监管对

带宽表示加权函数变为0的径向距离，从而限制了位置i系数估计中包含的位置数量。在本研究中，我们通过估计局部系数来衡量人口密度对每个扩散行列式的影响 和 根据：   哪里 是第i次观测的邮政编码。为此，根据高斯曲线对每个邮政编码和附近邮政编码的值进行加权最小二乘。估计邮政编码的GWR系数时, 邮政编码j处的值通过 计算如下：   哪里 是邮政编码i和邮政编码j之间的距离，β是带宽参数。考虑到芬兰邮政编码空间密度的变化，我们决定采用自适应带宽。与表示固定距离的固定带宽相比，自适应带宽表示多个相邻区域。通过采用自适应带宽，加权最小二乘法计算包括当在低密度区域中发现邮政编码i时距离邮政编码i更远的邮政编码，并且当在高密度区域中发现邮政编码i时，它采用较小的距离。通过模型交叉验证，我们得到了一个特定于行列式的最优自适应带宽。分析在ArcMap Desktop 10.4（ESRI，n.d.）中完成。7、结果7.1。GWR结果表5显示了GWR在拟合优度和空间行为方面的结果。Moran\'s I检验的结果表明，MBP\\u数和%\\u bacherlors的回归残差存在空间自相关。

残差空间自相关的存在表明，人口密度本身不能解释因变量中观察到的方差。因此，未指定回归模型，且未指定解释变量，从而使系数估计无效。在下面的小节中，我们将详细说明如何解释这些结果。除了这两个回归模型外，R2的值在0.31和0.52之间，我们认为这是可以接受的，因为人口密度是我们模型中唯一的解释变量。此外，我们观察到在64到86个邮政编码之间变化的低带宽值，这表明系数估计可能呈现高空间方差，但局部偏差较小（Charlton和Fotheringham，2009）。在这种情况下，表5报告了实现研究再现性的有效数字。表5：。GWR拟合优度和空间行为determinantunitsmoran的I（p值）r2观测值（邮政编码）带宽（邮政编码）有效NumberRMBP\\U NumberPropertors0.02**0.362849202.68%\\U dw\\U OnwershipPercentage 0.130.502848198.40%\\U BachelorsPercentage 0.01***0.682925212.12med\\U hh\\U incomeeuros/HHH0.680.382868187.694G\\U diffusion\\U delaydays0.110.522201214.43med\\U speed\\U mobilekbps0.860.311924198.32p-统计显著值如下所示：1%***，5%**表6给出了有关系数估计和标准化残差的GWR结果。考虑到系数的偏态分布，系数估计值通过五个数字摘要进行描述。标准化残差是通过极值和平均值来描述的，因为它们的分布通常以零为中心，有一些尾部偏差。这些将在下一小节中详细分析。表6：。

GWR系数估计和标准残差系数估计C1标准残差（Std.Res.）行列式最小值。P25P50P75最大值。Min.Avg.Max.MBP\\U编号*-0.124.19E-041.40E-038.04E-032.24-3.27-0.013.09%\\U dw\\U onwership-0.039-5.10E-04-2.60E-04-1.60E-042.00E-6-6.840.003.72%\\U学士*1.48E-41.37E-053.09E-055.01E-050.01-5.46-0.0527.70med\\U hh\\U income-153.62-6.11-4.15-2.112.49E03-8.35-0.035.064G\\u diffusion\\u delay-25.72-0.59-0.30-0.152.207-3.320.053.59med\\u speed\\u mobile-68.141.754.668.94316.52-3.92-0.046.99p25/p50/p75表示分别为低/中/高百分位数。*表明由于残差的空间自相关，系数估计值不可信。除表6外，图4A、4B、4C、4D描述了GWR系数的空间变化。在这些图中，邮政编码使用几何间隔分类进行分组，从而平衡每个类别的邮政编码数量与间隔长度。考虑到GWR系数之间的不同分布，每个图使用不同的分类，以最大限度地实现信息可视化。这些图形通过使用具有单一色调级数的公共choropleth贴图为颜色分级指定类别。每个类别的邮政编码数显示在类别范围旁边的括号中。下一小节将详细分析这些数字。我们没有报告Akaike信息标准（AICc）值，因为我们没有比较同一行列式的GWR模型之间的拟合优度。此外，模型复杂性受到单个解释变量的限制。我们不报告共线性测试，因为我们的GWR模型只包含一个解释变量。尽管如此，所有GWR模型的状态数值都远低于30。图4：。GWR系数的空间变化14 7.2。

测量宽带扩散的同心模式本节描述了GWR结果的解释，允许作者提出同心模式的存在及其强度。我们首先通过莫兰I检验检验GWR残差的空间自相关来评估人口密度的影响。残差空间自相关的存在表明，人口密度本身不能解释因变量中观察到的方差，即模型未指定，未指定解释变量。在这种情况下，我们认为人口密度对行列式的影响很弱。其次，如果GWR残差不存在空间自相关，我们仅在GWR系数不发生符号变化的情况下评估人口密度的影响，以使其同心，这表明人口密度与行列式之间的关系是单调的。根据GWR系数符号，我们认为同心效应为正或负。如果GWR系数的符号发生变化，我们将其评估为凹面或凸面非同心。第三，我们通过检验GWR模型通过确定系数a.k.a.，R2获得的拟合优度来评估人口密度的影响强度。与OLS一样，GWR生成具有方差解释力的R2值，告知可以由总体密度解释的方差分数。我们认为，当模型能够解释至少50%的行列式方差时，效应强度较强；当解释力小于50%时，效应强度中等。人口密度的影响强度等于同心模式的强度。

应用上述解释原则后，我们建议存在以下同心宽带扩散模式：每个用户的接入网络成本：由于我们缺乏运营商成本数据，我们假设在芬兰，由于规模效益的经济性，每个用户的接入网络成本随人口密度的增加而降低，如文献综述中为其他国家确定的。因此，我们建议采用负同心模式。频谱利用率：由于我们缺乏频谱利用率数据，我们参考了现有的出版物。评估移动通信电视频谱利用率的研究表明，芬兰的移动频谱利用率随着人口密度的增加而增加（J"antti等人，2011年；Kerttula等人，2012年）。关于未经许可的频谱，对乌鲁市ISM频段的研究表明，城市机场和市中心的频谱使用率最高。相比之下，两个住宅区的使用率较低，而周边农村地区则不存在（Kokkoniemi和Lehtom"aki，2012年）。因此，我们建议采用正同心模式。竞争：GWR结果表明，由于GWR残差呈现空间自相关（Moran’s I p值：0.02），因此单凭人口密度无法充分解释每个邮政编码的移动宽带提供商数量（MBP\\U编号）。因此，我们认为，在芬兰，人口密度对移动服务竞争的影响较弱。因此，我们建议采用弱正同心模式。国家补贴：虽然芬兰对宽带采取了普遍服务义务，但这些义务是技术中立的，仅限于58个外围邮政编码，不受USF支持。

因此，普遍服务提供商不会被迫使用特定的宽带技术；两者都不会因连接客户而得到补偿。然而，与USO一样，国家、地区和社区运营商也获得了补贴，用于在无法提供100 Mbps下载速度服务的地区建设光纤接入网络。因此，原则上，国家补贴的可用性应表明与服务质量相同的人口密度效应，但符号相反。由于本节后面部分发现人口密度对服务质量的影响是非同心和凹的，因此国家补贴的影响应该是凸的。然而，国家补贴不太可能分配给用户密度高的盈利领域。因此，我们得出结论，国家补贴的可用性受到人口密度的负同心影响。社区承诺：GWR结果表明，人口密度对居住在业主自用住房中的家庭百分比（%\\u dw\\u所有权）有很大影响，因为它可以解释50%的观察方差（R2:0.5）。此外，我们认为这种影响是负同心的，因为对于大多数邮政编码，系数15估计值C1仍然带有负号，如表6所示。此外，图4A显示了随着邮政编码越来越靠近人口密度的主要中心，%\\u dw\\u所有权达到其最小值，人口密度效应的强度如何降低。仔细查看图4A可以发现，C1值仅在人口密度最高的邮政编码的一小部分中变为正值。请注意，该小子集产生绝对最大GWR标准残差（最小标准分辨率<-3）。

教育：GWR结果表明，由于GWR残差呈现空间自相关（Moran’s I p值：0.01），仅用人口密度无法充分解释拥有学士学位的公民百分比（%\\u学士）。因此，我们认为，在芬兰，人口密度对教育水平的影响较弱。因此，我们建议采用弱正同心模式。这一结果是可以接受的，因为芬兰教育体系为学生提供了平等的学习机会。例如，从小学到大学，教育是免费的。收入：GWR结果表明，人口密度可以解释家庭收入中位数（med\\U hh\\U收入）观测方差的38%（R2:0.38）。然而，这种影响不能被认为是同心的，因为C1表现出很高的变化，从正值到负值不等，如表6所示。更详细地说，图4B描述了随着邮政编码越来越接近人口密度的主要中心，人口密度效应如何将其符号从正变为负。这一结果与文献综述的结果一致，文献综述表明，家庭收入与距离市中心的径向距离不呈单调函数关系，但通常在相对较短的距离达到峰值。请注意，带有负C1的邮政编码的数量明显大于相反的情况。关于GWR标准残差，绝对最大值由人口密度非常高的邮政编码产生（最大标准分辨率>3，最小标准分辨率<-3）。因此，我们认为人口密度效应是非同心和凹的。私人用户补贴：芬兰没有零评级应用的数据计划。也没有第三方移动应用程序授予赢得的数据。

尽管如此，有覆盖范围和统一定价义务的MNO用城市用户收入补贴农村用户成本（Peltola和H"amm"ainen，2018）。鉴于普遍服务提供商没有得到补偿，这种补贴对于通过普遍服务义务提供服务的连接是最大的。因此，我们建议采用负同心模式。服务渗透率：GWR结果表明，人口密度对4G扩散延迟（4G\\u diffusion\\u delay）有很大影响，因为它可以解释52%的观测方差（R2:0.52）。此外，鉴于C1表示绝大多数邮政编码的负值，如图4C所示，这种影响可以被视为负值。此外，图4C显示了随着邮政编码越来越接近人口密度的主要中心，人口密度效应的强度如何降低（以绝对值计算）。我们认为人口密度对服务渗透率的影响是同心正的。在国家一级，C1中值表明，每平方公里增加10名居民，4G到达的延迟中值将减少约3天。根据我们的数据，到2016年，4G到达的邮政编码占总人口的99.96%。服务质量：GWR结果表明，人口密度可以解释移动宽带（med\\u speed\\u mobile）中位下载速度观察到的31%方差（R2:0.31）。然而，这种影响不能被认为是同心的，因为C1呈现的负值范围很小但很重要，如表6所示。更准确地说，图4D描述了随着邮政编码越来越接近人口密度的主要中心，人口密度效应如何从正值变为负值。事实上，负C1仅在人口密度非常高的邮政编码子集中观察到。

注意，这个小子集也产生了最大的GWR标准残差（最大标准分辨率>3）。在国家一级，C1中值表明，每平方公里增加10名居民，移动服务质量的中值将提高约46.6 kbps。我们认为人口密度对平均移动下载速度的影响是正的、非同心的和凹的。16综上所述，我们认为，在芬兰，教育水平、移动服务普及率、频谱使用率和移动竞争往往会随着人口密度的增加而增加，因此遵循积极的同心模式。虽然可能由于ZF干预，教育和移动竞争的效应强度较弱，但移动服务渗透率仍然很强。虽然移动服务质量和家庭收入水平与人口密度呈凹形关系，但在达到值后，从距离市中心一定距离开始，仍然存在正同心模式。相比之下，随着人口密度的增加，国家对光纤接入的补贴、MNO对私人用户的补贴以及社区承诺的可用性往往会减少，因此遵循负同心模式。此外，发现人口密度效应的强度对于社区承诺很强。表7总结了每个扩散决定因素（包括调节）的结果。

请注意，对于那些缺乏数据的决定因素，人口密度的影响没有加权，例如弱、中、强。17表7。人口密度对扩散决定因素的影响摘要扩散决定因素FinlandAccess network cost per usernegative Access network cost per user（Smura et al.，2007）（Lyons，2014）消极（无数据）频谱使用积极移动和未授权（Clarke，2014）（De Filippi and Tréguer，2015）积极移动和未授权（J"antti et al.，2011）（Kokkoniemi和Lehtom"aki，2012）竞争积极运营商数量（Grubesic，2010）（Durairajan和Barford，2016）积极、弱实力*MBP\\U数字国家补贴消极欧盟国家援助法规（OECD，2011）消极宽带普及项目（FICORA，2013）社区承诺消极社会凝聚力（Shields，2005）消极，强项*%\\u dw\\u Ownershipeducation positive PISA secondary school（OECD，2010）积极，弱项*%\\u bachelorsIncomeconcave Househous income（欧盟统计局，2014）凹面，中等强度*med\\U hh\\U Income私人用户补贴负MNO补贴（无数据）非同心移动数据赞助（Dhanaraj Thakur，2016）负MNO补贴（Peltola和H"amm"ainen，2018）3G和DSL的服务渗透率正率（EC，2010）正，强*4G\\U diffusion\\U delayService QualityPrositive下载速度（OFCOM，2017）（Speedtest，2018）凹，中等强度*med\\U speed\\U mobile*效应强度（弱/中等/强）源自GWR分析18 8。讨论8.1。芬兰法规对移动和固定宽带服务传播的作用首先，我们认为，800 MHz频段4G许可证中的覆盖义务对满足USO的要求做出了重大贡献，因为他们要求在3年和5年内分别覆盖95%和99%的人口。