ArcGIS空间统计实战：用Global Moran‘s I分析你所在城市的人口聚集度（附2000-2020年数据）
城市人口聚集度分析实战：用ArcGIS和Global Moran's I探索你身边的居住格局
你是否好奇自己所在的城市是否存在人口聚集现象？为什么某些区域总是人潮涌动，而另一些地方却相对冷清？这种分布是随机形成的，还是背后隐藏着某种空间规律？今天，我们将使用ArcGIS中的Global Moran's I这一空间统计工具，带你一步步分析你所在城市的人口聚集特征，并解读2000-2020年间可能发生的变化趋势。
1. 空间统计基础：理解Global Moran's I
Global Moran's I（全局莫兰指数）是空间统计学中用于衡量空间自相关性的核心指标。简单来说，它能够告诉我们某个地理现象（如人口密度）在空间上是随机分布，还是存在聚集或分散的模式。
1.1 莫兰指数的核心概念
- 空间自相关：指地理空间中相邻位置的属性值相似或相异的程度。正自相关意味着相邻区域的值相似（高值聚集或低值聚集），负自相关则表示相邻区域的值差异明显。
- 指数范围：Moran's I的取值范围在-1到1之间：
- 接近+1：强烈的空间正相关（聚集）
- 接近-1：强烈的空间负相关（分散）
- 接近0：随机分布
1.2 统计显著性解读
在实际分析中，我们不仅关注Moran's I的值，还需要结合三个关键指标：
| 指标 | 解释 | 判断标准 |
|---|---|---|
| p值 | 统计显著性 | p<0.05表示结果显著 |
| z得分 | 标准差倍数 | |
| Moran's I | 空间自相关强度 | 绝对值越大，相关性越强 |
提示：分析时应先看p值判断显著性，再结合z得分和Moran's I解读空间模式。
2. 数据准备与处理
2.1 获取人口普查数据
我国2000年（五普）、2010年（六普）和2020年（七普）的人口普查数据可从国家统计局官网获取。建议使用市级或区县级的人口密度数据进行分析。
# 示例：数据预处理代码（Python） import pandas as pd # 读取原始数据 df = pd.read_excel('人口普查数据.xlsx') # 计算人口密度（人/平方公里） df['人口密度'] = df['总人口'] / df['面积'] # 保存为CSV供ArcGIS使用 df.to_csv('人口密度数据.csv', index=False)2.2 空间数据准备
需要准备你所在城市或区域的行政区划边界文件（shp格式）。常见获取途径包括：
- 国家基础地理信息中心
- 各城市自然资源和规划局
- 开源地理数据平台（如OpenStreetMap）
3. ArcGIS操作指南：计算Global Moran's I
3.1 数据导入与关联
- 在ArcMap中加载行政区划边界图层
- 使用"Join"功能将人口密度数据关联到空间图层
- 确保每个空间单元都有对应的人口密度值
3.2 运行空间自相关分析
- 打开ArcToolbox，导航至：
空间统计工具 → 分析模式 → 空间自相关 - 参数设置：
- 输入要素类：你的行政区划图层
- 输入字段：人口密度字段
- 空间关系的概念化：
INVERSE_DISTANCE（默认） - 标准化：
ROW（推荐）
# 命令行版本（适用于ArcGIS Pro） arcpy.SpatialAutocorrelation_stats( "行政区划图层", "人口密度", "INVERSE_DISTANCE", "ROW", "NONE", "C:\输出结果" )3.3 结果解读
分析完成后，ArcGIS会生成一个HTML报告，包含以下关键信息：
- Moran's I指数：0.23（示例值，表示中等正相关）
- z得分：3.45（>1.96，表示结果显著）
- p值：0.0004（<0.01，高度显著）
注意：如果p值不显著（>0.05），则空间自相关性结论不可靠，即使Moran's I看起来很高。
4. 城市案例分析：2000-2020年变化趋势
让我们以某省会城市为例，分析20年间人口分布的变化：
4.1 三个时期的空间自相关分析结果
| 年份 | Moran's I | z得分 | p值 | 空间模式 |
|---|---|---|---|---|
| 2000 | 0.32 | 4.12 | 0.0001 | 显著聚集 |
| 2010 | 0.25 | 3.28 | 0.001 | 显著聚集 |
| 2020 | 0.18 | 2.45 | 0.014 | 弱聚集 |
4.2 趋势解读与可能原因
从表中可以看出，该城市的人口聚集程度在20年间呈现下降趋势，可能原因包括：
- 城市扩张：新城区的开发使人口从中心区向外扩散
- 交通改善：地铁等公共交通发展降低了居住区位限制
- 政策因素：户籍制度改革促进了人口自由流动
- 产业布局：多中心发展模式改变了就业-居住关系
5. 进阶分析技巧
5.1 空间权重矩阵的选择
不同的空间关系概念化方式会影响分析结果：
| 类型 | 适用场景 | 特点 |
|---|---|---|
| 反距离 (INVERSE_DISTANCE) | 连续分布现象 | 近邻影响大于远邻 |
| 固定距离 (FIXED_DISTANCE) | 均匀分布区域 | 统一邻域范围 |
| K最近邻 (K_NEAREST_NEIGHBORS) | 不规则单元 | 每个单元固定邻居数 |
5.2 可视化技巧
在ArcGIS中，可以通过以下方式增强结果展示：
- 创建Moran's I趋势图
- 制作人口密度热点地图
- 使用时间滑块展示20年变化
# 示例：使用matplotlib绘制趋势图 import matplotlib.pyplot as plt years = [2000, 2010, 2020] morans_i = [0.32, 0.25, 0.18] plt.plot(years, morans_i, marker='o') plt.title('Moran's I趋势分析 (2000-2020)') plt.xlabel('年份') plt.ylabel('Moran's I指数') plt.grid(True) plt.show()5.3 常见问题排查
- 问题：Moran's I结果不显著
- 检查：数据是否经过标准化？空间权重是否合理？
- 问题：z得分异常高
- 检查：是否存在极端异常值？空间单元大小是否差异过大？
- 问题：结果与直观感受不符
- 建议：尝试不同的空间权重设置，或考虑使用局部Moran's I分析
在实际项目中，我发现当分析较小区域（如单个城市）时，使用K最近邻的空间权重矩阵往往能得到更合理的结果，特别是当行政区划单元大小不均时。另外，对人口密度取对数处理有时能改善分析效果，特别是当数据呈现明显的右偏分布时。