53 2015 Vol.30, No.4国际城市规划

Urban Spatial Studies with Big Data of Mobile Location: A Progress Review

基于移动定位大数据的城市空间研究进展

丁亮 钮心毅 宋小冬Ding Liang, Niu Xinyi, Song Xiaodong

文章编号：1673-9493（2015）04-0053-06 中图分类号：TU984 文献标识码：A

摘要：聚焦城市空间的移动定位大数据研究可分为空间现象描述、空间功能

识别、理论模型验证、中心体系分析 4 种类型。通过文献梳理，发现大数据

为空间研究提供了丰富的样本，但当前的数据存在非全样本、缺少社会经济

属性、非随机缺失的缺陷。大数据研究的广度和深度正在不断扩展，呈现出

多学科参与的特点，但研究结论还缺少新的理论探索和解决实际问题的应用。

据此提出当前的大数据只是传统数据的有益补充，适用于描述、分析空间现

象和规律，适宜于两方面研究：①验证理论模型、提出研究问题；②分析空

间现状、评估空间规划。这两方面研究可通过统计汇总和空间计算的方法实现。

Abstract: The study on the big data of mobile location in urban space can be decomposed into four types, including description of spatial phenomena, identification of spatial function, verification of theoretical models, and analysis of center system. The analysis on relevant literature finds that big data have provided abundant samples for space research, but present data face the defects including incomplete samples, lack of socio-economic property, and not missing at random. Besides, though big data study expands in both depth and breadth and shows the characteristic of multi-disciplinary cooperation, the research conclusion pays little attention to exploring new theories and addressing practical problems. Thus, present big data are only the beneficial supplement to traditional data, applicable to describing and analyzing space phenomena and rule. Meanwhile, the big data are suitable not only to verify theoretical models and raise research problems, but also to analyze current space situation and evaluate spatial planning. The study on these two aspects can be implemented through statistical summary and spatial computation.

关键词： 移动定位；大数据；城市空间研究；城市规划

Keywords: Mobile Location; Big Data; Urban Spatial Studies; Urban Planning

“十二五”国家科技支撑计划：城镇群高密度空间效能优化关键技术研究

（2012BAJ15B03）阶段成果

作者： 丁亮，同济大学建筑与城市规划学院，博士研究生。1310147dl@tongji.edu.cn 钮心毅，同济大学建筑与城市规划学院，副教授。niuxinyi@tongji.edu.cn 宋小冬，同济大学建筑与城市规划学院，教授，博士生导师。

spt@tongji.edu.cn

引言

近年来随着移动定位服务和云处理技术的发展，搜

集和处理个人定位信息已成为现实。由移动定位数据组

成的海量数据（大数据）库打破了传统的资料搜集方

式，推动了城市空间研究的发展。诸多学者利用当前可

获取的移动定位大数据（本文中的大数据均指移动定位

大数据，包括手机数据、公交刷卡数据、GPS 数据、社

交网站签到数据等）开展了城市空间研究，取得了较丰

富的成果。当前已有国内学者对这些研究成果做了介绍，

如秦萧等从城市等级体系、交通、功能区、特征与活动、

社交关系、重大事件等方面介绍了大数据在城市空间研

究中的最新进展，提出了基于大数据的城市空间研究体

系 [1]。叶宇等从实体空间、社会空间两方面介绍了大数

据在城市空间研究中的成果，提出大数据时代城市规划

在数据搜集、响应速度、编制方式、决策辅助、编制策略、

关注要点、实施过程、评价力度等方面面临革新 [2]。冉

斌等提出了手机定位数据在不同层面城市规划中的应用

方向，并论述了职住人口空间分布、OD 客流分布、城

市间客流联系等方面的应用实例 [3]。任颐等用无锡手机

数据探索了通勤人口分布、居民出行 OD、重点区域人

口集散特征等方面的应用 [4]。

这些论文重在对已有研究和应用成果做较系统的归

纳整理，有的还构建了基于大数据的城市研究框架，对

于近年来热议的“大数据时代城市规划如何应对机遇与

挑战”提供了借鉴。但笔者认为城市规划作为一门实践

性较强的学科，在使用数据时必须根据数据的特点加以

不同方式的利用，方能使数据真实反映城市现状问题，

为规划设计提供帮助。因此，还有必要对大数据及其

研究特征作一个较深入的分析，包括大数据与传统数据

54 2015 Vol.30, No.4

城市研究

相比有何优势和缺陷，当前大数据研究中遇到哪些局限等问

题。本文选取了收录在 Web of Science 上的聚焦城市规划的

对象——空间的文献进行分析，以期能从这些文献中解答上

述问题，梳理出大数据在城市规划中适宜的研究。

1 基于大数据的城市空间研究类型

艾斯（Ahas）等是较早提出可用手机的移动定位数据

进行城市空间研究的学者。2005 年他提出基于手机的社会

定位方法（Social Positioning Method）能监测人口总量和移

动轨迹、预测和防止由人流集聚产生的问题，这一方法会

在不久的将来获得广泛应用，并从根本上改变公共生活和

公共管理 [5]，但文中并未阐述具体的研究成果。随后，拉蒂

（Ratti）等于 2006 年以热点图的方式展现了用手机数据分

析城市活动时空变化的研究成果。提出“随着新技术的发

展，人们的生活和工作习惯正在发生变化，活动变得更加灵

活，城市的动态性正在变得更加复杂，需要新的方法和数

据来分析城市”。拉蒂在文中还提出了“移动景观”（Mobile Landscapes）的概念，来回答如何记录 OD、如何理解个

体移动以及城市形态和流之间是什么关系，认为移动景观

能反映时实移动图，而不需要再借助传统模型。并将米兰

20 km×20 km 空间范围内 2004 年 4 月 19 日—5 月 4 日的移

动通话时长数据汇总为人流密度，可视化反映人流活动分别

在白天、晚上以及工作日、周末、重大活动日等不同时间段

的变化 [6]。这一研究开启了应用移动定位数据大范围、大样

本、动态认识城市系统的研究领域 ：通过数据的统计汇总，

认为城市空间活动虽然由无数个体的无序活动组成，但在整

体层面有规律可循，可以用移动定位数据来反映城市活动的

时空变化。

此后便有学者在拉蒂的研究基础上，用手机数据、公交

刷卡数据、GPS 数据、社交网站签到数据等移动定位大数据

探索城市空间研究，并将研究由描述空间的表面现象、识别空

间功能深入到验证传统理论模型、分析空间联系测度中心体系。

1.1 空间现象描述拉蒂的研究对用移动定位大数据开展城市空间研究已经

产生了较大影响，至 2015 年 1 月已在 Web of Science 上有

117 次被引，是同类论文中最多的。受拉蒂的影响，诸多学

者开展了类似的研究。例如，维埃拉（Vieira）等用手机通话、

短信数据表征人流密度变化，发现中心区工作日早上密度最

高，下午密度下降，晚上商业、商务区和地铁线周围密度最高，

郊区周末早上和下午密度最高等现象 [7]。塞夫塞克（Sevtsuk）等利用罗马 398 个基站的手机通话时长数据研究日常活动的

规律，发现通话时长可以分为 24 小时（即每天的活动是有规

律的）、3.5 天（即工作日和周末的规律是不同的）、12 小时

（表示昼夜的活动规律）和 8 小时（表示工作时间、非工作

时间的活动规律）的周期，大多数活动都有规律可循，不

同地区的活动受人口、设施、环境等因素影响 [8]。克瑞斯珀

（Krisp）用赫尔辛基的手机数据研究人流密度时实分布情况

作为消防和安全设施布局的依据 [9]。贝克尔（Becker）等利用

手机通话和短信数据研究莫里斯敦（Morristown）工作、娱乐

人群的居住地分布，发现莫里斯敦对周边地区就业活动的吸引

力大于娱乐活动的吸引力，作者还利用通话和短信记录区分人

群，发现工作时间比非工作时间使用短信多的人群的空间分布

范围更大 [10]。塞戈（Sagl）等用乌迪内（Udine）的手机握手

数据、通话时长数据和 Flicker 社交网站签到数据分析城市不

同时段的活动强度。由手机数据发现西部地区与中心区的联

系比东部地区与中心区的联系强，西北地区的通信呈现双峰

特征；由社交网站签到数据发现不同地点的活动特征受季节

影响 [11]。随后又用手机通话、短信数据，通过可视化分析方

法研究乌迪内工作日和周末空间活动的时实变化 [12]。曼弗雷

迪尼（Manfredini）等利用 2009 年和 2010 年蒙扎（Monza）和布里安扎（Brianza）的手机通话时长、短信、移动交换中

心活跃用户数据研究城市动态活动，提出可以用手机数据描

述城市空间以小时、天、周为单位的使用强度变化，以此为

依据制定城市政策、计算人口密度、时实监测本地和外来人

口 [13]。约翰（John）等用手机数据模拟爱尔兰区域性人口流

动，结合马尔科夫链分析人口密度分布，这一研究结果与中

央统计局的人口普查数据高度一致 [14]。上述研究中使用的手

机数据有通话时长、通话频次、短信量、握手数据等，用来

表征城市空间活动强度的统计口径并不统一。因此，康朝贵

等对研究中用通话时长、通话频次、手机用户数能否表示真

实的人流活动提出了质疑，通过研究 3 个数据与 2008 年全球

人口动态统计分析数据（LandScan）的关系发现，通话时长

和通话频次的关系随时间变化，通话频次与手机用户数呈线

性相关，手机用户数和真实人口数量的比例在不同地区是不

同的，不能用来表示真实的人口数量，因此，通话活动能反

映活动强度但不能代表人口分布 [15]。

空间现象描述利用大数据大样本、高频率的优点，用简

单的统计汇总、可视化表达就能实现传统调查方法难以开展

的研究。但是，研究结论只是一般现象的描述，并未深入分

析、挖掘现象背后的规律。

1.2 空间功能识别部分学者在用大数据描述空间现象的基础上通过空间

计算，根据空间使用特征识别其主导功能，包括识别不同的

功能区、土地使用类型等。例如，瑞兹（Reades）等将罗马

55 2015 Vol.30, No.4国际城市规划

丁亮 钮心毅 宋小冬 基于移动定位大数据的城市空间研究进展

47 km2 划分为 1 600 m2 为单位的栅格，计算每个栅格的平均

通话时长并进行标准化处理，并用聚类分析分离出 8 类地区，

识别罗马中心城区边界 [16]。此后又用特征分解法（Eigende Composition）识别和提取罗马 100 万手机用户的通话时长

数据，以栅格数据反映日间热点地区，发现与用企业黄页数

据得到的商业密度分布非常契合。研究结果证实了可用手机

数据来进行空间计算和比较分析 [17]。齐观德（Guande）等

利用杭州 300 万条出租车 GPS 数据，分析载客量与城市社

会功能区的关系。发现载客量与社会活动强度有关，不同地

区的载客量不同。作者用聚类法识别不同的社会功能区，准

确率达到了 97.44%[18]。刘瑜等分析了上海 6 600 辆出租车

的 GPS 数据。发现载客量呈现以 24 小时为周期的变化规

律，市中心、居住区、虹桥机场、浦东机场、郊区 5 个点的

载客量具有不同的时间序列。进而利用普利亚姆（Pulliam）

提出的“源—库”（Source-Sink）模型，通过计算上下客人

次的差值聚类来分析土地利用现状，研究结果与 2007 年的

土地使用情况一致性高达 78.5%[19]。裴韬等通过新加坡的手

机通话数据的聚类分析表征不同的用地类型，准确率达到了

58.03%，并且发现用地异质性越高准确率越低，手机基站数

量越多准确率越高 [20]。

空间功能识别解答了用大数据描述空间现象是否准确的

疑问。将大数据识别的空间功能和普查、统计数据进行比较，

证明了大数据有可能较准确地反映空间和土地使用，可为开

展后续研究提供支撑。但该类研究本身与城市规划关系并不

密切，只是开展后续规划研究的基础。

1.3 理论模型验证随着大数据研究的广泛开展，空间现象描述和空间功能

识别已经较为成熟，但其局限性也日益显现，即对研究的实

际贡献较小，只是数据可视化展示和可信性证明。因此，有

研究者开始探索大数据在验证距离衰减效应、重力模型等理

论模型研究中的作用。例如，拉蒂等将英国 12 万个居民和

商户的固定电话时长数据赋值到 3 042 个栅格中，分析不同

地区的联系程度。在两次迭代后分离出了 23 个地区，与行

政边界高度一致，证明了行政边界不仅影响人口空间分布，

还影响通讯交流 [21]。卡拉布雷塞（Calabrese）等用聚类分析

研究手机用户的动态 OD 矩阵，发现手机数据和普查数据在

县级层面（county level）的交通流、工作日早交通、重力模

型的标准差的拟合度分别达到了 0.73、0.76、0.59，但在普

查区层面（census-tract levels）仅有不到 0.3、0.36、0.1。作

者认为这是由于普查区层面的样本量较少、统计时间不一致

引起的 [22]。康朝贵等通过研究 439 万手机用户的通话数据

发现城市间的通话量不但存在距离衰减效应，还存在位序分

布 [23]。高松等做了相似研究，发现哈尔滨 90% 的通话距离在

20 km 之内，通话量的距离衰减参数（1.45）与空间距离衰减

参数（1.60）相似，反映了网络空间的距离限制略小于物理空

间 [24]。卡拉布雷塞等用马塞诸塞州的手机数据研究出行距离

的影响因素，发现公共交通越便捷，公众会越倾向于使用公

共交通从而增加出行距离 [25]。

理论模型验证是大数据理论研究价值的有益探索。大数

据不再仅是“炫耀”数据可视化及分析技术的工具，开始吸

引关注理论模型研究的专业学者。但当前的理论研究还只是

对传统理论的验证，用大数据探索新理论尚有较大难度。

1.4 中心体系分析还有学者通过空间计算对空间现象开展了更为深入的研

究，主要致力于定量分析城市中心体系，通过测度人流量及

其空间联系识别城市中心、分析中心职能。例如，刘亮等用

深圳 5 000 个出租车 GPS 数据和 500 万个公交和地铁 IC 卡

数据，建立了一个时实的城市动态集成图（Integrated Urban Mobility Patterns）来认知城市、优化城市动态分析方法。作

者通过研究地铁站进出人流量发现世界之窗、岗厦站是居住

中心，国贸、大剧院、华强路、购物公园、车公庙站是工作

中心，老街和华强路是购物和娱乐中心。工作日早高峰呈现

以世界之窗和岗厦站为中心的由西向东的单向流特征，晚高

峰呈现以华强路和大剧院站为中心的由东向西的单向流特

征，钟摆交通量周六大于周日大于工作日。作者又通过分析

出租车 OD 数据发现罗湖、福田、南山 3 个重要的经济发展

区联系最紧密 [26]。罗斯（Roth）等提出世界城市有复杂的空

间结构，人口、密度、区位已经发生了巨大变化，不能用简

单的单中心城市结构来解释。作者将伦敦 203 万人 1 122 万

条地铁刷卡数据在空间上以 1 500 m 为半径进行聚类分析，

发现人流向多个中心集聚，证明伦敦是多中心结构的大城

市 [27]。刘瑜等将上海以人民广场为圆心的 13 km 半径范围分

为每 2 km 为间隔的同心圆，通过每个圈层中出租车上下客

人次的差值聚类识别用地功能，发现由中心至外围商业、娱

乐用地减少，工业用地增加，证明了上海呈单中心结构 [19]。 钟晨等使用新加坡的公交刷卡数据用空间插值（Spatial Interpolation）和汇总统计（Summary Statistics）的方法分析

新加坡空间结构的变化。研究发现随着公交和地铁系统的完

善，出行距离和客流量都在增长，反映了城市的联系强度在

加强。因地铁促进了长距离交通，较高中心度的地区逐渐增

加，有地铁站点的城市枢纽的功能集聚度增强。增长的公共

交通客流量主要集中在副中心所服务的新建社区，证明新加

坡正在向多中心城市结构转变 [28]。

中心体系分析不同于空间现象描述，多由专业学者以研

56 2015 Vol.30, No.4

城市研究

究问题为目标，借助空间分析方法，应用专业知识分析数据、

解读结果。这类研究与城市规划中的空间结构规划有密切关

系，识别城市中心、分析中心职能的方法已经能用于评估公

共中心规划的实施效果，展现出了一定的应用前景。

2 大数据在城市空间研究中的思考

由上述文献可知，近年来大数据研究的关注度和成

果数量呈上升趋势。《城市科技杂志》（Journal of Urban Technology）2010 年第 1 期开设了地理和规划中的移动定

位和追踪（Mobile Positioning and Tracking in Geography and Planning）专刊，2014 年第 2 期又一次开设了移动通信和城

市空间（Mobility，Communication，and Urban Space）专刊。

这与当前城市空间活动过于复杂有密切关系，需要借助大数

据分析城市中的各种流（Flow）来认识由人流、物流、信息

流构成的网络（Network），了解城市要素内和要素间的相互

作用和关系，认识城市空间的发展规律 [29] 有密切关系。但

大数据在受到热捧的同时，还需要理性看待，因为大数据并

非万能，其研究可能会遇到诸多局限，例如，康朝贵等对通

话时长、通话频次、手机用户数能否表示真实的人流活动的

质疑 [15] 值得引起重视。基于上述文献，笔者认为当前大数

据及其研究存在以下特征。

2.1 大数据的优势和缺陷大数据的一大特征就是海量数据，提供个体时实移动轨

迹数据。从文献中可知出租车 GPS 数据的样本量和记录量

分别约为 103 / 天和 105/ 天，公交刷卡数据为 106/ 天和 107/ 天，

手机数据更是高达 107/ 天和 108/ 天（不同城市可能会有所差

别），远远超出了传统调查方法能够获取的数据量。从数据

内容来看，虽然数据产生和存储不是以空间研究为目的（例

如，手机数据是通信商为了解基站负荷，以便及时增减基站

而存储），但数据中包含的“谁—什么时候—在什么地方”

的信息与城市空间研究所需的样本空间数据基本一致，为定

量分析提供了充足的样本。

但大数据也有缺陷。首先，“大数据就是全样本”[30] 只

是在理论上成立，公交刷卡数据、GPS 数据、手机数据等都

只记录了特定人群的时空轨迹（例如，公交刷卡数据只记录

了使用公交卡的用户的数据），这种抽样是非随机的，是否

能准确代表总体时空轨迹特征存在质疑 [25]。其次，数据内

容单一，仅有空间信息，不包含样本的年龄、收入、职业等

社会经济信息 [25]，只能通过数据反映空间的现象和规律，而

难以解释其背后的社会经济原因。在这种情况下，研究者只

能以一般行为规律为依据，识别行为目的，以试图挖掘数据

隐藏的信息。但根据龙瀛等的研究，从公交刷卡数据中能同

时识别居住和工作地的用户仅占总用户的 2.8%[31] ；根据艾

斯的研究，从手机数据中能同时识别居住和工作地的用户仅

占总用户的 44.5%[32]。大数据一旦进行识别处理，其以全样

本保证抽样随机性的优势就不复存在，识别结果很有可能会

与总体产生偏差，在如此大样本情况下这种偏差尚缺少科学

方法校准，总量和空间上偏差多少也难以给出确切数据。若

用识别数据进行下一步研究很有可能会产生“精确的错误”。

最后是数据质量问题，上文综述的文献中虽未提到这一问

题，但笔者在研究实践中 [33] 发现大数据并非如迈尔 · 舍恩

伯格（Mayer-Schonberger）等所说可以“允许不精确”[30]。

“允许不精确”需要随机错误这一前提，然而从笔者获得的

数据来看，由于数据记录和存储等问题，数据存在非随机缺

失，有的表现为空间缺失，有的表现为记录缺失。从当前的

研究成果来看尚缺少验证数据质量、提高数据应用可靠性的

方法。

2.2 大数据研究的局限从已发表的文献来看，大数据并未被研究者过度追捧。

很多研究者认为大数据只是提供了过去难以获取的数据

源 [6,22]，上文综述的文献中标题、摘要或关键词中出现大数

据（Bigdata 或 Big Data）的仅有 1 篇，正文中出现大数据

的也仅有 2 篇。研究依然依托传统理论开展，将大数据作为

一种数据资料，研究结论也并无新的理论突破。而从应用移

动定位大数据的时间来看，GPS 数据和公交刷卡数据都已有

10 多年的研究历史。近年来出现的手机数据在数据内容上

与其并无多大区别，只是数据量有了巨大增长。当时研究者

并未提出大数据这个词，或者说大数据尚不能作为学术术语

出现在研究成果中。只是近年来由于商业、政府等非学术机

构的推动，学术界才开始逐渐接受这个词。

从这些文献的研究内容来看，空间现象描述占主导，并

且仍然是近年来的研究热点，理论模型验证、中心体系分析

等方面的研究开始涌现，研究的广度和深度正在逐步提升。

说明研究者在掌握基本的数据处理技术后，已开始关注城市

空间现象背后的深层次规律。移动定位大数据由于具有较丰

富的空间信息吸引了地理学者、计算机学者、社会学者跨学

科研究空间问题。

从研究结论来看，即使经过深入的数据分析对理论模型

和中心体系有所探讨，其结论也只是对一般规律的描述，缺

少新的理论探索和解决实际问题的应用。用大数据发现新现

象、找出研究问题 [30] 的潜力尚未被充分挖掘。这与部分大

数据缺少社会经济属性有关，也与大数据需要数据处理技术

与规划知识的紧密融合有一定关系，城市规划学者由于缺少

数据处理技术，在研究中很难真正充分利用数据，而非规划

57 2015 Vol.30, No.4国际城市规划

丁亮 钮心毅 宋小冬 基于移动定位大数据的城市空间研究进展

学者因缺少专业思想指导，又难以提出对规划应用有实际指

导价值的研究问题。

基于上述分析，笔者认为大数据并不能取代传统数据，

只是传统数据的有益补充。在研究中应充分发挥两者各自的

优势：大数据具有丰富的空间信息，传统数据具有较丰富的

社会经济信息。可用大数据来描述、分析空间的现象和规律，

回答“是什么”的问题，再用传统数据来做解释，回答“为

什么”的问题。

3 大数据在城市规划中适宜的研究方向

基于大数据的城市空间研究类型及从文献中总结的大数

据的优势和缺陷、大数据研究的局限，笔者认为当前大数据

在城市规划中适宜于两方面的研究。一是验证理论模型和提

出研究问题。利用大数据丰富的个体移动轨迹信息，从个体

出发以全样本或大样本验证传统规划模型正确与否以及具体

参数的取值，并试图从中发现用传统小数据难以发现的“不

符合一般认识”的现象和规律，提出有意义的研究问题，为

规划研究提供思路。二是分析空间现状和评估空间规划。应

用大数据，建立一种自下而上的现状分析途径，将大数据分

析得到的现状结论与规划蓝图比较，评估现状或规划实施效

果，提高规划设计的科学性、合理性。

基于文献中的研究方法，笔者认为可通过两种方法实

现上述两方面研究。一是统计汇总。包括：（1）按时间截面

汇总每个统计单元的个体数量，反映特征时间点的人流密

度，只要通过简单的描述统计分析、时间序列分析等方法就

能在空间中反映城市的动态变化过程，结果往往用热点图表

示，如拉蒂 [6]、塞夫塞克 [8]、曼弗雷迪尼 [13] 等学者的研究。 （2）按规律性行为汇总每个统计单元的个体数量，反映就

业、居住、游憩等活动的空间分布，需要首先依据一般行为

规律，识别个体行为目的，再用统计学方法分析不同行为

的空间使用特征，如贝克尔 [10] 的研究。二是空间计算。即

在热点图的基础上运用密度分析、栅格计算、聚类分析等空

间计算方法挖掘空间现象背后的规律，如瑞兹 [17]、刘瑜 [19]、

罗斯 [27] 等学者的研究。

4 结语

本文通过基于移动定位大数据的城市空间研究文献的梳

理，发现基于大数据的城市空间研究的广度和深度不断扩展，

但是数据本身及相关研究尚存在较多缺陷和局限，需要与传

统数据结合才能发挥更好的作用，大数据在城市规划中适宜

于验证理论模型和提出研究问题、分析空间现状和评估空间

规划两方面研究。在信息社会，城市问题更加复杂，利用大

数据进行规划将会变得越来越普遍。规划师亟需转变思路，

以多学科协作的方式积极参与基于大数据的城市空间研究，

接受新的思维和方法，应对城市问题。

参考文献

[1] 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, 09: 1352-1361.

[2] 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, 08: 5-11.

[3] 冉斌 , 邱志军 , 裘炜毅，等 . 大数据环境下手机定位数据在城市规划中

实践 [C] // 中国城市规划学会 . 2013 中国城市规划年会论文集 , 2013.[4] 任颐 , 毛荣昌 . 手机数据与规划智慧化——以无锡市基于手机数据的

出行调查为例 [J]. 国际城市规划 , 2014, 6: 66-71.[5] Ahas R, Mark U. Location Based Services - New Challenges for Planning

and Public Administrations? [J] Futures, 2005, 37: 547-561.[6] Ratti C, Frenchman D, Pulselli R M, et al. Mobile Landscapes: Using

Location Data from Cell Phones for Urban Analysis [J]. Environment and Planning B-Planning & Design, 2006, 33 (5): 727-748.

[7] Vieira M R, Frias-Martinez V, et al. Characterizing Dense Urban Areas from Mobile Phone-Call Data: Discovery and Social Dynamics [C]. IEEE. Second International Conference on Social Computing(SocialCom), Minneapolis: (IEEEXplore), 2010.

[8] Sevtsuk A, Ratti C. Does Urban Mobility Have a Daily Routine? Learning from the Aggregate Data of Mobile Networks [J]. Journal of Urban Technology, 2010, 17 (1): 41-60.

[9] Krisp J M. Planning Fire and Rescue Services by Visualizing Mobile Phone Density [J]. Journal of Urban Technology, 2010, 17(1): 61-69.

[10] Becker R A, Caceres R, Hanson K, et al. A Tale of One City: Using Cellular Network Data for Urban Planning [J]. IEEE Pervasive Computing, 2011(4): 18-26.

[11] Sagl G，Resch B，Hawelka B, et al. From Social Sensor Data to Collective Human Behavior Patterns: Analysing And Visualising Spatio-Temporal Dynamics in Urban Environments [C] // Proceedings of the GI-Forum 2012: Geovisualization，Society and Learning，2012: 54-63.

[12] Sagl G，Delmelle E，Delmelle E. Mapping Collective Human Activity in an Urban Environment Based on Mobile Phone Data [J]. Cartography and Geographic Information Science, 2014, 41(3): 272-285.

[13] Manfredini F, Pucci P, Tagliolato P. Toward a Systemic Use of Manifold Cell Phone Network Data for Urban Analysis and Planning [J]. Journal of Urban Technology, 2014, 21(2): 39-59.

[14] John D, Peter H, Ronan F, et al. Population Mobility Dynamics Estimated from Mobile Telephony Data [J]. Journal of Urban Technology, 2014, 21(2):109-132.

[15] Kang C G, Liu Y, Ma X J, et al. Towards Estimating Urban Population Distributions from Mobile Call Data [J]. Journal of Urban Technology, 2012, 19(4): 3-21.

[16] Reades J, Calabrese F, Sevtsuk A, et al. Cellular Census: Explorations in Urban Data Collection [J]. IEEE Pervasive Computing, 2007, 6(3): 30-38.

[17] Reades J, Calabrese F, Ratti C. Eigenplaces: Analysing Cities Using the Space-Time Structure of the Mobile Phone Network [J]. Environment And Planning B-Planning & Design, 2009, 36 (5): 824-836.

[18] Qi G D, Li X L, Li S J, et al. Measuring Social Functions of City Regions from Large-Scale Taxi Behaviors [C] // 2011 IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops), 2011: 384-388.

[19] Liu Y, Wang F H, Xiao Y. Urban Land Uses and Traffic 'Source-Sink Areas': Evidence from GPS-Enabled Taxi Data in Shanghai [J]. Landscape and Urban Planning, 2012, 106 (1): 73-87.

[20] Pei T, Sobolevsky S, Ratti C, et al. A New Insight into Land Use Classification based on Aggregated Mobile Phone Data [J]. International Journal of Geographical Information Science, 2014(5): 1-20.

58 2015 Vol.30, No.4

城市研究

[21] Ratti C, Sobolevsky S, Calabrese F, et al. Redrawing the Map of Great Britain from a Network of Human Interactions [J]. Plos One, 2010, 5 (12): 1-6.

[22] Calabrese F, Di L G, Liu L, et al. Estimating Origin-Destination Flows Using Mobile Phone Location Data [J]. IEEE Pervasive Computing. 2011, 10 (4): 36-44.

[23] Kang C G, Zhang Y, Ma X J, et al. Inferring Properties and Revealing Geographical Impacts of Intercity Mobile Communication Network of China Using a Subnet Data Set [J]. International Journal of Geographical Information Science, 2013, 27 (3): 431-448.

[24] Gao S, Liu Y, Wang Y L, et al . Discovering Spatial Interaction Communities from Mobile Phone Data [J]. Transactions in GIS, 2013, 17 (3): 463-481.

[25] Calabrese F, Diao M, Di L G. Understanding Individual Mobility Patterns from Urban Sensing Data: A Mobile Phone Trace Example [J]. Transportation Research Part C-Emerging Technologies, 2013, 26(1): 301-313.

[26] Liu L, Biderman A, Ratti C. Urban Mobility Landscape: Real Time Monitoring of Urban Mobility Patterns [C] // 11th International Conference on Computers in Urban Planning and Urban Management, 2009: 16-18.

[27] Roth C, Kang S M, Batty M, et al. Structure of Urban Movements: Polycentric Activity and Entangled Hierarchical Flows [J]. Plos One, 2011, 6 (1): 1-8.

[28] Zhong C, Arisona S M, Huang X F, et al. Detecting the Dynamics of Urban Structure through Spatial Network Analysis [J]. International Journal of Geographical Information Science, 2014, 28(1): 2178-2199.

[29] Batty M. The New Science of Cities [M]. The MIT Press, 2013.[30] Mayer-Schonberger V, Cukier K. Big Data: The Next Frontier for

Innovation, Competition, and Productivity [M]. Eamon Dolan / Houghton Mifflin Harcourt, 2013.

[31] Long Y, Thill J C. Combining Smart Card Data and Household Travel Survey to Analyze Jobs-Housing Relationships in Beijing. Beijing City Lab: Working Paper # 4, 2013.

[32] Ahas R, Silm S, Jarv O, et al. Using Mobile Positioning Data to Model Locations Meaningful to Users of Mobile Phones [J]. Journal of Urban Technology, 2010, 17(1): 3-27.

[33] 钮心毅，丁亮，宋小冬 . 基于手机数据识别上海中心城的城市空间结

构 [J]. 城市规划学刊 , 2014(6) ：61-67.

（本文编辑：翟健）

手头上正在翻译迈克尔 . 哈洛（Michael Harloe）的

《人民之家？》（1995）（全称《人民之家？欧洲和美国

的公租房》[The People’s Home? Social Rented Housing in Europe and America]）。这是一本考察欧洲（英国、法国、

前西德、荷兰、丹麦）和美国福利住房制度发展历史背景

的大部头，将由商务印书馆出版。翻译到现在，发现了以

下三个值得加注释的观点，算是我对本书意义的初步认识。

第一，西方的城市规划设计思想和手法不是纯技术手

段，它有产生和实施的经济和社会文化背景。关心西方住

房制度发展的读者无疑会直接对这本书产生兴趣，不过，

关心西方城市规划设计的读者可能因为“公租房”几个字

而忽略了本书作者所采用的独特视角或方法论 ：从这些西

叶齐茂>>> 译者随笔

方国家不同的经济和社会文化背景出发，考察各国社会福

利住房制度的共性和个性。事实上，养老、义务教育和医

疗等三大福利制度也是以这些西方国家的经济和社会文化

背景为基础的，而城市政策，包括城市规划，同样不能摆

脱一国的经济和社会文化背景，甚至城市设计思想和手法

也不是只有形式而无文化内涵。

第二，过去一个世纪里，许多城市规划概念的内涵与

外延以及相关的社会意义已经改变了。例如，现在“公共

卫生”的外延窄化到了控制和消除大规模生理疾病，但是，

在 19 世纪，“公共卫生”承载的外延远比现在要宽泛，包

括了道德的和社会的“卫生”，包括了深藏在资本主义社

会的最核心各类主题，尤其包括了应对“危险阶层”的问

题。所以，我们今天使用的许多城市规划概念未必还有它

们曾经有过的历史内涵与外延，实际上，我们已经赋予了

它们新的内涵与外延。我们赋予老概念新的内涵与外延，

这叫与时俱进，无可非议。可是，如果把某一概念新的内

涵与外延注释到老概念上，硬说那时的人恰恰言中了今天

的问题，那就叫“时光倒流”了。我这里不是空穴来风，

的确有人在玩“时光倒流”的把戏，用新的内涵与外延去

解释历史人物的言论，然后，用注释过的历史言论来忽悠

我们去传承。这个陷阱不小。其实，《人民之家？》就是

“西方”并非一个社会文化板块

（下转 66 页）