董珍珍，王 亮，仇阿根

(中國測繪科學(xué)研究院，北京 100830)

協(xié)同遙感信息與統(tǒng)計信息的人口空間格局分析

董珍珍，王 亮，仇阿根

(中國測繪科學(xué)研究院，北京 100830)

針對人口空間格局分布分析不足的問題，借助遙感信息與基本統(tǒng)計信息，引入人口地理集中度、探索性空間數(shù)據(jù)分析和地理加權(quán)回歸模型，定量地分析了特征因子在市域范圍上的空間異質(zhì)性。人口集中指數(shù)與Moran指數(shù)能有效地反映空間事物之間的密切作用關(guān)系，在產(chǎn)業(yè)空間分布中能較好地評價集聚效應(yīng)，反映空間分布狀態(tài)。以長江經(jīng)濟帶為研究區(qū)域，對人口空間分布進行了研究，得出了“圈層集中—東西對立—南北差異—四周分散”的分布特征，并從經(jīng)濟、社會、環(huán)境、土地利用方面分析原因，為人口合理增長和資源分配提供了參考。

人口；空間格局分析；探索性分析；地理加權(quán)回歸

人口空間分布是指一定時間點上人口在特定地域的分布狀況，反映了一個地區(qū)自然條件經(jīng)濟發(fā)展水平的差異。隨著我國經(jīng)濟的不斷發(fā)展，各地人口發(fā)生很大變化。人口增長過快，會加大資源和環(huán)境的壓力；人口增長緩慢，則會造成產(chǎn)業(yè)缺少勞動力的現(xiàn)象。因此，充分了解人口空間分布狀況，構(gòu)建人口空間分布模型，對人口合理再分布，以及可持續(xù)發(fā)展、資源的合理分配具有重要的意義[1]。

近年來，人口空間分布領(lǐng)域引起了諸多學(xué)者的關(guān)注和重視，如鄧羽等[2]基于省級人口數(shù)據(jù)構(gòu)建了自上而下的人口預(yù)測方法，對2010—2050年間人口總量進行了預(yù)測，并研究了我國人口空間格局的發(fā)展情景和演化特征；李莎等[3]基于俄羅斯歷年人口統(tǒng)計數(shù)據(jù)，利用空間自相關(guān)模型探討了歐洲部分人口分布及演化時空特征。潘倩等[4]利用分布重心、不均衡指數(shù)等分析方法研究了自清朝以來近300年的中國人口數(shù)量變化及時空分布格局；Tobias Lung等[5]根據(jù)肯尼亞西部地區(qū)高分辨率衛(wèi)星影像研究了人口與河流、學(xué)校、坡度等因素的關(guān)系，并根據(jù)不同因素分析其原因；金君等[6]將人口數(shù)據(jù)分布到規(guī)則格網(wǎng)上的數(shù)字人口模型(digital population model,DPM)，改變了傳統(tǒng)的人口按行政區(qū)劃的統(tǒng)計方法，實現(xiàn)了人口數(shù)據(jù)的格網(wǎng)化統(tǒng)計，并驗證了模型表示分布人口的準確性、合理性。國內(nèi)外學(xué)者從不同理論角度在不同尺度對人口分布進行的研究，主要從人口的時空演變特征、空間分布角度進行，研究對象多為國家、省級等大尺度地方，缺少基于地級市的研究，并且研究中未考慮地理位置這一因素，而地理學(xué)中研究對象、對象結(jié)構(gòu)均會隨著地理位置變化而變化。

線性回歸模型(ordinary least squares，OLS)是較為簡單的分析模型，可在一定程度上分析變量之間的相關(guān)關(guān)系，并根據(jù)相關(guān)系數(shù)的大小對因變量進行分析與預(yù)測，但未涉及空間差異性；地理加權(quán)回歸(geographical weighted regression，GWR)是應(yīng)用廣泛的空間分析方法，它在線性回歸模型基礎(chǔ)上嵌入空間信息，從而分析不同地理位置上變量的回歸系數(shù)的差異性，對空間關(guān)系的非平穩(wěn)性進行分析和探測[7]，在房價估計、傳染病預(yù)測等各方面廣泛應(yīng)用[8-10]。近幾年，應(yīng)用范圍逐漸擴大，武文娟等利用空間分析技術(shù)首先研究了區(qū)縣床位的時空變化特征，并采用地理加權(quán)回歸模型方法解釋了經(jīng)濟、人口、交通、地形等因素對時空異質(zhì)性的影響[11]；李祥等采用自然正交函數(shù)分析了北京市空氣質(zhì)量變化的時空特征，同時借助地理加權(quán)回歸模型揭示了其驅(qū)動力，同時探討了驅(qū)動力的異質(zhì)性[12]。

長江經(jīng)濟帶人口密集，經(jīng)濟發(fā)達，交通便利，是國家重點研究區(qū)域，但不同的地級市因自然、社會、經(jīng)濟條件的不同，發(fā)展模式存在明顯差異，人口空間分布也具有鮮明的地域分布特征。本文在現(xiàn)有研究方法的基礎(chǔ)上，綜合利用探索性分析方法中Moran’s I統(tǒng)計量分析總結(jié)人口的空間分布特征與集聚特征；在分析多種因素影響因子的基礎(chǔ)上對人口空間分布構(gòu)建OLS與GWR模型，分析人口空間分布特征的成因，為人口合理增長和資源合理分配提供參考。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)域

長江經(jīng)濟帶區(qū)域覆蓋了上海、江蘇、浙江、安徽、江西、湖北、湖南、重慶、四川、云南、貴州等11個省市，130多個地級市，面積約205萬km2，人口超過全國的40%，GDP占全國的41%，且橫跨我國東中西三大區(qū)域，具有獨特的優(yōu)勢和巨大的發(fā)展?jié)摿?如圖1所示)。2014年國務(wù)院提出了關(guān)于依托黃金水道推動長江經(jīng)濟帶發(fā)展的指導(dǎo)意見，改革開放以來，長江經(jīng)濟帶已發(fā)展成為我國綜合實力最強、戰(zhàn)略支撐作用最大的區(qū)域之一，而人口問題始終是制約其全面協(xié)調(diào)可持續(xù)發(fā)展的重大問題，是影響經(jīng)濟社會發(fā)展的關(guān)鍵因素。

1.2 數(shù)據(jù)來源

基礎(chǔ)統(tǒng)計數(shù)據(jù)包括：①人口統(tǒng)計數(shù)據(jù)，主要指研究區(qū)人口、社會、經(jīng)濟數(shù)據(jù)，尺度為市域，來源于統(tǒng)計年鑒；②行政區(qū)劃數(shù)據(jù)，指長江經(jīng)濟帶市域，來源于中國行政區(qū)劃矢量圖。

圖1 長江經(jīng)濟帶行政區(qū)劃

遙感信息數(shù)據(jù)包括：①土地利用現(xiàn)狀數(shù)據(jù)，主要指研究區(qū)不同土地類型的分布情況，因無法獲取最新土地類型情況，以2010年土地利用數(shù)據(jù)代替，來源于中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http:∥www.resdc.cn)，由Landsat TM/ETM衛(wèi)星獲取，分辨率為1 km×1 km；②數(shù)字高程數(shù)據(jù)，主要指研究區(qū)內(nèi)高程值，在其基礎(chǔ)上可提取坡度、坡向等，分辨率為30 m，來源于地理空間數(shù)據(jù)云的GDEMV2數(shù)據(jù)集；③氣象數(shù)據(jù)，主要指研究區(qū)內(nèi)市域氣溫與降水量情況，來源于中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心，由全國1915個站點的氣象數(shù)據(jù)整理檢查形成，其分辨率為0.5 km×0.5 km。

1.3 數(shù)據(jù)預(yù)處理

為了構(gòu)建人口空間分布模型的正確性，需要對數(shù)據(jù)進行預(yù)處理操作。根據(jù)2015年城市經(jīng)濟統(tǒng)計年鑒統(tǒng)計長江經(jīng)濟帶市域的人口、社會、經(jīng)濟數(shù)據(jù)，并且為了數(shù)據(jù)的無量綱性，將人口、經(jīng)濟、社會數(shù)據(jù)按照地區(qū)人均或每萬人計量進行處理，消除因單位不同造成的干擾。

土地利用現(xiàn)狀、數(shù)字高程模型、氣象數(shù)據(jù)等遙感信息的獲取則相對復(fù)雜，因數(shù)據(jù)分辨率與投影方式的不同，需要進行統(tǒng)一坐標系操作，均采用雙標準緯線等面積圓錐投影坐標系；需要對數(shù)據(jù)重采樣，分辨率標準為0.5 km×0.5 km，并且需要對長江經(jīng)濟帶進行掩膜處理，從而實現(xiàn)區(qū)域統(tǒng)計。

2 研究方法

2.1 人口地理集中度分析

人口地理集中度是指在一定地理單元上人口的集中化程度。人口集中指數(shù)是衡量人口集中化程度最為經(jīng)典的方法，是表明某項經(jīng)濟活動在地域上集中程度的指標，也是分析城市密集人口分布與分散化變動趨勢的重要指標之一，其計算公式為

(1)

式中，C為人口集中指數(shù)，分別為第i個區(qū)域的人口數(shù)量和土地面積；P和S分別為整個區(qū)域的總?cè)丝诤涂偯娣e。C的值在0和1之間，C值越接近于1，說明人口向某些地域集中的程度越大，人口分布越不均勻；C值越接近于0，說明人口向某一地域集中的偏向越小，人口分布越分散。人口集中指數(shù)反映了人口分布相對于土地面積的集中和分散情況。

2.2 探索性空間數(shù)據(jù)分析

探索性分析方法主要是通過全局空間自相關(guān)分析和局域空間自相關(guān)分析對空間關(guān)聯(lián)模式進行度量與檢驗的方法。其中全局自相關(guān)分析主要是反映某種屬性值在整個研究區(qū)域的空間關(guān)聯(lián)模式；而局域自相關(guān)分析用于反映某區(qū)域單元上的某種屬性值與鄰近區(qū)域單元上同一屬性值的相關(guān)程度。本文采用全局與局部的方法對人口的空間格局進行分析。

空間自相關(guān)是用于分析不同空間位置某一屬性值之間相關(guān)性的指標，是空間集聚程度的一種度量，通過空間自相關(guān)系數(shù)大小度量空間相關(guān)性強弱[13-17]。本文采用Moran指數(shù)(Moran’s I)測度空間關(guān)聯(lián)程度，其公式如下

(2)

用標準化統(tǒng)計量Z對Global Moran’s I進行顯著性檢驗，計算公式為

(3)

式中，Z(I)表示標準差的倍數(shù)，其中I即為Moran指數(shù)；E(I)為期望值；VAR(I)為變異系數(shù)。若Z(I)的值大于2.58，則置信度為99%，即小事件發(fā)生的可能性為1%；若Z(I)的值大于1.96，則置信度為95%，即小事件發(fā)生的可能性為5%。

2.3 地理加權(quán)回歸分析

地理加權(quán)回歸是Fortheringham等[18]基于局部光滑的思想，將數(shù)據(jù)的空間位置嵌入到回歸參數(shù)中，利用局部加權(quán)最小二乘法進行逐點參數(shù)估計[19-20]的分析方法。其模型表達如下

(4)式中，yi為因變量在點(ui,vi)處的觀測值，i=1,2,…,n；xik為自變量x1，x2,…,xn在點(ui,vi)處的n個觀測值；(ui,vi)為i點的坐標；βk(ui,vk)是第i個采樣點上的回歸參數(shù)；εi為誤差項。模型的核心是空間權(quán)重矩陣，它通過選取不同的空間權(quán)函數(shù)來表達對數(shù)據(jù)間空間關(guān)系的不同認識?？臻g權(quán)函數(shù)的正確選取對地理加權(quán)回歸模型參數(shù)的正確估計非常重要[21]。

3 長江經(jīng)濟帶人口空間格局分析

利用人口地理集中度與探索性分析方法對長江經(jīng)濟帶人口格局展開分析，其人口分布從西向東逐漸增加，集聚效應(yīng)較強的地區(qū)也出現(xiàn)在東部，中部地區(qū)人口則處于中等，因此，形成了總體為“圈層相對集中—東西對立—南北差異—四周分散”的分布特征。

3.1 空間分布分析

長江經(jīng)濟帶市域范圍內(nèi)人口密度如圖2所示。各地區(qū)之間人口差異較為明顯，基本從西向東逐漸增加，10%的市域人口密度大于800人/km2，25%的市域人口密度小于200人/km2，其他市域人口密度均在200～800人/km2之間。其中，環(huán)繞長江中下游流域的上海市、揚州市、無錫市、常州市、南京市、池州市、武漢市等形成人口密集高值帶，這一帶區(qū)位優(yōu)越、交通便利、經(jīng)濟發(fā)展較快，在一定程度上促進了人口的聚集；同時，部分城市如十堰市、襄陽市、宜昌市、永州市、郴州市等由于遠離大中城市，受其輻射較少，且耕地面積較少，造成其經(jīng)濟落后，從而人口密度較低。由此可見，長江經(jīng)濟帶市域人口密度相對不高，且分布不均衡。

圖2 長江經(jīng)濟帶市域人口密度分布

3.2 集聚效應(yīng)分析

針對長江經(jīng)濟帶人口，利用探索性分析方法，Moran’s I值為0.45，Z值為13.4，p值為0.00，在0.01的水平下通過檢驗。因此，數(shù)據(jù)集的值在空間上傾向于聚類，即高值聚集在其他高值附近，低值聚集在其他低值附近。該結(jié)果的置信度為99%，具有較高的可信性。局部Getis-Ord Gi指數(shù)Z值介于-3.217～6.182之間，如圖3所示，人口集中指數(shù)范圍在0～0.52之間，說明長江經(jīng)濟帶人口數(shù)據(jù)相對集中，部分集中區(qū)分布在長江三角洲附近，估計是由于該地區(qū)經(jīng)濟發(fā)達引起的。

圖3 長江經(jīng)濟帶市域人口集中指數(shù)與散點分布

圖3(b)中橫軸為地級市尺度下的人口密度，縱軸為該尺度下人口密度的空間滯后變量，其斜率即為Moran’s I值。由圖可發(fā)現(xiàn)，點分布在4個象限，分布于一、三象限的說明呈正相關(guān)，分布于二、四象限的呈負相關(guān)。比較發(fā)現(xiàn)，位于二、三象限的地級市較多，說明正負相關(guān)均存在，即集聚程度較為明顯。

3.3 空間趨勢分析

針對長江經(jīng)濟帶地區(qū)進行人口密度與常住人口總量的趨勢分析，圖4兩個走勢圖中灰色線代表東西方向，黑色線代表南北方向。由圖4(a)的兩條走勢線可知，該經(jīng)濟帶出現(xiàn)了“東西對立—南北差異”的格局，在東北部人口密度值達到最大；由圖4(b)的兩條走勢線可知，常住人口也由東向西、由南向北進行著不同程度的變化，總體趨勢為增加。這是因為東北部經(jīng)濟、社會等較為發(fā)達，促進了人口的聚集，同時環(huán)境等條件也適宜人居住。

圖4 長江經(jīng)濟帶市域人口密度與常住人口趨勢

4 長江經(jīng)濟帶人口分布特征因子提取與模型構(gòu)建

根據(jù)上述對長江經(jīng)濟帶人口分布的空間格局分析，可發(fā)現(xiàn)地級市之間人口空間分布的差異受多種因素的綜合影響，本文選取經(jīng)濟、社會、環(huán)境、土地利用等幾個方面的13個指標，主要包括人均國內(nèi)生產(chǎn)總值、人均社會消費品零售總額、人均公共財政預(yù)算收入、人均固定資產(chǎn)投資、人均可支配收入、每萬人擁有衛(wèi)生機構(gòu)床位數(shù)、每萬人擁有在校大學(xué)生數(shù)、平均高程、平均氣溫、年平均降水量、林地面積、耕地面積、城鎮(zhèn)用地面積等。

4.1 特征因子提取

由于影響因素之間存在一定的相關(guān)性，需要對特征因子進行提取。采用因子分析的主成分分析，將影響人口空間分布強的特征因子提取出來，KMO為0.789，接近于1，sig值為0.00，適合進行因子分析；將關(guān)鍵因素進行得分處理歸結(jié)為經(jīng)濟、社會、自然、土地利用4個因子，累計方差的貢獻率為82%，利用這4個因子可以有效地解釋82%的地區(qū)人口分布情況。

4.2 模型構(gòu)建

根據(jù)以上分析，構(gòu)建了人口空間分布模型，一方面為了分析長江經(jīng)濟帶人口格局與影響因子，另一方面為了比較OLS模型與GWR模型的可用性，本文以長江經(jīng)濟帶人口密度數(shù)據(jù)作為因變量，上述提取得到的因子作為自變量，展開模型的構(gòu)建及對比分析。

4.2.1 人口空間分布OLS模型

構(gòu)建的長江經(jīng)濟帶人口空間分布OLR模型為

Y=0.114 947+0.082 5Xjj-0.002Xhj+0.03Xsh-0.03Xtd

式中，Xjj代表經(jīng)濟因子；Xhj代表環(huán)境因子；Xsh代表社會因子；Xtd代表土地因子。AIC值為-349.52，擬合度R2為0.803。由上述系數(shù)可知，經(jīng)濟因子、土地利用因子、社會因子均與人口空間分布呈正相關(guān)狀態(tài)，而環(huán)境因子與人口空間分布呈現(xiàn)負相關(guān)狀態(tài)；由系數(shù)大小可知，經(jīng)濟因子對人口空間分布影響最大，經(jīng)濟越發(fā)達的地區(qū)人口越集聚。

4.2.2 人口空間分布GWR模型

GWR模型表達了空間異質(zhì)性，體現(xiàn)了其與地域是否存在相關(guān)性，涉及人口分布、房價評估、地址選擇等各領(lǐng)域，因此，構(gòu)建的長江經(jīng)濟帶人口空間分布GWR模型如下

Yi=β0(ui,vi)+β1(ui,vi)(jj)+β2(ui,vi)(hj)+β3(ui,vi)(sh)+β4(ui,vi)(td)+εi

式中，jj代表經(jīng)濟因子；hj代表環(huán)境因子；sh代表社會因子；td代表土地利用因子；(ui,vi)代表編碼為i的市域的地理中心坐標。模型帶寬計算運用了AIC的方法，AIC值為-409.56，擬合度R2的值為0.894，調(diào)整后R2的值為0.876，擬合效果較好。

4.2.3 模型對比分析

針對相同的參數(shù)進行對比分析(見表1)，從AIC的角度分析，GWR模型的AIC值比OLS模型得到的AIC值低59.94，該值大于3，說明GWR模型相比OLS模型在對長江經(jīng)濟帶人口空間格局表達方面有所提升與改善；從擬合度R2的角度分析，GWR模型的擬合度與調(diào)整后的擬合度均高于OLS模型，說明GWR模型相比OLS模型在表達人口空間格局分析時，結(jié)果更為顯著，能夠更好地表達空間異質(zhì)性。

表1 OLR模型與GWR模型參數(shù)對比

OLS模型的經(jīng)濟、環(huán)境、社會、土地利用回歸系數(shù)分別為0.082 5、-0.002、0.03、0.03；由于GWR模型表達的是地理空間對人口的作用，因此相同變量不同市域回歸系數(shù)也不相同。表2統(tǒng)計了最大值、最小值與均值，兩種模型參數(shù)具有統(tǒng)一性，其中經(jīng)濟、社會與人口空間分布均表現(xiàn)出正相關(guān)性，而環(huán)境、土地利用均表現(xiàn)出負相關(guān)性，說明各因子與人口空間分布正負相關(guān)性得以正確表達；同時，GWR模型中標準殘差較小，能有效地表達人口空間分布情況。

表2 GWR模型回歸系數(shù)及標準殘差統(tǒng)計

4.3 結(jié)果分析

4.3.1 特征因子角度

在提取的4種特征因子中，經(jīng)濟、社會與人口空間分布呈正相關(guān)，而環(huán)境因子、土地利用因子與人口空間分布呈負相關(guān)。原因分析如下：經(jīng)濟與社會方面，主要是由于現(xiàn)代各行各業(yè)的迅猛發(fā)展，促使大量人口向經(jīng)濟發(fā)展較好、生活質(zhì)量條件優(yōu)越的地市遷移，而在經(jīng)濟落后、條件較差的地區(qū)，人口越來越少，造成了現(xiàn)在這種地域上人口差異較大的情形；環(huán)境與土地利用方面，在環(huán)境較為惡劣，如高程值較大、坡度較陡的地區(qū)，不再適宜人的居住，同時也不適宜進行耕作，此處表現(xiàn)為大量的林地覆蓋，造成了越來越多的人遷出，使得最終與人口分布呈負相關(guān)。

4.3.2 GWR模型角度

GWR模型能夠表現(xiàn)空間的異質(zhì)性，反映變量之間的關(guān)系及局部特征，同時可以揭示與影響因子之間的關(guān)系。比較OLS與GWR模型各項參數(shù)可知，GWR模型對于長江經(jīng)濟帶人口空間分布格局擬合較好，因此，筆者對GWR模型結(jié)果從回歸系數(shù)的變化情況與長江經(jīng)濟帶市域展開分析，如圖5所示。

在回歸系數(shù)變化方面分析，長江經(jīng)濟帶人口密度由西向東逐漸遞增，上述4種影響因子系數(shù)圖也沿著相同方向發(fā)生著變化，表現(xiàn)出明顯的空間異質(zhì)性。經(jīng)濟因子影響系數(shù)由西向東逐步增加，系數(shù)范圍為0.05～0.20，相比其他因子，其范圍值最大，因此，更容易表現(xiàn)出空間異質(zhì)性；環(huán)境影響因子表現(xiàn)為負值，自東向西逐漸遞增，較大值出現(xiàn)在四川、貴州地區(qū)，其變化與高程值變化尤為相近，說明西部地區(qū)不適宜人居住；社會因子影響系數(shù)在0.005～0.035之間，其影響程度較低，自東向西逐漸遞增；土地利用因子影響系數(shù)自東向西先減小再增大再減小，說明在四川、貴州、安徽等地影響人口分布強度較大，與這些地區(qū)林地面積較廣泛有直接的關(guān)系。

圖5 GWR模型回歸系數(shù)空間分布

在長江經(jīng)濟帶市域方面分析，在上海市、江蘇省與浙江省等經(jīng)濟發(fā)展水平較高的地區(qū)，影響人口的主要因子為經(jīng)濟因子，其他因子影響較小，該地區(qū)地勢較為平坦，溫度適宜，適合人類居住；在中部湖南、湖北、江西、安徽等經(jīng)濟發(fā)展中等地區(qū)，主要影響因子為社會與土地利用因子；西部貴州、重慶、四川和云南等發(fā)展水平較低的地區(qū)，主要影響因子為土地利用與環(huán)境因子，該地區(qū)高程值較大，多山，地勢不平坦，近一半面積的地區(qū)無法居住。

5 結(jié) 語

本文以市域為單位對長江經(jīng)濟帶人口進行了空間格局分析，總結(jié)了長江地區(qū)人口空間分布的特征，表現(xiàn)為“圈層集中—東西對立—南北差異—四周分散”的分布特征；同時構(gòu)建了人口空間分布模型OLS與GWR模型，并進行了對比分析，從多個方面解釋了GWR模型相對于OLS在空間異質(zhì)性方面的優(yōu)越性，更加揭示了影響各地區(qū)的主要特征因子；據(jù)各因子回歸系數(shù)發(fā)現(xiàn)，經(jīng)濟、社會因子與人口空間分布呈正相關(guān)，環(huán)境、土地利用因子與其呈負相關(guān)。

總的來說，不同地區(qū)因不同原因在人口方面總會產(chǎn)生差異，海拔方面的條件無法更改，但經(jīng)濟、醫(yī)療必須去適當(dāng)提高。對于低-低集聚區(qū)，需要發(fā)揮該地區(qū)的區(qū)域優(yōu)勢，積極引進人才和先進技術(shù)，提高經(jīng)濟發(fā)展，促進人口聚集；對于高-高集聚區(qū)，需要適當(dāng)控制人口數(shù)量，不能讓資源人口處于失衡的狀態(tài)。

[1] 段學(xué)軍,王書國,陳雯.長江三角洲地區(qū)人口分布演化與偏移增長[J].地理科學(xué),2008,28(2):139-144.

[2] 鄧羽,劉盛和,蔡建明,等. 中國省際人口空間格局演化的分析方法與實證[J]. 地理學(xué)報,2014,69(10):1474-1486.

[3] 李莎,劉衛(wèi)東. 俄羅斯人口分布及其空間格局演化[J]. 經(jīng)濟地理,2014,34(2):42-49.

[4] 潘倩,金曉斌,周寅康.近300年來中國人口變化及時空分布格局[J].地理研究,2013,32(7):1291-1302.

[5] LUNG T, LüBKER T, NGOCHOCH J K, et al. Human Population Distribution Modelling at Regional Level Using Veryhigh Resolution Satellite Imagery[J]. Applied Geography, 2013,41：36-45.

[6] 金君,李成名,印潔,等.人口數(shù)據(jù)空間分布化模型研究[J].測繪學(xué)報,2003,32(3):278-282.

[7] FOTHERINGHAM A S,BRUNSDON C,CHARLTON M. Geographically Weighted Regression: The Analysis of Spatially Varying Relation-ships[M].Chichester: Wiley, 2002.

[8] 湯慶園,徐偉,艾福利. 基于地理加權(quán)回歸的上海市房價空間分異及其影響因子研究[J].經(jīng)濟地理,2012,32(2)：52-58.

[9] 肖雄,楊長虹,譚柯,等.地理加權(quán)回歸模型在傳染病空間分析中的應(yīng)用[J]. 中國衛(wèi)生統(tǒng)計,2013,30(6).

[10] 張耀軍，任正委. 基于地理加權(quán)回歸的山區(qū)人口分布影響因素實證研究——以貴州省畢節(jié)地區(qū)為例[J].人口與資源環(huán)境,2012,36(4)：53-63.

[11] 武文娟,徐京華,時進，等.基于GWR的四川省醫(yī)院床位數(shù)時空分布及其影響因素研究[J].測繪通報,2016(4): 49-53．

[12] 李祥,彭玲,池天河,等.北京市空氣質(zhì)量時空特征分析[J].測繪通報,2016(9):47-51.

[13] 邱炳文,王欽敏,陳崇成,等. 福建省土地利用多尺度空間自相關(guān)分析[J].自然資源學(xué)報,2007,22(2),311-321.

[14] 謝花林, 劉黎明,李波,等.土地利用變化的多尺度空間自相關(guān)分析——以內(nèi)蒙古翁牛特旗為例[J]. 地理學(xué)報,2006,61(4)：389-400.

[15] 呂韜, 曹有揮. 時空接近空間自相關(guān)模型構(gòu)建及其應(yīng)用——以長三角區(qū)域經(jīng)濟差異分析為例[J].地理研究,2010,29(2)：351-360.

[16] 趙建有,周孫鋒,崔曉娟,等. 基于模糊線性回歸模型的公路貨運量預(yù)測方法[J].交通運輸工程學(xué)報,2012,12(3)：80-85.

[17] 王彤,何大衛(wèi). 線性回歸中多個異常點的診斷[J].中國衛(wèi)生統(tǒng)計,1997,14(6):7-10.

[18] BRUNSDON C, FOTHERINGHAM A S, CHARLTON M. Some Notes on Parametric Significan Cetests for Geographically Weighted Regression[J].Journal of Regional Science,1999,39(3):497-524.

[19] 覃文忠,王建梅,劉妙龍. 混合地理加權(quán)回歸模型算法研究[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2007,32(2):115-119.

[20] 張楚. 基于 OLS 和 GWR 模型的區(qū)域土地適宜性模擬研究——以合肥市包河區(qū)為例[J].科學(xué)視界,2014(4)：169-171.

[21] 李鳳霞,石輝,馮曉剛，等.西安市土地利用格局動態(tài)演變及其驅(qū)動力研究[J].測繪通報,2015(12):41-45．

Analysis of Population Spatial Pattern of Cooperative Remote Sensing Information and Statistical Information

DONG Zhenzhen,WANG Liang,QIU Agen

(Chinese Academy of Surveying and Mapping, Beijing 100830, China)

The article analyses the population spatial distribution pattern of the problem of insufficiency. With the aid of remote sensing information and basic information, we quantitatively analyse the spatial heterogeneity of the range area with the introduction of the population geographical concentration, exploratory spatial data analysis and quantitative analysis of the characteristics of geographical weighted regression model. The population concentration index and Moran index effectively reflect the close relationship among the space objects, better evaluate the agglomeration effect in industrial spatial distributron, and reflect the space distribution state. Based on the study area of the Yangtze River economic belt, with the study of spatial distribution of population, it concluded thelayersoffocus-opposites-thenorth-southdifferences-scatteredarounddistribution characteristics, and analyzed the causes from the aspects of economy, society, environment, land use analysis. Thus, it provided a reference for reasonable population growth and resources distribution.

population； spatial pattern analysis； exploratory spatial data analysis； GWR

董珍珍，王亮，仇阿根.協(xié)同遙感信息與統(tǒng)計信息的人口空間格局分析[J].測繪通報，2017(5)：88-94.

10.13474/j.cnki.11-2246.2017.0162.

2016-10-12；

2016-12-05

測繪地理公益性行業(yè)科研專項(201512032)；基礎(chǔ)測繪(201512027)

董珍珍(1990—)，女，碩士生，主要從事地理信息服務(wù)、空間分析方面的研究。E-mail ：13051575673@163.com

P208

A

0494-0911(2017)05-0088-07