Bài 1.4 — Quy Mô Phân Tích và Vấn Đề Đơn Vị Diện Tích Có Thể Điều Chỉnh

Cho đến nay, mọi khái niệm trong đơn vị này đều giả định rằng bạn đang nhìn vào "một" bản đồ hay "một" vùng mà không đặt ra một câu hỏi hóa ra lại vô cùng quan trọng: bạn đang nhìn ở mức phóng to nào? Một mô hình trông rõ ràng ở cấp khu phố có thể biến mất, thậm chí đảo ngược, ở cấp tiểu bang hoặc quốc gia. Bài học này đề cập đến quy mô phân tích (scale of analysis) — một trong những ý tưởng trừu tượng hơn trong Đơn vị 1, nhưng cũng là một trong những ý tưởng được kiểm tra thường xuyên nhất, vì nó buộc bạn phải suy nghĩ về cách các ranh giới được vẽ quanh dữ liệu có thể thay đổi những kết luận mà dữ liệu đó dường như ủng hộ.

Tỷ lệ bản đồ, và quy mô như một cấp độ phân tích

Các nhà địa lý học dùng từ "scale" theo hai cách liên quan nhưng khác biệt, và kỳ thi yêu cầu bạn phải giữ chúng tách biệt.

• Tỷ lệ bản đồ (Map scale) là một tỷ lệ theo nghĩa đen giữa một khoảng cách trên bản đồ và khoảng cách tương ứng trên thực địa — một bản đồ có tỷ lệ 1:24.000 nghĩa là một đơn vị trên bản đồ bằng 24.000 đơn vị đó trong thực tế. Một bản đồ tỷ lệ lớn (large-scale map) có số tỷ lệ lớn so với diện tích nó thể hiện, cho chi tiết thực sự cho một khu vực nhỏ (hãy nghĩ đến bản đồ đường phố của một thành phố), trong khi một bản đồ tỷ lệ nhỏ (small-scale map) thể hiện một khu vực rộng lớn với ít chi tiết hơn nhiều trên mỗi đơn vị không gian (hãy nghĩ đến bản đồ toàn thế giới). Quy ước đặt tên này khiến rất nhiều học sinh nhầm lẫn vì nó nghe có vẻ ngược lại — "tỷ lệ lớn" nghe như thể nên có nghĩa là "diện tích lớn," nhưng thực ra nó có nghĩa là bản đồ thể hiện một diện tích nhỏ với độ chi tiết cao.
• Quy mô phân tích (Scale of analysis) là kích thước của đơn vị địa lý mà bạn đang dùng để nghiên cứu một hiện tượng — bạn có thể nghiên cứu cùng một vấn đề (chẳng hạn, bất bình đẳng thu nhập) ở quy mô khu phố, quy mô thành phố, quy mô tiểu bang, quy mô quốc gia, hoặc quy mô toàn cầu. Đây là nghĩa của "scale" mà hầu hết các câu hỏi Đơn vị 1 thực sự muốn nói đến, và đây là nghĩa mà bài học này tập trung vào từ đây trở đi.

Cùng một hiện tượng có thể trông hoàn toàn khác nhau ở các quy mô khác nhau

Nhận thức cốt lõi đằng sau quy mô phân tích là dữ liệu được tổng hợp ở một quy mô có thể che giấu, phóng đại, hoặc đảo ngược hoàn toàn một mô hình xuất hiện rõ ràng ở một quy mô khác. Một bản đồ quốc gia về thu nhập hộ gia đình trung vị có thể thể hiện toàn bộ một tiểu bang là thu nhập trung lưu vững chắc, được tô một màu đồng nhất duy nhất — nhưng phóng to đến quy mô quận, và chính tiểu bang đó có thể tiết lộ một số ít quận đô thị rất giàu có nằm cạnh nhiều quận nông thôn nghèo dai dẳng, một mô hình mà bản đồ cấp quốc gia hoàn toàn không thể thể hiện được vì nó chưa bao giờ được thiết kế để làm điều đó. Phóng to thêm lần nữa đến quy mô khu phố trong chỉ một trong số các quận đó, và bạn có thể tìm thấy sự phân hóa thu nhập rõ rệt từ khu này sang khu tiếp theo mà ngay cả bản đồ cấp quận cũng đã làm mờ đi.

Đây là lý do tại sao kỳ thi thường xuyên đưa ra hai bản đồ hoặc hai bảng dữ liệu về cùng một chủ đề chung ở các quy mô khác nhau và yêu cầu bạn giải thích tại sao các kết luận lại khác nhau, hoặc yêu cầu bạn xác định quy mô nào sẽ phù hợp nhất để trả lời một câu hỏi nghiên cứu cụ thể. Một nhà quy hoạch thành phố quyết định đặt một trạm xe buýt mới ở đâu cần dữ liệu ở quy mô khu phố; một cơ quan liên bang quyết định cách phân bổ ngân sách giữa các tiểu bang cần dữ liệu ở quy mô quốc gia — quy mô "đúng" hoàn toàn phụ thuộc vào câu hỏi đang được đặt ra, và hiếm khi có một quy mô duy nhất đúng cho mọi mục đích.

Vấn đề đơn vị diện tích có thể điều chỉnh

Một vấn đề liên quan chặt chẽ và thậm chí cụ thể hơn là vấn đề đơn vị diện tích có thể điều chỉnh (modifiable areal unit problem), thường được viết tắt là MAUP. MAUP mô tả cách các kết quả thống kê của một phân tích có thể thay đổi mạnh mẽ hoàn toàn tùy thuộc vào cách ranh giới của các đơn vị diện tích được dùng để nhóm dữ liệu được vẽ ra — ngay cả khi dữ liệu thực tế nền tảng hoàn toàn không thay đổi.

MAUP thực sự có hai thành phần riêng biệt đáng để biết tên gọi:

• Hiệu ứng quy mô (The scale effect) — kết quả thay đổi tùy thuộc vào việc dữ liệu được tổng hợp thành các đơn vị lớn (như tiểu bang) hay các đơn vị nhỏ (như khu vực điều tra dân số), về cơ bản đây chính là vấn đề quy mô phân tích ở trên được áp dụng cụ thể cho việc tổng hợp thống kê.
• Hiệu ứng phân vùng (The zoning effect) — ngay cả khi giữ nguyên quy mô (chẳng hạn, luôn dùng các đơn vị có kích thước gần bằng một khu vực hội đồng thành phố), kết quả vẫn có thể thay đổi mạnh mẽ tùy thuộc chính xác vào nơi các đường ranh giới giữa các đơn vị đó được vẽ. Việc vẽ lại ranh giới khu vực quanh chính xác cùng một dân số nền tảng, mà không thay đổi quy mô chút nào, có thể tạo ra một bức tranh thống kê rất khác — đây chính là logic nền tảng giống hệt đằng sau việc gian lận ranh giới bầu cử (gerrymandering) trong chính trị, nơi việc vẽ lại đường ranh giới khu vực quanh một dân số không đổi có thể đảo ngược đảng nào có vẻ nhận được sự ủng hộ đa số trong một khu vực nhất định, mà không có một cử tri nào thực sự di chuyển hay thay đổi phiếu bầu của họ.

MAUP quan trọng vượt xa một bài tập trong lớp học: đó là một mối nguy hiểm thống kê thực sự, được ghi nhận rõ ràng trong nghiên cứu và chính sách thực tế. Một nghiên cứu đo lường mối quan hệ giữa, chẳng hạn, ô nhiễm không khí và tỷ lệ hen suyễn có thể tạo ra một mối tương quan mạnh, một mối tương quan yếu, hoặc thậm chí không có mối tương quan nào có thể đo lường được — chỉ đơn thuần bằng cách thay đổi việc phân tích nhóm dữ liệu theo mã bưu chính, theo khu vực điều tra dân số, hay theo quận, mà không có bất kỳ thay đổi nào đối với dữ liệu ô nhiễm hay sức khỏe thực tế nền tảng. Vì người vẽ ranh giới cho một nghiên cứu có ảnh hưởng thực sự đến những kết luận mà nghiên cứu đó có thể ủng hộ, MAUP cũng là một lời nhắc nhở để nhìn nhận một cách phê phán cách bất kỳ bộ dữ liệu không gian nào đã được tổng hợp trước khi tin tưởng vào kết luận của nó.

Quy mô phân tích và MAUP xuất hiện cùng nhau như thế nào trong kỳ thi

Hai ý tưởng này thường xuyên đi cùng nhau. Một đề bài điển hình có thể cho bạn xem một bản đồ chuyên đề (choropleth map — một bản đồ dùng bóng đổ hoặc màu sắc để thể hiện một số liệu thống kê trên các đơn vị diện tích) ở một quy mô, sau đó hỏi điều gì có khả năng xảy ra với mô hình đó nếu chính dữ liệu nền tảng đó thay vào đó được lập bản đồ ở quy mô mịn hơn hoặc thô hơn, hoặc được nhóm bằng các ranh giới được vẽ khác đi. Những câu trả lời mạnh nhất gọi tên cơ chế cụ thể — hiệu ứng quy mô nếu kích thước đơn vị đang thay đổi, hiệu ứng phân vùng nếu ranh giới đang được vẽ lại ở một kích thước không đổi — thay vì đưa ra một câu trả lời mơ hồ như "nó sẽ trông khác đi." Có khả năng nêu chính xác lý do tại sao thông điệp của một bản đồ phụ thuộc vào những lựa chọn mà người vẽ bản đồ đã đưa ra, chứ không chỉ đơn thuần là nó có phụ thuộc, chính xác là điều mà phần này của khóa học đang kiểm tra.

Vì sao điều này quan trọng đối với kỳ thi

Quy mô phân tích và MAUP quay trở lại liên tục một khi khóa học chuyển sang các đơn vị nặng về dữ liệu — tháp dân số và tỷ lệ phụ thuộc trong Đơn vị 2, các khu vực bầu cử bị gian lận ranh giới trong Đơn vị 4, số liệu thống kê sử dụng đất đô thị trong Đơn vị 6 — bất cứ nơi nào khóa học đưa cho bạn một bản đồ hoặc bảng biểu và yêu cầu bạn diễn giải nó. Mỗi khi bạn thấy dữ liệu địa lý được tổng hợp trong kỳ thi, đáng để dừng lại và hỏi nó được thu thập hoặc hiển thị ở quy mô nào, và liệu một quy mô khác có thể kể một câu chuyện khác hay không. Các câu hỏi tự luận ngày càng thưởng cho chính kiểu đọc phê phán này — không chỉ trích xuất con số mà một bản đồ thể hiện, mà còn nhận ra những lựa chọn ranh giới đã tạo ra con số đó ngay từ đầu.