居家限制放开之后,深圳的公交、地铁和出租车是一起停、一起回来的吗?
论文名片|Baining Zhao、Xuzhe Wang、Tianyu Zhang、Rongye Shi、Fengli Xu、Fanhang Man、Erbing Chen、Yang Li、Yong Li、Tao Sun、Xinlei Chen,Estimating and modeling spontaneous mobility changes during the COVID-19 pandemic without stay-at-home orders,Humanities and Social Sciences Communications,2024,11:591。2023年8月30日收稿,2024年4月17日接收。DOI:10.1057/s41599-024-03068-4。题名页标注 Zhao 与 Wang 同等贡献;作者贡献段另写 Zhao、Wang 与 Sun 共享第一作者。通讯作者为 Xinlei Chen。本文依据这一正式版本解读。这是一项用公共交通起讫客流做的观察研究,后半再用动态模型去拟合客流曲线。
2022年12月8日,深圳公交、地铁和出租车的客流还靠近各自疫情前、按工作日和周末分开计算的水平。大约两周后,三种方式一起落到低谷,随后又回升。若只看全市总和,很容易以为所有出行都在同步暂停、再同步回来。
把从哪里到哪里拆开之后,曲线就分开了。学校和公园、文体方向更接近降下去、短期内不回头;机场、火车站、医院和一部分通勤、商业出行掉得少一些,也回得更快。论文把12月7日动态清零政策及出行限制取消之后的这种变化叫自发出行变化:没有居家令时,人们随当时的患病和自己感到的风险调整出门。这个名称不能自动当成每一个人都在做个人选择,学校停课、学生提前离校就是机构安排。
先说结论
- 分析窗是2022年12月8日到2023年1月6日。全市出行率的分母是疫情前同一类日子的平均客流:公交工作日、周六、周日为 9.7×10⁵、7.0×10⁵、6.0×10⁵ 人次;地铁图中印为 1.6×10⁵、7.8×10⁵、6.3×10⁵ 人次;出租车为 7.3×10⁵、7.6×10⁵、7.0×10⁵ 人次。地铁工作日基数小于周末,与常见的周内更高不一致,这里按图中印出的指数转写。
- 按下降和回升把起讫对分成四簇。图3a标题的行程量是243万、2836万、1064万、1532万,合计5675万;正文写这一窗口约5600万条。最大的一簇期末平均回到下降前水平的82.2%。
- 簇1的平均最大降幅是65.7%,低谷持续14天,表中没有给出回升速度;总影响为 −13.47。簇4的总影响为 −5.91。论文说后者只有前者的三分之一;按这两个表内数字相除是43.9%。
- 地铁、公交、出租车总体客流的总影响分别是 −9.42、−8.63、−7.90(单位按原文写作 %·天)。这是三种方式各自加总客流的累计偏离,不是四簇那组起讫对平均值。
- 用地起讫组合在四簇之间的构成不同。居住—学校有42.73%落在最难回升的簇1;公司—交通枢纽有58.92%落在回升较快的簇3。这些百分比的分母是该类用地组合,不是全市行程。
比较之前,先分清每一条曲线的分母
数据来自深圳一家公共交通运营企业:663条公交线路、16条地铁线路、17826辆出租车,合计约1.48亿次行程。公交起讫张量是3010个车站×3010个车站×98天,采集从2022年10月15日到2023年1月6日。地铁是240个车站,2022年11月1日到2023年1月6日,共67天。出租车按上下车坐标对到11362个城市地块,同样是67天。重点分析的是12月8日到1月6日这约5600万条。
11月1日到11月25日,论文依据深圳公开统计写每日确诊少于50例,并把这段当作公交常态客流。11月25日到12月7日实施严格封控,客流已经下降;截至12月7日,累计确诊不到当地人口的0.1%。12月7日取消动态清零政策和出行限制。论文要看的自发下降,是限制取消、客流先回到接近平时之后的那一段,不是11月25日到12月7日封控期的下降。
深圳常住人口超过1700万、人口密度达到每平方公里8800人,这两句来自论文所引的深圳市政府文件,不是从这批刷卡记录里数出来的。论文还引用新华社2022年7月23日的全国疫苗覆盖:第一剂92.1%,完成接种89.7%,加强免疫71.7%;60岁及以上分别是89.6%、84.7%、67.3%。分母是全国报告的接种覆盖,不是深圳乘客。它只说明这次客流下降发生在接种已经铺开之后,不能用来计算这30天里有多少人因为接种而停驶。

图 1|限制取消后,三种方式的全市客流是否同步下降再回升?
(a)纵轴是出行率,100%虚线是疫情前总出行水平。公交、地铁、出租车分别用工作日、周六、周日三套疫情前平均客流当除数,数字见上方结论。低谷落在12月22日到24日附近,地铁曲线低于公交,公交多数时候低于出租车;1月初三条线都回到大约七成到九成之间,图上没有标出每一天的精确读数,所以这里不报未标注的低谷百分比。(b)只画日均超过200人次的起讫联系,细联系被省略。左列为常态,右列为低谷附近;公交和地铁分起点站、终点站,出租车分上车点、下车点。右列线条更稀,说明被画出来的较粗联系在减少。图注还提到逐步稳定的第三段时期,画面本身并列的是常态和低谷这两列。来源:原论文 Fig. 1。
图1的出行率是把当天客流加总,再除以对应日子的基线,大客流起讫对权重大。后面的分簇平均不是这种加权。
一公里网格上,中心区为什么更暗?
若全城只有一条曲线,地图应该均匀变浅。论文把公交、地铁、出租车的出发和到达加到1公里×1公里网格上,再除以该格疫情前的客流。颜色越接近1,越接近疫情前;越接近0,剩下的客流越少。

图 2|下降和回升在地图上是否均匀?
(a)色标0到1,是网格出发加到达客流除以疫情前水平。大图是第15天,标为影响最深的时刻;右侧第7天仍在下降,第21天和第28天在回升。虚线标出的中心商务区及邻近地区比更远的区域更浅。这是1公里聚合,看不出是通勤消失、商业停业,还是人们改乘了私家车。(b)示意图,不是某一条真实起讫曲线。下降前高点记为 R_top,低谷为 R_bottom,期末为 R_end;t0 到 t1 是下降,t1 到 t2 是低谷,t2 到 t3 是回升。来源:原论文 Fig. 2。
正文没有在这张图下再给出每个网格的基线天数。方法部分说12月7日之前的数据用于基线和用地吸引度,因此图2的疫情前不应理解成12月7日当天,那天还在封控期末。
起讫对分成四类之后,平均曲线差在哪里?
单条起讫客流跳动很大,论文先用卡尔曼滤波平滑,再把每个起讫对除以它自己在12月8日的平滑客流,于是这一天的归一化出行率是1。这套除数与图1的工作日、周六、周日基线不是同一个数。
然后为每条曲线计算六项特征。下降速度是低谷与下降前高点之差,再除以所用天数。下降幅度是这两个水平之差。低谷天数是开始回升与到达低谷的时间差。回升速度和回升幅度用期末水平减去低谷,分别再看或不看所用天数。总影响是曲线与下降前水平之间的面积,越负表示累计少掉的出行越多。
表头把速度写成 %/天,把总影响写成 %·天。数值和正文对得上的读法是归一化出行率本身:1表示基线。簇1下降速度 −0.0420/天,大约12天可以下降0.50,与正文所说第12天平均降到不足50%相符。若把 −0.0420 理解成每天0.042个百分点,12天只下降约0.5个百分点,就和正文矛盾。下面按归一化出行率理解速度和面积;下降幅度、回升幅度仍按论文写成百分数。
K-means++ 把每个起讫对的这组特征当成一个样本。正文写明用肘部法和轮廓系数把簇数定为4。轮廓系数的具体数值画在补充图里,正文只报告选定的4。四个簇的边界会随特征选择和簇数改变,不是城市里天然存在且唯一的四类人。
| 阶段 | 特征 | 簇1 | 簇2 | 簇3 | 簇4 |
|---|---|---|---|---|---|
| 下降 | 速度(归一化出行率/天) | −0.0420 | −0.0349 | −0.0328 | −0.0264 |
| 下降 | 幅度 | −65.7% | −51.6% | −48.8% | −38.2% |
| 低谷 | 持续天数 | 14 | 4 | 4 | 6 |
| 回升 | 速度(归一化出行率/天) | 未给出 | 0.0261 | 0.0376 | 0.0195 |
| 回升 | 幅度 | 未给出 | 33.8% | 48.8% | 27.2% |
| 合计 | 总影响 | −13.47 | −8.39 | −7.26 | −5.91 |
表中的平均是起讫对之间的平均。聚类时每个起讫对一票,不按它有多少乘客加权。论文没有给出每簇的起讫对个数,因此不能把 −65.7% 直接说成那243万次行程的降幅。

图 3|哪些起讫对只下降不回升,哪些几乎回到原水平?
(a)横轴约30天,纵轴是出行率。细线是各个起讫对,中间线是簇内归一化出行率的平均,不是把簇内行程加总后再除以基线。标题行程量为243万、2836万、1064万、1532万。以这四者之和5675万为分母,分别占4.3%、50.0%、18.7%、27.0%。簇1降得最深且期末仍低;簇2低谷约在第15天、接近一半,之后回升;簇3回升斜率更陡,期末接近起点;簇4起伏最小。(b)每一行是一类用地起讫组合,四色是四簇,印出的百分数在最长的那一段上。分母是该行用地组合在四簇中的构成,权重来自用地吸引度的汇总,不是全市乘客人数。居住—学校42.73%在簇1;居住—公园/风景32.93%、居住—文体36.84%、大学—商业服务36.17%、公司—文体34.86%的最长段在簇2。公司—交通枢纽58.92%、居住—交通枢纽52.73%在簇3;大学—公司只有26.85%落在簇3,这一行更分散。居住—医院41.77%、居住—商业服务37.33%、居住—公司37.06%、公司—商业服务35.26%的最长段在簇4。超过一半的,只有两个枢纽组合。(c)三种方式总体客流的总影响,地铁最负,其次公交,再次出租车;精确数字是 −9.42、−8.63、−7.90。来源:原论文 Fig. 3。
簇2的期末水平,论文写平均回到82.2%。这与表内数字一致:若下降前按100%计,100% − 51.6% + 33.8% = 82.2%。它是期末还相当于基线的比例,不是挽回了82.2%的损失。簇3的下降幅度和回升幅度都是48.8%,所以平均而言期末回到下降前水平。0.488 ÷ 0.0376 ≈ 13天,是用回升幅度除以回升速度得到的回升用时,加上下降段和4天低谷,与大约30天的窗口同量级。簇1的回升速度和回升幅度在表中空缺;正文说第12天平均已低于50%,部分起讫对到统计结束仍接近停驶,短期内回升接近于无。
行程量最大的是簇2,不是掉得最深的簇1。只引用簇1的65.7%,会把只占图题行程量4.3%的那一类说成全市常态。
站点周围的用地,能把目的说到哪一步?
乘客没有填写出行目的。论文用车站或上下车点周围的用地来推测。九类用地来自高德和百度:居住、公司、商业服务、交通枢纽、大学、学校、医院、文体、公园/风景。底图是2018年城市土地利用,再用较新的兴趣点补新建用地,所以新楼和新店可能对不齐。
公交站取200米内各类地块数,除以九类地块总数,得到这一站对每类用地的空间吸引度。地铁站用500米。出租车的11362个地块被看成用地较纯,对应类别记1,其余记0。两个站点的吸引度相乘,得到从某类用地到另一类用地的相对权重。再按簇把这些权重加总,取出图3b里那些主要组合。

图 5|用地类别和站点缓冲区是怎样定的?
(a)深圳用地图。粉红为居住,红为公司,紫为商业服务,青绿为医院,蓝为文体,浅蓝为大学,绿为公园/风景,灰为交通枢纽,浅青为学校。颜色表示地块类别,不是客流大小。(b)示意如何把地块收成站点的用地向量:学校地块旁是一个点,地铁缓冲区标500米,公交缓冲区标200米。缓冲区里的地块构成不能区分同一站的乘客究竟去上班、去看病还是去换乘。来源:原论文 Fig. 5。
按这套推测,学校出行主要落在簇1和簇2:下降陡,短期看不到回升。论文给出的解释包括家长更谨慎,以及感染升高后学校改为线上或远程教学;大学则有学生在政策放开前已被安排离校。公园、风景和文体场馆也被放进影响更大的簇,论文将其视为非必要出行。这些是用地位置加上制度背景之后的解读。图3b能支持的是组合落在哪一簇,不能单独证明某一趟车里坐的是学生还是家长。
交通枢纽主要对齐簇3和簇4。论文的解释是跨城出行不容易被步行、骑行或私家车替代,所以服务机场、火车站和码头的公交即使在低谷仍有底线需求。居住—医院也落在降幅较轻的簇:一边是慢病患者被建议少去医院,另一边是检测、治疗和医护通勤还在。正文写与医院相关的客流维持在出行率40%以上。这是论文对这一类联系的概括,不是图3b那个41.77%本身;41.77%是居住—医院这条组合落在簇4的比例。
居住—公司在多个簇里都有,总体上没那么容易被打掉,论文把它看成城市客流恢复的主要来源之一,并推测与行业能否远程办公、是否必须到岗有关。行业和收入并没有出现在这批起讫记录里,所以这是解释,不是这项数据里测到的工资或职业。商业服务主要落在簇3和簇4。论文概括说,通勤、商业和就医构成这一时期城市公共出行的最大部分;图3b没有给出这三类占全部行程的百分比。
地铁比出租车少掉的,是一小截累计面积
图3c比较的是三种方式的总体客流,不是某一个车站。总影响地铁 −9.42、公交 −8.63、出租车 −7.90,单位是论文所写的 %·天,分母是该方式自己的总体客流相对常态水平的时间积分。三者的差距大约是0.8和0.7,方向明确,幅度小于簇1和簇4之间从 −13.47 到 −5.91 的差别。不能把地铁写成已经停摆、出租车几乎没变。
论文把这个次序联系到车厢拥挤和封闭程度,以及人们改选自己觉得暴露更少的方式。起讫数据里没有车厢密度,也没有同一批人改乘了哪种车。出租车更贵,经济上的取舍同样可能造成差异。图3c只支持累计偏离的排序。
拿掉意愿之后,四条平均曲线还会分开吗?
四簇已经说明,一条全市平均的下降再回升,概括不了学校和枢纽的差别。论文因此做了一个动态模型:先给出全城共用的停驶与重新出门节奏,再按出行目的和交通方式加减一项意愿。模型的平时规模,用的是该起讫对疫情前的客流。它解释的是这条已知基线后来怎么偏离,不是在没有历史客流时从零预测人数。

图 4|意愿是否是四条曲线彼此分开的原因?
图中没有子图字母,分上、中、下三栏。上栏的输入包括全城共用的节奏、意愿、站点周边用地或疫情前出租车起讫,以及疫情前公交客流。中栏把乘客分成照常出行、暂时不出行、重新出行。暂时不出行这个格子同时盖住身体原因和主动回避;实线表示身体原因对应的状态变化,虚线表示意愿。客流只记车次,分不出格子里有多少人是生病、多少人是不去。下栏四张小图对应图3的四簇。紫、黑、橙、红虚线是各簇起讫对的平均出行率,绿虚线是不加意愿的预测,蓝实线是加入意愿后的预测,蓝色带是100组意愿抽样、每组再做随机重复之后的第2.5到第97.5百分位。不加意愿时,四个簇得到同一条绿线;它在簇1里重新升上去,而实际平均曲线停在低位。加入意愿后,蓝线才跟着各自的平均曲线。蓝色带很宽,同一次抽样的上下界可以差到几十个出行率百分点。来源:原论文 Fig. 4。
正文还说,和回升有关的意愿差异更大:学龄出行的回升意愿明显偏负,居住—交通枢纽和公司—交通枢纽是两个最高的正值。各起讫对在下降阶段的意愿比较接近。这些方向写在正文里,平均值的图在补充材料中,这里不补具体系数。
蓝线贴近平均曲线,只说明加上按用地和方式区分的意愿之后,模型能够再现这四条形状。它没有证明乘客按图里的三态做决定,也没有证明意愿是心理测量得到的焦虑分数。绿线失败,说明单靠一条全城共用的节奏不够;它没有证明意愿是唯一还能补上的因素。换一组目的分类,也可能拟合出类似的分叉。
这些数字不能推出的事
这批数据只有公交、地铁和出租车。地铁少掉的行程,可能取消了,也可能改成步行、骑行或私家车。论文不能把公共汽电车和出租车的下降写成全市所有移动都下降了同样的比例。
用地缓冲区是200米或500米,地图展示用的是1公里网格。引言里说模型可以细到不足500米,指的是站点周围的用地,不是图2的每一格。同一缓冲区内可以同时有住宅、商店和医院,吸引度是地块数的比例,不是乘客问卷。
四簇和总影响都是描述。中心区更暗、学校组合更多落在簇1,与停课、远程办公发生在同一时期,时间重合不是这两件事互相造成的证明。模型把生病和回避放进同一个不出行状态,这项客流也没有第二份诊断数据来拆开它们。
观察的是深圳一座城市、一种已经大规模感染且病死率被论文视为相对较低的情形、大约30天、三种公共方式。论文自己写道,模型很简,也忽略了疫情在各区传播快慢的差别。换一座城市、换一种出行方式,或政策本身就在改变人们愿不愿意出门时,不能直接沿用这里的四条曲线。
一句话总结
居家限制放开后的这30天里,深圳公交、地铁和出租车并没有走出同一条下降再恢复的曲线;学校和休闲更接近降下去不回头,枢纽、医院和一部分通勤撑住了回升,地铁的累计损失大于公交,公交大于出租车。
核心来源
- Humanities and Social Sciences Communications 正式页面,2024年,11:591。正文图1至图5和表1都在这一版本中。
- 论文数据说明:2018年城市用地见 鹏城实验室数据平台;兴趣点可通过高德、百度地图接口获取。公交和出租车原始起讫数据需经深圳巴士集团许可用于学术合作。论文给出的脱敏数据入口为 OD-Data-in-Public-Transport-System。
作者介绍
以下只写论文署名、贡献声明和能够核对的机构页面,不把贡献段里无法区分的缩写安到同姓作者头上。
- Baining Zhao:清华深圳国际研究生院、鹏城实验室。题名页与 Xuzhe Wang 同等贡献;贡献段还把 Tao Sun 写入共享第一作者。参与构思、方法和写作。
- Xuzhe Wang:清华深圳国际研究生院。与 Zhao 同等贡献,参与方法和写作。
- Tianyu Zhang:清华深圳国际研究生院,参与初稿。
- Rongye Shi:北京航空航天大学人工智能研究院,参与构思和形式分析。
- Fengli Xu:清华大学电子工程系,参与形式分析。
- Fanhang Man:清华深圳国际研究生院,参与初稿。
- Erbing Chen:深圳大学数学系,参与初稿。
- Yang Li:清华深圳国际研究生院。贡献声明中的缩写 YL 没有再区分 Yang Li 与 Yong Li。
- Yong Li:清华大学电子工程系。同上,YL 不能单独对应到这一位。
- Tao Sun:鹏城实验室,参与方法和审阅。贡献段写他与 Zhao、Wang 共享第一作者;题名页的同等贡献标记只写了 Zhao 与 Wang。
- Xinlei Chen:通讯作者,署名为清华深圳国际研究生院、鹏城实验室、RISC-V 国际开源实验室。清华深圳国际研究生院英文页面列其2021年6月至2024年6月为助理教授,2024年6月起为副教授,研究兴趣包括城市尺度的智能感知与群体协同。
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。
如果交通部门只看12月底的全市客流,最大的那一簇已经回到基线的八成上下,系统像是在恢复。同一窗口里,学校方向的平均曲线仍停在低处,而且这类行程在图题行程量里只占约4%。恢复运力时,把车均匀加回所有线路,会把仍然空着的通学线和已经回升的枢纽线当成同一种需求。更可核对的做法是按图3的用地组合分别报期末出行率,而不是只报一个全市百分比。
另一个不能直接挪走的结论是地铁的累计损失大于出租车。差距只有大约0.8个 %·天。若通勤从地铁改到了私家车,地铁曲线下降并不等于这些人没有出门。要检验模式转移,至少需要一份同时覆盖私家车或道路流量的对照;只有公共汽电车和出租车时,把这三条曲线当成没有居家令时的全部移动基准,会把仍然发生的出行算丢。