魏迪 陸毅 汪原＊ 胡興

城市公共空間承擔著市民們的日?；顒?，為城市中不同層次社會關系提供交往與融合的平臺，容納豐富多元的城市生活，是城市品質(zhì)的重要體現(xiàn)[1]。

在現(xiàn)代城市發(fā)展新格局下，大量城市更新與再開發(fā)規(guī)劃設計已著眼于營造空間活力，且提升公共空間活力已成為建設人本城市的關鍵目標之一[2]。公共空間（如公園、廣場）為市民提供多種積極社會效益，如緩解壓力、促進身體活動與社會交往等[3]。因此，厘清高活力公共空間的形成原因與演變機制，有助于政策制定與設計決議以營造空間活力，進而建立良好的公共健康福祉。近年來，若干定性與定量研究已聚焦公共空間活力營造，公共空間及其周邊多類建成環(huán)境與社會因素，包括區(qū)位特征、可達性、公共空間特征，已被證實顯著影響空間活力[2]。

依托于城市基礎設施與信息通信技術，人類開始步入以信息為主導的社會階段，時空關系發(fā)生了新轉向。在移動式的地理媒介（geomedia）①及其信息網(wǎng)絡支持下，城市已被塑造為媒介內(nèi)容與網(wǎng)絡連接“無處不在、無時不在”的媒介空間，并使信息流（information flows）成為城市日常生活中的重要組成部分[4]。信息流指基于當代信息通信技術與基礎設施，通過地理媒介發(fā)布與閱覽的數(shù)字信息[4-5]。個體會在當代日常行為中留下多類信息流（如評論、照片、定位），反過來這些信息流也會對集體行為產(chǎn)生進一步的影響[6-7]。

然而，鮮有研究聚焦信息流對公共空間活力的影響。在移動互聯(lián)網(wǎng)時代，與日常生活緊密相伴的信息流，可能導致建構空間邊界的傳統(tǒng)結構（如建筑、街道、植被）對當代城市活力與社會交往的影響日漸式微，而由信息流帶來的去中心化、分散反復且跨越時間空間的傳播模式，將無形地重塑公共空間活力營造的整體過程[4,7]。

在此背景下，本研究嘗試將信息流視為顯著影響城市公共空間活力、但尚未被討論的重要因素，聚焦信息流對公共空間活力的影響，并討論一個重要的學科問題：在移動互聯(lián)網(wǎng)時代，信息流如何介入、影響，抑或重塑當代公共空間活力的形成機制？

1 研究進展

1.1 影響公共空間活力的既有因素：區(qū)位特征、可達性、公共空間特征

區(qū)位特征包括混合功能與密度、人口密度與社會經(jīng)濟地位[2,8-10]。區(qū)位中良好的功能混合（如土地利用熵）為市民提供多種功能服務，具有高活動潛力[2,11-12]；較高居住人口密度具有營造高活力空間的天然優(yōu)勢[12-13]；周邊適宜的高密度（如建筑密度、建筑高度、功能密度等）與高社會經(jīng)濟地位的區(qū)位具有更高的吸引力，可以促進公共空間活力營造[14]。

可達性一般采用交通基礎設施與拓撲空間結構測度：交通基礎設施通常由道路密度、公共交通站點密度、交通服務設施密度（如停車場等）量化[12]；拓撲空間結構通常由基于拓撲與圖論法的空間接近度（closeness）、中間度（betweenness）量化，用于測度潛在可達性[15]。此外，公制的接近度（如距離市中心的距離）也通常被視為影響可達性的要素之一[15]。

公共空間特征包括空間尺度、設施配置與景觀綠化?？臻g尺度（如面積、形態(tài)與界面等）作用于場所認知，影響空間活力[2,16]；良好的設施配置（如公廁、服務中心等）影響市民出行意愿與停留時長[14]；豐富的景觀綠化（如植被、水體）具有提升訪客心理健康[2,17]、提供空間圍合或遮擋以及改善空間熱舒適的潛力[2,12-13]，對公共空間的活力營造有促進作用。

1.2 影響公共空間活力的潛在因素：信息流

移動互聯(lián)網(wǎng)時代的信息流，已成為城市日常生活中重要的組成部分[4]。其中，基于Web 2.0 模式的用戶生成內(nèi)容（user generated content, UGC）②是當代城市居民日常生活密切相關的信息流。截至2022 年，全國有超過10.2 億用戶在各社交媒體上日常閱覽、創(chuàng)造與分享UGC[18]。去中心化的傳播模式令UGC 成為傳播電子口碑的有效途徑，其各項屬性包括評分、情緒值和曝光度，已被證實對行為決策有顯著影響[6,19]。

近年來移動互聯(lián)網(wǎng)時代的城市空間逐漸引起學者關注，相關研究聚焦于區(qū)域尺度的空間效應、城市尺度的空間特征以及城市新空間的形成機制。例如，方鵬飛等[20]基于UGC 數(shù)據(jù)探索城市網(wǎng)絡營銷的空間效應對城市等級體系的影響；項婧怡等[21]使用UGC 數(shù)據(jù)測量城市內(nèi)“網(wǎng)紅空間”的空間分布特征；羅震東等[22]以外賣工廠為例討論新城市空間的演變機制。然而，鮮有研究關注移動互聯(lián)網(wǎng)時代的城市公共空間。

因此，本研究聚焦信息流與城市公共空間，在控制關鍵變量后，定量揭示信息流對城市公共空間活力的效應，并剖析移動互聯(lián)網(wǎng)時代公共空間活力營造的內(nèi)在規(guī)律與機制。

2 研究方法

2.1 研究對象選取

城市公園是城市公共空間的一種重要類型，是集聚活力、促進社區(qū)聯(lián)系、提供自然環(huán)境和文化娛樂等方面的重要場所[3]。因此，本研究以城市公園及其相關UGC 作為研究對象，選擇深圳市共125 個對公眾開放超過一年的公園作為樣本公園，樣本公園分布在深圳市城市邊界內(nèi)，涵蓋多種公園類型，總面積約200.59 km2（圖1）。公園的矢量邊界由百度地圖應用程序接口（application programming interface, API）獲得，并用高德地圖衛(wèi)片進行二次校準。

1 樣本公園的空間分布Spatial distribution of sample parks

2.2 數(shù)據(jù)獲取與變量計算

2.2.1 城市公園活力值變量

既有多個城市研究已驗證百度基于位置的服務（location-based service, LBS）數(shù)據(jù)可準確描述空間活力，并在近年來廣泛應用于相關研究中[2,12,23-24]。因此，本研究采用百度LBS 熱力圖柵格數(shù)據(jù)測度樣本公園內(nèi)人群活動的時空特征。參考既有研究實驗設計[2,12,23-24]，數(shù)據(jù)收集時間為2021 年11 月27 日—30 日（周六至周二），該時間段內(nèi)全市氣候適宜，無雨，且無新冠肺炎病毒相關的出行管控政策。在調(diào)研時間段內(nèi)，每天的07：00—21：00 每隔2 h 使用百度地圖API 收集一次樣本公園內(nèi)的LBS 柵格數(shù)據(jù)（空間分辨率為1 m × 1 m）。參考既有研究[12,23-24]，在使用樣本公園邊界裁剪LBS 柵格數(shù)據(jù)后，采用ArcGIS Pro 2.8.1 軟件的柵格計算器計算公園內(nèi)每個LBS 像元③的數(shù)值，以代表每個像元內(nèi)的相對活動人數(shù)。本研究以4 天共32 個時段內(nèi)各公園LBS數(shù)據(jù)的平均值作為城市公園活力變量（因變量）。

2.2.2 UGC 變量

本研究以5 個中國主流社交媒體平臺（新浪微博、大眾點評、攜程、快手、抖音）上與公園相關的UGC 作為信息流樣本。使用Python 代碼結合Scrapy 網(wǎng)絡爬蟲框架與BS4包開發(fā)了多線程爬蟲，在遵守隱私與數(shù)據(jù)安全法規(guī)的前提下進行數(shù)據(jù)收集。本研究考慮了時序關系，于2021 年11 月13 日—26 日（即公園活力數(shù)據(jù)收集前2 周）進行UGC 數(shù)據(jù)收集。

上述UGC 可分為地理位置與非地理位置2 類。新浪微博、大眾點評與攜程的地理位置UGC 包含用戶主動上傳的簽到位置與目的地頁面，用戶可直接點擊位置鏈接或目的地頁面閱覽地理位置UGC，故筆者爬取了125 個樣本公園呈現(xiàn)在社交媒體頁面上的所有地理位置UGC。此外，本研究也收集了新浪微博、快手與抖音上的非地理位置UGC，這些UGC 一般僅包含公園關鍵詞，用戶需要通過關鍵詞搜索或應用程序推送來閱覽UGC，故筆者將城市名與公園名作為關鍵詞，爬取了所有呈現(xiàn)在社交媒體平臺的非地理位置UGC。

綜上，本研究共收集了316 929 條與樣本公園相關的UGC，可分為3 組地理位置UGC與3 組非地理位置UGC，并按照下述操作對數(shù)據(jù)進行篩選：1）考慮到關鍵詞搜索的模糊搜索機制，按照城市名與公園名對非地理位置UGC 進行二次篩選；2）基于Python 代碼批量剔除僅包含標點符號、網(wǎng)頁地址（URL）、數(shù)字、表情符號和非中文的UGC；3）批量剔除剩余UGC 內(nèi)的URL、表情符號和非中文符號；4）批量剔除少于2 個字的UGC，因為較少字數(shù)容易誤判情感傾向；5）人工剔除與公園不相關的UGC。最終，共剩余155 463 條UGC 作為本研究的樣本UGC。

鑒于每條UGC 元數(shù)據(jù)記錄了多項信息，故本研究使用UGC 元數(shù)據(jù)批量計算了各公園在不同社交媒體平臺的UGC 評分、情緒值與曝光度。公園所有UGC 評分的平均值作為UGC 評分變量（僅大眾點評與攜程的UGC攜帶評分）。UGC 的潛在情緒值采用百度提供的基于自然語言處理的預訓練情緒分析模型（ai.baidu.com/easydl/nlp）來評估，該模型近年來被多次用于批量評估中國社交媒體UGC 文本的情緒值，既有研究已證實其準確度[25-26]。每條UGC 文本的情緒值范圍為0～2.00，分別代表極端消極與極端積極情緒，本研究以公園所有UGC 文本情緒值的平均值作為UGC 情緒值變量。UGC 的曝光度通常由閱覽量量化，但并非所有UGC 提供閱覽量數(shù)據(jù)。鑒于用戶通常閱讀UGC 后才進行評論，在檢驗了UGC 閱覽量和評論數(shù)的高相關性后，使用評論數(shù)來估計曝光度，并以公園所有UGC 評論數(shù)的平均值作為UGC 曝光度變量。

2.2.3 控制變量

多組變量需要被控制以檢驗UGC 對公共空間活力的效應?？刂谱兞堪▍^(qū)位特征、可達性、公共空間特征，并采用Python 代碼、ArcGIS Pro 軟件、Google Earth Engine 平臺與sDNA 空間句法模型進行計算（表1）。

表1 控制變量的篩選與計算Tab.1 Selection and calculation of control variables

2.3 回歸模型建構

本研究使用R（v4.0.3）軟件進行模型建構。采用分層線性回歸模型，在控制關鍵變量后，量化UGC 對公共空間活力的標準化效應。模型建構前進行了多重共線性檢驗，所有變量的方差膨脹系數(shù)（variance inflation factor, VIF）均小于5。為細致探尋不同UGC的屬性對空間活力的效應差異，本研究共建構4 個模型。模型1 僅包括既有影響公共空間活力的控制變量；模型2～模型4 則分別加入UGC 的評分、情緒值與曝光度變量以分別檢驗其對公園活力的效應。據(jù)Shapiro-Wilk 檢驗，所有回歸模型的殘差均為正態(tài)分布，驗證了上述模型的穩(wěn)健性。

3 結果與分析

3.1 信息流與空間活力特征

各樣本公園UGC 屬性的箱形圖表明，不同公園的UGC 評分、情緒值與曝光度有所不同（圖2）。95% 樣本公園UGC 的評分處于3.00～4.85 區(qū)間內(nèi)，平均值為3.95，反映出使用者對公園評價總體呈現(xiàn)好評。UGC 的情緒值分布與評分類似，95% 的總情緒值＞1.00（即為積極情緒），處于1.16～1.91 的區(qū)間內(nèi)；總情緒值均值為1.70，表明訪問公園的用戶總體呈現(xiàn)較高的積極情緒。95%UGC 的平均曝光度處在0～141.0 區(qū)間內(nèi)，平均值為23.3，這表明相較于評分與情緒值，不同公園間的UGC 曝光度差異更大。

2 樣本公園UGC 屬性的箱形圖Box plots of UGC attributes of sample parks2-1 樣本公園總UGC 評分Total UGC score of sample parks2-2 樣本公園總UGC 情緒值Total UGC sentiment value of sample parks2-3 樣本公園總UGC 曝光度Total UGC exposure of sample parks

調(diào)研時段樣本公園的活力值變化數(shù)據(jù)表明，樣本公園在工作日與休息日的活力值隨時間變化具有差異（圖3）。工作日公園活力峰值時段為09：00—13：00 與15：00—19：00。休息日公園活力峰值時段與工作日類似，但相較于工作日，休息日活力值波動幅度更大，且休息日峰值顯著高于工作日峰值。

3 調(diào)研時段樣本公園的活力值變化Changes in the vitality values of the sample parks during the survey period

對各公園的活力值與UGC 各屬性進行空間落位，得到了各公園的活力值及其UGC 評分、情緒值、曝光度的空間分布圖（圖4）。深圳市各區(qū)均有高活力公園，其中，南側（南山區(qū)、福田區(qū)、羅湖區(qū)）與西側（寶安區(qū)）的高活力公園較多。此外，UGC 評分與情緒值呈現(xiàn)出類似的空間分布：高值聚集于地圖南側（南山區(qū)、福田區(qū)與羅湖區(qū)）。相較于評分與情緒值，UGC 曝光度則呈現(xiàn)出了不同的空間分布：高曝光度的城市公園在深圳市城區(qū)中的分布更隨機。

4 樣本公園的活力值與UGC 屬性的空間分布Spatial distribution of the vitality values and UGC attributes of sample parks

3.2 信息流對公共空間活力的顯著效應

分層線性回歸模型揭示了各影響因素對公園活力的標準化效應（表2）。模型1 的調(diào)整后R2（決定系數(shù)）為0.822，其中多個區(qū)位特征、可達性與公共空間特征變量對公園活力具有顯著效應。

表2 分層線形回歸模型結果Tab.2 Results of multi-level linear regression model

在模型1 的基礎上，模型2 加入了UGC評分變量，模型的調(diào)整后R2增加至0.875，且R2變化的方差分析結果顯著（p＜0.001）。結果表明，在控制其余變量后，UGC 的評分對公共空間活力具有積極且顯著的效應，且各UGC 顯著評分變量的標準化效應平均值在UGC 三類變量中最高，為0.181。

在模型1 的基礎上，模型3 加入了UGC情緒值變量，模型的調(diào)整后R2增加至0.864，且R2變化的方差分析結果顯著（p＜0.001）。與UGC 評分變量類似，UGC 情緒值對公共空間同樣具有顯著效應，UGC 顯著情緒值變量的標準化效應平均值為0.135。

然而，即使部分UGC 曝光度變量對公園活力有顯著效應，模型4 的R2提升不顯著（p＞0.050），意味著曝光度對公園活力的促進作用可能弱于UGC 評分與情緒值變量。

此外，不同類型UGC 呈現(xiàn)出了顯著差異（圖5）。地理位置UGC 幾乎所有變量均對樣本公園活力具有正向的顯著效應，而非地理位置UGC 變量均不具有顯著效應。

5 不同類型UGC 的標準化效應Standardized effects of different types of UGC

4 討論

4.1 公共空間活力的影響因素分析

基于分層線性回歸模型，可以辨析各因素對公共空間活力的影響程度。模型1 揭示了區(qū)位特征、可達性與公共空間特征的顯著效應，這與既有研究結果一致：區(qū)位中適宜的混合度與密度、良好的交通基礎設施配置與空間拓撲結構以及公共空間中豐富的景觀綠化與良好的服務設施，將顯著提升公共空間活力[8, 12, 16]。

然而，在加入信息流變量后，模型對公共空間活力的擬合程度顯著提升，且信息流的評分、情緒值與曝光度變量有顯著效應，這表明信息流是除區(qū)位特征、可達性與公共空間特征外，可能影響當代公共空間活力的重要因素。

具體而言，模型2、模型3 的結果揭示了UGC 評分與情緒值的顯著效應，且UGC評分效應高于情緒值。完善的城市基礎設施與地理媒介令市民可以無時無刻發(fā)布與閱覽UGC，使UGC 的潛在情緒值影響集體出行行為，進而使影響公共空間活力成為可能。而評分一般位于社交媒體頁面上較為明顯的位置，故相較于閱讀UGC，評分可能更受人們青睞，因它便于人們對多個公園快速比較并做出出行決策。

模型4 中雖然有部分曝光度變量顯著，但相較于模型1 整體提升不夠顯著。這可能是由于帶消極情緒的高曝光度UGC 削弱了人們對目的地公園的出行欲望，從而降低了模型中UGC 曝光度對公園活力的效應。因此，相較于曝光度，評分與情緒值更適合作為考察信息流影響公共空間活力的變量，應受到重點關注。

此外，地理位置UGC 變量對公園活力具有顯著效應，這意味著人們在做公園出行決策時，可能更受地理位置UGC 的影響。地理位置UGC 發(fā)布時一般要求在場或距離目的地一定半徑內(nèi)，UGC 內(nèi)容也更與公共空間相關。這些內(nèi)容包含空間使用者的情緒、觀點與評價，并可能會進一步影響未來人們的出行決策。因此，相較于非地理位置UGC，應關注地理位置UGC 對公共空間活力帶來的潛在影響。

4.2 信息流介入公共空間活力營造的機制推斷

本研究以城市公園與UGC 為例，試圖量化當代信息流對公共空間活力的影響，并推斷信息流介入公共空間活力營造的機制。在移動互聯(lián)網(wǎng)時代，發(fā)布、閱覽信息流已成為日常生活的重要部分，并無形中影響著城市居民的行為決策[6,19]。實證結果也進一步證實本研究的假設：信息流可能已成為影響公共空間活力營造的重要因素；信息流的評分、情緒值、曝光度，均可能影響公共空間的活力營造。

用戶為了分享游覽公共空間的觀察與情感，會發(fā)布相關的信息流（圖6）。這些信息流會瞬時同步至其他用戶的媒介終端，并聚合成公共空間的電子口碑[6]。通過閱覽信息流，這一電子口碑可能會進一步影響其他用戶的出行決策，進而形成公共空間人流與活力集聚。

6 信息流介入公共空間活力營造的機制推斷Inference of the mechanism of information flow intervention in the creation of public space vitality

本研究推斷信息流介入公共空間活力營造存在以下2 種機制。1）信息流影響即將出行訪客的出行決策。信息流的情緒值與評分是影響電子口碑的重要變量[19]。本研究結果表明，更積極的情緒與更高的評分會為公共空間營造更好的電子口碑，反之亦然。因此，信息流的情緒值與評分會提升訪客對特定公共空間的好感和訪問意愿，使訪客在多個公共空間中選擇電子口碑更高的空間，進而形成活力聚集。2）信息流吸引額外訪客前往公共空間。信息流曝光度越高，表明更多用戶已閱覽公共空間的信息流，并可能被該信息流所吸引。信息流曝光度變量的顯著結果與既有研究一致[27]，更高的信息流曝光度會影響個體行為，尤其是影響對特定目的地的出行決策。換言之，正是信息流中與公共空間相關的積極內(nèi)容（如圖片、文字、視頻等），誘發(fā)了訪客對公共空間的訪問意向，進而提升公共空間活力。

5 結論與展望

本研究聚焦城市公共空間相關的信息流，以深圳市125 個城市公園及其UGC 為例，量化信息流對公共空間活力營造的影響，研究發(fā)現(xiàn)：1）信息流的介入對公共空間活力產(chǎn)生了顯著的積極效應；2）相較于情緒值與曝光度，信息流的評分對公共空間活力的積極效應更強；3）幾乎所有地理位置信息流均對公共空間活力有顯著效應，但非地理位置信息流沒有顯著效應。

本研究結果證實了研究假設：相較于既有研究對公共空間中建筑物、街道、植被等靜態(tài)因素的關注，當今公共空間同時被信息流這一動態(tài)流變因素影響。作為一種新技術構成的技術系統(tǒng)，信息流正催生出一種網(wǎng)絡化與去中心化的社會交往關系。有必要在當代技術系統(tǒng)的反復迭代與動態(tài)交互中，進一步反思人、技術與城市的關系，以重新理解城市公共空間活力營造的當代性。

誠然，本研究以多源時空大數(shù)據(jù)為基礎，可基于較大樣本量探尋潛在的普適規(guī)律，但本研究仍存在3 點局限：1）本研究基于百度LBS 數(shù)據(jù)測度公園活力，但是該數(shù)據(jù)無法采集到公園使用者的個人數(shù)據(jù)（例如年齡、性別等），未來需要借助問卷等方式，對個體的社會人口狀況、信息流與公共空間活力展開討論，以完善信息流介入公共空間活力營造的理論建構；2）本研究僅以深圳市125 個城市公園作為研究樣本，但不同城市語境下影響公共空間活力的因素可能具有差異[13]，未來研究應展開多城市或多區(qū)域對比，以探尋不同語境下信息流對公共空間活力營造的效應差異。3）因橫截面數(shù)據(jù)④的限制，本研究無法基于數(shù)據(jù)得出進一步的因果結論，未來應采用如自然實驗等方式來驗證因果關系。

注釋(Notes)：

① 地理媒介被描述為現(xiàn)代城市中與不同媒介平臺的空間化過程緊密相關的新技術條件，如智能手機、智能手環(huán)、移動電腦、LED 城市屏幕等。

② 用戶生成內(nèi)容指互聯(lián)網(wǎng)平臺或其他開放性媒介的內(nèi)容由其用戶貢獻生成，即用戶通過平臺將原創(chuàng)性內(nèi)容展示或提供給其他用戶。

③ 像元，亦稱像素點或像元點，即影像單元（picture element），是組成柵格數(shù)據(jù)的最小單元。

④ 橫截面數(shù)據(jù)（cross-sectional data）指通過觀察樣本在同一時間點或同一時間段截面上的各特征變量的觀測值。

圖表來源(Sources of Figures and Tables)：

文中圖表均由作者繪制，其中圖1、4 的地圖底圖使用OpenStreetMap 生成。