خلاصة:
در سال 1988 پروفسور انسلین، برای نخستینبار تصویر جامعی از واقعیتهای اقتصادسنجی
فضایی را در کتاب خود تحت عنوان «اقتصادسنجی فضایی، روشها و مدلها» ارائه نمود.
تکنیک مطرح شده در این کتاب در ادامه ارائه روشهای کمی و مقداری برای مطالعات
مختلف اقتصادی بود. منتها این تکنیک مدعی بود که دارای قابلیت و کاربرد بهتری نسبت
به اقتصادسنجی مرسوم در مطالعات منطقهای و مکانی است و قادر است زمانی که محقق با
دادهها و مشاهدات مکانی و منطقهای مانند مطالعات بازرگانی، تجاری، جمعیتشناسی و
... روبروست جایگزین مدلها و روشهای اقتصادسنجی مرسوم شود. به طوریکه در مطالعات و
تحقیقات صورت گرفته در چند سال اخیر از طرف اندیشمندان علوم منطقهای این عوامل
مورد توجه جدی قرار دارد و عموما بطور مستقیم یا غیرمستقیم از روشهای اقتصادسنجی
فضایی بهره بردهاند. در این مقاله سعی بر آن است که به معرفی مفهوم و موضوع اقتصادسنجی
فضایی پرداخته و سپس ضمن ارائه مدلهای کاربردی این تکنیک به توانائیها و قابلیتهای
آن نسبت به اقتصادسنجی مرسوم بپردازیم. مطالبی مانند وابستگی فضایی، ناهمسانی
فضایی، چگونگی تعیین مجاورت در اقتصادسنجی فضایی، تعیین موقعیت فضایی، وقفههای
فضایی، مدلهای خودر گرسیونی و مدلهای مختلط رگرسیون- خودر گرسیونی فضایی از موارد
اصلی مورد بحث در این مقاله است. یقینا موضوع اقتصادسنجی فضایی و مدلهای مختلف آن
در این نوشتار نمیگنجد و این تلاش درآمدی بر اقتصادسنجی فضایی خواهد بود.
ملخص الجهاز:
"Quantifying Spatial Contiguity (به تصویر صفحه مراجعه شود) شکل 2: چگونگی مجاورت بین مناطق پنجگانه برای تعیین مجاورت روشهای متفاوتی وجود دارد که در ادامه، برخی از روشهای مختلف تعریف ماتریس مربع w که نشان دهنده تعاریف متفاوت روابط «مجاورتی» میان پنج منطقه موجود در شکل 2 است، بیان میگردد.
برآوردهای مدل خود رگرسیون فضایی: متغیر وابسته= جرم و جنایت R2= 6518/0 R2تعدیل شده= 6366/0 = 5032/95 Log- like lihood= 41269/165- تعداد مشاهدات و تعداد متغیرها= 49و 3 (به تصویر صفحه مراجعه شود) برای این مثال، میتوان نسبت کل انحرافی که از طریق وابستگی فضایی توضیح داده میشود، را با مقایسه برازشی که از طریق این مدل اندازهگیری شده با برازش مدل حداقل مربعاتی که متغیر وابسته فضایی Cy را حذف میکند محاسبه نمود.
با فرض اینکه Wi نشانگر ماتریس قطری nÍn شامل وزنهایی بر مبنای فاصله برای مشاهده i باشد که منعکس کننده فاصله میان مشاهده i و سایر مشاهدات دیگر است، میتوان مدل GWR را بصورت زیر بنویسیم: (13) اندیس i در نشان میدهد که بردار 1kÍ پارامتر مربوط به مشاهدۀ i است.
به عنوان مثال با فرض اینکه W2=0, X=0 میباشد، یک مدل خودرگرسیونی فضایی مرتبه اول که در رابطۀ (16) نشان داده شده ایجاد میگردد: (16) ~ این مدل، انحراف درY را یک ترکیب خطی از واحدهای همسایه یا مجاور بدون وجود متغیر توضیحی دیگری توضیح میدهد.
Mixed Regessive- Spatial Autoregressive (به تصویر صفحه مراجعه شود) با فرض W1=0، یک مدل رگرسیون با خود همبستگی فضایی در جملات اخلال نتیجه میشود، که در رابطه (18) نشان داده شده است: (18) ~ این بخش به زیر بخشهایی تفکیک میشود که هر یک از این موارد فضایی، مدل خودر گرسیونی فضایی را همانند شکل مدل عمومی (18) بررسی کرده و نشان میدهد."