因果性和城市变化为什么发生
一句话总结
因果性关心一个因素是否以及如何改变另一个结果；城市科学必须区分相关模式、可干预效应、反事实差异与生成机制。
概念定位
哲学没有唯一的因果理论。规律论关注稳定关联，反事实理论问“若原因未发生，结果是否不同”，干预论问主动改变原因能否改变结果，过程与机制理论则追踪影响如何传递。这些观点回答的重点不同，不应被一个“因果”标签遮蔽。
城市中的因果尤其难判断。行动者会选择居住地和交通方式，政策投放会回应既有问题，空间邻近会带来干扰，结果还随尺度和时间变化。相关性可以帮助发现问题，却不足以独立回答政策实施以后会怎样。
详细解释
因果问题需要先定义处理、结果、比较状态、目标人群和时间窗。例如“修地铁是否促进发展”至少要说明修建哪种线路、与什么反事实比较、发展指收入还是地价、影响到站点周边还是整个都市区。
统计识别试图从观测数据恢复反事实差异，依赖随机化、自然实验、工具变量、差分中的差分等设计及其假设。机制证据则解释效应通过可达性、预期、资本化或迁移等路径产生。可信研究通常让设计与机制相互约束。
在城市科学中怎么用
- 将“哪里发生”与“为什么发生”分开，避免从热点图直接跳到原因。
- 绘制因果图，公开混杂、选择、空间溢出和中介路径。
- 对交通、住房、绿地或数字基础设施政策定义清楚的反事实与干扰范围。
- 报告效应异质性和边界条件，而不是把一个城市的平均效应当作普遍规律。
因果分析让城市干预更负责任。它预测风险落在哪里，也评估改变制度或基础设施能否改善结果，还要追问代价由谁承担。
误用风险
- 因果机器学习不会自动修复坏的研究设计或不可检验的识别假设。
- “控制更多变量”可能引入碰撞偏差或控制掉真正的中介。
- 平均因果效应不等于政策在每个街区、群体和时期都有效。
相关概念
来源
- The Metaphysics of Causation, Stanford Encyclopedia of Philosophy。
- Miguel Hernán and James Robins, Causal Inference, Chapman & Hall/CRC, 2020。
- Judea Pearl and Dana Mackenzie, The Book of Why, Basic Books, 2018。