一张纸钞，为什么既能飞越美国，又能在附近徘徊数月？
论文名片｜D. Brockmann、L. Hufnagel、T. Geisel，The scaling laws of human travel，Nature，2006，439：462–465，2006年1月26日发表。DOI：10.1038/nature04292。研究结合美国纸钞追踪记录、独立旅行数据比较与随机游走理论。
设想你在商店收到一张美元纸钞。它可能一直在附近的商店与居民之间传递，也可能被某位旅客带上飞机，几天后出现在千公里之外。若把成千上万张纸钞放到地图上，究竟是这些偶发的远行决定它们扩散多快，还是漫长的局部流转更重要？
这篇论文提出，两种过程必须一起考虑：长距离跳跃把分布向外拉，长时间停留又把它拖慢。二者共同作用后的扩散，仍然快于普通扩散，却远慢于仅凭长跳跃推算的速度。纸钞提供的是人类旅行的间接证据，不能直接还原某个人的生活轨迹。
先说结论：
- 在1—4天的纸钞位移中，约10—3200公里范围出现重尾距离分布，少数长距离移动不能忽略。
- 只加入长跳跃的模型扩散得过快；初始地点附近的报告比例随时间下降得很慢，需要解释局部滞留。
- 同时加入重尾跳跃与重尾等待的模型，能够解释约一周至一年的时空标度，以及10—365天距离分布的重合。
- 独立旅行调查和航空客流支持纸钞与人类旅行存在总体联系，但不能证明二者在所有地区、所有时间尺度上等同。
为什么看纸钞，而不是直接看人？
研究发生在手机定位数据尚未广泛使用的时期。在线平台 Where’s George 允许参与者输入美元纸钞的编号与所在地点；同一张纸钞再次被报告，就提供了两个地点与一段间隔时间。
研究包含464,670张纸钞的1,033,095条报告，分析美国本土，排除阿拉斯加和夏威夷。这里的百万量级指报告条数；正文用于整体时空分析的位移记录是略多于50万条，不能把它们写成百万人各自的一次旅行。
位移 r 是两个报告地点之间的地理距离，时间 t 是报告间隔。纸钞在两次报告之间可能换过多位持有人，也可能绕路、返回，甚至进入银行。地图上的连线表达端点连接，并非真实道路或航线。参与者主动报告还会影响记录覆盖率。
偶尔一次远行，能把整个分布拉长多少？
20,540条1—4天的短期位移中，14,730条的终点离起点超过10公里。约10—3200公里之间，距离概率密度满足 P(r) ∝ r⁻⁽¹⁺ᵝ⁾，β＝0.59±0.02。也就是说，密度曲线的衰减指数约为1.59；0.59是β，不能把两者混作同一个指数。
这是一种幂律（power law）尾部：距离越大越少见，但极远位移仍比高斯式的快速衰减所预期的更常见。对应的理想随机游走叫 Lévy flight，通常译为莱维飞行。它描述抽象跳跃统计，不意味着这些纸钞都乘飞机。
大都市、中等城市与小城镇出发的曲线，在短距离上存在差别，在长距离尾部却接近同一个指数。这个结果支持跨地点类别的统计相似性；它没有检验每个人是否都按相同规律出行。
然而长跳跃还留下一个矛盾。把短期分布直接放进纯莱维模型，估计约68天就应接近平衡分布。奥马哈出发、报告间隔超过100天的纸钞，平均间隔已达289天，却仍有19.1%的终点在50公里以内；另有57.3%位于50—800公里，23.6%超过800公里。单靠长跳跃，空间分布会铺开得太快。
图 1｜长距离跳跃与局部滞留，怎样同时出现在纸钞记录中？
（a）三幅地图依次表示人口、报告、初始录入的相对对数密度，颜色越深表示相对全国平均越高。人口密集区与报告密集区有相似结构，但地图相似不能消除参与式采样偏差。
（b）西雅图、纽约、杰克逊维尔展示不足14天的端点连接；奥马哈的绿色终点展示超过100天的记录，未画连接线。下方饼图按原地、0—50公里、50—800公里和800公里以上分组，颜色越亮距离越大；纽约局部图保留近距离细节。
（c）横轴为公里距离、纵轴为概率密度，双对数坐标下10公里以外的蓝色点近似沿幂律线下降。插图用三种符号区分三类出发地点，尾部接近β＝0.59的参照线。
（d）横轴为报告间隔天数，纵轴为终点落在初始地点20公里内的比例。蓝色方块是25,375个初始地点的总体结果，黑色符号区分地点类别。实测下降接近 t⁻⁰·⁶，慢于普通二维扩散的黑色虚线，更慢于纯莱维模型的红色虚线。来源：原论文 Fig. 1。
附近仍有报告，就意味着它从未离开吗？
图1d的指标 P₀(t) 是间隔 t 后再次被报告在起点20公里以内的概率。它约按 t⁻η 下降，η＝0.60±0.03。纯莱维模型在二维中预期η约为3.33，普通扩散预期η＝1，两者都下降得更快。
这个指标并非连续监测得到的“从未离开”概率。一张纸钞可以先离开再返回，也可以在局部多次转手。长时间等待是用模型解释终点统计得到的机制，不能直接写成已经观察到某个人原地停留数月。
论文用重尾等待时间解释慢衰减：等待时间密度 ψ(t) ∝ t⁻⁽¹⁺ᵅ⁾，α约为0.60。报告间隔本身呈指数衰减，被用来反驳“仅仅因为纸钞长期退出追踪系统，所以产生重尾”的简单解释。这一论证仍依赖纸钞转手、人的离开与报告过程之间的假设，不构成对个人连续停留时间的直接测量。
走多远与等多久，如何合成一个扩散速度？
连续时间随机游走（continuous-time random walk，CTRW）把两件事分开抽样：每一步走多远，以及下一步之前等多久。补材中的基础模型假定二者随机且相互独立；实际出行中，远行与停留时间可能相关，所以这是一个用于解释总体分布的简化。
如果空间跳跃与等待时间都具有重尾，典型距离随时间约按 r(t) ∝ tᵅ⁄ᵝ 增长。β越小，长跳跃越突出；α越小，等待的拖慢作用越强。论文将二者的比值写成μ＝β/α，因此距离增长也可写成 t¹⁄ᵘ。
由前面的两组指数，理论预期μ＝0.98±0.08；由整体时空分布得到的中心估计为1.05。正文给该估计的不确定性为±0.02，图2图注为±0.05，两处标注不同，但中心值一致。按中心值算，典型距离约随 t⁰·⁹⁵ 增长，快于普通扩散的 t⁰·⁵。这叫超扩散（superdiffusion），指总体分布的尺度增长，并不意味着每个人都持续直线远行。
更严格的检验是比较不同时间的整条距离分布。将距离除以 t¹⁄ᵘ，并相应调整密度，10—365天的曲线能够近似落到同一条曲线上。α＝β＝0.6的模型也较好地符合其形状；纯莱维模型既不能按这一标度重合，也错过了小尺度部分。
图 2｜同一组空间与时间指数，能否解释不同观察时长的分布？
（a）横纵轴分别是时间与距离的十进对数，颜色表示对应概率密度。约7—365天中，高密度区域随时间向更远距离移动；实线给出实测标度，黑色虚线为普通扩散，白色虚线为纯莱维模型，灰色横线对应约3200公里的美国尺度。
（b）横轴为重标度距离 r/t¹⁄ᵘ，纵轴为重标度密度；点的颜色区分10—365天。不同时间的点接近同一条曲线，红色实线为双重重尾模型，彩色虚线为纯莱维模型。灰色小、大尺度渐近线分别对应指数约0.63与0.62的形状参数，与β约0.6相容。来源：原论文 Fig. 2。
这类模型还允许另一种情况：长跳跃与长等待恰好抵消，距离也可能随平方根时间增长，但分布形状仍不同于普通扩散。因此，看到增长指数接近0.5，不能立即断言其背后就是普通布朗运动。
图 3｜相同的距离增长速度，是否一定来自相同机制？
该图无字母子图。横轴为空间指数β，纵轴为时间指数α；中间区域同时包含重尾跳跃与等待，斜虚线β＝2α划分超扩散和次扩散。边界框展示纯莱维、普通扩散和等待导致的慢扩散极限。图中对慢扩散使用了 fractional brownian motion 的原文标签；这里应按其CTRW构造理解，不把所有相关高斯型分数布朗过程与其等同。来源：理论补充说明 Fig. 1.2。
纸钞的规律，能推广到人的旅行吗？
独立比较是这篇论文能否谈论人类旅行的关键。第一项是美国交通统计局的长距离旅行调查，包含2,617,126条往返旅行距离记录。补材将其分为粗距离档，并与不足两天的纸钞位移按同样档位比较。两个分布总体接近，最远一档也存在可见差别。
补材对调查口径先写往返至少50英里，分档从25英里开始，因而推送不把这些距离直接当作定义完全相同的单程GPS轨迹。粗分组的一致性能够支持距离分布的总体联系，不能独立确认10公里以下的细节，或精确确认所有尾部参数。
图 4｜纸钞与独立旅行调查，是否给出相近的距离组成？
该图无字母子图。横轴为距离档下界，纵轴为各档占比，蓝圈为BTS旅行调查，红圈为短期纸钞位移。大部分档位接近，最远一档的差别提示这种校准是粗尺度的一致性。来源：独立数据校准补充说明 Fig. 1.1。
第二项比较使用美国航空网络，包含102座大机场、2743条加权连接，约覆盖当时美国航空网络的95%。为了得到足够纸钞样本，比较时将纸钞报告间隔放宽到四周，再把机场客流与纸钞流量都汇总到州际连接。
排除任一流量为零的连接后，882条连接的总体相关系数R＝0.47。佐治亚、宾夕法尼亚、得克萨斯、密歇根四个例子的R分别为0.67、0.62、0.57、0.69。总体正相关支持两者共享部分出行结构，但表格也列出康涅狄格0.03、佛蒙特−0.30等结果，并非每个州都明显正相关；R＝0.47也不是47%的轨迹完全一致。
图 5｜纸钞更多流向的州，航空客流是否也更大？
原图未标字母。左上、右上、左下、右下依次为佐治亚、宾夕法尼亚、得克萨斯、密歇根；每个蓝点是一条通往另一州的连接，横轴为纸钞数量，纵轴为每日航空旅客数，均为对数坐标，红色虚线表示线性比例参照。点云总体向右上方延伸，同时存在明显散布。来源：独立数据校准补充说明 Fig. 1.3。
邻近州之间可以开车或乘火车，机场腹地又可能跨州，因此航空网络与纸钞流不应严格成比例。更重要的是，这两项校准主要支持距离与州际流量层面的联系，没有直接验证人的重尾等待时间。
这条规律能说到哪里？
论文的直接结果，是美国纸钞报告端点在特定距离和时间范围内的统计标度，以及一个能解释其联合分布的简洁模型。不同地点类别相近的尾部、跨时长的分布重合，提高了模型的说服力；但汇总拟合不证明每位居民都在执行独立随机跳跃。
模型中的无限方差、无限平均等待时间来自向无限范围延伸的理想重尾。真实美国有边界，观察也只有有限时间，不能据此说现实旅行的平均距离或平均停留时间真的不存在。
论文还用示意机制讨论纸钞流转与疾病地理传播的联系，并提出改进传播模型的方向。它没有在这里完成一项真实疫情预测评估，不能把旅行标度的拟合效果当作疾病预测准确率。
一句话总结
长距离移动把扩散推快，长时间局部滞留又把它拖慢；这篇论文用纸钞记录刻画二者的竞争，并为人类旅行提供了需要谨慎推广的间接统计证据。
核心来源
- 原论文与出版信息：正文全部图、方程、方法说明与作者信息。
- 作者研究项目页。
- 完整补充说明：独立旅行数据校准、莱维飞行与CTRW理论、平衡时间估算、疾病与纸钞传播机制。本文图1—2来自正文，图3—5来自相应补充说明。
作者介绍
D. Brockmann：论文署名机构为哥廷根马克斯·普朗克动力学与自组织研究所、哥廷根大学物理系；为通信作者，参与研究构思与数据分析，负责理论和模型构建。
L. Hufnagel：论文署名机构为加州大学圣巴巴拉分校卡夫利理论物理研究所；参与研究构思与数据分析，负责数据预处理。
T. Geisel：论文署名机构为哥廷根马克斯·普朗克动力学与自组织研究所、哥廷根大学物理系，以及哥廷根伯恩斯坦计算神经科学中心。三位作者共同撰写论文。
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。
一个监测系统若只统计少数远行，就可能高估一群人均匀散开的速度；若只统计常住附近的人，又可能漏掉远距离连接。这提示我们，交通或传播模型除了记录距离分布，还应检验距离与等待时间之间的关系。
例如，周末远行后通常长时间留在家中，远距离跳跃便可能与下一段等待相关。两套数据即使各自具有相同的距离分布、相同的等待分布，把二者配对的方式不同，也未必产生相同的扩散。用匿名连续轨迹保留这种配对，再与随机打乱等待时间的模型比较，才能检验本论文中独立抽样假设在具体人群里有多大作用。
