基于数据的特大城市住宅社区洞察，用于情景化的精细化管理

《Habitat International》：Data-driven residential community insight for scenario-based delicacy management in megacities

　　•一种新的InfoBox框架整合了多源城市数据，用于提升住宅社区的治理水平。该框架将静态的社区概况与动态的流动网络相结合。通过对北京2776个住宅社区的三个维度进行聚类分析，识别出了128种独特的社区类型。其中20%的住宅社区通过通勤网络连接着城市中88%的家庭。InfoBox能够根据管理目标自动生成住宅社区的优先级排序。

引言
我们的地球正在经历快速而大规模的城市化进程。全球城市人口比例从1950年的三分之一（联合国，2024年）上升至2023年的56%（约44亿人）（世界银行集团，2023年），预计到2050年这一比例还将上升到三分之二左右（联合国，2024年）。城市化带来了诸多益处，比如基础设施、医疗保健和教育资源的改善，以及生活水平的提高（Gong等人，2012年；Zhao等人，2022年）。然而，前所未有的城市化速度和规模也给生态承载能力带来了巨大压力，导致了环境恶化、资源枯竭以及生物多样性丧失（Hamza & Zetter，1998年；Liu等人，2020年；Seto等人，2012年；联合国，2019年）。这些挑战凸显出需要采取能够支持可持续城市与人类居住区发展的治理方式，同时满足城市居民的多样化需求。

可持续的城市治理既需要高效性，也需要包容性。由于社会经济状况、建成环境特征以及居民偏好存在差异，自上而下的“一刀切”策略往往无法惠及目标群体，甚至可能加剧现有的不平等现象（Chávez & Manaugh，2025年；Coulton等人，2013年；Zhou等人，2022年）。在中国，这种需求体现为“精细化管理”的出现，这是一种旨在提高城市管理精准度和效率的治理方式。它代表着从早期粗放型、扩张型的城市发展模式向更加精准、灵活且以数据为支撑的治理实践的转变（Zhou等人，2023年）。除了其地方政策背景外，“精细化管理”也可被视为与数据驱动的智能可持续城市理念相契合的更广泛的治理范式，这类理念强调利用精细的空间信息来提高资源分配和服务提供的精准度（Bibri，2021年；Wu等人，2022年）。在北京，这一理念通过重视数字治理平台、网格化管理体制以及加强社区层面治理的政策逐步得到制度化（北京市人民政府，2019年）。在这种治理背景下，住宅社区成为分析和干预的重要单位。住宅社区指的是具有明确空间边界且发展条件相对一致的封闭式住宅区域（如小区），它们不同于通常包含多个住宅区域的行政社区。因此，许多政策干预措施都是在住宅社区这一空间单元中实施，并由居民直接体验。中国城市体系中住宅社区与行政社区之间的关系如图S1所示。

然而，在住宅社区层面进行精细治理面临着精确性与操作可行性之间的矛盾。最理想的办法是为每个社区单独设计干预措施，但在拥有数千个在人口构成、住房条件、基础设施以及通勤模式等方面存在巨大差异的住宅社区的大都市中，这种做法并不现实。过高的细化程度可能会带来行政负担、信息过载以及决策碎片化的问题。相反，过于笼统的策略则可能忽视地方需求，降低干预措施的成效。因此，如何在量身定制的干预措施与行政效率之间找到平衡，仍是当代城市治理，尤其是大都市治理面临的核心挑战（Andersson，2015年）。要解决这一挑战，不仅需要识别不同住宅社区之间的差异，还需要确定在特定的治理目标下应优先处理哪些社区。

大量研究试图通过分类和聚类方法来描述城市社区。通过识别具有相似特征的社区并区分那些差异较大的社区，这些研究为差异化管理提供了依据（Fu & Wang，2021年；Gale等人，2016年；Lynge等人，2022年；Lyu等人，2025年；Perez等人，2021年；Song & Knaap，2007年；Wu等人，2014年；Zhang & Wu，2023年），这些研究大致可分为两类（详见补充信息中的表S1）。一类研究注重社会经济差异，利用人口普查和人口统计指标，根据收入、教育水平、年龄或相关社会属性的差异来定义社区类型。例如，英国的“输出区域分类”就将多种人口统计和健康指标整合为全国性的分类体系（Gale等人，2016年），而在全球南方城市中的数据驱动分类则揭示了正规社区与非正规社区之间的差异（Lynge等人，2022年）。中国城市中的类似研究则通过结合社会经济状况与通勤模式，识别出不同的社会空间结构，从而凸显出不平等现象和居住隔离问题（Fu & Wang，2021年；Wu等人，2014年）。另一类研究则聚焦于住房及建成环境特征，探讨空间形态、土地用途和服务可及性如何影响社区间的差异。定量研究表明，城市形态、土地用途构成、服务可及性、住房市场动态以及环境质量共同决定了社区间的差异，并促进了社会分层现象的出现（Baldán Lozano等人，2024年；Cai & Shen，2024年；Li等人，2015年；Lyu等人，2025年；Perez等人，2021年；L. Shen, Zhang等人，2015年；Song & Knaap，2007年）。

基于位置的服务以及城市大数据的快速发展，使得研究人员能够超越传统的基于属性的分类方法，开始纳入人口流动因素。流动数据揭示了人们的日常活动及长期居住地变动如何塑造城市空间，为城市管理提供了重要依据。通勤数据被广泛用于揭示出行时间上的不平等现象，识别极端通勤的空间模式，以及分析工作与居住地分离如何改变社区的社会空间结构（Shi等人，2015年；Zhao & Cao，2020年；Zhao等人，2020年）。非通勤活动，如休闲和消费行为，则被用来识别居民的活动空间与现有服务供给之间的差距，从而为商业和娱乐设施的布局提供参考（Liu等人，2023年；Wang等人，2025年；Zhou等人，2024年）。城市内部的人口迁移数据也被用于检测由社会经济因素或城市更新项目所驱动的居住地变动的空间聚集现象，这些现象对社会融合、经济适用房选址以及城市更新措施具有重要启示意义（Cramer-Greenbaum，2025年；Lai等人，2025年；Lin等人，2025年）。

尽管取得了这些进展，现有研究在支持住宅社区层面精细治理方面的能力仍然有限。首先，大多数基于静态社区属性的社区聚类分析范围较为狭窄，通常只关注社会人口统计特征或住房及建成环境状况，未能全面体现住宅社区的多样性。其次，基于流动性的研究主要用于划分功能区域或描述城市空间结构，较少考虑如何将流动性数据转化为住宅社区层面的治理优先事项。第三，城市分析尚未充分解决如何将社区特征、流动性连通性以及政策目标整合到一个透明的决策支持框架之中的问题。因此，现有方法虽然能够对城市多样性进行有效的描述，但在特定管理场景下确定干预措施的优先顺序、目标选择以及资源分配方面却作用有限。

为弥补现有缺陷，本研究开发了InfoBox这一基于数据且以决策为导向的住宅社区治理框架。InfoBox整合了两类互补的信息。第一类是静态的住宅社区概况，它是通过對住房属性、人口统计特征以及工作生活状况指标的多维度聚类分析得出的。这一部分有助于识别出具有相似居住条件和居民特征的社区群体，从而支持基于分类的管理方式。第二类是动态的流动特征，它来源于人口迁移、通勤以及非通勤网络的数据。这一部分能够展现住宅社区在更广泛的城市体系中的结构作用，区分出那些相对孤立的社区与高度连通的交通枢纽。随后，这两类静态和动态信息通过一个参数化的评分系统得以整合，该系统允许决策者指定治理偏好，进而获得针对特定场景的住宅社区优先级排序。这些排序结果取决于用户设定的偏好和评分规则，不应被视为普遍适用或经过外部验证的治理优先顺序。InfoBox的目的不仅仅是提供描述性的分类，更是帮助决策者在不同的政策场景下确定哪些住宅社区更适合开展有针对性的干预措施。

该框架以中国北京的2776个住宅社区数据为示例进行了演示。作为全球特大城市，北京面临着与其他大城市类似的城市可持续发展挑战。有效的住宅社区治理日益重要，目前已有多项政策举措出台（详见表S2）。此外，北京拥有多种类型的住宅社区，包括传统的胡同、商品房、公共租赁房以及单位宿舍（Huang，2004年；Qin等人，2021年；Y. Shen, Zhang等人，2015年；Zacharias等人，2015年），这为研究住宅社区的差异性提供了良好的案例。基于这一案例，本研究构建了一个综合的多维度住宅社区分析框架，引入流动网络以捕捉社区间的动态关系及潜在影响，并开发了一种以决策为导向的评分框架，将实证城市分析结果转化为针对特定场景的干预优先事项。