运用空间自相关分析中国入境旅游增长空间格局

运用空间自相关分析中国入境旅游增长空间格局宋鸿/陈晓玲【专题名称】旅游管理【专题号】F9【复印期号】2006年07期【原文出处】《世界地理研究》(沪)2006年1期第99～106页【作者简介】宋鸿，湖北大学商学院，武汉430062/宋鸿，湖北大学旅游发展研究院，武汉430062/宋鸿/陈晓玲，武汉大学测绘遥感信息工程国家重点实验室，武汉430079宋鸿，副教授，博士生，研究方向为区域经济研究中的空间分析方法与技术。【内容提要】空间自相关分析是空间统计学的一个重要组成部分，在设定显著性水平下研究邻近位置属性（或现象）之间的相关性，是认识空间格局的有效手段。中国省级水平上的入境旅游区域增长空间自相关分析显示，1996年至2004年期间，除1997年外，我国在其它时期均不存在显著的全局空间自相关，表明邻近省区入境旅游区域增长之间的关系在整体上既不综合表现为趋同，也不综合表现为趋异，入境旅游区域增长整体空间格局为随机格局；各个时期均有一个或少数几个省区与邻近省区的局部空间自相关显著，在局部区域呈现出集聚或离散的空间格局。这类局部区域的个数随时间变化，但2001年以后趋于稳定，在没有对入境旅游产生重大冲击事件发生的正常时期为2个，即以上海为核心的共同增长集聚格局区域和以广东省为中心的“中高周低”的离散格局区域（α＝0.05，双侧显著性检验）。【关键词】空间自相关/空间格局/Moran'sI/入境旅游1入境旅游增长空间格局研究的意义入境旅游作为我国旅游业的重要组成部分，一直是一个备受关注的领域，关注的核心是促进入境旅游增长。我国入境旅游增长来源于各省、自治区、直辖市（以下简称省区）等各区域单元的增长，各省区入境旅游增长空间格局是总增长形成的背景。所以，认识我国入境旅游区域增长空间特征及其演变过程，对于制定有效的入境旅游发展战略有着重要的意义。国内已有学者从空间的角度对我国入境旅游增长进行了研究。周云波等（1999）[1]以区域经济非均衡增长理论为基础对中国国际旅游业的区域增长进行了分析，指出1990—1997年期间中国国际旅游业区域增长呈现明显的非均衡态势，呈梯形发展格局，即：东部最发达，中部次之，西部最差；陆林等（2005）[2]通过对入境旅游外汇收入省际差异的分析，指出我国入境旅游外汇收入的空间差异较大，1990—2002年期间我国高于当年平均水平的省区都集中在东部沿海，省区不超过6个；同时，由于发展基础和发展速度不一致，沿海地区的广东、上海、福建、江苏、浙江和北京等东部发达省区与全国其它省区之间，虽然相对差异不断缩小，但是绝对差异逐年扩大。这些研究深化了对我国入境旅游发展空间格局及其随时间变化的认识，但是，对各省区入境旅游发展与邻近省区之间的相互关系缺乏探讨。空间自相关分析是研究邻近位置的属性（或现象）相关性的空间统计学方法，上个世纪中期开始在美国、英国等西方国家引起关注，随后在世界范围内得以快速发展。目前，空间自相关分析正成为定量研究自然、经济和社会领域内涉及空间关系的各类问题的重要方法和分析空间格局的有效手段。所以，对我国入境旅游增长空间格局的空间自相关分析，将有利于加深对我国入境旅游区域增长空间特征的认识。从查阅的文献来看（维普资讯—中文科技期刊数据库：1989年—现在），尚未见此类研究成果。2基本概念与理论2.1空间自相关与空间格局空间自相关（spatialautocorrelation）是指一个变量的观测值之间因观测点在空间上邻近而形成的相关性（auto即为“自”）[3]。依据分析空间范围的大小，空间自相关可分为全局空间自相关（GlobalSpatialAutocorrelation）和局部空间自相关（LocalSpatialAutocorrelation）。全局空间自相关指研究范围内邻近位置同一属性相关性的综合水平，局部空间自相关指研究范围内各空间位置与各自周围邻近位置的同一属性相关性；依据空间自相关的性质，空间自相关可分为正空间自相关（PositiveSpatialAutocorrelation）、负空间自相关（NegativeSpatialAutocorrelation）和无空间自相关。按Griffth[3]的观点，正空间自相关指邻近位置的同一变量观测值之间呈正相关，负空间自相关指邻近位置的同一变量观测值之间呈负相关。与传统统计学的变量相关性一样，正空间自相关或负空间自相关也有强弱之分，可通过空间自相关指数度量。空间自相关分析是认识空间格局的有效手段。空间格局是观测属性及其在空间上的相互关系。以空间邻近位置属性的相似性为依据，空间格局可以分为集聚的（clustered）、离散的（dispersed）和随机的（random）等三种类型。空间集聚格局指相似属性在空间上邻近，空间离散格局指被关注的位置与其邻近位置在属性上迥异，其它情况归为随机空间格局。显然，空间自相关与空间格局存在着对应的关系，正空间自相关对应于集聚格局、负空间自相关对应于离散格局，当不存在空间自相关时，属性观测值呈随机分布。2.2空间自相关指数与空间格局空间自相关指数是定量测度空间自相关的统计量。由前述分析可知，空间自相关与空间格局存在对应的关系，所以，空间格局可以通过空间自相关指数进行定量分析。常用的空间自相关指数有Moran'sI、GearyRatioC、GeneralG-Statistics、LISA、LocalGeneralG-Statistics等等。这些指数的基本思想类似，但是计算方法不同。下面主要对本文将用于实际计算的Moran'sI和LISA予以介绍。欲了解其它指数，请参考相应文献[4,5]。2.2.1全局Moran'sI与空间格局全局Moran'sI（GlobalMoran'sI）是最常用的全局空间自相关指数，计算公式如下[6]：式中：n为区域单元个数x[,i]为区域单元i的属性观测值，i＝1，2，…，n｛W[,ij]｝为空间权重系数矩阵，表示各区域单元空间邻近关系区域单元间邻近关系通常按邻接标准或距离标准进行定义，空间邻近关系的判定与空间权重系数矩阵的表达之间的关系见表1。表1区域单元空间邻近关系与空间权重系数矩阵权重系数邻接标准距离标准区域i与j邻接区域i与j不邻接d[,ij]≤d[,0]d[,ij]＞d[,0]W[,ij]1010注：d[,ij]指区域i与j之间的距离，d[,0]为设定距离（可以是空间距离、时间距离等）。用邻接标准定义区域单元间的邻近关系时，邻接又分为几种不同的具体情况。根据邻接方式，可分为Rook（共边为邻接）、Bishop（共点为邻接）和Queen（共边或共点均为邻接）；根据是否是直接邻接，可分为一阶邻接（firstorderspatialcontiguity，即直接邻接）、二阶邻接（secondorderspatialcontiguity，通过一阶邻接区域单元与其他区域单元形成的邻接）、高阶邻接（higherorderspatialcontiguity，二阶邻接的推广）。在实际的运用中，多采用Rook方式、一阶邻接定义邻近关系，构建空间权重系数矩阵。由GlobalMoran'sI的大小可对空间格局进行定量分析。当GlobalMoran'sI接近1时，研究区域在整体上存在强的正空间自相关，观测属性呈集聚空间格局；反之，GlobalMoran'sI接近－1时，研究区域在整体上存在强的负空间自相关，观测属性呈离散空间格局。当观测属性不存在空间自相关时，Moran'sI＝－1／（n－1），观测属性在空间上呈随机分布。由于GlobalMoran'sI的计算使用的是样本数据，所以，当GlobalMoran'sI≠－1／（n－1）时，GlobalMoran'sI与－1／（n－1）之间的差异存在两种可能：一是显著不同；二是不存在显著不同，GlobalMoran'sI与－1／（n－1）之间的差异是抽样的随机性所致。因此，基于GlobalMoran'sI分析观测变量的空间格局时，需要进行显著性检验，以便在一定概率下保证推断结论的正确性。对GlobalMoran'sI的显著性检验通常采用双侧检验。检验的零假设为H[,0]：GlobalMoran'sI＝－1／（n－1），即观测变量呈随机空间分布；备择假设H[,1]：GlobalMoran'sI≠－1／（n－1），观测变量呈非随机空间分布；检验统计量用Z统计量：式中：I为待检验的由样本数据计算得到的GlobalMoran'sIE（I）为GlobalMoran'sI的期望值，其值为－1／（n－1）（n为样本容量）Var（I）为GlobalMoran'sI的方差，计算方法与抽样假设有关。抽样假设有两种：正态抽样假设和随机抽样假设。更详细的内容及计算方法请参考相应文献[6]。最后根据Z值大小，在设定显著性水平下做出接受或拒绝零假设的判断。取α＝0.05，则当Z＜－1.96或Z＞1.96时，拒绝零假设，观测变量的空间自相关显著，观测属性在空间上呈离散格局（Z＜－1.96）或集聚格局（Z＞1.96）；反之，则接受零假设，观测变量在空间上呈随机分布。2.2.2LISA与空间格局GlobalMoran'sI是对研究区域空间自相关的综合度量，是各区域单元与相邻单元间空间自相关性质与水平的综合反映。显然，从研究区域内部来看，各局部区域的空间自相关完全一致的情况是很少见的，常常是存在着不同水平与性质的空间自相关，这种现象称为空间异质性（spatialheterogeneity）。揭示空间自相关的空间异质性可用LISA（LocalIndicatorsofSpatialAssociation，简称LISA）。LISA是一组指数的总称，如LocalMoran'sI、LocalGearyRatioC、LocalGamma等等。下面对本文研究中使用的LocalMoran'sI进行简单介绍。区域单元i的LocalMoran'sI计算该单元与邻近单元间的空间自相关，计算公式如下[6]：式中：为区域单元i属性观测值的标准化值。｛W[,ij]｝＝W，一般为行标准化空间权重系数矩阵，即。此时，＝GlobalMoran'sI当I[,i]为正值且较大时，区域单元i与相邻单元的观测属性存在较强的正空间自相关，呈局部空间聚集（高值聚集或低值聚集）；反之，存在较强的负空间自相关，说明区域单元i的属性值相对于相邻单元为高值或者低值离群点（即所谓的“热点”或者“冷点”）。与GlobalMoran'sI一样，用基于样本数据的LocalMoran'sI分析局部空间格局时，需对LocalMoran'sI进行显著性检验，检验方法同GlobalMoran'sI，详见文献[6]。通过显著性检验得到每个Ii的检验统计量值，并据此做出接受或拒绝零假设的结论。3指标选取与数据来源以省、自治区、直辖市为研究区域单元，以入境旅游外汇收入逐期增加值为反映各省区入境旅游区域增长的指标。数据来源于《中国统计年鉴》（2005），时间期限为1995年至2004年共10年。重庆直辖市成立于1997年，《中国统计年鉴》上只有1997年及以后的数据。通过计算发现，重庆直辖后与四川省入境旅游外汇收入之比相对稳定，所以，出于延长时间序列的考虑，依据1997年至2004年期间重庆直辖市与四川省入境旅游外汇收入之比的平均值，将四川省1995年和1996年的入境旅游外汇收入一分为二，对重庆直辖市成立之前的1995年和1996年，在研究中也按31个省区进行分析。4研究结果与讨论研究中采用Rook方式、一阶邻接定义空间邻近关系，使用行标准化空间权重系数矩阵，显著性水平α＝0.05，显著性检验类型为双侧检验，计算任务用文献[6]提供的程序完成。4.1我国入境旅游区域增长的全局空间自相关分析1996年至2004年期间，我国省级水平上的入境旅游外汇收入逐期增加值的GlobalMoran'sI及显著性检验统计量值（随机抽样假设）计算结果见表2。表中结果显示，虽然各年GlobalMoran'sI均不等于E（I），或大或小，但是，除1997年外，其它各年与E（I）均不存在显著差异，