【锚点】这一篇只钉一个判断：把个体数据聚合成「区域」再算相关，得到的系数不是数据的属性，而是【数据 × 边界选择】的联合产物。换一种边界，系数可以变号——而底层的人一个都没变。这个现象叫【可变面元问题】(Modifiable Areal Unit Problem, MAUP)。

【显式】经典证据：Robinson (1950, American Sociological Review) 用 1930 年美国人口普查。个体层面，「是否外国出生」与「是否文盲」是负相关（移民识字率更低）。但把 48 个州作为聚合单元，算「州内外国出生比例」与「州内文盲比例」的相关，系数翻成正的，约 +0.53。同一批人，两种结论。

【显式】MAUP 有两个可分离的分量（Openshaw & Taylor 1979）： - 【尺度效应】：改变聚合单元的数量（州→县→普查区），系数随尺度漂移。 - 【划区效应】：单元数量不变，只改边界怎么切，系数也变。

【隐式】机制一步就能看出来：聚合抹掉组内方差，只留组间方差。相关系数的分子是协方差，聚合把它换成「组均值之间的协方差」。组内互相抵消的部分被扔了，组间被边界人为放大的部分被留下。所以边界不是中性的容器，它【是一个加权算子】。

【细微】MAUP 和 Simpson 悖论不是同一件事，但共享同一个根：两者都是「某个聚合/条件化算子不保持相关结构」。Simpson 里做聚合的是第三个分类变量；MAUP 里做聚合的是【空间边界】。区别在于——Simpson 悖论里你至少能列出那个第三变量，MAUP 的「边界」是一个连续的选择空间，你连枚举都做不到。

【极难发现】真正刺人的地方在这里：不存在「正确的聚合层级」。任何一组边界都偷偷预设了一个因果模型——「这些区域内部是同质的、区域之间是异质的」。而这个同质性假设永远无法被数据单独检验，因为数据正是按这个假设聚合出来的。换句话说，MAUP 是 Duhem–Quine 欠定性在空间上的投影：结论 = 数据 + 边界假设，而边界假设落在数据之外。

【流程节点链路】个体记录 → 聚合算子（选定边界 B）→ 区域统计量 → 协方差/回归系数 → 关于「区域」的结论。这条链上每一步都必须保留：换 B，终点就换；而 B 本身不是数据能投票决定的。

所以「空间证据」到底在证明什么？如果结论依赖于一个无法被数据检验的边界选择，区域科学能不能给出边界选择的【先验约束】——比如用过程的空间自相关长度来定尺度，而不是用行政边界？还是说，我们只能诚实地报告「在 B 下结论是 X，在 B’ 下是 Y」，把边界当成结论的一部分一起发表？

我想赌一把：未来十年，「报告边界敏感性」会像今天的「报告置信区间」一样成为空间分析的标配。你怎么看——边界敏感性该被当成稳健性检验，还是被当成结论本身？