结合大数据与调查问卷分析城市公园使用特征——以广州市海珠区为例
——以广州市海珠区为例
[本文引用格式]朱战强，符家颖，陶小芳，等.结合大数据与调查问卷分析城市公园使用特征——以广州市海珠区为例[J].南方建筑， 2020（6）：01-07 .
摘要 中国城市公园存在可达性差异以及绿色空间使用不均衡性的问题，亟待加强“城市公园-邻里”的关系，大数据的出现可以推动该技术的发展。以揭示“城市公园-邻里”关系为目标，以广州市海珠区为例，采用腾讯“宜出行”大数据（TUD）分析区内所有城市公园的使用时空间特征，并进一步采用问卷调查分析城市公园的市民满意度，展示大数据与问卷调查相结合方法的有效性。分析结果表明：城市公园使用存在两种类型的时空间规律，一类是建设较好、有吸引力，而且使用者数量较高的综合、生态或专类公园，具有明确的“周”、“日”高峰期，使用者数量与使用满意度呈现正相关。另一类是建设品质较差、可达性较高，使用者密度较高的社区公园和街旁绿地，尽管这一类用地使用满意度较低，但却发挥了较强的公共空间的社会效益。
关键词 城市公园；腾讯大数据；使用特征；海珠区*基金项目：国家自然科学基金资助项目（41401166）：社会公平视角下的城市绿色开放空间重构——评价、机理和调控。中图分类号 TU986文献标志码 A
DOI 10.3969/j.issn.1000-0232.2020.06.001 文章编号 1000-0232（2020）06-0001-07
1
作者简介 中山大学地理科学与规划学院、广东省城市化与地理环境空间模拟重点实验室、广东省公共安全与灾害工程技术研究中心，副教授，电子邮箱：zhuzhanq@mail.sysu.edu.cn；2&3 中山大学地理科学与规划学院，硕士研究生；4中山大学地理科学与规划学院，本科生引言
城市公园是重要的公共开放空间，关系到城市的可持续发展[1-2]。城市公园是提升居民游憩健身、文化交流、健康水平和幸福感的空间媒介，其空间布局可能影响城市居民的社会福祉和空间正义[3]。中国城市公园的建设、运维与管理正面临空前的挑战。一方面，中国在过去的40年中经历了快速的城市化，城市公园无论在数量、质量上都明显提升，然而，其空间可达性却存在的显著的个体差异，城市公园的使用存在明显的时空不均衡现象[4-5]，部分公园人满为患，部分公园人烟罕至，限制了公园的发展。另一方面，城市居民的生活质量也得到了显著的提升，市民对城市公园使用期待也日益提高。这对城市公园管理等多个方面提出挑战。
城市绿色空间周边邻里的特征很大程度地影响绿色空间的使用特征，这已经在部分学者对绿道的研究中得到了证实[6-7]。因此本文提出，“公园-邻里”关系是衡量和有效评判城市公园“供-需”平衡关系的理论视角，对提升城市公园管理具有
重要价值。该框架可以细分为公园、公园使用者、公园-使用者 3个方面，具有较强的理论弹性。相比于传统的研究多关注公园本身，该框架更多强调了对公园使用者（经济社会特征、来源地、可达性等），公园周边邻里（最重要的使用者来源地）以及使用者对公园的感知和使用等社会因素/过程的考虑。该框架可以直接考虑公园区位、功能、环境或景观、设施便捷性、
[8-10]
管理水平、运行维护等 公园属性，也可以将公园周边的邻里环境指标，如特定区域内的人均占有量、城市公园对于居民社区生活的作用、游客的公园使用需求等[11]。甚至可以对公园吸引力或可达性（指家所在社区到达公园的便捷程度）、城市公园的规划设计 [12-14]、乃至政策 [13，15] 等因素也予以考虑。
大数据的出现为深入研究“城市公园-邻里”的供求关系提供了机会。一方面，大数据具有数据量大、现势性好、信息丰富
[16]
等优势，相关的分析技术 发展迅速，正在推动社会各行业的“深刻”变革[17]，渗透到了城市分析管理的调研分析、方案评价、模型模拟预测等环节[18]，体现了突出的应用潜力。另一方面，大数据在反演人类个体使用行为，如：游憩功能[19]、市民的使用频率与时空使用特征 [20-23]、公园使用满意度 [21] 等方面具有客观多时相优势，使得对特定区域多个公园开展横向比较成为可能，并且可为整合GIS的空间分析技术综合考虑公园选址、区位、周边环境对使用者的影响提供技术支撑。相比传统的城市公园使用评估通常采用的问卷调查或门禁流量评价等方法具有明显的优势。
大数据具有的独特优势，但在城市公园使用当中的应用尚不多见。综述已有大数据应用的研究发现，大数据存在测度使用者的主观感知上的明显缺陷，需要借助问卷调查的方法进行深度评估，然而目前很少得到报道。为了同时发挥大数据和传统数据的各自优势，本文尝试应用腾讯“宜出行”手机签到大数据（腾讯用户密度数据，Tencent user density，文后简称TUD）分析广州市海珠区城市公园的居民使用时空间规律，结合调查问卷分析居民的城市公园满意度，力求为提升公园的市民使用率提供优化建议。
1研究方案
1.1 总体思路
本文以“公园-邻里”作为理论视角，围绕“如何提升城市公园的使用率”这一个科学问题进行研究方案设计，将其细分为“城市公园使用存在如何的时空间差异？”，“城市公园使用的偏好特征是什么？”两个子问题。以广州市海珠区为例，展示大数据与调查问卷相结合的城市公园分析方法。
城市公园使用通常指市民或游客对公园的访问、活动与感知的总体，包括公园的到访人数、频率、活动方式和强度、使用动机和满意度等 [10，24]。本文在 GIS的支持下，采用TUD 的签到数据测度城市公园使用人数和使用密度，用于综合表征公园的使用强度。鉴于城市公园使用的周期性特征，首先采用TUD 数据测度城市公园的“一周”和“一天”使用特征，其次是测度和对比公园在工作日和非工作日使用上的差别。通过进行特定行政区的多个公园使用强度的比较，对城市公园的使用特征进行归纳。其次鉴于大数据对于主观感知满意度的刻画不足开展问卷调查，从可达性、公园管理、景观环境、配套设施四方面分析典型城市公园的满意度特征。结合横向比较的结果，评估典型城市公园的居民使用满意度。最后综合提出城市公园使用的优化策略。
1.2 研究区概况
研究区域为广州市海珠区，位于珠江三角洲冲积平原北部（图1），属海洋性季风气候，气候温暖，终年雨水充足，具有绿化建设优势，素有广州“南肺”之称。区内共38个城市公园（图2），面积较大的公园普遍分布在海珠区的东南部，以上涌果树公园、海珠湖公园、海珠湿地公园、万亩果园和瀛洲生态公园为代表的一系列生态公园明显集聚分布。海珠区东北部的公园面积整体次之，分布较为均衡，以会展公园、大围公园、黄埔古港公园等为代表。海珠区西部老城区的公园普遍面积较小，分布零散，多数公园临近珠江沿岸，如海印公园、洲头咀公园、志愿者公园等。海珠区的城市公园主要以块状形式出现，而珠江沿岸公园绿地则多为长条带状，如亲水公园、周周乐群众文化广场、洲头咀公园、志愿者公园等。
1.3数据采集与处理
本文采用的数据包括海珠区2016年的城市公园数据（包括
公园名称、面积、类型等）、2015年 6 月 15 日～ 21日一周时间的腾讯“宜出行”用户密度大数据（TUD）和问卷调查数据。根据海珠区 2008、2014年土地利用现状图，参照广州市环境保护局发布的《广州市公园名录（第一批）2016》和《广州市公园声环境功能区划（第一批）2016》以及中国建设部于2002 年发布的《城市绿地分类标准》，对已有公园名录进行校对和补充，获得海珠区城市公园的矢量数据分布图。采用ArcGIS 10.3 平台修正公园绿地位置偏移、遗漏等误差，形成了总共38个公园绿地（图2）及其面积和空间形态等信息。腾讯TUD数据在全国范围内拥有超过8亿用户的用户密度数据集，在广州等中国一线城市，覆盖率高达93％，几乎涵盖所有年龄段（除了婴儿或没有手机的儿童）以及农村地区，基本可以代表普通人群[25]，而且具有比常规人口信息（如十年一度的国家人口普查数据）更好的时空分辨率，可以有效、可靠地应用于中国人口动态的社会研究。本文所用TUD数据通过实施网络爬虫技术从腾讯地图服务数据接口获得，时相为2015 年 6 月 15 日～ 21日一周，空间分辨率为25m，时间分辨率为1h。这一周阳光充足、无雨、天气条件良好，适合作为公园使用的分析数据。在ArcGIS 中进行空间矢量化，作为后续公园周、天密度计算的输入数据。
调查问卷内容包括公园使用者的个人基本情况、公园使用满意度评价两个版块。满意度评价包括可达性（2小题）、景观环境（5小题）、配套设施（7小题）和公园管理（2小题）四个方面（表1）。采用打分制获得答题信息，1~5分分别代表很不满意、不太满意、一般、比较满意和非常满意。各方面的满意度水平为各小题得分的平均值。问卷通过线上调查与实地调查相结合的方式获取。采用问卷星调查平台设计问卷，通过微信、网页等多种途径发布问卷，共回收203份线上有效问卷。选取研究区32个城市公园进行实地问卷调查，每个公园调查数量为5~10份，共回收有效问卷 291份。综合线上和实地调研结果，共收集494份问卷。问卷调查时间为 2018 年 3月～ 2018 年 5月，期间天气晴好，包含各人群活动主要时间段。问卷调查时间与腾讯TUD数据获取的时间略不同，除了景观环境满意度可能会受到气候的影响，但可达性、公园管理和配套设施3个方面基本不受时间与气候的影响。利用Excel 2010和SPSS 22.0对问卷数据进行录入、统计和分析。2海珠区城市公园使用特征分析
2.1城市公园使用空间分布特征
利用城市公园一周内的日使用次数平均值分析公园使用的空间分布特征（图3）。使用最多的公园大致可分为两类：一是占地面积较大、分布较集中的综合型和自然型公园，如海珠湖公园、上涌果树公园、晓港公园等。这类公园建设情况好，具有地区代表性，吸引了大量市民和游客前来游玩休憩；二是面积较小、分布分散的社区公园，如赤沙公园、上涌公园、沥滘公园等。这类公园位于社区内或附近，周边人群密度大，是居民的日常游憩场所。2.1.1城市公园使用“周”分布特征
以公园单体为基本单位分析各公园使用“周”变化特征（图4）。海珠湖公园（公园4）和万亩果园（公园27）与其他公园相比有明显更多的使用者，且非工作日相比工作日客流量明显增加，海珠湖公园在周六的客流量为38个公园的日客流量峰值（32778人次）。两个公园都是建设较好的大型公园，能吸引、容纳更多的使用者，非工作日因大量上班族群和学生的加入而造成了比工作日明显更多的客流量。
对剩余公园的“周”使用特征进行分析（图5），发现海珠湿地公园（公园26）、上涌果树公园（公园24）、大围公园（公
园3）、瀛洲生态公园（公园28），以及晓港公园（公园5）的客流量处于较高水平，非工作日的客流量同样大于工作日。海珠湿地公园、上涌果树公园和瀛洲生态公园均为位于万亩果园区（图2）的专类公园，与海珠湖公园、万亩果园相似，其生态和自然特征构成了较强的吸引力。大围公园是具有较大规模的自然公园，位于海珠区东北部，与琶洲一河相隔。但由于此区域人口密度较小，同时公园的可达性不高、建设程度较低，因此相比于以上的几个大型生态和自然公园，大围公园的日使用者数量仅浮动在 4000~6000人次。晓港公园是海珠区西部老城区的核心公园，从公园面积、建设情况、公园名声、区位条件等几个方面均具代表性，对本地居民和外来游客都具有较强的吸引力。除上述公园以外的公园多是存在于社区内或附近的小型社区公园或街旁绿地，服务于所在社区居民，使用者数量低于1000 人次 / 周，且周变化较小，工作日与非工作日亦无明显区别。
单体公园面积存在的差异（从万亩果园约360ha 到赤沙公园约 0.3ha不等）能够对使用者数量产生影响[4]，故本文结合使用者密度（使用者人数/公园面积m2）探究海珠区城市公园“周”使用分布特征（图6）。使用者密度较高的城市公园主要是小型社区公园（公园 9、14、16、20 等）和街旁绿地（公园38、33、37、36），由于服务于本社区居民，工作日与非工作日的客流量差别较小。
2.1.2城市公园使用“日”分布特征
按一天 24个时间段汇总7天的数据得到城市公园“日”使用变化折线图（图7）。所有城市公园使用者数量均从23:00 以后明显下降，在 5:00~7:00 出现最低值。海珠湖公园（公园4）和万亩果园（公园27）具有绝对优势，但二者呈现出不同的变化规律。万亩果园在 10:00~20:00 的客流量保持小幅度波动，并分别在 11:00、15:00 和 20:00 达到一天中的小高峰（8000人次左右），这可能与附近居民和外来游客的出行习惯有关。而海珠湖公园的使用者数量在10:00 出现第一个小高峰，13:00后客流量逐渐递增，于 22:00 达到峰值（12000人次左右）。通过网络新闻搜索发现，2015年 6 月 5日～ 7 月 5日“广东省纪念第44届六五世界环境日‘与法同行’系列活动”在海珠湖公园举办，推测使用者持续增长的原因可能与该活动有关。
分析其他城市公园的“日”使用变化特征（图8），可大致分为两种类型。一类是在一天中使用者数量出现明显峰值的公园，峰值多集中在3个时间段：早（9:00~10:00）、中（13:00~15:00）、晚（18:00~20:00），如海珠湿地公园（公园 26）、上涌果树公园（公园24）、大围公园（公园3）、晓港公园（公园5）等。此类公园是市民进行晨练和晚间散步、娱乐的场所，因此早晚人群相对密集，午高峰则更多受到外来游客的影响。另一类是一天内使用者数量分布较为平均的公园，多为社区公园或街旁绿地。其使用者主要是附近居民，时间安排灵活、全天都有居民进入和使用，导致客流量没有明显波动。
为了检验城市公园使用的“日”分布特征是否存在工作日和非工作日差异，将一周7天的用户数据分为工作日和非工作日分
别进行统计，得到工作日和非工作日的“日”使用分布图（图9）。两图对比可以看出，各公园非工作日客流量均大于工作日。在工作时间的影响下，工作日的公园使用会出现早晚两个相对高峰的时间段。而在非工作日，人们可自由支配的活动时间更长，因此使用情况总体变化并不强烈，午后客流量有略微增加的趋势。
以使用者密度表征海珠区城市公园的“日”使用特征（图10），社区公园和街旁绿地的使用者密度仍占优势。除了一处街旁绿地（公园38）在 17:00达到峰值，以及上涌公园（公园16）在10:00 和 20:00出现显著的早晚两个高峰以外，其余社区公园和街旁绿地均一直保持在相对平稳的状态，如土华公园（公园14）、沥滘公园（公园9）等。
2.2城市公园使用满意度分析
对 2.1节横向比较所得的使用者数量或使用者密度较大、时空规律较突出的典型公园进行使用者满意度水平分析（图11）。整体上，每个公园的可达性都获得较高评价，而公园配套设施的
满意度都较低。位于万亩果园区的万亩果园、海珠湿地公园、上涌果树公园以及位于老城区的晓港公园和大围公园获得了整体较好的评价，配套设施方面具有一定改进空间。此外，这些公园多存在日高峰期，完善日高峰期游客体验是其改进的重点方向。而海珠湖公园作为客流量最大的综合公园，面积大、自然环境优秀，但使用者满意度水平却整体偏低，可能恰好与其过大的客流量有关，导致现有的设施和服务不足以支撑其客流量，产生了场地拥堵、设施不足、卫生较差、治安不完善等问题，因此该公园应提高其各方面的配套管理，尤其针对“周”、“日”高峰期进行应急措施的制定。上涌公园和沥滘公园作为社区公园具有明显偏低的满意度。社区公园建设普遍较差，但因其位于社区内或附近，具有很强的可达性，是市民最常用的小型开放空间，故而具有很高的使用者密度且不具备“周”“日”高峰期。本文未对街旁绿地进行问卷调查，但鉴于街旁绿地与社区公园的客流量呈现相似的时空特征，推测其使用影响因素与社区公园相似。影响社区公园和街旁绿地使用的关键因素是可达性，但若能对公园管理、景观环境、配套设施各方面进行完善提升，可有效地提升社区居民的幸福感。
公园满意度评价进一步解释了典型城市公园的使用特征。万亩果园区和老城区内的大型生态和自然型城市公园使用者数量与满意度评价基本成正比，居民的使用基本取决于公园的建设水平，针对各自建设较薄弱的环节进行改善能够提升公园使用率。而社区公园的使用者数量与其满意度评价并不成正比，影响社区公园使用的最主要原因是可达性。社区公园的建设有待全方位的提高，对于提升社区居民幸福感有重大作用。
3讨论
大数据将传统小样本数据的研究进行了扩展[26-28]，明显扩大了时空研究的粒度范围和精确性[29-30]，并促进了基于数据分析的
[18] [31]
“数据增强设计” 、城市规划数据生命周期 等理论范式的产生。TUD数据相对移动手机信令、社交网络数据和公交智能卡等新的数据源，具有覆盖人群更广泛、时间跨度更长、更加准确的特点。而在城市公园领域，已有的采用腾讯“宜出行”数据的研究多基于若干公园客流量平均值进行“日”分布特征的研究，并未与调查问卷结合起来研究，缺乏对公园的主观评价[22，23，32]。本文以“城市公园-邻里”的核心关系为主线，基于空间和时间两个维度，采用使用者数量和使用者密度两个指标横向比较和总结了多个城市公园的使用特征，并结合问卷调查探讨了城市公园使用的影响因素，丰富了城市公园研究的方法体系，同时对城市公园的完善提供一定的实践基础。
本文发现，不同的城市公园具有截然不同的使用者数量、使用者密度、使用时空特征和满意度水平，基于公园使用特征可将城市公园分为两大类型。
第一类是建设条件较好、具有自然和生态吸引力的综合、生态或专类公园，这类公园使用者数量较大而使用密度不高，普遍具有“周”、“日”高峰期。其中，海珠湖公园和万亩果园是客流量最大的两个生态公园，建设条件好，吸引力强，非工作日客流量明显大于工作日，而其面向全体市民和外地游客的特征使其日使用特征并不局限于早晚高峰期。海珠湿地公园、上涌果树公园、晓港公园和大围公园等自然条件、建设条件较好的专类和综合公园，吸引力仅次于海珠湖公园和万亩果园，客流量相对较高，服务于附近市民，非工作日客流量一定水平上大于工作日，具有明显的早晚高峰期，部分公园因具有一定知名度而拥有午高峰。
从使用者满意度水平看，配套设施是所有公园的短板问题，应着重加强配套设施的建设与完善。对于第一类建设条件好、吸引力较强的公园来说，其客流量与使用者满意度基本呈现正相关，针对每个公园的短板作相应完善即可显著增加公园的客流量，并当注意针对“周”、“日”高峰期进行公园设施的配置，以减少高峰期由于人满为患造成的公园满意度降低，尤其是海珠湖公园。
第二类是建设条件差但可达性极高的，服务于所在社区的社区公园和街旁绿地。这类公园有极高的使用者密度，“周”、“日”客流量变化均不明显，典型公园如上涌公园、沥滘公园等。对于社区公园和街旁绿地来讲，公园由于建设条件差而具有了很低的满意度，但因其位于社区内部或附近而具有极高的可达性，所以即使公园品质差仍有大量附近居民来往。对于这类社区公园，可不考虑“周”、“日”高峰期，仅对公园本身进行全面提升与完善便可大幅提升社区居民的幸福感。
结语
本文倡导更多的学者探索应用大数据和问卷调查分析相结合的方法开展“城市公园-邻里”的研究。本文展示了两种数据在城市公园使用研究中的互补性，采用大数据展示了案例区城市公园使用时空分布规律，包括公园使用强度空间分布、“周”使用、“日”使用、工作日与非工作日的差异等特征，并采用问卷调查方法分析使用者的满意度，综合两类分析归纳出公园使用特征不同的两类公园，进而揭示了两个公园使用当中可能的影响因素。相对于已有的大数据研究案例，本文的数据分析尚存在深度上的不足。然而，在本文展示的“城市公园-邻里“的理论研究框架下，大数据和传统调查相结合的方法既可基于大数据的空间可达性、邻里的人口结构模型等多个方面进行深化，又可持续发挥传统调查方法在发现公园管理/使用者体验等方面的优势，必将阐述精确、有效的分析成果为城市决策服务。
图、表来源
文中所有图、表均由作者绘制。
参考文献
[1]WU Xiao,ZHOU Zhong-xue.Spatial Relationship between Supply and Demand of Ecosystem Services through Urban Green Infrastructure:Case of Xi'an City[J].ACTA ECOLOGICA SINICA.2019(24):1-11.吴晓，周忠学.城市绿色基础设施生态系统服务供给与需求的空间关系研究——以西安市为例[J]. 生态学报，2019（24）：1-11.
[2]MENG Gang,LI Lan,LI Rui-dong,et al.Urban Park Design[M]. Shanghai:TONGJI UNIVERSITY PRESS,2003:25-32.孟刚，李岚，李瑞冬，等.城市公园设计 [M].上海：同济大学出版社， 2003：25-32.
[3]Lachowycz K,Jones A P.Towards a Better Understanding of the Relationship between Greenspace and Health: Development of A Theoretical Framework[J].Landscape and Urban Planning,2013,118:62-69. [4]LIU Yu-hui,ZHANG Chi,HOU Yun-peng.Spatial Distribution Characteristics of the Green Space in the Main Urban Area of Wuhan Based on Large Data[J]. Huazhong Architecture,2018,36(11):77-81.
刘育晖，章迟，侯云鹏.基于大数据的武汉主城区公园绿地使用空间分布特征研究 [J]. 华中建筑，2018，36（11）：77-81.
[5]FAN Wen,DA Liang-jun,ZHANG Kai-xuan.Research on the Use Characteristics of Physical Fitness Facilities in City Parks:A Case Study in Shanghai[J].Modern Urban Research,2015(10):94-99.范雯，达良俊，张凯旋.城市公园体育健身设施使用特征和优化对策——以上海为例 [J]. 现代城市研究，2015（10）：94-99.
[6]ZHU Zhan-Tiang,HUANG Cun-zhong,LIU Lin,et al. Influence of Built Environment on Urban Greenway Use from the Perspective of Greenway-Neighborhood Relationships:A Case Study of Guangzhou,China[J]. TROPICAL GEOGRAPHY,2019,39(2):247-253.朱战强，黄存忠，柳林，等.“绿道——邻里”视角下建成环境对城市绿道使用的影响——以广州为例[J]. 热带地理，2019，39（2）：247-253. [7]Lindsey G,Maraj M,Kuan S-C.Access,ETuity and Urban Greenways: An Exploratory Investigation[J].Professional Geographer,2004,53(3):332-346.
[8]Weigand,Renee L.Active Recreation in Parks:Can Park Design and Facilities Promote Use and Physical Activity?[J]. Dissertations Theses-Gradworks,2007.
[9]HUO Shuai.Innovation and Sustainable Development of Urban Parks' Free and Open Operation Management Mode[J].Xiandai Horticulture,2017(5):34-35.
霍帅.城市公园免费开放经营管理模式创新与可持续发展[J].现代园艺， 2017（5）：34-35.
[10]LI Hua.Evaluation and Optimization Countermeasures for Service Functions of Urban Ecological Recreation Space[J].City Planning Review,2015,39(8):63-69.
李华 .城市生态游憩空间服务功能评价与优化对策[J]. 城市规划， 2015，39（8）：63-69.
[11]ZHENG Yan,NING Yan-yan.Study on the Development Strategy of Urban Parks in Dalian Based on Leisure Demand[J].Northern Economic,2012(4):67-68.
郑岩，宁艳艳.基于休闲需求的大连城市公园发展对策研究[J]. 北方经济，2012（4）：67-68.
[12]YAN Jing.Study on the Planning and Design of Urban Ecological Parks in Northwest Regions[D].Haerbin: Northeast Forestry University,2010.
阎晶.西北地区城市生态公园规划设计研究[D].哈尔滨：东北林业大学，2010. [13]WANG Jun-jie,HE Feng-chun,LIAO Sheng-an,et al. Discussion on the Development Status and Countermeasures of Urban Parks[J].Journal of Green Science and Technology,2010(9):61-63.王俊杰，贺凤春，廖生安，等.城市公园发展现状及对策探讨[J]. 绿色科技，2010（9）：61-63.
[14]ZENG Ting.Landscape Destruction and Protective Design of City Park:Take Nanchang for Example[D].Nanchang:Nanchang University,2013.
曾婷 .城市开放式公园的景观破坏及保护性设计对策——以南昌为例[D]. 南昌：南昌大学，2013.
[15]WU Hao.The Research of Open Problems of TaizhouTaishan Park[D].Suzhou:Soochow University,2014.
吴昊.泰州泰山公园开放式管理问题研究[D]. 苏州：苏州大学，2014. [16]MENG Xiao-feng,CI Xiang.Big Data Management: Concepts,TechniTues and Challenges[J].Journal of Computer Research and Development,2013,50(1):146-169.
孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展， 2013,50（1）：146-169.
[17]MAO Ming-rui.Big Data Applications in Urban Planning: The Thinking and Practice from BICP[J].Urban Planning International,2014,29(6):51-57.
茅明睿.大数据在城市规划中的应用：来自北京市城市规划设计研究院的思考与实践 [J]. 国际城市规划，2014，29（6）：51-57.
[18]LONG Ying,SHEN Yao.Data Augmented Design:Urban Planning and Design in the New Data Environment[J]. Shanghai Urban Planning Review,2015(2):81-87.
龙瀛，沈尧.数据增强设计——新数据环境下的规划设计回应与改变[J].上海城市规划，2015（2）：81-87.
[19]XIE Yao,GUO Xu-mei.Study on Recreation Function of Urban Parks Based on Big Data[J].E-Business Journal, 2015(5):35-36.谢瑶，郭旭梅.基于大数据的城市公园游憩功能研究[J]. 电子商务， 2015（5）：35-36.
[20]ZHANG Zi-ang,HUANG Zhen-fang,JIN Cheng,et al. Research on Spatial-Temporal Characteristics of Scenic Tourist Activity Based on Sina Microblog: A Case Study of Nanjing Zhongshan Mountain National Park[J].Geography and Geo-Information Science,2015,31(4):121-126.张子昂，黄震方，靳诚，等.基于微博签到数据的景区旅游活动时空行为特征研究：以南京钟山风景名胜区为例[J].地理与地理信息科学， 2015，31（4）：121-126.
[21]HAO Xin-hua,WANG Peng,DUAN Bing-ruo,et al. Evaluation of utilization status of south Olympic forest park based on multi-source data[C]// Annual National Planning Conference.‘Planning 60 years:achievements and challenges-Proceedings of the 2016 Annual National Planning Conference(11 Landscape Planning)’.Annual National Planning Conference,2016:10.郝新华，王鹏，段冰若，等.基于多源数据的奥林匹克森林公园南园使用状况评估[C]//中国城市规划年会.规划60年：成就与挑战——2016中国城市规划年会论文集（11风景环境规划）.中国城市规划年会，2016：10. [22]LI Fang-zheng,DAI Chao-lan,YAO Peng.Spatial-Temporal Pattern and Causes of the Use of Community Parks in Central City of Beijing: An Empirical Study Based on 58 Parks[J]. Journal of Beijing for Forestry University,2017,39(9):91-101.李方正，戴超兰，姚朋.北京市中心城社区公园使用时空差异及成因分析——基于58个公园的实证研究[J].北京林业大学学报，2017，39（9）：91-101. [23]CHEN Y,LIU X,GAO W,et al.Emerging Social Media Data on Measuring Urban Park Use[J].Urban Forestry Urban Greening,2018,31:130-141.
[24]Tonge J,Moore S A.Importance-Satisfaction Analysis for Marine-Park Hinterlands: A Western Australian Case Study[J]. Tourism Management,2007,28(3):768-776.
[25]CHEN Y,LIU X,LI X,et al.Delineating Urban Functional Areas with Building-Level Social Media Data: A Dynamic Time Warping (DTW) Distance Based K-Medoids Method[J]. Landscape and Urban Planning,2017,160:48-60. [26]LONG Ying,WU Kang,WANG Jiang-hao,et al.Big Models:A Novel Paradigm for Urban and Regional Studies[J].Urban Planning Forum,2014(6):52-60.
龙瀛，吴康，王江浩，等.大模型：城市和区域研究的新范式[J]. 城市规划学刊，2014（6）：52-60.
[27]YE Yu,WEI Zong-cai,WANG Hai-jun.Urban Planning Response for Big Data Development[J].Planners,2014, 30(8):21-22.叶宇，魏宗财，王海军.大数据时代的城市规划响应[J]. 规划师， 2014，30（8）：21-22.
[28]LI Fang-zheng,DONG Sha-sha,LI Xiong,et al.Spatial Distribution Research on the Use of Green Space in the Central City of Beijing:Based on the Empirical Analysis of Big Data[J]. Chinese Landscape Architecture,2016, 32(9):122-128.李方正，董莎莎，李雄，等.北京市中心城绿地使用空间分布研究——基于大数据的实证分析[J]. 中国园林，2016,32（9）：122-128. [29]4IN Xiao,ZHEN Feng.Research Progress and Prospect of Urban Space Based on Big Data Application[C]// Annual National Planning Conference.‘Era of City, Collaborative Planning-Proceedings of the 2013 Annual National Planning Conference(13 Planning Informatization and New Technology)’[C].Annual National Planning Conference,2013:14.秦萧，甄峰.基于大数据应用的城市空间研究进展与展望[C]// 中国城市规划年会.城市时代，协同规划——2013中国城市规划年会论文集（13规划信息化与新技术）.中国城市规划年会，2013:14.
[30]4IN Xiao,ZHEN Feng,XIONG Li-fang,et al.Methods in Urban Temporal and Spatial Behavior Research in the Big Data Era[J]. Progress in Geography,2013,32(9):1352-1361.秦萧，甄峰，熊丽芳，等.大数据时代城市时空间行为研究方法[J]. 地理科学进展，2013，32（9）：1352-1361.
[31]WANG Peng,YUAN Xiao-hui,LI Miao-yi.Big Data Type and Application for Urban Planning Compilation[J].planner,2014,30(8):25-31.王鹏，袁晓辉，李苗裔.面向城市规划编制的大数据类型及应用方式研究 [J]. 规划师，2014，30（8）：25-31.
[32]ZHAO Ying,ZHANG Xiao-jia.Study on Spatiotemporal Use Characteristics of Country Parks in Chaoyang District, Beijing Based on the Big Data[J].Beijing Planning Review,2019(3):94-97.赵颖，张晓佳.基于大数据分析北京朝阳区郊野公园时空使用特征[J].北京规划建设，2019（3）：94-97.