Harbers & Ingram:空间中的政治 | 政观编译

文献来源:Harbers, I., & Ingram, M. C. (2019). Politics in space: Methodological considerations for taking space seriously in subnational research. Agustina Giraudy, Eduardo Moncada, and Richard Snyder eds. Inside Countries: Subnational Research in Comparative Politics, 57-91(Cambridge University Press)

作者简介:Imke Harbers,阿姆斯特丹大学政治学系副教授;Matthew C. Ingram,纽约州立大学奥尔巴尼分校政治学系副教授。

左起依次为本文作者:Imke Harbers、Matthew C. Ingram

‍‍在整个20世纪,以民族国家为基本分析单位的方法论是思考政治现象的主流。今年来,在比较政治学和国际关系研究领域里,学者们已经对这种以民族国家为基本分析单元的思维进行了反思。学者们开始更加关注当代政治和经济转型的空间不均衡(uneven)性。尤其是过去二十年来,有大量基于次国家的研究为国家形成、民主化和发展等问题提供了更好的解释。

尽管关于关于空间性分析的技术在80年代时已经见诸讨论甚至有实际应用,但是相比于其他社会科学,政治学在应用空间性分析上仍稍显逊色。当前的比较政治学研究主要使用GIS(Geographic Information Systems)来做数据可视化,而没有发挥空间性分析在理论发展上的潜力。

空间性分析帮助我们以新视角看待现存问题,并且有助于我们发现那些过去被忽视了的问题。本文阐述了空间性的分析视角如何通过对此国家研究的加强而为理论发展打开了新局面。‍‍

概念化:概念形成中的空间元素

政治学研究的次国家转向引发了一场关于概念形成的辩论。其中一个重要的议题是,在以民族-国家为基本分析单元的研究中所形成的概念,是否能直接应用于此国家研究。也即,概念是否能跨分析层次应用的问题。第二个重要的议题就是,如何选择合适的次国家分析层级。

在次国家研究,许多学者在直觉上都直接选择基于行政司法边界划分的次国家单位。这种选择显然是有它的道理的,诸如政党、议会这些重要的政治学分析变量和制度背景都与行政司法边界息息相关。但是这种选择并不在所有情景下都是最合适的选择,也绝不是唯一的选择。诸如犯罪、暴力或疾病这样的现象,我们可以在次国家分析单位的选择上更加灵活。

以下图为例。下面的图片展示了根据不同方法划分的墨西哥地图。其中前两个地图是根据行政司法原则对墨西哥进行了州级政府和基层政府对划分。而第三个图片则将墨西哥分割为数十个50公里乘50公里的方格。

以民主化的研究为例。次国家的研究认为,在同一国家内部的民主化进程是不均衡的。为了推进相关研究势必要在次国家层面进行民主的测量。在这里有两种方法。第一种方法依赖于采用行政司法边界的次国家划分。Giraudy(2013)将次国家层面的民主化分解为四个二级指标来测量,分别为:投票率、行政首长的竞争性、议会的竞争性和选举的公正性。这些纬度可以用来识别一个政体是否是民主的,所有二级指标都有非常清楚的制度指向,这也意味着民主会在特定的制度框架下发生变化。由此而来的一个重要推论是只有在联邦制国家或是政治分权水平比较高的国家才会有民主水平的次国家差异。第二种方法则不完全依赖于行政司法边界。以Goertz(2006)的指标为例,对民主的测量同样可以分为四个二级指标。其中前三个指标都与制度有关,而第四个关于政治自由的指标则在测量上更加灵活。对暴力的研究也是如此,尽管暴力水平会受到行政司法制度的影响,但在同一行政司法边界内部,暴力水平也可能是不均衡的。诸如国家能力等政治学研究中的重要概念也有类似的性质。
对于次国家研究层次的选择常常是在几个原则中进行权衡:第一,什么分析层次可以最大化观察值;第二,什么分析层次既属于最精细层次又具有覆盖全国领土的连续性;第三,什么分析层次可以最大化与现有研究的可比性(comparability);第四,什么分析层次可以最大化分析单元在一段时间内的边界稳定性,从而促进长时段的研究;第五,什么分析层次既属于最精细的层次但仍然能有可获取的数据并最大化研究理论向上延展(Scale up)的可能性。

理论:因果推断中的空间性影响

在传统回归分析中,每个观察值都被界定为相互独立的。而在空间分析中,每个观察值都是在空间上相互联系、相互影响的。从这一点来看,空间分析与网络分析、时程(temporal)分析以及多层次分析有很多共同的分析性和概念性特点。网络分析强调观察值在社会网络下的相互联系,时程分析强调过去对当下的影响,多层次分析强调研究对象在纵向结构上的嵌入性。与其他的相互作用结构一样,空间性影响也为社会科学研究提出了挑战,并且需要诊断性的工具来确定合适的分析手段。
基于空间视角的因果过程主要存在两个分析范式。一是位置本位(place-based)的分析范式,二是传播本位(propagation-based)的分析范式。
位置本位的分析范式有点接近于Franzese和Hays所说的共同暴露,即在某一特定区域的某个事件导致该区域的一系列单位都有相似的数据生成过程。例如,肥沃的土地可能带来农业的繁荣,从而导致特定社会结构和政治秩序的形成,这一过程可能在该区域的一系列行政单位中都有所呈现。相比于行政边界,土地性质的边界总是更加稀疏,如果一个学者并不关注土地特质,那他在对一系列行政单位进行研究时可能就会忽视土地因素所起到的作用。传播本位的分析则更加强调某种现象在空间上的传播、扩散效应。这种扩散既可以是内生的,也可以是外生的,即某一单位内的起因会引起相邻单位的结果。在位置本位的视角下,特定位置的特征很重要。而在传播本位的视角下,不同单位间的联系性则更为关键。
回到Schedler对墨西哥暴力研究的回顾,他指出了两个主要的未解问题:(1)我们不知道墨西哥暴力问题的边界或轮廓;(2)虽然暴力通常在地理上集中,但它已经开始溢出或扩散到更多的单位,然而我们并不充分了解这是如何发生的。虽然空间方法可以帮助回答这两个问题,尤其是第二个问题,即扩散过程。总的来说,空间视角可以让我们更有效地概念化和理论化地理如何影响我们感兴趣的因果过程。
空间性影响问题现在已经有了数学上的模型来解决。对位置本位的因果过程而言,可以使用空间误差项(spatial error term),对于内生的传播本位过程而言,可以使用空间滞后因变量,而对于外生的传播本位过程而言,可以使用空间滞后的自变量。

分析:识别空间性影响

在数据操作化上,如何识别空间性影响,并在研究中实际操作呢?
探索性的空间分析
探索性的空间分析(Exploratory Spatial Data Analysis ESDA) 是研究中非常关键的第一步。通过数据可视化,这种分析帮助我们发现空间性的聚类、空间上的特异值并对可能的错误设定进行检测。例如,下图是对墨西哥2010年自杀率数据的可视化分析。颜色越深的地方自杀率越高。从图中很容易看出,在墨西哥西部上半区海岸地区、东北地区、南墨西哥和尤卡坦半岛地区自杀率较高。
在空间自相关的检测上,有两个方法可以采用。所有检测的零假设都是“各个观测值间没有空间相关”。如gloabl Moran's I 检验可以进行全局空间自相关检测和local Moran's I 检验、LISA检验可以进行局部观测值空间自相关的检测。如果检测值显著说明应拒绝零假设,存在空间相关。
空间回归和诊断
还是墨西哥自杀率数据的基础上,这里进行了OLS回归分析和基于这一回归的诊断。然后展示了两个常用且核心的空间回归:空间误差模型和空间滞后模型。除了这两个常用模型外,空间回归还有很多的扩展模型,包括滞后因变量与自变量的空间杜宾模型、地理权重回归、既包括空间滞后也包括时间滞后的时空回归以及断点空间回归。
上表是通过经典的拉格朗日乘数检验(LM),来检测哪一个模型更好的捕捉到了数据中的空间相关性。OLS1是对基本OLS模型的检测,OLS2是对加入了空间虚拟变量的OLS模型的检测。SEM是对空间误差模型的检测,SLM是对空间滞后模型的检测,SLM1使用了最大似然估计,SLM2使用了两阶段最小二乘法。通过Moran's I的检测结果可以看出,在OLS模型中空间自相关都是显著的。说明这两个模型没有很好的处理空间自相关问题。而在后面的空间误差模型和空间滞后模型中则不存在这个问题。此外,LMerror和LMlag检验还可以帮助我们初步判断空间自相关的形式,以便在空间误差模型和空间自相关模型中进行选择。

结语

虽然空间性分析在政治学中出现的时间比在其他社会科学中要晚,但这是一个令人兴奋和受欢迎的发展,因为它直面数据的相关性结构,这是所有学者都要处理的问题。所有的数据都嵌入在更大的结构中,这就是为什么政治学和国际关系学者也发现空间分析如此有用的原因。空间性视角在次国家的研究中特别重要,因为观测值空间相关性的强度和密度在一个国家内可能比在国家间要大得多。在比较政治学的次国家研究中,空间性分析的工具和路必将有重大的概念、理论和经验上的应用前景。

编译:赵德昊  审校:杨端程  编辑:郭静远

【政文观止Poliview】系头条号签约作者

在看政观么

(0)

相关推荐