【T112017 智慧城市与政府治理分会场】大数据视角下帝都魔都的爱恨情仇

2020-03-01 101浏览

1.数据改变企业决策，数据改善人类生活
2.茅明睿北京城市象限科技有限公司创始人北京市城市规划设计研究院云平台创新中心秘书长中国城市科学研究会城市大数据专委会副秘书长北京城市实验室联合创始人近年来专注于基于定量城市研究方法的城市治理实践，组建了一支由多学科背景构成的城市数据科学团队，利用数据科学支持城市运营，治理和更新。数据改变企业决策，数据改善人类生活
3.大数据视角下帝都魔都的爱恨情仇茅明睿城市象限数据改变企业决策，数据改善人类生活
4.为什么上海比北京更好看? 北京与上海，帝都与魔都，承载了无数人的梦想与现实，悲欢与离合。这两个历史悠久的城市，在城市形态，人文风貌，未来发展各具特色，到底哪个是你的菜呢? 数据改变企业决策，数据改善人类生活
5.为什么上海比北京更好看？城市管理水平城市绿地景观旗鼓相当旗鼓相当各有千秋城市公共空间城市格局城市风貌（管理）上海宜人上海优于北京上海小胜北京北京吓人数据改变企业决策，数据改善人类生活
6.为什么上海比北京更好看？数据改变企业决策，数据改善人类生活
7.京沪之间的比较从未停止数据改变企业决策，数据改善人类生活
8.中国第一大城市北京？上海？京VS沪人口北京市 2171万人上海市 2415万人 GDP 北京市 24541亿元上海市 26688亿元数据改变企业决策，数据改善人类生活
9.人均GDP 北京 11.3万元上海 11.1万元汽车保有量北京 540万辆上海 272.3万辆京VS沪人均地铁长度北京 278米／人上海 213米／人数据改变企业决策，数据改善人类生活
10.北京人数据改变企业决策，数据改善人类生活更好? 谁活的上海人
11.基于心理认知的京沪品质对比歌词数据改变企业决策，数据改善人类生活
12.数据改变企业决策，数据改善人类生活
13.研究工具与方法数据改变企业决策，数据改善人类生活
14.城市心理认知：动作与描述北京 41.20% 上海 38.60% 差异显著 29.90% 差异显著 19.70% 22.00% 21.60% 14.40% 14.40% 6.20% 7.20% 8.20% 2.30% “离开”相对词频 “留下”相对词频数据改变企业决策，数据改善人类生活 “哭”相对词频 “笑”相对词频 “恨”相对词频 “爱”相对词频
15.城市心理认知：身份认同北京上海 28.30% 差异显著 26.70% 21.60% 20.60% 17.40% 15.50% 负信任感数据改变企业决策，数据改善人类生活负归属感正成就感
16.城市心理认知：情感表达 100.00 22.20 29.41 50.00 16.84 35.63 28.66 1.23 2.12 0.00 2000年前 -50.00 2000-2005年 -12.26 2006-2010年 2011-2015年 2016年至今 -11.68 -100.00 加权情感值北京 -150.00 数据改变企业决策，数据改善人类生活加权情感值上海 -84.62
17.基于行为感知的京沪品质对比地铁刷卡数据数据改变企业决策，数据改善人类生活
18.北京地铁全天客流变化数据改变企业决策，数据改善人类生活上海地铁全天客流变化
19.通勤时间 0.3 北京上海通勤时间（分钟） 0.25 0.2 0.15 北京上海平均数 35.207 36.541 中位数 32.6 34.08333 离散系数 0.47 0.465 0.1 0.05 0 10-20 20-30 数据改变企业决策，数据改善人类生活 30-40 40-50 50-60 60-70 70-80 80-90 90-100 100-110 110-120
20.长距离通勤长通勤：通勤时间在1-2小时长通勤者的线路分布北京相比北京，上海的长距离通勤者在某些线路中比例更高上海 13574 10355 8641 8077 7276 6503 5836 5553 5107 4620 4512 9990 9725 9702 数据改变企业决策，数据改善人类生活 8708 8260 8205 8158 7552 7041 6519 5689 3402 5637 2058 1630 5587 5557
21.北京地铁出行人群聚类数据改变企业决策，数据改善人类生活
22.上海地铁出行人群聚类 0 1 2 3 4 5 6 7 8 星期一星期二星期三星期四星期五星期六星期日聚类一 0.0 0.0 9.7% 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.8 0.8 0.8 0.4 0.1 0.1 1 2 3 4 5 6 7 8 星期一星期二星期三星期四星期五星期六星期日聚类三 0.0 0.0 2.7% 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.3 0.8 0.8 0.8 0.4 0.1 0.0 1 2 3 4 5 6 7 8 星期一星期二星期三星期四星期五星期六星期日聚类四 0.0 0.0 3.9% 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1 2 3 4 5 6 7 8 星期一星期二星期三星期四星期五星期六星期日聚类五 0.0 0.0 2.7% 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 1 2 3 4 5 6 7 8 星期一星期二星期三星期四星期五星期六星期日聚类六 0.0 0.0 59.3% 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0 0 0 0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.2 0.4 0.4 0.4 0.2 0.1 0.0 0.1 0.2 0.2 0.1 0.1 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.3 0.7 0.7 0.6 0.3 0.1 0.0 0.1 0.1 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.0 0.0 0.1 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 1.0 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 数据改变企业决策，数据改善人类生活 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0 1 2 3 4 5 6 7 8 星期一聚类二 0.0 0.0 0.0 0.0 0.0 0.0 星期二 4.3% 0.0 0.0 0.0 0.0 0.0 0.0 星期三 0.0 0.0 0.0 0.0 0.0 0.0 星期四 0.0 0.0 0.0 0.0 0.0 0.0 星期五 0.0 0.0 0.0 0.0 0.0 0.0 星期六 0.0 0.0 0.0 0.0 0.0 0.0 星期日 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.1 0.0 0.0 0.0 0 1 2 3 4 5 6 7 8 星期一聚类九 0.0 0.0 0.0 0.0 0.0 0.0 星期二 5.9% 0.0 0.0 0.0 0.0 0.0 0.0 星期三 0.0 0.0 0.0 0.0 0.0 0.0 星期四 0.0 0.0 0.0 0.0 0.0 0.0 星期五 0.0 0.0 0.0 0.0 0.0 0.0 星期六 0.0 0.0 0.0 0.0 0.0 0.0 星期日 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.8 0.9 0.8 0.4 0.1 0.1 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0 1 2 3 4 5 6 7 8 星期一聚类七 0.0 0.0 0.0 0.0 0.0 0.0 星期二 3.8% 0.0 0.0 0.0 0.0 0.0 0.0 星期三 0.0 0.0 0.0 0.0 0.0 0.0 星期四 0.0 0.0 0.0 0.0 0.0 0.0 星期五 0.0 0.0 0.0 0.0 0.0 0.0 星期六 0.0 0.0 0.0 0.0 0.0 0.0 星期日 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0 1 2 3 4 5 6 7 8 星期一聚类八 0.0 0.0 0.0 0.0 0.0 0.0 星期二 4.6% 0.0 0.0 0.0 0.0 0.0 0.0 星期三 0.0 0.0 0.0 0.0 0.0 0.0 星期四 0.0 0.0 0.0 0.0 0.0 0.0 星期五 0.0 0.0 0.0 0.0 0.0 0.0 星期六 0.0 0.0 0.0 0.0 0.0 0.0 星期日 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0 1 2 3 4 5 6 7 8 星期一聚类十 0.0 0.0 0.0 0.0 0.0 0.0 星期二 3.1% 0.0 0.0 0.0 0.0 0.0 0.0 星期三 0.0 0.0 0.0 0.0 0.0 0.0 星期四 0.0 0.0 0.0 0.0 0.0 0.0 星期五 0.0 0.0 0.0 0.0 0.0 0.0 星期六 0.0 0.0 0.0 0.0 0.0 0.0 星期日 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.3 0.7 0.8 0.8 0.3 0.1 0.1 0.0 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.1 0.0 0.1 0.2 0.2 0.2 0.1 0.1 0.0 0.1 0.2 0.2 0.2 0.1 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.1 0.3 0.3 0.3 0.1 0.1 0.0 0.1 0.2 0.2 0.2 0.1 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.1 0.2 0.3 1.0 0.1 0.1 0.1 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.1 0.1 0.6 0.0 0.0 0.0 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.1 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
23.京沪不加班人群分布 23.2% 数据改变企业决策，数据改善人类生活 54.9%
24.失落的上海人悲催的北京人该怎么比？数据改变企业决策，数据改善人类生活
25.数据改变企业决策，数据改善人类生活
26.好城市的吸引力在哪？更好的就业机会更好的公共服务数据改变企业决策，数据改善人类生活
27.京沪职住通勤便利度对比城市城区面积（平方公里）职住比平均通勤距离（米）内部通勤比内向通勤比平均通勤距离排名上海市静安区 7.7 1.23 6895.4 29% 85% 1 上海市黄埔区 21 1.13 6905.4 41% 77% 2 上海市虹口区 24 0.76 7397.8 39% 63% 3 北京市东西城 92 0.92 7571.0 41% 73% 4 上海市长宁区 37 0.9 7584.8 43% 69% 5 上海市闸北区 29 0.77 7662.5 39% 63% 6 上海市普陀区 56 0.69 7620.5 43% 54% 7 上海市徐汇区 55 0.95 7941.0 49% 65% 8 上海市杨浦区 61 0.66 8110.9 52% 42% 9 北京市海淀区 429 0.8 8077.0 62% 50% 10 北京市朝阳区 466 0.76 8433.0 67% 40% 11 北京市丰台区 306 0.61 9211.0 43% 46% 12 北京市石景山区 84 0.6 10329.0 44% 44% 13 北京市通州区 911 0.59 12751.0 52% 32% 14 数据改变企业决策，数据改善人类生活
28.京沪生活便利度（设施密度）对比设施密度（个/平方公里）城市城区便利店菜市场药房社区医院书店健身中心电影院游乐场游泳馆归一化总分综合排名上海静安区 48.85 2.33 8.29 2.85 4.79 13.87 0.91 0.91 2.59 8.28 1 上海黄浦区 50.56 1.66 6.48 2.24 4.58 8.63 1.41 1.32 1.27 7.30 2 北京东城区 27.63 2.31 6.84 1.64 3.17 6.29 1.07 0.74 1.19 5.75 3 北京西城区 30.60 1.79 6.30 2.43 2.97 4.51 1.24 0.62 0.72 5.47 4 上海虹口区 42.25 1.78 4.78 1.86 1.99 5.55 0.47 0.80 0.72 4.76 5 上海长宁区 20.81 0.59 3.13 1.37 1.62 5.66 0.46 0.43 0.59 2.98 6 上海闸北区 27.04 1.73 3.33 1.19 1.46 3.12 0.31 0.17 0.41 2.96 7 上海徐汇区 17.96 1.11 2.80 1.22 1.38 3.74 0.44 0.35 0.76 2.84 8 上海杨浦区 17.29 0.94 2.73 0.91 1.35 2.39 0.30 0.64 0.53 2.57 9 上海普陀区 16.03 0.77 3.67 0.54 0.77 3.00 0.32 0.52 0.43 2.27 10 北京朝阳区 6.80 0.26 2.55 0.50 0.91 2.27 0.29 0.68 0.30 1.72 11 北京海淀区 4.79 0.24 1.76 0.42 0.78 1.36 0.25 0.18 0.33 1.03 12 北京丰台区 6.20 0.39 2.16 0.54 0.21 0.93 0.13 0.24 0.20 0.98 13 北京石景山区 4.34 0.22 1.79 0.56 0.14 1.15 0.06 0.38 0.17 0.88 14 1.67 0.05 通州区数据改变企业决策，数据改善人类生活 0.67 0.11 0.04 0.21 0.02 0.04 0.02 0.00 15 北京
29.京沪居民服务设施可达性对比 2.50 2.00 1.50 1.00 0.50 0.00 便利店菜市场静安区电影院黄浦区虹口区健身中心长宁区上海数据改变企业决策，数据改善人类生活徐汇区杨浦区社区卫生中心普陀区闸北区东城区书店西城区丰台区药房朝阳区海淀区北京游乐场石景山区通州区游泳馆
30.京沪对比便利度方面北京比上海全面落后数据改变企业决策，数据改善人类生活
31.越便利就越幸福？真的么？数据改变企业决策，数据改善人类生活
32.北京各个街道的情绪值北京各区情绪值 0.56 0.555 0.55 0.545 0.54 0.535 情绪值>0.561 0.544<情绪值≤0.561 情绪值≤0.544 数据改变企业决策，数据改善人类生活 0.53 东城区西城区朝阳区丰台区通州区海淀区石景山区
33.情绪与便利度的关系数据改变企业决策，数据改善人类生活
34.如何衡量情绪？显著相关便利度与情感数据改变企业决策，数据改善人类生活
35.城市基因破解城市的密码数据改变企业决策，数据改善人类生活
36.数据改变企业决策，数据改善人类生活
37.数据改变企业决策，数据改善人类生活
38.数据改变企业决策，数据改善人类生活
39.数据改变企业决策，数据改善人类生活
40.数据改变企业决策，数据改善人类生活
41.数据改变企业决策，数据改善人类生活
42.城市形态数据与指标各城市/区县/街道空间形态指标数据改变企业决策，数据改善人类生活
43.城市形态数据与指标 60.00 京沪各区容积率京沪各区道路交叉口密度 50.00 5.00 4.50 4.00 3.50 3.00 2.50 2.00 1.50 1.00 0.50 0.00 4.37 40.00 3.88 3.26 3.23 2.97 2.77 2.72 30.00 2.60 2.18 2.07 2.02 1.98 1.95 1.86 1.52 20.00 10.00 0.00 京沪各区建筑密度 0.60 0.50 0.40 京沪各区路网密度 14.00 0.51 0.46 0.46 0.45 0.43 12.00 0.39 0.37 0.37 0.36 0.30 10.00 0.34 0.33 0.32 0.32 0.31 0.28 8.00 6.00 0.20 4.00 0.10 2.00 0.00 0.00 数据改变企业决策，数据改善人类生活
44.城市生活便利度数据与指标城市上海杭州厦门深圳成都总排名儿童游乐场菜市场书店物流快递药房便利店宠物医院电影院口腔诊所游泳池健身中心 20.43 人口密度（万人/平方公里） 2.10 2 1 4 2 3 4 1 5 1 2 2 2 徐汇区 54.81 1.98 12 12 7 9 13 20 10 17 5 5 3 6 长宁区 36.96 1.87 5 9 15 5 9 18 8 6 4 3 5 3 静安区 7.69 3.21 1 2 1 1 2 1 2 1 2 1 1 1 普陀区 55.44 2.32 14 8 12 14 4 15 16 12 11 8 12 9 闸北区 29.33 2.83 8 20 3 8 6 17 4 13 9 6 13 7 虹口区 23.53 3.62 3 3 2 4 1 10 3 3 3 4 6 4 杨浦区 60.47 2.17 15 5 10 10 14 21 12 16 12 12 9 11 上城区 26.94 1.28 13 14 9 15 16 7 14 11 8 9 11 10 下城区 29.55 1.78 4 7 6 17 8 2 5 8 10 13 7 5 江干区 203.15 0.49 22 22 19 23 22 23 22 20 23 24 24 23 拱墅区 68.55 0.81 21 17 16 20 20 13 20 22 21 20 23 17 西湖区 317.38 0.26 24 24 24 21 24 24 24 23 24 23 20 24 滨江区 68.39 0.47 23 23 23 22 23 22 23 21 22 22 21 21 思明区 87.39 1.06 16 11 20 13 19 14 17 15 13 14 8 8 湖里区 81.09 1.15 19 19 18 18 11 16 18 24 18 19 18 18 罗湖区 82.87 1.11 17 13 21 19 12 11 11 18 15 11 14 14 福田区 83.39 1.58 7 6 17 11 7 8 6 9 7 7 4 12 南山区 182.79 0.60 20 15 22 24 21 19 21 19 16 16 19 19 锦江区 60.71 1.14 11 16 11 7 17 9 13 4 6 15 10 16 青羊区 66.13 1.25 9 21 8 3 18 5 9 7 14 17 16 13 金牛区 106.82 1.12 10 4 14 6 5 6 15 10 20 18 17 20 武侯区 122.04 1.13 6 10 5 12 10 3 7 2 17 10 15 15 成华区 108.17 0.87 18 18 13 16 15 12 19 14 19 21 22 22 区面积（平方公里）黄浦区密度排名数据改变企业决策，数据改善人类生活
45.城市职住通勤数据与指标城市区面积（平方公里）人口人口密度（万人/平方公里）职住比排名通勤距离排名新兴设施密度排名上海静安区 7.69 246788 3.2 1 1 1 上海黄浦区 20.43 429891 2.1 2 2 2 上海虹口区 23.53 852476 3.6 11 3 3 杭州下城区 29.55 526096 1.8 12 7 4 上海长宁区 36.96 690571 1.9 7 8 5 成都武侯区 122.04 1E+06 1.1 10 4 6 深圳福田区 83.39 1E+06 1.6 3 20 7 上海闸北区 29.33 830496 2.8 13 11 8 成都青羊区 66.13 828140 1.3 15 14 9 成都金牛区 106.82 1E+06 1.1 21 9 10 成都锦江区 60.71 690422 1.1 14 16 11 上海徐汇区 54.81 1E+06 2 4 13 12 杭州上城区 26.94 344594 1.3 6 6 13 上海普陀区 55.44 1E+06 2.3 20 12 14 上海杨浦区 60.47 1E+06 2.2 17 17 15 深圳罗湖区 82.87 923421 1.1 16 21 16 成都成华区 108.17 938785 0.9 22 18 17 深圳南山区 182.79 1E+06 0.6 5 22 18 杭州拱墅区 68.55 551874 0.8 18 10 19 杭州江干区 203.15 998783 0.5 19 19 20 杭州滨江区 68.39 319027 0.5 8 5 21 杭州西湖区 317.38 820017 0.3 9 15 22 数据改变企业决策，数据改善人类生活
46.1、上海职住情况：以街道为单元城市基因库长征镇外滩街道南京东路街道外滩街道南京东路街道南京西路街道曹家渡街道打浦桥街道上海市各街道职住比图上海市各街道人口密度图(人/平方公里) 虹梅路街道殷行街道新江湾城街道彭浦新村街道桃浦镇桃浦镇桃浦镇新泾镇上海市各街道平均通勤距离图长桥街道凌云路街道数据改变企业决策，数据改善人类生活上海市各街道内部通勤比图
47.1、成都职住情况：以街道为单元城市基因库金牛区抚琴街道成华区青羊区府南街道草市街道建设路街道春熙路街道双楠街道双桥子街道莲新街道玉林街道武侯区龙舟路街道锦江区草市街道春熙路街道汪家拐街道督院街街道水井坊街道跳伞塔街道府南街道成都市各街道职住比图成都市各街道人口密度图(人/平方公里) 苏坡街道苏坡街道龙潭街道柏合镇成龙路街道柳江街道数据改变企业决策，数据改善人类生活成都市各街道平均通勤距离图芳草街道成都市各街道内部通勤比图
48.1、深圳职住情况：以街道为单元城市基因库沙井街道办东门街道办桂园街道办华富街道办香蜜湖街道办深圳市各街道人口密度图(人/平方公里) 平湖街道办横岗街道办盐田街道办清水河街道办福田街道办沙头街道办深圳市各街道职住比图光明街道办观澜街道办石岩街道办横岗街道办西乡街道办大鹏街道办沙头角街道办数据改变企业决策，数据改善人类生活深圳市各街道平均通勤距离图深圳市各街道内部通勤比图
49.1、杭州职住情况：以街道为单元城市基因库半山街道小河街道四季青街道清波街道西湖乡杭州市各街道人口密度图(人/平方公里) 杭州市各街道职住比图丁桥镇下沙街道留下街道数据改变企业决策，数据改善人类生活双浦镇杭州市各街道平均通勤距离图长河街道杭州市各街道内部通勤比图
50.职住比与城市形态的关系数据改变企业决策，数据改善人类生活
51.通勤便利性（距离）与城市形态的关系数据改变企业决策，数据改善人类生活
52.生活便利性（可达性）与城市形态的关系数据改变企业决策，数据改善人类生活
53.生活便利性（设施密度）与城市形态的关系数据改变企业决策，数据改善人类生活
54.城市基因的研究路径基因人居环境科学 DNA 空间形态 / 生活品质 / 主观感受编码解码空间认知品质评估心理认知空间感知原子行为感知城市大数据行为空间数据数据改变企业决策，数据改善人类生活空间行为数据
55.数据改变企业决策，数据改善人类生活
56.Nothing 数据改变企业决策，数据改善人类生活
57.Everything 数据改变企业决策，数据改善人类生活
58.数据改变企业决策，数据改善人类生活
59.THANKS 数据改变企业决策，数据改善人类生活