论文详解：基于POI与出租车轨迹的城市多中心结构静态-动态多重分形特征

论文详解：基于POI与出租车轨迹的城市多中心结构静态-动态多重分形特征

原文：Multifractal characteristics of functional urban polycentric structure from the static and dynamic perspective using POI and Taxi Trajectory Data

一、论文核心概述

本文针对城市多中心结构研究中过度依赖聚合指标、缺乏跨尺度统一建模的核心痛点，构建了一套「静态结构-动态交互-多尺度关联」的多重分形分析框架，融合POI与出租车轨迹数据，以北京为案例，对居住、就业、休闲、购物四类功能中心开展了多尺度精细化刻画。

论文的核心创新点可概括为三点：

1. 方法层面：突破传统单尺度聚合指标的局限，用多重分形理论实现了城市多中心结构跨尺度的精细化建模，解决了可变面元问题（MAUP）；
2. 视角层面：首次将静态形态的多重分形与动态流的分形特征耦合，构建了三维多重分形谱，实现了城市多中心「形态-功能-交互」的一体化分析；
3. 理论层面：揭示了城市多中心结构是功能分化的自组织多重分形系统，超越了「单中心vs多中心」的二元争论，为多中心城市规划提供了量化支撑。

二、引言：研究背景与问题提出

2.1 研究背景

城市多中心性已成为全球核心的城市规划范式，其不仅重塑居民的通勤行为与出行可达性，更直接影响城市的经济生产率、环境绩效等宏观发展目标。随着中国城镇化进入存量提质阶段，对城市多中心结构的精细化量化，成为城市空间配置效率分析与优化的核心前提。

城市多中心性是一个多尺度、多维度的概念：

• 从空间尺度看，现有研究覆盖了城市群/都市区宏观尺度、地级市/中心城-卫星城中观尺度、城市热点区微观尺度；
• 从分析视角看，可分为基于物理空间形态的「形态多中心性」、基于人流聚合的「混合功能多中心性」、基于特定出行目的的「主导功能多中心性」。

本文的核心目标，是揭示微观尺度下主导功能型多中心结构的空间组织特征，通过缩短各类出行距离，缓解交通拥堵、降低碳排放、节约居民出行时间。

2.2 现有研究的核心局限

现有城市多中心结构的表征研究，可分为尺度效应、静态结构、动态结构三大类，但存在两个致命短板：

1. 缺乏跨尺度统一分析框架：无论是单尺度分析，还是水平的多尺度对比，都忽略了尺度间的内在关联，无法揭示城市结构的尺度不变性与尺度依赖特征；
2. 过度依赖聚合指标，无法实现精细化刻画：静态结构研究普遍使用首位度、基尼系数、帕累托指数等空间集聚/集中化聚合指标，只能描述单一预设尺度下的集聚结果，无法捕捉城市中心的精细化空间组织；动态结构研究多基于空间交互网络分析流模式，同样缺乏跨尺度的标度行为刻画。

这两大缺陷直接导致现有研究对多中心结构的绩效评估出现了不一致甚至相互矛盾的结论，因此亟需一套能同时刻画静态结构与动态交互的多尺度精细化分析框架。

2.3 多重分形理论的引入

现有研究已证实，城市要素在多尺度上具有自相似的分形结构，而分形结构又分为单分形与多重分形：

• 单分形模型：假设城市要素在不同位置遵循统一的自复制与演化规律，无法捕捉城市空间增长的局部异质性；
• 多重分形模型：充分考虑城市要素在不同位置演化的异质性特征，通过连续的多重分形谱，可同时量化跨尺度的结构复杂性与异质性。

基于此，本文引入多重分形方法，融合POI与出租车轨迹数据，构建了一体化的分析框架，对城市功能多中心结构的多尺度自相似性进行刻画。

三、研究区与数据

3.1 研究区：北京市

本文选取中国首都北京作为研究案例，核心原因有三点：

1. 北京是典型超大城市，常住人口2184万，产生了海量的多目的出行数据，为基于居民出行的多中心结构分析提供了充足样本；
2. 北京的职住分离问题全国最突出：2023年中国主要城市通勤监测报告显示，北京单程通勤时长47分钟全国最长，28%的人口承受超过60分钟的极端通勤，倒逼城市积极探索多中心发展策略；
3. 作为国家中心城市，北京的发展实践对国内其他大城市具有极强的参考价值。

3.2 研究数据

本文核心使用两类数据：POI数据（静态结构分析）与出租车轨迹数据（动态交互分析），具体信息如下。

3.2.1 POI数据

数据来源为2022年高德开放平台，经过严格过滤与重分类，划分为居住、就业、休闲、购物四大类功能，对应四类城市功能中心的识别，分类详情如下表：

功能类型	POI子类型	数量	占比
居住	住宅小区、别墅区	13641	9.42%
就业	公司、培训机构、写字楼、科研单位、产业园、工厂	93122	64.27%
休闲	农家乐、健身中心、公园、旅游景区、酒吧、康养机构、宗教场所、游乐园、广场等	36627	25.28%
购物	百货商场、商业街、购物中心	1493	1.03%

POI数据的核心优势是能直接、明确地捕捉城市活动的类型与空间位置，为面向功能的中心识别提供了稳定可靠的语义基础。

3.2.2 出租车轨迹数据

数据来源为2020年8月1日-8月10日滴滴出行出租车订单，原始数据共3846万条记录，基于上下车点聚合得到331万条OD数据，核心属性包括出租车ID、上下车点经纬度、出行时长，以出行距离为核心指标，反映功能中心间的空间配置与功能关联。

本文重点分析三类功能交互：居住中心-就业中心、居住中心-购物中心、居住中心-休闲中心。相比固定线路的公共交通数据，出租车轨迹数据有两大核心优势：

1. 全空间覆盖，能真实揭示功能中心间的连通性，避免固定线路的覆盖盲区；
2. 细粒度属性，天然支持多尺度分析。

3.2.3 数据时间差的合理性说明

POI数据为2022年，出租车数据为2020年，存在2年的时间差。论文明确说明：POI数据代表城市功能设施的空间分布，这类物理空间结构的变化通常缓慢且渐进，在北京这类超大城市，2年内功能区布局发生根本性重构的可能性极低，因此该时间差不会对研究结果产生实质性影响。

四、核心研究方法（重点详解）

本文提出了「静态结构-动态交互-多尺度关联」的一体化分析框架，核心包含三大模块：城市功能中心的多尺度识别、静态多中心结构的多重分形特征测度、动态多中心结构的分形特征测度，整体框架如下图所示：

图1 「静态结构-动态交互-多尺度关联」分析框架

框架的核心逻辑为：

1. 基于多尺度网格与LISA指数，识别0.5km-8km共9个尺度下的四类功能中心，构建多尺度分析的基础数据集；
2. 基于识别的功能中心，计算奇异指数α与分形维数f(α)，刻画静态多中心结构的多重分形特征；
3. 基于出租车OD数据，计算流关联维数c，刻画动态交互的分形特征；
4. 耦合静态与动态分形指标，构建三维多重分形谱，实现城市多中心结构的综合分析。

4.1 城市功能中心的多尺度识别

本模块的核心目标，是在多个空间尺度下，无偏、可比地识别四类城市功能中心，为后续分形分析提供数据基础。

4.1.1 分析尺度的选择

本文选取0.5km到8km共9个空间尺度开展分析，上限8km的选择依据是：对应出行满意度研究中广泛认可的45分钟通勤阈值，可有效覆盖居民日常可接受的通勤范围。

基于9个尺度、4类功能，本文共识别了36种城市中心空间分布，构成了多中心结构多重分形特征分析的数据基础。

4.1.2 识别方法：LISA指数

城市中心识别的核心，是找到密度显著高于周边的区域，属于空间统计中的热点分析范畴。本文选用LISA指数（局部莫兰指数） 作为核心识别方法，相比其他方法，其核心优势是：数据驱动，不依赖专家知识与人为阈值，保证不同类型功能中心的识别结果具有可比性，是城市中心识别研究中广泛使用的方法。

具体识别步骤：

1. 基于功能POI的密度分布，通过局部莫兰指数计算，得到显著的**高-高（HH）与高-低（HL）**聚类区，作为候选城市中心；
2. 采用自然断点法，将候选中心划分为高密度组与低密度组，其中高密度组被确定为正式的城市中心。

该无阈值方法，保证了不同功能中心类型之间的方法一致性与结果可比性。

4.2 静态多中心结构的多重分形特征测度

传统的多中心静态指标（如集聚度、集中度），只能描述单一预设尺度下的集聚结果，而多重分形方法，可刻画多中心结构随观测尺度ε的变化规律，实现跨尺度的精细化刻画。

本模块的核心是两个关键指标：奇异指数α（singularity exponent）与分形维数f(α)（fractal dimension），二者共同构成多重分形谱，同时量化不同功能密度的标度行为，以及多中心系统的全局结构复杂性。

4.2.1 奇异指数α

奇异指数α用于捕捉城市中心与其周边区域的密度关系，量化中心的空间影响力，计算公式如下：
μ‾si(ε)=∑xμx,si(ε)N(αsi,ε)∼εαsi(1) \overline{\mu}{s{i}}(\varepsilon)=\frac{\sum_{x} \mu_{x, s_{i}}(\varepsilon)}{N\left(\alpha_{s_{i}}, \varepsilon\right)} \sim \varepsilon^{\alpha_{s_{i}}} \tag{1} μsi(ε)=N(αsi,ε)∑xμx,si(ε)∼εαsi(1)

公式中各变量的含义：

• sis_isi：第i类功能中心，涵盖居住、就业、休闲、购物4个类别；
• ε\varepsilonε：观测尺度，范围为0.5km-8km的9个尺度；
• μ‾si(ε)\overline{\mu}{s{i}}(\varepsilon)μsi(ε)：尺度ε下，第i类功能中心的平均POI密度；
• μx,si(ε)\mu_{x, s_{i}}(\varepsilon)μx,si(ε)：尺度ε下，位置x处的局部POI密度；
• N(αsi,ε)N(\alpha_{s_{i}}, \varepsilon)N(αsi,ε)：尺度ε下，第i类功能中心POI分布所占据的空间单元数量；
• αsi\alpha_{s_{i}}αsi：第i类功能中心的奇异指数。

指标物理意义 ：

奇异指数α反映了密度分布对尺度变化的敏感程度，以及中心与周边的密度梯度：

• α值越大，密度分布对尺度变化越不敏感，跨尺度能保持相对稳定的集聚水平，空间分布越均衡；
• α值越小，中心与周边的密度梯度越陡峭，集聚特征越显著，区位选择性越强。

4.2.2 分形维数f(α)

分形维数f(α)用于描述具有特定影响力水平的城市中心，其数量随尺度的变化规律，计算公式如下：
N(αsi,ε)∼ε−f(αsi)(2) N\left(\alpha_{s_{i}}, \varepsilon\right) \sim \varepsilon^{-f\left(\alpha_{s_{i}}\right)} \tag{2} N(αsi,ε)∼ε−f(αsi)(2)

公式中变量与式(1)一致，核心指标f(αsi)f(\alpha_{s_{i}})f(αsi)为第i类功能中心的分形维数。

指标物理意义 ：

分形维数f(α)反映了对应影响力的中心数量的丰富度，以及结构的复杂程度：

• f(α)值越高，该类影响力的中心数量越多，在多尺度上广泛分布，空间结构越复杂、层级越丰富；
• f(α)值越低，该类影响力的中心越稀缺，空间结构相对简单，可能存在显著的服务覆盖缺口。

4.2.3 多重分形谱的核心价值

由(α,f(α))(\alpha, f(\alpha))(α,f(α))数据对构成的多重分形谱，可同时量化城市多中心系统在密度与空间分布上的层级组织与尺度协调能力，这是传统的平均聚合指标无法实现的，可为多中心结构的跨尺度协调诊断、功能配置短板识别提供科学依据。

4.3 动态多中心结构的分形特征测度

为刻画城市多中心结构的动态交互特征，本文引入**关联维数（correlation dimension）**作为核心指标，分析居住中心到各类功能中心（就业、购物、休闲）的平均出行距离，随不同空间尺度的变化规律。

4.3.1 关联维数计算公式

Len‾si(ε)∼εcsi(3) \overline{Len}{s{i}}(\varepsilon) \sim \varepsilon^{c_{s_{i}}} \tag{3} Lensi(ε)∼εcsi(3)

公式中各变量的含义：

• sis_isi：第i类出行目的，对应就业、购物、休闲三类；
• ε\varepsilonε：观测尺度，范围为0.5km-8km；
• Len‾si(ε)\overline{Len}{s{i}}(\varepsilon)Lensi(ε)：尺度ε下，第i类出行目的的平均出行距离；
• csic_{s_{i}}csi：第i类出行目的的流关联维数。

4.3.2 指标物理意义

流关联维数csic_{s_{i}}csi捕捉了居住用地与不同功能中心之间空间交互的标度行为，反映了空间组织的内在逻辑：

• csic_{s_{i}}csi值越低，流动越刚性、高度有序，构成系统的结构骨架；
• csic_{s_{i}}csi值越高，流动越弹性、适应性强，具有空间分散、目的地多样的特征，构成维持城市活力的毛细血管网络。

4.3.3 三维多重分形谱的构建

本文整合静态与动态分析，将传统的二维多重分形框架（奇异指数α-分形维数f(α)）拓展为三维框架，加入关联维数c捕捉动态交互信息，最终形成奇异指数-分形维数-关联维数的三维多重分形谱，实现了城市多中心结构「静态形态-动态流模式-多尺度关联」的全维度分析，为多中心结构综合效率的系统评估提供了创新的分析工具。

五、实验结果与分析

5.1 多尺度城市中心对比分析

本部分基于识别的多尺度功能中心，从空间分布、传统聚合指标两个维度开展对比分析。

5.1.1 空间分布特征

四类功能中心在不同观测尺度下的空间分布与标准差椭圆如下图所示：

图2 四类功能中心的空间分布与标准差椭圆

核心结果解读：

1. 不同类型中心的分布差异：购物中心分布最集中，方向接近南北走向；休闲中心分布最分散，方向性最强，呈现北偏东约53°的分布特征；
2. 同类型中心的尺度差异：居住中心与休闲中心的方向性、集聚度的尺度差异最小，变化趋势相近；就业中心存在显著的尺度依赖方向性，0.5km、1km小尺度下呈现东北-西南分布趋势，2km、3km、4km大尺度下呈现西北-东南分布趋势。

5.1.2 传统聚合指标的多尺度特征

本文选取首位度（Primacy index）与基尼系数（Gini coefficient）两个经典聚合指标，分析其多尺度变化特征，结果如下图：

图3 四类功能中心首位度与基尼系数的多尺度值

指标含义回顾：

• 首位度：衡量区域内主中心的主导性，值越高，单中心结构越显著；
• 基尼系数：反映中心间资源分布的均衡性，值越大，中心间的差距越显著。

核心结果解读：

1. 首位度对尺度高度敏感：观测尺度越大，四类功能中心的首位度均越高；居住、就业、休闲中心的首位度变化趋势相近，而购物中心的首位度数值与尺度变化特征存在显著差异；
2. 基尼系数受尺度影响极小：跨不同观测尺度，中心间的资源分布差距保持相对稳定；
3. 核心结论：北京的多中心结构，同时具备尺度依赖的层级性 与尺度不变的结构稳定性。前者表现为小尺度下呈现多中心特征，大尺度下核心区的绝对主导性凸显；后者表现为中心间的规模分布均衡模式跨尺度保持一致，反映了城市系统演化中形成的内在、稳健的结构秩序。

5.2 静态多中心结构的多重分形特征

四类功能中心的静态多重分形特征计算结果如下图所示：

图4 静态多重分形特征：(a) 功能奇异指数；(b) 功能分形维数

核心结果与解读如下表：

功能类型	奇异指数α	分形维数f(α)	核心结构特征
居住中心	1.71	1.54	α值最高，密度分布对尺度变化最不敏感，空间分布最均衡；f(α)值最高，中心数量多、多尺度广泛分布，形成空间分布广泛、均衡的城市空间基底
就业中心	1.56	1.41	α值中等，与周边形成适度的密度对比；f(α)值中等，中心数量随尺度变化的规律性强，具备显著的结构层级，与休闲中心共同构成集聚与层级兼具的城市骨架
休闲中心	1.56	1.39	与就业中心α值一致，密度集聚特征相近；f(α)值略低于就业中心，结构层级性稍弱，同样属于城市功能骨架的核心组成
购物中心	1.09	0.78	α值最低，与周边密度梯度最陡峭，局地集聚特征极强；f(α)值最低，高影响力的商业中心极度稀缺，空间结构简单，呈现「局地高度集聚、全局相对稀疏」的枢纽特征

5.3 动态多中心结构的多重分形特征

本部分基于出租车OD数据，分析多中心结构间交互强度的标度特征，以及不同出行目的的流关联维数。

5.3.1 功能交互的尺度效应

本文以居住-就业中心的OD流为例，定义了功能匹配度的量化指标：外部居住中心到就业核心的平均出行距离，距离越长，功能匹配度越低，多中心结构的功能组织越差；而居住与就业功能空间重叠区内的流，属于多中心结构的有效配置。

不同尺度下的OD流分布如下图所示：

图5 两类功能多中心间OD流的范围定义

核心结果解读：

1. 尺度对功能交互的数量影响极大：0.5km尺度下，居住-就业中心的交互对数量为9689对；2km尺度下，交互对数量骤降至918对；
2. 通过分析不同尺度下中心间平均交互距离的标度关系，可有效评估城市系统内功能中心的多尺度空间组织特征。

5.3.2 流关联维数计算结果

三类出行目的的空间尺度与交互距离的标度关系，以及关联维数计算结果如下图所示：

图6 三类出行目的的流关联维数：就业、休闲、购物

核心结果解读：

1. 标度关系的截断效应：出行距离与尺度的幂律关系，仅在4km空间范围内显著；
2. 关联维数排序：就业(0.22) < 购物(0.25) < 休闲(0.30)；
3. 流动模式的差异：
   • 就业出行关联维数最低，流动的确定性与尺度稳定性最强，呈现高度有序的刚性流动模式，构成城市空间结构的骨架；
   • 购物出行关联维数中等，呈现半弹性的集聚流动模式；
   • 休闲出行关联维数最高，流动高度灵活、分散，随尺度扩大的扩张效应最显著，呈现高弹性的分散流动模式，是城市活力的核心载体。

5.4 静态-动态耦合的多重分形特征

本文将静态与动态分形特征耦合，综合刻画不同功能中心的系统角色，结果如下图所示：

图7 不同功能中心静态与动态结构的多重分形特征

核心结论：

城市功能多中心结构，是一个自组织的多重分形系统，不同功能承担了差异化且协同的系统角色：

• 居住功能：以均衡的静态分布为基础，形成城市多中心系统的空间基底；
• 就业功能：以兼具集聚与层级的静态骨架，配合动态有序的刚性流，塑造了高度组织化、但弹性受限的空间结构，是系统的核心骨架；
• 休闲功能：以静态节点为基础，配合动态弹性网络，成为城市活力与自由度的核心载体，是系统的弹性网络；
• 购物功能：作为高度集聚的专业化枢纽，静态-动态特征共同反映了其服务覆盖存在潜在失衡，是系统的专业化节点。

最终，居住为基底、就业为骨架、购物为节点、休闲为网络的多尺度整合，让城市系统在秩序与自由之间实现了动态平衡，展现出多尺度自组织的复杂性。

六、讨论

6.1 方法的可扩展性

本文提出的方法框架，不仅适用于微观尺度的功能多中心性刻画，同样可应用于宏观尺度的形态多中心结构研究。

为验证方法的可扩展性，本文基于夜间灯光数据，识别了北京、上海、广州等中国十大城市的形态多中心结构，并分析其多重分形特征，结果如下图：

图8 中国十大城市多中心结构的多重分形谱

核心结论：

1. 多重分形谱的形态，可有效揭示不同层级中心的密度梯度与空间覆盖的组织模式。例如武汉、重庆、广州的一级中心密度梯度最陡峭，资源集聚能力最强；广州、武汉、上海不同层级中心的分形维数差距最显著，反映其空间覆盖的失衡程度最高；
2. 相比基尼系数等传统指标，多重分形谱在捕捉空间分布的结构差异与不均衡性方面，具有更高的敏感性，为全面理解城市多中心空间系统提供了关键的理论与方法补充。

6.2 理论意义：多重分形作为多尺度组织原则

本文的研究结果系统揭示：城市多中心结构并非无序的空间形态，而是一个具有功能分化的自组织系统。这为城市多中心性研究提供了超越描述性分析的全新理论视角。

本文提出，多重分形模式代表了一种根本性的多尺度空间组织原则：城市多中心性是一个嵌套的层级系统，在居住基底之上，不同功能承担了差异化且协同的角色，形成了就业骨架、休闲弹性网络、购物专业化枢纽的完整体系。

这一框架，彻底超越了「单中心vs多中心」的二元争论，实现了城市空间结构的精细化刻画，同时解释了现有文献中多中心发展绩效结果不一致的核心原因：现有研究的结论差异，本质上源于多中心结构潜在的空间组织模式差异。例如新城建设若过度强调房地产开发或产业园建设，忽略职住平衡，会阻碍真正提升城市效率的一体化多中心结构的形成。

6.3 规划启示

基于理论与实证发现，本文提出城市规划应采用多尺度、功能差异化的治理策略：

1. 若要提升职住匹配度，应优先优化就业骨架对应的刚性通勤廊道；
2. 若要提升城市活力，应重点培育并连接休闲弹性网络的节点；
3. 需关注购物中心等枢纽型设施的全市域均衡覆盖，填补服务缺口。

七、结论与展望

7.1 核心研究结论

1. 理论层面：本文揭示了城市多中心结构并非无序形态，而是一个功能分化的自组织多重分形系统；
2. 方法层面：验证了多重分形框架是多尺度空间组织模式建模的强大工具。相比聚合指标，其不仅克服了可变面元问题（MAUP），揭示了城市结构的尺度不变性，还能对密度梯度、空间覆盖、流模式进行精细化建模；
3. 实证层面：北京的多中心系统在静态结构与动态流上均呈现显著的多重分形特征。静态上，不同功能中心呈现清晰的结构分化；动态上，功能流的尺度依赖呈现渐进梯度，关联维数从就业到购物再到休闲逐步升高，对应有序、半弹性、弹性的流动模式。

7.2 研究局限与未来展望

本文存在两点局限性，也是未来研究的核心方向：

1. 本文仅采用出租车轨迹数据量化功能间的交互距离，未来可融合地铁、公交一卡通等多源出行数据，构建更全面的多模式城市动态交互表征，实现对多中心空间组织更统一的理解；
2. 本文仅识别了城市功能多中心结构的多重分形特征，未来可进一步深化分析多重分形特征的形成机制，以及其与城市发展绩效的关联关系。