论文部分内容阅读
空间杜宾模型(Spatial Dubin Model,SDM)是从地理位置和空间关系的角度研究要素间相互作用或关联关系的计量模型。本文在集聚测度方法的基础上,提出了基于两个“最小”的集聚效应识别方法,解决了未知参数情况下难以识别集聚区的问题,从而探测出集聚的差异性;同时,在SDM应用基础上,提出了Gi*统计量约束下的空间权重矩阵(Spatial Weight Matrix,SWM)构建方法,解决了关联邻域模糊的问题,从而探索产生集聚差异的原因。并利用本文提出的方法,对生产性服务企业的空间分布格局研究。主要研究内容如下:(1)基于“最小生成—最小凸包”的集聚效应识别方法针对空间集聚测度依赖参数的问题,本文提出了基于最小生成—最小凸包(Minimum Spanning Tree-Minimum Convex Hull,MST-MCH)算法的集聚效应识别方法。它在空间对象数据结构基础上,借鉴聚类分析改进方法,形成了“子树构建—子树分离—凸包形成—集聚识别”的技术路线。实验结果表明该方法能够很好的识别和划分集聚区,并进行级别划分,产生结果较为可靠。(2)Gi*统计量约束下的杜宾模型研究针对SDM模型构建中关联邻域选取的随机性问题,本文提出了Gi*局部统计量约束下的关联邻域选取方法。它在简单权重和距离权重方法基础上,把空间统计量引入,借鉴了Anselin提出的指数最大化思想,采用了Gi*统计量最大化的策略,解决了关联邻域选取困难的问题,从而完成了SWM构建方法的改进,为SDM的构建奠定了基础,并在理论上促进了计量经济学发展。(3)生产性服务企业的空间格局关联研究针对京津冀的生产性服务企业进行实验研究,收集实验数据,利用人口地理集中度引入的产业地理集中度、Gini系数、区位商和MST—MCH算法进行差异分析,利用Gi*统计量约束下的关联邻域构建SWM,从而对生产性服务企业的SDM研究,一方面检验所提出方法的优越性和有效性;另一方面,明确造成差异的因素或指标,提出总结性建议,为其后续发展提供参考。