چگونه برش مقیاس در صدک ۹۵ مانع از تحریف داده‌های پرت در نقشه‌های کلوروپلت می‌شود؟

حضور یک تک‌داده بسیار بزرگ و نامتعارف در یک مجموعه داده مکانی می‌تواند در یک لحظه خوانایی نقشه را برای تمام مناطق دیگر از بین ببرد. وقتی یک سامانه بصری‌سازی مکانی از یک طیف رنگی کاملاً خطی بین کمترین و بیشترین مقدار استفاده می‌کند، آن تک‌داده پرت باعث می‌شود ۹۹ درصدِ بقیه نقشه در قالب یک رنگ پایه و غیرقابل‌تشخیص فشرده شود.[3]

نقشه‌های موضوعی رنگ‌بندی‌شده یا همان کلوروپلت (Choropleth maps) بر شیب‌های رنگی تکیه دارند تا داده‌های مکانی را در مناطق جغرافیایی مشخص مانند استان‌ها، شهرستان‌ها یا حوزه‌های سرشماری به تصویر بکشند. این نقشه‌ها استاندارد اصلی برای نمایش نرخ‌ها، درصدها و تراکم‌ها به شمار می‌روند.

با این حال، تکیه این نقشه‌ها بر درونیابی خطی رنگ‌ها آن‌ها را در برابر توزیع‌های چوله و نامتقارن بسیار آسیب‌پذیر می‌کند. فرض کنید نقشه‌ای سراسری از میانه قیمت مسکن داریم که در آن، قیمت املاک در یک شهرستان خاص بیست برابرِ میانگین کشوری است.

اگر نرم‌افزار نقشه‌کشی از درونیابی خطی ساده میان حداقل و حداکثر مطلق استفاده کند، آن یک شهرستان ثروتمند تیره‌ترین طیف آبی را به خود اختصاص می‌دهد. اما چون مقیاس رنگ برای رسیدن به آن اوج نامتعارف بیش از حد کش آمده، تمام شهرستان‌های دیگر در پنج درصدِ پایینی طیف فشرده می‌شوند.[3]

در نتیجه، چشم مخاطب بقیه کشور را در یک پهنه رنگی کم‌رنگ و کاملاً یکنواخت می‌بیند؛ وضعیتی که تمام تفاوت‌های معنادار منطقه‌ای را که نقشه اصلاً برای نمایش آن‌ها ساخته شده بود محو می‌کند. لیزا شارلوت موث در راهنمای نقشه‌نگاری پلتفرم Datawrapper می‌نویسد: «رنگ‌هایی که انتخاب می‌کنیم تأثیری بنیادین بر نقشه دارند؛ اینکه نقشه چگونه درک می‌شود، پیام ما چقدر درست انتقال می‌یابد و چقدر در ارائه داده‌ها صادق هستیم.»[3]

مکانیسم برش مقیاس رنگ

بریدن یا کوتاه کردن مقیاس رنگ در صدک نود و پنجم یا نود و نهم، یک راه‌حل ریاضی دقیق برای داده‌های مکانی چوله است. در این شیوه، نقشه‌نگار به‌جای گره زدن انتهای طیف رنگی به حداکثرِ مطلق داده‌ها، آن را روی یک آستانه درصدی مشخص قفل می‌کند.[1]

با این رویکرد، هر منطقه جغرافیایی که مقداری بالاتر از آن آستانه داشته باشد، همان تیره ترین رنگ سقف را دریافت می‌کند. اگر صدک نود و پنجم قیمت مسکن معادل ۸۰۰ هزار دلار باشد، شهرستانی با میانگین ۹۰۰ هزار دلار و داده پرتی که میانگین ۴ میلیون دلار دارد، هر دو رنگ آبی تیره کاملاً یکسانی خواهند گرفت.[3]

با محدود کردن سقف مقیاس رنگ زیر مقدار پرت، نرم‌افزار نقشه‌کشی این آزادی را پیدا می‌کند که بقیه شیب رنگی را در سراسر دامنه معمول و طبیعی داده‌ها توزیع کند. به این ترتیب، کنتراست بصری به ۹۵ درصد مناطقی که در واقعیت تجربه زیسته اکثریت جامعه را نشان می‌دهند بازمی‌گردد.

این روش مستقیماً ماهیت توزیع‌های چوله به راست را که در داده‌های جمعیتی و اقتصادی بسیار رایج هستند مدیریت می‌کند. متغیرهایی چون ثروت، تراکم جمعیت و تولید صنعتی به ندرت از یک منحنی زنگوله‌ای متقارن پیروی می‌کنند؛ آن‌ها عمدتاً در بخش‌های پایینی متمرکز شده و دنباله‌ای باریک و بسیار بلند از مقادیر شدید به جای می‌گذارند.

پیش از انتخاب روش درونیابی، تحلیلگران باید ساختار اساسی توزیع را بررسی کنند. نویسندگان کتاب «بصری‌سازی کاربردی داده‌ها» با تأکید بر ترسیم هیستوگرام پیش از رسم نقشه توصیه می‌کنند: «تصمیم‌های خود را با اولویت‌دادن به درک درست مخاطب بگیرید تا داده‌ها را صادقانه و معنادار به نمایش بگذارید.»

کاربردهای عملی در دنیای واقعی

نهادهای بهداشت و سلامت عمومی نیز به طور گسترده از برش مقیاس برای نقشه‌برداری از شیوع بیماری‌ها و نرخ مرگ‌ومیر بهره می‌برند. در بیماری‌های نادر، یک طغیان موضعی کوچک می‌تواند نرخی به مراتب بالاتر از سطح پایه ملی ثبت کند و کل روایت بصری نقشه را مخدوش سازد.[2]

مراکز کنترل و پیشگیری از بیماری‌های آمریکا (CDC) صراحتاً این رویکرد را در نقشه‌نگاری مرگ‌ومیر به کار می‌گیرند. در دستورالعمل بصری‌سازی داده‌های مکانی این سازمان آمده است: «برای علت‌هایی که داده‌های پرت بسیار بالایی دارند، بالاترین رده در نمودار روی صدک نود و نهم توزیع متوقف و بریده می‌شود.»[2]

این تدبیر تضمین می‌کند که مخاطب همچنان بتواند الگوی توزیع را در بخش عمده مناطق ارائه‌دهنده خدمات سلامت مشاهده کند. بدون این برش، جهش یکباره آمار در یک نقطه خاص، روندهای جزئی اما حیاتی سلامت در استان‌ها و مناطق مجاور را از نظر بصری کاملاً محو می‌کرد.[2]

نقشه‌نگاری داده‌های اقتصادی نیز با چالشی کاملاً یکسان روبه‌روست. هنگام نمایش درآمدهای شرکتی بر پایه مناطق شهری، شهری که میزبان دفتر مرکزی یک غول تجاری است ارقامی چند میلیاردی ثبت می‌کند، در حالی که شهرهای همجوار اعدادی در مقیاس چند میلیون دلار دارند.[3]

یک مقیاس خطی، آن شهر اصلی را سیاه و کل بقیه استان را یکدست سفید نشان می‌دهد. بریدن مقیاس در صدک نود و پنجم اجازه می‌دهد طیف فعالیت‌های اقتصادی در حاشیه‌ها و مناطق روستایی نیز دیده شود.[3]

روش‌های جایگزین برای طبقه‌بندی داده‌ها

البته برش مقیاس تنها روش مدیریت داده‌های پرت نیست، هرچند که در اغلب موارد شفاف‌ترین روش محسوب می‌شود. کارتوگراف‌ها معمولاً از روش‌های دسته‌بندی الگوریتمی مانند شکست‌های طبیعی یا چندک‌ها برای تقسیم داده‌ها به بازه‌های رنگی مجزا استفاده می‌کنند.[1]

نویسندگان کتاب «علم داده‌های جغرافیایی با پایتون» متذکر می‌شوند: «انتخاب شیوه طبقه‌بندی باید با توجه به توزیع آماری متغیرها و هدف اصلی نقشه انجام شود.» هر روش فرضیات ریاضی ویژه‌ای با خود به همراه دارد.[1]

طبقه‌بندی بر پایه چندک (Quantile) داده‌ها را به طور مساوی تقسیم کرده و تعداد برابری از نواحی جغرافیایی را در هر طبقه رنگی قرار می‌دهد. گرچه این کار کنتراست بصری بالایی ایجاد می‌کند، اما می‌تواند مناطقی را که مقادیرشان تقریباً یکی است، صرفاً برای پر کردن سهمیه در دو رنگ کاملاً متفاوت بنشاند.[1]

روش شکست‌های طبیعی یا بهینه‌سازی جنکس (Jenks) تلاش می‌کند واریانس را درون هر طبقه به حداقل و واریانس میان طبقات مختلف را به حداکثر برساند. این شیوه برای جدا کردن داده‌های پرت در بازه‌های مجزا فوق‌العاده است، اما چون نقاط شکست برای هر مجموعه داده منحصربه‌فرد است، مقایسه دو نقشه متفاوت را عملاً ناممکن می‌سازد.

ترکیب برش صدکی با مقیاس خطی یا بازه‌های مساوی، راه‌حلی میانه‌رو به دست می‌دهد. این رویکرد تناسب ریاضی میان مقادیر را در بدنه اصلی داده‌ها حفظ می‌کند، از مرزبندی‌های ساختگی روش چندک دوری می‌جوید و در عین حال داده‌های پرت اخلال‌گر را مهار می‌سازد.[3]

بده‌بستان‌های تعیین سقف عددی

مهم‌ترین نقطه‌ضعف روش برش صدکی، چشم‌پوشی آگاهانه از نمایش بزرگی مطلق در داده‌های اوج است. وقتی صدک نود و ششم و صدک نود و نه ممیز نهم رنگی کاملاً یکسان می‌گیرند، نقشه از نظر بصری مقادیری را برابر فرض می‌کند که ممکن است در واقعیت میلیون‌ها دلار یا هزاران نفر اختلاف داشته باشند.[3]

برای تحلیلگران داده، این یک بده‌بستان حساب‌شده به حساب می‌آید. هدف اصلی یک نقشه کلوروپلت، نمایش الگوهای منطقه‌ای و خودهمبستگی مکانی است، نه اینکه نقش یک جدول اکسل دقیق را برای استخراج تک‌تک اعداد ایفا کند.

اگر دقت مطلق در مقادیر منفرد مد نظر باشد، نقشه اساساً ابزار اشتباهی برای نمایش است. برای جبران این کاهش جزئیات در داده‌های اکستریم، طراحان نقشه باید به نشانه‌گذاری‌ها و راهنماهای تکمیلی تکیه کنند.

راهنمای نقشه باید برش انجام‌شده را شفاف نشان دهد؛ این کار معمولاً با درج علامت «بزرگ‌تر از» در بالاترین طبقه رنگی صورت می‌گیرد تا مخاطب بفهمد این بازه دارای سقف باز است. همچنین می‌توان اطلاعات داده‌های پرت را مستقیماً با کادر متنی روی خود نقشه یادداشت کرد.[3]

نرم‌افزارهای مدرن امروزی این مدیریت داده‌های پرت را خودکار کرده‌اند. سامانه‌های اطلاعات جغرافیایی مانند ArcGIS و QGIS به کاربر امکان می‌دهند حدود بالا و پایین سفارشی را روی هیستوگرام نمادها تعیین کنند و شیب رنگی باقی‌مانده نقشه را فوراً از نو بسنجند.[1]

حفظ شفافیت و اخلاق تحلیلی

با این حال، تصمیم برای برش مقیاس حتماً باید در بخش روش‌شناسی بصری‌سازی مستند شود. پنهان کردن یک داده پرت بدون اشاره به تعدیل مقیاس، مرز ساده‌سازی و دستکاری داده‌ها را مخدوش کرده و اخلاق حرفه‌ای تحلیل داده را زیر سؤال می‌برد.[3]

اما در صورت اعمال شفاف، این روش ابزاری حیاتی برای وضوح بصری است. این واقعیت را باید پذیرفت که ادراک بصری انسان محدود است و شیب رنگی پیش از آنکه به نوفه غیرقابل‌تشخیص تبدیل شود، تنها می‌تواند میزان معینی از واریانس را منتقل کند.

تحلیلگران با بریدن دم افراطی توزیع‌های چوله تضمین می‌کنند که نقشه واقعاً به هدفی که برای آن طراحی شده خدمت کند. برش در صدک نود و پنجم، روایت جغرافیایی را نجات می‌دهد و اجازه می‌دهد دگرگونی‌های واقعی مناطق از زیر سایه یک نقطه داده مسلط خارج شوند.[3]

در روزگاری که داشبوردهای خودکار داده‌ها را بدون دخالت انسان مستقیماً روی نقشه ترسیم می‌کنند، درک این سازوکارهای نقشه‌نگاری ضرورتی دوچندان دارد. تنظیمات پیش‌فرض نرم‌افزارها معمولاً روی مقیاس‌های خطی کور تنظیم شده‌اند و تا زمانی که تحلیلگر مداخله نکند، خروجی‌های بی‌خاصیت تولید می‌کنند.

در نهایت، برش مقیاس در صدک نود و پنجم یادآوری می‌کند که بصری‌سازی اثربخش داده‌ها نیازمند قضاوت انسانی است. نقشه‌نگار باید آگاهانه تشخیص دهد که کدام بخش از توزیع داده ارزش تحلیلی بیشتری دارد و ابزارهای بصری را دقیقاً روی همان نقطه متمرکز کند.[3]