随着移动计算技术的快速发展，来自智能手机、联网车辆和无人机等移动终端的海量空间数据不断产生。对这些数据进行高效的分布式统计分析对于实时移动计算应用至关重要。然而，移动环境的约束性和动态性加剧了隐私挑战：将敏感数据集中分析会带来严重的隐私泄露风险，而现有的隐私保护技术往往引入过高的开销或精度损失。本文设计、实现并评估了首个支持移动空间数据高效且隐私保护的分布统计系统。首先提出 eSpat-B，它利用两个非合谋服务器和新设计的改进分布式点函数（DPF）结合八叉树空间划分。进一步考虑空间数据的频繁更新，提出更高效的方案 eSpat+，核心思想是利用 K 维树进行空间划分，结合增量 DPF 进行统计分析，并设计高效的更新算法。安全分析表明，该方案在整个统计过程中有效保护数据隐私。在真实移动轨迹数据集上的理论分析和实验结果表明，所提方案计算开销降低约1.2倍，通信开销降低约20倍，同时保持100%的准确率。