根据邻里效应，群体活动强度不仅取决于该区域的土地利用，而且受到周边环境的影响，在空间上具有一定的相关性。空间自相关分析[6]可以反映地理要素体现出来的空间格局是集聚、离散还是随机[7]。
图3 基于交通小区的群体活动密度分布
Fig.3 Activity density distribution based on TAZ
图4 基于格网的群体活动密度分布（2 km）
Fig.4 Activity density distribution based on grids（2 km）
（1）以交通小区为分析单元，利用ArcGIS10.1中的全局空间自相关分析模块，计算群体活动密度分布的全局Moran’s I指数。考虑到群体活动密度分布的距离衰减模型[4]，以反距离作为空间关系的概念化方法。选择不同的查找距离进行全局空间自相关分析，得到多组Moran’s I指数和显著性检验统计量Z-score。Moran’s I指数均大于0，而指数Z-score远大于临界值1.96（显著性检验水平为5%），因此整体上群体活动密度分布呈现显著的正空间自相关。为了找出就业活动的“热点”和“冷点”区域，进一步进行Anselin局部空间自相关分析，结果如图5所示。可见，罗湖商务区和福田商务区表现出很强的“高-高”关联模式，是群体活动的热点区域。大部分中心区以外的群体活动密度分布为不显著自相关。
（2）为了保证分析单元大小和形状一致，选择2 km格网作为分析单元进行空间自相关分析，结果如图6所示，可见与基于交通小区的分析结果（图5）大为不同。
为了比较格网大小对群体活动密度的影响，选择1 km格网作为分析单元研究群体活动密度分布，如图7所示，共有1 984个千米格网。
（3）进行Anselin局部空间自相关分析，结果如图8所示。其中“高-高”关联模式的区域（红色部分）是群体就业活动的热点区域，与图6略有差异。(www.xing528.com)
图5 局部自相关分析结果（交通小区）Fig.5 Result of Local Autocorrelation （TAZ）
图6 局部自相关分析结果（2 km）
Fig.6 Result of Local Autocorrelation（2 km）
图7 基于格网的群体活动密度分布（1 km）
Fig.7 Activity density distribution based on grids （1 km）
图8 局部自相关分析结果（1 km）
Fig.8 Result of Local Autocorrelation （1 km）
以上结果表明，群体活动强度的空间自相关程度受到采样区域划分方式和分析单元大小的影响。这是一个典型的可塑性面积单元问题[8]，即空间分析结果的有效性随基本面积单元定义的不同而发生变化，这是产生空间分析结果不确定性的原因之一。所以，选择何种分析单元最能反映真实情况在当前大数据时代是一个更加值得关注的问题。必要时，需要利用多种源数据，综合分析多种尺度和划分方法，以减少MAUP带来的不确定性、误差甚至错误解读。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
