یک ضرب‌المثل چینی وجود دارد که می‌گوید: «هرجا اسنک‌های شاکسی وجود دارد، معمولاً لانژو رامن در این نزدیکی وجود دارد». این ضرب المثل نشان دهنده ویژگی های خوشه بندی فضایی در صنعت پذیرایی است. از آنجایی که ضرب المثل ها به ندرت از منظر جغرافیایی توضیح داده می شوند، هدف ما بررسی ویژگی های خوشه بندی فضایی صنعت فست فود از منظر نزدیکی جغرافیایی و جاذبه متقابل بود. نقطه مورد علاقه، شبکه جاده ای OSM، جمعیت و انواع دیگر داده ها از صنعت معمولی فست فود در هانگژو به عنوان مثال استفاده شد. الگوی فضایی کلی صنعت پذیرایی در هانگژو تجزیه و تحلیل شد، در حالی که توزیع فضایی چهار نوع فست فود انتخاب شده در هانگژو شناسایی و ارزیابی شد. ویژگی های ساختار دایره “هسته لبه” صنعت پذیرایی هانگژو توسط تابع S معکوس برازش داده شد. ارتباط مکان مشترک بین فست فود غربی KFC و مک دونالد و فست فود چینی Lanzhou Ramen و Snacks Shaxian و تجمع فضایی مشخص شد که توسط تجزیه و تحلیل همبستگی پشتیبانی می شود. درجه جاذبه متقابل بین این دو برای بیان همبستگی فضایی اعمال شد. تجزیه و تحلیل نشان داد که (1) توزیع صنعت پذیرایی در هانگژو شمال شرقی-جنوب غربی بود. مرکز صنعت پذیرایی در هانگژو در نزدیکی مرکز اقتصادی شهر اصلی قرار داشت تا در مرکز جغرافیای شهری. (2) چهار نوع فست فود در مناطق پرجمعیت توزیع شد و قانون ضد S را به نمایش گذاشت. که ابتدا افزایش یافت اما با افزایش فاصله از مرکز کاهش یافت. در این میان، تعداد چهار فست فود معمولی در فاصله 4 تا 10 کیلومتری از مرکز بالاترین میزان بود. (3) نتیجه گرفته شد که 81.6% از KFCها یک مک دونالد در نزدیکی 2500 متر داشتند و 68.5% از Snacks Shaxian یک Lanzhou Ramen در نزدیکی 400 متر داشتند. جذابیت مک دونالد برای KFC 0.928448 محاسبه شد. جذابیت KFC برای مک دونالد 0.908902 بود. جذابیت اسنک های شاکسیان به لانژو رامن 0.826835 بود. جذابیت Lanzhou Ramen به Snacks Shaxian 0.854509 بود. مشخص شد که مک دونالد در منطقه اصلی شهری به KFC وابسته است. اسنک‌های Shaxian به شدت به Lanzhou Ramen در مراکز تجاری و خیابان‌ها نسبت داده می‌شد، در حالی که اسنک‌های Shaxian به‌طور مستقل در شرق Xiaoshan و Yuhang توزیع می‌شد.

کلید واژه ها:

فست فود معمولی ؛ ویژگی های توزیع فضایی ; نقطه مورد علاقه قانون S شکل معکوس ; ضریب هم مکان ; هانگژو

1. مقدمه

یک ضرب‌المثل چینی می‌گوید: «هرجا اسنک‌های شاسیانی وجود دارد، معمولاً لانژو رامن در این نزدیکی وجود دارد» که نشان‌دهنده ویژگی‌های خوشه‌بندی فضایی در صنعت پذیرایی است. صنعت پذیرایی بعد امیدوار کننده ای را نشان می دهد که در آن ویژگی های فرهنگی را می توان روشن کرد. فرهنگ غذایی بر رفتار عرضه و مصرف افراد در حین پذیرایی تأثیر می گذارد، بنابراین یک چشم انداز فضای اجتماعی شهری ویژه را تشکیل می دهد [ 1 ]. با پرده برداری از مکان های ناشناخته قبلی در یک شهر، مانند رستوران ها، فرد با فرهنگ محلی آشنا می شود [ 2 ]]. از زمان های قدیم غذا نقش حیاتی در زندگی انسان ایفا کرده است. از میان بسیاری از مطالعات مرتبط با کترینگ، ویژگی مکان POI در صنعت پذیرایی توجه قابل توجهی از سوی محققان را به خود جلب کرده است. هنگام بررسی الگوهای توزیع فضایی، اشیاء یا رویدادهای جغرافیایی فضایی به نقاط انتزاع می‌شوند، در حالی که تحلیل الگوی نقطه‌ای معمولاً برای مطالعه الگوهای توزیع فضایی نقاط استفاده می‌شود [ 3 ، 4 ، 5 ، 6 ، 7 ]. در سال‌های اخیر، نقش فناوری اطلاعات اینترنتی در زندگی شهری معاصر تشدید شده است و فناوری شبکه در عصر داده‌های بزرگ اهمیت فزاینده‌ای پیدا کرده است و در نتیجه بر نقش فضای جغرافیایی تاکید می‌شود [ 8 ]]. از منظر برنامه‌ریزی فضایی، وضعیت توزیع فضایی و روند تغییر تسهیلات تجاری با استفاده از داده‌های موجود برای آشکارسازی قوانین و الگوهای زیربنایی مورد تجزیه و تحلیل قرار گرفت. بر اساس اطلاعات مکان در مورد شبکه های اجتماعی، ما می توانیم رابطه بین فعالیت های انسانی و فضاهای شهری را از منظرهای متعدد درک کنیم. مثال‌ها شامل طبقه‌بندی برچسب‌گذاری جغرافیایی و برچسب‌گذاری POI از داده‌های خروجی [ 9 ] و داده‌های Twitter [ 10 ] است. رابطه بین مکان های Airbnb و عناصر شهری [ 11 ]؛ رفت و آمد بیش از حد [ 12 ]; جداسازی محل کار و سکونت [ 13 ]; کاربرد خوشه بندی فضایی در پارتیشن بندی فضایی [ 14]؛ و محل و محل سکونت انجمن های فعالیت های اقتصادی [ 15 ].
همبستگی بین صنایع و توزیع فضایی آنها نیز قابل بررسی است. در این پرتو، برخی از محققان رابطه فضایی بین صنایع را بر اساس تجزیه و تحلیل آماری فضایی با استفاده از اطلاعات مکان واحدهای تولیدی و مراکز فروش خودرو استخراج شده از POIها مطالعه کرده‌اند و از این طریق یکپارچگی، همبستگی و هماهنگی آنها را روشن می‌کنند [ 16 ]. الگوهای فضایی مختلف بین رستوران‌های محلی و غیر محلی با استفاده از آشکارسازهای نقطه داغ و مدل‌های آماری G از دیدگاه‌های جهانی و محلی مورد تجزیه و تحلیل قرار گرفت. متعاقبا، همبستگی فضایی بین ترجیحات فرهنگ غذایی، آب و هوا و اقتصاد اجتماعی اندازه‌گیری شد [ 17 ]]. کیو و همکاران از تحلیل همبستگی، مدل ورودی- خروجی، مدل خودهمبستگی فضایی، ضریب تغییرات و نرخ اتصال جغرافیایی برای انجام یک مطالعه تجربی بر روی همبستگی صنعتی و توزیع فضایی تعاملات بین خدمات تولیدکننده و تولید استفاده کرد [ 18 ]. یک روش بهبود یافته الگوی هم‌مکانی فضایی بیشتر پیشنهاد شد. این روش شامل یک همسایگی محدودیت شبکه و افزودن یک تابع فروپاشی فاصله برای کشف وابستگی های فضایی بین پدیده های شبکه، یعنی امکانات شهری [ 19 ] بود. ویژگی های کلی همبستگی فضایی و الگوهای همبستگی فضایی محلی دو نوع تأسیسات ساختمانی با استفاده از روش ضریب مکان مشارکتی مورد بررسی قرار گرفت [20 ]. لی و همکاران از داده‌های چند منبعی، از جمله مسیرهای اشتراک‌گذاری تاکسی و دوچرخه، بررسی‌های کاربران، و POI امکانات فرهنگی [ 21 ] استفاده کرد. بر این اساس، همبستگی بین عوامل محیطی ساخته شده و سرزندگی شهری چند بعدی خیابان ها از طریق مدل های رگرسیون چندگانه [ 21 ] کمی سازی شد.
ویژگی‌های مورفولوژیکی تجمع شهرها و مناطق عملکردی شهری قبلاً مورد تجزیه و تحلیل قرار گرفت. برای این منظور، برخی از محققان قبلا جهت و تراکم رستوران ها را با استفاده از روش بیضی انحراف معیار و تحلیل شاخص نزدیکترین همسایه بررسی کرده اند [ 22 ]. با استفاده از تجزیه و تحلیل نقطه حساس، تجزیه و تحلیل برهم نهی وزنی [ 23 ]، آنتروپی مکان [ 24 ]، و محلی جیهتیمنس-Orد جیمن*شاخص [ 25 ، 26 ]، محققان دیگر نقاط داغ فعالیت های تجاری و بلوک های داغ را تجزیه و تحلیل کردند [ 27 ]. به این ترتیب، ویژگی های تراکم و شناسایی چند مرکزی مناطق شهری روشن شد. یک مدل هم‌مکانی فضایی نیز برای کشف ویژگی‌های همزیستی صنعت استفاده شد [ 28 ]. یک مدل شبکه حمل و نقل ساخته شد، و چگالی امکانات توزیع شده در یک مربع برای مطالعه عملکردهای آن کمی سازی شد [ 29 ]. این شبکه برای تقسیم تراکم هسته و کمی کردن تقسیم و شناسایی مناطق عملکردی شهری استفاده شد [ 30]. با استفاده از جریان‌های مبدأ-مقصد برای انعکاس فعالیت‌های انسانی، یک شاخص موقعیت مبتنی بر جریان برای تعیین کمیت غیرقابل‌جایگزینی مکان‌های مناطق عملکردی شهری با اختلاط قوی [ 31 ] پیشنهاد شد. الگوهای هم‌وقوع فضایی از طریق راه رفتن تصادفی صریح در شبکه‌های POI آموخته می‌شوند، و الگوریتم‌های یادگیری چندگانه برای دریافت معناشناسی طبقه‌بندی برای تخمین توزیع متناسب انواع عملکردی در مناطق شهری استفاده می‌شوند [ 32 ]. توسعه یک روش تطبیقی ​​برای شناسایی الگوهای هم‌موقعیت منطقه‌ای محدودیت‌های شبکه می‌تواند درک ما را از سازمان فضایی عملکردهای شهری عمیق‌تر کند [ 33 ]]. برای تعیین کمیت تراکم زمین شهری، یک روش کمی با استفاده از تابع S معکوس برای تجزیه و تحلیل ساختار دایره شهری و الگوی رشد قبلا ایجاد شده بود [ 34 ].
از نظر ویژگی‌های تکاملی زمان و مکان، برخی از محققان انواع ترکیب چند بعدی و ویژگی‌های تکامل زمانی خوشه‌های پذیرایی را بر اساس DBSCAN [ 35 ، 36 ] و تحلیل‌های ابری کلمه استخراج کرده‌اند. عکس‌های فوری دنباله‌ای از داده‌های POI و GPS ساخته شدند و با استفاده از فاصله جنسن-شانون و خوشه‌بندی سلسله مراتبی یکپارچه شدند. در نتیجه، یک روش تجزیه k-هسته وزنی بهبود یافته برای تجزیه و تحلیل ویژگی‌های تغییرات مکانی-زمانی شبکه‌های تعامل فضایی معرفی شد [ 37 ]]. علاوه بر این، ساختار تابع شهری پویا در مقیاس‌های زمانی مختلف با استفاده از یک مدل جنگل تصادفی برای تعیین تغییرات زمانی در نسبت‌های مختلف عملکرد شهری از طریق مطالعه رابطه بین داده‌های POI و درخواست مکان Tencent (TLR) تجزیه و تحلیل شده است [ 38 ]. مجموعه داده‌های چند منبعی مانند داده‌های نقشه حرارتی Baidu، داده‌های POI، و داده‌های مساحت زمین و استفاده از زمین، و همچنین مدل‌های رگرسیون جغرافیایی و وزن‌دار زمانی (GTWR) همگی برای آشکار کردن رابطه مکانی و زمانی بین محیط‌های ساخته شده و سرزندگی شهری مورد استفاده قرار گرفته‌اند. [ 39 ، 40 ].
محققان فوق تحقیقات عمیقی را در مورد ویژگی‌های توزیع فضایی داده‌های POI از دیدگاه‌ها، روش‌ها و مقیاس‌های متعدد انجام داده‌اند. با این حال، تا به امروز، مطالعات کمی در مورد ویژگی های توزیع فضایی صنعت فست فود از منظر مجاورت جغرافیایی و جاذبه متقابل انجام شده است. متن کامل با یک ضرب‌المثل چینی شروع می‌شود، که می‌گوید: «هرجا اسنک‌های شاکسی وجود دارد، معمولاً لانژو رامن در این نزدیکی وجود دارد». همچنین در این تحقیق از دو دسته فست فودهای غربی و چینی به عنوان نمونه برای انجام پژوهش استفاده شده است. سهم اصلی این مطالعه این است که الگوهای خوشه‌بندی فضایی صنعت معمولی فست فود، از جمله KFC، مک‌دونالد، لانژو رامن، و اسنک‌های شاکسیان را نشان می‌دهد. اولین، ما جهت توزیع کلی صنعت پذیرایی در هانگژو را تجزیه و تحلیل کردیم و الگوی فضایی صنعت کلی پذیرایی در هانگژو را با استفاده از روش تجزیه و تحلیل نقطه داغ بررسی کردیم. در مرحله دوم، ترکیبی از داده‌های جمعیت و داده‌های شبکه جاده‌ای برای شناسایی و تأیید توزیع فضایی چهار نوع فست‌فود استفاده شد. ویژگی‌های ساختار دایره “هسته لبه” چهار صنعت معمولی فست فود در هانگژو بر اساس تابع S-fitting معکوس نشان داده شده است. تابع S معکوس درک ساختار و الگوی فضایی شهر را فراهم می کند. در نهایت، خوشه بندی فضایی و میزان جذب متقابل دو دسته، فست فود غربی و چینی، با استفاده از دو متغیره شاخص موران I، نرخ اتصال جغرافیایی، فاصله تا نزدیکترین هاب (نقاط) بررسی شد. و تجزیه و تحلیل ضریب مکان مشارکتی. این مطالعه همچنین به ما کمک می کند تا توزیع فضایی یک صنعت معمولی فست فود را بهینه کنیم، در حالی که ارجاعات موردی و کمک تصمیم گیری با توجه به مکان های صنایع پذیرایی ارائه می دهد.
ساختار باقی مانده این مقاله به شرح زیر است: بخش 2 پیش پردازش داده های تحقیق و روش شناسی را معرفی می کند. بخش 3 نتایج را ارائه می دهد که با نتیجه گیری در بخش 4 مورد بحث قرار می گیرد . این مقاله با خلاصه ای از نتایج و مفاهیم برای تحقیقات آتی به پایان می رسد. این مطالعه همچنین به ما کمک می کند تا توزیع فضایی یک صنعت معمولی فست فود را بهینه کنیم، در حالی که ارجاعات موردی و کمک تصمیم گیری را با توجه به مکان های صنایع پذیرایی ارائه می دهد.

2. مواد و روشها

2.1. داده ها

شهر هانگژو در شرق چین، پایین دست رودخانه کیانتانگ، در شمال استان ژجیانگ، مرکز اقتصادی، فرهنگی، علمی و آموزشی استان ژجیانگ قرار دارد و یکی از شهرهای مرکزی دلتای رودخانه یانگ تسه است. مساحت کل شهر 16853.57 کیلومتر مربع است که بین 29 درجه 11 دقیقه تا 30 درجه و 34 دقیقه شمالی و 118 درجه و 20 دقیقه تا 37 دقیقه شرقی امتداد دارد. ما شهر هانگژو در استان ژجیانگ را به عنوان منطقه مورد مطالعه انتخاب کردیم که شامل 10 دقیقه است. مناطق شهری، دو شهرستان و یک شهر در سطح شهرستان ( شکل 1 ). برای این منظور، غربالگری کل صنعت پذیرایی (به عنوان غذا) و KFC، Lanzhou Ramen، McDonald’s، و Snacks Shaxian انجام شد ( جدول 1) .). داده ها از اولین سرشماری شرایط جغرافیایی Hangzhou در سال 2018 و داده های Amap POI Hangzhou در سال 2021 است. 155193 نقطه داده POI به دست آمده از نقشه های Gaode وجود دارد. ما داده های جمعیت چین برای سال 2020 را از WorldPop و داده های شبکه جاده هانگژو را از OpenStreetMap انتخاب کردیم.

2.2. فلوچارت های روش شناسی و تحلیل

تحقیق جهت‌گیری اساساً روش بیضی انحراف استاندارد را برای ارزیابی اینکه آیا توزیع عناصر مورد مطالعه باریک و طولانی است، اتخاذ می‌کند. یک بیضی انحراف استاندارد برای منعکس کردن ویژگی‌های فضایی عناصر جغرافیایی، از جمله روندهای مرکزی، گسسته و جهت‌دار [ 41 ] در این مطالعه اندازه‌گیری شد.

2.2.1. تجزیه و تحلیل هات اسپات

تجزیه و تحلیل هات اسپات محاسبه می کند جیهتیمنس-Orد جیمن*آمار برای هر ویژگی در مجموعه داده نتایج z-score و p – values ​​نشان می دهد که ویژگی های دارای مقادیر بالا یا پایین به صورت مکانی خوشه می شوند. فرمول محاسبه از [ 41 ] به صورت رسمی است:

جیمن*=∑j=1nwمن،jایکسj-ایکس¯∑j=1nwمن،jاس[n∑j=1nwمن،j2-(∑j=1nwمن،j)2]n-1

جایی که ایکسjمقدار مشخصه برای ویژگی j است، wمن،jوزن فضایی بین ویژگی‌های i و j است و n تعداد کل ویژگی‌ها است. را جیمن*آمار z-score است. اگر z-score عنصر زیاد و p-value کوچک باشد، این نشان دهنده خوشه بندی فضایی با مقدار زیاد است. اگر z-score یک عنصر کم و منفی و p-value کوچک باشد، به این معنی است که خوشه بندی فضایی پایین است. هر چه امتیاز z بالاتر (یا کمتر) باشد، درجه خوشه بندی بیشتر است. اگر امتیاز z نزدیک به صفر باشد، خوشه بندی فضایی قابل توجهی وجود ندارد.

2.2.2. خوشه بندی فضایی و تحلیل جاذبه متقابل
(1)
روش موران دو متغیره I.

دو متغیره Moran’s I می‌تواند ارتباط بین دو نوع صنعت را در واحدهای فضایی مختلف اندازه‌گیری کند و از بیان ناهمگونی فضایی قدرت اتصال پشتیبانی می‌کند، در نتیجه به طور شهودی الگوی همبستگی فضایی دو صنعت را منعکس می‌کند. فرمول محاسبه توسط [ 16 ] ارائه شده است:

منایکسy=n∑من∑jwمنj·∑من∑jwمنj((ایکسمن-ایکس¯)(yمن-y¯))∑من(ایکسمن-ایکس¯)2∑j(yj-y¯)2

جایی که ایکسمنمقدار ویژگی x ناحیه مطالعه مجاور i است و yjمقدار مشخصه y ناحیه مجاور j است. ایکس¯و y¯مقادیر متوسط ​​هر ویژگی x و y در نمونه هستند و wمنماتریس وزن اتصال فضایی بین واحد فضایی i و واحد فضایی j است.

(2)
تحلیل مجاورت جغرافیایی

نرخ اتصال جغرافیایی منعکس کننده توزیع جغرافیایی دو عامل اقتصادی و تفاوت در ساختار فضایی از طریق تفاوت شباهت است. فرمول محاسبه از [ 18 ] در زیر نشان داده شده است:

L=100-12∑منn|اسمن-پمن|  (من=1،2،…،n)

که در آن L نرخ اتصال جغرافیایی، n تعداد واحدهای همسایگی و اسمنو پمندرصدهای هر عامل اقتصادی در هر واحد محله است. مقدار L به صورت زیر تعریف شد: 0 ≤ L ≤ 25، 26 ≤ L ≤ 50، 51 ≤ L ≤ 75، و 76 ≤ L ≤ 100، که نشان می دهد دو نوع عنصر بسیار ناسازگار، ناسازگار، نسبتاً ناسازگار بودند. یا به ترتیب بسیار سازگار است.

با توجه به لایه‌های مبدا و مقصد، الگوریتم فاصله تا نزدیک‌ترین هاب (نقطه) فاصله بین ویژگی‌های مبدا و نزدیک‌ترین مقصدها را محاسبه می‌کند. محاسبات فاصله بر اساس مراکز ویژگی [ 42 ] بود. لایه حاصل شامل نقاط مرکز ویژگی مبدا با یک فیلد اضافی است که شناسه نزدیکترین ویژگی مقصد و فاصله تا آن را منعکس می کند.
(3)
تجزیه و تحلیل ضریب مکان مشارکتی.

ضریب مکان مشارکتی برای تعیین کمیت حالت همبستگی فضایی بین دو نوع عامل نقطه‌ای استفاده شد و به ضریب مکان مشارکتی محلی ( LCLQ ) و ضریب مکان مشارکتی جهانی ( GCLQ ) تقسیم می‌شود. LCLQ از نقطه محاسبه می شود آمندر رده علاقه A به دسته همسایه B [ 41 ] توسط:

LسیLسآمن→ب=نآمن→بنب/(ن-1)

جایی که نبتعداد کل دسته های B در منطقه مورد مطالعه و N تعداد کل نقاط در منطقه مورد مطالعه است. نآمن→بمیانگین وزنی تعداد امتیازهای دسته B در همسایگی هر نقطه دسته A است ( آمن). معادله GCLQ از [ 41 ] استفاده شد:

جیسیLسآ→ب=نآ→ب/نآنب/(ن-1)

که در آن N تعداد کل ویژگی ها است، نآتعداد ویژگی های دسته A است و نبتعداد ویژگی های دسته B است. جایگشت برای محاسبه p-value برای هر یک از ویژگی های ورودی مورد علاقه استفاده شد. به این ترتیب، اهمیت آماری مقادیر ضریب هم‌مکانی مشاهده‌شده تعیین شد، که در آن p-value کمتر از 0.05 یک مقدار آماری معنی‌دار در نظر گرفته شد.

نمودار جریان تجزیه و تحلیل در شکل 2 نشان داده شده است . این مطالعه بر اساس داده‌های POI شهر هانگژو در سال 2021 است و داده‌های شبکه جاده‌ای OSM و داده‌های جمعیتی به عنوان داده‌های کمکی مورد استفاده قرار گرفت. داده ها با تبدیل فرمت، تبدیل مختصات، تمیز کردن داده ها، تبدیل طرح ریزی و تصحیح خطای توپولوژی پیش پردازش شدند. بخش 3.1 روند توزیع فضایی و خوشه بندی صنعت رستوران در هانگژو را تحلیل می کند. بخش 3.2 الگوی توزیع فضایی چهار نوع صنعت معمولی فست فود در هانگژو را تحلیل می‌کند. بخش 3.3همبستگی فضایی، ارتباط جغرافیایی، و وابستگی بین فضایی KFC و مک‌دونالد و لانژو رامن و اسنک‌های شاکسیان در هانگژو را بررسی می‌کند.

3. نتایج

3.1. توزیع کلی صنعت کیترینگ در هانگژو

3.1.1. توزیع فضایی کل صنعت پذیرایی

همانطور که در شکل 3 نشان داده شده است، ما از روش بیضی انحراف استاندارد بر اساس بیضی های انحراف استاندارد برای شهر هانگژو و هر بخش اداری در سال 2021 استفاده کردیم . الگوی فضایی کلی یک جهت بیضی از انحراف استاندارد صنعت پذیرایی در هانگژو را نشان می‌دهد، که تقریباً مشابه بخش‌های اداری بود و جهت شمال شرقی-جنوب غربی را نشان می‌داد. مرکز صنعت پذیرایی هانگژو در مرکز جغرافیایی شهر نیست، اما در نزدیکی منطقه شهری اصلی مرکز اقتصادی واقع شده است. بیضی های انحراف معیار صنعت پذیرایی در سایر بخش های اداری تقریباً در جهت مناطق اداری مربوطه توزیع شده است.
صنعت پذیرایی در هانگژو از نظر توزیع فضایی، الگویی از انباشتگی و توسعه چند مرکزی را شکل داد. به طور کلی، مرکز خدمات پذیرایی منطقه اصلی شهر مزیت مقیاس نسبتاً متمایز و توزیع پیوسته را نشان داد. توسعه امکانات پذیرایی در خارج از محدوده اصلی شهری نسبتاً کند بود و مراکز خدمات پذیرایی کوچک و پراکنده بودند.
3.1.2. تجزیه و تحلیل خوشه‌بندی صنعت کلی کیترینگ
توزیع نقاط مهم در صنعت پذیرایی در منطقه اصلی شهری نسبتاً در یک منطقه بزرگ جمع شده بود. از میان نقاط داغ، توزیع غذا در ناحیه شانگ‌چنگ، ناحیه شیاچنگ، ناحیه گونگشو، ناحیه بینجیانگ و منطقه شیهو متراکم ترین بود، در حالی که این مناطق توسط بلوک‌های مجاور با تراکم شبکه بالا احاطه شده بودند، به ویژه مناطق تجمع پذیرایی با تراکم بالا. بلوک های صنعت از دیدگاه آماری در سال 2021، امتیاز z تجزیه و تحلیل نقطه داغ صنعت پذیرایی در هانگژو نسبتا یکنواخت بود، بنابراین نشان می دهد که توزیع فضایی صنعت پذیرایی در هانگژو نیز نسبتا یکنواخت بوده است ( شکل 4 ).

3.2. ویژگی های توزیع فضایی فست فود معمولی در هانگژو

3.2.1. توزیع فضایی چهار نوع فست فود معمولی

داده های جمعیت WorldPop بیشتر با داده های شبکه جاده ای POI و OSM ترکیب شد تا توزیع فضایی چهار نوع فست فود را شناسایی و ارزیابی کند ( شکل 5 ). همانطور که چهار نوع غذا در منطقه اصلی شهر توزیع می شد، ما بر شهر اصلی تمرکز کردیم و متوجه شدیم که چهار نوع غذا در مناطق پرجمعیت توزیع می شود. علاوه بر این، KFC و مک‌دونالد الگوهای خوشه‌بندی فضایی را به نمایش گذاشتند، که بیشتر آن‌ها در مناطق مرکزی شهر قرار داشتند، در حالی که اسنک‌های Lanzhou Ramen و Shaxian به طور گسترده توزیع شدند.
در مجموع، 402 KFC در طول دوره مطالعه در هانگژو قرار داشتند. مکان آنها عمدتاً در مناطق اصلی شهری، جایی که فعالیت های تجاری فشرده است و جاذبه های توریستی و دانشگاه های مجاور وجود دارد، پراکنده بود. درجه تجمیع فضایی نواحی و شهرستان‌های خارج از محدوده اصلی شهر بسیار کم بود، در حالی که چیدمان پراکنده بود. آنها فقط در نزدیکی مراکز خرید بزرگ، مناطق خدمات بزرگراه، راه‌آهن‌های پرسرعت و ایستگاه‌های راه‌آهن افتتاح شدند. 206 مک‌دونالد وجود داشت و مجموع‌ها پراکنده‌تر بودند. ارزش‌های بالا فقط در منطقه اصلی شهری شناسایی شدند و آنها فقط در نزدیکی مراکز خرید عمده، سوپرمارکت‌ها و دانشگاه‌ها دسته‌بندی شدند.
1471 لانژو رامن در هانگژو وجود داشت. دامنه تجمع در شهر اصلی گسترش یافت. تعداد لانژو رامن در نواحی جیانگگان و یوهانگ زیاد بود و بالاترین مقادیر در ناحیه گونگشو و شیاچنگ متمرکز بود. آنها عمدتاً در فروشگاه های نزدیک جاده ها، دانشگاه ها، نقاط دیدنی و ایستگاه های راه آهن پرسرعت توزیع می شدند و توزیع فضایی پراکنده بود. علاوه بر شهر اصلی، ارزش‌های بالاتری در میان مدارس، سوپرمارکت‌ها، هتل‌ها و ایستگاه‌های راه‌آهن نیز مشاهده شد. 2296 اسنک شاکسی در هانگژو وجود داشت، و تجمع فضایی آنها نسبت به لانژو رامن پراکنده تر و پراکنده تر بود. آنها در کنار جاده ها توزیع شدند.
3.2.2. ویژگی‌های ساختار دایره «هسته لبه» چهار نوع فست فود
هانگژو شهری غیر تعادلی و چند مرکزی است. به گفته «یک سه معاون اصلی»، سمت مرکز مشخص شد. بافر در فواصل 2 کیلومتری ایجاد شد و تعداد و چگالی چهار نوع POI مواد غذایی در هر بافر کمی سازی شد ( شکل 6 ). در سال 2021، تعداد POI برای چهار نوع غذا ابتدا افزایش یافت اما سپس از مرکز به لبه کاهش یافت و سپس به تدریج کاهش یافت. از این تعداد، تعداد چهار نوع غذا بزرگترین بود و در محدوده 4 تا 10 کیلومتر بود.
از منظر فراوانی، کی‌اف‌سی‌های بیشتری نسبت به مک‌دونالد وجود داشت، در حالی که اسنک‌های شاکسیان به‌طور قابل‌توجهی فراوان‌تر از لانژو رامن بودند، با تفاوت متمایز بین آنها در 14 تا 16 کیلومتر و 24 کیلومتر. تراکم POI ابتدا افزایش یافته و سپس با افزایش فاصله از مرکز شهر کاهش می یابد. تراکم در نزدیکی مرکز شهر بیشتر بود، در حالی که تراکم مشخصی در حاشیه شهر حفظ شد. تراکم اسنک های شاکسی در حدود 6 کیلومتر بزرگترین بود و تراکم سه نوع دیگر در حدود 8 کیلومتر به اوج خود رسید. محدوده نوسان تراکم اسنک های شاکسیان کم و یکنواخت بود، در حالی که نوسان تراکم مک دونالد قوی ترین و ناهموار بود.

تابع برازش با توجه به چگالی POI در شکل 6 c رسم شد. همانطور که مشاهده می شود، توزیع چگالی POI از یک قانون S شکل معکوس پیروی می کند که مرکز شهر به سمت بیرون حرکت می کند. تابع اتصالات به صورت زیر رسمیت یافت:

y=پمتر[1+(کآایکس)اچآ][1+(ایکسکمن)اچمن]

که در آن y چگالی POI و x فاصله از مرکز شهر است. پمتر،کآ،کمن،اچآ، و اچمنپارامترهای برازش هستند و پمترحداکثر مقدار چگالی POI است. کآ،کمنفاصله بین سریعترین نقطه چگالی POI به ترتیب افزایش یا کاهش می یابد، در حالی که اچآو اچمنبه ترتیب ضرایب شیب منحنی کنترل کننده معادله چگالی POI هستند. عملکرد معادله این است که مقادیر پارامتری را که عموماً شبیه روند منحنی هدف هستند به پارامترها اختصاص دهد و زمانی که تکرار همگرا یا از حداکثر تعداد تکرارها فراتر رفت متوقف می شود. پارامترهای برازش در جدول 2 خلاصه شده است.

نتایج مناسب برای تعداد اسنک های لانژو رامن و شاکسیان بهترین بود، با آر2> 0.9. منحنی برازش نشان داد که چگالی KFC POI به طور یکنواخت در محدوده 10 کیلومتر تغییر کرده است. تراکم مک‌دونالدز، لانژو رامن و اسنک‌های شاکسیان به طور قابل توجهی در محدوده 8 کیلومتر افزایش یافت. سپس با افزایش فاصله از مرکز، آنها به تدریج کاهش یافتند، در حالی که لبه تراکم خاصی را حفظ کرد.
در مقایسه با مک دونالد، چگالی KFC با افزایش فاصله یکنواخت تر بود. تراکم مک دونالد بیشتر از کی اف سی در محدوده 10 کیلومتر بود، در حالی که تراکم کی اف سی بیشتر بود و تعداد مک دونالد به طور قابل توجهی در خارج از محدوده 10 کیلومتر کاهش یافت. در مقایسه با Lanzhou Ramen، تعداد اسنک‌های Shaxian تغییرپذیری ضعیف‌تری با افزایش فاصله نشان داد. چگالی لانژو رامن از اسنک های شاکسیان در 12 کیلومتری بیشتر بود و چگالی اسنک های شاکسیان به طور قابل توجهی بیشتر از لانژو رامن در خارج از 12 کیلومتر بود.

3.3. خوشه بندی فضایی و جذابیت متقابل فست فودهای معمولی در هانگژو

3.3.1. دو متغیره روش موران I

در مقیاس بلوکی، درجات همبستگی محلی بین دو صنعت مشابه بود. یعنی همبستگی بالا-بالا بین KFC و مک‌دونالد عمدتاً در ناحیه Xihu و Xiaoshan مشخص شد، در حالی که هیچ بلوک همبستگی پایین و پایین شناسایی نشد. همبستگی بالا-بالا بین مک دونالد و KFC عمدتاً در نواحی هانگژو، بینجیانگ، شانگ چنگ، مرکزی شیهو، غرب جیانگگان و شمال غربی Xiaoshan توزیع شد، در حالی که هیچ بلوک همبستگی بالا و پایین وجود نداشت.
همبستگی‌های لانژو رامن و شاکسیان میان‌وعده‌های بالا-بالا عمدتاً در بخش مرکزی یوهانگ، شمال غربی شیهو و بخش مرکزی منطقه شیائوشان توزیع شده‌اند. همبستگی های کم-کم عمدتاً در ناحیه لینان غربی و شهرستان چونان شمال غربی توزیع شد. Snacks Shaxian و Lanzhou Ramen توزیع همبستگی بالایی در نواحی مرکزی Yuhang، West Xihu و Binjiang مرکزی داشتند. مناطق کم-پایین در شهر Fengshui، منطقه Lin’an جنوبی، و شرق منطقه Xiaoshan بودند ( شکل 7 ).
3.3.2. تحلیل مجاورت جغرافیایی چهار نوع غذا
با استفاده از “واحد همسایگی” به عنوان مقیاس فضایی، نرخ اتصال جغرافیایی 99.4714 محاسبه شد که نشان دهنده یک وابستگی جغرافیایی قوی است. بنابراین، رابطه جغرافیایی بین مقیاس بلوک KFC و مک دونالد بسیار نزدیک است، که نشان می دهد که چیدمان فضایی آنها سازگار است. میانگین فاصله KFC از مک‌دونالد 643 متر، در حالی که حداکثر آن 4260 متر و حداقل آن 10 متر بود. 132 KFC وجود داشت که فاصله آنها کمتر از 640 متر بود و به این نتیجه رسیدند که 64.1٪ از رستوران های مک دونالد دارای KFC در فاصله 640 متری بودند. میانگین فاصله مک‌دونالد از KFC 2500 متر و حداکثر 29890 متر و حداقل 10 متر بود. 328 مک‌دونالد وجود داشت که فاصله آنها کمتر از 2500 متر بود و به این نتیجه رسیدند که 81.6٪ از KFCها یک مک دونالد در فاصله 2500 متری داشتند. همانطور که در نشان داده شده استشکل 8 ، بیشتر KFC های اطراف مک دونالد کمتر از 700 متر و بیشتر رستوران های مک دونالد در اطراف کی اف سی ها زیر 2500 متر بودند.
نرخ اتصال جغرافیایی توزیع فضایی 97.127 بود. بنابراین، رابطه جغرافیایی در مقیاس بلوک نسبتا نزدیک بود، که نشان می‌دهد که چیدمان رامن لانژو در هانگژو بسیار با اسنک‌های شاکسی سازگار است. میانگین فاصله Lanzhou Ramen از Snacks Shaxian 484 متر بود، در حالی که حداکثر آن 18342 متر و حداقل آن 1 متر بود. 1008 لانژو رامن با مسافت کمتر از 400 متر وجود داشت، و به این نتیجه رسیدند که 68.5 درصد از اسنک های شاکسی دارای رامن لانژو در فاصله 400 متری هستند. میانگین فاصله اسنک شاکسیان از لانژو رامن 2162 متر و حداکثر 20059 متر و حداقل 1 متر بود. 1798 اسنک شاکسی با مسافت کمتر از 2100 متر وجود داشت، و به این نتیجه رسیدند که 78.3٪ از رستوران های Lanzhou Ramen دارای اسنک Shaxian در فاصله 2100 متری هستند.شکل 8 نشان می‌دهد که بیشتر رستوران‌های لانژو رامن در اطراف اسنک‌های شاسیان در منطقه‌ای زیر 1000 متر و بیشتر اسنک‌های شاکسی در اطراف لانژو رامن در منطقه‌ای زیر 2500 متر توزیع شده‌اند.
3.3.3. تجزیه و تحلیل ضریب مکان مشارکتی چهار نوع غذا
جدول 3 مقادیر GCLQ را برای چهار نوع غذا نشان می دهد، در حالی که مقدار ضریب مکان مشارکتی نشان دهنده ارتباط مکان مشترک بین این دو است. مشخص شد که (1) GCLQ چهار نوع غذا <1 است، که نشان می دهد توزیع فضایی نسبتاً مستقل است ( p-value <0.05)، و ضریب مکان مشارکتی از نظر آماری معنی‌دار بود. (2) جذابیت مک دونالد برای KFC 0.928448 محاسبه شد. جذابیت KFC برای مک دونالد 0.908902 بود. جذابیت اسنک شاکسیان به لانژو رامن 0.826835 بود. جذابیت Lanzhou Ramen به Snacks Shaxian 0.854509 است. میزان جذابیت مک‌دونالد به کی‌اف‌سی بیشتر از جذابیت کی‌اف‌سی به مک‌دونالد بود، که نشان می‌دهد مک‌دونالد تا حدودی به KFC وابسته است. میزان جذابیت لانژو رامن به اسنک های شاکسی بیشتر از اسنک های شاکسی به لانژو رامن بود، که نشان می دهد لانژو رامن تا حدودی به اسنک های شاکسی وابسته است.
شاخص محلی ضریب مکان مشارکتی برای روشن کردن الگوی فضایی همبستگی فضایی بین KFC و مک‌دونالد و بین لانژو رامن و اسنک شاکسیان استفاده شد. شکل 9 الگوی فضایی شدت جاذبه بین KFC و مک دونالد و بین لانژو رامن و اسنک شاکسیان را نشان می دهد.
همانطور که می بینیم، توزیع فضایی شدت جاذبه متقابل بین KFC و مک دونالد قابل توجه بود. با افزایش فاصله از منطقه اصلی شهری، توانایی جذب متقابل این دو به تدریج کاهش یافت. وابستگی متقابل بین آنها در منطقه اصلی شهری بیشتر از خارج از منطقه اصلی شهری بود و خارج از منطقه اصلی شهری ویژگی های توزیع مستقل را نشان می دهد. به طور کلی، جذب مک‌دونالد به KFC قوی‌تر از جذب کی‌اف‌سی به مک‌دونالد بود. مک دونالد، در منطقه اصلی شهری، به KFC وابسته است.
تفاوت فضایی در قدرت جاذبه بین لانژو رامن و اسنک شاکسیان متمایز بود. در مراکز تجاری و خیابان‌های اصلی، اسنک‌های شاکسیان به شدت جذب لانژو رامن می‌شد، در حالی که در کوچه‌ها، لانژو رامن کمتر جذب اسنک‌های شاکسیان می‌شد. در بخش شرقی منطقه Xiaoshan و بخش شرقی منطقه Yuhang، Snacks Shaxian مستقل از توزیع Lanzhou Ramen بود.

4. بحث و نتیجه گیری

پدیده خوشه‌بندی و ویژگی‌های توزیع فضایی صنعت پذیرایی ناشی از توسعه پویای جمعیت شهری مدرن است. در این پرتو، تجزیه و تحلیل این ویژگی‌های ساختاری فضایی می‌تواند دستورالعمل‌های مبتنی بر داده‌ها را برای توسعه پایدار صنعت پذیرایی شهر ارائه دهد و در نتیجه توسعه هماهنگ و ادغام هماهنگ شهر و انسان را نیز ارتقا دهد. داده های POI در این مطالعه برای تجزیه و تحلیل جهت توزیع کلی صنعت پذیرایی در هانگژو استفاده شد. ما داده های جمعیت WorldPop و داده های شبکه جاده ای OSM را برای شناسایی و ارزیابی توزیع فضایی چهار نوع فست فود ترکیب کردیم. ما یک تابع S معکوس ایجاد کردیم و از تابع S معکوس برای تطبیق با ویژگی‌های ساختار دایره «هسته لبه» صنعت پذیرایی در هانگژو استفاده کردیم و همبستگی فضایی، ارتباط جغرافیایی و وابستگی بین فضایی KFC و مک‌دونالد را بررسی کردیم. از یک سو، و لانژو رامن و اسنک های شاکسیان، از سوی دیگر، در هانگژو. ما نتایج زیر را بر اساس نتایج فرموله کردیم:
(1) توزیع شمال شرقی به جنوب غربی صنعت پذیرایی در هانگژو شناسایی شد. مرکز صنعت پذیرایی در هانگژو به جای مرکز جغرافیای شهری نزدیک مرکز اقتصادی شهر اصلی بود. توزیع نقاط مهم در صنعت پذیرایی در منطقه اصلی شهری الگوهای خوشه‌ای را در یک منطقه بزرگ به نمایش گذاشت.
(2) چهار نوع فست فود در مناطق پرجمعیت توزیع شد و قانون S معکوس را نشان داد، با فاصله از مرکز ابتدا افزایش و سپس کاهش یافت. تعداد چهار فست فود معمولی در فاصله 4 تا 10 کیلومتری از مرکز بالاترین میزان بود. KFC و مک‌دونالدز بیشتر در مرکز شهر منطقه اصلی شهری افتتاح شدند، در حالی که تراکم از مرکز به لبه به طور قابل توجهی کاهش یافت. توزیع اسنک لانژو رامن و شاکسیان نسبتاً گسترده بود و توزیع چگالی از مرکز تا لبه نسبتاً یکنواخت بود.
(3) چیدمان های فضایی KFC، مک دونالد، لانژو رامن، و اسنک های شاکسیان سازگاری قوی داشتند و همبستگی های محلی مشابه بودند. نتیجه گیری شد که 81.6٪ از KFC یک مک دونالد در فاصله 2500 متری داشتند و 68.5٪ از اسنک های Shaxian یک لانژو رامن در فاصله 400 متری داشتند. از منظر فاصله نزدیک، در هانگژو، مک‌دونالدز نزدیک KFC و اسنک‌های شاکسیان در نزدیکی لانژو رامن قرار دارند. جذابیت مک دونالد برای KFC 0.928448 بود. جذابیت KFC برای مک دونالد 0.908902 بود. جذابیت اسنک های شاکسیان به لانژو رامن 0.826835 بود. جذابیت Lanzhou Ramen به Snacks Shaxian 0.854509 بود. مک دونالد در منطقه اصلی شهری به KFC وابسته بود. Snacks Shaxian به شدت جذب Lanzhou Ramen در مراکز تجاری و خیابان ها شد.
برای کاربردهای عملی، برآورد ویژگی‌های مکانی و زمانی صنعت پذیرایی با استفاده از داده‌های بزرگ و در نتیجه، روشن کردن ویژگی‌های تنوع مکانی طرح‌بندی صنعت پذیرایی ضروری است. به این ترتیب، می توان تبادل و یکپارچگی فرهنگ غذایی را تقویت کرد، بنابراین دستورالعمل های مبتنی بر داده ها برای انتخاب مکان و برنامه ریزی شهری و در نهایت، پایه ریزی مبانی نظری این حوزه تحقیقاتی ارائه کرد. با این حال، کاستی‌ها و محدودیت‌هایی در این تحقیق وجود دارد، مانند استفاده از داده‌های تصویر سنجش از دور با وضوح بالا برای بهبود دقت تشخیص یا ساخت مدل‌ها، و سیاست اقتصادی و سایر عوامل تأثیرگذار می‌تواند برای ایجاد سرویس پذیرایی مورد تجزیه و تحلیل قرار گیرد. در آینده. همچنین می توان از داده های چند ساله برای تجزیه و تحلیل مقایسه ای در زمان و مکان استفاده کرد. روش‌های تحقیق مرتبط را می‌توان با استفاده از تکنیک‌های یادگیری ماشین و نظریه بازی گسترش داد. این جنبه ها را می توان در آینده بهبود بخشید.

منابع

  1. فانگ، جی. ویژگی‌های توزیع و مکانیسم خوشه‌بندی خدمات پذیرایی کره‌ای در منطقه Wudaokou، پکن. اقتصاد Geogr. 2014 ، 34 ، 106-113. [ Google Scholar ] [ CrossRef ]
  2. ژانگ، اف. زو، جی. هو، م. زو، دی. کانگ، ی. گائو، اس. ژانگ، ی. Huang, Z. کشف مکان‌های نامحسوس با استفاده از اعلام حضور در رسانه‌های اجتماعی و تصاویر نمای خیابان. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 81 ، 101478. [ Google Scholar ] [ CrossRef ]
  3. پسیلیدیس، ا. گائو، اس. هو، ی. کیم، ای.-ک. مک کنزی، جی. پوروز، آر. یوان، م. Andris, C. Points of Interest (POI): تفسیری در مورد وضعیت هنر، چالش ها و چشم اندازهای آینده. محاسبه کنید. علوم شهری 2022 ، 2 ، 20. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. وو، ال. لیو، ال. تیان، ی. شیائو، سی. لیو، ال. تحلیل الگوی فضایی ویژگی‌های جغرافیایی با استفاده از روش‌های تابع K شبکه با مطالعه موردی توزیع رستوران در جزیره هنگ کنگ. Geogr. Geo-Inf. علمی 2013 ، 29 ، 7-11. [ Google Scholar ] [ CrossRef ]
  5. پوتری، اس آر. ویجایانتو، AW; ساکتی، AD در حال توسعه شاخص فقر فضایی نسبی با استفاده از سنجش از دور یکپارچه و رویکرد داده‌های بزرگ جغرافیایی: مطالعه موردی جاوا شرقی، اندونزی. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 275. [ Google Scholar ] [ CrossRef ]
  6. آندراد، آر. آلوز، آ. Bento, C. معدن POI برای طبقه بندی کاربری زمین: مطالعه موردی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 493. [ Google Scholar ] [ CrossRef ]
  7. Cichosz, P. پیش‌بینی خطر جرم شهری با استفاده از داده‌های نقطه‌نظر. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 459. [ Google Scholar ] [ CrossRef ]
  8. شنگ، ق. لی، ام. ژانگ، ایکس. مکان در عصر اطلاعات مهم نیست؟: مطالعه موردی در مورد توزیع رستوران های فهرست شده در داژونگ دیانپینگ در پکن. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی تحقیقات رفتار محیطی، گوانگژو، چین، 7-9 نوامبر 2014. ص 1325–1335. [ Google Scholar ]
  9. خو، ی. هو، ال. گائو، اس. وانگ، ام. دینگ، جی. کیو، ی. ژانگ، اف. دو، ز. لیو، آر. درک ویژگی‌های جمعیت شهری از طریق الگوهای طعم رژیم غذایی بر اساس داده‌های بیرون‌بر. Cities 2022 , 131 , 103910. [ Google Scholar ] [ CrossRef ]
  10. لای، جی. لنسلی، جی. هاورث، جی. Cheng, T. رویکردی مبتنی بر نام برای نمایه مکان‌های شهری بر اساس داده‌های توئیتر دارای برچسب جغرافیایی. ترانس. GIS 2019 ، 24 ، 858-879. [ Google Scholar ] [ CrossRef ]
  11. شبینا، ز. بویوکلیوا، بی. Ng، پلت فرم اجاره کوتاه مدت MKM در زمینه گردشگری شهری: رویکردهای رگرسیون وزنی جغرافیایی (GWR) و چند مقیاسی GWR (MGWR). Geogr. مقعدی 2020 ، 53 ، 686-707. [ Google Scholar ] [ CrossRef ]
  12. ژانگ، اچ. خو، اس. لیو، ایکس. لیو، سی. تخمین «زمان واقعی» رفت و آمد اضافی از داده‌های منبع باز: شواهدی از ابرشهرهای چین. J. Transp. Geogr. 2021 , 91 , 102929. [ Google Scholar ] [ CrossRef ]
  13. منگ، بی. ژان، دی. هائو، ال. تأثیر رفتار مسکونی ساکنان بر جدایی کار و مسکن در پکن. مسائل شهری 2013 ، 10 ، 33-39. [ Google Scholar ] [ CrossRef ]
  14. کانگ، ی. وو، ک. گائو، اس. ایگناویر، ن. رائو، جی. آره.؛ ژانگ، اف. Fei، T. STICC: یک روش خوشه‌بندی فضایی چند متغیره برای کشف مکرر الگوی جغرافیایی با در نظر گرفتن مجاورت فضایی. بین المللی جی. جئوگر. Inf. علمی 2022 ، 36 ، 1-32. [ Google Scholar ] [ CrossRef ]
  15. دام، ا. گومز-لیوانو، آ. نفکه، اف. فرنکن، ک. یک رویکرد نظری اطلاعاتی برای تجزیه و تحلیل الگوهای مکان و مکان. J. Reg. علمی 2022 ، 1-41. [ Google Scholar ] [ CrossRef ]
  16. ژو، بی. شیائو، ایکس. لی، جی. روش شناسایی و مطالعه تجربی رابطه فضایی صنعتی شهری بر اساس داده های بزرگ POI: موردی از شهر شنیانگ، چین. Geogr. حفظ کنید. 2020 ، 1 ، 152-162. [ Google Scholar ] [ CrossRef ]
  17. ژانگ، اچ. ژو، ایکس. تانگ، جی. شیونگ، ال. دونگ، ک. الگوهای فضایی معدن فرهنگ غذایی در چین با استفاده از داده‌های POI رستوران. ترانس. GIS 2020 ، 25 ، 579-601. [ Google Scholar ] [ CrossRef ]
  18. کیو، ال. شن، ی. Ren, W. ارتباط صنعتی و توزیع فضایی بین خدمات تولیدکننده و تولید در شهر پکن. Acta Geogr. گناه 2008 ، 63 ، 1299-1310. [ Google Scholar ]
  19. یو، دبلیو. آی، تی. سلام.؛ Shao, S. الگوی هم‌مکانی فضایی استخراج نقاط مورد علاقه تسهیلات توسط اثرات همسایگی شبکه و فروپاشی فاصله بهبود یافته است. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 280-296. [ Google Scholar ] [ CrossRef ]
  20. منگ، بی. گائو، ال. لی، آر. تحلیل همبستگی فضایی عناصر مسکونی و شغلی در پکن بر اساس ضریب مکان مشارکتی. Acta Geogr. گناه 2021 ، 76 ، 1380-1393. [ Google Scholar ]
  21. لی، کیو. کوی، سی. لیو، اف. وو، کیو. اجرا، Y.; Han, Z. سرزندگی شهری چند بعدی در خیابان ها: الگوهای فضایی و شناسایی عامل تأثیر با استفاده از داده های شهری چند منبعی. ISPRS Int. J. Geo-Inf. 2021 ، 11 ، 2. [ Google Scholar ] [ CrossRef ]
  22. Du, P. تجزیه و تحلیل الگوی فضای غذایی شنیانگ بر اساس داده های بزرگ POI. Geomat. تف کردن Inf. تکنولوژی 2021 ، 44 ، 130-134. [ Google Scholar ]
  23. لی، X. شناخت ساختار چندمرکزی شهری بر اساس ویژگی‌های تجمع فضایی عناصر POI: موردی از شهر ژنگژو. Acta Sci. نات. دانشگاه پکین. 2020 ، 56 ، 692-702. [ Google Scholar ]
  24. لو، سی. پانگ، ام. ژانگ، ی. لی، اچ. لو، سی. تانگ، ایکس. چنگ، دبلیو. نقشه برداری ساختار فضایی شهری بر اساس داده های POI (نقطه مورد علاقه): مطالعه موردی شهر مرکزی لانژو، چین. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 92. [ Google Scholar ] [ CrossRef ]
  25. چن، دبلیو. لیو، ال. Liang، Y. شناسایی مرکز خرده‌فروشی و تجزیه و تحلیل ویژگی‌های تجمیع فضایی قالب‌های خرده‌فروشی در گوانگژو بر اساس داده‌های POI. Geogr. Res. 2016 ، 35 ، 703-716. [ Google Scholar ]
  26. راجرسون، PA Getis–Ord آمار برای فضایی. Geogr. مقعدی 2015 ، 47 ، 20-33. [ Google Scholar ] [ CrossRef ]
  27. ژو، بی. شیائو، ایکس. لی، جی. جیانگ، ال. Xie، X. تجزیه و تحلیل مبتنی بر POI در بلوک های داغ فضایی خرده فروشی در سطح شهر: مطالعه موردی شن یانگ، چین. اقتصاد Geogr. 2018 ، 38 ، 36-43. [ Google Scholar ]
  28. چن، ال. لیو، ی. هوانگ، ک. ویژگی‌های تراکم فضایی صنعت اوقات فراغت: جغرافیای اقتصادی توضیح «لذت حسی»[A]. کمیته جغرافیای اقتصادی انجمن جغرافیای چین. مجموعه خلاصه‌ای از نشست سالانه دانشگاهی کمیته جغرافیای اقتصادی انجمن جغرافیای چین در سال 2019[C]. کمیته جغرافیای اقتصادی انجمن جغرافیای چین: انجمن جغرافیای چین. 2019، صفحات 200–201. در دسترس آنلاین: https://kns.cnki.net/kcms/detail/detail.aspx?FileName=ZGDQ201906001191&DbName=CPFD2019 (در 8 نوامبر 2022 قابل دسترسی است).
  29. وانگ، جی. ژانگ، ایکس. هائو، جی. تحقیق توابع مربع گائو، Z. با استفاده از داده های POI: مطالعه موردی منطقه چنگ گوان، شهر لانژو. جی. ژئومات. 2021 ، 46 ، 103-106. [ Google Scholar ]
  30. وو، تی. Tang, Z. تقسیم و شناسایی مناطق عملکردی شهری بر اساس POI منطقه شهری اصلی Quanzhou را به عنوان مثال در نظر بگیرید. J. Liaoning Univ. (Nat. Sci. Ed.) 2021 , 48 , 28-37. [ Google Scholar ]
  31. وانگ، ایکس. چن، جی. پی، تی. آهنگ، سی. لیو، ی. شو، اچ. گوا، اس. چن، X. I-شاخص برای تعیین کمیت غیر قابل تعویض یک مکان شهری. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 90 ، 101711. [ Google Scholar ] [ CrossRef ]
  32. هوانگ، دبلیو. کوی، ال. چن، ام. ژانگ، دی. یائو، ی. برآورد توزیع‌های عملکردی شهری با تعبیه POI حفظ شده معناشناسی. بین المللی جی. جئوگر. Inf. علمی 2022 ، 36 ، 1905-1930. [ Google Scholar ] [ CrossRef ]
  33. لیو، دبلیو. لیو، کیو. دنگ، م. کای، جی. یانگ، جی. کشف الگوهای هم‌مکانی منطقه‌ای از نظر آماری معنی‌دار در شبکه‌های جاده‌ای شهری. بین المللی جی. جئوگر. Inf. علمی 2022 ، 36 ، 749-772. [ Google Scholar ] [ CrossRef ]
  34. جیائو، ال. دونگ، T. قانون معکوس S شکل توزیع تراکم زمین شهری و کاربردهای آن. جی. ژئومات. 2018 ، 43 ، 8-16. [ Google Scholar ] [ CrossRef ]
  35. لان، تی. یو، م. خو، ز. Wu, Y. ویژگی‌های تغییرات زمانی و مکانی تسهیلات پذیرایی بر اساس داده‌های POI: مطالعه موردی در جاده کمربندی 5 در پکن. Procedia Comput. علمی 2018 ، 131 ، 1260-1268. [ Google Scholar ] [ CrossRef ]
  36. بلکاسترو، ال. کچادی، MT; ماروزو، اف. پاستور، ال. تالیا، د. Trunfio, P. استخراج موازی مناطق مورد علاقه از داده های رسانه های اجتماعی. موافق محاسبه کنید. تمرین کنید. کارشناس 2021 , 33 , e5638. [ Google Scholar ] [ CrossRef ]
  37. یانگ، جی. یی، دی. کیائو، بی. ژانگ، جی. ویژگی‌های تغییر مکانی-زمانی شبکه‌های تعاملی فضایی: مطالعه موردی در جاده کمربندی ششم پکن، چین. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 273. [ Google Scholar ] [ CrossRef ]
  38. کیان، جی. لیو، ز. دو، ی. لیانگ، اف. یی، جی. ما، تی. Pei, T. عملکردهای پویا سطح شهر را در سراسر چین با استفاده از رسانه های اجتماعی و داده های POI تعیین کنید. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 85 ، 101552. [ Google Scholar ] [ CrossRef ]
  39. شاه، تی. بل، اس. بررسی تغییرات درون شهری در رابطه بین دسترسی جغرافیایی به خدمات PHC و عوامل اجتماعی و جمعیت شناختی. در مجموعه مقالات HealthGIS 2013—دومین کارگاه بین المللی SIGSPATIAL در مورد استفاده از GIS در بهداشت عمومی، اورلاندو، فلوریدا، ایالات متحده آمریکا، 5 نوامبر 2013. [ Google Scholar ]
  40. وانگ، بی. لی، ی. ژو، دی. لیو، جی. وی، سی. تشریح ارتباطات فضایی و زمانی بین محیط ساخته شده و شادابی شهری: موردی از شهر گوانگژو، چین. چانه. Geogr. علمی 2022 ، 32 ، 480-492. [ Google Scholar ] [ CrossRef ]
  41. پژوهشکده سیستم های زیست محیطی. یک تور سریع از منابع ابزار ژئوپردازش. [EB/OL]. در دسترس به صورت آنلاین: https://desktop.arcgis.com/zh-cn/arcmap/10.3/main/tools/a-quick-tour-of-geoprocessing-tool-references.html (در 11 ژوئیه 2021 قابل دسترسی است).
  42. راهنمای/راهنمای کاربر دسکتاپ QGIS. [EB/OL]. در دسترس آنلاین: https://docs.qgis.org/testing/en/docs/user_manual/processing_algs/qgis/vectoranalysis.html#id16 (در 11 ژوئیه 2021 قابل دسترسی است).
Ijgi 11 00559 g001 550
شکل 1. منطقه مطالعه.
Ijgi 11 00559 g002 550
شکل 2. نمودارهای جریان تجزیه و تحلیل.
Ijgi 11 00559 g003 550
شکل 3. بیضی انحراف معیار شهر هانگژو و نواحی آن.
Ijgi 11 00559 g004 550
شکل 4. تجزیه و تحلیل نقاط داغ.
Ijgi 11 00559 g005a 550 Ijgi 11 00559 g005b 550
شکل 5. توزیع چهار نوع غذا (KFC ( a )، مک دونالد ( b )، لانژو رامن ( c )، اسنک شاکسیان ( d )).
Ijgi 11 00559 g006 550
شکل 6. نمودار خطی ( a ) و نمودار پراکندگی چگالی ( b ) POIهای چهار نوع غذا. منحنی برازش تابع S معکوس چگالی POI چهار نوع غذا ( c ).
Ijgi 11 00559 g007a 550 Ijgi 11 00559 g007b 550
شکل 7. نمایه موران باینری و نقشه خوشه بندی LISA دو متغیره KFC ( a ) و مک دونالد و ( b ) Lanzhou Ramen ( c ) و Snacks Shaxian ( d ).
Ijgi 11 00559 g008 550
شکل 8. توزیع فاصله KFC در اطراف مک دونالد ( a ) و توزیع فاصله مک دونالد در اطراف KFC ( b ). توزیع فاصله ای لانژو رامن در اطراف اسنک های شاکسی ( ج ) و اسنک های شاکسی در اطراف لانژو رامن ( د ).
Ijgi 11 00559 g009 550
شکل 9. GCLQهای مک دونالد جذب شده توسط KFC ( a ) و KFC جذب شده توسط مک دونالد ( b )، و اسنک های Shaxian جذب شده توسط Lanzhou Ramen ( c ) و Lanzhou Ramen جذب شده توسط Shaxian Snacks ( d ).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید