最近邻指数怎么分析：研究范围、距离口径与显著性结果解释
把事故点放进工具箱，得到一个“聚集”结论并不难；真正容易误判的是研究范围画得过大、把河湖也算进可发生区域，或者把投影单位的距离当成经纬度。最近邻指数（NNI）回答的是点之间是否比随机分布更靠近，结论完全依赖对“随机基线”的定义。
最近邻指数：先确定可验证的结果边界
先定义事件可能发生的有效研究区，再讨论点模式；研究范围不是地图边框，而是随机过程的分母。开始操作前，把输入批次、坐标参考、关键字段和成果用途写进处理记录；操作后至少比较数量、范围和一项业务统计。这样遇到异常时，才能定位是数据、参数还是规则出了问题。
NNI 比较观测最近距离与随机期望距离
指数小于 1 通常表示点更聚集，大于 1 表示更离散。但“随机期望”由点数与研究区面积推导，范围改变就会改变基线，不能脱离研究区解释数值。
距离应在合适投影中计算
经纬度的度单位不适合直接比较城市尺度距离。需投影到米制 CRS，并确认研究区跨带或跨度大时的畸变是否可接受。
统计显著不等于业务重要
p 值说明在设定随机模型下出现该模式的概率，不代表热点强度、影响范围或因果关系。应把 NNI 与核密度、时间分段和业务暴露量联合解读。
可执行实操流程
- 明确事件定义、时间窗口和有效研究区；剔除水面、禁入区或无服务覆盖区等不可能发生区域。
- 检查重复点、坐标异常和定位精度；重复地址点可保留但应在报告中说明其含义。
- 将点与研究区投影到米制 CRS，计算面积、点数、观测平均最近距离和 NNI。
- 用随机模拟或工具输出的 z-score、p-value 判断偏离随机的程度，并记录随机模型假设。
- 更换一到两个合理研究范围或时间分段做敏感性分析；只报告在口径变化下仍稳定的结论。
# 关键口径
observed_mean = mean(nearest_neighbor_distance)
expected_mean = 0.5 / sqrt(point_count / study_area_m2)
nni = observed_mean / expected_mean项目避坑与质量检查
最常见的假聚集来自把整个行政区当研究区，但事件只可能沿道路或在居住区发生。无效面积会抬高随机期望距离，使点看起来比实际更聚集。应把可发生区域做成面，或明确承认结论只是行政区口径下的描述。
| 检查节点 | 应保留的证据 | 异常时的第一动作 |
|---|---|---|
| 输入 | 来源、范围、CRS、字段统计 | 回看原始批次与空值/重复值 |
| 处理中 | 参数、日志与抽样结果 | 在最小样本复现而非直接重跑全量 |
| 输出 | 数量、范围与关键业务统计 | 与基线或人工判读样本比对 |
让流程可以被同事复跑
把这次选择的参数、拒绝的候选方案和抽样位置一并保存。GIS 项目最难交接的不是工具名称，而是某个阈值为何合理、某个异常为何可以接受。将这些判断写在处理日志中，数据更新后才能用同一把尺子复核。
复核记录应至少能回答三件事：输入数据从哪里来、为什么选这个参数、异常结果如何处置。把这三项与一份小样本结果绑定保存，比只留最终截图更能抵御人员交接、数据更新和审核追问。
建议在正式处理前固定一组“正常、边界、异常”样本。每次更新数据或工具后都重跑这组样本；若数量、范围或关键指标变化，先解释变化来源，再决定是否进入全量生产。
FAQ
NNI 小于 1 就一定是热点吗？
不一定。它只描述整体最近邻距离偏向聚集，不能给出热点位置或业务原因。
研究区边界怎么选？
选择事件理论上可能发生的有效区域，并在报告中说明排除部分和理由。
需要先做核密度吗？
两者可以互补。NNI 判断整体点模式，核密度展示局部强弱；不要用其中一个替代另一个。
总结
最近邻指数最重要的参数不是按钮，而是研究范围与距离口径；先把随机基线定义清楚，统计解释才站得住。可靠的 GIS 成果不只是一张看起来正确的图，而是输入边界、参数理由和复核证据都经得起追问的可复现过程。