Incorporating Spatial Dynamics and Temporal Dependency in Land Use Change Models

This article formulates an empirical discrete land use model within a spatially explicit economic structural framework for land use change decisions. The underlying framework goes beyond mechanistically fitting models for the spatial process of land use change to more closely link landowner decision behavior to land use patterns. At the same time, the article explicitly considers spatial spillover effects in the decisions of landowners of proximately located parcels. These spillover or peer influences may be due to strategic or collaborative partnerships between landowners, and can be associated with variables observable to the analyst (such as accessibility to city centers and market places) and variables unobservable to the analyst (such as perhaps soil quality and neighborhood attitudes/politics). In addition to spatial spillover effects, heterogeneity is also likely to exist in the decision‐making process of different landowners because of differential responsiveness to various signals relevant to decision making. This leads to correlation in land uses across time that is stationary for the same spatial unit. The article accommodates these technical considerations by formulating a random coefficients spatial lag discrete choice model using a fine resolution for the spatial unit of analysis. Time‐varying random effects are also considered to capture the effects of time‐varying unobserved factors (for instance, unobserved landowner attitudes regarding specific land uses may shift over time). The model is estimated using Bhat's maximum approximate composite marginal likelihood inference approach. The analysis is undertaken using the City of Austin parcel‐level land use database for multiple years (1995, 2000, 2003, and 2006). The estimation results indicate that proximity to highways and other roadways, distance from floodplains, parcel location in the context of existing development, and distance from schools are important determinants of land use. As importantly, the results provide very strong evidence of temporal dependency and spatial dynamics in land use decisions. There is also a suggestion that major highways may not only physically partition regions, but may also act as social barriers for didactic interactions among individuals. Este artículo presenta un modelo empírico discreto de uso de tierra dentro de un marco económico estructural espacialmente explícito para la toma de decisiones de cambio de uso de suelo. El marco utilizado por los autores va más allá del ajuste mecánico de modelos al proceso espacial de cambio de uso de suelo pues vincula más estrechamente el comportamiento y decisión del terrateniente a los patrones de uso observados. Al mismo tiempo, el estudio considera explícitamente los efectos espaciales de difusión en las decisiones de los propietarios de las parcelas cercanas. Esta difusión (spillover) o influencia de los pares puede deberse a alianzas estratégicas o de colaboración entre los terratenientes. También pueden estar asociadodos a variables observables (como la accesibilidad a los centros de las ciudades y plazas de mercado), así como a las variables no observables (por ejemplo, la calidad del suelo y las actitudes o tendencias políticas de los residentes). Además de los efectos de spillover, también es probable que exista heterogeneidad en el proceso de toma de decisiones de los diversos terratenientes, debido a su diferente capacidad de respuesta a las distintas señales que influencian la toma de decisiones. Esto conduce a que exista correlación en los usos del suelo a través del tiempo que es estacionaria para la misma unidad espacial. En el estudio todas las consideraciones técnicas mencionadas son tomadas en cuenta mediante la formulación de un modelo de elección discreta con rezago espacial con coeficientes aleatorios (random coefficients spatial lag discrete choice model) usando unidades espaciales de alta resolución. Para capturar los efectos de los factores no observados que varían temporalmente los autores utilizan efectos aleatorios (random effects) (por ejemplo, las actitudes de los terratenientes con respecto a usos específicos de tierras pueden cambiar con el tiempo). El modelo propuesto es estimado utilizando el enfoque inferencial de similitudes marginales de aproximaciones máximas compuestas de Bhat (2011) (maximum approximate composite marginal likelihood ‐MACML). El análisis se lleva a cabo usando una base de datos de a nivel de parcela base de uso de la tierra de la ciudad de Austin, Texas para varios años (1995, 2000, 2003 y 2006). Los resultados de la estimación indican que la proximidad a las autopistas y otras carreteras, la distancia de las llanuras de inundación, la ubicación de parcela en el contexto del desarrollo urbano existente, y la distancia a las escuelas, son factores importantes para el uso de suelo. Adicionalmente, los resultados proporcionan evidencia muy clara de la dependencia temporal y la dinámica espacial en las decisiones de uso de suelo. El estudio también sugiere que las carreteras principales dividen las regiones no sólo físicamente, sino que también pueden actuar como barreras sociales para las interacciones entre los individuos. 本文提出了土地利用变化决策下空间经济结构框架的一种经验离散土地利用模型。土地利用变化的空间过程与土地所有者决策行为更为紧密连接的土地利用模式,使得潜在的框架超出已有拟合模型。同时,本文明确认为毗邻地块区位在地主决策中具有空间溢出效应。这种溢出或对等效应可能源于与地主有战略上或合作伙伴的关系,并且这种效应分为分析中可测的变量关联（如城市中心和市场区的可达性）和不可测的变量关联（如可能为土地质量和邻居态度/政策）两种。除空间溢出效应,异质性也可能存在于不同地主决策制定的过程中,因为多种信号的不同响应与决策制定相关。这种异质性导致了土地利用在相同空间单元时间演化过程中的相关性是平稳的。本文在理解这些含义的基础上对此采纳的技术考虑是,通过利用随机高分辨率的空间滞后离散选择模型来分析空间单元。随时间变化的随机效应也被考虑用来捕获不可测的时变因子效应（如不可测的关于特殊土地利用的地主态度可能随时间改变）。本文的模型通过Bhat’s（2011）提出的近似最大联合边缘似然推断方法（MACML）进行估计。分析数据来源于奥斯汀市土地利用关于地块尺度多年的数据库（1995,2000,2003,2006）。估计结果表明,与高速公路和其它道路的近邻性,与洪泛平原的距离,现状开发条件下的地块区位,以及跟学校的距离对于土地利用模式的确定是非常重要的决定因素。同样重要的是,该结果为空间动力学与时间依赖性的土地利用决策提供了非常强的证据。本结果也显示主要高速公路不仅是区域分割的物质表征,而且在个体之间的交流中扮演着社会障碍的角色。     

Developing Spatial Weight Matrices for Incorporation into Multiple Linear Regression Models: An Example Using Grizzly Bear Body Size and Environmental Predictor Variables

In this study, we develop spatial autoregressive (SAR) models relating grizzly bear body length to environmental predictor variables in the Alberta Rocky Mountains. We examine the ability of several different spatial neighborhoods to model spatial dependence and compare the estimated parameters and residuals from a standard linear regression model (LRM) with those from three types of SAR models: error, lag, and Durbin. Further, we examine variable selection in the presence of negative dependence by repeating the modeling process using a SAR model. Two findings are that significant negative spatial dependence was present in the residuals of the LRM and that the choice of spatial neighborhood greatly affects the ability to detect spatial dependence. The incorporation of appropriate spatial weights into SAR models improves the fit and increases the significance of the parameter estimates vis‐à‐vis the linear model. The results of this study indicate that negative dependence may not have as severe negative effects on variable selection and parameter estimation as positive dependence. An examination of spatial dependence in regression modeling appears to be an important means of exploring the appropriateness of a sampling framework, predictor variables, and model form. En este estudio desarrollamos modelos espaciales autorregresivos (SAR) que vinculan la longitud del cuerpo de osos grizzli con variables predictivas ambientales en las montañas rocosas de Alberta, Canadá. Examinamos la capacidad de varias vecindades espaciales para modelar la dependencia espacial y la comparación de los parámetros estimados, así como los residuos de un modelo de regresión lineal estándar (LRM) versus tres tipos de modelos SAR: error, retraso (lag) y Durbin. Además, se examina la selección de variables en la presencia de dependencia negativa mediante la repetición del proceso de modelado con un modelo de SAR. El estudio concluye que: 1) existe dependencia espacial negativa significativa en los residuos de la LRM y; 2) la selección de la vecindad espacial afecta en gran medida la capacidad de detectar la dependencia espacial. La incorporación de ponderaciones espaciales correspondientes a los modelos SAR mejora el ajuste y aumenta la importancia de los parámetros estimados versus el modelo lineal. Los resultados de este estudio indican que la dependencia negativa puede no tener los graves efectos negativos en la selección de variables y la estimación de parámetros si se comparan dichos efectos con = la dependencia positiva. Los autores recomiendan un examen de la dependencia espacial en modelos de regresión como medio importante para explorar la conveniencia de un marco de muestreo, de variables de predicción, y de la forma del modelo. 本文构建了阿尔伯达省落基山脉地区的灰熊体态大小与环境预测变量之间的空间自回归模型（SAR）,检验了几种以不同空间邻域矩阵拟合变量的空间相关性,并比较了标准回归模型(LRM)与几种不同类型的SAR模型（空间残差模型、空间滞后模型和空间杜宾模型）的估计参数和残差大小。进而利用一种SAR模型重复模拟过程,进一步测试变量选择对负相关性存在的影响。研究表明,显著的空间负相关存在于LRM的残差中,且空间邻域权重的选择很大程度上影响模型空间相关性的探测能力。将适当的空间权重引入SAR模型中可提高拟合精度,增加相对于线性模型参数估计的显著性。研究结果表明,负相关性在变量选择和参数估计上严重负影响的程度不如正相关性强。回归模型中空间相关性检验似乎是采样结构、预测变量和模型形式适用性分析的一个重要途径。     

Assessing Quality of Spatial Models Using the Structural Similarity Index and Posterior Predictive Checks

Model assessment is one of the most important aspects of statistical analysis. In geographical analysis, models represent spatial processes, where variability in mapped output results from uncertainty in parameter estimates. Slight spatial misalignments can cause inflated error scores when comparing maps of observed and predicted variables using traditional error metrics at the level of individual spatial units. We conceptualize spatial model assessment as a continuous value map comparison problem and employ methods from image analysis to score model outputs. The structural similarity index, a measure that attempts to replicate the human visual system using a local region approach, is used as an exploratory map comparison statistic. The measure is implemented within a Bayesian spatial modeling framework as a discrepancy measure in a posterior predictive check of model fit. Results are reported for simulation studies representing a variety of spatial processes in a spatial and space–time context. A case study of rainfall mapping in Sri Lanka demonstrates the proposed methodology applied to assessment of Bayesian kriging interpolations. Both simulation studies as well as the case study demonstrate that the approach reveals hidden spatial structure not uncovered by traditional methods. The spatially sensitive assessment methodology provides a diagnostic tool to support spatial modeling and analysis. La evaluación de modelos es uno de los aspectos más importantes de análisis estadístico. En el análisis geográfico, los modelos representan procesos espaciales en los que la variabilidad en los outputs es el resultado de la incertidumbre en los parámetros estimados. Leves desajustes espaciales pueden inflar los valores de error en la comparación entre los mapas de las observaciones y los mapas de las predicciones de las variables si es que se usan medidas tradicionales de medición de error al nivel de unidades espaciales individuales. Los autores conceptualizan la evaluación de modelos espaciales como un problema de comparación mapas de valor continuo y emplea métodos de análisis de imágenes para cuantificar los resultados del modelo. Se utiliza el índice de similitud estructural (SSIM), una medida que intenta replicar el sistema visual humano utilizando un enfoque de región local, como técnica de exploratoria comparación estadística de mapas. El índice es implementado dentro de un marco de modelización espacial bayesiano como medida de discrepancia en la comprobación posterior de predicción del desempeño del modelo. Los resultados se presentan para varios casos de simulación que representan una serie de procesos espaciales en un contexto espacio‐temporal y espacial. Un estudio de caso de mapeo de lluvias en Sri Lanka sirve como demostración de la metodología propuesta y su aplicación a la evaluación de las interpolaciones tipo krigeage (kriging) bayesianas. Tanto los estudios de simulación, así como el estudio de caso demuestran que el enfoque propuesto revela la estructura espacial oculta no evidenciada por métodos tradicionales. La metodología de evaluación espacialmente sensible que se presenta en este artículo proporciona una herramienta de diagnóstico para apoyar la elaboración de modelos y análisis espacial. 模型评估是统计分析中最为重要的内容之一。在地理分析中用模型表达空间过程,参数估计的不确定性会导致地图输出结果的可变性。当采用传统误差指标度量,在个体空间单位水平上进行观测和预测变量的地图比较时,微小的空间错位就可能导致误差的倍增。为此,本文通过将空间模型评估指标概念化为一个连续值图比较问题,并利用图像分析方法来评定模型输出。一种尝试以局域方法仿制人类视觉系统的度量指标——结构相似指数(SSIM),被用作为探索性地图的比较统计量。在贝叶斯空间模型框架下实现其量算,并将其作为一个偏差度量应用于模型拟合的后预测校验。仿真研究的结果显示出空间及时空环境下多类空间过程。以斯里兰卡降雨过程图为案例,展示了上述方法对贝叶斯克里格插值的准确性评估。仿真研究与实证结果均证明本文提出的方法可揭示以往传统方法掩盖的空间结构特征,空间敏感性评价为本研究的空间建模和分析提供了一个诊断工具。     

A New Method of Adaptive Zoning for Spatial Interaction Models

Spatial interaction models commonly use discrete zones to represent locations. The computational requirements of the models normally arise with the square of the number of zones or worse. For computationally intensive models, such as land use–transport interaction models and activity‐based models for city regions, this dependency of zone size is a long‐standing problem that has not disappeared even with increasing computation speed in PCs—it still forces modelers to compromise on the spatial resolution and extent of model coverage as well as on the rigor and depth of model‐based analysis. This article introduces a new type of discrete zone system, with the objective of reducing the time for estimating and applying spatial interaction models while maintaining their accuracy. The premise of the new system is that the appropriate size of destination zones depends on the distance to their origin zone: at short distances, spatial accuracy is important and destination zones must be small; at longer distances, knowing the precise location becomes less important and zones can be larger. The new method defines a specific zone map for every origin zone; each origin zone becomes the focus of its own map, surrounded by small zones nearby and large zones farther away. We present the theoretical formulation of the new method and test it with a model of commuting in England. The results of the new method are equivalent to those of the conventional model, despite reducing the number of zone pairs by 96% and the computation time by 70%. Los modelos de interacción espacial suelen utilizar zonas discretas para representar áreas o puntos de interés. Los requisitos computacionales de estos modelos normalmente aumentan a razón del número de zonas elevadas al cuadrado o más. Para modelos computacionalmente intensivos como los modelos de interacción entre uso de suelo y transporte y los modelos basados en actividades para ciudades‐región, el impacto del tamaño de la zona es un problema persistente no superado aun. Esta limitación persiste a pesar de los grandes avances en la velocidad de procesamiento en computadoras, pues obliga a los modeladores a hacer concesiones entre la resolución espacial y la extensión que abarca el modelo, así como en el rigor y profundidad del análisis. En este artículo se presenta un nuevo tipo de sistema de zonas discretas que: a) tienen como objetivo reducir el tiempo de estimación de la aplicación de modelos de interacción espacial; y b) al mismo tiempo mantienen su nivel de precisión. La premisa que gobierna este nuevo sistema es que el tamaño apropiado de las zonas de destino depende de la distancia a su zona de origen: a distancias cortas, la precisión espacial es importante y las zonas de destino deben ser pequeño; a distancias mas largas, conocer la ubicación precisa es progresivamente menos importante y las zonas pueden ser mayores. El nuevo método define un mapa específico de zonas para cada zona de origen; cada zona de origen se convierte en el foco de su propio mapa, rodeada de zonas cercanas pequeñas y zonas grandes a mayor distancia. El estudio presenta la formulación teórica del nuevo método y su demostración vía un modelo de desplazamientos residencia‐trabajo en Inglaterra. Los resultados del nuevo método son equivalentes a las del modelo convencional, a pesar de reducir del número de pares de zonas en un 96% y el tiempo de cálculo en un 70%. 空间相互作用模型通常采用离散区域代表区位。模型的计算量往往与区域数量呈平方甚至更高阶增长。对于可计算的精细模型,如土地利用‐交通相互作用模型和基于行为的城市区域模型,区域尺度的依赖性是长期存在的问题,即使计算机的计算速度增加,该问题仍无法消除。因此,建模者需在模型空间分辨率和覆盖范围以及模型分析的严谨性和深度上做出权衡。本文介绍了一种新型的离散分区系统,目的在于减少空间相互作用模型估算和计算时间,同时维持其精度。新系统的前提是目标区域的适当尺度取决于与初始区域的距离：在短距离范围内,空间精确性是重要的,且目标区域必须是小的;在更远距离上,位置精度的重要性降低,目标区域可以变大。该方法为每个初始区域制定了具体的尺度地图。每个初始区域成为其自身地图的中心,被近邻的小区域和更远距离的大区域所包围。本文给出了新方法的理论公式,并以英格兰地区的通勤模型进行检验。结果显示,尽管区域对的数量减少了96%,计算时间缩短了70%,但新方法的计算结果等效于常规模型。     

Nonparametric Estimation of the Spatial Connectivity Matrix Using Spatial Panel Data

We use moments from the covariance matrix for spatial panel data to estimate the parameters of the spatial autoregression model, including the spatial connectivity matrix W. In the unrestricted spatial autoregression model, the parameters are underidentified by one when W is symmetric. We show that a special case exists in which W is asymmetric and its parameters are exactly identified. If the panel data are stationary and ergodic, spatially and temporally, the estimates of W and the spatial autoregression coefficients are consistent. Spatial panel data for house prices in Israel are used to illustrate this methodology. Los autores usan momentos de una matriz de covarianza para datos panel espaciales para estimar los parámetros del modelo de autoregresión espacial (spatial autoregressive model), incluyendo la matriz de conectividad (o de ponderación) espacial W. En el modelo de autoregresión espacial sin restricciones, los parámetros están sub‐identificados por un valor de uno en los casos que la matriz W es simétrica. Los autores demuestran que existe un caso especial en el cual la matriz W es asimétrica y sus parámetros tienen cálculo exacto. Si los datos panel son estacionarios y ergódicos, espacial y temporalmente, los estimados de W y el coeficiente de autoregresión espacial son consistentes. Para ilustrar la metodología propuesta, los autores usan datos‐panel espaciales de precios de vivienda en Israel. 本文通过采用空间面板数据的协方差矩阵对包含空间相关矩阵W的空间自回归模型进行参数的矩估计。在无约束空间自回归模型中,W是对称矩阵时,参数可由其估计得到。本文展示了一种W是对称矩阵且其参数能够被精确估计的特殊情况。如果面板数据在时间与空间特征上具有平稳性和遍历性,那么W和空间自回归参数的估计是一致的。最后,针对以色列住房价格的空间面板数据采用此方法进行实证研究。     

Exposing Unobserved Spatial Similarity: Evidence from German School Choice Data

In a spatial context, flexible substitution patterns play an important role when modeling individual choice behavior. Issues of correlation may arise if two or more alternatives of a selected choice set share characteristics that cannot be observed by a modeler. Multivariate extreme value (MEV) models provide the possibility to relax the property of constant substitution imposed by the multinomial logit (MNL) model through its independence of irrelevant alternatives (IIA) property. Existing approaches in school network planning often do not account for substitution patterns, nor do they take free school choice into consideration. In this article, we briefly operationalize a closed‐form discrete choice model (generalized nested logit [GNL] model) from utility maximization to account for spatial correlation. Moreover, we show that very simple and restrictive models are usually not adequate in a spatial choice context. In contrast, the GNL is still computationally convenient and obtains a very flexible structure of substitution patterns among choice alternatives. Roughly speaking, this flexibility is achieved by allocating alternatives that are located close to each other into nests. A given alternative may belong to several nests. Therefore, we specify a more general discrete choice model. Furthermore, the data and the model specification for the school choice problem are presented. The analysis of free school choice in the city of Dresden, Germany, confirms the influence of most of the exogenous variables reported in the literature. The estimation results generally indicate the applicability of MEV models in a spatial context and the importance of spatial correlation in school choice modeling. Therefore, we suggest the use of more flexible and complex models than standard logit models in particular. En un contexto espacial, los patrones sustitución flexible juegan un papel importante en el modelamiento del comportamiento de las decisiones individuales. Varios problemas de correlación pueden presentarse si dos o más alternativas de elección comparten características no observables por el modelador. Los modelos de valor extremo (multivariate extreme value‐MEV) ofrecen la posibilidad de relajar la propiedad de sustitución constante (constant substitution) presente en los modelos logit multinomiales (multinomial logit‐MNL), a través de su propiedad de independencia de alternativas irrelevantes (Independence of irrelevant alternatives property ‐IIA). A menudo, los enfoques existentes en la planificación de redes escolares no toman en consideración los patrones de sustitución y de libre elección de escuela. En este artículo, los autores presentan brevemente el funcionamiento de un modelo de elección discreta (discrete choice model) para la maximización de utilidad o modelo logit anidado generalizado (generalized nested logit model‐GNL) para dar cuenta de la autocorrelación espacial. Los autores sostienen que modelos demasiado simples y restrictivos no suelen ser adecuados en un contexto de elección espacial. En contraste el modelo GNL es conveniente en términos de su computación y obtiene una estructura muy flexible de los patrones de sustitución entre las alternativas de elección. En términos generales, esta flexibilidad se logra mediante la asignación (o anidación) de las alternativas cercanas en el espacio (una alternativa puede pertenecer a varios nidos). Por lo tanto, los autores presentan un modelo de elección discreta más general. El estudio presenta además datos y la especificación del modelo para un caso de elección de escuela concreto: el análisis de libre elección de escuela en la ciudad de Dresden, Alemania. El análisis confirma la influencia de la mayoría de las variables exógenas presentes en la literatura. Los resultados de la estimación demuestran en términos generales la aplicabilidad de los modelos MEV en un contexto espacial y la importancia de la autocorrelación espacial en el modelado de elección de escuela. Los autores concluyen sugiriendo el uso de modelos más flexibles y complejos que los modelos utilizados habitualmente, en particular los modelos logit estándar. 从空间视角看,灵活的替代模式在个人行为选择建模中发挥着重要作用。当存在两个或两个以上备选方案集具有共性且无法被建模者观察到时,就可能出现相关性问题。多元极值模型（MEV）通过不相关的替代属性（IIA）实现了对多元logit模型（MNL）中常数限制的松弛替代。现有校园网络规划方法通常无法解释替代模式,而且没有考虑到自由择校因素。本文简要地建立一个封闭离散选择模型（广义嵌套（GNL）模型）,从效用最大化角度来解释空间相关性。此外分析还表明,非常简单的约束模型通常不具有足够的空间选择情境。相比之下,GNL模型计算便捷,且可以在各选择方案中获得非常灵活的替代模式。大致而言,这种灵活性大体是通过与住处位置距离上彼此靠近的替代选择分配而获得,一个给定的选择可能属于不同的住处。因此,我们给出了一个更一般的离散选择模型。此外,还给出了针对择校问题的数据和模型设定。基于德国德累斯顿市自由择校分析,证实了已有研究中多数外生变量的影响。估计结果证实了MEV模型在空间分析中的适用性以及择校模型中空间相关的重要性,并建议使用更加灵活和复杂的模型而不是标准的logit模型。     

Geoadditive Models for Regional Count Data: An Application to Industrial Location

We propose a geoadditive negative binomial model (Geo‐NB‐GAM) for regional count data that allows us to address simultaneously some important methodological issues, such as spatial clustering, nonlinearities, and overdispersion. This model is applied to the study of location determinants of inward greenfield investments that occurred during 2003–2007 in 249 European regions. After presenting the data set and showing the presence of overdispersion and spatial clustering, we review the theoretical framework that motivates the choice of the location determinants included in the empirical model, and we highlight some reasons why the relationship between some of the covariates and the dependent variable might be nonlinear. The subsequent section first describes the solutions proposed by previous literature to tackle spatial clustering, nonlinearities, and overdispersion, and then presents the Geo‐NB‐GAM. The empirical analysis shows the good performance of Geo‐NB‐GAM. Notably, the inclusion of a geoadditive component (a smooth spatial trend surface) permits us to control for spatial unobserved heterogeneity that induces spatial clustering. Allowing for nonlinearities reveals, in keeping with theoretical predictions, that the positive effect of agglomeration economies fades as the density of economic activities reaches some threshold value. However, no matter how dense the economic activity becomes, our results suggest that congestion costs never overcome positive agglomeration externalities. Nuestra propuesta se basa en un modelo geoaditivo binomial (Geo‐NB‐GAM) para datos de recuento regionales (regional count data) que nos permitan abordar simultáneamente distintos temas metodológicos importantes como la concentración espacial (clustering), no linealidades y sobre‐dispersión. Este modelo es aplicado al estudio de determinantes de localización de nuevas inversiones de tipo greenfield internas (inward greenfield investments) que se dieron entre 2003 y 2007, en 249 regiones europeas. Luego de presentar el conjunto de datos y de mostrar la presencia de sobre‐dispersión y agrupación (concentración) espacial, examinamos el marco teórico que motiva los determinantes de localización incluidos en el modelo empírico, y resaltamos algunas de las razones por las que las relaciones entre ciertas co‐variables y la variable dependiente podrían ser no lineales. La sección subsiguiente comienza con descripción de las soluciones propuestas por la literatura anterior para abordar la concentración espacial, no linealidades, y sobre‐dispersión, para luego presentar el Geo‐NB‐GAM. El análisis empírico muestra el buen desempeño del Geo‐NB‐GAM. Particularmente, la inclusión del componente geo‐aditivo (una superficie de tendencia espacial suavizada) nos permite controlar heterogeneidades espaciales no observadas que inducen a la concentración espacial. Al permitir no linealidades se revela ‐continuando con las predicciones teóricas‐ que el efecto positivo de las economías de aglomeración se desvanece a medida que la densidad de las actividades económicas alcanza un umbral de valor. Sin embargo, sin importar cuán densa llegue a ser la actividad económica, nuestros resultados sugieren que los costes de congestión nunca superan las externalidades de aglomeración positivas. 本文提出了一种应用于区域统计数据的负二项式地理加性模型,它能够同时处理包括空间聚类、非线性和过度离散等多种重要的方法论问题。将该模型应用于2003‐2007年的249个欧洲案例区,探讨其内部绿地投资的区位因子。在揭示了数据集样本分布具有过度离散与空间聚类特征后,我们对所构建的关于区位驱动因子的实证模型进行了核查,以确定是否遗漏重要变量,并高亮显示为何有些变量与因变量的关系可能是非线性的。本文后续部分首先描述了已有文献在解决空间聚类、非线性与过度离散等情景下的解决方案,并简要介绍了本文的Geo‐NB‐GAM模型。实证分析表明,该模型具有良好的模拟效果,尤其是地理加性成分（一种平滑的空间趋势面）在处理包括空间聚类在内的未被关注的空间异质性。非线性模型揭示出集聚经济的正向效应,随着经济活动密度阈值呈衰减趋势,这一点和理论预测是一致的。然而,本文结果显示无论经济活动的密度呈现何种变化,正向集聚的外部效应仍大于拥挤成本。.     

Spatial Distribution of Trees and Landscapes of the Past: A Mixed Spatially Correlated Multinomial Logit Model Approach for the Analysis of the Public Land Survey Data

Public Land Survey (PLS) data have been widely used in landscape studies of forest and woodlands in the pre‐ and early‐European‐settled Midwestern and Western United States. We aim to reconstruct presettlement forest vegetation at a finer spatial resolution than available from the PLS data using environmental covariates (slope, aspect, geology, and soil type) and the spatially correlated structure of witness tree data. To accommodate various data obtained from multiple sources while explicitly taking into account their spatial structures, we adopt a mixed spatially correlated multinomial logit model within the framework of a generalized linear mixed model. The application of the proposed model is illustrated using the three most abundant tree taxa from PLS data in the Arbuckle Mountains of south‐central Oklahoma. To assess the influence of each source of information on the spatial prediction, we considered four variant multinomial/spatial models and evaluated their relative predictive power using a validation technique. The probabilistic information about the spatial distribution of tree species obtained from different models reveals the need to integrate information about witness tree data as well as environmental covariates, and the nature of tree species; that is, a tendency to cluster in space to share environmental conditions in the reconstruction of the presettlement forest vegetation surface. Los datos sobre el uso y cobertura de tierras del Public Land Survey (PLS) han sido utilizados ampliamente en estudios de paisaje de bosques y de bosques históricos para periodo previo al asentamiento de migrantes europeos en el medio oeste y oeste de los Estados Unidos. Nuestro objetivo es reconstruir la vegetación forestal previa al asentamiento europeo a una resolución espacial más fina que la disponible actualmente en base a datos del PLS, usando covariables ambientales (pendiente, orientación, geología y tipo de suelo) y la estructura de correlación espacial de los datos de los árboles testigos. Para dar cabida a los diversos datos obtenidos de fuentes múltiples, y a la vez teniendo en cuenta explícitamente sus estructuras espaciales, adoptamos un modelo logit multinomial espacial mixto dentro del marco de los modelos mixtos lineales generalizados (GLMM). La aplicación del modelo propuesto es ilustrada con los tres tipos más abundantes de árboles según los datos del PLS para las montañas de Arbuckle en el centro‐sur de Oklahoma, EEUU. Para evaluar la influencia de cada fuente de información sobre la predicción espacial, se consideraron cuatro variantes de los modelos multinomial y espaciales. El poder predictivo de dichos modelos fue evaluado en relación con una técnica de validación. La información probabilística acerca de la distribución espacial de las especies de árboles obtenidos a partir de los diferentes modelos revela que para la reconstrucción de la superficie de la vegetación forestal histórica, es necesario integrar la información sobre los datos de árboles testigos así como las covariables ambientales y la naturaleza de las especies de árboles: es decir, la tendencia de los arboles a agruparse en el espacio para compartir las mismas condiciones ambientales. 公共土地调查(PLS)数据在欧洲人定居美国中西部和西部地区之前以及早期的森林和林地景观研究中得到广泛应用。本文旨在利用环境协变量（坡度、坡向、地貌和土地类型）证据树数据的空间关联结构,重建比PLS数据中更有效的更精细空间分辨率的前殖民期森林植被。为集成多种来源的各类数据,并明确地考虑数据间的空间结构,本文在广义线性混合模型(GLMM)框架下提出了混合空间关联多项Logit模型。以俄克拉荷马州中南部的阿尔布克尔山脉为研究区,提取PLS数据中三种最丰富的树种对模型进行验证。为估计每种信息来源对模型空间预测准确性的影响,本文考虑了4种变异的多项/空间模型并运用验证技术评估它们的相对预测能力。从不同模型获得的树种空间分布的概率信息表明,需要对证据树数据、环境协变量和树种自然属性信息进行集成,也就是说,在重建前殖民期森林植被曲面时,空间上的集聚趋势共享了环境条件。     

A Spatiotemporal Analysis of Groundwater Level Changes in Relation to Urban Growth and Groundwater Recharge Potential for Waukesha County,Wisconsin

The main objective of this study was to analyze spatially and temporally groundwater level changes using geographic information systems and spatial analysis with respect to urban development, groundwater withdrawal, and groundwater recharge potential. The study focused on Waukesha County in southeastern Wisconsin, where urban development has been accelerating while groundwater has been declining over the last several decades. We analyzed data about groundwater withdrawal, groundwater level, land use/land cover, and precipitation utilizing correlation analysis, geographically weighted regression, land use change analysis, and map overlay. Our findings include the following: the extent of urban areas expanded faster in regions with high recharge potential than in those with low or moderate recharge potential; the correlation of urban growth with groundwater level is highly variable over time and space; and changes in groundwater level are strongly related to the spatial distribution of groundwater withdrawal. The study pinpointed the need to consider the spatial unevenness of groundwater withdrawal in understanding the changes in groundwater level and groundwater recharge potential for better management of groundwater resources. Un análisis espacio‐temporal de los cambios de nivel de aguas subterráneas en relación con el crecimiento urbano y de las aguas subterráneas de recarga para el Condado de Waukesha, Wisconsin El objetivo principal de este estudio es analizar espacial y temporalmente los cambios del nivel de aguas subterráneas utilizando sistemas de información geográfica (SIG) y análisis espacial con respecto al desarrollo urbano, la extracción de agua subterránea, y el potencial de recarga. El área de estudio es el condado de Waukesha, en el sureste de Wisconsin, donde el desarrollo urbano se ha acelerado mientras que las aguas subterráneas han disminuido en las últimas décadas. Se analizaron los datos sobre la extracción y nivel de aguas subterráneas, la cobertura vegetal/uso del suelo, y la precipitación utilizando un análisis de correlación, una regresión ponderada geográficamente (geographically weigted regression ‐GWR), un análisis de cambio de uso del suelo, y la superposición de mapas (map overlay). Los resultados muestran que: (1) la extensión de las zonas urbanas se incrementó más rápidamente en regiones con alto potencial de recarga que en áreas con potencial de recarga de bajo o moderado; (2) la correlación entre el crecimiento urbano y el nivel de aguas subterráneas es muy variable tanto temporal como espacialmente; y, (3) los cambios en el nivel de aguas subterráneas están fuertemente relacionados con la distribución espacial de las actividades de extracción del recurso. El estudio identificó la necesidad de considerar la irregularidad del patrón espacial de la extracción de aguas subterráneas con el fin de mejorar la comprensión de los cambios en el nivel y el potencial de recarga y así promover una mejor gestión de los recursos hídricos subterráneos. 本研究主要目的在于通过地理信息系统(GISs)和空间分析的时空视角,对城市发展的地下水水位变化,地下水开采和地下水潜在补给进行分析。本文研究区为威斯康星州东南部的沃基肖县,该区在过去近几十年里城市快速增长而地下水急剧减少。通过地下水开采、地下水水位、LUCC（土地利用/土地覆盖LULC）和降水的数据分析,采用方法包括相关分析、地理加权回归模型（GWR）、土地利用变化分析和地图叠加分析。研究结果包括：（1）高地下水补给的城市地域范围的扩大幅度快于中等或低补给地区;（2）城市增长与地下水水位的相关性在时间和空间上是高度变化的;（3）地下水开采的空间分布与地下水位的变化呈强相关。研究精确地指出,为更好管理地下水资源,在理解地下水位变化和地下水潜在补给时需考虑地下水开采的空间不均匀。     

Spatial and Scale‐Dependent Controls on North American Pan‐Arctic Minimum River Discharge

Spatial patterns of minimum monthly river discharge in the North American Pan‐Arctic and its potential controls are explored with geographically weighted regression (GWR). Minimum discharge is indicative of soil water conditions; therefore, understanding spatial variability of its controls may provide insights into patterns of hydrologic change. Here, GWR models are applied to determine a suitable combination of independent variables selected from a set of eight variables. A model specification with annual mean river discharge, temperature at time of minimum discharge, and biome describes well the spatial patterns in minimum discharge. However, minimum discharge in larger watersheds is influenced more by temperature and biome distributions than it is in small basins, suggesting that scale is critical for understanding minimum river discharge. This study is the first to apply GWR to explore spatial variation in Pan‐Arctic hydrology. Factores de control espaciales y dependientes de escala en las descargas fluviales mínimas de ríos Pan‐Articos en Norteamérica. El artículo explora los patrones espaciales de caudales fluviales mínimos mensuales la región pan‐ártica de Norteamérica y sus posibles factores de control haciendo uso de una regresión ponderada geográficamente (geographically weigted regression‐GWR). Los caudales mínimos son indicadores de las condiciones del agua en el suelo, y por lo tanto el entendimiento de la variabilidad espacial de los factores que los controlan puede ayudar a comprender los patrones de cambio hidrológico. En el presente estudio, varios modelos de tipo GWR son aplicados para determinar una combinación adecuada de variables independientes seleccionadas a partir de un conjunto de ocho variables. El modelo que utiliza la media anual media de descarga fluvial, la temperatura en el momento de caudal mínimo, y el bioma, proporciona una buena descripción de los patrones espaciales en la descarga mínima. Sin embargo, en las cuencas hidrográficas grandes, la descarga mínima está más influenciada por la temperatura y la distribución de los biomas que en el caso de cuencas más pequeñas, lo que sugiere que la escala es fundamental para entender la descarga mínima fluvial. Este estudio es el primero en aplicar GWR para comprender la variación espacial en la hidrología de la región pan‐ártica. 基于GWR（地理加权回归模型）对北美泛北极地区月份最小河流流量的空间模式和潜在控制进行研究。最小流量暗示水土条件;因此,理解空间分异及控制可深刻理解水文变化的模式。GWR可从8个变量中提取一组独立变量的适当组合。通过年均河流流量、最小流量时的温度和生物群落,来描述最小下泄流量的空间格局。在大范围流域中,最小流量受到温度和生物群落分布的影响大于在小规模的流域,揭示出在河流最小流量分析中尺度是非常重要的。本文首次将GWR应用于泛北极水文空间异质性分析。     

Optimal Weights for Focused Tests of Clustering Using the Local Moran Statistic

Local spatial statistics measure and test for spatial association for a variable or variables of interest in a geographic neighborhood surrounding a predefined location. Most applications adopt a single scale of analysis but give little attention to the scale of the process generating the data. Alternatively, when the researcher is uncertain about the process scale, local statistics may examine a number of scales. In these cases, it is important to include a correction for multiple testing when evaluating the statistical significance of each local statistic, something that is rarely done. Consequently, local statistics are more likely to identify significant relationships, even when no meaningful spatial association exists. In this article, we develop a methodology for the local Moran statistic that provides both an empirical estimate of the spatial scale of association and an assessment of the significance of the statistic for that scale. The key idea is to test a number of possible choices for the statistic's weight matrix and then account for the multiple testing associated with the number of weight matrices examined. Unlike previous research, our statistic avoids the use of simulation to determine statistical significance in the presence of multiple testing. To test the validity of our approach, we constructed a numerical example to assess the statistic's performance and conducted an empirical study using leukemia data from central New York state. The developed statistic addresses the need for the empirical determination of weights and spatial scale. The test therefore addresses the common weakness of many applications, where weights are defined exogenously, with little or no thought given to either the definition or its implications. Los indicadores locales (local spatial statistics) evalúan la asociación espacial de una o varias variables de interés dada un área predefinida y sus áreas vecinas. La mayoría de dichas medidas utilizan una escala única de análisis y prestan poca atención a la escala del proceso de generación de los datos. En los casos en los que el investigador no está seguro de la escala del proceso, las los indicadores locales pueden ser evaluados a varias escalas. En dichos casos, cuando se hace la evaluación de la significancia estadística de cada indicador local, es importante incorporar una corrección para pruebas múltiples (multiple tests), un ajuste que raramente se realiza en la gran mayoría de estudios. Debido al problema de pruebas múltiples, los indicadores locales son más propensos a identificar relaciones significativas, incluso cuando no existe asociación espacial significativa alguna. En este artículo los autores desarrollan una metodología que produce un índice local de Moran que proporciona tanto una estimación empírica de la escala espacial de la asociación así como una evaluación de la importancia del indicador para dicha escala. La idea clave es poner a prueba una serie de opciones posibles para la definición de la matriz de pesos espaciales (spatial weight matrix) del índice y luego tomar en cuenta las pruebas múltiples asociadas con el número de matrices de peso examinadas. A diferencia de métodos anteriores, el indicador local propuesto evita el uso de simulaciones para determinar la significancia estadística con pruebas múltiples. Para probar la validez del enfoque propuesto, se construyó un ejemplo numérico con el fin de evaluar el desempeño del nuevo índice y se llevó a cabo un estudio comparativo a partir de datos del centro de leucemia del estado de Nueva York. El índice desarrollado responde a la necesidad de definir las ponderaciones (pesos) empíricamente y la escala espacial. De esta forma el método propuesto supera limitaciones comúnmente halladas de muchas aplicaciones en las cuales los pesos son definidos exógenamente, con poca o ninguna atención a su definición o su implicancias. 局部空间统计量可用于度量和检验预定地理区域周围邻域的空间关联。大多数情况下仅采用单一尺度的分析而较少关注数据生成过程的尺度。而当其过程尺度无法确定时,局部统计量却可能检测出多个尺度。在这些案例中,对单个局部统计量统计显著性评估建立多重检验的修正是重要的,而这却鲜有实施。因此,即使存在无意义的空间关联时,局部统计也更可能识别出显著的相关性。 本文发展了一种基于局部Moran统计的方法,提供了空间尺度关联性的经验估计以及对该尺度下统计显著性的评估。其核心思想是测试统计权重矩阵的可能选择,然后考虑与权重矩阵检验数量数目相关的多重检验。与以往研究不同,该方法在多重检验情况中避免了采用模拟来确定统计显著性。为检验其有效性,采用了数值案例来评估其统计性能,并基于纽约州中部的血癌数据进行比较研究。该方法解决了权重和空间尺度确定经验估计的需求,通过验证也相应地解决了很多应用中的普遍弱点,即权重被定义成外生变量,而很少或根本没有考虑其定义或含义。     

A Dynamic Spatial Weight Matrix and Localized Space–Time Autoregressive Integrated Moving Average for Network Modeling

Various statistical model specifications for describing spatiotemporal processes have been proposed over the years, including the space–time autoregressive integrated moving average (STARIMA) and its various extensions. These model specifications assume that the correlation in data can be adequately described by parameters that are globally fixed spatially and/or temporally. They are inadequate for cases in which the correlations among data are dynamic and heterogeneous, such as network data. The aim of this article is to describe autocorrelation in network data with a dynamic spatial weight matrix and a localized STARIMA model that captures the autocorrelation locally (heterogeneity) and dynamically (nonstationarity). The specification is tested with traffic data collected for central London. The result shows that the performance of estimation and prediction is improved compared with standard STARIMA models that are widely used for space–time modeling. En los últimos años, se han propuesto diversas especificaciones de modelado estadístico para describir procesos espacio‐temporales. Esto incluye el modelo espacio‐temporal autorregresivo integrado de media móvil (STARIMA) y sus varios derivados. Estas especificaciones de modelo asumen que la correlación de los datos puede ser adecuadamente descrita por parámetros que se fijan a nivel global en el espacio y/o tiempo. Dichos parámetros son inadecuados para los casos en los que las correlaciones entre los datos son dinámicas y heterogéneas, como en el contexto de los datos de la red. El objetivo de este artículo es describir la autocorrelación en los datos de red con una matriz de ponderación espacial dinámica y un modelo STARIMA localizado (LSTARIMA) que captura la autocorrelación local (heterogeneidad) de forma dinámica (no estacionariedad). La especificación del modelo es evaluada con datos de tráfico recolectados en el centro de Londres. Los resultados demuestran que los rendimientos de estimación y predicción mejoran con el método propuesto en comparación con los modelos STARIMA estándar que son ampliamente utilizados para el modelado de espacio‐temporal. 通过设定多种统计模型来描述地理时空过程已提出多年,包括时空自回归移动平均(STARIMA)及其变形。此类模型通过假设数据相关性可由在时间域或者空间域上全局不变的参数加以充分描述。因此,上述模型不适用于具有动态或异质相关性的数据,如网络数据。本文试图采用一个动态空间权重矩阵与局部时空自回归移动平均(LSTARIMA)模型来描述数据的自相关程度,以此捕捉局域自相关(异质性)和动态自相关(非平稳性)。以伦敦市中心的交通数据作为模型的实证案例的测试结果显示,相对于广泛应用于时空过程分析的标准STARIMA模型,本文的模型在参数估计和预测性能上均有提升。     

Spatial Patterns of March and September Streamflow Trends in Pacific Northwest Streams, 1958–2008

Summer streamflow is a vital water resource for municipal and domestic water supplies, irrigation, salmonid habitat, recreation, and water‐related ecosystem services in the Pacific Northwest (PNW) in the United States. This study detects significant negative trends in September absolute streamflow in a majority of 68 stream‐gauging stations located on unregulated streams in the PNW from 1958 to 2008. The proportion of March streamflow to annual streamflow increases in most stations over 1,000 m elevation, with a baseflow index of less than 50, while absolute March streamflow does not increase in most stations. The declining trends of September absolute streamflow are strongly associated with seven‐day low flow, January–March maximum temperature trends, and the size of the basin (19–7,260 km²), while the increasing trends of the fraction of March streamflow are associated with elevation, April 1 snow water equivalent, March precipitation, center timing of streamflow, and October–December minimum temperature trends. Compared with ordinary least squares (OLS) estimated regression models, spatial error regression and geographically weighted regression (GWR) models effectively remove spatial autocorrelation in residuals. The GWR model results show spatial gradients of local R ² values with consistently higher local R ² values in the northern Cascades. This finding illustrates that different hydrologic landscape factors, such as geology and seasonal distribution of precipitation, also influence streamflow trends in the PNW. In addition, our spatial analysis model results show that considering various geographic factors help clarify the dynamics of streamflow trends over a large geographical area, supporting a spatial analysis approach over aspatial OLS‐estimated regression models for predicting streamflow trends. Results indicate that transitional rain–snow surface water‐dominated basins are likely to have reduced summer streamflow under warming scenarios. Consequently, a better understanding of the relationships among summer streamflow, precipitation, snowmelt, elevation, and geology can help water managers predict the response of regional summer streamflow to global warming. Patrones espaciales de las tendencias de los caudales de marzo y septiembre en el Pacífico Noroccidental. Los caudales (streamflows) de verano son recursos hídricos vitales para el abastecimiento de agua municipal y domestico así como para el riego agrícola, el hábitat de los salmónidos, la recreación, y para varios servicios de los ecosistemas en el Pacífico Noroccidental (Pacific Nortwest‐PNW) de los Estados Unidos. Este estudio identifica tendencias negativas considerables en los caudales absolutos de septiembre en la mayoría de las 68 estaciones de medición situadas en ríos y arroyos no regulares del PNW entre 1958 y 2008. La proporción del caudal de marzo con respecto al caudal anual aumenta en la mayoría de las estaciones situadas a más de 1000 metros de altitud, que tienen un índice de caudal base (base flow index‐BFI) de menos de 50, pero se mantiene estable en el resto (la mayoría) de las estaciones. Las tendencias decrecientes de los caudales absolutos de septiembre están fuertemente asociadas con el caudal mínimo para siete días (seven‐day low), con las tendencias de temperatura máxima entre enero y marzo, y con el tamaño de la cuenca (19‐7,260 km2). Las tendencias crecientes de la proporción del caudal total correspondiente a marzo están asociadas con la elevación, con un equivalente a agua de la nieve de abril (one April snow wáter equivalent ‐SWE), con la precipitación de marzo, el center timing (TC) de los caudales, y con las tendencias de temperatura mínima entre octubre y diciembre. En comparación con los estimados de modelos de regresión de tipo mínimos cuadrados ordinarios (ordinary least squares‐OLS), los modelos de regresión de error espacial (spatial error regression‐SER) y de regresión ponderada geográficamente (geographically weighted regression‐GWR) eliminan eficazmente la autocorrelación espacial en los residuos. Los resultados del modelo GWR producen mapas con gradientes espaciales donde los valores de los R² locales son consistentemente más altos en las cascadas del norte. Este resultado pone de manifiesto que diferentes factores hidrológicos del paisaje, tales como la geología y la distribución estacional de la precipitación, también influyen en las tendencias de los caudales en el PNW. Adicionalmente, los resultados del modelo de análisis espacial muestran que la inclusión de diversos factores geográficos ayuda a aclarar la dinámica de las tendencias de los caudales en un área geográfica grande, corroborando la mayor utilidad de modelos con enfoque de espacial sobre modelos. Los resultados indican también que en cuencas transicionales (entre lluvia y nieve) donde predominan las aguas superficiales existe una probabilidad más alta de reducccion de caudal de verano en el contexto de escenarios de calentamiento. En consecuencia, una mejor comprensión de las relaciones entre caudal de verano, la precipitación, el derretimiento de nieve, la elevación y la geología puede ayudar a los gestores del agua a predecir la respuesta de los caudales de verano en un escenario de calentamiento global. 夏季径流是美国太平洋西北部地区(PNW)市政与居民水供应、灌溉、鱼类栖息、娱乐及水相关生态系统服务的重要来源。本研究通过1958–2008年PNW地区68个地理位置上未调节的径流测量站分析揭示出九月绝对径流量与该地区水来源呈显著的负相关趋势。三月径流占年际径流量的比例在大多数海拔超过1000米的地区是增加的,然而大多数地区基本径流指数（BFI）少于50,表明三月绝对径流量在多数地区并没有增加。九月绝对径流量的下滑趋势与年均为期7天的低流量,1月–3月最大温度趋势及流域面积（19–7,260 km²）呈强相关性,而三月绝对径流量微量增加的趋势则与海拔高度,四月一日的雪水当量（SWE）,三月降水,径流中心时序（CT）和十月至十二月最小温度趋势相关。与OLS(普通最小二乘法估计)回归模型相比,空间滞后回归（SER）和地理加权回归模型（GWR）能有效剔除空间自相关的残差而更有效。GWR结果显示局部R²值在空间上渐变梯度,并且在北美洲喀斯喀特山脉（Cascade）：北部地区高于其他地区。该发现表明不同水文景观因子,如地质、降水的季节分布,也会对PNW的径流趋势产生影响。另外,我们的空间分析模型结果显示,考虑多种地理因素可解析大面积的地理区域中径流量空间分布趋势的动力机制, 为预测径流趋势提供一种优于OLS空间估计回归模型的空间分析方法。结果表明气候变暖背景下,季节性降水、地表水主导的流域极可能减少夏季径流量。因此,更好地理解夏季径流量与降水、融雪水、海拔和地质的关系,可帮助水资源管理者预测区域夏季径流对全球变暖的响应。     

Cognitive Value and Numerical Accuracy in Geocomputation: Choosing a Method to Compute the Log‐Jacobian Term

This article addresses the importance of cognitive value, numerical accuracy, and technical feasibility for geospatial models and methods. Researchers pursue large spatial data in an analysis to improve the statistical efficiency of parameter estimates and the cognitive value of the results. The critical requirement for this strategy is the availability of numerically accurate computational methods, without which parameter estimates lose their cognitive value. This article illustrates the relationship between cognitive value and numerical accuracy by establishing properties of popular polynomial schemes for approximating the log‐Jacobian term in spatial autoregressive models. It shows that numerical inaccuracies might be more misleading than is commonly assumed. En este artículo se aborda la importancia del valor cognitivo, la precisión numérica, y la viabilidad técnica de los modelos y métodos geoespaciales. Los investigadores interesados en análisis espacial tienden a preferir el uso de bases de datos de gran tamaño con el fin de mejorar la eficiencia estadística de sus estimaciones de parámetros y el valor cognitivo de los resultados. El requisito crítico para esta estrategia es la disponibilidad de métodos computacionales numéricamente precisos, sin los cuales las estimaciones de parámetros pierden su valor cognitivo. En este artículo se ilustra la relación entre el valor cognitivo y precisión numérica mediante la determinante jacobiano tipo log en modelos espaciales autorregresivos (spatial autorregresive models‐SAR). El estudio demuestra que las imprecisiones numéricas pueden ser más engañosas de lo que se asume comúnmente. 本文描述了地理空间模型和方法中认知价值、数值精度、技术可行性的重要性。研究者一般倾向于通过追求大规模空间数据,来提升参数估计的统计有效性和结果的认知价值。这一策略的关键是有实用的精确数值计算方法,否则参数估计将失去其认知价值。本文通过建立普遍使用的多项式方案来逼近空间自回归（SAR）模型中的Log‐Jacobian,从而说明认知价值和数值精度间的关系。结果表明数值不确定性可能比通常假设的误导性更大。     

A Spatial Autoregressive Poisson Gravity Model

In this article, a Poisson gravity model is introduced that incorporates spatial dependence of the explained variable without relying on restrictive distributional assumptions of the underlying data‐generating process. The model comprises a spatially filtered component—including the origin‐, destination‐, and origin‐destination‐specific variables—and a spatial residual variable that captures origin‐ and destination‐based spatial autocorrelation. We derive a two‐stage nonlinear least‐squares (NLS) estimator (2NLS) that is hetero‐scedasticity‐robust and, thus, controls for the problem of over‐ or underdispersion that often is present in the empirical analysis of discrete data or, in the case of overdispersion, if spatial autocorrelation is present. This estimator can be shown to have desirable properties for different distributional assumptions, like the observed flows or (spatially) filtered component being either Poisson or negative binomial. In our spatial autoregressive (SAR) model specification, the resulting parameter estimates can be interpreted as the implied total impact effects defined as the sum of direct and indirect spatial feedback effects. Monte Carlo results indicate marginal finite sample biases in the mean and standard deviation of the parameter estimates and convergence to the true parameter values as the sample size increases. In addition, this article illustrates the model by analyzing patent citation flows data across European regions. En el presente artículo, se introduce un modelo de gravedad Poisson, que incorpora la dependencia espacial de la variable explicada, sin apoyarse en presunciones de distribución restrictivas del proceso subyacente de generación de datos. El modelo comprende de un componente espacialmente filtrado, que incluye las variables de origen, destino y origen‐destino específico; y una variable espacial residual que captura la auto‐correlación espacial basada en el origen y destino. Se deriva del calculador (2NLS) de dos etapas no lineales de mínimos cuadrados (NLS), el cual es robusto en heterocedasticidad, y por ello controla el problema de sobre‐dispersión o baja‐dispersión (over and under dispersion), que a menudo se presenta en el análisis empírico de datos discretos; o, en el caso de de sobre‐dispersión, cuando se presenta la auto correlación espacial. Este calculador puede demostrar tener propiedades deseables para diferentes supuestos distribucionales, como los flujos observados un componente (espacialmente) filtrado, ya sea Poisson o binomial negativo. En nuestra especificación de modelo espacial auto regresivo (SAR), las estimaciones de los parámetros resultantes se pueden interpretar como los efectos de impacto total implícitos, definidos como la suma de efectos espaciales, directos o indirectos, de retroalimentación (feedback). Los resultados Monte Carlo indican sesgos marginales de muestras finitas en la media y la desviación estándar de los parámetros estimados, y la convergencia de los valores de los parámetros reales, a medida que aumenta el tamaño de muestra. Este artículo ilustra el modelo mediante el análisis de flujos de datos de citas de patentes, a través de las regiones europeas. 本文提出了一种蕴含空间依赖的泊松引力模型,该模型中解释变量无需依赖潜在数据生成过程的限制性分布假设。该模型由包含起点、终点、起点‐终点特定变量的空间滤波组分和空间残差变量组成,能捕捉到基于起点和终点的空间自相关。我们推导出一个二阶非线性最小二乘（NLS）估计（2NLS）,它对异方差具有鲁棒性,从而可控制对于离散或过离散数据经验性分析中经常出现的过离散和低离散问题。如果空间自相关存在,过离散数据分析就是一个例子。对于不同的分布假设,如或泊松分布或是负二项式分布的观测流或（空间）滤波组分,该估计量显示出令人满意的性能。在本文的空间自回归（SAR）模型设定中,参数估计结果可解释为隐含的全局影响效应,并可被定义为直接和间接的空间反馈效应之和。蒙特卡罗结果给出了参数估计中均值、标准差的临界有限样本偏差,且随样本量增大收敛于真正参数值。此外,本文基于欧洲地区专利引用的流数据进行了模型验证。     

Continuous‐Time Modeling with Spatial Dependence

(Spatial) panel data are routinely modeled in discrete time (DT). However, compelling arguments exist for continuous‐time (CT) modeling of (spatial) panel data. Particularly, most social processes evolve in CT, so that statistical analysis in DT is an oversimplification, gives an incomplete representation of reality, and may lead to misinterpretation of estimation results. The most compelling reason for a CT approach is that, in contrast to DT modeling, it allows adequate modeling of dynamic adjustment processes. This article introduces spatial dependence in a CT modeling framework. We propose a nonlinear structural equation model (SEM) with latent variables for estimation of the exact discrete model (EDM), which links CT model parameters to DT observations. The use of a SEM with latent variables enables a specification that accounts for measurement errors in the variables, leading to a reduction of attenuation bias (i.e., disattenuation). The SEM‐CT model with spatial dependence developed here is the first dynamic SEM with spatial dependence. A simple regional labor market model for Germany, comprising changes in unemployment and population as endogenous state variables, and changes in regional average wages and in the structure of the manufacturing sector as exogenous input variables, illustrates this spatial econometric SEM‐CT framework. El modelamiento de datos panel espaciales se realiza habitualmente utilizando una conceptualización del tiempo discreto (TD). Sin embargo, existen argumentos de peso para conceptualizar el tiempo de manera continua (TC). En concreto, la mayoría de procesos sociales se desarrolla en TC, por lo que el análisis estadístico en DT trae como consecuencia una simplificación excesiva de los procesos, da una representación incompleta de la realidad, y puede conducir a una interpretación errónea de los resultados de la estimación. La razón más convincente para el uso de un enfoque CT es que a diferencia de modelos DT, una conceptualización CT permite el modelado adecuado de los procesos de ajuste dinámico (dynamic adjustment). Este artículo incorpora la dependencia espacial en un marco de modelamiento con CT. Los autores proponen un modelo de ecuaciones estructurales no lineal (nonlinear structural equation model ‐SEM) con variables latentes para la estimación del modelo discreto exacto (exact discrete model‐EDM), que vincula los parámetros del modelo CT a las observaciones de DT. El uso de un SEM con variables latentes permite una especificación que da cuenta de los errores de medición en las variables, dando lugar a una reducción del sesgo de atenuación (es decir, “desatenuacion”). El modelo SEM‐CT con dependencia espacial desarrollado en el presente estudio es el primer SEM dinámico con dependencia espacial. Para ilustrar el marco conceptual SEM‐CT los autores presentan un modelo simple del mercado laboral regional de Alemania. El modelo está compuesto por los cambios en el desempleo y la población como variables endógenas de estado, y los cambios en los salarios regionales promedio y en la estructura del sector manufacturero como variables de entrada exógenas. （空间）面板数据通常基于离散时间（DT）进行建模。然而更令人信服的观点是基于连续时间（CT）进行（空间）面板数据建模。特别是多数社会过程均在连续时间中演化,基于离散时间的统计分析可能过度简化,使得对现实状况的表达不完备,并可能导致对估计结果的错误解释。相比于离散时间（DT）建模,连续时间（CT）建模最具说服力的原因在于在建模过程中允许足够多的动态调整。本文介绍了CT模型框架中的空间依赖性。把CT模型参数链接到DT观察值中,我们提出了用于估计精确离散模型（EDM）的包含潜变量的非线性结构方程模型（SEM）。包含潜在变量的SEM提供了变量测量误差的计算方案,使得衰减偏差（如反衰减性）减小。本文了提出的空间相关SEM‐CT模型是第一个动态空间相关的SEM模型,并以德国一个简单的区域劳动力市场模型为例,以失业和人口构成变化为内生状态变量,以区域平均工资和制造业结构部门变化为外生输入变量,阐述了该空间计量SEM‐ CT模型的框架。     

Regional Coverage Maximization: A New Model to Account Implicitly for Complementary Coverage

Achieving the greatest coverage using limited resources has long been a concern for regional planners. Since the 1970s, a variety of models have been studied and relied upon. Finding ways to best represent geographical space remains a challenge to many researchers. Solutions suggested by models vary greatly with different space representation schemes. For example, in the past, points have been widely adopted to represent spatial demand for coverage. However, this simple abstraction of geographical space could bring about inaccuracies and uncertainties, and often compromises its solution quality. Considering that demand can be area based, which is beyond points, objects of different shapes have been proposed as an alternative for representation. With advances in geographic information systems (GISs), the new representation scheme using objects has recently received much attention. Compared with the straightforward point‐based abstraction, spatial object representation poses considerable challenges to both model formulation and computation capability. This article revisits model development for the problem of regional coverage maximization and proposes a new formulation where coverage of spatial demand is implicitly modeled. Model testing is conducted through an application to warning siren siting in Dublin, Ohio, which has been studied by other researchers. Results demonstrate the effectiveness of the new model when compared with the existing models. Uno de los objetivos comunes en la planificación regional es lograr la máxima cobertura de un servicio con recursos limitados. Desde la década de los 70s se vienen utilizado una serie de modelos conocidos. Sin embargo, la representación adecuada del espacio geográfico de dichos modelos sigue siendo un problemática para muchos investigadores. Las soluciones derivadas de los modelos varían considerablemente de acuerdo a los diferentes esquemas de representación utilizados. El uso de puntos por ejemplo, ha sido ampliamente utilizado en el pasado como esquema de representación espacial de la demanda a ser cubierta por el servicio. Sin embargo, esta simple abstracción del espacio geográfico puede provocar imprecisiones e incertidumbres que a menudo afectan la calidad de la solución matemática del modelo. En contraste, si la demanda se define como un área que abarca una extensión que va más allá de los puntos es posible proponer—como lo han hecho varios recientemente‐ el uso de objetos espaciales (de formas variadas) como una alternativa sensata de representación. Con los avances en los sistemas de información geográfica (SIG), este nuevo esquema de representación ‐que usa objetos especiales‐ han recibido considerable atención. En contraste con esquemas sencillos como el basado en puntos, la representación de objetos espaciales presenta varios desafíos en cuanto a la formulación y computación del modelo. El presente artículo reseña el desarrollo del modelamiento del problema de máxima cobertura regional (problem of regional coverage maximization) y propone una nueva formulación en la cual la cobertura de la demanda en el espacio es modelada de manera implícita. La evaluación del modelo se realiza a través de una aplicación que usa datos de la ubicación sirenas de alarma en Dublín, Ohio. Los resultados demuestran la eficacia del nuevo modelo en comparación con los modelos existentes. 利用有限资源实现最大覆盖一直广受区域规划者关注。自20世纪70年代以来,发展了大量针对这一问题的模型研究。寻找最佳的地理空间表达方式仍是研究者面临的一大挑战。不同模型对于不同的空间表达模式变化很大。比如过去空间覆盖需求多采用点集表达。然而,这种简单的地理空间抽象方法可能会引起不精确性和不确定性,通常也会导致解决方案质量下降。考虑到需求可能是基于区域而非基于点,不同形状的对象已经被当作空间表达可替代的方式。随着GIS技术的进步,基于对象空间表达的新方案近来备受关注。较之于直接基于点的空间抽象,空间对象表达在模型的形式化表达和计算性能上均面临相当大的挑战。本文回顾了区域最大覆盖问题模型研究的发展历程,提出了一个新的蕴含空间覆盖建模需求的模型。以曾被诸多学者研究过的俄亥俄州都柏林的报警器选址问题为例对模型进行检验,结果显示新模型较现有模型更为有效。     

Weighted‐Average Least Squares Applied to Spatial Econometric Models: A Monte Carlo Investigation

Recently, model averaging techniques have been employed widely in empirical investigations as an alternative to the conventional model selection procedure, a procedure criticized because it disregards a major component of uncertainty, namely, uncertainty regarding the model itself, and, thus, it leads to the underestimation of uncertainty regarding the quantities of interest. Bayesian model averaging (BMA) is one of the most popular model averaging techniques. Some studies indicate that BMA has cumbersome aspects. One of the major practical issues of using BMA is its substantial computational burden, which obstructs the process of obtaining exact estimates. A simulation method, such as Markov chain Monte Carlo (MCMC), is required to resolve this problem. Weighted‐average least squares (WALS) estimation has been proposed as an alternative to BMA. The computational burden of WALS estimation is negligible; therefore, it does not require the MCMC method. Furthermore, WALS estimation has theoretical advantages over BMA estimation. This article presents two contributions to the WALS literature. First, it applies WALS to spatial lag/error models in order to consider spatial dependence. Second, it extends WALS in order to consider explicitly the problem of multicollinearity by employing the technique of principal component regression. The small sample properties of the estimators of the proposed models are examined using Monte Carlo experiments; the results of these experiments suggest that the standard WALS may produce biased estimates when the underlying data‐generating process is a spatial lag process. Results also indicate that when the correlation among the regressors is high, the standard WALS estimators may suffer from large variances and root mean squared errors. Both of these problems are significantly mitigated by using the proposed models. Las técnicas de promediado de modelos (model averaging) vienen siendo empleadas con creciente frecuencia en las investigaciones empíricas como una alternativa a los procedimientos convencionales de selección de modelos estadísticos. Dichos procedimientos convencionales han sido criticados por no tomar en cuenta un componente clave de la incertidumbre: la incertidumbre del modelo en sí, y por lo tanto, conducen a la subestimación de la incertidumbre en la cuantificación de las valores estimados. El promediado bayesiano de modelos (Bayesian Model Averaging‐BMA) es una de las técnicas de promediado más usadas. Algunos estudios indican que BMA tiene aspectos engorrosos: uno de los principales aspectos prácticos a considerar en su uso es su pesada carga computacional, la cual obstruye el proceso de obtención de estimaciones exactas. Esta limitación hace necesario el uso de métodos de simulación, como el de la cadena de Markov de Monte Carlo (Markov Chain Monte Carlo‐MCMC). La estimación de mínimos cuadrados usando un promediado ponderado (Weighted‐Average Least Squares‐WALS) ha sido propuesta como alternativa a BMA. La carga computacional de la estimación WALS es mínima y por lo tanto no requiere del uso de MCMC. Más aun, la estimación WALS posee ventajas teóricas sobre BMA. Este artículo presenta dos contribuciones a la literatura especializada de WALS. En primer lugar, aplica WALS a modelos espaciales tipo lag/error con el fin de incorporar la dependencia espacial. En segundo lugar, modifica el método WALS, a fin de considerar explícitamente el problema de la multicolinealidad entre variables mediante el empleo de la técnica de regresión de componentes principales (Principal Component Regression‐PCR). Luego los autores utilizan experimentos Monte Carlo para examinar las propiedades de tipo “muestra pequeña” (small simple) de los estimadores de los modelos propuestos. Los resultados de los experimentos sugieren que el método WALS estándar puede producir estimaciones sesgadas cuando el proceso generador de datos subyacente (Data Generating Process‐DGP) es un proceso de retardo espacial (Spatial Lag Process‐SLP). Los resultados también indican que cuando la correlación entre las variables es alta, los estimadores estándar de WALS pueden padecer de varianzas y errores cuadráticos medios (root mean squared errors‐RMSEs) atípicamente grandes. Ambos problemas son mitigados significativamente mediante el uso de los modelos propuestos en el presente artículo. 近来,模型平均技术作为与传统模型选择流程可替换的方法,在经验调查中得到广泛应用。传统的模型选择流程忽视了模型本身的不确定性,进而低估了感兴趣样本数量的不确定性而受到批评。贝叶斯模型平均技术(BMA)是最为流行的模型平均技术之一。但已有研究表明,BMA在某些方面较为繁琐复杂,一个最主要的问题是其巨大的计算负荷阻碍模型了精确估计的过程,因此需要利用马尔可夫‐蒙特卡洛(MCMC) 之类的模拟方法进行解决。加权平均最小二乘(WALS)估计可作为BMA的可替换方法,其优点在于计算负荷可以忽略不计,因此不需要采用MCMC方法解决计算负荷问题。此外,WALS估计相比于BMA估计在理论上有一定的优势。本文针对WALS的贡献有两点：将WALS应用于空间滞后/空间误差模型以考虑空间依赖性,并利用主成分回归(PCR)拓展WALS以明确考虑多重共线性问题。本文利用蒙特卡洛实验对所提模型估计的小样本特征进行测试,结果显示当潜在数据生成过程(DGP)是一个空间滞后过程时,标准WALS可能产生有偏估计;此外,当回归量的相关性较高时,标准WALS估计量可能有较大的方差和根均方差(RMSEs).而本文提出的加权平均最小二乘估计模型能很好地缓解这两个问题。     

Evaluating Polygon Overlay to Support Spatial Optimization Coverage Modeling

Minimizing costs and maximizing coverage are important goals in many planning contexts. These goals often necessitate an abstraction of a continuous demand region, resulting in potential errors when applying traditional coverage models. To reduce coverage errors caused by spatial abstraction, a number of spatial representation schemes have been proposed and applied. A new representation scheme using polygon overlay recently received much attention because potentially it can eliminate representation errors in coverage modeling. However, this overlay‐based approach is computationally challenging in terms of both the generation of demand units and the complexity of the resulting coverage model. This article investigates the operational and computational challenges of polygon overlay for delineating continuous demand in coverage models, an issue that has yet to be fully explored. We present a theoretical evaluation of the computational complexity associated with representation using polygon overlay in coverage modeling. Evaluations of two study regions provide empirical support for the computational complexity analysis. The analysis results provide insight regarding expected problem size and computational requirements if polygon overlay is relied upon to delineate demand unit boundaries in coverage modeling. La minimización de costos y la maximización de la cobertura espacial son objetivos importantes en muchos contextos de planificación. Estas metas a menudo requieren una abstracción de una región continua de demanda , dando lugar a posibles errores en la aplicación de modelos de cobertura tradicionales. Para reducir los errores de cobertura provocadas por la abstracción, la comunidad académica ha propuesto y aplicado una serie de esquemas de representación espacial. Recientemente un nuevo esquema de representación que utiliza la superposición de polígonos ha recibido mucha atención porque potencialmente puede eliminar los errores de representación en el modelado de la cobertura. Sin embargo, este enfoque es computacionalmente difícil, tanto en términos de la generación de unidades de demanda, como en la complejidad del modelo de cobertura resultante. Este artículo investiga los retos operacionales y de cómputo de la superposición de polígonos para delinear la región continua de demanda en los modelos de cobertura, un problema que aún no se ha explorado a fondo. Se presenta una evaluación teórica de la complejidad computacional asociada a la representación mediante superposición de polígonos en el modelado de cobertura espacial. Se presentan evaluaciones de dos regiones de estudio como apoyo empírico para el análisis de la complejidad computacional. Los resultados del análisis proporcionan información sobre el tamaño del problema esperado y los requerimientos computacionales en los casos en que el método de superposición de polígonos es usado para delinear límites de la región de demanda para el modelado de cobertura espacial 最小成本和最大区域覆盖是许多规划情境研究中的重要目标。实现这些目标通常需要对连续需求区域进行抽象,而这又会导致在应用传统覆盖模型时出现潜在误差。为减小由空间抽象引起的覆盖误差,已提出了一系列空间表达方案并得到应用。一种新型的利用多边形覆盖的表达方案,因其或可消除覆盖建模过程的表达误差,近来得到较多的关注。然而,这种基于覆盖的方法在需求单元生成与覆盖模型结果复杂性等方面面临着计算挑战。本文提出了一种在覆盖建模中采用多边形叠加表征的计算复杂度的理论评估方法。两个研究区域的评估为计算复杂度分析提供了经验支撑,如果在覆盖建模中多边形叠加依赖于描述需求单元边界时,该分析结果有助于深入考察预期问题规模大小及计算需求。     

A New Spatial Optimization Perspective on the Delineation of Metropolitan and Micropolitan Statistical Areas

The current method for delineating U.S. metropolitan and micropolitan statistical areas (collectively referred to as core‐based statistical areas—CBSAs) is to cluster counties based on the strength of commuting interactions between outlying areas and urban cores. The social and economic integration of a metropolitan or a micropolitan statistical area is operationalized using what we believe is an outdated, monocentric perspective on functional spatial structure: one that fixates solely on inward and reverse commuting. We propose a new spatial optimization model for delineating CBSAs that can better account for polycentric urban structure by considering all intercounty commuting linkages. Our model seeks to find the boundaries that maximize the containment of entire webs of intra‐CBSA intercounty commuting. We apply the proposed method to delineate alternative sets of metropolitan and micropolitan statistical areas for comparison with the federal government's currently defined (2010 Office of Management and Budget [OMB] standards) official CBSAs. El método actual para delimitar áreas estadísticas micropolitanas y metropolitana en los Estados Unidos (denomidado genéricamente áreas estadísticos nucleares o core‐statistical areas‐ CBSA) consiste en agrupar condados en base a la fuerza de las interacciones de los desplazamientos residencia‐trabajo entre las zonas periféricas y los núcleos urbanos. La integración social y económica de un área estadística metro y micro politana se pone en operación usando un enfoque funcional que los autores consideran obsoleto que se basa en una estructura espacial urbana monocéntrica. Dicho enfoque se limita únicamente a los desplazamientos hacia el interior y de vuelta. Los autores proponen un nuevo modelo de optimización espacial para delinear CBSAs que respresenta mejor una estructura urbana policéntrica que considera todos los desplazamientos entre condados. El modelo busca encontrar los límites que maximizan la inclusión de redes enteras de desplazamientos intra CBSA y entre condados. El método propuesto es aplicado para delinear conjuntos alternativos de áreas estadísticas metropolitanas y micropolitanas y es comparado con los límites oficiales actuales de CBSA proporcionados por gobierno federal (de acuerdo a los lineamientos de la Oficina de Administración y Presupuesto u Office of Management Budget‐OMB) en 2010). 目前用于描述美国大都市区与居住区统计区域（共同地被称为基于核心的统计区域—CBSAs）的方法,主要是基于边远地区和城市核心区间的相互作用强度对郡县进行聚类。大都市区或居住区统计区域社会与经济一体化的运作方式,采用的是一种功能空间结构上落伍的单中心视角,即仅关注内部交换或反向交换。本文提出了一种新的空间优化模型用于描述CBSAs,将所有内部通勤联系考虑在内,能更好地解释多中心城市结构。该模型力图发现能最大化包含内部CBSA通勤联系网的边界。最后,将该模型应用于大都市区和居住区的统计区域描述,并与联邦政府目前定义的官方CBSAs（管理与预算 [OMB]标准2010办公室）进行了对比研究。