导读

互联网时代，虚拟网络的普及促成新兴城市空间形成，而“网红空间”作为新型空间的代表，其较高的虚拟热度为探究空间的虚拟与实体双重特性提供了可能。本文借助当前涌现的大数据，运用核密度、空间句法、莫兰指数等分析方法分别探究广州市中心城区内“网红空间”的实体和虚拟热度分布特征，并研究两者与人流热力分布的关联性。研究发现，（1）广州中心城区“网红空间”分布呈现“四主多副”的结构形态，各行政区相互之间以及内部分布均有较大差异，各类型“网红空间”在局部聚类分析中表现出明显不同；（2）“网红空间”更多位于城市尺度分析半径下整合度高的区域，以及步行距离分析半径下选择度更高的区域，其虚拟热度分布也符合这一特征；（3）相较于实体分布，虚拟热度分布更集聚，较不均衡；（4）“网红空间”实体核心分布区域在一定程度上排斥人热力核心分布区域，而虚拟热度转化率较高的“网红空间”距离热力分布核心较近。

作　者| 周喆旻，凌晓红  华南理工大学

关键词

“网红空间”，大数据，虚拟热度，空间句法

引 言

在互联网蓬勃发展的时代背景下，技术的突破和革新加强了互联网通过图文和影音为媒介的传播广度与深度，并为实体社会的经济活动效益发展带来新的机遇与挑战。与此同时，虚拟网络的普及使得城市空间兼受虚拟及物理环境的影响，并促进新型空间与场所的形成。

“网红空间”作为新型空间的代表，成为城市空间运营的热点现象，例如耳熟能详的重庆宽窄巷子，长沙超级文和友，西安大唐不夜城等。然而，较早成为“网红空间”的主体已依靠网络热度获得可观的经济效益，但当初期新鲜感退去，它们的持续经营与发展成为新的挑战。

在此背景下，借助当前涌现的大数据，探索“网红空间”的实体与虚拟热度的双重特性，分析其布局及影响作用，就有较大现实意义。

1 研究现状

近年来，部分学者依据“网红空间”的虚拟特征对其出现的现状、成因、影响以及未来发展的模式进行探究。经济学科对“网红店”关注较多，对于空间的关注多数落在网络热度对线下购买行为带来的影响以及解决途径^[1-2]。旅游学科通常基于“网红景点”或“网红旅游线路”进行研究，对于如何提高网络热度带来的游客的忠诚度有较多研究^[3-4]。新闻与传播学科对“网红城市”较为关注，多从城市政府或宣传媒体的角度探讨“网红城市”发展模式的实现途径和影响^[5]。

而城市学科领域学者则依据“网红空间”实体空间特征，从宏观城市、微观建筑内部空间及外部景观要素设计层面，对其视觉元素、肌理格局、评价方法等进行探索。针对建筑、景观的研究，多采用定性和分类归纳的方式，寻找研究对象的网络热度产生原因，依据提取“网红”元素提出设计策略^[6]。对于城市的研究多采用定量的方式，测度研究对象在城市或更大范围内的空间分布特征，据此提取可能的影响因素^[7-8]。也有部分学者关注到“网红空间”虚实两方面的特征^[7]，但并未将两者对空间实际使用情况产生的影响进行联系。

基于以上分析，本文聚焦“网红空间”的虚实特征，选择广州中心城区作为研究区域，利用抖音短视频平台获取数据，对“网红空间”的实体空间和虚拟热度两方面的分布特征进行研究，并结合热力图对虚实特征的共同作用进行考察，尝试为相关研究提供不同分析视角。

2 研究数据与方法

2.1 研究范围概况

广州是国家重要的国际商贸中心和综合交通枢纽，作为中国四大一线城市之一，其城市水平的高度发展催生其拥有众多“网红打卡地”，如广州塔、长隆欢乐世界、花城广场、永庆坊等经典场所，以及如北京路、东山口、太古仓里等不断涌现的新晋热门空间。由此可见，广州是名副其实的“网红城市”，其吸引相当数量的从全国各地涌来的游客，同时拥有城市内移动意愿更强的当地居民，这样的人流量能为探究“网红空间”的空间使用效果提供足够的样本，为研究的说服力提供支撑。本文选取研究范围为广州中心城区，区域面积约150.7km²，包括荔湾区、越秀区、天河区、海珠区的部分区域。

2.2 数据来源

本文以抖音平台短视频相关数据为对象，搜集广州城市空间相关短视频的打卡数据。通过大数据采集平台“新榜有数——新抖”，获取抖音APP发布至 2023年02月10日的时间段内，具有广州城市空间打卡数据的短视频相关数据，其中打卡量最高的五大类空间分别是：美食、景点、商圈、休闲娱乐、文化。由于美食空间的特殊性，其打卡量与其他空间呈现量级差异，故本文不作讨论。获取四类空间对应短视频的相关信息，共计7139条，每条数据包括“地点名称，具体地址，经度，纬度，一级分类，二级分类，浏览次数，打卡人数（打卡数）”等八类信息。将相关数据进行清洗过滤，最终获得研究区域内有效数据共1012条。将获取信息的经纬坐标转换导入 Arcgis 平台，运用核密度估计分析、莫兰指数分析等方法进行分析。

2.3 空间句法建模及分析

为考察“网红空间”的分布特征，本文还借助空间句法（Space Syntax）对“网红空间”区位特征进行分析^[9-10]，选取线段模型（Segment Map）方法，对广州中心城区进行建模，主要考察标准化选择度（NACH）和标准化整合度（NAIN）两个变量，同时选取500m、1000m、3000m、n四种半径对分析进行限定。

3 分析结果

3.1 “网红空间”实体分布特征

3.1.1 “网红空间”布局核密度特征分析

广州中心城区“网红空间”整体布局呈现“四主多副”的结构形态（图1.a）。四中心为正佳广场、珠江新城、北京路步行街以及上下九步行街附近，核密度值远高于其他副中心；多副中心包括十三行广场、较场西路、会展南三路、东圃大马路、太古仓、富力海珠城、花地大道、金纺路等，呈现连片蔓延的分布形态。

在不同行政区内“网红空间”的分布有较大差异（图1.a）。越秀区内的北京路步行街附近“网红空间”密集且热度较高，形成比较集中的核心区。行政区内其他“网红空间”数量较多且分布相对均匀，使得越秀区内拥有完整成片的高核密度区域。在天河区的城市主轴线上，以黄埔大道为界，形成了两个热度中心。与北京路附近不同的是，这两个中心分别扩散开来，合并成一个具有较高核密度分布的“网红空间”大片区。在荔湾区，珠江成为了“网红空间”分布的分界线，珠江以北，“网红空间”密度和热度均较高，以上下九步行街为核心向外扩散，并与北京路附近区域连成片。珠江以南的“网红空间”分布较零散，且热度远不及珠江以北的区域，无法与珠江以北形成良好的延续。海珠区的“网红空间”数量相对较多，但与其他三个行政区不同，没有形成一个明显的核心区；由于分布密度相对较高形成了五个小的核密度较高区域，也并未围绕虚拟热度较高的“网红空间”生成。广州琶洲会展中心、广交会展馆等部分虚拟热度较高的“网红空间”，位于核密度组团的边缘或之外，表明这些空间的高虚拟热度也并未带动其周边形成更多“网红空间”。

图1 “网红空间”整体布局特征分析

利用空间自相关性工具进行计算，观察空间是否有潜在的集聚性（图1.b）。“网红空间”点的全局空间自相关分析，表明“网红空间”布局有一定的集聚性，但非随机分布，呈现中等程度的正空间自相关关系。一般情况下，适度的集聚可以更有效得满足空间的一些需求，但过度集聚会加剧空间性质分异，会逐渐造成社会资源分布不均等问题。中等程度的集聚表明“网红空间”整体布局是适度集聚的，体现目前整体上“网红空间”分布发展良好。

3.1.2 “网红空间”类型集聚差异分析

结合其他学者的研究经验并考虑到本研究区域整体面积，对本研究区域创建边长为200m*200m的正方形网格，通过局部莫兰指数分析对其局部空间分布特性做进一步研究（图2）。

图2 不同类型“网红空间”虚拟热度局部空间集聚性分析

从总体上看，九成以上的空间单元在局部空间自相关性上呈现不显著特性（图2.f）。在具有显著性的空间单元中，呈现“高高集聚”特性的空间单元占比较大。全部类别的“网红空间”中（图2.a），呈现“高高集聚”特性的空间单元占比在4%以上，主要分布于核密度核心区域。在研究范围内散落少部分“高低集聚”的空间单元，表明这些空间单元对周围出现与自身相似的“网红空间”有排斥性。另外，在天河城市主轴线区域以及北京路附近，大片呈现“高高集聚”特性的空间单元中夹杂部分“低高集聚”特性的空间，体现这些单元不会被周围出现的这些空间影响。

不同类别 “网红空间”的局部集聚特点差异较大。休闲娱乐类“网红空间”与全类别的呈现的局部空间集聚性整体趋势大致相同（图2.b）。“高高集聚”的空间单元在四类空间的分布分析中占比最高，体现休闲娱乐类空间对相似类别空间的聚集有更强的需求。景点类“网红空间”“高高集聚”的空间单元主要分布在荔湾区与越秀与交界处（图2.c）；“高低集聚”的空间单元占比只略少于“高高集聚”的空间单元，且均匀而广泛得分布于中心城区内，几乎没有“低高集聚”特性的空间单元，体现景点类“网红空间”相对独立，有间错分布的需求，对周围出现相近类别的空间有更强的排斥性。商圈类“网红空间”与前两类不同（图2.d），“高高集聚”特性的空间单元分布较广，但不零散，呈现出多个核心，体现商圈类“网红空间”分布相对休闲娱乐类虽均有较强的集聚性，但更易在更大的范围创造多个核心，这样的分布更有利于激活更大范围的城市空间。文化类“网红空间”呈现显著性的空间单元相对最少（图2.e），“高高集聚”与“高低集聚”的空间单元数量几乎相同；“高高集聚”空间单元分布与商圈类相似，同时其“高低集聚”空间单元较多也分布广泛，说明部分文化类空间对周围出现同类空间也有一定的排斥性。

3.1.3 “网红空间”布局与空间组构的关联

对研究范围内NAIN和NACH值进行分析（图3），对“网红空间”在组构中的布局进行探讨。

图3 广州中心城区组构分布与“网红空间”布局的关系分析

从“网红空间”在组构分析中的落位来看（图3），统计分析各参数分别均值位于前10%的单元中的“网红空间”数量和占比（表1），可以发现：

表1 “网红空间”在组构指标核心区域内的占比

在与整合度指标的关系中，有约18% 的“网红空间”位于“NAIN_R3000”前10%的空间单元内。除“NAIN_Rn”外，整合度指标前10%的空间单元内“网红空间”的个数占比随分析半径的缩小逐渐下降。短视频传播形式下的“网红空间”通常通过独特的设计、创意和特色吸引大众的注意力，人们会更倾向于浏览、关注和自己的日常生活有一定距离的空间，而对于不熟悉的空间则更容易通过媒体手段使人产生新奇独特的印象。因此相对于小尺度可达性更好的区域，“网红空间”更易获得拥有大尺度可达性的区域内人群的关注，这在一定程度上表明，不同于普通空间，“网红空间”吸引人群的范围存在一定的“跳跃性”。

在选择度指标的关系中，约有9.8%的“网红空间”位于“NACH_R500”前10%的空间单元内。与整合度指标相反，“网红空间”在其前10%的空间单元内的个数随分析半径的缩小占比逐渐上升。整合度指标衡量的是空间可到达性，即人群主动将该空间作为目的地的情况下，到达该空间的难易程度。而选择度指标衡量的是空间被经过的可能性，即衡量人群在去往其他目的地时，穿越该空间的可能性。因此，“网红空间”更多位于步行距离分析半径内选择度更高的区域中。

另外，对于不同类型的“网红空间”，在这两项指标中表现出的特性与整体是一致的。表明不同类型“网红空间”在该问题上没有明显差异。

3.2 “网红空间”虚拟热度分布特征

3.2.1 虚拟热度布局特征分析

对比点密度分布与虚拟热度的分布，可以发现虽在整体上呈现相似的趋势，但虚拟热度分布核心与周围有更大的差距，分布更不均衡。虚拟热度高的“网红空间”并不一定成为数量分布的核心，零散孤立的高热度“网红空间”并不一定能带动其周边出现更多的“网红空间”。同样的，“网红空间”分布密度高的区域不一定能拥有更高的虚拟热度，虽可能存在分散热度的情况，但若没有几个虚拟热度较高的空间出现，很难靠“网红空间”数量的增加来赢得片区虚拟热度的提高。

图4 “网红空间”分布与虚拟热度分布比较

3.2.2 虚拟热度转化率与组构的关系

图5 “网红空间”转化率核密度与组构的关系

各种不同行动主体在抖音平台发布带有打卡位置信息的短视频，形成位置打卡量数据；这些短视频被不同行动主体主动或被动得浏览，形成视频浏览量数据；部分行动主体在此基础上进行实地实践，形成实体空间使用数据（热力数据等）；部分行动主体因此发布了新的带有打卡位置信息的内容，增加打卡量数据，由此进入新的循环。

本文称打卡人数与浏览人数之比为转化率，可以反应上述循环中浏览视短视频的人数与产生实地打卡行为的人数之间比例关系，在一定程度上，可以表示虚拟热度转化为实际打卡行为的比例，认为该转化率可近似表征“网红空间”的虚拟热度转化为实际热度的比例。

分析虚拟热度转化率核密度分布与组构的关系（图5），发现其与“网红空间”数量分布有相似的结论，即其分布与“NAIN_R3000”、“NACH_R500”更吻合，一定程度上说明“网红空间”倾向于出现在能使其拥有更高转化率的位置。

3.2.3 虚拟热度转化率与“网红空间”实体布局的关系

分析“网红空间”分布与转化率的关系（图6），发现转化率的高低与“网红空间”核密度分布并不同步。除了正佳广场、北京路两大分布密度核心处，转化率同样高外，其他区域没有表现出显著的相关性。

图6 “网红空间”虚拟热度转化率分布分析

虚拟热度转化率有可能与周围高热度的“网红空间”竞争而较低，也有可能被附近高热度空间带动而较高。部分区域“网红空间”密度较大，但转化率却较低。例如与正佳广场同样位于天河区城市主轴线的珠江新城区域，后者数量与密度都略大于前者，但转化率远不及前者。可能由于两者在地理位置和知名度上接近，形成一定的竞争关系，但正佳广场附近以商业大楼为主，而珠江新城附近以办公大楼为主，相比而言前者娱乐性更强，有更多的人群愿意前往并进行打卡。相反的，部分区域“网红空间”密度不大，但转化率较高。例如地铁一号线沿线经过和业广场、新光百货、昆虫王国等，周围没有较高密度的“网红空间”，但自身拥有较高水平的转化率，可能因它们位于永庆坊、北京路步行街之间，两者带来的人气沿地铁线路扩散。

3.3 “网红空间”虚实分布特征与热力分布的关联

3.3.1 实体分布对热力的影响

图7 “网红空间”虚实特性与热力分布的关系

热力核心分布区域在一定程度上避开“网红空间”核心分布区域（图7.a）。本文使用2022年10月23日百度热力图数据进行分析。分析发现，“网红空间”分布较为密集的区域，往往并非热力最高的区域，这可能和多种因素相关。首先是空间限制，一些“网红空间”可能由于场地面积有限导致容纳人数有限，在客观上无法吸引大量人群聚集在该区域内。第二，许多“网红空间”具有时效性，虽然累计的虚拟热度很高，但其本身的吸引力是分时段的，仅在某个时间段有超高的人气，却在累计热力上不占优势，比如各类酒吧。第三，人们的兴趣爱好和消费习惯各不相同，总体而言“网红空间”更倾向于提供新奇的体验，热力最高的往往是更具有实用性和便利性的区域，比如办公楼。

3.3.2 虚拟热度对热力的影响

距离热力分布核心较远的“网红空间”呈现的虚拟热度转化率大多不高，“网红空间”通常会围绕热力较高的区域分布（图7.b）。表明虚拟热度转化率的高低依赖实际热力。转化率体现的是视频浏览量转化为打卡量的能力，虚拟热度转化率与热力的正相关性体现了虚拟世界和实体空间的连接关系，传统观念中，往往只注意到虚拟世界对实体空间的正向影响，实际上，实体空间也会在虚拟世界对应位置的空间中产生影响。这就提示设计者或经营者，虚拟热度可以带来实体空间的热力，但实际热力未达预期或实际热度低于虚拟热度应匹配的值时，很可能对会对虚拟热度产生负面效果，即较小的热力也会拉低虚拟热度，“网红空间”没有抓住虚拟热度高涨时转化为实际热度的机会，就会难以再次在虚拟网络争取到足够的关注度。此时虚拟热度将很难起到吸引实际热度的效果。这表明只有注重留住实际热力的“网红空间”，才能持续将虚拟热度转变为吸引实际热度的积极因素。

4 小  结

本文通过核密度分析法、空间句法、莫兰指数分析等分析方法探究广州市中心城区内“网红空间”的虚拟热度分布特征，以及其实体空间组构特征，并研究两者对于热力的影响作用。研究发现，对于其实体空间分布特征，在广州中心城区其分布呈现“四主多副”的结构形态，各行政区相互之间以及内部分布均有较大差异，各类型“网红空间”在局部聚类分析中表现出明显不同，以及“网红空间”更多位于城市尺度分析半径下整合度高的区域，以及步行距离分析半径下选择度更高的区域；对于虚拟热度分布特征，在组构中的落位与实体空间有相似的规律，但相较于实体分布，虚拟热度分布更集聚，较不均衡；对于“网红空间”虚实特征与热力的关联，其实体核心分布区域在一定程度上排斥热力核心分布区域，而虚拟热度转化率较高的“网红空间”距离热力分布核心较近。

综上所述，对于“网红空间”虚实特性分布的探索，可以反映虚拟网络对当前空间形态和人群行为的影响，一定程度上说明其虚实特性均应被给予重视。“网红空间”作为新型空间，目前学界对其研究较浅，尚未产生统一界定，本文仅为一次初步尝试，后续研究将通过持续的观测，补充多维度虚拟热度数据，结合更多建成环境的实体空间条件，对“网红空间”虚实特征产生的双重影响展开更为深入的研究。

参考文献

[1] 黄耿志,吴康,戴俊骋,等. 奶茶经济的地理学批判与研究议题[J]. 经济地理, 2021, 41(12): 1-11.

[2] 刘冰,张华思,罗超亮. 喜茶“网红店”网络口碑的大数据分析[J]. 广西民族大学学报(哲学社会科学版), 2018, 40(6): 118-126.

[3] 鄢方卫,舒伯阳,赵昕,等. 世俗体验还是精神追求？——消费主义背景下网红打卡旅游的归因研究[J]. 旅游学刊, 2022, 37(6): 94-105.

[4] 柳思如,盛嘉祺,许鑫. 愚园梦忆录：从历史文化街区到网红旅游产品的融合路径[J]. 图书馆论坛, 2020, 40(10): 52-58.

[5] 蒋晓丽,郭旭东. 媒体朝圣与空间芭蕾:“网红目的地”的文化形成[J]. 现代传播(中国传媒大学学报), 2020, 42(10): 12-17.

[6] 李昊,崔国,周详. 互联网时代下城市空间品质提升与特色保护[J]. 景观设计学, 2020, 8(5): 110-119.

[7] 项婧怡,罗震东,张吉玉,等. 移动互联网时代“网红空间”分布特征研究——以杭州市主城区为例[J]. 现代城市研究, 2021, (9): 11-19.

[8] 汪劲柏,穆艳霞,王治元. 互联网时代城市空间运营热点地区的分布与发展特征研究——以上海“网红打卡地”为例[J]. 城市发展研究, 2022, 29(10): 19-26.

[9] 凌晓红. 句法分析视角下的广州中心城区空间形态的演变研究[J]. 动感(生态城市与绿色建筑), 2015, (2): 86-91.

[10] 凌晓红. 历史街巷集体记忆的空间分布特征研究——以广州文德路和北京路为例[J]. 南方建筑, 2017, (5): 61-67.

*本文为2023中国城市规划年会论文