手机定位很密的地方，就真的有更多人吗？
论文名片｜Mingxing Chen、Yue Xian、Yaohuan Huang、Xiaoping Zhang、Maogui Hu、Shasha Guo、Liangkan Chen、Longwu Liang，Fine-scale population spatialization data of China in 2018 based on real location-based big data，Scientific Data 9, 624（2022）。原论文 · 数据描述论文。
想象要估计洪水会影响多少人。统计年鉴告诉你某个县有几十万人，却不能直接说明河边那几个街区住着多少人。把全县人口平均摊到每块土地上，会让山林和城区得到相同密度；只凭楼房和灯光分配，又可能漏掉建筑用途和白天活动的差异。
手机位置服务提供了另一种线索：人实际活动的地方会产生定位信号。但定位次数不等于人数。一个频繁使用地图的人可以留下很多次记录，不使用相关服务的人则可能几乎不出现。POP2018 的做法是用县级统计人口校准信号，再把县内人口分配到更细网格，而非把每次定位直接当成一个人。
先说结论
- 研究将 2018 年 2851 个县级单元的常住人口与腾讯位置服务数据结合，制作中国大陆 0.01°人口网格。
- 手机信号用于决定县内人口分布权重，县级统计人口用于约束总量。细网格是模型分配结果，不是逐人定位得到的人口普查。
- 在东莞 33 个镇的验证中，POP2018 的拟合 R² 为 0.91，图示均方误差为 22.48，优于该比较中的 WorldPop 和 LandScan；这一验证不能直接证明全国每个网格同样准确。
- 产品面向时间平均的活动人口分布，但输入和验证又使用常住人口。活动人口、常住人口和某一时刻在场人数，使用时必须区分。
地图的总量，来自统计；地图里的细节，来自信号
人口统计来自 2018 年全国人口抽样调查，样本约占全国人口的千分之一，研究获得 2851 个县级单元的人口数据。这里的常住人口是居住半年以上的人口，不是某一天的手机活跃用户。
腾讯位置服务数据覆盖经纬各 0.01°的网格，以 5 分钟为间隔记录用户定位信号次数。论文报告其数据涉及约 8 亿在线用户，但不能据此认为每个群体、每个地区都按人口比例出现。不同人群的设备使用、定位权限和服务频率都可能改变信号与人数的关系。
为了降低春运、寒暑假与节假日流动的影响，研究实际选取 2018 年 3—6 月和 9—12 月的非节假日，先汇总每日定位次数，再取日均。因此，这不是全年每一天、所有时刻都等权纳入的简单全年人口平均。
论文表 1 列明各项数据的不同任务：人口抽样调查提供总量，位置数据提供空间线索，行政区边界帮助匹配；WorldPop、LandScan 用作产品比较，东莞镇级统计则提供更细一级的验证。
图 1｜怎样从县级人口和定位信号，得到细网格人口？
本图没有字母子图。从左至右依次展示研究目标、数据准备、县级与网格数据构建、对数地理加权回归、网格权重及人口分配，右侧连接镇级验证和 WorldPop、LandScan 比较。箭头区分统计总量如何进入模型，以及定位信号如何生成细尺度权重。来源：原论文 Fig. 1。
图 2｜总人口分布与定位信号，大体指向同样的地方吗？
（a）县级常住人口总数，不是每平方公里人口密度；大县面积与总量都可能影响视觉判断。
（b）网格定位信号数量，深浅表示定位次数多少。两图的空间单元与数量口径不同，相似分布只是建立模型的起点，不能直接证明每次定位都对应一个独立居民。来源：原论文 Fig. 2。
同样数量的定位，在不同地方意味着同样多的人吗？
把各县的定位次数加总后，与县级常住人口比较，原始数值的 Pearson 相关系数为 0.82；两者取对数后，相关系数为 0.90。取对数让数量级悬殊的县可以在相对变化尺度上比较，减弱少数大值对图形的支配。
这里的 0.90 是相关系数 r，并不是解释了 90%的人口，也不是网格准确率。
图 3｜为什么需要改变比较尺度？
（a）横轴为县人口，纵轴为腾讯定位次数，原尺度下许多县挤在低值区，r = 0.82。
（b）横纵轴分别改为两者的自然对数；颜色表示点云的核密度，暖色处观测更集中，r = 0.90。颜色不是人口数量，也不是定位精度。来源：原论文 Fig. 3。
全国一个回归系数仍可能过于粗糙。位置服务的渗透率、使用强度及城乡差别，会让同样的定位次数在不同地方对应不同人口。研究采用对数地理加权回归（geographically weighted regression，GWR）：每个地方的回归参数由附近县的信息估计，允许定位与人口关系随空间变化。
县级拟合的 R² 从普通最小二乘模型的 0.81 提高到 GWR 的 0.91，残差平方和从 426.28 降为 201.78。这个 0.91 评价的是模型对县级输入数据的拟合，与后文东莞镇级检验中的 0.91 是两次不同的比较，不能混为一项独立验证。
图 4｜同一个空间化方法，在全国是否一样可靠？
（a）颜色表示各县回归残差的方向和大小，地图上仍有空间差异；它不是逐网格实测误差。
（b）颜色表示局部 R²，深色处拟合较高。2674 个县的局部 R² 超过 0.6，占全部县的 93.8%。高拟合说明县级关系较紧密，不能单独保证县内每个网格分配正确。来源：原论文 Fig. 4。
把县拆成网格，靠的是一条强假设
模型在县级数据上估计，却要用于县内细网格，关键假设是：同一个县里的网格共享该县的模型参数。将每个网格定位次数代入当地模型，得到一个人口分配权重；然后计算：
网格人口 = 县级统计人口 × 该网格权重 ÷ 县内全部网格权重之和。
这个归一化使县内网格人口之和回到县级统计总量。其好处是总量有统计依据；代价是县内分布仍取决于位置服务信号及跨尺度参数迁移。即使县总人口完全正确，商业中心与住宅区之间仍可能分错。
图 5｜全国网格图显示了哪些人口集聚？
本图没有字母子图。颜色表示每个 0.01°网格的估计人数，暖色表示较多，灰色表示无数据。东部平原、主要城市群和西部部分河谷、绿洲形成人口集聚；这是一张模型估计的人数图，不能把无数据区当作零人口，也不能把经纬网格直接当成等面积密度格。来源：原论文 Fig. 5。
全国图展示集聚位置，城市放大则能看出核心与边缘的结构差异。论文选取人口超过 500 万的城市群体展示：有些中心与郊区反差更强，有些周边存在较多过渡区域。这样的形态比较是描述，不能只凭图形就推导某城必然拥堵或房价更高。
图 6｜同样是大城市，人口是否按同一种形态展开？
原图没有字母标号，按标注城市阅读。上排为重庆、上海、北京、成都、天津，右侧较大面板覆盖广州、佛山、东莞与深圳；中排为郑州、武汉、西安、杭州、青岛；下排为长沙、哈尔滨、南京、济南、沈阳、昆明、大连。所有面板使用底部同一网格人数色标，以便比较中心集聚、边缘过渡和周边聚落，但各地地图窗口不等同于相同人口或相同行政面积。来源：原论文 Fig. 6。
哪份人口图更准，要拿更细的统计来比
如果用县总量检验一个本来就被县总量约束的产品，结论会过于乐观。研究因此取东莞 33 个镇的常住人口，把各产品网格汇总到镇域后比较。验证在县级输入以下一个尺度上进行，比再次检验县总数更有说服力。
图 7 横轴是产品估计人口，纵轴是镇级统计人口，均以万人表示。POP2018 回归斜率约为 0.97，接近一比一；LandScan 为 0.79，WorldPop 为 1.14。斜率描述总体关系，仍不能代替逐镇误差分析。
POP2018、LandScan、WorldPop 的 R² 分别为 0.91、0.61、0.89；图示万人尺度下的均方误差（MSE）分别为 22.48、100.91、37.24。MSE 是误差平方的平均，单位随人口单位平方变化，不能写成平均误差 22.48 人，也不是误差率 22.48%。
图 7｜汇总到东莞 33 个镇，哪一份人口图更接近统计值？
（a）POP2018，R² = 0.91、MSE = 22.48，斜率 0.97。
（b）LandScan，R² = 0.61、MSE = 100.91，斜率 0.79。
（c）WorldPop，R² = 0.89、MSE = 37.24，斜率 1.14。三幅图横轴均为估计人口，纵轴为统计人口，单位均为万人；拟合线及其阴影展示模型关系，点偏离线的方向仍需结合横纵轴理解。来源：原论文 Fig. 7。
POP2018 在这组验证中表现较好，尤其是人口较多的镇；但验证地点集中于东莞。它没有检验全国所有农村、山区、老龄化地区和手机服务使用不足群体。镇级汇总还可能抵消镇内网格的高估和低估，不能直接当作每个像素的准确性证明。
地图看起来更细，并不自动意味着更接近真值
研究进一步选取黄石、西安、上海比较空间细节。三种产品的主要高密度中心大体相近，但高值格的范围与外围聚落分布不同。WorldPop 在西安和上海的高值中心更突出；LandScan 显示更多分散聚落，高值中心格较少；POP2018 呈现介于两者之间的某些特征。
这些差异也受产品目标和输入总量影响。论文采用的 WorldPop 是非约束版本，其人口总量基础与 POP2018 不同；LandScan 面向活动人口。不能把所有差异都归因于某一个算法更好。
图 8｜中心和乡村的不同人口分配，具体出现在哪里？
（a）左列为 POP2018；（b）中列为 WorldPop；（c）右列为 LandScan。上、中、下三行依次为黄石、西安、上海，底部共用色标为每格人数，暖色表示高值。按同一城市横向比较，能看出核心高值格、外围过渡带和分散聚落的不同表达；这张图本身没有提供这些网格的独立实测人数。来源：原论文 Fig. 8。
活动人口与常住人口，最终该怎样理解？
作者将 POP2018 定义为活动人口（ambient population）的时间平均表达，希望反映工作、购物和出行形成的空间分布。然而总量输入来自常住人口，验证也使用常住人口，而定位信号还剔除了部分高流动时段。因此，更稳妥的理解是：用日常活动信号作为空间权重、受县级常住人口总量约束的估计产品。
它既不是纯粹夜间居住人口图，也不是任意一个工作日白天的实时在场人数。论文数据记录部分将网格人口描述为停留半年以上的人口，不能据此认为模型实际跟踪并验证了每个人在该格停留半年；方法中并没有这样的个体居住识别步骤。
文件以 GeoTIFF 等格式发布，包含平均定位、人口网格与关联统计人口的县级边界。论文在投影描述中同时提及 Albers 等面积投影与 GCS WGS84，实际叠加分析前应以文件的坐标参考元数据为准，检查重投影和像元面积。原始 5 分钟定位记录因体量大未全部随归档提供，不能把已公布平均栅格当成可恢复逐日出行的轨迹数据。
一句话总结
手机定位可以帮助把县级人口分配得更细，但细节仍是经过校准和假设得到的空间估计，可靠程度要在目标地区、目标尺度与所需人口定义下重新检验。
核心来源
- Chen, M. et al.（2022）原论文及完整图表，Scientific Data 9, 624。本文图 1—8 均源自该论文。
- POP2018 论文所列数据归档。
- 论文所列处理代码。
作者介绍
以下身份与分工依据论文署名和作者贡献说明。
- Mingxing Chen：署名中国科学院地理科学与资源研究所及中国科学院大学，参与研究设计、组织、解释与写作。
- Yue Xian：署名上述两个单位，参与数据收集、模型构建、分析及论文写作。
- Yaohuan Huang：署名中国科学院地理科学与资源研究所，参与研究框架与稿件修改。
- Xiaoping Zhang：署名中国科学院大学资源与环境学院，参与稿件评论与修改。
- Maogui Hu：署名中国科学院地理科学与资源研究所，为通讯作者，参与设计、数据收集、建模与分析。
- Shasha Guo：署名中国科学院地理科学与资源研究所、中国科学院大学及中国建筑科学研究院城乡规划研究机构，参与数据收集、解释和写作。
- Liangkan Chen：署名中国科学院地理科学与资源研究所及中国科学院大学，参与数据收集、建模和分析。
- Longwu Liang：署名中国科学院地理科学与资源研究所及中国科学院大学，参与数据收集。
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。
同一张人口图用于不同决策，可能需要不同答案。配置社区养老服务时，常住居民的年龄与住所很重要；估计商业区白天的高温暴露时，工作和购物人口更重要。若把活动信号分配的产品无差别用于两者，即使全国总人口完全正确，也可能把服务资源配错地方。
一个可以检验的方法是，在少数有独立资料的城市，分别用夜间居住、工作日白天在场和全年平均三种目标人口做验证，再比较定位权重在哪些场景更有优势。研究问题也应从哪张图最准确，推进到哪张图对这个具体决策更准确。只有明确目标，地图中商业中心的一个高值，才知道是在修正传统人口图，还是引入了新的用途偏差。
