1.2　大数据看城市

生活在城市里，每个人都在生产数据。这些数据所形成的海量大数据，如果放在地图上，就把城市的美展现在读者面前了。

“民以食为天”，餐饮消费是最普遍、最重要的城市服务消费。大众点评网记录了餐馆的位置和每位消费者的点评。我们仍然以上海为例，把上海划分成一些方格，然后将餐馆定位在每个方格里，再将每个方格里的餐馆数量划分为6个等级，结果如图1.2所示。不出意外，餐馆数量最多的区域主要集中在内环线以内区域，同时像浦西这样的传统市中心的餐饮密度明显高于浦东地区。内环和外环间的餐馆数量也存在着集中连片的格局，但相对内环的规模而言偏低。在外环外的郊区和郊区城镇中心，则呈星星点点状分布。

对消费者而言，服务消费的便利性不仅来自服务业供给的数量，服务的质量和多样性也非常重要。我们用消费者给餐馆的评分来度量质量，同时测量了餐馆菜系品类的多样性。从图1.3中可以看出，无论是餐馆的质量还是多样性，高值区主要集中分布在中心城区，尤其是内环以内。

接下来再看学校、医院、文化服务设施与国有金融机构的空间分布（图1.4），这几种服务都高度集中在中心城区。相对来说，学校和国有金融机构在外环以外的分布也比较多，因为在人口较少的地区这些服务也是日常必需的。(3)

在中心城区，不仅看得见的公共服务集中在此，看不见的公共管理效率也更高。我的团队研究了人口密度与公共管理效率之间的关系。依托大数据，公共管理效率这样难以度量的指标，也可以用数据呈现了。(4)

我们获得了上海市城市运行和管理过程中产生的一个大数据，该数据详细记录了2018年通过12345热线、网站等方式反馈的市民投诉，投诉涉及市容管理、交通管理、环境保护、工商管理等12个大类，占道经营治理、夜间施工治理、违法建筑治理等29个小类。我们用每条投诉从登记到最终处理所花费的时间来度量管理效率。接着，我们做了模型分析，结果显示，在方格层面上，夜间人口密度每增加1%，投诉处理时间缩短约0.15%—0.16%。这表明，常住人口在空间上集聚时，政府的治理半径更小，相关部门的执法距离缩短，从而提升了治理效率。

这又说了回来，城市管理和执法，也是面对面的服务啊！密度高，服务的成本就低了。

总结一下，城市空间结构背后有规律可循。消费者和企业的最优化行为形成了城市空间结构的底层逻辑，政府在规划和提供基础设施、公共服务时，既需要适应市场的逻辑，也需要考虑不同地段的公共服务可达性。在这些逻辑之下，中心城区拥有更高的人口密度，更多、更好、更多样的服务业，以及更多、更好的就业机会。不管是人居住在市中心，还是企业的办公地点在市中心，均可以获得更好的便利性，但同时也要付出更高的房价和租金。

对于居民来说，中心城区的服务业既是就业机会，也是消费场所，这就需要在房价、收入和通勤之间进行权衡。要么居住在市中心，承受更高的房价，享受更多、更便捷的资源；要么远离市中心，节省住房上的费用，付出更多的通勤时间和金钱。这就是我们在这一章开头给大家看的上海居民赶往市中心上班的道理。

当然，还有一个组合，那就是住得远离市中心，就近上班，那就很可能得放弃更高收入的机会。图1.1（c）显示，住在上海外环以外的居民大多属于这一类型。

以上就是在城市内部就业、居住、通勤三者之间的权衡。

我们来看一下上海的人口空间分布。通过手机信令数据的计算，图1.5展示了2019年上海白天人口和夜间人口在1公里边长格网上的空间分布。其中白天人口与就业人口的概念接近，而夜间人口与居住人口的概念接近。从图中来看，上海白天人口主要集聚在内环，而夜间人口则具有较为明显的向外扩散趋势，内环线内的核心区人口分布明显减少，人口主要分布在内环和内外环中间的部分地区，也有部分人口在郊区的新城呈点状分布。

上海只是个例子，大城市的“向心”特征概莫能外。