EN中文

地理科学 >

2021 , Vol. 41 >Issue 8: 1389 - 1397

DOI: https://doi.org/10.13249/j.cnki.sgs.2021.08.010

基于点评数据的武汉市餐饮发展水平空间差异

  • 杜晓初 ,
  • 李中元 ,
  • 陈潇
展开
  • 湖北大学资源环境学院/区域开发与环境响应湖北省重点实验室，湖北 武汉 430062

杜晓初(1972−)，男，湖北武汉人，博士，副教授，主要从事GIS与城市地理研究。E-mail:

收稿日期: 2020-04-02

  网络出版日期: 2021-10-11

基金资助

湖北省技术创新专项重大项目（2018ABA078）资助

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatial Difference of Catering Industry Development Level Based on Online Public Data in Wuhan

  • Du Xiaochu ,
  • Li Zhongyuan ,
  • Chen Xiao
Expand
  • School of Resource and Environment Science, Hubei Key Laboratory of Regional Development and Environment Response, Hubei University, Wuhan 430062, Hubei, China

Received date: 2020-04-02

  Online published: 2021-10-11

Supported by

Major Projects of Technological Innovation in Hubei Province (2018ABA078)

Copyright

Copyright reserved © 2021.
Fold

摘要

基于网络点评数据，采用核密度分析、空间自相关分析等空间统计方法，分析武汉市主城区餐饮行业聚集特征以及餐饮发展水平的空间差异及其影响因素。主要结论如下：① 武汉市餐饮类型丰富，同时也保持较明显的地方特色，不同类型餐饮人均消费差异明显；② 顾客对武汉餐饮口味、环境和服务3种评分总体得分较好，对这3个方面的服务满意程度排序为口味>服务>环境，3种评分与人均消费都存在显著的正相关；③ 三环内餐厅高密度分布区主要沿轨道交通线分布，并与各商圈高度相关，餐饮满意度评价的3种评分都存在显著的聚集；④ 3种评分热点分布区大多保持一致，且3种评分的热点数较为均衡，主要分布在传统商业与住宅混合区以及重要商业设施及其周边；⑤ 3种评分冷点区的分布有一致也有不一致，冷点数有明显差异，主要分布在火车站、医院和学校周边以及老旧和偏远小区附近。

关键词： 点评数据; 餐饮发展水平; 武汉

本文引用格式

杜晓初 , 李中元 , 陈潇 . 基于点评数据的武汉市餐饮发展水平空间差异[J]. 地理科学, 2021 , 41(8) : 1389 -1397 . DOI: 10.13249/j.cnki.sgs.2021.08.010

Abstract

Based on online public data, spatial clustering characteristic, spatial difference and influence factors of catering industry development level are analyzed by some spatial statistic methods such as kernel density estimation and spatial autocorrelation index. The main conclusions are as follows. At first, there are plenty of types of restaurants in Wuhan, the catering maintain obvious local flavor, and there are apparent differences among different types of restaurant. Secondly, customers in Wuhan have given good scores to all three index taste, environment and service, in terms of sorting, the taste score is larger than service score and service score is larger than environment score. Furthermore, all of the three scores have significant positive correlation with consumption price per capita. Thirdly, the high density area of catering service point distribution is along with rail transit line in Wuhan, and has highly related with business circles. At the same time, the three scores of catering service satisfaction have significant spatial aggregation. Fourthly, the hotspot distribution areas of the three scores, which mainly distribute in the traditional commercial and residential mixed areas and surrounding areas of important commercial facilities, are consistent overall, and the number of three types of hotspots is roughly equal. At last, some of the cold spot distribution areas of the three scores are consistent and some of them are not consistent. These cold spots mainly distribute around railway stations, hospitals and schools and old and remote community, and the number of cold spots is different obviously. The research results of this article could give some advices to urban planning, site selection of catering service point and smart travel for consumers.

Key words： online public data; catering industry development level; Wuhan

餐饮业是中国第三产业的核心组成部分，在促进经济增长和解决就业方面发挥重要的作用。随着人们生活水平的提高以及城镇化发展水平的加快，消费者对于餐饮服务的便利程度以及服务质量有了更高的要求。武汉作为中国中部的中心城市，其餐饮业发展无论是从产业规模、服务质量还是种类的丰富程度来看，在国内都达到了较高的水平。为了更好促进武汉餐饮业的发展，方便人们生活，需要对该市餐饮业的空间分布特征以及餐饮发展水平及其空间分异特征进行探讨。
对于城市餐饮行业的空间分布特征以及影响因素的研究由来已久，如Pillsburg选取亚特兰大市区2 000多个餐厅作为研究对象，分析了餐厅的分布特征、服务类别以及影响分布的因素[1]。2005年以来，随着空间数据获取的便捷程度提高，相关的研究工作也较多。如Austin等运用双变量K函数研究芝加哥城市中快餐店在各类学校周边的聚集程度[2]；Sadahiro使用一种可达性函数度量了东京市区咖啡店的时空分布特征[3]；Buck等采用空间聚类分析方法以及多层次回归模型研究了德国学校周边快餐店分布与饮食行为之间的关系[4]。国内相关研究也很多，如方嘉雯从行为主义视角研究了北京五道口地区韩式餐饮业的空间布局特点及其形成机制[5]；秦萧采用主成分分析与核密度估计方法研究了南京市城区餐饮业的空间分布格局以及商户口碑度分布特征[6]；谭欣等采用核密度估计等空间统计方法分析了北京市主城区餐厅的消费价格和口碑的空间分布特征及其影响因素[7]；梅林采用统计分析法对中国各省星级酒店的空间分布特征以及活力因子进行了分析[8]；邬伦等基于网络K函数法对香港的餐饮业空间分布格局进行了研究[9]；涂建军等采用核密度及地理加权回归等方法探讨了山地城市餐饮业分布特征及影响因素[10]。此外，还有很多研究者对中国一些重要城市的餐饮业空间分布特征以及影响因素进行了分析和研究[11~15]。
为了对武汉市餐饮业发展水平及其空间分异特征进行分析，本文采用目前研究中广泛使用的空间统计方法对武汉市餐饮业的相关点评数据进行分析，探讨武汉主城区餐饮业的总体发展水平、空间分布特征、各项指标的冷热点分布特征以及影响因素，以期为武汉餐饮业的发展规划、餐饮店选址以及消费者智慧出行等提供参考。

1 数据与方法

1.1 研究区与数据来源

本文研究武汉市餐饮业及发展水平的空间差异。武汉市目前包括13个市辖区，其中包含7个中心城区和6个远城区，考虑到远城区人口分布与中心城区的差异较大，且发展水平不高，也缺少相关数据，因此本文研究区域主要为武汉市中心城区。具体来说是指武汉市三环线以内的区域，包括武昌区、江汉区和江岸区、硚口区、汉阳区的大部分地区以及青山区和洪山区的部分地区（图1）。
图 1 2019年武汉市餐饮总体分布

Fig.1 Distribution of Wuhan restaurants in 2019

本文使用的点评数据来自于大众点评网（ https://www.dianping.com/），采集的信息包括餐厅的地址、餐饮类型、口味评分、环境评分、服务评分、人均消费等，数据时间为2019年。通过餐厅地址解析出其经纬度坐标，将该数据输入ArcGIS得到武汉市餐饮业分布的点要素shp文件，选择研究区内信息较为完整的24 256个点及其属性作为本文分析的基础数据。分析中用到的地图数据来自于ArcGIS自带的底图数据。

1.2 研究方法

本文主要对武汉市城区餐饮服务发展水平的数量特征和空间分布特征进行分析。数量特征的分析主要采取相关分析等统计分析方法，该方法在地理分析中应用较广[16,17]。空间分布特征分析主要采用密度分析、同位模式分析、空间相关分析以及热点分析等方法。本文中密度分析采用核密度方法[18,19]，通过该方法将武汉城区餐厅的高密度分布区进行可视化表示。同位模式用于分析不同类型餐饮之间是否存在相互吸引或者位置相近的情况，本文使用由Leslie和Kronenfeld提出的同位商（Co-location Quotient，CLQ）指数，从全局角度度量不同类别餐厅之间同位的程度[20]，该指数在地理分析中也有很多应用[21~23]。空间相关分析计算采Moran’s I指数，用来描述反映各餐厅服务水平的3种得分在空间中的聚集状态[24,25]。热点分析使用Getis-Ord Gi*统计量进行识别[26~28]，可以方便地对反映各餐厅服务水平的3种得分的热点（高值）和冷点（低值）在空间中的分布进行可视化。

2 武汉市餐饮服务点数量特征分析

2.1 餐饮类型及数量特征

本文使用的原始数据中将餐饮服务点分为22种类型，为讨论方便，根据餐饮特点将这22种类型的餐饮服务点归类，将其分为传统中餐、日韩料理、西餐、快餐、面包甜点以及特色美食6大类。
从数量分布特征看，武汉市餐饮类型较丰富，数量也较多。在这6大餐饮类型中，传统中餐、特色美食和快餐所占的比例较高，分别占餐饮店的27.1%、24.7%和22.8%。而在传统中餐中，以湖北菜（39.4%）、火锅（20.4%）和川菜（18.8%）这3种餐饮类型占据大多数，达到了该类餐饮总数量的78.6%。此外，具有湖北特色的卤味、小龙虾以及小吃快餐等餐饮类别也占有相当的比重。这说明武汉餐饮业在充分吸收外来饮食文化类型的同时，也保留较为明显的本地餐饮的特色。

2.2 发展水平统计特征

1）发展水平总体分布特征。对武汉市餐饮发展水平顾客满意程度的总体评价主要从口味评分、环境评分和服务评分3个方面进行。利用社会科学统计软件（Statistical Product and Service Solution，SPSS）SPSS对数据进行统计，得到武汉城区餐饮发展顾客满意度统计表（表1）。
表 1 2019年武汉城区餐厅顾客满意度评分统计表

Table 1 Statistic results of customer satisfaction score about restaurants in Wuhan in 2019

评分类别 极小值 极大值 众数 中值 均值 偏度 峰度 标准差
口味评分 5.4 9.3 6.9 7.2 7.331 1.157 1.633 0.4987
环境评分 4.7 9.4 6.9 7.2 7.316 1.229 1.781 0.5456
服务评分 5.2 9.4 6.9 7.2 7.322 1.186 1.868 0.5147
根据数据分析结果，武汉市餐饮发展水平3种评分的总体水平相差不大，均值分别为7.331、7.316和7.322，都处于中等偏上水平。同时，这3种评分的分布特征较为类似，表现为它们的众数和中值都相等，分布的偏度差别也较小且都是右偏，峰度值也相差不多。由此可知，武汉市餐馆在口味、环境和服务这3个方面发展比较均衡。相对而言，顾客满意程度为口味>服务>环境。
2）3种评分的相关性分析。对这3种评分进行偏相关分析的结果如下：口味评分与环境评分的相关性为0.185，口味评分与服务评分的相关性为0.546，服务评分与环境评分的相关性为0.665。口味评分与环境评分的相关性较低，表明消费者对口味和环境的需求不一致，或是餐厅在口味和环境方面本身发展就不均衡，如武汉很多“苍蝇店”尽管环境不好，但是顾客对该店的食品味道比较认可。服务评分与环境评分的相关度最高，表明大部分餐厅在服务水平和环境2个方面发展较为均衡。

2.3 发展水平与消费价格的相关性

为了判别武汉城区餐饮发展水平是否受消费价格的影响，这里通过计算3种顾客满意度评分与人均消费之间的相关系数来进行。考虑到不同类型的餐饮平均消费价格有所差异，这里分别计算6种餐饮的3种评分与人均消费之间的皮尔逊相关系数，通过SPSS得出统计结果，其中所有相关系数的显著性水平均为0.01。
根据计算结果可知，6种类型餐饮的所有3种评分与人均消费价格之间都有显著的正相关关系，但是系数值的变化范围较大。从评分种类来看，6种类型餐饮的环境评分与人均消费价格之间的相关系数均大于相应餐饮类型的口味评分和服务评分；同时，所有6种类型餐饮的口味评分与人均消费价格之间的相关系数小于或等于其他对应的2种评分。表明武汉市餐饮消费价格受就餐环境的影响较大，而消费价格受食物味道的影响较小。从餐饮种类来看，日韩料理的3种评分受价格影响较大，而快餐的3种评分受价格影响较小。

3 武汉城区餐饮服务点空间分布特征

3.1 总体分布特征

武汉城区餐饮服务点的空间分布总体上呈现出“一片、两带、两点”的格局（图1）。其中，“一片”为汉口城区以江汉路步行街为核心向西和东北方向形成的扇形区域；“两带”为武昌城区以友谊大道和中北路为轴线形成的西北−东南走向的分布带以及以珞喻路为轴线形成的东西走向的分布带；“两点”为汉阳城区以王家湾和钟家村为核心的2个餐饮密集区域。
采用ArcGIS中核密度分析方法，得出武汉城区餐饮服务点密度分布图（图2）。显然，武汉城区餐饮服务点高密度区域主要沿轨道交通线分布。具体来看，沿地铁2号线分布的高密度区除了有光谷、街道口和江汉路这3个核心区域之外，还有武广、王家墩以及北湖；沿轻轨1号线分布的高密度区有宜家荟聚、汉西、武胜路、江汉路、武汉天地等；沿地铁4号线分布的高密度区有王家湾、钟家村、中南路、汉街。此外，沿主干道分布的有沿和平大道分布的奥山与众圆广场、沿徐东大街分布的销品茂与群星城等。
图 2 2019年武汉市餐饮密度分布

Fig.2 Density of restaurants in Wuhan in 2019

武汉市餐饮高密度分布区还与武汉市商圈高度相关。武汉市目前已形成10多个不同规模的商圈，如武汉广场、江汉路、武汉天地、菱角湖、中北路−中南路、古田、街道口、光谷、王家湾以及钟家村商圈等。从图2看出，这些商圈所在地也正是餐饮高密度分布区。除了这些商圈外，其他餐饮高密度区也是与大型商业综合体重合，如汉口的宜家和荟聚、青山区的奥山世纪城、武昌的销品茂和群星城等都是如此。

3.2 各类餐饮的分布特征

1）传统中餐。传统中餐厅在所有的餐饮类型中数量最大，类型也比较多，其分布与武汉餐饮总体分布特点类似，主要分布在轨道交通线以及城市主干道沿线，并且与主要商圈分布高度相关。但传统中餐高密度分布区数量更多，如在武昌中华路、汉口二七路、汉口火车站等地也出现传统中餐高密度分布区；且高密度分布区的形态也有所差异，如江汉路高密度分布区是以江汉路步行街为核心、以中山大道为轴南至友谊路北达一元路的狭长区域（图3a）。
图 3 2019年武汉市各类餐饮分布密度

Fig.3 Density distribution of restaurants in Wuhan in 2019

2）日韩料理。日韩料理餐厅的高密度分布区较为集中，主要分布在江汉路、街道口、光谷、汉街、武汉天地以及中南财经政法大学南湖校区；分布区的形状较为紧凑，如江汉路分布区基本上以步行街为核心，向外扩张的程度较小，街道口分布区更为明显，基本呈同心圆结构（图3b）。
3）西餐。西餐厅的高密度分布区主要有江汉路、汉口同心里、卢沟桥路、武汉广场、西北湖、唐家墩万达以及汉街、街道口、光谷以及昙华林等地，而汉阳的高密度分布区较少。这些西餐厅分布区的形状也较为紧凑，如街道口、江汉路、武汉天地及同心里等高密度分布区基本呈同心（椭）圆结构（图3c）。
4）快餐。快餐厅的高密度分布区较多，而且分布范围较广，分布区面积较大，特别是在人口密集的汉口老城区，形成了大面积的高密度分布区。如在汉口形成了2个大的分布区，其一是以江汉路为核心、沿中山大道南至前进一路、北达建设街并局部向西延伸至解放大道的一个较大的不规则狭长型区域；其二是以武汉广场和荣西社区为核心连片而成的纺锤形区域。此外，汉阳王家湾和钟家村也形成了面积较大的快餐高密度分布区（图3d）。
5）面包甜点。面包甜点店高密度分布区较少，分布区面积也不大。主要有江汉路、武汉广场、街道口、光谷、汉街以及王家湾几个分布区，其中江汉路分布区是以江汉路为核心并沿一号轻轨线向西北延伸至循礼门的一个近似椭圆形区域（图3e）。
6）特色美食。特色美食的高密度分布区不多，分布范围也不大，分布区面积也只有江汉路分布区较大，是以江汉路为核心并沿一号轻轨线向西北延伸至循礼门一个近似矩形的区域。主要高密度分布区有江汉路、万松园、武汉广场、菱角湖万达、香港路、友益街、荣西社区、王家湾、钟家村、街道口以及光谷等区域（图3f）。

3.3 各类餐饮同位关系分析

6种类型餐饮之间的总体同位关系度量计算结果如表2所示。根据计算结果，这6种类型的餐饮与其本身的同位商均大于1，表明这6种类型的餐饮呈聚集分布，这与前面的讨论结果相一致。分析各种类型餐饮与其他类型餐饮之间的同位关系可以发现，传统中餐与西餐、快餐和面包甜点之间的CLQ取值分别为0.809、0.824和0.769，与日韩料理和特色美食的CLQ值不显著，因此传统中餐与这5种类型的餐饮都不存在同位关系。同理，快餐与其他类型的餐椅以及日韩料理与其他类型的餐饮业不存在同位关系。西餐与传统中餐、日韩料理和快餐的CLQ指数分别为0.817、0.819和0.756，均小于1，因此西餐与这3种餐饮类型不存在同位关系。但是，西餐与面包甜点和特色美食的CLQ指数为1.124和1.537，表明西餐对面包甜点和特色美食的吸引力较大；同时面包甜点和特色美食与西餐之间的CLQ指数分别为1.264和1.453，表明面包甜点和特色美食反过来也吸引西餐，尽管吸引力大小稍有不同。因此西餐与这2种餐饮类型存在同位关系。同理，面包甜点与西餐和特色美食、特色美食与西餐和面包甜点之间都存在同位关系。
表 2 2019年不同类型餐饮间的同位商指数值

Table 2 CLQ values between two different types of restaurants in 2019

传统中餐 日韩料理 西餐 快餐 面包甜点 特色美食
传统中餐 1.331 — 0.809 0.824 0.769 —
日韩料理 — 1.281 0.803 0.923 0.784 —
西餐 0.817 0.819 2.454 0.756 1.124 1.537
快餐 0.778 0.911 0.765 1.485 0.916 0.717
面包甜点 0.772 0.827 1.264 0.920 1.627 1.346
特色美食 — — 1.453 0.706 1.256 2.420

　　注：—表示2种类型间的同位关系不显著；加黑数字表示聚集或存在同位关系。

4 武汉市餐饮服务水平空间差异分析

4.1 服务水平聚集性分析

1）总体聚集性。通过计算Moran’s I指数，可以对武汉市餐饮业服务水平的3个评价指标的空间聚集特征进行分析。口味评分的Moran’s I指数为0.110 433，Z得分为39.552 4，P值为0，表明武汉市餐饮业口味评分在空间上呈聚集状态；环境评分与服务评分的Moran指数分别为0.194 729和0.149 525，相应的Z得分分别为69.732 4和53.548 3，P值均为0，表明武汉市餐饮业的环境评分与服务评分在空间上也呈聚集状态。对这3种评分的Moran’s I指数值进行比较可知，环境评分值最大，说明武汉市就餐环境较好餐厅的聚集程度较高；口味评分Moran’s I指数值最小，说明武汉市味道评分较好的餐厅尽管在空间上仍然是呈聚集状态，但是聚集程度在这3种评分中最低。
2）各类餐饮的空间聚集性。在6类餐厅中，日韩料理的3种评分的Moran’s I指数均大于0，但是由于其对应的Z得分最大为1.462，同时对应的P值最小值为0.144，均不满足聚集性的判定条件，因此可以认为日韩料理的这3种得分在空间分布上聚集性不明显。对于其他5种餐饮类型即传统中餐、西餐、快餐、面包甜点以及特色餐饮，3种评分的Z值均大于5，P值均接近0，相应的Moran’s I指数均为正值。因此，可以确认这5种餐饮的3种评分在空间上都是呈聚集分布的。根据计算结果，这5类餐饮的环境评分的Moran’s I指数均大于口味评分和服务评分的Moran’s I指数，说明这5类餐饮就餐环境较好餐厅的聚集程度较高；同时，这5类餐饮口味评分的Moran’s I指数是这3种评分中最低的，说明这5类餐饮口味评分较高的餐厅的聚集程度是最低的。从不同的餐饮类别看，面包甜点的3种评分均较低，说明这一类餐饮3种评分较高的餐厅的聚集程度均较低；特色餐饮的3种评分都较高，说明这一类餐饮3种评分较高的餐厅的聚集程度都较高。3种评分的Moran’s I指数差别较大的是西餐，其环境评分的Moran’s I指数最高，服务评分其次，口味评分最低，说明武汉市环境较好的西餐厅更趋向于集中，而服务较好和口味较好的西餐厅的集中程度依次减小。对于传统中餐而言，口味评分和服务评分的Moran’s I指数值差不多，均小于环境评分，说明传统中餐就餐环境较好的餐厅聚集程度较高，而口味和服务评分较高的餐厅聚集程度相对较低。

4.2 服务水平热点分析

为了获取武汉市区餐饮服务的热点分布区域，本文通过计算Getis-Ord Gi*统计量对服务水平的各个指标进行判别。考虑到研究区内餐饮服务点的密度以及河流湖泊较多的特征，在该指数的计算过程中选取的带宽为300 m，从而可以计算出服务水平3种评分的热点冷点分布图，图4显示了3种评分置信度为99%的热点和冷点分布区域。
图 4 2019年武汉市餐饮服务3种评分的热点冷点分布

Fig.4 Distribution of hot and cold spots of three types scores in Wuhan's restaurant service in 2019

1）热点空间分布特征。从整体上看，武汉市区餐饮3种评分的热点分布区总体数量大体一致，且大多位于中心城区一环二环以内，二环以外也有少量分布。从局部区域来看，武汉三镇餐饮3种评分热点分布格局有所区别，其中汉口热点区较多且比较集中，武昌热点区较多但比较分散，而汉阳区只有2个热点区。从具体位置来看，江汉路、北湖、武汉天地、洞庭街、武广、唐家墩以及城市广场等为汉口范围较大的热点区，武昌的热点区有光谷、汉街、街道口、众圆广场、徐东以及中南路等，而汉阳只有王家湾和江滩公园2个较小的热点区。从3种评分热点分布区的差别来看，绝大部分热点区都是相同的，只有少数的热点区不一致。例如，汉口的宜家荟聚是一个重要的环境评分热点区，但是并不是口味评分和服务评分热点区；武昌的中华路是口味评分热点区和服务评分热点区，但不是环境评分热点区。
2）热点数量特征。为了从数量上探讨口味、环境和服务这3种评分热点的分布特征，这里统计各个热点分布区显著性水平0.01条件下Z值大于3的热点数，这3种评分热点总数分别为5 645、5 878和5 901，差别并不大。将3种评分热点数总和列前20位的热点分布区对应的热点数显示在同一散点图中，可以发现除了少数几个分布区外，大部分热点分布区中3种评分热点数基本一致。因此，从数量上来看，大部分热点区3种评分水平的发展较为均衡。之所以3种类型评分热点分布区比较一致，主要是因为武汉市3种评分热点区分布类别主要体现为2种。第一种是传统商业与住宅混合区，这类分布区多是较为老旧的住宅小区和传统商业区紧密结合，一直都是本市著名的餐饮发达区域，特别是在餐饮味道和服务方面口碑较好，这类区域主要分布在汉口，其中以江汉路最为典型，它包含了王府井百货、佳丽广场以及江汉路步行街等商业设施，同时分布很多老社区。此外，洞庭街、高雄小区以及北湖等都是这种类型。第二种是主要依托重要商业设施形成的热点区，武昌的大部分热点区属于这种类型，如汉街、街道口、众圆广场、奥山世纪城、群星城等，汉阳的王家湾也是这种类型。

4.3 服务水平冷点分析

1）冷点空间分布特征。从整体来看，3种类型评分冷点分布区相对于热点分布区较为均衡，在一环、二环和三环内都有较多的分布。局部区域看，3镇（汉口、武昌、汉阳）的分布也有差异，其中汉口冷点区较多且分布较均衡；武昌冷点区较多，东西向沿珞喻路分布较密集而南北向沿友谊大道较分散，汉阳区冷点仍然较少（图4）。与3种类别热点分布区位置较为一致不同，口味、环境和服务3种评分的冷点分布区既有位置相同的，也有位置不同的。例如，汉口火车站周边既是口味冷点区，同时也是环境和服务冷点区；而球场路和杨汊湖为环境冷点，西马路为服务冷点等。
2）冷点数量特征。为了从数量上探讨口味、环境和服务这3种评分冷点的分布特征，这里统计各个冷点分布区显著性水平0.01条件下Z值小于−3的冷点数，这3种评分冷点总数分别为907、1 690和1 119，差别明显。将3种类型冷点同位的冷点分布区冷点数在同一散点图中列出，可以看出，同一冷点区中不同类型的冷点数量大多数都有明显的差异。因此，从数量上来看，大部分冷点区3种评分水平发展不均衡。同时，这些冷点区口味冷点数相对较为平稳，而环境和服务冷点数变化较大，其中以汉口火车站和同济医院周边较为明显。

5 结论

本文基于网络点评数据，采用核密度分析、空间自相关分析等空间统计方法，分析武汉市主城区餐饮行业聚集特征以及餐饮服务水平的空间差异，并就形成原因进行探讨。主要结论如下。
1）武汉餐饮类型丰富，充分吸收外来饮食文化的同时，保留较为明显的本地餐饮特色；传统中餐、特色美食和快餐所占的比例较高。不同类型餐饮人均消费价格差异较大，其中日韩料理人均消费价格最高，快餐人均消费价格最低。
2）从口味、环境和服务3方面看，顾客对武汉市餐饮满意度平均得分分别为7.331、7.316和7.322，这3个方面的服务满意程度为口味>服务>环境，总体得分中等。根据相关性分析，说明很多餐厅的口味与环境差异较大，而服务与环境2个方面的发展较为均衡。此外，3种评分与人均消费都存在显著的正相关，其中就餐环境与人均消费的相关性最高，口味评分与人均消费的相关性最低。
3）从空间分布来看，汉口、武昌和汉阳3地的餐厅分布整体分别表现为片状、带状和点状分布。根据密度分析，可以发现武汉三环内餐厅高密度分布区主要沿轨道交通线分布，并与各商圈高度相关。根据密度分析，不同类型餐饮高密度分布区也各有差异；根据同位关系分析，面包甜点与西餐和特色美食、特色美食与西餐和面包甜点之间都存在同位关系。
4）通过Moran’s I指数计算，可以发现武汉餐饮满意度评价的3种评分都存在显著的聚集，其中环境评分Moran’s I指数最大，表明武汉市就餐环境好的餐厅聚集程度最高。从不同类型餐饮来看，日韩料理的3种评分的聚集指数都不显著，其他5种类型的餐饮评分的聚集性都是显著的，其中西餐的聚集程度最高。
5）根据热点分析，武汉市餐饮满意度3种评分热点分布区大多保持一致，且3种评分的热点数较为均衡，主要分布在传统商业与住宅混合区以及重要商业设施及其周边；3种评分冷点区的分布有一致也有不一致，冷点数有明显差异，主要分布在火车站、医院和学校周边以及老旧和偏远小区附近。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Pillsburg R. From hamburger alley to hedgerose heights: Toward a model of restaurant location dynamics[J]. The Professional Geographer, 1987, 39 (3): 326- 344.

DOI

[2]
Austin S, Melly S, Sanchez B et al. Clustering of fast-food restaurants around schools: A novel application of spatial statistics to the study of food environments[J]. American Journal of Public Health, 2005, 95 (9): 1575- 1581.

DOI

[3]
Sadahiro Y. Spatiotemporal analysis of the distribution of urban facilities in terms of accessibility[J]. Papers in Regional Science, 2005, 84 (1): 61- 84.

DOI

[4]
Buck C, Börnhorst C, Pohlabeln H et al. Clustering of unhealthy food around german schools and its influence on dietary behavior in school children: A pilot study[J]. International Journal of Behavioral Nutrition & Physical Activity, 2013, 10, 65- 74.

[5]
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.

Fang Jiawen. The distribution characteristics and clustering mechanism of korean catering service in Wudaokou District, Beijing[J]. Economic Geography, 2014, 34 (12): 106- 113.

[6]
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.

Qin Xiao, Zhen Feng, Zhu Shoujia et al. Spatial pattern of catering industry in Nanjing urban area based on the degree of public praise from internet: A case study of Dianping.com[J]. Scientia Geographica Sinica, 2014, 34 (7): 810- 817.

[7]
谭欣, 黄大全, 赵星烁. 北京市主城区餐厅空间分布格局研究[J]. 旅游学刊, 2016, 31 (2): 75- 85.

DOI

Tan Xin, Huang Daquan, Zhao Xingshuo. A study on the spatial distribution pattern of restaurants in Beijing’s main urban area[J]. Tourism Tribune, 2016, 31 (2): 75- 85.

DOI

[8]
梅林, 韩蕾. 中国星级酒店空间分布与影响因子分析[J]. 经济地理, 2011, 31 (9): 1580- 1584.

Mei Lin, Han Lei. A study into the factors influencing the spatial distribution of Star-Rated Hotels in China[J]. Economic Geography, 2011, 31 (9): 1580- 1584.

[9]
邬伦, 刘亮, 田原, 等. 基于网络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.

Wu Lun, Liu Liang, Tian Yuan et al. Spatial pattern analysis of geographic features using network -function methods with a case study of restaurant distribution in Hong Kong Island[J]. Geography and Geo-Information Science, 2013, 29 (5): 7- 11.

[10]
涂建军, 唐思琪, 张骞, 等. 山地城市格局对餐饮业区位选择影响的空间异质性[J]. 地理学报, 2019, 74 (6): 1163- 1177.

DOI

Tu Jianjun, Tang Siqi, Zhang Qian et al. Spatial heterogeneity of the effects of mountains city pattern on catering industry location[J]. Acta Geographica Sinica, 2019, 74 (6): 1163- 1177.

DOI

[11]
张旭, 徐逸伦. 南京市餐饮设施空间分布及其影响因素研究[J]. 热带地理, 2009, 29 (4): 362- 367.

DOI

Zhang Xu, Xu Yilun. Study on the distribution in space of urban caterings and its influencing factors: A case study of Nanjing[J]. Tropical Geography, 2009, 29 (4): 362- 367.

DOI

[12]
梁璐. 城市餐饮业的空间格局及其影响因素分析——以西安市为例[J]. 西北大学学报(自然科学版), 2007, 37 (6): 925- 930.

Liang Lu. The distribution in space of urban catering and its factors: Xi’an as an example[J]. Journal of Northwest University (Natural Science Edition), 2007, 37 (6): 925- 930.

[13]
舒舍玉, 王润, 孙艳伟, 等. 城市餐饮业的空间格局及影响因素分析——以厦门市为例[J]. 热带地理, 2012, 32 (2): 134- 140.

DOI

Shu Sheyu, Wang Run, Sun Yanwei et al. Spatial distribution of urban catering industry and its influenced factors: A case study of Xiamen City[J]. Tropical Geography, 2012, 32 (2): 134- 140.

DOI

[14]
曾媛, 吴国清. 上海中心城区餐饮网点空间格局及影响因素[J]. 城市学刊, 2019, 40 (5): 56- 62.

DOI

Zeng Yuan, Wu Guoqing. Spatial pattern of catering outlets in the central city of Shanghai and its influencing factors[J]. Journal of Urban Studies, 2019, 40 (5): 56- 62.

DOI

[15]
吴立周, 权东计, 朱海霞. 西安城区餐饮老字号空间格局及其影响因素研究[J]. 世界地理研究, 2017, 26 (5): 105- 114.

DOI

Wu Lizhou, Quan Dongji, Zhu Haixia. Study on the spatial distribution of Time-honored Catering Brand and its influencing factors in Xi’an[J]. World Regional Studies, 2017, 26 (5): 105- 114.

DOI

[16]
薛冰, 肖骁, 李京忠, 等. 基于POI大数据的沈阳市住宅与零售业空间关联分析[J]. 地理科学, 2019, 39 (3): 442- 449.

Xue Bing, Xiao Xiao, Li Jingzhong et al. POI based spatial correlation of the residences and retail industry in Shenyang City[J]. Scientia Geographica Sinica, 2019, 39 (3): 442- 449.

[17]
李建国, 袁冯伟, 赵宴青, 等. 中国东部沿海地区暴雨对植被活动的影响[J]. 地理科学, 2020, 40 (2): 324- 334.

Li Jianguo, Yuan Fengwei, Zhao Yanqing et al. Effect of rainstorms on vegetation activities in eastern coastal area of China[J]. Scientia Geographica Sinica, 2020, 40 (2): 324- 334.

[18]
Silverman B W. Density estimation for statistics and data analysis[M]. London, UK: Chapman Hall, 1986.

[19]
Bailey T C, Gatrell A C. Interactive spatial data analysis[M]. Harlow, UK: Longman Scientific, 1995.

[20]
Leslie T F, Kronenfeld B J. The colocation quotient: A new measure of spatial association between categorical subsets of points[J]. Geographical Analysis, 2011, 43, 306- 326.

DOI

[21]
Yue H, Zhu X, Ye X et al. The local colocation patterns of crime and land-use features in Wuhan, China[J]. ISPRS International Journal of Geo-Information, 2017, 6, 307.

DOI

[22]
Cromley R G, Hanink D M, Bentley G C. Geographically weighted colocation quotients: Specification and application[J]. The Professional Geographer, 2014, 66 (1): 138- 148.

DOI

[23]
Wang F, Hu Y, Wang S et al. Local indicator of colocation quotient with a statistical significance test: Examining spatial association of crime and facilities[J]. The Professional Geographer, 2017, 69 (1): 22- 31.

DOI

[24]
Moran P A. The interpretation of statistical maps[J]. Journal of the Royal Statistician, 1948, 5, 115- 145.

[25]
张向敏, 罗燊, 李星明, 等. 中国空气质量时空变化特征[J]. 地理科学, 2020, 40 (2): 190- 199.

Zhang Xiangmin, Luo Shen, Li Xingming et al. Spatio-temporal variation features of air quality in China[J]. Scientia Geographica Sinica, 2020, 40 (2): 190- 199.

[26]
Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24, 189- 206.

[27]
Ord J K, Getis A. Local spatial autocorrelation statistics: Distributional issues and an application[J]. Geographical Analysis, 1995, 27, 286- 306.

[28]
冯喆, 蒋洪强, 卢亚灵. 基于大数据方法和SOFM聚类的中国经济−环境综合分区研究[J]. 地理科学, 2019, 39 (2): 242- 251.

Feng Zhe, Jiang Hongqiang, Lu Yaling. China’s economic-environment comprehensive zoning based on big data method and SOFM clustering[J]. Scientia Geographica Sinica, 2019, 39 (2): 242- 251.

Options
文章导航

/

〈 〉