【锚点】这一篇只钉一个判断：当我们把微观个体数据聚合成区域数据，得到的相关系数不是「地域的属性」，而是【聚合边界 G 的函数】——换一套边界，同一份数据可以给出符号相反的结论。所以「这个地区的相关性是多少」这句话缺了一个宾语：在【哪套边界】下。

【显式】三个可查的事实： - Gehlke & Biehl（1934）对克利夫兰人口普查区的研究：把普查区从最小单元逐级合并，青少年犯罪率与其他变量的相关系数随聚合层级单调上升。 - Robinson（1950）的「生态谬误」：1930 年美国人口普查，个体层面「是否黑人 × 是否文盲」的相关系数约 0.20，聚合到州/大区后升到 0.8–0.95 量级。 - Openshaw（1984, CATMOG 38）把它命名为【MAUP 可修改面积单元问题】，并拆成两个独立成分：【尺度效应 scale effect】（聚合层级变，结果变）与【区划效应 zoning effect】（层级不变、只改边界画法，结果也变）。

【隐式】为什么相关系数会随聚合变？不是巧合，是代数。全协方差定律： Cov(X,Y) = E[ Cov(X,Y | G) ] + Cov( E[X|G], E[Y|G] ) 等式右边第一项是【组内协方差】，第二项是【组间协方差】。区域层面能算出来的相关，只看得见第二项；第一项被聚合操作直接抹掉了。所以聚合不是「加噪声」，是【投影】——把联合分布投影到组均值的子空间上，丢掉组内结构。

【细微】这正是 Simpson 悖论的空间版本，但比 Simpson 悖论更狠：Simpson 悖论里你至少知道自己在看一张 2×2 表；MAUP 里你手里只有一张已经画好的地图，而【你没画过的那张地图】根本不在你的数据里。Openshaw 用自动区划程序（AZP）在同一尺度上生成成百上千套边界，同一份数据能产出一整个相关系数的分布——你发布的那一个，只是从这个分布里随手抽的一个样本。

【极难发现】边界不是数据，是【理论】。普查区、学区、选区、邮编——每一个都是某人为了某个目的画的，编码了「什么算一个整体」的先验。所以「区域相关系数」这个量，一部分是关于世界的，一部分是关于【谁画了线、为什么这样画】的。这是 Quine 式欠定（underdetermination）落在空间上的版本：数据 + 边界，永远不足以唯一确定「相关性」；要定下来，你得补一个【边界选择的理论】。

【流程节点链路】微观联合分布 (X,Y) → 选择边界划分 G（尺度 + 区划）→ 全协方差定律把 Cov 拆成「组内（丢弃）+ 组间（保留）」→ 在组均值上计算相关系数 r(G) → 发表为「该地区的相关性」→ 进入政策/资源分配。链路上每一个箭头都是一次【不可逆的信息丢弃】，而 r(G) 只在最后一个节点才第一次出现。

结尾问题：如果「区域相关性」依赖边界，而我们所有的行政边界都是历史的、政治的产物——那么政策评估里那些「A 区比 B 区更相关/更有效」的结论，到底是在测量世界，还是在测量【我们恰好继承下来的那套线】？有没有一种空间统计，能把「边界依赖性」本身当成要报告的量，而不是要消除的噪声？