基于同位模式的休闲产业空间集聚特征研究

刘逸 陈銮 刘子惠 陈逸敏

[摘    要]产业集聚是经济地理学的经典议题，但现有研究主要集中在制造业和生产型服务业，对基于消费逻辑生长的旅游休闲服务产业关注不足，尚未充分揭示其集聚特征。文章借助地理信息科学领域的空间分析算法，以广州城市休闲娱乐业为例，对城市休闲产业集聚特征展开探索式研究。具体而言，该文基于地理空间分析中的最大团挖掘算法，编制出同位模式，对184 249条广州市的休闲兴趣点（POI）数据，计算最为流行的空间共现关联，以此捕捉城市休闲产业空间集聚的基本组合模式，得到如下结论：第一，同位模式可以准确地捕捉出城市休闲产业的集聚模式，休闲产业基本上以三阶为组团单位（即3类业态），在城市空间上呈现出广泛的分布，四阶为组团单位的流行度显著降低，五阶基本不具备流行度。第二，在所有流行团中，美容美发店这类POI的中心度最高，是关联其他休闲业态的最核心要素，而美容美发和餐饮的组合，在三阶、四阶流行团中出现的次数最多，是休闲产业的集聚核，构成了城市各个休闲中心和节点的基本功能。第三，以资源为导向和需要特定产业环境的休闲产业，基本不具备流行度。该研究创新性地将空间同位模式应用到城市休闲产业中，且较为精准地捕捉到现有研究尚难以揭示的休闲产业集聚模式，积极推动了基于海量数据的城市旅游休闲产业集聚研究，其发现能直接为目的地营销、产业行业管理与城市规划提供新的决策支持。

[关键词]休闲产业;空间关联;同位模式挖掘;POI;广州市

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2022）02-0094-11

Doi： 10.19765/j.cnki.1002-5006.2022.02.013

引言

产业集聚是经济地理学的经典研究议题，不管是从微观企业还是区域视角，均已有非常丰厚的研究基础。不过主流研究多聚焦制造业和生产性服务业，较少涉及城市休闲服务业。原因之一是基于消费逻辑生长的休闲产业数量庞大，规模偏小，分布十分零散。因此，基于制造业提出的主流理论很难直接用于解释这类产业的经济活动特点，城市休闲产业的集聚研究进展十分缓慢，与蓬勃发展、业态日新月异的客观现实存在着非常鲜明的差异。这一点可以从当前研究的关注程度得到印证。截至2021年4月10日，在中国知网（CNKI）以“产业集聚”为主题词搜索得到29 668条文献记录，引用率最高的前100条中，仅有两条涉及旅游产业，尚未涉及休闲产业。在此基础上，以“休闲”为关键词继续搜索，获得398条记录，引用率最高的前50条记录中，80%为硕博论文，其中，“旅游休闲”主题6条，“休闲农业”主题11条，“体育休闲”主题13条，与“城市休闲”相关的记录仅有3条，为两篇博士论文和1篇硕士论文。在Web of Science数据库中，以“industrial agglomeration”为主题词进行检索，去除理工类的期刊，获得4271条数据，其中引用率前100的文章，没有一篇与tourism（旅游）或者leisure（休闲）相关。在此结果中，以“leisure”和“tourism”为主题词进行检索，得到43篇相关研究，其中，与创意产业相关的5篇，旅游资源与影响4篇，酒店分布与集聚6篇，与休闲农业相关的有3篇，其他文章均与城市休闲无关。

随着地理信息技术的发展，数字空间地图的日渐完善，不断推陈出新的空间数据挖掘技术为休闲产业空間集聚研究带来新的机遇。首先，当前广泛应用在日常生活的地图空间数据不仅成为提高生活效率的手段，也为研究海量分布的休闲产业带来了统计上的可能。其次，新的空间数据挖掘方法为探寻休闲产业的集聚机制提供了方法上的可能。作为挖掘空间关联规则的有效手段，空间同位模式挖掘（spatial co-location pattern mining）能从大量城市设施数据——如兴趣点（point of interest，POI）中提取特征模式，挖掘空间中频繁共现的地理事物，从而有效克服休闲产业边界模糊的障碍，揭示多种休闲行业间的空间关联。

基于上述思考，本文以千年商都广东省广州市为例，借助最大团挖掘算法（sparse-graph and condensed tree-based maximal co-location algorithm，SGCT algorithm）对ArcGIS的核密度工具进行二次开发，挖掘空间同位模式，以此捕捉不同类型休闲产业的空间关联特征。由此揭示城市休闲产业空间集聚的基本特征和规律，为改善城市人居环境、优化休闲产业空间布局提供决策支持。

1 休闲产业集聚的研究进展与机遇

根据《休闲绿皮书：2017—2018年中国休闲发展报告》1，近年来中国休闲产业规模不断壮大。2017年，旅游休闲业对GDP的贡献高达9.13万亿元，占GDP总量的11.04%。不同类型休闲产业的相对集中构成区域优势，对缓解就业压力、促进城乡功能结构调整等有重要作用[1]，有助于满足多种休闲需求，提高居民生活质量。因此，梳理城市休闲产业在空间上集聚和分散的规律，揭示不同休闲行业之间的空间关联，对于优化休闲活动空间布局、构建优质生活圈，满足人民群众日益增长的休闲生活需求，具有重要的科学与现实意义。

1.1 产业集聚的理论基础

产业活动的空间关联研究最早可以追溯到19世纪末Marshall对产业集聚的讨论[2]。他认为，规模经济的外部性源于大量性质相似的企业在地理空间上的集聚，主要表现在同一产业内部，可以共享专业化投入和服务、专业化技能工人集中的劳动力池子和企业间的知识溢出。1969年，Jacobs又指出来自不同行业的企业位于同一区位也会产生外部性[3]，将产业空间关联推广到跨行业层面。这一时期，学者们多将特定产业活动在空间上的强关联归结于物质和技术联系，如共享基础设施、企业间的上下游关系、共同的知识基础以及知识溢出导致的技术创新。而进入21世纪，在新经济地理学的发展历程中，产业集聚的影响机制从纯粹的空间要素，被拓展到制度、关系和文化等要素。例如，新区域主义从交易成本、非贸易依赖和地域化分工等维度，解析了产业集聚到集群的机理。关系经济地理学派通过研究企业之间的关系属性，借助战略耦合和全球生产网络等概念解析了产业集聚的新动态。演化经济地理学者则关注产业关联的非物质层面，认为产业关联网络中的某些主体并不如Marshall所说的完全具有同质性，而是对自身的合作伙伴有强烈偏好[4]，倾向于与自身有相似价值规范、社会联系、组织边界等的主体合作[5-6]。

产业空间关联与集聚的理论历经百余年发展，已经相对成熟，但以往研究通常聚焦制造业，少量涉及生产性服务业[7-9]和文化产业[10-11]，鲜少关注休闲产业，没有充分探讨休闲产业空间分布的特征和一般规律。Huallacháin和Leslie调查了美国亚利桑那州凤凰城9个制造业细分行业的区位，揭示出各行业不同程度的集聚和不同部门的共现模式[10]。Gad指出，特定生产性服务业，如金融、保险和法律咨询会在中心城区集聚，其空间集中或分散取决于行业自身的经济活动规律[12]。García等在城市、部门和区域3个尺度考察了文化和休闲产业，初步揭示出大多数文化和休闲活动集中在服务行业专业化的发达地区[13]。然而，上述理论都是基于生产视角，其本质在于探讨产业主体在何处生产及其生产技术如何相互协作。而休闲产业主体的空间关联是以消费为逻辑构建的，其集聚的驱动力在于如何更好地吸引消费者，触发关联性消费。因此，从消费角度重新审视传统产业关联与集聚特征，对发现休闲产业空间规律有重要意义。

1.2 休闲产业空间分布的相关研究

休闲是指人们不受其他条件限制，完全根据自己的意愿去利用或消磨的时间[14]，强调个人需求。现有关于休闲产业特性的研究表明，休闲产业具有综合性、复杂性和服务导向等特点，与传统制造业区别明显，但是其集聚模式和基本规律是当前学者们尚未揭示的研究话题。

刘逸认为，休闲旅游产品是基于体验和服务的商品，定义和边界复杂[15]。Clancy提出，休闲旅游活动跨越多个行业，复杂多样[16]。Robinson指出，消费主义浪潮已经席卷了英国休闲产业的公共和私有部门，这源于消费者对休闲产品和服务日益增长的需求[17]。Byers和Slack通过访谈16位英国休闲产业的小企业主发现，尽管存在部分以制造为主的休闲企业，但多数休闲企业呈现出服务业的空间分布特征，即以大量小型企业为主，分布零散、均匀，其市场环境充满不确定性和高度竞争[18]。上述学者基本揭示了休闲产业的空间分布基本规律，但是对具体空间表现和结构尚未进行实证。

近年来，地理学者尝试对城市休闲空间的特征和规律进行探讨。赵莹等认为，地理学者的休闲研究忽略了休闲行为的原动力，应从休闲需求的角度出发开展研究，并指出国内休闲空间分布具有明显的圈层结构，城市内部休闲空间呈现多样化和等级结构[19]。部分学者尝试从需求而不是供给角度出发，探讨休闲产业的空间结构，如苗建军指出，中心城市休闲经济集聚的规模取决于休闲供给与需求的平衡，中心城市是区域休闲经济的空间节点[20]。但该研究仅限于区域尺度，且多为理论性探讨，缺乏城市内部的实证研究。

总体而言，当前城市休闲产业空间特征研究还未充分展开。有限的定量研究大多采用官方统计数据（如年鉴），属于自上而下的数据结构，研究缺乏精细度。少量学者关注休闲产业在区域和城市尺度下的集中，还未延伸至城市内部空间尺度[19-20]。

1.3 地理大数据带来的新机遇：空间关联规则挖掘

当前，信息科学和信息技术发展使数据呈现爆炸式增长趋势，“大数据”时代来临。大量非结构、碎片化的数据，其潜在价值难以挖掘和直接加以利用，出现了“数据爆炸而知识贫乏”的困境。随着数据挖掘和知识发现（data mining and knowledge discovery，DMKD）技术的进步，研究海量地理事物的空间关联性日渐成为可能，例如基于POI（point of interest）的空間信息挖掘[21]。POI是一种典型的空间数据，它标注了多类型地物的丰富信息，包括空间信息（如经纬度坐标）和非空间信息（如行业分类），同时数量众多，直接表达整体而无需抽样，具备反映真实世界的优势[22];而且POI多带有志愿地理信息特征，改变了传统官方统计自上而下的数据结构，能够满足精细化研究的需求[23]。根据CNKI检索结果，针对POI的数据挖掘仍然处于探索阶段，已有成果主要分布在旅游经济、地理测绘、城乡规划与市政、商业零售热点识别等多个领域[24]，挖掘手段包括核密度法[25-26]、聚类分析[27]、遗传算法和蚁群算法[28]等。近年来，利用POI数据从社会经济活动角度揭示城市空间分布特征和空间关联，逐渐成为人文-经济地理学研究的热门[29]。

本文认为，POI的海量出现，为探析休闲产业的空间分布特征与规律提供了新的可能，从根本上解决了休闲服务业量大、规模小、分配离散、高度市场化所导致的空间分析难题。在诸多技术中，基于POI的频繁项集算法可以快速地探知休闲产业集聚后的组合状态，为后续研究奠定重要的基础。频繁项集（frequent itemset）是指频繁地在事务数据集中一起出现的项目集合[30]。如管理学中经典的购物篮分析，大量男性顾客在购买尿布的同时也会购买啤酒，则在购物篮数据库中产生关联规则：{Diapers}⇒{Beer}。相应地，在DMKD中，空间关联分析就是从大量空间数据集合中挖掘出频繁项集，发现潜在的空间知识，如通过植被和动物疾病的同位分布发现动物的致病原因[31-32]。作为空间关联规则发现的一种有效手段，同位模式挖掘已经应用在城市空间治理、建筑模式识别等多种领域。近年来，有学者开始尝试对反映城市活动的POI数据进行同位模式挖掘，如禹文豪等分析了深圳市POI基础设施在空间分布上的关联模式与依赖关系[23]，为本研究提供了借鉴。因此，本文拟从频繁项集的思路入手，选择当前新出现的、较能够发现空间关联关系的同位模式（详见下文2.2部分），捕捉其在空间上的集聚特征。

2 研究方法

2.1 数据来源和预处理

在数据方面，本研究选取由符合国家测绘局测绘标准的四维图新公司采集的POI数据，数据更新至2017年，共计1 295 145条。每条数据所需的字段包括：POI点ID、名称、位置（经纬度）、所属省名称、所属省编号、所属城市名称、所属城市编号、所属区名称、所属区编号、所在地址、所属行业类别（分3级）。根据对休闲产业的界定，对原始数据进行筛选，提取出184 249条分属休闲产业的POI数据，在王琪延和黄羽翼[33]对休闲产业的分类基础上按照《国民经济行业分类与代码（GB T4754—2017）》进行重新分类。在涉及的7大休闲行业中归纳出11个分行业，包括零售业、住宿业①、餐饮业、会展业、旅行社业、城市公园业、景区游览业、生活休闲服务业、文化休闲业、体育休闲业和娱乐休闲业，共覆盖25个细分行业，对应154个POI原始分类 （表1）。

2.2 空间同位模式

在方法方面，本文选取Yao等[34]开发的基于图论和树压缩方法的最大团挖掘算法，构建出同位模式（co-location pattern），代表在空间中频繁地、共同出现的地理特征物，并将符合这种特征的模式称为流行团（prevalent clique）。流行团是一种k阶项集，如{Diaper， Bear}可以称为一个二阶团，三阶代表3个特征物组合成团，依次类推。Yao等开发的算法挖掘效率高，且对预设阈值的敏感度低，已经在生态学和经济学中有过高效率的应用，将其拓展到旅游休闲研究中，是本文的一个创新。

依照最大团算法逻辑（图1），假设有特征类型集F={f1，f2，…，fm}和空间实例集S={s1，s2，…，sn}。其中，集合特指Sfi包含类型fi的实例集。首先，空间同位模式挖掘需要预先指定距离阈值r。本文认为，消费者主要以步行的方式组织多种休闲活动。根据Gale的研究，大多数人每次步行的活動半径通常为400～500 m，这一因素对于人和活动的集中程度有重大影响[35]。采用K函数法对数据进行自相关分析，发现数据的自相关程度随距离阈值的增大逐渐增强，因此选取距离阈值为500 m。

其次，采用最大团挖掘算法来产生最大候选团。计算空间中任意两个实例点之间的欧氏距离，并与预设的距离阈值r比较，将符合条件的点对生成二维实例表。计算每组二维实例的流行度，并与预设的流行度阈值min-prev.比较，符合条件的二维实例生成二阶流行团。流行率PR（c， fi）指的是fi空间实例在k阶流行团c={f1， f2， …， fk}的所有实例中，不重复出现的个数与fi中总实例个数的比率，计算公式为1：

[PR（c， fi）=|πfi（table_ins（c）||table_ins（fi）|] （1）

流行度则是流行团c中所有空间对象流行率的最小值。流行度计算公式为：

[PI（c）=minki=1{PR（c， fi）}] （2）

利用图论中的拓补原理，将二阶流行团的邻近关系被抽象为边（E），特征抽象为顶点（V），得到稀疏的无向图，并利用最大团搜索算法在此图中提取所有的最大团，作为最大候选团。最后，引入分层验证法构造树结构，为每个多阶的最大候选团储存实例团。

3 研究分析与发现

3.1 休闲产业空间集聚特征

运用ArcGIS中的“核密度”工具计算广州市休闲产业POI分布密度，选取自然间断点分类法以达到更清晰的可视化效果。依据图2的结果，广州市休闲产业总体空间分布呈现圈层结构，并沿着以地铁为主的交通干线轴向拓展，形成以中心城区为主核心、多个副中心并存的城市休闲空间格局。其中，越秀区因是广州老城市中心区，所以尽管面积狭小，但休闲产业高度集聚。天河区的高度集聚是广州新城市中心，是图2中最集聚的红色区域，是新城市中轴线CBD所在地。而白云区的红区是外来人口集聚较多的城市副中心。相比之下，番禺、增城、花都是广州的郊区，虽然POI数量也不少，但面积较大，POI分布较为分散，仅能形成两个热度较低的集聚区。外围的南沙和从化则基本仅有1～2个集聚的休闲产业群。这些整体分布格局，与广州市人口集聚、主要商圈、交通网络节点和功能区的分布一致，反映出本次所使用的POI的信度较高。

3.2 休闲产业空间集聚特征

在完成上述测度后，本研究运用Python对  ArcGIS软件进行二次开发，采用最大团挖掘算法对广州市休闲产业POI数据进行同位模式挖掘。当距离阈值为500 m，流行度阈值为0.5时，得到439种流行团，其中，三阶流行团共353种，四阶流行团共86种。根据表2和表3的结果，得出休闲产业的空间关联特征如图3和图4所示。

首先，在流行度最高的前20个三阶流行团和四阶流行团中，{餐饮，生活休闲服务业}、{餐饮，娱乐休闲}、{餐饮，生活休闲服务，娱乐休闲}的功能组合最为常见。这说明在所有休闲细分行业中，餐饮类、生活服务类和娱乐休闲类休闲产业与其他休闲产业在空间上共现的可能性最强，功能混合能力最强，特别是“美容美发店-中餐厅-快餐厅”这个三阶组合，承担了广州市大多数休闲热点区的主体功能，形成在市域范围内最为广泛分布的功能组群。

其次，从单个行业的角度看，餐饮业、生活休闲服务业、娱乐休闲业和住宿业在流行度最高的前20个三阶和四阶流行团中的占比也最高。以中餐厅、快餐厅、冷饮店为代表的餐饮经营场所，以美容美发店和洗浴推拿场所为代表的日常生活服务场所，以博彩娱乐场所、棋牌室为代表的室内娱乐场所，以相对低端的旅馆为代表的住宿设施在空间同位模式中频繁出现。其中，美容美发店的中心度最高;美容美发和餐饮业态的组合，在前20个三阶流行团和四阶流行团中均出现15次，构成休闲产业集聚核，表现出极强的带动效应。

休闲设施的频繁共现，反映了所属行业的集聚和空间关联特征。一方面，特定休闲设施与其他多种类型的设施均构成流行团，在空间上频繁抱团出现，说明这类行业具有强大的链接能力，触发消费者进行其他关联性消费的能力最强。以餐饮业为例，餐饮设施在流行度前20的三阶流行团中出现18次，在前20个四阶流行团中全部出现，三阶流行团{中餐厅，快餐厅，美容美发店}的流行度高达0.79左右，三阶流行团{博彩娱乐场所，冷饮店，糕饼店}的流行度高达0.78左右，反映出在一般的城市休闲活动中，消费者往往选择与就餐地点接近的休闲设施进行消费。

另一方面，属于同一行业的休闲设施在空间上频繁共现，在一定程度上反映了该行业在容易集聚的特征。仍以餐饮业为例，在流行度前20的三阶流行团中，两类及两类以上餐饮设施构成的流行团共有8个，其中，{快餐厅，冷饮店，糕饼店}由3类餐饮设施共同构成，流行度高达0.74，这反映出餐饮设施关联性集聚的基本规律。

在休闲产业中，并非所有行业都构成流行团;部分行业由于行业特性，在空间上分布较为独立，与其他休闲行业共现的几率低，不构成普遍模式。不构成流行团的行业可划分为两种类型。

第一，资源导向的休闲行业，以城市公园、景区游览和度假疗养为代表。这类休闲产业往往以特定的某种资源为导向，消费者也是围绕这一资源开展休闲活动。城市公园游览、景区游览和度假疗养活动分别以公园、景区和度假村为消费场所，其空间分布都主要依托优美的自然环境，具有空间不可移动的特性，加之这类设施的产权边界相对清晰，具有排他性，较少与其他休闲设施共同分布。

第二，需要特定产业环境的休闲行业，以会展、文化休闲产业为代表。这类休闲产业需要营造特定的环境或氛围。会展行业需要的是极强的品牌效应和商务氛围，而文化休闲产业则更多地营造出历史价值或文化氛围，地方性和专业化程度高，因此难以构成流行的空间分布模式。

4 结论

虽然休闲产业是我们日常非常普遍、肉眼便可广泛观察到的行业，但是由于数量龐大、分布零散，从城市尺度对其分布的集聚规律进行挖掘，是传统研究无法实现的难题。对休闲产业的集聚模式和带动效应的判断，大多通过案例和经验判断进行归纳，尚未有较为严谨的定量测度，能够清晰地揭示这个行业的分布规律。为此，本文借助地理信息科学领域的空间分析工具，基于同位模式算法计算最为流行的空间共现关联，捕捉城市休闲产业空间集聚的基本组合模式，得到如下结论。

第一，同位模式可以准确地捕捉出城市休闲产业的集聚模式，休闲产业基本上以三阶为组团单位（即三类业态），在城市空间上呈现出广泛的分布，四阶为组团单位的流行度显著降低，五阶基本不具备流行度。最流行的3个三阶流行团为：“美容美发店-中餐厅-快餐厅”“博彩娱乐场所-冷饮店-糕饼店”和“美容美发店-中餐厅-糕饼店”。第二，在所有流行团中，美容美发店这类POI的中心度最高，是关联其他休闲业态的最核心要素，而“美容美发和餐饮”这个组合，在三阶、四阶流行团中出现的次数最多，是休闲产业的集聚核，构成了城市各个休闲中心和节点的基本功能。第三，以资源为导向和需要特定产业环境的休闲产业，基本不具备流行度。这些不具备流行度的设施包括特色商业街、购物中心、会展展览、公园广场、风景名胜、影剧院、博物馆、度假疗养场所等。

5 讨论

从方法和研究视角而言，本文的贡献主要是创新性地将地理学的空间同位模式应用到旅游休闲产业集聚这个研究领域中，为旅游研究提供了新的分析工具和研究视角。同位模式算法的优点在于能够从海量数据中快速发现地理事物频繁共现的空间规律，较为精准地捕捉到传统研究难以揭示的产业集聚模式。通过每个流行团的流行指数的计算，可以很好地揭示出休闲产业在空间上的关联规律，由此推演休闲产业的空间结构和集聚模式。较传统研究而言，结合POI数据的同位模式算法，不仅可以探索出行业内部各类休闲业态的关联关系，还可以揭示出休闲产业与其他产业之间的共生关系。就具体发现而言，本次研究所发现的产业组合模式是旅游休闲产业集聚研究的一次积极拓展，为后续深度机制探索和因果关系检验奠定了理论和实践基础。本文的发现呈现出休闲产业的最为基本的集聚模式，揭示出最为流行的大众生活需求，是餐饮与美容美发的组合。间接呼应了“食色性也”这一人之常情，但是同时又发现，美容美发比餐饮的中心度还要高，似乎又成为“民以食为天”这句谚语的反例。这些细微发现虽然尚不能称之为基本规律，但可以为后续深入研究提供具有启示性的研究思路。就实践应用而言，本研究推动了基于海量数据时代的城市旅游休闲产业集聚研究，基本证实同位模式的适用性，本研究的发现不仅能直接为目的地营销、产业行业管理与城市规划提供新的决策支持，也为未来旅游休闲产业研究提供了新的研究路径。一方面，可以通过筛选单个休闲产业类型，捕捉其与其他产业的关联集聚规律，如广州的茶馆;另一方面，可以进一步测度休闲产业的流行团与其他地理特征物之间的共现关系，如地铁站、银行等。

由于城市休闲系统具有复杂性，本研究仍存在以下不足之处：（1）本文从实证研究的可操作性出发，对休闲产业范围进行明确界定，仅选取与休闲需求直接相关的核心休闲产业作为分析对象。但休闲产业不仅包括直接休闲产业，还包括一系列服务于营造休闲氛围的关联休闲产业，其空间规律仍有待进一步探明。（2）本文认为休闲设施之间的物理距离是触发关联性消费的主要因素，而实际上休闲需求受到多种因素，如消费者偏好及社交网络的影响，当前的休闲研究也开始关注到这些因素。（3）休闲方式的差异塑造了不同的城市休闲空间。本研究仅选取广州市为案例地，但考虑到广州市民的休闲方式可能有别于其他城市，未来可以考虑将城市异质性的影响纳入分析框架。

致谢：感谢中山大学中国区域协调发展与乡村建设研究院为本文提供的支持，感谢研究院李郇教授和许伟攀博士在数据处理分析上给予的指点。

参考文献（References）

[1] 郭旭， 郭恩章， 陈旸. 论休闲经济与城市休闲空间的发展[J]. 城市规划， 2008， 252（12）： 79-86. [GUO Xu， GUO Enzhang， CHEN Yang. On leisure economy and development of urban leisure space [J]. Urban Planning， 2008， 252（12）： 79-86.]

[2] MARSHALL A. Principles of Economics[M]. Cambridge： Cambridge University Press， 1890： 62-76.

[3] JACOBS J. The Economy of Cities[M]. New York： Random House， 1969： 233-235.

[4] 贺灿飞， 黎明. 演化经济地理学[J]. 河南大学学报（自然科学版）， 2016， 46（4）： 387-391. [HE Canfei， LI Ming. Evolutionary economic geography[J]. Journal of Henan University （Natural Science Edition）， 2016， 46（4）： 387-391.]

[5] BOSCHMA R A. Proximity and innovation： A critical assessment[J]. Regional Studies， 2005， 39（1）： 61-74.

[6] 贺灿飞. 区域产业发展演化： 路径依赖还是路径创造？[J]. 地理研究， 2018， 37（7）： 1253-1267. [HE Canfei. Regional industry development and evolution： Path dependence or path creation？ [J]. Geographical Research， 2018， 37（7）： 1253-1267.]

[7] 郭新茹， 谭军. 相关性产业关联互动、企业分蘖机制与文化产业空间集群演化研究[J]. 江苏社会科学， 2014（6）： 184-190. [GUO Xinru， TAN Jun. Research on the correlation and interaction of related industries， the mechanism of enterprise tillering and the evolution of cultural industry spatial cluster [J]. Jiangsu Social Sciences， 2014（6）： 184-190.]

[8] 张庆， 彭震伟. 基于空间聚类分析的杭州市生产性服务业集聚区分布特征研究[J]. 城市规划学刊， 2016（4）： 46-53. [ZHANG Qing， PENG Zhenwei. Distribution characteristics of producer services agglomeration in Hangzhou based on spatial clustering analysis [J]. Journal of Urban Planning， 2016（4）： 46-53.]

[9] 談力， 史北祥， 王红扬. 城市知识创新型服务业空间布局特征与模式研究——以南京市城区为例[J]. 现代城市研究， 2018（10）： 2-10. [TAN Li， SHI Beixiang， WANG Hongyang. Research on spatial distribution characteristics and pattern of urban knowledge innovation service industry： A case study of Nanjing city [J]. Modern Urban Research， 2018（10）： 2-10.]

[10] HUALLACHÁIN B， LESLIE T F. Postindustrial manufacturing in a sunbelt metropolis： Where are factories located in phoenix？[J]. Urban Geography， 2009， 30（8）： 898-926.

[11] 唐婧娴. 京津冀文化消费空间的数量分布特征及影响因素[C]// 沈阳： 中国城市规划年会·规划60年： 成就与挑战——2016中国城市规划年会论文集， 2016： 1-13. [TANG Jingxian. Quantitative distribution characteristics and influencing factors of cultural consumption space in Beijing-Tianjin-Hebei[C]//. Shenyang： China Urban Planning Annual Conference. 60 Years of Planning： Achievements and challenges—Proceeding of 2016 China Urban Planning Annual conference， 2016： 1-13.]

[12] GAD G. Office location dynamics in Toronto： Urbanization and geographical analysis [J]. Journal of Geographical Sciences， 1988， 985（6）： 331-351.

[13] GARCíA M I， FERNANDEZ Y， ZOFIO J L. The economic      dimension of the culture and leisure industry in Spain： Sectoral and sectoral analysis[J]. Journal of Cultural Economics， 2001， 27（1）： 9-30.

[14] 保继刚， 楚义芳. 旅游地理学（第3版）[M]. 北京： 高等教育出版社， 2012： 1-3. [BAO Jigang， CHU Yifang. Tourism Geography （the 3rd Edition）[M]. Beijing： Higher Education Press， 2012： 1-3]

[15] 刘逸. 旅游价值链研究进展评述[J]. 旅游论坛， 2015， 8（4）： 9-18. [LIU Yi. Review of tourism value chain research [J]. Tourism Forum， 2015， 8（4）： 9-18.]

[16] CLANCY M. Commodity chains， services and development： Theory and preliminary evidence from the tourism industry[J]. Review of International Political Economy， 1998， 5 （1）： 122-148.

[17] ROBINSON L. Following the quality strategy： The reasons for the use of quality management in UK public leisure facilities[J]. Management Leisure， 1999（4）： 201-217.

[18] BYERS T， SLACK T. Strategic decision-making in small businesses within the leisure industry[J]. Journal of Leisure Research， 2001（2）： 121-136.

[19] 赵莹， 柴彦威， 桂晶晶. 中国城市休闲时空行为研究前沿[J]. 旅游学刊， 2016， 31（9）： 30-40. [ZHAO Ying， CHAI Yanwei， GUI Jingjing. Prospects for urban leisure studies in China： A perspective of space-time behavior[J]. Tourism Tribune， 2016， 31（9）： 30-40.]

[20] 苗建军. 中心城市： 休闲经济的空间视点[J]. 自然辩证法研究， 2003， 19（11）： 73-78. [MIAO Jianjun. Central city： Spatial perspective of leisure economy[J]. Studies in Dialectics of Nature， 2003， 19（11）： 73-78.]

[21] 胡彩平. 基于空間自相关的空间数据挖掘若干关键技术的研究[D]. 南京： 南京航空航天大学， 2007： 1-97. [HU Caiping. Research on Several Key Technologies of Spatial Data Mining Based on Spatial Autocorrelation[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2007： 1-97.]

[22] 维克托·迈尔-舍恩伯格， 肯尼思·库克耶. 大数据时代： 生活、工作与思维的大变革[M]. 周涛， 译. 杭州： 浙江人民出版社， 2013： 47-50. [MEYER V S， KUKYER K. Big Changes in Life， Work and Thinking in the Era of Big Data[M]. ZHOU Tao， trans. Hangzhou： Zhejiang People’s Publishing House， 2013： 47-50.]

[23] 禹文豪， 艾廷华， 周启. 设施POI的局部空间同位模式挖掘及范围界定[J]. 地理与地理信息科学， 2015， 31（4）： 6-11. [YU Wenhao， AI Tinghua， ZHOU Qi. Mining and scoping of local spatial co-location model of facility POI[J]. Geography and Geo-Information Science， 2015， 31（4）： 6-11.]

[24] 李江苏， 梁燕， 王晓蕊. 基于POI数据的郑东新区服务业空间聚类研究[J]. 地理研究， 2018， 37（1）： 145-157. [LI Jiangsu， LIANG Yan， WANG Xiaorui. Spatial clustering of services in Zhengdong New Area based on POI data [J]. Geographical Research， 2018， 37（1）： 145-157.]

[25] 陈蔚珊， 柳林， 梁育填. 基于POI数据的广州零售商业中心热点识别与业态集聚特征分析[J]. 地理研究， 2016， 35（4）： 703-716. [CHEN Weishan， LIU Lin， LIANG Yuquan. Analysis of hotspot identification and industry agglomeration characteristics of retail commercial centers in Guangzhou based on POI data [J]. Geographical Research， 2016， 35（4）： 703-716.]

[26] 徐冬， 黄震方， 吕龙， 等. 基于POI挖掘的城市休闲旅游空间特征研究——以南京为例[J]. 地理与地理信息科学， 2018， 34（1）： 59-64. [XU Dong， HUANG Zhenfang， LYU Long， et al. Research on spatial characteristics of urban leisure tourism based on POI mining—A case study of Nanjing [J]. Geography and Geo-Information Science， 2018， 34（1）： 59-64.]

[27] 刘辉， 黄新， 王京晶. 基于位置数据和POI的聚类方法[J]. 地理空间信息， 2017， 15（11）： 46-49. [LIU Hui， HUANG Xin， WANG Jingjing. Clustering method based on location data and POI [J]. Geospatial Information， 2017， 15（11）： 46-49.]

[28] 李钢， 杨兰， 贺建雄， 等. 基于POI数据的西安市快递自提点空间格局及空间关系研究——以菜鸟驿站为例[J]. 地理科学， 2018， 38（12）： 2024-2030. [LI Gang， YANG Lan， HE Jianxiong， et al. Spatial pattern and spatial relationship of express delivery self-pick-up points in Xi’an based on POI data： A case study of Cainiao Station [J]. Geographical science， 2018， 38（12）： 2024-2030.]

[29] 杨振山， 龙瀛， DOUAY N. 大数据对人文-经济地理学研究的促进与局限[J]. 地理科学进展， 2015， 34（4）： 410-417. [YANG Zhenshan， LONG Ying， DOUAY N. The promotion and limitation of big data in the study of humane-economic geography[J]. Progress in Geography， 2015， 34（4）： 410-417.]

[30] 韩家炜， 米其林·坎伯， 裴健. 数据挖掘： 概念与技术[M]. 北京： 机械工业出版社， 2012： 23-25. [HAN Jiawei， MICHELINE K， PEI Jian. Concepts and Technology of Data Mining[M]. Beijing： China Machine Press， 2012： 23-25.]

[31] KOPERSKI K， HAN J. Discovery of spatial association rules in geographic information databases[J]. International Symposium on Spatial Databases， 1995， 951： 47-66.

[32] 李德仁， 王树良， 史文中， 等. 论空间数据挖掘和知识发现[J]. 武汉大学学报（信息科学版）， 2001， 26（6）： 491-499. [LI Deren， WANG Shuliang， SHI Wenzhong， et al. On spatial data mining and knowledge discovery[J]. Geomatics and Information Science of Wuhan University， 2001， 26（6）： 491-499.]

[33] 王琪延， 黄羽翼. 关于休闲产业统计分类的思考[J]. 统计与决策， 2015（2）： 33-36. [WANG Qiyan， HUANG Yuyi. Thoughts on the statistical classification of leisure industry [J]. Statistics and Decision， 2015（2）： 33-36.]

[34] YAO X， PENG L， YANG L， et al. A fast space-saving algorithm for maximal co-location pattern mining[J]. International Journal of Geographical Information Science， 2016： 310-323.

[35] 扬·盖尔. 交往与空间[M]. 何人可， 译. 北京： 中国建筑工业出版社， 2002： 105-107. [GALE Y. Communication and Space [M]. HE Renke， trans. Beijing： China Architecture and Building Press， 2002： 105-107.]

Exploring Spatial Agglomeration Patterns of the Leisure Industries

Based on the Co-location Mining Model

LIU Yi1， CHEN Luan2，3， LIU Zihui2， CHEN Yimin2

（1. School of Tourism Management， Sun Yat-sen University， Guangzhou 501275， China;

2. School of Geography and Planning， Sun Yat-sen University， Guangzhou 510275， China.;

3. China Regional Coordinated Development And Rural Construction Institute， Guangzhou 510275， China）

Abstract： Industrial agglomeration has been a classic topic in the field of economic geography. However， researches mainly focus on manufacturing and production-oriented service sectors， while pay little attention to the leisure industries. Leisure industries develop on human needs， which is large in number， small in scale and decentralized in spatial layout. Existing theories of industrial agglomeration are paying little attention to the mechanisms and patterns of spatial distribution of such economic activities which is highly driven on consumer’s needs， rather than production-based distribution logic. Nevertheless， growing economic and social big data， and emergence of new data mining methods allow us to methodologically unpack the black box of the spatial agglomeration of the leisure industries. This paper adopts the spatial analysis algorithm in the field of geographic information science and takes Guangzhou as an example to conduct exploratory research on the spatial agglomeration patterns of urban leisure industries. Specifically， based on sparse-graph and condensed tree-based （SGCT） maximal co-location algorithm， this paper builds a co-location mining model and calculates the most popular spatial co-location pattern among 184249 points of interest （POI） of leisure activities in Guangzhou. It is proved that the constructed co-location mining model can accurately reveal spatial agglomeration patterns of the urban leisure industry. The major conclusions are： （1） Leisure industries are mainly agglomerated as K-3 clusters which are prevalent all over the city. The K-4 prevalent clusters are less frequent， showing a relatively significant decrease in prevalence. Clusters of five types of leisure industry （K-5 prevalent clique） show almost no prevalence. （2） Among all the prevalent cliques， POIs of beauty salons appear the most frequently （high centrality）. Among K-3 and K-4 prevalent cliques， the combination of beauty salons and restaurants appeared most frequently. They are proven as the most representative cluster in Guangzhou， which are associated with other leisure activities and constitutes the basic function of leisure centers and nodes. （3） Some of the leisure industries are distributed independently， showing no pattern in urban space， which means that its probability of co-occurrence with other leisure industries is very low. There are two types of these leisure industries： one is resource-oriented leisure industry， represented by urban parks， scenic tours and vacation and recuperation; the other one needs a specific industrial environment， represented by the exhibition and cultural leisure industry. This paper contributes to urban leisure studies by applying the co-location mining model to accurately capture the agglomeration pattern of urban leisure industries which has never been accomplished by previous studies. It goes beyond existing theories concerning manufacturing and production-oriented sectors. It sheds light on the study of spatial structure and clustering effect of the urban tourism and leisure industry agglomeration. In practice， it provides insights for evaluating the quality and attractiveness of urban leisure industries which gives rise to suggestions for urban management and planning.

Keywords： leisure industry; spatial correlation; co-location pattern mining; point of interest; Guangzhou

[責任编辑： 周小芳;责任校对： 吴巧红]