宣明栋·数据思维课 note
01 | 导论：数据思维的误解
我们要处理一个最重要的问题——数据思维究竟是什么？ 数据思维是使用数据来提出问题和解决问题的能力。
计算中国城市居民的平均收入，这是一个问题定义非常明确的任务，你只需要调动自己的知识和技能去完成这个任务就好。而数据思维，是针对问题的。设想一下，如果我们面临的任务并不明确，不是直接让你计算平均收入，而是一个大领导，就在电梯里问你：“咱们国家去年城市居民的收入状况什么样啊？”
这是一个具体的问题，而且在电梯里，你肯定不能长篇大论，最好的方法就是用一个指标明晰地回答问题。
一个有数据思维的人就应该这么思考：
平均值反映的是一组数字的集中情况。但是收入这件事，各人之间的差别太大了。有人年收入过一亿，有人年收入还不到一万。过亿的人少，不到一万的人多，所以用平均值就不能反映全貌。如果要反映全貌，中位数就更合适。中位数是指一组数字的中间位置。比如中位数是2万元，那就意味着中国城市居民有一半年收入比2万高，有一半比2万低。所以，如果你能脱口而出“用中位数表示”，那就是一个特别有数据思维的回答。
这才是数据思维，使用数据来提出问题和解决问题。
高水平的数据思维什么样？
美国佛罗里达州的一个县有一家报纸，名字叫《太阳哨兵报》，发行量不足23万份。报社里有个小记者，叫萨莉·克斯汀。在2011年的时候，萨莉注意到一个新闻——当地一名退休警察超速行驶，造成了恶性交通事故。萨莉查阅了近10年的记录，发现这样的事情不少。于是她意识到，警察超速行驶这件事，很可能是一个非常值得关注的社会问题。但是，怎么证实这件事呢？
采访？不可能。就算有些警察愿意告诉你一些情况，那也只是个例。抓现行？也不可能。萨莉真的尝试过跟踪警车，但很快发现，这根本行不通。第一，超速的不一定是警车，追了半天，发现不是警车就白追了。第二，就算运气好，抓到了警车，你也无权截停，仅仅有影像证据，并不充分，也不能服人。
萨莉最后想到了解决办法——申请数据公开。这些数据是当地警车通过不同高速公路收费站的原始记录。这就好办了。警车通过收费站都有时间记录，这段路程的行驶时间就知道了。而收费站之间的距离是已知的，两个数据一除，速度就出来了。她发现，在13个月里，当地3900辆警车一共有5100宗超速事件，也就是说，警车超速天天发生。而且时间记录表明，绝大部分超速都发生在上下班时间和上下班途中，这说明警察超速并不是为了执行公务。
2012年2月，萨莉发表了系列报道。在大量数据和调查访谈的基础上，萨莉得出结论，因为工作需要和警察的特权意识，开快车成了警察群体的普遍习惯，即使下班后身着便服，车速也没能降下来。萨莉也因为这个系列报道，获得了2013年度的普利策新闻奖。这是美国新闻传播界最重要的奖项。
这个故事告诉我们什么呢？
第一，数据思维不同于数据知识和数据技能，数据思维是用数据提出问题和找到解决问题的办法。
萨莉建立了数据分析的框架，知道怎么利用数据产生她需要的结果，并且这些结果能完美地契合她要讲述的新闻故事。这就是数据思维。
第二，数据思维发挥作用，需要与其他能力组合。
萨莉的新闻敏感度、问题意识、行动能力，都不能归结为数据思维，这些都是与数据思维不同的能力和品质。它们与数据思维组合起来，才能完成一次高水平的新闻报道。
第三，数据思维是对数据知识和数据技能的认知。
数据思维是使用数据来提出问题和解决问题的能力，它与数据知识和数据技能不是一回事。但是，聪明的你一定会问：思考和解决问题，肯定又离不开知识和技能，这三者之间是什么关系呢？
这是一个好问题。答案是，我们对掌握的数据知识和技能形成一些认知，这些认知就是数据思维，然后我们以这些认知为工具来思考问题、解决问题。
我们是依据我们的认知来思考的。这些认知来自我们对自己掌握的数据知识和数据技能的理解，我们会在不知不觉中被这些或明或暗的观念所限制。当然，如果认知升级，观念更新，就会发现新天地，也会产生解决问题的创意。
请注意，数据知识和数据技能看起来好像是客观的，但对它们的理解、认知却是因人而异的。这就是每个人的数据思维水平相差很大的重要原因。
02 | 转型：如何培养数据敏感度？
整个模块的基本任务，就是培养咱们的数据感。这一讲，咱们先说数据感的一个重要方面——如何提高自己对数据的敏感度？
对一样东西有超乎一般人的敏感度，是思维形成的基础。比如，摄影师就对光线有很高的敏感度，木工对木头的性质有很高的敏感度。这一讲，我来介绍三个方法，分别是量转型、量定义和对应值。
方法一：量转型
量，就是数量的量。量转型的意思就是，你要把过去用定性的方式思考、谈论和使用一个东西的习惯，有意识地转变为用定量的方式思考、谈论和使用。
举个例子，看见一个小姐姐远远地走来，你就不要说，“小姐姐好漂亮”，而要说“小姐姐颜值好高”。为什么呢？用“漂亮”这个词，就是在用定性的方式思考；而用“颜值”，就是用数量的方式思考。漂亮，只有漂亮和不漂亮两种可能；而颜值，空间就大了，可以是10分制，也可以用百分制。这就是“量转型”。
思考问题的时候要量转型，社会交往中也要量转型。
比如，八卦咱们课程的编辑老耿同学的时候，建议你调整自己，不要说“老耿这个人还行”，而要说“我对老耿啊，三七开”。
这就从行还是不行这样定性的评价，变成了比例组合的定量评价。
其实，日常生活里的任何东西，只要你想，就都可以量转型。比如，你买一盏台灯，就不要买只有一个开关的，而是买那种亮度可以调节的。这样，就从“照亮”这个概念转型成了“亮度”这个定量的概念。
方法二：量定义
也就是说，我们要用量来定义质，从量的方面抓住事物的本质。
这个世界上所有的东西都可以用量来定义。举个例子，你听见老耿说，“我买了一台标准钢琴”，那你就会反应出，老耿买的钢琴有88个琴键。只有有88个琴键的钢琴才叫标准钢琴。量定义就是这个意思。
再比如离婚率。我看一个报道说：现在的离婚率高得吓人，刚公布了2019年的数据，天津市离婚率最高，排名第一，达到了71.28%！意思就是说，“每100人里面，竟然达到了71人离婚的比例。” 报道给出了图表，说明数据来源是权威的。但是仔细一看，这里的数据是当年的离婚对数和结婚对数之比，意思是说，一年内，如果把所有结婚的看成是100对，那么离婚的相应就有71对。但是请注意，离婚的这些对，并不都是当年结婚的呀。也许会有那么几对是当年结、当年离，但这样的情况比较少，大部分都是往年结的。所以，分子和分母对应的不是一群人，“每100人就有71人离婚”这样的推论当然就是大错特错的。
简单总结一下：这里说的“量定义”，是为了让你理解事物在质和量上的关系。我们一定可以找到一个关键量，这个量抓住了事物的本质，使这个事物得以与其他事物区别开来。这个信念就是数据思维最基本的认知之一。
但是回到现实世界，我们会面临一个具体问题：有些概念在观念世界里很清楚，但是要在现实世界里抓住它、看到它，就需要一个重要的方法，用量来定义这个概念。这就是“量定义”的高级阶段。你知道，在现实世界，我们就是用测量的方式，逼进一个观念世界里的概念的。
举个例子，说一个人老了，那含义很清楚，60岁以上就是老了。这里说的是生理年龄，不是心态，也不是活力等。但是说一个社会老了，怎么定义呢？一个社会，生生不息，怎么确定标准呢？
这就需要一个像生理年龄一样的标准去测量它。因此，我们就把老年人口占全体人口的比例看成是测量一个社会“生理上”老化程度的指标。刚才我们说了，定义一个老年人的标准是60岁以上，那么老年人口就是所有60岁及以上的群体。这样一来，通过老年人口占全体人口的比例，我们就能测量一个社会的老化程度了。
方法三：对应值
接着社会的老龄化问题。量定义清楚了，使用老年人口占全体人口的比例来测量。那么，这个比例要达到多少才是一个老龄社会呢？
这里，对应值就出场了。根据人口学家的共识，老年人口，也就是60岁以上的人口所占的比例超过10%，就是老龄社会。这个10%就是对应值。
老龄社会的对应值比较有共识，但是还有很多情况，对应值并没有共识，需要你来研究确定。
比如，讨论科研领域的性别平等状况，中国是平等的，还是不平等的呢？
性别平等状况的量定义比较清楚，把所有的科学家看成是100人，计算女性科学家在其中所占的比例就可以了。但是，哪个比例对应性别平等，哪个比例对应性别不平等呢？
这个对应值就很难有共识。有人说，女性科学家必须占50%及以上，才是平等的。也有人说，40%及以上就可以。还有的人说，在纯自然科学领域，超过30%就算平等，因为女性对探讨大自然兴趣不大，30%就说明没有社会障碍了。
到底谁的对应值是对的呢？这里我们不讨论，我们是数据思维课，不是社会学通识课。我只是通过这个例子让你明白，在很多情景下，对应值反映的是你对事物性质和原因的理解，理解不同，选择的值就可能不一样。但从数据思维的角度来说，你必须确定一个对应值，才能定义清楚你对事物的理解。
有了对应值这个概念，我们就开辟了一个思考问题的新角度。
举个例子，什么是微笑呢？你就不一定非从心理上定义，而是可以找到一个量来定义它。比如，露出三分之一的牙，在观察者看来就是微笑。
这个方式就是银行、证监会、支付宝和微信支付等金融机构监控异常情况的逻辑。通过记录客户行为，形成一个客户支付行为的模式。这样，设计者就能找到一个对应值，在这个对应值以内，就是正常的；超过这个对应值，系统就会报警，认为这个客户有异常。
03 | 背景：为什么孤立的数据没有意义？
上一讲，我们介绍了如何提高数据的敏感度，就是强迫我们的大脑从定性方式的思考转变成定量方式的思考，强迫我们从数量的维度理解现实世界。
完成了这个任务之后，我们进入下一步——怎么通过寻找数据的背景来理解数据的意义？
背景不同，意义不同
为什么要寻找数据的背景呢？原因很简单，因为不考虑背景，你就不能准确理解数据的意义。
我们先看一个案例：2016年，我国出生人口性别比是108.27。那么，怎么理解108.27这个数据的意义呢？出生人口性别比是指在自然状态下，活产男婴的数量除以活产女婴的数量，然后再乘以100之后的值。之所以乘以100，是为了方便理解。假如2016年出生了10000个女婴的话，对应的男婴就是10827个。
上面说的是这个数据本身的含义，但一个孤立的数据能说明什么呢？很明显，它的意义指向并不清楚。也就是说，只有给这个数据一个背景，才能明确它的意义。
我们先找找标准。出生人口性别比，有没有正常范围呢？人口学家说：我们研究很久了，这个数值是由生物学规律决定的，相对稳定在一个范围，联合国也给了范围的标准——103到107之间。这就明确了。108.27比107大，说明我国的出生人口性别比不在正常范围内，偏高。
但这只是背景之一，如果纵向比较一下呢？也就是说，与我国近些年出生人口性别比的历史情况相比，它又说明了什么呢？查阅资料，数据是这样的：1982年，我国的出生性别比是108；2004年是121，为近年来的最高值。之后逐年下降，到2016年，出生人口性别比已经连续下降了12年，回到了1982年，也就是计划生育政策开始时的水平。这就说明，出生人口性别比虽然还是不正常，但是有一个逐渐好转的趋势，而且非常接近正常范围了。
你看，单看2016年这一个数据，只会感觉出生人口性别比这个指标不正常。但是加上历史演化的背景，感觉一下子就变了，数据指向的意义也变了。所以，背景不同，意义不同。
在不同的视角下，数据可以有无限多的背景，也就有无限多的意义。那么，怎么通过背景来理解数据的意义呢？我们讨论数据的意义，大致有三个方向。一是涉及理解事情的属性，也就是“是什么”这类问题。二是涉及理解事情的相对情况，比如上下、左右、快慢、轻重、大小、远近，这类事情都是相对的。三是涉及理解当事人的真实意图。
这三类方向基本覆盖了日常生活绝大部分的情况。我们一一来说。
方向一：理解事情的属性
理解事情的属性，也就是“是什么”这类问题，或者说是分类问题、定性问题。一件事情，是健康的，还是病态的；是合法的，还是非法的；是雄性的，还是雌性的等。这类问题都指向一个确定的基准，比如一个临界点、一个里程碑、一个正常范围、一个关键门槛等。
举个例子，体脂率，指脂肪重量在总体重中所占的比例，反映了人体内脂肪含量的多少。如果你的体脂率是21%，这是正常还是不正常呢？
首先要看性别和年龄。成年人的体脂率正常范围，你在网上一搜就能搜到结果——女性为20%-25%，男性为15%-18%。所以，21%的体脂率，你要是女性就是正常的，是男性就超过正常范围了。
但如果换一个基准，这个数据的意义就会跟着改变。比如，如果你是搞体操的、搞健美的，21%的体脂率肯定就超标了。
有些问题的基准相对容易找，比如体脂率这样的科学问题，已经研究得很深入了。而有些问题没有现成的基准，就需要你创制一个，只要你的理由可以让大家接受就行。当然，也有些前人的经验可以借鉴。
比如，在「得到」顾衡的专栏里有这么一个案例：
在日本的水俣这个地方，因为化学污染，大量的民众汞中毒，当地把这个病叫“水俣病”。事情被揭露出来后，肇事公司一次性赔偿给水俣渔业协会2000万日元。那么，2000万日元是多是少呢？这个没有参照，没有现成的基准，只能创制一个。一般来说，把总量转换成人均，可以更准确地理解这个数量是多还是少。所以，我们就计算一下人均可以获得的赔偿额。对于损害这么严重的水俣病，一个受害者能分到多少钱呢？人均12500日元。
当时，12500日元正好等于一盎司黄金，用金价折算的话，相当于今天的人民币11600元。这样，你对这笔赔偿是多还是少，就有了自己的判断吧。
除了用人均寻找基准，水俣病案例还使用了另一种常见的确定基准的方法。你可能也注意到了，就是把钱数转化成黄金价格，以此为中介来了解赔偿额大致价值多少。
这个方法非常常见，比如你经常会听到“以1980年不变价格计算”“扣除通货膨胀因素”“同比如何如何”“环比如何如何”，都是使用的寻找基准点的方法。
方向二：理解事情的相对情况
你注意到没有，一件事情是快是慢、是轻是重、是大是小、是远是近，都是相对的。所以，理解这类问题，就要找参照系、找对比值。
比如中国的老龄化程度，2019年的数据是15.37%。那问题来了，15.37%这个数据怎么样呢？中国的老龄化问题严重不严重呢？
要问答这个问题，咱们就得看看其他国家。日本的情况怎么样呢？60岁以上的比例是32.79%，高出中国好多，是世界各国人口老龄化排行榜的第一名。第二名是意大利，28.59%。第三名是德国，27.35%。中国排多少呢？第65位。所以在世界范围内，中国的老龄化程度不是最严重的。
但这是不是就说明中国的老龄化问题不严重呢？这就不是一个排行榜的数据能回答的了。
方向三：理解当事人的意图
虽然说人心是最难理解的，但是数据会泄露线索。好的数据思维，可以帮助我们快速提出正确问题，接近正确答案。
我们来听一个故事。这个故事来自「得到」课程刘松博的《公司治理30讲》：
1994年，四个年轻人筹集8000块钱开了一家火锅店，各占25%的股权。后来，四个年轻人成了两对夫妇，每家占50%的股权。这就是著名的海底捞。两对夫妇分别是张勇夫妇和施永宏夫妇。刚开始，四个老板有活一起干。慢慢的，就由领导力最强的张勇掌控全局了。到2007年，海底捞已经发展成了国内顶级的餐饮公司。这时候，张勇很强势地提出，让施永宏夫妇转让给自己18%的股权。问题来了，为什么张勇要夺走的股权不多不少，正好是18个点呢？
刘松博老师是这么解释的：《公司法》规定，不同比例的股权之下，股东拥有的权限是不同的。如果你拥有三分之二以上的股权，就有了对公司的绝对控制权，公司所有的重大事项你都可以表决通过。张勇原来有50个点，现在又要走18个点，这样一共是68个点，正好比三分之二，也就是66.7%多一点点，他就拥有了公司的绝对控制权。
你看，知道了公司治理的制度背景，就能准确理解18%这个数据，也就更能准确理解当事人的行动依据。
再举一个例子，《假如迪士尼运营医院》这本书里讲过一个故事：
作者来到迪士尼乐园的后台，发现墙上有大大的海报，写着好几个顾客满意度。作者注意到，所有的满意率都在75%到80%之间。这让作者很诧异。因为每一个人肯定都有感觉，很少有人对迪士尼乐园不满意，怎么满意率这么低呢？
我们得看看这个满意度调查是怎么做的。顾客是在“很满意、比较满意、满意、比较不满意和很不满意”这5种选项中选择，那么，满意率是不是既包括选择很满意的，也包括选择比较满意的和满意的呢？
其实不是。
迪士尼的管理者告诉作者：我们只计算很满意的那部分。如果三种满意都计算，数字会特别好看，都是99%以上，这会让员工觉得没有提升空间，没有什么可以做得更好。为什么要只计算很满意呢？因为我们发现，选择很满意的顾客的忠诚度是选择比较满意的顾客的6倍。
重点来了，你以为迪士尼调查的是顾客满意度，其实人家调查的顾客忠诚度，也就是来了一次之后还会再回来玩儿的那些人，而不是来了一次下次就不来了的那些人。
04 | 推理：怎么发现数据隐藏的信息？
数据不是孤立的，它是一个信号，一个线索，除了它本身之外，还隐藏着很多信息。发现已知数据背后隐藏的信息，是一个重要的能力，也是数据思维的一部分。因此这一讲，我们就学习一下如何让数据说话，发掘数据背后隐藏的信息。
注意，这一讲的焦点是对数据本身含义的挖掘，而不是以此为线索，一路追击，发现更多的数据。比如，从一个街头犯罪一路追踪，最后发现他背后有一个保护伞，就不是这一讲的任务。这一讲有点像福尔摩斯的推理，是从华生身上的特征推论他去过阿富汗。
挖掘隐藏信息的经典案例
我们先看一个例子，欣赏一下有了数据思维，能通过一个数据做出怎样的思考。
这是一个真实的故事。第二次世界大战期间，盟军需要知道德国人一个月生产多少辆坦克。当时，德国人每生产一辆坦克，就在坦克上刻一个序列号。现在我们假设，德国人每个月生产的坦克序列号是从1到N。N就是一个月总的产量。因为我们不知道是多少，所以就用N来表示。我们的任务就是估计这个N到底有多大。
这里只讨论最简单的情况。某一个月内，盟军只发现了一辆德国坦克，序列号为60。如何估计这个月德国人的坦克产量呢？你是不是会说，这怎么可能？就一个数据，能用什么方法？只能瞎猜。好吧。让你看看统计学家能用这一个数据推理出什么结果——
首先，凭什么一下就缴获了序列号最大的那一辆呢？这个概率太小了，所以N的值起码大于60。
其次，假设这个月生产的任何一辆坦克都有可能被缴获，我们就要公平地对待每一个样本。用统计学的术语，就叫“样本的无偏性”，就是说对数据没有偏心眼。而最符合这个无偏性条件的，就是把缴获的这辆坦克的序列号看成中间的那个。既然60是中间点，那生产总量就可以估计为120辆。
数据隐藏的信息特别多，只要善于发现，就能找到很多有价值的信息。可问题是怎么做，用什么方法才能挖掘出数据背后的隐藏信息呢？这里介绍三个常用的方法。
方法一：数学推断
先利用数学知识做出假设，然后再进行推断。当任务很容易定位成数学任务的时候，就像估计德军坦克产量这样，我们会很自然地调动已知的数学知识去解决，高手和低手之间的差别就在数学知识的掌握和使用上。但是，当任务看起来跟数学没有关联的时候，我们常常会忘记调用数学知识。
还是继续上一讲离婚率这个话题。当媒体报告，离婚对数与结婚对数的比值这个指标今年又上升了。你觉得这个消息值得重视吗？这时候，你就可以反过来把媒体的思路拆解，先看看它的假设是什么，然后再判断这个消息靠不靠谱。
从离婚率的定义上看，是离婚对数与结婚对数的比值越来越大，但是，有三种可能会导致这个变化：一种是主要原因在分子，也就是离婚的越来越多；另一种是主要原因在分母，也就是结婚的越来越少；第三种是相对情况，比如分子分母同步变化，但是分子的变化幅度更大。
所以，要真正读懂离婚率，我们要找到主要因素。先看分子——当年的离婚对数。但是，谁能离婚呢？必须要先结婚才能离婚吧？所以这么些年下来，已婚的人数会逐渐累积增多。已婚人数多了，离婚的自然也就会多，即使离婚率没有变化，离婚对数也会增长。所以，分子逐渐变大是正常的，关键在于变大的速度是不是加快了。
再看分母——当年的结婚对数。这个数字与进入婚龄的人口数量相关，也就是受到20年前新生人口数的影响。20年前新生人口数越多，现在结婚的自然就越多。查阅近20年的数据，我们看到的是：离婚对数在20年内慢慢上升，坡度很缓。而结婚对数的曲线是一个大鼓包，20年间，前14年在快速上升，在2013年达到高峰，随后快速下降，到2019年回到了2001年的规模。
这样看来，近年来的离婚对数与结婚对数比值的上升，主要是结婚人数下降导致的。如果今年这个数据上升，隐含的信息不是婚姻幸福的人越来越少了，越来越多的新婚夫妇都离婚了，而是结婚人数在不断下降。
方法二：逻辑推理
具体的推理过程与各个领域的规则和限制条件相关。
比如斗地主，这是一种扑克游戏，三个人打一副牌，分成两边对战。如果你手里有4个5，没有4，现在上家出了2个4，那么，牌面上的2个4还隐藏了什么信息呢？答案是，下家还有2个4。
推理过程是这样的：
首先，上家不可能有4个4。因为4个4是一个炸弹，价值很高，他不会傻到不要炸弹而把4个4拆开。其次，上家会不会有3个4呢？如果他有3个4，还要只出2个4，必定是手里有顺子，比如45678之类的。但是，你手里有4个5，所以上家不可能有顺子。结论，另外2个4在下家。
这里没有复杂的数学，但要充分理解游戏规则，把这些规则作为限制条件来进行推理。
这个推理训练要经常做，对数据思维的养成很有用。这里介绍一款个人玩儿的小游戏——数独。
数独是源自18世纪瑞士的一种数学游戏，玩家需要根据9×9盘面上的已知数字，推理出剩余空格里的数字，并满足每一行、每一列、每一个小九宫格内均含有1-9，不重复。这种游戏只需要逻辑思维能力，与数字运算无关。虽然玩法简单，但又千变万化，是个锻炼推理能力的好方法。
方法三：切换视角
先举一个简单的例子：一场瘟疫死了2万人。有人说，不对，这是“一场瘟疫导致一个人死亡”这件事，发生了2万次。这就是典型的切换视角。
再说一个比较复杂的，有一个故事是这样的：
我们的课程编辑老耿找到小杨，问小杨，如果给你1万元，让你一次吃6个巨无霸汉堡包，你吃不吃？小杨想了想，1万元挺多的，虽然6个汉堡一次吃完很难受，但是很值，所以我吃。老耿接着问小杨，我不给你1万元了，给你9999元，你吃不吃？小杨想，9999元与1万元相比，就差1块钱，差别不大，吃！老耿接着再问小杨，我不给你9999元了，给你9998元，你吃不吃？小杨想，9998元与9999元相比，还是只差1块钱，差别不大，吃！
于是老耿就做出了推理——要是这么一直问下去，我只给你1块钱，你就会去吃。
问题来了，老耿的推理正确吗？如果不正确，问题在哪里呢？凭直觉，你应该也会觉得不正确，但问题在于，你能说清楚哪里不正确吗？
实际上，老耿的游戏启动了两个心理账户：一个是可变的锚定点，每次都只比上一次少1块钱，这个差别不大；另一个是不变的锚定点，就是1万元那个起点。老耿的每一个提议，钱数与可变锚定点确实变化不大，只比上一次少一块钱，但是与不变锚定点的距离越来越大。大到一定的程度，突破了小杨的心理底线，这个游戏就玩不下去了。
这个故事用一个关系，也就是新报价与前一个报价的对比来看，说明报价的差异很小，证明只给1块钱也会答应。但是用另一个关系，也就是新报价与第一次报价的关系来看，差异就不是很小，而是很大，因此推理说1块钱也会答应是荒谬的。
通过不同的视角观察数据，数据就会在不同的关系下发出不同的隐含信息。