呼和浩特市城中心人口时空聚集特征及其影响因素

Spatio-temporal Aggregation Characteristics of Population in Hohhot City Center and Its Influencing Factors

摘要

城市人口时空聚集展现人群时空动态行为规律，基于大数据——百度热力图创建时空立方体，运用新兴时空热点分析方法，研究呼和浩特市中心城区某工作日和休息日人口时空聚集动态变化，并从POI数据、路网数据、建筑物高度等数据中筛选出影响因子，通过地理探测器的方法进行人口时空聚集的影响因素进行分析，结果表明：（1）主城区城市人口聚集特征为由内向外延伸圈状规律特征；二环线为人口密度界限，高度集中于二环以内区域，以外地区人口密度低；（2）主要影响人口聚集度因素为土地利用混合度；交互因子中85%呈增强效果，建筑物高度与其余因子交互作用最为显著，而功能混合度交互作用中影响力减弱。

Abstract

Spatial-temporality aggregation of urban population shows the spatial-temporality dynamic behavior of the population， which provides scientific basis for urban research， urban planning and urban resource allocation. Based on big data-Baidu heat map to create a spatial-temporality cube， the emerging spatial-temporality hotspot analysis method is used to study the dynamic changes of population spatial-temporality aggregation on a weekday and a rest day in the central city of Hohhot， and the influencing factors are screened from POI data， road network data， building height and other data， and the population The results show that： （1） The main urban area shows a circle-like pattern of population gathering characteristics extending from the inside to the outside； the second ring road shows a population density boundary， with a high concentration in the area within the second ring road， while the population density in the area outside is low （2） The main factor influencing population gathering is land use mix； 85% of the interaction factors show an enhanced effect， and the interaction between building height and its remaining factors is the most significant， while the interaction between functional mix The influence of the interaction factor is weakened in the middle.

Graphical abstract

关键词

城市人口 / 时空聚集 / 大数据 / 时空立方体 / 呼和浩特市

Key words

urban population / spatial-temporality aggregation / big data / spatial-temporality cube / Hohhot City

随着我国城市转型与空间扩张，城市人口不断增长，人群活动轨迹日益丰富，在时空聚集上表现为有规律的模式^［1⁃5］。面对城市快速发展，以微观尺度分析人口时空聚集或流动可为合理配置城市资源、优化城市空间结构等提供科学依据。

在大数据的支撑下，城市人口流动研究相比传统城市调研具有更加便捷和实时的特性，为人口时空流动轨迹监测创造了条件。百度热力图是百度地图推出的一款基于位置服务技术（location based services， LBS）的可视化产品^［6］，以不同颜色及亮度动态反映人口活动空间聚集程度^［7］。已有研究利用热力图分析 人口时空聚集特征。如研究南宁市人群集聚时空特征，发现“多点集聚⁃边缘消散⁃多点重聚”的空间形态特征^［8］。利用大数据的实时优势对上海市中心城区的人群聚集度、聚集位置、人口中心等指标进行分析，发现在工作日的人群聚集在时间上比休息日更持久，在空间上相对分散；人口重心在工作日呈逆时针的周期特征^［9］。此外，对南京市老城人群活动分布与用地功能、交通可达性、历史保护要素等多维关系耦合解析，发现老城公共设施配置不足、交通堵塞、景区对游客吸引弱等，并为问题制定空间优化策略^［1］。也有学者进一步分析城市人口活动时空变化特征演变的影响因素，使用地理探测器方法，研究影响城市人口活动核心因素并为城市功能服务^［10］。在探测影响因素研究中很多学者使用地理探测器^［11］方法，如通过因子探测分析公园绿地空间利用率影响机制^［12］。也有学者将因子探测、交互探测，生态探测、风险探测4种方法从不同视角分析因子影响力^{［13⁃15］}。可见，此方法是空间分异研究的有效工具之一。

综上，目前对我国西北部城市的实证研究鲜少。本文使用百度热力图数据，运用时空热点分析工具，揭示呼和浩特市中心城区某工作日和休息日的时空变化。并选取POI（point of interest）、土地利用类、交通数据等，运用地理探测器中因子探测和交互作用探测方法分析驱动因素，进一步探索影响因子如何多重作用于复杂的城市人口系统，为城市实践带来指向性建议，推动城市发展。

1 研究数据与方法

1.1 研究区概况

呼和浩特市位于内蒙古自治区（以下简称“内蒙古”）中部，是内蒙古首府。全市总面积为17 186.1 km²，据2020年统计，建成区面积261 km²，常住人口约313.7万人，城镇化率70.5%^［16］。

本文选取呼和浩特市城市总体规划（2011-2022年）所划定的中心城区范围作为研究区，通过地理配准与矢量化得到研究区域矢量图（图1）。在此范围内有南湖湿地公园、青城公园以及新华广场等城市公共空间以及呼和浩特市主要商场，海亮广场、维多利·摩尔城、万达广场等人口密集区域，此外还有居民住宅区、企业单位和学校等，是城市职能较全面的区域。

1.2 数据来源与处理

人口时空聚集特征分析所需数据来自百度热力图。选取2020年12月18日（星期五）和19日（星期六）呼和浩特市主城区百度热力图数据，分别是工作日和休息日作样本数据。根据呼和浩特市人民政府发布的作息时间，抓取了7：00-24：00，具有代表性的热力图数据，共36张。对原始数据进行地理配准和定义投影等预处理。

人口时空聚集影响因素包括：（1）POI 数据，呼和浩特市2020年11月份更新，约13万兴趣点数据，将POI数据原有15大类进行筛选、剔除无效数据，最终选取政府机构与社会团体、生活设施服务、休闲娱乐服务、教育服务、住宅服务、环境设施、购物服务和餐饮服务八类作为影响因子；（2）土地利用数据，2020年，30 m×30 m，包含耕地、林地、草地、水体和人造地表；（3）建筑物高度，2020年网络爬取数据；（4）行政边界数据，呼和浩特市自然资源局呼和浩特市总体规划图（2011-2020年）。

1.3 研究方法

1.3.1 新兴时空热点分析

首先通过ArcGIS Pro软件将两日的百度热力图分别创建镶嵌数据集并构建多维信息，其次通过多维栅格图层创建时空立方体，能以时间序列集成空间和时间模式分析等形式，对时空数据进行可视化和分析^［17］，最后使用新兴时空热点分析方法，识别数据的时空趋势，探测人口聚集特征在时空尺度上热点或冷点位置（图2）。包含：未检测、冷/热新增、连续、加强、持续、逐渐减少、分散、振荡和历史等17种模式，具体定义见相关参考文献和官网^{［18⁃20］}。

1.3.2 地理探测器

地理探测器是探测和利用空间分异性的工具^［11］，其包含4个探测器：分异及因子探测、交互作用探测、风险区探测和生态探测。本文使用分异及因子探测和交互作用探测方法。

（1）分异及因子探测，用于检验自变量有多大程度能够解释因变量空间分异的能力。公式为

q=\mathrm{1}-\frac{{\sum }_{h=\mathrm{1}}^L{N}_h{\sigma }_h^{\mathrm{2}}}{N{\sigma }^{\mathrm{2}}}，（1）

式中，q是各因子对格网内人口聚集强度的影响力；h为影响因子分类数；N为格网单元数；{\sigma }^{\mathrm{2}}为每个格网单元人口热力值方差。q值的取值范围为［0，1］，q值越接近1，表明影响因子对城市人口聚集强度影响力越大。

（2）交互作用探测，是识别不同风险因子之间的交互作用，即评估两个不同因子共同作用时是否会增加或减弱对因变量的解释力，或这些因子对因变量的影响是相互独立的。其类型可分为非线性减弱、单因子非线性减弱、双因子增强、独立、非线性增强等五类^{［11，20］}。

2 结果分析

2.1 城市人口时空聚集变化特征

基于前文所创建的两日时空立方体作为输入数据，利用ArcGIS Pro 软件新兴时空热点分析工具得出呼和浩特市主城区时空热点图（图3）。结果显示有效领域占94%，二环以内地区在时间维度变化中人口高度聚集；二环以外出现多种冷点模式，表明人口聚集度低；沿途二环线震荡热点-冷点模式环绕分布，形成 热点和冷点过渡区域，人口流动量较大且具有不稳定性，人口聚集度浮动变化。整体上工作日的人口高度聚集度范围大于休息日，呈 “内热-外冷”圈层分布特征。

具体到工作日（表1），研究范围内时空冷点区域共有33 412个，而时空热点区域仅有15 886个，未出现连续和历史冷点模式位置。二环以外——主城区外围地区以持续冷点模式特征为主（占50%），表示此区域至少在90%的时间步长间隔中人口流动与活动强度较低，并无增多或减少趋势。其次占比较多为振荡冷点模式，表明人口流动浮动较大，冷点与热点模式交替变化，主要分布于沿二环及持续冷点区内。加强、逐渐减少、分散冷点模式位置占比近10%。加强冷点模式在二环以南地区分散性分布，表明在90%以上时间中都为冷点，且冷点随时间推移增强。逐渐减少冷点模式在二环以东点状分布且随时间减弱，随时间变化人口聚集程度相对加强。分散冷点模式为无规律的分散分布，工作日的时空热点模式特征比较单一。近88%区域为持续热点和加强热点模式位置，表明一环以内地区人口聚集性强且3%地区随时间变化有加强趋势。中心热点领域外围11%的区域显示振荡热点，是高度与低人口聚集区域的过渡区，形成“忽冷忽热”模式。

在休息日（表1）的有效领域内共有34 013个时空冷点及14 147个时空热点区域。持续冷点模式占46%、振荡冷点模式占31%；持续热点模式占80%，振荡热点模式环绕中心热点17%区域，而连续、加强、逐渐减少和浮动与分布位置变化较小，整体上与工作日分布特征无差异变化。

2.2 影响因素分析

2.2.1 影响因子设定

多样化城市生活生产与高聚集人口、土地利用、城市建筑、小街区有密切联系^［21］。特别是人口活动强度对城市经济、社会、文化层面都具深远而复杂的联系，是城市地理学、人口地理、城市规划的核心研究主题。已有研究从城市建成环境^［22］、功能密度与土地利用^［23］、建筑高度^［10］、交通可达性^［24］等多方位探究影响城市人口活动因素。

在现有文献研究区特点基础上，从服务功能、交通服务和土地利用三方面探测呼和浩特市城中心人口时空聚集影响因素。（1）服务功能：公共服务设施配置是城市发展的重要体现，且表征居民生活服务便利程度，主要包含城市居民生活、工作以及娱乐相关公共设施，采用相应公共设施POI数据，运用核密度分析法计算其分布密度量化影响值。（2）交通服务：交通作为城市动脉，承载着信息与物流输送，是衡量城市人口流动以及居民出行便利的测度指标，因此采取道路密度和公交路线密度指标，采用路网与公交路线数据测算研究区路网便捷度以及公共交通影响力。（3）土地利用：城市土地利用强度是指用地密集程度，可衡量城市土地利用效率。选取功能混合度、建筑高度以及土地利用类型三个指标。其中，功能混合度可反映城市空间利用的多样性，即某空间服务类型越多样化，吸引力越强。采用研究单元内公共设施POI多类型数据，运用信息熵模型进行计算。建筑高度反映土地利用强度，采用建筑物高度数据进行核密度分析。土地利用类型表征土地用途、性质及其分布规律。详细指标与计算方法见表2。

将上述探测因子计算结果，通过ArcGIS Pro软件生成镶嵌工具进行格网化，以边长为50 m六边形网格提取进行统计（图4）。此外，选取两日中7：00-17：00作为日间时间段、18：00-24：00为夜间时间段作为因变量（共4个时间段），分析在不同时间段中的影响因子的差异性。

2.2.2 因子探测结果分析

将预处理的探测因子（x1-x13）密度数据整理成表格分别对应因变量（4个时间段）代入式（1），计算其驱动因子。从人口集聚驱动因子探测结果发现（图5），呼和浩特市13类因子对人口聚集影响强度排序为：功能混合度（0.86）建筑物高度（0.59）生活设施（0.52）餐饮服务（0.5）=购物服务（0.5）住宅服务（0.49）政府机构与社会团体（0.47）公交路线密度（0.44）教育服务（0.39）娱乐服务（0.37）环境设施（0.17）土地利用类型（0.12）道路密度（0.07）。因此，土地利用方面因子对人口聚集影响强度最大，综合均值为0.52；其次是服务功能，均值为0.42；影响程度最小为交通服务，平均值为0.27。

（1）功能混合度直接影响人口聚集强度，其间接反映城市土地利用混合程度对人口聚集的影响。工作日平均q值为0.863 7，休息日平均q值为0.863 5。因此，功能混合度对工作日或休息日人口聚集强度并无显著差异，夜间时间段相比日间时间段其影响程度略高。

（2）建筑物高度、生活设施、餐饮服务、购物服务、住宅服务、政府机构与社会团体等影响因子q值约为0.5；公交路线密度、教育服务、娱乐服务等q值约为0.4。其间接反映土地利用强度、城市资源配置合理度和公共交通可达性，对城市人口聚集影响程度有一定相似性。将工作日和休息日作为对照，仅住宅服务对休息日的影响较大于工作日，其余因子对工作日的影响较为显著。进一步分析日间与夜间时间段结果，建筑物高度和住宅服务在夜间对人口聚集影响度较高，其余因子的日间影响度高于夜间。

（3）环境设施、土地利用类型、道路密度等因子q值约为0.1，对人口聚集强度影响最低，其中，道路密度（0.07）影响程度微乎其微。

2.2.3 交互探测结果分析

呼和浩特市人口时空聚集特征影响因素的交互探测结果如图6所示。图6中，呈现黄色圆点表示单因子非线性减弱关系，蓝色圆点则表示双因子增强效应。整体上，因子交互85%表现为双因子增强关系，表明双因子交互对城市人口时空聚集影响程度增强。单因子非线性减弱主要集中于功能混合度（x11）因子，说明与功能混合度交互作用的影响力均小于单一因子的影响力。

工作日日间（图6a），建筑物高度（x12）与其余因子交互影响程度均在0.6以上。其中，与公交路线密度（x10）交互影响最强，为0.62。夜间建筑物高度与餐饮服务（x8）交互最有影响力达0.61。休息日日间（图6c）与工作日一致，交互影响力最强为公交路线密度与建筑物高度，其值为0.60，这表明公共交通在工作日或休息日始终都是重要影响因素。夜间（图6d）交互因子最大影响为建筑物高度与生活设施服务关系。相比工作日，人们在休息日处理关于生活设施服务类事项，包含快递站、电讯营业厅、维修站点等。

此外，工作日和休息日的日间时间段（图6a，6c）交互影响力排名靠前的均为：生活设施服务（x2）∩建筑物高度（x12）和餐饮服务（x8）∩建筑物高度（x12），分别为0.619 6、0.619 1、0.602 2、0.601 8。表明以上因子不仅单个影响程度均在0.5，而且因子间交互作用对人口时空聚集分布影响也均在0.61，综合影响力最大。在夜间时间段（图6b，6d）均呈现的交互因子有：公交路线密度（x10）∩建筑物高度（x12），分别为0.603 3、0.603 4。表明公共交通的可达性不仅在日间影响力最大，在夜间也较高。其次，工作日夜间影响力排位较前的有购物服务（x7）∩建筑物高度（x12），值为0.602 6。而休息日的日间是餐饮服务（x8）∩建筑物高度（x12）。从中可直观反映呼和浩特市市民在工作日或休息日中活动的选择差异。

3 讨论与结论

3.1 讨论

在快速城市化背景下，掌握人口流动规律及驱动因素，可确认城市资源配置均等化、城市服务供给不足等问题。人口活动多集中于土地利用混合度高，即各类设施较丰富完善的区域，在多种因素共同作用下，形成人口高度聚集在二环以内地区的空间格局，因此，资源配置需要均衡发展外围地区。呼和浩特市中心城区人口聚集也会在多种要素复合作用下呈多样化的分布格局，避免人口拥挤或中心与边缘地区发展差异较大现象，积极响应新型城镇化政策。

在驱动因子探测中，工作日与休息日的各时间段对照发现，呼和浩特市主城区人口活动对各类功能设施、交通出行和土地利用需求无显著变化。关文川等^［10］对广州市天河区人口活动时空进行探测发现，服务功能在城市人口活动中不受时间影响，这与本文结果相一致。此外，在选取影响因子设定中，有的学者将医院、金融设施分布对人口聚集影响力进行分析^［30］，或者将不同人群（两性或年龄层）对兴趣点需求进行研究^［31］。因此，在未来研究中，可进行更加丰富、多样化影响因子。

虽然大数据是丰富详细并且具有实时性，但仍然存在不足之处。百度热力图是通信设备的定位信息技术，夜间数据精度上还存在缺陷，信号的强弱也无法避免空间误差。在未来研究中，利用多源数据的融合或增大研究样本数量进行分析，进一步提高研究结论的可靠性。

3.2 结论

本文基于大数据——百度热力图、POI数据等，研究呼和浩特市中心城区2020年12月18日（工作日）与19日（休息日）的人口时空聚集模式，并且对人口时空聚集影响因素进一步探索，得出以下结论。

（1）以城市中心新华广场为核心，人口分布呈由内向外延伸圈状规律特征；以二环线为界限，工作日的人口高度聚集度范围大于休息日，并整体呈“内热-外冷”模式。

（2）运用地理探测器，对13种因素进行探测发现，土地利用为影响呼和浩特市中心城区人口时空聚集的主

要因素，混合度越高人口聚集强度越强。城市服务功能次之，合理的资源配置更能吸引群众。各类因素在交互作用下对人口流动的影响力增强，但单因子影响力最为显著的功能混合度与其他因素交互时反而减弱。

参考文献

[1] 杨喜平，方志祥.移动定位大数据视角下的人群移动模式及城市空间结构研究进展［J］.地理科学进展，2018，37（7）：880-889..

[2] 邰虹月. 大连市五区人群时空聚集研究［J］. 住宅科技， 2019， 39（9）： 23-27.

[3] 王录仓. 基于百度热力图的武汉市主城区城市人群聚集时空特征［J］. 西部人居环境学刊， 2018， 33（2）： 52-56.

[4] 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［J］. 城市发展研究， 2018， 25（12）： 107-112.

[5] 海晓东， 刘云舒， 赵鹏军， 等. 基于手机信令数据的特大城市人口时空分布及其社会经济属性估测：以北京市为例［J］. 北京大学学报（自然科学版）， 2020， 56（3）： 518-530.

[6] 周雨霏， 杨家文， 周江评， 等. 基于热力图数据的轨道交通站点服务区活力测度研究：以深圳市地铁为例［J］. 北京大学学报（自然科学版）， 2020， 56（5）： 875-883.

[7] 张海林. 基于百度热力图的人口活动数量提取与规划应用［J］. 城市交通， 2021， 19（3）： 103-111.

[8] 周小玲， 毛蒋兴， 李青香， 等. 基于百度热力图的南宁市人群集聚时空特征分析［J］. 南宁师范大学学报（自然科学版）， 2020， 37（4）： 134-139.

[9] 吴志强， 叶锺楠. 基于百度地图热力图的城市空间结构研究：以上海中心城区为例［J］. 城市规划， 2016， 40（4）： 33-40.

[10] 关文川， 吴志峰， 吴卓， 等. 基于微信宜出行数据的城市人口活动时空探测及其影响因素分析［J］. 现代城市研究， 2021， 36（8）： 2-9.

[11] 王劲峰， 徐成东. 地理探测器： 原理与展望［J］. 地理学报， 2017， 72（1）： 116-134.

[12] 杨毅， 周晓丹， 刘向宇. 基于地理探测器的公园绿地空间利用格局及其影响机制［J］. 沈阳农业大学学报， 2022， 53（2）： 157-165.

[13] 赵禾苗， 阿里木江·卡斯木. 基于地理探测器的喀什市地表热场空间分异及影响因素分析［J］. 生态与农村环境学报， 2022， 38（2）： 147-156.

[14] 孟琪， 武志涛， 杜自强， 等. 基于地理探测器的区域植被覆盖度的定量影响：以京津风沙源区为例［J］. 中国环境科学， 2021， 41（2）： 826-836.

[15] 高思琦， 董国涛， 蒋晓辉， 等. 基于地理探测器的三江源植被变化及自然驱动因子分析［J］. 水土保持研究， 2022， 29（4）： 336-343.

[16] 呼和浩特市统计局.统计年鉴 ［EB/OL］. （2022-12-21）［2024-03-29］.

[17] 单宝艳，张智璇，陈艳秋，等.时空格局分析方法及其实证应用：以山东省制造业为例［J］.测绘科学技术学报，2021， 38（6）：624-630.

[18] 陈云天. 基于时空立方体的南昌市房价时空分布特征分析［J］. 江西科学， 2019， 37（3）： 371-377.

[19] 新兴时空热点分析 （时空模式挖掘）：ArcMap | ［EB/OL］. （2022-12-20）［2024-03-29］.

[20] SONG Y Z， WANG J F， GE Y， et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis： cases with different types of spatial data［J］. GIScience Remote Sensing， 2020， 57（5）： 593-610.

[21] JACOBS J. The death and life of great American Cities［M］. New York： Random House， 1961： 26-45.

[22] MOURATIDIS K， POORTINGA W. Built environment， urban vitality and social cohesion： Do vibrant neighborhoods foster strong communities？［J］. Landscape and Urban Planning， 2020， 204： 103951.

[23] LIU D X， SHI Y S. The influence mechanism of urban spatial structure on urban vitality based on geographic big data： A case study in downtown Shanghai［J］. Buildings， 2022， 12（5）： 569.

[24] 唐璐， 许捍卫， 丁彦文. 融合多源地理大数据的城市街区综合活力评价［J］. 地球信息科学学报， 2022， 24（8）： 1575-1588.

[25] 王雯雯， 谷优阳， 张驰， 等. 基于POI及核密度分析的咸丰县城乡交错带分布研究［J］. 资源环境与工程， 2022， 36（1）： 117-123.

[26] 曲畅， 任玉环， 刘亚岚， 等. POI辅助下的高分辨率遥感影像城市建筑物功能分类研究［J］. 地球信息科学学报， 2017， 19（6）： 831-837.

[27] 李苗裔， 马妍， 孙小明， 等. 基于多源数据时空熵的城市功能混合度识别评价［J］. 城市规划， 2018， 42（2）： 97-103.

[28] 高一冉. 基于多源数据的南京都市区城市功能混合度识别研究［J］. 科学技术创新， 2021（11）： 94-95.

[29] 姜玉培， 甄峰， 赵梦妮， 等. 城市居民日常身体活动时空分异特征及影响因素［J］. 地理科学， 2019， 39（9）： 1496-1506.

[30] 张程远， 张淦， 周海瑶. 基于多元大数据的城市活力空间分析与影响机制研究：以杭州中心城区为例［J］. 建筑与文化， 2017（9）： 183-187.

[31] 汪程， 黄春晓， 李鹏飞， 等. 城市中心区人群空间利用的时空特征及动因研究：以南京市新街口地区为例［J］. 现代城市研究， 2016， 31（7）： 59-67.

基金资助

国家自然科学基金资助项目“牧区人地系统多尺度耦合演化关系研究”(42001127)

内蒙古自治区哲学社会科学规划资助项目“牧区人地耦合系统地理要素的空间过程研究”(2019NDC097)

内蒙古师范大学基本科研业务费专项资金资助项目“牧区人地关系系统耦合反馈机理与优化调控研究”(2022JBBJ015)