【摘要】：所以，我国各地区金融排斥空间分布具有较强的自相关性和分布的集聚性，需要具体针对这种分布的差异性因地制宜地进行分析。[1] 正态分布的Global Moran's I的E＝，VAR＝－E2，其中，w0＝1 Wij，w1＝nn 2，w2＝i 2。因此，检验n个区域是否存在空间自相关性的Z统计值为：Z＝）。
运用全局Moran's I和Local Moran's I散点图对我国各地区金融排斥的空间自相关性进行分析，发现无论是采用地理空间权重，还是经济空间权重，整体上而言，无论是综合金融排斥指标、还是各维度指标，我国各地区的金融排斥空间自相关性基本上呈现如下状态：中西部地区基本上处于HH状态，因而陷入了金融排斥的“高地”状态；而位于环渤海湾以及长三角地区的北京、天津、上海、河北、山东、江苏、浙江等这一区域带则呈现LH状态，即处于自身金融排斥程度较低，周边金融排斥程度较高的环境中，成为低金融排斥的“洼地”。
这一空间依赖性与“空间相互作用”，其实与上文第4章中展示的空间分布图有着异曲同工的效果，均体现了东部地区聚集着较低程度的金融排斥性、而中西部地区则成为金融排斥较高程度的聚集地，并且在空间正相关性的作用下，容易陷入“金融沙漠”的状态。
所以，我国各地区金融排斥空间分布具有较强的自相关性和分布的集聚性，需要具体针对这种分布的差异性因地制宜地进行分析。
[1] 正态分布的Global Moran's I的E（I）＝
，VAR（I）＝
－E2（I），其中，w0＝
1 Wij，w1＝
nn （Wij＋Wji）2，w2＝
i （wi・＋w・i）2。因此，检验n个区域是否存在空间自相关性的Z统计值为：Z（d）＝
）（吴玉鸣等，2004）。
[2] 正态分布的Global Moran's I的E（I）＝
，VAR（I）＝
－E2（I），其中，w0＝
1 Wij，w1＝
nn （Wij＋Wji）2，w2＝
i （wi・＋w・i）2。因此，检验n个区域是否存在空间自相关性的Z统计值为：Z（d）＝
）（吴玉鸣等，2004）。
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。
