2025-Enhancing the gravity model for commuters: Time-and-spatial-structure-based improvements in Japan’s metropolitan areas


市中心被低估、外围被高估时,市区和郊区还能共用一条引力公式吗?

论文名片|Yixuan Y. Zheng、Yohei Shida、Hideki Takayasu、Misako Takayasu,Enhancing the gravity model for commuters: Time-and-spatial-structure-based improvements in Japan’s metropolitan areas,PLOS One,2025,20(8):e0329603,2025年8月12日发表。DOI:10.1371/journal.pone.0329603。本文依据这一正式版及其补充材料 S1 解读。

一个人从 1 公里见方的格子出发去另一个格子上班。老的引力模型(gravity model)说:起点住的人越多、终点岗位越多,这条通勤越强;两地越“远”,通勤越弱。远近可以是地图上的直线距离,也可以是路上花的时间。

套到东京这类都市圈上,单一公式会在人口稀的地方把通勤估高,在人口密的地方把通勤估低。Zheng 等人因此把居住人数和就业人数各自切一刀,让市区和郊区使用不同的人口指数,时间指数仍然共用。他们把这个分段模型叫作空间分隔的都市引力模型(Spatially Segregated Urban Gravity,SSUG)。

在 2021 年工作日、日本六个大都市圈的手机定位通勤上,分段之后的流量重合高于不分段的距离模型和时间模型。重合提升主要出现在城区到城区的出行。阈值和指数是对这批数据的拟合,不是行政区界,也不是已经证明的个人选择。

先说结论

  • 东京全部通勤的流量重合指数 CPC:直线距离引力模型为 0.27,正文另给 0.266;通勤时间引力模型为 0.37,正文另给 0.371;SSUG 为 0.41。CPC 的分子是两倍的“预测与观测里较小的那个流量”之和,分母是预测流量与观测流量之和,范围从 0 到 1。同一段正文还写过 SSUG 的 CPC 为 0.514,与图 2、表 2 和表 4 不符,下文不采用。
  • 六个都市圈的总体 CPC 都是 SSUG 高于时间模型、时间模型高于距离模型。城区到城区的变化最大:札幌从时间模型的 0.16 到 SSUG 的 0.72。仙台的总体 SSUG 最低,为 0.34;补充图注写明仙台没有“市区居住且市区就业”的格网。
  • 东京的居住阈值是每个 1 公里格网 12143 人,就业阈值是 11445 人。超过阈值的居住格网只占格网面积的 1.16%,就业格网占 1.92%。市区一侧的人口指数大于郊区一侧。正文把郊区起点指数印成 0.009,补充材料里的优化对照印成 0.09,两数不能当成同一个结果。
  • 图例上东京的通勤最长:直线距离 14.7 公里、时间 39.9 分钟。时间统计截到 120 分钟,论文称由此覆盖超过 99.5% 的通勤时间数据。一条起讫点对使用的时间,是这对格子上观察到的最短行程,不是所有通勤者的平均时间。

这六座都市圈里,一条通勤是怎么数出来的?

研究对象不是跨城迁移,而是都市圈内部、工作日从家到第一个工作地的通勤。六个都市圈是东京、大阪、名古屋、福冈、仙台和札幌,论文按官方资料选取常住人口超过 200 万的地区。空间单位是 1 公里×1 公里格网。东京大约有 13000 个格网;表 3 里东京都市圈面积为 13564 平方公里,所以“格网个数”和“面积”并不逐格相等,水域和边界没有在正文逐项扣掉。

都市圈 面积(平方公里) 常住人口(百万人) GDP(万亿日元)
东京 13,564 36.9 193.5
大阪 23,334 19.1 82.3
名古屋 21,570 11.3 57.1
福冈 4,987 5.1 19.5
仙台 7,282 2.3 9.6
札幌 3,036 2.4 8.7

表 3 没有写明 GDP 的年份。大阪的面积大于东京,用的是论文自己的都市圈范围,不是市町村建成区。

定位数据来自日本公司 Agoop 的点状人口数据,不能公开分享。正文先写全日本每天约 100 万智能手机用户,后又写六个研究区过滤之后每天约 1000 万匿名用户。若两句都按“每天的人数”理解,过滤后的子集不可能大于全国样本。本文同时保留这两句,不把它们合成一个样本量。可以单独使用的口径是:保留下来的每个用户、每个工作日平均 125 个轨迹点。

进入分析的条件有两条:当天定位点超过 100 个;家和工作地的市代码都落在目标都市圈内。研究期是 2021 年的工作日,去掉周末和节假日。用户编号每晚重置,不能把同一个人跨天连起来。供应商把居住地模糊到 1 公里格网,人口更少的地方模糊到 10 公里格网。论文改在 100 米格网上重新认家和单位,因为 1 公里按既往步行速度 1.1–1.4 米/秒,最多大约相当于 15 分钟,对通勤时间来说不能忽略。

家要同时满足:早上 5 点的第一条记录落在居住城市,并且当天在该格网停留超过 4 小时。单位要停留至少 5 小时、位于工作城市、且不是家所在格网。大约 3% 的人有多个单位或被格网边界切开,模型只保留离开家之后到达的第一个单位,保证一个人只贡献一条家—单位通勤。六个都市圈平均约 60% 的用户被标成通勤者。论文称这比总务省统计局的通勤率大约高 10%,没有给出统计局的原百分比,因此这里不把它改写成百分点。

手机样本少了老年人和 13 岁以下儿童。论文用每天 5 点的定位人数对照 2021 年 10 月各都道府县人口做重标定,并说比例见补充第 9 节。该节实际给出的是后文的散点:官方居住人口大约是 GPS 通勤居住者的 1.7 倍,没有逐府县的比例表。

直线距离和路上时间,量的是不是同一件事?

家到单位的距离,是两个格网中心的欧氏距离,也就是地图上的直线距离,不是道路里程,也不是票价。每个人的通勤时间,是家状态记录和工作状态记录之间的最短时间间隔。一条起讫点对上往往有很多人、多种交通方式和绕路。模型不用这些人的平均时间,而用其中最短的一次,写成 tᵢⱼ = min{tᵏᵢⱼ}。理由是通勤者倾向于把时间压短,而且最短时间较少把堵车和办事绕路算进“距离阻力”。

完整补充图S3

图 S3|六个都市圈的通勤有多远、花多久?

(a)横轴是家到单位的直线距离,纵轴标成 CDF。曲线从 1 向下降,读法接近“长于该距离的比例”,不是从 0 累加到 1 的普通累积分布。图例给出东京 14.7、大阪 12.9、名古屋 10.4、福冈 10.9、札幌 10.4、仙台 9.9 公里;正文只把东京的 14.7 公里明确称为平均值。图上另标 1/λ ≈ 11.5 公里,这是汇总曲线的特征尺度,不是东京均值。札幌的曲线在 100 公里以后仍高于其他城市。(b)横轴是通勤时间,上限 120 分钟。图例为东京 39.9、大阪 35.2、名古屋 30.2、福冈 31.7、札幌 27.7、仙台 29.6 分钟;正文明确称为平均值的是东京的 39.9 分钟。1/λ ≈ 32.4 分钟同样是汇总尺度。来源:补充材料 Fig. S3。

120 分钟这一刀保留了超过 99.5% 的通勤时间数据。论文没有写出被截掉的人数。东京 39.9 分钟短于论文所引总务省“户主平均 45.9 分钟”。该引文的链接指向 2000 年国势调查的通勤汇总,不是 2021 年的同期官方口径,所以 6 分钟之差不能单独当成定位数据偏短的证明。论文自己的解释还包括:样本含非户主,并且主动去掉了超过 2 小时的行程。

距离模型用的是直线距离的幂。SSUG 和时间模型用的是分钟尺度的时间。时间更贴近“还愿不愿意走这一趟”,但它仍是模型里的阻力项,不是观测到的感受。

人口一变,流量和人口的关系是不是已经折成两段?

单一引力公式在对数坐标上是一条直线:流量的对数等于常数,加上起点人口的对数、终点人口的对数,再减去时间的对数。如果市区和郊区的斜率不同,一条直线会把密集区的大流量当成残差。

完整原论文图1

图 1|流量随人口上升时,有没有必要切成两段?

(a)横轴是起点居住人数 hᵢ,按 2 的幂分箱;纵轴是通勤流量 fᵢⱼ,对数坐标。箱线的蓝线是中位数,箱体约是四分位距,红点超出 1.5 倍四分位距。右侧小图把东京 23 区标为 center,其余标为 others。中心区的大流量更高。(b)横轴换成终点就业人数 wⱼ,读法相同:人口箱越大,流量的中位数和离群值越高,中心区更明显。(c)横轴是候选居住阈值 hᶜ,单位为万人;纵轴是比较“一条斜率”和“两条斜率”的 F 值。蓝色虚线标出临界值 2.6。多数点位于虚线之上,高点大约在 200 上下,并不是唯一尖峰。(d)横轴是候选就业阈值 wᶜ,单位为十万人。F 值在最左端接近图上 600 的顶端,随后下降,较大阈值处落到临界值附近。来源:原论文 Fig. 1。

F 检验的原假设是:切开之后,残差方差没有明显变小。显著性水平为 0.05,图上的临界值是 2.6。居住阈值的一大段、就业阈值的偏低一段,F 值都超过临界值,所以“存在某种两段结构”有统计支持。检验用的是最小二乘斜率,论文明确说这些斜率没有放进最终的 SSUG。最终阈值来自后面的贝叶斯优化。因此不能把图 1 里 F 最高的那个点,当成表 2 的 12143 和 11445。

完整补充图S4

图 S4|传统引力模型偏在人口规模的哪一角?

无字母子图。横轴是起点居住人数,纵轴是终点就业人数。图题把误差率写成预测流量除以观测流量,色标却从负到正,而这个比值本身不会是负数。能按图注使用的方向是:红色表示高估,蓝色表示低估。居住人数很低的左侧、以及就业人数落在最低一档的底行偏红;两端人口都高的右上区域偏蓝。这与正文“稀的地方估高、密的地方估低”一致,但色标上的数字不能当成预测/观测的倍数。来源:补充材料 Fig. S4。

切成四类以后,公式到底改了哪一个指数?

SSUG 先按居住阈值 hᶜ 把起点分成郊区或市区,再按就业阈值 wᶜ 把终点分成郊区或市区。通勤因此有四类:郊区到郊区、郊区到市区、市区到郊区、市区到市区。郊区起点用指数 α₁,市区起点用 α₂;郊区终点用 β₁,市区终点用 β₂。四类共用同一个时间指数 δ。预测流量仍是:

起点居住人数的相应次方 × 终点就业人数的相应次方 ÷ 通勤时间的 δ 次方,再乘常数。

越过阈值时,公式再乘一个由阈值和两侧指数组成的因子,让四个式子在 hᵢ = hᶜ、wⱼ = wᶜ 时相等,避免预测在分界上突然跳动。另一条约束写的是:起点只有 1 名通勤者、终点只有 1 个岗位时,流量必须等于 1。这是为了给常数一个基准,不是数据里真的每一对单人格子都有 1 次通勤。补充材料第 11 节把常数写成时间的负幂,同时又丢掉阈值上的人口项,和原式对不齐。这里只采用“分界处连续”这一意图,不把那段推导当成已经闭合的归一化。

八个参数是 hᶜ、wᶜ、α₁、α₂、β₁、β₂、δ 和常数 K。优化目标是全部起讫点对上 log(预测流量/观测流量) 的平均值,每个起讫点对权重相同,不按人数加权。每个都市圈做 1000 次贝叶斯优化,留下目标值最低的一次。代理模型是高斯过程,采集函数是期望改进。

东京正文表 2 的印刷值如下。距离模型:α = 0.140,β = 0.300,距离指数 0.387,CPC = 0.27。时间模型:α = 0.134,β = 0.286,时间指数 0.669,CPC = 0.37。SSUG:hᶜ = 12143,其下另印 98.83%;wᶜ = 11445,其下另印 98.07%;α₁ = 0.009,α₂ = 1.912,β₁ = 0.010,β₂ = 1.312,时间指数 0.981,CPC = 0.41。

1.16% 和 1.92% 的分母是东京都市圈的格网面积:市区居住格网占 1.16%,市区就业格网占 1.92%。98.83% 与 1.16%、98.07% 与 1.92% 接近互补,但并不是精确的 100 减出来的,本文不替论文改齐。表 1 把阈值两侧都写成含等号,4.2 节又把“超过”称为市区、“低于”称为郊区。恰好等于阈值的格网没有唯一类别;连续约束只保证四个公式在这个点上流量相同。

α₁ 几乎不随郊区居住人数变化,α₂ 接近 1.9,表示在这条公式里,市区起点的人数每增加一个倍数,流量的放大远强于郊区起点。这是拟合指数,不是直接数出来的“岗位集中度”。

补充材料另有一张六城参数表。其中东京一行与正文冲突:就业阈值印成 13445 而不是 11445,α₁ 印成 0.09 而不是 0.009,CPC 印成 0.26 而不是 0.41。下表只保留指数和阈值,不采用该表的 CPC 列。δ 在这里是放在分母上的正指数。

都市圈 居住阈值 就业阈值 α₁ α₂ β₁ β₂ δ
东京 12,143 13,445 0.09 1.9 0.01 1.3 0.98
大阪 9,463 14,069 0.01 0.1 0.01 1.06 1.12
名古屋 7,963 13,135 0.07 1.47 0.01 0.87 0.99
福冈 10,121 17,687 0.08 2.0 0.08 1.0 1.11
仙台 3,210 19,327 0.01 0.31 0.01 0.69 0.96
札幌 5,336 40,962 0.12 0.25 0.23 1.23 1.11

六城都满足 α₂ > α₁、β₂ > β₁,所以“市区指数大于郊区指数”这一方向可以保留。幅度不能说成六城相同:补充表里大阪的 α₂ 只有 0.1,札幌只有 0.25,东京则是 1.9。东京的 1.9 与正文 1.912 可以看成舍入;0.09 与 0.009 不能。后文凡是引用东京 α₁,都会标明出自哪一张表。

同一补充材料里,东京贝叶斯优化的对照行又写成居住阈值 12143、就业阈值 11445、α₁ = 0.09、α₂ = 1.9、β₁ = 0.01、β₂ = 1.3,对数式中时间项的系数是 −0.98。负号对应“时间放在分母里”,绝对值与正文的 0.981 接近。因此就业阈值更支持正文的 11445,α₁ 更支持补充材料的 0.09。两套印刷没有一个完全一致的东京参数向量。

重合指数变高,是每一类通勤都更准了吗?

CPC 只衡量预测流量和观测流量有多少质量叠在一起。它不是分类准确率,也不是多预测出了百分之几的人。若两套流量的合计规模不同,CPC 也不等于“预测对了的人数比例”。

完整原论文图2

图 2|东京的预测流量和真实流量,哪一种模型更贴着对角线?

(a)距离模型,图内 CPC = 0.27。横轴是预测流量,纵轴是观测流量,均为对数坐标。点是起讫点对,圆点和误差棒是按预测值分箱后的观测中位数及第一、第三分位。黑色虚线是预测等于观测。点在虚线上方表示低估,下方表示高估。红色误差棒表示该箱明显偏离。(b)时间模型,CPC = 0.37。大流量一端仍有低估。(c)SSUG,CPC = 0.41。大流量更靠近对角线,极大流量仍有轻微高估,稀疏流量的偏差小于前两张。来源:原论文 Fig. 2。

0.41 比 0.37 高 0.04,比 0.27 高 0.14。差的是 CPC 本身,分母都是观测流量与预测流量之和,不是通勤人数增加了 4% 或 14%。

图 2 把所有起讫点对放在一起。四类通勤要分开看。

完整原论文图3

图 3|东京四类通勤里,预测相对观测是偏大还是偏小?

横轴都是预测流量除以观测流量,虚线为 1。灰线是距离模型,蓝线是时间模型,红线是 SSUG;纵轴是概率密度。(a)郊区到郊区。三条线的峰都在 1 的右侧,SSUG 的峰更靠近 1,高估还在。(b)郊区到市区。时间和距离模型呈双峰,SSUG 把质量收到更靠近 1 的位置,分布仍然很宽。(c)市区到郊区。三套模型的峰都偏在 1 的右侧,SSUG 最好,但这一类仍倾向高估。论文推测郊区岗位或设施还有公式没写入的限制,这是解释,不是另做的检验。(d)市区到市区。距离和时间模型的峰在 1 的左侧,即低估;SSUG 的峰移到 1 附近。(e)四类合计。SSUG 的峰最接近 1,右尾仍长,表示少数起讫点对仍被明显高估。来源:原论文 Fig. 3。

六城、四类的 CPC 都在表 4。列的含义按表注:郊区起点到郊区终点、郊区起点到市区终点、市区起点到郊区终点、市区起点到市区终点,最后一列是全部起讫点对。

都市圈 模型 郊—郊 郊—市 市—郊 市—市 全部
东京 距离 0.27 0.26 0.26 0.15 0.27
东京 时间 0.37 0.42 0.41 0.40 0.37
东京 SSUG 0.40 0.45 0.50 0.59 0.41
大阪 距离 0.26 0.24 0.26 0.17 0.24
大阪 时间 0.34 0.33 0.35 0.35 0.34
大阪 SSUG 0.48 0.43 0.40 0.62 0.40
名古屋 距离 0.25 0.21 0.26 0.12 0.24
名古屋 时间 0.31 0.29 0.35 0.27 0.31
名古屋 SSUG 0.34 0.43 0.41 0.67 0.36
福冈 距离 0.27 0.20 0.27 0.09 0.25
福冈 时间 0.34 0.30 0.38 0.21 0.33
福冈 SSUG 0.40 0.50 0.51 0.63 0.43
仙台 距离 0.26 0.21 0.26 0.08 0.24
仙台 时间 0.32 0.28 0.35 0.20 0.31
仙台 SSUG 0.34 0.29 0.39 0.32 0.34
札幌 距离 0.27 0.13 0.23 0.05 0.25
札幌 时间 0.34 0.21 0.33 0.16 0.33
札幌 SSUG 0.42 0.54 0.49 0.72 0.44

全部起讫点对的 CPC 不是四列的平均数。它按所有格子对的预测流量与观测流量合计来算,流量合计大的那一类把总分往自己那边拉。东京市区到市区是 0.59,总体仍是 0.41,接近郊区到郊区的 0.40。城区内部拟合变好,不会自动表现为总体 CPC 同样幅度变好。

也不是每一格都有明显提升。仙台郊区到市区只从时间模型的 0.28 到 SSUG 的 0.29。札幌市区到市区则从 0.16 到 0.72,距离模型这一格只有 0.05。论文把仙台总体偏低和缺少市区居住—市区就业格网放在一起讲。补充图 S8 的图注直接写仙台没有这类格网;那张图跨页拆开,这里不另作地图描述。

时间指数从距离模型的 0.387 升到时间模型的 0.669,再到 SSUG 的 0.981。指数变大表示,在各自拟合出来的公式里,时间每增加一个倍数,流量被压得更厉害。这不能单独证明“人们更在意时间”,因为三个模型的人口指数和是否分段并不相同,指数之间不能脱离公式比较。

指数更大,地图上是不是真的更挤在市中心?

论文沿用既有解释:起点指数更大,表示居民更集中地流向有限的工作地;终点指数更大,表示岗位更集中地吸引有限的居住地。图 4 用来看东京的居住地和就业地是否真的挤在中心,而不是把 1.912 直接读成“集中了 1.912 倍”。

完整原论文图4

图 4|东京的市区居住地和市区岗位,是否比郊区更集中?

(a)居住人数地图。蓝格 hᵢ < hᶜ,红格 hᵢ > hᶜ,红格集中在靠东京湾的中心。(b)就业人数地图。蓝格 wⱼ < wᶜ,红格 wⱼ > wᶜ,高就业格网同样集中在中心,范围与红居住格网不完全重合。(c)郊区居民的工作地。颜色表示每个格网的就业人数,上方和右侧是经度、纬度方向的频率。工作地铺得比较开。(d)市区居民的工作地。就业人数用另一套色阶,中心峰又高又窄。(e)郊区岗位上的雇员住在哪里。居住地分布宽。(f)市区岗位上的雇员住在哪里。居住地收成中心附近的尖峰。两侧小图的纵轴频率都标到 0.1,但(c)(d)与(e)(f)的人数色阶不同,不能把颜色深浅跨图比较成同一人数。来源:原论文 Fig. 4。

图 4 用的是严格不等号,等于阈值的格网没有被涂成红或蓝。地图支持“市区起终点更集中在东京中心”这句空间描述。它不证明指数是集中的原因,也不证明居民先选中心再接受通勤。家和单位是同时观测到的结果。

补充材料在不分段的情况下还拟合了常替代弹性形式。六个城市的替代参数 ρ 都是负数:东京 −0.25、大阪 −0.24、名古屋 −0.48、福冈 −0.67、札幌 −0.81、仙台 −1.64。作者认为 ρ 越接近 0,越接近 SSUG 使用的乘积形式。这段估计没有使用 hᶜ 和 wᶜ,也不是表 4 的 CPC 比较。补充文字对 ρ = 0 和 ρ = 1 的经济学名称,与所引 Arrow 等人的常规定义不一致,因此这里只保留估计值。

一张格网上同时看家和岗位,都市圈被分成哪四种?

每个格网可以既是居住地又是工作地,于是有四类:郊区居住且郊区岗位、郊区居住且市区岗位、市区居住且郊区岗位、市区居住且市区岗位。论文分别记为 hₛwₛ、hₛwᵤ、hᵤwₛ、hᵤwᵤ。

完整原论文图5

图 5|东京都市圈的四种格网怎样从中心排到外围?

无字母子图。蓝是 hₛwₛ,占外围的大部分;黄是 hₛwᵤ,沿放射走廊和若干外围节点分布;绿是 hᵤwₛ,贴着中心就业密集区的居住带;红是 hᵤwᵤ,集中在中心。灰色斜线格网不在这四类着色之内。右下角是中心放大图,比例尺为 50 公里。颜色是类别,不是流量。来源:原论文 Fig. 5。

论文给四类举了东京的例子:红核包括千代田区和新宿区这类中心,绿带以江东区的大规模集合住宅为例,黄点包括西边的立川,蓝的外围包括奥多摩山地。这些是作者用来说明功能的地名,不是模型从名字里识别出来的行政类别。补充图 S11 的图注认为,最粗的通勤流出现在居住主导格网和就业主导格网错开的地方。线宽图没有给出可逐条核对的人数表,所以“错位驱动通勤”仍是图示判断。

官方人口集中地区的密度线是每平方公里 4000 人,并考虑相邻区域。东京 SSUG 的居住阈值是 12143 人每个 1 公里格网。论文说模型阈值可以为官方定义提供数量参照。两个数并不相等,超过 12143 也不等于已经被划成人口集中地区。

换一批格网、换一种时间,0.41 还在吗?

补充材料把东京 SSUG 改成对数线性式,用最小二乘再估一次。贝叶斯优化一行是:阈值 12143 和 11445,α₁ = 0.09,α₂ = 1.9,β₁ = 0.01,β₂ = 1.3,时间项系数 −0.98。最小二乘一行是:12560 和 11752,α₁ = 0.13,α₂ = 2.01,β₁ = 0.03,β₂ = 1.31,时间项系数 −1.02。方向相同,α₁ 从 0.09 到 0.13,相对差距并不小。论文称二者支持参数稳定,读者仍应看到郊区起点指数最容易变。

再随机抽 90% 的 1 公里格网,东京共 12 次。居住阈值落在 11933 到 12512,就业阈值落在 10933 到 11512,α₁ 在 0.08 到 0.11,α₂ 在 1.72 到 2.20,β₁ 在 0.01 到 0.03。β₂ 每次都印成 1.31,时间项系数每次都是 −0.98。12 次都把 α₁ 放在 0.1 附近,这是反对正文 0.009 的重复证据;β₂ 完全不变,则不像是每次都自由重新搜索过。

完整补充图S9

图 S9|起讫点对的通勤时间改用平均、中位数或最短值,重合指数怎么变?

(a)使用平均通勤时间,图内 CPC = 0.37。横轴符号印成 fᵈ,这里应按图题理解成平均时间,不要读成图 2 的距离模型;图 2 距离模型的 CPC 是 0.27。(b)使用中位数,CPC = 0.4,横轴符号印成 fᵗ。(c)使用最短时间,CPC = 0.41,横轴符号印成 fˢ。最短时间的对角线贴合最好,平均时间的大流量红棒更多。来源:补充材料 Fig. S9。

0.41、0.4 和 0.37 的分母仍是各自预测与观测流量之和。最短时间更好,符合“异常长的绕路会把平均时间拉高”这句统计说明。它不能证明每个通勤者都走了那条最短行程。郊区到市区的高估,论文自己也承认可能来自少数开车的人定义了最短时间,多数乘坐公共交通的人并没有这么快。

补充表还给出三个模型的优化目标值:SSUG 为 −0.1290,时间模型为 −7.81×10⁻¹²,距离模型为 −1.23×10⁻¹⁴。作者因为 SSUG 更负,称它在这个目标上最好。若目标就是平均 log(预测/观测),接近 0 表示预测与观测的几何平均比接近 1;−0.1290 按该式换算,几何平均比约为 0.88。这个 0.88 不是论文报告的准确率。CPC 按流量质量重合排序,优化目标按每个起讫点对的对数比排序。两套排序回答的不是同一个问题。

完整补充图S10

图 S10|GPS 推算的人数和官方居住人口差多少?

无字母子图。横轴是 GPS 数据,纵轴是官方真实数据。图注说明比较的是 GPS 推算的通勤居住者与实际居住人口。灰点是单个观测,红线是分箱平均,斜率约为 1.7,即官方人数 ≈ 1.7 × GPS 人数。y = x 位于红线下方。正文另用“大约一半”描述 GPS 相对官方人口的覆盖;1/1.7 约是 0.59,和“一半”接近,但图上能核对的是斜率 1.7,不是 2。一条总体直线只能说明低估大体成比例,不能排除老人和儿童被系统性漏掉。来源:补充材料 Fig. S10。

正文还说同一方法用到 2020 年,结果与 2021 年大体一致。补充材料没有给出 2020 年的 CPC 或参数对照,因此“大体一致”只能停留在这句定性判断。

这些比较停在哪一步?

SSUG 提高的是同一批 2021 年工作日通勤上的拟合重合,以及“两段斜率优于一段”的 F 检验。它没有把人随机分到市区或郊区,不能把指数差写成居住选择或就业集聚的因果效应。2021 年同时有新冠疫情和东京奥运会,论文把这一点列为通勤可能偏离平时的原因。

模型没有交通方式、票价、发车间隔或收入。最短时间把一辆更快的车和一列普通电车压成同一个阻力。夜间工作者可能因为睡眠时段缺少定位而被高估通勤时间;超过 120 分钟的行程被直接去掉。家和单位的规则——5 点、4 小时、5 小时、第一个单位——决定了谁算通勤者。换规则会换一批起讫点对,论文没有报告这组规则的敏感度。

小于仙台的城市没有测试。论文推测小城市更依赖汽车,公共交通不再把市区和郊区拉开,这仍是待查的边界。优化目标与 CPC 不一致,正文、补充六城表和东京优化对照又给出互相冲突的阈值与 α₁。在这些印刷值对齐之前,不宜把某一组指数当成可直接迁移到其他国家的参数。

一句话总结

把家和岗位按人口阈值分成市区与郊区之后,六个日本大都市圈的通勤流量比重力模型的单一公式更接近观测;这种接近主要集中在城区内部,而且阈值和指数仍是 2021 年工作日定位数据上的拟合,不是市区如何形成的证明。

核心来源

  • PLOS One 正式发表页,核对题目、作者、2025年8月12日发表记录与数据声明。收稿日期为 2024年10月31日,接收日为 2025年7月19日。
  • 正文 28 页:图 1–5,表 1–4。补充材料 S1 共 25 页,含图 S1–S17 及参数、稳健性和常替代弹性表格。本文使用了正文全部主图,以及补充图 S3、S4、S9、S10 和补充参数表;S8、S11 只采用图注中的明确语句。
  • 数据为 Agoop 的点状人口数据,论文写明不能公开获取。资助为日本学术振兴会科学研究费补助金(基盘研究 B)23K22980,受资助者是 Misako Takayasu。

作者介绍

四位作者的单位和分工以论文署名页、贡献说明及参考文献中的可核对条目为准。

  • Yixuan Y. Zheng:署名单位为东京科学大学工学院系统制御工学系。负责构思、数据整理、分析、调查、方法、验证、可视化和写作。
  • Yohei Shida:署名单位为筑波大学系统信息工学系,以及东京科学大学计算学院计算机科学系。参与验证和改写。论文引用的 2022 年《Scientific Reports》中,Shida 与两位 Takayasu 曾用 GPS 讨论新冠有效再生数如何随日活动变化。
  • Hideki Takayasu:署名单位为东京科学大学计算学院计算机科学系。参与方法、验证和改写。
  • Misako Takayasu:通讯作者,同时署系统制御工学系与计算机科学系,邮箱为论文所载 takayasu@comp.isct.ac.jp。负责资助、项目管理、资源和指导,并参与改写。

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。

若只用全部起讫点对的 CPC 验收模型,札幌城区内部从 0.16 升到 0.72 会被总体从 0.33 升到 0.44 盖住。两个数的分母都是该类预测流量与观测流量之和,不是同一批人。关心市中心轨道是否被低估时,应把市区到市区单独列为验收项,否则分段模型最大的改动会在总分里变轻。

另一个容易误用的边界是官方密度线和模型阈值。人口集中地区的密度参照是每平方公里 4000 人,东京 SSUG 的居住阈值是 12143 人。一个 1 公里格网若有 8000 名居民,按密度线已高于 4000,按 SSUG 仍走郊区起点、使用接近 0 的 α₁。直接把模型类别当成政府划定的市区,会换掉这一档格子的通勤弹性。论文没有做这张逐格对照。

更可检验的下一步是按交通方式分开拟合。现在的阻力是该起讫点对上的最短时间,最快的一次出行就能代表整格流量。补充图里改用平均时间后,CPC 从 0.41 降到 0.37。若在电车、驾车和骑行分开之后,市区与郊区的人口指数不再不同,所谓两套缩放规律就可能只是方式构成的替身,而不是居住人口本身的两段规律。


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