💻 computer science

Partitioning Israeli Municipalities into Politically Homogeneous Cantons: A Constrained Spatial Clustering Approach

本文提出了一种基于约束空间聚类的算法框架，利用以色列市级选举数据将全国划分为地理连续且政治同质化的“州”，研究发现聚合聚类结合区块份额特征能实现最佳聚类质量，而 NMF 结合 Louvain 算法则在政治同质性与结果可解释性之间取得了最佳平衡，揭示了以色列政治地理在选举波动下仍保持结构性稳定的特征。

原作者： Adir Elmakais, Oren Glickman

发布于 2026-03-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Adir Elmakais, Oren Glickman

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在玩一场高难度的**“政治拼图游戏”，但这次拼图的规则不是按颜色或形状，而是按“大家投了谁的票”**。

想象一下，以色列就像一块巨大的、色彩斑斓的拼布被单。过去几年，这块被单上发生了五次激烈的“投票风暴”（五次议会选举）。人们经常开玩笑说：“如果以色列能按政治观点切成几块独立的‘小自治区’（Cantons），世界会怎样？”

这篇论文的作者（来自以色列巴伊兰大学）没有停留在开玩笑上，而是用超级计算机算法，真的尝试把以色列的 229 个城市像切蛋糕一样，切成几块**“政治口味最一致”**的区域。

以下是这篇论文的“人话”版解读：

1. 核心任务：把“口味相同”的人聚在一起

作者的目标很简单：把以色列的城市分成 $K$ 个区域（比如 3 个、5 个或 20 个），满足三个条件：

口味一致：同一个区域里的人，投票习惯要非常像（比如都投右派，或者都投阿拉伯政党）。
连成一片：切出来的每一块必须是地理上连在一起的，不能是“飞地”（比如不能把特拉维夫和耶路撒冷硬拼在一起，中间隔着别人的地盘）。
大小适中：虽然主要看政治，但也尽量让每块区域的人口别差得太离谱。

2. 他们用了什么“切蛋糕”的工具？

作者试了四种不同的“切法”（算法），就像用不同的刀切蛋糕：

模拟退火 (Simulated Annealing)：像是一个耐心的厨师，不断尝试微调切法，偶尔接受一点“切得不完美”的情况，希望能找到全局最优解。
凝聚聚类 (Agglomerative)：像玩“贪吃蛇”，从每个城市单独开始，不断把旁边最像的邻居吞并，直到变成 $K$ 块。
Louvain 社区检测：像是一个社交网络分析器，自动发现哪些人关系最紧密，自然形成圈子。
K-Means (基准)：就像把豆子撒在桌子上，强行按距离归类，不管它们是否连在一起（这通常会导致地理上断裂，所以不是最佳方案）。

他们还尝试了不同的“数据视角”（特征表示）：

BlocShares：把政党归类成“大阵营”（如右派、左派、阿拉伯派），看大趋势。
NMF/PCA：用数学魔法把复杂的投票数据压缩成几个核心“政治人格”。

3. 实验结果：切出了什么样的“以色列地图”？

作者跑了 264 种不同的组合（就像试了 264 种切蛋糕的方案），最后发现了一个**“最佳方案”**（切成 5 块）：

这 5 块区域完美地反映了以色列现实中的政治版图：

中心大都会区 (Center Metro)：以特拉维夫为核心，这里是世俗、中间派的大本营，像是一个自由主义的绿洲。
南部右翼弧 (Right South)：从耶路撒冷一直延伸到内盖夫沙漠，这里是右翼和极端正统派的天下，像是一个保守的堡垒。
北部混合区 (Right North)：包括海法和加利利地区的犹太城镇，这里比较混合，但右翼倾向明显。
加利利阿拉伯区 (Arab Galilee)：以色列北部的阿拉伯城镇，几乎完全由阿拉伯政党主导。
边缘阿拉伯区 (Arab Periphery)：内盖夫沙漠的贝都因城镇，也是阿拉伯政党的天下。

有趣的发现：

阿拉伯和犹太的界限最清晰：算法自动把阿拉伯城市分成了两块，和犹太城市完全分开。这说明“阿拉伯 - 犹太”的分歧是以色列政治地理中最深的裂痕。
行政区划 vs. 政治版图：作者把切出来的“政治蛋糕”和以色列官方的“行政地图”对比，发现重合度很低。这说明政治观点的分布并不遵循政府划定的行政边界，而是遵循“人心”的分布。

4. 稳定性测试：这块拼图会散架吗？

作者担心：如果换一次选举，切出来的地图会不会完全变了？

结果令人惊讶：尽管以色列这几年选举频繁，政局动荡，但**“政治地理的骨架”非常稳固**。
用某些算法（如 Louvain）切出来的 5 块区域，在五次选举中完全没变（就像用胶水粘住了一样）。这说明以色列的政治分裂不是暂时的，而是深深扎根于地理和人口结构中的。

5. 总结与比喻

如果把以色列的政治版图比作**“一锅大杂烩”**：

以前人们觉得这锅汤很乱，很难分清谁和谁是一伙的。
这篇论文就像给这锅汤加了一个**“智能过滤器”**。
过滤后发现，这锅汤其实自然分成了几个明显的“风味层”：中间是清淡的世俗汤，两边是浓烈的保守汤，还有完全独立的阿拉伯风味汤。

这篇论文的意义在于：
它没有提出任何政治建议（比如“我们应该分裂国家”），它只是用数据告诉我们：“看，如果我们完全按投票习惯来划分，以色列自然会形成这几种区域。” 这有助于我们理解以色列社会深层的撕裂和结构，就像医生通过 X 光片看清骨骼结构一样。

最后，作者还做了一个互动网站，你可以自己在上面玩这个“切蛋糕”的游戏，看看如果切成 3 块、10 块或 20 块，地图会变成什么样。

论文技术总结：基于约束空间聚类的以色列市政区政治同质化“州”划分

1. 研究背景与问题定义 (Problem Definition)

背景：
近年来，以色列社会经历了显著的政治极化，2019 年至 2022 年间举行了五次议会选举。公共舆论中频繁出现将国家按政治倾向划分为同质化“州”（Cantons）的假设性讨论（例如将世俗自由派与宗教保守派、犹太社区与阿拉伯社区在地理上分离）。

核心问题：
本文旨在通过数据驱动的方法回答一个计算性问题：如果仅基于投票模式将以色列划分为政治连贯的区域，这些区域会呈现何种形态？其边界在不同选举周期中是否稳定？

形式化定义：
该问题被建模为约束空间分区问题（Constrained Spatial Partitioning Problem）。

输入： $n$ 个市政区（Municipalities）集合 $V$ ，每个市政区具有基于选举结果的政治特征向量 $f_i$ ；地理邻接图 $G=(V, E)$ ；选民人口权重 $w_i$ ；目标分区数 $K$ 。
目标： 寻找一个分区 $C = \{C_1, ..., C_K\}$ $C = {C_{1}, ..., C_{K}}$ ，满足以下三个约束/目标：
1. 最大化政治同质性： 最小化分区内部的政治方差。
2. 确保地理连续性： 每个分区 $C_k$ 必须在图 $G$ 中诱导出一个连通子图。
3. 平衡人口： 最小化各分区间选民总人口的差异。
优化函数： 采用加权多目标成本函数 $Cost(C) = \alpha \cdot Homogeneity + \beta \cdot Balance + \gamma \cdot Compactness$ 。

2. 方法论 (Methodology)

本研究构建了一个全面的实验框架，涵盖了数据预处理、特征工程、算法选择及评估指标。

2.1 数据来源与处理

数据： 以色列中央统计局（CBS）提供的 2019-2022 年间五次议会选举的市政区级别数据（229 个市政区）及地理边界数据。
特征表示（4 种）：
1. BlocShares： 将政党归类为 5 大政治阵营（右翼、哈雷迪、中间派、左翼、阿拉伯），计算各阵营的得票率均值、标准差及平均选民数（11 维向量）。
2. RawParty： 原始政党得票率向量（高维，保留细粒度信息）。
3. PCA_5： 对 RawParty 进行主成分分析提取的 5 个主成分。
4. NMF_5： 对 RawParty 进行非负矩阵分解（NMF）得到的 5 个可解释的“政治原型”分量。
距离度量（3 种）： 欧几里得距离（Euclidean）、余弦距离（Cosine）、Jensen-Shannon 散度。
图构建： 基于地理邻接构建连通图，并通过虚拟边、飞地边和桥梁边处理不连通组件，确保图的全连通性。

2.2 聚类算法（4 种）

模拟退火（Simulated Annealing, SA）： 在分区空间上优化多目标成本函数，通过约束邻域操作（仅允许合并相邻区域）维持地理连续性。
凝聚层次聚类（Agglomerative Clustering）： 带有连续性约束的平均链接聚类，确定性算法。
Louvain 社区检测： 基于图模块化（Modularity）最大化，通过二分搜索分辨率参数以逼近目标 $K$ 值。
K-Means（基线）： 无地理约束的标准聚类，用于对比。

2.3 实验设计

规模： 系统性地评估了 264 种配置（4 种特征表示 × 3 种距离度量 × 4 种算法 × 6 种 $K$ 值）。
评估指标：
- 轮廓系数（Silhouette Score）： 衡量聚类质量。
- 人口平衡系数（CV）： 衡量各分区人口差异。
- 调整兰德指数（ARI）与归一化互信息（NMI）： 用于跨五次选举的时间稳定性分析。

3. 关键结果 (Key Results)

3.1 算法与特征表现

最高聚类质量： BlocShares 特征配合 欧几里得距离 和 凝聚层次聚类 在 $K=3$ 时达到了最高的轮廓系数（0.905）。但这导致分区过于粗糙（仅分为三大块），且人口分布极不平衡。
最佳综合表现： NMF_5 特征配合 余弦距离 和 Louvain 算法 在 $K=5$ $K = 5$ 时提供了最佳平衡。
- 轮廓系数为 0.121（虽低于 $K=3$ ，但表明存在弱但显著的结构）。
- 人口平衡性更好（CV = 0.69）。
- 时间稳定性完美： 在五次选举中，Louvain 算法产生的分区完全一致（ARI = 1.0）。

3.2 $K=5$ 分区的具体发现

基于 NMF/Louvain 的 $K=5$ 分区揭示了以色列政治地理的五个核心区域，与已知的人口 - 政治划分高度吻合：

中心都会区（CENTER Metro）： 特拉维夫及周边，以中间派（42.0%）为主，世俗化程度高。
右翼南部弧（RIGHT South）： 从耶路撒冷经内盖夫到埃拉特，右翼（44.9%）和哈雷迪（10.8%）占主导。
右翼北部混合区（RIGHT North）： 包括海法和加利利犹太城镇，右翼（38.0%）与中间派混合。
阿拉伯加利利区（ARAB Galilee）： 加利利和三角区的阿拉伯城镇，阿拉伯政党得票率高达 89.9%。
阿拉伯边缘区（ARAB Periphery）： 内盖夫的贝都因城镇及分散的阿拉伯市政区，阿拉伯政党得票率 86.1%。

3.3 稳定性分析

确定性算法（Louvain, Agglomerative）： 表现出极高的时间稳定性（ARI > 0.95），表明以色列的政治地理结构在选举波动中具有结构性持久性。
随机算法（SA）： 稳定性较低（ARI 0.36 - 0.62），受初始化和特征表示影响较大。
结论： 尽管选举结果波动，但市政区层面的政治偏好空间自相关性极强，政治地理格局并未发生根本性改变。

4. 主要贡献 (Contributions)

方法论创新： 首次将约束空间聚类（结合图连通性约束与政治特征空间优化）应用于以色列政治地理分析。
系统性实验框架： 建立了包含 264 种配置的评估基准，对比了不同特征降维方法、距离度量和聚类算法在政治分区任务中的权衡。
实证发现： 量化证明了以色列政治地理的结构性稳定，并识别出阿拉伯 - 犹太分裂是主导性的政治 - 地理断层线。
工具发布： 开源了模块化 Python 代码库，并发布了交互式 Web 应用程序，供公众探索分区结果和稳定性分析。
定性验证： 通过案例研究（如大特拉维夫、耶路撒冷、阿拉伯城镇等）验证了算法生成的分区与已知政治现实的一致性。

5. 意义与局限性 (Significance & Limitations)

意义：

该研究超越了传统的选区重划（Gerrymandering）研究（通常追求竞争性或平衡性），转而探索政治同质性最大化的极端情况，为理解政治极化的空间结构提供了新视角。
证明了即使在没有行政干预的情况下，以色列的投票模式也自然形成了高度连贯的地理板块。
为政治地理学、计算社会科学和 GIS 领域的交叉研究提供了新的分析工具。

局限性与未来工作：

生态谬误（Ecological Fallacy）： 分析基于市政区聚合数据，无法反映个体选民或社区内部的差异。
人口不平衡： 某些算法（如 Louvain）优先优化模块化而非人口平衡，导致分区内市政区数量差异较大。
静态分析： 未模拟人口结构变化或长期政治重组对分区边界的影响。
未来方向： 扩展至街区级别、模拟基于区域的联合政府形成、以及跨国家（如美国、比利时）的比较研究。

总结：
本文通过严谨的计算实验证明，以色列的政治版图在空间上呈现出高度稳定的同质化结构。通过约束空间聚类，可以将以色列划分为五个政治连贯的“州”，这些分区不仅反映了深层的意识形态和族群分裂（特别是阿拉伯与犹太社区的分野），也揭示了政治地理结构对选举波动的鲁棒性。