分级统计图中面积大的区域获得不成比例的视觉权重
别名: 面积视觉权重 · 空间偏差
概念解释
分级统计图（choropleth）以区域面积承载颜色，而读者的注意力天然被大色块吸引：一张全国人口密度图上，人烟稀少的大面积西部区域（低值、浅色）占据半张地图，数千万人口挤在东部几个小块（高值、深色）里只占很小的视觉份额。读者扫一眼得到的印象（"这个国家大部分是浅色"）与数据的实际构成（"大部分人住在深色小块里"）相反。这不是读者误读，而是面积与人口（或任何非面积量）之间系统性不对齐的必然结果。
机制
视觉权重失衡的机制是注意力的面积偏向与"面积=重要性"的日常直觉叠加：眼动的显著度模型把大面积区域排在优先注视序列，而日常经验中"占地方大"常与"重要"关联。choropleth 的问题在于它强制把统计单位绑定到地理面积上——统计单位（省、县、选区）的面积与它们的统计相关量（人口、经济、票数）之间没有任何必然关系，面积小的单位可能在人数上占绝对多数。后果在选举地图上最为知名：美国大选的县级红蓝图大面积红色（地广人稀的县投共和党）与人口加权后的实际票数对比强烈，观感与结果"不符"的争议每年重演。缓解手段按侵入程度排列：用比率而非计数（延伸至同组）、六边形或网格等值图（等面积单元消除面积偏差）、变形地图（面积正比于人口，延伸至同组）、以及提供人口加权的辅助视图。
边界
面积偏差并非总需要"纠正"：当地图的受众问题本身是空间性的（"哪些地区是高发区""相邻区域是否连片"），地理面积是合法的参照系，偏差是空间问题的固有属性。判断标准是数值问题还是空间问题——"哪个群体规模最大"是数值问题（面积偏差有害），"哪里聚集"是空间问题（面积偏差是背景信息）。另一层边界是面积偏差与延伸至同组的投影偏差的叠加：投影先扭曲一次面积（墨卡托），choropleth 再让大色块获得注意力，两级放大对高纬度大国的视觉权重叠加最强。
怎么落地
- choropleth 优先映射比率（密度、人均、占比）而非计数，削弱面积与总量的混淆。
- 数值型问题（规模比较）补充六边形网格图或比例符号图作为平行视图。
- 在图中用一句话提示空间口径："颜色表示密度；区域面积不代表人口规模。"
- 验证：让读者凭图回答"多数人/多数量在哪里"，再与数据实际分布对比；答案偏向大面积区域即视觉权重失衡影响了判断。