探究四川省PM2.5污染的空間分布

甘茂林， 呂王勇,2*， 符 璐

(1. 四川師范大學(xué) 數(shù)學(xué)與軟件科學(xué)學(xué)院, 四川 成都 610066; 2. 可視化計(jì)算與虛擬現(xiàn)實(shí)四川省重點(diǎn)實(shí)驗(yàn)室, 四川 成都 610066)

探究四川省PM2.5污染的空間分布

甘茂林1， 呂王勇1,2*， 符 璐1

(1. 四川師范大學(xué) 數(shù)學(xué)與軟件科學(xué)學(xué)院, 四川 成都 610066; 2. 可視化計(jì)算與虛擬現(xiàn)實(shí)四川省重點(diǎn)實(shí)驗(yàn)室, 四川 成都 610066)

為探究四川省21個(gè)市州PM2.5污染的空間分布,有效地利用數(shù)據(jù)、減少信息損失,將各市州的地理距離與經(jīng)濟(jì)變量相關(guān)性相結(jié)合,構(gòu)建地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣來(lái)刻畫(huà)各市州之間的相互影響程度,并采用一種改進(jìn)的Moran’s I 指數(shù)分析四川省PM2.5污染的空間分布情況,繪制Moran散點(diǎn)圖、局部Moran’s I指數(shù)集聚圖等將PM2.5污染直觀地呈現(xiàn).結(jié)果表明:從整體看,四川省PM2.5污染呈現(xiàn)空間正相關(guān)性,高污染地區(qū)與高污染地區(qū)聚集;從局部看,成都平原城市群、川南城市群和少部分川東北城市群的城市PM2.5污染情況較嚴(yán)重，且呈現(xiàn)空間聚集狀態(tài),而在攀西城市群、3個(gè)少數(shù)民族自治州以及少部分川東北城市群的城市自身的PM2.5污染較輕,但周?chē)鞘形廴据^為嚴(yán)重, 呈現(xiàn)PM2.5污染空間負(fù)相關(guān)性.

地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣; 改進(jìn)Moran’s I 指數(shù); 空間自相關(guān); PM2.5

PM2.5是指環(huán)境空氣中空氣動(dòng)力學(xué)當(dāng)量值≤2.5 μm的顆粒物,也稱(chēng)細(xì)顆粒物[1].PM2.5是霾的主要構(gòu)成成分,是霧霾天氣的“罪魁禍?zhǔn)住?PM2.5攜帶大量的有毒有害物質(zhì),對(duì)人體的傷害極大.有研究指出,霧霾天氣對(duì)人體和環(huán)境造成的危害與空氣中PM2.5的濃度成正相關(guān)[2].2012年,我國(guó)增設(shè)PM2.5平均濃度限值,從此PM2.5進(jìn)入人們的視線,并且成為大眾評(píng)價(jià)空氣質(zhì)量好壞的一個(gè)重要指標(biāo).PM2.5在空間分布上往往表現(xiàn)出一定的規(guī)律性,根據(jù)Tobler的地理學(xué)第一定律:所有的地理事物都存在關(guān)系,但距離較近的事物比距離較遠(yuǎn)的事物更有關(guān)系[3].對(duì)PM2.5空間分布的研究,一般采用空間統(tǒng)計(jì)分析方法.而空間自相關(guān)是空間統(tǒng)計(jì)分析的前提,是認(rèn)識(shí)空間分布特征的方法之一[4].空間自相關(guān)能揭示空間變量的結(jié)構(gòu)特征[5],其中Moran’s I指數(shù)是其最基本的測(cè)度.近年來(lái),國(guó)內(nèi)外學(xué)者對(duì)空間自相關(guān)的研究主要集中在地理空間權(quán)重矩陣的構(gòu)造與選擇[4,6]、針對(duì)經(jīng)濟(jì)問(wèn)題的經(jīng)濟(jì)空間權(quán)重矩陣的構(gòu)造[7-9]、空間關(guān)系模型的選擇[10-12]及Moran’s I指數(shù)的應(yīng)用與思考[13-15]等.本文提出一種將地理距離與經(jīng)濟(jì)變量結(jié)合的新的空間權(quán)重矩陣,并采用改進(jìn)的Moran’s I指數(shù)計(jì)算四川省21個(gè)市州PM2.5的空間自相關(guān)關(guān)系,了解四川省PM2.5污染的空間特征與分布情況.

1 研究方法

空間自相關(guān)分析是研究某空間單元與其相鄰空間單元之間,就同一屬性變量,通過(guò)統(tǒng)計(jì)方法,計(jì)算空間自相關(guān)性程度,進(jìn)而分析這些空間單元在空間上分布現(xiàn)象的特征[16]. 空間自相關(guān)分析涉及到空間權(quán)重矩陣的構(gòu)建、空間自相關(guān)的度量與檢驗(yàn)、空間關(guān)聯(lián)的識(shí)別等[17].

1.1 地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣 對(duì)于空間權(quán)重矩陣,其設(shè)定方法有多種,最常用的是采用鄰接標(biāo)準(zhǔn)或距離標(biāo)準(zhǔn)來(lái)構(gòu)造空間權(quán)重矩陣.鄰接標(biāo)準(zhǔn)是指空間單元i與空間單元j的位置關(guān)系，若相鄰，則設(shè)置wij=1 ,否則設(shè)置wij=0.鄰接標(biāo)準(zhǔn)認(rèn)為空間關(guān)系是否存在只取決于二者是否相接.對(duì)于某空間單元的不同鄰接空間單元,認(rèn)為不同鄰接空間單元對(duì)該空間單元的影響程度是相同的,這在環(huán)境污染研究中是不符合客觀事實(shí)的.距離標(biāo)準(zhǔn)是指空間單元i與空間單元j的相互影響程度與距離有關(guān):距離越近,影響程度越大；反之,則越小.一種常用的空間距離權(quán)重矩陣的定義如下:

(1)

其中dij表示空間單元i、j之間的地理距離.wij不僅可以用地理距離刻畫(huà),也可采用經(jīng)濟(jì)距離刻畫(huà).yi、yj表示空間單元i、j的某一經(jīng)濟(jì)變量,兩者通常具有相似的變化趨勢(shì),以yi、yj作為自變量與因變量構(gòu)建線性回歸方程

(2)

將標(biāo)準(zhǔn)殘差std(εij)作為元素構(gòu)造空間經(jīng)濟(jì)權(quán)重矩陣,即

(3)

若空間單元i與j的該種經(jīng)濟(jì)變量相關(guān)關(guān)系越強(qiáng),則(2)式的擬合效果越好,其殘差的波動(dòng)范圍越小,標(biāo)準(zhǔn)殘差std(εij)就越小,導(dǎo)致wij越大；若兩地經(jīng)濟(jì)變量的相關(guān)關(guān)系越弱,即兩地經(jīng)濟(jì)變量的變化趨勢(shì)不相似,則(2)式的擬合效果越差,殘差波動(dòng)范圍越大,標(biāo)準(zhǔn)殘差std(εij)就越大,導(dǎo)致wij變小.這種權(quán)值設(shè)定方法的優(yōu)點(diǎn)是適應(yīng)性強(qiáng),因?yàn)殡S著地區(qū)經(jīng)濟(jì)的不斷發(fā)展,各地區(qū)間的經(jīng)濟(jì)關(guān)系是不斷變化的,這種隨著地區(qū)經(jīng)濟(jì)關(guān)系改變而動(dòng)態(tài)變化的空間權(quán)重矩陣能夠更好地衡量各地區(qū)間的相關(guān)關(guān)系[7].顯然,以標(biāo)準(zhǔn)殘差構(gòu)建的空間權(quán)重矩陣不是對(duì)稱(chēng)的.

考慮到PM2.5隨著空氣的流動(dòng)性和經(jīng)濟(jì)發(fā)展對(duì)PM2.5的影響,本文將地理距離和經(jīng)濟(jì)變量共同納入空間權(quán)重矩陣W的設(shè)定之中,即

(4)

其中

(5)

dij表示空間單元i、j之間的地理距離,std(εij)表示空間單元i、j經(jīng)濟(jì)變量的標(biāo)準(zhǔn)殘差.wij越大,表明空間單元i、j之間的相互影響程度越大,關(guān)系越緊密;wij越小,表明空間單元i、j之間的相互影響程度越小.對(duì)角線元素wii=0,i=1,2,…,n,表示任意一個(gè)空間單元都不與自身發(fā)生空間關(guān)聯(lián).該地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣沒(méi)有簡(jiǎn)單地考慮兩地之間的鄰接關(guān)系,而是將地理距離作為權(quán)值的一個(gè)因素,更加符合環(huán)境污染的實(shí)際情況,也符合Tobler的地理學(xué)第一定律.另一方面,地區(qū)經(jīng)濟(jì)關(guān)系的變動(dòng)在很大程度上帶動(dòng)著環(huán)境的變化,加入經(jīng)濟(jì)變量的空間權(quán)重矩陣能更好地反映各地區(qū)間的相關(guān)關(guān)系.

1.2 空間自相關(guān)統(tǒng)計(jì)量Moran’s I指數(shù)

1.2.1 傳統(tǒng)Moran’s I指數(shù) 空間自相關(guān)統(tǒng)計(jì)量有Moran’s I指數(shù)、Grary’s C指數(shù)、廣義G統(tǒng)計(jì)量.本文選擇使用最廣泛、統(tǒng)計(jì)意義最明顯的Moran’s I指數(shù).全局Moran’s I指數(shù)用于分析整個(gè)研究區(qū)域的空間自相關(guān)性,局部Moran’s I指數(shù)用于分析每個(gè)空間單元與其周?chē)臻g單元的自相關(guān)性.全局Moran’s I 指數(shù)和局部Moran’s I指數(shù)的公式[18-19]分別為:

(6)

(7)

1.2.2 改進(jìn)Moran’s I指數(shù) 值得注意的是：xi表示空間單元i的觀測(cè)值,如1個(gè)月或者1個(gè)季度、1年獲得1個(gè)xi.當(dāng)數(shù)據(jù)的時(shí)間間隔更短時(shí),如1 h、1 d獲得1個(gè)xi,研究者往往取一段時(shí)間數(shù)據(jù)的均值作為xi,這造成空間單元信息的缺失,降低了最終結(jié)果的可信度.因此本文采用1種改進(jìn)的Moran’s I指數(shù),能更加有效地利用數(shù)據(jù)、減少信息的損失.

改進(jìn)全局Moran’s I指數(shù)和改進(jìn)局部Moran’s I指數(shù)的公式如下:

(8)

(9)

1.2.3 改進(jìn)Moran’s I指數(shù)與傳統(tǒng)Moran’s I指數(shù)的關(guān)系 為了說(shuō)明改進(jìn)Moran’s I指數(shù)比傳統(tǒng)Moran’s I指數(shù)更合理,能更有效地利用數(shù)據(jù),減少信息損失,現(xiàn)給出如下2個(gè)引理.

引理1 傳統(tǒng)全局Moran’s I指數(shù)

與改進(jìn)全局Moran’s I指數(shù)

之間的關(guān)系為

其中A、B、X、Y都為常數(shù).

證明 對(duì)改進(jìn)全局Moran’s I指數(shù)進(jìn)行變形可得

(10)

(11)

不妨令

則

(12)

(13)

因此,I′和I之間的關(guān)系可表示為

(14)

其中A、B、X、Y都為常數(shù),得證.

引理 2 傳統(tǒng)局部Moran’s I指數(shù)

與改進(jìn)局部Moran’s I指數(shù)

之間的關(guān)系為

其中C、D、E都為常數(shù).

(15)

在傳統(tǒng)局部Moran’s I指數(shù)中,根據(jù)

對(duì)傳統(tǒng)局部Moran’s I指數(shù)進(jìn)行變形得

(16)

不妨令

則

(17)

(18)

(19)

其中C、D、E均為常數(shù),得證.

引理1和引理2表明,改進(jìn)全局Moran’s I指數(shù)、改進(jìn)局部Moran’s I指數(shù)比傳統(tǒng)全局Moran’s I指數(shù)、傳統(tǒng)局部Moran’s I指數(shù)包含了更多的數(shù)據(jù)信息,更加有效地利用數(shù)據(jù),這與改進(jìn)Moran’s I指數(shù)的初衷一致.

1.2.4 Moran’s I指數(shù)的顯著性檢驗(yàn) 根據(jù)L. F. Lee[20]的矩陣算法推導(dǎo)出改進(jìn)全局Moran’s I指數(shù)的期望與方差為：

(20)

Var(I′)=

(21)

其中,

同理,根據(jù)L. F. Lee[20]的矩陣算法推導(dǎo)改進(jìn)局部Moran’s I指數(shù)的期望與方差為：

(22)

(23)

其中,

得到改進(jìn)Moran’s I指數(shù)的期望、方差后,對(duì)Moran’s I指數(shù)進(jìn)行顯著性檢驗(yàn),以確定造成此種關(guān)系是因?yàn)榇嬖诳臻g分布還是偶然因素.構(gòu)造Z檢驗(yàn)統(tǒng)計(jì)量

(24)

在α=0.05的顯著性水平下,若Z介于-1.96～1.96之間,表明在所研究的空間范圍內(nèi)某現(xiàn)象分布的關(guān)聯(lián)性不明顯,空間自相關(guān)性較弱;若Z在(-1.96,1.96)之外,表明在所研究的空間范圍內(nèi)某現(xiàn)象的分布具有顯著的相關(guān)性,空間相關(guān)性較強(qiáng).

2 實(shí)證分析

2.1 數(shù)據(jù)預(yù)處理 本文從PM2.5歷史數(shù)據(jù)網(wǎng)站[21]搜集整理2015年1月1日至2015年9月30日四川省21個(gè)市州PM2.5的日平均濃度數(shù)據(jù),欲探求四川省PM2.5空間分布情況.根據(jù)本文定義的地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣,以各市州的市政府間的地理距離表示dij;以各市州2000年—2014年GDP數(shù)據(jù)擬合方程的標(biāo)準(zhǔn)殘差表示std(εij).根據(jù)(5)式構(gòu)建地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣并對(duì)該空間權(quán)重矩陣進(jìn)行全局歸一化，得到歸一化的地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣

(25)

(25)式中的非零元素表示四川省兩地之間的關(guān)聯(lián)程度：數(shù)值越大,兩地的相關(guān)性越大,相互影響程度越大;數(shù)值越小,兩地的相關(guān)性越小,相互影響程度越小.對(duì)角線上的0元素表示各地市均不與自身發(fā)生自相關(guān).在該地理-經(jīng)濟(jì)變動(dòng)空間權(quán)重矩陣中,除0元素外,w2,19的值最小,為0.000 725,表示自貢與阿壩州的相關(guān)性最小,兩地的相互影響程度最小;w6,5的值最大,為0.006 36,表示綿陽(yáng)與德陽(yáng)的相關(guān)性最大,兩地的相互影響程度大.

2.2 空間自相關(guān)指標(biāo)分析 根據(jù)改進(jìn)全局Moran’s I指數(shù)(8)式和傳統(tǒng)全局Moran’s I指數(shù)(6)式,計(jì)算四川省21個(gè)市州改進(jìn)全局Moran’s I指數(shù)和傳統(tǒng)全局Moran’s I指數(shù),并分別對(duì)其進(jìn)行顯著性檢驗(yàn).表1為四川省PM2.5污染的全局Moran’s I指數(shù).

表 1 四川省PM2.5污染改進(jìn)全局Moran’s I指數(shù)指數(shù)與傳統(tǒng)全局Moran’s I指數(shù)

由表1可知,傳統(tǒng)全局Moran’s I指數(shù)為0.024 3,其Z值處于(-1.96,1.96)之內(nèi),表明傳統(tǒng)全局Moran’s I指數(shù)未能探測(cè)出顯著空間正相性.

改進(jìn)全局Moran’s I指數(shù)為0.599 5,表明四川省PM2.5污染的空間分布具有正相關(guān)性,在地理分布上呈現(xiàn)出集聚現(xiàn)象,其分布并不是處于完全的隨機(jī)狀態(tài),而是受各市州PM2.5污染的影響.根據(jù)Z值為9.908 1，可以判斷四川省PM2.5污染的聚集狀態(tài)是顯著的,這是的確存在的空間分布而不是偶然因素造成的.四川省PM2.5整體呈現(xiàn)空間聚集現(xiàn)象,但不能保證每個(gè)市州的PM2.5污染都是空間聚集,也不能保證每個(gè)市州的空間狀態(tài)是顯著的.因此，每個(gè)市州的空間自相關(guān)性還需通過(guò)局部Moran’s I指數(shù)做進(jìn)一步判斷.表2是四川省21個(gè)市州的局部Moran’s I指數(shù)及對(duì)應(yīng)的Z值.

表 2 四川省PM2.5污染改進(jìn)局部Moran’s I指數(shù)與傳統(tǒng)局部Moran’s I指數(shù)及Z值

以標(biāo)準(zhǔn)化PM2.5數(shù)據(jù)x*為橫坐標(biāo),nWx*為縱坐標(biāo)繪制Moran散點(diǎn)圖.圖1為四川省PM2.5污染的Moran 散點(diǎn)圖.結(jié)果顯示,所有的點(diǎn)只分布在第一、二象限,其中成都、眉山等11個(gè)城市的PM2.5污染表現(xiàn)出高-高(H-H)的正相關(guān)關(guān)系集群,即高污染地區(qū)被高污染的其他地區(qū)所包圍;廣元、甘孜州等10個(gè)城市的PM2.5污染表現(xiàn)出低-高(L-H) 的負(fù)相關(guān)關(guān)系集群,即低污染地區(qū)被高污染的其他地區(qū)所包圍.

為了更好地分析污染的空間分布情況,本文使用ArcMap 10.2軟件將四川省PM2.5污染分布情況可視化.圖2為四川省PM2.5污染改進(jìn)局部Moran’s I集聚圖.圖3為四川省PM2.5污染改進(jìn)局部Moran’s I顯著性水平圖.由圖2可得,四川省PM2.5污染的空間分布規(guī)律非常明顯,四川盆地中心地帶的成都平原城市群,位于長(zhǎng)江上游、川滇黔渝交界處的川南城市群和少部分川東北城市群的城市[22]的局部Moran’s I指數(shù)大于0,呈現(xiàn)PM2.5空間聚集分布.結(jié)合圖1可以得出這些城市處于H-H區(qū)域,其PM2.5污染情況較嚴(yán)重,呈現(xiàn)污染嚴(yán)重區(qū)域與污染嚴(yán)重區(qū)域的聚集,以川南城市群尤為突出.通過(guò)圖3顯著性水平圖可以看出川南城市群的聚集不是偶然出現(xiàn)的,而是由某一系統(tǒng)過(guò)程造成的.位于第一象限除德陽(yáng)外的眉山、自貢等10個(gè)城市均通過(guò)5%的顯著性檢驗(yàn)，成為PM2.5污染排放H- H顯著集聚中心.而在四川盆地邊緣地帶的攀西城市群、3個(gè)少數(shù)民族自治州以及少部分川東北城市群大多處于低污染被高污染圍繞的狀態(tài),即這些城市自身的PM2.5污染較輕但周?chē)鞘形廴据^為嚴(yán)重,呈現(xiàn)PM2.5污染空間負(fù)相關(guān)性.廣元和甘孜州的PM2.5污染與周?chē)鞘械目臻g負(fù)相關(guān)性最大.位于第二象限除綿陽(yáng)、廣安、攀枝花外的廣元、雅安等7個(gè)城市均通過(guò)5%的顯著性檢驗(yàn)成為PM2.5污染排放L-H顯著集聚中心.

通過(guò)改進(jìn)全局Moran’s I指數(shù)與改進(jìn)局部Moran’s I指數(shù)比較分析,可以得出四川省PM2.5污染分布高值聚集占主導(dǎo)地位,整體呈現(xiàn)空間聚集分布,在不同的市州PM2.5的分布情況又有不同.PM2.5污染呈現(xiàn)這樣的空間分布的原因大概包括以下幾個(gè)方面:第一,由于地理距離較近,以成都為中心的城市群在成都經(jīng)濟(jì)的高速發(fā)展下各自也發(fā)展迅速,人口的增多、工業(yè)的快速發(fā)展,導(dǎo)致成都平原城市群PM2.5高值顯著聚集.第二,川南城市群位于長(zhǎng)江上游四川南部,川滇黔渝三省一市的交界處,幅員面積約4.42 萬(wàn)km2,也是四川省域內(nèi)人口稠密的地區(qū)之一.該城市群擁有較強(qiáng)的工業(yè)基礎(chǔ)和特色優(yōu)勢(shì)產(chǎn)業(yè),是成渝兩地經(jīng)濟(jì)能量交換的區(qū)域,因此川南城市群PM2.5污染的空間正相關(guān)性最強(qiáng).第三,川東北城市群是連接省內(nèi)外的交通要塞、重要的經(jīng)濟(jì)腹地.近年來(lái),隨著達(dá)成鐵路、成南高速公路、廣南高速公路、達(dá)渝高速公路的建成通車(chē),帶動(dòng)了遂寧、南充、達(dá)州的交流和發(fā)展,增加了城市之間的相互影響,因此空間正相關(guān)性較強(qiáng),而廣元、巴中兩市與秦嶺山脈相鄰,常年多風(fēng),因此PM2.5污染較輕.第四,攀西城市群與少數(shù)民族自治州的自然環(huán)境優(yōu)美、旅游業(yè)發(fā)達(dá),環(huán)境保護(hù)力度強(qiáng),因此成為PM2.5污染較輕、空間負(fù)相關(guān)性強(qiáng)的地區(qū).

3 結(jié)論

本文利用空間自相關(guān)分析對(duì)四川省21個(gè)市州的PM2.5污染的空間分布進(jìn)行探究.考慮到經(jīng)濟(jì)對(duì)于城市關(guān)系的影響,采用一種地理與經(jīng)濟(jì)結(jié)合的動(dòng)態(tài)空間權(quán)重矩陣刻畫(huà)21個(gè)市州之間的相互影響程度.這種空間權(quán)重矩陣不僅包含了基于地理距離的影響還包含地區(qū)間經(jīng)濟(jì)發(fā)展的相關(guān)關(guān)系,更為深刻地刻畫(huà)了地區(qū)之間的相互影響程度,體現(xiàn)了地區(qū)關(guān)系的豐富內(nèi)涵.

由于傳統(tǒng)Moran’s I指數(shù)對(duì)于數(shù)據(jù)的利用不夠有效,本文采用一種改進(jìn)Moran’s I指數(shù),它更能挖掘空間數(shù)據(jù)之間的自相關(guān)關(guān)系.通過(guò)這種動(dòng)態(tài)空間權(quán)重矩陣和改進(jìn)Moran’s I指數(shù)的計(jì)算分析,得出如下結(jié)論:

1) 從整體區(qū)域看,四川省PM2.5污染具有顯著空間聚集分布,呈現(xiàn)空間正相關(guān)性.

2) 從局部看,四川省PM2.5污染的空間分布規(guī)律比較明顯,成都平原城市群、川南城市群和少部分川東北城市群的城市PM2.5污染情況較嚴(yán)重,呈現(xiàn)污染嚴(yán)重區(qū)域與污染嚴(yán)重區(qū)域的聚集.在攀西城市群、3個(gè)少數(shù)民族自治州以及少部分川東北城市群自身的PM2.5污染較輕但周?chē)鞘形廴据^為嚴(yán)重,呈現(xiàn)PM2.5污染空間負(fù)相關(guān)性.

3) PM2.5的空間自相關(guān)性與城市的經(jīng)濟(jì)、地理位置、周?chē)鞘械挠绊?、交通等多方面因素存在一定的關(guān)系.

[1] 國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. 環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)G3095—2012[S]. 北京：中國(guó)環(huán)境科學(xué)出版社,2012.

[2] 吳兌. 灰霾天氣的形成與演化[J]. 環(huán)境科學(xué)與技術(shù),2011,34(3):157- 161.

[3] TOBLER W. On the first law of geography:a reply[J]. Ann Assoc Am Geo,2004,94(2):304-310.

[4] 王紅亮,胡偉平,吳馳. 空間權(quán)重矩陣對(duì)空間自相關(guān)的影響分析:以湖南省城鄉(xiāng)收入差距為例[J]. 華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,42(1):110-115.

[5] 曾輝,江子瀛,孔寧寧,等. 快速城市化景觀格局的空間自相關(guān)特征分析：以深圳市龍華地區(qū)為例[J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)版),2000,36(6):824-831.

[6] 任英華,游萬(wàn)海. 一種新的空間權(quán)重矩陣選擇方法[J]. 統(tǒng)計(jì)研究,2013,29(6):99-105.

[7] 王君婕,張寧. 新的空間權(quán)重矩陣在中國(guó)碳排放分析中的應(yīng)用[J]. 中國(guó)商貿(mào),2014(31):206-208.

[8] 張嘉為,陳曦,汪壽陽(yáng). 新的空問(wèn)權(quán)重矩陣及其在中國(guó)省域?qū)ν赓Q(mào)易中的應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐,2009,29(11):84-92.

[9] 李婧,譚清美,白俊紅. 中國(guó)區(qū)域創(chuàng)新生產(chǎn)的空間計(jì)量分析:基于靜態(tài)與動(dòng)態(tài)空間面板模型的實(shí)證研究[J]. 管理世界,2010(7):43-55.

[10] 吳賢榮,張俊飚,程琳琳，等. 中國(guó)省域農(nóng)業(yè)碳減排潛力及其空間關(guān)聯(lián)特征：基于空間權(quán)重矩陣的空間Durbin模型[J]. 中國(guó)人口資源與環(huán)境,2015,25(6):53-61.

[11] CHENG T, WANG J Q, HAWORTH J, et al. A dynamic spatial weight matrix and localized space-time autoregressive integrated moving average for network modeling[J]. Geographical Analysis,2014,14(1):75-97.

[12] AHRENS A, BHATTACHARJEE A. Two-step lasso estimation of the spatial weights matrix[J]. Econometrics,2015,3(1):128-155.

[13] 歐變玲,龍志和,林光平. 圖解Bootstrap 方法用于空間相關(guān)性Moran 檢驗(yàn)的有效性[J]. 統(tǒng)計(jì)與信息論壇,2011,26(2):3-8.

[14] 代偵勇,姜婧,肖明科. 基于時(shí)空Moran’s I指數(shù)的全國(guó)降雨量自相關(guān)分析[J]. 華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,48(6):923-929.

[15] 馮文蘭,牛曉俊. 快速城市化地區(qū)建設(shè)用地的空問(wèn)特征與演變分析：以成都市為例[J]. 四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,38(4):576-583.

[16] 陳慈仁,林峰田,何燦群. 空間自相關(guān)聚集分析[EB/OL]. (2014-12-17)[2015-11-1]. http://www.docin.com/p-993166513.html.

[17] 羅畏,鄒崢嶸. 空間統(tǒng)計(jì)分析的環(huán)境質(zhì)量評(píng)價(jià)應(yīng)用[J]. 測(cè)繪科學(xué),2012,37(4):32-37.

[18] CLIFF A D, ORD J K. Spatial Processes[M]. London:Pion,1981:266.

[19] ANSELIN L. Local indicators of spatial association[J].Geographical Analysis,1995,27(2):93-115.

[20] LEE L F. GMM and 2SLS estimation of mixed regressive, spatial autoregressive models [J]. J Econometrics,2007,137(2):489-514.

[21] 王杰. PM2.5歷史數(shù)據(jù)[DB/OL]. (2016-9-27)[2015-11-1]. http://www.aqistudy.cn/historydata/.

[22] 四川省統(tǒng)計(jì)局. 四川省四大城市群經(jīng)濟(jì)實(shí)力研究[EB/OL]. (2014-1-8)[2015-11-1]. http://www.sc.gov.cn/10462/10464/10465/10574/2014/1/8/10290302.shtml.

[23] 楊春,余江,余毅,等. 成都市PM2.5指標(biāo)的影響因子分析及其防治策略[J]. 西南民族大學(xué)學(xué)報(bào)(自然科學(xué)版)2016,42(6):626-630.

2010 MSC：62P12

(編輯 陶志寧)

Exploring the Spatial Distribution of PM2.5in Sichuan Province

GAN Maolin1, LYU Wangyong1,2, FU Lu1

(1.CollegeofMathematicsandSoftwareScience,SichuanNormalUniversity,Chengdu610066,Sichuan；2.VisualComputingandVirtualRealityKeyLaboratoryofSichuanProvince,Chengdu610066,Sichuan)

To explore the spatial distribution of PM2.5in 21 cities in Sichuan Province, in order to use data effectively and reduce information damage, we combine the geographical distance of the cities and the correlation of economic variables to structure the geography-economic dynamic spatial weight matrix that describes the interaction. We analyze the spatial distribution of PM2.5in Sichuan Province by using an improved Moran’s I and drawing scatter diagram of Moran, cluster map of local Moran’s I, et al, to present the spatial distribution of PM2.5. The results show that the pollution of PM2.5has a positive correlation in Sichuan Province on the whole, and highly polluted area are clustered. From the local perspective, pollution of PM2.5of cities in Chengdu city-group, chuannan city-group and a few chuandongbei city-group are serious and the pollution shows spatial aggregation. But cities in panxi city-group, 3 ethnic autonomous prefectures and a few chuandongbei city-group are slightly polluted where pollution is more serious in surrounding urban. These cities show negative correlation of PM2.5pollution.

geography-economic dynamic spatial weight matrix; improved Moran’s I; spatial autocorrelation; PM2.5

2015-11-13

國(guó)家自然科學(xué)青年基金(11601357)、四川省教育廳自然科學(xué)重點(diǎn)項(xiàng)目(15ZA0030)和可視化計(jì)算與虛擬現(xiàn)實(shí)四川省重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(KJ201410)

X821

A

1001-8395(2017)01-0029-09

10.3969/j.issn.1001-8395.2017.01.005

*通信作者簡(jiǎn)介：呂王勇(1979—),女,副教授,主要從事數(shù)理統(tǒng)計(jì)與數(shù)據(jù)分析的研究,E-mail:lvwangy@163.com