2023-Urban dynamics through the lens of human mobility


封城之后,一座城市会不会暂时变得更单中心?

论文名片|Yanyan Xu、Luis E. Olmos、David Mateo、Alberto Hernando、Xiaokang Yang、Marta C. González,Urban dynamics through the lens of human mobility,Nature Computational Science,2023,3:611–620,2023年7月10日在线发表。收稿日期2022年9月6日,接收日期2023年6月6日。DOI:10.1038/s43588-023-00484-5。本文是研究论文,依据正式发表版正文及补充材料解读。

可以这样想象:外围居民平时既去主中心,也去附近的副中心。楼和路几个月里通常不动。一旦要求尽量留在家里,先消失的往往是去副中心的可选行程,还在发生的行程更集中在少数必须到达的地方。人还住在原来的街区,出行地图却可能已经换成另一种城市结构。

这项研究用个人活动范围给这种变化一个可以按日更新的读数。离中央商务区(central business district,CBD)更远的人,在多数城市走得更远,但这条梯度有陡有缓。作者把更陡的梯度读成更单中心。西班牙11座城市在2020年第一波封城期间梯度变陡,第二波又大多回到原来的坡度。把活动范围、居家程度和这条梯度放进有效再生数的模型后,前两者的贡献更靠前。模型拟合的是由病例算出的再生数,城市之间没有随机分配封城强度。

先说结论

  • 21座城市在无大规模紧急事件的典型期,移动中心性指数 ΔKS 的点估计从旧金山湾区的 0.1137 到西班牙圣克鲁斯的 0.4987。斜率来自补充表1的线性拟合,分母是把城市缩放到半径为1之后的相对距离,观测值落在作者所说的0到1区间里。相邻城市的标准误常常盖住名次差距。
  • 补充图2里,武汉的人口基尼系数0.64,是21城中最高的一档,ΔKS 点估计0.4396,仅次于圣克鲁斯。深圳基尼系数0.52,ΔKS 只有0.1287。人口挤在若干片区,和居民是否都要往同一个中心走,是两件分开测量的事。
  • 西班牙11城以2020年2月1–7日的七日平均为基线。3月14日全国封城后,各城 ΔKS 的相对变化上升;图上单独标出的巴塞罗那升幅大,阿利坎特降到基线以下。6月下旬后,多数城市回到封城前的水平。
  • 封城期间这11城工作日的中位回转半径接近0.5公里。居家出行指标 KSHBT 把实际回转半径分布,与“所有人的回转半径落在0到0.5公里之间的均匀分布”做分布差距。数值越低,实际分布越靠近这个居家参照。
  • 梯度提升模型按三个阶段拟合有效再生数 Rt。图4把决定系数标成0.98、0.94、0.97,方法部分写成0.98、0.94、0.85,第三阶段两处不一致。第一阶段里,七日回转半径和 KSHBT 的贡献方向为正,城市结构指标较弱。Rt 用的是全省病例,不是11座市区各自的病例。

同样远离市中心,出行范围为什么城市和城市不一样?

普查地图已经能看见居住隔离。美国城市用2015年美国社区调查,把普查区划成收入高低和族裔多数:家庭收入中位数以全国中产门槛45,200美元为界,某一族裔超过50%就算该区的多数群体。波士顿亚裔普查区太少,这组分析没有纳入。波哥大用规划部门在街区尺度评定的社会经济阶层,1到6从低到高,依据是官员对街区和周边的现场观察。

图1a里,波士顿和洛杉矶收入较高的群体更多住在外围,收入较低的群体更靠近中心。波哥大相反,阶层5和6在城市北部,阶层1和2在外围。补充图3用普查区到CBD的距离做箱线图。有收入信息的普查区,波士顿782个,五档的普查区数是30、200、339、146、67;洛杉矶1,700个,五档是179、874、395、154、98;波哥大703个,六档是56、213、282、82、34、36。分母是普查区。波士顿和洛杉矶收入较高的普查区离CBD更远,波哥大的收入和距离没有同样清楚的关系。

居住隔离还会随钟点变化。补充材料用信息论隔离指数 H:先算每个空间单元的族裔多样性,再算全市多样性,H 是按人口加权的二者之差。H 为1表示每个单元只有一个群体,H 为0表示各群体在全市均匀分布。补充材料写,洛杉矶比波士顿更多样,隔离也更高。夜间20:00到次日5:00的 H 高于白天9:00到16:00;比较最大值和最小值,波士顿和洛杉矶下降50%,波哥大下降70%。就业副中心出现混合,但单中心和多中心城市之间没有看出差别。白天下降之后 H 仍然不是0。

非通勤出行里,同群到访还在。补充图4只看休闲类行程、并且出发地存在超过50%的多数群体。波士顿和洛杉矶的西班牙裔都呈现同群到访;白人在波士顿有、在洛杉矶不明显;黑人在两城都几乎看不出。这是分区访客构成的描述。例如波士顿西班牙裔普查区各组的非通勤访客数,从左到右是3,243、3,810、2,015、4,520、3,836、2,612、1,108人。不能把这些格子加总成全市人数,也不能把同群到访写成个人偏好已经被证明。

活动范围用回转半径(radius of gyration,Rg)概括。人类移动性研究里常见的回转半径围着轨迹质心转。本文围着家转,重复访问保留在当天的地点序列里:

Rg = √[Σᵢ₌₁ⁿ (1/n) (lᵢ − lₕ)²]

n 是当天序列长度,lᵢ 是第 i 个地点的坐标,lₕ 是家的坐标,括号里的差是离开家的距离,单位是公里。家取周末和工作日夜间最常出现的位置。通话详单和扩展详单都没有现成的家庭住址。

图1b–d比较各组 Rg 的分布。波士顿横轴到50公里,洛杉矶到50公里,波哥大到30公里。图注给出的样本量依次是258万、329万、414万,分母是这三张分布里的样本。补充图2的 LandScan 人口是波士顿483万、洛杉矶1,016万、波哥大761万。后文写到人口时会标明来源。补充材料写明,疫情前的图1b–d以及补充图3、5,先去掉当天 Rg 为0的日子,再对个人在数据可得期内取平均。最高收入群体在波士顿和洛杉矶倾向于走得更远,波哥大没有这种对应;补充图5进一步写,波哥大收入较低的群体 Rg 明显更大。三座城市放在一起,收入和 Rg 没有同一方向的关系。

图1 居住隔离、收入与以家为中心的回转半径

图 1|居住隔离和收入,怎样对应到离家活动范围?

(a)波士顿、洛杉矶按收入高低和族裔多数给普查区上色,波哥大按社会经济阶层1–6上色。白星是CBD,波哥大地图带指北针。波士顿放大框标出中心附近的小片分区。(b)波士顿各组 Rg 的概率密度,横轴0–50公里。(c)洛杉矶,横轴0–50公里,纵轴刻度低于波士顿。(d)波哥大,横轴0–30公里,图例是阶层1–6。(e)西班牙1,700万匿名手机用户,纵轴年收入约5,000–30,000欧元,颜色是平均 Rg,色标1.0–13.0公里;上为2019年,下为2020年。来源:原论文 Fig. 1。

西班牙全国这1,700万人把年收入和每日 Rg 配在一起,覆盖2019与2020年。2019年4月和8月,高收入群体的长距离出行更明显;2020年4月,同样位置上的长距离颜色消失。第一波早期,以及2020年10–12月的第二波高峰,高收入群体的出行距离下降更陡。疫情高峰期,图上反过来是低收入一端还维持着较长的平均 Rg。作者认为这可能是因为低收入群体更难在家工作、必要出行更多。讨论部分写明,这些行程的目的没有被识别,所以“不能待在家里”仍是解释,不是这张热图直接记录的职业。补充符号表把“去掉 Rg 为0”明确写给图1b–d,没有单独写给图1e。

平均半径随距离变长,为什么还分不出单中心和多中心?

行程大多从家出发。单中心城市里,靠近 CBD 的人更容易在短距离内碰到工作和设施,外围的人要走得更远。多中心城市里,副中心也能提供这些机会,外围不一定对应更长的 Rg。补充图6画出波士顿、洛杉矶和波哥大各普查区的平均 Rg:离 CBD 近的地方,活动更靠近家;洛杉矶南部离 CBD 远,Rg 仍然不大,和它的多中心结构放在一起看是顺的。

只看平均 Rg 和环半径的直线,城市之间并不整齐。作者引用 Bertaud 与 Malpezzi 的做法,以 CBD 为圆心、每3公里画一个不重叠的环。CBD 圆本身半径3公里,所以中心点按谷歌地图上的惯例选取即可,不必精确到一个路口。第 i 环居民的 Rg 分布记为 ⟨Rg(rᵢ)⟩,中心圆记为 ⟨Rg(r₀)⟩。补充图7显示,有的城市平均 Rg 随环半径近似成直线,有的不是。补充图8把21座城市前7个环的平均和中位数放在一起:无论城市怎样组织,大多数城市里住得更远的人 Rg 更长。平均半径这条梯度太常见,留不住单中心和多中心的差别。

差别改用分布之间的距离。柯尔莫哥洛夫–斯米尔诺夫统计量(Kolmogorov–Smirnov statistic,KS)是两条累积分布曲线的最大垂直差距:

KS(rᵢ | r₀) = sup |Fᵢ − F₀|

F 是累积分布,sup 表示取差距的上确界。KS 不要求两组人数相同。补充材料还比较了 Rg 的相对变化、詹森–香农散度(Jensen–Shannon divergence,JSD)和库尔巴克–莱布勒散度。后两者要先把两组做成等长的直方图;KL 散度本身不对称,不适合给两群居民一个无方向的差距。八种“距离加拟合”里,作者希望指标落在0到1。JSD 加线性和 KS 加线性满足这一点。JSD 加线性在旧金山湾区的 r² 为0.1713;同一节写 KS 加线性在湾区达到0.4774。补充表1对正式采用的 ΔKS 拟合给出的湾区 r² 是0.3866。两处都印在补充材料里,数值不同。可以确定的是,湾区拟合弱于其他城市,KS 加线性优于该节里的 JSD 加线性。

幂律指数也不适合直接当结构指标。补充材料写,巴塞罗那是典型的多中心城市,它的幂律指数却是21城中最大的;萨拉戈萨人口集中在 CBD,幂律指数却接近多中心的深圳。线性斜率的排序更符合作者对单中心、多中心的预期。把人口累加成越来越大的圆也不行:外圆包含内圆,人口分布会掺进 KS;这种累积指标还会把单中心的波士顿排到洛杉矶和巴塞罗那两座多中心城市之间。不重叠的环可以把人口分布和出行梯度拆开。

城市大小差很多,斜率若直接对公里数拟合,大城市会占便宜。每座城市先取能盖住至少95%人口的最小圆,半径记为 rₘₐₓ,相对半径 r̂ = r / rₘₐₓ。再对 ⟨KS(r̂ᵢ | r₀)⟩ 和 ⟨r̂ᵢ⟩ 做直线,斜率就是移动中心性指数 ΔKS。资源在城里均匀分布时,斜率接近0;离 CBD 越远、活动范围越快变大,斜率越大,作者将其读成更单中心。图2e的横轴印成 CDB,正文指的是 CBD。

居家程度另外用一个无量纲指标。总出行量或平均距离可以相同而分布完全不同,也随城市人口和尺度变化,跨城难比。KSHBT 是两个分布的 KS 距离:一是全体居民观察到的 Rg,包含 Rg 为0的人;二是若所有人都遵守居家,Rg 服从0到 rₛₕₑₗₜₑᵣ 的均匀分布。作者在示意图里把这个差距解释成 Rg 超过阈值的人口占比。计算本身仍是累积分布的最大差距,只有最大差距正好落在阈值上,两个读法才相等。KSHBT 越低,实际分布越靠近居家参照。

图2 回转半径、同心环、移动中心性与居家出行指标的定义

图 2|单中心和多中心,准备用哪几个统计量来比?

(a)一个人访问地点离开家的范围,虚线圆示意 Rg。(b)左侧单中心示意:外围的家更多指向 CBD;右侧多中心示意:行程分散到多个中心。这是示意图。(c)波士顿地图上,以 CBD 为圆心、环宽3公里的同心环;放大图区分第 i 环和半径3公里的 CBD 圆。(d)中心圆与外围环的 Rg 累积分布,竖线标出 KS 差距。(e)各环 KS 对相对半径的直线,斜率是 ΔKS,截距是 b。横轴文字写成 CDB。(f)绿色参照分布在 rₛₕₑₗₜₑᵣ 处升到1,粉色是实际分布,竖线标出 KSHBT。来源:原论文 Fig. 2。

算 Rg 的轨迹并不都是同一种观测。亚特兰大和里约热内卢用出行调查,用户数分别是567,301和444,127。波士顿、旧金山湾区、洛杉矶、波哥大、里斯本和波尔图的通话详单记不下所有停留,补充材料用 TimeGeo 补成典型周里约每10分钟的位置,再用普查里的通勤者和非通勤者人数,把活跃用户扩展到普查区人口。停留点的空间聚类阈值是500米,停留超过10分钟才算停留,其余足迹当作路过。工作地是工作日10:00–17:00最常去的主导地点,由此区分通勤者和非通勤者。TimeGeo 在波士顿、旧金山湾区、洛杉矶和波哥大用出行调查做过验证;这段验证名单没有包括里斯本和波尔图。深圳、武汉和11座西班牙城市的扩展详单还记录数据上网,频次高于通话详单,可以直接用于移动。手机定位在密集区约50米、稀疏区约300米。

各城观测窗口从1个月到6个月:洛杉矶和旧金山湾区为2012年10–11月共六周,波士顿为2010年2–3月,波哥大为2013–2014年中的六个月,深圳为2013年10月,武汉为2012年8–9月,里斯本和波尔图为2006–2007年中的六个月。西班牙城市有两段:2019年10月作为疫情前的典型月,2020年2月1日至9月30日用于疫情期间。人口统一用2015年 LandScan,约1公里网格。作者写,城市结构在几年内几乎不变,因此手机数据和人口数据的年份错开不影响分析。里斯本和波尔图的手机数据与2015年人口相隔大约八年到九年,长于这句话里的“几年”。

21座城市的坡度,能排成一条从多中心到单中心的序列吗?

城市研究常用两个轴描述空间结构:人口从分散到紧凑,功能中心从多中心到单中心。图3a用 LandScan 的约1平方公里网格把若干城市画成柱状人口。柱旁的人/平方公里是网格柱的高度。深圳标注10,722,487人、1,956平方公里,旁注97,547人/平方公里。10,722,487除以1,956,全市平均大约5,482人/平方公里;图上97,547人/平方公里标的是局部网格柱高。武汉10,737,326人、9,696平方公里,旁注77,103人/平方公里。洛杉矶都市区10,162,725人、10,865平方公里,波哥大在本文边界里是7,605,691人、458平方公里。同样叫一座城市,边界差一个数量级以上:美国和葡萄牙用普查都市区,西班牙用 AUDES 城市范围,中国和拉美用行政边界。边界会同时改变人口是否显得紧凑,以及结构指标的数值。

图3b把环宽固定为3公里,看0–3公里直到18–21公里共七个环。七环内的用户合计,深圳868,584,武汉601,904,洛杉矶1,747,318,波士顿1,267,113。分母是这七个环里的用户。武汉和波士顿离 CBD 越远,Rg 分布越往右;深圳和洛杉矶各环的分布叠在一起。按出行看,武汉和波士顿更单中心,深圳和洛杉矶更多中心。武汉的人口比波士顿更分散,深圳的人口比洛杉矶更集中,所以人口形态和出行形态可以交叉。

图3c是21座城市的 KS 对相对半径。比较的是移动行为的差异,当天没有移动、Rg 为0的用户被排除。曲线大多上升,也有城市先升后降,直线只是概括。ΔKStyp 是无紧急事件的长期典型值,窗口同样从1个月到6个月;西班牙的典型 Rg 和典型 ΔKS 用2019年10月的日值平均。补充图12写,大多数城市的 r² 超过0.5,旧金山湾区因为空间形态不规则而例外。补充表1给出全部拟合,t 检验的 p 值都小于0.05。p 值小表示斜率偏离0,不表示每个环都贴着直线。湾区的 p 值为0.0077,r² 仍只有0.3866。表中最低的三档是湾区0.3866、亚特兰大0.5021、武汉0.5402。

城市 ΔKS r² 斜率标准误 p值 人口(百万) 基尼系数
圣克鲁斯 0.4987 0.9031 0.0731 0.001 0.52 0.60
里斯本 0.4422 0.9770 0.0215 0.0 3.40 0.47
武汉 0.4396 0.5402 0.1047 0.0008 10.74 0.64
萨拉戈萨 0.4334 0.7678 0.1066 0.0097 0.66 0.49
阿利坎特 0.4239 0.9477 0.0575 0.0052 0.43 0.45
波尔图 0.4139 0.6039 0.1011 0.0018 2.10 0.39
马拉加 0.4049 0.8669 0.0916 0.0215 0.73 0.55
瓦伦西亚 0.3727 0.9312 0.0453 0.0004 1.59 0.52
波士顿 0.3474 0.7778 0.0479 0.0 4.83 0.43
拉科鲁尼亚 0.3208 0.7875 0.0962 0.0446 0.40 0.47
格拉纳达 0.3002 0.9571 0.0450 0.0217 0.54 0.47
亚特兰大 0.2886 0.5021 0.0742 0.0015 5.82 0.28
里约热内卢 0.2806 0.8672 0.0284 0.0 12.62 0.44
马德里 0.2728 0.9156 0.0262 0.0 6.10 0.50
毕尔巴鄂 0.2351 0.8174 0.0642 0.0351 1.00 0.49
塞维利亚 0.2324 0.8091 0.0652 0.0377 1.20 0.48
巴塞罗那 0.2316 0.8911 0.0306 0.0001 4.21 0.49
洛杉矶 0.2122 0.8105 0.0265 0.0 10.16 0.34
波哥大 0.2078 0.8112 0.0501 0.0143 7.61 0.44
深圳 0.1287 0.7005 0.0266 0.0007 10.72 0.52
旧金山湾区 0.1137 0.3866 0.037 0.0077 7.60 0.36

ΔKS、r²、标准误和 p 值来自补充表1,城市按点估计从高到低排列。p 值印刷为0.0的,表中就是0.0。标准误在残差正态假定下计算。人口和基尼系数来自补充图2:基尼系数用人口超过500人的网格,数值越大,人口越集中在部分网格。圣克鲁斯的0.4987减去里斯本的0.4422等于0.0565,小于圣克鲁斯的标准误0.0731。武汉与里斯本的点估计只差0.0026,武汉的标准误有0.1047。表的排序是点估计顺序,顶端几座城市没有被标准误干净地分开。两端则分得开:湾区0.1137与圣克鲁斯0.4987相差0.3850,大于二者的标准误。

基尼系数和 ΔKS 只有温和的正向关系。武汉最紧凑,ΔKS 的点估计也排在第二。波尔图、阿利坎特、里斯本、萨拉戈萨的 ΔKS 与武汉接近,基尼系数却是0.39、0.45、0.47、0.49,人口更分散。作者认为这几座城市可能正在蔓延。深圳人口在若干区形成尖峰,工作和设施更均匀,出行上仍是多中心。旧金山湾区和洛杉矶人口更分散,ΔKS 也低。补充图13还写,ΔKS 与总人口大体是负向关系,武汉和里约热内卢是例外。文中没有给出这张关系的相关系数。

环宽换过。补充图14用1公里、2公里和3公里各做21个城市的点。3公里的拟合略好于1公里和2公里,线性斜率仍比幂律指数更常落在0到1,城市从单中心到多中心的名次大体保持。结论不靠3公里这一个宽度撑着。补充图没有在正文里印出三种宽度的中位 r²,这里不补具体数值。

图3 用出行行为定义的城市结构及21座城市的位置

图 3|人口紧凑和出行单中心,是不是同一件事?

(a)横轴从多中心到单中心,纵轴从分散到紧凑。圆点图示是概念;七座城市的柱体是约1平方公里人口,柱旁数字是网格人口密度。城市名下是人口和面积。底部图例区分都市区、主中心、副中心和非中心。(b)深圳、武汉、洛杉矶、波士顿七个环的 Rg 分布,颜色对应0–3公里到18–21公里。插图是各环用户数。(c)21座城市的 KS 对相对半径,横轴文字写成 CDB。(d)横轴 ΔKStyp,纵轴人口基尼系数,误差线是斜率标准误。上方和右侧条形是两个指标的城市计数。图例按 ΔKS 从高到低。来源:原论文 Fig. 3。

封城的几周里,坡度和居家程度怎样一起动?

西班牙城市在2020年2月起陆续出现疫情,3月14日实施全国强制封城。新增病例取到省,图4a是9月30日之前每1,000人的每日发病率,纵轴刻度0到1.0。结果部分把第一阶段定为4月30日之前的第一波,第二阶段为5月1日至6月30日的安静期,第三阶段为7月1日之后的第二波。引言把第一波写成5月1日之前,安静期写成5月1日至7月1日,第二波写成7月1日之后。下面按结果部分的三段口径叙述。城市一级的每日确诊没有公开,后文的 Rt 也用全省数值代替市区。

11座城市使用2020年2月至9月的个人手机数据。补充图16里,封城期间各城工作日的中位 Rg 保持在0.5公里附近;马德里、巴塞罗那、马拉加、阿利坎特的25%–75%区间也绕着0.5公里。稀疏区基站定位可以到300米,阈值需要高于这个分辨率。作者据此把 rₛₕₑₗₜₑᵣ 定为0.5公里,并把“超过一半的人处于居家状态”当作选择这个中位数的理由。中位数接近0.5公里,表示这些日常观测有一半落在大约0.5公里或更低,并没有直接记录居家的原因。

每日的 Rg、ΔKS 和 KSHBT 都有周周期。补充图17用竖线标出2月1日至9月30日之间的星期六,并写明8月16–19日、8月30日和9月7日缺数据。为减弱工作日波动,三个指标都改成当天及前6天的平均,记为 Rg₇d、ΔKS₇d 和 KSHBT₇d。相对变化以2月1–7日这一周为分母:

相对变化 = (ΔKS₇d − ΔKS₇d^(2月1–7日)) / ΔKS₇d^(2月1–7日) × 100%

Rg 和 KSHBT 同样处理。封城后三个指标都偏离基线,6月居家令放松后又向基线恢复。

11座西班牙城市的 ΔKS 在封城后都上升,程度不同。巴塞罗那、塞维利亚和马德里疫情前的 ΔKS 分别是0.2316、0.2324和0.2728,属于表中较低的一档;封城期间它们变得更单中心。作者的解读是,去 CBD 以外目的地的行程减少了。6月下旬限制放开、活动逐步恢复,多数城市的结构回到平时水平,同时还有其他非药物干预。阿利坎特是正文点名的例外,多中心程度强于疫情前,也就是 ΔKS 低于基线。作者猜测与第二住宅主人从拥挤城市迁往低密度地区有关,并引用了关于第二住宅的其他研究。本文没有清点阿利坎特的第二住宅数量。

2月末病例上升时,塞维利亚、马拉加、拉科鲁尼亚和格拉纳达的 Rg 出现明显波动。作者把这归于封城前突然增加的长距离移动。KSHBT 在各城之间更接近。第二阶段结束时,三个指标都回到封城前的水平,KSHBT 的恢复早于 Rg。第三阶段各城 Rg 仍因城市尺度而高低不同,KSHBT 在整个时段更稳。作者因此认为,若要比较限制有多严,KSHBT 比带有城市尺度的 Rg 更稳。

图4 西班牙11座城市在疫情期间的结构变化及对再生数的模型贡献

图 4|2020年西班牙11座城市,结构指标和再生数模型各看到什么?

(a)各省每1,000人的每日新增,截止9月30日。虚线为3月14日全国封城,底色划分三个阶段。纵轴刻度0–1.0。(b)ΔKS 相对2月第一周的变化,纵轴刻度约−50%到150%,虚线标出封城与重新开放。巴塞罗那和阿利坎特在曲线旁被标出。(c)平均 Rg 的相对变化,纵轴刻度约−100%到150%。(d)KSHBT 的相对变化,纵轴刻度约−40%到20%。(e)第一阶段 SHAP,图内标注 r² = 0.98。(f)第二阶段,r² = 0.94。(g)第三阶段,r² = 0.97。红点是变量取值高,蓝点是取值低;小图是该变量平均绝对 SHAP 除以阶段平均 Rt,刻度到20%。来源:原论文 Fig. 4。

把这些指标放进再生数模型,它们解释的是哪一层关系?

有效再生数用 EpiEstim,由每日新增病例和代际间隔回推。代际间隔取离散伽马分布,均值3.6天,标准差4.9天,依据是一项关于德尔塔变异株时期的观察。Rt 的先验也是伽马分布,均值2.6,标准差2.0。估计窗口是当天之前的7天。报告延迟和检测误差都还在,所以 Rt 是带假设的估计,补充图19给出各城95%置信区间。正文写,Rt 在疫情初期较高,强制封城约一周后降到1.0以下,6月再次波动,对应第二波临近。

市区没有公开的每日病例,11座城市全部使用所在省的 Rt。补充表2给出市区人口占全省人口的比例,分母是全省人口:

城市 市区人口(百万) 全省人口(百万) 市区占全省
马德里 6.102 6.663 91.6%
巴塞罗那 4.205 5.665 74.2%
瓦伦西亚 1.595 2.565 62.2%
阿利坎特 0.429 1.859 23.1%
拉科鲁尼亚 0.402 1.120 35.9%
萨拉戈萨 0.663 0.965 68.7%
塞维利亚 1.197 1.942 61.6%
马拉加 0.728 1.662 43.8%
毕尔巴鄂 0.999 1.153 86.6%
圣克鲁斯 0.521 1.033 50.4%
格拉纳达 0.536 0.915 58.6%

马德里市区占全省91.6%,毕尔巴鄂86.6%,阿利坎特只有23.1%,拉科鲁尼亚35.9%。把全市的七日出行配到全省的 Rt 上,小占比城市里,省内其他市镇的疫情会进入同一个结果。

预测模型是 LightGBM 实现的梯度提升机。输入有随时间变化的 Rg₇d、KSHBT₇d、ΔKS₇d,以及典型期的 Rg、典型期的 ΔKS、总人口的对数和人口基尼系数,输出是对应的 Rt。SHAP 把每个城市、每一天的预测拆成各变量的贡献。红色表示该变量当天取值高,蓝色表示取值低;贡献为正表示模型把 Rt 往高处推。相对重要性是该变量绝对 SHAP 的平均值,再除以该阶段 Rt 的平均值。小图刻度到20%。柱上没有印出精确百分比,这里不把柱高读成一个精确数字。

图上三个阶段的 r² 是0.98、0.94、0.97。方法部分写三个阶段为0.98、0.94和0.85。第三阶段0.97和0.85同时出现在正式版里,本文并列保留。这些 r² 是各阶段样本内的拟合,文中没有报告留出城市或留出日期的检验。

第一阶段同时盖住疫情早期和强制封城。Rg₇d 的贡献最大,其次是 KSHBT₇d,方向为正:模型里活动范围更大、离开居家参照更远的日子,Rt 更高。ΔKS 的贡献相对弱。作者由此说,人们走得更频繁、距离更长时,疫情传播更快。进入模型的是 Rg 和 KSHBT,行程次数并没有单独成为变量。第二阶段,KSHBT 仍有清楚的正向贡献,Rg 的方向变混、权重变弱,ΔKS 的权重比第一阶段更靠前。第三阶段各变量都不那么显著。作者把原因归于非药物干预已经成了主要保护措施。模型输入里没有政策变量,这句是对权重变弱的解释。

这些结论停在哪里

ΔKS 描述的是居民 Rg 分布如何随家到 CBD 的距离变化。封城后斜率变大,记录的是外围和中心的活动范围被拉开,或者外围超出中心的程度增加。它不记录岗位、商店有没有搬回 CBD。巴塞罗那、塞维利亚、马德里从较低的典型 ΔKS 往上升,和“去中心以外的行程减少”相容,也和“只剩下必须进入中心的职业还在移动”相容。数据里没有出行目的。

21城的点估计可以排序,顶端名次会被标准误盖住。湾区 r² 只有0.3866,线性概括在那里最弱。1公里和2公里环宽没有推翻排序,幂律指数和累积圆则会打乱作者预期中的城市类型。

疫情模型里的正向贡献,是梯度提升机在这些城市、这些日子上的拟合分解。第一阶段把封城前和封城后放在同一个阶段。Rt 是全省、7天窗口、给定代际间隔下的估计。阿利坎特的市区人口只占全省23.1%时,市区出行和全省再生数之间多了一层空间错位。

个人轨迹仍然是计算前提。Rg 本身不含姓名,但现有的 k-匿名聚合数据不能直接代进图2a的公式。讨论提出,可以由运营商在手机上汇总 Rg,或设计专门的匿名方案。家还要落到环上,否则 ΔKS 无法按距离计算。

一句话总结

会。西班牙这11座城市在第一波封城期间,出行半径随离市中心距离的变化变陡,读数上更单中心;第二波期间多数回到原来的坡度。变的是谁还在离开家、走多远,不是城区在几周内被重新建过。

核心来源

Xu, Y., Olmos, L. E., Mateo, D., Hernando, A., Yang, X. & González, M. C. Urban dynamics through the lens of human mobility. Nature Computational Science 3, 611–620 (2023). https://doi.org/10.1038/s43588-023-00484-5

正文图1–4与补充图1–19、补充表1–2一起核对。西班牙省级病例来自各省卫生部门,经由 montera34 的 escovid19data 整理。代码见 humnetlab/Urban_Dynamics,版本记录为 https://doi.org/10.5281/zenodo.8001855 。原始手机轨迹因合同和隐私未公开。

作者介绍

许岩岩(Yanyan Xu)是本文第一作者。论文署名为上海交通大学人工智能研究院、教育部人工智能重点实验室,加州大学伯克利分校城市与区域规划系,以及劳伦斯伯克利国家实验室能源技术方向。上海交通大学计算机学院教师页写明,他在人工智能研究院任长聘教轨副教授,研究人类移动与城市计算。本文中他参与提出问题、设计并完成分析、撰写论文。

Luis E. Olmos 的论文署名为加州大学伯克利分校城市与区域规划系,以及哥伦比亚麦德林大学基础科学学院。他与许岩岩共同提出研究、设计并完成分析。

David Mateo 与 Alberto Hernando 的论文署名为瑞士洛桑 Kido Dynamics SA。两人处理西班牙数据。

杨小康(Xiaokang Yang)的论文署名为上海交通大学人工智能研究院、教育部人工智能重点实验室。学院英文报道称他为该院教授,并与许岩岩、Marta C. González 合作完成本文。贡献说明中,他参与提出研究并设计分析。

Marta C. González 是通讯作者,邮箱为 martag@berkeley.edu。署名为加州大学伯克利分校城市与区域规划系、土木与环境工程系,以及劳伦斯伯克利国家实验室。她指导研究,并与许岩岩撰写论文。许岩岩在伯克利人类移动与网络实验室页面上写明,博士后阶段由她指导。本文参考文献29是她与 Hidalgo、Barabási 2008年在 Nature 上关于个体移动模式的研究。

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。

若把封城期间上升的 ΔKS 当成“副中心失败了,应该把投资收回主中心”,会把临时的出行筛选读成空间重组。一个尚未被这套数据检验的反例是:副中心照常营业,只是能远程工作的人不再前往,必须进入主中心的职业仍在移动。斜率会变大,岗位地图可以不变。图1已经显示,疫情高峰期收入和出行距离的关系会反转,而行程目的仍然空着。要分开这两种情况,至少需要把 Rg 拆成通勤和非通勤,再看上升的 ΔKS 来自哪一种行程。

全省 Rt 还会把这个误读放大。阿利坎特市区占全省人口23.1%(0.429/1.859百万),拉科鲁尼亚占35.9%(0.402/1.120百万)。这两座城市的七日出行,配上的是一个大部分人口住在市区以外的省。马德里占91.6%(6.102/6.663百万),毕尔巴鄂占86.6%(0.999/1.153百万),错位小得多。论文没有把占比高于80%的城市单独重做 SHAP。如果只在这两组里,第一阶段仍是 Rg 和 KSHBT 领先,跨城比较才比较站得住;如果小占比城市单独改变了变量排序,现在的11城合并结果就主要反映了省级疫情怎样被市区出行拟合,而不是每座市区自己的传播。


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