计算空间相关性的主要方法是空间Moran I指数的计算，主要包括全域空间自相关和局部空间自相关。全域空间自相关反映的是研究变量空间关联程度的总体特征，用Global Moran's I表示，根据表达式（3－1）可见，Global Moran's I的值介于－1和1之间。

式中：n为总省区市数；yi，yj分别为省区市i和省区市j的农民工资性收入占人均纯收入的比重为全国各省区市农民工资性收入占人均纯收入比重的平均值；wij为空间权重矩阵。I值越趋近＋1，说明观察变量在空间上上呈现高度正相关依赖性。越接近0，越说明观测数值在地理空间呈随机分布，彼此独立的特征。越接近－1，表明观察变量在空间上呈现高度负相关依赖性。根据公式（3－1），可以计算出2001—2012年我国省际农民工资性收入空间自相关Moran I指数（见表3－2）。

表3－2　中国农民工资性收入比重的Global Moran's I指数

表明我国省域农民工资性收入在空间分布上具有明显的正自相关关系，即全国各省域农民工资性收入的空间分布并非相互独立，而是表现出相似值之间的空间集聚：一个区域的农民工资性收入除了会影响本省区市的经济社会发展外，也会因为溢出效应而影响周边地区的农民工资性收入。

全域Moran's I值是衡量整个空间系统内总体相关性问题，是以全国的样本进行计算的结果，即观察样本的整体分布情况。这意味着可能存在局部的观察样本与整体样本计算的不一致。为了进一步具体计算全国各局部省域的空间相关性。本章使用空间关联局域指标（LISA）来反映每个省区与相邻省区之间的空间关联程度，LISA指数用局部Moran's I指数计算。

(www.daowen.com)

其中，

yi、yj和wij的意义同（3－1）式根据相关性的定义来看，局部Moran's I可能大于0，空间分布是LL（低乘低），低的被低的包围，或者HH（高乘高），高的被高的包围；如果小于0，则空间分布为HL（高乘低），高的被低的包围。或者LH（低乘高），低的被高的包围。图3－3和图3－4分别为2001年和2012年农民工资性收入局部分布的四象限图。2001年，处于第一和第三象限的省区市为18个，2012年，处于第一和第三象限的省区市累计都有22个。由此可见，中国农民工资性收入总体上的空间效应以正溢出性为主。进一步分析图3－3和图3－4可以发现，处于第一象限的主要是东部发达地区，处于第三象限的主要为中、西部地区。这进一步表明，农民工资性收入比重与经济发展具有较高的吻合性，越是经济发达的地区，农民工资性收入比重越高；越是经济欠发达地区，农民工资性收入比重越低。

图3－3　2001年局域空间相关四象限图

图3－4　2012年局域空间相关四象限图