Kaiyun·官方网站-中国大陆权威在线教育平台

　　城市是经济增长的核心驱动力，其中密集的商业网络和社会互动构成了复杂的城市系统。然而，这种高度互联性也使得外部冲击能够在时间、空间和系统组件之间产生级联效应。最新发表在 Nature Human Behaviour 上的研究首次利用超过100万台设备的移动轨迹数据，在美国五大都市区构建了基于人类行为的场所依赖网络，揭示了商业场所之间的复杂依赖关系。研究发现，这种基于行为的依赖网络比传统基于距离的模型能更好地预测商业场所在疫情等外部冲击下的经济韧性，预测准确度提高了40%。这一发现对于制定更有效的城市规划政策、提高城市经济系统的抗冲击能力具有重要意义。特别是在后疫情时代，该研究为理解远程办公、在线教育等行为改变对城市经济的影响提供了新的分析框架。

　　从全球供应链到区域劳动力市场，从社交网络到基础设施系统，城市经济系统由众多相互依赖的网络构成。然而，这种复杂的城市系统在面对外部冲击时，如疫情或自然灾害，可能会导致经济损失的级联效应。例如，在新冠疫情期间，商业区写字楼的关闭不仅直接影响了企业运营，还通过改变人们的移动模式，导致周边餐饮、零售等行业遭受连锁打击，加剧了整体经济损失。

　　目前，研究城市经济韧性的主要方法集中在预测产业间的级联效应，即通过供应链网络分析冲击如何在不同行业间传播。传统研究往往仅基于地理距离来衡量场所间的静态关联，假设距离越近的地方联系越紧密。这种简化的方法忽视了人们实际的行为模式——比如，人们可能会在居住地和工作地之间的商业设施消费，使得相距较远的场所之间也形成紧密的经济联系。彭特兰教授在其《》中指出，理解城市这样的社会系统，关键在于掌握信息和想法如何在人群中流动，而这种流动模式可以通过对人类行为大数据的分析来揭示。他认为，只有通过解析人群行为模式背后的数据规律，才能真正理解和预测社会系统的运作方式。

　　最新发表在 Nature Human Behaviour 上的研究利用超过100万设备的移动轨迹数据，通过分析人们在同一天内访问不同场所的行为模式，首次在美国五大都市区构建了基于实际人类行为的场所依赖网络。这一研究不仅揭示了城市中不同类型场所之间复杂的依赖关系，还为理解和预测城市经济系统在面对外部冲击时的韧性提供了新的分析框架。

　　研究团队利用Spectus提供的覆盖了五个美国人口普查核心统计区移动轨迹数据，构建了基于人类行为的场所依赖网络。网络构建的核心是通过分析用户在同一天内访问不同场所的时序模式来量化场所间的依赖强度。具体而言，对于任意两个场所 i 和 j ，依赖权重 wij=nij/ni，其中 ni 表示访问场所 i 的人数，nij 表示在同一天内6小时时间窗口内直接访问 （无中间停留） 两个场所的人数。这种基于条件概率的方法不仅考虑了访问频次，还反映了访问的时序性，从而捕捉了场所间的非对称依赖关系。研究发现，这种依赖网络呈现出明显的幂律分布特征，这与简单的随机网络或纯粹基于距离衰减的网络有着本质的区别。

　　图1：基于行为的城市场所依赖网络。a, 依赖权重 wji 的计算方法：场所 j 对场所 i 的依赖度定义为在同一天内6小时时间窗口(Tc内直接访问(Nc=1)两个场所的人数(nij)与访问场所j的总人数(nj)的比值。注意依赖关系是双向且不对称的。右图展示了纽约曼哈顿地区所有场所的总入度权重分布。b, 波士顿地区场所子类别间的平均依赖网络图，节点代表不同子类别，显示每个节点最大的三条出度边，节点大小表示入度。c,d, 五个城市的场所入度权重(c)和出度权重(d)分布。e, 依赖强度随距离的衰减关系，呈现-1.49幂律衰减。

　　为了确保网络构建的可靠性，研究团队采取了一系列数据处理措施。首先，他们设置了最小访问次数阈值，以过滤掉访问频次过低的场所。其次，研究验证了网络特征对访问归因参数选择的稳健性，包括访问之间的时间间隔和访问序列中的中间停留次数。通过比较不同时间窗口 （12小时、24小时、48小时） 的结果，验证了网络结构的稳健性。此外，研究团队还考虑了场所的类型信息，将场所分为12个主要类别，包括零售、餐饮、办公、教育等，这有助于理解不同类型场所之间的依赖模式。

　　这种基于行为的网络构建方法也存在一些局限性。首先，SafeGraph 数据可能存在采样偏差，主要来自智能手机用户。其次，24小时的时间窗口可能会忽略一些长期的依赖关系。最后，移动轨迹数据虽然能反映人流模式，但无法直接衡量经济交易的规模。这些局限性在后续的分析中需要谨慎考虑。

　　研究团队通过对比分析发现，基于行为的依赖网络展现出独特的结构特征。实际观测的依赖网络 （图2a左） 与基于引力模型生成的空模型网络 （图2a右） 相比，虽然两个网络的节点入度和总入度权重相同，但实际网络显示出更多的长程连接，而空模型网络在大型枢纽 （如大学校园和商场） 周围表现出更集中的局部连接。这种差异表明，实际的人类移动行为创造了比简单的基于距离衰减模型预测更多的长距离依赖关系。

　　图2：基于行为的依赖网络与空间共位网络的对比。a, 实际观测的基于行为依赖网络(左)与基于引力模型生成的空模型网络(右)的可视化对比。虽然两个网络的节点入度和总入度权重相同，但实际网络显示出更分散的空间分布，而空模型网络在大型枢纽 (如大学校园和商场) 周围表现出更集中的局部连接。b, 空模型网络比实际网络具有更高的平均聚类系数。c, 通过物理因素 (包括场所间距离、访问总量、场所类别等) 对依赖权重进行回归分析的结果，较低的 R2(0.09-0.12) 表明依赖关系具有无法仅用物理特征捕捉的独特特性。

　　为了量化网络的结构特征，研究团队采用了多个网络指标。聚类系数分析 （图2b） 显示，空模型网络具有更高的聚类系数，这表明空模型倾向于在局部形成更密集的连接。这种差异进一步证实了实际依赖网络具有更多的长程连接，而不是仅局限于地理上邻近的场所之间的联系。

　　研究还发现场所依赖关系具有显著的方向性和异质性。回归分析（图2c）表明，即使考虑了场所间距离、访问总量和场所类别等物理因素，模型对依赖权重的解释力度仍然很低。这说明实际的依赖关系远比简单的空间交互模型所能捕捉的更为复杂，可能受到人们的行为偏好、交通便利性等多种因素的影响。

　　研究发现，依赖网络的结构特征在不同城市间表现出一定的普遍性。例如，所有城市的依赖强度都随距离呈现幂律衰减 （图1e，指数约为-1.49） ，这反映了人类移动行为的基本规律。同时，每个城市的依赖网络也展现出独特的模式，这些差异可能源于城市规模、公共交通系统的发达程度以及土地使用方式的不同。

　　研究团队开发了一个基于Leontief开放模型的预测框架来评估外部冲击对城市经济系统的影响。该模型考虑了场所之间的直接和间接依赖关系，可以通过以下方程描述场所 i 的访问量变化 Δvi：

　　为验证模型的有效性，研究团队利用COVID-19疫情期间的数据进行了实证分析。他们比较了三种模型：(1) 仅包含场所类别和地区固定效应的基准模型，(2) 加入基于引力模型的空间依赖权重的模型，以及 (3) 加入基于实际行为的依赖权重的模型。结果显示，使用基于行为的依赖网络显著提高了预测准确度，模型的调整 R2 从 0.148 提升至 0.228。这一改进在预测那些没有直接受到限制但通过网络连接受到影响的场所的访问量变化时尤为明显。

　　研究团队还通过反事实模拟探索了不同干预策略的影响。他们发现，忽略基于行为的依赖关系会显著低估对远离受冲击场所的影响。例如，在模拟大学访问量减少的情景中，考虑行为依赖网络的模型能够更准确地预测对远离校园场所的影响，而简单的基于距离的模型则倾向于低估这种长程影响。

　　图3：基于行为的依赖网络塑造经济韧性。a, 洛杉矶地区疫情期间(2020年3-5月)相比疫情前(2019年9-12月)的场所访问量变化分布图。右图展示模型规范，将场所 i 的标准化访问量用其网络邻居节点的标准化访问量加权和以及场所类别和地区固定效应进行回归。b, 不同类别场所间访问量变化的相关性分析。c, 使用(1)固定效应、(2)固定效应加引力模型依赖权重、(3)固定效应加行为依赖权重三种模型的调整 R2 对比。使用基于行为的依赖网络显著提高了预测准确度(从0.148提升至0.228)。d, 五个城市及合并模型中基于物理距离(βnull）和基于行为(βw)的依赖系数对比。

　　研究还通过具体案例分析了场所关闭的级联效应。以波士顿地区的大学为例，研究模拟了大学访问量减少50%对周边不同类型场所的影响 （图4） 。空间分析显示 （图4a） ，影响主要集中在哈佛、麻省理工、东北大学等主要校区周边。热图分析 （图4b） 进一步揭示，影响强度随距离增加而衰减，但不同类型场所受影响程度存在显著差异。咖啡店、餐饮和零售等服务类场所在校园附近 （0.1-1公里范围内） 受到的影响最为显著，访问量降幅可达20%。而距离较远 （10公里） 的场所受到的影响则相对较小。

　　图4：假设性城市冲击的级联影响。a，使用拟合的 Leontief 开放模型模拟大学场所（灰点）访问量减少50%对周边非大学场所(红点，颜色越深表示负面影响越大)的影响。忽略基于行为的依赖关系会显著低估对远离大学场所的影响。b，按场所类别和距离(对数刻度)展示的影响90百分位数。虽然最显著的影响发生在0.5km范围内，但艺术博物馆、餐饮和服务类场所在较远距离也受到显著影响。c，不同场所子类别关闭对其他场所的总体级联影响(相对于自身规模)与影响的加权距离范围分析。节点大小表示每个场所的平均访问量。大型商超和大学有较高的级联效应但主要集中在局部(~1.5km)，而机场、体育场、主题公园和加油站的影响既大且范围广(2.5-3.5km)。]

　　特别值得注意的是，那些在依赖网络中处于核心位置的场所 （如大型商场和交通枢纽） 虽然在初期受到严重冲击，但往往表现出较Kaiyun平台官方强的恢复能力。这可能是因为这些场所通常具有更多样化的功能组合和更广泛的客户基础，使它们能够更好地适应新的经营环境。相比之下，那些高度依赖特定类型上游场所的专业化服务设施 （如商务区的餐饮店） 的恢复则更加缓慢和困难。

　　然而该预测方法的几个重要局限。首先，模型假设依赖关系在短期内保持稳定，忽视了人们行为模式的适应性变化（如从堂食转向外卖）。其次，访问量的变化可能无法准确反映经济影响，因为企业可能通过调整经营策略（如提高单次交易额或转向线上）来适应冲击。此外，模型未能充分考虑政府干预措施（如经济刺激计划）对场所访问模式的影响。

　　这项研究通过构建基于人类行为的场所依赖网络，为理解城市经济韧性提供了三个重要的新视角。首先，研究揭示了传统基于地理距离的方法可能低估了城市系统的复杂性。实证分析表明，虽然依赖强度确实随距离呈现幂律衰减，但场所间的实际依赖关系还受到功能互补性、交通可达性等多个因素的影响。这种多维度的依赖关系使得城市经济系统在面对外部冲击时表现出更为复杂的响应模式。

　　其次，研究首次量化了人类移动行为在塑造城市经济韧性中的关键作用。通过分析COVID-19疫情期间的数据，研究发现人们的移动模式不仅反映了经济活动的强度，还揭示了不同类型场所之间复杂的依赖网络。这种基于行为的网络分析方法比传统模型提供了更准确的预测，特别是在理解间接影响和级联效应方面。

　　第三，研究强调了城市功能多样性对提升经济韧性的重要性。分析显示，那些具有多元化业态组合的区域通常表现出更强的抗冲击能力。这一发现挑战了传统的专业化发展模式，提示我们在城市规划中应当更加注重功能混合和业态多样化。同时，研究也发现不同城市的网络结构存在显著差异，这种差异与城市的规模、交通系统和土地使用模式密切相关。

　　然而，这项研究也存在一些重要的局限性。首先，SafeGraph数据虽然规模庞大，但可能存在样本偏差。特别是，数据主要来自智能手机用户，可能未能充分代表某些人群 （如老年人） 的移动模式。其次，研究主要关注访问量的变化，而经济影响还涉及消费金额、就业等多个维度。此外，模型假设依赖关系在短期内保持稳定，这可能低估了人们和企业的适应能力。

　　这项研究是对彭特兰“社会物理学”理论的实证检验，更揭示了一个深刻的洞见：城市经济韧性的本质，在于理解和适应人类行为模式的动态变化。正如彭特兰教授所言，城市就像一个“活的有机体”，其健康状态取决于组成它的每一个细胞（个体）的行为模式及其互动关系。通过构建基于行为的场所依赖网络，我们首次能够量化这种复杂的互动关系，并预测其对城市经济韧性的影响。

　　随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。 我们迫切需要对城市的基本运行规律有科学的认知。近十几年来，智能手机、物联网、卫星遥感可以帮助获取高精度的城市数据；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。此外，复杂科学从演生视角，在不同时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；基于复杂系统的模拟方法也在实践中有广阔的应用前景。

　　在这个大背景下，集智俱乐部由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会已完结，现在报名可加入社群并解锁回放视频权限。