翟 青，高玉潔，魏宗財

(1.南京郵電大學 管理學院，江蘇 南京2100232.華東師范大學 城市與區(qū)域科學學院，上海 2002413.華南理工大學 建筑學院，廣東 廣州 5106414.華南理工大學 亞熱帶建筑科學國家重點實驗室，廣東 廣州 510641)

城市商業(yè)空間結構是城市地理學關注的主要議題之一。中心地理論是研究城市內(nèi)部商業(yè)空間結構的重要理論基礎，它認為商業(yè)中心具有等級性，共同構成具備垂直性、層次性的商業(yè)空間結構[1]。大量的實證研究證明了中心地理論仍然適用于網(wǎng)絡消費時代的商業(yè)空間研究[2-4]。隨著網(wǎng)絡數(shù)據(jù)在實證研究中的廣泛應用，商業(yè)空間研究的廣度和深度被不斷拓展。研究內(nèi)容涉及商業(yè)區(qū)位選擇[5-6]、等級結構[7]、業(yè)態(tài)差異[8-9]、空間格局[10-12]、商業(yè)中心識別[13-15]等方面。一方面，商業(yè)POI數(shù)據(jù)[8]、手機信令數(shù)據(jù)[7]、微信宜出行數(shù)據(jù)[10]、GPS軌跡數(shù)據(jù)[16]、網(wǎng)絡點評數(shù)據(jù)[11]、簽到數(shù)據(jù)[15]等網(wǎng)絡數(shù)據(jù)替代傳統(tǒng)數(shù)據(jù)(經(jīng)濟普查數(shù)據(jù)、問卷抽樣調(diào)查數(shù)據(jù))，提升了商業(yè)空間定量研究的時效性和準確性。另一方面，空間自相關、霍夫模型和網(wǎng)絡加權Voronoi圖分析、核密度估計法、區(qū)位熵指數(shù)、Ripley’s K 函數(shù)分析法、最鄰近距離分析等GIS空間分析[11,17-18]和統(tǒng)計分析方法[2]運用于城市商業(yè)空間研究。對于商業(yè)空間的深入研究不僅有利于城市商業(yè)網(wǎng)點的合理規(guī)劃與布局，提升城市經(jīng)濟活力和空間活力，也有助于積極應對互聯(lián)網(wǎng)商業(yè)蓬勃發(fā)展對實體商業(yè)產(chǎn)生的沖擊。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法是一種基于密度的空間聚類算法[19]，能夠在帶有“噪聲”的空間數(shù)據(jù)庫中，通過空間數(shù)據(jù)挖掘了解未知的、潛在的空間模式，將空間數(shù)據(jù)中的高密度區(qū)域劃分為簇，即發(fā)現(xiàn)任意形狀的聚類。DBSCAN空間聚類算法已經(jīng)廣泛運用于商業(yè)網(wǎng)點[20]、餐飲空間[21]、服務業(yè)空間[22]、地震區(qū)域[23]的實證分析中。以英國為例，Pavlis等探索出一種改進的DBSCAN方法用于識別大不列顛地區(qū)的零售集群。該方法提供了一種簡單、準確、靈活的方法，可以自動識別整個區(qū)域內(nèi)形狀和密度不同的零售集群，并且通過算法擴展，可以隨著時間的推移自動更新集群識別結果[24]。以法國里維埃拉大都市地區(qū)為例，Araldi和Fusco使用零售商店點模式數(shù)據(jù)，識別零售空間集群和形態(tài)功能模式。比較多種空間聚類方法的分析結果后，他們認為DBSCAN算法是用于點模式聚類識別的最高效、準確的方法之一[25]。綜上所述，基于DBSCAN空間聚類算法，采用商業(yè)POI數(shù)據(jù)可以有效識別商業(yè)集群，更加準確地了解商業(yè)空間結構。

餐飲和購物是城市商業(yè)的重要組成部分，以南京市為例，本文分別爬取36 802條餐飲POI數(shù)據(jù)和2 785條購物POI數(shù)據(jù)，采用DBSCAN空間聚類算法探究南京商業(yè)空間的聚類特征，再采用空間形態(tài)指標定量分析餐飲集群與購物集群的形態(tài)特征。研究能夠為《南京市商業(yè)網(wǎng)點規(guī)劃(2015—2030年)》的實施提供有力支撐，為城市管理者制定商業(yè)發(fā)展政策提供科學依據(jù)。

一、研究數(shù)據(jù)與方法

(一)研究區(qū)域

南京是江蘇省的省會，也是我國著名的歷史文化名城，擁有深厚的商業(yè)發(fā)展歷史和文化底蘊。本研究范圍是南京市，共有11個行政區(qū)和81個街道，總面積約為1 398.69 平方千米，總人口約為833.5萬人[26]。其中，鼓樓區(qū)、秦淮區(qū)、玄武區(qū)、建鄴區(qū)和雨花臺區(qū)是南京的主城區(qū)，浦口區(qū)、六合區(qū)、棲霞區(qū)、江寧區(qū)是南京的近郊區(qū)，高淳區(qū)和溧水區(qū)是南京的遠郊區(qū)。近年來，雨花臺區(qū)、建鄴區(qū)承擔著疏散老城區(qū)人口的任務，江寧區(qū)、棲霞區(qū)接收了從主城區(qū)轉移出來的大量高校師生。

在《南京市商業(yè)網(wǎng)點規(guī)劃(2015—2030年)》中，規(guī)劃構建了一個商業(yè)中心等級系統(tǒng)，包括市級、副市級、地區(qū)級、社區(qū)級和村級五個等級[27]。其中，新街口、河西、江北和城南是市級商業(yè)中心。新街口被定位為具有國際影響力的現(xiàn)代化綜合商業(yè)中心。河西的規(guī)劃定位是南京主城區(qū)西部的高端商務商業(yè)中心。江北的規(guī)劃定位是依托國家級經(jīng)濟開發(fā)區(qū)的重要商業(yè)中心和城市級濱江特色商業(yè)中心。城南的規(guī)劃定位是南京主城區(qū)南部的樞紐型商業(yè)中心。副市級商業(yè)中心規(guī)劃有7個：雄州、仙林、湖南路、夫子廟、東山、永陽和淳熙。地區(qū)級商業(yè)中心共有41個。本研究聚焦于南京商業(yè)網(wǎng)點規(guī)劃中前三個等級的商業(yè)中心。

(二)研究數(shù)據(jù)

本研究依托百度地圖API獲取南京市餐飲、購物POI數(shù)據(jù)。經(jīng)過數(shù)據(jù)清理和重復數(shù)據(jù)合并后，共獲取36 802個餐飲POI數(shù)據(jù)，2 785個購物POI數(shù)據(jù)。POI數(shù)據(jù)內(nèi)容包括地理實體的名稱、類別、地址、緯度和經(jīng)度。

(三)研究方法

1.DBSCAN算法

算法的基本思路是[28]：假設在數(shù)據(jù)庫D中，選擇任意一個數(shù)據(jù)點p，以其為中心，以Eps為半徑劃定一個鄰域(neighbor)；如果，在數(shù)據(jù)點p的鄰域范圍內(nèi)包含的數(shù)據(jù)點數(shù)量大于或等于最小點數(shù)(MinPts)，則p為核心點(core points)，否則為邊界點；找到密度可達(density-reachable)、密度相連(density-connected)的所有數(shù)據(jù)點o，和核心點p一起共同組成最大集合C，即基于密度的任意形狀的簇。通過迭代，不會與空間中的其他點形成有效簇的點就是噪聲點(noise)。簇可以由其任意核心對象唯一地確定。

算法需要設置兩個重要參數(shù)：領域半徑Eps和簇最小點數(shù)MinPts。本研究使用以下公式進行計算：

(1)

其中meani是圍繞第i個核心點的最近POI距離之和的平均值，k是鄰近核心點的最近POI的數(shù)量，n是POI總數(shù)。在確定參數(shù)Eps之后，我們可以通過計算點集中每個點的鄰域ε中點的數(shù)量的期望值來獲得最佳的聚類最小點數(shù)：

(2)

其中Counti是任何點的鄰域i中的點數(shù)。

2.空間形態(tài)指標

參照Yu等的研究方法[29]，采用ArcGIS軟件分別計算餐飲集群和購物集群的最小邊界矩形、最優(yōu)擬合橢圓及最小凸包。選取的空間形態(tài)指標(表1)主要有：緊湊度(COR)、延伸度(ELG)、不對稱度(ASM)，密度(DENS)和集中度(G)，用于表征和識別聚類的空間形態(tài)。

表1 集群的空間形態(tài)指標

二、研究結果

(一)商業(yè)空間分布特征

餐飲空間的核密度分析結果顯示：主城區(qū)的餐飲空間分布較集聚，郊區(qū)的餐飲空間分布相對分散。由北向南依次形成中央門、湖南路、新街口、夫子廟4個最高密度的集聚中心，并且連片發(fā)展、向外呈圈層式擴散。這些餐飲集聚中心位于南京老城區(qū)，都是發(fā)展歷史悠久的商業(yè)中心。其次，在江北、河西、仙林、東山、雄州、永陽、淳熙等地形成次一級集聚中心，集聚面積相對較小且分散。購物空間核密度分析結果與餐飲空間的基本一致，呈“一主多中心”空間結構，集聚中心的面積和密度呈現(xiàn)顯著的等級體系。與餐飲空間相比，購物空間分布更加均衡。

與《南京市商業(yè)網(wǎng)點規(guī)劃(2015—2030年)》的商業(yè)中心等級相比，發(fā)現(xiàn)：第一，作為市級商業(yè)中心，城南未能形成高等級的餐飲、購物集聚中心，河西和江北僅是第二等級的餐飲、購物集聚中心。第二，規(guī)劃中的7個副城級商業(yè)中心、41個新城級商業(yè)中心與餐飲、購物核密度分析結果基本一致。第三，由于與新街口商業(yè)中心聯(lián)動發(fā)展，夫子廟、湖南路和中央門升級為最高等級的餐飲、購物集聚中心。

(二)商業(yè)空間集群識別

1.餐飲空間集群識別

采用ArcGIS軟件和Matlab語言編程，實現(xiàn)DBSCAN空間聚類算法。經(jīng)過反復試驗，選擇最優(yōu)參數(shù)，將算法參數(shù)分別設置為EPS=695.874m，MinPts=16。南京市的36 802 個餐飲POI點共識別出 617個集群和2 366個噪聲點。采用k-means方法，將617個集群劃分為6個等級(表2)。選取規(guī)模前25的集群進行詳細分析，即前4個等級的集群(圖1)。該類集群共包含7 319個餐飲POI，占餐飲POI總數(shù)的19.89%。選擇高等級的集群能夠較好地代表和說明餐飲聚類特征。

圖1 規(guī)模前25的餐飲集群分布圖 圖2 規(guī)模前14的購物集群分布圖

表2 餐飲集群的等級結構及其形態(tài)指數(shù)均值

規(guī)模前25的餐飲集群大多數(shù)分布在主城區(qū)，其次是近郊區(qū)，這與核密度分析結果相似。餐飲集群在主城區(qū)呈圈層式空間結構，在市域呈大集聚小分散的空間結構特征。新街口商業(yè)中心以最高等級的集群為中心，由多個第二、第三、第四等級集群圍合而成。新街口是全國最著名商圈之一，擁有正洪街、洪武路、石鼓路等商業(yè)街和德基、紫峰大廈、金鷹、哈姆雷斯等眾多大型商場，因此，該區(qū)域的餐飲集群數(shù)量最多、規(guī)模最大。湖南路、夫子廟、東山商業(yè)中心分別由幾個第三、第四等級的集群組成。江北、雄州、永陽商業(yè)中心分別形成一個第四等級的餐飲集群。雖在核密度分析中形成集聚中心，但是，河西、城南、仙林、淳熙商業(yè)中心未形成較高等級的餐飲集群。與核密度分析相比，DBSCAN聚類算法不僅可以準確識別餐飲集群的熱點地區(qū)，而且可以更細致地識別集群的數(shù)量、規(guī)模、分布及其規(guī)律，為商業(yè)空間的定量研究提供重要支撐。

2.購物空間集群識別

根據(jù)各購物點的空間坐標進行聚類，以試驗效果最優(yōu)為原則將算法參數(shù)分別設置為Eps=1 525.879m，MinPts=17。2 785個購物POI點共識別出179個集群和169個噪聲點。將購物集群劃分為7個等級(表3)，選取前4個等級的集群進行分析(圖2)。前4個等級集群共包含622個POI點，占購物POI總數(shù)的22.33%，選擇這些集群說明購物聚類的特征。

與餐飲集群相比，購物集群的分布更加集中。新街口商業(yè)中心仍然是唯一的主中心，由第一、第二、第三等級的購物集群共同組成。湖南路商業(yè)中心形成了第二等級的購物集群，江北、東山商業(yè)中心分別由第三、第四等級的購物集群組成，河西、夫子廟、中央門商業(yè)中心形成第四等級的購物集群。城南、仙林、雄州、永陽、淳熙商業(yè)中心未形成高等級的購物集群。與餐飲集群的聚類結果一樣，購物集群的分布以最高等級集群為中心，呈圈層式布局，由內(nèi)向外集群等級依次遞減。以上分析說明，DBSCAN聚類算法是一個有效的識別商業(yè)集群的方法，能夠精細地識別不同商業(yè)業(yè)態(tài)導致的不同空間格局。

(三)商業(yè)集群形態(tài)特征

分別計算各等級的餐飲集群、購物集群的中心地數(shù)量(表2、表3)。各等級的餐飲集群數(shù)量呈“金字塔”結構，前四個等級的餐飲集群數(shù)量分別為1，2，6，16，對應的中心地數(shù)量分布為1，3，9，25，基本符合K=3市場原則的中心地規(guī)律。第五等級、第六等級的餐飲集群分別接近于K=4交通原則、K=7 行政原則的中心地規(guī)律。餐飲集群分布遵循市場原則、交通原則、行政原則的中心地規(guī)律。購物集群遵循中心地規(guī)律的特征不顯著。

分別計算各等級的餐飲、購物集群的空間形態(tài)指標均值，二者的空間形態(tài)特征較相似(表2、表3)。①集群等級與緊湊度(COR)、集中度(G)、密度(DENS)呈正比。這說明高等級的餐飲集群、購物集群在空間集群效應和集聚效應上具有絕對的影響力，商業(yè)空間等級體系明晰。②集群等級與延伸度(ELG)呈反比。高等級集群依托多個大型商業(yè)綜合體，共同形成團塊狀集聚形態(tài)。低等級集群通常依托街道形成線狀集聚形態(tài)，并以高等級集群為中心，呈圈層狀、低密度向外連綿成片的趨勢。③集群等級與不對稱度(ASM)呈反比。這表明低等級集群不對稱性更強、空間形態(tài)趨于多樣化。由于DBSCAN算法能夠識別任意形狀的簇，可以更有效地識別低等級集群。綜上所述，餐飲集群和購物集群的空間形態(tài)可分為：高集中度、高密度、高緊湊率、低延伸度的團塊狀空間形態(tài)，多見于高等級集群；低集中度、低密度、低緊湊率、高延伸度的線狀、點狀空間形態(tài)，常見于低等級集群。

表3 購物集群的等級結構及其形態(tài)指數(shù)均值

三、結論與討論

主要得出以下結論：

(1)南京商業(yè)空間分布仍遵循中心地理論。餐飲集群和購物集群都具備明確的等級體系，新街口是唯一的商業(yè)重心，以新街口為中心，由內(nèi)向外集群等級逐步遞減。餐飲集群和購物集群的集群效應顯著。毗鄰新街口，湖南路、夫子廟的集群等級均高于商業(yè)網(wǎng)點規(guī)劃中的等級定位。這驗證了中心地理論強調(diào)的：接近競爭對手比接近消費者更有利于提升自身的經(jīng)濟績效，更具競爭力和吸引力[30]。餐飲集群和購物集群的集聚效應顯著。從核密度分析和空間聚類分析都可以看出，“湖南路-新街口-夫子廟”實現(xiàn)了規(guī)模經(jīng)濟和協(xié)同效應[31]，并誘發(fā)溢出增長效應，帶動主城區(qū)其他區(qū)域連片發(fā)展，即主城區(qū)的集聚中心數(shù)量顯著多于郊區(qū)的，集聚面積也顯著大于郊區(qū)的。此外，餐飲集群的中心地數(shù)量表明餐飲集群分布遵循市場原則、交通原則、行政原則的中心地規(guī)律。

(2)餐飲集群、購物集群的識別精細反映了商業(yè)中心之間的功能、等級、規(guī)模、形態(tài)差異。對比餐飲集群、購物集群的識別結果，可以發(fā)現(xiàn)：新街口、東山商業(yè)中心的購物職能、餐飲職能發(fā)展較均衡，河西、江北、湖南路商業(yè)中心更側重于購物職能，夫子廟、雄州、永陽商業(yè)中心更側重于餐飲職能，即商業(yè)中心的功能定位存在差異。

(3)高等級集群以高集中度、高密度、高緊湊率、低延伸度的團塊狀空間形態(tài)為主，低等級集群以低集中度、低密度、低緊湊率、高延伸度的線狀、點狀空間形態(tài)為主。

由空間依賴性[25]可以判定主城區(qū)是目前商業(yè)設施選址的優(yōu)質(zhì)區(qū)位。但是，從商業(yè)可持續(xù)發(fā)展的角度提出以下規(guī)劃建議：第一，南京商業(yè)的良性發(fā)展必然要求商業(yè)要素在集聚的前提下有機疏散，商業(yè)空間應由單中心的垂直結構轉變?yōu)槎嘀行牡木W(wǎng)絡結構。第二，城市管理者應采用多樣化的規(guī)劃和管理措施促進各商業(yè)中心形成高等級商業(yè)集群，比如，強化該區(qū)域的經(jīng)濟活力和居住人氣、建設城市綜合體或服務設施、強調(diào)特色化差異化發(fā)展模式、進行租金指導等。第三，河西商業(yè)中心依托新一代商務CBD、城南商業(yè)中心依托高鐵交通樞紐片區(qū)、仙林商業(yè)中心依托規(guī)模較大的大學城、江北商業(yè)中心依托國家級產(chǎn)業(yè)基地發(fā)展壯大。它們共同構建商業(yè)多中心的網(wǎng)絡空間格局，并實現(xiàn)商業(yè)職能差異化發(fā)展。

未來研究應充分利用多源網(wǎng)絡數(shù)據(jù)，實現(xiàn)“人-地-商”的綜合分析，從供需雙重視角探究商業(yè)空間的活力度和匹配度，為城市商業(yè)空間規(guī)劃與評估提供更科學、更具針對性的決策依據(jù)與建議。