夏 宇，楊舒波，張忠海

(1.江西師范大學地理與環(huán)境學院，330022，南昌;2.江西師范大學鄱陽湖濕地與流域研究教育部重點實驗室，330022，南昌)

0 引言

興趣點(Point of Interest POI)數(shù)據(jù)是一種包含了空間信息和屬性信息的空間數(shù)據(jù)源。POI數(shù)據(jù)由于與生活密切相關(guān)，通過研究POI的分布特征可以反映出城市人口、商業(yè)等的布局特征。吳康敏[1]等利用廣州市核心區(qū)域不同類型的POI數(shù)據(jù)，利用核密度分析、統(tǒng)計分析、最近鄰距離分析方法來識別不同類型的商業(yè)中心的邊界，并探索商業(yè)空間結(jié)構(gòu)和模式。許澤寧[2]利用電子地圖興趣點來提取城市建成區(qū)，高曉路[3]等利用POI的核密度等值線來提取城市群邊界。段亞明[4]等利用POI數(shù)據(jù)來識別重慶城區(qū)的多個中心。這些研究表明POI數(shù)據(jù)對研究城市空間特征有重要意義。外賣店鋪作為一類重要的POI數(shù)據(jù)，伴隨著移動互聯(lián)網(wǎng)的發(fā)展而成長。目前，我國在線餐飲外賣用戶規(guī)模突破3億。其中21－35歲年齡段的人最多，占了73.04%，年輕人是網(wǎng)絡訂餐的主力消費人群。文獻[5]指出研究餐飲業(yè)店鋪分布可以發(fā)現(xiàn)城市人口的分布特征與經(jīng)濟重心，餐飲業(yè)的合理化布局對發(fā)展城市經(jīng)濟、滿足居民需求發(fā)揮著重要作用。研究外賣行業(yè)的布局特征有重要研究意義。

POI數(shù)據(jù)的獲取方式分為3類，第1類是利用地圖服務商提供的接口獲取指定區(qū)域的POI數(shù)據(jù)，如曾璇[6]等利用高德地圖開放的API爬取并篩選2015年海珠區(qū)POI數(shù)據(jù)，戚榮昊[7]等通過百度地圖獲取POI數(shù)據(jù)。第2類是使用社交媒體的位置簽到數(shù)據(jù)來獲取POI數(shù)據(jù)，丁娟[8]等利用照片中的地理位置坐標信息，采用DBScan聚類分析方法，計算中國入境游客地理興趣點(POI)，胡慶武[9]等通過微博簽到數(shù)據(jù)來探索城市熱點與商圈，并指出眾源地理數(shù)據(jù)為空間數(shù)據(jù)挖掘提供了一個新的研究方向。第3類是O2O上的POI數(shù)據(jù)，文獻[10]利用爬蟲采集了北京大上地區(qū)大眾點評數(shù)據(jù)來研究城市商業(yè)服務設(shè)施的發(fā)展規(guī)律。并指出傳統(tǒng)由工商部門或商業(yè)采集的POI數(shù)據(jù)受采集周期的影響，存在樣本量不足的、實效性差等缺點。第2、第3類作為眾包地理數(shù)據(jù)源，具有更新快、數(shù)據(jù)量大、實效性高的優(yōu)點。

美團外賣的店鋪數(shù)據(jù)相對于大眾點評的POI數(shù)據(jù)具有銷量、價格等經(jīng)濟屬性，由于使用量大，店鋪POI信息更新速度相對更快，對研究餐飲行業(yè)的布局特征和發(fā)展狀況有重要意義，本文利用網(wǎng)絡爬蟲獲取美團外賣在南昌市的店鋪POI數(shù)據(jù)，并利用核密度方法和統(tǒng)計方法來研究外賣店鋪POI的布局特征。可以為餐飲行業(yè)的商業(yè)選址提供指導意義，同時為從業(yè)人員提供銷量分布特征，為相關(guān)決策提供參考。

1 外賣店鋪POI的獲取和預處理

1.1 研究范圍

南昌市是長江中游城市群中心城市之一、環(huán)鄱陽湖城市群核心城市，經(jīng)濟發(fā)展處在全國前列，有較強的代表性。2018年常住人口541.74萬，城市建成區(qū)358.90 km2。本文將南昌市繞城高速所包圍的區(qū)域作為主要的研究區(qū)域，主要包含東湖、西湖、青云譜、灣里、青山湖、新建區(qū)等部分區(qū)域，涵蓋南昌市主要建成區(qū)范圍(圖1)。

圖1 南昌市繞城高速行政區(qū)劃

1.2 面向網(wǎng)絡接口的網(wǎng)絡爬蟲

網(wǎng)絡爬蟲是一種自動抓取網(wǎng)頁內(nèi)容的程序，傳統(tǒng)的網(wǎng)絡爬蟲通過解析html文檔[11]，將有用的數(shù)據(jù)提取出來。隨著移動互聯(lián)網(wǎng)的發(fā)展，產(chǎn)生了一些超級應用，這些應用成了一個個信息孤島，這些應用的數(shù)據(jù)無法通過搜索引擎來獲取，也無法通過解析html的方式爬取數(shù)據(jù)，但這些應用也是通過http和后臺交互，通過獲取關(guān)鍵接口，構(gòu)造請求參數(shù)，模擬應用請求，也可以持續(xù)不斷地將特定的數(shù)據(jù)抓取下來[12－13]。當前的數(shù)據(jù)格式主要為JSON，JSON(JavaScript Object Notation)是一種輕量級的數(shù)據(jù)交換格式。它基于ECMAScript的一個子集，采用完全獨立于編程語言的文本格式來存儲和表示數(shù)據(jù)。在JS語言中，一切都是對象。因此，任何支持的類型都可以通過JSON來表示，例如字符串、數(shù)字、對象、數(shù)組等。但是對象和數(shù)組是比較特殊且常用的2種類型:對象表示為鍵值對、數(shù)據(jù)由逗號分隔、花括號保存對象、方括號保存數(shù)組。

本文爬蟲的過程如圖2所示，通過瀏覽器訪問美團外賣(http://h5.waimai.meituan.com/waimai/min dex/home)，并打開調(diào)試工具，通過加載數(shù)據(jù)來獲取店鋪列表的接口(http://i.waimai.meituan.com/openh5/homepag e/poilist)，并讀取cookie和header數(shù)據(jù)記錄下來，通過模擬請求的方式來獲取接口的數(shù)據(jù)。本文將南昌市0.1度×0.1度的格網(wǎng)，在每個節(jié)點最多請求10次接口，每次間隔20 s，以防止ip地址被封閉，將請求到的json數(shù)據(jù)(圖3)解析并存放到數(shù)據(jù)庫中，由于美團對數(shù)字進行了加密，且同一個數(shù)字對應的字符串相同，通過目視解密，在存進數(shù)據(jù)庫前，將加密字符替換成對應的值。

圖2 爬蟲處理流程圖

圖3 接口返回數(shù)據(jù)

由于這個接口沒用帶經(jīng)緯度數(shù)據(jù)，本文通過高德地圖web服務和百度地圖web服務將文字地址轉(zhuǎn)換成經(jīng)緯度，再將坐標系統(tǒng)一轉(zhuǎn)換成wgs84坐標系，并分別制作核密度圖(圖4)，從圖4中可以看出百度地圖文字轉(zhuǎn)經(jīng)緯度的核密度圖存在2個密度值非常高的點，導致這2個點的周圍的密度呈圓圈分別，造成這種現(xiàn)象的原因是百度地圖將多個不同的地址解析在一個經(jīng)緯度上，而高德地圖解析出來的經(jīng)緯度則不存在這個規(guī)矩的形狀，通過以上判斷可以說明高德地圖的地址解析更好，所以最終本文采用高德web服務。

圖4 不同地址解析結(jié)果核密度估計值圖

2 基于核密度估計的餐飲外賣分布熱點

核密度估計方法是一種適合于連續(xù)性現(xiàn)象的密度估計方法，如城市設(shè)施服務影響，交通路段風險評估等[14]。核密度的計算公式如下:

式中:f(s)為位置s處的核密度計算函數(shù);h為距離閾值;n為到位置s的距離小于或等于h的店鋪數(shù)量;k函數(shù)則表示權(quán)重函數(shù)。這一公式表明密度值在每個店鋪ci處最大，與ci相距h時密度值為零。核密度函數(shù)存在權(quán)重函數(shù)k與距離閾值h 2個關(guān)鍵參量。常用的權(quán)重計算函數(shù)有高斯方程、四次方程、副指數(shù)方程、最小方差方程等。研究表明權(quán)重函數(shù)的選擇對結(jié)果的影響不大，距離閾值的選擇對結(jié)果的影響較大。根據(jù)實際經(jīng)驗，h值越大，密度表面越光滑，熱點區(qū)域越容易被覆蓋;h值越小，得到的密度表面變化越突兀，局部的特征會更明顯，而整體關(guān)聯(lián)性減弱，使得熱點區(qū)域過于分散。本文選擇500 m、1 000 m、1 500 m、2 000 m為搜索帶寬進行實驗，結(jié)果如圖5所示?？梢钥闯觯S著帶寬的增加熱點區(qū)域的個數(shù)在減小，熱點區(qū)域越來越集中，且密度表面越來越趨向于光滑，在4種帶寬中h=1 000效果比較理想，在反映餐飲分布的整體趨勢的同時，也能夠較好地呈現(xiàn)局部的熱點區(qū)域信息。因此本文選用帶寬為1 000 m為核密度估計的搜索帶寬。

3 結(jié)果與分析

3.1 外賣熱點分布特征

圖5 不同帶寬下的核密度估計結(jié)果

本文通過爬蟲爬取到4 363條數(shù)據(jù)，這些店鋪分布如圖6所示。這些店鋪整體分布還是比較均勻，適合用來分析南昌市外賣POI布局特征，其核密度如圖7所示。從圖7中可以看出，外賣餐飲的分布特征在整體上呈現(xiàn)由中心向外圍密度逐漸減小的趨勢;從局部熱點來看，其熱點區(qū)域主要分布在老福山、八一廣場、西湖區(qū)、孺子路、萬達廣場、紅谷灘、瑤湖等，其中老福山、八一廣場、孺子路、萬達廣場、紅谷灘等作為城市的商業(yè)中心，人流量大，年輕人多，年輕人作為外賣的主力軍，導致這些區(qū)域的店鋪密度特別高，而瑤湖周邊有若干所大學分布，大量的學生對外賣的需求也比較大，所以瑤湖的店鋪密度也特別高，這說明餐飲行業(yè)作為基礎(chǔ)服務設(shè)施，它的熱點區(qū)域分布與人口分布有很大的重合性，人口越密集的地方對食品的需求越大，同時年輕人多的地方，店鋪的分布也比較密集。

圖6 外賣店鋪分布范圍

圖7 外賣店鋪的核密度估計結(jié)果

3.2 外賣銷量的分布特征

本文按照月銷量0～199、200～999、1 000～3 999、4 000～9 999分為低、較低、較高、高4類，其分布如圖8所示，數(shù)量如圖9所示，月銷量小于200份的店鋪占了一半以上，這可以說明對大部分店鋪而言，外賣只是增加了一種他們的銷售方式，無法依靠外賣獨立經(jīng)營，他們更多的還是依賴傳統(tǒng)的銷售方式生存。從不同銷量的店鋪分布圖來看，外賣銷量的分布特征為銷量從低到高的店鋪分布越來越集中，銷量大于4 000的店鋪大部分都分布在核密度為深色的區(qū)域，在這些區(qū)域周邊存在著大量的店鋪，競爭大，同時這些區(qū)域人流密集，需求旺盛，回報也大。外賣店鋪的分布密度對店鋪選址等有著重要的指導意義。

圖8 不同銷量類別的店鋪分布結(jié)果

3.3 外賣銷量與核密度估計值的相關(guān)性

利用arcgis的空間分析值提取到點工具將核密度估計值提取到店鋪上，本文按銷量每個1 000將銷量分為9種類型，并計算平均核密度值，結(jié)果如圖10所示。從圖10中可以看出，不同銷量的核密度平均值呈現(xiàn)出先升后降再上升的趨勢，當銷量低于4 000時，店鋪的銷量越高，店鋪所在的地方核密度值越高，銷量在4 000～8 000，隨著銷量的增加，店鋪所在地方的核密度值先持平后稍微下降一段，當銷量高于8 000核密度值又變大了。這表明當銷量較低時周圍店鋪越多越有利于店鋪的銷售，這個時候這里的競爭還不充分，當銷量達到中等銷量的時候周圍店鋪的存在反而會降低自己的銷量，此時這個地方存在過度競爭的趨勢。而對于銷量最好的商家而言，周圍店鋪越多自身的銷量越好，表明這些店鋪對周圍店鋪具有競爭優(yōu)勢。

圖9 店鋪類別數(shù)量和占比

圖10 不同銷量的店鋪平均核密度值

4 結(jié)論

本文通過爬蟲爬取美團外賣在南昌市的店鋪POI數(shù)據(jù)4 363條數(shù)據(jù)，外賣店鋪數(shù)據(jù)具有實時更新，具有經(jīng)濟屬性等特點，利用核密度方法研究了南昌市外賣店鋪POI在南昌市的集聚特征，得到如下主要結(jié)論。

1)外賣店鋪在南昌市的分布呈現(xiàn)出由市中心向周邊逐漸減小的趨勢，外賣店鋪分布熱點主要分布在老福山、八一廣場、西湖區(qū)、孺子路、萬達廣場、紅谷灘、瑤湖等商業(yè)中心或大學城附近。這對餐飲行業(yè)的商業(yè)選址具有指導意義。

2)南昌市外賣店鋪60%店鋪月銷量低于200，大部分店鋪無法依賴外賣平臺生存下來，銷量高于4 000的店鋪大部分都分布在店鋪密集區(qū)域。這表明南昌市的外賣行業(yè)還有很大的發(fā)展?jié)撡|(zhì)。

3)對低銷量和高銷量的店鋪而言周圍的店鋪越多，越有利于提高銷量;而對于中等銷量的店鋪而言，周圍店鋪的增多對銷量起著抑制的作用。這對外賣從業(yè)人員提高銷量提供了一個選擇的思路。