一座城市的出行联系，能延伸到几个街区之外？
论文名片｜Weiyu Li、Yilong Han、Michael Batty、Jianxi Gao、Qi R. Wang，The spatial reach of mobility interactions in urban systems，Nature Cities，2026 年 10 月 12 日发表。论文原文 · DOI：10.1038/s44284-026-00531-y
想象一座城市遭遇暴雪：平时热闹的商圈冷清下来，住宅区附近的小店却未必同样冷清。全市出行总量当然可能下降，但这还不能回答另一个问题：原本彼此相连的街区，出行活动还会一起变化吗？
两地之间有多少人往来，常用距离和人口解释；可城市不是一堆互不相干的两地连线。相邻街区的出行量会一起高、一起低，这种关联还能向更远的街区延伸。要看灾害是否改变了整座城市的出行结构，就需要把这些街区放在一起看。
先说结论
- 论文提出一个空间作用范围参数 ρ（spatial range exponent），描述街区出行量的空间关联随邻接层数增加而衰减得有多快。ρ 越大，衰减越慢；它不是平均出行距离，单位也不是公里。
- 在统一采用美国人口普查区组（CBG）和同一种邻接规则时，12 个美国都市圈的 ρ 集中在 0.42 ± 0.015 附近。它们的城市形态并不一样，但这个结果不能直接推广成全球城市的共同常数。
- 只根据两地人口和距离生成出行流量，通常得不到真实数据中那么强的空间关联。真实 ρ 高于两种对照模型的比例分别是 91% 和 94%。
- 灾害和疫情期间，ρ 往往下降：自然灾害通常不到 1%，部分城市在新冠疫情期间接近 3%。变化幅度不大，但多数城市的变化超过平日波动。
先别量路程，看看街区之间怎样连着
这项研究使用 SafeGraph 的匿名手机定位聚合出行数据，分析美国 12 个大都市统计区（MSA）内的人口普查区组。一个 CBG 可以理解为地图上较小的一块统计区域。研究看的是每块区域的聚合流出量，不是在追踪某个人今天走了多远。CBG 人口来自 2015—2019 年美国社区调查，边界来自美国人口普查局。
测空间关联，先得规定什么叫近。论文把共边或只共一个角的两个 CBG 都算作一阶邻居；再跨过一块区域，就是更高阶的邻接。这里的二阶、三阶说的是地图上的邻接步数，不是两公里、三公里。两个城市的 CBG 面积可能不同，跨过同样的步数，实际距离也可能很不同。
图 1a 用局部莫兰指数检查：出行流出量高的区组是否靠着高的，低的是否靠着低的。图中的高—高、低—低聚集说明空间关联确实存在。真正要量的是这种关联往外还能延伸多少层。图 1b、c 把不同邻接层的流出量放进空间滞后衰减自回归模型（SLDR）：邻接越远，影响按 e^(−层数/ρ) 逐渐减弱；用一个 ρ 概括整座城市的衰减速度。拟合用到了从一阶邻居直到城市邻接网络最远端的各层关系。
为什么不直接算平均行程？ 平均行程回答的是一次移动有多远；ρ 回答的是一个区组的出行量与周围其他区组的出行量，在整个城市里还能保持多大范围的关联。两者可以有关，但不是同一件事。一座城市的人未必走得更远，街区之间的活动却可能更同步。
不同城市，为什么会落在相近的范围？
以 2020 年 2 月 10—16 日的一周为基线，图 1d 给出 12 座都市圈每日 ρ 的中位数，竖线表示七天中的最小值到最大值。旧金山约在 0.39，亚特兰大约在 0.45；各城并非相同，但整体落在较窄的区间。图 1e 把范围扩展到人口超过 10 万的美国县，ρ 也主要集中在 0.44 ± 0.028 附近，并没有随着人口规模增大而一路上升。
这些数值不是只靠一条好看的拟合曲线得来的。图 1f—i 把亚特兰大、波士顿各区组的真实流出量与模型结果并排放在地图上：模型保住了哪些地方较活跃、哪些较冷清的大体空间格局，但流量大小并非处处吻合。这支持它可用于概括城市尺度的空间结构，却不意味着能精确预测每个街区的出行量。
图 1｜怎样把街区之间的空间关联，概括为一个城市尺度的指标？
- （a）局部空间聚集：紫色为高—高，深蓝为低—低，说明高流量或低流量区组会在局部聚集。
- （b）衰减示意：关联随邻接层数增加而减弱，ρ 决定衰减速度。
- （c）模型示意：SLDR 将各层邻居的流出量合在一起估计 ρ。
- （d）12 座都市圈的 ρ：点为七天的中位数，短竖线为最小值到最大值，数值整体集中。
- （e）人口与 ρ：小符号代表县，大符号代表都市圈；人口相差很大，ρ 仍多落在有限范围。
- （f）亚特兰大的真实流出量地图，颜色和点大小表示区组流出量。
- （g）亚特兰大的模型结果，与（f）比较高低流量的空间分布。
- （h）波士顿的真实流出量地图，读法与（f）相同。
- （i）波士顿的模型结果，与（h）比较空间格局是否保留。
来源：原论文 Fig. 1。
不过，相近的 ρ 也可能只是一个老解释的结果：人口多的地方吸引更多出行，距离越远往来越少。若这两件事已经足够解释整张地图，ρ 就没有提供多少新信息。
只知道人口和距离，能还原这种关联吗？
论文为每座城市、每一天构造两套对照出行流量。引力模型让两地人口越多、直线距离越近，往来就越强；径向衰减模型则考虑它们相对城市人口加权中心的位置。两套对照都把总流量调到与真实数据相同，再用同一套 SLDR 方法计算 ρ。这样比较的是流量落在城市什么地方，而不是哪套数据总出行更多。
图 2c 的横轴是真实 ρ，纵轴是对照模型算出的 ρ；如果人口和距离足够，点应贴近虚线。实际多数点在虚线下方：真实 ρ 高于引力对照的城市—日期占 91%，高于径向对照的占 94%。两种对照并非完全失败，它们能解释一部分城市间差异；但平均来看，它们低估了跨邻接层的空间关联。
这里有个容易误会的地方：图 2a、b 不是在说地理距离不重要，而是在区分两地之间的流量与许多区组连成的空间格局。论文又把实际两地流量除以两端人口，再看它和地理距离的相关性（图 2d）。各城的距离关联仍然存在，只是强弱不同；在真实值与对照模型差距较大的四座城市，平均 Spearman 相关系数约为 −0.21，其余八城约为 −0.31。前者的流量对距离没有后者那么敏感，人口—距离模型也更难还原其空间关联。
图 2｜两地之间的距离衰减，是否足以解释整座城市的空间关联？
- （a）两地关系示意：人口和距离影响一条出行连线上的流量。
- （b）空间格局示意：多个区组在地图上相连，还可能产生跨邻接层的关联。
- （c）真实 ρ 与引力模型（左）、径向衰减模型（右）的对照：虚线表示两者相等，多数点在虚线下方。
- （d）人口校正后流量与直线距离的 Spearman 相关系数：越靠近 0，负向距离关联越弱；箱体展示每日估计的分布。
来源：原论文 Fig. 2。
这个对照能说明两地人口和距离还不够，不能反过来证明某一种具体行为或某一种交通网络就是缺失的原因；其他区位、设施和社会因素也可能参与其中。
城市受冲击时，变化的是出行量，还是出行地图？
如果 ρ 真在描述空间结构，那么灾害和疫情期间它应该会变。论文比较了 2017 年休斯敦哈维飓风、2019 年杰克逊维尔多里安飓风、2021 年休斯敦冬季风暴、2019 年圣罗莎—佩塔卢马山火，以及 12 座都市圈的新冠疫情。疫情的主比较把 2020 年 2 月 10—16 日与 3 月 30 日—4 月 5 日配对；每个事件都尽量拿相同星期几比较，避免把周一与周末的正常差异误当冲击。
图 3a 的纵轴是相对各城基线的 ρ 百分比变化。几次自然灾害通常下降不到 1%；疫情期间城市差别更大，纽约、波士顿等接近 3%，也有城市接近零甚至略有上升。不能把它讲成所有城市都按同一幅度收缩。
百分之一听起来很小，是否只是噪声？图 3b、c 用两个不同参照回答。和城市之间平日 ρ 的差异比，事件变化都小于一个标准差；和同一城市自己平日的波动比，多数城市达到或超过一个标准差。也就是说，它不足以抹平城市间原有差异，却通常不是普通的日常起伏。
还要排除一个更简单的解释：人们只是少出门，ρ 自然就小了。图 3d 做了三种人为扰动。把所有区组流量按同一比例缩小，ρ 基本不动；在高、低活动区组内部重排流量，ρ 明显下降；把流量在所有区组之间任意打乱，下降更大。少出行本身并不等于 ρ 下降；出行活动在地图上的分布被改写，ρ 才更敏感。 这是针对指标的模拟检验，不是对灾害中个人为何改变目的地的直接观察。
图 3｜冲击后的变化有多大，是否只是出行总量下降造成的？
- （a）灾害与疫情期间的 ρ 变化：虚线为无变化，黑点为疫情，彩色点为自然灾害；点为同星期几比较的中位数，竖线为四分位区间。
- （b）以城市之间的平日差异作参照：事件变化均小于一个标准差，绿色虚线表示 1。
- （c）以同城自身的平日波动作参照：多数变化达到或超过一个标准差，绿色虚线同样表示 1。
- （d）人为扰动：上图为亚特兰大，下图为旧金山；圆点统一缩放流量，方块在高低活动区组内重排，三角形全城打乱。空间分布被打乱得越多，ρ 降得越明显。
来源：原论文 Fig. 3。
这种空间收缩，和疫情有什么关系？
图 4a 把城市—日期的累计确诊人数除以人口，与同期 ρ 的变化放在一起。原始观测点的 Pearson 相关系数为 −0.62，Spearman 相关系数为 −0.61：疫情负担越重的观测，ρ 往往下降越多。图中的大三角是把数据分箱后的平均值，能帮助看趋势，但它们之间更强的相关不能替代原始点的证据。
这里不能倒过来说“ρ 降低导致病例减少”。疫情发展会改变人们的活动，政策、病例数和出行又相互影响；图 4a 是相关，不是单向因果检验。
为了看看这种空间结构在传播模型里可能有什么作用，论文把 ρ 放进一个有地理邻接关系的易感—感染—康复模型（SIR）。ρ 大，较远区组之间的传播联系衰减得慢；ρ 小，衰减得快。在亚特兰大和旧金山的示例里，把 ρ 调低 3%，模拟感染曲线的峰值变低、出现得更平缓；调高 3% 则相反（图 4b）。图 4c 进一步比较 ±3%、±6%、±9% 情景下的峰值感染人数。比如 −9% 情景，亚特兰大和旧金山的模拟峰值分别减少约 6.6 万和 7.9 万人。
这组人数是模型情景，不是疫情期间真实少感染的人数。 模型没有按两城的真实疫情轨迹校准；而且 ±9% 也大于正文观察到的约 1%—3% 变化。它证明的是空间关联值得被放进传播模型试验，而不是给出实际防疫效果预测。
图 4｜空间关联的变化，与疫情负担和模拟传播有什么关系？
- （a）观测关联：横轴为累计确诊数占人口比例（对数刻度），纵轴为 ρ 的百分比变化；小点是城市—日期观测，大三角是分箱均值。判断相关性应以原始点为主。
- （b）传播模拟：左为亚特兰大，右为旧金山；实线为观测 ρ 对应的模型基线，点线和虚线分别将 ρ 调低、调高 3%。纵轴是模拟感染人口比例。
- （c）模拟峰值变化：横轴为人为设定的 ρ 变化幅度，柱高为相对模型基线的峰值感染人数差；蓝色为亚特兰大，紫色为旧金山。这些人数不是真实防疫效果。
来源：原论文 Fig. 4。
这把尺子好用，但要先看它怎么画
ρ 的最大价值，是把城市出行地图中不易直接看见的关联，压缩成一个能随时间跟踪的量。不过压缩总有代价。
首先，空间单元一改，ρ 就可能改。CBG 大小在不同城市不一样；换成普查区、规则网格或道路网络，同一城市的数值、甚至城市排序都可能变化。论文在日本四座都市圈的网格数据中也检验到模型形式仍有用，但 ρ 的大小和离散程度随网格分辨率变化。因此它适合在相同空间划分与邻接规则下比较，尤其适合同城前后比较；不能拿一个 0.42 就宣称发现全球通用的城市常数。
其次，SafeGraph 覆盖的是设备样本的聚合轨迹，不是所有居民的完整出行；按周观察会抹平一天内和工作日、周末的差别。灾害期 ρ 的变化虽常超过日常波动，但绝对幅度不大，距离可用于实时预警还有距离。疫情相关图不能识别因果，SIR 图也不能当预测。这些边界不削弱论文提出新视角的价值，却决定了这把尺子该用在什么地方。
一句话总结
城市受冲击时，不仅可能是出行总量变少，原本在空间上相互呼应的街区活动也会变得更局部；ρ 提供了一种量这种变化的方法，但它量的是选定空间划分下的关联范围，不是人均出行距离。
核心来源
- Li, W., Han, Y., Batty, M., Gao, J. & Wang, Q. R. (2026). The spatial reach of mobility interactions in urban systems. Nature Cities. DOI: 10.1038/s44284-026-00531-y。文中数据图均源自该论文 Fig. 1—4。
- 研究公开的处理后数据与代码。原始 SafeGraph 出行数据受许可限制，不在仓库中公开。
作者介绍
- Weiyu Li：论文列出的机构为南京师范大学数学科学学院、苏州科技大学数学科学学院及美国东北大学土木与环境工程系；本研究的数据分析由其完成，并与 Qi R. Wang 共同主笔。
- Yilong Han：论文列出的机构为复杂系统分析与管理决策教育部重点实验室；在本研究中参与核查分析与梳理论文结构。
- Michael Batty：伦敦大学学院高级空间分析中心的城市研究学者，长期研究城市计算模型与可视化；在本研究中参与核查分析与梳理论文结构。UCL 简介
- Jianxi Gao：伦斯勒理工学院计算机科学系及网络科学与技术中心学者，研究复杂网络的韧性和动力学；本研究的共同设计者。RPI 简介
- Qi R. Wang：美国东北大学土木与环境工程系学者，研究城市韧性、灾害应对和人类移动性；本研究的共同设计者与共同主笔。东北大学简介
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
如果一座城市在灾害中只盯着全市出行总量，可能会漏掉两种完全不同的状况：一种是大家都少出门，但街区之间原有的活动格局还在；另一种是总量变化不大，活动却集中到少数本地节点，跨区联系明显断开。两者对物资配送、避难点设置和公共服务开放时间的要求未必相同。
一个值得继续检验的问题是：当 ρ 下降时，哪些人仍能跨区获得服务，哪些人被迫只在住处周边活动？仅有全城平均的 ρ 回答不了公平性问题。未来若能在严格保护隐私的前提下，把空间关联变化与设施可达性、不同群体的出行约束放在同一张图上，这个指标才可能从描述城市结构，走向帮助识别谁在冲击中失去选择。