【官方sDNA文档-sDNA Open Documentation-V4.2.0】空间设计网络分析 （sDNA） 手册&教程 （三）分析结果意味着什么

3 分析：结果意味着什么

在我们开始之前，您已经准备好网络了吧？如果还没有，请返回 “网络准备”。这非常重要。

本节非正式地介绍了 sDNA 整体分析的结果。虽然重点是城市网络，但讨论内容适用于所有网络分析领域。一图胜千言，让我们从一张图片开始。

图 1：卡迪夫链接密度（link density），半径 1 公里。
底图 © OpenStreetMap 贡献者

3.1 链路和网络半径

图 1 所示的卡迪夫地图以 1000 米为半径，按链接密度着色，是讨论链接和半径的良好开端。该数据由sDNA Integral输出，标签为Links R1000或（shapefiles/QGIS的缩写格式）Lnk1000。

首先，我们给出了网络链接的定义。空间网络中的所有链路都由连接结点或死端、结点或死端线组成。连接点和死胡同是唯一可以连接在一起的东西：任何不连接其中两个东西（或其中一个东西本身）的线都不是一个完整的连接，尽管它肯定是连接其中两种东西的更长线的一部分，因此它将是一个连接。
首先是网络链接的定义。空间网络中的所有链接都是由连接结点或死端链接另一处结点或死端的线组成。节点和死端是链接所能连接的唯二事物：任何不连接其中两个东西（或其中一个东西本身）的线都不是一个完整的连接，尽管它肯定是连接两个上述事物的较长线的一部分，因此也是链接。

另请注意，链接不会连接到交汇点，除非在其端点处。因此，例如，在道路网络中，您可能称为单个街道的内容实际上由几个单独的链接组成。街道由其名称定义，仅由几何形状定义链接。

我们认为链路密度是衡量城市密度的良好指标。上面的地图基于每个链接的计数，即周围 1000m 半径内有多少个链接。链接是构建空间网络的基本单位，因此将它们标准化为描述单位是有意义的。此外，链路密度倾向于保存有关网络的信息。例如，在道路网络中，链路密度与房屋和工作的密度相关超过 90% [1]。因此，在没有任何其他信息的情况下，链接密度可以很好地指示任何特定点周围的人类活动量。

[1] Chiaradia，Alain J.，Hillier，Bill，Schwander，Christian和Barnes，Yolande 2013。成分和城市形态对大伦敦住宅物业价值模式的影响。ICE会议记录-城市设计与规划166（3），第176-199页。10.1680/uda.10.00030

图1中要讨论的另一件重要事情是R1000（半径为1000米）的含义。网络分析中的典型假设是实体只能通过网络移动和行驶：汽车不能驶离道路，鱼不能在岩石中游泳等。因此，每个链路的 1000m 半径都不同，意味着“从该链路通过网络行驶 1000m 可以到达的所有点”。

对于外行来说，网络半径很难想象。所以，让我们明确一点——这绝对不是一个圆圈。它实际上是网络上的一组链接切割点，距离原点有可变的距离，就像乌鸦飞一样。但有些人发现更容易想象原点周围的一种摇晃的斑点。图2说明了这一点。

图2：网络半径是什么和不是什么的图示说明。

许多来自sDNA的输出测量都包含“R1000” - 或R后跟一个数字 - 作为后缀（在shapefiles/ QGIS中，删除R以节省空间）。这些都是径向度量 - 指的是特定的径向距离（通常用网络欧几里得术语表示，尽管也有其他替代选项）。有时输出度量包含“Rn”。半径 n 表示一切：可从相关链接访问的整个网络，不包括任何未连接的部分。

在连续空间分析中，半径后面有一个“c”，例如R500c、R1000c或Rnc（碰巧相当于Rn）。这表明半径是使用连续空间计算的（有关详细信息，请参见半径）。通常，sDNA分析将每个链接视为一个离散实体——它要么在半径内，要么不在半径内。连续空间分析将链接视为连续实体；如果一部分链接落在半径内，另一部分落在半径外，那么链接会被动态拆分，我们只计算掉在半径内的部分。连续空间应该总是给出最准确的结果，但离散空间的计算速度更快。
在连续空间分析中，半径后面有一个“c”——例如，R500c、R1000c 或 Rnc（碰巧等效于 Rn）。这表明半径是使用连续空间计算的（有关更多详细信息，请参阅半径）。通常，sDNA分析将每个链接视为一个离散的实体 - 它要么在半径内，要么不在半径内。连续空间分析将链接视为连续实体；如果链接的一部分落在半径内，一部分落在半径外，则链接会即时拆分，我们只计算落在半径内的部分。连续空间应始终提供最准确的结果，但离散空间的计算速度更快。

除了链路密度，sDNA还产生了许多其他量化半径内网络的指标：

• 总长度-不言自明
• 交汇点数-不言自明
• 总权重（Total Weight）是用户可自定义的总权重
• **连通性（Connectivity ）**是在交汇点处连接的链路端点的总数

3.2. 中介性

图3: 卡迪夫的角度中介性，半径10公里。
基础地图© OpenStreetMap 贡献者

SDNA 固有的流动模型是基于中介性的。图3显示了一个示例。注意，这是链路加权的，所以您看到的结果仅基于网络的形状。

中介分析假设您的网络，填充了从任何地方到其他任何地方的实体，具体取决于半径确定的最大行程距离。我们假设这些实体通过最短的路径行进 - 我们称这种路径为**测地线。但是我们如何定义“最短”可能会有所不同**。我们将距离的定义称为度量；目前 sDNA 支持：

• 欧几里得指标，采用尽可能短的物理距离
• 角度指标，可最大限度地减少链接和路口的转弯量
• 基于用户数据的自定义指标
• 用户可编程的混合指标（需要 sDNA+）
• 骑自行车者、车辆和行人的专业指标（需要 sDNA+）

作为大多数城市网络问题的第一个方法，我们非常喜欢使用角度指标。行人，除非他们非常了解某个区域，否则他们倾向于沿着最短的角度路径走，因为它们更容易记住（“右边第二，然后直行到早上”——如果彼得潘试图走一条需要更复杂方向的捷径，他可能会迷路）。车辆驾驶员也倾向于遵循角度测地线，但出于不同的原因- 平均而言，穿过城市的直线道路往往更快。因此，我们将sDNA中的默认度量设置为有角度的。

但是，请注意为您的预期目的设置半径！行人流量的实际指标可能是中介性 Ang R800，而车辆流量的实际指标可能是中介性 Ang R2000 或更高。但是，例如，鱼类可能不太关心在河流的拐角处转弯，因此欧几里得分析可能更合适。上下班的行人也倾向于遵循欧几里得测地线，因为他们知道所有的捷径。

请注意，在中介分析中，我们通常关注的是行程中的中间环节，而不是起点或目的地。这意味着半径具有微妙的不同含义：中介性 R500 的计算不涉及您正在观察的链路 500m 范围内的所有可能行程，而是涉及通过您正在测量的链接的所有可能行程，最大长度为 500m（几乎：有关更多详细信息，请参阅测地线）。

中介性分析的最后一个问题是为每个测地线分配何种权重。最简单的答案是为每对链接分配权重为1 。由于工作和家庭的密度与网络链路的密度密切相关，因此以这种方式加权的中介性通常与流量密切相关。但是，如果网络长度对您很重要呢？假设您想假设更长的街道是更多人的起点和目的地，或者您正在分析河流等。或者，您可能有自定义权重 - 例如人口普查数据或建筑物入口。在这种情况下，我们假设行程中的实体数量与出发地的权重和目的地的权重成正比，因此我们将起点权重和目的地权重相乘以计算中介权重。

有趣的是，这种流量与网络中链路数量的平方成比例，这意味着更密集的区域包含每个链路的更多活动 - 换句话说，这是一个机会模型。（对于物理学家来说，这些单位存在一个问题：中介性是以权重平方为单位来衡量的，而不是权重）。如果这是不可取的，那么改为使用两阶段之间的模型。这些假设每个原点都有固定的权重，它可以增加两者之间的权重 - 就城市而言，居住在那里的人们实际上会进行固定数量的行程。然后将该固定数量按比例分配给可从该原点访问的当前半径的目标权重；这可以描述为生成-分配模型。

两阶段目的地是两阶段之间的补充 - 每个目的地在两阶段模型下所获得的访问量。在正常中介模型中，半径 x 内的所有内容都将访问每个目的地，因此此度量等效于权重。但是在两阶段模型中，目的地必须与其他目的地竞争，以获得出发地的注意力，TPDestination考虑到这种竞争来衡量到达目的地的总流量。一个真实世界的例子是商业街上的商店 - 目的地权重小 - 试图与城外零售公园竞争 - 目的地权重大。两者都可能在其流量范围内拥有大量人口（这将出现在Links Rx措施中），但市中心输给了新的开发项目（显示在TPDestination Rx措施中）。

也就是说，所有形式的中介性往往与行人、车辆等的实际流动密切相关。

3.3. 接近性

接近性与中间性一样，是网络中心性的一种形式。它与可访问性的普遍概念相适配。 平均距离可能是文献中最常用的接近度度量参数之一。它衡量的是，平均而言，从每个链路导航到半径为 x 的所有可能目的地的难度。从技术上讲，这是一种远而非近的形式：这只意味着大数字意味着“远”而不是“近”。

“难度”与中介性的度量标准相同：欧几里得、角度、自定义、混合等。sDNA将其接近度输出命名为平均角距离（MAD），平均欧几里得距离（MED），平均自定义距离（MCD）等。

请注意，平均距离的**“平均值”由目的地的权重**加权。

3.4. 其他度量参数

SDNA 产生许多其他的输出度量参数，完整的描述请参阅《分析: 完整的规格》。

SDNA 还可以显示用于分析的测地线、网络半径和凸壳的几何形状，以及生成特定起源和目的地的可达性地图。

3.5 度量参数总结

度量	缩写	说明
接近度(平均距离)/远离度	MAD，MED，MCD，MHD	接近度的反比，可接近度
平均测地线长度	MGLA, MGLE, MGLC, MGLH	即使对于非欧几里得测地线，也总是以长度单位输出
按距离惩罚的网络数量	NQPDA, NQPDE, NQPDC, NQPDH	网络数量随距离变化的总和
中介性	BtA, BtE, BtC, BtH	流动模型，贯穿运动
两相中介性	TPBtA, TPBtE, TPBtC, TPBtH	发电-配电流模型
两相目的地	TPDA, TPDE, TPDC, TPDH	浮动流域区，竞争性的可达性
平均乌鸦飞行	MCF	乌鸦飞翔时到目的地的平均距离
分流比率	DivA, DivE, DivC, DivH	测地线长度与乌鸦飞行距离的平均比率
凸壳面积	HullA	半径凸壳面积
凸壳周长	HullP	半径凸壳的周长
凸壳最大半径	HullR	凸壳的最远范围; 最有效航线的乌鸦飞行距离
凸壳轴承	HullB	最远距离/最有效路线的方位
凸壳形状指数	HullSI	描述船体的形状; 范围从圆形的1到直线的无穷大
链路数	Lnk	半径内的链接
长度	Len	半径长度
权重	Wt	半径内的重量
角距离	AngD	半径的角度
联结点	Jnc	半径内的联结点
连接性	Conn	半径连通性
线长	LLen	单个折线的长度
线路连接度	LConn	个别折线的连通性
直线角曲率	LAC	单个折线的角度
线路混合指标	HMf, HMb	单个折线的混合度量
线路弯曲度	LSin	单根折线导流比
线轴承	LBear	单根折线轴承
链接分数	LFrac	用折线表示的链接分数

3.6校正

SDNA 产生与实际现象(如交通流量或土地价格)相关的网络统计数据，但是如果您对预测这些现象感兴趣，则需要知道如何将 sDNA 输出转换为预测。这是由回归分析完成的，这是一个庞大的话题，一些 sDNA 用户可能已经熟悉，但其他人不会。

SDNA 提供了两个工具来帮助这个过程，学习和预测。Learning 获取一个真实数据样本，并创建一个将其与 sDNA 输出连接起来的模型。根据对这些区域的 sDNA 分析，预测采用了 Learning 创建的模型，并将其应用于数据不可用的新区域。

当然，也可以使用您选择的任何第三方回归软件来执行这些任务。