利用移动信号和机器学习对城市非正规摊贩空间进行分区管理：以武汉为例

《Sustainable Cities and Society》：Zoning Management of Urban Informal Vendor Spaces Using Mobile Signaling and Machine Learning: The Case of Wuhan

本研究基于移动信号数据构建时空人口筛选法，识别武汉市主要城区的摊贩空间分布特征，利用XGBoost和SHAP分析揭示消费者需求、设施密度和交通环境的影响机制，并通过聚类识别敏感区域，提出摊贩选址与管理政策建议。

　　在当代城市发展中，非正式经济活动扮演着越来越重要的角色，尤其是在城市中，这些活动不仅为边缘群体提供了生计机会，也反映了城市发展中的不平等现象。其中，小商贩经济作为非正式经济的重要组成部分，其分布和形成机制的研究对于制定有效的城市空间治理政策具有重要意义。然而，现有的研究往往受到数据和方法的限制，主要依赖于个案研究，缺乏对整个城市层面的系统性调查，这使得制定空间治理政策时容易出现偏差和失败。

本文通过引入移动信号数据，并构建了一种时间-空间-人口筛选方法，成功识别出武汉城市中心区域内的小商贩空间。这一方法突破了传统数据来源和分析方式的局限，使得小商贩空间的识别更加全面和准确。在此基础上，研究进一步利用XGBoost和SHAP算法对小商贩空间的形成机制进行了深入分析，并通过对各种因素的SHAP值进行聚类分析，识别出小商贩空间的敏感区域，从而提出针对性的选址和治理建议。这种数据驱动的分析方法不仅有助于优化城市空间的管理，也为实现可持续的城市发展提供了理论依据。

武汉，作为中国湖北省的省会，被誉为“九省通衢”，是中国经济地理的中心位置。它也是中国内陆最大的水陆空综合交通枢纽，以及长江中游航运中心。根据最新的数据，武汉的总面积约为8,569.15平方公里，2023年常住人口达到1377.4万人，城市区域的地区生产总值为2001.165亿元。其优越的交通条件和庞大的人口规模，使得小商贩经济在这里具有较强的活力和影响力。

研究发现，武汉城市中心区域内的非正式小商贩空间主要形成了两个主要聚集区和四个次要聚集区。这些聚集区与大型社区、学校、体育中心、商业区以及医院等场所密切相关。小商贩的聚集行为往往受到多种因素的影响，其中消费者需求相关的因素具有最高的平均重要性，其次是设施密度相关的因素，最后是交通环境相关的因素。在小商贩空间具有较高吸引力的区域，其休闲设施密度也相对较高，而沿河流湖泊的区域则较少吸引小商贩的设立。此外，研究还识别出了一些之前未被注意到的小商贩分布情况，例如洪山区和江夏区的过渡区域，这些区域代表了小商贩空间管理的潜在发展机会。

小商贩空间的管理政策通常分为三类。第一类政策涉及对小商贩空间的直接清除。城市管理者往往将街头小贩视为城市发展的滞后表现，认为其影响了城市的整体形象。例如，纽约市曾派遣执法部门清理街头小贩空间。第二类政策则倾向于对商业小贩的活动进行规范，并将其纳入城市授权的框架内。这一类政策通常通过划定区域、实施时间限制和优化城市设计，使得非正式小商贩能够在整洁、安全和有序的环境中开展经营活动。第三类政策则是包容性的政策，鼓励小商贩空间的自由发展，而无需进行过多的干预和限制。

尽管已有大量关于小商贩空间的研究成果，但仍然存在一些局限性。首先，小商贩空间的识别过程较为困难，且难以覆盖整个城市区域。小商贩经济具有高度的流动性、灵活性和隐蔽性，这使得传统数据来源和方法在识别小商贩空间时存在较大困难。虽然访谈调查能够提供更为准确的识别结果，但其往往只能反映局部的空间条件，难以全面展示整个城市的小商贩空间分布情况。此外，投诉数据的识别方法虽然可以识别更多的小商贩空间，但由于数据仅来源于负面事件，因此只能识别出存在问题的小商贩空间，而无法识别出符合规范、无明显问题的小商贩空间，导致城市范围内的识别结果存在不完整性。

基于街景图像和深度学习技术的小商贩空间识别方法虽然能够准确识别出小商贩的存在，但由于街景照片的随机性和拍摄时间的不一致性，所识别的小商贩空间可能只是偶然的，无法准确反映小商贩空间在城市中的时空分布情况。此外，由于街景照片仅覆盖城市道路网络，因此识别结果仅限于靠近道路的区域，难以全面反映城市空间的实际情况。

在研究小商贩空间的形成机制时，现有方法往往局限于特定的案例研究，缺乏对整个城市层面的系统性分析。由于小商贩空间的识别方法存在局限，现有研究的选址逻辑主要来源于对街道或街区层面的小商贩空间的分析，而较少从城市整体视角出发，对小商贩空间的选址逻辑和空间分布特征进行系统性研究。这使得政策制定时难以充分考虑小商贩空间的复杂性和多样性，导致治理措施缺乏针对性和有效性。

因此，系统性地识别城市范围内的小商贩空间显得尤为重要。本文提出的时间-空间-人口筛选方法，基于移动信号数据，成功识别出武汉城市中心区域内的小商贩空间。这种方法不仅克服了传统识别方法的局限，还能够全面反映小商贩空间在城市中的时空分布情况。通过XGBoost和SHAP算法对小商贩空间的形成机制进行分析，能够更深入地理解影响小商贩空间的关键因素，并通过对各种因素的SHAP值进行聚类分析，识别出小商贩空间的敏感区域。这种数据驱动的分析方法为小商贩的选址和管理提供了理论依据，帮助政府在不同的区域选择最有效的治理措施，从而实现城市空间的合理利用和可持续发展。

研究发现，小商贩空间的分布具有显著的时空流动性。小商贩通常会根据顾客的流动情况选择其经营地点，例如，非正式街头小贩往往在工作日的上学和放学时段（早上6点至8点、下午5点至7点）聚集在学校周围，而在周末则更多地出现在社区公园和广场。此外，为了应对城市管理与执法行动，小商贩会不断调整其经营空间，依靠非正式的关系网络迁移到相对安全的地点，并选择特定的时间段进行经营活动。这种流动性不仅反映了小商贩对市场变化的快速反应能力，也表明其经营行为与城市空间的动态变化密切相关。

小商贩空间还表现出一定的排他性。小商贩空间与公共空间之间存在冲突，他们通常会设立半固定摊位、人行道摊位和临时聚集点，通过自我建立、附着、叠加和干预等方式占用公共空间。这种冲突的程度与非正式街头小贩的规模和形式以及其具体位置密切相关。此外，小商贩空间内部也存在一定的矛盾，主要源于对销售和存储空间的竞争。这种排他性不仅影响了公共空间的使用效率，也对城市空间的合理规划提出了挑战。

与此同时，小商贩空间也可能带来一定的破坏性。它们会对周围建成环境的质量产生负面影响，具体表现为视觉混乱、占用土地使用周期、视觉障碍、废弃物处理不当以及土地使用性质的转变。这种破坏性不仅影响了城市的整体环境，还可能对居民的生活质量产生一定的影响。因此，如何在促进小商贩经济的同时，减少其对城市空间的负面影响，成为城市治理中的一个重要课题。

在研究方法上，本文提出的时间-空间-人口筛选方法具有显著的优势。首先，该方法能够在同一时间段内识别出城市范围内的小商贩空间，而不仅仅是局部区域。通过分析不同人群的日常活动模式，并采用多层筛选机制，研究能够更准确地识别出小商贩空间的分布情况。其次，这种方法能够全面反映小商贩空间的时空分布特征，为后续的分析和治理提供坚实的数据基础。此外，该方法还能够识别出小商贩空间与城市其他要素之间的相互作用，从而为政策制定提供更加科学的依据。

在分析小商贩空间的形成机制时，本文采用了XGBoost和SHAP算法。XGBoost是一种高效的机器学习算法，能够处理复杂的数据关系，适用于非线性问题的建模和预测。SHAP算法则能够解释各个因素对小商贩空间形成的影响方向，使得研究结果更加透明和可解释。通过将这些算法结合使用，研究不仅能够识别出影响小商贩空间的关键因素，还能够分析这些因素之间的相互作用，从而为政策制定提供更加全面的视角。

此外，本文还对各种因素的SHAP值进行了聚类分析，识别出小商贩空间的敏感区域。这种聚类分析方法能够将不同因素的影响强度进行空间上的归类，从而揭示小商贩空间在不同区域的分布特征和影响机制。通过这一方法，研究能够更精准地识别出小商贩空间的高敏感区域，并提出相应的治理建议。这种基于数据的分析方法不仅提高了研究的科学性和准确性，也为城市空间治理提供了新的思路和方法。

研究结果表明，小商贩空间的分布与城市中的多种要素密切相关。消费者需求是影响小商贩空间形成的关键因素，其重要性远高于其他因素。设施密度和交通环境也对小商贩空间的分布产生重要影响，但其影响程度相对较低。在高吸引力的小商贩空间区域，休闲设施密度通常较高，而在沿河流湖泊的区域，小商贩空间的吸引力则相对较低。此外，研究还发现了一些新的小商贩分布特征，例如洪山区和江夏区的过渡区域，这些区域具有较大的发展潜力，可以作为小商贩空间管理的优先考虑对象。

本文的研究不仅为武汉城市的小商贩空间治理提供了重要的参考，也为其他大城市的类似研究提供了可借鉴的方法和思路。通过引入移动信号数据和构建时间-空间-人口筛选方法，研究突破了传统研究的局限，使得小商贩空间的识别更加全面和准确。通过XGBoost和SHAP算法对小商贩空间的形成机制进行分析，研究能够更深入地理解影响小商贩空间的关键因素，并通过聚类分析方法识别出小商贩空间的敏感区域，从而为政策制定提供更加科学的依据。

此外，本文的研究还强调了数据驱动在城市规划和管理中的重要性。通过利用移动信号数据，研究能够更全面地了解小商贩空间的分布情况和影响机制，为城市空间治理提供新的视角和方法。这种数据驱动的分析方法不仅提高了研究的科学性和准确性，也为实现可持续的城市发展提供了理论支持。在未来的研究中，可以进一步探索如何将这些方法应用于其他城市，以提高城市空间治理的效率和科学性。

研究还指出，小商贩空间的管理政策需要更加灵活和包容。单纯的清除政策往往难以达到预期效果，反而可能对小商贩群体造成较大的负面影响。而通过规范和引导的方式，将小商贩空间纳入城市授权的框架内，可以实现小商贩经济的有序发展，同时减少其对城市空间的负面影响。此外，包容性政策虽然能够促进小商贩经济的自由发展，但需要在政策制定过程中充分考虑其对城市空间的影响，以实现社会公平和城市可持续发展的双重目标。

综上所述，本文的研究为城市小商贩空间的治理提供了新的思路和方法。通过引入移动信号数据和构建时间-空间-人口筛选方法，研究能够更全面地识别出小商贩空间的分布情况，并通过XGBoost和SHAP算法对小商贩空间的形成机制进行深入分析。这种数据驱动的研究方法不仅提高了研究的科学性和准确性，也为城市空间治理提供了理论依据和实践指导。未来的研究可以进一步探索如何将这些方法应用于其他城市，以提高城市空间治理的效率和科学性，实现更加和谐的城市发展。