传统技术、基于少量样本调查或者基于人口普查等统计数据是无法基于个体的行为活动对城市空间结构进行研究，大智移云时代为此类研究提供了技术可能。

例如手机数据，其记录了每一个用户的日常行为和对城市空间的使用方式，综合所有用户活动行为的时空规律，就能用于研究城市的空间结构。

与传统技术相比，一方面，手机定位数据覆盖了每一个手机持有者，不再依赖于小样本抽样，能更好地反映总体时空规律。另一方面，手机定位数据是动态数据，实时反映手机持有者的空间位置，为描述就业、游憩、居住等活动的时空动态提供了可能。

1.数据概况和时空分布分析方法

1）手机数据概况

手机数据使用了上海市的中国移动2G用户数据，包括手机信令数据和基站数据两个部分。

手机信令数据是运营商记录下来的手机用户在移动通信网络中活动时的位置信息，属于非自愿提供数据。当手机发生开机、关机、主叫、被叫、收发短信、切换基站或移动交换中心、周期性位置更新时，手机识别号、信令更新时间、当时所处的基站小区编号均保存在手机信令数据中。此处的信令数据使用剔除了用户属性之后的加密手机识别号，不涉及手机用户的个人信息。

基站数据包括基站编号和地理坐标。由于基站根据用户使用强度布置，基站之间的距离变化幅度较大，总体呈现自城市中心到外围逐渐增加的趋势。

上述手机信令数据的记录时间是从2014年3月15日—28日，连续记录14天。在这14天内，上海市域内每一日手机信令数据中记录到了约1 700万个不同手机识别号，代表了约1 700万个中国移动2G手机用户。一日之内记录到的信令记录数可达6亿条左右。

2）手机用户时空分布分析方法

基于上述手机数据，采用了两种空间分布地图表达手机用户的空间分布，即单一时间点密度分布和多日平均用户密度分布（图3-2-1）。

2.公共中心体系识别

1）规划公共中心体系

图3-2-1　单一时间点密度和多日平均用户密度分布及其变异系数检验
Fig.3-2-1　Two types of mobile phone users density distribution and the coefficient of variation test

根据《上海市中心城分区规 划（2004—2020）》，上 海中心城的市级公共中心包括1个主中心、4个副中心。主中心位于外滩、人民广场、南京路、淮海路、四川北路及不夜城一带，设徐家汇、五角场、花木、真如四个副中心。“一主、四副”市级中心承担商务、商业、行政、文化等功能。此外，中心城内规划设置26个地区级中心，以商业功能为主。

下面通过特定时间点的多日平均用户密度计算，检验公共中心体系是否实现了上述规划设想。

2）公共中心识别方法

公共中心是城市商业服务业、商务办公高度集聚地区，具有高密度的消费者和就业者，是人流活动高度密集的地区，也应是手机用户密度的高值区。因此可采用识别特定时间点手机用户密度的高值区来识别公共中心。密度值越高，表明人流集聚程度越高，公共中心的等级也越高。公共中心主要功能包括商业和商务办公，选取工作日10点的多日平均密度识别商务办公活动集聚状况，选取休息日15点的多日平均密度识别商业活动集聚状况（图3-2-2、图3-2-3）。

使用自然间断法对工作日10点、休息日15点的多日平均密度进行分类，将数值最高的三个级别作为高值区。按密度值高到低，将高值区划为一级密度、二级密度、三级密度三个级别。在空间聚类中Z值大于1.96的高值聚类区内，多日平均密度值达到三级密度以上，便识别该区域为公共中心。

个别高值区的人流集聚不是由商业、商务等活动引发的，如大型医院、学校等也进入了高值区，因此对照现状土地使用性质，将非公共中心用地性质的高值区排除。

图3-2-2　手机用户多日平均密度空间聚类
Fig.3-2-2　Spatial clustering of average density for mobile phone users

图3-2-3　手机用户多日平均密度分布
Fig.3-2-3　Average density distribution for mobile phone users(www.daowen.com)

3）公共中心识别结果的分析

用户密度值越高，公共中心的等级越高。工作日10点多日平均密度值高，往往是商务办公活动所导致；休息日15点多日平均密度值高，往往是商业消费活动所导致，由此用于识别公共中心的等级和职能（图3-2-4）。依据分区规划中确定公共中心范围，分别计算多日平均用户密度最大值和平均值，验证其等级和职能是否按规划设想实现。此外，在规划确定公共中心之外，还识别出若干新增公共中心。识别新增公共中心的标准为，至少有4个相邻栅格（面积16 hm2）的密度值达到三级密度以上且该区域用地性质属于公共中心用途。

图3-2-4　上海中心城公共中心的手机用户密度
Fig.3-2-4　Mobile phone users density in Shanghai city center

在市级主中心中，无论是工作日还是休息日，用户密度最高区域都大致形成两条轴线：南京路—世纪大道的东西轴线、外滩—四川北路的南北轴线。这两条轴线不仅等级突出，而且功能趋于商业商务综合功能。在休息日，南北轴线向南延伸到了豫园，向北延伸到了虹口足球场，说明豫园和四川北路北段是典型的商业中心。虽然目前一般认为四川北路的商业发展并不乐观，但是从人流集聚程度来看，四川北路仍然属于市级中心，与其平行相邻的河南北路也是人流集聚度最高区域之一。淮海中路商业街的人流集聚高值区未呈现轴线分布，而是在陕西南路地铁站周边形成块状高值区。浦东的陆家嘴、张杨路在工作日、休息日的人流集聚程度相差较大，属于典型商务功能的公共中心（图3-2-5）。

图3-2-5　上海中心城公共中心识别
Fig.3-2-5　Shanghai city center public center identification

总体上，上海中心城的规划公共中心体系尚未完全形成，总体上仍呈现单中心趋势，副中心、地区中心仍在建设形成中。

3.功能分区识别

直接使用多日平均密度值不能区分居住区、工业区等人流集聚密度相对较为均匀的地区。因此采用昼夜密度比值和夜间人口密度反映昼夜人流变化，用以识别就业功能区、游憩功能区、居住功能区。

分别计算工作日10点和23点、休息日15点和23点的多日平均用户密度的比值。工作日10点和23点的密度比值较高，说明该区域就业岗位多于居住人口；其比值越大，就业功能越占主导。休息日15点和23点的密度比值较高，说明该区域休息日游憩或购物消费人数多于该区域居住人口，其比值越大，游憩功能越占主导。

采用类似公共中心的识别方法，夜间23点多日平均用户密度的高值区是居住人口密度较大区域。在此基础上，如果工作日10点和23点的密度比值较低，说明该区域居住人口多于就业岗位；其比值越小，居住功能越占主导。

上述三类功能区的识别标准见表3-2-1、图3-2-6。

表3-2-1　功能区识别标准
Table 3-2-1　Function area identification standard

图3-2-6　上海中心城的功能识别
Fig.3-2-6　Shanghai City Center Function Areas Identification

4.讨论和结语

手机数据的优势是不依赖小样本抽样，但是依然可能存在误差。此处使用的手机信令数据是中国移动2G用户数据。研究中假定在中心城内各个位置上，中国移动2G用户占所有手机用户的比例没有显著差异。实际上，缺少了4G、3G用户的数据仍可能会对某些特定地区人流集聚程度的计算产生影响。如果有某一区域的4G、3G用户比例明显高于其余区域，仅用2G用户的密度值与其他区域进行比较，就可能导致该区域的实际人流集聚程度被低估。

依靠基站定位和核密度分析获取密度值，这一方法难以区分相邻不同类型设施带来的人流集聚。例如，不夜城地区密度处于高值区二级密度，很大程度上是紧邻的上海火车站进出人流影响所致。这会对不夜城地区的公共中心识别结果造成一定影响。

手机数据是一种典型的大数据。在规划领域如何利用大数据是一个热门议题。本研究运用手机信令数据形成了一种以手机用户时空分布识别城市空间结构的方法，包括基于手机信令数据获取用户时空分布、基于手机用户时空分布识别城市空间结构。以上海中心城为例，识别了城市公共中心等级和职能，识别了城市就业功能区、游憩功能区、居住功能区及其混合程度。

郑守仁　院士　解放军信息工程大学测绘学院教授

我国的旧城经常会出现煤气爆炸等重大城市安全事故，所以摸清城市资源特点，建立城市大数据库，从解决危及人民生命、财产安全的方面着手，这样的智能建设战略会更有价值。