基于多源大數據的城市公園游憩使用和規劃應對研究進展

李方正 宗鵬歌

0 引言

在大數據迅速發展和不斷成熟的背景下，伴隨著地理信息系統（GIS）、遙感、數據可視化和社交網絡媒體的迅速發展，風景園林規劃設計受到了巨大影響，大數據及其技術使得風景園林行業正在經歷前所未有的挑戰和機遇。當今社會，人們對城市公園的游憩使用需求不斷增加，人們在繁忙的工作和生活之余，更加渴望感知自然。大數據可以直接記錄人的各種行為和感知，尤其是游憩使用行為和對公園游憩使用的感受，并且可以將人的游憩使用情況進行可視化處理，從而指導公園游憩規劃研究。隨著社會經濟的發展，人們進出公園的方式更加多樣化，這對公園的服務功能提出了更高的要求。城市公園游憩使用情況明顯受到公園可達性強弱、服務范圍大小的影響，而掌握其關鍵影響因素有助于規劃設計師更科學地進行城市公園的規劃應對，提高公園使用率。本研究以大數據支持下的城市公園游憩使用研究為主線，通過Web of Science、知網文獻索引文數據庫對SCI文獻、中文核心期刊刊登相關文獻進行總結，系統闡述了城市公園游憩使用大數據的類型，從游憩使用、可達性、服務范圍和規劃應對4方面總結了大數據支持下城市公園游憩和規劃應對的研究進展以及研究方法，以期為風景園林學科下城市公園游憩使用領域的研究與實踐提供新思路和參考。

1 城市公園游憩使用大數據類型

隨著云計算、互聯網等技術的興起，數據正在爆炸式增長和積累，大數據時代隨之到來[1]。一般認為大數據指的是大規模、超大規模的數據集，因可從中挖掘有價值的信息而備受人們關注[2]。大數據可以空間化記錄城市公園游人的游憩行為，根據其來源可分為直接上傳數據和間接上傳數據兩大類，進而還可以細分為5個不同中類和多個小類 （表1）。

表1 城市公園游憩使用大數據類型Tab. 1 Big data types used in urban park recreation use

1.1 直接上傳數據

直接上傳數據是指人們通過社交網絡或網絡媒體等平臺，主動上傳的點評、照片、簽到等數據。主動上傳數據包括社交網絡數據和網絡媒體數據兩大類。

1.1.1 社交網絡數據

社交網絡記錄了大量的用戶使用信息，如時空信息、情感信息以及語義文本信息等[3]，通過對數據的篩選和挖掘可以將其中一部分信息用于城市公園游憩使用規劃的前期分析和使用后評價。其中常用的社交網絡數據來源于微博、推特（Twitter）、臉書（Facebook）、微信等社交媒體網站或App，通過抓取游客的簽到數據和主觀點評數據獲取公園游憩使用信息。李方正等[4]通過分析微博社交平臺的簽到數據，對中國287個地級以上城市的13 759個公園的使用情況進行評估；周偉奇等[5]利用微博免費提供的地理簽到數據，量化并比較北京不同類型公園的游客數量，并對其影響因素進行分析；王波等[6]利用微博簽到數據，從時間、空間、活動3個層面對南京市城市活動空間的動態變化進行分析，并根據變化進行活動區域劃分。

1.1.2 網絡媒體數據

網絡媒體數據可以直觀地反映數據出現頻率和對簽到地點的正負面評價[7]，主要包括搜索引擎數據、網絡照片數據、網絡評論數據、網絡消費數據等。網絡媒體數據往往帶有較為強烈的個人情感色彩，因此運用在城市公園游憩使用方面的網絡媒體數據主要有游客評價、游人滿意度等較為主觀的評價數據。王鑫等[8]以北京市大型郊野公園為研究對象，提取大眾點評網上對其的熱點評論詞，通過詞頻分析，將公園的社會影響進行可視化分析；謝瑤等[9]通過搜索引擎檢索記錄對上海市153個公園的游憩功能進行研究分析，為優化公園游憩功能建設提供參考性建議；李春明等[10]借助帶有地理參考信息的照片對游人的時空行為進行研究。

1.2 間接上傳數據

間接上傳數據是各種數據平臺對人們的使用數據信息進行保留，而非人們主動上傳到網絡的數據。其數據來源可以分為交通傳感數據、位置服務數據、地圖與興趣點（points of interest, POI）數據等。

1.2.1 交通傳感數據

交通傳感數據是與居民移動相關，城市內部、城市之間交通相關的各類傳感信息數據[11]，它包含非常豐富的居民活動信息，主要通過公交車、出租車、地鐵等交通工具的刷卡或打卡數據來獲取人們的出行時間、地點和路線，以輔助判斷人們通勤出行情況以及綠道等綠色空間的規劃。李方正等[12]通過將公交刷卡數據與人口出行分布規律進行耦合分析，輔助綠道規劃選線；龍瀛等[13]利用公交IC卡的刷卡數據對北京職住關系和通勤出行進行分析。

1.2.2 位置服務數據

位置服務，又可稱為定位服務，由衛星定位系統和移動通信網絡聯合實現[14]。位置服務數據作為POI數據的深度補充，可以幫助規劃師和設計師理解城市運行狀況并反映人口行為和分布規律，已成為與風景園林規劃緊密結合的一種數據類型[14-15]，常見的位置服務數據類型有移動手機信令數據、騰訊出行大數據、移動位置數據等。由于手機的普及，此類數據具有普遍性和大眾性，能為公園游憩研究提供游客的時空信息，在輔助研究城市公園的選址、公園游憩使用的影響因素以及促進綠地公平等方面具有重要意義。方家等[16]借助手機信令數據對上海市城市公園的供需服務進行分析，為公園規劃和選址提供了參考建議；李方正等[17]以北京市40個郊野公園為研究對象，利用騰訊出行大數據對公園游憩使用的影響因素進行分析。

1.2.3 地圖與POI數據

大數據時代的電子地圖所涵蓋的空間信息比紙質地圖更豐富，而POI數據是電子地圖上能夠抽象成點的地標，如超市、小區、醫院等[14]。地圖與POI數據是公園規劃的基礎素材，通過地圖尺度的精細化，這些數據可以準確反映各種物理空間，進一步可以精準客觀地判斷出游憩使用對象的工作底圖、游憩使用的影響因素，以指導規劃分析。如可通過判斷周邊商業設施狀況，利用周邊的交通站點判定交通的可達性等。張麗等[18]利用2組地理數據描述武漢市57個城市公園的使用情況，研究結果表明百度POI數據比微博簽到數據更能描述武漢市城市公園的游憩使用情況；戚榮昊等[19]借助百度POI數據對城市中的人群分布和活動強度進行量化研究，為今后的公園服務范圍判定提供優化建議。

2 城市公園游憩研究內容

理清城市公園游憩使用內容，對于合理進行城市公園規劃應對，實現公園可持續發展至關重要。本研究從游憩使用、可達性、服務范圍和規劃應對4個方面對公園游憩使用研究內容進行分析。

2.1 多尺度公園游憩使用研究

公園的游憩使用情況直接或間接反映城市公園的使用頻率、受喜愛程度等信息。因此隨著大數據技術的不斷發展，學者們在不同空間尺度上，利用大數據、使用多種指標開展公園游憩使用研究。首先，在公園尺度方面，單個公園研究對數據要求更加精準細致，因此應注意大數據與傳統數據的差異，王志芳等[20]分別從社交媒體數據和傳統調查數據入手，研究對比2種數據在北京市奧林匹克森林公園游憩使用的差異。學者通常還選擇特定類型公園進行游憩使用研究，李方正等[21]針對北京市40個典型的郊野公園，利用騰訊出行大數據，結合現場調研方式，運用核密度、地理探測器等多種分析方法研究不同公園在使用方面的差異以及影響郊野公園使用的因素；李方正等[22]還運用騰訊出行簽到數據對北京市中心城區的58個社區公園的使用特征及影響因素進行分析。隨后有學者將公園游憩使用研究擴展到針對同一城市的所有公園游憩使用的對比研究，周偉奇等[23]通過使用社交媒體免費地理標記的簽到數據，量化比較北京市不同類型公園的訪問量，并利用多元線性回歸模型分析影響公園游憩使用的因素。李方正等[22]運用核密度、基尼系數等分析方法對北京市中心城區綠地的游客分布進行時空分析，得出不同類型的公園在工作日和周末的游客分布情況。隨著數據挖掘技術的提升，游憩使用逐漸拓展到更大尺度，李方正等[4]通過分析微博簽到數據，對中國287個地級及以上城市的近萬個公園的使用情況進行評估，并使用多元線性回歸模型對影響公園游憩使用的因素進行分析。

其次，在游憩使用的指標上，學者分別對公園游憩使用總量、使用密度、使用感受進行研究。李方正等[4]利用微博簽到數據對公園游憩使用總量、游憩使用密度進行統計，對數據進行篩選、分類后繪制公園游憩使用密度圖；王鑫等[24]通過詞頻分析技術對北京森林公園的網絡評價信息進行采集和分析，獲取公眾對公園使用的感受以及大眾關注的熱點，進而更好地指導公園規劃。網絡大數據與以往的傳統數據相比，具有獲取快速、高效，內容廣泛，數據基數大的優點，但是社交媒體數據本身也會對數據的真實性和偏向性產生影響。例如微博的使用主體以中青年居多，這使得數據信息具有明顯的偏向性，即以反饋中青年的游憩使用感受為主；在進行游憩使用頻率的數據統計時可能會產生誤差等，因此需要結合調研數據或更多源的數據來支撐全年齡段的公園游憩使用研究。

2.2 精細化公園游憩可達性研究

公園的可達性直接影響其游憩使用情況，通過研究公園可達性為提升公園分布合理性提供科學依據。傳統公園可達性研究主要基于官方實地調研統計的土地利用數據、各街道行政區劃圖和人口數據：魏治等[25]結合當地街道人口統計數據。街道行政區劃圖、城市綠地等傳統數據對公園可達性進行探究。學者開始結合多源大數據對交通傳感數據、公園數據、游人位置數據等進行收集和刪選，并將刪選后的數據進行可達性分析計算，對公園游憩可達性進行了更加精細化的研究。秦華等[26]基于網絡分析法，以重慶市萬州區為例對其城市山地公園的可達性進行研究，并針對其存在的問題提出解決策略；凌自葦等[27]通過最小累積阻力模型計算深圳市寶安區2個居住組團內的公園可達性，并利用房價劃分居住區級別，通過疊圖來統計和評價組團內不同級別居住區的公園可達性；徐承棟等[28]基于網絡分析法，通過計算可達性指數和服務強度，從空間布局和居民使用2個層面對云南省普洱市城市規劃區游憩綠地可達性進行分析；方家等[16]以移動手機信令數據作為數據源，探究上海不同綠地可達性的差異，發現在周末和工作日，人們的旅行距離具有差異（圖1）。隨后，可達性的研究逐漸多元，城市綠道等線性綠色空間也成為重要研究類型：蘆迪等[29]以美國巴爾的摩市“TCB”綠道為例探索綠道可達性和使用者活動強度之間的相關性，驗證了綠道可達性的強弱直接影響綠道的使用；胡明星[30]以江陰市澄江街道為研究對象，采用修正重力模型，判斷江陰綠地系統規劃前后綠地可達性的差異。在濱水景觀方面，鄔峻等[31]以武漢市為例，分別研究居民到達就近濱湖景觀空間的可達性程度和在機動車交通方式下到達各濱湖空間的可達性水平，并歸納其影響因素。由于不同類型的城市公園所吸引的人群不同，因此在計算公園可達性時，如何結合公園類型和人群出行特征差異提升可達性計算精度，成為可達性研究的重要趨勢。

1 上海市居民周末和工作日的出行距離分布[16]Distribution of travel distances in Shanghai on weekends and weekdays[16]

2.3 精準化游憩服務范圍研究

公園游憩服務范圍處于動態變化之中，理清其識別、空間衰退和流動情況有利于提高公園規劃的公平性。在傳統研究中，學者通過調查問卷等方式研究各類型公園的服務范圍，駱天慶等[32]以上海市為例，通過對其社區公園進行取樣調研，剖析其服務范圍、公園內活動空間構成和游憩設施配置的現狀問題，從而指導社區公園游憩服務體系的構建和完善；劉金川等[33]以上海市楊浦公園為例，分別運用數據推算法與實證定點法2種方法檢驗經典理論與現有標準確定下的大城市區域性公園服務范圍差異，進而指導公園服務體系規劃。隨著大數據的出現，學者可更精準地定位使用者的起始位置和獲取更大量的樣本數據，提升服務范圍判定的精準化。郭思慧等[34]以移動手機信令數據為基礎，對北京城市公園進行服務范圍判定，同時結合多元線性回歸模型分析各因素對北京公園服務范圍的影響。劉文平發現公園游憩服務范圍具有衰退特征，隨著空間距離的增加，公園的游憩服務出現衰退現象[35]（圖2）。劉文平等[36]借助核密度分析法和曲線回歸模型模擬等方法，利用三維制圖解析公園游憩服務輻射距離、服務時長與服務人數的時空關系，同時發現在一定的游憩服務范圍內，游客流動、服務范圍與服務的空間流動相關[37]。游憩服務范圍研究為城市公園空間分布和管理決策提供了可借鑒的方法，使城市公園與居民生活聯系得更加緊密。目前對其服務范圍的研究更多聚焦在空間上，較少涉及不同時間特征下的游憩服務范圍的差異性，這為我們全面認識公園服務范圍構成、流動和衰退帶來一定局限性。此外服務范圍研究主要集中在大、中尺度公園的研究上，而針對小尺度公園的研究較少。

2 武漢市部分公園游憩服務KDE特征[35]KDE features of recreational services of selected parks in the city of Wuhan[35]

2.4 科學性公園規劃應對研究

理清公園游憩使用的影響因素，有利于規劃師更好地進行規劃應對。大數據的出現對于全面理清規劃設計對游憩服務的影響提供了重要的科學數據支撐。影響公園游憩使用的因素包括內因和外因，即公園內部的設計因素和外部的規劃因素。在內因方面，李方正等[4]通過微博簽到數據對中國城市公園游憩使用情況進行評估，發現增強公園邊界空間對提升公園游客吸引力有重要影響；張塞等[5]通過地理標記簽到數據比較城市公園游憩使用的訪問數量，發現公園規模對公園游憩使用具有積極影響。在外因方面，李方正等[38]通過對北京市中心城區208個綠地的游客分布進行分析，發現公園周圍的商業設施和交通便利性對公園游憩使用具有顯著影響，其中商業設施是影響公園游客分布的主導因素；郭思慧等[34]通過對北京城市公園服務影響因素分析，發現不同時間段公園受歡迎程度的影響因素有明顯差異?；谝陨嫌绊懸蛩匮芯?，學者提出不同的規劃應對。李方正等[4]通過微博簽到數據對中國城市公園游憩使用情況進行評估，提出建設“公園綜合體”、關注公園周邊設計，用幾個小型社區公園代替單一的大公園等都可以提高公園使用率，進而增加公園游憩使用頻率；劉文平等[35]對武漢市城市公園游憩服務的空間衰退進行分析，提出擴大公園規模和增強某些設施的可用性，如草坪、操場和公園周圍的商業娛樂設施來吸引更多的游客，以提高公園的游憩使用效率。同時，大數據可在一定程度上直接輔助規劃過程。李方正等[12]基于北京市公交刷卡數據分析人口出行分布規律，結合北京市土地現狀進行綠道規劃方法研究，從而直接指導城市綠道規劃。由于數據分析和研究過程與規劃設計的基本制圖單元具有一定差異，如何更精準地對接規劃設計過程是規劃應對研究的關鍵難題。

3 城市公園游憩研究方法

大數據分析是指導公園規劃的關鍵[39]，對于規劃設計師來說，正確使用大數據處理的技術方法不僅能從數量和空間的角度研究公園游憩使用情況，還能客觀地將不同人群的需求以可視化形式表達出來，從而揭示公園游憩使用的影響因素，指導未來的城市公園規劃。下文從游憩使用、可達性、服務范圍和規劃應對4個方面介紹當前城市公園游憩研究方法（表2）。

表2 常見研究方法分類Tab. 2 Classification of common research methods

3.1 從數據可視化到游憩使用表達

城市公園游憩使用研究方法主要分為可視化方法和統計分析方法。數據可視化技術可直觀反映不同公園的游憩使用信息[40]，借助特定的軟件工具以圖表、地圖等更加直觀的圖形方式展現數據信息[41]，讓分析者更清楚地理解公園游憩使用情況。在空間可視化方面，利用RGB顏色技術，通過不同顏色層級直接清晰地反映公園游憩使用人數和密度；而核密度估計分析法不僅可以反映公園游憩使用強度，還能進一步識別其服務范圍的空間衰退情況。在文本可視化方面，可以利用詞頻分析法，將關鍵詞進行詞頻分析從而得出公園游憩內容中最受游客歡迎的游憩詞頻頻度等信息。在三維可視化方面，可以利用Sigmaplot軟件對不同公園游憩使用情況進行三維制圖（圖3），從三維空間維度對其游憩使用特征進行可視化表達。

3 三維制圖：公園游憩服務輻射距離、服務時長與服務人數時空關系[36]Three-dimensional mapping: the space-time relationship between the radiation distance, service duration and the number of visitors[36]

數據的統計分析主要是利用各類軟件工具挖掘大數據中的有用信息[42]，公園游憩使用數據的統計分析通?？梢灾苯颖碚饔雾褂玫奶卣?，進而理解其差異性。在空間差異方面，利用基尼系數可以衡量公園游憩使用在空間分布的聚集程度；在數量差異方面可利用直方圖，得到公園游憩使用量的多少；再利用K-S檢驗分析游客在公園游憩得到的簽到數據與官方統計數據之間的正態性，進而為下一步的統計分析工作做準備。另外一種常見方法是通過ArcGIS軟件，利用柵格化處理將游憩使用量進行圖層處理，進而利用3D模擬技術從三維空間的角度對數據結果進行展示?？傊诖髷祿杆侔l展的今天，轉換數據分析思維，主動利用新興科學技術和軟件工具[42]，將有助于我們更好地對公園游憩使用情況進行預測和總結。

3.2 從出行模擬到可達性判定

提升可達性，促進城市居民快速便捷地進入城市公園，這是公園規劃和管理的重要研究方向。常見的可達性計算方法包括歐氏距離法、高斯兩步移動搜索法、統計指標法、網絡分析法、最小距離法、引力模型法，這些方法均通過一定的出行模擬來判定公園的可達性。統計指標法[43]將公園可達性簡化為指標享有量，對某特定區域內的公園面積大小、數量和人均公園面積等指標進行評價，間接反映公園可達性的程度。而網絡分析法[43]以具體的某種交通方式為基礎，以道路網絡為依據，計算該種出行方式的交通阻力值，以表征其可達性；引力模型法[43]對公園服務能力和潛力進行考量，運用函數公式表達公園可達性。部分研究將可達性研究方法拓展到計算出行距離，歐氏距離[35]是指歐幾里得空間中2個坐標點之間的直線距離，通過POI等多種數據類型測量居民從出發地到目的公園之間的2點距離；最小距離法[43]以計算居民出發地點到目標公園之間的最短直線距離來體現公園的可達性強弱；高斯兩步移動搜索法[25]則更加綜合考慮城市公園游憩與人口出行規律之間的關系，通過建立高斯方程進行公園可達性評價。

3.3 從大樣本起始位置識別到服務范圍計算

城市的快速發展導致城市公共服務供需失衡，因此有必要通過具體研究方法對公園服務范圍及其影響因素展開研究，來提高城市公園游憩使用率。服務范圍計算的關鍵是識別使用者的起始位置（origin-destination, OD）。類似的研究方法有標準差橢圓分析工具、核密度估計法、網絡分析法等。其中標準差橢圓分析工具是判定游憩服務范圍的重要依據，它可以從數學和幾何關系上確定游憩范圍；核密度估計法可以用來估計不同類型公園到居住區的路線密度；網絡分析法[44]即以交通大數據為基礎，利用實際路網計算公園的服務范圍。

3.4 從影響因素判定到規劃應對

城市公園規劃應對需要從海量的數據中判斷不同數據之間的相關性，從而指導規劃。數據的相關性需要經過數學分析和提煉才可能轉化成明確的數字關系[45]。因此我們必須對數據進行相關性判斷，才能理清影響公園游憩使用的影響因素，從而更好地輔助設計者進行規劃。類似的技術方法有最小二乘模型、地理探測器、Spearman相關分析、多元線性回歸模型等，它們都能判斷多種變量之間的親密關系進而得出相關性判斷。從線性相關角度來看，最小二乘模型和多元線性回歸模型都可以通過尋找潛在影響因素，得出外部規劃因素和公園內部設計因素對公園游憩使用的影響。從空間角度來看，地理探測器可以判斷不同因素影響空間差異，有助于設計人員從空間層面定量研究各影響因素對公園游憩使用的影響。

4 大數據支持下的城市公園游憩研究發展趨勢

大數據已逐漸成為公園游憩使用和規劃應對領域的重要研究依據，但總體來說依然處于探索階段。大數據在城市公園游憩使用和規劃應對方面會呈現出下列3個發展趨勢。

1）公眾參與式數據的融合會促進城市公園游憩使用研究中數據類型趨于多元化，數據樣本趨于精細化。首先，隨著大數據技術的發展，會有越來越多不同類型的大數據來支撐公園游憩使用研究；公眾科學的出現也將產生更多的人本數據來支撐公園游憩使用研究。公眾參與地理信息系統（PPGIS）、可穿戴式設備、眼動儀等產生的精細化人本數據將會更精準地反映游客的游憩位置及游憩感受，進而為公園游憩使用研究提供更強有力的數據支撐，在一定程度上解決大數據精度問題。此外，醫療數據、交通數據、文化數據也會成為公園游憩使用研究的重要數據來源。

2）精細化大數據將會支撐城市公園游憩使用時空尺度的延展性。目前關于城市公園游憩使用研究主要集中在大、中尺度上，對于小尺度公園的研究相對較少，如何通過精細化數據及數據清洗來進行小尺度公園游憩使用研究將成為未來研究的突破重點。由于城市居民交通距離的增加，精細化評估工作和居住空間的公園使用差異，即評估不同時間段公園暴露人口是未來熱點議題，將會對進一步指導精細化規劃提供重要科學依據。

3）城市公園游憩研究從公園游憩使用拓展到公園游憩景觀感知及其服務評價。在未來，會有更多用來表達人們景觀感受的游憩數據被主動上傳至網絡[46]，如何結合已有微博、推特、微信等位置服務數據，增加更豐富的感受和感知信息，構建公園感知監測系統將會成為指導公園精細化設計的熱點研究方向。

圖表來源(Sources of Figures and Tables)：

圖1來源于參考文獻[16]；圖2來源于參考文獻[35]；圖3來源于參考文獻[36]；表1～2由作者繪制。