双变量空间自相关_空间计量经济学的发展及其应用，经济模型总会需要-CSDN博客

为处理数据的空间相关性和空间异质性而发展的空间计量经济学, 已成为空间数据的标准分析工具, 并开始进入计量经济学的主流。从最初的探索性空间数据分析, 空间计量经济学发展到横截面数据空间计量模型, 进一步再到空间面板模型和空间动态面板模型。对不同类型的数据, 空间计量经济学提供了多种估计方法, 这些方法各有短长。在面板数据的实证研究中, 空间溢出效应的测度特别重要且复杂。该问题通过计算直接效应和间接效应得到了较好解决。空间计量经济学未来的发展将集中于空间-时间交互效应的微观机制研究、与联立方程和贝叶斯估计方法的结合, 以及空间计量软件的完善和发展。

人类的经济活动总是在一定的时间和空间维度上进行, 因此, 经济现象不仅表现出时间上的相关, 而且在空间上也表现出某种程度的相关。例如经济发达地区总是联成一片, 相关或相同产业也倾向于在同一地理空间聚集。产生这些空间交互关系的根源有多种:一是观测数据地理位置接近 (geographical proximity) ;二是截面上个体间互相竞争和合作;三是模仿行为, 同一群体中的个体会模仿特定个体的行为;四是溢出效应 (spillover effect) , 例如地理位置上靠近科研院所及高校可能会增强企业的创新能力; 五是测量误差, 数据一般是按照行政区划统计的, 这种行政划定的空间单位与研究问题的实际边界很可能不一致。

如果所得数据的观测值之间存在空间相关性, 则彼此不能够保持独立。经典的高斯-马尔可夫假设则要求解释变量相互独立。同样, 如果数据中存在空间异质性, 也会违背高斯-马尔可夫假设中的误差项同方差假定。这样, 直接使用标准的计量经济学方法进行估计, 将产生估计偏倚, 需要新的计量方法来处理这种空间相关性和空间异质性。空间计量经济学正是为处理这些空间交互关系而发展起来的。

空间计量经济学 (spatial econometrics) 的概念最早由Paelinck[1]提出, Cliff等[2-3]针对空间自回归模型发展出相应的参数估计和检验技术。Anselin[4]对空间计量经济学做了系统的理论梳理, 提出了一系列空间计量经济学模型的不同估计方法, 奠定了空间计量经济学的基本框架。最近30年, 空间计量经济学获得了巨大发展, 开始从边缘进入计量经济学的主流, 不仅在区域经济学、城市和房地产经济学及经济地理学等传统关注空间的经济学科中成为标准分析工具, 而且在国际经济学、劳动经济学、公共经济学、政治学、资源和环境经济学及发展经济学中也得到了越来越广泛的运用。

1 探索性空间数据分析

判断数据的空间相关性存在与否, 先要进行探索性空间数据分析 (exploratory spatial data analysis, ESDA) 。Anselin[5]提出了探索性空间数据分析的一些基本方法和准则。探索性空间数据分析具体而言就是描述数据的空间分布并加以可视化, 识别空间数据的异常值, 检测社会和经济现象的空间集聚, 以及展示数据的空间结构, 提示现象之间的空间相互作用机制。其核心工作包括空间权重矩阵的构建, 以及全局空间自相关、局部空间自相关的度量与空间关联的识别等。

1.1 空间权重矩阵的设定

空间自相关与时间自相关类似, 但远比后者复杂。这是因为时间是一维的, 只有从过去到未来一个方向, 而空间是多维的, 至少有前、后、左、右4个方向。因此, 在度量空间自相关时, 必须解决地理空间结构的数学表达, 恰当定义空间对象的相互邻接关系。空间权重矩阵的引入, 是进行探索性空间数据分析的前提和基础。如何合适地选择空间权重矩阵一直以来是探索性空间数据分析的重点和难点问题。设截面个体数量为n, 则建立的空间权重矩阵Wn为n×n的对称矩阵, 其元素为{Wij}, i, j=1, …, n。其中对角线上的元素被设为0, 而Wij表示区域i和区域j在空间上联系的紧密程度。为了减少或消除区域间的外在影响, 以及使得W不再具有量纲, 权重矩阵通常被标准化成行元素之和为1。空间权重矩阵W的确定, 一般考虑地理空间关联或者经济联系。其中, 衡量地理联系主要通过邻近指标和距离指标。按照这两种方法确定的W为二进制的邻近空间权重矩阵。

1.1.1 基于邻近概念的空间权重矩阵

根据相邻标准, Wij为:

根据Anselin[6], 相邻一般有Rook邻近和Queen邻近2种计算方法。其中Rook邻近定义为仅有共同边界, 而Queen邻近除了共有边界外还包括共同顶点。空间权重矩阵除了一阶邻近矩阵外, 还有更高阶的邻近矩阵。Anselin等[7]提出了高阶邻近矩阵的算法, 比较常见的是二阶邻近矩阵 (the second order contiguity matrix) 。

该矩阵刻画了邻居的邻居的空间信息, 当存在某种空间溢出效应时, 特别有用。例如, 特定地区的初始效应或随机冲击不仅会影响其邻近地区, 而且随着时间的推移还会影响其邻近地区的邻近地区。

可以看出, 邻近空间权重矩阵因其对称性及计算简单而较为常用, 适合于测算地理空间效应的影响。但是, 如果空间单元大小相差悬殊, 则可能导致非常不平衡的邻近矩阵结构。例如, 空间单元的面积相差较大时, 较小地理单元具有较多邻近单元, 而较大地理单元则只有较少邻近单元。这时, K值最邻近空间矩阵 (K-nearest neighbor spatial weights) 就是更好的选择了[6]。一般是选择最邻近的4个单元来计算K值最近邻居权重的大小。当然也可选4个以上,