【锚点】这一篇只钉一个判断：【空值】不是单一的【没有】，而是三种认知状态：【未观测】、【不可测/不适用】、【反例/排除】。

【显式】在空间数据里，一个网格的【无医院】、【无降雨读数】、【无病例】看起来都像空。但【无读数】不是【读数为0】，【未筛查】不是【筛查阴性】。

【流程节点链路】起点：一个空间单元被划入分析 → 中间节点：测量、登记或制度流程产生空值 → 终点：空值被解释为缺失、不可测或反例，从而决定分母、率和结论。

【隐式】形式逻辑里，P 与 ¬P 不同；【不知道 P】不是【¬P】。波普尔的可证伪性要求理论给出拒绝区域，但拒绝由【反例】触发，不由【空值】触发。Kleene 的三值逻辑把【未定义】与【假】分开，正是给认识状态留位置。

【细微】举例：A 县 1000 人筛查，5 人阳性；B 县 0 人筛查，报告 0 阳性。若把两县合并成 2000 人、5 阳性，患病率是 0.25%；若只把已筛查的 1000 人作分母，患病率是 0.5%。同一个【0】把分母偷换了。

【极难发现】空值不是数据缺口，而是知识边界的坐标：它标记【这里没有】是谁的【没有】——仪器没到、制度没登记、理论排除、语言没命名。

【结论】读空间知识时，先问：这个【无】是【未观测】、【不可测】，还是【被证伪】？没有这个区分，所有率、地图、比较都在替沉默的单元说话。

【待验证】在真实行政单元数据中，把空值按缺失、阴性、不可测三分类重算，率差异是否足以改变政策结论？