EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 1: 38 - 49

DOI: https://doi.org/10.12082/dqxxkx.2022.210212

第二届中国空间数据智能学术会议(SpatialDI 2021)优秀论文

基于多源数据的夜间经济时空分布格局研究方法

  • 曾磊鑫 , 1, 2, 3 ,
  • 刘涛 , 1, 2, 3, * ,
  • 杜萍 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:

曾磊鑫（1997— ）,男,湖南益阳人,硕士生,主要从事时空数据挖掘。E-mail:

收稿日期: 2021-04-21

  修回日期: 2021-07-17

  网络出版日期: 2022-03-25

基金资助

国家重点研发计划课题(2016YFC0803106)

国家自然科学基金项目(41761088)

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

Research Method of Temporal and Spatial Distribution Pattern of Night-time Economy based on Multi-source Data

  • ZENG Leixin , 1, 2, 3 ,
  • LIU Tao , 1, 2, 3, * ,
  • DU Ping 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: 2021-04-21

  Revised date: 2021-07-17

  Online published: 2022-03-25

Supported by

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

National Natural Science of China(41761088)

Copyright

Copyright reserved © 2022
Fold

摘要

夜间经济是一个城市经济发展和消费水平的重要表征。目前国内外研究者对夜间经济的研究多停留在理论层面,或基于市场调研和问卷调查的小范围精细化研究。本文融合多源数据为夜间经济提供了新的视角,相较于传统的调查数据,具有更加快速、高效、广泛的特点,适合于夜间经济大范围研究。本文基于夜间灯光、POI、OD流等多源数据,采用DBSCAN、K-Means++等空间聚类算法和研究供需关系的盈亏法,分别从消费者角度和商户角度识别厦门市夜间活动热点区域和夜间服务设施分布区域,分析厦门市夜间经济时空分布格局及相关性。研究表明:① 厦门市夜间活动在空间上呈多环状分布并向四周递减,夜间活动热点区域分布受假期的影响因地而异;② 厦门市部分区域已有服务设施未能很好地服务于夜间经济,现有的照明、夜景等夜间灯光基础设施存在供给不足之处;③ 居住人口密度与夜间活动密度呈中度正相关,研究结果具有有效性,夜间服务设施盈亏值及数量、夜间灯光与夜间活动密度呈中、弱度相关,并且餐饮设施更加依赖于夜间灯光。最后,为厦门市未来夜间经济建设提出了根据不同的消费人群和心理提供不同的夜间服务、加强夜间灯光基础设施建设以及市场扶持的举措。研究结论对促进社会就业、增强基础设施使用率有积极意义,同时也能够为城市夜间经济发展和政策制定提供参考。

关键词： 多源数据; 夜间经济; DBSCAN; K-Means++; 时空分布; 供需关系; 相关性分析; 厦门市

本文引用格式

曾磊鑫 , 刘涛 , 杜萍 . 基于多源数据的夜间经济时空分布格局研究方法[J]. 地球信息科学学报, 2022 , 24(1) : 38 -49 . DOI: 10.12082/dqxxkx.2022.210212

Abstract

Night-time economy refers to the related economic activities mainly in the services taking place in urban space and at night, which is an important representation of a city's economic development and consumption level. Currently, researchers at home and abroad mostly rest on the theoretical level, or small-scale refined research based on market research and questionnaire survey, lacking in-depth mining using models and mathematical statistics methods, and rarely intuitively show the specific temporal and spatial distribution of large-scale night-time economy. With the development of information technology, night lighting data and perception big data provide new data sources for quantitative research of night-time economy. This paper provides a new perspective for night-time economy by fusing multi-source data. Compared with the traditional survey data, it is more rapid, efficient, and extensive, which is suitable for large-scale research of night-time economy. Based on taxi OD flow, this paper uses spatial clustering algorithms such as DBSCAN and K-Means ++ to identify hot areas of night-time activities in Xiamen City from the perspective of consumers. Based on the night-time lighting image and POI, this paper analyzes the supply and demand relationship by the method of profit and loss and identifies the distribution area of night service facilities from the perspective of merchants. Then we analyze the temporal and spatial distribution pattern of night-time economy in Xiamen City. The results show that: ① The spatial distribution of night activities in Xiamen City is multi ring and decreases to the surrounding areas. The distribution of hot spots of night activities varies from place to place; ② The existing service facilities in some areas of Xiamen City fail to serve the night economy well, and the existing lighting infrastructure, such as lighting and nightscape, is insufficient; ③ There is a moderate positive correlation between residential population density and night activity density, and the results are valid. The profit and loss value and quantity of night service facilities, night lighting, and night activity density are moderately and weakly correlated, and catering facilities are more dependent on night lighting. Finally, we put forward some suggestions for Xiamen's future night-time economic construction, such as providing different night-time services according to different consumer groups and psychology, strengthening the construction of night light infrastructure and market support. The research conclusions are of positive significance to promote social employment, and enhance the utilization rate of infrastructure. At the same time, they can also provide reference for urban economic development and policy formulation.

Key words： multi source data; night-time economy; DBSCAN; K-Means++; temporal and spatial distribution; supply and demand; correlation analysis; Xiamen City

1 引言

夜间经济（Night-time Economy）指以城市空间为依托,发生在夜间以服务业为主的相关经济活 动[1],其业态为夜间购物、夜间餐饮等[2]。国外学者关于夜间经济研究多集中在隐性的经济影响因素,如夜晚城市安全、城市犯罪[3,4,5],以及“光污染”带来的环保问题[6],缺乏夜间经济时空分布格局研究。国内学者则主要研究夜间经济带来的积极效应。来有为[7]采用市场调研研究上海市夜间经济发展特征。董晓峰等[8]采用市场调研与问卷调查分析“敦煌夜市”夜间出行者的特征、时空分布。隗剑秋等[9]采用实际调查顾客评价分析夜间经济消费主体及消费时间段、出行方式。靳泓等[10]采用SWOT方法,从概念上分析重庆市夜间经济发展的自身优劣,外部机遇和挑战。吴敏[11]从统计数据和相关政策出发,分析河北省夜间经济发展成就和制约因素。目前夜间经济的研究主要根据统计数据,用描述性、概念性研究等方法,或者采用传统的定量分析,如市场调研等,对单个功能区夜间经济进行研究,缺乏运用模型与数理统计方法进行深度挖掘,很少直观展示大范围夜间经济具体时空分布。
随着信息技术的进步,夜间灯光数据、感知大数据等为夜间经济定量研究提供了新的数据源[12]。许多学者利用夜间灯光数据来估算社会经济参量指标[13,14],但是灯光亮度会受诸如植被、气候等非经济因素的影响,无法直接衡量夜间经济[15]。基于位置服务的感知大数据便于获取且现势性好,目前已得到广泛使用。POI（兴趣点,Points of Interest）数据具有精确的位置属性和具体分类,一些学者使用POI数据分析服务业的空间格局[16,17],但是POI数据无法区分白天和夜间经济的分布特征。OD（起止点,Origin Destination）数据兼具位置和时间属性,一些学者利用OD数据研究居民出行特征来识别人类活动单元[18,19],但是OD数据识别精度不高。因此,仅使用单一来源数据感知城市可能使得研究结果有所偏颇,而基于多源数据构建多视角框架可有效降低研究结果的有偏性[20]。基于多源数据研究时空分布格局常用方法包括高维算法模型[21]和回归方程[22],分区与分级[23]、交叉分析量化单一感知数据[20]等,以上方法具有统一数据格式、获取区域多功能性时空特征等优点。
目前利用多源大数据分析夜间经济时空分布格局的研究相对较少,因此本文基于夜间灯光数据和感知大数据,利用分级方法和渔网工具统一数据格式并构建多视角框架,分别从消费者和商户两个视角识别城市夜间活动热点区域和夜间服务设施分布区域,交叉分析夜间经济时空分布格局。研究结论对促进社会就业、增强基础设施使用率有积极意义,同时也能够为城市夜间经济发展和政策制定提供参考。

2 研究方法

本文分别从消费者角度和商户角度研究夜间经济时空分布格局,技术路线如图1。对于出租车OD数据,① 通过DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类剔除低密度区域（噪音）,对于跨区级的聚类簇继续进行K-Means++聚类;② 将所有聚类簇按照自然断点法进行密度分级,将夜间活动热点区域划分成高、中、低3个等级。③ 计算人口密度与夜间活动密度的相关性,探究研究结果的可靠性。对于POI和夜间灯光数据:① 计算二者盈亏值;② 分析二者供需情况和盈亏区空间分布,以识别夜间服务设施分布区域。最后统计夜间活动聚类簇密度与其平均盈亏值,综合分析相关性。
图1 夜间经济时空分布格局研究技术路线

Fig.1 Technology roadmap of research on temporal and spatial distribution pattern of night economy

2.1 夜间活动热点区域识别

OD数据中起点反映人群的离散,而终点反映人群的聚集。因此,本文对出租车终点（下客点）进行空间聚类来研究人群聚集情况,以识别夜间活动热点区域。
空间聚类是描述地理现象空间依赖性的重要手段[24,25]。DBSCAN是一个比较有代表性的基于密度的聚类算法,可根据密度划分区域,发现任意形状的聚类[26,27]。K-Means是一种划分式聚类算法,但是对初始中心的选择很敏感。K-Means++是K-Means的改进型,通过用户给定聚类数目或初始聚类中心,反复迭代运算,使初始聚类中心之间的距离尽可能的远,有效降低了对初始中心的敏感性[28,29]。Mean-Shift是一种基于密度的滑动窗口迭代算法,能够自动获得最优的聚类个数,而不需要人为给定,受突变点的影响较小[30]。为了选择最佳聚类参数,本文使用聚类中常用的内部评价指标——轮廓系数（Silhouette Coefficient）和CH（Calinski-Harabaz）值来评价聚类效果。轮廓系数由内聚度和分离度计算而得,其值介于[-1, 1],越趋近于1代表内聚度和分离度都相对较优;CH值指组间离散与组内离散的比率,该值越大聚类效果越好[31]。为了统一分级规则,本文采用自然断点分级法进行数据分级。自然断点分级法是通过迭代将数据集中不连续的地方作为分级的依据对数据集合进行分级。该方法可使类中的差异最小化,类间的差异最大化,较好保持了数据的统计特性[32]。

2.2 夜间服务设施分布区域识别

照明设施的不断完善是夜间经济得以发展的基本条件。盈亏值能反映2种要素之间供需情况[33]。因此,本文利用盈亏值反映夜间服务设施与夜间灯光基础设施的供需情况,并以此分析夜间服务设施空间分布。盈亏值[33]公式如下所示:
C = V a - V b
式中:C表示夜间灯光与POI的盈亏值;Va表示要素a重分类后的值;Vb表示基准要素b重分类后的值;则负值表示要素a盈余,正值表示要素a亏损,0值为二者平衡。
为了剔除林地、水域等非经济活动区域,由夜间灯光数据设置亮度值阈值提取建成区。为了统一数据格式,将建成区内的POI数据和夜间灯光数据分别连接到同尺度渔网,并计算每格渔网里的加和数据。然后,用自然断点分级法将连接到渔网的夜间灯光数据和POI数据进行重分类。最后计算二者盈亏值,分析夜间灯光供给盈亏分布和夜间服务设施空间分布。

3 研究区概况与数据来源

3.1 研究区概况

厦门市位于福建省东南端,下辖思明、湖里等共6个区,区内下辖厦港、湖里等27个街道以及新店、灌口等共12个镇,如图2。厦门市由本岛厦门岛、集美半岛、内陆同安、离岛鼓浪屿等组成,总面积1699 km2,建成区面积389 km2。本文对未通车的离岛不予考虑,仅研究大陆区域和本岛厦门岛。厦门市属于亚热带海洋性季风气候,气候适宜。厦门市全年旅游无淡季,并当选2019年“夜间经济十佳城市”[34]。
图2 2019年厦门市行政区划图

Fig. 2 Administrative division map of Xiamen City in 2019

3.2 数据来源

本文使用夜间灯光数据、POI数据和OD数据研究厦门市夜间经济时空分布格局。
（1）夜间灯光数据
本文采用的夜间灯光数据为利用NPP-VIIRS获取影像制作的月度平均辐射复合图像[35]。时间为2019年6月,空间分辨率为500 m,优于全球大部分夜间灯光数据,如图3所示。
图3 2019年6月厦门市夜间灯光指数

Fig. 3 Light index of Xiamen city in June 2019

（2）POI数据
本文利用Python调用高德地图API[36]爬取了厦门市购物、餐饮、住宿、娱乐和风景共5类服务业点数据,包括名称、类别、经纬度和地址共4个字段。爬取时间为2019年8月22日至9月16日,由于POI数据在年度内变化不大,可有效表示2019年厦门市POI数据。经过去重、剔除缺损数据等数据清洗步骤,共挑选出118 555条有效数据,如表1所示。其中,购物设施和餐饮设施数量最多,比重最大。
表1 2019年厦门市POI数据

Tab. 1 POI data of Xiamen City in 2019

类型 内容 数量/个 比重/%
购物 商业广场、各类超市等 62 039 52.33
餐饮 中餐厅、快餐店等 44 033 37.14
住宿 星级宾馆等 5686 4.80
娱乐 酒吧迪厅、KTV等 4526 3.82
风景 公园、寺庙等 2271 1.91
总计 - 118 555 100
（3）OD数据
本文从厦门大数据安全开放创新应用大赛网站[37]收集了厦门市2019年6月3日至6月9日（星期一至星期天）出租车订单数据,包括出租车ID、上车时间、上车经纬度、下车时间和下车经纬度5个字段。本文以6月7日（星期五,端午节）为界分成工作日和假期2个部分。根据厦门当时平均日出日落时间,选取19:00—次日05:00为研究时段,平分为上半夜（19:00—00:00,不含00:00）和下半夜（00:00—05:00）,并对所有工作日的上半夜进行合并以降低偶然性,其他研究时段作相同处理。经过数据清洗,筛选出586 056条有效数据如表2所示。
表2 2019年6月3日至6月9日厦门市出租车OD数据

Tab. 2 Example of taxi OD flows in Xiamen City from June 3 to June 9, 2019

研究时段 日期 时段 出行量/人
工作日上半夜 2019年6月3日至6月5日 19:00—00:00 181 348
工作日下半夜 2019年6月4日至6月6日 00:00—05:00 93 099
假期上半夜 2019年6月6日至6月8日 19:00—00:00 196 569
假期下半夜 2019年6月7日至6月9日 00:00—05:00 115 040

4 结果与分析

人是夜间经济活动的主体,夜间活动的强弱代表夜间经济需求的强弱,故本文将出租车下客点分布作为夜间活动需求分布,从消费者角度分析厦门市夜间经济时空分布格局。夜间灯光是夜间经济发展的基本条件,故本文将POI数据作为服务供给设施,将夜间灯光数据作为夜间灯光基础设施,从商户角度分析厦门市夜间经济空间分布格局。

4.1 夜间活动时空分布格局

本文以厦门市2019年某天20:00—21:00共12460条出租车OD数据为例,对下客点进行聚类,以研究适合的算法。利用轮廓系数和CH值获取DBSCAN最佳聚类结果如图4(a),其中噪声比为3.76%。由市内所具有街道（镇）级行政单位数39,计算聚类簇计算聚类簇k=2, 3, …, 39的平均轮廓系数和CH值,获取K-Means++最佳聚类结果如图4(b)。利用Mean-Shift算法获得最优聚类个数为8,聚类结果如图4(c)。
图4 出租车下客点聚类实验结果

注:不同颜色表示聚类后的不同聚类簇。

Fig. 4 Experimental results of taxi drop off point clustering

由图4可知,DBSCAN能识别出噪声区域,但是对于高密度的本岛厦门岛,DBSCAN几乎将其聚类为一类,区域过大。K-Means++聚类结果为38个聚类簇,与行政划分相近,本岛厦门岛聚类结果较好,但是不能识别外围噪声区域。Mean-Shift不能识别噪声区域,也不能对本岛厦门岛聚类划分。对于厦门市而言,使用单一算法聚类结果并不佳。因此,本文使用二次聚类,① 采用DBSCAN,以剔除噪声区域;② 对于DBSCAN聚类结果中的跨区级聚类簇进行K-Means++二次聚类;③ 根据自然断点分级法将所有聚类簇按照密度分为3类,得到密度等级为高、中、低的三类夜间活动热点区域（图5）。
图5 2019年6月3日至6月9日厦门市夜间活动分布

Fig. 5 Distribution of nocturnal activities in Xiamen City from June 3 to June 9, 2019

由图5可知,厦门市夜间活动呈多环状分布,高密度区域是位于厦门岛中部的梧村、嘉莲、江头街道,中密度区域是厦门岛上高密度区域外的周边区域,低密度区域主要是环水域大陆沿岸。本文在表3中列出了不同等级夜间活动聚类簇主要分布区域,并以街道（镇）为单元计算平均夜间活动密度,并通过工作日与假期的差值计算假期外来消费者占比（外来消费者包括其他街区和外地的消费者）。由表3可以看出,高密度区域中梧村和开元街道假期外来消费者增量最多、占比最高,中、低密度区域中滨海街道假期外来消费者最多,占比最高。江头街道作为夜间活动高密度区域,但是由于该区域住宅小区众多,是重要的居住区,故外来消费者较少。滨海街道具有曾厝垵等著名景点、黄金沙滩海岸线,并举办了多届文艺青年节,是重要的青年聚集地,故假期外来消费者增量能排至前五位,然而其分散的景点降低了夜间活动密度。
表3 2019年6月3日至6月9日厦门市夜间活动不同等级聚类簇主要分布区域及相关指标

Tab. 3 Main distribution areas and related indicators of different levels of nocturnal activity cluster in Xiamen City from June 3 to June 9, 2019

聚类簇 主要分布区域 平均夜间活动密度/（人/km2） 假期外来消费者增量/人 假期外来消费者占比/%
高密度区域 嘉莲 2768 3159 9.2
梧村 2490 11 060 35.8
江头 2096 1705 5.0
筼筜 1829 3895 13.8
开元 1810 5253 35.8
中密度区域 鹭江 1073 1005 11.5
湖里 1067 1585 7.6
中华 1012 1601 20.0
厦港 1012 679 15.0
莲前 919 3953 12.9
殿前 853 2240 11.4
禾山 835 3344 11.8
金山 829 1614 8.5
低密度区域 滨海 381 3920 27.9
海沧 99 1453 17.5
集美 78 338 19.5
侨英 78 696 18.1
杏林 75 537 18.5
西柯镇 74 190 37.8
杏滨 74 500 21.2

4.2 夜间服务设施的空间分布格局

首先根据建成区面积提取灯光亮度值≥22的夜间灯光数据为建成区,提取精度98.2%。然后根据夜间灯光数据空间分辨率,建立500 m×500 m渔网,将建成区内的POI数据和夜间灯光数据连接到渔网,再重分类成5类并赋值为1~5。最后,以夜间灯光数据为要素a,以POI数据为基准要素b,计算二者盈亏值,得到夜间灯光与服务设施盈亏分布（图6）,其值范围在-2~4,则-2~-1表示夜间灯光供给不足,1~4表示夜间灯光供给充分,0表示夜间灯光供需平衡。
图6 2019年厦门市夜间灯光与服务设施盈亏分布

Fig. 6 Profit and loss distribution of night-time lighting and service facilities in Xiamen City in 2019

据图3可知厦门市夜间灯光亮度以大东山以北的厦门岛为核心,围绕水域环形分布,越往大陆深处亮度越低。由图6可知,厦门市服务设施分布不均衡,并且存在明显的灯光“盈余区”和“亏损区”。梧村至江头街道一带购物、餐饮等基本服务设施较多,而住宿、风景设施较少,因此,夜间灯光与购物、餐饮等基本服务设施供给处于高值平衡,而相对于住宿、风景设施则供给过剩。厦门岛西南部厦港至鹭江街道一带服务设施种类齐全且分布密集,但是灯光亮度值不高,是夜间灯光亏损严重的区域。滨海街道购物、娱乐设施分布稀疏,但是具有众多高品质酒店、民宿等,由于该处灯光亮度较低,故滨海街道购物和娱乐设施与夜间灯光处于低值平衡,但相对于住宿和餐饮设施则灯光供给严重不足。厦门高崎国际机场、湖里街道西部的象屿山保税区、金山街道五缘湾东岸、新店镇等非中心城区,服务设施较少,但是夜间灯光供给十分充足。因此,厦门市部分区域已有服务设施未能很好地服务于夜间经济,现有的照明、夜景等夜间灯光基础设施存在供给不足之处。

4.3 相关性分析

目前鲜有文献基于时空大数据研究夜间经济时空分布格局,缺乏对比分析,故本文将厦门市2019年居住人口密度[38]作归一化处理,通过500 m×500 m渔网和最小二乘线性回归,计算其与夜间活动聚类簇密度的相关性（图7）。人口密度皆通过了1%显著性检验。由图7可以看出,厦门市人口密度与夜间活动密度呈中度正相关,其R2在0.403~0.435之间。故不能将人口居住密度直接视作夜间活动密度,因此本文以出租车下客点研究夜间活动热点区域具有有效性。
图7 2019年6月3日至6月9日厦门市夜间活动密度与人口密度的关系

Fig. 7 Relationship between night activity density and population density in Xiamen City from June 3 to June 9, 2019

本文将盈亏值、渔网格内POI数量、夜间灯光值作归一化处理,通过最小二乘线性回归探讨夜间服务设施和灯光基础设施与夜间活动的相关性（表4）。
表4 2019年6月3日至6月9日厦门市夜间服务设施及灯光基础设施与夜间活动密度相关性

Tab. 4 Correlation between night service facilities, lighting infrastructure and night activity density in Xiamen City from June 3 to June 9, 2019

自变量 活动密度
工作日上半夜 工作日下半夜 假期上半夜 假期下半夜
归一化
盈亏值		 餐饮 0.270 0.251 0.293 0.227
购物 -0.068 -0.073 -0.089 -0.058
住宿 -0.146 -0.133 -0.157 -0.132
休闲 -0.069 -0.053 -0.038 -0.038
风景 -0.038 -0.042 -0.052 -0.039
归一化
数量值		 餐饮 0.039 0.110 0.144 0.083
购物 0.666 0.622 0.449 0.541
住宿 -0.216 -0.223 -0.164 -0.193
休闲 0.720 0.688 0.764 0.666
风景 0.042 0.031 0.012 0.010
灯光 0.322 0.285 0.2526 0.245
R2 0.412 0.397 0.390 0.390

注:红色数值为未通过10%显著性检验。

由表4可知,夜间服务设施和灯光基础设施与夜间活动密度中度相关。餐饮盈亏值与夜间活动密度成正相关,而其他设施盈亏值与夜间活动密度成负相关,但是系数绝对值较小,说明餐饮服务较于其他服务更加依赖灯光设施。住宿设施数量与夜间活动密度成负相关,而其他设施与夜间活动密度成正相关,住宿设施的集聚地并非夜间活动热点区域。

5 结论与讨论

夜间经济是现代城市经济的重要组成部分。目前国内外研究者对夜间经济的研究多停留在理论层面,或基于市场调研和问卷调查的小范围精细化研究。本文基于夜间灯光数据和感知大数据,利用聚类算法和供需模型,分别从消费者和商户2个视角识别工作日和假期夜间活动热点区域、分析夜间服务设施与灯光的盈亏分布,得出厦门市夜间经济在时间、空间上的分布以及服务设施与夜间灯光基础设施的供需关系,以期为厦门市夜间经济发展及政策制定提供参考,并得出如下结论:
（1） 厦门市夜间活动在空间上呈多环状分布并向四周递减,夜间活动热点区域分布受假期的影响因地而异。
（2） 厦门市部分区域已有服务设施未能很好地服务于夜间经济,现有的照明、夜景等夜间灯光基础设施存在供给不足之处。
（3） 居住人口密度与夜间活动密度呈中度正相关,研究结果具有有效性,夜间服务设施盈亏值及数量、夜间灯光与夜间活动密度呈中、弱度相关,并且餐饮设施更加依赖于夜间灯光。
针对以上情况,本文提出如下举措:
（1）根据不同消费人群和心理提供不同的夜间服务。对于以本地居民为主的街区,应当主打短期、温和、悠闲的夜间服务,如书店、美食城等。对于消费者主要来自其他街区或外地的街区,应充分依托厦门丰富的商旅文体资源和多元文化底蕴,突出闽、侨、台特色,发展夜间特色经济。
（2）加强夜间灯光基础设施建设。对于灯光供给不足或者夜间经济潜力巨大的社区街道,应当加强灯光照明、夜景亮化等夜间灯光基础设施建设,同时可以利用无人机等新技术制作大型的灯光秀,以吸引夜游者
（3）加强市场扶持。政府应当出台相应政策,应充分利用现有灯光设施,以各地区域环境、特色产业为基础,培养夜间经济消费环境,引导发展新型夜间经济。
融合多源数据,本文为夜间经济提供了新的视角,相较于传统的调查数据,具有更加快速、高效、广泛的特点,但是在数据和方法上仍存在不足:仅使用出租车OD数据降低了人群的代表性;空间聚类属于无监督学习范畴,需要人为判定聚类结果属性。故在今后研究中可从以下方面进行扩展:在时空数据上融合自驾及乘坐公共交通等其他OD数据,并判别下客点语义,提高人群代表性;在研究方法上利用夜间经济相关权威统计数据,结合监督学习,在训练集中加入预标注的集群,使分类更加合适。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
毛中根, 龙燕妮, 叶胥. 夜间经济理论研究进展[J]. 经济学动态, 2020(2):103-116.

[ Mao Z G, Long Y N, Ye X. Research progress on night-time economy[J]. Economic Perspectives, 2020(2):103-116. ] DOI: CNKI:SUN:JJXD.0.2020-02-010

DOI

[2]
Jenny M, Enora R, Emilia S. Socio-spatial and temporal dimensions of transport equity for London's night time economy[J]. Transportation Research Part A, 2019, 121(MAR.):433-443. DOI: 10.1016/j.tra.2019.01.024

DOI

[3]
Phillip W. ‘It’s not like it used to be': Respect and nostalgia in the policing of nightlife[J]. Australian & New Zealand Journal of Criminology, 2019, 52(2):213-230. DOI: 10.1177/0004865818781204

DOI

[4]
Diaz-Fernandez S, Evans A. Lad culture as a sticky atmosphere: Navigating sexism and misogyny in the UK's student-centred nighttime economy[J]. Gender, Place & Culture, 2020, 27(5):744-764. DOI: 10.1080/0966369X.2019.1612853

DOI

[5]
Curtis A, Miller P, Palmer D, et al. Key stakeholder perspectives of drink restrictions in Newcastle, Australia[J]. Addiction Research & Theory, 2017, 25(2):163-167. DOI: 10.1080/16066359.2016.1237632

DOI

[6]
Abraham H, Scantlebury D M, Zubidat A E. The loss of ecosystem-services emerging from artificial light at night[J]. Chronobiology International, 2019, 36(2):296-298. DOI: 10.1080/07420528.2018.1534122

DOI PMID

[7]
来有为. 上海夜间经济的发展特征、存在的主要问题及相关政策建议[J]. 上海经济, 2019(5):5-14.

[ Lai Y W. Development characteristics, the main problems and the relevant suggestions of Shanghai's night-time economy[J]. Shanghai Economy, 2019(5):5-14. ] DOI: CNKI:SUN:SJIN.0.2019-05-002

DOI

[8]
董晓峰, 董妮, 刘理臣, 等. 敦煌市夜晚经济时空变化规律研究——以敦煌夜市为例[J]. 城市发展研究, 2018, 25(9):后插5-后插9.

[ Dong X F, Dong N, Liu L C, et al. Research of spatiotemporal variation characteristics of night economy in Dunhuang: A case study in Dunhuang night market[J]. Urban Development Studies, 2018, 25(9):后插5-后插9. DOI: CNKI:SUN:CSFY.0.2018-09-003

DOI

[9]
隗剑秋, 彭玉玲, 周鹏, 等. POE评价在城市公共空间修补更新中作用初探[J]. 华中建筑, 2019, 37(9):70-73.

[ Wei J Q, Peng Y L, Zhou P, et al. The role of POE in urban public space renovation and renewal[J]. Huazhong Architecture, 2019, 37(9):70-73. ] DOI: CNKI:SUN:HZJZ.0.2019-09-016

DOI

[10]
靳泓, 应文. 重庆夜间经济分析研究[J]. 灯与照明, 2017, 41(2):18-22.

[ Jin H, Ying W. Night-time economy analysis of Chongqing[J]. Light & Lighting, 2017, 41(2):18-22. ] DOI: 10.3969/j.issn.1008-5521.2017.02.005

DOI

[11]
吴敏. 河北省城市夜经济研究[D]. 天津:河北工业大学, 2015.

[ Wu M. Research on Hebei Province urban night economy[D]. Tianjin: Hebei University of Technology, 2015. ] DOI: 10.7666/d.D757518

DOI

[12]
白艳, 朱安然, 杨滢钰, 等. 基于微博位置大数据的合肥城区夜生活空间研究[J]. 建筑与文化, 2018(10):185-186.

[ Bai Y, Zhu A R, Yang Y Y, et al. Spatial study of nightlife in Hefei urban area based on the place data in micro-blog[J]. Architecture & Culture, 2018(10):185-186. ] DOI: CNKI:SUN:JZYW.0.2018-10-066

DOI

[13]
郭恒梅, 马晓冬. 基于夜间灯光数据的淮海经济区经济空间格局演化及中心性测度[J]. 地理与地理信息科学, 2020, 36(2):34-40,125.

[ Guo H M, Ma X D. Evolution of economic spatial pattern and centrality measure of Huaihai economic zone based on night-time light data[J]. Geography and Geo-Information Science, 2020, 36(2):34-40,125. ] DOI: CNKI:SUN:DLGT.0.2020-02-006

DOI

[14]
曾冰. 基于NPP/VIIRS夜间灯光数据的湘鄂赣省际交界区县域经济空间格局及影响因素[J]. 地理科学, 2020, 40(6):900-907.

DOI

[ Zeng B. Spatial pattern evolution and influencing factors of County-level economy of border regions in Hunan-Hubei-Jiangxi based on nighttime light data[J]. Scientia Geographica Sinica, 2020, 40(6):900-907. ] DOI: 10.13249/j.cnki.sgs.2020.06.005

DOI

[15]
Noam L, Zhang Q L. A global analysis of factors controlling VIIRS nighttime light levels from densely populated areas[J]. Remote Sensing of Environment, 2017, 190:366-382. DOI: 10.1016/j.rse.2017.01.006

DOI

[16]
唐锦玥, 何益珺, 塔娜. 基于POI数据的上海市餐饮业空间分布特征及影响因素[J]. 热带地理, 2020, 40(6):1015-1025.

[ Tang J Y, He Y J, Ta N. Spatial distribution patterns and factors influencing the Shanghai catering industry based on POI data[J]. Tropical Geography, 2020, 40(6):1015-1025. ] DOI: 10.13284/j.cnki.rddl.003280

DOI

[17]
高岩辉, 杨晴青, 梁璐, 等. 基于POI数据的西安市零售业空间格局及影响因素研究[J]. 地理科学, 2020, 40(5):710-719.

DOI

[ Gao Y H, Yang Q Q, Liang L, et al. Spatial pattern and influencing factors of retailing industries in Xi'an based on POI data[J]. Scientia Geographica Sinica, 2020, 40(5):710-719. ] DOI: 10.13249/j.cnki.sgs.2020.05.005

DOI

[18]
杨文军, 孟凡冬, 李游, 等. 基于车辆轨迹OD数据分析乘客出行特征的研究[J]. 测绘与空间地理信息, 2020, 43(S1):144-147,150.

[ Yang W J, Meng F D, Li Y, et al. Research on passenger travel characteristics based on OD data analysis of vehicle trajectory[J]. Geomatics ＆ Spatial Information Technology, 2020, 43(S1):144-147,150. ] DOI: CNKI:SUN:DBCH.0.2020-S1-044

DOI

[19]
牟乃夏, 张恒才, 陈洁, 等. 轨迹数据挖掘城市应用研究综述[J]. 地球信息科学学报, 2015, 17(10):1136-1142.

DOI

[ Mou N X, Zhang H C, Chen J, et al. A review on the application research of trajectory data mining in urban cities[J]. Journal of Geo-information Science, 2015, 17(10):1136-1142. ] DOI: 10.3724/SP.J.1047.2015.01136

DOI

[20]
涂伟, 曹劲舟, 高琦丽, 等. 融合多源时空大数据感知城市动态[J]. 武汉大学学报·信息科学版, 2020, 45(12):1875-1883.

[ Tu W, Cao J Z, Gao Q L, et al. Sensing urban dynamics by fusing multisourced spatiotemporal big data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1875-1883. ] DOI: 10.13203/j.whugis20200535

DOI

[21]
程浩然, 蒙吉军, 朱利凯. 基于多源地理数据融合的黑河中游土地多功能性时空格局与权衡研究[J]. 干旱区地理, 2021, 44(1):208-220.

[ Cheng H R, Meng J J, Zhu K J. Spatial-temporal pattern and trade-offs of land multi-function in the middle reaches of the Heihe River based on multi-source geographic data fussion[J]. Arid Land Geography, 2021, 44(1):208-220. ] DOI: 10.12118/j.issn.1000-6060.2021.01.22

DOI

[22]
赵晓旭. 融合多源时空数据的城市火灾危险性评估[J]. 测绘通报, 2020(5):101-106.

[ Zhao X X. Urban fire hazard assessment based on multi-source spatiotemporal data[J]. Bulletin of Surveying and Mapping, 2020(5):101-106. ] DOI: CNKI:SUN:CHTB.0.2020-05-021

DOI

[23]
崔晓临, 张佳蓓, 吴锋, 等. 基于多源数据融合的北京市人口时空动态分析[J]. 地球信息科学学报, 2020, 22(11):2199-2211.

DOI

[ Cui X L, Zhang J B, Wu F, et al. Spatio-temporal analysis of population dynamics based on Multi-source data integration for Beijing municipal city[J]. Journal of Geo-information Science, 2020, 22(11):2199-2211. ] DOI: 10.12082/dqxxkx.2020.190769

DOI

[24]
李志林, 刘启亮, 唐建波. 尺度驱动的空间聚类理论[J]. 测绘学报, 2017, 46(10):1534-1548.

[ Li Z L, Liu Q L, Tang J B. Towards a scale-driven for spatial clustering[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1534-1548. ] DOI: 10.11947/j.AGCS.2017.20170275

DOI

[25]
王劲峰, 葛咏, 李连发, 等. 地理学时空数据分析方法[J]. 地理学报, 2014, 69(9):1326-1345.

DOI

[ Wang J F, Ge Y, Li L F, et al. Spatiotemporal data analysis in geography[J]. Acta Geographica Sinica, 2014, 69(9):1326-1345. ] DOI: 10.11821/dlxb20140900

DOI

[26]
郭名静, 边少锋, 单潮龙, 等. 位置数据中的城市行业空间特征挖掘[J]. 测绘科学, 2020, 45(10):127-134,142.

[ Guo M J, Bian S F, Shan C L, et al. Spatial feature discovery of urban industry based on location data[J]. Science of Surveying and Mapping, 2020, 45(10):127-134,142. ] DOI: 10.16251/j.cnki.1009-2307.2020.10.018

DOI

[27]
Gao S, Janowicz K, Montello D R, et al. A data-synjournal-driven method for detecting and extracting vague cognitive regions[J]. International Journal of Geographical Information Science, 2017, 31(6):1245-1271. DOI: 10.1080/13658816.2016.1273357

DOI

[28]
章永来, 周耀鉴. 聚类算法综述[J]. 计算机应用, 2019, 39(7):1869-1882.

[ Zhang Y L, Zhou Y J. Review of clustering algorithms[J]. Journal of Computer Applications, 2019, 39(7):1869-1882. ] DOI: 10.11772/j.issn.1001-9081.2019010174

DOI

[29]
杨俊闯, 赵超. K-Means聚类算法研究综述[J]. 计算机工程与应用, 2019, 55(23):7-14,63.

[ Yang J C, Zhao C. Survey on K-means clustering algorithm[J]. Computer Engineering and Applications, 2019, 55(23):7-14,63. ] DOI: 10.3778/j.issn.1002-8331.1908-0347

DOI

[30]
苏延平. 依赖混合型位置大数据的均值漂移聚类算法[J]. 山西能源学院学报, 2020, 33(2):97-99.

[ Su Y P. Mean shift clustering algorithm based on hybrid position big data[J]. Journal of Shanxi Coal-Mining Administrators College, 2020, 33(2):97-99. ] DOI: CNKI:SUN:SXMG.0.2020-02-032

DOI

[31]
Peter R J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis[J]. Journal of Computational & Applied Mathematics, 1987, 20:53-65. DOI: 10.1016/0377-0427(87)90125-7

DOI

[32]
武增海, 李涛. 高新技术开发区综合绩效空间分布研究——基于自然断点法的分析[J]. 统计与信息论坛, 2013, 28(3):82-88.

[ Wu Z H, Li T. The comprehensive performance evaluation of the high-tech development zone: Analysis based on the natural breakpoint method[J]. Statistics & Information Forum, 2013, 28(3):82-88. ] DOI: 10.3969/j.issn.1007-3116.2013.03.014

DOI

[33]
刘丹丹, 黄安民, 杨飞飞. 基于多源数据的旅游公共设施空间分布特征及供需平衡研究——以福建省厦门市为例[J]. 资源开发与市场, 2020, 36(10):1178-1184.

[ Liu D D, Huang A M, Yang F F. Research on the spatial distribution characteristics and supply-demand balance of tourism public facilities based on multi-source data: A case study of Xiamen City in Fujian Province[J]. Resource Development & Market, 2020, 36(10):1178-1184. ] DOI: 10.3969/j.issn.1005-8141.2020.10.020

DOI

[34]
2019中国夜间经济发展报告[EB/OL]. https://www.sohu.com/a/354486191_120291586, 2019-11-16.

[ Zhao Y J. China's economic development report in 2019[EB/OL]. https://www.sohu.com/a/354486191_120291586, 2019-11-16.]

[35]
Monthly Cloud-free DNB Composite[DB/OL]. https://eogdata.mines.edu/download_dnb_composites.html.

[36]
Amap[DB/OL]. https://lbs.amap.com.

[37]
Big Data Security Open Innovation Application Competition of Xiamen[DB/OL]. https://data.xm.gov.cn/opendata-contest.

[38]
Population Density[DB/OL] https://www.worldpop.org.

Options
文章导航

/

〈 〉