在全新世（the Holocene，11700年前以来）期间，人类社会的规模和复杂性显著地增长。一代又一代的研究者试图提出不同的理论来对此作出解释，从侧重于公共产品的提供的广义上的功能主义解释（broadly functionalist explanations）到强调阶级斗争或战争作用的冲突理论（conflict theories）。为了定量检验这些理论，最近发表于Science Advances杂志的一篇论文中，研究者开发了一个基于文化宏观进化理论框架的动力学模型，并将其用于 Seshat全球历史数据库，测试了主流社会政治复杂性理论中的17个潜在预测变量的指标，以及这些预测变量的 100,000 多个组合。其中最受支持的模型表明，农业生产力的提高和军事技术的发明或采用（最显著的是公元前一千年的铁制武器和骑兵）的结合起到了强因果作用。以下是对该研究主要内容的翻译。
编者按：Seshat全球历史数据库网站链接如下 https://seshatdatabank.info/
研究领域：社会演化，人类社会复杂性
论文题目：
Disentangling the evolutionary drivers of social complexity: A comprehensive test of hypotheses
论文链接：
https://www.science.org/doi/10.1126/sciadv.abn3517
在全新世期间，也就是过去的大约一万年中，人类社会的规模和复杂性发生了多维度的巨变[1-4]：人们交流合作的社会规模从百千到十亿级别，增加了6个数量级；而全新世中期出现的“国家”（state）这种特殊的政治组织形式，成为了世界各地主要的社会组织形式；其他变化还包括日益增长的生产力和越来越广的文化普及程度（如阅读和写字），以及更深的不平等和根深蒂固的社会阶级[5-6]。
一代代历史学家、人类学家、哲学家提出了各种各样的理论来解释社会规模和人类政治形态复杂性的这些显著变化。农业是复杂社会演化的必要条件，这一在早期人类学家Childe[7]、White[8]和Service[9]的工作中得到了明确体现的观点，今天为大多数学者所支持。另外一些人认为，粮食生产是社会复杂性增加的充要条件[10]：农业的普及通常与定居活动（sedentarization）增加、可储存的食物盈余和人口爆炸有关；而农业生产盈余支持了日益专业化的劳动分工[11]，反过来又为全职工匠和发明家的出现创造了条件，进而推动了技术的累积增长；相对高产的农业经济也为统治者和精英、专职官僚、军官和士兵等的出现提供了基础，因此也导致了政治集权、社会分层和日益暴力的冲突。
农业促进了社会政治复杂性的上升这一观点由来已久，尽管有部分反对声音，但由于来自复杂的狩猎采集社会证据的存在，仍然被考古学家普遍接受[12-13]。虽然对于觅食群体，农业可能不是规模扩大和社会复杂性增加的必要或充分条件，但单纯采集狩猎的扩张上限似乎远低于农业存在的情况。
然而，除了农业之外，社会学家对推动国家崛起和扩张的因素则有更多的分歧[6,8,9,14]。20世纪60年代形成了两种截然不同的研究方法，功能主义（functionalist theories）和冲突理论（conflict theories）：前者认为，国家的发展和扩张是为了应对日益庞大和复杂的社会的组织挑战，例如扩大长途贸易的需要[9]，管理生产力风险[5]，或发展和维护灌溉基础设施[16]；后者则倾向于强调由不平等和阶级斗争引起的内部冲突[14,17]或外部战争[18-19]。事实上，目前的大多数理论二者兼具[20]。
过去对这些理论的实证检验一直受阻于两个主要问题：缺乏用于捕捉社会复杂性特征变化的、大规模的时间分辨（diachronic）数据，以及缺乏具有适当的数学模型和统计检验用以分析这些数据的一般理论框架。
如今，随着Seshat全球历史数据库[21]的发展，第一个问题正在得到解决。该数据库追溯了35个自然地理区域（natural geographic areas, NGAs）分层样本在过去大约一万年中的社会发展顺序，其中涵盖了跨越世界各大洲的10个世界地区，选择这些区域进行研究能够最大化多样性，且社会政治复杂性在不同自然地理区域的出现时间具有一定分散性。这种抽样策略的目的是尽可能多地捕捉世界历史进程中社会政治复杂性演变的变化，从而帮助解决内生性偏倚和小样本规模带来的问题，也就是过去之所以难以分析社会政治复杂性演变的原因。本研究使用了最新数据发布的[21]包括373个社会的超过100个变量，时间范围在公元前9600年到公元1900年之间。
第二个问题则随着文化进化论（cultural evolution theory）的兴起得到了解决[22]：由其提供具有鲁棒性的框架来概念化和研究人类社会中长期的、社会文化上的变化。这一理论研究社会复杂性的关键要素是文化宏观进化[23-24]。参考了进化生物学中对微观进化（即种群内的遗传和表型变化）和宏观进化（即物种水平或以上的变化）的区分，文化的微观进化被定义为种群内文化变体产生频率的变化[25]，而文化的宏观进化被定义为整个种群文化特征的大规模变化[23]。这一重要区别让研究者意识到，社会复杂性的不同维度之间的特定组合和过程关系，在空间和时间维度上以不同的方式组合、重组。
本研究所采用的理论框架中，同一个变量可以同时是响应和预测，使研究者能够捕捉到互作的因果关系。这也被称为维纳-格兰杰因果关系（Wiener-Granger causality），使研究者能够将社会科学家提出的各种社会进化理论重新纳入共同的框架，以便用时间分辨数据相互检验和证成[27-28]。
公式1
“因果关系”是一个公认的、棘手的统计学和哲学问题[29]。本研究引入进化因果关系（evolutionary causality）的概念，使得对因果关系的定义通过一般的宏观进化模型（公式1）在数学意义上变得明确，这也是是动态回归（Dynamic Regression, DR）统计方法的基础，并能够充分利用了时间分辨数据。这种研究因果关系的方法在目标和统计方法上与有向无环图（directed acyclic graphs, DAGs）有很大不同[30]，具体参见文章的方法部分。
总而言之，这一研究的核心是自20世纪向Seshat数据库允许的最早时间范围回溯的统计分析，包括了世界上不同历史社会中的大样本量数据。在文章的讨论部分，一些个案研究能够进一步地来补充分析的全面性（包括地理范围和所测试的各种假设），突出从中涌现出的、最重要的一般性见解。
1. 因变量
为了描述社会复杂性，研究者采用了三种衡量标准——社会规模（Scale）；垂直或层级复杂性（Hier）和治理专业化（Gov）——作为统计分析中的主要因变量。
2. 自变量
研究者使用了与农业、功能主义理论、内部冲突、外部冲突和宗教相关的五套衡量标准。
作为预测变量用以衡量农业影响的第一个量化指标是农业生产力（Agri），单位是吨每公顷。又由于从农业的星星之火到颇具规模的复杂社会之间可能有一段相当长的时间间隔[11]，因此第二个量化指标是农业的历史（AgriLag），用年来衡量。
各种各样的指标被用来衡量提出的功能主义或者整合理论。公共产品和基础设施（Infra）相关的12个Seshat变量包括了供水系统、食品储存场所、道路、桥梁、运河、港口、市场和邮政服务的存在与否等。比如Wittfogel的水利社会理论（hydraulic society theory）主要关注灌溉[16]，不过，更多综合理论认为经济发展是国家演变和增长的主要驱动力。在本研究中，三种不同的指标被用来衡量经济发展的各个方面：一个是政体中最大定居点的人口（Cap），这是由于经济历史学家经常用城市化作为经济增长的代表[31]；第二个是市场是否存在的二元变量，即一种用于促进贸易和交换的空间（Market）；第三个是交换手段的复杂性（the sophistication of the means of exchange），用政体中使用的货币种类来衡量。此外，也有一些整合理论认为复杂的治理机构之演变是为了满足政体内部管理信息流之需要[5]。因此本研究用包含13个变量的综合衡量指标来代表这一假设，这些变量主要用来代表信息的复杂性（Info）。
有理论认为社会规模增加是政治复杂性增加和国家形成背后的驱动力，因此社会规模本身可能是向农业转型的结果，这导致了人口增长。比如“压力梯度假说”（scalar stress hypothesis）就认为，治理机构和有效传递的身份标记进化来协调工作和解决群体之间不可避免、不可调和的冲突和矛盾[32-34]。因此，研究中引入了政体人口（Pop）来回应这个假设。
另一个直接的规模衡量标准，政治领域（Terr），也作为一个可能的驱动因素在研究中被纳入考量[35]。而宗教信仰，也就是对全知和道德的关注、对神灵的信仰也在一些先前研究中被认为是维持大规模社会组织的因素，并通过促进群体在共同的意识形态框架内的凝聚力和合作，成功地扩大了社会规模[36-37]，这在本研究研究中用道德化超自然惩罚（MSP）这一综合变量来代表。
本研究重点关注的内部冲突理论强调社会阶层之间的不平等和冲突是国家增长的主要驱动力[14,17]，在研究中用社会分层（Class）表示，使用的是Peregrine收集的考古学已知社会之间的涌现分层数据[39]。学术界所关注的另一个重要影响因素是指挥链的长度，用层级复杂性（Hier）来衡量一种“寡头政治铁律”：在一个等级制度中控制和指挥的层级越多，占据最高层级的个人获得的权力就越多，这些人会倾向于通过集权来维持优势地位[40]。内部冲突理论还假设了谷物比根茎作物更容易储存，使其更容易被新兴的精英所占有，从而积累财富和权力，在国家结构中进一步强化其特权[12]。因此，如果主要碳水化合物来源是根类作物（山药、甘薯和芋头），二元谷物（Grain）变量编码为0，谷类作物（小麦、水稻、玉米、小米和黑麦）则编码为1。最后，虽然宗教具有其一定的团结作用，但也会加剧社会分层和不平等，比如在“社会控制假说”（social control hypothesis）中，人祭（human sacrifice, HS）是合法化精英权威来巩固其权力[41]——由于祭祀作为一种与超自然生物沟通或安抚的仪式和意识形态意义——以及通过神认可的恐吓来激励顺从[42]。人祭也在本研究中作为二元变量采纳。
而另一个重点关注的理论，外部冲突理论认为，社会之间的竞争，通常采取战争的形式来强加一种选择制度，淘汰相对功能失调、组织不善和内部不合作的政治，有利于那些拥有更多人口和有效的、中央集权的和内部专门机构的政治[6,43 - 45]。外部冲突假设的主要变量是Seshat衡量实现的复杂性和政治使用的军事技术复杂度（MilTech）[46]：在政治环境中，复杂繁多的进攻和防御手段是战争强度的量化指标，当一个政体受到其他政体的威胁时，人们倾向于投资昂贵的装甲和防御。战争强度通常在考古数据集中使用如颅外伤等暴力死亡的证据来衡量，但在本研究所关注的不是衡量群体间冲突造成的死亡率，而是在面对生存威胁时加强群体军事准备和有效性的合作投资水平。此外，文章的补充材料中列出了军事技术复杂度和战争强度的定量测量之间近似线性的关系，和大于0.9的高相关系数，这表明军事技术复杂度捕捉到了不断增加的州际冲突和威胁的强度。
除了军事技术复杂度这一变量，还有更多需要考虑，比如有助于骑马作战的技术。以Pontic-Caspian大草原上骑术发明与铁的冶金技术之结合为例，更有效的武器和盔甲也就得以出现，掌握这些技术使得军队更加所向披靡，从大草原南部蔓延到农耕社会地带，这也是为什么能够形成超级帝国的原因之一[47]。同样地，铁制工具也促进了农业生产，生产力增长与政体之间的冲突也就联系起来了。于是引入数据[48-49]构建一个变量——铁骑兵（IronCav），以捕捉冶铁和骑兵这两种关键技术的传播情况。尽管分析中使用的铁骑兵变量在欧亚历史中的确发挥了重要作用，但军事技术复杂度变量侧重军事技术的全球性。
3. 模型选择与分析
在完成了上述各种理论变量的选择后，研究者通过穷举搜索进行模型选择的过程，即在所有可能的预测变量线性组合上回归因变量。除了17个可能的预测因素外，研究还观察了各种自回归和非线性项的影响，这意味着本研究测试了大于100,000个特殊假设。采用赤池信息量准则（Akaike information criterion, AIC，日本统计学家赤池弘次创立）对拟合程度进行量化，以此对拟合系数过多的模型进行惩罚。在回归模型中加入二次项来检验可能的非线性效应。对最佳拟合模型进行标准诊断试验[50]。为检查交叉方程误差相关性，拟合了一个“看似不相关的回归”（seemingly unrelated regression）[51]。缺失的数据值、估计的不确定性以及专家在预测因子上的分歧均通过多重估算处理[52-53]。最后，由于诊断测试表明残差的分布不是高斯分布，研究使用非参数自举来估计与各种回归项相关的P值。以上细节，均参见论文方法部分。
本研究确定了两类预测因子，外部冲突和农业，二者相结合，对三个复杂变量具有一致的影响。最强有力的支持是铁骑兵变量（IronCov），也就是表征骑兵战争和铁冶金的联合传播的变量。军事技术复杂度，也就是能够反映战争强度的指标，对所有三个反应变量有额外的影响。农业生产力（Agri）和农业的历史（AgriLag）也被选为预测因子。其他的假设没有得到这个分析的支持。
与理论替代方案相比，包括农业生产力和冲突在内的模型的统计支持有多强？一个有益的比较是与农业+功能主义模型的比较，因为Seshat项目已经投入了类似水平的努力来概念化和编码这些变量。我们使用替代模型delAIC的AIC值之间的差异来比较这两类模型。一般来说，当最佳支持模型的AIC比替代模型的AIC低10个单位，替代模型基本上没有统计支持[54]。我们发现，最佳的农业+功能主义模型公式的特征是替代模型delAIC在23.19到62.65之间变化，这取决于响应变量（参见论文补充材料中的“功能主义和外部冲突代理的比较”）。AIC中如此大的差异是反对功能主义理论的一个非常有力的统计证据。
基于文化宏观进化的一般模型（公式1）的动态回归方法使得分离潜在的因果因素对响应变量的影响能够用于区分相关性和因果关系。如图1所示，同时对战争和农业这两个主要定量预测因子绘制三种反应措施时，我们观察到不同程度的同步相关性，特别是与农业生产力变量单独的相关性不强。然而，当农业生产力与军事技术复杂度指标一起纳入DR模型时，则出现了很强的预测效应，三种响应的最佳拟合模型的决定系数均较高，R2范围为0.89 ~ 0.92。此外，k折交叉验证估计了宏观进化模型的样本外预测能力，产生了同样高的预测R2 (图1)，进一步支持了政体间冲突和农业生产力是多样化的全球样本中社会复杂性的主要因果驱动因素的解释。
图1：区分相关性和因果关系。
上图表示三个因变量（Scale, Hier和Gov，即社会规模，层级复杂性和治理专业化）和军事技术复杂度之间的同步相关性；
中间表示三个因变量（社会规模，层级复杂性和治理专业化）和农业生产力之间的同步相关性；
下图利用农业和战争的滞后度量的DR通过k折交叉验证估计的响应变量的样本外预测精度。
背景色表示数据点的密度，红色表示密度最高。虚线是线性回归。
虽然研究测试了17个可能的预测因子的超过100,000个组合，但是如图2所示，几个关键变量之间的因果关系出乎意料地简单，大多数的因果影响是单向的。例如，对导致战争强度测量增加的进化因果独立分析[46]发现：以军事技术复杂度作为因变量的最佳模型中并无社会复杂性的维度，并且军事技术复杂度不受领土或人口规模、治理或行政复杂性、货币复杂性等任何政治特征的影响，相反，它的演变是由重大的技术革命（特别是骑兵战争和铁冶金技术）、总体世界人口、非洲-欧亚大陆主要交通路线的位置中心，以及不高的农业生产力所决定的。因此，军事技术复杂度在社会复杂性方面扮演着外生变量的角色。这反映了军事技术的历史进步和传播特点，尤其是在现代以前。
图2：提出影响社会政治复杂性演变的因果网络。
箭头的粗细表示效果的强度和一致性。从社会政治复杂性到农业生产力的相互因果关系箭头是由政府→农业效应调节的。注意，每个箭头都包含一个显式的时间维度，即它的形式Xt→Yt+1。
再来看第二个战争变量——铁骑兵，这种单向的、非相互的因果关系更加清晰，特别是对于骑兵战争而言。骑兵战争只在草原起源过一次，之后到亚非欧大陆的最远端，再到世界上所有主要地区都仅仅属于传播。此外，中国这样的农业帝国，必须竭尽全力确保他们的骑兵所需的充足的马匹供应。因此，骑兵是衡量战争强度的外生指标，也就是排除了反向因果关系（从社会复杂性到战争强度）的可能性。
农业生产力的情况则较为复杂，不仅农业生产力对所有三种应对措施都有一致的积极影响，而且治理专业化对农业生产力也有积极影响。治理专业化和农业生产力也是本研究分析发现的唯一可能的相互作用因素。
最后，农业的历史（AgriLag）也属于外生变量。因为生产方式向农业的转型通常比大规模社会的出现早几百甚至几千年。如图3所示，从发展农业到宏观国家的滞后时间大约是2000年。基于35个Seshat区域，农业历史可以是一个强有力的规模预测器，一项基于ArchaeoGLOBE项目[55]定义区域的全球分析与本研究的发现一致。当然，图3也证实了农业是大规模社会崛起的必要非充分条件，因为在公元前500年以前农业很普遍的世界地区中，仍然有23%未能在公元1500年，也就是欧洲的扩张之前，发展成为具有复杂性的政体。
图3：从采用农业到宏观国家的出现之间有一段时间的滞后。
宏观国家是指控制领土至少10万平方公里的国家，该样本来自全球88个历史文化区域，这些地区的农业在公元前500年开始普及，只有在1500年之前（也就是在欧洲殖民之前）形成的宏观国家被包括在这个分析中。丨数据来源：农业发展[55]和宏观国家[63]。
社会规模的宏观演化
历史学家和考古学家已经注意到，全新世时期的社会文化演变不是一个渐进的过程，而是包含了快速变化的阶段，其间穿插着长期相对稳定的时期，这一模式类似于生物宏观进化中的“间断平衡”（punctuated equilibrium）[57]。如图4所示，研究观测到的最大平均尺度的演化动力学，也就是在Seshat数据库平均每个世纪取当时存在的三个最大政体，取平均值以减少结论特殊性，可以支持这一结论。在公元前第三个千年持续增长之后，公元前第二个千年停滞不前；在公元前的第一个千年的快速变化阶段后，是接下来的1500年明显围绕着平衡的波动。
统计结果表明，从公元前第二个千年的停滞突变到下一个千年的快速变化要归功于公元前1000年左右欧亚大陆的铁器和骑兵的引入以及随后在亚非欧大陆上的快速传播。这一解释可以用公式1的宏观进化模型定量地检验。使用在表现最好的社会规模模型中选择的变量，可以得到公式2：
其中εt表示一个随机误差项。本研究重点关注了对社会规模影响最大的因素——铁骑兵的影响（标准化回归系数最大，t值最大）。在模拟的第一个阶段运行铁骑兵 = 0的模型，然后突然切换到铁骑兵 = 2，表示冶铁和骑兵联合到达该地区。在此期间，保持农业生产力不变，但允许农业历史增加（假设在时间0采用农业）。
在补充图5中，研究者发现，基于经验模型的公式2的预测轨迹将趋于增加到一个与参数设定相关的波动平衡。因此，在控制其他变量的情况下，该模型可以预测由这些预测变量所带来的稳态。为了将观测到的社会规模动态与公式2预测的进行直接比较，我们以与数据相同的方式对其轨迹进行采样。由图4B可以观察到，铁骑兵的突然变化会导致一个更高的平衡水平，以及围绕新水平的波动。尽管这种模式再现了“间断平衡”，但将其描述为由预测变量设定的均衡周围的稳定选择或许更为准确。还要注意，由于农业历史的增加，均衡水平会以较低的速度持续增长。
图4：对观察到的和预测的最大政体的演变的比较。
图A展示了观察到的最大尺度的宏观演变，也就是平均了公元前3500年到1500年之间的三个最大的政体。
图B则是假设铁骑兵变量在t = 30时发生变化，由公式2所预测的最大尺度的演化动力学。
(A)和(B)中，实曲线为平均值，阴影曲线为平均值±SD。
纵轴的规模（Scale）整合了对数转换后的政治人口、领土和最大的聚落（一个单位的变化对应于未转化量的10倍增长）。
本研究提出了一种研究历史过程的通用方法，结合了非线性动力系统、大规模历史数据集和替代因果假设的系统统计检验。这一方法使得研究者能够在单一框架内定量地比较人类社会复杂性进化的所有主要理论方法，并为未来更细致和精确的理论进行验证奠定基础。
本研究的分析证明，对于社会复杂性增长这一现象：首先，提高农业生产力是必要非充分的；其次，也不是由与功能主义或内部冲突理论相关的因素驱动的；再者，外部冲突和与战争相关的关键技术创新，以及不断增长的人口和农业生产力提供的资源基础，似乎是国家增长的主要驱动力。
本研究的分析有助于阐明为什么战争、军事技术革命[63]、农业[64]的模型能够很好地解释古代和中世纪时期以及现代早期世界范围内推动亚非欧大陆的社会复杂性上升、扩散和均衡水平的原因。由于本研究模型的简化处理，诸如基础设施、市场和货币交换以及意识形态发展等因素看似并没有在推动随后的社会规模、等级复杂性或治理复杂性方面发挥重要的因果作用，但它们仍然可能是支持和维持这种增长结果的不可或缺的因素，这也是为什么过往大量研究中讨论了这些变量。
研究者期望未来的分析，通过额外的时间分辨数据和先进的分析方法，来澄清这些不同的因素是否以及在多大程度上对不同层次的复杂性和组织模式的加强或稳定起作用。值得注意的是，目前的研究仅限于全新世时期起世界范围内35个地区的样本。鉴于目前人们对中石器时代渔业社会的兴趣，以及这些社会也已经实现了大规模的、分层的社会结构，最好在Seshat数据库添加北美西海岸和西北海岸、秘鲁、朝鲜栉文和波罗的海等关键地区。因此，研究者希望对非洲、北美和南美进行更彻底的抽样（Seshat项目已经将覆盖范围扩大到撒哈拉以南非洲）。未来扩大Seshat数据库的地理范围和时间深度，以及填补已经涵盖的区域历史空白的努力，可能会改写本研究的结果。随着Seshat数据库的不断发展和更多证据的出现，关于人类社会复杂性增加的理论解释仍然在不断地发展。
尽管如此，这项雄心勃勃的研究展示了一种新方法来量化数千年的全球历史，使我们能够比以往任何时候都更全面地测试文化宏观进化的理论，从而释放历史作为更广泛的科学框架的一部分的解释力。
任卡娜 | 编译
刘培源 | 审校
邓一雪 | 编辑
商务合作及投稿转载｜swarma@swarma.org
◆ ◆ ◆
搜索公众号：集智俱乐部
加入“没有围墙的研究所”
让苹果砸得更猛烈些吧!
| 留言与评论（共有 0 条评论） “” |
