综述：空间变系数模型综合综述：方法、挑战与模型选择指引

《Annals of GIS》：A comprehensive review of spatially varying coefficient models: methods, challenges, and guidance for model selection

　　

空间变系数(SVC)模型已成为空间分析领域的重要方法体系，其核心优势在于能够对响应变量与预测变量间关系的空间异质性进行显式建模。当前已发展出具有不同假设、优势与局限性的多类SVC建模框架，但系统梳理并对比这些模型家族的综合综述仍较为有限。本研究系统回顾了SVC模型的主要类别，包括频率学派局部回归方法、贝叶斯SVC框架、特征向量空间滤波(ESF)方法，以及频率学派框架中深度学习技术的融合应用。研究同时探讨了空间分析中的关键挑战，对SVC模型进行了比较性综合，并提供了实践应用指引。基于在三大在线数据库中使用预定义关键词的结构化文献检索，最终筛选出98篇文献纳入综述。综合分析表明，不存在在所有实证场景中均表现最优的单一SVC模型，模型选择应基于研究问题、数据特征与分析目标，而非追求普适最优方法。研究人员进一步识别出五个未来重点研究方向：提升模型的计算可扩展性与内存效率；推动贝叶斯与ESF框架相对于频率学派方法的方法论发展；重构邻近性概念并优化空间尺度；针对频率学派局部模型对样本量的敏感性，建立稳定可靠推断所需的样本量明确指引；为各类SVC模型的应用场景提供更清晰的推荐。解决上述挑战将显著推进SVC模型在空间分析中的理论基础、方法严谨性与实践可及性。

1. 1.
   引言
   回归分析是探究变量间关系的核心统计工具，传统回归（本研究称为全局模型）假设变量间效应在空间上平稳。例如，使用普通最小二乘法(OLS)分析纽约市卫生间数量对房价的影响时，仅能得到一个代表整个研究区平均效应的系数，隐含假设该效应在城市内所有观测单元中恒定。然而，变量关系在研究区内保持平稳的假设极少成立，易导致对现实模式的误判。为突破这一局限，空间变系数(SVC)模型通过允许变量间关联的强度与方向随空间变化，放松了空间平稳性假设，这一现象被称为空间异质性。SVC模型涵盖四类主要方法：基于邻域抽样的频率学派模型（通过回归点局部邻域的观测值进行估计）、贝叶斯SVC模型（基于概率分布刻画局部变异）、特征向量空间滤波(ESF)模型（通过筛选空间特征向量表征关系的区位特异性变异），以及日益增多的、常集成于频率学派框架中以刻画复杂局部模式的深度学习与机器学习技术。各类方法包含多种变体，具有不同优势与局限性。通过允许变量关系随空间变化，局部回归技术在地理空间数据分析及相关学科（如公共卫生、犯罪学、住房市场分析、环境科学、生态学、地球科学等）中得到广泛应用。SVC模型虽能提供比传统技术更丰富的空间过程洞察，但其有效规范应用至关重要——模型误设会导致估计不稳定与局部推断误导。空间过程指其值、行为或分布受区位影响并呈现特定空间结构或模式的现象。鉴于SVC模型的广泛应用，理解各类方法的优势与局限对确保模型选择恰当与应用有效至关重要，这对模型熟悉度有限的使用者尤为关键。本研究系统综述上述四类SVC模型家族，助力研究人员理解各模型的理论基础与方法特征，从而更精准地选择契合研究问题与分析目标的模型，同时明确文献中识别的未来方法论发展方向。研究还讨论了空间分析的两个基础挑战——空间异质性与空间依赖性，以阐明SVC模型的适用场景，并对所选模型类别进行比较性综合，提供实践应用指引。本综述聚焦不同类别SVC模型的方法论进展，包括其建模空间异质性的核心概念、各类别及其变体的独特优势与局限，以及各自的最适应用场景，不寻求识别普适“最优”SVC模型。
2. 2.
   空间分析中的挑战
   Anselin识别了空间分析的两大核心挑战：空间依赖性（常称为空间自相关）与空间异质性（常称为空间非平稳性）。空间自相关指变量或模型残差在地理空间上的相关性，通过一组空间参照观测值度量，反映邻近区位取值相似或相异的程度。莫兰指数I与Geary’s C是两种常用的全局空间自相关度量指标：正莫兰指数表明相似值集聚，负值反映邻近区位异质值集聚，近零值则表明观测变量的空间模式符合空间独立性，即区位间无系统性空间依赖。回归分析中，残差无显著空间自相关通常表明模型已充分刻画潜在空间结构，支持更可靠的参数估计与统计推断。空间自相关的产生通常有三种情形：一是空间过程本身具有空间自相关特征；二是分析遗漏了重要的外生变量或影响因素；三是异质性空间单元的不当聚合。第二种情形中，当关键解释变量缺失且其本身具有空间结构（如邻里社会经济条件、服务可达性、环境暴露等）时，其未观测到的影响间接反映在残差中，导致邻近观测值因共享相似未观测特征而呈现相似性，产生伪空间自相关——将表观空间模式错误归因于建模结果而非缺失因素。第三种情形中，异质性区域的不当聚合（如将不同邻里合并为宽泛普查区）会掩盖内部变异，产生人为空间模式，这一问题与可塑面积单元问题(MAUP)密切相关，可能使相邻单元呈现非真实的相似性或差异性，其空间自相关由聚合选择驱动而非真实空间过程。残差中的空间自相关还可能源于抽样设计选择与方法论假设，如抽样不均、观测者偏差或观测值聚类等。若底层过程呈现空间自相关（如响应变量或预测变量具有空间依赖），未考虑该结构可能导致残差空间自相关；但若响应变量的空间模式能被同样刻画相关空间结构的解释变量充分解释，传统回归模型可能足以消除残差空间自相关。否则，应考虑采用空间回归模型显式刻画空间依赖性，如溢出效应显著时选用空间滞后模型，残差存在空间依赖时选用空间误差模型，拉格朗日乘数(LM)与稳健LM检验可辅助判断模型选择。空间异质性指空间上的变异，可分为两种形式：一是单个变量取值或分布的空间变异；二是解释变量与响应变量间关系的空间变异，即回归系数随空间变化。后者指相同因素或刺激在不同区位可能产生不同响应。第一种空间异质性可能与空间自相关共存，但二者概念不同：空间自相关关注邻近区位取值是否相关，空间异质性关注变量或关系是否随空间变化。二者并非互斥，邻近观测值可能相似而变量关系仍存在空间非平稳性。Fotheringham等指出，第二类空间异质性可能源于随机抽样变异、底层过程的真实空间非平稳性，以及模型误设。真实空间非平稳性指响应变量与解释变量的关系确实随空间变化，但观测到的空间变异未必对应过程层面的非平稳性。尺度效应、情境效应与MAUP会改变空间模式在数据中呈现的方式，可能揭示、削弱或掩盖异质性而不改变底层过程本身。例如，邻里层面显著的关系在县域层面可能因聚合平均化而减弱，不同分区方案可能从同一现象中产生不同空间模式。模型误设是表观空间异质性的另一来源：遗漏相关变量、设定不当函数形式、错误假设线性关系或未能捕捉空间依赖性时，空间结构可能残留在残差中，造成关系随空间变化的假象。估计回归系数的空间异质性还可能源于遗漏外生变量或其他未观测情境因素——当这些因素具有空间结构且与纳入的解释变量相关时，其影响可能被吸收到局部系数估计中，产生表观空间异质性，即使底层关系实际并无空间变异。局部空间回归模型旨在通过允许关系随空间变化来刻画此类系数异质性，本研究旨在综合梳理用于分析响应变量与解释变量间空间异质性的常用局部回归模型。
3. 3.
   空间变系数模型
   与全局回归方法类似，SVC模型具有多样化的方法体系，各自基于不同假设、优势与局限性。深入理解这些方法论差异，不仅对现有模型的恰当应用与解读至关重要，也能推动该领域进一步的理论发展与方法创新。文献筛选流程详见附录“文献筛选”。

3.1 基于邻域抽样的局部回归

该SVC模型家族（亦称频率学派框架）在每个观测点校准独立回归，参与各局部模型估计的观测数量（或影响）由核函数决定——核函数随距离变化，由带宽参数控制底层过程的空间尺度。局部频率学派方法可采用多种核函数，包括固定高斯核、指数核、tri-cube核、bisquare核及其自适应版本，常用的是固定高斯核与自适应bisquare核。固定高斯核适用于观测分布相对均匀的情形，因其采用恒定距离带宽与空间上平滑衰减的权重；自适应bisquare核更适用于空间分布不均的数据，其采用最近邻带宽以维持稳定的局部样本量，并对带宽外观测赋予零权重。指数核则具有更陡峭的峰值与慢于高斯核的衰减速率。空间尺度是空间分析中核心且多面的概念，涵盖制图尺度、地理尺度、测量尺度与操作尺度等内涵。SVC模型试图揭示空间过程的操作尺度（以下简称空间尺度），即现象围绕各观测点的作用范围，该尺度常源于底层空间过程本身，并可能受自然环境或人为因素（如环境条件、政策边界）的塑造或约束。局部回归中的空间尺度反映了基础的偏差-方差权衡：较大尺度纳入更远距离的观测，通常能降低标准误并产生更平滑的系数曲面，但可能因远距离区位遵循不同局部关系而增加偏差；当最优带宽接近全局尺度时，表观系数变异可能是伪异质性，需与全局模型对比评估。较小尺度对局部空间变异更敏感，能揭示更精细的空间结构，但因依赖更少观测，估计稳定性与确定性更低。因此，所选尺度（在频率学派局部模型中常以带宽表征）应逼近底层过程的真实尺度。

3.1.1 地理加权回归(GWR)

地理加权回归(GWR)是频率学派方法，也是应用最广泛的局部回归模型之一，因其概念框架直观且软件支持广泛。该模型类比OLS方法，但不对所有观测估计单一全局模型，而是在每个观测点校准独立回归。GWR模型延续局部加权回归(LWR)的概念——LWR在数据空间度量邻域相似性，而GWR将这一思想拓展至地理空间，基于观测值到回归点的空间邻近性赋予权重。GWR模型的基本形式中，y_i为区位i的响应变量，β₀(u_i, v_i)与β_j(u_i, v_i)分别为截距与第j个预测变量的局部估计系数，x_ij为区位i的第j个预测变量取值，ε_i为误差项；模型包含m个预测变量与n个观测值，W为权重矩阵，权重w_ij表示观测j对区位i处局部回归的影响程度，由基于区位i与j间距离的核函数确定，体现了地理学第一定律——邻近观测值的影响大于远距离观测值。GWR中，带宽（空间尺度）与加权方案是模型的两大核心要素。经典GWR采用欧氏距离量化观测间的空间邻近性，但地理空间并非人类活动的绝对几何容器，而是受社会、环境、行为过程塑造的认知与关系空间，许多空间交互无法仅通过欧氏距离充分刻画，尤其是遵循特殊空间结构的过程（如河流系统、道路网络或社会经济连接约束的移动）。为此，研究者提出在网络距离、出行时间等非欧氏距离度量下构建GWR框架，结果显示这些替代距离度量能提升模型整体拟合优度并降低残差空间自相关；Minkowski距离度量提供了未知真实空间过程时的灵活距离优化方案；移动跟随核通过模拟实际移动模式构建权重，进一步提升了模型拟合优度、预测精度与系数估计质量，但计算成本高且解释难度大。此外，还有研究通过引入区域约束防止跨区信息借用，或基于Delaunay三角剖分定义空间权重（以拓扑连接性与邻接性而非直线距离确定邻域影响），拓展了空间邻近性的定义范畴。

3.1.1.1 GWR的扩展

GWR框架的发展沿多个方法论方向推进，以解决经典GWR的局限。正则化扩展旨在应对局部多重共线性、系数不稳定性与过拟合问题：GW-Ridge与GW-Lasso通过引入惩罚项稳定系数估计，前者采用?₂惩罚将系数向零收缩（不剔除变量），降低方差并缓解多重共线性；后者采用?₁惩罚实现局部变量选择，将部分系数精确收缩至零，产生更稀疏但可能平滑性较低的系数曲面。弹性网络GWR(Elastic Net GWR)结合?₁与?₂惩罚，平衡变量选择与稳定性，在预测变量相关时表现优异。GWGlasso引入自适应组lasso惩罚，同步实现预测变量的收缩与分类（区分为空间变异、恒定或无关变量），更灵活地表征空间异质性。?₀-GWR通过强制精确稀疏性实现显式局部变量选择，生成更简洁、稳定且可解释的模型。这些正则化方法共同提升了GWR框架的模型稳定性、可解释性，并有效缓解了局部多重共线性影响。稳健性扩展旨在降低异常值影响、提升局部参数估计稳定性：稳健GWR(Robust GWR)以最小绝对偏差准则替代最小二乘目标，通过学生化残差识别异常值，采用迭代重加权或剔除高残差观测后重新拟合以降低其影响；局部线性GWR采用基于中位数的估计框架，最小化绝对残差和，从机制上降低异常值影响，无需显式检测或剔除步骤；基于局部线性的GWR进一步通过放松局部常数系数假设，降低边界偏差并提升估计精度（尤其在研究区边缘）。计算效率扩展针对局部回归模型的高计算成本问题：K近邻GWR通过KD树邻域搜索、简化局部矩阵与聚类引导的带宽优化提升效率；随机梯度GWR以基于随机子样本的随机梯度下降替代穷举带宽搜索，近似留一法交叉验证(LOOCV)梯度；FastGWR通过避免全n×n帽子矩阵计算、重构有效参数数量与AICc计算、加速最近邻搜索，并结合MPI并行化进一步提升性能；可扩展GWR(Scalable GWR)引入多项式核与矩阵预压缩策略，将计算复杂度从二次降至线性，使GWR可应用于超大规模数据集。灵活性与推断扩展则增强模型对复杂数据结构的适配能力：Bootstrap GWR引入基于残差的检验框架，区分全局与局部变异系数，提升空间异质性推断效力；层次GWR(Hierarchical GWR)拓展至多层数据结构，分离固定效应、随机效应与空间变异的组水平效应，解决标准GWR处理嵌套数据的局限；多变量GWR联合建模多个相关结果，实现各区位的多变量推断；移动窗口GWR通过局部邻域内等权重简化加权结构，降低计算负担；地理加权主成分分析(GW Principal Component Analysis)将降维融入GWR框架，计算空间加权局部主成分，高效捕捉高维数据的主导模式。然而，上述模型均依赖单一空间尺度，隐含假设所有空间变异过程具有相同的空间平滑度——这一假设常不符合现实。当不同关系运行于不同空间尺度时，单带宽方法会掩盖这些差异，仅能产出非平稳关系的平均尺度，而非捕捉预测变量间的真实尺度变异，可能导致对关系真实空间异质性的误表征、参数估计不稳定、多尺度过程下过度平滑（局部过程）或欠平滑（全局过程），以及将空间变异性错误归因于本质全局的预测变量，甚至在单带宽强制折衷时产生人为空间异质性。尽管如此，GWR仍是有效的探索性诊断工具，可作为检测潜在空间非平稳性的初始步骤与高级建模框架的基准。为突破空间尺度局限，研究者开发了多尺度空间变系数模型。

3.1.2 多尺度GWR(MGWR)

多尺度SVC模型（含多尺度GWR）假设每个预测变量（空间过程）运行于其专属空间尺度，即每个关系采用独立带宽估计。该家族的早期模型是混合（半参数）GWR，假设部分关系全局恒定、部分局部变异，属于部分多尺度框架。随后提出的灵活带宽GWR(FB-GWR)允许每个预测变量-响应变量关系具有独特尺度，构建了真正的多尺度GWR框架，使空间非平稳性的程度可随变量关系变化。Fotheringham进一步提出更统一的多尺度GWR(MGWR)模型，其中bw_j为模型中第j个预测变量的专属空间尺度，x_ij为观测i的第j个预测变量取值。MGWR、混合GWR与FB-GWR均采用回拟合算法结合黄金分割搜索程序优化预测变量专属带宽，带宽选择通常基于AICc最小化或交叉验证(CV)；后续研究以遗传算法替代回拟合，或基于系数相关性采用迭代条件平滑替代AICc多尺度优化。另有研究将MGWR拓展至特征专属带宽的多尺度框架，结合机器学习模型提升可扩展性与表达能力。多尺度模型的计算需求通常高于单尺度模型，为此研究者提出MGWR并行实现、以局部线性多项式拟合替代回拟合、采用基于梯度的信赖域优化进行带宽选择等改进方案。此外，还发展了适用于泊松分布、零膨胀计数、负二项结果变量的MGWR扩展。但上述多尺度与单尺度GWR模型均仅在地理空间定义邻近性，忽略了属性（数据）空间等其他空间维度，可能遗漏场所交互的复杂动态性——区位关联不仅源于物理距离，还受认知、情境因素与动态交互的影响。

3.2 GWR框架中属性相似性的融入

近期研究聚焦于整合属性或情境相似性与地理邻近性，以提升空间分析中空间非平稳性的刻画能力。该类回归模型从地理空间与属性（数据）空间两个维度评估区位邻近性。地理空间邻近的区位未必在属性空间邻近，尤其当变量空间自相关较弱时。经典GWR假设地理空间邻近的区位总是更相似，依据距离衰减概念产生更强正向影响，但许多交互强度（如网络连接、社会纽带、在线交互）的塑造因素可能比物理距离更重要。实证研究表明，地理距离 alone 常无法充分表征真实邻近性：全球疾病传播更宜用道路或航空网络连通性解释，在线社交网络更多受数字链接与共享文化驱动而非物理邻近性。仅依赖固定地理距离的空间模型可能误表征底层交互结构，产生有偏估计与误导推断。因此，地理空间与属性（数据）空间应视为空间邻近性的互补维度。局部加权回归(LWR)早就在统计领域采用属性空间度量观测相似性，而GWR将这一维度完全转向地理空间。早期研究尝试结合树木胸径与物理距离定义观测相似性，构建空间-属性加权函数，但存在不支持自适应核加权、小样本评估、空间-属性权重简单乘法组合（难以分离各权重贡献与解释）等局限。后续提出的情境GWR(CGWR)将邻里情境相似性作为独立于回归预测变量的额外数据空间维度纳入权重计算，但其表现依赖恰当的邻里划分，结果对情境加权变量的选择敏感，且可能给情境相似但地理遥远的观测赋予高权重，引发空间连贯性质疑。相似性地理加权回归(SGWR)模型近期被提出，采用模型实际预测变量定义属性空间观测相似性，克服了早期模型依赖单一预测变量或独立情境变量的局限。SGWR基于参数a优化属性权重ω_S与地理权重ω_G，采用加权组合ω_GS=a·ω_G+(1-a)·ω_S而非简单乘法组合，提升了模型诊断能力。后续研究进一步拓展：纳入特征空间的空间尺度、基于MPI的SGWR并行实现与独立软件、基于熵测度优化局部邻域并结合Hilbert-Schmidt独立性准则构建自适应空间-属性权重以捕捉突变与非线性空间变异。上述模型均为单尺度框架，类似标准GWR。近期提出的多尺度SGWR(M-SGWR)为每个预测变量分配专属带宽与混合参数α，允许各关系受纯地理、混合或纯相似性效应驱动，其灵活性可有效恢复复杂空间过程（包括地理空间上非平滑组织的碎片化模式），且可作为统一框架收敛为GWR、SGWR或MGWR。需注意，含属性权重的模型计算成本通常高于经典GWR/MGWR，因需构建多维权重矩阵并整合，但其通过联合纳入地理邻近性与属性相似性，提供了更灵活的空间过程表征，支持观测权重随时间演化，而传统GWR/MGWR扩展的时空权重结构通常静态不变。

3.3 贝叶斯统计

前述模型均基于频率学派视角，将参数视为固定但未知的常量，不纳入先验信息，推断仅依赖观测数据与抽样理论，产出点估计而非完整不确定性分布。贝叶斯框架则估计参数的完整后验分布，正式纳入先验知识并与观测数据更新。贝叶斯方法通过后验分布显式量化不确定性，为构建层次化复杂空间模型提供高度灵活性，且在存在信息性先验时，小样本场景下表现良好，产出可信区间而非频率学派的置信区间。贝叶斯模型包含三大核心组件：先验分布（反映观测前对参数的现有认知或假设p(θ)）、似然函数（反映观测数据中包含的参数信息p(y|θ)）、后验分布（通过贝叶斯定理结合先验与似然，更新观测证据下的先验信念p(θ|y)）。后验分布正比于似然与先验的乘积：p(θ|y)∝p(y|θ)p(θ)。

3.3.1 贝叶斯空间变系数模型(Bayesian SVC)

贝叶斯方法已广泛拓展至空间分析领域。与GWR等频率学派框架不同，贝叶斯空间变系数(SVC)模型将空间异质性视为随机过程，不采用逐区位独立回归估计，而是将系数指定为由显式协方差或空间依赖结构控制的潜空间场，允许系数在统一层次框架内随空间变异与协变。该范式作为传统空间回归的层次贝叶斯扩展被提出，支持将空间依赖性、不确定性与先验信息直接纳入空间变异效应的建模中。基础模型设定中，空间域D包含区位s₁,…,s_n，区位s_i的响应变量为y_i=Y(s_i)，协变量向量为x_i=X(s_i)=(x_i1,…,x_ip)^T（x_i1为截距项）。区位s的空间变系数向量为β?(s)=(β?₁(s),…,β?_p(s))^T，空间效应可分解为全局均值与空间偏差：β?(s)=β(全局)+β_s(局部空间偏差)，区位s_i的回归均值（线性预测项）为η_i=x_i^Tβ?(s_i)。先验分布设定为β?～N(μ_β, Σ_β)，其中μ_β=1_nβ，1_n为全1向量，Σ_β=H(α)T，H(α)为基于Matérn协方差的空间相关矩阵，T为p×p的系数交叉协方差矩阵。对于高斯响应变量，单区位数据模型为Y(s_i)=x_i^Tβ?(s_i)+ε_i，随机噪声ε_i服从方差为τ²的正态分布；所有观测的向量形式为y|β?, τ²～N(η, τ²I_n)，其中y=(y₁,…,y_n)^T，η=(x₁^Tβ?(s₁),…,x_n^Tβ?(s_n))^T，似然函数可据此推导。后验分布为β?|y～N(m_β?, V_β?)，其中m_β?为后验均值，V_β?为后验协方差。新区位s₀的系数预测为β?(s₀)|y～N(β+C_0,obs(H(α)T)^-1(β?-μ_β), T-C_0,obs(H(α)T)^-1C_0,obs^T)，其中C_0,obs为新区位s₀与各观测区位的协方差（基于Matérn协方差函数计算）。贝叶斯SVC模型通过层次化设定与马尔可夫链蒙特卡洛(MCMC)等计算方法实现，能够灵活纳入复杂空间依赖结构、多水平数据特征与先验信息，为空间异质性建模提供了不同于频率学派的范式。