基于POI数据的城市商业服务业空间格局及其影响因素研究.pdf

第20卷 第2期第37页2023年6月Jun.,2023国土资源导刊Land&Resources Herald引用格式:刘亚静，冯郑文.基于POI数据的城市商业服务业空间格局及其影响因素研究J.国土资源导刊,2023,20(02):37-48.Reference format:Liu Yajing,Feng Zhengwen.Research on spatial pattern and influencing factors of urban commercial service industry based on POI dataJ.Land&Resources Herald,2023,20(02):37-48.基于POI数据的城市商业服务业空间格局及其影响因素研究*刘亚静*，冯郑文（华北理工大学 矿业工程学院，河北 唐山 063210）摘 要：城市商业服务业合理的空间分布格局利于城市内部空间资源优化配置，对发展城市经济有着重要意义。在大数据时代，兴趣点（Point of Interest，POI）获取便利且蕴含着空间地理信息关系。利用POI数据，通过单变量局部Morans I、Ripleys K函数以及核密度估计研究分析商业服务业及其各要素的空间分布格局和集聚特征，利用地理探测器模型探讨城市商业服务业空间分布受影响因素。以唐山市商业服务业POI数据为例，结果表明：（1）唐山市商业服务业整体分布呈现空间正相关；（2）城市商业服务业多尺度空间集聚特征不同，具有统计显著性；（3）总体空间布局呈现出较为明显的“中心城区密集、其余区县稀疏”的特征，且不同要素的空间集聚程度差异明显；（4）城市商业服务业总空间分布格局主要受人口分布的影响，不同要素受影响因子的影响程度不同。研究成果有利于优化调整城市商业服务业空间分布格局，提高地理信息服务价值，为城市规划提供有益借鉴。关键词：商业服务业；POI数据；空间分布格局；影响因素中图分类号：P208文献标识码：A文章编号：1672-5603（2023）02-37-12ResearchonSpatialPatternandInfluencingFactorsofUrban Commercial Service Industry Based on POI DataLiu Yajing,Feng Zhengwen(School of Mining Engineering,North China University of Science and Technology,Tangshan Hebei 063210)Abstract:Thereasonablespatialdistributionpatternofurbancommercialserviceindustry is condnctive to the optimal allocation of urban internal spatial resources andhas important significance for the development of urban economy.In the era of big data,Point of Interest(POI)is convenient and contains spatial geographicthe acquisition ofpointofinterest(POI)informationrelationship.UsingPOIdata,thespatialdistribution pattern and agglomeration characteristics of commercial service industry andits various factors are analyzed by univariate local Morans I and Ripleys K functionsandkerneldensityestimation,andthefactorsaffectingthespatialdistributionofurbancommercialserviceindustryarediscussedbyusinggeographicdetectormodel.Taking the business service POI data of Tangshan prefecture as an example,the resultsshow that:(1)the overall distribution of business service in Tangshan city presents apositivespatialcorrelation;（2)Thecharacteristicsofmulti-scalespatial收稿日期:2023-03-10;改回日期：2023-04-23。*基金项目：河北省自然科学基金项目（D2019209322；D2022209005）；唐山市科技计划重点研发项目（22150221J）。*第一作者简介：刘亚静（1977），女，教授，博士，主要从事地理信息系统理论与应用研究；E-mail:。第20卷 第2期第38页国土资源导刊Land&Resources Herald2023年6月Jun.,2023agglomeration of urban commercial service industry are different and have statisticalsignificance;(3)The overall spatial layout presents a relatively obvious feature ofdense central urban area and sparse other districts and counties,and the degree ofspatial agglomeration of different elements is significantly different.(4)The totalspatial distribution pattern of urban commercial service industry is mainly affected bypopulation distribution,and different factors are affected to different degrees.Theresearch results will help optimize and adjust the spatial distribution pattern of urbancommercial service industry,improve the value of geographic information service,andprovide useful reference for urban planning.Keywords:commercial services industry;POI data;spatial distribution pattern;influencing factors0 引言随着市场经济的不断发展、改革开放的不断深化，城市化进程的加快、城市功能的转型以及全球经济一体化发展，许多城市的主要产业已实现了升级改造，城市商业已经逐渐成为城市产业链中的经济主体，2007年国务院发布的 关于加快发展服务业的若干意见(国发 2007 7号)文件指出，服务业是我国国民经济的重要组成部分。城市交通设施的完善，城市规模的扩大，人口的迅速增加，居民的消费观念的改变，都是城市商业服务业发展、空间格局改变的动力。商业服务业的发展水平对于衡量国家经济发展水平至关重要，优化和调整城市商业服务业发展结构、产业布局，深化商业服务业开放格局，将对我国城市总体空间布局与发展产生重大影响。近年来，随着大数据采集与处理技术的成熟，大数据技术已广泛应用于城市领域的研究，为城市发展研究提供重要的数据支撑1。在大数据时代,兴趣点(Point of Interest,POI)是包含客观地理实体、包含空间位置和属性信息的点数据2，具有方便获取、涵盖信息细致、定位准确、覆盖面广等优势3，其包含了大量的样本量，对城市各类型要素概括的更精准4。由于传统的城市空间研究大多基于普查统计数据和问卷调查数据，数据获取难度较大，导致了对城市空间研究的精细性和认知度下降5。相对于传统的统计数据，兴趣点数据以其特有的“定位”特性，表现出更高的精确性，能够更细致、更真实地反映出人们的社会、经济活动6。POI数据的兴起引发了城市空间格局研究的革新7，已广泛运用于空间格局研究中，在城市功能区划分8-11、城市边界提取12、城市热点区域识别13、城市业态分析5,6,14,15、宏观空间格局分析16以及空间化模拟17等方面取得丰硕成果。POI数据与地理空间信息表达技术结合可以有效地反映城市商业服务业要素的空间格局特征18，可以揭示城市空间变化的规律与趋势，提高地理信息服务的价值7。本研究以高德地图2022年POI数据为支撑，结合地理信息空间表达技术，通过单变量局部Morans I、Ripleys K函数以及核密度估计研究分析商业服务业及其各要素的空间分布格局和集聚特征，结合城市经济发展现状，利用地理探测器模型探讨城市商业服务业空间分布格局受影响因素，以期为优化城市商业服务业空间布局、促进城市健康发展提供依据，使得商业服务业资源的配置更加经济合理，为城市规划提供有益借鉴。1 研究区域与数据来源1.1 研究区概况唐山市是河北省最重要的城市之一，空间上位于渤海湾的中心区，是连接我国华北地区和东北地区的交通枢纽。唐山总面积为13 472 km2，下辖7个市辖区、4个县、代管3个县级市。截至2021年末，唐山市城镇化率为65.42%，地区生产总值8230.6亿元，唐山市经济总量连续17年居河北省首位，涵盖商业服务业的第三产业地区生产总值持续增长如图1所示。近年来，随着唐山市空间扩张重组、城市功能升级、经济产业转型等各种城市建设项目的实施，其商业服务业的空间格局也在发生变化。郑敏睿等19研究城市功能互动格局时认为在非首都功能疏解中唐山市是功能互动的主要驱动城市；李慧燕20研究发现唐山市在新型城镇化与乡村产业振兴耦合协调关第20卷 第2期第39页2023年6月Jun.,2023国土资源导刊Land&Resources Herald系中具有初级协调能力，新型城镇化与乡村产业振兴更加映射出城市商业服务业的发展状况；Peng Cheng等21认为作为资源型城市，唐山市空间分异的重要外在动力就是城市化。因此，研究城市商业服务业空间格局选择唐山市为研究区具有代表性，对唐山市商业服务业的空间格局、集聚特征及其影响因素进行深入的探讨研究，有助于推动城市空间的改善、保持城市活力，对城市合理规划也有很高的参考价值。1.2 数据来源本研究POI数据从高德开放平台获取，影响因素数据来源于2021年 唐山统计年鉴、OpenStreetMap道路开放数据以及地理空间数据云。1.2.1 POI数据获取及预处理本研究POI数据来源于高德开放平台，使用高德地图API基于Python 爬取截止2022年7月的唐山市POI数据，如表1所示。根据 城市用地分类与规划建设用地标准（GB50137-2011）中的商业服务业设施用地分类标准并结合高德地图POI分类体系，将获取的POI数据划分为7大类，分别是餐饮服务、购物服务、金融保险服务、生活服务、体育休闲服务、医疗保健服务、住宿服务。在高德地图采集POI数据时，系统采用的是多边形的搜索方法，所以除了唐山市的行政区域之外，其他省份的POI数据也是不可避免的。所以要把唐山市辖区以外的POI全部删除，保证唐山市境内的 POI数据的完整性。唐山市商业服务业总POI数据在各区县空间分布特征如图2所示。图1 20152020年唐山市第三产业地区生产总值Fig.1 Gross domestic Product of the tertiary industry of Tangshan prefecture from 2015 to 2020表1 唐山市商业服务业要素分类及POI数量Table 1 Commercial service industry essential factor classification and number of POI in Tangshan prefecture大类餐饮服务购物服务金融保险服务生活服务体育休闲服务医疗保健服务住宿服务小类中餐厅、外国餐厅、快餐厅、咖啡厅、茶艺馆商场、便民商店/便利店、家电电子卖场、超级市场银行、自动提款机、保险公司、证券公司、财务公司旅行社、信息咨询中心、售票处、邮局、物流速递、电讯营业厅运动场馆、高尔夫相关、娱乐场所、度假疗养场所、休闲场所、影剧院综合医院、专科医院、诊所、急救中心、疾病预防机构宾馆酒店、旅馆招待所降噪前POI数量/个12 0298 6311599 7623 2301 3712 491降噪后POI数量/个11 9058 5891599 7023 2181 3632 476占比31.82%22.96%0.42%25.93%8.60%3.64%6.62%第20卷 第2期第40页国土资源导刊Land&Resources Herald2023年6月Jun.,2023图2 唐山市商业服务业POI数量空间分布Fig.2 Spatial distribution of the number of POI inthe commercial service industry of Tangshan prefecture1.2.2 影响因素指标获取结合城市商业服务业发展具体实际以及数据的可获得性，本研究从唐山市社会发展水平、区域交通条件、自然环境、人口分布、城镇化率5个方面分析商业服务业可能受影响因素。其中，社会发展水平主要选取各区县生产总值18,22,23和人均可支配收入232个指标；区域交通条件用各区县路网密度3,18,23,24表示；自然环境选取各区县平均海拔高度23,25指标；用各区县年末常住人口数3,18,22,23作为人口分布指标；城镇化率使用各区县城镇化率22,25表示。各区县生产总值、人均可支配、年末常住人口数以及城镇化率数据来源于2021年 唐山统计年鉴，各区县路网数据来源于OpenStreetMap道路开放数据，DEM数据来源于地理空间数据云。通过ArcGIS提取路网数据中的各县区路网密度、DEM 中的各县区平均海拔高度。2 研究方法2.1空间自相关分析莫兰指数是一种综合的评估方法，反映了7类商业服务业要素数据的空间自相关性，以及在城市不同地区之间的依赖关系，也就是空间依赖性26。当 Morans I0时，呈现空间正相关，值越大表明城市商业服务业要素数据的空间相关性越强；当Morans I0时，则表示城市商业服务业呈现空间负相关，且数值越小空间差别就越大；当Morans I=0的时候，城市商业服务业的空间分布是随机的。2.2多距离空间聚类分析Ripleys K函数27是点密度距离的函数，按照一定半径距离的搜索圆范围来统计城市商业服务业各要素点数量，基于 Ripleys K函数的多距离空间聚类分析工具是确定城市商业服务业要素或与其相关联的值是否显示10km范围内具有统计显著性的聚类或离散28。Ripleys K函数用来表明7类城市商业服务业要素质心的空间聚集或扩散的程度，以及在邻域大小发生变化时是如何变化的29。Ripleys K函数公式如下：L()d=Ai=1nj=1,j inkijn(n-1)（式1）其中d是距离、n等于要素的总数目、A代表要素的总面积且kij是权重。如果没有边校正，当i与j之间的距离小于d时，则权重将等于1，反之权重将等于0。使用给定的边校正方法时，kij的权重略有变化。2.3核密度估计根据地理学第一定律，所有的东西都是有联系的，越是靠近的东西，它们就会有更多的联系。根据这一定律衍生出了核密度分析(Kernel density analysis)25，通常是在一个特定的空间搜索区域，距离样本中心点或线越近,密度值就越大，反之则越低。利用核密度分析方法，对城市空间内商业服务业点要素的密度状态及聚集情况进行评估30。核密度分析表现为有密度值的栅格像元，形成连续的密度变化表面31。核密度的计算公式可表示为：Pi=1nR2j=1nKj()1-Dij2R22（式2）式中，Pi表示空间中任意一点i的核密度值；Kj是第j个POI点的权重；Dij是空间任意一点i到POI点j之间的距离；R为指定的带宽，也称为阈值，且指定R要大于Dij；n是带宽内所包含的POI点的数量。第20卷 第2期第41页2023年6月Jun.,2023国土资源导刊Land&Resources Herald2.4 地理探测器地理探测器32是一种通过探测要素的空间分层异质性来揭示其背后驱动力的方法，空间分层异质性是指层内方差之和小于层间总方差的现象，城市商业服务业空间分异性大小由地理探测器的q值来衡量33。该方法主要应用于空间分异性的影响因素识别与作用机制的研究34，本文选取因子探测器进行城市商业服务业空间分布格局影响因素分析。因子探测器用于检测Y的空间分异性，以及某因子X多大程度上解释了属性Y的空间分异。地理探测器的输入变量要求为类别数据，需要对影响因子在 ArcGIS软件中用自然断点法分类。因子检测结果用q值度量，表达式为:q=1-h=1LNh2hN2=1-SSWSST（式3）SSW=h=1LNh2h,SST=N2（式4）式中，h=1，2，L为自变量X的分层；Nh和N分别为层h和全区域内的单元数；2h和2分别为层h和全区域的Y值的方差；SSW为层内方差之和，SST为全区域总方差；q为自变量X对因变量Y的解释力，q0，1，q值越接近1，则自变量对因变量的解释力越强，反之越弱。3 研究结果与分析商业服务业是一个城市最主要的功能之一，而商业服务业发展与城市空间结构的关系一直是城市规划和经济发展的一个热点问题35。随着我国城市化进程的不断推进，我国的商业服务业从单一的经营模式发展到多种经营模式。我国商业服务业的功能结构日益多样化，使得我国的商业服务业功能区呈现出多样化的空间形态。3.1 基于单变量局部Morans I的城市空间自相关性分析通过 GeoDa 软件对唐山市商业服务业的 7大类要素进行单变量莫兰指数分析，研究各要素在唐山市14个行政区域的空间自相关性。在进行单变量局部Morans I分析之前，首先需要设置空间权重，选择Rook邻接空间权重，可以得出唐山市14个行政区域最少有1个空间与另2个相互邻接，最多有1个空间邻接另外7个行政区，其中有5个邻居数量的行政区域最少。然后通过单变量局部Morans I分析得到7类要素以及总空间的莫兰指数值以及散点图，如图3所示。唐山市商业服务业总空间Morans I值大于0，说明其整体分布具有空间自相关性，且呈现空间正相关。对于内部7个要素的空间自相关性，餐饮、购物、金融保险、生活、医疗保健以及住宿的莫兰指数值均大于 0，与整体空间格局一致，属于空间正相关；而体育休闲的莫兰指数值小于0，为负值，其数据分布呈现空间负相关。上述结果表明，唐山市商业服务业7类要素在研究区范围内空间分布特征以及总空间格局均存在空间自相关性，因此可以认为2022年唐山市商业服务业在地理空间分布上存在集聚特征。3.2 基于 Ripleys K 函数的城市多尺度空间集聚特征分析依据单变量局部Morans I分析得出城市商业服务业分布具有空间自相关性，在地理空间分布上存在集聚特征。为验证城市商业服务业集聚特征，本研究使用ArcMap软件中多距离空间聚类分析(Ripleys K)工具对商业服务业各要素数据进行多尺度空间集聚特征分析，分析结果如图4所示。多尺度空间集聚的特征Ripleys K函数的计算结果表明，在10 km的观测范围内，商业服务业7类要素K观测值均大于K预期值，则与距离（分析尺度）的随机分布相比，其分布的聚类程度更高，都呈现空间集聚的特征；并且K观测值也大于HiConfEnv值，说明在该距离的空间聚类具有统计显著性。从高峰距离看，金融保险服务要素呈现大空间集聚特征，峰值出现在5.1 km。住宿服务要素的最大聚集半径相对最小，为2.2 km。体育休闲服务和医疗保健服务要素空间集聚相似，呈现双峰特征，峰值分别出现在3.1 km里和8 km，表明其空间位置选择的尺度范围可以大或小。从行业特征和分布来看，餐饮服务、购物服务和生活服务要素以基本社会服务为主的综合性行业，受空间位置影响相对较小，为了提供更大的服务覆盖范围，他们分散在城市的核心和边缘地区。一些对选址要求较高的行业，如金融服务，大多位于核心城区。第20卷 第2期第42页国土资源导刊Land&Resources Herald2023年6月Jun.,2023图3 商业服务业总空间及各要素Morans I散点图Fig.3 Morans I scatter plot of the total space of commercialservice industry and its essential factors第20卷 第2期第43页2023年6月Jun.,2023国土资源导刊Land&Resources Herald图4 城市商业服务业各要素Ripleys K结果Fig.4 Ripleys K results of each factor of urban commercial service industry3.3 基于核密度估计的城市空间聚集特征分析3.3.1 城市商业服务业总体空间格局城市发展过程中，社会对不同类型的要素的需求不同，不同类型的要素服务范围也不同，因此要素在数量上会存在较大的差异。从表1可以看出，餐饮服务数量最多，占比高达31.82%；生活服务其次，占比为 25.93%；购物服务数量占22.96%；其余4类要素占比均低于10%，其中金融保险服务占比最低，只有0.42%。虽然数量差异大，但通过核密度估计可以得出7类要素在空间上的分布形态及在城市中所起的作用，结合规划中心分布，能反应出其对多中心结构的影响程度。根据 3.1和 3.2节分析得出的城市商业服务业空间分布具有空间自相关性，且在地理空间分布上存在集聚特征结论。为直观的表达其空间分布特征，根据核密度估计分析得出，唐山市商业服务业总体空间布局呈现出较为明显的“中心城区密集、其余区县稀疏”的特征，如图 5所示。中心城区的路北区形成了高密度集聚区，路南区为次高密度区，在外围区县形成了众多“孤岛状”集聚中心，且表现为零星斑块状的低密度分布，迁西县表现为完全的低值区。这表明唐山市商业服务业空间集聚态势明显。3.3.2 商业服务业各要素空间格局从各分要素来看，购物服务要素和生活服务要素的聚集特征较为相似，高密度连片聚集范围较广，在多个圈层形成了显著的密度中心，每个密度中心的规模都比较大，属于“大分散、大集聚”的分布格局，如图6所示。全市共有6个高核密度值分布地区，涵盖中心城区路北区、路南区以及于中心城区邻接的开平区、丰南区以及丰润图5 唐山市商业服务业核密度估计Fig.5 Estimation of the nuclear density of commercial service industry in Tangshan prefecture区，呈现“类圆状”分布形态；在城区外围区县形成的集聚中心分布位置与形态较为相似，要素间集聚效应明显，空间分布相互匹配，并且都是中等以上核密度值分布地区。购物服务要素和生活服务要素的聚集特征说明购物服务和生活需求是公民日常生活中不可或缺的要素。餐饮服务要素和医疗保健服务要素仅在中心城区以及迁安市形成高密度集聚区，其余区县核密度均值整体偏低，均处于中等偏下水平。其空间分布特征符合人们的主观认知，餐饮方面，城区外的人们大多有自留地，可以满足日常需求；城区内上班族占大多数，由于工作限制，这部分群体很大程度上实现了餐饮服务业的价值。医疗保健服务要求符合地区城镇规划，满足交通方便条件，便于利用城市基础设施，并且城区常住人口数要第20卷 第2期第44页国土资源导刊Land&Resources Herald2023年6月Jun.,2023远多于周边地区，所需医疗保障条件更多。体育休闲要素的空间分布特征趋向于商业服务业总空间格局特征，属于“中心城区密集、其余区县稀疏”的空间格局特征，体育休闲服务主要体现在周末以及节假日的时候，这个时间段的人数剧增，体育休闲服务点的位置和数量要尽可能满足人们的需求。住宿服务要素呈“多核心、多分散次核心”的分布特征，住宿服务要素在中心城区高密度连片聚集范围相对于其他6类要素较小，且在乐亭县的空间分布格局异于其他6类商业服务业要素，住宿服务同样可以反映地区的经济条件，其空间分布特征说明唐山市经济发展以主城区为主遍地开花。金融保险服务要素核密度结果区别于其他6类要素，表现为较大的面状双核心集聚以及少许次核心分散布局，高密度区域集中在中心城区和古冶区两个位置。总体而言，商业服务业网点的空间分布格局差异显著，行业属性的差异对商业服务业网点的选址有显著影响。第20卷 第2期第45页2023年6月Jun.,2023国土资源导刊Land&Resources Herald图6 商业服务业各要素核密度估计Fig.6 Kernel density estimation of each essential factor in commercial service industry3.4 城市商业服务业要素影响因素分析将自变量设为各区县生产总值（万元）X1、人均可支配收入（元）X2、各区县路网密度（km/km2）X3、各区县平均海拔高度（m）X4、各区县年末常住人口数（万人）X5、各区县城镇化率（%）X6，因变量 Y 为城市商业服务业及各要素 POI 数据。利用地理探测器的因子探测模块，对造成城市商业服务业空间格局变化的各项影响因素指标进行分析，各指标通过 ArcGIS利用自然断点法分为8类。因子探测器结果见图7。从城市商业服务业总空间格局受各因子影响程度来看，城市年末常住人口数在6类影响因子中的q值最大，说明对城市商业服务业总空间分布格局的解释力最大、影响最大，商业服务业本就是为人民群众服务的，各区县的常住人口数决定了区域商服站点数，人口基数大所需的商服站点就更多；所有影响因子中q值最小为0.6，说明所选6类指标对城市商业服务业总空间分布格局的影响程度都很大；地区生产总值和人均可支配收入代表着地区社会经济发展水平，社会发展水平越高，地区商业服务业发展体系越完善；各区县的路网密度直接反映当地交通条件状况，而商业服务业选址要求地区交通尽可能发达，及路网密度越高越好；地区城镇化率可以反映出商业第20卷 第2期第46页国土资源导刊Land&Resources Herald2023年6月Jun.,2023图7 城市商业服务业空间分布格局影响因子q值Fig.7 Influence factor q of spatial distribution pattern of urban commercial service industry服务业发展状况，体现出区域发展水平。总体来看，人口分布对城市商业服务业总空间分布格局的影响占据主导地位。社会发展水平对城市商业服务业总空间分布格局的影响其次。3.4.1 城市商业服务业各要素如图7所示，从餐饮服务因子探测器结果来看，地区生产总值的q值为0.82，对城市餐饮服务要素的空间分布解释力最高；各区县平均海拔高度对餐饮服务空间格局影响程度最低；人均可支配收入、路网密度、城镇化率、常住人口数对城市餐饮服务要素的空间分布解释力集中在0.70.8之间。说明餐饮行业的发展对地区社会经济发展水平的影响最显著，自然环境条件相对于其他因子的影响能力较弱。年末常住人口数对购物服务要素空间分布格局的解释力最高；影响程度相对较低的是地区生产总值和路网密度 2个因子。作为主要消费行业，购物对地区人口数的要求很高，人口基数大消费能力越强，购物服务网点越多。金融保险服务要素主要受地区生产总值和路网密度的影响，其中地区生产总值的q值接近1，对其空间分布解释力达到最高；与餐饮服务要素相似，平均海拔高度因素的影响程度最低。对生活服务要素影响最大的因素与购物服务要素相同都是常住人口数，自变量路网密度对其空间分布格局的解释力最低。同样作为主要消费行业，人口基数越大消费能力越强，生活服务网点就越多。城市商业服务业中的体育休闲服务要素的空间分布特征主要与地区生产总值、路网密度显著相关，这两个影响因子对其解释力均超过0.8，人均可支配收入对其影响程度最低。体育休闲服务的发展说明人们生活水平提高，社会经济发展水平提高，网点位置要求交通方便，路网更密集。对于医疗保健服务要素，各区县城镇化率的因子探测器q值为0.8对此要素的空间分布格局影响程度最大，解释力最弱的因子同餐饮服务要素和金融保险服务要素相同，为平均海拔高度。医疗保健服务网点主要集中在城市中心城区以及周边地区的核心位置，城镇化率越高医疗保健服务体系越健全。城市商业服务业中住宿服务要素受地区生产总值的影响最大，受人均可支配收入的影响最小。综上，各区县平均海拔高度所代表的自然环境因素对城市商业服务业各要素的空间分布格局影响相对较小，人口分布和地区生产总值对城市商业服务业各要素的空间分布格局影响占主导地位。3.4.2 城市商业服务业影响因子如图7所示，从城市商业服务业空间分布影响因素来看，选取的6种自变量中年末常住人口数对总空间格局的影响程度最强。地区生产总值对金融保险服务要素解释力最大，对购物服务要素的解释力最弱，地区金融保险行业更能体现出当地经济生产总值状况。作为社会发展水平因素，人均可支配收入对城市商业服务业各要素的影响整体上没有地区生产总值的影响强烈，对第20卷 第2期第47页2023年6月Jun.,2023国土资源导刊Land&Resources Herald餐饮服务要素的解释力最大，对住宿服务要素的影响最小。路网密度对购物服务要素、生活服务要素的解释力都很弱，对体育休闲服务要素的影响最大，q值是最弱要素的将近3倍。城镇化率对城市医疗保健服务的解释力最强。常住人口数与平均海拔高度因子影响程度最强的都是生活服务要素的空间分布。4 结论与启示4.1 主要结论本研究以唐山市POI数据为例，验证了基于POI数据分析城市商业服务业空间分布格局及所受影响因素是可行的。研究结果对优化城市商业服务业空间布局、促进城市健康发展提供依据，同时对优化城市商业服务业的资源配置，促进城市总体空间布局与发展具有一定的参考价值。（1）通过单变量局部Morans I对城市商业服务业的空间自相关性进行分析。结果表明唐山市商业服务业整体分布和各要素分布均具有空间自相关性，在地理空间分布上存在集聚特征。（2）利用ArcMap软件中Ripleys K函数研究城市商业服务业各要素的多尺度空间集聚特征。在10 km的观测范围内，商业服务业7类要素空间分布的聚类程度很高，都呈现空间集聚的特征；并且在该距离的空间聚类具有统计显著性。（3）通过核密度估计分析研究城市商业服务业总体空间分布格局和各要素的空间分布格局。唐山市商业服务业总体空间布局呈现出较为明显的“中心城区密集、其余区县稀疏”的特征，表明唐山市商业服务业空间集聚态势明显。商业服务业各要素的空间分布格局差异显著，行业属性的差异对商业服务业网点分布有显著影响。（4）通过地理探测器模型中的因子探测部分分析影响城市商业服务业空间分布的因素。城市人口分布对城市商业服务业总空间分布格局影响最大。不同商业服务业要素受同一因子的影响程度不同，某要素受不同因子的影响差异显著。4.2 政策启示研究分析得出，因为受到诸多影响因素的综合作用，城市商业服务业以及它的各个子行业在地理空间分布上还存在着一定的问题。为了让城市商业服务业的空间分布模式变得更为合理和科学，本文从以下三个方面对城市商业服务业发展提出优化建议。（1）加强区域交通设施建设。可达性是城市商业服务业网点最基本的属性，易获取性则是设施服务高效的本质属性。为此，应通过完善城市路网体系，优化路网结构，提升交通路网的便捷性，进而带动产业的发展。（2）对商业服务业的产业结构进行调整。在唐山市的商业服务业中，金融保险服务和医疗保健服务所占的比重很小，加起来不到5%，而餐饮服务、购物服务、生活服务所占的比重很大，总比例约80%，各子行业所占比例之间存在着显著的差距。所以，在对产业结构进行优化时，应该适当地增加对金融保险服务和医疗保健服务等行业的扶持力度，从而使城市商业服务业各子行业逐渐达到均衡发展。（3）调整商业服务业产业资源。唐山市商业服务业集聚程度最高的地区在中心城区，而周围各区县的商业服务业聚集度相对较低。从产业分布理论的“梯度迁移”出发，生产要素在空间上的流动一般是从梯度较高的地区向梯度较低的地区流动。因此，在城市商业服务业空间格局的调整中，应该通过优化资源配置，协调城乡之间的资源，以促进边远地区的商业服务业发展。参考文献/References1赵倩芳,刘刚,付饶,等.基于POI数据空间聚集分析的城市多中心结构识别方法J/OL.桂林理工大学学报:1-112023-03-07.http:/ 第2期第48页国土资源导刊Land&Resources Herald2023年6月Jun.,2023378.6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):145-157.7张景奇,史文宝,修春亮.POI数据在中国城市研究中的应用J.地理科学,2021,41(1):140-148.8康雨豪,王玥瑶,夏竹君,等.利用POI数据的武汉城市功能区划分与识别J.测绘地理信息,2018,43(1):81-85.9Zhai W,Bai X Y,Shi Y,etc.Beyond Word2vec:An approach for urban functional region extraction and identification by combining Place2vec and POIsJ.Computers,Environment and Urban Systems,2019,74:1-12.10谷岩岩,焦利民,董婷,等.基于多源数据的城市功能区识别及相互作用分析J.武汉大学学报(信息科学版),2018,43(7):1113-1121.11郭亚峰,蓝贵文,范冬林,等.基于POI数据的城市功能区识别J.桂林理工大学学报，2022,42（3）:655-662.12曹芳洁,邱芸,邹艳.基于H/T断裂法与POI数据的建成区快速提取方法J.地理与地理信息科学,2020,36(6):48-54.13Spaccapietra S,Parent C,Damiani M L,et al.A conceptual view on trajectoriesJ.Data&Knowledge Engineering,2008,65(1):126-146.14吴先赋,李永树,王金明,等.基于POI数据的成都市区生活设施空间格局分析J.测绘地理信息,2019,44(3):122-126.15李坤洋,鲁琳.基于POI数据的城市绿地服务空间分布研究以河南省郑州市为例J.地域研究与开发,2021,40(6):75-80.16Iranmanesh A,Atun R A.Exploring the spatial distribution of geo-tagged Twitter feeds via street-centralitymeasuresJ.Urban Design International,2018,23:293-306.17刘杨,李宏伟,杨斌程,等.基于遥感数据和PO