产业大数据及空间自相关性于产业规划的应用

合集下载

大数据分析在制造业的优化生产中的应用

大数据分析在制造业的优化生产中的应用随着信息技术的发展和互联网的普及，大数据分析逐渐成为现代制造业中优化生产的重要工具。

利用大数据分析技术，制造业可以实现生产过程的数据化、信息化管理，有效提高生产效率、降低成本，并在质量控制、供应链管理等方面取得突破性的进展。

一、大数据分析在制造过程中的应用在制造过程中，大数据分析可以帮助企业实时监测生产设备的运行状态、质量参数等关键指标，及时发现问题并进行调整。

此外，通过对大量历史数据的分析，制造企业可以识别并优化生产中的瓶颈环节，提高生产效率和产能利用率。

例如，利用大数据对产线各个环节的生产效率进行分析，可以找到制约生产效率的关键因素，进而进行针对性的改进。

二、大数据分析在供应链管理中的应用供应链管理是制造业中非常重要的一环，涉及到原材料采购、生产计划、仓储物流等多个环节。

利用大数据分析技术，制造企业可以对供应链中的各个环节进行全面监控和优化。

通过对供应链数据的分析，可以实现物料采购的精细化管理、生产计划的优化、库存水平的合理控制等，从而降低企业的运营成本，提高供应链的效率和反应速度。

三、大数据分析在质量控制中的应用制造业对产品质量的要求越来越高，因此质量控制成为制造企业的一项关键任务。

大数据分析可以帮助企业从海量的数据中准确识别出与产品质量相关的关键因素，并建立相应的质量预测模型和质量风险评估模型。

通过实时监测和分析生产过程中的工艺参数、质检数据等信息，制造企业可以及时发现并解决潜在的质量问题，提高产品的合格率和符合率。

四、大数据分析在设备维护管理中的应用设备维护管理对于制造业来说至关重要，合理的设备维护策略可以有效降低设备故障率，提高设备利用率。

利用大数据分析技术，制造企业可以实时采集和分析设备的运行数据，构建设备的预测性维护模型。

通过对设备的运行状态、故障频率等数据进行分析，可以预测设备的故障时间，并及时采取维护措施，避免设备故障对生产造成影响，减少停机时间，提高设备的稳定性和可靠性。

大数据分析在产业升级中的应用

大数据分析在产业升级中的应用在当今信息化时代，随着社会经济的快速发展，各行各业都面临着巨大的转型和升级压力。

而大数据分析作为一种先进的信息技术，正在成为各行各业优化、升级的重要手段。

本文将从大数据分析的概念及其应用、大数据分析在产业升级中的优势和挑战等方面进行论述。

一、大数据分析的概念及其应用大数据，简而言之就是指那些量级巨大、多样化、难以处理的数据集合。

而大数据分析则是利用计算机等先进技术，在这些数据中挖掘出有价值的信息和知识，为企业和传统行业的转型升级提供数据支持和建议。

在日常生活和作业中，我们常常需要对海量数据进行处理，这样才能获取到我们所关心的信息，进行数据挖掘和分析。

因此，大数据分析的运用具有极为广泛的应用范畴。

综合而言，大数据分析主要应用于以下领域：1. 商业领域：此领域包括市场调研、销售数据分析、客户满意度调查等。

2. 金融领域：此领域包括风险管理、信用分析、股票交易数据分析、固定收益证券分析、保险数据分析等。

3. 医疗领域：此领域包括病例分析、医疗保健成本分析、医疗设备数据分析等。

4. 制造业：此领域包括工艺分析、产品生产过程控制、质量检测数据分析等。

5. 公共管理和公共服务领域：此领域包括公共安全分析、城市规划、交通运输管理等。

二、大数据分析在产业升级中的优势和挑战随着大数据分析技术的不断发展和完善，它的应用范围已经越来越广泛，可谓是产业升级中的一把“金钥匙”。

但是，大数据分析也面临着许多挑战，我们需要认真分析和解决。

1. 优势（1）支持数据驱动的智能决策通过运用大数据分析技术，企业可以大幅度提升管理决策的精准度，在企业决策方面享有巨大优势。

尤其是对于经营模式进行大刀阔斧地变革的企业，从大数据中提取出有价值信息的能力十分关键。

（2）提高营销效率大数据分析可以分析客户消费习惯、购买行为、社交网络等，提高企业的营销效率，更好地进行市场细分，进一步增强市场开发的能力。

这对浮躁的当代市场环境来说尤其有难度。

大数据分析在产业升级中的作用

大数据分析在产业升级中的作用随着时代的发展，产业也在不断升级。

而大数据分析已经成为了推动产业升级的关键技术之一。

大数据分析可以帮助企业更好地了解市场、改进产品、提高效率等方面，从而提升企业的竞争力。

本文将深入探讨大数据分析在产业升级中的作用。

一、大数据分析在市场研究方面的作用首先，大数据分析可以帮助企业更好地了解市场。

对于一家企业来说，了解市场需求、竞争格局、顾客喜好等方面是至关重要的。

而通过大数据分析，企业可以获得更加准确的市场数据。

比如，通过对消费者在社交媒体上的言论、评论等内容的分析，企业可以了解到消费者的真实想法，从而更好地了解市场需求；通过对行业报告、竞争对手的营销战略等的分析，企业可以了解到市场竞争格局，从而更好地制定自己的营销策略。

二、大数据分析在产品研发方面的作用其次，大数据分析可以帮助企业改进产品。

对于一家企业，不断改进自己的产品是非常重要的。

而大数据分析可以帮助企业了解到产品可能存在的问题、改进方向等。

比如，通过对用户的搜索记录、行为数据等的分析，企业可以了解到用户对产品的使用情况，从而发现可能存在的问题；通过对竞争对手产品的分析，企业可以了解到竞争对手的优势和劣势，从而制定自己的产品改进策略。

三、大数据分析在生产管理方面的作用除了在市场研究和产品研发方面，大数据分析在生产管理方面也具有非常重要的作用。

对于一家企业来说，提高生产效率是非常关键的。

而通过大数据分析，企业可以了解到自己生产过程中存在的问题以及提高效率的方案。

比如，通过对生产过程中的数据进行分析，企业可以了解到生产过程中可能存在的瓶颈，从而提出解决方案；通过对员工操作数据的分析，企业可以了解到员工的工作效率以及可能存在的问题，从而提高生产效率。

四、大数据分析在客户服务方面的作用最后，大数据分析在客户服务方面也具有非常重要的作用。

对于一家企业来说，客户服务质量非常关键。

而通过大数据分析，企业可以了解到客户需求、服务质量等情况。

工业大数据的五大典型应用场景与产业发展分析

工业大数据的五大典型应用场景与产业发展分析随着信息化与工业化的深度融合，工业企业所拥有的数据也日益丰富，包括设计数据、传感数据、自动控制系统数据、生产数据、供应链数据等，数据驱动的价值体现及其带来的洞察力贯穿于智能制造生命周期的全过程。

领先企业以平台为载体，不断形成针对制造业应用场景的大数据解决方案。

制造和自动化领域的领军企业也依托长期积累的核心技术和行业知识，大力推广大数据在工业领域的应用，推动制造企业形成以数据驱动、快速迭代、持续优化的工业智能系统。

面向制造业企业陆续形成的工业大数据平台正在为工业大数据在制造业的深入应用提供新技术、新业态和新模式。

工业大数据已经成为工业企业生产力、竞争力、创新能力提升的关键，相关技术及产品已经逐步应用于工业企业和产业链的各环节，是驱动智能化产品、生产与服务，实现创新、优化的重要基础，体现在产品全生命周期中的各个阶段，正在加速工业企业的转型升级。

近年来由智能制造、工业互联网发展催生的新模式、新应用，再次丰富了工业大数据的应用场景。

依据工业大数据支撑产品从订单到研发设计、采购、生产制造、交付、运维、报废、再制造的整个流程考虑，本白皮书将工业大数据典型的应用场景主要概括为智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制等五种模式，如下图所示。

1 智能化设计智能化设计是支撑工业企业实现全流程智能化生产的重要条件。

设计数据包括企业设计人员或消费者借助各类辅助工具所设计的产品模型、个性化数据及相关资料，例如计算机辅助设计（CAD）、计算机辅助制造（CAM）、计算机辅助工程（CAE）、计算机辅助工艺设计（CAPP）、产品数据管理（PDM）等。

工业大数据在设计环节的应用可以有效提高研发人员创新能力、研发效率和质量，推动协同设计。

客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，实现新型产品创新和协作的新模式。

大数据技术的经济效益与产业应用研究

大数据技术的经济效益与产业应用研究在信息技术发展的今天，大数据技术成为了许多企业的新宠。

人们通过大数据技术挖掘出了丰富的商业信息，为企业决策提供了更有力的支持。

那么，大数据技术的经济效益究竟有多大？我们该如何应用大数据技术来推动产业升级呢？一、大数据技术的经济周期与传统行业不一样的是，大数据行业的发展周期与经济周期息息相关。

大数据业态有着较高的前期投入和长期回报，然而这样的回报并不是短时间内可以见效的。

在短期内，大数据投入基本上是不可避免的，但长期来看，大数据技术带来的经济效益远远超出了人们的预期。

二、应用研究前景大数据技术的应用范围极其广阔，包括但不限于金融、医疗等行业。

在金融行业，银行常常需要对海量数据进行分析，以此来进行风险评估。

而在医疗行业，利用大数据技术可以分析疾病的发生规律，为医生的诊疗提供更有力的依据。

值得注意的是，大数据技术的应用领域并不只限于上述行业。

通过人工智能技术与大数据技术的结合，汽车行业可以通过分析用户数据来帮助车主定制个性化的驾驶方案，电信行业也可以利用大数据技术来进行网络管理以及防止用户信息被泄露等问题。

三、数据收集的问题虽说由于各种原因，许多企业拥有海量的用户数据，但商业数据占据其中的比例并不高。

在现如今，许多企业可能出于跨境法规的原因，无法收集到海量的用户数据，或者是由于数据的缺失导致分析结果并不完美。

而针对这一问题，大数据技术上的进一步发展可以为企业提供新的解决方案，以满足数据分析研究的需求。

四、数据安全的风险大数据投入本身就具有一定的风险，但是数据泄露则无疑是最大的威胁之一。

数据安全问题需要在大数据技术的研发过程中进行持续的关注，这样才能确保数据的安全性以及完整性。

当用户对于数据隐私的保护能够得到到位，大数据技术才可以在商业领域发挥更大的作用。

五、大数据技术的自我反思将大数据技术人性化也许是达成学院派和商业派共同目标的一条重要途径。

我们需要思考我们所掌握的数据，去关注那些真正有用的数据属性。

产业大数据分析的应用及模型设计与实现

产业大数据分析的应用及模型设计与实现随着信息技术和互联网的发展，大数据已经成为当前产业重要的资产之一。

产业大数据分析作为一种有效的手段，可以帮助企业洞察市场需求、优化生产流程、提升运营效率和推动商业创新。

本文将探讨产业大数据分析的应用领域，并介绍相关的模型设计与实现方法。

一、产业大数据分析的应用领域1.市场分析：通过对市场数据的收集和分析，企业可以了解消费者的需求、评估竞争对手的优势和劣势，并针对市场状况制定相应的营销策略。

产业大数据分析可以帮助企业挖掘潜在的市场机会，发现新的消费趋势，并预测市场的发展方向。

2.供应链管理：大数据分析可以优化供应链的运作效率，提高物流和库存管理的准确性。

通过对供应链各个环节数据的收集和分析，企业可以实现在供应链中的预测和优化，减少库存周期，提高供应链的灵活性和可靠性。

3.生产优化：通过对生产数据的分析，企业可以识别并解决生产过程中的瓶颈和问题，提高生产效率和产品质量。

大数据分析还可以利用传感器数据来监测设备运行状态，实现预测性维护，降低设备故障的可能性和生产停机时间，提高设备利用率和生产能力。

4.客户关系管理：通过对客户行为数据的分析，企业可以更好地了解客户的需求和偏好，并制定个性化的营销策略。

大数据分析可以帮助企业建立客户画像，预测客户的购买行为，并实现客户关系的精细化管理和持续优化。

二、产业大数据分析的模型设计与实现1.数据收集与清洗：在进行大数据分析之前，首先需要收集和清洗数据。

数据可以来自企业内部的各个系统和数据库，也可以来自外部的公开数据和第三方数据。

对于来自不同源头的数据，需要进行数据格式的统一和数据质量的核查，确保数据的准确性和完整性。

2.数据挖掘与处理：在数据收集和清洗完成后，接下来是进行数据挖掘和处理。

数据挖掘的目标是发现其中的隐藏模式和关联规则，并将其应用到实际业务中。

常用的数据挖掘技术包括聚类分析、分类分析、关联分析和预测分析等。

通过这些技术，可以帮助企业找到关键业务指标和影响业务的关键因素。

大数据分析在行业中的应用

大数据分析在行业中的应用1.引言1.1 概述大数据分析作为一种新兴的技术，正在逐渐成为各行业中不可或缺的重要工具。

随着互联网和移动设备的普及，大量数据的产生和积累成为了一种现象。

这些数据包含了海量的信息，是对现实世界种种活动和现象的数字化呈现。

大数据分析就是通过对这些海量数据进行整理、清洗、挖掘和分析，以获取有价值的信息和知识。

在本文中，将探讨大数据分析在不同行业中的应用，重点关注其在市场营销和金融领域的应用。

同时，也将探讨大数据分析的未来发展趋势以及对行业的影响。

通过这一系列的分析，可以更好地理解大数据分析技术在各行业中的作用和价值，为未来的发展提供更多的思考和展望。

1.2 文章结构文章结构部分的内容可以包括以下内容：- 本文将主要从大数据分析的定义和作用、大数据分析在市场营销中的应用、大数据分析在金融领域中的应用三个方面展开讨论，以全面地探讨大数据分析在不同行业中的实际应用和影响。

- 在第二部分，我们将详细介绍大数据分析的定义和作用，阐述大数据分析如何帮助企业在行业中取得竞争优势。

- 在第三部分，我们将重点探讨大数据分析在市场营销中的应用，包括如何利用大数据分析来进行目标市场定位、产品定价、推广和营销活动的优化，以及如何提升客户体验和忠诚度。

- 接下来，我们将在第四部分详细剖析大数据分析在金融领域中的应用，涵盖风险管理、精准营销、客户信用评估等方面。

- 最后，我们将在结论部分展望大数据分析的未来发展趋势，并总结大数据分析对行业的影响，以期为读者提供全面深入的了解和启发。

1.3 目的本文的目的是探讨大数据分析在不同行业中的应用，并分析其对行业发展的影响。

通过对大数据分析的定义和作用进行说明，以及具体分析其在市场营销和金融领域中的应用案例，旨在展示大数据分析在行业中的重要性和价值。

另外，我们还将探讨大数据分析的未来发展趋势，以及对行业的影响，为读者提供对未来发展趋势有所了解的展望。

通过本文的阐述，希望能够帮助读者更深入地了解大数据分析在行业中的应用，并对其未来发展趋势有着清晰的认识。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

产业大数据及空间自相关性于产业规划的应用王启豪摘要：国民社会经济发展规划重点通常不在于挖掘产业空间的特征，而产业规划及相关研究的也鲜有从大数据思维切入，将产业数据进行大量且细微地空间分析，并对产业集聚性、综合效益等进行空间计量。

本篇研究，目的是在城市大数据思维时兴及产业数据日益公开化、透明化的趋势下，运用具有大数据特征的经济普查数据，通过建构空间自相关性分析的技术框架，剖析产业综合效益及空间集聚特征的空间自相关性，建立“产业综合效益—产业空间集聚程度”的四象限，以理解产业空间背后所蕴含的经济发展趋势及空间集聚形态；同时，在“大数据+大特征”基础上，借助“小数据+细特征”的思路，结合对园区、企业、楼宇的定性分析，对研究区域内的产业空间、产业发展阶段、园区/企业发展问题进行判断。

本文的结论落脚于如何通过空间自相关性四象限的技术框架对产业大数据进行空间量化分析，并在国家强调统一空间规划体系的趋势下，为城乡规划工作中的产业规划提出空间研究的建议。

关键词：产业大数据，空间自相关性，产业规划，城市经济，决策支持，基础地理信息数据1背景——应用产业大数据及空间计量方法的必要性1.1产业类大数据日益公开化，具有广泛应用的潜力国民社会经济发展规划，重点通常不在于挖掘产业空间的特征，而产业规划的惯常做法也是对于产业用地、产业园区、商务/商业楼宇的产值、企业数量、分行业类别的产业集聚区有所描绘，鲜有从大数据思维切入，将产业数据进行大量且细微地空间分析、并对产业集聚进行空间测算。

不论是通过政府官方口径收录的经济普查数据、主要社会经济指标、重点园区产值、规上/龙头/百强企业，抑或是某些信息服务平台提供的企业工商注册信息（公开），当在足够规模区域进行统计时，都在一定程度上符合大数据的特征（量大、类多、不断更新），并且具有地理标识（可空间化表达）。

以城市大数据的思维应用这些珍贵资源，对于理解一个地区的产业变化趋势、产业空间供应模式的转变以及产业规划的项目抓手具有重要的指导意义。

1.2产业类大数据能够进行多维度的空间分析，助力产业规划实际上，构成产业的要素与城市空间密切相关，不论是集聚在园区的二产及高新技术企业、寄居于楼宇的生产性服务业及新兴产业以及零散分布于商住区域的生活型服务业，都有其存在的空间基础以及成因，也揭示了适宜或不适宜特定产业形态生存的空间特征。

而产业大数据一旦空间化，就可以进行全面细微的空间测度，揭示产业空间背后所蕴含的经济发展趋势、产业集聚的空间特征及效果、产业空间更新与业态变化的关系等等，这就需要运用大数据的思维、资源及技术方法。

1.3目前对于产业大数据的应用，大多仍在非空间类研究及地理信息管理层面在具有大数据特征的产业数据当中，经济普查数据相对较为适合；但通常情况下，经普数据的应用常集中于以描述性统计的方法总结一个地区的二产、三产的发展规模、产业结构、产业技术的现状、各生产要素的构成和企业效益等情况，并查实服务业、战略性新兴产业和小微企业的发展状况，建立较为健全的基本单位名录及其数据库系统，为国民社会经济发展规划、产业规划、经济发展研究提供决策依据。

但是，除了利用电子地理信息系统建立普查区电子地图，鲜有将经普数据进一步应用于空间分析的案例。

2综述——产业大数据应用及主要技术方法2.1诸多规划及研究，已关注并运用产业大数据骆悰等人（2015）于新一轮上海城市总体规划（2020—2035年）的编制之际，对经普数据在城市规划中的应用开展系统探索，力求为城市总规编制有所助益；其次剖析经济普查数据在城市总体规划应用中的问题及局限，提出了经济普查数据在规划应用中的难点：1.数据采集空间到户，但只达到相对精确落地程度；2.数据统计划定小区，但须与规划单元相衔接；3.数据字段逐次增加，但也造成趋势分析困难；4.数据调查全面，但空间覆盖并不完整。

即便如此，本文仍然强调对于经济普查数据应用的重要性，往往更适用于对特定对象的精深分析。

谷一桢等人（2009）利用北京市2001年基本单位普查和2004年经济普查所提供的就业人口数据，通过单中心、多中心定量模型，城市就业密度方程等技术方法识别北京市的就业中心格局及比那话趋势，为基于就业中心信息的北京城市空间结构研究提供了基础。

任平（2008）应用统计年鉴数据和经济普查数据，通过构建成都市区域经济发展水平评价指标体系，采用聚类分析数学模型，研究了成都市“都市圈层经济结构”的存在形式，并在此基础上探讨大都市圈中城乡空间互动机制、协调发展模式，提出城乡一体化的发展战略措施。

总体来讲，在大数据应用及政务数据不断公开的背景下，以经济普查数据为代表的产业类大数据的作用日益突出。

但由于经普数据的统计处于初期阶段，其初衷并不直接服务于规划编制或研究，管理属性优于应用属性，因此其在城市规划中的应用空间仍较为有限。

2.2空间计量的技术方法已有应用场景，但仍可挖掘在与空间计量相关的产业大数据应用中，郑思齐等人（2009）为识别城市就业主、次中心，运用单、多中心重力模型对北京都市区就业密度函数进行解释：运算结果表征沿特定空间方向的就业密度变化。

图1单、多中心重力模型公式样本（来源：《北京市就业中心的识别：实证方法及应用》）任平（2008）采用聚类分析模型，将体现城市圈层经济发展水平的指标体系，分型划类，并以每个行政区（县）为空间单元，计算城市圈层经济结构图，表征以中心城区为中心向近郊、远郊扩散的三个圈层。

图2城市圈层经济发展指标体系及测算图（来源：《成都圈层经济空间互动协调发展战略研究》）沈体雁等人（2012）基于区域密度方程和空间统计方法，利用两次经济普查的就业数据对东北地区就业密度的空间特征进行了研究，得到就业密度格局，并总结为东北地区沿海化和局域融合的发展趋势。

任英华等人（2010）利用产业集聚测算方法对现代服务业空间集聚特征进行了分析。

将湖南省区域集聚度位居前列的行业及行业内的企业集聚成都进行了对比，总结出2004年湖南省区域集聚度位居前四位的产业大类。

2.3针对现有经验的思考与补充类似的技术方法应用数不胜数，但笔者认为，基于产业大数据的空间计量方法，存在以下可进一步挖掘的空间：2.3.1现有研究通常不对数据空间化的精度进行描述。

针对产业大数据的技术应用，通常将数据量化至较大尺度的空间单元，如行政区范围；这样的视野虽为宏观，但对于数据精度的把握则存在一定妥协。

像经济普查数据，其主要任务是摸清家底，2013年第三次经济普查甚至采用了手持PDA1的采集方式（骆悰，2015）直接收集包含GPS点位经纬度的空间信息，便于每一个企业数据的空间落地。

具有如此精确空间信息的数据，如果基于较为精确的空间位置进行空间计量分析，将发挥更大作用。

2.3.2现有研究鲜有将数据不同维度的信息进行耦合、对比。

包括文献综述所提到的几篇代表作在内的研究，一般是将产业大数据自身的各个指标视为同类属性的因子，将其理解为表达企业财务情况的描述性指标。

一些量化的叠加目的主要是将其进行数量上的积累从而在量化分析上达到集聚的效果。

但是，很少有将表征企业的不同指标进行耦合、对比：比如，在该地区某一产业门类的企业（按2017年国民经济行业分类标准GB/T4754—2017），其营业收入等效益指标相对于其空间位置是否呈现密集、强势的特征？在该地区某两类产业链相近的行业，其企业的效益指标是否接近、抑或没有明显的关联？诸如此类将数据不同字段进行耦合对比的分析方法，将会揭示产业大数据更多的故事和规律，从而总结更多层面的特征。

2.3.3现有研究通常是特征总结导向，与产业空间实体的结合关系不紧密。

大部分的产业发展研究、经济地理研究、产业规划，在运用产业大数据进行分析的落脚点，通常在于总结特征，揭示过去一定时期内（依数据资料的时间而定）的规律，而放在规划类结论的笔墨不多。

然而，产业大数据因其“大”的属性，其分析结论偏于宏观，需要结合对产业用地供应、产业空间形态等产业空间实体要素的分析，才能够得到衔接以及延伸，以使产业大数据的分析得以落地；比如说，大数据分析得知某产业的空间集聚特征，其产业空间是否是最适宜该行业栖居发展的空间形态？该产业如若符合该地区的新动能，如何供应产业用地及配套功能以壮大此类产业，让企业舒适地留着？在存量发展时代，如何将产业规划通过法定规划传达至空间规划及招商？诸如此类的问题，应当是梳理产业大数据应用思维的出发点，也是本文技术框架的重点（基于“大数据+大特征”、辅以“小数据2+细特征”）。

3方法——数据及技术框架3.1本文的目的如上文所述，产业类大数据日益公开化，为多维度的空间计量分析提供了丰富的资源，也为城市空间规划提供崭新视角的助力。

然而，目前对于产业大数据的应用，大多仍是非空间类经济计量研究、地理信息管理；在空间相关的应用当中，对于数据空间化的精度、数据1PDA：手持数据采集设备，PDA)，具有拍照、数据录入、地图加载、GPs定位、网络无线传输等多种功能。

经济普查入户时．普查员将使用PDA对普查对象的经纬度坐标数据进行GPs定位采集，并进行拍照和登记数据等，并实时将普查数据传输到国家统计局数据中心，最大限度确保了普查数据的真实性（骆倧，2015）。

2“小数据”多指传统统计口径下所收集到的人口、经济、社会、土地、空间等具有较为精确统计对象及指标维度的数据。

不同维度的耦合对比以及大数据分析落脚点的稳固及延伸方面，都有可挖掘的潜力。

因此，本文基于深圳某产业规划项目，在引用街道量级的第三次经济普查数据的基础上，建构空间自相关性分析的技术框架，剖析产业综合效益及产业空间集聚特征的空间自相关性，建立“综合效益--空间集聚”的四象限，以理解产业空间背后所蕴含的经济发展趋势及空间集聚形态；同时，在“大数据+大特征”基础上，补充“小数据+细特征”的分析方法，对研究区域内的产业空间进行衔接及延伸，为大数据分析夯实落脚点。

3.2数据源3.2.1大数据——第三次经济普查数据本次普查的时间节点是2013年12月31号，在研究范围内的企业，多报出于2014年。

从法人单位总量来看，研究范围内共有超过11900家企业；从从业人员来看，第二产业和第三产业法人单位从业人员接近24万人；从主要经济结构来看，在法人单位中，第二产业占14.60%，第三产业超过85%。

第二产业从业人员占全部法人单位从业人员的30%，第三产业法人单位从业人员占70%左右；这是一个典型的服务业区域。

经普数据拥有接近50项数据字段，其中又可以衍生出产业门类、行业大中小类、企业经纬度等信息。

表1数据源主要字段（现有）合性相对其他数据样本有明显优势。

第三次经济普查是依托普查小区为空间基本单元展开，普查小区是明确经普的区域界限及职责范围；故每一条经普数据都有其行政区划代码（本案为对应居委会）和普查小区代码。