第三章 形码设计的比较研究 上文论及“编码统一的曙光已在形码中闪现”，表明形码设计无论从设计思想还是设计方法角度，都已进入了一个划时代的境界，体现出当代编码设计者已开始学会驾驭编码规律的令人欣喜的局面已经形成。揭示编码规律非朝夕之功，由于形码设计者的不同理论修养和实践历程，从笔形码到表形码，从崎岖曲折的蹊径到宽阔平坦的大道，开拓出各种不同的学派和体系。下面我们对这些方案作粗浅的分析，揭示各自的失误和贡献，以期从中发现某些客观的编码规律。 §3.1 对几种比较方法的分析 如何对各种编码方案进行比较研究，这是每一个具体方案设计者最关，关心也是学术界和国家行政管理领导所关心的。我们发现近几年来一些专业刊物上论述汉字编码设计标准的文章，作者们总喜欢从某一个方面证明汉字编码的优劣。有的是应用实践，有的是研究统计，有的是主观设想，这些标准，不无参考价值，但但缺乏整体性和系统性。因此，这些标准不但难以成立，而且极易成为设计研究的误导。 现在有各种各样比较研究的论述，有人以易学性作为评定优劣的标准；有人以输入速度作用力评定优劣的依据；有人用重码率进行比较；有的人认为信息含量越多越好。公说公有理，婆说婆有理，莫衷一是。这些“标准”有两个通病：一是把汉字编码当作汉字输入法，概念没有分清；二是缺乏时空系统观，患了偏向固执症。这两个通病的表现是对输入速度的迷信。 研究汉字编码设计要强调系统思想的实际运用，要认识到编码设计是一个多环节相互制约的多目标系统。实践证明孤立片面地研究编码的某个环节上的具体问题，结果必然是事倍功半。 “输入速度是汉字编码标准的焦点”。最近新出的一些方案和有关编码研究的评述，都还在强调它们的快速性，因此，本节将重点剥露速度误区。汉字编码与汉字输入法这两个概念，我们在第一章里已经加以解释，用来治疗“概念混淆症”。我们将在第四章里提出的设计三原则，就是为了解决“偏向固执症”的。 一、输入速度误区简析 1986年第3期《中文信息》载：“1986年在北京举行的首届全国汉字输入方案评测活动，报告参测方案有51个，实际参加动态方案有34个。统一在长城0520微机及其兼容机上进行。操作员相当于中等文水平，测前不具备计算机知识。实际测试结果，除整字键盘（大键盘）方案未参加评比外，水评出A类方案11个，B类方案19个。A类方案平均速度为43.16字/分，平均错码率3.14%，最高平均速度为52.52字/分，最低速度为34.83字/分。操作员输入最高速度为66.23字/分，最短学习期（包括教学时间）为88小时。这批方案中，专业操作员按规定样本测试最高可达130字/分，自选样本测试最高可达205字/分。”这就是输入速度成为汉字编码比较依据的成因。1986年前，所有的编码方案都不讲编码的速度，评测把学术界对编码设计的无知暴露了：不知道如何判断编码设计的优劣，却让输入员以输入速度来作决定。用一个无事生非的“速度”来比较编码方案的优劣，当然是不能成立的（其中的“错码率”即一百字之中出错率，这也是输入员的错）。然而这个“速度”竟然在我们的编码评测界“统治”了十多年！ 继1986年全国汉字编码方案评测之后，国内和国际上多次举行汉字编码的输入速度竞赛。在1987年已经有人开始认识输入速度与编码方案的优劣并对任何关系，学术界曾作过一次总结，但并没有认识根本在于概念的错误，而是认为评测中存在着一些“非编码因素”。即是说，大的问题没有错，错在一些枝梢末节上。所以，在1993年，还有人著《形码的低劣性与音码的优越性》一文，谓：“1992年9月，在北京举办的‘92海峡两岸中文电脑输入技术表演赛’，山东选手刘爱萍使用声数码创造了259.7字/分的优异成绩，一举夺冠。第二名仍然使用声数码。第三名王青的输速为190.5字/分，使用的是五笔字型。声数码是一种拼音编码，五笔字型是一种字型（笔者按：此处应改为“形”）编码。使用音码输入的第一名比操作形码的皎皎者每分钟竟多输69.2字。由此事宜可以得出结论：音码与形码相比占绝对优势。”⑴ 这些竞赛，尽管主办单位都事先声明输入速度不足以证明编码的优劣，但作者还是公然“借鸡下蛋”，说明这当然不是某一个人的看法，社会似乎都在“公认”输入速度决定编码方案的优劣。 输入速度是众所周知的误区。上文发表的时间距今并不遥远，说明时至今日，人们并未从误区中走出来。因为，真正的误区并未被认识。 1995年10月18日，《计算机世界报》刊出了《计算机汉字输入的“瓶颈”问题并没有彻底解决》，文章作者认为：“汉字编码输入法实现了将汉字输入计算机这一宏伟目标，但并没有解决易学与快速不能完美统一的‘瓶颈’问题。”据文释义，对汉字编码的要求，除易学之外，还须加上“快速”。但是，让我们平心静气地认认真真地仔细思考一下：汉字编码，就是把汉字编为键盘上的符号，你把它编为“ABCD”，我把它编为“CDBA”，哪里来的“速度”？汉字编码本来就没有速度，而人们偏偏要寻找它的“快速性”，当然永远找不到。因此，不得不概叹：“也许靠汉字编码根本就不能彻底解决电脑汉字输入的‘瓶颈’问题。” 汉字编码的“速度”被全社会“公认”，迫使有的编码设计者想方设法，不惜违背编码原则和汉字规范以降低重码率；有的设计者采用无理编码设计无重码编码方案，费力而无结果；有的原本嘲笑过编码方案速度比赛的设计者，由于众口一词而改变了态度，他们花了很多精力修改重码。1986年后，许多编码设计者都开始宣传自己编码的输入速度，声言每分钟可打几百字等等。现在十个年头过去了，许多人都已经知道输入速度与编码方案根本无关，令人不解的是还有一些编码设计者至今仍在吹嘘自己的编码速度。例如自称“国家教委推荐”的“认知码”，还在大讲自己编码的“快速性”。原来这种“快速性”是以安排了两百多个简码为基础的。编码设计为什么还要在误区里兜圈圈？因为，概念错误未被认识和纠正。许多权威报刊仍在继续发表汉字编码“快速性”的论述和消息。 编码的优劣，本来是取决于设计方法是否符合设计规律；在进入课堂教学时，对当前的识字教育有否损害。而决定速度的因素是简吗、词组、输入员的熟练和技巧。 现在所有的编码输入都快，其原因是输入软件都用简码出字、词组出字和挑选素质好的，并加以长期强化训练的输入员。简码就是把汉字中使用频度最高的此地字挑选出来，不依据编码规定而是一键一空格，就可以打出一个指定的高频字。现在安排简码的输入法，使用的高频字从25个到200个不等。如安排100个字，它们在使用中的出字频度之和，接近50%。也就是说，在写一般的文章，假如输入法中有100个简码字，其中50%可以用简码打出来。因此，只要记住这些字的简码，一键一字占了一半，出字的平均码长就大大缩短。简码出字与编码方法出字是两码事，是两套不同的记忆方法。简码出字越多，输入时的平均码长越短，但记忆量相对增多，同时，平均使用频度下降。因此，在输入输入中，只宜有适量的简码，并不是越多越好。五笔字型将简码分为一级（指一键一空格）、二级（指两键一空格）、三级（指三键一空格），实际是一种错误的做法。设计者的意思是简码多，击键次数减少，输入就快。其实，只有一级简码是有作用的。因为，二级简码比之两字词每个字还要多击一次空格键，三级简码还要加一次击键。中文输入都以多字词为基础的，因此，据我们了解，五笔字型的输入员，都不记二级和三级的简码。 所有编码的输入软件除用简码外，还用词组出字，一般都规定用四码出字。即打满四键，屏幕上为可见到词组。词组的字数可长可短，从两到二三十个不等。词组越长，平均击键次数越少，输入越方便。例如上述的所谓声数码，其实是一个庞大的含有20万词组的汉卡，利用多字词输入，缩短平均码长，提高速度。声数码之所以快，是因为词组多，其实，任何编码都可以设法组织多字词、多词组输入。词组越多，容量越大，大多数词组用不上，会造成空间浪费。 通常使用的词组大多数为两字词、三字词、四字词，五字以上的就很少了。自己组织词组或字组也可以，而且用字可多可少。不过，也只能限于经常使用的，否则，就不容易记忆。词组出字是从每个词组的规定单字中抽出规定的代码，组成击键使用的代码组。词组多会提高输入速度，但它与编码的优劣无关。所谓编码，就是每个单字的代码，它主要是提供学习的。它的优劣比较是易学难学，通用不通用，规范不规范，不是谁快谁慢。现在每一个输入法中都有用户自定义功能，用户可以自己组织自己需要的词组或字组，就不会像声数码那样大量浪费计算机的内部空间了。 二、关于将重码率作为比较内容的分析 《认识码不宜推广》的作者多次发表文章，认为：“在3755个常用的一级汉字范围内，五笔字型的重码为67对，表形码为62对，见字识码（新版）为49对，郑易里码为89对，新版杜氏全息码为206对，旧版杜氏全息码为270对。但是，认知码竟然达到了342对之多。”⑵以重码率论优劣可以认为是输入速度误区的一个分区。 文章作者尽管花了很多时间，研究工作做得很细。但是，由于出发点的错误，此文的第一脚就踏进“泥沼”。例如该文确定作为重码统计的量词：“对”，就是有问题的。因为现实中的重码大多数不是按对出现的。“一对”是指两个，即是指某一个字，与之取得相同代码的字只有另一个。一对，即是一对一。然而在现实的方案中，重码并不限于一对一的。一对两，是否算成两对，不讲清楚，人们就会产生疑问。假设有甲乙两个 方案比较重码率，甲方案某一个字，重码字有31个，就算30对，乙方案有15个字，每个字的重码率都只有两个，是否这两个方案的重码率都是30对？统计重码率也是为了输入速度。以上甲乙两个方案，就重码率来讲是相等的，就输入来讲，又输入速度的影响却不能相等。因为，甲方案碰到重码时不能盲打，要看屏选字；乙方案不需要看屏选字，能够盲打。可见按“对”统计重码不妥，能否盲打不以重码率为依据。 重码之所以不能作准是因为它没有办法准确统计。再举五笔字型为例。五笔字型以首笔、次笔安排区、位。统计者只有根据这个安排来统计才能算是准确的。但如真的按此法办理，有的区、位重码就会很多，于是设计者背离了原先确定的准则，另作安排；或者，有的字按国家规范规定的末笔产生的区别码会有重码，他就自己规定一个末笔，使重码减少。这些本应发生的重码，在设计者无理安排下消失了。统计者有没有把它们算在其中呢？如果不算，任何一个设计者都可以采用无理安排的方法消灭重码，那么，重码率的统计意义在哪里呢？研究者无法统计的数字，怎么可以作为优劣评判的依据呢？ 重码率被作为评测编码的依据，是因为人们对静态编码与动态编码、重码的可容忍性与不可容忍性、相对重码与绝对重码等概念未作出严格的区分和认真的理解。 （一）静态编码与动态编码 在任何一个编码方案的码表里，每个汉字的代码称为静态编码，即单字编码。静态编码可以作为汉字排序检索的工具。而使用者在计算机键盘上输入时，绝大多数并不是使用静态编码：酞 部分按词组输入，一部分按简码输入，只有不到10%的汉字按单字输入。而且这一部分还可以继续组成词组进行输入，使单字输入的比率降得更低。词组是输入时在静态编码的基础上的重新组合，这称之为动态编码。它与静态编码完全两样。例如拼形字母的输入法中，“一”，编码为“AKKY”；“件”，编码为“VJF”。输入“一件”的编码为“AKVJ”，与“一”、与“件”，都不沾边。因此，以单字静态编码的重码率统计比较编码的优劣，就好比用牛毛的长短，来比较牛的大小一样，无丝毫准确性可言。 （二）重码的可容忍性与不可容忍性 一个编码方案，如果作为字典检索之用，一般来说，一组重码如不特别多例如只有七八个，对重码的要求，当然比排序检索要高，但也不是绝对的。在输入中，碰到一些单字重码需要选择，要看这一组重码字的个数多不多。太多了，例如有十几个以上的，不容易记忆，要看屏选字，这叫做重码的不可容忍性；如果一组重码，字数不多，只有三四个，我们在熟练打字的过程中，就能够记个它，能够盲打，称为重码的可容忍性。可容忍到什么程度，要看具体的使用者和熟练的程度。人们的记忆力有差距。一般来说，一组三四个字，除健忘者外，所有能作计算机输入的人都可以容忍。一般人从学会到高速输入，有一个使用过程，在这个过程中，如果某些字的重码只有两三个，都能记住，都可以实现盲打。 由于汉字使用频度相差悬殊，两个字重码，一个使用频度高，一个使用频度低，设计者采用高频先上的方法，让频度高的先上屏。这种输入方法使某些重码在输入时，对输入速度几乎不产生影响。这就是说，使用频度的差异，也会使重码产生可容忍性。例如在表形码中，“无、兀”是重码字。但“无”是经常使用的，“兀”是人可能一辈子也用不到，这种重码就可以忽略不计，也属可容忍。即使是两个使用频度相差无几的一对重码字，在实际应用中，另一个作简码安排，这一个就只是事实中的重码，应用中的非重码，若算作重码，未免太不公平。 （三）绝对重码与相对重码 按照取码规则，各个方案都有不同，有的两键出字，有的三键出字，大多数方案四键出字，有的为了降底重码率采用五键出字。因出字的击键次数不同，重码率不好比较。假设都是四键出字，由于汉字是一种拼形文字，有的字只有一个部件，有的字有两个部件，有的字有三个部件，毫无疑义，只有一个部件的字需要补足四键。其他的字不补足，重码自然会多，这些重码，我们称之为相对重码；补足四键后，重码减少，这些重码称之为绝对重码。例如表形码的“XO”两键，有“古、加、右”三个字重码。如都加读音声母，则为“XOGG、XOJJ、XOYY”都不重码。两键输入虽然有重码，但这个重码是可容忍的，“加”的单字输入频度高，一度就自动上屏了，其他两个字，大多数是词组输入，有时偶然到 ，也交已记住，选一下就可以。它们不需要加以区别。区别反而增加击键次数，降低输入速度。显然，绝对重码与相对重码相比，相对重码高还好一些。这个例子说明，重码率的高低，不足以作为编码优劣的标准。 重码统计按什么计算，是需要研究的。我们读了《认知码不宜推广》后，又读原作者后来写的《关于重码统计的说明》：“笔者发现在实际推向市场的表形码中仅对码长为1和3（著者按：此处应加单字）编码后加了声母，码长为2的编码后没有加。这样一来，对实际使用中的表形码、五笔字型、郑码和全息码的重码的对比性统计就有失公允，因为表形码在实际使用中，重码是相当高的。”“经重新统计，表形码在一级汉字中的重码对数为272对，高于五笔字型的68对、郑码的89对和全息码的206对。”⑶文章作者两次统计数字的相差之大，说明这种统计方法之不严谨、不科学。其第二次统计仍然忽略了一个问题，这就是既然第二次统计是按表形码的规则修改了重码率，那么也应该按照其他编码的规则同样修改其他编码的重码率。例如五笔字型是按首、次两笔的区、位安排、按末笔识别解决单字编码的，根据这些规定，会有多少个重码呢？显然作者无法统计，因为，设计者并没有按照规范的规定编码，而是主观任意规定的。这样作者的统计更“有使公允”了。人们会问：为什么表形码的统计要按规则，五笔字型的统计就可以不按规则呢？当然，并不是作者不愿意按规则，而是没有办法按规则。我们举个例子只是说明重码统计的对比没有实际意义，因为两者之间的对比是不公平的。 研究重码率，应该首先认真分析与理解上述的几个概念。也许有人会问：否定重码率统计在形码设计中的作用，那么人们为什么要统计它呢？我们只能这么回答：重码是形码的一种属性。在我们研究好一种真正的方案之后，把它作为这个方案的一种属性，而不是用它来决定优劣之用。就好比我们现在统计汉字的使用频度一样，了解汉字的属性，不用来比较某些汉字之间的优劣。 三、“信息含量”是编码方案优劣的标准吗 有人认为“汉字编码的必要信息及必要信息的含量，应该成为评价汉字编码优劣的重要标准之一。若此标准成立，我们可据此设计和优化汉字编码，就能获得科学而实用的汉字编码。”“什么是汉字（词）的必要信息呢？首先应该是汉字的字音信息和字冈信息。字音信息中包含声母信息（包括零声母）、韵母信息、声调信息三部分。部首是汉字的一种特殊部件，是汉字的形符，能表示汉字的字义。因此，抽取汉字的部首，就抽取了汉字的字义信息，也就抽取了汉字字形信息的重要的一项。”⑷ 认为汉字的信息“首先应该是字音信息和字义信息”判断似属主观。汉字形、音、义为一体，而且首先反映的是形。只有形是唯一的，不可取代的。广东人、福建人、浙江人都用不同的语音反映汉字的字形，因此，汉字字音不是唯一的、可取代的。人们首先用视觉接收汉字的字形，然后才在大脑个把它转换为字音；讲 不好普通话的人，就把它换为地方语言。音和形都是为了表达义，即“音义”、“形义”。在汉字输入时，首先反映在我们 脑子里的应该是形，而不是音。因为我们输入的是汉字，而不是汉语。你用粤语、闽语、吴语输入都可以得到汉字，说明字音的可置换性、间接性；只有形输入是直接的，不可置换的。 认为“抽取了汉字的部首，就抽取 了汉字的字义信息，也就抽取了汉字字形信息的重要的一项。”试想，《新华字典》使用“一（横）、丨（竖）、丿（撇）、丶（点）、（折）”作部首是为了检字，而不是为了抽取字义信息。“干、于”都是以“一（横）”为部首的，这个“一（横）”所表达的字义信息是什么？《新华字典》有293个难检字。即是说，这293个字之所以难检是因为它们的部首不容易析出。作为字形的部首尚不容易析出，作为字义的‘重要信息’将如何代表它们？ 汉字用字形来表达信息，即表述意义。意义是整体性的，不能进行主观的宰割。例如“可以”，这一句只用了两个字；“不可以”，这一句用了三个字。如果据字数说前两个字是后三个字的信息含量的三分之二，就完全错了。编码用代码来表达字形的整体，而不是用来表达字形的某一部分信息。把汉字的字形强行割裂为多种信息，又主观地从中确定某某为主要信息，某某为次要信息，某某为这些信息的代码；进而把这些所谓的“信息”进行主观的排列组合，作为一种编码塞入“码队”，说只有这一匹“码”最好。这是思维方法上的“编码自恋症”。患有这种“症状”的人，总觉得只有自己的方案最好，并想方设法拉凑各种各样的理由作为证明。汉字编码的设计是一门研究客观规律的严谨科学，万万不可掺入主观杜撰的东西。 四、“兼容性”与编码设计无关 认知码的研制者提出了他们研制的“兼容性”目标，其解释谓：“与国际通用键盘兼容，与多种显示终端及通用操作系统兼容。” 所谓“汉字编码”，即一个字符集的每个单字的编码。不涉及键盘、汉字终端或操作系统。如果涉及这些东西，就只是输入软件。我们已经讲过，输入软件与编码方案本身是两码事。编制软件的人，可以在不知道任何字的编码而只根据功能要求进行编制。因此，这个编制出来的软件，可以适用于其他方案。由此可知，功能要求即输入方法，与编码方案无关。 现在几乎所有的输入软件，其功能要求都差不多了，因此，也就谈不上优劣的比较。例如简码、词组、用户自定义以及对各种汉字系统的兼容，不再是某一个方案所独具。 据说，某种编码因其已经占领市场，曾与某种排版系统有过协议，即该系统只可装该编码而不允许装别的编码。致使该排版系统走了下坡路。现在的许多系统已不再这样做了，他们都做开放式的接口，使任何方案都可以挂靠。就硬件来说也一样。曾有好多种电脑打字机，只装一种编码，对外没有接口，不象四通的2401型打字机，可以随意装任何编码。他们的生意，就没有2401那么好（这只是经营上的一种原因）。现在全国有那么多的编码，当然有许多不同的市场。硬件经营者想更多的销售量，就要使他们的接口开放，适合各种编码方案的输入软件。因此，所谓的兼容性，是输入软件与工作硬件的关系，与编码方案完全无关。 五、什么是“码长” 我们看到很多方案都宣称自己的码长是多少，意思是码长短，编码就好。 “码长”即每个汉字输入时的平均击键次数。很多编码方案都有码长多少的介绍。意思是码长越短，击键次数越少，输入速度越快。可是，真正的码长是无法统计的。因为，我们讲的是单字码长，用的是词组、简码输入。词条越长，平均码长越短。例如两字词，平均码长为2。3字词，平均码长为1.33。4字词，平均码 长为1。“中华人民共和国”是7字词，平均码长为0.57。谁 也统计不出一个编码在某文章中输入时的码长。因为，文章中的词组长短，可以自定义。而且，这篇文章的码长并不等于另一篇的码长。如果说这个码长是指静态编码的平均数。那么这个码长可以认为毫无用处。它也不能作为优劣的依据。 我们之所以说码长不能作准，还由于它不好统计。请参考这个消息：“1991年3月，上海交大计算机系受上海翻译出版公司委托，对‘全息码’进行了技术测试，结果表明：该码每字的平均击键次数为2.64次/字，比其自己宣称的数字（1.33次/字）高出近一倍”；……“上海市东海阀门管件公司电脑房也对‘全息码’的两项指标进行了统计，报告如下：（1）静态每字平均为1.17次/字，比杜自己宣称的数字（1.33次/字）又降低了0.16（注：这个数字比李公宜教授《论汉字编码的最短极限码长》的报告中所得出的‘最短平均码长，要突破1.25键/字是不可能的’之结论还要减少0.08键/字）。”（5）我们举这个例子不评述他们的统计方法，而只是用这个例子证明这些单位的统计之所以不准确，是因为码长是不好统计的，就是能够统计出来，也不足以说明编码的优劣。其理由可见上面的输入速度和重码率几段。 六、易学性不是决定编码优劣的唯一条件 易学性是决定汉字编码优劣的很重要条件，但不应孤立地理解，还应该同时考虑它的全面性、系统性、可使用性、通用性等等。全拼固然易学，但人们偏偏喜欢难学的双拼而不喜欢易学的全拼，这是什么道理？因为全拼易学是它在中小学中有教授，不是易不易学，而是不需要学。如果“易学”的全拼在实践中可以用，人们决不会去研制汉字编码。学是为了用，好学不好用，人们自然不喜欢它。这就是说，制约它的条件是可使用性。可使用性不仅仅是指在计算机上，而是指它作为汉字排序检索的一种符号系统，能否通用于识字教育、资料档案排序，以及字典检索等多方面。如果一种编码能通用于字典检字、资料档案排序、又可减轻识字教育负担，又可用于正字，也就等于它的易学性提高了好多倍。 在汉字编码方案设计中，对易学性的考虑不应限在映射关系上。方案设计是一个系统结构，包括拆分、分类和映射（编码），因此衡量易学性时就要评价每一个环节，判别它们是不是都很易。比如拆分，我们在输入时，每一个汉字都必须分解为部件，然后配上相应的代码，这时我们就要全面衡量分解的方便与否，拆分方法符合不符合汉字分解的规律，符合不符合认知心理，分解之后有没有两义性，分解后的部件归类方便不方便，归类后的部件取代码的方法是间接的或是直接的，这就是易学性的全面判断。张在云先生讲得很好，他说：“什么是易学性？易学性就是规律性。符合规律的就易学。”拆分的规律性在于要符合汉字的造字历史和造字方法；分类的规律性在于这种分类方法具备不具备可扩展性，即这种方法是否已囊括一切已知未知的所有汉字；映射的规律在于它对字形反应的直接性，即只需要很少的记忆量，学会后不易忘记。此三者相互关系，不可分割。这就是易学性的系统观。 部件数量的多少不足以证明它的易学性，200个杂乱无章的部件，并不会比300多个整体有序部件易学易记。因为，按类、按序性的记忆可以引起联想，并杂乱无章只能逐个记忆。 我们把以上这些流行的比较方法归纳在一起进行逐个分析，可以看出当前编码研制思想的不成熟性，也可以看出“汉字编码（键盘）输入法”这个错误的概念它所造成的严重后果。人们在设计新方案时，首先有一个比较，总是觉得自己设计的要比别人的好，才开始做的。如果设计者脑子里是错误的比较方法，那么，可以肯定不会“生产”出完善的方案来。 | 
