基于ArcGIS 的南京、西安景点空间分布比较研究

代思佳 雷中英

摘要：近年来，随着城市扩张和城镇化水平不断提高、人口变化等因素，城市景点的布局与人口分布的关联程度也日益加强。文章基于POI景点数据为例，应用核密度估计法和Getis-Ord Gi*指数法分析景点的分布密度、热/冷点分布及其与人口的空间关联程度。对南京和西安两个历史文化名城的分析结果表明：经济发展水平更高、基础设施更完善的城市更具旅游吸引力，景点与人口分布紧密相关，这有助于进一步总结城市景点与人口分布的关系与经验，并对其他景点城市品质提升提供重要参考。

关键词：景点;人口分布;相关;南京;西安

中图分类号：TP3    文献标识码：A

文章编号：1009-3044（2021）29-0004-04

Comparative Study on Spatial Distribution of Scenic Spots in Nanjing and Xi'an based on ArcGIS

DAI si-jia，LEI Zhong-ying

（Yangtze University， Wuhan 430100， China）

Abstract：In recent years， with the urban expansion， the continuous improvement of urbanization level， population change and other factors， the correlation between the layout of urban scenic spots and population distribution has also been strengthened day by day . Based on POI scenic spot data， this paper analyzes the distribution density， hot/cold spot distribution and its spatial correlation with population by using kernel density estimation method and Getis-Ord GI * index method. The analysis results of two famous historical and cultural cities， Nanjing and Xi'an， show that cities with higher economic development level and better infrastructure are more attractive for tourism， and scenic spots are closely related to population distribution， which is helpful to further summarize the relationship and experience between urban scenic spots and population distribution， and provide an important reference for the improvement of urban quality of other scenic spots.

Key words：place of interest; population distribution; relevant; Nanjing; Xi'an

景点逐渐成为拉动一个城市或区域经济发展与城市竞争的重要推动力，一定程度上满足了人们的精神和文化需求，更是成为一个城市的重要标签和记忆点。社会经济的蓬勃发展和新型城镇化，使得城市人口不断聚集，景点与人口聚集的空间关联愈发显著[1]。景点分布对于满足居民精神文化需求，提高景区服务的便利性、快捷性具有重要的意义。

兴趣点（Point of Interest，POI）用来表示地理信息系统中的地理对象，是一种具有地理坐标的空间数据，它因覆盖面广、精度高、分类明确等特点应用到科学研究中，并具有独特优势[2]。与官方统计数据相比，它的独特表现在“定位”特点上，由于它包含了经纬度和详细地址而拥有较高精度，能准确且真实地反映人类的社会经济活动[3]。当前，兴趣点在旅游空间格局、区域可达性、城市规划实践、商业空间布局、零售商业中心热点识别等方面的应用研究越来越受到重视。

本文基于南京、西安POI城市景点的数据，进行研究比较。南京、西安作为经济发展水平较高、人口较多，并且历史文化底蕴深厚的城市，也比较注重旅游景点对城市经济发展的推动。在基于这两个城市景点POI 的比较研究中，对南京和西安在国土空间规划中如何更好地建设景点文化，处理好人口集聚与旅游景点关系具有重要意义。

1研究区概况及数据来源

1.1研究区概况

南京地处中国东部，位于长江下游及临江沿海水域，它曾是华东战区司令部的总部。同时，南京是中国四大古都，它作为第一批国家历史文化名城辐射周围地区，成了汉文明和中华文明的重要组成部分[4]。地理坐标为北纬31°14″至32°37″，东经 118°22″至119°14″，是长三角辐射带动中西部发展的重要门户城市，也是东部沿海经济带与长江经济带战略交汇的重要节点城市。截至2019年，全市下辖11个区，总面积6587平方千米，建成区面积823平方千米，常住人口850万人，城镇人口707.2万人，城镇化率83.2%。

西安位于关中平原中部，北邻渭河、南接秦岭，是联合国教科文组织确定的“世界历史名城”，是中華文明和中华民族重要发祥地之一，也是丝绸之路的起点，国家重要的科研、教育和产业基地[5]。地理坐标为北纬33°42″至34°45″，东经107°40″至109°49″。同时，它被评为我国最佳旅游景点，是国际形象最佳的城市之一[6]。截至2019年，全市下辖11个区、2个县，总面积10752平方千米，建成区面积729.14平方千米，常住人口

1020.35万人，城镇人口761.28万人，城镇化率74.61%。

1.2数据来源

本文研究所需的数据包括南京、西安城市行政区划数据、景点POI数据、城市人口数据、社会经济数据，具体数据来源分别如下：

（1）南京、西安行政区划数据来源于国家行政区划数据库。

（2）POI数据：南京、西安的POI数据是通过调用百度地图 API（Application Programming Interface， API）和 Python 网络爬虫获取的，各城市景点POI分布及数量如表1。

（3）人口数据、社会经济数据：选取的是国家统计局和统计年鉴官网上分别查询到的南京、西安的人口数据。

1.3研究方法

1）核密度估计法

核密度估计（KED）是概率论中用来估计未知密度函数的方法，它是一种基于研究区热点密度和空间点模式的非参数估计方法，它的核心是在已有点要素基础上对未知点要素的密度函数进行估计，并在研究领域得到了广泛的应用。其中，核密度值的变化是依据离中心点距离远近而产生的，离中心点越近，其值越大，离中心点越远，其值越小。核密度的计算公式为：

式中，是空间位置（x， y）处的核密度值;h 是搜索半径，即带宽;、为采样点t 的坐标;n 是距离位置（x， y）小于或等于h 的采样点数量;x、y 为带宽范围内待估计栅格中心的点坐标。是带宽内待估计栅格中心点与采样点i之间欧氏距离的平方[7]。

2）Getis-Ord Gi*指数法

空间自相关方法可以用来度量一个地理现象或某个属性值与相邻位置的同一现象或属性值之间的相关性。冷热点分析常采用局部Getis-Ord Gi*指数法，在ArcGIS分析工具中采用Getis-Ord Gi*热点分析，主要用于检验局部区域是否存在统计明显的高值和低值，一般可采用可视化的方法显示热点和冷点区域。Getis-Ord Gi*指数是检测空间点局部空间自相关的指标之一，用于评价点在局部空间水平上的聚集程度，从而识别出具有统计意义的空间聚集冷热区。将一个元素及其相邻元素的局部和与所有元素的和按比例进行比较，当局部总和与期望的局部总和非常不同，使得不可能成为随机结果时，将会生成具有统计意义的显著性z 分数。本文用Getis-Ord Gi*指数来分析各类设施兴趣点聚集的热点区域的分布情况，计算公式如下：

进行标准化处理得：

式中，和分别是的数学期望和方差，为空间权重，如果是正，且数值高，说明i周边的值较高，属于空间集聚区域，即为热点区域;反之，如果是负值，表明i周边的值较低，属于低空间集聚区域，即为冷点区域。得分越高，热点的集聚就越近、越紧密;得分越低，冷点的聚类就越近、越紧密。

2结果分析

2.1景点核密度热点评价

如图1，根据核密度估计的结果，南京的核密度景点热点主要分布在各类服务设施齐全、交通便利、商业较为发达、比较繁华的集聚区域，主要集中分布于玄武区和秦淮区，这两个区域著名景点较多，区域繁华，人流量大。核密度估计结果表明，南京景点空间集聚呈由中心POI数据核密度值最高，并向四周逐渐减小的趋势。究其原因，南京中部地区是城市乃至全国重要的研究、文化和商业中心，是中国东部的现代服务业基地，具有较为深厚的历史沉淀，随着城镇化和人口集聚，给景点带来的是新一轮的热点，并在城市更新的过程中保留并完善了一批代表城市历史文化与深厚底蕴象征的标志性旅游景点。而周围其他区域，尤其是位于城市外围的区域，属于近年来城市扩张的产物，是新的经济开发区，交通、服务设施等基础建设处于建设和不断完善的过程中，因此核密度估计呈现出由中心向四周减小的趋势。

根据核密度估计的结果，见图2，西安的核密度景点热点主要分布在西安市中心，主要分布区域是雁塔区、莲湖区、灞桥区和未央区，这几个区域集中了西安主要的名胜古迹，如大雁塔、鼓楼、水灯、大明宫遗址等景点，因此西安核密度估计大致也呈现出中心POI数据核密度值高，四周核密度值低的特点。在交通方面，拥有便捷高效的城市交通网络，二环路、三环路和环城高速公路贯穿全区，近年新建市政道路近50条，总里程达100 公里，实现了道路网格化;经济发展方面，区域经济近几年持续快速增长，综合实力不断增强，城市建设、市容管理、医疗卫生、文化教育、社区服务等各项事业都取得重大进展，基础设施完善;区域景点众多，文化底蕴浓厚，历史影响深远，古今文化相得益彰，是西安最具代表性的历史文化旅游区域。

2.2景点冷热点评价

结合两者区域人口分布与景点分布的热点分析结果，可对城市景点与人口分布的空间关联进行分析。南京和西安的人口密度分布均呈现中间高、四周低的特征，说明两者人口密度的分布具有相似的规律，可比性较强。为进一步揭示南京和西安城市景点的“热点区”和“冷点区”分布特征，运用热点分析工具将POI数据计算Getis-Ord Gi*指数得出景点POI热点与冷点集聚情况，得到景点的热/冷点分布情况和Z得分如图所示;在此基础上，为了更加直观分析各冷热点区域，本文采用反距离权重插值法对所得热点图的Z（Gj*）进行插值。

结合数据的相关特点，在进行热点分析时，采用了自然间断点分级法将冷热点区域划分成5类，即核心热点区域、次核心热点区域、边缘热点区域、边缘冷点区域、核心冷点区域[8]。

图3是南京市城市景点POI热点图及插值后的结果，从结果图可以得到，南京景点的热点区集中于该市中部，主要呈环绕南京中部区域的特征。核心热点区较为集中分布在统一区域，且连续分布，主要密集集中于玄武区和秦淮区，而六合区仅有零散分布。这幾个区域同时也是人口密度较大的区域，符合其人口密度分布情况，因此可以说南京的景点分布与人口分布存在关联;冷点区呈现块状分布特征，核心冷点区域和边缘冷点区域主要分布于南京的南部，冷点区的分布范围是人口密度较低的区域，属于经济开发区域，基础设施不够完善，人口相对来说不够聚集。应多加强基础设施的建设，着力于经济开发，以此成为将来吸引人口的潜在因素。

从结果中显示出，西安的热点区主要位于西安的东北部，且由北向南、由东向西逐渐递减的趋势。同样，西安景点的核心热点区呈现出集中在同一区域，其余区域呈大范围块状分布。西安人口密度分布如图3所示，雁塔区、莲湖区、未央区人口密度居于西安全市前列，这几个区域人口密度大，属于西安的“城市核心区”。总体来说，热点区分布的主要区域在雁塔区以北的几个区域，并且呈以该区域辐射分布的特征，空间关联性较强。热点区也是人口密度分布较大区域，而边缘冷点区、核心冷点区多分布在距离西安中心市区较远、交通不发达、资源配置较少、人口分布少、城市功能相对薄弱的区域，主要分布于西安的南部。

3 结论与展望

本文基于POI景點数据，通过核密度分析和冷热点分析，对南京、西安两座历史文化古城在景点与人口空间分布方面进行比较、分析，结果显示两者在景点与人口空间分布上存在相似的特征。随着经济水平的发展和城市扩张，对城市景点与人口分布空间分布特征具有显著影响，景点与人口密度有较强的关联性。但总体来说，南京相较于西安人口更少、经济水平总体更高，核密度估计值也高于西安，在吸引人流量方面更具有优势。

随着社会经济的快速发展和城市扩张，以这样深厚的历史

文化底蕴为拉动经济和文化发展的城市应当加强基础设施的

建设和完善[9]，特别是以交通路网、景区合理规划、商业服务、饮食住宿等方面进行建设和优化，形成以景点及周边服务设施为核心竞争力吸引人流量，进而推动城市多方位发展;另一方面，在进行景点规划时，要基于景点与人口分布密度的关系，协调好二者的相关性和匹配程度，为未来景点为城市带来的经济和社会效益得到充分体现。

参考文献：

[1]王新越.我国旅游化与城镇化互动协调发展研究[D].青岛：中国海洋大学，2014.

[2]李鹏飞.基于互联网地理信息的公共服务平台POI数据增量更新研究[D].兰州：兰州交通大学，2020.

[3]姜洪强.基于POI数据的中国民宿空间分布特征及影响因素[C]//2019年中国地理学会经济地理专业委员会学术年会论文集.大连，2019：212.

[4]杜兰，葛军莲，王宏志，等. 基于POI 网络信息的景区最优游客接待中心选址研究——以南京钟山景区智慧旅游为例[J].华中师范大学学报（自然科学版），2014，48（4）：613-619.

[5]肖素平，陈宪，钟娅琳，等. 浅谈我国古都选址的地理因素——以古城西安为例[J].地理教育，2018（1）：58-59.

[6]王蕴芳.长三角城市旅游竞争力时空分异特征及影响因素研究[D].上海：上海师范大学，2021.

[7]禹文豪，艾廷华，刘鹏程，等. 设施POI分布热点分析的网络核密度估计方法[J].测绘学报，2015，44（12）：1378-1383，1400.

[8]张良玉，李兴阳，王志超，等. 基于Moran’s I指数的京津冀地区PM2.5空间自相关分析[J].四川环境，2021，40（2）：52-59.

[9]凌涛.基于POI数据的城市热点分析[D].昆明：昆明理工大学，2018.

【通联编辑：代影】