陳 冉，王海起，孟 斌，桂 麗，劉 玉

(1. 中國石油大學(xué)（華東） 地球科學(xué)與技術(shù)學(xué)院，山東 青島 266580；2. 北京聯(lián)合大學(xué) 應(yīng)用文理學(xué)院，北京 100191)

0 引 言

基于位置服務(wù)（Location Based Service，LBS）曾被預(yù)測很快就會成為移動商務(wù)的“殺手級應(yīng)用”[1]，后續(xù)LBS市場規(guī)模的迅猛發(fā)展印證了這一預(yù)測，現(xiàn)已成為地理空間信息的重要獲取途徑，通過LBS獲得的空間數(shù)據(jù)被Goodchild定義為志愿者地理信息（Volunteered Geographic Information，VGI）[2]。位置社交網(wǎng)絡(luò)（Location-based social network，LBSN）服務(wù)，如Twitter，F(xiàn)oursquare，微博等，允許用戶通過簽到（Check-in）記錄他們在某些位置的訪問歷史[3]。LBSN用戶探索城市與社區(qū)，并通過圖片、文字等分享他們曾訪問過的各個位置的感受和經(jīng)驗，這些位置可能是餐館、咖啡店、商場、火車站等各種各樣的興趣點（point of interest，POI）[4]。簽到數(shù)據(jù)表示了LBSN用戶所發(fā)布的一段帶有地理標(biāo)記的內(nèi)容，通常包括短文本消息、照片以及消息發(fā)布的時間和地點[5-6]。

位置簽到數(shù)據(jù)實際反映出了LBSN用戶與城市公共空間之間的互動[7]，借助于用戶的歷史簽到數(shù)據(jù)進(jìn)行人類行為模式及城市空間研究成為近年來的研究熱點。隋正偉等人基于格網(wǎng)劃分的方式考慮地理位置和用戶軌跡，提出用戶空間出行相似性的度量方法[8]；王波等利用簽到數(shù)據(jù)剖析城市活動空間的變化規(guī)律進(jìn)而劃分城市活動區(qū)域[9]。韓昊英等利用公交刷卡和興趣點數(shù)據(jù)進(jìn)行了北京市功能區(qū)的有效識別[10]。王明等根據(jù)簽到屬性顯著度的差異獲取城市分層地標(biāo)，為城市層次性空間知識獲取提供了思路[11]。許澤寧等利用興趣點與城市要素空間分布之間的相關(guān)性，提出以興趣點密度分布識別建成區(qū)邊界的城市空間結(jié)構(gòu)研究方法[12]?？偟膩碚f，新興的LBSN簽到數(shù)據(jù)作為遙感等傳統(tǒng)數(shù)據(jù)源的有力補(bǔ)充，為城市空間研究提供了新的思路，即通過人的行為活動理解城市地理環(huán)境，使得城市社會空間研究更加立體化。雖然從空間角度分析網(wǎng)絡(luò)社區(qū)的研究已受到學(xué)術(shù)界的廣泛關(guān)注，但由于數(shù)據(jù)獲取和研究方法的局限，大范圍、高空間分辨率的城市空間結(jié)構(gòu)特征的綜合研究相對較少。

本文基于香港、深圳兩個城市2014年的新浪微博POI位置簽到數(shù)據(jù)，以0.001°×0.001°的城市經(jīng)緯度格網(wǎng)為研究單元，從空間角度出發(fā)采用定量分析的方法對城市空間進(jìn)行了簽到數(shù)據(jù)空間特性、旅游熱點分布和居民活動空間3個方面的綜合分析，構(gòu)建起大范圍高分辨率城市空間定量分析的一套綜合研究方法,為新時期“以人為本”的城市規(guī)劃、城鎮(zhèn)治理和商業(yè)咨詢提供理論依據(jù)。

1 數(shù)據(jù)與研究方法

1.1 數(shù)據(jù)

本文所用數(shù)據(jù)為2014年1月至2015年1月時間段內(nèi)的新浪微博位置簽到數(shù)據(jù)，涉及香港、深圳兩個城市共28個區(qū)縣255萬多條記錄。圖1展現(xiàn)了兩個城市簽到數(shù)據(jù)在空間上的整體分布情況。

圖1 簽到數(shù)據(jù)空間分布情況Fig.1 Spatial distribution of check-in dataset

深圳市簽到次數(shù)的統(tǒng)計結(jié)果表明，寶安區(qū)、福田區(qū)、龍山區(qū)簽到最活躍，龍華新區(qū)作為新秀，簽到次數(shù)排在第六位，遠(yuǎn)超其他3個新區(qū)及鹽田區(qū)。深圳市POI類型按照簽到次數(shù)第一位的是居住類，其次為交通類，商業(yè)類與旅游類分別排在第三和第四位。寶安區(qū)交通類POI簽到次數(shù)是各區(qū)不同類型POI簽到中最多的。而在“購物天堂”香港，簽到次數(shù)最多的是油尖旺區(qū)，也即居民活動規(guī)模最大的區(qū)域，另外，香港的商業(yè)類POI簽到次數(shù)遠(yuǎn)遠(yuǎn)大于其他各類，可見其經(jīng)濟(jì)貿(mào)易之繁榮，其中商業(yè)類簽到中油尖旺區(qū)所占比重最大。

1.2 探索性空間分析方法

1.2.1 簽到數(shù)據(jù)的空間格網(wǎng)化

根據(jù)興趣點簽到數(shù)據(jù)的地理坐標(biāo)和用戶屬性，以深圳市行政區(qū)域為研究區(qū)，其經(jīng)緯度范圍是東經(jīng)113°46′～114°37′，北緯22°27′～ 22°52′，構(gòu)建0.001°×0.001°經(jīng)緯度格網(wǎng)G={G1,G2,…,Gn}，并將其與簽到數(shù)據(jù)進(jìn)行空間連接，格網(wǎng)化處理的示意圖如圖2。圖中的P1～P5代表經(jīng)緯度在格網(wǎng)G1范圍內(nèi)的5個簽到興趣點，每個興趣點有各自的類型、簽到次數(shù)和簽到用戶數(shù)，以簽到次數(shù)占整個研究區(qū)域內(nèi)最大簽到次數(shù)的百分比作為權(quán)重等級，計算格網(wǎng)內(nèi)每一種簽到類型的權(quán)重，權(quán)重最大的POI類型作為格網(wǎng)類型，各類型總的簽到次數(shù)作為格網(wǎng)權(quán)重。按照此方法最終將深圳市的興趣點簽到數(shù)據(jù)簡化為18779個格網(wǎng)數(shù)據(jù)集。

圖2 簽到數(shù)據(jù)空間格網(wǎng)化處理方法Fig. 2 Grid processing of check-in dataset

1.2.2 簽到數(shù)據(jù)的空間特性

托布勒地理學(xué)第一定律描述了地理學(xué)的一個基本現(xiàn)象：鄰近的地理事物往往比相距遙遠(yuǎn)的事物具有更多的相似性。空間自相關(guān)性由空間自相關(guān)系數(shù)度量，檢驗不同空間區(qū)域的同一屬性在空間上是否高高相鄰分布或者高低間錯分布?？臻g聚集和空間分異實質(zhì)上是同一個空間現(xiàn)象在不同空間尺度上的表現(xiàn)，背后的機(jī)制是整個空間是一個隨機(jī)運動過程，但這個隨機(jī)過程是不平穩(wěn)的，在不同的空間位置是不同的隨機(jī)過程[13]。因此，本文首先從全局尺度探索簽到數(shù)據(jù)的空間依賴性，發(fā)現(xiàn)其存在空間正相關(guān)性，于是將尺度拉近從局部尺度探測空間異質(zhì)性，分析簽到數(shù)據(jù)局部空間上的分布特性。

1）全局空間統(tǒng)計量Global Moran's I

采用Moran's I統(tǒng)計量度量位置簽到數(shù)據(jù)在研究區(qū)的全局空間自相關(guān)性，其計算公式如下[14]：

式中，n是研究區(qū)域內(nèi)簽到格網(wǎng)單元個數(shù)，xi和X分別是格網(wǎng)單元i的簽到頻數(shù)觀測值和平均值，wij表示單元i和j連接關(guān)系的空間權(quán)重矩陣。

Moran's I結(jié)果的統(tǒng)計檢驗可利用理論標(biāo)準(zhǔn)偏差Z值檢驗完成：

當(dāng)Moran's I結(jié)果為正數(shù)且通過檢驗時，說明存在正的空間自相關(guān)，表明研究區(qū)內(nèi)相似的簽到屬性值趨于彼此毗鄰，局域地理差異變得抑制，區(qū)域變異的統(tǒng)計度量趨于顯著；結(jié)果為負(fù)值且通過檢驗說明存在負(fù)的空間自相關(guān)，不相似的簽到屬性值趨于彼此毗鄰，局域地理差異變得顯著，區(qū)域變異的統(tǒng)計量趨于不顯著；結(jié)果為0則說明簽到屬性值在空間上無相關(guān)性，是隨機(jī)分布的。

2）局部空間統(tǒng)計量Local Moran's I

采用Anselin Local Moran's I方法度量簽到數(shù)據(jù)在局部空間的相似性，對于空間單元i計算公式[15]為：

用理論標(biāo)準(zhǔn)偏差Z值檢驗完成：

當(dāng)Ii為正數(shù)且統(tǒng)計顯著時，表明格網(wǎng)單元i與其鄰近單元存在簽到屬性的高值聚類（HH）或低值聚類（LL）現(xiàn)象；當(dāng)Ii為負(fù)數(shù)且統(tǒng)計顯著時，表明格網(wǎng)單元與其鄰近單元存在簽到屬性的高低（HL）或低高（LH）交錯現(xiàn)象；否則格網(wǎng)單元不具有統(tǒng)計顯著性，簽到事件存在局域的空間隨機(jī)現(xiàn)象。

1.3 簽到熱點探測

空間聚集性掃描統(tǒng)計方法是通過對研究區(qū)內(nèi)的地理對象進(jìn)行掃描，根據(jù)掃描范圍內(nèi)外地理對象屬性值之間的差異，探測是否存在統(tǒng)計意義上的高風(fēng)險聚集區(qū)，基于圓形窗口的掃描統(tǒng)計是經(jīng)典方法之一[16-17]。該方法以研究區(qū)內(nèi)的每個地理對象作為掃描起始單元對周圍單元進(jìn)行掃描，根據(jù)窗口覆蓋區(qū)域內(nèi)外屬性實際比值和隨機(jī)分布假設(shè)下理論比值計算掃描統(tǒng)計量——對數(shù)似然比LLR（Log Likelihood Ratio），直至統(tǒng)計量不再變化，在生成的候選聚集窗口中選取統(tǒng)計量最大/最小的聚集窗口（對應(yīng)高值聚集/低值聚集），并對聚集窗口進(jìn)行假設(shè)檢驗，驗證其分布的非隨機(jī)性，從而確定聚集程度最高的空間區(qū)域，稱為最可能聚類MLC（Most Likely Cluster）。

1.4 活動空間分析

位置簽到數(shù)據(jù)實際反映出了LBSN用戶與城市公共空間之間的互動，借助于用戶的歷史簽到數(shù)據(jù)進(jìn)行居民活動空間分析是當(dāng)前城市空間研究的熱點之一[18-19]。首先以區(qū)縣為研究單元，分別統(tǒng)計各單元總的簽到次數(shù)和單位面積的簽到次數(shù)用以度量居民活動規(guī)模和居民活動強(qiáng)度；再以整個研究區(qū)為單元，以簽到點數(shù)據(jù)為研究對象，選擇合適的搜索半徑，通過空間核密度法分析居民活動空間分布情況，從而突破行政區(qū)劃的壁壘，按照居民活動聚集程度劃分城市活動空間的核心區(qū)。

簽到位置s處的核密度計算方程可以表示為：

式中，h為搜索半徑；n為與簽到興趣點s的距離小于或等于h的興趣點數(shù)；k為空間權(quán)重函數(shù)；ci為核心簽到點，該處密度值最大；密度值在遠(yuǎn)離ci的過程中逐漸減小，直至與ci的距離達(dá)到閾值h時核密度值降為0。

2 空間分析與可視化

2.1 基于位置簽到數(shù)據(jù)的空間特性分析

在研究區(qū)深圳市行政邊界內(nèi)，將簽到點數(shù)據(jù)柵格化為0.001°×0.001°經(jīng)緯度格網(wǎng)，既保留了簽到次數(shù)、類型和時空專題屬性，又使離散的簽到點數(shù)據(jù)具有了空間鄰接性，便于進(jìn)行探索性空間分析。

2.1.1 全局空間相關(guān)性分析

全局空間自相關(guān)性分析結(jié)果如圖3所示。Moran's I指數(shù)0.013 104表明簽到次數(shù)在研究區(qū)域內(nèi)表現(xiàn)為空間正相關(guān)性，Z得分為11.971 595遠(yuǎn)大于2.58，隨機(jī)產(chǎn)生此聚類模式的可能性小于1%，說明簽到數(shù)據(jù)空間分布為典型的聚類模式。

圖3 Global Moran's I空間自相關(guān)性分析報表Fig. 3 Global Moran's I of check-in dataset

2.1.2 局部自相關(guān)性分析

圖4 簽到數(shù)據(jù)熱點和異常分布情況示意圖Fig. 4 Hotspots and Outliers distribution of check-in dataset

采用Anselin Local Moran's I方法度量簽到數(shù)據(jù)在局部空間的相似性，挖掘出簽到事件的熱點和異常，分析結(jié)果的三維效果如圖4所示。通過局部自相關(guān)性分析共得到具有統(tǒng)計顯著性（0.05水平）的高值聚類特征簽到位置299個（HH），圖中用紅色表示；具有空間異常特征的簽到位置14個，其中低值由高值包圍的異常值6個（LH），圖中用藍(lán)色表示，高值被低值包圍的異常值8個（HL），圖中用黃色表示，其余項不具備統(tǒng)計顯著性。

2.2 基于SaTScan方法探測簽到高值聚集區(qū)

使用SatScan方法以圓形掃描窗口探測深圳和香港共28個區(qū)縣的簽到事件高值聚類區(qū)域，通過蒙特卡洛模擬假設(shè)檢驗的聚類區(qū)域按照最大似然函數(shù)比值LLR排序，依次得到1st-MLC，2nd-MLC……

圖5 圓形掃描窗口掃描統(tǒng)計結(jié)果Fig.5 Distribution of MLCs detected by SaTScan

圓形掃描窗口掃描統(tǒng)計結(jié)果顯示，最大可能聚類地區(qū)是南山區(qū)、福田區(qū)、羅湖區(qū)，其次是大埔區(qū)、東區(qū)、觀塘區(qū)、黃大仙區(qū)、九龍城區(qū)、沙田區(qū)、西貢區(qū)，第三可能聚類地區(qū)是油尖旺區(qū)，共七個可能空間聚集區(qū)。從結(jié)果來看機(jī)場、火車站等交通樞紐、CBD商圈等所在地經(jīng)濟(jì)交通發(fā)達(dá)的區(qū)縣有較高的空間集聚性。

2.3 港深地區(qū)旅游目的地?zé)狳c探測

針對旅游類興趣點的簽到數(shù)據(jù)，分別對香港和深圳進(jìn)行了旅游目的地關(guān)注度的時序分析，如圖6所示。

圖6 旅游類POI月簽到次數(shù)統(tǒng)計表Fig. 6 Check-in number of tourist POI by month

以月份為時間單位分析，從總體趨勢來看，香港和深圳旅游類POI點簽到次數(shù)的變化基本一致，上半年呈穩(wěn)步增長態(tài)勢，最高峰都是出現(xiàn)在2014年8月，其后數(shù)據(jù)出現(xiàn)起伏波動，此外，2014年10月和2014年12月，均同時出現(xiàn)局部峰值。盡管數(shù)據(jù)的時間跨度有限，但是仍能看出，旅游類目的地的關(guān)注度時間聚集性與我國的寒暑假及法定小長假的時間基本一致。

從空間分布角度來看，深圳市旅游目的地微博簽到點空間分布可見圖7a圖所示。

圖7 旅游類簽到數(shù)據(jù)空間分布和格網(wǎng)化Fig.7 Spatial distribution and grid of tourist check-in dataset

對深圳市1902個簽到數(shù)據(jù)格網(wǎng)做局部空間自相關(guān)性分析，得到具有高值聚類特征的簽到位置34個（均為高值聚類HH），具有空間異常特征的簽到位置1個為HL型，其余項不具備統(tǒng)計顯著性，可視化結(jié)果如圖9a所示。同理對香港1265個簽到數(shù)據(jù)格網(wǎng)處理分析，得到具有高值聚類特征的簽到位置31個（均為高值聚類HH），具有空間異常特征的簽到位置3個為LH型，其余項不具備統(tǒng)計顯著性，可視化結(jié)果如圖9b所示。兩地局部自相關(guān)聚類結(jié)果中的具有統(tǒng)計顯著性的高值聚類熱點，提取結(jié)果如圖9c所示。局部空間自相關(guān)性聚類分析所得的結(jié)果顯示，深圳香港兩地的旅游目的地集聚熱點主要分布在市區(qū)區(qū)域，集中在福田區(qū)、羅湖區(qū)、南山區(qū)毗鄰香港的地帶以及維多利亞港兩岸，并少量集聚熱點零星分布在市郊區(qū)域。

從圖中可以看出，深圳市的旅游目的地分布主要集中在毗鄰香港的福田區(qū)、南山區(qū)、羅湖區(qū)，而香港的旅游目的地主要集中在了維多利亞港兩岸的油尖旺區(qū)、九龍城區(qū)、中西區(qū)和灣仔區(qū)。由此可以反映出上述區(qū)域的旅游目的地數(shù)量多而且相對聚集程度高，旅游資源相對其他區(qū)縣更豐富，此外以上區(qū)域與城市核心區(qū)重疊，發(fā)達(dá)的經(jīng)濟(jì)交通也為其增加了對游客的吸引力。如圖7b圖所示，綜合考慮空間分辨率和計算量的大小，在香港和深圳行政區(qū)域內(nèi)構(gòu)建0.01°×0.01°經(jīng)緯度格網(wǎng)，并與簽到數(shù)據(jù)進(jìn)行空間連接，在該研究尺度上進(jìn)行旅游目的地的全局空間自相關(guān)性分析，結(jié)果如圖8所示，兩地旅游類簽到數(shù)據(jù)均存在空間聚類模式。

圖8 旅游類簽到數(shù)據(jù)全局自相關(guān)性分析結(jié)果（左側(cè)為深圳，右側(cè)為香港）Fig. 8 Global Moran's I of tourist check-in dataset（Shenzhen on the left, Hong Kong on the right）

圖9 旅游類簽到數(shù)據(jù)熱點空間分布情況Fig. 9 Spatial distribution of tourist check-in hotspots

2.4 港深居民空間活動范圍劃定

在區(qū)縣尺度上以簽到事件的規(guī)模、強(qiáng)度和集聚程度作為居民活動的表征，研究城市居民活動空間。首先分別統(tǒng)計各單元總的簽到次數(shù)、不同POI類型簽到次數(shù)和單位面積的簽到次數(shù)用以度量居民活動規(guī)模和居民活動強(qiáng)度，結(jié)果如圖10a～圖10b所示。

由圖10a所示，可視化結(jié)果圖顯示出居民活動規(guī)模在空間上存在較大的差異性：深圳市基于簽到數(shù)據(jù)的城市活動規(guī)模等級自西向東呈逐級遞減的三級階梯狀，香港地區(qū)的城市活動規(guī)模等級呈現(xiàn)“一核多中心”的特性。深圳、香港兩地不同類型簽到活動規(guī)模的空間差異可視化如圖10b所示。以深圳為例，對于簽到活躍的六個區(qū)各有不同的突出簽到類型，寶安區(qū)和龍華新區(qū)交通類簽到點最為頻繁，龍崗區(qū)、南山區(qū)、福田區(qū)、羅湖區(qū)則是居住類簽到點最活躍，對比其他類型簽到活動的規(guī)模，可見在居民活動類型空間分布上，深圳仍受傳統(tǒng)行政區(qū)劃的影響。

由圖10c所示，居民活動強(qiáng)度存在著空間差異：深圳市整體活動強(qiáng)度密集區(qū)以福田區(qū)和羅湖區(qū)為核心，向兩側(cè)分別延伸至光明新區(qū)和大鵬新區(qū)；香港地區(qū)整體活動強(qiáng)度密集區(qū)以油尖旺區(qū)為核心，向外較均勻的輻射，其中維多利亞港兩岸的活動強(qiáng)度最高。由圖10d所示，根據(jù)以125km為搜索半徑的空間核密度分析結(jié)果，按照居民活動集聚程度逐級遞減將城市劃分為核心區(qū)、次核心區(qū)、潛在核心區(qū)和非核心區(qū)4個等級，可以看出居民活動空間的核心圈層仍是傳統(tǒng)行政區(qū)劃中的城市中心，但活動分布已初步呈現(xiàn)出“多心開敞”的都市區(qū)空間形態(tài)。

圖10 深圳香港兩城市居民活動空間分析結(jié)果Fig.10 Analysis of citizen activity space in Shenzhen and Hong Kong

3 結(jié)束語

本文基于深圳、香港兩城市2014年1月至2015年1月新浪微博POI位置簽到數(shù)據(jù)，從3個方面進(jìn)行了城市空間的綜合分析：借助空間相關(guān)性分析方法，探測出簽到事件在城市空間的分布具有明顯的聚集性，并根據(jù)空間掃描統(tǒng)計結(jié)果依次標(biāo)識出簽到事件高值聚集區(qū)；針對旅游類簽到數(shù)據(jù)分析發(fā)現(xiàn)香港和深圳兩城市的旅游目的地關(guān)注度的時間變化趨勢基本一致且峰值與我國學(xué)生的寒暑假和法定小長假的時間分布相吻合，而旅游熱點主要分布于城市中心地帶，少數(shù)分布在市郊地區(qū)；以簽到事件的規(guī)模、強(qiáng)度和集聚程度作為居民活動的表征分析了城市活動空間差異性，進(jìn)一步將城市劃分為核心區(qū)、次核心區(qū)、潛在核心區(qū)和非核心區(qū)4個等級，結(jié)果表明居民活動的核心圈層仍受傳統(tǒng)行政區(qū)劃的影響，但活動分布已初步呈現(xiàn)“多心開敞”的空間形態(tài)。

本文分析了3種空間尺度下的分布特征，沒有考慮時間屬性的影響，缺少與傳統(tǒng)城市空間研究的對比分析，因此研究內(nèi)容具有一定的局限性，借助更加豐富的社交媒體地理時空數(shù)據(jù)和其他社會經(jīng)濟(jì)數(shù)據(jù)進(jìn)行城市空間分析是進(jìn)一步研究的方向。

致謝

特別感謝“空間信息智能感知與服務(wù)深圳市重點實驗室第二屆城市數(shù)據(jù)大賽”的支持。