广州老城区公园使用时空特征及其影响因素的空间异质性研究

彭一升，王江萍，任亚鹏

(武汉大学 城市设计学院，湖北 武汉 430072)

1 引言

城市公园是体力活动发生的空间载体之一，其承载了居民日常生活需要，为居民娱乐和社会交往活动提供场所，发挥着重要的社会服务功能[1，2]。已有研究表明，公园绿地的服务水平与居民生活质量有密切联系，在鼓励居民开展体力活动，维持健康水平上起积极作用[3, 4]。因此，剖析城市公园使用行为，探究公园使用的影响机制对制定城市总体规划及公园绿地规划设计政策有重要意义。

城市公园使用是指用于居民日常生活中踏入公园开展活动的行为场所[5]。对公园使用的量化是理解居民到访公园行为的基础。不同于现场观察和问卷访谈等传统方式过度耗时耗力，大数据为评估公园使用提供了新的方法和视角，同时，其特点还很好地弥补了传统实地调查方式的缺点[6, 7]。作为大数据源之一的百度热力图，其依托定位技术获取用户移动终端的地理位置，实时记录城市人口的空间分布，被应用于刻画居民公园使用的特征[8, 9]。Fan等[10]通过百度热力图对南京主城区的公园使用进行量化，分析其空间特征；Lyu等[5]利用百度热力图和微博签到数据分别对武汉市主城区公园使用进行评估与比较，发现百度热力图能更好地刻画居民公园行为特征。

在城市公园使用的影响因素研究方面，已有研究表明公园内部因素和公园周边环境因素共同影响着公园使用[10, 11]。公园等级、公园面积、公园内部设施、植被覆盖率等公园内部因素与公园使用有显著影响，不同公园特征对居民具有不同的吸引力[7, 12, 13]。公园周边环境因素由可达性、空间形态特征、土地利用特征、社会特征等方面构成[5, 13～15]。可达性对公园使用有重要作用，住在公园附近的居民可能更愿意到访公园[7]；公园周围的土地利用及设施布局同样也是影响居民到访公园的重要因素。郑权一等[14]发现土地利用混合度与公园使用间的关系呈倒“U”型趋势，即随着混合程度的提高，公园使用人数先增后减。同时，公园周边的社会经济特征和公园使用存在着密切联系[16]。Chen等[17]研究表明价格越高的小区，其公园绿地可达性越优。这也反映出社会经济地位带来的公园绿地服务水平差异[17]。值得注意的是，由于城市环境间存在差异，学者对公园使用驱动因素的结论不尽相同。

目前，关于对城市公园使用影响因素的研究更多的是使用全局模型来分析，即将地理空间视为均质的[18]。然而，城市建成环境、经济环境和社会文化环境存在空间差异，公园使用情况及其影响因素在地理空间上也并非均衡，存在空间非平稳性，这样用全局模型就可能导致结果出现严重的偏差[19]。地理加权回归(Geographically Weighted Regression，GWR)能探究变量之间关系的空间非平稳性，在公园绿地相关研究中已被应用于揭示住房价格和公园可达性的关系中，但较少应用在公园内部因素和公园周边环境因素对公园使用影响的空间异质研究中。

因此，本文以广州老城区为研究范围，依托百度热力图数据刻画研究区公园使用的特征，并以公园使用指数为因变量，公园内部因素和公园周边环境因素为自变量，构建了GWR模型，以侧重探究公园使用的影响因素及其空间异质性，为城市公园管理人员和规划者提供关于促进公园使用的新视角和参考建议。

2 研究概况

2.1 研究区域

荔湾区、越秀区和海珠区同属广州市的老城区，面积合计186.6 km2。第七次人口普查3区常住人口合计约409.6万人，人口密度大，土地资源紧张，宝贵的绿地空间被城市各类建筑不断挤占。根据《广州市公园建设与保护专项规划(2017-2035)》公布的数据，广州老城区2018年公园面积共有18.19 km2，人均公园绿地面积仅为4.44 m2/人，远低于广州其他地区水平。在“十四五规划”强调提升城市品质的背景下，对城市绿地保护利用的关注达到了新的高度。因此本文选取广州老城区作为研究范围，筛选出面积大于1 hm2的公园作为研究对象，共46个，其中包括9个综合公园，15个专类公园，20个社区公园和2个自然公园(图1)。

图1 广州老城区公园分布

2.2 数据来源

2.2.1 百度热力图

随着信息通信技术的发展，基于位置服务 (LBS) 的百度热力图，依托庞大的百度产品用户群体，实时记录用户定位信息，虽然不能表明人口分布的准确数字，但可以通过不同颜色及亮度反映不同区域人口的空间分布聚集情况，在衡量公园使用方面有其优势和科学性[20, 21]。

2020年11月26～30日(涵盖两天休息日)平均气温均高于18 ℃，以晴天天气为主，风力合适，适合户外活动，因此本研究对该时间段的广州老城区百度热力图进行追踪获取，以60 min为间隔，收集每天7:00～24:00的数据，最终获取90幅空间分辨率为3.24 m的百度热力图。利用ArcGIS10.2平台，加载已定义投影的百度热力图的第四通道(band4)，按照自然间断点分值法(Jenks)对热力值大小重分类为6类。以46个公园面矢量数据作为掩膜，使用分区统计功能统计各公园所包含的栅格值，根据各类热力值代表的相对人数，计算了公园范围内相对使用数量。

2.2.2 其他基础数据

(1)公园信息。从《广州市公园建设与保护专项规划(2017-2035)》中提取广州老城区公园绿地的级别、面积、地址和边界等信息，借助ArcGIS10.2平台，获得了46个公园的多边形矢量数据。公园评分主要来源于“携程”和“大众点评”等网站。

(2)公园周边环境信息。公园周边环境信息主要包括建筑路网数据、POI(Point of Interest，兴趣点)数据、住房价格和人口密度数据。建筑路网数据来源于“Open Street Map”网站，用来表征公园周边空间形态特征；住房价格数据通过爬虫手段在安居客的网站抓取二手房房价获得。由于社区级别以下的详细人口数据不易获取，本文使用街道层面的人口普查数据，通过把广州老城区划分为数个300m×300m的网格，借助ArcGIS10.2平台，叠加分析得出每个网格代表的人口密度数值，为估算公园周边人口密度奠定基础；POI数据来源于百度地图，通过接入百度地图开放平台API接口爬取，提取研究范围内的POI数据，共计11984条，随后将坐标统一转换为WGS-1984坐标系，在ArcGIS10.2平台上实现可视化，用来代表公园内部和周边环境的服务设施丰富程度。

2.3 变量选取与测度

2.3.1 公园使用指数

公园使用作为因变量，是理解公园和居民行为之间关系的重要指标，也反映了公园到访的强度。为了量化公园使用，参考前人的研究[10]，本研究将选取公园使用指数来表征公园使用的情况。通过百度热力图不同颜色和亮度代表不同人口密度的特点，估算每个公园5 d平均的公园使用指数，来反映广州老城区公园使用的强度。公式如下[10]：

(1)

式(1)中，PUI(Park Use Index)是城市公园i的平均访问量，Ai是给定时段内城市公园i的总访问量，Si是城市公园i的面积，n是时段数。

2.3.2 公园使用的潜在影响因素

公园内部因素和公园周边环境因素作为解释变量。公园内部因素包括公园规模、公园服务设施密度和公园评分。至于公园周边环境因素，公园服务半径的判定对获取公园周边环境特征至关重要。结合先前相关研究和《广州市公园建设与保护专项规划(2017-2035)》里的规定，本研究将选取500 m作为公园服务半径，在此基础上，标记每个公园的出入口，利用ArcGIS10.2平台的缓冲区分析，得出每个公园的服务范围。选取具有代表性的7个变量，分别为建筑密度、路网密度、人口密度、住房价格、商服设施密度、公共交通设施密度和土地利用混合度。其中，建筑密度、路网密度、人口密度分别定义为公园500 m缓冲区内单位面积内建筑基底面积、道路长度、人口总量；住房价格解释为公园服务范围内二手房平均住房价格，由于一些公园服务范围内没有二手房数据，因此该范围平均房价设为0；商服设施密度对应着公园500 m缓冲区单位面积内购物、餐饮和娱乐设施的POI数量；公共交通设施密度对应着公园500 m缓冲区单位面积内公交站、地铁站的POI数量；土地利用混合度通常采用土地利用熵值来表达，熵取值范围在0～1，熵值越大，土地利用混合度越高[7]。土地利用熵公式如下[22]：

(2)

式(2)中，Pj表示公园500 m缓冲区内POI类型j的比例，k表示POI类型j的数量。随后，对各变量进行归一化处理(表1)。

表1 公园使用的潜在影响因素描述

2.4 研究方法

采用地理加权回归模型(GWR)作为主要的研究方法。地理加权回归在普通线性回归模型基础上，镶嵌了空间结构以探究变量关系在空间上的非平稳性[23]。GWR公式如下：

yi=β0(ui,vi)+∑kβk(ui,vi)xik+εi

(3)

式(3)中，yi为公园使用者密度，(ui,vi)是第i个分析单元的地理位置坐标，βk是自变量在(ui,vi)坐标上的系数，εi为随机误差项。基于研究对象的特点，选取双重平方函数 (Bi-square) 作为空间权重矩阵和赤池信息准则(AIC)确定带宽后通过RStudio的GWmodel包来构建GWR模型。

3 广州老城区公园使用的时空分布特征

3.1 时间分布特征

广州老城区的公园使用随一天内时间的变化有明显的起伏，且工作日和休息日的公园活动行为高峰情况存在差异(图2)。在工作日，公园的使用时间呈现着高度集中的特征，主要集中在9:00～11:00、16:00～18:00和21:00～23:00三个时段(使用者密度在22:00达到工作日全天的峰值)。而在休息日，居民公园活动的时间集聚性减弱，高峰期维持时间长，除21:00～23:00出现集聚外，在12:00～18:00形成长达6 h的相对稳定的高峰期(使用者密度在17:00达到休息日全天的峰值)。这表明广州老城区居民无论在工作日还是周末都习惯晚上到公园活动，除此之外，相对于工作日而言，大部分居民在周末更集中于中午过后至下午这段时间到公园进行各类活动。

图2 工作日和休息日公园使用的时间分布

3.2 空间分布特征

广州老城区公园使用情况参差不齐。公园使用指数最小为0.0280，最大为2.7172，均值为0.4188，标准差为0.4078。将公园使用指数按自然间断点分值法划分为4类(图3)。公园使用指数在0.5以上的城市公园有10个(黄埔古港公园、亲水公园、磨碟沙公园、草暖公园、广州市越秀儿童公园、广州兰圃、广州大桥桥头公园、人民公园、醉观公园、沙面公园)。其中，黄埔古港公园的公园使用指数最高，可被认作广州老城区使用强度最高的公园。值得注意的是，公园使用指数测度的是公园到访的强度，因此大型的综合公园和自然公园的公园使用指数普遍比社区公园小[10]。

图3 广州老城区公园使用的空间分布

4 基于GWR的公园使用的影响因素分析

4.1 模型对比

使用最小二乘法 (OLS)对自变量和因变量之间的关系进行分析。所有变量通过了共线性检验，VIF<7.5。由表2可知，OLS模型可以解释公园使用总变异的68.4%。所选变量中仅有3个通过了显著性检验，其中，公园商业类设施密度和公园使用呈正相关，而土地利用混合度、人口密度对公园使用的影响恰恰相反。

表2 公园使用的OLS模型计算结果

将数据代入GWR模型，所得结果见表3，选择调整R2值(AdjustedR-squarevalue)、AICc值(更正的赤池信息准则)和残差平方和(Residualsumofsquares)3个指标，对两模型进行比较。结果显示，相较于OLS模型，GWR模型对公园使用的解释力度有明显的提高，能解释公园使用总变异的82.46%。其次，GWR模型的AICc值比OLS值小且相差大于3，可以认为GWR模型具有更优的效果。再者，GWR的残差平方和减少了，提升了模型模拟精度。可见，GWR在本研究中更具优越性，故使用GWR模型探究广州老城区公园使用的影响因素。

表3 OLS与GWR模型拟合结果比较

4.2 影响因素的空间异质性分析

表4列出了所选变量对公园使用影响系数的五分位数及Leung显著性检验结果。公园规模、公园设施密度、路网密度、土地利用混合度和人口密度对公园使用的边际作用表现出显著的空间不稳定性。

表4 公园使用的GWR模型计算结果

(1)公园内部因素对公园使用的影响。公园商业类设施密度具有显著的正向影响，而公园规模对公园使用具有显著的负向影响。这表明在广州老城区，提高公园内部设施服务水平能吸引更多居民到访。相反，扩大公园规模不是提高公园使用的有效途径[15, 24]。然而，Zhang和Brown等[13, 25]发现规模越大的公园越具吸引力，这与本文结论不一致。原因可能是因为在广州老城区，公园规模越大并不意味着商业类设施等公园服务功能越齐全[15, 24]。从空间分布来看(图4a、b)，公园规模和公园商业类设施密度边际作用的空间变异特征相似，即两者的回归系数均由东南向西北呈逐渐递减的趋势。广州老城区的公园分布相对不均，沿珠江带和老城区的西北角是公园主要的聚集地。在广州老城区的西北角，公园规模不一但公园特征与特色没有明显差异，公园可达性可能就成为选择公园的首要考虑因素，布置在居民区的社区公园越容易得到居民的青睐[26]，因此在西北角公园规模对公园使用的负向影响程度越大；而在东部，公园特征差异明显，诸如黄埔古港公园、瀛洲生态公园和广州海珠国家湿地公园等各种类型的公园散落在东部，公园设施密度越大的公园越具特色，越容易吸引居民前往，因此在东部，公园设施密度对公园使用的作用最突出。

(2)建筑密度对公园使用的影响。建筑密度与公园使用在广州老城区范围内呈现微弱的正相关关系，表明公园使用更集中在建筑密度高的地区，这与前人研究的结果一致[7]，其原因可能是因为，一方面，建筑密度在某种程度上可以反映人口数量信息，人口是公园使用的基础；另一方面，公园能缓解建筑密度高带来的热岛效应问题的同时，还具有恢复作用，给予人们情感的放松，以软化空间压迫感[27-29]，因此在建筑密度高的地区，绿地就成为居民休闲活动最具吸引力的场所之一。在空间分布上看(图4c)，建筑密度对公园使用的影响整体呈现由东向西逐渐减小，晓港公园影响系数最小。广州老城区的西部是传统意义的城市地区，建筑密度普遍较高，因此对公园使用的影响程度较为微弱，而东部地区则反之。

(3)路网密度对公园使用的影响。总体来看，路网密度对公园使用具有显著的正边际作用，但部分周边环境的路网密度具有负边际作用。从回归系数空间分布图4d上看，路网密度的影响系数由广州老城区西部向东部逐渐递减，表明越趋向广州老城区东部，路网密度对公园使用的影响由正转为负，并负相关关系越来越强。究其原因，广州老城区东部并非意义上的城市地区，万亩果园以及城中村占据了用地的主体，道路建设水平相对落后，但东部地区的公园因其类型独特，吸力较强，加以广州老城区公共交通系统较为发达，能弥补路网密度低带来的不便，因此东部地区路网密度与公园使用呈负相关关系。而广州老城区的中西部，即荔湾区、越秀区和海珠区的西部，基础设施完善，路网发达，公园的可达性越高，公园的到访强度就越高，因此中西部地区，路网密度与公园使用呈正相关关系。

(4)土地利用混合度对公园使用的影响。土地利用混合度对公园使用总体上呈负向影响。从回归系数空间分布来看(图4e)，在老城区的西部呈现弱的正相关关系，从西往东由正相关转向负相关，且负相关关系越来越强，在黄埔古港公园处出现最强的负相关关系。广州老城区西部公园以综合公园和社区公园为主，况且城市建设更为悠久，公园周边设施配套相对齐全，土地功能丰富加以便利的周边环境，可吸引更多居民前往这片区域，增加了到访公园的可能性，公园使用指数也会相应提高[12, 14]。东部地区公园主要以自然公园和专类公园为主，公园各具特色，环境建设及配套更为完善，吸引力强。而东部地区公园周边土地利用混合度低，一是由于东部地区的开发发展落后于西部，二是依据《广州市公园条例》的规定，由于公园类型的特殊性，其周边开发受严格的管制。环境建设得更完善，其业态相对来说较为单一，但公园使用状况反而更多，这也印证了Ye和Qiu的观点[30]。

(5)人口密度对公园使用的影响。人口密度对公园使用具有显著的负向影响。从回归系数空间分布图4f可以看出，人口密度对公园使用的负边际作用从西南部往东北部逐渐加强。首先，虽然普遍认为在人口密度高的地区，城市公园使用得更频繁[30]，但是城市基础设施不断完善，发达的公共交通系统缩短了居民到公园的时间距离，居民可选择空间距离更远的公园开展活动，因此广州老城区人口密度对公园使用的边际作用为负。其次，居民观念发生改变，逐渐注重生活的品质，在老城区公园数量不多且建设比较陈旧，西部人均公园面积少，满足不了居民的需求。再次，居民对“野性”和“自然”追崇向往，东部地区城市开发建设缓慢，自然生态保护得当，更能吸引居民，因此东部人口密度对公园使用产生更大的负影响。

图4 不同变量对公园使用的GWR回归系数分布

5 结论

本研究基于11月26～30日的百度热力图数据对广州老城区公园使用情况进行量化，得到了公园使用在不同时间段的空间分布规律，并构建地理加权回归模型进一步探究公园使用的影响因素及其空间非平稳性，促进对广州老城区公园使用情况深入了解，为老城区公园的规划与管理策略制定提供参考。

根据时空特征分析，时间分布上，在工作日，居民到访公园的时间较为分散，而在休息日，居民参观公园的时间更集中于下午时段。空间分布上，广州老城区公园使用参差不齐，大规模公园的使用指数一般比小规模公园低。

地理加权回归模型考虑了变量间的空间非稳定性，更有效的刻画公园使用的影响因素，结果显示：①广州老城区公园使用影响因素存在显著的空间非平稳性，其中公园规模、公园设施密度、建筑密度、路网密度、土地利用混合度和人口密度的边际作用表现出空间异质性；②公园内部因素和公园周边环境因素对提高公园使用具有同样重要作用。考虑GWR回归系数中位数的绝对值，变量影响程度顺序为：土地利用混合度>公园规模>人口密度>公园设施密度>建筑密度>路网密度。

健康的城市需要给予体力活动足够的重视，需要提供充足的活动空间及周边环境的支撑。在城市更新的背景下，可以通过规划的手段对环境进行修复修补，以支持促进体力活动。对广州老城区全区而言，首先需挖掘公园资源，丰富公园功能，全区范畴对公园的布局做好规划协调，发挥各地区的特色；其次要继续完善公共交通，缩短到访公园的时间成本。对于以建成环境为主的地区，首先，重视社区公园，本研究中发现社区公园的使用强度比综合公园高，这与Chen等的结论是一致的[7]，因此需要发掘提升城市空间的“边角料”，发展口袋公园，并合理布局，注重绿地资源的公平性；其次，建议需判断公园周边土地利用混合度和公园使用处于何种关系，以寻两者关系的平衡点，发挥促进居民进行公园活动的最大化效应[14]；最后，建议在建筑密度高的城区多布局公园或空地。对于新开发地区，建议在保存公园自然生态和自身特色的基础上，提高公园内部服务水平，以增加公园的吸引力。

但本文也存在不足，首先，研究时间范围只选取了11月份其中5 d，只能表征舒适气温下广州老城区的公园使用情况，不能完全反映广州其他季节特别是极端天气下的公园使用情况以及气候差异对公园使用的影响。其次，本文使用百度热力图去评估公园使用，不能准确反映公园使用的总量以及公园到访者的个人属性特征。由此，本文未来研究工作还需要对影响公园使用的维度指标数据进行补充和挖掘，以完善目前的研究。