1、引言

随着中国城市化进程进入新阶段，城市问题日益凸显，城市治理的难度加大，供给和需求产生空间错位，迫切需要更精准且与时俱进的规划措施对城市进行更人性化的管理[1]，城市活力正是其中必不可少的一环。

为什么有的城市能够持续繁荣，有的却逐渐衰落乃至消亡[2]？对此，国内外地理学和城市规划学者纷纷提出见解。Jacobs在《美国大城市的死与生》[3]一书中，将城市活力定义为孕育促进丰富多彩的行人活动与城市街区、街头活动之间联系的自我再生种子。Montgomery[4]认为成功的城市场所必须将物理空间、感官体验和活动三者紧密结合。蒋涤非在《城市形态活力论》[5]中提出，城市活力是提供市民人性化生存的能力，人的聚集、生活使城市具有了生命体特征，是城市活力产生的内在驱动力。学界对城市活力的概念理解至今没有统一，对城市活力的理解决定着城市规划和管理的策略与方向。

城市活力的定量测度需要合适的数据，以往学者用单一变量或者综合指标来衡量。单一指标[6]如视频数据[7]、遥感数据[8]、微信宜出行数据[9]，手机数据[10]、社交媒体数据[11]、智能公交卡数据[12]、Wifi数据[13]、街景影像[14]等为城市活力研究提供了丰富的实时动态数据。综合指标在宏观层面上用城市统计数据、访谈和问卷作为其数据源[15-16]，但这些数据存在时效性不足、样本数量较少和费时费力等问题难以应用到细粒度视角上；在中微观层面上，则是从不同维度出发，使用了一些基于雅各布斯解释框架且被广泛接受的指标，集中度、多样性、宜居性、可达性、建筑年代和边界真空[17-19]。不同学者从城市形态和设计[20]、土地利用[21]、人口密度和流动性[22]、交叉口密度和交通通达性[23]等方面研究城市活力。一些研究也从路灯、人口流入和社会基础设施、天气因素等探究其对城市活力的影响[24-25]。城市活力研究多集中在众多指标与其影响程度的探究上，对于活力本身的形成机制和综合评价[26-27]在宏观层面的定量研究缺乏共识，更细粒度的指标也不全面。因此，对所选指标进行针对性的效度分析，对于把握活力本身是必要的。

在城市活力评价方法方面，城市活力与其影响因素之间的相关关系采用多种回归模型进行计算，如普通最小二乘回归和地理加权回归[28]。计算城市综合活力的常用方法中，因子分析法[29]、熵权法[30]、TOPSIS[31]方法等比较常用。但这些综合评价方法中，存在主观性强、维度较少和难以处理高维非线性数据等问题。投影寻踪模型能够处理复杂的非线性关系[32]，但在自动化处理和全局搜索最优解方面还有待探索。

综上所述，国内外关于城市活力已经形成了系统性的研究体系，为本文研究的深入提供了参考依据。但也存在有待继续探讨的方面，城市活力概念理解各有千秋，虽成体系，但未统一，评价指标体系根据不同区域的差异有不同的针对性，影响因素指标繁多，无法形成普遍的指导标准，对综合活力评价方法的关注也不够深入，难以对不同城市不同区域提供精细化管理的指导意见。基于此，本文从活力产生的角度理解城市活力概念，认为城市活力是多样化的人口通过多重网络在丰富的物质空间安排多样化的活动的过程。城市活力是在3个过程中的交叉点上产生的：经济、社会和文化活动[33]，深化和扩大社交网络[34]，独特的物理品质的建设[19]。以南京市为例，结合多源地理大数据，克服了单一数据源存在的偏差和不完整性，从人群活动、网络互动和建成环境3个维度考察城市活力，构建全新的城市活力评估框架，结合基于实数编码的加速遗传算法优化的投影寻踪模型（RAGA-PPM），通过使用单个投影来衡量每个指标的重要性，并与熵权法（EWM）进行差异对比，使得评价结果更加客观、准确。

2、研究方法

本文基于多元地理数据从人群活动、网络互动和建成环境3个维度对城市活力进行表征与评价，技术路线如图1所示。

根据道路网数据，划分南京市街区作为本文的研究单元。利用百度热力人口数据、餐饮评论数据和创新源数据构建人群活动层面的活力；利用百度路网、微博签到密度构建网络互动层面的活力；运用南京市建筑数据、POI数据构建建成环境层面的活力，构建一个细致且深入刻画城市活力的评估框架。

图1 基于RAGA-PPM模型的城市活力评价方法研究框架

根据以上得到的9个方面的街区指标值，运用基于实数编码的加速遗传算法优化的投影寻踪模型（RAGA-PPM）和熵权法（EWM）分别对数据进行降维，寻找能最优表现9维数据特征的投影方向值，该投影方向值就是代表每个指标的权重值。

根据投影方向值，计算南京市街区单元的人群活动、网络互动和建成环境3个层面的单维活力值以及综合活力值。最后根据得到的结果，识别活力中心，分析南京市活力分布特征以及进行RAGA-PPM和EWM 2种方法得到的活力结果进行差异对比。

2.1城市街区综合活力量化指标

衡量城市活力的指标分别从人群活动、网络互动和建成环境3个方面展开。

2.1.1人群活动量化指标

衡量一个城市的活力优劣往往都跟人群活动相关，由人群聚集所发展的群体活动在很大程度上代表了该地的活力水平。本文在这个层面选用了3个指标，涵盖了城市中的人口活动、商业活跃度以及创新能力。

(1）人口活动

城市中区域的人流量直接决定了该地区的繁荣程度，人群分布情况和移动模式是城市活力的关键驱动力[35]。百度热力人口数据通过提供详细的人口密度和活动情况，显示高人流聚集区域和人群实时移动情况，能够帮助城市管理者和决策者实时了解城市动态，制定合理的规划和政策。本文选用百度热力人口数据作为人群移动的表征。

(2）商业活跃度

商业活跃度指标是城市综合活力的重要组成部分，反映了城市区域的经济发展水平[36]。商业活动作为人们消费的重要场所，商业活跃度高的城市通常会建设现代化的商业设施和基础设施，提升了城市的服务水平，同时为城市中的人们创造就业机会。不仅推动了城市经济的发展，也提升了居民的生活品质和城市的整体竞争力。餐饮业是日常高频消费行业，可以反映消费者的活动频率，其店铺数量和分布情况可以反映区域内的商业繁荣程度。因此，本文选用大众点评网采集的餐饮评论数据作为计算商业活跃度的基本数据。

(3）创新能力

创新能力是提升城市活力的重要引擎，创新促进新兴产业发展，为城市带来新的就业机会和经济增长点，吸引高素质人才，增强市场竞争力[37]。同时推动了科技的广泛应用和创意产业的发展，丰富了居民的城市生活。本文选取南京市创新源数据进行指标计算。

2.1.2网络互动量化指标

(1）道路网络可达性（物与物）

高可达性的网络意味着城市中的道路连通性更高，居民可以更容易的到达不同的城市区域[11]，更加方便快捷地访问医疗、教育、文化等公共服务设施，同时优化土地利用、减少交通拥堵和污染，有助于促进社会互动、带动城市经济的增长、增强城市的宜居性和活力。通过分析道路网络数据可达性，可以了解城市物理连接情况、交通可达性和不同区域之间的互动水平。本文计算南京市的道路整合度作为可达性指标。

(2）街区单元到市中心距离（物与人）

在规模不同的城市中，市中心对周边区域的辐射带动作用也不同。例如，在大城市中，市中心通常是经济和文化活动的中心，距离市中心近的街区单元能够更好的享受这些资源；而在中小城市中，市中心资源相对分散，辐射作用较小。其能够综合反映街区与市中心的连接程度、资源和服务可达性以及较高的经济活动密度和人与物的互动频率。

(3）微博签到密度（人与人）

微博签到数据是通过我国最大的主流社交媒体——微博获取，通过分析社交媒体签到数据，可以进行用户行为和趋势分析[29]，发现人们在哪些公共设施和服务上的需求高峰和分布情况，了解居民和游客的活动模式、偏好等，对于用户画像、城市运营以及商业决策具有主要的支持作用。

2.1.3物理环境建设量化指标

(1）土地利用多样性

土地利用多样性促进了满足了居民多样化的生活需求，包括居住、工作、娱乐和教育等，提升了居民的生活质量和幸福感[38]。例如，北京的土地利用多样性体现在其丰富的历史文化资源、现代商业区和高科技产业区等的有效结合上。不同功能区的有机结合促进了城市的经济、社会和文化活力。根据南京市土地利用的实际情况，将土地利用分为工业用地、公共服务用地、交通设施用地、居住用地、科教文化用地、绿地广场用地和商业用地七大类。该指标利用POI数据由香农熵公式进行计算。

(2）建筑容积率

建筑密度意味着城市开发的密集程度，建筑容积率的合理设置可以控制城市的建筑密度[39]，使得城市内部空间更加紧凑和高效，促进城市可持续发展，有利于形成经济、文化和社会活动的集聚效应，优化城市空间利用效率、支持经济发展和社会功能。该指标由获取的建筑足迹数据进行计算。

(3）街区路段功能密度

研究单元尺度的划分直接影响到研究区域内具体数值的变化[40]，考虑到街道两边与街道内部活力的差异性，将街道两边的活力单独计算，根据南京市街区道路网以及POI分布，用道路中心线做缓冲区，计算街区路段功能密度。

2.1.4评价指标及其计算

综上，城市综合活力评价体系由人群活动、网络互动和建成环境3个方面构成，分别选取人口活动、商业活跃度、创新能力、道路网络可达性、街区单元到市中心的距离、微博签到密度、土地利用多样性、建筑容积率和街区路段功能密度9个评价指标，各指标具体计算方式如表1所示。

2.2基于实数编码遗传算法的投影寻踪模型计算

2.2.1投影寻踪模型（PPM)

在城市活力评价中，传统的方法往往依赖专家评分和多指标综合评价法。现有的综合评价方法如因子分析法、熵权法和TOPSIS方法，虽然取得了一些成果，但这些方法存在主观性强、维度较少和难以处理高维非线性数据等问题。城市活力涉及多个维度数据，本文用于计算城市综合活力，如人群密度、商业活动、道路网络可达性和土地利用多样性等9个计算指标，往往都是高维且非线性的。投影寻踪模型（PPM）可以在高维数据中找到最佳投影方向，使数据的结构和特征得以清晰地展现。

投影寻踪方法的基本思路是：把高维数据通过某种组合投影到低维子空间，用低维空间中投影散点的分布结构揭示高维数据的结构性特征，或根据该投影值与研究系统的输出值之间的散点图构造数学模型以预测系统的输出[26]。建模过程包括以下5个步骤。

(1）由于投影指标的数据来源投数值类型和量纲不同，为消除量纲、统一指标的变化范围，采用下式进行标准化处理。

对于定义的正指标：

表1 评价指标描述与计算

对于定义的负指标，

式中：x*(i,j)为第i个样本第j个指标值，分别为样本个数（样本容量）和指标的数目；xmax(j)、xmin(j)分别为第i个样本中第j个评价指标的最小值和最大值。

(2）构造投影指标函数Z(i)

把x(i,j)投影到投影方向a上，设a=(a(1),a (2),…,a (j),a为单位长度向量，投影值z(i)为：

式中：z(i)为第i个样本的投影向量；xij为第j个指标中的第i个值；aj为投影向量z(i)的投影方向。

(3）构造投影目标函数Q(a)

为了在多维指标中找到数据的结构组合特征，在综合投影时，要求投影值z(i)尽可能多地提取x(i,j)中的变异信息，即z(i)的标准差Sz尽可能大，同时投影值z(i)的局部密度Dz达到最大，基于此，投影目标函数可构造为：

式中：Sz是Z的标准差；Dz是Z的局部密度；Z*为Z (i)(i=1～n)的均值；R为求局部密度的窗口半径，它与投影点的搜索半径有关；rij指z(i)和z(j)的区别；u(R-rij)为单位阶跃函数，当R-rij≥0时其函数值为1，当R-rij<0时其函数值为0。

(4）优化投影目标函数确定最佳投影方向不同的投影方向反映不同的数据结构特征，最佳投影方向就是最大的可能暴露高维数据某类特征结构的投影方向。可通过求解投影指标函数最大化来估计最佳投影方向。最大化目标函数：

约束条件：

(5）评价

把最佳投影方向a代入（9）式得各样本的投影值z(i)，据此可对评价样本集进行统一评价。

由于式（13）、式（14）是一个复杂非线性优化问题，且涉及到参数设置问题，用常规优化方法处理较困难。故引入模拟生物优胜劣汰规则与群体内部染色体信息交换机制的遗传算法（GA）这一通用的全局优化方法，用它来解决高维全局寻优问题。

2.2.2基于实数编码的加速遗传算法（RAGA)

本文选择采用一种改进的遗传算法——基于实数编码的加速遗传算法（Real-coded Accelerating Ge‐netic Algorithm,RAGA）来解决投影寻踪模型求解的难题，该方法使得算法的寻优性能大大增强[41-44]。RAGA是一种模拟生物在自然环境中的遗传和进化过程而形成的自适应全局优化的优化算法，结合了遗传算法的全局搜索能力和实数编码的连续优化优势[32]。基于实数编码的加速遗传算法的选择、交叉、变异是并行处理的，因此RAGA实际搜索范围广，得到全局最优点的机会也大。RAGA的循环可逐步调整、缩小优化变量的寻优区间，解的精度随着循环次数的增加可望逐步提高[42]。

2.2.3基于实数编码的加速遗传算法优化的投影寻踪模型（RAGA-PPM)

投影寻踪模型能够处理复杂的非线性关系，RAGA进一步优化了这一过程，通过全局搜索和自适应调整，提高了处理高维非线性数据的能力。此外，针对传统研究方法难以进行全局优化和缺乏自动化的问题。RAGA通过遗传算法的自适应搜索能力，可以自动化地进行参数优化，减少人为干预，提高评价过程的效率和准确性。并能够跳出局部最优，通过强大的全局搜索能力找到更优的解，在复杂的多峰函数中表现出色。但该模型也存在一定的局限性，如计算复杂度高，对参数设置敏感等。通过对本文的9个指标因子数据进行计算优化，能更准确地反映城市活力的真实情况。该算法的基本过程如图2所示。

2.3熵权法(Entropy Weight Method)

因子分析法、熵权法和TOPSIS方法是常用的多指标综合评价方法，这些方法涉及主客观赋权，都在一定程度上为学者们对研究对象进行评价和决策做出了贡献。其中，由于熵权法（EWM）是一种常用的客观赋权方法，能够有效的衡量各指标的重要性，因此本文选用熵权法（EWM）作为代表与RAGA-PPM进行差异分析。熵权法主要用到信息论知识，信息熵是信息论里面一个非常重要的概念，主要用来度量信息的不确定性[45]。如果某个信息源(指标)的不确定性越大，其提供的信息越多，该指标起的作用越大，应该给予其更高的权重，反之，权重更小。本文对9个指标进行标准化后，进行如下步骤：

图2 RAGA-PPM模型解算流程

(1）计算第j个指标各分量的占比。

式中：xij是该指标的第i个分量的值；是该指标的列求和。

(2）计算第j个指标的信息熵值，计算公式如下：

(3）计算第j个指标的权重，计算公式如下：

式中：1≤j≤k,k是指标数；1≤i≤n,n为样本数。

3、研究区概况与数据来源

3.1研究区概况

南京市是江苏省省会、副省级市、南京都市圈核心城市。依照《南京城市总体规划（2021—2035)》[46]草案公示稿，南京市中心城区由江南主城和江北新主城构成，总面积为804 km2，规划建设高能级的中心城区，提升城市首位度。其中涉及了玄武区、秦淮区、鼓楼区、江宁区、雨花台区、栖霞区、建邺区、浦口区和六合区这9个行政区的全部或部分范围。规划范围为802 km2，其中城镇建设用地为630 km2，规划城镇人口规模为785万人。作为中国历史悠久的文化名城之一，南京市不仅拥有丰富的历史文化资源，还具备了现代化城市的产业结构和发展优势，人口多样化程度高，同时是中国著名的教育科研中心。因此将南京市作为研究区域有利于洞察活力的变化趋势和分布特点。根据规划草案绘制了南京中心城区的行政区范围，大致范围如图3所示。

本文选取南京市中心城区作为研究区域，根据《城市道路工程设计规范》[47]并结合南京市实际情况，对路网数据进行拓扑处理，以道路划分街区，最后识别了南京市中心城区内1 501个街区作为城市活力评价空间单元。

图3 研究区行政区划及街区单元划分

3.2数据来源

本研究所使用的数据主要包括基础地理数据和网络开源数据，具体如表2所示。

3.2.1基础地理数据

基础地理数据包括南京市中心城区行政区划数据、路网数据、水系数据、建筑数据，都来自天地图。

3.2.2网络开源数据

(1）百度热力人口数据

百度热力人口数据是基于百度地图慧眼人口地理大数据平台获取的，其位置信息几乎涵盖了日常生活的方方面面，与“签到”或人口普查数据相比，这种热图数据集几乎是无偏见的[32]，可以提供几乎实时的人口数据，能很好地展示城市人口流动的方向和空间聚集状态。该平台开放一定空间范围内的部分功能，提供线上数据分析和可视化服务，包括区域人口、职住、客流、设施、品牌、OD、热力图等统计和动态可视化信息。百度地图慧眼人口位置数据是主要来源于对调用百度地图定位SDK终端定位数据。已有研究证明，基于周一—周五（工作日）以及周六和周日（周末）的百度热图数据，人群移动符合相似的分布和进化规律[48]。本文通过百度地图慧眼城市人口数据平台中对热力图的统计信息，获取了2023年5月15日（周一）和5月20日（周六）的各24个时刻的数据作为基本数据。

表2 数据来源及获取时间

(2)POI数据

POI数据作为一种代表地理实体的点数据，包括名称、类型、地点等属性信息，主要用于密度计算和功能区多样性计算。根据《城市用地分类与规划建设用地标准》[49]以及南京市的实际情况，将POI分为7大类，分别为居住用地、商业用地、工业用地、公共服务用地、科教文化用地、绿地广场用地和交通设施用地。

(3）大众点评美食店铺数据

大众点评作为集用户点评、商家信息、消费优惠等功能为一体的平台，汇集了海量的用户点评数据和商家信息，成为人们选择消费场所和了解商家口碑的主要参考来源。本文将大众点评网美食商家口碑评论数据作为城市活力中经济维度的评价指标，获取了南京市中心城区餐饮店铺数据共计6.4万家。

(4）微博签到数据

微博签到功能使得用户可以实时记录自己的行踪轨迹，展示自己的生活状态和活动经历。用户可以通过签到的方式表达对某个地点或活动的喜爱、支持或评论，同时也可以通过浏览他人的签到信息了解他们的活动轨迹和所在位置。通过分析微博签到数据，可以了解城市中不同地点的人流量分布、热度指数和活动密度，揭示城市的人口流动规律和社会活动热点。本文从新浪微博上获取的2023年5月的南京市的微博签到数据，共计141 235条。

(5）创新源数据

在当前经济全球化和科技竞争的背景下，加强创新技术的积累和整合，不仅能够提升国家的科技创新能力和产业竞争力，也能够促进社会经济的持续发展和可持续性进步。本文从南京市科学技术局和江苏省科学技术厅等政府官方网站下载科技创新相关的原始文件，并将相应的名称地址转换为POI，使其匹配到地理空间，用于计算创新指标。针对其进行知识型和应用型分类，具体如表3。

不同类型的创新源的创新能力是不同的，评价创新能力最常用的指标为专利数，可以认为专利数越多，代表创新主体的能力越强。根据国家知识产权局的统计年报数据，2020—2022年南京五类专利人专利受理情况及所占比如表4所示。

根据各专利占比情况，将高校和科研单位视为一个整体代表知识型，企业代表应用型，得到知识型和应用型创新源在创新能力贡献中的占比和权重指标，如表5。

表3 创新源分类

表4 2020—2022年南京市五类专利人专利受理情况

表5 两类创新源权重

4、结果及分析

基于实数编码的加速遗传算法优化的投影寻踪模型（RAGA-PPM）得到的南京市街区综合活力计算结果，将9个指标作为基本数据库，经多次实验，选定当α=0.01时，得到最佳投影方向a=(0.387、0.234、0.343、0.361、0.267、0.288、0.488、0.345、0.189）。各分量的值代表了相应指标总体评价目标的贡献大小，各分量所代表的指标顺序依次为：人口移动、创新能力、商业活跃度、街区单元到市中心距离、微博签到密度、道路网络可达性、土地利用多样性、建筑容积率、街区路段功能密度，可以看出投影方向系数最大的是土地利用多样性和人口移动。这2个因素对综合活力值的贡献最大，由此推出这2个因素对城市街区整体活力影响最大。对结果进行可视化，使用自然断点分级法将活力分为五级，按活力值从高到低依次为高活力区、较高活力区、中等活力区、较低活力区和低活力区。

4.1单维活力空间分布分析

图4为各层面的单维活力，即人群活动、网络互动和建成环境。3个单维结果的空间分布特征都呈现出单中心结构，但也存在差异，人群活动和网络互动高值中心聚集范围较小，建成环境中心聚集范围较大。由此可见，中心城区对城市活力的贡献至关重要。

4.1.1人群活动方面

人群活动活力以新街口为高活力区为中心，次级活力区主要由湖南路商业街、夫子庙、集庆门大街、龙江站、玄武门风景区等地组成。中等活力区如南京南站、雨花台、弘阳广场、奥体中心、万达商圈、百家湖商圈、龙眠大道站、仙林大学城、南京工业大学、星火路站等地铁出入口附近形成了小活力团，总体呈现出中心高值向外围逐级递减的现象。高活力值聚集区域如新街口商业圈、夫子庙景区、湖南路商业街等地拥有大量的商业和服务设施、丰厚的历史文化底蕴的夫子庙、老门东、南京博物院等旅游景点和高质量的公共空间如公园、广场，吸引大量居民和游客前来购物、观光和娱乐，形成高密度的人群活动。除去以新街口为城市中心区域的市中心，中等活力区也以商圈为主，基础设施和商业设施完善。低活力区域主要以工业区、办公区和住宅区为主的安静社区，这些区域人群活动相对较少。总体来说，人群活动的活力值相对较高的聚集区域范围较小，围绕这些商圈、地铁站和旅游景点分布，其他区域的人群活动轨迹比较固定使得活力普遍偏低。

4.1.2网络互动方面

网络互动活力主要是由交通网络和社交互动组成，不同于人群活动活力，网络互动活力体现了整个城市的通达性，不仅是人与人的互动，还包括人与物、物与物的互动。网络互动活力不同等级活力值空间分布总体上比人群活动和建成环境活力更规律，且分布更为均匀，并在新街口和南京南站2个区域呈高值聚集，江南主城次级活力中心为由新街口为中心向外发散，在江北新区以弘阳广场和天润城站为核心向四周递减。这是由于南京市整个中心城区的道路网络是呈放射状和环状结合分布的特点，高速路和城市主干道围绕新街口和江北新区中心与外围连接。新街口商圈和南京南站是承担着南京市人群活动内外循环流动的主要枢纽，该区域交通线路密布，出行方便，且地铁口周边基础设施完善，人口活动量大，其线上线下网络可达性是最好的，不管是人们出行还是随处打卡地点都是最多的。

4.1.3建成环境方面

建成环境活力中基础设施建设依旧是以新街口商圈为中心是最大的活力团，相比于人群活动和网络活动维度，建成环境的不同等级活力区空间分布的相对分散，高值区聚集特征与上述2个层面都比较相似，商业和服务设施的密集度同样也影响着建成环境的发展。但其较高活力区占大部分街区，这是由于这些街区单元的土地利用多样性较高，导致其功能价值相对较高。南京市中心城区各地经过大规模的城市开发和更新，建筑现代化程度高，基础设施完善。而部分城市边缘地区的老旧城区和农田等地，由于历史和现实原因，建筑老化或未开发，基础设施薄弱，建成环境水平较低，导致活力相对较低。

图4 3个单维方面活力图

4.1.4各维度之间的联系

从图4可以看出，人群活动活力分布总体上以低值区分布为主，网络互动活力分布呈较规律的环状分布，建成环境活力分布几乎以高值区为主。三者看似独立却也息息相关，人群活力分布与建成环境活力分布呈现此状况，表明南京市中心城区大部分区域的基础设施良好，但缺乏吸引人流的活动和场所，很多区域主要用于居住、行政或工业，日常活动和夜间经济相对不活跃。高活力区周边也存在低活力区域，这是由于这些区域作为高活力区的缓冲带或外围区域的功能分区差异，减少了过度集中带来的资源过载和环境压力等问题，帮助平衡整个城市的功能和资源分配。网络互动的环状分布则反映出交通和信息交流的重要节点，3个维度的活力在一定程度上相互协同和补充。虽然人群活动活力偏低，但网络互动和建成环境活力较高，为人群活动提供了基础条件。

南京市中心城区各个维度的活力整体发展各不相同，由于3个单维层面活力考察的指标差异，揭示了南京市中心城区活力空间分布的复杂性与多层次性。城市活力不仅是人群活动的直接反映，更是网络互动、建成环境与交通基础设施协同作用的结果，这一结论强调了活力评估的多维度整合与互动性。同时，活力低值区未必都代表城市规划的不足，而是符合区域发展逻辑，是城市功能合理分布的重要组成部分。这种系统性视角为城市设计者提供了更加全面的活力模式分析框架。

4.2综合活力空间分析

图5展示了基于RAGA-PPM算法得到的南京市中心城区的综合活力评价结果。根据综合活力可视化结果图，本文分别在各区县选取具有代表性的典型区域，结合Mapbox在线地图，详细分析综合活力结果。

图5 南京市综合活力及具体活力中心图

南京市中心城区综合活力分布特征与呈现出与单维结果类似的单中心结构。综合活力值是从中心向郊区递减。这种结构反映了城市发展中心化的现象，核心区凭借其集中的商业活动、便利的交通设施和良好的物理环境成为活力最强的区域。高活力区及较高活力区分布在以新街口商圈为中心的城市核心区，较低活力区和低活力区分布在城市边缘地区。低活力区域如浦口、六合区，多工业用地、农田，建筑密度较低，路网稀疏，这些区域还处于开发中的阶段，属于未来潜在的活力区。除城市中心人类活动频繁的商业区外，更多的是活力相对较低的居住区，居住区之间互相阻隔，并不需要像商业区那样具备高水平的人群流动或商业活动，而要求相对安静的生活环境，此时的低活力反映了对优质生活环境的需求。相比于以往研究，本文识别出了更多的潜在活力中心，由玄武区、鼓楼区、建邺区、秦淮区组成的老城区承担了活力主力，是整个南京市的活力中心。作为南京最大的人群集散地，该地商圈集聚、交通线路交错、基础设施完善、建筑密度较大，消费需求旺盛，具备良好的经济和环境条件。各个区有明显的活力中心，如秦淮区的新街口商圈（1）、夫子庙风景区（3）和麒麟科技创新园（11）、鼓楼区的湖南路商业街（4）、龙江站（5）和玄武门风景区、建邺区的集庆门大街（6）和奥体中心（7）、雨花台区的南京南站（2）、江宁区的百家湖（8）、万达商圈（9）、栖霞区的仙林金鹰商圈（12）、浦口区的弘阳广场（15）、南京大学浦口校区和星火路附近（16）等。相对来说，秦淮区、鼓楼区、玄武区和雨花台区综合活力相对集聚，建邺区、浦口区综合活力比较分散，六合区、栖霞区和江宁区的综合活力较低。可以看出综合活力较高及以上的街区主要集中在商业中心、步行街、产业园、大学附近和交通枢纽处，由于这些地区人群交往频繁，靠近公交地铁站点，城市功能服务数量多、消费场所集中、交通可达性好，因此成了城市活力培育的主要动力源。

4.3 RAGA-PPM和EWM活力空间差异分析

图6展示了基于RAGA-PPM和EWM算法得到的南京市中心城区的综合活力等级差异图。如图6所示，南京市中心城区大部分区域等级结果都是一致的，但也存在划分不一致的情况。主要表现为中心区域相对一致，城市南北部存在一些等级判定的不一致，且这些差异主要表现为RAGA-PPM识别的区域普遍比EWM识别的区域高一个等级，少量存在低一个等级的情况。就此现象，作者从图中主要的3个等级中各挑了3个区域进行分析，分别是RAGA-PPM识别的区域等级比EWM高两个等级的仙林金鹰商圈，高一个等级的迈皋桥站和低一个等级的毛纺厂站。可以看出：(1)仙林金鹰商圈是南京仙林大学城人流量比较集中的区域，该区域主要是商场、商铺等，人流聚集比较集中且频繁；(2)迈皋桥站区域主要是有地铁站、比较密集的商业设施和江苏省中西医结合医院分布，基础设施完善，人群活动也比较密集；(3)毛纺厂站区域有地铁站、小区和商场分布，但该区域是以居住区为主。这3个区域都属于地铁站和商圈周围，RAGA-PPM将仙林金鹰和迈皋桥站识别为较高活力区，比较符合实际，将毛纺厂路区域识别为中等活力区域是由于尽管该地有商场分布，但以小区为主，旁边的弘阳广场是浦口区主要的人流聚集地，分散了该地的人流量。因此RAGA-PPM识别的比EWM更加精确，能兼顾到较小的区域，识别到了更多的活力区，客观的根据数据特征进行权重分配，使得活力结果更符合实际。

南京市中心城区的活力格局呈现出传统的单中心递减特征，通过精准识别出新兴潜在活力区展示了未来发展的空间与方向。城市活力的核心驱动因素包括人类活动、交通枢纽以及基础设施的密集分布，而低活力区域在满足居住、办公、环境改善和生活需求的同时，具有广阔的发展前景。虽然南京市中心城区整体活力发展并不平衡，但目前不同区域的发展节奏各异，需要整合政策倾斜、区域协同、科教创新、发展规划等各方资源的交互，形成一个高度集成的创新驱动型活力枢纽。随着科技园区、大学和新兴商圈的崛起，越来越多的潜在活力中心开始出现，这些新兴区域有望为南京成为未来的更高效能城市注入新的动力。此城市结构将进一步促进社会包容与经济复原力，为全市乃至区域经济的长远发展奠定更广泛的基础。研究结果揭示了城市活力的多维驱动机制，为城市设计者提供了优化空间布局、均衡资源分配和强化功能协同的理论依据，推动城市的可持续发展与长远规划。

图6 RAGA-PPM与EWM活力等级差异图

5、结论与建议

本文提出了一种融合人群活动、网络互动和建成环境的城市活力评价新框架，引入基于RAGA-PPM方法对南京市综合活力进行定量评价，区别于传统方法赋权带来的主客观偏差，根据数据本身的结构特征来搜索判断各指标对综合活力的贡献大小，从而更加客观、准确的识别活力结果。研究结果表明：

(1）南京市人群活动、网络互动和建成环境3个层面的城市活力空间分布存在一定的差异，但有一个共同的特征，即都呈现出中心高值，城市活力值向外围逐渐递减的现象。人群活动活力围绕着商圈和地铁站分布，中心有一个高值，各区都有次级活力团分布；网络互动活力以新街口商圈和南京南站为核心，城市活力值呈环状逐级递减；建成环境活力空间分布总体上活力高值和较高值占据大部分区域，活力等级分布相对分散，但高值区也聚集在新街口区域。

(2）南京市综合活力空间分布特征与单维层面的分布特征相似，即以新街口商圈为核心形成最大的活力中心，城市活力由中心往郊区递减，较低和低活力区分布在城市边缘。相比于以往研究，本文结合的方法RAGA-PPM能够更加精准地识别城市活力区域，且识别出了更多的潜在活力中心。各个区都有活力中心，其中由玄武区、鼓楼区、建邺区、秦淮区组成的老城区承担了活力主力，是整个南京市的活力中心。玄武区和秦淮区活力最高，六合区和雨花台区活力最低。南京市中心城区的城市活力空间分布受到各种因素的影响，空间分布存在异质性。

(3）对南京市中心城区不同维度活力和综合活力空间分布的异同进行探讨有助于完善城市综合活力评价体系，为城市的进一步治理提出针对性举措。首先，南京市资源过度集中在市中心，使得其他地区的发展远远落后于市中心，形成低活力，因此要多重视多中心结构的培育和发展，避免资源过度集中在单一中心，通过明确各区域的发展方向，找到区域发展特色路径，结合公共服务设施、商业网点和文化娱乐设施的布局优化，促进各区活力中心的发展，从而实现均衡城市活力的分布。其次，较低和低活力区域主要分布在城市边缘，应该进一步强化交通枢纽的辐射作用，针对低活力区域制定专项发展政策，通过提高公共基础设施与交通服务质量和覆盖范围，促进外围区域与中心区域的连接，利用城市内外资源和人口的循环流动进一步引导产业发展、增加就业机会、改善居住条件等，逐步提升这些区域的活力水平。再者，老城区承担了南京市活力主力，在规划建设中应该保护和利用好丰厚的历史文化资源，保持老城区的历史风貌和文化特色。通过适当的更新和改造，提升老城区的宜居性和吸引力。最后，南京市中心城区的城市空间活力分布受到多种因素的影响，存在显著的异质性。应推动智慧城市建设、利用大数据、物联网等手段进行精细化管理，推动创新平台建设。通过实时检测和分析城市活力的动态变化，为城市规划和决策提供科学依据。根据不同区域的发展现状和潜力，制定精准的政策和措施，提升城市治理水平和效率。

本研究仍存在不足，建议今后在以下几个方面做更多的工作：研究涉及的时间序列较短，仅仅是取样单次时间段的综合值，不同时间段内的活力亦存在差异，后续研究可以获取更长时间段的数据研究一天内不同时段或者不同季节差异之间城市综合活力的活力变化；研究选取的影响因素有限，未来可以更加全面的考虑，扩大影响因素的选取范围，从而建立更为全面的指标体系，更加客观的评价城市综合活力分布；研究仅以南京市中心城区作为研究区域，研究结论不一定适用所有区域，未来可选取多个城市，进行横向对比，用不同的分析方法比较不同城市活力异同，为我国提升城市活力提供更多的参考依据。

参考文献:

[1]吴莞姝,党煜婷,赵凯.基于多维感知的城市活力空间特征研究[J].地球信息科学学报,2022,24(10):1867-1882.

[5]蒋涤非.城市形态活力论[M].南京:东南大学出版社,2007.

[9]唐璐,许捍卫,丁彦文.融合多源地理大数据的城市街区综合活力评价[J].地球信息科学学报,2022,24(8):1575-1588.

[32]汪明武,金菊良,李丽.基于实码加速遗传算法的投影寻踪方法在砂土液化势评价中的应用[J].岩石力学与工程学报,2004,23(4):631-634.

[36]张小东,韩昊英,舒贤帆.基于热力图数据的杭州商业综合体活力影响因素分析[J].地球信息科学学报,2019,21(11):1745-1754.

[38]梁立锋,曾文霞,宋悦祥,等.顾及人群集聚和情绪强度的城市综合活力评价及影响因素[J].地球信息科学学报,2022,24(10):1854-1866.

[39]张莹.城市街区活力测度及影响机制研究——以武汉市主城区为例[D].武汉:武汉大学,2019.

[40]龙瀛,周垠.街道活力的量化评价及影响因素分析——以成都为例[J].新建筑,2016(1):52-57.

[41]金菊良,杨晓华,丁晶.基于实数编码的加速遗传算法[J].四川大学学报(工程科学版),2000,32(4):20-24.

[42]黄勇辉,朱金福.基于加速遗传算法的投影寻踪聚类评价模型研究与应用[J].系统工程,2009,27(11):107-110.

[43]付强,付红,王立坤.基于加速遗传算法的投影寻踪模型在水质评价中的应用研究[J].地理科学,2003,23(2):236-239.

[44]封志明,郑海霞,刘宝勤.基于遗传投影寻踪模型的农业水资源利用效率综合评价[J].农业工程学报,2005,21(3):66-70.

[45]曹秋芳,蒋青香,郑玲玲,等.基于质量源于设计理念结合模糊层次分析法-熵权法优化羟丙甲基纤维素改善栀子水提物可压性研究[J].中草药,2024,55(16):5448-5458.

基金资助:国家自然科学基金项目(42471463)~~;

文章来源:余蕾,盛业华,刘星雨.基于RAGA-PPM模型的城市活力评价方法研究——以南京市中心城区为例[J].地球信息科学学报,2024,26(11):2567-2582.