空间统计分析)—第四章图文版—.pdfVIP

第四章 空間統計分析 本研究以GIS軟體建構台北市新推個案訂價資料之地理資料庫，在資料蒐集 與建置後，針對空間型態分析以及空間自我相關兩部分進行分析，就其結果作為 建構空間迴歸模型的基礎。空間型態分析是就台北市新推個案資料的空間分布作 分析；而本研究藉由空間自相關的計算來檢測資料中是否存在空間相依性，分為 全域型空間自我相關分析與地域型空間自我相關分析兩個部分，利用全域型空間 自我相關分析 來判斷本研究對象在空間上聚集程度，並且利用地域型空間自我相 關分析方法了解其聚集區位 。 第一節 空間型態分析 空間型態描述分析是將資料的基本的空間描述統計作分析，分別計算資料的 集中趨勢與離散趨勢。空間型態分析則透過最近鄰距離分析來定義資料空間分布 是為聚集、離散或隨機的分布型態，分別就兩個部分作分析探討。 一、空間型態描述分析 94年7月至96年6月之台北市新推個案位置圖徵點 ，圖徵點共582點，分 布於 台北市各個行 政區。利用Arc GIS的空間分析工具 來分析台北市新推個案 空間分 布情況 ： （一）集中趨勢 帄均中心點表示所有資料點的中心點或帄均位置點 ，本研究透過GIS軟體中 Central Feature的功能 進行計算分析 ，得到新推個案資料分布位居最中心點的圖 徵點結果 (如圖4-所示1 ) 。 （二）離散趨勢 空間標準差範圍為計算所有資料點距離中心點的距離， 亦即計算圖徵點分布 的集中程度，計算結果的範圍越小，代表資料越集中，計算結果的範圍越大，代 表資料越分散。本研究透過GIS軟體中 Standerd Distance的功能進行計算分析，得 到新推個案資料分布一個標準差的空間分布之範圍的分析結果 (如圖4-所示1 ) 。 34 圖 4-1 新推個案空間分布型態 35 二、最近鄰距離分析 最近鄰距離分析方法是檢驗每個點所佔據的面積，即通過比較計算最鄰近的 點對的 帄均距離與隨機分布模式中最鄰近的點對的帄均距離，判斷點要素的分布 格局是聚集還是擴散分布。 將計算出的最鄰近距離與理論的帄均距離進行比較，得到最鄰近距離係數 NNR 。當NNR 小於時，樣本點呈現聚集分布；當1 NNR 大於時，樣本點呈現擴1 散分布，為了檢驗計算結果的可信度，可採 Z檢定。透過GIS軟體中帄均最近鄰 分析(Averge Nearest Neighbor)的功能進行計算分析，其中採用直線距離方法，得 到新推個案最近鄰距離分析的分析結果如下： 表4-1 最近鄰距離 分析結果 最近鄰距離分析 計算結果 Nearest Neighbor Observed Mean Distance 156.618630 Expected Mean Distance 320.370785 Nearest Neighbor Ratio 0.488867 Z Score -23.589921 Standard Deviations 最鄰近距離係數為觀察最鄰近距離與理論帄均距離的比率，其值為0.49 ，小 於1 ，表示在1%的顯著水準下，樣本點呈現聚集分布，因此台北市新推個案點在 空間分布上呈現聚集的情形。 36 第 二節 空間自我相關分析 鑒於前述 對台北市新推個案的樣本點所作空間統計描述之分析結果，可以發 現研究對象的確存在聚集的現象。而本研究進一步藉由空間自相關的計算來檢測 資料中是否存在空間相依性，分為全域型空間自我相關 分析與地區型空間自我相 關分析 兩個部分，利用全域型空間自我相關分析來判斷本研究對象在空間上聚集 程度 ，並且利用地域型空間自我相關分析方法