LBS游戏中POI与路网和绿地分布的相关性研究——以《Ingress》和北京为例（下）

点击上方蓝字关注 Ingress Beijing

3.1 方法选取

（1）本次实验主要用到了空间分析方法中的缓冲区分析和矢量叠加分析，首先对线要素（道路）和面要素（自然区域）进行缓冲区分析，在要素周围一定范围内建立缓冲区，再分别将其与点数据进行矢量叠加分析（相交），可得到实验结果。缓冲区通常以40m为基础距离，因为在Ingress中可操作范围为40m。

3.2 实验结果分析

3.2.1 路网与能量塔数据的叠加分析

（1）北京主干道路网

主干道包括OSM中的干道、一级道路、二级道路及其连接线。本实验在北京主干道路网周围分别生成40m、80m和100m缓冲区，再分别由缓冲区对能量塔数据进行叠加分析，如下图所示。经统计计算可得，主干道路网周边40m范围内拥有3855个能量塔，占能量塔总数的20.40%；路网周边80m范围内拥有5816个能量塔，占能量塔总数的30.77%；周边100m范围内拥有6546个能量塔，占总数的34.64%。

图3-1 北京主干道路网缓冲区及其范围内的能量塔示例

（2）北京支线路网

支线包括OSM中的三级道路及其连接线。本实验在北京支线路网周围分别生成40m、80m和100m缓冲区，再分别由缓冲区对能量塔数据进行叠加分析。经统计计算可得，支线路网周边40m范围内拥有4405个能量塔，占总数的23.31%；80m范围内拥有6604个能量塔，占总数的34.94%；100m范围内拥有7539个能量塔，占总数的39.89%。

（3）北京小型道路路网

小型道路包括OSM中的居住区道路、生活街道、服务性道路和未分类道路，本实验在北京支线路网周围分别生成40m和80m缓冲区，再分别由缓冲区对能量塔数据进行叠加分析。经统计计算可得，小道路路网周边40m和80m范围内分别拥有7563个能量塔和11301个能量塔，分别占能量塔总数的40.02%和59.80%。

图3-2 北京小型道路路网缓冲区及其范围内的能量塔示例

（4）北京人行道路路网

人行道路包括步行街、步行道路和台阶路。由同上方法，经统计计算可得，人行道路路网周边40m、80m和100m范围内分别拥有4722、6690和7498个能量塔，分别占总数的24.99%、35.40%和39.67%。

（5）北京总路网

在北京道路路网周围生成40m缓冲区，再经由矢量叠加分析和统计计算，可得北京市区所有道路周边40m范围内共有14477个能量塔，占能量塔总数的76.60%。

综上可列表格。

表3-3 北京市各类型道路周边能量塔分布占比

3.2.2 缓冲区面积与缓冲区内能量塔数量的相关性分析

在上一个部分生成的缓冲区的属性中，自带了面积属性，其单位与输入单位——即经纬度一致，所以生成的结果只能作为相对参考结果。先将上一部分所得的各缓冲区面积列成一个表格。

表3-4 北京市各类型道路缓冲区面积

将两个表格的数据相除，得到单位面积内各类型道路周边能量塔分布占比表格如下。

表3-5 北京市单位面积内各类型道路周边能量塔分布占比

3.2.3 自然区域与能量塔数据的叠加分析

自然区域包括公园、绿地、水体、林地等。本实验先使用字段几何方法补上数据集中缺失的面积字段，再在每个区域周围生成40m缓冲区，再用缓冲区生成的结果与能量塔数据进行叠加分析。经统计计算可得，自然区域内及其周边40m范围内拥有4433个能量塔，占能量塔总数的23.46%，比主干道路网和支线路网周边40m区域稍多。而在单位面积内的能量塔分布占比数据上，自然区域的数值为5.403059，相较于各类型的车行道路稍多。

图3-6 北京自然区域和缓冲区及其范围内的能量塔示例

3.3 成因分析

从表3-3的实验结果分析，北京市区内能量塔的分布与路网的分布呈现较高的正相关性，且道路等级越小，路网越密集，相关程度就越高。究其原因，应为《Ingress》游戏特性的缘故，使玩家更多喜欢在交通便捷的道路附近玩游戏，顺便进行申请能量塔的活动。而在一些没有道路或是限制通行的地方，玩家活动的频率较少，导致能量塔偏少。而路网的疏密程度和能量塔的分布也呈现正相关性，从主干道、支线到小型道路，路网等级越来越低的同时也越来越密集，分布在路网周围的能量塔也越来越多。

而从表3-5的实验结果分析，北京市区内各种不同的道路类型周边能量塔的密集程度也有所不同。在所有类型的道路中，能量塔的密集程度总体上都是随着能量塔与道路的距离呈反比的，即距离道路本身越远能量塔越稀疏。这也印证了Ingress游戏玩家总体上更喜欢在道路周边活动的观点。而在所有类型的道路中，人行道路周边的能量塔密集程度远大于其他三种类型的车行道路，人行道路相对更多的自然区域相对车行道路也更加密集地分布能量塔。究其原因，可能是因为在人行道路上，游戏玩家能更有打开游戏游玩和申请能量塔的意愿。

在本次实验中仍有一些误差与不足，其中最重要的就是能量塔数据的时效性欠缺（接近4年前的数据），这导致了本次实验的定量分析只能作为参考之用，无法等同于现实情况。（也希望有大佬可以贡献最新的能量塔数据）

同时本次实验中选用的其他类型数据均来自OpenStreetMap，它具有开源、易获取的优点，但同时因为有大量志愿者更新地图的缘故，对道路类型和自然区域的划分标准也因人而异，不尽相同，所以误差在所难免。

再者，本次实验只研究了能量塔数据和其他类型数据分布的相关性，尚未对能量塔数据内部的空间分布模式进行深入挖掘，这也是作者未来努力的方向。（换句话说，就是再开一坑）

1.北京市区内能量塔的分布与路网的分布呈现较高的正相关性，超过76%的能量塔分布在道路周围40m范围内。且道路等级越小，路网越密集，相关程度就越高。路网的疏密程度和能量塔的分布数量也呈现正相关性，从主干道、支线到小型道路，路网等级越来越低的同时也越来越密集，分布在路网周围的能量塔也越来越多。

2. 在所有类型的道路中，能量塔的密集程度总体上都是随着能量塔与道路的距离呈反比的，即距离道路本身越远能量塔越稀疏。

3. 在所有类型的道路中，人行道路周边的能量塔密集程度远大于其他三种类型的车行道路，而人行道路相对更多的自然区域相对三种类型的车行道路也更加密集地分布能量塔。而在三种车行道路类型中，相同距离范围内的能量塔的密集程度相距不大，且大致遵循支线路网>小型道路路网>主干道路网的格局。