当前位置：首页 > news >正文

ArcGIS实战：如何用Moran’s指数分析城市收入分布（附完整操作步骤）

news 2026/3/26 18:44:20

ArcGIS实战：用Moran’s指数解析城市收入空间格局

城市收入分布往往隐藏着空间密码。当高收入家庭在特定区域聚集，而低收入群体形成另一个中心时，这种空间分异现象会直接影响公共服务配置、商业布局甚至社区活力。作为城市规划师或GIS分析师，如何用数据揭示这种隐藏模式？空间自相关分析正是解开这一谜题的钥匙。

Moran’s指数作为空间统计的经典工具，能量化收入分布是否存在集聚特征。但实际操作中，许多初学者常陷入三个误区：一是将全局Moran’s指数结果直接等同于局部模式；二是忽略统计显著性验证；三是未能将分析结果转化为可操作的规划建议。本文将用ArcGIS Pro（版本10.8及以上）演示完整工作流，从数据准备到可视化解读，重点解决这三个痛点。

1. 空间自相关分析基础准备

1.1 理解核心概念体系

空间自相关分析建立在几个关键概念上：

Moran’s I指数：取值在-1到1之间，正值表示相似值聚集，负值表示相异值聚集。接近0则随机分布
Z得分与P值：判断结果是否具有统计显著性（通常要求P<0.05）
空间权重矩阵：定义要素间相邻关系的规则，直接影响分析结果

注意：选择不恰当的空间权重矩阵是新手最常见错误。城市收入分析推荐使用"反距离权重"或"固定距离法"，慎用"共边邻接"方法。

1.2 数据质量检查清单

在开始分析前，需对收入面数据执行以下检查：

检查项	操作指引	问题影响
坐标系	右键图层→属性→源，确认使用投影坐标系	距离计算失真
属性完整性	打开属性表，检查收入字段无NULL值	统计偏差
几何有效性	地理处理→检查几何工具	分析中断
极端值	右键收入字段→统计，观察标准差	结果失真

# 示例：用ArcPy快速检查数据质量 import arcpy feature_class = "Income_District" # 检查空值 null_count = arcpy.management.GetCount(feature_class + " WHERE INCOME IS NULL")[0] print(f"收入字段空值记录数：{null_count}") # 检查坐标系 sr = arcpy.Describe(feature_class).spatialReference print(f"当前坐标系：{sr.name}")

1.3 空间权重矩阵创建

在ArcGIS Pro中创建空间权重矩阵：

地理处理→空间统计工具→生成空间权重矩阵
输入要素：选择收入面图层
输出文件：指定.swm文件保存路径
概念化方法：城市分析建议选择"反距离"（IDW）
距离阈值：可设置为相邻行政区中心点平均距离的1.5倍

2. 全局空间自相关分析实战

2.1 Moran’s指数计算步骤

全局分析揭示整体集聚趋势，操作流程如下：

工具定位：空间统计工具箱→分析模式→空间自相关(Moran’s I)
参数配置：
- 输入要素类：收入面数据
- 输入字段：选择收入字段（如"Median_Income"）
- 空间权重矩阵文件：加载之前生成的.swm文件
- 生成报表：勾选（关键步骤）
结果解读要点：
- Moran’s I指数：0.3~0.7为典型正相关
- Z得分：绝对值>1.96表示显著（95%置信度）
- P值：必须<0.05才具有统计意义

提示：报表中的伪P值（permutation p-value）比渐进P值更可靠，尤其在样本量<50时。

2.2 典型结果场景应对

当遇到这些常见结果时，应该如何处理：

结果组合	含义	后续动作
I>0且P<0.05	显著集聚	进行局部分析
I≈0且P>0.1	随机分布	终止空间分析
I<0且P<0.05	分散模式	检查数据异常

# 结果可视化示例代码 import matplotlib.pyplot as plt morans_i = 0.42 z_score = 5.31 p_value = 0.001 plt.bar(['Moran\'s I'], [morans_i], color='steelblue') plt.axhline(y=0, color='grey', linestyle='--') plt.title(f"Global Spatial Autocorrelation\nZ={z_score:.2f}, p={p_value:.3f}") plt.ylim(-1, 1) plt.show()

3. 局部热点分析与制图表达

3.1 高低聚类(Getis-Ord Gi*)分析

当全局分析显示集聚时，需用局部方法定位热点：

工具选择：聚类分布制图→热点分析
关键参数：
- 输入要素：同一收入面数据
- 输入字段：收入字段
- 空间权重矩阵：使用全局分析相同的.swm文件
输出解读：
- Gi_Bin字段：+3表示99%置信度热点，-3表示99%置信度冷点
- 建议使用"自然间断点"分类法渲染

3.2 聚类与异常值分析(Anselin Local Moran’s I)

该方法可识别四种空间关系：

工具路径：聚类分布制图→聚类和异常值分析
结果类型：
- HH：高值被高值包围（热点区）
- LL：低值被低值包围（冷点区）
- HL：高值被低值包围（潜在绅士化区）
- LH：低值被高值包围（潜在贫困飞地）
制图技巧：
- 用暖色系（红-橙）表示HH，冷色系（蓝-青）表示LL
- 异常值（HL/LH）建议用对比色突出
- 添加城市主干道图层作为参考

3.3 空间异质性处理

当发现局部结果与全局结论矛盾时：

检查空间尺度：尝试调整分析单元（从街道级改为社区级）
验证权重矩阵：比较不同邻域定义的结果差异
考虑空间滞后：使用空间回归模型（如SLM/SEM）控制空间依赖性

4. 分析结果的城市规划应用

4.1 政策建议生成框架

将统计结果转化为规划行动：

空间模式	潜在问题	规划响应
强HH集聚	居住隔离	混合用地政策
强LL集聚	服务短缺	设施优先投放
HL异常值	社区冲突	缓冲带设计
无显著模式	均衡发展	维持现有政策

4.2 多时相对比技巧

监测收入分布演变的方法：

时间序列分析：
- 计算各年度Moran’s I值
- 制作趋势折线图
空间变化检测：
- 使用"空间-时间模式挖掘"工具箱
- 识别持续热点/新生冷点区域

# 时间序列Moran's I可视化 years = [2015, 2018, 2021] moran_values = [0.32, 0.41, 0.38] plt.plot(years, moran_values, marker='o', linestyle='--') plt.xlabel('Year') plt.ylabel("Moran's I") plt.title('Income Clustering Trend') plt.grid(True) plt.show()