间句法的校核与分析提供了新的视角。

    包括百度热力图、各类 POI 数据和大众点评等数据在内的城市数据能便捷地揭示出城市片区的实际功能及城市交通流量状况，因此可以从城市功能和交通流量两个方面对基于句法表达的城市空间结构进行校核，以验证空间句法是否真实表达了城市情况，同时也有助于选择合适的空间句法分析半径，为基于空间句法的城市设计方案提供参考辅助。陶伟等人在研究路网形态对广州市各星级酒店分布的影响时发现，酒店数据根据兴趣点(POI)数据获得，减少了因数据矢量化而产生的工作量。盛强等人结合大众点评网的餐饮业分布与评论数据，对重庆地铁站周边餐馆数量、评论总数与真实客流量及相关句法参数进行对比分析 。总体来看，既有文献中的空间句法校核仍主要基于实测交通流量数据，较少使用多源城市数据(表1)。

    空间句法理论认为，某一空间的特征取决于一定范围内与之联系的其他空间特征，而搜索半径就是度量“范围”的重要变量。搜索半径可以反映城市空间中人们的出行和认知特征，为以人为本的城市设计提供了参考；也可以反映城市功能的服务半径，在得知不同功能节点的服务半径后，有利于优化该类功能区的布局，提升城市活力。例如，广州的高星级酒店受到路网的影响更小，但依托路网的服务范围和半径更大，而低星级酒店则呈现出相反的规律。不同空间句法软件对搜索半径的处理方式不同，Depthmap软件将搜索半径定义为以某路网中心为圆心，以设定的阈值为半径所得到的圆形范围，sDNA软件对搜索半径进行了优化，可基于实际路网计算“连续型”和“离散型”两种搜索半径。尽管对搜索半径的算法在不断优化，但在实际规划和研究工作中，搜索半径在很多情况下来源于研究人员所设置的经验参数，为后续分析结果带来偏误。如图2所示，笔者基于微观(0.5km)、中观(5km)、宏观(50km)3个尺度分别对珠海香洲区、惠州惠城区、江门蓬江区、中山全市、肇庆端州区进行空间句法建模。结果显示，在微观尺度上，5个片区都没有呈现出明显的高值区；在中观尺度上，各区域形成了一定面积的高值区；在宏观尺度上，则能清晰分辨出5个片区的高值网络结构。可见，不同搜索半径下的空间句法计算结果差异性较大，若随意选择搜索半径，往往无法准确归纳区域各空间句法参数的核心区和边缘区。

    空间句法的建模范围对分析结果也产生相当大的影响，在《空间是机器》一书中，Hillier阐述了空间句法计算中的边界效应，并认为应当遵循“在分析中包括足够多的城市网络，以确保研究路段嵌入城市网格之中”的原则。空间句法多个参数中都体现出“边界效应”的影响。位于建模范围边界的路段，由于不受到“外界”路网的影响，与范围内多数路网的距离总和较大，而位于研究范围中心的路段与多数路网的距离总和则较小。上述因素是造成空间句法分析结果往往具有轮轴式特征的主要原因。图3中，笔者计算了肇庆全域路网各尺度整合度结果，并从中截取出端州区部分，与单独计算的端州区各尺度整合度结果进行对比。结果显示，在0.5km半径的微观尺度和5km半径的中观尺度上，计算结果的差别并不大，但在50km半径的宏观尺度上，外扩后模型中区域的平均值和标准差分别增加了约87.2%与29.2%。可见，由于建模范围的改变，模型参数(尤其是对于搜索半径较大的参数)会发生一定的波动。因此，需通过外扩建模范围等手段，削弱建模范围对计算结果的影响(表2)。

    空间句法分析主要针对自然出行的运动流，即出行中受到城市中吸引点(如特定的购物中心)的影响小于受到建成空间影响的出行人群。我国特有的“门禁社区”管理模式导致了空间句法对建成空间建模的难题，如镶嵌在城市中的开放或封闭的高校、住宅区等区域，是否应该纳入空间句法的建模范围。在传统的建模中，遇到类似问题时常采用“一刀切”的办法，即不考虑这