于禎艨 呂忠全 王惜凡 呂蕊汐 呂欣曄

（1 南京林業(yè)大學理學院 江蘇南京 210037；2 南京林業(yè)大學經濟管理學院 江蘇南京 210037；3 南京市第九中學 江蘇南京 210018）

2017 年以來，我國新型城鎮(zhèn)化進程進入第三階段的成長關鍵期，綠色協調發(fā)展成為各城市的著力點。相較于傳統城鎮(zhèn)化，新型城鎮(zhèn)化的“新”主要體現在注重環(huán)境友好。人均公園綠地面積是衡量新型城鎮(zhèn)化綠化水平的重要指標［1］，作為維系市民、公園綠地與城市的載體，公園綠地在新型城鎮(zhèn)化推進過程發(fā)揮重要作用，因此，研究我國城市人均公園綠地面積的時空分布，能清晰觀察現有公園綠地建設發(fā)展問題，可為新型城鎮(zhèn)化綠化水平建設提供理論依據。

蔡彥庭等［2］通過GIS 技術和景觀格局指數，分析了廣東省中心城區(qū)公園綠地空間格局以及可達性；邢琳琳等［3］通過對我國城市建設綠地率與人均公園綠地面積的截面數據進行離差系數研究，發(fā)現我國人均公園綠地面積失調較為嚴重，且處于增強態(tài)勢，但該失調狀況隨行政級別上升該情況有所減輕；陸硯池等［4］構建了以居民出行成本最小化、可達性差異最小化為目標的公園綠地布局優(yōu)化模型，確定公園綠地合適規(guī)模；周筱雅等［5］采用ESDA-GIS 空間分析法，研究了我國市域單元人均公園綠地面積的空間集聚特征。本研究采用空間自相關模型，以江蘇省2018 年截面數據為例，分析人均公園綠地面積的時空分布，以期為評價公園綠地建設的均衡發(fā)展狀況提供理論依據。

1 數據選取與模型構建

1.1 數據選取

研究區(qū)域為江蘇省地級市主城區(qū)、各縣級市以及部分附屬區(qū)、縣，共計72 個空間樣本。設定人均公園綠地面積為因變量，數據來源于《中國城市建設統計年鑒 （2018） 》《統計年鑒（2018）》《統計公報（2018）》，剔除兩個數據不完整的區(qū)縣。

采用空間橫截面數據分析法，即先假設時間不變（選取72 個空間樣本2018 年數據），在靜態(tài)分析環(huán)境下描述人均公園綠地面積在空間上的特征，探究同一時間維度下因變量在空間中是否存在異質性或相似性。

1.2 空間自相關模型構建

1.2.1 全局Moran’s I檢驗

為了探究因變量是否受空間影響，首先應進行全局Moran'sI檢驗。Moran'sI指數可以描述區(qū)域整體人均公園綠地面積的空間關聯性和差異程度［6］，計算公式如式（1）。

式（1）中，xi表示對于不同空間單位i的人均公園綠地面積，n表示空間樣本總數，Wij表示空間權重矩陣，I取值范圍是（-1，1），I越接近1，表示變量的空間相似性越強，I越接近-1，表示變量之間的異質性越強，當I值接近于0 時，表示變量在空間上幾乎不存在相關性［7］。

1.2.2 LISA局部空間自相關檢驗

LISA 檢驗主要用于分析局部地區(qū)空間自相關顯著性，通過該項檢驗，一般會出現4 種情況。H-H 類型是指高人均公園綠地面積區(qū)域被同樣高的人均公園綠地面積區(qū)域所包圍；L-L 類型是低人均公園綠地面積區(qū)域被同樣低人均公園綠地面積區(qū)域所包圍；L-H 類型是指低人均公園綠地面積區(qū)域被高人均公園綠地面積區(qū)域所包圍；H-L類型是指高人均公園綠地面積區(qū)域被低人均公園綠地面積所包圍。

2 結果與分析

2.1 空間相關性

2.1.1 空間權重矩陣的選取

構建空間計量模型，首先要建立一個表達空間交互結構的權重矩陣。選取空間鄰接權重矩陣和空間距離權重矩陣分別對因變量進行全局Moran’s I檢驗［8］，利用GeoDa軟件計算。

由于Queen鄰接規(guī)則定義的空間樣本與周圍空間單元具有更加緊密關聯效應，故采用Queen一階鄰接規(guī)則，即將擁有共有邊界以及共同頂點的空間樣本作為鄰接單元進行計算。

在計算過程中有兩個區(qū)域無鄰居，因此，全局自相關檢測時軟件自動刪除異常區(qū)域。得到圖1所示的Moran 散點圖（左上角為空心區(qū)L-H 類型；右上角為高效區(qū)H-H類型；左下角為低效區(qū)L-L類型；右下角為極化區(qū)H-L 類型）。檢測值數為0.036，從數值和散點圖分布可以看出，人均公園綠地面積在使用空間鄰接矩陣分析時不顯著。

圖1 空間Queen一階鄰接矩陣Moran指數

選用GeoDa 中K-近鄰（KNN）距離矩陣，將人均公園綠地面積變量標準化后使用歐幾里得距離進行全局自相關檢驗，選擇鄰居個數為4。結果如圖2 所示。檢測數值為0.956，且點集在高值聚集處和低值聚集處集聚趨勢明顯，說明使用空間K-近鄰權重矩陣時，人均公園綠地面積空間正顯著相關。

圖2 空間K-近鄰距離權重矩陣Moran指數

對結果進行999 次隨機置換，結果如表1 所示。全局自相關指數通過95%置信度檢驗，且莫蘭指數顯著化檢驗指標Z 統計量大于臨界值1.65，因此，采用K-近鄰空間距離權重矩陣進一步分析人均公園綠地面積的空間結構。

表1 顯著性檢驗結果

利用K-近鄰方法建立空間權重矩陣，區(qū)域中某一個人均公園綠地面積樣本會根據定義的距離種類（采用歐氏距離）在特征空間中尋找4個近鄰且相似的樣本進行分類，直至遍歷所有空間樣本。分別得到LISA 顯著性地圖和LISA 聚類地圖如圖3～4所示。

圖3 LISA局部顯著性地圖

圖4 LISA局部聚類地圖

2.1.2 空間自相關聚類結果分析

通過局部自相關分析計算空間樣本分類結果，如表2所示。

表2 LISA局部自相關聚類（KNN）結果

由表2 可知，H-H、L-L 類型包含的區(qū)域人均公園綠地面積總和的均值結果差異較大。根據《城市綠地分類標準》，生態(tài)地級市人均公園綠地面積至少要達到11 m2/人。6 個高效應聚集地區(qū)域和49 個空間相關性不顯著地區(qū)的人均公園綠地面積平均水平均達到了要求，但低效應聚集區(qū)域沒有達到生態(tài)地級市要求。通過聚類結果可以發(fā)現，新沂市、灌南縣、姜堰區(qū)、揚中市、丹陽市、高郵市、如東縣、響水縣人均公園綠地面積偏低。其中新沂市（隸屬徐州市）、灌南縣（連云港市）、響水縣（鹽城市）屬于蘇北地區(qū)，姜堰區(qū)（泰州市）、如東縣（南通市）、高郵市（揚州市）屬于蘇中地區(qū)，揚中市（鎮(zhèn)江市）屬于蘇南地區(qū)，這些區(qū)域所在的地級市人均公園綠地面積數值普遍較高。同一地級市區(qū)域內，不同地區(qū)之間的交互效應不強，主要表現為高人均公園綠地面積所在區(qū)域的周邊城市為低人均公園面積水平。這需要當地有關部門及時做好溝通。此外，部分地區(qū)灌南縣、揚中市的縣域面積相對較小、人口密度相對較大，也導致人均公園綠地面積值過小的情況等。

研究空間樣本中，有68%區(qū)域呈現不顯著。因此，將各地級市內呈現不顯著結果的區(qū)域人均公園綠地面積求和。圖5可知，13個地級市的人均公園綠地面積波動不大，說明空間異質性不顯著。為了進一步探究是否受新型城鎮(zhèn)化影響，研究該區(qū)域2009 年人均公園綠地面積，如圖6 所示。對比圖5～6 可以發(fā)現，新型城鎮(zhèn)化前后，人均公園綠地面積變化較大，多個地級市人均公園綠地面積明顯增加，部分呈輕微下降趨勢，說明江蘇不同地域間連通性和交互性強。

圖5 2018年區(qū)域人均公園綠地面積

圖6 2009年區(qū)域人均公園綠地面積

3 結論

以江蘇省為例，對72 個空間樣本人均公園綠地面積進行空間自相關分析，比較鄰接空間權重矩陣和距離空間權重矩陣的莫蘭指數，選取合適的空間權重矩陣進行LISA 局部聚類分析。通過聚類結果可知，部分地區(qū)具有明顯空間相關性，且極化式分布明顯，其余不顯著地域的人均公園綠地面積也均達到標準要求。通過顯著性地圖分析，H-H 型主要集聚在蘇南地區(qū)，全省平均水平良好，但個別區(qū)域人均公園綠地面積明顯低于江蘇省平均水平和國家生態(tài)市建設標準，需要相關部門進一步整改。