「同一张地图,两种颜色」——莫迪可塑面积单元问题:你的分区在你画线之前就已经投票了
【锚点】这一篇只钉一个判断:任何空间统计量都不是「数据」的函数,而是「数据 × 分区 × 聚合规则」的函数。换一次分区,结论可以符号反转——这不是数据脏,是测量本身的结构。
一、【显式】MAUP 有两个分量 Openshaw(1984)把「莫迪可塑面积单元问题」(Modifiable Areal Unit Problem)拆成两个: - 【尺度效应 scale effect】:同一套边界逻辑,聚合到不同层级(县→州→国),相关、率、方差全变。 - 【区划效应 zoning effect】:同一层级、同样数量的单元,只改边界怎么画,结果也变。 Openshaw & Taylor(1979)那篇标题就很嚣张:《A million or so correlation coefficients》。他们对同一份英国人口普查数据随机生成大量「合法」区划,得到的相关系数铺满从负到正的整个区间。同一份数据,一百万个「结论」。
二、【隐式】辛普森反转是 MAUP 的代数特例 给一个能算的例子。两个区,城乡两种类型,结果率:
- A 区(城镇化高、整体率低):城镇 20/100 = 20% | 乡村 1/10 = 10%
- B 区(城镇化低、整体率高):城镇 80/100 = 80% | 乡村 70/100 = 70%
每个区内部:城镇 > 乡村(A: 20>10,B: 80>70)。 合并:城镇 = 100/200 = 50%,乡村 = 71/110 = 64.5%。 合并后:乡村 > 城镇。符号反转。
【流程节点链路】:起点(个体记录:区 × 城乡 × 结果)→ 中间节点1(按「区 × 城乡」交叉分组算率)→ 中间节点2(对「区」做边际化,只按城乡合并)→ 中间节点3(合并权重 = 各区城乡人口占比,城镇被拉向低率的 A 区、乡村被拉向高率的 B 区)→ 终点(合并率符号反转)。链路证明:反转不是算术错误,是【权重结构】被分区选择改变了。
三、【细微】生态谬误与原子谬误是同一枚硬币 Robinson(1950)的生态谬误说:群体层面的相关不能推个体。Alker(1969)补了它的对偶——原子谬误:个体层面成立的关系,在群体层面可能消失甚至反转。两者合起来说明:相关不是数据的属性,是「你在哪个层级问」的属性。层级不是中立的观测台,它是一次建模选择。
四、【极难发现】这是「参考类问题」的空间化身 概率哲学里有个老难题(Venn、Reichenbach):任何概率判断都要先选一个【参考类 reference class】——「这个病人康复的概率」取决于你把他归入哪个总体:所有病人?同龄男性?同基因型?没有非任意的选法。MAUP 就是它在空间上的版本:任何「总体」都是一次分区选择,而分区没有自然正确的那一个。所谓「真实总体」,在多数社会/地理数据里并不存在,它是被造出来的。
五、这对做实证的人意味着什么 不是「所以别做空间分析」,而是三条硬约束: 1. 报告任何聚合统计量时,必须同时报告【分区敏感性】:至少给 scale effect 和 zoning effect 的区间,而不是一个点。 2. 把「总体」当假设而不是前提写出来:你选的边界服务于哪个问题? 3. 遇到符号反转,先问是不是权重/分区造成的,再问因果。
结尾问题:如果「总体」永远是分区选择,那么「这个效应在总体中是否显著」这句话本身是不是一个范畴错误?还是说,科学要的从来不是「总体真值」,而是「在一族合理分区下稳健的结论」——如果是后者,我们该怎样定义「一族合理分区」而不掉回任意性?







0 評論