A Global Dataset of Human Mobility

Paper

发布日期: 2026-10-26

当全球出行变化只剩PDF曲线，怎样把它救成一张数据表？

论文名片｜Ho Fai Chan、Ahmed Skali、Benno Torgler，A Global Dataset of Human Mobility，CREMA Working Paper No. 2020-04（2020），工作论文。EconStor存档，作者OSF数据与代码。本文核对了全文、公开CSV、Stata处理脚本及验证数据；不把工作论文称作已发表的同行评审期刊文章。

2020年4月，研究者急着知道人们是否减少去商店、车站和工作场所。Google刚公开一批移动报告，地图与曲线看得见，却最初没有可直接分析的数值表。要比较不同地区的日期变化，研究者得先解决一个很朴素的问题：怎样把曲线里的数值取出来？

这篇短文没有提出新的定位技术，也没有重新追踪每个居民。它把已有PDF图像中的移动指数提取、校准、归并成日度表格，让一份只能看的报告成为可复用的研究资料。贡献发生在数据整理这一环，而理解它能做什么，必须把整理误差与源数据偏差分开。

先说结论

数据覆盖2020年2月16日至3月29日，共43天；131个国家和地区的国家层级表有5,633行，36个国家的次国家层级表有830个地区、35,276行。
摘要写818个地区，与方法、数据记录部分不一致；作者公开CSV实际可核对出830个地区，本文采用这一口径。
五个Google Trends主题的复核显示，图像提取值与原始值平均相关约0.987，平均绝对百分比偏差约2.5%。这证明的是转录流程较准确，不是移动指数无偏地代表所有居民。
指数是相对基线的变化，不提供绝对访问人数；住宅类别测量停留时长，其他类别测量访问变化，两者不能直接加总或简单平均成总出行量。

一张“−10”的曲线，究竟少了什么？

Google的基线是2020年1月3日至2月6日期间，对应星期几的中位水平。某个周一的值为−10，表示相对于基线中的周一，该类活动指标下降约10%，不是全体居民去公园的概率下降10个百分点。原论文示例用概率和百分点解释得较宽，实际复用应以源指标定义为准。

星期几匹配是为了避免把正常的周末与工作日差异都读成行为变化。但天气、节假日、季节、学校安排仍能改变曲线。更不能因为某地指数下降，就直接断言某项政策造成同样大小的效果。

源记录来自主动开启位置历史的用户，之后进行汇总与隐私处理。它不是全体居民的随机抽样，也不公布每个地点实际多少人。住宅指标又与其他五类不同：它反映停留时间变化，而不是用住宅访问人数抵消工作地访问人数。Google指标解释。

把像素变成日期和指数，中间有哪些步骤？

作者使用WebPlotDigitizer识别曲线。先标定横轴日期与纵轴数值，指定曲线颜色，再把像素坐标映射为数值点。由于共有5,766幅分类曲线，逐图人工操作既慢又容易错位，作者用AutoHotKey控制重复加载、坐标校准与导出，再用Stata整合。

提取参数采用1×1像素检测，识别蓝色曲线的RGB值为(65,133,244)。一天附近平均会得到约30个曲线点，这并不是一天测量了30组独立人群，只是同一条线被细密采样，需要归并成一个日值。

归并时，距离整数日期越近的点权重越大。原文把权重写成“绝对差的三次方”，这会与前述方向相反；公开的国家与地区Stata脚本实际采用：

权重 = (1 − |横坐标 − 四舍五入后的日期|)³

这个公式才与“日期越近、权重越大”一致。读取代码在这里帮助消除了文字歧义，但图像数字化仍受到线宽、坐标标定、曲线断点与平滑的限制，导出很多小数位不会自动提高真实测量精度。

图1：六类移动指数的完整全球示例

图 1｜同一天，不同活动类别的变化能放在同一张地图上看吗？

原图没有a—f字母，六面板依次为：左上零售休闲、右上食品杂货与药房、左中公园、右中交通站点、左下工作场所、右下住宅。图顶日期是2020年2月16日，蓝色为相对基线增加，红色为减少，右侧共用百分比色阶；坐标为经纬度。它展示提取数据的可视化形式，不是3月底的状态，也不能单凭这一静态图判断各国谁最早响应疫情。住宅和其余类别即使共用颜色，测量含义仍不同。来源：原论文 Fig. 1，Chan、Skali与Torgler（2020）。

数据表的完整，是否等于每一天都可靠？

国家表是131×43=5,633个国家日记录。地区表有830个地区，其中782个覆盖43天，48个不完整，完整地区约占94.2%；这与论文数据记录部分一致，也能从作者发布CSV复核。地区表35,276行少于830×43，不能把它当作完全平衡的面板。

表中有国家代码、地区名、日期和六个类别指数，并提供not_enough_data标记。但核对本次下载的原始地区CSV，已有行中的这个标记都为0，而有些地区仍缺日期。因此，不能只筛标记就宣称时间序列完整，还需实际检查地区—日期组合、各类别缺值和原始报告。

这里至少有两种缺失：原报告因数据或隐私阈值不满足而未发布，以及提取后某个日期没有形成有效行。本文没有逐一确定所有缺失的来源。缺失不能填成0，因为0表示与基线接近，而不是不知道发生了什么。Google对缺口的说明。

0.987的相关，验证的是哪一层准确性？

当时没有直接公开的同一批移动原始数值，作者用图形风格相近、又能下载真实数值的Google Trends做测试。选择音乐、政治、体育、技术和天气五个主题，把图导出PDF，运行相同提取流程，再与真实序列比较。

论文报告平均Pearson相关约0.987、最低约0.983，平均绝对百分比偏差约2.5%，标准差约3.09。公开的Validation.dta含46个日期、五组主题；按作者脚本复核，合并误差平均约2.53%、标准差约3.09，与报告一致。作者验证脚本还提醒极端值可能被过度平滑。

这支持“图线转换数值”的流程可用，却没有验证Google样本对老人、低收入群体或无位置历史用户的代表性，也没有证明所有国家和所有曲线的误差相同。Google Trends为正值指数，测试中的百分比误差也不能直接搬去解释接近零、可以正负变化的移动指数。

因此，需要把三个问题拆开问：图里读对了没有，Google指标本身测到了谁，以及研究设计是否能识别政策效果。第一层做好，不会自动回答后两层。

今天复用这份数据，还应保留它最初的时间语境

本文解决的是疫情初期“只有PDF、缺数值表”的紧迫问题。如今Google已提供历史CSV，并在2022年10月15日停止更新移动报告；历史数据继续公开。Google官方说明与下载入口。因此不能把2020年的背景写成今天仍只有PDF可用。

若研究目标只是复用这一历史截面，作者OSF表格、提取脚本与验证资料仍有价值；若需要更长序列，应记录具体下载版本并与后续官方CSV核对，避免把不同版本、日期覆盖和提取方式静默拼接。OSF还提供标注2020年4月5日的后续文件，它们不应与本文截至3月29日的初始版本混为一谈。

这份数据尤其适合描述不同活动类别在疫情早期的相对变化，或作为其他研究中的输入。它没有OD起讫点、真实道路路径、个人接触网络或感染结果，因此不能从中直接计算居民走了多少公里、谁接触了谁，或某项封控减少了多少感染。

一句话总结

把PDF曲线转成规范表格，可以迅速释放已有数据的研究价值，但数字化精度、样本代表性和因果识别仍是三层不同的证据。

核心来源

Chan, H. F., Skali, A. & Torgler, B.（2020）. A Global Dataset of Human Mobility. CREMA Working Paper No. 2020-04。工作论文存档。图1及论文方法、数据范围、验证结论据此。
作者OSF项目：原始国家与地区CSV、Stata脚本、五主题验证数据和代码；本文对地区数与权重的澄清据这些文件。
Google官方指标定义及历史数据入口，用于区别类别单位、缺失与目前更新状态。