基于POI大数据的重庆主城区多中心识别
段亚明1, 刘勇2,*, 刘秀华1, 王红蕾1
1. 西南大学资源环境学院,三峡库区土地利用-重庆涪陵野外基地,重庆 400715
2. 重庆大学建设管理与房地产学院,重庆 400045
*通信作者简介:刘勇(1980- ),男,湖南岳阳人,副教授,主要从事城市地理、城市生态、土地管理。E-mail: ly6505@163.com

第一作者简介:段亚明(1994- ),男,河南洛阳人,硕士研究生,研究方向为土地利用与规划。E-mail: 527931407@qq.com

摘要

我国大量城市在其规划中均提出多中心的空间发展战略,但多中心结构演变是否达到规划预期,能否通过有效途径识别多中心结构和功能,成为目前学术界研究的热点。相比于人口、用地、产业等传统调查和识别方法,城市大数据的出现为多中心识别提供了契机,尤其是基于POI(Point of Interest)大数据的分析比传统方法更加准确高效。论文以重庆主城区40余万条POI数据为基础,利用核密度分析、自然断点法和邻近分析等方法,根据整体及不同类型POI数据的空间分布特征与聚集程度,识别城市总体及不同职能的多中心结构及其影响范围。结果表明:重庆作为山地城市,在自然约束和规划引导下,呈现出明显的“多中心、组团式”结构。不同职能类型的城市中心也呈现明显的多中心分布特征。重庆的主副中心在内环以内集聚,但不同中心的发育程度及其空间聚集度差异显著。外围新兴的西永、茶园等副中心发展相对滞后,城市要素集聚功能有待加强。

关键词: 城市空间结构; 多中心; POI; 重庆
中图分类号:TU984.11+3 文献标志码:A 文章编号:1000-3037(2018)05-0788-13
Identification of Polycentric Urban Structure of Central Chongqing Using Points of Interest Big Data
DUAN Ya-ming1, LIU Yong2, LIU Xiu-hua1, WANG Hong-lei1
1. College of Resources and Environment & Field Base in Fuling, Chongqing, Land Use of Three Georges Reservoir Area, Southwest University, Chongqing 400715, China;
2. School of Construction Management and Real Estate, Chongqing University, Chongqing 400045, China
Abstract

Many Chinese cities have proposed the strategy of polycentric urban development in their master plans. There are still questions about polycentric urban development to be answered: does the evolution of polycentric urban form conform with the master plans? How to identify and measure the morphological and functional urban forms? Previous research has used traditional data to identify the polycentric form, such as population, land use and industry. Nowadays, the emergence of urban big data provides an opportunity to improve the accuracy of identifying urban form and structure. The new methods based on urban big data such as POIs (Points of Interest) can provide accurate and efficient estimation of polycentric urban structure compared with traditional methods. Using 408 768 POIs data in Chongqing urban area, this paper identified the overall pattern of polycentric structure and the polycentric structures of different functions by considering the spatial distribution and the degree of aggregation of POIs. This paper found that Chongqing as a mountain city, constrained by natural condition and stimulated by urban planning, has formed a typical “polycentric form composed of multiple subcenters and clusters”. The distribution of POIs shows that the subcenters have relatively comprehensive urban functions, such as financing, shopping, dwelling and recreation. The main center and several sub-centers in Chongqing gather within the inner ring road. The sub-centers have significant differences in terms of urban development and spatial aggregation. The peripheral subcenters such as Xiyong and Chayuan have lagged behind other subcenters. Therefore, urban aggregation need to be strengthened in the near future.

Keyword: urban spatial structure; polycentric form; POI; Chongqing

我国城市规模迅速扩大, 在空间上不断向外扩散并在外围再集聚, 促使城市结构从原来的单中心结构逐步演变为多中心网络结构, 形成规模、等级与职能具有显著差异的城市主副中心[1, 2]。多中心结构迅速成为城市规划与城市地理领域的研究热点之一。目前, 国内外学术界对多中心结构的研究涉及:理论分析[2, 3, 4]、识别测度[5, 6, 7]、绩效评价(包括交通绩效[8, 9]、住房绩效[10]、经济绩效[4, 11]、能耗绩效[12]、治理绩效[13, 14]等)。国外多中心研究起步较早, 主要集中在欧美城市, 采用多源方法识别多中心的形态与功能, 较具代表性的研究包括Hall等基于高端生产性服务业的多中心网络分析[15], Green的多中心网络密度分析[16], Burger等的多中心网络通勤流分析[17]。国内多中心的研究也逐步兴起, 大多采用地理空间分析、形态分析等方法, 从人口、用地、产业、价格、交通、夜间灯光强度等不同维度进行了多中心的形态与功能识别、空间绩效分析[18, 19]。但受数据与技术的限制, 国内多中心的实证研究多根据各城市要素的空间分布从整体上表征多中心结构, 从城市内部不同职能类型来探索多中心结构的尝试还不多见。

近年来, 城市大数据研究的兴起, 为多中心识别测度及空间绩效分析提供了有效途径。最近的研究开始采用基于位置服务(Location Based Services, LBS)的社交媒体数据、城市热力数据等大数据, 并与常规普查数据、夜间灯光数据相结合, 定量识别多中心城市结构[20, 21]。考虑到传统数据和常规普查的限制, POI(Point of Interest)大数据提供了一种准确有效的替代方式, 可在探究城市整体空间结构的同时, 分不同职能类型对城市中心进行空间识别和定量研究, 精细识别城市内部高度的空间分异特征。POI数据是真实地理实体的点状数据, 具有空间和属性信息, 精度高、覆盖范围广、更新快、数据量大, 在城市研究中得到广泛应用[22, 23]。目前, 国内外学者基于POI数据的城市研究多数集中在:城市结构研究[1, 23, 24]、城市边界提取[25, 26]、城市人口时空变化[27]等多个方面。与传统调查方法相比, 基于POI大数据对城市中心进行识别研究, 可以有效节约调研时间并提高研究精度[22]。但是, 目前利用POI数据开展多中心的研究尚不多见。

为此, 本文基于高德地图POI数据, 以重庆主城区为研究范围, 利用核密度分析、自然断点分类法、最近邻分析等方法, 在整体和不同功能类型上, 分步识别研究区多中心城市结构, 探究不同职能中心的空间分异及统计聚类特征。重庆作为山地城市的典型代表, 较早选择了多中心组团式的发展模式, 并在历轮规划中予以不断强化, 形成了形态与功能兼具的真正意义上的多中心, 使其在我国多中心城市中具有典型性和代表性。对重庆的研究, 可揭示山地城市与平原城市的多中心特征差异, 总结多中心发展的成效与不足, 为城市规划提供有益借鉴。

1 研究区域、数据与方法
1.1 研究区

本文选择重庆市主城区作为研究区域, 包括渝中区、大渡口区、江北区、南岸区、沙坪坝区、九龙坡区、北碚区、渝北区、巴南区9个行政区, 总面积5 467.34 km2, 2016年总人口851.8万人(图1)。作为重庆市经济最发达的地区, 2016年重庆主城区GDP总和为7 646.74亿元, 以占全市总面积不到7%的土地贡献全市43.5%的GDP。随着重庆主城区经济的发展, 城市规模逐步打破中梁山与铜锣山的限制并向外围空间拓展, 逐步形成了目前“ 一主六副、多中心、组团式” 的城市空间结构。

图1 研究区范围
注:城市中心与各组团位置根据《重庆市城乡总体规划(2001— 2020年)》绘制。A指北碚组团, B指水土组团, C指空港组团, D指龙兴组团, E指蔡家组团, F指悦来组团, G指西永组团, H指礼嘉组团, I指人和组团, J指唐家沱组团, K指鱼嘴组团, L指沙坪坝组团, M指观音桥组团, N指南坪组团, O指茶园组团, P指大杨石组团, Q指渝中组团, R指西彭组团, S指大渡口组团, T指李家沱组团, U指界石组团。
Fig. 1 The scope of research area

1.2 数据来源

研究数据来源于2017年3月通过网络抓取的高德地图POI数据。由于POI数据主要为导航地图所用, 包含了城市中大部分实体对象的空间位置与属性信息, 是实体对象在地图上的抽象表示, 因此可近似认为POI数据包含城市空间中的所有研究对象[23]。在对获取数据进行去重、纠偏与实地调研验证后, 共获得408 768条POI数据。最后根据城市的不同功能结合高德地图POI分类体系, 将POI数据分为以下六大类:生活服务类、商务类、金融保险类、公共服务类、休闲娱乐类与居住类(表1)。

表1 重庆市主城区POI数据类型 Table 1 Types of POIs in central Chongqing
1.3 研究方法

1.3.1 基于核密度分析结果探究POI数据聚集区

近年来, 核密度分析在城市热点探索方面应用广泛[28, 29]。该方法用于计算空间点、线要素在其周围邻域中的密度, 并对密度分布进行连续化模拟, 以图像中每个栅格的核密度值反映空间要素的分布特征。本文利用核密度分析法探索重庆主城区整体及不同类型POI数据聚集区, 根据每个栅格内POI核密度值估计其周围密度, 并通过对不同搜索半径下的核密度分析结果进行比较, 从而选取适合本研究的最优搜索半径。

核密度函数计算公式如下:

fx=i=1n1πr2Φdixr(1)

式中: f(x)x处的核密度估计值; r为搜索半径; n为样本总数; dix为POI点 ix间的距离; Φ为距离的权重。

1.3.2 基于自然断点法的分类结果分析城市中心影响范围

自然断点法分类是基于数据中固有的自然分组, 通过对分类间隔加以识别, 在数值差异相对较大处设置边界, 对相似值进行恰当分组, 使各类之间差异最大化。研究表明不同城市区域的要素聚集程度不同[22, 23], 本文基于ArcGIS 10.2软件的重分类工具利用自然断点法对核密度分析结果进行分类, 并结合POI统计分析结果分析各城市中心的影响范围。

1.3.3 平均最近邻分析

平均最近邻分析的过程:测算每个POI与其最邻近POI之间的观测距离, 并计算所有最邻近距离的平均值。如果某类POI的平均观测距离小于假设随机分布的预期平均距离, 则此类POI属于聚集分布, 反之, 属于分散分布。本文利用ArcGIS 10.2软件的平均最近邻工具进行分析, 结果包含5个值:平均观测距离(di)、预期平均距离(de)、最近邻指数(R)、z得分和p值。R值越小聚集程度越高。由于平均最近邻统计工具中零假设为:输入要素属于随机分布, 所以需要根据z得分和p值来判断在一定显著性水平下是否拒绝零假设。计算公式如下:

R=di/de(2)

de=0.5/NA(3)

z=di-deN2A/0.26136(4)

式中:A为研究区域面积; N为POI总数。当 z> 2.58且p< 0.01时, 拒绝零假设(文中zp计算结果均证明POI数据的聚集分布)。

2 结果与分析
2.1 重庆市主城区多中心识别与影响范围分析

2.1.1 基于核密度分析的多中心城市结构识别

根据研究区POI邻近分析结果, 重庆主城区POI在空间上呈显著的聚集分布。基于整体POI核密度分析结果的峰值分布探究研究区多中心城市结构。由于不同的搜索半径会导致核密度分析结果表面光滑程度不同, 搜索半径越大, 结果表面越光滑, 因此, 搜索半径的取值对核密度分析至关重要[30]。根据已有城市研究案例[22, 31]与研究区实际情况, 分别设置500、1 000、1 500与2 000 m搜索半径进行对比研究。结果表明 [图2(a)]:随着搜索半径的增长, 局部POI聚集区不断融合, 核密度等值线的平滑度逐渐提高。内环以内, 各POI聚集区有逐渐融合趋势。不同搜索半径的POI聚集区主要沿轻轨线分布, 空间位置基本相同, 主要分布在渝中、沙坪坝、大杨石、大渡口、观音桥、空港、北碚、西永、西彭、南坪、李家沱与茶园组团。当搜索半径从1 000 m跨越到1 500 m时, 位于大渡口、李家沱与北碚的POI聚集区聚集特征由强变弱。总体来说, 较小的搜索半径可识别出规模较小的POI聚集区, 较大的搜索半径能反映宏观尺度的多中心格局, 具有良好的平滑效果。

图2 重庆市主城区POI核密度分析与密度分割Fig. 2 Kernel density of POIs and density segmentation in central Chongqing

由分析可知, 不同搜索半径下, 重庆主城区以解放碑为主中心, 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。空港、北碚、李家沱与西彭组团的POI聚集程度已经超过或接近茶园、西永副中心。内环内POI聚集强度显著高于内环外侧。本研究的目的在于识别研究区多中心城市结构并分析不同类型城市中心的影响范围, 综合权衡多中心识别的整体效应与局部识别结果, 最终选取1 500 m搜索半径做进一步分析。

2.1.2 城市中心影响范围分析

基于前文核密度分析结果(r=1 500 m), 利用自然断点法对研究区进行密度分割, 并结合整体POI数据, 从统计上验证POI分布的集中性, 进一步分析城市中心的影响范围与要素聚集程度。

由图2(b)可知, 高聚集区由多个不连续区域组成, 具体分布在渝中、沙坪坝、大杨石、大渡口、观音桥、空港、北碚、南坪与李家沱组团。中聚集区主要分布在前者外围, 其余为低聚集区。内环内侧包含了大部分高、中聚集区, 两种区域主要沿轻轨线分布。根据POI统计分析结果(表2), 研究区POI整体上呈聚集态势, 自然断点法勾勒的三种区域具有不同的空间特征。高聚集区与中聚集区的面积分别占整体的0.98%与3.80%, 分别包含37.57%与41.01%的POI; 低聚集区面积占95.22%, 仅包含21.42%的POI; 根据邻近分析结果, 高、中聚集区的要素聚集强度显著高于低聚集区。

表2 重庆市不同类型区POI统计分析结果 Table 2 Statistics of POIs in different central areas of Chongqing
表3 重庆市主城区各类型POI统计分析结果与空间分布 Table 3 Statistics and spatial distribution of each type of POIs in central Chongqing

因此, 解放碑主中心、沙坪坝、杨家坪、观音桥、南坪副中心的影响范围主要集中在内环内侧, 要素聚集强度由中心向外围衰减; 内环外侧的集聚功能主要由西永、茶园副中心与北碚、空港、李家沱等组团承接。

2.2 不同类型城市中心识别与影响范围分析

2.2.1 基于核密度分析的不同类型城市中心识别

由于历史发展、规划引导、人口流动及自然条件等因素的共同作用, 不同功能的城市中心在空间上存在差异。因此, 不同类型POI的空间分布往往存在差别[23]。本节将根据不同类型POI的核密度分析结果, 探究不同类型城市中心的空间分布特征。

表1可知, 不同类型POI的数量差异较大。其中生活服务类最多, 占总数的66.09%; 公共服务与商务类次之, 各占15.25%与11.52%; 休闲娱乐、居住、金融保险类占比最少, 均未超过3%。根据邻近分析结果, 各个类型POI空间聚集特征显著。金融保险类聚集程度最高, 居住类最低, R分别为0.133 3与0.370 4。根据各类型POI核密度分析结果(图3):不同类型POI在内环内均具有多个聚集区, 主要分布在:渝中、沙坪坝、大杨石、南坪与观音桥组团。在内环外, 不同类型POI聚集特征减弱。除商务、金融保险类外, 其余类型POI在空港、北碚、李家沱等组团有小规模聚集。从POI密度剖面线看(图4, 结果基于30 m× 30 m格网, 剖面线基于重庆主城区东、西、南、北4个城市拓展方向, 分别穿过沙坪坝— 南坪、观音桥— 杨家坪的核密度峰值区):不同类型POI核密度分析结果在内环内均出现多个峰值, 内环内侧核密度峰值显著高于外侧; 在内环内, 仅商务、金融保险类POI的核密度峰值差异较大, 最高值位于观音桥、南坪组团; 山水格局对剖面线的剧烈起伏具有显著影响。内环内是各类型POI的主要聚集区域, 并呈现多中心分布特征。

图3 重庆市主城区不同类型POI核密度分析结果Fig. 3 Kernel densities of different types of POIs in central Chongqing

图4 重庆市各类型POI核密度剖面线Fig. 4 Kernel density profiles of different types of POIs in central Chongqing

因此, 内环内, 不同类型城市中心均表现出多中心分布特征, 内环外聚集特征减弱, 山水分割是造成重庆市多中心格局的重要因素之一。

2.2.2 不同类型城市中心影响范围分析

根据整体城市中心分析方法, 利用各类型POI数据及其核密度分析结果, 比较不同类型城市中心的影响范围。

结果表明(图5、表4):6类POI高聚集区均由多个相互独立区域组成, 与整体分析结果的空间叠合性较高。生活服务、公共服务、休闲娱乐与居住类主要分布在:观音桥、渝中、南坪、沙坪坝、大杨石、大渡口、空港、北碚与李家沱组团(除居住类)。商务、金融保险类主要分布在:观音桥、渝中、南坪、大杨石、沙坪坝组团(除商务类)。3种区域中, 各个类型的高聚集区面积最小、POI密度最大, 以平均0.9%城区面积包含各类型POI的35.85%, 聚集效应强烈。根据R值与单位POI密度可知, 金融保险类聚集程度最高, 居住类最低(最邻近指数:金融保险类< 商务类< 生活服务类< 公共服务类< 休闲娱乐类< 居住类; 单位POI密度:金融保险类> 商务类> 生活服务类> 休闲娱乐类> 公共服务类> 居住类)。

图5 重庆市主城区不同类型高聚集区识别Fig. 5 The scope of different types of high concentration areas in central Chongqing

表4 不同类型高聚集区统计分析结果与空间分布 Table 4 Statistics and spatial distribution of each type of high concentration areas

因此, 内环内, 不同类型城市中心聚集作用显著。内环外, 除商务、金融类, 其余类型POI主要分布在西永、茶园副中心与北碚、空港、李家沱等组团。

3 讨论
3.1 POI大数据下的多中心识别方法

本研究基于POI数据的分析为多中心城市研究提供新的手段与视角, 这一方法可以刻画城市内部不同区域的城市要素聚集度, 快速有效识别城市空间结构, 判断不同类型城市功能的空间分布特征, 弥补了人口、价格、夜间灯光等常规数据的不足。POI数据相比于传统土地利用数据, 空间分辨率更高, 具有良好的时效性与客观性, 可以快速、准确地反映城市建设密度、产业聚集程度、功能完善性与设施可达性, 从而为城市规划提供有力的决策支持。然而, POI数据为空间上的抽象点, 并未包含地理实体的范围、体量与等级信息。受数据限制, 本研究侧重从形态方面识别多中心结构, 对其功能联系与动态演化的分析还有待加强。今后, 可以探索POI数据的空间赋权方法, 提高密度分析的可靠性, 并结合多源与多尺度数据, 对多中心的形态、功能及其演化规律进行深入分析。

3.2 POI大数据下的多中心识别与空间绩效评估

POI数据的分析结果表明, 研究区具有明显的多中心结构(图1)。主城内环以内, 各个副中心发展水平相近, 内环以外, 西永、茶园副中心发展相对滞后。空港、北碚、李家沱等组团在某种程度上具有副中心的形态与功能。整体POI核密度分析表明, 西永、茶园副中心及西彭、北碚组团已经突破中梁山与铜锣山的阻隔呈跳跃式发展。从形态来看, 内环以内的副中心距离较近, 相互之间具有一定的重叠性。可以预见, 研究区将沿袭目前的结构继续向外围扩散, 进一步完善组团式的多中心网络。在不同职能类型上, 研究区也呈现出多中心分布特征。商务、金融、公共服务、休闲、居住等不同职能中心的生长模式类似, 但发育程度明显不同。根据其空间特征[22], 可分为以下两类生长模式:以副中心为代表的点状生长-融合模式; 以居住、服务、休闲等特定功能区为代表的带状延伸生长模式, 如空港组团。在发育程度上, 内环以内的功能中心相对完善, 内环以外的功能中心仍处于生长成熟期。在城市轨道交通的带动下, 副中心、组团呈现融合发展趋势。

将POI分析结果与规划进行空间叠加分析和绩效评估, 结果表明, 研究区的“ 多中心、组团式” 结构在数轮城市规划的引导下不断完善, 各主/副中心功能完备、布局紧凑、发展水平相近, 整体上符合城市规划的功能定位, 内环外各组团基本解决了市政服务问题。但也存在以下问题:1)近年来, 城市发展重心明显向“ 两江新区” 偏移, 空港组团的发展程度甚至超过西永、茶园副中心, 形成了POI密度和房价的高值聚集区域, 一些原有的规划组团出现粘连发展, 呈现空间不均衡发展态势。2)西永、茶园等外围副中心/组团的要素聚集能力较弱, 各类城市功能有待进一步加强; 悦来组团的发展水平距国际商务中心的定位还有一定差距。今后可重点培育外围副中心/组团的产业孵化与孕育能力, 提升基础设施建设与公共服务水平, 对主城区POI聚集过密的功能区形成有效疏解, 促进多中心之间的良性互动发展。

3.3 POI大数据下的山地城市多中心特征分析

POI数据反映重庆这一典型山地城市独特的“ 多中心、组团式” 结构, 具体表现在:1)POI分析结果表明, 在山水阻隔和交通条件的限制下, 重庆不同中心之间布局相对均衡, 功能相对独立, 发展程度与规模大小相近。这与很多平原城市的“ 强主城、弱副城” 的现象形成鲜明对比[19]。有研究指出, 我国平原城市更多的是规划人为促成的形态多中心, 与西方倡导的功能多中心相距甚远[32, 33]。2)不同功能类型的POI分析结果表明, 重庆副中心及外围组团分工较为明确、配套设施相对完备、职住相对平衡[10]。尤其是观音桥、沙坪坝、杨家坪、南坪等副中心, 对主中心的商务、居住与服务功能形成了有效替代, 其城市要素集聚能力较强。这与平原城市副中心要素聚集能力差、功能性联系薄弱、职住空间失衡形成对照[5, 6, 10, 33]。3)POI分析结果与山水格局及空间规划进行叠加, 结果发现, 重庆的“ 多中心、组团式” 结构是在山水阻隔、空间稀缺、生态脆弱等客观环境下的被动选择, 也是规划引导下的主动适应[34]。“ 两江四山” 的山水格局构成重庆多中心发展的自然本底, 这决定其城市发展需沿水系、交通线与河谷低平地带向外扩张, 甚至越过山水屏障进行跳跃式发展[35]。随着原有城区趋于饱和, 城市要素开始不断外溢, 并在外围副中心/组团重新聚集。而很多平原城市的地形和生态约束较弱, 呈现由内及外的圈层式扩展, 其多中心发展更多地仰赖于空间规划的引导和促进[32]

4 结论

本文基于POI大数据, 利用核密度分析、自然断点法和最近邻分析等方法, 根据POI数据的空间分布特征与聚集程度, 识别重庆主城区的多中心结构, 得出如下结论:研究区呈现明显的“ 多中心、组团式” 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。6种不同职能类型下, 城市空间结构具有明显的多中心分布特征, 功能完善的副中心主要分布在内环以内, 呈现融合发展趋势。公共服务、休闲娱乐及居住中心发展较快, 已经突破山水限制, 脱离已有城区不断向外扩散。生活服务中心紧随其后, 也呈多中心发展态势。而外围的商务与金融中心发育相对滞后, 主要在核心区聚集。总体上, 各级中心功能相对完善, 外围的西永与茶园副中心发展程度和集聚功能有待加强。

The authors have declared that no competing interests exist.

参考文献
[1] 郑晓伟. 基于开放数据的西安城市中心体系识别与优化[J]. 规划师, 2017(1): 57-64.
[ZHENG X W. Identification and optimization of Xi’an urban center system based on open data. Planners, 2017(1): 57-64. ] [本文引用:2]
[2] 杨俊宴, 章飙, 史宜. 城市中心体系发展的理论框架探索[J]. 城市规划学刊, 2012(1): 33-39.
[YANG J Y, ZHANG B, SHI Y. On theoretical of urban center system development. Urban Planning Forum, 2012(1): 33-39. ] [本文引用:2]
[3] 罗震东, 朱查松. 解读多中心: 形态、功能与治理[J]. 国际城市规划, 2008(1): 85-88.
[LUO Z D, ZHU C S. Understand ing polycentricity by configuration, function and governance. Urban Planning International, 2008(1): 85-88. ] [本文引用:1]
[4] 韦亚平, 赵民. 都市区空间结构与绩效——多中心网络结构的解释与应用分析[J]. 城市规划, 2006(4): 9-16.
[WEI Y P, ZHAO M. Spatial structure and performance of metropolis: Interpretation and application of polycentric structure. City Planning Review, 2006(4): 9-16. ] [本文引用:2]
[5] 孙斌栋, 石巍, 宁越敏. 上海市多中心城市结构的实证检验与战略思考[J]. 城市规划学刊, 2010(1): 58-63.
[SUN B D, SHI W, NING Y M. An study on the polycentric urban structure of Shanghai and strategies in future. Urban Planning Forum, 2010(1): 58-63. ] [本文引用:2]
[6] 杨卡. 大北京人口分布格局与多中心性测度[J]. 中国人口·资源与环境, 2015, 25(2): 83-89.
[YANG K. Population distribution and multicenter measurement of great Beijing. China Population, Resources and Environment, 2015, 25(2): 83-89. ] [本文引用:2]
[7] 蒋丽, 吴缚龙. 2000—2010年广州人口空间分布变动与多中心城市空间结构演化测度[J]. 热带地理, 2013, 33(2): 147-155.
[JIANG L, WU F L. Guangzhou population spatial distribution and polycentricity spatial structure evolution. Tropical Geography, 2013, 33(2): 147-155. ] [本文引用:1]
[8] 孙斌栋, 涂婷, 石巍, . 特大城市多中心空间结构的交通绩效检验——上海案例研究[J]. 城市规划学刊, 2013(2): 63-69.
[SUN B D, TU T, SHI W, et al. Test on the performance of polycentric spatial structure as a measure of congestion reduction in megacities. Urban Planning Forum, 2013(2): 63-69. ] [本文引用:1]
[9] 丁成日. 城市空间结构和用地模式对城市交通的影响[J]. 城市交通, 2010, 8(5): 28-35.
[DING C R. The impact of urban spatial structure and land use pattern on urban transportation. Urban Transport of China, 2010, 8(5): 28-35. ] [本文引用:1]
[10] 李峰清, 赵民. 关于多中心大城市住房发展的空间绩效——对重庆市的研究与延伸讨论[J]. 城市规划学刊, 2011(3): 8-19.
[LI F Q, ZHAO M. A discussion on housing development in multi-center cities: Phenomenon & planning implication of Chongqing. Urban Planning Forum, 2011(3): 8-19. ] [本文引用:3]
[11] 王旭辉, 孙斌栋. 特大城市多中心空间结构的经济绩效——基于城市经济模型的理论探讨[J]. 城市规划学刊, 2011(6): 20-27.
[WANG X H, SUN B D. The economic performance of the polycentric spatial structure of mega-cities: Based on the models of urban economics. Urban Planning Forum, 2011(6): 20-27. ] [本文引用:1]
[12] 阎宏, 孙斌栋. 多中心城市空间结构的能耗绩效——基于我国地级及以上城市的实证研究[J]. 城市发展研究, 2015, 22(12): 13-19.
[YAN H, SUN B D. The impact of polycentric urban spatial structure on energy consumption: Empirical study on the prefecture-level and above cities in China. Urban Development Studies, 2015, 22(12): 13-19. ] [本文引用:1]
[13] 张京祥, 罗小龙, 殷洁. 长江三角洲多中心城市区域与多层次管治[J]. 国际城市规划, 2008, 23(1): 65-69.
[ZHANG J X, LUO X L, YIN J. Polycentric mega-city regions and multi-level governance of the Yangtze River Delta. Urban Planning International, 2008, 23(1): 65-69. ] [本文引用:1]
[14] 朱俊成. 基于共生理论的区域多中心协同发展研究[J]. 经济地理, 2010, 30(8): 1272-1277.
[ZHU J C. Research of regional polycentric coordinated development based on symbiosis theory. Economic Geography, 2010, 30(8): 1272-1277. ] [本文引用:1]
[15] HALL P, PAIN K. The Polycentric Metropolis: Learning from Mega-City Regions in Europe[M]. London: Earthscan Publications, 2006. [本文引用:1]
[16] GREEN N. Functional polycentricity: A formal definition in terms of social network analysis[J]. Urban Studies, 2007, 44(11): 2077-2103. [本文引用:1]
[17] BURGER M J, MEIJERS E. Form follows function? Linking morphological and functional polycentricity[J]. Urban Studies, 2012, 49(5): 1127-1149. [本文引用:1]
[18] 孙斌栋. 上海都市区就业-人口空间结构演化特征[J]. 地理学报, 2014, 69(6): 747-758.
[SUN B D. Spatial distribution and structure evolution of employment and population in Shanghai Metropolitan Area. Acta Geographica Sinica, 2014, 69(6): 747-758. ] [本文引用:1]
[19] 张亮, 岳文泽, 刘勇. 多中心城市空间结构的多维识别研究——以杭州为例[J]. 经济地理, 2017, 37(6).
[ZHANG L, YUE W Z, LIU Y. Multidimensional analysis of the polycentric urban spatial structure—A case of Hangzhou. Economic Geography, 2017, 37(6): 67-75. ] [本文引用:2]
[20] CAI J X, HUANG B, SONG Y M. Using multi-source geospatial big data to identify the structure of polycentric cities[J]. Remote Sensing of Environment, 2017, 202: 210-221. [本文引用:1]
[21] 李峰清, 赵民, 吴梦笛, . 论大城市“多中心”空间结构的“空间绩效”机理——基于厦门LBS画像数据和常规普查数据的研究[J]. 城市规划学刊, 2017(5): 21-32.
[LI F Q, ZHAO M, WU M D, et al. Polycentric mage-city and its mechanism of spatial performance: Findings from Xiamen based on LBS and census data. Urban Planning Forum, 2017(5): 21-32. ] [本文引用:1]
[22] 吴康敏, 张虹鸥, 王洋, . 广州市多类型商业中心识别与空间模式[J]. 地理科学进展, 2016, 35(8): 963-974.
[WU K M, ZHANG H O, WANG Y, et al. Identify of the multiple types of commercial center in Guangzhou and its spatial pattern. Progress in Geography, 2016, 35(8): 963-974. ] [本文引用:5]
[23] 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(8): 68-74.
[GUO J, LÜ Y Q, SHEN T Y. Urban spatial structure based on point pattern analysis—Taking Beijing metropolitan area as a case. Economic Geography, 2015(8): 68-74. ] [本文引用:5]
[24] LESLIE T F, HUALLACHÁIN B Ó. Polycentric Phoenix[J]. Economic Geography, 2006, 82(2): 167-192. [本文引用:1]
[25] HOLLENSTEIN L, PURVES R. Exploring place through user-generated content: Using Flickr to describe city cores[J]. Journal of Spatial Information Science, 2010, 1(1): 21-48. [本文引用:1]
[26] 许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法[J]. 地理学报, 2016, 71(6): 928-939.
[XU Z N, GAO X L. A novel method for identifying the boundary of urban built-up areas with POI data. Acta Geographica Sinica, 2016, 71(6): 928-939. ] [本文引用:1]
[27] BECKER R A, CACERES R, HANSON K, et al. A tale of one city: Using cellular network data for urban planning[J]. IEEE Pervasive Computing, 2011, 10(4): 18-26. [本文引用:1]
[28] CHU H J, LIAU C J, LIN C H, et al. Integration of fuzzy cluster analysis and kernel density estimation for tracking typhoon trajectories in the Taiwan region[J]. Expert Systems with Applications, 2012, 39(10): 9451-9457. [本文引用:1]
[29] XIE Z X, YAN J. Kernel density estimation of traffic accidents in a network space[J]. Computers Environment & Urban Systems, 2008, 32(5): 396-406. [本文引用:1]
[30] THURSTAIN-GOODWIN M, UNWIN D J. Defining and delineating the central areas of towns for statistical monitoring using continuous surface representations[J]. Transactions in GIS, 2000, 4(4): 305-317. [本文引用:1]
[31] OKABE A, SATOH T, SUGIHARA K. A kernel density estimation method for networks, its computational method and a GIS-based tool[J]. International Journal of Geographical Information Science, 2009, 23(1): 7-32. [本文引用:1]
[32] LONG Y, GU Y Z, HAN H Y. Spatiotemporal heterogeneity of urban planning implementation effectiveness: Evidence from five urban master plans of Beijing[J]. Land scape & Urban Planning, 2012, 108(2/3/4): 103-111. [本文引用:2]
[33] YUE W Z, LIU Y, FAN P L. Polycentric urban development: The case of Hangzhou[J]. Environment & Planning A, 2010, 42(3): 563-577. [本文引用:2]
[34] 黄光宇. 山地城市空间结构的生态学思考[J]. 城市规划, 2005(1): 57-63.
[HUANG G Y. Ecological thinking over spatial structure of holly city. City Planning Review, 2005(1): 57-63. ] [本文引用:1]
[35] 罗瑾, 刘勇, 岳文泽, . 山地城市空间结构演变特征: 从沿河谷扩展到多中心组团式扩散[J]. 经济地理, 2013, 33(2): 61-67.
[LUO J, LIU Y, YUE W Z, et al. Evolution of urban spatial Structure in a mountainous city: Transforming from linear expansion along valleys to polycentric urban development. Economic Geography, 2013, 33(2): 61-67. ] [本文引用:1]