这篇论文提出了一个考虑空间交互的城市活力多维评估框架。既有城市活力研究多关注区域自身发展状态，如人口密度、设施密度、土地利用混合度、道路可达性和宜居环境，而较少把区域之间的联系、人口流动和公众空间感知作为独立维度。本文整合8类地球观测数据和8类地理大数据，从密度、多样性、宜居性、可达性和交互性五个维度构建24个指标，并使用XGBoost建立城市活力评估模型。研究以南京、深圳、武汉和北京为案例，在1 km网格尺度上评估城市活力。结果显示，模型与专家评分的相关系数均超过0.7，交互维度在24个指标中平均重要性最高，达到5.07%。这说明城市活力不仅来自本地资源和设施集聚，也来自区域联系、人口流动、功能互补和空间感知。
城市活力反映城市繁荣程度、发展潜力和满足居民多样化需求的能力。传统城市活力理论最早强调街道网络、建筑密度、功能混合和公共生活，后来逐渐扩展到宜居性、可达性、可持续发展和空间联系等方面。本文认为，城市活力不仅取决于本地人口、设施和环境，也受到城市中心联系、交通枢纽联系、通勤强度、旅游吸引、社交媒体活跃度和公众评价等因素影响。因此，论文将空间交互作为独立维度纳入城市活力评价。
图1 城市活力评价维度的发展过程
图2 空间交互概念图
如何整合遥感数据与地理大数据，构建城市活力多维评估体系？
空间交互是否可以作为城市活力的独立评价维度？
机器学习方法是否比传统线性加权方法更适合城市活力评估？
南京、深圳、武汉和北京的城市活力空间格局有什么差异？
哪些指标和维度对城市活力贡献最大？
论文选择南京、深圳、武汉和北京作为案例城市。四个城市分别代表长三角、粤港澳大湾区、中部地区和京津冀。北京呈环路式空间结构，深圳建成区主要位于南部和西部，南京主城区集中在长江以南，武汉核心区沿长江展开。
图3 研究区与基于不透水面数据识别的建成区
论文使用16类数据。其中，地球观测数据包括人口密度、地表温度、NO2浓度、土地覆盖、植被指数、建筑高度、夜间灯光和高分辨率影像。地理大数据包括OSM道路、腾讯定位记录、POI、酒店和景点预订、住房租金、用户评分、微博签到和街景影像。研究将每个城市划分为1 km × 1 km网格作为基本评价单元。
论文构建五个维度和24个指标。
图4 城市活力评估研究框架
研究使用XGBoost回归模型评估城市活力。样本构建采用专家评分法。作者先基于夜间灯光将网格划分为七个等级，再结合高分辨率影像、街景、电子地图、POI和微博签到信息剔除异常样本。每个城市初选200个样本，其中100个用于训练，100个用于验证。20名专家对样本城市活力进行1至10分打分，并通过一致性和正态性检验提高样本可靠性。
图5 基于多源数据的训练样本筛选流程
交互维度在城市中心、交通枢纽及其周边最高，并向外递减。密度维度同样在中心区最高，但向外围衰减更快。多样性和宜居性高值范围更广，受水体、绿地和城市功能混合影响较大。可达性则明显受道路网络、地铁线路和城市中心距离影响。
图6 五个维度评估结果
南京高活力区集中在玄武、秦淮、鼓楼、建邺、雨花台和部分栖霞区，其中新街口街道最高。深圳高活力区集中在罗湖和南山，西部整体高于东部，坪山和大鹏较低。武汉高值区沿长江展开，江汉和武昌较高。北京呈同心圆格局，五环以内多为高活力，五环到六环之间多为中等活力，六环外明显降低。
图7 城市活力评估结果及其与五个维度结果的Pearson相关系数图
验证结果显示，四个城市模型结果与专家评分均呈较强正相关。南京、深圳、武汉和北京的PCC分别为0.7762、0.7117、0.7183和0.8185，均超过0.7。模型结果与专家评分分布形态较接近，说明该模型具有较好的精度和可迁移性。
图8 模型结果与专家评分的散点图、直方图、PCC、置信区间、预测区间和岭线图
SHAP结果显示，人口密度D1和与城市中心交互I1贡献最高，均超过10%。植被丰度L1、与交通枢纽交互I2和旅游吸引力I5也具有较高贡献。从维度看，交互维度平均指标重要性最高，为5.07%；密度为4.32%；可达性为4.15%；宜居性为3.56%；多样性为2.83%。这说明空间交互不是附属变量，而是解释城市活力的重要维度。
图9 城市活力评估模型中各指标贡献的SHAP图
模型总体存在轻微高估。四个城市MAPE均低于18%，MAE均低于1.3。高估区域常见于城中村、工业区、景区和特殊功能区，这些区域可能具有较高夜间灯光、POI或游客活动，但实际日常城市活力不一定高。低估区域常见于部分新城，这些区域空间形态和基础设施较好，但人口流动、商业活动和社会活动尚未完全成熟。
图10 南京街道尺度城市活力评估结果与典型网格指标对比
南京案例显示，位于建邺区核心区的典型网格综合活力较高，交互维度也较高；位于江宁区、距离中心较远的典型网格虽然部分遥感指标较好，但地理大数据指标较弱，因此综合活力仅为中等。这说明单独依赖遥感或单独依赖地理大数据都可能产生偏差，二者融合更能反映真实城市活力。
图11 南京三个典型区域的交互维度对比
论文将XGBoost与熵权法进行比较。结果显示，熵权法结果与专家评分的PCC平均低于机器学习方法19.3%。这说明城市活力与指标之间并非简单线性关系，机器学习更适合处理人口密度、租金、交通网络等指标可能存在的非线性和阈值效应。
城市活力不只是本地设施、人口和环境条件的静态叠加，也取决于城市中心、交通枢纽、商业活动、人群流动和空间评价之间的动态联系。交互维度在SHAP分析中贡献最高，说明其具有独立解释价值。
遥感数据能够较好刻画地表覆盖、植被、建筑高度、夜间灯光和热环境，但难以直接反映社会活动和空间感知。地理大数据能够反映人口流动、商业活动、评价和签到，但可能存在平台偏差和覆盖不均。二者结合可以互补，提高评估可靠性。
过高的人口密度、租金收入比或交通网络密度并不一定提升城市活力，甚至可能产生拥挤、成本过高和生活质量下降。传统线性加权方法难以处理这类双向或阈值关系，而XGBoost能够更好识别复杂关系。
第一，本文构建了一个融合遥感数据和地理大数据的城市活力多维评估框架。
第二，研究将城市活力划分为密度、多样性、宜居性、可达性和交互性五个维度，并构建24个指标。
第三，XGBoost模型能够较好评估城市活力，四个城市验证PCC均超过0.7。
第四，交互维度是最重要的城市活力评价维度，平均指标重要性达到5.07%。
第五，人口密度和与城市中心的交互是贡献最高的两个指标。
第六，模型误差主要出现在城中村、工业区、景区、新城等功能复杂或发展阶段特殊的区域。
第一，未来可进一步引入更高分辨率遥感数据、手机信令数据、社交媒体文本、街景感知指标和公共服务使用数据。
第二，应开展长时间序列研究，识别城市活力随城市更新、轨道交通建设和产业转移的变化过程。
第三，可进一步研究指标的非线性阈值，尤其是人口密度、道路密度、租金水平和交通枢纽强度的临界效应。
第四，应将模型扩展到更多城市，比较不同城市群、不同城市规模和不同发展阶段下的城市活力差异。
第五，未来可结合居民调查和实地观察，进一步验证专家评分和模型结果的社会感知一致性。
Wang, Z., Xia, N., Liang, J., Ji, X., & Li, M. (2026). Multi-dimensional assessment of urban vitality considering spatial interactions using multi-source geographic big data. Habitat International, 173, Article 103847.
以上内容基于本人有限的水平总结和理解，仅代表个人对论文的解读，仅供参考学习和交流使用，不用于任何非法或商业用途。若对以上内容解读有误或侵权，请联系删改，谢谢！
加群须知
👉 群内允许发送任何与论文推荐、领域/行业咨询、招生/成果宣传等相关的信息，注重交流的开放性和即时性。
👉 我们也会提供一个纯粹、透明的交流平台，因此严格杜绝一切扰乱群内秩序、破坏群内和谐、阻碍群内交流的信息（如广告、中介等，见到直接踢出并举报追究法律责任）。
👉加群方式：添加小编（如下微信），并告知您的称呼（代称即可）、单位和研究领域(缺一不通过)，小编会严格审核后邀请您入群。
