重庆市中心城区包括渝中区、大渡口区、江北区、南岸区、沙坪坝区、九龙坡区、北碚区、渝北区、巴南区9个行政区，总面积5 467.34 km²，2017年总人口865.06万人.作为重庆市经济最发达的地区，2017年重庆主城区GDP总和为9 264.14亿元，以占全市总面积不到7%的土地贡献了全市47.84%的GDP.随着重庆主城区经济的发展，城市规模逐渐打破中梁山与铜锣山的限制，并向外围拓展，形成了目前“一主六副、多中心、组团式”的城市空间结构^[16](图 1).

以数据获取原则为出发点，本文选择重庆市核心城区为研究对象，划定25 km×25 km方格为研究范围，涉及沙坪坝区、渝中区、江北区、渝北区、南岸区、九龙坡区以及大渡口区7个区.

本文获取POI数据共计103 000条，数据来源于百度地图API接口，具体信息包括序号、名称、地址、经度、纬度等属性.依据《城市用地分类与规划建设用地标准》(GB50137-2011)，筛选出能直接反映城市功能特征的POI，分别对应居住用地(R)、公共服务设施用地(A)、商业服务业设施用地(B)、道路交通用地(S)、工业用地(M)、绿地广场用地(G)六大类用地功能，并根据其属性与功能分类的相关性，对POI进行类别细分，得到15个中类以及42个小类.

开源地图(Open Street Map，OSM)是一个可供各类非专业人员自由编辑的世界地图，可提供水系、建筑物、道路网和兴趣点等数据，其中道路网数据精度和完整性最好^[17]，因此较适合应用于城市功能用地划分研究.本文利用在OSM下载的重庆市路网数据，将重庆核心城区以路网分割为基本研究单元.对于获取的街道数据，保留其高速公路(motorway)、主干路(primary)、次干路(secondary)字段，然后通过ArcGIS的线面转换工具，选择合适的容差处理范围去除多余杂乱路网，获取研究所需的道路网数据.

由于每个POI只是抽象为一个点的元素，不同功能的数据点与不同的城市功能区的影响力与相关度不同，因此需要对各类POI进行分类赋权.本文引入空间面积权重与影响力权重两种评价方式，经过调和得到最终的POI权重(表 1).

1) 空间面积权重

每个POI均代表一处空间实体物质信息，引入面积权重描述其实体规模的评价分数，POI占地面积根据《中国现行的业态分类标准》(GB/T18106-2010)，基于标准中明确的POI类别建筑面积，如大型商场、综合医院等设施，通过同类对比，推算其他类别POI的建筑面积，最终实现对42个小类POI面积权重的唯一赋值.

2) 影响力权重

不同类型的POI不仅具有不同的空间面积属性，还应在公众认知度和城市地标影响力方面具有不同的显著程度^[18]，为描述这样的显著性，本文另引入影响力权重评价指标.对于3个层级分类的POI数据，结合AHP层次分析模型和模糊指标评价方法，通过层次单排序和总排序，计算得到归一化权重.

3) 权重调和

将上文得到的两项权重以极小值定标的方式规范化，从而得到全新的两列权重，方法如下：

式中：W_ij为第i类第j项权重；W_ij^*为其极小值规范化的新值；W_j⁰为各小类POI的最终权重值；i=1，2；j=1，2，…，42.

在POI分类赋权的基础上，以OSM路网数据划定的街区为研究单元，对每个街区各类功能属性的POI进行分类加权汇总，将各地块内的不同主体功能所包含的各类POI权重总分数进行统计汇总，从而识别街区功能.本文采用的方法为针对某一地块单元构建城市功能识别计算模型，公式如下：

式中：D_ij为第i个地块内第j类功能的权重总分数，其涵义为此地块内代表该功能的所有POI权重分数总和占该地块内所有POI权重总分数的比重；k为该地块内属于第j类功能的第k类POI；N_k为该地块内内属于第j类功能的第k类POI的数量；W_k为该地块内属于第j类功能的第k类POI的权重赋值；m为该地块内存在的所有POI类别总数；l为该地块内第l类POI；N_l为该地块内第l类POI的数量；W_l为该地块内第l类POI的权重赋值.

按此方法计算得到第i个地块的各类功能权重总分数集合{D_i}，记D_ix=max{D_i}，若D_ix≥50%，则识别第i个地块的主体功能为D_ix所代表的功能分区，否则，则识别第i个地块为混合功能.

城市混合用地及混合功能是十分常见的现象，重庆作为山地城市，城市建成区土地利用向来表现出集约高密度的特征，因此功能混合是建筑生长以及土地利用的普遍规律.本文以POI为数据源，将研究区域在街道划分的基础上进一步划分250m×250m的精细化尺度网格，与规划学中的Block大小相仿，借鉴生物学的Shannon-wiener指数计算方法，其原理来源于信息论，用于测量生物群落的物种多样性，而本研究通过计算各单一网格范围内POI中类的多样性，测度各类型POI的混合度，其值越大表示POI功能种类越多，各功能类型的数量相差越小，计算方法如下：

式中：H_mn代表第m行n列的方格网内POI功能混合度；n为POI类型总数；p_i为该方格网内第i类POI数量占所有POI数量的比重.通过此方法计算得到研究区域内各方格网的POI功能混合度，再利用ArcGIS中的空间联接工具，将网格与混合度得分进行关联，最终根据计算结果数值进行空间可视化分析.

按照城市分区空间识别的步骤对研究区域内城市功能区进行识别(图 2).首先获得重庆市核心城区街道分区斑块共2 113个，将不同类型的POI数据与经预处理过的地块面属性数据进行空间联接，依次计算各地块中不同功能大类对应的POI数据点权重分数占比，通过自然断点法进行数据分级，并进行可视化表达，得到各大类功能的权重分数分布图(图 3).地块颜色越深，代表该地块中该图所示城市功能区类型的POI权重分数占比越高.

为了得出最终的不同城市功能区分区图，本研究通过条件判断，识别并确定各地块中权重分数占比最大的功能为主导功能，并以地图的形式进行可视化表达. 图 2为基于POI权重分数模型的重庆市核心城区用地功能图.经过识别和统计，本研究共识别出基于街区尺度的城市商业功能地块341个，居民地块586个，公共服务功能地块129个，旅游景点地块20个，工业地块30个，道路交通地块764个，混合功能地块243个.

对不同功能的权重分数进行聚类统计(图 3)，对各类POI所识别的功能进行分析可以发现：

商服功能分区呈现多核心片状分布、各核心多散点聚集的分布格局.从POI权重分数占比分布来看，共提取含商务和服务业功能的地块1 301个，按自然断点法对结果进行分级，348个地块商服功能占48.34%以上，占比达到79.06%以上的地块有198个，216个地块商服功能占比处于24.81%到48.33%之间，低于24.80%占比的地块有737个.数据结果准确识别出观音桥、解放碑、大坪、沙坪坝、杨家坪以及南坪等典型商圈分布状况，同时对江北嘴、照母山科技城以及大杨石组团周边办公区功能也有较为明显的呈现.商业集聚是商业服务职能和交通可达性综合作用的结果，由于重庆山地地形的特征，交通立体以及隧道众多，使得大部分路网与街区形态极不规则，从而使得商业功能的集聚方式以大分散、小集聚为主要形态.

居住功能分区基本能够覆盖整个中心城区，其分布特征以环绕商业功能区为主.从街区尺度来看，POI权重分数占比较高的居住功能区，其面域较广.数据结果识别出含居住POI功能的地块共951个，其中421个地块居住占比高于62.56%，176个地块分数占比达到81.54%以上，占比处于41.26%到62.55%之间的地块有250个，172个地块处于14.68%到41.25%之间，低于14.67%的地块有108个.高占比的居住片区主要大面积分布在江北大石坝—冉家坝片区、南坪组团以及沙坪坝组团，渝中区由于其城市开发建设较早，土地较为紧缺，街区尺度最为细密，居住功能单一，地块较少.整体来看，复杂的地形使得重庆中心城区建设用地较少，地少人多的条件促使重庆高密度城市的形成.在弱化朝向与间距的影响之下，主城大部分居住片区以高容积率集约建设为主要特征，因而有限的土地上，居住功能的高容量承载得以落实.

公服功能分区呈现片状多点分布特征，与商业功能区略有差别，公服用地以学校、医院及科研单位为主要空间实体.在街区地块尺度，含有公共服务设施POI的地块共计1 025个，POI权重分数占比高于69.04%的地块有81个，有109个地块处于38.72%到69.03%之间，低于38.71%的地块有835个.数据结果较为明显地识别出沙坪坝区重庆大学、重庆师范大学以及南岸区重庆邮电大学、重庆工商大学等教育设施，同时重庆图书馆、西南医院、大坪医院等市级大型公共服务设施所在地块也得以清晰识别.

工业功能分区呈现较为明显的边缘化形态，研究共识别含工业POI类型的地块共437个，工业占比达到62.68%以上的地块有19个，38个地块工业占比处于32.78%到62.67%之间，这些地块属于较为典型的工业园区版块，而52个地块工业POI权重分数占比仅在13.20%到32.67%之间，328个地块在13.19%以下，这些地块所涵盖的工业POI以信息科技工业为主，其对于实体空间的需求与传统工业片区相比较低，以商务办公和产业孵化为主要载体.研究数据较明显地识别出主城区东部茶园组团工业区、西南部九龙工业园区以及大竹林工业园，同时对信息科技产业园也有相应识别，这类用地以复合于商业商务中心为主要分布特征，包括冉家坝商务办公区、沙坪坝商贸中心、观音桥商贸中心外围圈层版块.

道路交通功能区主要以道路、站场为空间实体，由于街道数据对于重庆山地立体交通的解读性欠佳，在街区尺度上划分较不均匀，整体识别效果一般，单一功能的交通设施用地体量较小，以城市主干路和主要客运站场为主，较为精确识别出菜园坝火车站与重庆北站火车站.研究数据中959个地块交通设施POI权重分数占比在20.07%以内，此类为附属配套功能；57个地块占比在20.08%到46.33%之间，占比超过46.34%的有773个.

绿地广场功能区涵盖POI类型较为单一，且数据总量较小，但由于其面域性质较为单一，识别结果对比度明显.研究数据中，15个地块绿地功能占比在58.50%以上，11个地块处于30.23%到58.49%之间，170个地块在30.22%以下.在图 3中对比发现，研究结果较为明显识别出重庆市动物园、南山风景区、彩云湖湿地公园、鹅岭公园以及研究区北部照母山公园.

对街道单元的功能识别中，发现存在较多混合功能单元，因此研究进一步在精细化网格尺度下，测度城市功能的混合度.首先对获得的POI点要素进行核密度估计，得到研究数据的空间分布情况(图 4)，再按照量化POI多样性的步骤对重庆市核心城区用地功能混合度进行识别，得到重庆市核心城区功能混合度分析图(图 5).混合度计算网格共计16 048个，筛选掉空值单元，获得具有研究价值的网格共8 148个，功能混合度最大值为2.24，标准差为0.60，平均值为0.86，数值越高，表明网格内涵盖的POI种类越多.

由图 5可知，重庆市中心城区的功能混合度整体较高，山地地形的特征使得功能混合呈现较为明显的“多组团、大分散、大集聚”状态，与POI数据在研究区面域的自然分布形态大致相近，也与中心城区城市空间结构相吻合；高混合度区域的分布与功能区识别结果存在相关性，具体表现在：

商业服务业及公共服务功能区混合度较高，单一类功能区混合度较低.从POI分类上，商业类别和公服类别的POI共计31种，占总类别数的73%，而商业服务业对应的功能分区中，POI所识别出的功能混合度整体较高，这与商业服务业的POI空间点密度相关，如餐饮类POI的分布呈现小体量、大规模的特征.与此相比，工业及交通枢纽功能区域的功能混合度较低，反映出用地不够集约，甚至存在低效用地的情况，重庆北站和菜园坝火车站混合度计算值中等偏低，周围物业功能和上盖业态存在提升空间，同时九龙坡和大渡口工业功能区域，呈现出功能混合度整体偏低的现象，相较于冉家坝—红旗河沟区域，城市扩展的连绵性与整体性不足，存在城市“飞地”^[19]和低效用地.

中高混合度呈多中心面状分布，混合度极值主要以各大商业中心的圈层面域为主.观音桥中心商务区以及两路口区域达到2.15，沙坪坝欣阳广场和大坪时代天街等商圈也达到了1.78以上，南坪、杨家坪和大渡口中心商圈地带也达到1.69~1.90，组团中心并未绝对集聚，亦附带有低热点网格，渝中半岛整体功能混合度最高，85%以上的网格混合度计算值达到1.17以上，而低值主要集聚在江边和城中山地公园区域，环三峡广场区域呈现最高混合度集聚范围，该区域业态混合，街道路网紧密，土地利用集约.同时观音桥、解放碑、大坪、杨家坪等主要商圈地带也呈现高值集聚的状态，其中沙坪坝商圈的集聚状态最为明显，其功能业态以商业综合体和上盖居住、写字楼为主，POI复合程度较高；南坪地区以南坪商圈为中心，向北部发散呈现面状高值集聚状态.

本文以POI大数据为研究视角，从街道地块尺度，识别了包括居住功能、商服功能、公共服务功能、工业功能、交通功能、绿地公园功能在内的6类城市功能区，分析其分布特征，在此基础上从精细化网格尺度分析了重庆市中心城区土地利用的混合度情况，得出如下主要结论：研究对重庆市多中心城市结构识别明显，中心城区土地利用功能主要以“组团+圈层”的形式分布，大分散，密集聚，组团中心以商业商务区为主，外围圈层以混合用地形式展开，呈现较为明显集约型集聚方式；中心城区整体土地混合利用程度高，混合功能区覆盖主城大部分区域，中高混合度呈多中心面状分布，混合度极值主要以各大商业中心的圈层面域为主；商业服务业及公共服务功能区混合度较高，单一类功能区混合度较低.

总体来看，重庆市多中心组团发展模式较为成熟，这与重庆自身独特的山地地形地貌、特殊的城市发展历史背景^[20]紧密相关，在相关政策引导下，中心城区将进一步优化内部空间结构，节约集约用地依然是未来空间拓展的主要方向.在新时代城镇化的背景下，城市土地利用布局规划在强调功能分区的同时，也应坚持土地的混合利用^[21]规划与改造，减少职住分离，平衡人口增长与就业发展，提升城市的人口承载力与经济、社会活力，混合集约也成为了山地高密度城市发展的必经之路.

本研究从POI大数据视角对城市功能分区进行识别的研究效果明显但也存在不足. POI数据具有高时效性、易获取、海量精准等特性，但对空间实体的描述信息较少，尤其缺乏体量的描述信息，鉴于此，本文构建了“空间—影响力”二元权重模型以描述POI的空间体量，但由于获取数据以及研究区域的局限性，权重指标评价模型仍有待优化.研究数据中的道路网数据对山地城市的地块划分较难表达，未能反映城市实际的发展情况，还应加强对于数据的精细化处理.研究方法上，仅对6大类功能进行识别，识别结果难以描述城市的多元复合功能，对于混合功能的描述欠佳.精细化尺度的数据分类与空间划分将成为未来研究的重点.