LBS视频云服务在餐饮行业中的应用需求研究

2015-04-17罗玮祥伍博炜

绿色科技 2015年10期

罗玮祥，伍博炜

（福建师范大学地理科学学院，福建福州350007）

1 引言

在未来5～10年内，地理空间信息将实现随时、随地为所有的人和事提供实时服务（4A服务）（李德仁，2002年）。因为人类80%的活动均与空间位置相关，由位置而衍生的服务内容举不胜举，所以为人类提供与空间信息和位置信息相关的服务至关重要［1］。

《中国移动互联网发展报告（2014）》蓝皮书显示，截至2014年1月，我国移动互联网用户总数达到了8.38亿户，在移动电话用户中的渗透率达到67.8%，手机网民规模达5亿人，占总网民数的八成多，手机保持第一大上网终端地位，我国移动互联网发展进入全民时代。北京市城市管理协调办公室结合实际工作，克服原有城市管理监督员和固定视频监控模式不足，引入3G信息技术，创建集视频采集、数据压缩、联动报警、卫星定位等功能于一身的手机实时视频监控系统［2］；吴勇等提出一套集视频信息、音频信息以及GPS定位信息三者融于一体的移动视频采集系统方案［3］；候伟将实时视频监控系统运用到公安实战中，有效补充了公安系统现有视频监控系统的不足［4］；刘建益则是着重探讨了云计算技术在安防视频监控领域的应用［5］；李刚则给出了基于流媒体技术的城市管理视频采集、发布、传输、访问的系统构成和网络发布流程［6］；胡泳直接指出视频应用是未来的杀手应用［7］；毕朦予则是探讨了移动视频应用的商业模式［8］；盛夏探析了LBS技术在社会化媒体中的应用问题［9］；目前LBS被视为最具有发展潜力的移动互联网应用之一，许多学者对LBS的发展前景进行了肯定。陈飞翔等认为：“LBS服务几乎涵盖了人类动态活动的每一个方面”［1］；Ryan Kim（2011）认为：“基于位置提供服务和SoLoMo（社交、本地化、移动）正成为受欢迎的服务”；李元勤（2010）认为：“LBS平台将大众对互联网的需求由现有的娱乐、信息和交流平台进一步引向实时、就近的满足消费需求方面”［10］。尽管LBS的发展前景得到各方面使用者的肯定，但技术的使用要求以及服务理念与我国目前的基础设施和行业成熟度未能很好地配合发展，因此，其发展仍面临着较多的问题，国内LBS技术的应用仍存在较多需要改进的地方。

2 研究设计

2.1 研究区域

本次研究区域为广州市海珠区多个商圈的餐饮点。海珠区餐饮美食一向以亲民、性价比高、忠于老味道而出名，餐饮业发达，餐厅种类齐全，适合作为本次研究区域。本研究选取了江南西商圈、上渡路美食街和客村—丽影广场商圈为三个调查点。

2.2 概念界定

2.2.1 LBS技术

LBS（Location－Based Services），又称位置服务，是由移动通信网络和卫星定位系统结合在一起提供的一种增值业务，通过一组定位技术获得移动终端的位置信息（如经纬度坐标数据），提供给移动用户本人或他人以及通信系统，实现各种与位置相关的业务。实质上是一种概念较为宽泛的与空间位置有关的新型服务业务。简单来说，LBS就是基于位置的服务，所有的服务只要和位置有关系的，都可以称之为LBS一类。

2.2.2 移动视频云服务

移动视频云服务是通过虚拟化技术整合IT资源，提供移动互联网视频云服务。主要特征是以移动网络为传输通道，以移动终端为展示载体，以比文本、语音更加高级的视频图像（Video）和音频（Audio）信息为主要内容。服务集成了移动视频直播、视频转码、视频定制格式录制、视频存储、视频流媒体分发等基本功能，能够为不同的用户快速开通，快速实施移动视频相关服务。

2.3 数据收集

2.3.1 调查方式

本研究采用定量和定性研究方法相结合。通过在线及现场问卷调查，随机选择55个商家，获得关于商家对餐饮行业的LBS视频云服务的认知、使用及需求情况。调查问卷：问卷派出55份，有效问卷51份，问卷有效率92.73%。

2.3.2 调查对象

本次调查对象为餐饮行业的两大主体之一，商家。商家是研究区域中的各类餐饮商家。

2.3.3 样本情况

对商家调查者的样本进行分析，粤菜馆所占比例最高，为21.6%，甜品店和日韩料理次之，分别为19.6%、17.6%，茶餐厅最低，为3.9%。从调查对象的基本属性中可以看出，总体涉及范围较为全面，具有一定的代表性（表1）。

表1 样本情况

2.4 数据处理方法

采用交叉分析法对具有视频云技术的摄像头安装位置的需求以及对不同地方安装摄像头的意见进行分析。同时，使用相关分析方法将LBS技术和视频云结合应用与各类情况结合进行相关分析。为进一步了解商家对基于LBS技术的视频云服务的功能需求，使用主成分因子分析，运用降维的思想来进行考虑。

3 商家对LBS视频云服务在餐饮行业中的应用需求分析

3.1 不同餐饮类型对视频云技术摄像头安装位置的需求分析

3.1.1 不同餐饮类型在排队等位区安装视频云摄像头意愿分析

表2 不同餐饮类型在排队等候区安装视频云摄像头的意愿情况 %

由表2可知，7类餐厅中大部分都愿意在排位等候区安装视频云摄像头，因为这能为顾客带来便利，改善等位候餐的情况，提高餐厅的运营效率；同时针对一般以及不愿意在排位等候区安装视频云摄像头的餐厅我们也进行了访谈，这些商家表示，他们担心将自己餐馆排位情况实时公布后，会有顾客因为太拥挤而选择其他餐厅就餐，导致顾客的流失。

经卡方检验给出的结果为卡方值20.681，渐进方法的概率p值为0.296，大于显著性水平0.05，因此可以认为不同餐饮类型对在排队等位区安装视频云摄像头的意愿没有显著影响。

3.1.2 不同餐饮类型在餐馆内部大堂安装视频云摄像头意愿分析

由表3可知，样本中有23.5%的餐馆非常愿意在餐馆内部大堂安装视频云摄像头，有37.3%的餐馆对在餐馆内部大堂安装视频云摄像头意愿一般、有39.2%的餐馆不愿意在餐馆内部大堂安装视频云摄像头。由此可以发现，大部分餐馆都愿意在餐馆内部大堂安装视频云摄像头，因为这能让顾客看到自己餐馆生意兴隆的一面，具有良好的广告效应；同时意愿一般的商家表示，实时公布自己餐馆内部大堂一定程度上有助于顾客了解自己的餐厅，同时有利于餐厅的安全，但也可能泄露一些自己餐馆的内部信息，因此他们对于在这一位置安装视频云摄像头持中立态度。

经卡方检验给出的结果为卡方值16.948，渐进方法的概率p值为0.156，大于显著性水平0.05，因此可以认为不同餐饮类型对在餐馆内部大堂安装视频云摄像头的意愿没有显著影响。

表3 不同餐饮类型在大堂安装视频云摄像头的意愿情况

3.1.3 不同餐饮类型在厨房安装视频云摄像头意愿分析

由表4可知，对于在厨房安装视频云摄像头的意愿，茶餐厅中“一般”与“不愿意”各占50%；西餐厅中“不愿意”占85.7%、“非常不愿意”占14.3%；甜品店中“一般”占10%、“不愿意”占90%；粤菜馆中“一般”占90.9%、“不愿意”占9.1%；日韩料理中“很愿意”占44.4%、“一般”占22.2%、“不愿意”占33.3%；快餐店中“很愿意”占28.6%、“一般”占14.3%、“不愿意”占57.1%；火锅店中全为“一般”。这是因为茶餐厅、西餐厅、甜品店、粤菜馆中厨师的烹饪技巧、手法讲究，因此厨房显得尤为私密，不便公开其中的烹饪过程；日韩料理注重食材的新鲜，同时也注重料理的制作手法，因此部分日韩料理的商家愿意公开厨房以便顾客了解其优质的食材，而另一部分日韩料理的商家担心制作手法的泄露；快餐店与火锅店对于厨房的敏感度相对其他类型餐厅较低，因此他们对于在厨房中安装视频云摄像头的态度也显得较为随意。

表4 不同餐饮类型在厨房安装视频云摄像头的意愿情况

3.2 商家对于基于LBS技术的视频云服务的功能需求分析

商家对于基于LBS技术的视频云服务的功能需求，共使用8个问项来进行测量。商家对于基于LBS技术的视频云服务的功能需求主要有提供餐馆基本信息和位置、签到团购功能、提供餐馆排队等位实况视频、就餐等候时间预判和提供预约、提供餐厅内部环境实况视频、就餐经验分享和评价和紧急呼叫相关卫生执法人员和位置传送，使用主成分因子分析，运用降维的思想，把这些具有一定相关性的多个指标，转化为少数几个不相关的综合指标。从而得到餐饮行业商家对于该创新应用需求度最高的几种功能。

3.2.1 KMO和Bartlett检验

将问卷所得的商家对于基于LBS技术的视频云服务功能需求的各个变量进行KMO和Bartlett检验。结果显示，KMO＝0.700，较为接近1，表明数据较适合做因子分析；sig＝0.00＜0.01，则拒绝原假设，认为相应系数矩阵与单位阵有显著差异，也表明原有变量存在相关性，适合做主成分分析。

3.2.2 因子提取

首先进行尝试性因子分析，根据原有变量的相关系数矩阵，采用主成分分析法提取因子，并选取大于1的特征值，如表5所示。

表5 公因子方差

如表5，指定提取4个特征值下的变量共同度数据。第二列数据显示此时变量基本的共同度较高，信息丢失较少。因此，本次因子提取的总体效果较理想。如表6所示，第一列是因子编号，以后三列组成一组，每组中数据项的含义依次是特征根、方差贡献率和累计方差贡献率。

第一组数据项描述了因子分析初始解的情况。可以看出，第一个因子的特征值为2.969，解释原有8个变量总方差的42.416%，前4个成分的累计方差贡献率为85.690%（＞85%）。其余数据含义类似，在初始解中由于提取了7个因子，因此原有变量的总方差均被解释，累计方差贡献率为100%。

第二组数据，描述了因子解的状况。可以看到：由于指定提取4个因子，4个因子共解释了原有变量的总方差的85.690%。总体上，原有变量的信息丢失较少，因子分析结果较理想。

第三组数据描述了最终因子解的情况，可见，因子旋转后，总的累计方差贡献率没有改变，也就是没有影响原有变量的共同度，但却重新分配了各个因子解释原有变量的方差，改变了各因子的方差贡献，使得因子更易于解释。

如图1碎石图所示，横坐标为因子数目，纵坐标为特征值，可以看到：第一个因子的特征值很高，对解释原有变量的贡献最大；第4个因子以后的特征值都较小，对解释原有变量的贡献很小，因此提取4个因子是合适的。

3.2.3 主成分因子命名解释

这里采取最大方差法对因子载荷矩阵实行正交旋转以使因子具有命名解释性。指定按第一因子载荷降序的顺序输出旋转后的因子载荷，并绘制旋转后的因子载荷表7。

签到团购功能、就餐经验分享和评价、紧急呼叫相关执法人员和位置传送在第1个因子（第一列）上有较高的载荷，第1个因子主要解释了这3个变量；提供餐馆排队等位实况视频、就餐等候时间预判和提供预约在第2个因子上有较高的载荷，第2个因子主要解释了这2个变量；提供就餐内部环境实况视频在第3个因子上有较高的载荷，第3个因子主要解释了这一个变量；提供餐馆基本信息和位置在第4个因子上有较高的载荷，第4个因子主要解释了这一个变量。因此，因子命名如下。

第一个因子：团购评价应急功能；