EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 6: 969 - 978

DOI: https://doi.org/10.12082/dqxxkx.2021.200408

地球信息科学理论与方法

空间同位模式支持下城市服务业关联发现及特征分析

  • 胡添 , 1, 2, 3 ,
  • 刘涛 , 1, 2, 3, * ,
  • 杜萍 1, 2, 3 ,
  • 余贝贝 1, 2, 3 ,
  • 张萌生 1, 2, 3
展开
  • 1.兰州交通大学 测绘与地理信息学院,兰州 730070
  • 2.地理国情监测技术应用国家地方联合工程研究中心,兰州 730070
  • 3.甘肃省地理国情监测工程实验室, 兰州 730070
*刘 涛（1981— ）,男,湖北随州人,博士,教授,主要从事空间关系理论;GIS、RS应用与开发。 E-mail:

胡 添（1995— ）,男,吉林敦化人,硕士生,主要从事城市数据挖掘研究。E-mail:

收稿日期: 2021-07-29

  要求修回日期: 2021-11-04

  网络出版日期: 2021-08-25

基金资助

国家重点研发计划课题项目(2016YFC0803106)

国家自然科学基金项目(41761088)

兰州交通大学优秀平台支持(201806)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Correlation Discovery and Feature Analysis of Urban Service Industry Supported by Spatial Co-location Model

  • HU Tian , 1, 2, 3 ,
  • LIU Tao , 1, 2, 3, * ,
  • DU Ping 1, 2, 3 ,
  • YU Beibei 1, 2, 3 ,
  • ZHANG Mengsheng 1, 2, 3
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
*LIU Tao, E-mail:

Received date: 2021-07-29

  Request revised date: 2021-11-04

  Online published: 2021-08-25

Supported by

National Key Research and Development Program of China(2016YFC0803106)

National Natural Science Foundation of China(41761088)

Lanzhou Jiaotong University Excellent Platform （LZJTU EP）(201806)

Copyright

Copyright reserved © 2021
Fold

摘要

空间同位模式分析是数据挖掘中一种常见的方法,可有效挖掘城市设施在空间位置上的关联特征,进而发现城市设施的分布规律。本文基于POI数据同位模式挖掘用来获取城市服务业空间关联结构：首先,通过邻近实例获取、同位候选模式存储与筛选,得到城市服务业二阶同位模式;然后,据此构造产业空间关联图,得到产业间的关联结构;最后,分别构造了产业空间关联图密度和产业空间关联显著指数,用来衡量城市服务业空间关联的紧密程度和整体关联的显著程度。本文选取成都、兰州、郑州、沈阳、上海与深圳为试验区,实验结果表明：不同城市服务业的空间关联结构存在共性与特殊性,整体上,餐饮、购物等与居民日常生活相关的服务业易与其他服务业产生空间强相关,这几类服务业内部空间集聚明显;成都与沈阳的服务业整体表现空间关联度高且紧密,兰州其次,上海与深圳的服务业则整体表现空间关联较弱,郑州的服务业空间关联较紧密但强度较低。

关键词： 空间同位模式; 数据挖掘; 城市服务业; Voronoi图; 产业空间关联图密度; 产业空间关联显著指数

本文引用格式

胡添 , 刘涛 , 杜萍 , 余贝贝 , 张萌生 . 空间同位模式支持下城市服务业关联发现及特征分析[J]. 地球信息科学学报, 2021 , 23(6) : 969 -978 . DOI: 10.12082/dqxxkx.2021.200408

Abstract

Spatial co-location mode analysis has been commonly used in data mining, which can be used to characterize the correlation between different urban service facilities and further quantify the distribution pattern of urban service industry. In this paper, a co-location pattern mining method with POI data is proposed to obtain the spatial correlation of urban service industry. Firstly, through the acquisition of neighboring instances, and selection and storage of homology candidate patterns, the second-order homology pattern of urban service industry can be obtained; Secondly, the industrial spatial correlation map is constructed to obtain the correlation structure between industries. Finally, the industrial spatial correlation graph density and spatial correlation significance are constructed to measure the tightness of urban service industry relationship. We select Chengdu, Lanzhou, Zhengzhou, Shenyang, Shanghai, and Shenzhen as experimental areas. The results show that there are both similarities and differences in the spatial correlation of urban service industry in different cities. Generally, service industries such as catering and shopping which are related to daily life have a strong spatial correlation with other service industries. These types of service industry are often spatially clustered. The administrative department has a weak spatial correlation with other service industries and often occupies a separate functional area. Based on the results of the co-location pattern mining for each city, we find that the co-location pattern between teahouses and residential areas is strong in Chengdu, which indicates a unique "tea culture". In Shanghai, foreign restaurants and leisure places show a co-location pattern, which indicates the internationalization characteristic of Shanghai. Both Chengdu and Shenyang show the strongest spatial correlation of service industry which is highly mixed. The spatial correlation of service industry in Lanzhou is moderate. While Shanghai and Shenzhen show the weakest spatial correlation of service industry. These two cities have a high-level economic development and show separated industrial zones. Zhengzhou also has a weak spatial correlation because of its "multi-center, group-like" structure. This paper uses the spatial co-location model to characterize the spatial correlation of the urban service industry, which can be used as references for future urban planning.

Key words： spatial co-location mode; data mining; urban services; voronoi algorithm; industrial spatial correlation graph density; industry spatial association significant index

1 引言

城市服务业空间结构与分布特征的形成是经济发展过程中典型的现象,充分研究该现象对于我国经济建设全面发展至关重要[1]。城市数据挖掘主要是指挖掘城市数据中的知识与信息,从而发现自然和社会的变化规律[2]。利用数据挖掘手段研究城市服务业的分布规律具有重要意义。
城市数据挖掘是城市地理学的研究热点之一,众多学者对城市服务业的空间分布进行探索分析。一部分学者从经济地理角度出发,基于统计信息并运用一系列指数及分析模型对服务业空间结构研究。如邱灵等[3]利用Theil系数、空间基尼系数、赫芬代尔系数、EG指数并结合空间自相关空间分析对北京市生产型服务业进行集聚分析,得出北京生产性服务业具有显著空间关联性;王慧等[4]应用计量统计与空间结构模型的方法对南京市服务业布局与就业分布进行研究,得到南京市服务业就业集聚区呈"单核+扇形放射"分布的特点。一部分学者则从设施空间分布形态特点的角度出发,使用聚类或热点探测等方法对服务业分布进行分析。如李江苏等[5]利用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法对郑东新区服务业总体和分行业进行聚类分析,最终得到服务业的集聚区域;禹文豪等[6]结合核密度估计与空间自相关对城市服务设施热点探测,并量化分析热点区域。随着近年来大数据的兴起,部分学者开始利用新型数据分析产业分布模式,如王腾等[7]基于社交点评数据,并顾及到城市道路约束的影响,对商业设施点模式进行分析,得到顾客光临与顾客满意度的空间分布模式;石秀等[8]基于专利数据对中国新能源汽车产业空间分布进行分析,研究结果清晰地反映了新能源汽车产业的区域分布特征。上述研究对于城市服务业分布的挖掘与分析均是从整体或局部的分布形态、特征等角度出发,但对设施分布之间的关联特征以及城市设施整体的关联结构缺乏分析。
实际上,城市设施之间存在位置上的拓扑关系和空间关联也是不可忽视的[9]。空间同位模式（Co-location）挖掘是一种用于识别不同类别的空间数据之间的关系的技术,可有效挖掘空间数据的关联特征,该技术由Shekhar和Huang于2001年提出[10],后续研究人员提出了一系列改进算法对同位模式进行深入研究并应用于各个领域,来挖掘数据之间的空间关联关系。如Morimoto等[11]使用Apriori策略提出基于连接的算法用于频繁邻域下同位模式挖掘,通过该算法有效解决了寻找空间数据库中频繁邻近集合;为研究植被生长存在的共生关系,蔡建南等[12]从整体到局部通过自适应聚类完成多层次空间同位模式挖掘,得到沼柳与毛果苔草、小叶章等多种植被存在明显共生关系;在土壤学领域,范协裕等[13]针对连续变量的空间采集点数据提出自适应的局部空间同位模式方法,对土壤中元素共位模式研究并计算其耕地地力;为了探究城市网络空间下的设施分布特征,Yu等[14]提出网络空间下顾及距离衰减效应的同位模式方法用于挖掘城市设施间的关联模式;艾廷华等[15]提出一种基于光色叠加原理的空间同位模式可直观表达城市设施分布同位模式;针对动态变化的地理现象,He等[16]提出基于复杂地理现象的同位模式方法,有效挖掘了京津翼地区空气污染事件与影响因素变量的关联特征。
基于空间同位模式能够有效挖掘空间数据关联特征的特点,本文将其应用于城市服务业分布研究中来分析设施分布之间的关联特征。通过城市POI数据获取服务业间的二阶空间同位模式,据此构造产业空间关联图得到服务业空间关联结构,并构造了产业空间关联图密度与产业空间关联指数来对城市服务业关联进行整体特征分析。

2 数据来源

本文选取地理方位不同且经济发展水平不同的6个城市做为典型试验区,这6个城市包括成都、兰州、郑州、沈阳、上海和深圳,分别地处中国西南、西北、中部、东北、东部和南部。根据2019年各省市统计年鉴数据,这6个城市2018年地区人均生产总值分别为105 399、73 042、106 612、73 473、134 982、189 568元。该数据显示,本文选取的6个城市人均生产总值从低到高各不相同且差距较大,分别体现了不同的经济发展水平。
通过高德地图API获取POI数据,并对数据进行去重、校正处理。由于采集到的POI数据不仅包括城市数据,还包括部分农村与次城市区域数据,因此,需进一步对城市数据筛选。许泽宁等[17]研究表明,城市设施分布密度具有城乡差异,在边界处密度值显著变化,本文据此判定城市与非城市区域的边界。通过计算POI数据的核密度并将其平均值作为临界值,筛选掉一些孤零部分生成外接多边形,将多边形内部（即核密度大于均值）的数据保留,将多边形外部的数据去除,这种方法可以有效地获取城市数据。6个城市的POI数据所生成的研究区域如图1所示。
图1 6个研究城市2018年POI范围的划取

Fig. 1 Delineation of the scope of urban POI

结合《国民经济行业分类》（GB/T 4754—2017）[18]和高德地图对POI数据的划分,将数据集划分为10个类别,包括餐饮住宿、房地产业、公共管理、金融保险、居民服务、科学教育、体育休闲、信息科技、医疗健康和运输存储。以上类别可进一步进行服务业的二级分类划分,如表1所示。
表1 城市服务业类别划分

Tab. 1 Classification of urban service industries

一级分类 二级分类
餐饮住宿 宾馆酒店、茶馆、糕饼店、咖啡馆、快餐厅、奶茶店、外国餐厅、中餐厅
房地产业 楼宇、住宅区
公共管理 工商税务机构、公检法机构
金融保险 保险公司、财务公司、银行、证券公司
居民服务 便利店、超级市场、加油站、美容美发店、商场、药店、综合市场
科学教育 大学、科研机构、小学、幼儿园、中学
体育休闲 休闲场所、娱乐场所、运动场馆
信息科技 电信公司、网络科技
医疗健康 医院、诊所
运输存储 物流仓储场地、物流速递

3 研究方法

3.1 技术路线

若给定一系列POI类型F={ F 1 , F 2 , F 3 ,…, F n },则每一个POI可视为F的实例对象,其结构可以用三元组<ID, F i , （X, Y）>来表示,其中ID为该POI的序号, F i 为其所属服务业的类型,（X, Y）为该POI的经纬度坐标。基于空间同位模式的服务业关联挖掘主要分为3个部分,技术流程如图2所示： （1）利用Voronoi图对不同类型POI实例进行连接并计算其距离,得到实例邻近集合。该过程中有效避免了用户自设距离阈值对结果造成影响; （2）将实例邻近集合存储在哈希表中,定义最小参与指数并根据指定阈值完成不同服务业关联强弱的筛选,得到二阶同位模式;（3）将获取到的流行二阶同位模式构造为产业空间关联图,通过计算图密度、产业关联显著指数完成对城市服务业空间关联特征分析。
图2 服务业关联发现研究路线

Fig. 2 Research roadmap of service industry association discovery

3.2 二阶空间同位模式挖掘

3.2.1 基于Voronoi图的空间邻近集合获取
泰森多边形（Voronoi diagram,Voronoi图）,可作为空间剖分的几何构造,常用于空间建模、点邻近关系提取[19]。获取i与j（i≠j） 2种服务业邻近关系为例,将类型为i的POI设施点表示为Oi,生成以Oi为核点的Voronoi图,类型为j（i≠j）的POI设施点表示为Oj。在Voronoi图中每个多边形内的Oj点与其核点Oi连接配对并计算两点之间的距离d（Oi,Oj）,得到邻近实例集合{Oi（Oi,Oj）|i≠j}。然后以Oj为核点生成Voronoi图按同样步骤得到邻近实例集合{Oj（Oi,Oj）|i≠j},求2个集合的并集,留下唯一邻近实例集合{Oi,Oj|i≠j}完成邻近关系获取[20]。
图3说明了使用Voronoi图获取A与B共2种类型唯一邻近实例集合获取的过程。其实例分别为（A1,A2,A3,A4）与（B1,B2,B3）,其中以A类实例点为核点构造Voronoi图获取到的POI对包括{A2,B2},{A3,B1}与{A4,B3},以B类实例点为核点构造Voronoi图获取到的POI对包括{B1,A3},{B2,A1},{B2,A2}与{B3,A4},因此类型A与类型B组成的唯一POI对共4对,即{A1,B2},{A2,B2},{A3,B1}与{A4,B3}。
图3 Voronoi图下A类型与B类型实例点邻近关系获取

Fig. 3 Obtaining the proximity relationship between the A type and B type instance points in the Voronoi diagram

3.2.2 同位候选模式存储筛选
将获取的唯一邻近实例集合存储在哈希表结构的表T中,每一个POI对实例的结构为〈Oi,Oj,d（Oi,Oj）〉,故表T的结构为由唯一近邻实例对集合组成的上三角矩阵,表元素{i,j}若至少有一对近邻实例则不为空,矩阵的对角线及下三角元素为空集[21]。由于基于Voronoi图获取的实例对同时包括近距离对与远距离对,远距离对在邻近关系上属于噪声需要剔除,故计算集合{Oi,Oj|i≠j}中POI对的平均距离作为筛选阈值,将大于平均距离的POI对视为远距离对予以删除,最终存储到表中的实例对称为 C P i , j 。图4中展示了包含A、B、C、D共4种POI类型的表T,以A、B共2种类型组合获取的POI对{A1,B2}、{A2,B2}、{A3,B1}与{A4,B3}的实例距离分别为500、400、400与200,假设距离阈值为450,那么〈A1,B2,500〉被删除,〈A2,B2,400〉,〈A3,B1,400〉与〈A4,B3,200〉保留并存储在表中。
图4 存储实例集合表T

Fig. 4 Table T of Storage instance collection

空间同位模式挖掘属于数据关联挖掘的一种,其挖掘结果的关联程度如何需要置信度与支持度来评价[22]。一般的关联挖掘算法中,置信度表示为含有X的项集中同时有Y的可能性,支持度表示为所有项集中X、Y同时出现的可能性,所以支持度与置信度需要元素间自由独立组成项集[23]。然而在本文的同位模式挖掘中,元素间不能自由独立组成项集,所以不能使用置信度与支持度进行评价,本文使用Shekhar等[9]提出的参与指数来衡量2类服务业间的关联性,其定义公式为：
PI c p i , j = min Pr c p i , j , f i , Pr c p i , j , f j
Pr c p i , j , f i = N c p i , j , f i / N f i
式中： PI c p i , j 为i与j两类服务业中i类POI的参与率; N c p i , j , f i 为i与j两类服务业组成 C P i , j 中i类POI参与数量; N f i 为i类POI总数量。PI值越高说明该cp在空间出现的更频繁。满足参与指数阈值的2个服务业组成一组二阶空间同位模式,称为一组cp。例如,若A有实例（A1,A2,A3,A4）,B有实例（B1,B2,B3）,则组成的cp集合有{A1,B1}、{A1,B2}、{A3,B1}、{A3,B3},那么A与B的参与率为 Pr A , B , A = 2 / 4 = 0.5 和 Pr A , B , B = 3 / 3 = 1 ,参与指数 PI A , B = min Pr A , B , A , Pr A , B , B = 0.5 。

3.3 产业空间关联指标

3.3.1 产业空间关联图密度
通过同位候选模式筛选后,得到满足PI阈值的cp集合,根据该集合构造产业空间关联图 G = V , E ,其中 V = v 1 , v 2 , … , v n 为顶点集合, E = e 1 , e 2 , … , e i 为边集合,边可以表示为2个点间的关联权重,不同产业的空间关联关系可在图中体现[24]。
图G的本质是一种无向图,故可计算图密度来表达不同产业间的关联紧密性：
GD = l L = l n n - 1 / 2
式中：GD为产业空间关联图密度;l为实际连接的边数目;L为在图完全连接时边的数目;n为顶点的数目。由于每个城市选取的产业数目相同,当图密度越大时,说明该城市各产业间的空间关联越紧密,融合性越高;当图密度越小时,说明该城市各产业相互间的空间关联松散,或者说该城市较少产业相互关联。
3.3.2 产业空间关联显著指数
城市服务业的空间关联不仅在紧密程度有所不同,产业间表现的关联强度及整体上的空间关联显著性也存在差异。在不同城市同位挖掘的结果中往往会出现不同的cp,即使相同的cp组合,不同城市中也会表现出不同的关联强度。Chen等[24]引入一个比例来衡量不同城市服务业整体关联显著程度,其计算公式为：
D i = ∑ P c p j , i / P c p j
P c p j = ∑ P ( c p j , n )
式中：Di为城市i产业空间关联显著指数; P c p j , i 为城市i中 c p j 的PI值;假设城市n具有 c p j ; P c p j , n 则为 c p j 在城市n中的PI值; P c p j 为具有 c p j 的城市中 c p j 的PI值之和。因此Di的数值可体现不同城市同位模式挖掘结果的整体差异性,当产业空间关联显著指数越大时,表明该城市挖掘得到的cp数量较多或整体上PI值较高,那么该城市相较于其他城市则具有明显的产业空间关联特征,其整体产业空间关联越强。反之,则说明该城市各产业间空间关联较弱,关联特征不够明显。

4 结果及分析

4.1 二阶同位模式挖掘结果

参与指数阈值的选择极大程度影响同位模式挖掘的结果,一般认为最小参与指数（Min-PI）大于0.5时代表该同位模式有效可靠[25]。图5为当Min-PI分别设为0.5、0.6和0.7时,6个城市同位挖掘cp数量。可以看出,当Min-PI=0.5时每个城市同位挖掘cp的数量均在500左右,城市间的差异较小,无法较好地区别城市服务业的空间关联特征。当Min-PI=0.7时,每个城市仅有少量的cp满足阈值要求,不能充分体现城市服务业关联发现的结果。当Min-PI=0.6时,每个城市同位挖掘的cp数量及差异性均表现较好,故本文选取Min-PI=0.6对6个城市服务业同位模式挖掘。
图5 3种参与指数阈值下同位模式挖掘cp数量

Fig. 5 The number of cp mined in the same position pattern under three participation index thresholds

本文列出每个城市PI值排行前五的同位模式挖掘结果如表2所示。从各城市PI值排行前五的cp可以发现,6个城市排行前五的cp中包含居民服务产业的cp有15个,其比例达50%,包含餐饮住宿业的cp有18个,其比例达60%,说明居民服务与餐饮住宿作为居民日常生活最基础的服务设施,更容易与其他服务业产生强空间关联规则。这些日常基础设施之间的关联往往也会体现出各个城市的独特文化,如成都的茶馆与住宅区空间关联程度高,反映出成都具有独特的“茶文化”;上海的外国餐厅与休闲场所空间关联强,反映出上海具有“东方巴黎”的城市特色。此外,各个城市中,同种类型的服务业往往空间关联紧密。如在兰州、沈阳、郑州和上海均存在中餐厅与快餐厅的空间强关联,成都与沈阳均存在便利店与美容美发店的空间强关联,说明同种产业容易发生产业集聚效应。
表2 6个城市同位模式挖掘结果

Tab. 2 Mining results of co-location patterns in six cities

城市 二阶空间同位规则 PI值
成都 {便利店}<=>{美容美发店} 0.89
{住宅区}<=>{便利店} 0.88
{诊所}<=>{便利店} 0.87
{茶馆}<=>{住宅区} 0.84
{宾馆酒店}<=>{快餐厅} 0.82
兰州 {大学}<=>{超级市场} 0.76
{中餐厅}<=>{快餐厅} 0.74
{药店}<=>{美容美发店} 0.74
{小学}<=>{综合市场} 0.73
{中餐厅}<=>{娱乐场所} 0.72
郑州 {中餐厅}<=>{快餐厅} 0.81
{中餐厅}<=>{综合市场} 0.75
{财务公司}<=>{证券公司} 0.75
{宾馆酒店}<=>{快餐厅} 0.73
{中餐厅}<=>{奶茶店} 0.72
沈阳 {快餐厅}<=>{便利店} 0.85
{便利店}<=>{美容美发店} 0.83
{娱乐场所}<=>{便利店} 0.81
{便利店}<=>{药店} 0.81
{便利店}<=>{住宅区} 0.80
上海 {中餐厅}<=>{快餐厅} 0.72
{快餐厅}<=>{大学} 0.71
{外国餐厅}<=>{休闲场所} 0.70
{中餐厅}<=>{大学} 0.70
{中餐厅}<=>{楼宇} 0.70
深圳 {宾馆酒店}<=>{快餐厅} 0.83
{便利店}<=>{药店} 0.82
{快餐厅}<=> 便利店} 0.81
{奶茶店}<=>{快餐厅} 0.80
{中餐厅}<=>{宾馆酒店} 0.80

4.2 城市服务业空间关联分析

将不同产业间的cp进一步整合可以得到产业空间关联规则,例如,假设某城市的餐饮住宿业与体育休闲业能够满足Min-PI的cp有{咖啡馆}<=> {楼宇}和{中餐厅}<=>{住宅区}共2组,其PI值分别为0.66与0.64。那么整合得到的产业空间关联规则为{餐饮住宿}<=>{房地产业},并且PI=(0.66+0.64)/2=0.65。将产业空间关联规则以图结构展示如图5。图中的节点即为城市服务业的类型,节点的大小表示了该产业在该城市所有服务业中所占比例的大小,2类产业若存在满足阈值要求的关联关系,则连接两类产业的节点,连接的颜色视两节点间空间关联的强弱而定,当两节点所代表产业间的PI值越大时,则更偏向红色,反之则更偏向绿色。一些城市的产业空间关联图往往存在类似结构,如成都、兰州、沈阳和深圳的产业空间关联图（图6（a）、图6（b）、图6（d）和图6（f））中均存在多个偏向红色的节点连接,这些城市存在部分产业间的强空间相关。郑州与上海的产业关联图（图6（c）、图6（e））中则较少存在偏向红色的节点连接且所有连接颜色较为趋近,说明这两个城市产业空间关联较为均衡。相较于其余节点连接数量较多,各个城市中公共管理节点的连接数量均较少,这是由于行使管理职能的设施往往处于城市的行政功能区内,所以较少与其他产业具有空间关联性。
图6 服务业空间关联

Fig. 6 Spatial correlation diagram of service industry

当节点的连接数量较少甚至为0时,称之为“孤立节点”。“孤立节点”表示该产业与其他产业空间关联较弱,甚至无空间关联。在六个城市的产业空间关联图中,郑州的科学教育节点为“孤立节点”,上海的医疗健康和公共管理节点为“孤立节点”,其余城市无“孤立节点”,可见一般城市的服务业间普遍存在空间关联。在产业空间关联图中,某些特定产业间的空间关联还可以反映出区域特征,如兰州房地产业与运输存储表现得空间关联最高,说明兰州居民依赖物流相关行业程度高,同样的情况在成都也存在,这可能是由于西南、西北地区受地形限制,居民对物流的需求程度远超其余地势平坦的城市。
通过计算产业空间关联图密度与产业空间关联显著指数（图7（a）和（b））可进一步分析城市服务业空间关联挖掘结果的整体特征。成都与沈阳的结果较为接近,两城市的服务业空间关联紧密程度与空间关联强度都较高,说明两个城市服务业以高度空间相关混合式发展。兰州的产业空间显著指数与沈阳、成都类似,但其产业空间关联图密度要明显小于两城市,这可能是由于黄河自兰州穿城而过形成南北两侧地形所致,兰州规划发展以东西向为主,城市范围过于狭长,导致服务业空间关联紧密程度弱于沈阳与成都。郑州的产业空间关联图密度排在六城市中间,其数值为0.57,表明服务业空间关联紧密程度表现为中等,但其产业空间关联指数排在六城市最后,这说明郑州服务业虽多数之间相互空间关联,但关联的强度都较弱,这种结果可能源于分散的城市中心布局。郑州的中心城区空间由中心组团、北部花园口组团、西部须水组团、东部圃田组团和东南部小李庄组团组成,采取“多中心、组团式”布局,每个中心具有多种服务业空间关联 ,同时导致服务业分布较为分散,所以整体表现的空间关联强度不高。深圳与上海的产业空间关联图密度与产业空间关联显著指数均排在靠后,两个城市的服务业空间关联紧密性与强度都较低。这是因为上海与深圳相较其余城市,经济较为发达且服务业发展已成熟完备,所以更容易形成单独的产业区。上海作为中国4个直辖市之一,其服务业发展较深圳更加成熟,故其服务业空间关联紧密程度和关联强度表现更弱。
图7 6个城市产业空间关联图密度与产业关联显著指数结果

Fig. 7 The density of the industrial spatial correlation map of six cities and the results of the significant index of industrial correlation

5 结论

本文基于空间同位模式挖掘手段,利用Voronoi图算法获取服务业间的邻近集合,通过对候选邻近集合的筛选得到二阶同位模式,利用二阶同位模式构造产业空间关联图,并定义了产业空间关联图密度以及产业空间显著指数进一步分析城市服务业空间关联整体特征。通过对成都、兰州、郑州、沈阳、上海和深圳6个城市进行服务业空间关联挖掘实验,得出以下结论：
（1）六城市同位挖掘的结果显示,餐饮住宿、居民服务更易与其他服务业产生强空间关联,并且这几类服务业内部存在明显的空间集聚现象。行政管理部门则与其余产业空间关联较弱,往往处于单独的功能区内。
（2）部分服务业独特的空间关联体现出明显的区域文化特征,成都茶馆与住宅区的强空间关联体现了该城市特有的“茶文化”特征,上海则表现出外国餐厅与休闲场所的强空间关联,体现了上海国际化都市的特征。
（3）从城市服务业空间关联表现的特征来看,成都与沈阳的服务业整体表现空间关联度高且紧密,上海与深圳的服务业则整体表现空间关联较弱,兰州与郑州的服务业空间关联紧密程度适中且较为接近。这些特征体现出了当前这些城市服务业发展的特点,其中上海与深圳具有成熟的单独产业区,郑州以多城市中心发展,成都、沈阳与兰州的服务业则以混合式发展。
本文利用空间同位模式挖掘了城市服务业间的关联特征,研究中仍存在一些不足之处,论文采用的高德POI数据信息源于商家自己注册,存在一部分服务业未注册或信息有误,从而影响实验结果。另外,对于服务业空间关联的研究未考虑到其本身的空间自相关,后续应针对其本身分布特性,结合空间同位模式开展进一步研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
申玉铭, 吴康, 任旺兵. 国内外生产性服务业空间集聚的研究进展[J]. 地理研究, 2009,28(6):1494-1507.

[ Shen Y M, Wu K, Ren W B. Research progress of the spatial agglomeration on producer services[J]. Geographical Research, 2009,28(6):1494-1507. ]

[2]
郑宇. 城市计算概述[J]. 武汉大学学报·信息科学版, 2015,40(1):1-13.

[ Zheng Y. Introduction to urban computing[J]. Geomatics and Information Science of Wuhan University, 2015,40(1):1-13. ]

[3]
邱灵, 方创琳. 北京市生产性服务业空间集聚综合测度[J]. 地理研究, 2013,32(1):99-110.

[ Qiu L, Fang C L. Comprehensive assessment on the spatial agglomeration of producer services in Beijing[J]. Geographical Research, 2013,32(1):99-110. ]

[4]
王慧, 吴晓, 强欢欢. 南京市主城区就业空间布局初探[J]. 经济地理, 2014,34(6):115-123.

[ Wang H, Wu X, Qiang H H. A preliminary study on the employment space layout in the main urban area of Nanjing[J]. Economic Geography, 2014,34(6):115-123. ]

[5]
李江苏, 梁燕, 王晓蕊. 基于POI数据的郑东新区服务业空间聚类研究[J]. 地理研究, 2018,37(1):145-157.

DOI

[ Li J S, Liang Y, Wang X R. Spatial clustering analysis of service industries in Zhengdong New District based on POI data[J]. Geographical Research, 2018,37(1):145-157. ]

[6]
禹文豪, 艾廷华, 杨敏, 等. 利用核密度与空间自相关进行城市设施兴趣点分布热点探测[J]. 武汉大学学报·信息科学版, 2016,41(2):221-227.

[ Yu W H, Ai T H, Yang M, et al. Detecting "Hot Spots" of facility POIs based on kernel density estimation and spatial autocorrelation technique[J]. Geomatics and Information Science of Wuhan University, 2016,41(2):221-227. ]

[7]
王腾, 王艳东, 赵晓明, 等. 顾及道路网约束的商业设施空间点模式分析[J]. 武汉大学学报·信息科学版, 2018,43(11):1746-1752.

[ Wang T, Wang Y D, Zhao X M, et al. Network-constrained spatial point pattern analysis for commercial facilities[J]. Geomatics and Information Science of Wuhan University, 2018,43(11):1746-1752. ]

[8]
石秀, 景睿, 郑刚, 等. 基于专利数据的中国新能源汽车技术创新的区域分布特征分析[J]. 工业技术经济, 2018,37(8):60-67.

[ Shi X, Jing R, Zheng G, et al. Analysis of regional distribution characteristics of new energy vehicle technology innovation in China based on patent data[J]. Journal of Industrial Technological Economics, 2018,37(8):60-67. ]

[9]
廖伟华, 聂鑫. 基于大数据的城市服务业空间关联分析[J]. 地理科学, 2017,37(9):1310-1317.

DOI

[ Liao W H, Nie X. Spatial association analysis for urban service based on big data[J]. Scientia Geographica Sinica, 2017,37(9):1310-1317. ]

[10]
Shekhar S, Huang Y. Discovering spatial co-location patterns: A summary of results[C]// Advances in Spatial & Temporal Databases, International Symposium, Sstd, Redondo Beach, Ca, Usa, July. Springer, Berlin, Heidelberg, 2001.

[11]
Morimoto Y. Mining frequent neighboring class sets in spatial databases[C]// Seventh Acm Sigkdd International Conference on Knowledge Discovery & Data Mining. ACM, 2001.

[12]
蔡建南, 刘启亮, 徐枫, 等. 多层次空间同位模式自适应挖掘方法[J]. 测绘学报, 2016,45(4):475-485.

[ Cai J N, Liu Q L, et al. An adaptive method for mining hierarchical spatial co-location patterns[J]. Acta Geodaetica et Cartographica Sinica, 2016,45(4):475-485. ]

[13]
范协裕, 陈瀚阅, 刑世和. 连续变量的自适应局部空间同位模式挖掘算法[J]. 地球信息科学学报, 2016,18(7):902-909.

DOI

[ Fan X Y, Chen H Y, Xing S H. Self-adaptive local co-location pattern mining algorithm for continuous variables[J]. Journal of Geo-information Science, 2016,18(7):902-909. ]

[14]
Yu W H, Ai T H, He Y K, et al. Spatial co-location pattern mining of facility Points-of-Interest improved by network neighborhood and distance decay effects[J]. International Journal of Geographical Information Science, 2017,31(2):280-296.

DOI

[15]
艾廷华, 周梦杰, 李晓明. 网络空间同位模式的加色混合可视化挖掘方法[J]. 测绘学报, 2017,46(6):753-759.

[ Ai T H, Zhou M J, Li X M. Mining co-location pattern of network spatial phenomenon based on the law of additive color mixing[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(6):753-759. ]

[16]
He Z, Deng M, Cai J, et al. Mining spatiotemporal association patterns from complex geographic phenomena[J]. International Journal of Geographical Information Science, 2020,34(6):1162-1187.

DOI

[17]
许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法[J]. 地理学报, 2016,71(6):928-939.

DOI

[ Xu Z N, Gao X L. A novel method for identifying the boundary of urban built-up areas with POI data[J]. Acta Geographica Sinica, 2016,71(6):928-939. ]

[18]
国家统计局. GB/T 4754-2017国民经济行业分类[S]. 北京: 标准出版社, 2017.

[ National Bureau of Statistics. GB/T 4754-2017 Industrial classification for national economic activities[S]. Beijing: Standards Press of China, 2017. ]

[19]
康顺, 李佳田, 武昊. Voronoi邻近关系支持下的点模式趋同提取方法[J]. 测绘学报, 2017,46(5):649-657.

[ Kang S, Li J T, Wu H. An extraction method for point pattern convergence under voronoi adjacency relation[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(5):649-657. ]

[20]
Yao X, Chen L, Wen C, et al. A spatial co-location mining algorithm that includes adaptive proximity improvements and distant instance references[J]. International Journal of Geographical Information Science, 2018,32(5):980-1005.

DOI

[21]
Yao X, Peng L, Yang L, et al. A fast space-saving algorithm for maximal co-location pattern mining[J]. Expert Systems with Applications An International Journal, 2016,63:310-323.

DOI

[22]
苏奋振, 杜云艳, 杨晓梅, 等. 地学关联规则与时空推理的渔业分析应用[J]. 地球信息科学学报, 2004,6(4):66-70.

[ Su F Z, Du Y Y, Yang X M, et al. Geo-association rule with spatiotemporal reasoning[J]. Journal of Geo-information Science, 2004,6(4):66-70. ]

[23]
谭浩. 同位模式空间数据挖掘算法研究及在GIS中的应用[D]. 长沙:中南大学, 2011.

[ Tan H. Research on the spatial data mining algorithm of parity pattern and its application in GIS[D]. Changsha: Central South University, 2011. ]

[24]
Chen Y M, Chen X Y, Liu Z H, et al. Understanding the spatial organization of urban functions based on co-location patterns mining: A comparative analysis for 25 Chinese cities[J]. Cities, 2020,97:102563.

DOI

[25]
Barua S, Sander J. Mining statistically significant co-location and segregation patterns[J]. IEEE Transactions on Knowledge & Data Engineering, 2014,26(5):1185-1199.

Options
文章导航

/

〈 〉