Niniejszy protokół integruje dane z map ciepła Baidu, punkty zainteresowania, obrazy z widoku ulicznego oraz wieloskalową geograficznie ważoną regresję w celu kwantyfikacji witalności miejskiej i oceny wpływu struktury przestrzennej miasta na wzorce witalności w ciągu dnia i w nocy w Yantai w Chinach.
Artykuł badawczy
Analiza przestrzenna wpływu miejskiej struktury przestrzennej na witalność miejską w Yantai w Chinach z wykorzystaniem wielkoskalowej geograficznie ważonej regresji
W tym artykule
Podsumowanie
Streszczenie
Zrozumienie, w jaki sposób miejska struktura przestrzenna wpływa na witalność miasta, jest niezbędne dla opracowania strategii planowania urbanistycznego zorientowanego na człowieka. Jednakże heterogeniczność przestrzenna tych zależności oraz względny wkład różnych elementów miejskiej struktury przestrzennej w witalność w dzień i w nocy pozostają niewystarczająco poznane. Celem niniejszego badania była kwantyfikacja witalności miasta oraz zbadanie, w jaki sposób miejska struktura przestrzenna wpływa na jej zmienność czasowo-przestrzenną w głównym obszarze miejskim Yantai w Chinach. Zintegrowano wieloźródłowe zbiory danych przestrzennych, w tym dane z map ciepła Baidu, punkty zainteresowania (POI), obrazy z poziomu ulicy, sieci drogowe, informacje o budynkach oraz dane o użytkowaniu terenu, aby scharakteryzować witalność miasta i jego strukturę przestrzenną. Wykorzystano estymację gęstości jądrowej, analizę autokorelacji przestrzennej oraz wieloskalową regresję ważoną geograficznie (MGWR) w celu oceny rozkładu przestrzennego witalności miasta oraz efektów zmiennych miejskiej struktury przestrzennej zależnych od skali. Wyniki wykazały, że witalność miasta wykazuje wyraźną polaryzację przestrzenną, charakteryzującą się złożonym wzorcem „centrum–peryferie” oraz „jedno jądro z wieloma punktami”, wraz ze znaczącą dodatnią autokorelacją przestrzenną. Wpływ miejskiej struktury przestrzennej różnił się znacznie w zależności od lokalizacji oraz pory doby (dzień i noc). Różnorodność i bliskość punktów zainteresowania były dominującymi czynnikami witalności w dzień, podczas gdy funkcje mieszkalne i różnorodność punktów zainteresowania wywierały największy wpływ na witalność w nocy. Przystępność dla pieszych (walkability) konsekwentnie wykazywała pozytywną korelację z witalnością miasta w obu okresach, co podkreśla znaczenie środowiska ulicznego zorientowanego na człowieka. Otrzymane wyniki demonstrują wartość integracji wieloźródłowych danych przestrzennych z metodą MGWR w ocenie witalności miasta i dostarczają praktycznych ram wspierających planowanie urbanistyczne i optymalizację przestrzenną opartą na dowodach.
Wprowadzenie
Witalność miejska jest kluczowym wskaźnikiem służącym do pomiaru poziomu zrównoważonego rozwoju miast, jakości życia mieszkańców oraz efektywności wysokiej jakości budownictwa miejskiego. Od dawna przyciąga ona znaczną uwagę badaczy z obszaru geografii miast oraz planowania miejskiego i regionalnego1,2. W fazie przyrostowej urbanizacji i szybkiej ekspansji przestrzennej coraz bardziej uwidoczniały się problemy związane z niezrównoważonym rozwojem przestrzennym miast. Nieefektywna alokacja gruntów, zanieczyszczenie środowiska, kongestia ruchu oraz trwałe wyzwania miejskie, takie jak rozdzielenie miejsc pracy od miejsc zamieszkania, nieustannie osłabiały witalność sąsiedztwa3. Obecnie Chiny weszły w nowy etap urbanizacji, w którym punkt ciężkości rozwoju miast przesuwa się z ekstensywnego „budowania miast” na zorientowane na detale „zarządzanie miastem”, a priorytetem staje się rozwój przestrzenny skoncentrowany na człowieku. Skala zorientowana na człowieka skupia się na mikrojednostkach przestrzennych, które mieszkańcy mogą bezpośrednio postrzegać, i stanowi rozszerzenie oraz doprecyzowanie tradycyjnych analiz w skali działek i sąsiedztw. Od 18th Ogólnokrajowego Zjazdu Komunistycznej Partii Chin rozwój skoncentrowany na człowieku stał się fundamentalną zasadą ładu przestrzennego, a poprawa jakości środowiska życia stała się głównym celem planowania miejskiego. W tym kontekście dokładna charakterystyka czasowo-przestrzennych wzorców witalności miejskiej oraz wyjaśnienie heterogenicznych mechanizmów, poprzez które zbudowane środowisko zorientowane na człowieka wpływa na witalność, może dostarczyć naukowej podstawy dla praktyk precyzyjnego planowania, w tym odnowy miejskiej na poziomie ulic oraz poprawy jakości sąsiedztw. Jednocześnie miasto Yantai uruchomiło szereg inicjatyw odnowy miejskiej w ramach swojego 14th Planu Pięcioletniego, zostało wybrane w 2021 roku przez Ministerstwo Mieszkalnictwa i Rozwoju Miast i Wsi jako jedno z pierwszych krajowych miast pilotażowych w zakresie odnowy miejskiej, a w 2026 roku otrzymało dodatkowe centralne wsparcie fiskalne na odnowę miast. Te zalety polityczne i finansowe stwarzają korzystne warunki dla poprawy jakości istniejących przestrzeni miejskich w Yantai i eksplorowania charakterystycznych strategii odnowy miejskiej dla miast nadmorskich, promując tym samym wysokiej jakości rozwój miejski.
Koncepcja witalności miejskiej została po raz pierwszy zaproponowana przez amerykańską uczoną Jane Jacobs, która argumentowała, że różnorodność funkcjonalna, małe kwartały, budynki w różnym wieku oraz wysoka gęstość stanowią cztery niezbędne warunki dla tętniących życiem miast4. Wczesne badania ustanowiły ramy teoretyczne oparte przede wszystkim na badaniach terenowych i ankietach, natomiast późniejsze prace stopniowo przesunęły się w stronę skali mikro, koncentrując się na przestrzennej koncentracji aktywności ludzkiej5. Coraz więcej dowodów wskazuje na to, że czasowa dynamika w drobnej skali oraz zmienność przestrzenna odgrywają istotną rolę w zrozumieniu witalności miejskiej6. Szybki rozwój wysokorozdzielczych big data z zakresu geoprzestrzeni stworzył nowe możliwości dla dynamicznego monitorowania witalności miejskiej na szeroką skalę. W konsekwencji badacze coraz częściej polegają na wieloźródłowych zestawach danych, w tym na danych z sygnalizacji telefonów komórkowych, trajektoriach lokalizacji, zameldowaniach w mediach społecznościowych, danych z map ciepła oraz punktach zainteresowania (POIs), aby kwantyfikować intensywność aktywności ludzkiej w różnych jednostkach przestrzennych i badać witalność miejską w wielu skalach7,8,9,10,11,12. Wśród tych źródeł danych mapy ciepła pozwalają precyzyjnie uchwycić rozkład przestrzenny i dynamikę czasową koncentracji ludności i były szeroko stosowane do kwantyfikowania witalności miejskiej w skali działek, kwartałów i całych miast13,14,15. Na przykład Wang Chenggang i wsp.16 wykorzystali dane z map ciepła do identyfikacji wzorców witalności w centrum Guangzhou, określenia nieliniowych zależności i efektów progowych środowiska zbudowanego oraz rozróżnienia wpływu okresów dni roboczych, dostarczając tym samym cennych dowodów empirycznych dla badań nad witalnością miejską.
Witalność miejska jest w fundamentalny sposób kształtowana i ograniczana przez miejską strukturę przestrzenną, która umożliwia realizację ludzkich aktywności. Zrozumienie mechanizmów, poprzez które struktura przestrzenna miasta wpływa na jego witalność, stanowi istotne wsparcie dla precyzyjnego planowania miejskiego oraz zarządzania miastem opartego na dowodach. W istniejących badaniach opracowano wielowymiarowe systemy oceny struktury przestrzennej miast, obejmujące skalę miasta, układ funkcjonalny, formę przestrzenną, zwartość oraz charakterystykę socjoekonomiczną. Badania te konsekwentnie wykazują, że warunki lokalizacyjne, gęstość zaludnienia, forma zabudowy, mieszane użytkowanie gruntów, różnorodność infrastruktury, rozwój gospodarczy, różnorodność funkcjonalna, konfiguracja ulic, dostępność oraz przystępność dla pieszych należą do głównych czynników wpływających na zróżnicowanie przestrzenne witalności miejskiej17,18,19,20,21,22. Niemniej jednak większość wcześniejszych badań koncentrowała się na relacjach w skali makro pomiędzy przestrzeniami fizycznymi, społecznymi, miejscowymi i mobilnymi, poświęcając stosunkowo niewiele uwagi szczegółowym analizom w skali zorientowanej na człowieka. Wyłaniający się paradygmat badawczy, oparty na wieloźródłowych otwartych danych geoprzestrzennych i inteligentnych algorytmach analitycznych, stwarza nowe możliwości percepcji przestrzennej i analizy ilościowej w tej drobniejszej skali23. Poprzez integrację technik uczenia maszynowego z analizą obrazów z poziomu ulicy, podejście to łączy szeroki zasięg przestrzenny z precyzją analityczną zorientowaną na człowieka, redukując jednocześnie subiektywizm i ograniczoną dokładność związanych z tradycyjnymi metodami oceny przestrzennej. Pod względem metodologicznym w poprzednich badaniach wykorzystywano głównie zwykłą metodę najmniejszych kwadratów oraz modele regresji ważonej geograficznie do badania zależności między środowiskiem zbudowanym a witalnością miejską24,25. Jednakże podejścia te zazwyczaj koncentrują się na statycznych cechach przestrzennych i często pomijają zarówno heterogeniczność przestrzenną, jak i dobowe zróżnicowanie czasowe w relacjach między miejską strukturą przestrzenną a witalnością miejską.
Podsumowując, badania nad witalnością miast ewoluowały od tradycyjnych teoretycznych analiz w skali makro w stronę ilościowych analiz czasoprzestrzennych opartych na geoprzestrzennych wielkich zbiorach danych (big data). Niemniej jednak, nadal istnieją istotne ograniczenia. Dotychczasowe badania wciąż kładą nacisk na kwantyfikację fizycznych charakterystyk przestrzennych na poziomie makro, poświęcając relatywnie mało uwagi heterogeniczności czasoprzestrzennej tego, w jaki sposób struktura przestrzenna miasta wpływa na jego witalność. Co więcej, precyzyjne pomiary uwzględniające wymiar percepcji ludzkiej pozostają ograniczone, co zawęża możliwości istniejących podejść w kontekście wspierania szczegółowych praktyk planistycznych, takich jak rewitalizacja miejska na poziomie ulicy. W oparciu o te luki w wiedzy, niniejsze badanie stawia następujące hipotezy: (1) struktura przestrzenna miasta wywiera znaczący, zróżnicowany czasoprzestrzennie wpływ na witalność miast; oraz (2) wpływ wskaźników struktury przestrzennej miasta na witalność miejską wykazuje znaczącą niestacjonarność przestrzenną.
Główne innowacje niniejszego badania są threefold. Po pierwsze, poprzez integrację wieloźródłowych zbiorów danych geoprzestrzennych, w tym danych z map ciepła Baidu oraz obrazów z poziomu ulicy, badanie to kwantyfikuje witalność miejską z perspektywy codziennych aktywności mieszkańców, co umożliwia precyzyjny i obiektywny pomiar w skali zorientowanej na człowieka. Opierając się na tradycyjnym modelu „5D”, w badaniu uwzględniono wymiar percepcji ludzkiej i opracowano sześciowymiarowy system wskaźników struktury przestrzeni miejskiej obejmujący funkcjonalność, formę architektoniczną, dostępność, charakterystykę społeczno-ekonomiczną, przestrzeń ekologiczną oraz percepcję ludzką. Model ten rozwiązuje ograniczenia wcześniejszych badań, które koncentrowały się głównie na fizycznych zmiennych przestrzennych i społeczno-ekonomicznych, oraz umożliwia integrację makroskalowej analizy przestrzennej z mikroskalowym pomiarem zorientowanym na człowieka. Po drugie, w badaniu wykorzystano model wieloskalowej geograficznie ważonej regresji (MGWR), aby przełamać założenie o globalnej stacjonarności typowe dla konwencjonalnych podejść regresyjnych. Model ten pozwala na identyfikację lokalnych efektów przestrzennych oraz zależności zależnych od skali pomiędzy strukturą przestrzeni miejskiej a witalnością miasta w dzień i w nocy, ujawniając tym samym spatiotemporalnie niestacjonarne sprzężenie między strukturą przestrzeni miejskiej a witalnością miasta. Po trzecie, przyjmując Yantai jako reprezentatywne miasto nadmorskie, badanie systematycznie analizuje zróżnicowane mechanizmy napędzające dzienną i nocną witalność miejską z perspektywy zorientowanej na człowieka w kontekście cech przestrzennych miast nadmorskich. Wyniki dostarczają dowodów empirycznych i ram metodologicznych dla optymalizacji przestrzennej, zwiększania witalności miejskiej oraz rewitalizacji w podobnych miastach nadmorskich, jednocześnie dostarczając ilościowych dowodów wspierających zorientowane na człowieka i precyzyjne zarządzanie przestrzenią miejską.
Protokół
W badaniu tym wykorzystano zanonimizowane i zagregowane dane z map ciepła na poziomie siatki przestrzennej. Dane nie zawierają identyfikatorów osobowych ani informacji na poziomie indywidualnym, a w badaniu nie uczestniczyli bezpośrednio ludzie. W związku z tym nie wymagano zgody komisji etycznej, zwolnienia z niej ani recenzji instytucjonalnej.
Ramy badawcze
Aby zbadać mechanizm wpływu miejskiej struktury przestrzennej w skali skoncentrowanej na człowieku na zróżnicowanie czasoprzestrzenne witalności miasta, w niniejszym badaniu zaproponowano ramy badawcze przedstawione na Rysunku 1. Po pierwsze, w oparciu o dane z map ciepła mierzące atrybuty czasoprzestrzenne dziennych i nocnych aktywności miejskich mieszkańców, zmierzono dzienną i nocną witalność obszaru głównego miasta Yantai; po drugie, skonstruowano wielowymiarowy system wskaźników miejskiej struktury przestrzennej, obejmujący funkcjonalność, dostępność, formę architektoniczną, gospodarkę społeczną, przestrzeń ekologiczną oraz percepcję ludzką; wreszcie, wykorzystano model MGWR, aby ujawnić mechanizm wpływu struktury przestrzennej miasta na zróżnicowanie czasoprzestrzenne witalności miejskiej. Szczegółowe schematy postępowania dotyczące pozyskiwania danych, wstępnego przetwarzania, obliczania wskaźników, analizy obrazów i implementacji modelu znajdują się w Plikach uzupełniających 1–4, a odpowiadające im schematy obliczeniowe w Kodach uzupełniających 1–4. Celem jest zapewnienie podstaw teoretycznych i punktu odniesienia dla rewitalizacji miast oraz tworzenia tętniących życiem ośrodków miejskich w ramach nowej strategii urbanizacji.
Rycina 1. Schemat ram projektu badawczego. Schemat ten podsumowuje pełny proces analityczny, obejmujący pozyskiwanie wieloźródłowych danych przestrzennych, przetwarzanie danych, konstrukcję wskaźników miejskiej struktury przestrzennej, pomiar witalności miasta, modelowanie za pomocą wieloskalowej regresji ważonej geograficznie (MGWR) oraz strategie optymalizacji witalności. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Przegląd obszaru badań
Miasto Yantai znajduje się w północno-wschodniej części półwyspu Shandong, nad brzegiem Morza Żółtego i Morza Bohajskiego. Jest ważnym miastem portowym w prowincji Shandong. W jego skład wchodzi pięć dzielnic i sześć miast na poziomie powiatu, o łącznej powierzchni 13 930,1 km2. W niniejszym badaniu jako obszar badań wybrano główny obszar miejski miasta Yantai (dzielnica Zhifu). Dzielnica ta zajmuje powierzchnię 179,18 km2, posiada zarejestrowaną liczbę ludności wynoszącą 707 700 osób i składa się z 12 poddzielnic (Rysunek 2).
Rysunek 2. Schematyczny diagram obszaru badań. Mapy przedstawiają położenie miasta Yantai, główny obszar badań miejskich w dystrykcie Zhifu, granice poddzielnic oraz wysokość terenu. Ciemniejsze kolory wskazują większą wysokość. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Biorąc pod uwagę, że niniejsze badanie koncentruje się na centrum urbanistycznym, gdzie obszar badań jest stosunkowo mały, a sieć drogowa gęsta, tradycyjna skala kwartałowa jest niewystarczająca do dokładnej charakterystyki witalności miejskiej. W przeciwieństwie do niej, skala 300 m ściśle odpowiada zasięgowi przestrzennemu tzw. „5-minutowego kręgu życia” i może lepiej reprezentować podstawową jednostkę przestrzenną codziennych aktywności mieszkańców. Wybór skali siatki wiąże się w istocie z kompromisem między ziarnistością informacji a stabilnością statystyczną: mniejsza skala zachowuje więcej szczegółów przestrzennych, ale zmniejsza wielkość próby w każdej jednostce, zwiększa szum statystyczny i może fragmentować ciągłe przestrzenie aktywności pieszej, natomiast większa skala ma tendencję do wygładzania lokalnych zmienności i zacierania heterogeniczności przestrzennej. Siatka 300 m pozwala zachować drobnoziarniste cechy przestrzenne, jednocześnie poprawiając stabilność statystyczną i redukując błędy analityczne wynikające z wyboru skali. Ponadto skala ta jest dobrze dopasowana do rozdzielczości przestrzennej danych wieloźródłowych, w tym danych z map ciepła Baidu, punktów zainteresowania (POI) oraz obrazowania z poziomu ulicy, co zwiększa dokładność analiz i niezawodność wyników. W związku z tym, w niniejszym badaniu obszar badań podzielono na 2 221 komórek przy użyciu siatki 300 m × 300 m, aby zwizualizować czasowo-przestrzenne wzorce witalności miejskiej w drobnej skali i zbadać ich związek z miejską strukturą przestrzenną. Siatkę wygenerowano w programie ArcGIS 10.4 za pomocą narzędzia Create Fishnet w systemie współrzędnych Gauss trzech stopni CGCS2000. Siatkę zakotwiczono w minimalnej współrzędnej XY obszaru badań i przycięto do granicy obszaru badań, co zaowocowało powstaniem 2 221 jednostek analizy.
Konstrukcja systemu wskaźników
Konstrukcja systemu wskaźników dla miejskiej struktury przestrzennej jest istotnym elementem oceny witalności miasta. Odzwierciedla ona kompleksowe cechy miasta w zakresie układu przestrzennego, mieszania funkcji, dostępności oraz powiązanych charakterystyk. Niniejsze badanie opiera się na teorii „5D”, obejmującej gęstość (density), projekt (design), różnorodność (diversity), odległość od transportu publicznego (distance to transit) oraz dostępność celu (destination accessibility). W oparciu o istniejące badania rozszerzono metodę reprezentacji elementów miejskiej struktury przestrzennej i podzielono je na sześć kategorii i 15 czynników: funkcjonalność, forma architektoniczna, dostępność, gospodarka społeczna, przestrzeń ekologiczna oraz percepcja ludzka. Każdy czynnik został przeanalizowany indywidualnie (Tabela 1). Pełne definicje, równania obliczeniowe, ustawienia parametrów, procedury wstępnego przetwarzania oraz metody normalizacji dla wszystkich wskaźników znajdują się w Pliku uzupełniającym 2.
Tabela 1: System wskaźników struktury przestrzennej miasta. Tabela podsumowuje sześć wymiarów i 15 wskaźników służących do charakteryzowania struktury przestrzennej miasta, obejmujących funkcjonalność, formę architektoniczną, dostępność, charakterystykę społeczno-ekonomiczną, przestrzeń ekologiczną oraz percepcję ludzką. Dla każdego wskaźnika podano definicje i równania obliczeniowe. Skróty: POI, punkt zainteresowania; FAR, współczynnik powierzchni zabudowy; NDVI, znormalizowany różnicowy wskaźnik roślinności. Kliknij tutaj, aby pobrać tę tabelę.
Wśród nich funkcjonalność jest jednym z istotnych wskaźników pomiaru witalności przestrzeni miejskiej, odzwierciedlającym stopień współzależności i integracji między różnymi obszarami funkcjonalnymi. Wysoka mieszaność funkcjonalna oznacza, że obszary mieszkalne, gospodarcze i usługowe są równomiernie rozłożone i przeplatają się, co promuje aktywność ludzką i zwiększa witalność miasta26. Ewolucja formy architektonicznej wiąże się z witalnością, a gęstość zabudowy oraz współczynnik intensywności zabudowy są ważnymi wskaźnikami odzwierciedlającymi zwartość miasta. Dostępność bezpośrednio wpływa na łączność i efektywność transportową przestrzeni miejskiej. W niniejszym badaniu wybrano wskaźniki bliskości i przepuszczalności do reprezentowania dostępności. Gospodarka społeczna odzwierciedla koncentrację działań ekonomicznych oraz poziom regionalnego rozwoju gospodarczego. Do charakterystyki aktywności społeczno-ekonomicznej wykorzystano odległość od centrum miasta i centrum handlowego, przy czym krótsze odległości zazwyczaj wskazują na bardziej intensywną działalność gospodarczą27. Przestrzeń ekologiczna jest istotnym czynnikiem wpływającym na witalność gospodarczą, społeczną i kulturową miasta. W badaniu tym wykorzystano indeks bliskości wody oraz znormalizowany różnicowy wskaźnik wegetacji (NDVI) do reprezentowania jakości środowiska i witalności ekologicznej. Percepcja ludzka koncentruje się na miejskich formach przestrzennych i powiązanych cechach środowiskowych, z którymi mieszkańcy często stykają się w życiu codziennym, w tym na miejskich przestrzeniach publicznych oraz zewnętrznych interfejsach budynków (takich jak ulice, budynki, zieleń i parki) oraz ich powiązanych wpływach gospodarczych, społecznych i ekologicznych. W niniejszym badaniu do reprezentowania tego wymiaru wybrano ciągłość zabudowy, współczynnik widoczności nieba oraz pieszą dostępność (walkability). Wskaźniki te lepiej oddają wkład percepcji ludzkiej w witalność miasta i uzupełniają konwencjonalne systemy wskaźników opierające się głównie na zmiennych obiektywnych.
Warto zauważyć, że pomiar tradycyjnych środowisk zbudowanych różni się zasadniczo od zorientowanej na człowieka oceny miejskiej struktury przestrzennej przyjętej w niniejszych badaniach. Metody tradycyjne wykorzystują jednostki fizyczne w skali makro, takie jak parcele gruntów i dzielnice, jako jednostki analityczne. Opierając się na statycznych zbiorach danych, takich jak klasyfikacja użytkowania terenu, obrysy budynków i dane o sieci drogowej, kwantyfikują one intensywność zabudowy i układ funkcjonalny. Te konwencjonalne oceny analizują fizyczne warunki przestrzenne z perspektywy planowania odgórnego. Chociaż metody te dokładnie charakteryzują materialne atrybuty przestrzeni miejskiej, nie oddają one spostrzeżeń mieszkańców na miejscu ani doświadczeń z chodzenia w skali mikro. W przeciwieństwie do nich, ramy zorientowane na człowieka przenoszą punkt ciężkości badań z immanentnych atrybutów przestrzennych na interakcje człowiek-środowisko. Ta transformacja paradygmatu obejmuje trzy główne zmiany. Po pierwsze, w zakresie treści pomiaru, badanie wykracza poza konwencjonalne wskaźniki fizyczne, takie jak gęstość zabudowy i proporcje użytkowania terenu, włączając wymiary doświadczalne, takie jak percepcja wizualna, przystawność dla pieszych, bezpieczeństwo i komfort. W niniejszym badaniu wybrano trzy odpowiadające im wskaźniki: ciągłość zabudowy, współczynnik widoczności nieba oraz przystawność dla pieszych. Po drugie, w odniesieniu do źródeł danych, mapy planistyczne i dane z teledetekcji zostały uzupełnione o obrazy z poziomu ulicy oraz semantyczną segmentację głębokiego uczenia, które rejestrują charakterystykę przestrzenną z perspektywy wzroku pieszego. Po trzecie, jednostka analityczna została doprecyzowana z poziomu kwartału do segmentów ulic lub poszczególnych pól widzenia. Należy podkreślić, że pomiar zorientowany na człowieka nie zastępuje tradycyjnej oceny środowiska zbudowanego, lecz ją uzupełnia, zmieniając perspektywę badawczą i skalę przestrzenną. Oba podejścia różnią się zakresem badań, systemem wskaźników, skalą analityczną i celami praktycznymi, a razem stanowią kompleksowe ramy analityczne służące do oceny miejskiej struktury przestrzennej.
Źródła i przetwarzanie danych
Dane mapy ciepła Baidu:
Dane o miejskiej temperaturze cieplnej przyjęte w niniejszym badaniu pochodzą z otwartej usługi lokalizacji Baidu Maps, która jest generowana poprzez analizę ogromnej liczby anonimowych rekordów zachowań użytkowników. Zbiór danych obejmuje rozkład populacji w czasie rzeczywistym poprzez agregowanie informacji o lokalizacji użytkowników aplikacji mobilnych i mapowanie tych współrzędnych geograficznych na siatki przestrzenne za pomocą żądań usługi lokalizacji w czasie rzeczywistym.
Pobrano dane z map ciepła obejmujące centralny obszar miejski Yantai z okresu od 13 do 17 czerwca 2022 roku (pięć kolejnych dni roboczych), wykorzystując interfejs API otwartej platformy Baidu Map (https://lbsyun.baidu.com/). Dane zbierano co 2 h w godzinach od 07:00 do 24:00 każdego dnia. Pełny schemat postępowania obejmujący pozyskiwanie danych, wstępne przetwarzanie, odszumianie, klasyfikację czasową, transformację przestrzenną, szacowanie gęstości jądra oraz obliczanie witalności miejskiej znajduje się w Pliku uzupełniającym 1, a odpowiadający mu skrypt do wstępnego przetwarzania danych znajduje się w Kodzie uzupełniającym 1. Każdy dzień podzielono dodatkowo na okresy dzienne (07:00–18:00) i nocne (18:00–24:00), aby oddzielnie ilościowo określić dobowe wahania witalności miejskiej. Zapytania API zawierały klucz dostępu (AK) do map Baidu oraz zdefiniowaną w systemie BD09 granicę obszaru badań. Poziom przybliżenia mapy ustalono na 16 z rozmiarem kafelka 256 × 256 pikseli, a interfejs zwracał dane mapy ciepła w formacie JSON. Podczas przetwarzania końcowego wszystkie współrzędne BD09 przekonwertowano na system współrzędnych WGS84, aby zapewnić dokładność przestrzenną i spójność w dalszych analizach. Pozostały schemat wstępnego przetwarzania znajduje się w Pliku uzupełniającym 1 oraz Kodzie uzupełniającym 1. Wszystkie wizualizacje przestrzenne wykonano w programie ArcGIS (v10.4) (RRID: SCR_011081).
Czerwiec reprezentuje wczesne lato w Yantai, charakteryzujące się łagodną pogodą sprzyjającą aktywnościom na świeżym powietrzu, a codzienne wzorce przemieszczania się mieszkańców w tym miesiącu odzwierciedlają regularne, średnie poziomy aktywności. Wszystkie dni poboru próbek były pogodnymi i bezchmurnymi, co wyeliminowało zakłócenia w mobilności ludzi spowodowane ekstremalnymi zjawiskami pogodowymi i sprawiło, że mapy ciepła populacji stały się odpowiednim narzędziem do identyfikacji rutynowych wzorców witalności miejskiej.
Aby zweryfikować wiarygodność pomiarów witalności uzyskanych z map ciepła, do porównania krzyżowego wykorzystano dane o nocnym oświetleniu NPP-VIIRS. Zbiór danych o nocnym oświetleniu został opublikowany przez Chen Zuqi i współpracowników w czasopiśmie Earth System Science Data pod tytułem Cross-sensor calibrated extended time series of global NPP-VIIRS-like nighttime light data (2000–2018) i jest publicznie dostępny w repozytorium Harvard Dataverse (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD).
Wyniki porównania przestrzennego wykazały wysoką spójność między punktami zapalnymi (hotspots) witalności miejskiej zidentyfikowanymi na podstawie obrazowania świateł nocnych a strefami wysokiej i niskiej witalności wyodrębnionymi z danych mapy ciepła w niniejszym badaniu. Porównanie intensywności świateł nocnych z witalnością miejską pochodzącą z mapy ciepła przedstawiono na Rysunku uzupełniającym 1. W celu oceny wiarygodności danych w pierwszej kolejności usunięto wartości odstające, a następnie znormalizowano zbiory danych przed ich reprojekcją do układu współrzędnych WGS84. Dane o światłach nocnych poddano następnie reprobikacji do siatki 300 m × 300 m przy użyciu interpolacji bilinearnej, aby zapewnić zgodność przestrzenną z danymi mapy ciepła. Zgodność między dwoma zbiorami danych oceniano, przyjmując jako kryteria akceptacji współczynnik korelacji Pearsona (r ≥ 0,6) oraz stopień nakładania się przestrzennego klastrów LISA (≥70%).
Z perspektywy źródeł danych, dane z sygnalizacji telefonii komórkowej zapewniają kompleksowe pokrycie populacji i szczegółowe informacje o trajektoriach, jednak są trudne do pozyskania i wymagają złożonego przetwarzania wstępnego, co czyni je mniej odpowiednimi do długoterminowych badań w małej skali. Z kolei dane z zameldowań (check-in) i recenzji w mediach społecznościowych obejmują głównie aktywności związane z konsumpcją i rekreacją, wykazując wyraźną stronniczość behawioralną i stosunkowo niską stabilność czasową. W przeciwieństwie do nich, dane z mapy ciepła Baidu wykorzystane w niniejszym badaniu są łatwo dostępne, ciągłe w czasie i dostępne w wyższej rozdzielczości przestrzennej, co sprawia, że doskonale nadają się do monitorowania dynamiki witalności dnia i nocy w głównym obszarze miejskim w skali siatki. W połączeniu z danymi POI i widokami ulicznymi w celu wzbogacenia reprezentacji atrybutów przestrzennych, ramy te mogą dokładniej odzwierciedlać codzienne wzorce aktywności mieszkańców i są w pełni zgodne ze skalą badań oraz celami analitycznymi niniejszej pracy.
Elementy struktury przestrzennej miasta:
Podstawowe dane przestrzenne miasta:
Na podstawie interfejsu internetowej usługi map zebrano łącznie 37 851 punktów zainteresowania (POIs), obejmujących 11 kategorii funkcjonalnych, w tym zakwaterowanie, zakupy, gastronomia, obszary mieszkalne, infrastruktura transportowa, obiekty codziennego użytku, miejsca sportu i rekreacji oraz obiekty usług publicznych. Dodatkowe procedury wstępnego przetwarzania oraz szczegóły obliczeniowe znajdują się w Pliku uzupełniającym 2. Dane POI pobrano w lipcu 2024 r. za pomocą Baidu Map API, stosując strategię wyszukiwania opartą na siatce 500 m. Podczas wstępnego przetwarzania usunięto duplikaty rekordów oraz wykluczono rekordy nieprawidłowe na podstawie granic administracyjnych dzielnicy Zhifu, brakujących etykiet atrybutów oraz znacznych przesunięć współrzędnych, aby zapewnić dokładność przestrzenną i integralność zbioru danych.
Dane dotyczące obrysów budynków miejskich oraz sieci dróg pobrano z OpenStreetMap (OSM; RRID: SCR_007854), otwartoźródłowej platformy geoprzestrzennej (https://www.openstreetmap.org). Dane dotyczące użytkowania terenu pozyskano z National Basic Geographic Information Center (https://www.gscloud.cn/search).
Jak przedstawiono w Tabeli 1, gęstość przestrzenna każdego typu obiektu odzwierciedla charakter funkcjonalny poszczególnych jednostek przestrzennych poprzez wzorce grupowania; tymczasem wartości entropii określają stopień różnorodności funkcjonalnej w obrębie każdej jednostki. Pełne równania obliczeniowe, procedury wstępnego przetwarzania, ustawienia parametrów oraz metody normalizacji znajdują się w Pliku uzupełniającym 2.
Dane wektorowe budynków przeanalizowano z perspektywy dwuwymiarowej (2D) i trójwymiarowej (3D) w celu oceny intensywności zabudowy miejskiej — w szczególności za pomocą wskaźników gęstości zabudowy oraz współczynnika powierzchni zabudowy (FAR). Wykorzystując dane o miejskiej sieci drogowej, dostępność dla każdej jednostki przestrzennej obliczono za pomocą zestawu narzędzi spatial design network analysis (sDNA) (RRID: SCR_017646)28, uwzględniając wskaźniki bliskości oraz pośrednictwa.
Przyjmując promień 300 m jako skalę analityczną dla tego wskaźnika, odległość tę zdefiniowano w oparciu o segmenty ulic, obejmując wszystkie topologicznie połączone drogi w obrębie promienia. Umożliwia to kompleksową analizę statystyczną zmian w morfologii sieci drogowej — w tym gęstości narożników i łączności węzłów — w wyznaczonym zakresie przestrzennym. Podejście to celowo kładzie nacisk na lokalne wzorce korelacji przestrzennej między ulicami, co ułatwia precyzyjną identyfikację silnie połączonych ulic na poziomie kwartałów — wybór metodologiczny zgodny z teoretycznymi ramami witalności przestrzeni miejskiej skoncentrowanymi na skali kwartału29,30. Topologiczną sieć drogową zbudowano z wektorowych danych drogowych OSM poprzez sprowadzenie dwukierunkowych segmentów dróg do jednej linii środkowej. Dostępność obliczono przy użyciu wtyczki sDNA w programie ArcGIS 10.4 w oparciu o wskaźniki bliskości (proximity) i pośrednictwa (betweenness), stosując sumy POI w oparciu o siatkę jako wagi reprezentujące potencjał aktywności przestrzennej. Wszystkie parametry sDNA pozostawiono w wartościach domyślnych, z wyjątkiem zdefiniowanego przez użytkownika promienia wyszukiwania wynoszącego 300 m. Co więcej, ta skala przestrzenna ściśle odpowiada koncepcji „5-minutowego kręgu życia” i jest dobrze dopasowana zarówno do fizycznych wymiarów historycznych kwartałów w dzielnicy Zhifu w mieście Yantai, jak i do typowego zasięgu codziennych aktywności pieszych mieszkańców.
Dane obrazowe z poziomu ulicy:
Wykorzystując dane o sieci drogowej z OSM wraz z technologią GIS, wyznaczono punkty próbkowania obrazów z poziomu ulicy. W pierwszej kolejności wyekstrahowano linie osiowe dróg na obszarze badań, a drogi dwukierunkowe uproszczono do pojedynczych linii. Punkty próbkowania rozmieszczono w równych odstępach co 50 m wzdłuż linii osiowych dróg. Następnie wszystkim punktom próbkowania przypisano ten sam układ współrzędnych projekcyjnych, który zastosowano w analizie GIS, aby zapewnić precyzyjne dopasowanie pozycji przestrzennych.
Do gromadzenia obrazów wykorzystano język Python (RRID: SCR_008394) oraz Street View Image API (http://api.map.baidu.com/lbsapi/). Pełny schemat pozyskiwania danych przedstawiono w Supplementary File 3 oraz Supplementary Code 3. Wygenerowano łącznie 1 599 punktów próbkowania. Podczas pozyskiwania obrazów szerokość perspektywy każdego zdjęcia ustawiono na 90°, a poziomy kąt widzenia na 0°. W każdym punkcie próbkowania zbierano obrazy w kierunkach: przód, tył, lewo i prawo; aby zapewnić wysoką jakość zdjęć, proces ten przeprowadzano wyłącznie przy bezchmurnej pogodzie, bez opadów deszczu, śniegu oraz bez gęstej mgły. Następnie, za pomocą programu OpenCV, wykonano stitching obrazów wielokierunkowych i zoptymalizowano przejścia między nimi, tworząc obrazy panoramiczne zapewniające pełny zasięg widzenia przestrzeni ulicznej. Obszar badań obejmował łącznie 3 251 odcinków ulic. Parametry zapytań API obejmowały klucz dostępu dewelopera (AK), współrzędne punktów, punkt widzenia obrazu oraz orientację strzału. Przechwycone obrazy zostały ujednolicone do rozmiaru 480 × 360 pikseli (RGB) w celu przeprowadzenia dalszych analiz. Jakość obrazów zapewniono poprzez selekcję opartą na warunkach pogodowych, wielokierunkowe pozyskiwanie zdjęć oraz późniejszą segmentację semantyczną w oparciu o model SegNet, aby zweryfikować użyteczność obrazów i wyekstrahować wskaźniki widoku ulicy.
W celu ekstrakcji cech krajobrazu ulicznego zastosowano sieć deep learning SegNet (RRID: SCR_017042), która jest w pełni konwolucyjną siecią neuronową. Model klasyfikuje piksele obrazu na pięć kategorii: niebo, chodniki, pasy jezdni, budynki oraz tereny zielone. Wyniki klasyfikacji pikseli zostały następnie wykorzystane do obliczenia proporcji powierzchni każdego elementu przestrzennego w każdym obrazie widoku ulicy. Szczegółowa implementacja modelu, przebieg segmentacji semantycznej, procedury walidacji oraz obliczenia wskaźników percepcji ludzkiej zostały przedstawione w Supplementary File 3, Supplementary Code 2 oraz Supplementary Code 4. Sieć SegNet została zaimplementowana w PyTorch (v1.0) z wykorzystaniem publicznie dostępnych wag wstępnie wytrenowanych na zbiorze danych MIT ADE20K. Podczas inferencji obrazy były przetwarzane indywidualnie w celu wygenerowania map segmentacji semantycznej na poziomie pikseli, które następnie posłużyły do obliczenia proporcjonalnej powierzchni każdego elementu krajobrazu ulicznego. Wydajność modelu oceniono za pomocą pięciokrotnej walidacji krzyżowej.
Metody badawcze
Metody ilościowe pomiaru witalności miejskiej:
Analiza gęstości jądrowej szacuje gęstość obiektów punktowych lub liniowych przy użyciu ruchomego okna wyszukiwania, co umożliwia intuicyjną i dokładną reprezentację charakterystyki przestrzennego grupowania elementów miejskich oraz koncentracji i rozproszenia witalności miejskiej. W niniejszym badaniu wykorzystano estymację gęstości jądrowej do przeprowadzenia ciągłej interpolacji danych mapy ciepła w celu scharakteryzowania przestrzennej agregacji użytkowników oraz czasoprzestrzennej dynamiki witalności miejskiej. Zastosowano estymację gęstości jądrowej Gaussa, przyjmując główny promień wyszukiwania (szerokość pasma) wynoszący 500 m. Aby ocenić odporność wyników, przetestowano osiem dodatkowych szerokości pasma (200, 300, 400, 600, 700, 800, 900 i 1 000 m); uzyskane średnie wartości RV dla każdej komórki siatki o wymiarach 300 m × 300 m wykazały wysoką spójność w zależności od szerokości pasma. W interpolacji jako zmienna wagowa wykorzystano pole Value, nie zastosowano korekcji brzegowej, a wszystkie analizy gęstości jądrowej przeprowadzono w programie ArcGIS 10.4 (RRID: SCR_011081). Wyrażenie matematyczne przedstawiono poniżej (Równanie 1):
(1)
Tutaj n oznacza liczbę punktów danych; h to szerokość pasma; a (x − xi) oznacza odległość od punktu szacowania x do próbki xi.
Metoda analizy miejskich dynamicznych wzorców przestrzennych:
Autokorelacja przestrzenna jest wykorzystywana do określenia stopnia powiązania przestrzennego między identycznymi wartościami atrybutów w różnych jednostkach przestrzennych. Dzieli się ona na autokorelację globalną oraz autokorelację lokalną.
Globalna autokorelacja przestrzenna:
Do oceny stopnia powiązania przestrzennego w całym obszarze badań zastosowano globalną autokorelację przestrzenną (globalny indeks Morana – Global Moran’s I). Mierzy ona podobieństwo lub korelację zmiennych w przestrzeni poprzez kwantyfikację zależności między wartością atrybutu w danej lokalizacji a wartościami w lokalizacjach sąsiednich, co reprezentuje współczynnik Global Moran’s I. Macierz wag przestrzennych skonstruowano w oparciu o siatkę analityczną o oczkach 300 m × 300 m z zastosowaniem kryterium sąsiedztwa typu Queen w celu zdefiniowania jednostek sąsiednich; wagi zostały zestandaryzowane wierszowo. Globalny indeks Morana obliczono przy użyciu narzędzi Spatial Statistics w programie ArcGIS 10.4 (RRID: SCR_011081), a istotność statystyczną oceniono za pomocą przybliżenia normalnego (test z) przy poziomie ufności 95%. Wyraz matematyczny tego wskaźnika przedstawiono poniżej (Równanie 2):
(2)
W tym zapisie I oznacza indeks autokorelacji; n to całkowita liczba jednostek badawczych; yi oraz yj to wskaźniki klasyfikacji odpowiednio dla regionów i i j; y′ to średnia wskaźników klasyfikacji; a Wij to macierz wag przestrzennych reprezentująca stopień powiązania między różnymi regionami.
Lokalna autokorelacja przestrzenna:
Lokalna autokorelacja przestrzenna (LISA) mierzy stopień powiązania przestrzennego badanego obiektu na poziomie lokalnym, co pozwala na identyfikację lokalnych skupisk i przestrzennych wartości odstających w obszarze badań oraz zapewnia bardziej szczegółowe zrozumienie heterogeniczności przestrzennej31. Najczęściej stosowaną statystyką lokalną jest lokalny wskaźnik Morana (Local Moran’s I). Macierz wag przestrzennych skonstruowano z wykorzystaniem kryterium sąsiedztwa Queen, w którym komórki siatki uznano za sąsiadujące, jeśli współdzielą wspólną granicę lub wierzchołek. Istotność statystyczną oceniono na poziomie 0,05 przy użyciu 999 losowych permutacji. Nie zastosowano korekty na wielokrotne testowanie, a wszystkie analizy przeprowadzono w programie ArcGIS 10.4 (RRID: SCR_011081). Wyrażenie matematyczne przedstawia się następująco (Równanie 3):
(3)
Tutaj xi i xj reprezentują odpowiednio wartości witalności miejskiej regionów i i j; x′ to średnia witalność miejska we wszystkich regionach; S2 oznacza wariancję; a Wij to macierz wag przestrzennych reprezentująca stopień powiązania przestrzennego między regionami.
Metody badawcze dla heterogeniczności przestrzennej witalności miejskiej:
Wieloskalowa regresja ważona geograficznie (MGWR)
Model MGWR wykorzystuje algorytm złotego podziału do iteracyjnego zawężania przedziału poszukiwań i wyznaczania optymalnej szerokości pasma dla każdego współczynnika regresji. Podejście to minimalizuje szum podczas estymacji parametrów i poprawia wydajność predykcyjną modelu. Szczegółowe informacje na temat metody wyboru szerokości pasma (adaptacyjnej lub stałej), funkcji jądra, zakresu poszukiwania szerokości pasma, kryteriów zbieżności, tolerancji zatrzymania oraz procedur standaryzacji predyktorów znajdują się w Pliku uzupełniającym 4. Wzór obliczeniowy przedstawia się następująco (Równanie 4):
(4)
Tutaj bwj oznacza szerokość pasma użytego dla współczynnika regresji j-tej zmiennej; k oznacza liczbę zmiennych objaśniających; xij odnosi się do j-tego predyktora dla i-tej siatki; (ui, vi) reprezentują współrzędne centroidu i-tej siatki; β(bwj) jest współczynnikiem regresji oszacowanym przy użyciu odpowiadającej szerokości pasma; a εi jest składnikiem błędu losowego.
Szczegółowa konfiguracja modelu, procedury optymalizacji szerokości pasma oraz schemat implementacji zostały przedstawione w Pliku uzupełniającym 4, natomiast kompletne wyniki modelu dla dnia i nocy są dostępne odpowiednio w Plikach uzupełniających 5 i 6. Diagnostyka regresji metodą najmniejszych kwadratów znajduje się w Pliku uzupełniającym 7.
Z perspektywy teorii rozwoju miast, zakresu badań oraz praktycznej przydatności, MGWR oferuje wyraźne zalety zarówno w stosunku do zwykłej regresji najmniejszych kwadratów (OLS), jak i konwencjonalnej ważonej geograficznie regresji (GWR). OLS wykorzystuje globalny model ramowy, zakładając jednolity wpływ wszystkich zmiennych objaśniających w całym obszarze badań. Założenie to pomija immanentną heterogeniczność przestrzenną systemów miejskich, dając uśrednione oszacowania parametrów, które często nie oddają lokalnych uwarunkowań, a tym samym zapewniają ograniczone wsparcie dla formułowania polityki uwzględniającej kontekst. Choć tradycyjna metoda GWR uwzględnia przestrzenną niestacjonarność, narzuca ona pojedynczą szerokość pasma (bandwidth) – czyli jednolity zakres przestrzenny – dla wszystkich zmiennych. Ograniczenie to jest sprzeczne z dowodami empirycznymi wskazującymi, że różne elementy miejskie (np. infrastruktura transportowa, mieszanie funkcji gruntów lub tereny zielone) wywierają wpływ w znacząco odmiennych zakresach przestrzennych. W konsekwencji takie nadmierne uproszczenie może wprowadzić błąd modelu i naruszyć poprawność analityczną. MGWR pokonuje to ograniczenie poprzez szacowanie indywidualnych szerokości pasma dla poszczególnych zmiennych, w oparciu o empirycznie zaobserwowany zakres wpływu przestrzennego każdego predyktora. W rezultacie metoda ta wierniej oddaje zależne od skali mechanizmy, poprzez które miejska struktura przestrzenna kształtuje witalność miasta. Postęp ten nie tylko wzbogaca teoretyczne rozumienie interakcji między człowiekiem a środowiskiem w miastach, ale także zwiększa użyteczność praktyczną, umożliwiając zróżnicowane priorytetyzowanie interwencji przestrzennych oraz zapewniając ilościowe, oparte na dowodach wsparcie dla zwiększania witalności miast. Przepływy obliczeniowe zostały przedstawione w Kodu Uzupełniającym 1–4.
Wyniki
Analiza przestrzennego wzorca witalności miejskiej
Charakterystyka rozkładu przestrzennego witalności miejskiej:
Aby dokładniej zbadać ewolucję czasowo-przestrzenną witalności miejskiej w głównym obszarze miejskim Yantai zarówno w dzień, jak i w nocy, przeprowadzono analizę gęstości jądra (kernel density analysis) w oparciu o dane z map ciepła, łącząc je z wzorcami codziennej aktywności mieszkańców, a następnie wykorzystano oprogramowanie do systemów informacji geograficznej (GIS) w celu wizualizacji witalności miejskiej w różnych przedziałach czasowych. Jak pokazano na Rysunku 3, witalność miejska w głównym obszarze miejskim Yantai wykazuje wyraźną dynamikę czasowo-przestrzenną, charakteryzującą się wzorcem agregacji–dyspersji–agregacji w godzinach od 07:00 do 23:00. Rozkład przestrzenny obszarów o wysokiej i niskiej witalności w ciągu dnia i w nocy jest bardzo podobny, co wskazuje na relatywną stabilność wahań witalności miejskiej między tymi okresami.
Rysunek 3. Rozkład czasowo-przestrzenny witalności miejskiej w głównym obszarze miejskim Yantai. Mapy peryferyjne przedstawiają witalność miejską w różnych punktach czasowych, a mapy centralne podsumowują wzorce witalności w dzień i w nocy. Cieplejsze kolory wskazują na wyższą witalność. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Z perspektywy przestrzennej witalność miejska w głównym obszarze miejskim Yantai jest ogólnie wyższa w części północno-wschodniej i niższa w południowo-zachodniej, wykazując złożoną strukturę przestrzenną charakteryzującą się zarówno wzorcem „centrum–peryferie”, jak i konfiguracją „wielojądrową”. Obszary o wysokim poziomie witalności miejskiej koncentrują się głównie w sekcji północno-wschodniej, obejmując ulice Tongshen, Yuhuangding i Xiangyang, a także wzdłuż dróg Dahaiyang i Airport. Ponadto witalność jest stosunkowo wysoka w eastern part of Zhichu Street oraz w centralnej części Fenghuangtai Street. Witalność miejska w głównym obszarze miejskim Yantai jest również silnie kształtowana przez warunki topograficzne. Obszary górzyste w regionie centralnym, takie jak Huangjinding, Zhenshan i Jinkuangding, są klasyfikowane jako strefy o niskiej witalności. W ciągu dnia witalność w tych obszarach jest w pewnym stopniu zwiększana przez takie aktywności jak piesze wędrówki i rekreacja, podczas gdy witalność nocna jest niezwykle niska. Wzorzec ten wskazuje na wyraźną dysproporcję przestrzenną w rozkładzie witalności miejskiej, która wykazuje tendencję do skupiania się w gęsto zaludnionych obszarach mieszkalnych, miejscach rekreacji oraz lokalizacjach o wysokiej dostępności transportowej. Ta złożona struktura przestrzenna potwierdza relację sprzężenia między funkcjonalnym podziałem miasta a mobilnością ludności. Co więcej, istotna rola terenu i transportu dodatkowo wspiera hipotezę, że wiele struktur przestrzennych miasta wspólnie kształtuje witalność miejską.
Z perspektywy czasowej witalność miejska w głównym obszarze miejskim Yantai jest kształtowana przede wszystkim przez aktywność zawodową i rekreacyjną mieszkańców. Okres od 07:00 do 18:00 obejmuje poranny szczyt oraz dzienne godziny pracy i nauki, podczas których mieszkańcy zazwyczaj przemieszczają się z domów do miejsc pracy, co powoduje przesunięcie się przestrzennego wzorca witalności miejskiej z agregacji w stronę dyspersji. Okres od 18:00 do 23:00 obejmuje wieczorny szczyt oraz godziny wolnego czasu. W szczególności po 22:00 przestrzenny rozkład witalności miejskiej staje się bardziej skoncentrowany, podczas gdy ogólny poziom witalności spada. Odzwierciedla to fakt, że z jednej strony mieszkańcy wracają do domów po pracy i zajęciach rekreacyjnych, a z drugiej strony wcześniej aktywne przestrzenie miejskie stopniowo wyciszają się na noc. Ogólnie rzecz biorąc, dobowa zmienność witalności miejskiej jest wyraźnie napędzana przez codzienne rutyny pracy i odpoczynku mieszkańców. Godziny dzienne (07:00–18:00) stanowią szczytowy okres witalności miejskiej, charakteryzujący się wyższym poziomem witalności, szerszym zasięgiem przestrzennym i bardzo niewielką liczbą obszarów o niskiej witalności. W przeciwieństwie do tego godziny nocne (18:00–23:00) cechują się stopniowym ograniczaniem zakresu aktywności, przy czym witalność koncentruje się coraz bardziej w obszarach mieszkalnych. Wyniki te wyraźnie wykazują zależność czasową wpływu aktywności zawodowych i rekreacyjnych na witalność miejską w głównym obszarze miejskim Yantai, ujawniają charakterystykę jej dobowej ewolucji, realizują główny cel zidentyfikowania czasowo-przestrzennego wzorca witalności miejskiej i potwierdzają hipotezę, że codzienne rytmy aktywności mieszkańców są ściśle powiązane z witalnością miasta.
Charakterystyka przestrzennego klastrowania witalności miejskiej:
W celu zbadania autokorelacji przestrzennej witalności miejskiej w głównym obszarze miejskim miasta Yantai zastosowano globalny indeks Moran’a I. Wyniki wykazują, że wartości indeksu Moran’a I dla witalności miejskiej w dzień i w nocy wynoszą odpowiednio 0.722 oraz 0.736. Test istotności wskazuje, że witalność miejska w głównym obszarze miejskim miasta Yantai wykazuje znaczące klastrowanie zarówno w dzień, jak i w nocy, przy czym efekt klastrowania jest bardziej wyraźny w nocy niż w dzień.
Jak pokazano na Rysunku 4, witalność miejska w głównym obszarze miejskim Yantai wykazuje głównie dwa wzorce skupień: skupienia typu „wysoki–wysoki” oraz „niski–niski”. Choć ogólny rozkład przestrzenny prezentuje nieregularny wzorzec złożony, łączący model „centrum–peryferie” oraz „jedno jądro z wieloma punktami”, obszary „centrum” i „peryferii” są od siebie oddzielone przestrzennie, a strefy przejściowe między nimi zawierają liczne obszary bez istotnych skupień. Wyniki analizy autokorelacji przestrzennej wyraźnie identyfikują wzorce skupień i zróżnicowanie przestrzenne witalności miejskiej, realizując tym samym cel badawczy w zakresie rozpoznawania wzorców. Wyniki te potwierdzają również odpowiednie hipotezy badawcze, są ściśle zgodne z ogólnym schematem analitycznym niniejszego badania i stanowią podstawę do dalszej analizy zróżnicowanych efektów struktury przestrzennej.
Rycina 4. Dniowa i nocna lokalna agregacja przestrzenna witalności miejskiej. Mapy lokalnych wskaźników powiązań przestrzennych (LISA) przedstawiają klastry przestrzenne typu high-high, high-low, low-high, low-low oraz klastry nieistotne dla witalności w ciągu dnia i w nocy. Aby zobaczyć powiększoną wersję tej ryciny, kliknij tutaj.
Efekty heterogeniczności przestrzennej struktury przestrzeni miejskiej na witalność miejską w oparciu o model MGWR
Aby uniknąć błędu szacowania spowodowanego wzajemnym oddziaływaniem poszczególnych czynników struktury przestrzeni miejskiej, do przetestowania wszystkich zmiennych objaśniających wykorzystano współczynnik inflacji wariancji (VIF). Im wyższa wartość VIF, tym większa współliniowość. Zazwyczaj wartość VIF przekraczająca 7,5 wskazuje, że zmienna objaśniająca jest nadmiarowa32. Wyniki testów przedstawiono w Tabeli 2. Wszystkie wartości VIF są mniejsze niż 7,5, co wskazuje, że wybrane wskaźniki nie wykazują współliniowości. Następnie usunięto wskaźniki z p > 0,05, ponieważ uznano, że nie mają one istotnego wpływu na witalność miejską. Po selekcji zmiennych, jako zmienne objaśniające do konstrukcji modelu MGWR (RRID: SCR_017651) wybrano siedem ostatecznych czynników: różnorodność POI, funkcje życiowe, funkcje mieszkalne, gęstość zabudowy, bliskość, odległość od centrum biznesowego (DBC) oraz możliwość pieszego dotarcia (walkability). Krok ten zakończył proces selekcji zmiennych, a zachowane kluczowe czynniki są zgodne z ramami badawczymi, co zapewnia, że późniejsza analiza modelu pozwoli efektywnie zweryfikować hipotezę badawczą.
| Zmienna | p-wartość | Współczynnik inflacji wariancji (VIF) |
| Różnorodność POI | 0 | 1.946 |
| Funkcja gospodarcza | 0.025 | 3.15 |
| Funkcja życiowa | 0.004 | 3.834 |
| Funkcja mieszkalna | 0.001 | 1.925 |
| Gęstość zabudowy | 0 | 3.062 |
| Współczynnik powierzchni zabudowy | 0.084 | 5.723 |
| Bliskość | 0 | 1.732 |
| Pośrednictwo (betweenness) | 0.952 | 2.022 |
| Odległość od centrum miasta | 0.458 | 1.407 |
| Odległość od centrum biznesowego | 0.009 | 1.498 |
| Wskaźnik bliskości wody | 0.06 | 1.132 |
| Znormalizowany Różnicowy Wskaźnik Wegetacji (NDVI) | 0.118 | 1.049 |
| Ciągłość zabudowy | 0.364 | 2.746 |
| Współczynnik widoczności nieba | 0.22 | 1.177 |
| Przystępność piesza (walkability) | 0.004 | 2.094 |
Tabela 2: Ocena współliniowości potencjalnych zmiennych objaśniających.Tabela przedstawia istotność statystyczną (wartość p) oraz współczynnik inflacji wariancji (VIF) dla każdej potencjalnej zmiennej objaśniającej wykorzystanej podczas przesiewania zmiennych przed analizą wieloskalowej geograficznie ważonej regresji (MGWR). Zmienne zachowane do dalszego modelowania spełniały zdefiniowane wcześniej kryteria selekcji statystycznej. Skrót: VIF, współczynnik inflacji wariancji.
Wpływ dopasowania modelu:
Analiza modelowania została przeprowadzona z wykorzystaniem trzech podejść: globalnego modelu OLS, tradycyjnego modelu GWR oraz modelu MGWR. Konwergencję modelu opierano na kryterium SOC-f (wygładzanie f), w którym jako kryterium konwergencji przyjęto maksymalną wartość bezwzględną zmiany wszystkich oszacowanych współczynników regresji pomiędzy dwiema kolejnymi iteracjami. Próg konwergencji ustalono na poziomie 1,0 × 10⁻5, a maksymalną liczbę iteracji na 200. Modele dla dnia i nocy przyjęły te same ustawienia metodologiczne, w tym funkcję jądra, regułę wyszukiwania szerokości pasma, kryterium konwergencji oraz inne ustawienia parametrów, aby zapewnić porównywalność wyników; różniły się jedynie zmienne zależne, a co za tym idzie, różniły się również oszacowane optymalne szerokości pasma i współczynniki regresji. Wyniki wskazują, że model dzienny osiągnął konwergencję po 28 iteracjach, a model nocny po 34 iteracjach. Oba modele spełniły próg konwergencji, co wskazuje na stabilność i wiarygodność wyników oszacowań. Wskaźniki dla trzech modeli przedstawiono w Tabeli 3.
| Kategoria | Zmienna | MNK (metoda najmniejszych kwadratów) | GWR | MGWR (multiscale geographically weighted regression – wieloskalowa geograficznie ważona regresja) |
| Wydajność modelu | AICc | 6703 | 4417 | 3463 |
| Skorygowany współczynnik R² | 0.62 | 0.56 | 0.8 | |
| Optymalna zmienna szerokość pasma (MGWR) | Różnorodność POI | — | 53 | 239 |
| Funkcja życiowa | — | — | 724 | |
| Funkcja mieszkalna | — | — | 256 | |
| Gęstość zabudowy | — | — | 237 | |
| Bliskość | — | — | 921 | |
| Odległość od centrum biznesowego | — | — | 2220 | |
| Przystosowanie do ruchu pieszego | — | — | 2220 |
Tabela 3: Porównanie wydajności modeli zwykłej metody najmniejszych kwadratów (OLS), regresji ważonej geograficznie (GWR) oraz wieloskalowej regresji ważonej geograficznie (MGWR).Tabela przedstawia porównanie wydajności modeli zwykłej metody najmniejszych kwadratów (OLS), regresji ważonej geograficznie (GWR) oraz wieloskalowej regresji ważonej geograficznie (MGWR) z wykorzystaniem poprawionego kryterium informacyjnego Akaike (AICc) i skorygowanego współczynnika determinacji (Adjusted R2). Podano również optymalną szerokość pasma oszacowaną dla każdej zmiennej objaśniającej w modelu MGWR, co ilustruje specyficzne dla poszczególnych zmiennych skale przestrzenne analizy regresji. Skróty: AICc, poprawione kryterium informacyjne Akaike; OLS, zwykła metoda najmniejszych kwadratów; GWR, regresja ważona geograficznie; MGWR, wieloskalowa regresja ważona geograficznie.
Jak pokazano w Tabeli 3, model MGWR wykazuje niższą wartość AICc oraz wyższy skorygowany R2 niż modele OLS i GWR, co świadczy o lepszym dopasowaniu modelu. Ponadto, w porównaniu z modelami OLS i GWR, model MGWR pozwala każdej zmiennej objaśniającej na posiadanie własnej optymalnej szerokości pasma (bandwidth), z wartościami w zakresie od 237 do 2 220. Wskazuje to, że wpływ różnych zmiennych na witalność miejską znacząco różni się w zależności od skali przestrzennej.
Wśród analizowanych zmiennych, szerokości pasm DBC oraz dostępności pieszej są zbliżone do pełnej wielkości próby, co sugeruje, że ich efekty mają charakter głównie globalny, a nie lokalny. Może to wynikać z faktu, że czynniki te wykazują stosunkowo ograniczoną zmienność przestrzenną w większości obszarów. Jako wskaźniki reprezentujące warunki społeczno-ekonomiczne oraz charakterystykę środowiska ulicznego ściśle powiązaną z ludzką percepcją, wywierają one ogólny wpływ na witalność miasta. Z kolei pięć zmiennych: różnorodność POI, funkcje życiowe, funkcje mieszkalne, gęstość zabudowy oraz bliskość, charakteryzuje się stosunkowo niewielkimi szerokościami pasm, co wskazuje, że ich efekty koncentrują się w lokalnej skali przestrzennej. Czynniki te odzwierciedlają zróżnicowane potrzeby mieszkańców w zakresie złożoności funkcjonalnej, środowiska życia i dostępności, przez co mogą przyciągać lub ograniczać różne rodzaje aktywności w przestrzeniach lokalnych, kształtując tym samym witalność miasta.
W szczególności szerokości pasm dla dywersyfikacji POI, funkcji mieszkalnej i gęstości zabudowy wynoszą odpowiednio 239, 256 i 237, co stanowi 11%, 12% i 11% pełnej próby. Szerokości pasm dla funkcji życiowej i bliskości obejmują większą część próby, odpowiednio 33% i 41%, co sugeruje, że ich efekty działają w szerszej skali przestrzennej. Ogólnie rzecz biorąc, zalety modelu MGWR są oczywiste. Zmienne skale oddziaływania zmiennych objaśniających dodatkowo wspierają hipotezę o heterogeniczności przestrzennej i potwierdzają zasadność wyboru modelu zastosowanego w niniejszym badaniu.
Znaczenie wpływu:
Wyniki statystyczne współczynników regresji uzyskane z modelu MGWR przedstawiono w Tabeli 4. Na podstawie wartości bezwzględnych średnich współczynników regresji, wkład zmiennych struktury przestrzennej miasta w ciągu dnia uszeregowano następująco: różnorodność POI > dostępność > gęstość zabudowy > funkcje życiowe > funkcje mieszkalne > przystępność dla pieszych > DBC. W nocy ranking ulega niewielkiej zmianie na: różnorodność POI > funkcje życiowe = funkcje mieszkalne > gęstość zabudowy > przystępność dla pieszych > DBC > dostępność.
| Zmienna | Średnia dzienna | SD w ciągu dnia | Mediana dzienna | Średnia nocna | Nocna deprywacja snu | Mediana nocna |
| Różnorodność POI | 0.226 | 0.126 | 0.196 | 0.322 | 0.096 | 0.315 |
| Funkcja życiowa | 0.088 | 0.006 | 0.088 | 0.145 | 0.075 | 0.153 |
| Funkcja mieszkalna | 0.019 | 0.158 | 0.004 | 0.145 | 0.173 | 0.123 |
| Gęstość zabudowy | 0.132 | 0.029 | 0.131 | 0.070 | 0.126 | 0.053 |
| Bliskość | 0.165 | 0.188 | 0.121 | 0.030 | 0.048 | 0.024 |
| Odległość od centrum biznesowego | −0.010 | 0.004 | −0.010 | 0.032 | 0.003 | 0.031 |
| Kształtowanie przestrzeni przyjaznych pieszym | 0.011 | 0.002 | 0.011 | 0.039 | 0.002 | 0.039 |
Tabela 4: Statystyki podsumowujące współczynniki regresji oszacowane za pomocą modelu wieloskalowej regresji geograficznie ważonej (MGWR).Tabela przedstawia podsumowanie rozkładu współczynników regresji oszacowanych za pomocą modelu wieloskalowej regresji geograficznie ważonej (MGWR) dla witalności miejskiej w dzień i w nocy. Dla każdej zmiennej objaśniającej podano średnią, odchylenie standardowe (SD) oraz medianę współczynników regresji, co pozwala na porównanie wielkości i zmienności efektów w dwóch przedziałach czasowych. Skróty: MGWR, wieloskalowa regresja geograficznie ważona; SD, odchylenie standardowe.
Warto zauważyć, że różnorodność POI konsekwentnie wykazuje największy wkład w witalność miasta zarówno w dzień, jak i w nocy, wywierając dodatni wpływ. Wskazuje to, że obszary charakteryzujące się zróżnicowanym zakresem obiektów miejskich i wysokim stopniem mieszania funkcji są szczególnie atrakcyjne dla mieszkańców, co w konsekwencji zwiększa witalność miasta. W ciągu dnia aktywności mieszkańców są przede wszystkim zorientowane na dojazdy, pracę biurową i usługi publiczne; w związku z tym istotną rolę odgrywają bliskość oraz gęstość zabudowy. W nocy aktywności mieszkańców przesuwają się w stronę zamieszkania, wypoczynku i lokalnej konsumpcji, a wkład funkcji życiowych i mieszkalnych znacząco wzrasta, podczas gdy wpływ bliskości wyraźnie spada. Ta różnica w rankingu między dniem a nocą bezpośrednio odzwierciedla strukturalną zmianę w mechanizmach napędzających witalność miasta wraz ze zmianą codziennych wzorców aktywności mieszkańców, co stanowi makroskopową podstawę dla późniejszego zróżnicowanego planowania w zależności od strefy i okresu czasu.
Jak zilustrowano na Rysunku 5, analiza zmienności współczynników regresji oraz różnic w strefach wpływu po przesianiu czynników oddziałujących wykazuje, że efekty funkcji życiowej, DBC oraz dostępności pieszej są stosunkowo stabilne w ciągu dnia. Funkcja życiowa i dostępność piesza wywierają pozytywny wpływ, natomiast odległość od centrum biznesowego wykazuje zarówno efekty pozytywne, jak i negatywne. Zakresy wpływu różnorodności POI, funkcji mieszkalnej i dostępności komunikacyjnej ulegają znacznym wahaniom i analogicznie wykazują zarówno efekty pozytywne, jak i negatywne. Wpływ gęstości zabudowy zmienia się w określonym zakresie, lecz pozostaje pozytywny. W nocy efekty DBC i dostępności pieszej są bardziej stabilne i oba pozostają pozytywne. W przeciwieństwie do nich, efekty różnorodności POI, funkcji mieszkalnej i gęstości zabudowy wykazują znaczne zróżnicowanie, przy czym różnorodność POI wywiera wpływ pozytywny, podczas gdy funkcja mieszkalna i gęstość zabudowy wykazują zarówno pozytywne, jak i negatywne zależności z witalnością miejską. Efekty funkcji życiowej i dostępności komunikacyjnej również różnią się w określonym zakresie.
Rysunek 5Rozkład współczynników regresji z modelu wieloskalowej geograficznie ważonej regresji. Wykresy skrzypcowe porównują rozkłady współczynników w dzień i w nocy dla każdego czynnika wpływowego. Szersze obszary wskazują na wyższą gęstość współczynników; wartości dodatnie oznaczają efekty promujące, a wartości ujemne efekty hamujące. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Przestrzenna heterogeniczność oddziaływania
Aby dalej analizować przestrzenną heterogeniczność efektów struktury przestrzennej miasta na witalność miejską, wybrano próbki o istotnych poziomach wpływu. Zwizualizowano współczynniki regresji w dzień i w nocy dla każdego elementu miejskiej struktury przestrzennej (Rysunki 6 i 7). Wykorzystując metodę klasyfikacji naturalnych przerw, współczynniki regresji podzielono na 10 poziomów, aby zilustrować zasięg przestrzenny, intensywność oraz zmiany kierunkowe ich oddziaływania.
Rysunek 6. Dzienna rozkład przestrzenny współczynników wieloskalowej regresji ważonej geograficznie. Mapy przedstawiają zmienność przestrzenną dziennych współczynników regresji dla różnorodności punktów zainteresowania, funkcji życiowych, funkcji mieszkalnych, gęstości zabudowy, bliskości, S oraz możliwości pieszego przemieszczania się (walkability). Gradienty kolorów wskazują wartość współczynnika, zgodnie z legendą zamieszczoną w każdym panelu. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 7Nocna dystrybucja przestrzenna współczynników wieloskalowej geograficznie ważonej regresji. Mapy przedstawiają zmienność przestrzenną nocnych współczynników regresji dla różnorodności punktów zainteresowania, funkcji życiowych, funkcji mieszkalnej, gęstości zabudowy, bliskości, odległości od centrum biznesowego oraz dostępności pieszej. Gradienty kolorów wskazują wielkość współczynnika, zgodnie z legendami zamieszczonymi w każdym panelu. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Różnorodność POI mierzy różnorodność i złożoność funkcji miejskich w obrębie każdej jednostki przestrzennej. Główny mechanizm leżący u podstaw witalności miejskiej opiera się na różnorodności punktów docelowych i efektach synergii działań. Im większa różnorodność POI na danym obszarze, tym lepiej może on zaspokajać zróżnicowane potrzeby mieszkańców w zakresie zakupów, gastronomii, rozrywki i usług codziennych w tej samej przestrzeni, co zmniejsza potrzebę podróży międzyregionalnych, wydłuża czas przebywania pieszych i zwiększa intensywność wykorzystania przestrzeni. Wyniki pokazują, że różnorodność POI ma najsilniejszy wpływ na witalność miejską i wykazuje znaczną zmienność przestrzenną. W szczególności jej rozkład jest stosunkowo skoncentrowany w obszarach o wysokim i niskim stopniu oddziaływania: silniejsze wpływy obserwuje się głównie w centrum miasta, natomiast słabsze wpływy występują głównie na obrzeżach. Ogólne współczynniki regresji są przeważnie dodatnie, co wskazuje na wyraźną dodatnią korelację, przy jedynie niewielkiej liczbie słabych powiązań ujemnych. Sugeruje to, że w większości obszarów wyższa różnorodność POI wiąże się z większą witalnością miejską. Co więcej, zróżnicowanie przestrzenne wpływu różnorodności POI na witalność miejską jest bardziej wyraźne w nocy niż w dzień, co czyni ten czynnik najbardziej wpływającym na witalność nocną. Ta różnica dobowa może wynikać ze strukturalnego zróżnicowania potrzeb aktywności mieszkańców między dniem a nocą. W ciągu dnia mieszane użytkowanie gruntów służy głównie dojazdom do pracy oraz krótkotrwałym, fragmentarycznym potrzebom konsumpcyjnym podczas przerw, a jego rola w przyciąganiu aktywności pieszych jest stosunkowo ograniczona. W nocy natomiast aktywność ludzi przesuwa się w stronę rekreacji, interakcji społecznych i konsumpcji doświadczalnej. W tym kontekście obszary o wysokiej różnorodności POI mogą zapewnić zróżnicowane i ciągłe scenariusze nocnej konsumpcji, skutecznie wydłużając czas przebywania mieszkańców na zewnątrz, a tym samym wywierając bardziej znaczący efekt napędowy na witalność nocną.
Funkcje życiowe obejmują obiekty związane z edukacją, nauką, kulturą, zdrowiem, transportem i usługami publicznymi, które zaspokajają codzienne potrzeby mieszkańców. Mechanizm ich oddziaływania polega na tworzeniu sieci aktywność–cel: obiekty te nie tylko same przyciągają potoki pieszych, ale także, dzięki synergii z innymi funkcjami, generują stabilne przepływy aktywności. Wyniki regresji pokazują, że pozytywny wpływ funkcji życiowych na witalność w ciągu dnia pozostaje stabilny, przy współczynnikach w zakresie od 0,078 do 0,098 i jedynie niewielkich wahaniach intensywności efektu. W przeciwieństwie do tego, zakres współczynników dla pory nocnej rozszerza się do 0,005–0,256, co wskazuje na znacznie szerszy wpływ przestrzenny. Przyjmując ulicę Zhichu i ulicę Xingfu jako obszar centralny, stopień wpływu stopniowo wzrasta od centrum w kierunku obszarów otaczających. Chociaż region ten charakteryzuje się skoncentrowanym rozkładem ludności, jego planowanie urbanistyczne jest stosunkowo przestarzałe i ograniczone przez rozwój gospodarczy, co skutkuje mniejszą ogólną liczbą obiektów rozrywkowych i innych udogodnień związanych z funkcjami życiowymi niż w wschodniej części miasta. W konsekwencji jego atrakcyjność dla mieszkańców jest słabsza, a wpływ na witalność miejską mniej wyraźny. Ta zmienność czasowa odzwierciedla zmianę celów aktywności mieszkańców. W ciągu dnia funkcje życiowe są przede wszystkim zorientowane na usługi publiczne, a potoki pieszych pozostają stosunkowo stabilne. W nocy są one jednak uzupełniane przez potrzeby rekreacyjne i rozrywkowe, co tworzy relację komplementarną z funkcjami zorientowanymi na konsumpcję, takimi jak gastronomia i zakupy, co pozwala funkcjom życiowym wywierać silniejszy efekt napędzający witalność miejską w szerszym zakresie przestrzennym.
Funkcje mieszkalne stanowią przestrzenną podstawę umożliwiającą mieszkańcom nocny powrót i pobyt. Ich relacja z witalnością miejską wykazuje wyraźnie odmienne wzorce w ciągu dnia i w nocy. W ciągu dnia obszary mieszkalne stanowią punkt wyjścia dla odpływu ludności; w związku z tym samo zwiększanie gęstości zabudowy mieszkalnej nie musi prowadzić do wzrostu witalności miejskiej. Bez odpowiednich obiektów handlowych i usługowych obszary o wysokiej gęstości zaludnienia mogą zamiast tego stać się „sypialniami” o niskiej witalności. W nocy jednak mieszkańcy wracają do domów, a obszary mieszkalne stają się przestrzenną bazą dla aktywności nocnych. Wyniki wskazują, że choć zmienna funkcji mieszkalnej wykazuje stosunkowo słaby średni efekt ogólny, nadal przejawia ona wyraźną heterogeniczność przestrzenną i zróżnicowanie w niektórych obszarach, a przestrzenny rozkład tego wpływu jest w dużej mierze podobny zarówno w dzień, jak i w nocy. W obszarach wokół Hongrun Materials Market, Fruit Wholesale Market, Fenghuangtai Primary School oraz Jinxiu Xincheng funkcje mieszkalne są gęsto rozmieszczone, jednak ich relacja z witalnością miejską jest ujemna. Sugeruje to, że dodawanie kolejnych funkcji mieszkalnych w tych obszarach nie zwiększa witalności miejskiej; wręcz przeciwnie, nadmierna koncentracja mieszkań może hamować nocne aktywności społeczne i konsumpcyjne ze względu na zatłoczenie przestrzeni oraz brak zaplecza infrastrukturalnego. Z kolei na Shihuiyao Street funkcje mieszkalne są dodatnio skorelowane z witalnością miejską, co wskazuje, że obiekty mieszkalne w tym obszarze odgrywają silniejszą rolę w podtrzymywaniu witalności miasta i wywierają większą atrakcyjność dla mieszkańców.
Gęstość zabudowy odzwierciedla intensywność rozwoju na danym obszarze, a jej podstawowy mechanizm polega na zapewnieniu fizycznej bazy dla agregacji ludności: wyższa gęstość zabudowy wskazuje na większą pojemność populacyjną, a także gęstszą koncentrację możliwości zatrudnienia i punktów handlowych. Wyniki niniejszego badania pokazują, że gęstość zabudowy wywiera ogólnie pozytywny wpływ na witalność miejską w ciągu dnia, przy czym wpływ ten stopniowo słabnie z wschodu na zachód, tworząc wyraźną strukturę koncentryczną. W zachodniej części miasta wpływ gęstości zabudowy na witalność miejską jest słabszy niż w części wschodniej, co sugeruje, że zwiększanie gęstości zabudowy w obszarach zachodnich jest mniej skuteczne w poprawie witalności miejskiej niż w obszarach wschodnich. W nocy jednak efekt ten wykazuje wzorzec dwukierunkowy. Wpływ gęstości zabudowy na witalność miejską jest ujemnie skorelowany w zachodniej części ulicy Xingfu w pobliżu rzeki Jiahe oraz w klastrach o niskich wartościach ulicy Zhichu, przy stosunkowo niewielkich różnicach w wielkości. Ta różnica dobowa wynika z zróżnicowania funkcjonalnego: w ciągu dnia obszary zabudowy o wysokiej gęstości koncentrują funkcje biurowe i handlowe i służą jako główne strefy napływu ludności; w nocy jednak w niektórych gęstych dzielnicach biznesowych następuje rozproszenie ludzi, a witalność miejska przesuwa się na zewnątrz do okolicznych obszarów mieszkalnych. W tym sensie obszary zabudowy o wysokiej gęstości funkcjonują jako centra agregacji witalności w ciągu dnia, podczas gdy w nocy stają się źródłami dyfuzji witalności, stymulując witalność otoczenia poprzez zewnętrzny efekt przelewania.
Bliskość mierzy efektywność łączności sieci drogowej i określa, jak wygodnie mieszkańcy mogą dotrzeć do różnych typów celów podróży. Jej główny mechanizm polega na redukcji kosztów czasu podróży i rozszerzeniu przestrzennego zasięgu aktywności; większa bliskość bezpośrednio zwiększa prawdopodobieństwo i częstotliwość odwiedzania miejsc. Wyniki niniejszego badania pokazują, że bliskość jest drugim najważniejszym czynnikiem napędzającym w ciągu dnia, ustępując jedynie różnorodności POI, podczas gdy jej wpływ znacznie spada w nocy. Ten wyraźny kontrast dzień–noc odzwierciedla fundamentalną zmianę w schematach aktywności mieszkańców. W ciągu dnia czynności takie jak dojazdy do pracy, sprawy urzędowe i biznesowe stawiają stosunkowo wysokie wymagania wobec transportu i są silnie uzależnione od dostępności komunikacyjnej. W nocy jednak aktywności mieszkańców stają się bardziej skoncentrowane wokół domu, promień aktywności ulega zmniejszeniu, a główne cele podróży przesuwają się w stronę rekreacji i konsumpcji, co sprawia, że mieszkańcy są znacznie mniej wrażliwi na dostępność sieci drogowej. Ponadto bliskość wykazuje dwukierunkowy efekt lokalny: ma silny dodatni związek z witalnością miejską wzdłuż rzeki Jiahe, a także na ulicach Zhichu Street i Fenghuangtai Street, natomiast wykazuje słaby ujemny związek w słabo zaludnionych obszarach na północ od Xingfu Street. Sugeruje to, że efekt napędzania witalności przez bliskość zależy od obecności wystarczającego popytu ze strony pieszych.
Wskaźnik DBC mierzy bliskość każdej jednostki przestrzennej względem centralnej dzielnicy handlowej miasta, odzwierciedlając zalety lokalizacyjne w zakresie dostępu do możliwości zatrudnienia, punktów konsumpcji oraz efektów zewnętrznych gospodarki. Jego mechanizm opiera się na korzyściach skali wynikających z aglomeracji oraz dostępności dla konsumentów: im bliżej centrum handlowego znajduje się dany obszar, tym gęstsza jest sieć możliwości zatrudnienia, bogatszy wybór usług konsumpcyjnych i bardziej aktywne interakcje społeczno-ekonomiczne, co w konsekwencji przyciąga większy ruch pieszych. Wyniki niniejszego badania wykazują, że wpływ DBC na dzienną witalność miejską maleje z południa na północ i wykazuje korelację ujemną. Obszary na południu znajdują się dalej od centrum handlowego, a zatem mają słabszy wpływ na witalność miejską, natomiast obszary na północ od Kuiyu Road są bliżej centrum handlowego, przez co wywierają silniejszy efekt. W nocy jednak zależność ta staje się dodatnia, tworząc dwie strefy pierścieniowe po północnej i południowej stronie Hongqi Road, a wpływ stopniowo wzrasta od centrum w kierunku obszarów otaczających. Ta odwrócona relacja dzień–noc ujawnia podstawową logikę struktury przestrzennej: w ciągu dnia centrum handlowe służy jako główny cel podróży w celu zatrudnienia i konsumpcji, napędzając koncentrację ludności do wewnątrz; w nocy mieszkańcy wracają do domów rozproszonych po całym mieście, a obszary mieszkalne oddalone od centrum handlowego odnotowują zamiast tego wzrost witalności ze względu na powroty ludności.
Przystawność do pieszych (walkability) mierzy stopień przyjazności środowiska ulicznego dla pieszych i stanowi kluczowy pomost między przestrzenią fizyczną a ludzką percepcją. Jej charakterystyczny mechanizm nie polega na bezpośrednim generowaniu potoków pieszych, lecz na poprawie doświadczeń związanych z chodzeniem, zwiększeniu poczucia bezpieczeństwa i komfortu, wydłużeniu czasu przebywania pieszych oraz ułatwianiu interakcji społecznych, co w konsekwencji przyczynia się do witalności miasta. W niniejszym badaniu przystawność do pieszych wykazuje stały, pozytywny wpływ na witalność miejską zarówno w dzień, jak i w nocy, co wskazuje na globalny charakter tego oddziaływania oraz na to, że przyjazne pieszym środowiska uliczne ogólnie zwiększają witalność przestrzenną. W ciągu dnia wpływ przystawności do pieszych na witalność miejską tworzy strefy o niskiej witalności w wiosce Zhujia i na ulicy Fenghuangtai. Może to wynikać głównie z faktu, że potoki pieszych w pobliżu wioski Zhujia są stosunkowo ograniczone, a mieszkańcy wykazują mniejszą zależność od chodników. Na ulicy Fenghuangtai zabudowa jest gęsta, a układ ulic przestarzały; chodniki są wąskie i często zawłaszczane, co skutkuje ograniczonym wsparciem dla agregacji witalności poprzez transport niemotorowy. W nocy wpływ przystawności do pieszych stopniowo maleje od południowego zachodu ku północy, wykazując silniejszy efekt w południowej części miasta i względnie słabszy na północy. Wzorzec ten jest powiązany z rozkładem potoków pieszych, infrastrukturą transportową oraz regionalnymi dysproporcjami w rozwoju głównego obszaru miejskiego Yantai. Co więcej, efekt przystawności do pieszych jest stosunkowo silniejszy w nocy, co odzwierciedla większą zależność aktywności nocnych od postrzeganego bezpieczeństwa i jakości środowiska. Odpowiednie oświetlenie, ciągłość chodników oraz dobrze zdefiniowane zamknięcie ulicy mogą skutecznie zredukować poczucie niebezpieczeństwa podczas nocnego przemieszczania się, odblokowując tym samym potencjał nocnej witalności miejskiej.
Reprezentatywne obszary i ramy optymalizacji witalności miejskiej
Aby w dalszym stopniu zilustrować heterogeniczność przestrzenną zidentyfikowaną w analizie MGWR, do badań terenowych wybrano reprezentatywne dzielnice o różnych charakterystykach przestrzeni miejskiej (ryciny 8 i 9). Przykłady te stanowią dowód wizualny warunków przestrzennych powiązanych z wynikami analizy.
Rysunek 8. Aktualny stan starych kwartałów w Xingfu New Town. Reprezentatywne fotografie przedstawiają warunki ulic i środowiska zabudowanego, w tym nierównomierny rozkład obiektów użyteczności publicznej oraz ograniczoną jakość środowiska ulicznego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 9. Obecny stan starych osiedli w Nangou Street-Jinde i Baishi-Huangshan. Reprezentatywne fotografie przedstawiają gęstą zabudowę mieszkalną, ograniczoną przestrzeń publiczną oraz aktualne warunki środowiskowe w sąsiedztwie. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 8 przedstawia Xingfu New Town, reprezentacyjną starszą dzielnicę charakteryzującą się nierównomiernym rozmieszczeniem obiektów usług publicznych i stosunkowo niską jakością środowiska ulicznego. Rysunek 9 prezentuje reprezentatywne osiedla mieszkaniowe w obszarach Nangou Street–Jinde oraz Baishi–Huangshan, które cechują się gęstą zabudową mieszkaniową, ograniczoną przestrzenią publiczną oraz stosunkowo monotonnymi fasadami ulicznymi. Zaobserwowane cechy przestrzenne są zgodne z wynikami analiz opisującymi różnice w wpływie funkcji życiowych i funkcji mieszkaniowych na witalność miejską.
Rycina 10 podsumowuje zależności między głównymi wymiarami miejskiej struktury przestrzennej a ich wpływem na witalność miasta. W oparciu o wyniki analizy MGWR, opracowany schemat integruje zidentyfikowane czynniki sterujące oraz ich interakcje, aby zapewnić ogólną reprezentację koncepcyjną mechanizmów wpływających na witalność miasta w dzień i w nocy.
Rycina 10. Mechanizm optymalizacji struktury przestrzennej miasta i zwiększania witalności. Schemat podsumowuje strategie poprawy witalności w zakresie elementów funkcjonalnych, formy architektonicznej, dostępności, czynników socjoekonomicznych, przestrzeni ekologicznej i percepcji ludzkiej, z uwzględnieniem różnic między witalnością w dzień i w nocy. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Dostępność danych:
Wszystkie dane wspierające wyniki niniejszego badania zostały przedstawione w artykule i jego materiałach uzupełniających. Obejmują one Rysunek uzupełniający 1; Pliki uzupełniające 1–7, które opisują zbieranie danych, przetwarzanie wstępne, przepływy analityczne, wyniki modeli oraz diagnostykę regresji; Kody uzupełniające 1–4, które zawierają skrypty Python i notatniki Jupyter wykorzystywane do wstępnego przetwarzania danych oraz przetwarzania obrazów widoku ulic; oraz Dane uzupełniające 1–3, które dostarczają oryginalne, zestandaryzowane i przetworzone zestawy danych wskaźników przestrzennej struktury miejskiej wykorzystanych w analizach.
Rysunek uzupełniający 1. Walidacja witalności miejskiej wyznaczonej na podstawie map ciepła z wykorzystaniem natężenia światła nocnego. Porównanie rozkładu przestrzennego natężenia światła nocnego (po lewej) oraz nocnej witalności miejskiej wyznaczonej z danych map ciepła Baidu (po prawej). Reprezentatywne obszary hotspotów zostały wyróżnione, aby wykazać zgodność przestrzenną między dwoma zestawami danych, co potwierdza zasadność wykorzystania natężenia aktywności z map ciepła jako wskaźnika witalności miejskiej w badanym obszarze. Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 1. Procedura gromadzenia i przetwarzania danych z map ciepła Baidu. Plik ten opisuje schemat postępowania w zakresie pozyskiwania danych z map ciepła Baidu, ich wstępnego przetwarzania, odszumiania, klasyfikacji czasowej, transformacji przestrzennej, szacowania gęstości jądrowej oraz obliczania dziennej i nocnej witalności miejskiej w rozdzielczości 300 m. × skala siatki 300 m. Prosimy kliknąć tutaj, aby pobrać ten plik.
Plik uzupełniający 2. Definicje i procedury obliczeniowe wskaźników struktury przestrzennej miasta. Plik ten zawiera definicje, równania obliczeniowe, procedury wstępnego przetwarzania, ustawienia parametrów oraz metody normalizacji dla wszystkich wskaźników struktury przestrzennej miasta wykorzystanych w analizie, w tym funkcjonalności, formy architektonicznej, dostępności, charakterystyki socjoekonomicznej, przestrzeni ekologicznej oraz percepcji ludzkiej. Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 3. Procedura pozyskiwania i analizy obrazów typu street-view. Plik ten opisuje strategię próbkowania obrazów street-view, parametry pozyskiwania obrazów, generowanie obrazów panoramicznych, segmentację semantyczną z wykorzystaniem modelu SegNet, walidację modelu oraz obliczanie wskaźników percepcji ludzkiej wyprowadzonych z obrazowania street-view. Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 4. Przepływ pracy modelowania wieloskalowej regresji ważonej geograficznie (MGWR). Plik ten opisuje procedurę modelowania MGWR, w tym wstępne przetwarzanie danych, wybór zmiennych, ocenę współliniowości, konfigurację modelu, optymalizację szerokości pasma, ustawienia parametrów, implementację modelu oraz porównanie wydajności modeli zwykłych najmniejszych kwadratów (OLS), regresji ważonej geograficznie (GWR) i MGWR. Prosimy kliknąć tutaj, aby pobrać ten plik.
Plik uzupełniający 5. Wyniki dziennej wieloskalowej regresji ważonej geograficznie (MGWR). Kompletne wyniki modelu MGWR dla okresu dziennego, obejmujące globalne statystyki regresji, optymalizację szerokości pasma, wskaźniki diagnostyczne, szacunki parametrów oraz statystyki podsumowujące wykorzystane do oceny heterogeniczności przestrzennej dziennej witalności miejskiej. Prosimy kliknąć tutaj, aby pobrać ten plik.
Plik uzupełniający 6. Wyniki nocnej wieloskalowej geograficznie ważonej regresji (MGWR). Pełne wyniki modelu nocnej regresji MGWR, w tym globalne statystyki regresji, optymalizację szerokości pasma, metryki diagnostyczne, szacunki parametrów oraz statystyki opisowe wykorzystane do oceny heterogeniczności przestrzennej nocnej witalności miejskiej. Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 7. Diagnostyka regresji metodą najmniejszych kwadratów (OLS) i ewaluacja modelu. Wyniki diagnostyczne dla modelu OLS, w tym ocena współliniowości, diagnostyka regresji, analizy rezyduów oraz wykresy pomocnicze wykorzystane do porównania z modelami regresji ważonej geograficznie. Kliknij tutaj, aby pobrać ten plik.
Kod uzupełniający 1. Przepływ pracy w języku Python dla wstępnego przetwarzania danych map ciepła Baidu. Skrypt w języku Python służący do wstępnego przetwarzania surowych danych map ciepła, obejmujący usuwanie duplikatów, filtrowanie brakujących wartości, konwersję znaczników czasu, klasyfikację czasu dziennego/nocnego, standaryzację współrzędnych oraz eksport przetworzonych zbiorów danych do późniejszych analiz przestrzennych. Prosimy kliknąć tutaj, aby pobrać ten plik.
Kod uzupełniający 2. Procedura łączenia obrazów z widoku ulicznego. Notatnik Jupyter implementujący przetwarzanie obrazów z widoku ulicznego, obejmujący łączenie obrazów oraz generowanie obrazów panoramicznych do późniejszej analizy krajobrazu ulicznego. Kliknij tutaj, aby pobrać ten plik.
KOD UZUPEŁNIAJĄCY 3. Przepływ pracy pozyskiwania obrazów z widoku ulicznego. Notatnik Jupyter wykorzystywany do pobierania obrazów z widoku ulicznego za pomocą interfejsu programistycznego aplikacji (API) Baidu Street View, organizowania metadanych obrazów oraz przygotowywania obrazów do segmentacji semantycznej. Kliknij tutaj, aby pobrać ten plik.
Kod uzupełniający 4. Przepływ pracy przetwarzania obrazów z widoku ulicy. Notatnik Jupyter wykorzystywany do przetwarzania i integrowania obrazów z widoku ulicy przed ekstrakcją wskaźników percepcji ludzkiej. Kliknij tutaj, aby pobrać ten plik.
Dane uzupełniające 1. Oryginalny zestaw danych wskaźników struktury przestrzennej miasta. Surowe wartości wskaźników zgromadzone przed wstępnym przetwarzaniem i standaryzacją dla wszystkich jednostek przestrzennych uwzględnionych w badaniu. Aby pobrać ten plik, kliknij tutaj.
Dane uzupełniające 2. Ustandaryzowany zbiór danych wskaźników przestrzennej struktury miejskiej. Ustandaryzowane zmienne predyktora wykorzystane jako dane wejściowe do wieloskalowych analiz regresji geograficznie ważonej. Kliknij tutaj, aby pobrać ten plik.
Dane uzupełniające 3. Przefiltrowany i przetworzony zbiór danych wskaźników struktury przestrzennej obszarów miejskich. Zbiór danych poddany kontroli jakości po wstępnym przetwarzaniu i selekcji zmiennych, wykorzystany do analiz statystycznych i opracowania modelu. Kliknij tutaj, aby pobrać ten plik.
Dyskusja
Witalność miejska w głównym obszarze miejskim Yantai wykazuje zróżnicowane wzorce skupień oraz heterogeniczne wpływy przestrzenne, które różnią się w zależności od lokalizacji, zasięgów przestrzennych i skal analitycznych. Niniejsze badanie wykazuje, że witalność miejska jest kształtowana przez złożoną i zagnieżdżoną strukturę przestrzenną, w której wiele wymiarów środowiska zbudowanego wspólnie wpływa na aktywności mieszkańców w ciągu dnia i w nocy. Wykorzystując wieloźródłowe wielkie dane geoprzestrzenne oraz model MGWR, w badaniu tym zidentyfikowano znaczną heterogeniczność przestrzenną wpływu funkcjonalności, formy zabudowy, dostępności, warunków socjoekonomicznych i percepcji ludzi na witalność miejską. W porównaniu z tradycyjnymi podejściami opartymi na regresji globalnej, model MGWR skuteczniej uchwycił przestrzenną niestacjonarność tych zależności, zapewniając bardziej precyzyjne zrozumienie mechanizmów leżących u podstaw witalności miejskiej. Wyniki te wskazują, że strategie kształtowania witalności miejskiej powinny opierać się na spatiotemporalnych potrzebach aktywności mieszkańców i przyjmować sprawiedliwe, specyficzne dla kontekstu podejścia, które różnią się w zależności od ludzi, czasu i miejsca. Ponadto, efektywne zwiększenie witalności wymaga skoordynowanej optymalizacji zarówno globalnych, jak i lokalnych struktur przestrzennych, przy jednoczesnym ograniczaniu nieefektywności, nieskutecznych interwencji oraz negatywnych skutków związanych z alokacją zasobów i ograniczeniami środowiskowymi. Wspólnie odkrycia te stanowią oparty na dowodach model służący do poprawy skuteczności i precyzji strategii zwiększania witalności miejskiej (Rycina 10).
Spośród badanych elementów funkcjonalnych, różnorodność POI, funkcje życiowe oraz funkcje mieszkalne zostały zidentyfikowane jako główne determinanty witalności miejskiej. Różnorodność POI wywarła najsilniejszy pozytywny wpływ na witalność miejską, co jest zgodne z wynikami badań Ye i Zhuang33 oraz Cetin i wsp.34, którzy wykazali, że mieszane funkcje miejskie sprzyjają agregacji ludności i zwiększają witalność przestrzenną. W niniejszym badaniu różnorodność POI wykazała znaczącą pozytywną relację z witalnością miejską w większości głównej dzielnicy miejskiej w ciągu dnia, podczas gdy w obszarach peryferyjnych zaobserwowano jedynie słabe ujemne korelacje. Wzorzec ten można wyjaśnić koncentracją zróżnicowanych funkcji mieszkalnych, handlowych, rekreacyjnych i usługowych, które tworzą ciągłe łańcuchy aktywności ludzkiej i wzmacniają witalność zarówno czasową, jak i przestrzenną. W przeciwieństwie do nich, dzielnice peryferyjne charakteryzujące się jednofunkcyjnym wykorzystaniem gruntów wykazują fragmentaryczne łańcuchy aktywności i zredukowane czasowe wykorzystanie przestrzeni miejskiej. To koncentryczne zróżnicowanie jest również zgodne z wcześniejszymi badaniami Fang i wsp.35 oraz Xu i wsp.36. Podobne wzorce zgłoszono w Pekinie i Wuhan, gdzie wyższe poziomy integracji funkcjonalnej wiążą się z silniejszą witalnością pieszą i handlową37,38. W przeciwieństwie do przedmiejskich dzielnic mieszkalnych w Pekinie, które zazwyczaj posiadają stosunkowo kompletne zaplecze infrastruktury wspierającej, obszary przemysłowe, takie jak Huangwu Street i Wanhua Industrial Park w Yantai, cierpią na brak wystarczającej liczby codziennych POI, co sprawia, że negatywne skutki monokultury funkcjonalnej są bardziej wyraźne. W związku z tym zwiększenie różnorodności funkcjonalnej poprzez mieszaną zabudowę mieszkaniowo-handlową, usługi społecznościowe i ogólnodostępne przestrzenie publiczne prawdopodobnie poprawiłoby witalność w tych dzielnicach, natomiast rozszerzenie nocnych ulic handlowych i targów nocnych mogłoby dodatkowo wzmocnić aktywność nocną. Funkcje życiowe również wykazały konsekwentnie pozytywny wpływ na witalność miejską zarówno w dzień, jak i w nocy, szczególnie w wschodniej części miasta. Obiekty związane z edukacją, opieką zdrowotną, kulturą, rekreacją, transportem i usługami publicznymi przyciągają powtarzalne codzienne wizyty i stanowią ważne punkty docelowe podróży oraz interakcji społecznych. Przestrzenne nałożenie się tych obiektów z usługami handlowymi dodatkowo zwiększa czas przebywania pieszych i intensywność aktywności, podtrzymując tym samym witalność miejską. Wyniki te są zgodne z wnioskami Liu i Ge39, którzy podkreślili znaczenie zapewnienia usług publicznych w zwiększaniu witalności społeczności, a także z badaniami przeprowadzonymi w Nankinie i Wuhan, wykazującymi, że zrównoważone zaplecze funkcji życiowych znacząco zwiększa intensywność aktywności mieszkańców w ciągu dnia40,41. W konsekwencji kompleksowa rewitalizacja miejska powinna priorytetowo traktować poprawę zarówno ilości, jak i jakości obiektów pełniących funkcje życiowe. Jak pokazano na Rysunku 8, starsze osiedla, takie jak Xingfu Xincheng i otaczające je wsie miejskie, nadal borykają się z niewystarczającymi usługami publicznymi i stosunkowo niską jakością przestrzenną. Poprawa dostępu do edukacji, opieki zdrowotnej, opieki nad osobami starszymi, publicznych terenów zielonych i infrastruktury ratunkowej, wraz z adaptacyjnym ponownym wykorzystaniem dawnych terenów przemysłowych, takich jak Zhichu Park, na parki i place publiczne, przyczyniłaby się do silniejszej i bardziej zrównoważonej witalności miejskiej. Funkcje mieszkalne wykazały podobne wzorce przestrzenne zarówno w dzień, jak i w nocy, wykazując zazwyczaj słabe ujemne relacje w obszarach o wysokiej koncentracji mieszkalnych POI. Obszary te często charakteryzują się dominującym przeznaczeniem gruntów pod zabudowę mieszkaniową, ograniczoną przestrzenią publiczną, niewystarczającą aktywnością handlową i stosunkowo niewielką liczbą okazji do interakcji społecznych, co skutkuje środowiskiem o silnych atrybutach mieszkalnych, ale stosunkowo niskiej intensywności aktywności. Chen i wsp.42 w podobny sposób wykazali, że infrastruktura miejska zwiększa witalność tylko wtedy, gdy odpowiednia gęstość idzie w parze z ciągłą modernizacją i odnową. Badania przeprowadzone w gęsto zabudowanych dzielnicach miejskich Guangzhou wskazują również, że samo zwiększanie zabudowy mieszkaniowej niekoniecznie poprawia witalność, chyba że jest wspierane przez usługi publiczne, obiekty handlowe, infrastrukturę pieszą i wysokiej jakości przestrzenie publiczne. Jak pokazano na Rysunku 9, wiele osiedli o wysokiej koncentracji mieszkańców nadal doświadcza niedoboru przestrzeni publicznych i nieaktywnych frontów ulic. Dlatego dzielnice o gęstej zabudowie mieszkalnej odniosłyby korzyść z ukierunkowanych ulepszeń w zakresie obiektów usług publicznych, optymalizacji funkcji mieszkalnych, przyjęcia technologii zielonego budownictwa, wzmocnienia zarządzania społecznościowego oraz starannego planowania przyszłej zabudowy mieszkaniowej w celu poprawy zarówno jakości życia mieszkańców, jak i witalności miejskiej.
Poza elementami funkcjonalnymi, niniejsze badanie wykazuje, że forma zabudowy, dostępność, warunki socjoekonomiczne oraz percepcja ludzka przyczyniają się do przestrzennej heterogeniczności witalności miejskiej. Gęstość zabudowy okazała się istotnym czynnikiem determinującym witalność sąsiedztwa. Zgodnie z wynikami badań Yang i wsp.43 w Chongqing, wyższa gęstość zabudowy zazwyczaj sprzyja agregacji ludności i działalności gospodarczej, zwiększając tym samym witalność sąsiedztwa. Podobnie, niniejsze badanie wykazało, że wpływ gęstości zabudowy stopniowo wzrastał z zachodu na wschód, co odzwierciedla koncentrację rozwoju i działalności handlowej w północno-wschodnim jądrze głównego obszaru miejskiego Yantai. Wcześniejsze badania w Guangzhou dodatkowo wykazały, że choć zwiększanie gęstości zabudowy początkowo sprzyja witalności miejskiej, relacja ta ostatecznie osiąga optymalny próg, powyżej którego dalszy wzrost gęstości przynosi malejące korzyści16. Analogicznie, badania przeprowadzone w Qingdao wskazały, że obszary otaczające przestrzenie ekologiczne nie nadają się do nadmiernie intensywnej zabudowy44, a liniowe lub swobodne układy przestrzenne w strefach nadmorskich często zapewniają bardziej atrakcyjne środowisko niż wysoko skondensowane formy miejskie. Wyniki te sugerują, że gęstość zabudowy powinna być optymalizowana, a nie maksymalizowana. W związku z tym lokalna gęstość zabudowy powinna zostać odpowiednio zmniejszona w wysoko rozwiniętych dzielnicach handlowych i mieszkaniowych, w tym w obszarach wokół dworca kolejowego Yantai oraz Haishang World, przy jednoczesnym zwiększeniu liczby publicznych terenów zielonych i stref rekreacyjnych. Dzielnice historyczne, takie jak ulica Chaoyang i Suochengli, powinny priorytetowo traktować konserwację zabytkowych budynków i unikać nadmiernej przebudowy, natomiast intensywność zabudowy wzdłuż nadmorskiego pasa turystycznego i wokół Central Mountain Park powinna pozostać pod ścisłą kontrolą, aby zachować zasoby ekologiczne i krajobrazowe przy jednoczesnym utrzymaniu witalności miejskiej. Dostępność również wykazała wyraźną heterogeniczność czasowo-przestrzenną. Zgodnie z wcześniejszymi badaniami45,46, bliskość w ciągu dnia wykazywała istotną pozytywną korelację z witalnością miejską, natomiast jej wpływ malał z południa na północ w godzinach nocnych. Ponieważ bliskość odzwierciedla łączność sieci drogowej i koszty podróży mieszkańców, wyższa dostępność ułatwia częste i wielozadaniowe aktywności poprzez skrócenie czasu przejazdu. Wcześniejsze badania wykazały również, że witalność nocna jest silnie powiązana z gęstością zaludnienia i łącznością transportową, szczególnie w gęsto zabudowanych obszarach miejskich47. Wei Wei i wsp.48 wykazali ponadto w Wuhan, że dobrze skomunikowane sieci drogowe i rozwinięte systemy ruchu wolnego znacząco zwiększają witalność sąsiedztwa, zwłaszcza w nocy. Wyniki te sugerują, że przyszłe planowanie sieci drogowej powinno przyjąć strategię „małych kwartałów i gęstej sieci ulic”. W starszych dzielnicach położonych w pobliżu terenów górzystych, w tym Nangou Street–Jinde i Baishi–Hushan, poprawa łączności poprzez eliminację ulic ślepych oraz rozbudowę infrastruktury pieszej, rowerowej i drogowej wzmocniłaby dostępność i ogólną witalność. Podobnie, usprawnienia w transporcie w północnych obszarach Xingfu Street dodatkowo zwiększyłyby witalność nocną. Warunki socjoekonomiczne reprezentowane przez DBC również wykazały wyraźną heterogeniczność dzień–noc. W ciągu dnia niższe wartości DBC wiązały się z silniejszą agregacją ludności i wyższą witalnością miejską, natomiast witalność nocna wykazała odwrotny wzorzec, co jest zgodne z wynikami raportowanymi przez Wang i wsp.49. Różnica ta odzwierciedla kontrastującą organizację przestrzenną codziennych dojazdów i zakupów w porównaniu z nocnymi aktywnościami rekreacyjnymi i mieszkalnymi. W ciągu dnia handlowe jądro miasta funkcjonuje jako główny cel zatrudnienia i konsumpcji, co generuje silną koncentrację witalności. W nocy jednak aktywności rekreacyjne stają się bardziej rozproszone, a peryferyjne obszary mieszkalne odnotowują wzrost witalności w miarę powrotu mieszkańców do domów. Wzorzec ten odzwierciedla również niezrównoważenie między miejscami pracy a mieszkalnictwem w przeważająco monocentrycznej strukturze handlowej Yantai. Zgodnie z teorią gospodarki nocnej Bianchiniego50, ustanowienie zróżnicowanych nocnych aktywności handlowych stanowi skuteczną strategię wzmacniania witalności w dzielnicach podmiejskich. W związku z tym obszary podmiejskie, takie jak poddzielnica Huangwu, odniosłyby korzyść z rozwoju wtórnych centrów handlowych, zróżnicowanych możliwości nocnej konsumpcji oraz poprawy połączeń transportowych między podmiejskimi obszarami mieszkalnymi a centrum miasta, co sprzyjałoby bardziej zrównoważonej witalności w całym obszarze miejskim. Wreszcie, percepcja ludzka, reprezentowana przez możliwość pieszej dostępności (walkability), konsekwentnie wywierała pozytywny wpływ na witalność miejską zarówno w dzień, jak i w nocy. Geurs i wsp.51 wykazali, że wyższa dostępność piesza zwiększa chęć mieszkańców do podejmowania spontanicznych spacerów, promując tym samym witalność sąsiedztwa. Mahmood i wsp.52 dodatkowo podkreślili, że nocne aktywności miejskie zależą w dużej mierze od dostępności transportowej, komfortu pieszych i odczuwanego bezpieczeństwa, co czyni wysokiej jakości środowiska piesze niezbędnymi dla utrzymania witalności nocnej. Niniejsze wyniki podobnie wskazują, że aktywność piesza w ciągu dnia jest głównie wpływana przez dostępność infrastruktury, podczas gdy witalność nocna zależy silniej od komfortu środowiskowego, ciągłości tras pieszych i odczuwanego bezpieczeństwa. Si Rui i wsp.53 raportowali analogicznie, że bezpieczniejsze środowiska piesze sprzyjają witalności nocnej, podczas gdy zróżnicowane interfejsy uliczne zwiększają witalność dzienną. W Yantai pofragmentowana infrastruktura piesza i silne konflikty na linii pieszy–pojazd pozostają powszechne w starszych dzielnicach, co ogranicza uwalnianie witalności całodniowej. Dlatego przyszłe planowanie powinno priorytetowo traktować ciągłe chodniki, bezbarierową infrastrukturę pieszą, bezpieczniejsze przejścia, bogatsze interfejsy uliczne, lepsze oświetlenie i poprawę jakości środowiska nocnego, aby wydłużyć aktywności mieszkańców na zewnątrz, promować interakcje społeczne i działalność handlową oraz wzmocnić miejską witalność zarówno w dzień, jak i w nocy. Rysunek 10 podsumowuje proponowane strategie optymalizacji wynikające z tych wniosków.
Podsumowując, niniejsze badanie poszerza rozumienie witalności miejskiej poprzez integrację wieloźródłowych geoprzestrzennych dużych zbiorów danych z modelem MGWR, aby ilościowo określić, w jaki sposób wiele wymiarów miejskiej struktury przestrzennej wpływa na witalność w różnych skalach przestrzennych i okresach czasowych. W przeciwieństwie do konwencjonalnych globalnych modeli regresji, podejście MGWR pozwala każdej zmiennej objaśniającej operować w jej własnej skali przestrzennej, ujawniając tym samym znaczną niestacjonarność przestrzenną w relacjach między funkcjonalnością, formą zabudowy, dostępnością, warunkami społeczno-ekonomicznymi, percepcją ludzi a witalnością miejską. Ta rama analityczna nie tylko usprawnia interpretację mechanizmów leżących u podstaw witalności miejskiej, ale także dostarcza praktycznych wytycznych dla planowania i zarządzania miastem w oparciu o dowody. Zamiast stosowania jednolitych interwencji planistycznych w całym mieście, wyniki badań wspierają zróżnicowane strategie optymalizacji dostosowane do lokalnych cech funkcjonalnych, intensywności zabudowy, dostępności transportowej, kontekstu społeczno-ekonomicznego oraz środowiska pieszych. W konsekwencji proponowana rama posiada potencjalne zastosowania w rewitalizacji miast, regeneracji sąsiedztw, optymalizacji przestrzeni publicznych, planowaniu transportu oraz rozwoju zrównoważonej gospodarki dziennej i nocnej. Identyfikując, gdzie i w jaki sposób poszczególne elementy przestrzenne wpływają na witalność, badanie dostarcza naukowych podstaw do wdrażania precyzyjnych, zorientowanych na człowieka strategii planistycznych, które poprawiają jakość przestrzeni miejskiej, promując jednocześnie zrównoważony i zrównoważony rozwój miasta.
Choć niniejsze badanie ustanawia ramy analityczne do badania witalności miejskiej z wykorzystaniem wieloźródłowych danych geoprzestrzennych i modelu MGWR, należy uznać kilka ograniczeń. Po pierwsze, zakres czasowy analizy ograniczył się do danych z Map Cieplnych (Heat Map) zebranych w ciągu pięciu kolejnych dni roboczych, co nie obejmuje zmienności wzorców zachowań mieszkańców podczas weekendów, świąt czy w różnych porach roku, a tym samym ogranicza kompletność analizy czasowej. Po drugie, choć dane z Map Cieplnych zapewniają szerokie pokrycie przestrzenne dzięki dużej bazie użytkowników, nieuchronnie zawierają błąd próbkowania i nie mogą w pełni reprezentować całej populacji miejskiej, co prowadzi do ograniczeń w reprezentatywności próby. Po trzecie, badanie koncentrowało się wyłącznie na głównym obszarze miejskim dzielnicy Zhifu w Yantai; w konsekwencji wyniki są ściśle powiązane z charakterystyką lokalnego środowiska zbudowanego, a ich przydatność w innych kontekstach miejskich, w tym w miastach górskich, obszarach podmiejskich, miastach nadmorskich i megamiastach, wymaga dalszej weryfikacji w badaniach porównawczych. Po czwarte, niniejsza analiza badała jedynie wpływ miejskiej struktury przestrzennej na witalność miejską, podczas gdy nie zbadano potencjalnych dwukierunkowych interakcji między witalnością miejską a strukturą przestrzenną. Wreszcie, choć model MGWR skutecznie uchwycił przestrzenną niestacjonarność, pozostaje on w podstawowym założeniu oparty na relacjach liniowych i dlatego może nie w pełni charakteryzować złożone nieliniowe zależności oraz efekty interakcji między witalnością miejską, aktywnością ludzi a elementami przestrzennymi. Ograniczenia te wyznaczają istotne kierunki dla dalszego udoskonalenia metodologicznego i szerszego zastosowania zaproponowanych ram analitycznych.
Przyszłe badania mogą rozszerzyć niniejszą pracę w kilku kierunkach. Uwzględnienie danych z map ciepła (Heat Map) zbieranych podczas weekendów, świąt oraz w różnych porach roku umożliwiłoby długoterminowy dynamiczny monitoring witalności miejskiej i zapewniło pełniejsze zrozumienie jej ewolucji czasoprzestrzennej. Analizy porównawcze różnych typów obszarów miejskich — w tym miast górzystych, nizinnych, nadmorskich, obszarów podmiejskich oraz megamiast — pomogłyby odróżnić uniwersalne mechanizmy od cech specyficznych dla danego regionu i zwiększyłyby generalizowalność wyników. Ponadto integracja informacji socjoekonomicznych, w tym struktury demograficznej, rozmieszczenia przemysłu, charakterystyki zatrudnienia i dochodów mieszkańców, ułatwiłaby bardziej kompleksową interpretację mechanizmów leżących u podstaw kształtowania się witalności miejskiej. Przyszłe studia mogą również łączyć wiele źródeł danych, takich jak dane z sygnalizacji telefonów komórkowych i wysokoczęstotliwościowe rekordy konsumpcyjne, z uczeniem maszynowym i innymi nieliniowymi podejściami analitycznymi, aby lepiej uchwycić złożone interakcje między miejską strukturą przestrzenną, ludzkim zachowaniem a witalnością miejską. Co więcej, opracowana w niniejszym badaniu struktura analityczna ma znaczną wartość praktyczną dla odnowy miast, rewitalizacji sąsiedztwa, optymalizacji przestrzeni publicznych i precyzyjnego zarządzania miastem, szczególnie w starzejących się społecznościach, dzielnicach podmiejskich i obszarach o stosunkowo niskiej witalności handlowej. Dostarczając ilościowych dowodów dla zróżnicowanych strategii planistycznych opartych na lokalnych charakterystykach przestrzennych, struktura ta może wspierać bardziej precyzyjny, zorientowany na ludzi i zrównoważony rozwój miast. Podsumowując, niniejsze badanie wykazuje, że integracja wieloźródłowych wielkich zbiorów danych geoprzestrzennych z modelem MGWR stanowi skuteczne podejście do ujawniania heterogeniczności przestrzennej witalności miejskiej i oferuje cenny wsparcie naukowe dla optymalizacji miejskiej struktury przestrzennej oraz zwiększania witalności miejskiej poprzez planowanie i zarządzanie oparte na dowodach.
Oświadczenia
Konflikt interesów:
Autorzy oświadczają, że nie występuje u nich żaden konflikt interesów związany z badaniami, autorstwem lub publikacją niniejszego artykułu.
Podziękowania
Niniejsze badanie zostało sfinansowane przez Youth Innovation Team Project in Universities of Shandong Province (Grant No. 2022RW026); National Natural Science Foundation of China (Grant No. 42377207); Shandong Provincial Humanities and Social Sciences Project (Grant No. 2022-YYGL-31); Shandong Taishan Scholar Young Expert Program (Grant No. tsqn202306240); General Project of Undergraduate Teaching Reform in Shandong Province (Grant No. Z2021177); Key Research and Development Program of Shandong Province (Grant No. 2022RKY07006); Foundation of School–Land Integration Development in Yantai (Grant No. 2021XDRHXMQT18); Open Foundation of the State Key Laboratory of Lake Science and Environment (Grant No. 2022SKL005); Open Foundation of the State Key Laboratory of Loess and Quaternary Geology, Institute of Earth Environment, Chinese Academy of Sciences (Grant No. SKLLQG2024) oraz Youth Innovation Team Project for Talent Introduction and Cultivation in Universities of Shandong Province (Grant No. SKLLQG2024).
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| ArcGIS | Esri | Version 10.4 (RRID: SCR_011081) | Oprogramowanie systemu informacji geograficznej używane do analizy przestrzennej i wizualizacji map |
| Baidu Maps API | Baidu, Inc. | Version 3.0 | Używane do pozyskiwania danych map ciepła, punktów zainteresowania (POI) oraz obrazów street-view |
| MGWR | Arizona State University | Version 2.2 | Oprogramowanie używane do wieloskalowej analizy regresji ważonej geograficznie |
| National Basic Geographic Information Center Land-use Dataset | National Basic Geographic Information Center | https://www.gscloud.cn/search | Źródło danych dotyczących użytkowania gruntów |
| NPP-VIIRS Nighttime Light Dataset | Harvard Dataverse | DOI: 10.7910/DVN/YGIVCD | Używane do walidacji wzorców witalności miejskiej wyprowadzonych z map ciepła |
| OpenCV | OpenCV | Version 4.5.5 | Używane do zszywania obrazów panoramicznych i przetwarzania obrazów |
| OpenStreetMap | OpenStreetMap Foundation | https://www.openstreetmap.org | Źródło danych o obrysach budynków i sieciach dróg |
| Python | Python Software Foundation | Version 3.8 (RRID: SCR_008394) | Używany do pozyskiwania, wstępnego przetwarzania i analizy danych |
| SegNet | University of Cambridge | PyTorch implementation (Version 1.0) (RRID: SCR_017042) | Sieć głębokiego uczenia do segmentacji semantycznej używana do ekstrakcji cech krajobrazu ulicznego |
| Spatial Design Network Analysis (sDNA) | Cardiff University | Version 4.0 | Używane do obliczania wskaźników dostępności sieci drogowej |
Bibliografia
- Jin X, et al. Evaluating cities' vitality and identifying ghost cities in China with emerging geographical data. Cities. 2017;63:98-109.
- Montgomery J. Making a city: Urbanity, vitality and urban design. J Urban Des. 1998;3(1):93-116.
- Zhang W. Theoretical basis and methods of city health examination evaluation in China. Sci Geogr Sin. 2021;41(10):1687-1696.
- Jacobs J. The Death and Life of Great American Cities. Random House; New York; 1992.
- Maas PR. Towards a Theory of Urban Vitality. University of British Columbia; Vancouver; 1984.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Liu M, Jiang Y, He J. Quantitative evaluation on street vitality: A case study of Zhoujiadu Community in Shanghai. Sustainability. 2021;13(6):3027.
- 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.
- 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.
- 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.
- Huang LS, Han Y, Ye Y. Coastal waterfront vibrancy: An exploration from the perspective of quantitative urban morphology. Buildings. 2022;12(10):1585.
- 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.
- 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.
- 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.
- 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.
- 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.
- Long Y, Ye Y. Human-scale urban form: Measurements, performances, and urban planning and design interventions. South Architecture. 2016;(5):41-47.
- 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.
- 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.
- 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.
- 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.
- 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.
- Penn A, Hillier B, Banister D, Xu J. Configurational modelling of urban movement networks. Environ Plann B Plan Des. 1998;25(1):59-84.
- 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.
- Moran PAP. Notes on continuous stochastic phenomena. Biometrika. 1950;37(1-2):17-23.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Chen Y, et al. Emerging social media data on measuring urban park use. Urban For Urban Green. 2018;31:130-141.
- 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.
- 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.
- 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.
- Bianchini F. Night cultures, night economies. Plan Pract Res. 1995;10(2):121-126.
- Geurs KT, Krizek KJ, Reggiani A. Accessibility Analysis and Transport Planning. Edward Elgar Publishing; Cheltenham; 2012.
- 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.
- 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.