空间统计范文（精选9篇）
空间统计 第1篇
地理学第一定律, Tobler's First Law或者Tobler's First Law of Geography, 地理事物或属性在空间分布上互为相关, 存在集聚 (clustering) 、随机 (random) 、规则 (Regularity) 分布。
空间信息之间存在特殊关系。一个空间单元内的信息与其周围单元信息有相似性, 空间单元之间具有的连通性, 属性各阶矩的空间非均匀性或非静态性。空间分布模式主要有点模式、线模式、面模式和体模式, 其中最早被提出和研究的是点模式 (point pattern) 。点模式分析的理论最早由Ripley (1977) 提出, 并不断得到完善。目前应用领域最广的面模式——空间自相关。基本上, 人的行为表现受到所处环境或周遭环境的影响非常明显, 空间分析学者结合日益成熟的电脑科技GIS、空间计量方法、以及大型资料库, 目的在精确地界定空间因素的重要性及影响力:到底是哪一种空间因素产生影响?影响有多大?如何建立模型?解释自变数与因变数间的关系。
空间自相关分析的目标应该是在空间某一变量应该与某一空间相关, 其相关的程度应该怎样。空间自相关的系数应该经常来度量某事物在空间中的依靠性。如果一个因变量的取值跟随所要测量的长度的变小而变得更加相近, 所以这一变量值就显示空间正相关;如果测量值由于程度的变小而更远, 这个称为空间负相关;如果测量值与空间不存在依靠性, 那么。这一个测量值所表现的是与空间不相关性或者说是空间随机性。空间自相关的应用一般与取样, 测量空间自相关的测量与之距离的空间函数还有自相关性的测量检查。
2 与空间有关性的基本理论
空间自相关定义:空间自相关是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性, 要是这些因素本身存在自相关, 必然削弱它们的作用, 为此需剔除自相关影响大的因素。空间统计分析就是为空间资料的统计分析方法, 地理要素空间相互影响, 自相关是一种不容忽视的影响因素。对已知观测数据建立自回归模型, 即可对自相关变量进行预测, 主要思想在于空间中邻近的数据通常比相离较远的资料具有较高的相似性。如所研究的地理对象受许多因素影响, 其建立在相邻地理单元存在某种联系的基本假设之上。
空间依赖性定义:就是指当地理空间中某一点的值依赖于和它相邻的另一点的值时, 就产生了空间依赖性, 于是在这一个地理空间中各个点的值都会影响相邻的其他点的值。
空间自相关性可以分成空间相关性与空间互异性与空间依赖性。
空间自相关即是地理空间自相关是指时间序列相邻数值间的相关关系。地理研究对象普遍存在的变量间的关系中, 确定性的是函数关系, 非确定性的是相关关系。如存在空间自相关, 亦即该变量本身存在某种数学模型。
空间自相关性可分为空间自相关分析和一部分的空间自相关分析, 一部分的空间自相关性与其研究的区域内的各个空间地理与各自附近位置的同一本性的相关性;空间自相关应该是对特性在全部地理的空间本征的阐述。
空间自相关性统计方法:空间自相关分析在地理统计学科中应用较多, 位置上的数据与其他位置上的透过统计方法, 进行空间自相关性程度的计算来衡量数据间的相互依赖程度, 相关性不等于因果性, 也不是简单的个性化, 以分析这些空间单元在空间上分布现象的特性。相关性所涵盖的范围和领域几乎覆盖了我们所见到的方方面面, 分析该现象在空间上是否有阶层性分布, 相关性在不同的学科里面的定义也有很大的差异。
因此空间相关性的统计形式用下面函数来分析, 可以表示为:
其中p为所有的空间格数据观测单元数;G为w1, w2, …, wN之间的相关性函数。
3 空间权重矩阵
近年来, 空间计量经济学在各个领域的应用十分广泛, 特别是在区域经济的研究中, 由于空间计量经济学原理和方法将空间因素纳入到经典的计量经济分析框架中, 因而用来分析空间事物关系时更加符合经济社会现实, 但进行空间计量分析时, 首先要建立一个表达空间概念的空间权重矩阵, 它是建立属性值空间关系的一个纽带, 建立的是否恰当, 直接关系模型的解释力。
空间计量经济学理论认为一个区域的空间区域上的一些环境区域现象与其中的某个特性价值与相邻的区域空间区域上的同一情况与特性值应该相关的。此时的相邻应该表示区域空间上的相邻, 也可以指环境与社会进步相邻。
空间权重矩阵是考虑空间结构模型中的重要元素, 也是建立空间模型中不可缺少的一部分。用fij符号来表示空间的对象i, j的互相关联, fij=0就是表示空间权重矩阵的对角元素为零。空间权重矩阵有可以根据下面的几个函数方法来确定。
(1) 纵向程度表示法:, nij表示第i个区域和第j个区域的共同的界限, ni表示第i个区域的界限纵向程度;ni应该不等于nj, 所以说fij≠fji就是表示空间权重矩阵F矩阵不是对称的。
(2) 临近程度表示法:fij=1, 当某一区域i与区域临j近时;fij=0, 当区域i与区域j不临近时。
(3) 距离程度表示法:fij=1, 当Hij燮S时;fij=0, 当Hij>S时。Hij表示某一区域i与区域j之间的距离程度, 当S为某确定的常数时, 矩阵F就是对称矩阵。
(4) k阶最临近程度表示法:fij=1, 当其中区域j是区域i第k个最临近的区域。fij=0, 当其中区域j不是区域i第k个最临近的区域。
(5) 长度程度负指数表示法:, q是确定的一个常数。
(6) 区域面积大小表示方法:fij=βi·Hij·nij, βi是区域i的面积, nij, Hij的定义与上面下的定义一样。
4 小结
对于空间权重矩阵是应用的文章有许多, 但是在实际应用中运用什么样的权重矩阵困扰着我们, 空间权重矩阵一般用一种0→1的对称矩阵来计算的一种运算方法。
参考文献
[1]陈斐, 杜道生.空间统计分析与GIS在区域经济分析中的应用[J].武汉大学学报, 2002, 4:391-396.
[2]陈江平, 黄炳坚.数据空间自相关性对关联规则的挖掘与实验分析[J].地球信息科学学报, 2011 (1) .
[3]Myer, S.C.Determinants of corporate borrowing[J].Journal of Financial Economics, 1977, 5:147-176.
空间统计 第2篇
关键词：公共空间;认同度;艺术作品;数据分析
1公共空间艺术作品问题的背后是对公共空间主体参与性的忽视
空间统计 第3篇
一、对于局部空间统计方法的基本认识
对于局部空间统计来说，通常主要的包含了两个方面的内容，一个是全局空间自相关，另一个则是局部空间自相关。这两个主要的空间统计共同的构成了整个空间统计的方法。
一般来说，我们用来度量空间自相关会有不同的指标，这些指标总的来说主要有两个，一个是Moran指数，另一个则是Geary系数，在进行局部空间统计的过程中，我们必须了解这些不同的指标，特别是我们需要重点介绍的Moran指数。对于Moran 指数来说，通常它主要的就是用来度量空间自相关的全局指标，其中主要反映的是空间邻接，或者是空间邻近的区域单元属性值的相似程度。而如果是区域的观测值的话，那么，这一变量的全局为Moran指数。
对于空间联系的局部指标来说，通常空间联系的局部指标需要满足两个方面的条件：第一，对于每一个区域单元的LISA来说，它主要描述的是该区域单元周围显著的相似值区域，或者是单元之间在空间集聚程度的相关指标显示。第二，所有区域单元LISA的总和与全局的空间联系指标成比例。LISA包括局部Moran指数(LocalMoran)和局部Geary指数。
二、区域经济分析中局部统计方法的应用探讨
通过上面的相关分析和探讨，我们已经发现在区域经济的分析中，空间统计方法是一种相对常见而且相对使用的方法，对此我们就必须按照相关的要求寻求有效的应用，只有这样，我们的空间统计方法才能够真正的发挥实际的作用，针对这一问题，笔者进行了相关的分析和探讨，其中总结了一下几点：
1、对于我国的经济发展来说，一般省域之间的经济增长大多具有明显的空间依赖性，也就是说在一些区域之内，我们的经济增长在空间上市具有相对较强的级集聚性的，而且区域经济增长的空间差异也是相对明显的。这样一来，我们在进行相关的区域经济分析过程中，就要注重引入局部空间统计的方法。经过我们的调查发现，在很长的一段时期之内，我国区域经济增长的理论与实证研究，主要的研究思路是过于狭隘的，通常它们主要的就是从时间维度出发，而对于空间维度是经常忽视的，它们大多的忽视了空间维度的相关性以及异质性，这些理论研究方法在区域经济的分析上是存在着较大的缺陷的，而且是与经济发展现实不符。针对这一问题，我们旧需要在时间序列数据的基础上，引入空间地理单元(横截面)数据，也就是说要综合使用时空数据，经过对这些空间数据的引进和分析，从它所传达的时间和空间集成信息上，进一步的、科学的解释区域经济增长在时空演变中的相关机制或者是规律。
2、局部空间分析要注意局部的差异性，我们知道不同区域之间都会带来国际国内贸易，或者是外资等经济活动频繁程度，这样一来，都会在一定的程度上导致各个省域区际经济增长的不均衡。我们在进行局部空间分析的过程中，就要考虑到空间集聚的影响因素，考虑到它对于区域经济增长的影响。所以，在这个过程中，我们进行空间区域的分析和探讨，把握不同区域之间的差异和区别。
3、在区域经济的分析过程中，尤其是在进行局部空间统计的过程中，需要我们着重的研究这一区域经济增长的集聚和差异存在的原因。我们知道，在我国进行改革开放之后，就在很大的程度上进行了人力成本的调整，这样一来不断加剧了经济的全球化，与此同时，我们在进行区域经济统计的过程中还需要考虑到日新月异的技术进步状况以及日益雄厚的物质资本积累，这些在提高我国区域经济效率方面产生了巨大的作用，而且它们对我国经济增长的区域集聚及空间差异产生了影响，在这个过程中，近来我国区域经济增长的良好态势充分证明了这一点。
参考文献：
[1]陈飞.区域经济增长理论从分化到整合的空间经济学分析.现代财经(天津财经大学学报).2009.03.06.
[2]刘乃全,刘学华,赵丽岗.中国区域经济发展与空间结构的演变——基于改革开放30年时序变动的特征分析.财经研究.2008.11.03.
[3]王世豪.新时期我国区域经济空间结构中的重要影响因素分析.生产力研究.2008.09.15.
[4]王义民,李文田.省级边界区域经济发展的空间分析.地域研究与开发.2008.08.15.
[5]余加丽,余志伟,胡青峰.空间统计分析在区域经济中的应用研究.山西建筑.2008.03.10.
区域经济中的空间统计分析 第4篇
一、空间统计分析
1、全局空间自相关
用来度量空间自相关的全局指标有Moran指数和Geary系数, 这里主要介绍Moran指数。Moran指数是用来度量空间自相关的全局指标, 反映的是空间邻接或空间邻近的区域单元属性值的相似程度, 如果是位置 (区域) 的观测值, 则该变量的全局Moran指数I用如下公式计算:
其中, I为Moran指数;xi为区域i的观测值;wij为空间权重矩阵;Moran指数I的取值一般为[一1, 1], 小于0表示负相关, 等于0表示不相关, 大于0表示正相关。
2、局部空间自相关
2.1 空间联系的局部指标 (LISA) 。
空间联系的局部指标 (Local Indicators of Spatial Association, 缩写为LISA) 满足两个条件:
(1) 每个区域单元的LISA, 是描述该区域单元周围显著的相似值区域单元之间空间集聚程度的指标;
(2) 所有区域单元LISA的总和与全局的空间联系指标成比例。
LISA包括局部Moran指数 (Local Moran) 和局部Geary指数 (Local Geary) , 下面重点介绍和讨论局部Moran指数。
1.2. 2G统计量:
全局G统计量的计算公式为:
对每一个区域单元的统计量为:
对统计量的检验与局部Moran指数相似, 其检验值为:
显著的正值表示在该区域单元周围, 高观测值的区域单元趋于空间集聚, 而显著的负值表示低观测值的区域单元趋于空间集聚。
二、我国区域经济增长的空间统计分析
1、人均GDP的Moran I指数
选取1978~2008年我国大陆31个省市区的人均G D P (可比价) 统计数据, 结果如表1。
2、各省市区人均GDP的G统计
2008年, 全同31个省市、自治区人均GDP的G (d) 如表2所示。表2结果表明:上海、北京、天津、广东、江苏、福建、浙江、山东、河北、海南省的G统计量为正, 意味着这些地区将被经济发展水平较高的省市区所包围;黑龙江、内蒙古、吉林、辽宁、西藏、安徽、湖北、江西、贵州等省市区的G统计量为负, 说明了这些省市有被经济发展水平较低的省市区所包围的趋势, 空间聚类趋势比较明显。结合我国行政区划图我们可以看出:上海、北京、天津、广东、江苏、福建、浙江等高人均GDP地区联在一起, 形成东部和南部沿海的高经济发展水平区域;黑龙江、内蒙、吉林、辽宁、两藏、安徽、湖北等省市、自治区形成了另外一个低经济发展水平区域。
结合各地人均GDP的原始数掘, 我们还可以进一步将全国各省市、自治区划分为三个区域:
(1) 上海、北京、天津、广东、江苏、福建、浙江、山东、河北和海南人均GDP高的省市联成一片, 形成东部和南部沿海的高经济发展水平区域;
(2) 黑龙江、内蒙古、吉林、辽宁和新疆联在一起, 形成北部经济发展水平较高的区域;
(3) 山西、河南、安徽、江西、云南、西藏、四川、重庆、广西、青海、甘肃、湖北、湖南、贵州联成一片, 形成中部和西部经济发展水平低的地区。
三、分析结论
综合上述研究, 我们得到如下主要结论:
(1) 我国省域经济增长具有明显的空间依赖性, 而且省域经济增长在空间上确实存在比较显著的集聚性, 区域经济增长的空间差异也比较明显。对于我国区域经济增长的理论与实证研究, 传统研究的思路只从时间维度出发, 忽视空间维度的相关性和异质性, 在理论上存在严重不足, 与经济发展现实不符。需要在时间序列数据的基础上, 引入空间地理单元 (横截面) 数据, 综合使用时空数据所表达的时间和空间集成信息, 进而科学地解释区域经济增长在时空演变中的机制和规律。
(2) 空间相关以及由此带来的国际国内贸易及外资等经济活动频繁程度, 在很大程度上引起了31个省域区际经济增长的空间不均衡, 空间集聚使得在经济增长过程中地理区位 (距离) 产生的空间成本降低, 弱化了原来的空间差异对经济增长产生的影响, 但地理特征也深刻作用于区域经济增长空间集聚的中心和外围关系。
(3) 追究区域经济增长集聚和差异存在的原因, 改革开放以来, 不断提高的人力资本、不断加剧的经济全球化、日新月异的技术进步状况以及日益雄厚的物质资本积累, 在提高我国区域经济效率方面产生了巨大的作用, 同时也对我国经济增长的区域集聚及空间差异产生了影响, 近来我国区域经济增长的良好态势充分证明了这一点。
摘要：利用空间自相关分析方法, 分析了我国区域经济的空间分布模式研究, 结果表明其能很好地检测区域经济之间的空间关联模式。
关键词：空间统计分析,空间自相关,区域经济分析,空间关联
参考文献
[1]、陈飞.区域经济增长理论从分化到整合的空间经济学分析.现代财经 (天津财经大学学报) .2009-03-06
[2]、刘乃全;刘学华;赵丽岗.中国区域经济发展与空间结构的演变——基于改革开放30年时序变动的特征分析.财经研究.2008-11-03
[3]、王世豪.新时期我国区域经济空间结构中的重要影响因素分析.生产力研究.2008-09-15
[4]、王义民;李文田.省级边界区域经济发展的空间分析.地域研究与开发.2008-08-15
[5]、余加丽;余志伟;胡青峰.空间统计分析在区域经济中的应用研究.山西建筑.2008-03-10
空间统计 第5篇
关键词：旅游产业,宏观区位,空间统计分析,空间结构
一、引言
2016年国家旅游局提出全域旅游作为新时期旅游发展战略。推进全域旅游一方面可以解决旅游产业在发展过程中的区域差异性问题,另一方面促进旅游要素、功能在空间上的合理布局和优化配置,是一种积极有效的空间开发保护性模式。
区位理论的根本宗旨在于揭示人类社会活动的空间法则[1],研究内容包括农业区位论、工业区位论、城市区位论(中心地理论)、市场区与网络理论、公共设施区位论,几乎涉及社会经济活动的各个方面[2]。虽然它们所寻求的目标不同,但假设前提、研究方法、表达形式等却基本类似,即均质区和孤立国假设。而旅游产业的资源分布是异质性的,旅游个人偏好多样性又使得旅游者对各种旅游资源的吸引力也因人而异,均质区的假设不符合旅游区位理论的研究。同时,传统区位理论研究假设的区域是与外界隔绝的“孤立国”,但旅游的过程是人们的空间移动的过程,是旅游流的集聚与外向扩散的交互式的空间移动[3]。因此,应用传统区位理论来阐述旅游产业缺乏解释力。
在我国从区位视角研究旅游产业分为两个阶段,第一个阶段是规范式研究,包括以某地区或某旅游企业为案例的区位开发的可行性分析[4,5,6]、旅游企业的选址问题[7,8,9]、旅游流空间结构[10,11,12,13],但只是从现象入手的规范性分析,缺乏实证性检验并未形成理论突破和模型构建。第二个阶段是实证研究,表现为开始建立旅游区位的理论模型,如吴必虎(1999)[14]借助中心地理论的相关概念,首次提出了环城游憩带理论模型,主要研究环大都市游憩活动频发地带;王瑛和王铮(2000)[3]以把农业区位论和旅游产业结合,以云南为案例构建了杜能环型旅游区位模型;李华辰(2008)[15]利用边缘结构理论,对旅游景区的边缘旅游结构、功能等进行理论体系构建。于婷婷(2009)[16]以重庆为例对城市商业游憩区进行指标体系的研究。虽然环城区游憩带(Re BAM)理论、杜能环型旅游区位模型、景区边缘结构理论、城市商业游憩区等分析了旅游活动的空间规律,但在本质上没有脱离第一个特征,即是以城市或某一地区为例的对旅游部分空间现象的解释。
旅游产业宏观区位的提出基于两个方面,第一,从旅游产业的性质来看,首先,它是一个跨地区的产业,其空间结构体系表现为旅游者在物理空间上的移动,由此产生了一系列空间现象和空间组织;其次,它是一个具有融合性的产业,与之相关联的产业包括交通运输业、娱乐业、休闲农业、工业旅游等都和旅游产业相互交叉与渗透。第二,从宏观区位视角看,是利用凯恩斯宏观经济分析方法对传统区位理论进行了扩展,利用一般均衡的分析方法,将研究的重点由部门的区位选择转向区域综合分析,建立区位的总体空间模型[17]。因此,旅游产业宏观区位代表了经济空间场中所承载的各种生产关系的空间表征,它不是单个部门或产业的空间分布结构,而是综合多种生产关系的具有一定功能的有机体,而这正符合旅游产业的跨地区和产业融合性特征[18]。
传统的区位理论在本文的研究中,可以理解为微观区位理论,以企业或个人为主体,主要追求经济利益或效用的最佳或福利最大化的区位选择;它很少研究区位、区域和空间三者的关系,结果常常会带来一些靠市场机制无法自动解决的区域问题,如区域差异,而这正是宏观区位理论需要解决的问题之一。宏观区位理论引入均衡理论与方法,形成以社会团体(省市或国家)为主体的区位理论,追求整体效益最佳、点线面均衡布局以及区域差异的专业化协作和综合发展[19](见表1)。概括来说,微观区位表明企业或部门配置在一定的区域之内的原因,带有战术性质;而宏观区位反映一国乃至更大范围内生产力布局现状和发展趋势,属于战略性问题。
本文研究以旅游产业宏观区位为主线,采用多元统计中的因子分析生成旅游区位宏观化因子,在此基础上采用全局Moran’I、Moran散点图考察我国旅游产业宏观区位在空间相互作用即所形成的空间集聚程度和集聚形态,来探索旅游产业在空间上的分布特征以及格局的动态演变过程,解释旅游产业宏观区位与空间地理位置的异同,实现旅游产业宏观区位空间统计的判断,以达到有限的空间资源最佳利用目标,对宏观区位理论创新进行实证分析,更期能为我国旅游产业的差异化管理及政策制定提供理论依据。
二、旅游产业宏观区位化指标构建及数据来源
科学合理的构建旅游产业宏观区位化指数,是研究宏观区位影响下的旅游产业空间布局的重要环节。即要考虑不同要素结合带来的溢出效果,又要考虑要素在空间上的互补效果,两者构成了宏观区位指数的存在基础。为此,在一级指标的选取时,本文通过与微观(传统)区位选择的对比,构建出旅游产业宏观区位因子:地区资源禀赋与吸引力、地区贸易量、地区交通条件、制度化因素。在二级指标的选取时,考虑到微观区位分析是追求效用最大化、利润极大等个人行为模型,与此相对应的旅游产业宏观区位分析不是直接分析每个人或每个企业的经济行为状态,而是把社会集团(省市或是国家)的经济行为结果作为分析的对象,追求区域发展的一般均衡,用来分析构成社会集团要素的数个部门间的经济投入、产出的关系,只有把这些关系从某种程度上作为一种持续的关系来掌握,才能看到其均衡[20]。所以,本文二级指标选取过程中经济投入用城市公园面积、星级饭店房间数、公路客运量、铁路客运量来衡量;产出量用国内和入境旅游总人数、国内旅游收入、旅游外汇收入来衡量;宏观区位中社会团体(省市或国家)的作用通过市场分配经济比重、对外开放程度、引进外资来衡量[21]。
根据Moran’s I指数计算结果,还需要对其结果进行z检验:
式中:
其中,
(四)局部空间自相关
为了研究空间集聚的程度和相互作用形式,需要通过局部Moran’s I,其计算公式如下:
其中,zi为地区i的旅游宏观区位化指数的标准值;w*ij为对行进行标准化后得到的空间权重矩阵,即地区i与j之间的空间权重值。根据局部Moran’s I,将其绘制于一个卡迪尔坐标系统中,横坐标对应zi,纵坐标对应空间滞后变量,四个象限分别对应于区域单语与其邻近单元之间的四种类型的局部空间联系形式:第一象限为高高集聚区域(HH),代表了高观测值的区域单元被同是高值的区域所包围的空间联系形式;第二象限为低高集聚区域(LH),代表了低观测值的区域单元被高观测值的区域所包围的空间联系形式;第三象限为低低集聚区域(LL),代表了低观测值的区域单元被低观测值的区域所包围的空间联系形式;第四象限为(HL),代表了搞观测值的区域单元被低观测值的区域所包围的空间联系形式。
四、结果分析
(一)旅游产业宏观区位布局的空间结构
宏观区位布局的空间结构分析在静态上体现为区域旅游产业发展状态,是从空间分布、空间组织角度考察、辨认区域发展状态和区域社会经济有机的罗盘;同时,在动态上可理解为是处在不断变化发展的空间状态,可以解析为是历史发展的函数,是旅游经济水平逐步演变和提高的过程。为此本文以2000年和2014年各观测区域的旅游宏观区位化指数[22]。
1. 全局空间自相关。
通过2000年与2014年旅游产业宏观区位化指数,利用上述公式(4)和(6),计算出2000年至2014年旅游产业宏观区位化指数的Moran’s I值及其标准化Z值和显著性水平值P(见表2),表2中的2000-2014年的全局空间自相关Moran’s I值均为正,且P值通过了小于5%显著性水平检验,说明在宏观区位影响下空间上旅游产业集聚经济开始出现。同时,Moran’s I值呈波动扩大态势,表明在宏观区位作用下的空间布局存在显著的正向空间相关,具有明显的集聚趋势,即优质区域倾向于和其他优质区域邻近,低质区域同样在空间上与邻近低质区域集聚。从动态演进上看,Moran’s I值呈现波动式扩大态势,说明我国旅游产业空间上一直处于相对集聚的发展阶段。其中,2008年集聚经济影响力达到最高能效(Moran’s I值为0.4137),2009年以后集聚能效开始减弱,Moran’s I值有所降低,但仍然为显著。这表明中国旅游产业宏观区位的空间结构仍然以不平衡态势为主,随着时间推移不平衡的发展态势趋于弱化。
2. 局部空间自相关。
全局Moran’s I值只是对区域集聚现象进行整体的描述,不能衡量区域内空间结构的状态及分布,为进一步衡量每个区域与周边地区的旅游产业宏观区位的空间集聚和空间作用的相互模式,本文通过Moran散点图分析宏观区位空间结构(见图3)。由图3所示,从这2年的对比情况来看,位于第一象限(HH)和第三象限(LL)的省域2000年分别有8个和11个,2014年分别有7个和13个,占省域总数的61.29%和64.52%,一方面表明我国旅游产业宏观区位空间布局出现了HH和LL空间集聚特征,与上文中全局自相关的分析结果相符合;另一方说明我国旅游产业宏观区位的空间布局存在“两极化”空间,其中位于HH区的省域大部分在东部地区,位于LL区的省域在西部和东北部,且2000年和2014年LL区比HH区分别多出3个和6个,表明宏观区位影响下的低等能效发展区域形成的低低集聚分布空间在扩大。其中,选取2014年指标来做进一步深入分析,第一象限(HH)中,北部区域包括山东和河南,东部沿海和东南沿海区域为上海、苏州、浙江、安徽和福建旅游宏观区位引发的集聚水平较高,旅游生产要素在一定时间上不断地集中集聚,出现了规模报酬递增效应;第二象限(LH)中,天津、河北、江西、广西、湖南、海南旅游产业宏观区位引发的集聚水平不高,与周边邻近区域宏观区位化水平相比处于弱势地区,高能效区域的涓滴效应也不明显;第三象限(HH)中,包含新疆、西藏、甘肃、吉林等13个省份,这些省份旅游宏观区位引发的集聚水平不高,虽然区域内的资源要素禀赋很高,但是没能形成有效地聚集,未能形成相应的经济功能区;第四象限(HL)中,包含北京、辽宁、四川、广东、湖北,这些地区的旅游宏观区位引发的集聚水平较高,但对周边的联动发展效应不明显,没有通过分工与专业化的再深化产生空间溢出效应。
五、结论与启示
传统区位理论注重经济主体行为的研究,很难跳出区位选择的路径依赖,往往导致研究结论并不能真实地解释具有融合性、空间性和配置性的旅游产业的空间结构问题。本文认为旅游产业宏观区位代表了一定的空间承载的各种空间关系的总和,是诸多生产关系空间总和的概念表征,符合旅游产业的跨地区和配置产业的特点。为此本文引入了宏观区位的概念,分析宏观区位与旅游产业的关系。在此基础上,为了很好地刻画宏观区位与旅游空间结构的关系,本文构造了旅游产业宏观区位化指数,采用箱形统计和空间自相关统计分析的方法,使用我国31个省区2000-2014年面板数据,对中国旅游产业宏观区位布局的空间结构进行总体分析,并对空间集聚程度和集聚效率进行判定。研究结果表明:
(1)首先,空间结构基本雏形已经形成,即以东部沿海和东南沿海为主的极化区域;以环渤海地区、黄河中游地区、长江中游地区为主的协调发展区域;以西南和西北为主的滞后区域;其次,中国旅游产业宏观区位空间布局的等级-规模已具雏形,集聚效应与扩散效应开始出现。宏观区位影响力高能效地区由点状分布特征开始呈现线状分布特征,核心地域拥有较高的区位势能,在空间梯度力驱动下,区域旅游产业由集聚效应开始转变为扩散效应;最后,中西部地区仍然是单体发展模式,区域带动效应弱,联动发展态势不强;西部地区的四川旅游经济发展一直处于中速和中高速状态,但是没有形成涓滴效应,对周边邻近省份青海、西藏、云南、贵州、重庆没有产生辐射作用,区域联动发展的效应较弱。
(2)通过全局自相关的分析得出,我国在宏观区位的空间布局上存在显著的正向空间相关,说明中国旅游产业一直处于相对集聚的发展状态,但是集聚区域是优质区域与优质区域集聚,低质区域与低质区域集聚。同时,利用局部自相关的分析结果对空间集聚程度进行了描述(HH集聚、LH集聚、LL集聚和HL集聚),表明同一自相关类型区的各省(市/区)彼此之间存在着相互影响、相互制约的关联互动,推动着中国旅游产业宏观区位空间结构的继续演变。
浅谈统计物理学中相空间概念的教学 第6篇
关键词：统计物理,相空间,教学
统计物理学的理论基础或者说基本原理认为:宏观的物质 (物体) 是由大量的微观粒子如分子、原子等组成的, 而物质的宏观特性是这些大量微观粒子作无规则微观运动的集体体现, 物质或物体的宏观物理量是相应微观物理量的统计平均值[1]。要清楚地表述统计物理学这一个基本理论, 就要涉及一个重要的物理概念:即相空间。此概念是为了对粒子或系统的微观运动状态进行描述而引入的。
在统计物理学中, 微观粒子或系统的微观运动状态是指该粒子或系统的力学运动状态。可以对微观运动状态的描述进行分类, 一般分为经典描述和量子描述两种情况:第一, 经典描述是指微观粒子的运动遵守经典力学的规律;第二, 当组成系统的微观粒子按照量子力学的规律在运动时, 这样的描述就称为量子描述。当满足一定的条件时, 借用相空间的概念还可以对量子描述的量子态给出对应的关系[2]。在教学中, 为了全面透彻地讲解相空间概念, 使学生明了其在统计物理学中的地位和作用, 本文将对统计物理学中的相空间进行一些教学上的探讨。
一般的统计物理学教材对粒子相空间的定义是这样的[1]:微观粒子在m维坐标空间中运动, 就用q1, …, qm, p1, …, pm坐标和动量为坐标变量, 构成一个2m维的空间, 用于形象地描述粒子的力学运动状态, 称为μ空间。这里的μ空间是相空间概念的一种。微观粒子在运动中, 其力学运动状态时刻在变化, 任意时刻的运动状态由μ空间中某一点表示, 这个点代表粒子某时刻的运动状态。在一般情形下, 粒子的运动状态还会随着时间改变, 则运动状态点相应地在μ空间中移动, 于是描绘出一条轨道, 称为相轨道。
对于在实际的三维坐标空间中运动的粒子, 初学者还能想象到其运动图像。但是三维坐标空间粒子的相空间有6维, 初学者不易想象。在教学中, 要着重强调μ空间是描述粒子运动状态的抽象空间, 但不仅仅是为了几何化、形象化地描述粒子运动状态。在统计物理学中描述系统微观状态时有重要作用, 还可以提及固体物理学中, 分析原子振动的状态以及能带理论中电子运动状态时, 都可以借助相空间的概念。其二, 粒子的相空间包含坐标空间和动量空间, 粒子实际存在和运动的空间应是坐标空间而不是相空间。其三, 相空间中的点, 代表着粒子的力学运动状态, 而不是代表一个粒子在实际坐标空间中运动的轨迹图象。更一般情形下, 当粒子在运动时, 其状态会随着时间变化, 则相空间中的代表点相应移动, 描划出“轨道”, 但不是粒子实际运动的轨道。
在教学中, 需要对学生强调和明确:相空间是为了形象地描述系统的微观运动状态, 统计物理中提到的物质系统必须由全同的粒子和近独立的粒子组成, 满足这样的前提, 才能在同一个相空间中描述该系统的所有粒子的力学运动状态[2,3]。因此, 统计物理学的相空间概念, 只适用于由全同粒子和近独立粒子组成的系统。统计物理学中最常用的最概然分布法, 也称为最概然统计法, 也只适用近独立粒子组成的系统。推广到更一般的情况, 就要考虑系统中粒子间的相互作用。此时, 系统中每个粒子的力学运动状态既决定于自身的坐标和动量来确定, 也决定于其他粒子的坐标、动量。在这种情形下, 必须把系统作为一个整体来考虑。不能用μ空间来描述系统微观运动状态, 而必须采用一个新的相空间概念, 即Γ空间[1]。
一般的统计物理学教材中, 是先对几个经常用到的力学模型举例, 来说明全同和近独立粒子的相空间, 然后对系统微观状态作描述, 并指出:在经典力学基础上建立的统计物理理论, 称为经典统计物理学;而量子统计物理学是建立在量子力学基础上的。二者既有区别, 又有联系:二者在统计原理上是相同的, 仍以等概率原理为基本假设;主要的区别在于对微观运动状态的描述即力学基础不同[1,4]。因此在教学中, 要强调以上提到的相空间, 是为了从三维实际空间上形象地描述粒子力学运动状态和系统微观运动状态, 而采用的相空间概念:μ空间或Γ空间。虽然有粒子或系统的经典描述, 但是从更基本的物理规律来看, 微观粒子都是遵从量子力学的运动规律, 对其力学运动状态和相应系统的微观运动状态的描述, 应采用量子力学的原理和方法。
至此, 有的学生会迷惑:一般的教材在提出相空间概念后, 又提到了量子状态和量子相格[1,5]。是不是可以认为:也能用粒子的坐标和动量来确定量子态?量子力学的原理指出, 微观粒子都具有粒子性和波动性, 微观粒子的运动不具有宏观物体的轨道运动, 不可能同时确定微观粒子的坐标和动量。在教学中要仔细讲解一个例子:三维粒子在一个长方体盒子中如何被动量子化, 进而得出一个结论:采用量子理论描述粒子的运动状态时, 把微观粒子的运动视为在宏观大小的体积内运动, 那么粒子的动量、能量就是准连续地变化着, 才可以用相空间中的相格来描述量子态。当粒子在宏观大小的体积内作无规则热运动时, 粒子的两个相邻能级最小间距远小于粒子的热运动能量Δε<<k T。这时, 普朗克常数h不起重要作用, 粒子的波动性不明显, 粒子的动量和能量分立的量子特征就不明显, 则可以借用μ空间形象地描述粒子的量子状态。
对系统微观状态数目的计算, 是初学者的难点之一。一般的教材都是先从相格入手, 说明系统的微观状态数目如何计算, 最后类比经典系统[1]。对于自由度为m的粒子, 相格为Δq1…ΔqmΔp1…Δpm=h′, hm相应于2m维相空间中的一个量子相格。量子相格也可以过渡到经典的情形[1], 这时要将相空间划分为许多体积元Δω1, 具有能量为ε1、自由度为m、运动状态处在该体积元内的粒子系统的微观状态数目为Δω1/h0m, h0m可以取任意小的数值。在教学中, 要对学生强调指出, 在经典描述中, 相格大小的选取一般要注意两个特点:第一, 相格内各点的坐标 (包括动量和长度空间) , 其间隔或差别很小, 小到可以忽略各点坐标和动量值的差别, 以至于准连续变化。同一个相格内的所有代表点, 可以认为是具有相同的值 (广义坐标和广义动量) 。与量子相格类似, 一个相格就可以看作粒子的一个力学运动状态。第二, 每个相格可以容纳大量的粒子运动状态点。处在同一相格内的点, 表明粒子具有相同的运动状态[6]。
基于以上的讨论, 由于相空间适用于宏观体积中运动的近独立粒子体系, 计算粒子微观状态数目时, 都可以采用这样的计算式:微观状态数目=相空间体积/相格体积= (坐标空间体积×动量空间体积) /相格体积, 这里相格的体积在量子情形时即hm, 在经典情形时即h0m。在教学中, 可以如下举例:计算在体积V内, 在动量大小为p-p+dp范围内的自由粒子可能的状态数目为, , 其中4πp2dp为动量空间的球壳体积。推广到固体物理学中晶格振动模式密度、电子态密度的计算[7,8], 也可以这样处理, 使得初学者很易于接受。
参考文献
[1]汪志诚.热力学统计物理 (第四版) [M].北京:高等教育出版社, 2008.
[2]彭家骥.统计物理学中的相空间[J].四川教育学院学报, 1998, 14 (2) :66-69.
[3]苏汝铿.统计物理学 (第二版) [M].北京:高等教育出版社, 2002.
[4]成元发.量子统计与经典统计的区别和联系[J].湖北大学成人教育学院学报, 2003, 21 (2) :76-78.
[5]林宗涵.热力学与统计物理学 (第一版) [M].北京:北京大学出版社, 2007.
[6]王培楠.统计物理学中的系综理论[J].运城师专学报, 1985, (4) :33-37.
[7]黄昆, 韩汝琦.固体物理学[M].北京:高等教育出版社, 2010.
上海市雾霾风险差异的空间统计分析 第7篇
本文运用空间统计分析的方法对上海市的17个区、县域降尘量、PM2.5浓度两项指标进行空间差异的研究,以此达到反映上海市不同区之间的雾霾风险的空间相关性,希望进一步了解上海市雾霾风险的区域分布状况及相关性关系,从而能有针对性的对区域雾霾风险作出合理的治理政策。
1 数据来源及研究区概况
选取上海市2015年环境月报数据,指标选取区域季度降尘量和PM2.5季度平均浓度,数据的准确性和完整度良好。
本研究区为上海市17个区、县,包括宝山区、长宁区、虹口区、崇明县、闵行区,浦东新区等区、县的全部。上海市近两年雾霾天气严重,出现过大范围雾霾天气,且上海市是一个人口密度非常高的地域,对于雾霾的研究和治理非常重要。
2 研究方法
本文通过建立上海市各区、县生成空间权重,然后分别确定各空间单元的权重,通过各空间单元的数据信息进行空间的自相关分析。包括全局空间自相关分析、Moran散点图、局部空间自相关分析。
2.1 空间权重矩阵建立
在空间分析过程中,通常定义一个二元对称空间权重矩阵Wn×n来表达n个位置的空间邻近关系。
空间权重矩阵建立的规则通常有两种,邻接规则和距离规则[7,8];本文采用的是邻接规则:
2.2 全局空间自相关分析
不同的分析对象存在空间相关性指的是它们的同一属性变量在空间上呈现一定程度的规律性,而不是随机的分布[9,10]。全局空间自相关分析运用的是Moran's I反映空间关联度和空间差异程度:
其中
检验统计量是标准化Z值,公式为:
检验统计量可以检验所有区域之间是否存在空间自相关性,取值范围介于-1~1之间,当取值为负时,区域单元之间存在显著负相关性,即呈现空间分散格局;当取值为正时,区域单元之间存在显著正相关性,即高高低低集聚;当取值为0时,区域单元之间不存在空间相关性。
2.3 局部空间自相关分析
局部空间自相关用来分析是否有观测值对全局空间相关性的贡献更大,可以更好地评估全局相关性掩盖的局部不稳定性,用Local Moran's Ii表示:
公式中:zi、zj是区域单元值的标准化形式,Wij表示空间权重矩阵。若取值大于0,则区域i与周边区域的空间差异小;若取值小于0,则区域与周边区域的空间差异大。
2.4 Moran散点图
Moran散点图中有四个象限,用于研究局部区域的空间不稳定性,第一象限和第三象限表示正的空间相关性,第二象限和第四象限表示负的空间相关性。其中:第一象限表示高值被周边区域高值包围(HH型),第二象限表示低值被周边区域高值包围(LH型),第三象限表示低值被周边区域低值包围(LL型),第四象限表示高值被周边区域低值包围(HL型)。
3 上海市雾霾风险空间差异分析
运用公式(1)建立上海市各区、县空间权重矩阵,再通过Geoda空间统计分析软件和其他公式分别对上海市雾霾风险中的区域降尘量和PM2.5浓度的季度平均值进行空间统计分析,得出上海市2015四个季度的全局和局部相关性指标。
3.1 全局空间自相关分析
运用Geoda软件对上海市2015年四个季度的区域降尘量和PM2.5浓度的季平均值进行全局自相关分析检验,第一季度区域降尘量Moran's I为0.2040,Z值为1.9344,PM2.5浓度Moran's I为0.3983,Z值为3.3392;第二季度区域降尘量Moran's I为0.3489,Z值为3.0497,PM2.5浓度Moran's I为0.1086,Z值为1.3291;第三季度区域降尘量Moran's I为0.3136,Z值为2.9537,PM2.5浓度Moran's I为0.3001,Z值为2.6262;第四季度区域降尘量Moran's I为0.2226,Z值为2.1340,PM2.5浓度Moran's I为0.2735,Z值为2.7012;以上指标均在0.01的显著性水平下通过显著性检验,四个季度的计算结果如表1且Moran's I都为正,说明每个季度的区域降尘量和PM2.5浓度在空间分布上有明显的正相关性,相邻区、县存在着相互的影响关系,即有空间聚集现象,高高集聚和低低集聚,区域间的降尘量和PM2.5浓度差异明显。
3.2 Moran散点图
根据2015年上海市四个季度两项指标,得到区域降尘量和PM2.5浓度的四个季度的Moran散点图(图1和图2)。每个季度的Moran散点图对应象限的区域见表1,从表1、图1和图2得出,大多数区域的降尘量四个季度分布相似,大体分布在一、三象限,尤其是第二、三季度,聚集度很高,雾霾风险大,且降尘量大的区域聚集度很高,在虹口、静安等市中心地带,表现了很强的空间正相关性;而PM2.5浓度四个季度中,第二象限四个季度聚集明显,青浦区、金山区、松江区、嘉定区等区域PM2.5浓度聚集较高,多位于西南地区,而在虹口、徐汇等市中心地带属于低值聚集区,较其他地区雾霾风险更低。
3.3 局部空间自相关分析
对上海市2015年四个季度的区域降尘量和PM2.5浓度进行局部空间自相关分析,分别得到四个季度区域降尘量和PM2.5浓度在0.05显著性水平下的Local Moran's I图(图3和图4)
从图3可以看出,第一、三、四季度静安区、第二季度浦东新区区域降尘量聚集度很高,均位于市中心地段,而静安区三个季度聚集度最高,频率高,说明越靠近静安区,区域降尘量越大,雾霾风险越高;其次可以看出青浦区、松江区、金山区的聚集度最低,尤其是金山区,四个季度一直处于低低聚集状态,说明越靠近金山区,区域降尘量越小。图4可以看出,第一、三、四季度的青浦区、松江区、金山区PM2.5浓度聚集度最高,第二季度嘉定区、普陀区PM2.5浓度聚集度最高,说明越靠近这些区域PM2.5浓度越高,雾霾风险越高。
4 结论
本文运用空间统计分析方法,通过Geoda软件,对上海市17个区县的2015年四个季度的区域降尘量和PM2.5季均浓度进行分析,发现两项指标评测出的上海市雾霾风险在空间上的分布特征,结果表明:1上海市2015年四个季度区域降尘量和PM2.5季均浓度存在较为显著的全局空间正相关性,表现雾霾风险大的区域相邻,而雾霾风险小的区域相邻;且区域降尘量第二、三季度聚集度提高,说明这段时间区域的雾霾风险有所提高,PM2.5季均浓度在第二季度聚集度有所降低,说明这段时间区域的雾霾风险有所降低;2局部空间自相关分析可以看出,区域降尘量四个季度呈现西南低聚集,聚集度高,中部高聚集,PM2.5季均浓度四个季度西南地区高聚集,聚集度高,说明在西南-中部地区雾霾风险度呈现高聚集状态,且西南地区工厂密集度较高,中部地区人口密集度较高,是雾霾风险聚集度较高的区域,应对上海市的工业发展和人口政策作出适当的调整策略,降低区域雾霾风险。
本文将上海市17个区域进行全局分析,选定区域降尘量和PM2.5季均浓度作为雾霾风险空间差异测定指标,能从两个指标研究上海市雾霾风险的整体空间差异,为区域雾霾治理提供辅助治理措施;同时在今后的研究中,可以选定更多指标,将指标综合化,对上海市雾霾风险空间差异进行综合风险评估。
参考文献
[1]谢元博,陈娟,李巍.雾霾重污染期间北京居民对高浓度PM2.5持续暴露的健康风险及其损害价值评估[J].环境科学,2014,35(1):1-8.
[2]吴伟强,王欣.基于故障树模型的城市雾霾风险分析[J].广州大学学报(自然科学版),2015,14(5):76-80.
[3]徐选华,洪享,钟香玉.基于情景信息扩散模型的雾霾社会风险演化仿真研究[J].环境科学与管理,2015,40(8):34-40.
[4]王少剑,王洋,赵亚博.广东省区域经济差异的多尺度与多机制研究[J].地理科学,2014,34(10):1184-1191.
[5]孙盼盼,戴学锋.中国区域旅游经济差异的空间统计分析[J].旅游科学,2014,28(2):35-47.
[6]包小凤,梅志雄,刘晓飞.广州市土地利用变化强度的空间格局分析[J].华南师范大学学报(自然科学版),2014,46(5):118-124.
[7]肖根如,程朋根,陈斐.基于空间统计分析与GIS研究江西省县域经济[J].东华理工学院学报,2006,29(4):348-352.
[8]鲁凤,徐建华.中国区域经济差异的空间统计分析[J].华东师范大学学报(自然科学版),2007(2):44-51.
[9]GOOD C F.Spatial autocorrelation[M].[S.l.]:Norwich:Geo Books,1986.
空间统计 第8篇
一、研究区域与数据源
1.研究区域及经济发展状况。黑龙江省国有林区是我国四大国有林区之一,其经营总面积1006 万公顷,约占黑龙江省土地面积的25%;有林地面积761 万公顷,占全国林地面积约为29.3%;森林覆盖率约为83.8%(张鑫炎,2014),下辖4 个林管局,40 个林业局。黑龙江国有林区的林业增加值由2000 年的171152 万元增长到了2013 年的2044569 万元,销售产值由2000 年的323631 万元增加到2013 年的2381385 万元。但黑龙江省国有林区经济的发展仍然不尽如人意,经济增长速度缓慢、企业内部机制不够灵活、生产效益低下,职工工资偏低等问题。尤其是在国家进行天然林保护工程之后,要求对天然林的保护面积加大,木材的砍伐量受到严格的控制,这也就要求黑龙江省国有林区要面对生态环境保护与经济建设同步双赢这一严峻的挑战。因此研究各林业局之间的经济发展相关关系,找到经济差异原因,促进黑龙江省国有林区经济快速增长势在必行。
2.数据来源。能够反映区域经济发展的指标一般选择总量指标或者人均指标,因为人均指标加入了人口数量差别的影响因素,所以我国学者多数使用人均指标进行分析。因此本文选择了黑龙江省国有林区的人均生产总值进行研究。至此需要40 个林业局从1998 年至2014 年的林业增加值和林业年中人口总数,由于林业方面的数据不是十分全面,各林业局的增加值和林业年中人口总数一部分数据来源于《中国林业统计年鉴》,一部分数据来源于黑龙江省森工总局调研得来。各林业局矢量数据地理边界取自黑龙江省森工国有林区网址主页。
二、黑龙江省国有林区经济差异的ESDA分析
1.全局空间自相关分析Local Moran指数。全局空间自相关是对观测值在整个空间上分布特征的描述。绝大多数空间数据都不是独立的,而是有着相互关联的,空间关联就是指不同观测对象的某一属性在空间分布上存在着一定的规律性而不是随机分布(余鑫星等,2012)。进行整个空间观测值的特征检验与描述,这里可以采用Moran I指数对空间自相关的全局指标进行度量(文骁飞,2011)。为了使数据平稳性更强,本文采用对数变换的方式对1998—2014 年的黑龙江省国有林区的人均增加值数据进行简单处理。用Arc GIS对指标进行分析得到了全局Moran I指数如表1:
如表1 所示,从1998 年至2014 年的Moran I指数都通过了假设检验,表明黑龙江省国有林区各个林业局的经济发展不是完全的随机状态,而是有一定的空间关联。由表1 可知1998—2014 年的Moran I指数均为正值,说明黑龙江省国有林区各林业局呈现正的空间自相关,即人均增加值较高的区域和较高的区域相邻,人均增加值较低的区域和较低的区域相邻。而且Moran I指数的数值都在0.2 以上,表明空间集聚程度比较高,其中正自相关性较强的年份是1999 年和2000 年,而正自相关性稍弱的年份为2005 年和2014 年。
2. 局部空间自相关分析。全局空间自相关分析只能说明区域经济整体的经济相关程度,不能反映出每个地区局部的经济相关程度,因此需要进行局部空间自相关分析。由图1 可知在1998—2014 年中Moran I指数并无规律可循,所以本文选取了1998 年、2006 年和2014 年这三个年份进行局部空间自相关的分析研究。
(1)1Moran散点图。Moran散点图主要用于揭示部分单元区域的异质性,它与LISA分析结合在一起能够更好地解释区域单元之间的空间关联情况。空间联系的形式主要有四种:即高值与高值、高值与低值、低值与高值以及低值与低值。第一象限表示高观测值的区域单元被高值区域所围,为正相关的高高象限;第二象限为低观测值的区域单元被高值所围,为负相关的高低象限;第三象限为低观测值区域单元被低值所围,为正相关的低低象限;第四象限为高观测值区域单元被低值所围,为负相关的低高象限(杜霞等,2015)。
由此可见,在1998年、2006年和2014年里,大部分林业局都是正自相关的状态,处在高高和低低象限内。由图可知在40个林业局中就有近半的林业局在高高象限内,相比之下低低象限就少很多。并且处于高低和低高这两个象限内的林业局大约10个左右,因此非典型的地区所占比例并不是很大。由图表可知,1998年低低类型的林业局只有穆棱和迎春,但在2006年低低类型的林业局就增加到了6个,并且穆棱和迎春林业局却进入到了高高象限中。在2014年中虽然低低类型下降到4个,见表3、4可知清河林业局仍在低低象限中。
2006年1月4日国家通过审议决定伊春市国有林区成为林业制度改革的试验点,首先成为试验点的乌马河林业局和翠峦林业局在制度改革下直至2011年其人均总产值逐年增长,林业产业规模有所扩大,就业人也数有所上升。并且带动周边的美溪、上甘岭、五营、友好等林业局的经济也逐年上升,出现了高高类型的发展态势。由图3可知,在这种正相关经济发展的势头上与上述林业局在空间上相邻接的海林、大海林、八面通、绥阳、穆棱林业局也在2006年挤进了高高象限内。然而在长期乱砍乱伐、对资源无节制的开采后,我国于2000年启动天保一期工程,接着在2011年天保二期也正式启动。主要任务不仅是延续一期停止长江上游、黄河上中游地区的天然林采伐的举措,而且二期任务中东北、内蒙古等重点国有林区从一期定产的1094.1万立方米,分三年调减到402.5万立方米,加大了国有林的管护面积,这样使得各林业局对于木材的砍伐量进一步受限。因此在林业产业经济转型的关键时期,许多林业局选择利用自身的天然资源优势开发了第三产业如旅游业、生态服务业等产业项目,由此就造成了各林业局之间经济发展的联系逐渐减弱。根据图4可知,在2014年中非典型的高低类型和低高类型的林业局数目有所增多,即负相关性有所增强。以上基本呈现出了从1998年到2014年黑龙江国有林业经济发展水平的空间演变全过程。
(2)LISA集聚图。LISA是对单元属性与周边单元正相关或负相关以及单元属性自身显著性水平进行一种衡量的指标。利用GeoD a这一空间计量经济学软件,对1998年、2006年以及2014年这三个年份的林业人均增加值数据进行空间自相关分析,绘制出ÁLISA集聚图与LISA显著性水平图。
这40个林业局的林业人均增加值集聚性水平图均是在的显著性水平下绘制出图的。由1998年的显著性水平图可知共有13个林业局通过了检验,并且由集聚性水平图可知高高类型的林业局有10个为红星、乌伊岭、汤旺河、新青、美溪、上甘岭、五营、乌马河、带岭实验局、翠峦。由此可见这几个地区经济发展联系密切,集聚性十分强,是黑龙江森工林区经济发展水平较高的地区。低低类型的林业局为2个均是沾河、双鸭山,说明这些地区属于经济发展水平相对较低的地区。低高类型的林业局为1个是桃山,说明桃山经济发展较低被周围经济发展较高的林业局所包围。但是有必要说明的是无论是低低类型的地区还是高高类型的地区,空Á间关联均为正相关。
由2006年显著性水平图可知有10个林业局通过了检验,与1998年相比减少了3个。由2010年的集聚性水平图可见高高类型与低低类型的地区分布与1998年比较相似,其中高高类型的林业局为7个,比1998年减少了3个,它们为红星、乌伊岭、汤旺河、新青、美溪、上甘岭、五营。这些林业局的发展依然高于周边的林业局,成为经济发展的领头军。再看低低类型的地区比1998年多了一个,它们分别为沾Á河、通北和绥棱。
在2014年的显著性水平图可知有8个林业局通过了检验,与2006年相比减少了2个。其中高高类型的林业局有6个,与2006年相比减少了一个,它们是红星、乌伊岭、汤旺河、美溪、上甘岭、五营。但是在2014年的显著图中我们也不难发现低低类型的地区减少至一个为桃山,并且多了一个低高类型地区是翠峦林业局,由此可见高高类型的林业局集聚水平在这三年中逐年下降。
三、黑龙江省森工国有林区的经济差异的成因分析
1.对研究区域的空间自相关检验与指标选取。由上述分析可知黑龙江省国有林区确实存在着经济差异,并且为了更好地发展国有林区的经济,我们需要对造成经济差异的成因在政府政策、人力资源投入、科技水平、经济产业结构、企业经营状况及消费水平等方面进行量化分析(牛婷,2014)。意在缩短黑龙江省国有林区经济差异,使整个林区经济协调发展。在全局自相关分析中2013年值为0.225通过了显著性水平0.05上值为1.96的显著性水平检验。表明2013年黑龙江省国有林区存在正的空间自相关,因此运用GeoD a提供的空间分析功能对黑龙江省国有林区进行经济差异成因的空间回归分析,选取40个林业局的林业人均增加值作为因变量(Y),选取8个指标作为自变量:销售总产值反映各林业局的生产经营状况(X1);林业固定资产投资指标反映政府政策(X2);从业人数反映人力资源投入(X3);第一产业、第二产业、第三产业生产总值反映产业经济结构(X4、X5、X6);专业技术人员反映科技水平(X7);最能反映消费水平的指标是人均消费性支出,但是由于林业方面的数据不足,所以选取了在岗职工年平均工资用来间接反映消费水平(X8),以上数据均由2013年《中国林业统计年鉴》整理得到。
2.对研究区域经济差异成因的空间计量分析。为了判断空间计量经济学模型SEM空间误差模型和SLM空间滞后模型哪一个经济学模型更符合实际进行分析,首先进行OLS回归模型进行估计分析,其中Moran's I值用来检验模型是否存在空间关联性。然后进行LM检验,通过比较空间滞后模型(LM-Lag)与空间误差模型(LM-Error)的显著性,选择结果更加显著的模型进行研究分析。最后通过R2对模型的整体拟合度进行评价,但是R2并不是最适合的唯一评价准则,其中更适合的评价准则常用的有:赤池信息准则(Akaike info criterion)即AIC;似然比率准则(Likelihood Ratio)即LR;斯瓦茨准则(Schwartz criterion)即SC和自然对数似然函数准则((Log likelihood)即Log L,其中Log L值越大,LR、AIC和SC值越小,模型拟合度越好,并且拟合度较优模型还会符合W2>LR>LM-lag或LM-error的原则(史蒙,2015)。针对自变量是否存在多重共线性问题Anselin L在19世纪初提出的准则为:多重共线性(Multicollinearity Condition Number)的值不超过30,就说明自变量间没有多重共线性问题(Luc Anselin,2007)。
根据OLS估计结果可知,Multicollinearity(24.647)<30,说明自变量之间不存在多重共线性。Moran's I值为3.823并且通过了显著性水平0.05的检验,说明模型存在空间关联性。由LM-lag(7.023)<LM-error(12.346)且值均通过了检验,同时RobustLM-erro(r12.346)>Robust LM-lag(0.450),且Robust LM-error通过了显著性检验,因此选择SEM空间误差模型进行研究分析。
根据判别准则由表5与表6中的估计结果可知,SC、AIC的数值都比较小而且符合W2>LR>LM-lag或LM-error即(8.6162>19.377>7.032或12.346)这一准则,所以进一步说明SEM经济学模型可以很好地阐释变量之间的关系。由表6模型估算结果可得,除了X5其他自变量均通过了的显著性水平检验,其公式为:
由公式可知,从业人员和第一产业与林业人均增加值为负相关,说明过剩的劳动力与第一产业对黑龙江省国有林区经济的发展起到抑制作用。林业固定资产投资、销售总产值、第三产业、专业技术人员以及在岗职工年平均工资的系数为正,表示与林业人均增加值为正相关,说明对黑龙江省国有林区经济的发展起到推动促进作用。
四、结论与对策
地理学第一定律认为,任何事物都与周边的事物有着一定的空间联系,并且还会随着空间越相近联系越紧密(鲁凤等,2007)。区域经济的发展不再只是内在的因素,也与外在周边地区的相互影响有很大关系,而且这种相互作用的关系很大程度上影响了造成经济差异的成因。传统研究区域经济的方法虽然有很多,但是都几乎是把空间的差异忽略不考虑,这样就在很大程度上使得结论有些偏颇。因此选用了ArcG IS与空间计量经济学软件GeoD a对黑龙江省国有林区经济进行科学分析。
由全局空间自相关分析可知黑龙江省国有林区经济总体呈现正自相关的经济发展趋势。在局部空间自相关分析中由Moran散点图可以看出分布在第一象限和第三象限的林业局较多,说明了各林业局之间经济差异比较明显,并且第一象限主要集中了红星、乌伊岭、汤旺河、新青、美溪、上甘岭、五营等林业局,而第三象限中沾河、通北、桦南、双鸭山等出现的次数比较多。在P=0.05的显著性水平下绘制的LISA显著性水平图和LISA集聚性水平图中可知高高类型林业局数量有所减少,但林业局变化不大;低低类型的林业局数量变化不明显但地区变化不算稳定。在对1998年、2006年以及2014年的分析结果可知,红星、乌伊岭、汤旺河、新青、美溪、上甘岭、五营,形成了稳定的高经济发展的集聚空间,成为黑龙江省国有林区经济发展的领头军。低低类型的林业局相对高高类型的林业局较少,而且它们的分布不集中,还没有形成低经济发展集聚空间。低高类型的林业局分别在1998年与2014年中出现且个数不多,显著性不明显。
在空间回归分析中可知2013年黑龙江省国有林区各林业局之间有空间关联性,并且通过对模型的筛选最终选择拟合优度较好的空间误差模型进行分析研究,根据估计结果可知第一产业和人力资本投入对于林区经济的发展有阻碍作用,资产投资、企业经营水平、第三产业、科学技术水平以及人均消费水平对经济发展有推进作用。
1“.先富带后富”加强各林业局之间的经济合作。区域经济发展是一个动态演变过程即经济发展水平较高的地区带动经济发展水平较低的地区。因此为了整个黑龙江省国有林区经济的发展,需要红星、乌伊岭、汤旺河、新青、美溪、上甘岭、五营等经济发展水平较高的林业局应起到经济带头作用,凭借自身的各种资源优势或是制度优势带动周边林业局的经济稳步发展。其他低水平发展的林业局也要以高水平发展的林业局为榜样,在借鉴成功经验的基础上根据自身发展情况制定适合自身的企业经营制度和经济发展模式,加强与高水平发展地区间的经济交流与合作,提高经济发展速度,实现高经济产业集聚到高经济产业扩散。通过着重发展经济落后地区与利用高水平发展地区的经济带动作用,来推动整个黑龙江省国有林区的经济稳步协调的进行发展。
2.优化产业结构加大第三产业产值比重。在天保二期工程的开展中,黑龙江省国有林区的经济也逐渐进入到了经济转型期,这就需要对林业产业结构进行调整。由于要与国家林业改革的政策相吻合,加大天然林的管护面积,因此不能像过去一样就地取材,靠山“吃饭”,这就需要减少以农业、林业为主的第一产业在生产总值中所占的比重。而要依托现有的天然森林资源中独有的植物和微生物以及奇异的林下产品等旅游产品,开发别具一格的、有特色的旅游业和生态服务业等第三产业。优化林业经济产业结构,逐步扩大林业产业规模,增加第三产业在总产值中的比重,从而改善企业整体的生产经营状况,促进黑龙江省国有林区经济的快速转型。
3.加强人力资本投入提高就业人员科技水平。加快经济发展需要对企业内部的生产经营制度进行全面改革,其中最主要的是生产力水平的提高。目前密集过剩的劳动力已经不能适应经济的发展,劳动力技术水平的高低才是决定着林业产业能否可持续发展的重要因素,因此企业急需加强科技投入与人力资本投入,提高劳动力素质水平与从业人员的科学技术水平。建立多种劳动力培训制度,注重企业的人才培养,加强与周边经济发展水平较高地区的人才交流,促进人才流动。提高福利待遇,积极引进高水平人才,建立科学可行的用人制度,充分调动从业人员科技创新的积极性,从而提高企业的投入产出效率,为黑龙江省国有林区经济的快速发展奠定坚实的基础。
4.加大林业投资力度鼓励居民多消费少储蓄。政府要加大对林业局的投资力度,完善投资制度,以开发林区与林区长远发展需求为投向,对于商品林与公益林的投入要有所区分,实现投入资金的合理分配。要积极争取国家贷款金额与社会各方面支持,同时发挥自身资源优势加强宣传、吸引外资,但是由于过剩的投入会带来企业经济效益低下,也要注重资金投入的效益及效率,实现高投入高产出。不仅为林业产业生态建设与远景规划提供资金帮助,也为黑龙江省国有林区经济的跨越式发展起到促进作用。积极发挥政府职能,协调好投资与消费之间的关系,调控市场物价水平使其保持在居民平均消费水平范围内、完善社会保障制度,减少居民的“后顾之忧”、提高居民的收入水平,这样可以有效地刺激居民多消费少储蓄,对于黑龙江省国有林区经济的增长有重要意义。
摘要：运用ArcGIS及空间计量经济学软件GeoDa提供的空间分析功能对1998—2014年黑龙江省国有林区经济的动态演变过程进行空间统计分析研究,来揭示黑龙江省国有林区经济差异的空间自相关和空间集聚特征。并且根据经济差异情况利用空间回归模型对造成的经济差异成因做分析研究,为黑龙江省国有林区的经济发展提出合理化建议。
空间统计 第9篇
1材料与方法
1.1研究区概况
研究区宁夏平罗县, 是银川平原的组成部分, 位于宁夏黄河冲积平原北部, 地形西高东低, 南高北低, 地处东经105°57′42″至106°58′2″, 北纬38°36′18″至39°5′13″之间。
平罗县属明显的大陆性气候, 四季分明, 年平均日照时数为2387.9h。年平均气温为9.0℃, 年平均无霜期为171天, 年均降水量175.1mm, 年均蒸发量为1709.0毫米, 由于本地气候干旱, 蒸发量受季节影响较大, 蒸发量随气温升高年呈明显的递增趋势。
1.2研究方法
1.2.1样地设置与样品采集
在平罗县采用GPS定位, 每两个取样断面之间相隔约5km, 并在样地中心按0～10, 10～20, 20～40, 40～60, 60～80, 80～100cm 6层取土样, 共取103个样点, 调查植被盖度、物种数等。
1.2.2室内分析和数据处理
对所采集的土让样品带回实验室自然风干, 磨碎, 过1mm筛, 然后以5:1的水土比进行抽滤、浸提水溶性盐。浸提液用于水溶性盐分的分析, 分析项目包括pH值、电导率以及Cl-、CO32-、HCO3-、SO42-、K+、Na+、Ca2+、Mg2+主要离子含量。其测定方法按照按南京土壤所编著的《土壤实验及分析项目的方法规范》进行测定。数据处理采用了地统计学软件GS+7.0, 土壤盐分离子的空间分布图绘制及面积统计均采用mapinfo7.0软件。
2结果与分析
2.1表层土壤盐分离子的描述性统计分析
由表1的偏度和峰度系数可知, 平罗县表层土壤盐分离子和pH值都服从对数正态分布, Cv≤0.1属于弱变异性;0.1
2.2土壤全盐量与盐分离子浓度之间的关系
土壤电导率 (EC) 与土壤盐分含量之间具有密切的关系。从表2可知, EC与Na、Ca、K、Mg、浓度呈极显著正相关 (p<0.01) 。说明主要离子变化趋势与电导率相一致。土壤电导率与pH呈极显著正相关 (p<0.01) , 随着土壤盐分的增加, 土壤碱化程度加重。
3结论
宁夏平罗县表层土壤八大离子的统计结果表明, 八大离子均服从对数正态分布, 而土壤盐分离子空间变异明显, 阳离子变异系数为0.160～1.122, 阴离子变异系数为0.135～1.141。在离子组成中, 阳离子中Na含量最高 (p<0105) , 阴离子中HCO3含量最高 (p<0101) 。但均属于中等强度的变异。土壤主要盐分离子 (Na, Ca, HCO3) 浓度与土壤电导率呈显著正相关。
摘要：对银川平原北部盐渍土的土壤盐分离子进行分析, 结果表明, 八大离子均服从对数正态分布, 而土壤盐分离子空间变异明显, 阳离子变异系数为0.160～1.122, 阴离子变异系数为0.1351.141。在离子组成中, 阳离子中Na含量最高 (p<0105) , 阴离子中HCO3含量最高 (p<0101) 。但均属于中等强度的变异。土壤主要盐分离子 (Na, Ca, HCO3) 浓度与土壤电导率呈显著正相关, 因此可用简单的方法来估算土壤中主要盐分离子浓度。
关键词：土壤盐分,空间变异,地统计学
参考文献
[1]谭万能, 李志安, 邹碧等.地统计学方法在土壤学中的应用[J].热带地理, 2005, 25 (4) :306-310.
[2]Burgess T M, R Webster.Optimal interpolation and is arithmicmapping of soil properties.The semivariogram and punctual kriging[J].Soil Sei, 1980 (31) :315-331.
【空间统计】相关文章：
空间相关性的统计分析07-09
个人空间与空间气泡07-18
办公空间设计空间概述12-20
空间教学建筑空间设计论文04-29
空间向量与空间角学案02-27
景观空间城市公共空间设计论文04-12
空间素养与地理空间思维能力培养09-12
空间教学建筑空间设计论文提纲08-25
空间向量法求空间的角02-27
重卡内饰空间布局空间设计论文04-12