空间相关性范文(精选11篇)
空间相关性 第1篇
随着空间数据在社会、生活等各方面应用的深入,从空间数据库中自动或半自动地挖掘隐藏的关系模式,进而根据现有关系模式预测空间对象未来可能发生的行为已变得更具价值。伴随着大数据时代的到来,如何从大数据中提炼出大价值已成为数据挖掘领域研究的重点[1]。与此同时,数据的质量也变得尤为重要,数据预处理则是数据挖掘过程中一个重要步骤和数据质量提升的关键手段[2]。空间数据挖掘相较于传统的数据挖掘具有更为复杂的数据特点,空间数据都不是孤零零的存在,一种事物总是与其他事物相关联,而且距离相近的事物其相关性要大于距离较远的事物,因此在特定的应用领域要更加注重空间数据对象间的自相关性问题。在大数据时代,数据类型更加多样,规模更为庞大,数据间的关联也更为复杂。在数据挖掘过程中,如果缺失数据处理不当,那么与之相关的有价值的知识也常常会被忽略[3]。大而低质量的数据有时不仅不能支撑有效的数据挖掘,反而还会给数据挖掘的结果造成不同程度的干扰,简单地认为数据越多越好而不关心数据的质量会使得挖掘的结果变得难以预料[4]。
但是在现实世界中,由于人为的或自然的因素造成的数据缺失或噪声数据在所难免,噪声数据或缺失数据不可避免地会对空间数据挖掘的结果产生影响。在这方面许多人都曾做过比较深入的研究,文献[5]对传统的数据质量评估方法和数据质量提高技术做了分析比较,文献[6]则着重分析了领域无关的数据清洗的特点,并对相关方法进行了分类介绍。异常数据检测主要可以分为四类: 基于分布、基于聚类、基于距离和基于密度的方法[7]。文献[8]提出了基于空间局部偏离因子的离群点检测算法,该算法运用空间局部偏离因子来衡量离群点问题,但对于给定对象邻域范围的定义采用的是对象的非空间属性带权距离小于特定值k的所有空间邻居的集合,没能充分利用空间对象在空间位置上的自相关性特点,而且在数据量大的情况下会造成很大的计算压力。
为了有效控制数据质量,提高检测的准确率和效率,本文通过研究空间数据的自相关性理论和模糊集理论在解决模糊问题方面的优势,提出基于空间自相关性和模糊集的空间数据噪声点检测算法。该算法对空间数据离群点的度量方式进行了进一步的改进,以空间对象的空间位置作为对象邻域划定的标准,进而将该对象对于领域内其他对象的隶属度和置信水平进行比较判定该对象的可靠性。
1 空间数据消噪模型
模糊集理论认为元素总是以一定的程度隶属于某一集合,也可能是以不同的程度隶属于多个集合,而非经典数学中的二元性,使得元素的隶属度概念具有一种亦此亦彼的模糊性[9,10]。空间自相关描述的是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关系。地理学第一定律指出任何事物与其他事物之间都是相关联的,同时距离较近的事物比距离较远的事物的关联性更强[11,12]。对于空间数据库而言,因为包含大量的空间信息,因此各数据元素之间的相关度比一般的业务型数据库中数据的相关度更大,相互联系更为紧密。本文据此提出了基于空间自相关性和模糊集理论的空间数据消噪模型。首先,计算指定对象与其邻域内其他对象的平均距离; 其次,在相似性概念的基础上引入模糊集理论,在特定对象与邻域内其他对象平均距离的基础上定义其与领域内其他对象相似度的隶属度函数; 再次,根据计算所得的隶属度与置信水平进行比较,在置信水平之内认定为可靠性数据,置信水平之外则认为是非可靠性数据; 最后,依据对数据属性的可靠性判断,对非可靠性数据进行消噪处理。
在数据消噪处理过程中最重要而且最核心的问题是对数据噪声点的检测,所谓数据噪声点指的是在数据集中与整体数据集或局部数据集有显著异常或表现不一致的数据观测点[13],本文基于空间自相关性和模糊集理论来进行噪声点数据的判定。
空间对象的属性数据与邻域内相应属性数据的距离,可以有效地表达数据对于邻域数据的融入度。属性空间中对象与邻域空间内其他对象的距离越小,说明越相似,进而表明对象的数据可靠性越高; 距离越大,表明对象与邻域空间内其他对象的差异越大,进而说明该数据的可靠性越低,出现错误的可能性就越大。设包含N个空间对象{ O1,O2,…,ON} 的空间数据集O,每个空间对象Oi具有M个可度量特征属性Oi= { Oi1,Oi2,…,Oi M} ,对象Oi的第k个特征属性与其邻域内对象Oj的第k个特征属性的平均距离定义为:
其中,ni表示的是以Oi为中心,r为半径的圆形邻域内的空间对象数量; d( Oik,Ojk) 表示的是对象Oi与其邻域内对象Oj的第k个特征属性的距离; 当Oik的属性值缺失( 为null) 时,将的值置为最大值Max,表明该特征属性数据缺失。在计算出与邻域内其他对象的平均距离后,如何根据平均距离来确定对象Oi的第k个特征属性是否为可靠性数据,在此,以计算所得的作为论域,即T = [0,+ ∞ ) ,则属性数据的可靠性可以用论域T上的一个模糊子集,记模糊子集为U。那么,论域T上的一个模糊子集U便是T到[0,1]上的映射,记作: Tu: T →[0,1]。衡量对象属性可靠性的函数定义为:
其中,可靠性参数C给出了可靠性度量的距离范围。模糊集合作为客观事物模糊概念的真实反映,可以以此来判断指定数据对于邻域数据的融入度,进而判定属性数据是否可靠,即是否是离散的或有噪声的脏数据。对于判断是否可靠,又需要将模糊的概念表达为“是或否”的清晰概念。因此引入置信水平 λ,通过可靠性函数值与置信水平 λ 对比,可以从模糊集合U中映射出表达清晰概念的普通集合Uλ。当时,表示属性值数据可靠; 反之,表明属性值数据不可靠。Uλ的特征函数为:
2基于自相关性和模糊集的空间数据消噪算法
2. 1 算法描述
通过对空间消噪模型的定义说明,基于空间自相关性和模糊集理论的空间数据消噪算法描述如下:
2. 2 参数控制说明
在该算法中,邻域半径r的选取根据具体情况要尽可能的适中,如果r选取过小会造成邻域内空间对象过少,进而造成属性数据平均距离的判定不具有代表性; 如果r选取过大则会增加计算量。同时可靠性系数C的取值也至关重要,如果C的取值过大,将不能有效的判别数据的离散化程度,容易造成将噪声数据归入可靠性数据的集合中,进而不能实施有效的数据去噪; 反之,如果C值较小,容易造成将真实数据归入不可靠数据的集合中,进而导致数据检测失实。对于置信水平 λ 而言,λ 越高,特征属性的平均距离越小才会被视为数据可靠,对离散化程度的评判越苛刻; 反之,对数据的离散化判别会宽泛,也易造成对噪声数据的可靠性判定结果不准确。因此,如果针对空间对象的不同特征属性值分别选取合理的度量值C,那么通过调整置信水平 λ 可以有效的控制对数据可靠性的判定。
3 实验结果与分析
根据上文介绍的算法思想,本文以某机场及其附近地区2003 年至2009 年各监测点利用永久散射体点( PS) 监测到的地面沉降量数据为例进行实验。实验的软件环境是: Microsoft Windows 7 操作系统; Microsoft SQL Server 2008 数据库; Microsoft. NET Framework 4. 0; 算法的实现语言为C#。
实验选取数据集中的经度、纬度和年均沉降量3 个属性进行,数据量为39 195 条,在此数据集中随机加入240 条噪声数据组成新的数据集,实验中以数据噪声点检测率和噪声点检测的错检率来度量算法的准确性。实验结果如表1 所示。
从表1 中的实验结果可以看出,本文提出的算法相对于整个数据集而言具有检测率高、错检率低的特点。同时,可靠性系数C和置信水平 λ 对数据噪声点检测的结果影响比较明显,在同一数据集的基础上,可靠性系数和置信水平的改变会相应地改变所检测到的噪声点数据的数量,因此运用该算法进行空间数据消噪处理时,需要根据数据的特性选择合适的可靠性系数和置信水平。
为了进一步验证本文所提出算法的有效性,本文算法与LOF算法、SLDF算法分别从正检率、错检率和算法执行时间三个方面进行了对比,对比结果如表2 所示。实验结果表明,在相同情况下,本文所提算法在检测率和算法执行时间方面都要优于LOF算法和SLDF算法,并且适用于数据集规模较大的空间数据检测。
4 结语
优雅相关的空间说说 第2篇
2.就是喜欢夏天的晚上,天上有星星街道上也热闹,一阵阵小风啊吹的人真是舒服。
3.◆◇﹏吾之若兮心之念兮。
4.樱花满地集于我心,楪舞纷飞祈愿相随。
5.你我情如白雪,永远不染尘。
6.如果让我忘记一个人忘记一个人,我会毫不犹豫的忘记你。
7.友情这东西,一旦玩真的,比爱情还刻骨铭心。
8.原来报复女人最狠的方式就是:下辈子成为他的父亲!!
9.垫起脚尖的人是站不久的,跨大步的人是走不远的。看着看着就笑了,笑着笑着就哭了。
10.阳光洒满大地,却没有洒进我的心。
11.愿所有错失都得到宽待,计较终变成慷慨。
12.疏影横斜水清浅,暗香浮动月黄昏。
13.习惯了有你,习惯有你在的日子。让我去习惯消失的每一天,我仿佛做不到。
14.︶让你的风铃晃动的,是风;让你的生命灵动的,是爱。
15.只管走过去,不要逗留着去采了花朵来保存,因为一路上,花朵会继续开放的。
16.只要你回头,我真的会愿意忘记这一身的疼痛来包容你。
17.做一个向日葵族,应对阳光,不自艾自怜,每一天活出最灿烂的自我。
18.你是世界上最美的琉璃,镶嵌在我的眸子里。
19.无论下多久的雨,最后都会有彩虹;无论你多么悲伤,要相信幸福在前方等候。
20.你虚度的这天,正是昨日死去的人无限向往的明天。
21.你错失了夏花绚烂,必将会走进秋叶静羌。任何事,任何人,都会成为过去,不要跟它过不去。
22.时间从来不回答,生命从来不喧哗。一段流年,一场花事。
23.许我一段最美的时光,就让我在青春的葱茏里与你相逢。
24.愿以一朵花的姿态行走世间,看得清世间繁杂却不在心中留下痕迹。花开成景,花落成诗。
25.时光不比人,它脆弱,它禁不起来来回回的辜负。
26.如果能够,我选取再被你伤一次,证明我有多爱你
27.涐扪窮烬①甡呿尋找洎巳所噯の那嗰亽,夲莱僦媞丄偙賜予涐扪の迗职。
28.我愿这颗心,宁静如大海。
29.有些痛,说不出来,只能忍着,直到能够慢慢淡忘。
30.一处花开,一抹闻香,最动人的沁人心脾,花下,人醉。
31.愿所有停留不了的爱,洁白如兰花,纵使明日又隔天涯。
32.月桃花,两人一马,明日天涯。
33.弥散在季节的风雨里,温馨在绵绵的记忆中,知否?想借风儿送去讯息:生命如歌,芳菲满园……
34.目前状态:我在浪费时间,我在挥霍时光,我在模糊此刻,我在恐惧未来。
35.你说你爱我,我觉得好可笑,你对她们说过了多少次如此深情的我爱你。
36.生活其实也很简单,喜欢的就争取,得到的就珍惜,失去了就忘记。
37.我相信一个人一辈子说过最多的谎话,就是别人问:“你怎样了”,你却逞强说:“没事”,
空间相关性 第3篇
1.功能性原则
功能是空间设计首要考虑的原则,在商业空间装修设计中,要充分考虑到商业空间的定位,根据空间实际情况,进行装饰装修设计,确保空间与功能达到协调统一。
2.经济性原则
商业空间装修工程设计要响应国家节能降耗的号召,根据建筑所在地的地理、气候、通风条件,对空间装修进行设计,降低空调能耗;设计师要优化采光设计,降低照明成本;选用耐用、环保、可靠的装饰装修材料,降低商业建筑使用过程中的维护成本。
3.个性化原则
为了避免商业空间装修设计趋同化发展,应当彰显设计的个性化、差异化,使空间装修主题符合当地历史文化特色。同时,空间装修设计还要满足顾客心理需求,坚持以人为本的原则创建舒适的购物环境,提高空间装修的艺术价值和使用价值。商业空间装修工程设计中的相关问题
1.空间装修工程中的规划设计问题
(1)主动线设计。入口是商业建筑主动线的起始位置,主动线应当能够确保商业建筑内的客流量均衡对冲流动,其装修定位必须与商业建筑的规模、形式相匹配。主通道是主动线的过渡段,它具有承前启后的作用,在对主通道进行规划设计时,必须充分考虑客流的输送问题,要保证设计出来的主通道可以将从入口进入商业空间的人流输送至各个副动线及不同的空间区域当中。
(2)副动线设计。在商业建筑中,次要通道全部都是副动线,其通过与主动线的连接,可以将进入商业空间中的消费者引导至各个购物空间内,从而使人们在商业空间内的商业活动能够沿着主动线与副动线展开,并维持客流在商业空间内的均衡流动,以此来确保不同空间区域内客流的平衡。
(3)中庭动线设计。在商业建筑中,中庭是整个建筑中最具代表的核心区域,也是绝大多数消费者视线的焦点所在,还是商业活动路线的起末点。通过对中庭动线的合理规划设计,可以对消费者起到引导的作用,从而使消费者到达不同的功能区域,并使客流的消费行为在不同的空间区域中完成转换,由此能够实现商业建筑经济利益最大化的目标。
以某商业建筑为例,它在主动线的规划设计中,围绕了不同商铺之间的线性与环绕性,由此使得位于边沿的商铺全部能够直接面向规划路,各个商铺之间以廊道作为平台,通过该平台,可以使消费者在动线上产生互动,各商铺的入口与主通道通过廊道与主动线之间结合成为体,这样在整个商业空间内便没有死角商铺,各商铺均有两个主题中庭动线,有助于拉动客流动线,这样能够使消费者在不同的商铺中驻足停留,进而达到促进消费的目的。
2.中庭空间的装修设计问题
(1)空间划分。在商业建筑中,对中庭这一主要的空间区域进行具体划分时,必须充分考虑建筑的商业功能。通常情况下,中庭会跨越多个楼层,而各个楼层的商业功能均有所差别,有的楼层中还会有多个不同的商业区域,所以在中庭空间设计时,应当将这些不同的空间区域整合出个共性,在共性中借助空间层次的合理划分展现出不同的主题特色,从而使整个商业空间的装修更具观赏性。
(2)中庭周围的路线设计。在对中庭周围的路线进行设计时,应当尽可能将路线设计成发散式或是纵横交错式,由此可以形成交通枢纽。
(3)造型与材质。中庭的造型及其材质,可以采用不同的设计手法进行处理,同时可以使用一些广告来丰富中庭的空间层次,借助墙面材料、灯具和广告装饰,可以营造出三维空间,由此能够进一步增强商业空间的氛围,不仅有助于美化商业建筑的形象,而且还有利于企业品牌的宣传。
例如:某商业中心,它的每个馆均有两个大型的中庭空间,顶棚采用了可滑动式天窗设计,由此实现了自然通风和采光,在底层引入了一些休闲娱乐项目,有效促进了客流的渗透,为商业空间营造出了一个轻松、愉悦的购物环境。同时,在设计过程中,运用了绿色生态化设计理念,加入了一些绿色主题景观设计,给人们带来一种回归大自然的感受。
3.空间装修中的照明设计问题
照明环境是空间装修的亮点,既可以起到引导客流的目的,又可以让消费者清晰看到商品的细节,营造舒适、敞亮的购物环境。在空间装修中,要在强调节能省电因素的基础上,从不同动线空间考虑照明设计。
以某商业域为例,其照明设计力求保持空间的通透感,针对具体区域的实际情况合理选择光照的色温和显色性,有效权衡照明成本与照度需求;该商业城在客流量大的区域,采用专业筒灯和光带,确保功能空间布光均匀;照明设计中对筒灯进行防眩处理,利用不同照度、光色以及明暗对比的手法,营造和谐的照明氛围;综合考虑商业空间装修结构,设置现场光带,增强空间的层次感和功能导向作用。
结论
空间相关性的统计分析 第4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.
空间相关性 第5篇
航测空间数据生产及入库相关技术研究
本文笔者基于多年从事航测的空间数据生产经验,研究探讨了相关生产流程及其中所涉及的关键技术,文章首先对空间数据产品的模式和基本特征进行了详细的阐述,而后给出了基于航测的空间数据生产流程,最后结合笔者工作经验,重点探讨了流程中所涉及的.关键技术,全文既是笔者长期工作实践基础上的经验总结,同时也是在实践基础上的理论升华,相信对从事相关工作的同行有着重要的参考价值和借鉴意义.
作 者:梁锦潮 作者单位:广州市城市规划勘测设计研究院,广州,510060刊 名:科技资讯英文刊名:SCIENCE & TECHNOLOGY INFORMATION年,卷(期):2009“”(32)分类号:P2关键词:航测 空间数据 生产流程 关键技术
空间相关性 第6篇
关键词:老龄化;老年居住空间;设计及研究
0 引言
随着社会的不断革新,人口的不断增长,中国的老龄化的发展呈不断的增长趋势,因此会产生诸多的养老问题。对于养老问题而言,最为关心的就是老年人的居住问题。对于老年人居住空间的有效设计,可以很好地解决老年人的生活居住问题,进而对于整体的养老问题而言,也具有非常重要的作用。
经济的发展,生活方式的不断转变,老年人的居住问题,不单单局限在对其的较为日常的基本关注,更加注重对居住环境的舒适度等良好的居住空间的设计上。随着我国老龄化社会的到来,不得不重视对其“超老龄”社会的整体关注。
经济的发展,人们传统思想的日益转变,对于老年居住空间的设计也发生着相应的变化,对于传统的养老模式来说,存在一定程度上的挑战。因此,对于老年人居住空间的合理设计要综合考虑到各方面的因素,尽可能地将不同老人对居住的不同需求进行有针对性的设计,从而为老年人创造出相对安全和舒适的居住氛围和环境,优化老年人整体的居住空间,进而提高其整体的生活水准。
1 老年人居住模式
随着社会的不断发展,老年人整体的居住模式也在发生着相应的变化,不单单局限在传统的对其住宅的改良的空间设计上,而是应该把研究的重点更加关注于对老年人自身的实际的需求层面上,并且结合其自身的特点。
1.1 养老型社区
这类社区的主要特点是针对的主要围绕的是整体上的居家养老模式,在社区的配置上应将全面周到的社区服务与设施进行有针对性的配置,进而满足其对家的整体的需求。
1.2 两代同居型
这种社区主要针对的是与子女住在一起的老人,对于这类居住空间的设计要充分考虑其各方面的因素,进而可以有效地加强老人与子女的情感交流。这类社区主要针对的是生活能自理或者是相对半自理型的老年人。
1.3 社会保障型
这种养老空间的设计上更加强调的是对老年人的整体的全面看护层面,大多数属于机构型的养老模式。这类型较为适宜生活能半自理或者完全不能自理的老年人。
2 老年人居住空间设计原则
针对老年人居住模式的不同类型,但是老年人对其空间的设置具有一定程度上的共通性,因此,在对老年人居住空间上的设计上,应坚持:
2.1 安全性
由于老年人自身的行为特点和身体机能的相对下降,因此相应的警惕性也呈降低趋势,对于安全性的设计也越发的重要,应加强对建筑物自身内部的整体居住空间的舒适性和安全性来考量。
2.2 便利性
这是对老年住宅最为重要的要求。由于老年人自身的特点,行动等行为方式具有相对的迟缓性,因此,应更加强调在设计过程中的便利性。
2.3 私密性
老年空间应该具有相对的私密性,具有很强的私有性质。在室内外的空间设置上,要进行有针对性的安排。做到室内和室外的相對“不透明化”。在设计上可以对卫生间和主卧室进行有针对性的私密设计,不仅要考虑到老年人的正常的生活的需要。也应对其相应的私密性进行针对设计。
2.4 舒适性
舒适性是对老年人空间设计的基本考量。老年人生活方式和生活水平的变化和提高,对生活中居住的舒适度也在不断地发生变化。因此,在空间设置中,应充分听取不同老人对舒适度的不同需求,进而进行有针对性的舒适度的设置。
3 老年人居住空间的主要功能
根据老年人对居住空间的不同需求,可将老年人自身的居住空间分为两种类型:公共空间和私密空间。对于公共空间来说,主要承担的功能有进行相关的对外会客和主要的集体家庭活动等;私密空间是老年人自身活动的主要场地,可以根据其自身的爱好和行为特点进行满足自身实际的休息或是学习。
具体可参考的设计为:
公共空间:主要可以有客厅、餐厅和厨房及相应的门厅等。主要的功能是提供给老人相对应得日常起居和会客等。
私密空间:主要可分为卧室、卫生间和书房等。这种空间的设计上主要考虑的是攻老年人自身的相对私密的处理,如进行日常的私密事务或是相应的休息和睡眠等活动。
动区:这类地区的设置一般较为常见的是考虑到客厅或是厨房等。在这种区域中老年人活动相对频繁,在一定程度上具有较多的可干扰成分的存在。
静区:这种空间的设置更多考虑的是卧室和厨房。因为在这种环境中更加强调的是安静,而且具有较少的活动,以静为主。
4 老年人居住空间的主要设计
4.1 起居室
随着年龄的不断增长,老年人对家的留恋越发的深刻,而起居室作为其日常家庭活动最重要的场所具有相对的社交和娱乐等重要的承载作用。一般来说对于起居室的设计上要考虑的因素很多:具有较为良好的朝向。在设计上应将朝南的位置作为首选;具有较为明亮的色彩。一定程度上能反映其生活的情调。因此在设计中应采用较为明快和高雅的色彩,营造出舒适与明亮的空间;具有较为合理的空间站地面积。不宜过大和过小,在空间的整体使用上也应相对的灵活;具有良好的通风与照明环境。老年人的起居室的设计上,应保持较为良好的通风环境,缓解其心理压力。照明的方式设计上,应加强高照度灯光的设计,避免造成老年人的孤独心理的产生。
4.2 厨房和餐厅
在设计中,应具有更加舒适的操作空间。老年人由于其自身的行动不灵活特点,因此,活动空间的需求更大。同时也应加强对厨房的色彩的相应的洁净程度的设计。厨房由于其自身的特点,应以干净和整洁为主。对于光线的选择上,同时也应加强直接光照的设计,厨房多数以北为主,因此,在设计中要考虑直接光照和间接光照的因素。通风的设置上,应考虑到穿堂风和相应的过堂风,加强排气与换气的设置。避免由于炒菜造成的大量油烟的不能有效排出的现象产生。
4.3 卫生间
在卫生间的设置上,更应考虑合理的空间尺度,一般1.5m*2.2m为最小尺寸。位置上应靠近卧室,方便其起居。在入口的设计上应考虑其自身的生理需求,门把手等的设计上也应考虑老年人的身体尺寸。光照的设计中,应结合相关的光照要求,进行合理的设计。色彩上,在增加亮度需要的同时,加强其对洁净的辨识度,宜采用浅色。对于洗面器和坐便器等浴缸设计,也应充分考虑不同老年人自身身体状况的不同需求。
4.4 卧室
对于卧室设计应充分考虑照明,使照度达到相同。做到有效的采光和通风。在门窗的设计上,也应考虑其尺寸和类型。推拉门可作为首选,窗台的设计不宜过高,可供老年人观望。同时在尺寸的设计中也应更加的合理,达到经济性并存,较为合理的面积是15平方米。
参考文献:
[1]王江平.城市老年人居住方式研究[J].城市规划,2003 (23).
我国居民医疗消费空间相关性研究 第7篇
当前,我国提倡构建和谐社会,强调公平是构建社会主义和谐的必要条件,卫生服务是最基本的民生问题,是社会公平的体现之一,是构建和谐社会的重要途径。医疗资源不同于其他资源,根据公平原则,每个人都应该有机会得到相应的医疗服务,而不应该受到地域,收入水平,种族等因素的影响。但是事实上,我国的医疗资源配置存在着很严重的不均问题,由于我国幅员辽阔,经济发展差异很大,各省之间对于医疗资源的投入也有很大差距,随着中国经济现代化的不断发展,我国有能力实施更加具有针对性的卫生政策,应该能够根据不同地区的不同情况制定不同的医疗卫生政策。各省人均医疗开支的消费情况可以很大程度反映我国医疗资源的配置不均情况,目前国内学者对于该医疗服务消费的研究主要集中于对医疗消费需求的影响因素的考察方面,以考察各种人口学变量指标和医保方面等对于个人医疗需求的促进或者抑制作用,而极少有学者考虑我们宏观地区变量的影响,也就是我们医疗消费需求的空间地区因素方面的影响,也就是医疗消费需求也存在空间上的相关性。我国省市众多,经济发展地区差异明显,对医疗消费开支也有很大的影响,到底我们医疗消费需求呈现出怎样的一种空间相关性和影响,国内目前鲜少有类似研究,作者希望通过自己的研究来为中央以及地方的政府的决策部门提供决策依据。
2 相关定义和文献综述
传统的理论中,数据一般都是独立观测值,但是在现实世界中,独立观测值并不是普遍存在的,地区之间的经济地理行为之间一般都存在一定程度的空间效应,正如著名的Tobler(1970)地理学第一定律所说,“任何事物之间均相关,而离得较近事物总比离得较远的事物相关性要高”,他认为空间上距离相近的两个事物的状态时相互关联的而非独立。而这种非独立可以用空间效应来衡量,根据Anselin(1989)给出的理论,空间效应一般可以分为相关性(相关性)和空间异质性。空间相关性是指研究主题存在空间上的交互作用,从而生成一种截面依赖性,主要表现为服从特定空间分布随机变量之间的相关程度,比如区域经济要素的流动,技术的外部性,创新的溢出都能产生这种交互影响,空间相关不仅意味着空间上的观测值缺乏独立性,而且意味着潜在于这种空间相关中的数据结构,也就是说空间相关的强度及模式由绝对位置(格局)和相对位置(距离)共同决定。吴玉鸣等(2006)指出:“我国幅员辽阔,各地区地区经济特征各不相同,在资源禀赋、产业结构、知识创新、技术水平等各方面均存在差异,地区间的空间异质性非常明显,空间效应对于地区城乡居民消费行为的影响作用不容忽视”。
为了衡量空间效应,进行空间计量分析,必须构造空间权重矩阵,空间权重矩阵是衡量空间效应的方法之一,在构造空间权重矩阵时一般遵循一个基本原则———距离衰减原则,其原则基于空间地理学原则,即空间上两个点的空间距离越近,空间关系越密切。空间权重矩阵有很多种,其构造原则的不同直接导致计量结果的不一样,影响结果的准确性,在研究问题之前,应该先经过筛选选择最为合适的构造空间权重矩阵方法。
3 数据和公式
构建好空间权重矩阵后,在使用空间计量方法前,首先要考察数据是否存在空间相关性,如果不存在,使用传统的计量方法就可以,如果存在,则要使用空间计量方法。“空间自相关”可以简单的理解为位置相近的地域之间具有相似性,也就是比较的变量之间存在相似的取值。如果高值和高值集聚,低值和低值集聚,则存在“正”的空间自相关,如果高值和低值集聚,则为“负”的空间自相关,这种情况较为少见。如果高值和低值完全随机分布,则不存在空间自相关。空间相关性的大小和模式取决于比较区域样本的相对位置。空间计量经济学中对于空间相关性的衡量于检验方法较多,例如Moran’s I指数,Geary’s指数,Getis指数如其中最为常见的是莫兰指数(Moran’s I)。
如果该研究区域内有n个研究单位,第i个单位上的观测值记为yi,观测变量在n个单位中的均值记为,全局定义为如下:
其中n为研究空间内区域单位个数,表示空间区域内第i个区域的观测值,Wij是我们之前根据空间效应设置的空间权重矩阵,全局Moran’s I值服从正态分布。式中分子类似于方差,其中它是一个协方差,空间权重矩阵和后面项式的乘积相当于项式对相邻的单元进行计算,于是Moran’s I的值的大小取决于i和j区域单元中变量值对于均值的偏离符号,若是相邻的位置上,yi和yj同号,则Moran’s I为正,若yi和yj是异号,则Moran’s I为负号。从而我们就可以用Moran’s I来衡量空间单位存在的相关性大小。Moran’s I可以理解为观测值和它的空间滞后的相关系数。Moran’s I的取值在-1和1之间,若Moran’s I大于0,则表示观测单元之间是空间上集聚的,若Moran’s I小于0,表示观测单元之间是空间上分散的,如果观测单元在空间上没有一定的空间联系,是随机分布,则Moran’s I应该为0,空间上越是集聚或者分散,Moran’s I应该更接近1或者-1。同样,在计算的过程时,该值也会有对应的显著系数p,通过p值我们可以来判断观测单元空间上的集聚或分散时候在统计意义上显著。
本文数据来自于国内权威发布的中国卫生统计年鉴,选取我们31个省居民医疗消费开支数据,保证研究数据说明能力,数据年份从2003年到2013年,由于我国独特的城乡二元结构,我国各省居民医疗消费可进行城乡划分。在研究我国居民医疗消费收敛中由于要考虑外部变量,故将人均收入等因素收录其中,本文地图信息来自国家基础地理信息系统,下载shp格式文件,其中包括shp,shx,dbf文件,依次保存了我国地图信息中标识码,地理坐标,经纬度,投影等信息。本文考虑空间效应的时候使用最普遍的rook法和kNearest Distance法来构建一阶空间权重。
两种方法建立空间权重后得到的结果依次如表1。
以上就是rook法空间权重矩阵得到的从2003年到2014年间我国居民人均医疗消费全局相关性结果,即全局Moran’s I值,每一年的数据都通过了检验,且数据的可信度在上升,因为数据的显著性越来越强,故我们在研究我国人均医疗消费问题的同时不能忽略数据间存在的空间相关性。我们可以很明显的看出整体上从2003年到2014年全局Moran’s I数值是增大了,虽然中间在2004年到2007年和2009到2010年间有走低趋势,但是低点并没有低于初期2003年的水平,随后后面年份还是出现了趋势的反转。整个研究区间上看,从2003年全局Moran’s I为0.2133到2013,2014年全局Moran’s I为0.41左右,全局Moran’s I数值的增大明显,说明我国31个省,直辖市之间人均医疗消费空间依赖程度逐步上升,空间相关性不断增强,且这种相关性为正相关性。
根据不同的研究条件可以建立不同的空间权重矩阵从而全局相关性Moran’s I也有所不同,我们再次建立k-Nearest Distance(默认4个最近邻居)法生成的空间权重矩阵,下面是k-Nearest Distance法建立空间权重矩阵下全局Moran’s I,如表2。
以上就是k-Nearest Distance法空间权重矩阵得到的从2003年到2014年间我国居民人均医疗消费全局相关性结果,即全局Moran’s I值,数值的大小也是基本上逐年增大,但是不想rook所有数值都通过显著性检验,这种方法下2003,2005,2006年Moran’s值没有通过显著性检验,但是从2007后Moran’s I值都通过了显著性检验,且显著性水平越来越好,通过这种空间权重矩阵得出的结果也证明了我国各省,直辖市人均医疗消费是存在空间上的相关性的。我们可以看出和rook法相似的趋势走向,全局Moran’s I值从期初2003年的0.1上升到2014年的0.4,全局Moran’s I值增长明显,表明说明我国31个省,直辖市之间人均医疗消费空间依赖程度逐步上升,空间正相关性不断增强。
4 结论与政策含义
从上面的分析中可以看出,在研究的时间范围内,我国各省,直辖市人均医疗消费是存在空间上的相关性的,数据存在很强的关联性,故以后我们在研究我国医疗消费问题时,特别是分省域或者地区分析时,其中数据之间存在的相关性也要多考虑,在结果我们看出相关性在增强,证明我国各省,直辖市之间平均医疗消费水平存在高速增长区和低速增长区,这样不利于减少地区医疗消费差异,不利于医疗资源分配的公平性。各地区应根据情况制定相应的政策防止过高的空间相关性影响医疗资源的分配公平性。
参考文献
[1]Tobler W.A computer movie including urban growth in the detroit region[J].Economic geography,1970,46(2):234-240.
[2]Anselin L.What is special about spatial data?Alternative perspectives on spatial data analy sis[R].Santa Barbara:National Center for Geographic information and analysis technical report,1989:89-93.
空间权重矩阵对空间自相关影响分析 第8篇
关键词:空间权重矩阵,空间自相关,Moran's I
随着GIS应用的深入, 在对人口、资源、环境与经济数据的分析处理中, 不再仅仅局限与对数据进行储存、查询与显示, 根据动力学特征深入分析事物的发生、发展变换规律成为当前的主要工作。为此, 地区之间的空间作用关系分析为人们重点关注。空间自相关是空间统计分析的前提条件, 是认识时空分布特征的一种常用的方法。而要进行空间自相关的度量, 首先需要通过空间权重矩阵定量的表达地理要素之间的空间相关关系。
1 空间自相关分析
1.1 全局空间自相关
全局空间自相关主要用于描述区域单元某种现象的整体空间分布情况, 以判断该现象在空间上是否存在聚集性。最常用的全局空间自相关指数是Moran's I, 具体计算公式为:
其中:为空间权重矩阵W的元素, 反映空间目标的位置相似性;xi, xj为位置i和位置j的某一属性值;为n个位置的属性值的平均值。类似于目标对象之间的协方差, 度量一个位置上某变量的值与另一位置上同一变量的值之间的协方差。1n iw==∑
Moran's I的取值范围为[-1, 1], 正值表示该空间事物的属性值分布具有正得空间自相关性, 存在空间集聚现象 (高值与高值, 低值与低值集聚) ;负值表示该空间事物的属性值分布具有负的空间自相关性, 同样存在空间集聚现象 (高值与低值, 低值与高值集聚) ;零表示空间事物的属性值不存在空间自相关性, 即空间随机分布。对其结果根据标准化统计量参照正态分布表可以进行显著性检验:
期望和方差计算公式如下: (2)
w*i为权重矩阵第i行之和;w*i为权重矩阵第i列之和。
空间自相关分析以经典统计学为基础, 对空间分布中相邻位置的这种依赖性进行度量, 并对其进行假设检验。其原假设为H 0∶n个区域单元同一现象的属性不存在空间自相关关系, 在零假设成立的条件下Z (I) 服从正态分布 (Good Child, 1986) 。一般情况下我们假设显著性水平∂等于0.05, 查正态分布表知Z∂=1.9 6。那么当Z (I) >1.96时, 表明地理分布中具有相似属性的区域单元倾向于集聚在一起, 具有显著的正的空间自相关性;当Z (I) <-1.96时表明地理分布中不同的属性值倾向于聚集在一起, 具有显著的负的空间自相关性;当-1.96
1.2 局部空间自相关
局部空间自相关分析侧重于研究空间对象属性值在某些局域位置的空间相关性, 即局域空间对象的属性值对全部研究对象的影响。
Anse lin (19 95) 对全局空间自相关进行了改进提出了空间关联的局部指标LISA (Local Indicators of Spatial Association) , 即局部Moran's I与局部Geary'sC两个统计量。
在LISA指标中我们最常用的是局部Moran's I指数, 公式如下:
Ii=zij∑n=1wijzj (4)
其中:;zi, zj分别为空间单元i与j的某个属性的标准化值, 反映属性值与均值的偏差程度。
正值表示该区域单元周围相似值的空间集聚 (高高或低低) ;负值表示非相似的空间集聚;如果值接近与零, 说明该区域与邻域不存在空间关联关系, 即该区域的空间分布呈现随机分布状态。
1.3 Moran散点图
Moran散点图常来研究局部空间的不稳定性, 其横坐标为各单元标准化处理后的属性值, 纵坐标为其空间连接矩阵所决定相邻单元的属性值的平均值 (也经过标准化处理) 。
Moran散点图的四个象限分别对应于区域单元与其邻居之间的四种类型的局部空间关系:第一象限 (HH) 代表了高观测值的区域单元被高值的区域所包围的空间关系;第二象限 (LH) 代表了低观测值区域单元被高观测值的区域所包围的空间关系;第三象限 (LL) 代表了低观测值的区域单元被低观测值的区域包围的空间关系;第四象限 (HL) 代表了高观测值的区域单元被低观测值的区域包围的空间关系。
2 空间权重矩阵
空间权重矩阵是建立地理对象之间空间关系必不可少的一部分, 是观测对象之间空间依赖的正式表达。空间权重的定义是空间统计学与经典统计学之间的最主要区别, 是利用ESDA技术进行空间探索分析的前提和基础, 其目的是定义空间对象的相邻关系, 空间权重矩阵决定了一个点 (或空间单元) 对附近的点 (或空间单元) 贡献程度。
2.1 基于邻接关系的权重矩阵
邻接可以认为是名义的, 双向的相等的距离。根据直接相邻关系, 将空间目标的位置邻接关系定义为下列三种情形中的任何一种:直接4邻域邻近 (Rooks) 、对角线方向4邻域邻近 (Bishop s) 、8邻域邻近 (Q uee n或Kings) 。这几种情形简单、直观, 如图1所示。
最初对空间依赖性或空间自相关的测度, 是基于空间单元的二进制邻接性思想进行的, 邻接性由0和1两个值表达。二进制邻接矩阵定义如下:
Que en权重的定义中认为只要二个空间对象之间有公共的边或同一点, 就认为两者是相邻的, 权值为1, 否则权值为0。其定义如下:
基于空间的直接相邻关系建立的权重矩阵, 还有上下邻接的权重矩阵, 左右邻接的权重矩阵等。
2.2 基于距离关系的权重矩阵
在空间数据中, 距离是空间对象的直线距离或球面距离。在小的地区 (小尺度的研究) , 可以忽略地球的曲率, 距离的计算可以采用欧氏距离或曼哈顿距离。在较大的区域 (大尺度研究) , 距离的计算要考虑地球的曲率。
K-最近点权重:此方法的计算需预先设定K值, 并分别计算空间目标的两两之间的距离dij在观测点周围选择与其最近的k个点, 认为是相邻的, 权重为1, 其余为0。定义如下:
阀值权重矩阵:首先需要建立一个距离阀值d, 比较空间目标两点之间的距离dij与阀值d的关系, 确定取值。阀值权重的定义如下:
2.3 基于综合因素下的空间权重矩阵
二进制的邻接性概念, 经Cliff和Ord扩展, 进入了对两个空间单元的潜在相互影响的总体测度, 即Cliff-ord权重矩阵。一般形式为:
其中:dij为空间单元i和j之间的距离;βij为i单元被j单元共享的边界的长度占i单元总边界长度的比例;α和b为参数。
类似的, Dacey提出权值的确定, 还要考虑空间单元的相对面积, 给出的定义为:
其中:dij为对应的二进制连接矩阵元素即取值为1或0;α为单元i的面积占整个空间系统的所有单元的总面积的比例;βij为i单元被单元j共享的边界长度占i单元总边界长度的比例。
3 案例研究—全国农业水灾成灾面积空间自相关分析
3.1 研究区域及数据来源
本文研究区域的范围为中国各省域, 中国是世界上典型的季风气候国家, 季风气候的不稳定性, 导致水灾的频繁发生。因此研究中国水灾分布情况, 合理的提出治理及防护措施是目前亟待解决的问题之一。本文从《中国统计年鉴》中收集了中国从1979年至2008年近30年, 涉及34个省市的农业水灾受灾成灾面积数据。并对其进行分组处理, 利用空间统计软件Geoda对中国近三十年的水灾自然灾害进行分析, 研究水灾自然灾害的空间分布特征, 及在三十年来的变化趋势。并通过不同的空间权重矩阵对Moran's I指数的影响, 分析水灾自然灾害在空间集聚现象的异同, 进一步了解空间权重矩阵的选取的意义。
3.2 空间权重矩阵对全局Moran's I的影响
文中选取了Rook权重、Queen权重、K最近点权重以及阀值权重矩阵对中国历年省域农业水灾成灾面积进行空间集聚的分析的研究。
通过Geoda分别计算出不同权重下的全局Moran's I值及检验统计量Z (如表1) 。
从表1中, 我们可以看出, 几种空间权重矩阵所得到的全局Moran's I值均大于0, 表明了中国近30年水灾成灾面积数据在空间上表现出较明显的空间自相关性。除基于阀值权重矩阵外, 检验统计量Z值在5%的水平下, 基本上都大于1.96。表明了, 中国水灾自然灾害的空间分布格局是集聚性的, 也就是说成灾面积大的 (小的) 省域倾向于与其他成灾面积大的 (小的) 省域, 集聚在一起。根据基于距离权重矩阵结果, 中国各省域水灾空间自相关性不显著。
自1979年以来, 全局Moran's I的值在总体上随时间推移而不断上升, 说明了中国省域水灾自然灾害的空间集聚性有总体增强的趋势, 空间差异在逐渐减小。这种趋势可能是自然气候因素、社会活动、科学技术发展水平及政府对水灾的应对政策等综合因素作用的结果。
3.3 空间联系局部指标 (LISA)
研究结果表明不同的空间权重矩阵对各省域之间的空间集聚现象带来了很大影响, 其中局部Moran's I存在正负差异的省域主要有:福建省、甘肃省、海南省、北京市、河北省、天津市、黑龙江省、辽宁省、宁夏、山东省、四川省、香港、台湾、澳门、广东省共十五个省市。
利用Geoda软件, 计算了中国省域间水灾成灾面积的LISA值, 并且在z检验的基础 (p≤0.5) 上绘制了LISA分布图 (图2)
3.4 Moran散点图分析
由Moran散点图我们可以更加直观的得出不同权重定义下, 省域间水灾成灾面积在2004年至2008年高高 (低低) 集聚的空间分布状况, 如表2所示。
其中江西省、安徽省、贵州省、河南省, 湖北省、湖南省、江苏省、江西省等省市在不同的空间权重矩阵下均表现较小的空间差异, 区域自身和周边区域水灾成灾面积较大, 呈现出一种高高集聚现象, 海南省, 山西省区域自身和周边区域空间差异较大, 表现为低值被高值包围, 甘肃省、天津市、吉林省空间差异较小, 水灾成灾面积较小, 表现出低低集聚现象。
我国是水旱灾害频繁的国家, 水灾成灾面积在很大程度上主要取决于自然气候的影响, 在区域间的相互作用同样可以影响最终的省域水灾成灾面积, 进而扩大或缩小了区域间的差异程度。但随着人口增加, 经济快速发展, 防洪标准低、人与水争地问题日益严重, 水资源供需矛盾日益加剧, 水土流失和水污染、生态环境恶化等问题也逐渐暴露。近年来, 我国的防洪战略正在进行逐步的调整和转变, 从以建设防洪工程体系为主的战略转变为在防洪工程体系的基础上, 建成全面的防洪减灾体系--这种新的治水思路被称为“洪水管理”。随着改革开放的深入发展, 各种政策方案的出现, 及科学技术的发展, 各省域之间的相互作用加强, 不仅仅只体现在了邻接的省域之间。
4 结论
(1) 中国各省之间农业水灾成灾面积呈现出一定的空间正相关性, 而且呈现出逐渐加强趋势。中国各省水灾成灾面积大的区域相互毗邻, 成灾面积小的区域相互毗邻。中国水灾受灾程度呈现出南方各省大于北方各省, 东部各省大于西方各省。主要集中于长江流域的湖南、湖北、安徽、江西等;黄河流域的河南、山东等;珠江流域的云南、贵州、广西等。
(2) 从全局空间自相关的分析中可以看出, Rook权重, Queen权重, k最近点权重, 阀值权重对空间自相关分析有相似的影响;相比较而言, k最近点权重对空间自相关的影响较大且显著性水平较高。因此在空间自相关的分析中, k最近点权重矩阵更加适合。然而, 由于自然气候, 社会活动, 科技发展水平, 农业水灾防御政策等综合因素的影响, 距离对空间自相关的影响越来越弱。不同的空间权重矩阵下中国各省域之间局部水灾成灾面积表现出不同的集聚现象。
(3) 如何根据本文的研究中, 在考虑温度、高程、降水和海拔等因素对空间自相关的影响条件下, 构造一个合适的水文权重矩阵是我们今后研究的重点。使得研究结果更能切合实际, 为各项政策的制定提供可靠的依据。
参考文献
[1]王红亮, 胡伟平, 吴驰.空间权重矩阵对空间自相关的影响分析—以湖南省城乡收入差距为例[J].华南师范大学学报:自然科学版, 2010 (1) .
[2]苏芳林, 宋邦英.中国省域低碳消费影响因素的空间模式研究[J].河北经贸大学学报, 2010.
[3]曾永明, 张果.基于GeoDA-GIS的四川省县域经济空间分异研究[J].云南地理环境研究, 2010 (4) .
[4]汤国安, 杨昕.ArcGIS地理信息系统空间分析实验教程[M].科学出版社, 2006.
[5]段钊, 赵法锁.基于GIS的陕西省滑坡灾害空间分异特征探讨[J].灾害学, 2012 (1) .
[6]Jens K.Perret“, A Proposal for an Al-ternative Spatial Weight Matrix under Consideration of the Distribution of Economic Activity”, Schumpeter School of Business and Economics, 2011
[7]Mueller, Julie M, Loomis, John B, “Bayesians in Space:Using BayesianMethods to Inform Choice of Spatial Weights Matrix in Hedonic Property Analyses, ”The Review of Regional Studies, 2010, 40 (3) .
空间相关性 第9篇
在三网融合的大背景下,迫切需要不同网络之间高速准确地传输数据,与此同时带来的问题就是如何在如此复杂的无线通信环境下保持高质量高效率的通信,多径衰落严重影响了移动通信系统的性能。发射和/或接收天线分集,也称为空间分集,代表了对抗多径衰落有害影响的一种强有力的途径。然而天线阵元间的相关性会使分集增益受到影响,因此必须分析影响天线阵元间的相关性因素,从而设计出合理的天线布局来降低天线系统的相关性提高分集增益。
之前有关空间相关性的分析主要是精确算法与近似算法两种,在精确算法中由于用到积分,与贝赛尔函数的无穷项相加,运算复杂度较高,于是有人提出了各种近似的算法。本文提出的近似算法是基于泰勒级数展开的近似算法,该算法对精确算法有很好的近似,因此对相关性的分析更加准确。主要介绍在线性阵列和圆形阵列中,角能量分布为均匀分布时的空间相关性的泰勒近似方程,仿真结果与精确算法有很好的符合,达到了分析要求。
1 空间到达角的能量分布
据以往研究,空间到达角可以分为均匀分布,高斯分布,拉普拉斯分布等,本文着重研究到达角为均匀分布时的空间相关性的情况。
设p(θ)为到达角的角能量分布的概率密度函数,对于均匀分布而言
undefined
其中,2Δ是中心到达角ϕ的角度范围。
2 天线的几何阵列
一般情况下,天线的几何形状有两种,分别为线性阵列(如图1所示)和圆形阵列(如图2所示)。
其中,θ=Angle of Arrival,d=Interelement Spacing,T=d cosθ/c
圆形阵列如图2所示。
其中,ψi=Angle of i-th Element,θ=Angle of Arrival,R=Radius of Circular,T15=2R cosθ/c,T37=2Rsinθ/c
3 空间相关函数
假设v(θ)阵元对入射信号的响应向量,则阵元m和n的空间相关性可表示为
undefined
p(θ)是角能量分布方程的入射信号的概率密度函数。
如图1所示,假设一个平面波信号到达线性天线阵列时的到达角为θ,两天线阵元间的距离为d,则线性几何阵列的响应向量v(θ)可以表示为
undefined
其中,d和M分别表示天线间距和天线数。
将式(1),(3)代入式(2)可得到,均匀分布时,线形天线阵列的空间相关性方程的实部和虚部分别表示为:
undefined
在上式中,undefined是修正的第一类贝赛尔函数。
基于泰勒级数的近似表达式可以表示为:
undefined
在图2所示的圆形阵列中,天线阵元以半径为R圆形排布。与线性阵列相似,圆形阵列的响应向量v(θ)可以表示为:
undefined
将式(1),式(4)代入式(2)可得,均匀分布时,圆形天线阵列的空间相关性方程的实部和虚部分别表示为:
undefined
其中,undefined。
基于泰勒级数的近似表达式可以表示为
undefined
4 仿真结果及分析
首先图3-6的整体趋势表明,两个天线阵元的距离越远,他们之间的相关性越小,角度扩展(即到达角的分布范围)越大,相关性越小,阵元自身之间的相关性最大(此处归一化为1)。
分析这4张图,可以看出,当d/λ,或者R/λ比较小时,精确算法与泰勒近似算法几乎重合,随着d/λ,或者R/λ值的增大,两者相关性有一定的偏差,但是当Δ≥5°时,对于任意的d/λ,或者R/λ值,精确算法与泰勒近似算法完全重合。
比较图3与图4,可以看到,当到达中心角即ϕ=30°时,随着d/λ,或者R/λ值的增大,圆形阵列比线性阵列的空间相关性下降快,而比较图5与图6,得到相反的结论,即随着d/λ,或者R/λ值的增大,线性阵列比圆形阵列的空间相关性下降快。
比较图3与图5,可以看到,线性阵列中,当中心到达角即ϕ比较小时,泰勒近似算法与精确算法符合得很好,几乎完全重合,而比较图4与图6,在圆形阵列中,得到了相反的结论,即当中心到达角即ϕ比较大时,泰勒近似算法与精确算法符合得很好。综上所述,泰勒近似算法比较适合线性阵列ϕ值小的情况,或者是圆形阵列ϕ值大的情况。
5 结束语
本文推导了一种新的空间相关性算法,即泰勒级数近似算法,与以往的近似算法相比,泰勒级数近似算法与精确算法更符合,从图3-6可以看出,在一定条件下,泰勒近似算法与精确算法在很大范围内几乎完全重合,而以前提出的近似算法只是在角度扩展比较小时与精确算法有很好的符合,从图3-5可以看出文中提出的基于泰勒级数的近似算法与精确算法在较大的角度扩展时,符合得也很好。
参考文献
[1] Michael Buehrer R. The Impact of Angular Energy Distribution on Spatial Correlation[J]. IEEE, 2002.
[2]Jie ZHOU,K ISCHIZAWA,H KIKUCHI.Generalized Spatial Cor-relation Equations for Antenna Arrays in Wireless Diversity Recep-tion:Exact and Approximate Analyses[J].IEICE Transactions onCommunications,2004,E87-B(1):204-208.
[3]Salman Durrani,Marek E Bialkowski.Effect of Angular Energy Dis-tribution of an Incident Signal on the Spatial Fading Correlation of aUniform Linear Array[Z].Radar and Wireless Communication,2004.
[4]TasiJ A,Buehrer R M,Woerner B D.BER Performance of a Uni-form Circular Array Versus a Uniform Linear Array in a Mobile Ra-dio Environment[J].IEEE.Transactions on Wireless Communica-tions,May 2004,3(3).
[5] John Proakis G. Digital Communications, McGraw-Hill Education[M]. Thomas Casson,4th ed,2002.
[6] Jakes W C, Microwave Mobile Communications[M]. Wiley,1974.
[7] Tsai J A, Woerner B D.The fading correlation function of a circular antenna array in mobile radio environment[C].Proc.IEEE Global Telecommunications Conference (Globecom’01), San Antonio, Texas, USA, Nov. 2001.
[8] Tolga M Duman, Ali Ghrayeb. Coding for MIMO Communication Systems[Z]. Sep.2008.
空间相关性 第10篇
在铁路信号空时码和MIMO技术中, 通常假设发送天线和接收天线分别是独立不相关的, 然而实际系统对天线设置的限制, 天线之间往往存在一定的相关性。为了更直接分析相关性的影响, 本文采用平坦衰落MIMO信道进行分析, 并假设发送天线和接收天线分别呈均匀直线排列。在下面的分析中, 设发送端和接收端天线数分别为MT和MR, M I M O信道冲激响应矩阵为HMR×M, 其中 (H) i, j=h i, j, 表示由第j个发送天线到第i个发送天线的平坦信道冲激响应。接收天线上的高斯白噪声独立不相关, 均值为0, 方差为nδ2。下面具体分析题录信号中的空间相关性对多天线技术的影响。
1 空时分组码STBC及空间相关性影响
空时分组码STBC是一种多天线发送分集方案。Alamouti最早提出的一种两天线发送分集算法可以获得最大比合并增益, 成为STBC的原型。Tarokh等在次基础上对STBC编码和译码算法进行了深入研究和扩展, 给出多种天线设置下能够获得最大比合并增益的STBC发送分集算法, 并利用STBC的空间正交性得出最大似然准则下STBC的简化译码算法。由STBC原理可知, MR根天线分集几手后利用基于最大似然准则的STBC译码算法检测到的输出信号为:
当发送天线之间和接收天线之间存在空间相关性时, 假设相邻发送或接收天线之间的空间相关数相等, 即, 对上述STBC方案的性能参数进行分析:
使用上述参数仿真计算可知:空间相关性使得STBC性能恶化, 并且随着空间相关性的增强, 性能损失增加;当相邻发送或接收天线之间的相关系数小于0.7时, 性能损失小于1dB, 因此存在较小相关系数时, STBC的性能损失较小;当相关系数为0.99时, 性能损失大约为3dB, 因此较大相关系数会使得STBC的性能恶化。
2 分层空时码V-BLAST及空间相关性影响
在V-BLAST系统模型中, 信号检测处理用矩阵G表示, 根据不同的处理准则, 如MMSE、ZF等, G有不同的表达式。
下面以ZF算法为例说明空间相关性对其性能的影响。
V-BLAST要求信道矩阵的秩满足rank H=MT, 这样ZF检测算法才能在对每个发送信号的估计中完全抑制干扰信号, 其检测处理矩阵为=HG+, 根据信道矩阵的特性, 则有ZF算法对不同发送天线上信号检测的处理增益不同, 并且可以与串行干扰除相结合以便进一步提高处理增益。在信道模型中设发送天线独立不相关, 即。本文仅分析接受天空间相关性对V-BLAST算法的影响。仿真实验中假设发送天线数为2, 接收天线数为4, 接收天线呈线性均匀排列, 相邻天线间的相关系数为rR。通过仿真实验可知接收天线空间相关性的存在会降低V-BLAST检测算法的处理增益, 进而降低系统容量和频谱效率。
3 基于特征空间的MIMO技术及空间相关性影响
根据基于特征空间的M I M O算法, 可知系统的频谱效率为。由此课间, 信道互相关矩阵的特征值是影响信道容量和频谱效率的重要因素, 二空间相关性影响特征值的经验分布。仿真试验中假设发送天线数和接收天线数分别为4, 且分别呈均匀直线排列, 设发送相邻天线和接收相邻天线之间的相关数相同, 即rT=rR。空间相关性影响信道互相关矩阵的特征值分布。当空间相关性较强时, 只存在较少的可利用的特征子信道, 进而影响信道的频谱效率, 信道容量随着空间相关性的增强而降低。
4 小结
上述多种多天线技术都有较为优越的性能, 但是在译码复杂度、最适于何种信道、对天线的要求又有所不同。总之, 多天线技术可以有效地抵抗衰落的影响, 克服功率和容量极限。不同的多天线技术适用于不同的通信系统, 从发展的趋势来看, 可以将上述多种多天线技术有效地结合以适用多种需求。
摘要:本文描述了铁路信号中多天线技术的应用, 从空时分组码、分层空时码和基于特征空间的MIMO技术三个方面讨论了对多天线技术的影响。
关键词:信号,空间相关性,多天线
参考文献
[1]吕波.MIMO空间相关性近似算法及性能研究[D].南京信息工程大学硕士论文, 2011.
[2]张平, 陶小峰, 王卫东, 雷鸣.空时码.电子学报, 2000, 28 (11A) :110-113.
[3]温沛霖.高速铁路移动环境下MIMO信道预测与预处理技术研究[D].西南交通大学硕士学位论文, 2012年.
[4]薛辉.无线MIMO系统中空时编码技术研究[D].西安科技大学硕士学位论文, 2010年.
[5]缪丹, 卢晓文, 谢显中.第三代移动通信中的空时编码技术[J].无线电通信技术, 2004年01期.
[6]韦忠义, 杨绿溪.空时编码与MIMO-OFDM系统的结合研究[J].大众科技, 2005年08期.
[7]孙鑫, 赵光, 孟凤琴.Turbo码级联空时码的系统性能分析[J].西安邮电学院学报, 2011年03期.
[8]张雷.多用户条件下利用信道信息结合发送分集的空时编码[J].系统工程与电子技术, 2005年09期.
空间相关性 第11篇
碳强度可以作为经济增长的环境代价指标, 该指标可以衡量一个国家经济发展与碳排放量之间的关系。经济活动与能源消费的空间分布会影响二氧化碳排放强度, 地理位置不仅影响了温室气体排放, 也影响经济活动与能源消耗, 进而影响了地区CO2排放量。图1为2011年中国省域碳强度, 从图中我们可以看出东部、中部、西部地区碳排放强度的差异体现了显著的空间聚类趋势, 东部地区碳排放强度普遍低于中西部地区碳排放强度。其中, 碳强度最高的省份都集中在中西部, 宁夏、陕西、贵州、内蒙古、重庆的CO2排放强度均在10吨/万元以上, 低CO2排放强度主要集中在福建、广东、河北、江苏等东部省份。碳排放的空间溢出与经济距离有关, 一个地区制定节能减排政策会对邻近地区的相关政策产生外溢效应, 邻近地区的碳排放强度变动可能会波及到本地区碳排放强度变动[2]。中国各地区能源消费量极不平衡, 地区间碳排放可能存在显著的示范和带头作用, 研究碳排放强度的地理分布有助于制订应对气候变化的公共政策 (Brueckner, 2003) [3]。本文将空间效应纳入研究体系, 运用空间计量模型, 从空间地理分布检验中国碳排放强度的驱动因素, 对有针对性地制定碳减排政策、发展低碳经济、应对气候变化有着重要的理论和现实意义。
数据来源:根据《2012中国能源统计年鉴》等有关数据计算而得。
1 文献综述
近年来, 国内外学者从不同视角, 采用时序或面板数年据研究了碳排放强度及其动因。一些学者认为飞速发展的城市化对碳排放产生重要的影响, Dhakal (2009) [4]研究了中国35大个城市, 发现这些城市只占中国总人口的18%, 却贡献了40%的二氧化碳排放量。一些学者认为碳排放能源强度与能源结构有关, Schipper (2001) [5]等使用AWD因素分解方法, 研究1995年13个IEA国家9个部门的碳排放强度, 发现能源结构优化与能源强度下降是造成碳强度下降的重要原因。Greening等 (1998) [6]研究了10个OECD国家数据20年间 (1971~1991) 碳排放强度下降的原因, 认为能源强度下降与能源使用效率提高是这些国家碳强度下降的重要原因, 且能源价格有助于抑制碳排放强度。陈诗一 (2011) [7]分解了中国工业两位数行业CO2排放强度变化, 发现能源强度降低是CO2排放强度下降的决定因素, 能源结构优化也有利于降低CO2排放强度。然而, Nag等 (2006) [8]研究了印度商业能源的使用效率, 认为从1980年开始印度人均收入的提高是碳排放强度增大的主要原因, 且它们之间存在倒“U”型形关系。Markandya (2006) [9]证实了发达国家与发展中国家人均GDP收入差距降低1%会导致它们之间的能源强度减少1.02%, 即人均GDP与碳排放强度成反比例。杨骞等 (2012) [10]分解了1995~2009年间中国CO2排放的区域差异, 发现人均GDP对全国和低排放组样本碳强度呈现负向的影响。随着国际贸易的发展, 一些学者开始关注FDI与碳强度之间的关系, Mielnika等 (2002) [12]使用1970~1998年20个发展中国家数据, 研究这些国家碳排放强度与FDI之间的关系, 发现FDI带来伴随着现代科技扩散与推广有助于碳强度下降, 即FDI与碳强度成反比。许和连 (2009) [13]使用2000~2009年面板数据, 运用空间计量方法研究FDI与环境污染之间的关系, 发现FDI有助于降低中国环境污染, “污染天堂”假说在中国并不成立。也有一些学者认为碳排放强度与人口密度有关系, Almond (2009) [14]发现提高人口密度, 发展紧凑型的城市发展模式有利于减少生活碳排放, 其原因是人口的聚集效应会优化能源生产与消费的空间分配, 进而提高能源生产与使用效率。
现有文献丰富了碳排放强度驱动因素的研究视野, 但存在着以下不足:只考虑煤炭、焦炭、汽油、煤油、柴油、燃料油和天然气消耗所带来的碳排放量, 但忽略了水泥生产过程的CO2, 低估了中国CO2排放量。事实上, 水泥在生产过程会释放大量CO2, 在所有工业生产过程, 水泥排放的CO2所占比重高达56.8%。中国水泥生产能力惊人, 生产规模迅速膨胀, 目前生产能力占世界水泥生产总量的44%。在中国高速发展的城镇化进程中, 必然伴随着大量的基础设施投资建设, 不可避免要消耗大量的水泥, 因此很有必要计算水泥生产过程释放的CO2。本文不仅估算了化石能源消费的CO2排放量, 也估算了水泥生产过程中释放的CO2排放量, 增加了估算的准确性。
另外已有文献使用了传统计量经济学方法, 一般假设空间是均质的, 地区之间的经济活动没有相互联系, 因而忽视了经济活动空间依赖性与空间异质性。Goodchild (1992) [15]指出地区空间单元的某种经济地理现象或某一属性值与邻近地区空间单元上同一现象或属性值是相关的。Ansclin (2000) [16]把空间依赖定义为观测值及区位之间的一致性, 当邻近地区随机变量的高值或低值在空间上出现集聚倾向时为正空间自相关, 当随机变量倾向于被异值的邻区包围时则为负空间自相关。在经济学研究中, 地理位置是一个非常重要的因素, 一个地区环境政策与颁布后可能会溢出到临近地区 (Markusen et.1995) [17]。而且一个地区碳强度可能因邻近地区科技扩散产生的空间溢出而下降。针对以往研究的不足, 本文采用空间滞后模型 (SLM) 与空间误差模型 (SEM) 实证研究碳排放强度的驱动因素, 进而为我国制定降低碳排放强度、实现区域经济与生态环境协调发展提供科学依据与理论支持。
2 研究方法
2.1 空间权重矩阵的建立
空间自相关分析是指对某一变量在不同空间位置上的相关性分析并对空间单元属性值聚集的程度进行度量与评价。进行空间自相关系数计算时, 首先需要确定空间权重矩阵。为了得到更稳健的结果, 我们不仅构建0~1邻接空间权重矩阵, 还构建了地理距离空间权重矩阵进行稳健性检验。其中, 0~1邻接空间权重矩阵根据地理边界是否相邻设定, 各省市的地理边界相邻信息可参阅《中华人民共和国地图》, 地理位置相邻的地区被赋予1, 地理位置不相邻的地区被赋予0, 定义如下:
地理距离空间权重矩阵用两地之间空间距离的倒数来设定, 两地之间的距离越近, 赋予的权重越大, 反之赋予的权重越小, 定义如下:
其中, dij为i省与j省的省会城市之间距离, 我们使用两个地区省会城市的铁路距离和公路距离算术平均值计算得到。
2.2 全局空间自相关系数
在进行空间计量研究时, 首先要进行空间相关性检验, 可采用全局Moran指数和局部Moran指数两种指标来度量, 其中全局Moran指数用于验证整个研究区域的空间模式, 而局部Moran指数用于反映一个区域单元上的某种地理现象或某一属性值与邻近区域单元上同一现象或属性值的相关程度。为检验一个地区的经济行为在地理空间上是否表现出空间自相关性与空间集聚现象, 本文采用Moran's I全局空间自相关系数反映省际CO2排放强度空间关联程度的总体特征, 表达式如下:
其中, , yi表示第i空间单元的观测值, n为参与分析的空间单元数, Wij为空间权重矩阵。全局Moran指数的值域为[-1, 1], 当MoranI>0, 表示评估要素的分布是集聚分布, 即存在空间正相关;当MoranI<0时, 表示评估要素的分布是离散分布, 即存在空间负相关;当MoranI=0时, 表示空间分布呈现随机分布。
2.3 空间面板模型的选择
根据模型设定时对空间的体现方法不同, 空间面板模型可分成两种:一种是空间滞后模型 (Spatial Lag Model, SLM) , 适用于研究某一机构或地区的行为受到系统内邻近机构或地区行为的误差项影响的情形, 其表达式如下:
第二种是空间误差模型 (Spatial Error Model, SEM) , 这种模型中地区间的相互关系通过误差项来体现, 适用于机构或地区之间的相互作用因所处的相对位置不同而存在差异时的情形。其表达式如下:
其中, W是空间权重矩阵, Wy是周边y的变量加权平均, Y是被解释变量, X是外生解释变量矩阵, β是X的参数向量, ρ和λ分别是空间滞后回归系数和空间误差回归系数, ε和μ表示随机误差项。
为判断SLM模型与SEM模型何种模型更适合本研究, 需要在比较对数极大似然值或拉格朗日乘数检验的基础上进行择优判断。本文采用两种方法: (1) 根据对数极大似然值的大小进行判断, 选择对数极大似然值较大的模型作为较优模型; (2) 根据拉格朗日乘数检验统计量进行判断, 选择拉格朗日乘数统计量较大的模型作为较优模型。如果根据拉格朗日乘数统计量还不能做出判断, 则需要结合稳健拉格朗日乘数统计量的大小进行补充判断, 选择较大的统计量作为较优模型 (Anselin, 1991) [18]。
3 空间计量模型设定
3.1 模型构建与数据来源
借鉴Burnett (2013) [19]的研究思路, 本文建立如下计量模型:
其中, Y表示CO2排放强度, FDI表示外商直接投资, URB表示城镇化率, SE表示第二产业比重, 用第二产业总产值与GDP的比重表示、EQ表示能源强度;EP表示能源价格;PGDP表示人均GDP;PD表示人口密度, 并对所有变量取自然对数。本文运用空间计量模型实证检验我国碳排放强度的驱动因素以及临近区域之间的空间溢出效应, 使用的软件为Matlab 7.10及相应软件包。
(1) 碳排放强度 (Y) 。碳排放强度 (简称碳强度) 是指单位GDP的二氧化碳排放量, 即CO2/GDP。省级层面碳排放数据可以通过联合国政府间气候变化专业委员会 (IPCC) 公布的碳排放系数和相关统计年鉴进行估算, 化石能源消费释放出CO2量的计算公式如下:
其中, 3.67为CO2与C的分子量比率, EC表示化石能源消费的CO2排放量, i表示7种化石能源消费种类 (煤炭、天然气、焦炭、燃料油、汽油、煤油、柴油) ;Ei表示第i种化石燃料的消耗量;NCV为燃料平均低位发热量;CEF为燃料碳排放系数, COF为碳氧因子 (通常为1) , 各种燃料消耗量与相关系数来自《中国能源统计年鉴》与IPCC (2006) 。
同时, 考虑水泥生产过程中CO2排放量, 计算公式如下:
其中, C_CO2表示水泥生产过程中的CO2排放量, EFcement为水泥生产的CO2排放系数 (0.527) , Q表示水泥生产总量, 数据来源于自国泰安金融数据库。
(2) 外商直接投资 (FDI) 。随着经济全球化, 国际经济联系和全球产业分工日趋强化, 大量的FDI涌入发展中国家。外商直接投资对碳强度具有双重作用:一方面, FDI有助于先进的能源生产与节能技术推广, 有助于提升引入国的技术水平, 在生产过程中能源消耗较少, 从而降低了环境污染水平。另一方面, 发展中国家在经济发展的早期阶段, 为了吸引更多的外部资金流入, 往往会放松环境管制标准。倾向于生产更多的污染密集型产品, 出口资源密集型高耗能的产品, 增加了本地区的碳排放强度, 从而沦为发达国家的“污染天堂” (Markusen, 2009) [20]。
(3) 城镇化水平 (URB) 。经济发展的主要载体与动力是城市, 城市不仅是人口、工业、交通的积聚地, 也是能源消耗与碳排放的集中地。城市消耗了全世界近75%的能源和贡献超过80%的全球温室气体排放, 因此, 城市化水平越高, 能源生产与消费量就越大, 碳排放强度也就越大, 我们预测碳强度与城镇化水平成正比例关系。
(4) 产业结构 (SE) 。以工业为主的第二产业是能源消耗大户, 一般来说, 碳排放强度与第二产业占GDP的比重成正比关系。在我国, 由于能源消费主要集中在第二产业, 且能源使用效率较低, 因此, 工业部门增长仍然是碳排放压力的主要来源。
(5) 能源强度 (EQ) 。能源强度指单位GDP的能源消费量, 也称单位产值能耗, 它在一定程度上反映了技术进步水平。部门技术进步对降低能源强度的作用显而易见, 先进适用的技术总能以较少的能源投入获得较大的产出, 预期符号为正。
(6) 能源价格 (EP) 。需求定理表明能源价格与能源消费之间应呈负相关关系, 因此, 能源价格是影响能源消费的重要因素, 也是间接影响碳强度的重要因素。长期以来, 中国能源价格的市场化发展滞后、能源价格扭曲严重, 使得价格机制无法有效调节资源的生产与消费。随着中国能源市场改革的推进, 煤炭、原油、电力等价格逐步放开, 有必要将能源价格纳入碳强度研究范畴。本文用燃料、动力购进指数代替能源价格, 数据来源于各省统计年鉴 (1995=100) 。
(7) 经济发展水平 (PGDP) 。环境库兹涅茨曲线表明经济增长与碳排放之间的关系是非线性的。经济发展初期需要大量的能源投入与使用, 而能源消费的增加可能会促进碳排放强度的增加。但是, 经济发展也伴随着技术进步与产业结构优化, 控制污染的主观愿望也随之加强, 也会降低碳强度。
(8) 人口密度 (PD) 。人口的空间分布是影响碳排放强度的一个重要因素, 一般而言, 经济发达的城市碳排放较高, 但经济发达的城市可能加大对能源利用的基础设施的投资力度。城市内部空间结构与人口密度会对碳排放产生影响, 居住在城市郊区会比居住在城市中心产生更多的碳排放, 因为郊区住房密度较低, 郊区居民由于通勤距离长会更多使用私家车。
为保持数据口径的相对一致性, 本文使用不包括西藏30个省市区, 样本期间为1995~2011年, 1995年、1996年的重庆市统计数据缺失, 为保证样本数年据完整性, 使用简单均值填补法处理。除非特别指出, 所有数据均来自《中国能源统计年鉴》、《中国统计年鉴》与各省市历年统计年鉴, 各变量的原始统计描述见表1。
3.2 空间相关性检验结果
表2为中国省域CO2排放强度Moran指数、相应的Z统计量, 可知, 不管是0~1邻接空间权重还是地理距离权重矩阵, 1995~2011年间中国省域CO2排放强度的全域Moran指数全部通过了1%的显著性水平检验, 意味着我国各省CO2排放强度在空间分布上存在显著的正向相关性。说明了我国各省域的CO2排放强度并不具有随机特征, 而是呈现出显著的空间特征, 即CO2排放强度较高的省份在地理上趋于集聚, CO2排放强度较低的省份在地理上也相互邻近。
全局空间相关性仅说明样本期间我国省域CO2排放强度存在集聚分布的正空间相关性, 但无法显示单个省份的空间集聚特征, 还需要通过局部空间相关指标来度量各省份空间特征及其与邻近省份的关联程度。我们选取3个典型年份:1995年、2005年和2011年, 并对各省CO2排放强度的局部Moran散点图进行分析 (1) , 如图2所示, 大部分观测省份都落在了第一象限与第三象限。在CO2排放强度的集群检验中, 1995年有11个省份位于第一象限, 13个省份位于第三象限;2005年有7个省份位于第一象限, 13个省份位于第三象限;2011年有8个省份位于第一象限, 14个省份位于第三象限。3个典型年份位于第一象限和第三象限的省份合计占空间单元总数分别为80%、66.7%、73.33%, 这与全局Moran指数分析得到的结论一致, 再次证实了省域CO2排放强度存在正空间相关性。
表3列举了1995年、2005年和2011年具有HH、LH、LL和HL集聚特征的具体省份, 不仅显示了大部分省域的CO2排放强度与其邻近省域表现出相似的集群特征, 也显示不同省域CO2排放强度较为明显的“路径依赖”特征。显然, 1995年、2005年和2011年的西部地区具有HH集聚特征的省份较多, 而东部地区具有LL集聚特征的省份较多。
3.3 空间计量模型的识别与估计
空间面板数据模型分为空间固定效应模型和空间随机效应模型, 本文的研究对象是中国30个省域, 因此可直接使用固定效应模型展开分析 (2) 。表4是使用0~1邻接空间权重矩阵的空间计量报告结果, 分别给出混合效应、空间固定效应、时间固定效应、时空双固定效应条件下的SLM模型和SEM模型的检验结果, 并列出用于判断估计结果优劣的拉格朗日乘数检验统计量与稳健拉格朗日乘数检验统计量, 可得到以下结论:
(1) 无论是SLM模型还是SEM模型, 4种效应中分别体现空间相关的ρ和λ的估计参数都在1%水平上显著地通过T检验, 表明各省域的CO2排放强度存在显著的空间相关性, 也反映了以往相关研究忽视空间效应的不足。同时, ρ和λ的估计参数一致为正, 表明省域CO2排放强度的空间效应体现为趋同效应, 即邻近地区CO2排放强度高, 本地CO2排放强度也相对较高;邻接地区CO2排放强度低, 本地CO2排放强度也相对较低。
(2) 在4种效应中, SEM模型的估计对数极大似然值均大于SLM模型的对数极大似然值, 表明SEM中模型是较优选择。进一步比较4种效应条件下拉格朗日乘数检验统计量与稳健拉格朗日乘数检验统计量的大小, 同样可知SEM模型的估计结果要优于SLM模型。因此, 本文主要根据SEM模型来解释省域CO2排放强度的驱动因素。
(3) 在这4个估计模型中, FDI对CO2排放强度的影响系数分别为-0.093、-0.103、-0.030和-0.041, 且在1%的显著性水平下通过了T检验, 这表明FDI显著地降低了CO2排放强度。城镇化水平对CO2排放强度的影响系数在1%水平上通过显著性检验, 其原因是城镇化进程伴随着城市基础建设与投资消耗了大量能源, 交通运输条件的改善也促进了机动车数量迅速增长, 进而提高了CO2排放强度。产业结构对CO2排放强度具有正面推动作用, 其原因是目前中国还处于工业化发展中期阶段, 投资高速增长导致重工业超常规增长。由于中国工业的高增长是以高能耗和高排放为代价的, 且重工业单位产出能耗和钢材消耗远大于轻工业, 重工业的高速增长必然会带来能源与原材料消费量增加, 进而增加CO2排放强度。出乎我们意料, 能源价格对CO2排放强度的影响为正且不显著, 其原因是, 长期以来中国政府对能源价格采取财政补贴和价格管制政策, 人为行政降低能源价格以刺激经济增长, 使能源价格不能完全反应市场需求。但中国近来开始推行能源市场化改革, 使化石能源的价格更准确地反映市场的真实成本。这一发现可能表明, 中国政府应该进一步减少能源价格来减少人工的价格扭曲。能源强度对CO2排放强度的回归系数通过1%水平检验, 说明了能源强度显著地增加CO2排放强度, 其原因是20世纪特别是1999年后, 高耗能的重工业发展迅速以及随着人们生活水平的提高, 各种家用电器、家用轿车大量进入普通百姓家庭。随着21世纪的到来, 随着新一轮投资驱动型经济的开始, 中国的能源需求强劲增长。人均GDP对CO2排放强度的影响显著为负, 意味着加快经济发展有助于控制中国CO2排放强度。其原因是随着中国经济发展和人均收入增加, 居民的环保意识会日益增强, 消费习惯与生活方式会趋于低碳模式, 其环境污染程度会逐渐减缓, 环境质量逐渐得到改善。人口密度除模型 (8) 外, 均在10%水平上显著为负, 其政策含义是适当增加人口密度有助于CO2排放强度减少。如图2所示, 在人口密度很高的上海、天津、北京, 其1955~2011年间CO2排放强度平均分别为3.80吨/万元、5.34吨/万元、4.78吨/万元, 而人口密度很低的宁夏、内蒙古、新疆分别为13.69吨/万元、10.66吨/万元、7.54吨/万元。
注:括号中数字为t值, ***、**、*分别表示在1%、5%和10%的显著性水平下显著。
3.4 稳健性检验
为了得到更稳健性结论, 我们使用地理距离空间权重对模型参数进行重新估计, 结果如表5所示。可知, 所有模型中体现空间相关关系的参数ρ或λ都在1%的水平上显著为正, 这与上文基于0~1邻接空间权重矩阵得到的结论相一致, 再次表明我国省域CO2排放强度存在的显著空间相关性。SEM模型的对数极大似然值大于SLM模型的对数极大似然值, 说明基于地理距离空间权重的SEM模型结果都要优于SLM模型。进一步比较拉格朗日乘数检验统计量与稳健拉格朗日乘数检验统计量的大小, 同样支持SEM模型优于SLM模型的判断。
注:括号中数字为t检验;*、**、***分别表示在10%、5%和1%的显著性水平下显著。
4 结论与建议
本文使用中国1995~2011年的省域面板数据, 采用空间计量模型对CO2排放强度的空间相关性及其驱动因素进行分析, 结论如下: (1) 不管是基于0~1空间权重矩阵还是地理距离权重空间矩阵, 均证实了中国省域CO2排放强度存在显著的正空间相关性。一个地区CO2排放强度并非无规律的随机分布, 而是在一定程度上依赖于邻近地区的CO2排放强度;局域Moran散点图进一步揭示了省域CO2排放强度的空间集聚分布与结构特征, 也证实了省域间CO2排放强度存在空间异质性。 (2) 相比较SLM模型, SEM模型更适合研究CO2排放强度的驱动因素, 说明中国省域CO2排放强度的空间效应更多地存在于随机误差项中, 不仅受到邻近地区省域CO2排放强度的相互冲击, 还受到区域间结构性差异的误差冲击。 (3) 4种固定效应的估计结果一致表明:产业结构、城镇化水平、能源强度都显著地促进了我国省域的CO2排放强度, FDI、人均GDP、人口密度有助于减少中国CO2排放, 但能源价格对抑制CO2排放强度的作用不显著, 其原因是长期以来中国能源价格被人为扭曲。
【空间相关性】相关文章:
空间相关性的统计分析07-09
空间相关概念范文06-02
结合空间制图相关论文题目04-06
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