空间关联性分析
时空关联性分析方法研究与应用
时空关联性分析方法研究与应用摘要：随着信息技术、通讯技术、数字存储技术和高速数据获取技术的迅猛发展，在交通、电力、物流、环境监控、工业生产等领域积累了大量与时间和地理空间相关的数据资源，可这些随时随地获取的、呈爆炸性增长的数据资源在给我们带来丰富信息的同时，“数据越丰富，知识越贫乏”的问题则日益突出。
近年来，越来越多的学者认识到，通过研究空间对象随时间的变化规律，发现数据的时空关联规则，分析数据的时空变化趋势并预测未来的时空状态，对于规划建设、指挥调度、应急管理、信息服务等具有重要的应用价值。
本文研究的目的是面向智能交通领域，在时空关联性分析基础上，利用时空关联规则挖掘方法获取含时空约束的关联规则，从而进行交通拥堵趋势分析，为道路导航、趋势查询、交通控制等提供辅助决策信息。
时空关联性分析是研究空间对象随时间的变化规律，反映时空数据在时间和空间上的关联性，时空关联规则挖掘作为时空关联性分析的主要方法之一，目前已有不少学者对其进行了研究或应用。
本文详细介绍了时空关联规则挖掘的研究现状，通过分析现有时空关联规则算法在同时考虑时间和空间约束方面的不足，实现了一种新的时空关联规则挖掘方法。
文中首先对时空数据进行空间关联性分析和时间段划分形成事务表，然后对空间关联的项集进行连接并产生时空关联规则。
在算法执行过程中，对关联规则挖掘相关的阈值进行了分析，使挖掘所得的结果能更好的满足用户的需求。
算法分析和实验对比表明，同时考虑时间和空间约束，能够在分析过程中及时过滤不相关的数据，提高时空关联规则的获取效率，能够有效地发现时空关联规则。
在理论研究的基础上，本文设计并实现了一个基于时空关联规则分析交通拥堵趋势的原型系统，可有效地实现时空关联性分析和结果的可视化。
关键词：时空关联性分析，时空关联规则，可视化，阈值分析，交通拥堵时空关联性分析绪论当前像气象预报、环境监测和交通控制等领域，在问题的求解过程中越来越需要同时考虑时间和空间因素，而时空关联性分析的目标就是明确时空数据的时间有效性和空间可达性，从而在时间和空间上进行有效的趋势分析和预测。
景观空间形式与元素构成及其关联性分析
的身心健 康 的 时候 ，景 观 这 一 概 念才 如 ２ Ｏ年 前 的室 内环境 装修行 业 的出现一 样 ，建筑师从 建筑 外环境 、园林 师从 园林生 态绿 化 、城 市规划 设计
包括具有物理特性的空间形式及元素，也包括人 文特性的文化、风俗 、生活习惯等 ． 人类通过视 觉感受 空 间 ８ ％的 信 息 ，空 间 中 的材 料 内 容 与 ０
维普资讯
大 连 民族 学院
ＮｅＧｒｏ） ｕｒｅｌ３ ｍ５ｎＮ ｂ（ｅ ． ａ４
Ｓ ｐｅ ｅ ， ０ ｅ ｔｍｂ ｒ ２ ０６
景 观 空 问形 式 与元 素构 成 及其 关 联 性 分 析
金 华 王 卓
１６０ ； １６ ５ （． １ 大连 民族 学 院 设 计学 院 ，辽 宁 大连
从 １ ８世纪 初 期 德 国将 景 观 作 为地 理 学 名 词 开始 使用 ，到其后 的景 观生 态 学 以及 ２ Ｏ世纪 ６ ０ 年代 美 国出现 的景观 环境心 理学 为止 ，景观作 为 人类 创造 外环境 空 间的特定 名词被 广泛 使用 ． 而
系作为设 计 的核心 ” 的思想 为前提 ，从 生态 领域 展 开 了对 景 观学 的研究 Ｈ ． Ｊ
２ ．大连 圣北 房地产 有 限公 司 ，辽 宁 大连 １６ １ ） １０ １
摘 要 ：就视觉的认知初级阶段三维角度 而言 ，不同的构成元素 围合 的空 间形式不 同 ，其 演绎 出的视
觉效果也有所不 同 ． 景观 的构成元素 （ 地形 、建 筑、植被 、设 施等 ）在 各个 空间界 面 （ 面、墙面 、 底
“ 观 的本 质 含义 是 土 地 ，把 人 与土 地 的 和谐 关 景
我国城市全要素生产率空间结构及空间关联性分析
第5期(总第390期) 2016年5月财经问题研究Research on Financial and Economic Issues Number5(General Serial No.390)May,2016我国城市全要素生产率空间结构及空间关联性分析冯云廷1,陈昶志1,高 詹1,2(1.东北财经大学公共管理学院,辽宁 大连 116025;2.河南工程学院 工商管理学院,河南 郑州 451191)摘 要:本文运用数据包络分析和空间分析方法对我国281个城市2003 2013年的城市全要素生产率空间结构和空间关联性进行了实证性分析㊂研究表明,在空间结构方面,我国城市全要素生产率空间结构具有 粘性”特点,主要表现在全要素生产率呈现集聚的空间分布结构,TFP显著提高的城市集中分布在我国南部㊁东部一带,效率改进和效率下降的地区主要集中在中部㊁西部和北部,城市全要素生产率变化呈现出明显的路径依赖分布㊂在空间关系方面,城市全要素生产率存在空间正向依赖关系,并且正相关性不断加强㊂因此,现阶段的区域经济政策应重点关注跨行政区的利益协调机制构建㊁市场一体化建设和基础设施网络化建设等方面㊂关键词:城市经济;全要素生产率;空间结构;空间关联性中图分类号:F290 文献标识码:A 文章编号:1000⁃176X(2016)05⁃0110⁃06 一㊁引 言我国全要素生产率的研究成果主要集中于以下两个方面:第一,关于全要素生产率对经济增长的贡献率㊂这方面主要研究了建国以来我国全要素生产率变化情况,大多数的研究结果认为,改革开放以后,全要素生产率增长较快,对经济增长贡献率逐渐提高[1]-[2]㊂第二,关于全要素生产率区域差异和影响因素的研究㊂这方面的研究多从时间维度,在一个研究期内分析一定区域范围内全要素生产率的区域差异,以全要素生产率为视角揭示一定区域范围内经济增长的原因,这方面的研究可以总结出影响全要素生产率区域差异的因素,例如人力资本㊁制度安排㊁产业结构㊁基础设施和研发活动等[3]-[5]㊂已有的研究成果为本文提供了重要的思想借鉴,但也存在诸多不足,主要集中在两个方面:第一,城市样本数据有待丰富㊂大样本的城市数据比较匮乏,不利于以城市为视角分析我国不同板块㊁不同经济区之间的差异㊂第二,以空间维度分析全要素生产率区域差异需要拓展㊂已有文献多采用时间维度分析全要素生产率变化的时间序列,空间维度在分析全要素生产率区域差异中被忽视㊂鉴于此,本文以我国281个城市为研究对象,运用数据包络分析方法和空间分析方法测度2003收稿日期:2016⁃03⁃13基金项目:河南省科技计划项目 河南省新型城镇化道路的包容性发展研究”(142400410931);河南省高等学校重点科研项目 全要素生产率视角下河南省城市经济增长转型研究”(16A790004);河南省高等学校重点科研项目 基于包容性理念的河南省城镇化发展研究”(16A790032)作者简介:冯云廷(1958-),男,内蒙古赤峰人,教授,博士生导师,主要从事城市经济和区域经济和城市管理研究㊂E⁃mail: fengyt123@陈昶志(1985-),男,江苏徐州人,博士研究生,主要从事城市经济和区域经济研究㊂E⁃mail:253377599@高 詹(1981-),女,河北秦皇岛人,副教授,博士,主要从事城市经济和区域经济研究㊂E⁃mail:gaozhan2003@ 2013年城市的全要素生产率,在此基础上重点分析城市全要素生产率空间结构特点,并进一步探究其空间关系,尝试从空间角度为我国城市经济转型发展提供相关决策建议㊂二㊁研究方法㊁数据来源与理论假说1.研究方法(1)全要素生产率测度方法㊂本文采用数据包络分析中的Malmquist 指数模型对我国城市全要素生产率进行测度㊂运用Malmquist 指数分析我国全要素生产率的时空差异问题,将每一个地级市视为一个决策单元,向量X =(x 1,x 2,x 3...x n )表示城市经济活动的投入量,向量Y =(y 1,y 2,y 3...y n )表示城市经济活动的产出量,P(x)表示生产的可能集㊂则第t 期城市经济活动(x t ,y t )相对于t 期生产可能集P(x)的产出距离函数可表示为:D 0(x,y)=inf δ:(x,y /δ)∈P (x {})(1)其中,δ表示Farrell [6]指出的面向产出的效率指标㊂为了避免因时期选择问题导致的结果差异,Farrell 以两个时期Malmquist 指数的几何平均值做为Malmquist 指数,具体表述为:M 0(x t ,y t ,x t+1,y t+1)=D t 0(x t+1,y t+1)D t+10(x t+1,y t+1)×D t 0(x t ,y t )D t+10(x t ,y t )(2)(2)空间分析方法㊂根据地理学第一定律,事物之间均存在相关,距离近的事物之间的相关性高于距离远的事物,我们分析城市之间的全要素生产率是否也存在一定的空间相关性㊂本文采用空间自相关Moran’s I 指数进行检验,其计算公式为:Moran’s I=N ∑Ni =1∑Nj =1W ij (TFP i -TFP)(TFP j -TFP)(∑N i =1∑N j =1W ij )∑Ni =1(TFP i -TFP)2(i ≠j)(3)其中,TFP i 和TFP j 分别是i 和j 地区全要素生产率的观测值,TFP 是全要素生产率的平均值,N 是区域观测单元数量㊂W ij 是二进制的邻近地区i 和j 间空间权重矩阵,采用Anselin 的K值最邻近空间矩阵计算㊂2.数据来源全要素生产率区域差异的数据取自中经网统计数据库中的 城市年度库”,选取了20032013年近11年的 市辖区”数据㊂在对地级市样本选取的过程中,本文采用样本期间最优和样本个体最优的原则,同时也充分考虑了样本数据的缺失性㊂首先,剔除了各个年份都大量缺失的样本城市,以保证样本数据的连续性和可靠性㊂其次,考虑到2000年以前晋中㊁鄂尔多斯㊁亳州等57个城市大量数据缺失不全,大面积补全可能破坏样本数据的变化趋势,因而将样本时间推移到2000年以后㊂再次,在时间范围内,部分地级市数据出现缺失,采取平滑指数方法将缺失数据补齐㊂例如,2005年的双鸭山㊁梧州和防城港以及2007年的云浮,其城市产出数据缺失;2004年的贵港和2007年的长春,其固定资产投资总额出现缺失;2012年的宜昌和重庆,其单位从业人员数据出现缺失㊂以上缺失的部分均采用指数平滑方法,缺失的t 时期数据分别根据其临近t-1和t+1时期数据进行指数平滑方法补全㊂最后,在地级市样本数据选取过程中还存在行政区划问题,例如,巢湖于1999年由县级市升级为地级市,2011年8月行政区划调整将巢湖撤销,其管辖区分别划入合肥㊁芜湖和马鞍山;湖北襄樊于2010年12月更名为襄阳,云南思茅于2007年更名为普洱,其数据年份只有2003 2006年,甘肃陇南㊁宁夏中卫从2004年开始建市,之前数据也存在大量缺失㊂考虑到数据的完整性和准确性,将巢湖㊁襄樊㊁思茅㊁陇南和中卫5个城市剔除㊂最终结合国家层面的经济发展战略将样本时间区间确定为2003 2013年,剔除大量样本数据连续不全的地级市,形成的数据范围为2003 2013年中国281个地级市的数据㊂本文采用资本和劳动力作为Malmquist 指数的投入变量,以城市GDP 做为Malmquist 指数的产出变量,各个变量的处理如下:(1)产出变量城市生产总值㊂统计年鉴中的城市GDP 是以当年价格计算的,在纵向对比时采用含有不同年份价格的GDP 不能较为准确地反映各个城市在不同年份GDP 的变化,因而需要消除价格因素的影响㊂本文的研究期是2003 2013年,选取2003年为基期,由于缺乏城市缩减指数,采用城市所在省份的缩减指数代替,各省GDP 缩减指数由‘中国统计年鉴“所提供的历年各省真实和名义GDP 计算而得到㊂通过计算把其他年份换算成以2003年不变价格计算的城市生产总值㊂(2)劳动力投入变量㊂城市劳动力投入量111我国城市全要素生产率空间结构及空间关联性分析很难界定,科学度量一个城市单位时间内劳动力的投入量有很大难度㊂城市经济活动劳动投入具有众多的种类,劳动力质量参差不齐㊂在参考众多文献基础上,本文采用从业人员作为城市经济活动劳动力投入变量,该指标指年满16周岁及以上,从事一定社会劳动并取得劳动报酬或经营收入的人员数,即城市单位从业人员㊁私营和个人从业人员之和㊂(3)资本投入变量㊂很多经济问题都需要对资本投入进行度量,因而关于资本投入量的测算一直是经济学领域关注的热点㊂其中, Goldsmith[7]运用永续盘存法估计了美国的年度资本存量,我国很多学者在测算经济增长率时也较多运用了这一方法,相关文献表明,永续盘存法是估算地区资本存量相对有效的一种方法,其计算公式为:K it=K it-1(1-δ)+I it/p t(4)其中,δ为资本折旧率,p t是以2003年为基期计算的固定资产价格指数,对于基年资本存量本文借鉴Youn[8]采用的基年固定资产投资总额除以10%做为初始资本存量的方法,其中的折旧率采用Hall和Jones[9]计算世界主要国家资本存量中使用的6%的数值㊂目前我国没有公布固定资产的平减指数,参考城市GDP平减指数的计算办法,地级市的固定资产平减指数采用城市所在省份的GDP平减指数代替㊂各变量的统计值描述,如表1所示㊂表1变量的统计值描述变 量观测值最小值最大值均 值标准差城市生产总值(亿元)309112.221199453700.0002316816.2108087377.000劳动力投入(万人)30910.810700.51026.04051.241资本投入(万元)3091 302.00072807192.0003366109.4106554890.000 3.理论假说(1)全要素生产率空间结构 粘性”假说㊂即在一定时期内,不同城市全要生产率改善趋于稳定;在一定区域内,不同城市全要素生产率的空间分布格局相对固定,城市全要素生产率和城市经济增长表现出一定的时空路径依赖性㊂(2)全要素生产率空间正向依赖关系假说㊂即在一定空间范围内,不同城市之间的全要素生产率存在互相影响的正向关系㊂一个城市全要素生产率的改善会促进周围城市全要素生产率的提高;一个城市全要素生产率的下降会导致周围城市全要素生产率的下降㊂三、实证及其结果分析1.城市全要素生产率空间结构分析根据Malmquist指数模型对我国城市全要素生产率测度结果分析可以发现,我国69.9%城市的全要素生产率获得改善,全国城市全要素生产率均值为1.024㊂其中,技术变化是城市全要素生产率改善的主要动力,99.6%的城市获得技术变化方面的提升;技术效率变化是城市全要素生产率提升的短板,只有11.7%的城市在技术效率变化方面获得突破㊂具体情况如表2所示㊂表2我国281个城市全要素生产率均值基本统计特征指 标最小值最大值均 值标准差大于1的城市个数(个)效率改善的城市比重(%)技术效率变化0.8451.1240.9530.0423311.7技术变化0.9961.5931.0740.04628099.6纯技术效率变化0.8531.1370.9800.04810838.4规模效率变化0.8271.0610.9720.0366523.1全要素生产率变化0.8861.7511.0240.06519469.9 根据我国281个城市全要素生产率均值的计算结果,将计算出的地级市全要素生产率改进数值的大小分成三类:全要素生产率小于1的设为效率下降;在1和全国均值1.024之间的设为效率改进;大于全国均值1.024的设为效率显著提高㊂在地域分布方面可以清晰地看出,我国全要素生产率显著提高的城市主要集中在我国南部㊁东部一带,效率改进和效率下降的地区主要集中在中部㊁西部和北部㊂在空间依赖性方面,我国地级市全要素生产率具有较强的空间关联性㊂效率显著改进的地区在空间上密集连续分布,特别是在城市群集中分布的长三角和珠三角地区,形成了效率显著改进的城市连绵区㊂效率改进和效率下降的城市也呈211财经问题研究 2016年第5期 总第390期现出空间集聚的分布特点,主要表现在两个方面:第一,效率下降的城市体现了一定区域内的集聚㊂例如,广西钦州㊁北海㊁防城港㊁来宾㊁玉林和梧州等城市的全要素生产率都呈现整体的下降;黑龙江鸡西㊁牡丹江㊁双鸭山㊁佳木斯㊁绥化㊁伊春和黑河也成为全要素生产率下降的集中区域;湖北和安徽之间邻近的城市也呈现出效率下降的聚集区域,荆门㊁荆州㊁鄂州㊁黄冈和六安等城市形成两省交界地带效率提升缓慢区域㊂第二,效率改进缓慢的城市聚集分布在主要经济区的外围㊂例如,京津冀经济区的唐山㊁秦皇岛㊁石家庄和张家口形成了效率递减的外围圈;长三角地区的泰州㊁台州㊁镇江㊁湖州和宝成等城市也在效率快速改进的区域外围形成效率下降的区域;珠三角地区的珠海㊁汕头㊁贺州㊁肇庆㊁江门和阳江等城市围绕深圳㊁广州周围的核心增长区域形成效率降低的集聚区㊂在分析了281个地级市全要素生产率总体改进的基础上,本文进一步分析在不同年份全要素生产率的空间分布特征㊂考虑到地级市数据过于庞杂,为了便于挖掘全要素生产率动态空间分布的特征,按照各个地级市的归属省份,显示省域层面全要素生产率的空间变化㊂2003 2013年,我国省份大部分处于全要素生产率改进状态,只有黑龙江㊁广西㊁海南的全要素生产率出现下滑,效率改进中等省份有云南㊁贵州㊁湖北㊁安徽㊁河南㊁宁夏㊁广西㊁青海和辽宁,占我国省份的29%,省域省份的全要素生产率都获得了显著改进,显著改善省份占我国省份的61.4%㊂从空间分布的区域看,显著改善的省份主要集中在我国的东部区域,改善一般的省份集中在我国的中部和西南区域㊂在空间分布特征方面,省域层面的全要素生产率更清晰地显示出全要素生产率的空间关联性㊂例如,全要素生产率显著改进的江苏㊁福建㊁江西㊁广东㊁浙江和湖南形成效率改进地区集中连片分布,效率改善一般的河南㊁湖北㊁安徽㊁甘肃㊁青海和宁夏也都表现为空间上的相邻连续分布㊂在分析了省域层面全要素生产率总体分布的基础上,进一步分析2004㊁2007和2013年三个年份全要素的动态变化㊂2004年我国全要素生产率整体处于改进状态,其中,江西㊁贵州㊁广西和重庆处于全要素生产率下降的状态,占全国省份和地区的12.5%;黑龙江㊁辽宁㊁山西㊁陕西㊁河南和广东是全要素生产率改进效果一般的省份,占全国省份和地区的19.4%;其他区域表现为全要素生产率的显著提高,占全国省份和地区的68.1%㊂省份的全要素生产率在空间上仍表现明显的集聚特征,效率显著改进的省份大片连绵出现,效率后退和改进一般的省份也呈现临界集中的特征㊂2007年我国全要素生产率整体改进的局面没有变化,但是效率下降和效率改进一般的区域比2004年小幅增加㊂其中,效率下降的地区主要集中在黑龙江㊁吉林㊁安徽㊁重庆㊁云南和新疆,占全国省份和地区的19.3%;效率改进一般的区域集中分布在辽宁㊁山东㊁山西㊁陕西㊁湖北㊁贵州和甘肃,占全国省份和地区的22.6%;其他区域的全要素生产率显著提高,占全国省份和地区的58.1%㊂2007年省域层面全要素生产率的分布特征仍旧表现出强烈的空间集聚特点,效率下降的地区集中分布在我国的东北地区,效率改进一般的地区分布在我国的中部㊂2013年,我国全要素生产率仍呈现出效率整体改进的局面㊂和2007年相比,效率显著改进的地区明显增加,其中,效率下降的地区集中在内蒙古和贵州,占全国省份和地区的6.5%;其他地区都是全要素生产率显著改进的区域,高达93.5%㊂2013年全要素生产率的空间分布也呈现空间集聚特征,效率改进显著的地区连片连绵分布㊂综合以上分析可以得出我国城市全要素生产率的分布特征,主要体现在两个方面:第一,我国城市全要素生产率体现了集聚的空间分布特征㊂不同年份的全要素生产率空间分布都显示出强烈的空间集聚特点㊂效率显著改进地区集中分布在我国东南沿海㊁长江流域和环渤海地区,这些地区形成大面积的效率显著改进集中区;效率改进一般的区域主要分布在我国中部省份,集中在山西㊁陕西和河南;效率下降的省份集中性不是特别明显,主要集中在东北地区的黑龙江㊂第二,我国城市全要素生产率体现了路径依赖的时间分布特征㊂主要表现为在不同年份,效率显著改进的省份和效率改进一般的省份都呈现出路径依赖的特点㊂例如,在选取的三个年份中,北京㊁天津㊁河北㊁江苏㊁浙江㊁福建㊁青海和甘肃都呈现全要素生产率显著提高;山西㊁陕西㊁辽宁和河南都呈现全要素生产率改进一般的局面㊂这种时间上路径依赖的特征进一步加剧了空311我国城市全要素生产率空间结构及空间关联性分析间集聚的分布特征,全要素生产率空间和时间分布呈现一种 马太效应”,效率落后的地区很难实现跳跃式增长,进入效率显著提高的阵营㊂落后地区全要素生产率在空间和时间上的改进都存在一定的制约屏障,依靠传统要素投入带动全要素生产率的改善很难突破提升的障碍,需要引入新的增长模式,突破时间和空间上的路径依赖㊂2.城市全要素生产率空间依赖性分析通过分析我国全要素生产率空间结构特征,可以判断全要素生产率存在空间关联性㊂本部分通过对全要素生产率的空间自相关进行分析,进一步明确这种空间关联性的强弱和各个省域所处的空间关联位置㊂计算2003 2004年我国全要素生产率空间自相关莫兰指数(Moran’s I),得到Moran’s I为0.028,通过了5%水平下的显著性检验,说明我国全要素生产率存在正向的空间关联㊂Moran’s I的散点图主要分布在第一象限,根据Moran’s I的散点图,可以看出我国的大部分区域处于H H区域,这个区域包含了黑龙江㊁吉林㊁内蒙古㊁辽宁㊁北京㊁天津㊁河北㊁甘肃㊁宁夏㊁山西㊁陕西㊁河南㊁山东㊁湖北㊁安徽㊁江苏㊁湖南㊁江西㊁上海㊁浙江和广东,占我国省域面积的67.7%;处于L H区域的省份和地区有西藏㊁重庆㊁贵州㊁广西㊁福建和海南,占我国省域面积的19.4%;处于H L区域的省份有新疆㊁青海㊁四川和云南,占我国省域面积的12.9%㊂计算2006 2007年我国全要素生产率空间自相关莫兰指数(Moran’s I),得到Moran’s I为0.035,通过了5%水平下的显著性检验,2007年全要素生产率空间正相关性显著㊂Moran’s I的散点图仍旧主要分布在第一象限的H H区域㊂我国区域大面积处于H H区域,和2004年相比,H H区域显著增加,包含了黑龙江㊁吉林㊁内蒙古㊁辽宁㊁北京㊁天津㊁河北㊁甘肃㊁宁夏㊁山西㊁陕西㊁河南㊁山东㊁湖北㊁安徽㊁江苏㊁湖南㊁江西㊁上海㊁浙江㊁广东㊁重庆㊁贵州㊁广西㊁福建㊁海南和青海,H H集聚的区域上升为87.1%;H L的区域有四川和云南;L L的区域有新疆;L H的区域有西藏㊂计算2010 2011年我国全要素生产率空间自相关莫兰指数(Moran’s I),得到Moran’s I为0.037,通过了5%水平下的显著性检验,说明2011年全要素生产率存在正的空间依赖性㊂和2007年相比,H H区域小幅调整,H L区域显著增加,L H和L L区域没有出现㊂Moran’s I的散点图主要分布在第一象限,H H 区域包含了黑龙江㊁吉林㊁内蒙古㊁辽宁㊁北京㊁天津㊁河北㊁甘肃㊁宁夏㊁山西㊁陕西㊁河南㊁山东㊁湖北㊁安徽㊁江苏㊁湖南㊁江西㊁上海㊁浙江㊁广东㊁重庆㊁贵州㊁广西㊁福建㊁海南和西藏;H L区域有新疆㊁青海㊁四川和云南,占全国区域的12.9%㊂计算2012 2013年我国全要素生产率空间自相关莫兰指数(Moran’s I),得到Moran’s I为0.036,通过了5%水平下的显著性检验,说明2013年全要素生产率存在正的空间依赖性㊂Moran’s I的散点图主要集中在第一象限,其中的H H区域包含了黑龙江㊁内蒙古㊁辽宁㊁北京㊁天津㊁河北㊁甘肃㊁宁夏㊁山西㊁陕西㊁河南㊁山东㊁湖北㊁安徽㊁江苏㊁湖南㊁江西㊁上海㊁浙江㊁广东㊁重庆㊁贵州㊁广西㊁福建㊁海南和四川;H L区域有吉林㊁青海和云南; L L区域有新疆;L H区域有西藏㊂结合以上分析,综合概括我国全要素生产率空间依赖特征,主要集中在以下三个方面:第一,我国全要素生产率呈现空间正相关关系㊂计算Moran’s I指数均大于0,且通过了5%水平的显著性检验,说明全要素生产率空间集聚特征明显㊂Moran’s I散点图集中分布在第一象限,地图上显示我国中东部地区基本上处于H H区域,说明在我国中东部形成了全要素生产率显著提高的大面积区域,多个全要素生产率显著提高的省份和地区集中㊁毗邻㊁连绵出现㊂第二,我国全要素生产率的正相关关系逐渐加强㊂通过测算空间自相关,发现2003 2013年Moran’s I的数值逐渐增加,说明全要素生产率的正相关性不断加强㊂H H区域的面积逐年呈增加的状态,说明自身提高显著和周围显著改善的地区的空间集聚性正在不断加强㊂第三,我国全要素生产率的时空格局趋于稳定㊂通过历年对比可以发现,我国全要素生产率H H区域基本固定,每年只有个别城市进行调整,例如,2011年西藏发生变化,进入H H区域;2013年吉林调整至H L区域,没有发生大面积的空间结构改变㊂高效率区域和效率改进区域基本呈现相对稳定的时空格局,说明在高效率集聚区和效率改善的外围区域411财经问题研究 2016年第5期 总第390期内部形成了强大的累积循环反馈回路㊂全要素生产率形成时间和空间上的稳定性,中心和外围区域之间缺少中心高效区的扩散和外溢,造成外围区域陷入低效率的路线锁定㊂四㊁结论与政策建议本文采用数据包络分析和空间自相关分析方法,运用Geoda和GIS软件分析了我国281个地级城市全要素生产率的空间分布特征和空间关联性情况,获得了三方面的基本认识:第一,我国城市全要素生产率体现了集聚的空间分布特征㊂效率显著改进地区集中分布在我国东南沿海㊁长江流域和环渤海地区,这些地区形成了大面积的效率显著改进集中区;效率改进一般的区域主要分布在我国的中部省份,主要集中在山西㊁陕西和河南等省份,效率下降的省份集中性不是特别明显,主要集中在东北地区的黑龙江㊂第二,我国全要素生产率体现了路径依赖的时间分布特征㊂主要表现为在不同年份,效率显著改进的省份和效率改进一般的省份都呈现时间和区域上基本稳定的趋势㊂第三,我国全要素生产率呈现空间正相关关系,并且正相关性不断加强,在高效率集聚区和效率改善的外围区域内部形成了强大的累计循环反馈回路㊂根据上文得出的结论,本文提出以下政策建议:第一,构建跨行政区的利益协调机制㊂本文城市全要素生产率空间分布和空间依赖关系的实证结果表明,全要素生产率空间集聚特征明显,TFP改进或下降的城市都表现出连片㊁毗邻出现的空间特征㊂这反映了在经济区内部行政区域分割的矛盾越来越凸显㊂各个城市之间条块分割㊁各自为政,过分重视本地区的眼前利益,缺乏长期和统一的规划,造成了区域整体经济发展质量的下降㊂打破全要素生产率低效率的区域锁定,需要考虑构建跨行政区的利益协调机制㊂运用经济㊁法律㊁政策和社会多种协调手段,平衡各方面利益,建立区域整体规划,解决区域内资源开发㊁基础设施建设㊁生态环境治理和市场一体化建设等诸多问题㊂第二,加快市场一体化建设㊂本文通过分析全要素生产率空间分布结构和空间依赖关系结果表明,大多数城市之间的关系表现为L H㊁H L和L L,说明城市之间经济联系不紧密,城市之间缺乏正向的影响㊂这一结果反映出区域市场一体化体系建设需要进一步加强㊂市场一体化建设需要规范政府行为,减少阻碍区域内产品和生产要素市场化流动的行政性障碍,防止地方保护和竞争趋同现象的蔓延㊂同时要建设区域内统一的消费品㊁生产资料㊁人力资源和信息技术等方面的市场,形成区域内产品㊁服务㊁信息和技术自由流动的市场网络体系㊂第三,加强基础设施网络化建设㊂本文通过分析城市全要素生产率空间结构和空间依赖关系,发现城市全要素生产率改善存在一定的路径依赖,这一研究结论说明,区域内基础设施网络化对加强城市之间联系㊁促进城市之间的协同发展具有重要的作用㊂应通过交通运输体系㊁信息网络㊁能源电力和公用基础设施网络化建设的推进,形成城市之间经济活动传播和扩散的通道,建立城市全要素生产率提升的动力路径㊂参考文献:[1] 张军.资本形成㊁工业化与经济增长:中国的转轨特征[J].经济研究,2002,(3):3-12. [2] 王小鲁,樊纲,刘鹏.中国经济增长方式转换和增长可持续性[J].经济研究,2009,(1):4-15. [3] 颜鹏飞,王兵.技术效率㊁技术进步与生产率增长:基于DEA的实证分析[J].经济研究,2004,(9):88-96.[4] 刘秉镰,李清彬.中国城市全要素生产率的动态实证分析:1990 2006 基于DEA模型的Malmquist指数方法[J].南开经济研究,2009,(3):139-152.[5] 张浩然,衣保中.基础设施㊁空间溢出与区域全要素生产率 基于中国266个城市空间面板杜宾模型的经验研究[J].经济学家,2012,(2):61-67.[6] Farrell,M.J.The Measurement of Productive Efficiency[J].Journal of the Royal Statistical Society,1957,120(3):253-290.[7] Goldsmith,R.W.A Perpetual Inventory of NationalWealth[M].Cambridge:National Bureau of EconomicResearch,Inc.,1951.[8] Youn,A.Gold into Base Metals:Productivity Growth inthe People’s Republic of China during the ReformPeriod[R].NBRE Working Paper7856,2000. [9] Hall,R.E.,Jones,C.I.Why do Some CountriesProduce so much More Output than Others?[J].TheQuarterly Journal of Economics,1999,114(1):83-116.(责任编辑:徐雅雯)511我国城市全要素生产率空间结构及空间关联性分析。
如何进行测绘数据的空间关联与关系分析
如何进行测绘数据的空间关联与关系分析空间关联分析是测绘数据处理中的一项重要任务，它帮助我们理解测绘数据之间的关系并揭示出隐藏在数据背后的规律和现象。
本文将探讨如何进行测绘数据的空间关联与关系分析，以提高数据的应用效果和决策支持能力。
一、空间关联分析的概念空间关联分析是指寻找、分析和解释空间统计现象中的相互关系和相互作用模式的过程。
与传统的统计分析相比，空间关联分析注重数据之间的空间关系，强调地理特征和空间结构在数据分析中的重要性。
通过空间关联分析，我们可以发现数据之间的关联模式，推断潜在的因果关系，并制定相应的决策和措施。
二、空间关联分析的方法在进行空间关联分析前，我们首先需要获取和准备好合适的测绘数据。
这些数据可以来自卫星遥感、地理信息系统、地形测量等多种渠道，并包含丰富的地理属性信息。
下面介绍几种常用的空间关联分析方法：1. 空间自相关分析空间自相关分析是通过计算数据点之间的相似性和差异性，来揭示空间数据的集聚和离散趋势。
常用的指标包括莫里斯指数、格兰杰因子和拉格朗日乘子等。
通过空间自相关分析，我们可以发现数据的空间分布模式，如集聚现象、倾斜现象等，并对其进行解释和推断。
2. 空间插值与拟合空间插值是指通过已知的离散样本点数据，推测未知位置的数据值。
常用的插值方法有反距离加权插值、克里金插值和三次样条插值等。
通过空间插值与拟合，我们可以填补数据空白，获取更完整的数据集，并用于后续的关联分析和建模。
3. 空间回归分析空间回归分析是通过建立空间数据之间的回归模型，来探索变量之间的关系和解释变量间的空间异质性。
常用的方法有普通最小二乘法、简单空间自回归模型和空间误差模型等。
通过空间回归分析，我们可以揭示数据之间的因果关系和空间依赖性，为决策制定提供依据。
三、测绘数据的空间关联与关系分析的应用测绘数据的空间关联与关系分析在多个领域有着广泛的应用。
以下列举几个具体的应用场景：1. 城市规划与土地利用通过分析城市地区的土地类型、建筑分布、交通网络等测绘数据，可以揭示城市内不同地区之间的关联模式和相互作用。
面向大规模数据的时空关联与演化分析方法研究
面向大规模数据的时空关联与演化分析方法研究随着信息技术的飞速发展和互联网用户的快速增长，大规模数据的产生变得越来越常见。
在这些大规模数据中，时空关联与演化分析成为了研究的热点之一。
时空关联分析旨在发现和理解数据中时空相关性的模式和规律，而时空演化分析则旨在识别和描述数据中的时空变化过程。
本文将介绍面向大规模数据的时空关联与演化分析所采用的方法与技术，并探讨其中的一些应用案例。
1. 时空关联分析方法时空关联分析方法可以帮助我们理解数据中时空相关性的模式和规律。
其中常用的方法包括：1.1 空间关联分析空间关联分析研究的是地理空间中不同地点之间的关联性。
其中，空间自相关分析是一个常用的方法，用于检测空间数据中的空间相关性。
其他方法还包括空间克里金插值和空间回归分析等等。
1.2 时间关联分析时间关联分析研究的是时间序列数据中的关联性，主要应用于时间序列数据的预测和分析中。
常用的时间关联分析方法有自回归移动平均模型(ARIMA)、季节性分解法和指数平滑法等。
1.3 时空关联分析时空关联分析通常结合了空间和时间的因素，研究时空数据中的关联性。
这些方法可以通过计算地点和时间之间的距离来发现数据中的空间时间相关性。
时空关联中的一种常见方法是时空聚类分析，用于发现时空数据中的聚类模式。
2. 时空演化分析方法时空演化分析方法用于识别和描述数据中的时空变化过程。
这些方法可以帮助我们理解和预测数据中的时空演化趋势。
以下是一些常见的时空演化分析方法：2.1 空间插值方法空间插值方法用于填补地理空间上的数据空白。
通过插值方法，我们可以根据已知的数据点推断出未知位置的数据值，从而得到完整的地理空间数据。
插值方法中常用的有克里金插值方法、反距离权重插值和泛克里金插值等。
2.2 时空数据挖掘方法时空数据挖掘方法结合了时空特征和数据挖掘技术，用于发现和分析时空数据中的模式、规律和趋势。
数据挖掘方法包括聚类分析、分类分析和关联规则挖掘等。
空间分析方法
空间分析方法空间分析方法是地理信息系统（GIS）中的重要组成部分，它通过对地理空间数据的处理和分析，帮助人们更好地理解和解释地理现象。
在空间分析中，我们常常需要考虑的问题包括空间关联、空间分布、空间模式、空间交互等，而为了解决这些问题，我们需要运用一系列的空间分析方法。
首先，空间分析方法中常用的一种是空间关联分析。
空间关联分析主要用于研究地理现象之间的空间关系，包括空间自相关、空间异质性等。
通过空间关联分析，我们可以发现地理现象之间的空间联系，比如城市的发展与周边环境的关系，不同地区的经济发展水平之间的关联等。
在实际应用中，我们可以通过计算空间自相关指标来评估地理现象的空间相关性，从而为决策提供科学依据。
其次，空间分布分析是空间分析方法中的另一个重要内容。
空间分布分析主要用于研究地理现象在空间上的分布特征，包括集聚程度、分散程度等。
通过空间分布分析，我们可以了解地理现象在空间上的分布规律，比如人口分布的集聚程度、资源分布的均衡性等。
在实际应用中，我们可以通过密度分析、核密度分析等方法来揭示地理现象的空间分布特征，为城市规划、资源配置等提供参考依据。
另外，空间模式分析也是空间分析方法中的重要内容之一。
空间模式分析主要用于研究地理现象在空间上的规律性和变化性，包括聚集模式、离散模式等。
通过空间模式分析，我们可以揭示地理现象的空间分布规律，比如城市用地的空间结构、交通网络的空间布局等。
在实际应用中，我们可以通过空间聚类分析、空间插值分析等方法来识别地理现象的空间模式，为城市规划、环境保护等提供决策支持。
最后，空间交互分析也是空间分析方法中的重要内容之一。
空间交互分析主要用于研究地理现象之间的相互作用关系，包括空间接近性、空间连接性等。
通过空间交互分析，我们可以了解地理现象之间的空间关联程度，比如城市之间的联系、地区之间的交互等。
在实际应用中，我们可以通过网络分析、路径分析等方法来研究地理现象之间的空间交互关系，为交通规划、区域协调等提供决策支持。
测量数据的空间关联分析与建模方法
测量数据的空间关联分析与建模方法引言随着信息技术的快速发展，数据的获取变得日益容易。
特别是在测量领域，我们可以轻松地获得大量的数据。
然而，单纯地统计和描述这些数据并不能完全揭示其中的潜在规律和关联。
因此，研究人员们开始关注如何通过空间关联分析和建模方法来挖掘数据中的有价值信息，以便更好地了解和预测现象的演变。
一、空间关联分析空间关联分析是一种通过研究地理空间上的特征和变量之间的关系，来揭示地理现象和规律的方法。
它能够帮助我们了解不同地点之间的相互作用及其对现象演化的影响。
常用的空间关联分析方法包括空间自相关分析和空间回归分析。
1. 空间自相关分析空间自相关分析是一种用来测量地理空间上相邻区域之间变量相似性的方法。
通过计算各地点之间的距离，并对距离和变量之间的相关性进行统计，我们可以得到衡量空间自相关的指标，如Moran's I、Geary's C等。
这些指标可以告诉我们数据中是否存在空间聚集或分散的模式，从而帮助我们理解现象背后的规律和机制。
2. 空间回归分析空间回归分析是一种结合了空间自相关和线性回归模型的方法。
它不仅考虑了变量之间的相互作用，还考虑了地理空间因素对现象的影响。
通过在回归模型中引入空间权重矩阵或空间滞后项，我们可以将地理空间的影响纳入到模型中，并估计出变量之间的空间关联关系。
这对于预测和解释现象的变化具有重要意义。
二、空间关联建模方法除了分析已知的空间关联关系，研究人员们还努力寻求一种能够建立和预测空间关联关系的方法。
目前，常用的空间关联建模方法包括地理加权回归（Geographically Weighted Regression，GWR）、地理加权回归核（Geographically Weighted Regression Kernel，GWRK）等。
1. 地理加权回归（GWR）GWR是一种特殊的空间回归模型，它考虑了数据的空间非平稳性，即变量的空间关联性在空间上是变化的。
海洋经济布局与区域发展的空间关联性分析
海洋经济布局与区域发展的空间关联性分析摘要：本文以海洋经济布局与区域发展之间的空间关联性为研究对象，分析了海洋经济布局对区域发展的影响，并提出了有效的政策建议，以促进海洋经济的可持续发展和区域的全面进步。
引言海洋是人类赖以生存的重要资源之一，海洋经济发展对区域经济的增长和社会持续发展起到关键作用。
海洋经济布局是指根据海洋资源分布的实际情况，合理规划和分配海洋产业的空间布局，对于优化资源配置、提高经济效益和实现可持续发展至关重要。
本文将对海洋经济布局与区域发展的空间关联性进行深入分析，并提出相应的建议。
一、海洋经济布局对区域发展的影响1.1 海洋经济布局的内在逻辑海洋资源的分布格局直接影响到海洋经济的发展。
在进行海洋经济布局时，需要考虑海洋资源的类型、特点和分布，以及区域经济的发展需求和优势，实现资源与需求的匹配。
海洋经济布局应该充分利用不同区域的资源优势，避免资源过度开发和浪费，实现区域的可持续发展。
1.2 海洋经济布局的影响因素海洋经济布局受到多种因素的影响，如地理位置、政策环境、人口分布等。
地理位置决定了区域的海洋资源丰富程度和经济发展的潜力；政策环境影响了海洋经济发展的方向和速度；人口分布对海洋经济发展的劳动力和市场需求起到重要作用。
综合考虑这些因素，才能制定出合理的海洋经济布局方案。
二、海洋经济布局与区域发展的空间关联性2.1 海洋经济布局对区域经济的影响合理的海洋经济布局可以促进区域经济的增长和发展。
通过优化资源配置、提高生产效率和促进创新活动，海洋经济布局可以激发区域经济的活力和竞争力。
各地的海洋经济布局可以形成互补和协作关系，形成良性竞争和合作共赢的局面。
2.2 区域发展对海洋经济布局的影响区域发展水平的提高对海洋经济布局同样有着重要的影响。
发达地区的区域经济发展可以促使海洋经济布局的合理调整和优化，而欠发达地区的区域经济发展则需要依靠海洋经济布局来推动经济增长。
地方政府对区域发展和海洋经济布局的重视程度也会影响到二者之间的关联性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
空间关联性分析：
根本出发点是基于地理学第一定律,指一个区域分布的地理事物的某一属性和其它所有事物的同种属性之间的关系。
空间自相关的基本度量是空间自相关系数,由空间自相关系数来测量和检验空间物体及其某一属性是否高高相邻分布或高低相错分布,即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。
用Moran ’I 系数来表示空间相关性.Moran ’I 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参数。
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。
其计算公式如下:
()()()∑∑∑∑∑---⨯⨯⨯=n i n i i n
j ij n i j i n j ij y y w y
y y y W n I Moran 2
'
为了检验Ｍｏｒａｎ'Ｉ是否显著,在ＧｅｏＤＡ中采用蒙特卡罗模拟的方法来检验 (图6)。
Ｐ-ｖａｌｕｅ值等于0.006 0,说明在99.4%置信度下空间自相关是显著的。