Spatiotemporal Aggregation of Individual Behaviors in Urban Rail Transit Station Zone Based on Sign-in Data——A Case Study of Tianjin

Tong-wei GONG; Mei-ting ZHOU

doi:10.13718/j.cnki.xdzk.2020.07.020

Based on the sign-in data of Sina Weibo, the spatiotemporal aggregation of individual behaviors in Tianjin Urban Rail Transit Station zone is discussed with the methods of kernel density analysis and classified statistics. The results show that in temporal variation, the individual behaviors of the rail transit station zone are characterized by a leisure-oriented daily average, a steady day-time growth, a female dominance in gender and a spatial and temporal differentiation in origin. In spatial distribution, individual behaviors of rail transit station zones are of the development mode of concentration in the center. According to the difference in gathering centers, it can be divided into two types: the mode of rail transit station concentration and the mode of non-rail transit station concentration. The non-rail transit station concentration model can be further subdivided into the single-center concentration mode, the single-center shifting mode and the multi-center equilibrium mode.

HTML

轨交站区已经成为中国轨道交通城市建设与更新的重点区域.受城市开发建设的影响，轨交站区相关研究集中在以土地利用为核心的静态空间研究上，以个体行为为主体的人本研究相对较少^[1-3].城市空间研究领域中个体行为的重要性早已受到普遍关注，研究进展之所以相对缓慢，重要原因是受限于个体行为数据的获取.过往的研究多以问卷调查方式作为主要的数据获取手段，但这一方法存在数据更新周期慢、时效性差、空间尺度小等诸多问题，大大影响了个体行为视角下的城市空间研究进程^[4-5].

随着大数据在城市研究领域的不断发展与深入，为相关研究提供了精准的个体行为数据，已经成为城市空间研究重要的数据支撑.在众多类型的个体行为大数据中，位置数据凭借其数据量大、时效性强、属性丰富、空间定位准确等特点得到了广泛应用.位置数据指包含用户位置信息及特征属性的数据，能够通过运营商的外部定位及其服务范围内的无线通讯网络获取.推特数据作为重要的位置数据在国外相关研究中得到了广泛应用. Krings等^[6]使用推特数据分析了大规模人群的时空活动规律；Mark等(2011)通过挖掘推特用户签到数据，建立了居民基本活动模型，并使用GIS(Geographic Information System)的可视化模块模拟居民活动变化情况，研究居民出行模式；Berkin等^[7]通过分析英国利兹市推特数据，研究了城市密度的时间变化规律，并以此重构城市空间布局.在国内相关研究领域中，新浪微博作为主流社交平台，提供的签到数据记录了用户的时间、位置、评论等信息，得到了广泛关注与应用.甄峰等^[8]通过对典型城市签到数据的分析，揭示了网络平台空间中的城市网络体系；王波等^[9]基于南京市民的签到数据，分析了市民的个体行为时空特征，并以此提出了城市的功能区划分；张子昂等^[10]、张腾^[11]基于签到数据，研究了旅游景区游客的客流波动特征及个体行为演变特征；徐战亚等^[12]基于签到数据，使用Knox指数进行时空交互性检验，确定了合适的时空分析尺度.

当前，轨交站区相关研究仍然以传统数据为主，以国内外城市规划领域轨交站区相关研究及其进展来看，相关理论及研究方法主要集中在土地利用和综合开发上，个体行为视角下的轨交站区空间研究非常少.本文以新浪微博签到数据为支撑，揭示轨交站区个体行为的时空聚集特征及发展模式，一方面为轨交站区空间研究提供新的视角，另一方面为基于签到数据的空间研究积累经验.

1. 数据来源

新浪微博是我国最早提供微博服务的社交网站，《2018微博用户发展报告》显示，截至2018年底微博月活跃用户达到4.62亿，占《中国互联网络发展状况统计报告》第44次公布的8.54亿中国网民的54%，具有庞大的用户基础和较高的社交媒体占有率.不仅如此，新浪微博签到数据与微信、腾讯QQ等社交媒体数据相比，包含了关键的用户空间位置信息；与同样包含位置信息的手机信令数据相比，获取相对容易.因此，新浪微博签到数据成为各领域研究的理想数据来源.

新浪微博提供的签到数据中的主要信息包括：用户活动位置经纬度、时间、所在地址中文字段、用户ID、用户名、性别、简介、用户来源地等.依据研究需要，本文选取用户来源地、时间、性别、位置4类信息作为采集对象，并对需要特定研究的用户微博文本进行解读，作为后续研究进行信息补充.

在研究对象上，本文选取天津市典型轨交站区进行实证研究.典型轨交站区的选择主要考量了区位条件和地域功能2个主要特征.在区位条件上，依据天津市总体规划确定的城市空间发展结构，分别选取核心层、中间层和外围层3个空间层次的轨交站区；在地域功能上，依据轨交站区所在的城市区域主要功能，分别考量城市中心型、社区中心型、文教中心型、交通枢纽型和普通型5类功能的轨交站区.综合以上2个主要因素，最终确定了17个轨交站区作为本文的实证研究对象，同时也是微博签到数据采集的空间范围.

签到数据的采集是以轨交站点为中心，一定采集半径为范围进行采集.在采集半径的确定上，本文遵循国内外相关研究中以轨交站点合理接驳距离作为半径的惯例原则^[13]，分别确定：核心层以步行为主要接驳方式，接驳时间10 min，接驳速度5 km/h，接驳距离800 m；中间层以自行车接驳为主，接驳时间8 min，接驳速度12 km/h，接驳距离1 500 m；外围层以小汽车接驳为主，接驳时间6 min，接驳速度30 km/h，接驳距离3 000 m.依据上述原则得到的轨交站区签到数据空间采集范围.

采集时间上综合考量工作日、周末休息日和重大节假日不同时段轨交站区个体行为的差异性，确定将数据采集时间分为3个时段，共7天.第一时段为重大节假日时段，2018年4月30日-5月1日，共2天；第二时段为工作日时段，2018年5月2日-5月4日，共3天；第三时段为周末休息日时段，2018年5月5日-5月6日，共2天.依据以上原则采集微博数据样本9.5万余条.为进一步分析一天之中不同时段轨交站区个体行为的活动特点，对采集的数据进行分时段提取，时段划分如下：0：00-3：00，3：00-7：00，7：00-9：00，9：00-12：00，12：00-14：00，14：00-17：00，17：00-19：00，19：00-21：00，21：00-0：00，得到轨交站区时空聚集研究所需的个体行为基础数据.

3. 轨交站区个体行为空间聚集模式

在分析轨交站区个体行为时间变化特征的基础上，使用GIS平台的核密度分析方法，直观表达轨交站区个体行为的空间分布.在此基础上，进一步依据个体行为聚集中心的差异，对轨交站区个体行为进行时空发展模式分类.轨交站区个体行为整体空间分布呈现出较为显著的中心聚集特征.具体表现为以天津站轨交站区为聚集主中心向外扩散，在营口道、西康路和小白楼3轨交站区形成次级聚集中心，其余轨交站区聚集程度相对较弱.在分析轨交站区整体聚集特征的基础上，分别分析重大节假日、工作日和周末休息日不同时段轨交站区个体行为时空聚集的差异，依据聚集中心的不同分为轨交站点聚集模式和非轨交站点聚集模式两类.

3.1. 轨交站点聚集模式

轨交站点聚集模式指轨交站区个体行为聚集中心为轨交站点.此模式为轨交站区个体行为空间发展的常规模式，所包含的轨交站区数量也最多，共有西南角、西站、果酒厂、小白楼、营口道、天津站、西康路及华苑8个轨交站区，几乎占据了研究样本总量的一半.轨交站点聚集模式的典型特征是个体行为聚集程度由轨交站点向外圈层递减.西南角轨交站区由于站点周边分布较多的商业设施，外围以居住为主，促成其节假日以轨交站点为中心聚集.工作日中人们更倾向于日常工作和简单的休闲活动，导致了聚集程度降低.西站和天津站轨交站区在重大节假日、工作日和周末休息日均表现出了高度聚集的状态.西站和天津站属于天津市重要的交通枢纽站，除了要满足商务出行的人群需求，还要满足日常通勤人群和换乘人群的需要，空间相对聚集度较高.西康路轨交站区在重大节假日空间相对分散，这是由于重大节假日人群多选择向活动方式较多的商业中心区聚集.到了工作日和节假日，空间相对聚集，这是由于人群需要进行日常工作、学习，而西康路站区周围分布着较多的文教、办公和居住空间，从而影响人群聚集度.果酒厂、小白楼、营口道和华苑4个轨交站区节假日的个体行为空间分布相对分散，而工作日分布相对聚集.一方面，重大节假日和休息日受时间较为宽裕、私家车不限行等因素影响，出行方式更为多元化，一定程度上削弱了轨道交通出行的比例；另一方面，这4个站区虽然都承担了不同的城市功能，但其共同点是提供了大量的就业岗位，尤其是服务业岗位，因此工作日站区个体行为聚集度较高.

3.2. 非轨交站点聚集模式

非轨交站点聚集模式指轨交站区个体行为聚集中心为轨交站点外的其他区域，依据聚集中心的数量及位置变化情况，可以进一步细分为单中心聚集模式、单中心游走模式和多中心均衡模式.

3.2.1. 单中心聚集模式

单中心聚集模式指轨交站区个体行为空间分布随时间变化呈现出相对分散——单中心聚集——相对分散的变化规律.鞍山西道、东丽开发区、新立、中山门5个轨交站区个体行为空间聚集呈单中心聚集模式.受轨交站区用地布局的影响，各轨交站区聚集的方式也存在一定差异.鞍山西道和东丽开发区表现为向商业空间聚集和分散，且两轨交站区均表现为节假日相对聚集、工作日相对分散的特点.鞍山西道是典型的社区功能轨交站区，主要社区公共服务设施集中分布，造成了该轨交站区节假日个体行为的聚集.东丽开发区聚集了美凯龙、宜家等一批家俱卖场，显然也会带动节假日的个体行为聚集.新立轨交站区表现为向文教空间的聚集和分散，工作日相对聚集而节假日相对分散.新立作为天津市郊区的新型城镇，功能相对单一，各类配套设施也不够完善，这就导致了工作日个体行为的聚集中心落后于文教设施，而节假日人群趋于流向中心城区或滨海新区等发展成熟的地区，导致了轨交站区个体行为分散.中山门轨交站区表现出向医疗设施空间的聚集和分散，节假日相对聚集，工作日相对分散.中山门与鞍山西道轨交站区在功能上较为类似，主要承载社区中心功能，因此两者在个体行为的时间聚集上均表现出了节假日聚集，工作日分散的状态.两者的主要区别是聚集中心的差异.中山门轨交站区聚集了天津市第三中心医院、天津市肝胆病医院等多家市级综合医院和专科医院，这些医疗设施的级别决定了他们的聚集能力要远强于社区商业服务设施，这也是中山门轨交站区个体行为向医疗设施空间聚集的根源.

3.2.2. 单中心游走模式

单中心游走模式指轨交站区个体行为空间分布在不同时刻表现为单中心聚集，但各时刻的聚集中心并不固定，形成了在轨交站区内游走的分布状态.洪湖里和翠阜新村两轨交站区为单中心游走模式的代表.洪湖里轨交站区个体行为聚集中心在整个站区空间内游走，该轨交站区作为社区中心站区，各类设施配套较为完善，整体发展也较为成熟.重大节假日时聚集中心在居住小区、医院、学校及商业间游走；工作日及周末，受教育设施布局影响，聚集中心主要在文教设施间游走.翠阜新村轨交站区个体行为聚集中心则主要在居住空间内南北向游走.重大节假日受休闲、购物、娱乐等活动影响，聚集中心主要在公共设施及配套比较完善的居住空间内部；工作日聚集中心主要分布于功能相对单一、配套相对较弱的北部居住空间；周末休息日聚集中心则南移至社区服务设施完善的南部居住空间.

3.2.3. 多中心均衡模式

多中心模式指轨交站区个体行为空间分布形成多个聚集中心，各中心间关系相对均衡稳定，且均表现出显著的聚集-分散过程.大学城轨交站区个体行为时空聚集表现出显著的多中心均衡特征，主要聚集中心包括天津工业大学聚集中心、天津师范大学-天津理工大学聚集中心及海泰基地聚集中心.大学城轨交站区为天津市郊区以文化教育功能为主、科研办公为辅的轨交站区，仍然处于发展建设过程中，居住、商业等生活配套设施相对缺乏导致了轨交站区个体类型较为单一，主要为在校师生及科研人员.其个体行为的时间特征在日均聚集上基本趋同，在日间聚集上存在细微差异.在日均特征上，均为工作日较为活跃，节假日较为冷清；空间特征上表现为3个中心个体行为时空聚集为工作日聚集，节假日分散.在日间特征上，教职工及科研人员工作日的工作时段较为活跃，学生群体工作日及节假日的晚间时段最为活跃；空间上表现为天津工业大学聚集中心和天津师范大学-天津理工大学聚集中心18：00-24：00时段聚集程度最高，海泰基地聚集中心则为9：00-17：00工作时段聚集程度最高.

4. 结语

大数据被越来越多地应用于城市空间研究的宏观背景下，本文采用新浪微博签到数据这一典型的位置数据，进行了天津市典型轨交站区个体行为的时空发展研究.首先，使用分类统计方法研究了轨交站区个体行为的时间变化特征.指出轨交站区个体行为存在休闲导向的日均特征、持续增长的日间特征、女性主导的性别特征和时空分异的地源特征.其次，使用核密度分析方法归纳轨交站区个体行为的空间发展模式.指出轨交站区个体行为表现为中心聚集的时空发展态势，依据聚集中心的时空差异将其划分为轨交站点聚集模式和非轨交站点聚集模式两类，进一步将非轨交站点聚集模式细分为单中心聚集、单中心游走和多中心均衡3个小类.本文作为利用大数据中的位置数据进行轨交站区个体行为研究的一次尝试，虽然在数据挖掘与清洗方面存在不足，但是提供了轨交站区个体行为研究的一种方法，为基于大数据的轨交站区空间研究积累了经验.

Figure (3) Reference (13)

Name
	Name cannot be empty!
E-mail
	Mailbox cannot be empty! Mailbox cannot be empty!
Telephone
	Mobile number cannot be empty! Please enter a valid mobile number!
Title

Content
Verification Code

[1]	吴韬, 张梦莹.基于GIS的轨道交通沿线土地发展演变研究[J].都市快轨交通, 2019, 32(3): 39-45. Google Scholar
[2]	王亚洁.国外城市轨道交通与站域土地利用互动研究进展[J].国际城市规划, 2018, 33(1): 111-118. Google Scholar
[3]	彭艳丽.武汉市轨道交通土地利用存在的问题及对策研究[J].城市轨道交通研究, 2016, 19(11): 11-14. Google Scholar
[4]	单卓然, 黄亚平.轨道交通站点地区土地利用谬误及规划响应策略[J].经济地理, 2013, 33(12): 154-160. Google Scholar
[5]	龙瀛, 刘伦伦.新数据环境下定量城市研究的四个变革[J].国际城市规划, 2017, 32(1): 64-73. Google Scholar
[6]	KRINGS G, CALABRESE F, RATTI C, et al. Urban Gravity: a Model for Inter-city Telecommunication Flows [J]. Journal of Statistical Mechanics: Theory and Experiment, 2009(7): 1-8. Google Scholar
[7]	BERKIN M, MALLESON N. Microscopic Simulation of Complex Metropolitan Dynamics [C]. Amsterdam: Complex City Workshop, 2011. Google Scholar
[8]	甄峰, 王波, 陈映雪.基于网络社会空间的中国城市网络特征——以新浪微博为例[J].地理学报, 2012, 67(8): 1031-1043. Google Scholar
[9]	王波, 甄峰, 张浩.基于签到数据的城市活动时空间动态变化及区划研究[J].地理科学, 2015, 35(2): 151-160. Google Scholar
[10]	张子昂, 黄震方, 靳诚, 等.基于微博签到数据的景区旅游活动时空行为特征研究——以南京钟山风景名胜区为例[J].地理与地理信息科学, 2015, 31(4): 121-126. Google Scholar
[11]	张腾.基于微博签到数据的主题公园游客时空行为研究[D].上海: 上海师范大学, 2017. Google Scholar
[12]	徐战亚, 熊艳, 高仁刚.微博签到数据的时空热点挖掘——以北京为例[J].测绘工程, 2018, 27(5): 10-16. Google Scholar
[13]	褚冬竹, 魏书祥.轨道交通站点影响域的界定与应用——兼议城市设计发展及其空间基础[J].建筑学报, 2017(2): 16-21. Google Scholar

Message Board

Spatiotemporal Aggregation of Individual Behaviors in Urban Rail Transit Station Zone Based on Sign-in Data——A Case Study of Tianjin

Abstract

References

Access History

通讯作者: 陈斌, bchen63@163.com

Article Metrics

Access History

Other Articles By Authors