基于POI 数据的城市用地功能时空格局演变与驱动力研究——以长株潭中心城区为例

李 娜，赵先超

（湖南工业大学 城市与环境学院，湖南 株洲 412007）

0 引言

科学规划城市各用地功能、合理划分城市各功能区，是城市建设中的重要一环。当前，中国城市正处于高质量发展时期，对城市合理规划和高效建设提出了更高的要求。在此过程中，城市认知不足导致的规划与现实建设割裂现象频发，使得城市问题凸显。因此，面对不断开展的国土空间规划工作，城市用地功能和研究空间格局识别变得更为关键，这对于城市明确空间发展方向、顺利开展规划工作、高效保质建设等都具有重要意义。

兴趣点（point of interest，POI）数据以其数据量大、获取方便、成本较低、涉及面广等优点被广泛应用于空间集聚程度[1-2]、评估体系建立[3]、空间分布特征[4-6]等方面研究。还可以较好地结合其他数据进行研究，如全球定位系统（global positioning system，GPS）轨迹数据[7]、夜间灯光数据[8]、手机信令数据[9]等。在已有研究中，国内学者对城市空间分布格局及驱动力的研究涉及社会经济[10-11]、土地利用[12-14]、地形[15]、历史[16]、人口[17]、交通[18]等视角，驱动力研究方法涉及耦合协调度模型及空间计量模型[19]、地理探测器[20-21]、时空地理加权模型[22]等技术。

通过综合分析现有研究成果发现，传统的城市用地功能时空格局研究大多基于理论总结、实地调查、专家评价等经验型研究方法，存在难以落实且主观性较强的问题，无法精确反映并识别城市用地内部的功能信息。随着大数据时代的到来，基于POI 数据的城市用地功能研究成为热点，但很多研究局限于获取的POI 数据截面数据，并且缺乏混合功能用地深入划分及不同功能空间分布特征分析。本研究尝试以长株潭中心城区为对象，利用2014、2018、2022 年POI 数据对城市用地功能时空格局演变进行识别，对其空间分布特征进行分析，并选取目前较成熟的地理探测器模型，进一步探测长株潭中心城区功能空间驱动力。

1 研究区域概况

长株潭中心城区位于湖南省中东部，人口活动密集，经济发展快速，在长株潭城市群承担重要的政治、经济、文化职能。本文以长株潭中心城区为研究区域，参考既有的研究结果，创建2 km 的正方形格网，将长株潭中心城区划分2 574 个网格单元。

2 数据来源与处理

2.1 POI 数据来源与重分类

本研究所用的POI 数据来源于高德地图。本文统一删除交叉重复、分类有误、分布广泛且公众认知度极低的数据，获得充分体现城市用地功能特征的2014 年POI 数 据70 756 条、2018 年POI 数据179 354 条、2022 年POI 数据406 602 条。

依据自然资源部发布的《国土空间调查、规划、用途管制用地用海分类指南（试行）》，本研究对POI 数据进行重新分类。新分类包括居住用地、公共管理与公共服务用地、商业服务业用地、工矿用地、交通运输用地、绿地与开敞空间用地6类用地。

2.2 驱动力指标来源与体系构建

根据本文前期相关研究，长株潭中心城区用地功能时空格局具有明显的空间特征。该特征由自然、社会、经济等多方面因素综合决定。参考相关研究指标，兼顾数据获取便利性，本文最终选择自然环境、区位条件、交通便捷程度、人口因素、区域经济5 个方面13 项指标对长株潭中心城区功能空间驱动力进行探测，如表1 所示。

表1 驱动力指标体系

3 研究方法

3.1 TF-IDF 模型算法

词频-逆文本频率指数（term frequency–inverse document frequency，TF-IDF）模型算法在机器学习中被广泛应用于检索信息、挖掘数据等。本研究通过计算每个网格内各类POI 的权重，进而确定各网格单元用地功能。其计算公式为

3.2 频数密度法

本文通过频数密度法计算每个研究单元的各类POI 占全部POI 的比例，从而对各个网格单元的用地功能类别进行识别。其计算方法如公式（4）所示。

式中：Fi为i类POI 的频数密度，Dj为j网格单元所有POI 类别权重之和。根据相关研究[23]，用地功能类型识别规则如图1 所示。

图1 用地功能类型识别规则

3.3 标准差椭圆

标准差椭圆是反映整体空间集中区域与主导方向的一种空间分析方法[24]。本研究利用标准差椭圆法分析六类功能用地的扩展趋势和方向。其计算方法如公式（5）和（6）所示。

式中：Ex、Ey分别表示标准差椭圆的长轴和短轴，xi、yi表示地理实体i的空间区位，、表示所有POI 数据的平均中心。

3.4 核密度估计

核密度估计法能够直观反映并分析POI 数据在空间中的集聚程度。核密度估计值越高，聚集程度越高，用地功能分布越集中。其计算方法如公式（7）所示。

式中：f（x）为空间位置x处的核密度估计值，n为点数据数量，h为距离衰减阈值，为核函数。

3.5 地理探测器

地理探测器模型由文献[25]创建。本研究通过地理探测器研究长株潭中心城区功能空间驱动力。其计算方法如公式（8）所示。

式中：q为影响力大小，n、ni分别为网格单元总数和包含第i类POI 的网格单元数量，、分别为因变量在全区域和第i类的方差，L为各类区域总数。q值越大，则解释力越强；反之则解释力越弱。

4 长株潭中心城区用地功能时空格局演变分析与评价

4.1 长株潭中心城区用地功能识别分析

本文利用地理信息系统（geographic information system，GIS）软件创建长株潭中心城区2 km×2 km 格网，得到网格单元中一级POI 数量。依据公式（1）～（4）计算得到Fi值，从而得出长株潭中心城区功能用地整体空间分布数量情况，如图2 所示。在此基础上，研究选取2014、2018 及2022 年POI 数据，对长株潭中心城区功能用地空间格局进行比较分析。

图2 长株潭中心城区功能用地整体空间分布数量

4.1.1 单一功能用地空间分布

本文对长株潭中心城区功能用地整体空间分布的单一功能用地进行详细识别划分，得到长株潭中心城区单一功能用地空间分布数量状况，如图3 所示。

图3 长株潭中心城区单一功能用地空间分布数量

2014 年，长株潭中心城区单一功能用地网格数量共784 个；主要功能用地为公共管理与公共服务用地（284 个）和商业服务业用地（273 个）。2018 年，单一功能用地网格数量共1 038 个，4 年来大幅度增加；主要功能用地依旧为公共管理与公共服务用地（387 个）和商业服务业用地（301个）；因为POI 数据增加了公交站点数据，所以交通运输用地明显增加。2022 年，单一功能用地网格数量共1 238 个；主要功能用地为商业服务业用地（637 个），主要集中分布在芙蓉区、天元区与荷塘区交界处。

4.1.2 混合功能用地空间分布

通过对长株潭中心城区功能用地整体空间分布的混合功能用地进行详细识别划分，得到长株潭中心城区混合功能用地空间分布数量状况，如图4 所示。

图4 长株潭中心城区混合功能用地空间分布数量

根据频数密度法的识别规则，研究区共识别15 种混合功能用地。2014 年，数量较多的混合功能用地是工业商业和商业公服混合用地，主要分布于芙蓉区、荷塘区、岳塘区。2018 年，数量较多的混合功能用地是居住商业和商业公服混合用地，主要分布于芙蓉区、芦淞区、岳塘区。2022 年，数量较多的混合功能用地是工业商业和交通商业用地，主要分布于长沙市中心城区外围及株洲市、湘潭市中心城区北部。

4.1.3 无数据区空间分布

本文对长株潭中心城区功能用地整体空间分布的无数据区进行详细识别划分，得到2014、2018 和2022 年长株潭中心城区无数据区空间分布数量状况，如图5 所示。

图5 长株潭中心城区无数据区空间分布数量

2014 年，长株潭中心城区的无数据区网格数量较多，共有1 116 个，主要位于长沙县和望城区北部、天元区南部、芦淞区东部、渌口区全域、湘潭县全域。2018 年，长株潭中心城区的无数据区网格数量相较2014 年有所减少，共有964 个，但分布区域几乎没有变化。2022 年，长株潭中心城区无数据区网格数量大幅减少，共有277 个，少量分布于渌口区南部，这些区域主要为山区和耕地。

4.2 长株潭中心城区用地功能时空格局演变特征分析

4.2.1 方向特征分析

本文运用GIS 软件的标准差椭圆分析方法研究6类功能用地的空间分布情况，分析其分布方向、重心转移与发展趋势，得到3 个年份6 类功能用地的标准差椭圆及重心转移情况，2022 年标准差椭圆参数如表2 所示。

表2 2022 年6 类功能用地标准差椭圆参数

通过比较分析3 个年份的标准差椭圆，6 类功能用地的分布方向都为南—北向，这与长株潭中心城区的整体区域现状一致。首先，居住用地、商业服务业用地及工矿用地的标准差椭圆半径相对较小，而公共管理与公共服务用地、交通运输用地及绿地与开敞空间用地的标准差椭圆半径相对较大。其次，3 个年份的居住用地、公共管理与公共服务用地及商业服务业用地的标准差椭圆变化不明显，而工矿用地、交通运输用地及绿地与开敞空间用地都有明显的变化。

具体分析2022 年标准差椭圆的参数。从扁率看，公共管理与公共服务用地的分布方向最明显，而交通运输用地的分布方向最不明显。从短半轴长度看，绿地与开敞空间用地的离散程度最大，而居住用地的向心力最明显；从长半轴长度看，绿地与开敞空间用地的数据方向性最明显，而居住用地的数据方向性最不明显，其他用地的数据方向性介于二者之间。

4.2.2 聚集特征分析

本文在GIS 软件中导入6 类功能用地的POI数据，得到各功能用地核密度分布，并通过调整色带拉伸使其更直观显示核密度估计值，最终得到2014、2018 和2022 年6 类功能用地核密度分析结果。

（1）对比3 个年份的核密度演变，2014 年，各类用地均出现了一定的密度中心；2018 年和2022 年，商业服务业用地、交通运输用地及绿地与开敞空间用地呈现明显的连片式分布特征。

（2）在长沙市中心城区范围内，芙蓉区地处湖南省政治、经济、文化、信息中心，聚集程度最高，而长沙县聚集程度较低。在株洲市中心城区范围内，天元区东北部（株洲市老城区）聚集程度最高，而渌口区和石峰区的城市建设用地多是各乡镇所在地，聚集程度较低。在湘潭市中心城区范围内，聚集程度较高的区域位于雨湖区和岳塘区交界处，而湘潭县的聚集程度较低。

（3）在分布模式上，公共管理与公共服务用地、商业服务业用地、交通运输用地均表现“大集聚、大分散”的分布模式，居住用地、工矿用地大致表现“小集聚、小分散”的分布模式，绿地与开敞空间用地则大致表现“小聚集、大分散”的分布模式。

5 长株潭中心城区功能空间驱动力探测

5.1 单因子探测结果分析

本文选取13 个影响因子，对长株潭中心城区驱动力进行单因子探测，结果如图6 所示。

图6 各影响因子驱动力探测结果

根据各因子的影响力，计算得出5 个一级指标的平均影响力，平均影响力由大到小的一级指标依次为区位条件、区域经济、人口因素、交通便捷程度、自然环境。可以看出，区位条件与区域经济对长株潭中心城区功能空间分布的影响力较强，而自然环境则较弱。探究其原因，一方面，政治和经济是影响一个城市的重要因素，政策革新和经济高速发展一定程度上会影响城市用地功能空间的演变；长株潭中心城区是湖南省经济发展的核心增长极，对全省经济社会发展具有一定意义上的带动作用。另一方面，长株潭中心城区属亚热带季风气候，四季分明，位于湖南省地势相对平坦的湘江河谷平原区，所以自然环境的影响力相对较弱。

5.2 双因子交互作用结果分析

本研究将影响因子进行两两交互分析，共得到15 类交互作用，交互作用类型如图7 所示。双因子交互作用分析结果如图8 所示，区位条件因子交互、交通便捷程度因子交互、区域经济因子交互、区位与交通因子交互、区位与经济因子交互、交通与经济因子交互都是双因子增强，其余交互既有双因子增强又有非线性增强，并没有相互独立起作用的因子。这说明长株潭中心城区功能空间是多种因素共同作用的结果，而不受单一因子或单类因素的影响。

图7 交互作用类型

图8 双因子交互作用结果热力图

在15 类交互作用中，自然环境因子和区位条件因子的平均交互作用表现较强的解释力，说明高程、坡度、坡向等地形条件及气温、降水等气候条件协同区位条件能够影响长株潭中心城区功能空间分布。高程与区位、高程与第二产业总值、气温与第二产业总值、降水与第二产业总值的交互作用较大，说明在规划配置城市功能用地过程中要注重地形起伏、地理区位与第二产业要素的影响。

6 结论与讨论

6.1 结论

本研究基于POI 数据，运用GIS 空间分析及地理探测器等研究方法，对长株潭中心城区用地功能时空格局演变与驱动力进行了定量分析，得出以下研究结果。

（1）2014、2018、2022 年，长株潭中心城区用地功能主要以单一功能用地为主。随着POI数据的逐年增多和完善，单一功能用地和混合功能用地的分布范围逐年扩大，且单一功能用地的网格单元数量远大于混合功能用地的网格单元数量。

（2）长株潭中心城区功能用地大致呈现出“多核心-外围”的分布格局，研究区南北部功能用地空间分布格局差异明显。具体来看，长沙市中心城区单一功能用地由内向外呈现减弱的集聚趋势，而混合功能用地多样性呈现增加趋势，而株洲市和湘潭市中心城区单一功能用地的集聚趋势呈现由北往南逐渐减弱，同时混合用地多样性呈现减少趋势。

（3）长株潭中心城区功能空间分布是多种驱动力综合作用的结果。其中，区位条件和区域经济要素对长株潭中心城区用地功能时空格局分布的影响较大，而自然环境要素的影响力相对较小。

（4）长株潭中心城区功能空间分布同时也受任意两个影响因子交互作用的影响，双因子交互呈现出不同程度的双因子增强和非线性增强。在15 类交互作用中，自然和区位条件因子的平均交互作用表现较强的解释力。

6.2 讨论

根据研究结果，本文对长株潭中心城区的空间结构、空间格局、用地混合模式提出以下优化建议。

（1）优化城市空间结构。针对长株潭中心城区“核心强、外围弱”的集聚情况，城市未来规划建设要注重均衡各功能用地，加强核心片区之间的联系，同时要完善外围基础设施和绿地系统。

（2）完善城市空间格局。长株潭中心城区呈现“多核心”分布格局，要以核心区域带动周边区域发展，逐步打造“一核多组团”发展格局，最终实现用地均衡、总体协调。

（3）探索土地利用混合。在单一功能用地中引入可兼容性用地，提高土地利用效率，进而因地制宜寻求更合理的用地功能配置机制。同时建议各地自上而下组织相关主题研讨会，制定更科学的用地功能规划标准。

总体看，基于POI 数据的定量分析与GIS 可视化处理能够较好地识别城市功能用地空间格局分布。由于POI 数据存在的分布缺陷，很难合理分类和准确识别POI 数据较少或缺失的地域，未来应提高识别和分类精度。与此同时，利用地理探测器能够有效探测城市功能空间分布驱动力，但在指标选取上存在局限性和主观性，后期研究应进一步完善评价指标体系，为城市未来规划和发展提供较好的建议，进一步完善城市用地功能时空格局演变的相关研究。