基于开放数据社区商业布局,本论文可用于布局论文范文参考下载，布局相关论文写作参考研究。
布局论文参考文献：
内容摘 要：本文利用网络开放数据及兴趣点数据,获取北京市社区商业网点的数量和空间分布形态.利用平均最近邻算法、标准差椭圆模型及核密度算法从聚集度、方向性和分布密度三个方面对北京市社区商业布局进行分析.结果表明,北京市居民区布局与商业网点布局有很强的相关性,社区商业布局聚集度较高,方向性不显著,网点布局呈多中心结构.未来应加强城市发展新区的商业服务功能,打造更加宜居的生活环境,促进社会可持续发展.
关键词：开放数据 O*数据 POI数据 社区商业 空间分析
引言
随着城市边界不断扩大,人们的日常交通成本也随之增加.为了便于社区居民生活消费,社区商业迅速地发展起来.与传统商业相比,社区商业的服务范围和规模更小,集中分布在居民区附近,是城市活力的表现形式之一.社区商业的合理布局對居民生活质量的提高,城市优化布局及经济发展发挥着重要的作用.
社区商业最早出现于20世纪50年代的美国城市.随着城市的发展,大量居民向郊区扩散,由此而产生了专门为郊区新建居住区居民服务的社区商业.我国近年来才开始发展社区商业.在以往的研究中,主要研究内容包括对社区商业的需求研究（王瑞丰,2015）；对社区商业的模式进行探讨（林木西等,2014）；对社区商业布局的研究（杨慧琼,2015）；对不同空间尺度的社区商业研究（滕,2015）等.
随着互联网技术的发展,网络开放数据已广泛应用于各学科研究中.O*和POI是开放数据的代表之一.O*数据是英国非盈利组织提供的网上地图协作计划,其特点是提供免费开源地图（谢惠等,2016）.目前O*道路数据被广泛应用于城市规划,土地利用规划（杨水根等,2011）,选址布局优化,道路交通优化等各个领域.另一方面,由于社区商业网点数量庞大,涉及的种类繁杂,传统调查方法的样本数量可控性低.因此利用POI数据可以很好地弥补这一缺点.POI数据包含了多种属性,通过应用程序接口（API）调用免费获取.目前研究主要利用POI数据进行空间布局分析（焦耀等,2015）、道路网研究（沈体雁,2015）、城市规划研究（索超,2015）等.
综上所述,目前的社区商业研究尚未成熟,对多因素影响的空间布局有待进一步研究.因此,本文利用网络开放数据O*数据及POI数据对北京市社区商业布局进行研究,获得北京市社区商业布局特点,为布局优化提供建议.研究结果不仅可以为城市经济发展提供依据,同时也可以为城市土地利用及规划布局、人口政策提供理论支持.
数据来源与研究方法
(一)研究区概况
北京市16个区县共划分为四个功能区,其中生态涵养区主要以山地为主,居民点稀少且为限制开发区,所以本文的研究区选取了除生态涵养区的5个区县外的11个区.在研究区中,社区发展较好的是首都功能核心区和部分城市功能拓展区.随着北京副行政中心的东迁,通州区进入了快速发展时期.北部的昌平区和顺义区聚集着科技产业,发展较早,人口数量较大,社区建设相对比较完善.房山区和大兴区的新建社区较多,经济发展水平有待进一步提高.
(二)数据获取及处理
1.数据获取.O*数据获取节点为2016年10月.POI数据来源于百度地图开放平台,利用Python程序进行采集.在采集过程中,将研究区进行分解,以2km×2km为一个搜索区域,可以获得覆盖该区域80%以上的数据量.本文将社区商业划分为四个类别,分别是餐饮、超市、商场、娱乐.同时,为了分析居民区布局与商业网点之间的关系,研究社区商业布局形态,本文利用网络爬虫技术对搜房网进行数据挖掘,获取住宅小区的名称、位置、容积率、价格等属性信息,形成完整的分析数据集.
2.数据预处理.数据预处理包括首先对百度POI坐标转换和利用O*数据获取地块信息.百度坐标系在火星坐标系的基础上,进行了二次加密措施.由于百度对外接口的坐标系并不是GPS采集的真实经纬度,因此需要对坐标系进行纠偏.本文采用纠偏算法将百度坐标系进行纠偏,纠偏结果基本符合实际情况.其次利用O*数据获取居住地块信息.将O*道路数据与北京市域面数据进行叠加,根据道路的级别设置道路缓冲区5-45米不等,提取出北京市11个区共4313个地块.利用居住点数据与地块叠加,提取出居住用地的面数据,并将容积率,价格等属性信息关联到地块上,最终获得北京11个区的居住用地地块数据.根据社区商业便利的布局特点,从地块边界向外延伸2km缓冲区,作为社区商业范围.
(三)研究方法与技术路线
本文采用平均最近邻算法、标准差椭圆函数和核密度函数从空间布局聚集度、布局方向性和分布密度三个方面对北京市社区商业布局进行分析.
平均最近邻算法：当研究区域内随机分布的平均预期距离（记为DE,,A为研究区域面积,n为研究区域中的n个点,下同）大于质心之间的平均观察距离（记为DO,）时,数据分布的模式趋于聚集,反之则为分散.
标准差椭圆模型：标准差椭圆的长半轴表示数据的分布方向,短半轴表示数据分布的范围,长短半轴的差值（扁率）越大,表示数据的方向性越明显.椭圆的形式及角度计算如下：
其中,xi,yi代表每个空间要素的位置坐标,X和Y代表算数平均中心,SDEx 和 SDEy代表椭圆方差,以正北方向为0°,θ为顺时针旋转角度.
核密度函数算法：核密度方法以每个样点为中心,通过核函数计算出每个样点在制定范围半径内各个栅格单元中心点的密度贡献值,搜索半径范围内栅格单元中心点距离样点越近,密度贡献值越大.计算公式如下：
其中,代表带估算栅格单元中心的密度； xi,yi代表样点i坐标；n代表样点个数；x,y表示带宽范围内待估算栅格中心点；坐标h表示带宽.
本研究技术路线图如图1所示.
结果分析
结论：关于本文可作为相关专业布局论文写作研究的大学硕士与本科毕业论文善于布局的人可怕吗论文开题报告范文和职称论文参考文献资料。
基于大数据国有商业银行信贷风险管理体系
摘要：大数据时代背景下，数据日益成为商业银行最为重要的生产要素和战略资产，对银行积累的大数据进行有效管理和挖掘将成为商业银行未来竞争和增长的基础。
大数据在商业银行内部审计中应用
内部审计是保障商业银行健康运行的重要防线，大数据技术的出现为开展海量审计数据分析提供了可能，为商业银行内部审计提供了良好的发展空间。同时，由此带。
大数据时代商业模式分析
摘要：随着经济的发展，企业的商业模式也跟随着社会的进步而不断更新。在大数据时代背景下，商业模式的变革的脚步更加快速。本文结合当下经济发展形势和商。
大数据对商业模式影响
摘 要：伴随着第三次科技革命的发生，科学技术迅速发展，互联网、金融公司、服装业、机械制造业出现了大量的数据，而大数据的概念也引起了社会各界的重视。