莫兰指数与空间自回归模型的应用实例.docxVIP

莫兰指数与空间自回归模型的应用实例

一、莫兰指数与空间自回归模型的理论基础

空间统计学区别于传统统计学的核心特征，在于其将地理空间位置纳入分析框架，打破了“样本独立同分布”的经典假设，能够精准捕捉研究对象的空间关联特征。莫兰指数与空间自回归模型是空间统计学中最基础且应用最广泛的工具组合，前者用于检验空间自相关的存在性，后者用于量化空间关联的影响机制（李小建，2019）。

（一）莫兰指数的核心内涵与计算逻辑

莫兰指数是衡量空间自相关程度的核心指标，分为全局莫兰指数与局部莫兰指数两类，分别从整体与个体维度反映空间关联特征。全局莫兰指数侧重于判断研究对象在整个空间范围内是否存在集聚或分散规律，其取值范围介于负一到正一之间：数值接近正一，说明研究对象呈现“高值与高值相邻、低值与低值相邻”的正向集聚特征；数值接近负一，说明呈现“高值与低值相邻”的负向集聚特征；数值接近零，则表示研究对象在空间上随机分布，无明显关联（王劲峰，2018）。

局部莫兰指数则聚焦于单个空间单元与周边单元的关联关系，能够识别出每个单元的具体空间关联类型，常见类型包括四种：高-高集聚（自身高值且周边高值）、低-低集聚（自身低值且周边低值）、高-低集聚（自身高值但周边低值）、低-高集聚（自身低值但周边高值）。其中，高-高集聚区域通常存在正向空间溢出效应，低-低集聚区域可能陷入“贫困陷阱”式的负向循环，而高-低、低-高集聚区