2019-Spatial heterogeneity in spatial interaction of human movements—Insights from large-scale mobile positioning data


同一座城市里,距离把人流拦下来的速度为什么各地不一样?

论文名片|Xiping Yang、Zhixiang Fang、Yang Xu、Ling Yin、Junyi Li、Shiwei Lu,Spatial heterogeneity in spatial interaction of human movements—Insights from large-scale mobile positioning data,Journal of Transport Geography,2019,78:29–40,2019年5月17日录用,2019年5月24日在线发表。DOI:10.1016/j.jtrangeo.2019.05.010。观察性研究:用深圳一个工作日的手机定位,分别拟合每个交通小区流入和流出的距离衰减,再看土地利用、交通设施与这些系数在空间上如何一起变化。

早高峰从福田的写字楼出来,有人会跨几个区去办事;北部工业园里,很多人下班就走回宿舍。两段活动都发生在深圳,距离对人流的约束却未必一样陡。交通模型常常给整座城市一个距离衰减系数:离得越远,两地之间的联系越弱,而且全城共用同一个“弱下去的速度”。

这项研究要检查的,就是这个全市共用的速度。2012年一个工作日的手机定位里,短距离位移确实占多数,但各交通小区自己的衰减系数并不整齐。北部更快,南部更慢,流入和流出也不对称。土地利用和交通设施与这些系数有统计关联,地理加权回归能抓住这种随地段变号的关系;调整后仍只解释大约两成变异。下面的数字都是分区统计关系,不能当成改一块用地之后出行距离会怎样变化的实验结果。

先说结论

  • 提取出的起讫位移以 0.5 公里为组距统计时,超过 80% 短于 4 公里。把全部流量放在一张双对数图上,正文给出的全市衰减系数 β 为 1.853,拟合优度 R² 为 0.902;图 3b 的标注是 β=1.835。两处小数不一致,后文同时保留。
  • 与其他小区有流入或流出联系、且联系对象不少于 20 个的交通小区中,流入 β 落在 1.5 到 2.5 的占 80.3%,流出占 84.3%。不论流入还是流出,超过 85% 的小区幂律拟合 R² 大于 0.8。系数分布的峰值在 β=2.0。论文没有报告筛选前后各有多少个小区。
  • 这些小区系数在空间上成片聚集。流入的全局莫兰指数为 0.349(z=7.943),流出为 0.355(z=7.919),p 值都报告为 0.000。北部衰减快于南部,流入地图和流出地图并不对称。
  • 11 个标准化解释变量的普通最小二乘,调整后 R² 只有 0.046(流入)和 0.059(流出)。地理加权回归把调整后 R² 提高到 0.206 和 0.231。工业、居住用地在大多数小区与更快的衰减相伴,交通用地则多与更慢的衰减相伴;同一变量的局部系数会在市中心和外围变号。

全市只用一个衰减系数,会把哪里抹平?

空间交互(spatial interaction)在这里指人、货物或信息从一地到另一地的流动。人每天要上班、购物、办事,城市里的人流就是其中一种。引力模型用两地的规模和距离一起估计流量。距离衰减(distance decay)单看距离这一项:距离增加,交互强度下降。衰减系数 β 越大,距离的约束越强,流量随距离下降得越快。

以往多用出行调查来拟合这一个系数,样本小,时间和空间都粗。手机、出租车和公交卡让研究者能重估全市的衰减,但多数工作仍给整座城市一个数,默认各处下降得一样快。少数研究讨论过参数的空间非平稳,用的仍是小样本调查,或者目标是商店选址、两地流量本身,而不是把每个地点的衰减系数画成一张城市地图。

深圳被选来做这件事,是因为它同时有高密度的建成区、工业郊区和乡村。全市面积约 2000 平方公里,人口约 2000 万。数据是 2012 年一个典型工作日、大约 1600 万手机用户的定位。它按大约 1 小时的间隔记录位置,记录发生在基站,包含用户编号、时间和该基站的经纬度;这和只在打电话、发短信时才留下位置的通话详单不同。当天提取出的不同基站超过 5900 个。用户编号已加密。左下角岛屿不进入后面的分析。

深圳研究区、分区类型与城市中心

图 1|衰减系数要画在什么样的城市上?

图中没有子图字母。橙色是中心城区:南山、福田、罗湖,城市中心星标在福田。浅棕色是郊区:宝安(图上写作 Banan,后文写作 Baoan)、龙华、龙岗,以及东部的盐田。黄绿色是乡村:光明、坪山、大鹏。灰线是道路,比例尺 0 到 20 公里。正文把南山、福田、罗湖描述为商业、金融和高技术企业集中的建成区,把宝安、龙华、龙岗描述为工业园区和工厂较多的郊区,把盐田描述为海港,把光明、坪山、大鹏描述为有村庄和旅游地的乡村。这张图提供分区背景,本身不包含人流。来源:原论文 Fig. 1。

基站上的停留,怎样变成小区之间的人流?

每个人的记录按时间连成一条时空轨迹。判断停留的规则是:相邻两个点落在同一个基站,而且持续时间大于 0.5 小时。采样间隔大约 1 小时,所以一次停留通常至少要有两条同一基站的记录。相邻两次停留之间的移动算一次出行,时间在前的停留是起点,在后的是终点。短于采样间隔的到访,以及没有在同一基站停留够 0.5 小时的活动,不会进入这张出行表。位置是基站坐标,不是人站立的精确地点。

分析单位随后从基站换成交通分析小区(traffic analysis zone,TAZ)。每个基站先做成泰森多边形,表示它的服务范围。基站之间的流量按多边形与小区的重叠面积分摊:某次塔间流量分给一对小区的份额,等于起点多边形落在起点小区里的面积比例,乘以终点多边形落在终点小区里的面积比例。因此汇总后的小区流量可以是小数,不再是原始的整数人次。

每个小区再拆成两套联系。流入是其他小区到这个小区的流量,流出是从这个小区去其他小区的流量。两套联系分开拟合,因为一个人早上从家到单位、下班后先去吃饭再回家时,进入一个小区的距离结构和离开它的距离结构可以不同。论文没有报告全天出行总次数,也没有说明小区内部流动是否剔除。

手机用户时空轨迹示意

图 2|怎样从基站记录里分出停留和移动?

图中没有子图字母。底平面是城市,竖轴是时间。黑点是基站,空心圆是定位记录。蓝色竖线表示停留,橙色斜线表示移动,虚线把记录连回基站。示意中的 p1 到 p8 是一条轨迹上的相继记录。它说明停留和出行的判定方式,不是某位真实用户的地图。来源:原论文 Fig. 2。

对每个小区的流入和流出,论文用幂律写距离衰减:P(d) = d 的 −β 次方。P 在公式说明里被定义为距离 d 上的出行累积分布,β 是衰减系数。两边取对数后,ln P = −β × ln d,普通最小二乘拟合这条直线的斜率。图 3b 实际画的是流量百分比,坐标以 10 为底;公式写的是自然对数。两边使用同一个底时,斜率的绝对值仍是 β。β 大,表示距离对这组流量的约束强。

作者选择幂律,依据是已有研究里新加坡手机出行更接近幂律、出租车出行更接近指数分布。本文没有在深圳数据上同时报告指数函数的拟合,所以 R² 高只说明幂律在这套数据上拟合得过去,不能说明它优于指数形式。拟合也没有说明是否按各距离组的流量加权;对数变换后,流量很少的距离组仍可能拉动斜率。

用地按城市规划用地标准,从 53 类并成 6 类:商业、工业、居住、公共、交通和其他。其他类包含农业、军事和特殊用地。因为六类占比加总为 1,回归时去掉其他类,以避免完全共线。混合度用熵表示,计算式见 Tu 等(2018)和 Yang 等(2018b),本文没有重列。交通便利用三个量:小区内道路长度除以小区面积,公交站数量除以小区面积,以及小区中心到最近地铁站的欧氏距离。位置用小区中心到城市中心的欧氏距离。人口变量是当天各基站服务的手机用户数,再按与小区的重叠面积汇总,不是户籍或普查人口。最初考虑 12 个解释变量,去掉其他类并做共线性检查后保留 11 个。进入回归前,解释变量都做了 z 分数标准化。

全市回归用普通最小二乘,各处系数相同。地理加权回归(geographically weighted regression,GWR)在每个小区估计一套自己的系数,权重来自高斯核:离目标小区越近的观察,权重越大。带宽用校正赤池信息准则选择,使用 Nakaya 等(2009)的 GWR 软件。论文没有给出选中的带宽。流入和流出各做一次全市回归、一次地理加权回归,共四个模型。

四公里以内的位移占了多少?

先看全市,不区分小区。距离分布的组距是 0.5 公里。超过 80% 的起讫位移短于 4 公里,频率分布有长尾:很远的位移只占少数。这里的分母是汇总到小区之后的出行位移,不是 1600 万用户每人的全天步数,也不是后面筛选过的小区个数。

全市出行位移的频率、累积和双对数分布

图 3|全市人流随距离怎样下降?

(a)横轴是位移距离,单位为 10³ 米,也就是公里量级,范围约 0 到 14 公里。蓝色柱是各距离组的流量百分比,红色圆点是累积百分比,对应右侧 0 到 100% 的轴。累积曲线在 4 公里附近已经超过 80%,与正文一致;更远的距离只贡献长尾。(b)横轴是距离的常用对数,坐标写明 log10m,刻度 3、3.5、4、4.5 分别对应 1 公里、约 3.2 公里、10 公里和约 32 公里。纵轴是流量百分比的常用对数。红线是直线拟合,图内标注 β=1.835。短距离一端的点偏离红线,最远端个别点掉到红线下方。来源:原论文 Fig. 3。

正文把这条红线的结果写成 R²=0.902、β=1.853。图上印的是 1.835。0.018 的差别很小,但两处不能合成一个新数字。若只谈这条幂律直线的数学含义:β=1.835 时,距离翻倍,拟合的流量份额乘以 2 的 −1.835 次方,约 0.280;按正文的 1.853,乘数约 0.277。这是拟合直线的性质。短距离段已经偏离直线,不能把同一个倍数用到从几百米到几十公里的全部位移,也不能把它说成居民心里的距离偏好。

作者把 1.853 和两项已发表结果比较:哈尔滨 1.60,新加坡 2.5。前者来自 Gao 等(2013),空间单元是泰森多边形;后者来自 Kang 等(2013),空间单元是规则格网。分析单元和城市结构都不同,所以深圳落在两者之间,只能说明三次拟合的数值不同,不能排出哪座城市的居民更不愿意走远路。

每个小区的衰减系数是不是同一个数?

全市一条线会把小区之间的差别平均掉。作者改为每个小区各自拟合流入 β 和流出 β。拟合之前先数每个小区与多少个其他小区有流入或流出。联系对象太少时,距离分布不稳定。流入和流出都删掉互动小区数少于 20 的单元。图 4 给出筛选所针对的分布,组距为 10。

各交通小区互动对象数量的分布

图 4|为什么有些小区不能拿来拟合衰减?

(a)流入。横轴是与该小区有流入联系的其他小区数,纵轴是交通小区所占百分比,组距 10,横轴画到 400。柱子在中段较高,并向 400 延伸出长尾,最左端也有互动对象很少的小区。(b)流出,坐标与(a)相同,同样是中段较高、右尾很长。少于 20 个互动对象的小区在两张图的最左端都看得到;作者把它们从对应的流入或流出拟合中去掉。论文没有给出去掉和保留的小区数,因此后面的 80.3%、84.3% 和 85% 都不能换算成全市小区的绝对个数。来源:原论文 Fig. 4。

保留下来的小区里,幂律对多数距离分布拟合得过去:流入和流出都有超过 85% 的小区 R² 大于 0.8。β 的直方图接近钟形,峰值对应 β=2.0。在峰值处,距离翻倍使拟合份额乘以 1/4,这仍是幂律本身的换算,而且只在该小区的对数直线成立时有意义。1.5 到 2.5 之间集中了流入系数的 80.3%、流出系数的 84.3%。流入比流出略分散。分母是完成拟合的小区,流入和流出分开筛选,两个百分比的分母不一定是同一批小区。

流入与流出衰减系数及拟合优度的分布

图 5|小区之间的衰减系数集中在哪一段?

图内面板只写了“衰减系数”和“拟合优度”,没有印流入、流出字样。正文说流入比流出更分散,并指向(a)和(c);拟合优度指向(b)和(d)。按这一对照,(a)(b)读作流入,(c)(d)读作流出。(a)流入 β,横轴约 0 到 4,纵轴是小区百分比,峰值靠近 2,两侧比(c)更散。(b)流入的 R²,横轴约 0.4 到 1,柱子集中在 0.8 以上。(c)流出 β,峰值同样靠近 2,分布更收。(d)流出的 R²,同样集中在高拟合优度。来源:原论文 Fig. 5。

把系数放回地图,北部小区下降得比南部快,西北部尤其明显。作者给出的一种可能解释是:宝安、龙华、龙岗工业园区多,职工住在工作地附近或工厂宿舍,活动范围较小;这一点引用 Xu 等(2015),本文没有直接测量职住距离。流入和流出的地图不对称。作者猜想原因在一天里的出行链:早上从家到单位,下班后先去吃饭或休闲,再从第三个地点回家,离开单位的距离和回到家的距离就不是同一段。这是猜想,论文没有把出行链拆开验证。

交通小区流入与流出衰减系数的空间分布

图 6|衰减系数在城市里怎样成片分布?

(a)流入 β。(b)流出 β。颜色都按系数分段:小于 1.4、1.4–1.8、1.8–2.2、2.2–2.6、大于 2.6,由浅黄到深橙递增。两张图都是北部偏深、南部偏浅,但同一位置的流入和流出颜色并不逐格相同。未分析的岛屿为灰色。比例尺 0 到 20 公里。颜色是每个小区一条幂律的斜率,不是该小区的流量大小。来源:原论文 Fig. 6。

全局莫兰指数用来检查这种成片是不是随机涂出来的。流入 0.349(z=7.943),流出 0.355(z=7.919),p 值均为 0.000。正值表示高系数靠近高系数、低系数靠近低系数。它支持后面改用地理加权回归,但不能单独证明工业区或宿舍造成了这种聚集。

用地和车站,能解释系数的高低吗?

全市回归问的是:一个小区的用地占比、路网、车站和手机用户规模,与它的 β 有没有平均意义上的同向变化。因为解释变量经过 z 分数标准化,系数表示该变量升高 1 个标准差时,β 的关联变化。它不是土地占比每增加 1 个百分点的效果,也不是某条道路建成前后的变化。

解释变量 流入系数 流入 t 流出系数 流出 t
商业用地占比 0.002 0.092 0.039 2.167
工业用地占比 0.094 4.029 0.114 5.300
居住用地占比 0.070 2.566 0.096 3.788
公共用地占比 −0.002 −0.087 0.033 1.893
交通用地占比 −0.042 −2.031 −0.032 −1.691
土地利用混合度 −0.006 −0.229 −0.042 −1.745
道路密度 0.006 0.211 0.009 0.379
公交站密度 −0.000 −0.017 0.003 0.165
到最近地铁站距离 D1 −0.056 −2.161 −0.024 −1.011
到城市中心距离 D2 0.043 1.562 0.044 1.721
手机用户规模 −0.060 −3.359 −0.054 −3.272
R² 0.056 0.069
调整后 R² 0.046 0.059

表中显著性沿用原文:t 所对应的 0.01、0.05、0.10 水平分别是工业、居住、手机用户规模在流入和流出上都达到 0.01;流入的交通用地和 D1、流出的商业用地达到 0.05;流出的公共用地、交通用地、混合度和 D2 达到 0.10。流入的 D2(t=1.562)没有被标为显著。道路密度和公交站密度在两个模型里都没有显著关联。调整后 R² 为 0.046 和 0.059,意思是这 11 个变量只伴随解释了小区 β 变异的 4.6% 和 5.9%。

按表 3 的符号,工业或居住占比更高的小区,流入和流出 β 更高,距离约束更强。交通用地占比更高,β 更低,衰减更慢。手机用户更多的小区,β 更低;作者的解释是这类小区更活跃,吸引或送出的范围更大。流出模型里,商业占比、公共占比更高也与更高的 β 相伴,作者据此认为人们更倾向在附近活动。流入模型里,这两项不显著。

混合度与作者原先的预期相反。若混合用地让上班、购物和休闲发生在近处,流出 β 应该更高。流出模型的系数却是 −0.042,在 0.10 水平显著:混合度越高,流出衰减越慢。作者的解释是高混合小区集中在城市中心,对全市都有吸引或辐射。这是事后解释,模型里没有单独放入职住平衡或全市吸引力。

地铁距离要按变量定义读。D1 是到最近地铁站的欧氏距离。流入系数为 −0.056(t=−2.161,0.05 水平):距离增大 1 个标准差,流入 β 低 0.056,衰减更慢。正文有一句写成离地铁站更近、流入衰减更慢。按 D1 的定义,这句和表 3 的负号对不上。后文讨论局部系数时,又把离地铁站更远、活动更本地对应正系数,与距离变量一致。读全市流入结果时,以表 3 的符号为准。流出的 D1 为 −0.024(t=−1.011),不显著。

这组全市系数还有一个统计理由支持把它们拆开。ArcGIS 10.2 给出的 Koenker(BP)统计量,流入 55.493,流出 44.175,p 值都是 0.000。作者据此认为解释变量和 β 的关系在空间上不稳定,地理加权回归比一套全市系数更合适。BP 显著说明关系不是处处同一套,并不给出每一格地图的因果方向。

地理加权回归的拟合优度明显提高。流入的 R² 为 0.267,调整后 R² 为 0.206;流出为 0.292 和 0.231。相对全市模型的 0.046 和 0.059,局部系数更能贴合这批小区。结论里说解释了大约 20% 的变异,对应的就是这两个调整后 R²。剩下约八成仍不在这 11 个变量里。作者在文末也写明,用地和交通不是衰减系数的主导因素,社会经济特征和城市空间结构仍待考察。

局部系数的分布可以概括成几条四分位数,分母都是进入该模型的交通小区。流入的工业用地下四分位数是 0.056,居住用地是 0.052,所以这两项至少有四分之三的小区系数为正。流入交通用地的上四分位数是 −0.028,至少四分之三为负。流入混合度的中位数是 −0.027,上四分位数却是 0.016,负值占多数,但没有达到四分之三。流入人口的上四分位数是 −0.012,至少四分之三为负。

流出更整齐一些。商业、工业、居住、公共用地的下四分位数分别是 0.033、0.068、0.075、0.021,都为正,所以至少四分之三的小区系数为正;商业用地的最小值仍为 −0.015,少数小区为负。流出交通用地的上四分位数是 −0.027,混合度是 −0.034,人口是 −0.015,这三项至少四分之三为负。

极值说明局部系数可以离中位数很远。流入居住用地的最小系数是 −0.488,而中位数只有 0.076。流入 D1 从 −0.662 到 0.254,流入 D2 从 −0.153 到 1.285,两者的标准差也是表中最大的两档(0.126 和 0.171)。流入公交站密度的中位数接近 0(−0.001),最大值却到 0.523。因此地图上最深的颜色是局部估计,不能当成大多数小区的典型幅度。带宽没有报告,这些极端值对带宽是否敏感,论文没有检验。

十一个解释变量的地理加权回归系数地图

图 7|同一个因素,在不同地段与衰减系数的关联是否同号?

左列编号带 -1,是流入;右列带 -2,是流出。红色表示该变量的局部系数为正,蓝为负;颜色越深,系数绝对值越大。正系数意味着该变量更高时,模型估计的 β 更高、距离约束更强。每张小图都是系数,不是 β 本身。比例尺 0 到 20 公里。来源:原论文 Fig. 7。

(a-1)流入的商业用地:正值主要在宝安、南山和龙岗北部,负值集中在光明、坪山、盐田和罗湖。(a-2)流出的商业用地:系数大多为正,下四分位数已是 0.033。

(b-1)流入的工业用地:大多数小区为正,大鹏部分小区为负。(b-2)流出的工业用地:同样以正值为主。作者把流出端商业、工业、居住、公共四类的正系数概括为:这四类用地增加时,人们更倾向在附近活动。这是对系数符号的解读。

(c-1)流入的居住用地:大多数小区为正,大鹏部分小区为负;全表最小值为 −0.488。(c-2)流出的居住用地:下四分位数 0.075,以正值为主。

(d-1)流入的公共用地:宝安、南山、龙华交界一带偏正,城市边缘偏负,盐田和大鹏的海滨吸引被作者用来解释负值。(d-2)流出的公共用地:以正值为主,下四分位数 0.021。

(e-1)流入的交通用地:多数小区为负,南山西南角有让衰减变快的正值。(e-2)流出的交通用地:多数小区同样为负,南山西南角同样出现偏正。负号被解释为交通用地提高可达性、出行距离更长。

(f-1)流入的混合度:宝安、南山、龙岗以负值为主,光明和大鹏出现正值。(f-2)流出的混合度:空间格局类似,而且上四分位数仍为 −0.034。作者的对照是:乡村地区混合度提高,本地活动更多,衰减更快;建成区的高混合小区则产生全市范围的吸引或辐射,衰减更慢。

(g-1)流入的道路密度:西北部工业园区一带偏正,西部以负值为主;作者同时提到坪山、大鹏的道路增加可能扩大活动范围。(g-2)流出的道路密度:建成区中心偏正,宝安、光明、坪山、大鹏偏负。同一条道路密度,流入和流出的正负区域并不重合。

(h-1)流入的公交站密度:东部坪山、大鹏偏正,福田、罗湖及其邻近的龙华、光明、龙岗西部偏负。作者对正值的解释是这些乡村居民活动范围小,对负值的解释是公交使前往中心城区更方便;后一解释在文中被写成仍需核查。(h-2)流出的公交站密度:中位数为 0.002。论文没有再按区解释这一张。

(i-1)流入的地铁距离:南山、福田的高正值表示离地铁站越远,衰减越快、活动越本地。光明、坪山、大鹏为负;作者写明 2012 年这些区没有地铁站,负号表示离地铁站越远,需要出行的距离越长。(i-2)流出的地铁距离:中心城区与这三个外围区的正负对照与(i-1)同类。

(j-1)流入的到市中心距离:福田、南山、罗湖、龙华一带为负,宝安、光明、坪山、大鹏为正。(j-2)流出的到市中心距离:格局与(j-1)相近。正值对应外围较小的活动范围,负值对应中心城区的全市吸引或辐射。这是作者对地图的解释,D2 在流入的全市回归里并不显著。

(k-1)流入的手机用户规模:超过四分之三的小区为负,盐田、大鹏出现正值。负号表示用户规模更大的小区衰减更慢。(k-2)流出的手机用户规模:同样超过四分之三为负,正值也出现在盐田、大鹏。作者把这两处正值连到山林地和较小的本地活动范围。人口变量仍是按重叠面积汇总的手机用户数。

这些关联能支持到哪一步?

地理加权回归比一套全市系数更贴合地图,证据是调整后 R² 从 4.6%、5.9% 升到 20.6%、23.1%,以及表 4、表 5 里许多变量的最小值和最大值异号。它支持的结论是:衰减系数的高低与用地、交通的关系随地段改变。它不支持的结论同样明确。约八成的小区间差别还没有被这些变量解释。系数是纳入 11 个变量之后的偏关联,不是单独增加 1 个百分点商业用地的效应。一个工作日、大约 1 小时一次的基站采样,会漏掉短停留,也会把基站服务范围里的人放到同一个点上。

时间被整段留在模型外面。论文没有分早晚高峰,也没有比较工作日和休息日。位移距离没有说明是直线距离还是沿路距离;可以确认使用欧氏距离的,只有到地铁站和到城市中心这两项解释变量。幂律没有在本文与指数函数对照。互动小区少于 20 的单元被删除,但保留样本的规模没有报告,百分比因此不能还原成小区个数。莫兰指数、全市回归和地理加权回归都建立在这批保留小区的 β 上。β 是模型斜率,不是在每个距离段直接数出来的人数比。

作者把可继续做的事写进了结论:把时间放进衰减,检查职住平衡和其他社会经济因素,并换城市看格局是否还在。他们也提到,分区变化的衰减系数或可改进出行生成预测。那是对用途的建议。本文没有把这些系数放进土地利用—交通模型,再和全市单一系数比预测误差。

一句话总结

2012 年深圳这个工作日里,超过 80% 的起讫位移短于 4 公里,但各交通小区的距离衰减北快南慢、流入和流出也不对称;用地和交通设施只伴随解释了衰减系数大约两成的差别,而且同一个因素在不同地段可以与更快或更慢的衰减相伴。

核心来源

Yang, X., Fang, Z., Xu, Y., Yin, L., Li, J., Lu, S. Spatial heterogeneity in spatial interaction of human movements—Insights from large-scale mobile positioning data. Journal of Transport Geography, 2019, 78: 29–40. https://doi.org/10.1016/j.jtrangeo.2019.05.010

文中用来对照的全市系数来自 Gao, S., Liu, Y., Wang, Y., Ma, X. Discovering spatial interaction communities from mobile phone data. Transactions in GIS, 2013, 17(3): 463–481(哈尔滨,泰森多边形,β=1.60);以及 Kang, C., Sobolevsky, S., Liu, Y., Ratti, C. Exploring human movements in Singapore. Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing, 2013(新加坡规则格网;本文引用其手机出行 β=2.5)。北部职住邻近的解释引用 Xu, Y., Shaw, S.-L., Zhao, Z., Yin, L., Fang, Z., Li, Q. Understanding aggregate human mobility patterns using passive mobile phone location data. Transportation, 2015, 42(4): 625–646。

作者介绍

Xiping Yang,第一作者,署名单位为陕西师范大学地理科学与旅游学院、陕西省旅游信息科学重点实验室。参考文献中,Yang 作为第一作者与 Fang、Yin、Li、Lu 等合作发表过基于手机定位的深圳通勤空间结构研究(Yang et al., 2018a)。

Zhixiang Fang,通讯作者,署名单位为武汉大学测绘遥感信息工程国家重点实验室。参考文献中与 Yang、Xu、Yin 等合作过城市人流汇聚与分散格局的时空稳定性研究(Fang et al., 2017)。

Yang Xu,署名单位为香港理工大学土地测量及地理资讯学系。参考文献中的 Xu 等(2015,2016)用手机定位讨论以家为锚点的聚集移动和城市活动空间,作者名单中有 Shaw、Yin、Fang 等。

Ling Yin,署名单位为中国科学院深圳先进技术研究院。本文把基站流量按重叠面积分配到交通小区,引用的是 Yin 等(2015);该文讨论聚合手机定位数据的再识别风险和数据效用,作者中有 Shaw、Fang。

Junyi Li,署名单位与 Yang 相同,同为陕西师范大学地理科学与旅游学院和陕西省旅游信息科学重点实验室。Li 出现在上述 Yang 等(2018a)的作者名单中。本文没有单列其分工。

Shiwei Lu,署名单位为华中科技大学建筑与城市规划学院,同样出现在 Yang 等(2018a)的作者名单中。本文没有单列其分工。

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。

若一个出行生成模型只给深圳放一个 β,大约 1.84,它描述的是全部位移合成的那条直线。图 6 里北部小区的系数更高、南部更低。用全市斜率去分配北部工业小区的流出,近距离份额会偏低;用它去描述福田一带的流入,远距离到达会偏少。这个偏差是否大到值得改模型,要用分区系数重新预测并和观测流量比较,本文没有做这一步。

调整后 R² 停在 0.206 和 0.231,还限定了规划推论。即使商业、居住、地铁距离和手机用户规模同时进入模型,小区之间衰减系数的大部分差别仍在残差里。不能从“工业用地系数为正”推出把一块地划成工业园,当地出行就会缩短到某个公里数。图 7 的变号也提供一个反例:大鹏部分小区的工业和居住系数为负,与大多数小区相反。同一张用地政策,放进中心城区和放进半岛,连关联方向都不相同。

地铁地图还有年份限制。作者写明 2012 年光明、坪山、大鹏没有地铁站,这些区的 D1 系数为负。后来通车的线路会改变“到最近地铁站的距离”这个变量本身,2012 年的红蓝分布不能直接套到已有地铁的年份。手机用户规模也不是居住人口;用户少而 β 高的沿海小区,可能只是当天基站覆盖到的人活动范围小,不能据此判断那里的居民人数或旅游吸引力。


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