昨天跟一个做医药研发的朋友喝酒，他愁眉苦脸地说，搞了一年多数据，模型死活跑不通，HR曲线稀烂，P值永远大于0.05。我问他：“你拿什么做的生存分析？”他说：“拿地理位置啊，每个病人的坐标点，经纬度都存着。”

我差点把酒喷出来。

这就是典型的为了用技术而用技术。很多甲方或者刚入行的分析师，总觉得手里攥着GIS里的Geo数据，就能玩出花来。但实际上，geo的哪个数据可以做生存分析？这个问题如果答错了，你前面的数据清洗全是废纸。

先说结论。做生存分析（Survival Analysis），核心看的是两个东西：一是“时间”，即从起点到终点事件发生的时间；二是“事件”，比如死亡、复发、出院。地理位置，本身不是时间变量，也不是二值化状态变量。它只能作为协变量（Covariate），或者通过距离推导衍生出新的指标。

很多人误以为，把患者坐标画在地图上，颜色深浅代表存活率，这就是生存分析。错！大错特错！那是热力图，是描述性统计，不是推断性统计。如果你想用Geo数据做真正的Cox比例风险模型，你得把Geo信息转化成能反映风险的因素。

比如，你手头有医院到客户的距离。这个“距离”就可以作为一个连续变量放入模型。研究发现，离肿瘤中心越远，复发的风险HR值可能是1.2。这时候，_geo数据被转化为了“交通便利性_距离”这个变量_参与了生存分析。

再比如，你统计客户所在区域的平均空气质量指数（AQI）。这个区域的聚合数据，也可以作为生存时间的协变量。这时候，geo的哪个数据可以做生存分析？答案是：经过业务逻辑转化后的空间衍生指标。

这里有个巨大的坑，也是我想提醒你的。别直接拿经纬度进模型。经纬度是笛卡尔坐标系的，它没有方向性意义。你把北纬30度和北纬31度当作1和1.1代入公式，模型会疯的。你必须把它们转化为“欧氏距离”、“路网距离”、“行政区域编码”或者“周边竞争密度”。

我记得两年前，有个项目做慢病管理。数据量很大，有十万级。一开始想做个炫酷的时空演进图。结果发现，单纯看距离对死亡率的影响，p值高达0.08，不显著。后来我们引入了“最后就诊地至最近三甲医院的实时路况预估时间”，这才显著起来了。因为对于急性心梗来说，堵车那二十分钟，才是生死的关键，而不是单纯的直线距离。

所以，别再问“哪个Geo字段”了，根本没有现成的字段。你要做的是数据工程。

怎么落地？

第一步，清洗。把空坐标、漂移坐标剔除。有些GPS设备在隧道或地下室，定位飘到隔壁市，这种脏数据不处理，模型偏差会极大。

第二步，特征工程。计算“居住点”到“医疗机构”的多式联运时间。注意，是真实路网时间，不是地图软件的直线距离。这个时间差，就是真实的生存风险暴露变量。

第三步，建模。将时间、距离、年龄、性别、基础病史一起放进Cox模型。看距离变量的Beta系数。

如果你还在用纯几何距离，那我建议你换个思路。或者找更懂业务的人聊聊。

说实话，现在市面上很多代做数据的项目，为了显得高大上，硬是把Geo标签往上贴。其实客户根本看不懂，也不关心你的模型是不是用了空间自回归。他们关心的是，哪些客户下周可能会流失，或者哪类高风险人群容易复发。

我们团队做这行五年了，见过太多因概念混淆导致的返工。如果你手头有地理信息，想真正用起来，先别急着跑算法。先把业务逻辑理清楚：这个地理位置，影响了用户的什么行为？是获取资源的难度？还是环境暴露的风险？

把业务逻辑转化为数学指标，这才是生存分析的灵魂。

我是老陈，干了十年数据。不讲虚的，只讲怎么干活。如果你手里也有类似的复杂数据，不知道特征该怎么工程化，或者模型调参调不通，可以私信聊聊。不用不好意思，大家都是在坑里爬出来的。