大数据在弹性城市规划中的应用概要.doc

大数据在弹性城市规划中的应用

李婷
MG1436044

摘要：
伴随城市的发展，气候变化、生态过载、能源污染、疾病传播、恐怖袭击等问题冲击着城市的抵抗能力，城市的脆弱性正逐渐成为影响城市可持续发展所面临的重大问题。不同国家也相继展开了关于弹性城市建设的科学问题的研究、相关联盟机构的成立与合作并制定了相关评价指标体系。随着信息化的发展和大数据的广泛应用，数据挖掘与数据分析对于城市问题、城市现象的反映及预测提供了新的思路。其所拥有的政府数据、企业数据以及个人数据对于弹性城市规划及预测的数据分析和模型构建提供了参考价值。本文通过大数据在城市应急、疫情发展、环境变迁、空间定位分析以及基础设施和交通数据等方面的应用，来阐述数据分析与预测对于弹性规划的意义。并认为由于国内各地区自然社会经济差异较大，弹性城市规划应考虑到各地区的发展阶段、社会文化，不同城市应有不同的弹性发展策略。

关键词：弹性城市大数据数据分析

Abstract:
With the development of the city，the problems of climate changes, ecological overloads energy pollutes, disease spreads and terrorist attacks have affected the sustainable development of cities.Different countries have also carried out research on scientific issues of resilient city planning,built Union institutions and made Evaluation index system.With the extensive application of information technology development and big data,Data analysis provides a new way of thinking to urban problems and city phenomenons.Government data, business data and personal data provide a reference value to analysis data and build model.Through the application of big data in urban emergency, epidemic development, environmental changes, spatial orientation analysis and infrastructure and transportation, etc, This paperaims toelaborate data analysis and forecasting for resiliency planning is meaningful.We think because of the different regions of natural, social and economic differences,resilient urban planning should take into account the stage of development of each region and socio-cultural.different cities should have differentstrategie in resilient city planning.
Keywords:
resilient city Big Data Data Analysis

一前言
城市作为复杂的巨系统，在变得越来越强大的同时，也变得越来越脆弱，任何子系统被破坏或不适应新变化，都可能给整个城市带来致命的危机甚至毁灭。气候变化、生态过载、能源环境污染、疾病传播、恐怖袭击和经济结构局部失衡等问题所造成的城市灾害显著地冲击了城市的抵抗能力。如极端气候带来的干旱和洪涝侵扰；重大自然灾害如汶川地震、海地地震和日本福岛海啸带来的城市毁灭；9·11恐怖袭击和SARS等传染病传播带来的社会恐慌；高密度开发及管理不善带来的空间混乱；低效率扩张和长距离运输带来的食物足迹延长等。因此城市如何在重重挑战与危机中，因应各种变化，保持自身的发展活力，就成为一个亟待解决的重要问题[1]。
发达国家面临严峻的脆弱性问题，根据纽约州立大学布法罗分校和加州大学伯克利分校对美国361 个城市的评测，美国 40.2%的城市弹性处于差或极差的状态，其中较为知名的城市包括迈阿密、洛杉矶、亚历山大和奥兰多［1］。由于气候变化的全球效应，使得世界绝大多数城市都可能受到由气候变化所带来的冲击风险。以城市洪水为例，瑞士再保险最新报告对全球 616 个中心城市内 17 亿市民面临的自然灾害风险进行对比，发现水灾威胁的人数超过其他任何冲击，并指出亚洲城市的水灾风险最大[2]。随着我国快速化的进程，在防洪、公共安全、空气污染和暴雪等方面也暴露出了严重的问题，如北京 721水灾( 2012.7) 、青岛输油管爆燃( 2013.12) 、京津冀、长三角灰霾( 2013.12) 和北京延庆 52 年来最大暴雪( 2012.11)[3]。
伴随城市的快速发展、城市综合负载的加大、气候变化等生态环境要素而导致的城市问题等，使得城市的脆弱性正逐渐成为影响甚至制约城市生存和可持续发展的重大科学问题。国外学术界、规划界和政府间组织正在强化对弹性城市或城市韧性的理论认知，启动多项战略性研究示范工作，提出在世界范围内构建弹性城市的倡导[2]。
二、目前研究进展
2.1概念界定
弹性概念最早起源于生态学，由美国学者Hol-ling 提出，随后不同的学科开始介入研究。不同学科的学者均认为，弹性最基本的含义是系统所拥有化解外来冲击、并在危机出现时仍能维持其主要功能运转的能力。不过，不同学科的研究侧重点不同[3]，有的学者强调缓冲力，有的强调灾后恢复的速度[4]。Alberti等将弹性城市定义为：城市一系列结构和过程变化重组之前，所能够吸收与化解变化的能力与程度。弹性联盟(ResilienceAlliance)将弹性城市定义为：城市或城市系统能够消化并吸收外界干扰，并保持原有主要特征、结构和关键功能的能力[5]。但实际上弹性城市不仅包括城市系统能够调整自己，应对各种消极的不确定性和突然袭击的能力，还包括能将那些积极的机遇有效转化为资本的能力[6]。
2.2弹性城市的评价指标研究与实践
目前世界范围内关于城市弹性的评价指标研究与实践有以下几个类型[2]：
2.2.1弹性城市指标体系
联合国减灾署于2012 年确定了该指标体系，构建了“让城市更具韧性十大指标体系”，主要包括制定减轻灾害风险预算、维护更新并向公众公开城市抗灾能力数据、维护应急基础设施、评估校舍和医疗场所的安全性能、确保学校和社区开设减轻灾害风险的教育培训等指标。纽曼基于该指标，与此对应提出了通向弹性城市的十项战略步骤[7]。
2.2.2弹性能力指数(Resilience Capacity Index;RCI)
为了应对未来挑战，而测量区域的弹性( 韧性) ，由纽约州立大学布法罗分校区域研究所开发了弹性能力指数(Resilience Capacity Index;RCI)，共计12 项指标，分为三个维度，( 1) 区域经济属性：收入公平程度、经济多元化程度、区域生活成本可负担程度、企业经营环境情况；( 2) 社会—人口属性：居民教育程度、有工作能力者比例、脱贫程度、健康保险普及率； ( 3) 社区联通性) ：公民社会发育程度、大都会区稳定性、住房拥有率、居民投票率。加州大学伯克利分校应用该指标体系，对美国 361个城市的城区进行评估，识别出了不同弹性等级的城市。
2.2.3弹性城市全球化标准指标
由多伦多大学世界城市指标 facility牵头，多伦多大学前市长、荷兰鹿特丹市景观设计团队、加拿大安大略省旺市市长和日立集团智慧城市事业部等参加，正在讨论构建一个与 ISO 框架相符合的，全球通用的弹性城市全球化的标准指标( GloballyStandardized Indicators for Ｒesilient Cities)[8]。
2.2.4基于设计的弹性城市指标体系
由英国工程与自然研究理事会( EPSＲC) 资助的未来城市项目( Urban Futueres projects) 由伯明翰大学、艾克赛特大学、兰卡斯特大学、伯明翰城市大学和考文垂大学参与，开发了能够帮助参与者实现对设计 schemes 弹性的测试[9]。James David Hale、Jon Sadler基于生态学的弹性解决方法来探究城市的再生路径。他们设计的气候变化弹性指数是基于技术标准，主要包括水系统的供应能力、污水和固废服务的覆盖率、水涝发生概率、基层组织在税收征缴和解决客户投诉方面的能力，上游流域森林砍伐面积大小，家庭自来水分配和公众参与规划决策的机制等。
2.2.5应对气候变化弹性指标体系
该指标体系源于国际组织牵头的城市应对气候变化的弹性评价项目。作为亚洲城市应对气候变化弹性网络项目( Asian Cities Climate Change ＲesilienceNetwork; ACCCＲN) 的重要组成部分，亚洲 10 个城市( 参与的城市主要来自于印度、印度尼西亚、泰国和越南) 于2012 年发起了先锋型应对气候变化弹性指标( climate change resilience indicator)，应用该指标来帮助当地政府和非政府组织来设计和实施对策以应对气候变化给城市带来的影响，该指标体系由美国社会和环境转型研究所( Social and EnvironmentalTransition; ISET) 来设计，基于定量和非定量因素的考虑，体系将包括近40 项指标，该指标体系定位能够在亚洲和其他地区的城市政府之间具有可复制性，但目前尚未发布该指标体系。在此之前，联合国开发署于2010 年11 月在阿拉伯启动了气候变化弹性能力建设行动计划 ( Arab Climate Ｒesilience Initiative ACＲI)，但目前主要是从应对气候变化的要素角度( 水资源短缺和干旱、荒漠化、海平面上升和海岸侵蚀、可持续能源供应) ，不定期召开国际性研讨会，交流政策、技术方面的先进经验，尚未编制适合阿拉伯地区的弹性评价体系。

三大数据的特征、前景
3.1大数据的含义
“大数据”(Big Data) 是一个庞大的概念集合，用以指代各种规模巨大到无法通过手工处理来分析解读信息的海量数据。大数据的出现以及数据获取与分析技术的发展，为城市的发展以及应对旧问题、新挑战带来了新的思维变革[10]。由于数据获取设备的日趋廉价，加之数据存储和处理能力的极大提高，全球数据的增长量巨大，据测算，全球每两天产生的数据量大于人类有史以来至 2003年所产生的数据量[11]。在很短的时间内，人类从一个数据缺乏且昂贵的时代，跨入了数据极为丰富的时代。2009 年，“大数据”的说法逐渐开始在互联网传播。2011 年 5 月，麦肯锡咨询公司在第 11 届 EMC World年会上首次提出“大数据”的概念[12]。2012 年 3 月，美国开始实施“大数据研究和开发计划”(Big Data Research and Development Initiative)，推动大数据的全面应用。2012 年 5 月，联合国发布了《大数据带来的挑战和机遇》白皮书。这些都标志着人类社会进入了大数据时代[13]。
迈尔·舍恩伯格等人认为这些变革主要体现在3个方面：①不是随机样本，而是全体数据；②不是精确性，而是混杂性；③不是因果关系，而是相关关系[14]，概括而言，即大数据具有的“3V”特点—数量(Volume)、类别(Variety)和速度(Velocity)。正是由于具有这些特点，大数据与传统的小数据有很大的区别，以至于大数据很难用普通的计算机硬件、软件来处理，而是必须采用网格式的服务器、平行式的软件和分割的数据处理方式。
大数据不仅对信息行业产生了显著的影响，还逐渐对交通、医疗、教育和安全等方面产生了广泛的影响。大数据中有很多带有空间属性的数据集，为城市规划发展带来诸多潜在机遇[15]，也为城市应对气候变化、生态过载、能源环境污染、疾病传播、恐怖袭击和经济结构局部失衡等问题提供了及时的信息支撑和解决问题的思路转变。
3.2数据来源
大数据的分类主要可以分为三类：
（1） 政府公开数据
政府各个部门都握有构成社会基础的原始数据。主要涉及经济、交通、基础设施、公共设施、服务业、环境保护等方面的内容，随着智慧城市进一步发展，智能电网、智慧交通、智慧医疗、智慧环保的建设，政府部门将会拥有更多有价值的数据。这些数据本身的挖掘以及数据之间的关联，将会给城市的科学规划、智能管理提供更具科学的建议。
医疗行业早就遇到了海量数据和非结构化数据的挑战，而近年来很多国家都在积极推进医疗信息化发展，这使得很多医疗机构有资金来做大数据分析。因此，医疗行业将和银行、电信、保险等行业一起首先迈入大数据时代。麦肯锡报告中指出，排除体制障碍，大数据分析可以帮助美国的医疗服务业一年创造 3000 亿美元的附加价值。涉及医疗服务业临床业务、付款/定价、研发、新的商业模式、公众健康等几大领域的多项应用，在大数据的分析和应用都将发挥巨大的作用，提高医疗效率和医疗效果。
此外在2013年3月，奥巴马政府也宣布投资2亿美元拉动大数据相关产业发展，将“大数据战略”上升为国家意志，奥巴马政府将数据定义为“未来的新石油”。并积极发展起如苹果、谷歌、亚马逊等一批世界级互联网企业。
麦肯锡研究表明，欧洲公共部门运用大数据手段，将能够减少15%-20%的管理成本，相当于创造1500亿到3000 亿欧元（2230亿到4460 亿美元）或更高的新价值。这项估计包括效率的增加和实际与潜在税收差距的缩小 0.5%。这些手段可以将下个年度的产值增提高0.5%[16]。
表1数据类型说明
数据类型
数据内容
经济发展
金融数据、信用数据、海关数据、
交通
道路交通数据、客运数据
基础设施
电力数据、煤气数据、自来水数据
住房
住房数据
公共设施
医疗数据、教育数据
服务业
旅游数据、出入境数据
环境保护
环保数据、气象数据

（2）企业开源数据
由企业或个人在开放共享原则下将大量曾经专有的程序代码或数据公开到互联网，使其成为可以被公众编辑或使用的数据。

（3）个人数据
公众提供的数据，包括公众在网上提供的个体信息数据和在个体与个体互动过程中产生的关系数据。例如通过对社交网络数据、位置数据和移动终端数据的获取与挖掘，可以在空间上和时间上提取居民空间行为特征。例如带有“签到”位置信息的微博或照片、评论，“百度迁徙”展示了春节期间的人口在城市间流动的信息。基于用户搜索行为、浏览行为对于疾病疫情进行及时的预测。

四应用
互联网时代大数据的应用，使得对于城市应急管理、突发事件及疫情预测提供了更为科学及时的数据来源与分析。下面将从城市应急、疫情发展、环境变迁、空间定位与行为分析、基础设施与交通数据五个方面进行应用阐述。
4.1城市应急
城市应急管理主要包括综合应急和行业应急（交通应急+防汛抗旱+人防战备+森林防火等诸多应用），因为交通应急在目前城市管理当中应用较广，将在下文单独阐述。
互联网技术和大数据思维给应急管理信息化带来新挑战和新动力。传统的应急管理信息化模式局限在狭义的体制内围墙式低效能建设，并未充分形成全社会力量的广泛参与，无法推动国家和社会应急管理能力的全面提升。互联网精神和大数据思维为以往自上而下地考虑问题提供了开放和共享的理念，以流量思维、社会化思维、大数据思维、平台思维、跨界思维，突破过去狭义的应急管理信息化模式，形成广义的应急管理信息化顶层设计新思路，即通过市场化机制，培育和发展政府、产业和个人共融的应急生态圈。
2014年“12·31”外滩陈毅广场拥挤踩踏事件调查报告可以看出，大数据智能分析与可视化监测等前沿技术对于城市应急事件具备一定的借鉴意义。由于新年倒计时活动的变更及未对人员流量变化情况做出及时的研判和预警，导致最终踩踏事故的发生，未来城市管理的发展角度看，引入大数据智能分析与可视化监测等前沿技术，提升智慧城市的自动化管理水平，对复杂系统的指挥控制采用更多现代化的平台与工具更是必要。

图1 2014.12.29-2015.1.2 外滩区域人流量趋势图2 2014.12.31-2015.1.1人流量趋势图
（来源：百度大数据实验室）（来源：百度大数据实验室）

通过百度大数据分析，可以看到：如图1所示，事发当晚，外滩区域（包含陈毅广场）确实非常拥挤，人流量已经达到了平时最高值的3倍多。如图2所示，31日当晚20:30左右，南京东路地铁站（紫线）也曾出现过一个人流高峰。而事发当时（黑色虚线），并不是陈毅广场（红线）人流量最大的时候，其两次人流量高峰出现在21点和24点。在当晚23:20左右，依托百度搜索关键词分析可以看出搜索“灯光秀取消了么”和“灯光秀门票”的关键词的数量急剧增加。

图3 图搜索关键词指数图4百度搜索与旅游预测模型的建立
（来源：百度大数据实验室）（来源：

城市规划的研究从相对简单的观察转向更复杂的模型模拟受限于数据缺乏、计算能力低，传统的研究工作不得不从少量的观测数据中提取信息、寻找结论。而大数据时代丰富数据的出现，可以使用更多、更全面的动态数据，建立更为精确可行的模型分析城市系统、模拟多种变量，从而通过数据分析，为重大文体活动、节假日集会等活动进行提前预测、做到事前预警。
4.2疫情发展
根据《科学报告》研究显示，通过整合谷歌流感趋势的大数据和传统监测方法，可以改善对流感传播的预测。研究显示，结合传统监测方法和大数据，可以预测美国未来1周的流感感染情况。这一发现可能影响国家层面和地方层面预防和流感暴发控制。加州大学圣迭戈分校的Michael Davidson与研究团队表示，虽然谷歌流感趋势有一定局限性，把它和现有的监测系统结合在一起可以更好地预测实际的流感病例。谷歌流感趋势使用搜索的数据来预测实时流感动态，能比传统监测方法提前两周，传统的监测方法是收集关于流感的潜在和确认病例的数据，对从患者处收集的流感病毒进行分类。
目前，百度利用用户的搜索数据，结合气温变化、环境指数、人口流动等因素建立预测模型，实时提供几种流行病的发病指数。主要包括流感、肝炎、肺结核和性病四种疾病的活跃度、流行指数，以及各种疾病相关的城市和医院排行榜。用户可以查看过去 30 天以内的数据和未来 7 天的预测趋势。中国疾病防控中心还提供了流感的监测数据作为流感疫情预测模型的辅助参数。虽然搜索引擎预测疫情的算法还需要进一步优化，但是利用互联网大数据对疫情进行预测已经成为趋势。
4.3环境变迁
气象预测是最典型的灾难灾害预测。地震、洪涝、高温、暴雨这些自然灾害如果可以利用大数据能力进行更加提前的预测和告知便有助于减灾防灾救灾赈灾。与过往不同的是，过去的数据收集方式存在着死角、成本高等问题，物联网时代可以借助廉价的传感器摄像头和无线通信网络，进行实时的数据监控收集，再利用大数据预测分析，做到更精准的自然灾害预测。
我国城市大气污染问题近年来受到广泛关注，也有学者尝试通过大数据来研究城市大气污染与城市发展、城市形态等层面的问题。目前北京已展开关于北京空气质量大数据的分析。关于噪音污染问题，纽约市也通过大数据的方式进行了研究，通过人员流动、社会媒体、道路网络数据、重要节点等内容对市区噪声强度和噪声成分进行分析（图5）。
除了进行空气质量、噪音污染、灾害预测之外，还可以进行更加长期和宏观的环境和生态变迁预测。森林和农田面积缩小、野生动物植物濒危、海岸线上升，温室效应这些问题是地球面临的“慢性问题“。如果人类知道越多地球生态系统以及天气形态变化数据，就越容易模型化未来环境的变迁，进而阻止不好的转变发生。而大数据帮助人类收集、储存和挖掘更多的地球数据，同时还提供了预测的工具（图6）。

图5关于北京空气质量大数据的分析

图6关于纽约噪声污染的大数据分析
4.4空间定位与行为分析
百度基于地图应用的LBS预测涵盖范围更广。春运期间预测人们的迁徙趋势指导火车线路和航线的设置，节假日预测景点的人流量指导人们的景区选择，平时还有百度热力图来告诉用户城市商圈、动物园等地点的人流情况，指导用户出行选择和商家的选点选址。
“签到”数据的应用。“签到”是移动应用中越来越普遍的功能，通过抓取带有“签到”位置信息的微博或照片、评论，并通过特定的自然语言分析等技术，可以获取人们对城市空间质量的评价和对城市生活的满意度；采集居民移动的轨迹，进行特定的 OD(Origin Destination，即交通出勤起始点)分析，如“百度迁徙”()展示了春节期间的人口在城市间流动的信息。此外，规划人员还可以通过数据的密度和行为模式的区别来识别空间热点甚至用地性质。
“热图”功能的挖掘。百度地图最近推出的“热图”功能是基于移动终端位置信息的城市研究工具，通过对所有调用百度地图 APP 接口的用户位置进行可视化处理，来展现城市人群的实时分布状态。利用相关工具对其进行逐时抓取和动态展示分析，可以描述城市中各功能区的使用状态，包括中心体系、职住分布和人口流动等信息，提供描述“人”的行为而非物质空间形态的工具
4.5基础设施与交通数据
（1）智慧设施数据
智慧设施数据是指在物联网、云计算等技术的支持下，各类描述城市要素分布与运行特征的数据。其大体可以分为两类：①交通传感数据；②智慧设施数据。严格来讲，智慧交通也是智慧设施的重要组成部分，但由于交通传感数据在城市规划编制中具有更高的应用可能性，因此单列出来。智慧设施数据是指城市中各类基础设施网络运行的传感数据，包括电网、水网和通讯网络等在智慧化改造后产生的数据，可以反映城市各项基础设施的服务情况。
目前，智能电网、燃气网和水网等城市智能网络是早已成熟的技术成果，通过其传感网采集的精确到每家每户的使用数据，不仅能简化家庭缴费的程序，也能用来评估城市规划的效果和城市运行的状态。以智能电网为例，规划人员可以通过数据实时了解每个地块(变压器)的用地负荷曲线，根据曲线形态，可以推断用地性质；根据负荷峰值和经验数值，可以估算其人口、产业容量；如果对曲线形态进行精细化分类，还可以对居住人群和产业类别进行更精准的识别。

（2）交通数据应用与分析
我国大部分城市交通管理呈现出条块分割现象，由于数据信息只存在于垂直业务和单一应用中，造成交通管理的碎片化，如交通信息分散、信息内容单一等问题。而大数据具有信息集成优势和组合效率，有利于数据的同步采集和分析处理。随着智慧交通传感器数据的引入，数据规模从过去的TB级爆发性增长到PB级。及时、高效、准确的交通数据获取和交通分析，可以在用户用户行为分析的基础上为交通管理和动态调节提供科学准确的数据基础[17]。
基于交通传感数据的城市特征分析城市政府和交通运营部门往往掌握着大量相关的交通传感数据，如果这些数据得到适当的挖掘和分析，可以在很大程度上代替城市规划传统的交通调查方式，支持从宏观到微观不同尺度的城市规划研究[18]。利用航空、铁路数据挖掘城市间的联系。通过整理和挖掘航班与铁路的班次数据，一方面可以描述城镇群的形态和发育程度，另一方面可以在城镇体系层面描述城市间的关联程度。例如，利用全国航班时刻信息制作城市间联系的示意图，可以清晰地看到京、沪、穗、渝四个航空枢纽极。利用公交刷卡数据提取人口OD信息。公交刷卡数据是大多数较大城市都可以获得的，数据量极大，包含的信息丰富，但挖掘难度也较大。公交刷卡数据的主要用途是提取通勤人口的 OD 信息，判断城市各功能区和组团之间的联系，尤其适合考察新城和中心城之间的通勤特征，由此判断其间的职住关联，还可以通过长时间的数据积累，分析同一用户的 OD 变化特征，反映人口居住和工作地迁移情况。此外基于用户和车辆的LBS定位数据，分析人车出行的个体和群体特征，进行交通行为的预测。交通部门可预测不同时点不同道路的车流量进行智能的车辆调度，或应用潮汐车道；用户则可以根据预测结果选择拥堵几率更低的道路。

五结论
国外弹性城市研究的理论和方法为中国弹性城市发展提供了广阔的视野和方法基础。但由于国内各地区自然社会经济差异较大，因此弹性城市规划应考虑到各地区的发展阶段、社会文化，不同城市应有不同的弹性发展策略，西部生态脆弱地区的城市应格外关注城市生态弹性；东部沿海城市的外向型经济，应着重发展多样性经济，同时考虑到全球气候变化的影响，海平面上升、台风、暴雨等极端气候的影响，城市基础设施的工程弹性也应得到强化。
而利用大数据时代丰富的数据，通过挖掘复杂城市中诸多要素之间的相互关系，建立复杂多元的模型结构来分析城市系统和其变换关系[19]。此外，动态的数据可以使弹性规划通过追踪动态演变的方式来获取信息进而分析预测，从而可以更多地研究城市流的运动和机动性，而不再限制于空间固定的土地使用的场所[20]。由此可见，数据在弹性城市当中的应用具有一定的潜力，需要进行深入的探索[21]。

参考文献
[1] 蔡建明，郭华，汪德根. 国外弹性城市研究述评[J]. 地理科学进展， 2012，卷缺失(10): 1245-1255.
[2] 徐振强，王亚男，郭佳星，等. 我国推进弹性城市规划建设的战略思考[J]. 城市发展研究，2014(5): 79-84.
[3]杨芮．瑞士再保险: 亚洲城市受水灾威胁风险最大．http: //business．sohu．com /20130924 /n387123655．Shtml.
[4] Holling C S. Resilience and stability of ecological sys-tems. Annual Review of Ecology and Systematics, 1973(4): 1-23.
[5] Resilience Alliance. Urban Resilience Research Prospec-tus. Australia: CSIRO, 2007. 2007-02[2011-5-20]http://www.resalliance.org/index.php/urban_resilience.
[6] Berkes F, Colding J, Carl F. Navigating Social-ecologicalSystems: Building Resilience for Complexity andChange. Cambridge: Cambridge University Press, 2003:416.
[7] (澳) 纽曼·蒂莫西·比特利，希瑟·博耶，著．弹性城市应对石油紧缺与气候变化［M］．王量量，韩浩，译．北京: 中国建筑工业出版社． 2012:45 －47．
[8] Meeting of the minds．Globally Standardized Indicators forＲesilient Cities http: / /cityminded．org /talk /globally-standardized-indicators-resilient-cities.
[9] Lombardi，D．Ｒachel and Leach，Joanne M，et al．( 2012)Designing Ｒesilient Cities: A guide to good practice．IHS BＲEPress，Bracknell．http: / /eprints．lancs．ac．uk /54963 /.
[10] 王鹏，袁晓辉，李苗裔. 面向城市规划编制的大数据类型及应用方式研究[J]. 规划师，2014(8): 25-31.
[11]SMOLAN R, ERWITT J. The Human Face of Big Data[M]. New York: Sterling Publishing Company Incorporated, 2012.
[12]MANYIKA J, CHUI M, BROWN B. Big Data: The Next Fronties for Innovation, Competition, and Productivity[R]. Las Vegas: The McKinsey Global Institute, 2011.
[13]LOHR S. The Age of Big Data[EB/OL].
[14] 维克托·迈尔·舍恩伯格，肯尼思·库克耶．大数据时代：生活、工作与思维的大变革[M]．盛杨燕，周涛，译．杭州：浙江人民出版社，2013.
[15] 张翔. 大数据时代城市规划的机遇、挑战与思辨[J]. 规划师，2014(8): 38-42.
[16] 张鹏程. 大规划—大数据——智慧城市规划对策浅析[C]//中国建筑工业出版社， [北京]: 2014.
[17] 陈海明. 自行车交通优先的大城市交通多样化格局——弹性城市价值取向下的思考过程[C]//会议/ 2013
[18]褚琴，高永，张鑫.大城市自行车交通合理化浅析.交通论坛，2004，2(2):50-53.
[19]赵渺希，朵朵．巨型城市区域的复杂网络特征[J]．华南理工大学学报：自然科学版，2013(6)：108-115.
[20]BATTY M. Big data, Smart Cities and City Planning[J]. Dialogues in Human Geography， 2013(3): 274-279.
[21] 王森. 城乡规划视角下大数据应用进展研究及其对上海2040总规编制的启示[J]. 上海城市规划，2014 (5): 16-20.