甲骨文字频特征分析

甲骨文字频特征分析

一抽样材料的确定汉字频率研究是了解字系统的重要方面。对于汉字来说，这仍然是一个年轻的研究方向，在20世纪70年代开始。但随着中文信息技术的发展,近年来已呈现长足进展态势,材料对象已涉及历史文献,研究的触角也深入到了字频与词性、语义、字音及字形的关系,以及字频与文献内容、时代的关系探究等层面。但总体而言,出土文献,特别是上古出土文献字频研究相对薄弱,而甲骨文的字频研究更乏人问津。立足在汉字发展史的视角,字频研究理应聚焦断代文字系统的特点。作为迄今所见最早的成系统的汉字文献材料的甲骨文,无疑应该成为这个特定视角研究序列的起点。但就现实情况来说,甲骨文字频研究尚缺乏严格意义上的成果。岛邦男的《殷墟卜辞综类》和姚孝遂、肖丁的《殷墟甲骨刻辞类纂》,以单字为纲类聚辞条的体例,本来可以涉及字频统计,但却因压缩篇幅的需要而将一些高频卜辞语言单位作举例节录处理,如常见的卜辞套语“往来无灾”、“旬无”、“其雨”、“不雨”以及常见的虚词“于”、“惟”、“在”、“其”、“勿”、“弗”、“不”、“弜”等等。这种处理方式正如姚孝遂所说:“对研究古代语言,尤其是研究古代语法的人来说,无疑是会感到遗憾……没有其它好办法,只能做出这样痛苦的选择。”4甲骨文字频统计研究的缺位,意味着一个非常严重的情况的存在:对于任何一种历史文献的字频研究而言,都将失去一种最为接近源头的起点性状况的参照,当然,这将在一定程度上模糊人们历史视线。毫无疑问,字频研究是需要一定条件的。大致来说,这种条件可以概括为技术的和学术的两个方面。就技术而言,需要数字化的文字处理手段,否则,以人工计数为基础来完成字频研究,仅仅存在理论上的可行性。就学术而言,则是被统计文本的用字正确和统一。客观来说,对于甲骨卜辞而言,这两个方面的条件目前都不自然具备。为此,我们根据统计学的抽样原则,限定了材料范围,确定以《汉英对照甲骨文今译类检》(下文简称《今译》)、《小屯南地甲骨》(下文简称《小屯》)和《花园庄东地甲骨》(下文简称《花东》)卜辞为字频统计的资料。抽样当然首先是为了限制材料的量,以便在目前条件下确保材料学术和技术加工的可行性。然而这种数量限制是被控制在实现字频研究目标可允许的范围内的。根据统计学原理,在一个总体为250的例子中,“只要样本量不是太小——通常为10或20就够了,统计学理论表明这个分布近似于正态分布。”9这也就是说,这三种材料的58544的总字量,可以满足1410000以上字量文本的抽样要求,而迄今所见已经公布的卜辞材料,远远达不到这个字量(1)。此外,上述抽样还有以下几个原因:一是这三种卜辞材料的字频数据已经发表,具有验证的方便性(2)。二是照顾了甲骨卜辞出土地的分布。对于考古发掘材料来说,出土地的属性是极为重要的,甲骨文当然也不例外。我们所抽样的三种卜辞材料,《今译》选自《甲骨文合集》,代表了传统殷墟卜辞出土地小屯村北的材料,而《小屯》和《花东》,则是非传统出土地的主要卜辞材料。三是随机抽样和判断抽样的互补。《小屯》和《花东》对应所有公布的出土地材料,用以为统计对象,属于随机抽样,长处是所得数据相对客观;而《今译》则是在《甲骨文合集》的材料范围内进行筛选,筛选原则“一是着眼内容和字词的覆盖面,即在一定的篇幅内包含尽可能多的内容类型和字词种类的甲骨刻辞;二是注重刻辞拓片的清晰度,即只选择清晰或比较清晰的甲骨文刻辞进行今译”凡例,同时还考虑辞例的完整性和各期卜辞的合理分布,故属于判断抽样(JudgementSampling),所得数据虽然可能在表面上偏离客观性,但却有可能反映本质的真实。二甲基字频两端集中现象经剔除刻辞残泐字和兆序用字后的统计,《今译》、《小屯》和《花东》的字量(3)和字数(4)等数据如下:上表的数据(5)表明:使用单字的数量和其平均使用量都是与文献的用字总量成正比增长的,《今译》用字总量最少,故单字量和平均使用量也较少;《小屯》总字量最多,故其单字量和平均使用量也较多。汇合三种材料进行统计,所得字频分级数据(6)如下:上表数据所呈现的甲骨文字频状况林林总总,但其中最值得关注是两端集中状况,即少数高频字占总字量的高比重(以下简称“高端集中”)和总字量中极低比重的低频字占单字总数的极高比重(以下简称“低端集中”)。高端集中表现为,占单字量的22.87%的379个10次以上字的累计覆盖率为94.60%,仅占单字量的1.87%的31个500次以上字的累积覆盖率为52.46%。低端集中表现为,仅占总字量1.05%的616个一见字却占单字量的37.18%。为了对甲骨文字频两端集中现象作一个合理的评估,我们首先引进现代汉语的类似数据作为观察的参照物。根据贝贵琴和张学涛的《汉字频度统计——速成识读优选表》一书所提供的数据,现代汉语中前42个高频字累计覆盖率在25.46%,而甲骨文9个1000频次以上字就超过了这个覆盖率,达到26.32%;现代汉语中出现1次的字占单字总数的8.76%,甲骨文中出现1次的字占单字总数的37.18%。再以古代传世文献为比较的参照。先看高频:属于先秦的《左传》《论语》《诗经》等文献,字频最高前10字累加覆盖率为19.276%70;而甲骨文字频最高前10字累加覆盖率为28.03%(1)。再看一见字:据研究,《尔雅》、《楚辞》、《山海经》是先秦传世文献中一次字最多的三部作品。其中《尔雅》有619个,占总字数3383的18.30%;《楚辞》有221个,占总字数3137的7.04%;《山海经》175个,占总字数1999的8.75%115。与甲骨文一次字占总字数37.18%相比,比重都要低得多。虽然字频存在差异被认为是作为人类思维的外在反映的文字受到大脑功能限制的必然结果,但对于一种文字系统而言,少数字被过度集中使用和较多字难得被使用终究是一种消极现象,而两者又具有内在的逻辑联系:即文字系统的常用字集对整个字集的覆盖面太小的另一面,必然是罕用字在字集中的大量存在。而两端集中现象导致的直接后果,一方面意味着相对实际语言交际的丰富信息而言,文字记录功能显得低能;一方面又会极大挑战这种文字使用者的识记能力。所以这种现象不应该被人们长期接受,因而也不应该是文字系统充分发展以后的常态。由此来看,少数高频字占总字量的高比重和总字量中极低比重的低频字占单字总数的极高比重的甲骨文,相对后世汉字而言,似乎确实体现着殷商时代这个对汉字来讲属于早期的文字系统的不成熟特性。三《花东》和《小屯》去程式因素前后的数据比较人们很容易想到,甲骨文两端集中状况与甲骨文的文献特点有关。首先,甲骨卜辞是非常程式化的文字表达,而覆盖率极高的前辞、占辞等用字则是高度集中于少数字的。而如果去除这种因文献特殊程式而导致的高频因素,当可更准确反映甲骨文时代的一般文献的字频状况。为此,我们分别将《花东》与《小屯》作不同程度的去程式因素处理,以评估卜辞中程式因素对字频的影响程度。对字数相对较少的《花东》仅作去除前辞用字的处理,依据去除后对两端集中度产生影响的观察角度,首先做总字量、单字数和单字平均使用率的数据调查如下:上表去前辞版本的数据比较未去除前辞的《花东》相关数据,可以发现三个变化:(1)总字量减少较多,达到3664个,这个数字要占未去前辞版本总字量的22.18%,占去前辞版本总字量的28.50%;(2)总字数减少不多,仅7个:“夫京申”,这个数字仅占未去前辞版本总字数的1.046%,占去前辞版本总字数的1.05%。(3)单字平均使用量下降,具体下降了5.275,这个数字要占未去前辞版本单字平均字频的27.16%,占去前辞版本单字平均字频的21.38%。《小屯》字数较多,因此在去除前辞的基础上再作去占辞用字的处理,所得同类数据如下:上表的去前、占辞版本数据比较未去除前数据发生了与上述《花东》数据极为类同的变化:(1)总字量少了7711个,这个数字要占未去除前版本总字量的22.48%,占去除后版本总字量的28.99%;(2)总字数只少了3个,即“卜”“”“”。这个数字仅占未去前占辞版本总字数的0.292%,占去前占辞版本总字数的0.293%。(3)单字平均使用量下降7.45%,这个数字要占未去前、占辞版本单字平均字频的22.28%,占去前、占辞版本单字平均字频的28.66%。细审《花东》和《小屯》去程式因素前后的数据比较,尽管也可以发现两者间由各自文献特点而导致的某种细微差异,如《花东》去程式因素后单字数降低较多与《花东》前辞每每强调占卜地点有关(2),而《小屯》去程式因素后单字平均使用频率下降较少则很可能与其总字量较大有关,但就总体而言,两者的数据指向却有惊人的一致性:即卜辞程式对甲骨文总字量和字频影响较大,而对字数影响很小。为更加细致地描述卜辞去程式因素数据的意义,不妨再作字频数据高低两极的去程式前后的比较。《花东》数据如下:从上表我们可以进一步获知值得注意的三点:(1)由于剔出了前辞,频率300次以上字从12个减少到9个,但是频率为1的字却没有发生数量变化。(2)300次以上字的字均使用量和对总字量的覆盖率也都有所下降:前者减少40.64(为单字平均字频的2.09倍),后者下降4.34%。(3)由于总字量下降而一见字数量不变,一见字对总字量的覆盖率上升0.39%。《小屯》的同类统计数据如下:从上表我们获得了几乎与上文《花东》同类数据相同的三点信息:(1)由于剔出了前占辞,频率500次以上字从14个减少到10个,但是频率为1的字却只减少了1个。(2)500次以上字的字均使用量和对总字量的覆盖率也都有所下降:前者减少75.63%(为单字平均字频的2.3倍),后者下降5.89%。(3)由于总字量的下降量大而一见字减少量小,一见字对总字量的覆盖率上升0.33%。综合《花东》和《小屯》高低两极字频数据的去程式因素的前后比较,我们可以作这样的归纳:首先,伴随程式因素的去除,高频一极的单字会发生较多的数量减少,而低频一极的字却只有微小的数量减少,甚至数量不变。可见,甲骨卜辞的程式,主要影响的是字频高端集中度。其次,由于程式因素的消除,在降低了高频字过度集中的密度的同时也提高了中低频度的文字的出现比重。由于这两个因素的共同作用,程式因素一旦去除,两端集中现象的集中度有了某种程度的降低。这也就是说,卜辞的程式确实是导致甲骨文两端集中现象的一个因素。其次,高频字集中于少数字,与相关文献的内容热点也是具有内在联系的。相对程式因素而言,内容热点的成因相对隐晦,但我们还是可以通过系统调查高频一端用字的字用是否涉及甲骨卜辞的内容热点来摸清情况。前文言及,《小屯》未去前占辞版本中字频在500以上者有14字,而这14字在该文献中的实际使用次数占了该文献的总字量近五分之二。那么,这些为数不多的高频字的字用状况是否具有相对集中的内容热点呢?答案无疑是肯定的:字频数居前二位的“贞”“卜”,全然就是专用于占卜的动词;“王”的高频,无疑与《小屯》材料的王卜辞特点有关;“吉”、“”,表达的是占卜的终极结果;“雨”,则是占卜中最多涉及的气象概念;“旬”的多见,与殷人占卜有于旬末卜下旬之吉凶的习惯有关;“癸”“乙”的多见,是因为这两个天干字多表示占卜的时间,以及与占卜直接相关的先祖庙号;“又”的高频,当然与其用法较多有关,而其中“祭名”和通“祐”的用法,也与殷商甲骨卜辞占卜事神的特点有关。这样,在14个高频字中,与占卜没有直接关系的只有“其”“亡”“于”“叀”4个字。而这4个字的文字数量只占14个字频500以上字的28.57%,其字频合计为4011,也占这14高频字总字频13347的30%。由此,我们可以得到如下认识:对于甲骨文极高频字的形成,占卜文献的内容热点也起了相当大的作用。四商法汉字的断代属性甲骨文字频高端集中与卜辞程式和内容热点相联系的事实,很容易导致这样一种认识:甲骨文的字频特征,只能反映甲骨文的文献特性,而并不具备殷商汉字的断代属性。但事实上,前文的调查数据清晰地告诉我们:即使剔除程式因素,甲骨文的两端集中度仍大大高于后世传世文献用字,可见甲骨文字频两端集中与殷商文字断代特点是具有逻辑关系的,这种关系主要体现为如下两个方面:(一)结论:材料中的字频特征决定字频差异的因素很多,除了前文言及的文字记录语言的内容热点所在以外,另一个重要因素是文字记录语言表达意义的方式,更确切地说是文字与其所要表达语言的意义要素对应的精密化程度。如有的文字种类一个字可以记录一个语段,有的文字则每个词都要至少用一个字记录。很显然,这两种不同的文字即使记录同样的语言内容,字频也一定会大不一样。值得注意的是,由上述两种因素导致的字频差异有着根本不同的性质。字频差异可以归结为结构型和非结构型两种:不同频度字在总字量中的比重存在差异,属于结构性差异;而不同频度字在总字量中的比重大体不变,只是对应频度字群中所辖的具体文字不同,则属于非结构性差异。文本内容的特点差异,既可以存在于不同断代的文献,也可以存在于同一断代的文献,如果属于后者,由此导致的字频差异一般不会是结构上的差异,而只是不同频级的字群所辖个体文字的差异。所以这种差异并不具备断代的意义。一般来说,文字与其所要表达的意义要素对应的精密化程度,是随着文字系统的发展而进化的,因此,作为导致字频差异的原因,它显然是更具有断代意义的。那么,甲骨文的字频特征,是否与殷商时代汉字记录语言表达意义中字符与意义要素的对应程度有关呢?显然,这是判断甲骨文字频特征是否具有断代属性的重大问题。下面拟通过不同时代但内容类同文献,以及相同时代内容不同文献的两种比较来尝试解答。甲骨文是占卜文献,如果其字频特征仅仅形成于占卜的内容热点,那么其他断代的类似内容类型的文献的字频特征应该与之相去不远。基于这种认识,我们以战国楚简中的卜筮祭祷文献的字频状况来与甲骨文字频作一个比较。与甲骨文以占卜和祭祀为主要内容相类似,楚简中《新蔡》简也是记述占卜和祭祀的,我们剔除《新蔡》释文中表示残断的2433个△和表示拓片不清的479个□,吸取迄今相关考释研究的意见,对这部分楚简的整理者释文进行了校订,在此基础上进行了数字化处理,获得如下数据:总字量10053,总字数1004。其中最高频前11字共计出现2531次,占总字量的25.18%(1);而甲骨文的前7个最高频字的出现频次已占总字量的26.03%。这就是说,虽然卜筮类楚简文献的最高频字数量比甲骨文增加了57%以上,但其合计频次占总字量的比重却仍低于甲骨文。在最低频一极,《新蔡》简一次字397个:占总字数的39.54%,占总字量3.95%;而前文统计三种材料合计的甲骨文一见字616个,虽然占单字数比重略低于新蔡简,为37.18%,但其在总字量中的比重却大大低于新蔡简,只占1.05%。这也从另一个角度说明了甲骨文的两端集中度要大大高于新蔡简。内容相似而高频字的集中度却有着明显差异,这至少可以证明甲骨文的字频特征与其占卜、祭祷的文献内容并无必然联系。其实,对于甲骨卜辞与卜筮祭祷楚简文字表达上的差异,人们只要读过这两种文献都是可以直观感悟的,字频差异只是作了一个很清晰的宏观描写而已。甲骨文的字频特征的断代属性由此可见一斑。殷商汉字除了用于记录卜辞以外,至少还用于青铜器铭文,它们的字频特征比较显然具有另一层面的意义。不妨先从个案的比较入手。前文言及,字频两端集中现象的形成,与文字记录语言中需要经常使用的文字,即常用字集的数量相对偏少有着直接关系。然而,甲骨文字记录卜辞为什么会只需要较少文字经常使用呢?通过个案分析,我们或许能够具体解释这个问题。《甲骨文合集》133片:“贞:刍得?”《今译》:“贞问:逃亡的牧人将会被抓获吗?”10比较以上卜辞原文和现代汉语翻译,可以发现两大差异:首先,今译相对卜辞原文多使用了一些词,记录这些词的是“的”“将”“会”“被”“吗”等字。显而易见,这些字词在现代汉语的书面表达中是一些非常重要的成分,或表示限定修饰关系,如“的”;或表示行为的状态,如“将”“会”;或表示被动关系,如“被”;或表示疑问语气,如“吗”。毫无疑问,这些字词所承载的语言成分,都起到了促使语言表达清晰准确的作用,几乎在现代汉语交际的每个句子中都是不可或缺的。然而在殷商卜辞中,它们却根本不需要出现,或者说它们表达的语言交际意义是不需要文字实体来承担的。其次,卜辞原文的四个字都非专名,而是较为通用的名词或动词,而它们与今译所对应的表达在用字数量上也有差异:“贞=贞问”,“=逃亡”,“刍=牧人”,“得=抓获”。单音词演变为双音词,所用文字自然就会成倍增加。而在殷商青铜器铭文中,我们可以看到极为类似的情况。“作冊般甗”铭首句:“王宜人方,無敄。”今译:“商王为出征人方到社祭祀,得到保佑,必能取胜。”634对照今译,我们同样可以发现铭文原文表达的一些意义单位得不到文字的对应:王进行社前的祭祀(宜祭)是为了征伐人方,这在现代汉语中用了一个介宾结构的“为”字句来表达,其中征伐的意义用了“出征”二字对应。而这些在原文中却并无文字对应,这些意义要素实际是靠“王”“宜”“人方”之间隐含的内在关系,让读者意会的。个案分析表明,铭文的用字密度与卜辞似在伯仲之间。这也就决定了铭文的总体字频状况与卜辞类同。我们借助于《商周金文断代字频表》(2),只选取该表中确定时代为“殷”的记录,来进行殷商青铜器铭文的字频统计,得出如下相关数据:总字数:1579,总字量10799;铭文中最高频的前6字的出现频次为2919(3),占总字频10799的27%。而总字量与之相对接近的《花东》卜辞的同口径数据(4)则为27.25%。青铜器铭文当然是与甲骨卜辞全然不同的文献类型,具有与卜辞不同的体式,而其上述字频特征却与甲骨卜辞类同。这就意味着:甲骨文的字频特点反映的是不是殷商文字的一种共性呢?这个结论可能还会遭到这样的质疑:无论是卜辞还是铭文,都是非常特殊另类的文献种类,因此其字频特点的时代代表性难以确认。但种种情况表明:这种质疑是不能成立的。首先,早期汉字,具体来说是战国以前的汉字的具体用途与后世有很大不同。我们曾经对《左传》中关于文字使用的记录做过穷尽性的调查(1),得到的相关结论是:(1)《左传》时代的汉字决不介入中、下阶层人群的社会生活,而仅仅为统治阶级上层所用。(2)《左传》记载中的文字应用,又与人们的日常生活无涉,即便在统治阶级上层也不例外。(3)《左传》时代的文字,并不应用于单纯意义上的知识传播。因而我们更不能期望在殷商时代就会存在如同后世主流文献的种类。事实上,今天可以认定确实存在的殷商出土文献只是甲骨卜辞与铜器铭文而已,因此可以认为甲骨卜辞之类就是可以反映当时汉字基本特性的主流文献。再换个角度来分析。殷商还有传世文献,《尚书·多士》“惟殷先人,有典有册,殷革夏命”的记载可以证明当时史官已用汉字记史,显然这种文献更加符合传统的主流概念,其字频特点是否也与卜辞类同呢?毫无疑问,这个问题的答案能帮助我们进一步确认甲骨文字频特征是否真的具有断代属性。《尚书》虽有《商书》,但其4000余字的总字量很难满足字频研究的基本要求,更何况其时代的真实性也存在问题。因而相对后出的《春秋》更能反映先秦史官文字的真实字频状况。关于春秋时代史官文字的特点,可以通过读解《左传·宣公二年》中关于晋国史官董狐如何记下“赵盾弑其君”的官史文字的记述获知一二,从中不难发现,先秦史官记史必须恪守“书法(记史之法)”,而所谓“书法”,其实都是一些简约记事的手法。晋史如此,鲁史也不会例外。归结起来说,即使是类同于后世主流文献的先秦史书,同样呈现出文字对应语言内容的以简驭繁特性。就这一点而言,《春秋》之类先秦史书与甲骨卜辞并无本质差异。(2),占总字量24.93%,1频次字占单字总数的35.89%。按照两端集中的指标将其字频状况与甲骨文作比较,则可得出如下数据:上表数据表明:相对现代汉字来说,两端集中无疑是甲骨文和《春秋》字频的共同特征。而它们在集中度上的差异,显然与其时代距离有关。而《春秋》的字频的两端集中度与《新蔡》更为接近的事实,更说明了时代跨度是决定甲骨文与它们两端集中度差异的根本原因。甲骨文字频特征的殷商时代的断代属性,也由此得到了进一步的证明。(二)期土样形貌理论以上讨论,主要涉及了高端集中的缘由阐释,而对低端集中并未作多少分析说解,以下的讨论,将试图弥补这一缺陷。而要弄清楚这一问题,需要从具体材料的分析入手。不妨就《小屯》的一见字的用法类型作具体分析。《小屯》一见字凡395个,其中因辞残而用法不明者117字(3),因为用法不明,实际意味着它们究竟属于何字尚不明确,因而只能将其视为无效数据加以排除。另有25个合文,作为古文字中特殊的文字种类,合文并不能为本视角的探讨分析提供有效的评估性信息,所以也作排除处理。这样,真正可以认定的《小屯》一见字只是253个,其中属于专名类型的占了绝大多数,达191个(4)。分别为:地名82个,祭名42个,人名38个,方国名11个,祭牲名5个,用牲法5个,神名7个,官名1个。而属于普通词汇之列的62个(1),其中动词36个,名词17个,副词4个,形容词4个,代词1个。综上,我们可以明确《小屯》一见字用法的基本状况:大约四分之三为各类专名,四分之一所指则为一般词汇。如何评估这种状况呢?显然也需要分层次进行。作为目前可见最早的成系统的汉字材料,甲骨文当然处于汉字发展的早期阶段。而这样一个早期阶段实际在一定程度上具有由原始图画性或抽象刻画符号类表意记事符号向成熟文字逐步过渡过程的性质,而在这个过程的两端,同为视觉表意系统的重要差异就是表达符号的专用与通用性程度的不同:前者的特征就是图形单位和意义单位的一一专门对应,而后者的特征则是以具有通用性的字形去对应多个各不相同的语言单位。因此,在这个过程中,越是处于早期阶段,出现次数不多的文字数量也越多,而能够获得与之相对应机会的,自然也是具有尽可能更早的时间属性的专用性语言单位。《小屯》一见字的用法集中于地名、国族名、祭祀名等尤具历史厚度的卜辞单位,正印证了上述逻辑联系。因而低频字群的多字数集中度,同样是衡量文字系统原始性的另一重要尺度。当然,一见字的生成因由是多样的,具体到《小屯》非专名类一见字,至少可以有这样几种理由来解释它们的出现:文字断代特征的作用,文献用字数量的限制和文献内容对文字单位的选择性限制。值得注意的是,后两者作用力的结果,都有可能影响字集中所有单位公平出现的机会。为用尽可能客观