基于美團外賣POI的城市餐飲業的空間熱點分析
——以南昌市為例

夏 宇，楊舒波，張忠海

(1.江西師范大學地理與環境學院，330022，南昌;2.江西師范大學鄱陽湖濕地與流域研究教育部重點實驗室，330022，南昌)

0 引言

興趣點(Point of Interest POI)數據是一種包含了空間信息和屬性信息的空間數據源。POI數據由于與生活密切相關，通過研究POI的分布特征可以反映出城市人口、商業等的布局特征。吳康敏[1]等利用廣州市核心區域不同類型的POI數據，利用核密度分析、統計分析、最近鄰距離分析方法來識別不同類型的商業中心的邊界，并探索商業空間結構和模式。許澤寧[2]利用電子地圖興趣點來提取城市建成區，高曉路[3]等利用POI的核密度等值線來提取城市群邊界。段亞明[4]等利用POI數據來識別重慶城區的多個中心。這些研究表明POI數據對研究城市空間特征有重要意義。外賣店鋪作為一類重要的POI數據，伴隨著移動互聯網的發展而成長。目前，我國在線餐飲外賣用戶規模突破3億。其中21－35歲年齡段的人最多，占了73.04%，年輕人是網絡訂餐的主力消費人群。文獻[5]指出研究餐飲業店鋪分布可以發現城市人口的分布特征與經濟重心，餐飲業的合理化布局對發展城市經濟、滿足居民需求發揮著重要作用。研究外賣行業的布局特征有重要研究意義。

POI數據的獲取方式分為3類，第1類是利用地圖服務商提供的接口獲取指定區域的POI數據，如曾璇[6]等利用高德地圖開放的API爬取并篩選2015年海珠區POI數據，戚榮昊[7]等通過百度地圖獲取POI數據。第2類是使用社交媒體的位置簽到數據來獲取POI數據，丁娟[8]等利用照片中的地理位置坐標信息，采用DBScan聚類分析方法，計算中國入境游客地理興趣點(POI)，胡慶武[9]等通過微博簽到數據來探索城市熱點與商圈，并指出眾源地理數據為空間數據挖掘提供了一個新的研究方向。第3類是O2O上的POI數據，文獻[10]利用爬蟲采集了北京大上地區大眾點評數據來研究城市商業服務設施的發展規律。并指出傳統由工商部門或商業采集的POI數據受采集周期的影響，存在樣本量不足的、實效性差等缺點。第2、第3類作為眾包地理數據源，具有更新快、數據量大、實效性高的優點。

美團外賣的店鋪數據相對于大眾點評的POI數據具有銷量、價格等經濟屬性，由于使用量大，店鋪POI信息更新速度相對更快，對研究餐飲行業的布局特征和發展狀況有重要意義，本文利用網絡爬蟲獲取美團外賣在南昌市的店鋪POI數據，并利用核密度方法和統計方法來研究外賣店鋪POI的布局特征。可以為餐飲行業的商業選址提供指導意義，同時為從業人員提供銷量分布特征，為相關決策提供參考。

1 外賣店鋪POI的獲取和預處理

1.1 研究范圍

南昌市是長江中游城市群中心城市之一、環鄱陽湖城市群核心城市，經濟發展處在全國前列，有較強的代表性。2018年常住人口541.74萬，城市建成區358.90 km2。本文將南昌市繞城高速所包圍的區域作為主要的研究區域，主要包含東湖、西湖、青云譜、灣里、青山湖、新建區等部分區域，涵蓋南昌市主要建成區范圍(圖1)。

圖1 南昌市繞城高速行政區劃

1.2 面向網絡接口的網絡爬蟲

網絡爬蟲是一種自動抓取網頁內容的程序，傳統的網絡爬蟲通過解析html文檔[11]，將有用的數據提取出來。隨著移動互聯網的發展，產生了一些超級應用，這些應用成了一個個信息孤島，這些應用的數據無法通過搜索引擎來獲取，也無法通過解析html的方式爬取數據，但這些應用也是通過http和后臺交互，通過獲取關鍵接口，構造請求參數，模擬應用請求，也可以持續不斷地將特定的數據抓取下來[12－13]。當前的數據格式主要為JSON，JSON(JavaScript Object Notation)是一種輕量級的數據交換格式。它基于ECMAScript的一個子集，采用完全獨立于編程語言的文本格式來存儲和表示數據。在JS語言中，一切都是對象。因此，任何支持的類型都可以通過JSON來表示，例如字符串、數字、對象、數組等。但是對象和數組是比較特殊且常用的2種類型:對象表示為鍵值對、數據由逗號分隔、花括號保存對象、方括號保存數組。

本文爬蟲的過程如圖2所示，通過瀏覽器訪問美團外賣(http://h5.waimai.meituan.com/waimai/min dex/home)，并打開調試工具，通過加載數據來獲取店鋪列表的接口(http://i.waimai.meituan.com/openh5/homepag e/poilist)，并讀取cookie和header數據記錄下來，通過模擬請求的方式來獲取接口的數據。本文將南昌市0.1度×0.1度的格網，在每個節點最多請求10次接口，每次間隔20 s，以防止ip地址被封閉，將請求到的json數據(圖3)解析并存放到數據庫中，由于美團對數字進行了加密，且同一個數字對應的字符串相同，通過目視解密，在存進數據庫前，將加密字符替換成對應的值。

圖2 爬蟲處理流程圖

圖3 接口返回數據

由于這個接口沒用帶經緯度數據，本文通過高德地圖web服務和百度地圖web服務將文字地址轉換成經緯度，再將坐標系統一轉換成wgs84坐標系，并分別制作核密度圖(圖4)，從圖4中可以看出百度地圖文字轉經緯度的核密度圖存在2個密度值非常高的點，導致這2個點的周圍的密度呈圓圈分別，造成這種現象的原因是百度地圖將多個不同的地址解析在一個經緯度上，而高德地圖解析出來的經緯度則不存在這個規矩的形狀，通過以上判斷可以說明高德地圖的地址解析更好，所以最終本文采用高德web服務。

圖4 不同地址解析結果核密度估計值圖

2 基于核密度估計的餐飲外賣分布熱點

核密度估計方法是一種適合于連續性現象的密度估計方法，如城市設施服務影響，交通路段風險評估等[14]。核密度的計算公式如下:

式中:f(s)為位置s處的核密度計算函數;h為距離閾值;n為到位置s的距離小于或等于h的店鋪數量;k函數則表示權重函數。這一公式表明密度值在每個店鋪ci處最大，與ci相距h時密度值為零。核密度函數存在權重函數k與距離閾值h 2個關鍵參量。常用的權重計算函數有高斯方程、四次方程、副指數方程、最小方差方程等。研究表明權重函數的選擇對結果的影響不大，距離閾值的選擇對結果的影響較大。根據實際經驗，h值越大，密度表面越光滑，熱點區域越容易被覆蓋;h值越小，得到的密度表面變化越突兀，局部的特征會更明顯，而整體關聯性減弱，使得熱點區域過于分散。本文選擇500 m、1 000 m、1 500 m、2 000 m為搜索帶寬進行實驗，結果如圖5所示。可以看出，隨著帶寬的增加熱點區域的個數在減小，熱點區域越來越集中，且密度表面越來越趨向于光滑，在4種帶寬中h=1 000效果比較理想，在反映餐飲分布的整體趨勢的同時，也能夠較好地呈現局部的熱點區域信息。因此本文選用帶寬為1 000 m為核密度估計的搜索帶寬。

3 結果與分析

3.1 外賣熱點分布特征

圖5 不同帶寬下的核密度估計結果

本文通過爬蟲爬取到4 363條數據，這些店鋪分布如圖6所示。這些店鋪整體分布還是比較均勻，適合用來分析南昌市外賣POI布局特征，其核密度如圖7所示。從圖7中可以看出，外賣餐飲的分布特征在整體上呈現由中心向外圍密度逐漸減小的趨勢;從局部熱點來看，其熱點區域主要分布在老福山、八一廣場、西湖區、孺子路、萬達廣場、紅谷灘、瑤湖等，其中老福山、八一廣場、孺子路、萬達廣場、紅谷灘等作為城市的商業中心，人流量大，年輕人多，年輕人作為外賣的主力軍，導致這些區域的店鋪密度特別高，而瑤湖周邊有若干所大學分布，大量的學生對外賣的需求也比較大，所以瑤湖的店鋪密度也特別高，這說明餐飲行業作為基礎服務設施，它的熱點區域分布與人口分布有很大的重合性，人口越密集的地方對食品的需求越大，同時年輕人多的地方，店鋪的分布也比較密集。

圖6 外賣店鋪分布范圍

圖7 外賣店鋪的核密度估計結果

3.2 外賣銷量的分布特征

本文按照月銷量0～199、200～999、1 000～3 999、4 000～9 999分為低、較低、較高、高4類，其分布如圖8所示，數量如圖9所示，月銷量小于200份的店鋪占了一半以上，這可以說明對大部分店鋪而言，外賣只是增加了一種他們的銷售方式，無法依靠外賣獨立經營，他們更多的還是依賴傳統的銷售方式生存。從不同銷量的店鋪分布圖來看，外賣銷量的分布特征為銷量從低到高的店鋪分布越來越集中，銷量大于4 000的店鋪大部分都分布在核密度為深色的區域，在這些區域周邊存在著大量的店鋪，競爭大，同時這些區域人流密集，需求旺盛，回報也大。外賣店鋪的分布密度對店鋪選址等有著重要的指導意義。

圖8 不同銷量類別的店鋪分布結果

3.3 外賣銷量與核密度估計值的相關性

利用arcgis的空間分析值提取到點工具將核密度估計值提取到店鋪上，本文按銷量每個1 000將銷量分為9種類型，并計算平均核密度值，結果如圖10所示。從圖10中可以看出，不同銷量的核密度平均值呈現出先升后降再上升的趨勢，當銷量低于4 000時，店鋪的銷量越高，店鋪所在的地方核密度值越高，銷量在4 000～8 000，隨著銷量的增加，店鋪所在地方的核密度值先持平后稍微下降一段，當銷量高于8 000核密度值又變大了。這表明當銷量較低時周圍店鋪越多越有利于店鋪的銷售，這個時候這里的競爭還不充分，當銷量達到中等銷量的時候周圍店鋪的存在反而會降低自己的銷量，此時這個地方存在過度競爭的趨勢。而對于銷量最好的商家而言，周圍店鋪越多自身的銷量越好，表明這些店鋪對周圍店鋪具有競爭優勢。

圖9 店鋪類別數量和占比

圖10 不同銷量的店鋪平均核密度值

4 結論

本文通過爬蟲爬取美團外賣在南昌市的店鋪POI數據4 363條數據，外賣店鋪數據具有實時更新，具有經濟屬性等特點，利用核密度方法研究了南昌市外賣店鋪POI在南昌市的集聚特征，得到如下主要結論。

1)外賣店鋪在南昌市的分布呈現出由市中心向周邊逐漸減小的趨勢，外賣店鋪分布熱點主要分布在老福山、八一廣場、西湖區、孺子路、萬達廣場、紅谷灘、瑤湖等商業中心或大學城附近。這對餐飲行業的商業選址具有指導意義。

2)南昌市外賣店鋪60%店鋪月銷量低于200，大部分店鋪無法依賴外賣平臺生存下來，銷量高于4 000的店鋪大部分都分布在店鋪密集區域。這表明南昌市的外賣行業還有很大的發展潛質。

3)對低銷量和高銷量的店鋪而言周圍的店鋪越多，越有利于提高銷量;而對于中等銷量的店鋪而言，周圍店鋪的增多對銷量起著抑制的作用。這對外賣從業人員提高銷量提供了一個選擇的思路。