进入21世纪以来，人口流动明显加速，城镇化建设也明显加快，由此加速了城乡人口布局的演变。本文根据2000年和2010年两次人口普查数据，采用ESDA分析方法，利用ArcGis 10.0 和OpenGeoDa分析软件，试图从中观层面探讨甘肃城镇人口布局的时空演变特征。
一、数据来源和分析方法
（一）数据整理
数据整理包括空间数据的集成和属性数据的整理两部分。
空间数据的集成来源于第六次人口普查使用的遥感影像资料，并利用ArcGis10.0软件，在对坐标系统一转换的基础上，生成了甘肃省乡级图形数据文件。
属性数据的整理来自于2000年第五次人口普查和2010年第六次人口普查快速汇总的结果。由于两次普查间乡、镇、街道行政区划变动较大，因此对2000年人口普查数据按现行区划进行了重新整理和调整。
（二）分析方法
本文主要采用地统计学（Geostatistics）的探索性空间数据分析（exploratory spatial data analysis, ESDA）法。地统计学是以具有空间分布特点的区域化变量为基础，研究自然现象的空间变异与空间结构的一门学科。其理论基础是地理学第一定律（Tobler,1970）。
1.地统计分析的基本原理
（1）随机过程的相关性。地统计假设研究区域的所有值都是由随机过程确定的，而随机过程中的所有事件都不是独立的。在一个空间或时间的范畴中，这样的相关性称为自相关。
（2）相关性随机过程的预测。地统计分析中有两个关键任务：一是揭示其依赖规则；二是作出预报。
（3）平稳性。对于大多数空间数据，通常平稳性的假设是合理的。平稳性有两种类型：一是均值平稳性。它假设均值是不变的，并且与位置无关；二是与协方差有关的二阶平稳性和与半变异函数有关的内蕴平稳性。二阶平稳性假设具有相同距离和方向的任意两点的协方差是相同的，协方差只与这两点的值有关；对于半变异分析，内蕴平稳性假设具有相同距离和方向的任意两点的方差是相同的。
2.地统计分析的基本方法
其基本方法是探索性空间数据分析（exploratory spatial data analysis, ESDA）法。这种方法以空间关联测度（spatial association measures, SAMs）为核心，旨在描述空间分布，发现空间离群值/异常值（spatial outliers）或空间集聚模式，揭示空间联系的结构，给出空间异质／非平稳性的不同形式，以引导模型的建立和评价。除常用的统计方法（如均值、方差等）外，还有半变异函数、空间自相关统计量（Moran’s I,Geary’s C, LISA,G等）、Moran散点图及其派生图等等一系列专门处理空间数据的依赖性和异质性特点的各种技术和方法。
（1）半变异函数：区域化变量Z（x）在点x和x＋h处的值Z（x）与Z（x＋h）差的方差的一半，称为区域化变量Z（x）的半变异函数。它是地统计分析的特有函数。
其数学表达式为：
其函数曲线图为：
块金值（Nugget）：由于测量误差或空间变异引起的误差。
基台值（Sill）：当样本间的距离h增大时，半变异函数r（h）从初始的块金值达到一个相对稳定的常数时，该常数值称为基台值。
偏基台值（Partial Sill）：基台值与块金值的差值。
变程（Range）：当半变异函数的取值由初始的块金值达到基台值时，样本点的间隔距离称为变程。变程代表了空间相关性的作用范围。
空间相关性的强弱由Partial／Sill来反映，比值越大，空间相关性越强。相反，Nugget／Sill的比值称为基底效应，反映样本间的变异特征。
（2）克里格插值（Kriging）：又称局部插值法，是以变异函数理论和结构分析为基础，在有限区域内对区域化变量进行无偏最优估计的一种方法。
其数学表达式为：
式中，Z（x0）为未知样本点的值，Z（xi）为未知样本点周围已知样本点的值，λi为第i个已知样本点对未知样本点的权重，n为已知样本点的个数。
（3）空间自相关统计量
①全局空间自相关统计量：用于描述整个研究区域中所有空间对象之间的平均关联程度、空间分布模式及其显著性等。常用的有：
Ⅰ. Gamma（г）统计量
式中，W是空间矩阵，Y是属性矩阵。
Ⅱ.Moran’s I统计量
Moran’s I的取值在－1到1之间。其中，－1表示极强的负空间自相关，1表示极强的正空间自相关。
对Moran’s I的检验采用z检验
在给定显著性水平下，当Moran’s I显著为正时，表示观测值之间存在显著的正相关，高的观测值倾向于和高的观测值积聚在一起，低的观测值倾向于和低的观测值积聚在一起，呈现高高积聚或低低积聚分布格局；当Moran’s I显著为负时，表示观测值之间存在显著的负相关，高的观测值倾向于和低的观测值积聚在一起，高低相异，呈现空间分散格局。当Moran’s I接近期望值时，表明不存在空间相关，观测值在空间上随机排列。
Ⅲ.General G统计量
式中，d为空间单元之间的临界距离，w_ij(d)是根据距离规则定义的空间权重。若单元i和单元j之间的距离位于d之内，则权重为1，否则为0。G（d）用于识别空间聚集模式，即是否存在高值聚集（热点）或低值聚集（冷点）。
②局部空间自相关统计量：用于反映空间自相关的空间变异性。
Ⅰ.局部空间关联指标（local indicators of spatial association, LISA）
区域单元i的局部Moran统计量为：
zi和zj是相应的x值与均值的离差，即：
较高的局部Moran值意味着相似值（高值或低值）的聚集，较低的局部Moran值意味着相异值的聚集。
Ⅱ.局部G统计量
上式表示单元i的周围邻居位置上的观测值之和与所有空间位置上的观测值之和的比值，用于识别在某一给定距离范围（d）内，单元i和周围邻居之间是高值的空间积聚还是低值的空间积聚。
二、甘肃城镇人口布局的时空演变特征
（一）城镇人口布局的时空变化
比较2000年和2010年甘肃城镇人口布局的变化，能够清晰地看出城镇人口布局具有向中部、南部和东部积聚的趋势（图1、图2）。
图1 2000年甘肃城镇人口乡域布局
图2 2010年甘肃城镇人口乡域布局
从大区比较，兰（州）—白（银）中心区和河西地区是全省城镇化率最高的区域，但其城镇人口占全省的比重却呈下降趋势，分别下降了4.80和5.10个百分点；中部地区（定西、临夏）、南部地区（天水、陇南、甘南）和东部地区（平凉、庆阳）城镇人口占全省的比重呈上升趋势，分别提高了4.85、3.16和1.89个百分点。
城镇人口布局的变化，主要是人口流动的结果。比较图3、图4和图5可以看出，人口流入区集中在甘肃中部、东部及南部，而外出人口的区域布局则相对均衡，因此中部、东部及南部成为人口流动的净流入区。同时，由于外出人口主要来自乡村，流入人口主要面向城镇，由此带动城镇人口布局的变化。
图3 2010年甘肃流入人口乡域布局
图4 2010年甘肃外出人口乡域布局
图5 2010年甘肃净流入人口乡域布局
（二）城镇化水平的时空变异
从乡域层面的趋势面分析发现，甘肃城镇化率无论在2000年或2010年都呈现明显的西高东低、北高南低的态势。其变化在于，东西趋势线的中部在升高，而南北趋势线的中部在隆起，趋势面的中南部出现了明显的积聚趋势（图6、图7）。这种变化与城镇人口布局的变化相一致。自2000—2010年，甘肃全省城镇化率提高了12.10个百分点，其中兰—白中心区城镇化率提高了12.41个百分点，河西地区仅提高了6.94个百分点，而中部地区提高了14.55个百分点，东部地区提高了12.48个百分点，南部地区提高了11.28个百分点。
趋势分析（T）
图6 2000年甘肃城镇化率趋势分析
数据源：乡面 属性：数字格式$.城镇比2000
趋势分析（T）
图7 2010年甘肃城镇化率趋势分析
数据源：乡面 属性：数字格式$.城镇比2010
三、甘肃城镇化水平空间关联分析
（一）局空间自相关分析
1.空间关联度分析
利用Arcgis10.0分析软件计算的乡域层面城镇化率的空间关联度结果如图8和图9。2000年和2010年的空间关联系数分别为0.5530和0.4589，Z值分别为33.24和27.58，P值都为0.0000，均具有很高的显著性，说明在乡域层面城镇化率具有明显的空间依赖性。但变化在于，空间关联度呈下降趋势，Z值也明显下降，这说明离散度在提高，或异化趋势在加强。
图8 2000年甘肃乡域全局空间自相关分析
图9 2010年甘肃乡域全局空间自相关分析
利用OpenGeoDa软件绘制的Moran’s散点图（图10，由于空间权重计算方法不同，空间关联系数略有差别）可以看出，与2000年比较，2010年位于第三象限的乡镇数量明显增多，其次是第二、四象限，验证了城镇化布局的异化现象。
图10 甘肃乡域层面城镇化率Moran散点图
2. G统计量分析
从General G统计量分析可以判断，甘肃乡域层面的城镇化水平确实存在着高值—高值积聚（热点）或低值—低值积聚（冷点）的特征，但同时又存在着异化现象（图11、图12）。2000年，其General G观测值为0.0025，Z值为31.34；到2010年，其General G观测值为0.0015，Z值为24.
42。虽然两个普查年份的P值都为0.0000，但G值和Z值都呈下降趋势。
图11 2000年甘肃乡域城镇化率General G统计量
图12 2010年甘肃乡域城镇化率General G统计量
（二）局部空间自相关分析
局部空间自相关分析（LISA）主要包括空间聚类分析和热点分析。
1.聚类分析
根据2000年和2010年甘肃乡域层面城镇化水平的局部空间自相关聚类结果（图13，图14），发现城镇化模式有明显的空间分异现象。除兰—白中心区（因兰州乡面密集，地图缩小后被遮盖）、金川区、嘉峪关市等几个中心城市一直保持着高值—高值（HH）聚集模式外，其他地区都有明显变化。一是在敦煌周围形成了连片集中的高值聚集区（HH模式）；二是在玉门市周围出现了低值聚集区（LL模式）；三是在甘肃南部和东部形成了连片集中的低值聚集区（LL模式）；四是在东部地区形成了很多呈星状分布的高值聚集区（即HH模式—红色斑点和HL聚集模式—黄色斑点），即呈离散分布的小型中心—外围区。同时，在县域层面上，敦煌—阿克塞区域形成了连片分布的高值（HH模式）聚集区，而在中南部的天水、定西、陇南交界区域则形成了连片分布的低值（LL模式）聚集区（图15）。
图13 2000年甘肃乡域城镇化水平局部空间自相关聚类
图14 2010年甘肃乡域城镇化水平局部空间自相关聚类
图15 2010年甘肃县域城镇化水平局部空间自相关聚类
除了玉门低值区与其主城区的搬迁、尤其是玉门油田生活区搬迁到嘉峪关有关（2000—2010年，玉门市常住人口减少29186人，城镇人口减少43369人，城镇化率下降15.32个百分点）以外，其他聚集模式的演变应当是近10年来甘肃城镇化模式的新变化：即区域城镇化的空间分异趋势在增强，城镇化的动力机制由传统的少数中心城市带动演变为中心城市与中心小城镇互动。尤其是城镇化动力机制的变化，为促进城乡融合、实现城乡一体化提供了新的载体。
2.热点分析
热点分析的主要目的在于发现城镇化的发展带动区域（热点）和发展滞后区域（冷点）。比较2000年和2010年甘肃乡域层面城镇化热点/冷点分布图（图16、图17），发现其变化依然明显。一是敦煌—阿克塞—肃北热点区域收缩到敦煌一带。这种变化一方面是城乡划分标准调整的影响，导致敦煌市2010年城镇化率比2000年下降了15.63个百分点；另一方面是阿克塞人口向城区积聚的原因，其主城区红柳湾镇的人口2000年占全县的82.66%，到2010年上升为95. 58%，而其他两个牧区乡的人口由2000年的1542人减少为2010年的466人。二是在中南部地区出现了斑状分布的冷点区域（淡绿色斑块），即城镇化的塌陷区域。这说明，甘肃中南部地区在乡域层面城镇化的内在动力依然很弱。
图16 2000年甘肃城镇化水平乡域层面热点分布
图17 2010年甘肃城镇化水平乡域层面热点分布
在县域层面的变化主要有两个方面，一是敦煌—阿克塞—肃北组成的三角地带城镇化的热点效应明显增强；二是城镇化的冷点区域由西南部向中南部转移，但强度在减弱，范围在收缩（图18、图19）。这说明县域层面城镇化的动力在不断增强。
图18 2000年甘肃城镇化水平县域层面热点分布
图19 2010年甘肃城镇化水平县域层面热点分布
四、结论
综合上述分析，甘肃城镇人口布局的时空演变呈现如下特点：第一，城镇人口的布局呈现向中部、南部和东部积聚的趋势；第二，区域城镇化布局呈现空间分异趋势；第三，城镇化模式正在由中心城市带动模式向中心城市与中心小城镇互动模式转变；第四，中南部贫困地区城镇化的动力在不断增强，但基础依然薄弱。
本课题承担单位：甘肃省统计局
课题负责人：陈波 省统计局副局长
参考文献：
［1］Anselin L. Local Indicators of Spatial Association－LISA［［J］.Geographical Analysis, 1995, 27 （2）:93－115.
［2］Anselin L et al. Advances in Spatial Econometrics: Methodology, Tools and Applications［M］. Berlin:Springer, 2004.
［3］［美］戴维·W·S·黄（David W?S?Wong）著，杰·李（Jay Lee）张学良译. ArcView GIS与ArcGIS地理信息统计分析，Statistical Analysis Of Geographic Information with ArcView GIS and ArcGIS［M］.北京:中国财经经济出版社，2008。
［4］汤国安,杨晰.ArcGis地理信息系统空间分析实验教程［M］.北京:科学出版社，2006.
［5］马荣华,蒲英霞,马晓冬.GIS空间关联模式发现［M］.北京:科学出版社，2007.
［6］武剑,杨爱婷.基于ESDA和CSDA的京津冀区域经济空间结构实证分析［J］.中国软科学, 2010,（3）:111－119.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
