魏迪 陸毅 汪原＊ 胡興

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

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

依托于城市基礎(chǔ)設(shè)施與信息通信技術(shù)，人類開始步入以信息為主導(dǎo)的社會(huì)階段，時(shí)空關(guān)系發(fā)生了新轉(zhuǎn)向。在移動(dòng)式的地理媒介（geomedia）①及其信息網(wǎng)絡(luò)支持下，城市已被塑造為媒介內(nèi)容與網(wǎng)絡(luò)連接“無(wú)處不在、無(wú)時(shí)不在”的媒介空間，并使信息流（information flows）成為城市日常生活中的重要組成部分[4]。信息流指基于當(dāng)代信息通信技術(shù)與基礎(chǔ)設(shè)施，通過(guò)地理媒介發(fā)布與閱覽的數(shù)字信息[4-5]。個(gè)體會(huì)在當(dāng)代日常行為中留下多類信息流（如評(píng)論、照片、定位），反過(guò)來(lái)這些信息流也會(huì)對(duì)集體行為產(chǎn)生進(jìn)一步的影響[6-7]。

然而，鮮有研究聚焦信息流對(duì)公共空間活力的影響。在移動(dòng)互聯(lián)網(wǎng)時(shí)代，與日常生活緊密相伴的信息流，可能導(dǎo)致建構(gòu)空間邊界的傳統(tǒng)結(jié)構(gòu)（如建筑、街道、植被）對(duì)當(dāng)代城市活力與社會(huì)交往的影響日漸式微，而由信息流帶來(lái)的去中心化、分散反復(fù)且跨越時(shí)間空間的傳播模式，將無(wú)形地重塑公共空間活力營(yíng)造的整體過(guò)程[4,7]。

在此背景下，本研究嘗試將信息流視為顯著影響城市公共空間活力、但尚未被討論的重要因素，聚焦信息流對(duì)公共空間活力的影響，并討論一個(gè)重要的學(xué)科問(wèn)題：在移動(dòng)互聯(lián)網(wǎng)時(shí)代，信息流如何介入、影響，抑或重塑當(dāng)代公共空間活力的形成機(jī)制？

1 研究進(jìn)展

1.1 影響公共空間活力的既有因素：區(qū)位特征、可達(dá)性、公共空間特征

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

可達(dá)性一般采用交通基礎(chǔ)設(shè)施與拓?fù)淇臻g結(jié)構(gòu)測(cè)度：交通基礎(chǔ)設(shè)施通常由道路密度、公共交通站點(diǎn)密度、交通服務(wù)設(shè)施密度（如停車場(chǎng)等）量化[12]；拓?fù)淇臻g結(jié)構(gòu)通常由基于拓?fù)渑c圖論法的空間接近度（closeness）、中間度（betweenness）量化，用于測(cè)度潛在可達(dá)性[15]。此外，公制的接近度（如距離市中心的距離）也通常被視為影響可達(dá)性的要素之一[15]。

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

1.2 影響公共空間活力的潛在因素：信息流

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

近年來(lái)移動(dòng)互聯(lián)網(wǎng)時(shí)代的城市空間逐漸引起學(xué)者關(guān)注，相關(guān)研究聚焦于區(qū)域尺度的空間效應(yīng)、城市尺度的空間特征以及城市新空間的形成機(jī)制。例如，方鵬飛等[20]基于UGC 數(shù)據(jù)探索城市網(wǎng)絡(luò)營(yíng)銷的空間效應(yīng)對(duì)城市等級(jí)體系的影響；項(xiàng)婧怡等[21]使用UGC 數(shù)據(jù)測(cè)量城市內(nèi)“網(wǎng)紅空間”的空間分布特征；羅震東等[22]以外賣工廠為例討論新城市空間的演變機(jī)制。然而，鮮有研究關(guān)注移動(dòng)互聯(lián)網(wǎng)時(shí)代的城市公共空間。

因此，本研究聚焦信息流與城市公共空間，在控制關(guān)鍵變量后，定量揭示信息流對(duì)城市公共空間活力的效應(yīng)，并剖析移動(dòng)互聯(lián)網(wǎng)時(shí)代公共空間活力營(yíng)造的內(nèi)在規(guī)律與機(jī)制。

2 研究方法

2.1 研究對(duì)象選取

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

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

2.2 數(shù)據(jù)獲取與變量計(jì)算

2.2.1 城市公園活力值變量

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

2.2.2 UGC 變量

本研究以5 個(gè)中國(guó)主流社交媒體平臺(tái)（新浪微博、大眾點(diǎn)評(píng)、攜程、快手、抖音）上與公園相關(guān)的UGC 作為信息流樣本。使用Python 代碼結(jié)合Scrapy 網(wǎng)絡(luò)爬蟲框架與BS4包開發(fā)了多線程爬蟲，在遵守隱私與數(shù)據(jù)安全法規(guī)的前提下進(jìn)行數(shù)據(jù)收集。本研究考慮了時(shí)序關(guān)系，于2021 年11 月13 日—26 日（即公園活力數(shù)據(jù)收集前2 周）進(jìn)行UGC 數(shù)據(jù)收集。

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

綜上，本研究共收集了316 929 條與樣本公園相關(guān)的UGC，可分為3 組地理位置UGC與3 組非地理位置UGC，并按照下述操作對(duì)數(shù)據(jù)進(jìn)行篩選：1）考慮到關(guān)鍵詞搜索的模糊搜索機(jī)制，按照城市名與公園名對(duì)非地理位置UGC 進(jìn)行二次篩選；2）基于Python 代碼批量剔除僅包含標(biāo)點(diǎn)符號(hào)、網(wǎng)頁(yè)地址（URL）、數(shù)字、表情符號(hào)和非中文的UGC；3）批量剔除剩余UGC 內(nèi)的URL、表情符號(hào)和非中文符號(hào)；4）批量剔除少于2 個(gè)字的UGC，因?yàn)檩^少字?jǐn)?shù)容易誤判情感傾向；5）人工剔除與公園不相關(guān)的UGC。最終，共剩余155 463 條UGC 作為本研究的樣本UGC。

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

2.2.3 控制變量

多組變量需要被控制以檢驗(yàn)UGC 對(duì)公共空間活力的效應(yīng)。控制變量包括區(qū)位特征、可達(dá)性、公共空間特征，并采用Python 代碼、ArcGIS Pro 軟件、Google Earth Engine 平臺(tái)與sDNA 空間句法模型進(jìn)行計(jì)算（表1）。

表1 控制變量的篩選與計(jì)算Tab.1 Selection and calculation of control variables

2.3 回歸模型建構(gòu)

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

3 結(jié)果與分析

3.1 信息流與空間活力特征

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

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

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

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

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

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

3.2 信息流對(duì)公共空間活力的顯著效應(yīng)

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

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

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

在模型1 的基礎(chǔ)上，模型3 加入了UGC情緒值變量，模型的調(diào)整后R2增加至0.864，且R2變化的方差分析結(jié)果顯著（p＜0.001）。與UGC 評(píng)分變量類似，UGC 情緒值對(duì)公共空間同樣具有顯著效應(yīng)，UGC 顯著情緒值變量的標(biāo)準(zhǔn)化效應(yīng)平均值為0.135。

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

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

5 不同類型UGC 的標(biāo)準(zhǔn)化效應(yīng)Standardized effects of different types of UGC

4 討論

4.1 公共空間活力的影響因素分析

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

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

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

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

此外，地理位置UGC 變量對(duì)公園活力具有顯著效應(yīng)，這意味著人們?cè)谧龉珗@出行決策時(shí)，可能更受地理位置UGC 的影響。地理位置UGC 發(fā)布時(shí)一般要求在場(chǎng)或距離目的地一定半徑內(nèi)，UGC 內(nèi)容也更與公共空間相關(guān)。這些內(nèi)容包含空間使用者的情緒、觀點(diǎn)與評(píng)價(jià)，并可能會(huì)進(jìn)一步影響未來(lái)人們的出行決策。因此，相較于非地理位置UGC，應(yīng)關(guān)注地理位置UGC 對(duì)公共空間活力帶來(lái)的潛在影響。

4.2 信息流介入公共空間活力營(yíng)造的機(jī)制推斷

本研究以城市公園與UGC 為例，試圖量化當(dāng)代信息流對(duì)公共空間活力的影響，并推斷信息流介入公共空間活力營(yíng)造的機(jī)制。在移動(dòng)互聯(lián)網(wǎng)時(shí)代，發(fā)布、閱覽信息流已成為日常生活的重要部分，并無(wú)形中影響著城市居民的行為決策[6,19]。實(shí)證結(jié)果也進(jìn)一步證實(shí)本研究的假設(shè)：信息流可能已成為影響公共空間活力營(yíng)造的重要因素；信息流的評(píng)分、情緒值、曝光度，均可能影響公共空間的活力營(yíng)造。

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

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

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

5 結(jié)論與展望

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

本研究結(jié)果證實(shí)了研究假設(shè)：相較于既有研究對(duì)公共空間中建筑物、街道、植被等靜態(tài)因素的關(guān)注，當(dāng)今公共空間同時(shí)被信息流這一動(dòng)態(tài)流變因素影響。作為一種新技術(shù)構(gòu)成的技術(shù)系統(tǒng)，信息流正催生出一種網(wǎng)絡(luò)化與去中心化的社會(huì)交往關(guān)系。有必要在當(dāng)代技術(shù)系統(tǒng)的反復(fù)迭代與動(dòng)態(tài)交互中，進(jìn)一步反思人、技術(shù)與城市的關(guān)系，以重新理解城市公共空間活力營(yíng)造的當(dāng)代性。

誠(chéng)然，本研究以多源時(shí)空大數(shù)據(jù)為基礎(chǔ)，可基于較大樣本量探尋潛在的普適規(guī)律，但本研究仍存在3 點(diǎn)局限：1）本研究基于百度LBS 數(shù)據(jù)測(cè)度公園活力，但是該數(shù)據(jù)無(wú)法采集到公園使用者的個(gè)人數(shù)據(jù)（例如年齡、性別等），未來(lái)需要借助問(wèn)卷等方式，對(duì)個(gè)體的社會(huì)人口狀況、信息流與公共空間活力展開討論，以完善信息流介入公共空間活力營(yíng)造的理論建構(gòu)；2）本研究?jī)H以深圳市125 個(gè)城市公園作為研究樣本，但不同城市語(yǔ)境下影響公共空間活力的因素可能具有差異[13]，未來(lái)研究應(yīng)展開多城市或多區(qū)域?qū)Ρ?，以探尋不同語(yǔ)境下信息流對(duì)公共空間活力營(yíng)造的效應(yīng)差異。3）因橫截面數(shù)據(jù)④的限制，本研究無(wú)法基于數(shù)據(jù)得出進(jìn)一步的因果結(jié)論，未來(lái)應(yīng)采用如自然實(shí)驗(yàn)等方式來(lái)驗(yàn)證因果關(guān)系。

注釋(Notes)：

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

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

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

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

圖表來(lái)源(Sources of Figures and Tables)：

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