大数据具有的多源、人本、时空等属性特征与城市规划决策的本质属性具有紧密的耦合性，为城市规划决策提供数据基础和技术支撑，推动着城市规划精准化以及城市治理高效化发展。
一、引言
我国在较短的时间内经历了西方发达国家在较长的历史时期内发生的城镇化历程，产生正负两种效应：从正面效应来看，人口、产业、金融资本、技术信息等资源高度集中于城市区域，所形成强大的集聚规模，推动着城市和整个区域的社会经济快速发展。从负面效应分析，这种“多阶段共存”和“时空压缩”的特点，使得当今中国城市问题显得尖锐且复杂，大量城市问题被浓缩在一起，如城市快速扩张、用地结构混乱、社会空间割裂、生态系统退化、能源消耗增加、交通拥堵、空气污染、热岛效应等问题已经对城市可持续发展和城市居民正常生产生活造成巨大威胁。在此背景下，2014年国务院颁布《国家新型城镇化规划(2014-2020)》，作为指导全国城镇化发展的宏观性、战略性、基础性的规划文件，系统地给出了“以人为核心”的新型城镇化发展模式，由此城镇发展由过去重视“量”的增长向关注“质”的改善转变，而大数据技术发展正为这种转型与革新带来新切入点。
与传统数据相比，大数据具有海量的数据规模、多源的数据类型、动态的时空属性、价值密度低和处理速度快等优势特点，并正逐步运用于地理学、生物学、社会学等诸多学科领域。大数据具有的多源、人本、时空属性等特征与城市规划决策的本质属性具有紧密的耦合性，使得其对城市规划的影响更为显著，采用大数据思维、方法和技术手段，可以精确、定量、精细化分析和研究城市问题，保障规划方案更加科学，城市基础设施、公共服务设施的布局更加合理高效。在数据获取方式、时空尺度以及核心价值等方面，对于城市规划发展和转型具有十分重要的影响。
本研究在对大数据时代下城市规划响应特征分析进行分析的基础上，探讨大数据在城市规划中的典型应用，并对大数据在城市规划应用中的发展方向进行了展望，以期为当前城市规划的编制和决策提供有益借鉴。
二、大数据时代下的城市规划响应特征分析
信息技术的发展促使城市空间更加流动、土地利用更加多元、个体行为选择影响加大，城市规划应该体现这些变化以及解决变化带来的城市问题。大数据对城市规划行业的影响是巨大的：一方面对传统城市规划理念和方法产生巨大冲击，强化规划对城市发展的管控力和决策力，为现有城市规划转型提供了新的方向和技术手段；另一方面，对于重构和丰富城市规划学科理论、指导城市规划建设与管理实践都具有重要意义。这就要求我们采用大数据思维、方法和技术手段来观察和研究城市问题，进而制定出科学且有效的城市规划方案。
2.1规划数据：从小样本静态向多源时空数据转变
传统城市规划工作涉及到包括地形图、影像图、交通路网、人口、用地、经济专项数据等类型众多的小样本数据，数据的获取方式依赖于统计年鉴、调查问卷、研究文献、深入访谈等，时间尺度也多以“年”甚至“十年”为单位，实时更新效果较差，这种传统数据的“小样本量”和“滞后性”导致了一系列严重问题，且这些问题贯穿于城市规划的全过程：规划编制阶段难以全面掌握城市发展现状，规划实施阶段难以与城市发展状况相符合，规划监管和评估阶段难以精准诊断建设过程中遇到的问题。
然而，大数据可以通过利用遥感、测绘、传感器、互联网等技术手段来实现数据的大批量和精准化抓取，所获数据内容呈现大样本量、实时动态、微观详细等特征，且这种基于网络、手机、公交刷卡、传感器等机器手段获取的城市规划大数据，可以在时空维度上实现对研究区域的社会、经济活动的全面分析，为城市规划提供基本依据。如传统公交路网布局中，需要投入大量人力物力进行OD数据搜集，而基于海量公交刷卡数据可以清楚直观地将城市职住分离情况展现给城市管理者和规划者，进而增强路网布局的合理性。
2.2规划尺度：从单一空间尺度向全域空间尺度转变
空间单元选择是影响城市要素研究以及进行合理的资源空间配置的重要因素，不同空间尺度下的地理目标或现象会呈现不同的模式和结构,形成空间的多尺度表达。因此，在多大空间范围和空间分辨率上进行要素和问题的研究是在城市规划中必须回答的问题。由于许多自然现象(如资源分布、生态景观)和社会经济现象(如产业布局、经济发展)具有复杂性、非线性、空间异质性和不确定性等特性，在对这些现象和规律进行研究、观察时往往需要采用多尺度、跨尺度的方法。大数据的产生、提取方式以及应用提供了城市要素在不同空间尺度下的量化研究基础，促进城市研究由单一空间尺度向全域空间尺度转变，由静态空间走向动态空间。
在大数据技术支持下，城市规划空间范围不仅局限于一区一市，空间外延能力增强，最终形成“建筑——街道(社区)——乡镇——市县——区域——全国”的全域空间，这种尺度推进使规划空间成果不仅可以在多尺度环境下适当地进行表达，还可以在更高的精度和粒度维度揭示城市发展轨迹和微观个体行为背后的规律。可见，在城市规划领域，从宏观的城镇体系到微观的街道空间，大数据技术都可提供丰富的数据来源和高效的分析途径。具体而言，全国和区域层面，可以利用“百度人口迁徙”大数据、对地观测数据进行人口迁徙状况和城镇化发展质量的动态分析；市县层面，移动通信数据、公交刷卡数据、社交网络数据等分析与应用，可以揭示城市人口活动范围、交通流量状况，如利用兴趣点(Point of Internet,POI)数据可以清晰地展示出城市产业空间格局；社区和街道层面，居住环境感知大数据、建筑与生活能耗大数据、室内定位及居民行为大数据、精细化网格管理大数据等数据类型的分析与应用，可以揭示居民在社区乃至居室的行为模式，从而为城市镇)详细规划、社区管理服务及建筑设计提供决策支持。
2.3规划核心：从“物质空间”向“以人为本”转变
传统城市规划编制与实施，都是通过对城市物质空间的干涉，作用于城市居民及其生活，强调的是结构与空间，受制于规划理念滞后和数据获取与处理的制约难以应对及其复杂的居民行为和个体感受。大数据技术的发展促进城市规划发生明显的社会转向，即由“经济活动和建设”为主的物质空间规划向关注“个人日常行为活动”为核心的社会空间规划转变。
可以说大数据技术为城市规划的人本化提供了契机，主要体现在：首先，人的活动记录是大数据的重要构成，这为精准地反映和预测人类与城市空间环境之间的互动、个体及群体之间的互动、个体行为的空间格局等在内的城市居民时空行为特征与规律提供了技术方法，通过深刻的数据挖掘可以最终帮助我们理解和揭示城市中这些复杂的社会经济现象以及背后的影响机理。其次，以前难以量化的问题，如居民的情感、经验、体验、信仰、价值、思想和创造性等，也可以利用大数据进行有效的表达和数理分析，从而了解微观主体需求，促进对城市公共资源的合理配置，满足多方利益需求。如基于互联网投票的民意调查，可以获取公众对某一规划政策或是具体建设项目的态度，根据大数据反映的调查结果，规划者可以对方案进行适宜的调整，从而使其更符合公众期望。正如，维克托·迈尔·舍恩伯格等(2012)在其著作《大数据时代：生活、工作与思维方式的大变革》中强调的那样：大数据带来的信息风暴正在变革我们的生活、工作和思维，开启了一次重大的时代转型。
2.4规划决策辅助：从“人工化”向“智能化”转变
相对于依赖人工判断和分析的城市规划编制和实时模式而言，大数据浪潮下的数据挖掘、机器学习、人工智能等一系列新技术将对传统城市规划提供良好的规划辅助决策，能够帮助城市管理部门和规划师更加精准化和定量化地分析城市问题，制定规划方案。如基于大数据技术建立各种计量模型和信息挖掘技术，可用
于挖掘城市日常运行下的各种复杂的关系，包括产业与经济变化趋势、居民行为模式、基础设施布局、交通流动特征等要素的状态、相互关系，从而帮助规划师分析城市发展的潜在规律和未来发展趋势，以便制定科学的规划方案，提高规划决策水平。
基于大数据的情景比较可事前模拟规划决策的实施效果，如在基于影响写字楼需求量的社会经济变量分析的基础上，利用全市写字楼企业详细调研数据，借助GIS平台综合考虑交通、地价、城市结构、专业化功能区、人口密度和商圈等空间因素，进行写字楼开发总量的空间分配方案模拟，可为城市总体规划的用地布局提供依据。另外，大数据技术也改变了传统的公众参与城市规划的方式，有效避免了传统的讲座和问卷调查调研方式存在的时效性差、样本量小等问题，提高了公众参与的效率。如通过微博、WebGIS和微信3种媒介可以搭建基于社交网络的城市规划参与平台，在网络上实现规划公众参与的实时互动，既可让公众“主动向规划提供数据”，又能方便公众对规划方案进行分享、推广和反馈。
三、大数据在城市规划中的应用研究进展
在大数据技术日益成熟的时代，互联网数据、社交网络数据、社会兴趣点、手机信令数据、智能交通刷卡数据、物联网传感器数据的出现，既为城市规划研究带来了数据获取和分析上的巨大变革，同时也要求城市规划必须建立以解决城市问题为导向，以城市综合研究为支撑的大数据应用体系框架，以便更好地为城市发展服务。目前，大数据技术已经在城市规划的以下领域中得到了广泛的应用。
3.1居民时空行为研究
传统城市空间关注于从人口规模、土地利用、产业布局、经济总量等宏观层面的统计数据揭示城市发展的目标和规律，忽视了城市居民主体对城市本身的需求。随着行为地理学和信息通信技术的快速发展，城市居民行为活动及其影响下的城市空间组织和结构变化成为城市规划研究中需要重点关注的内容，不少学者致力于在城市居民通勤、购物、休闲等各类行为分析的基础上，探讨城市居民在空间约束下的行为决策以及两者之间的互动机理，从而为城市规划提供思路。在这一过程中，大数据技术的发展促使居民时空数据获取方式由传统的以人口普查、活动日志等面谈调查、问卷调查获取数据的方法转向基于手机信令、微博、POI等新技术手段获取数据的阶段。相对于传统的问卷调查而言，这些基于定位功能的移动设备提供了较为精确的居民位置信息，既可以用来分析和评估特定人群居住、就业、购物、娱乐、交通等行为的时空变化情况，还可以预测居民的活动需求和空间移动轨迹，这对于掌握居民时空行为特征以及制定相应的空间管理政策具有重要意义。
Linna等通过Twitter和Flickr数字足迹数据对不同职业用户的社交媒体关系进行了研究，揭示了不同职业对社交媒体的偏爱程度；陈宏飞等通过新浪微博平台提供的API接口，抓取了西安市居民百万条微博数据，并利用热点分析工具对居民夜间活动进行分析，研究表明西安市居民夜间活动分布呈现出个别区域有较为明显的时空聚集效应；丁亮等利用连续两周的手机信令数据，识别出了约849万居民的就业地和居住地，并对上海居民职住空间关系进行了分析，发现在中心城及通勤区内，超过97%的居民实现了职住平衡；龙瀛等利用北京市1周855万个公交IC智能卡数据，对北京市通勤行为进行了识别，得到22万余人的居住地、就业地和通勤出行，进而对通勤形态的时空分布以及重点区域通勤行为进行了评价。
3.2城市交通网络研究
城市交通研究是城市空间规划中的重要组成部分，传统的城市交通调查采用抽样问卷调查的方式，在数据获取周期和样本量数量方面存在较大弊端。此外，在规划方法上也多是基于人口规模和功能分区，依赖于传统计量模型得出的规划方案进行道路选线与建设，这样做的结果就是一方面容易导致交通资源空间配置失衡，另一方面影响了城市空间结构的优化发展。大数据技术的出现为城市交通规划提供了一种具有广覆盖、多层次、成本低、稳定可靠的全样本连续观察能力。目前，智能刷卡数据、ETC数据、手机信令数据、出租车计价器数据、网约车数据等已在城市交通规划中得到应用，这些数据为交通规划提供了基础数据源，可以详细获取车辆和用户的出行信息，探索城市中的人车活动规模和分布规律，更合理地引导城市交通规划的制定和交通资源的分配，最终使城市交通规划乃至城市规划显得更加“以人为本”。
利用大数据对城市交通现状进行感知和评估，成为优化城市交通路网的重要技术手段，已有不少研究成果。冉斌以天津和上海两地为例，利用长时间手机信令数据，获取了大量个体的出行特征和城市整体的交通格局，进而分析出重点区域客流集散特征、关键断面交通流量、轨道交通客流特征等重要指标，为城市交通体系规划提供支撑。刘瑜等以上海为例，利用6600辆出租车GPS浮动数据，对居民日常出行距离和方向进行了模拟，发现载客量呈现以24h为周期的变化规律，并利用“源—库”模型来研究城市居民的出行模式。周洋利用出租车数据从道路结构、居民出行数据的OD分布、城市交通关键结点网的社团结构等多角度提取城市的区域社团及城市居民出行的区域集聚特征，从而为城市规划和相关政策制定提供决策支持。
3.3城市功能分区研究
城市是一个高度结构化的系统，其中包含着很多不同功能的区域，一方面为城市居民的居住、工作、游憩、交通提供各种便利，另一方面这些不同功能区的空间分布和组合模式也反映着城市中各种物质要素在空间上的分布和组合。传统的城市功能分区出发点多是通过人口规模、布局、土地利用、统计调查等数据，结合各类反映功能分区特征的指标体系等方法对城市功能区域进行划分，这种做法有两种弊端：第一，基于实地调查统计数据或统计数据获取周期长。第二，这种分区方法忽视了人的行为与所处空间的相互作用，较少利用人类活动数据划分具有共性特征的城市单元。而基于微观对象行为和感知的研究是增强理解这一复杂空间系统运作规律和划定的重要依据。大数据时代为城市功能区划定提供了新的契机，移动通讯、全球定位系统、银行卡记录、微博记录、智能卡收费系统等提供了遍布的个体时空数据，为城市空间结构的描述和理解提供了一种新的渠道。
手机数据、公交车数据、以及基于位置的服务数据(Location Based Service,LBS)在土地利用分类、城市功能区划方面已有不少应用实例。其中，一些学者尝试用微博网络数据作为划分城市功能区的主要方法。如王波等人以南京市为例，借助新浪微博数据，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将城市活动区域，将其划分为就业活动区、居住活动区、休闲活动区、夜生活活动区以及综合活动区，证实了功能区呈现出混合化与边界模糊化的特征。作为一种大规模的具有地理标识和时间标签的公交卡刷卡数据也被应用于功能分区中，如韩昊英等利用北京市一周的7797余万条公交IC卡刷卡数据，构建了基于公交刷卡数据和POI的城市功能区识别模型，快速有效地识别出与北京市土地利用现状地图具有一定匹配度的北京市各功能区。除此之外，还有一些学者开始尝试利用POI数据分析城市空间结构，如陈世莉等采用时空语义挖掘方法对广州一周的浮动车数据以及POI数据进行处理，识别出了成熟居住区、科教文化区、商业娱乐区、开发区等具有明显特征的城市功能区，Yuan等[35]将出租车数据和POI数据相结合，并使用隐狄利克雷分布模型(Latent Dirichlet Allocation，LDA)发现了城市的不同功能区。
3.4区域联系和城市等级研究
区域联系和城市等级是影响城市发展的重要因素，在城镇体系规划中，一方面，城市之间的“人流、物流、信息流”分析是衡量城市与其他区域之间关系的重要指标。另一方面，城市等级决定了城市在整个区域发展中的位置、扮演的角色以及获取资源的机会等。传统的区域联系和城市等级研究以人口、产业等统计数据为主，结合计量模型方法实现城市等级和经济往来强度情况衡量和对比，但这种静态的、缺少空间属性的数据难以真实反映城市之间的关系。大数据为区域联系和城市等级的测度提供新的数据源和技术方法，互联网开放数据、企业注册信息数据、手机信令数据、出租车数据、微博数据等更加客观而富有代表性，都可以从不同视角提供研究思路。
王开泳等提出一种新的基于微博数据判别城市之间空间联系强度的方法，并以河南省部分具有地理标记的微博数据作为数据源，通过微博使用推发地与注册地的差异，来描述人口的城际流动情况，从而表征两两城市之间的城际联系强度；赵映慧等利用东北三省34个城市两两之间的百度指数，采用NetDraw、优势流分析法以及C-Value、D-Value层级分析法,对东北三省城市网络联系格局进行了分析，同时又基于腾讯QQ群视角,查找联系两个城市的QQ群,利用社会网络分析法研究东北地区城市网络联系特征和层级结构，发现沈阳为大区中心城市,是东北地区的中心，七台河等4个城市为地方边缘城市,其他城市层级介于之间,分属另
外5个层级；董超等以各地间固定电话通话时长为原始数据,采用主成分分析法、C-Value和D-Value层级分析法、优势流分析法、最小生成树法对吉林省流空间格局进行了分析。
大数据提供了基于网络数据和手机信令数据判断城市之间联系强度的方法，弥补了传统研究数据量少，缺乏空间属性的弊端，尽可能地展示了城市之间的联系状况和等级特征。但也应该认识到大数据只是提供了认识和评估城市空间联系的新视角新方法，由于大数据本身也有缺陷，不能过度依赖于网络平台、手机数据，可将大数据和传统数据相结合进行城市空间联系研究。
3.5城市生态环境治理研究
城市作为经济社会集聚中心和人类活动最活跃的区域，一方面，通过人口集聚、产业关联、要素创新来实现整体区域经济实力的提升和功能结构优化。另一方面，要素的不节制集聚导致城市生产生活的负面效应逐渐暴露出来：不合理的消费模式以及粗放的工业生产方式等都对城市赖以发展的生态环境产生了破坏性影响。不断有研究证明：空气污染、固废污染、土壤污染、生态系统退化等一系列生态环境问题，已经对城市的可持续发展造成严重胁迫，这些问题往往涉及尺度大、过程复杂、驱动因素众多，解决起来难度大，已然成为制约城市前进和居民对美好城市生活向往的重要壁垒。随着生态文明制度的不断完善，城市规划将生态环境治理作为生态文明建设和提高城市治理能力现代化的关键环节，提出生态城市、绿色城市、低碳城市等概念，并付诸实践。同时，互联网与移动通信技术的发展促进信息数据量呈现出史无前例的爆发式增长，这为将生态理念落实在城市规划中提供了重要的数据支撑，为解决复杂的城市生态环境问题带来了新机遇。
利用遥感、视频以及感知等技术手段对生态环境全要素进行“空天地一体化”的连续观测，获取和集成多尺度、多源的数据，并借助云计算、人工智能及模型模拟等分析技术，可以揭示数据之间的关联，诊断城市生态体征，提高生态环境治理的精准性和有效性，从而提升城市整体生态环境质量。杨显华等利用SPOT6卫星图像遥感解译和野外调查相结合的方法，对牦牛坪稀土矿山地质灾害、环境污染、尾矿库分布、矿山恢复治理和矿山开采点等状况进行分析，在此基础上开展矿区恢复治理区划,提出治理对策与建议；陈涛选用2000年至2010年共11年的MODIS影像分析了车尔臣河下游河流改道引起的植被变化研究，发现老河道区域内原本较好的植被覆盖逐渐消失。
3.6城市开发边界、生态红线划定研究
近年来，为解决传统城市规划和发展中存在的过度经济导向、产业结构不合理、污染企业集中度高、三生空间不协调、环境风险较大等问题，国家和地方出台了系列空间管控政策，要求通过“城市发展方向”“三界四区”“生态红线”等城市开发边界来实现对城市建设行为的合理引导和空间开发的科学管控，这些边界的划定能够控制城市无序蔓延，保护城市重要生态空间，是提高城市空间发展质量的有力措施。传统的城市开发边界的划定多以遥感图像解译作为基础，划定城市建成区范围和城市边界，这种方法操作简单，但是划定过程中并未考虑社会活动、经济活动、居民行为轨迹等要素，导致划定的边界很难达到控制城市蔓延的功效。
大数据时代的到来，不仅为研究复杂的人类活动以及城市空间提供了新的路径，也颠覆了传统的城市边界划定的思路和技术方法。一般认为，网络空间数据体量大、数据类型丰富，常常以数据流的形式动态、快速地产生，具有更强的时效性，借助于约束性元胞自动机(Cellular Automata，CA)空间模型可以分析人口、产业、用地等要素的增长变化，实现城市动态空间增长模拟，并进行相应的城市边界分析。许泽宁和高晓路基于POI与城市空间结构和城市要素空间分布的关联性，提出了一种新的通过POI密度分布来判别城市建成区边界的技术方法，并基于2008年百度地图的POI数据，对全国所有城市的建成区边界进行了识别分析。网络社交数据也被应用于城市边界划定中，典型如Hollenstein利用具有空间属性的Flikr与Twitter数据对芝加哥城市居民的日常活动边界进行量化，重构了城市中心区与边缘区间的边界。孟祥玉利用新浪微博以及夜间灯光数据所构成的时空大数据，挖掘数据不同角度所携带的不同信息，并以京津冀城市群为例实现了基于时空大数据识别城市群边界方法的探索，识别的边界包括88个区县，并构建了一套用于识别城市群边界的指标体系。龙瀛等提出了一个评价北京城市增长边界的方法，使用人位置签到数据、移动刷卡数据、出租车轨迹数据和出行调查数据来评价城市增长边界的有效性，并在限制人类活动和移动流上，去验证规划人口的城市活动情况，以及城市规划边界内和地区间的活动联系。
四、结束语
我国正处于新型城镇化建设和工业化发展的关键时期，需要应对城市过度蔓延、交通拥堵、个性特色丧失、脆弱性增加、社会极化、环境恶化等一系列城市病，这些问题时刻考验着政府部门的治理能力和服务水平，问题的解决很大程度上取决于决策主体的能力及其拥有的数据信息。在大数据时代，基于高质量的多源数据和强大的算法，大数据技术实现了对城市要素发展趋势及要素间相互关系进行分析和预测，为全面、实时地了解城市发展变化以及解决发展中的问题提供了有力的技术支撑，在城市规划领域中应用的深度和广度也不断得到拓展。然而，为了城市规划学科的健康发展，在大数据研究热潮之下，有必要对大数据在规划实践和研究中存在的问题予以重视：诸如城市规划大数据有偏性问题、大数据长期预测不足问题、城市规划大数据开放共享问题、大数据应用于城市规划的理论方法滞后问题、城市规划大数据与传统小数据的融合问题、城市规划大数据应用体系构建问题等。
本文为研究院开放课题“集成多元大数据的新型城镇化发展战略预研究”（编号K-17026-01）阶段性成果
作者简介：甄茂成，博士后，主要从事城乡规划管理信息化研究工作。
通讯作者：党安荣，清华大学建筑学院教授，博士生导师，主要从事城乡规划技术科学的研究工作。
