1. 引言

 

近年来，城市定量研究取得了突破性的进展。一方面，搞大数据、人工智能、智慧城市的人搞得如火如荼，另一方面部分规划人对新数据方法有一种微妙的态度。业界透露出两种迷思，一是分析一大圈得出来一个一眼就能看出来的结论，二是一大堆数据分析了很多内容，却好像没什么用。搞规划大数据研究的和规划编制一线工作者两者之间始终像隔着一层纸。

如何捅破这张纸，业界的共识是规划大数据要平台化、软件化、模块化。目前面向规划编制的大数据平台发展情况如何？有什么问题？这里试图进行探讨。

 

2. 城市规划大数据平台的建设现状、特点

 

2.1. 建设现状

按用户类型，数据平台可分为偏向规划管理和偏向规划编制两类。前者起步早、发展时间长，框架体系已经比较成熟，早期的控规审批平台、一张图平台即是这种平台的前身，近年来纳入了新数据和开放数据的内容，旨在实现大尺度精细化的城市协同管理。这类平台比较有代表性的有2016年国家发改委和清华大学研发的“新型城镇化大数据库”、2017年中规院领衔建设的全国新型城镇化监控与评估平台、2016年东南大学开发的城市设计数字化平台等。

面向规划编制的大数据平台建设相对较少，是近几年随着ITC技术和大数据发展起来的，比较有代表性的有2016年茅明睿团队研发的人迹地图，前面提到的东南大学的城市设计数字化平台在2017年也在加强支持规划编制的部分。

规划管理大数据平台重在流程和协同，而规划编制大数据与重在数据挖掘和数据支撑。目前前者的建设已进入成熟期，后者才刚刚起步。

 

2.2. 特点

现阶段的城市规划大数据平台主要有以下几个特点：

1) 分析层平台居多，应用层平台少

如果大数据平台划分为三个层，由下向上分别是数据层、分析层和应用层。数据层着重对数据的爬取、清洗，分析层侧重数据本身信息的挖掘、分析，而应用层则应该是一种可以直接用来增强规划编制的工具。一个简单的城市基础数据库即可看成是数据层，而运用核密度分析、回归分析等算法对数据进行人流、人口密度、人口时空分布等分析可以视为分析层，一般表现为可视化的实时人流量展示、热力图，或者城市群结构、建成区形态等。

目前大部分平台做到了分析层，而欠缺应用层的部分。从平台分析结果到方案辅助生成，还需要一个转译和综合的过程。而正是这个繁琐的过程，将传统规划师挡在门外。

2) 宏观分析多，中微观分析少

目前国内外研究尺度多为全球、多国、整个国家、大都市区。这跟数据本身的特点有关系，目前利用最多的大数据（如手机信令、Flicker相片等）擅长的就是这种超大尺度分析。作为研究这当然无可厚非，可对广大规划编制队伍的一线设计人员来说，中微观尺度的项目占绝大多数，尤其是增量规划向存量规划转化的背景下，动辄几百平方公里的项目越来越少，而小尺度的城市更新项目越来越多，宏观分析并不能解决众多中小项目的燃眉之急。

3) 碎片化研究居多，体系性不强

目前各项研究还处于探索阶段，不成体系。比如不同学科领域的学者分散研究不同的课题，课题之间的联系还有待加强。另外一个是普适性问题，很多时候一个项目的分析结果、分析方法停留在项目完成时，无法应用到下一个项目。很多机构建立的一些模型，但其科学性和普适性还有待长期的检验和证明。

 

 

3. 规划编制大数据平台的建设建议

3.1. 应用层平台

目前，针对规划管理方的平台开发到分析层+就可以了，而面向规划编制方的平台则必须要开发到应用层。

仅仅是实时显示人流量是不够的，拥有众多针对一个具体规划问题的模块，比如“职住平衡”模块、街道活力评估”模块、“现状设施使用状况评估”模块。规划师不必知道人流量分析、人口时空分布等概念，只需对他们提供一种傻瓜式的模块，一种能快速应用到中微观尺度的成熟模块。

 

3.2. 黑盒子式模块

应用层应该是由多个针对一个具体规划问题的黑盒子模块组成，比如“职住平衡”模块、“街道活力评估”模块、“现状设施使用状况评估”模块。规划师可以不必知道计算过程，只需要选择输入数据就可以得到一个具体结果。当然，在分析数据、研究范围和算法上也提供多个选择，选择用单一数据还是多源数据，选择用简单算法还是复杂算法，由规划师根据现实情况进行选择。

比如“职住平衡”模块，修编一个地区的规划，首先来看看该地区职住平衡的现状怎么样。平台界面上有职住平衡按钮，点击进入后，根据提示描绘范围线或导入范围线，选择研究范围，选择多个研究范围计算出多个职住平衡结果，再判断哪个与现状更契合。系统再调用其它大数据，罗列可能的影响因素。在算法方面，简单算法，将晚上停留在区域内的人视为居住，白天停留在区域内的人视为工作，简单相比得出职住比；复杂算法，选取15天的数据，剔除非常住人口，识别居住地和工作地，再来计算职住比。

再比如“街道活力评估”模块，系统提示有手机信令、POI、视觉数据等几种数据可选。而活力指数的计算方程式，简单算法为活力指数V=人口密度，复杂算法为活力指数V=f(a,b,c,…x)。另外，还可以有“交通圈分析”模块——检验城市是否实现N小时交通圈的目标（比如大城市是否实现1小时交通圈），“用地功能识别”模块——检验现状城市用地与规划城市用地是否一致，或识别现状用地的功能复合度等等。

 

 

3.3. 人机交互

城市是一个复杂的巨系统，试图单纯以简单模型来求解城市问题，至少在现阶段是不可行的。规划编制大数据平台要特别强调人机交互。不能期望机器给出所有答案，而是将机器做得足够智能，界面足够傻瓜，辅助规划师进行现状分析、方案生成、情景模拟，在规划设计全过程提供数据增强。

根据人工智能的发展趋势，过去繁琐复杂的操作界面已经不能适应新时期的需求。数据库人机交互界面，不是让人去学习如何使用机器，而是让机器根据人的需求来配置。这就需要设计者彻底摸清规划师的需求、目的和操作习惯。重视操作界面的友好型，是破除目前壁垒的重要课题。

 

3.4. 基础数据更新

数据库的基础数据持续更新是一个很重要的问题，各项数据的获取清洗过程非常费时费力，过去很多平台上线一两年后使用频率越来越低，最后束之高阁，基础数据更新困难是一个很大的原因。大数据时代的海量数据预处理工作量呈几何指数般增长，在平台建设初期就要未雨绸缪。目前业界采取的方法有，传统规划院与互联网平台或数据供应商签订合作协议，由互联网公司或数据供应商负责数据的获取和预处理。但此种方法还是有其局限性，且广大中小设计院可以采用什么机制，还有待思考。各地政府相继成立大数据交易中心，或许未来可以提供高效价廉的基础大数据。