快讯 | 聚焦时空分析前沿：四川大学宋超携 BSTVC R 包参加人工智能时代地理模型盛会

随着时空数据分析在自然科学与人文社会科学领域的广泛应用，揭示不同解释变量对目标变量的时空异质影响机制（变量关系的时空异质性、时空非平稳）成为研究热点。贝叶斯时空变系数（BSTVC：Bayesian Spatiotemporally Varying Coefficients）R包提供了一个完整统一的“全地图”地理建模框架，旨在精准捕捉具有时空差异的变量关系，揭示多源解释变量对目标变量的时空非平稳效应，从而显著提升时空预测精度。该包结合贝叶斯统计内核与地理学第一定律和第二定律，适用于公共卫生、医学地理、环境健康、卫生经济和社会医学等学科的时空面板数据分析。

BSTVC包支持连续型、二分类和计数型三种主流目标变量类型，满足不同分析场景的需求。通过拟合时空回归系数，该包能够揭示解释变量与目标变量之间的局域时空差异，深入分析“因地制宜、因时制宜”的规律。在此基础上，BSTVC包通过计算时空可解释百分比（时空方差分割指标STVPI），明确关键时空驱动因素，为地理时空归因提供有力证据。此外，该包通过考虑局域变量关系的时空异质性，显著提高了模型拟合度和预测精度，能够有效服务于时空缺失值填补、时空平滑和未来预测等任务。

与传统的非空间分析、单一空间或时间分析以及时空分离分析方法相比，BSTVC模型能够同时考虑时空异质性和时空自相关特征，提供更全面、精准的分析结果。BSTVC包的核心建模优势在于其“全地图”单独建模框架，该框架通过统一的贝叶斯层次建模机制，确保了局部时空回归系数的直接可比性，并具备极强的拓展性。此外，BSTVC能够直接评估目标变量和时空回归系数的不确定性，输出50%和95%的贝叶斯可信区间。该包对缺失值具有高度友好性，即使目标变量或解释变量存在较多缺失值，仍能有效识别时空非平稳效应。同时，BSTVC支持多种空间权重矩阵，包括基于距离的、k临近的和10邻接矩阵，以刻画数据中的空间自相关效应。此外，BSTVC包还支持贝叶斯空间变系数（BSVC）模型，用于识别具有空间异质性的变量关系，并通过STVPI量化空间贡献度，明确关键空间驱动因素。

BSTVC包为时空数据分析提供了一个高效、精准的工具，能够显著提升模型拟合度和预测精度，为揭示复杂的时空异质性机制提供了强有力的理论支持和技术保障。其简洁易用的特性降低了贝叶斯复杂建模的门槛，使更广泛的用户群体能够轻松应用先进的时空回归分析方法，推动相关领域的研究创新与实践应用。