研究文章

中国烟台城市空间结构对城市活力影响的空间分析：基于多尺度地理加权回归方法

0 次观看

⸱

DOI：

10.3791/71567

⸱

2026年9月25日

 ,  ,  ,  ,  ,  ,  , 
1School of Resources and Environmental Engineering, Ludong University, 2College of Architecture and Urban Planning, Tongji University

本文内容

摘要

本方案结合百度热力图数据、兴趣点、街景图像以及多尺度地理加权回归，以量化中国烟台的城市活力，并评估城市空间结构对白天和夜间活力模式的影响。

摘要

了解城市空间结构如何影响城市活力，对于制定以人为本的城市规划策略至关重要。然而，这些关系的空间异质性，以及不同城市空间结构要素对白天与夜间活力的相对贡献，目前仍缺乏充分认识。本研究旨在量化中国烟台市主城区的城市活力，并探究城市空间结构如何影响其时空变化特征。通过整合多源空间数据集，包括百度热力图数据、兴趣点、街景图像、道路网络、建筑信息和土地利用数据，用于表征城市活力与城市空间结构。采用核密度估计、空间自相关分析和多尺度地理加权回归（MGWR）方法，评估城市活力的空间分布特征及城市空间结构变量的尺度依赖性效应。结果表明，城市活力呈现出显著的空间极化特征，表现为“中心—边缘”与“一核多点”复合模式，并具有显著的正向空间自相关性。城市空间结构的影响在空间上存在显著差异，并在白天与夜间之间有所不同。兴趣点的多样性与邻近性是白天活力的主要驱动因素，而居住功能和兴趣点多样性对夜间活力影响最大。可步行性在两个时段均与城市活力呈正相关，凸显了以人为本的街道环境的重要性。这些发现展示了将多源空间数据与MGWR方法结合在评估城市活力方面的价值，并为支持基于证据的城市规划与空间优化提供了实用框架。

引言

城市活力是衡量城市可持续发展水平、居民生活质量以及高质量城市建设成效的核心指标，长期以来受到城市地理学和城市与区域规划领域学者的广泛关注。1,2在城市化进程逐步推进和空间快速扩张的阶段，城市空间发展不平衡所引发的问题日益突出。土地利用配置效率低下、环境污染、交通拥堵以及职住分离等长期存在的城市问题，持续削弱着社区活力。3目前，中国已进入城市化发展的新阶段，城市发展重心正从粗放式的“造城”转向精细化的“治城”，以人为核心的空間發展成為關鍵目標。以人为本的尺度聚焦於居民可直接感知的微觀空間單元，是對傳統地塊尺度與鄰里尺度分析的延伸與深化。自18th 中国共产党全国代表大会提出，以人民为中心的发展已成为国土空间治理的基本原则，提升人居环境质量已成为城市规划的主要目标。在此背景下，准确刻画城市活力的时空格局，明确以人为本的建成环境对活力影响的异质性机制，可为精细化规划实践（包括街道层面的城市更新与社区改善）提供科学依据。与此同时，烟台市在其“十四五”th “五年规划”于2021年被住房和城乡建设部选定为首批国家城市更新试点城市之一，并于2026年获得中央财政对城市更新的额外支持。这些政策与财政优势为提升烟台市现有城市空间品质、探索具有特色的沿海城市更新策略提供了有利条件，从而推动城市高质量发展。

城市活力的概念最早由美国学者 Jane Jacobs 提出，她认为功能多样性、小街区、不同年代的建筑以及高密度是构成活力城市的四个基本条件4。早期研究主要基于实地调查和问卷调查建立理论框架，而后续研究逐渐转向微观尺度，聚焦于人类活动的空间集聚特征5。越来越多的证据表明，精细尺度的时间动态和空间差异在理解城市活力方面发挥着重要作用6。高分辨率地理空间大数据的快速发展为城市活力的大规模、动态监测提供了新的机遇。因此，研究人员 increasingly 依赖多源数据集，包括手机信令数据、位置轨迹、社交媒体签到、热力图数据以及兴趣点（POIs），以量化不同空间单元内的人类活动强度，并在多个尺度上研究城市活力7,8,9,10,11,12。在这些数据源中，热力图数据能够准确捕捉人口集聚的空间分布和时间动态，已被广泛应用于地块、街区和城市尺度的城市活力量化研究13,14,15。例如，Wang Chenggang 等人16利用热力图数据识别了广州中心城区的活力格局，量化了建成环境的非线性关系及阈值效应，并区分了工作日不同时段的影响差异，从而为城市活力研究提供了有价值的实证依据。

城市活力从根本上受到容纳人类活动的城市空间结构的塑造和制约。理解城市空间结构影响城市活力的作用机制，可为精细化的城市规划和基于证据的城市治理提供重要支持。现有研究已构建了涵盖城市规模、功能布局、空间形态、紧凑性以及社会经济特征等多维度的城市空间结构评价体系。这些研究表明，区位条件、人口密度、建筑形态、混合土地利用、设施多样性、经济发展水平、功能多样性、街道格局、可达性以及步行友好性等因素，是影响城市活力空间分异的主要因素17,18,19,20,21,22。然而，大多数以往研究主要关注物理空间、社会空间、场所空间和移动空间之间的宏观尺度关系，对以人为中心的精细尺度分析关注相对不足。基于多源开放地理空间数据与智能分析算法的新兴研究范式，为在更精细尺度上实现空间感知与定量分析提供了新的机遇23。通过将机器学习技术与街景图像分析相结合，该方法在实现广泛空间覆盖的同时，具备以人为中心的分析精度，并减少了传统空间评价方法中存在的主观性和准确性不足的问题。在方法层面，以往研究主要采用普通最小二乘法（OLS）和地理加权回归模型来探讨建成环境与城市活力之间的关系24,25。然而，这些方法通常聚焦于静态的空间特征，往往忽视了城市空间结构与城市活力之间关系在空间异质性以及昼夜时间维度上的差异。

综上所述，城市活力的研究已从传统的宏观尺度理论探讨，逐步发展为依托地理空间大数据的时空定量分析。然而，目前仍存在重要局限。现有研究多侧重于对物质空间特征的宏观量化，而相对忽视了城市空间结构对城市活力影响的时空异质性。此外，纳入人类感知维度的精细化测度仍较为有限，制约了现有方法对街道层级城市更新等精细化规划实践的支持能力。基于上述知识空白，本研究提出以下假设：（1）城市空间结构对城市活力具有显著的时空差异化影响；（2）城市空间结构指标对城市活力的影响表现出显著的空间非平稳性。

本研究的主要创新体现在以下三个方面。首先，通过整合多源地理空间数据集，包括百度热力图数据和街景影像，本研究从居民日常活动的视角量化城市活力，实现了以人为中心尺度的精细化和客观化测度。在传统“5D”框架的基础上，本研究引入了人类感知维度，构建了包含功能混合性、建筑形态、可达性、社会经济特征、生态空间和人类感知在内的六维城市空间结构指标体系。该框架弥补了以往研究主要侧重于物理空间与社会经济变量的局限性，实现了宏观尺度空间分析与微观尺度以人为中心测度的融合。其次，本研究采用多尺度地理加权回归（MGWR）模型，克服了传统回归方法中全局平稳性的假设，能够识别城市空间结构与白天及夜间城市活力之间的局部空间效应和尺度依赖关系，从而揭示城市空间结构与城市活力之间的时空非平稳耦合特征。第三，以烟台这一典型的沿海城市为案例，本研究从人类感知视角出发，系统探究了沿海城市空间特征背景下白天与夜间城市活力的差异化驱动机制。研究结果为类似沿海城市的空间优化、城市活力提升和城市更新提供了实证依据与方法框架，同时也为以人为本、精细化的城市空间治理提供了定量支持证据。

方案

本研究使用了在空间网格级别上匿名化和汇总的热图数据。这些数据不包含个人身份信息或个体层面的信息，且未直接涉及人类受试者。因此，无需获得伦理审批、豁免或机构审查。

研究框架
为探究以人为本尺度下城市空间结构对城市活力时空分异的影响机制，本研究提出了如图1所示的研究框架。首先，基于衡量城市居民日常与夜间活动时空属性的热力图数据，测度烟台市主城区的白天与夜间城市活力；其次，构建包含功能混合性、可达性、建筑形态、社会经济、生态空间及人本感知在内的多维城市空间结构指标体系；最后，采用MGWR模型揭示城市空间结构对城市活力时空分异的影响机制。数据获取、预处理、指标计算、图像分析及模型实现的详细工作流程见补充文件1–4，相应的计算工作流程见补充代码1–4。旨在为新型城镇化战略背景下的城市更新与活力城市建设提供理论依据与参考。

figure-protocol-1
图1．研究框架图。 该图总结了完整的分析工作流程，包括多源空间数据获取、数据处理、城市空间结构指标构建、城市活力测度、多尺度地理加权回归（MGWR）建模以及活力优化策略。请点击此处查看该图的放大版本。

研究区域概述
烟台市位于山东半岛的东北部，毗邻黄海和渤海，是山东省的重要港口城市。全市下辖5个区和6个县级市，总面积为13,930.1 km2。本研究选取烟台市主城区（芝罘区）作为研究区域。该区面积为179.18 km2，户籍人口为707,700人，包含12个街道（图2）。

figure-protocol-2
图2。研究区域示意图。 地图展示了烟台市的位置、芝罘区主要城市研究区域、街道边界以及地形高程。颜色越深表示高程越高。请点击此处查看此图的放大版本。

鉴于本研究聚焦于城市核心区，研究区域相对较小且道路网络密集，传统的街区尺度难以准确刻画城市活力。相比之下，300米尺度与“五分钟生活圈”的空间范围高度吻合，能够更好地表征居民日常活动的基本空间单元。网格尺度的选择本质上是在信息细粒度与统计稳定性之间进行权衡：较小的尺度虽能保留更多空间细节，但会减少每个单元内的样本量，增加统计噪声，并可能导致连续步行活动空间被割裂；而较大的尺度则倾向于平滑局部差异，掩盖空间异质性。300米网格能够在提升统计稳定性、降低因尺度选择带来的分析误差的同时，保留较精细的空间特征。此外，该尺度与多源数据的空间分辨率（包括百度热力图数据、兴趣点数据和街景图像）高度匹配，从而提高了分析的准确性与结果的可靠性。因此，本研究采用300 m × 300 m的网格将研究区域划分为2,221个单元，以在精细尺度上可视化城市活力的时空分布模式，并探讨其与城市空间结构的关系。网格在ArcGIS 10.4中利用“创建渔网”（Create Fishnet）工具生成，基于CGCS2000三度带高斯坐标系，以研究区域最小XY坐标为锚点，并裁剪至研究边界，最终形成2,221个分析单元。

指标体系的构建
构建城市空间结构的指标体系是评估城市活力的重要组成部分。该体系反映了城市在空间布局、功能混合、可达性及相关特征方面的综合特性。本研究基于密度、设计、多样性、到公共交通的距离以及目的地可达性这“5D”理论，在现有研究基础上拓展了城市空间结构要素的表征方法，并将其划分为六大类共15个因子：功能属性、建筑形态、可达性、社会经济、生态空间和人类感知。每个因子均进行了单独分析（Table 1）。所有指标的完整定义、计算公式、参数设置、预处理流程及标准化方法详见Supplementary File 2。

表1： 城市空间结构指标体系。该表总结了用于表征城市空间结构的六个维度及15项指标，包括功能特性、建筑形态、可达性、社会经济特征、生态空间和人类感知。每项指标均提供了定义及计算公式。缩写：POI，兴趣点；FAR，容积率；NDVI，归一化植被指数。请点击此处下载该表格。

其中，功能多样性是衡量城市空间活力的重要指标之一，反映了不同功能区域之间的关联与融合程度。较高的功能混合度意味着居住、经济和生活功能区分布均匀且相互交织，从而促进人类活动，增强城市活力26。建筑形态的演变与城市活力密切相关，建筑密度和容积率是反映城市紧凑程度的重要指标。可达性直接影响城市空间的连通性与交通效率。本研究选取邻近性与通透性指标来表征可达性。社会经济水平反映经济活动的集聚程度以及区域经济发展水平。到城市中心和商业中心的距离用于表征社会经济活动，通常距离越短，经济活动越活跃27。生态空间是影响城市经济、社会与文化活力的重要因素。本研究采用近水指数和归一化植被指数（NDVI）来表征环境质量与生态活力。人的感知关注居民日常生活中频繁接触的城市空间形态及相关环境特征，包括城市公共空间和建筑的外部界面（如街道、建筑、绿化和公园）及其相关的经济、社会和生态影响。本研究选取建筑连续性、天空可视因子和步行友好性来表征这一维度。这些指标能更好地捕捉人类感知对城市活力的贡献，弥补了主要依赖客观变量的传统指标体系的不足。

值得注意的是，传统建成环境的测度方法与本研究采用的人本导向城市空间结构评估方法存在根本性差异。传统方法以地块和街区等宏观尺度的物理单元作为分析单元，依赖土地利用分类、建筑轮廓和道路网络数据等静态数据集，量化开发强度和功能布局。这类常规评估从自上而下的规划视角出发，评价空间的物理条件。尽管这些方法能够准确刻画城市空间的物质属性，却难以捕捉居民的现场感知和微观尺度的步行体验。相比之下，人本导向的框架将研究重点从空间的固有属性转向人与环境的互动关系。这一范式转变包含三个主要方面：第一，在测度内容上，研究在建筑密度、土地利用比例等传统物理指标的基础上，引入视觉感知、可步行性、安全性和舒适性等体验维度；本研究选取了建筑连续性、天空可视因子和可步行性三个相应指标。第二，在数据来源方面，除规划图件和遥感数据外，补充采用街景图像和深度学习语义分割技术，以获取行人视角下的空间特征。第三，分析单元从街区尺度进一步细化至街道路段或个体视觉范围。需要强调的是，人本导向的测度方法并非取代传统的建成环境评估，而是通过转换研究视角和空间尺度对其进行补充。两种方法在研究重点、指标体系、分析尺度和实际目标上均有所不同，共同构成评估城市空间结构的综合性分析框架。

数据来源与处理
Baidu 热力图数据：
本研究采用的城市热力数据来源于百度地图的开放位置服务，该数据通过挖掘海量匿名用户行为记录生成。该数据集通过聚合移动应用用户的位置信息，并将这些地理坐标通过实时位置服务请求映射到空间网格上，从而捕捉实时的人口分布情况。

我们通过调用百度地图开放平台（https://lbsyun.baidu.com/）的API，获取了2022年6月13日至17日（连续五个工作日）烟台市中心城区的热力图数据。每天从07:00至24:00，每2小时采集一次数据。数据获取、预处理、去噪、时间分类、空间转换、核密度估计以及城市活力计算的完整工作流程详见补充文件1，相应的预处理脚本见补充代码1。为进一步分析，我们将每日划分为白天（07:00–18:00）和夜间（18:00–24:00）两个时段，分别量化城市活力的昼夜变化。API请求包含百度地图访问密钥（AK）和基于BD09坐标系定义的研究区域边界。地图缩放级别固定为16，瓦片大小为256 × 256像素，接口以JSON格式返回热力图数据。在后处理过程中，所有BD09坐标均被转换为WGS84坐标系，以确保后续分析的空间精度与一致性。其余预处理工作流程详见补充文件1和补充代码1。所有空间可视化均在ArcGIS（v10.4）（RRID: SCR_011081）中完成。

六月代表烟台的初夏，气候温和，适宜户外活动，该月居民的日常出行模式反映了正常的平均活动水平。所有采样日均为晴朗无云天气，排除了极端天气对人类移动性造成的干扰，使得人口热力图适用于识别常规的城市活力模式。

为验证热力图衍生活力指标的可靠性，我们引入了NPP-VIIRS夜间灯光数据进行交叉对比。该夜间灯光数据集由Chen Zuqi等人发布 地球系统科学数据，题为 全球NPP-VIIRS类夜间灯光数据（2000–2018年）跨传感器校准的延长时序数据，并通过哈佛Dataverse数据库公开获取（https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD）。

空间对比结果表明，本研究从夜间灯光影像识别出的城市活力热点区域，与从热力图数据中提取的高活力和低活力区域在空间上具有高度一致性。夜间灯光强度与热力图提取的城市活力之间的对比结果见补充图1。为评估数据可靠性，首先剔除了异常值，并对数据集进行归一化处理，随后重投影至WGS84坐标系。夜间灯光数据采用双线性插值法重采样为300 m × 300 m的网格，以确保与热力图数据的空间对齐。采用皮尔逊相关系数（r ≥ 0.6）和LISA聚类的空间重叠率（≥70%）作为评价两个数据集一致性的可接受标准。

从数据来源的角度来看，手机信令数据能够提供全面的人口覆盖和细粒度的轨迹信息，但其获取难度较大，且需要复杂的预处理，因此不太适用于长期、细尺度的研究。社交媒体签到与评论数据则主要反映以消费和休闲为导向的活动，存在明显的行为偏差，且时间稳定性相对较差。相比之下，本研究使用的百度热力图数据易于获取，具有时间连续性，并能提供更高的空间分辨率，非常适合用于主城区域昼夜活力动态的格网尺度监测。结合兴趣点（POI）和街景数据以丰富空间属性表达，该框架能够更准确地反映居民日常活动模式，与本研究的研究尺度和分析目标高度契合。

城市空间结构要素：
基础城市空间数据：
基于在线地图服务接口，共采集了37,851个兴趣点（POIs），涵盖住宿、购物、餐饮、住宅区、交通基础设施、日常生活设施、体育与休闲场所及公共服务设施等11类功能类别。额外的预处理步骤和计算细节详见补充文件2。POI数据于2024年7月通过百度地图API，采用500 m网格化搜索策略获取。在预处理过程中，根据芝罘区行政边界、属性标签缺失情况以及显著的坐标偏移，剔除了重复记录和无效记录，以确保数据集的空间准确性和完整性。

城市建筑轮廓和道路网络数据来自开放源代码地理空间平台 OpenStreetMap (OSM; RRID: SCR_007854)（https://www.openstreetmap.org）。土地利用数据来自国家基础地理信息中心（https://www.gscloud.cn/search）。

如表1所示，各类设施的空间密度通过聚类模式反映了各个空间单元的功能特征；同时，熵值量化了每个单元内功能多样性的程度。完整的计算公式、预处理流程、参数设置及归一化方法详见补充文件2。

从二维（2D）和三维（3D）两个角度分析了建筑物矢量数据，以评估城市建筑强度，具体指标包括建筑密度和容积率（FAR）。基于城市道路网络数据，利用空间设计网络分析（sDNA）工具包（RRID: SCR_017646）28计算了每个空间单元的可达性，该计算综合了邻近性和中介性指标。

以300米半径作为该指标的分析尺度，该距离基于街道线段定义，并涵盖半径范围内所有拓扑连接的道路。这使得能够在指定的空间范围内对道路网络形态的变化（包括拐角密度和节点连通性）进行综合统计分析。该方法有意强调街道之间的局部空间相关性模式，从而能够在街区尺度上精确定位高度连通的街道——这一方法论选择与聚焦于街区尺度的城市空间活力理论框架相一致29,30。拓扑道路网络由OSM矢量道路数据构建而成，通过将双向道路线段合并为单条中心线实现。可达性基于邻近度和中介性指数，利用ArcGIS 10.4中的sDNA插件进行计算，并以基于网格的POI总量作为权重，以表征空间活动潜力。除用户自定义的300米搜索半径外，所有sDNA参数均保持默认值。此外，该空间尺度与“5分钟生活圈”概念高度吻合，且与烟台市芝罘区历史街区的实际空间尺度以及居民日常步行活动的典型范围相匹配。

街景图像数据：
将OSM道路网络数据与GIS技术相结合，布设街景图像采样点。首先，提取研究区域道路的中心线，并将双向道路简化为单线。沿道路中心线以50 m的间隔均匀布设采样点。随后，将所有采样点统一赋以GIS分析所采用的投影坐标系，以确保空间位置的精确匹配。

使用 Python（RRID: SCR_008394），通过街景图像 API（http://api.map.baidu.com/lbsapi/）采集图像。完整的图像获取流程详见补充文件 3和补充代码 3。共生成了 1,599 个采样点。在图像采集过程中，每幅图像的视角宽度设置为 90°，水平视角设置为 0°。在每个采样点分别采集前方、后方、左侧和右侧四个方向的图像，且仅在天气晴朗、无降雨、降雪或浓雾的条件下进行图像采集，以确保图像质量。最后，使用 OpenCV 程序对多方向图像进行拼接，并优化图像过渡，生成实现了对街道空间环境全视角覆盖的全景图像。研究区域共覆盖 3,251 个街道路段。API 请求参数包括开发者访问密钥（AK）、点位坐标、图像视点和拍摄方向。采集的图像统一调整为 480 × 360 像素（RGB）以用于后续分析。通过基于天气的筛选、多方向图像采集以及后续基于 SegNet 的语义分割，确保图像质量，并验证图像可用性，提取街景指标。

我们采用了深度学习的 SegNet 网络（RRID: SCR_017042），这是一种全卷积神经网络，用于提取街景特征。该模型将图像像素分类为五类：天空、人行道、车道、建筑物和绿地。像素分类结果随后用于计算每幅街景图像中各空间要素的面积比例。模型实现细节、语义分割流程、验证程序以及人类感知指标的计算方法详见补充文件3、补充代码2和补充代码4。SegNet 使用 PyTorch（v1.0）实现，并采用在 MIT ADE20K 数据集上训练的公开预训练权重。在推理过程中，图像被逐张处理，生成像素级语义分割图，进而用于计算各类街景要素的面积比例。模型性能通过五折交叉验证进行评估。

研究方法
城市活力的定量测量方法：
核密度分析通过移动搜索窗口估算点或线要素的密度，能够直观且准确地表征城市要素的空间聚集特征以及城市活力的集中与分散情况。本研究采用核密度估计对热力图数据进行连续插值，以刻画用户的空间聚集性及城市活力的时空动态。使用高斯核密度估计方法，主搜索半径（带宽）设为 500 m。为评估结果的稳健性，还测试了另外八个带宽值（200、300、400、600、700、800、900 和 1,000 m），各 300 m × 300 m 网格单元所得平均 RV 值在不同带宽下表现出高度一致性。插值过程中以“Value”字段作为权重变量，未进行边缘校正，所有核密度分析均在 ArcGIS 10.4 (RRID: SCR_011081) 中完成。其数学表达式如下（公式 1）：

figure-protocol-3 (1)

此处，n 表示数据点的数量；h 为带宽；而 (x − xi) 表示估计点 x 到样本 xi 的距离。

城市动态空间格局分析方法：
空间自相关用于表征不同空间单元之间相同属性值的空间关联程度。它可分为全局自相关和局部自相关。

全局空间自相关：
采用全局空间自相关（全局Moran’s I）来评估整个研究区域内变量的空间关联程度。该方法通过量化某一位置处属性值与其相邻位置属性值之间的关系，衡量空间上变量的相似性或相关性，并以全局Moran’s I系数表示。空间权重矩阵基于300 m × 300 m的分析网格构建，采用Queen邻接规则定义相邻单元，并对权重进行行标准化处理。全局Moran’s I的计算使用ArcGIS 10.4（RRID: SCR_011081）中的空间统计工具完成，统计显著性通过正态近似法（z检验）在95%置信水平下进行评估。其数学表达式如下（公式2）：

figure-protocol-4 (2)

其中，I 表示自相关指数；n 为研究单元的总数；yi 和 yj 分别为区域 i 和 j 的分类指标；y′ 为分类指标的均值；Wij 为表示不同区域间关联程度的空间权重矩阵。

局部空间自相关：
局部空间自相关（LISA）用于衡量研究对象在局部尺度上的空间关联程度，能够识别研究区域内存在的局部聚集模式和空间离群值，从而更深入地理解空间异质性31。最常用的局部统计量为局部莫兰指数（Local Moran’s I）。空间权重矩阵采用“女王邻接”（Queen contiguity）方式构建，即相邻网格单元定义为共享边界或顶点的单元。统计显著性水平通过999次随机置换在0.05水平下进行检验。未进行多重检验校正，所有分析均使用ArcGIS 10.4（RRID: SCR_011081）完成。其数学表达式如下（公式3）：

figure-protocol-5 (3)

其中，xi 和 xj 分别表示区域 i 和 j 的城市活力值；x′ 为所有区域城市活力的均值；S2 为方差；Wij 为表示区域间空间关联程度的空间权重矩阵。

城市活力空间异质性的研究方法：
多尺度地理加权回归（MGWR）
MGWR 模型采用黄金分割搜索算法，通过迭代缩小搜索区间，为每个回归系数确定最优带宽。该方法可减少参数估计过程中的噪声，提升模型的预测性能。关于带宽选择方法（自适应或固定）、核函数、带宽搜索范围、收敛准则、停止容差以及预测变量标准化流程的详细信息见补充文件4。计算公式如下（方程4）：

figure-protocol-6 (4)

其中，bwj 表示第 j 个变量回归系数所使用的带宽；k 表示解释变量的个数；xij 表示第 i 个网格中第 j 个预测变量；(ui, vi) 表示第 i 个网格的质心坐标；β(bwj) 是使用相应带宽估计的回归系数；εi 为随机误差项。

详细的模型配置、带宽优化流程及实施工作流程均在文中提供 补充文件 4，而完整的白天和夜间模型输出可参见 补充文件 5 和 6，分别。普通最小二乘回归诊断结果提供于 补充文件 7.

从城市发展的理论视角、研究范围和实际应用性来看，多尺度地理加权回归（MGWR）相较于普通最小二乘回归（OLS）和传统的地理加权回归（GWR）具有明显优势。OLS采用全局建模框架，假设所有解释变量在整个研究区域内的影响是均一的。这一假设忽略了城市系统固有的空间异质性，导致参数估计结果为平均值，往往无法捕捉局部地区的实际情况，因而难以有效支持基于具体情境的政策制定。尽管传统GWR考虑了空间非平稳性，但它对所有变量施加单一的带宽，即采用统一的空间尺度。这一限制与实证研究相矛盾，因为不同的城市要素（如交通基础设施、土地利用混合度或绿地）在显著不同的空间范围内发挥作用。因此，这种过度简化可能引入模型偏差，损害分析的有效性。MGWR通过基于每个预测变量实际观测到的空间影响范围，分别估计变量特有的带宽，从而克服了这一局限。结果表明，MGWR能更真实地捕捉城市空间结构影响城市活力的尺度依赖性机制。这一进展不仅深化了对城市中人与环境相互作用的理论理解，还通过支持空间干预措施的差异化优先排序，为提升城市活力提供了定量的、基于证据的实践依据。相关计算工作流程详见补充代码1–4。

结果

城市活力空间格局分析
城市活力的空间分布特征：
为了更好地考察烟台市主城区在白天和夜间城市活力的时空演变特征，我们基于热力图数据，结合居民日常活动模式，采用地理信息系统（GIS）软件对不同时段的城市活力进行可视化，并进行了核密度分析。如图3所示，烟台市主城区的城市活力在07:00至23:00期间呈现出明显的“集聚—分散—再集聚”的时空动态特征。白天与夜间高活力区和低活力区的空间分布高度相似，表明这两个时段之间城市活力的波动相对稳定。

figure-results-1
图3。烟台市主城区城市活力的时空分布。 周边地图显示了不同时刻的城市活力，中心地图总结了白天和夜间的城市活力模式。颜色越暖表示活力越高。请点击此处查看该图的放大版本。

从空间格局来看，烟台市主城区的城市活力总体呈现东北高、西南低的特征，具有“中心—边缘”模式与“多核心”结构并存的复杂空间格局。城市活力较高的区域主要集中于东北部，包括通伸街道、毓璜顶街道、向阳街道，以及大海洋路和机场路沿线。此外，只楚街道东部和凤凰台街道中部区域的城市活力也相对较高。烟台市主城区的城市活力还受到地形条件的显著影响。中部山区，如黄山顶、蓁山和金矿顶等区域，被划分为低活力区。这些区域在白天因登山、休闲等活动，活力水平有所提升，但夜间活力极低。这一格局表明城市活力在空间分布上存在显著差异，倾向于集聚在高密度居住区、休闲目的地以及交通可达性较强的区域。这种复合型空间结构印证了城市功能分区与人口流动之间的耦合关系。同时，地形与交通因素的重要作用进一步支持了多种城市空间结构共同塑造城市活力的假设。

从时间维度来看，烟台市主城区的城市活力主要由居民的工作和休闲活动所塑造。07:00至18:00时段涵盖早高峰及白天的工作与学习时间，此期间居民通常从家中前往工作场所，导致城市活力的空间格局由集聚向分散转变。18:00至23:00时段包括晚高峰和休闲时段，特别是22:00之后，城市活力的空间分布变得更加集中，整体活力水平下降。这反映出一方面居民在工作和休闲活动结束后返回居所，另一方面此前活跃的城市空间逐步进入夜间休眠状态。总体而言，城市活力的昼夜变化明显受到居民日常作息规律的驱动。白天时段（07:00–18:00）是城市活力的高峰期，表现为活力水平较高、空间覆盖范围广，低活力区域极少。相比之下，夜间时段（18:00–23:00）活动范围逐渐缩小，活力 increasingly 集中于居住区。这些发现清晰地揭示了工作-休息活动对烟台市主城区城市活力的时间依赖性影响，阐明了其昼夜演变特征，实现了识别城市活力时空格局的核心目标，并支持了居民日常活动节律与城市活力密切相关这一假设。

城市活力的空间聚集特征：
采用全局Moran’s I指数对烟台市主城区城市活力的空间自相关性进行分析。结果表明，白天和夜间城市活力的Moran’s I值分别为0.722和0.736。显著性检验显示，烟台市主城区城市活力在白天和夜间均呈现显著的空间聚集特征，且夜间的聚集效应较白天更为明显。

如图4所示，烟台市主城区的城市活力主要呈现两种集聚模式：“高—高”集聚和“低—低”集聚。尽管整体空间分布呈现出“中心—边缘”与“一核多点”相结合的不规则复合格局，但“中心”与“边缘”在空间上相互分离，其间过渡区域包含大量无显著集聚的区域。空间自相关分析结果清晰地识别出城市活力的集聚模式及其空间分异特征，从而实现了模式识别的研究目标。这些发现也支持了相关研究假设，与本研究的整体分析框架高度一致，并为进一步分析空间结构的差异化效应提供了基础。

figure-results-2
图4．城市活力的白天与夜间局部空间集聚。 局部空间关联指标（LISA）地图展示了白天和夜间活力的高—高、高—低、低—高、低—低以及非显著性空间聚类。 请点击此处查看此图的放大版本。

基于MGWR的城市空间结构对城市活力的空间异质性效应
为避免城市空间结构各因素间相互影响导致的估计偏差，采用方差膨胀因子（VIF）对所有解释变量进行检验。VIF值越大，多重共线性越强。通常，当VIF值大于7.5时，表明该解释变量存在冗余32。检验结果如图所示 表 2所有VIF值均小于7.5，表明所选指标不存在多重共线性。具有 p > 0.05 的变量被剔除，因其被认为对城市活力无显著影响。在完成变量筛选后，最终选取了七个因素——POI多样性、生活功能、居住功能、建筑密度、邻近性、到商业中心的距离（DBC）和步行性——作为解释变量，用于构建MGWR模型（RRID: SCR_017651）。该步骤完成了变量筛选过程，所保留的核心因素与研究框架一致，确保后续模型分析能够有效验证研究假设。

变量p-值方差膨胀因子 (VIF)
兴趣点多样性01.946
经济功能0.0253.15
生活功能0.0043.834
居住功能0.0011.925
建筑密度03.062
容积率0.0845.723
邻近性01.732
中介性0.9522.022
距市中心距离0.4581.407
距商务中心距离0.0091.498
近水指数0.061.132
归一化植被指数 (NDVI)0.1181.049
建筑连续性0.3642.746
天空可视因子0.221.177
步行可达性0.0042.094

表2：候选解释变量的多重共线性评估。 该表格展示了在多尺度地理加权回归（MGWR）分析前进行变量筛选时，所使用的各个候选解释变量的统计显著性（p值）和方差膨胀因子（VIF）。用于后续建模的变量均满足预设的统计选择标准。缩写：VIF，方差膨胀因子。

模型拟合效果：
采用三种方法进行建模分析：全局OLS模型、传统GWR模型和MGWR模型。模型收敛依据SOC-f（平滑f）准则，即以连续两次迭代之间所有估计回归系数的最大绝对变化量作为收敛判据。收敛阈值设定为1.0 × 10⁻5，最大迭代次数设定为200。白天和夜间模型采用相同的方法学设置，包括核函数、带宽搜索规则、收敛准则及其他参数设置，以确保结果的可比性；仅因因变量不同，导致估计的最优带宽和回归系数有所差异。结果表明，白天模型在28次迭代后收敛，夜间模型在34次迭代后收敛。两个模型均满足收敛阈值要求，表明估计结果稳定可靠。三种模型的评价指标见Table 3。

类别变量OLSGWRMGWR
模型性能AICc670344173463
调整后 R²0.620.560.8
最优变量带宽（MGWR）POI 多样性—53239
生活功能——724
居住功能——256
建筑密度——237
邻近性——921
到商业中心的距离——2220
步行便利性——2220

表3：普通最小二乘法（OLS）、地理加权回归（GWR）和多尺度地理加权回归（MGWR）模型性能比较。 该表使用校正后的赤池信息准则（AICc）和调整后的决定系数（调整后 R2）比较了普通最小二乘法（OLS）、地理加权回归（GWR）和多尺度地理加权回归（MGWR）模型的性能。表中还报告了MGWR模型中每个解释变量估计的最优带宽，以说明回归分析中变量特有的空间尺度。缩写：AICc，校正后的赤池信息准则；OLS，普通最小二乘法；GWR，地理加权回归；MGWR，多尺度地理加权回归。

如表3所示，MGWR模型的AICc值低于OLS和GWR模型，校正后的R2更高，表明其模型拟合效果更优。此外，与OLS和GWR模型相比，MGWR模型允许每个解释变量具有各自最优的带宽，带宽范围从237到2,220。这表明不同变量对城市活力的影响在空间尺度上存在显著差异。

在各变量中，建成环境复合指数（DBC）和步行性（walkability）的带宽接近整个样本范围，表明它们的影响主要是全局性的而非局部性的。这可能是因为这些因素在大多数区域的空间变异相对有限。作为反映社会经济状况和与人类感知密切相关的街道环境特征的指标，它们对城市活力具有整体性影响。相比之下，兴趣点多样性（POI diversity）、生活功能、居住功能、建筑密度和邻近性这五个变量的带宽较小，表明其影响集中在局部空间尺度上。这些因素反映了居民对功能复杂性、居住环境和可达性的差异化需求，因此可能在局部空间吸引或限制不同类型的活动，从而塑造城市活力。

具体而言，兴趣点多样性、居住功能和建筑密度的带宽分别为239、256和237，占全样本的11%、12%和11%。生活功能和邻近性的带宽在样本中所占比例更大，分别对应33%和41%，表明其影响作用在更广的空间尺度上发挥作用。总体而言，多尺度地理加权回归（MGWR）模型的优势明显。解释变量影响尺度的差异进一步支持了空间异质性的假设，并证实了本研究模型选择的合理性。

影响的重要性：
MGWR 模型得到的回归系数的统计结果见表4。根据平均回归系数绝对值的大小，白天时段城市空间结构变量的贡献排序如下：POI 多样性 > 可达性 > 建筑密度 > 生活功能 > 居住功能 > 步行便利性 > DBC。夜间时段，排序略有变化，依次为：POI 多样性 > 生活功能 = 居住功能 > 建筑密度 > 步行便利性 > DBC > 可达性。

变量白天均值白天标准差白天中位数夜间均值夜间标准差夜间中位数
POI多样性0.2260.1260.1960.3220.0960.315
生活功能0.0880.0060.0880.1450.0750.153
居住功能0.0190.1580.0040.1450.1730.123
建筑密度0.1320.0290.1310.0700.1260.053
邻近性0.1650.1880.1210.0300.0480.024
距商业中心距离−0.0100.004−0.0100.0320.0030.031
步行便利性0.0110.0020.0110.0390.0020.039

表4：多尺度地理加权回归（MGWR）模型估计的回归系数汇总统计。 该表汇总了多尺度地理加权回归（MGWR）模型对白天和夜间城市活力估计的回归系数分布情况。针对每个解释变量，报告了回归系数的均值、标准差（SD）和中位数，以便比较两个时间段内效应大小和变异性的差异。缩写：MGWR，多尺度地理加权回归；SD，标准差。

值得注意的是，无论白天还是夜间，兴趣点（POI）多样性始终对城市活力贡献最大，且呈正向作用。这表明，拥有多种类型城市设施和高度功能混合的区域对城市居民尤其具有吸引力，从而增强城市活力。在白天，居民的活动主要以通勤、办公和公共服务为导向，因此邻近性和建筑密度发挥着重要作用。到了夜间，居民的活动转向居住、休闲和本地消费，生活功能和居住功能的贡献显著增加，而邻近性的贡献则明显下降。这种昼夜之间的排序差异直接反映了随着居民日常活动模式的变化，驱动城市活力的机制在结构上发生了转变，为后续分区域、分时段的差异化规划提供了宏观依据。

如图5所示，在筛选影响因素后，对回归系数的变化及影响区域的差异进行分析表明，白天时段，生活功能、到商业中心的距离（DBC）和步行性的影响相对稳定。其中，生活功能和步行性具有正向影响，而到商业中心的距离则表现出正向和负向双重影响。兴趣点（POI）多样性、居住功能和可达性的影响范围波动较大，且同样呈现正负双向影响。建筑密度的影响在一定范围内变化，但始终为正向。夜间时段，DBC和步行性的影响更为稳定，且均为正向。相比之下，POI多样性、居住功能和建筑密度的影响变化较大，其中POI多样性表现为正向影响，而居住功能和建筑密度则与城市活力呈现正负双重关系。生活功能和可达性的影响也在一定范围内波动。

figure-results-3
图5．多尺度地理加权回归模型回归系数的分布。 小提琴图比较了每个影响因素在白天和夜间系数分布的情况。较宽的区域表示系数密度较高；正值表示促进作用，负值表示抑制作用。请点击此处查看该图的高清版本。

影响的空间异质性
为进一步分析城市空间结构对城市活力影响的空间异质性，选取了具有显著影响水平的样本。对各城市空间结构要素的白天和夜间回归系数进行了可视化呈现（图6和图7）。采用自然断点分级法，将回归系数划分为10个等级，以说明其影响的空间范围、强度及方向性变化。

figure-results-4
图6白天多尺度地理加权回归系数的空间分布 地图展示了兴趣点多样性、生活功能、居住功能、建筑密度、邻近性、S 和步行便利性等变量在白天回归系数上的空间差异。颜色梯度表示系数的大小，具体数值参见各子图图例。 请点击此处查看此图的放大版本。

figure-results-5
图7夜间多尺度地理加权回归系数的空间分布 地图展示了兴趣点多样性、生活功能、居住功能、建筑密度、邻近性、到商业中心的距离以及步行便利性等变量在夜间回归系数上的空间差异。各图例中的颜色梯度表示回归系数的大小。 请点击此处以查看此图的放大版本。

兴趣点（POI）多样性用于衡量每个空间单元内城市功能的多样性和复杂性。城市活力的核心机制在于目的地的多样性以及各类活动之间的协同效应。一个区域的POI多样性越高，越能在同一空间内满足居民在购物、餐饮、娱乐和日常生活服务等方面的多样化需求，从而减少跨区域出行的需要，延长行人停留时间，并提高空间利用强度。结果表明，POI多样性对城市活力的影响最强，且表现出显著的空间差异性。具体而言，其影响在高值和低值区域分布相对集中：较强的影响主要出现在城市中心区域，而较弱的影响则主要分布在城市边缘地带。整体回归系数以正值为主，表明存在明显的正向关系，仅有少数区域呈现微弱的负相关。这说明在大多数地区，POI多样性越高，城市活力也越强。此外，POI多样性对城市活力的影响在夜间比白天表现出更显著的空间分异特征，使其成为夜间最具影响力的因子。这种昼夜差异可归因于居民在白天与夜间活动需求的结构性分化。白天，混合土地利用主要满足通勤以及工作间隙短暂、碎片化的消费需求，其在吸引行人活动方面的作用相对有限。而在夜间，人们的活动则转向休闲、社交和体验式消费。在此背景下，POI多样性较高的区域能够提供丰富且连续的夜间消费场景，有效延长居民户外停留时间，从而对夜间活力产生更为显著的驱动作用。

生活功能涵盖与教育、科学、文化、卫生、交通及公共服务相关的设施，以满足居民的日常需求。其影响机制在于形成一种活动—目的地网络：这些设施不仅自身吸引人流，还通过与其他功能的协同作用，产生稳定的人流活动。回归结果显示，生活功能对白天活力的正向影响保持稳定，系数介于0.078至0.098之间，作用强度仅有轻微波动。相比之下，夜间影响系数范围扩大至0.005–0.256，表明其空间影响显著更广。以知初街和幸福街为核心区域，影响程度从中心向周边地区逐渐增强。尽管该区域人口分布集中，但城市规划相对滞后，且受经济发展制约，娱乐设施及其他生活功能配套设施的整体供给水平低于城市东部地区。因此，其对居民的吸引力较弱，对城市活力的影响也不够显著。这种时间上的差异反映了居民活动目的的转变：白天，生活功能主要面向公共服务，人流相对稳定；而夜间则叠加了休闲与娱乐需求，与餐饮、购物等消费导向型功能形成互补关系，从而使生活功能在更广泛的空间范围内对城市活力产生更强的驱动作用。

居住功能构成了容纳居民夜间返回与停留的空间基础，其与城市活力的关系在白天和夜间呈现出显著不同的模式。白天，居住区是人口外流的起点，因此单纯提高居住密度并不一定能够增强城市活力；若缺乏商业和服务设施的配套，高密度居住区反而可能成为活力较弱的“睡城”。然而到了夜间，居民返回居所，居住区则成为夜间活动的空间基础。研究结果表明，尽管居住功能变量整体平均效应相对较弱，但在某些区域仍表现出明显的空间异质性与差异性，且这种影响的空间分布格局在白天与夜间总体相似。在宏润建材市场、水果批发市场、凤凰台小学以及锦绣新城周边区域，居住功能分布密集，但其与城市活力的关系呈负向，说明在这些区域进一步增加居住功能并不能提升城市活力，过度集中的居住布局反而可能因空间拥挤和配套设施不足而抑制夜间的社交与消费活动。相比之下，在石慧瑶街区域，居住功能与城市活力呈正相关关系，表明该区域的居住设施在支撑城市活力方面发挥了更强作用，并对居民具有更大的吸引力。

建筑密度反映了特定区域内开发强度，其内在机制在于为人口集聚提供物质基础：较高的建筑密度意味着更大的人口承载能力，以及更密集的就业机会和商业网点分布。本研究结果表明，建筑密度在白天对城市活力具有整体正向影响，且其影响强度自东向西逐渐减弱，呈现出清晰的同心圆结构。在城市西部区域，建筑密度对城市活力的影响弱于东部区域，表明在西部地区提高建筑密度对提升城市活力的效果不如东部显著。然而在夜间，该影响则呈现双向模式。在幸福街西部临近嘉河区域以及知初街低值聚集区，建筑密度对城市活力的影响呈负相关，且影响幅度变化较小。这种昼夜差异源于功能分化：白天，高密度建成区集中了办公与商业功能，成为人口流入的主要区域；而夜间，部分高密度商业区人口向外疏散，城市活力随之外溢至周边居住区。从这一角度看，高密度建成区在白天作为活力集聚的中心，而在夜间则转变为活力扩散的源头，通过向外溢出效应促进周边区域的活力提升。

邻近性用于衡量道路网络连通性的效率，决定了居民到达各类目的地的便利程度。其核心机制在于降低出行时间成本并扩大活动空间范围；较高的邻近性直接提升了到访场所的可能性与频率。本研究结果表明，在白天，邻近性是仅次于兴趣点（POI）多样性的第二大驱动因素，而其影响在夜间则显著减弱。这种明显的昼夜差异反映了居民活动模式的根本转变。白天，通勤、办事和商务活动等对交通出行有较高需求，高度依赖可达性；而在夜间，居民活动更加以家庭为中心，活动半径缩小，出行目的转向休闲与消费，因而对道路网络可达性的敏感度显著降低。此外，邻近性表现出双向局部效应：在嘉河沿岸以及芝初街和凤凰台街区域，邻近性与城市活力呈显著正相关；而在幸福街以北人口稀疏的区域，则呈现较弱的负相关关系。这表明，邻近性对城市活力的促进作用依赖于足够的人行需求存在。

DBC 衡量每个空间单元到城市核心商业区的接近程度，反映了在获取就业机会、消费环境和经济外部性方面的区位优势。其内在机制源于集聚经济和消费者可达性：一个区域距离商业中心越近，就业机会越密集，消费选择越丰富，社会经济互动也越活跃，从而吸引更多的行人流量。本研究结果表明，DBC 对白天城市活力的影响自南向北逐渐减弱，并呈现负相关关系。南部区域距离商业中心较远，因此对城市活力的影响较弱；而魁玉路以北区域更靠近商业中心，因而影响更强。然而在夜间，这种关系转为正相关，在红旗路南北两侧形成两个环状区域，影响强度从中心区域向周边逐渐增强。这种昼夜反转现象揭示了空间结构的内在逻辑：白天，商业中心作为就业和消费的核心目的地，推动人口向内聚集；夜间，居民返回遍布全城的居住地，距离商业中心较远的住宅区反而因人口回流而活力上升。

步行性衡量了街道环境对行人的友好程度，是物理空间与人类感知之间的重要桥梁。其独特机制并不在于直接产生行人流量，而在于改善步行体验，增强安全感与舒适感，延长行人停留时间，并促进社会交往，从而提升城市活力。本研究发现，步行性在白天和夜间均对城市活力表现出稳定且积极的影响，表明其作用具有普遍性，即对行人友好的街道环境通常能够提升空间活力。白天时，步行性对城市活力的影响在朱家村和凤凰台街道形成了低活力区域。这可能主要是因为朱家村附近的行人流量相对有限，且当地居民对人行道的依赖程度较低。在凤凰台街道，建筑分布密集，街道布局陈旧，人行道狭窄且常被占用，导致非机动化出行对活力集聚的支持作用有限。夜间，步行性的影响从西南向北逐渐减弱，在城市南部作用较强，北部则相对较弱。这一格局与烟台市主城区的行人流量分布、交通设施布局以及区域发展差异密切相关。此外，夜间步行性的影响相对更强，反映出夜间活动对感知安全性和环境质量的依赖程度更高。良好的照明、连续的人行道以及明确的街道围合感，能够有效降低夜间出行时的不安全感，从而释放城市夜间活力的潜力。

代表性区域与城市活力优化框架
为进一步说明MGWR分析所识别的空间异质性，选取了具有不同城市空间特征的代表性街区进行实地调研（图8和图9）。这些案例为分析结果所关联的空间状况提供了直观的证据。

figure-results-6
图8。幸福新城老旧街区的现状。 代表性照片展示了街道及建成环境状况，包括公共设施分布不均和街道环境质量有限的问题。请点击此处查看该图的放大版本。

figure-results-7
图9。南沟街道金德和百石-黄山老旧小区现有状况。 代表性照片显示了密集的住宅建筑、有限的公共开放空间以及当前的社区环境状况。 请点击此处查看该图的放大版本。

图8展示了兴福新镇，这是一个典型的老旧社区，其特点是公共服务设施分布不均，街道环境质量相对较差。图9展示了南沟街道—金德地区以及白沙—黄山地区的代表性住宅社区，这些社区以住宅开发密度高、公共开放空间有限以及街道界面相对单调为特征。这些观察到的空间特征与分析结果一致，即生活功能和居住功能对城市活力的影响存在差异。

图10 总结了城市空间结构主要维度之间的关系及其对城市活力的影响。基于多尺度地理加权回归（MGWR）分析结果，该框架整合了已识别的驱动因素及其相互作用，以提供一个影响白天和夜间城市活力机制的整体概念性表述。

figure-results-8
图10．城市空间结构优化与活力提升机制。 该示意图总结了在功能要素、建筑形态、可达性、社会经济因素、生态空间以及人类感知等方面提升城市活力的策略，并考虑了白天与夜间活力的差异。请点击此处查看此图的放大版本。

数据可用性：
本研究所有支持研究结果的数据均在文章及其补充材料中提供。包括补充图1；补充文件1–7，其中描述了数据收集、预处理、分析流程、模型输出和回归诊断；补充代码1–4，包含用于数据预处理和街景图像处理的Python脚本和Jupyter笔记本；以及补充数据1–3，提供分析中所使用的原始、标准化及处理后的城市空间结构指标数据集。

补充图1. 基于热力图的城市活力通过夜间灯光强度的验证。 夜间灯光强度的空间分布（左）与基于百度热力图数据提取的夜间城市活力（右）的对比。通过突出显示代表性热点区域，展示了两组数据集之间的空间一致性，支持在本研究区域中将基于热力图提取的活动强度作为城市活力的代理指标。 请点击此处下载该文件。

补充文件1. 百度热力图数据采集与处理流程。 本文件描述了百度热力图数据的获取、预处理、去噪、时间分类、空间转换、核密度估计，以及在300 m × 300 m网格尺度上计算城市白天和夜间活力的完整流程。 请点击此处下载该文件。

补充文件2. 城市空间结构指标定义与计算方法。 本文件提供了分析中所用全部城市空间结构指标的定义、计算公式、预处理步骤、参数设置及归一化方法，涵盖功能混合度、建筑形态、可达性、社会经济特征、生态空间以及人类感知等方面。 请点击此处下载该文件。

补充文件3. 街景图像采集与分析流程。 本文件描述了街景图像的采样策略、图像采集参数、全景图像生成、使用SegNet模型进行语义分割、模型验证，以及基于街景图像计算人类感知指标的方法。 请点击此处下载该文件。

补充文件4. 多尺度地理加权回归（MGWR）建模流程 本文件描述了MGWR建模过程，包括数据预处理、变量选择、多重共线性评估、模型配置、带宽优化、参数设置、模型实现，以及普通最小二乘法（OLS）、地理加权回归（GWR）和MGWR模型性能的比较。 请点击此处下载该文件

补充文件 5. 日间多尺度地理加权回归（MGWR）输出结果。 完整的日间 MGWR 模型输出，包括全局回归统计量、带宽优化、诊断指标、参数估计值以及用于评估日间城市活力空间异质性的汇总统计量。 请点击此处下载该文件。

补充文件6. 夜间多尺度地理加权回归（MGWR）输出结果。 完整的夜间MGWR模型输出，包括全局回归统计量、带宽优化、诊断指标、参数估计值以及用于评估夜间城市活力空间异质性的汇总统计量。 请点击此处下载该文件。

补充文件7. 普通最小二乘法（OLS）回归诊断与模型评估。 OLS模型的诊断结果，包括多重共线性评估、回归诊断、残差分析以及用于与地理加权回归模型进行比较的支持性图表。 请点击此处下载该文件。

补充代码 1. 百度热图数据预处理的 Python 工作流程。 用于预处理原始热图数据的 Python 脚本，包括去除重复数据、缺失值过滤、时间戳转换、白天/夜间分类、坐标标准化，以及导出用于后续空间分析的处理后数据集。 请点击此处下载该文件。

补充代码 2. 街景图像拼接工作流程。 实现街景图像处理的 Jupyter 笔记本，包括图像拼接和全景图像生成，用于后续街道景观分析。 请点击此处下载该文件。

补充代码 3. 街景图像获取工作流程。 用于通过百度街景应用程序编程接口（API）获取街景图像、整理图像元数据并为语义分割准备图像的 Jupyter 笔记本。 请点击此处下载该文件。

补充代码 4. 街景图像处理工作流程。 用于在提取人类感知指标之前处理和整合街景图像的 Jupyter 笔记本。 请点击此处下载该文件。

补充数据 1. 原始城市空间结构指标数据集。 本研究中包含的所有空间单元在预处理和标准化之前汇编的原始指标值。 请点击此处下载该文件。

补充数据 2. 标准化的城市空间结构指标数据集。 用作多尺度地理加权回归分析输入的标准化预测变量。 请点击此处下载该文件。

补充数据 3. 经过滤和处理的城市空间结构指标数据集。 经过质量控制、预处理和变量筛选后的数据集，用于统计分析和模型构建。 请点击此处下载该文件。

讨论

烟台市主城区的城市活力呈现出多样化的集聚模式，以及在不同区位、空间范围和分析尺度上各异的空间影响。本研究表明，城市活力由一种复合且嵌套的空间结构所塑造，其中建成环境的多个维度共同影响着居民的白天与夜间活动。通过多源地理空间大数据与多尺度地理加权回归（MGWR）模型，本研究识别出功能混合性、建成形态、可达性、社会经济条件以及人类感知对城市活力的影响存在显著的空间异质性。相较于传统的全局回归方法，MGWR模型更有效地捕捉了这些关系的空间非平稳性，从而深化了对城市活力形成机制的理解。研究结果表明，提升城市活力的策略应基于居民在时空维度上的活动需求，采取公平且因地制宜的方法，根据人群、时间和地点的不同进行差异化设计。此外，有效的活力提升需统筹优化全局与局部空间结构，同时减少资源配置与环境约束所带来的低效、无效干预及负面效应。总体而言，这些发现为提高城市活力提升策略的有效性与精准性提供了基于证据的框架（图10）。

在所考察的功能要素中，兴趣点（POI）多样性、生活功能和居住功能被确定为城市活力的主要决定因素。其中，POI多样性对城市活力具有最强的正向影响，这与Ye和Zhuang33以及Cetin等34的研究结果一致，他们指出城市功能的混合性有助于促进人口集聚并提升空间活力。本研究发现，在白天时段，POI多样性在整个主城区大部分区域均与城市活力呈显著正相关关系，而在边缘区域仅观察到微弱的负相关关系。这一模式可归因于多样化居住、商业、休闲和服务功能的集中分布，这些功能形成了连续的人类活动链条，增强了城市空间在时间和空间上的活力。相比之下，外围区域以单一功能的土地利用为特征，活动链条呈现碎片化，城市空间的时间利用率较低。这种同心圆式的空间分异特征也与Fang等35和Xu等36的前期研究结果相符。类似模式在北京和武汉也有报道，这些城市中功能整合程度较高的区域表现出更强的步行活力和商业活力37,38。与北京郊区通常具备相对完善配套设施的居住区不同，烟台的黄务街道和万华产业园等工业区日常POI数量不足，导致功能单一化的负面影响更为显著。因此，通过混合型住商开发、社区服务设施建设和公共开放空间布局来提升功能多样性，有望增强这些区域的活力，而扩展夜间商业街和夜市则可进一步强化夜间活动水平。生活功能在白天和夜间均持续表现出对城市活力的正向作用，尤其在城市东部地区更为明显。与教育、医疗、文化、休闲、交通和公共服务相关的设施能够吸引居民每日重复访问，成为出行和社交互动的重要目的地。这些设施与商业服务在空间上的重叠进一步延长了行人停留时间并提高了活动强度，从而维持了城市活力。这些发现与Liu和Ge39的研究一致，后者强调公共服务供给对提升社区活力的重要性；南京和武汉的研究也表明，均衡的生活支持设施能显著增强居民全天候的活动强度40,41。因此，综合性城市更新应优先提升生活功能设施的数量与质量。如图8所示，幸福新城等老旧社区及其周边城中村仍存在公共服务供给不足、空间品质相对较低的问题。改善教育、医疗、养老、公共绿地和应急基础设施的可达性，并将智楚公园等原有工业用地通过适应性再利用改造为公园和公共广场，将有助于提升城市活力的强度与可持续性。居住功能在白天和夜间表现出相似的空间分布模式，总体上在居住类POI高度集中的区域呈现微弱的负相关关系。这些区域通常以居住用地为主导，公共开放空间有限，商业活动不足，社会交往机会较少，形成具有较强居住属性但活动强度相对较弱的城市环境。Chen等42同样指出，只有在适当密度基础上持续进行基础设施升级与更新，才能有效提升城市活力。对广州高密度城区的研究也表明，单纯增加住宅开发并不必然提升城市活力，必须辅以公共服务、商业设施、步行系统和高质量公共空间的支持。如图9所示，许多居住高度集中的社区仍面临公共空间短缺和街道界面活力不足的问题。因此，高密度居住区应通过有针对性地改善公共服务设施、优化居住功能配置、采用绿色建筑技术、加强社区治理，并对未来的住宅开发进行科学规划，以同步提升居住品质和城市活力。

除了功能要素外，本研究表明，建筑形态、可达性、社会经济条件以及人类感知均对城市活力的空间异质性产生影响。建筑密度被证实为社区活力的重要决定因素，该结果与Yang等人的研究发现一致。43 在中国重庆，较高的建筑密度通常促进人口聚集和经济活动，从而增强社区活力。类似地，本研究显示，建筑密度的影响从西向东逐渐增强，反映出烟台主城区东北核心区域发展和商业活动的集中。广州以往的研究进一步表明，尽管增加建筑密度最初会促进城市活力，但这种关系最终会达到一个最优阈值，超过该阈值后，进一步增加密度所带来的效益将逐渐减弱。16同样，青岛开展的研究表明，生态空间周边区域不适合过度密集的开发44，而沿海线性或自由形态的空间布局通常比高度紧凑的城市形态提供更具吸引力的环境。这些发现表明，建筑密度应被优化而非最大化。因此，在烟台火车站和海上世界等高度开发的商业和住宅区，应适当降低局部建筑密度，同时增加公共绿地和休闲空间。朝阳街和所城里等历史街区应优先保护历史建筑，避免过度再开发；而沿海旅游带及中央山公园周边的开发强度也应严格控制，以保护生态与景观资源，同时维持城市活力。可达性也表现出显著的时空异质性，这与以往研究结果一致。45,46，白天的邻近性与城市活力呈显著正相关，而夜间时段这种影响则呈现由南向北逐渐减弱的趋势。由于邻近性反映了道路网络的连通性以及居民出行成本，较高的可达性通过缩短出行时间促进了频繁且多样的活动。以往研究同样表明，夜间活力与人口密度和交通连通性密切相关，尤其在高度开发的城市密集区域。47. Wei Wei 等48 进一步在武汉得到证实：高度连通的道路网络和完善的慢行交通系统显著提升社区活力，尤其在夜间更为明显。这些发现表明，未来的道路网络规划应采用“小街区、密路网”的策略。对于位于山地地形附近的老旧社区，如南沟街—金德和白沙—虎山区域，通过消除断头路，并扩展步行、自行车及道路基础设施，可有效提升可达性与整体活力。 similarly，幸福街北部地区的交通改善将进一步增强其夜间活力。由DBC所表征的社会经济状况也表现出明显的昼夜异质性。白天，较低的DBC值与更强的人口聚集和更高的城市活力相关；而夜间活力则呈现相反的模式，这与王 et al. 报道的研究结果一致。49 这种差异反映了白天通勤和购物活动与夜间休闲及居住活动在空间组织上的对比。白天，城市的商业中心作为就业和消费的主要目的地，呈现出显著的活力集聚；而夜间，休闲活动则变得更加分散，同时随着居民返回住所，外围居住区的活力有所上升。这一模式也体现了在烟台以单一商业中心为主导的结构下，就业岗位与住房分布之间的不平衡。该现象与Bianchini的夜间经济理论相一致。50，发展多元化的夜间商业活动是增强郊区活力的有效策略。因此，黄务街道等郊区区域可通过建设次级商业中心、增加多样化的夜间消费机会，以及改善郊区住宅区与市中心之间的交通连接，从而促进整个城市区域活力的均衡发展。最后，以可步行性为代表的人类感知因素在白天和夜间均对城市活力产生持续的积极影响。Geurs 等51 表明更高的步行可达性会增加居民进行自发性步行出行的意愿，从而促进社区活力。Mahmood 等人52 进一步强调了夜间城市活动在很大程度上依赖于交通可达性、行人舒适度和感知安全性，因此高质量的步行环境对于维持夜间活力至关重要。本研究结果同样表明，白天的步行活动主要受设施可达性的影响，而夜间活力则更强烈地依赖于环境舒适度、步行路线的连续性以及感知安全性。Si Rui 等53 同样报告指出，更安全的步行环境有助于提升夜间活力，而多样化的街道界面则有助于增强白天活力。在中国台湾，老旧社区普遍存在步行设施碎片化和人车冲突严重的问题，限制了全天候活力的释放。因此，未来的规划应优先考虑连续的 sidewalks、无障碍步行设施、更安全的过街通道、更丰富的街道界面、改善照明以及提升夜间环境质量，以延长居民户外活动时间，促进社会交往和商业活动，增强城市白天与夜间的整体活力。 图10 总结了基于这些发现所提出的优化策略。

总体而言，本研究通过整合多源地理空间大数据与多尺度地理加权回归（MGWR）模型，推进了对城市活力的理解，量化了城市空间结构的多个维度在不同空间尺度和时间段内对活力的影响。与传统的全局回归模型不同，MGWR方法允许每个解释变量在各自独立的空间尺度上运行，从而揭示了功能、建成形态、可达性、社会经济条件、人类感知与城市活力之间关系中存在的显著空间非平稳性。该分析框架不仅提升了对城市活力内在机制的解释能力，也为基于证据的城市规划与治理提供了实践指导。研究结果支持根据各地的功能特征、开发强度、交通可达性、社会经济背景及行人环境等本地化条件，采取差异化的优化策略，而非在整个城市范围内实施统一的规划干预措施。因此，该框架在城市更新、社区再生、公共空间优化、交通规划以及可持续的白天与夜间经济发展等方面具有潜在应用价值。通过识别不同空间要素在何处以及如何影响城市活力，本研究为实施精准的、以人为本的规划策略提供了科学依据，在提升城市空间品质的同时，推动城市实现均衡与可持续发展。

尽管本研究建立了利用多源地理空间数据和MGWR模型分析城市活力的分析框架，但仍存在若干局限性需要指出。首先，分析的时间范围仅限于连续五个工作日采集的热力图数据，未能涵盖居民在周末、节假日或不同季节的行为模式变化，因此限制了时间维度分析的完整性。其次，尽管热力图数据通过大量用户实现了广泛的空间覆盖，但不可避免地存在抽样偏差，无法全面代表整个城市人口，导致样本代表性存在局限。第三，本研究仅聚焦于烟台市芝罘区的主城区，研究结果与当地建成环境特征密切相关，其在其他城市环境（包括山地城市、郊区、沿海城市及特大城市）中的适用性仍需通过比较研究进一步验证。第四，本研究仅考察了城市空间结构对城市活力的影响，而未探讨城市活力与空间结构之间可能存在的双向互动关系。最后，尽管MGWR模型能够有效捕捉空间非平稳性，但其本质上仍基于线性假设，因此可能无法充分刻画城市活力、人类活动与空间要素之间复杂的非线性关系及交互效应。这些局限性为未来进一步完善方法学并拓展该分析框架的应用范围提供了重要方向。

未来的研究可以从多个方向拓展当前工作。纳入在周末、节假日以及不同季节收集的热力图数据，将有助于对城市活力进行长期动态监测，并更全面地理解其时空演变特征。通过对比分析不同类型的城市，包括山地城市、平原城市、沿海城市、郊区以及特大城市，有助于区分普适性机制与区域特有特征，从而提高研究结果的普适性。此外，整合人口结构、产业分布、就业特征和居民收入等社会经济信息，将有助于更全面地阐释城市活力形成背后的机制。未来的研究还可结合多种数据来源，例如手机信令数据和高频消费记录，运用机器学习及其他非线性分析方法，以更好地捕捉城市空间结构、人类行为与城市活力之间的复杂交互关系。同时，本研究构建的分析框架在城市更新、社区再生、公共空间优化以及精细化城市治理方面具有重要的实践价值，尤其适用于老龄化社区、郊区以及商业活力相对较弱的区域。通过基于本地空间特征提供差异化的规划策略的定量依据，该框架可支持更精准、以人为本且可持续的城市发展。总体而言，本研究表明，将多源地理空间大数据与MGWR模型相结合，是揭示城市活力空间异质性的有效途径，为通过基于证据的规划与治理优化城市空间结构、提升城市活力提供了重要的科学支撑。

披露

利益冲突：
作者声明，他们不存在与本文的研究、撰写或发表相关的任何利益冲突。

致谢

本研究得到山东省高校青年创新团队项目（项目编号：2022RW026）；国家自然科学基金（项目编号：42377207）；山东省人文社会科学项目（项目编号：2022-YYGL-31）；山东省泰山学者青年专家计划（项目编号：tsqn202306240）；山东省普通本科教育教学改革研究项目（项目编号：Z2021177）；山东省重点研发计划项目（项目编号：2022RKY07006）；烟台市校地融合发展项目基金（项目编号：2021XDRHXMQT18）；湖泊科学与环境国家重点实验室开放基金（项目编号：2022SKL005）；中国科学院地球环境研究所黄土与第四纪地质国家重点实验室开放基金（项目编号：SKLLQG2024）；以及山东省高校人才引进与培养青年创新团队项目（项目编号：SKLLQG2024）的资助。

材料

本文使用的材料清单
姓名公司目录编号评论
ArcGISEsriVersion 10.4 (RRID: SCR_011081)用于空间分析与地图可视化的地理信息系统软件
Baidu Maps APIBaidu, Inc.Version 3.0用于获取热力图、兴趣点（POI）及街景图像数据
MGWRArizona State UniversityVersion 2.2用于多尺度地理加权回归分析的软件
National Basic Geographic Information Center Land-use DatasetNational Basic Geographic Information Centerhttps://www.gscloud.cn/search土地利用数据来源
NPP-VIIRS Nighttime Light DatasetHarvard DataverseDOI: 10.7910/DVN/YGIVCD用于验证由热力图提取的城市活力模式
OpenCVOpenCVVersion 4.5.5用于全景图像拼接与图像处理
OpenStreetMapOpenStreetMap Foundationhttps://www.openstreetmap.org建筑轮廓与道路网络数据来源
PythonPython Software FoundationVersion 3.8 (RRID: SCR_008394)用于数据获取、预处理与分析
SegNetUniversity of CambridgePyTorch implementation (Version 1.0) (RRID: SCR_017042)用于街景特征提取的深度学习语义分割网络
Spatial Design Network Analysis (sDNA)Cardiff UniversityVersion 4.0用于计算道路网络可达性指标

参考文献

  1. Jin X, et al. Evaluating cities' vitality and identifying ghost cities in China with emerging geographical data. Cities. 2017;63:98-109.
  2. Montgomery J. Making a city: Urbanity, vitality and urban design. J Urban Des. 1998;3(1):93-116.
  3. Zhang W. Theoretical basis and methods of city health examination evaluation in China. Sci Geogr Sin. 2021;41(10):1687-1696.
  4. Jacobs J. The Death and Life of Great American Cities. Random House; New York; 1992.
  5. Maas PR. Towards a Theory of Urban Vitality. University of British Columbia; Vancouver; 1984.
  6. Sulis P, Manley E, Zhong C, Batty M. Using mobility data as proxy for measuring urban vitality. J Spat Inf Sci. 2018;16:137-162.
  7. Jia C, et al. Evaluation of urban vibrancy and its relationship with the economic landscape: A case study of Beijing. ISPRS Int J Geo-Inf. 2021;10(2):72.
  8. Kim YL. Seoul's Wi-Fi hotspots: Wi-Fi access points as an indicator of urban vitality. Comput Environ Urban Syst. 2018;72:13-24.
  9. Yue H, Zhu X. Exploring the relationship between urban vitality and street centrality based on social network review data in Wuhan, China. Sustainability. 2018;11(16):4356.
  10. Zhang L, Chiaradia A. Three-dimensional spatial network analysis and its application in a high-density city area, Central Hong Kong. Urban Plan Int. 2019;34(1):46-53.
  11. Feng D, Tu L, Sun Z. Research on population spatiotemporal aggregation characteristics of a small city: A case study of Shehong County based on Baidu Heat Maps. Sustainability. 2019;11(22):6276.
  12. Ye Y, Li D, Liu X. How block density and typology affect urban vitality: An exploratory analysis in Shenzhen, China. Urban Geogr. 2018;39(4):631-652.
  13. Liu M, Jiang Y, He J. Quantitative evaluation on street vitality: A case study of Zhoujiadu Community in Shanghai. Sustainability. 2021;13(6):3027.
  14. Wang B, et al. Elaborating spatiotemporal associations between the built environment and urban vibrancy: A case of Guangzhou City, China. Chin Geogr Sci. 2022;32:480-492.
  15. Hu C, et al. Research on the spatiotemporal pattern and influencing mechanism of coastal urban vitality: A case study of Bayuquan. Buildings. 2024;14(7):2173.
  16. Wang C, Wang B, Wang Q, Lei Y. Nonlinear associations between urban vitality and built environment factors and threshold effects: A case study of central Guangzhou City. Prog Geogr. 2023;42(1):79-88.
  17. Huang LS, Han Y, Ye Y. Coastal waterfront vibrancy: An exploration from the perspective of quantitative urban morphology. Buildings. 2022;12(10):1585.
  18. Yue W, Chen Y, Zhang Q, Liu Y. Spatially explicit assessment of urban vitality using multi-source data: A case of Shanghai, China. Sustainability. 2019;11(3):638.
  19. Pan J, Zhu X, Zhang X. Urban vitality measurement and influence mechanism detection in China. Int J Environ Res Public Health. 2022;20(1):46.
  20. Zeng Z, Li Y, Tang H. Multidimensional spatial driving factors of urban vitality evolution at the subdistrict scale of Changsha City, China, based on the time series of human activities. Buildings. 2023;13(10):2448.
  21. Xia X, Zhang Y, Zhang Y, Rao T. The spatial pattern and influence mechanism of urban vitality: A case study of Changsha, China. Front Environ Sci. 2022;10:942577.
  22. Ye Y, Zhuang Y, Zhang L, Nes A. Designing urban spatial vitality from a morphological perspective: A study based on quantified urban morphology and activities' testing. Urban Plan Int. 2016;31(1):26-33.
  23. Long Y, Ye Y. Human-scale urban form: Measurements, performances, and urban planning and design interventions. South Architecture. 2016;(5):41-47.
  24. Shen T, Li F, Chen Z. The evaluation of urban vitality and spatial correlation based on multi-source data: A case study of the main urban area of Changzhou. Resour Environ Yangtze Basin. 2022;31(5):1006-1015.
  25. Liu Y, Zhao P, Liang J. A study of urban vitality based on location-based service data: A case study of the area within the Sixth Ring Road of Beijing. Areal Res Dev. 2018;37(6):64-69.
  26. Zhang F, Liu Q, Zhou X. Vitality evaluation of public spaces in historical and cultural blocks based on multi-source data: A case study of Suzhou Changmen. Sustainability. 2022;14(21):14040.
  27. Gong Z, Ma Q, Kan C, Qi Q. Classifying street spaces with street view images for a spatial indicator of urban functions. Sustainability. 2019;11(22):6424.
  28. Ye Y, Zhang L, Yan W, Zeng W. Measuring street greening quality from a humanistic perspective: A large-scale analysis based on Baidu street view images and machine learning algorithms. Landscape Architecture. 2018;25(8):24-29.
  29. Penn A, Hillier B, Banister D, Xu J. Configurational modelling of urban movement networks. Environ Plann B Plan Des. 1998;25(1):59-84.
  30. Ye Y, et al. Measuring daily accessed street greenery: A human-scale approach for informing better urban planning practices. Landsc Urban Plan. 2019;191:103434.
  31. Moran PAP. Notes on continuous stochastic phenomena. Biometrika. 1950;37(1-2):17-23.
  32. Yang L, Jiao H. Spatiotemporal changes in ecosystem services value and its driving factors in the Karst region of China. Sustainability. 2022;14(11):6695.
  33. Ye Y, Zhuang Y. A hypothesis of urban morphogenesis and urban vitality in newly built-up areas: Analyses based on street accessibility, building density and functional mixture. Urban Plan Int. 2017;32(2):43-49.
  34. Cetin M, et al. Evaluation of thermal climatic region areas in terms of building density in urban management and planning for Burdur, Turkey. Air Qual Atmos Health. 2019;12(9):1103-1112.
  35. Fang C, He S, Wang L. Spatial characterization of urban vitality and the association with various street network metrics from the multi-scalar perspective. Front Public Health. 2021;9:677910.
  36. Xu Q, Zhou X, Zhou S. Identifying urban fringe boundaries and evaluating urban vitality using multi-source data: A case study of Hangzhou's central urban area. Urban Dev Stud. 2024;31(1):80-88.
  37. Hao X, Long Y, Shi M, Wang P. Street vibrancy of Beijing: Measurement, impact factors and design implication. Shanghai Urban Plan Rev. 2016;(3):9.
  38. Zeng C, Song Y, He Q, Shen F. Spatially explicit assessment on urban vitality: Case studies in Chicago and Wuhan. Sustain Cities Soc. 2018;40:296-306.
  39. Liu S, et al. Urban vitality assessment at the neighborhood scale with geo-data: A review toward implementation. J Geogr Sci. 2023;33(7):1482-1504.
  40. Tang L, Xu H, Ding Y. Comprehensive vitality evaluation of urban blocks based on multi-source geographic big data. J Geo-Inf Sci. 2022;24(8):1575-1588.
  41. Yang W, Ren Z, He J. Analysis of spatial disparity based on supply and demand service level of life service facilities: A case of Jianghan District in Wuhan City. Geomat Inf Sci Wuhan Univ. 2024;49(3):473-481.
  42. Chen Z, Dong B, Pei Q, Zhang Z. The impacts of urban vitality and urban density on innovation: Evidence from China's Greater Bay Area. Habitat Int. 2022;119:102490.
  43. Yang FF, et al. Understanding urban vitality from the economic and human activities perspective: A case study of Chongqing, China. Chin Geogr Sci. 2024;34(1):52-66.
  44. Sun X, Yuan Y, Wang J, Dong Q. Research on the influence factors and spatial characteristics of urban coastal space vitality via multi-scale geographically weighted regression: A case study of Tsingtao East Coast. J Qingdao Agric Univ (Soc Sci). 2024;36(1):50-58.
  45. De Vries S, et al. Local availability of green and blue space and prevalence of common mental disorders in the Netherlands. BJPsych Open. 2016;2(6):366-372.
  46. Chen Y, et al. Emerging social media data on measuring urban park use. Urban For Urban Green. 2018;31:130-141.
  47. Li Z, Zhao G. Revealing the spatiotemporal heterogeneity of the association between the built environment and urban vitality in Shenzhen. ISPRS Int J Geo-Inf. 2023;12(10):433.
  48. Wei W, Zhang Y, Hong M, Xia J. Influence of the built environment on outdoor space fitness vitality and its heterogeneity: A case study of the Wuhan urban area. Prog Geogr. 2024;43(1):93-109.
  49. Wang B, Lei Y, Wang C, Wang L. The spatiotemporal impacts of the built environment on urban vitality: A study based on big data. Sci Geogr Sin. 2022;42(2):274-283.
  50. Bianchini F. Night cultures, night economies. Plan Pract Res. 1995;10(2):121-126.
  51. Geurs KT, Krizek KJ, Reggiani A. Accessibility Analysis and Transport Planning. Edward Elgar Publishing; Cheltenham; 2012.
  52. Mahmood A, et al. A photovoice documentation of the role of neighborhood physical and social environments in older adults' physical activity in two metropolitan areas in North America. Soc Sci Med. 2012;74(8):1180-1192.
  53. Si R, Lin Y, Xiao Z, Ye Y. Spatiotemporal analysis of the relationship between the built environment and street vitality based on street-level imagery: A case study of Futian District, Shenzhen. Sci Geogr Sin. 2021;41(9):1536-1545.

重印与许可

标签

空间自相关核密度估计多源空间数据兴趣点步行便利性城市规划
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。