前：我们之前的样子
传统规划时代，获取信息主要通过统计年鉴的宏观指标、测绘地形图、实地调查等方式。这类数据主要存在静态化、收集成本高、结构化程度高等缺陷，无法客观准确的表现出现状特征，存在一定的局限性，但在当时却又别无选择。随着时代的发展，伴随着越来越多新生事物或理念的出现，城市的发展与变化一定程度上已经超出了大多数人的认知与把控，传统获取信息和规划编制方法的适用性和严谨性受到严峻挑战。
对比百度词条热搜率发现，在2012年底，“大数据”、“智慧城市”热度超过“城市规划”搜索热度，其中“大数据”的热度呈爆发式增长并持续至今。而“城市规划”热度一直以来较为平稳，但在2016年呈现出明显下滑的趋势。
这是否意味着城市规划领域在新时代新背景下面临着新的挑战和考验，同时我们是否应该考虑顺应发展的趋势做出新的尝试与改变呢？
“城市规划”、“大数据”、“智慧城市”词条搜索热度对比
今：我们现在能做什么？
大数据带来的改变
大数据的出现为城市规划领域带来了巨大改变。其核心优势是能够较为客观准确的反应人的活动和分布规律，这是以往的计算机辅助设计CAD、地理信息系统GIS等工具都不具备的，而同时却恰恰是城市规划重点关注的。
大数据具备动态实时、收集被动化、信息互动性高等优势，使城市规划中静态的物质空间和动态的人的行为结合起来，成为了研究“人”的行为活动的有力工具。相比传统调查数据更具典型性和代表性，能够更加准确的揭示现实规律，同时大大提升了数据获取的工作效率。
相关应用
1、
手机信令数据应用
手机基站检测位置信息
区域职住分布分析
通过信令数据可以较为准确的描绘出个体活动的时空轨迹，在此基础上，可以将个体行为汇聚成群体分布特征，分析人口居住地和岗位地的就业分布行为。中心城区高密度人口区域以和平区为中心，在整个中心城区呈斑块状分布。中北镇、梅江、太阳城等大型外围居住区在人口密度上与中心城区基本处于同一水平。
中心城区高密度岗位区域在和平区、河西区北部及南开区东部呈团块状分布。受产业类型和建筑密度的影响，空港、大寺等外围地区主要就业集中地点，在岗位密度上仍不能与中心城区相比。
中心城区居住地与岗位地人口分布
区域间关联性强度分析
手机数据的高覆盖率使得分析范围不仅仅停留在宏观市域层面，还可以聚焦到更加微观的尺度上，分析区域间的关联强度。例如，中北镇作为中心城区外围大型居住区，除与周边区域通勤联系较强外，与中心城区西部区域联系紧密；空港经济区为典型的中心城区外围岗位集中地，除与周边华明镇通勤联系较强外，与中心城区各地联系均较强；塘沽老城区的居民主要在滨海新区核心区内部就业；泰达开发区除本地就业者占相当大的比重外，仍有相当部分来自中心城区。
典型区域对外出行强度分析
地铁服务范围分析
轨道交通站点的辐射范围并不都是经典的圆形，与站点区位、周边的道路条件、周边的用地形态密切相关，一些中心城区内部站点的接驳范围甚至超过2km。轨道交通接驳以及周边地区的TOD开发应当一站一策，因站而异。
典型地铁车站服务范围分析
商圈服务范围分析
随着以文化中心、大悦城、河东万达等大型综合体为中心的商圈形成，传统商圈单一中心的形态发生变化， 多中心的格局已经确立。
典型商圈服务范围分析
2、共享单车骑行数据研究
骑行分布分析
从出行量上看，外围多处组团地区骑行较为活跃，其中西青区大寺镇地区日均骑行量在外围组团中最高。
外围地区骑行量分布
公交服务空白填补分析
约20%的单车出行起点或终点位于公交服务空白区域，单车很好的满足了公交服务空白区域的出行需求。中心城区“共享单车+公交”服务覆盖人口达98.4%。
共享单车填补公交服务空白区域
轨道交通骑行接驳比例分析
共享单车出现前，非机动车平均接驳轨道交通比例不足4%。共享单车出现后，仅摩拜单车进出站接驳比例均已超过8%。
地铁1号线骑行接驳服务范围
特定事件骑行特征分析
火爆的天津德比：2017年9月23日 水滴足球场，天津泰达VS天津权健。比赛当晚水滴足球场周边骑行量较平时增加约30%。
天津德比水滴周边骑行量变化
全运赛事哪家强：9月4日晚，孙杨与宁泽涛同时登场，场馆周边骑行量达到最高，女性骑行者比例最高。宁泽涛登场决赛，场馆周边平均日骑行量最高，且女性骑行者比例最高。
游泳馆周边骑行量变化及运动员比赛日骑行量对比
地铁车站精准投放分析
借助手机信令数据可准确定位骑行接驳用户单车停放位置。单车主要停放在站点出入口周边空地，各出入口骑行接驳需求呈现不均衡分布的态势，但目前并未做到针对性投放，存在局部出入口周围单车投放过量等问题，造成空间资源浪费，通行受阻。
吴家窑地铁站周边单车使用量和投放量对比
后：对未来思考与改变
困局与突破
2013年大数据概念引入国内以来，国内各行各业对其应用研究也从过热期逐步进入到冷却期，越来越多的人开始重新思考大数据的价值和意义。对于城市规划行业而言，过去的四年大数据应用及创新也取得了诸多成绩，但不少行业人士对目前大数据应用“技术炫耀”、“重研究轻应用”、“全样本仅仅是空想”等的质疑声也从未停息。
目前通过所掌握的数据进行的分析，得到的结果更多的停留在认知层面，确实无法在应用层面为城市规划提供更多帮助，更加无法作为辅助决策的工具，在城市规划的编制过程中对相关方案予以积极的评价和指导。
到底对于城市规划行业大数据技术应用未来如何走向？这是需要在总结成绩的时候深入反思的内容。
大数据发展阶段
城市规划中的新尝试
1、
中心城区人口规模测算
利用手机数据推算中心城区人口规模，从而为区域人口的测算提供一种新的方法。通过测算，中心城区现状人口规模约为559-587万，人口重心整体向西偏移，说明城市发展呈现出东西发展不均衡的现象。
中心城区人口分布
2、社区设施配套分析
通过手机数据与共享单车数据相融合的方法，分析中心城区居住社区的骑行情况。结合城市用地混合度分布可知，骑行比例较高的社区，其区域用地混合度均较高，社区内各类配套设施丰富完善。同时结合已有研究，土地混合度较高的地区，出行距离相对较短，更加适合短距离骑行。该分析可以为评价居住社区设施配套情况提供思路。
骑行社区比例分布及用地混合的对比分析
在此基础上，基于手机数据与互联网地图POI数据关联分析，可进一步分析某社区某类设施的服务配套情况。如梅江地区，利用手机测算现状人口约12万人，通过抓取互联网地图菜市场POI，获得空间数据7个。在此基础上，分析手机用户前往距离其最近菜市场的步行距离和步行时间，可得出富力津门湖社区居民买菜需步行2km以上，步行时间接近30min，一定程度上反应出该社区在菜市场配套方面存在缺陷，有待进一步完善提升。
梅江地区人口及菜市场配套分析
3、慢行活力优势区分析
通过对出租车GPS数据与共享单车数据的关联分析，可以得到早晚高峰时段中心城区骑行速度快于小汽车行驶速度的路段。该类型路段主要在和平区、河西区北部集中成片，形成骑行优势区。
在骑行优势区内，早高峰期间40%的出租车出行的旅行时间比相同起讫点的单车出行旅行时间长。单车骑行更具优势，应进一步改善骑行环境，扩大骑行优势，吸引更多居民骑车出行。该分析可以为城市慢行示范区选取或城市活力区打造提供帮助。
中心城区骑行优势路段分布
结：
对于城市规划来说，大数据能让我们更加清楚市民的诉求，我们甚至可以引导市民来参与城市未来的规划治理。原有蓝图式、扩张型规划逐渐式微，而关注人的需求，面向社区，面向管理，面向存量的新的规划方法论也将呼之欲出。
客观定量的数据能够把复杂的规划思维过程，从原来高度依赖的规划师经验的大脑黑箱里释放出来，使之更加透明，也更加便于统筹。大大加强了规划每一环节的掌控力，让我们的规划更接地气更有底气。
