贝叶斯建模方法用于检测大城市中移民社区空间分布的局部决定因素：以巴塞罗那为例

《Applied Geography》：Bayesian modeling approach for detecting local determinants of the spatial distribution of immigrant communities in large cities: The case of Barcelona

　　格热吉·布达（Gergely Buda）| 霍维尔·普伊格（Xavier Puig）| 奥斯卡·克拉维里亚（Oscar Claveria）
西班牙加泰罗尼亚理工大学统计与运筹学系

**摘要**
本文提出了一种新颖的方法，用于识别大城市中外来移民空间分布的局部决定因素。该方法基于贝叶斯空间分析，应用于评估各种变量与巴塞罗那县主要移民群体位置之间的关联。所提出的贝叶斯建模策略能够处理空间依赖性和特征选择问题。总体而言，分析表明，距离市中心的位置、租赁住房的比例以及公共交通的便利性等因素在很大程度上解释了位置选择的变化。然而，这些因素对不同移民群体的影响各不相同，突显了居住模式的异质性。这些发现为城市政策制定者提供了宝贵的见解，有助于应对大城市移民带来的挑战，并设计有效的融合策略。

**1. 引言**
21世纪初，欧洲成为国际移民的主要目的地，这与前几十年更多人离开该大陆的情况形成了对比。进入21世纪后，许多出生率下降的欧洲国家出现了移民数量的增加（Coleman & Rowthorn, 2011）。与海湾国家和南亚不同，前往欧洲的移民大多希望永久定居（Valenta, 2017）。这一趋势引起了重大的政治和公众关注，学者们也越来越试图理解其对社会和文化景观的影响（Benassi et al., 2023; Marois et al., 2023; Vi?uela, 2022）。
城市中心尤其受到了移民流动的影响（Van Der Gaag & Van Wissen, 2001），移民改变了城市的人口结构、种族构成和空间布局（Hiebert, 2000）。在过去25年中，这一现象在西班牙尤为明显，尤其是在马德里和巴塞罗那（Martori & Madariaga, 2023; Mazorra, 2024）。研究人员特别关注移民的空间分布，因为它直接影响城市发展（Perez et al., 2019）。这些居住模式最终会影响经济增长和劳动力市场，进而影响工资和就业供应（Chiswick & Miller, 2004; Friedberg & Hunt, 1995）。
一个关键的研究领域是移民群体的居住隔离（Benassi et al., 2023; Logan & Parman, 2025; Martori et al., 2016, 2025）。空间隔离只是隔离现象的一个维度，它涉及不同人口群体在地理空间内的物理分离，通常会导致资源、服务和机会的不平等分配（Liao et al., 2025）。尽管隔离是一个复杂的现象，难以测量，但新信息和新技术的发展使得居住隔离的评估越来越准确。尽管识别驱动城市空间居住趋势的因素对于制定解决社会经济问题的政策至关重要，但相关研究仍然很少（Peeters & Chasco Yrigoyen, 2016），尤其是在南欧城市（Benassi et al., 2020; Martori & Madariaga, 2023）。
本研究旨在通过提出一种新的方法来填补这一空白，以识别影响大城市中移民社区空间分布的潜在因素。为此，我们提出了一种基于贝叶斯空间分析的建模策略，这是一种利用先验知识和数据似然来确定空间依赖结构和隐藏模式的统计工具（Lome-Hurtado et al., 2021; van de Shoot et al., 2021; Yankey et al., 2024）。所采用的方法特别适合空间分析，因为贝叶斯统计方法不仅提供了新的结果可视化方式，还具有其他优势。据我们所知，这是首次应用贝叶斯空间建模来研究大城市中移民位置选择决定因素的研究。

19世纪和20世纪大部分时间里，西班牙是一个移民输出国，但在1986年加入欧盟后发生了显著变化（Martori & Apparicio, 2011）。21世纪初，由于建筑和酒店等行业对劳动力的需求增加，移民数量激增（Canal-Domínguez & Rodríguez-Gutiérrez, 2008）。到2012年，西班牙的外国居民比例超过了法国和德国（Vi?uela, 2019）。然而，2008年至2015年的经济危机导致外国人口减少（Maza et al., 2013），尤其是在2008年建筑业崩溃之后。尽管来自发展中国家的劳动力迁移减少，但由于家庭团聚和生活方式（如气候）等因素，来自发达国家的移民持续增加（Alamá-Sabater et al., 2017）。
西班牙的移民分布不均，巴塞罗那和马德里等城市聚集了最多的移民。巴塞罗那吸引移民的原因包括其宜人的气候、丰富的文化和经济机会。根据西班牙国家统计局（INE）的数据，巴塞罗那的外国出生居民比例从2002年的12.5%上升到2023年的29%。相比之下，马德里的增幅较小，同期从13.6%上升到24.5%。
与马德里不同，巴塞罗那受到地中海和科尔塞罗拉山脉的地理限制，这限制了城市扩张。加上本世纪初以来移民数量的增加，导致城市人口密度上升。自20世纪80年代以来，巴塞罗那的城市更新使得住房变得更加昂贵，许多外国居民被迫迁往较小、更封闭的地区，这一过程通常被称为“绅士化”（Garcia–Lopez et al., 2020）。正如Hochstenbach和Musterd（2017）所指出的，这种动态在大都市地区更为明显，尤其是在人口变化和房地产投机加剧了贫困和阶级隔离的过程中。
最近的研究强调了这种种族居住隔离的郊区化趋势，尤其是在南欧（Salvati et al., 2016）。然而，一些研究认为绅士化与社会和种族隔离之间的联系并不总是如此明显，特别是在北美背景下（Freeman, 2009）。在巴塞罗那，Martori和Apparicio（2011）以及Martori和Madariaga（2023）的研究表明，大都市区内的隔离对某些移民群体影响更大。因此，住房问题在巴塞罗那变得日益突出，加剧了移民的社会排斥（Parella et al., 2023）。Mazorra（2024）的研究强调了巴塞罗那房价的急剧上涨，尤其是租赁住房领域，并强调需要根据研究所在的大都市背景进行空间隔离分析。
鉴于上述挑战，政策制定者必须了解影响移民人口空间分布的因素，以确保他们能够获得医疗和教育等公共服务。本研究的主要目标有两个方面：一方面，确定影响移民人口空间分布的关键因素；另一方面，评估不同移民群体之间存在显著的空间或社会人口统计差异。

为此，本研究从五个方面对现有文献进行了补充。首先，利用最新的普查数据捕捉最新的隔离动态，并考虑COVID-19等重大事件的影响。这使我们观察到来自法国和意大利等邻国的新型移民的出现，其居住模式与其他拉丁美洲和亚洲社区的移民不同。这种新型移民的巩固得益于新的就业形式和灵活的工作方式，尤其是目标导向和远程工作。其次，将分析范围扩展到城市之外，同时聚焦于普查区域，以提供详细的统计数据。与提供行政人口统计的市政登记册相比，普查区域提供了标准化、可比较且非常详细的小区域人口数据，非常适合分析社会趋势。普查区域由统计机构定义，以确保数据收集的一致性，并允许跨时间和地区进行可靠比较。市政登记册的定义在不同市政之间可能存在显著差异，阻碍了大规模分析，且通常缺乏普查数据中的丰富社会经济细节（如详细的种族信息和具体住房特征）。此外，通过考虑包括主要邻近市镇在内的县级动态，分析克服了仅关注巴塞罗那市的局限性。第三，纳入尽可能多的潜在居住隔离驱动因素，并采用多种方法进行测量。在这方面，研究试图包括尽可能多的决定因素，从社会人口统计因素（如年龄和平均收入）到与住房状况相关的因素（如规模和建造年份），以及专门为本研究计算的可及性指标。为了验证结果的稳健性，我们使用了不同的方法来估计可及性指标：一方面，我们按照Garcia–Lopez等人（2020）的方法计算了到交通、学校和宗教场所的距离；另一方面，采用了Luo和Qi（2009）提出的增强型两步浮动集水区（E2SFCA）方法来计算超越距离的可及性指标。第四，根据移民的来源国独立分析不同的移民群体，而不是将移民社区视为一个同质群体。为了展示不同社区的居住模式，我们计算了2022年巴塞罗那20个最大移民群体的Massey和Denton指数。然后，针对五个具有不同来源国、宗教信仰、文化背景和隔离程度的关键移民群体，确定了影响其居住模式的驱动因素。最后，本研究提出了一种新的贝叶斯建模方法，用于识别主要的居住模式驱动因素，该方法能够考虑多个相互作用因素之间的空间依赖性。贝叶斯估计相比其他传统估计方法具有多个优势：（i）可以结合先验知识；（ii）提供概率陈述（可信区间）而不仅仅是p值；（iii）更适合处理小型数据集；（iv）支持迭代学习；（v）更灵活地处理复杂依赖关系；（vi）即使在数据稀缺的情况下也能提供更易解释和稳健的结果。

**2. 文献综述**
**2.1 理论背景**
隔离是一个复杂的现象，其影响涉及多个领域。其中，空间隔离是研究较多的一个维度。关于居住隔离的概念有许多定义（Royuela & Vargas, 2010）。从Park（1925）的定义（将居住隔离视为社会距离和物理距离的结合）到Sassen（1996）的定义（将其视为社会分裂的空间表现），最近Liao等人（2025）指出，居住隔离意味着不同人口群体在地理空间内的物理分离，可能导致资源、服务和机会的不平等分配。鉴于其重要性，隔离现象受到了地理学、社会学和经济学等不同学科的研究。在最近的一项文献综述中，Yue等人（2024年）追溯了居住隔离理论的演变，并强调了各种理论方法和贡献的多样性。尽管来自不同领域的概念和方法论贡献众多，但居住隔离现象通常被归类为三个基本理论框架：空间同化、种族飞地以及空间分层。这些模型结合了隔离理论和居住流动性理论的概念。不同的理论并不提供对立的观点；相反，每个模型都强调了一个特定的方面，从而为移民在城市中的空间分布等变化现象提供了多样的解释。

空间同化理论是由芝加哥学派的社会学家根据Park（1925年）和Burgess（1925年）的工作发展起来的，后来Duncan和Duncan（1955年）以及Gordon（1964年）也做出了贡献。正如Benassi等人（2020年）所指出的，该模型关注微观层面，将少数族裔成员的居住迁移视为其偏好和资源的结果。空间同化可以被视为更广泛的社会和经济同化的表现。因此，个人社会和经济生活的变化预计会反映在其居住地点上。该模型的主要原则是，移民最初会定居在种族飞地中，即同一种族背景的人聚集的社区。通过将地理流动性与社会和经济流动性联系起来，该模型预测随着时间的推移和资源的改善，移民将逐渐迁移到主导人口居住的地方。然而，为了实现向上流动，居住时间必须足够长，即需要经过一段时间。正如Vogiazides（2018年）所指出的，尽管时间维度在理论中是隐含的，但在许多关于空间同化的研究中，时间因素被忽略了，大多数研究都是横断面的。

种族飞地模型是由Portes和Zhou（1993年）提出的。这种方法也关注微观层面，围绕少数族裔家庭的个人偏好展开。然而，与空间同化不同，类似于种族复兴模型，这种方法挑战了少数族裔的居住偏好必须随时间与本土多数族裔一致的假设。Freeman（2009年）指出，一些中产阶级的非裔美国人拒绝空间同化的想法，选择居住在以非裔美国人为主的社区。Krysan和Farley（2002年）发现，对空间聚集的偏好也可能源于对种族社区外骚扰的恐惧。因此，种族偏好理论认为，空间同化不一定是一个目标，因此移民实际上可能更愿意与其他移民居住在一起，即使他们有能力搬到地位更高的地区（Bolt等人，2008年；Clark，1991年；Portes & Bach，1985年；Schelling，1971年）。同族集中的好处包括保持文化实践的可能性、发展相互支持的社会网络，以及获得族裔机构和商店的机会。

对空间同化理论的另一个常见批评是，它未能解释非裔美国人在美国的长期隔离现象。这有助于解释Alba和Logan（1991年）提出的地方分层理论的出现。与空间同化理论相反，地方分层模型关注宏观层面，强调少数族裔在住房市场上面临的限制。然而，与同化理论一致，它隐含地假设移民希望远离贫困和移民集中的社区。该模型认为，多数族裔的文化偏见和住房市场中的歧视行为可能会阻碍某些少数族裔的空间同化过程。多项研究表明，当非裔美国人的社会经济地位改善时，他们不太可能离开高贫困社区（例如，Freeman，2009年；Pais等人，2012年）。对于欧洲，一些作者发现最受污名化的群体在住房市场上可能面临歧视（Bolt & van Kempen，2010a，2010b；Martori等人，2025年），但他们表明，这种歧视的程度和速度因族裔群体而异。

近年来移民流动的巨大变化，以及不同国家城市之间的显著差异，促使人们重新思考强调种族和/或族裔差异的传统隔离理论框架。Brown和Chung（2015年）提出的市场主导多元主义模型就是试图更好地解释居住隔离变化形态的一个例子。这种方法在某种程度上可以看作是地方分层模型的反面，因为它强调了市场参与者——从房地产开发商和贷款机构到消费者和中介——在促进所有居民获得住房方面的作用。这些参与者受到反对过去歧视行为的观念的驱动，并得到了新信息技术的帮助。同样，基于Nagel（1994年）和Alba等人（1999年）贡献的种族复兴模型也与种族飞地模型有相似之处，因为它质疑了经典空间同化理论的假设，即少数族裔的社区偏好会随着他们在东道国停留时间的延长而与本土多数族裔的偏好一致。复兴过程往往是全球化的一个结果，可能涉及希望在族裔群体内部保持社会和经济资源。在居住层面，这表现为族裔郊区的增长，即人们选择居住的富裕郊区社区。这将有助于他们获得社区网络提供的文化和经济资源。与种族飞地模型的主要区别在于隔离的主要驱动因素。虽然种族飞地模型强调导致社会经济流动性受限的经济限制，但种族复兴模型认为隔离是社会经济成功的移民的选择，他们希望与同族人一起居住以保持他们的文化并享受族裔特有的福利。

大量研究发现，在北美（Massey & Denton，1988年；Pais等人，2012年）和欧洲（Feng等人，2014年；Macpherson & Str?mgren，2013年）都存在空间同化的证据。这些研究使用语言能力、居住时间、代际（第一代或第二代）和公民身份等变量作为文化同化的衡量标准。然而，该模型在不同族裔群体中的适用程度差异很大，特别是在考虑时间维度时。在这方面，一些研究表明，居住时间对某些群体的空间同化有显著影响，但对其他群体则没有（Ellis等人，2006年；Logan等人，2002年），或者新来的移民比长期居住的移民或第二代移民更有可能搬出移民密集的社区（Andersson & Turner，2014年；Lersch，2013年）。

如前所述，这些方法并不是相互排斥的，因此仍然有助于解释不同背景和历史时期的居住隔离过程。此外，鉴于大城市中当前的族裔多样性以及不断变化的城市地理，特定城市内不同族裔群体的结果可能会有很大差异。正如Skovgaard Nielsen（2016年）所指出的，文献中包含了大量的结果，一些研究支持每种理论，也有研究表明多种理论共存，具体取决于族裔群体。因此，尽管这些框架提供了不同的观点和解释，但可以将其理解为具有重叠特征的互补模型。在某种程度上，每个后续模型都试图放宽先前方法的一些假设，以应对不断变化的现实。事实上，理论框架的演变与塑造新的移民形式和日益多样化的城市的变化相平行。

2.2 居住隔离的原因和后果

多种因素可能导致移民社区的空间隔离。一些研究人员认为，外部因素，如歧视性政策或当地人口的负面态度，会促成隔离。其他人则强调内部因素，如移民与其自身族裔社区的社会和情感联系，这可能促使他们定居在集中区域（Aalbers & Deurloo，2003年）。Martori和Madariaga（2023年）强调了推动当前居住隔离水平的两个主要机制：流入和流动性。在这方面，Massey（1985年）指出，移民和本土人口之间的文化差异越大，隔离程度可能越高。例如，Hasman和K?í?ková（2023年）最近发现越南移民倾向于在布拉格市郊形成聚居区。同样，Martori和Apparicio（2011年）观察到，在巴塞罗那，非洲人和亚洲人的隔离程度高于拉丁美洲人。根据Logan和Parman（2025年）的观点，居住隔离是群体偏好和差异复杂混合的结果。包括对邻居、学校、住房政策、基础设施、借贷实践、通勤时间和便利设施的偏好；以及群体在收入、财富、政治效能和集体及个人歧视行为方面的差异。根据Cutler等人（1999年）基于分层理论的分类框架，作者将关于居住隔离原因的实证文献分为三类：“入口港口”、“集体行动”和“分散的种族主义”。在某种程度上，每种理论都解释了美国隔离过程的不同阶段，从到达港口城市到富裕移民在新社区定居的过程。虽然入口港口的故事有助于解释隔离最初是如何产生的，但某些群体的集体行动可以被视为通过制度障碍建立隔离城市边界的方式，阻止少数族裔进入多数族裔社区。最后，分散的种族主义强调属于主导多数族裔的个体倾向于与同族人一起居住在隔离社区。关于美国大都市区居住隔离的原因和后果的深入回顾，请参见Boustan（2011年）。

尽管关于隔离的研究很多（Royuela & Vargas，2010年），但在一个地区得出的结论不一定适用于其他地区。用于分析美国隔离的模型在应用于欧洲城市时往往不够适用，因为欧洲不同地区的隔离模式各不相同。例如，在北欧国家，移民通常集中在市中心，而大多数人口居住在郊区（Malheiros，2002年）。然而，在南欧，移民人口则更倾向于集中在郊区（Arbaci，2008年）。鉴于定居模式由多种因素决定，接下来我们将回顾一些关注其中三个因素的研究——住房的可及性和可用性、建成环境以及人口统计因素。

住房的可及性是决定移民空间分布的关键因素之一。西班牙的住房市场以偏好拥有住房而非租赁为主（Martori等人，2016年）。然而，欧洲各地不断上涨的住房成本正在缓解这种差异行为，导致许多新来者，特别是移民，越来越依赖私人租赁市场。在南欧城市，移民的住房决策往往受到可负担租赁选项的可用性的影响（Garcia–Lopez等人，2020年）。这种情况因公共管理部门忽视住房发展而加剧（Pareja-Eastaway，2009年）。Martori和Apparicio（2011年）以及Garcia-Lopez等人（2020年）的研究表明，经济条件有限的移民倾向于集中在市中心的旧住房区和郊区的工人阶级社区。除了租金价格外，住房的可用性也是一个决定因素，它指的是移民是否能够获得满足特定需求的住房选项（例如建筑物的年龄）（Bolt等人，2008年）。

建成环境也被证明会影响移民在大城市的分布，影响他们的居住决策。在这方面，Spielman和Harrison（2014）发现，即使在控制了社会因素后，城市社区的物理布局仍然会影响空间隔离。例如，他们指出，公共交通的便利性提高了低收入群体选择不同住房类型的几率。Garcia-Lopez等人（2020）也证明，公共交通的质量对移民在巴塞罗那市的居住选择有积极影响，因为这对他们的日常通勤非常重要。同样，Glaeser等人（2008）指出，对于没有私家车的移民来说，公共交通尤为重要。

住房选择中的另一个关键考虑因素是距离市中心的远近。Peeters和Chasco Yrigoyen（2016）对马德里移民模式的研究表明，移民倾向于定居在远离大都市中心的地区。然而，这一现象在所有移民群体中并不均匀。Boschman和van Ham（2015）认为，距离对居住模式的影响受到个人种族背景的影响。

除了距离和公共交通外，当地设施和公共服务的可及性也是影响居住决策的重要因素。某些种族群体可能因为工作机会而被工业区或商业区所吸引。然而，远程工作的兴起以及公共交通的便利性意味着一些移民工人不再需要住在工作地点附近。Jayet等人（2016）进一步指出，移民更可能为了工作而通勤，而不是为了使用公共设施。重要的公共设施包括学校和宗教场所。因此，有学龄儿童的移民家庭可能会优先选择附近有学校的地区（Perez等人，2019）。还有证据表明，宗教在某些移民社区的幸福感中起着重要作用（Formoso-Suárez等人，2022）。例如，在巴塞罗那，来自伊斯兰国家的移民往往定居在市中心附近，那里有大量的清真寺，使他们更容易实践自己的信仰（Hasman & K?í?ková，2023）。

最后，现有研究表明，移民在东道国的居住选择也受到其来源地和社会经济地位等人口统计因素的影响，尽管这些因素的影响程度各不相同。Garcia-Lopez等人（2020）在对巴塞罗那移民的研究中强调，收入和其他人口统计因素在隔离模式中的作用比种族因素更为显著。然而，他们也指出，收入往往与种族背景有关，因为某些国家的人可能受教育程度较低。

鉴于居住隔离的多方面性质，其后果涉及广泛的领域，因此存在不同的分类方式。然而，文献中普遍认为，居住隔离的主要后果之一是某些群体被排除在公共资源的获取之外。在这方面，Logan和Parman（2025）将隔离的后果分为三类：经济后果、与公共和私人资源（特别是教育和健康）提供相关的后果，以及与犯罪增加相关的后果。由于最后一个问题在其他亚洲和欧洲城市的重要性不同，一些作者使用了不同的分类方法。例如，在最近的一篇文献综述中，Yue等人（2024）将居住隔离的后果分为两个主要维度：资源不平等和社会影响。经济合作与发展组织（OECD，2018）在一份关于该主题的综合性报告中指出，空间不平等对社会凝聚力、经济机会和公共服务获取有长期影响。

总之，无论如何分类，关于居住隔离的文献都表明，这是一种具有经济后果的现象，尤其是在就业、不平等以及公共和私人资源（特别是教育和健康）的获取方面，还有政治和环境方面的后果。关于经济后果，它们与传统居住隔离衡量标准的负相关关系已被广泛记录（Benassi等人，2020；Logan & Parman，2025；Martori等人，2025）。随着新数据的逐渐获取和新技术的出现，可以实证验证居住隔离对其他领域（如健康（Ding等人，2024；Luo & Qi，2009；Wang，2014）和环境（Kephart，2022；Liao等人，2025）的影响。

2.3 居住隔离的测量

居住隔离分析中的一个关键问题是其测量方法。在某种程度上，定义居住隔离概念的复杂性反映在测量它的难度上。隔离不仅取决于少数群体的相对权重，还取决于其空间分布以及对该空间的理解。此外，新技术的出现不仅允许更精确和频繁地测量与隔离相关的方面，还意味着隔离的测量及其后续分析处于不断发展的过程中。有关这一领域的贡献综述，请参见Yao等人（2019）的研究。

测量方法多种多样：从概率方法（Bell，1954）和基于距离的方法（Duncan & Duncan，1955）到基于地理位置的现代方法（Liao等人，2025）。这些方法也从基于单一少数群体发展为更近期的多群体方法（Benassi等人，2022；Martori等人，2025）。此外，所使用的指标也可以分为空间指标（Wong，1993）和非空间指标（Massey & Denton，1988）。

Massey和Denton（1988）的开创性工作确定了衡量居住隔离的五个维度：均匀性或均衡性、暴露度、集中度、聚集性和中心化。均匀性评估了少数群体在某一地区的代表性程度，而聚集性则识别出少数群体比例较高的连续区域。这两个维度作为检测潜在冲突区域的先进指标，赋予了它们更大的相对重要性（Reardon & O’Sullivan，2004）。

在测量居住隔离程度时，另一个问题是空间分析单位的选择。由于全局指数无法捕捉到分析地理尺度上的变化，一些作者采用了多层次分析方法，结合不同的空间尺度来捕捉可以分配给每个空间层次的隔离比例（Harris & Johnston，2018）。然而，需要注意的是，这种方法需要预定义的空间层次的信息，这不可避免地具有一定程度的任意性。为了规避这个问题，Martori等人（2025）和Benassi等人（2023）使用了多元技术来检测少数群体聚类。

研究人员探讨了移民在不同地理细分层次上的居住选择。Vi?uela等人（2019）研究了804个包含多个市镇的空间单元，发现就业率、靠近大都市区的程度以及现有移民人口的存在等因素影响了外国出生居民的增长，但这些效应因地区而异。P?idalová和Hasman（2018）分析了捷克共和国的3730个居住单元，发现了高移民集中度的飞地，发现住房年龄和租赁住房比例等因素在不同移民群体之间存在差异。他们还强调了社区的社会经济结构与移民社会经济结构之间的紧密联系。

在西班牙，Peeters和Chasco Yrigoyen（2016）研究了马德里大都会区的移民居住选择，发现移民倾向于搬到公共交通便利的密集居住区。Garcia-Lopez等人（2020）利用区和社区级别的数据，确定了靠近中央商务区和公共交通的便利性是巴塞罗那移民密度的关键因素。同样在巴塞罗那，Martori等人（2016）利用普查区级别的数据发现，移民的增长与较低社区收入、较高人口密度、移民多样性增加以及距离市中心较远等因素有关。

3. 数据

巴塞罗那县位于西班牙加泰罗尼亚中部海岸，包括五个市镇。巴塞罗那市人口超过165万，是最大的市镇，其次是L'Hospitalet de Llobregat、Badalona、Santa Coloma de Gramenet和Sant Adrià de Besòs。这些市镇合计拥有超过230万居民。由于这些市镇之间强烈的空间和社会联系，分析集中在县一级（Faggian & Royuela，2010）。如果只研究巴塞罗那市，就会忽略邻近地区也容纳了大量移民人口的事实，这些移民受益于靠近巴塞罗那的便利设施和经济机会。将分析范围扩大到县一级则会引入移民人口较少且数据不完整的地区。图1显示了巴塞罗那县的各个市镇以及巴塞罗那市内的各个区。

本研究使用普查区作为主要分析单位。普查区是设计用于统计分析的小型街道边界区域，人口规模在500到2000人之间。2021年，巴塞罗那县共有1520个普查区。人口数据来自INE每年发布的《连续登记统计》（‘Estadística del Padrón Continuo’）。该登记册非常可靠，因为它记录了获取公共医疗和其他服务所需的官方居住信息。

我们使用了基于出生国的连续登记数据，而不是国籍数据，因为基于国籍的测量方法可能会因某些情况下的快速入籍过程而扭曲移民人口情况。例如，拉丁美洲人只需两年合法居住即可获得西班牙国籍，这可能会扭曲基于国籍的数据。图2比较了2012年和2022年巴塞罗那县各普查区中外国出生居民的比例。可以看出，大多数地区的移民人口有所增加，特别是在Ciutat Vella和Nou Barris区的部分地区，以及L'Hospitalet de Llobregat和Badalona市镇。

图3显示了过去十年中不同来源国移民人口的趋势。20世纪90年代，拉丁美洲移民的流入主要是由于建筑和服务行业的工作机会（Martori & Apparicio，2011）。2008年的经济衰退导致某些群体（包括厄瓜多尔人、玻利维亚人和阿根廷人）的人口停滞。然而，经济复苏带来了新的移民潮，特别是来自阿根廷和委内瑞拉等经济不稳定国家的移民。其他趋势包括玻利维亚人和厄瓜多尔人居民数量稳定，而罗马尼亚移民的数量减少，反映了罗马尼亚经济状况的改善。近年来，西欧移民变得越来越普遍，他们被巴塞罗那温暖的气候和作为科技和创新中心的声誉所吸引（Forrester，2025）。疫情影响了移民流动，尤其是来自中国的移民，截至2022年，其数量尚未恢复到疫情前的水平。

为了更详细地了解巴塞罗那县的移民空间分布，下面使用收集的信息来量化20个移民群体的居住隔离程度，根据他们的来源国进行划分。为此，采用了Massey和Denton（1988）提出的方法论。在他们的开创性论文中，作者确定了五个隔离维度：均衡性、暴露度、集中度、中心化和聚集性。对于每个维度，都使用了一个代表性指数来量化移民群体之间的空间隔离情况。1. 均匀性（或均匀度）用于评估少数群体是否在某个区域内均匀分布，它是通过差异指数（D）来衡量的，该指数的取值范围从0（完全融合）到1（完全隔离）。2. 接触程度反映了城市内少数群体和多数群体之间的互动程度，它是通过互动指数（xPy?）来量化的，该指数显示了少数群体和多数群体之间的接触程度，取值范围从0（无接触）到1（完全接触）。3. 集中程度代表了少数群体所占用的物理空间，它是通过Delta指数（DEL）来衡量的，该指数反映了人口普查区域的密集程度。其取值范围从0到1，接近1的值表示更高的集中程度。4. 集中化程度与少数群体距离市中心的距离有关，它是通过绝对集中化指数（ACE）来衡量的，该指数量化了一个群体是否倾向于居住在更靠近市中心的区域，正数表示集中化，负数则表示相反的情况，取值范围从-1到1。5. 聚类程度评估了少数群体是否集中在连续的区域，它是通过绝对聚类指数（ACL）来衡量的，该指数衡量了聚集的程度，接近1的值表示更高的聚类程度，取值范围从0到1。

我们根据移民的原籍国，计算了巴塞罗那20个最大移民群体的每个指数。表1展示了基于2022年数据得出的五个选定指标的结果。为了直观地展示这些结果，图4绘制了代表每个大陆的六个移民群体的空间分布图。

表1. 巴塞罗那20个最大移民群体的空间隔离指数（2022年）。

| 原籍国 | DxPy? | DEL | ACE | ACL |
|-------|-------|-----|-----|
| 欧洲 | 0.366 | 0.679 | 0.600 | 0.151 |
| 德国 | 0.363 | 0.678 | 0.597 | 0.133 |
| 意大利 | 0.393 | 0.658 | 0.636 | 0.167 |
| 罗马尼亚 | 0.326 | 0.661 | 0.613 | 0.031 |
| 俄罗斯 | 0.313 | 0.688 | 0.561 | 0.029 |
| 英国 | 0.447 | 0.651 | 0.647 | 0.173 |
| 南美洲和中美洲 | 0.320 | 0.677 | 0.608 | 0.120 |
| 玻利维亚 | 0.375 | 0.650 | 0.663 | 0.122 |
| 巴西 | 0.292 | 0.683 | 0.594 | 0.070 |
| 智利 | 0.323 | 0.677 | 0.625 | 0.109 |
| 哥伦比亚 | 0.226 | 0.673 | 0.602 | 0.067 |
| 古巴 | 0.300 | 0.696 | 0.614 | 0.042 |
| 多米尼加共和国 | 0.423 | 0.634 | 0.692 | 0.118 |
| 厄瓜多尔 | 0.354 | 0.663 | 0.651 | 0.031 |
| 巴拉圭 | 0.381 | 0.681 | 0.664 | 0.047 |
| 秘鲁 | 0.277 | 0.678 | 0.626 | 0.080 |
| 委内瑞拉 | 0.255 | 0.692 | 0.600 | 0.071 |

注：D：差异指数，取值范围[0,1]，接近1表示分布更不均匀；xPy?：互动指数，取值范围[0,1]，接近1表示与多数群体的互动更多；DEL：Delta指数，取值范围[0,1]，接近1表示集中程度更高；ACE：绝对集中化指数，取值范围[-1,1]，接近1表示更靠近市中心；ACL：绝对聚类指数，取值范围[0,1]，接近1表示聚类程度更高。

我们为巴塞罗那的20个最大移民群体中的每一个，根据其原籍国计算了每个指数。图4绘制了代表每个大陆的六个移民群体的空间分布图。

图4. 巴塞罗那2022年移民群体的人口密度。

来源：作者整理。图右侧的刻度表示每个移民群体在巴塞罗那县的人口密度。

研究结果表明，巴塞罗那移民的空间隔离情况反映了更广泛的欧洲趋势，尽管存在明显的局部差异。与先前的研究一致，特别是来自意大利和英国的欧洲移民倾向于定居在市中心附近，这是一个正在 gentrifying（城市更新）的区域（Martori等人，2016年）。这种模式与非欧洲移民形成对比，后者往往更加隔离，居住在远离市中心、需求较高的社区。正如Hasman和K?í?ková（2023年）所观察到的，包括来自中国和巴基斯坦的亚洲移民表现出较高的隔离程度，这与我们的研究结果一致，即这些群体生活在集中且聚集的社区中。一个显著的发现是拉丁美洲移民之间的隔离模式存在异质性。尽管文化和语言上的接近性可能表明更融合的居住模式，但数据显示，一些拉丁美洲群体，特别是多米尼加人，表现出比其他群体更高的隔离程度，尤其是与阿根廷人和智利人相比。这表明除了文化亲和力之外，社会经济地位和获得经济适用住房的机会等因素可能在塑造居住模式中起着关键作用。

为了补充这些数据描述，我们还进行了局部空间自相关（LISA）分析。LISA通常用于识别局部空间自相关模式（Anselin，1995年）。先前的研究已经应用LISA来检测巴塞罗那的移民人口聚类（Martori等人，2005年，2025年）。在这项研究中，使用Rook连续性方法计算了空间权重矩阵，该方法将邻居定义为共享边的多边形。我们计算了来自六个不同原籍国（意大利、摩洛哥、中国、巴基斯坦、多米尼加共和国和厄瓜多尔）的移民群体的局部Moran's Ii统计量，并在LISA聚类图中可视化了结果（见图5）。

图5. 2022年巴塞罗那移民群体的人口密度（通过LISA方法）。

来源：作者整理。统计上显著的普查区域以不同于灰色的颜色显示。高-高（HH）区域对应于被类似高值包围的高移民浓度区域，表明局部“热点”，而低-低（LL）区域反映了相邻区域之间的低浓度。高-低（HL）和低-高（LH）区域表示空间异常值，即局部浓度与周围社区不同。在这些图中，统计上显著的普查区域以不同于灰色的颜色显示。高-高（HH）区域对应于被类似高值包围的高移民浓度区域，表明局部“热点”，而低-低（LL）区域反映了相邻区域之间的低浓度。高-低（HL）和低-高（LH）区域表示空间异常值，即局部浓度与周围社区不同。HH聚类揭示了特定群体的显著模式。

总体而言，分析显示意大利人主要集中在市中心区域，而厄瓜多尔人和多米尼加人则倾向于聚集在L'Hospitalet和北部社区。摩洛哥人主要分布在El Raval和Santa Coloma周围，中国人群体也集中在Arc de Triomf和Marina地区，靠近市中心。

这项初步的探索性分析强调了识别大城市中移民空间隔离的不同驱动因素的重要性，而不仅仅是人口统计因素。为此，我们提出了一个基于贝叶斯空间模型的检测分析，重点关注2021年的五个主要移民群体。独立变量的数据包括社区人口统计、建成环境和住房市场条件，这些数据来自各种公共数据库（见表2）。表3提供了这些变量以及1520个普查区域的描述性统计概览。

表2. 独立变量的数据来源。

变量 | 数据来源 |
|------------|-------------------------------------------|
| 人口统计数据（例如，平均年龄和按家庭规模划分的人口）和住房信息（例如，租赁住房的比例、建造年份、面积等） | Idescat和INE |
| 每个普查区域的每平方米租金中位数 | |
| 住房和城市议程部 | |
| 普查区域内的平均收入 | |
| 家庭收入分布图（INE） | |
| 私立和公立教育机构的位置 | |
| 公交站、地铁站和火车站的位置 | |
| TMB、Renfe、FGCL | |
| 宗教场所的位置 | |
| 用于工业或办公用途的房地产数量 | |
| 城市房地产统计——地籍统计，2021年 | |
| 每个普查区域的总人口数 | |
| 连续登记统计（INE） | |

表3. 普查区域变量的描述性统计。

变量 | 平均值 | 标准差 | 变异系数 | 每个普查区域中意大利人口的比例 |
|------------|------------|------------|-------------|-------------------|
| 意大利人口比例 | 0.9 | 1.0 | 7.6 | |
| 摩洛哥人口比例 | 1.5 | 1.7 | 14.1 | |
| 中国人口比例 | 0.3 | 1.3 | 12.9 | |
| 厄瓜多尔人口比例 | 0.3 | 1.7 | 12.7 | |
| 秘鲁人口比例 | 0.2 | 1.9 | 9.6 | |
| 人均净收入（欧元） | 159 | 39.8 | 48.1 | |
| 人口平均年龄（岁） | 44 | 3.0 | 6.7 | |
| 有5个或更多成员的家庭比例 | 7.0 | 3.4 | 8.9 | |
| 租赁住房比例 | 24.2 | 7.5 | 31.0 | |
| 1940年之前建造的住房比例 | 16.1 | 22.9 | 14.2 | |
| 2000年后建造的住房比例 | 6.7 | 12.4 | 18.4 | |
| 一层建筑比例 | 2.9 | 6.5 | 25.7 | |
| 7层或以上建筑比例 | 37.5 | 33.4 | 89.0 | |
| 面积60平方米及以下的住房比例 | 52.1 | 24.6 | 47.2 | |
| 面积超过120平方米的住房比例 | 4.4 | 10.4 | 23.6 | |
| 每平方米租金中位数（欧元） | 11.5 | 1.8 | 16.0 | |
| 到最近学校的距离（米） | 142 | 9.5 | 66.7 | |
| 到最近地铁站的距离（米） | 399 | 132 | 22.4 | |
| 到最近公交站的距离（米） | 96 | 53.0 | 4.7 | |
| 到最近火车站的距离（米） | 104 | 25.6 | 95.5 | |
| 到最近基督教场所的距离（米） | 273 | 230 | 28.4 | |
| 到最近穆斯林场所的距离（米） | 78 | 254 | 97.2 | |
| 到市中心的驾驶距离（米） | 660 | 183 | 316 | |
| 每平方公里工业房地产数量 | 227 | 345 | 152 | |
| 每平方公里办公房地产数量 | 110 | 310 | 79.9 | |
| 面积（平方公里） | 0.1 | 0.5 | 10.0 | |

注：变异系数是相对分散的标准化度量，表示为标准差与平均值的百分比。

鉴于普查区域的大小和形状的差异，我们使用了两种不同的方法来计算公共设施的可访问性。首先，我们（i）在每个区域内选择了10个随机点，（ii）确定了这些点到最近设施的平均距离。根据Garcia–Lopez等人（2020年）的方法，Pla?a Catalunya被指定为巴塞罗那的中央商务区。为了表示中心性，我们计算了每个区域内10个随机选择点的平均驾驶距离。值得注意的是，普查区域在面积和人口上存在差异，这突显了在预测移民数量时需要包括这些因素的必要性。最终的普查区域级数据表可在https://osf.io/vmrf7/获取。

此外，为了比较结果的敏感性，并考虑超出公共服务距离的可访问性指标，同时考虑到可能使用这些服务的 population，我们计算了减少距离作为访问标准的相对权重的替代指标。这些指标是通过Luo和Qi（2009年）提出的E2SFCA方法计算的，可以视为重力模型的一个特例。为此，我们首先计算了每个普查区域中心点与每个服务点（例如，地铁站、学校）之间的线性（欧几里得）距离。通过计算点-中心点距离矩阵来实现这一点，其中每一行对应一个服务点，每一列对应一个普查区域中心点。使用这个距离矩阵，我们构建了一个E2SFCA模型，其中供应量对每个服务点设置为1，需求量对应于每个普查区域的总人口。距离衰减通过高斯核实现，对于公共交通，σ等于3000；对于学校和宗教场所，σ等于2000。得到的可访问性值，表示为A_i，量化了每个普查区域对每种服务类型的 population 加权可访问性，并被用作分析中的独立变量。图6显示了使用E2SFCA方法生成的可访问性措施的空间分布。

图6. 使用增强型两步浮动集水区（E2SFCA）方法的巴塞罗那可访问性措施的空间分布。

来源：作者整理。注意：巴塞罗那县的可访问性措施是使用增强型两步浮动集水区（E2SFCA）方法计算的。

4. 方法

为了识别驱动居住模式的局部因素，我们提出了一种基于贝叶斯空间模型的新方法。该方法使用横截面数据，并分别对每个原籍国的移民群体进行建模。虽然可以分层开发一个整合所有国家的单一模型，但这种复杂性可能会由于参数过多而产生收敛问题。因此，重点在于建立概念验证并检查按原籍国划分的效果大小。

对于每个群体，响应变量yi定义为居住在普查区域i中的该群体个体数量。由于其离散性质，这个变量用泊松分布来建模，其中分布参数λ既是均值也是方差。表3中列出的独立变量是连续的，并且特定于每个普查区域i。

空间数据引入了复杂性，因为相邻单元往往表现出相关的响应。普查区域边界通常由行政标准设定，可能与实际的人口划分不一致——例如，街道对面的邻居可能属于不同的区域。为了解决这个问题，我们采用了Besag等人（1991年）引入的Besag-York-Mollie（BYM）模型。这是一个对数正态泊松模型，具有内在条件自回归（ICAR）组件作为空间结构效应，以及用于非结构化异质性的普通随机效应组件。这种设置通过在不同单元之间共享信息来平滑残差，从而捕捉到协变量可能遗漏的空间模式。ICAR组件可以建模为：

(1) ?i～N(∑k?v(i)?kmi,σ?2mi)

其中v(i)表示与第i个普查区域相邻的区域集合，mi表示v(i)中的区域数量。非结构化组件θi遵循均值为0、方差为σθ2的正态分布。

模型1作为基线，包括截距、结构化和非结构化效应，并使用普查区域i的总人口作为偏移量。如前所述，yi表示普查区域i中特定移民群体的居民数量。该模型由以下公式表示：(2) yi|vi～Poisson(evi)，其中 vi=β0+?i+θi+log(XTotalPopulationi)。β0的先验设定为弱信息性的N(0,5)分布，其方差足够大，以解释在人口普查区域内观察到的典型人口值。精度参数的先验设定如下，以便根据Bernardinelli等人（1995年）的研究结果，同等强调结构化和非结构化方差，即σθ2 ～InvGamma (3.2, 1.8) 和 σ?2 ～InvGamma (1.0, 1.0)。模型2引入了额外的独立变量，旨在识别与移民数量显著相关的协变量子集。该模型作为特征选择的逐步过程，允许为每个移民群体选择不同的协变量集，同时去除冗余特征并降低过拟合的风险。Carvalho等人（2009年）引入了马蹄形先验作为对冗余特征的惩罚方法。马蹄形先验的全局-局部方法能够在对噪声进行显著收缩的同时保留强信号，这一特点使其在减少无关噪声方面优于LASSO先验。我们将在模型2的构建中使用这种特征选择方法：(3) yi|vi～Poisson(evi)，其中 vi=β0+β·Xi+?i+θi+log(XTotalPopulationi)。在公式(3)中，Xi是独立变量特征矩阵X的第i行，β=[β1,…,βp]（p=1,…,P），Xi是独立变量特征矩阵X的第i行。此外，马蹄形先验定义为：(4) βp～N(0,λpτ) 和 (5) λp～C+(0,1)，其中C+表示半柯西分布。λp的数量与独立变量的数量相同。λp被称为局部收缩参数，我们为每个参数p估计一个λp值。τ是一个全局收缩参数，用于控制整体的稀疏性，在拟合模型之前需要指定。我们对每个出生国家分别使用τ ∈ {0.001, 0.1, 10}的参数网格拟合模型三次。对于每个τ值，我们观察了βp参数的后验分布，并保留了后验分布在第2.5百分位和第97.5百分位之间不包括0的参数集(Sτ)。

模型3在模型2确定的键参数集(Sτ)的基础上进行构建，通过仅使用选定的参数及其相关协变量重新估计模型。对于每个τ ∈ {0.001, 0.1, 10}的值，模型表示为：(6) yi|vi～Poisson(evi)，其中 vi=β0+βp∈Sτ·Xi,p∈Sτ+?i+θi+log(XTotalPopulationi)。在这里，我们将初始向量β=[β1,…,βp]和Xi缩小到仅包含马蹄形先验在模型2中保留的参数的子集Sτ。β0和随机效应的先验与模型1中的保持一致，每个βp的先验为弱信息性的N(0,5)分布。对于每个移民群体，我们使用交叉验证来确定最优的τ值。为了指导这一过程，我们使用了Vehtari等人（2017年）引入的贝叶斯留一法（LOO）交叉验证方法。这种方法在训练过程中系统地每次排除一个数据点，使模型能够预测该点，从而基于固定效应生成一系列对数似然值。我们选择了每个群体具有最高预期对数逐点预测概率（ELPD）的模型。

我们使用rstan（Stan开发团队，2024年）来实现前面章节中概述的模型。Stan使用No-U-Turn采样器进行贝叶斯推断，这是哈密顿蒙特卡洛（HMC）算法的一种高级形式。对于每个模型，我们初始化了四个链，每个链运行4000次迭代。前50%的迭代被丢弃作为热身，应用了2的稀疏因子以减少样本之间的自相关性。所有参数都显示出收敛的迹象，R?≈1。Stan对BYM模型的实现遵循Morris等人（2019年）提供的建议。Stan文件可在以下链接获取：https://github.com/gregbuda/determinants_immigrant_settlements_and_segregation5。

5. 实证分析
5.1 结果
本研究重点关注五个最重要的移民群体，这些群体代表了不同的起源大陆、宗教归属、文化背景和隔离程度。所提出的贝叶斯建模策略使用了出生于意大利、厄瓜多尔、中国、秘鲁和摩洛哥的移民数据，分析基于2021年的数据。为了促进马尔可夫链的收敛，在每次运行之前都对特征矩阵进行了标准化。虽然这可能会降低系数的可解释性，但它标准化了各个系数之间的先验，有助于收敛并使变量重要性比较成为可能。如果模型要应用于具有不同特征范围的城市（例如城市内部距离），这一步尤其关键。

由于模型2用于识别与每个群体中移民数量显著相关的协变量子集，这些协变量作为模型3的输入，表4比较了四种不同模型的拟合优度——基线模型（模型1）和三个不同τ值的模型3的三种替代规格——使用留一法交叉验证得到的预期对数逐点预测概率（ELPD）。对于每个移民群体，我们根据它们的ELPD值对估计的模型进行了排名。正如预期的那样，当马蹄形先验中的τ接近零时，更多的参数会收缩到零。

表4. 模型的拟合优度
| 来源国家 | 模型 | ELPD | 差异 |
|---------|-----------|-----------|------------|
| 意大利 | 模型3 τ = 0.1 | -73 | 28.89 |
| 意大利 | 模型3 τ = 0.10 | -73 | 8.76 |
| 意大利 | 模型3 τ = 0.001 | -77 | 5.23 |
| 意大利 | 基线（模型1） | -16 | 58 |
| 摩洛哥 | 模型3 τ = 0.1 | -13 | 72 |
| 摩洛哥 | 模型3 τ = 0.001 | -13 | 72 |
| 摩洛哥 | 模型3 τ = 10 | -13 | 91 |
| 摩洛哥 | 基线（模型1） | -27 | 73 |
| 中国 | 模型3 τ = 0.1 | -21 | 92 |
| 中国 | 模型3 τ = 0.001 | -21 | 92 |
| 中国 | 模型3 τ = 10 | -23 | 65 |
| 中国 | 模型3 τ = 0.1 | -24 | 53 |
| 厄瓜多尔 | 模型3 τ = 0.1 | -12 | 66 |
| 厄瓜多尔 | 模型3 τ = 10 | -12 | 66 |
| 厄瓜多尔 | 模型3 τ = 0.001 | -14 | 45 |
| 厄瓜多尔 | 基线（模型1） | -24 | 73 |
| 秘鲁 | 模型3 τ = 0.1 | -12 | 96 |
| 秘鲁 | 模型3 τ = 10 | -12 | 96 |
| 秘鲁 | 模型3 τ = 0.001 | -13 | 66 |
| 秘鲁 | 基线（模型1） | -15 | 43 |
| 秘鲁 | 模型3 τ = 0.1 | -12 | 70 |

表4显示了每个来源国家的模型拟合优度。除了中国移民外，对于所有群体，包含在马蹄形先验模型中具有显著性的变量的BYM模型（τ等于0.1）提供了最佳拟合。对于中国移民，所提出的独立特征未能比基本模型更有效地解释空间分布的变化。这一结果表明，中国移民似乎更倾向于选择其社区网络提供的文化和经济资源便利。考虑到靠近中心的Marina地区有大量中国移民，中国社区的结果与复兴的族群模型预测的结果一致。

在为每个来源国家选择了最合适的显著特征集后，表5显示了使用最佳τ设置的模型3估计的系数及其相应的95%可信区间。这些估计反映了每个参数的后验分布的平均值，而可信区间代表了这些分布的第2.5百分位和第97.5百分位。空白单元格表示在马蹄形先验模型中被降为零的变量。

表5. 按来源国家划分的点估计和可信区间（2021年）
| 邻域特征 | 意大利 | 摩洛哥 | 中国 | 厄瓜多尔 | 秘鲁 |
|---------|---------|---------|---------|---------|
| 截距 | -4.78 [-4.81, ?4.75] | -4.27 [-4.30, ?4.24] | -4.37 [-4.40, 4.35] | -3.99 [-4.02, ?3.97] |
| 人均净收入 | -0.62 [-0.71, ?0.53] | -0.43 [-0.51, ?0.35] | -0.30 [-0.38, ?0.22] |
| 人口平均年龄 | -0.13 [-0.17, ?0.08] | -0.21 [-0.25, ?0.16] |
| 五人及以上家庭百分比 | -0.10 [-0.15, ?0.06] | | |
| 租赁住房百分比 | 0.08 [0.03, 0.12] | 0.12 [0.07, 0.17] | 0.20 [0.16, 0.25] |
| 1940年前建造的住房百分比 | 0.16 [0.11, 0.21] | -0.11 [-0.16, ?0.05] | -0.08 [-0.14, ?0.03] |
| 2000年后建造的住房百分比 | 0.07 [-0.10, ?0.04] | | |
| 七层及以上建筑百分比 | 0.06 [0.02, 0.10] | 0.07 [0.02, 0.12] | 0.07 [0.02, 0.12] |
| 60平方米及以下面积住房百分比 | 0.07 [0.02, 0.12] | 0.07 [0.02, 0.12] | 0.07 [0.02, 0.12] |
| 120平方米以上面积住房百分比 | 0.18 [0.12, 0.24] | 0.12 [0.07, 0.16] | 0.12 [0.12, 0.24] |
| 每平方米租金中位数 | 0.12 [0.07, 0.16] | -0.09 [0.05, ?0.11] | -0.09 [-0.16, ?0.05] |
| 到最近公交站的距离 | 0.09 [0.05, 0.11] | | |
| 到最近地铁站的距离 | -0.09 [-0.15, ?0.04] | |
| 到市中心的驾驶距离 | -0.52 [-0.63, ?0.41] | 0.19 [0.07, 0.30] |
| 每平方公里办公物业数量 | -0.14 [-0.20, ?0.08] | | |
| 到最近基督教礼拜场所的距离 | -0.07 [-0.12, ?0.03] |

所有三个人口统计变量至少对一个移民群体具有显著意义。摩洛哥人、厄瓜多尔人和秘鲁人倾向于集中在净收入低于平均水平的地区。这个变量与租金中位数呈正相关（0.52），表明这两个变量都可以解释移民的空间分布。意大利人更可能居住在每平方米租金成本较高的社区，这些社区通常以年轻人口和五人及以上家庭较少为特征。几个住房市场变量在马蹄形收缩后仍然显著。与所有群体相比，租赁住房的比例较高，这与中国群体不同。意大利人更常见于较旧的建筑中，这是老城（Ciutat Vella）的典型特征。相反，秘鲁人和厄瓜多尔人不太可能居住在1940年之前建造的建筑中；此外，系数表明厄瓜多尔人更倾向于居住在1940年至2000年间建造的建筑中。此外，秘鲁人和厄瓜多尔人倾向于居住在小型公寓比例较高的地区。有趣的是，调整了社区平均净收入后，120平方米以上面积住房的比例与摩洛哥人呈正相关。

几个建成环境方面与移民的集中程度相关。居住在Ciutat Vella中心狭窄、部分步行街的意大利人与公交网络相距较远；这些地区通常远离办公室，而是充满了为游客服务的旅游公寓和商业空间。虽然厄瓜多尔人居住得离市中心较远，但他们受益于靠近地铁线的良好连通性。对于厄瓜多尔社区来说，他们的居住位置与靠近基督教礼拜场所的位置有很强的关联。

5.2. 稳健性检验
最后，作为稳健性检验，我们用Luo和Qi（2009年）提出的E2SFCA方法计算的相应可访问性度量替换了与“距离”相关的六个独立变量——到最近学校、地铁站、公交站、火车站和清真寺的距离。这些变量在数据部分的末尾有描述。表6比较了四种不同模型的拟合优度，即基线模型（模型1）和三个不同τ值的模型3的三种替代规格。在为每个来源国家选择了最合适的显著特征集后，最佳模型的估计系数及其相应的95%可信区间显示在表7中。如前所述，这些估计反映了每个参数的后验分布的平均值，没有系数的存在表明该变量没有通过先验模型中的选择过程。

表6. 使用E2SFCA可访问性度量的模型拟合优度
| 来源国家 | 模型 | ELPD | 差异 |
|---------|-----------|-----------|------------|
| 意大利 | 模型3 τ = 0.1 | -75 | 0.01 |
| 意大利 | 模型3 τ = 10 | -75 | 4.54 |
| 意大利 | 模型3 τ = 0.001 | -11 | 9.89 |
| 意大利 | 基线（模型1） | -16 | 58 |
| 摩洛哥 | 模型3 τ = 10 | -13 | 8.74 |
| 摩洛哥 | 模型3 τ = 0.001 | -11 | 9.58 |
| 摩洛哥 | 模型3 τ = 0.1 | -14 | 4.41 |
| 摩洛哥 | 基线（模型1） | -27 | 38 |
| 中国 | 模型3 τ = 0.1 | -21 | 92 |
| 中国 | 模型3 τ = 0.001 | -21 | 92 |
| 中国 | 模型3 τ = 10 | -23 | 65 |
| 中国 | 模型3 τ = 0.1 | -24 | 53 |
| 厄瓜多尔 | 模型3 τ = 0.1 | -12 | 66 |
| 厄瓜多尔 | 模型3 τ = 10 | -12 | 66 |
| 厄瓜多尔 | 模型3 τ = 0.001 | -14 | 45 |
| 厄瓜多尔 | 基线（模型1） | -13 | 72 |
| 秘鲁 | 模型3 τ = 0.1 | -12 | 96 |
| 秘鲁 | 模型3 τ = 10 | -12 | 96 |
| 秘鲁 | 模型3 τ = 0.001 | -13 | 66 |
| 秘鲁 | 基线（模型1） | -15 | 43 |
| 秘鲁 | 模型3 τ = 0.1 | -12 | 70 |

表7. 使用E2SFCA可访问性度量的按来源国家划分的点估计和可信区间（2021年）
| 邻域特征 | 意大利 | 摩洛哥 | 中国 | 厄瓜多尔 | 秘鲁 |
|---------|---------|---------|---------|---------|
| 截距 | -4.78 [-4.81, ?4.75] | -4.27 [-4.30, ?4.24] | -4.37 [-4.40, 4.35] | -3.99 [-4.02, ?3.97] |
| 人均净收入 | -0.54 [-0.64, ?0.44] | -0.46 [-0.55, ?0.38] | -0.30 [-0.38, ?0.22] |
| 人口平均年龄 | -0.13 [-0.17, ?0.09] | -0.21 [-0.25, ?0.16] |
| 五人及以上家庭百分比 | -0.14 [-0.19, ?0.09] | | |
| 租赁住房百分比 | 0.06 [0.02, 0.11] | 0.11 [0.06, 0.17] | 0.18 [0.13, 0.22] |
| 1940年前建造的住房百分比 | 0.09 [0.04, 0.14] | | |
| 2000年后建造的住房百分比 | 0.07 [-0.10, ?0.04] | | |
| 七层及以上建筑百分比 | 0.04 [-0.09, ?0.01] | 0.08 [0.04, 0.12] |
| 60平方米及以下面积住房百分比 | 0.06 [0.02, 0.11] | 0.07 [0.02, 0.12] | 0.06 [0.02, 0.12] |
| 120平方米以上面积住房百分比 | 0.07 [0.02, 0.12] | 0.17 [0.11, 0.23] |
| 每平方米租金中位数 | 0.10 [0.05, 0.14] | -0.31 [-0.45, ?0.16] |
| 到学校的可访问性 | 0.38 [0.22, 0.55] | | |
| 到教堂的可访问性 | -0.18 [-0.32, ?0.06] | |
| 到清真寺的可访问性 | -0.50 [-0.61, ?0.39] | 0.19 [0.11, 0.26] |
| 到清真寺的可访问性 | 0.26 [0.16, 0.35] | 0.24 [0.12, 0.36] |

通过用E2SFCA可访问性指标替换基于距离的指标并重新进行估计，我们得到了类似的结果。然而，特征选择步骤略微改变了每个群体最终模型中算法选择的一些变量。结果，意大利人选择了12个特征（之前是9个），摩洛哥人选择了8个特征（之前是5个），厄瓜多尔人选择了6个特征（之前是9个），秘鲁人选择了7个特征（之前是6个）。见表7。当使用E2SFCA方法计算的六个新可访问性变量重新估计模型时，获得的结果总体上与之前的结果非常相似。然而，观察到了一些影响所分析的五个群体的差异，尤其是某些估计系数的大小甚至符号发生了变化，这些变化在每个群体中都不尽相同。例如，对于来自意大利的移民来说，只有一层的建筑比例呈现出正系数，这强化了意大利人倾向于居住在高层建筑较少的中心区域的观点。与距离公交车站的距离相比，学校的可及性成为一个正相关的变量。有趣的是，通往基督教礼拜场所的可及性与此呈负相关，而通往穆斯林礼拜场所的可及性则呈正相关。这可能反映了在像El Raval这样的中心区域的共同居住模式，那里也有穆斯林社区的存在。

对于来自摩洛哥的移民，我们发现通往穆斯林礼拜场所的可及性呈现出正系数。与意大利人不同（他们也居住在一些中心社区），摩洛哥移民所在的区域学校可及性较低，这可能反映了他们居住在人口密集、对教育设施需求较高的地区。

至于来自厄瓜多尔的移民，在交叉验证中表现最好的变量集较小。距离最近的地铁站的距离、开车到市中心的距离以及1940年之前建造的住房比例没有被纳入最终的特征集中。对于秘鲁移民，我们发现通往基督教礼拜场所的可及性与他们在该地区的存在呈正相关，而通往穆斯林礼拜场所的可及性则呈负相关。1940年之前建造的住房比例也不再被选入特征集中。

最后，对于华人社区，与最初的模型一样，最终模型中没有保留任何特征，除了截距项。如前所述，这种模式更符合“复兴族群理论”的假设，即他们倾向于选择华人比例较高的富裕地区居住。这一现象也可以与市场主导的多元主义模型相联系，因为这种模式部分得到了他们社区内网络提供的支持。

实验的横截面设计缺乏纵向数据，因此我们无法正式检验空间同化理论中隐含的一些假设。尽管如此，空间同化模型假设少数族群的经济水平与其从族群聚居区迁移到本地多数族群居住的社区的趋势之间存在正相关。从这个角度来看，如果像意大利人这样的欧洲群体的购买力比来自人均收入较低国家的其他族群更强，人们可能会预期他们居住在不太富裕的地区。然而，在我们的分析中，意大利移民群体主要集中在老城区，那里的移民密度最高。

此外，空间同化模型隐含地假设不同少数族群之间没有差异化的定居模式。在这方面，我们的分析揭示了所研究的五个群体之间的显著差异，特别是对于来自中国的移民。对于这个群体，我们发现基线模型中包含的额外解释变量并不能帮助解释他们的空间分布模式。

6. 讨论
贝叶斯空间模型的结果为理解与移民定居模式相关的因素提供了重要见解。我们的分析表明，所提出的模型在解释意大利人、厄瓜多尔人和摩洛哥人的移民集中现象方面表现良好。从基线模型到包含协变量的模型，ELPD值的显著提高表明添加更多固定效应显著增强了解释能力。相比之下，对于来自中国的移民群体，指定模型的估计结果不太令人满意。尽管增加了更多参数，ELPD值仍然较低，表明所提出的变量未能充分解释他们的空间分布。这可能归因于家庭网络和社区联系的强大作用，这些因素常常推动中国移民定居在已建立的族群聚居区，正如在马德里等其他大城市中所观察到的（Peeters & Chasco Yrigoyen, 2016）。该模型的局限性表明，未来分析应考虑添加其他变量，如社会资本和非正式支持网络等代理不同因素的变量。

我们分析的一个关键发现是租赁住房比例与移民定居模式之间的显著关系。对于四个移民群体来说，租赁住房是一个关键决定因素，这突显了新移民在迁移初期对租赁市场的依赖。这与西班牙观察到的更广泛趋势一致，即移民拥有住房的障碍仍然很高。正如Martori和Apparicio（2011）所指出的，公共住房选项的缺乏加剧了这一问题，迫使许多移民群体进入边缘地区的租赁市场。

研究结果表明，经济适用住房的存在和良好的公共交通连接性是解释某些移民群体（如厄瓜多尔人）在L'Hospitalet和Santa Coloma de Gramenet等地区集中现象的关键。Peeters和Chasco Yrigoyen（2016）指出的交通便利性的重要作用表明，对公共基础设施的投资可以影响移民的定居模式并促进社会融合。

总体而言，对于厄瓜多尔人和秘鲁人来说，20世纪60年代和70年代开发的郊区较小且更经济实惠的公寓的可用性已成为他们定居模式的关键因素。这些地区最初是为来自西班牙南部的内部移民建造的，现在成为了拉丁美洲移民的经济适用住房。在这种情况下，分析中的拉丁社区的居住位置动态更符合某些地方分层模型的假设，即厄瓜多尔人和秘鲁人由于住房限制而被迫迁往郊区。类似的情况也发生在来自摩洛哥的移民身上，他们主要也位于这些租金和房价都较低的边缘地区。这一证据与Bolt和van Kempen（2010a, 2010b）对荷兰城市的研究以及Martori和Madariaga（2023）及Martori等人（2025）对巴塞罗那的研究结果一致。

相比之下，来自意大利的移民表现出与其他群体不同的模式。尽管他们的文化接近性或收入水平可能使他们能够进入主要由本地人居住的社区，但他们似乎更喜欢老城区的街道、商店和餐馆。这种行为与分析中的居住隔离模型不太吻合，可能与新类型的移民动机有关，这些移民的移民动机与前几代移民不同。对于华人社区来说，文化和地理上的接近性进一步放大了这种差异因素。

这些发现突显了不同社区在居住位置模式方面的巨大差异，以及出现了具有不同偏好的新类型移民。巴塞罗那的种族多样性使得不同的居住隔离理论模型可以用来解释同一城市内这些多样化情况的融合。Skovgaard Nielsen（2016）已经注意到了这种模型之间的重叠，这在某种程度上突显了南欧大城市的变迁。

这项研究的结果对巴塞罗那的城市政策和规划有几个启示。促进经济适用住房、改善公共交通连接和促进跨文化交流的政策有助于缓解这些趋势并支持更大的融合。此外，针对移民改善住房条件的具体措施，如扩大租赁援助计划和增加公共住房的供应，对于减少空间差异至关重要。

然而，这项研究也存在局限性。巴塞罗那住房市场的独特特征、历史移民模式和城市发展可能并不完全代表其他城市的情况。虽然贝叶斯空间模型在巴塞罗那案例中表现良好，但其发现不一定适用于具有非常不同特征的其他城市。其次，统计模型仅依赖于横截面数据，限制了我们捕捉观察到的模式中的时间动态的能力。未来的研究方向可能涉及使用纵向数据来解决这一问题。这种方法将使我们能够分析随时间变化的趋势，例如某些群体由于特定移民群体的增加而决定离开某个地区的情况（如Tam（2022）的研究所示）。

第三，尽管分析探讨了与住房市场等外部因素的关联，但我们想指出，移民的定居决策也受到个人偏好和特征的影响（Alamá-Sabater等人，2017），这些因素需要通过调查技术来衡量。最后，虽然研究重点关注了巴塞罗那最大的五个移民社区，但该城市实际上拥有丰富的种族多样性。因此，如果包括其他欧洲社区（如法国人），将有助于更深入地了解不同欧洲国家的移民差异。尽管来自撒哈拉以南非洲的移民比例较小，但近年来他们的增长显著，这使得分析他们在城市中的居住模式成为未来研究的课题。

7. 结论
本研究提出了一种检测大城市中国际移民空间分布的局部决定因素的新方法。该分析基于贝叶斯空间建模，用于评估各种变量与巴塞罗那县主要移民群体位置之间的关联。本文为研究人员和政策制定者提供了一个有用的统计工具，通过先验知识和数据似然性来确定空间中的依赖结构和隐藏模式。首先，测量了城市的居住隔离程度，发现非欧洲群体（如巴基斯坦人、摩洛哥人和中国人）的空间聚集和集中程度很高。这些群体通常居住在远离中心区、正在 gentrifying 的区域，反映了社会经济障碍和社区网络的作用。相比之下，欧洲移民（如意大利人）主要集中在中心区域，这种差异模式受到经济能力和生活方式偏好的影响。通过应用局部空间自相关指标（LISA）分析，进一步证实了这些结果。

所提出的贝叶斯空间建模方法还确定了影响移民定居模式的社区特征，如租赁市场的普遍性、公共交通的可及性和住房类型。例如，五个移民群体中有四个群体偏好租赁住房，这可能表明大多数移民在尝试拥有房产时面临困难，迫使他们迁往租金更便宜的边缘地区。结果对于用计算出的可及性指标替换基于距离的变量是稳健的，这些可及性指标是通过改进的两步浮动集水区方法计算得出的。

研究结果突显了不同社区在居住位置模式方面的巨大差异。这一发现表明，存在多种理论模型可以解释像居住隔离这样复杂且不断变化的现象。总体而言，我们发现拉丁美洲移民社区（特别是秘鲁人和厄瓜多尔人）有许多共同特征，他们逐渐迁往郊区的工人阶级社区，因为这些地区的住房供应减少，租金和购房价格较低。摩洛哥移民也表现出类似的模式，他们主要位于租金和房价都较低的边缘地区。这些证据与Bolt和van Kempen（2010a, 2010b）对荷兰城市的研究以及Martori和Madariaga（2023）及Martori等人（2025）对巴塞罗那的研究结果一致。

相比之下，来自意大利的移民表现出与其他群体不同的模式。尽管他们的文化接近性或收入水平可能使他们能够进入主要由本地人居住的社区，但他们似乎更喜欢老城区的街道、商店和餐馆。这种行为与分析中的居住隔离模型不太吻合，可能与新类型的移民动机有关，这些移民的移民动机与前几代移民不同。对于华人社区来说，文化和地理上的接近性进一步放大了这一差异因素。

这些发现突显了不同社区在居住位置模式方面的巨大差异，以及出现了具有不同偏好的新类型移民。巴塞罗那的种族多样性使得不同的居住隔离理论模型可以用来解释同一城市内这些多样化情况的融合。Skovgaard Nielsen（2016）已经注意到了这种模型之间的重叠，这在某种程度上突显了南欧大城市的变迁。

这项研究的结果对巴塞罗那的城市政策和规划有几个启示。促进经济适用住房、改善公共交通连接和促进跨文化交流的政策有助于缓解这些趋势并支持更大的融合。此外，针对移民改善住房条件的具体努力，如扩大租赁援助计划和增加公共住房的供应，对于减少空间差异至关重要。

然而，这项研究也有其局限性。巴塞罗那住房市场的独特特征、历史移民模式和城市发展可能并不完全代表其他城市的情况。虽然贝叶斯空间模型在巴塞罗那案例中表现良好，但其发现不一定适用于具有非常不同特征的其他城市。其次，统计模型仅依赖于横截面数据，限制了我们捕捉观察到的模式中的时间动态的能力。未来的研究方向可能涉及使用纵向数据来解决这一问题。这种方法将使我们能够分析随时间变化的趋势，例如某些群体由于特定移民群体的增加而决定离开某个地区的情况（如Tam（2022）的研究所示）。

第三，虽然分析探讨了与住房市场等外部因素的关联，但我们想指出，移民的定居决策也受到个人偏好和特征的影响（Alamá-Sabater等人，2017），这些因素尚未考虑在内，因为需要通过调查技术来衡量。最后，尽管研究重点关注了巴塞罗那最大的五个移民社区，但该城市实际上拥有丰富的种族多样性。因此，如果包括其他欧洲社区（如法国人），将有助于更深入地了解不同欧洲国家的移民差异。在这方面，尽管来自撒哈拉以南非洲的移民比例较小，但近年来他们的增长显著，这使得分析他们在城市中的居住模式成为未来研究的课题。

7. 结论
本研究提出了一种检测大城市中国际移民空间分布的局部决定因素的新方法。该分析基于贝叶斯空间建模，用于评估各种变量与巴塞罗那县主要移民群体位置之间的关联。本文为研究人员和政策制定者提供了一个有用的统计工具，通过先验知识和数据似然性来确定空间中的依赖结构和隐藏模式。首先，测量了城市的居住隔离程度，发现非欧洲群体（如巴基斯坦人、摩洛哥人和中国人）的空间聚集和集中程度很高。这些群体通常居住在远离中心区的社区，反映了社会经济障碍和社区网络的作用。相比之下，欧洲移民（如意大利人）主要集中在中心区域，这种差异模式受到经济能力和生活方式偏好的影响。这些结果通过应用局部空间自相关指标（LISA）分析得到了进一步证实，观察到分析社区之间的显著差异。

所提出的贝叶斯空间建模方法进一步确定了影响移民定居模式的社区特征，如租赁市场的普遍性、公共交通的可及性和住房类型。例如，五个移民群体中有四个群体偏好租赁住房，这可能表明大多数移民在尝试拥有房产时面临困难，迫使他们迁往租金更便宜的边缘地区。结果对于用计算出的可及性指标替换基于距离的变量是稳健的。

研究结果突显了不同社区在居住位置模式方面的巨大多样性。这一发现表明，存在多种理论模型可以解释像居住隔离这样复杂且不断变化的现象。总体而言，我们发现拉丁美洲移民社区（特别是秘鲁人和厄瓜多尔人）有许多共同特征，他们逐渐迁往郊区的工人阶级社区，因为这些地区的住房供应减少，租金和购房价格较低。摩洛哥社区也表现出类似的模式，这符合空间分层模型的假设。相反，华人社区表现出更接近“复兴族群理论”的动态，他们倾向于选择位于城市和郊区住宅区的族群聚居区，这些地区拥有他们社区特有的各种商店和服务。最终，来自意大利的人口主要集中在老城区及其周边的中心区域，在某种程度上代表了来自欧洲邻国的一种新型移民。这些移民的定居动机与其他研究中的社区有所不同。这项研究为了解巴塞罗那移民的空间分布提供了重要见解，为未来解决移民社区空间隔离问题奠定了基础。研究结果对城市政策制定者尤为重要，表明需要新的工具和变量来识别某些移民聚居区的集中现象，并采取针对特定社区的应对措施。为了减少隔离现象并促进社会包容，政策应致力于扩大经济适用房规模，加强移民社区与市中心之间的联系。此外，解决研究中指出的局限性（如考虑个人偏好和无证人口的需求）将丰富未来的研究，从而更细致地理解移民的定居动态。

**作者贡献声明：**
- Gergely Buda：撰写初稿、方法论设计、数据调查、数据分析、概念构建。
- Xavier Puig：项目监督、行政管理、方法论设计、数据分析、概念构建。
- Oscar Claveria：撰写修订稿、数据审查与编辑、数据调查、资金筹措。

**提交声明：**
本研究尚未在其他地方提交，未经主编同意，不会在其他期刊发表。

**数据和材料的获取途径：**
本研究中使用和/或分析的数据集可免费从以下网站下载：
- 每个普查区域的总人口数（来自西班牙国家统计局INE的连续登记统计系统）：
https://www.ine.es/dyngs/INEbase/es/operacion.htm?c=Estadistica_C&cid=1254736177012&menu=ultiDatos&idp=1254734710990
- 人口普查数据（包括租赁住房比例、建筑年份、楼层数和房屋面积）（来自INE和Idescat）：
https://www.ine.es/dyngs/INEbase/es/operacion.htm?c=Estadistica_C&cid=1254736176992&menu resultatados&idp=1254735572981
- 每个普查区域的每平方米租金中位数（来自西班牙住房与城市规划部）：
https://www.mivau.gob.es/mapa-alquiler
- 每个普查区域的平均收入（来自家庭收入分布地图）：
https://www.ine.es/dyngs/INEbase/operacion.htm?c=Estadistica_C&cid=1254736177088&menu resultatados&idp=1254735976608
- 私立和公立教育机构的位置（来自加泰罗尼亚政府学校地图）：
http://mapaescolar.gencat.cat/
- 公交站、地铁站和火车站的位置（来自TMB、RENFE和FGC）：
oTMB：https://developer.tmb.cat/oRENFE
https://data.renfe.com/dataset/estaciones-rodalies-barcelona/resource/dd090aa2-7b8d-45ab-97c2-bf70653bc117
FGC：https://www.fgc.cat/es/opendata
- 宗教场所的位置（来自宗教观察机构）：
https://www.observatorioreligion.es/directorio-lugares-culto/?comunidad=Catalu%C3%B1a&provincia=Barcelona
- 用于工业或办公用途的房地产数量（来自城市房地产统计系统）：
https://www.catastro.hacienda.gob.es/esp/estadisticas.asp

**资金支持：**
本研究得到了西班牙科学与创新部（MCIN）/国家研究机构（AEI）项目PID 2023-146073NB-I00（“可持续领土”）的支持。