论文部分内容阅读
[摘 要]选取了2000、2004、2006年的广东省各地级市的医疗机构数、医院数、床位数等7个指标反映各市的医疗服务量,计算出各市人均医疗服务量。采用GIS空间分析法对人均医疗服务量水平差异进行分析,通过计算各地级市人均医疗服务量空间自相关系数Moran’s I,表明其人均医疗服务量水平正逐渐呈现出空间自相关特性,进一步结合广东省各地级市经济发展水平进行分析表明:广东省人均医疗服务量与经济发展水平逐渐呈现出正相关特性,且其差异随着经济差异的拉大在逐渐增大。最后通过对各研究年份的空间联系局域指标(LISA)的分析,揭示了广东省人均医疗服务量的区域差异的时空变化特点。
[关键词]空间自相关 人均医疗服务量 广东省
一、引言
改革开放以来,广东省的经济持续高速增长,在全国处于领先地位。相对而言,广东省的人均公共服务享有量也在随之快速提高,远远高于全国的平均水平。然而,由于经济发展不平衡现象的存在,广东省的人均公共服务量也存在着较大的区域差异。人均医疗服务是人均公共服务的一个重要方面。
本文正是基于此,从广东省人均公共服务的表现之一的人均医疗服务量入手,采用GIS的空间分析方法,揭示广东省人均医疗服务量发展的区域空间特征,以期为缩小人均公共服务的空间差异提供基础与依据。
二、研究方法及技术路线
1. 主要研究方法——空间自相关
空间自相关是对数据的空间相关联的相关研究方法,它是检验某一现象是否显著地与其相邻空间单元的现象相关联的重要指标,其测算结果包括正相关和负相关两种。
全局空间自相关:在于描述某现象的整体分布状况,判断此现象在空间是否有聚集特性存在,但并不能确切地指出聚集在哪些地区。常用的指标是Moran’s I。公式如下:
式中:N、n表示空间单元的数目,xi为观测值,为xi的平均值。为研究范围内空间单元i与空间单元j ( i,j = 1,2,3,4 …,n ) 的空间连接矩阵。
Moran’s I 需作显著性检验,一般采用Z检验,如下式: ,式中:
Moran’s I的值的结果介于-1到1之间。大于0为正相关,小于0为负相关,且绝对值越大,空间分布的关联性越大,即空间上具有强聚集性或强相异性。反之则反,当值趋于0时表示此时空间分布呈随机性。
局域空间自相关:有别于全局空间自相关,局域空间自相关除了度量区域内空间关联的程度外,最重要的是能找出空间聚集点或子区域的所在。本文采用Local Moran’s I 来度量局域空间自相关性。从本质上讲Local Moran’s I 是将Moran’s I 分解到各个空间单元。即空间联系局域指标。对于某一个空间单元i ,其LISA 的计算公式为:
式中:N,n,,,含义同公式(1),
LISA 的Z检验为,式中:。
按上式计算出的每个为全局Moran’s I的一部分,的绝对值越大则表示子区域i具有较高程度的空间关联性。
2.研究技术路线
本文的数据来自《广东省统计年鉴》,选取广东省各地级市2000年、2004年和2006年的医疗机构数、医院数、床位数、医院床位数、卫生工作人员、卫生技术人员、执业医师等7个指标,通过统计软件SPSS进行因子分析。在因子分析的结果中,找到七个指标的旋转矩阵图,得出每个指标对主因子的贡献率,将其作为七个指标的权重,再进行几何加权得出各市医疗服务量的综合得分,将此得分除以各市人口数(为方便计算,计算结果均扩大107倍,以整数参与计算),计算出各市人均医疗服务量,利用 ArcGIS软件,得出广东省各地级市人均医疗服务量的空间特征。
三、 测算结果与分析
空间自相关的计算过程比较复杂繁琐,计算量较大,本文采用Anselin设计的软件GeoDA进行计算。
1. 各地级市医院服务数目的全局空间自相关
利用GeoDA计算出广东省各地级市2000年、2004年及2006年的各市人均医疗服务量的空间自相关系数Moran’s I(表1)。
表1 2000,2004,2006年广东省各市人均医疗服务量空间自相关系数值
年份 2000 2004 2006
Moran’s I 0.0995 0.1162 0.2002
由表1可知,广东省各地级市在2000年的时候人均医疗享有量差异并不是很明显。而至2004年及2006年逐渐出现了空间自相关特性。
2.广东省医疗服务量水平与经济发展的关系
自1980年代以来,广东省作为我国对外开放的前沿阵地,经济持续高速增长。图1-3(a)显示出2000-2006年以来广东省来人均GDP增长速度较快。2000年,广东省、珠江三角洲地区的人均GDP分别为11722元、18461元,两者之间比较接近。至2006年,广东省人均GDP为24750元,而珠江三角洲地区的人均GDP高达41156元,相当于广东省人均GDP的两倍,已远远高于其它地级市的人均GDP,其经济发展水平要远远高于省内其它城市,可见其区域差异在逐渐拉大。相较之,结合图1(b)发现,人均医疗服务量在2000年的时候集聚特征还不明显,区域差异不大。广州市和韶关市要稍高于其它地级市,沿海一带城市除了珠江三角洲地区和湛江市,其它地级市人均医疗服务量并不高。空间自相关特性表现不强。图1(a)显示,2000年深圳、东莞和中山市的人均GDP居于全省高水平。同时图1(b)显示,深圳、东莞和中山市的人均享有医疗服务水平相对全省其它地级市来说反而较低。粤西的湛江市人均GDP较低,茂名市较之湛江市稍高,然而湛江市的人均医疗服务量在全省处于中等水平,茂名市却处于低水平。这种情况在粤东地区也有所表现。梅州市的人均GDP在全省偏低,潮州和汕头市人均GDP均高于梅州,然而其人均医疗服务量均低于梅州市。粤北的韶关和清远等市人均GDP水平在全省处于偏低水平,然而其对应的人均医疗服务量在全省处于偏高水平。由此可见,2000年广东省人均医疗服务量与经济发展水平并非呈现正相关特性。
至2004年,珠江三角洲的深圳、东莞、中山等市的人均GDP相较之2000年,人均GDP增长了大约一倍。整个珠江三角洲地区的人均GDP在全省处于高水平。粤东、粤西、粤北地区经济发展速度较之珠江三角洲地区较慢,其人均GDP在全省处较低水平。图2(b)显示了2004年深圳和中山市的人均医疗服务量有所增多,在全省已达到中等水平。而东莞市的人均医疗服务量在全省仍处于低水平。整个珠江三角洲地区的人均医疗享有量有所增加,粤西与粤东地区的人均医疗享有量在全省偏低。广东省人均医疗服务量(除东莞市)与经济发展水平呈现出初步的正相关特性。整个广东省的人均医疗享有量水平已出现较为明显集聚现象,人均医疗服务量高的区域逐渐集中在珠江三角洲地区,呈现出了初步的空间自相关特性。
2006年东莞和中山等市的人均GDP在全省仍处于高水平,其人均医疗服务量也有不同程度的增长,中山市已达到全省较高水平,但东莞市在全省仍处较低水平。整个珠江三角洲地区的人均GDP已远远高于省内其它地区,珠江三角洲地区的经济发展水平与其它地区的差距在逐渐拉大。图3(b)显示了人均医疗服务量高的地区也更加紧密集聚在珠江三角洲地区,粤东、粤西、粤北的人均医疗享有量已逐渐落后于珠江三角洲地区。广东省人均医疗服务量(除东莞市)与经济发展水平正相关关系更为明显。各市的人均医疗服务享有量正在随着经济差距的拉大而逐渐加大。
以上数据表明,广东省人均医疗服务量与经济发展水平已呈现出正相关关系,且区域之间差异逐渐拉大,逐渐出现了较为明显的空间自相关特性。高位的逐渐集中在珠江三角洲地区,低位的逐渐集中在粤东、粤西和粤北地区。然而经济发展水平处于全省高位的东莞市,其人均医疗服务量与经济发展水平呈现出负相关,东莞市人均医疗服务量并未随着经济的增长而居全省高位,相反处于全省低水平。
3. 各地级市的医院服务量的局域空间自相关
(1) Moran散点图
Moran散点图是用于研究局域空间的异质性,其表现形式为笛卡尔直角坐标系,横坐标为各空间单元标准化后的属性值(研究对象的值,下同) ,纵坐标为标准化后的由空间连接矩阵决定的相邻单元属性值的平均值。散点图的四个象限按其性质分为“高高”(第一象限) 、“低高”(第二象限) 、“低低”(第三象限) 、“高低”(第四象限) 。其含义是显而易见的:“高高”表示某一空间单元和周围单元的属性值都较高,该单元和周围单元组成的子区域即为通常所说的热点区,“低低”(盲点区) 的含义与此相反,落入这两个象限的空间单元存在较强的空间正相关,即有均质性;“高低”表示某一空间单元属性值较高,而周围单元较低,“低高”则刚好与此相反,落入这两个象限的空间单元表明存在较强的空间负相关,即异质性突出。例如在2006年的Moran散点图中,落入“高高”区(第一象限)的地级市有广州、惠州、珠海、深圳、佛山、中山等市,他们的人均医疗服务量较高,且周围地级市的也较高。落在“低高”区(第二象限)的地级市是东莞和清远市,其人均医疗服务量较低,但周边地区较高。落在“高低”区(第四象限)的地级市是韶关和梅州市,其人均医疗享有量水平在全省处于较高水平,而其周围地级市均处于较低水平。而在“低低”区(第三象限)主要分布在粤东和粤西两翼,经济发展水平不高,并尚未重视加强对医疗服务建设的投入,人均医疗服务量较低。通过绘制2000年、2004年及2006年的Moran散点图得知,近几年广东省人均医疗服务量水平在逐渐集聚,逐渐呈现出较为明显的空间自相关特性(图4)。
(2) LISA聚集图
从Moran散点图中可以看到,广东省医疗服务水平的空间特性已逐渐转向空间二元结构,但没有指示各个区域空间自相关的程度,LISA值恰好弥补了这一缺陷。LISA值是衡量空间单元属性和周围单元的相近和相异程度的指标。利用GeoDA软件,计算出广东省各地级市2000年和2006年的人均医疗服务量的LISA值,绘制LISA聚集图(图5)。
由图5(a)知,2000年韶关和清远具有显著的LISA值,中山市的LISA值显示为“低高”,表明当时广东省粤北地区的人均医疗服务量较之珠江三角洲地区较高,这主要是因为粤北地区的人口密度较小。至2006年,中山市由“低低”区跃入了“高高区”,东莞市进入了“低高”区,表明经过了6年的发展,珠江三角洲地区除东莞外在经济发展的同时加强了对医疗服务设施的投入,提高了人均医疗服务量水平,在全省处于高位。汕尾市进入了“低低”区,表明了粤西地区的医疗水平发展速度较之全省较低,其人均医疗享有量在全省仍处于低位。表明其在经济发展的同时未能加大对医疗服务设施的建设,尚未提高人们的人均医疗服务量。清远市由“高高”区落入了“低高区”,表明清远市的人均医疗服务享有量相对全省来说地位处下降趋势。由此说明,广东省珠江三角洲地区与粤东、粤西两翼及粤北地区的人均医疗服务量的差距在逐渐拉大,逐渐呈现出空间二元结构。
四、 结论
本文简单介绍了GIS空间分析法的技术特点,并以其中的空间自相关方法对当前广东省各市人均医疗服务量情况进行了分析。深入了解了广东省人均医疗服务量的现状及发展的时空变化,并对其与经济发展水平的关系作了相应的研究。
研究发现广东省人均医疗服务量逐渐显示出空间自相关特性,已呈现出空间二元结构且与经济发展水平逐渐呈现出正相关关系。人均享有量低的地级市主要集中粤北及粤东、粤西两翼。通过分析得知,珠江三角洲地核心地区广州市人均医疗服务量在全省处于高位,并逐渐辐射至外围的惠州、佛山、深圳等地。而东莞市的人均医疗服务量与经济发展水平呈现出了负相关关系。针对广东各市在经济发展水平与人均医疗服务量的相关关系,各市应在注重经济发展的同时,提高人均医疗服务量,才能真正解决人们“就医挤、就医难”的现象。
参考文献:
[1] 徐建华. 计量地理学[M]. 北京:高等教育出版社,
[2] 高洪深. 区域经济学[M]. 北京:中国人民大学出版社,2002
[3] 麻永建. 河南省区域经济发展水平及其差异的空间自相关研究[J]. 经济纵横,2006(2)
[4] 曾庆泳,陈忠暖. 基于GIS空间分析法的广东省经济发展区域差异[J]. 经济地理,2007(4)
[5] 郭仁忠. 空间分析[M]. 北京:高等教育出版社,2001.
[6] 孟斌,王劲峰等. 基于空间分析方法的中国区域差异研究[J]. 地理科学,2005(4)
[7] ANSELIN L. The future of spatial analysis in the social sciences [J ] .Geographic Information Sciences ,1999 ,5 (2)
[8] ANSELIN L. Local Indicators of Spatial Association —LISA[J ] . Geographical Analysis ,1995 ,27(2)
[关键词]空间自相关 人均医疗服务量 广东省
一、引言
改革开放以来,广东省的经济持续高速增长,在全国处于领先地位。相对而言,广东省的人均公共服务享有量也在随之快速提高,远远高于全国的平均水平。然而,由于经济发展不平衡现象的存在,广东省的人均公共服务量也存在着较大的区域差异。人均医疗服务是人均公共服务的一个重要方面。
本文正是基于此,从广东省人均公共服务的表现之一的人均医疗服务量入手,采用GIS的空间分析方法,揭示广东省人均医疗服务量发展的区域空间特征,以期为缩小人均公共服务的空间差异提供基础与依据。
二、研究方法及技术路线
1. 主要研究方法——空间自相关
空间自相关是对数据的空间相关联的相关研究方法,它是检验某一现象是否显著地与其相邻空间单元的现象相关联的重要指标,其测算结果包括正相关和负相关两种。
全局空间自相关:在于描述某现象的整体分布状况,判断此现象在空间是否有聚集特性存在,但并不能确切地指出聚集在哪些地区。常用的指标是Moran’s I。公式如下:
式中:N、n表示空间单元的数目,xi为观测值,为xi的平均值。为研究范围内空间单元i与空间单元j ( i,j = 1,2,3,4 …,n ) 的空间连接矩阵。
Moran’s I 需作显著性检验,一般采用Z检验,如下式: ,式中:
Moran’s I的值的结果介于-1到1之间。大于0为正相关,小于0为负相关,且绝对值越大,空间分布的关联性越大,即空间上具有强聚集性或强相异性。反之则反,当值趋于0时表示此时空间分布呈随机性。
局域空间自相关:有别于全局空间自相关,局域空间自相关除了度量区域内空间关联的程度外,最重要的是能找出空间聚集点或子区域的所在。本文采用Local Moran’s I 来度量局域空间自相关性。从本质上讲Local Moran’s I 是将Moran’s I 分解到各个空间单元。即空间联系局域指标。对于某一个空间单元i ,其LISA 的计算公式为:
式中:N,n,,,含义同公式(1),
LISA 的Z检验为,式中:。
按上式计算出的每个为全局Moran’s I的一部分,的绝对值越大则表示子区域i具有较高程度的空间关联性。
2.研究技术路线
本文的数据来自《广东省统计年鉴》,选取广东省各地级市2000年、2004年和2006年的医疗机构数、医院数、床位数、医院床位数、卫生工作人员、卫生技术人员、执业医师等7个指标,通过统计软件SPSS进行因子分析。在因子分析的结果中,找到七个指标的旋转矩阵图,得出每个指标对主因子的贡献率,将其作为七个指标的权重,再进行几何加权得出各市医疗服务量的综合得分,将此得分除以各市人口数(为方便计算,计算结果均扩大107倍,以整数参与计算),计算出各市人均医疗服务量,利用 ArcGIS软件,得出广东省各地级市人均医疗服务量的空间特征。
三、 测算结果与分析
空间自相关的计算过程比较复杂繁琐,计算量较大,本文采用Anselin设计的软件GeoDA进行计算。
1. 各地级市医院服务数目的全局空间自相关
利用GeoDA计算出广东省各地级市2000年、2004年及2006年的各市人均医疗服务量的空间自相关系数Moran’s I(表1)。
表1 2000,2004,2006年广东省各市人均医疗服务量空间自相关系数值
年份 2000 2004 2006
Moran’s I 0.0995 0.1162 0.2002
由表1可知,广东省各地级市在2000年的时候人均医疗享有量差异并不是很明显。而至2004年及2006年逐渐出现了空间自相关特性。
2.广东省医疗服务量水平与经济发展的关系
自1980年代以来,广东省作为我国对外开放的前沿阵地,经济持续高速增长。图1-3(a)显示出2000-2006年以来广东省来人均GDP增长速度较快。2000年,广东省、珠江三角洲地区的人均GDP分别为11722元、18461元,两者之间比较接近。至2006年,广东省人均GDP为24750元,而珠江三角洲地区的人均GDP高达41156元,相当于广东省人均GDP的两倍,已远远高于其它地级市的人均GDP,其经济发展水平要远远高于省内其它城市,可见其区域差异在逐渐拉大。相较之,结合图1(b)发现,人均医疗服务量在2000年的时候集聚特征还不明显,区域差异不大。广州市和韶关市要稍高于其它地级市,沿海一带城市除了珠江三角洲地区和湛江市,其它地级市人均医疗服务量并不高。空间自相关特性表现不强。图1(a)显示,2000年深圳、东莞和中山市的人均GDP居于全省高水平。同时图1(b)显示,深圳、东莞和中山市的人均享有医疗服务水平相对全省其它地级市来说反而较低。粤西的湛江市人均GDP较低,茂名市较之湛江市稍高,然而湛江市的人均医疗服务量在全省处于中等水平,茂名市却处于低水平。这种情况在粤东地区也有所表现。梅州市的人均GDP在全省偏低,潮州和汕头市人均GDP均高于梅州,然而其人均医疗服务量均低于梅州市。粤北的韶关和清远等市人均GDP水平在全省处于偏低水平,然而其对应的人均医疗服务量在全省处于偏高水平。由此可见,2000年广东省人均医疗服务量与经济发展水平并非呈现正相关特性。
至2004年,珠江三角洲的深圳、东莞、中山等市的人均GDP相较之2000年,人均GDP增长了大约一倍。整个珠江三角洲地区的人均GDP在全省处于高水平。粤东、粤西、粤北地区经济发展速度较之珠江三角洲地区较慢,其人均GDP在全省处较低水平。图2(b)显示了2004年深圳和中山市的人均医疗服务量有所增多,在全省已达到中等水平。而东莞市的人均医疗服务量在全省仍处于低水平。整个珠江三角洲地区的人均医疗享有量有所增加,粤西与粤东地区的人均医疗享有量在全省偏低。广东省人均医疗服务量(除东莞市)与经济发展水平呈现出初步的正相关特性。整个广东省的人均医疗享有量水平已出现较为明显集聚现象,人均医疗服务量高的区域逐渐集中在珠江三角洲地区,呈现出了初步的空间自相关特性。
2006年东莞和中山等市的人均GDP在全省仍处于高水平,其人均医疗服务量也有不同程度的增长,中山市已达到全省较高水平,但东莞市在全省仍处较低水平。整个珠江三角洲地区的人均GDP已远远高于省内其它地区,珠江三角洲地区的经济发展水平与其它地区的差距在逐渐拉大。图3(b)显示了人均医疗服务量高的地区也更加紧密集聚在珠江三角洲地区,粤东、粤西、粤北的人均医疗享有量已逐渐落后于珠江三角洲地区。广东省人均医疗服务量(除东莞市)与经济发展水平正相关关系更为明显。各市的人均医疗服务享有量正在随着经济差距的拉大而逐渐加大。
以上数据表明,广东省人均医疗服务量与经济发展水平已呈现出正相关关系,且区域之间差异逐渐拉大,逐渐出现了较为明显的空间自相关特性。高位的逐渐集中在珠江三角洲地区,低位的逐渐集中在粤东、粤西和粤北地区。然而经济发展水平处于全省高位的东莞市,其人均医疗服务量与经济发展水平呈现出负相关,东莞市人均医疗服务量并未随着经济的增长而居全省高位,相反处于全省低水平。
3. 各地级市的医院服务量的局域空间自相关
(1) Moran散点图
Moran散点图是用于研究局域空间的异质性,其表现形式为笛卡尔直角坐标系,横坐标为各空间单元标准化后的属性值(研究对象的值,下同) ,纵坐标为标准化后的由空间连接矩阵决定的相邻单元属性值的平均值。散点图的四个象限按其性质分为“高高”(第一象限) 、“低高”(第二象限) 、“低低”(第三象限) 、“高低”(第四象限) 。其含义是显而易见的:“高高”表示某一空间单元和周围单元的属性值都较高,该单元和周围单元组成的子区域即为通常所说的热点区,“低低”(盲点区) 的含义与此相反,落入这两个象限的空间单元存在较强的空间正相关,即有均质性;“高低”表示某一空间单元属性值较高,而周围单元较低,“低高”则刚好与此相反,落入这两个象限的空间单元表明存在较强的空间负相关,即异质性突出。例如在2006年的Moran散点图中,落入“高高”区(第一象限)的地级市有广州、惠州、珠海、深圳、佛山、中山等市,他们的人均医疗服务量较高,且周围地级市的也较高。落在“低高”区(第二象限)的地级市是东莞和清远市,其人均医疗服务量较低,但周边地区较高。落在“高低”区(第四象限)的地级市是韶关和梅州市,其人均医疗享有量水平在全省处于较高水平,而其周围地级市均处于较低水平。而在“低低”区(第三象限)主要分布在粤东和粤西两翼,经济发展水平不高,并尚未重视加强对医疗服务建设的投入,人均医疗服务量较低。通过绘制2000年、2004年及2006年的Moran散点图得知,近几年广东省人均医疗服务量水平在逐渐集聚,逐渐呈现出较为明显的空间自相关特性(图4)。
(2) LISA聚集图
从Moran散点图中可以看到,广东省医疗服务水平的空间特性已逐渐转向空间二元结构,但没有指示各个区域空间自相关的程度,LISA值恰好弥补了这一缺陷。LISA值是衡量空间单元属性和周围单元的相近和相异程度的指标。利用GeoDA软件,计算出广东省各地级市2000年和2006年的人均医疗服务量的LISA值,绘制LISA聚集图(图5)。
由图5(a)知,2000年韶关和清远具有显著的LISA值,中山市的LISA值显示为“低高”,表明当时广东省粤北地区的人均医疗服务量较之珠江三角洲地区较高,这主要是因为粤北地区的人口密度较小。至2006年,中山市由“低低”区跃入了“高高区”,东莞市进入了“低高”区,表明经过了6年的发展,珠江三角洲地区除东莞外在经济发展的同时加强了对医疗服务设施的投入,提高了人均医疗服务量水平,在全省处于高位。汕尾市进入了“低低”区,表明了粤西地区的医疗水平发展速度较之全省较低,其人均医疗享有量在全省仍处于低位。表明其在经济发展的同时未能加大对医疗服务设施的建设,尚未提高人们的人均医疗服务量。清远市由“高高”区落入了“低高区”,表明清远市的人均医疗服务享有量相对全省来说地位处下降趋势。由此说明,广东省珠江三角洲地区与粤东、粤西两翼及粤北地区的人均医疗服务量的差距在逐渐拉大,逐渐呈现出空间二元结构。
四、 结论
本文简单介绍了GIS空间分析法的技术特点,并以其中的空间自相关方法对当前广东省各市人均医疗服务量情况进行了分析。深入了解了广东省人均医疗服务量的现状及发展的时空变化,并对其与经济发展水平的关系作了相应的研究。
研究发现广东省人均医疗服务量逐渐显示出空间自相关特性,已呈现出空间二元结构且与经济发展水平逐渐呈现出正相关关系。人均享有量低的地级市主要集中粤北及粤东、粤西两翼。通过分析得知,珠江三角洲地核心地区广州市人均医疗服务量在全省处于高位,并逐渐辐射至外围的惠州、佛山、深圳等地。而东莞市的人均医疗服务量与经济发展水平呈现出了负相关关系。针对广东各市在经济发展水平与人均医疗服务量的相关关系,各市应在注重经济发展的同时,提高人均医疗服务量,才能真正解决人们“就医挤、就医难”的现象。
参考文献:
[1] 徐建华. 计量地理学[M]. 北京:高等教育出版社,
[2] 高洪深. 区域经济学[M]. 北京:中国人民大学出版社,2002
[3] 麻永建. 河南省区域经济发展水平及其差异的空间自相关研究[J]. 经济纵横,2006(2)
[4] 曾庆泳,陈忠暖. 基于GIS空间分析法的广东省经济发展区域差异[J]. 经济地理,2007(4)
[5] 郭仁忠. 空间分析[M]. 北京:高等教育出版社,2001.
[6] 孟斌,王劲峰等. 基于空间分析方法的中国区域差异研究[J]. 地理科学,2005(4)
[7] ANSELIN L. The future of spatial analysis in the social sciences [J ] .Geographic Information Sciences ,1999 ,5 (2)
[8] ANSELIN L. Local Indicators of Spatial Association —LISA[J ] . Geographical Analysis ,1995 ,27(2)