EN中文

Economic geography >

2019 , Vol. 39 >Issue 3: 143 - 151

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.03.017

Spatial and Temporal Evolution Characteristics and Influencing Factors of Restaurants in Guangzhou

  • ZENG Xuan ,
  • CUI Haishan , ※ ,
  • LIU Zhigen
Expand
  • School of Geographic Science，Guangzhou University，Guangzhou 510006，Guangdong，China

Received date: 2018-05-16

  Revised date: 2018-12-15

  Online published: 2025-04-29

Fold

Abstract

Knowing the spatial and temporal variation and distribution characteristics of the catering industry is of great significance to urban economic development, business management and decision-making. Based on the POI data of Guangzhou restaurants in 2014 and 2017, the spatial and temporal evolution and agglomeration characteristics of urban restaurant are analyzed with GIS spatial analysis method, and the influencing factors of its distribution are discussed. The results showed that: 1) In 2014-2017, spatial distribution pattern of the restaurants in Guangzhou varied from "dual core" to "multi core", which had significant spatial concentration characteristics. 2) There are spatial differences in different types of restaurants in 2014-2017. Cantonese cuisine restaurants occupy the dominant position, high density agglomeration areas are increasing, Sichuan and Hunan cuisine restaurants have little change, the agglomeration range of fast- food restaurants and foreign restaurants is expanding, and the agglomeration areas of northeastern restaurants are reduced. 3) The influence degree of the traffic station, residential area, the commercial center, the industrial park and the land price on the distribution of the restaurant is different. The restaurant has a higher correlation with the traffic station, residential area and the commercial center and there are more agglomeration in the areas of middle and high grade land price. Therefore, in the process of urban development, location selection and development planning of catering industry should integrate geographical and human factors. The research results can provide reference for the development planning and optimization management of urban catering industry.

Key words： catering industry; restaurant; traffic station; benchmark land price; land for commercial services; agglomeration; Guangzhou

Cite this article

ZENG Xuan , CUI Haishan , LIU Zhigen . Spatial and Temporal Evolution Characteristics and Influencing Factors of Restaurants in Guangzhou[J]. Economic geography, 2019 , 39(3) : 143 -151 . DOI: 10.15957/j.cnki.jjdl.2019.03.017

随着中国经济的快速增长，城市化进程不断加快，餐饮业作为城市商业服务的重要组成部分，对促进我国国民经济增长的作用越来越显著。研究餐饮业时空演变规律和分布特征，对城市的经济发展、商业管理和辅助决策具有重要意义。国外学者对商业区位关注较早，在商业区位特征、空间分布模式、商业选址等方面取得了大量的理论和实证性研究成果[1⇓⇓⇓-5]，如克里斯泰勒的中心地理论、莱利的零售引力模型、阿隆索的竞租理论、加纳的商业中心空间模式、道逊的消费者行为理论及胡夫的商业网点选址模型等，为本文餐饮业的研究提供较好的理论基础。Girish Prayag等通过GIS技术结合中心地理论、空间相互作用理论、最小差异化原则等零售业理论评估了汉密尔顿在12年期间（1996—2008年）的餐厅位置分布特征及其演变规律[6]。21世纪，国内学者开始关注城市餐饮口味、饮食文化的地域差异特性和景观空间特征的研究[7⇓-9]。胡志毅、袁小红等学者对城市大型饭店和星级酒店的空间分布模式进行研究，为城市商业布局选址提供参考[10-11]。此外，在城市餐饮业的空间分布特征、集聚机制、等级规模和影响因素方面进行了一系列相关研究[12]。赖怡琳分析了广州市餐饮产业集群的空间分布特征，包括空间网络结构、分布态势、城市机理、开发形式等，为广州市城市餐饮产业集群的总体规划提供可参考的战略措施[13]；邬伦等采用网络K函数法，对香港岛餐饮业空间格局分布规律进行研究，并对不同尺度下餐饮店区位选址和空间分布规律进行探索与分析[14]；方嘉雯基于行为主义视角，通过实地访谈，分析了韩国餐饮业的商业空间布局特点及其集聚机制，研究表明，北京市五道口地区韩国餐饮供应与消费的商业空间正在形成组团式空间分布格局[15]；杨帆等通过DBSCAN空间聚类算法识别广州市餐饮点的集群特征，其在空间特征上呈现以天河南集群为主中心、以北京路及江南西两个集群为副中心的“一主两副”空间格局[16]；秦萧等运用大众点评网消费者对餐饮商家的点评数据，对南京市餐饮业的空间分布格局进行核密度分析及综合评价，研究发现，南京市城市中心的餐饮店呈现显著的“金字塔”形状，整体上大致表现为服务质量圈层递减或沿交通线路轴向扩展特征[17]。目前，学者对城市餐饮业的发展越来越关注，相关研究成果也较多，但针对不同类型餐饮店的时空变化、分布特征及影响因素还需深入研究。兴趣点（Points of Interest，POI）是一种新的空间数据源，在城市地理研究中被广泛应用，同时为城市餐饮业的研究提供新的数据源。基于此，本文以2014、2017年广州市区的餐饮店POI数据为研究对象，分析不同类型餐饮店的时空演变规律与空间集聚特征，并探讨其布局的影响因素。在粤港澳大湾区建设背景下，以期为广州市餐饮业的发展规划、空间布局和管理优化提供参考依据。

1 数据源与研究方法

1.1 研究区与数据来源

广州市位于广东省中南部（22°26′N~23°56′N，112°57′E~114°03′E），地处亚热带沿海，属海洋性亚热带季风气候，管辖的总面积7 434 km2，人口1 449.84万（2017年）。广州位列中国十大美食之都，地域特征鲜明的南北饮食文化在广州类型各异，规模不一，具有“食在广州”的美誉。2017年，广州市社会消费品零售总额9 402.6亿元，同比增长8%，其中批发零售业、住宿餐饮业分别增长8.3%和5.8%，餐饮业的产值在广州市的整体经济发展中起着重要的作用，为确保广州市的餐饮业能朝着更好的方向继续发展，对于其空间格局和影响因素的研究十分的必要。本文选择广州市区（包括越秀区、天河区、荔湾区、海珠区、白云区、黄浦区六区）为研究区域。
通过高德地图开放的API爬取并筛选研究区POI数据，获取2014年广州市区餐饮店50 514个，2017年餐饮店100 940个，进一步得到粤菜、湘菜、川菜、东北菜、快餐厅、外国餐厅等餐饮店数据，并获取2017年公交站点4 208个，写字楼3 647个，居民区5 579个，工业园286个。利用广州市国土资源和规划委员会公布的2017年国有建设用地使用权基准地价结果，数字化得到广州市商服用地的基准地价分布图。

1.2 研究方法

1.2.1 全局空间自相关

空间自相关用于描述空间对象之间的关联程度，引入全局空间自相关统计量Moran’s I指数对研究对象的空间分布进行度量，可以从全局宏观层面上分析城市餐饮店之间的空间集聚和离散程度[18-19]。公式如下：
I = n ∑ i = 1 n ∑ j = 1 n w i , j z i z j ∑ i = 1 n ∑ j = 1 n w i , j ∑ i = 1 n z i 2
式中：zi、zj为要素xi、xj与要素均值 x -的差值；wij为空间权重；n为所有要素的数量。Moran’s I指数一般取值-1~1之间，在显著水平下，当I<0时，表示空间负相关，I>0时为空间正相关，I=0代表空间不相关，I值越大表示集聚程度越强。

1.2.2 标准差椭圆法

标准差椭圆（Standard Deviational Ellipse，SDE）是分析点数据集空间分布特征的常用方法之一，它以椭圆中心、长短轴、方位角为基本参数，主要用于定量描述城市餐饮店的整体空间分布特征，同时也可用来描述其空间分布的集聚程度、分布方向及集聚重心[20-21]。计算公式如下：
t a n θ = ∑ i = 1 n x i - x - 2 - ∑ i = 1 n y i - y - 2 +                                                                                                               ∑ i = 1 n x i - x - 2 - ∑ i = 1 n y i - y - 2 + 4 ∑ i = 1 n x i - x - ∑ i = 1 n y i - y - 2 2 ∑ i = 1 n ∑ i = 1 n x i - x - ∑ i = 1 n y i - y -
σ x = ∑ i = 1 n x i - x - c o s θ - y i - y - s i n θ 2 / n
σ y = ∑ i = 1 n x i - x - s i n θ - y i - y - c o s θ 2 / n
式中：（x1，y1），（x2，y2），…，（xn，yn）为餐饮店坐标； x -， y -分别为所有点的x坐标值和y坐标值的平均值； θ为旋转方向角； t a n θ为标准差椭圆的指向，最大标准差距离 σ x为椭圆长轴长度，最小距离 σ y为椭圆的短轴长度。

1.2.3 核密度估计法

核密度估计法（Kenel Density Esitimation）被广泛应用于点模式数据的空间集聚分析中，主要用于对随机变量的密度函数进行计算，通过估算其周围单位面积区域内餐饮店的数量，得到网络单元的核密度值。假定x1，x2，…，xn是分布密度函数为f的总体中抽取的独立同分布样本，f在点x处估计值为f（x），公式如下[22]：
f n x = 1 n h ∑ i = 1 n k x - x i h
式中： k x - x i h为核函数；h>0为带宽； x - x i为估计点x到xi处的距离。

1.2.4 平均最近邻距离

平均最近邻距离可判定同类要素之间的平均距离，并根据实测平均最近邻距离值（di）与期望平均最近邻距离值（de）的比率R判定餐饮店的空间分布特征，当R<1时，则餐饮店为集聚；当R>1时，为分散分布；R越小，集聚程度越大[23-24]。该比率R公式如下：
R = d i / d e
式中：最近邻距离的期望值de可通过如下公式计算：
d e = 1 2 N / A
式中：N为餐饮店的数量；A为城市的面积。

2 结果与分析

2.1 餐饮店时空集聚特征变化

对2014和2017年广州市区餐饮店进行全局空间自相关分析，得出其空间分布特征（表1）。发现Moran’s I指数均为正值，分别为0.1234与0.1960，说明其呈现空间正相关关系，且Z得分均大于2.58，P值小于0.01，达到99%的置信水平，产生随机模式的可能性小于1%，表明2014、2017年餐饮店都具有显著的空间集聚特征。
表1 2014、2017年餐饮店空间自相关分析结果

Tab.1 Results of the space autocorrelation analysis of restaurant in 2014 and 2017

年份 Moran’s I指数 Z得分 P值
2014 0.1234 9.35 0.00
2017 0.1960 14.68 0.00
从标准差椭圆分析结果可以看出，2014—2017年广州市区餐饮店总体呈现相对集中分布态势，但也存在差异性（图1，表2）。从其集聚程度上看，2014年餐饮店的椭圆面积较小，意味着其集聚程度较强，而2017年标准差椭圆生成的面积增大，说明餐饮店分布呈现不断向外扩散的趋势。从其集聚重心上看，2014、2017年餐饮店重心分布在天河区沙河街道、沙东街道内，说明餐饮店主要以天河区为中心的集聚分布。从其分布方向上看，椭圆旋转角度由115°变化到112°，重心沿东北方向移动了1 336.7m，说明2014—2017年广州市区餐饮店整体的发展方向朝东北走向。
图1 2014、2017年餐饮点标准差椭圆分析结果

Fig.1 Standard deviation ellipse of restaurant in 2014 and 2017

表2 2014、2017年餐饮店标准差椭圆分析结果

Tab.2 Results of standard deviation ellipse of restaurant in 2014 and 2017

2014 2017
椭圆面积（km2） 246.557 386.077
椭圆x轴方向轴长（m） 9 866.92 11 666.87
椭圆y轴方向轴长（m） 8 535.13 10 533.97
椭圆x轴的旋转角度（°） 115 112

2.2 餐饮店时空分布特征变化

依据相关研究，核密度估计结果随着搜索半径的增大而趋于平滑[25]。选取2014和2017年广州市区餐饮店进行核密度值估算，根据研究区域尺度和不同搜索半径试验，选择搜索半径为1 500 m，得到餐饮店集聚分布结果（图2）。由图2可知，2014—2017年餐饮店的集聚程度不断增加，呈现由“双核”向“多核”的转变的空间分布模式，但总体发展不均衡，西南方向餐饮店密集，东北方向偏少，这与广州市城市发展空间结构吻合。2014年餐饮店呈现“双核”的空间结构，集聚区域主要分布在越秀区北京路、天河区天河南商圈到石碑附近，白云区京溪步行街、荔湾区上下九一带、海珠区江南西商圈次之。其中，越秀区北京路一带是广州市传统的商业中心区；天河区的天河南商圈，拥有正佳广场、时代广场、天河城等大型购物中心，是目前广州最大的商圈。2017年的餐饮店集聚区域不断增多，呈现“多核”的空间结构并向外递减的空间格局特征，主要分布在天河南商圈、北京路、上下九，江南西商圈和石牌、棠下等城中村附近，另外京溪商业中心、体育西路、龙洞等地分布次之。
图2 2014、2017年餐饮店的密度值结果图

Fig.2 Density value of the restaurant in 2014 and 2017

2.3 各类餐饮店时空分布特征变化

进一步对各类餐饮店的时空分布特征进行探讨。本文选取2014和2017年粤菜馆、川菜馆、湘菜馆、快餐厅、外国餐厅、东北菜馆这六类餐饮店进行核密度分析，搜索半径为1 500 m，得到各类餐饮店时空分布特征。如图3所示，2014—2017年，不同的餐饮类型在不同区域的集聚程度不同，存在空间差异性特征。粤菜馆高密度集聚区呈现增多的趋势，2014年粤菜馆主要集聚在越秀区的北京路、中山五路一带，越秀区的龙津路、人民中路和天河区的天河路、珠江新城、石牌岗顶分布次之；2017年在天河区高德置地广场、花城汇、珠江新城、天河南商圈新增高密度集聚区，在海珠区江南西商圈、白云区京溪步行街发展迅速。2014—2017年湘菜馆、川菜馆的发展变化较小，湘菜馆集中分布在棠下、车陂、黄村、京溪、嘉禾望岗、江夏等地，川菜馆的集聚区分布在白云区小坪中路、大埔南。2014—2017年外国餐厅的高密度集聚区不断增多，2014年集中分布在天河区天河南正佳广场、万菱汇等商业中心，2017年在珠江新城、花城汇、北京路、建设路、江南西商圈新增高密度集聚区。2014—2017年快餐厅的高密度集聚区也在不断增多，2014年主要为以体育西路、天河城、正佳广场为中心的高密度集聚区，2017年在上下九、棠下、车坡、龙洞等地新增高密度集聚区。2014—2017年东北菜馆的高密度集聚区不断减少，2014年集聚分布在凰岗大道、五山路、东晓南、站前路，2017年主要集聚分布在凰岗大道、站前路。
图3 2014、2017年六类菜系餐饮店密度结果图

Fig.3 Density of six types of cuisine restaurants in 2014 and 2017

2.4 各类餐饮店时空集聚特征变化

采用最邻近指数法对2014—2017年不同类型餐饮店空间分布的集聚特征进行检验（表3），发现粤菜馆、湘菜馆、川菜馆、快餐厅、外国餐厅和东北菜馆的最邻近指数R值都小于1，Z检验值均小于-2.58，在0.01显著性水平下通过检验，具有显著的聚集性。2014—2017年各类餐饮店的最邻近指数变化较小，分布特征基本保持不变。从最邻近指数来看，外国餐厅的最邻近指数最小，其空间集聚特征最显著；快餐厅的分布特征为比较集聚，粤菜馆、湘菜馆、川菜馆和东北菜馆均为一般集聚，其中，东北菜馆的最邻近指数最大，其分布相对均衡。从平均最邻近距离来看，快餐厅的平均最邻近距离最短，服务最为便利，这主要与该类型的城市职能关系密切；其次是外国餐厅，其平均最邻近距离在缩短；而东北菜馆的平均最邻近距离最长且在增加，便利性较差。综上，各类餐饮店具有显著的集聚特征，但各自存在差异，快餐厅和外国餐厅集聚特征更加强烈。
表3 2014、2017年餐饮店平均最近邻分析结果

Tab.3 Average nearest neighbor analysis of restaurants in 2014 and 2017

各类餐饮店 2014年 2017年
R值 P值 平均最近邻距离（m） Z值 分布特征 R值 P值 平均最近邻距离（m） Z值 分布特征
粤菜馆 0.5194 0.00 238.83 -33.33 一般集聚 0.5292 0.00 281.08 -32.91 一般集聚
湘菜馆 0.3500 0.00 114.23 -62.91 一般集聚 0.3319 0.00 120.76 -69.99 一般集聚
川菜馆 0.3843 0.00 146.46 -50.74 一般集聚 0.3471 0.00 146.31 -58.76 一般集聚
快餐厅 0.3267 0.00 65.01 -107.46 比较集聚 0.3216 0.00 66.51 -127.19 比较集聚
外国餐厅 0.2677 0.00 97.67 -58.17 强烈集聚 0.2675 0.00 85.76 -85.79 强烈集聚
东北菜馆 0.5839 0.00 529.04 -11.48 一般集聚 0.6149 0.00 788.83 -10.18 一般集聚

3 餐饮店空间分布影响因素分析

3.1 餐饮店与交通站点的相关分析

交通是餐饮店与消费者之间的纽带，是影响餐饮业选址的重要因素。通常交通可达性越好，越能满足消费者出行便捷的要求。为了研究2017年餐饮店与交通站点的相关性，利用ArcGIS对公交站点进行缓冲区分析，对缓冲半径进行多次试验，最后确定对公交站进行500 m缓冲区，得到分析结果（图4）。经统计分析，公交站缓冲区内共包括19 928家餐饮店，占总数的98%，其中，粤菜馆占比99%，湘菜馆占比99%，川菜馆占比98%，快餐厅占比99%，外国餐厅占比98%，东北菜馆占比97%。说明餐饮店的分布对公交站有很强的依赖性，便捷的交通对各类餐饮店的发展起到很好的促进作用。
图4 餐饮店与交通站点的相关性

Fig.4 Correlation between restaurant and bus station

3.2 餐饮店与居民区的相关分析

餐饮业对城市人口有较强的依赖性，而居民区多为人口密集区。居民区人口结构的差异，对餐饮类型的选择也不同，进而影响餐饮店的发展布局。选取居民区为影响因子分析其与2017年餐饮店分布的相关性。分别对居民区进行缓冲区半径500 m、1 000 m、1500m试验，最后确定1 000 m缓冲区范围较为理想（图5）。经统计分析，居民区缓冲区内共包括19 508家餐饮店，占总数的96%，粤菜馆占比97%，湘菜馆占比96%，川菜馆占比95%，快餐厅占比96%，外国餐厅占比98%，东北菜馆占95%，餐饮店与居民区的相关性较高，主要由于居民区内人口多，为餐饮业提供了大量的客源。
图5 餐饮店与居民区的相关性

Fig.5 Correlation between restaurant and residential areas

3.2 餐饮店与就业分布的相关分析

城市的就业分布状况对餐饮店的发展有一定促进作用，进一步分析2017年餐饮店与写字楼、工业园的相关性。分别对写字楼、工业园进行缓冲区半径试验，最后确定1 000 m缓冲区范围较为合理。经统计分析，写字楼缓冲区内共包括19 344家餐饮店（图6a），占总数的95%，其中，粤菜馆占比96%，湘菜馆占比95%，川菜馆占比94%，快餐厅占比95%，外国餐厅占比98%，东北菜馆占比93%，可见餐饮店与写字楼具有较强的相关性，写字楼对餐饮业需求量大，且分布多在城市中心，人流大。工业园缓冲区内共包括7 242家餐饮店（图6b），占总数的36%，粤菜馆占比33%，湘菜馆占比53%，川菜馆占比51%，快餐厅占比32%，外国餐厅占比23%，东北菜馆占36%，相对而言，工业园附近的餐饮店分布较少，这是由于工业园多分布在城市边缘地区，对餐饮店的发展有影响，但湘菜馆、川菜馆分布较多，反映工业园外来人口分布较多。
图6 餐饮店与写字楼（a）、工业园（b）的相关性

Fig.6 Correlation between restaurants and commercial offices，industrial parks

3.3 餐饮店与基准地价的相关分析

加纳在1996年提出的商业中心空间分布模式表明，高级别职能部分一般占据地价高的土地，而低级别职能部门占据的位置比较靠近商业中心的边缘。可知，地租是影响城市不同商业类型布局的重要因素，餐饮业布局作为城市商业布局的一种，其选址受到地价的影响。本文选取2017年广州市商服用地的基准地价作为评定标准，分析2017年餐饮店与地价之间的相关性。如图7所示，一级地价区集中在越秀区、天河区、荔湾区的中心区域，其中包括天河城、珠江新城、北京路等商圈；二级地价区范围非常广，主要集中在白云区、天河区以及海珠区，其中包括白云大道南、沙太南路、科韵路等地区；三级至八级依次向外价格递减，呈阶梯分布。经GIS地统计分析发现广州市餐饮店在二、三、四级地价区集聚，其中，粤菜馆多分布在地价较高的二、三级地价区，等级高的地区商业繁华、道路可达性较好、基础设施齐全、人流量大，且随着广州经济的繁荣发展，促使了粤菜向高档化发展，其高档餐馆较多；外国餐厅主要集聚在一、二级地区，其选址考虑消费水平，往往倾向于地价较高的核心地区；川湘菜馆分布较相似，主要集聚在三级、四级地价区，该区地价较适中，为川湘菜馆的不断发展提供可能；快餐厅在二、三级地价区较聚集，该区人口流动大，商业竞争比较激烈，人们生活节奏较快；东北菜馆在广州所占份额较少，其在二、三、四级地价分布较多些。
图7 广州市商服用地基准地价分布图

Fig.7 Distribution of benchmark land price for merchants in Guangzhou

3.4 多元线性回归模型估计

3.4.1 因素构建

根据以上论述，初步掌握了不同类型餐饮店与影响因素的相关性特征，利用多元线性回归分析进一步验证它们之间的相关性。选取粤菜馆、湘菜馆、川菜馆、快餐厅、外国餐厅、东北菜馆为因变量，公交站点、居民区、写字楼、工业园为自变量。将不同类型餐饮店与不同影响因素进行格网化处理，为多元线性回归分析提供归一化的数据基础。未对餐饮店与地价进行回归分析，主要是由于地价来源于统计数据，样本较少。

3.4.2 估计结果

经多元线性回归分析得到估计结果（表5）。粤菜馆、湘菜馆、川菜馆、快餐厅、外国餐厅、东北菜馆回归模型调整后拟合度分别为0.906、0.914、0.898、0.894、0.886、0.853，表明回归模型拟合效果较好。通过对模型进行F检验，各个模型均通过了1%显著性水平，说明整体是显著的。大部分变量的回归系数都过了T检验，这表明影响因素对不同类型餐饮店的解释是有意义的。
表4 餐饮店在不同地价等级分布情况

Tab.4 Distribution of restaurants in different land prices

地价等级 级别价（元/m2建筑面积） 粤菜馆 川菜馆 湘菜馆 快餐厅 外国餐厅 东北菜馆
一级 33 186 175 119 106 1 197 915 14
二级 26 599 330 316 421 2 392 1 410 48
三级 19 286 367 697 915 2 757 806 52
四级 15 101 208 421 588 1 392 290 34
五级 10 253 138 365 531 927 180 18
六级 7 029 36 127 166 212 21 8
七级 4 424 53 92 166 452 87 13
八级 3 144 10 27 42 25 30 1

注：地价数据来源广州市国土资源和规划委员会（http://www.gz.gov.cn/gzupojg/tzgg/201801/5dd6eebbe4af47da97383047261a96e3.shtml）。

表5 广州市餐饮店多元线性回归分析模型估计结果

Tab.5 Estimation results of multiple linear regression analysis model of restaurants in Guangzhou

变量 粤菜馆 湘菜馆 川菜馆 快餐厅 外国餐厅 东北菜馆
公交站 0.138 0.590 0.556 1.315 0.343 0.592
居民区 0.240 0.169 0.069 -0.513 0.190 -0.103
写字楼 0.102 0.357 0.152 0.939 0.780 0.213
工业园 0.074 1.533 1.388 0.368 -0.646 -0.615
常数项 -0.013 -0.032 -0.101 -0.042 0.013 -0.010
网点数 1336 2999 2214 9696 3748 192
Adj.R2 0.906 0.914 0.898 0.894 0.886 0.853
F检验 6 390.957 1 275.586 2 284.872 5 921.309 3 432.472 837.502
P值 0.000 0.000 0.000 0.000 0.000 0.000
从多元回归估计结果来看，六类菜系都受公交站分布的影响，其中快餐厅受其影响最大；粤菜馆受住宅区分布的影响较大；湘菜馆、川菜馆受工业园分布的影响较大；外国餐厅、快餐厅受写字楼的分布影响较大。从各类餐饮回归模型来看，粤菜馆的回归模型中，公交站、工业园、居民区、写字楼变量系数均为正值，其中最显著的是居民区，表明粤菜馆倾向于分布在居民区附近。湘菜馆、川菜馆的回归模型中，公交站、工业园、居民区、写字楼变量系数为正值，其中工业园的影响系数最大，表明其偏向于分布在工业园附近。快餐厅的回归模型中，公交站、工业园、商务写字楼的系数为正值，而居民区变量的系数为负值，最显著的是公交站点，说明快餐厅的分布倾向于交通通达性较好的地区。外国餐厅的回归模型中，公交站、写字楼、居民区的系数为正值，而工业园为负值，最显著的为写字楼，说明外国餐厅偏向于分布在城市中心，交通便利、人流量大的地区。东北菜馆的回归模型中，公交站、写字楼的系数为正值，而工业园、居民区的系数为负值，说明其分布受交通、写字楼的影响。

4 结论与讨论

本文利用2014、2017年广州市区餐饮店POI数据，运用GIS空间分析法对整体餐饮店和六类餐饮店的时空演变及集聚特征进行探讨，并选取交通站点、居民区、写字楼、工业园、基准地价等因子分析其与餐饮店分布的相关性，结论如下：
①由全局空间自相关分析得到，2014—2017年广州市区餐饮店具有显著的空间集聚特征。由标准差椭圆分析得知，2014—2017年广州市区餐饮店呈现向东北方向扩散的趋势，且2014年餐饮店集聚程度更强。
②由核密度估计分析得到，2014—2017年餐饮店总体呈现由“双核”向“多核”的转变的空间分布模式，且集聚程度不断增加，但存在发展不均衡。此外，不同类型的餐饮店存在空间差异性特征。粤菜馆占主导地位，高密度集聚区增多，川、湘菜馆的发展变化较小，快餐厅和外国餐厅的集聚范围不断扩大，东北菜馆的集聚区减少。由平均最近邻距离分析得到，各类餐饮店具有显著的集聚特征，分布特征基本不变，但存在一定差异性，快餐厅和外国餐厅集聚特征更强。
③选取公交站点、居民区、写字楼、工业园、基准地价为影响因子探究餐饮店与它们之间的相关性。发现餐饮店的分布与公交站点、写字楼、居民区的相关性较强，与工业园的相关性较弱。其中，粤菜馆分布受居民区的影响最大，湘菜馆、川菜馆受工业园分布的影响最大，快餐厅、东北菜馆受公交站点的分布影响最大，外国餐厅受写字楼的分布影响最大。此外，餐饮店在中高等级地价区集聚，主要是这些地区商业繁华、道路可达性高、人口密度大，有利于餐饮业的发展。
随着大数据时代的到来，通过网络技术获取POI数据更加便捷，挖掘这些海量数据形成有价值的信息，对于促进城市管理与规划具有重要意义。广州餐饮业主要集聚在天河区、越秀区、荔湾区，而在白云区、黄埔区和海珠区的发展空间潜力大。其次，餐饮店与交通站点、写字楼、居民区的相关性较强，与工业园的相关性较弱，且在中高等级地价区集聚较多。因此，在城市发展进程中，餐饮业区位选址及发展规划应该综合地理因素和人为因素。本研究成果为其他类型服务设施点时空变化和集群的识别研究提供参考。另一方面，本文研究还存在待完善之处，如结合餐饮店的档次规模、口碑评价、人均消费等信息，对各类餐饮店风味特色、时空可达性、优化选址等进行深入的研究，更全面地挖掘城市餐饮特征与价值，探讨人类活动与餐饮集群的空间关联等，这些将有待进一步研究完善。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Potter R B. The urban retailing system: location,cognition, and behaviour[M]. Aldershot:Gower,1982.

[2]
Ruoh‐Nan Yan, Eckman M. Are lifestyle centres unique?Con-sumers' perceptions across locations[J]. International Journal of Retail & Distribution Management, 2009, 37(1):24-42.

[3]
Ghosh A, Craig C S. A Location Allocation Model for Facility Planning in a Competitive Environment[J]. Geographical Analysis, 2010, 16(1):39-51.

[4]
Huff D. A probability analysis of shopping center trading areas[J]. Land Economics, 1963, 39(1):81-90.

[5]
Black W. Retail Geography[J]. Economic Geography, 1982, 58(3):303-304.

[6]
Prayag G, Landré M, Ryan C. Restaurant location in Hamilton,New Zealand:clustering patterns from 1996 to 2008[J]. International Journal of Contemporary Hospitality Management, 2012, 24(3):430-450.

[7]
陈传康. 中国饮食文化的区域分化和发展趋势[J]. 地理学报, 1994, 49(3):226-235.

DOI

[8]
蓝勇. 中国饮食辛辣口味的地理分布及其成因研究[J]. 地理研究, 2001, 20(2):229-237.

[9]
蔡晓梅, 甘巧林, 张朝枝. 广州饮食文化景观的空间特征及其形成机理分析[J]. 社会科学家, 2004(2):95-98.

[10]
胡志毅, 张兆干. 城市饭店的空间布局分析——以南京市为例[J]. 经济地理, 2002, 22(1):106-110.

[11]
袁小红, 毛端谦, 刘婕. 城市星级饭店空间分布模式分析——以南昌市为例[J]. 江西师范大学学报:自然科学版, 2010, 34(3):325-330.

[12]
程易易. 成都市中心区餐饮业空间结构及影响因素研究[D]. 成都: 西南交通大学, 2017.

[13]
赖怡琳. 广州市城市餐饮产业集群规划设计研究[D]. 广州: 华南理工大学, 2012.

[14]
邬伦, 刘亮, 田原, 等. 基于网络K函数法的地理对象分布模式分析——以香港岛餐饮业空间格局为例[J]. 地理与地理信息科学, 2013, 29(5):7-11.

[15]
方嘉雯. 北京五道口地区韩国餐饮业空间布局特征与集聚机理分析[J]. 经济地理, 2014, 34(12):106-113.

[16]
杨帆, 徐建刚, 周亮. 基于DBSCAN空间聚类的广州市区餐饮集群识别及空间特征分析[J]. 经济地理, 2016, 36(10):110-116.

[17]
秦萧, 甄峰, 朱寿佳, 等. 基于网络口碑度的南京城区餐饮业空间分布格局研究——以大众点评网为例[J]. 地理科学, 2014, 34(7):810-817.

[18]
Cliff A, Ord J K. Spatial Processes:Models and Application[M]. London:Pion,1981.

[19]
陈刚强, 李郇, 许学强. 中国城市人口的空间集聚特征与规律分析[J]. 地理学报, 2008, 63(10):1045-1 054.

[20]
车冰清, 简晓彬, 陆玉麒. 江苏省商业网点的空间分布特征及其区域差异因素[J]. 地球信息科学学报, 2017, 19(8):1060-1 068.

[21]
王茂军, 张学霞, 吴骏毅, 等. 社区尺度认知地图扭曲的空间分析——基于首师大和北林大的个案研究[J]. 人文地理, 2009, 24(3):54-60.

[22]
张珣, 钟耳顺, 张小虎, 等. 2004—2008年北京城区商业网点空间分布与集聚特征[J]. 地理科学进展, 2013, 32(8):1207-1 215.

[23]
王洋, 杨忍, 李强, 等. 广州市银行业的空间布局特征与模式[J]. 地理科学, 2016, 36(5):742-750.

DOI

[24]
李阳, 陈晓红. 哈尔滨市商业中心时空演变与空间集聚特征研究[J]. 地理研究, 2017, 36(7):1377-1 385.

[25]
Okabe A, Satoh T, Sugihara K. A kernel density estimation method for networks,its computational method and a GIS-based tool[J]. International Journal of Geographical Information Science, 2009, 23(1):7-32.

Options
Outlines

/

〈 〉