本次我们给大家带来一篇SCI论文的全文翻译，该论文通过整合手机数据、社交媒体数据和腾讯用户密度数据，显著提升了迷你公园游览性研究的精度，并揭示了开放区域面积、座位设置和周边设施对游览量的显著影响，为高密度地区的城市规划提供了重要参考。

【论文题目】

Using multi-source data to understand the factors affecting mini-park visitation in Yancheng

【题目翻译】

利用多源数据理解盐城迷你公园游览的影响因素

【期刊信息】

Environment and Planning B: Urban Analytics and City Science，Volume 49, Issue 2, February 2022, Pages 754-770.

【作者信息】

Conghui Zhou, 东南大学，中国，conghuizhou@seu.edu.cn

Leshan Fu, 东南大学，中国

Yanwen Xue, 东南大学，中国

Zhijie Wang, 东南大学，中国

Yu Zhang, 中国江苏省城市规划设计研究院，中国

【论文链接】

【关键词】

迷你公园、公园使用、城市绿地、社交媒体、娱乐、城市更新

【摘要】

迷你公园正在成为人口稠密地区户外休闲空间的一种流行形式，这主要是因为小尺寸使得选址比普通公园更容易。然而，关于迷你公园的现有研究有限，因为大多数研究依赖于通过传统调查收集的数据，而传统调查受到空间和时间的严重限制。本研究利用腾讯用户密度数据——一种具有高空间分辨率的时空同步数据——追踪中国盐城市主城区内迷你公园的访问情况，并整合了土地利用、兴趣点、交通、人口统计和房价等数据来衡量公园周围的环境特征。我们通过建立一系列多元线性回归模型，研究了公园的空间和内部属性、周围物理特征和周围社会经济特征等因素如何影响工作日和周末的公园游览量。结果表明，更多的居民人口、更多的周边公共厕所和更大的开放场地促进了迷你公园的游览，而到市中心的距离、周边大型公园和主要道路则阻碍了迷你公园的游览。本研究还发现，周末游览因素的影响比工作日游览因素的影响更为复杂。这些发现可以帮助城市绿地规划者和决策者有效地将迷你公园分配到最有效益的区域。

【前言】

2.1 迷你公园及公园游览的决定因素

迷你公园是指面积小于社区公园最小面积阈值(Nordh et al., 2009) 的公园。迷你公园，也称为袖珍公园，这一概念诞生于二战后的欧洲，旨在将炸弹破坏的场地改造成公园空间 (Faraci, 1967)。20世纪50年代初期，纽约、华盛顿和费城等美国大城市引进了这一理念，在人口稠密的地区创造了近距离的户外休闲机会（Faraci, 1967；Seymour, 1969）。曼哈顿的佩利公园等几个成功案例引起了全世界的关注，促使迷你公园原型得到广泛应用（Bernstein, 2017）。迷你公园作为社区的 “户外客厅”，提供了一个亲密的场所，让邻居们可以建立动态的社会联系 (Armato, 2017)。在城市尺度上，迷你公园是分散的绿色踏脚石，将传统的等级制公园系统扩展到原本无法进入的高密度区域，纠正了休闲资源供需失衡的问题 (Nordh and Østby, 2013)。由于迷你公园易于安装，且在规模化部署时具有较大的累积效应，因此它们经常被应用于当代城市规划中 (Armato, 2017)。例如，中国新修订的《城市绿地分类标准》中引入了迷你公园（中文称“游园”）这一特定的公园亚型，代码为“G14”。它将迷你公园定义为“独立绿地”，其特点是“体积小巧，形状灵活”，为“周边居民提供便捷的户外休闲机会”（中国住房和城乡建设部（MOHURD），2017）。

鉴于土地稀缺和建成环境中休闲需求集中，将迷你公园分配到最有效区域至关重要。游览指数是衡量公园服务效能最常用的工具（Lin et al., 2014；Veitch et al., 2017）。然而，因素类型的多样性和其不同的作用机制使得公园游览成为一个复杂且不确定的过程（Wang et al., 2015；Zhang and Zhou, 2018）。迄今为止，大多数研究表明，空间特征，如距离和规模，对公园访问有显著影响（Koohsari et al., 2015；Schipperijn et al., 2010）。例如，靠近居民的公园通常比距离较远的公园获得更高的游览率（Donahue et al., 2018；Wang et al., 2015）。然而，当两个公园与居民的距离相等时，较大的公园可能会吸引更多游客，因为它拥有更多样化的便利设施、设施和生态物种（Harnik, 2010）。此外，即使考虑了公园规模和距离的影响，位置也被证明会影响公园的游览量：游览率会根据公园距离市中心的距离而有所不同，大多数居民都在市中心通勤 (Plunz et al., 2019)，而市中心或市中心附近的公园往往设计和维护得更好，从而吸引更多游客 (Ibes, 2015；Zhang and Zhou, 2018)。最近的研究开始关注公园周围的街区，除了公园本身，表明内部和外部因素都会影响公园的游览量（Grow et al., 2008；Wang et al., 2015）。内部因素与公园本身有关，包括设施密度、路径密度、植被覆盖率、水景等等（Veitch et al., 2017）。外部因素与公园周围环境有关，可分为物理因素——包括土地利用构成、设施完整性和密度、开发强度、可达性等 (Zhang and Zhou, 2018)——和社会经济因素——包括人口、社区构成、收入等 (Rigolon, 2016)。在现有研究中，较小的公园被证明对外部因素的影响更为敏感（Harnik, 2010；Zhang and Zhou, 2018）。例如，由于其面积有限（中国小于 1 公顷），迷你公园无法提供大型公园提供的服务设施，例如厕所、零售商店、咖啡馆或停车场。因此，周边娱乐设施的完整性和密度在迷你公园的游览中将比大型公园的游览发挥更重要的作用（Gomez 等人，2015）。由于影响迷你公园的因素和作用机制不同于影响大型公园的因素和作用机制，因此有必要探索影响迷你公园游览的独特因素，以便在城市规划中高效、合理地分配迷你公园。

2.2 数据收集工具

由于迷你公园的粒度和分散分布，对迷你公园游览的研究中收集的数据必须满足高精度和广度的标准。传统上，用于衡量公园游览的方法，例如实地观察和社会调查，需要大量的时间、人力和资金 (Chen et al., 2018)。此外，数据的时空范围有限。例如，实地观测只能一次在一个公园进行，或者同时在几个公园进行，这无法满足迷你公园研究所需的样本数量 (Veitch et al., 2017)。此外，虽然社会调查可以生成关于人群参观偏好的详细信息，但它无法完全描述特定公园的参观状况 (Schipperijn et al., 2010)。

如今，遥感技术和移动终端极大地扩展了研究可用的数据来源。最近的研究探索了利用地理空间数据——例如手机的“大数据”或地理定位的社交媒体——来克服传统数据收集方法的局限性（Deville et al., 2014；Hamstead et al., 2018）。例如，移动电话数据和基站信令记录可以用来推断公园游客的空间分布 (Xiao et al., 2019)。来自Panoramio 和 Flickr 的地理参考照片可以用来描述公园属性和游览强度 (Alivand and Hochmair, 2017; Donahue et al., 2018)。此外，来自 Twitter 和微博的地理位置数据，包括用户发布的文本，可以用来追踪游客在特定地点的实时位置和感受（Plunz et al., 2019；Zhang and Zhou, 2018）。通过这些手段，我们可以大规模收集有关游客数量、访问时间甚至游客情绪状态的信息。比较不同类型地理空间数据的特征后，我们发现腾讯用户密度（TUD）数据最适合追踪迷你公园的访问量。TUD 数据记录了腾讯应用程序用户（包括QQ、微信和搜搜地图用户）在移动终端设备上的位置信息。由于腾讯应用覆盖了中国超过 70% 的人口，在大城市覆盖率超过 90%，因此TUD 数据是关于中国城市人口地理信息最可靠的来源 (Yao et al., 2017)。此外，与空间分辨率为 100-300 米的手机数据相比，TUD数据的空间分辨率可达约 25 米，满足了迷你公园研究的精度标准(Chen et al., 2018；Xiao et al., 2019)。我们整合了公园面积、位置和设施数据来衡量公园的空间和内部属性（SIA），并整合了土地利用、兴趣点（POI）、交通、人口统计和房价数据来衡量公园周围的特征。本研究以中国盐城为例，利用这些多源数据，重点研究影响迷你公园游览量的因素。本研究有两个主要目标。第一个是开发一种量化方法，利用多源数据来衡量迷你公园的访问状况及其周边特征。第二个是建立一个分析模型，揭示影响迷你公园访问的主要因素。只有这样，我们才能提出有效建议，为盐城及类似城市未来的决策和迷你公园规划提供参考。

【研究方法】

3.1 案例研究

盐城是一座沿海城市，位于江苏省中部，长江三角洲城市群北翼，总人口827万（2018年）。盐城市区（中心建成区）面积119平方公里2，人口110万。主城区的平均人口密度为 9200 人/km2，而市中心的密度超过 30,000 人/km2，这使得盐城市主城区成为典型的超高密度区域。用于人们日常休闲的公园总面积为 593.2 hm2，包括 17 个综合公园（10 hm2）、22 个社区公园（1–10 hm2）和 54 个迷你公园（

“盐城城市绿地系统总体规划（2017-2030）”更新版将“盐城绿化”列为主要目标之一。为了实现这一目标，该市于2019年启动了一个名为“盐城市城市公园再规划”的具体项目，以指导未来10年城市公园服务的改善。由于盐城人口密度高、土地资源稀缺，该项目将迷你公园开发作为城市绿化核心策略之一。我们的团队受委托进行这项研究，为决策者提供迷你公园规划指南。我们初步选取了 54 个迷你公园作为样本。

图1. 研究区域和城市公园的空间分布。

表S1. 盐城主城区现有主要公园的基本属性。

注： 线性公园没有列出，因为它们与其说是日常娱乐目的地，不如说是将组件与娱乐功能联系起来的渠道。此外，需要门票的主题公园也被排除在日常娱乐公园之外。

3.2 模型构建

回归建模策略。我们收集了多源数据，并建立了一组线性回归模型，以综合比较分析影响盐城迷你公园游览的主要因素和作用机制。我们使用访问次数（NOV）作为因变量，并将自变量聚合为三类：SIA、周围环境的物理特征（PFS）和周围环境的社会经济特征（SFS）。SIA 包含描述公园规模、位置和内部特征的变量；PFS 包含描述当地土地利用、设施和可达性的变量；SFS 包含描述当地人口、社区构成和社会经济状况的变量。

为了研究工作日和周末的迷你公园游览情况，本文分别建立了两个线性回归模型系列。先前研究 (Bertram et al., 2017) 表明，公园游览的构成和休闲模式在工作日和周末可能有所不同，这表明影响这些时间游览的因素和机制可能存在差异。每个系列由四个线性回归模型组成，包括一个基础模型（模型 1）、两个特定模型（模型 2 和模型 3）和一个综合模型（模型 4）。模型 1 包含 SIA 的自变量。模型 2 和模型 3 不仅在模型 1 的基础上构建，还分别包含 PFS 和 SFS 的自变量；它们旨在展示和比较 PFS 和 SFS 变量相对于因变量的特定作用机制。模型 4 包含所有自变量，用于展示三个自变量类别相对于因变量的综合作用机制（表 1）。通过分析每个系列中四个模型的结果，我们可以识别每个自变量类别对迷你公园游览的影响。此外，通过比较工作日和周末模型系列的结果，我们可以揭示影响公园工作日和周末游览的不同因素。

表1 线性回归模型系列。

注意：⭕表示模型中包含该类别中的所有变量

独立变量是根据现有研究初步选定的，然后通过探索性和相关性分析进行缩减。在这个过程中，变量要么被聚合到一个组中，要么被剔除。例如，四个初步的SFS变量，包括儿童人口（60岁），由于高度的多重共线性而被聚合成一个名为“常住人口”的变量。与此同时，对于无法聚合的多重共线性高的变量，例如住宅用地面积和常住人口、商业用地面积和零售设施数量、道路密度和交叉口密度，我们进行了系数比较分析，保留了影响力较强的变量。筛选后，提取了16个独立变量用于建模，包括SIA中的5个变量，PFS中的9个变量和SFS中的2个变量（表2）。因变量和数据来源。我们使用“易行”，一个腾讯公开平台，提供中国实时TUD数据，作为我们访问数据的来源，并创建了一个“网络爬虫”来记录与我们研究区域相关的指定时间间隔和特定空间分辨率（23米）的数据。提取完这些信息后，网络爬虫将其导出为ArcGIS 点 shape 文件，这些文件描绘了一个地理定位网格，其中每个 23m ✖ 23 m 区域的用户数量以对应像素中的值表示（图 2）。为了测试数据的代表性，我们进行了一项初步的实地调查，对样本进行了人工计数，统计每小时公园游客数量。对于大于 1600 m2（约为 TUD 数据三个像素网格）的样本，TUD 数据与我们的计数结果一致率接近 80%。对于 23 米的空间分辨率来说，这是一个可以接受的误差范围，特别是考虑到一些公园游客可能不会使用腾讯应用设备，因此我们得出结论，TUD 数据能够在很大程度上反映这些迷你公园的实时游览情况。然而，对于小于 1600 m2 的样本，两组数据的吻合度要低得多。将此大小的样本纳入我们的分析可能会影响测量结果的准确性，因此我们排除了两个迷你公园样本，它们小于 1600 m2。因此，最终提取了 52 个迷你公园样本，范围从 0.16 到 1 hm2。

表2. 自变量：描述和数据来源。

CBD：中央商务区；YHURDB：盐城市住房和城乡建设局；POI：兴趣点。

为了确保数据的有效性和代表性，我们在中秋节（10月19日至27日）收集了数据，因为根据年度天气和温度模式（表S2），这是户外休闲最舒适的季节。由于我们的初步研究和现场调查表明，盐城公园的大多数游客在午餐后到达，因此我们从13:00到22:00每小时收集了本研究的每日TUD数据。此外，为了最大程度地减少可能改变NOV值的随机因素的干扰，我们使用了在户外休闲高峰时段追踪的平均每小时NOV。在回顾了每个公园每小时TUD数据的变化后，我们发现17:00-19:00是所有公园在工作日和周末追踪到的访问量的峰值点（图S1）。因此，我们计算了 17:00 到 19:00 之间的平均每小时 NOV。

图 2. 城市尺度和样本尺度下 TUD 的时空分布：a) 城市尺度—10 月 21 日 14:00；b) 城市尺度—10 月 21 日 18:00；c) 城市尺度—10 月 21 日 22:00；d) 样本尺度—10 月 21 日 14:00；e) 样本尺度—10 月 21 日 18:00；f) 样本尺度—10 月 21 日 22:00。

图S1. 工作日和周末追踪的平均每小时迷你公园游览量。

表S2. TUD数据收集的日期和气候条件。

我们使用的 TUD 数据总共涵盖八天，包括四个连续工作日（从 10 月 21 日星期一开始到 10 月 24 日星期四）和四个连续周末（10 月 19-20 日和 10 月 26-27 日）。

自变量和数据来源。为了衡量影响公园访问量的内部和外部因素，我们将自变量归纳为两个主要类别：公园属性和周边特征。然而，由于先前研究表明：（1）迷你公园组成部分的构成比大型公园组成部分简单得多，以及（2）迷你公园的访问量对周边特征变化的敏感度更高，因此测量迷你公园属性的变量应简化，而测量迷你公园周围环境的变量应详细说明。因此，我们将周围特征分为PFS和SFS类别。基于我们研究可获取的数据，我们采用三个与休闲相关的变量来衡量迷你公园的内部特征：座椅数量、休闲服务设施覆盖面积和主要开放区域面积。与大型公园设施测量程序（即分别测量每种设施类型）不同，我们对休闲服务设施进行了整体测量，因为设施类型有限（主要是凉亭、零售店和厕所），并且不同迷你公园的设施类型也不同。开放场地测量的基本条件是面积大于 12 m ✖ 12 m，因为在这个尺度上的场地可以支持大多数群体活动和公园内的灵活使用（Forsyth, 2005；Harper, 2009；Marcus and Francis, 1990）。开放式场地是迷你公园的重要组成部分，支持城市中国居民灵活的休闲活动，例如遛狗、广场舞、玩耍等等。公园位置通过到中央商务区 (CBD) 的距离来衡量，我们将其设定为建军路和解放路的交叉口。为了测量公园面积和位置，我们使用了盐城市住房和城乡建设局提供的土地利用数据。使用 Maxar WorldView-2 图像（December 2018）测量了 A-设施和 A-开放场地，该图像的像元大小为 0.59 米，并使用 Google Earth 中的标尺工具。为了考虑透视失真和其他误差，我们使用一系列可以在 AutoCAD 土地利用图中有效测量的物体作为标准，计算了 Google 尺子的平均偏差率（Lei and Tiziani, 1988；Moffet, 2009）。由此得到的平均偏差率被用来校正从谷歌地图所得到的初步结果。我们进行了一项专门的实地调查，以识别每个迷你公园的座位数量，并验证开放区域的边界，这些边界无法从 Maxar 图像中直接看到。我们使用土地利用、道路网络和设施相关数据来衡量PFS 变量。关于设施类型和空间分布的信息来自百度地图的开源 POI 数据。在过滤这些数据后，我们确定了四种可能与公园访问相关的设施类型：公共厕所、零售商店、餐厅和公交车站（图 S2）。公交车站不仅是进入当地迷你公园的主要途径，而且因为集中式自行车停车场（作为支持进入迷你公园的关键设施，未包含在 POI 数据中）在中国城市中大多安装在公交车站附近，因此也被纳入测量范围。

图S2. POI数据的空间分布（百度地图，2019年10月）：（a）公共厕所；（b） 零售商店；（c）餐馆；（d） 公共汽车站。SFS 变量使用关于每个住宅地块的社区人口、社区构成和平均房价的数据进行测量。在当地政府的支持下，我们获得了主城区所有社区的 2018 年人口统计数据，这比街道办的人口统计数据精确得多，街道办是中国城市中的一个行政单位，通常由 5-15 个社区组成。除了每个社区的总人口外，人口统计数据还包括“回归建模策略”部分中提到的四个年龄组的构成信息。我们使用房价数据——即每个住宅地块的平均挂牌价格——来近似收入水平，因为可靠的收入统计数据难以获得。这些数据来自链家，中国最大的租赁中介和房地产经纪公司，其公开网站。先前的研究表明，距离居民住宅步行 5 分钟（300-400 米）以内的公园已融入居民的日常生活(Harnik, 2010; Rioux et al., 2016)。此外，中国的规划指南建议 300 米为迷你公园的最佳服务半径 (MOHURD of China, 2019)。基于这些原因，我们测量了每个公园周围 300 米范围内的大部分周边特征（图 2）。然而，由于周边公园的竞争效应应在服务半径的两倍范围内测量，因此该变量是在每个公园周围 600 米范围内测量的。

【研究结果】

4.1 迷你公园样本的特征

表 3 显示，迷你公园的平均面积为 0.54 hm2，到 CBD 的平均距离为 5.58 公里。平均而言，每个迷你公园有 9.35 个座位、40.23 m2的设施和 607.56 m2的开放场地。就周围的物理特征而言，每个迷你公园周围大约有 1.96 个公共厕所、31.44 家零售店、38.71 家餐厅和 3.00 个公交车站。附近公园的平均总面积为 5.17 hm2，其中综合公园 4.31 hm2，社区公园 0.33 hm2，迷你公园 0.53 hm2。在可达性方面，主干道平均密度（1.47 km/km2）几乎是支线道路（0.46 km/km2）的三倍。在社会经济特征方面，周边人口范围从 0 人到 15,009 人，因为五个样本位于 300 米范围内没有住宅用地的区域（例如商业区）。剔除没有附近房屋的样本，周边房价范围从 6848 元/平方米到 13,276 元。

4.2 模型结果

表4和表5分别显示了工作日和周末模型系列的结果。F值用于检验回归模型。如表4和表5所示，所有模型的结果都是显著的，模型很好地拟合了数据。每个变量的方差膨胀因子（VIF）小于5，每个模型的平均VIF小于3，表明自变量之间没有共线性。对于工作日和周末，与基本模型（模型1）相比，特定模型（模型2和模型3）的R2值明显增加。这表明PFS和SFS变量对因数值的方差有显著贡献。表3. 统计结果

SD：标准偏差；min：最小值；max：最大值；CBD：中央商务区。

表4. 工作日模型系列的结果。

注：VIF：方差通货膨胀系数；NCC：归一化相关系数；CBD：中央商务区；SFS：社会经济环境特征；SIA：空间和内部属性；PFS：周围环境的物理特征。*p

注：VIF：方差通货膨胀系数；NCC：归一化相关系数；SFS：周围环境的社会经济特征；CBD：中央商务区；SIA：空间和内部属性；PFS：周围环境的物理特征。*p

4.3 预测迷你公园游览量的因素

在针对特定和综合模型的平日和周末版本的所有测试中，周围公共厕所数量和居民人口对NOV的值具有积极且显著的影响。这两个变量的标准化相关系数（NCC）在每个模型中最高，其值始终高于0.35。

SIA测试结果表明，除模型4的周末外，开放场地的面积对所有模型的NOV都有积极和显著的影响。在工作日和周末，停车场大小对模型4的NOV都有积极而显著的影响。除工作日模型3外，所有车型与CBD的距离对NOV都有显著的负面影响。PFS变量在模型2和4中进行了测试。周末，周围主要道路密度对模型2和4的NOV有显著的负面影响。工作日，模型2和模型4的周边餐厅数量和周边综合公园面积对NOV有显著的负面影响。此外，仅在周末，周围餐馆的数量对模型2的NOV有负面和显著的影响。在任何测试中，周围支路密度都没有显示出显著的影响，其NCC在所有测试中都小于0.1，表明它对因变量的方差贡献很小。

4.4 工作日和周末的区别

从这些结果中，我们发现影响迷你公园访问量的因素类型和作用机制在工作日和周末之间完全一致。然而，也存在一些细微的差异，可能表明存在不同的影响。例如，周末模型中的所有R2值都低于工作日模型中的对应值，表明周末迷你公园访问量受到更多复杂因素的影响，而这些因素尚未被现有的自变量所测量。周末模型系列中，到 CBD 的距离和主要道路密度对 NOV 方差的贡献大于工作日模型系列；而工作日模型系列中，开放场地面积、公共厕所数量、综合公园面积和周边人口对 NOV 方差的贡献大于周末模型系列。这些发现表明，反映公园可达性或便利性的因素是周末游览量的更强预测指标，而反映流行程度和城市密度的因素是工作日游览量的更强预测指标。

【研究讨论】

5.1 研究方法的贡献

迷你公园研究需要精确性和广度，这挑战了现有数据源的范围。虽然手机数据可以覆盖很大比例的人口并同步记录数据，但其数据分辨率受基站密度限制（Pei et al., 2014；Xiao et al., 2019）。虽然来自 Twitter、Flickr 和微博地理定位社交媒体数据通常相当精确，但它不是时空同步的，其人口覆盖率也相对较低。TUD 数据结合了这两种数据源的优势：它可以达到约 25 米的空间分辨率，这对于大多数迷你公园来说已经足够细致；它实时提供，能够同步收集数据，并且覆盖了中国人口的很大一部分。因此，它满足了研究要求。

为了提高周边特征数据的精度，我们整合了POI数据，以提供关于直接影响公园访问的物理因素类型和机制的背景信息，而不是仅仅使用土地利用数据和容积率（FAR）来概述周边土地功能和开发状况。同样，在盐城市政府的支持下，我们获得了2018年的社区级人口数据，这丰富了我们对周围社会因素的理解。通过这种方式，我们能够设计出一种量化方法，既提高测量结果的准确性，又提高结果的代表性，从而使我们的结论能够有效地为城市规划实践提供信息。为了识别工作日和周末迷你公园访问量的差异，我们收集了连续的四个工作日和四个周末的 NOV 数据，并使用独立的回归模型系列对其进行了测试。这使我们能够 (1) 比较工作日和周末每个因素的影响和作用机制，(2) 比较不同自变量类别的影响，以及 (3) 使结果更易读。在本研究中，我们建立了四个模型，并为每个模型系列考虑了 16 个独立变量。然而，由于建模方法灵活，该工具的未来迭代可以根据需要删除现有的 SIA、PFS 和 SFS 变量并添加新的变量。结合本研究中采用的新数据来源，该模型框架还可以提高对综合公园或社区公园研究的精度和广度。

5.2 规划与设计实践建议

SIA 结果表明，通过优化公园内部特征可以提高公园的游览量。在反映这些特征的三个变量中，开放区域面积是唯一一个具有正向显著影响的变量。在所有工作日模型中，开放区域面积的 NCC 始终高于公园面积的 NCC，这意味着开放区域面积与每日迷你公园的游览量更相关。因此，如果在高密度地区安装迷你公园时，公园面积必须受到限制，确保开放场地有足够的面积可以保留公园的服务能力。在比较了基于其到中央商务区距离的迷你公园组（图S3）之后，我们还发现，公园面积的小幅让步可以使公园更靠近人群，从而提高服务效率。

图S3. 三个集群的迷你公园特征和游览频率的箱线图：（a）到中央商务区的距离；（b） 园区规模；（c） 300米范围内的居民密度；（d）高峰时段追踪访问的强度。关于座位数量的结果，虽然大多数迷你公园的游客使用座位进行间歇性的休息，但该变量的NCC在所有测试中均为负值，且绝对值较低。根据以往研究（Harnik, 2010；Marcus and Francis, 1990）和我们自己的实地调查，迷你公园座位的使用率在很大程度上取决于其位置。具有宽阔视野的场地边缘的座位比具有封闭视野的场地中心的座位使用率高得多。此外，迷你公园的游客更喜欢可移动的座位或非正式且灵活的座位，例如台阶、花坛边或池塘边，而不是固定座位。许多老年人喜欢自带折叠座椅和桌子用于群体活动，例如聊天或玩牌、象棋或麻将 (Zhou et al., 2017)。这些偏好表明，游客更喜欢迷你公园开放场地灵活多变，以便空间可以以多种方式使用。这些发现证明，如果座椅安装不当，它们可能无法帮助甚至会损害迷你公园的游览。显然，迷你公园的运作逻辑与大型公园有所不同。因此，我们的研究可能会产生与以往大型公园研究中获得的规划和设计原则不同的原则 (Wang et al., 2015)。例如，尽管迷你公园和大型公园的游览量都因靠近居民而提高，并因主干道密度而降低，但迷你公园的游览量不受支路密度的显著影响，尽管支路密度能够连接大型公园和潜在用户。由于盐城大多数迷你公园都位于居民区附近，许多街区内的非正式路径也能引导居民前往公园，这可能会降低支路连接和推广效果。因此，规划者应制定替代缓解策略，将居民与迷你公园连接起来。尽管内部设施对大型公园的游览量有显著的积极影响，但由于迷你公园的规模有限且设施类型不一致，它们可能对迷你公园的游览量没有同等的影响。相反，我们发现周边设施在促进或抑制迷你公园游览量方面起着至关重要的作用。例如，周围的公共厕所通过弥补大多数迷你公园缺乏厕所的不足，显著促进了迷你公园的游览。这种周围环境的存在使游客能够在迷你公园中花费更多连续的时间，从而支持在那里进行的主要休闲活动。因此，规划者和决策者在选择迷你公园开发的优先位置时，应考虑附近公共厕所的存在。一个有趣且出乎意料的结果是，在所有测试中，周围餐馆对迷你公园游览量产生了负面影响，并且这种负面影响在所有特定模型和工作日综合模型中都是显著的。与西方城市不同，中国城市的大多数餐饮空间都在室内，这意味着附近的餐厅在高峰时段会留住潜在的迷你公园游客，直到稍晚才释放他们。为了验证这种可能性，额外的研究应该关注周围餐厅的作用机制，以更好地了解它们对迷你公园游览的影响。周边综合公园对迷你公园的访问量也产生了负面影响，这种影响在工作日的特定模型和综合模型中是显著的。这验证了周边公园，特别是大型公园，对迷你公园游览量的潜在竞争效应。这些发现共同表明，迷你公园应分配到周围环境有利于公园访问的区域，避免分配到周围环境阻碍公园访问的区域。对于现有的迷你公园，当无法改变周边社区的土地利用或容积率时，规划者应增加迷你公园内或周围的特定类型设施，以提高迷你公园的服务质量和访问频率。

【研究结论】

本案例研究以盐城市为主体，探讨了影响迷你公园游览的独特因素，为规划实践和相关研究提供了重要见解。TUD 数据克服了传统异步数据源的局限性，因为它足够细致且覆盖范围广，适合迷你公园研究。利用多源数据和回归模型，我们构建了一个专门用于迷你公园游览研究的工具，该工具也可以丰富对大型公园的研究。我们的结果定量验证了先前的定性发现，证实了迷你公园比大型公园更能将休闲资源的供需耦合起来，尤其是在高密度地区，从而在建成环境中实现更高的适应性。此外，我们的研究结果阐明了大型公园和迷你公园的公园访问量受不同因素的影响，为盐城及类似城市未来的公园规划提供了新的指导。

本研究提出了几个需要进一步研究的领域。首先，由于迷你公园的规模较小，内部或外部因素的微小变化可能会对迷你公园游览量产生不可忽略的影响。由于分析技术的精度和完整性限制，我们无法识别所有这些因素。其次，由于数据获取有限，我们无法将周边办公楼的容量纳入我们的因素，尽管这可能会影响公园的访问量。第三，由于盐城大多数社区缺乏年龄相关的变化，以及四个预设变量之间的高度共线性，我们不得不将这些变量合并，从而抹去了周边居民的年龄组属性，限制了SFS分析的细节。第四，TUD 数据的空间分辨率仅能可靠地支持面积大于 0.16 hm2 的迷你公园的游览量测量。这些数据的粒度需要进一步提高，才能测量更小公园的游览量。最后，结果验证了迷你公园与附近大型公园之间可能存在的竞争效应。然而，附近社区公园和迷你公园的交互效应可能比我们的结果预期的更复杂，需要进一步研究。