内容来源： 清华同衡规划播报  作者：李栋、袁昕

为应对新型城镇化背景下城市规划与管理转型发展的战略部署，清华同衡于2014年正式成立技术创新中心，是国内首家成立大数据研发部门的规划设计单位。在这些年的工作当中，积累了不少的案例与经验。将结合近期的一些工作案例分享“大数据分析在城市规划中的应用”。

十九大明确提出，中国特色社会主义发展进入了一个新时代，即社会转型的发展期。在这样的时期下，中国特色社会主义的发展方式、发展目标以及社会主要矛盾等，都在发生深刻的变化。

对于规划师而言，工作的任务和要求也在发生着转型，不仅要回答应该把城市规划成什么样子，更主要的是要回答为什么这么做以及到底应该怎么做的问题。相应的，规划工作的方法和技术手段等同样发生着变化。其中，一个重要的技术手段和工具就是信息技术和大数据的应用，帮助认识问题、分析问题以及寻找解决问题的路径。

体现在城市规划领域主要有以下问题：从城市管理到多元协同的城市治理，从城市扩张转向空间品质提升，以及亟待解决“大城市病”问题。对此，需要给城市做“城市体检”，寻找问题的症结，并针对这些症结提出可行的方案，为科学的决策提供优选的可能，在这个过程中，数据就发挥了非常大的作用。迫切需要基于“数据+问题诊断”的城市发展新范式。

基于“数据+问题诊断”的城市发展新范式

不仅仅是城市发展需要数据，信息技术的发展也进入了数据时代。可以简单地回顾一下，人类最早开始利用信息化技术，大概是上个世纪60年代，在一些大的跨国企业，如IBM公司出现了数据库技术，慢慢地，这些技术开始小型化，变成PC机个人电脑，进入到每一个家庭。而又在上世纪末出现了互联网、英特网，把每一个单独的设备联系在一起，然后逐渐进入到当今的大数据时代。从下图可以看到，城市大数据其实是有一个比较长的发展脉络和过程的。

 现代信息技术已经迈入大数据时代

从人类直立行走到2003年所创造的数据量，总计5艾字节（1艾字节相当于10亿GB）；到2007年，短短几年数据量已经超过了300艾字节；到2015年，这些设备开始联网在线后，全球网络数据流量接连翻番。有人预测到2025年，全球的数据量将增长到约300多倍。除了数据量的积累之外，计算机的计算能力和算法挖掘也有了全面提升。数据、设备、软件模型这三个方面，共同促进整个社会向信息化、智能化的方向不断跃进。

对城市大数据的理解与运用是下一阶段智慧城市的重要落脚点。现在城市研究里所用的数据，有传统手段和新兴手段两种。传统手段主要来自于政府部门或者研究机构的一些调查和普查，包括遥感和测绘这种比较早期的数据获取方式。新兴手段主要是依赖互联网和物联网，通过各种各样的网络抓取等方式来获得更多、更大的数据源。

 摘自2018北京市科委物联网与智慧城市专项课题

《基于社会行为数据的城市认知系统研发与示范应用》开题报告

目前，大数据在城市规划中的应用优势有以下几个方面：1）实时动态地观察城市；2）科学地预测未来要发生的事件；3）识别肉眼未能看见的城市问题；4）横向比较多个研究地区。而随着物联网和互联网的进一步发展，未来可能能够做到更多的事情。

对于广大规划师来说，想通过一些具体的工作案例，来介绍大数据在规划编制、规划实施、规划管理中的一些应用。为了便于总结，将案例做了以下归类：第一类和第二类是比较基础的人口大数据分析和产业大数据分析；第三类是大尺度的区域规划综合应用；第四类是小尺度的详细规划与设计综合应用。

人口分析较为基础，首先要了解人口数据的基本情况，即统计局、社区调查、公安局等对人口的一系列统计和抽样，用水用电、垃圾清运、疫苗接种等公共服务所产生的数据，也是常规获取人口数据的方式。之后，通过一些新的数据补充传统数据的不足，比如运营商移动、联通信令数据，互联网腾讯的定位数据，滴滴出行活动数据、一卡通刷卡数据，甚至一些气象的信息等等，都能够辅助判断人口的变化情况。

从数据本身来说，强调新老数据的差异和配合，传统数据的时效性和动态性不足，但是它的数据质量相对比较准确。新的数据精度高、样本全、时效快。但在做一些细节的个体层面分析的时候，也需要传统数据的融合和配合。

大数据的应用包括省域单元聚合、区级单元聚合、街道级和交通小区级等大于基站辐射范围的任意单元，然后分类的对规划里比较关心的居住人口、就业人口、年龄结果、职住结构等信息进行一个定量的分析。以之前做的课题为例，简单阐述几个人口方面的相关分析。

人口活动空间分布

通过观察不同时间段，在这个城市中居民的分布状况差异，从而对整个城市的人口变化有一个直观的认识。比如工作日的早上和夜晚，整个城市的人口分布情况存在比较大的差异，也可以采用一些可视化的方式，把动态的情况表达出来。

北京市中心城区职住分布的钟摆现象

人口数量测算——用户聚合

大数据可以在一个比较精细的时空力度上，对这个地区的人口活动进行一个刻画，不同的活动方式，不同时间所出现的位置，甚至包括出行的目的，都可以有比较明确的刻画。这样就能对这个地区人口的出行链条，有比较精准的认识。

不同尺度的时间对比，综合掌握区内人口活动规律

月度规律—>典型日规律（如工作日＞周末＞普通节假日＞春节）—>昼夜活动规律—>24小时活动规律

人口空间联系

分为出行联系和通勤联系，指各人口类型进行不同时段人口出行联系数量的识别。出行联系是通过人口的出行数量反应空间功能联系，识别发展廊道。通勤联系是识别区块之间的功能联系，应用于中观空间单元的人口职住联系数量统计——内部工作，外部居住。

北京市朝阳区居住人口外出通勤目的地（按通勤人次数统计）

人口预测

传统的数据来源是统计局，运用大数据的模型和方法，对当地人口建立不同的预估模型，贝叶斯时空过程模型满足数据粒度为月的预估，时空综合算法可将数据粒度细致到天，两个模型将对当地居住人口、活动人口的数量进行全面解读。通过这个工作我们也明显看到，大数据分析在这个方面有着非常独特的优势。

在现阶段的城市规划工作中，可以使用大数据去辅助解决的产业问题主要有三点。

第一是对地方产业发展的现状评估以及对未来演化趋势的初步判断。产业大数据可以应用在企业注册信息分析、企业互相投资分析、楼宇经济评估、企业经营状况评价等一系列场景上。以京津冀区域的企业分布为例，图中的每一个小点都是一家注册企业，这些注册企业的企业ID、类型、门类、行业代码、注册资本、成立日期等等关联性信息都包含在了里面。

京津冀企业空间点位分布图

第二利用横向对比或是关联分析的方式，在区域产业结构中，判断产业地位。在这里我们采用的一种方式叫产业图谱，即假设每一个企业和产业之间都不是孤立的，是互相连接的，这样一些当地的优势产业周围都会聚集很多上下游的行业，在图谱当中显示出聚合的一个簇群、一个小群落。以国内几个典型城市群的产业分析为例，从图谱中就能看出，长三角的化纤纺织、珠三角的家电、长三角的海洋、京津冀的皮毛纺织等这些产业，存在着明显的产业集群现象。

第三是城市产业的未来发展定位，判断地区潜力的产业发展大概会有什么类型。在不同地区产业基础下，产业发展潜力差异较大。可以通过产业之间互相关联的理论，去指导和定量的识别一个地区未来具有发展潜力的产业到底都在什么地方。

目前城市间联系研究的大数据分析支撑主要有三种。

（1）人口：流动、出行、分布、识别

（2）经济：集聚、网络、等级

（3）交通：范围、网络、节点。

研究趋势慢慢由“城市网络”理论替代“中心地”理论解释世界城市网络运行机制。Castells提出了流动空间的概念，强调城市节点的价值，为全球化、信息化影响下的城市网络关系提供了新的理论框架和语言体系。Taylor提出了世界城市网络理论，基于流动空间，以关系替代结构推动理论研究范式的转型，以“中心流理论”替代“中心地”理论，解释了世界城市网络的行程机制与特征。这些理论是我们后续区域发展大数据分析的一个很重要的支撑要素。

大数据的支撑方法采用多城市网络的分析方法，研究不同的节点当中，网络节点和整个网络的比例关系，在多层次的网络关系上进行综合解读。

人口流动网络利用的是全国性的人口流动数据，对不同地区进行一个识别和刻画，便于在做区域分析时，了解城市所处的子网络在全国的人口流动格局中处于什么样的地位和关系。

例如珠三角地区，可以识别出区县小单元之间的人口出行强度。到了都市圈层面，研究中心城市和外围城市的关系，也可以通过人口流动和交通可达性的情况来进行叠加的分析，识别都市圈和外围城市之间真正的关联紧密程度。

珠三角各市县出行联系

产业网络中，除了前面提到的城市层面，也可以在区域层面开展这样的产业分析。把不同行业的图层进行叠加，得到地区的综合产业强度网格图，颜色越深的地方就是产业越丰富、结果越多样的区域。

产业空间集聚精细化评估

此外，交通网络也是区域分析里的一个关键点。过去的交通，很关注出行成本，其实考虑不是距离，而是时间成本。在以前，时间的成本估算是比较粗略的。现在有了百度、高德这样用户量比较多的互联网地图之后，能够查询到区域中任意两点出行的耗时，根据耗时绘制出一个比较精确的等时圈范围，利用这种真实的交通设施情况所绘制的等时圈，去做产业和人口之间的耦合关系和分析。

比如从辽宁省的等时圈实际分布状况研究里，可以看出，沈阳辐射范围最广，大连较弱，各城市在短、长时间距离辐射范围方面表现存在差异。

辽宁省各城市道路交通辐射范围

交通网络当然还有很多非地理空间的拓扑关系，包括航线的拓扑关系、物流的拓扑关系等等。在一个比较综合的层面上，对交通网络中某一城市所处的节点位置或者节点秩序有一个定量的认识。

势力范围划定是其中要解决的关键问题，传统的势力范围划定一般采用重力模型，但它是一个理想化的模型，只考虑两两之间的关系，不适用于多个城市同时作用的情况。因此，我们引入了网络子群探测模型，采用复杂网络分析中的模块度最大化子群探测方法分别进行人口流动、资本流动、交通流动的网络组团识别。该方法将相互之间联系更强烈的城市划分为一组，联系松散的城市分割开，形成的组团拥有较强的内部联系。

最终能够通过这种拓扑关系，对规划当中的发展方式、发展方向，节点和枢纽的设计等有一个直接的指导作用。

前面已经说到，从目前的大数据来说，主要的数据源还是人口、产业、交通、设施这几个大的类型，而新数据时间和空间的精度比较高，所以它既可以做刚才说到的区域分析，也可以做详细规划，甚至做城市设计。

数据帮助规划师丰富调研资料，提升工作效率。以往的城市设计中多基于场地的区位背景和现有设施进行静态分析，多定性少定量的对设施供给进行研究，新数据环境下可以结合多维度定量分析对区域的使用主体进行画像，得到供需双重基础。

中关村街道职住空间分布与使用主体人口画像及需要提供的环境规划

例如交通方面，可以通过网络抓取的方式，对研究区域里的主要道路的交通运行状况进行一个持续的观察。比如通过百度地图车速数据，描述城市不同区域道路拥堵情况。这样通过长期的观察，就能够发现城市交通系统运营不畅的堵塞点以及可能的原因。

资料来源：北京清华同衡规划设计研究院有限公司《上海松江经济开发区规划实施评估与城市设计》

数据帮助规划师动态实时观察，揭示深层规律。例如业态与设施方面，过去主要还是通过现场调查、现场踏勘来明确城市空间的主要功能，现在更多的利用互联网的数据，通过兴趣点（POI），描述精确的城市功能空间分布。城市功能的体现就不仅仅是物理空间的体现，还包括了非物理空间里的属性，如经济活动等方面的一些反映。

资料来源：北京清华同衡规划设计研究院有限公司《上海徐汇衡复历史文化风貌区设计》

数据帮助规划师实现综合评估，支持科学规划设计。例如用地现状评估方面，通过LBS数据所显示的人口活动特征以及POI数据显示的设施变化特征，更精准地反映并评估空间的真实使用状态，及其与规划目标的差异。

资料来源：北京清华同衡规划设计研究院有限公司《上海松江经济开发区规划实施评估与城市设计》

还有设施评估方面，通过设施与居住区POI、人口分布的叠加分析，评估现状设施对居住小区的可达性、服务的人口规模，推荐新增设施布局方案。

资料来源：北京清华同衡规划设计研究院有限公司

规划师的日常工作中有几个难点：1）首先是规划前期的调研阶段，需要投入大量的人力、物力和时间，进行各种各样的现状调研、资料收集等，但由于各方面的不足比如现场踏勘覆盖的点、面以及时间段等的限制，导致统计数据与真实现状相去甚远。2）其次，调研获得的统计数据以宏观或静态为主，难以满足时间或空间精度需求较高的精细化分析。3）受制于上述两点原因，无法对城市这一复杂的系统进行长期观察，也因此难以判断规划决策对未来发展可能造成的综合影响。因此，能够获得大数据的帮助就显得尤为重要。

大数据在规划行业经过近几年的发展，也逐步向标准化、规范化、工具化发展。对于使用大数据的流程，可分为数据获取、数据分析、规划设计方案三个阶段。而工具化可以让规划师把时间精力更多地集中在设计方案本身。比如，清华同衡技术创新中心打造的数据平台将数据转化为易懂的形式以及在线地图可视化的呈现形式，并提供了快速查询和调取体验，有效整合各类多源异构数据，铺设数据与规划人员的桥梁。

除流程和工具以外，还可以再往前发展一步，比如提供城市治理和共同管理的应用，称之为“智慧化的共商平台”。在这个平台上，也做了各种各样的尝试，比如人口政策调控、实施和评估，国家新型城镇化综合分析等。

智慧化的城市大数据共商平台

另外，城乡大数据应用的核心优势主要体现在以下几个方面：

（1）问题与需求的长期积累：首先最关键的反而不是技术或者数据的问题，而是对研究的对象——城市，有一个长期的观察和经验，有了这些积累才能够把握住大数据分析的着眼点。

（2）丰富行业知识的沉淀：需要城市规划、城市地理、经济管理、人文社科、理工科等多行业知识，指导我们进行数据分析。

（3）专业算法与模型的积累：包括时空间分析模型、复杂网络分析模型、机器学习、深度学习在城市发展问题中的应用。

（4）融合多源数据渠道的积累：包括政府数据、商业数据，尤其是“政府数据+社会大数据”这样的多元数据融合方式，综合在一起，才能把城乡大数据研究做好。

（5）行业信息化系统开发经验的积累：在做好研究和分析的基础上，结合一些软件研发能力，把研究成果转化为一些工具，提供给城市的决策者或规划者使用。把这种门槛比较高的研究，工具化、简易化，让每一个城市的决策者都能用上专业的分析内容，如此研究成果才能够更好地被检验、被推广。

最后，做个简单的总结。让一个传统的规划师学会一整套大数据分享方法，需要一个漫长的过程。因此，规划设计师要学会与数据分析师合作，共同实现未来发展的目标。在这方面，清华同衡也有一些初步的构想，整合各方资源优势，共同协作，搭建以数据驱动为特征的智库，构建数据服务的生态系统，为决策和实施提供支持。

远景：构建城市级专业数据服务生态系统