对空间数据进行分析与建模时,应充分考虑其潜在的空间特征,体现数据所包含的空间模式与关系。空间特征中最经常考虑的同时也是最重要的两个特征是空间自相关性和空间异质性。为了更好的同时考虑空间自相关性和空间异质性,本文研究了一类空间变系数自回归模型,其中空间滞后系数和回归系数都设定为空间变系数,是空间位置的非参数函数。对于空间变系数自回归模型,本文提出了三种估计方法,分别是:①基于两阶段最小二乘的框架的估计方法;②基于局部线性技术和局部GMM方法;③考虑内生性变量和工具变量的非线性关系,基于局部线性GWR法的估计方法。论文通过数值模拟考察了所提三类估计方法的表现,模拟中合理设置了模型的参数,计算出参数估计的均方根误差并绘出参数的真实曲面以及估计的拟合图,从而较为直观地看出参数估计效果。总体来说,随着样本量的增加,三种方法的拟合精度不断提高,可以合理推测,参数估计值会随着样本容量的增加而且收敛到参数的真值。比较三种方法的估计效果,可以发现基于两阶段最小二乘的框架的估计方法相对较差,局部GMM估计和局部线性GWR法的估计方法下的估计效果较好。为了说明本文所研究的空间变系数自回归模型的灵活性和适用性,以空间变系数自回归模型的局部GMM方法为例,比较其与地理加权回归模型以及空间自回归模型下的估计效果。按照不同模型形式生成数据,可以发现,空间变系数自回归模型的估计效果最好,具有广泛的适应性,不容易出现模型设定错误。从实例考察来看,本文结合空间变系数自回归模型研究了 2020年全国31个省市自治区（不包括台湾、香港和澳门）城镇居民人均消费与收入的关系。对于所研究的实例,本文针对空间变系数自回归模型所提出的三种估计方法估计效果也都较好。综上所述,本文所研究的模型能够综合考虑到空间自相关性和空间异质性,且所提出的研究方法的数值模拟和实例分析均证实了所提方法的有效性,具有广泛的应用前景。