EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 11: 2232 - 2248

DOI: https://doi.org/10.12082/dqxxkx.2023.230293

Research on the Spatial Distribution and Influencing Factors of the Catering Industry in Guangzhou from the Perspective of Spatial Correlation

  • WU Xueqin , 1 ,
  • HU Weiping , 1, * ,
  • WU Xibo 2
Expand
  • 1. South China Normal University, School of Geography, Guangzhou 510631, China
  • 2. Guangzhou Academy of Social Sciences, Guangzhou 510410, China
*HU Weiping, E-mail:

Received date: 2023-05-25

  Revised date: 2023-08-09

  Online published: 2023-11-02

Supported by

Guangdong Provincial Social Science Planning Project(GD21CYJ06)

Guangdong Provincial Social Science Planning Project(GD22CYJ05)

Fold

Abstract

Based on the Point of Interest (POI) big data of the catering industry and related service industries in Guangzhou in 2021, this study analyzes the spatial distribution characteristics, influencing factors, and the spatial spillover effects of the overall and subdivided catering industry in Guangzhou based on the methods of HDBSCAN clustering, Collaborative Location Quotient, and Spatial Durbin Error Model. The study mainly explores the overall and local spatial relationships between the catering industry and surrounding service industries. The results show that: 1) Different catering density areas show variations in the spatial distribution of the catering industry in Guangzhou. The catering industry in high-density areas is characterized by a muti-central agglomeration pattern, while the catering industry in low-density areas is characterized by central agglomeration with surrounding radiation. The local distribution of restaurants are related to population features, such as population density, population education level, and so on; 2) There are variations in the spatial correlation between the catering industry and its surrounding service industries across different catering density areas. Areas with high catering density have the strongest spatial correlation, while areas with moderate catering density have the weakest spatial correlation; 3) the influence of surrounding service industries on different types of catering industry also varies. In general, the spatial correlation strength from strong to weak is as follows: fast restaurants, dinner restaurants, snack bars, and cold beverage shops. The local spatial differences are similar but the spatial difference of dining restaurants is the most obvious; 4) The estimation results of the Spatial Durbin Error Model at the street-town scale show that transportation facilities services, shopping services, and population size have the most direct impact on the POI number of local catering industries, with obvious spatial spillover effects. Both the population size and surrounding service industries are the main factors that influence the spatial distribution of fast food restaurants, while dinner restaurants, snack bars, beverage shops, and other catering industries are easily affected by transportation facilities and shopping services. In general, from the perspective of spatial correlation, this study deepens the research on the location theory of service industries. It also provides references for the study of commercial geography and the optimization and adjustment of the spatial pattern of the catering industry in big cities.

Key words： catering industry; POI data; spatial correlation; co-location quotient; spatial durbin error model; Guangzhou city

Cite this article

WU Xueqin , HU Weiping , WU Xibo . Research on the Spatial Distribution and Influencing Factors of the Catering Industry in Guangzhou from the Perspective of Spatial Correlation[J]. Journal of Geo-information Science, 2023 , 25(11) : 2232 -2248 . DOI: 10.12082/dqxxkx.2023.230293

1 引言

随着数字经济时代的到来，外卖、餐饮直播等新业态快速兴起，城市内部的餐饮经济结构发生巨大变革，微观层面的餐饮业发展分布与区位等问题受到更多学者的重视[1⇓⇓⇓-5]。结合大数据技术开展微观层面餐饮空间分布的相关研究对于研究城市餐饮业的未来发展规划问题具有一定的实践价值和指导意义。此外，传统的经济地理与城市地理理论多从中观、宏观的角度出发，对于微观层面餐饮业空间分布与影响的理论解释具有局限性，亟待进一步加强。
国内外经济地理学中关于服务业区位论与分布格局的研究由来已久。早在20世纪中叶就已出现克里斯泰勒的中心地理论，艾萨德的空间区位论等传统的古典区位论[6-7]; 20世纪末到21世纪初的区位论发展经历了许多阶段，在实现研究内容由静态转为动态、研究区域由局部转为区域总体等转变后逐渐成熟。大多数传统理论更加注重讨论经济与空间因素的影响而忽略其他非经济因素的影响[8-9]。随着信息化产业的发展与数字经济时代的到来，越来越多的学者立足传统的经济与区域理论，结合新数据、新方法等讨论传统理论在当前趋势下的新发展[10⇓-12]。
近年来，大数据以其易于获取、更新快、数据量大等优点受到国内外学者的广泛关注，已有众多学者结合大数据技术开展了餐饮空间相关研究。从研究尺度与内容上来说，大多数学者立足城市产业发展，从宏观与中观层面出发聚焦城市餐饮业的空间格局[13]、空间差异[14]与空间平衡[15]等问题，讨论经济水平、城市空间格局和交通[16]、人口[17]、产业结构与旅游活力[15]等各类因素对餐饮市场的影响。少部分学者从微观层面出发，分析空间吸引与相关角度下餐饮业的空间集聚与演变等问题，并进一步讨论了区位因素对餐饮业的影响[18⇓-20]。在研究区域方面，较多的学者倾向于结合大数据分析上海[10]、广州[21]、南京、北京等典型大城市的中心城区餐饮业空间分布、演化特征及其影响因素。徐晓宇等[17]结合大众点评餐馆数据与CFSFDP聚类算法分析了北京市餐饮业的内在集聚特征与影响因素。曾璇等[20]基于多期餐饮业POI数据分析了广州市餐饮业演变特征及其与周边公交站、写字楼、园区、地价等因素的相关问题。Tang等[18]基于大众点评数据从空间吸引的视角出发，分析了南京市餐饮业受住宅区影响的空间演化特征及其影响因素。从研究方法上来说，大部分的学者结合大数据与空间自相关、空间计量模型等方法从计量与空间相关性的角度研究讨论餐饮业空间格局的影响，不能很好的分析餐饮业影响的空间因素及其差异。总的来说，缺少从其他研究视角出发使用新的研究方法考虑餐饮业空间影响问题的研究。
总的来说，目前关于餐饮业的空间分布与影响方面的研究成果较为丰富，但仍存在一定的不足，主要包括以下两点： ① 当前研究尺度偏向中观和宏观方面，研究视角上多从空间聚类与空间相关的角度出发，较少从服务业区位与空间关联的角度考虑餐饮业的微观分布与影响因素问题; ② 有关研究方法上偏向从空间相关的角度出发，对于餐饮业的空间因素及其关联特征、微观差异等问题的考虑较少。本研究主要从空间关联的角度出发讨论广州市餐饮业的微观分布特征与及其影响因素，尝试利用协同区位熵方法分析服务业区位因素对于不同业态与密度餐饮业的影响情况，弥补了现有研究对餐饮业的空间依赖与关联问题考虑的不足，深化了服务业区位理论在产业空间关联方面的研究，为商业地理研究与大城市餐饮业空间格局的优化调整提供相关参考。

2 研究设计

2.1 数据来源

根据2017年国家统计局发布的GB/T 4754—2017《国民经济行业分类》[22]文件中关于餐饮业的说明将高德地图上获取的广州市2021年3月的16.78万条餐饮业POI数据划分为正餐餐厅、快餐厅、小吃店与饮料及冷饮店四大类。基于统计局2019年印发的《生活性服务业统计分类(2019)》[23]文件，选取高德地图的2021年3月广州市交通设施服务、购物服务、医疗服务、教育服务、风景名胜与商务住宅六大类服务业POI数据共17.07万条，用以分析餐饮业与这些要素的空间关联特征及影响情况。其中，POI数据的采集处理流程包括数据爬取（由于高德地图服务有反爬虫机制，爬取POI数据时间存在时间跨度）、将不同时间点采集数据汇总、导入PostgreSQL数据库、在数据库中采用SQL语言清洗（如部分POI数据重要属性缺失、类型字段存在多值现象等）、坐标变换、基于QGIS平台进行空间核对（如查看POI数据是否在研究区范围内等），在此基础上根据需要进行POI数据查询、制图、空间分析等，具体流程见图1所示。经过查重、信息补全与分类后的POI点数量具体情况见表1所示。
图1 POI数据预处理流程

Fig. 1 Flow chart of POI data preprocessing

表1 2021年POI数据类型及数量

Tab. 1 Type and quantity of POI data in 2021

POI类型 类别细分 数量/万条
餐饮业 正餐服务 地方菜、火锅、酒楼等 8.95
快餐服务 中式快餐店、肯德基、麦当劳等 1.61
小吃服务 面点、粉类、炸串、甜品等 4.43
饮料及冷饮服务 奶茶店、凉茶店、茶饮店等 1.79
周边服务业 购物服务 便利店、超级市场、体育用品店等 8.08
商务住宅 写字楼、产业园区等 1.33
教育服务 中学、大学、职业学校等 0.34
风景名胜 观景点、海滩、纪念馆等 0.39
交通设施服务 公交车站、地铁站、停车场等 6.27
医疗保健服务 诊所、专科医院、综合医院 0.64
除主要的POI数据外，研究用到的辅助数据还包括广州市街镇级七普人口数据与广州市2021年街镇尺度行政区划图。对七普数据进行处理，发现广州市176个镇或街道中光塔街道、素社街道、华林街道、逢源街道、龙津街道的人口密度最高、文化水平也最高，吕田镇、良口镇、梯面镇、正果镇、派潭镇的人口密度与文化水平最差。广州市2021年街镇尺度行政区划图通过天地图官网发布的最新版2021年地图数据矢量化得到，为分析广州市不同餐饮密度区域餐饮业的分布与影响情况，这里对餐饮业POI数据进行核密度分析后按自然点间断法重分为三类，将研究区按每平方千米点密度划分为 0~44：低密度聚集区、45~167：中密度聚集区与168~507：高密度聚集区，见图2所示。
图2 广州市餐饮业核密度分区

Fig. 2 Division of kernel density for catering industry in Guangzhou

2.2 模型方法

2.2.1 技术路线

本研究主要包括三部分，分别是研究数据的预处理部分、广州市餐饮业的空间分布及其与周边服务业的关联部分以及最后的广州市餐饮业影响因素分析部分，具体的技术路线图见图3所示。
图3 研究技术路线

Fig. 3 Technical route in this study

2.2.2 空间分析方法

(1)HDBSCAN聚类
HDBSCAN聚类是在DBSCAN聚类基础上增加了层次聚类及概率的思想，根据最小聚类点数确定相互可达距离再构建最小生成树与聚类的层次结构从而实现不同密度数据的聚类，在一定程度上优于DBSCAN、K-Means等算法且表现出更好的稳健性。本研究利用HDBSCAN聚类工具对餐饮业POI数据进行聚类分析，总结广州市餐饮业的空间集聚与分布特征。
HDBSCAN算法主要定义了一种相互可达距离来测度不同密度的集群[24]。相互可达距离能够使高密度点之间保持相同的距离，处理不同密度的点集结果更稳健，其计算公式如下[25-26]：
d m r e a c h - k ( x , y ) = m a x c o r e k ( x ) , c o r e k ( y ) , d ( x , y )
式中： d m r e a c h - k ( x , y )表示 餐 馆 x与 y之间的相互可达距离，能够分离餐饮点集中的稀疏点; d ( x , y )是指餐馆 x与 y之间的距离; c o r e k ( x )、 c o r e k ( y )分别表示第 k近邻距离作为 x、 y的核心距离。
(2)协同区位熵分析
协同区位熵概念最早由Leslie[27]和Kronenfeld[28]提出，后有学者加入地理加权的思想提出局部区位熵。协同区位熵能够测量2种不同类型的点要素之间的相互吸引情况，从而判断这两类要素的空间关联模式[29]。不同于传统的空间自相关方法，该方法能够衡量两个不同类型数据之间的吸引程度从而进一步判断二者在空间上的依赖与独立情况，适用于量化感兴趣要素和另一种要素的空间关联情况。目前已有学者利用该方法开展了有关犯罪[29]、行人碰撞[30]以及经济结构[31]等问题的研究，较少有研究讨论其在商业中的应用。这里用来量化餐饮业与其周边服务业的空间关联情况，进一步分析二者之间的空间关联特征及差异。协同区位熵包括全局协同区位熵与局部协同区位熵。
全局协同区位熵(GCLQ)利用全局协同区位熵度量数据集中所有类别的空间关联，全局协同区位熵具体公式如下[27]：
G C L Q A → B = N A → B / N A N B / ( N - 1 )
式中： N表示点的总数; N A代表A类点即餐饮业POI点的规模; N B代表B类点即各类生活性服务业POI数量; N A → B代表有B类点作为最近邻点的A类点的数量; G C L Q A → B则为全局协同区位熵，能够衡量A类点即餐饮业被周边生活性服务业的吸引程度， G C L Q A → B值小于1表明两类点之间相互隔离反之则表明A类点与B类点之间的空间关联性强。
局部协同区位熵(LCLQ)则是将地理加权引入与全局协同区位熵模型，利用局部指标度量数据集中所有类别的空间关联，具体公式如下[28-29]：
L C L Q A i → B = N A i → B N B / ( N - 1 )
式中： N A i → B代表A类中点 A i带宽内B类点的地理加权平均数; L C L Q A i → B则代表局部区位熵，表示A类点 A i被B类点吸引的程度。 L C L Q A i → B值大于1表示餐馆在局部上被周围的生活性服务业即B类点吸引，二者存在局部共置模式，且该值越大吸引程度越强二者之间的空间依赖程度也越强; L C L Q A i → B值小于1表示二者空间依赖程度弱也就是点与点之间相互独立。
N A i → B = ∑ j = 1 ( j ≠ i ) N w i j f i j ∑ j = 1 ( j ≠ i ) N w i j
式中： f i j是一个二进制变量，j为B类点，则 f i j= 1，否则 f i j= 0; w i j是表示j点对i点重要性的地理权重。
w i j = e x p - 0.5 × d i j 2 d i b 2
式中： d i j代表i点与j点之间的距离; d i b则代表i点的带宽距离。
目前的带宽距离主要通过实际测量获取，另一种则是“自适应带宽”，主要利用不同的距离等级来搜索周边的邻居，Wang等[32]开展的关于犯罪类型方面的研究结果中表明基于这种自适应带宽的方法能够使结果更加可靠，本文基于五阶、十阶与二十五阶最近邻法划分不同的带宽等级。

2.2.3 影响因素分析模型

(1)空间杜宾误差模型
空间杜宾误差模型（Spatial Durbin Error Model，SDEM）综合了空间误差模型和空间杜宾模型，能够考虑自变量的空间位置及误差项对于结果的影响[33]。考虑到广州街镇层面的餐饮业POI数量存在空间自相关特征（表2），不宜采用一般线性回归模型。此外，部分自变量也可能存在空间自相关性且未能考虑到所有影响因素，因此采用空间杜宾误差模型更为合适。计算公式如下[33]：
表2 基于Queen邻接矩阵的因变量Moran's I指数

Tab. 2 Moran's I index of dependent variable based on the Queen adjacency matrix

指标 Moran's I 标准差 Z值 P值
所有餐饮业POI数量 0.133 0.047 2.918 0.004
基于熵权法的4种餐饮业POI数量之和 0.134 0.047 2.944 0.003
快餐厅POI数量 0.169 0.048 3.643 0.000
饮料冷饮POI数量 0.159 0.048 0.871 0.002
小吃POI数量 0.166 0.047 3.607 0.000
正餐餐厅POI数量 0.124 0.047 2.737 0.006
Y = μ + X β + W X θ + ε
ε = λ W ε + v
式中： Y为待解释变量，表示餐饮业POI数量; μ为截距项向量; β为各自变量的系数项向量; X为自变量矩阵，这里包括各类服务业POI数量与人口规模、区位等8种自变量; W为空间权重矩阵; θ表示解释变量的空间效应系数向量，即周边区域的各类服务业POI数量与人口规模、区位等因素对餐饮POI数量的影响情况; ε为服从正态分布的随机误差向量; λ为随机误差项的空间效应系数; v为随机误差向量。
(2)变量选择与描述
本文以广州176个街镇的餐饮业POI数量为因变量，分别探索影响广州餐饮业总体和细分业态空间格局的因素。关于餐饮业空间格局影响因素的研究中，过往研究多从经济水平、人口、交通等角度出发讨论其对餐饮业格局的影响[16-17]，较少有研究讨论餐馆周边服务业POI数量对于餐饮业空间格局的影响。这里以广州176个街镇的餐饮业POI数量为因变量，表示餐饮业的空间集聚程度，以购物服务、商务住宅、教育服务、风景名胜、交通设施服务、医疗服务六类服务业POI数量及人口规模与区位因素共8个因素为自变量（表3），讨论影响广州市餐饮业空间格局的因素。
表3 变量及其统计描述

Tab. 3 Variables and its statistical description

变量 单位 样本数/个 均值 标准差 最小值 最大值 说明
因变量Yi Yall 十个 176 95.34 84.99 3.70 552.90 4种餐饮业POI数量之和
Yewall 十个 176 24.60 22.00 0.96 143.24 基于熵权法的4种餐饮业POI数量之和
快餐厅POI数量Y1 十个 176 9.12 7.79 0.20 47.60 高德地图POI中类代码为：0503
饮料冷饮POI数量Y2 十个 176 10.17 9.00 0.00 53.20 POI中类代码为：0505、0506、0507
小吃POI数量Y3 十个 176 25.19 23.93 0.50 154.60 POI中类代码为：0508、0509
正餐餐厅POI数量Y4 十个 176 50.85 46.07 2.40 303.00 POI中类代码为：0501、1001、1002
自变量Xi 风景名胜X1 十个 176 2.23 2.36 0.00 13.20 POI中类代码为：1102
购物服务X2 十个 176 45.87 47.34 1.60 359.50 POI中类代码为：0601、0602、0603、0609
交通设施X3 十个 176 35.61 28.03 0.70 185.50 POI中类代码为：1505、1507、1508、1509
教育服务X4 十个 176 1.94 3.88 0.00 34.70 POI中类代码为：1402
医疗服务X5 十个 176 3.66 3.03 0.10 21.10 POI中类代码为：0901、0902、0903
商务住宅X6 十个 176 7.55 7.71 0.00 55.10 POI中类代码为：1201
区位X7 - 176 2.22 0.841 1.00 3.00 将广州176个街镇分成中心城区(包括越秀、天河、海珠、荔湾)、近郊区(包括黄埔、白云、番禺)及远郊区(包括从化、增城、花都、南沙)三类，分别赋值3、2、1
人口规模X8 万人 176 10.61 6.979 0.320 39.73 基于广州市2020年第七次人口普查数据

3 广州餐饮业的空间分布与及其与周边服务业的关联

3.1 餐饮业空间集聚特征

基于HDBSCAN算法对2021年广州市餐饮业POI数据进行聚类分析，结合七普人口数据与聚类分析结果分析广州市各街镇餐饮业发展空间格局的特征与差异。考虑到广州作为特大型城市，其餐饮业POI数据样本量较大，经过多次尝试后这里将餐饮业POI数据的最小聚类参数设置为1 060，即HDBSCAN聚类结果中的每一类别中至少包括1 060家餐馆。从图4的2021年广州市餐饮业HDBSCAN聚类结果中可以看出，广州市餐饮业POI数据分为24类。-1类代表噪声点，正餐餐厅在除噪声以外的所有类别中均占据较大比重。对比图1的广州市餐饮业核密度分区图与图4的聚类分析结果可以发现，1到3类为低密度聚集区域，7、10、12类为介于高密度与中密度之间的餐饮聚集区域，15到23类为高密度聚集区域，其他则为中密度聚集区域。
图4 2021年广州市餐饮业HDBSCAN聚类分析

Fig. 4 The diagram of HDBSCAN cluster analysis for catering industry in Guangzhou in 2021

高密度区域餐饮业呈现多中心集聚的特征，主要分布在鹤龙、天河南、华林等人口密度极高且学历水平较好的街道，符合此种特征的类别主要是17、20到23类等。其中，正餐和快餐业发展普遍较好，周边科创园、商业街、写字楼等业态十分密集，居民消费水平极高。
中密度区域的餐饮业多呈现网状分布或以商圈为中心集聚发展的特征，主要分布在人和镇、狮岭镇、新塘镇等面积较大但人口密度不高的区域，如5、6、8、11类等。此类餐饮业正餐餐厅数量较多且外围餐饮业发展一般，附近多为工厂聚集地，人口密度一般不高。
低密度区域的餐饮业多呈现单中心集聚、四周辐射分布的特征，主要分布在城郊街道、荔城街道等地附近，主要为1到3类。餐馆周边购物中心与交通站点分布较少，部分区域的高等院校、工厂、工业园区等分布密集，人口密度极低。
总的来说，正餐餐厅在不同密度区域始终占据主要的餐饮市场，而餐饮密度的高低与人口聚集水平和学历高低等相对应，说明餐饮业的分布与人口属性有一定的关联。此外，周边服务业态的聚集情况会导致餐馆分布产生不同的空间特征。工厂附近的餐馆多以正餐类和小吃类为主且餐馆分布稀疏，比如在鱼珠街道与云岗街道附近;高等院校聚集区域附近餐饮密度极高且种类较为丰富，比如在石牌商圈等地;附近交通发达且商圈与科技园区较多的区域餐饮密度普遍较高，且正餐与快餐类的发展较好，比如在越秀的华林、逢源等街道附近。以上结果表明广州餐饮业受周边服务业区位因素影响明显，为深入探讨广州市餐饮格局受周边各类服务业的空间影响情况，进一步利用协同区位熵方法分析餐饮业与不同服务业态的空间关联特征并利用空间杜宾误差模型进一步分析影响广州市餐馆分布的空间因素。

3.2 餐饮业与周边服务业的空间关联特征分析

为弥补现有传统理论对微观层面餐饮业的空间关联问题考虑的不足，本研究基于最近邻方法计算不同密度区域以及餐饮业细分业态与交通设施服务、购物服务、医疗服务、教育服务、风景名胜、商务住宅的全局与局部协同区位熵。通过蒙特卡洛模拟(99次迭代)确定统计显著性分析，侧重从空间关联的角度进一步分析餐饮业发展与周边服务业的全局与局部空间关联特征。

3.2.1 不同密度区域的空间关联特征

(1)全局关联特征
不同密度区域餐饮业与周边服务业不完全相关但具有一定的空间依赖。分别计算不同餐饮密度区域的餐饮业与周边服务业的五阶、十阶与二十五阶最近邻结果，发现十阶最近邻的综合结果最好。这里设置不同餐饮密度区域的餐饮业与各类服务业的自适应带宽为十阶，餐饮业与周边服务业的全局协同区位熵的结果如表4、表5所示。
表4 不同餐饮密度区域餐饮业吸引周边服务业的全局区位熵

Tab. 4 GCLQ results of surrounding service industry attracted by catering industry in different catering density areas

餐饮密度 商务住宅 教育服务 购物服务 医疗服务 交通设施服务 风景名胜
高密度 0.686 1 0.591 6 0.788 8 0.631 1 0.591 6 0.506 8
中密度 0.627 2 0.411 4 0.805 8 0.715 7 0.592 4 0.469 9
低密度 0.558 9 0.633 9 0.847 6 0.737 5 0.574 1 0.465 1

注：计算结果在0.01水平上显著。

表5 不同餐饮密度区域周边服务业吸引餐饮业的全局区位熵

Tab. 5 GCLQ results of catering industry attracted by surrounding service industry in different catering density areas

餐饮密度 商务住宅 教育服务 购物服务 医疗服务 交通设施服务 风景名胜
高密度 0.829 0 0.730 8 0.849 4 0.710 5 0.730 8 0.699 8
中密度 0.822 3 0.621 9 0.889 2 0.823 4 0.747 9 0.723 2
低密度 0.807 7 0.904 8 0.917 0 0.888 3 0.750 8 0.680 4

注：计算结果在0.01水平上显著。

综合表4、表5的结果可知，购物服务、医疗服务与餐饮业之间的空间依赖明显强于其他类服务业。此外，低餐饮密度区域的餐饮分布与教育服务、医疗服务、购物服务的全局区位熵最大，高餐饮密度区域的餐饮业与商务住宅和风景名胜的全局区位熵最大，表明餐饮业与其周边各类服务业的空间依赖程度具有空间差异性。
(2)局部关联特征
基于全局共置结果选取自适应带宽为十阶的局部协同区位熵结果，对比不同餐饮密度区域局部区位熵值的结果差异，进一步分析影响餐饮业发展的空间关联因素。将局部协同区位熵值划分为“0≤LCLQ≤0.5”、“0.6 ≤LCLQ≤1.0”、“LCLQ>1.0” 3个等级，分别表示基本无关联、空间关联性一般、空间关联程度强，见图5所示。
图5 不同密度区域餐饮业被周边服务业吸引局部协同区位熵分布

Fig. 5 Distribution map of LCLQ results of catering industry in different densities attracted by surrounding service industry

从图5中可以看出，不同密度区域的餐饮业与其周边服务业空间关联的差异各有不同：
（1）高餐饮密度区域餐饮业与周边服务业空间关联程度普遍较强。除图5(f)外，高餐饮密度区域的餐饮业与周边服务业的局部协同区位熵普遍大于1，仅外围部分区域结果小于1，说明其空间关联程度整体较强。图5(f)中仅荔湾与越秀交界处的特定区域如光孝寺、陈家祠景点附近与餐饮业的空间关联程度较高。
（2）除交通设施服务与购物服务外，中餐饮密度区域餐饮业与周边服务空间关联最弱。图5(a)、图5(d)与图5(e)中，餐饮业与写字楼、车站、商场的空间关联程度普遍较高，仅图5(a)中外围区域如城郊与街口、荔城等街道空间关联性弱。图5(b)、图5(c)、图5(f)的结果则表明餐饮业与医院、学校、景区等在中餐饮密度区域的空间关联性极弱，仅在市桥、小谷围街道部分区域空间关联稍强。
（3）低餐饮密度区域餐饮业与周边服务业空间关联差异各有不同。图5中低密度餐饮区域空间关联差异较大，如图5(f)中朱村街道与中新镇区域空间关联极弱但正果镇与良田镇部分区域空间关联却较强，而图5(d)与图5(e)的结果空间关联性普遍较强，差异较小。
总而言之，不同餐饮密度区域的餐馆受周边服务业的影响空间差异较大。高餐饮密度区域餐饮业与周边服务业空间关联程度普遍较强且空间差异较小，中餐饮密度区域餐饮业与周边服务空间关联最弱，低餐饮密度区域餐饮业与周边服务业的空间关联差异最大。就各类服务业与餐饮业的空间关联差异来说，离中心区越远写字楼对餐馆的影响越弱;商场、停车场、地铁站等对餐馆的影响在各类服务业中最显著;学校、医院与景点则与餐馆在特定区域的空间关联性极强。

3.2.2 餐饮业细分业态的空间关联特征

分别基于五阶、十阶与二十五阶最近邻计算不同类型的餐饮业与商务住宅、交通设施服务、购物服务、医疗服务、教育服务、风景名胜的全局与局部协同区位熵，根据不同餐饮类型与周边服务业协同区位分析结果的差异进一步讨论餐饮类型不同情况下，周边服务业对其影响的空间关联差异。
（1）全局关联特征
从全局关联来说不同业态餐饮业与周边服务业不完全相关但具有一定的空间依赖。分别计算正餐餐厅、快餐厅、各类小吃店、饮料及冷饮店与周边服务业的十阶最近邻结果，结果如表6、表7所示。与前面结果相同的是，所有全局区位熵的结果均低于1，餐饮业与周边服务业具有空间依赖但关联性并不强，不同服务业对餐饮业影响程度也不同。表6的所有全局区位熵结果均小于表7表明周边服务业吸引餐饮业的强度大于餐饮业对周边服务业的吸引，即在一定程度上周边的写字楼、停车场商场等的增多有利于餐饮业的发展。
表6 不同类型餐饮业吸引周边服务业的全局区位熵

Tab. 6 GCLQ results of surrounding service industry attracted by different types catering industry

餐饮类型 商务住宅 教育服务 购物服务 医疗服务 交通设施服务 风景名胜
正餐餐厅 0.652 4 0.452 0 0.806 4 0.716 6 0.623 9 0.493 6
快餐厅 0.699 9 0.522 6 0.896 3 0.762 7 0.754 3 0.512 8
小吃服务 0.564 6 0.407 3 0.828 8 0.668 4 0.582 2 0.410 9
饮料及冷饮服务 0.644 2 0.487 5 0.805 8 0.683 4 0.708 1 0.450 6

注：计算结果在0.01水平上显著。

表7 周边服务业吸引不同类型餐饮业的全局区位熵

Tab. 7 GCLQ results of different types catering industry attracted by surrounding service industry

餐饮类型 正餐餐厅 快餐厅 小吃服务 饮料及冷饮服务
商务住宅 0.795 3 0.753 8 0.735 4 0.729 3
教育服务 0.614 7 0.605 7 0.588 7 0.588 4
购物服务 0.863 8 0.928 7 0.922 3 0.844 5
医疗服务 0.777 0 0.775 4 0.765 5 0.744 0
交通设施服务 0.743 8 0.785 1 0.700 4 0.779 9
风景名胜 0.668 2 0.592 5 0.606 5 0.570 3

注：计算结果在0.01水平上显著。

(2)局部关联特征
分析不同餐饮业态与周边服务业的局部协同区位分析结果可以发现，不同餐饮类型发展的差异同样受周边写字楼、学校、超级市场、综合医院与车站等的影响。
图6为正餐餐厅、各类小吃店、快餐厅、饮品店与周边服务业的局部区位熵结果分布图。对比不同服务业态与各类餐厅的全局与局部协同区位熵结果可以发现：
图6 周边服务业吸引不同业态餐饮业的局部协同区位熵分布

Fig. 6 Distribution map of the LCLQ results of different forms of catering industry attracted by surrounding service industry

（1）快餐厅与周边服务业的空间关联程度整体上最强，仅教育服务与医疗服务的局部结果稍差。图6(c)中可以看出局部区位熵小于0.5的点较少且多分布在城区外围，如新塘镇、狮岭镇、市桥与桥南街道交界等地。图6(c)中(3)图与(5)的结果最差，空间无关的点最多，而写字楼、医院、车站、商场等地均属于附近人流量大且人口消费水平较高的地方，周边人群对于快餐的需求要远远超过学生与有休闲需求的人群。
（2）正餐餐厅的全局区位熵结果仅次于快餐厅，但局部区位熵结果的空间关联差异最明显。图6(a)中各类服务业与正餐餐厅的空间关联性均呈现“中心强、外围弱”的特征且空间差异较其他类别最为明显，说明正餐市场主要受城市的服务业中心影响，外围区域服务业尤其是教育服务与风景名胜类对于正餐市场的影响较小。
（3）各类小吃店的全局结果较差，其与学校、公园等的局部空间关联最弱。对比3类与5类的结果可以发现，图6(b)(3)与图6(b)(5)中小吃店与学校、公园等的局部空间关联结果最差。图6(b)的结果表明温泉镇、中新镇等城市外围区域的小吃店仅与商场、车站等人流量大的区域空间关联性极强，与其他类服务业的空间关联性一般。
（4）饮品店的全局结果最差，但其局部区位熵空间差异特征与其他业态相似。图6(d)的结果表明尽管饮品店的全局结果最差，但容易受周边人流量大且人口消费水平较高的服务业影响。

4 广州餐饮业影响因素分析

4.1 空间杜宾误差模型结果分析

基于Stata17软件采用空间杜宾误差模型估计广州餐饮业总体及细分业态的空间格局影响因素。由于解释变量可能存在较高的相关性，为尽可能消除后续估计模型的共线性、异方差等问题，将自变量取对数后开展共线性检验，结果见表8， VIF(Variance Inflation Factor)均值为3.81且每个解释变量VIF值不超过10，说明解释变量共线性程度较低，可开展下一步模型估计，模型估计的最终结果见表9。
表8 解释变量共线性检验

Tab. 8 Collinearity test of explanatory variables

变量 风景名胜X1 购物服务X2 交通设施X3 教育服务X4 医疗服务X5 商务住宅X6 区位X7 人口规模X8
VIF 1.46 7.73 5.51 1.96 3.82 4.22 1.4 4.36
表9 空间杜宾误差模型估计结果

Tab. 9 The estimation results of SDEM

指标 全类型 细分业态
Yall Yewall Y1 Y2 Y3 Y4
lnX1 -0.015 -0.008 0.025 -0.027 -0.027 -0.000
(-0.56) (-0.33) (0.82) (-0.56) (-0.99) (-0.01)
lnX2 0.565*** 0.524*** 0.549*** 0.230* 0.616*** 0.636***
(8.50) (8.29) (6.95) (1.89) (8.74) (9.92)
lnX3 0.353*** 0.282*** 0.069 0.533*** 0.078 0.351***
(5.68) (4.91) (0.93) (4.77) (1.15) (6.05)
lnX4 0.038 0.050 0.142*** 0.074 0.071** 0.027
(1.17) (1.56) (3.60) (1.23) (2.06) (0.85)
lnX5 -0.027 0.012 -0.066 0.130 -0.017 0.027
(-0.49) (0.23) (-1.00) (1.29) (-0.29) (0.51)
lnX6 -0.040 -0.003 0.155*** 0.054 0.070 -0.089**
(-0.94) (-0.06) (3.08) (0.70) (1.55) (-2.20)
X7 0.032 0.043 0.001 0.043 0.072* 0.024
(0.97) (1.55) (0.04) (0.78) (1.81) (0.84)
lnX8 0.190*** 0.183*** 0.135 0.154 0.360*** 0.048
(2.72) (2.67) (1.59) (1.18) (4.83) (0.69)
_cons 0.744*** -0.321** -0.688*** -1.257*** -0.542*** 0.226
(4.39) (-2.22) (-3.65) (-4.31) (-2.85) (1.52)
空间滞后W:
lnX1 0.079 0.031 -0.008 -0.043 0.048 0.037
(1.37) (0.60) (-0.11) (-0.41) (0.71) (0.70)
lnX2 -0.585*** -0.492*** -0.411** 0.107 -0.422** -0.700***
(-3.07) (-3.35) (-2.38) (0.41) (-2.00) (-4.33)
lnX3 -0.521*** -0.281*** 0.135 -0.345* -0.071 -0.485***
(-3.98) (-3.06) (1.13) (-1.66) (-0.60) (-4.94)
lnX4 0.011 -0.062 -0.088 -0.094 -0.046 -0.014
(0.16) (-0.96) (-0.97) (-0.74) (-0.55) (-0.22)
lnX5 0.095 -0.047 -0.197 -0.342* -0.079 0.004
(0.86) (-0.47) (-1.56) (-1.74) (-0.63) (0.04)
lnX6 0.173** -0.026 -0.164 -0.211 -0.048 0.162**
(2.43) (-0.36) (-1.58) (-1.56) (-0.49) (2.39)
lnX8 -0.076 -0.265* -0.202 -0.320 -0.486*** -0.040
(-0.49) (-1.76) (-1.15) (-1.23) (-2.61) (-0.28)
Spatial rho 0.818*** 1.122*** 0.964*** 1.113*** 0.993*** 1.055***
(4.24) (6.24) (5.94) (5.11) (4.63) (6.31)
Spatial lamda -0.598** -0.876*** -0.746*** -0.835*** -0.307 -0.800***
(-2.04) (-3.10) (-2.76) (-2.91) (-0.98) (-3.05)
N 176 176 176 176 176 176
Wald test of spatial terms 38.29*** 70.75*** 62.70*** 37.88*** 39.78*** 90.46***

注：*p<0.1; **p<0.05; ***p<0.01，括号内数据为对应系数的z值; Spatial rho为空间自回归系数; Spatial lamda为误差项的空间自回归系数。

表9中，全样本及加权全样本的空间杜宾误差模型全局莫兰指数均为正数且P值远小于0.01表明餐饮业具有明显的集聚效应，广州街镇层面的餐饮业具有显著的正向空间自相关特征。表9的结果中除了估计系数大小不一样，对于各影响因素的估计结果基本一致。
总的来说，购物服务X2、人口数X8、交通设施X3、商务住宅X6 4个因素对广州街镇层面的餐饮业空间集聚有显著的正向影响，而其他因素对不同餐饮业态的影响有明显差异。快餐厅的空间集聚普遍受人口规模与周边各类服务业POI分布情况影响较显著，正餐餐厅、快餐厅与饮品店受各类因素影响情况则各有差异。购物服务与交通设施服务POI数量对于4类业态的影响相对较强，说明购物中心、商场与停车场、车站越多的区域各类餐厅的集聚效应就越明显。

4.2 空间溢出效应分析

表9的误差项结果具有显著的空间抑制效应，即还存在某些来自邻接街镇的未知因素抑制餐饮业的空间集聚。由于表9的结果仅显示了不同因素对广州街镇层面餐饮业数量的线性回归关系，这里进一步从空间关联效应视角分析不同因素的空间溢出效应，即不同自变量对因变量的平均总体效应、平均直接效应及平均间接效应（表10）。直接效应反应了自变量对本街镇的餐饮业数量的平均边际效应，间接效应则反应了自变量对其它街镇的餐饮业POI数量的平均边际效应，总体效应为二者之和。
表10 空间溢出效应分解

Tab. 10 Decomposition of spatial spillover effect

变量 总体效应 直接效应 间接效应
lnX1 0.217 -0.000 5 0.218
lnX2 0.135 0.538 0 -0.403
lnX3 -0.454 0.303 0 -0.757
lnX4 0.186 0.047 0 0.138
lnX5 0.226 -0.011 0 0.237
lnX6 0.449 -0.010 0 0.458
X7 0.122 0.037 0 0.085
lnX8 0.467 0.207 0 0.260
表10中的系数结果表明购物服务、交通设施服务、商务住宅与人口规模因素对于餐饮业数量的直接或间接影响最明显，具体分析如下：
购物服务因素。变量lnX2的直接效应系数为0.538，表明购物服务POI数量增加1%，本街镇餐饮服务POI数量增加0.538%，而间接效应系数为-0.403，表明会抑制周边街镇餐饮服务POI数量下降0.403%，总体结果表现为促进作用。一方面广州市商业发达，商场的数量与种类多且密度大，商业集聚区域对于餐饮业发展的直接推动作用也就越大。另一方面，类似体育西与北京路等典型的商业集聚区域周边人流量较大，对于周边街镇餐饮业发展的促进作用同样较强。
交通设施服务因素。变量lnX3的直接效应系数为0.303而间接效应系数为-0.757，说明交通设施服务POI数量增加1%，促进本街镇餐饮服务POI数量增加0.303%，而抑制周边街镇餐饮业服务POI数量下降0.757%，总体表现为抑制效应。一方面，交通设施密度越高越容易吸引客流量，更有利于当地街镇餐饮业的发展，因此交通站点聚集区域往往也是餐馆集聚区域，形成促进效应;另一方面，由于广州市交通发达，公交车站、地铁站、班车站、停车场等交通站点需要占用大量建设用地，与数量更为庞大的餐饮业在建设用地方面具有竞争关系，进而对餐饮业态形成挤出效应，最终体现为负向空间溢出效应。
商务住宅因素。变量lnX6的直接效应系数为-0.01说明商务住宅POI数量每变动1%则当地餐馆数量减少0.01%。间接效应结果为0.458，商务住宅POI增加1%，周边街镇餐馆数量增加0.458%。写字楼等商务住宅附近为工作人群集聚区域、对于餐饮的需求较大，具备一定餐饮市场的同时租金成本普遍极高，本地餐馆入驻的盈利机会较小。从 表9与表10的结果可以看出，写字楼等对于快餐外卖等需求较高这一特性给了周边街道餐饮业尤其是快餐业的发展带来了机会。因此，商务住宅因素与周边街道餐饮业的空间溢出效应最明显，总体上表现为正向的促进作用。
人口规模因素。变量lnX8的直接与间接效应系数分别为0.207与0.260，即人口规模每增长1%会促进本地与周边街镇餐馆数量分别增加0.207%、0.260%，人口规模因素总体表现为显著的正向空间溢出效应。首先，无论是总体还是细分业态的模型估计结果都表明了人口规模因素对于区域餐饮业发展起到显著的推动作用。其次，人口集聚区域往往也是城市交通与商业发达的区域，区域人口消费水平与消费潜力较大，能够在很大程度上推动区域餐饮业的发展。因此，人口规模越大，其正向空间溢出效应越明显。

5 结论与讨论

5.1 讨论

外卖、餐饮直播等餐饮新业态的兴起对大城市餐饮业空间格局产生深远影响。与近年部分学者关注餐饮业与公交站、写字楼等的空间相关问题不同[20]，本研究虽然同样讨论公交站、写字楼等对餐饮业的空间影响，但更注重从空间关联的角度讨论各类服务业对于餐饮业发展的促进作用，进一步丰富和补充了传统经济地理与城市地理理论在微观层面和空间关联角度上的研究，为商业地理与城市发展等方面的研究提供新的思路。另一方面，通过对比广州市餐饮业与周边服务业微观层面的空间关联分析结果可以发现，产业的集群效应或区域特定产业的功能结构同样会影响餐饮业的经济发展，这是目前有关餐饮业的研究中较少考虑的问题。受限于文章篇幅与数据可得性，本研究主要从静态的角度考虑服务业对于餐饮发展的影响，并未深入讨论城市产业功能结构与功能区对于餐饮业分布的影响。在今后的研究中会进一步结合多时相的POI大数据，动态的分析餐饮业的空间演变特征，并深入讨论产业结构的变化与城市功能区域对于餐饮业发展的空间影响。

5.2 结论

本文尝试采用协同区位熵方法重点分析了2021年广州市餐饮业与周边服务业的空间关联特征。相对于一般点要素空间分析方法，协同区位熵分析适用于判断两类点状数据在空间上的协同聚集与分散情况，其中全局协同区位熵主要通过衡量空间吸引程度来判断点要素的总体空间关联程度，而局部协同区位熵能进一步体现出空间关联特征的异质性，更有利于分析餐饮业影响的空间因素及其差异问题。此外，基于2021年广州市餐饮业及相关服务业POI数据，本研究还利用HDBSCAN密度聚类空间杜宾误差模型分析了2021年广州市餐饮业空间分布特征、影响因素及其空间溢出效应。研究结果表明:
（1）不同餐饮密度区域的餐馆集聚特征存在不同的差异。多数类别呈现中心集聚的特征，少部分低餐饮密度区域呈现中心集聚、外围辐射的特征。此外，广州市餐饮的分布与集聚受到人口密度和学历等因素的影响，正餐餐厅在各个区的餐饮市场均占据相当比例;
（2）餐饮密度不同，餐饮业与其周边服务业的空间关联性存在较大差异。高餐饮密度区域餐饮业与周边服务业的空间关联性普遍较强，中餐饮密度区域则普遍极弱，低餐饮密度区域餐饮业与周边服务业的空间关联差异最大;
（3）快餐业的发展整体上受各类服务业影响最大，饮料类餐饮业最小。4种业态餐饮业与服务业的局部空间关联特征相似，仅外围区域相差较大，正餐餐厅的局部空间关联差异最明显;
（4）SDEM模型估计结果表明车站、商场与人口数量的增加对于当地餐饮业POI数量的影响最大，空间溢出效应最明显。快餐厅受各类服务业影响较其他类型餐厅更显著，小吃类、正餐类与饮料类餐饮业发展则主要受交通与购物因素影响。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
阎小培, 姚一民. 广州第三产业发展变化及空间分布特征分析[J]. 经济地理, 1997, 17(2):41-48.

[ Yan X P, Yao Y M. Analysis on characteristics of development and spatial distribution of the tertiary sector in Guangzhou[J]. Economic Geography, 1997, 17(2):41-48. ]

[2]
方远平, 闫小培, 毕斗斗, 等. 转型期广州市服务业区位演变及布局特征[J]. 经济地理, 2009, 29(3):370-376.

[ Fang Y P, Yan X P, Bi D D, et al. Research on the spatial change and location characteristics of service industries in Guangzhou during the transition period[J]. Economic Geography, 2009, 29(3):370-376. ]

DOI

[3]
方远平, 阎小培. 1990年代以来我国沿海中心城市服务业特征与趋势比较研究——以北京、上海与广州为例[J]. 经济地理, 2004, 24(5):614-619,637.

[ Fang Y P, Yan X P. Comparison on the structural characters and its developing tendency of service industries for the central cities in the coastal region in China in 1990s—taking Beijing, Shanghai and Guangzhou as case study[J]. Economic Geography, 2004, 24(5):614-619,637. ] DOI:10.3969/j.issn.1000-8462.2004.05.010

[4]
申玉铭, 邱灵, 任旺兵, 等. 中国服务业空间差异的影响因素与空间分异特征[J]. 地理研究, 2007, 28(6):1255-1264.

Shen Y M, Qiu L, Ren W B, et al. Analysis on influenting factors and characteristics of spatial disparity in Chinese service industry[J]. Geographical Research, 2007, 28(6):1255-1264. ] DOI:10.3321/j.issn:1000-0585.2007.06.019

[5]
施响, 王士君, 浩飞龙. 等. 基于实体店比较的长春市外卖O2O餐饮业空间特征及成因[J]. 人文地理, 2019, 34(2):80-89.

[ Shi X, Wang S J, Hao F L, et al. The spatial distribution and formation of takeaway O2O catering industry based on entity restaurants comparison in Changchun[J]. Human Geography, 2019, 34(2):80-89. ] DOI:10.13959/j.issn.1003-2398.2019.02.011

[6]
Christaller W, Baskin C W. Central places in southern Germany[M]. Englewood Cliffs, NJ: Prentice-Hall, 1966.

[7]
ISARD W. Location and Space Economy[M]. Cambridge: MIT Press, 1956.

[8]
金相郁. 20世纪区位理论的五个发展阶段及其评述[J]. 经济地理, 2004, 24(3):294-298,317.

[ Jin X Y. Survey and evaluation of location theory in 20 century by five development stage[J]. Economic Geography, 2004, 24(3):294-298,317. ] DOI:10.3969/j.issn.1000-8462.2004.03.002

[9]
方远平, 阎小培, 陈忠暖. 服务业区位因素体系的研究[J]. 经济地理, 2008,(1):44-48,58.

[ Fang Y P, Yan X P, Chen Z N. The research of service location factors system[J]. Economic Geography, 2008,(1):44-48,58. ]

[10]
Tian C, Luan W X, Wang H, et al. Spatio-temporal agglomeration and morphological causes of Shanghai catering clusters[J]. Applied Geography, 2023, 152:102898. DOI:10.1016/j.apgeog.2023.102898

[11]
Prayag G, Landré M, Ryan C. Restaurant location in Hamilton, New Zealand: Clustering patterns from 1996 to 2008[J]. International Journal of Contemporary Hospitality Management, 2012, 24:430-450. DOI:10.1108/09596 111211217897

[12]
Xu F F, Zhen F, Qin X A, et al. From central place to central flow theory: An exploration of urban catering[J]. Tourism Geographies, 2019, 21(1):121-142. DOI:10.1080/14616688.2018.1457076

[13]
夏令军, 刘艳芳, 刘国炜. 中国地级城市餐饮业分布格局及影响因素——基于“大众点评网”数据的实证研究[J]. 经济地理, 2018, 38(5):133-141.

Xia L J, Liu Y F, Liu G W. Spatial distribution pattern and influencing factors of catering industry in prefecture level and above cities in China: An empirical study based on the dianping.com data[J]. Economic Geography, 2018, 38(5):133-141. ] DOI:10.15957/j.cnki.jjdl.2018.05.017

[14]
车冰清, 简晓彬, 陆玉麒. 江苏省商业网点的空间分布特征及其区域差异因素[J]. 地球信息科学学报, 2017, 19(8):1060-1068.

DOI

Che B Q, Jian X B, Lu Y Q. Study on the distribution characteristics and regional difference of commercial network in Jiangsu Province[J]. Journal of Geo-information Science, 2017, 19(8):1060-1068. ] DOI: 10.3724/SP.J.1047.2017.01060

[15]
Tian C, Luan W X, Li S J, et al. Spatial imbalance of Chinese seafood restaurants and its relationship with socioeconomic factors[J]. Ocean & Coastal Management, 2021, 211:105764. DOI:10.1016/j.ocecoaman.2021.105764

[16]
舒舍玉, 王润, 孙艳伟, 等. 城市餐饮业的空间格局及影响因素分析——以厦门市为例[J]. 热带地理, 2012, 32(2):134-140.

Shu S Y, Wang R, Sun Y W, et al. Spatial distribution of urban catering industry and its influenced factors: A case study of Xiamen city[J]. Tropical Geography, 2012, 32(2):134-140. ] DOI:10.13284/j.cnki.rddl.001590

[17]
徐晓宇, 李梅. 基于开源大数据的北京地区餐饮业空间分布格局[J]. 地球信息科学学报, 2019, 21(2):215-225.

DOI

Xu X Y, Li M. Analysis on spatial distribution pattern of Beijing restaurants based on open source big data[J]. Journal of Geo-information Science, 2019, 21(2):215-225. ] DOI: 10.12082/dqxxkx.2019.180437

[18]
Tang R E, Hou G L, Du R. Isolated or colocated? exploring the spatio-temporal evolution pattern and influencing factors of the attractiveness of residential areas to restaurants in the central urban area[J]. ISPRS International Journal of Geo-Information, 2023, 12(5):202. DOI:10.33 90/ijgi12050202

[19]
Zhou Y, Shen X A, Wang C, et al. Mining the spatial distribution pattern of the typical fast-food industry based on Point-of-Interest Data: The case study of Hangzhou, China[J]. ISPRS International Journal of Geo-Information, 2022, 11(11):559. DOI:10.3390/ijgi11110559

[20]
曾璇, 崔海山, 刘志根. 广州市餐饮店分布演变特征与影响因素[J]. 经济地理, 2019, 39(3):143-151.

Zeng X, Cui H S, Liu Z G. Spatial and temporal evolution characteristics and influencing factors of restaurants in Guangzhou[J]. Economic Geography, 2019, 39(3):143-151. ] DOI: 10.15957/j.cnki.jjdl.2019.03.017

[21]
莫惠斌, 罗珂, 王少剑, 等. 广州市中心城区餐饮店空间分异与机制差异研究——基于传统店与外卖店的对比[J]. 地理研究, 2022, 41(12):3318-3334.

DOI

[ Mo H B, Luo K, Wang S J, et al. Spatial heterogenicity and mechanism difference of restaurant in the central urban area of Guangzhou: A comparison between traditional restaurant and take-out restaurant.[J]. Geographical Research, 2022, 41(12):3318-3334. ] DOI:10.11821/dlyj020220200

DOI

[22]
国家统计局,中国标准化研究院. 《国民经济行业分类》GB/T4754-2017[M]. 中国计划出版社, 2017

[ National Bureau of Statistics,China National Institute of Standardization. Industrial classification of the national economy GB/T4754-2017[M]. China planning press, 2017. ]

[23]
统计局. 统计局关于印发《生活性服务业统计分类(2019)》的通知[J]. 中华人民共和国国务院公报, 2019(24):60-73.

[ Tong J J. Circular of the national bureau of statistics on printing and issuing the classifications of statistics of consumer services(2019)[J]. Gazette of the State Council of the People's Republic of China, 2019(24):60-73. ]

[24]
巫细波. 外资主导下的汽车制造业空间分布特征及其影响因素——以广州为例[J]. 经济地理, 2019, 39(7):119-128.

[ Wu X B. Spatial distribution evolvement characteristics and influencing factors of automobile manufacturing industry under the guidance of foreign investment: A case study of Guangzhou[J]. Economic Geography, 2019, 39(7):119-128. ] DOI:10.15957/j.cnki.jjdl.2019.07.014

DOI

[25]
Campello R J G B, Moulavi D, Sander J. Density-based clustering based on hierarchical density estimates[C]// Pacific-Asia Conference on Knowledge Discovery and Data Mining. Berlin, Heidelberg: Springer, 2013:160-172.10. 1007/978-3-642-37456-2_14.

[26]
McInnes L, Healy J, Astels S. Hdbscan: Hierarchical density based clustering[J]. The Journal of Open Source Software, 2017, 2(11):205. DOI:10.21105/joss.00205

[27]
Leslie T F, Kronenfeld B J. The Colocation Quotient: A New Measure of Spatial Association Between Categorical Subsets of Points. 协同区位熵: 点集分类子集间空间关联性的新度量标准[J]. Geographical Analysis, 2011, 43(3):306-326

DOI

[28]
Cromley R G, Hanink D M, Bentley G C. Geographically weighted colocation quotients: Specification and application[J]. The Professional Geographer, 2014, 66(1):138-148. DOI:10.1080/00330124.2013.768130

[29]
Yue H, Zhu X Y, Ye X Y, et al. The local colocation patterns of crime and land-use features in Wuhan, China[J]. ISPRS International Journal of Geo-Information, 2017, 6(10):307. DOI:10.3390/ijgi6100307

[30]
Hu Y J, Zhang Y, Shelton K S. Where are the dangerous intersections for pedestrians and cyclists: A colocation-based approach[J]. Transportation research part C: emerging technologies, 2018, 95:431-441. DOI:10.1016/j.trc. 2018.07.030.

[31]
Mahmud S F. The Economic Base of Tikrit City[J]. Global Journal of Management and Economics, 2020, 1:17-28.

[32]
Wang F H, Hu Y J, Wang S A, et al. Local indicator of colocation quotient with a statistical significance test: Examining spatial association of crime and facilities[J]. The Professional Geographer, 2017, 69(1):22-31. DOI:10.108 0/00330124.2016.1157498

[33]
姜磊, 柏玲, 季民河. 金融支撑与区域创新的竞争和溢出效应——基于空间杜宾误差模型的研究[J]. 区域金融研究, 2012(11):16-24.

[ Jiang L, Bai L, Ji M H. Competition and spillover effect between financial support and regional innovation[J]. Journal of Regional Financial Research, 2012(11):16-24. ]

Options
Outlines

/

〈 〉