基于ESDA-GIS的江苏省县域经济时空差异分析

寇 程，赵春阳， 彭 勃

（1.西安测绘总站，陕西 西安 710054）

ESDA方法是空间数据分析的常用方法[1-5]。洪国志[6]通过空间计量经济学经济收敛标准分析方法的扩展，就中国240个地级及以上城市的经济增长收敛性展开讨论，并运用Moran'sI分析了1990～2007年人均GDP的集聚模式，结果显示出强烈的全局正自相关。陈学刚[7]采用ESDA和GIS的方法进行了新疆县域经济的时空差异研究，认为空间分析方法是传统经济差异量度方法的一种有益补充，能更加深刻地揭示区域经济的空间格局及其变化规律。宋萍[8]采用ESDA的方法对福建省县域经济差异进行了分析，得到了福建省经济集聚模式。

1 研究区和数据

图1 研究区

研究区为江苏省，如图1所示（图1及下文中的图3～6的审图号均为GS（2014）2194），面积10.26万 km2，2009年人口达到1.2亿。截至2009年末，全省共有12 个地级市、55个市辖区、26个县级市和25个县[9]。其中铜山县为两块不相连的区域，为了研究方便将铜山县归并到徐州市内，并将1999～2009年的行政区划都统一到2009年。江苏省1999～2009年的人均GDP统计数据来自2000～2010年的江苏省统计年鉴[9]。

2 研究方法

变差系数（CV）是评价经济发展平衡程度的重要指标[7]：

其中，CV是变差系数；是人均GDP的均值；n是区域个数；Yi是第i个区域的人均GDP。CV值越大则表示区域经济差异越大。

ESDA是指利用统计学原理和图形图表相结合的方式，对空间信息的性质进行分析、鉴别，用以引导确定性模型的结构和解法[10]，可以用来分析各县市经济发展的空间分布情况及空间集聚模式。

ESDA方法大多建立在地理学第一定律所描述的空间自相关概念之上[11]，是基于数据驱动的、注重发现空间数据的分布模式，揭示数据的空间依赖性与空间异质性的可视现象[12]。结合ESDA和GIS，实现数据可视化，从而直观便捷地展示数据的集聚模式。

当不同观察对象的同一属性变量在空间上表现出一定的规律性，而不是随机分布时，则认为它们之间存在空间自相关。全局空间自相关的常用指标是Moran'sI[13]：

式中，xi表示第i个空间位置上的观测值是所有观测值的平均值；wij是权重矩阵第i个位置和第j个位置的关系，在本文中采用公共边界定义的权重矩阵，即若第i个位置和第j个位置相邻则其权重矩阵对应值为1，否则为0；S0为权重矩阵中所有元素之和。

Moran'sI的取值范围从-1到+1，I >0表示正的空间自相关，空间数据存在显著的正相关，观测值之间（高或低）相似，表明所选取的指标是空间集聚分布的；I =0表示不存在空间自相关，观测值在空间上随机排列；I <0表示负的空间自相关，空间数据存在显著的负相关，观测值之间相异，表明所选取的指标是空间相异分布的。

为了得到数据的空间局部分布情况，还需要局部空间关联指标。本文采用局部空间自相关统计量Moran'sIi，定义如下[11]：

式中，zi和zj是观测值的均值标准化；空间权重矩阵元素wij采用行标准化形式，即可以看出，Ii表示位置i上的观测值与周围邻居观测值的加权平均值的乘积。这样，全局Moran'sI和局部Moran'sIi统计量之间的关系是：

根据局部Moran'sIi和zi的关系，可以分为5种类型：①在一定显著性水平下，若Ii显著为正且zi大于0，则表明位置i和周围邻居的观测值都相对较高，属于高高集聚（HH）；②若Ii显著为正且zi小于0，则表明位置i和周围邻居的观测值都相对较低，属于低低集聚（LL）；③若Ii显著为负且zi大于0，则表明周围邻居的观测值远低于位置i上的观测值，属于高低集聚（HL）；④若Ii显著为负且zi小于0，则表明周围邻居的观测值远高于位置i上的观测值，属于低高集聚（LH）；⑤若Ii不显著大于0或小于0，则表明集聚模式不显著（NS）。其中HH集聚模式、LL集聚模式，说明局部区域的经济发展比较平衡，都为高值或低值；HL集聚模式、LH集聚模式则相反。

3 实验分析

3.1 CV分析

图2a反映了江苏省全省及苏北、苏中和苏南3个区域CV的历年变化情况。

图2 江苏省全省及苏北、苏中和苏南的历年变化

全省的人均GDP变差系数，1999年为0.91，然后呈现出略微下降的趋势， 2002年达到0.79，之后缓慢上升， 2008年达到最大值0.99，在2009年有一个较大幅度的下降，达到0.66。从全省来看，江苏省经济发展仍然很不均衡，但在2009年这种情况有所转变。从苏北、苏中和苏南的分区域的CV统计中可以看出，苏中和苏南的总体走势与全省的CV走势基本一致，都在2009年达到最小值（分别是0.17和0.31），苏北总体上呈现出上升的趋势，在2009年达到最大值0.69。苏中地区的CV最小、苏北最高。全省较大的CV所表示的经济发展的不平衡主要来自3个区域之间的不平衡。

3.2 ESDA分析

图2b反映了全省及苏北、苏中、苏南3大区域的Moran'sI历年变化情况。全省的Moran'sI值较大，11 a都保持在0.5以上，说明全省的空间自相关程度较高。这个值从1999年的0.53到2002年的0.74呈现上升的趋势，随后在2002～2009年基本平稳地保持在0.7以上，最大值出现在2004年，达到0.75。苏南的Moran'sI值趋势与全省基本一致，从1999年的0.21到2002年急剧上升到最大值0.74，随后缓慢下降，在2008达到一个低点0.59，其余各年都维持在0.6以上。

苏北和苏中的Moran'sI较低，在0.2以下，说明空间自相关程度不高。其中苏北在1999年、2000年和2009年的Moran'sI值在0附近，说明这几年各县市人均GDP分布基本呈现出随机分布方式，其余几年的Moran'sI都在0.1～0.2，空间正相关程度较低。苏中地区历年的Moran'sI值都较低，除2001～2004年高于0.1，其余各年都在0.1以下，说明苏中地区各县市的人均GDP基本呈现出随机的分布。

图3～6展示了从1999～2009年江苏省和苏北、苏中、苏南的人均GDP的局部空间自相关集聚图。图形采用OpenGeoDa软件制作完成，经济属性数据与图形数据的挂接在ArcGIS 9.3软件中完成。

从1999～2009年的人均GDP统计情况来看，江苏省在这11 a间的集聚模式没有太大的变化，整体上呈现出2个类型不同的集聚点，一个在苏北，为LL型集聚模式;另一个在苏南，为HH型集聚模式。从1999～2000年，这种集聚模式有增强的趋势，集聚更加明显，可以看出整体上苏北比苏南人均GDP低，而苏中没有显著的集聚模式出现,如图3所示。

苏北地区从1999～2005年有一些显著的高值集聚情况，但在2006～2009年没有出现显著的高值集聚，而低值集聚一直存在，集聚中心主要分布在苏北中部偏北的市县,如图4所示。

图4 1999～2009年苏北人均GDP LISA集聚图

图5 1999～2009年苏中人均GDP LISA集聚图

图6 1999～2009年苏南人均GDP LISA集聚图

苏中的集聚模式主要是在宝应县有一个低值集聚中心，在海门市出现高值集聚中心，除了1999年、2000年和2009年，其余年份基本保持了这种模式。在2009年除了宝应县有一个低值的集聚中心外，没有其他明显的集聚中心，如图5所示。

苏南地区2002～2009年呈现出明显的两种不同类型的集聚中心，在苏南西边为LL型集聚模式，苏南东边为HH型集聚模式。在苏南中部不存在明显的集聚现象，如图6所示。

从以上的分析可知，从江苏省全省尺度看，具有明显的2个集聚中心，一个在苏北，一个在苏南。从苏北、苏中和苏南3个区域的尺度来看，苏中和苏南具有比较稳定和明显的集聚中心，苏北的集聚模式并不明显也不稳定。

4 结 语

本文采用CV和ESDA的方法对江苏省人均GDP的统计数据进行了分析，得出江苏省1999～2009年的CV变化情况和人均GDP的空间集聚模式如下：

1）江苏全省各县市的人均GDP存在较大的差距，发展很不平衡；苏北、苏中和苏南地区的CV历年变化基本平稳，都比较低，可见全省的CV较高主要来自苏北、苏中和苏南3大区域之间的差异。

2）全省的人均GDP主要存在2个集聚点，苏北和苏南分别是低值和高值集聚中心，说明苏南的经济发展水平比苏北高；苏北的人均GDP集聚模式没有固定的特征，苏中和苏南都有比较稳定的集聚中心。

3）空间自相关分析存在可塑性面积单元的问题，属性数据之间的关系常常随着研究粒度和区划方式的不同而发生变化[14]，这是在空间数据分析中很常见的问题[15]。在本文中是以行政区划为统计单元进行空间自相关的分析，以后将在不同的区域划分方法中进行分析，看结果的变化，从而找到适合于经济现象分析的合理的区域划分方法。

[1]范新生, 应龙根.中国SARS疫情的探索性空间数据分析[J].地球科学进展，2005, 20(3): 282-291

[2]宣国富, 徐建刚, 赵静.基于ESDA的城市社会空间研究——以上海市中心城区为例[J].地理科学，2010, 30(1): 22-29

[3]Tu W, Tedders S, Tian J.An Exploratory Spatial Data Analysis of Low Birth Weight Prevalence in Georgia[J].Applied Geography,2012, 32(2): 195-207

[4]任慧.基于ESDA的深圳市住宅基准地价空间分布规律研究[J].地理空间信息, 2013, 11(3): 142-144

[5]周圆, 张青年, 祝友良.基于GIS的县域农林产业空间分布探索性分析[J].地理空间信息, 2012,10 (5): 44-46

[6]洪国志, 胡华颖, 李郇.中国区域经济发展收敛的空间计量分析[J].地理学报, 2010, 65(12): 1 548-1 558

[7]陈学刚, 杨兆萍.基于ESDA-GIS的新疆县域经济时空差异研究[J].测绘科学,2008, 33(3): 62-65

[8]宋萍, 洪伟, 吴承祯, 等.基于ESDA的福建省县域经济差异[J].福建农林大学学报:自然科学版,2009, 38(4): 406-411

[9]江苏省统计年鉴[EB/OL].http://www.jssb.gov.cn/jstj/tjsj/tjnj/,2010-12-01/2014-06-01

[10]柏延臣, 李新, 冯学智.空间数据分析与空间模型[J].地理研究,1999, 18(2): 185-190

[11]马荣华, 蒲英霞, 马晓东.GIS空间关联模式发现[M].北京:科学出版社, 2007

[12]马晓冬, 马荣华, 徐建刚.基于ESDA-GIS的城镇群体空间结构[J].地理学报,2004, 59(6): 1 048-1 057

[13]Cliff A D, Ord J K.Spatial Processes, Models and Applications[M].London: Pion, 1981

[14]陈江平, 张瑶, 余远剑.空间自相关的可塑性面积单元问题效应[J].地理学报，2011, 66(12): 1 597-1 606

[15]李广, 侯扶江, 黄高宝.临泽盐渍化草地空间格局的可塑性面积单元问题[J].生态学报,2008, 28(1): 154-161