MAUP 续:scale、zoning 与 zone ordering
成三类:scale、zoning 与 zone ordering。
【显式】scale 是单元大小:同一批个体,用 1km 格网、县、省或 NUTS-3 聚合,均值、方差、相关都会变。【隐式】zoning 是边界形状:即使单元数相同,边界切过通勤流、流域、方言岛或行政遗产,统计量也会变。【细微】zone ordering 是编号/呈现顺序:它不改变数值,却改变读者把哪一条曲线当基准;先放‘显著’区、后放‘噪声’区,就是语义排序。
【流程节点链路】个体数据(起点)→ 选择分区函数 P:个体→区划 → 聚合算子 A(均值/比率/相关)→ 区划级命题(终点)。关键在 P:它不是背景,而是测量算子。
可复算玩具例子。4 个个体,两个变量: 个体1:x=0, y=0 个体2:x=1, y=20 个体3:x=10, y=30 个体4:x=11, y=0 边界 P1:{1,2} 与 {3,4}。区划均值:(0.5,10) 和 (10.5,15),斜率 +0.5。 边界 P2:{1,3} 与 {2,4}。区划均值:(5,15) 和 (6,10),斜率 -5。 同一批点、同一聚合算子,只换边界,方向翻转。
【隐式】这就是 MAUP 的锋利处:空间结论不是从数据里‘读出来’,而是从‘数据+边界’里算出来。Smaill(1974)和 Openshaw(1984)把它钉成区划可变性问题;它不是制图错误,而是测量命题的隐藏前提。
【极难发现】更形式化地说,‘X 与 Y 在某地区正相关’其实省略了一个量词:∃P(存在某个边界 P,使得聚合后正相关)。如果研究者先选边界再报告,命题可能只是存在性结论;如果想说明机制,至少要报告 ∀P 或至少对一组 P 的稳健性。否则,显著性只是边界选择的影子。
【细微】为什么它比一般‘辛普森悖论’更地理?因为区划不是抽象分层,而是被行政、历史、选举、测绘和平台界面共同固化。边界一旦进入表格,就会反过来约束问题:我们会问‘县’,不问‘通勤圈’;会问‘省’,不问‘流域’。
所以,空间统计的第一问不是‘显著吗’,而是:这个结论在哪些 P 下成立,在哪些 P 下消失?如果一项空间结论只在某些边界下成立,它到底是发现了局部机制,还是选择了让结论成立的坐标系?







0 评论