本文研究公园数据源选择如何影响城市公园可达性分析,以波特兰和布法罗为案例,对比 OpenStreetMap、Trust for Public Land、Esri 与 SafeGraph 四类空间数据,并通过人工核验和15分钟步行网络分析评估公园数量、面积及最近距离。研究发现,不同数据源在完整性、精确度、空间覆盖和公园边界表达方面存在显著差异,导致可达性测算及“服务不足”社区识别结果明显不同;其中 OSM 召回率较高,Esri 精确率较高,TPL 综合表现较强,而 SafeGraph 漏检公园较多、误分类率较高。研究建议分析者明确公园定义,综合使用多个数据源并进行人工验证,以提升城市规划和公平性分析的可靠性。
| 数据源 | 空间特征总数 | 真实公园特征数 | 总面积(km²) | 真实公园面积(km²) |
|---|---|---|---|---|
| OSM | 620 | 451 | 100.02 | 71.59 |
| TPL | 503 | 410 | 87.55 | 67.78 |
| Esri | 359 | 328 | 64.52 | 53.00 |
| SafeGraph | 235 | 189 | 35.27 | 22.69 |
数据表明,OSM 覆盖面积最大,SafeGraph 覆盖面积最小;SafeGraph 漏检公园的问题最为突出。
| 波特兰指标 | 验证综合数据集 | OSM | TPL | Esri | SafeGraph |
|---|---|---|---|---|---|
| 15分钟可达公园数量 | — | 3.30 | 3.23 | 2.46 | 1.55 |
| 15分钟可达公园面积(km²) | — | 0.089 | 0.091 | 0.083 | 0.035 |
| 最近公园距离(km) | — | 0.38 | 0.38 | 0.48 | 0.70 |
| 每1000名居民可达公园数量 | 0.82 | 0.81 | 0.78 | 0.63 | 0.37 |
| 每1000名居民可达公园面积(km²) | 0.0230 | 0.026 | 0.025 | 0.022 | 0.009 |
| 服务不足普查区比例(%) | 57.9 | 60.4 | 64.6 | 72.0 | 87.8 |
| 相对验证数据误分类率(%) | — | 约12—15 | 约12—15 | 约12—15 | 34.8 |
表中数值来自正文对 Table 1 及波特兰分析结果的报告;“—”表示正文未提供对应验证综合值。
| 布法罗指标 | 验证综合数据集 | OSM | TPL | Esri | SafeGraph |
|---|---|---|---|---|---|
| 15分钟可达公园数量 | — | 3.27 | 2.62 | 3.03 | 1.30 |
| 15分钟可达公园面积(km²) | — | 0.091 | 0.092 | 0.085 | 0.022 |
| 最近公园距离(km) | — | 0.41 | 0.45 | 0.44 | 0.82 |
| 每1000名居民可达公园数量 | 0.97 | 1.18 | 0.99 | 0.96 | 0.47 |
| 每1000名居民可达公园面积(km²) | 0.034 | 0.033 | 0.029 | 0.032 | 0.009 |
| 服务不足普查区比例(%) | 62.6 | 约64.8—67.0 | 约64.8—67.0 | 约64.8—67.0 | 87.9 |
| 相对验证数据误分类率(%) | — | 约11—15 | 约11—15 | 约11—15 | 31.9 |
表中数值来自正文对布法罗分析结果的报告;“—”表示正文未提供对应验证综合值。
报告标题:《Choose Your Own Adventure: How Data Source Selection Shapes Urban Accessibility Analyses》(可译为《选择你自己的冒险:数据源选择如何塑造城市可达性分析》)。
作者:Geoff Boeing、Jiyoon Kim、Daniele Simon-Thompson、Jaehyun Ha、Ruoyu Chen。
机构:南加州大学城市规划与空间分析系。
日期:2026年10月。
研究对象:城市公园可达性及其数据源偏差,案例城市为美国俄勒冈州波特兰和纽约州布法罗。报告并非股票或债券研究报告,因此没有传统意义上的投资评级、目标价或财务预测;其核心产出是关于城市规划数据选择、验证和公平性判断的方法论结论。
报告的中心论点是:即使不同数据集都声称代表同一批“公园”,仅仅更换公园数据源,也会显著改变公园数量、可达面积、最近公园距离以及“哪些社区属于服务不足地区”的判断。 研究比较了OpenStreetMap(OSM)、Esri、SafeGraph和The Trust for Public Land(TPL)四个数据源,并通过人工验证和步行网络分析检验其差异。 作者强调,城市可达性分析的偏差不仅来自指标设计或距离计算方式,也来自目的地数据本身的遗漏、误分类、边界错误和空间表达方式。
从政策角度看,报告最重要的警示是:如果分析人员未经验证地使用某一数据源,可能把数据缺失误判为现实中的公园短缺,进而影响公共投资、资源配置和环境公平评估。 SafeGraph是报告中最明显的反面案例,其公园覆盖范围较小,导致两个城市中被判定为“服务不足”的街区比例明显高于经过验证的综合数据集。
报告将公园视为兼具休闲、身体活动、心理健康和社区凝聚功能的城市基础设施。相关文献认为,居民距离公园越近、可进入的公园数量越多、可使用的绿地面积越大,通常越有利于身体活动和心理健康。 因此,公园可达性并不只是地图上的距离问题,也与城市健康、公平和公共资源分配相关。
研究采用了一个相对严格的“公园”定义。公园必须面积至少达到2英亩,以确保其具有支持有意义身体活动和社区使用的空间规模;同时必须至少在部分时间向公众开放;必须位于核心城市的行政边界内;必须属于绿色空间而非完全铺装的篮球场等设施;并且必须是面状空间,而非点或线状对象。 这一定义既是研究的理论标准,也是后续筛选和验证数据的依据。
这里存在一个重要的概念转换:现实中的“公园”并不是天然边界清晰、含义统一的对象。一个自然保护区可能只有一小部分区域可供公众进入,但数据集可能将整个自然区都标记为公园;学校操场可能只在放学或周末开放;医院绿地可能只对访客开放。因此,“公园”既是地理对象,也包含公共开放程度、使用时间和功能属性。
报告讨论了三类常见的公园可达性指标:
报告进一步强调,网络距离比简单的直线距离更接近现实。居民通常不是穿过建筑物或河流直线行走,而是沿道路和步行路径移动,因此研究采用基于街道网络的15分钟步行等时圈。 这使得研究能够将“空间上很近但被道路、河流或其他障碍隔开”的公园,与真正容易到达的公园区别开来。
OSM是众包数据平台,可能包括公园、游乐场、道路中间的草地、自然保护区、森林、狗公园等对象,其中部分对象未必适合公共休闲或身体活动。 Esri的美国公园数据整合了Overture Maps Foundation、OSM、合作伙伴数据以及传感器数据,覆盖自然或半自然公共休闲和保护区域,但其属性字段不足以支持本研究所需的进一步细分。 TPL的ParkServe数据综合地方政府资料和ParkReviewer等众包更新,通常强调公共可进入空间。 SafeGraph则按照“Nature Parks and Other Similar Institutions”等类别筛选,但其空间边界和覆盖完整性在验证中表现较弱。
研究还指出,公园既可以被表示为点,也可以被表示为面。点数据便于计算,但无法体现大型公园的面积、形状、入口和内部布局;即使是面数据,如果仍从质心或任意边界点计算距离,也可能无法准确表示实际入口位置。 本研究选择四个面状数据集,主要是因为需要应用2英亩面积阈值并测量真实边界。
研究选择波特兰和布法罗两个城市,以覆盖不同的城市规模、地区、社会经济状况和人口结构。 每个研究区由核心城市行政边界向外扩展2.4公里,以减少城市边界附近的“周边效应”,并纳入靠近城市边缘居民步行范围内的公园。 布法罗扩展区进入加拿大,但由于跨境步行存在现实限制,研究排除了加拿大一侧的空间对象。
研究排除了Foursquare、Google、HERE、TomTom、Yelp和Mapbox等数据源,原因是它们主要提供点数据,或者点和面混合且格式不一致,难以统一应用面积阈值和边界分析。 这说明数据源选择不仅取决于数据是否“常见”,也取决于其空间结构是否符合研究问题。
四个数据源的具体处理方式不同。TPL和Esri主要按照面积至少2英亩并位于研究区内进行筛选;TPL本身已经排除了私人或受限空间,因此基本符合研究的公共开放标准,而Esri缺乏足够属性字段,无法进行更精细的筛选。 OSM则通过OSMnx提取多组土地利用、边界和休闲标签,包括park、nature_reserve、forest、recreation_ground、sports_centre等。 SafeGraph仅保留SUB_CATEGORY字段中属于“Nature Parks and Other Similar Institutions”的空间对象。
图1展示了从原始数据到最终公园分类的完整流程:先取得各数据源的Raw Data,再经过Filter得到Spatial Features,然后通过空间接近度和名称相似度进行融合,形成Fused Parks,最后由人工Validation将对象区分为“True parks”和“False parks”。图中还显示“False negative”是可能存在但没有出现在任何初始数据源中的公园。
这一流程的关键价值在于,它没有直接把数据集中的每个对象当作真实公园,而是将“数据集认为是什么”与“研究者验证后认为是什么”区分开来。研究后续将未经验证的数据集用于实际可达性比较,同时将两个验证者一致认定为公园的对象组成综合验证数据集。
研究通过空间接近度和名称相似度初步匹配不同数据源中的同一对象,并使用基于Levenshtein距离的模糊字符串匹配;只有名称归一化后相似度达到70以上的候选对象才进入初步融合数据集。 但这一阈值仅用于降低人工检查工作量,并不决定最终实体匹配结果,最终判断仍由两名独立验证者完成。
报告使用三个经典分类指标:
两名验证者还使用Cohen’s kappa衡量一致性。κ=1表示完全一致,κ=0表示没有超出随机水平的一致性,研究将κ达到0.6视为实质性一致。
研究将OSM中所有街道交叉口和道路尽头作为起点节点,而不是仅使用住宅点或人口质心。 作者发现,节点数量与人口和就业数量在普查区层面持续呈正相关,因此认为节点可以近似表示人们可能活动的位置,并且能够覆盖就业密集但居住人口较少的区域。
每个节点均预先计算15分钟步行等时圈,假定步行速度为4.8公里/小时,等价于约1.2公里的平均步行范围,但实际可达区域由街道网络决定。 随后,研究分别计算三个指标:等时圈内的公园数量、等时圈内相交公园的总面积,以及沿真实街道和步行路径到最近公园的距离。
最后,研究将节点结果聚合到普查区层面。公园数量和公园面积以普查区内节点均值表示;城市层面的比较则采用普查区均值的中位数,而最近公园距离采用普查区均值的平均数。 研究还按照最近公园距离超过300米的标准识别“服务不足”普查区,并将各数据源与验证综合数据集进行比较,以计算服务不足比例和误分类比例。
图2使用分组维恩图展示不同数据源之间的空间面积重叠。由于四个数据集无法在单个二维维恩图中清晰呈现,作者按每组三个数据源分别绘图,因此图中的每个面代表某一组三个数据源之间的独有面积、两两重叠面积或三者共同重叠面积。
在波特兰,图中可见OSM的独有面积较大,Esri和SafeGraph的独有面积相对较小;部分区域同时被三个数据源覆盖,但大量面积只出现在一个或两个数据源中。 文中给出的一个具体比较是,Esri、OSM和SafeGraph三者共同覆盖的空间特征面积为17.4平方公里,而Esri独有面积为7.4平方公里、OSM独有面积为27.8平方公里、SafeGraph独有面积为3.2平方公里。 这表明“数据源都在记录公园”并不意味着其空间范围相同。
两个城市合计的初始公园面积排序为:OSM 100.02平方公里、TPL 87.55平方公里、Esri 64.52平方公里、SafeGraph 35.27平方公里。 TPL与OSM在两个城市中的重叠面积最大,波特兰为67.7平方公里,布法罗为7.9平方公里;Esri与SafeGraph重叠最少,波特兰为17.4平方公里,布法罗为2.1平方公里。 因此,OSM表现出较大的覆盖范围和较强的跨数据源重叠能力,而SafeGraph的覆盖范围最小且与其他数据源的重叠最少。
需要注意的是,图2比较的是空间面积重叠,不是经过实体匹配后的公园数量重叠。大型公园边界差异可能造成较大的面积重叠或不重叠,因此不能简单将面积重叠比例等同于数据集准确率。
两名验证者在两个城市总计1710个空间特征中,有1627个达成一致,一致率为95.2%;其中1378个被两人都判定为真实公园,249个被两人都判定为非真实公园,83个对象存在分歧。 波特兰κ为0.868,布法罗κ为0.735,均高于0.6的实质性一致标准,且p<0.001。
这说明人工验证具有较高的重复性,但布法罗的一致性低于波特兰,暗示不同城市的公园类型、边界或公共开放情况可能存在更复杂的判断问题。 研究另外随机抽取波特兰6个普查区和布法罗4个普查区,通过卫星影像和未筛选数据检查是否存在所有数据集都漏掉的公园,但没有发现初始数据收集之外的假阴性公园。 这一结果降低了“所有数据源共同遗漏大量公园”的担忧,但由于检查样本较小,不能证明整个研究区不存在共同遗漏。
在两个城市合计数据中,OSM有620个空间特征,其中451个、共71.59平方公里被验证为真实公园;TPL有503个空间特征,其中410个、共67.78平方公里为真实公园;Esri有359个空间特征,其中328个、共53平方公里为真实公园;SafeGraph有235个空间特征,其中189个、共22.69平方公里为真实公园。
波特兰的结果显示,Esri精确率最高,为0.949,说明其标记为公园的对象中绝大多数确实符合研究定义;TPL为0.836,SafeGraph为0.833,OSM为0.799。 但召回率方面,OSM最高,为0.900,TPL为0.820,Esri为0.621,SafeGraph仅为0.388。 因此,Esri更“谨慎且准确”,而OSM更“广泛且完整”;SafeGraph虽然误报比例不一定最高,但遗漏了大量真实公园。
波特兰F1排序为OSM 0.847、TPL 0.828、Esri 0.751、SafeGraph 0.530。 这说明在综合平衡误报和漏报时,OSM表现最好,TPL紧随其后。
布法罗的精确率排序仍为Esri最高,为0.882,其次是TPL 0.847、SafeGraph 0.815和OSM 0.678。 召回率则为OSM 0.836、TPL 0.782、Esri 0.740和SafeGraph 0.333。 布法罗F1排序变为TPL 0.813、Esri 0.805、OSM 0.749、SafeGraph 0.473。 这表明数据源表现会因城市而异,不能简单宣称某一数据源在所有城市、所有指标下都最优。
表1比较了两个城市中各数据源的三个核心指标,并显示出非常稳定的总体模式:OSM通常报告较高的公园数量和面积可达性,SafeGraph在两个城市中都报告最低的公园可达性。 这一模式与前述数据覆盖和召回率结果一致,说明可达性差异并不是单纯的计算误差,而主要由目的地数据是否完整造成。
在波特兰,15分钟步行范围内的可达公园数量为:OSM 3.30个、TPL 3.23个、Esri 2.46个、SafeGraph 1.55个。 OSM和TPL的结果较为接近,Esri低于前两者,SafeGraph明显最低。
可达公园面积方面,TPL为0.091平方公里,OSM为0.089平方公里,Esri为0.083平方公里,SafeGraph仅为0.035平方公里。 这说明SafeGraph不仅少识别了公园实体,也显著低估了15分钟步行范围内的公园空间规模。
最近公园距离方面,TPL和OSM均为0.38公里,Esri为0.48公里,SafeGraph为0.70公里。 SafeGraph测得的最近公园距离几乎是OSM和TPL的两倍,反映出遗漏附近公园会直接把居民到最近公园的距离人为拉长。
按每1000名居民标准化后,验证综合数据集对应0.82个公园和0.0230平方公里公园面积;OSM为0.81个公园和0.026平方公里,TPL为0.78个公园和0.025平方公里,Esri为0.63个公园和0.022平方公里,SafeGraph仅为0.37个公园和0.009平方公里。 OSM和TPL在数量及面积上最接近验证综合结果,而SafeGraph在两个维度上都明显偏低。
服务不足判断进一步放大了这种差异。验证综合数据集判定57.9%的波特兰普查区服务不足,SafeGraph则判定87.8%,两者之间有34.8%的普查区被误分类。 OSM、TPL和Esri的服务不足比例分别为60.4%、64.6%和72.0%,与验证结果相对接近,误分类率约为12%至15%。 因此,在波特兰,SafeGraph会把大量原本并非服务不足的地区错误识别为服务不足,可能导致规划部门将资源投向并不是真正最缺乏公园的区域。
图3按列展示SafeGraph、OSM、TPL、Esri和全部来源验证综合数据集,按行展示公园数量、公园数量人口标准化、公园面积、公园面积人口标准化以及最近公园距离。
从图面上看,SafeGraph各项指标的空间色阶整体较浅,只有少数局部区域出现较高值;这与其最低的公园数量、面积和最高的最近公园距离相一致。 OSM、TPL和验证综合数据集的空间纹理更丰富,深浅变化范围更大,说明这些数据源能够识别更多不同空间位置的公园供给差异。 验证综合列与OSM、TPL的空间格局总体更接近,而不是与SafeGraph接近。
图3的价值不只是显示城市平均值,而是揭示数据源可能改变具体社区的空间排序。例如,同一片普查区在SafeGraph图中可能显示为浅色,即公园少或距离远,但在验证综合图中可能显示为中深色,意味着SafeGraph的遗漏会制造虚假的局部短缺。 图中五组指标也表明,公园数量与公园面积并不完全等价:某些地区公园数量不多,但由于存在大型公园,面积指标仍然较高。
布法罗的15分钟可达公园数量为:OSM 3.27个、Esri 3.03个、TPL 2.62个、SafeGraph 1.30个。 与波特兰不同,布法罗中Esri的公园数量指标较高,接近OSM,说明数据源之间的相对表现会因城市空间结构和数据覆盖方式而变化。
可达公园面积方面,TPL为0.092平方公里、OSM为0.091平方公里、Esri为0.085平方公里,而SafeGraph为0.022平方公里。 最近公园距离方面,OSM为0.41公里,Esri为0.44公里,TPL为0.45公里,SafeGraph为0.82公里。 由此可见,SafeGraph在布法罗的面积指标约为其他数据源的四分之一,最近公园距离则接近其他数据源的两倍。
人口标准化后,验证综合数据集对应0.97个公园和0.034平方公里公园面积;OSM为1.18个公园和0.033平方公里,TPL为0.99个公园和0.029平方公里,Esri为0.96个公园和0.032平方公里,SafeGraph为0.47个公园和0.009平方公里。 OSM在公园数量上高于验证综合数据集,但在面积上略低;Esri的两个指标都较接近验证结果;SafeGraph仍然在数量和面积两个方面明显偏低。
验证综合数据集将62.6%的布法罗普查区判定为服务不足,SafeGraph则为87.9%,误分类率达到31.9%。 OSM、TPL和Esri的服务不足比例为64.8%至67.0%,误分类率为11%至15%。 这说明SafeGraph造成的偏差不是波特兰个案,而是在两个城市都系统性地将服务不足程度估计得过高。
图4与图3结构相同,展示布法罗不同数据源下的五类可达性指标。 SafeGraph列在数量、人口标准化数量、面积和人口标准化面积四个维度上均呈现较多浅色区域,说明其识别的可达公园供给较少。 OSM、TPL和Esri的空间格局更接近验证综合数据集,尤其是在大型公园或公园集中区域,几个数据源都能显示较高的数量或面积可达性。
图4还显示数量指标和面积指标可能给出不同的空间结论:有些区域可以到达的公园数量较多,但这些公园面积不大;另一些区域可能只有少量公园,却因为存在大型绿地而拥有较高的面积可达性。 这支持作者关于“不能只依赖单一可达性指标”的观点,也说明数据源比较应同时考察数量、面积和距离。
报告最具说服力的部分,是将数据源差异具体转化为规划结论差异。OSM的优势是召回率高,能够覆盖较多真实公园,但其精确率相对较低,可能包括不符合研究定义的草地、道路中间绿地、运动设施或其他非公园空间。 Esri的优势是精确率高,但由于属性字段不足且召回率在波特兰明显低于OSM,使用者可能难以进一步筛选理论上不需要的对象。 TPL在两个城市中的综合表现较稳定,通常在精确率、召回率和F1之间取得较好平衡。 SafeGraph虽然是商业数据源,但其召回率和F1在两个城市均最低,说明价格、商业化程度或“全面覆盖”的市场定位不能自动等同于研究适用性。
研究还揭示了空间表达方式的细微差异。波特兰的Forest Park由许多较小组成公园构成,OSM把它们作为多个空间对象,而Esri和TPL可能将其作为一个大型公园处理。 这会影响公园数量指标,却不一定同样影响总面积指标。TPL有时只记录穿过公园的步道,而其他数据源记录周边完整绿地;SafeGraph则有时把整个公园或运动场错误表示为其中的一栋建筑。 这些问题说明,数据源之间不仅存在“有无公园”的差异,也存在公园边界、实体拆分和几何类型的差异。
报告的主要局限包括:
报告本身也存在一个需要谨慎理解的地方:研究将未经验证的四个原始数据源用于可达性分析,同时将经过验证的综合数据集作为对照。 这种设计能够模拟研究人员实际直接下载数据后进行分析的情况,但由于“验证综合数据集”与原始数据集的处理状态不同,比较结果反映的是现实使用场景中的误差,而不完全是四个数据源在完全相同预处理条件下的纯粹差异。
总体而言,这份研究报告并非要选出一个对所有用途都最优的数据源,而是强调“最优数据源取决于研究问题”。 如果研究重点是尽量不遗漏自然区域和绿色空间,OSM可能具有较高的召回率;如果重点是减少误报,Esri的精确率较有优势;如果希望在两个维度之间取得较均衡结果,TPL表现较稳定;SafeGraph则在本研究两个城市中都因遗漏较多公园而导致可达性被系统性低估。
图2说明四个数据源的空间覆盖并不一致;图3和图4进一步说明,覆盖差异会传导到具体普查区的公园数量、面积和最近距离;表1则将这种空间差异概括为城市层面的可达性差异,尤其体现为SafeGraph显著较低的可达供给和显著较高的服务不足比例。 因此,数据源选择会直接改变规划者对“哪里缺少公园”和“哪些群体没有公平获得公园”的判断。
作者最终主张,城市可达性分析应遵循四项原则:首先,明确研究中的理论对象和操作性定义;其次,选择能够提供必要属性字段和面状边界的数据源;再次,尽可能交叉使用多个数据源;最后,通过人工或经过严格审查的自动化方法进行地面核验。 报告的总体立场可以概括为:不存在天然完美、完全中立、可相互替代的公园数据集,只有与特定研究目的相匹配、经过充分验证的数据方案。
2610.27390.pdf