京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在用户从“接触产品”到“完成核心目标”的全链路中,流失是必然存在的——电商用户可能“浏览商品却未下单”,APP新用户可能“ ...
2026-01-14在产品增长的核心指标体系中,次日留存率是当之无愧的“入门级关键指标”——它直接反映用户对产品的首次体验反馈,是判断产品是 ...
2026-01-14在CDA(Certified Data Analyst)数据分析师的业务实操中,“分类预测”是高频核心需求——比如“预测用户是否会购买商品”“判 ...
2026-01-14在数字化时代,用户的每一次操作——无论是电商平台的“浏览-加购-下单”、APP的“登录-点击-留存”,还是金融产品的“注册-实名 ...
2026-01-13在数据驱动决策的时代,“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据,往往存在 ...
2026-01-13在CDA(Certified Data Analyst)数据分析师的核心能力体系中,“通过数据建立模型、实现预测与归因”是进阶关键——比如“预测 ...
2026-01-13在企业数字化转型过程中,业务模型与数据模型是两大核心支撑体系:业务模型承载“业务应该如何运转”的逻辑,数据模型解决“数据 ...
2026-01-12当前手游市场进入存量竞争时代,“拉新难、留存更难”成为行业普遍痛点。对于手游产品而言,用户留存率不仅直接决定产品的生命周 ...
2026-01-12在CDA(Certified Data Analyst)数据分析师的日常工作中,“挖掘变量间的关联关系”是高频核心需求——比如判断“用户停留时长 ...
2026-01-12在存量竞争时代,用户流失率直接影响企业的营收与市场竞争力。无论是电商、互联网服务还是金融行业,提前精准预测潜在流失用户, ...
2026-01-09在量化投资领域,多因子选股是主流的选股策略之一——其核心逻辑是通过挖掘影响股票未来收益的各类因子(如估值、成长、盈利、流 ...
2026-01-09在CDA(Certified Data Analyst)数据分析师的工作场景中,分类型变量的关联分析是高频需求——例如“用户性别与商品偏好是否相 ...
2026-01-09数据库中的历史数据,是企业运营过程中沉淀的核心资产——包含用户行为轨迹、业务交易记录、产品迭代日志、市场活动效果等多维度 ...
2026-01-08在电商行业竞争日趋激烈的当下,数据已成为驱动业务增长的核心引擎。电商公司的数据分析师,不仅是数据的“解读官”,更是业务的 ...
2026-01-08在数据驱动决策的链路中,统计制图是CDA(Certified Data Analyst)数据分析师将抽象数据转化为直观洞察的关键载体。不同于普通 ...
2026-01-08在主成分分析(PCA)的学习与实践中,“主成分载荷矩阵”和“成分矩阵”是两个高频出现但极易混淆的核心概念。两者均是主成分分 ...
2026-01-07在教学管理、学生成绩分析场景中,成绩分布图是直观呈现成绩分布规律的核心工具——通过图表能快速看出成绩集中区间、高分/低分 ...
2026-01-07在数据分析师的工作闭环中,数据探索与统计分析是连接原始数据与业务洞察的关键环节。CDA(Certified Data Analyst)作为具备专 ...
2026-01-07在数据处理与可视化场景中,将Python分析后的结果导出为Excel文件是高频需求。而通过设置单元格颜色,能让Excel中的数据更具层次 ...
2026-01-06在企业运营、业务监控、数据分析等场景中,指标波动是常态——无论是日营收的突然下滑、用户活跃度的骤升,还是产品故障率的异常 ...
2026-01-06