京公网安备 11010802034615号
经营许可证编号:京B2-20210330
不要简单地说大数据可以预测未来
在简练表达“何为城市理想”之后,茅明睿马上向听众直言了城市规划师所直面的“理想与现实”之间的残酷距离。他说,作为一个在规划圈待了十余年的人,这当中体会最深的两对矛盾就是,“理想与谋生需求的冲突,个体认知与上位要求的冲突”。
虽然规划师们始终在尝试运用先进的技术工具和手段,助力规划信息化水平,对接城市居民的切实需求,但是也会经常被人吐槽。尤其是一些技术手段,往往沦为华而不实的一个PPT作为锦上添花的配图工具。
除此以外,茅明睿坦言,虽然城市规划师看似就像握着画笔的画家,基于科学论证挥洒着他们的想象力。但现实中,即便他们也是上要照顾领导,下要养家糊口。一名城市规划师的真实处境,其实是在民众与公权力的夹缝中求生存。
寻求城市理想要接地气,更要转型创新
茅明睿认为,人口红利的逐渐消失,让城市规划逐渐变成一个解决存量问题的工作。另一方面,互联网技术的发展,也在推动规划行业转型创新。比如城市规划领域,有了自己的组织群体,例如BCL、青年规划师联盟、NGO,以及各种在微信上建立的规划群等等。不仅如此,规划行业也在深处变革,比如从以往的垄断数据到现在的开放数据、从以往的IT到现在的DT、从权力到权利的转变……这些都格外引入注目。
而关键的问题也来了:城市规划,到底如何接地气地跟上如今社会转型的需求?茅明睿给出的答案是,规划业务要转型、规划院管理要转型,规划师更要积极自我转型。
他提到,规划院要积极建立云平台,集合数据和规划师组织,做好大数据的获取挖掘与城市研究、汇集集体智慧,同时,在自下而上的社区治理和规划实践中,广泛收集社会意见和建议,形成城市规划的决策动力。
谈及规划师的自我转型,茅明睿表示既要下得去社区,更要玩得转数据。如果现在的规划师还无法运用大数据来辅助甚至引领城市规划,接下来面临的处境很可能是淘汰出局。
城市规划 只聚焦交通大数据你就错了
城市交通与城市规划的关系是密不可分的。不过在茅明睿看来,提到城市规划的时候,公众甚至很多规划师也会首先想到城市交通。但,一个好的城市规划师不只是关注交通,或者是眼下提得更多的交通大数据。
茅明睿表示,在交通大数据上单一地发力,很难在实质上推动城市规划形成好的解决方案。更多时候,交通大数据能提供的基本是一个道路拥堵与否的参考。他认为,真正的城市规划解决方案还需要依托多个城市生活维度的综合考量,深层次定夺方案。
数据的来源应该更多,更广泛。关注的维度应该更多,更立体。
提到大数据,茅明睿认为“感知即参与”,他以北规院举办的“长辛店老镇复兴计划”、积水地图为例,解释了云平台如何利用线上线下的服务实现数据众筹。真正让城市规划云平台充当好完善城市规划与便捷百姓生活的优质角色。
“不要简单地说大数据可以预测未来!”
“未来的城市规划,一定少不了大数据。”这一观点贯穿在茅明睿的整场演讲中。然而,大数据到底如何看待,到底怎么用?茅明睿表示,“不要简单地说,大数据可以预测未来!”
茅明睿表示,北规院在大数据方面也做了很多的研究。在现场,他结合了“利用公共交通刷卡数据分析北京通勤出行情况”、地铁里的灰色人群等丰富案例来解释大数据的相关实际应用。
除此之外,他以顺义、通州为例,展示了“人迹地图”这一城市数据平台功能在人流分析、人群分析、单元画像、城市光谱等方面的案例。
总结时,茅明睿在一再强调,一定不能简单认为大数据拿来了就能预测,要基于原有统计做深植,要通过数据观察现象、提取信息、发现具体规律,这样才能看出城市规划中,具体的公共决策会对这个城市的人群造成什么样的影响。路很漫长,要做的事情还有很多,希望在未来,以数据感知分析为桥梁,“下社区”去实现真正的城市理想。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24