江苏新型城镇化进程下人均公园绿地面积的时空分布研究①

于祯艨 吕忠全 王惜凡 吕蕊汐 吕欣晔

（1 南京林业大学理学院 江苏南京 210037；2 南京林业大学经济管理学院 江苏南京 210037；3 南京市第九中学 江苏南京 210018）

2017 年以来，我国新型城镇化进程进入第三阶段的成长关键期，绿色协调发展成为各城市的着力点。相较于传统城镇化，新型城镇化的“新”主要体现在注重环境友好。人均公园绿地面积是衡量新型城镇化绿化水平的重要指标［1］，作为维系市民、公园绿地与城市的载体，公园绿地在新型城镇化推进过程发挥重要作用，因此，研究我国城市人均公园绿地面积的时空分布，能清晰观察现有公园绿地建设发展问题，可为新型城镇化绿化水平建设提供理论依据。

蔡彦庭等［2］通过GIS 技术和景观格局指数，分析了广东省中心城区公园绿地空间格局以及可达性；邢琳琳等［3］通过对我国城市建设绿地率与人均公园绿地面积的截面数据进行离差系数研究，发现我国人均公园绿地面积失调较为严重，且处于增强态势，但该失调状况随行政级别上升该情况有所减轻；陆砚池等［4］构建了以居民出行成本最小化、可达性差异最小化为目标的公园绿地布局优化模型，确定公园绿地合适规模；周筱雅等［5］采用ESDA-GIS 空间分析法，研究了我国市域单元人均公园绿地面积的空间集聚特征。本研究采用空间自相关模型，以江苏省2018 年截面数据为例，分析人均公园绿地面积的时空分布，以期为评价公园绿地建设的均衡发展状况提供理论依据。

1 数据选取与模型构建

1.1 数据选取

研究区域为江苏省地级市主城区、各县级市以及部分附属区、县，共计72 个空间样本。设定人均公园绿地面积为因变量，数据来源于《中国城市建设统计年鉴 （2018） 》《统计年鉴（2018）》《统计公报（2018）》，剔除两个数据不完整的区县。

采用空间横截面数据分析法，即先假设时间不变（选取72 个空间样本2018 年数据），在静态分析环境下描述人均公园绿地面积在空间上的特征，探究同一时间维度下因变量在空间中是否存在异质性或相似性。

1.2 空间自相关模型构建

1.2.1 全局Moran’s I检验

为了探究因变量是否受空间影响，首先应进行全局Moran'sI检验。Moran'sI指数可以描述区域整体人均公园绿地面积的空间关联性和差异程度［6］，计算公式如式（1）。

式（1）中，xi表示对于不同空间单位i的人均公园绿地面积，n表示空间样本总数，Wij表示空间权重矩阵，I取值范围是（-1，1），I越接近1，表示变量的空间相似性越强，I越接近-1，表示变量之间的异质性越强，当I值接近于0 时，表示变量在空间上几乎不存在相关性［7］。

1.2.2 LISA局部空间自相关检验

LISA 检验主要用于分析局部地区空间自相关显著性，通过该项检验，一般会出现4 种情况。H-H 类型是指高人均公园绿地面积区域被同样高的人均公园绿地面积区域所包围；L-L 类型是低人均公园绿地面积区域被同样低人均公园绿地面积区域所包围；L-H 类型是指低人均公园绿地面积区域被高人均公园绿地面积区域所包围；H-L类型是指高人均公园绿地面积区域被低人均公园绿地面积所包围。

2 结果与分析

2.1 空间相关性

2.1.1 空间权重矩阵的选取

构建空间计量模型，首先要建立一个表达空间交互结构的权重矩阵。选取空间邻接权重矩阵和空间距离权重矩阵分别对因变量进行全局Moran’s I检验［8］，利用GeoDa软件计算。

由于Queen邻接规则定义的空间样本与周围空间单元具有更加紧密关联效应，故采用Queen一阶邻接规则，即将拥有共有边界以及共同顶点的空间样本作为邻接单元进行计算。

在计算过程中有两个区域无邻居，因此，全局自相关检测时软件自动删除异常区域。得到图1所示的Moran 散点图（左上角为空心区L-H 类型；右上角为高效区H-H类型；左下角为低效区L-L类型；右下角为极化区H-L 类型）。检测值数为0.036，从数值和散点图分布可以看出，人均公园绿地面积在使用空间邻接矩阵分析时不显著。

图1 空间Queen一阶邻接矩阵Moran指数

选用GeoDa 中K-近邻（KNN）距离矩阵，将人均公园绿地面积变量标准化后使用欧几里得距离进行全局自相关检验，选择邻居个数为4。结果如图2 所示。检测数值为0.956，且点集在高值聚集处和低值聚集处集聚趋势明显，说明使用空间K-近邻权重矩阵时，人均公园绿地面积空间正显著相关。

图2 空间K-近邻距离权重矩阵Moran指数

对结果进行999 次随机置换，结果如表1 所示。全局自相关指数通过95%置信度检验，且莫兰指数显著化检验指标Z 统计量大于临界值1.65，因此，采用K-近邻空间距离权重矩阵进一步分析人均公园绿地面积的空间结构。

表1 显著性检验结果

利用K-近邻方法建立空间权重矩阵，区域中某一个人均公园绿地面积样本会根据定义的距离种类（采用欧氏距离）在特征空间中寻找4个近邻且相似的样本进行分类，直至遍历所有空间样本。分别得到LISA 显著性地图和LISA 聚类地图如图3～4所示。

图3 LISA局部显著性地图

图4 LISA局部聚类地图

2.1.2 空间自相关聚类结果分析

通过局部自相关分析计算空间样本分类结果，如表2所示。

表2 LISA局部自相关聚类（KNN）结果

由表2 可知，H-H、L-L 类型包含的区域人均公园绿地面积总和的均值结果差异较大。根据《城市绿地分类标准》，生态地级市人均公园绿地面积至少要达到11 m2/人。6 个高效应聚集地区域和49 个空间相关性不显著地区的人均公园绿地面积平均水平均达到了要求，但低效应聚集区域没有达到生态地级市要求。通过聚类结果可以发现，新沂市、灌南县、姜堰区、扬中市、丹阳市、高邮市、如东县、响水县人均公园绿地面积偏低。其中新沂市（隶属徐州市）、灌南县（连云港市）、响水县（盐城市）属于苏北地区，姜堰区（泰州市）、如东县（南通市）、高邮市（扬州市）属于苏中地区，扬中市（镇江市）属于苏南地区，这些区域所在的地级市人均公园绿地面积数值普遍较高。同一地级市区域内，不同地区之间的交互效应不强，主要表现为高人均公园绿地面积所在区域的周边城市为低人均公园面积水平。这需要当地有关部门及时做好沟通。此外，部分地区灌南县、扬中市的县域面积相对较小、人口密度相对较大，也导致人均公园绿地面积值过小的情况等。

研究空间样本中，有68%区域呈现不显著。因此，将各地级市内呈现不显著结果的区域人均公园绿地面积求和。图5可知，13个地级市的人均公园绿地面积波动不大，说明空间异质性不显著。为了进一步探究是否受新型城镇化影响，研究该区域2009 年人均公园绿地面积，如图6 所示。对比图5～6 可以发现，新型城镇化前后，人均公园绿地面积变化较大，多个地级市人均公园绿地面积明显增加，部分呈轻微下降趋势，说明江苏不同地域间连通性和交互性强。

图5 2018年区域人均公园绿地面积

图6 2009年区域人均公园绿地面积

3 结论

以江苏省为例，对72 个空间样本人均公园绿地面积进行空间自相关分析，比较邻接空间权重矩阵和距离空间权重矩阵的莫兰指数，选取合适的空间权重矩阵进行LISA 局部聚类分析。通过聚类结果可知，部分地区具有明显空间相关性，且极化式分布明显，其余不显著地域的人均公园绿地面积也均达到标准要求。通过显著性地图分析，H-H 型主要集聚在苏南地区，全省平均水平良好，但个别区域人均公园绿地面积明显低于江苏省平均水平和国家生态市建设标准，需要相关部门进一步整改。