北京市及其周邊核心功能區的分布建設建議

王欣+李心+謝明昊+汪湘憶

[摘要]一座城市必須有自己合適的規模和空間形態，它根植于城市內部的需求結構，長期形成的地理環境以及產業結構。有關核心功能區分布的研究很多，影響城市結構的因素繁多且復雜。文章基于LBS技術，運用SAS、SPSS、Sublime、Excel等軟件，通過用戶手機APP的登錄情況來量化城市的需求，結合實際地理環境，確定出北京市及其周邊核心功能區的分布建設建議。

[關鍵詞]LBS；核心功能區；基站登錄；地理環境定位；APP使用情況

[DOI]1013939/jcnkizgsc201714165

1引言

LBS首先從美國發展起來，起源于以軍事應用為目的所部署的全球定位系統（Global Positioning System，GPS），隨后在測繪和車輛跟蹤定位等領域開始應用。當GPS民用化以后，產生了以定位為核心功能的大量應用，直到20世紀90年代后期，LBS及其所涉及的技術才得到廣泛的重視和應用。手機LBS的核心是“定位精準”，并獲取周邊與位置相關的服務信息。本文借助手機用戶APP簽到，引入LBS大數據，從居民實際活動的角度對城市空間的分析，一方面豐富和擴展已有的城市空間研究方法，同時也能夠更好地解讀ICT對城市空間結構的影響，從而更好地服務于當前快速轉型的城市社會經濟發展與城市空間結構的優化，并對城市空間的發展與規劃起到積極有效的指導作用。

2研究對象

本文的研究對象基于紫數網給出的9700000條基站用戶簽到數據與50000條用戶信息數據、從基站的APP簽到類型的頻率高低和用戶活躍程度來確定基站附近的服務類型并與實際情況作比較加之以完善。從一個基站簽到點推廣到整個城市，進而對城市功能布局進行修整與完善。

3數據分析過程

31數據分析

首先從中抽取一個基站000a53de6e8d3c6971e218a742 eaca86作為樣本，統計每種App的使用人次，從而關聯出相應的主題，劃分出區域的功能。可以得出在此處簽到的用戶的APP類型。

311基站分析

綜合下圖，該基站附近人們最主要的需求為交通出行、聊天社交、新聞資訊和各種娛樂。

312需求分析

那么從以上數據能看出此基站有什么需求呢？

從中可以看出，此基站位于一個十字路口附近，這可以解釋此處為何租車用車類APP使用頻繁；且其周圍存在聯想、中國工商銀行、花園小區等，這與其聊天社交、視頻、新聞閱讀類APP使用人次多相吻合；另外，其周圍存在天賜福康大藥房、眾多小區，這使得其購物、生活服務、醫療用藥等需求的上升。

313需求規律

在此基站，以打車APP為例做出了每日APP使用次數折線圖，雖然打車的高峰日期沒有明顯的規律，但是通過與這段時間的天氣情況進行線性回歸分析，發現人們對于打車APP需求的變化規律與星期幾和天氣有關，可以看出人們在天氣不佳的時候打車需求較大。因此建議使用打車APP的車租車公司結合天氣和星期幾調配車輛，以提高資源利用效率，并能更好地滿足人們的需求。

32對城市核心功能區優化布局的分析

通過變量timestamp推算出數據的日期范圍為2016年1月1日至2016年3月31日，權衡分析時間和人員水平，確定樣本量為7天。為了使分析結果更具代表性，將總體數據分成兩層，工作日和周末。根據工作日和周末的總天數對樣本進行劃分，確定工作日抽樣天數為5天，周末抽樣天數為2天。

321篩選聚類數據

為了將對單個基站的分析拓展到整個城市，筆者需要對總體數據進行分析。筆者設計了一個名為“網絡依賴度”的指標（網絡依賴度=某基站所有APP被使用的次數，可以反映該地用戶對APP的使用程度），來對聚類數據進行篩選。根據網絡依賴度在5萬多個基站中選取了4000個基站。接著，在三維圖中對4000個基站APP使用情況進行了可視化處理，為后面的分析提供參考，發現綜合功能區為多數，量級相差較大，即絕大多數的基站數據特征平庸。但筆者依然可以觀察到少數在某一指標上呈現突出的基站，說明它們具有比較鮮明的需求特征。這少數基站就很有可能成為筆者后面分析中的重點研究對象。

322聚類分析

根據網絡依賴度指標，筆者把4000個基站分成20類，并用散點氣泡圖對功能區核心程度進行展示。通過觀察散點氣泡圖筆者不難發現，絕大多數的基站核心影響力非常小，而只有少數基站具有很高覆蓋度的核心影響力，這與筆者在篩選數據時的推測相同。

323判別分析

雖然筆者對樣本進行了篩選取樣，但筆者同樣需要對總體數據進行處理，以保證研究的完整性，找出它們在已得出的20個功能區分類中的歸屬，并對聚類分析結果進行修正。

通過先篩選聚類，再進行判別分析的方式，筆者將總體數據進行了科學的分類，同時回避了將數量龐大的數據直接進行回歸時容易出現的問題，如分類過細等。

324核心功能區域分布和改進方案

為確定核心功能區的區域劃分，筆者選擇了20個核心程度較高的基站。由于20個基站在7個樣本日的數據中具有最高的核心程度，因此可以近似認為這些基站周圍區域具有成為核心功能區的基本條件。下面分別選取各個基站數據中使用數量前五（前五數量不到10的數據將略去）的APP類型標簽，作為基站功能區分類的依據。

在對基站進行具體分析時，大體將基站分為兩類：一類是具有明顯指向性APP的基站，如教育類、購物類。這樣的基站體現了比較明顯的需求導向，筆者一般根據實際情況建議該地區向滿足需求的方向靠攏。另一類是沒有具體需求導向，基礎類APP為主的基站。對于這類基站需要根據實際地理位置判斷該地區需求的真實情況，是得以滿足還是沒有完全體現在鏡像功能區的建議。

325結論

最后得到了修正后的功能區劃分建議：1號基站：大型娛樂商業區。2號基站：公共休閑區。3號基站：寵物功能區。4號基站：寵物功能區。5號基站：辦公區。6號基站：辦公區。7號基站：辦公區。8號基站：教育功能區。9號基站：辦公商業區。10號基站：住宅區。11號基站：辦公區。12號基站：農業特色商業區。13號基站：住宅區。14號基站：住宅區。15號基站：住宅區。16號基站：住宅區。17號基站：辦公區。18號基站：綜合商業區。19號基站：娛樂商業區。20號基站：辦公區。

參考文獻：

[1]王波基于位置服務數據的城市空間活動研究[D].南京：南京大學，2013

[2]張翔大數據時代城市規劃的機遇、挑戰與思辨[J].規劃師，2014（8）