从Moran散点图到LISA聚类图：GeoDa空间自相关完整分析指南（含GDP案例）

从Moran散点图到LISA聚类图：GeoDa空间自相关完整分析指南（含GDP案例）

如果你正在为论文或研究报告寻找一种能够揭示区域经济数据背后空间依赖性的方法，那么空间自相关分析很可能就是你需要的利器。想象一下，当你拿到一份各省份的GDP数据时，除了看到数字的高低，你是否好奇富裕的省份是否倾向于彼此相邻，而欠发达地区是否也在地理上抱团？这种“物以类聚，人以群分”的地理现象，正是空间自相关分析所要探究的核心。对于从事区域经济学、地理学、公共卫生或环境科学的研究者而言，掌握这套分析方法，意味着能从一堆离散的数据点中，解读出深刻的空间结构与规律，从而让论文的结论更具说服力和洞察力。

本文将为你提供一个端到端的实战指南，以中国省级GDP数据为贯穿案例，手把手带你走完从数据准备、空间权重矩阵构建，到全局与局部空间自相关计算，直至最终结果解读与学术图表呈现的完整流程。我们会重点剖析那些让初学者头疼的统计指标——比如Moran‘s I、Z值和p值到底在说什么，以及如何将软件生成的“红蓝聚类图”转化为严谨的学术语言，描述为“高-高集聚”或“低-低集聚”热点区。无论你是初次接触GeoDa软件，还是希望将分析流程规范化、深度化，这篇文章都将提供清晰的操作路径和扎实的理论支撑。

1. 分析基石：理解并构建空间权重矩阵

在开始任何按钮点击之前，我们必须先搞懂空间权重矩阵究竟是什么，以及它为何如此重要。你可以把它想象成一张描述地理单元之间“社交关系”的网络图。在分析中国各省GDP的空间相关性时，我们首先需要定义：哪些省份算是“邻居”？是仅仅共享一条边界（如河南与安徽），还是距离在一定范围内（如北京与天津）？这个关于“邻居”的定义，直接决定了后续所有分析结果的走向。

空间权重矩阵（Spatial Weights Matrix）本质上是一个n×n的方阵，其中n是空间单元（例如31个省份）的数量。矩阵中的每一个元素W_ij，量化了单元i与单元j之间的空间关系强度。最常用的构建思路有两种：基于邻接关系和基于距离关系。

基于邻接的矩阵 关注地理单元是否直接相连。这里有两个经典规则：

• Rook邻接：只有共享一条边（边界）的单元才被视为邻居。这类似于国际象棋中“车”的走法。
• Queen邻接：共享一条边或一个顶点（即边界或角点接触）的单元都被视为邻居。这类似于国际象棋中“后”的走法，更为宽松，也是实践中更常用的选择，因为它能更好地捕捉到复杂边界情况下的空间联系。

基于距离的矩阵 则跳出了“是否接触”的二元判断，转而使用连续的距离函数来度量关系。例如，我们可以设定一个距离阈值（如500公里），认为在此范围内的省份互为邻居，并赋予权重；超出阈值的权重则为0。更精细的做法是使用距离衰减函数，比如反距离权重（W_ij = 1 / d_ij^α），距离越近，影响权重越大。

提示：对于像中国省级行政区这样边界清晰、单元大小不一的研究对象，Queen邻接矩阵通常是稳健且首选的起点。它能有效处理那些仅有一个点接触的省份（如福建与江西的部分地区），避免遗漏重要的空间关联。

在GeoDa中构建权重矩阵是一个直观的过程。准备好你的Shapefile（.shp）数据后，通过 Tools > Weights > Create 打开创建界面。关键步骤在于选择ID变量和邻接规则。