——以重庆市主城区为例

陈雨婷 重庆师范大学地理科学学院

基金项目：“重庆市本科一流专业立项建设项目”资助、重庆市本科高校“三特行动计划”特色专业项目资助、重庆师范大学本课提档升级改革专项

项目编号：DLCX202009

摘要：城市商业中心分布是否合理影响着人居环境和生活质量，传统研究主要通过统计和调查进行，耗时大且精度低。针对过去对于城市研究的不足，基于抓取重庆市主城区商铺POI大数据、利用核密度估计法、平均最邻近指数等方法刻画重庆市主城区商铺空间分布集散状态，并探究行业影响范围以及各行业分布格局驱动因子。结果表明，重庆市主城区商铺分布格局“一主中心，多副中心”分布格局明显，且副中心发展迅速。

关键词：商业中心；驱动因子；POI；重庆市主城区；核密度

一、引言

商业中心是指在一定区域范围内组织商品流通的枢纽地带，它是担负一定区域的商业活动中心职能的城市，或一个城市内部商业活动集中的地区。作为城市地理学的热门研究方向，国外对该方面的研究进行较早，在区位理论这一方面，德国城市地理学家克里斯塔勒（W.Christaller）和德国经济学家廖什（A.Lösch）分别于 1933年和 1940年提出了中心地理论。中心地理论阐述了一个区域中各中心地的分布及其相对规模，根据该理论，一些学者在前者的基础之上优化了城市空间经济结构，从而提升了其内涵，为城市商业空间结构研究奠定了基础。除此之外，距离衰减理论、消费者行为研究、商圈理论、中心商业地区融合模型等称为商铺、中心区等区位选择行为、城市经营等行为提供了理论指导和依据支撑，促进了地理学的应用化。

  进入新世纪后，大数据技术及其开发已取得突破性进展，如今城市地理在研究过程中也充分利用大数据进行研究，为城市地理研究工作带来方便，同样也为城市精细化分析及规划带来了发展。兴趣点(point of interest, POI)包含名称、类别、经度、纬度等属性信息，同时还能精准地反映出地理事物的空间分布特征。此外还有手机收集数据、GPS定位服务数据、社交媒体收集数据等大数据为城市地理研究注入新鲜血液。大数据在研究过程中具有数据精度高、易于捕获、覆盖面积大、数据资料更新换代快可弥补传统研究中效率较低。难以保证数据准确性、连续性和动态性等优点。学者在研究过程中将传统数据与现代地理空间大数据相结合，在商业中心识别、空间分析、商业商圈选址等方面做出了很多突破性的研究。

  基于上述背景，本文以重庆市主城区商业类POI大数据为基础，研究城市内部商业中心区和热点商铺的分布特征。总结商铺分布规律特点，使区域选择行为从经验提升至理论，同时探究中心区内商铺分行业空间集聚特点、分布规律，以及同类行业空间集聚效应、居住人口以及交通等关键要素对不同行业的空间布局的影响，探索大数据支撑下商铺区位选择规律及行业差异。为重庆市经营提供依据，对城市商业精细规划指导借鉴。

二、数据与方法

（一）区域概况和数据来源

  重庆市地处中国西南部，是中华人民共和国直辖市，“一带一路”和长江经济带举足重要的核心联结点以及内陆开放高地。去年，重庆商社门店突破400家，位列中国连锁百强第五名。发展大众消费，持续推进实体零售创新转型，且呈现逐年增长趋势。

   由于市郊地区以及各区县仍处于农村向城市过渡地带，故本文选取城市重点地带——重庆市主城区为研究对象。重庆市主城区重庆市是商业活动最密集的地区，如今已经逐步形成了解放碑、观音桥、南坪、杨家坪、三峡广场、大坪、石桥铺等近十个商圈。

本文数据选取 2019年抓取的高德地图POI数据和商业类 POI 数据，并根据零售行业分类标准和本文所研究内容，将其分为购物服务类、住宿服务类、体育休闲类、生活服务类、金融服务类、餐饮类。由于抓取内容难免出现偏差，经过前期数据去重清洗操作后，如表1所示，最终共获取有效POI数据408786个。经过实地调研考察发现数据真实性高。行政区划数据来自于国家基础地理信息数据库，驱动因子相关数据来源于地理国情监测平台、相关年份的统计年鉴以及通过实际考察调研得到。各大类型商铺与POI数据分类的分布见表1。

表1  商业POI类型及其分布比例

1.核密度估计法

3.地理探测器

地理探测器模型，可以有效地识别多因子之间的关系。既可以检验单变量的空间分异性；也可以通过检验两个变量空间分布的耦合性，来探测两变量之间可能的因果关系。故选择地理探测器模型对重庆市主城区商铺分布影响因素进行初步研究。

4.缓冲区分析

首先建立以重庆主城区中心解放碑为中心点建立一个多环缓冲区，再统计每一环区内的商铺数目。根据统计得到的数据分析重庆市主城区商铺空间分布规律，并探究商业中心区范围。还可以以交通站点、旅游景区为中心建立多环缓冲区，根据统计得到的数据分析形成如今中心区分布格局的驱动因子。

三、结果与分析

（一）商铺集聚特征与城市中心区分布情况

根据核密度分析结果来看，各个商铺在空间分布格局上呈现出越靠近中心点密度越大，由内向外密度依次递减的特点，并且呈现多中心点分布的格局。大规模高密度的商铺主要在解放碑、观音桥等大商圈附近呈片状高密度分布，在大商圈中心的，一定数量的小规模商业中心呈环绕状分布于大商圈周围，距离大商业中心的距离越大，外围的商铺数量就越少，分布也就越松散。

具体来说，1.重庆市主城区商铺整体上以解放碑为中心，核密度向外逐渐递减，同时连接观音桥、南坪、杨家坪、三峡广场、大坪等大型商圈，呈连片集聚分布。该地段人流量大且地理位置非常优越。2.住宿服务类的核心区位于客流量大的解放碑、沙坪坝商圈，次中心区域位于大学城商圈和江北机场商圈，分布格局上呈现出相互独立的形式，故可见重庆市住宿业发达且分布十分广泛。3.餐饮业分布格局呈现成片连续分布态势，商铺分布几乎覆盖到主城区全部的区域。说明重庆市主城区餐饮业发达，辐射区域广大。4.主城区边缘地区也已有集聚规模较小的各类商铺分布，说明城乡一体化已在推进。

总的来说，重庆市主城区商铺以解放碑为主中心，以沙坪坝、杨家坪、观音桥、南坪、茶园、西永为副中心的多中心城市结构明显，城市CBD呈现密集分布的态势。同时主城城市边缘区商业次中心也在逐渐发展，核密度增大，如双碑商圈、大学城商圈等在不久后也将成为新的商业中心区。重庆市内多山地，山水分割是造成主城区多商业中心的主要原因之一。

图1 重庆市主城区POI核密度分析与密度分割

（二）主城区商业中心影响范围分析

根据城市地理研究方法，对城市中心进行整体分析，利用前期提取的POI数据以及实地调研数据，结合核密度分析、平均邻近指数等的分析结果，探索主城区不同商业中心对周围区域的影响范围。

从分析结果可以得到：6大POI主类的的高聚集区不尽相同，例如：购物类、餐饮类、生活服务类的高聚集区为观音桥、解放碑、南坪、三峡广场等向外辐射，金融服务类多聚集于观音桥、解放碑、南坪、大杨石等向外辐射。每种商铺类型的POI密度最大值区（即高聚集区）面积较小，聚集效应强烈。根据计算R值可以看出，金融保险服务类聚集效应最强，生活服务类聚集效应最弱。

   因此，在重庆市主城区，每种不同类型的商铺越靠近商业中心区聚集效应较为强烈，聚集效应强度与距离商业中心的距离成反比。

四、重庆市主城区商铺分布格局驱动因子分析

（一）驱动因子的选取

城市内商铺区位选择与商业中心区格局的形成通常与当地自然地形条件、市场需求（人口密度、住宅密度）、行业集聚效应、交通设施、地价、政府政策等因素有关。本文将主要从以下几个方面来进行研究

（二）不同的驱动因子

1.集聚效应：商铺网点在空间上集聚，可以带来集聚效应，可以形成品牌效应，进行市场共享。加强同类型不同商业直接的竞争与合作，形成规模经济和范围经济。

2.人口密度：人口是生产力的主要因素，也是消费动力的主要来源，商业区对人进行着各个方面的服务。因此，区域内人口密度的大小对商业格局的分布起着主要作用。人口密度与距离市中心的远近呈现显著的负相关，而商业网点也存在距离衰减特征，因此商业网点倾向于分布在人口集中的区位。比如重庆市主城区的解放碑、观音桥两大商圈，人口密度大，客流量大，因而各类商铺聚集明显较大。

3.交通网的分布以及可达性：道路交通将消费中心与消费者连接起来，从消费地理学的角度来看，消费者的消费心理表现出伴随着时间而衰减的态势，即随着耗费时间与耗费距离的增加，消费者的购物兴趣呈现减弱趋势。根据分析结果可以得出：购物类。餐饮类、生活服务类商铺的聚集程度大小与周围交通点的分布有着直接关系，而金融服务类收到的影响相对较少。

4.地价：越靠近商业中心区商铺租金越高，低价对商铺的入驻起着筛选作用。商铺的规模大小以及它的区位选择受租金低价的影响较为明显，较大规模的商铺受地价影响较小，原因是较大规模商铺租金承担力较高，地价所带来的的成本与中心地段所带来的收益相抵消。

（三）结论与建议

重庆市主城区各大商业类型形成的空间格局是在长时间的演化过程中形成的，符合居民、旅客的要求以及城市发展的需求，同时也符合行业分布规律。本文基于POI大数据，结合核密度分析法、平均最邻近指数、缓冲区分析等方法，根据POI数据的空间分布结构与聚集程度，分析识别重庆市主城区商业中心区，同时对造成这种分布格局的驱动因子进行深入分析。得出以下结论：

1.研究区呈现“多中心，组团分布”的结构，解放碑主中心及沙坪坝、杨家坪、观音桥、南坪、茶园、西永等副中心的POI聚集程度较高。

2.各种不同功能的POI主类聚集程度有所不同，购物类、餐饮类聚集程度较高，生活服务类，体育休闲类聚集程度较低。

3.社会经济类因素如租金低价、交通网分布、集聚效应是形成重庆市主城区商铺空间分布格局的主要因素。而人口密度、住宅密度等市场因素为次要驱动因素。

4.各种类型商铺所受驱动因子以及驱动程度各不相同，根据相关系数分析发现：生活服务类几乎不受驱动因子影响;而餐饮类、购物类主要受人口密度、地租和集聚效应的影响;金融保险类主要受交通网、地租影响。体育休闲类主要受环境、可达性、地租影响。

参考文献：

[1]陈蔚珊,柳林,梁育填.基于 POI 数据的广州零售商业中心热点识别与业态集聚特征分析 [J].地理研究,2016,35(04):703-716．

[2]段亚明,刘勇,刘秀华,王红蕾.基于POI大数据的重庆主城区多中心识别[J].自然资源学报,2018,33(5):788-800.

[3]薛冰,肖骁,李京忠,等.基于兴趣点（POI）大数据的东北城市空间结构分析[J].地理科学,2020,40(05):691-700.

[4]秦萧,甄峰,朱寿佳,等.基于网络口碑度的南京城区餐饮业空间分布格局研究: 以大众点评网为例[J].地理科学,2014,34(07):810-817.

[5]陈洪星,杨德刚,李江月,等.大数据视角下的商业中心和热点区分布特征及其影响因素分析: 以乌鲁木齐主城区为例[J].地理科学进展,2020,39(05):738-750.

[6]吴忠才.基于哈夫修正模型再修正的城市商圈区位模型[J]．吉首大学学报（自然科学版）,2009,30(02):108-111．

[7]郭洁,吕永强,沈体雁.基于点模式分析的城市空间结构研究——以北京都市区为例[J].经济地理,2015,35(8): 68-74.

[8]王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(01):116-134.

[9]浩飞龙，王士君，冯章献，等．基于POI数据的长春市商业空间格局及行业分布[J]．地理研究,2018,37(02):366-378.