空间自相关（精选9篇）
空间自相关 篇1
0 引言
粮食问题关系着国家的发展和社会稳定,一直都是世界各国重点关注的问题。20世纪90年代中期,由美国学者布朗先生的论文《谁来养活中国人》引发的关于中国粮食问题的世界性大辩论[1],说明了中国的粮食问题不仅是中国而且也是世界关注的焦点和热点问题。20世纪90年代以来,中国粮食生产状况不断发生变化,面对持续增长的人口及耕地面积不断减少的客观事实,社会各界对粮食问题较为关注。部分学者从多个视角对我国粮食安全进行评价研究,并得出了我国粮食不安全人口比重下降但耕地压力处于紧平衡状态的结论[2,3]。也有学者对我国粮食生产的影响因素、产出与投入以及发展趋势进行了深入研究[4,5]。关于粮食安全问题的研究在一定层面上较为深入,但对我国粮食综合生产能力的空间格局差异、变化及其成因的研究有待深入。为此,运用空间自相关分析方法并结合GIS软件,运用人均粮食占有量这一指标,对我国粮食生产的空间差异进行定量分析,为进一步对我国粮食生产的现状、存在问题以及区域差异等的研究提供重要参考依据,也为我国粮食问题研究提供借鉴。
1 研究区域与数据来源
本文把包括海南及内陆的各省域行政区作为地域研究单元(除我国的台湾、香港和澳门以外),基于Arcgis9.3软件平台,通过空间属性数据库的链接,将1980-2008年研究单元的人均粮食占有量输入到相应的属性项中。研究中所采用的数据均来自于相应年份的《中国农业年鉴》和《中国统计年鉴》。
2 研究方法
空间自相关是空间依赖的重要形式,是指研究对象按照某一属性的空间位置之间存在的相关性,也是检验某一要素属性值与相邻空间要素上的属性值是否相关的重要指标,通常分为全局空间自相关与局部空间自相关两大类[6,7,8]。运用时,首先通过生成空间权重矩阵,确定各空间单元的权重,再根据各单元的属性信息进行空间自相关分析。本文借助geoda10.0进行空间自相关分析。
2.1 空间权重矩阵
空间权重矩阵的定义是空间统计学与传统统计学的重要区别之一,是利用空间自相关进行空间探索分析的前提和基础。本文采用邻近规则来定义省域间的空间关系,通过定义一个二元对称空间权重矩阵Wn×n来表征n个位置的空间邻近关系,Wij为W中的元素,其具体形式表现为[6,7,8]
undefined
当i和j邻接时,空间权重矩阵的元素wij=1;否则wij=0。
2.2 全局空间自相关分析
全局自相关是对属性值在整个区域空间分布情况的总体特征描述。一般采用Global Moran’统计量来测度[6,7,8],其计算公式为
undefined
式中 n—全国省域数目;
undefined—全国第t年的各省域人均粮食占有量;
xit,xjt—全国第i,j省第t年人均粮食占有量;
wij—空间权重矩阵。
Global Moran’s I的值域为[-1,1],在给定的显著性水平条件下,若I>0,表示人均粮食占有量的相关性为正,说明人均粮食占有量较高(或较低)的区域在空间上显著集聚,I值越接近于1,总体空间差异越小;若I<0,表示人均粮食占有量的总体相关性为负,说明该区域与周边地区的人均粮食占有量的相关性具有显著的空间差异,值越趋近于-1,总体空间差异越大。对I的统计检验可以采用z检验:undefined。在95%的置信度下,如果Zundefined,则表示统计性显著。
2.3 局部空间自相关分析
Global Moran’s I是一种总体统计指标,仅说明所有区域与周边地区之间的空间差异的平均程度,不能提供局部空间差异性。局部自相关则弥补了这一缺陷,一般用局部自相关的Moran’I散点图和集聚图反应区域i与其周边地区之间的空间差异程度及显著性。对于第i区域,局部Moran’I的计算公式[6,7,8]为
undefined
式中 zi,zj—观测值标准化形式;
Wij—空间权重矩阵,行标准形式;
N—所有区域单元的总数。
若Ii显著大于0,说明区域i与周边地区之间的空间差异显著小,存在空间正相关现象;若Ii显著小于0,说明区域i与周边地区之间的空间差异显著大,存在空间负相关现象。Local Moran’s I统计量的检验方式也采用全局自相关的检验方式。
局部空间自相关采用散点图和LISA集聚图进行表征。在散点图中,有4个象限,分别对应4种不同的集聚状态,即空间集聚类型为:
HH型(高-高):自身和周边区域的观测值均高,空间差异程度小;
LH型(低-高):自身观测值低,周边区域观测值高,空间差异程度大;
LL型(低-低):自身和周边区域观测值均低,空间差异程度小;
HL型(高-低):自身观测值高,周边区域低,空间差异程度高。
3 结果分析
3.1 人均粮食占有量变化分析
1980,1988,1998,2008年我国的人均粮食占有量分别为300.77,331.81,400.67,389.94kg/人。人均粮食占有量呈先上升后略有下降的趋势,但变化量未超过100 kg/人,总体上呈上升趋势。其中,内蒙古、吉林和黑龙江呈现明显的上升趋势,河北、安徽、山东、河南和宁夏,总体上呈上升趋势;北京、天津、上海、浙江、福建和广东呈下降趋势,但变化不大;其余省份变化不明显,如图1所示。
从1980年与2008年两个时间断面可以看出:内蒙古、吉林和黑龙江3个省份粮食增幅较大,其增幅均大于500kg/人;内蒙古增幅最大,为671.59kg/人;河北、安徽、河南、宁夏和新疆次之,介于100~300kg/人之间;北京、上海、浙江、福建、广东、天津、广西和青海在1980年的基础上有所下降,前4个行政区下降幅度较大,超过100kg/人,其中浙江省下降幅度最大,为221.10kg/人;其余省份均有所增加,增加幅度小于100kg/人。研究时段内,各省份人均粮食占有量的变化量各异。
3.2 粮食综合生产能力空间差异分析
3.2.1 全局空间自相关分析
根据以上分析,运用GeoDa10.0软件得出全国1980-2008年人均粮食占有量的全局自相关系数(Moran’s I)值,同时对所有的Moran’s I值进行z检验,皆通过显著性检验。各年份Moran’s I值如图2所示。
图2反应了我国1980-2008年间人均粮食占有量的全局空间自相关分析结果。由图2中可知:30年来,我国人均粮食占有量Moran’s I均大于0,Moran’s I指数平均值为0.31,空间自相关特性较为显著,表明我国人均粮食占有量较高(或较低)的区域在空间上显著集聚,即存在人均粮食占有量高的地区与高的地区相邻、低的地区与低的地区之间相邻接的现象。从Moran’sI的变化趋势看,大体上可以分为3个阶段:1980-1988年为数值较低的总体缓慢上升阶段;1989-1999年为数值波动较大变化阶段;2000-2008年为数值较大的平稳上升阶段。人均粮食占有量的Moran’s I总体上呈上升趋势,表明我国人均粮食占有量的总体空间差异在逐步缩小,人均粮食占有量不断增加,各区域粮食生产水平都有所提高。
3.2.2 局部空间自相关分析
局部空间自相关主要通过两种方式推算出聚集范围、Moran’s I散点图及空间关联指标(LISA)。借助geoda10.0软件,绘制出研究时段内Moran’s I散点图,如图3所示。
由图3可知,位于HH及LL象限的区域数量始终比位于HL及LH象限的区域数量多。4个时间段内,位于HH及LL象限的区域数量占总区域数量比重分别是68.97%,66.67%,67.74%和70.97%。其中,位于LL象限区域数量多于HH象限区域的数量;位于HL及LH象限区域占区域总数比重分别是31.03%,33.33%,32.26%和29.03%,位于HL象限区域数量多于LH象限数量。这表明,我国人均粮食占有量在局域范围内具有空间相关性,集聚格局显著;同时也反应了人均粮食占有量空间分布具有异质性,呈现局部离散分布的格局,并且离散程度在减弱。
基于Geoda10.0及Arcgis9.3软件平台,结合Moran’s I散点图,在5%显著性水平下绘制LISA集聚图,如图4所示。从图4可以看出,我国的人均粮食占有量的地理分布格局。1980年间,我国人均粮食占有量空间差异较小,其中自身与周边省域关联性较高(HH型)的仅有广东省;自身与周边关联性较低(LL型)的仅有河北省,空间差异较小,人均粮食占有量高高低低集聚;自身高周边低(HL型)的仅有四川省;自身低周边高(LH)的仅有安徽省及上海市,其空间差异较大,揭示了人均粮食占有量在空间分布上的不均衡性。1988年间,自身高周边低(HL型)的仅有四川省,自身与周边省域关联性较高(HH型)的仅有安徽省,无LH与LL集聚类型区。这表明,人均粮食占有量空间分布均衡性加强。1998年间,自身与周边省域关联性较高(HH型)的区域有内蒙古、黑龙江和吉林,自身低周边高(LH)的区域有辽宁省,无LL与HL类型集聚区,表明人均粮食占有量异质性突出。2008年间,自身与周边省域关联性较高(HH型)的区域有内蒙古、黑龙江、吉林和辽宁省,其他为不显著区域,人均粮食占有量空间分异呈现出高水平集聚及不显著集聚区,空间异质性较强。
以1980,1988,1998,2008年为时间断面对我国人均粮食占有量空间差异演变进行分析,结果表明:首先,我国人均粮食占有量空间差异仍较为明显。1980-2008年间,人均粮食占有量“高高”“低低”集聚空间分布格局不断发生变化,空间分布由最初的4种集聚类型转变为1种集聚类型,但并非往均衡方向发展,“高高”集聚类型区的范围扩大,空间差异仍较为明显。其次,人均粮食占有量空间差异发生变化所涉及区域范围不广。在研究时段内,人均粮食占有量空间分布差异仍较为明显,并不断发生变化,但总体上空间差异变化所涉及的范围不大。由于自然地理等条件及长期以来形成的社会经济基础,人均粮食占有量的总体空间差异所涉及范围并未发生较大变化,变化范围集中在西南地区的四川省、南部广东省、东部安徽省、北部河北省、内蒙古自治区及东北三省,变化区域占总区域的百分比为25.80%。其三,局部区域空间集聚特征发生变化。期间部分区域空间集聚特征发生变化,四川省由高低集聚变为不显著,广东省由高高集聚变为不显著,安徽省由最初的低高集聚变为高高集聚最后变为不显著,河北省由低低集聚类型变为不显著,内蒙古、黑龙江、辽宁和吉林则由不显著变为高高集聚。其四,东北地区及内蒙古自治区已形成人均粮食占有量较高的稳定集聚区。从变化的趋势可以看出,近10年间东北三省及内蒙古形成了稳定的高高集聚区,且这一空间格局并未发生变化。
4 结论
1)研究期内,我国人均粮食产占有量总体上呈现上升趋势。人均粮食占有量增幅较大的区域集中在东北部和东部的部分沿海地区,内陆的青海省有所下降,其余省份有所增加但变化不明显。
2)我国人均粮食占有量存在明显的空间差异。1980-2008年间,在通过显著性检验的条件下,全局自相关的平均系数为0.31,呈现出波动变化但始终大于0,说明人均粮食占有量在空间上存在显著的空间集聚性。
3)1998-2008年间,在Moran散点图中位于HH和LL象限区域的数量明显多于位于HL与LH象限的区域。我国人均粮食占有量高高或者低低集聚的区域在空间上显著集聚,人均粮食占有量的空间分布具有异质性。其中,少数省份的集聚类型发生变化,并呈现出局部空间差异较为明显的但总体空间差异变化不大的特点,东北地区与内蒙古地区形成稳定的高高集聚区的空间差异演变特征。
参考文献
[1]鲁春阳,杨庆媛,文枫.重庆市耕地与粮食生产动态变化研究[J].农机化研究,2010,32(9):13-15.
[2]李靖,孙晓明.省域粮食单产水平与波动状况研究[J].中国人口.资源与环境,2011,21(4):76-80.
[3]程叶青,邓吉祥,房艳刚.吉林省中部粮食主产区城乡关联的空间分析[J].地理研究,2010,29(4):727-734.
[4]姚鑫,杨桂山,万荣荣.昆山市耕地变化和粮食安全研究[J].中国人口.资源与环境,2010,20(4):148-152.
[5]程远亮,周伟,米红.粮食生产布局与人口分布的空间差异及其演变[J].统计与信息论坛,2010,25(2):94-99.
[6]潘竟虎,石培基.甘肃省人均粮食时空格局变化特征及驱动机制分析[J].农业系统科学与综合研究,2008,24(4):485-488.
[7]邹健,龙花楼.改革开放以来中国耕地利用与粮食生产安全格局变动研究[J].自然资源学报,2009,24(8):13661377.
[8]王千,门明新,许皞.基于ESDA与GIS的粮食综合生产能力空间分布研究—以河北省为例[J].农机化研究,2009,31(9):64-67.
给学生一个自物学练的空间 篇2
一、 案例回放（基本部分）
为充分热身，在开始部分，教师充分利用绕场地进行趣味“蛇”形行跑，充分调动学生的兴趣。随后是热身操武术基本功练习，这既是对以往掌握的手形、步型及组合的整合和复习，又对新授学习内容进行了铺垫，有利于学生进行简单的武术套路学习，提高学生的学习热情。为集中学生的注意力，在热身部分的口令中，教师提出要求：教师喊单数，学生喊双数。在有效的语言互动中，不仅快速集中了学生的注意力，更彰显团队的凝聚力。
基本部分为武术套路教学，五步拳（1—4）：并步抱拳、弓步冲拳、弹腿冲拳、马步架打。
“本节课，教师为同学们准备了三个问题，请同学们按照提示尝试练习。在练习中小组长要认真组织本组同学练习，希望同学们能互相帮助，顺利完成任务。”随后，教师指定四个小组在不同练习区域，学生由小组长带领到达指定区域进行练习。
问题一：你能正确说出每一个演练的动作名称吗？
师：1.出示五步拳1-4动作图解，引导学生演练动作，熟记动作名称。
2.教师巡回指导，发现问题解决问题。
3.教师示范，逐一进行动作讲解。
生：1.在小组长的带领下，学生边看边学，认真模仿，大胆提问。
2.在教师的指导下，认真纠正错误动作。
3.仔细观察，认真练习。
（二）教师示范讲解，问题引领，小组再次学练。
问题二：小组能给武术演练增加口令，让动作整齐划一么？
师：1.引导学生进行加口令演练，教师进行巡视，个别指导。
生：2.遇到问题，相互协助，纠正动作。
（三）问题引领，第三次学练。
问题三：小组能给动作增加发声效果，让你们的团队更有气势吗？
师：1.引导学生创意发声，激发团队兴致，激发学习热情。
生：2.小组练习，口令洪亮，动作方向顺序清晰。
（四）集体展示
师：1.大比武。小组比赛，比一比哪组动作最整齐，声音最响亮。
2.每组推选一名同学当评委，并可邀请观摩老师当评委，进行评分，得分最高的组获“武术冠军组”。
3.参照总分，评选出武术“冠军组”“亚军组”“季军组”“进步组”。
生：1.每组推选裁判，并邀请观摩老师担任评委进行打分。
2.小组长带队，集合进场进行比武。
二、片段评析
（一）巧用问题，合作配合
教师以问题串联引导学生通过尝试体验，学会思考、学会解决问题和成为自主的学习者。《义务教育体育与健康课程标准》（2011年版）在课程基本理念中描述“课程在充分发挥教师教学过程中主导作用的同时，十分重视学生在学习过程中的主体地位，注重培养学生自主学习、合作学习和探究学习的能力”。本课执教者深入地落实了“以学生发展为中心”这一课程理念。
作为第一课时教学，执教者巧用三个问题引导学生进行学习，很好地达到了预期学习目标。如问题一“你能正确说出每一个演练的动作名称吗？”通过学习，学生都能够说出并步抱拳、弓步冲拳、弹踢冲拳、马步架打等专业术语，并简单描述动作线路；问题二“小组能给武术演练增加口令，让动作整齐划一吗？”问题三“小组能给动作增加发声效果，让你们的团队更有气势吗？”这让学生意识到不能单纯地跟着老师练习或自己一个人完成动作，而是需要小组合作配合，统一口令，统一发声，才能做到动作整齐划一，团队才更加有气势。本课三次集中展示，无一不体现团队合作的重要性。
教学中，教师要提出问题让学生明确要学什么，给学生足够的时间去体验，充分发挥学生的主观能动性。因为只有基于学习主体的主动思考和亲身体验，才会形成运动的感知，从而有效地学习运动技术，掌握运动技能。教师指导学生学会看图，并根据动作示意图进行模仿练习，学生在合作学习的氛围中，相互观察，相互帮助，相互纠错，不断提高武术动作的质量，提高发现错误和改正错误的能力，并在合作学习过程中发展社会交往能力。
（二）巧变队形，善用骨干
由于武术动作技术的特点，在练习过程中，有前、后、左、右动作线路的变化。在各小组人数较多的情况下，常用的体操队形势必影响动作学习效果。本课56名学生，每小组有14人之多。因此，在巡回指导时，教师有意提示学生错位站立，如三角形错位站立、梯形错位站立等，提示小组长和能力较强的学生站在队前、队后或队伍中间，这样在动作有前后左右方向变化时，其他学生都能看见骨干的示范动作，有效加快了学生掌握动作套路的速度。
在小组学练中，小组长们充分发挥了骨干带头作用，他们不仅提示同伴每一个动作，更协助教师纠正其他小伙伴的动作，对学生个人或小组积极学练，教师以由衷的掌声赞许，不断激发学生参与活动的积极性和自信心。
（三）展现魅力，点亮课堂
六年级学生对武术学习有极大的兴趣，简单的套路组合动作学习带给了学生极大的吸引力，在教师所创设的宽松和谐的学习氛围中，同学们有了一定的交流、合作、自我展示的时间和机会，乐于也敢于展示自我。中国武术讲究“未曾学艺先学礼，未曾习武先习德”，执教者抓住武术教学“始于礼，终于礼”的优良传统，在演练和展示中均以抱拳礼开始，抱拳礼结束，通过礼仪教育培养学生虚心、团结的优良品质，将品德教育无形中渗透到体育教学中。
在大比武中，不仅学生是裁判，场上观摩的教师也被学生邀请加入到裁判的队伍中，学生们兴奋的状态立马就被调动起来了，小组内时不时传来“我们要加油”的声音。比赛中，同学们整齐划一的动作、强有气势的发声，一招一式的演练超有武术大师“范儿”，让笔者感受到学生们都陶醉在浓浓的武术意境中；当看到裁判们亮出的“9分”“10分”“10分”时，同学们都抑制不住地兴奋着，“老师，我们想再来一次，可以吗？”意犹未尽的询问，让我们感受到了体育课的精彩。
展示自我激情比武，师生、生生、场内与场外的互动精彩不断，“有图有真相”执教者风趣幽默的语言，将枯燥的武术教学变得富有乐趣；在进行套路演练时，执教者扎实的基本功吸引了我们每一位观摩教师的眼球，都情不自禁地喊“李老师再来一次”。随着李老师再次示范，学生发自内心地鼓掌，笔者不由得感慨——这才真正是体育的魅力所在。
常州市城镇空间自相关特征研究 篇3
常州市作为苏南经济发展模式的代表性城市, 城镇空间结构一定程度上体现了我国东部城镇发展模式。全局空间自相关主要是用来研究区域空间内研究对象之间的集聚程度, 主要是在整个研究区域内表现出的空间特征。通过全局空间自相关研究城镇空间结构, 能够揭示出城镇之间的内在关系, 已经全区域内城镇空间结构特征。
2.全局空间自相关测度
全局空间自相关主要是用来研究区域空间内研究对象之间的集聚程度, 并且呈现其中是否存在高高、低低、高低、低高这样的空间分布模式。对象属性值在整个研究区域内表现出的空间特征一般是其研究对象。常用的全局空间自相关指数是Moran's I指数。
Moran’s I的定义如下:
式中:xi、xj表示在i和j处的属性值;Wij是空间权重值。
3.常州市城镇规模全局自相关分析
利用最短路径反距离平方, 以城镇GDP和城镇规模大小作为因子建立空间权重矩阵, 进而计算各镇的Moran散点分布, 并将其分为四个象限。城镇规模大小的Moran’s I=0.085, 城镇GDP的Moran’s I=0.018, 可以看出这两个因子的空间相关性特征比较弱。城镇规模和城镇GDP同时落入第一和第四象限的城镇较少, 而同时落入第二、第三象限的城镇较多。位于第一象限的城镇多是中心城区或者是周边城镇, 同时GDP较高的城镇和规模较大的城镇包围着这些城镇, 可见其集聚效应为高高集聚。位于第四象限的则属于高低集聚, 表现为这些城镇周边的城镇规模和GDP较小, 发展一般, 但是其自身的规模和GDP较大, 主要为金城镇和溧城镇, 即为金坛区和溧阳市的中心城区。同时落入第二、第三象限的城镇说明常州市城镇GDP和城镇规表现出了一定的空间相似, 而并非完全随机分布的。落在第二象限的城镇负相关性较强, 属于底高集聚, 空间上表现在围绕主城区分布, 比如孟河镇和罗溪镇。落在第三象限的城镇表现出较强的负相关, 这个区域一般是冷点区域, 城镇规模和GDP都比较小, 集中在金坛区和溧阳市, 属于低低集聚, 但也有一部分是较大的城镇包围较小的城镇。
在全局自相关Moran’s I四个象限的基础上, 再次计算其局部自相关, 并将局部自相关划分成四个区间, 分别是局部自相关指数小于0, 局部自相关指数介于0-0.02, 局部自相关指数介于0.02-0.04, 局部自相关指数大于0.04。城镇规模方面:小于0的城镇11个, 主要分布在武进区、金坛区和溧阳市的辖区边缘区域, 这些城镇占总数的29.7%;介于0-0.02的城镇有8个, 主要分布在溧阳市的中心城区周边, 这些城镇占总数的21.6%;介于0.02-0.04的城镇有14个, 主要分布在常州市中心城区周边, 这些城镇数量最多, 占总数的37.8%;大于0.04的城镇有3个, 主要分布在金坛区。城镇GDP方面:小于0的城镇有9个, 这些城镇集中分布在溧阳市;介于0-0.02的城镇有10个, 主要分布在武进区与金坛区、金坛区与溧阳市之间相邻的城镇, 这些城镇占总数的27.0%;介于0.02-0.04的城镇有15个, 主要分布在常州市中心城区周边, 这些城镇数量最多, 占总数的40.5%;大于0.04的城镇有4个, 集中分布在溧阳市。
4城镇空间关联结构分析
结合区域经济空间结构分析的增长极理论以及区域城镇体系空间组织发展过程中体现的集聚-扩散特征, 根据Moran散点数据和局部自相关指数计算, 本文通过四种不同的组合划分研究的城镇i和周边城镇集聚水平。如表1所示。
通过圈层结果分布来看, 常州市中心城区周边城镇的规模在空间上呈扩散式关联分布, 而其周边又集中分布了离心式关联分布。前者区域内部的相似程度较高, 综合规模较大。而后者则规模较小, 主要分布在新北区和武进区, 这部分城镇自身受到规模较大城镇的影响, 主要分布在较大城镇周边, 进而表现成扩散式关联城镇周边分布着离心式关联城镇。此外, 溧阳市和金坛区的城镇则多表现为无关式关联分布, 这些城镇区域内部呈现集聚状态, 但是经济状况与上述城镇相比发展较慢。而极化式关联城镇与扩散式和无关式分布城镇距离较远, 主要分布在规模较小的城镇周边。
由此可以得出, 常州市中心城区在方向上以向南和向北扩张为主, 在集聚上表现出了较强的核心吸引能力, 在关联上与金坛区中心城区的城镇联系度较高, 但与溧阳市中心城区联系度较低。
参考文献
[1]蒋国富, 刘长运.河南省县域经济的空间分异[J].2008 (04) :636-639
空间自相关 篇4
多维变现 赋能内容创业者
“此前，网络内容的变现能力较为单一，主要依靠广告，但广告很多时候更适合超级头部内容。”合一集团首席产品官、自频道业务负责人顾思斌表示，正如合一集团不久前刚刚提出的“一鱼多吃”概念，同一个IP其实可以有不同的价值挖掘形式。“如果有一种形式，能够在赚钱的同时，拉近内容提供者与粉丝之间的距离，并通过强互动性拉伸变现长度，那无论对内容提供者还是粉丝来说都是双赢局面。优酷自频道就是这样一种形式，借助电商、会员、粉丝互动等手段，加之直播的技术加持，频道主盈利渠道得以拓展，粉丝需求得到更好满足。如逻辑思维最近举办的读书会、一些动漫IP招收会员等都取得了良好效果。”
内容的多维变现，以及粉丝互动带来的沟通价值，不断强化了粉丝与IP之间的深度绑定。顾思斌认为这将是内容的未来走向，“对优酷自频道而言，我们希望将这些有价值的内容挖掘出来，并帮助他们开拓更多变现渠道，同时降低内容团队进入这一领域的门槛。”
早在2015年优酷土豆开放生态大会上，合一集团董事长兼CEO古永锵即表示，“视频纯媒体时代终结，文化娱乐产业进入以自频道为中心的合乐时代”。未来三年，优酷土豆将投入百亿元现金和资源支持网生内容，打造文化娱乐产业的最佳创业平台。
每一次产业革命，背后都是技术带来的基础变革，如让门槛变得更低、行为更方便。优酷自频道要做的事情就是赋能内容创业者，并将进入这一领域的门槛降低，即便不能让每个人的利益都实现最大化，但他们仍旧可以获取变现背后的其他价值。
与《镇魂街》的合作恰好印证了上述观点。此次双方的合作不仅限于内容发行，更是“自频道+电商”深度融合的一个开端。据悉，《镇魂街》自频道作为优酷独家合作伙伴，将陆续启用直通淘宝的“边看边买”、由阿里拍卖技术支持的“边看边拍”，以及“会员专享”“优酷直播”“优酷众筹”“优酷VR”等一系列新玩法。
对此，有妖气CEO董志凌表示，《镇魂街》剧集选择在优酷自频道播映，一方面是与优酷合作一直很愉快，另一方面则是优酷的独家资源对网生内容有巨大吸引力。同时，在IP开发计划中，众筹和VR两项资源在优酷一个平台上就能搞定；周边手办很快也将通过“边看边买”的形式进行发售。
业内一直将2016年视为网红变现元年，通过与阿里电商体系的互联互通，优酷将为自频道主提供更多元的玩法，打造更高效的流量变现体系。未来，“视频电商”模式将有很大想象空间。
降权难度 共谋万亿市场
随着多屏时代到来，“玩”成为用户对内容的最大需求。在古永锵看来，“电商”“自频道”“游戏”“会员”“评论”“弹幕”“直播”“众筹”“网红”等，将成为最主流、最有可能的玩法，而这也是视频内容未来的发展方向。
目前，优酷土豆的网生内容流量占比已超过50%；每月自频道播放数已超过100亿次；每分钟可产生30小时的网生内容，且以每年翻番的速度在增长；过去一年间发布内容的自频道数超过1000万，通过这一系列数字，可以看出优酷自频道的发展已进入爆发阶段。
即便如此，现阶段优酷自频道并未将平台盈利放至重要位置，平台更为关心的是这一产业的GDP到底有多大。“如果身处一个万亿产业中，我们又扮演平台的角色，那么收益一定不会少。目前我们重点做的事情是如何帮助产业做大做强。”顾思斌说。
想做大做强，首先要做的就是吸引更多内容主参与进来。那么问题来了，内容创业者为什么选择优酷土豆？顾思斌从9方面进行了阐释：优酷提出的“世界都在看”、土豆的“做生活的导演”，都昭示了其诞生之日起就深具的UGC基因；唯一真正发掘并捧红数位网咖和打造多部国民级网生内容的平台；网生内容流量月均100亿+；订阅可产生日千万级流量；移动用户占比70%，且iOS两倍于其他平台；评论比10倍于其他平台；平台内获利5倍于其他平台；可嵌入超过70%淘宝天猫商品，实现边看边买；数据真实透明从不做假。
一旦选择合作，又能获得哪些支持？“扶上马，送一程”是优酷自频道对内容创业者的承诺。依托近六亿用户，优酷土豆将投入百亿元资源打造三大计划。即“新人计划”——产生10万个拥有千人粉丝团的自频道，“万万计划”——产生1万个月收入过万的自频道，“飓风计划”——产生100个估值过亿的自频道，共谋万亿市场。
当大部分人在做“内容的新浪”时，优酷自频道要做的是“内容的淘宝”，既有旗舰店也要有精品小店。当然在这个过程中，头部资源的示范效应很关键。
目前，优酷自频道拥有10家以上估值过亿的大V，包括逻辑思维、飞碟说、何仙姑夫、糗事百科、司文痞子、大湿兄DSX、暴走漫画、关爱八卦成长协会、女神有药、军武次位面等，以及50家以上价值过千万的频道主。
尽管视频盛宴仍属于头部内容，但底层小店，也就是长尾内容也必定有非常广阔的发展空间和盈利能力。
“基于优酷土豆在UGC领域的优势，我们提出了‘自频道+’概念，即自频道就如同一家淘宝小店，店主可以决定做任何事情，可以卖东西、求打赏，也可以做直播、搞众筹。我们就如同物业，为业主提供通用解决方案，通过最简单的手段让小店具有更多玩法。”顾思斌介绍，对于这些基础功能，频道主只需勾选即可使用。“我们的初衷就是把决定权送回到频道主手中，平台不会越过他们做任何事。”
以直播为例，其具有实时互动、独占、社区化等属性。与以往被动接收内容不同，如今的屏幕是双向交互性的，这就使得直播与粉丝打赏等形式密切相关。作为优酷自频道的重要组成部分，与美女秀场、游戏等垂直性非常强的直播网站不同，优酷自频道的直播更为有趣，既有大型直播活动，如发布会等，也有教人如何做菜的小众直播。
通过小店模型，优酷自频道希望释放每一个内容人的活力，并给他们赋能、降权难度。“我们搭台，频道主唱戏，分工明确才能使得行业呈现出欣欣向荣的景象。”
不同于以往0和1博弈式的合作模式，优酷自频道看中的是内容的完整历程，即创造内容、发行内容、收集粉丝、互动、变现的全链条工作。“我们旨在打造平台与内容主的双赢，以及内容主与用户的共赢。这才是新型内容平台应有的业态设定，以及应该具备的特性和气质。”顾思斌说。
（陈巍巍）
空间自相关 篇5
关键词：竞技体育,区域发展,空间自相关,特征
竞技体育和其它社会、经济现象类似,区域间存在着扩散或极化效应,不是一个孤立的个体。竞技体育发展的区域差异、地理分布特征与我国竞技体育的整体水平息息相关,脱离地理空间的视角来研究我国竞技体育发展问题是不够全面的。基于此,本研究以中国大陆地区31个省(自治区、直辖市)竞技体育发展为研究对象, 采用地理空间计量分析模型对各地区竞技体育发展的空间依赖性和自相关关系进行探讨。通过分析我国区域竞技体育发展的空间布局与空间关联特征,为相关职能部门制定竞技体育发展战略提供决策支持,同时,也对中国竞技体育发展问题的研究提供一个新的视角。
1 研究方法与数据来源
1 . 1空间自相关性分析
空间自相关性分析是检验具有空间位置的某要素观测值是否显著地与其相邻空间点上的观测值彼此关联。该方法通过计算各地区某要素观测值的空间相关系数、描绘空间布局散点图及其对加入空间滞后变量的模型进行估计等途径,来反映各要素观测值的空间依赖性与自相关关系,即发现空间的异质性与空间集聚现象。我国竞技体育的发展不仅仅具有空间位置特征,同时,具有空间异质性和空间集聚性,故空间自相关分析法适合于研究中国竞技体育发展的地理空间分布特性。
1993年,全国31个省(自治区、直辖市)中有6个落入第1象限(高—高)同质区域,主要是东部地区;落入第2象限(低—高)异质区域的有7个,主要是中东部地区;落入第3象限(低—低)同质区域的有12个,多属西部地带;落入第4象限(高—低)异质区域的有6个,主要是中东部地区。其中,共计18个地区分布于第1、3象限,占58.06%, 第2、4象限分布了13个地区,占41.94%,说明我国竞技体育发展呈正的空间自相关关系,竞技体育发展的空间集聚效应已较明显,但也存在一定的空间异质性。落入第1、4象限的12个地区和落入第2、3象限的19个地区全运会奖牌总数的几何平均值分别为56.58枚与14.58枚,前者是后者的近4倍。1993年,中西部区域全运会奖牌总数最多的是四川省(51枚),大约是东部区域全运会奖牌总数最多地区辽宁省(136枚)的2/5。西藏自治区是中西部区域全运会奖牌总数最少的地区之一,仅1枚,与东部区域的平均水平差距甚远,表明我国东部地区凭借其区位、资源、市场、科技、产业、人才等优势, 竞技体育发展水平远高于中西部地区,区域间的梯级增长效应没有完全显现(见表1)。
2009年,我国竞技体育发展的空间自相关关系发生了少许变化。河北、北京分别从2005年的第2、4象限异质区域转移至2009年的第1象限(高—高)同质区域。2005年,河北获全运会奖牌总数35枚,到2009年,奖牌总数增至45.5枚,涨幅为30%,而北京在第十一届全运会上的奖牌总数(79枚)较第十届(81.5枚)略有下降。导致这两个省(市)竞技体育发展受到周边东部地区的空间自相关作用增强,与中西部地区的空间自相关关系则逐渐削弱。河南由2005年的第4象限(高—低)异质区域转移到2009年的第2象限(低—高)异质区域,反映出该省竞技体育发展水平逐步降低。2005年河南获全运会奖牌总数41枚,到2009年全运会奖牌总数降至22枚,减少了19枚,降幅达46.34%。在空间依赖关系上,该省也随之发生了较大改变,过去主要依赖于东部竞技体育发展较强的地区 (如广东、辽宁等),目前则主要依赖于中部地区(如安徽、江西等)。与2005年相比,2009年在第3象限(低—低)同质区域所分布的地区没有发生任何变动,多以西部地带为主,彼此间存在较强的空间自相关作用(见表1)。
综上所述,经过20年的发展,我国竞技体育水平已得到较大幅度提升,但区域间的极化效应越来越明显,全国三大区域(东、中、西部)竞技体育发展的空间自相关作用逐渐增强,各区域内的空间依赖关系进一步明确,且这种向各自邻接地域逐步收敛的趋势也更加显著。随着我国区域经济发展水平的不断提高,高新技术手段日趋多元化,交通、通信、医疗、休闲及网络等基础设施的进一步完善,使各地区的社会经济活动交往越发频繁,并在长期的发展过程中已形成了比较稳固的关系模式,彼此间相互依存和制约。竞技体育作为社会经济活动中的重要组成部分,必须依托于相关行业的支撑与帮扶,其区域发展特征也和关联行业有着相似之处。因此, 从该角度出发,在一定程度上揭示了目前我国区域竞技体育发展具有这种空间自相关特点的必然性。
1.2区域竞技体育发展的LISA集聚图
纵观1993~2009年我国竞技体育发展的LISA集聚图,新疆自治区、四川省与海南省始终表现出显著的“低—低”、“高—低”和“低—高”集聚态势,但像河北省、吉林省、甘肃省、陕西省、江苏省、浙江省及上海市等地区仅在部分年份中呈现出显著的空间集聚特征,绝大多数省(自治区、直辖市)竞技体育发展仍未表现出显著的空间集聚水平。这与我国竞技体育发展现状较为吻合,虽然国内区域竞技体育发展的两极分化效应非常明显,而多数地区与其周边邻接地带的空间集聚关系并不显著,即我国区域竞技体育发展之间的空间联动效应还有待于进一步提高。近年来,随着各地方政府对全运会的重视程度日渐加深,全运会成绩已成为反映地区竞技体育发展水平的重要衡量标准。尤其是赛事举办方和非举办方之间的差异越来越明显,东道主为在全运会上取得佳绩,在其备战过程中往往投入了大量的人、财、物力等资源,而非举办方在这些方面则相差悬殊,导致历届全运会成绩的级差非常大。因此,从此角度上讲,由于区域竞技体育发展的两极分化过于明显,在一定程度上,对我国地区竞技体育发展空间集聚的显著性水平产生了消极影响。
2 结论与启示
(1)我国竞技体育发展的全局空间自相关分析结果表明,全国31个省(自治区、直辖市)竞技体育发展的全局Moran′s I指数总体上呈波动性增长态势,各年度全局Moran′sI指数的Z值均为正。由此,说明国内各地区竞技体育发展的空间依赖程度逐渐增强,受周边邻接地区竞技体育发展的影响越来越大,区域竞技体育发展整体上存在正的空间自相关关系,其空间集聚现象和极化效应较为明显。
(2)我国竞技体育发展的局部空间自相关分析结果显示,从Moran散点图分布象限来看,1993年,全国共计18个省(自治区、直辖市)分布于第1、3象限,占58.06%,第2、4象限分布了13个地区, 占41.94%,表明我国竞技体育发展呈正的空间自相关关系,空间集聚效应已较明显,但也存在一定的空间异质性。1997~2009年, 国内竞技体育发展的空间自相关关系均出现不同程度的变化,其中,变迁频次较高的地区包括吉林、河北和湖南等,由于这些省份竞技体育发展的波动程度较大,导致其空间依赖关系和集聚水平也发生较大改变。1993~2009年,在空间上始终位于第1象限的有山东、江苏及上海;第2象限包含安徽、江西与广西;第3象限有新疆、甘肃、山西、陕西、宁夏、青海、西藏、重庆、云南、贵州和海南;第4象限仅包括四川和广东。因此,通过20年的发展,我国竞技体育水平已得到较大幅度提升,但区域间的极化效应越来越明显,全国三大区域(东、中、西部)竞技体育发展的空间自相关作用逐渐增强,各区域内的空间依赖关系进一步明确,且这种向各自地带逐步收敛的趋势也更加显著。
空间自相关 篇6
区域发展过程中产生差异是一种必然的社会现象, 目前国内外学者关注的是区域的差异话题, 同时我们都知道经济增长离不开工业化。因此, 区域工业发展差异是区域经济差异产生的根源。区域的工业差异问题也表现在中国的西部地区的贵州省, 适当的工业差异有利于推动资源的有效配置和产业的空间转移, 但差异过大也会弱化区域工业分工与合作, 甚至影响到区域经济发展和社会稳定。因此本文深入的分析贵州省区域工业差异的变化规律, 对于贵州省今后探索工业的协调发展具有重要的理论和实践意义。
20 世纪70 年代, Tobler提出“地理学第一定律:万物都是有相关性的, 但近处的东西比远处的东西相关性更强”[1]。变量在同一个分布地区的观测数据之间潜在的相互依赖性叫做空间自相关 (spatial autocorrelation) 。区域的经济差异越来越受到关注, 本文用空间自相关的方法对贵州省的区域工业差异进行分析, 不仅可以展示贵州省的区域差异的大格局特征, 还可以分析贵州省内工业发展的具体情况。随着空间分析技术的不断发展, 空间自相关分析也日趋成熟, 目前, 空间自相关被广泛应用到旅游、土地利用、经济发展等各个方面[2,3,4,5,6]。
1 研究区概况
贵州省位于中国西南部, 位于东经103°31′~109°30′, 北纬24°30′~29°13′。贵州省国土总面积为176 167 km2, 占全国总面积的1.8%。贵州省88个县 (市、区) , 省会贵阳市。贵州省属于中国西部高原山地, 地势自中部向北、东、南三面倾斜, 整体呈现西高东低, 平均海拔在1 100 m左右。全省地貌有高原山地、盆地、丘陵三种基本类型, 省内山脉众多、地表崎岖破碎, 喀斯特地貌非常典型。
2 数据与方法
2.1 数据的来源
1) 本文资料来源于 《贵州省统计年鉴》, 选取了2000 年、2005 年、2010 年作为研究对象, 用人均工业产值作为研究指标, 空间分析尺度为贵州省88个县 (市) , 进行空间自相关的分析。
2) 贵州省的行政区划图。
2.2 方法
空间自相关分为全局空间自相关和局域空间自相关, 首先要先确定空间权重矩阵, 再进行空间的自相关分析。本文借助Geoda10.0 软件实现了空间自相关分析。
3 实证研究
3.1 贵州省人均工业产值在空间差异分析
贵州省人均工业产值是由地区工业总产值与地区总人数相除, 反映该区域劳动投入的经济效益及产出效益。运用Arc Gis9.3 软件, 结合贵州省各县的人均工业产值数据, 把贵州省2010 年的人均工业产值分成6 个等级, 因此就得到贵州省人均工业产值等级分布图如下页图1 所示。贵州省的地域辽阔、各县域的经济发展水平、工业发展、自然资源等差别较大, 使得各地的人均工业产值表现出较大的空间差异。贵州省2010 年工业总产值是16 150 709 万元, 人均工业总产值325 478 万元。
从贵州省的人均工业产值等级分布图来看, 人均工业产值较高的地区是白云、龙里、息烽、玉屏、仁怀、六盘水、盘县。从地区的角度来看, 贵阳、遵义地区以及六盘水地区是贵州省人均工业产值最大的区域, 黔东南和黔西南、铜仁和毕节地区的人均工业产值相对较低。总体而言, 贵州省各县的人均工业产值呈现中间高四周低的趋势。为了分析县域人均工业产值对其周围的人均工业产值的高低是否有影响, 所以我们有必要对其人均工业产值作相关性的分析。
3.2 贵州省各县人均工业产值全局空间自相关分析
通过Geoda软件对人均工业产值数据进行全局空间自相关分析, 得到Moran’s I的值, 2000 年Moran’s I值为0.04, 2005 年Moran’s I值为0.45, 2010 年Moran’s I值为0.28, 可知贵州省各县的人均工业产值的空间自相关性2000 年不是很明显, 2005 年空间自相关性较强, 2010 年比2005 年相关性小。总体上, 贵州省的人均工业产值在空间上聚集。从2000年到2005 年显著增加, 2005 到2010 年相对减少。空间自相关性具体表现为人均工业产值较高的县趋于和人均工业产值较高的县相邻, 人均工业产值较低的县趋于和人均工业产值较低的县相邻。贵州省各县人均工业产值表现出较明显的空间正相关性, 人均工业产值的空间分布呈现明显的空间二元结构, 各区县的人均工业产值高高低低集聚分布, 人均工业产值的差异较为显著, 从2000 年、2005 年、2010 年贵州省地区人均工业产值Moran’s I的值可以看出贵州省工业分布存在很显著的空间依赖, 具有地理上的集聚特征。
3.3贵州省各县人均工业产值局部空间自相关分析
由20 世纪90 年代Anselin提出的局部空间相关性是局部空间关联指数LISA (Local Indices of Spatial Association) , 可以揭示空间参考单元与其邻近的空间单元属性特征值之间的相似性或相关性, 识别到空间集聚和空间孤立特征, 探测空间异质性等[7]。
根据贵州省各县的人均工业产值数据, 利用Geo Da10.0 软件, 得到LISA聚集图, 如下页图2, 3, 4所示。不同的颜色代表不同的空间相关性的类别, 红色代表高高集聚, 2000 年遵义地区、花溪、白云的人均工业产值较高, 到2005 年以贵阳市为中心, 白云、花溪、龙里、清镇人均工业产值较高, 在到2010 年整个贵阳周边、遵义地区的人均工业产值都较高;蓝色表示低低集聚, 2000 年遵义和铜仁的小部分地区人均工业产值都较低, 到2005 年遵义和铜仁地区的人均工业产值低的范围进一步扩大, 还包括黔东南的小部分地区, 在到2010 年, 人均工业产值低的范围在2005 年的基础上又增加了一些县域;紫色代表低高集聚, 2000 年绥阳和余庆的人均工业产值远低于其周边县域的人均工业产值, 到2005 年变化为威宁、修文的人均工业产值低于周边, 再到2010 年习水的人均工业产值低于周边地区;淡粉色代表高低集聚, 2000 年、2005 年没有高低集聚分布的区域, 2010 年贞丰县的人均工业产值远高于周边的县域;而无色则为不显著。
贵州省的工业总产值从2000 年5 008 013 万元, 发展到2010 年的16 150 709 万元, 贵州省的工业发展在这十年来发展很快, 特别是在贵阳的周边地区。人均工业产值较高的县域大体上呈现区域式增加, 人均工业产值较低的县域也呈现区域式增加。贵州省工业的发展非常不均衡, 造成这种分布的原因主要是基于贵州省的地形地貌特点, 位于云贵高原上, 远离发达地区, 制约了工业的发展;贵州省的经济发展水平较低, 资金、技术等投资较少。2000 年工业发展较快的是贵阳和遵义, 随着贵州省经济的发展, 贵阳市是贵州省的行政中心, 交通比较发达, 所以到2005 年发展到以贵阳市为中心, 同时带动了其周边花溪、白云、乌当、清镇的工业发展。2010 年的工业发展又在2005 年的基础上, 以贵阳为中心, 辐射范围更大, 包括开阳、修文和遵义。地理位置上, 各地区和贵阳市毗邻, 贵阳的发带动了周围经济的经济发展, 而当贵阳市发展达到一定程度时, 就需要扩大周边地区投入和生产。贵阳市就形成一个增长极, 经济的增长率先发生在增长极上, 然后通过各种方式向外扩散, 对整个经济的发展产生影响。贵阳市的发展带动了其周边地区的工业发展, 这就形成了人均工业产值的高集聚。黔东南、铜仁地区、遵义的小部分地区由于本身地形的限制, 不能够大规模地机械化发展工业, 经济发展较慢, 且空间位置上也相邻, 就形成了人均工业产值低低集聚地区。
4结语
笔者通过对2000 年、2005 年、2010 年贵州省各县的人均工业产值数据进行分析, 得到贵州省的人均工业产值与空间上存在正相关性。说明了贵州省的人均工业产值在空间分布上表现集聚性的特点, 并不是随意分布的。人均工业产值高的县域趋于和人均工业产值高的县域相邻、人均工业产值低的县域趋于和人均工业产值低的县域相邻。目前贵州省人均工业产值较高的贵阳、遵义地区, 其趋势是逐步向周围地区扩散。主要是铜仁、黔东南、遵义的部分地区人均工业产值较低。贵州省在空间上出现这种分布的原因主要是经济发展不平衡, 且地形复杂, 制约了贵州省工业的发展, 进而就导致贵州省的人均工业产值分布不均衡。
本文基于Geo DA软件对其人均工业产值进行了空间自相关分析, 很明显地看到贵州一带的人均工业产值在区域上分布的差异性。用空间自相关分析人均工业产值的空间相关性, 来显示区域工业差异, 也存在一些不足之处, 人均工业产值仅是单一变量, 不能很全面地看出区域工业方面的差异。在日后研究中可以试着用工业的增加值, 固定资产总额, 城乡居民消费总额等进行研究。
参考文献
[1]Tobler WR.A computer movie simulating urban growth in the Detroit region[J].Economic Geography.1970, 46:234-240.
[2]张树萍, 胡敏杰, 雷能忠.安徽省旅游开发空间自相关统计[J].合肥工业大学学报 (社会科学版) , 2012, 26 (4) :31-35.
[3]刘敏, 赵翠微, 施明辉.贵州山区土地利用变化多尺度空间自相关分析[J].农业工程学报, 2012, 28 (20) :239-246.
[4]公云龙, 张绍良, 章兰兰.城市地价空间自相关分析——以宿州市为例[J].经济地理, 2011, 31 (11) :1 906-1 911.
[5]刘玉, 周艳兵, 王国刚, 等.环渤海地区县域经济发展时空分异研究[J].地域研究与开发, 2012, 31 (4) :52-55.
[6]黄飞飞, 张晓林, 余华, 等.基空间自相关的江苏省县域经济实力空间差异研究[J].人文地理, 2009, 2 (24) :84-89.
[7]万鲁河, 王绍巍, 陈晓红.基于Geo DA的哈大齐工业走廊GDP空间关联性[J].地理研究, 2011, 30 (6) :977-984.
[8]华娟, 涂建军, 孔露平, 等.基于空间自相关的重庆区域经济时空差异研究[J].西南大学学报, 2012, 34 (10) :118-123.
[9]席路瑶, 赵翠薇.贵州省化肥施用量的空间自相关分析[J].广东农业科学, 2014, 41 (2) :79-82.
空间自相关 篇7
1 研究区域
攀枝花市是典型的山地城市, 城市发展以工业布局为主线, 城市道路设施规划受地形地貌及工业现状制约, 导致道路设施布局不均衡, 郊区道路设施利用率低, 形成闲置和浪费, 而城市中心区道路设施供给紧张, 形成道路拥挤和堵塞。目前, 攀枝花市正处于产业转型期, 根据新的发展规划需要重新规划道路设施布局。本文以攀枝花市道路体系结构和5个区县共计44个乡镇人口数据为研究对象, 以攀枝花市第六次人口普查数据和城市道路现状数据为基础, 首先建立对应的权重矩阵, 进行可视化空间分布分析, 获取道路设施和人口分布的基本区域分布情况;接着进行道路设施和人口分布的单变量全局关联性分析;最后开展道路设施和人口分布的双变量全局空间自相关和局部空间自相关分析[3—5], 从而揭示道路设施布局与人口分布的空间关联特征, 指导城市规划布局。
2 方法与过程
2.1 研究方法
空间自相关[6—8] (spatial autocorrelation) 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。空间自相关分析 (spatial autocorrelation analysis) 是检验具有空间位置的某要素的观测值是否显著地与其相邻空间点上的观测值相关联[9], 分为空间正相关和空间负相关。其中空间正相关性是指空间上分布临近的事物其属性也具有相似的趋势和取值, 空间负相关性指空间上分布临近的事物其属性具有相反的趋势和取值。空间自相关包括全局空间自相关 (global spatial autocorrelation, GSA) 和局部空间自相关 (local spatial autocorrelation, LISA) 两种类型[10]。
2.1.1 全局空间自相关
全局空间相关性分析一般侧重于研究区域空间对象某一属性取值的空间分布状态, 通常使用Moran’s I作为全局空间自相关性指标, 该系数是用来衡量相邻的空间分布对象及其属性取值之间关系的参考系数。取值范围在-1~1之间, 正值表示该空间事物的属性分布具有正相关性, 负值表示该空间事物的属性分布具有负相关性, 0表示该空间事物的属性分布不存在相关性[11,12]。计算公式如下:
式 (1) 中
式中wij是空间单元i、j之间的空间权重矩阵, n为空间单元总数, xi为空间单元i的属性值, xj为空间单元j属性值, s2为空间单元属性的方差, x-为空间单元属性的平均值。I为Moran指数, 取值范围从-1到1, 当I=0时, 代表空间无关;当I取正值时为正相关;当I取负值时为负相关。
空间权重矩阵W表达了不同空间对象之间的空间布局, 如拓扑、邻接关系等。权重矩阵的选择正确与否关系到模型的最终估计结果。通常定义一个二元对称空间权重矩阵W来表达几个位置的空间区域的邻近关系[13], 其形式如下
W表示区域i、j的邻近关系, 根据邻接标准或距离标准度量。邻接矩阵有各种不同形式, 基本上分为以距离为基础和以多边形为基础两种类型。以区域为基础的邻接矩阵有rook和queen两种, rook以上下左右定义邻接关系, queen在rook的基础上再加上对角线。以距离为基础的邻接矩阵是将一定距离以内定义为邻接。先指定X、Y坐标变量, 计算机自动计算所有两区块最短距离的平均作为基数, 以此基数的倍数定义为邻接距离[12]。现采用以区域为基础的rook矩阵。
2.1.2 局部空间自相关
局部空间自相关是研究范围内各空间位置与各自周围邻近位置的同一属性相关性。其发展是由全局空间相关性分析向局域或单个空间研究对象分解而来, 目的在于分析某一空间对象取值的邻近空间聚类关系、空间不稳定性及空间结构框架。特别是当全局相关性分析不能检测区域内部的空间分布模式时, 空间局域相关性分析能够有效检测由于空间相关性引起的空间差异、判断空间对象属性、取值的空间热点区域和高发区域等, 从而弥补全局空间相关性分析的不足。其公式为
式 (4) 中各参数含义同式 (1) 。为了检验I值的显著性, 通常需要采用蒙特卡罗模拟方法做显著性检验[14,15]。
2.2 过程分析
采用ARCGIS10.0进行空间分布分析, 运用Geoda095i计算空间自相关指标系数, 并采用蒙特卡罗模拟方法做显著性检验。
2.2.1 道路设施空间布局、空间自相关分析
(1) 道路设施空间分布。
以攀枝花市5个区县44个乡镇为研究单位, 通过计算道路体系网络密度研究道路设施的空间分布。道路体系网络密度计算方式如下。
设乡镇i的道路网络密度为ρi, 乡镇内高速路hi、省道pi、县道ci以及乡道ti, 区域内交通道路总长为L, 乡镇面积为Sq, 则:L=hi+pi+ci+ti, ρi=L/Sq。
根据道路网络密度计算公式测算出各乡镇交通网络密度, 采用ARCGIS软件空间分析功能分析攀枝花市各乡镇道路网络密度空间分布如图1。
分析结果表明, 攀枝花市各乡镇道路网络密度显示出显著的空间差异, 其道路网络高密度区主要集中在东区及东区周边。另外, 地处攀枝花市边界与其他市交界通往成都、西昌方向的湾丘乡、通往云南省的仁和区平地镇均具有较高的交通网络密度。总的来说, 交通网络分布不均衡, 中心城区交通网络密度高于其他区县。为了进一步分析各乡镇的空间分布情况, 采用全局空间自相关对攀枝花市道路网络密度进行分析。
(2) 道路设施空间自相关分析。
全局空间自相关的功能在于描述某种地理现象或某一属性值的整体分布, 判断此现象或属性值在空间上是否有聚集特性存在。采用全局空间自相关对攀枝花市各乡镇的交通网络密度, 判断该市道路网络是否具有空间自相关性, 并在此基础上分析道路网络结构的空间分布特征。根据全局空间自相关分析结果 (图2) , Moran’s I=0.385 6, 表明攀枝花市道路网络密度呈空间正相关。
为了验证Moran’s I值是否显著, 在Geoda095i软件中采用蒙特卡罗模拟的方法来检验, 计算结果得出p=0.003, 即在99.7%置信度下的空间自相关显著。其结果表明攀枝花市道路网络密度呈非常显著的空间正相关关系, 即道路空间分布存在高密度区域与高密度区域相互邻接, 低密度区域与低密度区域相互邻接的趋势, 空间分布上集聚现象显著。
2.2.2 人口分布空间自相关分析
(1) 人口密度空间分布。
根据攀枝花市第六次人口普查数据, 运用ARC-GIS软件生成人口密度空间分布 (图4) 。
从人口密度分布图可以看出, 攀枝花市人口密度以东区为中心向东北方向辐射, 正北方向人口密度较小。结合各区县地理区位情况分析, 该市人口主要集中在东区、西区, 仁和区靠近东区片区以及米易县至成都、西昌方向片区人口密度也较集中, 盐边县人口密度相对较小。整体而言, 攀枝花市人口分布不均衡, 存在空间聚集和空间分异现象。
(2) 人口分布空间自相关分析。
为了研究人口分布的空间聚集特征, 本文运用空间自相关分析方法分析攀枝花市人口密度空间分布情况, 分析空间布局特征。人口密度空间分布的全局空间自相关分析结果见图3。分析结果表明, Moran’s I=0.122 5, 攀枝花市各乡镇的人口分布存在空间自相关和空间聚集性。同样, 在Geoda095i软件中采用蒙特卡罗模拟的方法检验, p=0.013, 即在98.7%置信度下的空间自相关显著。
2.2.3 道路设施与人口分布的空间自相关分析
经分析, 攀枝花市道路设施布局和人口分布均存在空间自相关, 为进一步分析两者之间的空间关联关系, 分别采用双变量全局空间自相关和双变量局部空间自相关方法分析道路设施布局与人口从整体到局部的关联性。
(1) 双变量全局空间自相关。
以人口密度为第一变量, 道路设施密度为第二变量, 利用上述全局空间自相关分析方法分析道路设施与人口密度的空间关联性。根据分析结果, Moran’s I=0.236 7, 表明攀枝花市人口分布与道路设施空间部分存在空间关联性, 且为正相关。采用蒙特卡罗模拟的方法来检验, p=0.008 0, 即在99.2%置信度下的空间自相关显著。
(2) 双变量局部空间自相关。
局域空间自相关通过比较观测值和相邻值与全局的关系, 能更准确的把握局部空间要素的集聚与分异特征, 分析全局空间自相关中集聚区的具体地理分布。以人口密度和道路设施密度为变量, 运用局部空间自相关聚类分析法分析两者间的局部聚类情况。分析结果见图6。
图中不同颜色代表不同聚集类别, 其中红色指高-高聚集表示该地块与周边地块密度值均较高, 蓝色指低-低聚集表示该地块与周边地块密度值均较低, 白色地块表示无明显相关特征。通过局部空间相关分析可以看出, 攀枝花人口分布与道路布局存在两处高-高聚集区和低-低聚集区。结合攀枝花地图, 高-高聚集区分别由银江镇、前进镇和金江镇构成, 说明这几个镇的人口密度和道路设施密度均较高。而低-低聚集区主要集中在攀枝花市北偏西方向, 与凉山彝族自治州交界处, 表明该区域人口密度和道路设施密度均较低。这也充分说明了攀枝花市人口与道路设施空间分布不均衡, 中心城区人口密度大, 道路设施完善, 偏远地区人口分散, 道路设施建设相对滞后。同时也揭示了人口分布受道路布局影响程度大, 人口分布与道路设施空间布局的正相关关联性。
3 讨论与结论
以攀枝花市第六次人口普查数据和城市道路设施现状为支撑, 对其进行了空间统计分析。通过空间分布分析和单变量空间自相关分析, 得出攀枝花市人口分布和道路设施布局均存在空间聚集现象, 且Moran’s I值均为正, 表明存在空间正相关关联性。通过对人口分布和道路布局做双变量空间自相关分析, 得出两者间亦存在正的空间关联性, 同时存在“高-高”聚集区和“低-低”聚集区。“高-高”聚集区主要集中在城中心及周边, 而“低-低”聚集区主要集中在偏远地区及边界区, 这也充分说明了攀枝花市人口和道路空间分布不均衡, 城市中心区人口密度及道路设施均优于边界区。基于研究结果, 建议攀枝花拓展中心城区辐射范围, 均衡化道路设施布局, 从而合理分化人口分布。同时, 通过本文分析, 进一步证实了攀枝花市人口分布与道路设施布局之间相互影响的关系, 为下一步城市道路设施的规划布局提供了新的依据和方向。
摘要：以攀枝花市各乡镇人口数据和道路路网结构为基础, 运用空间分析技术综合研究人口分布和道路空间布局特征以及两者之间的空间关联性。研究表明:人口分布和道路布局均具有空间关联性, 且均为正相关, 说明该市人口分布和道路布局并非完全随机性, 而是遵循空间相似值之间的空间聚集。为进一步探讨人口分布与道路布局之间的空间关联关系, 采用双变量空间自相关对两者进行分析, 结果表明人口分布与道路布局亦存在较强的正相关关联性。同时, 局部空间自相关聚类图显示存在人口分布和道路布局“高-高”聚集和“低-低”聚集片区, 说明人口聚集程度受道路密度影响较大, 进一步证实了两者间相互影响的关联关系。研究结论为攀枝花市城市规划提供了新的研究思路和理论支持。
空间自相关 篇8
人们常采用数理统计方法对道路事故发生的原因进行分析,对事故的发生率进行统计,通过建立相应的模型预测和评价道路交通安全。传统的统计模型要么只注重数值之间的相关性,如一元和多元相关分析,要么只注重二维空间上的联系,如地理信息系统中的空间关系和空间叠加分析等。空间自相关技术是研究空间模式时间变化的有效工具。它能提供理解空间模式从过去到现在、从现在到未来变化的知识,能够揭示导致空间模式变化的驱动因子[1,2]。
科学的空间统计模型应该兼顾统计数据和统计量的空间位置变化情况,在分析空间关系的基础上进行数值的相关性分析。空间统计的研究主要围绕着变量空间分布理论和估计方法展开。正是基于此,与传统的统计理论相比,空间的相关技术,具有较多优点与特色,并在具体道路交通事故研究实践中迅速发展。
1 空间自相关方法
研究空间中某个空间单元与其周围的单元之间,就某种特征,通过统计方法,进行空间相关性程度的计算,以分析这些空间单元在空间上分布现象的特性。也就是说,空间自相关研究的是不同观察对象的同一属性在空间上的相互关系[3,4]。探测和分析空间对象的分布模式可利用一些全局和局部空间统计量。
空间自相关是根据位置相似性和属性相似性的匹配情况来测度的。位置的相似可通过空间接近性矩阵或权重矩阵W来描述,而属性值的相似一般通过交叉乘积xixj,或平方差异(xi-xj)2,或绝对差异|xi-xj|来描述。若存在正空间自相关,则在近邻的空间位置上属性值的差异小;若存在负的空间自相关,则近邻的位置上属性值的差异大。此外空间自相关程度各不相同,其强度是可测度的。强的空间自相关意味着近邻对象的属性值高度接近,而无需考虑是正值还是负值。图1是3种典型的空间自相关模式[5]。
1.1 空间权重
最初由Moran和Geary开发的空间依赖性的测量,或更精确地说,空间自相关的测量是建立在空间单元相邻与否的二元逻辑基础上的。按照这一定义,邻居的结构由0-1来表达:空间相邻指2个空间单元共有非零长度的边界,从而赋予1的空间贴近度。
通常定义一个二元对称空间权重矩阵W,来表达n个位置的空间区域的邻近关系,其形式如下:
式中:Wij为区域i与j的邻近关系,它可以根据邻接标准或距离标准来度量。
2种最常用的确定空间权重矩阵的规则:
1) 简单的二进制邻接矩
2) 基于距离的二进制空间权重矩阵
从上面的分析可以明显地看出,对于一个线性路线上任何集合的n个部分,将会有2(n-1)个连接。例如,如果A,B,C 是一个线性路线上的部分,那么就会有4个连接,包括AB,BA,BC,和CB。
1.2 Moran模型
其表达式如下:
式中:n为研究对象的数目,Xi为观测值;
方差:
Var
式中:
本文使用的空间自相关统计量由Moran's I衍生,即以近似正态假设为前提对所计算出的Moran's I值进行标准化,得到检验统计量Z。根据Z值对原假设“变量在所讨论的空间区域上呈随机分布”得到检验统计量Z。然后根据Z值对原假设进行检验,以判断空间自相关是否存在。检验时取显著性水平α=0.10(双侧检验)。
其中:Z=[I-E(I)]/[VAR(I)]1/2
当Z值为正且显著时,表明存在正的空间自相关,也就是说相似的观测值(高值或低值)趋于空间集聚;当Z值为负且显著时,表明存在负的空间自相关,相似的观测值趋于分散分布;当Z值为零时,观测值呈独立随机分布。
为了对不同的相关性作出比较,本文结合一理想状态下的例子加以说明。假设有5条线形路段,具有相同车流、相同长度、相同的事故数量的平均值和标准偏差。其总合是50,平均数是5,标准偏差是2.236。事故在路段的具体分布如图2和图3所示。
通过计算得到这5个路段上的事故空间自相关指数,结果如表1所列。
从表1可以看出,在0.01显著水平(Z=2.58)下,A为正自相关,E为负自相关;在0.05显著水平(Z=1.96)下A、B为正自相关,D、E为负自相关;C为非自相关。
正自相关在公路上相邻的路段具有相似的事故几率。可以表明这一路段上的某些因素(如天气或设计因素等)与相邻路段事故的增加有着因果关系。负网络自相关可以表明公路上相邻路段有着不同事故率的趋势。这是由分析得出的结果,但在观察试验中却很少发生,除非所在其他的路段上都有一个出口或通道,能在那些路段上造成额外的事故。
2 实例分析
选取国内某城市路网为研究对象,如图4所示。
通过计算得到这个路网上20个不同路段的交通事故空间自相关指数,结果如表2所列。
从计算结果可以看出,在0.01显著水平下(Z=2.58)路网中,R2、R12、R13、R18路段上的交通事故呈现显著的正空间自相关特性:
公路R2(Z=4.56>2.58)为该城市的环城快速路,该路与城市主要干道、2条过境国道、1条高速公路相联通,交通情况复杂、车速快、车流中多为载货车辆,外地司机较多导致了该路上交通事故呈现显著的空间自相关特性。
R12(Z=4.53>2.58)为1条高等级国道,此公路的环城公路以外的路段上,车流中有相当比例的重型农用三轮车。这些车辆驾驶者为谋取暴利,在证照不全的情况下,在夜间超载、超速行驶,导致了该路段上路况变化和视线不良的地点造成了大量事故的聚集,使该路段上交通事故呈现出显著的正空间自相关特性。
R13上的事故相关性要归因于该城市老城区路段R6~R10的交通流的汇入,从地图上可以看出,此路段要承担5条横向路段的纵向交通,且此路交叉口分布较密,以上这些原因造成了事故的发生,多聚集于各个交叉口处,所以此路段的交通事故呈现显著的空间自相关特性。
R18为该城市1条主干道,路况较好。该路北接高速公路,南达该城市火车站,车流中客车比例较高。据调查,很多驾驶员从高速公路出来进入该路段后惯性的以较高速度驾驶,该路段交叉口处违反交通规则数量明显高于路网上其他交叉口,造成此路段经常发生交通事故。同时,这些事故呈现出显著的空间自相关特性。
路网上其他路段的交通事故呈随机分布状态,尤其是城市中心区各个路段。城市中心区为老城区,为商用和住宅用地,该区域道路建造时间早、路副窄、路段上行人和自行车流比例大,交通流速度低。从上述分析可以看出,路段R2、R12、R13、R18上交通事故呈现明显的聚集,呈现显著的空间正关联性。通过首先确定路段上交通事故的空间自相关性,可以筛选出道路交通事故明显聚集的路段,为进一步确定这些路段交通事故的产生原因奠定了基础。
3 结 论
本文以事故发生的空间位置为对象,研究道路交通事故的空间自相关特性,分析道路交通事故的空间分布规律。空间自相关分析法是研究道路交通事故的地域聚集性的一种新方法,此方法可以严格、精确地筛选路网上道路交通事故聚集的路段,并可以帮助揭示道路交通事故的产生原因、提出具体预防措施和验证预防措施的有效性。
参考文献
[1]王劲峰.空间分析[M].北京:科学出版社,2006
[2]Young W,Roberts A,Stuhne G.Reproductibe paircorrelations and the clustering of organisms[J].Na-ture,2001,415(6844):328-331
[3]张利田.珠江水系河水离子总量空间白相关特征[J].中山大学学报:自然科学版,2000,39(1):101-104
[4]陈小勇,林鹏.我国红树植物分布的空间自相关分析[J].华东师范大学学报,2000,9(3):104-109
空间自相关 篇9
许多地理现象由于受到在地域分布上具有连续性的空间过程影响而在空间上具有自相关,空间自相关是指一个区域内分布的地理事物的某一属性和其他所有事物的同种属性之间的关系[5]。它是对某一地理变量空间分布中相邻位置间的相关性进行检验的一种统计方法,可以揭示区域化变量取值的空间分布特征[6],分为空间正相关和空间负相关。空间正相关表明某个单元的属性值变化与其相邻空间单元的属性值具有相同的变化趋势,空间负相关表示某个单元属性值的变化与其相邻单元具有相反的变化趋势。空间自相关包括全局空间自相关和局部空间自相关两大类。空间自相关分析已经应用于社会[7]、经济[6]、自然[8]领域。尽管在土壤侵蚀方面的应用尚不多见,但已有的研究成果为本文的实证分析提供了有益的借鉴。
江西省兴国县是南方红壤丘陵区的典型代表性区域,是长江以南水土流失最严重的地区之一。1980年总流失面积达1899.16 km2,占全县面积的84.78%,其中重度流失面积为670.03 km2,占流失面积的35%;植被覆盖率仅有28.7%;侵蚀模数为1224.2 t/km2·a,1983年经国务院批准列为全国水土保持重点治理县[9]。国内学者对兴国县的土壤侵蚀(水土流失)进行了大量的研究,梁音等[10]和高彦华等[11]利用遥感调查方法对兴国县的土壤侵蚀进行了动态监测和研究,王库等分别运用结合GIS的多标准评价方法[12]、转换矩阵法[13]和景观格局分析方法[14]对兴国县土壤侵蚀的演变和现状进行了分析与评价。目前还没有出现利用GIS-USLE(或者GIS-RUSLE)研究该典型区土壤侵蚀的文献。
基于此,本研究根据USLE的基本原理,以兴国县为研究区域,结合国内外对土壤侵蚀敏感性评价的研究成果及当地的自然环境特征,选取合适的土壤侵蚀敏感性评价因子:(1)降雨侵蚀因子、(2)土壤可蚀性因子、(3)地形因子和(4)植被覆盖因子,运用GIS技术对研究区的土壤侵蚀敏感性进行综合评价,借助Geo Da软件,对土壤侵蚀敏感性进行空间自相关分析,以期客观评价水土保持治理的效益,为进一步指导水土保持建设与生态环境建设规划提供参考。
1 研究区概况
兴国县位于江西省中南部(图1),东经115°01′~115°51′,北纬26°03′~26°41′,面积3214.46 km2。地貌以低山、丘陵为主,局部有中山、低山。地势由东北西边缘逐渐向中南部倾斜,形成以县城为中心的小盆地。兴国系亚热带季风湿润气候:年平均气温为18.8℃,日照1926.5 h,年平均降雨量为1515.6 mm。土壤以红壤为主,还有黄壤、紫色土、水稻土等。以亚热带常绿阔叶林为主的原始植被由于人为毁坏,现存很少,绝大多数已退化成次生林、荒山灌丛和草被,甚至没有任何植被的裸地。近二十年以来,全县森林覆盖率稳步上升,但“远看绿油油,近看水土流”仍然是兴国县的一大弊病。
2 数据和方法
2.1 数据来源
本文的数据来源于中国科学院地理科学与资源研究所,遥感影像为2005年8月12日的Landsat TM遥感影像,辅助数据包括降水、土壤和DEM等。这些数据都已处理好。
2.2 研究方法
2.2.1 通用土壤流失方程
通用土壤侵蚀方程(USLE)是评价土壤侵蚀敏感性的一种常用方法,其表达式如下:
式中:A为侵蚀模数;R为降雨侵蚀力因子;K为土壤可蚀性因子;LS为地形因子,L为坡长因子,S为坡度因子;C为植被覆盖因子;P为土壤侵蚀控制措施因子。
本研究根据USLE的基本原理,结合研究区具体情况,并参考国务院西部地区开发领导小组办公室和国家环保总局于2002年7月30日发布的《生态功能区划暂行规程》,选择影响土壤侵蚀敏感性的R、K、LS和C因子,对兴国县的土壤侵蚀敏感性进行综合评价。土壤侵蚀敏感性是由自然因素所决定的生态系统对人为影响反映的敏感程度,农业措施因子(P)是与人类活动密切相关的因子,对自然生态系统的反应不太敏感[4],本文不予考虑。
各评价敏感性因子计算和分级赋值标准详见表1。其中,R因子采用周伏建等[15]提出的适合南方地区R值的简易计算公式,参照汤小华等[16]对福建省降雨侵蚀因子的分级标准;LS因子采用隋欣等[17]计算LS的方法,参照陈燕红等[3]对福建省吉溪流域地形因子的分级标准;K取值直接取自梁音等[18]的研究成果,并参照他们对我国东部丘陵区土壤可蚀性级别的分级标准,本研究将>0.30的K值定义为极敏感等级;本文利用蔡崇法等[19]建立的坡面产沙量和植被覆盖度的数学关系模型,取兴国县K的平均值0.28,建立了兴国县植被覆盖因子C与植被覆盖度的数学表达式(表1),参照陈燕红等[3]对福建省吉溪流域植被覆盖因子的分级标准。
在软件Arc GIS 9.2环境下,根据各敏感性因子的取值,生成各因子的栅格图层,栅格大小为30 m×30 m。然后根据各因子的分级赋值,利用Manual分界法分5级,在Break Value中依次输入各评价因子的敏感性等级的分界数值(以植被覆盖因子C为例,在Break Value中依次输入0.01、0.09、0.20、0.45),生成各土壤侵蚀敏感性因子分级图。
2.2.2 土壤侵蚀敏感性指数
单因子反映的土壤侵蚀敏感性,只是反映了某一因子的作用程度,没有将研究区土壤侵蚀敏感性综合反映出来。因此,将上述各单因子敏感性影响分级图进行乘积计算,得到每一个栅格上的土壤侵蚀敏感性指数,公式如下:
式中,SSj为j栅格的土壤侵蚀敏感性指数;Cji为j栅格i因子敏感性等级值。
根据计算结果,采用自然间断法(Natural break)将研究区的土壤侵蚀敏感性分为5个等级,生成兴国县2005年的土壤侵蚀敏感性等级综合评价图。自然间断方法是利用统计学的Jenk最优化法得出的分界点,能够使各级的内部方差之和最小。
2.2.3 全局空间自相关
全局空间自相关可以定量的测度某种地理现象在空间上的总体关联与差异程度,常采用Global Moran’s I指数来测度,其计算公式如下:
注:植被覆盖度的计算公式为Fc=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil),详细计算过程可参照文献[20]。
式中,n表示研究对象的数目;xi和xj为观测值;为均值;Wij为空间权重矩阵W的元素,是指区域或位置i和j的空间权重(如果区域位置i与j相邻,Wij=1,否则Wij=0)。
用标准化统计量Z来检验n个区域是否存在空间自相关关系,计算公式为:
式中,E(I)与VAR(I)分别为Moran's I的期望值与方差。通常,当|Z|>1.96(α=0.05),可以拒绝零假设H0(n个空间对象属性取值之间不存在空间自相关性),变量在空间上存在显著的空间自相关性。Moran’s I的取值范围[-1,1],在给定的显著性水平下,当Moran’s I>0时,存在正的空间自相关,空间地理现象呈集聚态势;当Moran’s I<0时,存在负的空间自相关,空间地理现象呈离散状态;当Moran’s I=0时,则呈随机分布,不存在空间自相关。
2.2.4 局域空间自相关
局域自相关就是通过对各个子区域中的属性信息进行分析,探查整个区域属性信息的变化是否均质或者异质。揭示空间自相关的空间异质性可以用LISA(Local Indicators of Spatial Association)来表示。本文所采用的是Local Moran’s I指数。从本质上看,Local Moran’s I是将Global Moran’s I分解到了各个区域单元。单元i的局部Moran统计量被定义为:
式中,z'i和z'j是经过标准差标准化的观测值。
与Global Moran’s I一样,需对Local Moran’s I进行显著性检验,检验方法同Global Moran’s I。
Moran散点图在空间自相关分析中能够直观反映出空间自相关程度。将Moran散点图与LISA显著性水平相结合,也可以得到所谓的“Moran显著性水平图”,图中显示出显著的LISA区域,并分别标识出对应于Moran散点图中不同象限的相应区域。其可以测度局域空间的异质状况,诊断局域空间集聚的“热点”与“冷点”。Moran散点图的第一(高-高)、三(低-低)象限分别代表了高观测值或低观测值的空间单元为同样是高值或低值的空间单元所包围的空间联系形式,表现为正的局部空间自相关;第二(低-高)、四(高-低)象限分别代表了低观测值或高观测值的空间单元为高值或低值的空间单元所包围的空间联系形式,表现为负的局部空间自相关。
3 结果与分析
3.1 综合评价
研究区土壤侵蚀敏感性等级数量结构见表2。2005年兴国县的土壤侵蚀敏感性等级以轻度敏感和中度敏感为主,两者所占面积分别达到1315.22 km2和943.22 km2,所占面积百分比总计70.25%。土壤侵蚀不敏感等级所占的面积为591.99 km2(18.41%)。极敏感等级所占的面积百分比最小,其次是高度敏感等级,但其面积总和依然达到了364.57 km2,占区域面积的11.34%。这说明尽管兴国县土壤侵蚀敏感性现状总体处于良好阶段,但水土保持的任务还很艰巨。
空间上,兴国县的土壤侵蚀敏感性等级具有一定的水平地域特点(图2)。土壤侵蚀高度敏感区域,包括高度敏感和极敏感,主要分布在西部、南部和中部的某些地区。结合土地利用现状图,发现高度敏感区域内的主要土地利用类型是疏林地,其水土保持措施应加强对疏林地、低价次生林的改造,保护好植被。中等敏感区域,包括中度敏感和轻度敏感,分布广泛,集中于北部、中部和东部。中度敏感区内土地利用类型主要为旱地、水田、裸地和滩涂,这三个地类由于植被覆盖季节性和人类干扰性强,对土壤侵蚀较为敏感,因此对该类区域的水土保持主要采用工程措施来实现;轻度敏感区内的土地利用类型主要为有林地、居民点、工矿交通用地和湿地,该区的土壤侵蚀防治对策就是要搞好水土保持执法监督工作,注意保护好现有的森林资源,严格控制天然林采伐,禁止擅自在10°以上山坡地进行开垦、取土、采石等损害植被的行为,杜绝由于人为因素而产生土壤侵蚀现象。不敏感主要为中部的水域区。
3.2 空间自相关分析
本文的空间自相关分析在软件Open Geo Da 0.9.9.11中进行,运用Arc GIS中的Convert命令将栅格图层转换成空间自相关分析所需的Polygon形式的shape文件。
通过Geo Da计算可知,全区Moran’s I值为0.0736,通过显著性水平α=0.05的检验,说明研究区土壤侵蚀敏感性的区域分布存在一定的正相关和聚集性。
由于全局指标有时会掩盖局部状态的不稳定性,因此在很多场合需要采用局部指标来探测空间自相关[8]。借助Geo Da软件,得到了兴国县土壤侵蚀敏感性的Moran散点图(图3),将Moran散点图与LISA显著性水平相结合,可以进一步分析各区域土壤侵蚀敏感性空间自相关的程度,依据公式(5)计算出兴国县土壤侵蚀敏感性的局域Moran’s I指数,并在5%显著性水平下绘制了LISA集聚专题图(图4 A)和其空间自相关分析的显著性分布图(图4 B)。从图3可知,除不显著区外,占总样本数22.22%的观测区处于第一象限(高-高),30.92%的观测区处于第三象限(低-低),这表明53.14%的观测区存在较强的空间正相关,有均质性,说明这些地区的土壤侵蚀敏感性之间存在着某种关系,相互影响;占总样本数17.18%的观测区处于第二象限(低-高),29.68%的观测区处于第四象限(高-低),这表示46.86%的观测区存在较强的空间负相关,空间单元具有异质性,说明这些地区的土壤侵蚀敏感性相互影响不大,敏感性是自身生态系统稳定性、干扰和恢复的结果,而不是周围生态系统影响的结果。图4 A反映出:(1)高-高型,局部高值聚集类型,即土壤侵蚀敏感性等级高的地区被同时高土壤侵蚀敏感等级地区包围,其主要分布在兴国县的西部和南部;(2)低-高型,局部低值离群点类型,即土壤侵蚀敏感性等级低的地区被高土壤侵蚀敏感等级地区包围,研究区的西部、南部和中部具有零星的分布;(3)低-低型,局部低值聚集类型,即土壤侵蚀敏感性等级低的地区被同时低土壤侵蚀敏感等级地区包围,其主要分布在兴国县的中部和北部;(4)高-低型,局部高值离群点类型,即土壤侵蚀敏感性等级高的地区被低土壤侵蚀敏感等级地区包围,其主要分布在兴国县的北部,中部也有零星的分布。除了图4B白色部分在5%的水平不显著外,其他地区都达到了5%的显著性水平,而且很多地区达到了1%的显著性。
4 结论与讨论
4.1 结论
本文根据通用土壤侵蚀方程(USLE)的基本原理,结合兴国县的自然环境特征,在Arc GIS和Geo Da软件的支持下对研究区2005年的土壤侵蚀敏感性进行了综合评价和空间自相关分析。结果表明:(1)研究区的土壤侵蚀敏感性等级以轻度敏感和中度敏感为主,兴国县水土保持工作卓有成效,但仍有比较大面积的高敏感和极敏感区;(2)土壤侵蚀敏感性等级在空间分布上具有一定的地域性,西部、南部以及中部的某些地区最为敏感,中部的水域区为最不敏感;(3)在5%的显著性水平上,53.14%的土壤侵蚀敏感性观测区存在空间正相关,46.86%的观测区存在空间负相关;(4)高-高型,即局部高值聚集类型区主要分布在兴国县西部和南部,低-低型,即局部低值聚集类型区主要分布在兴国县中部和北部。
4.2 讨论
兴国县县城及其以西和以南地区广泛分布抗蚀性差的花岗岩,植被覆盖度低,且人口压力大,是以前研究中水土流失严重分布区,在本研究中属于土壤侵蚀高度敏感区,表明本文的研究结果和以往的研究成果一致。可见兴国县的土壤侵蚀是自然因子和人为因子综合作用的结果:自然因素是土壤侵蚀发生、发展的潜在条件,人类活动是土壤侵蚀发生、发展或减弱的主导因素。在自然因子中,植被覆盖受人类活动影响最大,因此,转变不合理的土地利用方式,加强植被的保育和植被生态系统的重建是防治土壤侵蚀的关键环节[3,4]。高等级的土壤侵蚀敏感性聚集区集中在兴国县的西部和南部,而中部和北部则主要是低土壤侵蚀敏感性聚集区,土壤侵蚀敏感性高和低等级的空间分布与空间正相关集聚分布基本一致,表明通过空间自相关分析所得到的结论与兴国县土壤侵蚀现状大致相符。这说明USLE和GIS技术相结合的研究方法能够合理地反映出兴国县土壤侵蚀敏感性等级及其空间分布。
空间自相关分析的对象是面状数据,本研究将栅格大小30 m×30 m作为面积单元的土壤侵蚀敏感性图层转换成Polygon形式的shape文件进行空间自相关分析。在同一个图层中,尤其是空间异质性明显的图层中,栅格属性值与栅格大小密切相关,因此,空间自相关与栅格大小即粒度也存在着某种紧密的联系。本文没有进一步探讨粒度对土壤侵蚀敏感性空间自相关的影响机制,这将在以后的研究中积极探索。
摘要：土壤侵蚀敏感性评价是生态环境敏感性评价乃至生态功能区划中一项重要的内容。选取典型红壤丘陵区的江西省兴国县为案例区,基于通用土壤流失方程的基本原理,借助ArcGIS和GeoDa软件,分析了研究区的土壤侵蚀敏感性及其空间自相关性。主要结果表明:①2005年研究区的土壤侵蚀敏感性等级以轻度敏感和中度敏感为主,所占面积百分比总计70.25%,高度敏感和极敏感区面积为364.57 km2;②在5%的显著性水平上,53.14%的敏感性观测区存在空间正相关,集中分布于兴国县的西部、南部、中部和北部,另外,46.86%的观测区存在空间负相关,分散在研究区的北部、南部、西部和中部。研究结果可为当地水土保持建设与生态环境建设规划提供参考。