《Cities》最新发文：通过层次聚类分析、地理分布分析、空间自相关分析和地理加权回归模型揭示城市空间形态与人群时空行为的关联

期刊： Cities

DOI ： https://doi.org/10.1016/j.cities.2025.105812

理解人群行为有助于政策制定，以促进城市的宜居性和可持续性。建成环境的空间形态会影响人们使用城市区域的方式，因此探索它们之间的相关性越来越被视为有助于应对新城开发或现有社区再生的有用支持。本研究的目标是调查城市空间形态与人群时空行为之间的动态关系，利用多源大数据收集和整合的潜力。为此，采用层次聚类和地理分布测量方法，并使用地理加权回归模型来测试它们的动态关系，以中国拉萨为试验场地。研究结果表明，在拉萨，人群活动的强度和波动水平在空间分布上都遵循 “核心集聚到外围减弱” 的模式。空间形态指数可以解释人群时空行为空间异质性的很大一部分，表现出最小的时间变化但显著的空间变化。建筑密度、建筑高度、功能密度和功能混合对人群行为有正面影响，而容积率则产生负面影响。这种方法的成果对于了解人们根据空间形态在城市中的行为方式可能高度相关，相应地可以得出经验教训，作为城市增长的战略指导。

以往研究不足包括：GAP1 – 缺乏多变量驱动的研究。 当前大多数研究集中在有限的方面，主要是定义城市形态的结构因素或影响人们行为和模式的因素。这通常是通过采用量身定制的本地方法来实现的，这些方法在分析具体案例研究时可能非常有效，但在比较和概括结果方面机会有限。 GAP2 – 缺乏对人们行为与公共空间使用之间关系动态性质的关注。 不仅可以检测到季节性/周期性变化，还可以因多种原因观察到显著的日常变化。过去由于监测活动非常耗时，这些观察被忽视了。目前，基于网络的解决方案处理大型数据集的潜力尚未得到充分利用。GAP3 – 缺乏对观察到的现象进行批判性解读的长期视野。当前大多数出版物集中在特定变量及其相关影响上，对长期影响（以及相互关联因素的可能影响）的反思有限。

为应对这些新兴空白，本研究采用了一种新方法，利用多源大数据的潜力来描绘当前城市空间发展模式。因此，研究的具体目标是：OBJ1 – 定义一种综合方法，利用多源大数据库，同时处理城市空间因素和人们使用模式，提供一种多因素和多源的方法。该方法在一个案例研究中进行了测试，以探索和批判性地评论相关结果及其整体潜力和局限性。OBJ2 – 通过利用大数据可用性和数字解决方案的一系列工具，提取和关联关于空间形态与人群行为在时间和空间上的动态关系的相关数据和信息。OBJ3 – 确定空间形态对人群时空行为的主要影响因素，为提供战略指导。