Answers:
ArcGIS（或任何其他GIS，AFIAK）中的现成工具都无法正确完成此工作。
在这样的问题中，您需要量化“聚类”的含义，然后需要建立概率模型，以评估所测量的聚类程度是否可能由偶然的机会产生。
作为进行操作的示例，您可以选择根据类型x的建筑物与最近的类型y的建筑物之间的典型距离来测量聚类。这是一个简单的计算：简单地通过单独的点层表示两组建筑物，并执行Y与X的空间连接。现在，属性表对于每种类型的x建筑物仍然具有一个记录，现在将包括到最近的y的距离。您可以使用平均距离作为度量。
测试这是否可能是偶然的结果比较棘手。对此设置的一种合理解释是，y型建筑物的早期存在鼓励了相对接近y的x型建筑物的发展。否则，我们可能假设x型建筑物可能已经建在其他建筑物也出现的任何地方。 这导致以下简单的置换测试。创建可能已出现x型建筑物的所有可能位置的点层。该层可以是与x相同的时间段内竖立区域中所有建筑物的位置建筑物（当然包括x建筑物本身）。在空间上连接y层以获得与最近的y型建筑物的距离。其余的计算在属性表上进行：完成了地理计算。您将要做的是重复使用随机数生成器来获取所有这些建筑物的简单随机样本，每个样本具有与x型建筑物一样多的元素。计算此样本的平均距离。重复该操作，直到获得许多平均距离统计信息为止。如果几乎所有这些随机获得的平均距离都大于您为x测得的平均距离键入建筑物，您可以得出结论x并非偶然聚集：效果是真实的。
（此类计算最好在适合于此目的的平台上进行编程，例如“ R”，但是几乎所有计算软件都可以投入使用，甚至包括Excel。该编程非常简单，只需要知道如何编写循环和选择即可。数组中的元素）。
这种排列测试方法优于预先编程的解决方案，因为它明确考虑了该领域的建筑开发模式。如果您不这样做，通常会发现聚类的“重要”证据，但是您不能从中得出任何有用的结论，因为聚类可能是由其他因素引起的，例如道路的格局，道路的位置适合开发的网站，以及许多其他东西。
当然，您的数据分析方法应取决于激励分析的实质性问题。
但是这里有一些想法：
多距离空间聚类分析的方式：Ripley的k函数（空间统计），等式中的i和j表示建筑物x和y。Ripley的K函数将提供概率推断。
您可以通过谷歌搜索用于共址模式发现的复杂算法。