2019-Hierarchical organization of urban mobility and its connection with city livability


出行越是只在相邻层级的热点之间发生,城市宜居指标就会更好吗?

论文名片|Aleix Bassolas、Hugo Barbosa-Filho、Brian Dickinson、Xerxes Dotiwalla、Paul Eastham、Riccardo Gallotti、Gourab Ghoshal、Bryant Gipson、Surendra A. Hazarie、Henry Kautz、Onur Kucuktunc、Allison Lieber、Adam Sadilek、José J. Ramasco,Hierarchical organization of urban mobility and its connection with city livability,Nature Communications,2019,10:4817。2019年3月11日收稿,2019年9月27日接收。DOI:10.1038/s41467-019-12809-y。这是一项用汇总出行流量刻画城市内部层级,再与交通、排放和健康指标做城市截面比较的观察研究。

巴黎和洛杉矶的都市区人口都在一千多万。图注写的是巴黎 1240 万、洛杉矶 1335 万。两座城市的忙碌地点却摆得很不一样:巴黎的最高活动格子聚在核心,向外一圈圈变淡;洛杉矶的高活动格子散在很大一片建成区里。单中心还是多中心,只数得清有几个中心,还回答不了人们到底在这些中心之间怎样流动,也回答不了通勤方式、人均排放和若干健康指标会跟着哪一种流动结构一起变化。

这项研究把 2016 年的市内出行汇总到大约 1.27 平方公里的网格上,按出发量把网格分成层级,再计算有多少出行留在同一层级或相邻层级之间。在所覆盖的城市里,这个比例越高,美国城市的公共交通和步行通勤占比越高,小汽车通勤占比越低,人均氮氧化物、一氧化碳和 PM10 越低,到医院的平均距离、缺血性卒中死亡率和交通事故死亡率也越低。证据等级是城市与城市之间的统计联系。所有城市的这一比例都挤在 0.77 到 0.95 的高位区间里;洛杉矶和旧金山还可以在相近的层级上,走出差别很大的通勤结构。

先说结论

  • 流动层级 Φ 衡量同级和相邻级热点之间的出行占市内出行的比例。纽约分出 14 个层级,Φ 为 0.92。同样 14 级若流量完全均匀,Φ 为 0.20;若只保留各级流量多少、打乱层级之间的搭配,Φ 降到 0.65。
  • 正文给出的城市 Φ 位于 0.77 到 0.95。排名上,亚洲和非洲城市整体更靠前,其后是欧洲、美洲,大洋洲靠后。
  • 在美国城市中,私家车、公共交通、步行三种通勤占比与 Φ 的皮尔逊解释方差分别是 0.40、0.45 和 0.47,三个 p 值都小于 0.001。解释方差的分母是城市之间该指标的差异,不是出行人次。
  • 人均氮氧化物、一氧化碳和 PM10,以及缺血性卒中死亡率、到最近医院的平均距离、交通事故死亡率,都随 Φ 升高而下降。缺血性卒中的患病率没有表现出同样清楚的联系。
  • 模型里已经放入人均 GDP、贫困比例、吸烟率或肥胖率之后,再加入 Φ 仍会提高解释方差。图上八项相对增益从缺血性卒中的 18% 到全部卒中的 279%。慢性阻塞性肺病患病率由 Φ 单独解释的 R² 超过 0.3;放入吸烟率后,Φ 对应图上标出的 40% 相对增益。

比较的是网格之间的汇总流量

出行来自 2016 年选择开启位置历史的用户。样本超过 3 亿人,包含城市居民和访客,按周汇总。空间单元是 S2 网格,面积大约 1.27 平方公里。作者写明,分析使用的是匿名后的大量人口汇总流量,没有人工检查个体用户数据。网格内部的出行不进入后续网络。

被分析的美国城市有 127 座,人口都超过 40 万。全球排名使用数据集中 174 座人口较多的城市。纽约是其中最大的美国都市区之一,人口近 2000 万,网络有 6213 个网格、110798 条连接,平均每个网格 17.8 条连接,这个平均数等于连接数除以网格数。亚特兰大人口大约 500 万,有 4156 个网格、46333 条连接。这些数的分母是网格或连接。它们统计的是保留下来的跨网格流量。

宜居性在这里具体落在通勤方式占比、人均污染物排放、到医院的距离,以及若干死亡和患病指标上。美国指标被选来做主要比较,是因为它们由同一套机构口径收集,城市之间更容易对齐。全球比较覆盖交通方式和一部分排放。

忙碌格子怎样被分成层级?

每个网格先看出发出行量。进入和离开大体对称,所以用出发量来分层。分层借用洛伦兹曲线:把网格按出发量从小到大累积,在曲线右上角作切线,切线交到横轴的位置就是这一级的门槛。抽出这一级之后,对剩下的网格重复。图中的第 1 级是出发量最高的那一批,颜色为深红;第 2 到第 4 级依次是橙、黄、绿;第 5 级及以下是深蓝。多数城市的出发量集中在前三或四级,更低的级别格子多、流量少。

完整原论文图1,北美出行网络、纽约洛伦兹曲线和六座城市的热点层级地图

图 1|人口相近的城市,热点是围着核心一圈圈排开,还是散在全市?

(a)北美网格之间的出行网络,颜色表示归一化流量,色标大约从 10⁻⁸ 到 10⁻⁴;小图是纽约。网格内部出行不在分析里。(b)用洛伦兹曲线逐级确定热点门槛,横轴是网格累计比例,纵轴是出发量累计比例;五条线对应前五个层级。(c–e)人口大约一千万量级的巴黎(1240 万)、曼谷(1450 万)和洛杉矶(1335 万)。(f–h)亚历山大(埃及,517 万)、圣地亚哥(711 万)和悉尼(513 万)。巴黎和亚历山大的高层级热点围着核心,曼谷和圣地亚哥从中心向外铺开,洛杉矶和悉尼更分散。底图由 Carto 绘制,地图数据来自 OpenStreetMap。来源:原论文 Fig. 1。

地图显示热点怎样铺在城市里。Φ 继续计算这些层级之间的出行有多少留在相邻层。

流动层级把相邻层级之间的出行收成一个比例

把第 i 级和第 j 级热点之间的出行记为分子,除以这座城市的市内出行总数,得到矩阵 T。流动层级 Φ 只把三类格子加起来:每一级内部的出行,以及相邻两级之间的双向出行。若出行只发生在同级或相邻级,Φ 等于 1。论文写,流量在各层级之间呈扁平分布时 Φ 接近 0。L 每座城市不同;对已经分出很多级的城市,完全均匀时的公式值仍会离开 0。

各级流量若完全均匀,参照值是 Φᵤ = (3L − 2) / L²。纽约 L = 14,代入后 Φᵤ = 0.20。实际的 Φ 是 0.92。0.92 的分母是纽约的市内出行,分子是落在同级或相邻级热点之间的那一部分。

完整原论文图2,纽约流量矩阵、部分城市排序和全球城市排名

图 2|Φ 怎样从流量矩阵里加出来,城市又怎样沿这个数排列?

(a)纽约前十个层级之间的归一化流量,颜色从大约 10⁻¹ 到 10⁻⁵;图注所说的黄色描边标出同级和相邻级,Φ 由这些格子相加。(b)一部分城市按 Φ 从高到低排列,纵轴刻度从 0.80 到 0.96。左端靠近马尼拉、亚历山大,右端靠近悉尼、休斯顿。三个小矩阵是马尼拉、伦敦和休斯顿。图 1 的六座城市以粗体标在横轴上,分散的城市更靠右。(c)全球城市全集按 Φ 下降排列,颜色区分大洲;插图是各大洲 Φ 与排名的均值和标准差。正文的排序结论是亚洲和非洲整体靠前,然后是欧洲、美洲,大洋洲靠后。来源:原论文 Fig. 2。

正文给出的全体城市落在 0.77 ≤ Φ ≤ 0.95。排序发生在这段高位区间内部。0.95 距离只在相邻层级之间流动的 1 还有 0.05,0.77 距离 1 还有 0.23。纽约的实际值 0.92 比该市完全均匀时的 0.20 高 0.72,高出的部分仍是市内出行比例。

这个定义不依赖某一种数据来源。用美国普查的通勤再算,Φ 系统性低于全目的出行,城市之间的高低趋势仍然同向。两类数据的高层级热点在市中心比较一致,在郊区分歧更大。全目的出行的热点还包括交通枢纽、休闲场所和主要经济活动,通勤则主要落在居住地和工作地。把 S2 网格换成不同边长的方格后,美国城市的 Φ 数值会略有变化,按 Φ 的排名基本保持稳定。每座城市的普查 Φ 和不同尺度下的具体数值写在补充图中,正文给出的是上述方向。

忙闲不均本身,到不了观察到的 Φ

热点本来就忙闲悬殊。若 Φ 高只是因为前几级占了大部分流量,那么只要保留每一级的总流量、按各级规模重新搭配出行,Φ 应该差不多。这个零模型记为 Φₕ。纽约的 Φₕ 是 0.65,仍明显高于均匀参照 0.20,也明显低于实际的 0.92。0.92 与 0.65 的差是 0.27,单位是市内出行比例,不是人口比例。

完整原论文图3,纽约经验流量矩阵、随机矩阵和美国城市与零模型的比较

图 3|实际的层级搭配,是否高于只保留各级流量多少的随机搭配?

(a)纽约全部 14 个层级的经验流量,颜色大约从 10⁻¹ 到 10⁻⁷,流量沿同级和相邻级形成嵌套的深色带。(b)按各级总流量重新搭配后的纽约,高层级之间仍有流量,结构更偏向上三角,对角带变淡。(c)一组美国城市的经验 Φ(蓝)和零模型 Φₕ(红)。图中每一座城市的蓝点都高于红点。纽约这一对的正文数值是 0.92 对 0.65。来源:原论文 Fig. 3。

因此,Φ 里至少有两层信息。一层是少数层级拿走大部分出行。另一层是这些出行更倾向于留在相近层级之间,并与热点在空间上聚成核心还是散开有关。它仍然是流量结构的描述。它还没有说明,改变分区或公交线路之后 Φ 会不会移动。

在美国城市里,Φ 和通勤、排放、部分健康指标一起怎样变化?

美国通勤方式来自人口普查,分母是上班出行。排放使用美国环保署 2014 年国家排放清单,单位是人均公吨。健康指标来自美国疾病控制与预防中心、交通部健康工具和医院位置数据。移动数据是 2016 年,排放清单是 2014 年,比较的是城市截面,两套资料的年份不同。回归点来自这 127 座人口超过 40 万的美国城市;指标若有缺失,进入某一张图的城市数会少于 127。正文未逐图列出回归样本数。

完整原论文图4,美国城市流动层级与通勤、排放和健康指标的九张散点图

图 4|美国城市的 Φ 升高时,通勤、人均排放和三项健康相关指标朝哪个方向走?

横轴都是 Φ,大约从 0.75 到 0.95。蓝色曲线是 LOESS 平滑。R²ₚ、R²ₛ、R²ₗ 分别是皮尔逊、斯皮尔曼和 LOESS 的解释方差,三颗星按图注表示 p 小于 0.001。(a)小汽车通勤占比,纵轴标出 50%、70%、90%,R²ₚ = 0.40,R²ₛ = 0.29,R²ₗ = 0.56;占比随 Φ 下降,高 Φ 一端下降更陡。(b)公共交通通勤占比,纵轴标出 10%、20%、30%,R²ₚ = 0.45,R²ₛ = 0.39,R²ₗ = 0.64。(c)步行通勤占比,纵轴可见刻度从 2% 到 7%,R²ₚ = 0.47,R²ₛ = 0.27,R²ₗ = 0.58。(d)人均氮氧化物,刻度须乘 10⁻² 才是人均公吨,R²ₚ = 0.44,R²ₛ = 0.54,R²ₗ = 0.49。(e)人均一氧化碳,刻度乘 10⁻¹,R²ₚ = 0.33,R²ₛ = 0.43,R²ₗ = 0.37。(f)人均 PM10,刻度乘 10⁻³,R²ₚ = 0.29,R²ₛ = 0.31,R²ₗ = 0.39。(g)缺血性卒中死亡率,单位是每 10 万人的死亡数,R²ₚ = 0.31,R²ₛ = 0.26,R²ₗ = 0.37。(h)到最近医院的平均距离,单位是公里,R²ₚ = 0.41,R²ₛ = 0.42,R²ₗ = 0.47。(i)交通事故死亡,单位是每 10 万人,R²ₚ = 0.34,R²ₛ = 0.33,R²ₗ = 0.35。来源:原论文 Fig. 4。

三种通勤占比的皮尔逊解释方差都不低于 0.40。公共交通这一项是 0.45,与正文所说的解释方差一致。小汽车占比随 Φ 下降,公共交通和步行占比随 Φ 上升。摘要中的可步行性,对应图 4c 的步行上班出行占比。

排放三条曲线随 Φ 下降,并在高 Φ 一端趋平。小汽车占比的平滑曲线在高 Φ 一端才明显下落。正文据此认为,人均排放的形态更接近人均车英里数。人均车英里数和人均公交出行次数有同方向的联系,细节在补充图 19,系数写在补充材料中。

缺血性卒中要分开患病和死亡。患病率与 Φ 的联系不明显,依据放在补充图 21。死亡率随 Φ 升高而下降,图 4g 的皮尔逊解释方差是 0.31,分母仍是城市之间死亡率的差异。到最近医院的平均距离也随 Φ 下降。交通事故死亡率同样下降;正文称,在考虑城市之间通勤方式的差别之后,这一联系仍然在,核对见补充图 20。

作者给出的解释是:Φ 更高的城市往往更密、高层级热点更集中;若医疗服务随人口分布,这些城市到医院的平均距离更短。他们同时写明,只看平均人口密度并不足以解释这些趋势。这是对截面格局的解释。图 4 本身是相关,平滑曲线也是描述性拟合。

洛杉矶和旧金山把这个界限显出来。两座城市的 Φ 接近,旧金山的公共交通占比更高、小汽车占比更低,人均车英里数相近。正文据此认为,旧金山居民的单次行程更长。两座城市的人均排放、卒中死亡和医院距离也接近。空间限制、地形和土地利用与公交网络一起,才和流动层级发生联系。作者把人口密度的空间分布看作医院距离和死亡率差别的主要因素。这是他们根据两座城市的比较作出的解释。

全球城市还能看到同样的方向吗?

全球样本的指标更少,口径也不如美国统一。公共交通占比来自公交数据汇编,温室气体来自碳披露项目,并按二氧化碳当量计人均公吨;全球氮氧化物来自全球大气研究排放数据库。

完整原论文图5,全球城市流动层级与公交占比、温室气体和氮氧化物

图 5|换成全球城市后,公共交通占比和两种人均排放还保持同样方向吗?

点的颜色区分非洲、美洲、亚洲、欧洲和大洋洲。(a)公共交通方式占比,纵轴标到 100%,R²ₚ = 0.46,R²ₛ = 0.39,R²ₗ = 0.48,均为三星。占比随 Φ 上升。墨西哥城和拉各斯标在高处,奥克兰、布里斯班、悉尼、迈阿密位于 Φ 和公交占比都较低的区域。(b)人均温室气体,纵轴为 0 到 35 公吨二氧化碳当量,R²ₚ = 0.44,R²ₛ = 0.37,R²ₗ = 0.45。总体随 Φ 下降,并有城市明显高于平滑线。(c)人均氮氧化物,纵轴为 0 到 0.012 公吨,图上标出 R²ₚ = 0.48,以及两个都印成 R²ₛ 的 0.50 和 0.54,均为三星。总体随 Φ 下降;明尼阿波利斯、圣安东尼奥位于纵轴较高处,波士顿的 Φ 不低,排放点仍然偏高。来源:原论文 Fig. 5。

全球公共交通的皮尔逊解释方差是 0.46,美国同一类占比是 0.45。两次回归的城市集合和数据来源不同,接近的是解释方差的量级。图 5 的图注首句写到健康,三个子图画出的是公交占比、温室气体和氮氧化物。

收入、贫困、吸烟或肥胖已经在模型里时,Φ 还增加多少?

通勤、排放和健康都可能先被收入、贫困和行为因素解释。多元分析把 Φ 放进已经包含这些因素的模型。绿色是 Φ 单独的 R²,红色是另一项或两项变量的贡献,蓝色是加入 Φ 之后多出来的方差。柱上的百分比是相对增益,也就是新增解释方差相对于未加入 Φ 时的比例。279% 表示蓝色新增部分是红色部分的 2.79 倍,R² 本身仍在 0 到 1 之间。这些变量与 Φ 可以重叠;蓝段短于绿段时,其他变量已经带走了一部分 Φ 单独能解释的差异。

完整原论文图6,加入流动层级后的多元解释方差

图 6|控制收入、贫困、吸烟或肥胖之后,Φ 还多解释多少城市间差异?

无字母子图。纵轴八行分为通勤占比、排放和死亡率三组,横轴 R² 从 0 到 1。红段变量和蓝段百分比为:小汽车通勤,人均 GDP,80%;公共交通,人均 GDP,153%;氮氧化物,人均 GDP 加贫困比例,34%;PM10,人均 GDP 加贫困比例,33%;COPD,吸烟率,40%;全部卒中,肥胖率,279%;缺血性卒中,肥胖率,18%;交通死亡,人均 GDP,75%。绿色为 Φ 单独的 R²。讨论把增益范围概括为大约 20% 到 280%,图上印出的两端是 18% 和 279%。来源:原论文 Fig. 6。

COPD 一行需要单独看用词。正文写,Φ 单独解释的慢性阻塞性肺病患病率 R² 超过 0.3;模型纳入吸烟率后,Φ 仍占额外 40% 的方差,作者认为这多半与排放有关。图 6 把 COPD 画在死亡率一组,数据说明里列出的来源是 COPD 死亡率。患病率还是死亡率,正文两处用词不一致,这里保留两处原词。40% 与图上 COPD 的蓝段标签一致,它是相对增益。

八个百分比里,公共交通和全部卒中的相对增益高,两种污染物和缺血性卒中的相对增益低。缺血性卒中死亡在图 4 里与 Φ 的皮尔逊解释方差是 0.31;放入肥胖率之后,额外相对增益只有 18%。同一指标可以在单独比较时看出联系,在加入强相关因素后只剩下较小的新增解释力。

正文还报告,Φ 比人口密度包含更多城市指标信息,与城市蔓延的综合指数相比持平,或在部分指标上更好。相关对人口门槛和异常城市比较稳定,时间上也比较稳定。这些比较的系数在补充表 7 至 9 和补充图 18、24、26。正文已经写出的是上述方向。

只用出发量或普查通勤,模型能把 Φ 算回来吗?

引力模型、辐射模型和人口加权机会模型都可以在知道每个格子的人口或出发量后生成格子之间的流量。只喂美国普查通勤时,算回的 Φ 与全目的出行对得较差,因为普查主要是居住地和工作地之间的通勤。改用位置历史数据的出发量之后,三者与实际 Φ 的对应明显好转,辐射模型最接近。辐射模型会轻度高估 Φ,因为它更容易把流量留在最高的几个层级之间。质量项只按线性进入的引力模型和人口加权机会模型则会低估。把引力模型的质量项从线性调到二次,一致程度提高。任何一种都没有逐城复原经验值。出发量本身已经是一个可用的估计量。这些比较的散点在补充图 13 至 15,正文方法部分没有给出每座城市的模型误差。

讨论把结果放回城市规划里的单中心、多中心争论。Φ 描述一座城市内部、不同活动强度的地点之间如何连接。克里斯塔勒的中心地等级讨论的是一个区域内多座城市的次序。作者建议,土地用途可以把社会经济枢纽安排得更近,公交直接连接枢纽,并用拥堵收费降低开私家车进入枢纽的吸引力。旧金山的例子说明,公交占比高而私家车行程更长时,排放和医院距离仍可能与公交占比低的城市相近。这些建议属于讨论。论文没有实施分区、公交或收费政策后再测量 Φ 和死亡率。

这些结果可以支持到哪一步

支持的说法是:在这套 2016 年汇总流量里,市内出行高度集中于同级和相邻级热点;这个比例在城市之间的高位差别,与美国城市的通勤方式、人均排放、医院距离和部分死亡率同向变化,并且在加入若干社会经济和行为变量后仍能提高解释方差。全球城市的公交占比和两种人均排放保持同方向。

还需要分开的事情也放在这里。样本是开启位置历史的用户,含访客,按周汇总到约 1.27 平方公里的网格,网格内部出行被去掉。城市边界、网格大小和热点门槛都会影响 Φ 的具体数值;作者报告美国城市的排名对尺度比较稳定,数值仍可能轻微变化。0.77 到 0.95 的区间意味着,研究比较的是强层级城市之间的名次。

健康结论依指标而变。缺血性卒中死亡率、医院距离和交通死亡率随 Φ 下降,缺血性卒中患病率的联系弱。COPD 在多元分析处写的是患病率,数据说明列出的来源是死亡率。人均排放曲线的形态更接近人均车英里数。作者写明,平均人口密度本身不足以解释医院距离和相关死亡率的趋势,并在后文报告 Φ 比人口密度包含更多城市指标信息。

讨论还提到,层级更高的城市有更高的人口混合程度,依据是补充注 7 与补充图 16、17。正文没有给出可引用的混合程度数值。

一句话总结

一座城市有多少市内出行留在同级和相邻级热点之间,与通勤方式、人均排放和部分健康指标存在可重复看到的城市级联系;这种联系位于已经很高的层级区间,也替代不了对行程长度、医院可达性和社会经济条件的单独测量。

核心来源

  • Nature Communications 正式发表页面,核对题目、作者、卷期、收稿日期与数据说明。本文依据 2019 年正式版正文,Nature Communications,10:4817。
  • 正文六张主图:Fig. 1 至 Fig. 6。补充说明由期刊放在同一 DOI 下;下列作者介绍只使用论文署名、机构和作者贡献说明。

作者介绍

除第一作者和末位作者外,论文按姓名字母排列。以下只写论文中的身份和贡献。

  • Aleix Bassolas:署名西班牙马略卡岛 IFISC(CSIC-UIB)。参与提出概念、设计研究、方法设计、数据分析并撰写论文。
  • Hugo Barbosa-Filho:署名罗切斯特大学物理与天文系。参与方法工作。
  • Brian Dickinson:署名罗切斯特大学计算机科学系。参与方法工作。
  • Xerxes Dotiwalla:署名加利福尼亚州山景城 Google。参与计算并提供移动地图数据。
  • Paul Eastham:署名 Google。参与计算并提供移动地图数据。
  • Riccardo Gallotti:署名意大利特伦托布鲁诺·凯斯勒基金会。参与方法工作并撰写论文。
  • Gourab Ghoshal:署名罗切斯特大学物理与天文系和 Goergen 数据科学研究所,通讯作者。参与概念、设计、方法、写作与统筹。
  • Bryant Gipson:署名 Google。参与计算并提供移动地图数据。
  • Surendra A. Hazarie:署名罗切斯特大学物理与天文系。参与方法工作。
  • Henry Kautz:署名罗切斯特大学计算机科学系和 Goergen 数据科学研究所。参与概念、设计、写作与统筹。
  • Onur Kucuktunc:署名 Google。参与计算并提供移动地图数据。
  • Allison Lieber:署名 Google。参与计算并提供移动地图数据。
  • Adam Sadilek:署名 Google。参与概念、设计、移动地图数据、方法、写作与统筹。
  • José J. Ramasco:署名 IFISC(CSIC-UIB),通讯作者。参与概念、设计、方法、写作与统筹。

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。

Φ 的城市差别主要落在 0.77 到 0.95。下面用两个落在这个区间里的假设数说明尺度:若某城的 Φ 从 0.82 变到 0.88,变化幅度是 0.06 个市内出行比例,城市仍留在正文已经观察到的高位区间。这不是某座城市的实测变化。规划指标若把提高 Φ 写成目标,就需要先看这条变化和城市边界或网格边长带来的数值变化哪一个更大。论文报告美国城市的排名对尺度比较稳定。具体到一座城市,仍可以在公布名次之前用两套边界、两种网格各算一次。名次保持而数值移动,与名次一起改变,对规划的含义不同。

洛杉矶和旧金山还提示另一列不能省的数。两座城市 Φ 接近,公交占比可以差很多,人均车英里数、人均排放和医院距离却接近。只公布 Φ 的城市排行榜会把它们放在相近位置,乘客感受到的公交比例并不相近。把人均车英里数或平均行程长度跟 Φ 并排放,才能看出层级相近的城市是靠更短的行程,还是靠更长的小汽车行程维持了相近的排放。

缺血性卒中的患病率和死亡率在文中并不同步,医院距离则随 Φ 下降。若死亡率的统计联系主要来自发病后能否较快到达医院,那么在热点分散的城市增加急救可达性,有可能改变死亡率,同时几乎不改变 Φ。这个比较直接检验“层级”和“急救距离”哪一个与死亡率同向。论文没有做这项分离,现有相关也还不能代替它。


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