2016-Systematic comparison of trip distribution laws and models


人去哪里上班,是被距离拉开,还是被沿途的机会截住?

论文名片|Maxime Lenormand、Aleix Bassolas、José J. Ramasco,Systematic comparison of trip distribution laws and models,Journal of Transport Geography,2016,51:158–169,2016年1月14日在线发表。DOI:10.1016/j.jtrangeo.2015.12.008。本文依据该刊正式版解读。稿件2015年7月6日收稿,12月16日修回,12月26日接收。

可以先想象一个并不是论文案例的选择。住处附近有一家公司,沿途几乎没有别的城镇;另一家更远,但中间排着很多人口差不多的镇。重力算法会给近的那家更高的权重,因为两地人口相乘之后还要再乘一个随距离下降的函数。介入机会算法认为距离本身不决定目的地,近处那些镇会先把人截住,远方公司能不能被选中,取决于中间还剩多少机会。

普查上的家到工作地流动,更接近哪一种算法?过去十年里两种答案都有人给出,但比较常常不在同一条起跑线上:一边用人口,另一边用岗位;一边只保住总人数,另一边连每个地区的进出人数都保住。这篇论文把概率法则和人数约束拆开,用六国加两个城市的通勤普查做同一套检验。对齐之后,指数距离衰减的重力法则整体更能复现跨单元通勤者,也更能贴合较短距离;它仍然复现不了少数很长的通勤,而且拟合更好不等于人们真的按这个公式选工作。

先说结论

  • 公平比较要分开两件事:从单元 i 到单元 j 的概率法则,以及用这个概率生成人数时保住总人数、流出、流入,还是两者都保。以前把无约束重力和只约束产出的辐射模型直接比高低,输入和约束都不相同。
  • 把起点概率也调成与人口成正比之后,归一化指数重力在共同通勤者比例上整体优于介入机会、原始辐射和扩展辐射。以人口为输入的 32 组比较里,29 组的这项最优是指数重力,另外 3 组是幂律重力。
  • 约束越强,对上的人越多。八个案例平均,无约束大约复现观测通勤网络的 45%,双约束大约 65%。吸引约束好于产出约束,但均匀随机目的地也有同样方向,所以这个差距不全是距离公式的功劳。共同链路比例在任何法则下都没有超过 0.55。
  • 指数重力更适合较短通勤,法国约 50 公里、美国约 150 公里以外就明显偏少。超过这两个阈值的人,分别不到法国这套数据通勤者的 6% 和美国的 5%。幂律重力和辐射法则更能跟上这条长尾。
  • 指数重力、幂律重力和扩展辐射各有一个参数,大体可以随普查单元的平均面积估计。用面积回推后,指数重力的共同通勤者比例相对已校准结果最多相差 4%。Schneider 版介入机会的参数与面积没有显著关系,而且换用进出流以后误差会急剧变大。

比的是家到工作地,而且不算单元内部

研究对象是普查单元之间的通勤:住在 i、工作在 j 的人数 Tᵢⱼ。一次记录是一名通勤者,回程不另计,所以总人数 N 等于跨单元通勤者人数,不是把来回各算一次的出行次数。单元内部流动一律去掉,Tᵢᵢ = 0。原因是辐射法则算不出单元内部;重力法则其实可以用面积平方根的一半,或到最近邻距离的一半,去近似内部距离,但为了让所有法则使用同一张表,内部流动不进入比较。因此下面所有比例的分母,都是保留下来的跨单元通勤者,不是一个国家的全部就业人口。

距离 dᵢⱼ 是两点质心之间的大圆距离,用 Haversine 公式计算。它不是沿路里程,也不是通勤时间或费用。机会数在主分析里用人口近似:以 i 为圆心、dᵢⱼ 为半径,圆内去掉起点和终点之后的人口,记为 sᵢⱼ。居住人口不等于岗位数,这一点后面用真实进出流再查一次。

八个案例来自六个国家和两个城市,空间单元从伦敦产出区到美国县。

案例 时间与来源 单元 链路数 跨单元通勤者
英格兰和威尔士 2001 年普查 8,846 个 ward 1,269,396 18,374,407
法国 1999 年普查 3,645 个 canton 462,838 12,193,058
意大利 2001 年普查 7,319 个市镇 419,556 8,973,671
墨西哥 2011 年微观样本 2,456 个市镇 60,049 603,688
西班牙 2001 年普查 7,950 个市镇 261,084 5,102,359
美国 2000 年县际通勤 3,108 个县 161,522 34,097,929
伦敦 论文未单列年份 4,664 个产出区 750,943 4,373,442
巴黎 论文未单列年份 3,185 个市镇 277,252 3,789,487

链路数是观测到有人流动的有向单元对,通勤者数是这些人的合计。墨西哥的 603,688 是微观样本中的通勤者,不是全国就业人口。伦敦和巴黎没有在数据说明里单独写调查年;两国全国数据分别是 2001 年和 1999 年普查。

六国普查单元质心与平均面积

图 1|六个国家的普查单元有多大?

无字母子图,上排从左到右是英格兰和威尔士、法国、意大利,下排是墨西哥、西班牙、美国。点是单元质心,不是人口密度;〈S〉是单元平均面积。读数分别是 17.2、148.2、34.3、803.2、62.3 和 2596.8 平方公里。美国 2596.8 也写在正文里。尺度条从 100 公里到 1000 公里,不能把点的疏密直接读成通勤量。来源:原论文 Fig. 1。

伦敦与巴黎普查单元质心

图 2|两个城市案例比国家案例细多少?

无字母子图,左为伦敦,右为巴黎。黑线分别是大伦敦当局和论文所标的法兰西岛范围。伦敦产出区平均 1.68 平方公里,巴黎市镇平均 9.93 平方公里;比例尺是 10 公里和 20 公里。城市点比图 1 密得多,后面参数随面积变化时,这两个点位于最小的一端。来源:原论文 Fig. 2。

八个平均面积从小到大是伦敦 1.68、巴黎 9.93、英格兰和威尔士 17.2、意大利 34.3、西班牙 62.3、法国 148.2、墨西哥 803.2、美国 2596.8 平方公里。单元越大,住在同一单元里的短途通勤越容易被排除,留下来的跨单元距离就会变长。

先分清概率法则和人数约束

pᵢⱼ 是整个系统里一次通勤落在有序对 (i, j) 上的概率,所有异于自身的单元对加起来等于 1。它不是“已经从 i 出发的人有多大概率去 j”。后者是条件概率。重力、介入机会和辐射都可以写成 pᵢⱼ,然后再用不同约束把 N 个人分进去。论文比较的五条法则是:

  • 指数重力:pᵢⱼ 与 mᵢ mⱼ exp(−β dᵢⱼ) 成正比。β 用观测数据校准,单位与距离相反,β 越大,距离扣得越狠。
  • 幂律重力:把指数换成 dᵢⱼ 的 −β 次方。同样只有一个 β,但 β 没有距离倒数的单位,数值不能和指数形式直接比大小。
  • Schneider 版介入机会:从 i 出发的人按顺序碰到机会。条件概率是 exp(−γ sᵢⱼ) 减去 exp(−γ (sᵢⱼ + mⱼ))。γ 可以理解成碰到一个机会就接受的常数倾向。这一版不把起点人口 mᵢ 再放进条件概率。
  • 原始辐射:没有自由参数。条件概率是 mᵢ mⱼ 除以 (mᵢ + sᵢⱼ)(mᵢ + mⱼ + sᵢⱼ)。有限区域里,一个人被其他单元吸收的总概率小于 1,所以还要再归一化。
  • 扩展辐射:在原始形式上加入参数 α,用来调节起点和终点之间的机会数如何影响是否接受一份工作。α 越大,同样多的中间机会越不容易被接受,人就更可能走得更远。

前两条把距离直接写进公式。后三条不写距离,距离只决定圆里有多少机会。

生成人数时有四种模型。无约束模型只要求生成的总人数等于观测的 N,每个人按多项分布从全部 pᵢⱼ 里抽取。产出约束保住每个起点的外出人数 Oᵢ,再按该起点指向各目的地的概率分配。吸引约束保住每个终点的进入人数 Dⱼ。双约束用迭代比例拟合同时保住 Oᵢ 和 Dⱼ;这一步得到的是带小数、而且几乎处处相连的表,所以论文再按这张表抽取 N 个整数通勤者,才能和观测网络比有没有链路。

因为模型含随机抽样,每个指标都是 100 次网络的平均。网络很稳:全部模型、全部案例的这 100 次里,共同通勤者比例最多偏离该平均值 0.09%。图上的误差棒通常贴在点上。

共同通勤者比例 CPC 等于所有单元对上 min(Tᵢⱼ, 估计 Tᵢⱼ) 之和,再除以 N。分母是通勤者人数。它表示两张表重叠的那部分人占全部跨单元通勤者的比例,从 0 到 1。总人数相同时,它也等于 1 减去两张表绝对差之和的一半再除以 N。它不表示有多少条链路被说对。

共同链路比例 CPL 只看有没有人,不看人数。分子是观测和模拟都出现的链路数的两倍,分母是两张网络的链路数之和。两边链路完全重合时为 1。

按距离的共同通勤者比例 CPC_d 先把人放进距离档。第 k 档是通勤距离落在 2k − 2 到 2k 公里的人数,档宽 2 公里。再对每一档取观测和模拟人数的较小值,加总后除以 N。它问的是距离分布像不像,不是某一对起终点有没有对上。

归一化之前,无约束比较不公平

无约束时,介入机会法则已经把“从 i 出发”的概率写成与人口 mᵢ 成正比,再在目的地之间分配。最简单的重力形式是所有单元对共用一个归一化常数,起点概率并不必然正比于 mᵢ,因为每个起点周围的目的地总和不一样。若直接比,扩展辐射和 Schneider 在多数案例上会好于重力。把重力改成同样的结构之后,这个优势消失:

pᵢⱼ 与 mᵢ 乘以 [mⱼ f(dᵢⱼ) / 起点 i 对所有其他目的地的 mₖ f(dᵢₖ) 之和] 成正比。

后文说的重力,都是这个归一化版本。图 3 把原版和归一化版画在一起,带叉的是原版。

八个案例四种约束下的共同通勤者比例

图 3|同一条法则,在八个案例里能对上多少人?

无字母子图。左上无约束,右上产出约束,左下吸引约束,右下双约束。横轴是共同通勤者比例,纵轴是八个案例。红圆为归一化指数重力,蓝方为归一化幂律重力,带叉的圆和方是相应的未归一化原版;黄倒三角为 Schneider,绿菱为扩展辐射,紫三角为原始辐射。应先看无约束面板里带叉点与不带叉点的左右位置:归一化把指数重力推向右侧。约束越强,各点整体右移。伦敦在无约束下全体偏左,原始辐射常在最左。误差棒是 100 次的最小和最大,多数看不清。来源:原论文 Fig. 3。

这张图支持的是相对排序,不是“重力已经解释了通勤”。即使双约束下不少点超过 0.6,仍有三成以上的人没有落在重叠部分里。伦敦无约束时各法则都低,说明细单元、少约束时,单靠人口和距离或机会,离观测表仍远。

约束越强,对上的人越多

把八个案例平均之后,规律更清楚。无约束大约复现 45% 的观测通勤网络,双约束大约 65%。这里的 45% 和 65% 是八个案例的平均 CPC,分母仍是各自的跨单元通勤者,不是八个案例的人数先加总再算一个总比例。多保住一条边际,CPC 就上升。这在预期之中:双约束已经使用了每个单元真实的进出人数,模型只负责在这些边际之内分配,不再负责猜一个区有多少人出门、多少人进来。

吸引约束好于产出约束。作者的解释是工作需求比工作供给更容易估计,还牵涉额外的经济因素。吸引约束保住的是每个单元的流入人数,产出约束保住的是流出人数。均匀分布 pᵢⱼ 与 1 成正比时,吸引约束同样高于产出约束,所以这个高低顺序里有约束本身的作用,不能单独当成指数公式的证据。

四种约束下的平均拟合指标

图 4|平均下来,约束和法则各改变什么?

(a)八个案例的平均 CPC,纵轴约从 0.3 到 0.8。红圆指数重力最高,紫三角原始辐射最低,从无约束到双约束整体上升。正文给出的两端大约是 45% 和 65%。(b)平均 CPL,纵轴约 0.35 到 0.55。无约束和单约束时指数重力领先;双约束后除 Schneider 和原始辐射外,其余法则靠近。没有任何点超过 0.55。(c)平均 CPC_d,纵轴约 0.60 到 0.90。除原始辐射外,各法则都超过 0.80,指数重力略高。(d)均匀分布,深灰到浅灰依次是 CPC、CPL、CPC_d,纵轴只到约 0.25,吸引约束仍高于产出约束。来源:原论文 Fig. 4。

(a)里的领先是平均排序。它不能保证每个国家、每个指标都由指数重力取胜。表 2 按案例、约束和指标列出最优法则。以人口为输入、以 CPC 为准的 32 组里,29 组最优是归一化指数重力;墨西哥无约束、西班牙无约束、西班牙双约束这 3 组是归一化幂律重力。介入机会和两种辐射都没有在这 32 组里成为 CPC 最优。

换指标就不一样。无约束、人口输入下,归一化均方误差有五个案例由扩展辐射最优,英格兰和威尔士、伦敦由指数重力最优,巴黎由幂律重力最优。平方误差更在意少数很大的流量,CPC 更在意重叠的人数。扩展辐射可以在一种误差上更好,同时在人数重合上仍然落后。信息增益的排序整体更接近 CPC,论文没有把它写成另一套相反的结论。

链路对上的比例,始终过不了 0.55

CPC 高,只说明重叠的人数多,大流量对上了就能拉高分数。CPL 问的是哪些单元对之间真有人。指数重力在无约束和单约束下的平均 CPL 高于其他法则;双约束之后,除 Schneider 和原始辐射外,其余法则变得接近。全部情形的 CPL 都不超过 0.55。一半左右的链路身份对不上。

原因是估计出来的链路总数就不对。

模拟链路数与观测链路数之比

图 5|模型生成的链路,比观测多还是少?

无字母子图,排列与图 3 相同:左上无约束,右上产出约束,左下吸引约束,右下双约束。横轴是模拟链路数除以观测链路数,1 表示总数相同,图轴画到 4。红圆指数重力、紫三角原始辐射多落在 1 的左侧,也就是链路偏少;蓝方幂律重力、绿菱扩展辐射多落在右侧,无约束时部分案例超过 2 倍。黄倒三角 Schneider 最常靠近 1。链路总数接近,不等于每条链路都是同一对起终点,所以 Schneider 的 CPL 并没有因此全面领先。来源:原论文 Fig. 5。

人口输入下的 32 组 CPL 最优里,指数重力占 23 组。其余是伦敦无约束和产出约束的 Schneider,法国吸引约束和双约束、美国双约束的扩展辐射,以及西班牙、美国吸引约束和墨西哥、西班牙双约束的幂律重力。双约束把大流量的人数卡住以后,谁的链路形状最好就不再稳定。

短距离靠指数,长尾靠幂律和辐射

距离分布比单条链路宽容。除原始辐射外,各法则都能复现 80% 以上的通勤距离,分母是全部跨单元通勤者;指数重力略好。80% 是 CPC_d,也就是 2 公里一档的人数重叠,不是 80% 的人去了正确的市镇。

产出约束下的法国和美国把这件事拆开了。

法国与美国通勤距离分布

图 6|指数重力从哪一段距离开始偏离观测?

(a)法国,(b)美国。横轴是大圆距离的公里数,对数刻度;纵轴是通勤距离的概率密度,同样取对数。黑星是普查,红圆是归一化指数重力,蓝方是归一化幂律重力,黄倒三角是 Schneider,绿菱是扩展辐射,紫三角是原始辐射。模型都用产出约束。指数重力和 Schneider 在法国约 50 公里、美国约 150 公里以内更贴近黑星,过了这段就下降得太快。幂律重力和两种辐射把长尾留得更久。来源:原论文 Fig. 6。

这两个阈值之后的人很少:不到法国通勤者的 6%,不到美国通勤者的 5%。所以指数重力可以在总人数重合上领先,同时系统性少算长距离。作者提出,这些长记录未必是每天往返,也可能和普查填写方式有关。数据里没有出行频率,这个判断是推测,不是测量结果。

换成进出流,结论大体还在

人口只是岗位的代理,而且两者的比例通常还要再乘一个指数,拟合有时很差。稳健性检验把重力里的 mᵢ、mⱼ 换成流出 Oᵢ 和流入 Dⱼ,把介入机会圆里的人口换成圆内其他单元的流入人数。起点权重改为与 Oᵢ 成正比。

改用进出流后的平均指标

图 7|机会和规模改用真实进出流,排序变了吗?

(a)平均 CPC,(b)平均 CPL,(c)平均 CPC_d。颜色和符号与图 4 相同,仍是八个案例的平均,横轴是四种约束。三条曲线的高低顺序与图 4 接近:指数重力仍在 CPC 和较短约束下的 CPL 上领先,原始辐射仍明显偏低,CPC_d 除原始辐射外保持在高位。来源:原论文 Fig. 7。

表 2 的进出流部分更具体。32 组 CPC 里,31 组最优仍是归一化指数重力,唯一例外还是西班牙的双约束,最优换成幂律重力。输入更换没有推翻主排序,也不表示人口和进出流在每条链路上给出相同人数。

只知道单元有多大,参数能猜到什么程度

β、γ、α 通常要用详细的流量表校准。若没有这张表,以前的研究尝试用平均单元面积〈S〉来猜。2012 年的指数重力关系写成 β = 0.3 〈S〉^(−0.18)。Yang 等 2014 年用特征长度 l = 〈S〉 的平方根估计扩展辐射,α = 0.0085 l^1.33。本文用人口输入、四种约束下校准出来的参数,再对面积作图。

参数与平均单元面积的关系

图 8|一个参数,能不能从单元面积读出来?

(a)归一化指数重力的 β。图中拟合式为 β = 0.3 · 〈S〉^(−0.17)。横轴是平方公里,对数刻度;点随面积下降。正文认为系数与 2012 年写出的 β = 0.3 〈S〉^(−0.18) 相同,并说明六个国家数据里有三个与那篇重合,所以这不是一组完全新的样本。(b)归一化幂律重力的 β,拟合式为 β = 1.4 · 〈S〉^0.11,随面积上升。两个 β 不是同一个量。(c)Schneider 的 γ,图中写 γ = 3.02 · 10^(−6) · 〈S〉^(−0.03),线几乎水平。正文说明 γ 与面积的关系不显著。(d)扩展辐射的 α,拟合式为 α = 0.02 · 〈S〉^0.58。正文说所得指数与 Yang 等 2014 年相近,但不是把 0.0085 l^1.33 原样重印。四种灰度从黑到浅是无约束、产出约束、吸引约束、双约束。来源:原论文 Fig. 8。

方向和观测距离分布一致,但要先看观测本身怎样随面积变化。

八个案例的观测通勤距离

图 9|单元越大,留下来的通勤为什么越长?

(a)八个案例的通勤距离概率密度。横轴是公里,纵轴是密度,都取对数。伦敦和巴黎在几十公里后下降更快,美国和墨西哥把概率留到数百以至上千公里。曲线是观测,不是模型。(b)平均通勤距离对平均单元面积。最左、面积最小的伦敦最短,最右的美国最长,纵轴单位是公里。(c)Pearson 峰度对平均面积,纵轴为对数。面积越大,距离分布整体越陡。来源:原论文 Fig. 9。

指数形式里的 β 与平均通勤距离成反比。短途被划进单元内部之后,图 9(b)的平均距离变长,图 8(a)的 β 就变小。幂律形式要去贴图 9(c)里更陡的尾部,所以图 8(b)的 β 随面积上升。扩展辐射的 α 变大时,同样数量的中间机会更不容易被接受,通勤可以更远,这与平均距离变长同向。这是分布形状,不是个人偏好随行政区划改变的证据。原始辐射没有自由参数,不会出现在图 8 里。

图 8(d)的回归线挡不住所有点。论文指出偏离最大的是巴黎、西班牙和意大利,并认为 α 还受机会分布不均匀程度的影响,这三例最不均匀。图 1 和图 2 里它们的平均面积是 9.93、62.3 和 34.3 平方公里,位于较小的一端,但伦敦更小。偏离是相对这条面积回归而言,论文没有另外给出一个不均匀指数的数值。

用面积回归回代参数,再看 CPC 相对已校准 CPC 的绝对百分比误差。回归来自人口输入的法则。进出流版本也用同一套人口回归去猜参数,用来检查换输入之后还稳不稳。

用面积估计参数带来的 CPC 误差

图 10|靠面积猜参数,会把共同通勤者比例带偏多少?

无字母子图。横轴是四条有参数的法则,纵轴是 CPC 绝对百分比误差,也就是相对已校准 CPC 的百分数,不是通勤者百分比本身。缺口箱线是人口输入,普通箱线是进出流。箱线从下到上是第一十分位、下铰链、中位数、上铰链和第九十分位。指数重力和幂律重力的箱子贴近底部;扩展辐射略高,并有高出箱子的点;Schneider 在进出流下整组上移,离群点到达图的上部。来源:原论文 Fig. 10。

正文给出的范围是:指数重力最多为原 CPC 的 4%,幂律最多 10%;扩展辐射多数低于 10%,最大为原 CPC 的 22%。Schneider 在人口输入下多数也低于 10%,可是用人口回归去猜进出流版本的 γ 时,误差急剧增大。因此前三类法则可以在没有详细流量表时,按单元尺度生成一张通勤网络;Schneider 的 γ 则紧紧依赖用什么变量代替真实机会,不能把人口上的 γ 挪到进出流上。

这里的 4%、10%、22% 都是相对已校准 CPC 的误差。若某次校准 CPC 是 0.65,4% 对应的是大约 0.026 的 CPC 差值,不是又少对上 4% 的全国人口。论文报告的是各次比较中的最大相对误差,不是八个案例的平均误差。

这些比较能说到哪一步

指数重力在人数重合、多数链路比较和距离分布上领先。换用进出流之后,CPC 的主排序还在;人口输入且无约束时,八个案例里有五个的归一化均方误差改由扩展辐射领先。领先的直接原因是大多数通勤很短,指数衰减刚好压低长距离。幂律和辐射留下的长尾,对应的人不到法国样本的 6%、美国样本的 5%。

这仍然是模型对普查表的拟合。它不证明通勤者先在头脑里计算 exp(−β d),也不证明沿途人口没有影响选择。介入机会法则在这批数据、这种机会定义下拟合较差,只说明“用圆内人口或流入人数代表机会”的这几条公式不如可调的距离衰减。机会如果改成岗位、工资或通勤时间,排序可能改变;论文没有这些字段。

比较只覆盖家到工作地的跨单元流动。迁移、旅游和货运没有检验。大圆距离忽略水体、边界和道路。墨西哥是样本,其余是普查汇总。双约束使用了观测到的进出人数,适合在边际已知时分配流向,不能当成未知新区的从零预测。无约束才能只靠人口和距离生成总表,但平均只能重叠大约 45% 的人。CPL 不超过 0.55,说明即便人数重叠较高,许多小链路的有无仍然不对。100 次抽样很稳,稳的是这套随机分配,不是参数或机制的唯一性。

作者把重力相对介入机会的优势,归结为衰减函数可以选择。Simini 等 2012 年认为缺少理论理由去选定衰减形式是重力模型的弱点;本文把这种可调节看成优点,因为选工作地和选新住所不是同一种决定。这是对结果的解释。数据没有分开这两类决定,也没有证明衰减形式的选择本身就是行为机制。

一句话总结

输入和约束对齐之后,指数衰减的重力法则更能复现这八套数据里的跨单元通勤,尤其是较短的部分;它盖不住那一小段长距离,也没有证明人们选工作地时真的忽略了沿途机会。

核心来源

作者介绍

三位作者在论文中的署名单位都是西班牙马略卡的跨学科物理与复杂系统研究所 IFISC(CSIC-UIB)。

  • Maxime Lenormand:通讯作者。致谢写明,他的工作由巴利阿里群岛政府教育、文化与大学厅项目 PD/004/2013,以及欧洲社会基金 2013–2017 年巴利阿里业务计划资助。IFISC 出版物页面记录,他与 José Javier Ramasco 共同指导了 Aleix Bassolas 2019 年关于人类移动多尺度的博士论文。
  • Aleix Bassolas:论文署名 IFISC。上述 2019 年博士论文题为 A journey across the multiple scales of human mobility,摘要写明其中包含对常用通勤模型的比较。这里只采用论文署名和 IFISC 对该论文的记录,不把他后来的职务写进 2016 年的身份。
  • José J. Ramasco:论文署名 IFISC。致谢写明他获得西班牙经济部 Ramón y Cajal 计划资助。IFISC 页面列出他参与的综述 Human mobility: Models and applications,讨论个体与群体、短程与长程移动的模型。

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。

若用这套比较去选交通模型,CPC 会把每一个跨单元通勤者当成同样的一分。法国 50 公里、美国 150 公里以外的人不到 6% 和 5%,指数重力少算他们,总分仍然可以领先。城际铁路或长途客运的用户恰恰集中在这一小段里。只按 CPC 宣布指数重力足够,等于用短途的人数优势,掩盖长途设施要服务的那部分人。

双约束已经吃进了每个单元的真实进出人数。它回答的是“边际已知时,人会分到哪些目的地”,回答不了“一个尚未形成进出流的新区会产生多少通勤”。无约束模型才接近后一个问题,而八个案例的平均重叠大约只有 45%。规划场景若把双约束的 65% 当成从零预测的准确率,用错了模型所保住的信息。

单元一切大,短途就消失,β 随之变小。把县尺度上校准的指数衰减直接用到产出区,会把本来很近的出行拉长。图 8 的面积关系提供了一个换尺度时的起点,但巴黎、西班牙和意大利对扩展辐射那条线的偏离说明,面积不是唯一的尺度。机会如果仍用居住人口代替,卧城会被算成沿途就业机会;Schneider 在进出流上的误差跳变提醒,这种代替对介入机会公式尤其不安全。


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