
不要简单地说大数据可以预测未来
在简练表达“何为城市理想”之后,茅明睿马上向听众直言了城市规划师所直面的“理想与现实”之间的残酷距离。他说,作为一个在规划圈待了十余年的人,这当中体会最深的两对矛盾就是,“理想与谋生需求的冲突,个体认知与上位要求的冲突”。
虽然规划师们始终在尝试运用先进的技术工具和手段,助力规划信息化水平,对接城市居民的切实需求,但是也会经常被人吐槽。尤其是一些技术手段,往往沦为华而不实的一个PPT作为锦上添花的配图工具。
除此以外,茅明睿坦言,虽然城市规划师看似就像握着画笔的画家,基于科学论证挥洒着他们的想象力。但现实中,即便他们也是上要照顾领导,下要养家糊口。一名城市规划师的真实处境,其实是在民众与公权力的夹缝中求生存。
寻求城市理想要接地气,更要转型创新
茅明睿认为,人口红利的逐渐消失,让城市规划逐渐变成一个解决存量问题的工作。另一方面,互联网技术的发展,也在推动规划行业转型创新。比如城市规划领域,有了自己的组织群体,例如BCL、青年规划师联盟、NGO,以及各种在微信上建立的规划群等等。不仅如此,规划行业也在深处变革,比如从以往的垄断数据到现在的开放数据、从以往的IT到现在的DT、从权力到权利的转变……这些都格外引入注目。
而关键的问题也来了:城市规划,到底如何接地气地跟上如今社会转型的需求?茅明睿给出的答案是,规划业务要转型、规划院管理要转型,规划师更要积极自我转型。
他提到,规划院要积极建立云平台,集合数据和规划师组织,做好大数据的获取挖掘与城市研究、汇集集体智慧,同时,在自下而上的社区治理和规划实践中,广泛收集社会意见和建议,形成城市规划的决策动力。
谈及规划师的自我转型,茅明睿表示既要下得去社区,更要玩得转数据。如果现在的规划师还无法运用大数据来辅助甚至引领城市规划,接下来面临的处境很可能是淘汰出局。
城市规划 只聚焦交通大数据你就错了
城市交通与城市规划的关系是密不可分的。不过在茅明睿看来,提到城市规划的时候,公众甚至很多规划师也会首先想到城市交通。但,一个好的城市规划师不只是关注交通,或者是眼下提得更多的交通大数据。
茅明睿表示,在交通大数据上单一地发力,很难在实质上推动城市规划形成好的解决方案。更多时候,交通大数据能提供的基本是一个道路拥堵与否的参考。他认为,真正的城市规划解决方案还需要依托多个城市生活维度的综合考量,深层次定夺方案。
数据的来源应该更多,更广泛。关注的维度应该更多,更立体。
提到大数据,茅明睿认为“感知即参与”,他以北规院举办的“长辛店老镇复兴计划”、积水地图为例,解释了云平台如何利用线上线下的服务实现数据众筹。真正让城市规划云平台充当好完善城市规划与便捷百姓生活的优质角色。
“不要简单地说大数据可以预测未来!”
“未来的城市规划,一定少不了大数据。”这一观点贯穿在茅明睿的整场演讲中。然而,大数据到底如何看待,到底怎么用?茅明睿表示,“不要简单地说,大数据可以预测未来!”
茅明睿表示,北规院在大数据方面也做了很多的研究。在现场,他结合了“利用公共交通刷卡数据分析北京通勤出行情况”、地铁里的灰色人群等丰富案例来解释大数据的相关实际应用。
除此之外,他以顺义、通州为例,展示了“人迹地图”这一城市数据平台功能在人流分析、人群分析、单元画像、城市光谱等方面的案例。
总结时,茅明睿在一再强调,一定不能简单认为大数据拿来了就能预测,要基于原有统计做深植,要通过数据观察现象、提取信息、发现具体规律,这样才能看出城市规划中,具体的公共决策会对这个城市的人群造成什么样的影响。路很漫长,要做的事情还有很多,希望在未来,以数据感知分析为桥梁,“下社区”去实现真正的城市理想。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14