利用探索式空间数据解析北京城市空间经济发展模式

地理学报ACTA GEOGRAPHICA SINICA 第64卷第8期

2009年8月Vol.64,No.8Aug.,2009

利用探索式空间数据解析

北京城市空间经济发展模式

杨振山1,2,蔡建明3,高晓路3

(1.荷兰乌特勒支大学城市和区域规划系,乌特勒支3508TC,荷兰；

2.荷兰国际地理信息科学与地球观测学院城市区域规划和地理信息管理系，恩斯赫德7500AA,荷兰；

3.中国科学院地理科学与资源研究所，北京100101)

摘要：城市经济空间结构是城市研究和城市规划基本内容之一。利用其探索式空间数据分析

方法，根据1949-2004年企业登记就业数据在邮政区尺度上对北京市1949年以来城市空间经

济发展进行了探讨。基于空间邻近矩阵和不同距离矩阵的Global Moran's I 和Local Moran's I 都表明解放后市区并没有明显的经济集聚，50多年来空间经济发展模式几乎都是以市区为核

心集聚式发展；尽管郊区一些重要乡镇呈现出发展势头，但几乎没有和周边地区形成互动关

系，而是和市中心或其它地区保持较强的联系。分析还表明，北京地区经济的空间相互作用

在计划经济时代大体在60km 以内，市场经济时代(1983-2002年)提高到75km 。北京经济

空间模式经历了以下6个阶段：①1957-1982年，中心集中发展；②1983-1987年，沿京津

廊道空间组织；③1988-1992年，北部为主的城市中心发展；④1993-1997年，城市中心集

中扩张模式；⑤1998-2002年，城市中心填充发展；⑥2002-2004年，出现了城市空心化结

构态势，空间经济组织面临新一轮重组。

关键词：城市空间经济；空间统计；探索式空间数据分析；局部空间关联性指标；北京

1引言

城市经济空间结构对城市规划政策和发展战略具有重要意义。早在1826年杜能的农业圈层布局模型、1933年克里斯泰勒的城市等级结构，以及1967年廖什的市场区位论等就根据当时的社会发展进程，对城市经济空间结构做出规范性解释。随后，由于经济的快速发展，人们很难找出一般性的经济空间结构；城市研究更多地是寻找对经济发展、土地利用、人口增长和公共政策具有重要指示意义的城市中心[1-4]。以此为切入为相关政策提供指引，如北美的边缘城市和欧洲的多中心城市[5-9]都是将城市和区域空间发展建立在经济中心的基础上。

我国城市处于飞速发展阶段，然而经济要素在城市内部空间发展上并不平衡[10,11]。比如城市内部功能的过度集中造成交通堵塞、环境污染和居民生活水平下降等。另一方面市场经济又致使地区发展并不完全按照既定的空间结构演化，如住宅和就业的空间错位[12]。城市经济空间结构影响着城市形态和内部格局，对人口、环境和土地利用效率提供重要的指示意义[13]，这在城市经济高水平发展阶段尤为明显。

在实证分析上，以往对城市中心的判断多采用产业和地理集中性指标，如区位商、基尼系数等，忽略了经济要素的空间差异及其在空间上的溢出和联动效应。另外，这些收稿日期：2008-10-20;修订日期：2009-04-29

基金项目：中国科学院第三期创新项目(KZCX2-YW-321)[Foundation:Knowledge and Technology Innovation of

Chinese Academic Sciences,No.KZCX2-YW-321]

作者简介：杨振山(1979-),男,博士生。E-mail:yangzspat@;zyang@itc.nl 通讯作者：蔡建明(1961-),男,研究员。E-mail:caijm@

945-955页

64卷

地理学报

指标并不能深入判断城市和区域的内部空间结构。最近20年来，空间统计学的发展为研究空间结构提供了新的手段。本文利用空间统计中的探索式空间数据分析，以就业增长为变量，在邮政分区的水平上分析1949年以来北京市的经济空间发展模式。

2探索式空间统计分析在城市研究中的应用

2.1空间统计分析在城市研究中的应用

20世纪90年代后，在计算机、可视化技术，地理信息科学和统计理论的不断促进下，现代空间统计学为客观认识空间现象和过程提供了新的重要手段[14,15]。空间统计学研究变量在空间上的相互影响。因为事物的发展具有空间依存性(Spatial dependence)，许多经典统计失去了效力[16-19]。比如人口和经济增长回归分析：由于人口分布和经济增长在很大程度上具有空间依存性，常可以看到如果一个地区人口增长迅速，那么其相邻地区也会快速增长，因此在人口增长和GDP的回归模型中，自变量不相关法则被破坏，模型的估计和解释受到质疑，无法有效回答人口增长是由于本地经济发展的带动作用还是由于周边地区人口增长的溢出效应。利用这一关系，空间统计学对空间发展过程作出判断，结合地理信息手段存储、预处理空间数据和展示最后结果[20]。

空间统计分析服务于研究目的和规划决策需要，整个分析过程包括探索式空间数据分析、解释性空间分析、空间模拟建模、决策支持分析以及评价和反馈(图1)。探索式空间数据分析(Exploratory Spatial Data Analysis)一般是空间数据分析的第一步，主要用来揭示事物的空间发展模式和状态，如人口、就业和土地利用格局。解释性空间数据分析(Explanatory Spatial Data Analysis)是解释事物间发展的因果关系，一般通过空间建模的过程来完成。空间模拟建模(Spatial Modeling or Simulation)是在事物联系的基础上展现空间系统的某种状态，空间建模一般是以模型量化的方法表示；而空间模拟则是利用计算自手段对空间过程进行仿真。有时也需要检验和评估决策实行前后的空间发展状态，为决策提供依据；空间统计则起到了评价和反馈(Evaluation or Monitoring)的作用。探索式空间数据分析是目前空间统计最主要的应用领域[17,21,22]。本文利用探索式空间数据分析的局部空间统计方法对北京经济空间组织形态进行探讨。

2.2空间局部关联度指标

探索式空间数据分析(ESDA)方法本质上是从数据的角度来看事物的空间分布特征，从数据的空间依赖和空间异质性揭示空间结构[18]。研究者在分析之初不需要对研究区有太多的预先知识；但数据本身要具有因果或其他联系。早在1950年，Moran基于空间随机分布现象，就提出了空间自相关测度的指标Moran's I,从而为现代空间统计，尤其是为面状统计分析奠定了基础。但随后人们发现在较大空间尺度上，如城市或者区域，其内部发展并非同质，全局上的衡量往往掩盖了空间内部的差异[26,27]。因此，研究者设计出局部空间关联度指标(Local Indicators of Spatial Association,LISA)，其中以Getis和Ord的G[28]和O[29]统计和Anslien的Local Moran's I统计[22]应用最为广泛。在观测位置非随机分布的情况下，Local Moran's I是G统计的线性变换(Liner transformation)[30]。相对而言，

图1空间统计分析类别及过程

Fig.1Analytical and computational process of spatial statistics