基于POI数据的后疫情时代下南昌市商业空间分布演变分析

王炳坤 陈志平

（东华理工大学 测绘与空间信息工程学院，江西 南昌 330013）

［摘 要］ 2019年新型冠状病毒（COVID-19）疫情暴发后，至2021年疫情进入常态化防控阶段，城市商业发展受疫情防控措施显著影响。本文基于兴趣点（POI）数据，运用核密度估计、地理探测器等方法，探究后疫情时代南昌市商业空间分布的演变特征。研究结果表明：2021年南昌市商业各业态聚集度均呈下降趋势，核心商业街道活力明显衰减；企业类POI数量降幅约11%，商业住宅类POI权重由0.64提升至0.69；传统商业热点区域影响力弱化，城市范围内涌现出新兴小型商业热点；商业空间布局整体呈现向居住功能区靠拢的特征。本文揭示了疫情防控背景下城市商业空间的演变规律，可为南昌市商业各业态的恢复振兴与布局优化提供参考依据。

［关键词］ 兴趣点（POI）；商业空间；新型冠状病毒（COVID-19）疫情；南昌

0 引言

极端天气、疫情等自然灾害的频繁发生，对城市的商业环境造成不同程度的影响，而城市商业在面对自然灾害的空间分布演变以及抗风险能力直接体现了城市韧性。掌握城市商业空间分布与演变特征，对城市规划、商业活动空间开发都有着重要意义［1-3］。因此，对城市商业在应对大型灾害事件后商业分布及其业态演变研究有助于为城市规划、商业活动空间开发及政府调控提供参考，提高城市韧性。

文献［4-5］基于地理探测器在时间跨度下对城市商业各类别POI进行分析，探究各商业类别对深圳市总体商业空间的解释力。文献［6-8］以城市洪涝、雾霾等典型自然灾害为研究对象，围绕灾害后的社会反响展开分析，探究其对城市韧性提升的作用机制与实施路径。但在已有研究中，缺乏从商业空间分布以及演变的角度来对城市经历大型公共事件的抗风险能力，以及针对类似新型冠状病毒（corona virus disease 2019，COVID-19）疫情的大型公共事件的城市规划合理性的分析。从商业空间分布及演变的角度看，城市面临大型公共事件时的抗风险能力，以及承受灾害后城市的商业业态演变，都是评价城市韧性的重要指标。因此，研究后疫情时代城市商业的演变，既可以评价城市韧性，又可以为城市规划及商业空间活动提供参考。

现代社会，互联网技术与手机等通信设备的普及，催生了以手机信令数据、网络点评数据、社交平台签到数据、兴趣点（point of interest， POI）数据及公交地铁刷卡数据等为代表的众源地理数据。此类数据具备数据量大、成本低廉、信息丰富、现势性强等特征，已在多个研究领域发挥重要作用［9-12］。

其中，基于POI数据识别城市商业中心，已有众多学者进行了研究，部分学者通过核密度等方法分析该城市的商业空间现状［13-17］，也有学者结合夜间灯光遥感数据、大众点评数据［18-19］等其他数据，识别分布异常或进一步细化商业中心；还有学者利用地理探测器［20-21］、有序多分类逻辑斯谛（logistic）回归等方法［22-24］对商业分布影响因素做进一步研究。基于POI数据易获取，数据量大和精度可靠等特点，本文选用POI数据来研究城市商业空间分布及演变，并以南昌市作为研究对象，分析2021年南昌市的商业空间，并与2019年商业对比，探究南昌市在受疫情影响后的2021年商业分布状态，最后通过对街道活力以及地理探测器方法，研究2019—2021年的商业空间分异变化，旨在以南昌市为例，探讨COVID-19疫情对城市商业空间分布的影响及城市商业业态演变规律，为疫情后商业分布和提高城市韧性的城市规划提供参考。

1 数据与方法

1.1 研究区域

南昌市是江西省省会，是江西省的政治、经济、文化、科教和交通中心，也是中国华东地区重要的中心城市之一、长江中游城市群中心城市之一。辖6个市辖区、3个县，具有一定的代表性。获取到南昌市2020年行政区划数据（http：//www.ngcc.cn/ngcc）以及南昌市2021年路网数据（https：//www.openhistoricalmap.org）。

1.2 数据介绍

POI主要指一切能够被抽象为点的地理实物，特别是为人们生产生活服务的各项服务设施。本文获取的南昌市POI数据获取自高德地图开放平台，获取时间分别为2019年12月与2021年7月。为尽量保证数据的完备性与准确性，分别对与商业相关的18个大类（餐饮服务、生活服务、公司企业、住宿服务、体育休闲服务、公共设施、交通设施服务、医疗保健服务、商业住宅、政府机构及社会团体、汽车服务、汽车销售、科教文化服务、购物服务、金融保险行业、风景名胜、汽车维修、摩托车服务）三个级别的标签依次获取，并对获取的数据进行异常值处理、坐标转换、去重、重分类等操作将数据重新分为八个类别，如表1所示。

表1 南昌市POI研究数据统计表

1.3 主要研究方法

1）平均最近邻分析。该方法通过计算其最近邻比率R以判定点要素的空间分布模式（集聚、随机或离散），公式为

式中，为实际最近邻距离均值；为随机分布下的理论期望距离。当R≤1时表示集聚，R>1时表示离散。

2）标准差椭圆。通过构建一个标准差椭圆来综合描述点数据集的空间中心、范围与主导方向，其椭圆参数由点的均值和标准差定义。

3）核密度估计。核密度估计用于生成连续的密度面，反映点要素对周围空间的服务影响及距离衰减效应［25］。给定带宽h和核函数K，在位置s的密度估计为

式中，为核密度；n为点数；si为第i个样本点的位置。

4）地理探测器。地理探测器用于量化自变量对因变量空间分异的解释力。将研究区按某因子分层（L个子区），令第i层样本数为Ni、方差为，总体样本数与方差分别为N与σ2。因子对因变量的解释力由q统计量衡量，公式为

式中，μi、μ分别为第i层与总体均值。q∈[0， 1]，q值越大，表明解释力越强。对q值进行置信检验以获得p值，从而判断解释力的统计显著性［26］。

2 南昌市商业空间分布

2.1 商业空间分布模式分析

将南昌市2019年最近邻分析结果进行绘制后可发现，餐饮、购物以及生活服务作为最偏营利性的商业，其最近邻比率都较低，分别为0.11、0.11和0.13，分布较为聚集；而公共服务、科教文化、商业住宅、体育休闲等偏公共性的商业则分布较为分散，分别为0.23、0.27、0.25和0.27。这一分布特征符合正常的商业趋利性分布形式。相较2019年，2021年各类型商业最近邻比率都有所上升，说明各类商业的聚集程度均有所下降，如图1所示。

图1 南昌市COVID-19疫情前后最近邻比率

2.2 分布趋势

为了解子类商业空间及总商业空间在宏观分布上的异同，以及2019—2021年南昌市总商业空间在宏观分布上的变化，选择标准差椭圆法对各类别POI进行分析，见图2。可以看出，南昌市2021年子类商业空间分布基本一致，均沿“西北—东南”方向进行分布，进而汇总后的总商业空间也同样沿“西北—东南”分布，与2019年基本一致。

图2 商业方向分布

2.3 商业空间核密度估计

为进一步探究南昌市具体的商业分布，本文选择600 m作为核密度估计的搜索半径对各子类以及总体商业空间采用核密度分析进行可视化，如图3所示。将核密度估计及街道活力图聚焦到城市商业核密度结果显著区域，可以看出，南昌市各类别商业中心主要分布在东湖区、西湖区、青云谱区以及红谷滩区等地。2019—2021年，西湖区的商业中心由主要商业中心退化为次一级的商业中心，主要商业中心周围开始出现新的小型商业中心，但其具体分异并不明显。

图3 总商业核密度

2021年各子类商业空间核密度估计如图4所示，在平均最近邻中显示聚集程度最高的餐饮、购物以及生活服务等子类商业核密度，在核密度结果中均出现了两三个商业中心，其交叉中心为东湖区绳金塔、八一广场附近和红谷滩区万达附近；在平均最近邻中显示聚集程度较低的公共服务、科教文化、商业住宅、体育休闲则出现了不同，其中公共服务与科教文化类商业虽然聚集程度较低，但覆盖范围较广，在城市内无突出聚集中心，整体分布较为均匀；而商业住宅以及体育休闲类商业均出现了突出的聚集中心，其中体育休闲主要聚集在东湖区绳金塔、八一广场附近，而商业住宅主要聚集中心则在青山湖区。

图4 子类商业核密度

3 南昌市商业演变分析

3.1 街道商业活力演变分析

为具体探究商业中心内部分异，本文基于核密度结果，将道路周围500 m范围内POI连接到道路属性上，并将其进行分级以表示街道商业活力，如图5所示。街道活力分布与总体变化与核密度结果基本一致，而在主要商业聚集中心，如东湖区绳金塔附近、西湖区南昌动物园附近以及红谷滩万达附近街道商业活力均出现明显衰减，其中以西湖区南昌动物园附近衰减最为显著；而在主要商业聚集中心周围的融创、新洪城大市场等地，其街道商业活力显著增长。

图5 总商业街道活力

3.2 业态演变及影响因素分析

为了进一步探究南昌市疫情前后商业空间分布影响因子的变化，本文使用地理探测器进行因子探测，以得到子类商业空间对总商业空间的表达程度，如图6所示。可以看出，从2019年到2021年，生活服务类（由0.86至0.88）和购物类商业（由0.87至0.86）都能最大限度地代表商业空间的分布；相比之下，企业类商业空间对总商业空间的表达性较差，且从2019年到2021年后，由0.67降至0.60，对总体商业空间的表达能力越来越低；其余半数子类商业空间对总商业空间的表达程度有所上升，其中最明显的是商业住宅（由0.64提升至0.69）。

图6 因子探测器

以上结果说明，在疫情的影响下，虽然商业中心聚集程度出现了衰减，但偏营利性商业并未受到太大打击，反倒是企业无论是在数量还是商业权重方面均出现了下滑；此外，科教文化和体育休闲等旅游休闲类商业权重也出现下滑。可以看出，在疫情的影响下，商业住宅对商业分布的影响力在增加，是影响涨幅最大的商业类型。

4 结束语

本文基于2019年与2021年高德地图POI数据，结合核密度估计和地理探测器等多种空间分析方法，系统揭示了后疫情时代下南昌市商业空间的分布特征与演变规律。研究发现：

1） 整体商业聚集程度较疫情前下降，但商业空间沿“西北—东南”走向的格局保持稳定。

2） 餐饮、购物与生活服务等营利性业态仍为商业空间的重要驱动；企业类POI数量下降约11%，商业住宅类权重由0.64升至0.69，反映出居住与商业功能的耦合增强。

3） 从街道活力分析可以看出，传统商业核心周边出现局部衰减的同时，也伴随若干新型小型商业中心的兴起，显示出城市商业空间在冲击下的重构与自适应能力。

本研究验证了基于POI的定量化流程在刻画城市商业演变、评估业态变化与城市韧性研究方面的有效性与可操作性。研究结果为城市规划者和政策制定者提供了针对不同业态的空间调控与支持建议，有助于实现后疫情时代的商业复苏与空间优化。

参考文献

［1］ 田代贵.中心城市的地位、作用与城市商业体制改革［J］.商业经济研究，1986（5）：12-14.

［2］ 王微.我国城市商业在扩大消费中的地位与作用［J］.中国流通经济，2005（12）：20-23.

［3］ 周春山，罗彦，尚嫣然.中国商业地理学的研究进展［J］.地理学报，2004（6）：1028-1036.

［4］ 黄婷婷，李小龙，李大军.基于POI的深圳市商业空间集聚特征及业态演变分析［J］.江西科学，2020，38（6）：909-914.

［5］ 黄婷婷.基于POI数据的深圳市商业空间分布特征及业态演变分析［D］.抚州：东华理工大学，2021.

［6］ 王波，甄峰，孙鸿鹄.基于社交媒体签到数据的城市居民暴雨洪涝响应时空分析［J］.地理科学，2020，40（9）：1543-1552.

［7］ 孙鸿鹄，甄峰.居民活动视角的城市雾霾灾害韧性评估：以南京市主城区为例［J］.地理科学，2019，39（5）：788-796.

［8］ 张庆霞.城市洪涝灾害治理的社会韧性研究［D］.兰州：兰州大学，2021.

［9］ 张媛，胡庆武.社交网络时空大数据聚类挖掘有效选择分析［J］.测绘地理信息，2020，45（2）：45-50.

［10］ 刘君.基于微博签到数据城市热点探测［J］.合作经济与科技，2019（17）：12-16.

［11］ 李江苏，梁燕，王晓蕊.基于POI数据的郑东新区服务业空间聚类研究［J］.地理研究，2018，37（1）：145-157.

［12］ 张景奇，史文宝，修春亮.POI数据在中国城市研究中的应用［J］.地理科学，2021，41（1）：140-148.

［13］ 陈浩，王诗航，顾祖毅，等.基于POI数据的卷烟消费者行为研究［J］.科技和产业，2019，19（1）：76-80.

［14］ 湛东升，孟斌.基于社会属性的北京市居民居住与就业空间集聚特征［J］.地理学报，2013，68（12）：1607-1618.

［15］ 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（1）：66-71.

［16］ 魏中宇，苏惠敏，黄荣静.基于POI数据西安市商业集聚特征分析［J］.西南大学学报（自然科学版），2020，42（4）：97-104.

［17］ 吴康敏，张虹鸥，王洋，等.广州市多类型商业中心识别与空间模式［J］.地理科学进展，2016，35（8）：963-974.

［18］ 程朋根，韩佳宇，吴静，等.基于多源数据的城市休闲旅游空间特征及时空演变分析：以南昌市为例［J］.桂林理工大学学报，2021，41（2）：362-369.

［19］ 陈洪星，杨德刚，李江月，等.大数据视角下的商业中心和热点区分布特征及其影响因素分析：以乌鲁木齐主城区为例［J］.地理科学进展，2020，39（5）：738-750.

［20］ 赵宏波，余涤非，苗长虹，等.基于POI数据的郑州市文化设施的区位布局特征与影响因素研究［J］.地理科学，2018，38（9）：1525-1534.

［21］ 王士君，浩飞龙，姜丽丽.长春市大型商业网点的区位特征及其影响因素［J］.地理学报，2015，70（6）：893-905.

［22］ 浩飞龙，王士君，冯章献，等.基于POI数据的长春市商业空间格局及行业分布［J］.地理研究，2018，37（2）：366-378.

［23］ 闫丽英，韩会然，陈婉婧，等.北京市住宿业空间分布格局及影响因素研究［J］.经济地理，2014，34（1）：94-101.

［24］ 张小英，巫细波.广州购物中心时空演变及对城市商业空间结构的影响研究［J］.地理科学，2016，36（2）：231-238.

［25］ 禹文豪，艾廷华，杨敏，等.利用核密度与空间自相关进行城市设施兴趣点分布热点探测［J］.武汉大学学报（信息科学版），2016，41（2）：221-227.

［26］ 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.

Analysis of commercial space distribution evolution in Nanchang City in post-pandemic era based on POI data

WANG Bingkun，CHEN Zhiping

（School of Surveying and Geoinformation Engineering， East China University of Technology， Nanchang，Jiangxi 330013， China）

Abstract： From the outbreak of coronavirus disease 2019 （COVID-19） to the transition toward routine prevention and control by 2021， urban commercial development has been markedly reshaped by pandemic prevention and control measures.Using point of interest （POI） data， this study investigated the evolution characteristics of commercial space distribution in Nanchang City during the post-pandemic era using kernel density estimation， geodetector， and other methods. The results show that the degree of clustering has declined across all commercial sectors in 2021， accompanied by a pronounced weakening of vitality along major core commercial streets. The number of enterprise-related POI has decreased by approximately 11%， whereas the weight of commercial residential POI has increased from 0.64 to 0.69. Traditional commercial hotspot areas become less influential， while new small-scale hotspots have emerged across the city. Overall， the commercial space pattern exhibits a clear tendency to shift toward residential functional areas. These findings reveal the regularities of urban commercial space evolution under pandemic prevention and control and provide a reference for the recovery and revitalization of different commercial sectors， as well as for the optimization of commercial space layout in Nanchang City.

Keywords： point of interest； commercial space； coronavirus disease 2019 （COVID-19） pandemic； Nanchang City

引文格式：王炳坤，陈志平.基于POI数据的后疫情时代下南昌市商业空间分布演变分析［J］.北京测绘，2026，40（4）：444-448.

Referenceformat: WANG Bingkun， CHEN Zhiping.Analysis of commercial space distribution evolution in Nanchang City in post-pandemic era based on POI data［J］. Beijing Surveying and Mapping，2026，40（4）：444-448.

DOI: 10.19580/j.cnki.1007-3000.2026.04.004

［中图分类号］ P258

［文献标识码］ A

［文章编号］ 1007-3000（2026）04-0444-05

［收稿日期］ 2025-10-10

［作者简介］ 王炳坤（2000—），男，河南新乡人，硕士在读，研究方向为ENSO遥相关及可预测性、时空数据挖掘。E-mail: bkwang@ecut.edu.cn