犯罪率高的地方房价更贵？七个反直觉数据的真相

renhai

发布于 2026-06-23 17:41:36

1110

学 ArcGIS Pro 回归分析教程[1] 的时候，我顺手搜了一些真实应用案例。搜完发现一件事：很多你以为板上钉钉的结论，加了地图之后就翻车了。

犯罪率高→房价低？不一定。空气污染重→哮喘多？不一定。这些「常识」之所以被推翻，不是因为数据有问题，而是因为分析的时候漏掉了空间维度。

1. 犯罪率越高，房价反而越高

61,902 笔房产交易、756,304 条重罪记录、152 万条 911 报警电话——西雅图的数据量够大了。用 OLS（普通最小二乘法，就是最基础的回归）跑出来符合直觉：犯罪率越高，房价越低。

但一旦纳入空间自相关，结论翻转：犯罪率每上升 1 个百分点，房价上涨 0.80%。

为什么？因为罪犯倾向于在富人区作案——回报更高。不是犯罪「拖累」了房价，而是高房价「吸引」了犯罪。因果方向反了。不是「因为犯罪所以便宜」，而是「因为贵所以被偷」。

西雅图犯罪热点（红色）集中在市中心，恰好也是高房价区域。犯罪不是「拖累」了房价，而是高房价「吸引」了犯罪。来源：Kallberg & Shimizu (2026)

参考：ResearchGate - Spatial econometric analysis of crime and housing values[2]

2. 空气越脏，哮喘处方反而越少

这个更反直觉。

伦敦地区，NO₂浓度与哮喘处方率呈弱负相关。空气越脏的地方，开出来的哮喘药越少。教科书不是说污染越多呼吸疾病越多吗？

NO2 浓度与哮喘处方分布图

左边是 NO₂ 浓度，右边是 2019 年哮喘处方率。红色区域数值更高——两张图的红色并不重合。

用 OLS 跑出来符合直觉（污染越多病越多）。但换成 MGWR（多尺度地理加权回归——每个变量可以有不同的影响范围）之后，发现不同地区的效应完全不同。有些地方确实正相关，有些地方负相关，全局平均值把差异抹平了。

研究者的解释：高NO₂地区通常是繁华都市中心，医疗资源更丰富、诊断更及时。不是污染少了，而是看病方便了。 你以为的「因果关系」，其实被第三个变量（医疗资源）干扰了。

参考：arXiv - Multiscale GWR analysis of air pollution and health prescriptions[3]

3. 恐怖主义指数，跟暴力极端主义没关系

58 个国家的数据，跑出来 p=0.015——统计学上「显著」。恐怖主义指数（GTI）越高，暴力极端主义越严重。看起来铁板钉钉。

换成空间杜宾模型（同时考虑一个国家和它邻国的效应）重新分析，GTI 的效应跌到 p=0.575——完全不显著了。之前的「显著关联」是地理聚类造成的假回归。

更惊人的是：邻国的 GDP 和基尼系数反而显著影响本国的极端主义倾向。 穷邻居比穷自己更危险。

多层回归显示 GTI 与极端主义显著相关（p=0.015），但空间杜宾模型纳入地理聚类后，效应完全不显著（p=0.575）。民主指数在两种模型中都显著，说明空间模型不是万能药，而是精准诊断工具。

参考：PNAS - Spatial dependence in terrorism and violent extremism[4]

4. 还有四个，一句话讲完

上面三个是最刺激的。剩下四个案例也是同一个套路——加了空间维度结论就反转——我一句话带过：

癌症风险：美国癌症数据以县为单位发布，少于 15 例直接隐藏。爱荷华大学把数据精确到邮编级别后发现，同一座城市内部，结直肠癌风险相差 35 倍。你以为的「平均」其实是「看不见」。

左图：县级数据显示各郡癌症率相近（40-45/10万），看起来没什么区别。右图：同一都市圈的邮编级数据揭示了巨大差异（28-55/10万），市中心的风险是郊区的近两倍。

(Des Moines Register[5])

PM2.5 与房价：PM2.5 每减少 1μg/m³，房价平均涨 6.3%。但黑人房主的受益只有白人的 1/3。清洁空气法案在空间维度上产生了「隐形不平等」。

左图：每减少 1 单位 PM2.5，白人房主房价涨 6.3%，黑人房主只涨 3.7%——差距来自直接歧视（60%）和系统性歧视（40%）。右图：反事实分析显示，如果黑人房主享受同等资本化率，2019 年房价将高出 16%。来源：LSE Grantham Institute (2025)

(LSE Grantham Institute[6])

AI 技术溢出：日本各县的 AI 采纳效应并非平滑衰减，而是在约 35 公里处发生突变——刚好是东京都市圈的通勤圈边界。忽略这个空间边界，效应被低估 28-67%。

距高 AI 采纳县的距离与技术溢出效应的关系。蓝色线（0-35km）显示效应快速衰减，红色线（>35km）显示效应突然跳升后缓慢衰减。35公里处的结构性断裂恰好对应东京通勤圈边界。来源：arXiv (2025)

(arXiv[7])

银行关门：2010-2023 年间，美国银行网点关闭最多的不是低收入地区，而是高收入地区——富人区银行太密集，冗余网点被整合。不是「抛弃穷人」，是「富人区太挤了」。

左上：收入最高的 Q4 区域银行存活率最低（73.9%），中低收入区域反而更高。右上：逻辑回归拟合显示收入越高、存活概率越低。左下：已关闭网点（红色）的收入分布高于存活网点（绿色）。右下：各州异质性。来源：arXiv (2025)

(arXiv[8])

5. 为什么会翻车？

七个案例，表面上讲的是完全不同的领域。但背后有一个共同的模式：

普通回归告诉你「A 和 B 有关」，空间回归告诉你「在哪里有关、方向是什么、有没有被地理假象骗了」。

加了空间维度之后结论变化，通常是四种情况：

因果方向反了。 你以为 A 导致 B，实际上 B 导致 A。犯罪和房价就是这个情况。

遗漏了空间变量。 A 和 B 只是恰好在同一个区域出现。恐怖主义指数和极端主义就是这个情况——真正起作用的是邻国的经济条件，不是本国的指数。

不同地方效应不同。 空气污染和哮喘在市中心是负相关，在郊区是正相关，全局平均把两个方向抵消了。

不是渐变，是跳变。 AI 溢出在 35 公里处断崖式变化，银行关门在高密度区域集中发生。你用线性模型去拟合一条平滑的曲线，当然拟合不出来。

如果你做数据分析只用 OLS 跑回归，不检查空间自相关，你的结论有相当大的概率是错的——不是数据错了，是分析框架少了一个维度。

6. 附：技术概念速查

名称	一句话解释	什么时候用
OLS	最普通的线性回归，一条方程解释所有数据	基线对照
GWR	地理加权回归，每个位置有自己的系数	发现空间异质性
MGWR	多尺度 GWR，不同变量可以在不同空间尺度上起作用	同时存在大尺度和小尺度效应
空间自相关	地理上靠近的地方倾向于有相似的值	检验数据是否有空间依赖性
空间杜宾模型	同时考虑本地区的自变量和邻近地区的效应	检验空间溢出效应
Moran’s I	衡量空间自相关的指标，接近 1=高度聚集	检验第一步