EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 3: 560 - 672

DOI: https://doi.org/10.12082/dqxxkx.2023.220434

地理空间分析综合应用

基于POI大数据的开封市城市功能扩张与演替特征分析

  • 张慧馨 , 1 ,
  • 张丽君 , 1, * ,
  • 秦耀辰 1, 2 ,
  • 王静帆 1 ,
  • 段杰冉 1 ,
  • 田梦男 1
展开
  • 1.河南大学地理与环境学院/黄河中下游数字地理技术教育部重点实验室，开封 475004
  • 2.河南大学黄河文明与可持续发展研究中心暨黄河文明省部共建协同创新中心，开封 475004
* 张丽君（1985— ），女，河南南阳人，博士，副教授，主要从事大数据与城市规划研究。E-mail:

张慧馨（1998— ），女，河南安阳人，硕士生，主要从事大数据与城市规划研究。E-mail:

收稿日期: 2022-06-23

  修回日期: 2022-10-08

  网络出版日期: 2023-04-19

基金资助

国家自然科学基金项目(42071294)

国家自然科学基金项目(42171295)

河南省优秀青年科学基金项目(222300420030)

河南省哲学社会科学规划项目(2020BJJ019)

河南省高等学校人文社会科学研究项目(2021-ZDJH-057)

收起

Spatial Expansion and Succession Characteristics of Urban Function in Kaifeng City based on POI Big Data

  • ZHANG Huixin , 1 ,
  • ZHANG Lijun , 1, * ,
  • QIN Yaochen 1, 2 ,
  • WANG Jingfan 1 ,
  • DUAN Jieran 1 ,
  • TIAN Mengnan 1
Expand
  • 1. College of Geography and Environmental Science, Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Regions, Kaifeng 475004, China
  • 2. Key Research Institute of Yellow River Civilization and Sustainable Development & Collaborative Innovation Center on Yellow River Civilization jointly built by Henan Province and Ministry of Education, Henan University, Kaifeng 475004, China
* ZHANG Lijun, E-mail:

Received date: 2022-06-23

  Revised date: 2022-10-08

  Online published: 2023-04-19

Supported by

National Natural Science Foundation of China(42071294)

National Natural Science Foundation of China(42171295)

Provincial Natural Science Foundation for Outstanding Scholars of Henan(222300420030)

Philosophy and Social Science Planning Project of Henan Province(2020BJJ019)

Humanities and Social Science Research Project of the Higher Education of Henan Province(2021-ZDJH-057)

Fold

摘要

以POI为代表的社会感知数据为精细尺度城市空间结构研究提供了新思路，然而，POI数据与传统光学遥感数据的关系、长时序POI数据表征的城市功能空间扩张与演替特征还有待进一步挖掘。因而，本文以开封市主城区为例，采用2005—2020年POI数据，通过构建城市街区尺度功能集聚-扩散分析框架，利用空间统计指标和区位熵指数分析城市功能的演替特征与复合功能变化。结果发现：① 2005—2020年开封市城市社会经济活动呈逐渐增长的扩张态势，活动空间的面积扩张了11.26 km2，年均扩张速度由2005—2015年的3.5%提升至2015—2020年的5.1%；② 城市各种活动的集聚、扩散过程造成不同功能的演替变化，其中开封市商服功能集聚程度较高，虽然受到新城区商业中心扩散的影响，单中心的城市发展模式依然没有发生变化；③ 具有复合功能的城市街区不断增多，对单中心的城市结构形成有益支撑。复合功能较强的街区主要分布在活力高、居民生活较为便捷的区域。本研究不仅能为城市空间规划的研究提供理论和技术支撑，也为城市更新、可持续发展以及国土空间规划提供新的思路。

关键词： POI数据; 活动空间; 功能扩张; 功能演替; 空间扩张; 功能集聚; 区位熵; 开封

本文引用格式

张慧馨 , 张丽君 , 秦耀辰 , 王静帆 , 段杰冉 , 田梦男 . 基于POI大数据的开封市城市功能扩张与演替特征分析[J]. 地球信息科学学报, 2023 , 25(3) : 560 -672 . DOI: 10.12082/dqxxkx.2023.220434

Abstract

The social sensing data such as POI provides new insights into fine-scale urban spatial structure study. However, the relationship between POI data and traditional remote sensing data needs to be further explored. Moreover, due to limited long-term POI data, the study on spatial expansion and succession characteristics of urban functions is still relatively rare. Therefore, this article took the main urban area of Kaifeng City as an example and used POI data between 2005 and 2020 to analyze the succession characteristics of urban functions and composite function changes. An analytical framework on spatial agglomeration and diffusion of urban functions was constructed to investigate the spatial process of human activity at block scale. Spatial statistical indicators and location entropy indices were used to analyze the characteristics of urban function succession and compound function change. The results show that: (1) Urban socioeconomic activities in Kaifeng showed a gradual expansion trend, and the area of activity space expanded by 11.26 km2 from 2005 to 2020. The average annual expansion rate increased from 3.5% during 2005 to 2015 to 5.1% during 2015 to 2020. POI data are more sensitive than remote sensing data on succession characteristics of activity spaces. (2) The process of agglomeration and diffusion of various urban activities results in the succession and change of different functions. Especially, Kaifeng has a relatively high degree of agglomeration for commercial service functions. Among them, the degree of agglomeration of commercial service functions in Kaifeng is relatively high. Although affected by the diffusion of commercial centers in new urban areas, the single-center urban development mode still does not change. The public administration and public service functions also show a central peripheral structure clustered in the old town, and the functional supply of the new urban areas needs to be improved. The residential function gradually changes from a relatively balanced functional configuration to agglomeration distribution, and the separation of employment and housing become more and more obvious. The overall industrial function gradually shifts from dispersion to agglomeration, spreading and moving from the central urban areas to the peripheral areas as a result of the policy on eliminating secondary and advancing tertiary industries, and then rapidly agglomerating together; (3) The number of urban blocks with commercial services and business offices is increasing, but the specialization advantages of business office functions are more prominent. And the number of urban blocks with complex functions is also increasing, which provides useful support for the single-center urban structure. The above results demonstrate that urban blocks with strong complex functions are mainly distributed in areas with high vitality and more convenient living residents. This research can not only provide theoretical and technical support for the study of urban spatial planning, but also provide new ideas for urban renewal, sustainable development and territorial space planning.

Key words： POI data; activity space; function expansion; function succession; function agglomeration; spatial expansion; location quotient; Kaifeng

1 引言

城市功能是城市空间与人类活动相互作用的结果，认识和了解城市功能是解决城市问题与改善城市管理的基础[1-2]。城市空间，如居住、工作、游憩、交通等空间，影响城市居民居住、工作、娱乐、出行等活动，同时，人类活动又塑造城市空间，使城市居住、工作、游憩和交通等功能得以发挥[3]。因而，城市功能研究对城市问题解决、城市质量提升与活力重塑具有重要意义。已有城市功能研究主要采用普查数据、城市土地利用规划图件、高分辨率遥感影像等数据进行城市功能类型识别或城市功能区划分[4⇓⇓-7]。但是，这些数据存在可得性差、更新周期长、空间分辨率低或获取成本昂贵等问题，不利于动态监测城市精细尺度活动规律。因而，城市功能动态化、智能化模拟成为城市空间可持续发展关注的关键问题。
近10年来，众包技术和基于位置的服务的普及使得精细尺度城市功能研究广泛兴起，兴趣点（POI）、手机信令、浮动车GPS、公交刷卡、推特、新浪微博等社会感知数据等已成为城市功能区识别的主流研究手段[8]。因可得性高、更新时速快、感知信息丰富等特征，POI数据成为关注的焦点[9⇓⇓-12]。与光学遥感关注土地覆被的自然物理特征相比，POI等社会感知数据能在精细尺度表征城市社会经济特征，更有利于研究城市土地利用分类[8]。不同POI类型具有独特的时间、空间、主题分布，这种语义签名类似于遥感中的光谱带[9,13]，可用于城市功能识别或功能分区。根据语义签名的相关特征构建统计参数是最简单的处理方法[10,14]，如龙瀛等[10]根据地块内所占比重超过50%的POI类型确定该地块的功能类型。该方法虽然可操作性强，但是具有一定主观性。特别地，不同类型的POI集聚特征差异较大，采用同一阈值可能造成某些地块功能误判。机器学习方法则能有效弥补上述方法的缺点，根据POI数据的时间、空间和（或）主题波段，进行波段提取或合成，识别城市空间的主导功能。其中，主题波段提取与分类是最常用的方法，通常采用自然语言处理（NLP）方法提取可读的主题，以表示城市功能的模式[15]。根据词频-逆文档频率统计指标，可以采用支持向量机、随机向量等机器学习模型进行POI类型智能识别[16-17]。基于POI数据的语义特征，POI匹配算法、潜在狄利克雷分配(LDA)模型、狄利克雷多项式回归模型（DMR）以及Word2Vec、Place2vec等词嵌入模型等也是比较受欢迎的模型[3,11-12,18-19]。另外，为了反映城市的动态特征，张量分解模型还被用于提取众包数据高阶关系中隐含的时空模式[2]。
不可否认的是，POI数据在进行城市功能识别时还存在一些缺陷。首先，POI数据虽然提供地理实体的名称、地址、坐标、类型等空间和属性信息。但是，无法表征研究对象的面积、规模、等级等信息。针对这一问题，已有研究往往结合多源数据，如公交刷卡数据、手机信令数据、社交媒体签到数据等，多维感知地理实体的功能特征[20⇓-22]。其次，POI数据主题性强，在空间中并非均匀分布，部分数据稀疏区域的功能可能无法很好识别。因而，曹元晖等通过计算不同类型POI的加权频数密度比例来识别地理实体功能类型[23]。再次，POI数据重分类尚无同一标准。根据地理实体[10]、产业类型[18,24]、功能服务特征[25-26]、土地利用类型[27-28]等的分类结果各异，这一定程度上限制了研究结果的可比性。
总体而言，以上研究在精细尺度城市功能识别与分区方面做出了贡献。然而，城市功能是一个复合体，不仅包含城市社会经济活动的功能类型，还涉及城市功能的空间作用范围。不同类型的功能如商业服务、公共管理与服务、居住等，空间集聚、扩散特征存在差异，因而在不同地域范围内起主导作用的城市功能类型并不同[26]。不同功能类型的空间活动过程有何规律?如何利用POI数据揭示不同社会经济活动的空间扩张与演替特征?这是本研究拟解决的关键问题。针对这些问题，本研究采用2005—2020年POI数据，构建城市街区尺度功能扩张与演替分析框架，一方面采用空间统计指标反映城市功能的集聚与扩散变化特征，另一方面利用区位熵分析方法识别不同街区主导功能。特别地，通过判别同一街区多种功能的区位熵值是否大于1，可以便捷地分析街区尺度的复合功能特征。该研究分析人类活动的集聚、扩散规律，有助于从宏观视角理解城市功能动态演变机理，对城市空间结构优化与城市更新具有重要意义。

2 功能扩张与演替分析方法

2.1 分析框架

POI类型识别是城市功能分析的基础。不同的数据平台POI分类方法存在较大差异。如Foursquare提供9个大类、400多个小类的POI分类数 据[9]。Ordnance Survey采用三层分类方法，第一层9类，第二层49类，第三层600多类[29]。高德地图同样采用采用三层分类，顶层13类，中间层153类，底层488类[12]。毫无疑问，分类方法与精度不同，POI数据所体现的人类活动特征不同，因而所表征城市功能也存在差异。
城市规划管理部门通过土地利用规划、调控来实现城市治理的目的，因而本研究采用语义分析方法根据城市用地类型对POI数据进行重分类，进而采用一系列空间计量指标分析不同街区、不同功能的扩张与演替特点。功能扩张直观的表现是社会经济活动空间范围的扩大，这里采用标准差置信椭圆方法估测人类活动的主要空间范围，并根据空间扩张指数测度扩张速度。另外，不同类型城市功能的空间作用范围具有较大异质性，其空间集聚与扩散过程呈现不同的特点。如商业服务、商务办公等城市中心功能，受资本增值最大化本能需求影响，在中心城区高度集聚[20,30]。本研究根据最近邻指数（NNI）分析不同城市功能类型的集聚程度变化，采用多年核密度分析阐释其集聚、扩散的空间过程。最后，利用区位熵分析方法确定不同街区的主导功能，进而探究不同街区主导功能的变化。上述分析可视为城市功能扩张与演替分析的总体框架（图1），通过街区尺度社会经济活动空间过程分析可以明确城市功能提升、功能协同、空间结构优化以及城市更新的方向。需要说明的是，单一年份的POI数据可能存在数据稀疏区活动特征无法有效提取等问题，本研究采用多时序POI数据分析城市功能演替过程，通过多年对比可以揭示活动特征的相对变化，一定程度上避免数据不确定性对研究结果的影响。
图1 城市功能扩张与演替分析框架

Fig. 1 Analysis framework of urban function expansion and succession

2.2 定量测度方法

2.2.1 POI类型识别

本研究采用主题语义进行POI数据的重分类。因对城市功能的关注不同，重分类结果存在较大差异。目前主要分为以下分类方式：① 按空间实体分，如商业点、办公楼/空间、交通设施、居住区等[10]；② 按产业类型分，如根据北美工业分类系统（NAICS）将POI数据分为不同的两位数行业[18,24]，包括零售、制造、专业服务、教育服务和公共管理等不同行业；③ 按功能服务分，如Chen等[25]将城市功能分为住宅、零售、餐饮和娱乐、金融服务、教育、医疗保健、行政和其他公共服务、旅游和酒店服务以及商业和工业生产等功能类型。Zhou等[16]将城市功能分为旅游与交通、教育资源、商店与服务、夜生活点、户外与休闲、食品和餐馆等；④ 按土地利用类型分，如绿地与广场用地（G）、公共管理与公共服务用地（A）、居住用地（R）、道路与交通设施用地（S）、商业服务业设施用地（B）和物流仓储用地（W）等[26-27]。可以发现，即便根据同一标准进行划分，POI重分类时依然存在不一致性。如在采用第四种分类方法时，薛冰等[26]的分类结果中不考虑工业用地，吴佳楠等[30]将第二产业与生产性服务业合并为一类。
根据本文研究目的，参考前述研究[10,16,18,24,25⇓-27,30]，根据《城市用地分类与规划建设用地标准（GB50137-2011）》[31]对POI数据进行重分类。首先，进行POI数据清洗。删除与城市功能无关的自然地物、地名标注等信息。其次，基于土地利用分类标准建立功能主题词库进行语义分析。根据POI的名称、类型等信息进行主题匹配，确定POI数据的功能类型。部分语义模糊的数据，通过实地调查、百度街景验证等方法确定功能类型。最终将数据分为公共管理与公共服务、商业服务业、工业、居住、公用设施、绿地广场、道路交通设施和物流仓储8大类、17小类（表1）。其中2005年由于缺少物流仓储数据，共有7大类16小类。
表1 POI类型划分体系

Tab. 1 POI classification system

功能类型 编号 用地类型 主题词
公共管理与公共服务 1 行政办公 机关单位、政府、公检法、党派团体……
2 文化设施 图书馆、展览馆、博物馆、文化宫、美术馆……
3 教育科研 幼儿园、成人教育、高等教育、小学、中学、科研机构……
4 体育设施 体育馆、游泳馆……
5 医疗卫生 综合医院、专科医院、防疫站、卫生院、急救中心……
6 其他公共服务 福利机构、文物古迹、宗教寺庙、养老院、孤儿院……
商业服务业 7 商业设施 小吃快餐店、蛋糕甜品店、咖啡厅、西餐厅、中餐厅、酒吧、宾馆、酒店、快捷酒店、旅馆、民宿、商场、购物中心、超市、便利店、风景区、游乐园、营业厅、美容美发……
8 商务办公 银行、证券公司、保险公司、信用社、投资理财、新闻出版、广播电视、旅行社、事务所……
9 娱乐康体设施 电影院、剧院、网吧、KTV、剧院、洗浴按摩……
10 公共设施营业网点 加油站、加气站、电信、移动、联通、邮政营业网点……
11 其他服务设施 培训机构、汽车维修、私人诊所、汽车美容……
工业 12 工业 机械制造、冶金化工、纺织工业、食品加工、家居建材……
居住 13 居住 小区、别墅、家属院……
物流仓储 14 物流仓储 物流速递、快递点、仓储、仓库……
道路与交通 15 道路与交通设施 公交站、公共停车场、火车站、汽车站、高铁站……
公用设施 16 公用设施 水电站、环境设施、邮政支局……
绿地与广场 17 绿地与广场 公园、广场、绿地……

2.2.2 空间扩张指数

城市扩展指数（UERI）被广泛应用于城市扩张研究[32]，其计算公式如下：
U E R I = U A t 2 - U A t 1 U A t 1 × ( t 2 - t 1 ) × 100 %
式中： U A t 1和 U A t 2分别表示初始年份 t 1和结束年份 t 2的城市面积。

2.2.3 功能扩张测度

（1）最近邻指数（NNI）。常用来测度观测样本的集聚程度，本研究根据NNI分析不同城市功能的集聚程度变化。NNI大于1说明城市功能趋于扩散，NNI等于1说明城市功能随机分布，NNI小于1说明城市功能趋于集中分布，NNI值越小，集聚程度越明显。
（2）核密度估计。核密度分析一般用于计算要素在其周围邻域的密度，本研究通过核密度分析可以判断城市功能的空间集聚程度与空间分布。结合不同时期城市功能核密度值，可以分析各功能要素的时空分布变化。相关研究显示，搜索半径的选择会影响核密度估计结果，不同搜索半径将会产生不同表面光滑度的分析结果[33-34]。本研究利用 ArcGIS软件，经过多次调试最终以800 m为搜索半径，对各功能要素进行核密度分析。在本文中，以POI数据为样本数据，将每个POI点设为 x 1 , x 2 , … , x n，则核密度函数 f x计算公式如下：
f x = 1 r 2 ∑ i = 1 n k ( x - x i ) r
式中： r为搜索半径； n是搜索半径内POI点的数量； k表示权重函数； x - x i为样本点 x到核心点 x i的距离。其几何意义是密度值在每个核心POI点 x i处最大，且密度值在远离 x i过程中不断降低，直至与核心点 x i的距离达到阈值 r时核密度值变为0[35]。
（3）标准差椭圆。该参数不仅可以辨识城市功能扩张的方向性与扩展范围[35]，还可以估测活动空间的面积。具体而言，中心点表示活动空间的中心，椭圆长半轴反映各功能要素布局的主要方向，短半轴则表示各点功能要素分布的范围，长短半轴之比与1差距越大，代表功能布局的方向性就越强，旋转角反映了功能空间布局方向的偏离程度。

2.2.4 功能演替测度

区位熵指标常被用来分析区域主导产业的相对专业化程度，本文通过该指数分析开封市主城区各类POI在街区中的优势程度。计算公式如下：
L Q i j = q i j / q j q i / q
式中： L Q i j为研究区域内第 j个街区、第 i种城市功能的区位熵值； q i j指第 j个街区、第 i种功能POI的数量； q i和 q j分别指第 i种功能POI总量和第 j个街区内POI的总量； q指研究区范围内所有类型POI的数量。当 L Q i j大于1时，说明 j个街区、第 i种功能具有优势，则 j街区的主导功能为 i功能。通过不同年份各街区 L Q i j的变化分析功能演替特征。

3 研究区概况与数据来源

3.1 研究区概况

开封市是“八朝古都”，2003年“郑汴一体化”政策实施以来，城市扩展速度较快，新城区发展迅速，这对整个城市的功能演变产生重要影响，进而导致城市新老城区功能演替、功能扩散变化剧烈。同时，作为中原城市群核心区的中心城市之一，开封市的功能扩张与演替在中小城市中具有代表性。另外，1954年前，开封市作为省会城市，有着良好的工业产业基础。然而，随着产业转型，开封市逐渐转变为旅游城市，从城市整个空间结构来看，退二进三政策实施效果和城市功能演替进程明显。因此，本文选取开封市龙亭区、顺河回族区、鼓楼区、禹王台区4个区（主城区）中的27个乡镇/街道，640个街区为研究单元（图2），对开封市的功能扩张和演替进行分析。
图2 开封市街区分布

Fig. 2 Study area of Kaifeng city

3.2 数据来源与精度验证

采用空间分辨率为30 m的Landsat遥感影像数据，获取时间为2005、2010、2015、2018年，数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn）。利用ArcGIS对各时期的影像数据进行几何校正，提取城市建成区用地以观察不同时期的用地扩张特征，同时与POI数据结果进行对比。
基于高德地图平台获取开封市2005—2020年全类型POI数据，每条数据包含名称、地址、电话、类型、经纬度、市、县、乡镇、邮政编号等属性。由于原始POI数据种类冗杂且划分标准不明确，各类数据点之间存在重复交叉的现象，本研究通过语义分析对其进行重新划分。以2020年为例，共获取开封市辖区范围内POI数据154 842条，经处理最终得到主城区内数据49 908条。将三级/四级道路围合的区域定义为街区，结合2022年Openstreet Map地图服务数据，得到640个街区。
为了评估POI数据的质量，将获取的POI数据与百度街景进行对比验证。以2020年为例，按照1%的比例随机抽取6个地块（ID），然后对地块内的POI点（FID）再以1%比例随机抽样进行比对。抽取样本情况如表2所示，将原始样本数据与百度街景地图进行对比，最终结果显示两者吻合度较好，结果如图3所示。
表2 随机抽取样本数据

Tab 2 Random sample data

ID FID 编号 POI点名称
52 26525 a 未来美好家园
26812 j 沐乐幼儿园
138 17117 k 盼盼木门
210 21138 c 开封新区卫生局卫生监督所
26259 b 彭记宫廷糕点
365 47148 e 开封市顺河区姚永军诊所
47711 d 开封空分集团有限公司(公园路)
457 3541 f 集英花园
4111 h 开封市晋安小学
581 18758 g 岁岁羊(黄河路店)
22945 i 城市花园(西环城路北段)
图3 POI数据与百度街景对比结果

Fig. 3 Comparison of POI data and Baidu Street View

4 结果及分析

4.1 空间扩张特征分析

开封市2005—2020年活动空间的面积不断增加（图4），活动空间的面积由2005年的20.37 km2增加到2020年的31.63 km2。城市活动空间整体呈现向西扩张的特征，这主要是因为郑汴一体化政策作用下城市新城区发展所致。与遥感数据相比，基于POI数据识别的活动空间面积相对较小。2005年，基于Landsat识别的城市建成区面积为69.43 km2，至2020年，该面积高达88.45 km2。2000—2015年中国城市的建成区处于快速扩张的阶段[36]，土地城镇化快于人口、经济、生活方式城镇化[37-38]。遥感影像能很好的反映这种土地城镇化格局变化，也即建成区面积变化。同时，活动空间面积占建成区面积的比重相对稳定，其值保持在0.25~0.35之间。这也反映了开封市建成区扩张过快，城市内涵式发展存在不足的特征。
图4 开封市功能空间扩张格局

Fig. 4 Kaifeng's functional space expansion pattern

另外，活动空间与建成区面积增长速度差异较大。活动空间前10年的扩张速度远远低于后10年，其中2005—2015年的年均扩张速度为3.5%，2010—2020年的年均扩张速度增加至5.1%。然而，建成区面积呈相反的趋势。2005—2015年的建成区面积年均扩张速度为1.7%，而2010—2020年的年均扩张速度仅为0.7%。这主要是因为城市快速扩张的发展方式已发生转变，随着建设用地扩张带来的资源、环境、社会等问题不断激化，城市发展走向由外延扩张到内涵发展的模式[39]。城市建成区面积的扩张速度日趋渐微，在既定城市空间边界内，社会经济活动的集聚、扩散更加多样、频繁。

4.2 集聚特征分析

2005—2020年间开封市城市功能总体呈现显著集聚的空间分布特征（图5）。在1%的置信水平下，所有POI点的NNI范围在0.241~0.467之间变化，远小于1。具体而言，商业服务活动的集聚程度 最高[40-41]，其NNI值在0.225~0.421之间。这主要与城市资本循环的特性密切相关，作为城市内外协同发展的中心功能，商业服务活动处于集聚状态才能发挥最大外部性[29]。然而，商业服务活动的集聚程度经历了先增加后降低的过程，NNI值在2005—2015年由0.421降低至0.225，2020年又增加到0.243。这主要是由于新城区、自贸区的发展，开封市主城区经历了老城区商业服务活动、商务办公活动向外围扩散、新城区商业服务活动再集聚的空间过程。
图5 2005—2020年开封市各类功能集聚程度变化

Fig. 5 Changes in the degree of agglomeration of various functions in Kaifeng from 2005 to 2020

公共管理与公共服务活动的集聚程度仅次于商业服务活动，NNI值的范围在0.279~0.551之间。可以发现，公共管理与公共服务功能依然具有显著集聚特征。然而，公平和效率是城市公共服务设施配置的基本原则，其空间供给应该在保证服务质量的前提下，确保所有居民均能公平地享受这类服务[42-43]。因而，城市公共管理与公共服务功能配置有待完善与优化。居住功能表现出相对较弱的集聚特征[44]，其NNI值在0.571~0.920之间。2005年NNI值为0.920，城市居住功能配置相对均衡。2010—2020年NNI值逐渐增加，功能集聚程度加强，这主要是由于城市功能分区规划造成的职住分离所致。工业活动呈现由分散逐渐转向集聚的特征，2005—2015年NNI值从1.059下降到0.433，到2020年， NNI值又上升到0.527。这主要是由于退二进三政策的影响，工业活动由中心城区扩散、迁移至边缘区，呈现短期的分散特征。但是，工业活动本身具有规模经营优势，使得工业活动又呈现集聚分布特征。
2005—2020年开封市不同城市功能的集聚空间变化差异显著（图6）。商业服务功能呈现出明显的中心外围结构，其单中心的分布特征与大城市多中心的空间结构相比具有明显差异[37,45]。如上所述，虽然商业服务活动的集聚程度在2015—2020年有所下降，但其空间分布依然高度集中于老城区传统的商业中心。与商服功能相同，公共管理与公共服务功能也表现出在老城区集聚的中心外围结构，新城区功能配置较为薄弱。这种资源分配不均衡的现象将不利于提高居民的生活品质和社会发展的公平正义。居住功能的空间分布整体呈现多中心的结构，新城区功能发展较为集聚，这与公共服务功能的空间特征形成对比。但作为服务于大众的社会性基础设施[42]，公共服务功能的配置应该与居住功能加强对接，2种功能之间要加强互动、协同发展。工业功能结构由分散逐渐转向集聚，主要在城市外围集聚，空间分布较为合理。2015年以后，工业活动呈现向西南方向扩张的趋势较为明确，且在新城区集聚。这就要求工业活动的布局与其他功能协调发展，更好的促进城市发展。
图6 开封市各类功能空间分布范围及格局变化

Fig. 6 Spatial distribution range and pattern change of functions in Kaifeng

4.3 主导功能演替分析

作为城市的中心功能，商业服务功能的专业化程度较高，功能优势显著（图7）。其中，商业服务又主要分为2种不同类型的功能。一方面，商业服务为城市居民的日常生活提供服务。另一方面，商务办公功能为城市的生产性服务业提供便利。两者不仅对城市内部的居民生活服务，更对城市以及区域内外的产业联系提供保障。
图7 开封市各街区主导功能变化

Fig. 7 Changes in the leading functions of each block in Kaifeng

就商业服务功能而言，2005—2020年区位熵值大于1的街区数量逐渐增加，但专业化程度呈现下降趋势。特别地，2010年以后，商业服务功能的优势逐渐向新城区转移。可以看出，老城区旧商业中心（振河商业城）的传统优势逐渐减弱，而新城区的万达广场商业服务功能优势突显。这主要是由于商业服务功能的分散发展，导致城市中心在吸引大型商业服务方面与新区相比处于劣势[29]。
商务办公功能整体分布与工业发展具有一致性，呈现出功能优势向西转移的趋势，但城市东区的精细化工、产业园区等功能优势依然显著。另外，相对商业服务功能而言，商务办公功能呈现更强的专业化程度，这主要是因为商务办公对于设施和环境的要求较高。
另外，2005—2020年商业服务与商务办公功能的区位熵值均大于1的街区数量逐渐增加。在空间分布上，复合功能的街区表现出向西扩张的变化特征。整体而言，复合功能的街区主要分布在大型居住区、大型商场以及产业园区家属院附近，这些街区活力高，居民生活便捷度高。如永合丽景、御景城、御龙湾这些大型居住区附近均有大型购物商场的分布，东郊的东泰生活区、化建道南社区、开阀生活区等附近功能的多样性较高。2005—2015年复合功能的街区主要分布在老城区，然而，2020年新城区商业中心的出现，导致复合功能向西扩张。例如森林半岛与万达广场的结合使得新城区功能复合度提升，幸福里与三毛购物广场的结合提高了城市北部的街区活力，而东郊的职住平衡得到进一步优化。

5 讨论

本文旨在利用POI数据探究城市功能的扩张与演替特征，选取长时序的数据分析时空变化特征。与遥感数据相比，POI数据能更好地揭示城市活动空间的扩张特征，且可以通过分析反映城市不同功能的扩张变化和演替特征。弥补了传统数据的局限性，从而为城市空间规划的研究提供理论和技术支撑，也为城市更新、可持续发展以及国土空间规划提供新的思路。然而，本文存在以下不足：
（1）POI数据自身的缺陷会给研究结果带来一定不确定性。虽然POI数据量大、更新快、可访问性强，涵盖了地理实体的空间和属性信息，但是规模、等级等信息依然缺失。另外，POI数据在某些区域的稀疏性也会影响功能识别结果。虽然本研究通过比值、比重等统计参数表征功能扩张与演变，一定程度上降低了POI数据采样不均衡性的影响。但是为了提高研究的稳健性，多源数据融合方法的建立将是值得肯定的方向。
（2）城市功能的多样性与复合性有待深入研究。本质上，城市功能是交错分布、有机融合的。并且，随着互联网与信息通信技术的发展，城市功能的复合性也愈发突出。本研究目前仅从功能集聚与扩散特征分析了其空间演替过程，多种功能的有机融合特征也有待进一步揭示。

6 结论

采用开封市主城区2005—2020年POI数据，利用城市扩张指数、核密度分析、标准差椭圆等空间统计指标分析城市社会经济活动的集聚与扩散变化，利用区位熵方法识别不同街区的主导功能，从而对城市复合功能的扩张与演替特征进行分析。主要结论如下：
（1）城市活动空间面积逐年增加，与遥感数据反映的建成区面积相比，基于POI数据识别的活动空间面积相对较小，城市人口、经济城镇化速度慢于土地城镇化进程。存量规划时代，城市活动空间扩张速度不断加快，遥感数据对这种社会经济空间扩张敏感性较差，POI数据则能有效反映活动空间的演替特征。
（2）城市各种活动的集聚、扩散过程造成不同功能的演替变化。商业服务功能呈现显著的集聚特征，虽然新城区发展造成传统CBD集聚程度有所下降，但开封市单中心的城市空间结构依然没有发生变化。公共管理与公共服务功能也表现出在老城区集聚的中心外围结构，新城区的功能供给有待提高。居住功能由功能配置相对均衡逐渐变为集聚分布，职住分离愈加明显。工业功能整体呈现由分散逐渐转向集聚的特征，在退二进三的过程中由中心城区扩散、迁移至边缘区，随后又迅速集聚。
（3）具有复合功能的城市街区不断增多，对单中心的城市结构形成有益支撑。以商业服务和商务办公为主导功能的街区数量不断增加，以商业服务为主导功能的街区数量大于以商务办公为主导功能的街区数量，但商务办公功能的专业化优势更加突出。商业服务和商务办公复合功能明显的街区在空间上表现出向西扩张的特征，主要分布在活力高、居民生活较为便捷的大型居住区、购物商场、产业园区共区位街区。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Crooks A, Pfoser D, Jenkins A, et al. Crowdsourcing urban form and function[J]. International Journal of Geographical Information Science, 2015, 29(5):720-741. DOI:10.1080/13658816.2014.977905

DOI

[2]
Cai L, Xu J, Liu J, et al. Sensing multiple semantics of urban space from crowdsourcing positioning data[J]. Cities, 2019, 93:31-42. DOI:10.1016/j.cities.2019.04.011

DOI

[3]
Gao S, Janowicz K, Couclelis H. Extracting urban functional regions from points of interest and human activities on location-based social networks[J]. Transactions in GIS, 2017, 21(3):446-467. DOI:10.1111/tgis.12289

DOI

[4]
薛东前, 万斯斯, 马蓓蓓, 等. 基于城市功能格局的西安市文化产业空间集聚研究[J]. 地理科学, 2019, 39(5):750-760.

DOI

[Xue D Q, Wan S S, Ma B B, et al. Spatial agglomeration of cultural industry of Xi'an City based on urban functional pattern[J]. Scientia Geographica Sinica, 2019, 39(5):750-760.] DOI:10.13249/j.cnki.sgs.2019.05.006

DOI

[5]
叶强, 莫正玺, 许乙青. 1979—2014年长沙市城市功能用地扩展与驱动力研究[J]. 地理研究, 2019, 38(5):1063-1079.

DOI

[Ye Q, Mo Z X, Xu Y Q. The expansion and driving forces of the functional space land: A case study of Changsha from 1979 to 2014[J]. Geographical Research, 2019, 38(5):1063-1079.] DOI:10.11821/dlyj020171193

DOI

[6]
Zhou G L, Li C G, Zhang J. Identification of urban functions enhancement and weakening based on urban land use conversion: A case study of Changchun, China[J]. PLoS One, 2020, 15(6):e0234522. DOI:10.1371/journal.pone.0234522

DOI

[7]
Zhou W, Ming D P, Lv X W, et al. SO-CNN based urban functional zone fine division with VHR remote sensing image[J]. Remote Sensing of Environment, 2020, 236:111458. DOI:10.1016/j.rse.2019.111458

DOI

[8]
Liu Y, Liu X, Gao S, et al. Social sensing: A new approach to understanding our socioeconomic environments[J]. Annals of the Association of American Geographers, 2015, 105(3):512-530. DOI:10.1080/00045608.2015.1018773

DOI

[9]
McKenzie G, Janowicz K, Gao S, et al. POI pulse: A multi-granular, semantic signature-based information observatory for the interactive visualization of big geosocial data[J]. Cartographica: the International Journal for Geographic Information and Geovisualization, 2015, 50(2):71-85. DOI:10.3138/cart.50.2.2662

DOI

[10]
Long Y, Liu X J. Automated identification and characterization of parcels with OpenStreetMap and points of interest[J]. Environment and Planning B: Planning and Design, 2016, 43(2):341-360. DOI:10.1177/0265813515604767

DOI

[11]
Zhai W, Bai X Y, Shi Y, et al. Beyond Word2Vec: An approach for urban functional region extraction and identification by combining Place2vec and POIs[J]. Computers, Environment and Urban Systems, 2019, 74:1-12. DOI:10.1016/j.compenvurbsys.2018.11.008

DOI

[12]
Liu K, Yin L, Lu F, et al. Visualizing and exploring POI configurations of urban regions on POI-type semantic space[J]. Cities, 2020, 99:102610. DOI:10.1016/j.cities.2020.102610

DOI

[13]
Janowicz K. Observational. Visualizintology engineering[J]. Transactions in GIS, 2012, 16(3):51-374. DOI:10.1111/j.1467-9671.2012.01342.x

DOI

[14]
Hu Y F, Han Y Q. Identification of urban functional areas based on POI data: A case study of the Guangzhou economic and technological development zone[J]. Sustainability, 2019, 11(5):1385. DOI:org/10.3390/su11051385

DOI

[15]
Hu Y J, Adams B. Harvesting big geospatial data from natural language texts[M]// Handbook of Big Geospatial Data. Springer, Cham, 2021:487-507.

[16]
Zhou X L, Zhang L. Crowdsourcing functions of the living city from Twitter and Foursquare data[J]. Cartography and Geographic Information Science, 2016, 43(5):393-404. DOI:10.1080/15230406.2015.1128852

DOI

[17]
Qian J L, Liu Z, Du Y Y, et al. Quantify City-level dynamic functions across China using social media and POIs data[J]. Computers, Environment and Urban Systems, 2021, 85:101552. DOI:10.1016/j.compenvurbsys.2020.101552

DOI

[18]
Jiang S, Alves A, Rodrigues F, et al. Mining point-of-interest data from social networks for urban land use classification and disaggregation[J]. Computers, Environment and Urban Systems, 2015, 53:36-46. DOI:10.1016/j.compenvurbsys.2014.12.001

DOI

[19]
陈世莉, 陶海燕, 李旭亮, 等. 基于潜在语义信息的城市功能区识别——广州市浮动车GPS时空数据挖掘[J]. 地理学报, 2016, 71(3):471-483.

DOI

[Chen S L, Tao H Y, Li X L, et al. Discovering urban functional regions using latent semantic information: Spatiotemporal data mining of floating cars GPS data of Guangzhou[J]. Acta Geographica Sinica, 2016, 71(3):471-483.] DOI:10.11821/dlxb201603010

DOI

[20]
Yan L X, Wang D, Zhang S W, et al. Understanding urban centers in Shanghai with big data: Local and non-local function perspectives[J]. Cities, 2021, 113:103156. DOI:10.1016/j.cities.2021.103156

DOI

[21]
Cao R, Tu W, Yang C X, et al. Deep learning-based remote and social sensing data fusion for urban region function recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163:82-97. DOI:10.1016/j.isprsjprs.2020.02.014

DOI

[22]
Hu S, Gao S, Wu L, et al. Urban function classification at road segment level using taxi trajectory data: A graph convolutional neural network approach[J]. Computers, Environment and Urban Systems, 2021, 87:101619. DOI:10.1016/j.compenvurbsys.2021.101619

DOI

[23]
曹元晖, 刘纪平, 王勇, 等. 基于POI数据的城市建筑功能分类方法研究[J]. 地球信息科学学报, 2020, 22(6):1339-1348.

DOI

[Cao Y H, Liu J P, Wang Y, et al. A study on the method for functional classification of urban buildings by using POI data[J]. Journal of Geo-Information Science, 2020, 22(6):1339-1348.] DOI:10.12082/dqxxkx.2020.190608

DOI

[24]
Rodrigues F, Alves A, Polisciuc E, et al. Estimating disaggregated employment size from points-of-interest and census data: From mining the web to model implementation and visualization[J]. International Journal on Advances in Intelligent Systems, 2013, 6(1):41-52.

[25]
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:10.1016/j.cities.2019.102563

DOI

[26]
薛冰, 赵冰玉, 肖骁, 等. 基于POI大数据的资源型城市功能区识别方法与实证——以辽宁省本溪市为例[J]. 人文地理, 2020, 35(4):81-90.

[Xue B, Zhao B Y, Xiao X, et al. A poi data-based study on urban functional areas of the resources-based city: A case study of Benxi, Liaoning[J]. Human Geography, 2020, 35(4):81-90.] DOI:10.13959/j.issn.1003-2398.2020.04.011

DOI

[27]
Yu L, Yu T, Wu Y X, et al. Rethinking the identification of urban centers from the perspective of function distribution: A framework based on point-of-interest data[J]. Sustainability, 2020, 12(4):1543

DOI

[28]
Ordnance Survey. oints of interest. http://www.ordnancesurvey.co.uk/businessand-government/products/points-of-interest.html, February 2014

[29]
关于, 阳建强. 城市中心区功能要素的构成、关联与分布——基于资本循环的演替分析[J]. 城市规划, 2019, 43(4):15-23.

[Guan Y, Yang J Q. Composition, relevance, and distribution of functional elements in city center: Based on the evolutional analysis of capital circulation[J]. City Planning Review, 2019, 43(4):15-23.] DOI:10.11819/cpr20190404a

DOI

[30]
吴佳楠, 储君, 孙裔煜, 等. SOFM网络下的深圳市城市用地功能识别分析[J]. 北京大学学报(自然科学版), 2022, 58(4):664-672.

[Wu J N, Chu J, Sun Y Y, et al. Analysis of urban land use function identification in Shenzhen based on SOFM network[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2022, 58(4):664-672.] DOI:10.13209/j.0479-8023.2022.060

DOI

[31]
中华人民共和国住房和城乡建设部. 城市用地分类与规划建设用地标准: GB 50137—2011[S]. 北京: 中国计划出版社, 2012.

[Ministry of Housing and Urban-Rural Development of the People's Republic of China. Code for classification of urban land use and planning standards of development land: GB 50137—2011[S]. Beijing: China Planning Press, 2012.]

[32]
Liu G L, Li J Y, Nie P. Tracking the history of urban expansion in Guangzhou (China) during 1665-2017: Evidence from historical maps and remote sensing images[J]. Land Use Policy, 2022, 112:105773. DOI:10.1016/j.landusepol.2021.105773

DOI

[33]
Heidenreich N B, Schindler A, Sperlich S. Bandwidth selection for kernel density estimation: A review of fully automatic selectors[J]. AStA Advances in Statistical Analysis, 2013, 97(4):403-433. DOI:10.1007/s10182-013-0216-y

DOI

[34]
张景奇, 史文宝, 修春亮. POI数据在中国城市研究中的应用[J]. 地理科学, 2021, 41(1):140-148.

DOI

[Zhang J Q, Shi W B, Xiu C L. Urban research using points of interest data in China[J]. Scientia Geographica Sinica, 2021, 41(1):140-148.] DOI:10.13249/j.cnki.sgs.2021.01.015

DOI

[35]
Hu C, Liu W, Jia Y, et al. Characterization of territorial spatial agglomeration based on POI data: A case study of Ningbo City, China[J]. Sustainability, 2019, 11(18):5083. DOI:10.3390/su11185083

DOI

[36]
瞿诗进, 胡守庚, 李全峰. 中国城市建设用地转型阶段及其空间格局[J]. 地理学报, 2020, 75(7):1539-1553.

DOI

[Qu S J, Hu S G, Li Q F. Stages and spatial patterns of urban built-up land transition in China[J]. Acta Geographica Sinica, 2020, 75(7):1539-1553.] DOI:10.11821/dlxb202007015

DOI

[37]
王富喜. 山东半岛城市群人口-土地城镇化质量测度与协调发展研究[J]. 地理科学, 2020, 40(8):1345-1354.

DOI

[Wang F X. Study on the quality measurement and coordinated development of population-land urbanization in Shandong peninsula urban agglomeration[J]. Scientia Geographica Sinica, 2020, 40(8):1345-1354.] DOI:10.13249/j.cnki.sgs.2020.08.014

DOI

[38]
吴一凡, 刘彦随, 李裕瑞. 中国人口与土地城镇化时空耦合特征及驱动机制[J]. 地理学报, 2018, 73(10):1865-1879.

DOI

[Wu Y F, Liu Y S, Li Y R. Spatio-temporal coupling of demographic-landscape urbanization and its driving forces in China[J]. Acta Geographica Sinica, 2018, 73(10):1865-1879.] DOI:10.11821/dlxb201810004

DOI

[39]
施卫良, 邹兵, 金忠民, 等. 面对存量和减量的总体规划[J]. 城市规划, 2014, 38(11):16-21.

[Shi W L, Zou B, Jin Z M, et al. Master plan targeted at stock and decrement[J]. City Planning Review, 2014, 38(11):16-21.] DOI:10.11819/cpr20141104s

DOI

[40]
浩飞龙, 王士君, 冯章献, 等. 基于POI数据的长春市商业空间格局及行业分布[J]. 地理研究, 2018, 37(2):366-378.

DOI

[Hao F L, Wang S J, Feng Z X, et al. Spatial pattern and its industrial distribution of commercial space in Changchun based on POI data[J]. Geographical Research, 2018, 37(2):366-378.] DOI:10.11821/dlyj201802010

DOI

[41]
顾梦瑶, 李娟, 赵晓峰. 基于POI数据的贵阳市服务业空间格局及其影响因素[J]. 西南师范大学学报(自然科学版), 2019, 44(12):59-69.

[Gu M Y, Li J, Zhao X F. Spatial pattern of service industries and its influencing factors in Guiyang based on POI data[J]. Journal of Southwest China Normal University (Natural Science Edition), 2019, 44(12):59-69.] DOI:10.13718/j.cnki.xsxb.2019.12.011

DOI

[42]
湛东升, 张文忠, 张娟锋, 等. 北京市公共服务设施集聚中心识别分析[J]. 地理研究, 2020, 39(3):554-569.

DOI

[Zhan D S, Zhang W Z, Zhang J F, et al. Identifying urban public service facilities centers in Beijing[J]. Geographical Research, 2020, 39(3):554-569.] DOI:10.11821/dlyj020190117

DOI

[43]
张文忠. 宜居城市建设的核心框架[J]. 地理研究, 2016, 35(2):205-213.

DOI

[Zhang W Z. The core framework of the livable city construction[J]. Geographical Research, 2016, 35(2):205-213.] DOI:10.11821/dlyj201602001

DOI

[44]
段亚明, 刘勇, 刘秀华, 等. 基于POI大数据的重庆主城区多中心识别[J]. 自然资源学报, 2018, 33(5):788-800.

DOI

[Duan Y M, Liu Y, Liu X H, et al. Identification of polycentric urban structure of central Chongqing using points of interest big data[J]. Journal of Natural Resources, 2018, 33(5):788-800.] DOI:10.11849/zrzyxb.20170945

DOI

[45]
何伟纯, 李二玲, 崔之珍, 等. 开封市主城区零售商业空间布局及其影响因素[J]. 经济地理, 2018, 38(9):158-167.

[He W C, Li E L, Cui Z Z, et al. Spatial layout and influencing factors of commercial retail in main urban districts of Kaifeng[J]. Economic Geography, 2018, 38(9):158-167.] DOI:10.15957/j.cnki.jjdl.2018.09.018

DOI

Options
文章导航

/

〈 〉