城市商业中心与消费出行空间相互作用的时空大数据验证
2024-09-06摘要
文章以上海市四个商业中心为例,使用时空大数据验证商业中心与消费出行的空间相互作用特征,比较商业中心规划中的哈夫模型吸引力变量和距离参数选择。首先,使用时空大数据测算居民至四个商业中心的消费出行数量,使用互联网地图API接口计算消费出行时间,将其视为实测值;其次,使用普通最小二乘法进行距离参数校准;最后,使用四种吸引力变量,分别比较哈夫模型预测值与实测值之间的差异。研究认为,在当前社会经济趋势下,消费出行概率仍是出行时间与商业中心吸引力共同作用的结果,符合幂函数衰减规则。但是四个商业中心消费出行的距离参数各不相同,以商业中心POI混合度作为吸引力变量,得出的势力范围划分最接近实际消费出行选择。当前,商业中心规划使用哈夫模型时,在距离参数选择上不宜将多个商业中心取值为统一值;在吸引力变量构建中,应更重视表征商业业态多样性POI混合度的作用。
作 者
康 宁 同济大学建筑与城市规划学院博士研究生
钮心毅 同济大学建筑与城市规划学院,自然资源部国土空间智能规划技术重点实验室教授、博士生导师(通讯作者)
城市商业中心与消费出行空间相互作用是商业中心体系规划中用于确定商业中心服务范围的理论依据。商业中心吸引力与消费者出行成本之间的相互作用直接体现为商业中心的服务范围。商业中心与消费出行的空间相互作用,不仅体现在确定单个商业中心的服务范围上,还体现在多个商业中心在竞争中划分各自的服务范围上。至今,哈夫模型(Huff Model)是广泛使用的一种描述城市商业中心与消费出行空间相互作用的模型,在城市商业中心布局规划中得到普遍应用。20世纪60年代,哈夫(Huff)系统性地描述消费出行时间成本与商业设施吸引力之间的空间相互作用,并将其扩展到多个设施竞争中。由此建立哈夫模型,用于预测需求点的消费出行概率,并应用于商业设施服务区的划分中。此后,哈夫模型成为商业零售设施布局、商业中心布局规划的基础性方法。商业设施的吸引力、空间衰减的距离系数是哈夫模型的两个关键性变量。长期以来,学界围绕商业设施吸引力变量选取、距离系数取值,不断对哈夫模型进行修正和改进。诸多学者已经认识到,当哈夫模型用于单一类型商业设施研究时,不同类型商业设施作用下空间衰减的距离系数不同;不同类型商业设施也需要使用不同吸引力变量。但是当哈夫模型用于商业中心布局规划时,由于商业中心集中了多种类型的商业设施,或者规划阶段无法明确商业设施的具体类型等原因,导致实际规划应用中多个商业中心仍采用统一的空间衰减距离系数,并且普遍以商业中心的商业建筑总面积为吸引力变量。
近十年来,移动互联网的普及与快速交通设施的发展,深刻影响了全社会的生产和生活方式。尤其是移动互联网推动下网络零售业的蓬勃发展,改变了居民对实体商业的购物需求,进而改变了前往实体商业中心的消费出行。已有研究表明,网络购物不同程度地改变了消费出行数量、消费出行距离等。此外,当前交通出行方式及效率也发生巨大变化。除了小汽车普及率大幅升高外,公共交通方式的便捷化也日益凸显,它们均为消费出行提供了极大便利。哈夫模型的基础是消费出行时间成本与商业设施吸引力之间的空间相互作用。当前社会经济背景下,居民对实体商业需求的变化影响了商业设施吸引力,居民出行方式变化会影响消费出行时间成本。在实体商业中心的消费出行需求、出行方式发生巨大变化的情况下,商业中心规划布局中哈夫模型所反映的商业中心与消费出行空间相互作用的特征会发生哪些变化,哈夫模型的变量、参数选择需要如何调整,值得进行系统性研究。
时空大数据能有效测度大规模人群行为,近年来较为广泛地应用于城市中心体系、商业设施服务范围等领域的研究。时空大数据依据大样本、连续的时空轨迹特点,可在总体层面挖掘居民消费出行特征。周素红等采用这一方法,验证城市商业中心空间吸引的衰减率。近年来,已有研究使用时空大数据测度个人消费出行数量、实际到访商业设施的出行选择,验证消费出行与单一商店设施的空间相互作用仍符合哈夫模型的表述,但是需要对模型进行城市特征、出行时刻、商品及服务类型、个人和家庭属性等方面的修正。然而,城市商业中心布局规划需要关注商业中心的整体,不是单一类型的商店。运用时空大数据对消费出行进行研究的成果也表明,将单一商业设施、整体商业中心分别作为到访地,空间相互作用规律存在显著不同。上述对单一商业设施布局的哈夫模型验证和校正的结论还不能直接用于商业中心规划布局。
本文将时空大数据用于测度居民至多个商业中心的消费出行特征,探究当前社会经济背景下,哈夫模型描述的消费出行时间成本与商业中心吸引力之间的空间相互作用特征,比较商业中心规划中的哈夫模型吸引力变量、距离参数选取,为城市商业中心布局中使用哈夫模型提供变量和参数选择的适宜对策。
01
研究数据和方法
1.1 研究对象
选取上海市中心城区北部位置相邻且建设发展完善的四个商业中心作为研究对象,即五角场商业中心、大宁商业中心、虹口足球场商业中心、共康商业中心(分别简称:五角场、大宁、虹口、共康)。从规模上看,五角场的建筑面积和用地面积比其他三个商业中心的大,是《上海市城市总体规划(2017—2035)》确定的城市副中心之一。从功能上看,服务类型以购物和餐饮功能为主,休闲娱乐和生活服务设施存在一定的差异性。其中,五角场各类设施数量和类型都较为综合;大宁主要以餐饮和休闲类体验性设施为主;虹口受虹口足球场的影响,休闲娱乐设施相对较多;共康延续传统商业中心的模式,以购物、餐饮、生活服务设施为主。从区位上看,四个商业中心分别位于中、内环之间和中、外环之间,且在位置上具有邻近性,均有轨道交通站点覆盖。
1.2 研究数据
1.2.1 时空大数据判断消费出行
本研究使用的时空大数据是2021年3月和4月的“百度慧眼”互联网位置服务数据。其中包含周末2天(3月27日、28日)、清明节假日2天(4月3日、4日),并与2019年6月包含周末2天和端午节假日2天的数据在时空间分布上进行校核。“百度慧眼”位置服务数据通过百度系各种APP的定位请求功能产生,为手机操作系统的多种类型App提供定位服务,是具有终端高覆盖率的时空大数据。通过去隐私化的位置整合,结合数据特征,使用机器学习算法挖掘得到常驻点数据,进一步对常驻点数据进行处理,通过对日、夜间停留的重复位置等限制条件的分析,测算居住地、就业地。在此基础上,结合互联网地图兴趣点(Point of Interest,POI),以“位置+设施类型+时刻”测算商业中心内游憩地的位置。游憩地计算满足以下三个条件 :第一,游憩地位置处于四个商业中心内,且在商圈营业时间内停留30分钟以上;第二,该停留位置不是用户居住地、就业地;第三,停留位置周边的POI类型为购物、美食、休闲娱乐、生活服务等消费需求类POI,以此排除交通枢纽、停车场等停留位置。以居住地作为出行来源地,游憩地作为出行目的地,用户从居住地到游憩地的出行即产生一次消费出行。最终测算得出到访四个商业中心的累计消费出行人次数共46780人次。考虑到上海城市道路的间距,居住地、游憩地的位置均以400m×400m网格单元进行汇总。
1.2.2 百度API判断出行时间
本研究利用百度地图开放平台中的 Web API服务,考虑公交出行和私人驾车两种方式,通过最优线路规划功能,获取真实的出行时间。测算方法为输入线路起讫点,即从居住地网格出发,至商业中心内游憩地网格的中心点坐标,计算该线路所需时间。平台会根据实时路况信息反馈结果。相较于传统的网络分析方法,API接口返回的出行时间更加贴合真实的出行时长。
1.3 模型变量选取及研究方法
1.3.1 哈夫模型
哈夫模型通过效用函数,有效预测需求点至供给点的消费出行概率,进一步划分商业中心主导竞争势力范围。哈夫指出,在给定区域内,商业中心的势力范围与商业中心对该区域消费者的吸引力成正比,同时与该区域内所有商店总体吸引力相关。
商业中心j为网格i内消费者产生的效用,计算公式如下:
式中,Pij 表示网格i属于商业中心j势力范围的概率;Uij 表示需求点i网格到访商业中心j的概率;Sj 表示商业中心j的吸引力;Tij 表示需求点i网格与商业中心j之间的实际出行时间;λ表示距离参数;n表示商业中心的数量。
1.3.2 变量和参数设置
商业中心的吸引力Sj和消费者出行的距离参数λ是哈夫模型的两个重要变量。商业中心吸引力变量通常根据面积和总营业额、零售商店的数量等特征来衡量。吸引力受到周围环境特征的影响,并不存在唯一的吸引力指标。在大部分研究中,商业中心吸引力衡量标准与其规模及销售量相关,选取建筑面积、商店种类、价格、产品种类、品牌、停车区可用地大小等数值,作为吸引力指标。本研究在吸引力变量的选取中引入四种常用且较容易获取的变量,分别为建筑面积、用地面积、POI数量、POI混合度。其中,建筑面积数据从商业中心内现状总建筑面积得出;用地面积根据商业中心实际范围直接计算得到;POI数据来自2021年高德地图,将商业中心内的POI类型分为七类,包括购物商场、大型超市、餐饮、休闲娱乐、生活服务、科教文化、酒店住宿;POI混合度的计算公式如下:
式中,Pm 是m类POI功能点所占比例;n是POI的种类。
哈夫模型的另一个重要参数是距离参数,距离参数是描述中心吸引力和阻力相互作用结果的动态参数,受到特定类型的空间相互作用影响。哈夫认为,购买杂货出行的衰减系数比休闲出行的更大,他在公式中给出估计值:买衣服时的距离参数为3.191,而买家具时的距离参数为2.723。在对商店设施的研究中,距离参数不为常数,且受到商店类型和衰减系数的共同作用已成为共识。而在商业中心的研究中,早期学者注意到不同商业中心的取值存在差异,后续研究考虑不同位置的差异,但忽略了不同商业中心吸引力差异会影响消费出行的距离参数,存在使用片区统一值进行测算、以出行幂函数的衰减系数代替等不足。本研究对出行成本的测算以1.2.2节获取的出行时间为准,求得距离参数,以实测值对不同位置的不同商业中心的衰减系数进行推算,并通过模型拟合得到。
1.3.3 研究方法
将通过时空大数据测算得到的以商业中心为目的地的消费出行数量、通过互联网地图API接口计算得到的出行时间视为消费出行实测值,对哈夫模型的一般规律验证、模型参数测算校核、预测值与实测值一致性比较三个步骤进行验证。首先,探究当前消费者出行与商业中心的空间相互作用是否满足哈夫模型描述的关系。对通过互联网位置服务数据测算得到的消费者来源地的消费出行数量进行计算,与消费出行时间实测值进行幂函数拟合,验证消费出行衰减规律。其次,测算哈夫模型距离参数在不同吸引力变量组合下的空间相互作用关系,拟合得出距离参数的最优解。分别选取四个吸引力变量作为吸引力的值,通过互联网位置服务数据测算的结果,对距离参数的数值分布进行反推测算;使用效用函数对距离参数通过普通最小二乘法进行拟合,得出距离参数的最优解。最后,将通过不同吸引力变量和距离参数测算得到的预测值进行主导势力范围划分,与互联网位置服务数据测算的实测值进行比较,探究两者在数值和空间分布上的差异。
02
消费出行的衰减规律验证
2.1 四个商业中心的消费者吸引力范围和消费出行特征
通过互联网位置服务数据测算到访四个商业中心发生消费出行的用户,以消费者居住地作为来源地,按总体来源地的面积占比排序,形成四个商业中心消费者来源地范围的空间分布图(图1)。规模较大的五角场商业中心来源地范围明显大于其他三个商业中心。共康商业中心、大宁商业中心、虹口足球场商业中心的来源地范围的邻近性较为明显,呈现由中心向外衰减的趋势。虹口足球场商业中心沿轨道线路衰减的趋势最为明显。对应消费者出行特征曲线图,横坐标表示出行时间,纵坐标表示单位面积范围内到该商业中心的消费出行人次数。可以发现,各个商业中心消费者的出行人次数呈现近多远小的衰减规律。出行时间越短,单位面积范围内发生消费出行的人次数越多;在20~30分钟处,四个商业中心消费者的单位面积消费出行人次数呈小幅度波动。
图1 四个商业中心消费者来源地范围与消费出行衰减
Fig.1 The range of consumer sources and the spatial decay of consumption travel of the four commercial centers
资料来源:笔者自绘
2.2 消费出行衰减规律验证
居民消费出行与出行成本为幂函数关系。分别计算每个网格到四个商业中心的消费出行人次数,按出行时间汇总各时间段的出行人次数,计算各时间段出行人次数占总出行人次数的比例。将以上出行数占比与出行时间通过幂函数进行拟合。具体计算公式如下:
从四个商业中心所在区域整体的拟合情况来看,拟合得到曲线f(d)= 0.41T -1.10,R2为0.864,P<0.001。消费出行的衰减规律与幂函数有较高的拟合优度,消费出行占比在30分钟内衰减较快。
将不同的商业中心进行幂函数拟合发现(图2),五角场商业中心、大宁商业中心、虹口足球场商业中心、共康商业中心的R2分别为0.857、0.698、0.907、0.792;P<0.001。四个商业中心的出行时间与出行数占比拟合的曲线系数取值不同,根据不同商业中心的拟合曲线可以得出,即使消费者花费相同的出行时间,不同商业中心消费出行数占比仍然具有差异。这一结果验证了消费出行阻力不完全由出行时间成本决定,商业中心的吸引力对消费出行数占比也有一定影响。消费出行数占比是消费出行时间和商业中心吸引力共同作用的结果。
图2 消费出行数占比与出行时间的幂函数衰减曲线(左:整体;右:四个商业中心)
Fig.2 Power function decay curve of consumption travel proportion versus travel time (left: overall; right: four commercial centers)
资料来源:笔者自绘
03
哈夫模型的距离参数测算
3.1 不同变量下衰减系数实测值分布比较
效用函数(公式2)描述单个商业中心消费者出行与商业中心的相互作用,其距离参数λ不完全指出行成本的参数,实际上是出行成本与商业中心吸引力相互作用的动态参数。在哈夫模型中,表示单个商业中心“吸引力—阻力成本”的相互关系。为进一步对其数值进行探究和修正,使用四个吸引力变量,通过效用函数对商业中心不同吸引力变量作用下各商业中心消费者处于不同位置时对应的距离参数,分别进行测算。
结果显示(图3),距离参数λ值的分布为(0, 4),λ值均值的主要范围为[0.8, 1.6],与以往研究得到的常用取值范围较为一致。总体看来,以不同吸引力变量测算得到的距离参数存在差异,到访不同商业中心的消费者受到的距离参数λ值的分布差异更显著。其中,五角场商业中心的λ值较小,分布也较为集中;虹口足球场商业中心的λ值分布最为分散,大宁商业中心的λ值均值较大。λ值的大小体现了消费者出行对时间的敏感性,到访大宁商业中心的消费者对时间的敏感性更强,到访虹口足球场商业中心的消费者对时间的敏感性分布各异,随机性较强。不同商业中心的距离参数λ取值具有差异,使用同一λ值计算得到哈夫模型的结果偏差将会增大。
图3 不同吸引力变量下距离参数λ值的分布
Fig.3 Distribution of the values of the distance parameterλmeasured by different attractiveness variables
资料来源:笔者自绘
3.2 效用模型探究距离参数与吸引力系数的相互作用关系
为求得不同商业中心的距离参数值,本研究以效用函数作为模型基础,使用普通最小二乘法对距离参数λ值进行曲线拟合。将四个商业中心与四个不同吸引力变量相互交叉,与每个400m×400m的网格组合形成以出行时间、距离参数、商业中心吸引力作为变量的16个模型(表1)。拟合测算出四个不同吸引力变量取值条件下单个商业中心空间相互作用的距离参数最优解。通过对单个商业中心效用函数(公式2)进行转换,形成Y=ALN(X)的函数。两边分别取对数:LN(Uj) = LN(Sj)+LN(Tij-λ),将实际出行时间1/Tij作为X,令Y=LN(Uj) -LN(Sj),最终得到可以进行曲线拟合的函数:
通过普通最小二乘法进行曲线拟合,得到拟合度最高系数值,作为单个商业中心效用函数距离参数的最优解。拟合结果见表1。
表1 四个商业中心不同吸引力变量的模型拟合结果
Tab.1 Model fitting results for 4 commercial centers with different attractiveness variables
资料来源:笔者自绘
上述研究表明,距离参数λ实则是出行成本与商业中心吸引力相互作用的动态参数。即使花费同样的出行成本(时间),不同商业中心的衰减仍存在差异。由于消费者出行需求不同,克服出行阻力的能力也会受到影响。距离参数的影响不仅取决于客观的出行成本,商业中心吸引力也起到克服阻力的作用,空间的相互作用不同,使得出行的距离参数有所差异。不同商业中心实际的效用参数不一致,以唯一的均值进行探究会增大误差。
04
理论模型预测势力范围
与实测值的比较
4.1 以互联网位置数据测算得到的实测值划分商业中心主导势力范围
对到访四个商业中心的消费者实际来源地引入哈夫模型势力范围划分概念,通过互联网位置服务数据测算得到实测值,判断商业中心的消费者来源地范围是否发挥绝对主导作用。分别计算每个网格内到访四个商业中心产生的出行人次数,将其与该网格到四个商业中心总出行人次数的比值,作为该网格至四个商业中心的出行概率。通过数值排序,挑选每个网格出行概率数值最大的商业中心,作为该商业中心的主导势力范围。四个商业中心主导势力范围划分后的结果如图4所示,各商业中心均拥有一定范围的主导腹地,大部分在商业中心邻近范围。
图4 以互联网位置服务数据划分的四个商业中心主导势力范围
Fig.4 The dominant service area of the four commercial centers delimitated by internet location-based services data
资料来源:笔者自绘
4.2 不同吸引力变量组合下哈夫模型预测值的空间模拟
将吸引力变量和各商业中心的距离参数进行相互组合,通过哈夫模型计算预测值并进行主导势力范围划分。吸引力变量的选取有建筑面积、用地面积、POI数量、POI混合度四种,距离参数分别以表1中各商业中心的拟合值进行测算,使用公式1测算得出不同吸引力变量的预测值,通过4.1的方法划分商业中心主导势力范围,结果如图5所示。选取不同吸引力变量测算得到的四个商业中心的预测值空间分布各不相同,且与通过互联网位置服务数据计算得出的实测值存在差异。
图5 哈夫模型不同吸引力变量划分四个商业中心主导势力范围
Fig.5 Delineating the dominant service areas of the four commercial centers using different attractiveness variables of the Huff Model
资料来源:笔者自绘
4.3 哈夫模型预测值和互联网位置服务数据实测值的一致性比较
将按照4.1小节测算得到的实测值主导势力范围与4.2小节测算得到的预测值主导势力范围进行空间位置一致性比较,计算不一致网格的数量。结果显示(表2),不同吸引力变量的选取会对一致性结果产生影响。从整体上看,吸引力变量选取POI混合度时,得出的一致性占比最高,模型预测值可以反映84%的真实出行测算结果。通过分析不同商业中心一致性数量的占比可以发现,五角场商业中心以用地面积和建筑面积作为吸引力变量的不一致性占比较高,虹口足球场商业中心以POI数量作为吸引力变量的不一致性占比较高。
表2 互联网位置服务数据与哈夫模型划分主导势力范围的空间位置一致性比较
Tab.2 Comparison on spatial location consistency of the four commercial centers dominated service areas delimitated by internet location-based services data and the Huff model
资料来源:笔者自绘
进一步使用全局空间自相关模型对不一致网格的空间分布模式进行探究。使用全局莫兰指数(Global Moran's I)进行测算,莫兰指数的取值范围为[-1,1],该指数从整体上揭示预测值和实测值不一致网格是否接近空间上的随机分布。莫兰指数的绝对值越大,说明实测值与预测值不一致的网格存在明显的空间自相关,预测值与实测值的差异越大;莫兰指数的绝对值越接近0,表示空间分布越接近随机分布。不一致网格在空间上随机分布,说明预测值与实测值的空间分布模式差异越小。结果显示,以建筑面积、用地面积、POI数量、POI混合度作为吸引力变量,与实测值不一致网格的空间分布的莫兰指数分别为0.345、0.448、0.302、0.176;z值分别为6.764、27.256、58.759、2.615;p值均小于0.01。因此,当POI混合度作为吸引力变量时,不一致网格的空间分布更接近随机分布,与实测值的空间分布更相似。综合一致性网格占比、不一致网格空间随机分布,得出使用POI混合度作为吸引力变量时,哈夫模型的预测值与消费出行的实测值最为接近(图6)。
图6 时空大数据与哈夫模型划分主导势力范围的空间位置一致性分布 Fig.6 Spatial location consistency distribution of dominated service areas delimitated by spatial-temporal big data and the Huff Model 资料来源:笔者自绘
05
结论、建议与讨论
5.1 结论
本文以上海市四个商业中心为研究案例,运用时空大数据,对消费出行时间成本与商业中心吸引力之间的空间相互作用特征进行量化验证,通过比较用于商业中心规划的哈夫模型吸引力变量、距离参数选取,得到以下结论:
第一,基于哈夫模型验证城市商业中心与消费者出行的空间相互作用的关系依然存在。一方面,消费者出行的空间衰减符合幂函数衰减规则;另一方面,消费者到访商业中心的概率是出行时间成本与商业中心吸引力共同作用的结果。
第二,哈夫模型的距离参数是消费出行时间与商业中心吸引力相互作用的动态参数,四个商业中心实际消费出行的距离参数各不相同。应用哈夫模型时,采用幂函数表征空间衰减的距离参数不能简单地取值为2。当研究区域内存在多个商业中心时,哈夫模型也不宜将距离参数取值为统一值。
第三,哈夫模型的吸引力变量以商业中心POI混合度测算,比以建筑面积规模、设施数量等作为吸引力变量时得出的势力范围更接近消费者实际的出行选择。应用哈夫模型时,应更重视表征商业业态多样性的POI混合度在构建吸引力变量中的作用。
对上海市四个商业中心的研究表明,在当前实体商业中心消费出行需求、出行方式发生巨大变化的情况下,哈夫模型描述的消费出行时间成本与商业中心吸引力之间的空间相互作用规律依然存在,但是在商业中心布局规划中应用哈夫模型时,模型吸引力变量、距离参数的选取需要作出改变。
5.2 建议与讨论
本研究以上海市四个商业中心作为案例,采用时空大数据测算实际消费出行特征,对比哈夫模型预测值,由此得出的距离参数具体取值只是针对四个案例的,不适用于上海市其他商业中心,也不适用于其他城市的商业中心。然而,本文案例得出距离参数取值需要遵循的要点,证明各商业中心与消费出行的空间相互作用衰减规律各有差异。研究发现,POI混合度表示的商业业态多样性,已经成为一种重要的吸引力变量,其测算结果可以解释84%的实际出行选择。POI混合度表征的业态丰富度,在一定程度上提升了规模相对较小的商业中心的主导势力范围,削弱了规模较大的商业中心的绝对主导作用。这是商业中心布局规划中需要关注的要点。
在城市商业中心规划布局策略上,需要重点优化业态功能配置,有助于更好地划分商业中心服务范围,合理布局城市商业空间结构。轨道交通等在空间引导上的高效性,使得购物消费出行的时间成本发生变化。城市商业空间布局与轨道交通等的发展协同也是需要关注的另一要点。此外,在当前城市实体商业发展政策上,由于居民对实体商业的需求变化会影响商业设施的吸引力,商业功能已开始转向更为丰富的消费体验。在当前的社会经济背景下,考虑业态多样性是实体商业功能配置的重要关注点。
本文结论是使用时空大数据对消费出行呈现的总体空间特征进行研究后得出。已有研究表明,当前,网络零售业改变了居民对实体商业的购物需求,但不同业态实体商业的消费出行受到网络零售替代的程度不同。实体购物消费出行需求部分被消减、替代,提供体验性服务的商业业态越来越成为消费出行的主要动因。商业业态多样性成为重要的吸引力变量,这可能与网络零售业作用下消费出行特征变化有关。本文尚无法回答商业业态多样性成为重要吸引力变量的原因,但是在当前商业中心布局规划中应用哈夫模型时,吸引力变量构建需要表示业态多样性、表示商业规模的多变量综合,不宜仅采用表示规模的变量。
此外,若能通过综合测算的方法,解决商业中心层级上对产品种类、品牌吸引力及目标人群的细分,并将其与规模、混合度等指标组合构建吸引力变量,将会是商业中心规划中用哈夫模型构建吸引力变量的更好方式。另外,如果能够从对居民消费出行的个人决策入手,采用问卷等方式从个体层面研究消费出行决策机制,或许可以解释消费出行与商业中心空间相互作用特征形成的原因,进一步解决居民个体到商业中心的消费出行决策机制。以上两点均有待进一步研究。