基于POI大数据的城市群功能空间结构特征研究[1]
——以粤港澳大湾区为例
巫细波 赖长强[2]
摘要：以粤港澳大湾区为例，研究数据库支持下的POI大数据处理方法并采用空间核密度方法研究粤港澳大湾区的商业、产业、交通、科教文化、政务办公、生活居住、休闲等七类城市功能空间的结构特征，同时用DBSCAN和OPTICS空间密度聚类方法分析部分POI的空间结构特征。研究表明：粤港澳大湾区城市功能空间整体上呈现高度集聚特征；多中心城市空间结构特征明显；城市空间等级化和网络化特征显著；城市功能空间连片化特征明显。最后，对未来的粤港澳大湾区城市群空间结构发展提出建议：打造能够支撑世界级湾区的三大核心城市、构建功能区引领的城市空间体系、推进大湾区城市群功能区连片化建设、重视大湾区虚拟城市空间网络建设。
关键词：POI 大数据 城市功能空间结构 粤港澳大湾区
一 引言
城市群作为世界各国参与全球竞争的重要地理单元，受到国内外众多专家学者的关注[1]，已上升为国家战略的粤港澳大湾区[2]有望成为国家建设世界级城市群和参与全球竞争的重要空间载体，然而“三种制度、三种货币”共存一区的独特现象使粤港澳大湾区城市群空间结构优化存在诸多问题，非常有必要对其城市功能空间的整体和局部特征展开深入研究。对城市功能空间的研究兴起于20世纪20～40年代的西方发达国家。[3]随着城市规模的快速扩张及超大型城市群数量的快速增长，出现了各种城市问题，学者们针对城市与城市群的空间扩展[4-5]、产业空间[6]、交通空间[7]、社会问题[8]等进行了深入的研究。国内学者对城市功能空间相关问题的研究多为一般性理论及模型总结[9-10]，侧重于从单一城市的产业[11]、商业办公[12-13]、居住[14]、空间形态与格局[15-16]等视角对城市功能空间展开研究。随着城市群朝网络化[17]演进，城市功能空间快速重构与扩张并存，基于常规统计和调查的城市群空间结构研究显得不够精细，对城市功能空间的局部细节，尤其是行政边界接壤区城市功能空间的分析难以深入，基于大量POI数据、卫星影像、社交媒体数据等展开的研究显得很有必要。POI数据源于地图导航服务，具有精度高、覆盖范围广、更新快、数据多等特点，在城市研究中得到越来越广泛的应用。POI大数据不但能够分析城市整体的空间结构，对不同类型城市功能空间的识别、定量研究及局部细节分析也非常有效。目前，国内外学者基于POI数据的城市研究多集中在城市结构研究[24]、商业业态分布[25-26]、城市边界提取[27]、城市人口时空变化[28-29]等方面，研究方法主要为核密度分析、平均近邻分析、空间点模式等。目前利用POI数据对城市功能空间的研究大多局限于单一城市，对大规模城市群空间结构的研究还较少且数据量不足百万级。为此，本文以粤港澳大湾区为例，研究数据库支持下的POI大数据的处理方法并采用核密度、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）[30]和OPTICS（Ordering Points to Identify the Clustering Structure）[31]密度聚类方法分别对商业、产业、交通、科教文化、政务办公、生活居住、休闲等七大城市功能空间的整体和局部结构展开评价，研究探讨粤港澳大湾区城市群功能空间结构的总体特征和发展趋势，并提出优化粤港澳大湾区城市功能空间的对策建议。
二 数据与方法
（一）研究数据
POI数据是一种能够代表真实地理实体的点状数据，一般包含点要素的名称、类别、经纬度、电话以及地址等基本信息。本文采用的POI数据通过第三方网络数据爬虫工具从高德地图开放平台获取，数据获取时间为2017年8月。原始数据共包含汽车服务、汽车销售、餐饮服务、购物服务、生活服务、医疗保健服务、住宿服务、商务住宅、政府机构及社会团体、科教文化服务、交通设施服务、金融保险服务、公司企业等23类数据。本文侧重研究粤港澳大湾区的城市功能空间结构，因此从生活居住空间、政务办公空间、商业空间、产业空间、科教文化空间、休闲空间及交通空间等七个方面对POI数据进行分类重组（见表1）。
表1 粤港澳大湾区七类城市功能空间POI数据构成情况
续表
（二）研究方法
基于单机数据库的大数据分析方法。本文采用的POI数量接近500万条，传统上基于Excel、TXT、CSV等文件系统的数据处理和分析方法已不能胜任，因而必须借助大数据[32]分析方法。大数据这一概念在不同领域的内涵具有较大差别，相对于传统社科研究的数据数量规模，数据量超百万级足以称得上大数据，因此分析大规模的数据时必须考虑数据存储、过滤、移植和检索的效率。综合考虑之后，本文的POI数据处理可以采用PostgreSQL数据库系统（版本为10.4），作为免费、具备PostGIS[33]空间数据处理模块而且功能强大的关系型数据库系统，非常适合开展各类基于POI大数据的科学研究。因此，本文先将POI数据导入PostgreSQL数据库，然后进行检索、分类、合并、制图等。
空间核密度分析方法。这是一种将离散数据进行空间平滑处理形成连续分布密度图的方法，能够有效地分析离散数据的空间分布特征和趋势。本文采用ArcGIS软件进行核密度计算，为显示不同区域的POI数据密度差异，需要对栅格数据进行分组分级，本文主要采用自然断裂法进行分组统计并显示。
空间密度聚类方法：DBSCAN和OPTICS。这两种分析方法都是基于密度的聚类方法，各有优缺点，配合使用则有助于对POI大数据进行空间聚类分析。其中，DBSCAN方法的主要特点是计算速度较快、对内存要求不高、能够发现任意形状的聚类，但对初始参数较为敏感。OPTICS算法借助可达距离排序图更容易获取合理的初始参数，也可以获得不同密度的聚类，能够按照密度分布将空间中的数据进行聚类。本文采用R语言的“DB-Scan”软件包进行空间密度聚类计算。
三 粤港澳大湾区七类城市功能空间结构特征
对粤港澳大湾区商业空间、产业空间、交通空间、科教文化空间、政务办公空间、生活居住空间及休闲空间等七类城市功能空间的POI数据进行空间布局的整体特征分析，用DBSCAN和OPTICS密度聚类方法分析某些细分POI数据的局部结构特征。
（一）商业空间
作为城市最主要的功能之一，商业活动及其空间结构历来都是城市地理学和城市经济学研究的重要内容，合理的商业空间结构是城市繁荣发展的重要依托。城市商业空间一般被看作商业活动的空间载体，指各种商业类型的空间形态以及它的分布和配置情形，是城市商业活动销售和消费因素相互作用的动态关系在商业业态、等级、规模、组织等方面的空间体现。根据高德地图POI数据特点，本文研究的商业空间POI类型主要包括餐饮服务、购物服务、汽车销售、汽车维修、摩托车服务、汽车服务及相关等。其中，广州地区的商业POI数量占整个大湾区的22.62%，其次为深圳占19.66%，香港和佛山的商业POI占比分别为3.11%、12.88%。对商业POI数据进行核密度分析，结果显示：整个大湾区商业空间POI高密度区域分布不均衡，高密度区域主要分布在广州主城区及珠江东岸的深圳及东莞，珠江西岸则分布有零散的高密度集聚区，其中商业POI密集区域为广州主城区，而且形成了连片的高密度商业空间，每平方千米的商业POI数据超过1000个，达到1239个/千米2，与佛山禅城形成了高密度连片商业POI集聚区，广州南部的南沙地区则还未形成较大规模的商业POI聚类。珠江东岸沿江高速则形成了带状的高密度集聚区，从东莞的莞城、虎门、长安到深圳的宝安、南山、福田等区域，这些区域的商业POI密度超过600个/千米2。大湾区外围的肇庆、江门及惠州等区域只在主城区形成规模较小的商业POI集聚区，大部分外围区域分布着零星的商业集聚区。
（二）产业空间
产业是城市和区域经济社会发展的核心，产业空间反映了产业各部门、各要素、各链环在地域空间上的分布态势和组合。由于产业本身内涵丰富、类型多样，本文根据高德地图POI数据特点，主要从公司企业、产业园区及金融行业三个方面来反映大湾区的产业空间结构，因此POI数据主要包括公司企业、知名企业、公司、工厂、产业园区、金融保险服务机构、银行、保险公司、证券公司、财务公司、农林牧渔基地等11种类型。
1.总体特征
总体上看，大湾区的产业空间POI数据达到105.43万个，整体集聚及多中心布局特点非常明显，主要分布于深圳和广州，数量占比分别为25.53%和20.78%，珠江东西两岸呈现密集分布特征。对大湾区产业空间POI进行核密度分析，结果显示：产业空间POI高密度区域主要分布于珠江东岸，“广州主城区—东莞—深圳—香港”形成了连片的高密度集聚区，这些区域的POI密度超过254个/千米2，广州天河、越秀，东莞莞城，深圳南山、福田，香港九龙，佛山禅城等区域的产业空间POI密度超过590个/千米2，局部区域密度高达841个/千米2。
2.金融保险POI局部空间分布特征
采用DBSCAN和OPTICS密度分析方法分析粤港澳大湾区金融保险POI的局部空间结构特征。金融POI数据主要包括金融保险服务机构、银行、保险公司、证券公司、财务公司等5类。根据核密度分析可知：广州天河、深圳南山、香港岛构成大湾区的三大金融保险集聚中心，POI数据密度超过69个/千米2；次级集聚区包括佛山禅城、珠海香洲、东莞莞城、惠州惠城等区域，POI数据密度超过17个/千米2。为了进一步研究金融保险POI的局部集聚特点，本文采用DBSCAN空间密度聚类方法进行分析。为确定DBSACN方法的初始参数，本文采用R语言“DB-Scan”软件包中的OPTICS方法（参数MinPts设置为25，即最小聚类数）得到金融POI数据的可达距离排序图，根据可达距离排序图将EPS参数设置为0.009（实际空间距离约为1千米[3]）可以得到较好的聚类结果。用DBSCAN方法（参数设置为：EPS=0.009，MinPts=25）对金融POI数据进行空间聚类分析，结果显示：在整个大湾区识别出163个金融保险POI聚类，其中最大的聚类在广州主城区，包括天河、越秀、荔湾、海珠及白云南部地区，金融POI数量高达6043个；深圳主城区识别出两个大型聚类，POI数量分别达到7579个和1148个；香港的九龙和香港岛也出现两个大型集聚区，POI数量分别达到1716个和1175个，香港岛上的金融网点沿岛形成了典型带状集聚区；佛山禅城形成了一个类似球形的金融网点集聚区，POI数量达到1654个；东莞莞城则形成了一个数量达到1900个的大型金融网点集聚区；珠海香洲与澳门半岛形成了一个连片的高密度集聚区，POI数量达到1819个。
（三）交通空间
交通空间是支撑城市功能的骨架，对城市不同功能空间的集聚与扩散具有重要的促进与引导作用。作为各功能空间要素流动与交换的载体与通道，交通空间对各个城市功能空间的组织优化具有重要意义。根据不同交通功能空间的作用差异，城市交通空间可分为动态交通空间和静态交通空间，其中动态交通空间主要包括城市道路网、轨道等，静态交通空间包括停车场、交通枢纽及附属设施等。根据高德地图POI数据特点，交通空间POI数据主要包括加油站、加气站、充电站、机场相关、火车站、港口码头、长途汽车站、地铁站、公交车站、停车场、过境口岸等16个类型，此外还结合道路、铁路及地铁路网地理数据对大湾区交通空间结构进行研究。目前，大湾区的高速公路总里程达到7673千米，铁路运营总里程达到5500千米，城际轨道总里程为1430千米，机场主要包括香港、广州、深圳、澳门、珠海等地的5座干线机场，形成了以深圳港、香港港、广州港、珠海港等为核心的大湾区港口群。对交通空间POI进行核密度分析，结果显示：整个大湾区将广州和深圳主城区作为两大一级交通核心，佛山禅城、广州花都、东莞莞城、惠州惠城、香港九龙、珠海香洲等区域形成了大湾区的二级交通中心，广州从化街口、增城荔城、佛山三水及高明、江门开平、肇庆高要及四会、珠海斗门、惠州惠阳等区域形成了第三级交通中心。其中，一级交通核心的POI密度超过87.6个/千米2，局部区域的密度高达165.2个/千米2，二级交通中心的POI密度则超过32.5个/千米2，三级交通中心的POI密度则超过9.8个/千米2，其他区域的交通空间POI密度均低于2.6个/千米2。
总体上，大湾区的双核心、路网等级化、网络化空间结构特征非常明显。将普通公路、高速公路、铁路、地铁线路及站点绘制在一张地图上，可以从总体上反映粤港澳大湾区的交通路网空间布局特征。不管是公路、铁路还是地铁，广州、深圳均为一级枢纽，成为大湾区交通路网的两大核心，在地铁方面显得尤为突出，现有地铁站点大部分分布在广深两地，珠江西岸的地铁站点还较少，只在佛山有少量分布。对大湾区的公路路网进行空间密度分析，结果显示：整个大湾区沿珠江两岸形成了高密度路网分布区，其中广州、深圳主城区的道路密度超过10.12千米/千米2，为大湾区公路网的一级核心区，广佛、深港则形成了两个连片的高密度路网集聚区；广州花都、东莞莞城、珠海香洲、中山石岐、江门蓬江等区域则形成路网二级核心区，江门开平、惠州惠城、肇庆主城区，道路密度超过4.33千米/千米2；广州从化及增城等区域则形成三级路网核心区，道路密度超过1.44千米/千米2。
（四）科教文化空间
科教文化空间是指城市教育科研及文化服务机构所占用的空间，如中小学校、幼儿园、大中专院校、科研机构等所占用的空间。根据高德地图POI数据特点，本节研究的科教文化空间POI主要包括科教文化场所、博物馆、展览馆、会展中心、美术馆、图书馆、科技馆、天文馆、文化宫、档案馆、文艺团体、传媒机构、学校、科研机构、培训机构、驾校等16个类型。其中，广州在大湾区的科教文化空间POI中处于核心地位，数量占比达到27.7%，尽管这还不能说明广州的科教文化竞争力和辐射影响力处于绝对优势地位。从细分类型看，其在科研机构、天文馆、科技馆、文化宫、展览馆、会展中心等细分类型中占有绝对优势，数量占比均超过30%，分别为48.30%、44.44%、41.57%、39.15%、35.60%、34.32%；深圳科教文化空间POI数量占比同样超过21.60%；尽管香港的科教文化空间POI数据占比仅为6.54%，但其高等院校和科研机构的影响力仍然在大湾区处于核心地位。对大湾区的科教文化空间POI进行核密度分析，结果显示：在广州主城区形成了一个大规模的科教文化空间POI高密度集聚区，此为一级核心区，POI密度超过92.2个/千米2，广州天河局部地区达到121个/千米2；深圳和香港则成为二级核心区，POI密度超过49个/千米2，深圳的福田和南山凭借高科技企业及越来越多高等院校的集聚，在大湾区的技术创新方面将发挥越来越重要的作用；佛山禅城、东莞莞城、惠州惠阳、中山石岐、珠海香洲、广州番禺及花都、肇庆端州等区域成为三级核心区，POI密度超过23.4个/千米2。
（五）政务办公空间
政务办公空间是城市空间的重要组成部分，其空间结构总体上反映了城市政府行政资源的空间配置情况，由于我国的城市功能布局与政务办公空间具有密切关系，大部分城市功能均围绕政务办公功能展开。在高德地图POI数据中主要包括政府机关、外国机构、民主党派、社会团体、公检法机构、交通车辆管理、政府及社会团体相关、工商税务机构等8类POI数据。对大湾区政务办公空间POI进行核密度分析，结果显示：大湾区政务办公空间POI呈现超级大核心，等级化及网络化空间布局特征明显。其中，广州主城区的政务办公空间POI密度超过98.1个/千米2，越秀、天河等局部区域达到130.9个/千米2，成为大湾区政务办公空间POI的超级大核心，这也是广州成为大湾区核心城市的重要空间支持；香港、深圳、东莞、佛山等城市主城区则形成次级中心，其政务办公空间POI密度超过31.4个/千米2。广州花都、从化、番禺、增城，珠海香洲，中山石岐，江门蓬江、开平，肇庆端州、高要，惠州惠阳等区域形成第三级中心，POI密度超过19.5个/千米2，不同等级的核心区通过公路、铁路网形成网络化空间结构。
（六）生活居住空间
生活居住空间是城市空间的重要组成部分，不仅具有物质的地理空间表现形式，还是蕴含着社会关系的社会空间，对城市空间结构有重要影响。根据高德地图POI数据特征，本文研究的生活居住空间POI主要包括住宅区、医院、事务所、人才市场、美容美发店、搬家公司等36种类型。其中，广州、深圳两市作为粤港澳大湾区的超大规模人口集聚区，其生活居住空间POI数量占比较高，分别达到了24.16%、20.97%，香港生活居住空间POI数量占比为6.73%，但由于作为大湾区人口密度最高的区域，其住宅区POI数量在细分类型的占比高达21.63%。对大湾区生活居住空间POI进行核密度分析，结果显示：大湾区生活居住空间POI在空间布局上呈现等级化、网络化及高密度连片化特征。其中，在广州主城区形成了“L”形的大规模集聚区，深莞则沿交通干线形成了“ε”形的连片高密度集聚区，香港九龙、佛山禅城、广州花都及番禺、惠州惠城、珠海香洲、江门蓬江、肇庆端州等区域则形成了次级高密度集聚区，外围区域的POI则主要围绕县域中心形成了密度较小的三次中心区。其中，广州主城区形成了一个规模较大的连片高密度核心区，生活居住空间POI密度超过424.0个/千米2，局部地区达到730.3个/千米2，香港九龙、深圳福田及南山、东莞莞城、佛山禅城、广州花都及番禺、珠海香洲等区域则形成了规模较小的次级核心区，POI密度超过234.9个/千米2，三次中心区的POI密度则超过14.3个/千米2。
（七）休闲空间
休闲娱乐场所是城市空间的重要组成部分，休闲空间已经成为衡量现代城市生活质量的重要标志之一。总体而言，城市休闲空间是由实体物质空间、休闲行为空间、社会空间耦合而成的空间体系。在高德地图POI中，休闲空间POI主要包括体育休闲服务场所、运动场馆、高尔夫相关、娱乐场所、度假疗养场所、休闲场所、影剧院、风景名胜相关、公园广场、风景名胜等10类。广州、深圳两个城市的休闲空间POI数量占比均超过20%，分别达到23.44%、21.39%，广州地区各种休闲空间POI数量占比基本超过20%。香港的POI数量占比为10.60%，其中度假疗养场所细分类型的POI数量占比较高，达到26.81%。对休闲空间POI进行核密度分析，结果显示：大湾区休闲空间POI在空间布局上呈现等级化、网络化及高密度连片化特征。其中，在广州越秀、香港九龙形成了大规模高密度核心区，休闲空间POI密度超过35.4个/千米2，局部区域密度达到66.2个/千米2，同时在广州、深圳两地主城区均形成了连片高密度集聚区；深圳福田及南山、佛山禅城、广州花都及番禺、惠州惠城、珠海香洲、江门蓬江、肇庆端州等区域则形成了次级高密度集聚区，外围区域的POI则主要围绕县域中心形成了密度较小的三次中心区。
四 结论与建议
（一）结论
基于海量POI数据并借助核密度和空间密度聚类方法可以全新视角分析粤港澳大湾区城市群的功能空间结构的整体特征，研究发现了以下几点。
（1）粤港澳大湾区城市功能空间整体上呈现高度集聚特征。广州、深圳两大城市主城区均形成了大规模的高密度集聚区，香港九龙、东莞莞城、佛山禅城则形成了次级高密度集聚区，惠州惠阳、珠海香洲、广州花都及番禺、中山石岐、江门蓬江、肇庆端州等区域则形成了更小规模的集聚区。
（2）多中心城市空间结构特征明显。广州、深圳、香港三大城市主城区是粤港澳大湾区城市空间的三大中心，各类城市功能POI均呈现高度集聚特征，对七类城市功能空间POI的数据分析也支持这一论断，三大中心在不同领域具有比较优势。其中，广州在政务办公、科教文化、商业、交通等方面占有数量优势，是大湾区政治、文化、商业及交通功能空间的核心；深圳在产业、科技创新等城市功能空间占有相对优势，成为大湾区新兴信息技术产业及产业科技创新的核心引擎；香港则在国际化功能空间、高等级科研空间等方面具有相对优势。
（3）城市空间等级化和网络化特征显著。粤港澳大湾区城市空间以广州、深圳、香港等城市主城区为中心，借助完善的公路、铁路、水运及航空立体化交通网络，逐渐形成了等级化、网络化特征明显的城市空间结构，整个大湾区城市空间结构主从关系明确，核心城市突出。其中，佛山禅城、东莞莞城、珠海香洲、中山石岐、江门蓬江、肇庆端州、广州花都及番禺等区域形成了大湾区次级中心区。东莞虎门及长安、惠州博罗及惠东、佛山三水及高明、广州从化及增城、肇庆四会及高要、中山小榄与古镇、珠海斗门等区域则形成了三级中心城市；大湾区外围区域则围绕县域中心形成各类POI小规模集聚区，成为大湾区城市网络结构体系的重要节点城市。三大层次城市通过实体交通网络与虚拟信息网络形成了体系化、等级化、网络化特征显著的城市空间结构。
（4）城市功能空间连片化特征明显。随着珠三角城市一体化不断深入发展，大湾区内部各城市之间的经济与人员往来日益频繁，各类城市功能空间POI不但在各自城市行政边界内部形成POI连片高密度集聚区，也逐渐突破城市行政边界制约，促使各类城市功能空间POI在城市之间形成了连片化高密度集聚区，这种高密度连片化特征在生活居住空间、交通空间及产业空间等方面显得尤为明显，如广佛、深莞之间的居住空间POI连片化特征非常突出。
为进一步研究细分类型POI的空间结构特征，本文以金融保险POI为例，采用DBSCAN和OPTICS空间密度聚类方法进行分析，研究表明：相对于只能分析整体结构特征的核密度方法，密度聚类的方法能够分析城市功能空间的局部特征和细节，对于每一聚类的规模、空间形态、密度等均能进一步展开深入分析。此外，借助开源PostgreSQL数据库系统使POI大数据的处理与分析成为可能，而且数据分类、合并检索及制图都非常便捷，这也为基于POI大数据的社会科学研究提供了经验借鉴。
（二）建议
基于POI大数据的分析可以看出，粤港澳大湾区城市群空间结构呈现三中心、网络化、连片化特征，这表明大湾区城市群空间结构具备较高的一体化水平。然而粤港澳大湾区存在制度特区、经济特区、副省级城市、一般地级市等各类城市，“一区三制度、三种货币”现象尤为独特，因此要建设成为世界级湾区并代表国家参与全球竞争，其城市群空间结构优化升级还面临诸多问题，而体制方面的问题尤其突出。可以预见，随着全球化、区域化、信息化及智能化的加速推进，粤港澳大湾区城市群空间结构将朝现实与虚拟空间融合智能化、更加互联互通的网络化及更加开放的方向演进。为此，对未来粤港澳大湾区城市群空间结构发展提出几点建议。一是打造能够支撑世界级湾区的三大核心城市，弱化核心城市的分割竞争，推动大湾区内部核心城市之间在经济、社会、文化领域的全方位合作对接与融合发展。二是构建功能区引领的城市空间体系，树立政府推动、市场主导的发展观，主动按照比较优势的原则推动人才、资本、技术、创新等要素在湾区的合理化配置，引导高端要素资源向重大产业、科技创新等功能区集聚。三是推进大湾区城市群功能区连片化建设，弱化行政边界，强化功能区引领，舍弃传统以行政单元为基础的思维，加强对跨区域合作功能区的开发建设与合理布局。四是重视大湾区虚拟城市空间网络建设，依托智能化及信息化手段推进大湾区建设能够安全高效地连接国内外的虚拟城市网络空间。
参考文献
[1]汪彬：《国内外城市群理论发展演进及研究动向》，《区域经济评论》2018年第1期。
[2]张日新、谷卓桐：《粤港澳大湾区的来龙去脉与下一步》，《改革》2017年第5期。
[3]张京祥：《西方城市规划思想史纲》，东南大学出版社，2005。
[4]L.Poelmans ＆ A.Van Rompaey， “Complexity and Performance of Urban Expansion Models，” Computers， Environment and Urban Systems 2010（1）：17-27.
[5]J.Cutsinger ＆ G.Galster， “There is No Sprawl Syndrome： A New Typology of Metropolitan Land Use Patterns，” Urban Geography 2006（3）： 228-252.
[6]F.Gilli， “Sprawl or Reagglomeration？ The Dynamics of Employment Deconcentration and Industrial Transformation in Greater Paris，” Urban Studies 2009（7）：1385-1420.
[7]T.Yigitcanlar， N.Sipe， R.Evans ＆ M.Pitot， “A GIS-based Land Use and Public Transport Accessibility Indexing Mode，” Aust Planner 2008（3）：30-37.
[8]P.Higgins， J.Campanera ＆ Nobajas， “Quality of Life and Spatial Inequality in London，” European Urban and Regional Studies 2014（1）： 42-59.
[9]柴彦威：《以单位为基础的中国城市内部生活空间结构：兰州市的实证研究》，《地理研究》1996年第1期。
[10]刘贤腾、顾朝林：《解析城市用地空间结构：基于南京市的实证》，《城市规划汇刊》2008年第5期。
[11]刘艳军、李诚固、徐一伟：《城市产业结构升级与空间结构形态演变研究：以长春市为例》，《人文地理》2007年第4期。
[12]温锋华、许学强：《广州商务办公空间发展及其与城市空间的耦合研究》，《人文地理》2011年第2期。
[13]张景秋、陈叶龙、张宝秀：《北京市办公业的空间格局演变及其模式研究》，《城市发展研究》2010年第10期。
[14]张文忠、刘旺、李业锦：《北京城市内部居住空间分布与居民居住区位偏好》，《地理研究》2003年第2期。
[15]陈江龙、高金龙、徐梦月、陈雯：《南京大都市区建设用地扩张特征与机理》，《地理研究》2014年第3期。
[16]渠爱雪、卞正富：《徐州城市建设用地空间格局特征及其演化》，《地理研究》2011 年第10期。
[17]李涛、张伊娜：《企业关联网络视角下中国城市群的多中心网络比较研究》，《城市发展研究》2017年第3期。
[18]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》，《经济地理》2015年第8期。
[19]李刚：《基于遥感技术的城市内部生态边界研究》，硕士学位论文，西南科技大学，2018。
[20]张浩：《南京都市圈城市建成区扩展遥感监测与分析》，硕士学位论文，南京大学，2017。
[21]陈佐旗：《基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析》，博士学位论文，华东师范大学，2017。
[22]姜伟：《基于社交媒体顾及空间效应的商业区竞争选址研究》，博士学位论文，武汉大学，2017。
[23]毛峰：《基于多源轨迹数据挖掘的居民通勤行为与城市职住空间特征研究》，博士学位论文，华东师范大学，2015。
[24]康雨豪、王玥瑶、夏竹君、池娇、焦利民、魏智威：《利用POI数据的武汉城市功能区划分与识别》，《测绘地理信息》2018年第1期。
[25]薛冰、肖骁、李京忠、姜璐、谢潇：《基于POI大数据的城市零售业空间热点分析——以辽宁省沈阳市为例》，《经济地理》2018年第5期。
[26]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》，《地理研究》2016年第4期。
[27]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》，《地理学报》2016年第6期。
[28]郭翰、郭永沛、崔娜娜：《基于多元数据的北京市六环路内昼夜人口流动与人口聚集区研究》，《城市发展研究》2018年第12期。
[29]淳锦、张新长、黄健锋、张鹏程：《基于POI数据的人口分布格网化方法研究》，《地理与地理信息科学》2018年第4期。
[30]M.Ester， H.P.Kriegel，J.Sander ＆ X.Xu， “A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise，”in Knowledge Discovery and Data Mining， 1996.
[31]孙天宇、孙炜、薛敏：《OPTICS聚类与目标区域概率模型的多运动目标跟踪》，《中国图象图形学报》2015年第11期。
[32]黄欣荣：《大数据的语义、特征与本质》，《长沙理工大学学报》（社会科学版）2015年第6期。
[33]王远飞、何洪林：《空间数据分析方法》，科学出版社，2007。
[1]本文系广州市社科规划课题“加快广清一体化战略思路与对策研究”（2017GZZK05）阶段性成果，由广州国家中心城市研究基地资助。
[2]巫细波，广州市社会科学院副研究员，研究方向为区域经济、汽车产业、GIS与空间计量方法应用；赖长强，广州市社会科学院助理研究员。
[3]由于直接采用地理经纬度坐标数据进行空间聚类分析，因此POI之间的距离数值非常小，经纬度数据与距离长度数据之间的换算关系为：1度≈111千米。