声明及论文使用的授权
本人郑重声明所呈交的论文是我个人在导师的指导下独立完成的。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果。
论文作者签名：
本人同意贵州财经大学有关保留使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以上网公布全部内容，可以采用影印、缩印或其他复制手段保存论文。
论文作者签名： 指导教师签名：
签名日期： 年 月 日
贵州省人口空间分布格局的多尺度分析
摘要：本文以贵州省为研究区，在人口地理学的相关理论基础上，本课题研究工作的进行，主要是基于空间自相关以及统计相关这两种分析办法，以省市级以及县级等尺度作为自变量，对人口的空间分布特征进行了深入的探究。研究结果显示：①基于两种尺度，可以有效对各市以及各市内部的人口分布情况进行科学的统计。②基于两种尺度，空间自相关对人口密度的影响力较小，而部分环境—经济因子对其的影响相关性显著。
关键词：贵州省；人口分布；尺度；相关分析
Spatial Distribution of the Population in Guizhou Province
at Multi-Scales
Abstract:In this paper,Guizhou Province is taken as the research area,and the research work of this subject is mainly based on spatial autocorrelation and statistical correlation.It is based on provincial, municipal and county scales.The independent variables have in-depth exploration of the spatial distribution characteristics of the population.The research results show that:(1)Based on two scales, it is possible to effectively carry out scientific statistics on the population distribution of each city and each city.(2)Based on two scales,spatial autocorrelation has less influence on population density,and some environmental-economic factors have significant influence on its impact.
Key words:Guizhou province; population distribution; scale; correlation analysis
人口的空间分布格局是指各区域人口在一定时间地点上的分布情况,是影响社会经济与环境发展的重要指标之一。人口的空间分布格局主要通过全面地研究人口与空间的关系，来探讨人口变动的区域差异。对于人口空间分布来说，尺度对其具有一定程度的影响，多种尺度下的人口分布时各不一样的，自然相应的格局也是互有差异的，多尺度的区域人口空间分布的规律性能为多尺度的人口发展提供科学依据，制定相应的区域发展规划、国土整治、灾害评价、环境保护措施等，对区域提高资源、经济、环境等的综合管理具有重要意义。
了解人口空间分布所研究的问题、热点、性质及研究目的，便于为多个尺度下的区域人口分布格局研究的开展提供全面和宏观的认识。如基于不同粒度的格网下，杜国明、张有全等计算沈阳市的人口密度，分析不同粒度格网下人口分布的变异性[1-2]；张树文等采用格网计算方法，将沈阳市第五次人口普查数据空间化，使用地统计学的方法模拟沈阳市人口分布[3]；吕晨等通过全国县域的人口密度差值及空间自相关性研究了中国人口的空间分布格局[4]；刘峰等为探讨天水市人口空间分布特征，分析其空间自相关性，将GIS与空间统计分析方法相结合[5]；柏中强等利用逐步回归分析与相关分析，探究了环境、经济等因素对于多个省区乡镇级尺度人口分布有何影响[6]；封志明等为探究环境因子的地区分布规律及环境因子与人口分布的相关性，采用分地区统计分析等方法[7]；王静等从三个尺度上，运用地统计及空间统计，分析了山东省人口分布的空间自相关性及其与多个环境、经济因素的相关性[8]；朱瑾等在武汉市-武汉城市圈-湖北省三个尺度上，结合地统计方法、空间自相关分析方法、分段回归模型等，对湖北省1990年至2010年人口空间分布进行了动态模拟实验分析[9]；叶静等通过比较格网人口与乡镇统计人口在不同粒度下的误差，来分析浙江义乌市人口空间分布的格网尺度效应[10]；刘德钦等通过空间自相关分析方法来揭示中国人口分布与其对应的地理空间的联系，并通过计算人口潜力与人口重心，来分析中国人口分布的特点[11]；韩惠、葛美玲、杨波等基于GIS的系统上，分别利用第四次、第五次、第六次人口普查分县数据为基础，绘制中国人口密度图，通过对人口分布的调查从而对其空间特征进行深入研究[12-14]；Doll等采取GPW V3[15]以及GRUMP[16]这两种全球人口格网数据库作为研究工具，以农村无灯的区域作为其中一个自变量，以农民收入作为因变量，探究两者之间存在的关系。
其中，张树文、吕晨、柏中强、刘德钦所代表的研究中用洛伦兹曲线来测定人口分布的不均衡性，通过洛伦兹曲线的弯曲程度来分析人口分布的不均衡程度；吕晨等的研究中用基尼系数来测定人口密度的差距；王静等的研究中用Pearson相关系数来测定人口密度与各种环境—经济因子的统计相关性，可以直接计算出人口密度与影响因素的相关度；刘峰、柏中强、王静、刘德钦、朱瑾、吕晨所代表的研究中用Moran's I指数来测定其空间自相关度。因此，本文把贵州省作为研究区，来分析不同尺度下人口的空间自相关分布特点及其与受影响因素的影响程度，不仅有助于基于不同尺度的地区发展规划的有效形成，还可以为人口区域的发展奠定良好基础，更重要的是可以更好地保障土地管理工作，同时间接地保护生态环境。
贵州省，坐落在我国版图的西南方向，贵阳是其省会城市。贵州省在地理上与数省、市地区接邻；境内地势西高东低，地形结构复杂，高原山地地貌居多，平原较少，土壤肥沃的耕地所占比重较低。贵州省平均海拔在1100米左右，自然资源丰富多样，尤以生物、矿产、能源、旅游资源等最具有鲜明的地方特色。贵州地区所处的气候是亚热带湿润季风，据统计，年温度均值处于15℃附近徘徊，气候适宜，不少民族聚集在这里。截至2018年末，全省总人口3580万，总面积约17.62万平方千米，对于贵州省各个行政区划单位来说，据统计，地级市级别的拥有9个，县级则拥有88个。
本课题中出现的数据名称、数据格式及其来源如表2.1所示。自然环境、经济发展是影响人口分布的两大类根本因素。土地、平均海拔是自然环境的基础，GDP是衡量经济发展的重要指标，所以贵州省人口空间分布的环境—经济影响因子选取土地利用数据、平均海拔、GDP。
表2.1 数据名称、格式及其来源
注1：鉴于土地利用数据的可获得性，本文统一采用的数据均为2015年
其中土地利用数据为百分比数据，即是在研究区域范围内，某块土地利用类型对于土地总面积所拥有的比重，其中土地类型划分较为明确，本次研究工作具体到城镇用地、农村居民点用地以及耕地、水田、旱地等等。
本文的技术路线如下：
(1)所谓人口密度，即为单位土地面积在现实中具有的人口数目，通常以人/km²为单位。以市级和县级两种尺度进行处理，通过计算相应的地区所承载人口数目与实际土地面积的商，即为人口密度；
(2)空间自相关指数能确定某一属性是否在空间上相关，其相关程度如何。通过全局 Moran's I指数和局部 Moran's I指数，来比较市级、县级两个尺度人口分布空间自相关性，进一步分析贵州省人口的空间分布格局；
(3)选用Pearson相关系数来计算贵州省各市、县区人口密度与各环境—经济因子的相关程度，并形成对比，从而对两种尺度下的这两个变量之间的关系的进行探究。
人口密度指标可以采取单位面积（本课题中使用的是每平方千米）所承载的居民数目来表达：
7dd2c17ea12dca5f7276af2c31c3db49.png
其中P为区域的人口总数，S为区域的土地面积，D表示区域的人口密度。
空间自相关分析，从某种程度来说，这种方法归属于空间统计，它可以通过对地表属性的测算，从而来探究研究目标之中存在的空间关联度。同一研究区域上，分析尺度不同，则空间自相关系数可随尺度变化而变化，能定量描述两地理事物在空间上的依赖关系，Moran's I指数又可以划分成全局Moran's I指数以及局部Moran's I指数。
(1)全局 Moran's I指数
对于全局 Moran's I指数来说，其更多的是针对一个特定的属性值，并以此来探究其对整体空间的依赖状况，可以对研究区域及相邻区域存在的空间关联模型进行检验，公式如下[17]：
word/media/image2_1.png （2.2）
其中，n 代表的是研究区域含有的地区数量，03c5496562eb7a1b611989374b7e72b8.png
18daef71b5d25ce76b8628a81e4fc76b.png
0fb734d9f37222c4626ec4c6c6490ea3.png
3c81d2fbc9681e873cfad2a87507bca9.png
3c81d2fbc9681e873cfad2a87507bca9.png
3c81d2fbc9681e873cfad2a87507bca9.png
word/media/image7_1.png (2.3)
Moran’s I指数的计算结果－1到1之间，可采用随机分布检验或正态性分布检验。若该值与1更加靠拢，则说明聚集的属性是相似的；而若是值与-1更加靠拢，则说明聚集的属性是相异的；而若是值与0更加靠拢的话，则说明这些属性的分布时随机性的，没有存有空间关联性。
(2)局部Moran's I指数
局部Moran's I指数，亦被称作是LISA，针对于空间的每一个分布对象，把全局Moran's I指数布置至局部空间区域，从而能以空间对象及相邻对象为研究目标，更准确地去探究它们在属性值上的相似性，公式如下[17]：
0237ab210bc5f39158dd53ce6a605985.png
其中，03c5496562eb7a1b611989374b7e72b8.png
18daef71b5d25ce76b8628a81e4fc76b.png
3c81d2fbc9681e873cfad2a87507bca9.png
3c81d2fbc9681e873cfad2a87507bca9.png
Moran's I散点图经常用来研究局部空间不稳定性或称为异质性。Moran's I 散点图与其它表达形式相比，具有较明显的优势，它不仅可以更有效区别区域单元和相邻单元两者中间存在的空间关联关系，同时还可以用散点图的四个象限来用Geoda软件以可视化的形式表示出来。以象限的不同做区分发现，之间存在的空间关联是：第一象限—高值与高值相邻；第二象限—低值与高值相邻；第三象限—低值与低值相邻；第四象限—高值与低值相邻。
要探测人口密度与其影响因素之间的关系，就需要一种方式来评价数据之间的相关性。文中选用Pearson相关系数来衡量两变量或者两事物之间的相关程度，来定量描述人口密度与各环境—经济因子的相关性，其计算公式为[18]：
9a70d1813f2bc8c675191bfefe5303ef.png
其中，90d79af00b1e8a4722f418bd2fa0a839.png
03c5496562eb7a1b611989374b7e72b8.png
05e42209d67fe1eb15a055e9d3b3770e.png
18daef71b5d25ce76b8628a81e4fc76b.png
word/media/image14_1.png，以及其取值范围表示如下：
word/media/image15_1.png
本课题的研究区域是贵州省，研究重点在于对该地区的人口分布情况，其中对发展情况进行分析的指标就是人口密度，下表3.1以及图3.1依次是2015年贵州省市级、县级两个尺度下的人口密度特征统计及人口密度分布图。
表3.1 2015年贵州省市级、县级人口密度的统计特征（单位：人/km²）
对于这两种尺度，分析图表中的特征值可知，对于人口密度来说，在其最小值和尺度之间，存在正相关的联系，即该值因尺度的增大而升高；而在其最大值还有相应的波动范围、标准差等，则存在负相关的联系，即前三者因尺度的增大而减少。这种情况，无疑说明对于人口空间分布的分析来说，相应的尺度越小，代表的是人口密度的波动性就越强，标准差也就越大，所以小尺度的人口密度比大尺度的反映出的人口空间分布特点更详细。
从2015年贵州省市级人口密度图中(图3.1a),可以得到贵州省整体的人口空间分布情况，其中贵阳市人口密度最高，人口密度大于300人/km²；黔南州及黔东南州人口密度最低，人口密度均小于150人/km²。贵州省市级人口密度呈现出西北部高，东南部低的格局。
从2015年贵州省县级人口密度图中(图3.1b),可以得到贵州省各市内部的人口空间分布情况，其中贵阳市的云岩区、南明区、白云区与六盘水市的钟山区的人口密度最高，均大于800人/km²，而贵州省北部及东南部大部分区县人口密度小于200人/km²。所以从不同尺度来分析贵州省人口分布格局，得到的人口分布特征不同。贵州省县级人口密度呈现出西部高，北部与东南部低的格局。
a. 市级 b.县级
图3.1 2015年贵州省市级、县级人口密度图
Geoda软件是一个能将研究数据空间化的软件，在该软件的支持下，在两个尺度上，均选用ROOK邻接方式计算空间权重矩阵，得出贵州省市级、县级两个尺度下的全局 Moran's I指数，进行随机分布显著性检验，通过Z值检验。在市级尺度上的全局Moran's I值等于0.0186，接近于0，则表示在空间上没有相同或相异的属性值集聚在一起，不存在空间自相关性，或者是随机分布的；在县级尺度上的全局Moran's I的值等于0.2077，则说明对于县级尺度中包含的人口密度来说，其自身在总体上存在相应的正自相关性，不过其相关性较弱，对于空间集聚模式的探究贡献不大。
图3.2为贵州省市级、县级两个尺度的Moran's I散点图,横坐标为各尺度的人口密度，纵坐标为各尺度人口密度的空间滞后变量值(即该区周围区域的观测值加权平均数)[19]。市级Moran's I散点图中(图3.2a)，散点随机分布，所以市级全局Moran's I值较接近于0；县级Moran's I散点图中(图3.2b)，大部分散点几乎分布于原点，其余大部分散点分布于第一象限，呈现出一定的正相关性，Moran's I散点图与两尺度的全局Moran's I值相一致。所以，通过在不同尺度下的Moran's I指数的对比发现，其表达上是因尺度的增大而出现增减趋势，只是其形式不太显著，这种情况意味着基于尺度差异不太显著的情况，空间自相关性是不会出现较为明显的特征。
a.市级 b.县级
图3.2 Moran's I 散点图
对Geoda软件进行操作，然后对这两种尺度下的表现出来的人口密度的局部 Moran's I指数，并以0.05作为显著性水平检验指标，以四种空间关联作为研究类型，从而对其空间自相关性进行对比分析。图3.3代表的是全省的两种尺度下的局部空间自相关图。
在图3.3a中，贵州省人口分布存在一个高—高集聚区，以毕节地区为中心，毕节地区及与其邻接的遵义市、贵阳市、安顺市、六盘水市人口密度均大于200人/km²，形成高—高集聚区；贵州省人口分布存在一个低—低集聚区，以黔东南州为中心，黔东南州及与其邻接的铜仁地区、黔南州人口密度均小于200人/km²，形成低—低集聚区。所以，从市级尺度分析，可以得到贵州省各市之间的人口分布特征，即由毕节地区、遵义市、贵阳市、安顺市、六盘水市组成了一个人口密集区，由黔东南州、铜仁地区、黔南州组成了一个人口稀疏区，市级人口密度图中呈现西北部高，东南部低的格局，这与局部空间自相关图中所显示的一致。
在县级局部空间自相关图上(图3.3b)，贵州省人口分布呈现出四个高—高聚集区、十七个低—低聚集区、一个高—低聚集区和一个低—高聚集区。四个高—高聚集区人口密度较高，均大于700人/Km²,均位于贵阳市，与其邻接的各区县均属于省会贵阳市周边区域，经济发展状况良好，交通便捷，地理位置优越。贵阳市乌当区周边区县人口密度均较高，而乌当区人口密度低于350人/Km²，所以乌当区与其邻接的区县形成了一个低—高分布区。形成的十七个低—低集聚区，均处于贵州省东南部，人口分布相对均匀，且人口密度较小，与其邻接的各县人口密度均小于200人/Km²。凯里市人口密度大于400人/Km²，与其邻接的各县人口密度均小于200人/Km²，形成一个高—低分布区,这与县级人口密度分布图所显示的基本一致。由此可见，从市级尺度局部空间自相关图分析，可以得到贵州省整体的人口空间分布特征；从县级尺度局部空间自相关图分析，可以得到贵州省各市内部之间的人口空间分布特征。
a.市级 b.县级
图3.3 贵州省市级、县级尺度局部空间自相关图
使用SPSS软件，在市级和县级两个尺度上，计算人口密度与市级、县级尺度的地
区GDP、人均GDP、各土地利用类型面积百分比的Pearson相关系数，并进行显著性水平检验，做统计相关分析，探讨贵州省市级、县级两个尺度上人口分布的主要影响因子。表3.2为两个尺度上的人口密度与环境—经济因子Pearson相关系数。
表3.2 贵州省市级、县级尺度下人口密度与环境—经济因子的Pearson相关系数
注2：**表示通过0.01的显著性水平检验，*表示通过0.05的显著性水平检验
观察表3.2可知，对于市级尺度来说，通过对各种变量进行的相关的Pearson相关的检验发现，人口密度与其余变量皆呈现显著正相关；而市级人口密度与其余环境—经济因子的Pearson相关系数较小，且未通过显著性水平检验，表示市级人口密度与这些因子的相关性较小(采用的是0.01显著性水平检验，其置信度是99%；采用的是0.05显著性水平检验，其置信度是95%，因此采用0.01显著性水平检验的值具有更高的可信度)。
而对于县级尺度来说，通过对地区GDP、人均GDP，还有城镇用地面积百分比、农村居民这些变量进行的相关的Pearson相关的检验发现，人口密度与这些变量是具备比较显著的正相关联系；而与耕地面积是具备显著的负相关联系；和平均海拔、水田百分比、旱地百分比因子相关性不显著，且未通过显著性水平检验，表示县级人口密度与这些因子的相关性较小。
区域经济发展水平为人口分布的重要影响因素，市级尺度上，人均GDP对人口分布的指示性高于地区GDP；县级尺度上，地区GDP对人口分布的指示性高于人均GDP。社会、经济和政治等多种因素制约着人口的分布、人口迁移的流向和流量，对人口分布的影响较大，各市的市辖区由于环境优越，经济发展，就业机会大等条件，所以市区往往聚集了较多的人口。
比较两个尺度的环境—经济因子统计相关性，市级、县级尺度上人口分布与一些环境—经济因子具有较高的相关性。在市级尺度上，人均GDP对人口分布的指示性高于县级尺度，城镇用地百分比对人口分布的指示性低于县级尺度，农村居民点百分比对人口的指示性高于县级尺度，耕地面积百分比在市级尺度上无明显相关性，县级尺度上在0.01水平上呈显著负相关，这与贵州省人口的总体分布状况和农业生产状况的影响有关，在贵州省的各类土壤中，黄壤面积最大，水稻土最少，林地广，耕地少，分布不平衡。总体而言，经济发展水平、城镇用地百分比、农村居民点百分比无论在市级还是县级尺度上，都表现出对人口分布有较重要的指示作用。
本课题研究工作的进行，主要是基于空间自相关以及统计相关这两种分析办法，以省市级以及县级等尺度作为自变量，对人口的空间分布特征进行了深入的探究，研究成果如下：
(1)基于尺度这个自变量，主要对全省人口的空间分布情况作了深入的探究，对于研究工作来说，两种自变量各有利弊。
以市级尺度作为自变量进行分析发现，全省人口分布情况是西北部高，东南部低的格局；县级尺度上，贵州省人口分布呈现出西部高，北部与东南部低的格局。尺度不同，则人口分布格局就不同。在市级尺度上，贵州省形成了以毕节地区、遵义市、贵阳市、安顺市、六盘水市组成的人口密集区，人口密度均大于200人/Km²；贵州省东南部形成了以铜仁市、黔南州、黔东南州、黔西南州组成的人口稀疏区，人口密度小于200人/Km²，以市级尺度作为研究区域，对于其中存在的人口分布差异，需要采取理想化的客观条件（即将全省各市中的人口分布情况是均匀的），无法做到对其特征进行合理的研究。
在县级尺度上，各市内部人口不再被看作是均匀分布的。所以，在县级尺度上得到贵州省各市内部的人口空间分布特征。从县级人口密度图中可知，贵阳市、六盘水市人口密度较高，但其各区县人口分布不均匀；毕节地区人口密度较高，且其各区县人口分布均匀；黔西南州、黔东南州、铜仁市人口密度较低，但其各区县人口分布不均匀；黔南州人口密度较低，且其各区县人口分布均匀。所以，县级人口密度更大程度上可以对各区县的人口分布的差异情况进行有效的展示，不过这得基于这些地区的人口是均匀分布的理想情况的前提，否则在对其中存在的差异进行分析时会存在不可信性，而城镇居民点内部与农村居民点内部人口分布并不均匀。所以，更小尺度的人口数据在对人口空间分布在格局上分析拥有较高的可信度。
(2)以多种尺度作为自变量，对全省人口的空间自相关性开展研究工作发现，两种尺度下的人口分布特征可以方便的获得。
比较贵州省两个尺度的全局Moran's I 指数值，指数值呈现出随尺度减小而递增的不明显趋势。比较两个尺度的局部空间自相关性，从市级尺度上分析，贵州省形成了由毕节地区、遵义市、贵阳市、安顺市、六盘水市组成的人口密集区，即一个高—高聚集区；形成由黔东南州、铜仁地区、黔南州组成的人口稀疏区，即一个低—低聚集区；同时也可以以市级的局部空间为研究对象，探究其自相关关系，从而对各市的人口分布情况提供更好的关联特征等信息。站在县级尺度的方位发现，全省人口在分布上的规律比较明显，笼统来说，共计四个高—高、十七个低—低、一个高—低以及一个低—高等集聚区域；即通过县级局部空间自相关图，可以得到贵州省各县之间的人口分布关联特征。这表明无论在市级尺度还是县级尺度上，都存在显著的空间集聚形式，但分析的尺度不同，得到的人口空间分布的集聚状况就不一样。
(3)从不同尺度上分析，贵州省人口密度受环境—经济因子的影响程度不同。
无论在贵州省市级还是县级尺度上，人口密度的空间自相关系数都相对较小，而与部分环境—经济因子的Pearson相关系数相对较大，表明这些环境—经济因子对人口分布具有较强的指示作用。不同尺度的人口密度受同一环境—经济因子的影响程度不同，地区GDP、人均GDP、农村居民点面积百分比对人口分布的指示性，市级尺度高于县级尺度，人均GDP在市级尺度上对人口分布的指示性高于地区GDP,县级尺度上地区GDP对人口分布的指示性高于人均GDP。无论在市级尺度还是县级尺度上，虽然人口密度受地区GDP、人均GDP、城镇用地百分、农村居民点百分比的影响程度不同，但这些环境—经济因子都是人口分布的主要指示因子。
[1]杜国明,张树文,张有全.城市人口分布的空间自相关分析:以沈阳市为例[J].地理研究,2007,26(2):383-390.
[2]张有全,张树文,杜国明.城市人口密度的尺度效应:以沈阳市为例[J].中科院研究生院学报,2007,24(2):186-192.
[3]张树文,于凤荣,杜国明.城市人口空间分布模拟与格局分析—以沈阳市为例[J].地球信息科学学报,2010,59(12):38-43.
[4]吕晨,樊杰,孙威.基于ESDA的中国人口空间格局及影响因素研究[J].经济地理,2009,29(11):1797-1802.
[5]刘峰,马金辉,宋艳华.基于空间统计分析与GIS的人口空间分布模式研究:以甘肃省天水市为例[J].地理与地理信息科学,2004,20(6):18-22.
[6]柏中强,王卷乐,杨雅萍,等.基于乡镇尺度的中国25省区人口分布特征及影响因素[J].地理学报，2015,70(8):1229-1242.
[7]封志明，唐焰，杨艳昭.中国地形起伏度及其与人口分布的相关性[J].地理学报，2007,62(10):1073-1082.
[8]王静,杨小唤,石瑞香.山东省人口空间分布格局的多尺度分析[J].地理科学发展,2012,31(2):176-182.
[9]朱瑾,李建松,蒋子龙,申力.区域人口空间分布多尺度动态分析方法研究[J].吉林大学学报(信息科学版),2017,35(5):63-73.
[10]叶静,杨小唤,江东.乡镇级人口统计数据空间化的格网尺度效应分析:以义乌市为例[J].地球信息科学学报,2010,12(1):40-47.
[11]刘德钦,刘宇,薛新玉.中国人口分布及空间相关分析[J].测绘科学: 2008,29(7):76-79.
[12]韩慧,刘勇,刘瑞雯.中国人口分布的空间格局及成因探讨[J].兰州大学学报,2000,84(4):16-21.
[13]葛美玲,封志明.基于GIS的中国2000年人口之分布格局研究:兼与胡焕庸1935年之研究对比[J].人口研究,2008,32(1):51-57.
[14]杨波.中国县域人口空间分布格局研究[J].西北人口,2014,35(3):36-39.
[15]Deichmann U,Balk D,Yetman J.Transforming population data for Inter dis -ciplinary Usages: From census to grid, 2001. http://sedac.ciesin.columba. edu/ plue/gpw/index.html?min.html&2
[16]Guerra C A, Snow R W, Hay S I. Mapping the global extent of malaria in 2005. Trends in Parasitology,2006,22(8):353-358.
[17]王劲峰,廖一兰,刘鑫.空间数据分析教程.北京:科学出版社,2010:101-111.
[18]徐建华.现代地理学中的数学方法.北京:高等教育出版社,2002:37-38.
[19]吕琦,张竞娴,梁松.城镇化对能源强度的影响及区域差异分析—基于空间滞后模型研究[J].生态经济,2019,35(03):87-94.
本文来源：https://www.2haoxitong.net/k/doc/cdd317ef876fb84ae45c3b3567ec102de3bddfce.html
文档为doc格式