规划问道
精彩导读
新型冠状病毒肺炎(COVID-19)疫情(以下简称“疫情”)对我国大部分城市正常的生活和生产秩序造成了严重影响[1]。随着疫情逐步受控，安全、快速地恢复城市健康运行已成为当前的首要任务。但由于各地的疫情严重程度和恢复能力各异，城市活力的恢复水平在不同城市间差别巨大。准确评估城市的恢复状况，系统梳理影响因子和影响机制，既有利于在本次疫情中因地施策、因情施策，提高城市的恢复效率，也有助于提升城市韧性[2]，加强对未来类似突发事件的防范和应对，其意义重大。
城市的灾害恢复评估及其影响因子分析，历来是城市规划、经济地理、公共政策[3-6]等领域的研究重点。在灾害恢复评估方面，研究聚焦于刻画时空两个维度的特征。在时间维度上，主要刻画城市经济社会恢复水平的变化轨迹。代表性研究包括查特雷(Chhotray)和费尤(Few)[7]对1999年印度两个不同地区龙卷风灾后恢复情况的跟踪研究，以及卢若曦(音译，Lu)和杜登欣(Dudensing)[8]对美国德州的灾后经济恢复水平进行的评估。在空间维度上，则主要通过构建时空测度指标和框架，揭示不同地区在恢复水平和恢复轨迹上的异质性[9-11]。如吴吉东等[12]对2005年美国卡特琳娜(Katrina)飓风后路易斯安那州不同城市恢复能力的研究，以及该学者等[13]对唐山大地震后京津冀地区各城市恢复能力的差异性评估。总之，上述研究揭示了灾害恢复中客观存在的恢复模式差异性，不同模式遵循不同的演变轨迹和分布特征。
梳理城市灾害恢复的影响因子，并追溯其作用机制，是研究的另一重点。其中，贾(Jha)等[14]和Arup机构[15]分别从经济发展、社会结构、制度建设等方面出发，构建了城市灾害恢复的总体机制框架。许多研究着眼于深入探索一项或多项因子的具体影响和作用机制[4，16]，例如西雅吉安(Siagian)等[17]所开展的印度尼西亚各地的恢复模式与社会脆弱指数(SoVI)之间的关联性分析，以及奥尔德里奇(Aldrich)[18]针对日本2011年大地震后不同地区的恢复差异性进行的驱动因子探索等。上述的研究表明，不同的影响因子在城市恢复中扮演的角色不尽相同，通过计量分析和质性研究相结合的方式，可以对其影响力及影响机制进行有效的剖析。
上述研究工作为本文提供了扎实的理论和实证基础，然而在应对新冠疫情这一突发性公共卫生事件时，相关研究成果仍较为薄弱。现有的研究多针对自然灾害为主的短期爆发性风险，此类风险具有持续时间短、瞬时破坏大的特征，灾害冲击和城市恢复这两个过程在时间上基本不重叠，因而研究往往关注灾后的恢复。反之，新冠疫情的传播及其造成的破坏不仅已持续数月，且可能仍将绵延相当长的时间，这意味着城市必将长时间处于疫情冲击和自身恢复的双重作用之下，因而对于城市恢复水平和模式，探索影响因子及其作用机制的动态评估更为重要，而这一方面的研究工作则相对欠缺。
数据问题是造成上述不足的重要原因。现有研究多使用统计数据和实地调查数据，此类数据一方面时效性相对较差，无法满足疫情期间实时动态监测的需求；另一方面时空精度不足，仅能在一个或多个截面上反映城市的恢复情况，难以实现连续、精确的监测分析。地理信息技术和互联网技术的普及为疫情中开展城市恢复评估提供了新的技术手段，其应用日趋广泛[19]。本文基于百度地图时空大数据，首先采用动态时间规整方法，根据城市活力的恢复曲线识别了城市恢复模式，评估了我国各城市在活力恢复上的时空异质性；而后借助离散选择模型，对城市活力恢复的主要影响因子进行分析，探讨了各因子的作用机制；在此基础上，面向不同城市恢复模式提出针对性的政策建议。本文结论有助于支撑各级政府制定更精准的疫情防控政策，引导城市尽快恢复生产生活，最大限度地减小疫情带来的损失。
1 研究范围、数据与方法
(1) 各城市的城内出行强度数据。
城内出行强度指居民人均有效出行次数的日平均值。数据时间上覆盖了2019年、2020年两年农历除夕至二月初六各36天，以地市为基本统计单元，时间精度为天。城内出行强度越高，意味着城市经济社会活动越活跃，则城市的活力也相对越高。
(2) 全国短期人口流动数据与从武汉输入人口数据。
本文使用由百度地图慧眼提供的2019年8月1日至8月15日研究范围内各城市之间的短期人口流动数据。研究[20-21]表明，两个城市之间的短期流动人口总量与其经济社会联系强度存在较强的相关性，因此短期人口流动数据可用于计算城市在区域城市网络中的中心性。
同时，本文还使用2020年1月10日至1月24日武汉市至各城市的短期流动人口数量，以计算各城市的外部输入风险。
(3) 新冠疫情统计数据。
本文使用的疫情统计数据为开源数据集[22]，由各地卫健委发布数据整理而得，时间跨度为2020年1月24日至2020年2月28日。该数据以天为单位详细列举了研究范围内各城市的疑似、确诊、治愈、死亡4类病例的数量。
(4) 城市医疗设施数据。
本文使用的城市医疗数据[23]由国家人口健康科学数据中心发布，该数据统计了2020年1月21日到2020年2月23日研究范围内各地官方机构公开发布的新型冠状病毒肺炎定点救治医疗机构和发热门诊名录。
1.2 研究方法
本文将动态时间规整算法(Dynamic Time Warping，DTW)与k-means聚类法结合起来，从城市的活力恢复曲线中识别城市的恢复模式。而后借助多变量逻辑斯蒂回归模型(Multinomial Logistic Regression Model)评估各影响因子对城市恢复模式的作用机制。
(1) 基于动态时间规整算法的城市恢复模式聚类。
(1)
最终，两条曲线的最优距离即两个城市在恢复模式上的相似性，可以表述为：
(2)
根据计算结果，借助k-means聚类法[27]对城市进行分类，每一个聚类代表了一种城市活力恢复模式，通过分析各模式的数据特征，可以实现对城市恢复状况的评估。在确定最佳聚类数量方面，本文采用肘部法则(Elbow Method)[28]。
(2) 基于多变量逻辑斯蒂回归模型探索城市恢复模式的影响因子。
▲表1 多变量逻辑斯蒂模型的变量一览
Tab.1 Variables of multinomial logistic model
第一，区域中心性：该因子在疫情背景下的作用具有双重性。一方面，该因子反映了城市在区域城市网络中的地位，其数值越高，反映城市与其他城市的联系越紧密，在区域合作格局中的地位越重要。另一方面，区域中心性越强的城市在疫情传播过程中所面临的外部输入风险也越大。本文使用PageRank算法[30]计算城市中心性。
第二，政府管制强度：该因子反映了政府综合采用各种手段防范疫情在城市内部扩散传播的力度。本文使用研究期间确诊人数的平均增长率来反映这一因子，平均增长率越高，则疫情的潜在风险越大，政府越倾向于采取高强度的疫情管制措施。
第三，医疗服务能力：该因子大致反映了城市医疗设施的承载力，以各城市的人均发热门诊和定点医院占有量来衡量。该值越高，则城市医疗设施可接纳的本地新冠肺炎患者占城市总人口的比例越高。
第四，外部输入风险：既有研究表明，武汉作为疫情发展较早的地区，其输入各城市的流动人口规模对该城市的疫情发展具有一定影响。自武汉流入人口越多，则该城市的外部输入风险越大，城市活力恢复速度受影响的概率也较大。
▲图1 6类城市活力恢复模式的代表曲线
▲表2 各类型的代表性城市
Tab.2 Representative cities of each category
▲表3 各类型城市的地理分布特征和活力恢复模式一览
Tab.3 Geographical distribution and urban vitality recovery models of six types of cities
注：研究共获取全国366个城市的活力恢复数据，但受其他变量数据可获取性的制约，最终研究城市数量为314个。
总体而言，除云南、青海、贵州等省份中区位较为偏远的少数城市外，我国大部分城市正常的生产生活秩序均受到新冠疫情的明显影响。但除湖北省各地市及其他少数城市外，多数城市的活力处在逐步恢复之中，其恢复速率不尽相同。值得注意的是，北京、上海、广州、深圳等国家中心城市的恢复速度相对较慢，不利于其在疫情中和疫情后发挥在我国整体经济社会复苏中的核心带动作用。
使用多变量逻辑斯蒂模型，分析区域中心性、政府管制能力、医疗设施服务能力3个因子对6类城市活力恢复模式的影响，结果如表4和表5所示。其中，湖北省大部分城市所在的类型II活力恢复水平最低，本文将其作为参照类别，以反映各变量在其他类型城市中的相对影响力。
▲表4 模型拟合结果
▲表5 模型计算结果
Tab.5 Results of model calculation
注：(+/-)代表模型系数的正负性。变量显著性：*** 0.001，** 0.01，* 0.05，“.” 0.1。
从结果来看，本文采用的模型通过了豪斯曼(Hausman)检验，表明模型满足无关选择独立性假设(IIA)。麦克法登可决系数为0.174，说明模型具有较好的拟合优度。因此，模型结果具有较好的解释力，可以较为客观地反映各变量对城市活力恢复模式的影响。
从城市的区域中心性来看，相对于类型II城市而言，所有其他类型城市的中心性增强均会导致这些城市成为类型II城市的可能性增加。可见在现阶段，城市的中心性越强，则其受到疫情的影响越大。由于城市中心性具有双重作用，本文的结果表明，城市中心性所带来的负外部效应更强，特别是在全国大部分城市复工水平仍不高的背景下，高区域中心性为城市带来的输入风险要大于短期经济收益。这一发现印证了疫情发生初期对全国人口流动进行高强度管制的正确性，通过降低各城市与其他城市之间的联系强度，整体的收益要大于损失。可以预见，随着疫情逐渐受控和各地生产生活的逐步恢复，区域中心性对城市发展的良性作用将不断增强，而输入风险则会下降。因此，政府应根据疫情的发展情况和各地的恢复水平，逐步放开人口流动管制，积极促进经济复苏和社会复兴。
从政府管制强度来看，除类型I城市外，增强疫情期间城市内部的管控，将会对大部分城市的活力恢复起到抑制作用。在疫情发生初期，严格的城内出行管制无疑最大限度地减少了新冠病毒本地传播的风险，对于疫情控制起到了关键作用。同时，本文分析结果表明，随着疫情得到控制，城市复工、经济复苏的压力增大，逐步放开城内出行管制，将会显著提升城市的活力水平。
医疗服务能力对城市活力恢复模式的影响较小，该变量除了在类型IV城市中在0.1水平上显著外，在其余类型城市中均不显著。这是由于除了疫情最严重的地区外，我国大部分地区的确诊病例普遍较少，未到达医疗设施的极限容量，基本实现了应收尽收、该治尽治，因此医疗设施服务能力对城市活力恢复影响相对较小。这一结果表明，在疫情防控过程中，高效、严格的管制政策至关重要，而提高医疗设施的服务能力主要的功效是长远地提升城市的公共健康水平和疾病防治能力，对于本次疫情的直接影响并不显著。
从外部输入风险来看，疫情早期从武汉输入的流动人口对城市疫情风险的影响相当显著。根据相关研究[31]，该部分人口中潜在患者的比例相对较高，在城市内部引发或加剧疫情传播的可能性相对较大。这表明，我国政府在疫情初期对武汉及湖北其他城市的人口流动实施严格管控，在很大程度上降低了全国的疫情风险，大量研究已证明了上述政策的有效性[32-33]。
本文的核心结论有两点。首先，通过动态时间规整算法和聚类计算表明，我国城市的活力恢复模式大致分为6种，每种模式有其独特的活力变化轨迹，同时其空间分布上呈现明显的异质性特征。其次，多变量逻辑斯蒂回归分析结果显示，区域中心性、政府管制能力、外部输入风险这3项因子对城市活力恢复模式的影响十分显著，而医疗服务能力这一因子的直接影响不显著，其作用更多地体现在基础性支撑上。
据此，对下一阶段我国各地的生产生活恢复工作提出如下建议：一是要在风险可控的前提下，加强引导劳动力从疫情风险较低的地区输入和回流，保障区域中心城市各类产业的人力供应；二要逐步恢复区域中心城市与其他城市的经济社会往来，发挥其龙头带动作用，实现全区域、全产业链的整体复工；三要重点保障必要的城市内部出行，特别是通勤交通，确保各类生产生活要素在城市内外的高效流动；四要继续将城市应急医疗服务水平保持在较高的水平，提高城市应对疫情期间各类不确定风险的能力。
上述研究结果对于理解疫情中城市经济社会发展特征、制定国家和地方经济社会恢复政策具有借鉴意义。然而，本文研究中主要考虑疫情在国内各城市之间的传播，而当前随着国内疫情逐渐得到有效控制，境外输入风险已成为影响我国各城市、特别是国际化门户城市的主要因子。笔者未来将进一步将此因素纳入研究框架，以继续跟踪下一步我国城市的活力恢复模式和机制。
XU Chan，WEN Tianzuo，LIU Siyao. Review on Urban and Regional Resilience Research in China[J]. City Planning Review，2020，44(4):106-120.
[3] BOLIN R. Disasters and Long-Term Recovery Policy: A Focus on Housing and Families[J]. Review of Policy Research，1985，4:709-715.
[4] VALE L，CAMPANELLA T. The Resilient City: How Modern Cities Recover from Disaster[M]. Oxford: Oxford University Press，2005:1.
[5] OLSHANSKY R B. How Do Communities Recover from Disaster? A Review of Current Knowledge and an Agenda for Future Research[C]//Citeseer. Kansas City：46th annual conference of the association of collegiate schools of planning，2005.
[6] JOHNSON L A，OLSHANSKY R B. After Great Disasters: An In-Depth Analysis of How Six Countries Managed Community Recovery[R]. Cambridge: Lincoln Institute of Land Policy Cambridge，2017.
[7] CHHOTRAY V，FEW R. Post-Disaster Recovery and Ongoing Vulnerability: Ten Years after the Super-Cyclone of 1999 in Orissa，India[J]. Global Environment Change，2012，22: 695-702.
[8] LU Ruoxi，DUDENSING R M. Post-Ike Economic Resilience along the Texas Coast[J]. Disasters，2015，39: 493-521.
[9] TOYODA T. Economic Evaluation of the Recovery Process from a Great Disaster in Japan: The Case of Hanshin-Awaji Earthquake[M]//HIRAKI S，ZHANG N. The New Viewpoints and New Solutions of Economic Sciences in the Information Society. Kyushu: Kyushu University Press，2011.
TANG Yandong，YU Xi，LIU Chunping. Theoretical and Empirical Study of the Impact of Wenchuan Earthquake on Economic Growth in Aba Prefecture[J]. Journal of Natural Disasters，2014，23(5): 90-97.
WU Jidong，HAO Xiaolin，LI Ning，et al. Cost-Benefit Analysis of China’s State-Run Natural Disaster Relief System: Methods and Application[J]. Journal of Beijing Normal University(Natural Science) ，2014，50(1): 100-104.
WU Jidong，LI Ning，ZHOU Yang，et al. Disaster Recovery Measurement Framework: An Application Case of Disaster Recovery after Hurricane Katrina[J]. Journal of Natural Disasters，2013，22(4): 58-64.
[13] WU Jidong，LI Ning，XIE Wei，et al. Post-Disaster Recovery and Economic Impact of Catastrophes in China[J]. Earthquake Spectra，2014，30: 1825-1846.
[14] JHA A K，MINER T W，STANTON-GEDDES Z. Building Urban Resilience: Principles，Tools，and Practice[R]. Washington DC: The World Bank，2013.
[15] Arup. City Resilience Framework[R]. London: Arup，2014.
[16] RUFAT S，TATE E，BURTON C G，et al. Social Vulnerability to Floods: Review of Case Studies and Implications for Measurement[J]. International Journal of Disaster Reduction，2015，14: 470-486.
[17] SIAGIAN T H，PURHADI P，SUHARTONO S，et al. Social Vulnerability to Natural Hazards in Indonesia: Driving Factors and Policy Implications[J]. Natural Hazards，2014，70: 1603-1617.
[18] ALDRICH D P. It’s Who You Know: Factors Driving Recovery from Japan’s 11 March 2011 Disaster[J]. Public Administration，2016，94: 399-413.
[20] MONTANARI A，STANISCIA B. From Global to Local: Human Mobility in the Rome Coastal Area in the Context of the Global Economic Crisis[J]. Belgeo，2011: 187-200.
[21] WU Wenjie，WANG Jianghao，DAI Tianshi. The Geography of Cultural Ties and Human Mobility: Big Data in Urban Contexts[J]. Annals of the American Association of Geographers，2016，106(3): 612-630.
[22] LIN I. COVID-19/2019-nCoV Time Series Infection Data Warehouse[Z]. Github，2020.
Institute of Medical Information，Chinese Academy of Medical Sciences. Summary of National COVID-19 Designated Medical Institutions and Fever Clinics[Z]. China National Population Health Science Data Center，2020.
[24] BERNDT D J，CLIFFORD J. Using Dynamic Time Warping to Find Patterns in Time Series[C]//Seattle，KDD workshop，1994: 359-370.
[25] SENIN P. Dynamic time warping algorithm review[R]. Manoa Honolulu: Information and Computer Science Department University of Hawaii at Manoa Honolulu，2008.
[26] MÜLLER M. Dynamic Time Warping[J]. Information retrieval for music and motion，2007: 69-84.
[27] STEINLEY D. K-means Clustering: A Half-century Synthesis[J]. British Journal of Mathematical and Statistical Psychology，2006，59(1): 1-34.
[28] BHOLOWALIA P，KUMAR A. EBK-Means: A Clustering Technique Based on Elbow Method and K-Means in WSN[J]. International Journal of Computer Applications，2014，105(9):17-24.
[29] BÖHNING D. Multinomial Logistic Regression Algorithm[J]. Annals of the institute of Statistical Mathematics. 1992，44(1): 197-200.
[30] PAGE L，BRIN S，MOTWANI R，et al. The PageRank Citation Ranking: Bringing Order to the Web[R]. Stanford: Stanford InfoLab，1999.
[31] GATTO M，BERTUZZO E，MARI L，et al. Spread and Dynamics of the COVID-19 Epidemic in Italy: Effects of Emergency Containment Measures[J]. Proceedings of the National Academy of Sciences，2020，117(19):10484-10491.
[32] LIU Shanlu，LINDA Saif. Emerging Viruses Without Borders: The Wuhan Coronavirus[J]. Viruses，2020，2 (2): 130.
[33] QUN Li，GUAN Xuhua，WU Peng，et al. Early Transmission Dynamics in Wuhan，China，of Novel Coronavirus-Infected Pneumonia[J]. New England Journal of Medicine，2020，382(13):1199-1207.
欢迎在朋友圈转发，转载请在后台留言
新华社记者 程敏 摄
原文始发于微信公众号（城市规划）：【Open Access】城市活力恢复及其影响因子——突发性公共卫生事件情景下的探索
