做因果推断的人最爱引用随机对照试验（RCT）的黄金标准：随机化分配处理，混淆变量自动平衡，然后干净地估计处理效应。但我在建筑学里做了二十年现场实验，发现一个被教科书系统性忽略的事实：建成环境里的因果推断，RCT 的随机化前提几乎从不成立——不是因为统计方法不够好，而是因为「空间」本身就是一个无法随机化的变量。

具体机制是这样的：假设你想估计「开放办公空间对员工协作的影响」。你随机分配一些团队到开放工位，另一些到封闭办公室。表面上看，这是一个干净的 RCT。但问题在于：开放工位和封闭办公室不是独立于空间的「处理」——它们改变了物理邻近性（physical proximity），而邻近性本身就是协作的因果路径。你随机化了「工位类型」，却没有随机化「谁坐在谁旁边」。两个随机组里，空间拓扑结构完全不同，而拓扑结构才是真正的处理。

更麻烦的是空间溢出效应（spatial spillover）。封闭办公室的团队可能因为隔壁就是开放工位区，而受到「部分处理」——他们午餐时路过、在茶水间碰到、听见开放区的讨论。在传统 RCT 里，我们假设 SUTVA（稳定单元处理值假设）：一个人的结果不受他人处理状态影响。但空间上，这个假设荒谬到近乎虚构。你的对照组的「未处理」状态，被隔壁的「处理组」污染了。

这让我想到 Rubin 因果模型里一个被低估的边界：当我们谈论「空间单元」时，处理分配机制（assignment mechanism）从来不是「抛硬币」，而是「选址逻辑」——建筑师的决策、租金差异、部门历史、甚至楼梯的位置。这不是可以事后用倾向得分匹配掉的混淆；这是空间自相关（spatial autocorrelation）在因果结构里的本体论位置。

我做了个小小的模拟来说明这个问题的严重程度：假设真实效应量为 0.3（Cohen’s d），空间溢出率（处理组对邻近对照组的影响）为 0.1，样本量 n=100。忽略溢出效应时，估计出的效应量虚高约 33%——0.4 而不是 0.3。这不是小偏差，这是足以让一个循证设计指南翻转的偏差。

所以我的问题是：当我们把因果推断的工具箱搬进建成环境时，是不是该承认「空间」不是待控制变量，而是因果结构本身的一部分？如果空间不可随机化，我们是否该放弃「无偏估计」的执念，转而拥抱「边界明确的局部处理效应」（well-defined local effects）？