利用Geoda实现面数据空间综合分析(BNU)

㈠GDP第一产业增量与农村人口的空间关联性分析

使用Space→Multvariate Moran,得到GDP第一产业增量与农村人口的空间相关结果如图12所示:

图12 农村人口与GDP第一产业增量空间相关结果图

图13农村人口与GDP第一产业增量Moran’s I显著性检验

农村人口与GDP第一产业增量在空间上呈现正相关的。在96.1%置信度下农村人口与GDP第一产业增量的空间相关性是显著的,其置信度较高。这是由于我国农业机器化大生

产水平不高,需要依赖大量的农业劳动力投入,农村人口多才能够满足当前的农业生产需求,为农业生产输入充足的劳动力是农业产值提高的必要条件。

同样得到第二产业与城镇人口,第三产业与城镇人口的相关性系数和置信度

第一产业GDP与农村人口 第二产业GDP与城镇人口 第三产业GDP与城镇人口不 Morian’s I 0.2339 0.1946 98.9 0.1033 89.2 置信度(%) 99.9 表三:多变量的Morian’s I以及置信度

在98.9%置信度下城镇人口与GDP第二产业增量的空间相关性是显著的,其置信度较低。城镇人口与GDP第二产业增量在空间上呈现正相关,说明工业的发展,尤其是浙北以及温州地区制造业的发展需要劳动力的支持。

在89.2%置信度下城镇人口与GDP第三产业增量的空间相关性是显著的,二者在空间上呈现正相关,与服务业依赖于人口的情况相符。

3.4局部的空间关联性分析(LISA)

全局的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,而格数据分析的另外一个重点在于分析空间对象属性取值在某些局部位置的空间相关性,即局域空间对象的属性取值对全部分析对象的影响。起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。

3.4.1局部单变量空间自关联性分析

㈠各县市的GDP第一产业增量,GDP第二产业增量,GDP第三产业增量,具体的操作方法是选择Space→Univariate LISA菜单命令。GDP第一产业,第二产业,第三产业增量得到的显著性水平图和聚类图如表三所示。

显著性水平图第一产业GDP 增量聚类图 第二产业GDP 第三产业GDP 表三:GDP第一产业,第二产业,第三产业增量得到的显著性水平图和聚类图。由显著性水平图可以看出,GDP第一产业增量的显著性水平较高,红色区域为GDP增量高的县市,深蓝色表示GDP增量低的县。从图中可以看出:高GDP第一产业增量的县市集中在温岭,乐清,宁波,绍兴,余杭等地。,GDP第二产业增量的显著性水平在浙西南和浙北,温

岭地区比较高,GDP第二产业增量低的县市集中在浙西南地区。而在显著性水平比较高的地区就是增量高和增量低的地区。GDP第三产业增量低的县市集中在浙西南地区。对比第二产业和第三产业的增量聚类图可知,GDP第三产业增量与GDP第二产业增量的聚类分布图十分相似。

(四)各县市的城镇人口以及农村人口的局部分析 显著性水平图城镇人口 增量聚类图 农村人口 表四:城镇人口,农村人口显著性水平图和聚类图

从上表可知浙西南地区的城镇人口和农村人口聚集程度比较低。城市人口在杭州以及周边地带比较聚集。还是比较符合浙江省的实际情况。但是浙江省宁波和温州同样聚集了大量的城镇人口,在这之中没有反映出来。

从GDP和人口的局部分析可以看出,浙西南地区的经济条件相对落后,杭州以及周边嘉兴,绍兴,萧山等地区形成了一个区域性的经济增长圈,该指数能够很好的反映出来。而宁波和温州,由于其经济水平相比周围区域要高很多,该指数不能反映出来这两个市的经济状况,全局分析指数能够很好的反映出来。并且该指数对于高聚类和高离散的区域反映很灵敏。

3.4.2局部双变量空间自关联性分析

分析局部双变量的空间仅以GDP第二产业增量与城市人口数量为例进行分析。具体操作过程与局部单变量空间自关联性分析类似。操作方法为选择Space→Multivariate LISA菜单命令实现。城市人口与GDP第二产业增量空间相关得到的显著性水平图和聚类图如图14、图15所示。 显著性水平图城镇人口 与GDP 第二产业增量 增量聚类图

联系客服:779662525#qq.com(#替换为@) 苏ICP备20003344号-4