利用多源地理大数据，从空间互动的角度对城市活力进行多维度评估

《Habitat International》：Multi-dimensional assessment of urban vitality considering spatial interactions using multi-source geographic big data

　　王子瑜|夏楠|梁家乐|季显凯|李满春

江苏省高级遥感和地理信息技术重点实验室，南京大学地理与海洋科学学院，210023，中国

摘要

城市活力（UV）是一个反映城市发展的概念，其丰富的内涵要求在评估时需要考虑多个维度。现有的UV评估研究主要关注区域自身的发展，很少将不同区域之间的空间互动视为一个独立的评估维度，而这个维度代表了流动性、交流以及对地理要素的感知的全面体现。同时，UV与提出的指标之间的非线性关系没有得到足够的关注。本研究结合了八种类型的地球观测数据和八种类型的地理大数据，构建了一个UV评估指数体系，该体系分为密度、多样性、宜居性、可及性和互动性五个维度。主要使用引力模型来量化区域之间的互动，而基于位置的大数据则用于量化人与区域之间的互动。然后应用XGBoost回归器基于这五个维度构建UV评估模型，参考样本是通过专家评分方法确定的。最终，计算了四个典型中国城市（南京、北京、武汉和深圳）的UV值，空间分辨率为1公里。结果显示，UV评估结果与整体城市发展模式一致，四个城市的皮尔逊相关系数（PCCs）均超过0.7，高于熵加权等方法。根据SHAP值分析，互动性在24个指标中具有最高的平均指数重要性，为5.07%，从互动性维度中移除任何指标都会导致UV评估的准确性明显下降。该模型的平均绝对百分比误差较低，小于18%，且总体上存在轻微的高估现象，尤其是城市村庄和新城镇地区。我们认为，所提出的UV评估模型有助于提高对区域发展不平衡的理解，并指导科学的城市规划。

引言

城市活力（UV）反映了城市繁荣和高速发展的整体水平，体现了城市满足人口多样化生活需求的更大能力（吴、杨等，2023；曾等，2023）。它还体现了城市更高的吸引力和发展潜力，包括居民活动、城市规划、建设布局和未来前景等各种内涵（方等，2021；岳等，2021）。作为世界上最大的发展中国家，中国的快速城市化也带来了“城市病”，如城市村庄和鬼城（Chan等，2012）。近年来，中国政府致力于改善城市空间并开展城市更新举措，城市活力被视为这一过程中的重要基础（自然资源部，2023）。定量评估城市活力对于了解城市发展状况、解决区域不平衡、指导科学城市规划和建设以及促进高质量和可持续的城市发展至关重要（江等，2022；张等，2025；周、何、Zikirya，2023）。

UV评估通常通过构建指数体系来采用统计方法或数学模型（叶等，2018）。鉴于其丰富的内涵，指数体系的构建需要以城市发展相关理论作为理论基础（刘等，2022；张等，2024）。城市活力的概念最初是在发展充满活力的城市空间理论时提出的，主要关注三个关键的城市形态要素：街道网络配置、建筑密度和类型以及功能混合（Gehl，1996；Jacobs，1961）。受此启发，研究人员提出了关注城市不同方面的各种理论，如城市设计、城市福祉、可持续发展和空间联系（Florida，2002；Glaeser，2011；Huber，1982）。在中国，为应对快速城市化带来的问题，提出了创新、协调、绿色、开放和共享发展的新理念（中共中央，2015），这要求全面的、高质量的、可持续的、平衡的城市发展，以协调各种要素促进城市活力。

早期的UV评估研究主要关注城市发展状况，如城市空间、城市生活和人口统计（Florida，2002；Gehl，1996）。随着发展，定量UV评估的内涵进一步扩展，人类活动和城市环境等方面也被纳入研究框架（Landry，2000；曾等，2018）。因此，现有研究通常将UV分为不同的维度进行定量评估，使其更具客观性和科学性，包括密度、多样性、可及性和宜居性（杨、吴等，2023；李等，2024，图1）。密度指的是城市要素（如设施和人类活动）分布的集中强度，代表了更强的承载能力和更坚实的资源基础（叶等，2018）。多样性指的是不同类型城市要素的混合状态，可以避免同质化或不平衡，促进更好的城市发展（康等，2021）。可及性指的是到达某个区域的时间和经济成本，可以促进与其他地区的更频繁交流，从而增加城市活动并提升城市活力（肖等，2017；曾等，2018）。宜居性指的是城市区域的生活质量，通常分为社会、生活和生态三个方面。在宜居性方面充分发展的城市能够更好地吸引人口并容纳人类活动，从而提升城市活力（李等，2021；Mouratidis，2021）。

作为地理学中的一个客观现象，不同要素和位置之间存在各种形式和强度的空间联系（Hettner，1927）。关于位置和区域差异的经典理论逐渐从空间的角度促进了空间互动内涵的初步形成，主要包括三个主要方面：互补性、干预机会和转移性（Getis，1991；Tobler，1976；Ullman，1954）。在后续研究中，一些研究人员更多地研究了人类移动的能力或概率，提出了各种描述空间互动的模型，这些模型关注宏观统计规律或微观个体行为，例如起点-终点（OD）线分析和物理过程的类比（H?gerstraand，1970；Haggett等，1977；Kordi & Fotheringham，2016）。最近，随着复杂网络和社会感知研究的发展，空间互动通常被用作流动性、交流以及对地理要素感知的全面体现（郭等，2022；刘、姚等，2020；欧阳等，2021），其定量方法也得到了进一步发展，包括了流动空间分析、知识图谱、引力模型和辐射模型等（刘等，2015；Simini、González、Maritan、Barabási，2012；杨等，2024）。一般来说，空间互动的估计可以大致分为两个方面：区域与区域之间的互动（IRR）和人与区域之间的互动（IPR）（图2）。IRR强调空间联系，可以从两个方面进行评估：区域的功能或特征互补性以及区域之间的互动概率（林等，2023；刘等，2012；童等，2023）。IPR强调人类的作用，可以分为城市要素的流动性和人类对空间的感知（Halás & Klapka，2023；吴等，2021）。前者可以包括各种要素流动，以人口流动为基础；后者更具主观性，可以通过客观数据来表征，如访问频率（何等，2024；刘等，2014；吴等，2021）。与其他常见维度不同，空间互动更关注由要素流动引起的空间联系（李、崔等，2022；朱、郭等，2014，图2）。然而，作为独立的评估维度而非其他维度的指标，空间互动在UV评估中的应用较少，部分原因是数据可用性和估计方法的问题（陈等，2019）。

考虑不同维度的定量和全面UV评估需要具有不同性质的数据，这得益于包括统计数据、卫星遥感数据和地理大数据在内的丰富数据的日益增加（兰等，2020；尹等，2022；张等，2025）。统计数据具有数据量大、类别丰富和来源可靠的优点（余、郭，2023），但其低时空分辨率使得难以在细微尺度上反映UV。卫星遥感数据可以捕捉大范围土地表面的形态和特征，如Landsat和Sentinel，这些数据与人类活动有很强的相关性（王等，2023）。特别是夜间灯光数据，反映了发光辐射的强度，被广泛用于直接描绘夜间人类活动和UV差异（周、王、谢，2023）。此外，植被指数和建筑高度数据还可以从植被覆盖和三维结构的角度反映城市发展状况（陈等，2023；林等，2023）。尽管卫星遥感数据具有处理方便、精度高和覆盖范围广的优点，但它无法直接反映城市的动态社会经济特征（张等，2022）。地理大数据可以记录和反映人类的活动、空间轨迹和流动性，具有来源广泛、类别丰富和动态表示的优点，包括兴趣点（POI）数据、手机信号数据、社交媒体数据和街景图像数据（吴、叶等，2023；夏等，2022；岳等，2021；赵、郭等，2023）。它具有巨大的数据挖掘潜力和精细的空间尺度，可以探索空间互动维度的特征，并逐渐应用于UV评估研究（童等，2023；吴、杨等，2023；詹等，2023；朱、郭等，2014）。然而，地理大数据也存在数据获取、质量、覆盖范围和偏见等相关问题（裴等，2019）。尽管如此，地理大数据，尤其是基于位置的数据，对于改善UV评估来说至关重要。

卫星遥感数据和地理大数据的整合可以有效地互补，解决各自数据源的固有局限。为了整合它们，需要首先建立表示不同维度的各种指数，并需要适当的组合方法（刘、张等，2020）。现有的研究主要是分别为每个维度构建指数，然后假设指数与UV评估结果之间存在线性关系来组合它们（李、李等，2022）。然而，这些线性加权方法受到主观因素的很大影响，在比较不同指数的贡献方面存在困难，也无法处理指数与UV评估结果之间的非线性关系或双重效应（Doan等，2025；杨、何等，2023）。例如，现有研究表明，人口密度和道路网络密度对城市发展适宜性的影响在超过某个阈值后会从正面变为负面，城市村庄地区是典型的案例（Pont等，2021）。

最近，机器学习（ML）方法在分析大量数据中的复杂关系方面展现出巨大潜力，能够更客观地提取潜在特征（黄等，2022；林等，2023）。通过构建训练样本和模型，如随机森林（RF）、梯度提升决策树（GBDT）和极端梯度提升（XGBoost），可以根据各种影响因素高效地获得目标对象的更精确预测值（陈等，2021；齐等，2020）。ML方法已成功应用于UV评估研究，通过合成多维指数来揭示指数与UV评估结果之间的非线性关系（黄等，2022；林等，2023；齐等，2020）。根据具体的分析和应用场景，样本构建是提高ML模型性能的关键工作（陈等，2021）。现有研究通常使用基于位置的数据，如手机信号数据或夜间光照数据，作为训练样本的紫外线参考值，这些数据已被证明与城市活力密切相关（Xia等人，2022年；Zhou、He和Zikirya，2023年）。然而，仅使用这些数据作为参考值仍然存在数据质量和数据偏差的问题，大大限制了模型的性能（Yue等人，2021年；Zhou、Wang和Xie，2023年）。需要更精确和可靠的紫外线评估样本，可以考虑采用专家评分方法，并结合丰富的补充信息和特征来提高模型准确性（Dufitimana等人，2025年）。同时，基于机器学习的模型结果的有效解释对于机制分析和模型优化也很重要，例如用于分析指数贡献的Shapley值（Sun等人，2023年）。总体而言，现有的紫外线评估研究对空间交互作用的考虑较少，这一维度很少被视为一个独立的维度，而从地理大数据中建立相关指数也需要改进（Yang、Wu等人，2023年）。另一方面，机器学习方法可以提高定量紫外线评估的准确性和客观性，能够处理多个指数之间的非线性关系或双重效应，但也需要进一步探索可靠的样本构建和可解释的结果分析（Zhou、Wang和Xie，2023年）。因此，为了进行更全面的紫外线评估，本研究将城市活力划分为五个维度：密度、多样性、宜居性、可及性和交互性，这些维度是相互关联和互补的，并旨在：（1）结合多源地理大数据，从五个维度构建指数系统，其中交互性维度包含了区域与区域以及人与区域之间的空间交互作用；（2）严格构建紫外线样本，并建立基于机器学习的紫外线评估模型以表示非线性关系；（3）揭示中国四个典型城市中的城市活力空间模式，并验证模型的准确性和空间交互性维度的有效性。所提出的紫外线评估方法有望为城市规划和可持续发展提供科学依据。

研究区域
为了建立一个便携且可推广的紫外线评估框架，选择了四个重要的大城市作为研究区域：北京、深圳、南京和武汉，分别来自京津冀城市群、粤港澳大湾区、长江三角洲和中国中部地区。这些城市具有较高的经济水平、快速的发展速度和独特的区域特征（图3）。北京作为中国的首都，是华北地区最大的城市。

研究方法
本研究主要包括三个步骤：构建指数系统、构建紫外线评估模型以及分析和解释模型（图4）。

多维度紫外线评估结果
（1）评估结果的空间分布
图6显示了五个维度的评估结果的空间分布，结果使用Jenks自然断点分类方法划分为七个等级，因为该方法具有更好的适应性。五个维度表现出不同的模式，其中交互性维度显示出显著的空间聚类，相邻地区的等级通常相似。

紫外线评估模型的误差分析
参考样本的质量对模型性能起着关键作用。本研究采用了专家评分方法获取样本，该方法已被证明可以提高准确性和科学严谨性（Huang等人，2022年；Lin等人，2023年）。为了确保样本的代表性，应用了Jenks自然断点方法和Packer抽样方法。在专家评分过程中，评分标准包括了基于位置的服务的各种数据、高分辨率卫星图像等。

结论
通过结合八种地球观测数据和八种地理大数据，本研究提出了一个新的框架，用于从五个维度定量评估城市活力（UV），这五个维度包括密度、多样性、宜居性、可及性和交互性。选择中国四个典型城市作为研究区域，包括南京、北京、武汉和深圳。借助一些地理模型（如香农多样性指数）共构建了24个索引。

CRediT作者贡献声明
王紫宇：撰写——评审与编辑、撰写——初稿、可视化、验证、方法论、正式分析、数据整理、概念化。
夏楠：撰写——评审与编辑、验证、项目管理、方法论、调查、概念化。
梁家乐：撰写——评审与编辑、可视化、软件、方法论、正式分析、数据整理。
季先凯：撰写——初稿、验证、方法论、正式分析、数据整理。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢
本研究得到了国家自然科学基金（42471455, 42230113）、江苏省青年科技人才支持计划（JSTJ2025690）以及教育部人文社会科学项目（21YJCZH181）的支持。衷心感谢匿名审稿人和编辑团队的意见和贡献。