上海市人口分布变动的空间特征分析

1、收稿日期:2006-04-28作者简介:俞路,博士生,研究方向为区域经济、人口地理。上海市人口分布变动的空间特征分析*俞 路1张善余1韩贵峰2(1 华东师范大学人口研究所,上海200062;2.华东师范大学地理系,上海200062摘要 空间自相关分析是一种空间统计的方法,可以揭示区域变量的空间结构形态。通过对2000-2003年期间上海市乡镇人口密度变化率的空间相关性分析,发现上海市近几年人口分布空间变动格局表现为以中心城区为中心的环状分布模式,中心城区和远郊区人口密度变化小,人口增长缓慢,而近郊区人口密度变化大,人口增长迅速。全市人口密度变化率存在着显著的空间集聚现象,四种类型的空间关联在空

2、间分布上具有明显的规律性。研究结果表明,目前上海市人口郊区化趋势明显,高人口密度区域在不断向外扩张,人口分布与经济、交通等社会发展因素的关系日益密切。这些研究结果说明利用空间自相关统计方法能够扩展和加强对人口分布空间模式的研究,从而为经济总体布局和城市化建设提供辅助参考作用。关键词 人口分布;空间自相关分析;空间特征;人口密度变化率中图分类号 C922 文献标识码 A 文章编号 1002-2104(200605-0083-05位置引起两类空间效应,即空间依赖和空间异质1。通常认为一个区域单元上的某种地理现象或某一属性值与邻近区域单元上的同一现象或属性值相关24。几乎所有的空间数据都具有空间依赖

3、,即空间自相关或空间关联。空间依赖的存在违反了大多数传统统计分析中观测值相互独立的基本假定,将传统统计方法应用于空间数据时,通常不能捕捉到这种空间依赖,使许多与地理空间有关的问题无法解决。近年来兴起的空间自相关分析方法则以新的思维模式观察事物,以新的技术手段探索空间数据,从根本上改变了传统的统计分析观念,改善了统计分析方法与方式,能够适用于空间数据分析5,6。空间自相关分析方法是对空间上相互作用现象的一种统计方法,现已广泛地应用于社会科学和行为科学的研究7。人口分布是指人口数量规模的地域分布,是重要的人口现象和社会经济现象,它受社会生产方式和经济发展水平的制约,生产力的发展往往伴随着人口地域分

4、布的变化8。而人口密度是研究一个地区人口分布的重要指标,所以人口分布的研究模式实际上往往是对人口密度分布的分析研究。本文通过对2000-2003年期间上海市乡镇人口密度变化率的空间相关性分析,可以发现上海市人口分布的动态变化过程以及各个区域内的空间结构特征。研究人口分布的变化模式有助于了解上海市的经济发展空间格局变化,从而发现上海市人口分布的规律与趋势。1 空间自相关分析的理论体系及其指标1 1 空间关系的建立(空间权重矩阵为了度量一系列地理对象之间的空间相关关系,首先需要分析空间对象之间是否为邻居。n 个对象之间的空间邻居关系用空间权重矩阵来表示,可采用邻接标准或距离标准。空间权重矩阵是定义

5、空间对象的相互邻接关系,捕捉有关数据的空间联系的重要手段9 。图1 rook s 原则和queen s 原则Fig.1 queen s rule and r ook s rule采用邻接标准有两种原则(见图1,一种是r ook s 原则,另一种是queen s 原则。r ook s 原则要求必须有一条边相连接,而que en s 原则要求有一点连接即可。这样,在图1中,根据rook s 原则,x 的邻居为(B,D,E,G,根据que en s 原则,x 的邻居为(A,B,C,D,E,F,G,H10。根据距离标准,当区域i 和区域j 的质心距离小于给83 中国人口 资源与环境 2006年 第16

6、卷 第5期 CH INA PO PUL AT ION,RESOURCES AND ENVIRONME NT Vol.16 No.5 2006定的阈值距离(threshold dista nced 时,则判断i 和j 互为邻居9。在确定地理对象之间的邻居关系之后,下一步需要度量这种空间关系。度量的方法有下列几种11:a 反距离或反距离平方(I nve rse distance,inverse distanc e squared地理事物距离越远,它们之间的互相影响越小,那么可以用反距离表示这种空间关系。对于反距离平方,随着事物距离增加,作用力加速下降(见图2a。W ij =1d k ijk 取1或

7、2 当i 和j 互为邻居0 当i 和j 不为邻居b 距离段(两值法(Dista nce band对于邻接标准来说,i 与j 邻接用1表示,用0则相反。对于距离标准,在阈值距离内的事物被考虑到分析当中(赋值为1,超过阈值距离的被排除在外(赋值为0(见图2b。W ij =1 当i 和j 互为邻居0 当i 和 j 不为邻居c 两可地带(Zone of indiffe renc e这种方法结合了反距离和距离段法对空间关系的定义。在分析中,任何在临界距离(critica l dista nce之内的事物之间都有同样的作用力。一旦超过临界距离,那么事物之间的作用力迅速下降。即在临界距离之前的邻居赋值为1,

8、在临界距离之后采用反距离或反距离平方的方法。(见图2c图2 空间关系的度量方法Fig.2 Measure Methods of Spatial Relationship 根据上述方法计算得到的空间权重矩阵还需要进行行标准化10。行标准化是将一个地区周围地区对该地区的影响力标准化。假设一个地区有三个邻居,如采用两值法,则每个邻居对该区域的影响力均为1;行标准化把每个权重除以总权重,每个邻居对该区域影响力变为1/3。1.2 空间自相关分析相关指标空间自相关分析适用于离散型空间数据和连续型空间数据数据10。但由于在自然界中,离散型空间数据很少见,人们一般遇到的空间数据都呈连续型分布。所以笔者主要论述

9、连续型空间数据的自相关分析方法。连续型空间数据的自相关分析常用指标有Mora n s I,Gear y s C,General G,Local Moran s I,Loc al G 等。这些统计指标是空间自相关分析的核心内容,主要分为全局关联指数和局部关联指数两种。其中Mora n s I 是最常用的全局关联指数,用来探测整个研究区域的空间分布特征。计算公式为协方差公式的空间推广,如下所示:I =ni nj W ij (x i - x (x j - x / ni njW ij ni(x i - x 2/n (1公式(1中,n 是参与分析的空间单元数;x i 和x j 分别表示某现象(或某属性特

10、征在空间单元i 和j 上的观测值;W ij 为空间权重矩阵。需要注意的是,在上式中i 可以等于j,W ij 中的i 和j 相等表示为自权重,一般自权重定义为0,但在某些复杂的计算中可以不为零11。全局空间关联指数仅使用一个单一值来反映整体上的自相关,难以探测不同位置局部区域的空间关联模式12。而局部空间关联指数弥补了这一局限,可以揭示空间参考单元与其邻近的空间单元属性特征值之间的相似性或相关性,识别空间集聚(Spa tial clusters和空间孤立(Spatial outlie rs13,探测空间异质等。局部指数有Loc al Mo ran s I,对应于全局指数Moran s I 。其计

11、算公式为I i =z i !njW ij Z j (2公式(2中,z i =(x i - x / , 为标准差。此外,为便于对这些统计量的结果进行解释,需要对这些统计量的结果进行统计显著性检验,通常将其转化为标准化Z 值,即用该统计量减去其理论期望值,再除以相应的标准差而得到。在95%的置信度下,如果计算得到的Z 值大于1.96或小于-1.96,表示统计性显著1。2 上海市人口分布变动的空间特征分析2.1 研究范围及空间关系的建立研究范围不包括崇明县和宝山区的长兴和横沙乡,因为这三个地区与上海陆上区域被长江隔开,空间相互作用很小,故在分析中予以排除。上海陆上区域由中心核心区(黄浦区、静安区、卢

12、湾区、虹口区,中心区边缘区(徐汇区、长宁区、普陀区、闸北区、杨浦区,近郊区(浦东新区、闵行区、宝山区、嘉定区,远郊区(金山区、松江区、南汇区、青浦区、奉贤区组成,共有221个乡镇街道和工业园区(见图313。利用上海市统计局2000年和2003人口统计数据作为原始数据,基于Arc Vie w 软件计算得到3年期间人口密度变化率数据(单位:%,百分率。在进行空间关联分析时,确定合适的空间权重矩阵非常重要。笔者认为不仅相邻的区域之间有相关关系,距离相近的区域之间也有相关关系,故本文采用距离标准来定义空间权重矩阵。给定一个阈值距离d,当区域i 和区域84 中国人口 资源与环境 2006年 第5期图3

13、研究范围Fig.3 Study Are aj 之间的质心距离大于d 时,认为它们之间不相关(不是邻居,W ij 为0。当它们之间小于d 时,则认为它们有相关关系(互为邻居,W ij 采用反距离平方计算,即1/d 2ij 。这里采用反距离平方计算是因为大多数地理对象之间的相互影响力呈反距离平方递减。此外,为了更精确地表达区域之间的空间关系,对计算生成的空间权重矩阵进行了行标准化。2.2 总体空间分布特征分析根据传统的自然断裂点统计分类方法将研究区域人口密度变化率划分为四个等级(见图4 。图4 上海市人口密度变化率分级Fig.4 Grade map for ra te of c ha nge of

14、 population density inSha nghai City 由图4可见,上海市人口增长变化格局大体呈以中心城区为中心的环状增长带,中心城区尤其是核心区的人口密度增长基本上均处于下降趋势,靠近中心城区的近郊区人口增长迅速,离中心城区较远的区域人口密度呈负增长。说明上海市现在的人口主要向近郊区集中,远郊区和中心城区的人口密度均呈下降趋势。此外,在一些重点建设的卫星城镇,人口密度也呈增长态势,如松江城区、金山区、奉贤区一些乡镇。这种环状增长的空间分布模式在一定程度上反映了空间集聚的存在。图4所示的传统方法可以描述研究区内221个空间单元的人口空间分布特点,揭示出人口分布变动大体状况。但

15、是这种方法难以识别人口分布变动中显著的空间集聚和空间孤立。下面分别采用全局和局部空间自相关指数对研究区域的人口空间分布变动进行分析。2.3 全局和局部空间自相关分析正态分布95%置信水平下的验阈值1.96。Mora n s I 全局指数的计算结果表明上海市人口分布的变化在全市范围内具有较好的空间结构性,存在明显的空间正相关性,呈现显著的空间集聚模式,即变化率大的地区与变化率大的地区邻接,变化率小的地区与变化率小的地区邻接。全局空间自相关指数概括了在一个总的空间范围内空间依赖的程度,而局部空间自相关指数则描述一个空间单元与其邻域的相似程度,表示每个局部服从全局总趋势的程度(包括方向和量级,并揭示

16、空间异质,说明空间依赖是如何随位置而变化的13。这里主要选用局部指数Loc al Moran s I,因为使用该指数可以将空间关联模式细分为四种类型(见图513。正的空间关联包括两种类型:属性值高于均值的空间单元被属性值高于均值的邻域所包围(高#高关联和属性值低于均值的空间单元被属性值低于均值的邻域所包围(低#低关联。而负的空间关联也有两种类型:属性值高于均值的空间单元被属性值低于均值的邻域所包围(高#低关联,或者相反(低#高关联。图5为上海市人口密度变动率的空间关联分布图,表1列出了Local Moran s I 指数的显著性水平小于0.05的区域及其计算结果。在图5中,根据Local Mo

17、ran s I 指数采用上述原则将所有空间单元分为上述四种空间关联类型。由图5可见,上海市人口分布存在显著的空间集聚现象,呈明显的环状增长带分布模式,比起图4更直观明了,说明空间统计方法比传统的统计方法更能够发现人口分布的规律。从图中可以明显看出闵行区、浦东新区、宝山区、青浦区等靠近中心城区的乡镇街道属于高-高关联区域,人口增长速度很快。中心城区几乎都位于低-低关联区域,人口呈负增长态势。离中心城区较远的区域也同样属于低-低关联区域,说明伴随着近郊区的经济快速发展,远郊区的人口在向近郊区聚集。此外,一些卫星城镇和这几年建立的一些开发区呈现出明显的空间孤立,如松江大学城、青浦镇、南桥镇等等。根据

18、以上分析,说明在总人口没有85 俞路等:上海市人口分布变动的空间特征分析表1 Local Moran s I指数的显著性水平小于0.05的区域及其计算结果Tab.1 Local Moran s I and othe r results for differe nt spa tia l units(p value less than0.05编号区县乡镇街道名密度变化率(%Z值符号moran s I标准化Z值关联类型164长宁区新华镇42.26-0.3655-1.9952高-低46奉贤区西渡镇-11.12-0.3846-1.7490低-高59奉贤区奉浦工业区91.92-0.7025-2.9260高

19、-低112奉贤区金汇镇-15.64-0.3471-1.9472低-高140黄浦区人民广场街道-27.63+0.4460 2.0659低-低175静安区石门二路街道-14.92+0.2914 1.7806低-低1闵行区古美街道54.42+0.4910 3.0528高-高92闵行区莘庄镇29.36+0.4804 2.7625高-高93闵行区七宝镇47.97+0.3948 3.1882高-高427浦东新区金桥镇-19.17-0.3481-1.8939低-高429浦东新区北蔡镇98.04-0.2023-1.9522高-低30松江区新桥镇-9.68-0.2523-2.1908低-高31松江区洞泾镇-14

20、.66-0.4945-2.0130低-高35松江区五厍园区-70.52+0.3728 1.6868低-低104松江区车墩镇-5.55-0.4273-2.5172低-高117松江区松江城区24.77+ 1.0466 5.7667高-高136松江区佘山镇-23.11-0.9640-5.4550低- 高图5 上海市人口密度变化率的空间关联分布Fig.5 Spatial a ssociation for rate of change ofpopulation density in Shanghai City发生太大变化的情况下,近几年上海市人口分布的形式有很大改变,人口分布具有从中心城区向近郊地区转移

21、的趋势。随着内环线、南北高架等道路设施的建设以及中心城区功能的大置换和城市边缘新城区住宅的大规模建设,近郊城区人口持续增加,其数量、规模和速度前所未有。城市化的进程分为离散阶段、极化阶段、扩散阶段和网络阶段15,目前,上海市城市化的发展进程应被视为从极化阶段向扩散阶段过渡的阶段。市中心区尤其是核心区域,第三产业日益繁荣,大部分人员在政府机构,金融机构,文化部门,商业机构等服务性行业工作,服务设施齐全,人口高度集中。同时,市中心区域在工业化水平在达到高水平之后向外围扩散,在近郊地区建立了一系列的工业园区,将很多工业企业迁到这里,由此带动了一部分人口外迁。但一些服务性的设施尚不够齐全,很多人只是在

22、这些地方工作,居住区域还是靠近中心区域,所以虽然近郊地区的人口增长很快,但是目前人口数量还不是太多。随着上海市经济的快速发展,基础设施的日益完善,区域生产力向均衡化发展,人口会继续大规模地向近郊区迁移,整个区域必将形成一个四通八达的网络化城市区域。3 结 语(1上海市近几年人口分布空间变动表现为以中心城区为中心的环状分布模式,存在着显著的空间集聚现象,四种类型的空间关联在空间分布上具有明显的规律性。并且,上海市人口分布与近期投资热点地区关系密切,重点发展的地区人口密度变化率很高。(2近年来中心城区人口密度趋于下降,人口分布有从中心城区和远郊区向近郊地区迁移的趋势,部分近郊地区开始向高人口密度地

23、区转化,与原有的中心城区组成了新的核心区域,表明上海在加快社会经济发展的同时,调整了城乡分布的格局,从而扩大了市区的空间范围,将使过去中心市区人口过于稠密的现象逐步得到改善,但中心城区人口高度集聚的分布格局总体上依然保持。(3将空间自相关统计方法应用于人口分布的研究中,利用前者丰富的空间分析功能和可视化功能能够较好地对上海市人口分布的空间特征进行识别和分析。这充86中国人口资源与环境 2006年 第5期分说明利用空间自相关统计方法能够加强对人口分布规律的研究,从而预测出未来的区域发展趋势和动向。(编辑:于 杰参考文献(References1Anseli n L.Spati al Data An

24、alysis Wi th GIS:An Introduction to Applicationin the Social SciencesR.Santa Barbara,CA:National Center for Geographic Informati on and Analysis,1992:315.2Cli ff A D,Ord J K.Spatial AutocorrelationC.London:Pion,1973:1123.3Cli ff A D,Ord J K.Spatial Proces ses:Models and ApplicationsM.London:Pi on,19

25、81:817.4Goodchild M F.Spatial AutocorrelationM.Norwic h:GeoBooks1986:512.5Zhang Z Q,Gri fftth D A.Integrating GIS components and spatial s tatis ticalanalysis i n dbmsJ.Geographical Information Science,2000,14(6:543 566.6Zhang Z Q,Griffith D A.Developing user-friendly s patial s tatis ticalanalysis

26、modules for GIS:an example using arc viewJ.Compute, Environment and Urban Sys te ms,1997,21(1:529.7Li verman D,Moran E,Rindfuss R.People and pixels,linking remotesens ing and s ocial scienceM.Was hington,D.C.:National Academy Pres s.1998:5659.8北京市第五次人口普查办公室.世纪之交的中国人口(北京卷M.北京中国统计出版社,2004:25.Bureau of

27、 population census of Beijing in2000.China s population at the turn of the centuries:Beiji ng M.Beijing:Chinese Statistic Pres s.2004:25.9David O Sulliva,David Unwin.Geographic Information AnalysisM.Ne wYork:J ohn Wiley&Sons.2003:3642.New York:John Wile y&Sons.2001:145192.11J ohn Odl and.Spa

28、tial AutocorrelationM.Newbury park,CA:Sage.1988.25-5512Ans eli n L.Local indicators of s patial associati on-LISAJ.Geographical Analysis,1995,27(2:93115.13Sang-iilee M A.Spatial Ass ociation Measures for an ESD A-GISD.Ohio:Ohi o State Universi ty,2001:940.14高向东.大城市人口分布变动与郊区化研究#以上海为例M.上海:复旦大学出版社,2003

29、:1011Gao Xiangdong.Study on the alternation of population dis tributing and suburbani zati on in metropoli s#A Case Study of Shanghai CityM.Shanghai:Fudan Press,2003:1011.15许学强,周一星,宁越敏.城市地理学M.北京:高等教育出版社,1997:155157.Xu Xueqiang,Zhou Yixi ng,Ning Yuemin.Urban GeographyM.Beijing:High Educati on Pres s,

30、1997:155157.Spatial Feature Analysis of Alternation of Population Distribution in ShanghaiYU lu1 Z HANG Shan yu1 HAN Gui f eng2(1.Institute of Populati on Research,East China Normal University,Shanghai200062,Chi na;2.the Department of Geography,East China Normal University,Shanghai200062,ChinaAbstra

31、ct Spatial autocorrelation statistic is a kind of spatial statistics,which can explain the spatial structure of reg i onal variables.In particular,rate of chan ge of population density is a key index to describe alternation of population distribution.This article firstly summarized the theory of spa

32、tial autocorrelation,especially reviewed some important concepts,such as spatial weighted matrix,Moran s I,local Moran s I and so on.Then i t analyzed the situation of population distribution in shanghai from2000to2003.It is difficult to di scover the relationship of regions by using traditional nat

33、ural break statistical method through describing the general characteristics of population density.While usin g Spatial au tocorrelati on methods to analysis population density of villages and towns,the results show that,spatial population distribution of the city is characterized by the increasing ring of p