基于多源大数据的城市空间格局识别方法研究——以宿州为例

准确掌握大城市中人群活动的时空规律，对优化城市结构和国土空间格局具有重要意义。利用手机通讯基站位置数据和用户定位数据，可以准确描述不同日期和不同时段城市中人群活动的密度格局，这为研究城市居民活动的时空规律提供了可能。 城市空间格局的形成与发展对城市居民活动、城市发展绩效具有重要的作用，精准的识别城市中心体系等级、能级，明确城市功能区的范围和类别，对于判断国土空间格局的问题，优化和完善国土空间格局具有重要的意义。

手机数据在城市空间结构、城镇体系规模等级结构、职住平衡、通勤区、城市联系等方面已经展开了研究 ^[1] 。然而在国土空间规划编制中，如何将手机数据和土地三调等数据相结合，为城市空间格局识别提供支撑，完善国土空间规划编制方法，目前的研究较为匮乏。本研究利用宿州市现状城区范围内的手机信令数据和通讯基站数据，识别宿州现状城区的城市空间格局，为城市功能优化、布局调整提供了坚实基础。

应用手机数据进行城市研究和空间规划研究，在国内外已经有了一些探索和实践。手机数据是一种由用户生成的数据，记录了个人空间和时间上的行为，手机终端定位与基站进行周期性的数据更新，由此形成了海量的个人行为的时空间数据，具有数据量大、动态更新、定位准确、精度高等特点。目前所使用的数据以通讯公司提供的脱敏非自愿数据为主，在空间规划研究中用于居住和就业地关联分析、城市联系度分析、居民活动规律分析等研究，以此从人群活动强度和密度分布的视角进行量化和可视化，改善了传统的小样本调查方法，创新了大样本数据调查方法，为描述就业、旅游、居住等活动提供了可能，最终提升了空间规划编制的科学性。

手机信令数据在空间规划中的应用体现在不同空间尺度和专项研究两个方面。在不同空间尺度的研究中，手机信令在城镇群、城市、社区等不同空间尺度上有广泛的探索。姚凯等（2016）利用手机信令数据通过对城市网络联系度、城镇等级体系、中心城市腹地和区域发展廊道的分析与评估，优化了城镇体系规划编制方法 ^[2] 。钮心毅等（2015）利用手机信令数据对上海市城市空间结构进行了识别 ^[1] 。王德等（2019）利用手机信令数据，分析生活圈的现状特征，采用活动核心圈指标和15分钟生活圈活动覆盖率指标两种测度方式，描述现状生活圈与规划的15分钟生活圈之间的差距，并进一步对生活圈建设进行评价及分类建设指导 ^[3] 。在专项研究领域方面，手机信令在职住平衡、居民通勤、就业中心识别、客源地识别等专项领域有广泛的应用研究。钮心毅等（2015）利用手机信令数据计算了上海市域居民通勤数据，分析了上海市职住空间关系，提出了通过土地使用、建设容量和就业岗位来优化职住关系的空间策略 ^[4] 。丁亮等（2016）利用手机信令数据识别上海市域内手机用户的工作地和居住地，获取就业者的通勤数据，测度上海中心城的就业中心体系 ^[5] 。徐菲菲等（2019）通过数据采集、位置识别、游客识别、客源地划分等步骤，创建了一套以手机信令数据识别旅游客源市场的新方法 ^[6] 。

城市空间结构的研究主要包括大数据和传统数据两种研究方法。在大数据研究方面，吴志强等（2016）在百度地图热力图工具所提供的动态大数据基础上，利用数据的实时优势建立基于空间使用强度的城市空间研究方法 ^[7] 。钮心毅等（2014）利用手机信令数据，对上海市中心体系的能级和等级、功能区进行了分析，识别了上海市中心城的城市结构 ^[1] 。杨俊宴（2020）以城市全域建筑空间数据和手机信令数据为基础，通过挖掘城市中人群活动与空间形态之间的潜在规律，揭示在城市空间中的人群活动的动态迁移和演化特征，凝练8 种基本动态空间模式和6 种复合动态空间模式 ^[8] 。在传统研究方法方面，是以居住人口、就业人口的空间分布变化研究城市空间结构演变（李健，2007） ^[9] ，以居住中心、就业中心检验城市多中心结构（孙斌栋，等，2010），从通勤交通绩效研究城市空间结构（孙斌栋，等，2013） ^[10] 。

本研究范围面积为204.13k㎡，手机信令数据日期为2021年8月21日，共718218个通讯用户，时间粒度为小时级。各基站信令数据格式，包含日期、小时、基站编号、活跃信令数等信息（见表1）。

表格 1通讯基站信令数据格式

资料来源：安徽省移动通信公司宿州市分公司（2020年9月21日）

移动小区的工参，包含小区标识（基站编码）、小区经纬度、小区方位角（0-360）、制式等信息，资料包含现状城区内7314个基站的信息（见表2）。ArcGIS软件中，通过经纬度信息进行空间落位，基于基站编码与各基站分小时汇总数据进行连接，空间落位表达，形成可在软件中进行分析处理的基础数据。本次获取到的数据是经过处理的数据，并非原始信令数据，未能获取到手机识别码、时间戳、事件类型等核心字段数据。因此本次研究只进行整体分析，未能进行个体行为特征分析。

表格 2移动小区工参

资料来源：安徽省移动通信公司宿州市分公司（2020年9月21日）

每条信令数据均为事件触发而产生(有主动触发和被动触发），在手机用户主/被叫、收/发短信、位置更新时会产生一条记录。因此同一设备在一段时间内可能根据用户使用强度生成不同数量的信令数据。统计每个时间段内信令记录条数，上午7-11时，下午14-18时间段内，信令记录次数较多，在凌晨1-4点达到最低值，与手机用户作息时间及使用习惯相关，能较好的反映实际情况。结合数据分布情况，本次研究将1-4时定为居住时段，8-11时定为就业时段，12-14时定为休闲时段，17-18时定为高峰时段（见图1）。

图 1宿州市全天分时信令数（2020年9月21日）

资料来源：笔者自绘

基站布局的密度和基站定位精度导致了数据统计量和空间精度两类问题。

由于城乡基站密度差异和基站叠加导致数据设备被重复计算。设备日常连接中，通常与多个基站发生信号联系，因此在不同基站统计下，造成同一通讯设备的重复统计，因不掌握手机识别码信息，无法去重，基站密度和手机信息重复计算的程度相关。

由于基站定位精度导致通讯用户定位产生一定的偏差。手机信令数据的空间分析单元是基于基站小区的,能够粗颗粒的表明手机用户的出行位置信息。基站小区覆盖的空间范围有一定的偏差，一般情况下，市区的偏差在50-300m，郊区的偏差在100-2000m。

1)时间点选择。 单一时间点用户密度空间分布，是在在某个瞬间或统计时间单元一定地域内手机用户的空间分布状况，反映了某个瞬间城市居民活动的空间分布特征。根据就业、居住、休闲和混合四种活动时间特点，选择了工作日一天24小时作为数据分析对象，其中1:00 -4：00点为居住时段，8:00-11:00、14:30——15:30为就业时段,12:00-14:00为休闲时段，18:00-19:00为晚高峰混合时段。

2)手机信令数据分析方法。 每个基站分小时汇总连接的人数，但是现实中人们并非完全位于基站所在位置，而是位于基站覆盖范围内的某一地点。为模拟真实的人员密度分布情况，本次研究在ArcGIS软件中以300m（与研究尺度有关，太大隐藏掉细节，太小与实际情况不符）为搜索半径做核密度（Kernel Density）分析，将每个基站连接的人数分摊到50m×50m的栅格中，每个栅格的属性值就代表该栅格的密度。

3)POI数据分析处理方法。 基于空间点数据的密度分析、最邻近距离分析、聚类分析等方法对POI数据进行处理运算，刻画了人地要素的空间形态、距离、拓扑关系等信息，也量化了人类活动空间的范围、方位与活力情况。借助空间统计分析技术识别人地要素的空间格局特征，测算POI数据表征的人类空间活动要素与城市交通、用地属性等建成环境特征之间的耦合关系。

结合数据的时间分布情况，本次研究将1-4时定为居住时段，8-11时定为就业时段，12-13时定为休闲时段，17-18时定为高峰时段。

居住时段用户密度分布格局。城区居住功能格局分布总体均衡，居住用地的用户高密度点，主要集中在若干高层居住区，非居住用地上的高密度点主要集中在在大学学生宿舍、工厂职工宿舍、综合医院、火车站点等城市功能区（见图2）。

图 2典型居住时段用户密度分布图

资料来源：笔者自绘

就业时段用户密度分布格局。就业功能格局呈现出单中心、带状、散点的格局，城市就业中心位于汴河路和淮海路相交处，就业带沿拂晓路、人民路、淮海路、港口路、胜利路和汴河路等城市主要道路呈带状分布。散点状主要体现在三角洲生态公园、东一环和汴河东路相交处、宿州大道和港口路相交处等地段（见图3）。

图 3典型就业时段用户密度分布图

资料来源：笔者自绘

休闲时段用户密度分布格局。休闲功能格局呈现出中心加散点的格局，中心为淮海路和汴河西路相交处，散点主要为三角洲生态公园、港口路和汴河东路相交处、淮河西路和拂晓路相交处等地段（见图4）。

图 4典型休闲时段用户密度分布图

资料来源：笔者自绘

高峰时段用户密度分布格局。高峰时段功能格局呈现为一心、三轴格局，一心为淮海路和汴河路相交处的高密度中心，三轴为拂晓路、汴河路和淮海路三条密集带（见图5）。

图 5典型高峰时段用户密度分布图

资料来源：笔者自绘

通过用地类别和特征时段的矩阵分析发现如下特征。 四个时段用户量高低排序是高峰时段、就业时段、休闲时段、居住时段，反映了不同功能在城市中的发生强度次序和居民参与的程度次序。 四个特征时段的用户在用地上的分布排序均为居住用地、交通运输用地、公共管理与公共服务用地、商业服务业用地、工矿用地和仓储用地，反映了居住用地全天的用户都处于最高的排序，表明非就业人口比例高、老龄化率高的现象。从各类用地上人群活动分布密度来看，交通运输用地、公共管理与公共服务用地和商业服务业用地上的人流量最为密集，未来需要重点优化这几类用地的分布格局。

居住时段人群活动在各类用地上的分布格局表明 大量人口分布在非居住用地上，需要加强产城融合策略，并加强非居住用地上的生活设施配套。 就业时段人群活动在各类用地上的分布格局表明二产从业人员地和老龄化率高的特征。休闲时段人群活动在各类用地上的分布格局反映出居民中午回家午餐和休息、午休时间长、回家通勤时间短的特征。高峰时段人群活动在不同用地上的分布格局呈现了本地人口多、流动人口少，居家生活的特征。

表格 3宿州市典型时段人群活动用地分布

资料来源：笔者自绘

4.2.1城市主中心——一心、一带

根据密度格局分析，主中心呈现一心一带的格局（见图6）。一心为淮海路和汴河路相交处，即宿州老城和市政府一带是城市活动强度最密集地区之一，该地区功能结合POI显示为行政、商业中心。一带为拂晓路和磬云路南北向带状空间，结合POI显示该轴带为交通、休闲、教育商业密集区，呈现为新兴的综合服务发展带。

图 6工作时段和高峰时段用户密度格局图

资料来源：笔者自绘

4.2.2城市副中心（专业中心）——科创中心、文体中心、行政中心、产业中心

城市副中心（专业中心）的识别为采用就业时段和高峰时段的密度格局和POI数据进行叠合分析，识别各类功能人群活动密度最高的地段。科创中心采用高新技术企业分布数据、科研教育设施POI数据和就业时段密度格局进行叠合分析，识别结果显示科创中心包括高新区、大学城、淮海路和汴河路相交处三个中心。文体中心采用休闲时段、就业时段用户密度格局和文体设施POI数据进行叠合分析，识别结果显示文体中心位于行政中心附近，即银河路和人民路相交处地段。行政中心采用就业时段用户密度格局和行政设施POI数据进行叠合分析，识别结果显示行政中心位于银河路和人民路相交出地段。产业中心采用就业时段用户密度格局和三调数据中的工矿用地和商业服务业用地进行叠合分析，识别结果显示就业中心呈现一主两副三轴的格局，一主为淮海路和汴河路相交处，两幅为高新区和经开区，三轴为拂晓路、汴河路和淮海路。医疗设施分布较为分散，未能形成市级中心（见图7）。

图 7城市副中心分布图

资料来源：笔者自绘

4.3.1居住功能主导区

居住功能主导区识别采用居住时段的手机信令用户密度分布格局和三调数据进行叠合分析，三调数据重点分析居住用地和非居住用地两种类型（见图8）。研究范围内凌晨三点时段内，居住用地信令用户数24.75万个，占比39.29%、非居住地块用户数38.24万个，占比60.71%，共计62.99万个（见表4）。表明 大量人口分布在非居住用地上，体现了较好的职住平衡基础，未来在生活设施布局要结合非居住用地上的人口进行配置，完善十五分钟生活圈配置。

密度分区采用自然断点分级法，高密度居住功能区的人口密度大于1.5万人/k㎡，总用地面积3.20k㎡，占总居住地块比例7.41%。中密度居住功能区的密度值为0.6-1.5万人/k㎡，总用地面积17.21k㎡，占总居住用地面积比例39.84%。低密度居住功能区密度数值为0.6万人/k㎡，总用地面积22.79k㎡，占总居住地块比例52.75%。总体格局呈现中心低外围高的格局，这与新建小区的高度和开发强度高度相关（见图8）。

表格 4居住功能主导区用户数和密度分级统计

资料来源：笔者自绘

图 8居住功能主导区

资料来源：笔者自绘

4.3.2就业功能主导区

就业功能主导区识别采用就业时段的手机信令用户密度分布格局和国土三调数据进行叠合分析，三调数据重点分析工矿用地和仓储用地、商业服务业用地和公共管理与公共服务用地和其他用地。工矿用地和仓储用地信令用户数11.49万个，占比4.99%，公共管理与公共服务设施用地和商业服务业用地用户数39.65万个，占比17.21%，其他用地用户数179.19万个，占比77.80%，共计230.33万个（见表5）。

用户密度分布区间采用自然断点分级法，工矿用地和仓储用地人口密度大于1.0万人/k㎡为高密度就业功能区（工业），总用地面积3.10k㎡，占总工矿用地和仓储用地比例14.46%。中密度就业功能区（工业）密度数值为0.2-1.0万人/k㎡，总用地面积9.02k㎡，占工矿用地和仓储用地比例42.07%。低密度就业功能区（工业）密度数值为0.2万人/k㎡，总用地面积9.32k㎡，占总工矿用地和仓储用地比例43.47%（见图9）。

服务设施地块分为商业服务和其他服务两类，商业服务业用地面积6.54k㎡，用户数19.38万个，其他服务用地面积7.01k㎡，用户数20.26万个（见表6）。除此之外，因用地混合使用，三调分类未到小类，非独立用地服务设施未能识别，通过信令数据识别出商业服务集聚区和其他服务集聚区，商业服务集聚区面积4.23k㎡，用户数267942个；其他服务集聚区面积6.92k㎡，用户数385153个（见图10）。

表格 5就业（二产）功能主导区用户数和密度分级统计

资料来源：笔者自绘

表格 6就业（三产）功能主导区用户数和用地面积统计

资料来源：笔者自绘

图 9就业功能（工业）主导区

资料来源：笔者自绘

图 10就业功能（服务业）主导区

资料来源：笔者自绘

4.3.3科创功能主导区

科创功能主导区识别采用就业时段的手机信令用户密度分布格局和国土三调数据进行叠合分析，三调数据重点分析商业服务业用地、科研用地、高等教育用地和中等职业教育用地。识别结果显示科创功能主导区主要位于北部高新区、南部经开区、淮海路和汴河路相交处、东南部化工园区和东部大学城（见图11）。

图 11科创功能主导区

资料来源：笔者自绘

4.3.4交通功能主导区

交通功能主导区识别采用高峰时段的手机信令用户密度分布格局和国土三调数据进行叠合分析，三调数据重点分析交通运输用地。识别结果显示交通功能主导区主要为宿州站周边地区、客运站和码头地区，在四个典型特征时段，交通运输用地上的人群活动强度和密度均处于较高排序（见图12）。

图 12交通功能主导区

资料来源：笔者自绘

图 13典型功能区分布

资料来源：笔者自绘

最后，将居住功能主导区、就业功能区、科创功能区、交通功能区、混合功能区进行叠合和融合分析，形成居住功能、就业功能和混合功能三大分区（见图13）。该分区格局体现了城市居住、服务业和工业在城市格局中的主导作用，后续应该加强科创功能、交通功能的培育。

手机数据、POI数据和三调数据在空间规划领域中的应用具有一定的创新性，由于数据的可获取性、技术的可行性和空间规划的复杂性，使得基于多源大数据的城市空间格局识别方法在国土空间规划编制中具有广泛的应用前景。笔者运用手机信令、POI数据和三调数据在城市公共中心体等级和能级识别、专业中心识别、功能区识别、用户时空分布格局和变化趋势研究方面具有普遍性和创新性。

从分析结果来看， 手机数据、POI数据和三调数据是传统城市空间结构研究方法的有益补充，是国土空间格局优化的重要方法和手段，是基于人口普查和经济普查数据等常用数据的有效佐证。 其优点是数据量大、动态更新、精度高、可视化等优点，尤其是在大尺度城市格局分析优势明显。其缺点是数据采集成本高、用户信息保密程度高，无法进行个体时空行为的高精度分析。尽管存在一定的缺点，大数据在国土空间规划编制方法的优化方面具有其广泛普遍性和独特优势。

参考文献 （上滑查看全部）

*本文为2021中国城市规划年会论文

【免责声明】发布的内容仅供学习交流使用，不以任何形式进行牟利。内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间协商版权问题或删除内容。