CN114281916B - 一种基于要素流动大数据的边界效应测度方法 - Google Patents

Abstract

本发明提供一种基于要素流动大数据的边界效应测度方法，基于要素流动大数据的网络分析技术，计算空间单元的基于所述要素数据的中心坐标,利用网络地图路径导航API接口，计算所述空间单元中心间的实际交通距离与交通时间；基于标准引力模型，构建基本边界效应模型，并构建考虑实际情况及边界影响的基于要素流动大数据的边界效应模型，实现空间单元之间实际要素流动的准确和动态测度。本发明的方法数据获取简单、数据来源稳定可靠、可动态更新，整体算法效率和准确度更高。

Description

一种基于要素流动大数据的边界效应测度方法

技术领域

本发明属于城市规划数据分析领域，特别涉及一种基于大数据的边界效应测度方法。

背景技术

边界效应是城市群中城市之间因环境、交通等多方面因素综合作用，对城市之间的人员、资本、货物等要素流动形成了阻碍或促进的作用，是促进城市合作与协同发展的重要前提与基础，是城市规划中的重要考虑因素之一。

现有技术中已有的边界效应测算方法，在测算对象上，通常面向国家、地区等经济体，对城市群内部城市或区县单元之间的测度较少，其数据与方法在城市群层面无法复用，难以指导城市群协同发展；在测度媒介上，通常基于商品价格差异、产业结构差异、成本差异等地区之间的差异属性，往往基于统计数据或调查数据，具有数据难以获得、测算难以动态更新、测算客观性不足等问题；在测度基础参数上，往往基于城市地理中心与地理直线距离，对城市的实际人口、产业中心反映有所不足，对城市之间的实际交通联系便利程度与交通设施支撑情况测算精准度不足；在测度模型上，通常利用引力模型、垄断竞争模型、一价定律、趋同分析模型等模型，通过构建虚拟变量的方法测度边界效应系数，进行边界效应的测算，缺乏实际要素流动的测度模型。

发明内容

为解决现有技术中边界效应测算方法在客观性、准确性上的不足，本发明提供一种基于要素流动大数据的边界效应测度方法，客观、准确、动态地反映城市群多层次空间单元之间的边界效应量化测度。

本发明提供一种基于要素流动大数据的边界效应测度方法，其特征在于，包括如下步骤：

步骤S1、获取某时间区段内特定空间范围的基础数据，包括所述特定空间范围内的要素位置数据、要素数量数据，对获取到的所述要素数据进行预处理，得到预处理后的基础数据表；所述基础数据还包括空间单元的基本特征数据。

其中，所述要素为企业要素或人口要素。

步骤S2、基于步骤S1预处理后得到的基础数据表，匹配所述要素与其所属的所述空间单元，获得各所述空间单元中所述要素的数量总和；计算每两所述空间单元间的双向要素流动数据。

其中，所述双向要素流动数据为人口职住流动数据，或企业总部、分支联系数据，或企业资金流动数据。

步骤S3、基于步骤S1预处理后得到的基础数据表，计算各所述空间单元的基于所述要素数据的中心坐标。

其中，计算所述空间单元的中心坐标时，采用标准差椭圆工具进行计算。

步骤S4、基于步骤S3中得到的各所述空间单元的所述中心坐标，计算各所述空间单元所述中心间的实际交通距离与交通时间。

其中，利用网络地图路径导航API接口，计算所述空间单元中心间的实际交通距离与交通时间。

步骤S5、基于标准引力模型，构建所述空间单元间的基本边界效应模型；基于所述基本边界效应模型，构建考虑实际情况及边界影响的基于要素流动大数据的边界效应模型。

其中，所述空间单元间的基于要素流动大数据的边界效应模型为：

式中，R_ij为空间单元i、空间单元j间的实际要素流动联系值；K为实际调整系数；G_i、G_j为空间单元i、空间单元j的GDP；P_i、P_j为空间单元i、空间单元j的要素规模；L_ij为空间单元i、空间单元j间实际车行距离；T_ij为空间单元i、空间单元j间实际车行时间；Q为边界影响因子；α、β、γ、δ、ε为各因子幂系数。

步骤S6、通过对步骤S1-S4中各数据的统计分析，拟合所述基于要素流动大数据的边界效应模型中的相关影响因子，并计算所述空间单元间的无边界影响要素流动联系值及实际要素流动联系值。

其中，所述空间单元间的无边界影响要素流动联系值依据下式计算：

式中，Y_ij为空间单元i、空间单元j间的无边界影响要素流动联系值，G_i、G_j为空间单元i、空间单元j的GDP，P_Fi、P_Fj为空间单元i、空间单元j之间的双向要素流动数据，L_ij为空间单元i、空间单元j间实际车行距离，T_ij为空间单元i、空间单元j间实际车行时间，K为实际调整系数，α、β、γ、δ为各因子幂系数。

拟合所述相关影响因子的步骤如下：

步骤S6-1、将步骤S1中的所述空间单元的基本特征数据、步骤S2中所述空间单元中所述要素数量总和、步骤S3中各空间单元的中心坐标、步骤S4中各空间单元中心间的实际交通距离与交通时间合并，得到数据总表；与步骤S2中的所述空间单元间的双向要素流动数据一起，作为统计分析基础数据；设置所述统计分析基础数据中对应的边界影响因子；

步骤S6-2、根据考虑实际情况及边界影响的基于要素流动大数据的边界效应模型对所述统计分析基础数据进行线性回归分析，得到所述相关影响因子。

步骤S7、计算所述无边界影响要素流动联系值与所述实际要素流动联系值的比值，得到边界效应影响测度值。

本发明通过基于要素流动大数据的网络分析技术，实现空间单元之间实际要素流动的准确和动态测度，数据获取简单、数据来源稳定可靠、可动态更新，整体算法效率和准确度更高。其中，基于人口数据或企业数据实现更客观、更精准的城市中心识别；基于网络公开地图API实现城市间多方式交通可达性与联通性分析；基于引力模型改进与网络分析结合实现边界效应测度。采用上述方式，使得本发明可以实现更加准确的边界效应测度、多空间层次的边界效应测度、对边界效应的持续动态监测；为城市群空间规划提供量化分析支持。

具体实施方式

为说明清楚本发明的目的、技术细节及有效应用，使之便于本领域普通技术人员理解与实施，下面将结合本发明实施例作进一步的详细阐述。显然，此处描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种基于要素流动大数据的边界效应测度方法，通过各类要素流动大数据，来计算各特定空间之间的边界效应规模及形式。下面以粤港澳大湾区城市之间边界效应测算为例，说明本发明的技术内容。

本发明的具体实施步骤如下：

步骤S1、获取某时间区段内特定空间范围的基础数据，包括所述特定空间范围内的要素位置数据、要素数量数据，对获取到的所述要素数据进行预处理，得到预处理后的基础数据表；所述基础数据还包括空间单元的基本特征数据。

所述要素数据可以包括所述特定空间范围内的相关企业信息、人口信息等，所述基础数据可以包括行政区划信息、统计数据信息等。以下仅以所述特定空间范围的人口信息数据为例进行说明。本发明也可使用企业信息数据等进行计算。

具体到本实施例，获取某时间段内特定空间范围，即粤港澳大湾区的基础数据。具体而言，可以基于手机信令数据，获取粤港澳大湾区范围内的人口信息数据。对所述人口信息数据进行预处理，提取人口信息数据中居民人口分布数据中的网络ID、网络坐标及人口数量等信息，记录为人口信息表，如表1所示；提取人口信息数据中职住联系数据中的居住网络ID、居住网络坐标、工作网络ID、工作网络坐标及人口数量等信息，记录为人口联系表，如表2所示。

表1、人口信息表示例

网络ID	网络坐标经度	网络坐标纬度	人数
				114890523	114.2301	23.0512	105
114890685	113.0524	22.1558	32
				……

表2、人口联系表示例

根据广东省统计年鉴、香港统计局、澳门统计局数据，获取粤港澳大湾区各空间单元，即各市最新的GDP总额，记录为GDP表，如表3所示；

表3、GDP表示例

城市	GDP(亿元)
		深圳	27670
香港	24103
		……

步骤S2、基于步骤S1预处理后得到的基础数据表，匹配所述要素与其所属的所述空间单元，获得各所述空间单元中所述要素的数量总和；计算每两所述空间单元间的双向要素流动数据。

其中，计算各所述空间单元之间的单向要素流动数据；例如，人口信息中人口居住位置向职业位置的流动数据，企业信息中企业总部位置对外设立分支位置、或企业位置对外投资的联系或流动数据。

将单向要素流动数据加和，形成每两所述空间单元间的双向要素流动数据。所述空间单元间的双向要素流动数据依据以下公式(1)计算：

L_ij＝T_ij+T_ji(i≠j) (1)

其中，L_ij为空间单元i、空间单元j之间的双向要素流动总数，T_ij、T_ji分别为空间单元i向空间单元j、空间单元j向空间单元i单向要素流动数量。

具体到本实施例：

对步骤S1中的人口信息表数据进行处理。根据人口信息表和粤港澳大湾区行政区划范围，利用Arcgis的空间连接工具将人口分布数据按空间位置连接至其所在城市，将结果记录为人口空间信息表，其包含网络ID、网络坐标、人数、人口所在市等信息，如表4所示。

表4、人口空间信息表示例

网络ID	网络坐标经度	网络坐标纬度	人数	所在市
					114890523	114.2301	23.0512	105	深圳
114890685	113.0524	22.1558	32	广州
					……

将人口空间信息表按城市进行统计的人口数量，记录为人口统计表，如表5所示。

表5、人口统计表示例

城市	人口(万人)
		深圳	1756
香港	747.42
		……

将城市信息按网格点连接到人口联系表中，连接后对各城市之间的职住联系数量进行统计，并根据公式(1)计算，得到城市两两之间职住双向联系数量表，作为人口联系统计表，如表6所示。

表6、人口联系统计表示例

A市	B市	人口联系数量(万人)
			广州市	佛山市	51
深圳市	香港	5
			……

步骤S3、基于步骤S1预处理后得到的基础数据表，计算各所述空间单元的基于所述要素数据的中心坐标。可以利用标准差椭圆工具等方式计算所述中心坐标。

具体到本实施例：

以深圳市为例，将人口信息表导入Arcgis，选择深圳市数据，利用Arcgis软件里的标准差椭圆工具，椭圆大小选项选择“2倍标准差”，使标准差椭圆能够覆盖深圳市95％的人口，权重字段选择人口数量，计算得出该椭圆的圆心坐标，作为深圳市人口分布中心。

以此方法计算得出其他城市的人口分布中心，存为人口中心分布表，如表7所示；

表7、人口中心分布表示例

城市	中心经度	中心纬度
			深圳	114.0355	22.5554
香港	114.1172	22.4363
			……

步骤S4、基于步骤S3中得到的各所述空间单元的所述中心坐标，计算各所述空间单元所述中心间的实际交通距离与交通时间。可利用网络地图路径导航API接口进行计算。

具体到本实施例，首先基于步骤S3中的人口中心分布表，构建各城市之间的人口中心联系表，如表8所示。

表8、人口中心联系表示例

A市	中心经度	中心纬度	B市	中心经度	中心纬度
						深圳	114.0355	22.5554	香港	114.1172	22.4363
珠海	113.5319	22.2571	澳门	113.5785	22.1495
						……

利用Python建立程序，调取网络地图路径导航API接口，例如调用高德API接口，分别计算人口中心联系表中的人口中心实际车行距离，选择0号策略(DRIVING_DEFAULT)，分别记录返回的车行时间和车行距离数据，与人口中心联系表合并为人口中心距离表，如表9所示。

表9、人口中心距离表示例

步骤S5、基于标准引力模型，构建所述空间单元间的基本边界效应模型；基于所述基本边界效应模型，构建考虑实际情况及边界影响的基于要素流动大数据的边界效应模型。

具体而言，步骤S5-1、基于标准引力模型，构建空间单元间的基本边界效应模型：

式中，R_0ij为空间单元i、空间单元j间的要素流动联系值，G_i、G_j为空间单元i、空间单元j的GDP，P_i、P_j为空间单元i、空间单元j之间的双向要素流动数据，L_ij为空间单元i、空间单元j间实际车行距离，T_ij为空间单元i、空间单元j间实际车行时间；α、β、γ、δ为各因子幂系数。

步骤S5-2、考虑实际情况及边界影响，在所述基本边界效应模型中加入调整因子和边界影响因子，得到考虑实际情况及边界影响的基于要素流动大数据的边界效应模型：

式中，R_ij为空间单元i、空间单元j间的实际要素流动联系值，K为实际调整系数，Q为边界影响因子(Q是边界影响因子的总称，会根据实际情况进行调整)，ε为因子幂系数。

为方便计算，公式(3)两侧同时取自然对数，得到

InR_ij＝K+α(G_i×G_j)+β(P_i×P_j)+γL_ij+δT_ij+εQ (4)

步骤S5-3、去除所述基于要素流动大数据的边界效应模型(即公式(3))中的边界影响因子，得到无边界影响下的边界效应模型：

式中，Y_ij为空间单元i、空间单元j间的无边界影响要素流动联系值，G_i、G_j为空间单元i、空间单元j的GDP，P_Fi、P_Fj为空间单元i、空间单元j之间的双向要素流动数据，L_ij为空间单元i、空间单元j间实际车行距离，T_ij为空间单元i、空间单元j间实际车行时间，K为实际调整系数，α、β、γ、δ为各因子幂系数。

同样，公式(5)两侧同时取自然对数，得到

InY_ij＝K+α(G_i×G_j)+β(P_Fi×P_Fj)+γL_ij+δT_ij (6)

具体到本实施例：

根据各城市的空间关系和行政区划关系，具体选择公式(4)中边界影响因子Q为相邻边界影响、跨境边界影响，分别用S、T表示，得到考虑实际情况及边界影响的基于要素流动大数据的边界效应模型，即公式(7)：

InR_ij＝K+α(G_i×G_j)+β(P_i×P_j)+γL_ij+δT_ij+εS+ζT (7)

步骤S6、通过对步骤S1-S4中各数据的统计分析，拟合所述基于要素流动大数据的边界效应模型中的相关影响因子，并计算所述空间单元间的无边界影响要素流动联系值及实际要素流动联系值。

具体可利用统计分析软件SPSS拟合计算各因子系数，计算无边界影响下要素流动联系对数值，并反算无边界影响联系值。具体步骤如下：

步骤S6-1、将步骤S1中的所述空间单元的基本特征数据、步骤S2中所述空间单元中所述要素数量总和、步骤S3中各空间单元的中心坐标、步骤S4中各空间单元中心间的实际交通距离与交通时间合并，得到数据总表；与步骤S2中的所述空间单元间的双向要素流动数据一起，作为统计分析基础数据。设置所述统计分析基础数据中对应的边界影响因子。

将统计分析基础数据进行统计分析，例如，利用统计分析软件SPSS进行分析。

步骤S6-2、根据考虑实际情况及边界影响的基于要素流动大数据的边界效应模型对所述统计分析基础数据进行线性回归分析，得到相关影响因子。

具体而言，将因变量设为所述双向要素流动数据，将自变量设为所述数据总表中的各类数据，得到要素流动数据的回归方程系数。

步骤S6-3、根据公式(6)和步骤S6-2中得到的回归方程系数，计算无边界影响下要素流动联系的对数值，并反算无边界影响联系值。

具体到本实施例：

(1)根据各城市间的空间关系，设置相邻边界影响系数和跨境边界影响系数：如果两个城市在空间上有边界相邻，设置相邻边界影响系数S的值为1，否则为0；如果数据为一个城市与香港或澳门的联系，设置跨境边界影响系数T的值为1，否则为0；

(2)将步骤S1、步骤S2、步骤S4中的数据表中的城市GDP、城市人口、城市间实际车行距离、城市间实际车行时间等数据合并为数据总表，如表10所示；

表10、数据总表示例

将数据总表导入SPSS软件，相邻边界影响、跨境边界影响两个字段的测量属性设为名义，其余字段设为标度。

(3)打开线性回归工具，因变量首先设为双向人口联系数量，自变量加入A市GDP、B市GDP、A市人口、B市人口、实际车行距离、实际车行时间，方法设为全部，计算各项系数作为人口边界效应系数，记录为人口系数表，如表11所示。

表11、人口系数表示例

K	α	β	γ	δ	ε	ζ
							2.5	0.15	0.25	-0.23	-0.16	0.5	-0.6

(4)根据人口系数表及公式(6)、(7)，计算城市间的无边界影响要素流动联系值对数值、实际要素流动联系值对数值，并反算城市间人口无边界影响要素流动联系值、城市间人口实际要素流动联系值值。

(5)将以上结果记录为要素流动联系值表，如表12所示。

表12、要素流动联系值表示例

步骤S7、计算所述无边界影响要素流动联系值与所述实际要素流动联系值的比值，得到边界效应影响测度值。

根据步骤S6的数值，对各城市间的边界效应进行进一步计算。

C_ij＝R_ij/Y_ij (8)

式中，C_ij为城市i、城市j间的边界效应测度值，R_ij为城市i、城市j间的实际要素流动联系值，Y_ij为城市i、城市j间的无边界影响要素流动联系值。

具体到本实施例：

根据公式(8)，和步骤S6中要素流动联系值表结果，计算各城市间的边界效应，将结果记录为大湾区城市边界效应测度表，如表13所示。

表13、边界效应测度表示例

A市	B市	边界效应测度值
			广州	佛山	3.30
深圳	香港	12.45

基于上述对城市之间边界效应的计算，可以为城市规划提供基础参考。例如，可以依据城市之间边界效应，进一步获得考虑各城市间的阻力时城市间的等效距离等，为区域与城乡空间规划中的边界地区土地利用、跨行政边界交通流量测算与交通设施联通、公共服务设施规模布局与共建共享等工作提供数据支持。

Claims (6)

1.一种基于要素流动大数据的边界效应测度方法，其特征在于，包括如下步骤：

步骤S1、获取某时间区段内特定空间范围的基础数据，包括所述特定空间范围内的要素位置数据、要素数量数据；对获取到的基础数据进行预处理，得到预处理后的基础数据表；所述基础数据还包括空间单元的基本特征数据；

步骤S2、基于步骤S1预处理后得到的基础数据表，匹配所述要素与其所属的所述空间单元，获得各所述空间单元中所述要素的数量总和；计算每两所述空间单元间的双向要素流动数据；

步骤S3、基于步骤S1预处理后得到的基础数据表，计算各所述空间单元的基于所述要素数据的中心坐标；

步骤S4、基于步骤S3中得到的各所述空间单元的所述中心坐标，计算各所述空间单元所述中心间的实际交通距离与交通时间；

步骤S5、基于标准引力模型，构建所述空间单元间的基本边界效应模型；基于所述基本边界效应模型，构建考虑实际情况及边界影响的基于要素流动大数据的边界效应模型；

所述空间单元间的基于要素流动大数据的边界效应模型为：

式中，R_ij为空间单元i、空间单元j间的实际要素流动联系值；K为实际调整系数；G_i、G_j为空间单元i、空间单元j的GDP；P_i、P_j为空间单元i、空间单元j的要素规模；L_ij为空间单元i、空间单元j间实际车行距离；T_ij为空间单元i、空间单元j间实际车行时间；Q为边界影响因子；α、β、γ、δ、ε为各因子幂系数；

步骤S6、通过对步骤S1-S4中各数据的统计分析，拟合所述基于要素流动大数据的边界效应模型中的相关影响因子，并计算所述空间单元间的无边界影响要素流动联系值及实际要素流动联系值；

所述空间单元间的无边界影响要素流动联系值依据下式计算：

式中，Y_ij为空间单元i、空间单元j间的无边界影响要素流动联系值，G_i、G_j为空间单元i、空间单元j的GDP，P_Fi、P_Fj为空间单元i、空间单元j之间的双向要素流动数据，L_ij为空间单元i、空间单元j间实际车行距离，T_ij为空间单元i、空间单元j间实际车行时间，K为实际调整系数，α、β、γ、δ为各因子幂系数；

步骤S7、计算所述无边界影响要素流动联系值与所述实际要素流动联系值的比值，得到边界效应影响测度值。

2.根据权利要求1所述的方法，其特征在于，所述要素为企业或人口。

3.根据权利要求1或2所述的方法，其特征在于，步骤S2中所述双向要素流动数据为人口职住流动数据，或企业总部、分支联系数据，或企业资金流动数据。

4.根据权利要求1所述的方法，其特征在于，步骤S3计算所述空间单元的中心坐标时，采用标准差椭圆工具进行计算。

5.根据权利要求1所述的方法，其特征在于，步骤S4中，利用网络地图路径导航API接口，计算所述空间单元中心间的实际交通距离与交通时间。

6.根据权利要求1所述的方法，其特征在于，步骤S6中，拟合所述相关影响因子的步骤如下：

步骤S6-1、将步骤S1中的所述空间单元的基本特征数据、步骤S2中所述空间单元中所述要素数量总和、步骤S3中各空间单元的中心坐标、步骤S4中各空间单元中心间的实际交通距离与交通时间合并，得到数据总表；与步骤S2中的所述空间单元间的双向要素流动数据一起，作为统计分析基础数据；设置所述统计分析基础数据中对应的边界影响因子；

步骤S6-2、根据考虑实际情况及边界影响的基于要素流动大数据的边界效应模型对所述统计分析基础数据进行线性回归分析，得到所述相关影响因子。