空间计量经济学分析
空间依赖、空间异质性
⏹传统的统计理论是一种建立在独立观测值假定基础上的理论。然而，在现实世界中，特别是遇到空间数
据问题时，独立观测值在现实生活中并不是普遍存在的（Getis, 1997）。
⏹对于具有地理空间属性的数据，一般认为离的近的变量之间比在空间上离的远的变量之间具有更加密切
的关系（Anselin & Getis，1992）。正如著名的Tobler地理学第一定律所说：“任何事物之间均相关，而离的较近事物总比离的较远的事物相关性要高。”（Tobler，1979）
⏹地区之间的经济地理行为之间一般都存在一定程度的Spatial Interaction，Spatial Effects）：Spatial
Dependence and Spatial Autocorrelation）。
⏹一般而言，分析中涉及的空间单元越小，离的近的单元越有可能在空间上密切关联（Anselin & Getis,
1992）。
⏹然而，在现实的经济地理研究中，许多涉及地理空间的数据，由于普遍忽视空间依赖性，其统计与计量
分析的结果值得进一步深入探究（Anselin & Griffin, 1988）。
⏹可喜的是，对于这种地理与经济现象中常常表现出的空间效应（特征）问题的识别估计，空间计量经济
学提供了一系列有效的理论和实证分析方法。
⏹一般而言，在经济研究中出现不恰当的模型识别和设定所忽略的空间效应主要有两个来源（Anselin，
1988）：空间依赖性（Spatial Dependence）和空间异质性（Spatial Heterogeneity）。
空间依赖性
⏹空间依赖性（也叫空间自相关性）是空间效应识别的第一个来源，它产生于空间组织观测单元之间缺乏
依赖性的考察（Cliff & Ord, 1973）。
⏹Anselin & Rey（1991）区别了真实（Substantial）空间依赖性和干扰（Nuisance）空间依赖性的不同。
⏹真实空间依赖性反映现实中存在的空间交互作用（Spatial Interaction Effects），
⏹比如区域经济要素的流动、创新的扩散、技术溢出等，
⏹它们是区域间经济或创新差异演变过程中的真实成分，是确确实实存在的空间交互影响，
⏹如劳动力、资本流动等耦合形成的经济行为在空间上相互影响、相互作用，研发的投入产出行为及政策
在地理空间上的示范作用和激励效应。
⏹干扰空间依赖性可能来源于测量问题，比如区域经济发展过程研究中的空间模式与观测单元之间边界的
不匹配，造成了相邻地理空间单元出现了测量误差所导致。
⏹测量误差是由于在调查过程中，数据的采集与空间中的单位有关，如数据一般是按照省市县等行政区划
统计的，这种假设的空间单位与研究问题的实际边界可能不一致，这样就很容易产生测量误差。
⏹空间依赖不仅意味着空间上的观测值缺乏独立性，而且意味着潜在于这种空间相关中的数据结构，也就
是说空间相关的强度及模式由绝对位置（格局）和相对位置（距离）共同决定。
⏹空间相关性表现出的空间效应可以用以下两种模型来表征和刻画：当模型的误差项在空间上相关时，即
为空间误差模型；当变量间的空间依赖性对模型显得非常关键而导致了空间相关时，即为空间滞后模型（Anselin，1988）。
空间异质性
⏹空间异质性（空间差异性），是空间计量学模型识别的第二个来源。
⏹空间异质性或空间差异性，指地理空间上的区域缺乏均质性，存在发达地区和落后地区、中心（核心）
和外围（边缘）地区等经济地理结构，从而导致经济社会发展和创新行为存在较大的空间上的差异性。
⏹空间异质性反映了经济实践中的空间观测单元之间经济行为（如增长或创新）关系的一种普遍存在的不
稳定性。
⏹区域创新的企业、大学、研究机构等主体在研发行为上存在不可忽视的个体差异，譬如研发投入的差异
导致产出的技术知识的差异，
⏹这种创新主体的异质性与技术知识异质性的耦合将导致创新行为在地理空间上具有显著的异质性差异，
进而可能存在创新在地理空间上的相互依赖现象或者创新的局域俱乐部集团。
⏹对于空间异质性，只要将空间单元的特性考虑进去，大多可以用经典的计量经济学方法进行估计。
⏹但是当空间异质性与空间相关性同时存在时，经典的计量经济学估计方法不再有效，而且在这种情况下，
问题变得异常复杂，区分空间异质性与空间相关性比较困难。
⏹ 空间变系数的地理加权回归模型（Geographical Weighted Regression ，简记为GWR ）是处理空间异质性的一种良好的估计方法。
空间依赖性及集群的识别与检验
⏹ 将空间依赖性考虑进来以后，在建立模型进行创新分析研究之前，一般必须先进行空间相关性的预检验 ⏹ 如果空间效应在发挥作用，则需要将空间效应纳入模型分析框架之中，并采用适合于空间计量经济模型估计的方法进行估计 ⏹
如果没有表现出空间效应，则可直接采用一般估计方法（如OLS ）估计模型参数。 ⏹
在引入空间变量或者经过空间过滤的空间计量模型建立之后，其效果的好坏还需要通过空间相关检验进行判断，一般可通过对真实值和模型估计值之间的残差进行空间相关性检验实现。 ⏹
如果参数经过检验在空间上没有表现出相关性，则表明在引入空间变量或者经过考虑了空间效应后的模型已经成功地处理了空间相关性。 ⏹
计算和检验一个地区的创新行为在地理空间上有没有表现出空间自相关（依赖）性（Cliff & Ord ，1981；Cressie ，1993）、是否存在集群现象（吴玉鸣，2006a ，2006b ）。 ⏹
空间统计和空间计量经济学的方法有许多种，最著名也最常用的有：Moran’s I （Moran ，1950）、Geary’s C 、Getis 指数（Ord & Getis ，1995）。 ⏹
以上方法各有其功用，各有其优缺点，同时亦有其适用范围及限制。 ⏹ 一般来说，这些方法在功用上可大致分为两大类：全域空间自相关（Global Spatial Autocorrelation ）和局域空间自相关（Local Spatial Autocorrelation ）。
全域空间相关性检验与分析
⏹ 全域空间自相关（Global Spatial Autocorrelation ）是从区域空间的整体上刻画区域创新活动空间分布的集群情况。
⏹ 在实际的空间相关分析应用研究中，由于Moran’s I 指数和Geary’s C 比率的作用基本相同，其不同之处是Moran’s I 主要针对于全域空间相关性分析，而Geary’s C 指数则适用于局域空间关联分析。 ⏹ 在许多实证研究中，Moran’s I 和Geary’s C 是常用方法，已在大量文献中出现，尤其是前者。因此，以下介绍常用的Moran’s I 指数的计算及检验过程。
⏹ Moran’s I 定义如下： ⏹ 其中， 211()n i i S Y Y n ==-∑ ， 11n i i Y Y n ==∑，i Y 表示第i 个地区的观测值（如专利数），为地区总数（如省域），为二进制的邻近空间权值矩阵，表示其中的任一元素，采用邻近标准或距离标准，其目的是定义空间对象的相互邻近关系。
⏹ 如果Moran’s I 的正态统计量的Z 值均大于正态分布函数在0.05（0.01）水平下的临界值1.65（1.96），表明区域创新在空间分布上具有明显的正向相关关系，
⏹ 正的空间相关代表相邻地区的类似特征值出现集群（Clustering ）趋势。
目前计量研究方法及其局限性
⏹ 目前有关研究的计量方法主要是传统的回归分析方法（如多元统计分析、回归分析、数据包络分析DEA 等方法），其实质上都是线性的变量之间相互关系的一种测量方法，适合于企业或产业部门时间序列层面的经验研究，未考虑区域（或截面单元）之间的空间关联，局限性比较明显。
⏹ 区域之间的经济行为会相互影响，这使其存在显著的外部效应，导致地区之间的经济行为存在溢出效应。 ⏹ 经济产出不仅受到本地投资的强度、而且还会受到周边其他地区的投资活动产生的溢出效应及政策的影响。
⏹ 经济集群行为可以通过检验一个代表地区间考虑交互作用的生产函数，即该地区的经济活动及其自身的
11211
()()'n n ij i j i j n n ij i j W Y Y Y Y Moran s I S W ====--=∑∑∑∑
