利用多源大数据研究城市混合用地对城市活力的影响：以中国南京为例

《Sustainable Cities and Society》：The Impact of Urban Mixed Land Use on Urban Vitality with Multi-Source Big Data: A Case Study of Nanjing, China

　　赵子龙|匡小福|周一卓|李欣
中国矿业大学公共管理学院，徐州221116，中华人民共和国

**摘要**
面对全球城市活力下降的挑战，利用空间规划来提升城市生活质量至关重要。本研究探讨了城市混合土地利用（UMLU）对城市活力的影响，超越了传统的单一维度视角，构建了一个包含多样性、兼容性和垂直混合的框架。以南京为例，我们创新性地整合了多源地理空间大数据——包括移动信号数据、百度热力图和兴趣点（POI）数据——以实现更精细的变量测量。随后，我们采用XGBoost模型并结合SHAP解释方法，系统地分析了驱动城市活力的复杂机制。研究结果表明，UMLU的影响是非线性的，并且存在显著差异。垂直混合表现出最强烈的、单调递增的正面效应，在夜间和周末的效果比白天和工作日更为明显。兼容性混合则呈现出“抑制-促进-减弱”的阈值效应，而多样性的独立贡献相对有限。此外，时空异质性也很明显：在商业集中区域，垂直混合的效果更强；而在主要交通干道上，兼容性的贡献更为集中。这些发现挑战了“混合使用总是有益的”这一简化线性假设。因此，城市规划应从追求单纯多样性转向注重功能兼容性和垂直复合性的精细化设计，为以城市活力为导向的再开发提供精确的科学依据。

**引言**
城市混合土地利用（UMLU）是一种旨在优化城市空间布局和提高运行效率的规划与设计方法（Abdullahi等人，2015；Pan，2021）。从根本上说，它是指有意识地配置不同类型的土地使用活动在时空上共存并协同作用，从而创造出一个超越单一功能分区限制的综合性空间（Hoppenbrouwer & Louw，2005）。它已成为新城市主义的核心原则（Park等人，2016）。UMLU对城市发展具有多方面的影响：它可以增强工业空间的协同作用（Shen等人，2023）、提高社区韧性（Wo，2019；Wu等人，2022）、促进低碳发展（Wang等人，2023）、缓解城市热岛效应（Su等人，2025）以及激发创新活力（Gao & Lim，2023；Jiang & Xiong，2024）。这些影响一直是学术研究的热点。城市活力是一个综合指标，用于衡量城市空间和社会经济韧性的效果（Yue等人，2021；Zhang等人，2024）。从基础的城市研究中可以得出（Jacobs，1961；Gehl，2011；Xia等人，2020），城市活力被广泛定义为人们、活动与物理环境之间的持续和密集互动，包括经济活力、文化多样性以及公共空间的社会利用。它不仅是城市竞争力的有形体现，也是经济繁荣和社会包容性的关键驱动力。

由于反全球化情绪和产业转型的双重影响，全球城市正面临城市活力复苏的严峻挑战（Deng & Ma，2015）。例如，产业转型导致了“锈带城市”发展活力的下降（Li等人，2019），并引起了年轻城市人口的持续外流（Ji，2024）。在这种背景下，城市萎缩已成为一个全球性问题（Batty，2016；Gu等人，2019）。城市处于气候变化影响的前沿。近年来，城市热岛效应（Li等人，2020）、暴雨和洪水（Li等人，2025a）等灾害的强度前所未有。气候变化正在侵蚀城市的生态和环境活力。同时，在线消费和远程工作的兴起导致全球商业中心（CBD）的空置率飙升。物理隔离引发了诸多问题，包括社会分层、公共服务资源分配不均以及低收入群体的逐渐边缘化（Xu，2024）。如今，全球城市化进程已进入基于存量发展的时代，伴随着人口流动性的增加和气候变化的加剧（Li等人，2025b；Xu等人，2021）。在此背景下，城市活力已成为衡量城市竞争力的核心指标。因此，如何提升城市活力已成为全球城市治理中的关键问题。

现有研究证实了UMLU与城市活力之间的关系（Doan等人，2025；Mouratidis & Poortinga，2020）。然而，传统数据和方法的局限性阻碍了学者们全面理解UMLU对城市活力的复杂影响（Chen等人，2022；Liang等人，2021；Yang等人，2021）。因此，要进一步探讨UMLU影响城市活力的具体机制，就必须使用多源大数据。现有研究存在以下不足：首先，对UMLU的多维度内涵缺乏深入理解（Song等人，2013）；其本质不仅包括物理地块层面的混合土地使用多样性（Motieyan & Azmoodeh，2021），还包括功能关系的兼容性（Hu等人，2024）和三维空间混合。其次，传统的静态数据通常粒度较粗，难以捕捉城市活力的动态特征（Chen等人，2022；Cui等人，2025）。此外，现有研究尚未准确识别不同UMLU特征对城市活力的具体贡献。事实上，UMLU甚至可能引入潜在的风险和对城市活力的负面影响（Wang等人，2024），从而偏离实际需求。由于学者们尚未完全理解UMLU对城市活力的复杂影响，现有研究在指导城市空间设计方面的作用有限。然而，地理空间大数据和机器学习技术的进步为解决这一挑战提供了机会（Gan等人，2020；He等人，2021；Li等人，2024；Wu等人，2023）。诸如移动信号数据（Rong等人，2025）、POI数据（Yao等人，2017；Yue等人，2017）和移动应用位置数据（Luca等人，2023）等数据集为测量UMLU和城市活力提供了更准确的信息。此外，XGBoost算法与SHAP分析的结合不仅确保了高预测精度，还提高了结果的可解释性，从而缓解了机器学习中的“黑箱”问题。通过量化不同UMLU特征的SHAP值，我们可以单独评估每个特征对城市活力的贡献，为城市规划决策提供透明和科学的依据。

目前，中国的城市发展已进入基于存量的城市再开发阶段。城市再开发已成为推动城市演变的关键策略。这项举措不仅涉及物理空间的转型，更重要的是通过空间重构来重振城市活力。因此，理解UMLU如何影响城市活力对于有效指导城市再开发实践至关重要。图1展示了整个研究框架。本文的创新主要体现在两个方面：首先，我们全面利用了多源大数据，包括移动信号数据、POI数据和社交媒体数据，克服了传统数据的时空限制，从而实现了对UMLU和城市活力的精确测量；其次，我们进一步探讨了UMLU的内涵，并量化了其各种特征对静态和动态城市活力的具体影响。因此，本研究可以为理解复杂城市系统贡献新的知识。本文的其余部分安排如下：第2节建立了UMLU对城市活力影响的理论框架；第3节详细阐述了研究方法，包括基于地理空间大数据测量UMLU和城市活力的方法，以及应用XGBoost和SHAP模型识别关键影响因素；第4节和第5节通过南京的实证案例研究验证了所提出理论框架和方法的有效性；最后两部分分别是讨论和结论。

**研究区域**
本研究聚焦于2023年南京的建成区，总面积为1206.91平方公里，容纳了大约708万人口（见图3）。为了清晰展示基线城市功能构成，表格1总结了该研究区域内9种重新分类的土地利用类型的面积和比例。该区域整合了多种功能，包括政治、金融、工业、居住、教育和文化旅游。

**UMLU测量**
土地使用多样性是指给定区域内不同土地利用类型的比例构成。它是通过量化定义社区内土地利用类别的丰富度和分布均匀性来测量的。核心目标是揭示空间单元内多种功能的组合特征。较高的多样性指数表明物理混合程度更高。本研究采用香农多样性指数进行计算：
$$H_i = -\sum_{j=1}^{N} p_{ij} \ln p_{ij}$$

**UMLU和城市活力的空间模式**
如图4所示，南京的UMLU表现出“单中心集聚、走廊扩展和外围减弱”的特征。高UMLU值集中在城市的商业和休闲中心，并沿着主要交通干道向外延伸。这些区域的土地利用具有高兼容性、多样化的功能以及显著的POI密度叠加效应，使其成为城市活力和资源聚集的核心区域。

**通过多源大数据捕捉和解释空间模式**
第5.1节观察到的空间模式的解释依赖于精确的测量方法。在测量核心变量时，本研究整合了多源大数据——包括移动信号数据、POI数据和社交媒体数据——以替代传统的手动解释和问卷调查等方法。这种方法有助于克服传统方法的局限性，如高成本、样本有限和单一视角（Chen等人，2022）。

**结论**
本研究建立了UMLU对城市活力影响的理论分析框架，从多样性、兼容性和垂直混合三个维度详细描述了UMLU的特征。它综合使用了百度热力图数据和移动信号数据来测量城市活力，并采用XGBoost模型和SHAP方法来检验这些多维UMLU特征对静态和动态城市活力的影响。

**作者贡献声明**
赵子龙：概念化、初稿撰写、审稿与编辑、可视化、验证、方法论、数据管理。
匡小福：数据管理、正式分析。
周一卓：概念化、正式分析、方法论、可视化。
李欣：撰写、审稿与编辑、项目管理、资源协调、监督、资金获取。

**数据可用性**
数据可应要求提供。