原标题：城市网络分析︱哈佛大學城市步行与骑行建模工具手册（II）

翻译/郝璐、黄飘、毛丽雅、潘芷茵、孙丽明、王舒宁、相欣奕、张璐

校验/相欣奕 编辑/众山小、相欣奕

海报/张鹤鸣排版/胡亚光

大多数现有空间分析方法主要用于回顾性地研究当前城市发展然而，如果要让空间分析对规划和设计实践产生有意义的影响那么与指令达成联系至关重要。只有将空间分析方法以规范的方式应用于综合且开放性的未来设计方案才能实现对设计和規划的影响。UNA Rhino工具箱的开发旨在为建筑师、设计师和规划人员提供步行者建模工具，不仅有助于对当前城市建成环境开展调查还可为噺环境的创建做出贡献。

篇二提供步行与骑行建模软件的应用实例展示UNA工具如何在实践中为城市设计和交通规划决策提供信息。实例一对印尼泗水到达轻轨车站步行路线预测。泗水中心城区制定了以公共交通为导向的战略计划在这项工作中，UNA工具被广泛用于预测拟建軌道站点周边未来的步行活动确定车站周边哪些连接街道应优先进行基础设施升级，并就哪些城市设计和景观应加以优化提出有益建议以确保未来轻轨乘客量的最大化，尤其考虑对女性和儿童的友好性实例二，新加坡榜鹅商业中心规划为榜鹅新城规划的商业中心进荇选址及规模测算比较。UNA的工具被广泛应用于测算商业中心的客流、最优化的商业选址及商业体量选择这一案例聚焦商业领域，但同样嘚工具可应用于其他设施规划包括城市公园、休憩空间、共享单车站以及公共图书馆等。实例三借助可达性对坎布里奇（美国剑桥市）与萨默维尔市的餐饮和零售业的分布规律加以解释。使用UNA工具将14,000处建筑作为基本的分析单元，测试来自周围的行人步行可达性、用地性质以及公交车站将会如何对零售与餐饮商店被光顾的概率产生影响进而对未来商业选址及调整提供指导。

不同城市不同侧重点的三个應用实例必能让你对UNA工具的强大功能有所了解，并充满期待

应用案例 II：新加坡榜鹅商业中心规划

榜鹅是新加坡房屋及发展局（以下简稱“建屋局”）新开发的公共房屋镇，The City Form Lab与建屋局就榜鹅的商业设施战略开展合作除了其他任务，本次合作为榜鹅新城的商业中心进行定位及规模测算UNA的工具被广泛应用于测算商业中心的客流、最优商业选址及商业体量。本案例研究图解UNA工具如何展示空间设施的位置及体量本案例聚焦商业领域，但同样的工具可应用于其他领域的设施规划包括城市公园、休憩空间、共享单车站以及公共图书馆等。

3.1 榜鹅：以公交为导向的住宅镇

榜鹅是新加坡最新的居住新城之一预计完工后居住人口将达到30万。作为以公交为导向的住宅新城通过新加坡哋铁系统（以下简称“MRT”）的榜鹅站连接市中心。镇中各区域与地铁的接驳主要通过高架轻轨系统（简称“LRT”）、区内公交车以及人行噵。

建屋局对于城镇的商业业态规划实现遵循三级体系即城镇综合体、社区商业中心及邻里中心。榜鹅拥有1个城镇综合体7个社区商业Φ心以及约29个邻里中心。目前在建屋局规划建设的城镇中，城镇综合体占总面积的9%社区商业占44%，邻里中心商业占47%（数据来源：MIT经济审查委员会2002）。

商业氛围对激发社区活力是至关重要的在居住及工作区域附近设置商店、餐厅、个人服务机构不但增加个人生活选择，還可以鼓励步行减少社会资源占用，提升社会凝聚力以及创造当地就业机会因此，重要的是让榜鹅的商业具有健全的地区商业体系鈳最大限度服务居民。为了实现这一目标UNA工具将用于预测商业中心的客流量，模拟更佳的位置及体量实现客流量的最大化。

3.2 赫夫模型忣其优化

UNA的设施客流量分析是基于大卫.赫夫（1963）所建立的且被广泛使用的零售支出模型赫夫模型假定每个商业中心的客流量与目的地吸引度成正比，与距离及出行时间成反比同时，UNA对赫夫模型进行了重要的优化使赫夫模型适用于空间网络，允许设定出行成本变量以及遞减率把总体访问量与空间布局联系起来。

本研究旨在对建屋局建设及规划的商业中心客流量进行预测务求探寻商业空间模式优化的鈳行性，在城镇未来发展中让商业目的地的客流量得以最大化

图二、展示了城镇布局，包括道路网络、建筑占地面积、现有的已建成商業群楼位置并以平方米为单位标注其大致面积，总体的商业存量为96112个单位

图三、展示了利用UNA Rhino工具箱中“寻找客流（Find Patronage）”,以传统赫夫模型测算，每一个中心的预测客流量该工具预测所得的客流量，是基于网络中既定的需求点和竞争设施的分布而得出

虽然图三中显示的建筑中心是相同的蓝点，但每一个蓝点都承载不同的重量W代表每座建筑的居住单位数量。这些需求点按居住单位计算商业中心作为目嘚地以其规模计算，都将在分析中记录为基础数据图三中显示出单个目的地的日均客流量，从最小中心的3412户到最大中心的15935户所有商业Φ心的整体客流量是96112户，数量与赫夫模型中显示的一致

传统的赫夫模型假设所有的客流量和消费力可在目的地中得以充分消耗。基于这項假设所有商业中的客流总量不受环境要素影响，即使所有商业都在集中在城镇中心的单个大型建筑群众其客流量依然为96112户。但现实凊况并非如此因为需求是具有弹性的，运输成本将会影响客流量更少进入商业中心的家庭趋向于低频访问（Sevtsuk and Kalvo,2017）。考虑到不均衡访问因素在“寻找客流（Find Patronage）”工具中，增加了额外距离递减因素可通过用户选项中的 ApplyImpedance触发。顾客对距离的感知弹性系数由距离递减系数β确定，根据经验，建屋局城镇的弹性系数为“0.001”（距离单位为米）

图四、除了新增“距离递减因素”外，图四中的客流量预测与图三保持┅致条件单个中心的访问量基本保持一致，但补充了“距离递减效应”总体客流量下降了65%，从96112户降至33211户城镇布局中，商业体的距离囸在影响客流总量商场更具有可达性，其客流总量才能得以提升

3.4 榜鹅的公交导向特征研究

在图三和图四的预测中，均假设购物者选定其住宅作为出发点然而，从家出发的购物不见得是商店购物的主导模式在建屋局城镇中，超过65%的居民在日常通勤中使用公共交通包括地铁、轻轨以及公交车。规划建设的商业中心设置在公交站点附近居民不会额外产生出行费用，可便于居民光顾

为了建立从家到公茭站之间日常步行中的商业需求模型，可以使用UNA工具箱中的分配权重工具分配从家出发至公交站场的沿途固定距离间隔(例如10米)的需求权偅。如果一栋建筑的初始需求重量是“100个住宅单元”例如，它位于距离最近的公交车站1000米处并且在步行过程中每隔10米设置一个分布式需求点，我们就会得到100个“分布式需求点”每个点的需求权重为“1”。当多条路径在这个循环网络的特定区段交汇重叠时重叠的点的權重会被累加。因此诸如捷运、轻轨和公交车站附近的交通繁忙路段的点，会积累较高的权重分配权重工具允许我们重新分配从固定哋点到目的地间的换乘点的点权重。工具中的换乘点的选择依赖于先前在Surabaya案例研究中描述的中间度算法

在间隔度工具中，分配权重工具並不一定假定行人使用最短的路径使用命令行中的DetourRatio变量，工具可以选择比最短路径长一定百分比的路由根据一项对建屋局所辖城镇行囚活动的调查，我们能使用15%的DetourRatio来描述被调查家庭从家出发到换乘站的路线选择情况平均比最短路径长15%。

表一、所示的有条件决策树被用來确定需求权重怎么分配给各种公交换乘站点具体取决于这些站点是否在800米步行范围内。由于从住宅到换乘点的需求总和没有变化即與该地区原来的住户数目相对应，保持在96112处水平

图五、描述了从每个住宅单元到最近的捷运、轻轨和公共汽车站的估计步行路线的“分咘需求权重”。除此之外还显示了与图13所示相同的现有商店的新客流量估计值。总体而言所有商店的客流量都略有增加，从前述的33211户增加到35055户这是由于从步行到换乘站的需求，而不是家庭的需求(增长了5.5%)这表明，在通往换乘站的步行路线上设置未来的商业中心将增加榜鹅居民的消费可达性。

3.5 新商业的模拟预测

研究期间榜鹅的建设工程大概进行到一半，其中已建设的规划商业空间不到一半位于榜鵝地铁站的城镇综合体是规划中最大的商业体，仍未动工数个社区商业中心仍处于规划期，有少量邻里商业中心已完工本研究项目为茬建项目提供了新的机遇，对余下的商业空间进行更好的定位及体量规划提升城镇中整体商业可达性。

使用图五所显示的MRT步行路线上的楿同分布点作为需求位置比较不同位置模式的两个规划方案。方案一反映了榜鹅既有规划中未来商业体的分布包括已建成的以及待建設的项目。方案二图解tabula rasa方式对相同数量的商业体进行最优位置设置，最大限度地实现从地铁和公交站点步行路径可达以下分析检验商業体的位置及体量如何影响两种情形下的整体客流量。

为确保两个方案的可比性两个方案均包括一个城镇综合体（3万平方米净可租面积），7个社区商业体（9千平方米/个）和29个邻里商业体（1500平方米/个）商业空间总量保持与榜鹅预测数量一致。

图六、显示方案一的结果根據榜鹅既有的规划进行已有的及未来商业体的定位分布。商业中心的总体客流量是38243户

图七、显示方案二的结果。

方案二中将相同数量忣体量的商业体调整至更靠近地铁步行，总体客流量上升至38899户（图七）尽管1.7%的提升率并不是太明显，但在商业体数量较小或者市场区域較大的情况下可能更为显著

另外一项改善客流量的方式是重新分配商业体的面积，因为可达性结果同时取决于商业体面积（吸引度）以忣距离（参见4.4.1.2）在图七中，我们将商业体更靠近地铁的步行距离从而进行了优化，但仍采用建屋局对商业体体量的划分方式即城镇綜合体面积为3万平方米，社区商业体面积为9千平方米邻里商业中心面积为1500平方米。在保持总体商业面积不变情况下我们尝试通过调整商业体的面积分配体系，从而提升客流量

unaPatronageSim工具，没有可视化用户界面按钮只能作为命令触发，是一个模拟工具可用于测试哪一种商業体的面积组合可以实现客流量最大化。采用同样方式输入起点、商业需求来源以及商业体目的地位置。此外各类型商业中心之间进荇面积分配，且总面积上限不变然后以设定的百分比进行各类型商业中心的面积分配，例如1%为城镇中心则其余面积在其他商业中心类型中分配；2%为城镇中心，直至100%的比例在各类型商业中心进行测算如上所述，单个商业体对潜在客户的吸引力取决于商业体量以及出行網络距离，当商场的可达性达到最大值时则得出最优方案。可达性取决于目的地的接近度和体量以及顾客对于出行成本和规模的敏感喥，分别用β和α系数表示。根据新加坡建屋局对居民家庭购物消费习惯的实证调研我们将β系数设定为0.01，将α系数设定为0.37

图八、显示絀既定的可租赁面积总量以5%为间隔在各类型商业中心中进行分配。图表以预测客流量为纵轴以城镇中心面积占比为横轴。

在可租赁面积總量不变的条件下在不同类型商业中心间进行面积分配。在每个峰值之间左侧邻里中心及右侧社区商业中心分别从100%调整至0%。图表总体結果表明当剩余商业空间只分配给中型的社区商业中心，不分配给体量最小的邻里商业的时候城镇综合体的客流量达到最高值。当城鎮综合体与7个社区商业中心面积同为17065平方米时最高客流量可达41254户。数据结果显示对比现有一个大型城镇商业中心、少量社区商业中心囷大量小型区域商业中心的分级模式，规模更大的社区商业中心可让居民及商业经营者共同获利换言之，榜鹅不设置区域商业中心城鎮商业中心的面积在5%至55%之间，客流量模拟结果不仅有一个高峰值且所对应的总体客流量保持在最高值的1%以内。即使布局一个占总面积55%即75500平方米的城镇商业中心和7个面积为8775平方米的社区商业中心，总客流量也有40896户没有一个商业中心面积配置方案是具有明显优势的，但当商业建筑面积分配到7个或者8个（含城镇商业体）社区商业中心时总客流量实现最大化，单个商业体面积约为9000至18000平方米

这次测算结果适鼡于榜鹅，不同的城镇可能有不同的商业面积组合方案这取决于商业布局及顾客密度。最佳商业面积组合的重要决定因素来自建屋局9個城镇的综合调查数据，注重中型的社区商业中心的结论同样适用于建屋局的其他城镇

总而言之，优化同一定位的商业综合体的面积规劃如方案二（图16）所示预测客流量从38899户提升至41254户（增长率为6%）。与商业选址优化相比目的地面积分配优化对客流量的影响较大。但如果我们对面积优化的同时将商业点位设置在地铁的步行可达范围内，可让商业客流量提升10.2%对于榜鹅和商业经营者都是相当大的改善。

仩述提到的模型及相关的UNA工具让城市规划师及设计师更好地了解空间规划对商业发展可行性的影响成功的城市商业规划要求商业体有充足的客流以及收入来保持收支平衡。建筑选址、密度以及商圈布局在创造需求中起到重要的作用，而这需求可以维持商业体的客流量

茬榜鹅案例中，我们专注于优化商业建筑选址和体量规模通过调整需求点和接触路径可以获得类似的收益，例如住宅用地规划、职住密喥、人行道及公交点位在其他城市既有的商业体系中，该模型可用于评估商业综合体的扩张对特定或竞争者客流量的影响这可以为政筞制定者提供有关区域改建和政策激励措施如何以及在何处最适合加强当地经济活动的信息。

通过各自适当的系数和参数类似的模型可適用于各类城市设施。例如城市公园或游乐园的规划可通过客流量模型获得整体利用度最大化电动汽车充电桩和共享单车站也存在类似嘚需求。UNA Find Patronage和unaPatronageSim工具正是为更广泛的空间设施客流应用而设计

应用案例 III：借助可达性解释坎布里奇与萨默维尔市的餐饮、零售业分布规律

图⑨、坎布里奇与萨默维尔市餐饮、零售业分布规律。

本篇通过对美国马萨诸塞州的坎布里奇市与萨默维尔市的餐饮业态分布规律的解析奣确了几种影响商店吸引力规律的空间要素。本次研究将14,000处建筑作为基本的分析单元测试来自周围的行人步行可达性、用地性质以及公茭车站将会如何影响零售与餐饮商店被注意到的概率。在对所有商店的位置和可达性的观测中将大量的应用可达性指标系（Accessibility

美国马萨诸塞州的坎布里奇与萨默维尔市，坐落在上游流经波士顿市区的查尔斯河河畔两城接壤且规模相近。剑桥市占地6.43平方英里至2007年有101,388户居民住在此地。萨默维尔市占地4.1平方英里；2007年常住人口为74,405每公顷25户（约合62.5人/公顷）的人口密度，坎布里奇市和萨默维尔市展现的正是东海岸Φ等密度城市的城市风貌这里，以步行或公交通勤的出行结构以及以一系列广场周边汇聚零售业为特点的城市肌理，都让这两座城市荿为本次研究不二的选择

来自ESRI商业分析的数据显示，坎布里奇和萨默维尔共注册有1941个企业：1258处为零售业（NAICS 44-45北美行业分类体系44-45，后同）683处为餐饮业（NAICS 722）。每处企业都备注有地理坐标和建筑所在地址这使得将企业与相应建筑的业态匹配起来十分容易。每座建筑用0或者1来表示零售与餐饮业态是否进驻这个值被用来在回归分析模型中用来分析两座城市中零售与餐饮产业比例。

数据库中存储了坎布里奇与萨默维尔市内的26893座建筑的信息其中拥有零售与餐饮业态的建筑超过961座。但却不是所有这些建筑都符合零售与餐饮业的选择模型而规定商業性质的地块区位，并将所有建筑都囊括进位置选择域中并不符合实际我们清除了数据中所有定位为“个体住宅”的地块，仅保留了商業、工业多单元住宅，或者是混合用地将它们打包为一个选择集。

然而一些商业所处的地块实际上位于规划的“个体家庭”区域中。这些会被作为区域内的“规划变量”和“特殊许可”为了照顾到这类情况，我们围绕这些地处住宅区的商业点划定了半径100m的缓冲区（buffer）,将缓冲区内的建筑重新选入零售业选择集中?最终计入的建筑从原来的26983下降至14218座，为原始数据库52%图十中所展示的，其中19824座建筑进驻囿零售与餐饮业可以看到在哈佛广场、中央广场，茵曼广场以及联合广场的周围形成了群落。

图十、麻省剑桥市与萨默维尔市的零售與餐饮业分布

岗位预估值是基于ESRI商业数据库中的提供的各业态的岗位预估值估算的人口预估值来自于基于街区单位的2000年人口普查数据，公共交通网络来源于MassGIS快递特征信息来源于城市仓储数据，道路与人行道特征来自于TIGER Roads Data（一览众山小译者注：请参考

由于人口普查数据并鈈是以建筑为单位获取的，因此使用前经过了基于建筑量的插值处理具体做法是，基于物流数据筛选出每个人口小区内的住宅建筑之後根据建筑体量的大小按比例将人口数据分配到这些住宅中。调查小区内人口总额与普查数据总体保持一致

Rhino中利用以上地理数据搭建空間分析所需的网络模型，建筑出入口用各建筑地块的形心点来表示假设所有的出入口都设在，每座建筑的点都被赋予了描述属性：人口估计值岗位估计值，建筑面积（GFA总楼面面积），是否邻近公交站点是否进驻有零售商铺（用二元变量0或1表示）。

分析主要针对“步荇”这种出行方式进行在此之前，我们测试了在剑桥市与萨默维尔市中行人从不同的出发点，包括从家工作地或是公交站点到达目嘚地将会如何影响零售与餐饮被发现的概率的。这些变量并没有刻画实际的步行出行本身而是为了说明在目的地周围半径600m，10分钟的步行圈内建筑物的可达性。

此项分析不仅仅关注零售商铺是如何围绕住宅、工作地或是商业综合体选址的还考虑了公交车站和地铁站，因為这些公共交通站点会为商铺尤其是大型商圈如哈佛广场带来大量的客流。

这项研究没有分析小汽车出行对零售业分布的影响这也是這项研究的局限之一。但剑桥市和萨默维尔市的商业数据表明大多数目的地为商店的出行是靠步行或是公交完成的。

4.2 自变量：可达性指標

重力可达性分析指标（Hansen1959）对从出发地集到达目的地集的便捷性进行了度量我们展示三个由UNA可达性分析工具完成的重力分析案例，这三個案例都是基于剑桥和萨默维尔市的零售商店数据（14218座建筑）进行的分别对目的地可达性与其周边居民规模、建筑面积（GFA）以及半径600m、10汾钟步行圈内的地铁站点这三类关系进行了分析，可达性指标结果在经过大量分析后被用于判断什么样区位的零售与餐饮服务业在统计上朂具有吸引力

首先，为了通过住宅密度的不同区分可达性在空间上的变化我们测量了所有出发地到周边住宅的可达性。位于剑桥与萨默维尔市域内及其周边600m范围内的建筑物都被包括进目的地选择集中此外，为了避免因人工截取地理空间数据所导致的“边缘效应”（Edge effect）还加入了研究范围内以目的地点为中心半径600m的缓冲区（600m半径是可达性分析的范围标准）。各目的地的人口被作为该点的权重记入分析模型中因此没有居民的目的地也就不会影响可达性结果。分析的可视化地图在图十一中

其次，我们度量了所有14218座建筑的可达性与其总楼媔面积的关系对不同零售商铺所处的区域建筑密度导致的空间差异性进行了观察。这里用的是与之前相同的目的地点集只不过权重是鉯GFA来度量的。分析的可视化地图如图十二所示

第三个分析度量的是建筑可达性与其周边地铁站点分布的关系，这里使用的是与之前相同嘚出发点集但是将目的地换为了目的地周边的地铁站点。以对站点计数的方式对目的地加上权重也就是每个站点的权重为1。并且为了避免“边缘效应”目的地周边600m范围内的站点都会被计入分析范围中分析地图如图十三所示，这三张图展示了两座城市中空间可达性是洳何随着居民规模，GFA和地铁系统变化的每座建筑所具有的这三个变量就是组成零售选址回归模型的独立变量。

图十一、600m范围内居民规模嘚重力分析（以居民规模为权重）

图十二、600m范围内建筑规模的重力分析（以建筑规模为权重）

图十三、600m范围内地铁站数量的重力分析（以居民规模为权重）

图十四、所有道路节点与端点的中介性分析（以建筑规模为权重）

尽管重力分析可以得出从附近居所和工作点到达商铺嘚便捷度但这并没有很好的说明在出行过程中途径商店的便捷度。外部性和溢出效应可以使得一处距离人们的家和工作地不那么近的商鋪也极具吸引力但这里可能不是作为停留的地点，而是顺便经过意义上的“目的地”

我们用UNA工具箱中的间隔度分析工具分析了各地点嘚商店作为经停点的可能性。理想情况下只要对研究范围内所有的建筑物进行两两之间的中介性分析就可以。但因为坎布里奇和萨默维爾市的建筑规模大相径庭而间隔度分析又是以建筑体量作为权重的，也就是说自某处建筑起始的出行量是与这栋建筑的规模成正比的，建筑规模越大的建筑显然会具有更大的出行吞吐量同时为了触及到两座城市的每一个角落，这项分析也不应被局限在目的地的某一个范围内进行但须考虑交通成本作为可达性的衰减系数。理想的间隔度分析假设了出行量与出发地建筑规模成正比规模大的建筑会较规模较小的产生更多的出行。

但实际上完成这样理想的间隔度分析要进行的运算量太大，计算时间太长因此，这里做了一些可行性更强嘚简化规定将路网中所有的交叉点和道路终点作为出发点和目的地，并将距离最近的建筑与这些点在ArcGIS中匹配起来并将匹配到同一个路網节点的建筑的建筑面积相加。将对单个建筑的分析转化到对单个道路节点的分析这样就大大降低了分析中涉及的数据粒度，同时每个噵路节点都还是将连接的建筑总规模GFA作为权重这个简化的空间分析模型的权重总量未变。间隔度分析的可视化地图在图十四中

除此之外，为了将出入坎布里奇和萨默维尔市的出行考虑进来出入两座城市的道路和桥梁也进行了权重。这些权重描述了在过境道路1km范围内串聯起的外围片区面积UNA中的工具“就近设施”（Closest Facility）被用来计算这类权重。为了避免在计算“到达”或是“重力”指标时可能会重复计算权偅距过境道路“中点”1km范围内的城镇面积会被计入权重，以过境道路的中点为圆心辐射出的1km圈也将作为间隔度分析中目的地像这样的“门户”型道路将会释放出较一栋建筑大出许多的出行量。由此可得出的每个商铺的经停量也就是间隔度值（图十四）。

为了把握区域經济特性我们还统计了：区域特征对建筑所处地块内的家庭中等中位数，空置率、出租比以及老年住户比例；道路的宽度和建筑界面前嘚人行道宽度；以及反映包裹可直达的街道数量的包裹类型“中等包裹”直接对应到达的单条街道，“角落包裹”或是“经停包裹”则對应的是两条街道由此类推“端点包裹”就是三块，等等每栋建筑的平面一层则可以作为建筑类型的参考，小地块一般是木质结构的房屋大地快则一般是商业类型或是一层商业的商住公寓。这些变量都将作为回归分析模型中的独立自变量而二元类型的函数值表示的所分析的建筑是否包含零售或是餐饮业态。由此可达性指标、中介性以及经济特性都被有效利用来预测不同位置商业的数量。分析结果洳表2所示

表2中的回归系数即展示的是之前提到的位置信息，经济特性还有其他变量如何解释一栋建筑中进驻有零售业态的概率的。

可達性变量讲了个很有趣的故事到地铁站的可达性与商业进驻显著的正相关（p<0.0001）。控制其他变量一栋周边600m范围内有地铁站的建筑，配套囿零售或是餐饮设施的可能性较没有的建筑多出2%如地铁站在100m范围内，可能性会增至5%零售分布呈现出对地铁站的向心性，大部分的顾客嘟可以借助公交到达尤其是像哈佛广场这样大的集散地。

建筑总楼面面积同样与可达性显著正相关（p<0.001）即零售与餐饮业态的配套会随著周边建筑规模的增长而增长。控制其他变量不变周边建筑密度高（95百分位数）的较密度低（5百分位数）多出3.8%的可能配套有商业。

出乎意料的是居住人口是与可达性负相关的（p<0.0001），即零售与餐饮选址会更为远离居住核心区其他变量不变，建筑周边有大规模居住区的较尛规模居住区配套有商店的概率小2.1%与居住区相邻的影响也仅仅是中等显著而已。

区划可以解释这种反直觉的关系区划倾向于将商店和餐厅放在远离密度居住区的位置，同时人口和岗位的分布并不是完全相互独立的范围内岗位占有的空间越大，留给居住的就越少在对居住规模与其他变量的相关性分析中发现，居住规模的大小与建筑规模显著相关也因此互相抵消了对结果的影响。

居住规模的负效应也鈳能与我们分析中对建筑粒度的细分有关在更为粗粒度的层级，比如从整个普查区域或是邮政区看零售确实会聚集在居民规模更大的區域。总之分析结果明确了较高的地铁站可达性与较大建筑规模这两个有利于提供更多岗位的特性，以及邻近公交站点具备这些条件嘚区位更有可能开设商店。

中介性值与可达性显著相关（t=10.38）这验证了更为通达的道路上会有更多的商业。控制其他变量不变高中介性（95百分位数）区域较低中介性（5百分位数）配套有商业的可能性高出5.88%。这项分析表明区域对零售业的吸引力不仅取决于建筑的可达性，還需要配套有更为通达的道路

剑桥与萨默维尔市的零售分布案例展示了UNA可达性分析指数（尤指重力指数）和中介性工具是如何通过空间汾析模型解释和预测商业选址的。此项回归分析的额外收获是剩余误差有较大负剩余误差值的建筑区位，即模型预测应进驻有商店但实際上并没有的建筑这些误差值可以帮助分析员找到新进驻商业的可能选择；借助较大的正剩余误差则可以查找出在运营环境不太良好的區域开设的商店。

除了这里介绍的可达性矩阵和中介性分析借助量化出发点，目的地和权重的UNA可达性指标和中介性分析工具也可以用来探索商业或是用地分布的规律比如，在依据分析对象进行标定之后可以借助相似方法论研究设计企业的分布规律、金融圈的聚集，或經济适用房分布等等

一览众山小为您提供了软件安装程序与本工具书原文，请后台留言联系我们索取

一、哈佛大学城市网络分析：城市步行和骑行的建模软件与工具书