产业大数据及空间自相关性于产业规划的应用

王启豪摘要：国民社会经济发展规划重点通常不在于挖掘产业空间的特征，而产业规划及相关研究的也鲜有从大数据思维切入，将产业数据进行大量且细微地空间分析，并对产业集聚性、综合效益等进行空间计量。本篇研究，目的是在城市大数据思维时兴及产业数据日益公开化、透明化的趋势下，运用具有大数据特征的经济普查数据，通过建构空间自相关性分析的技术框架，剖析产业综合效益及空间集聚特征的空间自相关性，建立“产业综合效益—产业空间集聚程度”的四象限，以理解产业空间背后所蕴含的经济发展趋势及空间集聚形态；同时，在“大数据+大特征”基础上，借助“小数据+细特征”的思路，结合对园区、企业、楼宇的定性分析，对研究区域内的产业空间、产业发展阶段、园区/企业发展问题进行判断。本文的结论落脚于如何通过空间自相关性四象限的技术框架对产业大数据进行空间量化分析，并在国家强调统一空间规划体系的趋势下，为城乡规划工作中的产业规划提出空间研究的建议。关键词：产业大数据，空间自相关性，产业规划，城市经济，决策支持，基础地理信息数据1背景——应用产业大数据及空间计量方法的必要性

1.1产业类大数据日益公开化，具有广泛应用的潜力

国民社会经济发展规划，重点通常不在于挖掘产业空间的特征，而产业规划的惯常做法也是对于产业用地、产业园区、商务/商业楼宇的产值、企业数量、分行业类别的产业集聚区有所描绘，鲜有从大数据思维切入，将产业数据进行大量且细微地空间分析、并对产业集聚进行空间测算。不论是通过官方口径收录的经济普查数据、主要社会经济指标、重点园区产值、规上/龙头/百强企业，抑或是某些信息服务平台提供的企业工商注册信息（公开），当在足够规模区域进行统计时，都在一定程度上符合大数据的特征（量大、类多、不断更新），并且具有地理标识（可空间化表达）。以城市大数据的思维应用这些珍贵资源，对于理解一个地区的产业变化趋势、产业空间供应模式的转变以及产业规划的项目抓手具有重要的指导意义。1.2产业类大数据能够进行度的空间分析，助力产业规划

实际上，构成产业的要素与城市空间密切相关，不论是集聚在园区的二产及高新技术企业、寄居于楼宇的生产性服务业及新兴产业以及零散分布于商住区域的生活型服务业，都有其存在的空间基础以及成因，也揭示了适宜或不适宜特定产业形态生存的空间特征。而产业大数据一旦空间化，就可以进行全面细微的空间测度，揭示产业空间背后所蕴含的经济发展趋势、产业集聚的空间特征及效果、产业空间更新与业态变化的关系等等，这就需要运用大数据的思维、资源及技术方法。1.3目前对于产业大数据的应用，大多仍在非空间类研究及地理信息管理层面

在具有大数据特征的产业数据当中，经济普查数据相对较为适合；但通常情况下，经普数据的应用常集中于以描述性统计的方法总结一个地区的二产、三产的发展规模、产业结构、产业技术的现状、各生产要素的构成和企业效益等情况，并查实服务业、战略性新兴产业和小微企业的发展状况，建立较为健全的基本单位名录及其数据库系统，为国民社会经济发展规划、产业规划、经济发展研究提供决策依据。但是，除了利用电子地理信息系统建立普查区电子地图，鲜有将经普数据进一步应用于空间分析的案例。2综述——产业大数据应用及主要技术方法

2.1诸多规划及研究，已关注并运用产业大数据

骆悰等人（2015）于新一轮上海城市总体规划（2020—2035年）的编制之际，对经普数据在城市规划中的应用开展系统探索，力求为城市总规编制有所助益；其次剖析经济普查数据在城市总体规划应用中的问题及局限，提出了经济普查数据在规划应用中的难点：1.数据采集空间到户，但只达到相对精确落地程度；2.数据统计划定小区，但须与规划单元相衔接；3.数据字段逐次增加，但也造成趋势分析困难；4.数据调查全面，但空间覆盖并不完整。即便如此，本文仍然强调对于经济普查数据应用的重要性，往往更适用于对特定对象的精深分析。谷一桢等人（2009）利用北京市2001年基本单位普查和2004年经济普查所提供的就业人口数据，通过单中心、多中心定量模型，城市就业密度方程等技术方法识别北京市的就业中心格局及比那话趋势，为基于就业中心信息的北京城市空间结构研究提供了基础。任平（2008）应用统计年鉴数据和经济普查数据，通过构建成都市区域经济发展水平评价指标体系，采用聚类分析数学模型，研究了成都市“都市圈层经济结构”的存在形式，并在此基础上探讨大都市圈中城乡空间互动机制、协调发展模式，提出城乡一体化的发展战略措施。总体来讲，在大数据应用及政务数据不断公开的背景下，以经济普查数据为代表的产业类大数据的作用日益突出。但由于经普数据的统计处于初期阶段，其初衷并不直接服务于规划编制或研究，管理属性优于应用属性，因此其在城市规划中的应用空间仍较为有限。2.2空间计量的技术方法已有应用场景，但仍可挖掘

在与空间计量相关的产业大数据应用中，郑思齐等人（2009）为识别城市就业主、次中心，运用单、多中心重力模型对北京都市区就业密度函数进行解释：运算结果表征沿特定空间方向的就业密度变化。图1单、多中心重力模型公式样本（来源：《北京市就业中心的识别：实证方法及应用》）任平（2008）采用聚类分析模型，将体现城市圈层经济发展水平的指标体系，分型划类，并以每个行政区（县）为空间单元，计算城市圈层经济结构图，表征以中心城区为中心向近郊、远郊扩散的三个圈层。图2城市圈层经济发展指标体系及测算图（来源：《成都圈层经济空间互动协调发展战略研究》）沈体雁等人（2012）基于区域密度方程和空间统计方法，利用两次经济普查的就业数据对东北地区就业密度的空间特征进行了研究，得到就业密度格局，并总结为东北地区沿海化和局域融合的发展趋势。任英华等人（2010）利用产业集聚测算方法对现代服务业空间集聚特征进行了分析。将湖南省区域集聚度位居前列的行业及行业内的企业集聚成都进行了对比，总结出2004年湖南省区域集聚度位居前四位的产业大类。2.3针对现有经验的思考与补充

类似的技术方法应用数不胜数，但笔者认为，基于产业大数据的空间计量方法，存在以下可进一步挖掘的空间：2.3.1现有研究通常不对数据空间化的精度进行描述。

针对产业大数据的技术应用，通常将数据量化至较大尺度的空间单元，如行政区范围；这样的视野虽为宏观，但对于数据精度的把握则存在一定妥协。像经济普查数据，其主要任务是摸清家底，2013年第三次经济普查甚至采用了手持PDA1的采集方式（骆悰，2015）直接收集包含GPS点位经纬度的空间信息，便于每一个企业数据的空间落地。具有如此精确空间信息的数据，如果基于较为精确的空间位置进行空间计量分析，将发挥更大作用。2.3.2现有研究鲜有将数据不同维度的信息进行耦合、对比。

包括文献综述所提到的几篇代表作在内的研究，一般是将产业大数据自身的各个指标视为同类属性的因子，将其理解为表达企业财务情况的描述性指标。一些量化的叠加目的主要是将其进行数量上的积累从而在量化分析上达到集聚的效果。但是，很少有将表征企业的不同指标进行耦合、对比：比如，在该地区某一产业门类的企业（按2017年国民经济行业分类标准GB/T4754—2017），其营业收入等效益指标相对于其空间位置是否呈现密集、强势的特征？在该地区某两类产业链相近的行业，其企业的效益指标是否接近、抑或没有明显的关联？诸如此类将数据不同字段进行耦合对比的分析方法，将会揭示产业大数据更多的故事和规律，从而总结更多层面的特征。2.3.3现有研究通常是特征总结导向，与产业空间实体的结合关系不紧密。

大部分的产业发展研究、经济地理研究、产业规划，在运用产业大数据进行分析的落脚点，通常在于总结特征，揭示过去一定时期内（依数据资料的时间而定）的规律，而放在规划类结论的笔墨不多。然而，产业大数据因其“大”的属性，其分析结论偏于宏观，需要结合对产业用地供应、产业空间形态等产业空间实体要素的分析，才能够得到衔接以及延伸，以使产业大数据的分析得以落地；比如说，大数据分析得知某产业的空间集聚特征，其产业空间是否是最适宜该行业栖居发展的空间形态？该产业如若符合该地区的新动能，如何供应产业用地及配套功能以壮大此类产业，让企业舒适地留着？在存量发展时代，如何将产业规划通过法定规划传达至空间规划及招商？诸如此类的问题，应当是梳理产业大数据应用思维的出发点，也是本文技术框架的重点（基于“大数据+大特征”、辅以“小数据2+细特征”）。3方法——数据及技术框架

3.1本文的目的

如上文所述，产业类大数据日益公开化，为度的空间计量分析提供了丰富的资源，也为城市空间规划提供崭新视角的助力。然而，目前对于产业大数据的应用，大多仍是非空间类经济计量研究、地理信息管理；在空间相关的应用当中，对于数据空间化的精度、数据PDA：手持数据采集设备，PDA)，具有拍照、数据录入、地图加载、GPs定位、网络无线传输等多种功能。经济普查入户时．普查员将使用PDA对普查对象的经纬度坐标数据进行GPs定位采集，并进行拍照和登记数据等，并实时将普查数据传输到国家统计局数据中心，最大限度确保了普查数据的真实性（骆倧，2015）。2

“小数据”多指传统统计口径下所收集到的人口、经济、社会、土地、空间等具有较为精确统计对象及指标维度的数据。1

不同维度的耦合对比以及大数据分析落脚点的稳固及延伸方面，都有可挖掘的潜力。因此，本文基于深圳某产业规划项目，在引用街道量级的第三次经济普查数据的基础上，建构空间自相关性分析的技术框架，剖析产业综合效益及产业空间集聚特征的空间自相关性，建立“综合效益--空间集聚”的四象限，以理解产业空间背后所蕴含的经济发展趋势及空间集聚形态；同时，在“大数据+大特征”基础上，补充“小数据+细特征”的分析方法，对研究区域内的产业空间进行衔接及延伸，为大数据分析夯实落脚点。3.2数据源

3.2.1大数据——第三次经济普查数据

本次普查的时间节点是2013年12月31号，在研究范围内的企业，多报出于2014年。从法人单位总量来看，研究范围内共有超过11900家企业；从从业人员来看，第二产业和第三产业法人单位从业人员接近24万人；从主要经济结构来看，在法人单位中，第二产业占14.60%，第三产业超过85%。第二产业从业人员占全部法人单位从业人员的30%，第三产业法人单位从业人员占70%左右；这是一个典型的服务业区域。经普数据拥有接近50项数据字段，其中又可以衍生出产业门类、行业大中小类、企业经纬度等信息。表1数据类型数据源主要字段（现有）数据字段单位名称行业代码法人从业人员期末人数营业收入主营业务收入营业税金及附加资产总计现有数据(PrimaryData)实收资本年末资产地址行政区划管理机构注册地址开业时间主要业务人千元千元千元千元千元千元单位资质等级（建筑业、房地产业）批发和零售业企业经营形式住宿业星级评定情况产业门类行业大类名称挖掘数据(SecondaryData)行业中类名称行业小类名称经纬度坐标表2按行业分组对经济普查数据进行基础统计样例（研究区域内抽样）行业类型第二产业制造业电力、热力、燃气及水生产和供应业建筑业第三产业交通运输、仓储和邮政业信息传递、软件和信息技术服务业批发和零售业餐饮业房地产租赁和商务服务业科学研究和技术服务业水利、环境和公共设施管理业居民服务和其他服务业教育卫生和社会工作文化、体育和娱乐业合计法人单位（家）133941383001791122162372226921433从业人员（人）370312962456868395535218811128098272711657201424029206329327443907392383营业收入（千万元）229919083735359659633354215633991451724677482选择第三次经济普查数据作为本案例的大数据来源，主要是考虑到其数据精度及数据综合性相对其他数据样本有明显优势。第三次经济普查是依托普查小区为空间基本单元展开，普查小区是明确经普的区域界限及职责范围；故每一条经普数据都有其行政区划代码（本案为对应居委会）和普查小区代码。同时，如上表所示，三经普数据包含了普查单位多达50项的各类基本数据，根据某些数据标签可进一步挖掘更多信息，更有助于理解研究区域内各类企业的经济运行基本情况。3.2.2小数据——产业园区及典型企业

为使大数据的应用得到衔接以及延伸，补充产业园区及典型企业（百强企业、规上企业、国家高新技术企业）数据，在大数据分析得到的宏观层面信息中，抽析重点特征、重点空间及重点问题。表3序号123456710……园区名称XX工业园XX科技园XX创新园XX大厦XX科技创新园XX工业园XX科技园XX战略新兴产业园XX空间XX商务公园产业园区数据抽样示例2017产值（亿元）27,231.5085,749.3100106,830.220103,491.78111,063.05106,20173,699276,353.3706,030.963,976地址合计20----表4序号1234567企业名称XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司规模以上企业数据抽样示例主营业务专业工业工业工业工业工业工业工业2017产值（千元）2483291279517121675511417022450280992569地址生产高精密流量控制器光纤跳线塑胶垫片模切产品制作高速球电源适配器制造电烫斗10……XX有限公司XX有限公司XX有限公司热流道系统生产光纤通信产品生产经营变压器工业工业工业1008271765.28203合计535----表5序号123456710……企业名称XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司XX有限公司国家高新技术企业数据抽样示例所属领域电子信息技术电子信息技术新材料技术先进制造与自动化所属楼宇XX工业园XX科技园XX创新园XX大厦XX科技创新园XX工业园XX科技园XX战略新兴产业园XX空间XX商务公园地址高新技术改造传统产业资源与环境技术电子信息技术新材料技术新材料技术先进制造与自动化合计535----3.3技术架构3.3.1总体框架

本研究的整体技术框架按照“数据预处理（清洗、降噪）→数据空间处理（GIS）→空间数据分析（SpatialAnalysis）→数据可视化”的逻辑链条展开，重点的技术环节在于将产业空间集聚程度分析及产业空间综合效益分析进行空间自相关性分析，建构“产业空间集聚程度--产业空间综合效益”的四象限，再结合上述产业“小”数据，对分析结果进行解读及判断。图3研究方法流程图（来源：作者自绘）3.3.2重点技术环节

1.综合效益指标体系构建本研究所采用的三经普数据是以企业为粒度，有若干财务指标能够表征企业效益情况，比如：营业收入、主营业务收入、营业税金及附加、资产总计、实收资本、年末资产。将每个指标在所有企业样本中进行标准化，得到每项指标的无量纲值，该值从0到1，表示该企业该项指标于全部数据样本中的优劣程度；再将诸指标的无量纲值取平均，认为是该企业的综合效益指标。图4综合效益指标体系（来源：作者自绘）上述无量纲化值的测算公式：Yi=(Xi-Xmin)/(Xmax-Xmin)，其中：Yi：上述各企业指标的无量纲值，从0到1，表示该项指标相对于全体数据样本的优劣程度，越接近于1，表示该企业在该指标上越靠前；Xi：某企业的该指标实际值；Xmax：所有企业当中，该指标的最大值；Xmin：所有企业当中，该指标的最小值，本案为0。2.“产业综合效益--产业集聚程度”四象限评估体系为了进一步理解产业空间背后所蕴含的产业空间效益及空间集聚形态，使产业大数据的空间分析更具有生命力，本研究构建“产业综合效益--产业集聚程度”的四象限评估体系。这里，产业综合效益即上段所述的无量纲值，产业集聚程度即企业点在空间分布的密集程度（HeatMapping）；将后者按同样的做法无量纲化后，以企业为研究对象，对两个指标进行空间自相关性分析（SpaitalAuto-Correlation），具体做法是把两个指标聚合在将100*100m的研究栅格内；这样就得到产业综合效益--产业空间集聚程度的四象限：高集聚-高效益、低集聚-低效益、高集聚-低效益、低集聚-高效益。空间自相关性分析属于地理空间统计的技术方法，用以测度不同的空间要素之间、在空间上是否有明显的聚类（正向空间自相关性）、离散（负向空间自相关性）、抑或是随机模式（无明显自相关性）。为了揭示地理对象之间的空间联系，首先要定义空间对象（本案为企业点）的相互邻接关系。空间自相关性有一步关键操作是构建n*n归一化空间权重矩阵W，以表示n个对象的区位或者所属区域的邻近关系，基本形式为：图5空间权重矩阵图示（来源：杨中庆《基于R语言的空间统计分析研究与应用》）式中，wij表示区域i与j的邻接程度。因本研究是小区尺度上企业点数据的空间自相关性分析，采用K-nearest矩阵方法以保证每个观测对象都有相同数量（K）的邻居。K-nearest矩阵中，当区域j属于区域i的最近K个邻居之一时，wij设为1，否则为0。那么，通过上述技术方法，本案的分析结果将呈现出四象限结果：“高集聚--高效益”、“低集聚--低效益”、“高集聚--低效益”、“低集聚--低效益”。当每一类结果具有足够的空间统计重要性（ZScore及p-value），它们则能够揭示三经普数据所代表的产业空间特征及更多有趣的信息，比如说：“高集聚--高效益”的产业空间，充分表征该片区拥有良好的产业基础、并且在空间上高度集聚，很可能是工业园区、高新技术产业园的空间形态，并且在该区域中，这些企业应当是集中在某些具有竞争力的产业领域，并且为当地的地区生产总值有明显贡献；在这个思路之下，针对于这类片区的产业提升策略可能是响应企业的发展诉求，在符合相关法律规章、法规及法定性规划的基础上，提供必要的配套设施及服务，让企业能够舒适地生存下去。图6空间自相关性典型指标Moran’sI计算公式（来源：RSpatial）图7四象限评估体系图示（来源：作者自绘）4应用——空间自相关性分析于产业大数据的实例应用

4.1研究范围

研究范围是深圳市某产业规划案例的规划范围，位于深圳市西部产业名区——宝安区的行政、文化、经济中心；面积为30.9平方公里，其中建成区面积约为21.4平方公里。建设用地当中，现状工业用地约2.41平方公里，占建设用地比例约11.26%左右。在整个宝安区中，研究范围当中的工业用地占比位居最后一名，是宝安这一产业大区中较为特殊的区域。图8研究范围（来源：作者自绘）4.2二、三次产业整体空间分布特征

截至2016年，研究区域已形成第三产业为主的产业结构，高达85%GDP占比的第三产业囊括了批发和零售业、房地产业、租赁和商务服务业等14个产业门类；第二产业当中，制造业等3类产业仍具有一定占比。该章节基于三经普数据，根据2014年初填报的各行各业经济普查信息，分离出第二、第三产业的所有企业，按类别及其综合效益情况进行空间特征的分析。4.2.1第二产业

研究区域内现状的第二产业包括三类：制造业，建筑业，电力、热力、燃气及水生产和供应业。在空间分布上，制造业类企业散布在“宝安大道--107国道--前进一路”间的老城区，效益相对一般；更为明显的集聚于尖岗山战略性新兴产业园区，综合效益（圆圈大小）也明显普遍较优。具体来看，尖岗山片区的制造业包括计算机、通信和其他电子设备制造业，专用设备制造业，通用设备制造业，电气机械和器材制造业等，为尖岗山片区发展重点规划产业铺垫一定基础。建筑业的企业没有明显的集聚特征，部分效益较好的企业主营房屋建筑业、建筑安装业、建筑装饰业等。图9第二产业分行业空间分布特征（数据来源：第三次经济普查）4.2.2第三产业

以批发和零售业、租赁和商务服务业、房地产业为三大龙头，研究区域现状的第三产业覆盖14个产业门类。这些贡献了近4亿元的地区生产总值（2016年）的企业，由于其产业门类、行业性质及相应的空间形态特点，几乎覆盖了整个研究区域。批发和零售业、租赁和商务服务业以及房地产业为主的服务业，高度集中在“宝安大道——107国道——前进一路”沿线城区，前两类产业中的大部分企业，拥有相对较优的效益。在这条综合发展轴以南到前海自贸区，房地产业企业数量明显增多，虽呈现点状分布，但均拥有相对较高的综合效益，多为从事地产开发经营的实业公司；而前进一路以北，三产密集程度及综合效益水平明显降低；部分从事科学研究和技术服务业的企业同样出现在尖岗山战略性新兴产业集聚区，并拥有不凡的综合效益。图10：第三产业分行业空间分布特征（数据来源：第三次经济普查）4.3全产业空间集聚程度及综合效益自相关性分析

研究区域以“退二进三”为主导思路的产业发展格局，在空间上也逐渐显现出与用地变化、城市更新相一致的分布特征及趋势。这部分即为集聚度的空间分析、企业综合效益（营业收入、营业税金及附加、资产总计等）的分析，以及将这两个分析进行叠加对比的空间自相关性分析，呈现以下特征。4.3.1产业空间集聚程度分析

整体来看，研究区域的各类企业高度集中在研究区域中部的宝安大道——前进一路的“综合发展带”上；相比之下，尖岗山片区及临近前海自贸区的区域虽有高度集聚的产业空间，但其密集程度不及老城区。4.3.2企业综合效益分布

本研究遴选表征企业效益的若干指标，包括营业收入、营业税金及附加、资产总计等，耦合叠加，并进行空间分布分析。结果表示，107国道以东至前进一路的空间是一条明显的具有相对较优企业效益的综合发展带；研究区域东北角的尖岗山片区，其综合效益较优的产业空间呈现组团状的分布；另外，在临近前海自贸区的宝安中心区，有两处明显的综合效益较优的小组团。其余颜色接近浅蓝或无色的空间，均为企业综合效益相对全经普数据样本较低的区域。4.3.3产业空间集聚程度——综合效益自相关分析

为了探究产业空间集聚程度和企业综合效益分布之间的关系，本项目运用高阶空间分析技术，将以上两个指标浓缩于100m*100m尺度的单元内，进行空间自相关性分析；得到四象限结果：1.高集聚——高效益（红色区域）“双高”产业空间主要由三部分构成：107国道以东至前进一路沿线的综合发展带，以批发与零售业主导，辅以商贸服务业、专业技术服务业。这条产业带的形成主要是因为寄居于商住混合区的各类沿街底商，同时有驻扎于商务、办公等楼宇之中的企业，形成典型的“楼宇经济”形态；同样的“双高”产业空间出现在南侧临近前海自贸区的宝安中心区，是高标准规划建设的总部经济区，分析结果表明商务楼宇经济的发展势头已显露雏形；最后一处“双高”产业空间集中在广深高速沿线的尖岗山战略性新兴产业集聚区，这是各主要上位规划当中重点指引的战略性新兴产业园，分析结果印证了其良好的发展现状与基础。2.高集聚——低效益（浅红色区域）“高--低”类产业空间并不明显，仅有部分散落于临近前海自贸区的宝安中心区内。经过对这些产业空间的追溯抽析，发现这些空间虽密集了一些填报了经普信息的机构，但大多为非营利性机构，或从事批发与零售业的个体户，故存在低效益的分析结果。3.低集聚——低效益（蓝色区域）“双低”产业空间表征低集聚且效益水平相对低下的空间，一部分散落于宝安中心区内，这一结果与情况②类似，多为经营商业、零售业的个体户；另一部分为前进一路以北、以东地区，临近尖岗山战略性新兴产业集聚区，多为从事文化、教育和娱乐业文化传播、教育培训类企业。4.低集聚——高效益（浅蓝色区域）“低--高”类产业空间意味着具有发展潜力的地区，此类结果较为集中地出现在了广深高速以北的尖岗山战略性新兴产业集聚区——典型的“园区经济”产业空间形态。此分析可能表征部分园区仍处于发展阶段，入驻企业数量以及园区产业集聚效应还未达到十分明显的状态，但与“双高”的重要园区毗邻的“低—高”类产业空间，充满了发展的基础及潜力。图11全产业空间集聚程度热力图图12全产业空间综合效益密度图图13产业空间集聚程度——综合效益自相关分析结果4.4主导产业空间集聚程度及综合效益自相关性分析

综合三经普数据中营业收入、营业税金及附加税、总资产、实收资本、年末资产等数据，筛选出研究范围内五大主导产业门类——批发和零售业、制造业、房地产业、租赁与商务服务业、建筑业，并运用上文“产业空间整体分布特征及综合效益自相关性分析”的技术方法，对前两类主导产业进行分析，作为应用示例。4.4.1批发和零售业

整体来看（下页左上图），批发和零售业高度集中在宝安大道--107国道--前进一路沿线；2013年以来，一些大型的品牌商场超市进驻，更加带动了该片区的商业发展，比如海雅、天虹、大富豪、沃尔玛等。该商圈的消费人群档次较高，辐射的区域也较大，在近些年带动了本片区的高档化发展；进驻在该片区的企业拥有相对较高的综合效益。另外，在临近前海自贸区的宝安中心区，有两处明显的综合效益较优的小组团，主要从事食品、饮料及烟草制品批发，及矿产品、建材及化工产品批发。批发和零售业的产业空间集聚程度——综合效益自相关分析结果，在一定程度与上文产业空间整体分布特征类似。“高集聚--高效益”的“双高”产业空间以107国道沿线的综合发展轴为主，另有两处组团式布局在临近前海自贸区的宝安中心区；“高集聚--低效益”的产业空间几乎不存在；“低集聚--低效益的“双低”产业空间散落于宝安中心区内，多为个体商户；“低集聚--高效益”的产业空间较少，主要特征是依附于“双高”产业组团的边缘。图14批发和零售业产业空间集聚程度热力图图15批发和零售业综合效益密度图图16批发和零售业产业空间集聚程度——综合效益自相关分析结果4.4.2制造业

整体来看（下侧左上图），研究区域的制造业高度集中在广深高速两侧的尖岗山战略性新兴产业集聚区，多为中粮科技园、长丰工业园、庭威工业园、鸿威工业园等园区中进驻的企业；107国道沿线靠北侧区域亦有部分制造业组团。尖岗山战略性新兴产业集聚区的制造业综合效益具有明显较优，且已经呈现出组团链接形成片区的趋势，与尖岗山片区所包含的16个重点园区的产值情况一致。制造业的产业空间集聚程度——综合效益自相关分析结果，一定程度上印证了宝安区对于研究区域继续打造尖岗山战略性新兴产业集聚区、尖岗山新兴产业园创新孵化区的规划计划、工作部署及其原因：“双高”产业空间几乎覆盖了整个尖岗山产业集聚区，部分“低集聚--高效益”空间散落在该“双高”产业组团的边缘；制造业的分析结果不包括“高集聚--低效益”及“双低”产业空间。图17制造业产业空间集聚程度热力图图18制造业综合效益密度图图19制造业产业空间集聚程度——综合效益自相关分析结果4.5结合产业“小”数据的延伸及落脚

上文产业大数据分析能够揭示一些宏观层面的信息，但不够精细、且量化的程度有限。为了使大数据的分析能够得到延伸及落脚，笔者锁定大数据分析结果中的重点区域，借助“小数据+细特征”的思路，结合对园区、企业、楼宇的定性分析，对研究区域内的产业空间、产业发展阶段、园区/企业发展问题进行判断。这个章节所阐述的应用案例则是基于制造业的产业空间集聚程度——综合效益自相关分析结果，锁定“高集聚—高效益”的战略性新兴产业集聚区，结合产业园区年产值数据、重点园区数量布局特征、国高企业总量及分布特征，总结该片区的整体产业实力、新兴产业的变化趋势、片区不均衡的资源分布特征、各子分区的主导产业功能等等。为了维持“双高”的局面，对应大力吸引的产业门类、企业类型进行指导，并结合对于企业的调研访谈，总结需要落空间的产业配套及生活配套服务，进而盘点可开发利用的土地空间，形成行动建议。图20制造业“双高”区域年产值分布图21制造业“双高”区域重点园区数量分布图22制造业“双高”区域国高企业总量分布图23制造业“双高”区域可开发利用土地盘点5结语——思考与展望

5.1产业大数据的重要性日益突出，应强化其统计工作的统一部署及应用导向的目的性。

直至今日，城乡大数据的应用已是各类规划编制的家常便饭，但在经济产业类的分析及专项/专题研究当中，产业大数据的应用并不常见。然而，随着各类规划编制工作对于产业发展、市场动态、开发建设模式的重视，产业大数据的必要性日益突出。当前具备大数据特征的产业数据（如经济普查数据）主要由统计，间隔较长，而且管理导向优于应用导向；但是市面上已经出现了诸多信息科技服务平台，挖掘并集合了诸多公开的企业信息，供用户检索下载，而这些平台的数据来源基本都是官方信息（如：全国企业信用信息公示系统、国家知识产权局官方网站、国家版权局官方网站等）。因此，应强化统计产业大数据的统一部署及应用导向的整合。5.2应广泛尝试将空间计量类的技术方法利用于产业大数据的挖掘分析，辅助产业规划咨询。

现有的产业大数据应用，在空间层面的计量分析还有很大挖掘空间。于城乡规划而言，产业大数据的应用仍然要紧密结合空间，观测产业和空间的关系和变化趋势，这也是产业规划的落脚点。本研究所提出的“产业集聚程度--产业综合效益”的空间自相关性分析，是空间计量的一种尝试，其结果符合常理和预期。因此，可广泛将不同的空间计量方法应用于产业大数据，增强产业规划咨询的支撑。5.3大数据的应用是为了提升宏观层面分析的质量，而结合“小”数据的延伸才能为大数据分析稳固落脚点。

大数据于城乡规划编制最明显的作用在于：使我们观察世界、洞悉城市的方式发生了翻天覆地的变化，尤其是宏观层面的观察能力大大提高。但是它的缺点在于微观层面的量化能力以及精准性有限。本文分析章节的文末结合产业园区产值、典型企业布局、分区主导产业的产业“小”数据分析，就是为了延伸大数据的分析，并稳固落脚点（本案为重点片区的产业分区功能规划、可开发利用土地盘点及开发模式的筛选建议）。笔者认为，“大数据+大特征”联合“小数据+细特征”的思路才能使大数据和传统数据相得益彰，富有生命力。参考文献[1]骆悰，申立，苏红娟，朱春节，李长风.经济普查数据在城市总体规划中应用的探索，城市总体规划，1673-85（2015）06-0027-05.[2][3][4][5][6][7][8]谷一桢，郑思齐，曹洋.北京市就业中心的识别：实证方法及应用，城市发展研究，2009(9).任平.成都市圈层经济空间互动协调发展战略研究，城市经济，2018(5):138.邱晓华，郑京平，万东华，冯春平，巴威，严于龙.中国经济增长动力及前景分析，经济研究，2006(5).陶然，金勇进.中国经济普查数据质量评估的改进与完善，统计研究，2009(11):26.杨中庆.基于R语言的空间统计分析研究与应用，暨南大学，2006.李少英，吴志峰.基于互联网房产数据的住宅容积率多尺度时空特征，地理研究，2016.HalderA,GhoshA,GhoshS.Supervisedandunsupervisedland-usemapgenerationfromremotelysensedimagesusingantbasedsystems[J].AppliedSoftComputingJournal,2011,11(8):5770-5781作者简介王启豪，深圳市蕾奥规划设计咨询股份有限公司，设计师