近年来，随着“城市大数据”在城市研究、规划业务方面的广泛应用，利用大数据进行深入、准确的“精准规划”逐步成为规划领域的共识。在此背景下，江苏省城市规划设计研究院依托自身在城市规划领域的长期积淀，在2014年初期即着手进行城市大数据的应用探索，并于2017年4月正式开展相关课题研究，以期通过大数据应用技术的整合，形成系统性的方法体系，一方面满足规划业务需求，强化规划的科学性；另一方面也需应对转型，面向更加复杂、动态的存量规划，提升技术创新性。
课题目前已经形成 “一个数据库” “一套技术说明书”的成果体系。“数据库”以江苏省为收集范围，包含OSM地图、POI、房价信息、景点信息、企业信息等18种新兴数据，并根据不同数据特点，对开源数据进行定期抓取更新；“技术说明书”整合26项大数据应用，针对区域格局分析、市域城镇关系、城市空间结构、城市活力宜居四个方面，形成一套操作性与实用性较强的方法体系。
技术说明书将依托平台分批发布，第一批成果主要为区域层面应用，采用了遥感灯光、POI、高铁班次、高铁余票等数据，对区域城镇等级、城市联系、网络特征等方面进行具体分析。
一、基于交通流数据的城市联系强度分析
对城市OD数据（如基于高铁班次、汽车班次、高铁OD、城乡公交、百度迁徙等）进行分析，通过构建多个城市之间的OD矩阵，明确各城市/城镇两两之间的联系特征，并将实际流量在空间上进行表达，进而为区域规划分析提供支撑。
通过高铁余票、高铁班次、飞机班次、汽车班次、手机信令等多种数据进行综合测度。针对高铁余票数据，开发了实时、持续的高铁余票抓取及分析软件，获取任意两个高铁站点之间的客流余票信息。
采用数据可视化方法，通过提取主要城市间高铁OD出行的客流量并进行空间可视化，直观地表达区域主要城市间的高铁联系强度。若数据形式较为复杂，可以通过复杂网络和相关的可视化软件进行处理分析。
目前主要应用于课题研究，如《高铁效应下的城市规划编制技术研究》课题等。课题通过长三角高铁客运出行OD数据分析，精确刻画出城市之间的联系强度和等级关系，并综合社会、经济等相关数据判断高速铁路对城市间的分工协作和联系强度等影响。
从出行特征来看，高铁改变了区域既有交通出行组织方式，长三角地区高铁沿线的主要城市铁路客流量年均增长显著，但徐州、无锡、常州出现了铁路客运量增长而全社会客运量减少的现象，这是由于随着长三角地区高铁网络的形成，加速区域扁平化，许多中小城市可达性显著提升，无需通过大城市中转直接进入区域网络。同时，高铁强化了区域中心城市间的联系，且对区域内1小时时空距离的城市间联系强化作用明显，长三角地区以中心城市为目的地的一日往返出行特征显著。
从区域格局来看，高铁网络的整体布局与城镇间既有的经济社会联系存在相互作用。长三角地区高速铁路网与城镇既有经济联系方向基本一致，上海作为区域中心的作用得到进一步强化，目前虽然若干条高速铁路已经开通运营，但高速铁路网上的城市发展仍具有明显的点-轴发展特征，表现出区域中心城市集聚效应明显。
图1-1：长三角主要城市一周内高铁出发客流目的地分布
图1-2：长三角主要城市间高铁出行OD示意图
二、基于高铁班次数据的城市网络特征分析
通过全国高铁班次的提取，分析高铁网络的拓扑结构、联系强度及网络特征，结论可从侧面支撑城镇体系、等级结构、城镇群划分等方面内容，为区域规划和城镇体系规划提供依据。
高铁余票数据与高铁OD数据。
基于社会网络对高铁网络进行分析，如社会网络中“度中心性”反映了节点可以直接联系的节点数；“介中心性”反映了某节点处于其他节点对间最短路径中的次数与节点对之间所有最短路径数目的比值，衡量了一个点对网络信息流动的影响能力；社区检测方法则可以揭示网络聚集和子网的分布。
目前主要应用于课题研究，包括《高铁效应下的城市规划编制技术研究》课题等，对全国高铁网络特征进行跟踪分析与研究。
通过高铁区域联系强度与紧密度的分析，可以看出目前高铁运营网络以省会为核心，与“四纵四横”规划网络基本一致，但“青岛－石家庄－太原”轴线不够明显。长三角与珠三角高铁区域联系的网络化特征较为突出；京津冀地区尽管已表现出网络化特征，但班次连接上弱于长三角和珠三角；西部与东北区域与高铁网络核心区的连接还有待加强；武汉与长沙为单核集聚状，形成“屏蔽效应”。
通过枢纽结构体系的分析，可以看出相比较于传统普速铁路网，一些城市枢纽地位得到加强，如杭州、贵阳等，但徐州等传统铁路枢纽地位在下降，但这可能与区域建设时序有关。而高铁交通模式区别传统普速铁路，“时空压缩”将远距离或边缘地带城市纳入到核心发展圈层中，进而利于区域新节点城市形成，如贵阳。
图1-3：基于社会网络分析的全国高铁格局
三、基于灯光数据的城市等级规模分析
通过影像数据、百度POI数据、手机信令数据提取不同城市中用地、设施、人口密度等多源数据，对城市等级规模进行综合测度。此应用选取灯光数据作为样例数据。
DMSP(Defense Meteorological Sate-lite Program)数据，可通过网站免费下载。灯光遥感数据反映地面目标的灯光强弱，数据分辨率为1km。
通过收集区域灯光遥感数据，按照不同研究区域对数据进行裁剪，得到研究区灯光影像分布图。对数据按照像元值大小进行分级设色，值越高区域表明人类活动越强烈，通过高值区域聚集范围反映城市建成区绵延规模。
已应用于连云港、宜兴等城市总体规划中，通过灯光数据的分析，连云港市虽处在东陇海线和沿海线交汇处，具有明显的地理区位优势，但是在两条线上规模优势都不明显。
图1-4：东陇海线灯光数据图
四、基于POI数据的城市中心功能集聚度对比
采用POI数据对城市中心进行识别，并对各城市中心的功能集聚度进行对比分析，可以在统一口径下反映不同城市中心的规模、能级，并可进一步细化至城市内部中心体系分析。
百度POI或高德POI。
POI中文可以翻译为“兴趣点”，如将每个POI都可被看作一个功能单元，则POI密度越高表示城市功能越集中。因此，对研究区域中全样本的POI进行核密度分析，可识别出每个城市的核密度值最高处即为城市中心。继而可根据POI的属性分类，对城市中心的等级体系、功能分布、圈层特征等进行分项分析。
已应用于淮安、连云港等城市总体规划中，用于对比区域中不同城市中心的能级，描述各城市中心业态的空间分布特征。
从城市中心的能级来看，江苏省内陆级市中南京的功能集聚度最高，其次为苏州、无锡、常州等，宿迁城市中心功能集聚度最低，约为南京的1/3。
图1-5：江苏省地级市城市中心功能集聚度对比
从城市中心的业态功能分布特征来看，商业服务类设施自中心向外围递减趋势明显，公共管理与服务设施变化趋势则相对平缓。江苏省内13个地级市的城市中心可根据功能圈层特征分为如下三类：第一、强中心型，城市中心核心圈层内功能集聚度高，但外围圈层密度则大幅跌落，如苏州、镇江；第二、弱中心型，指城市中心核心圈层与外围圈层功能集聚度相差不大，仅有小幅变化，如宿迁、盐城；第三、均衡型，指城市功能集聚度自中心向外围梯度平缓下降，城市服务水平在空间上相对均衡，如南京、徐州、连云港等。
图1-6：商业服务类POI分圈层密度对比
图1-7：公共管理与服务类POI分圈层密度对比
城市是一个有机体，是一个生命，你的想法可以改变城市！
联系客服
