LA研究 | 魏迪陆毅汪原胡兴 | 信息流介入公共空间活力营造——基于城市公园的大数据循证分析

Original 魏迪陆毅汪原等风景园林LAVISION

2024-09-02

全文刊登于《风景园林》2023年第7期 P86-93

魏迪，陆毅，汪原，胡兴.信息流介入公共空间活力营造：基于城市公园的大数据循证分析[J].风景园林，2023，30（7）：86-93．

信息流介入公共空间活力营造——基于城市公园的大数据循证分析

魏迪

男 / 华中科技大学建筑与城市规划学院在读博士研究生 / 湖北省城镇化工程技术研究中心成员 / 香港城市大学工学院联合培养在读博士研究生 / 研究方向为城市设计及其理论、建成环境与行为

陆毅

男 / 博士 / 香港城市大学工学院副教授 / 研究方向为绿地评估与健康、城市大数据

汪原

男 / 博士 / 华中科技大学建筑与城市规划学院教授 / 湖北省城镇化工程技术研究中心成员 / 研究方向为城市设计及其理论

胡兴

男 / 博士 / 华中科技大学建筑与城市规划学院讲师 / 湖北省城镇化工程技术研究中心成员 / 研究方向为城市设计及其理论、城市基础设施

摘要

【目的】基于多源城市大数据，探寻信息流与公共空间活力的关系。【方法】以深圳市125个城市公园及其用户生成内容(user generated content, UGC)为例，在控制区位特征、可达性、公共空间特征后，量化信息流对公共空间活力的影响。【结果】研究发现：信息流对空间活力具有显著的积极效应; 信息流的不同变量(评分、情绪值、曝光度)与信息流类型对空间活力效应具有显著差异。【结论】研究结果证实了信息流的显著效应及其异质性，为公共空间的活力营造提供定量数据支撑与策略。通过分析信息流介入活力营造的现象与机制，进一步反思人、技术与城市的关系，以重新理解公共空间活力营造的当代性。

关键词

公共空间活力；信息流；移动互联网；社交媒体；城市公园；用户生成内容；大数据

城市公共空间承担着市民们的日常活动，为城市中不同层次社会关系提供交往与融合的平台，容纳丰富多元的城市生活，是城市品质的重要体现。在现代城市发展新格局下，大量城市更新与再开发规划设计已着眼于营造空间活力，且提升公共空间活力已成为建设人本城市的关键目标之一。公共空间（如公园、广场）为市民提供多种积极社会效益，如缓解压力、促进身体活动与社会交往等。因此，厘清高活力公共空间的形成原因与演变机制，有助于政策制定与设计决议以营造空间活力，进而建立良好的公共健康福祉。

另一方面，依托于城市基础设施与信息通信技术，人类开始步入以信息为主导的社会阶段。在移动互联网时代，城市已被塑造为媒介内容与网络连接“无处不在、无时不在”的媒介空间，信息流已成为当代城市日常生活中的重要组成部分。因此，本研究以城市公园及其相关用户生成内容（user-generated content, UGC）为例，聚焦城市公共空间与信息流，定量揭示信息流对城市公共空间活力的影响效应，并剖析移动互联网时代公共空间活力营造的内在规律与机制。

1 研究方法

本文选择深圳市共125个对公众开放超过一年的公园作为样本，涵盖多种公园类型（图1）。

1 样本公园的空间分布

参考既有研究，本文采用百度基于位置服务（location-based service, LBS）热力图栅格数据测度样本公园内人群活动的时空特征。数据收集时间为2021年11月27日—30日（周六至周二），该时段内全市气候适宜，无雨，无出行管控政策。在使用样本公园边界裁剪LBS栅格数据后，采用ArcGIS Pro 2.8.1软件计算公园内每个LBS像元数值，以代表每个像元内的相对活动人数。各公园LBS数据的平均值作为城市公园活力变量。

本研究以5个中国主流社交媒体平台（新浪微博、大众点评、携程、快手、抖音）上与公园相关的UGC作为信息流样本。使用Python代码结合Scrapy网络爬虫框架与BS4包开发了多线程爬虫，在遵守隐私与数据安全法规的前提下进行数据收集。本研究考虑了时序关系，于2021年11月13日—26日（即公园活力数据收集前2周）进行UGC数据收集。本研究共收集了316 929条与样本公园相关的UGC，可分为3组地理位置UGC与3组非地理位置UGC，在针对UGC数据进行批量筛选后，共剩余155 463条UGC作为本研究的样本UGC。

本文使用UGC元数据批量计算了各公园在不同平台的UGC评分、情绪值与曝光度。公园所有UGC评分的平均值作为UGC评分变量（仅大众点评与携程的UGC携带评分）。参考既有研究，UGC的潜在情绪值采用百度提供的基于自然语言处理的预训练情绪分析模型（ai.baidu.com/easydl/nlp）来评估，每条UGC文本的情绪值范围为0~2.00，分别代表极端消极与极端积极情绪，各公园总UGC文本情绪值均值作为UGC情绪值变量。UGC的曝光度通常由阅览量量化，但并非所有UGC提供阅览量数据。在检验了阅览量和评论数的高相关性后，使用评论数来估计曝光度，并以公园所有UGC评论数的平均值作为UGC曝光度变量。

多组变量需要被控制以检验UGC对公共空间活力的效应。控制变量包括区位特征、可达性、公共空间特征，并采用Python代码、ArcGIS Pro软件、Google Earth Engine平台与sDNA空间句法模型进行计算（表1）。

本文使用R（v4.0.3）代码进行模型建构。采用分层线性回归模型，在控制关键变量后，量化UGC对公共空间活力的标准化效应。

表1 控制变量的筛选与计算

2 结果与分析

2.1 信息流与空间活力特征

各样本公园UGC属性的箱形图表明，不同公园的UGC评分、情绪值与曝光度有所不同（图2）。95%样本公园UGC的评分处于3.00~4.85区间内，平均值为3.95，反映出使用者对公园评价总体呈现好评。UGC的情绪值分布与评分类似，95%的总情绪值＞1.00（即为积极情绪），处于1.16~1.91的区间内；总情绪值均值为1.70，表明访问公园的用户总体呈现较高的积极情绪。95%UGC的平均曝光度处在0~141.0区间内，平均值为23.3，这表明相较于评分与情绪值，不同公园间的UGC曝光度差异更大。

2 样本公园 UGC 属性的箱形图

调研时段样本公园的活力值变化数据表明（图3），工作日公园活力峰值时段为09：00—13：00与15：00—19：00。相较于工作日，休息日活力值波动幅度更大，且休息日的活力值峰值显著高于工作日峰值。

3 调研时段样本公园的活力值变化

图4展现了各公园的活力值及其UGC评分、情绪值、曝光度的空间分布图。深圳市各区均有高活力公园，其中，南侧（南山区、福田区、罗湖区）与西侧（宝安区）的高活力公园较多。此外，UGC评分与情绪值呈现出类似的空间分布：高值聚集于地图南侧（南山区、福田区与罗湖区）。相较于评分与情绪值，高曝光度的城市公园在深圳市城区中的分布更随机。

4 样本公园的活力值与 UGC 属性的空间分布

2.2 信息流对公共空间活力的显著效应

分层线性回归模型揭示了各影响因素对公园活力的标准化效应（表2）。模型1的调整后R²（决定系数）为0.822，其中多个区位特征、可达性与公共空间特征变量对公园活力具有显著效应。

表2 城市街景旷奥主观评价标准和指标

在模型1的基础上，模型2加入了UGC评分变量，模型的调整后R²增加至0.875，且R²变化的方差分析结果显著（p<0.001）。结果表明，在控制其余变量后，UGC的评分对公共空间活力具有积极且显著的效应，且各UGC显著评分变量的标准化效应平均值在UGC三类变量中最高，为0.181。

在模型1的基础上，模型3加入了UGC情绪值变量，模型的调整后R²增加至0.864，且R²变化的方差分析结果显著（p<0.001）。与UGC评分变量类似，UGC情绪值对公共空间同样具有显著效应，UGC显著情绪值变量的标准化效应平均值为0.135。

然而，即使部分UGC曝光度变量对公园活力有显著效应，模型4的R2提升不显著（p>0.050），意味着曝光度对公园活力的促进作用可能弱于UGC评分与情绪值变量。

此外，不同类型UGC呈现出了显著差异（图5）。地理位置UGC几乎所有变量均对样本公园活力具有正向的显著效应，而非地理位置UGC变量均不具有显著效应。

5 不同类型 UGC 的标准化效应

3 讨论

基于分层线性回归模型，可辨析各因素对公共空间活力的影响程度。模型1揭示了区位特征、可达性与公共空间特征的显著效应，这与既有研究结果一致：区位中适宜的混合度与密度、良好的交通基础设施配置与空间拓扑结构以及公共空间中丰富的景观绿化与良好的服务设施，将显著提升公共空间活力。

在加入信息流变量后，模型对公共空间活力的拟合程度显著提升，且信息流的评分、情绪值与曝光度变量有显著效应，这表明信息流是除区位特征、可达性与公共空间特征外，可能影响当代公共空间活力的重要因素。完善的城市基础设施令市民可以无时无刻发布与阅览UGC，使其潜在情绪值影响集体出行行为，进而影响公共空间活力成为可能。具体而言，用户为了分享游览公共空间的观察与情感，会发布相关的信息流（图6）。这些信息流会瞬时同步至其他用户的媒介终端，并聚合成公共空间的电子口碑。通过阅览信息流，这一电子口碑可能会进一步影响其他用户的出行决策，进而形成公共空间人流与活力集聚。

6 信息流介入公共空间活力营造的机制推断

此外，地理位置UGC变量对公园活力具有显著效应，这意味着人们在做公园出行决策时，可能更受地理位置UGC的影响。地理位置UGC发布时一般要求在场或距离目的地一定半径内，UGC内容也更与公共空间相关。这些内容包含空间使用者的情绪、观点与评价，并可能会进一步影响未来人们的出行决策。因此，相较于非地理位置UGC，应关注地理位置UGC对公共空间活力带来的潜在影响。

在移动互联网时代，发布、阅览信息流已成为日常生活的重要部分，并无形中影响着城市居民的行为决策。实证结果也进一步证实本研究的假设：信息流可能已成为影响公共空间活力营造的重要因素；信息流的评分、情绪值、曝光度，均可能影响公共空间的活力营造。

4 结论与展望

诚然，本研究以多源时空大数据为基础，可基于较大样本量探寻潜在的普适规律，并量化了信息流对公共空间活力的影响效应，但仍存在局限：1）本研究基于百度LBS数据测度公园活力，但该数据无法采集到公园使用者的个体数据，未来需要借助问卷等方式，对个体的社会人口状况、信息流与公共空间活力展开讨论，以完善信息流介入公共空间活力营造的理论建构；2）因横截面数据的限制，本研究无法基于数据得出进一步的因果结论，未来应采用如自然实验等方式来验证因果关系。

图表来源：

文中图表均由作者绘制，其中图 1、4 的地图底图使用 OpenStreetMap 生成。

为了微信阅读体验，文中参考文献标注进行了删减，详见杂志。

参考文献

[1] 陈立镜.城市日常公共空间研究[D].武汉：华中科技大学，2017.

CHEN L J. A Study on the Everyday Urban Public Space[D]. Wuhan: Huazhong University of Science and Technology, 2017.

[2] 阿龙多琪，马航，杨彪.2000年以来我国公共空间活力研究进展[J].现代城市研究，2020（10）：123-130.

A L D Q, MA H, YANG B. Research Progress on the Public Space Vitality in China Since 2000[J]. Modern Urban Research, 2020 (10): 123-130.

[3] TWOHIG-BENNETT C, JONES A. The Health Benefits of the Great Outdoors: A Systematic Review and Meta-Analysis of Greenspace Exposure and Health Outcomes[J]. Environmental Research, 2018, 166: 628-637.

[4] MCQUIRE S. Geomedia: Networked Cities and the Future of Public Space[M]. New York: John Wiley & Sons, 2017.

[5] CASTELLS M. The Rise of the Network Society[M]. New York: John Wiley & Sons, 2011.

[6] BAK-COLEMAN J B, ALFANO M, BARFUSS W, et al. Stewardship of Global Collective Behavior[J]. Proceedings of the National Academy of Sciences, 2021, 118 (27): e2025764118.

[7] BATTY M. The New Science of Cities[M]. Cambridge: MIT Press, 2013.

[8] 秦诗文，杨俊宴，冯雅茹，等.基于多源数据的城市公园时空活力与影响因素测度：以南京为例[J].中国园林，2021，37（1）：68-73.

QIN S W, YANG J Y, FENG Y R, et al. Spatiotemporal Vitality and Influencing Factors of Urban Parks Based on Multi-source Data: A Case Study of Nanjing[J]. Chinese Landscape Architecture, 2021, 37 (1): 68-73.

[9] 刘颂，赖思琪.多源数据支持下的城市滨水公共空间使用人群多样性影响因素[J].风景园林，2021，28（9）：75-81.

LIU S, LAI S Q. Factors Influencing Users Diversity of Urban Waterfront Public Spaces Based on Multi-source Data[J]. Landscape Architecture, 2021, 28 (9): 75-81.

[10] 刘颂，赖思琪.基于多源数据的城市公共空间活力影响因素研究：以上海市黄浦江滨水区为例[J].风景园林，2021，28（3）：75-81.

LIU S, LAI S Q. Influence Factors of Urban Public Space Vitality Based on Multi-source Data: A Case Study of Huangpu River Waterfront Area of Shanghai[J]. Landscape Architecture, 2021, 28 (3): 75-81.

[11] YUE Y, ZHUANG Y, YEH A G O, et al. Measurements of Poi-Based Mixed Use and Their Relationships with Neighbourhood Vibrancy[J]. International Journal of Geographical Information Science, 2017, 31 (4): 658-675.

[12] LYU F N, ZHANG L. Using Multi-source Big Data to Understand the Factors Affecting Urban Park Use in Wuhan[J]. Urban Forestry and Urban Greening, 2019, 43: 126367.

[13] DONAHUE M L, KEELER B L, WOOD S A, et al. Using Social Media to Understand Drivers of Urban Park Visitation in the Twin Cities, MN[J]. Landscape and Urban Planning, 2018, 175: 1-10.

[14] GUO S H, YANG G G, PEI T, et al. Analysis of Factors Affecting Urban Park Service Area in Beijing: Perspectives from Multi-source Geographic Data[J]. Landscape and Urban Planning, 2019, 181: 103-117.

[15] CHIANG Y-C, LI D Y. Metric or Topological Proximity? The Associations Among Proximity to Parks, the Frequency of Residents’ Visits to Parks, and Perceived Stress[J]. Urban Forestry and Urban Greening, 2019, 38: 205-214.

[16] LI F Z, LI F Y, LI S J, et al. Deciphering the Recreational Use of Urban Parks: Experiments Using Multi-source Big Data for All Chinese Cities[J]. Science of The Total Environment, 2020, 701: 134896.

[17] LU Y. Using Google Street View to Investigate the Association Between Street Greenery and Physical Activity[J]. Landscape and Urban Planning, 2019, 191: 103435.

[18] Statista. Social Media Usage Worldwide[EB/OL]. (2022)[2022-11-09]. https://www.statista.com/study/12393/social-networks-statista-dossier/.

[19] LIU H B, WU L, LI X. Social Media Envy: How Experience Sharing on Social Networking Sites Drives Millennials’ Aspirational Tourism Consumption[J]. Journal of Travel Research, 2019, 58 (3): 355-369.

[20] 方鹏飞，罗震东，毛茗.移动互联网时代中国城市网络营销的空间效应：基于抖音数据的实证[J].城市发展研究，2023，30（3）：106-114.

FANG P F, LUO Z D, MAO M. Research on the Spatial Characteristics of Cities Online Marketing in the Mobile Internet Era: An Empirical Analysis of Tiktok[J]. Urban Development Studies, 2023, 30 (3): 106-114.

[21] 项婧怡，罗震东，张吉玉，等.移动互联网时代“网红空间”分布特征研究：以杭州市主城区为例[J].现代城市研究，2021（9）：11-19.

XIANG J Y, LUO Z D, ZHANG J Y, et al. Research on the Distribution Characteristics of “Net Celebrity Space” in the Mobile Internet Era: A Case Study in Main Area of Hangzhou, China[J]. Modern Urban Research, 2021 (9): 11-19.

[22] 罗震东，毛茗，张佶，等.移动互联网时代城市新空间形成机制：以“外卖工厂”为例[J].城市规划学刊，2022（4）：64-70.

LUO Z D, MAO M, ZHANG J, et al. Takeaway Factory: Formation Mechanism of New Urban Spaces in the Mobile Internet Era[J]. Urban Planning Forum, 2022 (4): 64-70.

[23] FAN Z X, DUAN J, LU Y, et al. A Geographical Detector Study on Factors Influencing Urban Park Use in Nanjing, China[J]. Urban Forestry and Urban Greening, 2021, 59: 126996.

[24] LI J G, LI J W, YUAN Y Z, et al. Spatiotemporal Distribution Characteristics and Mechanism Analysis of Urban Population Density: A Case of Xi’an, Shaanxi, China[J]. Cities, 2019, 86: 62-70.

[25] CHENG Y Y, ZHANG J G, WEI W, et al. Effects of Urban Parks on Residents’ Expressed Happiness Before and During the Covid-19 Pandemic[J]. Landscape and Urban Planning, 2021, 212: 104118.

[26] KONG L Q, LIU Z F, PAN X H, et al. How Do Different Types and Landscape Attributes of Urban Parks Affect Visitors’ Positive Emotions?[J]. Landscape and Urban Planning, 2022, 226: 104482.

[27] POP R-A, SĂPLĂCAN Z, DABIJA D-C, et al. The Impact of Social Media Influencers on Travel Decisions: The Role of Trust in Consumer Decision Journey[J]. Current Issues in Tourism, 2022, 25 (5): 823-843.

版面预览

相关阅读：

《风景园林》2023-07刊首语 | 胡一可：景观智能化规划与设计

《风景园林》2023-07目录 | 景观智能化规划与设计

新刊速览 | 《风景园林》2023-07 景观智能化规划与设计

学术主持人与您聊新刊 | 《风景园林》2023-07 景观智能化规划与设计

《风景园林》2023-07专题导读 | 景观智能化规划与设计

LA专题 | 陈然赵晶 | AI是如何理解设计方案的?

LA专题 | 刘泽润刘超 | 可持续建成环境研究的机器学习应用进展与展望

LA研究 | 宋恬恬朱育帆 | 清漪园万寿山的总体设计方法

LA作品 | 大树学园：深圳坪山儿童公园

LA作品 | 新西兰奥克兰国际机场景观