基于Ｐ０１０９城市空间结构分析一一以北京市为例ｌ黄伟力 文章编号：１００９—６０００（２０１ ７）１２－００８７—０９ 中图分类号ＴＵ９８４ 文献标识码：Ｂ ｄｏｉ １０ ３９６９／ｉ ｉｓｓｎ １００９－６０００ ２０１ ７ １２ ０１ ３ 基金项目江西省教育厅科学技术研究项目（项目编号：ＧＪＪ１６１１ ３９）ｉ江西科技学院协同创新 专项课题（ＸＴＣＸ２０１ ３１ ９）。 作者简介：黄伟力（１ ９８０一） 男，硕士．江西科技学院信息工程学院，讲师，主要从事数据挖 掘 ＧＩＳ应用及智能交通研究。 基于ＰＯＩ的城市空间结构分析 ——以北京市为例 Ａｎ Ａｎａｌｙｓｉｓ ｏｆ Ｕ ｒｂａｎ Ｓｐａｔｉａｌ Ｓｔｒｕｃｔｕ ｒｅ Ｂａｓｅｄ ｏｎ ＰＯＩ：Ａ Ｃａｓｅ Ｓｔｕｄｙ ｏｆ Ｂｅｉｊｉｎｇ 黄伟力 ＨＵＡＮＧ Ｗｅｉ 摘要： 以兴趣点数据为切人点研究中、微观尺度下城市空间结构，包括城市空间功能构成、空间分布 特征及其聚散规律。中观尺度下，研究兴趣点点密度分布、城市功能聚合和扩散的演化行为以 及区县中心的定位方法，并通过兴趣点分类聚集识别行业聚集子区。微观尺度下，地理位置优 势使得街角具有较强的局部聚集效应和中心引力，街角的兴趣点分类分布体现出了明显的行业 空间分布特征，优势街角的定位也为识别核心街区提供了可行的方法。以北京为仞Ｊ，不同层面 的城市兴趣点结构空间分析证实，兴趣点有良好的城市形态表征能力，是探索城市功能结构的 聚散规律和空间特征的有力工具。 关键词： 兴趣点分布；城市空间结构；点密度；聚集效应 Ａｂｓｔｒａｃｔ：Ａｓ ａｎ ｏｒｇａｎｉｃ ｐａｒｔ ｏｆ ｃｉｔｙ．ｐｏｉｎｔｓ ｏｆ ｉｎｔｅｒｅｓｔ（ＰＯＩ）ｉＳ ｎｏｔ ｏｎｌｙ ｔｈｅ ｗｉｎｄｏｗ ｔｏ ｔｈｅ ｗｏｒｌｄ．ｂｕｔ ａｌｓｏ ａ ｃｏｎｃｒｅｔｅ ｍａｎｉｆｅｓｔａｔｉｏｎ ｏｆ ｔｈｅ Ｕｒｂａｎ ｆｕｎｃｔｉｏｎ．Ｉｔ ｐｒｏｖｉｄｅｓ ａ ｐｏｗｅｒｆｕｌ ｔｏｏｌ ｆｏｒ ｔｈｅ ｓｔｕｄｙ ｏｆ ｕｒｂａｎ ｓｔｒｕｃｔｕｒｅ． ｆｕｎｃｔｉｏｎ ａｎｄ ｆｏｒｍ．Ｔｈｅ ｉｎｆｏｒｍａｔｉｖｅ Ｐ０Ｉ ｄａｔａ ｗｉｔｈ ｌａｒｇｅ ｓｃａｌｅ ａｎｄ ｗｉｄｅ ｃｏｖｅｒａｇｅ ｉＳ ｗｉｄｅｌｙ ａｖａｉｌａｂｌｅ ｏｎｌｉｎｅ ａｎｄ ｕｐｄａｔｅｓ ｒａｐｉｄｌｙ Ｉｔ ｗｉｌｌ ｂｅｃｏｍｅ ａ ｎｅｗ ｈｏｔｓｐｏｔ ｏｆ ｕｒｂａｎ ｇｅｏｇｒａｐｈｙ ｉｎ ｔｈｅ ａｇｅ ｏｆ ｂｉｇ ｄａｔａ．Ｏｎ ｔｈｅ ｍｅｓｏｓｃｏｐｉｃ ｓｃａｌｅ．ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｂｅｈａｖｉｏｒｓ ｏｆ ｕｒｂａｎ ｆｕｎｃｔｉｏｎ ｃａｎ ｂｅ ｏｂｓｅｒｖｅｄ ｂｙ ｆｉｌｔｅｒｉｎｇ ＰＯｌ’Ｓ ｐｏｉｎｔ ｄｅｎｓｉｔｙ．Ｉｎ ａｄｄｉｔｉｏｎ，ｔｈｅ ｍｅｔｈｏｄｓ ｆｏｒ ｌｏｃａｔｉｎｇ ｄｉｓｔｒｉｃｔ ｃｅｎｔｅｒｓ ａｎｄ ｄｉｆｆｅｒｅｎｔ ｋｉｎｄｓ ｏｆ ａｇｇｌｏｍｅｒａｔｉｏｎ ｓｕｂａｒｅａｓ ｈａｖｅ ｂｅｅｎ ｐｒｏｐｏｓｅｄ ｂａｓｅｄ ｏｎ Ｐ０Ｉ ｄｅｎｓｉｔｙ ｄｉｓｔｒｉｂｕｔｉｏｎ．Ａ ｃａｓｅ ｓｔｕｄｙ ｏｎ Ｂｅｉｊｉｎｇ ｓｈｏｗｓ ｔｈａｔ Ｐ０Ｉ ｃｌｕｓｔｅｒｓ ｈａｖｅ ｂｅｅｎ ｇｒｏｗｎ ｆｒｏｍ ｍａｊｏｒ ｃｅｎｔｅｒ ｔｏ ｓｕｂ ｃｅｎｔｅｒ，ｔｈｅｎ ｂｒａｎｃｈｅｓ．Ｔｈｅ ｃｌａｓｓｉｉｆｅｄ ｃｌｕｓｔｅｒｓ ｏｆｒｅｓｔａｕｒａｎｔｓ，ｒｅｔａｉｌｓ ａｎｄ ｂａｎｋｓ ｃａｎ ｂｅ ｅａｓｉｌｙ ｉｄｅｎｔｉｉｆｅｄ．Ｏｎ ｔｈｅ ｍｉｃｒｏ ｓｃａｌｅ．ａｇｇｌｏｍｅｒａｔｉｏｎ ｅｆｆｅｃｔ ａｎｄ ｇｒａｖｉｔａｔｉｏｎ ａｒｏｕｎｄ ｃｏｒｎｅｒｓ ｈａｓ ｂｅｅｎ ｖｅｒｉｆｉｅｄ．Ｃｌａｓｓｉｉｆｅｄ Ｐ０Ｉ ｄｉｓｔｒｉｂｕｔｉｏｎ ｎｅ￣ｂｙ ｃｏｒｎｅｒｓ ｒｅｆｌｅｃｔｓ ｔｈｅ ｏｂｖｉｏｕｓ ｓｐａｔｉａｌ ｃａｔｅｇｏｒｙ ｆｅａｔｕｒｅ．Ｃｏｒｅ ｚｏｎｅｓ ｃａｎ ａｌｓｏ ｂｅ ｒｅｃｏｇｎｉｚｅｄ ｂｙ ｌｏｃａｔｉｎｇ ｄｏｍｉｎａｎｔ ｃｏｒｎｅｒｓ． Ｋｅｙ ｗｏｒｄｓ：Ｐ０Ｉ ｄｉｓｔｒｉｂｕｔｉｏｎ；ｕｒｂａｎ ｓｐａｔｉａｌ ｓｔｒｕｃｔｕｒｅ；ｐｏｉｎｔ ｄｅｎｓｉｔｙ；ａｇｇｌｏｍｅｒａｔｉｏｎ ｅｆｆｅｃｔ ０引言 城市空间结构是城市地理学和城 为及相互作用，并将这些子系统连接成 个城市系统Ⅲ，包含人口、土地、经 市规划研究的基本核心，它以一套组织 济、交通、社会等诸多领域的空间结构。 规贝ＩＪ，连接城市形态和子系统内鄯的行 随着大数据时代来临，城市研究涌现出 ８７ 规划与设计ｌ ＰＬＡＮＮＩＮＧ ＡＮＤ ＤＥＳＩＧＮ 了一大批新思路和新方法，基于ＧＳＭ 、 媒体位置、夜间影像时间序列等数据的 务扩张迅速，２０１４年１月，百度地图日 ＧＰＳ［３￣、社会媒体位置 、无线宽带热点嘲、 研究基础上，提出了城市结构可视化的 服务请求超过４Ｏ亿次，打车、团购、旅游、 公交智能卡 ］、夜间卫星观测影像 等 Ｈｅａｄ／Ｔａｉ１ Ｂｒｅａｋｓ方法“ ；Ｙａｎｇ在百度的 物流等应用蓬勃兴起，我国当前已成为 数据的城市空间结构研究在人类群体行 道路网和ｐ０Ｉ大数据基础上研究了北京 全球导航与位置服务发展最快、最具活 为、社团结构等社会空间结构领域不断 城市空间形态构成和城市功能特征 ： 力的市场ＬＩＢＪｏ 深入。大数据时代将彻底改变城市研究 将ＰＯＩ和用户各类实时轨迹信息相结含，之处，促进新的工作模型出现 ，空间 本文旨在研究城市的ＰＯＩ空间结构， 的方法，并使得城市科学更加关注细微 Ｂａｋｉｌｌａｈ等实现了在建筑物级别高精度的 暂不考虑其实时性和动态性，因此选取了 人口分布估计 ，Ｊａ ｈ ｒｏｍ１等在城市区 信息内容较为全面的离线地图——２０１２ ｎｆｏ全国电子地图数据（包含了较 ；Ｍｃｋｅｎｚｉｅ 年Ｍａｐｌ为完整的地图数据、道路数据以及各类 分析方法由模型驱动逐渐转变力数据驱 域模拟了人类的移动行为 动 ］。中国正处于城市化快速发展时期， 等研究了同类ＰＯＩ在不同区域的特征，发 １ ７］０ 城市空间结构的重点领域应当集中于城 在不同城市所体现出的区域变异性［市空间结构深层机制的分析，中、微观 用等方面ＬＩＯＪ￣ 。原始数据中并没有专门的ＰＯＩ 城市空间结构面临关键转型，未来中国 现了主题公园、足球场和药店等ＰＯＩ类别 ＰＯＩ数据）图层，而是细分为政府机构、公园、大厦、 城市中不同功能区的分布和组合构 宾馆酒店、医疗、学校、银行、药店、餐饮、 尺度研究领域的开拓，新研究方法的应 成了城市内部的空间结构，本文研究中、 公交站、出人口、收费站、停车场、超 微观尺度下的城市ＰＯＩ空间结构，包括城 市高城、其他等类别。因此，对这些分 兴趣点（ｐｏｉｎｔ ｏｆ ｉｎｔｅｒｅｓｔ，ＰＯＩ） 市ＰＯＩ空间功能构成、空间分布特征及其 类数据需进行汇总，以形成ＰＯＩ数据的完 泛指一ｔ刀可以被抽象为点的地理实体， 聚散规律。具体来说，中观尺度下，分析 整视图，最后聚合了大约５２０万个ＰＯＩ数据。尤其是与人们生活密切相关的设施，如 商场、车站和学校等，是导航电子地图 区域ＰＯＩ的整体聚集和分类聚集效应，研 ＰＯＩ数据在近几年出现了爆发式增长， 究ＰＯＩ空间结构的自组织、城市功能聚含 在不断更新的海量数据中，掺杂部分失 的重要内容 。它犹如细胞一样遍布 和扩散的演化行为、区县中心的定位方法， 效数据和重复数据也在所难免，对ＰＯＩ数 在城市各个角落，是城市功能的具体体 以及行业聚集子区识别方法；微观尺度下， 据进行预处理是十分必要的。失效数据 现。商家往往利用ＰＯＩ信息向客户提供增 研究城市街角ＰＯ１分布和行业空间分布特 和重复数据存在一个共同的特征，即同 值服务，在周边展示、地图搜索、路径 征，由此分析街角的局部聚集效应和中心 作为大数据时代的一个重要产物，海量 行业优势街角的空间布局。ＰＯＩ数据也为深入挖掘城市空间功能、结 ｝勾和形态提供了可能性。Ｐ０Ｉ数据信息内 １数据 一个位置出现了多个ＰＯＩ数据。我们主要 ＯＩ数据，对其类别 导航、商业选址等问题中得到广泛应用。 引力，以及具有较强吸引力的优势街角和 针对地理位置相同的Ｐ和名称进行筛选，在相似类别中保留一 种。例如，在交通大类——车站中类中 同时包含代码为８０８Ｂ的“公交车站”和 代码为８０８Ｆ的“公交车站出人口（行人 容丰富，表征城市功能的能力与生俱来， １．１ ＰＯＩ数据 是人口、土地、经济、社会等城市主要 Ｇｏｏｇ１ｅ地图、百度地图、高德 导航）”两个小类，而这两个小类在每个 要素相互作用的综合表现，集地理位置 地图、国家测绘地理信息局主导建设 公交车站的地理坐标叉均相同，这就是 信息和功能分类信息于一体，与传统数 的国家地理信息公共服务平台天地图、 一个典型的重复数据，保留其中一种即可。 据相比较还具有规模大、覆盖广、类别 ＯｐｅｎＳｔｒｅｅｔＭａｐ、腾讯地图、Ｍａｐａｂｃ、微 １．２城市道路数据 多、易获取、更新速度快等优点，越来 软的Ｂ１ｎｇ地图等开放平台部向用户 道路是城市的骨架，按照出行到目 越多地得到用户认可和青睐，也日益引 提供了简单易用的ＡＰＩ（ＡｐＰ１１ｃａｔ１０ｎ 的地的角度，Ｐ０Ｉ布局在道路两侧是最为 起研究人员的重视。近年来，ＰＯＩ逐渐成 Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ。应用程序编程接 经济合理的，这与城市规划中希望最大 为一种研究城市空间结构和城市形态的 口）和地图服务。位置信息是ＰＯＩ所具有 程度发挥道路的作用也是一致的，因此 新方法，且以中、微观尺度的应用居多。 的最基本信息，不同来源的ＰＯＩ数据所 道路数据在城市空间结构分析中也非常 Ｌｏｎｇ等提出了结合道路网络和ＰＯ１分类 包含的信息也有一些差异性。２０１ ２年全 重要。我们使用的ＭａＰＩ ｎｆｏ全国电子地 的地块识别方法，进而给出了城市区域 国地图兴趣点（ＰＯＩ）超过２０００万，用户 图数据中，道路分为高速、城市快速路、 识别方法和基于ＰＯｌ的人口数据空间化 量超过２亿，２０１３年兴趣点达到５０００万， 国道、省道、县道、乡镇村道、其他路 和合成方法 ” ：Ｊｉａｎｇ则在ＰＯＩ、社会 用户量达到５亿。百度、腾讯等位置服 ７大类。道路按照交叉路口分段，每段 基于ＰＯＩ８＜］城市空间结构分析一一以北京市为例Ｉ黄伟力 道路信息包含了道路类别、起止点以及 途经路线。一条完整的道路会由于道路 之间交叉等原因被分割为若干个路段的 度、低等级的结点，保留了度较高的结 为往往是由于某个吸引子将有关联的Ｐ０Ｉ点，街角结点的度至少为３，级别至少为 吸引在其周围，距离吸引子越近，所具 乡镇村道，Ｐ０Ｉ归属则由最低等级的其他 有的价值越高，因而分布密度也越高。 组合，对于高等级道路中的不同车道也 会用不同的路段来表示。全国电子地图 中总共包含约６３０万条路段数据，其中 ２空间聚类分析 路向较高等级道路汇聚。经过预处理之 ２．后，北京道路网络精简为７２７４４条路段、 ４５１ ２９个交叉口。对于多车道、道路方向 和立交桥等问题，由于处理过程较为复 聚集行为是城市自组织的一种表现， 影响着城市经济、生活、就业、交通出 省会城市及直辖市包含约２００万余条路 段数据，其中高速路６４９９条、城市快速 行等各个方面。Ｐ０Ｉ点密度Ｐ。（ｒ）表明 了一定区域范围内Ｐ０Ｉ的聚集程度，通 段数据。例如，北京共包含２７７５５６条路 杂，本文暂不做处理。过Ｐ０Ｉ点密度分析，可以了解城市空间 结构在Ｐ０Ｉ层面的聚集规律和分布特 路４８７３条、国道４３２８条、省道２１ ７３６ ２方法 条、县道２０４９０条、乡镇村道８４８７４条、 本文在ＰＯＩ点密度的基础上研究Ｐ０Ｉ 征。为了简化计算，若采用统一的观测 其他路１ ３４７５６条。若两条路段的一端位 区域分布和街角分布，探索城市空间结 尺度（即计算区域的半径ｒ相同），则该 置相同，则说明这两条路殴在该点相交； 构中、微观尺度下的聚散规律和分布特征。 区域ＰＯＩ的数量Ｎ （ｒ）同样可以反映聚集 程度。借鉴道路交通网络协调控带１．的距 若３条及以上的道路共享同一个端结点， ２．１ ＰＯＩ点密度 则该结点为道路交叉口（即街角）。若两 条路段在中间位置有交点，则说明这两 条路段空间上交锚，但在同一个平面不 若Ａ是以ｐ（ｘ，Ｙ）为圆心、ｒ为半径的 离标准 ，以及城市商业中心布局Ａ，Ｏ￣Ｂ 关研究 ，本文选择６００ｍ作为观测尺度。 在统一的６００ｍ分析半径下，圆形区域 面积相同，故本文在分析Ｐ０Ｉ聚集分布 时，仅考虑ＰＯＩ在６００ｍ圆形分布范围内 圆形区域，特别的，记Ｎ。（ｒ）为圆形区域 Ａ中ＰＯＩ的数量，则该圆形区域的ＰＯＩ区 相交。 城市道路网络纷繁复杂，道路和结 点数量巨大，尤其是对一二线城市而言 其大规模道路网络对数据处理提出了相 当高的要求。为提高计算效率，需要对 域密度，记作Ｐ （ｒ），其计算方法为： （ｒ）＝ （１） 的数量Ｎ （６００），用其衡量ＰＯＩ的点密度， 圆形区域的ＰＯＩ区域密度也可币尔之 ＰＯＩ点密度的具体数值不再计算。为圆心ｐ（ｘ。ｙ）的ＰＯＩ点密度。通过调整不 使用Ｐ０Ｉ点密度分析城市空间结构 同的ｒ值，可以观测不同尺度的聚集程度。 的具体方法如下： 城市道路网络进行预处理，降低城市道 路网络的复杂程度。预处理的目的主要 减道路路段及交叉口的数量。在道路网 另外，考虑到ＰＯＩ的类别特征，记 （１）以每个Ｐ０Ｉ为中心点，计算与 （ｒ）为ｋ类ＰＯＩ数量，表示以Ｐ为圆心、 之距离相邻（６００ｍ以内）的ＰＯＩ数量（包 包括精简道路网络结构、合并道路和缩 Ｎｒ为半径的圆形区域内类别为ｋ的Ｐ０Ｉ数 含该ＰＯＩ本身）Ｎ。（６００），若６００ｍ范围内 ６ＯＯ）为 量，记ｐ （ｒ）为ｋ类ＰＯＩ在Ｐ点的点密度， 无其他ＰＯＩ，则该点的ＰＯＩ数量Ｎｐ（简称ｋ类点密度。Ｐ （ｒ）可以用于观测 １： 络结构的缩减过程中，我们遵照以下基 本原则： （１）结点的度越高，则与该结点连 各类ＰＯＩ的聚散方式。 接的道路越多，ＰＯＩ聚集概率越大，边缘 化结点的ＰＯＩ聚集概率较小； （２）由高到低筛选Ｐ０Ｉ点密度Ｎ。 ＰＯＩ的聚集行为具有趋利性，在高价 （６００），观测ＰＯＩ聚集的高密度区到低密 值位置附近往往聚集了更多的Ｐ０Ｉ。例如， 度区的变化，从空间上展示城市聚集的 演化过程： （３）按类别计算ＰＯＩ的ｋ类点密度， 发现城市不同功能区域的空间布局。 （２）其他路为最低等级的道路，其 住宅小区、学校、商业大厦等都是具有 Ｐ０Ｉ聚集效应也比国道、省道、县道和乡 镇村道弱很多。 因此，对原始道路网络做出以下处 理： 较高吸引力的ＰＯＩ，在其周边住往都聚集 着较高密度的ＰＯＩ。街角则有先天的交通 优势，同样也具有价值引力。ｐ（ｘ。ｙ）是计 算点密度的核心点，需要有较高的价值 ３结果分析 和较强的吸引力，一般选取某个ＰＯＩ点 ３．１城市功能聚散的空间演化 （１）删＿除其他路； （２）删除度为１￣ｇＤｉ－子结点； （３）删除度力２的连接结点，合并 与之相邻的两条路段。 １．１北京ＰＯＩ聚集形态 或是某个道路交叉点。若ｐ（ｘ，Ｙ）为ＰＯＩ点， ３．ｐ。（ｒ）则表示该ＰＯＩ点对周边ＰＯＩ的吸引 程度；若ｐ（ｘ。ｙ）为街角，ｐ。（ｒ）则反映该 北京作为首都，是中国城市发展 的典型代表，也是国内外学者关注的焦 ￣：－ＩＥ点密度筛选阀值，可 经过预处理之后道路网络消去了低 街角周围ＰＯＩ的聚集程度。Ｐ０Ｉ的聚集行 点。通过不断５规划与设计ｌ ＰＬＡＮＮＩＮＧ ＡＮＤ ＤＥＳＩＧＮ ｂ．Ｎ≥５００ Ｃ．Ｎ≥４５０ ｅ．Ｎ≥２００ 图１北京ＰＯｌ聚集分布的空间演化过程 以发现城市功能聚集由主中心发展到次 中心、继而出现更小的聚集分支，图１ 长向城市中心偏移。城市中心吸引力强， 可以得到不同类别Ｐ０Ｉ的聚集区域，图２ 聚集密度更大，区县中心聚集密度较小。 给出了部分ＰＯＩ类别分类聚集的分析结果。 给出了北京ＰＯＩ聚集分布空间演化的主要 虽然《北京城市总体规划（２００４—２０２０年）》 各类ＰＯＩ的数量不同，例如零售业分布最 为改变原来单中心均质发展的状况提出 广，数量也最多，而银行、小区、教育 过程。Ｐ０Ｉ筛选阀值设置从６００起始，每 次递减５０直至为Ｏ。为了清晰观测这个 构建“两轴——两带——多中心”的新 等则数量较少，在同一水平的观测级别 演化过程的主要阶段，图１中仅保留了 城市空间格局，但从ＰＯＩ的实际聚集效果 上分析不同类别ＰＯＩ的聚集效应是不含适 几个有代表性的Ｐ０Ｉ数量阀值。当阀值 来看北京市的单中心结构并未有明显改 的。因此，这里基于平均分布密度为各 较高Ｎ≥６００，只有一个点满足高聚集要 善，这与孙铁山等的研究结论是相一致 类ＰＯＩ设置了不同的高密度聚集标准。假 求：当Ｎ≥５００，出现了第二个点：再继 的，２００４—２００８年北京都市区就业仍呈现 设Ｎｋ为ｋ类ＰＯＩ的总数，Ｓｃ｛ｔｖ为城市面积， 续下降至Ｎ≥４５０，主城区聚集点不断 向心集聚的趋势，远郊次中心的影响不 则其以ｒ为半径的圆形区域内平均分布密 ．、 ，ｒｒ２Ⅳ 增多，区县的聚集点也显现出来。当阀 断被弱化，北京都市区的单中心或强中 ￣ｐｋ（ｒＪ 。该类别的高密度阀值 值设置为Ｎ≥２００时，１６个区县中心聚 心结构可能并未从根本上改变 ”。集区已被全部识别出来。Ｐ０Ｉ聚集数量的 ３．１．２ ＰＯ１分类区域分析 观测，可以清晰地显示出城市的功能聚 物以类聚，人以群分，ＰＯＩ也具有分 设置为１３ ｐ ｋ（ｒ），１３为聚集系数，即超过 平均分布密度１３倍以上则被认为是高密 度聚集。图２中的高密度阀值是按照经 集中心以及各区县的功能聚集中心，可 类聚集特征。餐饮、零售、银行等都是 验值ｒ：６ＯＯｍ、１３＝４０计算的（车站除外）０ 以为城市分形研究确定中心点，也可以 具有较高聚集效应的类别，按这些类别 为基于元胞自动机的城市演化模型提供 计算聚集区域可以找到城市的商业中心、 具体分析结果如下： （１）通过分类聚集分析可以发现不 计算规则。从聚集模式可以看出北京具 金融中心等。在分析ＰＯＩ聚集效应的基础 同类别的聚集中心。如餐饮行业聚集在 有典型的单中心结构，各区县中心的生 上，按照ＰＯＩ的类别进行分类区域分析， 朝外、ＣＢＤ、三里屯、后海和中关村；零 ９０ 基于Ｐ０１８９城市空间结构分析一一以北京市为例Ｉ黄伟力 ａ．Ｎ≥７１零售业 ｂ．Ｎ≥１９小区 Ｃ．Ｎ≥５ｌ公司企业 ｄ．Ｎ≥５５餐饮 ｆ．Ｎ≥ｌ物流快运 ｈ．Ｎ≥１ ７教育 １．Ｎ≥１ ２休闲 图２北京部分ＰＯ１分类聚集分析结果 售业多聚集在王府井、前门、ＣＢＤ、新街 向性。零售业、餐饮、银行、小区、教 分布。较为特殊的是公司企业、物流快 口、三里屯、中关村、公主坟、马连道： 育等多数类别ＰＯＩ聚集在五环以内表现出 运和科研机构，它们的聚集分布呈现出 银行主要分布在金融街、ＣＢＤ、朝外、中 偏东北分布。北京市发展存在不均衡性， 不同特点。一般公司企业对周边人流量 关村。ＰＯ１分类聚集结果与张殉等人基于 东北部发展较快，资源、要素密集；西 并不敏感，它们更关心的是房租、劳动 第二次全国经济普查包括ｌ０６６４２个商业 南区域由于产业结构、原有资源条件等 力等成本因素，加上大兴区大力打造“北 网点数据分析的２００８年北京城区商业网 因素的影响，经济发展相对缓慢，城市 京电子商务中心区”，使得南五环附近公 点核密度分析结果 基本一致。 标度区具有明显的东北偏向趋势 ，因 司企业和物流快运聚集程度更高，科研 （２）各类Ｐ０Ｉ聚集分布有一定的偏 而大多数类别的ＰＯＩ表现出偏东北的聚集 机构则是受到中关村吸引偏西北发展。 ９１ （３）各类ＰＯＩ在聚集形态上也有显 因此，小区和住宿两个类别的聚集分布 医院、公共厕所等则介于两者之间。这 与诺斯描绘的沿购物中心某个方向地价 著差别。在１３＝４０观测级别上，零售业 形成了区位上的互补。 聚集程度高且分布广泛，城市中心和各 ３．２街角Ｐ０Ｉ布局 区县中心均能观测到聚集现象，这也体 现出零售业在各类行业中的重要地位； 的变化与零售业类型的关系 中妇女服 街角是道路网络中的关键点，其地 装、宝石店、鞋店具有较高地价的结论 理位置有明显的交通优势，对其进行Ｐ０ Ｉ 是一致的，同时也验证了街角价值。街 锓饮、银行、教育、小区、住宿等行业 聚集分析也与城市布局的基本规律相符。 角体现出不同行业对交通成本的敏感度，聚集则更为集中，主要分布在五环以内， 以街角为观测点，通过研究街角附近的 与街角较近说明该行业对地理位置的依 区县聚集程度明显减弱。另外，车站在 ＰＯ１分布规律，可以了解商业和服务业区 Ｂ＝４０观测级别上ｆ Ｎ≥６０）只有极少量 位的局部空间模型和引力模型。 赖性较强，在承受高地价成本的基础上 同时也有高收益的机遇，对行业选址具 ２．１街角ＰＯ１分类聚集分析 的聚集，而在１３＝２０观测级别上（Ｎ≥３０） ３．可以看到较为普遍的聚集，表明车站 有一定的参考和指导意义。 为每个ＰＯＩ寻找最近的街角（即该 ３．２．２优势街角分析 作为公共设施，覆盖面广且相对较均质， Ｐ０Ｉ Ｏ￣ＪＵ３属交叉路口），同样以６００ｍ为半 街角Ｐ０１分类聚集分析结果表明， 聚集程度也相对较低，只有在较低的聚 径设置最小搜索范围，若搜索范围内没 不同行业对街角有着不同程度的依赖性。集系数观测水平下才能显现出来。 有发现任何街角，则该ｐ０Ｉ为无归属点。 换个角度考虑，我们会发现城市中每个 街角的吸引力也是不同的，有些街角地 （４）部分类别Ｐ０Ｉ聚集分布存在区 对全国省会城市及直辖市的街角附近Ｐ０Ｉ位互补。小区和住宿均同为居住类型ＰＯＩ， 进行分类分析，圈３中给出了ＰＯＩ数量 处核心街区吸引力较强，周边拥有更多 功能上存在互补；小区主要在二环到四 较多的分类的平均距离分布情况。为了 的归属ＰＯＩ，这类街角我们称之为优势街 环之间聚集，而住宿则在二环以内高密 达到较好的显示效果，使用了双对数坐 角。优势街角在城市中是如何分布的呢？ ＯＩ数 度聚集。二环以内是北京的功能核心 标。可以看出，餐饮（快餐、中餐馆等）、 以北京为例，我们对各个区县归属Ｐ区，交通便利，区位优势明显，其地价 住宿（旅馆、星级宾馆等）、零售（烟酒 量超过３０的优势街角进行了统计（表１）。 也是最高的。住宿包括旅馆、星级宾馆 副食品、服装鞋帽、药店等）这３个主 从表１可以发现，海淀区和朝阳区 等，该类别对区位更为敏感，更好的区 要行业都与街角有较近的距离。其他类 优势街角数量较多（分别为１０９和１０７）， 位将带来更多的客流量；小区居民贝ｌＪ对 别贝ｌＪ具有一定的差异性，如银行、网吧、 密云县、平谷区、廷庆县、顺义区、门 房价更为敏感，更容易选择价格相对较 浴场、美容美发距离街角较近，公司企业、 头沟区优势街角数量较少（不足１０）。考 低、区位仅次于二环的三环和四环区域。 教育、政府机关则相对较远，小区、超市、 虑到各区县面积不同，我们进一步观察 每平方公里内的优势街角数量，发现优 势街角的空间布局与城市发展的整体布 局相一致。西城区和东城区排名靠前， 作为首都的功能核心区每平方公里几乎 就有一个（Ｏ．９３０和Ｏ．８３６）超过３０归 属ＰＯＩ的优势街角，海淀、朝阳、石景 山、丰台４个城市功能拓展区紧随其后， 但每平方公里优势街角数大幅下降。归 ● Ｈ 属Ｐ０Ｉ数量最多的街角分别处于西城区 前门大栅栏和海淀区北京交通大学（均 为ｌ１ ５），说明这两个区局部存在强引力。 东四、颐和园等区域附近街角ＰＯＩ数量也 排名靠前。优势街角的定位为识别核心 街区提供了可行的方法。 排名靠前的优势街角很多都是由各 图３街角ＰＯ１分类分布 ９２ 个部分构成的综合吸引，如餐饮、零售、 基于ＰＯＩ＠Ｄ城市空间结构分析一一以北京市为例ｆ黄伟力 公共设施、公司企业等，它们有机地组 织在一起，相互吸引，相互依存，形戍 综合吸引源。为更深入了解ＰＯＩ类别对 街角整体吸引力的影响，对各街角的不 同类７３ｉＪ ＰＯＩ做相关分析，计算各类ＰＯＩ数 量与街角Ｐ０Ｉ总数的相关系数。表２列 出了相关系数较大且双侧检验显著性水 平均在０．０１以下的Ｐ０Ｉ类别、相关系 表１ 北京各区县街角ＰＯＩ聚集统计（Ｎ≥３０ 区县 西城区优势街角 优势街￣！ｉ／ｋｍ Ｍａｘ（Ｎ） ４７ ０．９３０ ｌ１５ 区县 昌平区 优势街角 优势街；ＩＩＩ／ｋｍ Ｍａｘ（Ｎ） １９ ０．０５２ ６４ 东城区 ３５ ０．８３６ ７７ 平爸区 ６ ０．０４７ ４６ 海淀区 朝阳区 ｌ。９ １０７ ０．４７５ ０．３４６ ¨５ ７６ 延庆县 房山区 ６ ｌ２ ０．０４２ ０．０３４ ６３ ７４ 石景山区 １５ 丰台区怀委区 大兴区 ４８ １４ ２７ Ｏ．３０３ Ｏ．２３６ ０．１０５ ０．０８７ ６ｌ ７５ ９２ ７４ 通州区 １０ Ｏ．０３２ ０．０２１ ０．Ｏ１８ ０．０ｌ５ ７４ ３７ ３４ ６０ ］头淘区 ２ 密云县 顺义区 ６ ５ 数和平均密度。由于样本数较大，相关 系数总体偏低，其中中餐馆相关系数最 高（０．５６２），其次为美容美发店（Ｏ．４８１）、 服装鞋帽店（Ｏ．４４５）和停车场（Ｏ．４４３）。 也就是说某个街角如果拥有更多的中餐 馆、美容美发店、服装鞋帽店或停车场， 类别服装鞋帽 大厦 表２主要ＰＯＩ类别与街角ＰＯＩ总数的相关分析 Ｐｅａｒｓｏｎ系数 Ｏ．４４５ ０．３３２ 平均密度 ２９９ ２８５ 类别小区教育 Ｐｅａｒｓｏｎ系数 ０．４２１ ０．３２５ 平均密度 １ ７７ １５７ 它将更有可能成为优势街角。这和商业 综合体集购物、餐饮、商务、休闲、娱 乐为一体的现代商业发展模式也是相符 合的，这些类别的集聚和共生产生了更 强大的吸引力。平均密度为该类ＰＯＩ点密 快餐停车场 ０．３４５ Ｏ．４４３ ２７７ ２４１ 社区医疗 政府机关 ０．３３０ ０．２６７ １５６ ｌ５４ 旅馆 银行０．４１１ ０．３８７ ２３９ ２３５ 公共厕所药店 ０．３４２ Ｏ．２７０ １４９ １３７ 度的平均值，例如平均每个服装鞋帽店 周边６００ｍ内包含２９９个Ｐ０Ｉ点。总体来 说，平均密度较大的ＰＯｌ相关系数也相对 较大，平均密度较大说明其潜在吸引力 较强，其所归属的街角借助其吸引力有 更大的机会拥有更多的归属ＰＯＩ。 美容美发 ０．４８１ ２３５ 便利店 Ｏ．２６９ ¨８ 烟酒副食 浴场 ０．３８０ ０．２９３ ２３４ ２００ 车站 公司企业 Ｏ．３３７ Ｏ．２９２ １０７ ９２ 中锓馆 ０．５６２ １９６ 注：以上数据均在０．Ｏ１水平上显著 Ｉ－＃Ｂ关（双侧检验 ￣３．２．３行业优势街角分布 有的优势街角体现出的是综合优势， 有的却体现出了强烈的行业优势。相同 行业的个体聚集在一起，形成了更大的 产业规模，以获取更大的机会，这是一 服装鞋帽 公司企业 ｌ ８ ３ １ ２ １ １ ４ ３ ２ ２ 种竞争共生的现象。在上－－ｉＪ＼节的基础 上，进一步进行聚类分析，得到北京各 区县街角ＰＯ１分类聚集点数量。由于归属 ＰＯＩ数量是按照分类来统计，因此表３中 古玩字画 建材家居 科研机构 旅馆 美容美发 汽车用品 优势行业街角的判断标准为归属于该街 角行业Ｐ０Ｉ数量超过１ ５。按照这个标准， 北京共有８２个行业优势衢角。服装鞋帽、 公司企业和中餐馆类ＰＯＩ聚集在各区分布 较广，朝阳区和大兴区公司企业聚集数 量较多，仞Ｊ如：朝阳区酒仙桥中路和酒 仙桥东路街角地处电子城，周边聚集了 中餐馆 Ｂ３ 规划与设计ｌ ＰＬＡＮＮＩＮＧ ＡＮＤ ＤＥＳＩＧＮ ３８家电子类公司企业；临近大兴区服装 ４．２细粒度的微观尺度挖掘 的数据非常有限，各种复杂的算法被用 鞋帽城的向阳路和德南路街角聚集了３８ 我国微观尺度下城市空间结构的研 来保证数据的可靠性：在大数据的时代， 由于数据较为完整，最简单的算法就可 家服装类企业。而其他一些类别则是在 究由于受到基础数据的限制，起步较晚。个别区县中出现了聚集效应，即该区县 传统的土地、人口、经济、社会等数据 以得到想要的结果。随着城市ＰＯＩ数据日 存在该类别的典型功能区，如西城区后 多来自于人口普查、问卷调查等，由于 趋完善，地理空间分析中的算法将变得 海南沿和前海北沿街角则聚集了酒吧一 数据采集难度大、保护隐私等因素的影 更加简单，同时大数据对计算速度的要 条街的３７个酒吧 西城区南新华大街和 响往往粒度较粗（空间采样密度低、类 求使得并行计算的应用将变得更加普遍。 琉璃厂东街街角聚集了３６个古玩唐。可 别单一），不适合进行微观尺度下城市空 ０ Ｉ数据具有精确的 ５结论 以看出具有行业优势的街角，往往是行 间结构的深入分析。Ｐ 业一条街的所在地。 地理位置和详细的分类信息，可以实现 本文使用ＰＯＩ数据研究城市空间结 建筑物级别的数据分析（例如同一写字 构，定义了ＰＯＩ点密度用于描述ＰＯＩ的分 ４讨论 楼中不同类别的企业在ＰＯＩ数据中拥有相 布，从中观的ＰＯＩ自组织聚散行为，到微 ，有利于进行细粒度 随着信息化社会的到来，城市空间 同的地理位置信息）观的街角ＰＯ１分布特征，在不同尺度下展 结构研究面临更多新的机遇和挑战。基 挖掘：若辅之ＧＩＳ中详细的道路街区信息， 示了ＰＯＩ良好的城市形态表征能力。同时 于Ｐ０Ｉ的研究方法是大数据时代出现的 则可以对于城市片区、社区、街区等微 得出以下结论： （１）ＰＯＩ数据包含地理位置和类别 信息，空间聚类分析是城市ＰＯＩ空间结构 新兴方法，凭借Ｐ０Ｉ数据规模大、覆盖 观尺度的城市空间结构做出更深入的分 广、类别多、易获取、更新速度快等优点 析。 使得其在城市空间结构领域逐渐成为新 ４．３时间和空间 的研究热点。本文基于ＰＯｌ对城市空间结 构进行了一些分析，提出了相关的一系 都是城市地理研究者关注的焦点，然而 分析中较为简单有效的方法。单纯对地 若配合类别信息进行聚类，则可以发现 城市空间结构的演化规律一直以来 理位置进行聚类，可以识别出区域中心；列城市分析方法（如基于ＰＯＩ的城市中心 要观测这个与时间相关的过程需要拥有 行业聚集子区。以北京为例研究ＰＯＩ点密 和分中心的定位方法、行业聚集子区识 不同历史时期下的城市空间数据，数据 度分布、城市功能聚合和扩散的演化行 别方法、优势街角和行业一条街的定位 采集难度巨大。基于Ｐ０Ｉ的研究则有其 为，成功识别出北京１６区县的功能中心 方法等），旨在验证Ｐ０Ｉ具有良好的城市 先天的优势：首先，城市空间结构在时 以及餐饮、零售、金融等行业的聚集子区。形态表征能力。由于篇幅限制未能全面 间上的演化必然会在当前的城市空间上 展开，在此仅对ＰＯＩ方法在城市空间结构 留下印记，从城市空间演化规律可以在 （２）ＰＯＩ数据与道路数据有很强的相 关性，街角凭借其交通优势吸引了更多 研究中所具有的优势做出一些讨论。 一定程度上推测出其时间上的演化规律， 的ＰＯＩ向其汇聚。街角的ＰＯ１分类分布也 ４．１城市物质空间和城市社会空间 通过对大规模的ＰＯＩ数据进行不同尺度空 体现出了明显的行业空间分布特征。优 城市空间结构研究根据研究目的和 间聚集分析可以观测出城市空间演化的 势街角的定位为识别核心街区提供了可 对象的不同可以分为城市物质空间和城 规律，不同阀值下城市空间的ＰＯ１分布， 行的方法，行业优势街角则往往地处行 市社会空间的研究，地图上的每个ＰＯＩ都 则可以作为不同历史时期城市演化的缩 业一条街。 是物质空间中实际存在的一个点，同时 影；其次，Ｐ０Ｉ数据是信息化社会的产物， ＰＯＩ数据在城市研究方面拥有先天的 它还兼具有社会空间的属性。单纯基于 随着移动终端和移动应用的普及，表现 优势：①ＰＯ１个体信息丰富，集地理位置 ＰＯＩ的城市聚集形态分析可以体现出城市 出更易获取和快速更新的特点，与传统 信息和分类信息于一身，在自组织演化 物质空间演化扩展的规律，而ＰＯ１分类区 的问卷调查数据相比较，其数据具有更 过程中体现出城市功能聚散的内部规律 域分析结果可以看出各行业合作竞争的 好的连续性和更强的实时性，更适合进 ②ＰＯＩ在街角的局部聚集和行业布局特征， 特点，这也是社会空间自组织的一种体 行基于时间的城市空间结构演化规律研 反映出ＰＯＩ与区域交通之间存在密切联系。 现。因而，从ＰＯＩ的视角出发可以同时从 究。 下一个阶段，还将继续深人挖掘ＰＯＩ数据 物质空间和社会空间的角度全面研究城 ４．４大数据ＶＳ．算法 市空间结构的演化规律和各子系统的相 互作用机制。 中所蕴藏的信息，如：①ＰＯＩ结构与城市 地理空间分析中计算机算法无处 发育程度的关系：②ＰＯＩ数据的分布形态 不在，在传统算法时代，由于能够获取 和形成机理：③街角ＰＯ１分布的局部交通 基于Ｐ０１８９城市空间结构分析一一以北京市为例『黄伟力 特征；④基于ＰＯＩ的商圈识别和社区发现。 ａｎｄ ｃｈａｒａｃｔｅｒ１ｚａｔ１０ｎ ｏｆ ｐａｒｃｅｌｓ（ＡＩＣＰ）ｗｉｔｈ 报，２０１ ２，６７（６）：８２９－８４０． 参考文献： ［１］Ｂｏｕｒｎｅ Ｌ Ｓ．Ｉｎｔｅｒｎａｌ Ｓｔｒｕｃｔｕｒｅ ｏｆ ｔｈｅ Ｃｉｔｙ：Ｒｅａｄｉｎｇ ｏｎ Ｕｒｂａｎ Ｆｏｒｍ，Ｇｒｏｗｔｈ ａｎｄ Ｐｏｌｉｃｙ［Ｍ］．Ｏｘｆｏｒｄ：Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， ｌ９８２． ［２］Ｃａｌａｂｒｅｓｅ Ｆ，Ｒａｔｔｉ Ｃ．Ｒｅａｌ ｔｉｍｅ ｒｏｍｅ［Ｊ］． Ｎｅｔｗｏｒｋｓ ａｎｄ ＣＯｍｍｕｎ１ｃａｔ１０ｎ Ｓｔｕｄｉｅｓ，２００６． ２０（３）：２４７—２５８． ［３］Ｎｅｕｈａｕｓ Ｆ．Ｕｒｂａｎ ｄｉａｒｙ［Ｚ］．Ｅｍｅｒｇｅｎｔ Ｓｐａｔｉｏ Ｔｅｍｐｏｒａｌ Ｄｉｍｅｎｓｉｏｎｓ ｏｆ ｔｈｅ Ｃｉｔｙ． ２０１ ５：５５—８２． ［４］Ｊ１ ａ ｎｇ Ｂ．Ｈ ｅ ａ ｄ／ｔ ａ１１ ｂ ｒｅ ａ ｋＳ ｆ０ ｒ Ｖ１Ｓｕａ１｛ｚ ａｔ１０ｎ ｏｆ Ｃｉｔ ｖ ｓｔｒｕｃｔｕ ｒｅ ａ ｎｄ ｄｙｎａｍｉｃｓ［Ｊ］．Ｃｉｔｉｅｓ．２０１ ５（４３）：６９—７７． ［５］Ｒｅｋｉｍｏｔｏ Ｊ。Ｍｉｙａｋｉ Ｔ。Ｉｓｈｉｚａｗａ Ｔ．ＬｉｆｅＴａｇ： ＷｉＦｉ—ｂａｓｅｄ ｃｏｎｔｉｎｕｏｕｓ ｌｏｃａｔｉｏｎ ｌｏｇｇｉｎｇ ｆｏｒ ｌｉｆｅ ｐａｔｔｅｒｎ ａｎａ］ｙｓ１ｓ［Ａ］∥３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＳｙＩｌｌｐｏｓ ｕｍ ｏｎ Ｌｏｃａｔ１０ｎ—ａｎｄ Ｃｏｎｔｅｘｔ— Ａｗａｒｅｎｅｓｓ（ＬＯＣＡ２０。７）［Ｃ］．２００７：３５—４９． ［６］龙瀛，张宇．崔承印．利用公交刷卡数据 分析北京职住关系和通勤出行［Ｊ］．地理学 报．２０１２．６７（１０）：１３３９—１３５２． ［７］Ｂｅｎｎｉｅ Ｊ，Ｄａｖｉｅｓ Ｔ Ｄｕｆｆｙ Ｊ Ｐ。ｅｔ ａ１． Ｃｏｎｔｒａｓｔｉｎｇ ｔｒｅｎｄｓ ｉｎ ｌｉｇｈｔ ｐｏｌｌｕｔｉｏｎ ａｃｒｏｓｓ Ｅｕｒｏｐｅ ｂａｓｅｄ ｏｎ ｓａｔｅｌｌｉｔｅ ｏｂｓｅｒｖｅｄ ｎｉｇｈｔ ｔｉｍｅ ｌｉｇｈｔｓ［Ｊ］．Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，２０１ ４（４）： ３７８９． ［８］Ｂａｔｔｙ Ｍ．Ｓｍａｒｔ ｃｉｔｉｅｓ，ｂｉｇ ｄａｔａ［Ｊ］． Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｐｌａｎｎｉｎｇ Ｂ：Ｐｌａｎｎｉｎｇ ａｎｄ Ｄｅｓｉｇｎ。２０１ ２，３９（２）：１９１—１９３． ［９］李满泉，李德仁．大数据ＧＩＳＥＪ］．武汉大学 学报（信息科学版），２０１ ４．３９（６）：６４１—６４４． ［１ ０］周春山，叶昌东．中国城市空间结构研 究评述［Ｊ］．地理科学进展，２０１３．３２（７）：１ ０３０— １０３８． ［１１］赵卫锋，李清泉．李必军．利用城 市Ｐ０Ｉ数据提取分层地标［Ｊ］．遥感学 报。２０１ １．１ ５（５）：９７３—９８８． ［１ ２］Ｌｏｎｇ Ｙ．Ｌｉｕ Ｘ．Ａｕｔｏｍａｔｅｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ＯｐｅｎＳｔｒｅｅｔＭａｐ ａｎｄ ｐｏｉｎｔｓ ｏｆ ｉｎｔｅｒｅｓｔ［Ｊ］． Ｅｎｖｉｒｏｎｍｅｎｔ＆Ｐｌａｎｎｉｎｇ Ｂ：Ｐｌａｎｎｉｎｇ ａｎｄ Ｄｅｓｉｇｎ，２０１ ３。４３（２）：４９８—５１ ０． ［１３］Ｌｏｎｇ Ｙ。Ｓｈｅｎ Ｚ．Ｇｅｏｓｐａｔｉａｌ Ａｎａｌｙｓｉｓ ｔｏ Ｓｕｐｐｏｒｔ Ｕｒｂａｎ Ｐｌａｎｎｉｎｇ ｉｎ Ｂｅｉｊｉｎｇ［Ｍ］．Ｃｈａｍ： Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａ１ Ｐｕｂｌｉｓｈｉｎｇ。２０１ ５： １１ ５—１３２． ［１４］Ｙａ ｎ ｇ Ｔ．ＳＰ ａｔ１ ａ１ ｓｔ ｒ ｕ ｃｔ ｕ ｒｅ ａ ｎ ｄ ｆｕｎｃｔｉｏｎａ］ｌｏｃａｔｉｏｎ ｃｈｏｉｃｅ １ｎ ｔｈｅ］ｉｇｈｔ ｏｆ ｂｉｇ ｄａｔａ［Ｚ］．Ｂｅｉｊｉｎｇ Ｃｉｔｙ Ｌａｂ．Ｗｏｒｋｉｎｇ ｐａｐｅｒ群４８．２０１４． ［１ ５］Ｂａｋｉｌｌａｈ Ｍ，Ｌｉａｎｇ Ｓ．Ｍｏｂａｓｈｅｒｉ ｅｔ ａ１．Ｆｉｎｅ～ｒｅｓｏｌｕｔｉｏｎ ｐｏｐｕｌａｔｉｏｎ ｍａｐｐｉｎｇ ｕｓｉｎｇ ＯｐｅｎＳｔｒｅｅｔＭａｐ ｐｏｉｎｔｓ—ｏｆ—ｉｎｔｅｒｅｓｔ［Ｊ］． Ｉｎｔｅｒｎａｔ１０ｎａ］Ｊｏｕ ｒｎａ］ｏｆ Ｇｅｏｇｒａｐｈ１ｃａ］ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ．２０１４。２８（９）：１９４０－ １９６３． ［１６］Ｊａｈｒｏｍ１ Ｋ Ｋ．Ｚｉｇｎａｎｉ Ｍ．Ｇａｉｔｏ Ｓ。ｅｔ ａ］．Ｓｉｍｕｌａｔｉｎｇ ｈｕｍａｎ ｍｏｂｉｌｉｔｙ ｐａｔｔｅｒｎｓ １ｎ ｕｒｂａｎ ａｒｅａｓ［Ｊ］．Ｓｉｍｕ１ａｔｉｏｎ Ｍｏｄｅ川ｎｇ Ｐｒａｃｔｉｃｅ＆Ｔｈｅｏｒｙ．２０１ ６（６２）：１ ３７—１ ５６． ［１ ７］Ｍｃｋｅｎｚｉｅ Ｇ。Ｊａｎｏｗｉｃｚ Ｋ。Ｓｏｎｇ Ｇ．ｅｔ ａ１．Ｈｏｗ ｗｈｅｒｅ ｉｓ ｗｈｅｎ？Ｏｎ ｔｈｅ ｒｅｇｉｏｎａｌ ｖａｒｉａｂｉ］ｉｔｙ ａｎｄ ｒｅｓｏ１ｕｔｉｏｎ ｏｆ ｇｅｏｓｏｃｉａ］ ｔｅｍ Ｐ０ ｒ ａ］ｓ１ ｇ ｎ ａｔｕ ｒｅ ｓ ｆｏｒ Ｐ０１ ｎｔ Ｓ ０ｆ ｉｎｔｅｒｅｓｔ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ Ｅｎｖｉｒｏｎｍｅｎｔ＆Ｕｒｂａｎ Ｓｙｓｔｅｍｓ．２０１ ５（５４）：３３６—３４６． ［１８］科技部．科技驱动新兴市场发展导 航与位置服务产业成为新热点［Ｅ Ｂ／ＯＬ］． ｈｔｔＰ：／／ｗｗｗ．ｍｏｓｔ．ｇ ＯＶ．Ｃｎ／ｋｊ ｂｇｚ／２０１４０２／ ｔ２０１４０２ｌ８ １ ｌ ｌ８６８．ｈｔｍ．２０１４—０２—１９． ［１９］卢凯，徐建闽。郑淑鉴．等．协调控制 子区快速动态划分方法研究［Ｊ］．自动化学 报．２０１ ２。３８（２）：２７９—２８７． ［２０］樊文平．石忆邵，车建仁。等．基于ＧＩＳ 与空间句法的道路网结构对城市商业中心 布局的影响［Ｊ］．中山大学学报（自然科学 版）。２０１ １．５０（３）：１ １２－１ １ ７． ［２１］孙铁山，王兰兰，李国平．北京都市区 人口一就业分布与空间结构演化［Ｊ］．地理学 ［２２］张殉。钟耳顺，张小虎．等．２００４—２００８年 北京城区商业网点空间分布与集聚特征［Ｊ］． 地理科学进展，２０１３．３２（８）：１ ２０７－１２１ ５． ［２３］黄伟力．城市分形中心与占优标度区选择 ［Ｊ］．地域研究与开发。２０１６（５）：５３—５９． ［２４］李小建．经济地理学［Ｍ］．２版．北京：高 等教育出版社。２００６．