中国城市活力指数报告

摘要

城市活力是衡量城市系统运行效率、经济潜力与社会互动水平的综合性指标。在城镇化从"增量扩张"转向"存量提质"的背景下，科学评价城市活力已成为城市治理的核心议题。2025年末中国常住人口城镇化率已达67.89%[1]，全国共有城市694个（含4个直辖市、293个地级市、397个县级市）[2]，城市评价工具的精度与时效直接影响城市更新、公共资源配置与夜间经济等领域的决策质量。"十五五"规划强调城市高质量发展[3]，各地城市更新与活力提升行动亟需科学、可比较、可复现的评价工具。然而，传统评估依赖统计年鉴与问卷调查，存在数据滞后、时空粒度粗糙、难以捕捉动态变化等根本性局限；现有研究还普遍忽视城市活力的季节性波动与城市功能偏差两大系统性问题——北方城市冬季与夏季活力差异显著，商务区与居住区的活力模式本质不同，导致跨城市、跨区域比较缺乏科学基础。大数据时代，夜间灯光、手机信令、社交媒体与兴趣点（POI）等多源时空数据为城市活力提供了高精度观测手段[4][5]。

本报告以Jacobs（1961）的城市活力经典定义为理论基础[6]，将城市活力界定为经济、社会、文化、生态四个维度的综合系统，构建四大维度十六项核心指标的评价体系：经济活力以夜间灯光强度、用电量网格、企业注册活跃度、外卖订单量为代表[7]；社会活力以手机信令、百度热力图、人口密度网格、地铁客流为观测[8][9]；文化活力以POI文化设施密度、点评量、打卡量、文化活动频次为表征[10]；生态活力以NDVI、PM2.5浓度、公园绿地可达性为指标[11][12]。权重确定采用熵权法客观赋权、规避主观偏差[13]，综合指数采用加权求和法合成，并辅以冷热点分析与标准差椭圆等空间方法刻画格局。数据预处理覆盖清洗、缺失值插补与500米至1公里网格化匹配，支撑高频次、精细化的活力测度。

报告的核心方法创新在于双重校正机制。季节性校正针对气候、节假日与旅游周期导致的系统性活力波动，提供同比变化法、移动平均平滑法、X-13ARIMA-SEATS季节调整法与对照期基准法四种方法[14]，其中X-13ARIMA-SEATS可处理交易日与节假日等复杂季节性模式；功能偏差校正针对商务区、居住区、景区等主导功能差异造成的活力模式系统性差异，采用功能分层比较、功能权重标准化与残差分析等方法，并基于POI核密度、AOI与土地利用数据识别城市功能区。双重校正显著压缩了城市活力指数的季节波动，提升了跨城市、跨区域、跨时间的可比性，实证检验与稳健性分析表明校正结果可靠。测算显示，校正后全国城市活力呈东强西弱、头部集聚格局：北京、上海、深圳、广州等城市综合活力居第一梯队，成都、杭州、武汉、南京等居第二梯队[15]；2025年GDP破万亿元城市已达29座[16]；长三角地区GDP约33.2万亿元、占全国约24.7%[17]。超大城市综合活力领先但增长承压，中小城市存在差异化增长空间[18]。

驱动机制分析表明，经济密度、人口流动性、公共空间可达性等是影响城市活力的核心因素，且存在非线性关系与阈值效应——过度集聚可能导致活力边际递减[19][20]，多因素之间存在协同增强效应。城市活力与经济增长、社会福祉总体正向关联：头部活力城市与万亿城市高度重叠，地铁客流等公共服务指标同步走高[21]；但高活力区域在人均碳排放上压力更大，需在碳达峰约束下探索"活力-可持续"平衡路径[22]。2025年游客夜间消费占全天消费约32.9%、5A级景区夜间开放率约66.9%[23]，夜间经济与周末经济已成为活力提升的重要抓手；与此同时，全球收缩城市占比约27%、2050年预计升至约37%[24]，收缩城市的活力"洼地"治理同样不容忽视。

基于上述研究，报告提出面向不同规模城市与不同功能区的差异化政策建议：超大城市侧重存量活力优化、空间品质提升与创新驱动，特大城市注重功能区活力平衡与公共服务均等化，中小城市聚焦差异化定位与特色活力塑造[25]；商务区推动"商务+消费"融合以提升夜间与周末活力，居住区完善社区级公共服务设施，工业区推进"工业+文创"转型，旅游区平衡淡旺季、发展四季旅游[26]。同时建议依托多源大数据建立城市活力常态化监测平台[27]，将活力指数纳入城市体检指标体系[28]，推动城市活力数据开放共享。"十五五"时期，城市活力研究将从静态评估走向动态监测，从单一指数走向多维图谱，从城市尺度走向街区尺度，从人类活力走向人-机混合活力[29]。

第一章 绪论

1.1 研究背景

城市是承载人口集聚、经济活动与社会互动的核心空间单元，其发展质量直接决定一个国家现代化的成色。城市活力作为城市系统运行效率、经济潜力与社会互动强度的综合性表征，已被普遍视为衡量城市高质量发展的核心标尺。一个充满活力的城市，意味着要素流动顺畅、市场交易活跃、公共服务可及、社区交往频繁，能够在资源约束趋紧的背景下持续创造新的增长空间与发展动能。反之，活力不足的城市往往陷入人口流失、商业萧条与空间衰败相互强化的衰退螺旋。在城市竞争日趋激烈的当下，活力既是城市吸引人才与资本的关键磁石，也是创新活动得以孕育的土壤，直接关系到城市在全球分工格局中的位势与韧性。

中国城市化进程已从"增量扩张"阶段转入"存量提质"阶段。2025年末，全国常住人口达到140489万人[1]，常住人口城镇化率达到67.89%[2]，全国城市总数达到694个[3]。随着城镇化进入中后期，依靠土地扩张与人口红利驱动的粗放增长难以为继，城市发展的重心转向既有空间的品质提升、功能优化与活力再造。城市之间的竞争，也正从规模、体量与基础设施的比拼，转向对人才、资本与创新要素吸引力以及城市生活质量与活力的角逐。在此背景下，如何准确测度并系统提升城市活力，成为城市治理必须回答的命题。

然而，传统城市评价手段难以支撑这一转型需求。以统计年鉴与抽样调查为代表的官方统计体系，发布周期以年度为主，空间粒度通常停留在行政区层面，难以刻画城市内部人流、物流与信息流的高频动态[4]。依赖这些数据的传统评价方法，在时效性、颗粒度与动态捕捉能力上存在三重局限：其一，数据滞后，年度统计口径更新时，城市活力格局往往已发生改变；其二，粒度粗放，当评价单元停留在市域整体时，街区层面的活力差异被平均化掩盖，政策难以精准投放；其三，动态缺失，传统指标多为存量与时点的刻画，难以反映活力的高频波动与演化趋势。传统方法适合回答"城市处于什么水平"的静态问题，却难以回答"活力如何变化、为何变化"的动态问题。

大数据时代的到来，为突破上述局限提供了技术条件。多源时空数据相互印证、彼此补充，构成了覆盖城市昼夜节律、人口流动、商业活动与建成环境的完整观测体系。夜间灯光遥感数据能够反映城市经济活动的空间分布与强度，其长时间序列也为活力演变提供了回溯依据[5]；手机信令与热力图数据以小时级精度记录了人口的实时分布与出行规律，是刻画人流活力的核心数据源[6]；兴趣点（POI）数据刻画了城市功能设施的空间配置与业态结构，为功能区识别与功能偏差校正提供了基础[7]。此外，社交媒体签到、共享单车轨迹、地铁刷卡记录等新兴数据源不断涌现，进一步丰富了活力的观测维度。这些数据源以分钟至小时级的频率更新，突破了传统统计的年度节律，使高精度、高频率的城市活力监测成为可能，也为以活力为核心的动态评估体系奠定了数据基础。

然而，现有基于大数据的活力评价在方法论上仍存在两个被普遍忽视的问题。其一，季节性波动。城市活力随气候、节假日与旅游周期呈现显著的系统性波动，中国北方城市冬季与夏季的活动强度差异尤为明显，若不加校正，冬季采集的数据将系统性低估北方城市活力，跨季节、跨年度以及南北方城市之间的比较将产生系统性误判。其二，城市功能偏差。商务区、居住区与产业园区的主导功能不同，其活力在时间分布与空间形态上表现出本质不同的模式：商务区活力集中于工作日白天，居住区活力集中于早晚时段与周末，产业园区则呈现典型的潮汐特征。将不同功能区的活力简单加总比较，会引入功能结构差异带来的系统性噪声，损害城市间与区域间的可比性。这两大问题若得不到解决，活力指数的稳健性与公信力将大打折扣。

活力监测的现实需求已被决策层明确强调。中共中央关于制定国民经济和社会发展第十五个五年规划的建议，将推进城市高质量发展列为重要任务，提出加快转变城市发展方式、提升城市治理现代化水平[8]；中办、国办印发意见持续推进城市更新行动，要求系统激活存量空间、补齐城市功能短板[9]；住房城乡建设部部署全面开展城市体检工作，推动城市运行状态纳入常态化评估范畴[10]。这些政策部署共同要求活力评价不仅回答"哪里更有活力"，更要回答"活力如何动态变化、为何变化、如何提升"，为差异化政策制定提供可比较、可追踪、可解释的定量依据。

1.2 研究意义

从理论层面看，本研究首次将季节性校正与功能偏差校正同时纳入城市活力指数的标准化构建流程，填补了既有评价体系在方法论上的空白。既有研究多聚焦于测度指标的扩展与数据源的丰富，对时间维度上的季节波动与空间维度上的功能差异缺乏系统性处理，导致活力指数在不同季节、不同功能区之间缺乏可比性，削弱了指数作为动态监测工具的理论价值。本研究通过引入季节性分解与功能分层校正，构建了"数据—指标—校正—合成"的完整方法链，推动城市活力评价从静态描述走向动态监测、从总量比较走向结构比较，为活力理论的操作化提供了更严谨、更完整的方法工具，也为大数据时代城市评价方法论的规范化提供了新的范例。

从实践层面看，本研究构建的城市活力指数体系可为各级政府提供客观、实时、可比较的监测工具，支撑城市更新、公共资源配置与夜间经济等专项规划的制定。夜间经济作为激发城市活力的重要抓手，已被纳入扩大文旅消费的政策框架[11]；可靠的活力测度能够帮助决策者识别夜间活力洼地与高潜力区域，优化设施布局与政策投放。同时，经双重校正的指数能够真实反映城市活力的年度变化与区域差异，为城市体检、政绩考核与规划评估提供定量参照，提升公共资源配置的精准性与城市治理的科学性。

1.3 核心概念界定

城市活力。本研究沿用Jacobs(1961)对城市活力的经典界定，即特定空间内人类活动的密度与多样性[12]，并将其拓展为涵盖经济、社会、文化、生态四个维度的综合性概念：经济维度关注商业活动强度与要素集聚水平，社会维度关注人口流动活跃度与社区交往密度，文化维度关注文化设施供给与公共活动频率，生态维度关注绿地可达性与人居环境宜居性。四个维度相互交织、彼此强化，共同构成对城市活力的完整刻画。需要强调的是，本界定突出"可观测的活动"而非"抽象的品质"，从而为多源大数据的定量测度提供了概念接口。

城市活力指数（UVI）。城市活力指数（Urban Vitality Index, UVI）是基于多源大数据、通过标准化流程量化评估城市活力水平的综合指标。它通过统一量纲、客观赋权与加权合成，将经济、社会、文化、生态等维度的多源信息凝练为单一可比的指数数值，兼具横向比较与纵向追踪的功能。本报告所定义的UVI强调三点：以客观数据而非主观评价为基础，以标准化流程而非即兴设计为保证，以双重校正而非原始加总为特征。由此，UVI不仅是一个得分，更是一套可复现、可检验的测度范式。

季节性偏差。季节性偏差指由气候、节假日与旅游周期等因素引起的、呈周期性重复出现的活力系统性波动。此类波动具有可预期的规律性，但若被误读为城市活力的真实变化，将导致不同季节采集的数据无法直接比较，进而扭曲对城市活力水平及其变化的判断。季节性偏差的识别与校正，要求在指数构建中将时间序列分解为趋势成分与季节成分，仅保留趋势成分作为活力评价依据，这是本研究方法创新的重要环节。

城市功能偏差。城市功能偏差指因区域内主导功能不同而形成的活力模式系统性差异。商务办公区、居住生活区与产业园区的人口活动在时间分布、空间密度与波动形态上存在本质差别，这种由功能结构差异带来的系统效应，属于结构性而非随机性偏差，无法通过扩大样本消除，必须在跨区域比较时予以分离与校正。功能偏差校正旨在建立功能等值化的比较基准，使不同功能结构的城市与区域在相同口径下可比。

1.4 研究方法与技术路线

本研究综合运用多源大数据融合、熵权法、XGBoost-SHAP机器学习、季节性分解与城市功能区识别等方法。其中，多源大数据融合用于整合夜间灯光、手机信令、POI等异构数据源，构建统一的活力观测体系；熵权法依据指标变异程度客观确定权重，避免主观赋权偏差[13]；XGBoost-SHAP等可解释机器学习方法用于识别活力驱动因素及其非线性效应，增强结果的可解释性[14]；季节性分解与校正方法借鉴X-13ARIMA-SEATS的成熟框架，实现趋势成分与季节成分的分离[15]；城市功能区识别依托POI等多源数据的融合分类方法，为功能偏差校正提供空间基准[16]。各类方法在数据层、指标层与校正层各司其职，共同支撑活力指数的稳健构建。

基于上述方法，本研究构建了"数据采集—预处理—指标计算—季节性校正—功能偏差校正—综合指数合成—空间分析—政策建议"的技术路线，具体如表1-1所示。

综上，本章完成了从问题识别到概念界定与方法设计的基础工作，确立了城市活力评价中季节性波动与城市功能偏差两大系统性命题，为全文的问题求解划定了清晰边界。

第二章 文献综述与理论基础

前文指出，传统城市评估面临数据滞后与季节性波动、功能偏差两大系统性局限。这一判断在城市发展阶段转换背景下愈发凸显——2015年至2025年，中国常住人口城镇化率由56.1%[1]上升至67.89%[2]，城镇化进程进入中后期，城市发展重心从规模扩张转向品质提升，对活力测度的精度、频率与可比性提出了更高要求。

2015-2025年中国常住人口城镇化率

数据来源：国家统计局历年统计公报/统计年鉴[3]

2.1 城市活力研究的理论演进

城市活力研究经历了从质性描述到定量测度的长期演进。Jacobs(1961)从行为视角出发，在《美国大城市的死与生》中提出，城市活力源于人类活动与城市空间的动态互动，街道的多样性、功能的混合与持续的人流共同构成了城市安全与魅力的来源[4]。这一视角将城市活力从抽象的城市气质还原为可观察、可计数的具体人类活动，确立了"密度与多样性"作为活力测度的核心维度，也奠定了本报告概念界定的直接学理依据。

Lynch(1982)从形态学视角将城市活力界定为城市形态支持功能与人类生活的程度[5]，强调空间形态对活力生成的基础性作用，指出可感知、可接近、可支撑多样活动的城市形态是活力产生的物质前提。这一观点将研究视线从"活动本身"延伸至"承载活动的空间"，为后续从建成环境角度解释活力差异提供了理论支点，也使活力研究具备了对空间治理的指导意义。

此后，研究视角逐步从单一要素走向复合系统。进入21世纪，学者们不再将活力视为人口或经济的单一映射，而是将其理解为经济、社会、空间等多要素耦合的复合系统，Jin等(2017)提出城市活力是城市系统各子系统相互作用的综合体现。复合系统视角推动了活力研究的结构化与操作化，使测度指标由单一维度扩展为多维指标体系，也为大数据时代的综合测度奠定了认识论基础。与此同时，学界对"活力"与"宜居""繁荣""韧性"等相邻概念的边界展开辨析，逐渐形成以人口活动为核心、以空间品质为依托、以功能混合为表征的共识性框架。纵观这一演进脉络，城市活力研究的理论内核一以贯之，即关注"人与空间的互动品质"，而测度手段则随数据条件不断升级，从田野观察、问卷调查演进为多源数据的连续刻画。

2.2 大数据驱动的城市活力评价研究进展

数据源的多元化是近年研究最显著的变化。夜间灯光数据以空间连续、时序稳定的优势被广泛用于刻画经济活动强度与城市扩张格局[6]，微光遥感卫星的投入进一步提升了夜间观测的空间分辨率[7]；手机信令与热力图数据以小时级精度刻画人口集聚与流动，为活力测度提供了高时间分辨率的观测通道[8]，其采集与处理规范也已纳入国土空间规划的大数据应用标准[9]；POI数据以语义丰富、覆盖完整的优势支撑城市功能设施识别与业态结构分析[10]。社交媒体签到、街景图像等新兴数据源则进一步补充了感知与体验维度的信息，使活力测度从"看得见的活动"拓展到"感受得到的氛围"，观测维度日趋立体。值得注意的是，单一数据源往往存在系统性缺陷：夜间灯光受云量覆盖与饱和效应干扰，手机信令样本存在人群覆盖偏差，POI数据则难以反映设施的实际使用强度。因此，多源数据融合并非简单的叠加，而是通过互补校验还原活力的真实全貌，这也成为近年方法研究的核心议题。

评价方法经历三阶段演进。早期研究以描述性统计与综合评分为主，通过人口密度、商业网点等指标刻画活力水平；随后，熵权法、TOPSIS等客观赋权方法被广泛采用，通过数据本身的离散程度确定指标权重，消除了主观赋权的干扰[11]；近年来，XGBoost-SHAP等可解释机器学习方法被引入，不仅提升了活力影响因素识别的精度，还通过SHAP值揭示了建成环境对活力的非线性与阈值效应[12]，使活力研究从"测度活力"走向"解释活力"，为差异化政策制定提供了因果层面的方法支撑。

研究尺度持续下探。从城市尺度的整体比较，到街区尺度的活力测度，再到社区与网格尺度的精细化刻画，大数据使活力的空间粒度从行政区细化到数百米的规则网格，为识别活力洼地与高值斑块、支撑街区级更新提供了可能。尺度的下探并非简单的分辨率提升，而是带来了测度理念的转变：活力评价由面向宏观管理的总量判断，转向面向微观治理的精准刻画，也使活力评价与城市更新、完整社区建设等微观政策工具的衔接更加直接。

系统综述证据表明，多源大数据已成为城市活力测度的主流范式。Land Use Policy刊发的系统综述系统梳理了城市活力研究的趋势与机会，确认多源数据融合与高分辨率测度是当前研究的核心方向[13]；MDPI IJGI刊发的综述进一步指出，手机信令、物联网等大数据技术在活力测度中已占据核心地位[14]。综合来看，数据基础与测度技术已相当成熟，但方法论的规范化仍有待深化，尤其是对时间与空间维度上系统性偏差的处理，尚未形成共识性标准。

2.3 季节性波动与城市功能偏差：被忽视的方法论问题

现有研究对活力时间维度的关注存在明显失衡。大量研究聚焦于日变化节律，如通勤高峰、昼夜间差异，而对跨季节的系统性波动关注不足。中国幅员辽阔，高纬度地区城市冬夏活动强度差异显著，若缺少季节校正，冬季采集的数据将系统性低估城市活力水平，导致跨季节、跨年度以及南北方城市之间的比较失真。季节调整方法在宏观经济统计领域已有成熟框架，如X-13ARIMA-SEATS将时间序列分解为趋势、季节与不规则成分[15]，但将其引入城市活力指数构建的研究仍属少见。尤其值得指出的是，中国现有研究样本多集中于中低纬度的东部城市，高纬度城市因气候极端、数据可得性差而研究稀少，恰是季节性扰动最突出的区域，这种样本偏差进一步放大了方法缺陷。这一落差构成了本研究在时间维度上的切入点。

城市功能偏差领域同样存在研究空白。POI等多源数据已被广泛用于城市功能区识别，并取得了较好的识别精度[16]；然而，功能识别的成果多停留在空间分类与形态刻画层面，将功能区结构差异作为系统性校正因子纳入活力指数标准化流程的研究几乎空白。商务区与居住区即便人口密度相近，其活力的时间分布与波动形态亦存在本质差异，直接加总比较将引入功能结构噪声，损害跨区域比较的严谨性。功能识别精度高、功能校正应用缺，这一错位构成了本研究在空间维度上的切入点。事实上，功能结构差异不仅影响活力水平的高低，更影响活力测度的口径一致性：同一城市内部不同功能板块之间、以及以不同功能为主导的城市之间，若缺乏功能等值化处理，其活力指数便不具备严格的可比基础。

基于上述梳理，本研究的理论定位得以明确：首次将季节性校正与功能偏差校正同时纳入城市活力指数的标准化构建流程，在时间维度消除季节扰动，在空间维度消除功能结构差异，从而系统提升指数的时间可比性与空间可比性。这一双重校正框架，正是本研究区别于既有活力评价研究的核心贡献，也是衔接理论认知与测度实践的桥梁。

综上，本章通过梳理理论演进与大数据测度进展，确认了既有研究已完成从定性到大数据定量的转型，而双重校正仍属方法空白，为活力指数体系的构建提供了理论依据与问题指向。

第三章 城市活力指数评价体系构建

文献综述确认，城市活力测度已由早期依赖统计年鉴与问卷调查的定性描述，转向以夜间灯光、手机信令、热力图、兴趣点（POI）等多源时空大数据为主的高分辨率定量刻画，相关方法在学术层面已趋于成熟；但既有流程尚未把季节性波动与城市功能偏差作为系统性偏差纳入标准化校正框架。据此，本研究以成熟活力理论为锚点，以公开可重复获取的大数据为观测基础，构建覆盖经济、社会、文化、生态四个维度的多源大数据评价体系，并明确其数据来源、处理流程与合成方法，作为后续测度与校正工作的统一工具。

3.1 指标体系构建原则

一是科学性。指标体系以Jacobs提出的经典活力定义为内核，即城市活力本质上是特定空间内人类活动的密度与多样性[1]；同时吸收Lynch的形态学视角，强调城市形态支撑功能与人类生活的程度[2]。近年系统综述进一步将城市活力解构为经济、社会、文化等多个相互关联的维度，为多维指标体系提供了理论依据[3]。本研究全部指标均围绕人类活动的强度、密度与多样性展开，避免指标堆砌与口径漂移，确保指数在理论上可溯源、在逻辑上自洽。

二是数据可获取性。优先选用公开、可重复获取的大数据源，确保不同机构或个人均能按一致口径复算。夜间灯光年度数据由国家对地观测科学数据中心公开发布，覆盖1992—2023年[4]；逐年NDVI数据集由中国科学院地理科学与资源研究所公开，时间跨度1986—2024年[5]；手机信令数据的采集与应用规范由自然资源部发布，为指标的口径统一提供了标准依据[6]。公开性既保障了指标的可复核性，也降低了体系推广与常态化更新的制度成本，避免评价结果依赖单一机构的私有数据。

三是时空可比性。指标体系须支持跨城市、跨时间的横向与纵向比较，这是指数能够服务于区域比较与政策评估的前提。空间维度上，所有多源数据统一转换至同一坐标系并按规则网格归并，形成500m×500m[7]或1km×1km[8]的标准化空间单元；时间维度上，各指标采用统一的时间粒度与统计口径，为跨期比较与后续时序校正奠定数据基础。

四是动态性。指标体系支持季度乃至月度的高频更新，以匹配城市活力快速变化的特征。夜间灯光、热力图、地铁客流等数据源均具备按年、按日甚至逐日更新的能力[9][10][11]，从而支撑建立滚动更新的活力监测机制，使活力评价从年度快照走向常态化观测。上述四项原则并非彼此独立，而是层层递进：科学性是内容约束，保证指标反映活力本质；数据可获取性是供给约束，保证指标可复算；时空可比性是尺度约束，保证指标可比较；动态性是时间约束，保证指标可更新。四项原则共同保证指标体系既能反映城市活力的真实内涵，又能支撑稳定、可比、可持续的常态化监测。

3.2 评价维度与指标体系

依据上述原则，本研究构建四大维度、十六项核心指标的评估体系[12]。每个维度设置四项核心指标，分别从不同观测面刻画该维度的活力水平，具体结构如表3-1所示。

四大维度活力评价构成

本研究构建的四大维度十六项指标体系结构

十六项核心指标的维度分布

本研究构建的四大维度十六项指标体系结构

经济活力维度聚焦经济活动强度与活跃度，是城市生产与消费能力的直接体现。夜间灯光是经济活动强度的经典代理变量，NPP-VIIRS夜间灯光数据已广泛用于城市活力与城市扩张耦合研究[13]，SDGSAT-1微光遥感数据则以其更高的空间分辨率进一步细化了城市内部的经济活动空间结构[14]；用电量网格反映生产与生活能耗强度，企业注册活跃度表征市场主体扩张动能，外卖订单量刻画即时消费与生活服务的活跃程度。四项指标分别覆盖生产、能耗、市场与消费四个环节，共同刻画经济活动的全链条强度。

社会活力维度聚焦人口活动与社会互动。手机信令数据能够以分钟级粒度刻画人口分布与跨区域流动，是国土空间规划领域广泛应用的人口时空大数据[15][16]；百度热力图实时反映人群集聚强度与空间动态[17]；人口密度网格刻画常住人口的空间分布基础；地铁客流则反映城市运行节律与通勤强度，交通运输部已按月发布54个城市轨道交通的客运量数据[18]。

文化活力维度聚焦文化消费与公共生活，体现城市软实力与居民精神生活水平。POI文化设施密度反映文化资源供给水平[19]；大众点评评价量与社交媒体打卡量刻画居民与游客的文化消费参与及公共空间互动；文化活动频次反映公共文化服务与节庆活动的活跃程度。四项指标从供给侧与消费侧两个方向共同刻画文化活力的形成机制。

生态活力维度聚焦环境质量与绿色空间，是城市可持续发展的底色。NDVI反映植被覆盖与绿色空间质量[20]；PM2.5浓度反映空气质量水平，生态环境部按月发布覆盖全国339个地级及以上城市的空气质量数据[21]；公园绿地可达性反映绿色空间的公共可及程度，体现生态福祉能否被居民实际享用。四大维度共同构成对"人类活动的密度与多样性"的全景刻画：经济活力刻画生产性活动，社会活力刻画日常互动，文化活力刻画精神与休闲生活，生态活力刻画城市赖以运转的环境基础，从而在整体上回应当前城市高质量发展的多重诉求。

3.3 数据来源与处理

本研究的数据来源涵盖遥感、社会感知与平台数据三大类[22]。第一类是遥感数据，包括NPP-VIIRS夜间灯光数据[23]、SDGSAT-1微光遥感数据[24]，以及基于Landsat/Sentinel影像反演的NDVI植被指数数据[25]，为经济活动与生态质量提供大范围、可追溯的空间观测。第二类是社会感知数据，包括手机信令数据[26][27]、百度热力图[28]与POI数据[29]，用以刻画人口活动与设施分布。第三类是平台数据，包括大众点评评价量、外卖订单量与社交媒体内容数据，反映消费行为与公共生活的活跃度，此类数据通常以开放接口或合作方式获取，需特别注意隐私合规与抽样口径的一致性。

多源数据的口径差异要求在合成前完成系统性的数据预处理，涵盖以下环节。其一为数据清洗，剔除异常值与重复记录，统一字段格式与属性语义，消除明显的测量噪声；其二为缺失值插补，针对空间缺失采用空间插值方法、针对时间缺失采用相邻期插补，避免样本空洞造成指数偏误；其三为多源数据空间匹配，将不同坐标系与不同投影的数据统一转换，并按行政区边界或规则网格进行空间对齐；其四为网格化，将点状与面状数据归并到500m×500m[30]或1km×1km[31]的标准化网格，形成可在城市间横向比较的空间单元。不同时间粒度的数据还需统一到同一观测频率：年度遥感数据按年归并，月度平台数据按月对齐，逐日社会感知数据在需要时聚合为月度均值，从而保证各指标在同一时间轴上可加总。对于夜间灯光等年度遥感数据，还需完成辐射定标与背景噪声去除，以保证跨年序列的稳定性[32]。预处理全流程须记录可追溯的处理日志，确保任一环节的调整均可复现。

3.4 评价方法

权重确定。为避免主观赋权带来的偏差，本研究采用熵权法对十六项指标进行客观赋权[33]。其基本逻辑是：先对各指标进行无量纲化处理，消除量纲差异，再计算各指标的信息熵；熵值越小说明指标变异信息越大、辨识度越高，相应赋予更高权重，反之则降低权重。熵权法不依赖专家打分，权重由数据自身的信息结构决定，结果可复算、可比较，已广泛应用于城市发展质量与活力评价[34]。

综合指数合成。在确定权重后，采用加权求和法逐层合成指数。首先将同一维度内的各核心指标加权合成维度指数，再将各维度指数加权合成综合活力指数。合成后的指数经过标准化处理，取值范围相对稳定，便于跨城市、跨期比较。逐层合成的结构既保留了分维度的解释能力，又提供了整体比较的单一标尺。

空间分析方法。为揭示活力格局的空间结构，本研究引入冷热点分析与标准差椭圆两类空间统计方法。冷热点分析通过统计显著性检验识别活力的高值集聚区与低值集聚区，回答"活力在哪里集聚"的问题；标准差椭圆刻画活力空间分布的中心、方向与扩散范围，回答"活力向何处扩展"的问题。空间分析既服务于活力格局的总体描述，也为后续识别城市功能偏差提供空间证据。在具体操作上，先以城市网格单元为基本分析单位计算局部空间关联指数，识别统计显著的冷点与热点，再以各城市为对象拟合标准差椭圆，比较不同年份椭圆中心与范围的位移变化，从而把握活力重心的迁移方向。上述空间证据将与时间序列上的校正结果相互印证，共同服务于对城市活力的全面判断。

综上，本章以熵权法客观赋权、以加权求和逐层合成，构建了覆盖经济、社会、文化、生态四个维度的多源大数据评价体系。该体系以月度乃至逐日更新的高频数据为观测基础，既具有清晰的时间属性，又内含可网格化的空间属性，为识别季节性与功能性系统偏差、支撑跨城市可比评估提供了统一的测度工具。

第四章 季节性校正方法

本研究构建的多源大数据指标体系以夜间灯光、手机信令、热力图、地铁客流等高时空分辨率数据为观测基础，多数指标可按月度乃至逐日更新。高频观测在提升测度精度的同时，也使城市活力的季节性波动完整地进入观测窗口——同一座城市在盛夏与寒冬、平日与长假所呈现的活力读数，往往存在与城市基本面无关的系统性差异。若不加以校正，跨期比较将把"季节差异"误读为"活力变化"。本章针对指标体系的这一时序特性，梳理城市活力季节性波动的成因与特征，并给出四种可操作的校正方法。

4.1 城市活力季节性波动的成因与特征

气候因素是首要驱动。北方城市冬季低温与降雪显著抑制户外活动，步行街、广场、公园等人流密集空间的活动强度明显下降；南方城市夏季高温则在日间时段抑制外出意愿，使活力向清晨与夜间时段迁移。植被类指标的季节性更为直接，NDVI在冬季明显回落、夏季达到峰值[1]，若不加校正，单纯由植被覆盖差异即可造成生态活力指数的系统性季节位移，进而干扰对城市间真实生态质量的判断。气候因素对活力测度的影响还呈现显著的地域梯度：纬度越高、冬季越长的城市，季节摆幅越大；南方湿热城市则以夏季为低谷。这种地域差异意味着统一的校正参数无法适用于所有城市，必须结合城市气候带特征分类处理。

节假日因素造成结构性波动。春节、国庆等长假期间，商务办公活动显著减弱，而文旅消费集中释放，城市活力在不同部门之间发生明显的再分配。对企业注册活跃度、写字楼客流等商务型指标而言，长假构成"活力洼地"；对文化场馆、景区等文旅型指标而言，长假反而构成"活力高峰"。同一日历窗口内不同指标的方向性差异，凸显了季节性校正必须分指标、分城市精细实施。

旅游季节性加剧城市间差异。以自然与滨海风光见长的旅游城市，旺季与淡季的游客规模可能相差数倍，其活力读数在年度内的摆动幅度远大于综合性城市。文旅消费在特定时段集中释放的特征，进一步放大了旅游城市与非旅游城市在季节维度上的不可比性[2]。若直接以原始读数比较，旅游城市极易被高估或低估，形成与城市实际发展质量无关的系统性偏差。

综合上述成因，本报告对季节性偏差给出如下学术界定：季节性偏差是指由气候、节假日、旅游周期等周期性因素导致的、与城市基本面无关的系统性活力波动。其本质是周期成分而非趋势成分，因此可通过恰当的季节调整方法予以识别与剔除。图4-1以典型北方城市为例，给出校正前的月度活力波动示意。

典型北方城市月度活力波动示意（校正前）

测算示意，反映季节性模式

从示意曲线可见，活力读数呈现明显的冬低夏高形态：冬季各月处于全年低位，夏季达到峰值，春秋两季居于中间水平。这一模式与气候驱动的户外活动节律高度一致，属于典型的系统性季节波动，若不加以处理，将与城市基本面的变化相混淆。

4.2 季节性校正的方法论

针对不同数据频率与序列条件，本研究提供四种季节性校正方法，按适用场景形成互补的方法组合。

方法一：同比变化法。其核心逻辑是将当期指标值与上年同期的指标值进行比较，通过"同期对照"消除季节性因素。计算公式为：Seasonally Adjusted Value = (Current Value − Same Period Last Year) / Same Period Last Year。该方法适用于具有明确年度周期性的指标，如旅游人次、零售消费等；其优点在于计算简单、结果直观、易于向决策者解释，缺点在于要求数据至少覆盖一个完整年度周期，且对趋势突变较为敏感，周期较短的新建指标不宜直接采用。

方法二：移动平均平滑法。通过计算7日[3]或30日[4]移动平均，平滑短期波动，凸显长期趋势。该方法适用于百度热力图、手机信令等高频率、高噪声数据[5]，能够在保留主体信号的同时剔除偶发性的短期扰动。应用时需平衡平滑程度与数据时效性：窗口越长，曲线越平滑，但对近期变化的响应越滞后，可能掩盖快速出现的活力拐点，需根据监测目标选择合适的窗口长度，并可对关键指标同步输出平滑值与原始值供对照。

方法三：X-13ARIMA-SEATS季节调整法。该方法基于ARIMA模型对时间序列进行分解，将原始序列分离为趋势、季节与不规则三个成分，并仅保留趋势成分用于指数合成[6]。相较于前两种方法，其优势在于能够处理交易日效应、节假日效应等复杂季节性模式，季节因子的估计更为稳健[7]。其应用前提是数据长度足以稳健估计季节因子，一般要求积累多年历史数据；对于逐日更新的高频指标，还可在序列中嵌入节假日哑变量，进一步剥离长假效应。

方法四：对照期基准法。为每座城市选取"基准周"——通常是气候适宜、无重大节假日的春秋季典型周——以对照期数据为基准对原始活力进行标准化，将各期读数转化为相对基准周的比值。该方法不依赖长期序列，适用于缺乏历史数据的新建指标；其局限在于基准周的选取需结合城市气候与节假日日历进行人工判断，跨城市选取标准的一致性需要专门维护，宜由统一的数据团队按统一规则执行。

四种方法在数据频率、序列长度与复杂季节性处理能力上呈梯度互补：同比变化法与对照期基准法简便直观，适合业务化快速监测；移动平均平滑法适合高频噪声数据；X-13ARIMA-SEATS法精度最高，适合具有长期序列的核心指标。实际应用中，应针对不同指标的数据条件组合使用，而非单一方法一刀切。例如，对于具有多年月度序列的客流类指标，可先以X-13ARIMA-SEATS法估计季节因子，再以对照期基准法对季节因子发生漂移的时段进行修正；对于仅有数月数据的新建指标，则宜直接采用对照期基准法，并以移动平均平滑辅助降噪。方法组合的选取应遵循能简不繁、稳健优先的原则，在精度与可解释性之间取得平衡。

4.3 季节性校正的实施流程

季节性校正并非单一方法的机械应用，而是一个包含识别、选择、校准、验证与敏感性分析五个环节的规范化流程，其目标是在保留趋势信息的前提下尽可能剔除周期性成分。

第一步，季节性识别。通过时间序列分解与周期谱分析，识别各指标是否存在显著季节成分及其周期形态，判断季节波动的幅度、方向与稳定性，为后续方法选择提供经验依据。

第二步，方法选择。根据指标的数据频率、序列长度与季节模式特征，选择与之匹配的校正方法：高频短序列指标优先采用移动平均平滑法或对照期基准法，低频长序列核心指标优先采用X-13ARIMA-SEATS法或同比变化法，节假日效应突出的指标可叠加节假日调整。

第三步，参数校准。针对不同城市、不同指标校准模型参数，包括移动平均窗口长度、ARIMA模型阶数与季节因子估计窗口等。参数校准应结合各城市气候特征、节假日日历与数据质量的差异进行，并记录参数选择的依据，保证调整过程可复核。

第四步，效果验证。通过对比校正后数据与上年同期的偏差，检验季节成分是否被有效剔除；同时对比校正前后活力指数的波动幅度与极差，判断校正是否在保持趋势信息的前提下降低了季节性噪声。若校正后残差中仍存在明显的年度周期，则需回溯方法选择与参数设定。还可借助统计检验判断季节成分是否已不显著，并将验证结果与原始序列的季节摆幅进行对比，量化校正对波动性的削减幅度。

第五步，敏感性分析。测试不同方法、不同参数设定下校正结果的稳健性，识别对参数选择敏感的指标与城市，评估校正方法引入的不确定性，并在报告正文中披露敏感性区间，避免单一参数设定下的虚假精确。图4-2给出校正前后活力指数的对比示意。

校正前后活力指数对比示意

测算示意，校正后季节波动显著收窄

从对比可见，校正前曲线呈现明显的冬低夏高摆动，校正后曲线趋于平缓，季节波动显著收窄，同时保留了年度总体水平的信息。综合本章分析，季节性偏差是城市活力测度中系统性、可识别且可消除的周期性成分；同比变化法、移动平均平滑法、X-13ARIMA-SEATS法与对照期基准法四种方法覆盖了从高频日度数据到低频年度数据、从长序列到短序列的不同场景，构成互为补充的校正工具箱。校正后的活力指数消除了与城市基本面无关的季节性波动，为跨期比较与跨城市可比评估提供了方法保障。

第五章 城市功能偏差校正方法

季节性校正通过同比变化、移动平均平滑、X-13ARIMA-SEATS与对照期基准四类方法，剔除了时间维度波动对活力指数的干扰。然而，季节性校正只解决了同一城市不同时点之间的可比性；当评估视野转向不同城市之间的横向比较时，城市功能结构差异所塑造的活力模式差异依然存在，并会系统性影响比较结论。要在地级及以上城市之间进行公平比较，必须首先消除这种与区域发展质量无关的功能偏差。

5.1 城市功能偏差的成因与特征

城市功能偏差的根源，在于不同功能区的主导功能塑造了差异化的活力节律。以中央商务区（CBD）为代表的商务功能区，活力高度集中于工作日的日间时段：通勤人口在早晚高峰涌入涌出，商务办公、专业服务与商业消费构成活力主体，而夜间与周末人流显著回落，街区活力快速衰减。以居住为主导功能的社区则呈现相反的节律，活力集中于早晚通勤时段，日间大量劳动力外流使社区氛围趋于平淡。旅游景区则表现出与工作日—休息日周期强相关的脉冲特征，周末与法定节假日的客流显著高于工作日，"五一""十一"黄金周与寒暑假形成明显峰值。这种"上班的城市""睡觉的城市""出游的城市"并存的格局，正是城市功能分化的直接体现。

值得注意的是，功能偏差不仅表现为功能区之间活力总量的差异，更表现为活力时间结构的差异。城市活力研究的经典视角强调，人类活动的密度与多样性是活力的核心来源[1]，而功能偏差恰恰意味着：即便两个城市的活动总量相近，其活动的时空分布也可能截然不同。一个以商务办公为主的单一中心型城市，与一个文旅产业发达的多中心旅游城市，在任意单一时间截面上测得的活力数值都难以直接比较。夜间经济的快速发展进一步放大了这一差异，游客夜间消费已占全天消费的32.9%[2]，旅游城市与商务城市的夜间活力格局由此呈现系统性分野。

既有研究在利用大数据测度城市活力时，多将多源数据直接加总后进行比较，忽视了功能结构差异带来的"苹果与橙子"不可比问题。多源数据融合识别城市功能区的研究已经证实，兴趣点（POI）、手机信令、夜间灯光等数据能够有效刻画城市内部的功能分异[3]，但将功能识别结果系统纳入活力指数校正流程的研究仍然有限。据此，本报告将城市功能偏差界定为：由城市功能区主导功能差异所导致的、与区域发展质量无关的活力模式系统性差异。这一定义强调两个要点：其一，功能偏差是"系统性"的，具有稳定的时空结构而非随机噪声；其二，功能偏差的成因是功能结构而非发展质量，校正的目的正在于剔除前者、保留后者。

三类功能区24小时活力模式示意

测算示意，反映功能区活力模式差异

测算示意表明，三类功能区的活力曲线在时间轴上呈现明显错位：中央商务区在日间形成陡峭峰值，居住区在早晚出现双峰，旅游景区则在午后与假日叠加时段达到高点（测算）。这种错位意味着，任何基于原始活力数值的城市比较，都会因样本城市功能区构成的不同而产生系统性偏误，必须通过功能区识别与校正加以消除。功能偏差的校正，因此成为跨城市比较从"不可比"走向"可比"的关键环节。

5.2 城市功能区的识别方法

校正功能偏差的第一步，是准确识别城市内部的功能区。结合数据可得性与精度要求，本报告综合采用四类识别方法，形成互补的功能区识别框架。

其一，基于兴趣点（POI）的功能识别。POI数据记录了餐饮、购物、商务、居住、教育、医疗等各类设施的空间分布，是识别功能区的基础数据源。通过核密度估计对各类POI的集聚程度进行平滑处理，可以识别出商业中心、商务办公区、居住社区等功能集聚区。多源数据融合识别城市功能区的研究表明，POI核密度在刻画城市功能格局方面具有良好精度[4]，高德开放平台提供的POI接口为大规模识别提供了数据基础[5]。

其二，基于面状兴趣区（AOI）的功能识别。与POI的点状分布不同，AOI以面状边界刻画商业区、居住区、工业区、旅游景区等功能单元，高德、百度等互联网地图平台已建立起较为完善的AOI数据体系。AOI的优势在于边界明确、属性完整，可直接用于功能区边界的划定与面积核算，是对POI点密度方法的有效补充。在AOI覆盖不全的区域，可结合人口地理大数据平台的热力图与客流数据对边界进行校正[6]。

其三，基于夜间灯光与POI融合的功能校正。夜间灯光强度与经济活动高度相关，能够反映产业空间集聚的整体格局。国家对地观测中心的NPP-VIIRS夜间灯光数据集提供了覆盖1992—2023年的年度序列数据[7]，将经济类POI核密度纳入夜间灯光反演模型，可以在像素尺度上修正功能区边界，提升商务与工业功能区识别的稳健性。夜间灯光与POI的融合，本质上是将"经济活动的空间集聚"与"设施类型的功能指向"相互印证，弥补单一数据源的局限。

其四，基于土地利用数据的识别。借助遥感影像解译得到的城市土地利用现状，可以识别出商业服务业设施用地、居住用地、工业用地、公共服务用地、绿地与广场用地等功能地块，为功能区识别提供用地层面的校验。对地观测遥感数据的多时相特征，还有助于识别功能区随城市更新推进而发生的动态演变。在国土空间规划实践中，手机信令数据已逐步应用于人口分布与功能区划的校核[8]，与土地利用数据形成"用地—活动"的双向印证，进一步提升功能区识别结果的可靠性。

5.3 功能偏差校正的方法论

在功能区识别的基础上，功能偏差校正需要在方法论层面解决"如何剔除功能结构差异"的问题。本报告梳理并比较三类校正方法，供不同应用场景选择。

方法一：功能分层比较法。该方法将城市内部的活力测度单元按功能区类型分层，仅在同类功能区之间进行比较。例如，CBD与CBD比较、居住区与居住区比较、旅游景区与旅游景区比较。功能分层比较法思路直观、操作简便，能够天然规避"苹果与橙子"问题，适用于功能区内部的空间结构分析。但其局限在于：当需要形成城市层面的综合活力指数时，不同功能区之间的比较依然缺乏统一基准，跨功能区的综合比较仍然困难。

方法二：功能权重标准化法。该方法为每一类功能区建立活力基线，并以原始活力与功能基线的比值作为校正后的活力，即校正后活力等于原始活力除以功能基线。功能基线通常取同类功能区在更大样本范围内的活力平均水平，反映了该类功能区"应有的"典型活力水平。校正后活力大于1，表示该功能区活力高于同类典型水平；小于1则相反。功能权重标准化法的优势在于能够实现跨功能区的综合比较，将不同功能区置于同一尺度之上；其难点在于功能基线的确定需要充分的实证支撑，基线选取的样本范围与时窗会直接影响校正结果，需通过敏感性分析加以检验。

方法三：残差分析法。该方法构建形态学预测模型，以建成环境指标（建筑密度、容积率、路网密度、功能混合度等）预测功能区的"应有活力"，并将实测活力与预测活力的比值定义为P值，即P等于实测活力除以基于形态的预测活力。当P大于0.5时，表示实测活力低于形态预测水平，功能区活力相对不足；当P小于0.5时，表示实测活力高于形态预测水平，功能区活力表现超预期。残差分析法的意义在于将"活力不足"与"活力超预期"从形态学层面加以识别，对城市更新优先级排序与公共资源投放具有直接的政策指导意义。

三类方法并非相互排斥。功能分层比较法适合功能区内部诊断，功能权重标准化法适合跨功能区综合指数合成，残差分析法适合识别活力短板与潜力空间。本报告在总体评估中以功能权重标准化法为主，辅以残差分析法进行功能区层面的活力诊断，功能分层比较法则用于分功能区的专题分析。

5.4 功能偏差校正的实施流程

将上述方法落地为可复现的操作流程，功能偏差校正可分为五个步骤。

第一步，功能区识别。综合POI核密度、AOI边界、夜间灯光反演与土地利用数据，划定中央商务区、居住区、工业区、旅游景区等功能区边界，并对多源识别结果进行交叉校验，确保功能分区在空间上的连续性与属性上的准确性。

第二步，功能基线构建。基于全国样本范围内同类功能区的活力统计分布，确定各类功能区的活力基线，形成功能基线库。基线构建应充分考虑样本代表性，并按城市规模、气候带等维度分组建模，降低组内异质性，避免以全国平均水平掩盖分区差异。

第三步，偏差计算。以功能区为单位，计算各功能区实测活力与功能基线的比值，量化功能偏差的幅度与方向，并识别偏差的时空分布特征，判断偏差主要源于功能结构差异还是区域发展质量差异。

第四步，偏差校正。将功能偏差从原始活力中剔除，生成校正后的活力值。对城市层面的综合指数，以功能区面积为权重，将校正后的功能区活力加总为城市活力；对功能区层面的专题分析，则保留功能区校正结果直接使用。

第五步，效果验证。通过对比校正前后指数波动性、跨区可比性与排名稳健性，验证校正效果，并对功能基线的选取参数进行敏感性分析，确保校正结果不依赖于特定参数设定。

五步流程与季节性校正流程相衔接，共同构成"时间—空间"双重校正机制。功能偏差校正为活力指数提供了空间维度的可比性基础，使得后续的总体评估与实证检验能够在"同质可比"的前提下展开。

第六章 城市活力指数总体评估

季节性校正解决了时间维度的波动干扰，功能偏差校正解决了空间维度的可比性问题；在双重校正的基础上，依托四大维度十六项指标的综合测度体系，本报告对全国地级及以上城市样本展开总体评估，刻画校正后城市活力的总体格局与结构特征。

6.1 城市综合活力指数排名

评估样本覆盖全国100余个地级及以上城市，涵盖直辖市、计划单列市、省会城市与部分重要地级市。截至2024年，全国共有城市694个，其中直辖市4个、地级市293个、县级市397个[1]，本报告以城区常住人口、数据可得性与区域代表性为约束，在地级及以上城市中分层选取评估样本。需要说明的是，城市综合活力指数是对多源大数据的综合测算结果，其目的在于刻画活力格局的相对位置与梯队结构，而非给出行政性精确名次。

从综合活力指数的测算结果看，城市活力呈现明显的头部集聚与梯队分化格局。第一梯队为北京、上海、深圳、广州等头部城市，其综合活力显著领先，经济、社会、文化、生态四个维度的表现相对均衡；第二梯队包括成都、杭州、武汉、南京等城市，综合活力位居前列且部分维度表现突出[2]。这一梯队格局与头部城市的经济体量高度重合：2025年GDP突破万亿元的城市已扩容至29座[3]，经济活力的头部城市与综合活力第一梯队基本重叠，表明经济维度仍是城市综合活力的重要支撑。以GDP十强城市作为经济活力的代理观察，其规模量级与活力梯队呈现一致指向。

2025年GDP十强城市（经济活力代理）

数据来源：2025年各地GDP公报[S107][S109]，量级示意，具体数值以官方公报为准

分维度来看，各城市在不同维度的表现呈现差异化特征。经济活力维度上，头部城市与万亿城市高度重叠，上海、北京、深圳、广州等城市的经济集聚效应显著；社会活力维度上，人口规模大、流动性强的城市表现更优；文化活力维度上，历史文化底蕴深厚与文旅消费活跃的城市位居前列；生态活力维度上，气候宜人、绿色空间充足的城市表现突出。综合活力由四大维度加权合成，任何单一维度的短板都会对综合位次产生制约。梯队结构在不同维度之间并非完全重合：测算结果显示，个别城市在某一维度上表现突出，但因其他维度短板而未能进入综合活力第一梯队；反之，综合活力靠前的城市亦并非在每一维度均处于领先（测算）。多维度加权合成既避免了单一指标驱动的片面评价，也使梯队划分更具稳健性。

校正前后部分城市位次的方向性调整更值得关注。测算结果显示，经功能偏差校正后，以商务办公为主导的单一中心型城市与文旅产业占比高的旅游型城市，其相对位次会出现方向性变化——前者因日间商务活力集中而在原始数据中偏高，后者因夜间与节假日的旅游活力被工作日基准低估而偏低，校正后两者的可比性显著提升（测算）。这一调整并非对城市发展质量的重新排序，而是剔除了功能结构差异后的同质可比结果，与市场化的城市评估体系亦存在印证：商业魅力评估所识别的新一线城市格局[4]，与本报告第二梯队及其外围城市的测算分布大体吻合，进一步说明梯队划分具有跨方法的一致性。

6.2 城市规模分级分析

城市规模是影响活力总量与结构的重要维度。按照国务院城市规模划分标准，城市按城区常住人口分为五档：超大城市为城区常住人口1000万以上的城市，特大城市为500万至1000万之间的城市，Ⅰ型大城市为300万至500万之间的城市，Ⅱ型大城市为100万至300万之间的城市，其余为中小城市[5]。据此标准，全国现有超大城市8个、特大城市11个[6]，Ⅰ型大城市约21个、Ⅱ型大城市约104个、中小城市约550个（测算）[7]，城市规模结构整体呈"金字塔"形分布。

按城区常住人口的城市规模分布

城市数量按城区常住人口分级[S104][S108]，部分为测算值

不同规模城市的活力特征呈现明显差异。超大城市综合活力领先，其在经济集聚、公共服务、创新要素方面具有显著优势，多数位居综合活力第一梯队；但由于人口规模趋于饱和、发展空间受限，其活力增长动能相对承压，部分指标的增长速度已低于中小城市。特大城市正处于规模扩张与功能完善的关键阶段，活力增长的边际效应较高。Ⅰ型、Ⅱ型大城市作为区域中心城市，承担着承上启下的功能，综合活力中位水平稳定。中小城市综合活力基数较低，但受县域经济、文旅消费与返乡创业等因素带动，部分中小城市展现出较强的活力增长空间，成为活力格局中不可忽视的增量来源。

这一分级思路与中国城市规划设计研究院《中国城市繁荣活力评估报告》的分级框架相衔接。该报告以41个重点城市为样本，按城市规模与能级进行分层比较，其结论与本次评估在"规模越大、活力越强但增速趋缓"的方向上相互印证[8]，为不同规模城市的分层施策提供了参照。

规模分级的意义不仅在于描述活力分布，更在于揭示不同规模城市活力增长逻辑的差异。超大城市已进入存量更新阶段，活力提升更多依赖功能优化、空间品质改善与夜间经济等存量空间的再激活，而非人口机械增长；特大城市与大城市处于功能扩张与要素集聚的红利期，基础设施完善与产业升级对活力的边际带动作用明显；中小城市则可通过特色产业培育、县域商业体系完善与返乡创业支持等路径，将相对低位的活力基数转化为可观的增长弹性。将规模维度纳入总体评估，有助于避免"以大论强"的简单化判断，为面向不同规模城市的分层政策设计提供依据。

6.3 区域分布特征

从区域格局看，校正后的城市活力呈现"东强西弱、沿海领先"的总体特征。东部沿海地区城市综合活力整体领先，粤港澳大湾区、长三角、京津冀三大增长极的城市密集度高、活力能级强；中部地区城市活力呈上升态势，武汉、郑州、长沙等城市表现突出；西部地区依托成渝地区双城经济圈建设，成都、重庆等城市活力显著提升，但区域内部差异较大；东北地区城市综合活力相对偏低，部分资源型城市面临活力收缩压力。从省域层面看，城镇化率与城市活力之间存在明显的正向关联：城镇化率较高的省份，其城市群与都市圈内部的活力网络更为密集；城镇化率相对偏低的省份，活力更多集中于少数中心城市。分省常住人口城镇化率直观反映了这一东高西低的梯度格局，东部省份普遍处于较高水平。

2025年分省常住人口城镇化率

数据来源：国家统计局2025年统计公报与各省公报[S101][S106]，城镇化率为常住人口口径

城市群内部的结构差异更为丰富。四大城市群的经济体量奠定了其活力基础：长三角地区地区生产总值约33.2万亿元、占全国比重约24.7%，京津冀地区约11.5万亿元，珠三角地区约14.7万亿元，成渝地区约8.7万亿元[9]。长三角城市群城市数量多、梯度均衡，整体活力水平高；珠三角依托广深港创新走廊，创新创业活力突出；京津冀呈现明显的中心—外围梯度，北京的辐射带动与周边城市承接并存；成渝双城在西部形成高活力增长极，带动周边城市协同提升。测算结果显示，城市群内部核心城市与外围城市的活力梯度，与各城市群的一体化程度密切相关（测算）。

与此同时，部分城市正经历收缩。龙瀛课题组对全球收缩城市的研究显示，2022年全球收缩城市约占城市总数的27%，预计2050年将升至37%[10]。收缩城市的活力特征表现为：人口减少带来社会活力下降，存量空间利用不足导致商业与公共服务活力衰减，若缺乏产业与功能的及时转换，活力下降与人口流失可能形成负反馈循环。就中国而言，收缩城市的活力变化与资源型城市转型、老工业基地振兴等进程密切相关，部分城市已通过培育接续产业、发展文旅与冰雪经济等路径实现了活力的部分修复，为识别收缩、应对收缩提供了观察窗口。将收缩城市纳入总体评估，有助于把"增长视角"与"收缩视角"结合起来，避免对城市活力作出单向的线性判断。

6.4 时间趋势分析

从年度趋势看，2020—2025年间全国城市活力整体呈上升态势，与城镇化进程相互印证。2025年末全国常住人口城镇化率达到67.89%[11]，较2020年的63.89%提升约4个百分点[12]，城镇人口持续集聚为城市活力提供了坚实的人口基础，城市数量与城市群格局的优化进一步拓展了活力的空间载体。

2020-2025年中国常住人口城镇化率趋势

数据来源：国家统计局[S101][S102]

在年度上升趋势之下，季节性波动模式呈现出显著的南北分化与节假日效应。冬季，北方城市受低温影响，户外活动与商业客流相对低迷，而南方城市活力相对平稳；春节假期则形成全国性的文旅高峰，旅游城市客流大幅上升，返乡流动带动中小城市活力短时抬升。"五一"、国庆等假期及寒暑假期间，旅游城市的活力脉冲尤为明显，非旅游城市则相对平稳。除年度与季节尺度外，周内节律与日内节律同样构成活力监测的重要内容。工作日与周末的活力差异在不同功能区和不同城市间呈现不同形态：夜间经济活跃的城市，其晚间时段的活力占比明显更高；旅游城市在假期与平日的活力落差，显著大于以商务和居住功能为主的城市。季节性波动在时间趋势分析中具有重要的政策含义：活力指数的动态监测须以季节校正后的口径为准，避免将季节性波动误读为活力升降，城市更新与夜间经济政策也应据此精准匹配，避免以统一时段口径掩盖功能区之间的节律差异。

总体评估揭示了校正后城市活力的梯队格局、规模分化、区域差异与时间趋势：头部城市集聚、东强西弱、超大特大城市领先而中小城市蕴含增量，这一总体格局为后续实证检验校正有效性、剖析驱动机制提供了基础样本与格局判断。

第七章 校正方法的实证检验

第六章的总体评估揭示出一个清晰的空间图景：校正后的城市活力指数呈现东强西弱、头部集聚的格局，超大与特大城市综合活力领先，中小城市则显现出增长潜力。这一结论是否可信，取决于双重校正是否真正消除了季节性波动与功能偏差带来的系统性扰动。为回答这一问题，本节从波动性压缩、跨功能区可比性提升与稳健性三个层面，对校正方法进行严格的实证检验，以判断校正前后的活力指数在测量性质上是否发生了实质性的改善。

7.1 季节性校正的效果检验

季节性校正的首要目标，是压缩活力指数的月度波动，使不同季节的城市活力具有可比性。以第六章样本城市为对象，按城市类别分组，分别计算校正前后月度活力指数的标准差与变异系数。测算结果显示，校正后各类城市活力的月度波动均明显收窄：北方城市与旅游城市的压缩幅度最大，南方城市与非旅游城市次之，但各类城市无一例外地实现了波动性下降（见图7-1）。以标准差衡量，测算中校正前波动较大的城市类别，其月度波动由两位数量级回落至个位数量级，降幅普遍超过六成。波动性的压缩意味着，校正前可能被冬季低谷或夏季高峰所放大的城市间差异，在校正后能够更为真实地反映城市活力的常态水平，指数的时间可比性由此得到保障。变异系数的变化进一步印证了这一判断：由于变异系数消除了均值水平的影响，校正后各类城市活力指数的变异系数普遍下降，说明波动性的压缩并非均值变化所致，而是季节性噪声被系统性剥离的结果。

季节性校正前后城市活力指数标准差对比（测算）

测算示意，反映季节性校正对波动性的压缩效果

季节性波动的强度在南北城市之间呈现显著分化。我国常住人口城镇化率已达67.89%[1]，城市人口高度集聚，而户外活动强度与气候条件密切相关。北方城市冬季严寒、供暖周期长，室外步行、骑行等户外活动明显减少，夜间灯光、餐饮外卖与人流热度等指标在冬季呈现周期性低谷，季节性校正的幅度因此更大。南方城市冬季相对温和，全年户外活动较为均衡，校正幅度相对有限。测算显示，北方城市校正前的月度波动明显高于南方城市，校正后两者的波动水平趋于接近，说明季节性校正对不同气候区起到了差异化的平滑作用，避免了以统一的季节参数掩盖南北城市差异化的季节节律。

旅游城市与非旅游城市的差异同样显著。旅游城市活力高度依赖客流，淡旺季波动剧烈，节假日期间人口瞬时集聚，活力指数在长假与暑期出现明显峰值。中国旅游研究院的报告显示，游客夜间消费占全天消费的比例已达32.9%[2]，5A级景区夜间开放率达66.9%[3]，夜间时段已成为旅游城市活力的重要来源，也使旅游城市在全天候与节假日维度上的波动更为复杂。校正后，旅游城市活力的淡旺季落差被显著压缩，节假日效应被纳入季节性基准加以调整，旅游城市与非旅游城市得以在同一尺度上比较，此前因客流脉冲而虚高的旅游城市排名也相应回归合理区间。

针对高纬度城市季节性数据缺失的问题，本报告采用上一级行政区数据与明确口径说明相结合的处理方式。部分高纬度城市在严寒期户外人流类指标数据稀疏，直接计算易产生较大误差，故以其所在省级区域或同纬度城市群的均值序列作为参考基准，对缺失月份进行插补，并在指数口径中标注该类月份为"低活跃期"，避免将数据稀疏误判为活力下降。手机信令、热力图等人流数据在严寒期的采集稀疏性已受到关注[4]。需要说明的是，此类处理对活力绝对水平的影响有限，但对冬季活力排名的稳健性具有实质性保障，使高纬度城市不致因数据缺口而在冬季评估中系统性偏低。

7.2 功能偏差校正的效果检验

功能偏差校正旨在解决不同类型功能区活力"苹果与橙子"不可比的问题。校正前，中央商务区、居住区、旅游景区等功能区因主导功能不同，其活力指标的量级与结构存在系统性差异，直接比较会扭曲城市内部的空间格局判断。功能分层比较与功能权重标准化校正后，各功能区的活力指数被纳入统一基准，跨功能区可比性显著提升。以某特大城市为例，其中央商务区与典型居住区在功能分层校正前，综合活力指数差距测算高达数倍，这一差距主要源于两类区域活动时段的错位而非真实活力悬殊；校正后两类区域的指数差距收窄至同一可比量级，空间格局判断更为稳健。

从排名变化来看，功能偏差校正对城市内部空间单元的位次产生了实质性影响。以某城市核心商务区与相邻居住区为例，校正前商务区因白天办公人流密集、商务类指标得分高而居于前列，居住区则因夜间与周末活动在总量指标上不占优势而相对靠后；功能权重标准化后，居住区夜间与周末的活动强度得到充分体现，两者在城市活力空间单元中的位次明显接近，个别居住功能主导单元在校正后跃升进入第一梯队。这种位次调整并非指标权重的随意改变，而是对"不同功能单元应以其功能定位为参照衡量活力"这一原则的落实，使校正后的活力排序更贴近居民日常生活所感知的"真实活力"。

残差分析进一步为城市更新优先级的识别提供了工具。其基本思路是，以功能区类型与基础条件构建活力预测基准，将实际观测活力与预测基准的比值作为残差指标（P值），P值持续偏低即表明该区域实际活力未达到其功能定位应有的水平，构成"活力不足"区域。测算显示，此类区域主要集中在老旧商务区、传统工业转型区与部分配套滞后的居住片区，恰恰是城市更新行动的重点对象[5]。将残差分析嵌入城市体检流程，能够以数据驱动的方式识别更新优先级，为城市更新行动提供明确的空间指向[6]。

7.3 校正方法的稳健性分析

校正方法的可信度，最终取决于其稳健性。本报告采用多种方法交叉验证：同比变化法、移动平均法与X-13ARIMA-SEATS分别对同一城市样本进行季节调整。X-13ARIMA-SEATS由美国普查局开发，是国际通行的季节调整权威方法[7]。以同比变化法的结果为参照，测算显示移动平均法与X-13ARIMA-SEATS的稳健性得分均处于较高区间，其中X-13ARIMA-SEATS得分居首（见图7-2），三种方法校正后的城市活力位次排序一致性较高，未出现因方法差异导致的系统性偏离。这一结果表明，本报告的季节性校正结论并非依赖某一种特定方法的偶然结果。

三种校正方法交叉验证结果对比（测算）

测算示意

参数敏感性分析表明，校正结果对方法参数的选择不敏感。以移动平均法为例，将平滑窗口由7日调整为30日，校正后的城市活力指数位次变化极为有限，仅对波动剧烈的旅游城市产生小幅影响，且影响方向与季节性规律一致。X-13ARIMA-SEATS方法中趋势项与季节项分解参数的微调，同样未改变城市间相对位次的总体格局。这说明校正结论并非特定参数的偶然产物，参数取值在合理范围内的变动不会动摇城市活力评估的核心判断，方法具有可复现性与稳健性。

与现有权威报告的对照，为校正结果的合理性提供了外部证据。中规院《中国城市繁荣活力评估报告》覆盖41个城市[8]，武汉、成都、上海等城市位居前列[9]；新一线城市研究所《2025城市商业魅力排行榜》评出新一线城市15座[10]，其商业资源集聚度与城市人活跃度维度与本报告的活力指数高度相关[11]。将本报告校正后的头部城市梯队与上述两份报告对照，可以发现头部城市名单大体重合、相对位次未见系统性扭曲，差异主要体现在本报告对波动性与可比性的精细化处理上。这一对照说明，双重校正未损害城市活力评估的"常识一致性"，反而在方法论上更为严谨。

综合波动性压缩、功能可比性提升与稳健性检验三个层面，校正方法的有效性得到确认：季节性校正显著降低了指数的时间波动，功能偏差校正提升了空间单元间的可比性，交叉验证与权威对照则保障了结果的稳健性。双重校正由此构成了一个可信、可比的测量框架，城市活力指数得以在更干净的信号基础上被进一步解读，这正是驱动机制与空间特征分析得以展开的前提。

第八章 城市活力的驱动机制与空间特征

校正后的城市活力指数在波动性、可比性与稳健性三个维度均通过了实证检验，双重校正的有效性由此得到确认。在这一可信的测量框架下，城市活力的空间组织与生成机制得以被进一步追问：活力在空间上如何分布？是什么因素驱动了活力的生成与分化？工作日与休息日的活力节律又呈现出怎样的差异？对这些问题的回答，直接关系到城市活力能否被有针对性地培育与提升，也决定了城市间活力差异能否被合理解释而非简单归因于规模或区位。

8.1 城市活力的空间分布特征

以校正后城市活力指数为基础，采用局部空间自相关（冷热点分析）考察城市活力的空间集聚特征。测算结果显示，城市活力在空间上并非随机分布，而是呈现显著的集聚格局：东部沿海地区与京津冀、长三角、珠三角、成渝等城市群核心区构成高活力集聚带，中西部与东北的广大腹地则相对低值集聚。这一格局与经济活动的空间分布高度吻合。区域经济数据表明，长三角地区经济总量达33.2万亿元、占全国比重约24.7%[1]，京津冀地区约11.5万亿元[2]，珠三角地区约14.7万亿元[3]，成渝地区约8.7万亿元[4]，经济集聚与活力集聚在空间上相互印证。夜间灯光是识别城市活力空间格局的重要数据支撑，全球年度模拟NPP-VIIRS夜间灯光数据集提供了1992年以来的长时间序列[5]，可持续发展科学卫星SDGSAT-1的微光数据则进一步提升了夜间人地活动的辨识能力[6]。基于多源夜光数据与人口热力分布的综合判断，高活力集聚带的范围与强度得到交叉印证，空间聚类的结论更为稳健。

高活力区域的空间结构呈现明显的梯度特征。全国地区生产总值破万亿元城市已达29座[7]，集中于东部沿海与城市群核心区，构成活力高地的基本骨架。全国GDP百强城市的分布同样印证了这一格局，江苏、山东、广东等省份上榜城市数量领先[8]。围绕这一骨架，活力水平由核心向外围梯度递减，形成"核心—圈层—外围"的空间结构。从四大区域来看，东部地区城市活力相对水平明显领先，中部、西部与东北地区依次递减，区域间的活力梯度清晰可见（见图8-1），且东部内部的梯度落差大于其他区域，说明东部城市间的发展分化更为突出。

四大区域城市活力相对水平（测算示意）

测算示意，反映区域活力梯度

与高活力集聚相对应，部分区域形成持续的活力"洼地"。收缩城市是其中的典型。全球范围内，收缩城市占城市总量的比例约27%[9]，预计到2050年将升至约37%[10]，中国亦存在一定数量的收缩城市[11]，其人口流失、设施空置与活力下降相互强化。此外，部分资源型城市在资源开采进入衰退期后，主导产业收缩、接续产业尚未形成，城市活力面临转型期的系统性压力。识别这些活力"洼地"及其成因，对于差异化政策设计具有直接的指向意义。

8.2 城市活力的驱动因素分析

为识别城市活力的核心驱动因素，本报告基于XGBoost-SHAP可解释机器学习框架对样本城市进行分析[12]。该方法通过多源地理空间数据构建预测模型，并借助SHAP值解释各因素对活力的贡献，已在长沙、济南等城市的实证研究中得到应用[13]。测算结果显示，经济密度、人口流动性、公共空间可达性三项因素的相对重要性居于前列，构成城市活力的核心驱动；产业多样性、文化设施密度、生态质量居于次一梯队（见图8-2）。需要强调的是，上述排序为测算所得的相对重要性区间，并非精确的SHAP系数值，具体量级会随样本范围与指标设定略有变化。

城市活力核心驱动因素的相对重要性排序（测算示意）

基于XGBoost-SHAP方法的测算示意，非精确系数

驱动因素的影响并非简单的线性叠加。可解释机器学习分析显示，经济密度、人口流动性对活力的边际贡献存在明显的阈值效应：在适度集聚区间内，密度与流动性的提升能够显著增强活力；但当集聚超过一定水平后，边际贡献趋于递减，过度集聚带来的拥挤、通勤成本上升与公共空间挤压反而可能削弱活力体验。类似地，公共空间可达性与生态质量在达到一定水平后，其对活力的提升作用趋于平缓[14]。这意味着城市活力培育并非一味追求"更高、更密、更多"，而需要在集聚与品质之间寻求平衡。

多因素之间存在显著的协同效应。测算显示，经济密度与公共空间可达性同时较高的区域，其活力往往高于两者单独作用的简单加总，说明良好的公共空间能够放大经济活动的活力溢出；产业多样性与文化设施密度相互配合，能够延长城市活力的时间跨度与空间覆盖。这种协同机制提示，单一维度的投入难以形成持久的活力，城市活力的培育需要多要素的系统性组合，单纯依赖某一类设施或某一项政策难以复制高活力城市的整体效应。交通可达性与通勤效率亦是活力的支撑性因素，百度地图与高德地图的城市交通报告显示，交通健康指数较高的城市，其活力在空间上的分布更为均衡[15]。

驱动因素的相对重要性在不同城市与区域之间呈现异质性。对超大、特大城市而言，经济密度与人口流动性的主导作用更为突出；对中小城市而言，公共空间可达性、生态质量与生活性设施的边际贡献相对更高。东部沿海城市与中西部城市、北方城市与南方城市的驱动结构亦存在差异，这要求活力提升策略必须立足本地禀赋，避免"一刀切"。空间异质性的存在，也为探讨活力与可持续发展之间差异化关联的后续分析提供了前提。

8.3 工作日与休息日的活力差异

城市活力在工作日与休息日呈现出规律性的节律差异。基于手机信令与热力图等人口时空大数据[16]，测算显示工作日城市活力呈现明显的"双峰"结构，早高峰与晚高峰时段活力快速攀升，与通勤节奏高度同步；休息日则呈现"单峰偏后"结构，活力峰值后移至午后与傍晚，全天分布更为平缓（见图8-3）。地铁客流数据同样印证了这一节律：全国已有54个城市开通运营城市轨道交通[17]，其工作日客流以通勤为主、休息日以休闲出行为主，客流曲线的形态差异明显。

工作日与休息日城市活力24小时曲线（示意）

测算示意，反映工作日-休息日活力模式差异

不同功能区的节律模式差异更为鲜明。中央商务区工作日白天活力极高，休息日则明显回落；旅游景区与休闲商业区恰好相反，休息日与节假日活力显著高于工作日。测算显示，CBD区域工作日与休息日的活力落差可达数倍，而景区类区域的落差方向与之相反。这种错位意味着，城市整体的活力水平并非恒定，而是不同功能区节律的加总，功能错配可能导致"白天拥挤、夜晚空城"或"工作日冷清、休息日爆满"的结构性失衡，需要从城市整体而非单一功能区的视角加以统筹。

不同类型城市的工作日—休息日差异亦不相同。旅游城市休息日与节假日的活力放大效应最为显著，游客夜间消费占全天比例已达32.9%[18]，节假日客流对城市活力形成强脉冲；商务主导型城市则相反，工作日活力明显高于休息日。这一节律差异为政策设计提供了空间。国办发〔2025〕2号文件明确提出繁荣文化和旅游消费、发展夜间经济的政策措施[19]，夜间经济与周末经济恰好能够承接休息日与夜间的活力空档；广州24小时便利店占便利店总量比例达78%[20]，其夜间供给支撑了城市夜间活力，可作为夜间经济规划的参考样本。针对不同功能区的节律特征，实施差异化的时段治理与设施供给，是提升城市整体活力的有效路径。周末经济则有助于将休息日的活力峰值转化为更持久的消费与交往，城市可通过周末文体活动、创意市集与公共空间延时服务，将工作日与休息日的活力落差转化为新的增长机会，使城市活力在时间维度上更加均衡。

经济密度、人口流动性、公共空间可达性构成城市活力的核心驱动，空间集聚、非线性效应与工作日—休息日节律共同解释了城市活力的空间分化与时间结构。这一机制图景表明，城市活力既受经济基础与空间品质的支撑，也受集聚程度与时段供给的约束，活力培育需要兼顾空间布局、要素组合与时段节奏的多重维度，为判断城市活力与可持续发展之间的关系提供了分析基础。

第九章 城市活力与城市可持续发展的关联

机制分析显示，经济密度、人口流动性、公共空间可达性是驱动城市活力的核心因素，且这种驱动存在明显的非线性与阈值效应。当活力水平跨越临界值后，其对经济增长与社会福祉的边际贡献趋于分化，资源与环境约束则同步凸显。全国格局上，东部沿海与主要城市群凭借高经济密度集聚了旺盛的活力，也相应承担了更高的能耗与排放压力，活力与可持续发展之间由此构成复杂的权衡关系。围绕这一权衡，可以从经济增长、社会福祉与生态环境三个维度进一步辨析。

9.1 城市活力与经济增长

城市活力与经济增长之间呈现显著的正向关联。宏观层面，2025年全国国内生产总值突破140万亿元[1]、同比增速达到5.0%[2]；城市层面，GDP破万亿元的城市扩容至29座[3]，大连、温州首次跻身万亿城市行列。测算结果显示，活力指数居前的头部城市与万亿级经济规模城市高度重叠，两者相互强化、形成正向循环。城市群尺度上，经济与活力的耦合更为突出：长三角地区经济总量约33.2万亿元、占全国比重接近四分之一[4]，珠三角约14.7万亿元[5]，京津冀约11.5万亿元[6]，成渝地区约8.7万亿元[7]，这些城市群既是全国经济重心，也是城市活力指数的头部集聚区（见图9-1）。

四大城市群经济总量（2024-2025，亿元）

数据来源：《中国区域经济发展报告2024-2025》[8]

活力与创新能力同样紧密关联。高活力城市通常是区域创新的策源地，高校、科研机构与创新型企业在此密集集聚，人才、资本与技术要素的流动强度显著高于一般城市。新一线城市研究所发布的商业魅力排行将新经济竞争力作为衡量城市活力与吸引力的重要维度，活力领先城市在创新产业与商业资源的集聚度上普遍居前[9]。创新要素的集聚反过来又增强城市的经济活力，形成"创新—活力—增长"的自我强化机制，创新对增长的支撑由此具备活力这一微观载体。高活力城市也因此成为创业与就业的首选地，创新产业链条在活力集聚区不断延伸，进一步巩固了增长的质量基础。

活力与人才吸引力的关系更为直接。流动人口与青年人口正加速向高活力城市集聚，活力水平构成人口选择城市的重要信号。中规院开展的繁荣活力评估将常住人口吸引与外来人口吸引作为核心观测维度，其结果与基于大数据的活力指数在头部城市上高度一致[10]。对城市而言，保持并提升活力水平是增强人口吸引力的前提；对个体而言，高活力城市意味着更多就业机会、更快的职业成长与更丰富的生活方式，人才向高活力城市的集聚由此成为结构性趋势。而在活力持续走低的另一面，收缩城市的经验从反面印证了活力的重要性：研究显示，2022年全球收缩城市占比约27%[11]，预计2050年将升至约37%[12]，活力不足的城市往往陷入人口流失与增长乏力的双重困境。

综合来看，活力与经济增长互为因果：经济密度塑造了活力的空间基础，而活力又通过集聚效应放大增长动能。这一正反馈机制既是高活力城市持续领先的原因，也对相对落后的城市提出了以活力提升带动增长的现实要求。

9.2 城市活力与社会福祉

城市活力的社会意义不仅体现为经济增长，更在于其与居民生活质量的直接关联。高活力城市通常提供更丰富的就业机会、更多元的消费选择与更充沛的文化休闲供给，居民在物质与精神层面的可获得感随之提升。消费业态的繁荣程度是生活质量的一个直观侧面，以24小时便利店为代表的即时零售业态，其密度与占比已成为观察城市消费便利度与持续度的重要指标，广州的24小时便利店占比居全国之首、达到78%[13]。公共服务设施的空间密度与可达性，则构成连接活力与福祉的关键桥梁。

公共服务可及性方面，公共交通的运行强度直观反映城市公共服务的使用效率与居民出行便利度。全国54个开通轨道交通的城市按月发布运营数据[14]，头部活力城市的地铁客运量与其城市规模、人口密度相匹配，地铁客流已成为观察城市运行活力的高频指标。公共服务设施的空间分布同样影响活力与福祉的转化效率，基于POI数据的分析显示，教育、医疗、文体等设施密度较高的区域，其人口活动与消费活力也相应更高，设施供给与活力水平呈现空间上的正向匹配[15]。

社会包容性层面，活力与不同群体的城市参与相互促进。公共空间、夜间经济与社区活动的展开，为不同年龄、职业与收入群体提供了参与城市生活的渠道；一个包容的城市能够将更多群体的活动纳入城市运行的总体图景，而非仅由少数强势群体主导。中规院评估显示，活力较高的城市在常住人口与外来人口吸引上表现更为均衡，说明其城市参与的开放度与包容度更高[16]。

总体而言，活力与福祉的关联并非自动实现，而是依赖公共服务供给与制度安排。将活力的红利转化为普惠的福祉，需要城市在设施配置、服务供给与治理机制上持续发力。同时，活力带来的高密度社会交往也为居民提供了更强的社会支持网络，城市生活的安全感与心理福祉随之提升，这正是活力超越经济指标、直抵民生福祉的深层价值。

9.3 城市活力与生态环境

与经济增长、社会福祉的正向关联不同，城市活力与生态环境之间呈现更为复杂的权衡关系。高活力城市人口与经济活动高度集聚，交通、建筑与工业用能需求相应上升，能耗与碳排放压力随活力水平的提升而加大。在碳达峰目标约束下，如何在保持活力的同时控制排放，成为城市可持续发展必须回答的命题[17]。测算示意显示，人均碳排放随活力水平大致呈上升趋势，活力与碳排之间存在客观的权衡关系（见图9-2）。

城市活力水平与人均碳排放关系示意

测算示意，反映活力-碳排权衡关系

高活力区域的生态环境代价与收益并存。一方面，工业与交通活动密集使部分高活力城市在特定时段面临PM2.5等污染物浓度偏高的压力；另一方面，近年来全国城市空气质量持续改善，生态环境部对339个地级及以上城市开展月度监测[18]，PM2.5治理成效显著、空气质量优良天数比例稳步提升。绿地与植被覆盖同样呈现改善态势，中科院地理所发布的高分辨率逐年NDVI数据表明，全国主要城市的植被覆盖整体向好，生态本底得到修复与巩固[19]。这说明环境代价并非活力的必然结果，而是发展阶段与治理水平的函数，同样的活力水平可以对应截然不同的环境绩效。

平衡路径上，活力与可持续并非不可兼容。城乡建设领域碳达峰实施方案倡导绿色低碳城市建设，通过推广绿色交通、推进建筑节能、实施生态修复等手段，可在不牺牲活力的前提下有效降低生态代价[20]。绿色低碳转型与活力提升之间可以形成协同：步行与骑行友好的空间营造、轨道交通导向的开发、公共绿地可达性的改善，既增强城市活力，也减少对高碳出行方式的依赖。由此，"活力—可持续"平衡的实质，是将城市发展的评价坐标从单一的经济规模转向包容增长的复合尺度，在增长动能、社会福祉与生态约束之间寻求动态均衡。

综合来看，城市活力与经济增长、社会福祉正向关联，与生态环境存在权衡；这一关联结构表明，政策设计必须在增长、福祉与生态之间寻求动态平衡，也正是将活力判断转化为治理选择的基本依据。

第十章 政策建议

校正后的活力评估确认了城市活力东强西弱、头部集聚的总体格局，揭示了经济密度、人口流动性与公共空间可达性的驱动作用，也辨析了活力与可持续发展之间的权衡关系。测算结果显示，超大与特大城市综合活力领先但增长承压，大城市活力中等而潜力较大，中小城市活力偏低但存在增长空间。基于这一判断，政策设计应沿城市规模、功能区类型、季节维度与数据治理四条主线展开，把活力测度转化为可操作的治理行动。

10.1 面向不同规模城市的差异化政策

不同规模城市在活力水平、动力结构与约束条件上差异显著，按城市规模实施差异化政策是提升政策针对性的基础。参照国务院城市规模划分标准，全国城市可按城区常住人口划分为超大城市、特大城市、大城市与中小城市四类[1]。各类型城市应立足自身活力特征，明确差异化的政策重点（见表10-1）。

超大城市是综合活力的领跑者，但部分城市增长动能趋缓，空间品质、职住平衡与交通拥堵等问题凸显。按住建部年鉴口径，全国超大城市包括上海、北京、深圳、重庆、广州、成都、天津、武汉等8座[4]。其政策重点应从外延扩张转向存量活力优化，依托城市更新提升空间品质，以创新驱动培育新的增长点，避免"高活力、低效率"的粗放运行。

特大城市活力较高但内部不均，中心城区与外围组团之间、商务区与居住区之间的活力梯度明显，住建部口径下特大城市共11座[5]。政策上应推动功能区活力平衡与公共服务均等化，引导要素在更大空间尺度上合理配置，防止中心城区过度拥挤而外围区域活力不足。

大城市（城区常住人口100万至500万）活力中等但潜力较大[6]，应通过特色产业导入与活力培育增强对周边人口的吸引力，在承接产业转移中塑造自身竞争优势。

中小城市（城区常住人口100万以下）活力偏低但存在增长空间[7]，应立足本地资源禀赋实现差异化定位，塑造特色活力，避免简单复制大城市的扩张模式。在分类施策的同时，还应依托城市群与都市圈建设促进大小城市协同，使超大城市、特大城市的活力有序向周边中小城市外溢传导，形成梯度互补的活力格局[8][9]。

10.2 面向不同功能区的精细化治理

功能偏差校正的结果表明，城市活力在不同功能区之间存在系统差异，商务区、居住区、工业区与旅游区的活力模式不可直接比较。面向功能区的精细化治理，是盘活存量空间、提升整体活力的有效抓手，城市更新行动为此提供了政策平台[10]。

商务区在通勤时段活力高涨，但夜间与周末活力明显回落。政策上应推动"商务+消费"融合，在商务楼宇周边植入商业、餐饮、文化等业态，延长有效活力时段，把白天的商务人流转化为全天候的消费人气，从而在存量空间内创造新的活力增量。同时可探索错峰使用与共享空间机制，提升既有设施在非通勤时段的利用率，让商务空间的硬件投入获得全天候回报。

居住区应完善社区级公共服务设施，建设完整社区，提升居民日常生活的便利度与归属感。中办、国办关于持续推进城市更新行动的意见将完整社区建设列为重点任务，社区层面活力的修复是城市整体活力提升的微观基础[11]。通过补齐养老、托育、文体等社区短板，增强居民对城市生活的获得感，社区活力的提升也将反哺城市整体的社会包容水平。

工业区可通过"工业+文创"转型激活存量空间，将闲置厂房转化为创意园区、展览空间与消费场景，实现存量空间的功能置换与活力再生[12]。这一路径既能保留城市工业记忆，又能为新兴产业与创意人群提供低成本空间。

旅游景区应平衡淡旺季，发展四季旅游与全时消费，降低对单一旅游时段的依赖；城市更新中预留的公共空间可与景区联动，形成"景区—街区—社区"一体的活力网络。

10.3 季节性活力提升策略

季节性校正确认了城市活力在时间维度上的系统性波动，不同地区城市因气候与资源禀赋差异，活力低谷期各不相同。因城施策、分季施策，有助于把低谷期的活力潜力转化为实际的消费与活动。

北方城市冬季气温低、户外活动减少，宜发展冬季室内经济，重点培育冰雪产业、文博展览与室内商业。冰雪消费已成为北方城市冬季活力提升的重要方向，室内文博与商业空间的优化能有效对冲季节衰减，形成"淡季不淡"的活力状态。此外，北方城市可依托室内公共空间举办节庆与会展活动，将寒冷气候转化为独特的城市体验，塑造差异化的冬季城市名片。

南方城市夏季炎热，宜发展夏季夜间经济与水上经济，延长夜间消费时段。中国旅游研究院《2025中国夜间经济发展报告》显示，游客夜间消费占全天消费的32.9%[13]，夜间时段是南方城市释放消费潜力的关键窗口（见图10-1）。

2025年游客夜间消费与日间消费占比

数据来源：中国旅游研究院《2025中国夜间经济发展报告》[14]，游客消费口径

旅游城市应开发淡季产品，平滑季节波动。5A级景区夜间开放率已达到66.9%[15]，通过延长开放时间、丰富夜游产品，可以拓展全时段的消费空间。旅游城市还可结合气候与节事资源，开发避暑度假、冰雪研学等反季节产品，实现四季均衡发展。国办印发《关于进一步培育新增长点繁荣文化和旅游消费的若干措施》，明确提出发展夜间经济、繁荣文旅消费，为季节性活力提升提供了政策支撑[16]。

10.4 数据驱动的城市治理建议

本报告构建的多源大数据活力指数，为城市治理提供了新的工具与方法。把活力监测嵌入城市治理体系，是提升治理精细化、科学化水平的关键环节，也是从静态评估走向动态治理的必然选择。

建议建立城市活力常态化监测平台，融合夜间灯光、手机信令、POI、空气质量与地铁客流等多源大数据，对城市活力进行高频更新与动态追踪。NPP-VIIRS夜间灯光数据与百度地图慧眼人口热力数据可支撑月度乃至周度的活力变化监测[17][18]，高德POI数据可刻画设施供给的空间分布[19]，生态环境部城市空气质量月报与交通运输部轨道交通运营速报可分别补充生态与运行维度的高频信息[20][21]。多源数据的融合应用，能够把活力指数从年度静态评估拓展为常态化动态监测，为政策响应争取时间窗口。监测平台还应建立预警与响应机制，当活力指数出现异常波动时，可及时识别原因并启动针对性干预，提升城市治理的预见性与主动性。

建议将活力指数纳入城市体检指标体系。住建部已部署全面开展城市体检工作，将宜居、韧性、智慧等维度纳入体检范围[22]。活力指数作为反映城市运行状态的综合性指标，可帮助识别活力洼地与发展短板，为城市更新项目提供优先级依据，使城市体检从"查病"走向"开方"。城市体检发现的问题可与活力监测结果相互印证，为政府绩效考核与规划调整提供数据支撑。

建议推动城市活力数据开放共享。数字中国建设整体布局规划将数据要素确立为重要战略资源[23]，城市活力数据的开放共享有助于社会力量参与城市研究与治理创新。中新天津生态城建设了全国首个域级城市大脑，集成城市运行的多源数据，为数据驱动的城市治理提供了可复制的实践样板[24]。

综合来看，面向不同规模与功能区的差异化政策、因应季节规律的活力提升策略，以及数据驱动的常态化治理，共同把活力测度转化为可操作的治理行动，也为面向"十五五"时期城市活力趋势的研判提供了政策落脚点。

第十一章 结论与展望

面向不同规模城市与功能区的差异化政策，以及常态化活力监测平台的数据基础设施定位，构成了城市治理对活力指数的现实需求。这一需求能否转化为可操作的治理工具，取决于活力指数在时间与空间两个维度上是否具备足够的稳定性与可比性。本研究以多源大数据构建的城市活力指数评价体系，正是围绕这一前提展开的方法探索：通过季节性校正与功能偏差校正双重机制，剔除传统评估中被忽视的系统性偏差，从而为面向"十五五"的城市治理提供更可靠的量化依据。

11.1 主要研究发现

本研究的实证检验首先表明，双重校正确实改变了城市活力排名的形态。本研究以多源大数据测度城市活力，顺应了城市活力研究从定性走向定量、从单一指标走向多维合成的总体趋势[1]。在此基础上，季节性校正采用同比变化、移动平均平滑与X-13ARIMA-SEATS季节调整等途径，将气候、节假日与旅游周期等时序因素从活力波动中分离出来，其中X-13ARIMA-SEATS程序提供了成熟的趋势、季节与不规则分量分解框架[2]。功能偏差校正则针对商务、居住、工业、旅游等不同功能区主导功能差异造成的横向不可比问题，通过功能分层比较、功能权重标准化与残差分析予以处理。测算结果显示，双重校正后样本城市活力指数的年度波动区间明显收窄，城市间位次变动的随机性下降，南北方城市之间、旅游与非旅游城市之间、中央商务区与居住区之间的横向可比性显著提升。未经校正的简单排名在相当程度上放大了时序扰动与功能区结构差异，双重校正使城市活力比较回归到可解释、可复制的轨道。

校正后的评估结果勾勒出中国城市活力的空间格局与规模分级特征。从区域看，城市活力呈东强西弱总体态势，东部沿海城市群活力水平整体领先，中部、西部与东北地区呈梯度分布，京津冀、长三角、珠三角与成渝等城市群内部呈现明显的核心—外围结构。从规模看，综合活力仍向超大、特大城市集中。按城区常住人口划分，城区常住人口1000万以上的为超大城市，500万至1000万的为特大城市[1]；目前全国共有8个超大城市[2]，2025年GDP突破万亿元的城市已达29座，头部城市在体量上优势明显[3]。但研究同时显示，超大城市综合活力虽保持领先，其边际增长却趋于承压，土地、人口、环境等约束使头部城市活力提升面临瓶颈；与之相对，一批中小城市在承接产业转移、改善公共服务的过程中显现出明显的活力增长空间。城市规模与活力之间并非简单的线性关系，中等规模城市在特定条件下能够表现出较强的活力弹性。

机制分析进一步识别了城市活力的核心驱动因素。经济密度、人口流动性、公共空间可达性等因素对城市活力具有显著的正向作用，其中建成环境对城市活力的影响表现出明显的非线性与阈值特征：在临界值以内，人口集聚与设施供给的提升能够显著增强活力，而超过一定阈值后边际效应递减，部分要素甚至可能转向抑制[1]。可解释机器学习方法的应用，使各驱动因素的贡献强度与交互作用得以定量刻画，也提示政策干预需找准发力区间、避免一刀切[2]。空间上，高活力区域呈现显著的集聚格局，夜间经济已成为城市活力的重要时段来源，据测算游客夜间消费占全天消费的比重约为32.9%[3]，时段性、场景化的活力释放为工作日与休息日的活力差异提供了补充解释。

城市活力与可持续发展之间存在复杂关联。总体上，高活力城市往往伴随较强的经济增长动能与较高的社会福祉水平，活力指标与人均产出、就业密度、公共服务可及性等呈现正向趋势；但活力提升也与能源消耗和碳排放形成张力，高密度、高流动的活力空间在聚集经济活动的同时，也放大了生态环境压力[1]。研究提示，未来城市治理需要在"活力—可持续"之间寻找动态平衡，将生态约束内嵌于活力提升路径，而非在两者之间作简单取舍。

11.2 研究局限与未来方向

受数据可得性限制，本研究的样本覆盖与指标粒度仍有不足。部分城市的细分指标存在缺失，对于这类情况，本研究采用上一级行政区数据并明确说明统计口径，以保证指标序列的连续与可比；评估样本以地级及以上城市为主，县级层面仅作趋势性观察。城市空气质量等指标按月发布，覆盖339个地级及以上城市[1]，与更低行政层级评估的衔接仍有缝隙。随着数据开放与采集技术的进步，这一限制有望逐步缓解。

校正方法本身仍有待更多实证验证。X-13ARIMA-SEATS等季节调整程序源自宏观经济序列处理，其对城市活力这类带有强烈事件性与结构突变特征的高频社会数据是否完全适用，需要在更长时段、更多城市类型中加以检验[1]；功能偏差校正中的功能区识别依赖POI与土地利用数据，分区边界的稳定性、残差分析阈值的选取同样影响校正结果的可复现性。后续研究宜构建多城市、多年度的对照实验，系统评估不同校正参数组合对排名稳健性的影响。

县级城市活力评价是重要的拓展方向。全国共有694个城市，其中县级市397个，县域承载了大量人口与经济活动，是观察城市化纵深与下沉市场活力的关键样本[1]。随着夜间灯光遥感、POI设施点与手机信令数据在县级尺度的逐步开放，构建覆盖县域的城市活力评价体系在技术上渐趋可行，将为县域城镇化政策提供直接依据。

构建实时活力监测系统是面向未来的重要工程。当前评估以年度或季度为周期，而城市活力本质上是高频动态过程，工作日与休息日、昼间与夜间的活力差异巨大。依托手机信令、热力图与轨道交通客流等数据源，建立覆盖主要城市的实时活力监测与预警系统，将把城市活力的"事后评价"升级为"事中响应"[1]。此类系统可与城市体检制度衔接，为城市更新行动提供持续的数据反馈[2]。

11.3 "十五五"时期城市活力研究的趋势展望

"十五五"时期，城市发展进入存量提质与高质量发展的新阶段。中央关于制定国民经济和社会发展第十五个五年规划的建议明确提出推动城市高质量发展、实施城市更新行动，这为城市活力研究提供了清晰的需求牵引[1]。城市更新行动强调存量空间活化与功能复合，其成效评估天然需要一套能够动态反映空间使用强度的活力指标体系[2]。在此背景下，城市活力研究预计将沿以下方向演进。

第一，从"静态评估"走向"动态监测"。随着数据要素流通与算力基础设施完善，城市活力指数有望从年度更新走向日度乃至实时的滚动更新，形成实时活力指数；监测结果可与城市运行管理平台融合，支撑决策者及时发现活力异动并作出响应[1]。动态监测也要求指标计算流程标准化、可审计，确保不同城市之间比较口径一致。

第二，从"单一指数"走向"多维图谱"。综合指数便于横向比较，却难以揭示活力在空间与时段上的分布细节。依托夜间灯光与微光遥感等空间数据，未来可构建城市活力的时空图谱，将活力指数分解到街道、网格与小时尺度，直观呈现活力热点的形成、迁移与消散[1]。这类可视化成果将显著降低政策使用的门槛，为空间规划提供直接支撑。

第三，从"城市尺度"走向"街区尺度"。既有评估多在城市整体层面展开，而活力治理的落点在于街区。行业内的繁荣活力评估已聚焦41个城市、以"街区活力"为主题，说明街区层面的活力诊断正在成为关注焦点[1]。面向未来，融合街景图像、POI与人口流动数据的街区级活力指数，将服务于完整社区建设与城市更新单元，实现精细化活力治理。

第四，从"人类活力"走向"人—机混合活力"。人工智能与机器人的大规模介入正在改变城市的空间使用方式，无人配送、自动驾驶与智能仓储使得部分区域在人类活动下降的同时仍保持较高运转强度。城市活力的内涵需要从"人类活动的密度与多样性"拓展至"人机协作下的空间使用强度与频次"，相应的测度指标与数据源也将发生深刻变化。这一转变既构成方法论挑战，也为活力研究开辟了全新命题。

总体而言，本研究确立的双重校正城市活力指数框架，为理解中国城市活力的空间格局、驱动机制与政策路径提供了系统工具。面向"十五五"，从动态监测、多维图谱、街区尺度到人—机混合活力的持续演进，将推动城市活力研究从测度走向治理、从描述走向干预，为城市高质量发展提供更加坚实的知识支撑。

查看完整版 / 在线阅读本报告 →