ESDA方法旅游(生态)学？.ppt

ESDA方法+旅游（生态）学=？ 汇报内容： 一 选题背景与意义 二 相关概念介绍 三 基于ESDA方法的实证分析 四 几点启示 一 选题背景与意义 近年来随着GIS技术以及空间分析技术的不断进步与发展，ESDA（Exploratory Spatial Data Analysis ）技术日渐成熟并被引入到区域经济分析领域以及区域空间结构方面。以空间关联测度为核心的ESDA方法，通过对事物或现象空间分布格局的描述与可视化，发现数据的空间集聚与空间异常，揭示研究对象之间的空间相互作用机制，从而更为有效为解决当前一些实际问题提供借鉴与指导。 二 相关概念介绍 1 全局空间自相关分析 主要通过对Global Moran’ I和Global Geary’ C 等全局空间自相关统计量的估计，分析区域总体的空间关联和空间差异程度。其中Global Moran’ I统计量较为常用，向量表达式为： 在给定显著性水平时（5%），若Moran’s I显著为正，则表示研究单元属性数据较高（或较低）的区域在空间上显著集聚。值越趋近于1，总体空间关联性越大即属性数据的差异程度较小。反之，若Moran’s I显著为负，则表明该区域与其周边区域具有显著的空间差异。值越趋近于-1，总体关联性越小。仅当Moran’s I接近期望值-1/(n-1)时，观测值（属性数据）之间才相互独立，在空间上随机分布。 Global Moran’s I统计量是一种总体统计指标，仅说明所有区域与周边地区之间空间差异的平均程度。在区域总体空间差异缩小的情况下，局部空间差异有可能扩大。为了全面反映区域经济空间差异的变化趋势，还需采用ESDA局部分析方法。 2 局部空间自相关分析 利用Local Moran’s I和Local Geary’s C等局部空间自相关统计量，可以度量每个区域与周边地区之间的局部空间关联性和空间差异性，并结合Moran散点图或散点地图等形式，将局部差异的空间格局可视化，研究其空间分布规律。 （1） Moran散点图　将变量z与其空间滞后向量(Wz)之间的相关关系，以散点图的形式加以描述，则构成Moran散点图。其中，横轴对应变量z的所有观测值，纵轴对应空间滞后向量(Wz)的所有取值。每个区域观测值的空间滞后就是该区域周围邻居观测值的加权平均，具体通过标准化的空间权重矩阵来加以定义。 我们可以进一步将Moran散点图划分为四个象限，分别对应四种不同的区域经济空间差异类型： ①右上象限（HH）：区域自身和周边地区的属性值均较高，二者的关联性较大（空间差异程度较小）； ②左上象限（LH）：区域自身属性值较低，周边地区较高，二者的关联性较小（空间差异程度较大）； ③左下象限（LL）：区域自身和周边地区的属性值均较低，二者的关联性较大（空间差异程度较小）； ④右下象限（HL）：区域自身属性值较高，周边地区较低，二者的关联性较小（空间差异程度较大）。 　高（H）和低（L）是相对于区域总体的平均水平而言。 （2） Local Moran’s Ii统计量　它是Global Moran’s I的分解形式，可用来进一步度量区域i与其周边地区之间的空间差异程度及其显著性。对第i个区域而言，该统计量的数学形式为:　　　　　　　　　　 zi和zj是区域i和j上观测值的标准化，wij是空间权重，其中∑jwij= 1。若Ii大于0而zi大于0，则区域i位于HH象限；若Ii大于0而zi小于0，则区域i位于LL象限；若Ii小于0而zi大于0，则区域i位于HL象限；若Ii小于0且zi小于0，则区域i位于LH象限。以上四个象限的含义与Moran散点图解释相同。Ii的显著性可以采用Bonferroni标准加以判断。当总的显著性水平设定为α时，每一个区域的显著性要根据α/n的原则进行判断。在给定显著性水平α时，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；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。 三 基于ESDA方法的实证分析 1 总体空间差异 整个研究期间全局Moran’I指数基本为负，仅1997、2008、2009年三个年份为正，即皖江城市带各地区人均GDP水平的空间分布不存在显著的正相关，而是非相似的观测值空间集聚，呈现出负相关的特性，但皖江城市带县域经济实力空间负相关不明显，说明皖江城市带县域经济实力的空间地域分异不显著，各县域经济实力高低水平错落分布，尚未形成多层次网络式的空间结构格局，这也在一定程度证明了皖江城市带中心城市综合实力较弱，对周边县市的带动能力较弱，仍呈现“增长极”模式发展。