上海市中心城商业网点空间集聚特征综合测度

黄浦江

(1.上海市城市规划设计研究院发展研究中心，上海 200040；2.上海市城市规划建筑设计工程有限公司，上海 200040)



上海市中心城商业网点空间集聚特征综合测度

黄浦江

(1.上海市城市规划设计研究院发展研究中心，上海 200040；2.上海市城市规划建筑设计工程有限公司，上海 200040)

基于互联网开放数据，对上海市中心城区内的商业空间网点的集聚特征进行综合测度.研究结果表明：① 空间距离方面，上海市中心城区商业网点体现出较为显著的空间集聚特征，多尺度空间集聚特征，整体呈现了“先增后减”的倒U型态势.② 空间密度集聚特征方面：上海市中心城区商业网点基本呈现内环内中西部面状集聚，内环外分散集聚，浦西浦东地区差别巨大的特征.③ 空间热点集聚特征方面：上海市中心城区3种类型的商业网点冷热点分布呈现冷点区域分割包围热点区域的空间集聚特征.对比空间密度集聚特征，应当鼓励发展具有高空间密度但表现为空间冷点的集聚区域，进一步完善该区域的商业结构，提升商业服务质量，使其形成新的商业热点集聚区域.

商业网点；网络开放数据；空间集聚；上海中心城区

0 引言

近年来，随着信息通讯技术的不断发展，不同类型的大数据在城市空间研究中越来越多的得到来自规划师、学者、商业机构与政府部门等群体的重视，同时也形成了大数据是城市规划以及相关学科研究的机遇和挑战的广泛共识[1-4].面对这种机遇与挑战，基于多源大数据的“新数据环境”也随之形成.在“新数据环境”下，许多学者基于手机、社交媒体、出租车等大数据开展了大量的城市空间实证研究[5-9].这些研究从多种维度定量直观的刻画了城市社会与物理空间在不同空间尺度下基于大量个人行为时空模式分析的城市空间环境特征.这种空间环境特征也更有利于体现“以人为本”的城市规划基本理念，同时也对存量规划、收缩城市、公众参与等热点问题具有支持作用.

城市商业空间特征作为城市环境中最为重要的社会经济特征,一直都是包括城市规划、经济地理、区域经济等相关学科关注的重点.其研究手段和视角也在不断的革新.在近十年的国外商业地理区位研究中，主要聚焦于商品流和市场网络，零售业国际化，购物中心的吸引与竞争，商圈与集聚经济，商业空间重构等方面的研究[10-13].我国的城市商业区位研究相对较晚，相关学者对广州、西安、南京等城市的商服业网点的形成、演变以及空间结构特征进行了分析与实证研究，探讨了不同城市发展阶段城市商业空间的结构特征.近年来，随着GIS空间分析技术、空间计量模型等新技术新方法的出现，商业空间特征分析逐步转向了面向城市中微观层面的商业业态、商业功能区以及商业网点选址方面的研究.但是以商业消费个体空间行为特征来度量商业网点空间特征的研究却相对较少[14].

大数据的出现，提供了一种有效探索商业消费群体空间行为模式规律的可能性，尤其是在城市环境中的社会经济特征体现的尤为明显[15].但是如何有效定量分析这种空间行为模式则成为了新的难题.当前众多学者都提出了不同的理论基础与研究方法，其中最具有代表性的是数据增强设计方法.相比传统的几何形态式的空间规划解读，数据增强设计方法有助于我们重新审视城市空间研究中的一些基本问题，亦能够满足不同层次规划人员与公众的认知需求[16].因此，本文中基于大众点评网的网络开放数据，运用四种空间分析方法，分别对上海市中心城区三种类型商业网点从空间距离、空间密度到空间热点三个维度的不同空间集聚特征进行综合测度，以期丰富数据增强设计方法，并为包括城市公共中心识别、商业网点规划与商圈评价等规划设计项目提供更加科学合理的空间集聚特征规律识别与评价建议.

1 数据与研究方法

1.1 研究区及数据来源 上海市下辖15区1县，总面积约为6 340 km2.上海市的城市快速道路交通环线由内而外分为内环线、中环线和外环线，本文中所研究的区域主要是指上海市外环线以内区域，包含了5个完整行政区(黄浦区、静安区、闸北区、虹口区和杨浦区)和7个行政区的部分区域(闵行区、普陀区、长宁区、浦东新区、宝山区、嘉定区和徐汇区)，总面积约为620 km2.

上海市中心城商业网点坐标及其属性信息的获取，主要是通过互联网数据挖掘技术从大众点评网站获取，时间为2015年，共计约85 000个商业点位数据，数据属性主要包括点评数量、人均价格、口碑评分、服务评分以及环境评分等.其中点评数量作为最能够体现商业网点空间活力的属性指标，被用于本文中的各种空间分析的加权计算中.根据大众点评(上海站)商业网点数据的分类特征，借鉴上海市基本商务区规划、第三次经济普查行业分类标准以及其他相关商业网点研究对商业类型的分类，选取批发和零售业、住宿和餐饮业、其他商业服务业作为商业的基本类别并对数据进行重分类.重分类后的商业网点数据通过百度API技术进行空间坐标矫正，对坐标出现偏差的数据进行坐标重获取，最终将所有数据通过ArcGIS软件整合成上海市商业网点数据库.1.2 研究方法 本文中根据上海市中心城区商业网点数据的特点，将商业网点分布现象抽象为点模式，点模式分析提供了区域上点位置空间布局与分异的定量分析过程.并选取最近邻指数、Ripley’sK(r)函数、核密度分析法和热点分析法对上海市中心城区的商业网点空间集聚特征进行综合分析与测度.1.2.1 最近邻指数 最近邻指数(Nearest Neighbor Index，NNI)是通过比较计算最邻近点对的平均距离与随机分布模式下最邻近点对的平均距离，用其比值来判断其与随机分布的偏离[17].在实际应用中，最近邻指数可以判断商业网点的空间分布是否属于集聚型.其公式如下：

NNI=d(NN)/d(ran)

(1)

式中：d(NN)为最近邻距离；d(ran)为期望平均最近邻距离，其取值一般为：

(2)

式中：N为样本数量；A为研究区域面积.当NNI小于1 时，样本点呈集聚分布；NNI大于1 时，样本点呈均匀离散分布；NNI等于1 时，样本点为随机分布.一般采用Z检验，来检验结果的可靠性.

1.2.2 Ripley’sK(r)函数 Ripley’sK(r)函数主要用于分析不同空间尺度上某一点的分布所表现出来的特定模式.Ripley’sK(r)函数通过对比每个点在其半径r内的邻居个数与期望邻居个数，衡量点要素是否空间集聚[18].如果一个点的邻居数比期望值高，那么该点及其周围的邻居是集中分布.K(r)定义为邻居个数除以平均点密度，在均匀分布和均质性的假设(λ为固定值)前提下，Ripley建立的K(r)函数为：

(3)

式中：A为研究区面积；n为研究区内各行业企业个数；d为距离尺度；dij为企业个体i与个体j之间的距离(i，j=1，2，…，n，i≠j).随后，Besag对K(r)进行了改进，提出L(r)函数，

(4)

L(r)与r的关系图可以用于检验依赖于尺度r上的各行业分布格局.如果L(r)小于随机分布的期望值，即为负值，则认为该行业有均匀分布的趋势；L(r)大于期望值，即为正值，则该行业有聚集分布的趋势，否则为随机分布.计算过程中为了能够更好的描述不同空间尺度的商业网点集聚程度，利用点评数对L(r)进行加权计算.

1.2.3 核密度(Kernel)分析 核密度分析法是空间分析中运用广泛的非参数估计方法，用于计算要素在其周围邻域中的密度.该方法以特定要素点的位置为中心，将该点的属性分布在指定阈值范围内(半径为h的圆)，在中心位置处密度最大，随距离衰减，到极限距离处密度为0.衰减方式由核密度函数决定，整个阈值范围内密度的积分之和就等于中心点的属性值，对于独立分布的点来说，属性值为1.通过对区域内每个要素点依照同样的方法进行计算，并对相同位置处的密度进行叠加,就得到要素在整个区域的分布密度[19].假定x1，x2…，xn是分布密度函数为f的总体中抽取的独立同分布样本，f在点x处估计值为f(x)，如式(4)：

(5)

式中：k(·)为核函数；h>0 为带宽；x-xi为估计点x到样本xi处的距离.为了能够准确反映商业网点的空间分布特征而又不至过于细节化，经过反复试验，选取1 km为距离阈值，分别对批发零售业、住宿餐饮业、其他商业服务业网点进行点评数量加权的核密度分析.

1.2.4 热点分析 热点分析可探测事件在空间分布的非随机性，计算出事件发生高频率的热点区域.本研究中采用探索性空间数据分析(ESDA)中空间热点分析方法的Getis-Ord Gi*指数来检验基于点评数量加权后的局部地区是否存在统计显著的高值和低值，可以用地区可视化的方法揭示“热点区”和“冷点区”，得到高值或低值要素在空间发生聚类的位置[20].其公式如下：

(6)

(7)

2 空间集聚特征综合分析

运用最近邻指数、Ripley’s K(r)、加权核密度分析和加权热点分析对上海市中心城区住宿与餐饮业、批发与零售业、其他商业服务业分别进行空间邻近距离集聚特征、多尺度空间集聚特征、空间密度集聚特征与空间热点集聚特征分析.

2.1 空间邻近距离集聚特征 利用ArcGIS软件中的Average Nearest Neighbor Distance模块对上海市中心城区的餐饮与住宿业、批发与零售业以及其他商业服务业网点进行平均最近邻距离分析，结果如表1所示，得出上海市3种分类商业网点的最近邻指数均小于1，且均在1%的显著性水平下通过检验，表明上海市中心城区商业网点的空间集聚特征较为显著.从具体商业分类来看，住宿与餐饮业的最近邻指数是3种分类中最小的，数值为0.33，平均最近距离为22.56 m，表明住宿和餐饮业网点在分类中的空间集聚特征表现的最为显著.批发与零售业与其他商业服务业的最近邻指数分别为0.36和0.41，平均最近距离为37.05 m和47.77 m，其中其他商业服务业是3种分类中最高的.表明该类商业网点在总体呈现空间集聚特征的前提下，呈现较为离散的空间分布特征.

表1 上海市中心城区商业网点最近邻指数分析

图1 上海市中心城区商业网点Ripley K(r) 函数分析结

2.2 多尺度空间集聚特征 本文中采用基于点评数加权的空间距离Ripley’s K(r)函数方法分析上海市中心城区3种类型商业网点的多尺度空间集聚特征，从而说明其区位选择的空间尺度范围，其结果如图1所示，根据分析结果，餐饮与住宿业、批发与零售业以及其他商业服务业在10 km以内的实际观测距离范围内，空间分布的实际L(d)函数值均大于置信区间的上限，在99%的置信度上，显著性检验全部通过.

2.3 空间密度集聚特征 根据点评数加权后的核密度分析结果显示，如图2所示，上海市中心城区餐饮与住宿业表现出较为明显的内环内中西部面状集聚，内环外分散集聚的特征.

内环内核心集聚区主要包括了人民广场、南京西路、静安寺以及淮海路所组成的集中连片区.而内环内其他区域，如虹口足球场，中山公园，陆家嘴、打浦桥、徐家汇等地区形成了局部集聚中心，并与核心集聚区呈现了较为明显的连片趋势.在浦东与浦西之间的集聚特征对比中，我们发现餐饮与住宿业具有较为明显的差异，其中浦西地区主要表现为集中连片的均值化特征，浦东则以陆家嘴地区为核心，单中心向外有限扩散.

内环外餐饮与住宿业集聚特征则主要体现了多点开花的局部集聚性，较少形成集中连片集聚区，浦东浦西之间的差别依然保持了浦西绝对高于浦东的集聚特征.在多个内环外集聚中心中，五角场地区的集聚度最为明显，其他如浦西地区的大华，大宁，北新泾等与浦东地区的张江、金桥、世纪公园、上南-世博地区都呈现了一定的空间集聚现象，但是其能级远低于内环线内的地区.

批发与零售业相比餐饮表现出空间上内环中心集聚，内环外局部集聚的特征，如图3.并且集聚的空间范围进一步集中.内环内的核心区域缩小为人民广场、南京西路、淮海路为中心的集中连片区.中山公园、陆家嘴、打浦桥以及徐家汇地区则形成了内环内的局部集聚区，其中中山公园至徐家汇一带的批发与零售业表现出转向集中连片聚集区的发展趋势.内环外地区的集聚区域相对较少，只有五角场地区以及闵行万源城-东兰路一代形成了较为明显的集聚区域.其他地区均未出现能级较高的集聚区.浦东与浦西地区批发与零售业的空间集聚对比，整体上依然保持了浦西高于浦东的空间集聚，相比浦西地区的多点、连片的集中，浦东地区只有陆家嘴地区具有一定的高等级集聚.

图2 上海市中心城区餐饮业与住宿业 网点核密度分析结

图3 上海市中心城区批发与零售业 网点核密度分析结

图4 上海市中心城区其他商业服务业 网点核密度分析结

其他商业服务业在空间上表现出了集中连片，轴向延伸的集聚特点，如图4.内环内的相对高等级的集聚分布基本覆盖了内环内大部分区域，以人民广场、南京西路、淮海路、静安寺所形成的核心区与中山公园、徐家汇、打浦桥、陆家嘴区域性中心，形成了有效的集聚效应的辐射融合发展区域，即内环内的集中连片核心发展地区.内环外高等级集聚区域也比其他两个商业类别有所增多，并且与内环内的核心区域延伸地区形成新的轴向发展带.从中心城区的整体发展上可以看出两条发展主轴，其中一条主轴沿五角场、人民广场、徐家汇和漕河泾成东北-西南轴向发展，另一条主轴则由北新泾、中山公园、南京西路、陆家嘴成东西向轴向发展.

2.4 空间热点集聚特征 通过空间热点分析可以识别出3种商业类型中具有统计显著性的高值(热点)和低值(冷点)的空间聚类区域.根据点评数加权处理后的热点分析Z值结果显示，如图5所示，上海市中心城区3种类型的商业类别冷热点分布呈现冷点区域分割包围热点区域的空间集聚特征.

其中热点区域均分布在内环内浦西地区以人民广场、打浦桥、徐家汇、中山公园、静安寺为核心的面状连片区域，浦东地区陆家嘴为核心的中部与西南部区域.内环外主要分布在五角场地区.其中批发与零售业的热点区域空间集聚特征较之其他两种商业类型具有更加集中的集聚特点，尤其体现在浦东陆家嘴地区热点集聚范围.在内环附近，餐饮与住宿业以及其他商业服务业在大宁与虹口足球场地区出现了较为微弱的热点区域.这些区域的商业网点不仅有自身活力高特征，同时也有其周围活力亦高的特点.说明其商圈发展与服务水平较高，具有明显的向内环线内外的中心城区居民空间辐射与引力作用.

冷点区域则主要出现在内环内热点区域的周围，其分布阻隔了商业空间热点集聚区向外扩展的趋势.其中三种类型商业网点活力冷点最为集中的区域分别为，内环内四川北路地区、豫园地区内外环间的五角场周边与虹口足球场周边地区.其中餐饮与住宿业、其他商业服务业在冷点空间集聚特征中体现较为明显的集中连片分布特点，而批发零售业则主要体现了局部散点式冷点集聚.冷点集聚区，例如虹桥、金桥、大华、世博等地区还是具有个别活力较高的大型单体商业中心，虽然在现阶段无法带动周边的商业网点整体活力.部分居民选择到市中心核心区进行相关商业活动.但是拥有活力较高的大型单体商业中心的冷点区域还是应该在下一步规划中作为有效转化为商业热点的高潜力区域进行发展，进一步调整和提升商业结构与服务质量.不仅在商业网点数量上做到提升，同时也要在商业活力上进行区域协同提升.

图5 上海市中心城区3种类型商业网点热点分析结果 (a) 餐饮与住宿业Z值; (b) 批发与零售业Z值; (c) 其他商业服务业

本文中选用4种空间分析方法对上海市中心城区的商业网点空间集聚特征进行了综合测度分析，得出结论如下：

中心城区商业网点空间特征：空间邻近距离集聚特征方面表明：上海市中心城区商业网点的空间集聚特征较为显著.住宿与餐饮业的最近邻指数最小空间集聚特征表现的最为显著.批发与零售业、其他商业服务业最近邻指数逐渐增大，表明这两类商业网点在总体呈现空间集聚特征的前提下，呈现逐步离散的空间分布特征；多尺度空间集聚特征方面表明：上海市中心城区3种商业网点基本上保持着随距离增加集聚程度先增加后逐渐减小的规律，整体呈现了“先增后减”的倒U型态势，但是三者在区位选择的距离数值上存在差异；空间密度集聚特征方面表明：上海市中心城区餐饮与住宿业活力内环内中西部面状集聚，内环外分散集聚.批发与零售业相比餐饮表现出在空间上内环内中心集聚，内环外局部集聚的特征，并且集聚的空间范围进一步集中.其他商业服务业在空间集聚特征中表现出了集中连片、轴向延伸的集聚特点；空间热点集聚特征方面表明：上海市中心城区3种类型的商业网点冷热点分布呈现冷点区域分割包围热点区域的空间集聚特征.

中心城区商业空间规划指导建议：第一，中心城区商业网点空间规划，批发与零售业中由于包含了综合性商业广场等商业设施，其内部的销售类型较为多样，空间选择性较强，所以可以在更大的范围内选址布点.而其他两种商业类型则主要提供较为单一的商业服务类型，空间适应性较低，可选择的空间选址较少，可在临近居民区以及综合性商业广场附近进行集中布局.第二，综合空间密度与空间热点区域特征，空间热点区域并且空间密度较高区域的商业网点不仅有自身活力高特征，同时其周围活力亦高.具有明显的向内环线内外，中心城区居民空间辐射与引力作用，可以作为中心城区商业网点核心发展区域.第三：空间冷点地区并且空间密度较高的区域，其中一般拥有活力较高的大型单体商业中心，虽然对其周边区域还无法具有辐射与协同带动作用，但是其本身商业基础较好，可以在下一步规划中作为有效转化为商业热点的高潜力局部发展核心区域进行发展.

本文中通过4种不同的空间分析方法对上海市中心城区商业网点的空间集聚特征进行综合测度，不同方法所诠释的空间集聚特征在对应具体的规划项目时，应当针对所要研究的主要问题选择合适的方法进行解释.同时本文中的基础数据来源主要是基于大众点评的网络开放数据，其数据的主要特征也受到了使用人群以及人群特征分类属性较少的限制，不能全面阐释商业网点空间集聚特征.在今后的研究中，需要运用多源数据对同一空间事物进行更加综合的对比分析，在深刻了解其空间发展规律后，找出与之相适应的影响因素，并以此作为空间评价与预测分析的基础.

[1] 宋小冬，丁亮，钮心毅. “大数据”对城市规划的影响:观察与展望[J]. 城市规划，2015(4): 15-18.

[2] 甄峰，王波. “大数据”热潮下人文地理学研究的再思考[J]. 地理研究，2015，34(5): 803-811.

[3] 秦萧，甄峰. 大数据时代智慧城市空间规划方法探讨[J]. 现代城市研究，2014(10): 18-24.

[4] 龙瀛. 城市大数据与定量城市研究[J]. 上海城市规划，2014(5): 13-15.

[5] 茅明睿. 大数据在城市规划中的应用:来自北京市城市规划设计研究院的思考与实践[J]. 国际城市规划，2014，29(6): 51-57.

[6] 柴彦威，龙瀛，申悦. 大数据在中国智慧城市规划中的应用探索[J]. 国际城市规划，2014，29(6): 9-11.

[7] 牛强. 城市规划大数据的空间化及利用之道[J]. 上海城市规划，2014(5): 35-38.

[8] 王森. 城乡规划视角下大数据应用进展研究及其对上海2040总规编制的启示[J]. 上海城市规划，2014(5): 16-20.

[9] 钮心毅，丁亮. 利用手机数据分析上海市域的职住空间关系——若干结论和讨论[J]. 上海城市规划，2015(2): 39-43.

[10] Coe N M. The strategic localization of transnational retailersthe strategic localization of transnational retailers:the case of samsung-tesco in south korea[J]. Economic Geography，2006，1(82): 61-88.

[11] Halbert L. The decentralization of intrametropolitan business services in the paris region:patterns，interpretation，consequences[J]. Economic Geography，2004，4(80): 381-404.

[12] Drennan M P，Kelly H F. Measuring urban agglomeration economies with office rents[J]. Journal of Economic Geography，2011，11(3): 481-507.

[13] Lee Y，Mccracken M. Centripetal and centrifugal movement: shopping centres in denver，USA，and Brisbane，Australia[J]. Urban Studies，2012，49(7): 1489-1506.

[14] 方远平，闫小培，毕斗斗. 1980年以来我国城市商业区位研究述评[J]. 热带地理，2007，27(5): 435-440.

[15] 刘瑜. 社会感知视角下的若干人文地理学基本问题再思考[J]. 地理学报，2016，71(4): 564-575.

[16] 龙瀛，沈尧. 数据增强设计——新数据环境下的规划设计回应与改变[J]. 上海城市规划，2015(2): 81-87.

[17] 王士君，浩飞龙，姜丽丽. 长春市大型商业网点的区位特征及其影响因素[J]. 地理学报，2015，70(6): 893-905.

[18] 方忠权. 广州会展企业空间集聚特征与影响因素[J]. 地理学报，2013，68(4): 464-476.

[19] 张珣，钟耳顺，张小虎，等. 2004-2008年北京城区商业网点空间分布与集聚特征[J]. 地理科学进展，2013，32(8): 1207-1215.

[20] 毕秀晶，汪明峰，李健，等. 上海大都市区软件产业空间集聚与郊区化[J]. 地理学报，2011，66(12): 1682-1694.

(责任编辑 郭定和)

The comprehensive measure of agglomeration characteristics of commercial sites in central city of Shanghai

HUANG Pujiang

(1.Development and Research Center，Shanghai Urban Planning and Design Research Institute，Shanghai 200040，China;(2.Shanghai Urban Planning Architectural Design Engineering Limited Company，Shanghai 200040，China)

This paper aims to analysis spatial aggregation of commercial sites in central city of Shanghai.The results show that: ① In terms of spatial distance，all commercial sites present salient spatial aggregation features. The agglomeration degrees increase and then decrease with the increasing of distance. ② The kernel density analysis shows that commercial sites aggregate in Middle-west of inner ring area while disperse outside inner ring area. Meanwhile a sizeable difference also reveals between Pudong and Puxi areas. ③ The spatial hot spots of commercial sites mainly concentrate inside inner ring road，while the spatial cold spots distribute evenly outside inner ring road area. Improvements on commercial structure and service quality should be made in cold spots with high density to turn them into new hot spots area.

commercial sites; open data; spatial aggregation; the center city of Shanghai

2016-05-09

国家十二五科技支撑项目(2012BAH28B02)和上海市城市规划设计研究院科研项目(2015K012)资助

黄浦江(1986-)，男，博士，工程师，E-mail：geohuangpj@163.com

1000-2375(2016)06-0572-07

K901.8

A

10.3969/j.issn.1000-2375.2016.06.018