CN105138668A - 基于poi数据的城市商业中心与零售业态集聚区识别方法 - Google Patents

Abstract

本发明提供一种基于POI数据的城市商业中心与零售业态集聚区识别方法，以兴趣点数据为研究对象，通过核密度法识别城市商业中心的空间范围及分布情况，结合局域空间关联指数探测零售活动的热点地区，以中心城区为研究区域，进一步探索零售业态集聚区的分布差异。具有数据量大、实时性强的特点，能够提高商业中心的热点识别以及零售业态集聚区特征分析的客观性和准确性，为城市尺度下的商业空间布局分析提供了一种新的数据源。有助于进一步明确商业网点布局目标，提高政府部门商业规划和零售商选址前期研究的科学性。

Description

基于POI数据的城市商业中心与零售业态集聚区识别方法

技术领域

本发明所关注的零售活动空间集聚现象涉及地理学、经济学的交叉领域，更具体地，涉及一种基于POI数据的城市商业中心与零售业态集聚区识别方法，能够反映实体零售企业行为与商业经济分布的相关性，有助于提高政府部门商业规划和零售商选址前期研究的客观性和科学性。

背景技术

零售活动的空间集聚现象是地理学、经济学等学科关注的一个重要领域，零售业的合理化布局对发展城市经济、合理配置流通资源、满足居民消费需求发挥着重要作用。西方国家零售商业区位的地理学研究主要围绕商业形态、等级和定量模型等三个方面展开，从不同的角度分析城市商业集聚的空间特征及分布、演化的原因和动力机制。90年代以来，伴随着中国经济增长和城市化进程，城市零售体系的空间集聚与分化趋势和业态结构的多样化与多层次性现象日益明显，促进了我国零售业理论和网点布局的实证研究热潮。大量的学者研究表明，影响国内城市商业网点分布的因素包括居民购买力、交通可达性、人口密度与分布、土地价值、城市空间结构和市场竞争等。

根据中心地理论和商圈理论，通过功能、规模和辐射能力等要素可以将城市内部商业集聚的区域划分成若干等级的商业中心地。商业中心既是城市零售商业活动的主要场所，其空间布局也是城市商业网点规划的核心内容。

但是由于商业数据获取的困难性，传统研究多采用以街区或行政区为单元的经济普查数据(如营业额、营业面积、从业人数等指标)、部分大型零售网点的空间分布数据来代替，或通过问卷抽样调查的形式进行商圈评价，降低了城市尺度下零售业集聚空间分析的可知度和时效性。

近年来，随着地理数据源的不断丰富，新的众源地理数据如GPS行使轨迹、用户签到兴趣点等大数据被用来探测城市商业活动的热点区域，从侧面反映城市商业经济集聚地的空间模式和分布特征。周素红等通过对海量浮动车(FCD)GPS数据的时空挖掘，识别深圳市两个重要商业中心，并验证多中心化下的城市商业中心的地理空间衰减规律。胡庆武等提出基于位置签到数据探索性空间分析热点聚类方法，挖掘武汉商圈分布与城市规划商圈的相关性。王芳等利用兴趣点数据和城市路网数据构建了一套基于街区尺度的城市商业区空间识别及类型划分的方法，通过基本单元的划分、商业活动量的计算和街区的合并三个基本步骤完成城市商业区的空间识别，并通过K-means聚类和自然断裂点分类法对商业区进行功能类型的划分。研究表明，基于大数据支撑的商业中心识别对城市零售业空间规划与开发具有一定的指导意义。

总体来看，利用大数据进行商业集聚空间分析已逐渐成为商业定量研究的一种新趋势，但在现有的相关研究中，主要考虑基于居民消费行为的热点商圈选择，针对城市内部不同零售业态空间热点识别和集聚特征的实证研究则较少涉及。

目前，公众对空间信息的需求日显突出，为提升城市地理信息服务水平，国内面向公众服务的地理信息采集和服务逐步由政府行为向企业市场行为过渡。兴趣点(POI)作为一种新的空间数据源，其分布模式、分布密度在基础设施规划、城市空间分析中具有重要的意义。其中，商业机构兴趣点(POI)数据包含不同业态商店的空间位置信息和商业属性信息，具有数据量丰富、现势性强的特点，有助于提高城市尺度下城市商业空间热点判别的准确性。在兴趣点特征表达的方法上，核密度法(KDE)由于考虑地理学第一定律的区位影响，比其它密度表达方法(如样方密度、基于Voronoi图密度等)占优。

发明内容

为了克服现有方法的不足，本发明以面向公众服务的商业机构兴趣点(POI)数据为研究对象，提出一种商业中心与零售业态集聚区识别的方法。该方法的创新之处是利用面向公众服务的POI数据，在数据提取和数据空间关联基础上，通过核密度估计法(KDE)和局域Getis-OrdG*指数法识别城市零售业分布的集聚区域、识别具有统计显著性的商业热点位置。该方法能够探索城市商业活动的热点地区以及不同零售业态集聚区的空间分布特征，有助于进一步明确商业网点布局目标，提高政府部门商业规划和零售商选址前期研究的科学性。

为了实现上述发明目的，本发明所采用的技术方案为：

一种基于POI数据的城市商业中心与零售业态集聚区识别方法，包括：

第一步、根据研究区域面积域精度要求，将空间区域划分为规则网格；

第二步、根据核密度估计法，计算合适带宽，将零售网点分布数据换算成格网密度值，把商业网点密度数据连到格网中心点上；

核密度估计法(KernelDensityEstimation)借助一个移动的单元格对点或线格局的密度进行估计。给定样本点x₁，x₂，……，x_n，利用核心估计模拟出属性变量数据的详细分布。计算二维数据时，d值取2，一个常用的核密度估计函数公式如下：

$f_n\left(x\right)=\frac{1}{{\mathrm{nh}}^2\mathrm{\π}}\underset{i=1}{\overset{n}{\Σ}}K{\[(1-\frac{{(x-x_i)}^2+{(y-y_i)}^2}{h^2})\]}^2$

式中K()称为核函数，(x-x_i)²+(y-y_i)²是点(x_i,y_i)和(x,y)之间的距离，h是带宽，n是研究范围内的点数，d是数据的维数。

在核密度估计中，带宽是定义平滑量大小的自由参数，带宽过大或过小均会影响f(x)的结果。采用Silverman的“经验法则”，在f(x)呈正态的假定下，根据Ker,A.P.和B.K.Goodwin的工作，宽带优化计算的公式可简化为：

$h={\left(\frac{1}{n}\right)}^{\frac{1}{5}}0.9\mathrm{\σ}$

式中σ是样本方差。

第三步、假设零售网点在规则网格内均匀分布，将格网中心点上的核密度值(该密度值f_n(x)由第二步计算获得)内插成格网数据；

第四步、叠加行政区划图，提取各行政区内格网核密度值(该值f_n(x)由第二步计算获得)中心强度随距离衰减的闭合区域，识别各行政辖区零售商店分布高度集中的空间场所，将其定义为“零售商业中心”；

第五步、构建商业网点密度指标，以街道为单元，计算街道商业网点密度值；

商业网点密度指标公式如下：

${\mathrm{\δ}}_j=\frac{m_j}{p_j}$

式中δ_j是第j个街道单元的商业网点密度指标，m_j是j街道的商业网点数量，p是j街道的面积。

第六步、通过GlobalMoran’sI指数确定商业网点密度值(该值δ_j由第五步计算获得)的空间自相关性；

第七步、依据所有商业网点数据都至少具有一个相邻的商业网点，且不与其它所有商业网点相邻的原则计算空间矩阵阈值；采用ARCGIS软件的“CalculateDistanceBandfromNeighborCount”工具计算。

第八步、通过热点分析探索商业活动空间分布的热点集聚区特征。

G*统计量用来度量每一个商业网点观测值与周围邻居网点之间是否存在局部空间关联作用；该统计量通过计算某个商业网点及其给定距离范围内相邻商业网点的局部总和与所有商业网点的总和进行比较，用于分析属性值在局部空间水平上的集聚程度，其公式表示为：

$G_i*=\frac{\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}\left(d\right)X_j}{\underset{j=1}{\overset{n}{\Σ}}{X}_j}$

式中Xj是第j个空间单元的商业网点属性值，m是研究区域内的商业网点数，Wij代表空间权重矩阵，若第i和第j个空间单元之间的距离位于给定的临界距离d之内，认为它们是邻居，空间权重矩阵值为1；否则，空间权重矩阵值为0；局域Getis-OrdG*统计量的统计检验可以根据相应的标准化形式(Z值)表示，公式如下：

$G_i*=\frac{\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}{X}_j-\stackrel{\‾}{X}\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}}{\sqrt{\frac{\underset{j=1}{\overset{m}{\Σ}}{X}_j^2}{m}-{\left(\stackrel{\‾}{X}\right)}^2}\sqrt{\frac{n\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}^2-{\left(\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}\right)}^2}{m-1}}}$

如果G*(Z值)为正，且非常显著，则表明空间单元i周围的值相对较大(高于均值)，高值空间集聚；相反，表明空间单元i为低值空间集聚。

第九步、结合以上分析结果进一步探索零售业活动空间的集聚特征。

与现有技术相比，本发明的有益效果是：能够反映实体零售企业行为与广州商业经济分布的相关性，通过分析商业活动的热点地区以及不同零售业态集聚区的空间分布特征，有助于进一步明确商业网点布局目标，提高政府部门商业规划和零售商选址前期研究的科学性。

附图说明

图1为本发明实施例的方法流程图。

图2为本发明实施例中城市尺度下零售商业集聚区的识别结果示意图。

图3为发明实施例中零售业分布的热点区域结果示意图。

具体实施方式

下面将结合附图及实施例对本发明作进一步说明，附图中：

本实例是一种基于POI数据的城市商业中心与零售业态集聚区识别方法，流程图见图1，主要包括以下步骤：

第一步、根据研究区域面积域精度要求，将空间区域划分为规则网格，如1000m×1000m。

第二步、根据核密度估计法，计算合适带宽，将零售网点分布数据换算成格网密度值，把商业网点密度数据连到格网中心点上。

核密度估计法(KernelDensityEstimation)借助一个移动的单元格对点或线格局的密度进行估计。给定样本点x₁，x₂，……，x_n，利用核心估计模拟出属性变量数据的详细分布。计算二维数据时，d值取2，一个常用的核密度估计函数公式如下：

$f_n\left(x\right)=\frac{1}{{\mathrm{nh}}^2\mathrm{\π}}\underset{i=1}{\overset{n}{\Σ}}K{\[(1-\frac{{(x-x_i)}^2+{(y-y_i)}^2}{h^2})\]}^2$

式中K()称为核函数，(x-x_i)²+(y-y_i)²是点(x_i,y_i)和(x,y)之间的距离，h是带宽，n是研究范围内的点数，d是数据的维数。

在核密度估计中，带宽是定义平滑量大小的自由参数，带宽过大或过小均会影响f(x)的结果。采用Silverman的“经验法则”，在f(x)呈正态的假定下，根据Ker,A.P.和B.K.Goodwin的工作，宽带优化计算的公式可简化为：

$h={\left(\frac{1}{n}\right)}^{\frac{1}{5}}0.9\mathrm{\σ}$

式中σ是样本方差。

第三步、假设零售网点在规则网格内均匀分布，将格网中心点上的核密度值(该密度值f_n(x)由第二步计算获得)内插成格网数据。

第四步、叠加行政区划图，提取各行政区内格网核密度值(该值f_n(x)由第二步计算获得)中心强度随距离衰减的闭合区域，识别各行政辖区零售商店分布高度集中的空间场所，将其定义为“零售商业中心”，如图2所示。

第五步、构建商业网点密度指标，以街道为单元，计算街道商业网点密度值；

商业网点密度指标公式如下：

${\mathrm{\δ}}_j=\frac{m_j}{p_j}$

式中δ_j是第j个街道单元的商业网点密度指标，m_j是j街道的商业网点数量，p是j街道的面积。

第六步、通过GlobalMoran’sI指数确定商业网点密度值(该值δ_j由第五步计算获得)的空间自相关性。

第七步、依据所有商业网点数据都至少具有一个相邻的商业网点，且不与其它所有商业网点相邻的原则计算空间矩阵阈值；采用ARCGIS软件的“CalculateDistanceBandfromNeighborCount”工具计算。

第八步、通过热点分析探索商业活动空间分布的热点集聚区特征。

G*统计量用来度量每一个商业网点观测值与周围邻居网点之间是否存在局部空间关联作用；该统计量通过计算某个商业网点及其给定距离范围内相邻商业网点的局部总和与所有商业网点的总和进行比较，用于分析属性值在局部空间水平上的集聚程度，其公式表示为：

$G_i*=\frac{\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}\left(d\right)X_j}{\underset{j=1}{\overset{n}{\Σ}}{X}_j}$

式中Xj是第j个空间单元的商业网点属性值，m是研究区域内的商业网点数，Wij代表空间权重矩阵，若第i和第j个空间单元之间的距离位于给定的临界距离d之内，认为它们是邻居，空间权重矩阵值为1；否则，空间权重矩阵值为0；局域Getis-OrdG*统计量的统计检验可以根据相应的标准化形式(Z值)表示，公式如下：

$G_i*=\frac{\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}{X}_j-\stackrel{\‾}{X}\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}}{\sqrt{\frac{\underset{j=1}{\overset{m}{\Σ}}{X}_j^2}{m}-{\left(\stackrel{\‾}{X}\right)}^2}\sqrt{\frac{n\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}^2-{\left(\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}\right)}^2}{m-1}}}$

如果G*(Z值)为正，且非常显著，则表明空间单元i周围的值相对较大(高于均值)，高值空间集聚；相反，表明空间单元i为低值空间集聚。

第九步、结合以上分析结果进一步探索零售业活动空间的集聚特征。

基于POI数据的零售业集聚空间分析结果能够反映实体零售企业行为与广州商业经济分布的相关性，通过分析商业活动的热点地区以及不同零售业态集聚区的空间分布特征，有助于进一步明确商业网点布局目标，提高政府部门商业规划和零售商选址前期研究的科学性。

以上所述实施例仅表达了本发明可能的实施方式，其描述较为具体和详尽，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于POI数据的城市商业中心与零售业态集聚区识别方法，其特征在于，包括如下步骤：

第一步、根据研究区域面积域精度要求，将区域划分为规则网格；

第二步、根据核密度估计法，计算合适带宽，将零售网点分布数据换算成格网密度值，把商业网点密度数据连到格网中心点上；

其中核密度估计法是借助一个移动的单元格对点或线格局的密度进行估计；给定样本点x₁，x₂，……，x_n，利用核心估计模拟出属性变量数据的详细分布；核密度估计函数公式如下：

$f_n\left(x\right)=\frac{1}{{\mathrm{nh}}^2\mathrm{\π}}\underset{i=1}{\overset{n}{\Σ}}K{\[(1-\frac{{(x-x_i)}^2+{(y-y_i)}^2}{h^2})\]}^2$

式中K()称为核函数，(x-x_i)²+(y-y_i)²是点(x_i,y_i)和(x,y)之间的距离，h是带宽，n是研究区域内的点数；

第三步、假设零售网点在规则网格内均匀分布，将格网中心点上的核密度值f_n(x)内插成格网数据；

第四步、叠加行政区划图，提取各行政区内格网核密度值f_n(x)中心强度随距离衰减的闭合区域，识别各行政辖区零售商店分布高度集中的空间场所，将其定义为“零售商业中心”；

第五步、构建商业网点密度指标，以街道为单元，计算街道商业网点密度值；

商业网点密度指标公式如下：

${\mathrm{\δ}}_j=\frac{m_j}{p_j}$

式中δ_j是第j个街道单元的商业网点密度指标，m_j是j街道的商业网点数量，p是j街道的面积；

第六步、通过GlobalMoran’sI指数确定商业网点密度值δ_j的空间自相关性；

第七步、依据所有商业网点数据都至少具有一个相邻的商业网点，且不与其它所有商业网点相邻的原则计算空间矩阵阈值；

第八步、通过热点分析探索商业活动空间分布的热点集聚区特征；

第九步、结合以上分析结果进一步探索零售业活动空间的集聚特征。

2.根据权利要求1所述的基于POI数据的城市商业中心与零售业态集聚区识别方法，其特征在于，上述第二步中，在核密度估计中，带宽是定义平滑量大小的自由参数，带宽过大或过小均会影响核密度估计函数f_n(x)的结果；采用Silverman的“经验法则”，在f_n(x)呈正态的假定下，根据Ker,A.P.和B.K.Goodwin的工作，宽带优化计算的公式简化为：

$h={\left(\frac{1}{n}\right)}^{\frac{1}{5}}0.9\mathrm{\σ}$

式中σ是样本方差，n是研究范围内的点数。

3.根据权利要求1所述的基于POI数据的城市商业中心与零售业态集聚区识别方法，其特征在于，上述第八步中通过热点分析探索商业活动空间分布的热点集聚区特征，具体是：其中G*统计量用于度量每一个商业网点观测值与周围邻居网点之间是否存在局部空间关联作用；该统计量通过计算某个商业网点及其给定距离范围内相邻商业网点的局部总和与所有商业网点的总和进行比较，用于分析属性值在局部空间水平上的集聚程度，其公式表示为：

$G_i*=\frac{\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}\left(d\right)X_j}{\underset{j=1}{\overset{n}{\Σ}}{X}_j}$

式中X_j是第j个空间单元的商业网点属性值，m是研究区域内的商业网点数，W_ij代表空间权重矩阵，若第i和第j个空间单元之间的距离位于给定的临界距离d之内，认为它们是邻居，空间权重矩阵值为1；否则，空间权重矩阵值为0；

局域Getis-OrdG*统计量的统计检验根据相应的标准化形式表示，公式如下：

$G_i*=\frac{\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}{X}_j-\stackrel{\‾}{X}\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}}{\sqrt{\frac{\underset{j=1}{\overset{m}{\Σ}}{X}_j^2}{m}-{\left(\stackrel{\‾}{X}\right)}^2}\sqrt{\frac{n\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}^2-{\left(\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}\right)}^2}{m-1}}}$

如果G*为正，且非常显著，则表明空间单元i周围的值相对较大，即高于均值，高值空间集聚；相反，表明空间单元i为低值空间集聚。