2025-Decoupling geographical constraints from human mobility


远处的搬家更少,是人不想去,还是那里本来就没有地址?

论文名片|Louis Boucherie、Benjamin F. Maier、Sune Lehmann,Decoupling geographical constraints from human mobility,Nature Human Behaviour,2025,9:2564–2575,2025年9月1日在线发表。DOI:10.1038/s41562-025-02282-7。

一座半径 10 公里的岛,岛上的住址再怎么搬,距离也到不了 20 公里开外,因为再远是海。两栋房子也不能叠在同一个点上,所以任何一次搬家都有一个最短距离。这些限制写在地图上。

直接数各个距离上有多少次搬家,会把两件事记在同一条曲线里:相隔这么远的地址对本来有多少,以及在这些地址都存在的条件下,这一距离上的相对强度有多大。丹麦登记的地址变更可以把二者拆开。拆开之后,全国合计的相对距离倾向在大约 10 米到数百公里上接近 1/r;单座城市通常是两段幂律,城内较缓、出城较陡。实际走过某一距离的次数,仍然要再乘上该距离有多少地点对。

先说结论

  • 丹麦 1986–2020 年有 39,297,646 次不同地址之间的居住地迁移。实际移动距离分布除以地点对距离分布后,最大似然指数是 0.98;扩展数据表 1 的拟合窗是 10 米到 475,032 米。正文把这一段概括为 10 米到 500 公里,横跨五个数量级。
  • 休斯敦、旧金山、新加坡的签到移动,指数分别是 0.95、0.94、0.89;法国城际搬家是 1.07。五组数据的最短距离、最长距离和表中的样本量 n 并不相同。法国从 3,000 米起算。新加坡在表里的 n 是 15,167,方法正文里的移动次数是 79,624。
  • 把相对距离倾向固定成 1/r,只改地点怎么摆,模拟出来的观察曲线就会分开。1 公里以内,真实丹麦的地点对分布贴近保留城市内部结构的圆盘地图;10 公里以外,贴近保留国土轮廓和城市位置、城市内部改成均匀的地图。
  • 论文所写的 1,400 座丹麦城市,各自的相对距离倾向是分段幂律。前一段指数的均值是 0.60、标准差 0.20,后一段均值是 2.0、标准差 0.21。用这两段的均值、城市尺度和随机的城市位置做模拟,可以再装配出全国的 1/r。这是在这些假设下的重建。

一条搬家距离曲线,里面叠了哪两件事?

这里的人类移动性(human mobility)分两种记录。居住地迁移是地址变更;日常出行在本文里是兴趣点之间的签到移动,签到覆盖不了全部真实出行。分析单位是距离 r 上的群体分布,主结果不跟踪某一个人的行程。

实际移动距离分布 f(r) 统计观察到的搬家或签到落在各距离上的密度。地点对距离分布(pair distribution function,p(r))统计相隔距离 r 的地点组合有多少。它统计的是地址、建筑或兴趣点之间的距离组合,陆地轮廓、湖河和建筑不能重叠都会进入这条分布。人口数和实际搬家次数是另外两个量。

若从地点 x 到地点 y 的倾向只取决于二者的直线距离,这个倾向就可以从积分里提出来,于是

f(r) 正比于 π(r) × p(r),也就是 π(r) 正比于 f(r) / p(r)。

π(r) 是相对距离倾向(intrinsic distance attractiveness)。它是地点布局已经定下来之后、群体平均的相对强度。方法里与“机会”对应的那一项,是两端地点密度的乘积,也就是预期有多少地点对;住房是否空着、价格多少、有没有被人认真考虑,都没有逐条测量。

距离用的是投影平面上的欧氏距离,也就是地图上的直线距离。丹麦点位用 EPSG:23032,法国用 EPSG:27561。这个 r 不是沿路里程,也不是通勤时间。

丹麦数据来自统计局 Befolkning 登记。1986 年到 2020 年,不同地址之间的居住地迁移共 39,297,646 次;2,345,453 栋建筑构成 3,251,464 个地址。正文把地址数四舍五入写成约 330 万。地址坐标定在建筑入户门,精度优于 ±2 米。不满一周的居住记录被排除,共 4,034 条,不到全部记录的 0.1%。摘要把这段时间写成 36 年,报告摘要写成 35 年,讨论写成 34 年的合计时段;下面的次数和起止年以方法中的登记窗口为准。这套登记按丹麦规定应覆盖居民的地址变更,原始数据不公开,研究用途可向统计局申请。城市采用丹麦统计局的划分。

法国建筑坐标来自 Base Adresse Nationale,共 21,567,447 栋。住房数量来自 FiLoSoFi 的 200 米网格,再按集合住宅单元均匀分下去,得到 34,041,910 个地址。地址数来自这一分配,集合住宅内部并没有逐套实测的门牌坐标。迁移数据来自 INSEE,2016–2020 年城际迁移 40,465,288 次,距离从城市中心到城市中心,中心是所含地址的质心。短于法国最大城市尺度的距离被去掉,因此法国结果不包含城内搬家。

日常出行来自 Foursquare 公开签到,时间是 2010 年 5 月 27 日到 11 月 3 日,合计 239,788 次移动、43,395 个地点。三座城市把这两笔总数用完:休斯敦 47,996 次移动、11,808 个地点;新加坡 79,624 次移动、15,617 个地点;旧金山 112,168 次移动、15,970 个地点。签到者是当时公开分享位置的用户,这一组和丹麦全登记人口不是同一个总体。

同一条 1/r,换一张地图,观察到的曲线为什么会变?

先看一个圆盘上的示意,再看三张用丹麦地址做成的地图。示意说明:某一距离上如果没有地点,这一距离的移动就不可能发生。三张地图则把同一条假设的相对距离倾向放进不同的地点布局,看观察到的 f(r) 会不会分开。

地理布局如何进入人类移动的距离分布

图 1|地点布局不变时,观察到的距离曲线会不会仍随地图改变?

(a)圆盘上的同心圆点位是示意,白叉是圆心。(b)只从圆心看出去,距离分布在若干半径上出现尖峰;缺一圈点,对应距离就没有移动可走。(c)把每个点都当作一次起点,再平均,就得到地点对距离分布;它比(b)平滑,因为计入了全部点对。(d)真实丹麦,使用真实国土和约 330 万个地址。(e)圆盘丹麦:城市内部结构保留,城市中心被随机放到一个圆盘上,陆地轮廓随之改变。(f)均匀丹麦:国土轮廓和城市位置保留,城市内部改成均匀点位。(g)三条地点对距离分布。粉红是真实丹麦,青绿是圆盘丹麦,黑色是均匀丹麦;I、II、III 分别是城内、城市尺度和城际。1 公里以内,真实丹麦贴近圆盘丹麦;10 公里以外,真实丹麦贴近均匀丹麦。(h)三条地图都强加 π(r) = 1/r 之后,模拟得到的观察距离曲线仍然分开。来源:原论文 Fig. 1。

(g)里,短距离的地点对分布主要带着城市内部的摆法,长距离主要带着陆地形状和城市落在哪里。(h)只改了地点布局,倾向被设成同一条 1/r。布局本身就足以把观察到的距离曲线拉开。丹麦登记搬家去除 p(r) 之后的指数,留到下一节。

除掉地点布局之后,五个地方还剩下什么?

丹麦的做法是把登记搬家的 f(r) 除以全部地址的 p(r)。比值在双对数坐标上接近一条下降的直线。最大似然给出 s = 0.98,也就是 π(r) = 1/r^s,非常接近事先写下的 1/r。正文写的区间是 10 米到 500 公里。扩展数据表 1 把拟合上界记成区域直径 475,032 米,下界 10 米。正文把 10 米到 500 公里这一窗口称作五个数量级。

同一除法用到另外四组数据上,得到的仍是随距离下降的幂律,指数却不是同一个数。各组纵轴范围不同,因为区域大小不同,不能拿概率密度的绝对高度跨图比较。

用地点对距离分布重整移动距离后得到幂律

图 2|除掉地点对的多少之后,相对距离倾向是不是一条幂律?

(a)丹麦,整幅都是两条密度:蓝色是地点对距离分布,橙色是实际移动距离分布。短距离上橙色更高,蓝色从很低的密度往上走,到 10^5 米这一量级两条曲线靠近并下降。(b)整幅都是相除之后的比值,黑色曲线从约 10 米延伸到数十万米,最大似然指数 s = 0.98。(c)休斯敦签到,上半是两条密度,下半是比值,s = 0.95。(d)旧金山,排列与(c)相同,s = 0.94。(e)新加坡,s = 0.89。(f)法国城际搬家,s = 1.07;橙色移动曲线大约从 10^3 米才出现,短于法国最大城市尺度的距离没有纳入。来源:原论文 Fig. 2。

扩展数据表 1 给出每次拟合的样本量、距离窗、指数、Kolmogorov–Smirnov 统计量和 p 值。距离单位是米。这里的 p 沿用 Clauset 等人的拟合检验:p 小于或等于 0.1,他们认为幂律模型站不住;p 大于 0.1,偏差仍可能来自随机波动。所以表里的 p = 0.99 是“没有把幂律排除”,普通假设检验里的“效应显著”是另一种读法。指数接近 1 时,常用的无上界估计会偏,因此作者把幂律限制在 xmin 和 xmax 之间,xmax 取该区域最远两点的距离。

类型 数据 n 最短距离 最长距离 指数 KS p
居住地迁移 丹麦 39M 10 475,032 0.98 0.01 0.99
居住地迁移 法国 40M 3,000 1,134,667 1.07 0.01 0.98
日常出行 旧金山 112,168 10 55,639 0.94 0.07 0.96
日常出行 休斯敦 47,996 43 71,209 0.95 0.03 0.98
日常出行 新加坡 15,167 10 79,674 0.89 0.12 0.67
地理 城市半径 1,367 2,878 无 3.05 0.58 0.11

丹麦的 39M、法国的 40M 是表中的四舍五入,分母分别对应前面的 39,297,646 次地址间迁移和 40,465,288 次城际迁移。旧金山的 112,168、休斯敦的 47,996 与方法中的移动次数一致。新加坡这一行的 n 是 15,167。方法中的新加坡是 79,624 次移动、15,617 个地点。15,167 与这两笔都不相同,正文没有说明表中的 n 采用哪一个口径,因此不能把 0.89 的分母说成 79,624 次移动。休斯敦的最短拟合距离是 43 米,五组数据也不是都从 10 米开始。

扩展数据表 2 是幂律相对另外三种厚尾分布的对数似然比。正数表示幂律的似然更高,负数表示对照分布更高。

数据 相对对数正态 相对指数分布 相对 Weibull
丹麦居住地迁移 128,697 19,209 89,676
法国居住地迁移 5,042 411 18,535
旧金山 1,091 91 2,001
休斯敦 446 35 2,946
新加坡 729 104 3,651
移动城市半径 −0.96 1.91 1.18

前五行里,幂律的似然高于对数正态、指数分布和 Weibull,所以在这三种对照中,下降的幂律更贴合相对距离倾向。这是分布之间的似然比较。最后一行是移动城市半径,放到城市尺度再看。

地理一行的城市半径也要分开。n = 1,367,最短半径 2,878 米,没有上界,指数 3.05,KS = 0.58,p = 0.11。p 刚好过他们自己的 0.1 线,KS 已经达到 0.58,幂律对这批半径贴合得很差。3.05 是半径分布上的指数,和搬家倾向的 0.98 不是同一个量。

地点本身为什么会在近处密、在远处按幂律铺开?

相对距离倾向来自实际移动除以 p(r),所以先要看清 p(r) 自己的形状。丹麦住宅地点的地点对距离分布分成三段。约 25 米以内,近邻密度近似线性上升,并带着振荡。约 25 米到约 200 米,建筑按 r^0.67 增长;地址的这一段可以延续到约 4,000 米。再往外,增长停住、迅速下降,到国土尺度趋于零。公寓这类建筑在数据里是叠在同一位置上的多个地址。

丹麦居住地点在三个尺度上的结构

图 3|住宅地点的距离结构,能否用简单的粒子图像复述出来?

(a)地址(灰)和建筑(青绿)的地点对距离分布。I 是近邻,II 是城市中尺度并标出 α = 0.67,III 是国家尺度;下方小图是三个尺度的空间样子。(b)离市中心越远、外部势能越高。理想气体在这个势能下,到中心的距离呈 Erlang 分布;对应的地点对距离分布接近广义伽马分布,尺度 R 被用来定义城市半径。(c)上图是 Arnakke、Bellinge、Aarhus 三座城镇的最大似然拟合;下图把丹麦城镇按 r/R 重标度后靠近同一条曲线,短距离仍有偏离。(d)微观尺度上,真实建筑、理想气体、Lennard–Jones 圆盘和大小不一的吸引硬圆盘都有线性起步和振荡。对关联函数 g(r) 在约 4 米内低于 1,约 6 米处高于 1。(e)城镇尺度:理想气体线性上升;不吸引的硬圆盘和真实城镇在约 1 公里内都缺少邻居,之后 g(r) 很快回到 1 附近。(f)分形与斑块。i 是一层套一层的斑块,每层 b 个子斑块、填充率 θ;ii 是 b = 4、z₁ = 3 米、θ = 0.8、L = 8 的一个样本;iii 中建筑数约按 R²、建筑对约按 R⁴ 增长;iv 中半径分布的尾部按 R^−(4−α) 下降,α = 0.67;v 中斑块模型、分形启发式和分形模型都能回到数据里的 α = 0.67,启发式在图注中等于 0.72。来源:原论文 Fig. 3。

城市尺度的出发点是二维理想气体,再加一个随到中心的距离线性升高的代价。没有相互作用时,房屋到中心的距离密度正比于 r exp(−βγr),这是形状参数为 2 的 Erlang 分布。方法把该分布的尺度 R₀ 记成城市半径的一半。地点对距离分布则用广义伽马分布去拟合,尺度参数 R 就是从这个分布读出的城市半径,不必先指定一个市中心。超过 30 栋建筑的城镇做了最大似然拟合。(c)的下图说明,用各自的 R 缩放之后,多数城镇落在相近的曲线上;短距离的偏离,对应(a)里那种慢于线性的中尺度。

近处的振荡被解释成两种有效作用叠在一起:房子不能占据同一块地,所以有排斥;靠得较近可以共享设施,所以有有效吸引。Lennard–Jones 圆盘,以及半径不齐的吸引硬圆盘,都能再现这种起伏。对关联函数(pair-correlation function)g(r) = p(r) / i(r),i(r) 是没有相互作用时的地点对距离分布。g(r) 大于 1 表示比这套参照多出邻居,小于 1 表示邻居偏少。数据和两个模型都在 r ≲ 4 米明显缺少邻居,又在 r ≈ 6 米出现 g(r) > 1 的峰。5 米以下数据和模型的差距,来自坐标定在入户门,模型里的粒子更接近建筑中心。吸引硬圆盘的示例用 10,000 个按径向 Erlang 分布抽出的位置,尺度参数 R = 675,半径分布的尾部参数 a = 4。这组粒子只负责把振荡做出来,丹麦的门牌坐标没有被逐点拟合进去。

城镇之间是另一套账。1 公里以内,相邻城镇明显少于完全随机的点;过了这段,对数尺度上的 g(r) 很快接近 0,也就是地点对分布贴近理想气体。g(r) 上没有清楚的吸引峰,因此这张图不支持城镇之间还有很强的相互吸引。不允许重叠的硬圆盘,在较短距离上和真实城镇相似。把每一对城镇按双方建筑数的乘积加权之后,长距离上的建筑地点对分布更接近真实的城镇位置;只靠不重叠的随机圆盘补不回这一段。城镇有大有小,位置不完全是“只要不重叠就随机”。

中尺度的 r^0.67 被做成两种可计算的图像。一种是分形:城市由嵌套斑块组成,每层 b 个子斑块,填充率 θ 小于 1,于是每一层都会留下空地。图注的启发式是 α = 1 − 2lnθ / ln(θ/b)。按图中的填充率 0.8、每层 4 块代入,得到 0.72。图注把这个样本的最小半径写成 3 米、层数写成 8;方法正文把同一示例的最小半径写成 4 米。另一种把许多独立斑块放在一起,并令建筑数正比于半径平方。若半径分布的尾部是 R^−(4−α),合在一起的地点对距离分布就以 r^α 增长。用观察到的 α = 0.67 代进去,斑块面积的指数约为 −2.17。由城市半径推断得到的 f(R) 正比于 1/R^3.29,对应面积指数 −2.15,斑块模型给出的增长指数是 α = 0.71。单座城市的地点对指数是 0.69 ± 0.04;方法说明正文里的“均值 ± 数值”按标准差报告。0.67、0.69、0.71 和 0.72 彼此接近,说明这种偏慢的增长在几种模型里都出现。这些模型说明,嵌套的空地和斑块面积的分布足以产生观察到的指数。城市在历史上是否真按这个层次建造,还需要布局模型以外的证据。

法国的地址和建筑也有近处起伏、中段上升、国土尺度下降的三段。图注给出地址在城市尺度的指数同样是 α = 0.67。

法国建筑与地址的地点对距离分布

图 4|丹麦地点结构上的三段,在法国地址和建筑里还在吗?

这张图没有子图字母。灰线是地址,青线是建筑,纵轴是每米的地点对密度,横轴是两两直线距离。短距离有起伏,中段上升,接近 10^6 米后下降。两端的灰色背景标出邻里尺度和国家尺度,中间留白对应图注所说的城市尺度。图注写明地址的城市尺度幂律指数为 0.67。来源:原论文 Extended Data Fig. 1。

全国接近 1/r,一座城市自己也是 1/r 吗?

把搬家限制为从某一座城市出发、目的地可以在全国,地点对也至少有一端落在这座城市里。这时相对距离倾向变成两段,而不是贯穿全部距离的一条 1/r。

城市尺度的分段幂律与全国曲线的装配

图 5|从一座城市看出去,相对距离倾向在哪里折成两段?

(a、b)一座较小和一座较大的丹麦城镇。上图橙色是观察到的移动概率,蓝色是地点对距离分布;下图黑色是二者的比值。绿色背景是第一段,灰色背景是第二段,粉色虚线是转折。(c)1,400 座城市的两段指数。青绿是城内,深绿是城际;分布中心分别在 0.60 ± 0.20 和 2.0 ± 0.21,加减号是城市之间的标准差。(d)转折距离被定义成移动城市半径。粉色点是数据,虚线是对数正态,点线是 power-Pareto。(e)用(c)的均值 0.6 和 2、城市尺度,以及随机的城市位置做模拟,比值又回到接近 1/r 的下降。来源:原论文 Fig. 4。

0.60 和 2.0 是 1,400 座城市的均值。前一段的标准差是 0.20,相对均值 0.60 已经不小。各城共享的是两段这一形式,指数本身有这么宽的城市间散布。图例把较缓的一段标成城内,把接近 2 的一段标成城际。转折点定义移动城市半径。power-Pareto 的赤池信息准则是 24,046.03,对数正态是 24,161.17,论文称前者略好。扩展数据表 2 里,这条移动城市半径相对纯幂律的对数似然比,对数正态是 −0.96,指数分布是 1.91,Weibull 是 1.18。纯幂律在这里并不占优,半径分布落在对数正态和 power-Pareto 之间。表 1 那个指数 3.05 的 City Radius 使用另一个名称和另一组 n,正文没有写明它与这里的移动城市半径是不是同一批距离。

(e)把分段规律装回一张简化地理:城市内部的地点对距离分布用广义伽马分布,城市位置随机,两段指数取均值 0.6 和 2。模拟回收了 π(r) = 1/r。全国的一条直线,在这个框架里是许多城市的两段曲线按地点布局叠出来的。回收依赖这些假设;图中的点是模拟结果,不是又一次独立普查。

这和重力模型差在哪一级尺度?

离散的引力模型(gravity model)把两城之间的迁移写成两端人口的乘积除以距离。它需要先划定城市。本文的连续版本停在地址这一级:两座城市相距 d,半径相对 d 可以忽略时,地点对距离分布在 d 附近收成一个尖峰,高度是两端地址数的乘积 N₁N₂。再乘上 1/r,观察流量就回到 N₁N₂ / d 这种形式。地址数若与人口成正比,离散引力模型就是这个极限。极限之外,城市有大小,短距离还有大量地点对,离散的城市公式覆盖不到。

本文框架与城市尺度重力模型、辐射模型的对照

图 6|城市尺度的重力模型和辐射模型,从哪一段距离才开始有曲线?

这张图没有子图字母。横轴是距离,纵轴是概率密度。黑色圆点是数据,蓝色是本文框架,青绿方块是城市重力模型,粉色三角是城市辐射模型。蓝色紧跟着数据,从约 10 米一路到 10^5 米量级。两条城市模型要到大约数百米之后才出现,随后围绕数据起伏,并在长距离与数据一起下降。图中没有印刷误差指标,也没有标明国家;能确认的是各曲线从哪一段距离开始贴近数据。来源:原论文 Extended Data Fig. 4。

辐射模型(radiation model)用周围机会解释流动。图 6 里的粉色曲线是城市尺度上的一个对照,它在短距离没有数据可跟。地址级的地点对分布覆盖了这两条城市模型尚未出现的近距离。图例以外的机会模型是否彼此等价,这张图没有检验。

两座遥远城市上的连续引力定律示意

图 7|两端地址数的乘积,怎样在很远的距离上变成引力模型里的质量?

这是示意图。(a)两座半径为 r₁、r₂ 的城市,中心相距 d。(b)橙色是观察移动,蓝色是地点对距离分布。近处两条曲线覆盖城市自身的尺度;在 d 附近,地点对分布收成高度为 N₁N₂ 的尖峰,观察移动的尖峰更低,图中标到 N₁N₂/d。(c)黑色是相对距离倾向,虚线是 y = 1/x。近处和 d 附近各留下一段,中间距离在这个玩具模型里没有城市可去。来源:原论文 Extended Data Fig. 5。

方法里还有一种读法:若人对距离的评价是对数的,随机效用模型可以推出 1/r。这是作者给出的解释,本文没有做相应的选择实验。

这套规律能说到哪里为止?

登记包含性别和出生年,但 0.98 是全部搬家合在一起的指数。扩展数据里的两张人口图说明样本里有谁,没有按人群分开估计 π(r)。

丹麦居住地迁移数据的性别与出生年

图 8|丹麦这套搬家登记里,性别和出生年是怎样分布的?

这张图没有子图字母。左图是性别计数,男多于女,纵轴以百万计。图注用出生时的男女性别比 1.07 解释这一不平衡;1.07 出自所引的出生性别比文献,图里没有印出搬家记录自身的男女人数比。图注还写明,数据包含登记过的人口,并据此把左图的不平衡和选择性抽样分开。右图是数据中每个人的出生年,大约从 1900 年到 2020 年,形状大体跟随丹麦出生率,差别被归因于迁移。来源:原论文 Extended Data Fig. 2。

丹麦搬家发生时的年龄分布

图 9|搬家发生时,年龄密度集中在哪一段?

这张图没有子图字母。横轴是搬家时的年龄,纵轴是密度。密度还要再换算,才会变成该年龄占全部搬家次数的份额。最高的一档靠近 20 岁,柱顶接近 0.05 的刻度;0 岁附近有一个较矮的峰,30 岁以后是一条长尾,年龄可以延伸到接近 100 岁。来源:原论文 Extended Data Fig. 3。

讨论里写明的边界还有四条。第一,地点对模型复述的是一般地址在住宅和国家尺度上的分布,还没有做到住宅和工作地这种不同功能的地点对,因此这组指数不能直接当作通勤距离规律。第二,1986–2020 年被合成一个时期,看的是长期平均。它没有分开这几十年里的变化,也没有 1986 年以前的记录,所以不能判断 1/r 是老特征还是后来才出现。第三,从单座城市看,相对距离倾向是两段;1/r 出现在尺度被汇总之后。第四,π(r) = 1/r 被作者当作分人群比较时的基线。年龄、性别或社会经济地位会不会偏离它,本文没有估计。房价、就业和家庭变化会怎样进入搬家决定,也不在这次的指数里。

还有两条来自做法本身。倾向被假设成只跟直线距离有关;方向、具体是哪两个地点、路上要花多少时间,都会被吸收进这条平均曲线,或者留在残差里。幂律是在各自的 xmin 和 xmax 里拟合出来的,区域直径以外没有被这张表检验。

一句话总结

远处的搬家更少,是因为某一距离上的地点对有多少,和这一距离上的相对强度有多大,一起写进了观察曲线;把地点对除掉之后,丹麦 1986–2020 年的登记搬家在 10 米到 475,032 米的拟合窗里留下指数 0.98 的相对距离倾向,而一座城市自己通常是城内较缓、出城较陡的两段。

核心来源

Boucherie, L., Maier, B. F. & Lehmann, S. Decoupling geographical constraints from human mobility. Nature Human Behaviour 9, 2564–2575 (2025). https://doi.org/10.1038/s41562-025-02282-7

丹麦迁移和地址来自 Danmarks Statistik 的 Befolkning 与地址数据,坐标精度优于 ±2 米,原始数据不公开。法国建筑坐标来自 Base Adresse Nationale,住房网格来自 FiLoSoFi,城际迁移来自 INSEE。签到来自 2010 年 Foursquare 的公开数据。边界来自 geoBoundaries。图的源数据和代码见 Zenodo:10.5281/zenodo.14329837;地理模型代码在 benmaier/ljhouses,作图与统计代码在 LCB0B/role-of-geo。

Louis Boucherie 是本文第一作者,署名丹麦技术大学计算系(DTU Compute,Kongens Lyngby)和哥本哈根大学社会数据科学中心。三位作者共同设计研究和模型;Boucherie 与 Maier 完成分析并实现模型;三人共同分析结果、写成论文。

Benjamin F. Maier 的署名机构与 Boucherie 相同。地理模型的实现对应 ljhouses 仓库。城市分段幂律使用了他给出的分段帕累托最大似然拟合;本文参考文献中也有他关于小世界效应的论文。

Sune Lehmann 是通讯作者,署名机构相同,参与设计、结果分析和写作。本文引用的人类移动尺度(Nature,2020)和人类移动中的守恒量(Nature Human Behaviour,2018)都有他的署名。论文写明相关资助包括 Villum Foundation 的 Nation-Scale Social Networks(项目号 00034288)和丹麦独立研究基金(项目号 0136-00315B),资助方不参与研究设计、分析和写作。

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。

若一座城市只在边缘增加地址,p(r) 的长距离部分会改变。π(r) 即使仍是 1/r,观察到的搬家距离分布也会变,因为观察曲线是二者的乘积。把平均搬家距离变长理解成居民更愿意走远,可能把新建地址的位置读成了倾向的改变。论文没有做这项规划前后的比较,这个例子只是 f(r) 与 p(r) 相乘之后的一个直接推论。

直线距离相同的两对地址,在这套计算里共享同一个 r。一对中间是需要绕行的水域,另一对有直接的道路。p(r) 能反映海上没有地址,反映不了绕路花费的时间。因此 0.98 不能直接当成通勤时间的需求曲线。住宅到工作地的地点对也还没有按同一方法去除,通勤距离不在这次指数的分母里。

图 9 里,搬家年龄密度在 20 岁附近最高,但 0.98 的分母是全部登记搬家。这一档人可能只是搬得更多、相对距离倾向仍接近全样本,也可能转折半径不同。登记里有出生年,这种划分可以再做;在做出来之前,全国指数不能代表 20 岁这一档。表 1 把拟合上界定在区域最远两点的距离上。用 1/r 去预测超出这个直径、而且已经没有地址对的距离,会把拟合窗外面的空域当成还有地点可去。


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