
我们用大数据画了个圈,发现了城市的新边界
“首都北京,行政面积1.64万平方公里。”
“多大?”
“1.64万平方公里。”
“那是多大?”
比起行政面积,也许出行半径更能描述市民日常实际活动范围。滴滴媒体研究院利用滴滴出行平台订单数据对全国主要城市的出行半径进行“测量”,从一个侧面反映城市究竟有“多大”。
毫不意外的,北京的出行半径最大,31.7公里。也就是说,北京90%的出行订单的起点或终点在距离市中心(天安门)31.7公里的范围内,而从天安门开车到东六环,刚好是30公里。中国城市中,出行半径大于30公里的有4个:北京、上海、深圳和佛山。
全国主要城市出行半径排行
注:“出行半径”:若超过90%的出行起点或终点与城市中心的距离在R公里范围内,则定义城市半径为R(单位:公里),即大多数出行活动的起终点都在城市半径R范围内。
工作在北京东四环外传媒产业园的张扬,两年前把房子买在了南六环,每天开车上班单程需要近一个半小时。
上海的姗姗在市中心的一家日企工作,家住长宁区的她每天要乘地铁上下班,单程三站地,加上走路全程需要近40分钟。
一个城市有多大?看看上班族上下班要花的时间。这是衡量“城市有多大”的另一个维度:通勤。
如上所述的出行半径是一个静态的直线距离,它并不能体现出城市形态、城市规划、拥堵状况等因素。而平均通勤距离和时间则可以帮助我们融合更多的路面信息和生活体验,从而更好地感知一个城市到底有多大。
全国主要城市通勤距离&时间
**“通勤距离&通勤时间”:此处是指根据滴滴出行平台上打车出行数据测算的上下班通勤距离和时间,即工作日06:00-10:00和16:00-21:00期间通过滴滴顺风车和专快车来往于住宅小区和商务楼宇的订单的平均距离及时间,数据统计周期为2017年11月。
令人惊讶的是,广东东莞的平均通勤距离和时间分别为17.3公里和48.5分钟,超过了上海、广州、深圳这些一线城市,仅次于北京。早高峰期间,从东莞住宅区发出的订单中很大一部分会进入了深圳、广州、惠州等周边城市。这便不难理解,为何出行半径并不显著的东莞,会在通勤排行上如此高位。
出行半径、通勤距离&时间前十位
东莞北接广州,南连深圳,毗邻香港,是粤港澳大湾区的重要组成部分,据媒体报道,在东莞凤岗停满大量的粤B牌轿车,早高峰期间人流也几乎全部涌向深圳方向,珠三角一体化程度高,城市间连通性也极高,因而,在地域上仅用“行政区域”来描述生活区域便不够准确,这便引出另一个概念,“城市功能地域”。
四大城市功能地域
城市功能地域,是以24小时为周期的城市工作、居住、教育、商业、娱乐、医疗等功能所波及的范围。它或大于,也或小于本来的城市行政区域,由于如今城市群一体化进程不断加快,一个城市的功能区也很可能与相邻城市连成一片。
上图中呈现的功能地域是中国融合程度最高的四大城市群,以区域一为例,也许你生活在东莞,但每日的工作、娱乐范围,完全可能涵盖深圳、广州等城市。由此可见,在一定程度上,城市功能地域要比城市行政区更能准确描述你在这个城市可能的生活范围。
此时,让我们再回头考虑那个初始问题:“这个城市到底有多大?”,我们便有了一些更加贴合日常生活的数据:出行半径、通勤时间、通勤距离,以及城市功能地域。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12