空气污染对城市活力的影响及其建成环境异质性——基于大数据的分析

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

王波^,¹^,²^,³, 甄峰^,⁴^,⁵, 张姗琪⁴^,⁵, 黄学锋⁶, 周亮⁷

1.中山大学地理科学与规划学院,广州 510275

2.南方海洋科学与工程广东省实验室（珠海）,珠海 519000

3.广东省城市化与地理环境空间模拟重点实验室,广州 510275

4.南京大学建筑与城市规划学院,南京 210093

5.江苏省智慧城市设计仿真与可视化技术工程实验室,南京 210093

6.南京大学地理与海洋科学学院,南京 210093

7.兰州交通大学测绘与地理信息学院,兰州 730070

The impact of air pollution on urban vibrancy and its built environment heterogeneity: An empirical analysis based on big data

WANG Bo^,¹^,²^,³, ZHEN Feng^,⁴^,⁵, ZHANG Shanqi⁴^,⁵, HUANG Xuefeng⁶, ZHOU Liang⁷

1. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China

2. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519000, Guangdong China

3. Guangdong Provincial Key Laboratory of Urbanization and Geo-simulation, Guangzhou 510275, China

4. School of Architecture and Urban Planning, Nanjing University, Nanjing 210093, China

5. Jiangsu Provincial Engineering Laboratory of Smart City Design Simulation & Visualization, Nanjing University, Nanjing 210093, China

6. School of Geography and Ocean Science, Nanjing University, Nanjing 210093, China

7. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China

通讯作者: 甄峰（1973-）,男,陕西汉中人,博士,教授,博士生导师,研究方向为智慧城市、大数据与城市规划研究。E-mail: zhenfeng@nju.edu.cn

收稿日期:2020-07-20接受日期:2020-11-9网络出版日期:2021-07-10

基金资助:

国家自然科学基金项目.41901191
国家自然科学基金项目.41930646
国家社会科学重点基金.20AZD040
广州市基础与应用基础研究项目.202102020795
中央高校基本科研业务费项目.19lgpy42

Received:2020-07-20Accepted:2020-11-9Online:2021-07-10
作者简介 About authors
王波（1987-）,男,湖南衡阳人,博士,副教授,硕士生导师,研究方向为城市地理与区域规划、智慧城市研究。E-mail: wangbo68@mail.sysu.edu.cn

摘要
建设充满活力的城市空间得到地理和城乡规划****的广泛关注。随着空气污染问题的加剧,空气质量影响居民在城市空间中的活动,但鲜有研究考察空气污染与城市活力的定量关系。基于广州市2019年新浪微博签到记录、日气象和空气质量数据、以及建成环境数据,本研究构建以街道为空间单元、以天为时间单元的面板数据,通过标准差椭圆（SDE）以及面板回归模型测度空气污染对城市活力的抑制效应以及该抑制效应在不同建成环境上的异质性。研究得到以下结论：① 城市活力SDE面积随空气质量指数（AQI）上升而收缩,轻度污染和中度污染的城市活力SDE面积仅为空气质量优的约80%和30%。② 运用空间面板回归模型控制街道的空间关联性后,空气质量指数（AQI）对城市活力具有明显负向影响,AQI每增加1个单位,日活动强度减少约0.10次/10 km²;当空气质量恶化到中等污染后,AQI每增加1个单位,日活动强度减少约0.14次/10 km²。③ 空气污染对城市活力的抑制效应在不同建成环境上存在异质性,POI密度、离城市中心距离强化空气污染对城市活力的抑制效应,而地铁站密度、道路交叉口密度、土地利用混合度则弱化空气污染对城市活力的抑制效应。本研究有助于更好厘清空气污染、建成环境与城市活力的关系,并为优化建成环境以缓减空气污染对城市活力抑制效应提供分析支撑。
关键词： 居民活动;建成环境;空间关联性;空气质量;广州

Abstract

Urban vibrancy describes people’s interactions with urban space. And enhancing urban vibrancy is important for urban sustainable development, and thereby attracts the interest of both geography and urban researchers and policy makers. Although evidence suggests that air pollution may influence people’s out-of-home activity, few studies have quantitatively measured how air pollution depresses urban vibrancy. On the basis of Sina Weibo check-in data and daily weather and air quality data in Guangzhou in 2019 and the built environment of this city, this study compiles samples of city vibrancy in 150 neighbourhoods and 365 days, forming a strongly balanced panel dataset. By Standard Deviational Ellipse (SDE) analysis and both general and spatial panel regression models, this study examines how air pollution negatively influences urban vibrancy and the heterogeneity role of the built environment in this depression effect. Our findings demonstrate that urban vibrancy space varies across different levels of air quality index (AQI). Specifically, the size of SDEs of urban vibrancy when AQI is between 50-150 and 150-200 is about 80% and 30% of that when AQI is no more than 50. After we control the spatial dependence (i.e., spatial autocorrelation), spatial panel regression results reveal that air pollution significantly lowers urban vibrancy. The daily activity intensity decreases 0.10 times per ten kilometers with a one-unit increment in AQI. More seriously, once AQI is above 150, this depression effect grows to 0.14 times per ten kilometers with a one-unit increment in AQI. We also test the heterogeneity role of the built environment in this depression effect. The results indicate that while POI density and distance to city center increase the depression effect, the density of metro stations and interactions and land-use diversity decrease the depression effect. It is evident that the depression effect of air pollution on urban vibrancy is not evenly distributed, varying across neibourhoods with different built environment characteristics. Compared to the city center, the outskirts bear a larger depression effect. Therefore, urban vibrancy space may be more polarized when air quality deteriorates and thus, challenging urban spatial restructuring development. Our spatial panel data analysis at the neighourhood scale improves our understanding of the mechanism among air pollution, built environment, and urban vibrancy, which provides evidence-based support for built environment planning and management at the neighbourhood scale to decrease the depression effect of air pollution on urban vibrancy.

Keywords：human behaviour;built environment;spatial dependence;air quality;Guangzhou

PDF (4022KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
王波, 甄峰, 张姗琪, 黄学锋, 周亮. 空气污染对城市活力的影响及其建成环境异质性——基于大数据的分析. 地理研究[J], 2021, 40(7): 1935-1948 doi:10.11821/dlyj020200685
WANG Bo, ZHEN Feng, ZHANG Shanqi, HUANG Xuefeng, ZHOU Liang. The impact of air pollution on urban vibrancy and its built environment heterogeneity: An empirical analysis based on big data. Geographical Research[J], 2021, 40(7): 1935-1948 doi:10.11821/dlyj020200685

1 引言

城市活力源自简·雅各布斯的街道活力概念,是特定空间中（如街道）的人群及其活动强度和类型,反映一个城市的吸引力与多样性^[1,2,3]。提升城市活力不仅有利于提高居民生活质量,并且对城市可持续发展具有重要意义,是城市地理与城乡规划学科关注的热点话题^[4,5]。依据不同活动类型,****从经济、社会和文化等不同方面对城市活力开展了丰富研究^[6,7,8]。但是,城市活力的测度一直以来都是一个重要挑战。已有研究大多基于小范围（如街道）的观察式调研或短时间段（如1周）的居民活动日志/问卷调研,难以全面反映大范围内（如城市）的中微观尺度（如街道）、长时间段的活力空间特征及变化^[9]。智慧社会下,信息通信技术渗透到居民日常生活中各个方面的网络/实体活动经历,这些带有地理属性的大数据记录人们在城市空间中的实时活动,为研究城市活力提供新数据源^[10,11,12]。****收集手机信令数据^[13,14,15]、LBS定位数据^[16]、GPS数据^[17,18]、社交媒体签到数据（如新浪微博、Twitter等）^{[19,20,21,22]}、餐饮点评数据^[23,24]等,并统计在区域、城市、街道等空间尺度及月、日、小时等时间尺度上活动强度（如社交媒体签到密度、手机用户密度、餐饮点评密度等）,从吸引力视角展示城市活力的时空间特征。也有****综合不同类型的数据源以表征不同类型的活动,从多样性视角展示城市活力空间特征^[23,25]。这些研究表明,ICT记录的带有地理属性的大数据能够实时反映居民与城市空间的相互作用,并被广泛运用于相关城市研究与规划方法创新^[26]。相较于手机信令等其他类型大数据,社交媒体签到数据虽然存在样本代表性（以年轻用户、高学历用户为主）等缺陷,但其自带的地理标签能够区分不同类型活动,从而可以针对特定活动类型开展相关研究^{[19,20,21,22]}。

改革开放以来,中国城镇化发展迅速,城镇人口集聚增加城市活力。但同时,工业化、机动化发展也带来日益严重的空气污染问题^[27]。“雾霾”“PM_2.5”“空气质量”等词汇频繁出现在政府和媒体报告中,成为城市可持续发展的主要挑战之一^[27]。已有城市地理与城乡规划研究主要关注空气污染的时空演化特征及驱动因素、空气污染对居民身心健康的影响及该影响在不同地区和社会经济属性居民间的差异、空气污染区域治理等议题^{[28,29,30,31,32]}。同时,部分****开始关注居民在城市空间中开展活动而面临的空气污染暴露问题,并借助GPS、便携式环境监测仪等工具,从个体时空行为视角探讨空气污染对居民出行（如出行轨迹、交通方式等）的影响^[33,34]。这些研究发现,随着健康意识普及,空气质量会影响居民在城市空间中的活动（是否外出活动、活动地点和时间选择等）,从而可能影响城市活力。

然而,鲜有研究考察空气污染对城市活力的具体影响。受益于大数据的可获取性,少量研究通过采集微博签到数据,以城市为空间单元揭示空气污染抑制居民的活动（签到规模）^[35]并影响居民在活动中的幸福感（签到文本流露的情绪）^[36]。也有****进一步关注空气污染对特定类型活动的影响,例如通过大众点评的餐饮点评数量变化分析空气污染是否抑制居民外出就餐^[37]。研究发现,对于不同社会经济发展水平的城市,空气污染对城市活力的抑制效应存在差异^[33]。社会经济属性作为影响居民活动的重要因素,导致空气污染对居民外出活动的抑制效应因城市社会经济条件的不同而存在差异^[35],并进一步引申环境不公正议题^[31]。但这些研究忽视了建成环境对城市活力的影响。城市地理与城乡规划研究一直关注建成环境特征和城市活力的关系^[5],并从定性和定量的角度分析密度、交通、功能混合、区位、道路网等建成环境要素对城市活力的影响^[6,7,25,38]。显然,以城市为空间单元的分析一方面忽视城市范围内空气污染以及城市活力的空间不均衡现象^[35],另一方面也难以衡量微观建成环境要素在空气污染对城市活力抑制效应的影响机制。建成环境作为影响城市活力的重要因素^[1,2,5-7],空气污染对城市活力的抑制效应理论上存在建成环境上的异质性（例如,虽然空气污染整体上降低居民活动的意愿,但在建成环境更具吸引力的地方,其城市活力降低的程度可能相对较低）。基于此,本研究旨在测度空气污染对城市活力的抑制作用,并探究建成环境在空气污染对城市活力抑制效应的影响机制。本文关注城市范围内中微观尺度（街道）的城市活力。为控制不随时间变化的不可观测差异导致的遗漏变量问题,本研究收集长时间段的面板数据以提升抑制效应估计的精确度。

本研究以广州市为例,采用新浪微博签到记录测度城市活力,并综合日气象和空气质量数据、建成环境数据,构建以街道为空间单元、以天为时间单元的面板数据,分析空气污染对城市活力的抑制效应,并探究建成环境在该影响中的异质性作用。本研究综合大数据,通过在街道尺度上基于天的面板数据分析,有助于更好厘清空气污染、建成环境与城市活力的关系,并为城市规划和管理中通过优化建成环境以缓减空气污染对城市活力抑制效应提供分析支撑。

2 数据与研究方法

2.1 数据来源

2.1.1 微博签到数据签到密度常被用于衡量活动强度以反映城市活力^{[13,14,15,16,17,18,19,20,21,22,23,24]}。本研究以街道为空间单元、以天为时间单元,计算各街道的日签到密度作为衡量城市活力的指标。首先,通过爬虫程序介入新浪微博的位置服务动态API,收集广州市2019年附带POI地址标签的签到数据（包括每条签到记录的用户信息和签到信息）。其次,考虑到微博签到数据存在样本代表性缺陷（活跃用户与非活跃用户的签到频率差异明显）,参照已有文献方法进行数据清理^{[20, 39]},包括：① 剔除广州市范围外的签到记录。② 微博用户半小时内在同一个地点签到超过1次的数据仅保留第1次的签到记录。随后,根据活动属性对POI地址标签进行类型汇总,划分为工作地、居住地、公共交通、公共服务、休闲娱乐地、旅游地、其他共七大标签类型^[3]。无论空气污染与否,居民都需要前往工作地上班,但可能会减少其他外出活动。因此,本研究主要关注微博用户在工作地和居住地之外的五大类标签的签到记录。这五大类标签的签到记录占所有签到记录的83.46%,反映微博用户更愿意在网络社区中分享公共服务、休闲娱乐、旅游等活动内容^[22,36]。最后,得到这五大类标签上的62万余条签到记录。除去没有采集到空气污染与气象数据的南沙区以及签到记录极少的从化区吕田镇,本研究共统计广州市10区下辖150街道/镇（统称街道）2019年的日签到密度（见图1）。据统计,广州市2019年各街道的日签到密度为17.9次/10 km²（表1,见第1939页）。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区域

Fig. 1Study area

Tab. 1
表1
表1变量定义与描述性统计
Tab. 1Variable definitions and summary statistics

变量		描述	观测量	均值	方差	最小值	最大值
因变量	活动强度	$活动强度 = \frac{街道日签到总数}{街道面积 (10 k m^{2})}$	54750	19.66	50.58	0.00	3014.00
控制变量（气象&日期属性）	风速	日平均风速 $(m / s)$	2190	1.83	0.80	0.45	7.69
	气温	日平均气温 $(℃)$	2190	22.81	5.84	6.94	34.06
	降水	日降水情况,虚拟变量：1=暴雨及以上,0=其他	2190	0.03	0.18	0	1.00
	日期	非工作日,虚拟变量：1=非工作日（包括双休日与节假日）,0=工作日	365	0.31	0.46	0	1.00
解释变量（空气污染&建成环境因素）	AQI	日空气质量指数	3650	68.82	28.58	20.08	167.92
	d	中度污染,虚拟变量：1=中度污染及以上,0=其他	3650	0.05	0.07	0	1.00
	POI密度	$POI 密度 = \frac{POI 总数 (个)}{街道面积 (k m^{2})}$	150	520.76	557.14	1.98	2428.72
	地铁站密度	$地铁站密度 = \frac{街道地铁站数 (个)}{街道面积 (k m^{2})}$	150	0.70	1.21	0.00	6.79
	道路交叉口密度	$道路交叉口密 = \frac{街道道路交叉口数 (个)}{街道面积 (k m^{2})}$	150	13.80	15.26	0.00	70.89
	区位	$街道几何中心到市中心的直线距离 (km)$	150	16.70	16.39	0.49	84.04
	用地混合度	$Z_{i} = \frac{全域第 i 类土地用地面积 (k m^{2})}{全域 6 类土地用地总面积 (k m^{2})}$ $X_{i} = \frac{街道第 i 类土地用地面积 (k m^{2})}{街道 6 类土地用地总面积 (k m^{2})}$ $A_{i} = \frac{X_{i}}{Z_{i}}$ $P_{i} = \frac{A_{i}}{\sum_{i = 1}^{n} A_{i}}$ $\begin{array}{l} 街道用地混合度 = \frac{(- 1) (\sum_{i = 1}^{n} p_{i} \ln (p_{i}))}{\ln (n)}, \\ n = 6 \end{array}$	150	0.71	0.14	0.33	0.97

注：用地混合度统计与居民活动密切相关的土地利用类型,包括商业用地、住宅用地、工业用地、公共服务用地、科教文化与办公用地、城市绿地。

新窗口打开|下载CSV

2.1.2 空气污染与气象数据随着对空气污染的关注,各个城市都设置空气监测站并实时公布城市的空气质量指数（AQI）及6类污染物浓度（PM_2.5、PM₁₀、CO、NO₂、O₃、SO₂）。研究数据来自中国环境部（ http://www.cnemc.cn/）每日更新的广州市内天河、越秀、黄埔、海珠、荔湾、白云、番禺、增城、从化、花都10个空气监测站（网站中无南沙区空气监测站数据）。通过爬虫程序,本研究收集该10个空气监测站公布的2019年日AQI和6类污染物浓度数据。经过相关性分析,发现AQI与6类污染物浓度具有显著的高相关性。因此,本研究以各区空气监测站的AQI代表下辖街道的空气污染情况。根据国家标准,空气质量等级划分为：优（AQI≤ 50）、良（50<AQI≤100）、轻度污染（100<AQI≤150）、中度污染（150<AQI≤ 200）、重度污染（200<AQI≤300）、严重污染（AQI>300）。如表1（见第1939页）所示,广州市2019年日AQI均值为68.82,空气质量包括从优到中度污染共4个等级。同时,各监测站的AQI存在显著差异（F=8.785,P-value<0.000）,说明广州各区的空气质量存在明显差异（见图2）。

图2

新窗口打开|下载原图ZIP|生成PPT
图22019年广州各区空气质量指数均值

注：图中不含南沙区与从化区吕田镇。
Fig. 2The average AQI of each district in Guangzhou, 2019

已有研究表明,气象条件会影响居民活动选择^[34]。因此,研究空气污染对城市活力的影响需要控制气象因素。气象数据来自中国气象局中每日更新的广州市内天河、白云、番禺、增城、从化、花都6个气象监测站。通过爬虫程序,本研究收集该6个气象监测站公布的2019年日平均风速、平均气温、降雨数据。考虑到相对于小雨、中雨等,暴雨及特大暴雨（降雨量≥ 50 mm/d）更容易引发城市内涝从而影响居民活动^[39],故设置为虚拟变量（见表1）。本研究以各区气象监测站的数据代表下辖街道的气象条件;其中天河气象监测站,代表天河、越秀、黄埔、海珠、荔湾五个城区下辖街道的气象条件。通过均值比较发现各监测站气象数据中（见表1）,风速和气温存在显著差异（F=32.873,P-value<0.000;F=182.696,P-value<0.000）,而降雨不存在显著差异（F=1.677,P-value=0.137）。

2.1.3 建成环境要素密度、混合度、区位（距离）等建成环境要素影响城市活力^[1,2,5-7,14]。本研究以街道为空间单元采集POI密度、地铁站密度、道路交叉口密度、用地混合度、区位5个变量（见表1）。其中,POI密度是衡量密度的重要指标^[38],基于2018年广州市域内的43.6万条POI数据计算得到,地铁站、道路交叉口数据来自广州市2018年POI及路网数据,用地混合度基于2017年广州市土地利用现状数据计算得到,区位是基于ArcGIS测量街道几何中心到市中心（珠江新城）的直线距离。

2.2 研究方法

2.2.1 标准差椭圆（Standard Deviational Ellipse, SDE） SDE常用于分析点要素的空间分布模式（中心趋势、离散和方向趋势）特征^[40],近年来开始被应用于活动地点（如犯罪点）的分布趋势研究^[41]。签到记录点表征个人在某个地点的活动,其SDE分析能够展示人群活动的空间分布特征。本研究采集签到记录点和POI作为带空间坐标信息的点状数据集,适用于SDE分析,展示城市活力和设施的空间分布特征。

2.2.2 空间面板回归模型本研究包括150个街道365天的面板数据。为更好揭示空气污染对城市活力的抑制效应,本研究选择固定效应模型（Fixed Effects Model）以控制不可观测的时间和个体效应。同时,Hausman检验也证实固定效应模型更适合本研究^[42]。其基本面板回归模型表达式为：

（1）

Y_{it} = β_{0} + β_{1} X_{it}^{a} + β_{2} X_{it}^{w} + β_{3} X_{t}^{d} + η_{t} + u_{i} + ε_{it}

式中：因变量

Y_{it}

为i街道第t天的活动强度,反映城市活力;

X_{it}^{a}

是i街道第t天的AQI,反映空气污染情况。为验证空气污染对城市活力的非线性影响,设置中度污染为门限变量d（见表1）,考察中度污染及其以上对城市活力抑制效应程度是否更强。

X_{it}^{w}

是反映i街道第t天气象条件的变量组,包括风速、气温和降水;

X_{t}^{d}

是区分工作日和非工作日的虚拟变量,已有研究表明,居民活动空间在工作日与非工作日（包括双休日与节假日）存在明显差异^{[18, 22]},因此分析空气污染对城市活力的影响需要控制工作日与非工作日因素;

η_{t}

是时间固定效应变量,设置为季节和天虚拟变量,控制城市活力在不同季节和天的不可观察差异;

u_{i}

是街道固定效应变量,设置为街道虚拟变量,控制街道不随时间变化的不可观测差异;

ε_{it}

为误差项。

其次,为探究空气污染对城市活力影响在建成环境上的异质性,在基本面板回归模型（1）的基础上引入建成环境变量与空气污染变量的交互项,表达式为：

（2）

Y_{it} = β_{0} + β_{1} X_{it}^{a} + β_{2} X_{it}^{w} + β_{3} X_{t}^{d} + β_{4} X_{i}^{b} X_{it}^{a} + η_{t} + u_{i} + ε_{it}

式中：变量

X_{i}^{b}

是i街道的建成环境变量组,包括POI密度、地铁站密度、道路交叉口密度、用地混合度、区位变量。

传统的面板数据回归没有考虑到空间依赖关系（空间自相关）,使得回归系数可能存在误差。已有研究表明,城市活力空间存在明显的空间依赖关系,相邻空间单元的居民活动强度可能存在显著相关性^[3]。Moran’sI检验发现本研究的街道城市活力存在空间自相关（p<0.05）。因此,本研究借助GeoDa工具得到衡量街道相邻关系的空间矩阵,并引入空间滞后模型（Spatial Lag Model, SLM）与空间误差模型（Spatial Error Model, SEM）,进一步考察在控制空间依赖关系后空气污染对城市活力的影响及其在建成环境上的异质性。SLM、SEM是两种常用的包含空间关联性的空间计量回归模型^{[43, 44]}。其中,SLM表达式为：

（3）

Y_{it} = ρW Y_{it} + βX + ε

式中：W是反映空间单元相邻关系的外生空间权重矩阵（150×150）;

W Y_{it}

是反映空间自相关的滞后因变量;

ρ

是空间依赖度参数,其符号代表空间关联性的正负关系,其绝对值代表空间关联性的强弱,若

ρ

=0,SLM将转变为基本面板回归模型;

ε

是满足空间自相关的误差项。有别于SLM通过因变量的空间滞后测度空间相关性,SEM在误差项中测度空间关联性,其表达式为：

（4）

Y_{it} = βX + εε = ρWε + u

式中：u是误差项,其分布符合均值为0且方差固定的正态分布;

ρ

是过滤误差项空间关联性的空间依赖度参数,若

ρ

= 0,SEM将转变为基本面板回归模型。

3 结果分析

3.1 空气污染下的城市活力空间变化特征

通过统计各街道的平均日签到密度,展示广州城市活力空间（见图3）。同时,分别提取各街道在空气质量优、良、轻度污染、中度污染4个等级下的签到记录点和2018年POI,在ArcGIS中绘制城市活力和设施的SDE,可视化城市活力空间变化及其与设施（紫色圈）空间分布的关系（见图4）。在SDE设置中,椭圆面的大小参数选取默认的1个标准差。

图3

新窗口打开|下载原图ZIP|生成PPT
图32019年广州城市活力空间

注：图中不含南沙区与从化区吕田镇。
Fig. 3Urban vibrancy in Guangzhou, 2019

图4

新窗口打开|下载原图ZIP|生成PPT
图42019年不同空气质量等级下的广州城市活力与设施SDE

注：图中不含南沙区与从化区吕田镇。
Fig. 4SDE features of urban vibrancy under different air quality levels and urban facilities in Guangzhou, 2019

在空气质量优和良等级下,广州市城市活力空间与设施分布呈现相对的一致性,这也进一步证实社交媒体签到数据反映的居民活动空间受城市设施分布的影响^{[19,20,21,22]}。与广州近年来“南拓北延东进西联”的城市规划与发展相一致,广州市活力空间呈现出“双核-多节点”空间格局（图3）,并与设施分布呈现出西南-东北走向的集中趋势（见图4）。“双核”包括：①西起荔湾区多宝街道,东至越秀区珠光街道,北起越秀区六榕街道,南至海珠海幢街道,地跨白鹅潭一江三岸,包括北京路、上下九、同福路等商圈的老城核心区。②北起天河区林和街道,南至海珠区琶洲街道,以珠江新城为中心的新城核心区。相较于老城核心区,新城核心区的城市活力更加明显,并呈现东向持续拓展的趋势。“多节点”指在各区中心形成的城市活力节点,包括番禺区大学城、市桥街道、广州南站、花都区新华街道、从化区街口街道、增城区荔城街道等。

但是,空气污染明显地压缩城市活力空间面积并改变其方向分布。当空气质量优,城市活力与设施的SDE面积大致相当（约1600 km²）,说明居民活动较为活跃,并愿意去城市外围地区的相关设施开展活动。随着空气污染暴露风险的增加,在轻度污染时,城市活力SDE面积降低到空气质量优的79.7%,但仍大致保持西南-东北走向。而随着空气质量增加到中度污染,城市活力SDE显著降低到空气质量优的30%。这说明空气污染对居民活动意愿的影响并非简单线性的,而是在达到一定程度后出现锐减。当空气质量中等污染,SDE中心点经纬度、长短半轴也发生显著变化,城市活力SDE方向由西南-东北走向转为东-西走向。这说明,随着空气污染暴露风险的增加,城市核心区虽然活力强度有所下降,但仍然是居民活动的主要选择地点;而相较于城市核心区,外围地区（特别是广州市南部和北部的节点）吸引力下降明显。

3.2 空气污染对城市活力的抑制效应

表2归纳空气污染对城市活力影响的面板回归模型结果。其中,模型1是基本面板回归模型,模型2和模型3是SLM与SEM面板回归模型。

Tab. 2
表2
表2基本面板及空间面板回归模型结果
Tab. 2Results of the basic panel regression and spatial panel regression models

变量	模型1		模型2		模型3		模型4		模型5		模型6
变量	Coef.	S.E.	Coef.	S.E.	Coef.	S.E.	Coef.	S.E.	Coef.	S.E.	Coef.	S.E.
AQI	-0.105***	0.008	-0.097***	0.008	-0.104***	0.008	-0.344***	0.047	-0.313***	0.047	-0.310***	0.047
AQId*	-0.035*	0.017	-0.033*	0.016	-0.035*	0.017	-0.048**	0.017	-0.045**	0.017	-0.048**	0.018
风速	-0.583***	0.126	-0.539***	0.126	-0.577***	0.136	-0.542***	0.126	-0.504***	0.126	-0.537***	0.134
气温	0.831***	0.110	0.765***	0.110	0.819***	0.119	0.765***	0.110	0.709***	0.110	0.757***	0.118
(气温)²	-0.012***	0.003	-0.011***	0.003	-0.012***	0.003	-0.011***	0.003	-0.010**	0.003	-0.011**	0.003
降水 (非暴雨=ref.)	-2.177***	0.334	-2.010***	0.334	-2.146***	0.356	-2.081***	0.335	-1.935***	0.334	-2.056***	0.355
日期 (非工作日=ref.)	0.999**	0.383	0.921*	0.382	0.994*	0.413	0.944*	0.382	0.877*	0.381	0.941*	0.409
AQI×POI密度	—	—	—	—	—	—	-0.0001**	0.000	-0.000**	0.000	-0.000**	0.000
AQI×地铁站密度	—	—	—	—	—	—	0.030***	0.006	0.030***	0.006	0.030***	0.006
AQI×交叉口密度	—	—	—	—	—	—	0.001*	0.000	0.001*	0.000	0.001*	0.000
AQI×区位	—	—	—	—	—	—	-0.002***	0.000	-0.002***	0.000	-0.002***	0.000
AQI×用地混合度	—	—	—	—	—	—	0.301***	0.053	0.274***	0.053	0.262***	0.053
$ρ$	—	—	0.076***	0.007	0.076***	0.007	—	—	0.070***	0.007	0.068***	0.007
街道固定效应	控制
季节固定效应	控制
天固定效应	控制
N	54750
	模型拟合度
Adjusted R²	0.086		0.090		0.086		0.256		0.265		0.264
AIC	562419.900		562294.100		562296.200		562241.700		562138.800		562144.600
Log-likelihood	-281199.000		-281135.100		-281136.100		-281104.900		-281052.400		-281055.300

注：*p<0.05;**p<0.01;***p<0.001。

新窗口打开|下载CSV

（1）城市活力存在空间关联性。SLM和SEM面板回归模型中,空间依赖度参数ρ值在0.001水平上正向显著,这表明城市活力受到相邻街道城市活力的显著性正向影响。与基本面板回归模型相比,SLM和SEM面板回归模型的拟合度都有所提升,自变量的显著性和影响方向虽然没有变化但存在影响大小的变化。这也证实,研究空气污染对城市活力的抑制效应有必要控制空间关联性。

（2）气象条件和是否工作日显著地影响城市活力。模型结果显示,气象条件显著影响城市活力。风速的提升、气温的升高、以及暴雨天气会显著减少居民活动,降低城市活力。气温的二项式表明,城市活力与气温呈现“倒U型”关系,即随着气温的升高,城市活力下降的趋势放缓。这与广州海洋性亚热带季风气候有关,不会出现北方城市气温过低而导致居民减少室外活动的现象^[37]。值得注意的是,暴雨对城市活力的负向影响最突出。暴雨造成城市内涝的现象已经严重影响居民活动,从而抑制城市活力^[39]。与已有研究类似^[19,22],非工作日的城市活力高于工作日,这一方面与本研究排除工作地签到记录有关,另一方面也说明居民在非工作日活动的时空限制更低,会有更多的公共服务、休闲娱乐、旅游等居民乐于在社交媒体中分享的活动。

（3）空气污染显著抑制城市活力。在控制气象条件、是否工作日属性以及空间关联性后,AQI显著地负向影响城市活力。从模型1~模型3来看,AQI每增加1个单位,日活动强度减少约0.10次/10 km²。因此,随着空气质量每下降1个等级（AQI提升50个单位）,活动强度将下降约5.0次/10k m²。更值得注意的是,模型进一步验证当空气质量恶化到中等污染后,空气污染对城市活力的抑制效应更强（AQI每增加1个单位,日活动强度减少约0.14次/10 km²）。对照广州市2019年日均19.7次/10 km²的签到强度,若广州市空气质量整体上由良转为轻度污染,将会导致活动强度下降25.38%,意味着约1/4的居民活动可能因为空气污染而被抑制;而若广州市空气质量整体上由良转为中度污染（AQI提升100个单位）,将会导致60.91%的居民活动被抑制,从而大大降低城市活力并影响城市对人、物、资本的吸引和集聚能力。

3.3 空气污染对城市活力影响的建成环境异质性

模型4~模型6在对应模型1~模型3基础上,引入建成环境变量与空气污染变量的交互项。从模型拟合度来看,模型4~模型6比模型1~模型3有较大提升,并且5个交互项变量影响系数均显著,证实空气污染对城市活力的抑制效应在不同建成环境上差异明显。

（1）POI密度越高的街道,空气污染的抑制效应越明显。POI越密集,吸引居民活动的设施越多,越有城市活力^[5,38]。本研究发现,POI密集的地方对空气污染更敏感,POI密度强化空气污染对城市活力的抑制效应。空气污染对设施集聚地区城市活力的强抑制性,进一步说明空气污染给城市社会经济发展带来不利影响^[27],应当在城市可持续发展战略上给予足够重视。

（2）地铁站密度、道路交叉口密度、土地利用混合度越高的街道,空气污染的抑制效应越小。相对于公交巴士、小汽车等路面交通,乘坐地铁的空气污染暴露风险相对低。街道的地铁站密度越高表明居民有更多乘坐地铁到达目的地开展相关活动的机会,从而一定程度上缓解空气污染对城市活力的抑制效应。道路交叉口密度越高,表明街道内道路系统呈现小尺度、小路宽、网络交织的形态特征。研究表明,小尺度、小路宽、网络交织的道路系统有助于居民开展丰富活动^[1,2,5,27]。同时,土地利用混合度越高说明提供活动的类型越丰富,而活动类型的多样化是提升城市活力的重要方面^{[6, 7]}。本研究表明活动类型的多样化一定程度上缓解空气污染对城市活力的抑制效应。

（3）越远离城市中心的街道,空气污染对城市活力的抑制效应越明显。模型的结果也呼应3.1章节中对不同空气质量等级下城市活力空间差异的可视化分析,说明：空气污染对中心城区活力强度的抑制效应低于外围地区。因此,空气污染对城市活力的抑制效应存在空间差异,这将影响城市空间结构调整和优化政策的实现。如果空气污染问题持续得不到改善,规划的城市外围新中心（如新城）吸引力不足的劣势将被进一步放大而导致城市活力的缺失,从而影响集聚能力。基于此,应当更加重视城市外围新中心建成环境的规划和管理,以尽可能缓解空气污染对城市活力的抑制效应。

4 结论与讨论

本研究收集广州市2019年微博签到记录,以街道为空间单元、以天为时间单元,计算各街道日签到密度以衡量城市活力。同时,结合日气象和AQI、工作日与非工作日属性、以及街道建成环境特征,探究空气污染对城市活力的抑制效应以及该影响在建成环境上的异质性。研究发现：

（1）不同空气质量等级下的城市活力空间差异明显。空气质量良（及轻度污染）和中度污染的城市活力SDE面积仅为空气质量优的80%和30%。空气污染对城市活力的影响并非简单线性的,而是在达到一定程度后出现锐减。同时,随着空气质量等级从优转为中度污染,城市活力SDE由西南-东北走向的“双核-多节点”转为东-西走向的“双核”空间分布。空气污染下,城市核心区虽然活力强度有所下降,但仍然是居民活动的主要集聚地。

（2）在控制街道的正向空间关联性后,面板回归模型结果表明城市活力受气象条件、是否工作日、以及AQI的显著影响。特别是,AQI每增加1个单位,日活动强度减少约0.10次/10 km²。当空气质量恶化到中等污染后,空气污染对城市活力的抑制效应更强（AQI每增加1个单位,日活动强度减少约0.14次/10 km²）。这说明,空气污染的持续恶化将大大抑制城市活力。空气污染治理对提升城市的吸引和集聚能力具有重要意义。

（3）空气污染对城市活力的抑制效应存在建成环境上的异质性。其中,POI密度、离城市中心距离强化空气污染对城市活力的抑制效应,地铁站密度、道路交叉口密度、土地利用混合度弱化空气污染对城市活力的抑制效应。因此,在城市规划和建设管理中（特别是规划的城市外围新中心）,应当重视建成环境的优化以缓解空气污染对城市活力的抑制效应。

本研究综合微博签到、POI等大数据,通过在街道尺度上基于天的面板数据分析,丰富城市活力在城市范围内的中微观尺度的实证研究,有助于更好厘清空气污染、建成环境与城市活力的关系。在研究内容上,本研究不仅测度空气污染对城市活力的抑制效应,也验证该影响在不同建成环境上的差异。考虑到当前快速城镇化、工业化、机动化的发展,城市规划和管理一方面应当治理空气污染,另一方面应当重视小尺度、小路宽、网络交织的道路系统和地铁系统建设,并促进综合用地布局,从而优化建成环境以缓解空气污染对城市活力抑制效应。当然,本研究也有待进一步提升。首先,在数据源上,可以尝试收集应用更广泛且能测度城市活力的数据（如微信和手机信令数据）^[13,14,15]。受制于使用人群属性的特征,微博签到数据并不能完全反应整体市民的活动,因此在测度城市活力存在一定的样本有偏。在未来研究中可以尝试综合不同类型数据测度和校正城市活力。同时,有必要研究空气污染对不同人群和不同类型活动的抑制效应,从而更好呼应环境公平议题^[32,33]。不同社会经济属性的人群（如男性和女性）、不同活动类型反映不同的空气污染承受能力和活动时空间限制条件^[10],理论上其活力空间存在空气污染抑制效应的差异,但仍有待实证研究的进一步探索。

致谢：

真诚感谢三位匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文阐述空气污染、城市活力和建成环境的关系、模型变量选择和设置、结论阐述方面的修改意见,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

Jacbos

. The Death and Life of Great American Cities
New York: Random House, 1961: 99.

[本文引用: 4]

[2]

Lynch

. The Image of the City. Boston: The MIT Press, 1960: 46.

[本文引用: 4]

[3]

, Ye

, Ren

, et al. Check-in behavior and spatio-temporal vibrancy: An exploratory analysis in Shenzhen, China
Cities, 2018, 77: 104-116. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2018.01.017.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2018.01.017 URL [本文引用: 3]

[4]

Glaeser

. Cities, productivity, and quality of life
Science, 2011, 333(6042): 592-594. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1126/science.1209264.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1126/science.1209264 URL [本文引用: 1]

[5]

Gehl

. Life between Buildings: Using Public Space. Washington: Island Press, 2011, 31.

[本文引用: 6]

[6]

, Ta

, Song

, et al. Urban form breeds neighborhood vibrancy: A case study using a GPS-based activity survey in suburban Beijing
Cities, 2018, 74: 100-108. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2017.11.008.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2017.11.008 URL [本文引用: 3]

[7]

Long

, Huang

. Does block size matter? The impact of urban design on economic vitality for Chinese cities
Environment and Planning B: Urban Analytics and City Science, 2019, 46(3): 406-422. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1177/2399808317715640.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1177/2399808317715640 URL [本文引用: 5]

[8]

Mehta

. Lively streets: Determining environmental characteristics to support social behavior
Journal of Planning Education and Research. 2007, 27(2): 165-187. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1177/0739456X07307947.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1177/0739456X07307947 URL [本文引用: 1]

[9]

Chai

, Ta

, Ma

. The socio-spatial dimension of behavior analysis: Frontiers and progress in Chinese behavior geography
Journal of Geographical Sciences, 2016, 26(8): 1243-1260. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11442-016-1324-x.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11442-016-1324-x URL [本文引用: 1]

[10]

王波, 卢佩莹, 甄峰. 智慧社会下的城市地理学研究: 基于居民活动的视角
地理研究, 2018, 37(10): 2075-2086.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201810015 [本文引用: 2]

智慧社会下,信息通信技术已经渗透到居民日常生活中各个方面的网络/实体活动经历,是理解智慧社会发展的核心。同时,虚拟—实体空间关系、网络—实体活动关系及其对城市地域空间重构与演化的影响一直得到城市地理****的广泛关注。在综述已有居民活动时空间研究的基础上,指出智慧社会下居民网络—实体活动的关系已经超越简单的替代—促进二元关系,而承载网络与实体活动的虚拟与实体空间也相互交织影响,挑战对实体空间中地方与移动性的理解,并重构虚拟空间中的秩序和规律,丰富智慧社会下城市地理学的研究问题。超越技术决定论与基于技术决定论的虚实空间二元论的讨论范畴,更能反映城市地理学在智慧社会发展话语体系中的地位。与发达国家不同,中国同时经历着快速的信息化与城镇化,对居民网络/实体活动组织及虚拟—实体空间关系的研究不仅提供了新的案例与理论贡献,而且为城镇化的可持续发展提供实践策略。

[ Wang

, Loo

Becky

, Zhen

Feng

. Urban geography research in the e-society: A perspective from human activity
Geographical Research, 2018, 37(10): 2075-2086.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201810015.

URL [本文引用: 2]

[11]

Liu

, Liu

, Gao

, et al. Social sensing: A new approach to understanding our socioeconomic environments
Annals of the Association of American Geographers, 2015, 105(3): 512-530. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/00045608.2015.1018773.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/00045608.2015.1018773 URL [本文引用: 1]

[12]

甄峰, 王波. “大数据”热潮下人文地理学研究的再思考
地理研究, 2015, 34(5): 803-811.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201505001 [本文引用: 1]

伴随着移动通信技术的快速发展以及定位应用程序的普及,带有地理空间信息的数据成为“大数据”中的重要部分,为人文地理学研究的发展提供了新的机遇,也契合了人文地理学“计量转向”与“社会转向”的发展规律,以及人文地理学人本主义的发展趋势。但同时,人文地理****也面临着数据决定论、数据分析方法准备不足以及数据自身缺陷所带来的危机与挑战。在“大数据”热潮下,无论是定量研究还是定性研究,“大数据”还是“小数据”的研究,都应当给予同样的重视,数据规模与数据的采集、分析和阐述并无很大的关联。并且,还需要警惕由于数据垄断可能带来研究的“数字鸿沟”,并呼吁人文地理学研究在研究方法与内容等方面与其他学科进行更多的跨学科合作。

[ Zhen

Feng

, Wang

. Rethinking human geography in the age of big data
Geographical Research, 2015, 34(5): 803-811.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201505001.

URL [本文引用: 1]

[13]

Yuan

, Raubal

, Liu

. Correlating mobile phone usage and travel behavior: A case study of Harbin, China
Computers, Environment and Urban Systems, 2012, 36(2): 118-130. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.compenvurbsys.2011.07.003.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.compenvurbsys.2011.07.003 URL [本文引用: 3]

[14]

罗桑扎西, 甄峰. 基于手机数据的城市公共空间活力评价方法研究: 以南京市公园为例
地理研究, 2019, 38(7): 1594-1608.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj020180756 [本文引用: 4]

针对已有公共空间活力评价方法存在视角单一,对活力多样性体现不足的问题,本文在深入理解活力内涵与特征的基础上,探讨了多维视角下的公共空间活力评价方法。从个体行为、空间活动、空间交互联系网络的复合视角,围绕活力的核心,综合考虑活动类型及空间联系,提出了重访性、混合性、网络交互中心性三项测度评价指标,在此基础上构建了公共空间活力评价方法框架。以南京市公园为例,采用手机大数据,进行了公园活力的综合评价。分析表明：手机数据可从多个维度快速准确的识别城市公共空间活力现状,并展开综合评价。同时,可进一步参照活力不同维度特征的测度结果,提出具有针对性的活力营造及提升策略与路径指导,体现了本方法对已有评价方法具有一定修正和延展作用。

[ Luo

Sangzhaixi

, Zhen

Feng

. How to measure public space vitality based on mobile phone data: An empirical analysis of Nanjing's parks
Geographical Research, 2019, 38(7): 1594-1608.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj020180756.

URL [本文引用: 4]

[15]

钟炜菁, 王德, 谢栋灿, 等. 上海市人口分布与空间活动的动态特征研究: 基于手机信令数据的探索
地理研究, 2017, 36(5): 972-984.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201705013 [本文引用: 3]

对城市人口空间分布的动态把握是了解人口活动规律、认识城市空间结构、配置城市基础设施和公共服务设施及制订城市公共安全应急保障方案的重要依据。由于目前国内缺少系统的人口动态变化统计数据,城市内部层面的人口空间分布和活动的动态特征方面的相关研究难以开展,研究成果较为有限。移动电话是目前普及率最高的通讯终端设备,其用户的动态分布信息可以准确地反应整个城市人口的空间分布与活动的动态特征。利用手机信令数据,以上海市为例,构建“人口—时间—行为”关系的人口空间动态分析框架,分析上海市人口分布和活动的动态特征。结果表明：上海整体人口密度呈单中心的圈层空间分布结构,昼夜空间分布经历“白天向中心集聚、夜晚向郊区分散”的流动过程;人的各类活动（如通勤、消费休闲）会产生人口空间分布的动态变化,职住关系的不匹配和活动对中心的高度依赖使得人口的空间分布不均,形成向心流动模式。消费休闲行为对中心城区的依赖度明显高于就业活动,且集中体现在紧邻中心城区的外围近郊呈圈层分布。

[ Zhong

Weijing

, Wang

, Xie

Dongcan

, et al. Dynamic characteristics of Shanghai's population distribution using cell phone signaling data
Geographical Research, 2017, 36(5): 972-984.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201705013.

URL [本文引用: 3]

[16]

钮心毅, 吴莞姝, 李萌. 基于LBS定位数据的建成环境对街道活力的影响及其时空特征研究
国际城市规划, 2019, 34(1): 28-37.

[本文引用: 2]

[ Niu

Xinyi

, Wu

Wanshu

, Li

Meng

. Influence of built environment on street vitality and its spatiotemporal characteristics based on LBS positioning data
Urban Planning International, 2019, 34(1): 28-37.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.22217/upi.2018.495.

URL [本文引用: 2]

[17]

周素红, 郝新华, 柳林. 多中心化下的城市商业中心空间吸引衰减率验证: 深圳市浮动车GPS 时空数据挖掘
地理学报, 2015, 69(12): 1810-1820.

[本文引用: 2]

[ Zhou

Suhong

, Hao

Xinhua

, Liu

Lin

. Validation of spatial decay law caused by urban commercial center's mutual attraction in polycentric city: Spatio-temporal data mining of floating cars' GPS data in Shenzhen
Acta Geographica Sinica, 2015, 69(12): 1810-1820.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201412007.

URL [本文引用: 2]

[18]

申悦, 柴彦威, 郭文博. 北京郊区居民一周时空间行为的日间差异
地理研究, 2013, 32(4): 701-710.

[本文引用: 3]

[ Shen

Yue

, Chai

Yanwei

, Guo

Wenbo

. Day-to-day variability in activity-travel behavior based on GPS data: A case study in suburbs of Beijing
Geographical Research, 2013, 32(4): 701-710.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/yj2013040013.

URL [本文引用: 3]

[19]

Wang

, Zhen

, Wei

, et al. A theoretical framework and methodology for urban activity spatial structure in e-society: Empirical evidence for Nanjing city, China
Chinese Geographical Science, 2015, 25(6): 672-683. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11769-015-0751-4.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11769-015-0751-4 URL [本文引用: 5]

[20]

Zhen

, Cao

, Qin

, et al. Delineation of an urban agglomeration boundary based on Sina Weibo microblog 'check-in' data: A case study of the Yangtze River Delta
Cities, 2017, 60: 180-191. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2016.08.014.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2016.08.014 URL [本文引用: 5]

[21]

Malleson

, Birkin

. Analysis of crime patters through the integration of an agent-based model and a population microsimulation
Computers, Environment and Urban Systems, 2012, 36(6): 551-561. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.compenvurbsys.2012.04.003.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.compenvurbsys.2012.04.003 URL [本文引用: 4]

[22]

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

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2015.02.151 [本文引用: 7]

借助新浪微博,引入位置服务大数据,以南京市为例,从时间、空间、活动3个方面分析城市活动空间的动态变化,并在掌握变化规律的基础上进一步划分城市活动区域。研究发现：传统的作息规律仍然支配着人们的签到活动,时间与活动内容间的对应关系仍然存在;居民活动在工作日、休息日与节假日,以及主城与外围地区存在差异;城市活动空间在一天内经历了相对分散-集聚-进一步集聚-分散-相对集聚的动态变化;城市活动区域可以划分为就业活动区、居住活动区、休闲活动区、夜生活活动区,及综合活动区;活动功能区呈现出混合化与边界模糊化的特征。

[ Wang

, Zhen

Feng

, Zhang

Hao

. The dynamic changes of urban space-time activity and activity zoning based on check-in data in Sina Web
Scientia Geographica Sinica, 2015, 35(2): 151-160.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2015.02.151.

URL [本文引用: 7]

[23]

塔娜, 曾屿恬, 朱秋雨, 等. 基于大数据的上海中心城区建成环境与城市活力关系分析
地理科学, 2020, 40(1): 60-68.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2020.01.008 [本文引用: 3]

运用大众点评数据、出租车到达数据与文化设施POI数据测度城市活力的经济、社会和文化维度,在街区和街道层面分析城市活力的空间结构特征,建立计量模型分析城市建成环境对城市活力的影响关系。结果表明：①上海中心城区城市活力表现出明显的空间差异,主要表现为由中心向四周递减、浦西优于浦东的总体特征;②街区和街道尺度影响城市活力的建成环境因素存在差异;③街区尺度建成环境对城市社会、经济和文化活力的影响存在差异：提升人口密度对经济活力具有正面影响,过高的人口密度可能不利于社会和文化活力发展;增加POI密度、路网密度和POI混合度有利于城市活力的提升;建筑层数和建筑密度的增加会降低街区的社会活力和文化活力,但会提升街区的经济活力;交通可达性有利于经济活力的提升。

[ Ta

, Zeng

Yutian

, Zhu

Qiuyu

, et al. Relationship between built environment and urban vitality in Shanghai downtown area based on big data
Scientia Geographica Sinica, 2020, 40(1): 60-68.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2020.01.008.

URL [本文引用: 3]

[24]

秦萧, 甄峰, 朱寿佳, 等. 基于网络口碑度的南京城区餐饮业空间分布格局研究: 以大众点评网为例
地理科学, 2014, 34(7): 810-817.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2014.07.810 [本文引用: 2]

运用大众点评网（南京站）餐饮商户的点评数据,在建立口碑评价指标体系的基础上,计算各商户的口碑综合得分和排名,并对城市餐饮业的空间分布格局进行核密度分析和综合评价。研究发现,南京城区餐饮商户大致分为4个等级,呈现“头小底大”的金字塔形状,口碑较差的商户占据绝大多数,中等口碑的商户较为缺乏,餐饮业发展综合水平较低;餐饮业的空间分布主要呈现出以新街口为服务核心,其他多个次级服务中心共生发展的格局;高等级餐饮服务中心仍旧集中在主城区范围内,发展较为孤立,大致表现为服务质量圈层递减或沿交通线路轴向扩展特征;城市商圈业态也会影响传统和休闲类餐饮商户的空间分布趋势。

[ Qin

Xiao

, Zhen

Feng

, Zhu

Shoujia

, et al. Spatial pattern of catering industry in Nanjing urban area based on the degree of public praise from internet: A case study of dianping.com
Scientia Geographica Sinica, 2014, 34(7): 810-817.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2014.07.810.

URL [本文引用: 2]

[25]

Jin

, Long

, Sun

, et al. Evaluating cities' vitality and identifying ghost cities with emerging geographical data
Cities, 2017, 63: 98-109. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2017.01.002.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2017.01.002 URL [本文引用: 2]

[26]

甄峰, 王波, 秦萧, 等. 基于大数据的城市研究与规划方法创新. 北京: 中国建筑工业出版社, 2015: 16.

[本文引用: 1]

[ Zhen

Feng

, Wang

, Qin

Xiao

, et al. Urban Studies and Innovation in Urban Planning Method Based on Big Data. Beijing: China Architecture & Building Press, 2015, 16.]

[本文引用: 1]

[27]

Zheng

, Kahn M

. Understanding China's urban pollution dynamics
Journal of Economic Literature, 2013, 51(3): 731-772. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1257/jel.51.3.731.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1257/jel.51.3.731 URL [本文引用: 4]

[28]

王振波, 梁龙武, 王旭静. 中国城市群地区PM_2.5时空演变格局及其影响因素
地理学报, 2019, 74(12): 2614-2630.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201912014 [本文引用: 1]

城市群作为中国新型城镇化主体形态,是支撑全国经济增长、促进区域协调发展、参与国际分工合作的重要平台,也是空气污染的核心区域。本文选取2000-2015年NASA大气遥感影像反演PM2.5数据,运用GIS空间分析和空间面板杜宾模型,揭示了中国城市群PM2.5的时空演变特征与主控因素。结果显示：① 2000-2015年中国城市群PM2.5浓度呈现波动增长趋势,2007年出现拐点,低浓度城市减少,高浓度城市增多。② 城市群PM2.5浓度以胡焕庸线为界呈现东高西低的格局,城市群间空间差异性显著且不断扩大,东部、东北地区浓度提升更快。③ 城市群PM2.5年均浓度空间集聚性显著,以胡焕庸线为界,热点区域集中东部,范围持续增加,冷点集中在西部,范围持续缩小。④ 城市群内各城市间PM2.5浓度存在空间溢出效应。不同城市群影响要素差异显著,工业化和能源消耗对PM2.5污染有正向影响;外商投资在东南沿海和边境城市群对PM2.5污染具有负向影响;人口密度对本地区PM2.5污染主要具有正向影响,对邻近地区则相反;城市化水平在国家级城市群对PM2.5污染有负向影响,在区域性和地方性城市群则相反;产业结构高级度对本地区PM2.5污染有负向影响,对邻近地区则相反;技术扶持度对PM2.5污染的影响显著,但存在滞后性和回弹效应。

[ Wang

Zhenbo

, Liang

Longwu

, Wang

Xujing

. Spatio-temporal evolution patterns and influencing factors of PM_2.5 in Chinese urban agglomerations
Acta Geographic Sinica, 2019, 74(12): 2614-2630.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201912014.

URL [本文引用: 1]

[29]

周亮, 周成虎, 杨帆, 等. 2000-2011年中国PM_2.5时空演化特征及驱动因素解析
地理学报, 2017, 72(11): 2079-2092.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201711012 [本文引用: 1]

高浓度PM2.5是形成雾霾的主要原因之一,科学识别PM2.5浓度的空间异质性与驱动因素对区域大气联动治理意义重大。研究采用2000-2011年NASA大气遥感影像反演的PM2.5数据,结合地统计、地理探测器及GIS空间分析等方法,系统分析了中国2000-2011年PM2.5浓度时空演化格局特征与其驱动因素。结果表明：① 2000-2011年中国PM2.5污染平均浓度一直保持在22.47~28.26 μg/m3区间,总体呈现先快速增加后趋于稳定的演化态势,2006年是PM2.5浓度值变化的拐点（峰值）。② 空间上PM2.5浓度整体呈现北方高于南方,东部高于西部趋势,污染浓度高值区集中分布在黄淮海平原、长三角下游平原、四川盆地与塔克拉玛干沙漠四大区域,其中京津冀地区污染最为严重。③ 污染浓度重心研究表明PM2.5重心总体呈现快速东移趋势,污染高值区持续向东移动,低值区向西移动,两者重心背向而行,表明东部雾霾污染程度在进一步加剧。④ 空间自相关分析表明PM2.5年均浓度呈现强烈的局部空间正自相关特性,PM2.5“高—高”集聚区连片分布在黄淮海平原、汾渭盆地、四川盆地及江汉平原地区,PM2.5“低—低”集聚区分布在长城以北的内蒙古、黑龙江、青藏高原、以及台湾、海南与福建等东南沿海及岛屿地区。⑤ 地理探测分析表明气候等自然因素与人类活动共同对PM2.5浓度空间变化产生巨大影响,其中自然地理区位、人口密度、汽车数量、工业烟尘、秸秆燃烧等因子是中国PM2.5浓度空间变化的主要驱动因素。

[ Zhou

Liang

, Zhou

Chenghu

, Yang

Fan

, et al. Spatio-temporal evolution and the influencing factors of PM_2.5 in China between 2000 and 2011
Acta Geographic Sinica, 2017, 72(11): 2079-2092.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201711012.

URL [本文引用: 1]

[30]

Chen

, Ebenstein

, Greenstone

, et al. Evidence on the impact of sustained exposure to air pollution on life expectancy from China's Huai River policy
Proceedings of the National Academy of Sciences, 2013, 110(32): 12936-12941.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1073/pnas.1300018110.

URL [本文引用: 1]

[31]

Bevc C

, Marshall B

, Picou J

. Environmental justice and toxic exposure: Toward a spatial model of physical health and psychological well-being
Social Science Research, 2007, 36(1): 48-67. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ssresearch.2005.11.001.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ssresearch.2005.11.001 URL [本文引用: 2]

[32]

马静, 柴彦威, 符婷婷. 居民时空行为与环境污染暴露对健康影响的研究进展
地理科学进展, 2017, 36(10): 1260-1269.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.18306/dlkxjz.2017.10.008 [本文引用: 2]

环境污染是全球共同面对的重大问题之一,严重危害居民的健康状况。已有关于环境污染与健康研究主要包括宏观区域层面的环境污染与健康指标的相关关系研究;基于居民日常交通出行的空气污染暴露与健康效应的研究;以及关注社会经济属性,重点探讨黑人、儿童、低收入者等弱势群体所承受的环境负面影响,即环境公正和健康不平等研究。本文对上述研究进行较为系统的梳理与评价,基于时空行为、环境公正等学科前沿议题,为研究环境污染与健康之间的复杂性提供多样化的理论视角以及较为完整的分析框架。同时提出,需要将个体时空行为、环境污染与健康相关联,从微观层面深入研究基于居民时空行为轨迹的环境污染暴露与健康影响机理,挖掘不同社会、空间背景下的环境公正与健康不平等的内在关系,为发展更为公平、有效的城市与交通规划措施以及环境健康政策等提供科学依据。

[ Ma

Jing

, Chai

Yanwei

, Fu

Tingting

. Progress of research on the health impact of people's space-time behavior and environmental pollution exposure
Progress in Geography, 2017, 36(10): 1260-1269.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.18306/dlkxjz.2017.10.008.

URL [本文引用: 2]

[33]

, Tao

, Kwan M

, et al. Assessing mobility-based real-time air pollution exposure in space and time using smart sensors and GPS trajectories in Beijing
Annals of the American Association of Geographers. 2020, 110(2): 434-448. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/24694452.2019.1653752.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/24694452.2019.1653752 URL [本文引用: 3]

[34]

曹小曙, 闵家楠, 黄晓燕. 降雨和空气污染对城市居民公共自行车使用的影响研究: 以西安市为例
人文地理, 2019, 34(1): 151-158.

[本文引用: 2]

[ Cao

Xiaoshu

, Min

Jianan

, Huang

Xiaoyan

. The influence of rainfall and air pollution on public bicycle usage: A case study of Xi'an
Human Geography, 2019, 34(1): 151-158.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13959/j.issn.1003-2398.2019.01.019.

URL [本文引用: 2]

[35]

Yan

, Duarte

, Wang

, et al. Exploring the effect of air pollution on social activity in China using geotagged social media check-in data
Cities, 2019, 91: 116-125. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2018.11.011.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2018.11.011 URL [本文引用: 3]

[36]

Zheng

, Wang

, Sun

, et al. Air pollution lowers Chinese urbanites′ expressed happiness on social media
Nature Human Behaviour, 2019, 3(3): 237-243. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/s41562-018-0521-2.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/s41562-018-0521-2 URLPMID:30953012 [本文引用: 2]

High levels of air pollution in China may contribute to the urban population's reported low level of happiness. To test this claim, we have constructed a daily city-level expressed happiness metric based on the sentiment in the contents of 210?million geotagged tweets on the Chinese largest microblog platform Sina Weibo, and studied its dynamics relative to daily local air quality index and PM concentrations (fine particulate matter with diameters equal or smaller than 2.5?μm, the most prominent air pollutant in Chinese cities). Using daily data for 144 Chinese cities in 2014, we document that, on average, a one standard deviation increase in the PM concentration (or Air Quality Index) is associated with a 0.043 (or 0.046) standard deviation decrease in the happiness index. People suffer more on weekends, holidays and days with extreme weather conditions. The expressed happiness of women and the residents of both the cleanest and dirtiest cities are more sensitive to air pollution. Social media data provides real-time feedback for China's government about rising quality of life concerns.

[37]

Sun

, Zheng

, Wang

, et al. Does clean air increase the demand for the consumer city? Evidence from Beijing
Journal of Regional Science, 2019, 59(3): 409-434. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1111/jors.12443.

DOI:10.1111/jors.2019.59.issue-3 URL [本文引用: 2]

[38]

Yue

, Zhuang

, Yeh A G

, et al. Measurements of POI-based mixed use and their relationships with neighborhood vibrancy
International Journal of Geographical Information Science, 2016, 31(4): 658-675. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/13658816.2016.1220561.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/13658816.2016.1220561 URL [本文引用: 3]

[39]

Wang

, Loo B P

, Zhen

, et al. Urban resilience from the lens of social media data: Responses to urban flooding in Nanjing, China
Cities, 2020, 106: 102884. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2020.102884.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.cities.2020.102884 URL [本文引用: 3]

[40]

金淑婷, 李博, 杨永春, 等. 中国城市分布特征及其影响因素
地理研究, 2015, 34(7): 1352-1366.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201507014 [本文引用: 1]

通过对221 BC-1911 AD年间中国城市分布特征及其影响因素的研究,发现：① 在整个研究阶段,中国城市分布的重心位于中东部地区,秦—唐时期重心向西南地区大幅移动,唐—元时期重心先东北方向移动后转向西南方向,元—清时期重心主要向北移动。以腾冲—瑷珲一线为界线分区研究发现,在整个研究阶段西部重心在南北及东西方向呈现出较大的波动趋势,东部重心呈现出与全国类似的运动轨迹。② 标准差椭圆分析表明全国及东西部地区城市分布经历了明显的分散—集聚—分散的变化趋势,其中西部地区最为明显。从城市分布的平均方向看,全国及东部地区具有一定的相似性,均以东北—西南为主要分布特征,西部地区是以西北—东南为主要分布特征。③ 从城市密度分布特征看,其空间连续性和自组织性不断加强且由空间相关性引起的结构性变异处于显著状态。从方向上来看,全方向上的均质化程度呈下降趋势,西北—东南方向各时期城市密度均质化程度相对较好,空间差异相对较小,而东—西方向差异最为明显。④ 分析不同时期城市设置的相关因素发现,221 BC-1911 AD年间,中国城市设置相对集中在地形平坦、气候适中且靠近河流及中心城市的地区。

[ Jin

Shuting

, Li

, Yang

Yongchun

, et al. The distribution of cities in China and its influencing factors
Geographical Research, 2015, 34(7): 1352-1366.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201507014.

URL [本文引用: 1]

[41]

毛媛媛, 丁家骏. 抢劫与抢夺犯罪行为时空分布特征研究: 以上海市浦东新区为例
人文地理, 2014, 29(1): 49-54.

[本文引用: 1]

[ Mao

Yuanyuan

, Ding

Jiajun

. Study on spatial-temporal patterns of robbery and snatch: A case study of Pudong new area, Shanghai
Human Geography, 2014, 29(1): 49-54.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13959/j.issn.1003-2398.2014.01.011.

URL [本文引用: 1]

[42]

Griliches

, Hausman

. Errors in variables in panel data
Journal of Econometrics. 1986, 31(1): 93-118. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/0304-4076(86)90058-8.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/0304-4076(86)90058-8 URL [本文引用: 1]

[43]

Anselin

. Spatial Econometrics: Methods and Models
Boston: Kluwer Academic Publisher, 2013: 86.

[本文引用: 1]

[44]

Yang

, Wang

, Zhou

, et al. Walking accessibility and property prices spatial econometrics
Transportation Research Part D: Transport and Environment, 2018, 62: 551-562. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.trd.2018.04.001.

DOI:http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.trd.2018.04.001 URL [本文引用: 1]