路网形态与产业布局关联性度量方法、装置、设备及介质

技术领域

本发明涉及城市产业发展研究技术领域，尤其涉及一种路网形态与产业布局关联性度量方法、装置、设备及介质。

背景技术

目前，高新技术产业园是以智力密集和开放环境为依托，以“科技成果转化为现实生产力”为中心所建立起来的集中区域。高新技术产业的主要发展思路及模式为“产业园模式”，合理的城市空间划分有利于高端人才的集聚、创新要素的流动以及创新主体的发展，而城市空间则是由路网进行分割的。因此，城市路网的空间形态特征、几何特征与创新型产业布局之间的关联性研究，对城市发展战略、高新技术企业孵化、产业功能区规划等方面提供着重要支撑作用。

在研究视角方面，现有研究主要集中在人才、政策、配套、区位、投入、商服产业、文化产业等方面；在研究内容层面，与道路交通相关的指标以距离交通枢纽距离、交通站点密度等为主，路网形态多采用传统空间句法参数进行表征；在研究方法层面，关联性特征探索方法以多元线性回归、相关性分析、因子分析、全局空间计量模型等定量分析为主，主要包括利用GIS工具将图层叠加后进行可视化解析、依据特色政策进行解读等。

可见，现有产业布局关联特征研究缺少城市路网形态方面的研究内容。无论是距离交通枢纽距离、交通站点密度、路网密度、路网缓冲区覆盖比例等因素，都无法从几何拓扑层面描绘城市路网形态。其中，空间句法理论认为人在城市中的活动是受到路网形态影响，是遵循路网形态决定城市空间功能的思维，其存在参数不严谨、成本考量不足、分析不稳定等问题。因此，上述研究无法较好揭示两者之间的内在联系。此外，目前多数关联性分析方法使用全局回归模型，缺少对变量在局部空间内所具特性的分析。

综上所述，现有城市路网形态与产业布局的关联性研究存在不足，不能满足改良城市空间形态布局的需求。

发明内容

本发明提供了一种路网形态与产业布局关联性度量方法、装置、设备及介质，以解决现有城市路网形态与产业布局的关联性研究存在不足，不能满足改良城市空间形态布局需求的问题。

第一方面，为了解决上述技术问题，本发明提供了一种路网形态与产业布局关联性度量方法，包括：

根据研究区域内产业面积确定基本研究单元；

计算所述基本研究单元内产业的单位密度，确定因变量；

获取城市路网数据，并基于所述路网数据构建空间网络分析模型，计算路网形态参数；

根据预先配置的影响因子和所述路网形态参数确定自变量；

根据所述自变量和所述因变量构建地理加权回归模型；

对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。

优选地，所述根据所述自变量和所述因变量构建地理加权回归模型，包括：

对所述自变量进行标准化处理，得到标准自变量；

当判定所述标准自变量存在相关性时，对所述自变量进行主成分提取，得到综合自变量；

根据所述综合自变量和所述因变量构建地理加权回归模型；

当判定所述标准自变量不存在相关性时，根据所述标准自变量和所述因变量构建地理加权回归模型。

优选地，在根据所述自变量和所述因变量构建地理加权回归模型之前，所述方法还包括：

判断所述因变量的空间相关性是否存在，若是，则构建地理加权回归模型进行分析；若否，则构建多元回归模型或全局空间计量模型进行分析。

优选地，所述基于所述路网数据构建空间网络分析模型，包括：

当判定任一道路与其他路网无交汇时，将所述道路连续绘制；

当判定所述道路的端点不与其他路网相连时，以所述道路为中心，对预设的范围阈值内的路网数据进行修补。

优选地，所述计算路网形态参数，包括：

基于重力式接近度和双阶段穿行度计算初始形态参数；

根据核密度分析对所述初始形态参数进行转化，得到与所述基本研究单元相一致的路网形态参数。

优选地，所述计算所述基本研究单元内产业的单位密度，包括：

根据所述基本研究单元内产业的占地区域，将产业对应的面状数据转化为点状数据；

根据所述点状数据计算单位密度。

优选地，所述根据研究区域内产业面积确定基本研究单元，包括：

获取研究区域内占地面积最大的产业面积；

根据占地面积最大的产业面积，划分同等面积的格网状基本研究单元。

第二方面，本发明提供了一种路网形态与产业布局关联性度量装置，包括：

基本单元模块，用于根据研究区域内产业面积确定基本研究单元；

因变量确定模块，用于计算所述基本研究单元内产业的单位密度，确定因变量；

参数计算模块，用于获取城市路网数据，并基于所述路网数据构建空间网络分析模型，计算路网形态参数；

自变量确定模块，用于根据预先配置的影响因子和所述路网形态参数确定自变量；

模型构建模块，用于根据所述自变量和所述因变量构建地理加权回归模型；

模型求解模块，用于对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。

第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的路网形态与产业布局关联性度量方法。

第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的路网形态与产业布局关联性度量方法。

相比于现有技术，本发明具有如下有益效果：

本发明提供的路网形态与产业布局关联性度量方法，根据研究区域内产业面积确定基本研究单元；计算所述基本研究单元内产业的单位密度，确定因变量；获取城市路网数据，并基于所述路网数据构建空间网络分析模型，计算路网形态参数；根据预先配置的影响因子和所述路网形态参数确定自变量；根据所述自变量和所述因变量构建地理加权回归模型；对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。其中，以城市路网形态与产业布局关联性研究为导向，构建了形态参数更灵活、搜索半径更严谨、兼容能力更强大的空间网络分析模型，并采用了更符合地理空间规律的地理加权回归模型技术作为本发明的关联性研究方法，用定量分析界定城市路网形态与产业的关联关系，更客观、更准确、更严密地揭示城市路网形态对产业布局的影响。

附图说明

图1是本发明实施例提供的路网形态与产业布局关联性度量方法流程示意图；

图2是本发明实施例提供的路网形态与产业布局关联性度量装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本发明第一实施例提供了路网形态与产业布局关联性度量方法，包括以下步骤：

S11，根据研究区域内产业面积确定基本研究单元；

S12，计算所述基本研究单元内产业的单位密度，确定因变量；

S13，获取城市路网数据，并基于所述路网数据构建空间网络分析模型，计算路网形态参数；

S14，根据预先配置的影响因子和所述路网形态参数确定自变量；

S15，根据所述自变量和所述因变量构建地理加权回归模型；

S16，对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。

需要说明的是，本实施例中以创新型产业为例，进行路网形态与产业布局关联性度量。当然，在其他实施例中也可以对其他类型的产业布局进行度量，例如制造型产业等，本发明对此不做限定。

在步骤S11中，根据研究区域内产业面积确定基本研究单元。其中，研究区域应结合实际进行确定，一般选择都市圈、城市、县区等作为研究区域。对因变量进行量化时主要依据创新型企业数量进行统计，而创新型企业在数据表现形式上可为点状或面状，即部分数据具有范围和空间面积的属性，且不同企业所占用地面积不一。对企业数量进行统计时可能会导致空间上实际相邻的两个面积较大的企业展现非集聚特性，从而对分析结果带来误差。因此，需要获取研究区域内占地面积最大的产业面积，并根据占地面积最大的产业面积，划分同等面积的格网状基本研究单元。

在步骤S12中，计算所述基本研究单元内产业的单位密度，确定因变量。对因变量进行量化先依据基本研究单元内创新型企业数量进行统计，并计算创新型企业单位密度，将其作为因变量，即Y值。

具体地，根据所述基本研究单元内产业的占地区域，将产业对应的面状数据转化为点状数据，再根据所述点状数据计算单位密度。示例性地，当一个产业占地区域仅含有单个多边形区域时，选取该多边形区域的重心作为产业的点状数据；当一个产业的占地区域含有多个多边形区域时，选取多个多边形区域的整体重心作为产业的点状数据，最后根据点状数据和基本研究单元计算点密度，得到因变量。

在步骤S13中，获取城市路网数据，并基于所述路网数据构建空间网络分析(spatial design network analysis，sDNA)模型，计算路网形态参数。其中，一般通过卫星影像或电子地图数据对城市路网在GIS软件中矢量化进行数据获取操作，或直接从开源地图中获取城市路网数据。在建模尺度层面，应避免研究区域的边缘效应对模型的影响，以研究区域为边界建立一定范围的缓冲区，如2km缓冲区，作为网络模型建模范围。

需要说明的是，在建模过程中，一般应将道路段与最近的道路端点进行连接，形成连续且完整的道路网。

首先，当判定任一道路与其他路网无交汇时，将所述道路连续绘制。具体地，对于与其他路网没有交汇的道路，即一条连续不间断的道路，且未经过其他道路的端点，只在两端与其他路网相连，其在建模时应连续绘制，绘制过程中不应产生新的端点。例如，弯曲的道路若无与其他道路交汇，则应一次性绘制完成，不应分段绘制。若分段绘制可能在建模过程中产生误判，新增的端点会在端点处产生路网偏转角，相较于平滑的道路将在参数计算中引入偏转误差，将会影响最终估计的结果。

其次，当判定所述道路的端点不与其他路网相连时，以所述道路为中心，对预设的范围阈值内的路网数据进行修补。

具体地，建模时应避免出现“孤岛”现象，即避免道路不与其他任何道路相交的现象。“孤岛”现象在现实世界中是不存在的，建模时出现的“孤岛”现象可能使本应计算在模型内的道路与整个sDNA模型脱节，从而导致后续参数的估计出现偏差。为避免“孤岛现象”，在建立sDNA模型前应该检查路网的联通性，一般认为道路的两个端点之间没有出现第三个端点，即道路上(包括两端)有且仅有两个端点，为与其他道路网没有交点。若发现存在未联通的道路，应判断“孤岛”道路在预设的范围阈值内是否存其他道路，如10米阈值。通过对比卫星影像的方式检查是否未将相应连接路网接入，并重新修补路网打通道路孤岛。

最后，建模时对于转盘等特殊交通设施，在城市级大尺度研究中可忽略不计。为避免建模时出现的路网交叉未连接、线段空间重复等不易察觉的空间网络错误，建模时应通过sDNA中网络工具进行数据检查及修复。

进一步地，所述计算路网形态参数，包括：

基于重力式接近度和双阶段穿行度计算初始形态参数；

根据核密度分析对所述初始形态参数进行转化，得到与所述基本研究单元相一致的路网形态参数。

在本实施例中，使用sDNA中两种路网形态参数，分别为重力式接近度(Networkquantity penalized by distance，NQPD)和双阶段穿行度(Two phase betweenness，TPBt)。NQPD和TPBt分别是传统空间句法中接近度和穿行度的改进参数。

接近度代表某道路到搜索半径内其余道路的难易程度，接近度高的区域路网具有较高的拓扑整合能力和较强的中心性，说明到达该区域更便捷，区域路网与周边路网联系紧密且连通性好，区域对人车等交通流更具有吸引力。NQPD公式如下：

其中，p(y)为搜索半径R内节点y的权重。在离散空间分析中，p(y)取值0或1；在连续空间分析中，p(y)取值在0到1之间。d(x,y)为节点x到节点y的最短拓扑距离，在角度分析中为角度距离。

穿行度用于表征某路网被搜索半径内交通流通过的概率，穿行度高的区域具有较大的人车等通过性交通流，区域路网通过性较强，可体现为区域性交通枢纽。TPBt公式如下。

其中，OD(y,z,x)为搜索半径R内通过节点x的节点y与z之间最短拓扑路径，Links(y)为每个节点y搜索半径R内的节点总数，p(z)为节点z的权重。

在实际操作中，执行sDNA中整体分析，选择计算“穿行度”，该操作可同时计算NQPD和TPBt。在空间句法中，角度线段分析拟合交通流的效果存在优势，因此选择“角度变化度数”作为分析的度量方式。选择“连续空间”分析模式时，搜索半径通过该节点的网络距离来描述，分析结果将更为严谨。本发明是对整个研究区域进行全局测度，因此搜索半径设定为n。

在本实施例中，为获取在各基本研究单元内的路网形态参数结果，运用核密度分析将NQPD和TPBt的线性结果转化为与基本研究单元相同的面状结果，核密度分析公式如下：

其中，h为带宽，n指的是与s的距离小于或等于h的要素个数，k指的是空间权重函数，c

在步骤S14中，根据预先配置的影响因子和所述路网形态参数确定自变量。其中，基于指标典型性、科学性及可获取性原则，本发明选取了三个方面的影响因子，其对创新型企业空间布局有共性的影响，分别为创新基础、基础设施、生态绿化，并运用9个指标代表以上影响因子，进而构建影响因素指标体系，如表1所示。

表1指标体系一览表

在步骤S15、S16中，根据所述自变量和所述因变量构建地理加权回归(Geographical Weighted Regression，GWR)模型，对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。

具体地，所述根据所述自变量和所述因变量构建地理加权回归模型，包括：

对所述自变量进行标准化处理，得到标准自变量；

当判定所述标准自变量存在相关性时，对所述自变量进行主成分提取，得到综合自变量；

根据所述综合自变量和所述因变量构建地理加权回归模型；

当判定所述标准自变量不存在相关性时，根据所述标准自变量和所述因变量构建地理加权回归模型。

需要说明的是，相关性分析是探索变量间关联性的一种方法。由于选取的自变量间可能存在共线性而影响定量分析结果，所以应依据相关性分析结果对是否需要消除共线性进行判断。

由于各自变量间单位存在差异，所以首先需通过标准化处理来排除自变量间单位对分析结果的影响，使其之间具有可比性，公式如下：

其中，X′

然后，进行相关性分析，公式如下：

其中，r为相关系数，X

当大部分自变量间相关系数绝对值小于0.5的，则判定所述标准自变量不存在相关性时，根据所述标准自变量和所述因变量构建地理加权回归模型；当相关系数绝对值大于等于0.5，则判定所述标准自变量存在相关性时，对所述自变量进行主成分提取，即对上述9个二级指标直接进行主成分提取，得到综合自变量，然后根据所述综合自变量和所述因变量构建地理加权回归模型。当自变量数量较多且相互间存在共线性时，可通过主成分分析提取影响因变量变化的综合自变量，用较少的变量来反映原来较多的信息，并保证不存在共线性，最终得出降维后综合自变量与标准自变量的函数关系。

为了便于对本发明的理解，下面以所述标准自变量存在相关性为例，对本发明的一些优选实施例做更进一步的描述。

GWR模型允许局部回归参数估计，不同区域回归参数不再从全局信息获取，而是使用邻近数据来估计，局部回归参数随着空间位置的变化而变化。公式如下：

其中，u

在进行地理加权回归时，在不纳入虚拟变量的前提下将综合自变量设置为GWR中的自变量。核类型选择“固定距离法”，即按照一定的距离来选择带宽，产生更加平滑的核表面。通过选择最小信息准则来决定最佳核带宽，可产生较好的拟合度。在GWR模型的结果产生后，通过综合自变量与标准自变量的函数关系，解算得到路网空间形态与创新型产业布局的关联性关系。

在一种实现方式中，在根据所述自变量和所述因变量构建地理加权回归模型之前，所述方法还包括：

判断所述因变量的空间相关性是否存在，若是，则构建地理加权回归模型进行分析；若否，则构建多元回归模型或全局空间计量模型进行分析。

具体地，本发明实施例采用全局莫兰指数判断空间相关性是否存在，公式如下：

其中，n表示空间单元总数，W

与现有的关联性度量模型相比，本发明实施例提供的度量方法具有以下优点：

(1)sDNA模型搜索半径算法更严谨，路网形态参数算法更灵活，而且sDNA模型被集成于GIS软件中，使用更简便更友好，分析运算的稳定性也更强。而在传统空间句法的线段模型中，接近度仅与搜索半径内路网节点总数及角度总拓扑深度有关。

(2)NQPD的计算公式优势在于同时考虑了网络的质量和数量，而且引入的搜索半径内节点的权重在连续空间中，按照半径与道路的长度比例确定，在0至1之间。相较于传统空间句法线段模型中穿行度，TPBt的计算公式中仍具有与NQPD类似的连续空间分析能力，且将道路本身也纳入了起点与终点之中，即考虑了道路自身的穿行度值。此外，传统穿行度使用节点总数的平方进行参数标准化，TPBt使用网络节点总数进行参数标准化，后者更好地增强模型的解释能力。

(3)GWR模型是一种局部空间计量模型。对比于MLR、全局空间计量模型等回归模型优势在于，GWR不仅利用了数据相互间的空间信息来估计参数，而且回归系数不再是利用全局信息获取的固定系数，而是依托权重函数利用邻近观测值进行局域加权回归所得，不同区域上的自变量和因变量之间的数量关系是不同的。高新技术产业受政策、规划等因素影响在不同区域的布局存在着空间异质性，且高新技术产业的主要发展思路及模式为“产业园模式”，所以不同区域上的城市路网形态对创新型产业布局的影响也是存在空间不一致性的。因此，本发明采用GWR模型进行关联性度量更为合适。

参照图2，本发明第二实施例提供了一种路网形态与产业布局关联性度量装置，包括：

基本单元模块，用于根据研究区域内产业面积确定基本研究单元；

因变量确定模块，用于计算所述基本研究单元内产业的单位密度，确定因变量；

参数计算模块，用于获取城市路网数据，并基于所述路网数据构建空间网络分析模型，计算路网形态参数；

自变量确定模块，用于根据预先配置的影响因子和所述路网形态参数确定自变量；

模型构建模块，用于根据所述自变量和所述因变量构建地理加权回归模型；

模型求解模块，用于对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。

需要说明的是，本发明实施例提供的一种路网形态与产业布局关联性度量装置用于执行上述实施例的一种路网形态与产业布局关联性度量方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。

综上，本发明提供的路网形态与产业布局关联性度量方法和装置，根据研究区域内产业面积确定基本研究单元；计算所述基本研究单元内产业的单位密度，确定因变量；获取城市路网数据，并基于所述路网数据构建空间网络分析模型，计算路网形态参数；根据预先配置的影响因子和所述路网形态参数确定自变量；根据所述自变量和所述因变量构建地理加权回归模型；对所述地理加权回归模型进行求解，得到路网形态与产业布局的关联性。其中，以城市路网形态与产业布局关联性研究为导向，构建了形态参数更灵活、搜索半径更严谨、兼容能力更强大的空间网络分析模型，并采用了更符合地理空间规律的地理加权回归模型技术作为本发明的关联性研究方法，用定量分析界定城市路网形态与产业的关联关系，更客观、更准确、更严密地揭示城市路网形态对产业布局的影响。

本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如路网形态与产业布局关联性度量程序。所述处理器执行所述计算机程序时实现上述各个路网形态与产业布局关联性度量方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如因变量确定模块。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。