中国地区经济发展差距的空间分析_张馨之第26卷第1期2019年 2月地域研究与开发AREAL RESEA RCH AN D DEVELOP M EN T V ol. 26 N o. 1Feb. 2019中国地区经济发展差距的空间分析张馨之, 何江12(1. 华南理工大学工商管理学院, 广州510640; 2. 广州市社会科学院, 广州510410)摘要:近年来, 空间思维和空间数据分析方法在社会科学领域越来越受到重视。

运用探索性空间数据分析方法考察了1990~2019年中国341个区域单位人均GDP 增长速度的空间相关性和空间异质性, 揭示了中国区域经济增长速度的空间格局及区域发展差距的演变过程。

分析结果表明, 为了更加深入地理解中国区域经济增长, 必须强调空间因素的重要性, 这样做不仅有助于深化中国区域经济增长研究, 而且可以为协调区域经济发展提供丰富的政策启示。

关键词:地区经济; 探索性空间数据分析; 空间相关性; 空间异质性; 中国中图分类号:F061. 5 文献标识码:A 文章编号:1003O 2363(2019) 01O 0035O 05近年来, 空间思维(spat ial t hinking) 在社会科学的许多领域越来越受到重视[1]。

与此同时, ESDA (ex -ploratory spatial data analysis) [2~3]等空间数据分析方法取得了长足的进展, 并得到了越来越广泛的应用, 产生了不少具有启发性的研究成果[4~6]内空间相关的整体趋势, 一般用M oran . s I 统计量[8]来测度, 计算公式如下NI t =@S 0NNE E w i j (X it -i=1j =1N i=1N NX t ) (X jt -X t ),X t )2, 显示出空间分析方法的强大功能和适用性。

有关中国区域经济发展差距的经验研究, 大都使用省级区划的统计数据, 由于省级数据较高程度的加总性质, 难以揭示较小区域单元之间的相互作用, 而这种相互作用可能是影响区域经济增长的重要因素之一。

基于以上考虑, 文章使用以地级区划单位为主的统计数据, 对1990~2019年人均GDP 增长速度进行ESDA 分析, 以揭示人均GDP 增长速度空间相关性的基本特征; 然后, 与1990年人均GDP 的空间分布进行比较, 探索考察期内地级区域经济发展差距的演化, 从而为协调区域经济发展提供政策启示。

S 0=i=1j =1E (X it -E E w i j, (i , j =1, 2, 3, , N ) 。

(1)式中:X it , X jt 分别代表第t 年第i 个和第j 个观测值; N 为观测单元; X t 代表t 年X it 的均值; w i j 是空间权重矩阵中的元素; S 0是所有元素w i j 的和。

Moran . s I 统计量的取值处于-1和1之间, 绝对值越大表示空间相关程度越强。

与期望值E(I ) =-1/(N -1) 相比, I t >E (I ) 表明存在空间正相关, 反之为空间负相关。

1.2 Moran 散点图(Moran scatterplot m ap)Moran 散点图描绘了考察变量(x ) 与其空间滞后项(W x ) 的相关关系, 直观地反映各个地区局部空间相关性的类型及其空间分布。

在M oran 散点图中, 地理单元被划分为High_High, Low_Low,Low_High和High_Low 4种类型。

High_High(或Low_Low)是指具有较高(或较低)¹1 ESDA 方法简介ESDA 方法是一类空间数据分析方法的总称, 它提供了测度空间相关性的工具, 如Moran . s I 统计量、Moran 散点图和LISA 等。

空间相关性(spatial depen -dence) 指不同位置的观测值在空间上是非独立的。

空间正相关是指数值相似与区位相似的一致性[7], 表现为相似的观测值倾向于在空间上聚集。

1. 1 M oran . s I 统计量全局空间相关性反映了考察变量在全部区域范围收稿日期:2019-01-02; 修回日期:2019-10-21作者简介:张馨之(1974-) , 女, 宁夏贺兰县人, 在读博士, 主, 观测值的地区, 其相邻地区的观测值也较高(或较低) 。

High_High和Low_Low属于局部空间正相关, Low_High和High_Low则属于局部空间负相关。

1. 3 LIS A(local indicators of spatial association)LISA 是用于局部空间相关性分析的一类统计量的总称, 作为L ISA 应当满足以下2条标准[2]:其一, LISA 可以反映局部空间相关性的显著性水平; 其二, LISA 之和与全局空间相关性统计量成比例。

局部¹(#36#标准, 可以作为LISA, 计算公式如下I i t =m 0=(x i t -L t )m 0地域研究与开发第26卷表1 人均GDP 增长速度的Moran . s I 检验Moran . s I 统计量(local M oran . s I stat ist ics) 满足这2条Tab. 1 Moran . s I test for growth rate of per capita GDPE w i j (x j t -iL t ) ,(2)时间段1990~20191990~19951995~20002000~2019M oran . s I (P. Value)W 10. 4876(0. 001) 0. 4763(0. 001) 0. 3464(0. 001) 0. 2838(0. 001)W 20. 2459(0. 001) 0. 3446(0. 001) 0. 1452(0. 001) 0. 1154(0. 001)W 30. 1491(0. 001) 0. 2867(0. 001) 0. 0479(0. 093) 0. 0213(0. 001)E (x i t -iL t ) 2/n 。

式中:I i t 代表第i 个观测值第t 年的Local M oran . s I 的统计量值; x i t代表第t 年地区i 的观测值; L t 代表第t 年所有地区观测值的均值; w ij 是空间权重矩阵W 中的元素; n 为观测值的个数; j 表示与i 相邻的地区。

I i t 为正, 表示观测值在局部正相关; I i t 为负, 则表示观测值在局部负相关。

把M oran 散点图与L ISA结合起来, 可以显示局部Moran . s I 显著的那些地区, 并标明这些地区的局部相关类型, 这就是所谓的L ISA 聚集图(LISA clust er map) 。

说明:表中括号外的数字为M oran . s I 统计量值, 括号内的数字代表M oran . sI 精确的显著性水平(pseudo sign i ficance level) 。

假设检验使用999次重复排列方法, 计算及检验结果是使用SpaceStat1. 91得二阶和三阶空间到的。

表中W 1, W 2和W3分别为行标准化的一阶、权重矩阵。

基于一阶空间权重矩阵的检验结果表明, 1990~2019年中国人均GDP 增长速度的Moran . s I 统计值较大, 达0. 4876, 且在统计上非常显著, 表明各地区人均GDP 增长速度存在显著的空间正相关关系, 人均GDP 增长速度相近的地区倾向于在空间上集聚。

为了考察人均GDP 增长速度的全局空间相关性随时间变化的特点, 我们把1990~2019年分为3个时段, 分别予以考察。

由表1可以看出, 人均GDP 增长速度的M oran . s I在这3个时段都是高度显著的, 但与整个时段相比, 空间相关的强度有所降低; 此外, 空间相关性还呈现出较明显的下降趋势, 1990~1995年人均GDP 增长速度的M oran . s I统计值最高, 为0. 4763, 2000~2019年减少为0. 2838。

上述结果表明:第一, 1990~2019年中国各地区人均GDP 增长速度不仅在整个考察期, 而且在各个子时段都表现出了显著的空间相关性; 第二, 与各个较短的子时段相比, 整个考察期的人均GDP 增长速度表现出了更强的空间相关性; 第三, 人均GDP 增长速度的空间相关性随时间递减, 这可能暗示着区域经济增长的近邻效应有所减弱, 一个地区的增长速度变得较少地依赖相邻地区的经济增长。

比较基于一阶、二阶和三阶空间权重矩阵的Moran . s I 可以看出, 从低阶到高阶, 各个时段的Moran . s I 无一例外地明显下降, 表明人均GDP 增长速度的空间相关性随距离衰减。

根据地理学第一定律[10], 各个地区的经济联系随距离的增大而减小, 我们的分析结果显示, 考察期内中国各地区人均GDP 增长速度的空间分布符合这一规律。

由此可以推断, 要理区域单位包括281个地级市、1个省(海南) 、4个直辖市、2918¹2 数据和空间权重矩阵2. 1 数据说明该研究以2019年的行政区划为准, 把中国划分为以地级市为主的341个区域单位¹, 考察时期为1990~2019年。

人均GDP 增长速度用首尾2年人均GDP(按可比价格计算) 自然对数值之差来度量。

有关数据主要来自于1991~2019各年5中国城市统计年鉴6、2000~2019各年5中国区域经济统计年鉴6、5中国县(市) 社会经济统计概要20006、5中国县域经济6各卷、部分省及地市级统计年鉴和统计公报。

2. 2 空间权重矩阵为了使用ESDA 和其他空间数据分析方法, 首先要确定地区之间相互作用的关系模型, 一般通过设定空间权重矩阵(spat ial w eights mat rix) 来实现这个目的。

如何选择适当的空间权重矩阵是空间数据分析中最难且最有争议的方法论问题之一。

一般来说, 设定空间权重矩阵主要依据地理特征, 如地区边界和距离等, 这样可以保证空间权重矩阵的外生性。

我们在分析中采用了基于Rook 规则[9]的简单二分相邻矩阵。

3 人均GDP 增长速度的ESDA 分析3. 1 全局空间相关性在全局空间相关性检验中我们使用了一阶和高阶(二阶和三阶) 相邻矩阵。

二阶相邻是指根据一阶相邻关系, 如果不相邻的2个地区都与另外一个地区相邻, 则这2个地区为二阶相邻, 即/邻居的邻居0; 同理, 三阶相邻则是指/邻居的邻居的邻居0。

所有空间权重矩阵都经过了行标准化处理。

各个时段人均GDP 增长. s 1第1期张馨之等:中国地区经济发展差距的空间分析#37#解地区经济增长差异及相互作用, 不可忽视相对区位和空间距离等地理因素, 而且要解释较长时期的地区经济增长, 地理因素的作用不容忽视。