师 浩 辰，赵 渺 希，林 思 仪

(1.华南理工大学建筑学院，广东 广州 510640； 2.华南理工大学亚热带建筑科学国家重点实验室，广东 广州 510640)

0 引言

游憩空间是满足人们游憩需求的现实化产物，其聚集的核心区域即为游憩热点[1]。游憩热点承载了多种城市游憩活动，能充分反映游客需求并凸显关注点，是引导游憩空间高效布局、提升居民游憩体验的重要抓手[2]。因此，如何识别并分析游憩热点空间分布特征是城市管理的核心议题之一。早期游憩热点研究通常基于统计与问卷调查数据揭示游憩热点的空间分布特征[3]，受问卷有效性和样本量的限制，无法对大尺度区域进行实证分析[4]。近年来，随着大数据的兴起[5-9]，不少学者基于社交媒体点评[10]、微博签到[11]、地理标记照片[2]、POI[12]等不同类型数据探讨游憩热点空间分布特征，为发现群体行为规律、定量研究社会经济环境提供了可行性[8,13,14]。在此基础上，Liu等提出“社会感知(social sensing)”概念，并构建时空大数据研究的新框架与视角[15]。社会感知是指借助各类海量时空数据研究人类时空行为特征，进而揭示社会经济现象时空分布、联系及过程的理论和方法[14,15]，其核心研究框架包括人、地、时三大基本要素：“人”体现在传统地物信息与人群空间行为的叠加，“地”体现在基于人群行为特征“由人及地”描述地理环境的特征，“时”体现在地理环境的动态感知。总而言之，这一理论是通过多时空尺度的分析，研读区域空间交互和地理空间格局动态演化等过程[14,15]。而游憩活动的本质正是不同“人”在不同“地”进行一定“时”的行为，因而结合社会感知理论，可通过新数据从新视角挖掘游憩热点的规律和特征，为后续空间引导提供建议。

在多种类型的时空大数据中，以GPS轨迹为代表的伴随位置数据记录了游客与游憩空间的具体交互过程[16,17]，并能通过轨迹点数量、停留时长、照片记录等信息侧面反映居民对既有游憩空间的感知和评价[18,19]，契合“社会感知”中关于“人、地、时”要素的描述[15]，更适用于游憩热点的探寻[17,18,20]。该类研究热点的识别过程可概括为两个阶段：1)检测阶段，即通过DBSCAN等基于密度的聚类方法识别点云(即热点区域)。该阶段存在以下不足：首先，因筛选时所有轨迹点数据皆被纳入运算，致使识别结果表示的是所有游客轨迹在空间上的集聚，掺杂了许多无意义的噪点，并不能代表热点区域；部分研究对出发点和停留点进行聚类运算，尽管可以识别出部分游憩热点，但一定程度上欠缺对游憩过程的解读。其次，由于数据的多样性、自身运算机制等原因，或导致聚类算法输入的参量无现实意义，或导致聚类效果欠佳，难以识别出有效聚类。2)边界定义阶段，通过闭合或包络算法将已聚类的点簇群囊括至多边形中，继而用该多边形表示热点区域[16,21]。这类方法仅从几何学角度出发，相对简便，运算速度快，但难免会将部分非热点区域包含在多边形内，缺乏城市中的现实性考虑。基于此，本文从社会感知的理论视角，综合已有方法构建城市游憩热点识别新方法，运用时空数据识别城市游憩热点，并以广州市老城区为案例进行实证分析。

1 研究区域与数据

本文研究区域为广州市老城区(图1)，总面积约为50.24 km2，研究范围参考《广州市城市更新专项总体规划(2018-2035)》。该区域历史文化遗存丰富，游憩资源众多，承载了城市居民多样的游憩活动，但老城区的游憩热点相对分散，识别研究和特征解读的意义较大，可为广州市未来“老城区，新活力”振兴规划提供重要研究基础。

图1 研究区范围Fig.1 Scope of the study area

本研究采用的时空轨迹数据来源于“两步路”轨迹开放平台(https://www.2bulu.com/)，该平台中的出行时空轨迹数据由户外爱好者自主上传，属于典型的自发型地理信息(VGI)数据，是社会感知视角下解读城市的重要数据源之一，在未来的城市诊断中扮演重要角色[22]。该数据具有公开性，可有效避免轨迹数据使用中的隐私问题。本文以界定的广州市为搜索范围，通过爬虫抓取2018年1月-2021年1月共计3年的数据，清洗和整合后共得到2 405条有效轨迹，平均每条轨迹包含约54个记录点，记录点包含对应标注点位的经纬度、海拔、时间、照片和文字标注信息，记录时间间隔为50 s左右。

2 基于“头尾划分”的游憩热点区域识别

Palma等研究表明，轨迹数据中用户停留地点与时长信息可充分展现个体对区域的兴趣度，如果某区域吸引的游客数量多、停留时间长，表明该区域受游客喜爱，是空间上的游憩热点[23]。在此基础上，本文提出游憩热点区域识别新方法，包括基于轨迹数据的游憩停留点识别和基于“头尾划分”的游憩热点区域识别两部分。

2.1 基于轨迹数据的游憩停留点识别

理论上，停留点在时间和空间上具有双重内涵[24,25]，因此可将游憩停留点定义为：在给定空间范围内进行超过一定时长活动的停留个体。给定轨迹T由一系列包含时间戳的坐标点组成(式(1))，本文定义如果存在点pi满足式(2)，则认定轨迹T在pi,pi+1,…,pk(k>i)处存在一次停留。在此基础上，通过点ps定义该停留行为，即ps=(xs,ys,ts)，xs、ys、ts分别为停留点ps的横坐标、纵坐标和时间戳，具体取值为pi至pk所有轨迹点的平均值(式(3))。据此，本文从广州市老城区2 405条数据中共获取5 324个停留点，作为游憩热点识别的基础数据。

(1)

(2)

(3)

式中：xi、yi、ti分别为点pi的横坐标、纵坐标和时间戳；Dis(pi,pk)、Time(pi,pk)分别为点pi与pk的空间距离和时间距离；Dr和Tr分别为空间距离和时间距离阈值，结合现实中游憩活动停留的情形并参考文献[25]，本文分别将其设定为250 m和10 min；Count(pi,pk)为点pi至pk间的轨迹点总数，此限定是为保障后续空间识别和分析的精确性。

2.2 基于“头尾划分”的游憩热点区域识别

游憩热点区域识别的核心是找出停留点密度较高的区域，本文通过地理学中广泛应用的核密度估计分析停留点密度的空间分布。考虑到游憩的舒适性，结合TOD(Transit-Oriented Development)理论中关于步行最大范围的设定，将老城区的搜索半径设定为250 m，而原始数据对应的“Silverman经验规则”设定半径为223 m，二者数值接近从侧面证实了本研究设定的合理性。由广州市老城区游憩停留点的核密度分布(图2)可知，超90%的样本落在[0,2]之间，属于典型的重尾分布模式。Jiang指出在地理学范畴内，重尾分布广泛存在[26]，且相比“头部”的小样本数据，“尾部”的大样本数据更值得关注[27,28]，并据此提出“头尾划分”法，以便更好地观测“尾部”的大样本数据[27]。由于老城区游憩停留点的空间分布正是重尾分布的典型代表，故本文采用“头尾划分”法确定老城区游憩热点的密度分级。

图2 研究区游憩停留点的核密度分布Fig.2 Kernel density distribution of recreational stops in the study area

“头尾划分”法是以平均值切分整体数据后，取出“尾部”(大于均值)部分，然后基于“尾部”的均值进行再切分，如此循环，直至切出的“尾部”不再呈现明显的重尾特征。根据Jiang等研究结果[28]，循环停止的基准可定为切分后“头部”数据量占比小于40%，据此，将老城区的停留点密度划分为[0,1.07]、(1.07,2.54]、(2.54,4.15]、(4.15,6.32]、(6.32,8.98]、(8.98,11.89]、(11.89,15.82]7级(图3)。理论上结合现有研究[29]，划定热点区域的最后，需在“头尾划分”得出的6个切分数值中选定合适的核心识别“门槛”，因此，本文对上述6个切分数值从小到大依次检验划分效果，直到切分数值能相对准确地区分出明确的“核心”和“非核心”部分为止，并将其选定为核心识别阈值。本文最终选定2.54为核心识别阈值，即密度大于2.54，认定为游憩热点区域。基于上述结果，借鉴Liu等的做法[17]，将停留点整合至邻近的街道空间以表示热点区域。本文中街道(街区)指具有通行功能的机动车道及其两侧的步行空间和游憩空间。利用街道这一可承载城市多样功能的空间单元呈现游憩热点，不但能有效避免传统包络面定义法中覆盖非热点区域的差错，还能使后续关于热点的讨论有效贴合真实的城市场景，为未来游憩热点的策略提升提供空间载体。此外，街道线条的粗细还可展现停留点数量的多少(即游憩热度)，从另一个维度上为游憩空间分析提供参考。

图3 研究区游憩停留点核密度划分Fig.3 Division of kernel density of recreational stops in the study area

3 广州市老城区的实证分析

3.1 基于“头尾划分”的老城区游憩热点空间分析

(1)批发市场类，包括图4中的一德路、团一大广场。不同于历史上的传统政治中心城市(如北京、西安和南京)，广州自唐代以来一直以商业贸易为城市核心职能，老城区遗存大量贸易功能空间，改革开放后形成数量众多的批发市场。这类市场不同于传统意义上位于市郊的农贸类批发市场，其在兼顾货物转运贸易的同时，会对散客开放，可进行少量商品的交易；多数临街店面分布在传统的骑楼街建筑中，“上住下商”的旧式商业布局营造出充满粤式市井生活气息的游憩空间。对于“千年商都”广州而言，这类游憩热点不但更符合城市的气质形象，也暗合了快节奏社会环境下对于更“慢”、更市井、更生活的追求，因而形成了老城区独特的一类游憩热点。

(2)新兴网红场所类，包括图4中的东山口、草芳围文化创意园和凤凰创意产业园。随着“网红经济”的兴起，许多游憩空间的“使用价值”已让位于“符号价值”，只有更怀旧、更猎奇或反差性更大的游憩空间才会产生更大的“符号价值”，继而发展为网红空间。以老城区的凤凰创意产业园为例(前身是广东茶叶厂)，大尺度、大跨度的建筑结构，老旧的砖混立面与时尚的文创产业功能和空间氛围形成鲜明反差，旧式的工厂建筑能充分引发游客的怀旧情怀，从而成为热门的“网红”打卡点。

表1 单位长度游憩热度排名前10位的游憩热点Table 1 Top 10 recreational hotspots sorted by recreational heat per unit length

3.2 “头尾划分”识别法与既有方法的比较

为进一步验证本文方法的可靠性，选取以密度为核心概念的DBSCAN和CFSFDP两种方法进行实证比较。

3.2.1 与DBSCAN算法的比较 DBSCAN算法[30]是通过预定义的距离阈值和最小点数筛选给定数据中的簇群，被广泛应用于各类型数据的热点区域识别中[16,31,32]。根据研究区停留点数量特征，本文选定3种情景进行对比分析：情景①，距离阈值为100 m，最小点数为9；情景②，距离阈值为125 m，最小点数为9；情景③，距离阈值为150 m(理论上最佳阈值)，最小点数为9。由图5可知，“头尾划分”法相比DBSCAN算法更理想。当距离阈值为125 m和150 m时，受DBSCAN算法判断机制的影响，老城区中部的停留点被划定为一个整体，无法清晰展示该区域游憩热点的结构，影响后续游憩热点的分类和形成内因解析；当距离阈值为100 m时，可避免情景②和情景③划定的核心缺陷，相对准确地捕捉到老城区游憩热点的空间分布特征，但从真实的城市场景看，100 m的距离通常仅有半个街区的长度，距离阈值过小，割裂了本应属于同一热点区域的停留点，继而使划分的热点区域数量过多(总计75处，“头尾划分”的结果为34处)，产生大量多余簇群，加剧了热点空间具体分析和解读的难度。

注：不同颜色的点数据代表不同游憩热点簇群。

3.2.2 与CFSFDP算法的比较 CFSFDP算法[33]可以克服既有密度算法中循环运算过慢等问题[33,34]。该算法输入参数有截断距离(由样本量决定，本文中为300 m)、决策图中用于筛选δ和ρ的切分阈值(筛选离散点)，本文同样设定3种情景(表2)进行对比。由图6可知，3种情景下CFSFDP算法的表现不如“头尾划分”法(图5a)。情景③将所有停留点分别归到不同的族群，并未排除离散点，这与基于密度寻找热点区域的目的相悖；情景①和情景②通过控制δ和ρ的范围筛选出部分离散点，但由于其算法的偏向性，难以将所有离散点排除在游憩热点(停留点簇群)外，也导致识别出的游憩热点边缘区域经常出现离散点，与已分类的停留点在空间上相互交错(如图6a中棕色的聚类停留点与黑色的离散点)，导致无法确定实际簇群边界。换言之，尽管CFSFDP算法能清晰地捕捉到游憩热点的核心区域和数量，但其无法确定一条相对明确的边界来定义停留点是否属于离散点或某游憩热点簇群，故难以支撑后续对游憩热点空间要素的深层次解读和分析。

注：不同颜色的点数据代表不同游憩热点(停留点簇群)，黑色方块代表离散点。

表2 CFSFDP算法3种情景说明Table 2 Description of three scenarios of CFSFDP algorithm

总体而言，相比于DBSCAN和CFSFDP算法，“头尾划分”法的结果更科学合理，其优势在于：1)可以在保证游憩热点数量的前提下明确捕捉并区分不同热点的核心区域；2)能给予一个相对明确的边界来分割离散停留点和已聚类为簇群的停留点；3)仅需要输入“头尾划分”切分值这一个参量，运算更简便快捷。

4 结论与讨论

游憩热点的识别和空间特征解析是城市管理者理解居民游憩活动行为的重要依据。本文以“社会感知”视角为切入点，以GPS轨迹为数据源，基于“人、地、时”要素提出游憩热点识别的新方法。首先通过“时、地”的双重限定识别出每条轨迹的停留点，然后结合核密度分析与“头尾划分”法提取停留点的高密度区域，最后以道路为载体整合表达游憩热点的空间分布。以广州市老城区为例对本文方法进行实证检验，并与两种以密度为核心的常用聚类方法——DBSCAN和CFSFDP算法进行比较，研究发现：1)广州市老城区的游憩热点整体集中于中、西部，热点类型可分为蓝绿空间类、历史风貌类、商业街区类、批发市场类和新兴网红场所类5类，其中批发市场是因历史原因遗留的特殊游憩热点，而新兴网红场所类更多是依托老城区的“历史符号”而形成；2)相比于两种既有算法，本文方法在识别游憩热点数量、捕捉游憩热点核心、明确游憩热点边界和运行简洁程度等方面表现更好，有利于后续游憩热点的深度分析与整合。

当前，正值国土空间规划编制时期，城市游憩系统规划是其中的重要组成部分，其关键基础在于对既有游憩热点的识别和深入分析，这与大数据背景下“社会感知”理论体系的目标不谋而合。从这一视角出发，不但可以通过理论框架指导现实游憩规划的编制工作，也是对既有“社会感知”理论体系的一次实证演绎。总体而言，本研究后续还需要在游憩热点的形成原因、空间环境要素的机制解析等方面进行深入的探索和分析，力图实现城市高品质游憩生活图景。