张苏 刘钰 刘宛晨 余卓芮

摘要缺乏空间精度高、便于获取的教学实例数据，是城市空间结构教学质量难以提高的关键瓶颈问题。为提高教学质量，本文对基于POI大数据的城市空间结构教学改革进行了探讨。首先，阐述了POI大数据的基本特点，及其在可视化、精细化和定量化分析中的突出优势；并以郑州市中心城区为案例，介绍了基于POI大数据的教学改革实践。实践表明，将POI大数据引入城市空间结构的教学，可以有效地提升教学质量。

关键词 POI 城市空间结构 空间分析 教学改革

中图分类号：G424文献标识码：ADOI：10.16400/j.cnki.kjdk.2021.26.041

Research on teaching reform of urban spatial structurebased on POI big data

ZHANG Su[1]， LIU Yu[1]，LIU Wanchen[1][2]， YU Zhuorui[3]

（[1]School of Civil Engineering and Architecture， Henan University， Kaifeng 475003；

[2]School of Human Settlements and Civil Engineering， Xi’an Jiaotong University， Xi’an 710049；

[3] Faculty of Innovation and Design， City University of Macau， Macau 999078）

AbstractThe lack of teaching case data， which has high spatial accuracy and can be easily to obtain， is the key bottleneck of improving the teaching quality of urban spatial structure. To improve the teaching quality， we discussed the teaching reform of urban spatial structure based on POI big data.This paper firstly described the basic characteristics of POI big data and its outstanding advantages in visualization， refinement and quantitative analysis. Then， taking the downtown area of Zhengzhou as a case， this paper introduced the teaching reform practice of POI big data. Practice showed that the introduction of POI big data into urban spatial structure teaching can effectively improve the teaching quality.

KeywordsPOI； urban spatial structure； spatial analysis； teaching reform

城市空間结构是城乡规划专业的“城市地理学”课程的核心内容，主要讲授城市的形态和功能在空间布局上的结构特征，这是教学中的重点内容、也是教学难点。从课堂测验和期末考试的成绩，以及规划设计院等用人单位的反馈来看，城市空间结构部分是“城市地理学”课程中教学质量较差的主要环节。为探究教学质量较差的症结所在，笔者梳理了多年来的教学经验，并与相关院校的课程主讲教师进行了深入的沟通和研讨。我们发现，城市空间教学质量难以提高的重要瓶颈问题是缺乏丰富的教学实例数据。教学实例的缺乏使得学生对城市结构的感性认知较为匮乏，难以在有限的感性认知的基础上建立系统的理性认识。究其原因，首先是由于常规统计资料的统计单元尺度较大，往往只公布城市的总量数据；在更为精细的城市尺度上，很难收集到统计数据。例如，人口作为最为常见的统计数据之一，往往只有城市的总量数据，城市街道、社区尺度的人口数据很难获取。其次，虽然通过现场调研可以收集部分精细数据，但现场调研需要高昂的人力和经济成本，以支撑授课需求。因此，积极采用新型数据，以弥补常规统计和现场调研资料的不足，为城市空间结构教学提供丰富的实例就成为亟需探索的教学改革方向。

POI（Point of Interest）即兴趣点，是指将地理实体抽象成的点，是地理信息系统用来描述事物地址的专业术语。我们日常生活中用到的地理实体，如学校、医院等都可以抽象为POI。POI作为新兴的大数据的典型代表，具有覆盖广、精度高、获取便利等优势。此外，POI包含丰富的城市基础设施和服务网点的信息，对城市功能有着独特的标识能力。曹芳洁等基于POI大数据分析，指出北京市的商业功能呈现圈层式结构，并沿交通干道向外发展。[1]可见，POI大数据能用于揭示城市功能的精细空间结构，其在城市空间结构教学中具有广阔的应用前景。

1 POI适用于城市空间结构教学的突出优势

POI大数据具有空间分辨率高、获取便捷的优势，可以避免常规统计数据的空间精度过低的问题，也没有实地调研的时间和经济成本高昂的缺陷，是适用于课堂教学的优良数据源。此外，具体到城市空间结构的教学场景，POI大数据在可视化、精细化和定量化分析等方面还有着突出优势：

1.1 POI的可视化分析优势

数据可视化是指通过点、线、面等视觉要素，颜色、形状和线条粗细等视觉变量对数据进行视觉化表达。除了将抽象的数据直接转化为具象的视觉形象，可视化方法还可以和其他数据分析方法相结合，用于展示数据中潜在的模式和规律。例如，张铁映等人使用密度聚类算法对POI大数据进行聚类，并对聚类结果进行可视化，从而为城市学区房的选取提供技术支持。[2]我们在教学实践中，将代表不同城市功能的各类POI进行空间聚类和可视化，能够很好地表达各城市功能核心区的空间特征，取得了良好的教学效果。

1.2 POI的精细化分析优势

与传统数据相比，POI大数据具有很高的空间精度。例如，POI大数据可以精准定位城市中单个商铺，乃至居住区各个出入口的精确位置。严朝霞等在POI大数据分析的基础上，指出提高道路节点密度对上海市的消费活力的形成与发展有着积极的促进作用。[3]他们能针对道路节点这样的小尺度空间实体，对其社会经济效益开展深入分析，POI大数据的高空间精度在其中起到了决定性作用。他们的研究成果也预示着，由于在空间精细化分析上的突出优势，POI大数据在城市空间精细结构的教学中具有巨大潜力。

1.3 POI的定量化分析优势

POI大数据是典型的海量空间数据，除了从微观视角在精细尺度上进行探究，还可以从宏观视角在空间统计方法的支持下定量地揭示城市空间格局。例如，曹芳洁等在基于POI大数据的北京商业中心的研究中，使用Getis-Ord Gi*统计量对商业中心的空间格局进行了定量分析。[1]结果显示，不同类型的商业中心存在显著的空间分异特征：生活与公共服务中心高度向心集中，而休闲娱乐中心则呈现多组团式离散分布。我们在教学实践中，通过引入空间统计工具，引导学生定量地对比各类POI所代表的城市功能的空间分布特征，有效地提升了教学效果。

2基于POI大数据的城市空间结构教学案例

POI作为新兴大数据的典型代表，可用于揭示城市空间的精细结构，并在可视化、精细化和定量化等方面具有突出优势。笔者通过将POI大数据引入城市空间结构的教学，取得了很好的教学效果。现将教学中使用的典型案例进行介绍，案例地域为河南省省会郑州的中心辖区，包括惠济区、中原区、金水区、二七区和管城回族区，共5个区级行政单元。POI数据来自百度地图官方提供的WebAPI数据接口，数据处理工具为R编程语言。本案例的教学内容为，依托政府机构和超市商城两个类型的POI数据，讲授以政府管理和商业服务为代表的城市功能的空间特征。

2.1城市功能核心区的可视化识别

为满足居民不同的生活需求，城市的居住、工作、商业、政府管理等功能逐步完善。这些功能虽然广泛分布于城市的各个区位，但是其空间分布并不均衡，大量的城市功能往往集中于城市的少数地区，这些地区被称为城市功能的核心区。

我们在教学改革实践中，参考张铁映等人的方法，[2]进行了城市功能核心区可视化识别的授课。首先，采用基于密度的空间聚类方法，对政府机构和超市商城两类POI进行空间聚类分析，识别出密度高而且空间连续的聚集簇。其次，计算POI聚集簇的外接多边形，作为相应城市功能核心区的边界。最后，将这些多边形叠置于城市地图上，用以识别城市功能核心区在城市中的区位。在教学实例中，我们将面积较小且分布零散的多边形进行剔除后，获得的政府管理和商业服务核心区的空间分布如图1所示。

由图可见，政府管理功能的核心区几乎完全覆盖了郑州二环以内的区域，而且其空间范围受各个行政区域中心的影响较大。由于金水区、中原区和二七区的区域中心距离二环路较近，导致其附近的核心区溢出了二环范围；而位于城市中心的管城回族区的区域中心距离二环相对较远，其附近的核心区出现了指向城市中心的塌陷。对于商业服务功能，其核心区的范围与郑州四环的范围很接近。由于郑州东部地区的如意湖、龙湖和龙子湖地区，围绕湖面形成了规模较小的独立组团，所以商业服务功能的核心区没有延伸到四环的东部地区。从两类核心区的关系来看，两者在郑州市中心出现了重叠，由此反映出城市中心的城市功能齐全而且密度较大，是城市功能的优势区位。两类核心区最大的差别表现在面积上，政府管理功能的核心区面积为94平方公里，而商业服务核心区的面积为365平方公里，约为政府管理的4倍。由此可见，郑州市的政府机构在城市中心的分布较为集中，而商业服务的空间覆盖范围较为广泛。

通过教学实例，学生能够直观地观察到不同城市功能的核心区在城市中心的重叠，及其在空间范围上的差异，从而丰富了学生对城市空间结构的感性认识。此外，教学实例还显示，城市功能的核心区与行政界线并不一致：城市功能的核心区往往横跨了多个区级行政单元；而且行政单元大多只有部分范围位于城市功能核心区内。因此，以行政区为统计单元的传统统计数据，无法用于城市功能核心区的识别。由此可见，为了揭示跨行政单元的城市空间结构，将POI大数据引入教学是非常必要的。

2.2城市功能的可达性的精细化评价

可达性是指抵达特定区位的难易程度。城市功能的可达性即居民抵达城市功能服务网点获取服务的便捷程度。过低的城市功能可达性，会增加居民获取服务的时间和通勤成本，进而影响居民的日常生活质量。

我们在教学改革实践中，在100米的空间尺度上，基于POI大数据对政府管理和商业服务两项城市功能的可达性开展了教学工作。首先，考虑到需要城市功能的人群主要为生活在城市的居民，因此將城市建设用地作为可达性分析的空间范围，没有对城市周边的农林用地展开分析。其次，将城市用地划分为精细的方格，方格边长为100米，以同时实现空间尺度的精细化和城市空间范围的全覆盖。然后，针对每一个方格，计算该方格到特定类型的所有POI的距离。考虑到日常生活中，人们往往选择距离最近的网点来获取功能；我们将计算所得的距离进行排序，筛选出到该方格距离最近的POI点位。此POI点位和方格之间的距离即为方格到该POI类型的最短可达距离。最短可达距离越短，说明该方格能够越便利地获取相应的功能，其可达性也越好。最后，为了便于比较政府管理和商业服务的可达性水平，对两者的最短可达距离采用相同的标准进行分级设色，从而对两种功能可达性的空间分布进行表达（图2）。

结果显示，政府管理功能的可达性水平从城市中心到城市外围呈现明显的降低趋势。具体来看，位于城市中心的网格，其最短可达距离大多在600米以下；而在城市外围的网格，往往在1200米以上。商业服务可达性的空间分布也呈现从城市中心到城市外围的降低趋势。可见，城市中心的功能可达性水平在整体上高于城市外围。从可达性的整体水平来看，两者存在较大差异。对于政府管理功能，约56.3%网格的最短可达距离在600米到2400米之间。而对于商业服务，有74.2%网格的最短可达距离在600米以下。这表明，在可达性水平上，商业服务要远远优于政府管理。

本教学实例形象地展示了城市功能可达性在城市不同区位上的分异，特别是城市中心与城市周边在功能可达性水平上的巨大分异。而且，不同城市功能在可达性水平上的差异也给学生留下了深刻印象。此外，本教学实例是在100米的空间尺度上进行分析的，这表明POI大数据能够揭示极为精细的空间尺度的城市结构，从而可对城市空间结构的教学工作提供强有力的支持。

2.3城市功能空间格局的定量化分析

由于城市功能在服务群体、服务半径上的差异，不同城市功能的空间分布也有较大分异。为了实现城市功能的提升和优化配置，就需要测度不同城市功能的空间格局，定量比较不同城市功能的空间分布。

我们在教学改革实践中，使用重心和标准距离椭圆模型对政府管理和商业服务的POI大数据进行空间格局的定量化分析。其中，重心模型可以表征POI空间分布的中心。[4]标准距离椭圆可以表征POI空间分布的均衡性。POI的空间分布越均衡，其标准距离椭圆就越接近于圆形。[5]为便于比较，我们在教学中将政府管理和商业服务的重心和标准距离椭圆在城市地图上进行了叠置，如图3所示。

结果显示，政府管理和商业服务的重心都位于城市中心，这表明两种功能的网点都围绕城市中心进行分布。从两者重心位置的差异来看，两者的差异主要体现在东西方向，在南北方向的差异较小。具体来看，两者在东西方向的差异为459.3米，南北方向为153米，东西方向的差异是南北方向差异的3倍。标准距离椭圆的分析结果显示，政府管理和商业服务的空间分布并不均衡，两者在东西方向的分布较为展开，在南北方向较为收敛。从两者标准距离椭圆的差异来看，两者在偏东西方向的椭圆轴线上的差异较大，两者轴线长度的差异为1595.1米；而在偏南北方向的轴线上，两者的差异较小，差异为260.4米，仅为东西方向的16.3%。

通过上述定量化的教学实例，我们为学生展示了两种城市功能的空间格局特征，揭示了两种功能在空间格局上的差异主要集中在东西方向。此外，学生还进一步认识到，在相同的建筑布局和路网形态下，不同的城市功能可以呈现不同的空间格局。因此，在规划方案的制订中，除了城市物质形态的设计，还应充分重视城市功能空间格局的调控，针对不同城市功能的特点进行最优化的布局。可见，将POI大数据定量化分析引入课堂教学，对学生深入理解城市空间结构有很大的推动作用。

3结论

在传统的城市空间结构教学中，采用的教学实例数据主要来自统计资料或者实地调研。但是统计资料的统计尺度过大，不能满足小尺度城市空间教学所需的定位精度；实地调研又存在时间和人力成本过高的问题。因此，将新型数据引入教学，成为迫切的现实需求。笔者在教学改革实践中，尝试了将新兴的POI大数据引入城市空间结构的教学工作。在本文中，我们介绍了POI大数据在可视化、精细化和定量化分析等方面的优势，以及教学改革实践案例。我们的教学改革实践表明，将POI大数据引入教学，深化了学生对城市空间结构的理解，夯实了城市功能调控和优化的知识基础，取得了良好的教学效果。除了在城市空间结构中的应用，POI大数据在相关课程的教学中也有良好的应用前景。例如，在“城市总体规划”课程中，可以结合各类型的POI，分析各类城市用地的空间特征，进而提出规划引导措施。随着信息化和智能城市时代的到来，通过新型大数据来分析和解决城市问题将逐步成为主流方法，教师应积极将POI大数据为代表的新型数据引入课堂教学，进一步丰富教学实例，提升教学质量，引导学生成为融入大数据时代的高素质人才。

基金项目：本文得到了国家自然科学基金“基于多尺度GeoDesign的城镇建设用地空间调控研究”（41401183）；河南大学国家级大学生创新创业训练计划项目“中原城市群建设用地的多维演化机制與多策略空间调控”（202110475104）；河南大学国家级大学生创新创业训练计划项目“基于POI大数据的郑汴都市区城市功能空间评价与优化调控”（201910475045）的资助

参考文献

[1]曹芳洁，邢汉发，侯东阳，等.基于POI数据的北京市商业中心识别与空间格局探究[J].地理信息世界，2019，26（01）：66-71.

[2]张铁映，李宏伟，许栋浩，等.采用密度聚类算法的兴趣点数据可视化方法[J].测绘科学，2016，41（05）：157-162.

[3]严朝霞，季民河，宋太新.上海城市道路对消费活力的影响：基于POI密度与多样性分析[J].苏州科技大学学报（自然科学版）， 2017，34（02）：73-80.

[4]黄先梅，赵建吉，孟庆岩，等.基于夜间灯光数据的快速城镇化地区城市扩展与重心演变分析——以河南省为例[J].世界地理研究， 2019，28（01）：79-89.

[5]刘钰，詹晨霄，张鹏岩，等.建设用地与城市人口的空间失调特征及其驱动机制分析——以台湾海峡西岸地区为例[J].资源科学， 2017，39（8）：1497-1510.