2026-Guiding Self-Organizing Dynamics of Residential Choice in Cities to Reduce Traffic Congestion and Carbon Emissions


不换工作、只换住处,早高峰能轻多少?

论文名片|Yu-Qing Liu、Chen Zhao、Xiao-Yong Yan、Xiaoyue Hou、Chi Ho Yeung、An Zeng,Guiding Self-Organizing Dynamics of Residential Choice in Cities to Reduce Traffic Congestion and Carbon Emissions,arXiv:2411.00035v2 [physics.soc-ph],2026年4月29日修订。arXiv:2411.00035v2。本文依据这一预印本 v2 的正文、图 1–8 及同一 PDF 内的补充信息解读。这是一次居住再分配模拟,不是已经实施的搬家政策评估。

设想石家庄主城区有两户人,工作地都不变。一户离单位近,另一户每天穿过市中心。房子看起来已经自己找过平衡:谁也不会无缘无故住到城市另一头。可是全市合在一起,仍可能有一批家庭对调之后,两户通勤距离之和变短,早高峰路上的车也变少。下面的数字都来自这种假想换房,不是某一户的真实档案,也不是已经发生的搬迁。

方向先说清楚。现状居住已经比随机分房短很多,说明居住选择有自组织;若只在两户合计通勤变短、而且房价、市中心距离和生活配套都不能差太远时才交换,全市平均通勤仍能再短一截。排放降得比距离更多,因为公式同时计入了少开车和少拥堵。加上学区、户内必须保住的短途,以及路通之后可能多出来的非通勤出行,降幅会缩小,但不会回到零。

先说结论

  • 随机重分居住地后,全市通勤者的平均导航距离是现状的 2.83 倍。只在两户距离之和下降时做贪心换房,平均距离约为现状的 0.5 倍,降幅 Δd = 50.36%(摘要写作 50.4%)。7–8 时、以现状拥堵和缓行路段为同一组分母的平均拥堵系数,从 0.75 降到 0.33;按同一套排放公式,碳排放相对现状减少 77.3%。
  • 中等容忍同时限制到市中心的距离、房价和配套时,Δd = 13.4%。再限制学校附近的家庭,并保住户内最短的那名通勤者,通勤降幅落到 8.1%–10.3%,排放降幅落到 27.4%–34.4%。若在此之上再加入约占通勤者 15% 的诱增机动车出行,两重个人需求都保留时,排放降幅为 25.5%。
  • 三项居住条件里,到市中心的距离卡得最紧。中等容忍下把四个新中心放到距原中心至少 12 公里处、形成五中心,Δd 升到 22.3%。这仍是换房规则放宽后的模拟,不是观察到的新城建设。
  • 另外 28 座大城市的居住地与工作地分布也很接近,网格密度的 KL 散度平均为 0.087。无约束换房后通勤普遍缩短,并随人口略有上升。重庆在正文中的 Δd 为 88%,随后因山地地形被排除。社会人口学约束下,28 城的降幅高于石家庄高精度结果,作者把它归因于网格更粗、出发时间是估计的、家庭是按年鉴比例组成的。
  • 不加补贴时,居住选择模型的全市通勤距离是现状的 1.1 倍,早高峰平均拥堵系数 0.78,对照现状图上的 0.75。名义补贴率 10% 时,模型内通勤距离降幅接近 25%,早高峰拥堵系数从 0.78 降到 0.55,早高峰排放降 55.46%;模型算出的实际支出比例只有 6%。这是模型里的补贴率,不是财政决算。

住和工作都挤在市中心,为什么还有人每天穿越半座城?

早高峰拥堵里,有一块是每天重复的:人必须从家到工作地或学校。通勤越长,越容易开车,路上的车就越多。既有研究已经用调查或刷卡看过搬家、换工作如何改变单个家庭的通勤,但作者认为,还没有在全市尺度上算过:如果只重新分配现有住处、工作地不动,拥堵和排放能轻多少。

石家庄的记录来自一家主要运营商的 4G 通信,时间是 2017 年 5 月 22–28 日和 6 月 3–4 日,共 9 天,其中 5 个工作日、4 个周末日。全市人口约 1000 万,原始记录约 300 万用户,基站超过 11500 个,位置记在通信时最近的基站。因为拥堵集中在中心城区,分析只保留家或工作地落在裕华、新华、长安、桥西、正定、藁城、鹿泉、栾城的通勤者,得到 422,454 条匿名通勤记录。居住地和工作地由工作日停留推断,通勤路程来自百度地图导航,并归并到最近的道路中心,不是地图上的直线距离。

换房以家庭为单位,工作地保持不动。家庭规模被调整到与石家庄第七次人口普查的户规模比例一致,并采用年鉴中“一名通勤者最多供养 1.92 人”的口径,因此 422,454 名通勤者至多对应 811,112 人。对齐之后,有 1 至 4 名通勤者的家庭分别是 108,515、90,843、40,076 和 3,006 户,合计约 2.4×10^5 户。这是与普查比例对齐后的分析样本,不是户籍系统里逐户点名的结果。原始通信记录作者不能公开。

完整原论文图1

图 1|换房之前,拥堵是在什么单位上讨论的?

(A)示意图。上半是工作日停留,用来标居住地和工作地;下半是周末活动,用来说明换房以家庭为单位。图里的对应标记只是示意,这里不展开个体如何配对。(B)一户三人从家到工作地的导航路径。按距离,较长的行程视为机动车,较短的视为步行、自行车或电动自行车。(C)7 户在 7–8 时的路径,颜色从绿到红表示路段更挤。(D)这 7 户换房之后的同时段路径,虚线仍是 7–8 时的同一类出行。7 户只是例子,不能从这张小图读出全市降幅。来源:原论文 Fig. 1。

全市先被切成 500 米见方的格子。居住地比工作地更散,工作地更靠近市中心,但两套分布的 KL 散度只有 0.096。散度小表示格子里的人数结构相近,不表示每个人都住在自己的工作地旁边。通勤距离大致随距离拉长而减少,仍有一批人每天走得很远。

完整原论文图2

图 2|房子和工作都集中在市中心,通勤为什么仍然很长?

(A)居住地热力,颜色是 500 米格子里的人数,对数刻度。(B)工作地热力,工作地更集中。(C)上下对照两套密度,居住更铺开,工作更尖。(D)通勤距离分布,横轴公里、对数刻度,纵轴通勤者人数;长距离一端仍有人,所以后面才有缩短空间。(E)同一家庭内最长与最短通勤之差,户数随差距变大而下降,最小差距处最高,中间还有一个次峰。(F)横轴是户内最长通勤,纵轴是最短通勤,颜色是户数。左上为全部家庭,右上为两名通勤者,左下为三名,右下为四名。两名通勤者的家庭分成两支:一支靠近对角线,住在工作地之间;一支贴近横轴,只靠近其中一人。成员再多,点主要贴着横轴,至少有一人通勤被拉长。来源:原论文 Fig. 2。

多成员家庭很难让每个人都近。图 2E 的主峰说明不少家庭把家放在各工作地的折中位置;次峰和右下散点说明另一批家庭只顾及其中几个人。后文的换房不改变这种户内取舍的事实,只问:现有的房子在家庭之间重新配对之后,全市平均还能不能更短。

随机把家重新发一遍,为什么会变成 2.83 倍?

如果居住没有向工作地靠拢,把现有房子随机分给家庭,平均通勤不应比现状长很多。结果相反。随机换房之后,全体城区通勤者的平均导航距离是现状的 2.83 倍。摘要说现状大约只有随机居住的三分之一,对应的就是这个倍数:1/2.83 约等于 0.35。论文把这种现象称为居住选择的自组织:家庭各自根据身边信息决定住哪里,没有一个机构统一分配,全市平均通勤仍然远短于随机分房。这是空间结果,不是证明每个家庭都在有意识地最小化通勤。交通、收入和周边配套也会进入真实选择。

完整原论文图3

图 3|贪心换房相对随机和现状,通勤与拥堵各差多少?

(A)全市通勤者平均导航距离。三根柱没有印出精确公里数;正文给出的关系是随机为现状的 2.83 倍,贪心换房后为现状的 0.5 倍。(B)每个点是一户。横轴为换房前户内平均通勤,纵轴为换房后,虚线表示不变,颜色是户数。大多数点在虚线下方。(C)早高峰 6–9 时和晚高峰 16–19 时的平均拥堵系数,橙为随机,绿为现状,红为贪心换房。每个时段都是随机最高、贪心最低。(D–F)7–8 时的路网。图上印出的平均拥堵系数分别是随机 2.51、现状 0.75、贪心换房 0.33。来源:原论文 Fig. 3。

贪心规则只做一件事:两户交换后,两户通勤距离之和必须下降,其中一户变长也可以。考虑到住房大小,只允许 1 名与 2 名通勤者的家庭互相对换,以及 3 名与 4 名通勤者的家庭互相对换。连续 100 万次尝试都不能再缩短,搜索就停止。匈牙利算法可以给这种匹配求最优解,但计算量随家庭数的三次方增长,2.4×10^5 户做不到。因此 0.5 倍和 50.36% 是贪心搜索的结果,不是证明过的全局最短。

Δd 的定义是(换房前平均距离 − 换房后平均距离)/ 换房前平均距离,分母是全体城区通勤者。正文写贪心换房后的平均距离为现状的 0.5 倍,又给出 Δd = 50.36%,摘要四舍五入为 50.4%。0.5 倍对应少 50%,与 50.36% 有零点几个百分点的差别,后文引用以降幅公式的 50.36% 和摘要的 50.4% 为准,并标明出处。

家庭层面的均值是另一套分母。换房前,各户成员平均通勤距离的均值是 8.3 公里。贪心换房后,只有 6.1% 的家庭平均通勤变长,其中相对全部家庭只有 0.34% 变长超过 5 公里。变长的家庭之所以被换走,是因为对方缩短得更多。也有家庭距离不变,可能是没换到,也可能是新家到工作地的导航距离碰巧相同。个人更短和全市更短在这里不是一回事。

拥堵系数也要看清分母。某一时刻、某条路的系数,是该方向机动车数除以这条路的估算通行能力。能力由限速、4 米车长和安全间距算出;非机动车不计入。全市平均拥堵系数,是对现状中已经拥堵或缓行的那一组路段取平均,不是对全市每一条路取平均。所以 0.75 的意思是:7–8 时,这组路段上的车流量平均达到估算能力的 0.75 倍。随机换房把它推到 2.51 倍,贪心换房降到 0.33 倍。晚高峰的方向相同,见补图 S4。补图 S6 用系数不小于 1、0.4 至 1、小于 0.4 分别计拥堵、缓行和畅通路段,贪心换房后前两类减少、畅通路段增加,但图上没有逐柱印出条数。

早晨到达单位的时间和傍晚离开单位的时间被固定,所以新的出发时间要倒推。补图 S2 显示现状出发集中在 7–8 时,返回更分散在 17–18 时附近。补图 S3 显示换房后早晨出发更散,7:30 的尖峰下降。拥堵减轻来自三件事叠在一起:路程更短、出发更散、一部分人不再开车。

完整原论文补图S2

图 S2|现状的出发时间挤在哪一个小时?

(A)早晨离开家的通勤者比例,横轴 6–11 时。灰色是 7–8 时,图上标为 46%,最高的叉号在 7:30 附近。(B)傍晚离开工作地的比例,横轴 16–21 时。灰色是 17–18 时,图上标为 39%,高峰两侧比早晨更开。来源:原论文 Fig. S2。

完整原论文补图S3

图 S3|换房之后,7–8 时的合计比例变了多少?

(A)贪心换房后离开新家的时间。灰色仍是 7–8 时,图上标为 46%,7:30 的叉号低于现状补图 S2。(B)中等容忍换房后的出发时间,灰色标为 45%。这一小时的合计比例几乎没变,散开的是小时内部的尖峰。来源:原论文 Fig. S3。

完整原论文补图S4

图 S4|其他时段的路网,是否也是随机最挤、贪心最松?

(A–C)7–8 时,(D–F)8–9 时,(G–I)17–18 时。每一行从左到右是随机换房、现状、贪心换房。坐标是经纬度,颜色越偏红路段越挤。三个时段都是左列更红、右列更绿。来源:原论文 Fig. S4。

完整原论文补图S5

图 S5|加上单项居住条件后,各时段的拥堵系数还低于现状吗?

无分面板字母。横轴是 6–9 时和 16–19 时,纵轴是平均拥堵系数。蓝方块为现状,绿为无约束贪心换房,棕、橙、蓝三角分别是市中心 0.5 公里、房价 15%、配套 0.3,紫线是三项一起。现状每个时段都最高,无约束换房最低,只卡市中心的曲线高于只卡房价或配套。来源:原论文 Fig. S5。

完整原论文补图S6

图 S6|7–8 时,三类路段的条数往哪边动?

(A)拥堵路段。现状的点贴着纵轴上端,换房后落到接近底部,三项一起时略回升。(B)缓行路段。换房后先降,加上市中心或三项约束后又升。(C)畅通路段。纵轴只画出靠近 12000 的一小段,换房后高于现状。点上没有逐个印出条数。来源:原论文 Fig. S6。

房价、市中心和生活配套一加上,还剩多少?

只按通勤距离换房,会把住在贵地段、靠近市中心、周边配套完全不同的家庭对调。论文用三项可观测条件限制交换,两户都必须满足:到市中心的距离差小于 Tcenter,二手房价差的比例小于 Tprice,周边配套的差异小于 Tamenity。市中心取访问最多的地点,即北国商城。房价用 2017 年链家二手房,按约 0.5 公里的格子取平均,没有成交的格子用最近四个格子的均价。配套用 2017 年高德地图的餐饮、购物、交通设施、科教文化、生活服务、体育休闲、医疗治安七类兴趣点,先算周边可达性,再用余弦差异衡量两个地点像不像。没有兴趣点的地点,多在乡村,不参与交换。

完整原论文图4

图 4|居住条件收紧之后,通勤降幅和路网还剩多少改善?

(A)只限制到市中心的距离。横轴是允许的公里差,纵轴是 Δd,曲线随容忍度上升。(B)只限制房价百分比差。(C)只限制配套差异。A–C 的纵轴都从 15% 画起,端点没有逐点印数;能看出的是,同样放宽一档,只卡市中心时的降幅低于只卡房价或只卡配套。(D)三项一起。低容忍(0.1 公里、房价 5%、配套 0.1)约 3%,中等容忍(0.5 公里、15%、0.3)约一成三,高容忍(1 公里、25%、0.5)约 25%。正文把中等容忍的 Δd 写为 13.4%。(E)低容忍的拥堵系数更靠近现状,高容忍更低。图例没有单独画出中等容忍。(F)上图是三项中等容忍,下图去掉市中心、只留房价 15% 和配套 0.3。颜色是相对现状道路负荷的等级,不是绝对车流量。下图减轻的路段更多。来源:原论文 Fig. 4。

低、中、高三档的 Δd 分别约为 3%、13.4% 和 25%,分母仍是换房前的全市平均通勤距离。后文若只说“带社会人口学约束的换房”,指的就是中等容忍这一档。两项约束的补图 S7 给出更清楚的排序:市中心加配套为 23.6%,市中心加房价为 26.6%,房价加配套、不卡市中心则到 36.29%。市中心距离是收紧收益的主要条件,配套次之,房价再次之。

完整原论文补图S7

图 S7|三项里拿掉哪一项,通勤降幅回升最多?

无分面板字母。三根柱是中等容忍下的两两组合,纵轴是 Δd。从左到右对应正文的 23.6%、26.6% 和 36.29%,分母仍是换房前的全市平均通勤距离。不带市中心距离的柱最高。来源:原论文 Fig. S7。

如果一户平均通勤会变长,而这户完全拒绝交换,贪心换房的 Δd 仍有 40.9%,中等容忍仍有 9.6%。愿意交换的比例超过 25% 之后,再提高意愿,降幅增加变慢。若户内任何一名通勤变长的成员都能否决,贪心换房的 Δd 为 37.5%;在中等容忍下,这种否决拉满时 Δd 为 7.9%。随机指定 10% 到 90% 的家庭无论如何不搬,中等容忍的 Δd 从 12.7% 降到 2.3%;即使 90% 不搬,无约束贪心换房仍有 8.5%。这些比例都是模拟设定,不是调查得到的真实搬家意愿。10 次独立模拟的平均出现在随机固定家庭的实验里。

完整原论文补图S8

图 S8|不愿意吃亏的家庭变多,降幅还在吗?

(A)横轴是平均通勤会变长的家庭仍愿意交换的比例,纵轴是 Δd。蓝线为无约束,紫线为中等容忍。意愿为 0 时对应正文的 40.9% 和 9.6%,蓝线此后上升变缓。(B)横轴是户内通勤变长的成员否决交换的比例。否决拉满时对应正文的 37.5% 和 7.9%。来源:原论文 Fig. S8。

学区和户内那条最短通勤,会把收益吃掉吗?

家庭不是只为通勤距离搬家。论文又加了两类个人需求。一类是孩子上学:河北省第七次人口普查中 6–18 岁人口占 18%,假设每户最多对应一名学生,随机固定 18% 的家庭不搬,贪心换房的 Δd 为 40.3%,中等容忍为 10.7%。更贴近地图的做法,是把家位于任一学校一个平均街道长度以内的家庭视为锚定在学区。石家庄由开放街道地图算出的平均街道长度是 272 米。这样固定的家庭占 19%,贪心换房的 Δd 为 40%,中等容忍为 10.3%。

另一类是户内已有最短通勤的那名成员,例如照顾孩子或老人的人。交换必须同时缩短两户的总距离,并且这名成员的通勤不能变长。此时中等容忍的 Δd 为 8.2%。学区锚定和这名成员的优先同时加上,Δd 为 8.1%。摘要里的 8.1%–10.3%,就是这一组合与学区锚定之间的区间,分母仍是换房前的全市平均通勤距离。

完整原论文补图S9

图 S9|多少家庭拒绝搬家之后,通勤降幅还在?

(A)横轴是随机固定、不参加换房的家庭比例,纵轴是 Δd。蓝线为无居住条件约束的贪心换房,橙线为中等容忍。固定比例升高时两条线都下降,橙线下降更慢;10 次模拟的平均。(B)家到学校的距离每增加一个平均街道长度,落入范围内的家庭比例上升。小学覆盖最快,全部学校在若干倍街道长度后接近全部家庭。小图是学校位置,圆的大小表示记录中的学生规模。(C)柱上印出的数字:没有学区限制时为 50% 和 13%,随机固定约两成家庭时为 40.3% 和 10.7%,学校一个街道长度以内不搬时为 40% 和 10.3%。13% 与正文的中等容忍 13.4% 是同一情景的图上标注。来源:原论文 Fig. S9。

50% 对 13%,以及 40% 对 10.3%,说明个人需求吃掉的是无约束上界里的大部分,留下的仍不是零。补图 S9B 的学生规模来自研究时段的记录,不能当成教育部门的完整学籍。

距离只短了一截,排放为什么降得更多?

排放不是尾气监测,而是一条核算式。每个时段,把通勤者经过的路段长度乘以 0.209 千克二氧化碳当量/公里,再乘上同时在这条路上的车辆数。坡度和道路类型在计算里取常数。公交车另用 0.281,因为燃料按柴油计。短于 2.5 公里的通勤改记为非机动车,排放按零计。所以排放降幅的分母,是用同一公式在换房前的路径、出发时间和车辆数上算出的排放,不是统计年鉴里的全市交通碳排放。

2.5 公里这条线来自 2017 年 7 月石家庄五个工作日的网约车行程:距离分布在 2.5 公里处达到峰值。现状家到工作地的导航距离中,接近 64% 长于 2.5 公里。补图把现状非机动车比例写成 36.5%,与“接近 64% 使用机动车”互为补数。2020 年全国主要城市通勤监测报告对机动和非机动也有相近划分,但它仍是假设。阈值改成 2、1.5、1、0.5 或 0 公里时,拥堵和排放的方向还在;阈值越低,非机动车比例越低,0 公里意味着所有人都按机动车计。

完整原论文补图S1

图 S1|为什么把 2.5 公里当成开不开机动车的分界?

横轴是网约车行程距离,纵轴是行程比例。峰值位于 2.5 公里附近,更长的行程比例下降。纵轴大约画到 10%,没有印出峰值的精确百分比。图题写作中国网约车,正文和数据说明指的是石家庄 2017 年 7 月的订单。来源:原论文 Fig. S1。

完整原论文图5

图 5|同样的换房,排放比距离多降了多少?

(A)全日排放,纵轴是吨/日的对数坐标,红色虚线大约在 10^5 吨。各柱没有印出精确吨数。随机换房远高于现状,无约束贪心换房最低;只加一项居住条件时低于三项一起加。红柱是加入诱增出行之后的结果。(B)无约束贪心换房下,Δd 与排放降幅的关系。正文点明:平均通勤少 30% 时,排放少 61%。曲线继续升到约 50% 的距离降幅、接近 80% 的排放降幅,与 50.36% 和 77.3% 同一量级。(C)7–8 时路段排放相对现状的变化。上图是三项中等容忍,下图只留房价和配套。颜色不是绝对吨数。去掉市中心约束后,减轻的路段更多。来源:原论文 Fig. 5。

无约束贪心换房的排放降幅是 77.3%。带学区锚定、只保住户内最短通勤者、两者都要,排放降幅分别是 34.4%、27.6% 和 27.4%。非线性来自两处。一是出发时间和路径变了,同样的公里数花的时间不同,同时在路上的车也不同。二是跨过 2.5 公里之后,一个人的排放从正数变成零。补图 S14 写明:无约束换房后 64% 的通勤者使用非机动车,高于现状的 36.5%;三项中等容忍下这一比例为 44.1%,只比现状高 7.6 个百分点。距离少一截,不等于每公里排放按同一比例少一截。

完整原论文补图S10

图 S10|排放的路网颜色,是否和拥堵同一方向?

(A–C)7–8 时,(D–F)8–9 时,(G–I)17–18 时,列依次为随机换房、现状、贪心换房。补充说明把约 0.4 吨标成偏红,0.2–0.4 吨偏黄,低于 0.2 吨偏绿,单位是该时段这条路段上的核算排放。随机换房更红,贪心换房更绿。来源:原论文 Fig. S10。

完整原论文补图S11

图 S11|排放降幅会不会只集中在某一个小时?

无分面板字母。纵轴是相对现状的排放降幅,横轴与图 3 的高峰时段相同。无约束贪心换房最高,三项中等容忍最低;早晨随时间略降,傍晚略升。各点没有印出精确百分比,不能用来替换全日的 77.3%。来源:原论文 Fig. S11。

完整原论文补图S12

图 S12|换房之后,是不是每个人的排放都下降?

无分面板字母。横轴是现状的个人排放,纵轴是贪心换房后,黑色虚线表示不变,颜色是人数的对数。大多数点在虚线下方;左下角仍有一批换房后排放变高的人。纵轴画到 5×10^3,色标更高,不能把色标上限当成个人排放的上限。来源:原论文 Fig. S12。

完整原论文补图S14

图 S14|跨过 2.5 公里的人,换房后还剩多少?

无分面板字母。纵轴是非机动车通勤者占全部通勤者的比例。现状、无约束换房和三项中等容忍,正文分别写为 36.5%、64% 和 44.1%。只限制市中心时,这一比例低于只限制房价或配套。来源:原论文 Fig. S14。

完整原论文补图S15

图 S15|把开机动车的距离门槛放低,非机动车比例还在吗?

无分面板字母。六条线是 2.5、2、1.5、1、0.5 和 0 公里门槛,横轴只有换房情景。门槛越低,非机动车比例越低。正文另写,门槛放到极短距离时,中等容忍下仍有 9% 的通勤者家和单位近到几乎不再使用机动车。来源:原论文 Fig. S15。

完整原论文补图S16

图 S16|门槛一变,拥堵和排放降幅还稳得住吗?

(A)7–8 时的平均拥堵系数。六条线是不同的机动车门槛,横轴从无约束换房排到单项约束,再排到三项中等容忍。门槛降低时系数上升,社会人口学约束之间的差别不大。(B)同一组门槛下的排放降幅,几条线几乎叠在一起:无约束一端高,到市中心约束和三项一起时明显下降。各点没有印出可用来替换 77.3% 的新百分比。来源:原论文 Fig. S16。

公交会不会推翻这个方向?数据采集时石家庄还没有地铁。补充信息把短于 2.5 公里的行程视为非机动车,长于 2.5 公里且平均速度不超过 3 米/秒的视为公交,更快的视为小汽车。这样分出来的比例是公交 18.5%、小汽车 45%,对照的是 2017 年北京交通发展年报里的公交 22.3%、小汽车 37%,不是石家庄官方方式结构。全市公交线路 246 条、站点 3661 个,公交按 4 倍小汽车长度占用道路。在这套口径下,距离降幅仍约为 50% 和 13%;早高峰平均拥堵系数从 0.61 降到 0.35 和 0.38;排放降幅为 83% 和 43.5%。0.61 和 0.75 不是同一个分母,因为公交进入了道路占用,不能拿来替换图 3 的 0.75,也不能把 83% 当成 77.3% 的修正值。方向一致,数字属于另一种车辆组成。见补图 S18。

完整原论文补图S18

图 S18|把公交算进道路占用之后,降幅还在同一量级吗?

(A)石家庄 246 条公交线路,颜色越深表示线路越密。(B)多方式口径下的通勤距离降幅。无约束约为一半,中等容忍约 13%,与主结果同一量级。(C)早高峰排放降幅,正文写为 83% 和 43.5%。这套比较的现状拥堵基线是 0.61,不是图 3 的 0.75。来源:原论文 Fig. S18。

换房前后的燃油开销也被算过一次。油价取 7 元/升,严重拥堵、中等拥堵和畅通分别用 0.165、0.125、0.085 升/公里。中等容忍、房价差低于 15% 时,超过 80% 的家庭燃油成本差为正。见补图 S19。这是按拥堵系数套用的油耗,不是家庭账单,也没有计入搬家本身的费用。

完整原论文补图S19

图 S19|燃油成本差为正的家庭,是不是只有少数?

无分面板字母。横轴是换房前后燃油成本之差,纵轴是概率的对数。高峰在 0 的右侧,左侧仍有负值。超过 80% 为正,是正文对中等容忍、房价差低于 15% 这一情景的统计,不是把图上每一根柱加总后新算出来的比例。来源:原论文 Fig. S19。

路通了以后,非通勤出行会把收益还回去吗?

少堵车可能引出新的出行。论文从非高峰、长于 2.5 公里的行程里抽取一部分,加到换房之后的 7–8 时,人数按通勤者规模配比,重复抽样 10 次。诱增比例定义为新加入的出行者除以原通勤者人数。

完整原论文补图S17

图 S17|早高峰被诱增出行填上之后,降幅还剩多少?

(A)7–8 时的平均拥堵系数。横轴是诱增比例。红色水平线是现状,蓝色水平线是无约束换房;黑点随诱增比例略升,仍明显低于红线。(B)排放降幅。纵轴从 70% 起绘,视觉上的下落被放大。正文给出的两端是 78.3% 和 71.7%,分母是这组实验里的现状排放,不是图 5 的 77.3%。来源:原论文 Fig. S17。

0% 到 25% 的诱增,使这组无约束实验的排放降幅从 78.3% 降到 71.7%。78.3% 和正文主结果 77.3% 不是同一个数,不能互相替换。作者给出的一个原因是:机动车通勤的平均距离是 11.1 公里,诱增的非通勤行程平均 7.6 公里,新行程更短。中等容忍再加入 15% 诱增,大约 63,000 趟机动车行程,因为 422,454 的 15% 约为 6.3 万。此时排放降幅为 39.8%。若学区和户内最短通勤也保留,诱增后的排放降幅为 25.5%。讨论把 25.5% 当作居住条件和诱增同时在场时的全市结果。

这组实验只重放了数据里已经出现、并被挪到早高峰的行程,没有造出全新的目的地。作者也写明,工作日出行的周期性可能限制这种诱增,但这是判断,不是对未来出行的测量。

多一个中心,是不是就松开了“必须靠近市中心”?

既然到市中心的距离最限制换房,把活动从单中心摊到多个中心,可能让更多家庭在不远离“中心”的前提下对调住处。这里的新中心是政策情景:政府指定位置,配套随后跟上,居民被预期中的发展吸引。中心之间超过 3 公里,选在相对热闹的地点。工作地并没有被搬去新中心。换房仍在中等容忍下进行。

完整原论文图6

图 6|新中心更远、更多时,中等容忍换房的降幅怎么变?

(A)横轴是中心个数,纵轴是 Δd。四条线要求新中心距原中心至少 3、6、9、12 公里。单中心处四条线重合,高度与 13.4% 同一量级;中心越多、离原中心越远,降幅越高。五个中心且至少 12 公里时,红线略高于 22%,正文写为 22.3%。(B)新中心改放在外围区县的热闹地点。从 1 个到 2 个升得最多,再增加则变缓。(C)仍是外围区县、7–8 时。上半是平均拥堵系数,随中心变多而下降;下半是排放降幅,随中心变多而上升。刻度可以读出方向,正文没有逐点列出。来源:原论文 Fig. 6。

补图 S13 还做了两件附加设定。按原中心的兴趣点比例给新中心配套,Δd 没有明显再升高。若不新增工作地、只按原中心的比例增加新中心的空置住房,Δd 会再高一些。因此图 6 的 22.3% 依赖的是“哪些地点还算靠近中心”,不是一套已经建成的多中心就业布局。

完整原论文补图S13

图 S13|给新中心加配套或空置住房,降幅还会再抬一截吗?

无分面板字母。横轴是中心个数,纵轴是中等容忍下的 Δd。橙线只加中心,绿线按原中心配兴趣点,蓝线增加空置住房。单中心处三条线重合,高度与 13.4% 同一量级;中心变多后,绿线没有明显离开橙线,蓝线更高。来源:原论文 Fig. S13。

换到另外 28 座城市,方向还在,幅度还能照搬吗?

第二套数据来自另一家运营商,是 2019 年 8 月和 11 月、60 座城市约 9000 万居民的汇总出行,用户数平均约占当地人口的 18%。城市被切成 1 公里格子,记录的是格子之间每小时的出行量,不包含可追踪的个人轨迹。通勤取 7:00–7:59。28 座大城市进入比较。因为没有个人轨迹,家庭只能按 2019 年统计年鉴里单通勤者与双通勤者的比例,在同一个格子里组成,不能解释成石家庄那种与普查户规模逐项对齐的样本。

28 座城市的居住地与工作地分布仍然接近,KL 散度从 0.06 到 0.18,平均 0.087,石家庄高精度数据的 0.096 落在这个区间里。散度小同样只说明两套格子密度相近。无约束换房后,平均通勤距离在这些城市里下降,Δd 与人口有轻微的正相关。每个城市是 10 次模拟的平均,阴影为 95% 置信区间。

完整原论文补图S20

图 S20|28 座城市的家和工作,是不是都挤在各自的中心?

(A)居住地与工作地格子密度的 KL 散度,城市按人口排列。虚线约在 0.08,对应平均 0.087;点落在正文所说的 0.06–0.18。(B)兰州、南京、北京的居住地在上,棕色;工作地在下,绿色。三座城市都是中心更密、外围更稀。散度小不能推出每个人住在工作地旁边。来源:原论文 Fig. S20。

完整原论文图7

图 7|28 座城市里,换房收益是否只属于石家庄?

(A)无约束换房的 Δd,城市按人口从拉萨排到上海。多数点在 45%–60%,拟合线轻微上升,灰带是 10 次模拟的 95% 置信区间。纵轴画到 60% 出头。(B)单项约束下 28 城的分布。到市中心的允许差是 3 公里,房价 30%,配套 0.3。房价和配套的箱子高于市中心距离,与石家庄“市中心最紧”的排序一致。(C)百度地图 2023 年拥堵排名中的前 10 城,重庆被石家庄替换。三项一起约束后的 Δd,城市之间差一截;正文认为换房前拥堵较轻的城市,降幅通常更小。(D)无约束换房后,Δd 与排放降幅一起升高,点云从左下走向右上。图中标出沈阳、兰州、石家庄、长春、北京、南京、武汉、西安、上海、广州等,这里不逐城读数。(E)单中心与五中心。五中心的箱子更高,对应正文所说的多中心降幅更大。来源:原论文 Fig. 7。

完整原论文补图S21

图 S21|28 城和拥堵前十城,单项约束和多中心各自差在哪里?

(A)28 城在单项约束下的 Δd,每个点是 10 次模拟的平均。蓝虚线是到市中心 3 公里,红线是房价 30%,绿线是配套 0.3。多数城市里蓝线更低;纵轴从 40% 起绘,个别城市的蓝线接近底边。(B)拥堵前十城,重庆换成石家庄。棕线是单中心,蓝虚线是五中心。标出的城市上,五中心都高于单中心。这里不逐城读取新的百分比。来源:原论文 Fig. S21。

重庆需要单独看。正文给出它的 KL 散度为 0.067,无约束 Δd 高达 88%,并认为山地地形限制了平面导航,房价和兴趣点也不适合描述格子特征,因此重庆不进入后面的社会人口学和多中心比较。图 7A 的纵轴只画到 60% 出头,看不出这一个 88% 的点落在何处。88% 以正文为准,图上没有再解释它为什么没有画进当前坐标。

社会人口学约束下,28 城的 Δd 明显高于石家庄高精度结果。作者列出四个原因:1 公里格子把房价和兴趣点平均掉了,家庭之间的差别变小,约束更松;出发时间是按导航时长估计的,不是真实记录,高峰被抹平;家庭只分成单通勤者和双通勤者,换房更容易;只观察 7–8 时,跨小时的通勤没有进来。所以 28 城支持的是方向,不是把石家庄的 13.4% 或 8.1% 换成一个更大的全国数字。

不直接换房,用补贴引导选址,模型里能接近吗?

前面的换房是把现有房子重新配对。作者另建了一个居住选择模型,看分散决策能不能再现现状,以及一份补贴能不能把选择推向贪心换房推荐的地点。地点对一个家庭的吸引力,正比于住房可负担程度乘区位效用,再除以家庭成员通勤距离的几何平均。可负担程度是 1 减去租金与家庭租金支出之差的绝对值、再除以家庭租金支出;租金按房价比例。区位效用随现有人口先升后降,容量上界按可互换的家庭规模来定,初始参数取 2。成员通勤距离至少按 1 米计,以免几何平均出现零。家庭仍然只能在 1–2 名通勤者之间、或 3–4 名通勤者之间交换住处。

不加补贴时,模型的全市通勤距离是现状的 1.1 倍,早高峰平均拥堵系数是 0.78,现状图上的对应值是 0.75。78.2% 的家庭,模型与现状的户均通勤距离相差不到 10 公里。分布像,不等于每一户的住址都被预测对。

完整原论文图8

图 8|补贴把家庭推向推荐住址时,模型和路网怎么变?

(A)示意图。一个三口之家评估地点 i 的容量、现有人口和租金,两名就业成员的通勤进入几何平均。星标是贪心换房给出的推荐住址,θ 是住在那里时的补贴率,距离越远补贴衰减越快。(B)红点是现状、蓝点是模型的户均通勤距离分布,两者接近。小图横轴为现状、纵轴为模型;虚线表示完全相等,两条实线表示相差不到 10 公里。正文统计,78.2% 的家庭落在这两条实线之间。(C)名义补贴率越高,Δd 越大。10% 处有一条竖线,高度对应正文所说的接近 25%。小图里实际支出比例低于名义补贴率,10% 的名义补贴对应 6% 的实际支出。(D)上图名义补贴为 0,早高峰平均拥堵系数 0.78;下图为 10%,系数 0.55。来源:原论文 Fig. 8。

补贴随家庭离开推荐住址的距离衰减,敏感度参数取 4。名义补贴率 θ 从 0 到 100%。θ = 10% 时,全市通勤距离降幅接近 25%,早高峰拥堵系数从 0.78 降到 0.55,早高峰排放降 55.46%。实际支出比例 θ* 只有 6%,因为不少家庭并没有正好住进推荐点,只拿到按距离衰减之后的一部分。讨论把这一补贴举例为 10% 的租金减免,并把 55.46% 概括成约 55%。这些百分比的分母是模型自己在 θ = 0 时的通勤距离、拥堵系数和早高峰排放,不是图 3 的 0.75,也不是 77.3% 那套全日核算。模型说明一份不大的激励在这套吸引力公式里可以推动类似的重新配对;它没有证明家庭会接受这笔补贴,也没有给出人民币预算。

这些降幅是模拟上界,不是已经搬完家的结果

无约束的 50.36% 和 77.3% 是合作最充分、也不考虑房价、市中心、配套、学区和户内优先时的贪心上界。中等容忍的 13.4%,以及 8.1%–10.3% 的通勤降幅、27.4%–34.4% 的排放降幅,才是论文自己放进居住条件和个人需求之后的区间。25.5% 则是这个更紧的情景再加入 15% 诱增出行之后的排放降幅。

还有几条边界不能跨过去。样本是 2017 年石家庄一家运营商的 9 天,主城区 422,454 名通勤者,家和工作地是推断的。家庭构成与普查比例对齐,不是人口登记。2.5 公里是网约车峰值带来的方式切换假设。排放公式把坡度和道路类型收成常数,又让短途排放归零。贪心搜索不是全局最优,工作地始终不动。28 城只有 1 公里、1 小时的汇总流量,重庆的 88% 不能外推到山地城市的政策收益。补贴实验停留在选择模型内部。作者还写明,搬家成本、行为惯性、更多个人偏好、治理方式和文化规范都没有进入交换规则;高峰减轻之后的新增出行,也只被部分模拟。

上面的补图把出发时间、其他时段的拥堵和排放、两项约束、意愿与否决、新中心配套、方式阈值、公交、燃油成本差和 28 城分布放在同一套比较里。它们没有把上界改成另一套数量级,但口径一变,77.3% 和 0.75 就不能原样挪走。

一句话总结

现状居住已经比随机分房短到约三分之一;在工作地不变、房价和市中心都不能差太远时,假想换房仍能把全市平均通勤再缩短大约一成,排放降得更多,但这是导航路径和排放公式下的模拟,不是已经发生的搬家。

核心来源

  • arXiv:2411.00035v2,2026年4月29日修订。题目、作者、机构和首页标识以这一版为准。正文图 1–8 与补充图 S1–S21、补充表 S1–S2 都在同一 PDF 中。
  • 石家庄原始通信记录不能由作者公开。论文写明可向运营商另行申请,入口为文末给出的中国移动数据服务页面。28 城汇总出行来自另一家运营商,经由 Zhao 等 2024 年 Nature Communications 的城市移动性研究使用。
  • 通勤路径来自百度地图导航,房价来自链家 2017 年二手房和 2019 年全国成交,兴趣点来自高德地图,道路来自 OpenStreetMap,公交线路与班次来自 8684。排放因子沿用 Zhou 等 2022 年对道路交通二氧化碳的核算。

作者介绍

以下只采用论文署名、贡献说明、致谢和本文参考文献里能够核对的信息。

  • Yu-Qing Liu:署名河北师范大学地理科学学院与数学科学学院,与 Chen Zhao 为共同第一作者,参与研究设计、实验和数据分析。
  • Chen Zhao:河北师范大学数学科学学院,通讯作者,共同第一作者,参与设计、实验、分析和写作。致谢列出河北省自然科学基金 F2020205012、河北省教育厅青年拔尖人才项目 BJ2020035,以及河北师范大学科学基金 L2023K04。
  • Xiao-Yong Yan:北京交通大学系统科学学院,参与实验和数据分析。本文参考文献中的个体移动模式多样性、城市移动可预测性,以及 28 城出行方向性研究,都属于同一方向的已发表工作。
  • Xiaoyue Hou:北京师范大学系统科学学院,参与实验。补充信息引用了 Zhao、Zhang、Hou、Yeung 与 Zeng 2023 年发表于 PLOS Computational Biology 的高频移动数据研究。
  • Chi Ho Yeung:香港教育大学科学与环境学系,通讯作者,参与设计、分析和写作。本文引用了他关于交通网络路径协调的统计物理研究,并在致谢中列出香港研究资助局与所在学院的项目编号。
  • An Zeng:北京师范大学系统科学学院,通讯作者,参与设计、分析和写作。

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。

如果最紧的约束是“不能离市中心太远”,只补贴房价相近的对调,家庭仍会围着同一个中心打转。图 6 里,降幅从中等容忍的 13.4% 升到 22.3%,靠的是把新中心放到至少 12 公里外,从而放宽“什么叫靠近中心”。模拟并没有把工作岗位搬去新中心。一座只建了商场、没有就业的副中心,可能让居住偏好变松,却不缩短真正的上班路程。值得单独检验的是:若把一定比例的工作地迁到新中心,8.1%–10.3% 这个区间会扩大还是缩小。

排放降幅大于距离降幅,很大一部分来自 2.5 公里这道坎。无约束换房把非机动车比例从 36.5% 抬到 64%,中等容忍只抬到 44.1%,只多 7.6 个百分点。假如短途仍然开车,距离收益可以留下,77.3% 那种排放收益会薄很多。与其引用一个全市百分比,不如先数有多少人被换到了坎的另一侧,再问这些短途在当地到底是步行、电动自行车还是汽车。

模型里的 6% 实际支出对应接近 25% 的距离降幅,单位是补贴率,不是人民币。学区锚定已经把中等容忍的 13.4% 降到 10.3%。一个只在单区试点、并且一开始就排除学校一个街区以内家庭的方案,最多用来检查 8.1%–10.3% 这一档还在不在;它检验不了 50.36% 和 77.3%。试点还要单独计入搬家费用。补图 S19 的燃油节省没有做这件事。


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