企业官网建设流程全解析

上个月帮一家连锁品牌做门店选址复盘，我打开热点分析工具把全城门店的客流数据跑了一遍。投影仪上一放，满屏幕红红蓝蓝，运营总监指着东边那片红说：“这就是客流热点，继续往那边开店。”我在旁边补了一句：“您说的这个是值高的地方，不是热点分析里说的那种热点。”场面安静了三秒。

其实这话不难懂。热点分析作为空间统计里的明星工具，确实天天被用，但很多人对它的理解停留在“把高值标出来”的层面。这一篇我先不急着讲操作按钮，而是拆到概念层，聊清楚三件事：热点分析到底在算什么；Z得分和P值该怎么读；为什么邻居的定义一变，结果就跟着变。把这三件事琢磨透了，再去碰软件，才算真会用。

1. 一张彩色画片，为什么还不能叫热点分析

1.1 肉眼看到的一团红，未必是统计意义上的热点

我先说一个特别常见的场景。手里有一份犯罪记录点、病例点或者门店销售点数据，加载进GIS，选个渐变颜色，高值红、低值蓝，或者用分级符号把点画大画小，图一出来，立马有人指着红色聚集区说：“这里就是热点。”我带项目这么多年，几乎每回都有小伙伴这么干，而且理直气壮：“你看，这些地方数值就是高啊，不是热点是什么？”

先把结论放这儿：数值高和热点，是两码事。热点这个词，在空间统计里有一个更严格的含义——它不光说你这个地方的值高，还要求“高得不像随机瞎排能排出来的”。换句话说，热点分析最终回答的判断，不是“哪里大”，而是“哪里大得反常”。

为什么一定要抠这个字眼？因为肉眼识别模式这件事，极不可靠。人的视觉系统天生就擅长发现规律，哪怕数据完全是随机摆放的，你盯着一幅彩图看半天，也能找出几个“看起来聚集”的红点。这跟你在白墙上看到一块水渍就觉得像张脸是一个道理——大脑会自动补全图案。放到地图上就是：你把完全没有热点的数据渲染成彩色，照样有人从里面读出热点来。这不是观察者不专业，是视觉机制在捣乱。

1.2 同一份数据，换个分级方法就换了个结论

还有一个更坑的问题：同样的数据，用不同的分级方式画出来，视觉效果可以完全相反。这个我不止一次在培训课上演示过，每次都有学员发出“原来如此”的感叹。

同一份数值，用自然间断点分级，可能画出来红红一片，看起来到处是热点；换成等间距分级，又变成只有零星几个红点。为什么？因为自然间断点会把数值相近的类别归到一起，天然“照顾”了值域内部的聚集形态；等间距则不管你数据长什么样，纯按数值跨度切，切出来的图自然就是另一番光景。再极端一点，用分位数分级，每档数量强制相等，颜色深浅代表的已经不是量级，而是排名位置——图的含义直接变了。

颜色深浅一换、分级数量一改，读者心里的“热点分布”就跟着改了。一个结论的视觉表现如此不稳定，你拿它去支撑开店决策、警力部署或者卫生资源配置，心里能踏实吗？所以，空间统计才要引入假设检验那一套东西。我们需要的不是“看起来聚集”，而是“在随机排列的前提下，这种聚集出现的概率极低”。概率极低，才有底气说它是个真热点。

1.3 统计意义上的热点，回答的是“反常”

把口径统一一下。大家平时嘴上说的热点，一般有两种理解。

一种是把“热点”等同于“高值区”。比如聊房价热点，就是房价高的板块，这种理解偏描述性，没有概率判断成分，画个等级图就能说清楚。另一种是统计意义上的热点，指“高值且高值相互临近，导致局部出现反常富集”的区域。空间统计里的热点分析，做的是第二种。

既然是“反常”，就得有个参照系。空间统计的参照系就是“完全随机分布”。数据如果完全随机，理论上每个位置附近的高值、低值应该均匀混着，不会出现大片的红、大片的蓝。一旦某片区域的高值扎堆到不像随机能排出来的程度，统计检验就会给它判一个“显著”的标签。这个“显著”，才是热点分析输出结果里最有价值的东西，也是比单纯看颜色高一个维度的信息。以后再有同事指着渲染图说“这是热点”，你可以顺嘴问一句：这是描述上的热点，还是统计上显著的热点？这一问，基本就能把专业度和外行区分开。

2. 热点分析在算一道什么题：从“值高”到“被高值包围”

2.1 全局自相关说“有没有”，局部统计说“在哪里”

进入正题之前，得先给热点分析找个坐标。空间自相关分析有两大分支：全局型和局部型。全局型里最出名的要数Moran's I（莫兰指数），它输出的是一个总体数值，回答“整个研究范围内，属性到底存不存在空间聚集”。正的莫兰指数说明总体上高值挨高值、低值挨低值，负的则说明高低值交错。

但全局指数有个天生的毛病——它只告诉你“有聚集”，不告诉你“在哪聚”。举个例子，全城犯罪数据分析完，全局莫兰指数显著为正，你只知道整个城市确实存在犯罪聚集现象，但具体哪片街区聚集、哪片街区干净，全局指数一概不答。这就好比体检报告说你“身体存在异常”，但没告诉你异常在哪个器官。

这时候就需要局部统计上场。局部空间自相关指标有好几个，LISA、局部G统计量都算，热点分析就是最常用的那一类。它有别于全局思路的地方在于：挨个位置做检验，给每个位置输出一个判断——你是热点、你是冷点、你还是没啥特别的。理解了“全局给出结论，局部给出位置”这个定位，后面很多东西就串起来了。

2.2 核心思想：数豆子，比期望

热点分析的正式名称叫Getis-Ord Gi*统计量，是统计学家Getis和Ord在九十年代初提出来的。名字拗口，但思路特别朴素：对每个位置，划一个局部窗口，把窗口里的数值加起来，然后问一句——这个局部加总，比全球平均水平下的“期望加总”高出多少，高出的幅度能不能用随机性解释。

把这句话拆开看，三个关键词：

• 局部窗口：看一个数据点的时候，不能只看它自己，得带上它周围一圈邻居。窗口怎么定义，后文第四章会专门讲，这是热点分析里最容易出幺蛾子的地方。
• 期望加总：如果属性值在空间上完全随机分布，那任何一个窗口里的加总，应该大致等于“全局均值乘以窗口里的样本数”。
• 差异比较：实际加总与期望加总一比较，差得越多，越说明局部存在反常聚集。

老拿抽象概念说话容易飘，举个生活化的例子。你在操场上撒一把豆子，如果位置完全随机，任何一块方格里的豆子数量都跟平均密度差不了太多。突然有一片方格豆子多得异常，这片就对应“热点”。注意，豆子多的逻辑不是“单颗豆子大”，而是“好多豆子挤在一起”。热点分析干的事，就是给每个方格数豆子、算期望、比差异。谁窗口里的豆子数量反常地多，谁就是热点。

2.3 公式并不吓人：Gi*的分子分母各在干什么

有技术背景的朋友可能想看一眼公式，我把它摆出来，别怕，它没有看起来那么复杂：

Gi* = [Σ(w_ij · x_j) − X̄ × Σ(w_ij)] / { S × sqrt[ ( n × Σ(w_ij²) − (Σ(w_ij))² ) / (n−1) ] }

翻译成人话：

分子的前半部分 Σ(w_ij · x_j)，是“我窗口里的加权和”，也就是把所有邻居的值按权重加起来；后半部分 X̄ × Σ(w_ij)，是“如果纯随机，我窗口里应该有多少”。分子一减，得到的就是“实际值比随机期望多出来多少”。

分母则是“所有窗口波动的平均尺度”，也就是用来做标准化的标准差。为什么要除以它？因为不同数据的数值波动量级不一样。有的数据整体在几万上下跳，有的数据在零点几上下跳，不除以波动尺度，你就没法比较“差异大”到底有多大。分母一除，得到的就变成了一个无量纲的标准化分数。

这个标准化分数，正的就是局部偏高，对应热点方向；负的就是局部偏低，对应冷点方向；绝对值越大，说明越不像随机排的。整个结构，说白了就是我们在下一章要重点讲的Z得分。

2.4 Gi和Gi*：自己算不算邻居？

这里有个特别容易绕晕的细节，一定得分清楚：Gi和Gi就差一个星号，差别在于计算局部窗口时，要不要把被测点自己算进去。Gi只看邻居，Gi把自身也纳入窗口一起加总。

ArcGIS里的热点分析工具用的是Gi*，也就是“自己加邻居”。这个选择的实际含义很直白：当研究对象自己就是区域内的一部分时，它的属性和邻居的属性是共同构成聚集的。一个高值点夹在高值邻居之间，和孤零零一个高值点，处境完全不同。Gi*的“窗口包含自身”，能把这种区别体现出来。比如后面手算案例里我会展示，一个孤立高值点因为邻居全是低值，加总之后反而不突出；而一个被高值包围的点，哪怕自身值不是最高，加总之后也会非常醒目。

3. Z得分和P值：如何给“偶然性”打分

3.1 一张成绩单：Z得分是排位，P值是“蒙对”概率

热点分析输出给用户的，不是直接的局部加总，而是一套“标准化考试”的成绩单：Z得分和P值。多数刚接触的人看到这两个数字就发懵，其实拿考试来类比特别好懂。

Z得分的含义是，你的局部观测值偏离随机期望的幅度，换算成多少个标准差。Z=2.0，意味着观测到的聚集程度，比随机期望高出了2个标准差。所有位置算完之后，理论上这些Z得分近似服从标准正态分布，以0为中心，大部分落在正负1到2之间。

P值则回答另一个问题：如果全区域的属性完全随机，出现当前这种聚集结果的概率有多大。P=0.03，意思就是“瞎排都有3%的概率排出这种效果”。这个概率很低，我们就可以反过来推断：现实数据八成不是随机排出来的，这个位置确实存在统计意义上的聚集。Z得分衡量偏离的幅度和方向，P值衡量这个偏离有多“可信”，两个数字放一起看，才是完整的判断依据。

3.2 三档置信度怎么来的，对应什么业务含义

统计学里大家约定俗成，按P值大小给结论分档。热点分析工具通常输出三档置信度：

1.65、1.96、2.58不是拍脑袋定的，它们来自标准正态分布的分位数。双侧95%对应的分位数就是1.96，双侧99%对应的分位数是2.58。你只需要记住：Z得分的绝对值跨过2.58，就是“99%置信度”，这是实务里最常用的“硬热点”标准。

业务端怎么选档位也有讲究。我自己做项目时，如果结论涉及公共资源投放、安全防范这类高成本决策，会优先认99%置信度，把90%那档的边缘结果当成“待观察”；如果是前期探索性分析，只是想看看数据里有没有苗头，90%置信度也够用，毕竟探索阶段更重要的是不要漏掉潜在方向。置信度本质上是在“误报”和“漏报”之间做权衡，没有绝对的好坏。

3.3 GI_Bin分级：-3到+3直接出图

把Z得分和P值映射到分级，实操里最常看到的输出字段叫GI_Bin，取值范围是-3到+3：

• 3：99%置信度的热点（z ≥ 2.58）
• 2：95%置信度的热点
• 1：90%置信度的热点
• 0：不显著
• -1、-2、-3：分别对应90%、95%、99%置信度的冷点

这个字段最大的好处是直观。直接按-3到3做分级渲染，暖色给正、冷色给负、灰色给不显著，冷暖一目了然。我一般建议项目汇报里直接用带GI_Bin的图，而不是拿原始Z得分上色。原因是Z得分是个连续值，细微差异在图上容易被放大或者忽略，分档图反而更适合讲故事、做决策。“这里有几个99%置信度的热点”“那里有一片95%的冷点”，这么说话，听众不累，信息也不丢。

3.4 两个高频误解，说多了都是泪

这部分必须给初次接触的朋友泼盆冷水。

第一，Z得分高，不代表那个位置的值本身大。Z得分度量的是“局部聚集的程度”。一个值不高不低、但周围全是一般偏高的位置，Z得分可能很高；反过来，一个值全区域最大、但四周全是低值的位置，Z得分反而可能不显著，甚至会被归到“孤立高值”那一类，连热点都算不上。我见过一个真实案例：有人把全市门店营收数据跑完，看到Z大于2.58的全是客流密集商圈，而某个单店营收冠军因为周围店太少、位置太偏，GI_Bin居然是0，客户当场质疑工具坏了。工具没坏，是“值大”和“热点”被混为一谈了。

第二，P值小，不说明热点强度大。P=0.001和P=0.01都落在99%或95%置信度区间内，只说明“我们有多大的把握认为这不是随机”，不说明“热点强度的差距有多大”。强度要看Z得分的绝对值，可Z得分又受到样本量、空间权重设置的影响。所以，两个不同范围、不同样本量的研究，谁的热点“更热”，是不能直接拿数字比的。真要跨研究比较，得先统一口径、统一权重方案，否则比出来的全是幻觉。

还有一层容易被忽略的统计逻辑：多重检验。热点分析相当于同时对成千上万个位置做假设检验，哪怕数据完全是随机的，按照5%的显著性水平，一万个位置里也可能有大约五百个被误判为显著。这就好比买彩票的人一多，总有人中奖，不代表中奖的人真有“中奖体质”。针对这个问题，有些软件提供了FDR（错误发现率）校正选项，ArcGIS里就有。当你的数据量很大、又想兼顾全局可靠性时，建议勾上这个选项，它可以帮你控制“假热点”的总量。这个细节很多人不知道，但做实操的心里一定要有数。

4. 决定成败的空间权重：邻居怎么算，结果就怎么变

4.1 换一种邻居定义，热点就“搬家”

如果说Z得分和P值决定了热点分析“怎么判”，那空间权重就决定了“判谁”。用不同的邻居定义跑同一份数据，结果可能是完全不同的。

我做过一个演示实验：一份城市兴趣点数据，用固定2公里距离跑，热点聚在核心商圈；换成K近邻，每个点取最近20个邻居，再跑一遍，热点明显向次级商圈迁移。在场的同事当场就懵了——同样一份数据，两个结论，到底信哪个？答案是：信哪个，取决于你的“邻居”定义是否符合业务逻辑。空间权重就是热点分析的地基，地基不一样，楼上盖出来的房子自然不一样。

这里先补一个基础概念：空间权重矩阵。它是把“谁和谁是邻居、邻居关系的强弱怎么量化”组织成的一张表。行和列都对应数据里的位置，某个格子的值，表示两个位置之间的关联强度。行了，我们不深入矩阵运算的细节，只要记住：空间权重定义了每个点“看多远、怎么看”，它是热点分析里最核心也最容易被忽视的设定。

4.2 四类常见空间关系：选型即立场

先盘点最常用的几种空间关系：

选哪种不是随缘，决策逻辑应该是这样：如果你的研究现象有明确的辐射半径，比如外卖辐射3公里、景区影响5公里，那就用固定距离，距离带的上界按业务半径来定；如果你的现象是“近则强、远则弱”的扩散型，用反距离或反距离平方更贴合现实；如果数据是行政区汇总出来的面，邻接自然是最直接的邻居定义；如果样本在空间上疏密不均，固定距离会让稀疏地区找不到邻居，这时候K近邻反而能保证每个位置都有邻居参与计算。

另外还有一个小设定叫行标准化，操作选项里经常出现。它的作用是让每个位置对邻居的权重之和为1，好处是避免某些邻居特别多的位置在局部加总里天然占便宜。默认情况下多数工具会做行标准化，一般不用动，但如果你在对比不同权重方案的结果，最好确认一下各方案是否用了统一的标准。

4.3 固定距离阈值：拍脑袋前先看数据

固定距离参数最让人头疼的是“阈值到底定多少”。有人直接填个2公里，有人说“就用默认”，我见过最离谱的是拿地图的比例尺大概比划了一下。这些做法都有共同问题：没有让数据说话。

这里有一条经验路径，我一直在用：

1. 先用全局Moran's I（或类似的自相关指标）在多个距离下跑一遍，画出“距离与自相关强度”的变化曲线；
2. 找到自相关强度的第一个峰值，把这个峰值对应的距离作为固定距离带的优先参考值；
3. 用这个距离跑热点分析，然后上下微调，观察GI_Bin显著区域是否稳定；
4. 如果显著热点的范围对距离极敏感，一调就翻天，那往往说明数据噪声大，或者研究范围内存在明显的尺度问题，这时候要回到数据质量层面修。

ArcGIS里对应的是“增量空间自相关”工具，GeoDa也有类似的探索功能，思路都是同一个：别拍脑袋，让数据告诉你距离该定多少。你可以把它理解成调音响的低音旋钮——不是拧到最大就好，而是边听边拧，直到声音既不闷也不炸的那个位置。热点分析的“距离阈值”也一样，需要在多个候选值下反复试听。

4.4 边界效应：地图边缘的结果，要打问号

还有一个必须时刻惦记的坑：边界效应。研究范围的边缘位置，邻居天然比中心少，局部窗口不完整，计算出来的Z得分天然不稳定。举个例子，研究范围最南边的点，它的南侧可能完全没有邻居参与计算，局部加总的输入少了一半，统计结果当然不可靠。边界位置因此更容易出现虚假的冷热点，边缘一圈的“显著”结论，可信度要打问号。

我见过一个卫生应急分析项目，结果图一出来，地图四个角各冒出一个99%置信度热点，把客户激动坏了，以为发现了重大规律。后来排查，四个角全是研究范围边界，样本量本来就少，加上邻居缺失，纯粹是计算假象。这个教训我一直记着。

处理方式有几种。较严谨的做法是在输出时对边界位置的置信度做降权，或者在权重矩阵里做边缘校正；ArcGIS自带的热点分析工具没有直接的“边界修正”开关，最常用的土办法，是把边界一圈的显著结果单独摘出来，人工判断是不是因为研究范围没覆盖完整。若是，就把研究范围适当外扩再跑一遍。这不是标准的统计修法，但在实务里非常管用。记住一条：出结论之前，先看一眼显著点位在不在边界上。

5. 用手算理解热点：一个微型案例

5.1 两种5×5格局：高值连片 vs 高值孤岛

前面的概念讲得再多，都不如动手算一遍。我用一个5×5的网格来做演示，每个格子一个数值，保持最简单的情形。

先做第一种布局：中央一块连续高值区，像一个小山坡。

1 1 1 1 1 1 4 5 4 1 1 5 8 5 1 1 4 5 4 1 1 1 1 1 1

这个网格里，8出现在最中心，周围一圈是4、5，再往外是1。整体来看，高值连成一片，属于典型的“抱团”结构。

再看第二种布局：同样的8，换成“孤家寡人”版本，其他格子全都是1。

1 1 1 1 1 1 1 1 1 1 1 1 8 1 1 1 1 1 1 1 1 1 1 1 1

两种格局，唯一区别在于高值周围的环境。热点分析对这俩的判断，应该天差地别。

5.2 动手算：中心格子的局部总和与期望

先算第一种布局。全网格总和是57，总共25个格子，均值等于57 ÷ 25 ≈ 2.28。现在看中心那个8，用3×3窗口，也就是把它周围一圈8个邻居全算上，按Gi*的口径，中心格子自己也参与加总：

局部总和 = 8 + 4 + 5 + 4 + 5 + 5 + 4 + 5 + 4 = 44

如果属性完全随机，一个9格窗口的期望总和应该是 9 × 2.28 ≈ 20.52。观测值44，期望值20.52，差了23.48，高出一倍多。这个差值相当惊人，随机排列几乎不可能排出来，所以中心区域被判定为显著热点，毫无悬念。

再看第二种布局。全网格总和是40，均值等于40 ÷ 25 = 1.6。中心那个8，同样按3×3窗口、Gi*口径：

局部总和 = 8 + 8 × 1 = 16

期望总和 = 9 × 1.6 = 14.4

观测16，期望14.4，只高了1.6，大约11%。这个差异放在随机波动里，根本不够看。更关键的是，如果只看它的邻居，改用Gi（不算自己），窗口里8个邻居的局部总和只有8，而期望是 8 × 1.6 = 12.8——观测值反而比期望还低。

这个对比是全文最值得停下来琢磨的一步：孤立高值点的“贡献”，几乎全靠它自己；一旦把视角从“自己多高”切换到“周围整体什么样”，它立刻原形毕露。邻居们不是比平均高，而是比平均还低的一个小洼地。这样一处高值，统计检验的结论是：不是热点。

5.3 结果告诉我们：热点是“同伴现象”

把两种布局放到一起看，结论非常直观：热点，本质上是一种“同伴现象”。你的值再高，周围没有一个像样的环境，统计检验会冷静地告诉你：“你这高是个人英雄主义，不是区域现象。”反过来，一个值中等偏上的格子，只要被一群同样偏上的邻居包围，它反而很容易成为突出热点。这就是为什么我在第二章反复强调，“被高值包围”才是热点的真正含义。

再往外延展一步。第一种布局里，除了中心8，中心区外围那些4、5的格子，虽然没有8那么突出，但它们的窗口里也全是高于均值的邻居，局部总和同样远超期望。所以它们会被判为次级热点，和中心连成一片。这说明热点分析输出的是连续的“热点区域”，不是孤立的点。第二种布局里，除了中心8，其余格子的窗口总和都在期望值附近小幅波动，不可能产生显著的Z得分。整张图的结局是：唯一的高值点反而不是热点，全场没有一个位置通过显著性检验。

这是新手上路最容易跌破眼镜的地方。我第一次拿真实数据跑出这种“高值反而没标红”的结果时，也愣了半天。回头想通之后，才算真正理解了热点分析在干什么。

5.4 从手算回到软件：三个操作习惯

从这个微型案例回到软件操作，我给第一次接触热点分析的朋友总结三条行动习惯。

第一条，动手之前先审视空间权重。固定距离定多少、反距离用几次方、邻接用哪种规则，这些不是可以随便扔给默认值的东西。权重方案一旦选错，后面所有输出都是在错误地基上盖楼。

第二条，养成看显著性分档的习惯。出图时优先用GI_Bin或者带置信度标注的渲染方案，不要逮着原始值或者Z得分就往上涂色。报告里写清楚“哪些点位落在99%置信度”，比“颜色深的就是重点”靠谱得多。

第三条，念好边界和多重检验这两本经。边界处的热点先打问号，数据量大的时候留意FDR校正。这两件事不处理，你的热点图里混进多少假信号，自己是察觉不到的。

这三点在热点分析（下）里会展开成完整的可复现操作流程，包括参数设置的完整步骤、用模拟数据验证工具结果的土办法，以及我在实际项目中遇到过的几类翻车现场。下一篇接着聊。