EN中文

风景园林 >

2024 , Vol. 31 >Issue 2: 32 - 40

DOI: https://doi.org/10.3724/j.fjyl.202310290487

专题：城市绿地空间的开放共享

基于多源数据的社区公园游憩规律及其空间特征关联研究——以上海为例

  • 邵钰涵 ,
  • 卢慧霖
展开
  • 同济大学建筑与城市规划学院

邵钰涵/女/博士/同济大学建筑与城市规划学院学术发展部主任、副教授、博士生导师/教育部生态化城市设计国际合作联合实验室恢复性城市研究分实验中心（RURC）负责人/本刊青年编委/研究方向为景观感知、健康景观、海岸带景观

卢慧霖/女/同济大学建筑与城市规划学院在读硕士研究生/研究方向为城市绿地健康行为、恢复性景观规划与设计

Copy editor: 李清清

收稿日期: 2023-10-29

  修回日期: 2023-12-25

  网络出版日期: 2025-12-11

基金资助

国家自然科学基金“城市自然景观视觉舒适度感应机理研究”(51808393)

国家重点研发计划重点专项“宜居城市环境品质提升关键技术研究与应用”(2023YFC3805300)

科技部外传项目“恢复性城市景观理论、方法与实践研究”(G2022133023L)

上海市城市更新及其空间优化技术重点实验室课题“城市街道视觉疗愈与经济活力平衡调控系统研究”(CAUP-UD-06)

版权

版权所有 © 2024 风景园林编辑部
收起

Research on Correlation Between Recreation Rules and Spatial Features of Community Parks Based on Multi-Source Data: A Case Study of Shanghai

  • Yuhan SHAO ,
  • Huilin LU
Expand
  • College of Architecture and Urban Planning (CAUP), Tongji University

SHAO Yuhan, Ph.D., is director of and an associate professor and doctoral supervisor in the Department of Academic Development, College of Architecture and Urban Planning (CAUP), Tongji University, and director of Restorative Urbanism Research Centre (RURC) of Joint International Research Laboratory of Eco-Urban Design, Ministry of Education, and a young editorial board member of this journal. Her research focuses on landscape perception, health landscape, and costal landscape

LU Huilin is a master student in the College of Architecture and Urban Planning (CAUP), Tongji University. Her research focuses on healthy behavior in urban green space, and planning and design of restorative landscape

Received date: 2023-10-29

  Revised date: 2023-12-25

  Online published: 2025-12-11

Copyright

Copyright © 2024 Landscape Architecture. All rights reserved.
Fold

摘要

【目的】对社区公园进行精细化游憩规律分类，并探索游憩规律与空间特征的关系，对社区公园游憩效率的提升具有指导意义。【方法】对上海市中心城区110个社区公园进行研究，基于手机信令数据，识别社区公园绿地周期游憩活跃规律并进行频谱聚类；结合多源数据，提取区域功能、交通可达性和公园空间特征并与游憩到访率进行关联。【结果】社区公园日周期游憩规律可分为单波峰活跃型和多波峰活跃型2类，包括晨间、午间、晚间波峰活跃型和早晚间、中下午、中晚间波峰活跃型，活跃类型与周边用地功能呈现直接关联。游憩到访率与空间特征要素的关联中，总体与周边空间商业用地占比、公交站点密度、道路密度呈现强相关，不同游憩活跃类型中也各呈现出与公共管理用地占比、绿地可达性、公园面积、硬质景观占比等指标的相关性。【结论】各游憩活跃类型的绿地游憩效率提升应结合游憩规律考虑不同的指标，例如中晚间波峰活跃型绿地宜更加关注绿地可达性、硬质活动场地的面积等。这些发现为研究城市社区公园游憩时空行为、精准提升社区公园服务水准提供了新视角。

关键词： 风景园林; 游憩行为; 手机信令数据; 社区公园; 相关性

本文引用格式

邵钰涵 , 卢慧霖 . 基于多源数据的社区公园游憩规律及其空间特征关联研究——以上海为例[J]. 风景园林, 2024 , 31(2) : 32 -40 . DOI: 10.3724/j.fjyl.202310290487

Abstract

[Objective] The growing demand for meticulous green space allocation has made the intensive utilization of urban community parks an imperative nowadays. Nonetheless, prevailing community park planning tends to be expansive and lacks the adept integration of efficiency nuances arising from diverse usage behaviors. The classification of recreational patterns within community parks, coupled with an exploration of their correlation with spatial features, presents substantial potential for precisely steering the augmentation of recreational efficiency in community parks[Methods] This research conducts a comprehensive investigation encompassing 110 community parks in Shanghai. Leveraging location based service (LBS) data, the research identifies patterns of recreational activities within community parks across distinct time periods. Employing spectral clustering based on visit frequency, peak counts, and peak time periods, the research amalgamates data from diverse sources, including built environment data and urban transportation data. The primary objective is to extract three pivotal feature categories: regional functionality, transportation accessibility, and green space features. These features undergo meticulous scrutiny for their correlation with recreational visit efficiency. Regional functional features encompass parameters such as proportion of industrial land, public management and service land, residential land, transportation land, and commercial land, and the functional mix of parkland. Transportation accessibility features comprise metrics such as green space accessibility, bus stop density, and road network density. Green space features include park area, green coverage, hard surface ratio, and water area proportion. The synthesis of these features provides a nuanced understanding of the factors influencing recreational visit efficiency in community parks. [Results] The recreational activity patterns in community parks are successfully categorized into single-peak and multi-peak types, including morning, noon, and evening peak activity types, as well as morning and evening, noon and afternoon, and noon and evening peak activity types. These patterns exhibit a direct association with the surrounding land use functions. In the analysis of spatial features influencing recreational visit efficiency in community parks, the research finds a strong correlation of recreational visit efficiency with the overall percentage of commercial land, bus stop density, and road density. Additionally, different recreational activity types show significant correlations with the proportion of public management land, green space accessibility, park area, and hard surface ratio. For instance, the recreational visit frequency of morning peak activity types is correlated with the mix of functions around the park, while the recreational visit frequency of noon peak activity types is related to green space accessibility, park area, and hard surface ratio. The recreational visit frequency of evening peak activity types is correlated with the mix of functions around the park and road network density. The recreational visit frequency of morning and evening peak activity types is more related to the proportion of public management and service land, green space accessibility, bus stop density, and park area. The recreational visit frequency of noon and afternoon peak activity types is more related to the proportion of commercial land and bus stop density. The recreational visit frequency of noon and evening peak activity types is correlated with green space accessibility and hard surface ratio. [Conclusion] To enhance recreational visit efficiency, it is crucial to consider different indicators based on recreational patterns. For community parks with morning and evening peak activities, strategies such as strengthening surrounding public management and service functions, optimizing transportation accessibility and bus stop density, and refining park area are recommended. Conversely, for community parks with evening peak activities, placing more emphasis on green space accessibility and the area of hard activity surfaces may be more suitable. The research further reveals that surrounding functionality plays a key role in determining people’s behavioral tendencies, with commercial functionality significantly influencing overall efficiency and providing daily recreational activities for surrounding residents. The enhancement of functional diversity has a greater impact on morning and evening peak activity types. Moreover, adequate bus station facilities, a sparse road network, and high accessibility are considered factors that promote the use of green space parks. The layout of a small road network is crucial for the accessibility of evening active walking. In terms of planning and design, it is recommended to consider the rational layout of surrounding road networks to facilitate walking and reduce dependence on transportation. This is especially important during the evening peak and noon to evening peak periods when people typically prefer walking. Providing convenient walking paths and facilities can alleviate traffic congestion and improve travel efficiency. Additionally, it is suggested to fully consider supporting services such as surrounding bus stations, especially in communities with early evening commuting peaks and afternoon recreation needs. The research also indicates that larger park area may contribute to the increased visit efficiency of green spaces during noon and evening peak activity types. Therefore, in areas with busy midday and evening pedestrian traffic, providing sufficient space is essential. The research further provides directions for precisely improving recreational visit efficiency in community parks, such as offering ample children’s games and health and fitness facilities for midday and evening peak activity types, which are crucial for improving the usage paths of such activity types. These findings offer a new perspective for researching the temporal and spatial behaviors of urban community green spaces, thus providing insights for the precise enhancement of community green space services.

Key words： landscape architecture; recreation behavior; location based service (LBS) data; community park; correlation

社区公园是为社区范围内居民就近开展日常休闲活动服务的绿地[1]，具有配置灵活、 分布广、贴近居民生活等特性，是提升城市服务品质和居民生活幸福感的重要载体。社区公园作为城市重要基础设施，要聚焦服务人本化的目标，重视城市居民的绿地游憩活动和服务享用情况；要聚焦绿地精细化的要求，从粗放保量转向精准的集约利用，提升自然资源效应[2]。
对于社区公园的已有研究往往聚焦距离[3]、人流[4]等属性，未体现长时间维度上社区公园的使用率周期性规律。吴志强等[5]指出城市发展是由人随时间变化的空间需求所驱动的。优化城市绿地营建，提升绿地使用效率，则有必要对人类游憩活动规律进行摸排。因此，从城市层面发现社区公园人类游憩活动的社会性、时间性、空间性规律，提升有限绿地资源的使用效率以满足快速城镇化人本需求[6]，对于在存量视角下优化城市绿地系统结构具有重大现实意义。

1 利用空间特征和大数据的绿地游憩效率与绿地游憩规律研究

绿地游憩规律是指单位时间内单位面积绿地能够实现的空间活动量[7]，是人们使用绿地的时空规律的直接呈现，体现了绿地对居民活动的服务水平。大数据的支撑下，对长时间维度的周期性规律和空间位置中游憩到访规律进行分析，展开关于城市绿地空间特征与城市绿地游憩行为关系的研究，可为相关规划设计提供参考。

1.1 空间特征是提升绿地游憩效率的重要抓手

研究绿地空间特征和使用效率的关系是提升绿地游憩效率的必经之路。已有研究聚焦绿地空间设计特征，如绿视率[8]、植被[9]、基础设施[10]等；分析了这些特征对游憩活动的差异性影响，帮助绿地使用效率提升。也有研究在规划层面着眼绿地空间分布特征，例如可达性[11]、绿地面积[12]、区位[13]、形态[14]等，研究这些特征与使用行为之间的关系，讨论区域乃至城市尺度下的绿地配置规则，以达到提升使用效率的目的。由于设计层面缺乏对更大量、更广泛区域样本的规律总结，无法梳理出系统化的相关性关系，因此难以在城市尺度上对区域形成指导价值[15]；而规划层面通常存在一个缺陷，即将绿地空间中的游憩活动看作一种平均或静止的理想状态，忽视时间维度或社会维度对绿地空间活跃度的影响，导致在实践应用上受到地域和时间变化的严重限制，难以进一步挖掘绿地空间特征及使用效率间的作用机制。

1.2 大数据为广泛区域的绿地游憩研究提供可能

通过游憩行为观测对游憩使用量进行调研，是景观空间设计者和相关人员进行绿地使用情况评价的最基础方法，从Whyte[16]的公共空间使用者调查研究开始，观测方式不断优化，如视频记录法[17]、无人机观测法[18]、GPS观测法[19]，这些方法能分别对空间游人情况进行详细记录、对覆盖度更广的绿地进行观测、详细记录单体完整游憩情况。但现有研究的实际操作因器械局限性，无法对游憩行为进行长时间、大范围的观察，难以开展长时间维度的区域绿地使用效率评估。
近来一些基于位置服务（location based service, LBS）大数据的研究发现游憩活动的发生与居民行为特征有关，并将成果运用至城市功能区划定等空间规划程序中[20-22]，这让进一步关联城市或区域尺度下绿地游憩行为的时间、空间规律成为可能，也将有助于系统、精确地评价绿地服务能力，从而服务于更精准、更合理的绿地系统规划。例如，木皓可等[23]基于手机信令大数据对石家庄中心城区公园绿地服务公平性进行评价，为城市公园绿地系统规划评价和调整优化提供一定的科学依据；李晟等[24]通过兴趣点（point of interest, POI）和LBS签到数据研究武汉市游憩空间分布特征，用回归法分析游憩空间与城市要素的相关关系，从供需角度评价游憩空间的服务能力，该研究方法和思路可进一步推广至其他城市。

1.3 时空游憩规律为深入挖掘绿地游憩机制提供视角

在时间维度上，已有研究证实了绿地活动在一定时间截面上具有周期性规律[25]。例如刘海荣等[26]对天津滨海新区夏季街旁绿地使用者游憩行为进行了研究，发现使用者峰值出现在一天中的10：00—16：00；杨戈[27]对合肥天鹅湖公园的游憩行为进行观察，对8：30—17：30各小时游客游憩行为及景观空间对行为的影响进行了研究；杨博等[28]基于手机信令数据和公园周边设施及兴趣点数据进行空间统计分析，并分析了公园绿地的日夜间游憩活跃水平差异现象与主导因素类型及结构，发现公园游憩模式正在向日夜兼顾型转变。
现有包含时间维度的研究受数据采集方式或研究深度的局限，往往只针对局部区域展开研究；或受限于调研方法，通常仅在白天时段展开分析，对绿地使用效率的研究也局限于瞬时效率和一段时间的平均效率。但根据游憩时间性规律进行分类的方法为进一步研究绿地空间特征与游憩使用效率提供了视角，尤其是日周期规律能反映一天内绿地游憩行为的情况[29]，每小时的游憩流量直接呈现绿地的访问热度，反映了绿地空间在一天中使用频率随时间变化情况，以及绿地使用热度集中的时间段、时长，为深入研究社区公园居民日常游憩规律提供了视角。
鉴于此，本研究基于多源大数据，旨在发现社区公园日周期游憩规律，识别不同社区公园游憩活跃类型，并进一步发掘游憩效率的影响要素，为社区公园科学精准提升绿地游憩服务水平提供建议。

2 研究对象与方法

2.1 研究对象：上海市中心城区社区公园

本研究参考上海市绿化和市容管理局《上海市城市公园实施分类分级管理指导意见》[8]中社区公园列表（截至2019年，共233处），选择市中心城区社区公园118处。由于手机信令数据的空间分辨率为100 m，且假设用户均匀分布在泰森多边形内，而社区公园绿地规模通常较小，其用户密度与其他场所存在一定的差异性，因此在面积较小的社区公园无法精确识别到访公园的人数，为减少误差，本研究结合QGIS点位数据位置，筛选出面积为2 000~20 000 m2的110处社区公园（图1）为研究对象，其中普陀区21个、长宁区10个、虹口区6个、黄浦区7个、静安区10个、徐汇区9个、宝山区9个、闵行区2个、浦东新区23个、杨浦区13个，覆盖上海中心城区83个街道。
图1 研究社区公园位置与名录

Fig. 1 Location and directory of community parks under research

2.2 研究路径

本研究包括数据收集、规律提取、关键特征提取与关联分析4个步骤（图2）。首先，收集上海外环内中心城区的LBS、POI、路网基础数据、建成环境数据、卫星地图等多源数据。其次，根据社区公园小时精度客流数据制作日周期游憩波形图谱，并通过波形聚类整合得到上海中心城区内社区公园日游憩活跃特征分类，分析游憩活动时间特征和游憩流量表征。最后，提取区域功能特征、交通可达特征、公园自身特征的8个特征变量，取小时精度客流数据平均值作为社区公园的游憩使用效率指标，在日周期游憩活跃规律分类下分析绿地游憩到访率与特征变量之间的关联，帮助社区公园游憩服务的精准提升。
图2 研究路径

Fig. 2 Research framework

2.3 游憩数据收集

游憩数据依托同济大学上海市高密度人居环境生态与节能教育部重点实验室，共收集涵盖春夏秋冬四季共31天（2020年11月9—15日；2021年2月22—28日、5月10—16日、8月9—15日）的研究社区公园小时精度客流数据。该时段数据采集于2022年上海新冠病毒疫情封控之前，日常活动情况较为正常，且110个社区公园已全部投入使用，可作为游憩规律的研究时间段。需要说明的是，由于本研究主要关注游憩规律、游憩到访率与空间特征的关系，数据标度不会对结果产生显著影响，并且缺少对LBS数据进行数据扩样的标准方法，故未对数据进行扩样处理。

2.4 指标确定与特征提取

本研究涉及的空间特征因素包括区域功能特征、交通可达特征与公园自身特征三部分（表1）[13-14, 30-35]。结合社区公园游憩使用数据，本研究选择分析不同空间特征因素对社区游憩服务水平的影响。
表1 绿地空间特征变量以及数据说明[13-14, 30-35]

Tab. 1 Spatial feature variables and data description[13-14, 30-35]

类别 空间特征（单位） 数据来源 数据说明
区域功能特征 区域用地比例
（%）[13]		 工业用地 高德地图API 公园周边1 000 m缓冲区
工业用地所占比例
公共服务用地 公园周边1 000 m缓冲区
公共服务用地所占比例
居住用地 公园周边1 000 m缓冲区
居住用地所占比例
交通用地 公园周边1 000 m缓冲区
交通用地所占比例
商业用地 公园周边1 000 m缓冲区
商业用地所占比例
公园周边功能混合度[14, 30] 高德地图API 公园所处区域网格（200 m×200 m）POI数据的熵指数平均值
交通可达特征 绿地可达性[31] OpenStreetMap、安居客 以1 000 m为分析距离，利用高斯函数分析得到的可达性
公交站点密度（个/km2）[32] OpenStreetMap 公园周边500 m缓冲区
公交站点数量
道路网密度（m/km2）[33] OpenStreetMap 公园周边1 000 m缓冲区
道路网密度
公园自身特征 功能类型 大众点评等网络信息 场所功能主导类型
公园面积（m2）[34] QGIS Maptiler 公园占地面积
绿化覆盖率（%）[35] 卫星地图 绿化垂直投影面积之和
与公园占地面积的比率
硬质景观占比（%） 卫星地图 建筑和广场等硬质景观面积之和
与公园占地面积的比率
水域占比（%） 卫星地图 水域面积之和与公园占地面积的比率

2.4.1 区域功能特征

区域功能特征可由区域用地比例、公园周边功能混合度体现。其中区域用地比例是基于兴趣面（area of interest, AOI）数据计算的公园周边1 000 m缓冲区内工业、公共服务、居住、交通、商业用地占比。公园周围主要用地能体现公园所处周边功能情况，公园使用受到周边功能情况的影响，例如居住区周边公园有更多早晚通勤人群使用。周边功能混合度采用公园所处200 m$ \times $200 m渔网区域POI多样性：首先利用Python和高德地图API获取居住、金融、休闲、医疗、餐饮、办公、购物、教育8种不同类别的设施POI；其次选取计算区域精细化渔网[31]的POI总数，计算熵指数：
$ {D}_{i}=-{\sum }_{i=1}^{R}{p}_{i}\times \mathit{ln}\left({p}_{i}\right) \text{。} $
式中：D i为熵指数；p i表示分析范围内第i种POI类型占总数的比例；R为类别的总数，熵指数的数值越大，则混合度越高。

2.4.2 交通可达特征

交通可达特征从绿地可达性、公交站点密度、道路网密度3个方面进行度量。考虑到地理空间的实际阻力，在绿地可达性计算中增加了距离衰减函数[33]，体现公园在服务范围内的可达性供给水平。结合以往研究，在GIS中采用OD成本距离计算居住区点位到达社区公园的最短时间为15 min、最短距离为1 000 m，计算式为
$ {R}_{j}=\frac{{S}_{j}}{{\displaystyle\sum }_{k\in }\left\{{d}_{kj}\leqslant {d}_{0}\right\}G\left({d}_{kj}\text{，}{d}_{0}\right){P}_{k}} \text{，} $
$ G\left({d}_{kj}\text{，}{d}_{0}\right)=\left\{\begin{array}{l}\dfrac{{e}^{-\tfrac{1}{2}\times {\left(\tfrac{{d}_{kj}}{{d}_{0}}\right)}^{2}-{e}^{-\tfrac{1}{2}}}}{1-{e}^{-\tfrac{1}{2}}}\\ 0\text{，}{d}_{kj}\geqslant {d}_{0}\end{array}\right.\text{，}{d}_{kj}\leqslant {d}_{0} \text{；} $
$ {A}_{k}={\sum }_{J\in \left\{{d}_{kj}\leqslant {d}_{0}\right\}}^{}G\left({d}_{kj}\text{，}{d}_{0}\right){R}_{l} \text{。} $
式中：Sj为公园j的面积；d kj为周边小区k到达公园j的出行时间；d 0为出行极限时间；k为绿地作用域内的人口数量；G（d kj，d 0）为空间距离衰减函数；A k为公园的可达性；$ j\in ${$ {d}_{kj} $≤$ {d}_{0} $}为出行时间小于d 0的公园集合。
公交站点密度为社区公园500 m缓冲区中公交站点数量与面积的比值，能直观反映公园绿地周围获得公共交通服务的便捷性。
基于OpenStreetMap空间数据，计算社区公园1 000 m缓冲区范围内的道路密度，即所涉及道路长度与缓冲区面积的比值。道路网密度大意味着公园周边的交通发达，在社区公园建设中，高密度的道路网络为居民提供了更便捷的交通路径[36]。

2.4.3 公园自身特征

公园自身特征包括功能类型、公园面积、公园要素（绿化、硬质景观、水域）占比。1）根据大众点评APP、上海市绿化和市容管理局网络信息具体推导社区公园主导功能类型，并分为健康游戏型、文化展示型、休闲游憩型、自然观赏型。社区公园面积是最基础的属性，面积越大的社区公园越能容纳丰富的人群活动，为更多的周边居民提供游憩空间[34]。公园绿化覆盖率为公园绿地中绿化垂直投影面积之和与公园占地面积的比值，反映了公园中的绿化覆盖程度，高的绿化覆盖率能为居民提供更多荫蔽空间，也有研究证明高绿化覆盖率是居民获得良好空间体验的重要因素[35]。硬质景观占比和水域占比分别为硬质景观面积和水域面积与公园面积的比值，其中硬质景观包括道路、硬质广场、建筑等。

3 社区公园游憩规律以及影响因素

3.1 通过游憩规律频谱提取游憩活跃类型

利用时间相似的聚类分析，游憩人群在到访时段具有一定的相似性，综合日常时间的分布，可定义日周期使用频段分为上午（7：00—11：00）、中午（11：00—13：00）、下午（13：00—17：00）、晚上（17：00—22：00），其中上午、中午和晚上对应的日常行为分别为上班、午休、下班（图3）。
图3 社区公园游憩规律频谱典型时间段

Fig. 3 Typical time periods involved in the spectrum of recreation rules of community parks

本研究进一步将110处城市社区公园日周期游憩规律频谱图根据主要波峰数量、所在的时间段聚类（图4）。1）取各天小时精度客流数据的平均值作为日周期小时时间段的客流量；2）按照日常时间分布频段统计各频段到访热度以及平均值，选择超过平均值的频段作为波峰出现段；3）结合单小时到访最高频次数据获得波峰聚类，根据小时数据生成波形并在波峰聚类的基础上识别波形差异，得到波形聚类；4）根据波形的可识别度和分类样本的可分析性进行归纳优化。最终得到单波峰活跃型和多波峰活跃型2种游憩活跃类型，分别占比53.64%和46.36%；其中单波峰活跃型可分为晨间波峰活跃型（S1）、午间波峰活跃型（S2）、晚间波峰活跃型（S3）3类；多波峰活跃型可分为早晚间波峰活跃型（M1）、中下午波峰活跃型（M2）、中晚间波峰活跃型（M3）3类。将各类型的游憩日均访问量进行均值处理，发现M3型平均到访率最高，达到了156人/（hm2·h）。
图4 社区公园游憩规律聚类

Fig. 4 Clustering of recreation rules of community parks

3.2 空间特征影响游憩规律

3.2.1 社区公园游憩到访率

6类游憩活跃型的社区公园游憩到访率差异较大。M3的到访率最大，其中到访率最高的是九子公园，达1116人/（hm2·h）；较低的为M1，其中到访率最高为梅川公园［142人/（hm2·h）］。其他类型的平均游憩到访率大致为10~120人/（hm2·h）。从到访率最大值来看：S3>S2>S1，M3>M2>M1，说明在晚间活跃的绿地整体活跃度高于在晨间活跃的绿地（图5）。这与市民已经形成了夜间游憩公园绿地的习惯的已有研究结论吻合[28]。
图5 6类社区公园绿地游憩活跃型对应平均到访率

Fig. 5 Average visit rate corresponding to the recreational activity patterns of 6 types of community parks

3.2.2 区域功能特征

S1社区公园周边以居住用地为主，分布少量公共服务与商业用地，且公共服务用地面积大于商业用地。S2社区公园周边具有一定居住用地，但多以公共服务用地为主，有少量商业用地。S3社区公园周边以居住、公共服务用地为主，有少量商业与工业用地，且商业用地面积大于工业用地。M1社区公园周边以居住用地为主，有少量公共服务、商业用地，部分高到访率的公园周边以商业和居住用地为主，且商业用地面积大于居住用地。M2社区公园周边主要为居住区，同时存在商业和公共服务用地，且商业用地占据较大比例。M3社区公园周边则在居住用地为主的基础上，配以商业用地和一定的公共服务用地（图6）。
图6 6类社区公园游憩活跃型对应周边用地比例

Fig. 6 Proportion of surrounding lands corresponding to the recreational activity patterns of 6 types of community parks

区域用地比例是影响各游憩规律下绿地游憩到访率的重要影响因素。在未分类的情况下，绿地到访率受到商业用地占比影响较大。在游憩规律下，公园周边功能混合度对S1 、S3社区公园的访问率产生明显的正向促进作用，可能与丰富的周边功能为公园提供了更加多样的目标人群有关。
用地比例也对游憩到访率产生影响，M1社区公园游憩到访率与周边公共服务用地占比正相关，商业用地占比对M2社区公园游憩到访率有正向促进作用，前者印证了早晚高峰聚集对区域公共服务设施有激活作用[37]，后者可能与商业活动发达区的辐射作用有关[38]。
未来规划选址中，宜考虑在靠近商业用地的区域设置社区公园，服务周边居住人群和商业到访人群，并有效提升中、下午时间段的游憩到访率。对现有的人群早晨锻炼、晚间游憩活动丰富的社区，应考虑在周边功能更加丰富的区域设置社区公园；对于绿地的优化提升，可以通过增设周边功能、丰富业态来吸引周边人群在早晨与晚间对于绿地的使用（表2）。
表2 社区公园游憩日均到访率与空间特征要素相关性

Tab. 2 Correlation between average daily recreational visit rate and spatial feature elements of community parks

空间特征 全部社区公园 S1社区公园 S2社区公园 S3社区公园 M1社区公园 M2社区公园 M3社区公园
　　注：*代表sig值小于0.05，**代表sig值小于0.001，表明相关性显著。
工业用地占比 -0.164 -0.235 -0.252 -0.326 -0.121 -0.232 -0.277
公共管理和服务用地占比 0.054 -0.127 -0.174 0.306 0.388* 0.092 -0.227
居住用地占比 -0.189 0.193 0.352 -0.174 -0.369 -0.479 0.045
交通用地占比 -0.057 -0.298 0.043 -0.097 0.021 0.130 -0.113
商业用地占比 0.347** 0.067 0.004 0.275 0.251 0.696* 0.323
公园周边功能混合度 0.214 0.447 0.05 0.507* 0.077 0.267 -0.053
绿地可达性 0.095 -0.040 0.617** -0.020 0.561** -0.110 0.753**
公交站点密度 0.309** 0.359 0.373 0.393 0.469* 0.579* 0.576
道路网密度 0.414** 0.339 -0.037 0.654** 0.440* -0.088 0.765**
公园面积 0.013 -0.155 0.493* -0.134 0.422* -0.335 -0.127
绿化覆盖率 -0.120 0.146 -0.331 0.159 0.200 -0.017 -0.372
硬质景观占比 0.178 -0.223 0.507* -0.042 -0.140 -0.101 0.727*
水域占比 -0.053 0.124 0.042 -0.402 -0.172 0.348 -0.161

3.2.3 交通可达特征

交通可达特征与社区公园游憩到访率呈现较强的相关性。总体而言，公交站点密度、道路网密度与到访率密切相关。绿地可达性对S2、M1、M3社区绿地游憩到访率有正向促进作用，与先前研究中绿地可达性对绿地访问的促进作用一致[39]。公交站点密度对M1、M2社区绿地游憩到访产生明显的正向作用，这可能与早晚工作出行与中午、下午游憩出行行为相关。而道路网密度对S3、M3社区公园游憩到访的正向促进作用更加显著，高密度的道路网可以提供更多的出行选择，从而提高了游憩活动的便利性，尤其是方便晚间人群的散步等行为。

3.2.4 公园自身特征

在游憩活跃型规律分类下，具有不同主导功能的公园，其对应的到访率平均值存在显著的差异（图7）。M3、S2社区公园中健康游戏型公园的游憩到访率较高。具体而言，M3社区公园中的健康游戏类型平均到访达到463人/（hm2·h），这表明中午和中晚间的游憩访问与健身游戏设施的设置相关。不同游憩活跃型规律的文化展示型社区公园呈现出不同的到访率：一方面，丰富的文化功能体现了公园在地文化内涵，吸引人们进行打卡等活动[40]；另一方面，这类功能社区公园在早晨和中下午吸引的人群相对较少，这可能与其吸引人群的局限性有关。
图7 各类型绿地对应功能绿地到访率平均值

Fig. 7 Average visit rate of functional green spaces corresponding to various types of green spaces

绿地面积作为最基础的要素，与S2、M1社区公园游憩到访率为正相关关系。各要素对到访率的促进作用也存在较大差异，硬质景观要素对于S2、M3社区公园（尤其是M2社区公园）的游憩到访率促进作用明显；社区公园中的硬质景观空间能够为居民提供更为多元的游憩体验和支撑[41]，呼应了人们对于广场舞等活动的需求。

4 立足社区公园游憩规律的规划提升意见

本研究在多源数据的支持下，构建了游憩规律分类下公园空间特征与公园到访情况的关联，以确定在不同日周期规律下，何种因素将影响公园游憩到访。基于游憩规律分类，能够从人群游憩时空行为的角度，为社区公园效率提升提供建议。
1）周边功能性质是影响社区公园游憩规律的重要因子，从人本视角进行社区公园选址有助于社区生活圈游憩服务体系的建设。周边功能决定了人群的行为倾向，例如与社区公园游憩效率密切相关的商业功能，为周边居民提供了丰富的游憩体验。同时功能混合度的提升对晨间、晚间波峰活跃类型到访率提升有正向影响。公共服务设施附近的早晚间活跃波峰往往与居民的作息时间有关，因此在规划设计中应考虑在公共服务设施附近设置适宜晨间和晚间活动的设施，如晨练区、健身设施等；同时宜考虑在通勤人员密集的社区选择周边功能更丰富的区域作为潜在社区公园选址。
2）便捷的交通会促进社区公园的使用，其表征包括高可达性、小密度路网和充足的公交站点设施。在规划设计中，应合理布置小路，以便居民能够步行到达目的地，减少交通工具的使用，特别是在中午和晚间，人们通常更倾向于步行。因此，一方面提供便捷的步行路径和设施有助于减轻交通拥堵问题，提高出行效率，又有利于健康促进；另一方面应充分考虑公交站点布置，尤其是有早晚间、中下午出行需求的社区，需要充分考虑周边公交站点密度。
3）公园自身特征显著影响午间、早晚间波峰活跃类型绿地的到访率，午间、中晚间波峰活跃类型的绿地到访率与公园设施功能、硬质景观占比有较强关联。因此在中午、早晚间高峰人流密集的区域设置绿地需考虑提供充分的绿地面积供活动；对于午间、中晚间波峰活跃类型的区域，提供足够的儿童游戏和健康健身设施是关键，高硬质景观比例有助于提高访问率。同时，优化设计时需考虑硬质景观空间是否支持广场舞、羽毛球等活动，宜增加硬质活动场地提升游憩到访率。

5 结论与展望

笔者使用多源数据解析上海市社区公园绿地的使用规律，替代了成本较大、历时较长的现场勘测，获得了连续时间段、大范围的访问人流信息，从周期性规律和到访率两个层次突破了社区公园绿地游憩行为的时空限制，社区公园游憩使用与空间特征之间的关联性分析为人本视角下社区公园规划选址和精准化提升提供了工具。
本研究的局限性有以下4点。1）多源数据获取自新冠病毒疫情阶段，疫情后大家对绿地的使用情况可能有所改变，未来可以聚焦更多时间段进行分析。2）LBS数据识别的是手机信令，而儿童老人等群体游憩行为数据可能因为缺少手机设备未被准确记录，未来研究中可进一步结合现场调研进行数据校准，以提升研究结果的准确度。3）本研究考虑了部分空间物理特征对于游憩行为的影响，缺乏人群特征与具体游憩行为的关联分析，导致无法从社区公园周边人群特征的角度直接对社区公园使用效率提升进行空间优化指导，未来可以考虑深化行为人群和具体游憩行为，如将不同游憩主体人群画像加入研究。4）由于大数据的研究限制，本研究并未深入探讨设施丰富度、景观感知层次[42]等指标，未来可以进一步考虑这些指标对社区公园游憩行为和社区公园服务水平的影响。

图表来源(Sources of Figures and Tables)：

文中图表均由作者绘制。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
中华人民共和国住房和城乡建设部.城市绿地分类标准: CJJ/T85—2017[S].北京: 中国建筑工业出版社, 2017: 2.

Ministry of Housing and Urban-Rural Development of People’s Republic of China. Urban Green Space Classification Standard: CJJ/T85 − 2017[S]. Beijing: China Architecture & Building Press, 2017: 2.

[2]
李雄, 张云路. 新时代城市绿色发展的新命题: 公园城市建设的战略与响应[J]. 中国园林, 2018, 34(5): 38-43.

DOI

LI X, ZHANG Y L. A New Approach in Urban Green Development for the New Era: Strategies for Building Park Cities[J]. Chinese Landscape Architecture, 2018, 34(5): 38-43.

DOI

[3]
方舟, 刘骏. 存量背景下重庆市沙坪坝老城区社区公园布局优化研究[J]. 园林, 2021, 38(3): 55-62.

DOI

FANG Z, LIU J. Research on the Layout Optimization of Community Parks in the Old District of Shapingba in Chongqing Under the Background of Stock[J]. Landscape Architecture Academic Journal, 2021, 38(3): 55-62.

DOI

[4]
刘颂, 杨莹, 贾虎, 等. 基于手机信令数据的上海市社区公园服务半径及影响因素研究[J]. 风景园林, 2021, 28(6): 88-93.

LIU S, YANG Y, JIA H, et al. Research on Service Radius and Influencing Factors of Community Parks in Shanghai Based on Mobile Phone Signaling Data[J]. Landscape Architecture, 2021, 28(6): 88-93.

[5]
吴志强, 刘朝晖. “和谐城市”规划理论模型[J]. 城市规划学刊, 2014(3): 12-19.

DOI

WU Z Q, LIU Z H. “Harmonious City”: A General Urban Planning Theory[J]. Urban Planning Forum, 2014(3): 12-19.

DOI

[6]
邹锦, 杜春兰. 引导过程的主动介入式设计模式: 生态智慧启发下的方法探索[J]. 中国园林, 2018, 34(7): 59-63.

ZOU J, DU C L. Process-Oriented Active Intervention Design Patten: An Exploration of the Method Inspired by Ecological Wisdom[J]. Chinese Landscape Architecture, 2018, 34(7): 59-63.

[7]
ZHANG J G, YU Z W, CHENG Y Y, et al. Evaluating the Disparities in Urban Green Space Provision in Communities with Diverse Built Environments: The Case of a Rapidly Urbanizing Chinese City[J]. Building and Environment, 2020, 183: 107170

DOI

[8]
上海市绿化和市容管理局.上海市城市公园实施分类分级管理指导意见[EB/OL].（2021-09-07）[2023-10-02]. https://lhsr.sh.gov.cn/ysqzzdgk/20160317/0039-DF079156-6BD7-4390-9898-01A95E4D33D4.html.

Shanghai Landscaping & City Appearance Administrative Bureau. Guiding Opinions on the Implementation of Classified and Graded Management of Urban Parks in Shanghai[EB/OL]. (2021-09-07)[2023-10-02]. https://lhsr.sh.gov.cn/ysqzzdgk/20160317/0039-DF079156-6BD7-4390-9898-01A95E4D33D4.html.

[9]
DE JALÓN S G, CHIABAI A, QUIROGA S, et al. The Influence of Urban Green Spaces on People’s Physical Activity: A Population-Based Study in Spain[J]. Landscape and Urban Planning, 2021, 215: 104229

DOI

[10]
张玲玲, 杨绍亮. 社区公共空间居民活动行为特征及空间布局关联性初探: 以苏州园区邻里中心为例[J]. 华中建筑, 2018, 36(8): 82-86.

ZHANG L L, YANG S L. Exploring Behavioral Patterns in Community Public Space and the Correlation with Spatial Arrangement: A Case Study of Neighborhood Centers in Soochow[J]. Huazhong Architecture, 2018, 36(8): 82-86.

[11]
EKKEL E D, DE VRIES S. Nearby Green Space and Human Health: Evaluating Accessibility Metrics[J]. Landscape and Urban Planning, 2017, 157: 214-220.

DOI

[12]
陈义勇. 城市社区公共空间活动量的影响因素[J]. 深圳大学学报（理工版）, 2016, 33(2): 180-187.

DOI

CHEN Y Y. Influential Factors of the Amount of Community Open Space Activity[J]. Journal of Shenzhen University (Science and Engineering), 2016, 33(2): 180-187.

DOI

[13]
童滋雨.城市绿地配置的量化方法研究[D].南京: 南京大学, 2010.

TONG Z Y. The Study of Quantification Method on Urban Greenspace Configuration[D]. Nanjing: Nanjing University, 2010.

[14]
KIMPTON A. A Spatial Analytic Approach for Classifying Greenspace and Comparing Greenspace Social Equity[J]. Applied Geography, 2017, 82: 129-142.

DOI

[15]
周海波, 郭行方. 国土空间规划体系下的绿地系统规划创新趋势[J]. 中国园林, 2020, 36(2): 17-22.

ZHOU H B, GUO X F. Innovative Trends of Green Space System Planning in Territorial Spatial Planning System[J]. Chinese Landscape Architecture, 2020, 36(2): 17-22.

[16]
WHYTE W H. The Social Life of Small Urban Spaces[M]. New York: Project for Public Spaces, Inc, 2001.

[17]
PARK K, EWING R. The Usability of Unmanned Aerial Vehicles (Uavs) for Measuring Park-Based Physical Activity[J]. Landscape and Urban Planning, 2017, 167: 157-164.

DOI

[18]
赵晓龙, 徐靖然, 刘笑冰, 等. 基于无人机（UAV）观测的寒地城市公园冬季体力活动及空间分布研究: 以哈尔滨四个公园为例[J]. 中国园林, 2019, 35(12): 40-45.

ZHAO X L, XU J R, LIU X B, et al. Observations of Winter Physical Activities in Urban Parks Using UAVs: A Case Study of Four City Parks in Harbin[J]. Chinese Garden, 2019, 35(12): 40-45.

[19]
MATISZIW T C, NILON C H, STANIS S A W, et al. The Right Space at the Right Time: The Relationship Between Children’s Physical Activity and Land Use/Land Cover[J]. Landscape and Urban Planning, 2016, 151: 21-32.

DOI

[20]
HOLLENSTEIN L, PURVES R. Exploring Place Through User-Generated Content: Using Flickr Tags to Describe City Cores[J]. Journal of Spatial Information Science, 2010(1): 21-48.

[21]
READES J, CALABRESE F, SEVTSUK A, et al. Cellular Census: Explorations in Urban Data Collection[J]. IEEE Pervasive computing, 2007, 6(3): 30-38.

DOI

[22]
王波, 甄峰, 张浩, 等. 基于签到数据的城市活动时空间动态变化及区划研究[J]. 地理科学, 2015, 35(2): 151-160.

WANG B, ZHEN F, ZHANG H, et al. Research on Spatial Dynamic Changes and Zoning of Urban Activities Based on Check-In Data[J]. Scientia Geographica Sinica, 2015, 35(2): 151-160.

[23]
木皓可, 高宇, 王子尧, 等. 供需平衡视角下城市公园绿地服务水平与公平性评价研究: 基于大数据的实证分析[J]. 城市发展研究, 2019, 26(11): 10-15.

MU H K, GAO Y, WANG Z Y, et al. Equity Evaluation of Park Green Space Service Level from the Perspective of Supply and Demand Balance: An Empirical Analysis Based on Big Data[J]. Urban Development Studies, 2019, 26(11): 10-15.

[24]
李晟, 曹悦, 曲俊翰, 等. 武汉市游憩空间分布质量与服务能力研究: 基于 POI与LBS签到数据[J]. 中国建筑装饰装修, 2020(6): 80-81.

DOI

LI S, CAO Y, QU J H, et al. Research on the Distribution Quality and Service Capacity of Recreational Space in Wuhan City: Based on POI and LBS Check-In Data[J]. Interior Architecture of China, 2020(6): 80-81.

DOI

[25]
ROBERTS H, SADLER J, CHAPMAN L. Using Twitter to Investigate Seasonal Variation in Physical Activity in Urban Green Space[J]. Geo: Geography and Environment, 2017, 4(2): e00041

DOI

[26]
刘海荣, 胡妍妍, 梁发辉, 等. 天津滨海新区夏季街旁绿地使用者游憩行为研究[J]. 北京农学院学报, 2013, 28(1): 74-77.

DOI

LIU H R, HU Y Y, LIANG F H, et al. Research on Users’ Recreation Action in Rroadside Green Space of Binhai New Area in Summer[J]. Journal of Beijing University of Agriculture, 2013, 28(1): 74-77.

DOI

[27]
杨戈. 基于行为观察的湖泊型公园游憩行为研究[J]. 建筑与文化, 2018(5): 171-172.

DOI

YANG G. Study on Recreational Behavior of Urban Lake Park Based on Behavior Observation[J]. Architecture & Culture, 2018(5): 171-172.

DOI

[28]
杨博, 殷明, 郑思俊, 等. 基于手机信令和POI大数据的高密度城市公园绿地日夜游憩活跃度研究: 以上海市典型公园绿地为例[J]. 园林, 2023, 40(7): 35-42.

DOI

YANG B, YIN M, ZHENG S J, et al. Research on the Day and Night Recreation Activity Degree of Urban Park Green Space Based on Mobile Signaling and POl Big Data: Taking Typical Park Green Space in Shanghai as an Example[J]. Landscape Architecture Academic Journal, 2023, 40(7): 35-42.

DOI

[29]
胡昕宇, 李婷婷. 基于活力视角的城市公园人群时空分布特征研究: 以苏州中心城区为例[J]. 园林, 2022, 39(7): 90-97.

DOI

HU X Y, LI T T. Study on Temporal and Spatial Distribution Characteristics of Urban Park Population from the Perspective of Vitality: Taking the Central Urban Area of Suzhou as an Example[J]. Landscape Architecture Academic, 2022, 39(7): 90-97.

DOI

[30]
李敏稚, 怀露. 15分钟生活圈视角下城市公共绿地服务评价[J]. 南方建筑, 2023(6): 32-41.

DOI

LI M Z, HUAI L. Service Evaluation of Urban Public Green Land from the Perspective of a 15-Minute Living Circle[J]. Southern Architecture, 2023(6): 32-41.

DOI

[31]
谢云慧, 毕凌岚, 李荷.供需平衡视角下城市小型公园绿地公平性研究: 以成都市金牛区为例[C]//中国城市规划学会, 成都市人民政府.面向高质量发展的空间治理: 2021中国城市规划年会论文集（12风景环境规划）.北京: 中国建筑工业出版社, 2021.

XIE Y H, BI L L, LI H. Research on the Equity of Urban Small Park Green Space from the Perspective of Supply and Demand Balance: Taking Jinniu District, Chengdu as an Example[C]//Chinese Society of Urban Planning, Chengdu Municipal People’s Government. Spatial Governance for High-Quality Development: Proceedings of the 2021 China Urban Planning Annual Conference (12 Landscape Environmental Planning). Beijing: China Architecture & Building Press, 2021.

[32]
许家雄, 陈晓利, 刘柯良, 等. 社区建成环境对老年人活力出行的空间异质效应[J]. 北京交通大学学报, 2023, 47(3): 103-11.

XU J X, CHEN X L, LIU K L, et al. The Impact of Spatial Heterogeneity in Community Built Environment on the Elderly’s Active Travel[J]. Journal of Beijing Jiaotong University, 2023, 47(3): 103-11.

[33]
梁娟珠, 郭琛琛.基于多模式高斯距离衰减函数改进的两步移动搜索方法: 202111084924[P/OL].2021-12-14[2023-12-20]. https://cprs.patentstar.com.cn/Search/Detail?ANE=7DCA9GFC9DEA5BDA9EHD5AEA9FFB9DAC9GEFAIAA9GIH9AID

LIANG J Z, GUO C C. Improved Two-Step Mobile Search Method Based on Multi-Mode Gaussian Distance Attenuation Function, 202111084924[P/OL]. 2021-12-14[2023-12-20]. https://cprs.patentstar.com.cn/Search/Detail?ANE=7DCA9GFC9DEA5BDA9EHD5AEA9FFB9DAC9GEFAIAA9GIH9AID

[34]
TU X Y, HUANG G L, WU J G, et al. How Do Travel Distance and Park Size Influence Urban Park Visits?[J]. Urban Forestry & Urban Greening, 2020, 52: 126689

[35]
BEYER K M, KALTENBACH A, SZABO A, et al. Exposure to Neighborhood Green Space and Mental Health: Evidence from the Survey of the Health of Wisconsin[J]. International Journal of Environmental Research and Public Health, 2014, 11(3): 3453-3472.

DOI

[36]
王姗, 成林莉, 邱文, 等. 基于多源数据的福州市晋安区公园绿地可达性研究[J]. 西北林学院学报, 2023, 38(1): 257-265.

DOI

WANG S, CHENG L L, QIU W, et al. Accessibility of Park and Green Spaces in Jin’an District of Fuzhou City Based on Multi-Source Data[J]. Journal of Northwest Forestry University, 2023, 38(1): 257-265.

DOI

[37]
杨静, 吴可, 张红亮, 等. 基于土地利用及客流特征的地铁车站分类[J]. 交通运输系统工程与信息, 2021, 21(5): 228-234.

YANG J, WU K, ZHANG H L, et al. Classification of Subway Stations Based on Land Use and Passenger Flow Characteristics[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(5): 228-234.

[38]
刘慧, 吕志坤, 王嘉楠, 等. 城市小微绿地居民出行意愿及其游憩功能影响范围[J]. 合肥师范学院学报, 2019(6): 9-11.

DOI

LIU H, LU Z K, WANG J N, et al. Travel Intention of Urban Micro-Green Space Residents and the Scope of Their Recreational Functions[J]. Journal of Hefei Normal University, 2019(6): 9-11.

DOI

[39]
张金光, 余兆武, 赵兵, 等. 城市绿地促进人群健康的作用途径: 理论框架与实践启示[J]. 景观设计学, 2020, 8(4): 104-113.

DOI

ZHANG J G, YU Z W, ZHAO B, et al. Impact Mechanism of Urban Green Spaces in Promoting Public Health: Theoretical Framework and Inspiration for Practical Experiences[J]. Landscape Architecture Frontiers, 2020, 8(4): 104-113.

DOI

[40]
章露.供需匹配视角下社区公园支持邻里游憩活动的环境因子特征研究[D].重庆: 重庆大学, 2021.

ZHANG L. A Study on Characteristics of Environmental Factors Supporting Neighborhood Recreation Activities in Community Parks from the Perspective of Supply and Demand Matching[D]. Chongqing: Chongqing University, 2021.

[41]
吴嘉铭.支持邻里集体活动的社区公园空间适宜性特征研究: 以重庆主城区9个社区公园为例[D].重庆: 重庆大学, 2021.

WU J M. Research on the Space Suitability Characteristics of Community Parks Supporting Neighbors’ Collective Activities: A Case Study of 9 Community Parks in the Main Urban Area of Chongqing[D]. Chongqing: Chongqing University, 2021.

[42]
邵钰涵, 薛贞颖, 斯韦茨, 等. 人本视角下的公众参与式方法探索: 感知引导法[J]. 风景园林, 2020, 27(11): 116-122.

SHAO Y H, XUE Z Y, THWAITES K, et al. Exploration of Public Participation Method from the Humanistic Perspective: Perception Stimulation[J]. Landscape Architecture, 2020, 27(11): 116-122.

Options
文章导航

/

〈 〉