空间聚类—房价、人口、年龄、收入等信息的空间分布分析利器

说出来有些人可能不信，流行至今的城乡规划的工作基本流程，是一个生物学家提出的。

真是赤裸裸的跨界呀。哪个跨界的生物学家这么牛？

这个人名叫——格迪斯！

他提出了非常经典的城乡规划的基本流程：调查—分析—规划。

虽然国土空间规划开启了一个新的纪元，但是相信“调查—分析—规划”这套流程只会被丰富、不会被颠覆。

本文，小飞飞就“分析”这一环节，来讲一个空间规划中看似基础却很重要的分析方法——空间聚类，掌握了这个方法，可以举一反三，进行房价、地价、人口、年龄、收入等有关区域信息要素的空间分布分析。

下面，我们以高龄人口在区域中的空间分布为例——

我们现有一个社区的数据，其中包含了人口信息。这里，我们设定65岁以上的人口为高龄人口，下图展示出了65岁以上人口数量在社区中的分布情况。（数据获取方法见文末）

接下来，我们进行两类空间聚类分析。

1. 聚类和异常值分析 (Anselin Local Moran's I)

工具简历

聚类和异常值分析 

地址：空间分析» 聚类分布制图 » 聚类和异常值分析

作用：识别具有统计显著性的热点、冷点和空间异常值

使用说明：

使用输入要素类中每个要素的以下属性创建一个新的输出要素类：Local Moran's I 指数、z 得分、p 值和聚类/异常值类型 (COType)。

（1）z 得分和 p 值都是统计显著性的度量。
（2）如果要素的 z 得分是一个较高的正值，则表示周围的要素拥有相似值（高值或低值）。输出要素类中的 COType 字段会将具有统计显著性的高值聚类表示为 HH，将具有统计显著性的低值聚类表示为 LL。
（3）如果要素的 z 得分是一个较低的负值，则表示有一个具有统计显著性的空间数据异常值。输出要素类中的 COType 字段将指明要素是否是高值要素而四周围绕的是低值要素 (HL)，或者要素是否是低值要素而四周围绕的是高值要素 (LH)。

实操演示：打开该工具，输入要素类为“社区”，字段为65岁以上的人口数量字段，命名为“聚类分析”。

如分析结果所示，粉色的部分就是高龄人口的高度集中的显著区域，蓝色的部分就是高龄人口集中度很低的区域。

2. 热点分析

工具简历

热点分析 (Getis-Ord Gi*)

地址：空间分析» 聚类分布制图 » 热点分析

作用：识别具有统计显著性的热点和冷点

使用说明：

识别具有统计显著性的高值（热点）和低值（冷点）的空间聚类。此工具使用 z 得分、p 值和置信区间 (Gi_Bin) 为输入要素类中的每个要素创建一个新的输出要素类。

（1）z 得分和 p 值都是统计显著性的度量。
（2）Gi_Bin 字段都会识别统计显著性的热点和冷点。置信区间 +3 到 -3 中的要素反映置信度为 99% 的统计显著性，置信区间 +2 到 -2 中的要素反映置信度为 95% 的统计显著性，置信区间 +1 到 -1 中的要素反映置信度为 90% 的统计显著性；而置信区间 0 中要素的聚类则没有统计学意义。
（3）如果要素的 z 得分高且 p 值小，则表示有一个高值的空间聚类。如果 z 得分低并为负数且 p 值小，则表示有一个低值的空间聚类。z 得分越高（或越低），聚类程度就越大。如果 z 得分接近于零，则表示不存在明显的空间聚类。

实操演示：打开该工具，输入要素类为“社区”，字段为65岁以上的人口数量字段，命名为“热点分析”。

如分析结果所示，蓝色区域为冷点（高龄人口分布最不集聚）的区域，深红色区域为热点（高龄人口分布高度集聚）区域。

好了，以上两种方法讲完之后，我们再来探讨“实用”的问题。就本例而言，分析出高龄人口的分布特征，可以在社区乃至区域发展规划决策中，科学合理的配套老年人公共服务设施、规划引发产业等；跳出本例，举一反三，可以分析区域的房价、人口、经济收入等区域发展重要因素的空间分布特征，为后期区域发展规划建设提供科学指导。

最后，需要数据练手的小伙伴们，可将本文分享到朋友圈，并集齐10个赞，然后截图到后台留言即可，12小时内会发送链接（小飞飞守在电脑旁的话会很快恢回复的）。

相关文章链接