顾及城市功能区的建成环境对城市活力的影响——以广州中心城区为例

刘迅， 廖珊慧， 黎焯轩， 朱敏珍， 李汶轩， 林锦耀

（广州大学地理科学与遥感学院）

1 引言

城市活力是城市的生命力，在城市的可持续发展中扮演着重要的角色[1]。简·雅各布斯最早提出城市活力的概念，她认为城市活力体现在人与人的活动及生活场所相互交织的过程[2]。如何建设充满活力的城市受到越来越多学者的关注。近年来，受城市发展粗放式增长的影响，许多城市中心城区出现活力衰退的现象。在此背景下，从精细尺度探索城市活力的影响因素，对于城市活力的再激发具有重要意义。现有的城市活力研究试图将城市活力转化为可衡量客观指标，通过人群的聚集与活动进行反映[3-4]。然而，依靠实地调查的方法费时费力，而且数据的代表性问题导致很难得出可靠的结论[5-7]。随着信息和通信技术的发展，地理大数据为城市活力测度提供新的视角，如手机信令数据[8]、百度热力图数据[9]、社交媒体签到数据[10]、POI数据[3]以及多源大数据[11]。

以往相关研究多对综合城市活力进行研究[12-14]，缺乏对城市活力的多种表征形式进行深入探讨。尽管蒋涤非从社会学的视角出发，将城市活力划分为城市经济、社会和文化活力[15]，并有学者从该视角进行相关的实证研究[16-17]。但是该方法并不是基于地域空间对城市活力进行划分，难以做到精细化。而城市功能区是具有多种城市功能但以某一种城市功能作为主导功能的城市用地，它是社会组织在空间上的表现形式[18]。不同城市功能决定了不同的城市活力，但目前从城市功能区划分城市活力的研究相对较少。考虑活力的不同功能类型有助于精细化分析不同活力的影响因素，从而针对性地提升城市活力。

城市活力的重构容易受到建成环境的影响。从建成环境视角研究如何激发城市活力，相关研究从多种建成环境指标入手，如建筑密度[19]、公共交通站点密度[20]、道路密度[21]、土地利用混合度[22]、绿地面积占比[23]。综上，本文以广州市中心城区为例，基于城市功能区将城市活力分成工作活力、娱乐活力以及居住活力三大维度，综合建筑环境、交通环境、土地功能环境和生态环境等建成环境数据，分析建成环境对城市活力的激发能力。本研究所得结果有助于更好理清建成环境与各类城市活力的关系，以期在国土空间规划中通过优化城市建成环境为提升城市活力提供参考意见。

2 数据来源与研究方法

2.1 研究区域

广州市地处中国大陆南方，是广东省的省会城市，是该省的政治、文化、科技、教育中心，是岭南文化的发源地和兴盛地，为中国首批历史文化名城之一，拥有2200年以上的历史。2018年10月，习近平总书记视察广州期间突出强调广州要实现“老城市新活力”。因此本文选取广州市中心城区作为研究区域，其面积为1559.59km2，包括荔湾、越秀、海珠、天河、黄埔、白云共6个区（见图1）。

图1 广州市中心城区

2.2 研究数据

2.2.1 城市活力测度

本研究通过腾讯位置大数据反映城市活力，在腾讯位置大数据平台利用爬虫技术采集了广州市中心城区2019年5月4日～10日的数据，共有时间、纬度、经度及定位次数4个字段，空间分辨率约为500m。根据2019年5月4日～10日的实际情况，将2019年5月4日划分为非工作日，2019年5月5日～10日划分为工作日，分别对数据求平均后，通过插值分析和分区统计获得对应的平均每小时人口数。本研究以数据格网为研究单元，将研究单元的平均每小时人口数作为城市活力强度值。将工作日工作区内白天（7：00-19：00）的平均每小时人口数定义为城市工作活力；将非工作日娱乐区内的全天平均每小时人口数定义为城市娱乐活力；将非白天居住区内的平均每小时人口数定义为城市居住活力。

2.2.2 建成环境测度

综合前人的研究成果[19-23]，根据变量数据的可获取性和质量水平，从建筑环境、交通环境、土地功能环境和生态环境4个方面选取7个自变量（见表1），探究广州市中心城区建成环境与城市活力的关系。各建成环境变量中，POI数据、公交站点数据、地铁站点数据以及建筑轮廓数据来源于高德地图网站；道路数据来源于Open Street Map网站；土地利用数据来源于清华大学FROM-GLC10产品的10m分辨率土地覆盖图[24]；城市功能区参考EULUC-China产品进行划分，划分为工作区、娱乐区、居住区及其他[25]。

表1 建成环境的变量体系

2.3 研究方法

2.3.1 熵指数

熵指数用于测度空间信息的不确定性，熵值越大，混乱程度越大[26]。在本研究中，熵指数利用POI数据计算，用于反映土地功能混合度。熵指数计算公式见式（1）：

式（1）中：EI为POI的熵指数；i为POI的种类，Si为研究单元格内第i类POI占总POI数量的比例。EI越大，表示研究区域土地功能混合度越大；EI越小，表示研究区域土地功能混合度越小。

2.3.2 相关分析

相关分析主要用于判断两个变量之间是否存在某种依存关系，主要通过相关系数的计算进行判断[27]。相关系数的取值在[-1,1]区间内。当相关系数大于0，表示两个变量存在正相关；当相关系数小于0，表示两个变量存在负相关；当相关系数等于0，表示两个变量不存在相关关系。

2.3.3 随机森林模型

随机森林模型是由Leo Breiman和Cutlery Adele在2001年提出的一种机器学习算法[28]。随机森林模型是通过集成学习的思想将多棵决策树集成的算法，不同决策树的组合可以生成比任何单个决策树更准确的结果[29]。

随机森林模型中的袋外数据（Out-Of-Bag，OOB）为每次抽样未被抽到的样本，可以度量变量因子的重要性，变量重要性的值越大说明该变量因子的重要性越高，越能解释因变量[27]。

3 广州市中心城区城市活力空间特征

广州市中心城区工作活力呈现出西南高、东北低，集中分布于珠江两岸的空间分布特征。城市工作活力值与其距城市中心区域的远近呈负相关，即距离城市中心区域越远，活力值越低。中心城区西南部呈现出较高的工作活力，而珠江沿岸地区同样是工作活力的高值区域，分布有以北京街道和天河南街道为代表的商业商务中心，这一区域内诸多的企业和政府机构、总部机构等提供了大量的就业机会和工作岗位，使得该区域的工作活力值呈现出高值集中连续分布的特征。东北部工作活力值较低，主要因为区域内分布有帽峰山森林公园等以生态旅游休闲产业为发展方向的生态示范区，以及位于黄埔区的中新知识城则因存在产业规模性集聚局面尚未完全形成等问题，其工作活力与城市中心区域相比差距较大。

广州市中心城区城市娱乐活力在空间上表现为南高北低、西高东低、高值区域块状分布。城市娱乐活力值的高低与区域内娱乐活动和休闲场所数量的多少呈正相关。南部区域呈现出活力值集中块状分布的特点，且娱乐活力较高，原因在于该区域内部有丰富的娱乐休闲资源，涵盖了大型购物中心、公益性文化设施等等。例如天河南街道中有由天河城、天环广场等大型购物中心组成的商圈，猎德街道中分布有广州图书馆、广东省博物馆等文化设施；北京街道有著名的商业步行街北京路等，丰富的商业资源和多样的娱乐设施吸引了大量的人流，因此该区域的娱乐活力值显著高于其他区域。西部区域的娱乐活力在空间上表现为连片集中，活力值低于南部区域，该区域在空间上紧邻老城区，承接老城区外溢人口的同时，也承担着外溢人口对于居住生活、休闲娱乐等方面的需求，并带动了本区域娱乐休闲功能的发展，但在服务等级上较低，对人流的吸引力较弱，因此表现出娱乐活力值连片集中、低于城市中心区域的特点；而东部和北部娱乐活力值远低于其他区域，主要因为该区域内部缺乏娱乐休闲资源，原生娱乐需求不足。

广州市中心城区城市居住活力空间分布格局为西南高、东北低、高值区域连片集中、低值区域零碎分散。城市居住活力在数值上低于工作和娱乐活力，但在空间分布上却更为集中。居住活力高值区域分为西部高值区和南部高值区。西部高值区的街道具有邻近老城区、生活成本低等优势，吸引了大量的中低收入人群聚集，使得该区域在空间上表现出居住活力值高、连片集中的特征；南部高值区中的街道多具有生活配套齐全、交通通达性好、居住条件优良等优势，居住功能突出。此外，东北部低值区居住活力低于西部和南部，是因为区域内部相应的生活配套服务不及老城区成熟、工作活力低于老城区，加之其与老城区距离较远、通勤成本过高，难以对人口形成有力的吸引（见图2）。

图2 广州市中心城区城市活力空间格局

4 建成环境对城市活力的影响

通过相关分析探究广州市中心城区建成环境与城市工作、娱乐、居住活力的关系，得到对应的Spearman系数（见表2），发现所有系数都通过了显著性检验，说明城市活力受建成环境的影响。总体而言，建筑环境和交通环境对城市各种活力的激发能力较大且为正向作用，生态环境对城市各种活力的激发能力为负向作用。

表2 建成环境对城市活力的影响

其中建筑密度、公交站密度对城市居住活力的影响最为显著。高强度建筑开发区域使居住用地利用效率大大提高，给居住空间带来更大的容纳量，促进城市居住活力的提升。公交站密度满足了市民出行的最后一公里，极大方便了他们的出行，利于城市居住活力的进一步发展。地铁站密度对城市工作、娱乐、居住活力的影响基本相等。地铁站密度往往设置在城市工作区、娱乐区、居住区，便于市民生活上的各种需求，能够提升城市的各种活力。道路密度、功能混合度对城市工作活力的影响最为显著。道路密度越大，交通通达性越高，吸引企业的集聚，提升城市工作活力。功能混合度高使城市空间功能多样化，增强了城市工作活力。绿地密度对城市工作、娱乐、居住活力为负向作用。绿地密度较高的区域为城市暂未开发的区域或开发程度较低的区域，绿地密度较低的区域为城市开发程度较高的区域。而城市开发程度影响着城市人口的多少，城市开发程度低会导致该区域人口较少，城市各种活力较低。另一方面，可能是因为其绿地景观品质较差，难以对居民产生足够的吸引力，从而体现不出带动城市活力的作用。

虽然多元线性回归已普遍用于分析因变量和解释变量之间的关系，但是这种方法只能用于线性分析，不能用于非线性分析。此外，多变量可能会引起共线性的问题。因此，本研究采用随机森林模型进行进一步的研究，避免多线性回归的局限性。随机森林模型中，R（相关系数）越接近1，模型拟合度越好；RAE（相对绝对误差）和RRSE（相对均方根误差）越接近0，误差越小。三种活力的模型的R都大于0.97，RAE和RRSE都小于24%（见表3），说明拟合效果较好，城市工作、娱乐、居住活力都受到建成环境的影响。

表3 随机森林模型评价

为了确定哪些建成环境指标对城市活力的激发能力最为重要，进一步从随机森林模型的袋外数据（OOB，out-of-bag）中获得解释变量的重要性值。重要性值越大，表明该解释变量的作用越大[30]。地铁站密度、公交站密度、道路密度是影响城市工作活力最大的因素（见图3）；地铁站密度、公交站密度、建筑密度是影响城市娱乐活力最大的因素（见图4）；公交站密度、建筑密度、道路密度是影响城市居住活力最大的因素（见图5）。综上所述，城市工作活力主要受交通环境的正向影响，城市娱乐、居住活力主要受交通环境与建筑环境的正向影响，与相关分析的结果类似。

图3 城市工作活力解释变量重要性程度

图4 城市娱乐活力解释变量重要性程度

图5 城市居住活力解释变量重要性程度

5 空间规划建议

本研究基于广州市中心城区城市活力空间特征及建成环境对城市活力的影响结果，提出以下规划建议：

1）在城市工作区、娱乐区、居住区加强交通基础设施的建设

本研究发现，城市工作、娱乐、居住活力均显著受到城市交通环境的影响，因此规划部门需结合广州市中心城区的实际情况，适度增加公交站密度、地铁站密度以及道路密度，提升交通基础设施的整体效能，实现交通大突破。在越秀区、荔湾区、海珠区等老城区，提质改造重要交通干道，确保其最大畅通度，同时优化公交站点、地铁站的布局，打通居民出行的最后一公里，缩短居民出行的时空距离；在天河区、黄埔区等新城区，高起点高标准规划交通基础设施，做到国际一流、国内领先、适度超前，激发城市的各种活力，致力于打造为广州市中心城区各种活力的引爆区。

2）在城市娱乐区、居住区合理加大空间开发建设强度

本研究发现，提高建设密度是提升城市娱乐、居住活力的重要途径。在城市娱乐、居住活力不足的白云区和黄埔区，充分利用土地资源，正确把握城市娱乐区、居住区的开发强度，打造高质量的建筑空间，积极承接老城区的人口的溢出，提升城市娱乐、居住活力的水平与质量，同时避免无序的城市扩张，形成与国家重要中心城市、国际大都市功能定位相适应，与经济社会发展相协调的良好的城市形象。

3）在城市工作区、娱乐区、居住区提高土地的功能混合度

本研究发现，土地功能混合度的大小在一定程度上影响了城市活力。在某一功能为主导的城市用地，需通过城市更新、改造，植入多元的城市功能，使不同城市功能在同一土地上的空间实现精准配置，使单一时段的城市活力变成全天候的城市活力。

6 结论与讨论

本文基于城市功能区，集成多源大数据，运用相关分析和随机森林模型分析了广州市中心城区城市建成环境对城市活力的激发能力，得到以下结论：

①广州市中心城区城市工作、娱乐、居住活力空间格局存在差异，城市工作活力空间分布呈现出西南高、东北低，集中分布于珠江两岸的特征，城市娱乐活力空间分布呈现南高北低、西高东低、高值区域块状分布的特征，城市居住活力空间分布呈现西南高、东北低、高值区域连片集中、低值区域零碎分散的特征。

②建成环境对城市工作、娱乐、居住活力的影响存在差异，城市工作活力主要受交通环境的正向影响，城市娱乐、居住活力主要受交通环境与建筑环境的正向影响。

本文所提出的相关结论可以为城市中心城区建成环境的优化以提升城市活力提供新思路。同时，腾讯位置大数据计算所得到的每小时平均人口数难以完全代表城市活力，后期可以采用不同类型的数据进行进一步研究；本文仅参考EULUC-China 产品对城市功能区进行划分，后期可以通过多源数据进行更精确的划分。