城市公園客源空間結構與出行目的分異
——以北京奧林匹克公園為例

◎ 叢曉男

城市公園客源空間結構與出行目的分異
——以北京奧林匹克公園為例

◎ 叢曉男

城市公園游憩者居住地的空間分布是導致其出行目的分異的重要因素，但已有研究長于刻畫人口學特征與出行目的的關系而短于揭示空間因素對出行目的的影響。本文在分析出行主體居住地空間結構的基礎上，試圖建立二者之間的聯系。研究基于探索性空間數據分析、空間點模式分析和空間相互作用模型，以北京奧林匹克公園為例分析本地游憩者居住地空間結構。通過威爾遜空間相互作用模型分析發現，入園人數隨空間距離增大呈指數型下降。隨著空間距離的增大，以游覽為目的的入園者逐漸增多，以休憩為目的的入園者逐漸減少，郊區人口更傾向于低頻次、長時間間隔性的游覽活動，而城區人口更傾向于高頻次、短時間間隔性的休憩活動，這意味著對于大型城市公園而言，即使在單一市場域內，游憩行為也會分化為“游覽”和“休憩”兩類主要目的。

城市公園空間 結構空間 相互作用市場域 出行目的

一、引言

城市公園是城市景觀和城市功能空間不可或缺的組成部分，作為典型的城市“開敞休閑空間”[1]，城市公園為廣大居民提供了游覽、休憩、健身、科教、文娛等活動的場所，對于提高市民生活質量、改善城市人地關系具有重要作用。隨著我國城鎮化的快速推進和市民需求的多元變化，市民對城市公園的品質和服務功能提出了更高的要求，基于微觀個體屬性及其需求視角開展城市公園規劃研究在規劃學界和經濟地理學界已引起廣泛關注[2,3]，近年來相繼取得了一系列研究成果。例如，孫櫻通過問卷訪談和全年跟蹤調查方法，分析了城市老年人口的休閑特征和行為目的分異[4]；吳國清等基于市場抽樣與數據統計方法，分析了城市居民不同職業對城市公園的需求差異與規律[5]；李建偉等以西安市豐慶公園為研究對象，通過實地調研和問卷調查，分析了由性別差異所造成的城市空間利用上的巨大差異[6]；朱文倩和孫崟崟通過封閉式問卷調查和訪談研究了生理性弱勢群體對城市公園設施需求及其活動類型[7]；鄧昭華等以廣州人民公園為例，基于實地踏勘、問卷調查和統計方法研究了不同性別的游憩行為差異特征和需求[8]；張華以杭州市若干城市公園為研究對象，調查了城市居民在綠色空間的游憩活動傾向，分析了居民對綠色空間的需求程度與人口社會經濟學特征之間的關系，研究發現不同年齡和教育程度的群體對城市綠色空間的需求程度具有顯著性的差異[9]；姚雪松等通過問卷調查和統計方法分析了老年人口對公園設施的滿意程度[10]；吳元芳研究城市公園免費開放后城市居民公園休閑行為的變化與特征，尤其是其游憩行為方式的多元化取向[11]；易浪和柏智勇以長沙市若干城市公園為例，采取問卷調查和樣本訪談的方式，按不同性別、年齡、職業等對城市公園的需求進行了分析[12]；等等。

上述研究均探討了出行主體（本文亦稱游憩者）不同屬性所產生的出行目的分異和特定需求差異，對于從行為學角度深入理解城市居民出行行為分異及其與引致因素之間的關系、優化城市公園服務內容與服務能力具有積極意義。然而，這些研究大多從出行主體的人口學特征維度出發，進行出行目的分異分析（例如，文獻[4,9,10,12]從年齡維度，文獻[6,8,12]從性別維度，文獻[9]從受教育程度維度，文獻[5,12]從職業維度，文獻[7]從生理障礙維度），對出行主體的空間分布因素所導致的出行目的分異研究則鮮有涉及。實際上，出行主體居住空間位置是影響城市公園服務供需匹配至關重要的因素，已有少數學者對出行主體空間結構或分布模式進行了初步探索[13]，但這些工作仍僅限于分析居住地與公園之間的距離遠近關系及交通方式選擇，對公園與客源地的空間相互作用等重要問題均未給出定量分析，更未涉及有效建立出行主體空間位置與出行目的之間的關系。出行主體居住地空間分布對其出游頻率和出游成本具有重要影響，進而決定了其出行目的的差異性，尤其是資源稟賦較好的大型城市公園，其吸引能力更強、服務輻射范圍更廣，不同位置的出游主體出行目的分異更加顯著。因此，在空間視角下探索出行目的分異，是對傳統人口學特征維度下的出游行為研究的重要理論補充，也能夠為城市公園優化產品和服務提供決策依據，因此具有理論和應用意義。有鑒于此，本文從城市公園游憩者出游行為角度出發，以北京市奧林匹克公園為例，在采用探索性數據分析、空間點模式分析、空間相互作用模型等多種方法對入園者居住地的空間結構進行定量分析的基礎之上，對空間結構所引致的出行目的分異進行了研究。

二、數據與研究方法

（一）研究區概況

2008年6月“鳥巢”的正式竣工標志著奧林匹克公園全部建成，該公園南起北土城東路，北至清河，東至安立路和北辰東路，西至林萃路和北辰西路，跨越北四環和北五環，總占地面積約11.59平方公里。公園的規劃和建設目標是為奧運會舉辦提供基本空間，同時在賽后的重復利用中，轉型為包含體育賽事、會展中心、科教文化、休閑購物等多功能的綜合性市民公共活動空間。2012年12月，北京奧林匹克公園獲得了“國家5A級旅游景區”稱號，成為北京市重要的體育、文化、休閑和會展空間，為奧林匹克事業的可持續發展起到了良好的示范作用。本研究涉及的其他區域對象，按空間范圍從小到大還包括奧林匹克中心區、北京市中心城區和北京市全域，其范圍界定如下：（1）奧林匹克中心區：北至清河南岸，南至黃寺大街，東至北苑路與安定門外大街，西至八達嶺高速，總面積29.22平方公里，包括奧運村地區、亞運村街道、安貞街道全部以及大屯地區的5個社區，是奧林匹克公園游憩功能的主要服務輻射區域，也是北京市六大高端產業功能區之一；（2）北京市中心城區：即首都功能核心區和城市功能拓展區，包括東城區、西城區、朝陽區、豐臺區、石景山區和海淀區，是北京傳統意義上的城市區域；（3）北京市全域：北京直轄市全境，含16個區縣。

（二）數據來源

核心數據為游憩者居住地的空間位置，通過實地問卷調查獲得，其獲取方式包括兩種，一是由受訪者直接在紙質地圖標明其居住位置，二是受訪者告知居住社區名稱或距離居住地最近的兩條道路的交叉口，然后將位置信息數字化，以此作為居住地空間位置的近似描述。盡管存在一定誤差，但這種采集方式能夠較快捷地獲取作為非GIS專業的游憩者的居住地空間位置信息，提高數據采集的成功率，同時不會影響統計意義上的分析結果，相較于通信運營商大數據則避免了倚重手機用戶造成的有偏采樣和非空間維度缺失。數據采集過程中遵循兩個原則，一是全面性原則，要求調查能夠全面覆蓋到不同的空間、時間和目標人群，二是隨機性原則，要求對受訪者的選擇具有隨機性。為此，在時間設置上，分別采集了2013年6月29日～7月2日以及2014年9月22日～26日兩個階段共9天的數據，涵蓋了從周一到周日的所有時段；在空間設置上，盡量在園區內均勻布點并對人流密集處有所側重，數據采集人員以調查點為中心，采集范圍半徑不超過50米，這種設置能夠保證數據采集有效覆蓋公園主要人流。值得注意的是，不同數據采集員存在采集到同一游憩者的可能性，但由于不對受訪人員給予問卷獎勵，且采集員使用統一工作標識牌，從而在最大程度上消除重復采樣問題。采用上述方式，共采集到到北京市本地游憩者有效數據915份，采集時間如表1所示，空間分布如圖1所示，圖中點狀要素表示受訪游憩者的居住位置。

為分析區域游憩人數與其人口規模的關系，需要采用北京各鄉（鎮、街道）常住人口數據（圖1所示），數據來源為2010年全國第六次人口普查，由于人口普查年份與居住地位置信息采集年份不一致，分析需假定北京市2010年人口空間結構與2013年、2014年相比沒有大的變動；北京市鄉（鎮、街道）行政區劃矢量數據來源于國家基礎地理信息系統，同時對新調整的少數區劃通過紙質地圖的數字化予以更新；奧林匹克中心區邊界、地鐵交通線等數據通過數字化得到。

表1 采集時間與有效樣本量

三、研究方法

以GIS為基本分析工具，采用定量分析方式開展研究，主要研究方法包括探索性空間數據分析（Exploring Spatial Data Analysis，ESDA）與可視化、空間點分布的最鄰近指數法、空間相互作用模型。

ESDA與可視化方法主要是將獲取的居住地空間數據以專題地圖形式表示，并與緩沖區分析、核密度函數分析相結合，從而在沒有先驗理論和假設的條件下，直接探索其各地理要素的關系和空間分布模式。

圖1 游憩者居住地空間分布及北京市鄉（鎮、街道）常住人口

最鄰近指數測度法（Nearest Neighbor Index，NNI）用于對游憩者居住地的空間點模式分析。該方法最早由Clark和Evans提出[14]，隨后被引入到城鎮聚落的空間分布分析中，目前，NNI逐漸發展成為一種地理學特別是經濟地理學和城市地理學常用的空間分析方法[15]。NNI方法的思想較為簡單，通過對研究區域內任意一點計算最鄰近距離，然后取這些最鄰近距離的均值作為評價模式分布的指標。對于同一組數據，在不同分布模式下得到的NNI是不同的，根據觀測模式的NNI計算結果與完全空間隨機（Complete Spatial Randomness，CSR）模式的NNI比較，可以判斷分布模式的類型。一般而言，在集聚模式中，由于點在空間上多聚集于某些區域，因此點之間的距離小，計算得到的NNI應當小于CSR模式的NNI；而均勻分布模式下，點之間的距離比較平均，因此平均的最鄰近距離大，且大于CSR模式下的NNI。本文通過上述過程對奧林匹克公園游憩者居住地NNI進行計算。為判定居住地空間聚集模式，首先通過ArcGIS工具箱的“Near”工具計算任一居住點i到各自最鄰近點的距離di，進而求得平均最鄰近距離：

其中，n=915為事件數量，此為采集到的所有居住地位置數量。則居住地最鄰近指數可由下式計算

其中，A為研究區域面積。若NNI=1，則表明居住地分布的聚集程度等同于CSR模式，屬于隨機分布，若NNI<1，則表明居住地分布在空間上相互接近，可歸為空間聚集模式，若NNI>1，則表明居住地點狀分布相互排斥，可歸為均勻分布。

采用空間相互作用模型和多元回歸模型分析游憩者空間分布與區域人口規模和交通距離間的關系，并在此基礎上分析北京奧林匹克公園的旅游市場空間結構，即在一定空間范圍內游憩者來源地的相對區位關系和分布形式。空間相互作用模型可表示為：

其中Oi表示吸引物的吸引特質，在經濟地理學中常指經濟發展水平、旅游資源豐度等指標，Dj表示被吸引區域j（域元）的某種潛在規模度量，用于標度被吸引物的規模，在旅游學研究中，常用人口數量代表“出游力”[16]，K為經驗常數，α和λ分別為調整參數，Tij表示吸引物i與區域j的相互作用強度，Tij具有矢量特性，作用方向為從j到i，f (dij)為交通成本函數或相互作用核[17]，表示空間距離對空間相互作用的衰減效應，當相互作用核為冪函數形式即空間相互作用模型即為牛頓引力模型，當相互作用核為指數函數形式即f (dij)＝exp(-βdij)，該模型即為威爾遜（Wilson）模型或最大熵模型[18]，其中β>0為空間阻尼。牛頓模型和威爾遜模型是1970年代以來經濟地理和區域科學研究中最常用的空間相互作用模型[19]，由于牛頓模型存在所謂的斷裂點悖論，分析二維空間問題時常導致計算發散，相比之下，威爾遜模型的指數衰減模式則彌補了這一缺陷，因此一經提出就受到極大關注且得以廣泛應用[16,20,21]，因此本文亦采用該模型。

由于只研究奧林匹克公園這一單一吸引物對本地居民的吸引力，此時公式(3)中的i為唯一，威爾遜模型形式為：

其中Dj為區域j的人口數量，dj為區域j到奧林匹克公園的空間距離，Tj為區域j到奧林匹克公園的游憩者數量。對式（4）兩側取對數得到可用于最小二乘回歸的線性化方程：

（一）空間聚集模式

為了系統分析在不同空間尺度下奧林匹克公園游憩者居住地的聚集程度，分別在北京市全域、中心城區、奧林匹克中心區的空間范圍內計算NNI。結果顯示，在上述任一研究區域內，NNI均小于1，表明居住點均呈現空間聚集模式。值得注意的是，以奧林匹克公園為中心，隨著空間范圍的向外延伸，NNI由0.63下降到0.25，呈逐次降低態勢，空間聚集程度有所提高，對不同距離緩沖區的最鄰近指數的計算同樣印證了這一變化趨勢，隨著緩沖距離的增大，空間分布模式愈發傾向于較強聚集模式，結果如表2所示。

上述分析雖然表明在任意空間尺度上游憩者居住地均呈現空間聚集模式，但這一聚集模式呈現出圈層特性，不同空間范圍的聚集強度存在差異，聚集成因也有所不同。較大空間范圍，例如北京全域范圍內，居住地具有相對較強的聚集特征，距離成為影響空間聚集程度的主要原因，游憩者居住地呈現“中心聚集，外圍分散”的聚集模式，即游憩者主要連片集中于公園周邊地區，在外緣則形成小型斑塊狀聚集區。較小空間范圍，即在公園周邊較近區域內，居住地具有相對較弱的聚集特征，主要是由于游憩者在公園周邊多個居住小區的分塊集中，表現為“整體分散，局部聚集”的特征。圖2所示的核密度分析結果清晰地表現出上述空間聚集特征。

表2 最鄰近距離指數分析

居住地在外緣形成的小型斑塊狀聚集區主要分布在交通可達性較好尤其是地鐵交通便利性較好的區域，從居住地的核密度估計圖來看，除了奧林匹克公園周邊連片聚集區外，外緣小型斑塊狀聚集區主要分布于地鐵10號線南段、1號線沿線、4號線北段、13號線西段等地區，如圖3所示。由于地鐵8號線能夠直達公園內的“奧體中心”“奧林匹克公園”和“森林公園南門”3個地鐵站，使市民能夠以地鐵方式便捷地進入奧林匹克公園。本文調研數據顯示，近半數入園者選擇乘坐地鐵，22.94%采用公交方式，13.82%采用自駕方式，10.59%采用步行方式（圖4所示），可見，地鐵是本地居民進入奧林匹克公園的主要交通方式，這種交通方式依賴性導致居民地在地鐵沿線周邊形成斑塊狀聚集區。

圖2 居住位置的緩沖區與核密度分析

圖3 居住位置與地鐵線路疊加分析

圖4 進入奧林匹克公園的交通方式

（二）圈層分布特征

居住地與公園距離的遠近，對游憩者數量產生重要影響。在樣本數據中，居住位置距公園邊界最近距離僅為0.3km，位于緊鄰奧林匹克公園西側的科學院南里三區；最遠距離為62km，位于密云縣城。盡管公園輻射距離較遠，但對不同距離的游憩者吸引數量存在巨大差異，與公園的距離越近，觀測到的游憩者數量越多，表現為較典型的圈層分布特征。以奧林匹克公園核心區為基準要素，以0.5km為最小單位做緩沖區分析，觀察各緩沖區內游憩者數量，得到圖5所示結果。據該圖可知，第一，游憩者主要聚集于公園的毗鄰區域，0.5km、1km和10km緩沖區內的游憩者數量占比分別達到7.32%、16.72%和69.62%；第二，隨著緩沖距離的增大，圈層內游憩者累計數量有所增長，但增長速度明顯下降，圈層累計人數占比曲線在距離區間上的增長速度則雖有波動但大致呈快速下降態勢（增長速度可以理解為緩沖區單位距離增長所帶來的游憩者增加數量，計算方法為v＝ΔP/ΔD，其中v為增長速度，ΔD和ΔP分別為緩沖區距離變化和相應的游憩人數變化。）

圖5 游憩者數量隨空間距離變化情況

四、市場域分析與出行目的分異

盡管游憩者居住地呈現以奧林匹克公園為中心的圈層分布結構，但在同一圈層內，居住地并非均勻分布，而是在某些空間形成聚集，且不同圈層的聚集特征有所不同，這表明圈層分析方法不能完全刻畫游憩者空間分布特征，居住地空間分布受到人口空間分布和交通距離的共同影響，即區域的人口數量較大則出游基數較高，與公園距離則影響到其可達性，居民出行意愿隨距離增大而降低。為準確刻畫人口分布和空間距離對出游者數量的影響機制，采用威爾遜空間相互作用模型對參數進行擬合，并在此基礎上分析奧林匹克公園的市場域并探討出行目的分異。區域人口數據采用全國第六次人口普查中北京市各鄉（鎮、街道）的常住人口數量，區域j的游憩者人數采用實際觀測值，且只選擇觀測人數大于0的鄉（鎮、街道），為觀察不同距離計算方式的影響，將空間距離分為歐氏距離和曼哈頓距離兩種形式，采用各鄉（鎮、街道）重心到奧林匹克公園重心的距離。為了分析不同空間尺度下居民出游行為的差異性，分別基于中心城區數據和北京全域數據進行回歸擬合，結果分別如表3和表4所示。

在對北京市中心城區數據進行擬合時，共有114個鄉（鎮、街道）具有觀測到的游憩者，截距項lnK和系數α、β均在1%的顯著性水平下通過檢驗。同樣，在對北京市全域數據進行擬合時，共有162個鄉（鎮、街道）觀測到游憩者，截距項和各系數也均在1%的顯著性水平下通過檢驗，表明威爾遜模型在公園客源空間市場分析中具有較好的解釋性，區域游憩者人數與其人口基數呈正向關系，同時隨著交通距離的增大呈現指數型衰減趨勢。

表3 北京市中心城區數據擬合結果

表4 北京市全域數據擬合結果

就不同的空間距離形式而言，在城市區域內曼哈頓距離更接近于居民的實際出行軌跡，且要大于歐氏距離，北京市中心城區樣本中曼哈頓距離約為歐氏距離的1.30倍，北京全域樣本中約為1.29倍，但兩種距離方式間呈現高度正相關關系，在北京中心城區和北京全域兩組樣本中相關系數分別高達0.9857和0.9862，這表明與公園歐氏距離較遠的游憩者同時也具有較遠的曼哈頓距離，兩種不同的距離形式對模型估計不會產生根本影響，因此，不論采用何種距離形式，模型均能通過檢驗，且擬合優度（Adjusted R2）相差無幾。同時，由于游憩者與奧林匹克公園的曼哈頓距離大于歐氏距離約30%，導致使用曼哈頓距離擬合出的參數β相對偏小。

對比表3和表4的擬合結果發現，相對于北京市中心城區，北京全域數據擬合結果的擬合優度有所下降，調整后的R2僅約為0.4。同時，系數α大幅下降，這與游憩者個體同質性假設下區域出游人數與人口基數呈正比的常識相違背。擬合優度和參數α的下降表明北京市中心城區游憩者和郊縣游憩者在出游目的上出現分異。作為一座大型城市公園和5A級景區，奧林匹克公園不僅是周邊市民的公共休憩空間，更吸引了大量來自北京郊區甚至外省區的游客，隨著客源市場與奧林匹克公園間距離的增大，游憩者在入園目的、入園頻次等方面都發生了明顯變化。本文將游憩者進入奧林匹克公園的（首要）目的分為觀光、休閑、購物、會展、賽事等類別，通過對居住地位于不同圈層的游憩者的入園目的進行統計發現，觀光與休閑是游憩者的主要目的，兩者合計占比高達80%以上，隨著空間距離的不斷增加，以觀光為目的的游憩者占比持續升高，在20km以上圈層占比高達53.33%，較5km內圈層提升了18.14%，趨近于京外游客觀光行為占比水平（觀光占62.27%，休閑占28.66%），與此同時，以休閑為目的游憩者占比則持續下降。這意味著，盡管游憩者均來自于北京，但在北京全域尺度上，足以讓市區居民和郊區居民的入園目的產生較大分異。由于觀光行為具有偶發性和較長時間間隔性，而休閑行為具有高頻性和較短時間間隔性，休閑行為對空間距離因素更為敏感，游憩者居住點傾向于在公園周邊較近地區聚集，因此會具有較大的空間阻尼，這解釋了表3和表4中參數β估值的差異。實際上，“游憩”一詞恰恰體現了兩類入園者的不同目的：“游”字更多地體現為“游覽”或“觀光”，即以游覽標志性景觀為主要目的；“憩”字則更多地體現為“休憩”或“休閑”，即以享受閑暇為主要目的。

圖6 不同圈層游客入園目的差異

分別采用表3中的模型2和表4中的模型4，計算奧林匹克公園游憩者的空間分布數量，其中距離數據采用各鄉（鎮、街道）重心與奧林匹克公園重心間的曼哈頓距離，得到的市場域分布分別如圖7左側和右側所示。對比兩圖可以發現，由于空間阻尼β的差異，采用模型2計算的市場空間分布較為集中，郊遠區縣市場份額較小，而采用模型4計算的市場空間范圍盡管也呈現出中心城區占比高、郊區占比低的特征，但空間分布相對發散，郊遠區縣市場份額顯著高于模型2的計算結果。這一結果從圖8的鄉（鎮、街道）累積市場占比曲線上也可觀察到，基于模型2所計算的累積市場占比曲線更為陡峭，表明客源市場主要集中于公園毗鄰區域。整體而言，模型2計算結果較好地刻畫了以休憩為目的的居民的空間分布，而模型4計算結果則具有綜合性，表現了包括游覽、休憩等多種目的在內的居民的空間分布。

五、結論與啟示

本文基于問卷調查數據，采用多種定量方法對奧林匹克公園游憩者居住地的空間結構進行了分析，并在此基礎上探討了游憩者居住地空間結構對出行目的分異的影響。主要研究結論和啟示如下：

交通距離是影響入園者數量的重要因素。以奧林匹克公園為中心，由內向外，隨著交通距離的增大，游憩者數量下降，且下降速度增快，導致入園者居住地呈現典型的圈層分布特征，數量由內部圈層向外部圈層依次減少，這與經驗觀測結果相一致，但圈層分布分析只能進行簡單的空間分布模式研究，不能分析同一圈層內空間分布的異質性問題，因而對空間分布的某些重要細節特征有所遺漏。采用最鄰近指數法計算表明，以奧林匹克公園為中心，在北京市任意空間范圍上，游憩者居住地均呈現空間聚集模式，且不同空間范圍的聚集強度存在差異。在較大空間范圍具有相對較強的聚集特征，游憩者居住地表現為“中心聚集，外圍分散”的聚集模式，游憩者主要連片集中于公園周邊地區，在外緣則形成小型斑塊狀聚集區。在鄰近公園的較小空間范圍具有相對較弱的聚集特征，主要是由于游憩者在公園周邊若干居住小區的分塊集中，在此范圍內表現為“整體分散，局部聚集”的特征。

圖7 基于模型2和模型4計算的市場域

圖8 基于模型2和模型4計算的累積市場占比

采用威爾遜空間相互作用模型考察了區域人口規模和交通距離對客流量的影響，以鄉（鎮、街道）為樣本估計了威爾遜模型中的相關參數。研究發現，游憩者數量隨交通距離增大呈指數型下降，但距離計算方式的差異對模型影響不大，原因在于歐氏距離和曼哈頓距離呈現高度正相關，不論以何種距離方式，模型均能顯著通過檢驗。分別以北京中心城區和北京全域數據作為樣本進行參數擬合時發現，兩者擬合出的空間阻尼相差較大，且前者明顯大于后者，其原因在于隨著空間距離的增大，入園者目的發生變化，以游覽或觀光為目的的入園者逐漸增多，這意味著即使在北京全域范圍內，入園者目的即可發生分異，郊區人口更傾向于低頻次、長時間間隔性的游覽活動，而城區人口更傾向于高頻次、短時間間隔性的休憩活動，這是由奧林匹克公園所具備的多種功能屬性所決定的，即奧林匹克公園不僅僅是作為城區居民的休憩空間，也是郊區和外省區的重要觀光旅游目的地。有學者已經發現了城市旅游景區游客行為目的的分異，例如劉少湃（2012）就指出“旅游者”和“游憩者”在行為內容、空間指向、景區使用強度、使用頻率等方面的巨大差異[22]，但本文的“游憩者”是劉少湃（2012）文中“旅游者”和“游憩者”的合稱，劉少湃（2012）文中的“旅游者”對應為本文的“游覽者”或“觀光者”，而其“游憩者”對應為本文的“休憩者”或“休閑者”。實際上，中小型城市公園的主要服務對象仍為鄰近地區的市民，但諸如北京奧林匹克公園等大型城市公園，其服務人群已不限于鄰近地區市民，服務功能也不限于提供休憩空間，而是具有游覽、休憩等復合功能，此類公園在世界范圍內并不鮮見，例如，號稱紐約“后花園”的中央公園，不只是紐約市民的休閑場所，同樣也是更是城郊旅游者喜愛的旅游勝地。城市公園尤其是大型城市公園的游憩者入園目的的分異，對城市公園產品和服務優化提出了新的挑戰，這必須建立在對游憩目的進行空間維度的市場細分基礎之上。

[1]Turner T. Open space planning in London: from standards per 1000 to green strategy[J]. Town Planning Review, 1992, 63 (4): 365.

[2]江海燕,周春山.國外城市公園綠地的社會分異研究[J].城市問題,2010,(4):84-88.

[3]武永春,劉欣葵,許聯鋒.基于居民需求的城市環境建設分析[J].生態經濟,2012,(8):177-180.

[4]孫櫻.城市老年休閑綠地系統需求分析與建設對策[J].資源科學,2003,25(3):69-76.

[5]吳國清,李天娟,李文苗.基于職業分異的城市森林游憩者的消費需求——以上海市為例[J].城市問題,2011,(2):64-69.

[6]李建偉,熊鵬,張競予,等.基于女性主義的城市公園游憩行為時空分異特征研究——以西安市豐慶公園為例[J].人文地理,2011,(5):60-64.

[7]朱文倩,孫崟崟.生理性弱勢群體對城市公園使用需求的研究[J].山東農業大學學報(自然科學版),2012,43(4):635-640.

[8]鄧昭華,劉垚,趙渺希,等.城市公園游憩行為的性別差異——以廣州人民公園為例[J].地域研究與開發,2014,33(5):109-114.

[9]張華.居民對城市綠色空間的游憩需求與健康效益感知研究——以杭州城市公園為例[J].北京林業大學學報(社會科學版),2014,13(2):87-92.

[10]姚雪松,冷紅,魏冶,等.基于老年人活動需求的城市公園供給評價——以長春市主城區為例[J].經濟地理,2015,35(11):218-224.

[11]吳元芳.城市公園免費開放背景下北京市民公園休閑行為變化與特征[J].地域研究與開發,2015,34(5):05-110.

[12]易浪,柏智勇.長沙城市公園綠地游憩行為特征調查與研究[J].中南林業科技大學學報(社會科學版),2016,(2):70-73.

[13]李孟穎.北京市大型公園節假日游使用者出行行為特征及其分析[J].旅游縱覽(下半月),2015,1:066.

[14]Clark PJ, Evans FC. Distance to nearest neighbor as a measure of spatial relationships in populations[J].Ecology, 1954: 445-453.

[15]蔡運龍,陳彥光,闕維民.地理學:科學地位與社會功能[M].北京：科學出版社,2012.

[16]李山,王錚,鐘章奇.旅游空間相互作用的引力模型及其應用[J].地理學報,2012,67(4):526-544.

[17]王錚,鄧悅,葛昭攀,等.理論經濟地理學[M]:北京：科學出版社,2002.

[18]Wilson AG. A statistical theory of spatial distribution models[J]. Transportation research,1967,1 (3):253-269.

[19]Isard W. Gravity and spatial interaction models[J]. Methods of interregional and regional analysis, 1998:243-279.

[20]Corrado L, Fingleton B. Where is the economics in spatial econometrics? [J]. Journal of Regional Science,2012, 52 (2): 210-239.

[21]Simmonds D, Waddell P, Wegener M. Equilibrium versus dynamics in urban modelling[J]. Environment and Planning B: Planning and Design, 2013, 40 (6): 1051-1070.

[22]劉少湃.城市旅游景區的游客構成及空間分流[J].城市問題,2012,(3):54-57.

The Spatial Structure of Residence and Objective Differentiation in Using a City Park: Evidence from Beijing Olympic Park

Cong Xiaonan

The residential locations of users of city parks play a significant role in deciding their travelling objective differentiation. Previous studies have paid much attention to the impact of demographic characteristics on the objective differentiation and ignore the impact of spatial factor. Based on the analysis of the spatial structure of users’ residential locations, the author tries to build a connection between their locations and travelling objective. This paper investigates the spatial structure of the residence of natives using a city park based on three methods,i.e., exploring spatial data analysis, spatial point pattern and spatial interaction model. It takes Beijing Olympic Park as an example. Some results in accordance with experiential knowledge had been proved, for example, the close relationship among the number of park users, regional population and spatial distance, the circle distribution pattern of the residence of park-users around the park, etc. Besides, some other results had been found. By utilizing Nearest Neighbor Index analysis, it is found that the residence of park users tends to be a spatial agglomeration pattern. The residence agglomerated in large amounts in the nearby area around the park, while formed multi-little agglomeration zones in the remote area. By utilizing Wilson spatial interaction model, the author found that the number of park users exponentially reduced as the spatial distance between users and the park increased. As the distance increased, the number of park users with visit purpose increased, and they were apt to visiting activities which had low frequency and long time interval. By contrast, users from central urban areas were apt to recreation activities which had high frequency and short time interval. That is, even if in the city scale, the purpose of native uses of large city parks could been divided into different types according to their purpose, which contained visiting and recreational purposes.

city park; spatial structure; spatial interaction; market area; travelling objective

K902，F59

10.3969/j.issn.1674-7178.2017.03.012

叢曉男，中國社會科學院城市發展與環境研究所副研究員，研究方向為城市與區域發展、政策模擬。

（責任編輯：盧小文）