基于大数据的济南都市圈空间联系研究

林本江 闫冬

摘 要：跨区域、精准化的都市圈建设是提高城市承载能力和运行效率的重要战略，也是区域协调发展战略的重要途径。本文基于大数据从人口岗位、出行特征、区域联系、圈层结构等维度剖析济南都市圈在不同时空粒度下的特征，并基于改进的城市引力模型预测都市圈空间联系规律。研究发现济南都市圈呈多中心网状结构，济南对外辐射强度集中在30 km半径范围内，未来几年济南对外辐射强度尤其是与泰安、淄博间的联系强度有所提升。

关键词：都市圈;时空特征;引力模型

中图分类号：C922 文献标识码：A

0 引言

随着国家区域发展总体战略的不断实施，都市圈同城化发展日渐成为参与区域竞争的重要单元。城市间关系的紧密程度可作为表征同城化实施进程的表现形式，而城际间的人流联系在一定程度上可代表同城化地区城市间的互动关系[1]，如何精细化的识别并预测都市圈层面的人流联系规律尤为重要。本文采用百度慧眼数据和手机信令数据，通过数据的清晰、有效轨迹的提取、职住识别、出行识别等一系列算法进行数据挖掘分析，系统的研究了济南都市圈现状人口联系特征与未来联系趋势，多维度多尺度的对人口的动静态特征进行分析，为区域同城化发展提供了量化支撑，服务区域协调发展战略。

1 都市圈出行特征分析

济南都市圈由济南、淄博、泰安、德州、聊城、滨州邹平市组成。目标是打造成“蕴育齐鲁，开放创新，先进制造业和服务业中心以及具有综合竞争力强大的都市圈、城市群”。

1.1 人口岗位

根据第七次全国人口普查结果统计，都市圈常住人口总计3 171.7万人，其中济南占比29%，德州、聊城、泰安各占17%～18%。根据百度慧眼数据的人口岗位分布显示，都市圈人口岗位分布以各城市的中心城区为主，如德州德城区、聊城东昌府区等，各城市中心城区人口占总人口的31%。

1.2 空间联系

通过手机信令数据研究发现，都市圈客流联系以济南、泰安、淄博、德州和聊城中心城为中心，呈多中心放射分布，其中济南与德州方向客流占比34.0%、与泰安方向客流占比25.7%。对外辐射方面，济南中心城向周边的商河、章丘、齐河等方向形成了主要客流廊道。出行特征方面，客流平均出行距离约38公里，其中5～15公里出行最多，约占28%;出行时间集中在早上7：00—9：00以及下午4：00—6：00。

1.3 圈层划分

按照都市圈人口岗位密度分布、各分区出行联系、与济南中心城区通勤规律等综合因素，将济南都市圈划分为4大圈层。

2 区域联系预测

2.1 引力模型原理

城市引力模型是物理学上的万有引力定律和距离衰减效应在经济地理学方面的应用，其一般形式为：

（1）

其中：Fij为城市i与城市j之间的吸引力，Qi和Qj分别为两城市的质量，dij为两城市间的距离，b为距离摩擦系数，通常取值为2，G为引力常数，通常取值为1。

2.2 改进的引力模型指标体系

城市之间产生需求吸引不仅受人口、GDP等指标影响，也受经济、社会、生活和基础设施等多方面综合因素驱动。本文对引力模型指标的城市质量和城市间距离进行改进，构建了3级2类14个指标体系。考虑到省内多为公路和铁路出行，时间和空间距离指标以公路和铁路为主。

城市综合实力计算采用多因素分值加权求和的方法，公式如下：

（2）

其中：Mi为综合实力得分，Wk和Pik分别是城市i中第k项指标的权重和指标值，n为评价综合实力的指标个数。

时间、距离模型如下：

（3）

其中：dijk为城市i与城市j之间空间/时间距离的通达性值，Wh为城市i与城市j的第h项指标的权重。

改进的引力模型公式如下：

（4）

2.3 基于改进引力模型的区域客流模型

城市间的引力越强，其客流交互越密集，客流强度越大，故利用引力模型构建区域间的客流分布模型如下：

（5）

（6）

其中：yij为城市i与城市j的现状客流联系，为城市i与城市j的现状引力，Wij为修正系数。Yij为城市i与城市j的规划年客流，为城市i与城市j的规划年引力。

将城市引力模型数据与现状的交通出行需求进行拟合，改进前城市间引力与客流联系的拟合值为R2=0.66，改进后城市及间的引力与城市间的客流联系拟合值为R2=0.80。

基于改进引力模型预测济南都市圈远景出行如下图。济南都市圈主要廊道呈现以济南主城区为中心，向外放射状分布，都市圈客流为向心出行。济南与周边城市的主要廊道分布在济南老城-章丘-周村-张店、济南老城-长清-平阴/肥城、济南老城-齐河-禹城通道上。

3 结语

本文借助大数据手段，突破了传统受数据限制的困境，对济南都市圈空间联系现状特征和未来趋势進行了研究。研究表明济南都市圈具有多中心放射性的空间结构特征，人口、资源集聚在济南中心城半径30 km以内，辐射能力还有待提升。同时研究表明，基于改进城市引力模型在客流交互研究中具有较强的实操性和精准性。基于大数据手段的客流特征分析可用于指导目前高速发展区域空间战略规划工作。

参考文献

[1]陈少杰，沈丽珍.基于腾讯位置大数据的三地同城化地区人口流动时空间特征研究[J].现代城市研究，2019（11）：1-12.

[2]王崑阳，谯博文，张晶.大数据视角下的京津冀地区城市体系现状——以POI数据和手机数据为例[J].首都师范大学学报（自然科学版），2020（6）：71-79.

[3]董志国，刘红杏，吴冠中.基于手机大数据的城市群空间特征研究——以珠三角为例[J].交通与运输，2017（5）：32-34.

[4]李剑锋.基于大数据分析的南京都市圈出行特征研究[J].科技创新与应用，2017（34）：1-3.