基于POI的昆明市商业空间结构特征分析

张一丁，金宝轩，宋炜炜

(1.昆明理工大学国土资源与工程学院，云南 昆明 650093； 2.云南省自然资源厅，云南 昆明 650224)

1 引 言

经济的增长推动着我国城市商业空间规模的迅速扩大，在原有空间格局的基础上向外扩展，并在不同的区域形成不同级别的聚集核心，促使城市商业空间结构在原有基础上演变成为多元、复杂的城市商业空间结构[1]。对城市商业空间的组成结构及其层次关系进行科学的分析和评估，可以在支持城市活动高效运转及城市总体规划方面提出科学化建议。我国自然资源管理组织机构调整后的新空间规划类型，对国土空间规划中应用的技术、方法等提出了新的挑战[2]，目前对于国土空间规划方法的研究主要集中在对国土空间承载力评价和国土空间适宜性评价方面，现有研究主要基于传统的统计分析、空间分析等方法。传统的空间规划理论，集中在单一因素的研究与控制领域，技术手段多应用统计的方式，在针对人类活动对城市发展的影响方面的研究尚不多见。

本文通过集成各类POI数据，分析其分布特征及互动影响关系，能对规划区实况的变化规律进行科学模拟和分析。应用科学的分析方法，基于城市POI数据对城市商业空间组成结构、城市商业发展现状及城市化程度进行演化分析[3]，能够实现对城市发展现状、城市化程度等信息的全面掌握[4]。因此本文重点探讨新时代国土空间规划如何应用各类POI统计数据进行模拟分析，判定研究区商业发展规模及发展程度，将研究结果应用于支撑国土空间规划过程，实现数据决策，科学规划。

2 研究区概况与数据来源

2.1 研究区域概况

本文选择昆明市作为研究区，昆明市是云南省的省会，西南地区的中心城市之一。位于云南省中部地区，东经102°10′～103°40′，北纬24°23′～26°22′。东西最大横距140千米，南北最大纵距 220 km，昆明市下辖7区、3县、3自治县、1市：盘龙区、五华区、西山区、官渡区、呈贡区、晋宁区、东川区、安宁市、富民县、嵩明县、宜良县、寻甸回族彝族自治县、石林彝族自治县、禄劝彝族苗族自治县。昆明地理位置属北纬亚热带，然而境内大多数地区夏无酷暑，冬无严寒，具有典型的温带气候特点，素以“春城”而享誉中外。

截至2018年，全市下辖7个区、3个县、代管1个县级市和3个自治县，总面积 21 473 km2，常住人口685.0万人，城镇人口499.02万人，城镇化率72.85%，常住外来人口达219万人。昆明市2018年地区生产总值为5 206.89亿元，占云南省GDP总量的29.12%；GDP增速8.4%。

2.2 数据来源

本文研究过程中用到的数据主要来源于：

昆明市历年统计年鉴：包含了昆明市各辖区行政区划统计(http：//www.resdc.cn/)、昆明市各区县GDP数据；昆明市各区县行政区；昆明市POI统计数据(表1)。

基于Python编程及ArcGIS 10.6软件，对基础数据进行处理；根据餐饮、酒店、商场、写字楼及银行等五大类业态为基础，研究不同类型的商业活动在昆明市的主要聚集方式及存在区位，总结昆明市商业空间集聚模式及商业空间结构特征的形成机制。

昆明市不同类型POI统计结果 表1

3 研究方法

3.1 基于K-means均值聚类的多中心分析

K-means均值聚类分析[5～8]，在分类评定、等级判断方面的分析中具有广泛应用，本文研究过程中基于Python语言编程实现K均值聚类分析算法，对研究区的各种POI统计数据进行可视化分类，可以对POI数据样本分布进行直观分析，有助于对昆明市现有发展规模、聚集程度、发展规律进行科学的分析和判断。

对于特定的数据集，基于研究目的确定K的类型数量，聚类分析的数学表达式为：

(1)

式中：si为每一个聚类类型，xj为向量，μi为分类si的平均值。

3.2 基于POI点集的核密度分析

核密度分析法(kernel density estimation，KDE)[9～10]是点位数据空间分析中运用较为广泛的方法。该计算方法以某一特定点位为中心，该点密度估计值最高，随着向外距离的增大而不断衰减降低，当距离中心达到某一范围时密度为0。对所有点位进行计算，相同位置处进行叠加，得到最终核密度分布图，并反映空间位置的差异，计算式为：

(2)

4 结果及分析

4.1 基于POI数据叠加分析的昆明市商业分布现状分析

根据研究区POI数据叠加分析[12～13]的结果，昆明市各类POI呈现出明显的聚类分布，聚类中心处POI密度大，随着与聚类中心距离的增大，POI聚集程度逐渐降低，呈分散状，基于多种类型的POI的分布形式，能准确分析出昆明市目前商业发展的空间分布规律，研究结果表明(图1)，昆明市目前发展的核心仍然主要集中在几个主城区，整体上出现商业发展不平衡的态势，没有出现明显的多商业中心共同发展的分布模式。

图1 各类POI分布图

从叠加结果中可以看出，虽然各类POI高度聚集在五华区、盘龙区、官渡区、呈贡区以及西山区相互交界的地段，但是在各自区域范围内却没有很好地形成聚集，在昆明市其他区域没有形成明显的聚集形式。①在餐饮业方面总体上分布较为均匀，除了在禄劝和东川没有形成高度聚集外，其他区域均呈现出高度的聚集性。由此反映出昆明市餐饮行业的发展虽然在局部区域发展不平衡，但总体上呈现明显的聚集特征。②在商场的建设方面，则高度聚集在五华区、盘龙区、官渡区、呈贡区以及西山区相互交界的地段，作为昆明市的主要城区，各大商场的聚集程度明显高于其他区域，而且有向外扩展的趋势，由此可以看出昆明市是一个单一中心的城市，由内向外扩展发展。③在酒店行业方面，虽高度聚集在几个主城区，但在其他区域也形成了程度不等的聚集中心，由此可见昆明市酒店行业除了在主城区高度发展以外，在其他城区也是均衡发展。④从图1中可以看出写字楼的分布高度集中在五华区、盘龙区、官渡区。在其他区域虽然分布零散，但在各自区域内也形成了明显的聚集性。说明写字楼作为办公点，往往被选择安置在一个相对集中的区域，便于信息的发布和交流。⑤相对于其他几类行业，银行的分布特征更具有平衡性，虽然高度聚集在五个主要城区的交界处，但在其他区域也呈现出了均匀分布的特点，说明银行作为其他产业的支撑产业，其发展要比其他行业速度更快，更能体现出城市发展的规划性和战略性。总体来说各类POI既有自身的分布特色，也在整体上体现出规律性，这种规律正好提供了分析和判断的可能，从POI聚集形式上分析，各类POI在各区的聚集程度，能够明显地反映出各区之间发展的不平衡性。从图3能明显地反映出昆明市各区域之间的相互联系性，在聚集程度较高的区域发展程度高，金融联系性强；在聚集程度较低的区域发展程度低，金融联系性弱。

4.2 基于K-Means聚类的POI数据分析

由于POI数据叠加分析仅能在空间分布方面做出直观的展示，而数据点本身之间的内在联系性却得不到充分的展示，在发现空间内置联系性方面存在不足[14～16]。因此实验基于Python编程实现POI数据的K-Means聚类分析，以确定POI在分布上的联系性，增强分析结果的可靠性。在POI叠加分析方面，能够客观地展现POI的分布以及POI的聚集特征，但是难以确定各个聚集区域的联系性强弱，以及聚集中心对其辐射影响范围的大小。K-Means聚类分析方法弥补了这一不足，基于K-Means聚类分析以及可视化分析结果，有助于判断各聚集区的联系强弱以及影响大小，基于本文的研究目的以及数据分布特征，将聚类类型K设置为7类[17～19]。根据实验结果显示(图2)，各类型的POI数据呈现不一致的聚类结果，各类型都具有独立的聚集特性，表明各类型的商业业态，在不同区域有着不同的发展特色以及发展程度；虽然各类POI在各区域都有不同的聚集特性，但整体上依然表现出规律性，各类型POI的聚类中心依然出现在五华区、盘龙区、官渡区、呈贡区以及西山区相互的交界地段范围附近，而且部分类型的POI聚类中心直接出现在交界处，结果表明，目前昆明市的高速发展虽然是以几个主城区的交界处为主要方向进行规划，但依然可以看到各类型的聚类中心并没有直接指向各区交界处，在其他区域同样出现较多较弱的聚类点，这样的现象表明目前昆明市的发展虽然以几个区的交界为核心，但是有逐渐向外扩展的趋势，对于整体上的发展，这无疑是一个好的信号。一个核心，多个方向的发展模式适应于目前昆明市发展的需要，也有助于在一个核心周围形成许多小型的核心，基于微型推动的发展战略，在不久的将来，昆明市有望发展成为一个超级核心，多级小型核心的多层次、多功能型城市。

图2 各类POI K-Means聚类分析图

4.3 基于POI数据的核密度分析

核密度分析法[20～22]是判别事物聚集性，确定联系性强弱的重要手段，对POI数据集进行核密度分析，实验结果如图3所示，基于POI数据的核密度分析所得到的结果和预期保持高度一致，其中餐饮、商场、酒店、写字楼、银行等商业形态依然在五华区、盘龙区、官渡区、呈贡区以及西山区相互的交界地段范围附近保持极高的聚集密度，而在其他区域却没有保持较高的聚集密度，由此可以说明，昆明市在当前的发展规模下，商业中心依然聚集在几个主城区的交界区域，虽有向外延伸的趋势，但短时间内商业中心不会发生太多的转移。

由一个商业中心，逐层扩张，向外延伸发展，形成多级商业空间结构，是大多数城市商业空间结构的发展模式，从图3中体现的趋势分析，昆明市目前正处于一个向外延伸、向外扩张发展的阶段。尚未形成全面、平衡的多层次、多中心的商业空间结构。

图3 各类POI核密度分析图

5 讨论

5.1 POI数据支持下的城市发展规模评估

本文基于POI数据，对昆明市商业空间结构的发展现状及发展程度进行分析与判断，借助POI数据能够准确地表达城市不同地区不同地理要素之间的相互影响关系及其聚集程度，能够快速有效地识别城市商业空间结构，划分不同的功能区等等，基于位置的POI数据，为国土空间适宜性评价及分析提供了新的技术依赖，弥补了传统统计方法的不足；不足之处在于POI数据是三维实体的具体抽象，不具有大小属性，在进行分析的过程中需要借助一定的经验分析，例如可以对点进行缓冲区分析，以此得到POI点集的服务辐射范围或是点所代表三维实体的空间面积、体量、等级等信息[23]。本文侧重从结构、组成、规模等方面对昆明市的发展现状及发展规模进行分析与判断，在针对多时相分析方面依然有待加强，今后可以结合多源数据在空间聚类类型定权以及多层次多角度国土空间适宜性评价方面进行深入的分析与研究。

5.2 POI数据支持下的城市规模评估的可靠性

POI数据是现实世界中实体单元的点抽象，与现实实体之间存在一一对应，是三维世界的客观表达。应用POI数据进行与城市空间相关的研究与分析，具有客观性，其研究和分析结果在一定程度上代表现实世界的真实变化，POI数据自身就具有全面、客观的数据特征。本文基于昆明市POI数据，对昆明市现有的商业发展格局进行分析和判断，结果表明，各类型的POI数据都聚集在五华区、盘龙区、官渡区、呈贡区以及西山区相互的交界地段及其附近范围，在此区域具有高度的经济发展水平，各类型行业均在此区域聚集，形成昆明市的一个超级核心，并有向外继续发展的趋势。

POI数据的收集、整理及分析，完全基于客观实体的统计记录，是城市中各种商业业态存在的抽象表现，大量的POI记录能够客观地反映城市业态的真实状态，因此POI数据能很好地支持城市规模评估。基于POI数据对城市规模评估，在实践方面具有可行性，在理论方面具有科学性，在评估结果方面具有可靠性。

6 结 论

通过查询分析昆明市历年统计年鉴数据(2015-2018)，昆明市地区生产总值逐年增长，约占云南省GDP总量的30%；GDP增速在8%以上。其中生产总值最高的是官渡区，同比增速约为8%；五华区和盘龙区位居第二和第三，增速分别约为5%和11%。从GDP增速方面来看，安宁市GDP增速约为25%，全市最高。从GDP总量方面来看，官渡区、五华区和盘龙区稳居前三。

本文基于POI数据，利用叠加分析、点密度分析以及K-Means聚类等方法，根据POI数据在昆明的区域分布特征及聚集形式，对昆明市的商业发展规模及发展形态进行分析与判断，其研究结果表明：昆明市目前呈现出一个大型商业中心区，并不断向外延伸，形成多级、多元的商业空间结构。从一个高度发展的中心区域向外逐渐扩展发展成为多层次，多级别的多功能型城市。其中与金融相关的行业，在一个超级核心范围及其附近高度聚集，其他的以餐饮或休闲娱乐相关的产业已经开始逐渐向外发展。整体上，昆明市一个超级核心多个微型核心，多层次、多级别的城市商业空间格局已经开始形成，核心区域的多功能特性已经表现明显，其他一些小型的聚集中心的发展程度有待强化，其多功能特性需要加强。

对比基于统计年鉴的GDP分析和基于POI数据的商业空间结构分析，虽然表现的形式不同，但得出的结论在空间上保持高度一致。基于POI数据的商业空间结构分析，使分析对象更加具体，更加强调分析对象的时空性，强化各种商业业态之间的空间联系性，得出的结论具体、客观、可靠，是一种优化的空间结构分析途径。