電信大數(shù)據(jù)分析下的時空區(qū)域經(jīng)濟可視化應(yīng)用

李娜，劉文敏，孟繁瑞，劉巖

（國家計算機網(wǎng)絡(luò)應(yīng)急技術(shù)處理協(xié)調(diào)中心山東分中心，濟南 250002）

隨著移動互聯(lián)網(wǎng)、智能手機、大數(shù)據(jù)等新一代技術(shù)的發(fā)展，信息化技術(shù)日益普及，極大程度上改變了居民的生活方式。社會信息化和網(wǎng)絡(luò)化發(fā)展導致數(shù)據(jù)量激增，數(shù)據(jù)的規(guī)律性特征在一定程度上反映了人群在現(xiàn)實生活中的活動特征。在“以人為本”的社會中，人群的行為特征和方式也能夠反映出特定區(qū)域的發(fā)展狀況［1-2］。大數(shù)據(jù)技術(shù)時代，國內(nèi)越來越多的城市提出要加強“智慧城市”建設(shè)，“智慧城市”通過有效整合多源信息資源，為城市規(guī)劃、建設(shè)和管理構(gòu)建新的模式?！爸腔鄢鞘小苯ㄔO(shè)過程中，如何處理、整合海量數(shù)據(jù)并加以利用成為了關(guān)鍵。同時，在區(qū)域發(fā)展規(guī)劃及經(jīng)濟趨勢預測中，大數(shù)據(jù)的運用已成為新的研究方式，該方式有別于過去普遍采用的問卷調(diào)查方式。傳統(tǒng)區(qū)域經(jīng)濟的研究數(shù)據(jù)來源多通過人口普查和經(jīng)濟調(diào)查的方式進行，其實時性低、泛化性低、準確性低等缺點難以避免；在數(shù)據(jù)層面，其體量小、不全面、質(zhì)量參差不齊，獲取數(shù)據(jù)的人力成本高、區(qū)域覆蓋范圍小，且多為政府人員采集，非公開性的特點更是為經(jīng)濟預測帶來重重困難。而大數(shù)據(jù)的5V特征，即規(guī)模性（volume）、多樣性（variety）、高速性（velocity）、價值性（value）和真實性（veracity），一定程度上克服了傳統(tǒng)方式的缺點，其數(shù)據(jù)量大、獲取統(tǒng)一、成本低等優(yōu)點極大地彌補了傳統(tǒng)數(shù)據(jù)的不足。在眾多可用的海量數(shù)據(jù)中，基于通信網(wǎng)絡(luò)的電信大數(shù)據(jù)更具有得天獨厚的優(yōu)勢，其時空全覆蓋的特點是其他數(shù)據(jù)所不擁有的。數(shù)據(jù)的時間連續(xù)性能夠在歷史數(shù)據(jù)和當前數(shù)據(jù)的基礎(chǔ)上對未來數(shù)據(jù)進行預測與趨勢分析；空間多樣性能夠在廣闊的覆蓋面上，動態(tài)、實時、快速地進行更新、共享、融合分析?！吨袊苿踊ヂ?lián)網(wǎng)發(fā)展報告（2020）》指出，截至2019年12月底，中國4G手機用戶數(shù)量達到12.8億，占移動電話用戶總數(shù)的80.1%［3］。利用數(shù)據(jù)挖掘技術(shù)，能夠刻畫覆蓋用戶人群的行為畫像，提取行為特征［4-5］，結(jié)合區(qū)域經(jīng)濟政策進行評價，可為經(jīng)濟發(fā)展提供決策依據(jù)。

本文采用多源數(shù)據(jù)融合分析的方法，在充分研究遙感影像技術(shù)［6-7］、手機信令技術(shù)［8-9］、交通熱力圖技術(shù)［10］等的基礎(chǔ)上，將傳統(tǒng)數(shù)據(jù)與電信大數(shù)據(jù)融合，實現(xiàn)在電信大數(shù)據(jù)下的區(qū)域經(jīng)濟分析，本文主要工作如下：

1）通過分析數(shù)據(jù)特征，利用數(shù)據(jù)挖掘技術(shù)完成數(shù)據(jù)清洗和時空關(guān)系關(guān)聯(lián)，獲取并補充電信大數(shù)據(jù)中精確的時間戳、地址等屬性，提高數(shù)據(jù)質(zhì)量。

2）結(jié)合多源數(shù)據(jù)，對數(shù)據(jù)特征規(guī)則進行篩選和建模，定量分析關(guān)聯(lián)特征，設(shè)計基于電信大數(shù)據(jù)的區(qū)域經(jīng)濟分析方法框架，全方位、多角度地分析區(qū)域經(jīng)濟狀況。

3）對電信大數(shù)據(jù)下的時空區(qū)域經(jīng)濟進行可視化實驗分析，結(jié)合優(yōu)化選址方法，指導城市熱點商圈布局與調(diào)整，挖掘投資商業(yè)價值，提高城市系統(tǒng)效率，為“智慧城市”規(guī)劃提供參考。

1 電信大數(shù)據(jù)清洗分析

本節(jié)對電信大數(shù)據(jù)進行清洗分析，并選取其中關(guān)鍵項進行數(shù)據(jù)設(shè)計和分析處理。

電信大數(shù)據(jù)數(shù)據(jù)量龐大，以2019年9月某省1日內(nèi)產(chǎn)生的數(shù)據(jù)為例，數(shù)據(jù)總量達6TB，涵蓋約9 000萬用戶產(chǎn)生的700億條記錄。其數(shù)據(jù)格式如表1所示，部分關(guān)鍵項包含用戶標識、基站標識碼、位置信息、時間戳、手機歸屬地、手機所在地、事件標識等信息。

表1 電信大數(shù)據(jù)基本格式Table 1 Basic for mat of telecom big data

對海量的電信大數(shù)據(jù)進行清洗、去噪和糾偏尤為重要。研究過程中，利用Spark集群計算框架與HDFS文件存儲框架，對大量原始的數(shù)據(jù)進行了預處理，采用Hive存儲各類中間結(jié)果，采用Hbase存儲用于可視化的大規(guī)模數(shù)據(jù)，采用Redis快速存取各類配置和用于界面實時展示數(shù)據(jù)量較少的分析結(jié)果，進而完成了數(shù)據(jù)的過濾清洗。

1.1 無效數(shù)據(jù)清洗

原始數(shù)據(jù)中存在部分無效數(shù)據(jù)，包括空值、重復值、錯誤值及格式錯誤數(shù)據(jù)等，占比約為0.8%。對于存在極小概率的某些屬性字段中會出現(xiàn)缺失信息，采用直接刪除的處理方法；對于某些屬性字段完全一致的重復數(shù)據(jù)，保留其中一條數(shù)據(jù)，刪除重復數(shù)據(jù)，進一步減小計算量；對于存在偏差范圍無法覆蓋的異常數(shù)據(jù)及格式錯誤數(shù)據(jù)（如不在指定區(qū)域經(jīng)緯度范圍內(nèi)的數(shù)據(jù)、日期異常、停留時間異常等），采用條件篩選或聚類算法進行清洗。

1.2 噪點數(shù)據(jù)清洗

原始數(shù)據(jù)中的人群位置信息是用戶處于手機聯(lián)網(wǎng)時連接的基站位置，由于終端和基站之間通信復雜、時有干擾，在基站比較密集的地區(qū)其手機上報的基站附著點會有很多噪聲，對基站附著點進行去噪，可以提升數(shù)據(jù)質(zhì)量，有利于后續(xù)數(shù)據(jù)分析。

首先對數(shù)據(jù)進行去重操作，按取10位Geo-Hash算法［11］對數(shù)據(jù)點合并，利用空間密度聚類DBSCAN算法［12-13］對附著點區(qū)域直徑50 m、樣本量少于5的孤點去噪，利用K-Means算法［14］進行聚類，按聚類類別進行排序，將同類數(shù)據(jù)合并，得到去噪后的數(shù)據(jù)結(jié)果。同一基站1 d內(nèi)的數(shù)據(jù)處理前，基站附著點有4 430個，如圖1所示。對其進行數(shù)據(jù)點去噪，共去除820個，保留3 610個，保留81.49%數(shù)據(jù)體量，去噪后基站附著點如圖2所示。去除冗雜的數(shù)據(jù)點后，提升了數(shù)據(jù)質(zhì)量。

圖1 數(shù)據(jù)清洗前的基站附著點分布Fig.1 Distribution of base station attachment points before data cleaning

圖2 數(shù)據(jù)清洗后的基站附著點分布Fig.2 Distribution of base station attachment points after data cleaning

1.3 軌跡糾偏

在基站比較密集的地區(qū)，手機附著的基站其連接軌跡點會來回跳轉(zhuǎn)，使局部軌跡呈現(xiàn)網(wǎng)狀結(jié)構(gòu)，并產(chǎn)生乒乓數(shù)據(jù)［15-16］，軌跡糾偏變得更加復雜。對基站軌跡的糾偏去噪，可以從3個方面進行處理。

依次進行7位的GeoHash算法［11］取坐標值，對異常數(shù)據(jù)糾偏、速度異常數(shù)據(jù)糾偏、乒乓數(shù)據(jù)降噪糾偏。舍棄提取的誤差范圍以外的異常數(shù)據(jù)，得到清洗后的軌跡數(shù)據(jù)。軌跡糾偏流程如圖3所示。

圖3 軌跡糾偏流程Fig.3 Flowchart of track rectification

圖4和圖5為糾偏前后對比，該軌跡為放置在公交車上的用戶手機在相同線路行駛2個來回、共4趟距離的軌跡路程。其原始軌跡如圖4所示，軌跡點有879個，對其進行軌跡糾偏，共去除94個，保留785個，保留89.31%數(shù)據(jù)體量，糾偏后軌跡如圖5所示。對比圖直觀地顯示出，移除明顯的漂移軌跡點可以提高數(shù)據(jù)的聚斂性，去除乒乓數(shù)據(jù)影響后的網(wǎng)狀結(jié)構(gòu)，軌跡更加平滑，為后面的分析提供更準確的數(shù)據(jù)支撐。

圖4 數(shù)據(jù)糾偏前的軌跡Fig.4 Trajectory before data correction

圖5 數(shù)據(jù)糾偏后的軌跡Fig.5 Trajectory after data correction

2 基于電信大數(shù)據(jù)的區(qū)域經(jīng)濟分析方法

區(qū)域經(jīng)濟在一定程度上反映了居民的生活水平?；陔娦糯髷?shù)據(jù)進行規(guī)則篩選并對其特征建模，結(jié)合電子地圖、交通出行數(shù)據(jù)、人口普查數(shù)據(jù)等多源數(shù)據(jù)，進行多尺度、多維度分析，可以為區(qū)域經(jīng)濟決策提供參考，具體方法框架如圖6所示。在大量原始數(shù)據(jù)基礎(chǔ)上，通過數(shù)據(jù)清洗提高數(shù)據(jù)質(zhì)量，在定義規(guī)則中選取特定時間和區(qū)域，精確縮小時空范圍，進行時空關(guān)聯(lián)并分析。通過數(shù)據(jù)結(jié)果將其可視化，利用圖表模式展示分析，將數(shù)據(jù)通過計量經(jīng)濟學模型進行政策評價，對分析居民社會生活屬性、經(jīng)濟發(fā)展、政策區(qū)域選址等工作提供了有力的數(shù)據(jù)支撐。本節(jié)選取特定時空區(qū)域，以某市“夜經(jīng)濟”為例進行區(qū)域經(jīng)濟分析方法框架設(shè)計。

圖6 電信大數(shù)據(jù)的區(qū)域經(jīng)濟分析方法框架Fig.6 Framework of regional economic analysis method for telecom big data

夜經(jīng)濟起源于英國，1995年被英國政府納入城市發(fā)展目標［17］，2017年，夜經(jīng)濟占英國GDP的8%，涵蓋約1／8的就業(yè)崗位。在中國，城市夜經(jīng)濟經(jīng)歷了3個發(fā)展階段，即初始市場、零散夜市和集成商圈［18］。許多一二線城市在2019年紛紛制定夜經(jīng)濟發(fā)展戰(zhàn)略，并有向三四線城市擴散的跡象。某市在2019年6月出臺了《關(guān)于推進夜間經(jīng)濟發(fā)展的實施意見》，同時進行了大規(guī)模的燈光亮化工程、定點夜市鼓勵政策等，使夜經(jīng)濟快速升溫。2019年11月，首屆中國夜間經(jīng)濟論壇上，該市入選“夜間經(jīng)濟十佳城市”。2020年5月，中國受疫情影響，為恢復消費活力，國家再次開放發(fā)展夜市經(jīng)濟，推出了“五允許一堅持”政策，下文將基于電信大數(shù)據(jù)并結(jié)合相關(guān)政策進行有效評價。

首先，針對某市“夜經(jīng)濟”定義規(guī)則，結(jié)合已有電信大數(shù)據(jù)、用戶軌跡、人物畫像庫等信息，提取數(shù)據(jù)特定屬性。其次，劃定空間區(qū)域范圍，選取特定時間范圍，查找范圍內(nèi)對應(yīng)用戶軌跡、結(jié)合人物畫像知識庫屬性建模，通過Hadoop平臺進行分析。最后，對夜間活躍人口行為、出行游玩地點、交通情況等連同經(jīng)濟政策進行評價，并提出選址優(yōu)化方法，指導城市熱點商圈布局與調(diào)整，有助于政府決策區(qū)域優(yōu)化選址方法。

2.1 數(shù)據(jù)規(guī)則定義

1）夜間經(jīng)濟：18：00至次日6：00城市各種商業(yè)經(jīng)營活動的總稱。

2）夜間人口：18：00至次日6：00活動的人口。

3）夜間活躍人口：夜間發(fā)生2 km以上且排除前往火車站位置的移動人口。

4）夜間人口駐留點：夜間出現(xiàn)停留時長在0.5 h以上及5 h以下的位置點。

5）某景點夜間游玩人數(shù)：某日夜間在景點基站附近，提取停留時長大于0.5 h且為外地歸屬信號與停留時長大于0.5 h且為居住地不在該景點的信號，二者加和。

6）夜間人流走廊：夜間活躍人口在某市區(qū)遷移情況。

7）外出情況：每小時與常居住地距離在2 km以上的連接數(shù)數(shù)量統(tǒng)計。

8）夜間人口聚集點識別：提取夜間某時間段內(nèi)終端所在地，組點形成分布，排除與家庭住址一致的終端，進行聚類。

9）區(qū)域范圍：某市。

通過對以上規(guī)則可視化分析，通過圖、表、熱力圖等對該市區(qū)域夜經(jīng)濟情況進行剖析，具體見第3節(jié)電信大數(shù)據(jù)下時空區(qū)域經(jīng)濟可視化實驗分析。

2.2 電信大數(shù)據(jù)下時空區(qū)域經(jīng)濟發(fā)展政策評價算法

地方政策實施效果評估是微觀計量經(jīng)濟學的前沿主題。2019年6月，中國出臺了《關(guān)于推進夜間經(jīng)濟發(fā)展的實施意見》，針對夜間的外出意愿和夜經(jīng)濟政策的相關(guān)性進行統(tǒng)計學分析，采用雙重差分（difference-in-differences，DID）模型算法［19］，通過控制實施組和對照組在政策處理前后存在的差異實行政策評價。

DID是評估一項政策是否有效的重要算法，特點為事前差異，即除了要研究的核心變量差異外，還包含產(chǎn)生干擾的其他因素。DID模型的基礎(chǔ)是自然實驗數(shù)據(jù)，即被解釋變量是由帶參數(shù)的連續(xù)解釋變量、離散解釋變量控制的。通過建模，控制事前差異，得到真實結(jié)果：

式中：Y為被解釋變量；X為連續(xù)解釋變量；Di為離散解釋變量；u為截距項，截距項表示解釋變量為0時被解釋變量的值，在回歸算法中意義不大。

式（1）中重點關(guān)注α、β、γ的斜率變化，斜率的正負反映出解釋變量和被解釋變量的正負相關(guān)性，斜率為正則代表兩變量正相關(guān)，斜率為負則代表兩變量負相關(guān)。

2.3 政策區(qū)域選址

將特定時間內(nèi)的經(jīng)濟活躍區(qū)域景點人流數(shù)、人口出游數(shù)、交通擁堵區(qū)域位置、電信大數(shù)據(jù)呈現(xiàn)的人流密度等數(shù)據(jù)整合分析，劃定時空區(qū)域關(guān)聯(lián)分析，利用專家判斷、趨勢分析、模擬等方法進行經(jīng)濟活躍區(qū)域和熱門地點輸出預測，如特定法定節(jié)假日、每日特定時段、重要時間節(jié)點等相關(guān)區(qū)域分析。有助于政府對相關(guān)時段的區(qū)域經(jīng)濟發(fā)展做出決策，選取合適的熱門地點有助于市民對市場經(jīng)濟響應(yīng)。

3 電信大數(shù)據(jù)下時空區(qū)域經(jīng)濟可視化實驗分析

3.1 實驗環(huán)境與數(shù)據(jù)

3.1.1 實驗環(huán)境

對海量原始的數(shù)據(jù)進行處理并建模，分析和計算建模結(jié)果。應(yīng)用技術(shù)工具主要為Spark、Spark streaming、Hive、Hbase、Redis、Kafka等，其中Spark用于運行離線計算程序，Spark streaming用于進行實時的流處理，Hive用于存儲各類中間結(jié)果，Hbase用于存儲可用于界面展示的大規(guī)模數(shù)據(jù)庫，Redis用于快速存取各類配置和用于界面實時展示的數(shù)據(jù)量較少的分析結(jié)果，Kafka用于在各個程序模塊之間實時發(fā)布和訂閱消息。用于實驗的服務(wù)器及其配置如表2所示。

表2 實驗環(huán)境Table 2 Exper imental environment

3.1.2 實驗數(shù)據(jù)

1）數(shù)據(jù)來源。電信大數(shù)據(jù)及部分政府統(tǒng)計年鑒數(shù)據(jù)。

2）數(shù)據(jù)周期。主要數(shù)據(jù)來源于2019年9月至10月，部分數(shù)據(jù)來源于2019年12月。

3）數(shù)據(jù)處理。利用集群計算框架及文件存儲框架，對原始數(shù)據(jù)進行去重清洗處理，將原始數(shù)據(jù)解釋為區(qū)域化數(shù)據(jù)、軌跡數(shù)據(jù)和停留數(shù)據(jù)，并進一步分析。獲取軌跡停留數(shù)據(jù)后，對數(shù)據(jù)進行基站圈點，得到局部數(shù)據(jù)，按照時間點、地點等需求打點，利用pyecharts等相應(yīng)的第三方工具包，在地圖上根據(jù)經(jīng)緯度和量值，離線畫出熱力圖等，呈現(xiàn)可視化分析結(jié)果。

3.2 時空區(qū)域經(jīng)濟可視化分析

基于提取數(shù)據(jù)特征信息，結(jié)合交通、天氣等多源數(shù)據(jù)，將可視化分析形成報告，分為5個方面：夜間活動總概況、游在夜間、行在夜間、玩在夜間及政策評價和結(jié)論。

3.2.1 夜間活動總概況

1）夜間活躍人口。隨著夜晚來臨，居民活動總體趨勢下降，22：00左右出現(xiàn)驟降，23：00有32萬人在外活動，如圖7所示。將2：00—3：00點活動人群視作夜間上班人群，進行差分計算，22：00仍有超15萬人在外休閑娛樂?；钴S人口隨時間分布符合事實規(guī)律，進一步驗證了數(shù)據(jù)的準確性。

圖7 九月夜間活躍人口Fig.7 Active population at night in September

2）夜間活躍人口年齡和性別比例。夜間活躍在外人群以男性為主（67.18%），年齡分布集中在15～40歲，如圖8所示。一方面是年輕人相對有活力，另一方面是男性比女性擁有更強的夜間外出休閑、娛樂意愿。

圖8 夜間活躍人口年齡和性別比例Fig.8 Age and gender ratio of active population at night

3）不同行政區(qū)活躍人口及人口流動情況。熱鬧的夜晚正改變著夜生活，從某市范圍看，居住在歷城區(qū)居民活躍人口最多，而從居住地與活躍人口比例上來說，某市槐蔭區(qū)、歷下區(qū)和天橋區(qū)占比前3，最不活躍的是章丘區(qū)，圖9反映了某市各區(qū)的夜間經(jīng)濟活躍情況。

圖9 各區(qū)夜間活躍人口數(shù)量和比例Fig.9 Number and proportion of active population in different districts at night

從夜間人口遷移數(shù)量中可以看出，某市歷城區(qū)是整個人口流動網(wǎng)絡(luò)的中心節(jié)點，商河縣是人口流動的邊緣節(jié)點，如圖10所示。同時，歷城區(qū)還是整個網(wǎng)絡(luò)圖的橋節(jié)點，該市各區(qū)域夜間人口流動依靠歷城區(qū)作為中轉(zhuǎn)實現(xiàn)遷移。

圖10 夜間人口遷移數(shù)量Fig.10 Population migration number at night

4）某市夜間活躍人口省內(nèi)來源。從夜間活躍人口中的外省來源絕對數(shù)量可以看出，某市周邊德州、泰安、濟寧和菏澤來源最多（見圖11）?？紤]外市常住人口基數(shù)后（即活躍人口／地區(qū)常住人口），發(fā)現(xiàn)某市周邊泰安、德州兩市和萊城區(qū)人口在夜間留駐該市的意愿最強。符合距離越近的市被吸引參與該市“夜經(jīng)濟”活動人口比例越高的特點。進一步分析，相近區(qū)域受該市夜經(jīng)濟輻射影響更強，距離較遠區(qū)域受夜經(jīng)濟輻射能力相對較弱。地區(qū)人口基數(shù)來源：《山東省2018年統(tǒng)計年鑒》。

圖11 省內(nèi)夜間活躍人口來源Fig.11 Sources of night active population in the province

3.2.2 游在夜間

通過圖12中展示的4個時間點人口分布來看，21：00某市景點大明湖南岸和環(huán)護城河帶的市民數(shù)量居多，說明夜經(jīng)濟政策點燃了市民夜間休閑的熱情。

圖12 不同時間點的晚間熱力圖Fig.12 Thermal map of different time at night

3.2.3 行在夜間

截止2019年12月23日，某市24小時公交K101已運行滿1個月，夜間總運送人數(shù)超2 000人。圖13為當日公交沿線熱力圖，路線串聯(lián)了某市幾大經(jīng)濟活躍區(qū)域（如芙蓉街、世貿(mào)購物中心、恒隆購物中心）和人口密集區(qū)域（如山大中心校區(qū)、裕園小區(qū)等），24小時公交提供了便利的夜間回家途經(jīng)，為該市夜經(jīng)濟注入了新活力。

圖13 K101公交沿線熱力圖Fig.13 Thermal map along K101 bus

3.2.4 玩在夜間

由圖8可以看出，夜間活躍人口中15～40歲年齡段占比較高，年輕人常常利用互聯(lián)網(wǎng)獲取交通或消費信息，大數(shù)據(jù)時代讓“線上”服務(wù)與“線下”O(jiān)2O（online to offline）模式被廣泛應(yīng)用。本節(jié)選取周六19：00—24：00區(qū)間，對某市人口使用地圖導航和消費APP情況進行分析，如圖14所示（列舉部分APP展示）。當夜晚來臨，居民活動總體趨勢下降，使用支付寶、美團等消費APP的用戶數(shù)量都高達上萬。22：00仍有萬級人口使用各類交通導航工具，體現(xiàn)出某市的“夜經(jīng)濟”場景也是萬物互聯(lián)時代的夜經(jīng)濟場景。

圖14 娛樂APP夜間使用人數(shù)Fig.14 Number of recreational APP users at night

3.2.5 政策評價和結(jié)論

采用基于DID的統(tǒng)計學方法，對夜間出游和夜經(jīng)濟政策進行相關(guān)性分析。由于政策影響夜間因素，選擇是否執(zhí)行政策和是否以夜間作為虛擬變量，以是否執(zhí)行政策和是否為夜間的交互項作為政策評價系數(shù)，進行統(tǒng)計分析。

假設(shè)1 實行夜經(jīng)濟政策對出游行為有顯著正向影響，建立回歸模型：

式中：Y為出游人數(shù)，為被解釋變量；X1為人力最適宜溫度（25℃）差值；D為解釋變量，D1表示是否為假期，D2表示是否為夜間，D3表示是否執(zhí)行夜經(jīng)濟政策；根據(jù)DID理論，δ3為政策影響，δ4為政策實際效果，并考慮了夜間D2與政策D3的交互項。其中，采用分層回歸算法：第1步，模型一只納入2個解釋變量對被解釋變量進行解釋；第2步，模型二利用其他解釋變量對被解釋變量進行解釋。其分析結(jié)果如表3所示。

由表3可得，以25℃為基準，當氣溫每偏離1℃時，每小時出行人數(shù)降低1 633人；周末相較于非周末，每小時出行人數(shù)增加12 974人；晚上相較于白天，每小時外出休閑人數(shù)減少9 066人。將氣溫、節(jié)假日、晝夜等因素差分排除影響后，可得夜經(jīng)濟政策使得夜間每小時出行人數(shù)增加了621人。

表3 分析結(jié)果Table 3 Analysis r esults

采用DID和層次回歸方法對數(shù)據(jù)進行回歸分析，結(jié)果表明，政策影響為正向且顯著，通過了假設(shè)檢驗，證實了夜經(jīng)濟政策對夜間出游行為有著促進作用。夜間人們的活躍程度較白天顯著性降低，該市夜經(jīng)濟還有更大的發(fā)展前景。

3.3 熱點選址

選取7天內(nèi)（2019年9月1日至7日）不同時間段經(jīng)濟活躍區(qū)域景點的人流數(shù)、人口出游數(shù)、交通擁堵區(qū)域位置和基站附著點人流密度數(shù)據(jù)整合分析，并進行專家判斷和趨勢分析，確定位置在某市泉城路、大明湖、趵突泉、甸柳莊環(huán)聯(lián)區(qū)域、萬達廣場等地點為活躍區(qū)域點。部分位置預測如圖15所示，經(jīng)濟活躍區(qū)的判定有助于政府對夜經(jīng)濟發(fā)展做出決策，也有助于市民對夜市經(jīng)濟的響應(yīng)，促進經(jīng)濟消費。

圖15 經(jīng)濟活躍區(qū)熱力圖Fig.15 Thermal map of economically active areas

4 結(jié)束語

本文結(jié)合反映人群活動特征的電信大數(shù)據(jù)開展研究，將其解釋為軌跡數(shù)據(jù)和區(qū)域化數(shù)據(jù)進行分析應(yīng)用：

1）對電信大數(shù)據(jù)進行數(shù)據(jù)清洗和軌跡糾偏，定量抽取和分析關(guān)聯(lián)特征，減少無效數(shù)據(jù)，提高數(shù)據(jù)質(zhì)量。

2）結(jié)合多源數(shù)據(jù)，對數(shù)據(jù)規(guī)則篩選及特征建模，多角度全方位分析用戶行為，將時空區(qū)域數(shù)據(jù)進行可視化分析研究，采用雙重差分統(tǒng)計模型評價區(qū)域經(jīng)濟政策。

3）提出政策選址結(jié)論，用于指導城市熱點商圈布局與調(diào)整，為區(qū)域經(jīng)濟發(fā)展提供決策依據(jù)。

本文還有很多方面可以改進，未來的研究重點集中在以下3個方面：

1）在本文基礎(chǔ)上結(jié)合應(yīng)用信息推送、社交平臺及微博熱詞推薦提取數(shù)據(jù)，多角度分析，進一步增強信息可靠度。

2）海量數(shù)據(jù)處理方面，采用多種數(shù)據(jù)處理算法融合進行清洗排序，增加數(shù)據(jù)質(zhì)量可信度和可用度。

3）將區(qū)域經(jīng)濟進一步擴展，從時間和空間延伸區(qū)域經(jīng)濟的可分析范圍，例如，時間可選至重要節(jié)點日期等；空間可選購物、美食、旅館、景區(qū)等。擴大經(jīng)濟區(qū)域效益范圍，可為區(qū)域發(fā)展提供多方位參考。