论文部分内容阅读
摘要：通过空间自相关分析法，利用Geoda 软件对中国06年，08年，10年，12年这四年各省的氮氧化物排放强度和局部空间自相关性进行了实证分析。结果表明，这四年的Moran’s I 的指数分别为0.22890.25230.27280.2851，莫兰指数成逐年上升的态势，说明各省氮氧化物排放强度与区域是正相关的且呈逐年上升趋势。利用Geoda 软件生成的LISA图可看出西北部成红色高高聚集，东南部成蓝色低低聚集，说明中国东南部单位GDP所产生的氮氧化物的排放量低于周边省份，西北部高于周边省份，得出中国氮氧化物排放强度呈现从东南部向西北部逐渐升高的态势。
关键词：空间自相关性；氮氧化物排放强度；莫兰指数
Abstract: through spatial autocorrelation analysis, using Geoda software to China for 06 years, 08 years, 10 years,12 years, four years of nitrogen oxides emission intensity ofprovincial and local spatial autocorrelation of the empiricalanalysis. The results show that, this four years of Moran 's Iindex was 0.2289 0.2523 0.2728 0.2851, Moran indexrising trend year by year, shows that the nitrogen oxide emission intensity and area is positively correlated with an upward trend year by year. Using Geoda software to generate LISA diagrams of Northwest red high aggregation,Southeast of the low aggregation into blue, that emissions of nitrogen oxides produced by the Chinese southeast GDP units below the surrounding provinces, higher than the surrounding provinces in Northwest China, the nitrogen oxide emission intensity has increased gradually fromsoutheast to northwest. Situation.
Keywords: spatial autocorrelation; nitrogen oxides emission intensity; Moran index
1引言
空间自相关是空间统计分析方法的一种，用以显示某种地理现象是否存在着某种特殊的空间形态。只要属性变量在空间中不是随机分布的，而是表现出一定的规律性，那么这种变量就存在着空间自相关性。因此，空间自相关是区域化变量的基本属性之一。空间自相关统计量可用于检测研究区域内变量的分布是否具有空间依赖性，空间异质性，空间结构性。空间自相关分析早已运用于数字图像处理，流行病学，区域经济、环境监测等方面的研究[1,2]。氮氧化物排放强度是指单位国内生产总值所产生的氮氧化物的量，是反映经济发展造成环境污染程度的指标。
氮氧化物是造成大气污染的主要污染物之一，氮氧化物的种类很多，最主要污染物是一氧化氮和二氧化氮。自然界中的氮氧化物的来源主要有两种：天然排放的氮氧化物：主要来自土壤和海洋中有机物分解，属于自然界的氮循环过程；人为活动排放的氮氧化物：主要是化石燃料的燃烧。
氮氧化物的危害主要表现在：①对人类和动物的危害：人类和动物吸入过量氮氧化物会导致中毒。②对植物的危害：长期在氮氧化物超标的环境中生长，植物会枯萎。③对环境的影响：氮氧化物是形成酸雨、酸雾的主要原因之一；氮氧化物会形成光化学烟雾。
本文借助Geoda 软件利用空间自相关性的分析方法，分析了中国各省份（中国大陆除香港，澳门，台湾省，西藏省的其他30个省，直辖市及自治区）2006、2008、2010、2012年氮氧化物排放强度在不同时期内的空间相关性关系，反映了在不同时期内各省份的氮氧化物排放强度的空间相关性的变化关系，从而得出不同区域的氮氧化物排放强度与该区域的内在关系，根据内在关系可更好的减少氮氧化物的排放量。
2研究方法——空间自相关检测
2.1全局空間自相关检测
全局空间自相关检测是统计分析方法的一种，是检验某一要素的属性值是否与相邻空间存在着一定关系的重要指标，有正相关、负相关、不相关三种关系。如果某一要素的属性值随着测定距离的缩小而变得更相似，这一变量呈空间正相关；若所测值随距离的缩小而更为不同，则称之为空间负相关；若所测值不表现出任何空间依赖关系，则称为空间不相关性或空间随机性 [3] 。计算空间自相关的方法有很多如：Moran’s I、Geary’s C、Getis、Join count 本文采用的是Moran’s I 。
2.2局部空间自相关检测
全局空间自相关是一种总体指标，不能提供局部空间的差异性和用于可视化研究。因此，需要运用空间局部自相关的方法来检测空间要素属性的相关性质。局部空间自相关分析方法包括LISA分析、G统计、Moran 散点图等，本文运用的是LISA分析和Moran 散点图。
2.3 空间关系的建立
为了衡量一系列地理对象之间的空间相关关系，首先需要建立这一系列地理对象之间的空间关系。在建立空间关系时一般有rook 与 queen 两种方法。Rook 以上下左右定义邻近关系；Queen 是在此基础上再加上对角线。本文选取的是rook这种方法。
3数据处理及分析
3.1 全局空间自相关指数Moran’s I
Moran’s I 是最常用的全局关联指数，是探测整个研究区域的空间分布特征，其计算公式为： (2-1)
式中n 为参与分析的空间单元数，Xi 和Xj分别表示i点或j点区域的属性值，表示所有观测点的平均值。Wij 为衡量空间事物之间关系的权重矩阵，一般为对称矩阵。
Moran’s I 是用于表示空间要素与空间的相互关系，取值范围是-1到1之间。如果I 趋于1 或-1，表明区域变量在空间分布的相关性强, 且正负值分别表示正相关或负相关；当I趋于0时，表示区域变量在空间分布相关性弱( I = 0时,区域变量在空间上不相关) [4]。
利用Geoda 软件分别计算这四年的Moran’s I 指数的结果及置信度如下：
表1 莫然指数
这四年的Moran’s I值都是正数，且数值成上升趋势，说明这些区域具有较大的正相关性，不是简单的随机分布；而且数据成逐年上升趋势，说明随时间的递增，各省的氮氧化物排放量与空间正相关性关系越趋明显，中国氮氧化物排放量区域分布不均匀，且高者越来越高，低者越来越低的趋势。表中置信度都在0.9以上，表明Moran’s I 数据的可信性。
3.2 Moran 散点图分析
Moran散点图是用于研究局部空间的异质性，其表现形式是直角坐标系，横坐标是各空间单元标准化后的属性值，纵坐标为标准化后由空间连接矩阵决定的相邻单元属性的平均值。散点图分为四个象限，左上角的第一象限是“高高”，右上角的第二象限是“低高”，右下角的第三象限是“低低”，左下角的第四象限是“高低”。“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[5,6]。
利用Geoda 软件分别画出03,05,08,10这四年的Moran散点图：
图1莫然散点图
从图中可看出各省份不是均匀分布在四个象限内，而是大部分分布在第一、第三象限，即分布于通常所说的热点、冷点区域，属于“高高”聚集和“低低”聚集，说明存在较强的空间正关系。
根据上述理论及图所显示的结果，可以得到我国30个省际区域的空间相关模式，如表2至5所示。
表2 06年氮氧化物排放量空间相关模式
由上表知图中区域的盲点(低低聚集)逐渐趋于稳定分布在北京、广东、上海、浙江等经济发达区；热点区域（高高聚集）则分布在东北三省、中西部地区等经济欠发达区，说明氮氧化物的排放强度和区域发展水平有重要相关性。
3.3 LISA分析
局域空间自相关指标LISA图是用于反映一个区域单元上的某种地理现象或某一属性值与邻近单元上同一地理现象或属性值的相关程度。在图形中利用不同颜色表现出不同的相关程度，较为直观的将某种地理现象或某一属性值与其位置关系表现出来[7]。
为了更加直观的观察我国氮氧化物排放量强度的空间分布情况，本文采用Geoda 软件画出LISA聚集图：
2006年 2008年 2010年 2012年
图2 LISA图（红色：高高聚集，蓝色：低低聚集，淡蓝色：低高聚集，粉色：高低聚集）
图可看出，高高聚集区集中在内蒙古，甘肃，宁夏等几个西北部省份，刚开始06年没有明显的低低聚集区，08/10年开始逐渐增加，集中在东部的几个省份。这四张图的趋势是高高聚集逐渐萎缩逐渐集中于内蒙古/甘肃/宁夏;而低低聚集则在东部成逐渐增加的趋势。海南的情况比较特殊一直是淡蓝色的低高聚集，这和海南本身的经济不发达，与旁边的广东等发达地区有较大差距有关。陕西由高高聚集在08年后变为低高聚集，与陕西政府重视在发展经济的同时注重环境保护、大力发展环保节约型的经济政策有关。热点区域和盲点区域都逐渐开始聚集，随着时间的推移这种趋势越来越明显。
4结论
1氮氧化物排放强度和区域存在正相关，且随时间推移越来越明显。
2氮氧化物排放强度和区域经济发展水平成正相关，经济越发达区氮氧化物排放强度越低，反之越高。说明发展经济时，发达区域注重环境质量，因此氮氧化物排放量逐年降低；而落后的区域忽视环境污染导致氮氧化物排放强度升高。中国东南部经济较为发达，西北部较为落后，所以呈现东南部氮氧化物排放量较低，西北部强度较高。
3将空间自相关统计方法应用于氮氧化物排放强度分析，利用前者丰富的空间分析和可视化功能能够较好的对氮氧化物排放强度的空间分布特征进行识别和分析。这充分说明利用空间自相關性的分析方法能够对区域属性进行深入研究，从而预测区域未来的发展趋势和方向，为决策者提供科学的管理依据。例如本文发现东南与西北省份的氮氧化物排放强度差距较大，而这种差异是由于经济发展不平衡造成的，因此治理氮氧化物排放，可以从以下着手：
①西北地区发展经济是不顾环境污染的发展模式，应吸取东南部发展模式，不能再走东南部先污染后治理的老路，应该在发展经济的同时注重环境的质量，做到提前防范。②对于区域氮氧化物的减排调控，实行差异化原则，对不同区域制定不同减排目标和政策措施。③国家对西部开发提供技术与资金支持，加快脱氮除硫技术的研究和应用，加强对电厂等重点排放氮氧化物工业进行控制，优化产业。④加大技术研究，使用清洁能源，提高能源利用率，走新型工业化和可持续发展的道路。
参考文献
[1] 吴玉鸣,徐建华.中国区域经济增长集聚的空间统计分析[J].地理科学,2004,24 (6) :654 - 659
[2] 万鲁河.绍巍.陈晓红.基于GeoDA 的哈大齐工业走廊GDP空间关联性[J].地理研究，2011，30（6）:976-984.
[3] 陈雅淑. 局部空间自相关指数的适用性研究[D]. 华东师范大学硕士论文, 2009.
[4] 卞羽.福建省资源生态足迹及其空间特性的研究[D].福建农林大学，2010.
[5] 刘聪粉.柯大钢.张瑞荣.基于Geoda095i 的陕西省人口分布空间统计分析[J].西北人口, 2008, 29( 6) : 7~ 15
[6] 侯光雷.王志敏.张洪岩.张正祥.基于探索性空间分析的东北经济区城市竞争力研究[J].地理与地理信息科学,2010,26(4):67-72.
[7] 王丽琼.中国氮氧化物排放区域差异及减排潜力分析[J].地理与地理信息科学,2010,26(4):95-98.
[8] 封磊.洪伟.吴承祯.范嗨兰.福州市人口分布的空间自相关分[J].江西农业大学学报,2008,30(3):569-574.
关键词：空间自相关性；氮氧化物排放强度；莫兰指数
Abstract: through spatial autocorrelation analysis, using Geoda software to China for 06 years, 08 years, 10 years,12 years, four years of nitrogen oxides emission intensity ofprovincial and local spatial autocorrelation of the empiricalanalysis. The results show that, this four years of Moran 's Iindex was 0.2289 0.2523 0.2728 0.2851, Moran indexrising trend year by year, shows that the nitrogen oxide emission intensity and area is positively correlated with an upward trend year by year. Using Geoda software to generate LISA diagrams of Northwest red high aggregation,Southeast of the low aggregation into blue, that emissions of nitrogen oxides produced by the Chinese southeast GDP units below the surrounding provinces, higher than the surrounding provinces in Northwest China, the nitrogen oxide emission intensity has increased gradually fromsoutheast to northwest. Situation.
Keywords: spatial autocorrelation; nitrogen oxides emission intensity; Moran index
1引言
空间自相关是空间统计分析方法的一种，用以显示某种地理现象是否存在着某种特殊的空间形态。只要属性变量在空间中不是随机分布的，而是表现出一定的规律性，那么这种变量就存在着空间自相关性。因此，空间自相关是区域化变量的基本属性之一。空间自相关统计量可用于检测研究区域内变量的分布是否具有空间依赖性，空间异质性，空间结构性。空间自相关分析早已运用于数字图像处理，流行病学，区域经济、环境监测等方面的研究[1,2]。氮氧化物排放强度是指单位国内生产总值所产生的氮氧化物的量，是反映经济发展造成环境污染程度的指标。
氮氧化物是造成大气污染的主要污染物之一，氮氧化物的种类很多，最主要污染物是一氧化氮和二氧化氮。自然界中的氮氧化物的来源主要有两种：天然排放的氮氧化物：主要来自土壤和海洋中有机物分解，属于自然界的氮循环过程；人为活动排放的氮氧化物：主要是化石燃料的燃烧。
氮氧化物的危害主要表现在：①对人类和动物的危害：人类和动物吸入过量氮氧化物会导致中毒。②对植物的危害：长期在氮氧化物超标的环境中生长，植物会枯萎。③对环境的影响：氮氧化物是形成酸雨、酸雾的主要原因之一；氮氧化物会形成光化学烟雾。
本文借助Geoda 软件利用空间自相关性的分析方法，分析了中国各省份（中国大陆除香港，澳门，台湾省，西藏省的其他30个省，直辖市及自治区）2006、2008、2010、2012年氮氧化物排放强度在不同时期内的空间相关性关系，反映了在不同时期内各省份的氮氧化物排放强度的空间相关性的变化关系，从而得出不同区域的氮氧化物排放强度与该区域的内在关系，根据内在关系可更好的减少氮氧化物的排放量。
2研究方法——空间自相关检测
2.1全局空間自相关检测
全局空间自相关检测是统计分析方法的一种，是检验某一要素的属性值是否与相邻空间存在着一定关系的重要指标，有正相关、负相关、不相关三种关系。如果某一要素的属性值随着测定距离的缩小而变得更相似，这一变量呈空间正相关；若所测值随距离的缩小而更为不同，则称之为空间负相关；若所测值不表现出任何空间依赖关系，则称为空间不相关性或空间随机性 [3] 。计算空间自相关的方法有很多如：Moran’s I、Geary’s C、Getis、Join count 本文采用的是Moran’s I 。
2.2局部空间自相关检测
全局空间自相关是一种总体指标，不能提供局部空间的差异性和用于可视化研究。因此，需要运用空间局部自相关的方法来检测空间要素属性的相关性质。局部空间自相关分析方法包括LISA分析、G统计、Moran 散点图等，本文运用的是LISA分析和Moran 散点图。
2.3 空间关系的建立
为了衡量一系列地理对象之间的空间相关关系，首先需要建立这一系列地理对象之间的空间关系。在建立空间关系时一般有rook 与 queen 两种方法。Rook 以上下左右定义邻近关系；Queen 是在此基础上再加上对角线。本文选取的是rook这种方法。
3数据处理及分析
3.1 全局空间自相关指数Moran’s I
Moran’s I 是最常用的全局关联指数，是探测整个研究区域的空间分布特征，其计算公式为： (2-1)
式中n 为参与分析的空间单元数，Xi 和Xj分别表示i点或j点区域的属性值，表示所有观测点的平均值。Wij 为衡量空间事物之间关系的权重矩阵，一般为对称矩阵。
Moran’s I 是用于表示空间要素与空间的相互关系，取值范围是-1到1之间。如果I 趋于1 或-1，表明区域变量在空间分布的相关性强, 且正负值分别表示正相关或负相关；当I趋于0时，表示区域变量在空间分布相关性弱( I = 0时,区域变量在空间上不相关) [4]。
利用Geoda 软件分别计算这四年的Moran’s I 指数的结果及置信度如下：
表1 莫然指数
这四年的Moran’s I值都是正数，且数值成上升趋势，说明这些区域具有较大的正相关性，不是简单的随机分布；而且数据成逐年上升趋势，说明随时间的递增，各省的氮氧化物排放量与空间正相关性关系越趋明显，中国氮氧化物排放量区域分布不均匀，且高者越来越高，低者越来越低的趋势。表中置信度都在0.9以上，表明Moran’s I 数据的可信性。
3.2 Moran 散点图分析
Moran散点图是用于研究局部空间的异质性，其表现形式是直角坐标系，横坐标是各空间单元标准化后的属性值，纵坐标为标准化后由空间连接矩阵决定的相邻单元属性的平均值。散点图分为四个象限，左上角的第一象限是“高高”，右上角的第二象限是“低高”，右下角的第三象限是“低低”，左下角的第四象限是“高低”。“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[5,6]。
利用Geoda 软件分别画出03,05,08,10这四年的Moran散点图：
图1莫然散点图
从图中可看出各省份不是均匀分布在四个象限内，而是大部分分布在第一、第三象限，即分布于通常所说的热点、冷点区域，属于“高高”聚集和“低低”聚集，说明存在较强的空间正关系。
根据上述理论及图所显示的结果，可以得到我国30个省际区域的空间相关模式，如表2至5所示。
表2 06年氮氧化物排放量空间相关模式
由上表知图中区域的盲点(低低聚集)逐渐趋于稳定分布在北京、广东、上海、浙江等经济发达区；热点区域（高高聚集）则分布在东北三省、中西部地区等经济欠发达区，说明氮氧化物的排放强度和区域发展水平有重要相关性。
3.3 LISA分析
局域空间自相关指标LISA图是用于反映一个区域单元上的某种地理现象或某一属性值与邻近单元上同一地理现象或属性值的相关程度。在图形中利用不同颜色表现出不同的相关程度，较为直观的将某种地理现象或某一属性值与其位置关系表现出来[7]。
为了更加直观的观察我国氮氧化物排放量强度的空间分布情况，本文采用Geoda 软件画出LISA聚集图：
2006年 2008年 2010年 2012年
图2 LISA图（红色：高高聚集，蓝色：低低聚集，淡蓝色：低高聚集，粉色：高低聚集）
图可看出，高高聚集区集中在内蒙古，甘肃，宁夏等几个西北部省份，刚开始06年没有明显的低低聚集区，08/10年开始逐渐增加，集中在东部的几个省份。这四张图的趋势是高高聚集逐渐萎缩逐渐集中于内蒙古/甘肃/宁夏;而低低聚集则在东部成逐渐增加的趋势。海南的情况比较特殊一直是淡蓝色的低高聚集，这和海南本身的经济不发达，与旁边的广东等发达地区有较大差距有关。陕西由高高聚集在08年后变为低高聚集，与陕西政府重视在发展经济的同时注重环境保护、大力发展环保节约型的经济政策有关。热点区域和盲点区域都逐渐开始聚集，随着时间的推移这种趋势越来越明显。
4结论
1氮氧化物排放强度和区域存在正相关，且随时间推移越来越明显。
2氮氧化物排放强度和区域经济发展水平成正相关，经济越发达区氮氧化物排放强度越低，反之越高。说明发展经济时，发达区域注重环境质量，因此氮氧化物排放量逐年降低；而落后的区域忽视环境污染导致氮氧化物排放强度升高。中国东南部经济较为发达，西北部较为落后，所以呈现东南部氮氧化物排放量较低，西北部强度较高。
3将空间自相关统计方法应用于氮氧化物排放强度分析，利用前者丰富的空间分析和可视化功能能够较好的对氮氧化物排放强度的空间分布特征进行识别和分析。这充分说明利用空间自相關性的分析方法能够对区域属性进行深入研究，从而预测区域未来的发展趋势和方向，为决策者提供科学的管理依据。例如本文发现东南与西北省份的氮氧化物排放强度差距较大，而这种差异是由于经济发展不平衡造成的，因此治理氮氧化物排放，可以从以下着手：
①西北地区发展经济是不顾环境污染的发展模式，应吸取东南部发展模式，不能再走东南部先污染后治理的老路，应该在发展经济的同时注重环境的质量，做到提前防范。②对于区域氮氧化物的减排调控，实行差异化原则，对不同区域制定不同减排目标和政策措施。③国家对西部开发提供技术与资金支持，加快脱氮除硫技术的研究和应用，加强对电厂等重点排放氮氧化物工业进行控制，优化产业。④加大技术研究，使用清洁能源，提高能源利用率，走新型工业化和可持续发展的道路。
参考文献
[1] 吴玉鸣,徐建华.中国区域经济增长集聚的空间统计分析[J].地理科学,2004,24 (6) :654 - 659
[2] 万鲁河.绍巍.陈晓红.基于GeoDA 的哈大齐工业走廊GDP空间关联性[J].地理研究，2011，30（6）:976-984.
[3] 陈雅淑. 局部空间自相关指数的适用性研究[D]. 华东师范大学硕士论文, 2009.
[4] 卞羽.福建省资源生态足迹及其空间特性的研究[D].福建农林大学，2010.
[5] 刘聪粉.柯大钢.张瑞荣.基于Geoda095i 的陕西省人口分布空间统计分析[J].西北人口, 2008, 29( 6) : 7~ 15
[6] 侯光雷.王志敏.张洪岩.张正祥.基于探索性空间分析的东北经济区城市竞争力研究[J].地理与地理信息科学,2010,26(4):67-72.
[7] 王丽琼.中国氮氧化物排放区域差异及减排潜力分析[J].地理与地理信息科学,2010,26(4):95-98.
[8] 封磊.洪伟.吴承祯.范嗨兰.福州市人口分布的空间自相关分[J].江西农业大学学报,2008,30(3):569-574.