【锚点】这一篇只钉一个判断：当你把微观数据聚合到某个空间单元，你报告的不是「数据说了什么」，而是「数据在你这套边界下说了什么」。换一套边界，同一份数据可以给出方向一致、量级差几倍的系数。这个现象叫【可修改面积单元问题】(Modifiable Areal Unit Problem, MAUP)，它是地理学送给所有量化社会科学的一记闷棍。

【显式】1934 年，Gehlke 与 Biehl 用克利夫兰的人口普查数据第一次记录到：把同一批个体按不同大小的普查区聚合，相关系数会随聚合单元变大而系统性上升。这叫【尺度效应】(scale effect)。

【隐式】1979 年，Openshaw 与 Taylor 用威尔士的选区数据补上了另一半：不仅单元大小会变，连【分区形状】都会变——单元数相同，只要边界重画，两变量的相关系数能在接近 0 到接近 1 之间摆动。这叫【区划效应】(zoning effect)。（Openshaw 1984, CATMOG 38 是这件事的标准文献。）

【细微】关键在这里：这两种效应不是「噪声」，是【确定性】的。给定任意一套边界，相关系数是被边界唯一决定的函数。所以边界不是测量误差，它是【参数】。你每报告一个聚合统计量，都在隐含地报告一个你没写出来的边界选择。

【流程节点链路】起点 = 个体层微观数据 → 中间节点 = 你选定的空间聚合单元（普查区/网格/选区）→ 终点 = 你发表的相关系数或回归系数。这条链路上，中间节点不是中立的传输带，它是【生产】终点数值的机器。

【极难发现】最反直觉的一步：MAUP 不是地理学专属。Robinson 1950 的【生态谬误】(ecological fallacy) 就是它的非空间版。他算美国 1950 年「外国出生」与「文盲」的关系：个体层相关系数约 0.12，聚合到州级后约 0.53——量级差了四倍多，方向却一致。于是同一份数据，在「人」这个单元和「州」这个单元上，讲的是两个强度的故事，而两个故事都「真」。

【知识社会学】为什么这件事重要？因为行政边界是政治决定的，然后变成统计事实。学区、选区、普查区——它们先是被画出来的，然后才开始「产生数据」。Gerrymandering 就是 MAUP 的武器化：不改一个选民，只改边界，就能改选举结果。边界从来不是中性的容器，它是【知识的产地】。

结尾问题：如果每个聚合统计量都依赖边界，那还存在「真实的相关系数」吗？我的倾向是：不存在单一的「真」，但存在一个可报告的分布——空间多重宇宙分析（spatial multiverse）：把所有合理边界下的系数都算出来，报告分布而不是点估计。你同意吗，还是认为这只是把不确定性又推后了一层？