引言
街道建立了城市各项功能的内在联系，也是城市生活的载体[1]。街道功能的发展和形成是一个逐渐丰富的过程。城市街道在20 世纪初一度丧失生活气息，成为“快速通道”。1960 年代“复合空间”的呼声及其1980 年代的实践应用，才逐渐使得街道成为具有“复合性”的“共享空间”[2-3]。
目前国内外关于街道的研究主要针对街道活力、公共空间、街道界面以及规划管理等方面，较少对城市街道进行动态认识。沈尧和卡里米（Shen &Karimi）从活动密度、功能多样性和空间可达性的角度定义了街道功能联系度，进而从街道功能联系度测度的视角对街道功能使用变化进行了讨论[4]；胡峰等（Hu et al.）通过建立城市街道动态感知模型评估了街道的交通、商业、居住功能，用以支持用地动态规划等[5]。多数关于城市街道动态使用的研究隐含于城市用地相关的研究中：袁晶等（Yuan et al.）从空间句法的角度，使用出行轨迹和POI 等数据建立了城市地块动态特征检测框架[6]；涂伟等（Tu et al.）则分析了城市功能区内人类活动的总体情况，并未对街道空间作进一步细分研究[7]。总体而言，对于城市街道的感知仍停留在静态层面，无法适应其变化性。
传统规划研究和实践往往通过观察法等微观视角获取少量街道的动态功能特征，而海量记录个人行为模式的地理大数据应用为城市动态的定量分析提供了可能性[8]。基于地理大数据的城市动态定量分析包括城市和区域范围内的人口迁移、城市突发事件监测、人类活动规律感知以及活动关联性分析等，为大规模的城市街道功能变化规律感知分析提供了基础。此外，传统社交媒体平台加入位置分享功能以来，社交媒体数据呈指数型增长[9]。社交媒体数据作为相对易于获得的一类地理大数据，具有对城市热点地区/事件感知的相对敏感性、应用的灵活性等特点，在多种研究尺度具有较高的应用价值。在城市规划领域，社交媒体数据被广泛应用于城市规划与评价[4]、区域结构分析[10]、应急响应[11]等领域，有助于探索空间中人的活动模式，例如分析出行模式[12]、计算市民个体迁移距离衰减半径[13]、推演城市活动组团[14]等。
人们对于街道空间的使用既反映了使用者对于空间的偏好，也使得城市街道的功能使用产生时空变化[15]。基于人在不同时间段内对城市街道空间的使用偏好，本文将“街道使用”定义为“可见的活动”，包括在临街商业、娱乐空间接受产品和服务，以及对开放空间的使用。综合时间维度上，一个时间段内对城市街道空间使用的累计情况构成城市街道在这一时间段内的使用模式；多个时间段内城市街道使用模式变化情况形成其动态使用模式。
1 研究区域与技术路线
米兰市是意大利第二大城市、米兰省省会和伦巴第大区①伦巴第大区位于意大利北部，米兰省（米兰广域市）是伦巴第大区的一部分。米兰市是米兰省和伦巴第大区的首府。“大区”和“省/广域市”是意大利的行政等级，“大区”相当于我国的“省”，“省/广域市”相当于我国的“市”，米兰市相当于我国省会城市。的首府。米兰自中世纪时期以来一直属于向心型发展的城市类型[16]，城市结构中有四条明显的环线，从中心区至郊区分别为中世纪环、城墙环、第一外环和第二外环（图1）。本文选取米兰人口较密集的中心区内的圣芭比拉（San Babila）、布雷拉（Brera）、新门（Porta Nuova）、中国城（China Town）4 个街区，基于媒体签到数据对街道使用模式进行动态感知和分析。
图1 米兰城市的四环结构和本文研究范围
圣芭比拉街区和布雷拉街区是米兰市的核心地带，是米兰服务中心、金融中心、商业中心、文化中心所在地以及时尚和国际品牌的聚集区。相较而言，新门街区和中国城街区则以具有活力的特色商业为主：新门是一个以现代建筑为主的新空间，也是伦巴第大区最新和最具创新性的经济和商业新中心；中国城则是意大利历史最悠久、规模最大的华人聚居区，商业活动极为活跃，具有强烈的东方特色。研究选取的4 个街区是米兰市最具活力的地带，因此数据量足以支撑动态研究，各街区之间的商业活动差异也使街区间的空间使用呈现不同。
本文首先根据城市动态相关研究选取数据及其处理方式，选择聚类分析为主要工具，得到不同街道功能动态使用模式；其次，结合动态感知的结果，探究用地、交通布局、空间感知和视觉感知4 类空间环境要素的差异性是否存在；最后，结合差异性分析结果为城市街道规划设计提供建议。
2 研究数据与方法
2.1 数据类型
本文的研究数据主要来自开放街区地图（OSM: Open-StreetMap）、四方（Foursquare）②四方是一款提供社交网络服务的应用，目前有超过40 万家企业通过四方平台建立与消费者的联系，美国以外地区的用户签到数量超过3.58 亿人次，提供包括点赞、照片、评论等在内的丰富签到信息。网址为https://foursquare.com/。和谷歌繁忙时段（Google Popular Times）③谷歌繁忙时段是谷歌地图公司2018 年8 月推出的一项功能，通过使用用户公开在服务器上的实时位置信息，分析过去几周到访位置的平均使用情况，从而计算出兴趣点的人流情况。网址为https://support.google.com/。。OSM 提供街道路网数据，四方数据和谷歌繁忙时段数据提供与兴趣点相关的签到数据。结合四方和谷歌繁忙时段的数据分类，本文定义了办公、医疗、商业、文化娱乐、教育5 大类、12 小类街道功能节点（表1），考虑签到数据的特殊性和不同类别数据的可比性，选取商业与文化娱乐设施分类中的9 小类与路网数据相结合。
表1 5 大类12 小类街道功能节点分类情况
注：药店和烟草店因包含就医和社区服务功能，故归类于服务设施。
2.2 数据处理
对三类数据的处理主要包括网络分析、空间连接和标准化三步（图2）。
图2 数据处理方式
第一步，综合四方签到数据和谷歌繁忙时段，以3 小时为一个时间段，得到每天8 段动态签到数据。将OSM 街道数据简化为轴线模型以便网络分析。由于研究聚焦微观层面，为了确保各街道之间的可比性，将街道拆分为多段，每段长度小于200 m，取每段街道的中点为一个观察点，共获得1 503 段街道。
第二步，根据网络影响模型[3]并运用GIS 网络分析，选取距离观察点250 m（从观察点出发在路网各方向行走250 m）、道路两侧影响范围50 m（路网缓冲区50 m）共计300 m（步行时间约为5 分钟）的范围，作为观察点的影响范围。运用空间连接将观察点的影响范围与签到数据结合。
第三步对每个观察点签到数据进行Z-score 标准化处理，方便动态感知。
2.3 动态感知
本文试图描述、归纳和总结街道使用模式，并对观察点进行聚类分组。多维数据的聚类问题研究可使用多类算法，其中层次聚类、两步聚类、K 均值聚类、最近邻元素聚类和自组织映射（SOM: self-organizing map）5 种算法较为常见。本文采用K 均值聚类对街道观察点进行分析以得到不同街道的使用模式，其中基于签到用户数量的动态感知反映了人群个体在街道的活动情况，而基于签到地点数量的动态感知反映了街道空间的使用情况（图3）。
图3 城市街道使用模式动态感知流程
鉴于K 均值聚类存在聚类有效性问题，本研究采用手肘法（Elbow Method）来确定聚类簇数，并用轮廓系数法（Silhouette Coefficient）对簇数的合理性进行验证。另外，研究对聚类结果总结形成的街道使用模式动态感知分为以下三部分：一是各类使用模式的总结；二是各类使用模式在空间中的分布特征；三是针对动态感知，增加桑基图对使用模式的动态转换特征进行表达。
3 城市街道使用模式动态感知
3.1 基于签到用户数量的使用模式动态感知
对米兰市4 个代表性街区内1 503 段划分出的城市街道进行聚类分析，获得城市街道功能使用模式动态感知分析图，包括使用模式图（玫瑰图）、模式转换桑基图及其对应的空间分布图。基于签到用户数量得到动态模式及其对应的七类使用模式（图4），其特征和空间分布情况如下。
图4 基于签到用户数量的米兰城市街道使用模式动态感知
第一类使用模式仅酒吧类功能节点高强度使用，是唯一的夜间活力模式，使用时间从中午12：00 持续至次日6：00，该类使用模式主要分布在新门和布雷拉区。第二类使用模式的各类功能使用强度均低于平均值（经标准化后数值＜0），属于非活力模式，具有这一模式特征的街道数量最多。三、四、五类使用模式仅在日间出现，使用时间跨越9：00—21：00，在12：00—18：00 出现频率最高，均属于中高强度使用模式，对应街道数量最少，主要分布在圣芭比拉街区—米兰大教堂周围。第六类使用模式侧重休闲娱乐设施的集中使用，分布在米兰文娱中心附近。第七类使用模式的各功能使用强度高于平均值，侧重本地零售，此类使用模式出现时间较长，且数量较多，广泛分布在4 个研究街区内。
3.2 基于签到地点数量的使用模式动态感知
基于签到地点数量得到动态画像和三类使用模式（图5），其特征及空间分布如下。
图5 基于签到地点数量的米兰城市街道功能使用模式动态画像
第一类含有用户签到功能节点数量最少。这一类型在大部分时间段内不占主流模式，说明选定的米兰城市中心4 个街区是普遍活跃的。第二类是街道数量占比最大的类型，各类功能使用强度高于但接近平均值，在各个时间段内均有分布，空间上在4 个选定街区内普遍分布。第三类是各类功能使用数量最多的使用模式。不同于第一、二类全时间段分布，第三类使用模式主要出现在9：00—21：00，在12：00—18：00 出现频率最高，主要分布在中世纪环以内的圣芭比拉和布雷拉区。
相较基于签到地点数量的动态使用模式，基于签到用户数量的动态使用模式具有时间滞后性，具体表现在基于签到地点数量的街道的高强度使用开始于6：00—9：00，比基于签到用户数量的聚类结果要提前3 小时。这种差异性可以合理地理解为在6：00—9：00，大量功能节点已有人使用，但街道使用人数依然较少。同时相较基于签到用户数量的动态使用模式，基于签到地点的动态使用模式形成的街道使用模式绵延区更大，说明就签到地点而言选定的街道是普遍活跃的，但签到用户在空间中的聚集性极强，使得多数街道相较而言变得不再活跃。
3.3 城市街道使用模式总体动态特征
综合签到用户数量和签到地点数量进一步聚类，按照总体使用强度总结城市街道功能使用模式的动态强度特征，基本可以将其归纳为“倒U 型”“M 型”和“一型”三类（图6）。其中倒U 型总体使用强度最高，M 型次之，一型最低。除了倒U 型，其余两类功能使用强度在15：00—18：00 均有明显下降。此外，在9：00—21：00，街道各项功能的使用模式类别更丰富，整体强度偏高；而21 点至次日9 点，街道使用模式类别相对单一，且整体强度低。
图6 选定街道的总体使用强度动态模式
从三类功能使用绩效模式的空间分布角度来看，整体使用强度从中世纪环以内区域向外呈现圈层递减。总体使用强度中等和较低的街道在空间中分布相对均匀，而总体使用强度高的街道在空间中的分布具有很强的集聚性，其中大部分集中在中世纪环以内。同时分组情况显示，街道使用模式具有空间连续性，很少孤立存在。
4 不同使用模式街道的空间环境差异
可承载大量的室外活动，具有丰富的活动类型和高品质、吸引人的空间环境，常被视作理想街道空间的重要衡量标准[17]。街道功能使用源于“人”，即使用者的偏好。如今，在城市规划领域，物理环境对人的行为模式的决定作用已经得到基本认可[18]。这种决定性可能并非必然作用，但在一定程度上限制或鼓励人的行为模式。
具体到城市街道层面，城市街道环境大致分为四个层次，即用地、交通布局、空间感知和视觉感知[19-22]。用地指二维地图可见的土地用途；交通布局指街道的网络性；空间感知指街道作为不带任何装饰性要素的三维空间；视觉感知指三维空间不可描述的视觉感受。本文从以上四个层次选取14个影响因子（数据主要源于米兰政府网站https://geoportale.comune.milano.it）进行分析，确定其计算方式[23-25]（表2），并对数据进行标准化处理以便比较。
表2 城市街道空间环境影响因子及其计算方式
前文对观察街道的使用强度总体特征进行了层次划分，不同层次分类街道间的使用强度有着明显差异。本文尝试运用非参数检验验证分析不同使用强度的街道在空间环境影响因素间是否存在组间差异，验证这些因素是否影响街道的使用模式。非参数检验的零假设是假设因子在不同聚类中的分布是相同的。经假设检验，指定14 个影响因子对街道使用模式的影响均显著（表3）。
表3 非参数检验报告和成对比较结果
对独立样本检验报告进行汇总，发现选定的14 个空间影响因子中有11 个与三类使用模式强度呈正/负相关（图7）。具体来说，随着总体使用强度递增（一型—M 型—倒U 型），商业/公共服务用地占比、路网密度、道路宽度、界面密度、高宽比、城市家具密度和店面密度均递增；相较之下，距离最近城市节点标志距离、天空开阔度、面宽比、绿视率均递减。除此以外，有3 个较特殊的空间影响因子。用地多样性方面，“倒U 型”使用强度的街道用地类型相对单一，以纯商业为主；“M 型”使用强度的街道用地混合性最强；而一型使用强度的街道用地多样性适中。公交线路密度方面以及距离最近地铁站步行距离方面，一型和M 型使用强度的街道没有显著差异，相较于使用强度最高的倒U 型，街道公交线路密度更高且距离地铁站更远。
图7 14 个空间环境影响因子在三类街道（倒U 型、M 型、一型）中的独立样本检验结果
从用地、交通布局、空间感知和视觉感知4 类空间环境要素对不同使用模式街道的空间环境差异性进行分析，总结出8 个对街道维持高使用强度有利的环境因素，包括商业/公共服务设施用地集中，附近设有地铁站，路网密度大，界面密度大，高宽比值大，城市家具、城市节点标志以及营业商铺数量多等；以及5 个对街道维持高使用强度不利的环境因素，包括公交线路过境、街道过宽、天空视域宽、面宽比值高、绿化数量过多等；并发现用地多样性因子的特殊性，即单纯的商业与多功能混合均可激发街道活力。
对应城市街道规划设计应用层面，中高强度使用模式街道的空间环境特征表明，应通过街道周边用地商业的集中和各类功能的混合增加街道对人群的吸引，并尽量提高用地中商业和公共服务用地的占比。同时为了方便慢行人流组织和聚集，在交通布局方面，应尽量避免公交线路穿越核心活力街道并在地铁站附近进行布局，同时需要控制道路宽度，增加路网密度。在营造空间感受方面，可以考虑增加界面密度，尽量减少天空视域，并通过控制街道宽度和店面宽度（如增加高宽比、减少面宽比等）来提升街道的使用强度。而在视觉感知层面，过多的绿化布置并不能增加街道使用强度，可以通过布置城市家具、特色标志物和增加店面数量来吸引人群活动。
5 结论与展望
本研究试图从动态视角理解城市街道，发掘城市街道的动态使用模式，并通过研究使用模式与空间环境的关联性为城市街道规划与设计提供建议，实现城市街道环境品质升级。研究综合媒体签到数据，通过聚类分析对米兰中心区城市街道功能使用模式进行动态感知，总结得到倒U 型、M 型、一型三类街道使用模式，并发现倒U 型总体使用强度最高，M 型次之，一型最低。根据三类街道的空间环境差异性研究，发现在城市街道规划设计中，可以通过以下方式提升街道对人群的吸引力，包括：在用地层面增加用地多样性和公共服务占比；在交通方面充分利用地铁站点开发，减少公交线路干扰，控制道路宽度，增加路网密度；在空间感知方面增加界面密度，减少天空视域，增加高宽比，减少面宽比；在视觉感知方面控制绿化干扰，增加城市家具，特色标志物和店面数量等。
本研究仍然存在一些局限性，主要来自三个方面：数据来源的局限性，数据在中微观视角应用的局限性，以及结论解读的局限性。数据来源方面，研究选取的两类签到数据并不能完全匹配；签到数据样本覆盖率不足在媒体签到数据相关研究中长期存在；数据可得性对研究的进一步进展影响较大，越来越多的主流媒体选择不向个人公开数据。在数据的中微观视角应用方面，媒体签到数据反映的真实情况有限，田野调查具有不可替代性。结论解读方面，研究采纳的K 均值聚类分析本身具有一定的缺陷，街道功能使用模式与空间环境的相关性也有待进一步考证。
在未来研究中，一是可以通过更多源的数据和人工智能技术的应用实现更精确的数据使用，从而探索特殊节日事件等对城市街道使用模式的影响，探索其他街道空间影响因子与城市街道使用模式的关系；二是可以在现有研究基础上进一步深入，结合其他聚类算法将城市街道功能模式动态感知扩展应用到城市层面，并加强环境差异性检验对照研究，增强环境差异与街道使用强度的相关性分析。
注：本文图表均为作者绘制。
[1] SADIK-KHAN J,SOLOMONOW S.Streetfight: handbook for an urban revolution[M].Viking,2016.
[2] 姜洋,王悦,解建华,等.回归以人为本的街道：世界城市街道设计导则最新发展动态及对中国城市的启示[J].国际城市规划,2012,27(5):65-72.
[3] 沈磊,孙宏刚.效率与活力——现代城市街道结构[M].北京: 中国建筑工业出版社,2007: 161.
[4] SHEN Y,KARIMI K.Urban function connectivity: characterization of functional urban streets with social media check-in data[J].Cities,2016,55: 9-21.
[5] HU F,LIU W,LU J,et al.Urban function as a new perspective for adaptive street quality assessment[J].Sustainability,2020,12(4): 1296.
[6] YUAN J,ZHENG Y,XIE X.Discovering regions of different functions in a city using human mobility and POIs[C].18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Beijing,China,12-16 August 2012;ACM: New York,USA,2012.
[7] TU W,CAO J,YUE Y,et al.Coupling mobile phone and social media data:a new approach to understanding urban functions and diurnal patterns[J].International journal of geographical information science,2017,31(12):2331-2358.
[8] GOODCHILD M F.Citizens as sensors: web 2.0 and the volunteering of geographic information[J].Geo focus,2007(7): 8-10.
[9] 朱递,刘瑜.多源地理大数据视角下的城市动态研究[J].科研信息化技术与应用,2017,8(3): 7-17.
[10] LIU Y,SUI Z,KANG C.Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data[J].Plos one,2014,9(1): e86026.
[11] VIEWEG S,HUGHES A L,STARBIRD K.Microblogging during two natural hazards events: what twitter may contribute to situational awareness[C]// Proceedings of the SIGCHI conference on human factors in computing systems.ACM,2010: 1079-1088.
[12] HASAN S,ZHAN X,UKKUSURI S V.Understanding urban human activity and mobility patterns using large-scale location-based data from online social media[C]// Proceedings of the 2nd ACM SIGKDD international workshop on urban computing.ACM,2013: 6.
[13] WU L,ZHI Y,SUI Z,et al.Intra-urban human mobility and activity transition: evidence from social media check-in data[J].Plos one,2014,9(5):e97010.
[14] HASAN S,UKKUSURI S V.Urban activity pattern classification using topic models from online geo-location data[J].Transportation research part c:emerging technologies,2014,44: 363-381.
[15] GEHL J.Life between buildings: using public space[M].Washington,DC:Island Press,2011.
[16] FEDERICO S.What happens to the urban periphery? the political tensions of postindustrial redevelopment in Milan[J].Urban affairs review,2004,50(2): 180-205.
[17] GOLKAR K.The concept of quality of vitality in urban design[J].Journal of the Saffeh,Tehran,2007,44: 66-75.
[18] 李道增.环境行为学概论[M].北京: 清华大学出版社,1999.
[19] 徐磊青,康琦.商业街的空间与界面特征对步行者停留活动的影响——以上海市南京西路为例[J].城市规划学刊,2014(3): 104-111.
[20] 叶宇,庄宇,张灵珠,等.城市设计中活力营造的形态学探究——基于城市空间形态特征量化分析与居民活动检验[J].国际城市规划,2016(1): 26-33.
[21] 龙瀛,周垠.街道活力的量化评价及影响因素分析——以成都为例[J].新建筑,2016(1): 52-57.
[22] 龙瀛,唐婧娴.城市街道空间品质大规模量化测度研究进展[J].城市规划,2019,43(6): 107-114.
[23] 周钰,吴柏华,甘伟,等.街道界面形态量化测度方法研究综述[J].南方建筑,2019(1): 88-93.
[24] 叶宇,庄宇.城市形态学中量化分析方法的涌现[J].城市设计,2016(4):56-65.
[25] 翟宇佳,徐磊青.城市设计品质量化模型综述[J].时代建筑,2016(2):133-139.
