比例Tab. 6 User satisfaction and the proportion of each grade

8 用户类型与满意度的二维散点图Two-dimensional scatter plots of user types and satisfaction

综合用户类型与公园选择偏好、公园满意度的对应分析结果可知，3类用户有着不同的偏好和满意度。“个人康健型”用户的公园选择较为多样，对公园的满意度最高；“社交休闲型”用户更倾向于选择综合公园，对公园的满意度次之；“家庭出游型”用户更倾向于选择社交娱乐公园，对公园的满意度最低。这一结果侧面说明目前城市公园设施和服务的综合性还不够，只是满足了最基本的健身、散步、休息等“个人康健型”用户的游憩需求，没有很好地满足“家庭出游型”用户的游憩需求。

4 讨论与结论

本研究采用数理统计分析方法，利用人口统计学背景、访问行为和游憩目的三方面复合指标系统刻画公园用户特征并建立用户类型，比一级/一层/二元分类更加综合有效，能够切实指导决策方制定和调整策略。研究基于北京市11个公园的问卷调查数据，综合提取用户年龄、公园访问频率、访问时长、同伴类型及游憩目的等共性特征，将北京城市公园用户刻画为“个人康健型”“社交休闲型”和“家庭出游型”3类。该研究过程以及发现具有多重研究以及实践价值。

4.1 建立基于复合指标的公园用户类型

本研究尝试以中国城市公园为背景，建立基于复合指标的公园用户类型。该过程可以简化研究者以及实践者对于城市公园不同使用者的探究过程。相较于传统单个比较年龄、性别、收入等因素的探索，本研究高度综合了城市公园用户的多种特征，从更系统的角度将众多因素影响下的城市公园用户概括为三大类型。这三大类型的提出有助于设计决策过程。

与此同时，本研究发现年龄、同伴类型、访问频率、访问时长以及游憩目的是5个最为重要的用户差异因素。复合而简化的指标可以降低问卷调查的复杂性，提高调查结果的有效性。本研究的结果显示，真正有效区分用户的特征只有少数几个，该发现可以直接简化后续类似研究的调研过程，并启发研究人员在预调研的基础上，通过合适的统计学方法进行特征简化，确定几个有效变量进行正式调查。因素简化既有助于被调查者快速填写问卷，也能降低研究人员后续处理数据的难度和复杂度，数据的有效性将得到提高。

4.2 建立公园用户类型的实践意义

城市公园用户类型之间的差异性启发我们应当提高景观管理的精细化水平，探索不同用户类型的特征和偏好，有助于细分景观游憩功能并启发新的设计策略。本研究所发现的公园用户类型对公园精细化管理具有多重实践意义。

1）3种用户类型的提出能够简化公园管理的目标。景观管理和公园土地利用政策需要针对不同的用户类型制定不同的策略，使游憩设施与特定用户类型的景观偏好保持一致。刻画公园用户类型能够使得未来公园管理目的性更强，采用有针对性的策略要比将用户作为一个未分类的群体更为有效。

2）不同类型用户的公园选择可以引导现有公园思考自己的优势与不足之处。在城市公园建设强调多功能性和包容性的大背景下，公园都希望能够吸引不同类型的用户，竭力适应所有用户的需求。以本研究所发现的用户选择差异为基础，未来研究可以聚焦为什么某些公园会吸引特定的用户，却缺少其他用户类型。这背后的影响因素可能既有内部景观要素以及设施差异的影响，也有外部交通以及居住社区分布特征的影响。这些能够吸引特定用户类型的因素就是公园的优势，而其他就是不足之处，亟待更新改变。

3）本研究明确了公园未来需要改进的重点对象。3类用户对公园的满意度感知存在差异，侧面说明目前城市公园设施的综合性还不够，未来要着重加强社交休闲类和亲子家庭类功能及其环境塑造，提升“社交休闲型”和“家庭出游型”用户的满意度。以市民日益增长的需求为背景，公园设施和景观管理针对特定群体进行提升是必要的。了解不同用户的需求，聚焦重点群体，有助于公园设计者和管理者以更加平衡和合乎逻辑的方式规划公园空间。

4.3 研究不足与未来建议

研究的不足主要有：问卷调查过程中人工的随机抽样难免存在主观性，老年人样本占比略高，其对研究结果的影响有待进一步考察；对不同类型公园的选择不够均衡，未来研究有待在此方面进行改进。本研究和以往公园用户特征的研究均依赖问卷数据，然而实地问卷调研受物质条件影响较大。因此，在本研究的基础上，未来有望应用社交媒体数据进一步深化研究，通过海量自发性文本和图像对公园用户进行精准刻画，对当前和潜在的公园游憩空间使用进行空间可视化，进而辅助管理层合理做出决策。

图表来源(Sources of Figures and Tables)：

图1根据2015年卫星遥感影像解译数据绘制；图2～8由作者绘制；表1～6由作者绘制。