2025-The spatiotemporal scaling laws of urban population dynamics


把时间窗拉长、把圈子放到更远,人数起伏还守得住同一条规律吗?

论文名片|Xingye Tan、Bo Huang、Michael Batty、Weiyu Li、Qi Ryan Wang、Yulun Zhou、Peng Gong,The spatiotemporal scaling laws of urban population dynamics,Nature Communications,2025,16:2881。2024年7月10日收稿,2025年3月17日接收。DOI:10.1038/s41467-025-58286-4。

图1里的北京是整篇论文的入口。绿色小方块覆盖16个网格,九个时刻的颜色深浅并不一样;紫框里的四条曲线,纵轴都标到1000,有的上下跳动,有的几乎贴着底部。只看某一个钟点,各地像是各有各的高峰。

论文改问尺度。时间窗从1小时放到1天,距离从主要中心放到外围,平均起伏还会不会落在同一类幂律上。北京、上海、广州、深圳、米兰和大波士顿这六个工作日样本给出的方向是:时间和距离两边都接近幂律;指数再随距离和时间窗按对数滑动,并与城市密度连成异速关系。下文的 F 是去掉局部趋势之后的统计起伏。窗口变长,读到的是这条统计量变大,不能把幂次直接换成人数的倍数。

先说结论

  • 在离最近主中心的距离 r 上,平均起伏随时间窗 s 按幂增长。六个案例的时间拟合,城市平均 R² 在 0.992 到 0.997 之间;论文给出的总体平均大约是 0.994。
  • 在固定的时间窗里,平均起伏随距离按幂下降,空间指数为负。城市平均 R² 在 0.893 到 0.956 之间,总体平均大约是 0.921。深圳在大约 25.5 公里处有一次明显折点,折点两侧各自仍接近一条直线。
  • 单个网格也有自己的时间指数 αᵢ。六城估计值的下限都高于 0.5,上限从米兰的 1.293 到大波士顿的 1.805。高值集中在规划中的主城、新城核心和交通廊道,低值更多出现在外围。
  • 环带上的时间指数对距离的对数近似直线下降。六城 R² 从深圳的 0.884 到米兰的 0.961。用同一套参数回放对数起伏,六城斜率在 0.980 到 0.998 之间,R² 在 0.978 到 0.999 之间。
  • 若密度本身随距离按幂下降,起伏就与密度成异速关系。兴趣点密度的平均拟合优度高于 0.87,高于人口密度那一组。正文举例,四个中国城市大约在每平方公里 5000 人附近,时间指数跨过 1。

20分钟里累计的,是哪一种人数?

研究对象是一个地点的人数怎样随时间起伏,分析单位是网格上的时间序列,以及离主要中心某一距离的环带。它不统计某个人的轨迹,也不统计从甲地到乙地的流量。

六个案例来自三套设备数据,都收成连续10个工作日,再统一到20分钟一档。一天因此有72个时点,十条序列共720个时点。20分钟以内的记录被累计起来,当作该格的名义人数。

案例 设备记录 日期 分析网格 环带宽度
北京、上海、广州、深圳 腾讯位置服务的定位请求;四城爬取数据合计 33.6 GB 2018年4月16–27日,无公共假期的10个连续工作日 约 1.15 公里 × 1.15 公里;原始定位分辨率 0.01 度,平均约 6 分钟爬取一次 3 公里
米兰 电信网络连接,约 5740 万条;数值与网格内互联网连接量成比例 2013年11月4–15日的10个连续工作日 约 235 米 × 235 米;原始时间间隔 10 分钟 0.5 公里
大波士顿 SafeGraph 的 GPS 定位,最初记在人口普查街区组 2020年2月3–14日的两个工作周 约 1 公里 × 1 公里 3 公里

33.6 GB 是四座中国城市爬取文件的合计体积,不是四城各自的体积,也不是记录条数。约 5740 万是米兰的记录条数。讨论里把所分析的移动设备数据概括为超过 8 亿条;主文没有给出中国城市和大波士顿的记录条数,这 8 亿不能由上面两项相加得到。

四个中国城市和大波士顿的说明里,城市半径写为超过 50 公里。米兰的城市半径大约 10 公里。同心环的中心来自城市或区域总体规划:深圳有多个主中心,距离取到最近的一个;其余五个案例各有一个主中心。环带距离取环宽中点到该中心的距离。一个网格若被环切开,只按落在环内的面积参加加权。

人口密度用 WorldPop,分辨率约 3 角秒,在赤道附近大约 100 米,年份与设备数据对齐:中国 2018、意大利 2013、美国 2020。兴趣点(points of interest,POI)在四座中国城市来自高德地图,米兰和大波士顿来自 OpenStreetMap,年份同样对齐。POI 密度在这里代表功能聚集的程度,密度更高被当作功能吸引力更高的一种近似。

为什么先做去趋势,再谈幂律?

人数序列常常带着早晚高峰这样的局部趋势。直接计算标准差,长趋势会混进取伏。论文使用去趋势波动分析(detrended fluctuation analysis,DFA),并采用按时间加权的改进,以便在较长窗口里把局部直线拟合得更稳。

做法可以收成三步。先把网格 i 的名义人数累加,得到一条走势。再按时间窗 s 把走势切成等长小段,并从两端各切一次,使尾部不被漏掉;每一段减去自己的直线。最后把各段剩余偏离的方差平均后再开方,得到该网格的平均起伏 Fᵢ(s)。s 从 1 小时取到 1 天,步长 20 分钟。

对呈长程相关的序列,这个统计量随窗口按幂增长:

Fᵢ(s) ∝ s^αᵢ

αᵢ 是该网格的时间标度指数。环带上的 F(s, r) 则是与该环相交的各网格 Fᵢ(s) 的面积加权平均。图1先说明一条网格序列从哪里来,图2再说明 r 和 s 怎样进入平均。

完整原论文图1

图 1|一个地点的人数起伏,在进入标度分析之前长什么样?

(a)北京范围示意。绿色为样本区,浅蓝为建成区,蓝色为水体,灰线为市辖区边界。(b)样本区 16 个网格在九个时刻的定位请求数。颜色按每 100 次一档,从 0–100 到 800–900;紫框标出后面要画曲线的 4 个网格。(c)这 4 个网格的时间序列,纵轴标度为 0 和 1000,彩色点与(b)中相同时刻的颜色对应。来源:原论文 Fig. 1。

完整原论文图2

图 2|平均起伏是在哪一圈、哪一个时间窗上测量的?

(a)北京的同心环。红圈是示例环,r 为环带中线到中心的距离,r_c 标出环宽。颜色是 s=60 分钟时各网格的起伏,色标从 0 到 75。(b)红圈所在距离 r=13.5 公里的时间标度。横轴 ln s,纵轴 ln F(s, r),直线的 R²=0.990。(c)同一城市在 s=60 分钟时的空间标度。横轴 ln r,纵轴 ln F(s, r),R²=0.960。来源:原论文 Fig. 2。

(b)和(c)都是北京的一个例子。0.990 的分母是这一条距离上、各个时间窗的双对数拟合;0.960 的分母是这一个 60 分钟窗口上、各个距离环的双对数拟合。它们还不是六城的汇总。

六个城市的平均起伏,时间和距离两边都成直线吗?

环带平均之后,论文写出一对标度关系:

F(s, r) ∝ s^α(r),且 α(r) > 0

F(s, r) ∝ r^d(s),且 d(s) < 0

第一式说,站在离最近主中心某一距离上,时间窗越长,去趋势后的平均起伏越大。第二式说,站在某一个时间窗里,离最近主中心越远,这个平均起伏越小。两式合在一起,就是论文所说的时空尺度不变:在所测的小时到一天、以及各城的城市半径之内,起伏不靠某一个特征小时或特征公里数来刻画。指数却可以随 r 和 s 改变,所以不变的是幂律形式,固定的不是那一个斜率。

完整原论文图3

图 3|六个案例的平均起伏,是否同时沿时间和距离排成幂律?

(a)横轴 ln s,纵轴 ln F(s, r)。浅色圆、中等红色方块和深色三角,依次对应距离小于最大半径的三分之一、介于三分之一与三分之二之间、大于三分之二。六个案例的点都随时间窗上升。(b)横轴 ln r,纵轴仍是 ln F(s, r)。深蓝三角、中蓝方块和浅蓝圆,依次对应短于 8 小时、8 小时到 16 小时、长于 16 小时。点随距离下降;深圳中途出现一次明显弯折。r_m 是到最近主中心的最大半径。来源:原论文 Fig. 3。

六张图里,主文指出只有深圳有一处清楚的线性折点,大约在 r=25.5 公里,对应 ln r ≈ 3.23。25.5 公里以内斜率较低,空间上相对均匀;25.5 公里以外斜率更高。分开看,两段各自仍符合距离上的幂律。主文把这种现象称作同一城市里的多标度,并说明敏感性分析里也出现过类似折点。

表1把每一座城市在全部距离、全部时间窗上的直线拟合收成 R² 的范围和平均。平均的分母是该城各条标度直线的拟合优度,时间指数按不同距离分别拟合,空间指数按不同时间窗分别拟合。

城市 时间指数 α(r) 的 R² 平均 空间指数 d(s) 的 R² 平均
北京 0.973–0.999 0.994 0.943–0.963 0.947
上海 0.985–0.998 0.992 0.888–0.923 0.900
广州 0.985–0.998 0.994 0.918–0.945 0.918
深圳 0.988–0.997 0.992 0.834–0.922 0.893
米兰 0.988–0.996 0.992 0.943–0.961 0.956
大波士顿 0.994–0.998 0.997 0.915–0.944 0.926

时间方向最弱的城市平均仍有 0.992,单条拟合的下限是北京的 0.973。空间方向更松:深圳的城市平均只有 0.893,单条拟合可以低到 0.834。论文据此把总体平均写成大约 0.994 和 0.921。高 R² 支持这些样本里存在所写的幂律;空间一侧的离散说明,距离上的直线并没有时间一侧那么整齐。广州空间指数的平均被印成 0.918,与该范围的下限相同,这里照表1原样列出。

每个网格的时间指数,会铺成什么样的城市?

环带已经把一圈方向平均掉了。下一个问题是,不先画环,每一个有效网格自己的时间幂律是否还在,高指数会落在哪里。

完整原论文图4

图 4|网格尺度的时间幂律,以及指数在地图上怎样分布?

(a)北京、(b)上海、(c)广州、(d)深圳:左侧是 αᵢ 的网格地图,右侧是每个有效网格的 ln Fᵢ(s) 对 ln s。四城共用中国城市色标,1.25 以上为最暖的一档,向下依次到 0.5–0.6。(e)米兰使用另一套色标,最暖一档从 1.15 起。(f)大波士顿的指数范围超过 1.5,最暖一档从 1.5 起,并在 1.25 与 1 之间再分一档;纵轴下沿标到 −4。右侧曲线的斜率就是各地图的 αᵢ。来源:原论文 Fig. 4。

网格上的关系写成 Fᵢ(s) ∝ s^αᵢ,αᵢ 的取值范围在 0 到 2 之间。小于 1 时,平均起伏随时窗次线性增加;等于 1 时为线性;大于 1 时为超线性。论文把 1 当作两类分形序列的分界:低于 1 更接近平稳的分数高斯噪声(fractional Gaussian noise,fGn),高于 1 更接近非平稳的分数布朗运动(fractional Brownian motion,fBm)。另一条界在 0.5:高于 0.5 表示长程相关,序列的起伏有持续性;低于 0.5 表示长程反相关。图4给大波士顿上色时还使用 1.5 这条界,主文把它指向补充说明中的持续性讨论。

表2是六城全部有效网格的估计范围。平均 R² 的分母是该城各网格双对数拟合的拟合优度。

城市 αᵢ 单网格 R² 平均 R²
北京 0.530–1.519 0.913–0.998 0.991
上海 0.523–1.491 0.935–0.999 0.990
广州 0.526–1.445 0.929–0.998 0.990
深圳 0.592–1.463 0.969–0.996 0.990
米兰 0.549–1.293 0.948–0.997 0.989
大波士顿 0.624–1.805 0.933–0.999 0.994

六个下限都高于 0.5,其中最低的是上海 0.523,最高的下限是大波士顿 0.624。上限最高的是大波士顿 1.805,最低的是米兰 1.293。北京上限 1.519,是四座中国城市里唯一超过 1.5 的上界;图4仍按中国城市的 1.25 分档。城市平均 R² 都在 0.989 以上,但北京单个网格可以低到 0.913。平均接近 0.99,只说明多数网格的幂律拟合很直,不能代表每一个网格。

地图上的高值主要位于规划主城区、新城和县城核心,以及重要交通廊道。论文进一步把中国城市 1.25 以上、米兰 1.15 以上、大波士顿 1.5 以上的格子,对应到中心商务区、历史或发展核心,以及经济、科技和产业节点。这是指数地图与规划结构的空间对照。

作者给出的解释是可能性,而不是单独检验过的因果。中心、功能节点和开发热点的人口密度更高,通勤和混合用地带来更频繁的到访,长窗口上的整体变化更大;短时变化相对这块很大的活动基数显得较平滑,于是 αᵢ 较高。外围若密度低、公共交通覆盖有限、功能单一,人数缺少明显的涨落,αᵢ 就较低。

指数沿半径滑动之后,模型还能回放起伏吗?

图4的高值向内、低值向外,提示环带指数 α(r) 会随距离下降。论文把它写成对数梯度:

α(r) = −b ln r + α₁

b 是下降有多快。α₁ 是 r=1 时的理论时间指数,论文用来代表靠近中心的参考位置;对数在距离为 0 时没有定义,所以 α₁ 不是几何中心点上的实测人数。把这条梯度代回时间幂律,空间指数也得到一条对数梯度,而且用的是同一个 b:

d(s) = −b ln s + d₁

d₁ 是 s=1 个时间单位时的理论空间指数。合在一起,对数起伏可以写成:

ln F(s, r) = −b ln s · ln r + d₁ ln r + α₁ ln s + 常数

只有先指定时间窗或距离,才能得到一条具体的空间幂律或时间幂律。常数是积分常数,不是人数。

完整原论文图5

图 5|时间指数是否随离主中心的距离按对数下降?

图中六个面板没有子图字母。上排是北京和上海,中排是广州和深圳,下排是米兰和大波士顿。横轴 ln r,纵轴 α(r),直线对应上面的对数梯度。R² 分别为北京 0.942、上海 0.926、广州 0.947、深圳 0.884、米兰 0.961、大波士顿 0.942。米兰的横轴延伸到 0 以下,与它较小的城市半径相符。来源:原论文 Fig. 5。

深圳这一张单直线的 R² 只有 0.884,是六城最低。它的空间起伏在 25.5 公里处已经分成两段,一条直线的梯度自然更松。表3因此给深圳两套参数:括号中前一个数对应 r ≤ 25.5 公里,后一个数对应 r > 25.5 公里。其余城市各用一套。这些数来自补充图中的线性关系,主文表3印出了估计结果。

城市 b α₁ d₁ 常数
北京 0.203 1.717 −1.317 4.180
上海 0.156 1.559 −1.532 4.843
广州 0.165 1.566 −1.486 4.943
深圳 0.077,0.203 1.277,1.764 −0.099,−5.190 1.692,19.264
米兰 0.091 1.005 −1.095 3.260
大波士顿 0.085 1.605 −0.508 0.342

单中心案例里,北京的 b=0.203 最大,大波士顿的 b=0.085 最小。b 同时是 α 对 ln r、d 对 ln s 的下降速率,比较的是对数梯度。d₁ 都是负数,所以在参考时间单位上,起伏仍随距离下降;大波士顿的 −0.508 最接近 0,深圳外圈的 −5.190 属于另一套分段拟合。α₁ 最高的是深圳外圈的 1.764,最低的是米兰的 1.005。

完整原论文图6

图 6|用估计出的参数回放,对数起伏离观测有多近?

六个面板没有子图字母,排列与图5相同。横轴是观测到的 ln F(s, r),纵轴是模型给出的值。黑色虚线是 y=x,红色实线是图中印出的比例式。北京 y=0.980x、R²=0.982;上海 y=0.981x、R²=0.982;广州 y=0.980x、R²=0.978;深圳 y=0.996x、R²=0.995;米兰 y=0.998x、R²=0.999;大波士顿 y=0.994x、R²=0.994。米兰的坐标从 0 起画,其余五城从 −2 画到 8。来源:原论文 Fig. 6。

斜率越接近 1,回放的对数起伏越接近观测。六城都在 0.980 以上,最松的是广州,R²=0.978;最紧的是米兰,斜率 0.998、R²=0.999。深圳的回放使用表3里按 25.5 公里分开的两套参数,斜率 0.996、R²=0.995。图6是这六个案例上的再现。主文另外把四个未参与参数估计的情形放进补充材料,正文没有印出那一项的精度。

密度更高,起伏就按比例更大吗?

到这里,幂律仍然只描述起伏自己。论文接着问,它是否跟城市密度的径向结构接得上。人口密度和 POI 密度都可以写成随距离衰减的曲线。Clark 的负指数模型带有一个特征半径;Smeed 的逆幂模型写成 ρ(r) = ρ₁ r^β,β < 0,没有把某一个公里数当成特征尺度。论文沿用 Batty 与 Kim 的论点,认为从可开发空间看,逆幂更合适,同时也写明两种模型的选择仍有争议。

若密度服从逆幂,而起伏又服从 F(s, r) ∝ r^d(s),两式通过同一个 r 相连,就得到:

F(s, r) ∝ ρ(r)^A(s)

A(s) = d(s) / β = (−b ln s + d₁) / β

A(s) 是异速指数(allometric exponent):在时间窗 s 上,密度变化一个比例时,起伏按哪个比例跟着变化。d(s) 与 β 都是负数,所以 A(s) 为正,密度更高的环带对应更大的 F。这是两条幂律拼出来的关系。它成立的前提,是密度确实接近逆幂,并且空间标度本身成立。

完整原论文图7

图 7|平均起伏与两种城市密度,在双对数图上是否成直线?

(a)横轴是人口密度的对数 ln ρ(r),纵轴是 ln F(s, r)。人口来自 WorldPop。六城的点总体向右上倾斜,颜色区分时间窗。(b)横轴改为 POI 密度的对数。四座中国城市的 POI 来自高德,米兰和大波士顿来自 OpenStreetMap。图例中的三角、方块和圆分别对应短于 8 小时、8 小时到 16 小时、长于 16 小时。各城斜率的具体数值在补充表中,图内没有逐城印出。来源:原论文 Fig. 7。

主文给出的比较是:相对人口密度,起伏与 POI 密度的异速关系更好,六个案例的平均拟合优度高于 0.87。四座中国城市里,两种密度的异速关系更一致。米兰和波士顿市中心附近的人口密度空间变化较小,偏离逆幂,因此人口密度这条异速关系会偏开。深圳的两种密度也都呈现出两段标度,与图3里起伏的折点相呼应。作者还用另外四套观测检查测量方案,主文的结论是关系仍近似成直线;各套方案的系数没有印在正文。

异速指数还会随时间窗变化,主文称它具有正的对数时间梯度。由此可以得到一个门槛例子:四个中国城市的人口密度大约在每平方公里 5000 人附近时,充分的人口和可到达的城市功能对应非平稳、超线性的起伏,也就是 α(r) > 1 的 fBm;密度或功能不足时,出行需求较低,对应 α(r) < 1 的 fGn。5000 的分母是每平方公里人数,范围是正文所举的四个中国城市,不是六城共用的一条截断值。

这条规律目前能说到哪一步

三套数据的用户覆盖、采集方式和年份都不同。主文把规律在这些差异之下仍然出现,当作采样偏差影响有限的证据。设备数据缺少可直接对照的地面真值,跨来源一致提供的是稳健性,尚未取消偏差。

样本是 10 个工作日、720 个时点。周末、公共假期,以及按月或按年的城际迁移,都不在这条日尺度规律里。环带把同一半径上的各个方向合在一起,所以图4里沿交通廊道伸出的高值斑块,到了图3会进入同一个距离。深圳以外的多中心,在统计上仍被放到一个主中心周围。

图6的斜率接近 1,说明对数模型能够重现用于估计的六个案例。它不能单独证明密度造成了起伏,也不能把斜率当成下一周或其他城市的预测误差。高 αᵢ 与功能区的对应,建立在规划图和活动热点的空间吻合上;通勤、混合用地和外围产业为什么造成这种指数,仍是作者给出的机制解释。

讨论还把这套时空谱接到设施选址、蔓延评估、疫情重点区域和交通设施需求。这些是作者提出的用途。论文没有在这六个样本里报告一项相应的政策试验。

一句话总结

在这六个工作日样本里,去趋势后的人数起伏随时间窗按幂变大,随离最近主中心的距离按幂变小;指数沿对数梯度变化,并与城市密度连成异速关系。它刻画的是网格和环带上的统计尺度,直接适用范围就是文中的 20 分钟序列、规划中心和这 10 个工作日。

核心来源

作者介绍

以下只采用论文署名、机构和作者贡献说明。七位作者都参与了分析。

  • Xingye Tan:香港大学地理系。与 Bo Huang 同等贡献;与 Huang 共同构思并设计研究,与 Li 整理数据,与 Huang 建立模型,并与 Huang 撰写论文。
  • Bo Huang:通讯作者。署名香港大学地理系、社会科学学院计算社会科学实验室、城市系统研究所,以及城市规划与设计系。与 Tan 同等贡献,共同设计研究、建立模型并撰写论文。
  • Michael Batty:伦敦大学学院巴特利特高级空间分析中心。参与解释结果,并对文稿提出意见。
  • Weiyu Li:苏州科技大学数理学院。与 Tan 整理数据,参与解释结果并对文稿提出意见。
  • Qi Ryan Wang:美国东北大学土木与环境工程系。参与解释结果并对文稿提出意见。
  • Yulun Zhou:香港大学城市规划与设计系。参与解释结果并对文稿提出意见。
  • Peng Gong:香港大学地理系与城市系统研究所。参与解释结果并对文稿提出意见。

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。

环带规律和网格地图回答的不是同一个选址问题。若只使用随半径下降的平均起伏,新的公共服务会被放到“某一公里的圈子”上;图4却显示高指数沿廊道和节点成团。把环带预测与分方向的指数并排之后,才能看出一条地铁或一条产业带是否被同心平均藏了起来。论文已经同时给出这两种图,还没有报告这种方向拆分会让设施落点移动多少。

每平方公里 5000 人这个例子也还不能直接当成城区边界。设备记录把居住、通勤和过路混在同一个 20 分钟计数里,交通枢纽可以在人口密度并不高时得到很大的 F。若把夜间长期停留的设备与只在高峰出现的设备分开,α(r) 跨过 1 的密度门槛可能会移动。这需要论文没有做的停留时长划分。

同一个 b 把时间和距离绑在一起,意味着主中心一旦改变,整条梯度都要重估。新城区、新的轨道枢纽或总体规划改写中心之后,旧的 α₁ 与 b 是否还适用,十个工作日无法回答。一组跨越中心迁移的前后观测,才能区分对数梯度是城市的稳定属性,还是某一版规划中心下的快照。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录