CN108717676A - 基于多数据融合的不同尺度下的职住空间评价方法及系统 - Google Patents

Abstract

本发明公开了一种基于多数据融合的不同尺度下的职住空间评价方法，其包括：分别收集目标城市的年末常住人口数据、从业人员数据以及POI数据；针对城市宏观层面及各区的中观层面，分别进行数据处理；对不同类型的POI数据进行层次分析法处理，区分同一功能不同规模和性质的POI数据权重，构建不同尺度下职住空间评价标准。一种基于多数据融合的不同尺度下的职住空间评价系统，其包括：数据采集处理模块、职住偏离度指数评估模块。本发明建立不同尺度下的职住空间评价技术，全面、及时并准确的识别城市职住地空间分布，为城市职住空间与基础设施布局优化，提供更加科学的参考依据，广泛应用于城市职住空间评价领域。

Description

基于多数据融合的不同尺度下的职住空间评价方法及系统

技术领域

本发明涉及职住空间评价领域，具体为基于多数据融合的不同尺 度下的职住空间评价方法及系统。

背景技术

随着经济的快速发展和城市化进程的不断推进，城市的规模具有 逐渐向外扩张的趋势。居住地与就业地的空间关系由“职住合一”演 变为“职住分离”，且职住分离程度加剧，同时居民日益增长的公共 服务需求与公共服务供给短缺之间的矛盾越来越突出，居民的交通、 娱乐、医疗、购物设施可达性与便利性都显著下降。现有的城市空间 布局的合理性和有效性越来越不适应人们的实际生活需求。

对于职住空间分布特征的评估，一般是通过职住平衡指数测度来 实现。职住平衡是指在一定地域范围内的居住者数量与就业岗位数量 基本持平，职住空间平衡一般采用就业—居住比例来衡量。20世纪 60年代，学者从可达性和城市效率角度出发测度职住空间分布特征， 分别从社会效益，经济效益和供给分配角度开展了相关研究。近代学 者在西方城市职住空间研究的基础上，新型社会调查的方法，开展了 大量的职住空间关系的实证和理论研究。实证研究主要从宏观和微观 两个层面开展，宏观层面主要利用人口普查和经济普查的政府统计数 据分析区域职住空间分布，如肖琛等使用第五和第六次人口普查数据，分别探讨居住人口与就业人口空间分布并总结了职住空间关系的 影响因素；微观层面上学者们更多利用调查问卷进行实证研究，钟国 平等采取政府主导的居民出行调查数据库中40445个调查样本，利用 居民出行调查数据库中的个体属性与职住地点等信息，分析中山居民 的职住空间关系格局。孟斌利用GIS和空间分析技术，基于近万分实 际调查问卷数据的基础上，以北京为实证研究对象，分析了北京市居 民职住分离状况的空间组织特征。近年来，使用手机信令数据，智能 刷卡数据等对城市职住地开展研究方兴未艾，如谭章智，黎夏等以广 州省为研究区域，使用2014年3月连续7天内地铁刷卡数据，使用 主成分分析法(PCA)对广州地铁站点客流数据进行特征提取，识别 地铁站点类型。利用手机信令数据测度上海中心城的就业中心体系， 研究职住功能混合度对职住平衡的影响。

然而，人口普查数据和经济普查数据易受官方统计数据的限制， 研究尺度较大且时势性较低。而调查样本数据具有针对性强，效率高， 质量高等诸多优点，仍然是基础数据收集的重要方法之一。同时大数 据具有精度高、更新实时、覆盖面广等优势，也是近年来逐渐新奇的 研究对象。

现有方法中仅针对一种尺度(区域或者城市)进行研究，且传统 数据运用与大数据的运用彼此分离，无法较为全面的获得城市职住空 间特征。因此，该技术有必要进行改进。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于多数据融 合的不同尺度下的职住空间评价方法及系统。

本发明所采用的技术方案是：

本发明提供一种基于多数据融合的不同尺度下的职住空间评价 方法，其包括以下步骤：

系统分别收集目标城市的年末常住人口数据、从业人员数据以 及POI数据，并对所述POI数据进行可视化处理；

系统针对城市宏观层面及各区的中观层面，分别进行数据处理；

根据所得数据，以单元公里网为分析单元，进行微观尺度的职 住偏离度指数评估；

对不同类型的POI数据进行层次分析法处理，区分同一功能不 同规模和性质的POI数据权重，通过职住偏离度指数计算各分 析单元的职住关系；

构建不同尺度下职住空间评价标准。

作为该技术方案的改进，系统通过目标城市的统计年鉴，进行全 市的年末常住人口数据及从业人员数据的收集。

作为该技术方案的改进，所述POI数据包括目标点的名称、类别、 地址、经纬度、行政区。

作为该技术方案的改进，系统通过爬虫软件爬取高德地图POI数 据。

进一步地，所述职住偏离度指数计算采用以下公式：

其中，Z_ij为j区第i年份的就业—居住偏离度指数；P_ij为j区第i 年份就业人口数；P_i为全市第i年份的就业人口数；Q_ij为j区第i年 份的常住人口数；Q_i为全市第i年份的常住人口数。

进一步地，所述方法还包括：

系统采用朴素贝叶斯分类法，将现有的POI数据划分为就业类和 居住类；

采用层次分析法对同一大类不同规模和影响的POI数据进行加 权分析；

采用职住偏离度指数，对各分析单元的就业类和居住类POI数据 进行评估。

进一步地，当职住偏离度指数大于1，表示目标区就业功能强于 居住功能。

进一步地，当职住偏离度指数等于1，表示目标区就业功能与居 住功能相对平衡。

另一方面，本发明还提供一种基于多数据融合的不同尺度下的职 住空间评价系统，其包括：

数据采集处理模块，用于执行步骤系统分别收集目标城市的年末 常住人口数据、从业人员数据以及POI数据，并对所述POI数据进行 可视化处理；

系统针对城市宏观层面及各区的中观层面，分别进行数据处理；

职住偏离度指数评估模块，用于执行步骤根据所得数据，以单元 公里网为分析单元，进行微观尺度的职住偏离度指数评估；

对不同类型的POI数据进行层次分析法处理，区分同一功能不同 规模和性质的POI数据权重，通过职住偏离度指数计算各分析单元的 职住关系；

构建不同尺度下职住空间评价标准。

本发明的有益效果是：本发明提供的基于多数据融合的不同尺度 下的职住空间评价方法及系统，针对传统数据无法满足评估要求的微 观层面，采用POI数据进行评估，可以根据研究需要任意选择分析单 元；通过建立更加创新系统的评价技术，获得较为准确的职住空间分 布特征；本方案提出一种基于多数据融合的不同尺度下的职住空间评 价方法，并且针对中宏观层面运用传统数据进行评估，更加准确的反 映城市整体情况。

本发明采用两种数据结合，建立不同尺度下的职住空间评价技 术，全面、及时并准确的识别城市职住地空间分布，为城市职住空间 与基础设施布局优化，提供更加科学的参考依据。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明第一实施例的流程图；

图2为本发明第二实施例的深圳市各区的职住偏离度指数评估 结果；

图3为本发明第二实施例的就业和居住两类POI数据的分类结 果；

图4为本发明第二实施例的以单元公里网为分析单元的深圳市 职住偏离度指数评估结果；

图5为本发明第二实施例的区级尺度下及单位公里网尺度下深 圳市福田区职住偏离度指数评估结果。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例 中的特征可以相互组合。

一种基于多数据融合的不同尺度下的职住空间评价方法，包括如 下步骤：

步骤A：数据收集与处理。首先，通过城市统计年鉴，收集全市 层面的年末常住人口数据和从业人员数据，统一单位。其次，收集 POI数据，如可通过爬虫软件爬取高德地图POI数据，每条数据包含 该点的名称、类别、地址、经纬度、行政区等空间基础信息和属性信息；然后根据POI数据的经纬度信息进行可视化处理。

步骤B：基于传统数据的宏观尺度职住空间评价。首先，针对城 市宏观层面，以及各区的中观层面(统计年鉴的统计单元)，进行数 据处理。其次，通过职住偏离指数法进行测算。

步骤C：基于POI数据的微观尺度职住空间评价。首先对不同类 型的POI数据进行层次分析法处理，区分同一功能不同规模和性质的 POI数据权重。例如对于生活服务型设施，小卖部的权重要低于综合 超市的权重。本发明将就业类POI分为产业类就业、服务类就业、零 售类就业；居住类POI分为住宅类居住和商务公寓类居住，分别测算 权重。对分析单元内的POI数量进行重新定义。其次，通过职住偏离 度指数计算每个分析单元的职住关系。

步骤D：不同尺度下职住空间评价标准构建。根据测算结果，对 于整个城市评价单元的偏离度指数等于1，表明该区就业与居住功能 匹配相对均衡；指数大于1，意味着就业人口比重高于居住人口比重， 表示该区就业功能强于居住功能，反之则居住功能主导。最后，对于 获取的数据因为有大于或者小于1的情况，为方便后续的统计检验， 对于总量职住比小于1的进行倒数处理，得到处理后的数据，数据 越小表示平衡程度越好，职住分布越均衡。数据越大，表明就业与居 住关系离均衡状态越远。

作为一具体实施例，如图1所示，所述方法包括如下步骤：

步骤A：数据收集与整理。包括针对中宏观层面的2016年深圳 市统计年鉴数据收集。此外还有基于高德地图的POI数据收集，并对 POI数据进行可视化处理。具体来说：

步骤A1：本发明统计了深圳市第26期统计年鉴中的各区人口数 据(2016年)，获得深圳市居民的空间分布情况，以及同期统计年鉴 中的各区城镇从业人员和在岗职工数据(2016年)，获得深圳市就业 的宏观空间分布。表1为2016年深圳市居住人口数据与就业数据的 统计量，统计结果如下：

表1

步骤A2：编写Python网络爬虫，批量获得高德地图上的深圳市2016年POI数据，共935895条(见表2)。表2为深圳市2016年高 德部分POI数据样例，然后根据POI数据的经纬度信息进行可视化。

表2

步骤B：根据收集和整理的深圳市第26期统计数据，分别以全 市和各区为分析单元，统计各单元的居民总数和就业、在岗职工人数， 利用式(1)计算就业—居住的偏离程度指数Z_ij：

其中，Z_ij为j区第i年份的就业—居住偏离度指数；P_ij为j区 第i年份就业人口数；P_i为全市第i年份的就业人口数；Q_ij为j区第 i年份的常住人口数；Q_i为全市第i年份的常住人口数。评估结果如 图2所示。根据评估结果，深圳市的整体职住均衡度约为0.796，其 中各区评估结果如表3所示(排序按照职住均衡度由高到低排列)， 表3为深圳各区2016年职住偏离度指数评价结果：

表3

序号	区名	指数
			1	福田区	1.711
2	罗湖区	1.041
			3	南山区	1.294
4	坪山区	1.119
			5	光明新区	1.017
6	龙华区	0.985
			7	大鹏新区	0.914
8	龙岗区	0.782
			9	宝安区	0.742
10	盐田区	0.701

从评估结果可以看出：福田、南山主要以商务办公行政功能为主， 就业岗位远远高于人口居住数外，职住平衡状况差，其在深圳市发展 时间久，居住用地配置相对完善，但随着工业外迁和更新，逐渐形成 了部分居住区域；盐田区与东部新区主要以居住功能为主，职住分离 程度较高，平衡程度较低；罗湖区与西部新区主要以职住混合区为主， 职住空间平衡程度较好。

步骤C：根据收集和可视化的POI数据，以单元公里网为分析单 元，进行微观尺度的职住偏离度指数评估，具体步骤如下：

步骤C1：采用朴素贝叶斯分类法，将现有的POI数据划分为就 业类和居住类(见图3)。例如高德地图POI数据中类型为“公司”、 “工厂”等的归为图3中的产业就业类；“卖场”、“科教文化”、“体 育设施服务”等归为服务就业类；“商店”“小卖店”等归为零售就 业类，“公寓”“小区”等归为普通居住类，“宿舍”等归为商务居住 类。具体操作过程如下

其中，为各高德POI数据中职住类型C的后验概率；P(C) 为m个职住类型C的先验概率，分别为1/m；为归一化函数，分 别为1/n，n为高德POI数据的个数；为的似然函数。 其中，的计算公式：

其中，P(X_i|C，X₁，X₂，X₃….X_i-1)为职住类型C下数据为X_i的概率， 简化为公式(4)：

P(X_i|C，X₁，X₂，X₃….X_i-1)≈P(X_i|C)； (4)

其中，i为第i个高德POI数据。

接着，将公式(3)(4)带入公式(2)，得到高德POI数据的类型 信息分类结果，见公式(5)：

即不同高德POI数据X_i下职住C的概率。 其中，表示全部网络数据，n为高德POI 数据的个数。∝表示数学符号“等价于”。

步骤C2：采用层次分析法对同一大类不同规模和影响的POI数 据进行加权分析，具体如下：

首先按照层次分析法的规定，计算各类型POI数据的权重结果(见表4)。其基本原则为：产业就业类＞服务就业类＞零售就业类； 普通住宅类＞商务住宅类。

表4

产业就业类	0.6987
		服务就业类	0.2370
零售就业类	0.0643
		普通住宅类	0.8000
商务住宅类	0.2000

然后重新统计分析单元内的POI数据个数，其计算公式如下：

N_i＝n_i*ρ_i

其中N_i为重新定义后该POI的点数，n_i为分析单元上第i种类型 POI总数，ρ_i为该类型POI权重分值。例如某建筑物上有一个居民楼 POI点，其权重分值为0.6，因此，现在该居民楼对象的点数应为0.6。

步骤C3：采用指数偏离程度指数，对各分析单元的就业类和居 住类POI数据进行评估。评估结果见图4。根据评估结果，福田区与 罗湖区总体职住平衡指数仍处于1.5左右，仅部分地大于4，职住平 衡关系较好。南山区、盐田区有成片职住平衡指数大于4的区域，职住分离程度较高。宝安区、龙岗区和龙华区中部以大型产业和成片居 住区、具有居住功能的城中村为主，多数职住平衡度指数在1.7左右。 光明新区由于一般性工业园区集聚，就业功能强于居住功能，存在成 片的大于4区域。大鹏新区因其自然优势，形成了大片的休闲度假场 所，但是与市中心交通不便，因此其居住功能多针对在此工作的人群。 其余区域以山地丘陵地貌为主，未纳入城镇建设用地，因此数据为空。

步骤D：以福田区为例，针对宏观尺度和微观尺度进行职住空间 特征评价，见图5，其中左右侧分别为区级尺度下、单位公里网尺度 下的深圳市福田区职住偏离度指数评估结果。从中宏观层面来看，福 田区由于承担了全市CBD和文化政治聚集地的作用，总体以就业用地 为主，职住平衡值平均在1.7左右，职住分离现象比较严重。从微观 尺度来看，福田区也存在职住分布较为均衡的区域。例如沙头街道， 在就业方面，目前具有福田保税区、以及大量的物流仓储职能；在居 住方面，具有益田村，以及大量的城中村提供居住和服务职能，职住 空间分布相对均衡。

另一方面，本发明还提供一种基于多数据融合的不同尺度下的职 住空间评价系统，其包括：

数据采集处理模块，用于执行步骤系统分别收集目标城市的年末 常住人口数据、从业人员数据以及POI数据，并对所述POI数据进行 可视化处理；

系统针对城市宏观层面及各区的中观层面，分别进行数据处理；

职住偏离度指数评估模块，用于执行步骤根据所得数据，以单元 公里网为分析单元，进行微观尺度的职住偏离度指数评估；

对不同类型的POI数据进行层次分析法处理，区分同一功能不同 规模和性质的POI数据权重，通过职住偏离度指数计算各分析单元的 职住关系；

构建不同尺度下职住空间评价标准。

本发明提供的基于多数据融合的不同尺度下的职住空间评价方 法及系统，针对传统数据无法满足评估要求的微观层面，采用POI数 据进行评估，可以根据研究需要任意选择分析单元；通过建立更加创 新系统的评价技术，获得较为准确的职住空间分布特征；本方案提出 一种基于多数据融合的不同尺度下的职住空间评价方法，并且针对中 宏观层面运用传统数据进行评估，更加准确的反映城市整体情况。

本发明采用两种数据结合，建立不同尺度下的职住空间评价技 术，全面、及时并准确的识别城市职住地空间分布，为城市职住空间 与基础设施布局优化，提供更加科学的参考依据。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不 限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提 下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在 本申请权利要求所限定的范围内。

Claims (9)

1.一种基于多数据融合的不同尺度下的职住空间评价方法，其特征在于，其包括以下步骤：

系统分别收集目标城市的年末常住人口数据、从业人员数据以及POI数据，并对所述POI数据进行可视化处理；

系统针对城市宏观层面及各区的中观层面，分别进行数据处理；

根据所得数据，以单元公里网为分析单元，进行微观尺度的职住偏离度指数评估；

对不同类型的POI数据进行层次分析法处理，区分同一功能不同规模和性质的POI数据权重，通过职住偏离度指数计算各分析单元的职住关系；

构建不同尺度下职住空间评价标准。

2.根据权利要求1所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于：系统通过目标城市的统计年鉴，进行全市的年末常住人口数据及从业人员数据的收集。

3.根据权利要求1或2所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于：所述POI数据包括目标点的名称、类别、地址、经纬度、行政区。

4.根据权利要求3所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于：系统通过爬虫软件爬取高德地图POI数据。

5.根据权利要求1所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于，所述职住偏离度指数计算采用以下公式：

其中，Z_ij为j区第i年份的就业—居住偏离度指数；P_ij为j区第i年份就业人口数；P_i为全市第i年份的就业人口数；Q_ij为j区第i年份的常住人口数；Q_i为全市第i年份的常住人口数。

6.根据权利要求1所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于，所述方法还包括：

系统采用朴素贝叶斯分类法，将现有的POI数据划分为就业类和居住类；

采用层次分析法对同一大类不同规模和影响的POI数据进行加权分析；

采用职住偏离度指数，对各分析单元的就业类和居住类POI数据进行评估。

7.根据权利要求4至6任一项所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于：当职住偏离度指数大于1，表示目标区就业功能强于居住功能。

8.根据权利要求7所述的基于多数据融合的不同尺度下的职住空间评价方法，其特征在于：当职住偏离度指数等于1，表示目标区就业功能与居住功能相对平衡。

9.一种基于多数据融合的不同尺度下的职住空间评价系统，其特征在于，其包括：

数据采集处理模块，用于执行步骤系统分别收集目标城市的年末常住人口数据、从业人员数据以及POI数据，并对所述POI数据进行可视化处理；

系统针对城市宏观层面及各区的中观层面，分别进行数据处理；

职住偏离度指数评估模块，用于执行步骤根据所得数据，以单元公里网为分析单元，进行微观尺度的职住偏离度指数评估；

对不同类型的POI数据进行层次分析法处理，区分同一功能不同规模和性质的POI数据权重，通过职住偏离度指数计算各分析单元的职住关系；

构建不同尺度下职住空间评价标准。