空间共位分析

一句话答案：空间共位分析回答"两类（或多类）地理要素之间，是不是真的存在显著的空间关联"。入口在「地理分析工具箱」→「空间共位分析」，导入一份带分类字段的坐标数据，选一个分析模式，几分钟出结果。

"便利店旁边总有奶茶店，药店附近总有诊所"，这类印象很常见。但"感觉总是在一起"不等于"统计上真的在一起"：也许只是商业区本身店多，什么类型都多，并不是这两类之间有特殊的吸引力。空间共位分析用统计检验把这件事说清楚。

这篇是快速上手版。想搞懂每个参数背后的原理、每条结果怎么解读，看 原理与参数详解：LCLQ 的计算公式、P 值的含义、核函数的区别、模式挖掘的算法逻辑都在那篇里。

四种模式，选一个就好

打开空间共位分析后，第二步「参数设置」页面顶部有一个「分析模式」下拉框。四种模式对应四类问题：

不用一次全学会。不知道选哪个就先用「局部 LCLQ 分析」：最经典、结果最直观，大多数人第一次用选它就对了。共位模式挖掘适合 POI 类别有十几二十种的情况，系统会自动逐对计算，省去人工逐对试的工作量。

准备一份带分类字段的坐标数据

• 一份带坐标的数据文件（Excel、CSV、Shapefile 或 GeoJSON）。
• 数据里有一个分类字段，用来区分不同类型的要素（比如"类型"列里写着便利店、奶茶店、药店）。
• 数据量建议 50 条以上，太少的话统计检验不稳定。

三步跑完一次分析

第一步：导入数据

1. 把文件拖进导入区域，或点击导入按钮选择文件。支持 Shapefile、GeoJSON、Excel 和 CSV。
2. Excel 或 CSV 需要指定哪一列是经度、哪一列是纬度，页面上有对应的下拉框。
3. 只想先试试的话，点页面下方蓝色的「加载空间共位分析专用示例」链接，系统会自动填入长沙 30 个商铺的数据（便利店、奶茶店、药店），可以直接往下走。

确认一下：数据预览表格已显示，字段和行数都对得上。

第二步：选模式、设参数

点「下一步」进入参数页。先在顶部选好分析模式，下方的参数卡片会自动切换成对应的选项，不需要的参数会自动隐藏。

然后设置这几个关键参数：

• 分类字段：选数据里区分类型的那一列。选完后，下方的类别下拉框会自动列出这一列的所有值。
• 目标类别：「局部 LCLQ」和「Cross-K」模式下需要指定兴趣类别 A 和邻居类别 B（比如 A=便利店，B=奶茶店）；「全局 CLQ 矩阵」和「共位模式挖掘」自动分析所有类别，不用选。
• 邻域类型：KNN（K 近邻）看每个点最近的 K 个邻居，K 值推荐 5~15，默认 8，大多数情况不用改；距离带看每个点周围固定半径内的所有邻居，适合数据密度不均匀的情况，半径单位是米。
• 核函数：决定近邻权重怎么算。高斯核是离得近权重大、远的小；Bisquare 核超过一定距离直接不算；均匀核所有邻居权重一样。不确定就用默认的高斯核。
• 置换检验次数：做多少次随机打乱来检验显著性。99 次出结果快、499 次比较标准、999 次最精确但最慢。第一次跑建议先用 99，确认没问题再调高。

确认一下：参数卡片上各选项都已填好，没有红色警告。

第三步：执行分析

点「下一步」进入执行页，再点「开始分析」。页面上有进度条和文字提示，显示当前跑到哪一步。数据量几百条以内，通常几秒到几十秒出结果。分析完成后，下方弹出结果卡片，内容取决于你选的模式。

四种模式的结果怎么看

局部 LCLQ 分析

结果卡片显示几个关键数字：

• 全局 CLQ：整体上 A 和 B 是否共位，大于 1 说明全局层面存在正向关联。
• 平均 LCLQ：所有 A 类点的局部共位商均值。
• 显著共位点数：有多少个 A 类点附近 B 类显著偏多（LCLQ > 1 且 P < 0.05）。
• 显著孤立点数：有多少个 A 类点附近 B 类显著偏少。

同时生成一张地图，用四种颜色标注每个点：

• 🔴 红色 = 显著共位（这里确实聚在一起）
• 🟠 橙色 = 共位但不显著（看着像，但统计上不够确定）
• 🔵 蓝色 = 显著孤立（这里明显缺少 B 类）
• ⚪ 灰色 = 孤立但不显著

点结果卡片上的「在浏览器中查看地图」链接打开交互式地图。结果数据可通过「导出结果」按钮发送到标准导出页面，导出为 Excel。

全局 CLQ 矩阵

结果是一张 N×N 的热力图（N = 数据中的类别数）。每个格子的颜色代表从行类别到列类别的全局共位商，颜色越深关联越强，显著的格子（P < 0.05）会特别标出。

看图最快的方法：先找最深色的那几个格子，它们就是关联最强的类别对。数据有五六种 POI 类型时，这比逐对跑 LCLQ 快得多。

对角线是灰色的（自己和自己的关联没有意义）。矩阵不对称是正常的：A→B 的共位商和 B→A 可以不同。

共位模式挖掘

结果列出所有被发现的频繁共位模式：

• 模式：比如 {便利店, 奶茶店} 或 {便利店, 奶茶店, 药店}。
• 阶数：模式包含几种类别（2 阶 = 两种类别的组合，3 阶 = 三种）。
• 参与指数：衡量这个模式有多"普遍"，越接近 1 越强。
• 实例数：在数据中找到了多少组这样的共位实例。

同时生成一张网络图：节点是类别，边是共位关系，边越粗表示参与指数越高，扎堆出现的类别在图上直接可见。

挖掘结果显示 0 个模式时，通常是最小参与率阈值设太高了。把它从 0.5 降到 0.3 或 0.2 再跑一次。

Cross-K 多尺度分析

结果是一张曲线图，横轴是距离（米），纵轴是 L 函数值：

• 实线是观测值（你的真实数据）。
• 虚线是期望值（随机分布下的理论值）。
• 灰色带是置信包络（95% 置信区间）。

怎么看：实线在灰色带上方，说明在这个距离上两类要素的聚集程度超出随机预期，也就是在这个距离尺度上存在显著共位。结果卡片还会直接给出峰值距离，即共位最强的距离。比如显示"峰值距离 800m"，意思是便利店和奶茶店在 800 米范围内的共位关系最强。

参数踩坑对照

• 数据量太少：低于 50 条时置换检验不稳定，P 值参考价值不大。建议 100 条以上再做正式分析。
• K 值太大或太小：K 值大于数据总量的 1/3 就过大了，会把远处不相关的点也拉进来；K 值太小（比如 2、3）则噪声太大。5~15 是比较安全的范围。
• 距离带半径设太小：用距离带邻域时，半径太小会导致很多点找不到邻居，结果全是"无定义"。可以先参考系统推荐的带宽值。
• 参数拿不准：先用内置示例数据跑一遍，看清结果长什么样，再换成自己的数据。

确认结果齐了，再往下走

• 局部 LCLQ：结果卡片显示全局 CLQ 值和显著点数，地图能正常打开。
• 全局 CLQ 矩阵：能看到彩色热力图，对角线是灰色。
• 共位模式挖掘：列表里有模式和参与指数，网络图能打开。
• Cross-K：曲线图显示出来，峰值距离也给了。

到这一步，你已经用统计方法回答了一个空间问题：这两类要素之间有没有关系、关系有多强、在什么尺度上最强。

下一步：

• 发现了显著共位关系，用 缓冲区分析 进一步量化，看每个 A 类点周围一定半径内到底有多少个 B 类点。
• 想按更多维度给这些点分组，去 聚类分析，看共位关系在不同群体里是不是不一样。
• 想深入理解每个指标的含义，看 原理与参数详解：LCLQ 怎么算、P 值说了什么、四种核函数怎么选、Cross-K 曲线怎么读。