次数回到九成时,出行距离回到2月了吗?
论文名片|Juanjuan Zhang、Suoyi Tan、Cheng Peng、Xiangyanyu Xu、Mengning Wang、Wanying Lu、Yanpeng Wu、Bin Sai、Mengsi Cai、Allisandra G. Kummer、Zhiyuan Chen、Junyi Zou、Wenxin Li、Wen Zheng、Yuxia Liang、Yuchen Zhao、Alessandro Vespignani、Marco Ajelli、Xin Lu、Hongjie Yu,Heterogeneous changes in mobility in response to the SARS-CoV-2 Omicron BA.2 outbreak in Shanghai,Proceedings of the National Academy of Sciences,2023,120(42):e2306710120,2023年10月12日发表。DOI:10.1073/pnas.2306710120。观察研究,依据这一正式版。
2022年4月的上海,一个人当天可能只换到相邻的一公里网格,另一个人在2月还能跨过更长的距离。若只公布全市平均每人每天几次,这两段路会写成同一种下降。
Zhang、Tan、Lu、Yu 与合作者用中国联通的蜂窝信令,观察2022年2月15日至6月30日、上海7,355个1公里网格之间的出行。次数、网格中心之间的直线距离、以及网格结成的流动社区,随五段日历里的限制一起变化,变化幅度却因网格、距离段、年龄和性别而不同。4月三者都到低谷。6月1日后不到一周,人均次数回到疫情前的90.5%;6月30日的距离中位数是5.105公里,靠近3月的5.090公里,2月则是6.035公里。
先说结论
- 疫情前两周,人均每天1.365次跨网格出行,对应约703万次/天。距离中位数6.035公里,10公里以内占全部出行的66.7%。中心城区网格中约33.4%,承担了图1B那种网格出行强度的80%。
- 4月全市限制期间,人均次数比疫情前低87.3%。讨论中给出的水平是平均每人每天0.174次,距离中位数1.205公里,79.0%的出行短于3公里。流动社区从40个增至221个。
- 6月短于3公里的出行超过疫情前水平,长距离出行大约回到疫情前频次的一半。社区数是54个。街道之间、区之间的流量,恢复程度低于1公里网格上的流量。
- 3月27日,3月1–27日报告数超过50的网格,出行平均比疫情前低78.7%;没有报告的网格平均低13.0%。5月16–31日,前者的出行平均相当于疫情前的12.6%,后者相当于84.1%。这是网格上的同期对照,线性相关系数只有0.115和−0.096。
- 疫情前,30–59岁人均1.457次、中位距离6.195公里,70岁及以上是0.596次、4.350公里。男性1.446次、6.080公里,女性1.212次、5.815公里。4月这些差别都被压到很低。
换过基站并再次静止,才记一次出行
数据是蜂窝信令(cellular signaling data)。中国联通约占上海活跃手机用户的三分之一,分析数据由其旗下智慧足迹(SmartSteps)聚合后提供。主动记录发生在通话、短信、开关机和基站切换时;手机开着时,被动记录大约每30分钟记一次位置。研究者拿到的是已经匿名、按小时、1公里网格、年龄和性别汇总的矩阵:某一小时、某一类人,从网格 j 到网格 i 有多少人。时间从2022年2月15日到6月30日,整个研究期平均每天504万用户,论文写为约占上海人口的20%。按街道算,覆盖率中位数19.5%,四分位距14.9%到24.7%。
一次出行的计数规则是:用户换到一个或多个新基站,直到大约30分钟不再切换。只保留不同网格之间的移动。网格内部的活动不会进入分子。进出上海的出行也不在本研究里。因此,后面的“变少”指的是跨网格出行变少。
当天人均次数写作 ⟨T⟩(t) = T(t) / U(t)。T(t) 是当天所有起点和终点不同的网格对上的出行之和,U(t) 是当天活跃用户数。活跃用户会随进出上海的人变化,所以分母不是固定的504万。疫情前两周的1.365次,对应每天约703万次出行。用703万除以1.365,约是515万活跃用户;这是两个正文数字的回推,论文没有单独列出该两周的用户数,它也和全期日均504万并排作为两个口径。
全市网格共7,355个,覆盖16个区和216个街道,面积口径是7,355平方公里。出行距离用网格中心之间的直线距离,是地图上的直线,不是道路里程,也不是耗时。
五个阶段按干预日历划分,不是按每人的实际活动划分。
| 阶段 | 日期 | 人均每日跨网格次数 | 距离中位数 | 流动社区数 |
|---|---|---|---|---|
| 疫情前 | 2月15–28日 | 1.365(约703万次/天) | 6.035公里 | 40 |
| 分区干预 | 3月1–31日 | 0.895 | 5.090公里 | 阶段末约50 |
| 全市限制 | 4月1–30日 | 比疫情前低87.3%;讨论中写平均0.174次 | 1.205公里 | 221 |
| 分区放开 | 5月1–31日 | 升至疫情前的19.3% | 约为疫情前的一半,正文未给精确公里数 | 109 |
| 重新开放 | 6月1–30日 | 6月1日后不到一周至疫情前的90.5% | 6月30日为5.105公里 | 54 |
2月1日至14日与春节重叠,被排除在基线之外。分区干预阶段的日历从3月1日开始;正文把公共场所关闭、学校停课和出行限制的实施写为3月2日起,学校停课的日期另写为3月12日,3月16日至27日在街道尺度区分不同限制强度。3月28日,黄浦江以东进入范围更大的停留限制,4月1日扩到其余地区。因此3月28日至31日仍落在分区干预这个阶段名下,全市并不是每一天只有一种规则。5月企业和公共交通开始恢复,出行回升的后半段计算使用5月16–31日。6月1日全市限制解除。6月公共场所和交通仍有进入条件,堂食限制持续到6月29日。
次数、距离和长距离,三条线并排看
疫情前两周是后面所有百分比的基线。1.365次是人均每天的跨网格出行,703万次是这些出行的日均总量。距离中位数6.035公里;10公里以内占66.7%,分母是这一阶段的全部跨网格出行。超过30公里的出行,在3月比疫情前少大约47.5%,中位数降到5.090公里。4月的87.3%也是相对1.365次这一基线;0.174次约是1.365次的12.7%,与87.3%的降幅对得上。4月有79.0%的出行短于3公里,这个79.0%的分母是4月的出行,不是2月的出行。5月的19.3%和6月第一周的90.5%,分母都是疫情前的人均出行水平。6月30日中位数5.105公里,对照的是3月的5.090公里。

图 1|五个阶段里,每人每天走多少次、走多远?
(A)左轴蓝线是人均每日跨网格次数,右轴灰柱是每日报告数(单位为千)。竖线分开五个阶段。4月蓝线落到0.2次附近并维持约一个月;6月1日后一周内升到疫情前水平的90.5%。右轴只说明论文把报告数画在同一时间轴上。(B)疫情前每个网格的出行强度,颜色由浅黄到深蓝,图例从1到10,000以上。强度等于该网格进入与离开的出行之和,一次跨网格出行在两端各计一次。中心城区网格中约33.4%承担了这种强度的80%;正文没有列出中心城区网格的个数,80%也不是703万次里的80%。(C)色带是各距离段占当日出行的比例,距离段为1–3、3–5、5–10、10–30、30–50和50公里以上;黑色虚线是距离中位数,读右轴。4月色带收成以1–3公里为主,中位数落到1.205公里。(D)横轴是距离的对数,纵轴是出行距离超过该值的累计概率。全市限制阶段的曲线下降最快。来源:原论文 Fig. 1。
6月短于3公里的出行超过疫情前,长距离大约回到疫情前频次的一半。3月把超过30公里单列为降幅最大的一类;6月这句话没有再次写出公里界限。所以“次数接近2月”和“中位数仍在5.1公里”可以同时成立:多出来的主要是短出行。
社区变多,表示跨区的联系变碎
流动网络以网格为节点。两个网格之间在该阶段的日均出行达到1次,才保留这条有向边,低于1次的边删除。边权是阶段内的日均人次。一个网格的度,是有出行连入或连出的其他网格个数,算的是有没有连接,不是连接上的人数。平均度是全部节点的度再平均。
社区用 Infomap 划分。它沿加权有向边做随机游走,寻找描述这条路径时更省信息量的分组。同一社区里的网格,是在这个出行网络上更容易互相到达的一组。社区按网格划分,不按行政区,也不按某一个人的活动范围。面积最大的10个社区所占土地,除以7,355平方公里,记为 α。划分重复100次,报告平均的 α、社区总数和跨过10个以上网格的社区数。

图 2|出行网络上的社区,如何随五个阶段裂开再部分合拢?
节点是一个社区,位置在该社区网格的重心,大小按社区包含的网格数,箭头粗细按社区之间的出行。社区内部的出行不在这张图里。(A)疫情前约40个社区,中心有一个约占全市土地8%的核心社区,外围社区位于中心都市区之外、仍在这7,355个网格内。(B)分区干预阶段,阶段末社区数增至大约50;图上的节点不宜逐个当成精确的50。(C)全市限制阶段裂成221个更小的社区,原先连接各片的核心—外围结构散开。(D)分区放开阶段减到109个,社区之间的连接加强。(E)重新开放阶段为54个,多于疫情前的40个,较大节点重新出现,布局仍比(A)更散。来源:原论文 Fig. 2。
论文把6月社区数停在54,与当时尚未撤去的进入条件和堂食限制放在一起讨论。社区数本身只说明网络分组变了,没有单独证明是哪一条规则留下的。
网格之间的降幅,两端差得很远
分区干预尚未进入4月全市限制时,出行下降已经不均匀。图3把每个网格的报告数和出行变化放在一起。降幅的定义是:疫情前出行水平减去3月27日的出行,再除以疫情前出行水平。降幅100%表示当天跨网格出行降到0,0表示与疫情前相同,负数表示比疫情前更多。作者假设当天的出行对应当天的报告与干预状态。相关是网格层面的,出行记录和报告记录没有在个人层面连在一起。

图 3|哪些网格的出行降得更多,哪些网格先回来?
(A)上图是截至3月27日各网格的累计报告数,下图是3月27日相对疫情前的出行降幅。降幅图例从红色的负值到蓝色的100%:蓝色是降得多,红色是比疫情前更高。两张图的日期一个是累计到27日,一个是27日当天。(B)纵轴是3月1–27日各网格的新增报告数,横轴是3月27日的降幅。柱是均值,横线是50%分位区间,点是网格。降幅为负的网格没有画出。报告数超过50的网格平均降78.7%,没有报告的网格平均降13.0%;0这一组的均值柱短于许多散点,点本身从0附近铺到100。(C)上图是5月1–31日的累计报告数,下图是5月16–31日日均出行除以疫情前水平。恢复图里红色是高恢复,蓝色接近0,红蓝含义与(A)的降幅图相反。上图与下图的日期窗口也不相同。郊区和乡村中报告较少的网格回升更明显。(D)与(B)同一读法,横轴换成5月16–31日的恢复比例,超过100%的点没有画出。报告数超过50的网格平均相当于疫情前的12.6%,没有报告的网格平均相当于84.1%。来源:原论文 Fig. 3。
全体网格上,3月27日降幅与报告数的 Pearson 相关系数是0.115(P < 0.001),5月16–31日恢复比例与报告数的相关系数是−0.096(P < 0.001)。网格数量多,所以很小的线性相关也能显著。两端均值差得大,中间组的点很散,一条直线留不下大部分格子的差别。
报告数更高的网格,当时也更可能处于更严的限制。论文把这种空间差异同时联系到当地报告和已经实施的干预,并推测部分人在规定之外又减少了出行。数据的设计分不开“规定要求停”和“自己又少走了”。4月全市限制之后,各片出行都落到很低的水平,这种空间差别暂时让位给全市一致的低谷。
年龄和性别的差别,在4月几乎被压平
年龄分为16–18、19–29、30–59、60–69和70岁及以上,另按男性和女性汇总。人均次数的均值和95%分位区间来自100次自助抽样,距离图上的横线是50%分位区间。次数之间用两样本 t 检验,距离分布和度分布用 Kolmogorov–Smirnov 检验。样本很大时,眼睛看起来接近的柱子仍可以 P < 0.0001。
疫情前,30–59岁最高:1.457次、6.195公里。70岁及以上最低:0.596次、4.350公里。男性1.446次、6.080公里,女性1.212次、5.815公里。到了分区干预阶段,70岁及以上比30–59岁少走62.8%的次数、短25.9%的距离;这是该阶段两组相比,不是用2月的1.457和0.596直接相减。同一阶段,男性的次数比女性高30.3%,距离长3.9%,也不是2月那组绝对数的差距。70岁及以上在这一阶段的出行降幅最大,男性的降幅小于女性。

图 4|次数、距离、社区范围和网络的度,如何随年龄和性别变化?
(A)疫情前。左向柱是人均每日次数,右向柱是距离中位数。全体为红色,各年龄为橙色,男性为蓝色,女性为浅蓝色。次数的横线是95%分位区间,窄到几乎看不见;距离的横线是50%分位区间。(B)全市限制。各年龄、男女的次数和距离都缩成很短的柱。论文写差别看起来不明显,同时因为样本大,统计检验仍然显著。(C)重新开放。次数明显回升,70岁及以上仍是年龄组里最低的一组;女性的恢复低于男性。(D)疫情前的社区指标。左轴 α 是面积最大的10个社区占7,355平方公里的比例,右轴是社区总数,填色部分是跨过10个以上网格的社区。社区数坐标在50和500之间有间断。(E)全市限制。α 都很低,社区总数变多,柱伸进右侧高值区。(F)重新开放。α 回升,社区总数仍多于(D)里相应的一组。男性在各阶段都保持更大的 α 和更少的社区数。(G)各年龄的度分布,横轴是度的常用对数,3之后有坐标间断,间断后的刻度标到40;橙、青、红分别是疫情前、全市限制和重新开放。30–59岁的分布更靠右。(H)男性与女性的度分布,颜色阶段与(G)相同,男性在高值一侧更厚。来源:原论文 Fig. 4。
正文给出的一组年龄社区对照是:16–18岁 α = 5.913%、社区数319;70岁及以上 α = 6.527%、社区数369;30–59岁 α = 37.250%、社区数141。这组精确百分比写在正文并指向补充图,同一句没有标明阶段;图4D是疫情前,柱的高低与这组数字相符。划分对象是各年龄自己的网格网络。疫情前男性 α = 37.161%、社区数147,女性 α = 31.033%、社区数207。α 更高表示最大的10个社区覆盖更广,社区数更少表示网络切得没那么碎。
30–59岁流动网络的平均度是16–18岁的40倍。平均度是一个网格平均连到多少个其他网格,不是一个人去过的地点个数。这个40倍是两组平均度之比,和图4G间断后那个刻度40是两回事。正文还写30–59岁网络的传递性更高,即相邻网格彼此也更常相连。各组的具体平均度和传递性系数在补充表里,正文只给了这个倍数。
4月之后,各年龄的次数和距离很快朝疫情前的高度回升,70岁及以上恢复最低,女性低于男性。论文对高龄者恢复较慢给出两种可以并存的解释:一部分人自己减少出行;离开居住地仍要满足进入条件,用手机出示证明对一部分高龄者更难。两种解释都还是推测。
网格合成街道以后,跨界流量掉得更多
同一套信令换成更大的空间单元,下降和回升的百分比会变。全市限制期间,跨网格流量比疫情前低87.5%,跨街道低91.3%,跨区低95.4%。重新开放后,三者分别回到疫情前流量的91.2%、79.1%和69.2%。这里的分母是该空间尺度上疫情前的流量。它和人均次数的87.3%、90.5%接近,计量的却是跨单元流量,不是每人每天几次。单元越大,跨界流动越少,回升也越低。只用全市人均次数,会把区与区之间仍未回来的联系算得过满。
论文还区分跨单元流动和单元内部流动。内部流动在网格、街道、区三种尺度上含义不同:网格内部是不到一次“跨网格出行”的短移动,区内部可以包含很长的区内出行。各阶段两种流动的比例都有差异(P < 0.0001)。具体比例在补充图里,正文没有列出百分数。
时间上也有一层正文只给了方向的结果。重新开放后,以周为周期的通勤形态回升得很快,当时的次数、距离和社区结构都还没有完全回到2月。工作日与周末、白天与夜间的次数、距离和社区结构存在显著差异。差值写在补充材料,正文没有给出。
这些比较成立到哪一步
这是一套观察数据。阶段由全市规则的日历划定,网格上的报告数又和当地规则缠在一起,所以空间上的降幅差同时含有规定和出行行为。Pearson 相关、分组均值和作者关于“自己又少走了”的推测,证据等级不同。0.115这样的系数说明不了大部分网格的降幅。
手机用户不能代表没有手机的儿童和高龄者。按年龄、性别分开之后,比较发生在该组手机用户内部,全市结果不再被用户的年龄结构直接代表;没有手机的人仍然不在样本里。一部手机也可能由多名家庭成员使用。论文引用的2022年上海移动电话普及率是每百人178.1部,这个数说明号码很多,也说明它不是“178%的居民每人恰好一部手机”。
直线距离会把绕路、过江和等待都压成网格中心的连线。1.205公里表示4月那些被记到的跨网格出行,两端网格中心相距的中位数是1.205公里。它不表示每个人步行了1.205公里,也不包含留在同一网格里的活动。
年龄和性别能够对应到报告记录的窗口,只到3月25日。那部分对照不是出行测量本身。全期都能按年龄和性别计算的是出行次数、距离和网络。
一句话总结
2022年2月中旬到6月底,上海跨网格出行的次数、直线距离和流动社区按不同的幅度变化:4月一起落到低谷,6月短距离次数先回来,距离中位数和社区格局仍停在比2月更短、更碎的状态。
核心来源
- PNAS 正式论文,2023年10月12日发表,120卷42期,e2306710120。2023年4月24日收稿,9月12日接收。正文8页,图1至图4。
- 作者代码。手机数据属智慧足迹,个人记录与网格数据不公开;复现用的网格数据可向通讯作者申请。
作者介绍
署名机构与贡献以论文为准。Juanjuan Zhang 与 Suoyi Tan 为共同第一作者。Marco Ajelli、Xin Lu 与 Hongjie Yu 为同等贡献作者,Xin Lu 与 Hongjie Yu 为通讯作者。Xin Lu 与 Hongjie Yu 设计研究;Juanjuan Zhang 与 Suoyi Tan 执行研究;除 Alessandro Vespignani、Marco Ajelli、Xin Lu、Hongjie Yu 以外的署名作者参与数据分析;Juanjuan Zhang、Suoyi Tan、Allisandra G. Kummer、Alessandro Vespignani 与 Marco Ajelli 撰写论文。
- Juanjuan Zhang:复旦大学公共卫生学院流行病学系、公共卫生安全教育部重点实验室。
- Suoyi Tan:国防科技大学系统工程学院。
- Cheng Peng:复旦大学公共卫生学院流行病学系。
- Xiangyanyu Xu:复旦大学公共卫生学院流行病学系。
- Mengning Wang:国防科技大学系统工程学院。
- Wanying Lu:复旦大学公共卫生学院流行病学系。
- Yanpeng Wu:复旦大学公共卫生学院流行病学系。
- Bin Sai:国防科技大学系统工程学院。
- Mengsi Cai:国防科技大学系统工程学院。
- Allisandra G. Kummer:印第安纳大学公共卫生学院流行病学与生物统计学系,计算流行病学与公共卫生实验室。
- Zhiyuan Chen:复旦大学公共卫生学院流行病学系。
- Junyi Zou:复旦大学公共卫生学院流行病学系。
- Wenxin Li:复旦大学公共卫生学院流行病学系。
- Wen Zheng:复旦大学公共卫生学院流行病学系。
- Yuxia Liang:复旦大学公共卫生学院流行病学系。
- Yuchen Zhao:复旦大学公共卫生学院流行病学系。
- Alessandro Vespignani:东北大学网络科学研究所,生物与社会技术系统建模实验室。
- Marco Ajelli:印第安纳大学公共卫生学院,计算流行病学与公共卫生实验室。
- Xin Lu:国防科技大学系统工程学院。
- Hongjie Yu:复旦大学公共卫生学院流行病学系、公共卫生安全教育部重点实验室。
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。
若一座城市只用一个恢复比例宣布出行已经回来,比例的空间单元会改写结论。6月网格流量回到疫情前的91.2%,区与区之间的流量回到69.2%,两边的分母都是各自疫情前的流量。交通是否恢复长距离联系,更接近后一个数;生活服务是否在邻近网格重新出现,更接近短于3公里的出行已经超过2月。把三种分母并列报告,比再把它们平均成一个城市分数更接近这篇论文已经展示的差别。
另一个可以单独做的测量,是把同一网格内部的停留从跨网格出行里拆出来。4月的1.205公里只描述那些换过网格的出行。若4月有大量活动留在原网格,全市会显得比实际更静止;若2月也有大量网格内活动,基线本身就被这条规则裁掉了一截。更细的网格或停留点,才能判断低谷里少掉的是长距离联系,还是连楼栋之间的移动一并少掉。