隨著大數據時代的到來，人們獲取數據的設備越來越先進，數據的存儲及處理更加便捷，數據信息也越來越多。據不完全統計，現今全球每兩天產生的數據量相當于人類有史來至2003年的產生數據總量。大數據時代，龐大的數據和城市規劃之間能發生怎樣的關系？
 

    挑戰： 共享是難題 技術是瓶頸

    隨著網絡技術的發展，互聯網已經遍布全球，但是依然存在著城市規劃中數據難以獲取的窘境。由于技術、體制、成本的影響，只有一些公司和政府才能對大數據資源進行收集、存儲、和處理，因此，政府掌握了大數據的絕大部分，這對城市規劃者在規劃中無疑是一個非常大的挑戰。

    在城市規劃中，城市的空間尺度較大，系統性繁雜導致規劃者必須以不同的視角去研究城市，然而大數據的類型多、數量大，而且大多是跨行業數據，所以它們所利用的理論和方法都不一樣，并且許多理論方法還尚未成熟，從而導致在數據的處理上增大了困難，一些數據理論還沒有形成完整的理論體系，這給城市規劃工作帶來了巨大的挑戰。

    此外，城市規劃的研究必須對社會群體和市民個體的意愿進行研究和分析，這就會深入到社會群體當中，也很容易涉及到個人隱私問題，這對大數據時代的數據倫理和安全產生了很大的安全隱患。
 

    全樣本是空中樓閣？

    盲目的大數據崇拜者認為，在大數據時代任何事物都可以量化，而且通過發達的科技手段可以獲得不間斷的普查數據，足以達到“全樣本”覆蓋和“全樣本”分析，避免了樣本偏差問題，可以徹底淘汰傳統統計學的小數據調查和分析方法。然而，在現階段，先進的科技手段可以幫助人們獲得很多的樣本數據，卻仍然不能獲得“全樣本”數據。

    大數據可以為城市規劃提供豐富的數據，然而在大數據時代初期，數據源還不能達到“全樣本”的水平，城市規劃依然面臨著眾多數據“陷阱”，如果不重視數據的質量問題，極有可能造成重大的偏差。因此，在城市規劃的大數據應用中仍然有必要使用小數據統計調查的理論模型和分析方法，檢驗大數據的質量，并探究提升大數據質量的新方法。
 

    相關關系取代因果關系？

    有觀點認為，大數據分析的樣本更好、人工智能算法分析不帶人為偏見和計算系統的能力非常強大；與傳統分析方法比較，大數據分析可以發現更多的相關性，不需要因果關系解釋現象背后的原因，甚至可以不需要學科專業知識足以生成更準確的結果。然而，依靠相關性分析而沒有專業知識解讀，一旦條件發生變化，便難以對預測模型做相應調整，極易出現錯誤。例如，谷歌公司作為大數據應用的先鋒，其2009 年推出的“谷歌流感趨勢”（GFT）是作為成功應用大數據而被廣泛引用的案例。但是， 在2012～2013 年的流感季節，“谷歌流感趨勢”預測門診數量是美國疾病預防控制中心（CDC） 記錄數量的兩倍，出現了嚴重的錯誤。
 

    不可否認，大數據如同20 世紀50年代的“數量革命”，將極大地推動城市規劃的發展。但是，“數量革命”中也出現過類似“谷歌流感趨勢”的錯誤，即用完全數值化、算式模型的方式研究社會人文問題，從而受到了尖銳的批判。由于隨著分析數據的增加，結果中的偽相關將以指數級別增長，大數據應用遇到的類似問題將會更突出。鑒于城市規劃的大數據應用仍處于探索階段，因此需要借助城市規劃專業的理論和知識來闡述數字代表的信息，尋找其相關性，辨析潛在的因果關系。

    一方面，經濟的迅猛增長，帶來城市空間的過度使用，留下了很多粗制濫造的東西；另一方面，人類個體生活條件的改善，使人們對生活品質有了越來越高的要求。這種態勢下，也促使城市規劃由過去的單一的增速考量轉為追求公平和社會綜合發展。過去，規劃行業主要強調空間技術管控，各要素間基本是平行的、無交集的。轉型后，規劃行業更需服務于城鄉治理、城市運營。大數據時代背景下的城市規劃，雖然目前尚且存在眾多問題，但是城市已然在由“規畫”慢慢轉向“規劃”。