昆明市中心城區服務業空間格局研究

石光鵬 李向新 蔣葉林 朱文

摘 要：為了探究昆明市中心城區服務業的空間分布特點，從高德地圖開放平臺中獲取昆明市中心城區的興趣點 （point of interest，POI） 數據，通過刪除重復興趣點、刪除缺失的屬性點對數據進行清理;以服務業興趣點的密度為研究對象，采用核密度分析法確定了不同服務業的聚集中心，利用平均最鄰近指數確定了研究區域內14類興趣點在空間中均存在“聚集”的空間分布特征;采用KANN-DBSCAN聚類算法對研究區域內的服務業興趣點進行聚類，并使用街道面積歸一化得到每一類興趣點在街道上的密度。結果表明：研究區內的服務業空間分布形成“一核多中心”的空間分布特征，城市服務設施呈“Y”型放射狀發展;呈貢新區的教育職能突出，吸引了服務業設施的聚集;老城市中心服務職能復雜多樣，其特征主要體現在商業設施及其周邊配套形成的核心聚集和專業市場形成的多個中心的聚集;不同服務設施間的聚集程度存在較大差異。最后，結合分析結果為昆明市中心城區的服務設施的發展提出3點建議，可對昆明市中心城區服務業的發展提供一定參考。

關鍵詞：興趣點;空間格局;KANN-DBSCAN算法;核密度分析;平均最鄰近指數;昆明

中圖分類號：P208 ?文獻標志碼：A

以空間點模式進行空間分析時，應用較為廣泛的數據是興趣點 （point of interest，POI） 數據。POI是在地理信息系統中表示地理對象的術語，主要是指我們日常生活中用到的地理實體，如景點、醫院、銀行等。每個POI點包含名稱、經緯度、地址、類型等信息[1]。POI具有空間維、屬性維，甚至具有時間維特征，其空間維度表明POI具有位置特征。每一個POI都代表了空間中的一個實體，POI數據相比其他數據（如手機信令數據、基站位置數據與公共交通刷卡數據）更容易獲取。由于POI數據可通過多種手段快速、持續獲取，使得相關研究越來越深入。當前，使用POI數據對城市空間的研究主要集中于對城市空間中某一類或幾類行業的研究[2-3]、城市熱點研究[4]、功能區識別與劃分[5-6]、城市空間人口密度、行為識別[7-8]、城市結構變化[9]、識別城市用地類型等[10]。多數學者對POI數據的挖掘集中在城市功能區識別與劃分，特別是北上廣深等一線城市的研究較多，針對一般性省會城市的服務設施空間分布與發展現狀研究較少。

昆明地處中國西南地區、云貴高原中部，是中國面向東南亞、南亞開放的門戶城市，是大湄公河次區域經濟合作圈、泛珠三角區域經濟合作圈的交匯點，并于2019年躋身新一線城市行列，因此選擇昆明市為研究對象具有代表性。以空間點模式對興趣點數據進行處理時采用核密度分析[11-12]等手段是常見手段，由于興趣點的分布隨機、不規則的特點，基于密度的聚類算法更加合理。因此，本文以KANN-DBSCAN聚類算法為基礎，運用空間統計與空間分析手段對POI數據進行處理與分析，探究昆明市中心城區當前的服務業發展現狀。

1 研究區域

昆明市轄五華區、盤龍區、官渡區、西山區、東川區、呈貢區、晉寧區7個區。通過2019年2月20日昆明地區夜間衛星珞珈一號01星遙感圖像，結合POI數據密度和路網劃定研究區域。路網數據來自開放街道圖 （open street map，OSM），使用屏幕數字化方式獲得，如圖1所示。研究區域北至茨壩街道、南至呈貢新區金馬鋪街道、東起昆明南火車站、西至西山公園-環湖東路一線，包括五華區、盤龍區、官渡區、西山區、呈貢區，研究區內分劃42個街道、2個開發區和1個度假區。研究區域采用“CGCS2000_3_Degree_GK_CM_102E”投影坐標系，面積約509.84 km2。注：1—馬金鋪街道;2—大漁街道;3—雨花街道;4—烏龍街道;5—洛龍街道;6—吳家營街道;7—龍城街道;8—斗南街道;9—矣六街道;10—官渡街道;11—洛羊街道;12—六甲街道;13—小板橋街道;14—昆明經濟技術開發區;15—昆明國家旅游度假區;16—前衛街道;17—永昌街道;18—關上街道;19—福海街道;20—太和街道;21—金碧街道;22—吳井街道;23—拓東街道;24—金馬街道;25—大觀街道;26—棕樹營街道;27—西苑街道;28—馬街街道;29—護國街道;30—阿拉街道;31—龍翔街道;32—鼓樓街道;33—華山街道;34—東華街道;35—豐寧街道;36—聯盟街道;37—國家高新技術產業開發區;38—青云街道;39—蓮華街道;40—金辰街道;41—黑林鋪街道;42—普吉街道;43—紅云街道;44—龍泉街道;45—茨壩街道。

2 數據來源與研究方法

2.1 數據種類與來源

為了興趣點分類的科學性與普遍性，將POI數據按《國民經濟行業分類》GB/T 4754—2017分為14類，每一個國標分類中都包括數量不等的高德地圖分類，見表1。本文研究的POI數據來源于高德地圖開放平臺，屬性包括唯一標識符（ID）、經緯度、名稱、詳細地址、所屬行政區劃與類別等。爬取數據151 130條，經去重、分類后得到POI數據計144 232條。一條POI數據刻畫了服務業設施的一維抽象，其中最基本的屬性是經緯度。經緯度是POI數據中用于分析其空間特征的基礎。

從表1可以看出：批發和零售業服務設施數據量最多，約占樣本總數的31.2%;住宿和餐飲業服務設施數量次之，約占樣本總數的17.9%。

2.2 研究方法

2.2.1 核密度分析法確定服務業興趣點的密度中心 ?核密度分析用于計算空間點、線要素鄰域的密度值，連續化地模擬密度分布。近年來，其已廣泛應用在地理學的空間分析的研究中。該方法基于“地理學第一定律”，即距離越近的事物關聯越緊密，與核心要素越近的位置獲取的密度擴張值越大[13]，體現了空間位置的差異性以及中心強度隨距離衰減的特性，適合城市設施服務影響等連續性地理現象的密度估計。核密度公式定義為

式中：n為帶寬內的點數;h為帶寬;（x-xi）2+（y-yi）2為點（xi，yi）和（x，y）之間的距離。在核密度估計中，帶寬是定義平滑量大小的自由參數，帶寬過大或過小均會影響f（x）的結果[14]。

為了研究全部服務業設施的核密度（以下簡稱“混合核密度”），選取帶寬h為600、800、1 000 m進行實驗。經過多次實驗發現：按自然間斷法將結果分為5個組時，每個密度峰值間區分最明顯，而且較近的密度中心有相互融合的趨勢，等值線較為平滑時為最佳分類。不同帶寬下混合核密度分布如圖2所示。

從圖2可以看出：當h=600 m時，高值分布較為離散，且各高值的分布相互融合的趨勢較弱;當h=1 000 m時，研究區域中心的高值出現融合，缺失了更多的局部細節;當h=800 m時，高值融合趨勢較為適合。結合文獻[15]的研究，選取h=800 m作為本文全部服務業設施核密度分析的帶寬，核密度值由低到高依次分為低值（0～133.53）、次低值（133.54～419.67）、中值（419.68～772.57）、次高值（772.58～1 230.39）、高值（1 230.40～2 432.17）。使用ArcGIS的三維分析工具提取出核密度結果中的高值等值線，以此表述興趣點的空間分布聚類，如圖3所示。

從圖3可以看出，共提取出了20個混合核密度峰值區域。以峰值區域內對應的地標（商場、購物中心、大型小區、學校等）作為描述位置的對象。表2描述了每個峰值的空間位置。

2.2.2 平均最鄰近指數法確定服務業興趣點的聚集程度 ?以空間點模式分析興趣點的聚集特征時，雖然由莫蘭指數、P值、Z值可以確定興趣點數據在空間表現出的分布模式是“離散”“隨機”或“聚集”，Z值也能在一定程度上體現聚集度，但是Z值并非單純地考慮空間上的聚集。為了定量表達每一類興趣點設施在空間中的聚集程度，使用平均最鄰近指數（average nearest index，ANN）計算其聚集程度。該指數在0到1區間時，表示研究對象的空間分布模式表現為聚集，其他情況則表現為離散。因此，對比不同類別服務設施的平均最鄰近指數可以直觀評估每一類服務設施在空間表現的分布模式與聚集程度。使用ArcGIS Desktop工具箱中的“平均最鄰近距離工具”進行分析，結果如圖4所示。

從圖4可以看出：（1）研究區域內服務業設施的平均最鄰近指數均大于零，都呈現出聚集的空間分布特征。（2）T13（水利、環境和公共設施管理業）的平均最鄰近指數最大，為0.58。結合表1可知，該類包含公園、廣場等公共設施，設施分布較廣，聚集程度最低。在研究區內T13呈現較大尺度上的聚集特征并非僅僅因為公園、廣場與緊急避難場所三者的聚集，而是因為在該類中的公共廁所占比最高，其作為一種附屬設施依附于上述三種設施。因此，不同的公園、廣場與公共廁所共同構成功能整體，由于公園、廣場與緊急避難場所的位置分散，該服務業才在較大尺度下表現出聚集的特征。（3）T9（金融業）的聚集程度最高，平均最鄰近指數為0.30。該類中銀行與自動提款機占比最大，其他設施數量較少。由于銀行與自動提款機形成一定服務范圍的聚集，這種聚集一般是局部的，導致平均最鄰近指數大，聚集程度高，但其服務范圍反而更小。（4）相鄰的服務設施的平均最鄰近指數差別很小，說明它們之間的聚集程度較為相近，但是最大值是最小值的近2倍。造成這種現象的原因，一方面可能是因為區位因素的影響，另一方面可能來自不同服務業之間服務性質的差別。

2.2.3 KANN-DBSCAN算法

DBSCAN算法是一種基于密度的空間數據聚類方法。它由密度可達關系導出的最大密度相連的樣本集合為最終聚類簇。該算法對參數敏感。聚類方法是：對于某一聚類中的每個對象， 在給定半徑的鄰域內數據對象個數必須大于某個給定值，即鄰域密度必須超過某一閾值[16]。DBSCAN算法既能有效地解決數據量較大、興趣點相互重疊遮蓋的問題，又能在宏觀角度上發現其分布規律，且在細節上保留數據的位置精度[17]。

3 昆明市研究區域內服務業興趣點聚類分析 ?采用KANN-DBSCAN算法對研究范圍內的14類服務設施進行聚類。計算不同樣本中所有點的歐式距離矩陣，計算Eps（最佳聚類距離）、MinPts（最小點個數）參數對應的最大簇數。算法確定的算法參數見表3。

基于表3中確定的參數，使用python語言實現KANN-DBSCAN算法，結果見表4。表4反映了研究區內POI數據在街道上的混合分布密度和平均分布密度。

由表4可知：研究區內除街道ID為1、2的馬金鋪街道、大漁街道密度為0以外，其余街道均有興趣點的分布;街道ID為29的護國街道的混合分布密度為1 921.44個/km2，是研究區內混合密度最大的街道。護國街道是昆明市老城區的中心，其發展歷史悠久但因缺乏規劃，導致混合分布密度很大。從興趣點的組成來看，研究區中的不同種類的興趣點的密度差距較大，密度較大的服務業有餐飲與住宿等生活服務業，而金融業等金融服務業的密度較小。結合《昆明市城市近期建設規劃（2016—2020年）》中對中心城區的規劃，分布密度低的街道大部分位于現今昆明市中心城區的戰略發展區域，如南部呈貢新區的“雨花街道”“斗南街道”“吳家營街道”，東北部盤龍區的“金辰街道”“龍泉街道”與西北部五華區的“普吉街道”“國家高新技術開發區”等，這些街道得益于城市規劃，街道上服務設施的組成單一，總體呈現出服務設施的低密度顯著聚集，服務設施發展的專業化趨勢。

4 結論和建議

本文基于昆明市中心城區的興趣點數據，對昆明市14類服務業興趣點數據進行空間布局狀況分析，通過核密度分析方法確定了所有服務業的分布中心;使用平均最鄰近指數方法確定了研究區內每一類興趣點數據在空間中的分布模式與聚集度;利用KANN-DBSCAN算法，以街道為空間載體研究了每一個街道內每一類興趣點的混合分布密度與平均分布密度。發現昆明市中心城區的服務業的空間分布有以下特點：（1）總體上，研究區內的服務業空間分布因受地形影響，形成了“一核多中心”的空間分布特征，總體呈“Y型”沿滇池東岸分布，西北、東北部是服務業的集中發展區域，但南部發展條件更好，是目前發展的重要區域。在這些區域內形成了不同服務業類型的中心，其中中小學、大型廣場、購物中心、高校、專業市場是形成聚集中心的重要因素。（2）從聚類密度結果看，一環內區域是服務業設施分布的熱點區域，服務業設施密集且種類豐富，“昆百大·新西南廣場”“金鷹購物廣場”“南屏步行街”等大型商圈對其周邊的服務業發展起到了積極作用，致使該區域具有密度高且種類豐富的特點;此外，呈貢新區的“大學城”“學府路教育片區”中的高等學校是吸引服務業聚集的重要因素。（3）服務設施空間位置分布不均衡，存在極大的南北差異，老城區依然占據城市職能主導地位，仍然擔負著昆明市中心城區的主要城市職能;新城區（呈貢區）服務業設施密度低且分布離散，較少形成一定規模的聚集。（4）多個服務業中心形成了不同種類的專門化的聚集，并且不同中心的發展水平差異較大。例如街道ID為14、22等中心均提供商品批發為主的服務，因此服務設施單一;街道ID為27、33等中心是綜合商貿市場而形成聚集，服務業設施種類豐富。

針對以上情況，提出幾點可行性建議：（1）適當分散“核心區域”的城市職能，將部分餐飲等服務業外移，打造以金融、科技性服務業為主導的核心區;（2）強化各個聚集中心的職能，完善與其職能配套的服務業;（3）加強“新城區”的服務業設施建設，進一步強化“高校集群”對周邊服務業發展的促進作用。參考文獻：

[1]王富強. 空間知識地圖構建理論和方法研究[D]. 鄭州： 信息工程大學， 2013.

[2] 冉釗， 周國華， 吳佳敏， 等. 基于POI數據的長沙市生活性服務業空間格局研究[J]. 世界地理研究， 2019， 28（3）： 163-172.

[3] 李江蘇， 梁燕， 王曉蕊. 基于POI數據的鄭東新區服務業空間聚類研究[J]. 地理研究， 2018， 37（1）： 147-159.

[4] 寧鵬飛， 萬幼， 沈怡然， 等. 基于簽到數據的城市熱點功能區識別研究[J]. 測繪地理信息， 2018， 43（2）： 110-114.

[5] 康雨豪， 王玥瑤， 夏竹君， 等. 利用POI數據的武漢城市功能區劃分與識別[J]. 測繪地理信息， 2018， 43（1）： 81-85.

[6] 黃亮東. 基于多源POI數據的天津市城市功能區識別與分析[D]. 徐州： 中國礦業大學， 2019.

[7] 陳麗娜， 吳升， 陳潔， 等. 基于手機定位數據的城市人口分布近實時預測[J]. 地球信息科學學報， 2018， 20（4）： 523-531.

[8] 王勇， 解延京， 劉榮， 等. 北上廣深城市人口預測及其資源配置[J]. 地理學報， 2021， 76（2）： 352-366.

[9] ZHONG C， ARISONA S M， HUANG X， et al. Detecting the dynamics of urban structure through spatial network analysis[J]. International Journal of Geographical Information Science， 2014， 28（11/12）： 2178-2199.

[10]HU T， YANG J， LI X， et al. Mapping urban land use by using landsat images and open social data[J]. Remote Sensing， 2016， 8（2）： 151.

[11]王俊玨， 葉亞琴， 方芳. 基于核密度與融合數據的城市功能分區研究[J]. 地理與地理信息科學， 2019， 35（3）： 72-77.

[12]吳先賦， 李永樹， 王金明， 等. 基于POI數據的成都市區生活設施空間格局分析[J]. 測繪地理信息， 2019， 44（3）： 122-126.

[13]劉康， 王坤， 李宸. 貴州省鄉村旅游地空間分布階段演進及其發展路徑研究[J]. 貴州大學學報（自然科學版）， 2019， 36（5）： 119-124.

[14]陳蔚珊， 柳林， 梁育填. 基于POI數據的廣州零售商業中心熱點識別與業態集聚特征分析[J]. 地理研究， 2016， 35（4）： 703-716.

[15]楊子江， 何雄， 隋心， 等. 基于POI的城市中心空間演變分析： 以昆明市主城區為例[J]. 城市發展研究， 2019， 26（2）： 31-35.

[16]李新延， 李德仁. DBSCAN空間聚類算法及其在城市規劃中的應用[J]. 測繪科學， 2005， 30（3）： 51-53.

[17]張鐵映， 李宏偉， 許棟浩， 等. 采用密度聚類算法的興趣點數據可視化方法[J]. 測繪科學， 2016， 41（5）： 157-162.

[18]ESTER M， KRIEGEL， HANS-PETER， SANDER J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]//Proceedings of the Second International Conference on Knowledge Discovery & Data Mining（KDD-96）， Cambridge：AAAI Press， 1996： 226-231.

[19]夏魯寧， 荊繼武. SA-DBSCAN： 一種自適應基于密度聚類算法[J]. 中國科學院研究生院學報， 2009， 26（4）： 530-538.

[20]宋金玉， 郭一平， 王斌. DBSCAN聚類算法的參數配置方法研究[J]. 計算機技術與發展， 2019， 29（5）： 50-54.

[21]李文杰， 閆世強， 蔣瑩. 自適應確定DBSCAN算法參數的算法研究[J]. 計算機工程與應用， 2019， 55（5）： 7-13， 154.

（責任編輯：周曉南）

Abstract： In order to explore the spatial distribution characteristics of service industry in Kunming downtown area， the POI of Kunming downtown area is obtained from the open platform of Gaode map， and the data is cleaned up by deleting duplicate interest points and missing attribute points. Taking the density of interest points of service industry as the research object， the kernel density analysis is used to determine the aggregation centers of different service industries， and the average nearest neighbor index is used. This paper explores the spatial distribution characteristics of 14 types of interest points in the study area， and uses the KANN-DBSCAN clustering algorithm to cluster the service industry interest points in the study area， and uses the street area normalization to get the density of each type of interest points on the street. The results show that： the spatial distribution of service industry in the study area has formed a “one core， multi center” spatial distribution characteristics， urban service facilities show a “Y” radial development; the education function of Chenggong is prominent， attracting the aggregation of service industry facilities; the service function of old city center is complex and diverse， and its main characteristics are reflected in the core aggregation and specialization of commercial facilities and its surrounding supporting facilities. The agglomeration degree of different service facilities is quite different. Finally， combined with the analysis results， this paper puts forward three suggestions for the development of service facilities in the central city of Kunming， which can provide some reference for the development of service industry in the central city of Kunming.

Key words： point of interest; spatial pattern; KANN-DBSCAN algorithm; kernel density analysis; average nearest neighbor index; Kunming