【数智化案例展】北京城市规划设计研究院——发力城市商圈数字化监测与评估

极海案例

本项目案例由极海递并参与“数据猿行业盘点季大型主题策划活动——《2022中国企业数智化转型升级创新服务企业》榜单/奖项”评选。

数据智能产业创新服务媒体

——聚焦数智 · 改变商业

---

商圈是商业高度集聚的产物，是商业发展的重要载体，是城市综合竞争力的重要组成，亦是城市形象的窗口和标志。

在全球经济放缓、国际局势不稳，贸易保护主义抬头，国际外循环受阻受限的当下，刺激国内消费市场、释放国内消费潜力，发挥国内市场优势是必由之路。商圈作为推进城市商业发展，刺激居民消费的重要抓手，其重要性也愈发突出。

但长期以来，对城市商圈的研究却并未形成共识性的有效量化定义，尤其是对商圈的边界的划定，仍然存在较大的争议，标准混乱，效率低下的问题依然是一个亟待解决的难题。

北京市城市规划设计研究院承担着首都国土空间规划的编制、研究、评估、维护工作，基于城市规划需求，与极海共同发力城市商圈的数字化监测，为城市发展决策提供数据支撑。

实施时间：

开始时间：2022年4月

截止时间：至今

客户的数智化（数字化）转型升级需求

统一商圈划定的标准

目前城市商圈的划定以网格分析法和专家划定法最为典型，但在实际的运用中，二者都存在着明显的问题。

其中最核心的问题在于一种方法往往很难适应不同城市的具体状态，最终仍然非常依赖人为的判断，需要后期高强度的人工介入，导致商圈的划定标准事实上很难统一，不同城市的商圈划分往往缺乏统一的基准，使得不同城市之间的比较缺乏公平性可言，也很难有效的借鉴彼此的经验，评估相对成果。

商圈边界要符合人的主观认知

随着城市规划对数据质量要求的提高，规划院希望商圈数据能够更精准的反映真实的商业世界，并且能够将本地居民约定俗称的商圈名称与划定的商圈相融合，同时更多以城市道路为边界，而非以网格的形式对商圈进行划定，使得最终成型的商圈能够更加符合社会大众的普遍认知，以期在应用层能够得到更好的理解和执行。

长期监测商圈数据演变

商圈数字化监测的落地在商圈建设成果的评估，通过广域数据采集、有针对性的构建“人货场”立体评估指标体系，了解商圈边界的变化、商圈商户规模及结构变化，人口客流和画像的变化，挖掘商圈价值，为商圈规划供数据线索和依据，直观展现商圈建设的成果和变迁。

面临挑战

1.如何在保证效果的同时最大程度减少人为判断对客观性的损害以及效率的损失

与大多数人通常理解的“商圈”不同，城市规划中的商圈并不是指某一商店以其所在地点为中心，沿着一定的方向和距离扩展，吸引顾客的辐射范围，这是典型的商户视角。

城市规划中的商圈是立足于整个城市，挖掘城市中的商业价值高地，简单而言，商圈直观表现为大规模、高密度的商户聚集。因此传统的划分方式以网格分析法为主，通过计算特定大小网格内商户的密度来筛选符合商圈的地块。

但这种方式带来三个极大的问题，一是划定标准很难做到客观，网格的大小，起始的位置都会对商圈的范围产生直接的影响，带来不容忽视的误差；二是网格分析法很容易形成商圈连片或空心的现象，后期仍然需要大量人工对商圈进行切分和填补等二次干预；三是网格形成的锯齿状边界并不符合人们的主观认知，给商圈的识别和使用带来不便。

而专家划定法通常是基于部分数据，结合专家经验，依据当地约定俗称的认知对城市的商圈边界进行划分，通常以道路为边界，比较符合人们对商圈边界的认知。但这一方法过于依赖人的主观认知和对当地的熟悉情况，没有人能够了解所有城市，因此不同城市的商圈通常是由不同的专家绘制的，这样做不仅耗时耗力，并且由于缺乏统一客观的标准，我们很难将不同城市之间的商圈放在一起进行比较，也很难长期跟踪商圈的变化。

为了解决这一系列问题，极海对商圈的划分方法进行了升级，找到一种兼具“客观性”与“自然性”（即符合大众认知）的方法。这一方法的主要优化措施包括以下四点。

1、使用客观存在的自然街区替代人为设定网格作为商圈统计和筛选的基础地理单元；

2、对商户进行系统分级，区分不同级别商户对商圈的贡献；

3、使用经过优化后的“哈夫模型”对商户的真实影响范围及影响力进行模拟；

4、将道路、河流对商业影响力的限制考虑在内，使其更加接近于真实的商业世界。

2.如何建立一套稳定可行的数据监测系统

对商圈的监测和评估是一套系统性工程，需要整合多源数据对其进行系统性梳理，并根据使用需求设计指标体系，对商圈的范围、人口、商户等核心组成进行量化衡量。为了保证商圈数据的长期动态监测，必须

保证数据源的可行性和可持续性，极海结合多年的数据经验及覆盖全国多维度的地理数据库，结合实际需求探索高效直观的商圈监测系统。

数据处理

自然街区数据

自然街区，是指基于城市空间中实际存在的道路、铁路、河流等物理阻隔划分的独立街区单元。他是实现商圈划定标准化、高效率、智能化的关键步骤。

首先，与认为设定的网格不同，自然街区实际上是客观存在的地理实体，这就有效避免了人为设定对数据结果的干扰。

其次，由于道路对商业天然的切割作用，物理阻隔划分出的自然街区在用地性质上，更趋于一致，如一个小区，一个办公楼、一个商场。板块内部人员、物资流动阻力，相较于板块间小得多，更容易产生联系而形成相对封闭的整体。这将在很大程度上减少了使用网格带来的零散、缺失的问题，有效提升模型的效果。

极海自然街区的数据基于城市路网数据，使用智能地理算法实现自然街区的自动生成。

图：自然街区数据图

商户数据

商户数据是划定商圈的基础性数据。商圈的核心体现就是商业的集聚，是商户影响力的累计，因此高质量的商户数据对商圈的划定的结果至关重要。极海长期监测全国商户数据，并基于项目需求对商户的等级进行重新的分类与评级。

应用技术与实施过程

城市商圈项目实施的整体逻辑架构图如下所示：

Step 01：底层数据准备

极海对城市路网数据进行了清洗和整理，基于路网将城市自动切分为由道路线条构成的独立街区。

极海对城市商户数据进行了清洗和分类，基于商户品类和评论数量将商户进行分级，级别越高的商户意味着对消费者的吸引能力越强，辐射范围越大。

极海对人口客流数据进行了清洗和聚合，对城市客流数据进行了汇总，用于拟合商户对消费者吸引力的衰退曲线的函数。

Step 02：商圈的生成与优化

根据哈夫引力模型，一家商户对消费者的影响力与商户的吸引力正相关，与相对举例了负相关。商户的价值越高，人们去那里消费的可能性越强，商户离你越近，你去的概率也就越高。我们利用人口客流数据，对这种变化进行量化，模拟出该城市在一般情况下，商户影响力是如何随着商户吸引力及相对距离的变化而变化。

其中影响力的计算公式为：

Pij = 消费者i去商户j进行消费的概率（即商户对该消费者的影响力）;

Sj = 商户j的吸引力（这里我们用商户的等级进行区分）;

Tij = 消费者i去商户j进行消费的旅程消耗（绝对距离或者交通耗时）;

λ = 影响力的衰减系数

其中 λ 的值由客流数据取样模拟后计算得出，这里尤其需要注意的是，这一值并不是一层不变的，当商户与消费者之间隔了一条非常宽阔的马路、一条铁路、一条河流等因素时，其衰退系数也需要相应变大，使得其衰减速度变快，这是非常符合现实世界的情况，这也使得商圈连片的可能性变低，极大的减少需要人工干预的可能性。

根据公式可以计算商户对城市任意一点的影响力。我们将城市建成区分割为5m*5m的网格，取其质心用以模拟城市中的“任意点位”，分别计算每一家商户周边2km范围内的每一个点位受到该商户的影响强度,，并对这些点位的影响力总和进行加总。

我们以自然街区为基本统计单元对这些点位的影响力进行聚合，得到每个自然界去的商业影响力。基于这一指标，我们可以设定特定的阈值筛选出符合条件的街区，并进行融合形成商圈边界。

图：北京商圈边界

在商圈基础上，我们对商圈内部的商户数据进行归总，根据商户对自己所处商圈的定位，从众多可能中选出最符合该商圈的常见命名，将人们闹钟模糊的商圈范围与明确的商圈名称结合在一起。

集聚性是商圈最显著的特征，为了验证商圈划定方法的科学性，我们对商圈的集聚特征进行了进一步的分析。

首先，我们按照统一规则，生成了上海、北京、深圳、广州、成都、杭州、重庆、西安、苏州、武汉、南京、天津、郑州、长沙、东莞、佛山、宁波、青岛、沈阳十九个城市的商圈范围，然后进一步统计了商圈内商户的数量，其最终结果如下：

上海商圈内商户占比最高，达到 13.2%，青岛集聚性最强，仅在 0.6%的面积集聚了 7.7%的商户数量， 平均而言，在全国的主要城市中，商圈用 1%左右的建成区面积，就覆盖了近 10%的商户，集聚效果明显。

下面是我们使用上述方法绘制出的一线城市核心区域的商圈范围。

图：上海商圈划定

图：广州商圈划定

图: 深圳商圈划定

同时我们也发现，城市商圈总面积于城市 GDP 水平高度相关，呈现出明显的规律性。

表：头部城市商圈面积与城市 GDP 排名对比

更近一步，我们验证了知名品牌在商圈分布的集聚性。平均而言，占城市建成区1%面积的商圈，就聚集了10%的商户，18%的连锁品牌，60%的喜茶，49%的Manner咖啡，35%的麦当劳。

表：19个主要城市内部分品牌在商圈内的占比

STEP 03：业务应用与可视化（举例）

应用一：全国商圈对比

由于划定标准的不统一，不同城市间的商圈比较通常很难进行，因为比较结果很容易受到对商圈边界质疑的挑战。

以长沙为例，五一广场商圈是长沙最著名的商圈，但周边能叫得上名的还有黄兴路步行街商圈、太平老街商圈。过去他们之间的界限还算清晰，但随着商圈的扩张，商圈之间的中间地带越来越模糊，从实际的商户分布来看，甚至已经融为一体。在这种情况下，我们是否应该将其算作一个商圈呢？如果没有一个客观、公正的标准，我们就很难得出客观的评判。

所以我们基于统一的客观标准重新生成商圈，用更加客观统一的标准对不同城市的商圈做横向比较。

截至2021年12月，全国TOP10商圈分别为：

我们进一步对TOP2商圈进行了商户业态分析。

图：南京新街口商圈商户详情

南京新街口商圈位于南京秦淮区的新街口，作为一个拥有近百年历史的著名商圈，也被誉为“中华第一商圈”。

新街口也的确能担得起这个称号，2.3k㎡ 的商圈内聚集了 1.3万家商户，平均每平方公里有近6千家商户，其中以购物、美食类商户数量最多，占到全部商户的60%。

但这也没有什么特别的，多数大型商圈均是如此。比较惹人注意的是新街口商圈的学习培训类商户数量特别多，虽然在总量上只占到5%，但相比于大型商圈的平均品类占比，足足多了85%。

在这一类目下，占比最多的分别是才艺培训、语言培训和学科辅导，显然是以青少年为主要客群。这除了说明周边集中了较多的教育资源外，也从一个侧面说明，新街口商圈辐射本地人群的能力特别强。

相比之下，成都春熙路商圈表现出截然不同的特点。

图：成都春熙路商圈商户详情

春熙路商圈略小于新街口商圈，但在商户密度上要略胜一筹，2.1k㎡ 的商圈聚集了 1.3万家商户，平均每平方公里有超过6千家商户聚集。

在商户构成上，酒店和休闲娱乐类商户表现亮眼，春熙路酒店占比9%，高于平均水平的85%，而在新街口，酒店占比甚至因为没有超过3%而被归类为其他。很大程度上，这折射出二者客流来源的差异。

作为一个网红城市，成都春熙路更擅长吸纳来自全国的客流打卡娱乐，所以酒店和休闲娱乐类商户占比显著高于平均，相比之下，新街口的辐射能力则要更局限于南京城市圈内，凭借核心城市的地位和丰富的公共资源（如教育资源）广泛的吸纳本地及周边城市客群。

两种模式各有利弊，新街口商圈的模式要走的更稳一些，但也要慢一点，而春熙路商圈的扩张速度会更快一些，但在疫情反复的当下，受到疫情冲击的营业也会更大。鉴于二者商户的实际规模差距不到百家，除去疫情的影响，我们可以大胆的预测春熙路商圈将在未来的几年超过新街口成为全国商户规模最大的商圈，取代南京“天下第一商圈”的地位。

应用二：商圈融合潜力

基于不同阈值划定商圈范围，洞察商圈之间的融合趋势，帮助城市规划者更好的预判商圈潜力。

在商圈分布上，北京是一个特例，如前所述，北京的商圈面积全国第二，仅次于上海，这与其经济地位是高度匹配的。但就单体商圈的规模而言，北京的商圈却无一上榜，商户数量最多的西单商圈在全国的商圈排名中只能位列第40位，这与北京的政治经济地位严重不符，因此，对北京而言，要建设国际级商圈，一个很重要的课题就是找准建设方向，北京应该围绕哪些商圈进行投入建设。

我们在前述商圈的基础上放宽了对商圈的标准，就可以找到城市里的“准商圈”（黑色斜线街区与淡黄色街区），这些街区虽然还达不到我们对商圈的要求，但仍然是商户密集分布的商圈腹地，是商圈最有可能的生长方向。

图：北京现有商圈的增长空间预测

如果这些“准商圈”能够将已有的商圈融合连接在一起，我们就认为该区域具有融合发展的地理基础。从上图中可以看出，北京五环内具有融合潜力的商圈并不多，主要是CBD商圈、西单和就金融街商圈、双井和百子湾商圈、望京商圈、大红门商圈等为主，我们用淡黄色对这些准商圈进行了标记。

仅仅是位置上的相连还不足以证实他们的融合趋势，我们使用联通手机信令数据进一步分析了这些商圈内部的客流互动。下图中连接商圈的直线代表两个商圈之间的客流相互流动的规模，我们将其称之为商圈的互动指数。线条越粗，代表二者之间的客流互动规模越大，意味着来到该商圈的顾客有更大的可能性还会去另一个商圈，这也说明两个商圈的客群是互通的、相似的、可共享的。

我们单独将具有地理融合基础的商圈（即浅黄色区域）内部互动标记为红色，红色线条越粗，说明他们之间的一体化潜力越高。这里我们甚至不需要计算，就可以直接从图中看出，CBD商圈的融合潜力是所有商圈中最高的。

图：北京商圈间的客流互动指数

在这之中，又以国贸商城商圈与世贸天阶商圈间的客流互动最为紧密，互动指数高达30，这意味着来到国贸的顾客中，有很大一部分还会再去世贸天阶，反之亦然，二者的客流相似度极高，商圈融合潜力最大 。

相比之下，其他几个商圈间的互动就不那么尽如人意了。以西单商圈为例，与其最近的商圈是金融街商圈，从商户分布的看，二者似乎可以融合为一个商圈，但实际上二者之间的客流并不互通，互动指数仅为0.6，甚至远远小于与其相距更远的王府井商圈间的互动指数。

我们进一步分析了这两个商圈内餐饮门店就会发现，西单商圈不到70元的餐饮客单价仅为金融街商圈的三分之一，这说明西单商圈与金融街商圈的客群差异较大，也意味着二者融合的难度将会很高。

整体而言，北京能同时满足位置上连片、客流间互通的商圈并不多，但在对这些商圈进行合并后，北京商圈的格局也将发生发生翻天覆地的变化。

融合后的CBD商圈占地面积将超过2.3平方千米，商户规模超过6000家，最大商圈优势度提高到2.1，预计其在全国的排名也将提高到第11位，与广州上下九商圈接近。

图：CBD商圈融合后全国单体商圈排行榜

商业变化

效率提升与成本节约

最显著的变化来源于效率的极大提升。在保证商圈划定质量的前提下，单城市的商圈划定和命名时间由过去的10~20个工作日缩减为1个小时，需要划定的城市数量越多，效率提升带来的成本节约也就越显著。

更加灵活的商圈

现实的业务总是充满种种变数，不同的应用场景往往对商圈的定义和要求也会有所区别，极海在注重效率的同时保留充分的自定义空间，可以基于实际业务场景对商圈划定标准进行灵活设定，在保证基准统一的前提下实现了商圈范围的动态调整，如不同的阈值，不同的历史时间，甚至基于某一品类生成商圈，这也使得城市商圈能够以更加灵活的方式满足多方面的需求。

基于统一标准的商圈评估

受限于商圈标准的不统一，商圈之间的比较，尤其是不同城市间商圈的比较往往容易陷入商圈边界划定的标准之争。

在统一标准之后，这种比较变得更加公平，这有助于了解不同城市商圈间的实际差距，借鉴学习其他城市在商圈建设上的成功经验。

同时，基于统一标准的商圈范围会随着商业发展的现状对范围进行动态调整，这也使得对商圈的时序监测变得更加精准和有意义。

关于企业

·极海

北京极海纵横信息技术有限公司（简称极海）成立于2014年，专注位置数据的创新，协助用户实现基于世界一流技术的“智能化决策”，致力于使用云计算、大数据、人工智能，解决地理位置的相关问题。

我们为用户提供全球级别的海量地理数据，地图可视化，融合机器学习的位置挖掘分析等多层次、一站式解决方案。帮助用户在城市监测、规划布局、零售选址、金融、地产投策、地物识别、商业分析等决策场景下增强数据智能。目前，极海已为政府机构、城市规划、金融、零售、商业咨询、地产、教育、广告等诸多行业提供上百次情报提取、数据探索、洞察发现、预测分析等服务。

·北京市规划院

北京市城市规划设计研究院（简称“北京市规划院”）是北京市规划和自然资源委员会所属公益二类科研事业单位。主要承担首都规划和北京国土空间规划的编制、研究、评估、维护工作，为首都规划建设委员会及北京市委市政府的规划决策提供技术支撑。

联系数据猿