线下转线上，成长不间断2020年2月，我们从线下走到线上，开展了第一期的《空间句法理论与实践应用》线上特训营（点击了解课程详情），课程于3月15日正式结营了。我们不仅把课程从线下搬到了线上，还有课件、作业、答疑、社群、考核、结业证书等等，所有的课程服务一个都不少！130+位同学参加了第一期空间句法特训营，并对特训营赞赏有加！让我们对线上特训营的模式更有信心了！学员群对课程的评价为了促进学员交流、共同进步，我们将陆续展示多个优秀学员的结业作业成果，一起来看看吧！上期分享了：优秀学员古越：利用空间句法分析道路与底商集聚活动的关联性优秀学员王灿：利用空间句法分析路网结构与城市服务POI今日分享优秀学员杨珺的学习感受和结业作业：优秀学员：杨珺大家好，我是一个景观规划师，主要研究城市绿地系统的规划以及可达性，景观质量评估等，对城市公共空间也有一定涉及。线上特训营部分课件展示曾今在Jan Gehl的书里面无意了解到空间句法的理论，当时就觉得很有意思。有幸能够参加这个课程，对空间句法也算是有了一个基本的框架认识。本期学员社群讨论与答疑因为对GIS软件完全不熟悉，所以课程中牵涉到作图的部分，对我来说还是比较吃力的，还好有学员社群和老师的耐心答疑。同时这个理论给了我一个全新的视觉来看城市，我相信对我未来的研究和职业发展应该是有好处的。优秀结业作业分享我的结业作业选题的城市案例是赫尔辛基，是因为我曾经参与过这个城市的绿地系统规划，对城市的结构比较熟悉。同时，我也希望通过空间句法来发现这个城市中一些有意思的东西。▲ 图片来自网络作业主要研究了赫尔辛基四个时期的城市中心路网，时间跨度大概是150年。通过对在不同半径下的整合度，角度穿行度的计算，来比较城市各个时期的路网使用状态，最后用了Open POI的数据来对比最近一年的整合度，以检查整合度的半径选择是否有问题。城市虽然在过去的一百多年有很大的扩张，但市中心的整合度从总体上来说迁移的并不明显，几乎所有的整合度最高值的地区，都是历史古迹最密集的区域，比如教堂，广场，还有混合使用度相对较高的区域。目录：1.城市背景介绍2.交通概况3.城市绿地系统4.城市中心区的历史发展5. 空间句法在市中心的运用6. 空间句法分析和POI的比对7.空间句法分析的属性附录1. 城市背景介绍赫尔辛基位于欧洲北部，地处波罗的海湾的北部。赫尔辛基东临圣彼得堡，西面可达瑞典首都斯德哥尔摩，隔海相望的南面是爱沙尼亚的首都塔林。城市临海的一面有315座岛屿，大的岛屿都空过桥梁链接。天气为海洋性气候，夏季温暖适宜，冬季相比同纬度的其他地区要温暖，但多雨。赫尔辛基是芬兰的首都，也是芬兰人口最密集的城市，有良好的港口设施，拥有丰富的森林资源。根据2017年的人口统计，赫尔辛基的人口大约为64万人左右。▲ 图片来自网络2. 城市交通由于受到海洋的限制，城市的路网由市中心呈发散结构向外延申，并通过快速环路和周边城市链接。城市只有一条贯穿东西向的地铁，其他方向依赖有轨电车和其他公共交通系统。▲ 图片来自网络3. 城市绿地系统城市从东到西，被南北向的绿网分割，绿地对于居住区而言，可达性很高。中央森林一直延申到中央火车站，成为少有的城市中心森林。 ▲ 图片来自网络4. 城市中心区的历史发展5. 空间句法在市中心的运用因为时间关系，所以只挑选了几个时期的地图进行绘制，对整合度在不同半径尺度下，以及角度穿度在不同的城市时期进行分析。1863年的赫尔辛基，从图中可以看出，整合度半径为五百米的时候，整合度最高的位置分别位于火车站的西南角和东北角。在半径为一公里和全局整合度中，整合度最高的位置则更靠近火车站。▲ 中央火车站下图：1863年的市中心的角度穿行度，东西向的红色道路在今天也是市中心最繁华的地方。▲ 中央火车站下图：整合度在半径为五百的时候和全局整合度的关系。1909年的赫尔辛基，从下图中可以看出，整合度半径为一公里的时候，整合度最高的位置依然集中在火车站的西南角。在半径为两公里的时候，基本贯穿了火车站东南和西南的路网，全局整合度中，整合度最高的道路则出现了靠北部的迁移。▲ 中央火车站下图：1909年的市中心的角度穿行度。此时的角度穿行的最高值开始从火车站南面的东西向道路向火车站东面的南北向道路迁移。下图：整合度在半径为一公里的时候和全局整合度的关系。1949年的赫尔辛基，从下图中可以看出，整合度半径为一公里的时候，整合度最高的位置集中在火车站的西南角。在半径为两公里的时候，整合度开始往火车站的东北部延申，全局整合度中，整合度高的位置开始出现往西北部迁移的趋势。1949年的角度穿行都分析，红色的路网已经和今天使用率最高的主干道基本吻合，见下图。2019年的赫尔辛基，从下图中可以看出，整合度半径为500米的时候，整合度的值都处于低位，两公里的时候，整合度最高的位置集中在火车站的南部往东和西南延申。在半径为五公里的时候，整合度开始偏移到火车站西部的区域，全局整合度中，整合度高的位置开始出现往西北部迁移的趋势。2018年的角度穿行度分析，红色最高值的路网区域也是城市中心最为忙碌的车行道路，角度穿行度的最高值区域已经从一百年前的火车站南部转移到北部，见下图。全局整合度来看，随着城市的发展，城市的全局整合度发生了向北偏移的趋势，见下图。▲ 中央火车站 R=N下图为四个时期整合度在一公里半径下的对比。可以看出，随着城市往北迁移，中心区在城市一公里半径范围内的整合度依然是最高的，在过去的一百多年中，并没有发生大的变化。在这一块集中了大量的商业活动。▲ 中央火车站 R=10006. 空间句法分析和POI的比对利用OpenPoiMap，可以看到博物馆（紫色）和吸引点（红色）在市中心的分布(左图)，和五公里半径下的整合度（右图）的对比。总体上来说，热门的吸引点基本上和五公里半径下的整合度高的位置吻合，也有一些吸引点，比如在地图的东南角和西北角的岛屿，没有在句法里显示出来，因为交通不便，难以到达。利用Googlemap，可以看到市中心的购物中心的分布图，和五公里半径下的整合度（右图）的对比。购物中心和全局整合度相比，在火车站的西部整合度的值要高，但却缺乏成规模的购物中心。相反，市中心的东北部，也就是在红圈标注的区域，去年刚新建了一个购物中心，但这个位置的整合度值不管是在小尺度的半径上还是全局整合度，整合度的值都偏低。购物中心对消费的预估远远高于实际情况，很多商家在入驻之后不到一年的时间都倒闭。所以未来是否应该加强这一区域的整合度，来促进经济。▲ 箭头所指为新建购物中心7. 空间句法分析的属性附录选取局部整合度在半径为500M和全局整合度的平均值在不同时期进行对比，发现1901年的局部整合度的平均数最高，1863年的最低，而在1949和2018年却有所降低。而全局整合度的平均值则是逐年增加。有机会能够参加这样的课程深感荣幸。在这里再次感谢古老师的讲解和答疑。^_^

为什么传感器、人工智能以及自动驾驶是驱动智能城市的关键？【本期看点】智慧城市常常被人提及，但它的关键要素有哪些？可能大部分人都不太了解。本文阐述了一些专家的观点，他们认为传感器、人工智能以及自动驾驶技术是驱动智慧城市的重要因素。具体是什么原因？以下内容不容错过。引 言无论是交通死亡人数的上升还是全球变暖现象，都预示着世界正变得更加可怕。与此同时，预计未来城市人口还会大规模增加。这给全球城市都带来了不小的挑战，也推动了智慧城市的发展热潮。虽然在通往绿色、畅通的城市的道路上不乏路障，但聚集在CES上的专家组对传感器、人工智能和自动驾驶技术驱动的智慧城市未来充满信心。没有传感器和人工智能就没有智慧城市▲ 图片来源于网络创业公司、技术领导者和其他许多人正在投入大量的金钱和时间创新技术，为全球智慧城市提供运转动力。但是，无论采用哪种技术，关键要素都是传感器和人工智能。传感器是收集数据所必需的，而人工智能是分析数据所必需的。没有这两者，智慧城市就无法蓬勃发展。麻省理工学院敏感城市实验室主任卡洛·拉蒂（Carlo Ratti）在CES的小组讨论中说：“数据和人工智能可以用来分析能源、公众参与和流动性。最令人兴奋的地方之一是，这可以改变城市的运行方式。”城市可率先推出无人驾驶汽车▲ 图片来源于网络对于智慧城市来说，无人驾驶汽车同样重要。尽管它们现在还没有上路，但总有一天它们会出现。因为随着城市人口的增加，不可能每个人都拥有自己的汽车。Via首席财务官克莱尔·法恩（Claire Fain）表示：“到2050年，全球将有三分之二的人口生活在城市中。这是城市要面对的不可避免的事实。” 虽然几乎没有用于自动驾驶汽车的城市和市政预算，但Fain认为城市能够决定如何在城市中实现自动驾驶。“城市要建立一个窗口，为自动驾驶系统提供正确的数字信息和物理基础设施，”她指出，“这样城市有机会创造新的税收，并利用其道路创造新的资金。”尽管自动驾驶汽车的竞赛已经取得了很多进展，但专家组成员指出，卡车将是第一批上路的自动驾驶汽车。“该技术更容易用于卡车，”一位成员说， “由于州际公路系统以及与各州的合作关系，我们将先看到更多的自动驾驶卡车。”▲ 图片来源于网络合作是关键技术公司在移动市场中面临的最大挑战之一，就是让城市和市政当局的领导人参与到智慧城市的建设中来。因为全球许多城市都面临着资金紧张问题，大多数公司面临着巨大压力，要在各项投资上计算出清晰的投资回报率，而不是仅展示一些城市中有趣或具有变革性的东西。他们还必须考虑到预算限制。 为了解决这个问题，StreetLight Data的联合创始人兼首席执行官Laura Schewel表示，公司必须在两个层面上销售其产品和服务。首先是这座城市会在一年之内获得明显的投资回报，与此同时，还会增加了一些出色的新功能。▲ StreetLight Data公司（网址https://www.streetlightdata.com/）▲ Laura SchewelStreetLight Data联合创始人兼首席执行官城市每天都要向联邦政府报告路上有多少辆车，这是一项费时又费钱的任务。如果StreetLight Data能够以较低的成本做到这一点，不仅可以得到交通量，还可以得到各种其他数据。这些数据即可以帮助规划自动驾驶汽车的行驶路线，也可以协助自行车道的重新规划。她说，城市不仅可以看到投资回报率，还可以获得先进的技术。

【本期看点】面对传染病，我们能用大数据做些什么？这可能是我们很多人都想知道的。2019年11月，麻省理工学院的研究人员就完成了一些相关研究，他们基于手机数据，追踪了2013年至2014年间登革热在新加坡的传播情况，希望以此了解通勤等日常出行如何影响蚊媒疾病在城市中的传播。他们创建了四种城市人口流动模型，经对比后发现，手机数据的模型最符合疾病传播的实际情况。具体详情如何，以下内容不容错过。引 言根据一项新的研究表明，人们在城市中的日常出行，尤其是通勤，是影响某些疾病在城市中传播的重要因素。▲ 图片来源于网络麻省理工学院（MIT）的研究人员合作完成的研究中，基于手机数据，追踪了2013年至2014年间登革热（dengue）在新加坡的传播情况，希望以此了解通勤等日常出行如何影响蚊媒疾病在城市中的传播。登革热是登革病毒经蚊媒传播引起的急性虫媒传染病。据估计，登革病毒每年导致全世界5千多万人感染，500,000多例住院和25,000多例死亡。▲ 图片来源于网络虽然许多研究已经将出行行为与疾病的长距离传播联系起来，但是目前这项研究的发现以其精细的研究粒度著名，追踪的是短距离和短时间内的传染路径。未来的研究将致力于确定目前的这些发现是否也适用于经空气传播的疾病，如流感等。这项研究的部分资金来自瑞士洛桑联邦理工学院的HERUS实验室、瑞士美孚公司（Mobiliar）、ENAC 2018年探索奖助金、洛桑联邦理工学院的生境研究中心以及MIT可感知城市实验室。相关论文伊曼纽尔·马萨罗（Emanuele Massaro）发表了一篇关于研究成果的综述性论文，论文中提出：“在城市中，媒介传染病流行的重要因素在于人口流动。”他认为这种基于手机数据的研究方法意味着研究人员在研究该问题时“不需要进行可能侵犯个人隐私的详细跟踪，但是仍然可以获取人口流动模型的关键：通勤。”▲ 图片来源于网络该论文发表于《自然科学报告》（Nature Scientific Reports），“评估了城市环境中的人类活动与蚊媒疾病之间的相互作用”。论文作者包括瑞士洛桑联邦理工学院城市人类-环境关系实验室（HERUS）的科学家马萨罗，MIT研究与技术联盟（SMART）的博士后丹尼尔·康德（Daniel Kondor），以及MIT可感知城市实验室主任卡洛·拉蒂（Carlo Ratti）。关注城市数据派微信号在微信号中回复：220即可获得查看论文全文的地址主要研究内容研究人员分析了新加坡2013年和2014年两次登革热爆发期间，不同的人口流动模型与登革热传播情况的适应程度。根据有关健康数据，研究人员创建了四种城市人口流动模型，这些模型使用了人均蚊虫数量和蚊虫叮咬率的估算值。然后，研究人员评估了哪种流动模型最符合疾病传播的实际情况。▲ 图片来源于网络第一个模型基于2011年以来230万人的匿名通话数据，模拟了新加坡的典型人口流动模式；相反，第二个模型假定人口随机流动；第三个模型使用相同概率估计人们的日常流动；第四个模型基于标记住所位置的人口普查数据，应用城市运动范式（一种由学者开发的“辐射”模型）来模拟新加坡的人口流动。然后，研究人员用各个模型进行了一系列模拟实验。同时考虑到蚊子的数量和感染率，学者们发现，这四个模型中使用手机数据的模型和“辐射”模型实验效果最好，始终近似于疫情随时间推移而蔓延的空间分布实际。研究人员采用了一种图像处理的度量标准来量化疫情模拟实验与实际结果之间的差异。如果两个疫情图相同，则模型得分为1，如果没有共同点，则模型得分为0。以“周”为单位，对模拟和实际结果进行比较。随着时间的推移，两个最佳模型的得分均略低于0.8；相同概率流动模型分布得分略低于0.7；随机流动模型表现最差，在0.6以下。这些发现增强了日常流动影响的重要性，尤其是普通的上下班通勤对疾病传播的影响。研究人员估计，在新加坡大约有80％的上班族存在职住分离。研究发现的疫情爆发地点和通勤模式，能够帮助公职人员更加有效的控制疫情。研究者观点“当局将能够确定哪些城市地区有更高风险被传染，”康德说，“官员们可以制定一系列的政策，从控制蚊子数量，到及时通知市民，使他们能够更加警觉并加强预防。”▲ 图片来源于网络需要明确的是，登革热是由蚊子引起的，不存在人传人的现象。因此，更多的人进入蚊子滋生地区才会带来更高的传染风险，例如在他们的上下班的路上。拉蒂说，意识到这种区别是“至关重要的”。因为“疾病的传播不依赖于人与人之间面对面的接触，而是人们停留在某一地区”，所以在这种情况下，通勤对蚊媒传播疾病的影响可能与流感等空气传播疾病的影响不同。▲ 图片来源于网络拉蒂还提到：“我们希望这类疾病（如流感）的传播方式会有所不同，这是一个有趣的问题，目前的研究结果在多大程度上适用于此。”未来的研究可以在类似的层面上探讨这一点。无论哪种情况，“鉴于世界卫生组织日益增加的对全国或全球性流行病的警告，以及上个月公布的全球卫生安全指数……表明许多国家预防、发现和应对疾病爆发的能力薄弱，迫切需要进行此类研究。”马萨罗认为，这类研究“在发展中国家尤为重要”，同时目前可以进一步扩展研究，帮助官员为未来可能爆发的疫情提供精确的选择。他说：“下一步，我们将致力于开发模型和数据驱动的监控系统，以检测最安全的城市通勤道路。”

【投稿吗？有稿费的那种！】（点击看详情），是由城市数据派主办的征稿活动，我们希望能够提供更新鲜、更好玩、更有价值的内容，因此决定为派友们开放平台，提供交流和展示才能的机会。小派在此恭候派友们投稿分享！【本期看点】针对此次新型冠状病毒（2019-nCoV）肺炎疫情，美国约翰霍普金斯大学（JOHNS HOPKINSUNIVERSITY）系统科学与工程中心的Lauren Gardner教授与世界卫生组织合作，制作了“新型冠状病毒（2019-nCoV）肺炎”的追踪地图网站。本文对该疫情追踪网站做了介绍，并介绍了Lauren Gardner教授团队做的传播风险研究，方便大众能通全球视野，实时关注疫情的发展。本期投稿作者：小美GIS爱好者地图网站简介▲ 约翰霍普金斯大学关于肺炎疫情研究网站截图约翰霍普金斯大学（JOHNS HOPKINSUNIVERSITY）作为全球医学、公共卫生领域的知名研究机构，长期进行社会与健康问题的跨学科研究，近年来持续追踪寨卡病毒、麻疹等。针对此次新型冠状病毒（2019-nCoV）肺炎疫情，其系统科学与工程中心的Lauren Gardner教授与世界卫生组织合作，制作了疫情追踪地图网站，用来实时监控全球范围内疫情的传播情况。为更多想要了解疫情进展的大众，提供有价值的、及时的参考信息！该地图数据来自各种来源的最新、最权威的统计信息，包括：世界卫生组织（WHO），美国疾病预防控制中心（CDC），欧洲疾病预防控制中心（ECDC）、中国国家卫生健康委员会（NHC），以及丁香园（DXY）。▲ 疫情追踪地图网站截图目前，截至2月6日下午5点，全球确诊的病例达到了28333例，国内病例28120例，包括中国大陆在内，全球受影响的国家和地区达28个。网站地址：https://gisanddata.maps.arcgis.com/apps/opsdashboard/index.html#/bda7594740fd40299423467b48e9ecf6提供全球疫情数据下载该地图网站提供Google Sheets格式的全球疫情数据下载，可供相关人员研究使用，例如做疫情的扩散性分析、空间分析，结合交通数据还可做出行分析、传播风险分析，以及各类预警分析等。▲ 疫情追踪地图网站提供的实时数据关注城市数据派微信号在后台回复“全球疫情数据”即可获得数据的下载链接疫情传播风险研究约翰霍普金斯大学的Lauren Gardner教授根据最新疫情数据，领导团队做了进一步疫情传播风险研究，并根据各个国家和地区与中国大陆交流规模以及飞机航班等数据推测可能出现的确诊病例数量。团队成员包括：约翰霍普金斯大学的Lauren Gardner，悉尼新南威尔士大学的 Aleksa Zlojutro和David Rey ，约翰霍普金斯大学的Ensheng Dong。▲ 约翰霍普金斯大学教授Lauren Gardner博士（图片来源：JHU）研究所使用的疫情传播风险模型来自2019年2月发表在nature上论文《 Adecision-support framework to optimize border control for global outbreakmitigation》（疫情边界控制决策支持框架）。▲ 《疫情边界控制决策支持框架》论文截图关注城市数据派微信号在后台回复“疫情边界”即可获得该文的PDF下载链接研究团队基于发布的模型「疫情边界控制决策支持框架」做出新的分析，该模型将此次新型冠状病毒肺炎的疫情动态和疫情控制集成至决策支持工具中，以便于在疫情爆发前期通过边境控制从而减轻疫情进一步扩散。团队采用随机集合种群流行病模拟工具模拟疫情动态，并且在建模过程中考虑边境防范机制（入境检查），其主要用于识别感染者或高危人群。阶段性研究结论约翰霍普金斯大学报告称，基于100例（此为29日当日数据）从中国输入到境外的病例运行模型认为，中国大陆新型冠状病毒肺炎病例的数量可能比1月份的报告数量高得多。具体来说，截至1月底，推测中国大陆累计可能有约58,000例新型冠状病毒肺炎病例（截至1月31日，已报告病例接近12,000例）。这种差异很可能是由确诊延误造成的。当然，大量的预估病例表明，多数病例可能是轻微的(或无症状的)，不需要寻求医疗护理，因此没有被报告。 此外，根据这一推测，分析认为疫情始于11月，而在12月初，武汉已经出现了数百例感染病例。1月份估计的确诊病例见下图。▲ 全球报告病例与估计病例数量（图片来源：JHU）此前，帝国理工学院在1月18日在中国大陆估算的4000例病例的报告，以及兰卡斯特大学在1月24日估计有12,700例。约翰霍普金斯大学报告指出，近期，在中国境外报告的病例有大量且迅速的增加，这种情况仍在发生，并且可能导致比本研究更高的估计数。 在风险最大的32个国家/地区中，泰国排在第一位。而与31日的疫情对比，预测与实际确诊病例发展趋势符合；但对于其中一些国家/地区，病例数值却是大幅低估，诸如新加坡、日本、澳大利亚、马来西亚等国现实输入病例都高于预测，尤其是日本，截至2月4日已经飙升至第一位，疫情扩散的速度比推测的还要快很多。▲ 风险最高的国家/地区列表（截至1月31日）（图片来源：JHU）以下是团队推测出的中国大陆风险排名前50的机场，以及中国大陆以外地区全球风险排名前50的机场。▲ 中国大陆地区新型冠状病毒感染风险最高的50个机场（图片来源：JHU）▲ 中国大陆以外新型冠状病毒感染风险最高的50个机场（图片来源：JHU）研究报告的几点说明1.关于疫情传播仍存在不确定性。比如恢复期的持续时间暂时有待确定，该持续时间可能比此分析中指定的五天更长。由于潜伏期无症状个体的感染传播没有被报告。因此，未来几天在中国以外报道的病例数量可能会增加，尤其是在本分析中被确定为最高风险的城市。2.该模型仅考虑旅客的航空旅行，不包括通过其他运输方式在城市内部和城市之间的流动性。因此，低估了通过其他出行方式连接的区域之间的分布风险。3.该模型未考虑机场的旅客入境检查和1月23日在武汉实施的全面航空旅行禁令。因此，在模拟的最后几天中，研究可能高估了从武汉输出的病例数量。4.该模型没有考虑到城市内部/地区的控制措施（交通管控，疫苗，学校关闭，检疫工作等）。所以，R0值（该研究估计R0值为2，即每一个确诊病例将感染2个其他人）可能在不同地点之间变化很大，并且比爆发开始时的水平要低。5.该研究使用的是2015年旅行（机场到机场）数据。这是能获得的最新完整数据。

【本期看点】为了保护个人隐私，目前我们使用的大数据基本都是匿名的。但即使如此，麻省理工学院（MIT）的研究人员仍呼吁提高公众意识，制定更严格的数据使用规范来保护公众隐私。其主要原因是，他们在研究中发现，如果拥有一定数量的两个数据集，就能匹配出两个数据集“相交”的部分，找出某个人的信息和轨迹，数据越多，匹配的准确率也越高。简单的说，如果拥有某人的匿名信用卡信息，同时还有这个人在Twitter上的公开位置数据，那么就可以匹配出该信用卡属于这个人。研究人员具体怎么匹配？如何知道匹配的正确率？以下内容为你解答！引 言麻省理工学院（MIT）研究人员的一项新研究发现，越来越多的关于人们运动模式的匿名大数据集是一把双刃剑：虽然它可以为人类行为模式的研究提供有效的帮助，但这也使人们的隐私暴露于危机之中。企业、研究人员和其他组织正在收集、存储和处理包含用户“位置戳”（地理坐标和时间标记）的匿名数据，这些数据一般从手机、信用卡交易、公共交通智能卡、Twitter帐户和移动应用程序中获取。将各类数据集合并便可以得到有关人们出行的丰富信息，这可以用来优化交通系统以及完善城市规划等。▲ 图片来源于网络但是，随着大数据的出现，隐私问题也随之出现：位置戳对个人来说是非常特殊的，有可能被用于非法目的。最近的研究表明，仅在移动数据集中随机选择几个点，就可以识别和学习有关个人的敏感信息。移动数据集的合并让这变得更加容易：代理人将一个数据集中匿名的用户轨迹数据与另一个数据集中的非匿名轨迹数据相匹配，便可以解密匿名数据。相关论文省理工学院的研究人员发表在《IEEE Transactions onBig Data》上的一篇论文中《Towards matching user mobility tracesin large-scale datasets》，首次对来自新加坡的两个大规模数据集（一个来自移动网络运营商，另一个来自本地交通系统）中的所谓用户“匹配性”进行了分析，展示了这种情况是如何发生的。研究人员使用统计模型跟踪两个数据集中用户的位置戳，并计算两个数据集中的数据点来自同一个人的可能性。在实验中，研究人员发现，该模型可以根据一周的数据集匹配出17%左右的个体，根据一个月的数据集匹配出55%以上的个体。这项工作展示了一种高效且可扩展的方式来匹配数据集中的移动轨迹，这是行为研究的福音。与此同时，研究人员警告说，这样的过程会增加非匿名化处理真实用户数据的可能性。论文的作者之一Daniel Kondor是麻省理工学院研究与技术联盟（Alliance for Research and Technology）未来城市交通小组（Urban mobility Group）的博士后。他说：“作为研究人员，我们相信，我们可以借助大数据集来获得社会和交通领域前所未有的发现，从而使我们可以更好地规划城市。同时，识别身份是否可行是十分重要的，因为这样才能让人们意识到共享出行数据的潜在风险。”▲ 卡洛·拉蒂（Carlo Ratti）建筑师、工程师，教育者MIT麻省理工学院可感知城市实验室负责人另一位作者Carlo Ratti是麻省理工学院可感知城市实验室（Senseable City Lab）的主任，也是城市研究与规划系（MIT’s Department of Urban Studies ）的教授，他补充说：“发布结果时，特别是发布非对称数据的结果时，我们有点像‘白帽’黑客或‘道德’黑客。我们认为，提醒人们注意这些新的数据合并的可能性以及考虑该如何监管这些可能性是十分重要的。”▲ 图片来源于网络论文地址：https://arxiv.org/pdf/1709.05772.pdf消除误判“要了解位置戳的匹配和潜在的去匿名化是如何工作的，请考虑这样的场景：我两天前在新加坡的圣淘沙岛，昨天来到迪拜机场，今天在迪拜的朱美拉海滩。其他人的轨迹完全与之一样的可能性很小。简言之，如果有人拥有我的匿名信用卡信息，也许还有我在Twitter上的公开位置数据，那么他们就可以取消我信用卡数据的匿名，”Ratti说。虽然已经存在类似评估数据去匿名化的模型，但这些模型使用计算密集型的方法识别，即将匿名数据与公共数据合并以识别特定的个人。因此这些模型只适用于有限的数据集。麻省理工学院的研究人员使用了一种更为简单的统计方法，即测量误判的概率，能够有效地预测海量数据集中用户轨迹之间的匹配性。在他们的研究中，研究人员收集了两个匿名的“低密度”数据集（每天仅有少许记录），这些数据涉及新加坡2011年一周多时间的手机使用和个人交通记录。手机使用数据来自一家大型移动网络运营商，包括来自200多万用户的4.85亿条记录中的时间标记和地理坐标。交通数据包含了超过7000万条记录，其中有个人在城市中移动的时间标记。▲ 每个用户的记录数量分布 左：交通数据集中每位用户的记录数右：移动通信数据集中每位用户的记录数▲ 活动的时间布 左：交通数据集中的用户分布右：移动通信数据集中的用户分布给定用户在两个数据集中均有记录的可能性随着合并数据集的大小而增加，与此同时误判的可能性也随之增加。研究人员的模型首先从一个数据集中选择一个用户，然后从另一个数据集中找到一个大量位置戳与之匹配的用户。简而言之，随着匹配点数量的增加，匹配错误的可能性降低。在沿着轨迹匹配一定数量的点之后，该模型消除了匹配误判的可能。以典型用户为研究对象，他们估算利用1周的合并数据集进行匹配，成功率为17%，4周的匹配成功率约为55%，而11周的匹配成功率跃至约95%。研究人员还估算了1周内需要多少条活动数据来完成大多数用户的匹配。假设单个用户拥有30到49条个人交通记录和大约1000条手机移动记录，他们估计利用1周的合并数据集进行匹配，成功率可以达到90％以上。此外，如果将两个数据集与GPS轨迹结合（通过智能手机应用程序定期主动和被动地收集），那么使用不到1周的数据，就可以使95％的轨迹实现成功匹配。▲ 左：空间匹配与时间匹配的比率；右：不同用户活动记录下1周的数据集的估计成功率更好的保护隐私通过研究，研究人员希望能够提高公众意识，并促进制定更严格的共享消费者数据的法规。Ratti说：“带有位置标记的数据（当今大多数的数据）是非常敏感的，我们都应该对与谁共享做出更明智的决定。我们需要不断思考在处理大量个人数据时可能会遇到的挑战，同时不断探索隐私保护的恰当方式。”▲ 图片来源于网络为此，Ratti、Kondor和其他研究人员一直在广泛研究大数据的伦理和道德问题。2013年，麻省理工学院的可感知城市实验室（Sensable City Lab）发起了一项名为“参与数据”的计划，该计划的参与者涉及政府、隐私权组织、学术界和企业界的领导人，他们研究了当今的数据收集公司如何以及应该如何使用移动数据。“当今世界充斥着大数据，”Kondor说，“2015年人类创造的信息与人类过去几年创造的信息一样多。虽然数据意味着人们对城市环境有更加深入了解的可能，但目前，这些信息中的大部分是由一些对我们了解很多，而我们对他们了解甚少的公司和公共机构掌握。因此，我们应该注意和避免数据的垄断以及滥用。”

位和COVID-19新冠疫情分析平台，上线疫情输入风险指数、疫情传播风险指数和城市活力复原指数，监控基于人流数据的全国地级市疫情风险变化及复工节奏。数据每日更新。访问链接点击疫情输入风险疫情输入风险来自从出发城市去往到达城市的人流。我们用出发地的存量确诊病例数（确诊人数-治愈人数）对人流加权，作为到达城市的输入风险。图1 所示为基于百度迁徙数据的2月24日湖北省外城市间人口流动，每条线连接起点城市和终点城市，线的颜色和宽度代表从起点城市到终点城市的人流强度，颜色越红，人流越强。图1 湖北省外城市间人口流动图2 所示为用疫情加权的人流 。线的颜色越红，到达城市的疫情输入风险越高。图2 湖北省外城市间疫情风险流动图3 所示为从1月29日至2月24日的湖北省外每个城市的疫情输入风险变化。右侧的时空矩阵对所有城市按照疫情输入风险变化的模式进行了排序，输入风险最高的城市是东莞，其次是深圳和上海，接下来是广州、佛山、长沙、苏州、惠州、北京 ...... 图3 湖北省外城市疫情输入风险变化城市内疫情传播风险城市内疫情传播风险由每个城市内部的出行强度、单位面积人口和城市内存量疫情计算而来。根据百度迁徙的定义，出行强度为该城市有出行的人数与该城市居住人口比值的指数化结果。图4 所示为从1月29日至2月24日湖北省外每个城市内部的疫情传播风险变化。风险最高的城市为：深圳、上海、北京、广州、阜阳、重庆、温州、......图4 湖北省外城市内部疫情传播风险变化疫情输入风险变化与城市内传播风险变化双评估把疫情输入风险变化和城市内传播风险变化结合起来进行聚类计算，对各个城市进行疫情分级评估：绿色类别的城市，输入风险和传输风险都很高：深圳、上海、北京、广州、长沙、佛山、苏州、惠州、南阳、郑州、岳阳、宁波、杭州、成都、重庆、等；黄绿色类别的城市，传播风险相对较高但输入风险相对较低：阜阳、温州、济宁、等；浅绿色类别的城市，输入风险相对较高而传播风险相对较低：济南、无锡、嘉兴、泉州、绍兴、金华、九江、等；......图5 湖北省外城市疫情输入风险与传播风险双评估城市活力复原指数与复工变奏曲随着疫情稳步下降，复产复工提上日程。珠三角和长三角的城市率先复工抢人。经过各种努力，复工的情况究竟如何了？各城市在疫情风险和复工推动之间权衡得怎么样？我们用每个城市内当前出行强度与去年农历同期出行强度的比值，来体现城市活力恢复程度，并用这个指标度量城市的复工节奏。根据百度迁徙的定义，出行强度为该城市有出行的人数与该城市居民人口比值的指数化结果。外来务工人群节前纷纷返乡。根据2020年春节前15天（1月10日- 1月24日）每个城市每天的流入人口和流出人口，计算节前净流出人口，在地图上分类如下。颜色越红的城市，净流出人口越多，这些城市是中国的经济引擎。颜色越蓝的城市，净流入人口越多，它们是外来务工人员的家乡。图6: 2020年春节前人口净流出节前人口净流出城市的复工节奏，从2月9日（正月十六）至2月25日，可以从下面这张图上体现出来。颜色越红，复工比例越高。图7: 节前人口净流出城市复工指数变化2月25日的复工地图显示：大部分城市的复工比例都超过了50%。金华、泉州、江门、厦门、湖州的复工比例已超80%；复工比例少于50%的城市为乌鲁木齐、西安、郑州、廊坊、太原、天津、北京、海口、石家庄。北上广深四个大城市中，上海的步子快一些，已达63%；广州和深圳同步，58%；北京最谨慎，48%。复工是由政策推动的。对这些城市的复工指数、存量疫情和疫情输入风险进行聚类，评估各城市复工政策与疫情风险的权衡把握。复工政策与疫情风险的权衡把握蓝紫色系的城市，疫情风险低。紫色城市的复工程度很低：天津、廊坊、石家庄、太原、西安、乌鲁木齐。浅蓝色城市的复工程度居中：嘉兴、无锡、贵阳、昆明、无锡。深蓝色城市的复工程度较高。绿色、粉色和白色城市，疫情风险中等，复工程度中等。红色和棕色城市，疫情风险高。红色城市复工相对谨慎，包括北京、温州、广州和深圳。棕色城市的步伐略微快一些，包括上海和长沙。位和COVID-19新冠疫情分析平台位和COVID-19新冠疫情分析平台，是在位和GeoAI云平台的基础上进行二次开发形成的应用产品，包含疫情晴雨表、疫情动态变化、疫情空间分布和疫情趋势曲线几个系列，覆盖中国范围和国际范围。晴雨表系列，播报从1月29日至今每个地区每一天的新增确诊数量变化、治愈率变化、死亡率变化、疫情输入风险变化、疫情传播风险变化和城市活力恢复变化，并按疫情发展变化的程度对各地区进行分组和排序。位和“疫情晴雨表”背后的时空分析技术支持了国家疾控中心（CDC）的疫情汇报，用于展示疫情和人流的变化。“疫情动态变化”用气泡图的形式表达各个城市确诊人数随时间的变化。点击访问疫情动态变化“疫情空间分布”分为地市级、省级和国际三个尺度，可以切换各地区确诊人数、每万人确诊人数、确诊增量、治愈人数、治愈增量、治愈率、死亡率和确诊人均医疗资源等指标的可视化表达。点击访问地级市疫情空间分布“疫情趋势曲线” 对比累计确诊/疑似人数、新增确诊/疑似人数、累计死亡/治愈人数，死亡率/治愈率/重症率，区分全国、武汉、湖北省、湖北省外几个不同的区域。如何访问位和COVID-19新冠疫情分析平台？关注位和公众号，访问“疫情分析”。长按识别二维码关注我们关注位和位和GeoAI云平台：www.wayhe.com位和提供数据服务、GeoAI时空云平台服务、数据分析咨询服务和相关平台定制开发服务欢迎合作：info@wayhe.com，400-960-6580城市数据挖掘应用QQ群：203181200获奖情况First Place, IEEE Information Visualization Contest Top 10, NSF/Science Information Visualization Contest2019 中国智慧城市优秀应用案例2019 武汉仿真城市实验室用地功能与就业产出预测组三等奖2018 微软智慧零售黑客松竞赛，北京站并列第一2018 中国城市规划大数据十大机构2017 中国新锐大数据公司2017 SODA大数据企业组未来之星

引 言近日，全国各地抗击疫情的工作仍在继续，各地企业复工也在有序进行中。随着人们纷纷踏上返程路，各大城市的人口流动也呈现出新的面貌。为更好展现人口变化情况，浙江云合数据科技有限责任公司（以下简称“云合数据”）的人口与空间动态数据分析平台新增“人口流动趋势”功能，通过对城市数据的深入研究和分析，洞察人口的流向与变化趋势，为各地各部门高效开展城市管理、资源规划调配、组织企业复工复产等工作提供大数据参考。 新功能“人口流动趋势”“人口流动趋势”是在人口与空间动态数据分析平台原有“城市画像”模块上的新增功能，可以直观展现国内近140个主要城市的人口变化趋势，为政府有关部门、研究机构等提供不同时间点城市人口变化情况的关键信息。在该功能页面，0.00%代表该城市的常驻人口基准线，而不同时间点人口比例的正负变化则能直观体现出该城市人口的流入与流出情况。本文以杭州（人口流入型城市）、徐州（人口流出型城市）及烟台（平衡性城市）三种不同类型城市的趋势变化做展示，通过该功能，相关部门可以观测到春节期间不同节点城市的人口流动变化，从而在交通运输、物资保障等各方面做好安排。杭州人口流动趋势▲ 2019年与2020年春节期间杭州市人口变化比例趋势图如上图所示，蓝线和红线分别展示的是杭州市2019年和2020年春节期间人口变化情况。可以看出，在2019年1月9日（农历腊月初四）前后，杭州市开始出现较为明显的人口流出现象，并在2月5日（农历正月初一）前后达到最低值；此后，随着春节假期的结束，回乡过年的人们陆续返回杭城投入工作和学习，杭州人口逐步恢复节前水平。 与去年不同的是，今年杭州市的人口流动趋势在1月9日（农历腊月十五）前有小范围的上升，这说明了一部分人在春节前期涌入杭州。看来，“反向春运”作为一种新潮的过年方式，也在杭州城内悄然兴起。1月9日之后，人们纷纷开启回乡之旅，人口大幅度下降。由于疫情的影响，今年杭州的回城趋势比以往来得更缓一些。云合数据显示，从1月25日（农历正月初一）开始，杭州市开始渐渐有人口流入，但上升的幅度比较缓慢，一直到2月18日（农历正月二十五），返杭客流仍在继续。徐州人口流动趋势▲ 2019年与2020年春节期间徐州市人口变化比例趋势图反观徐州的人口流动趋势，云合数据发现，作为劳动力输出型城市的代表，徐州市人口变化趋势受节假日、各地政策等因素影响明显。云合数据显示，2019年与2020年徐州人口流动趋势基本一致。从农历腊月开始，徐州城市人口开始呈现上升态势，大批外出务工人员返乡，带来春节人流量上涨，并且越近年底，曲线上升越明显。2019年2月10日（农历正月初六）左右，徐州人口开始明显流出。今年虽然受疫情影响假期政策有所调整，但随着各地复工工作的有序开展，2月中旬后徐州人也开始纷纷“离巢”奔赴各自的工作岗位，从而带来了当地人口的明显下降。烟台人口流动趋势▲ 2019年与2020年春节期间烟台市人口变化比例趋势图而对以烟台为代表的平衡性城市来讲，春节期间人口流动趋势相对平稳。云合数据显示，近两年春节期间，烟台人口流出峰值基本稳定在15%以内。根据之前个推大数据发布的《2020春节城市“瘦身”指数排行榜》，同为14座沿海开放城市之一的宁波同期瘦身程度接近40%。烟台这座港口城市可谓“安逸”。 云合数据其他相关研究作为云合数据的主打产品，除了此次升级的“人口流动趋势”功能，人口与空间动态数据分析平台还具备城镇体系识别、城市职住分析、区域关联性分析、公众中心识别及人口分布分析等多项功能，可为城市规划、智慧旅游、商业选址等各类洞察提供强大的数据支撑。目前，云合数据已在城市规划领域做了诸多研究分析。例如云合数据与国家发改委城镇研究中心合作,对300多个城市的人口进行研究分析，为以“生态空间、乡村空间及城镇空间”为主要内容的“三生”空间规划提供了人口与空间量化分析的依据。同时，云合数据也与无锡市相关部门合作，基于自身海量移动端数据，通过人口、时间、空间的三维立体分析，为国土空间规划提供了从宏观到微观的多维度数据参考。 在全国各地大力推进智慧城市建设的当下，大数据之于城市规划的意义与作用不言而喻。未来，云合数据也将充分发挥数据优势，不断打磨自身技术，持续为各地智能升级助力，成为中国城市数字化发展的大数据引擎。扫描下方二维码，立即试用云合数据“人口与空间动态数据分析平台”，限量50个席位，先到先得哦！“云合数据”企业介绍云合数据是浙江每日互动网络科技股份有限公司（股票代码：300766）的子公司，致力于用数据智能让决策更科学，通过不断探索大数据在公共服务领域的垂直应用，协助政府推进数字化治理体系的建设与发展。云合数据旗下产品——人口与空间动态数据分析平台包含极速洞察、城市画像、人口统计与出行分析等服务模块，提供城镇体系识别、城市职住分析、区域关联性分析、公众中心识别及人口分布分析等多项功能，能快速、有效地勾勒出城市的立体画像，动态展示人群分布与变化，为规划、统计、文旅、发改等政府相关部门提供全面客观的大数据支持。

【投稿吗？有稿费的那种！】（点击看详情），是由城市数据派主办的征稿活动，我们希望能够提供更新鲜、更好玩、更有价值的内容，因此决定为派友们开放平台，提供交流和展示才能的机会。小派在此恭候派友们投稿分享！【本期看点】“新型冠状病毒”逐步传播至全国乃至全世界，对经济状况及人类生产生活产生了严重的影响。作者以所学专业视角撰写本文，希望能学以致用，尽己所能，出一份力。本文通过人口迁徙规模指数与确诊人数的数据，采用线性回归模型，模拟预测人口迁徙与疫病传播之间的关系，从而对政府部门政策措施的制定提供借鉴意义。本期投稿1 引 言2019年12月以来，湖北省武汉市发现多起病毒性肺炎病例，均诊断为病毒性肺炎/肺部感染。而经后期研究发现这是由2019新型冠状病毒（COVID-19）引起的，此病毒于2020年2月11日被世界卫生组织正式命名。新型冠状病毒是以前从未在人体中发现的冠状病毒新毒株。研究表明，该病毒的来源可能是野生动物中的中华菊头蝠。而其主要传播途径为经呼吸道飞沫和接触传播，因此存在“人传人”现象，且其传染性较强。加之疫情发生在春节期间，春运活动使得疫情进一步加剧。在这种情况下，人口流动行为被动地对病毒传播创造了良好的条件，因此疫情从武汉市逐渐扩展开来，蔓延至全国乃至全世界。时间地理学认为，个体需要从一个驻所移动到另一个驻所以进行活动，而移动过程中受到了许多制约[1]，包括生理上或自然形成的制约以及由于个人决策、公共政策及集体行为准则造成的制约。这些制约可以归为能力制约、组合制约和权威制约三类。这三类制约在该事件中可表现为：（1）能力制约：交通工具对人们出行活动的限制；（2）组合制约：必须与感染人员同一时间在同一地点接触才有可能传染；（3）权威制约：武汉市采取的“封城管理”措施及其他省市政府采取的隔离管制、出行限制。截止2020年2月14日，全国确诊人数以达到63932例，我国经济运作及人民生产生活受到严重影响，因此有必要研究人口迁徙活动对此病毒传播的影响，并在此基础上分析人口迁徙活动受到哪些制约，模拟预测疫情有可能被低估的省市，以期对当地政府的预防监控政策开展实施提供借鉴意义。2 数据与方法2.1 数据来源及预处理本研究的人口流动数据采用百度迁徙数据（点击链接）提供的迁徙规模指数作为人口流动相对量，从而对比分析发源地武汉市迁往各省市人口的相对数量。得到1月1日至1月25日的武汉市迁出规模指数，及31个省级行政单位和流动人数最高的前100个市级行政单位作为迁出目的地的迁徙比例（缺少港澳台数据），最终计算得到各省的平均迁徙指数X，表达式如下：其中，Ti为第i个省/市级行政单位作为武汉市迁出目的地的迁徙规模指数，a为各省/市作为迁出目的地的比例，n为总天数，即n=25。“新型冠状病毒肺炎”确诊人数的数据采用丁香园·丁香医生（点击链接）公布的实时数据。因病毒感染存在14天的潜伏期，故采用封城后14天的数据作为因变量，即2月6日，最终得到各省市的确诊人数数据Y。 2.2 研究方法运用一元线性回归数理统计方法研究各省市2020年2月6日确诊人数与1月1日-1月25日武汉市迁出人口相对数量之间相关性，并模拟预测线性回归方程，对比分析疫情扩散的影响因素及有可能被低估的省市。表达式如下：式中，b为趋势斜率，Xi、Yi分别为第i个的省/市级行政单位的平均迁徙规模指数和确诊人数；`x、`y分别为研究时段内的全国平均迁徙规模指数和确诊人数，n为监测的省/市数。式中，Rxy为要素x与y之间的相关系数，Xi、Yi分别为第i个的省/市级行政单位的平均迁徙规模指数和确诊人数；`x、`y分别为研究时段内的全国平均迁徙规模指数和确诊人数，n为监测的省/市数。3 结果分析3.1 人口迁徙规模时空变化格局3.1.1 武汉市迁出规模指数变化趋势 2020年1月1日-23日期间，武汉市迁出规模指数呈现波动上升趋势,并于23日达到顶峰（图1）。23日之后，迁徙数量急剧下降，这是由于政府采取“封城管理”的政策措施，导致市民的出行活动受到权威制约，从而有利于遏制病毒在全国乃至全世界进一步蔓延扩散。图1 武汉市迁出规模指数变化趋势 3.1.2 迁徙规模指数空间分布从省级尺度来看，受到地理邻近性的影响，各省份的迁徙规模指数呈现以湖北省为中心的圈层递减趋势（图2），且武汉市人口迁徙行为多为省内迁徙，因此湖北省的迁徙规模指数最高，为4.44（表1），与湖北省毗邻的河南省、湖南省、安徽省、江西省次之。而广东省和北京市虽与武汉市地理距离相对较远，但由于其作为经济发展水平相对较高的省市，人口流动数量相对较多。这也与交通工具对人口迁徙行为产生的能力制约有关，东北和西北省区距离武汉市较远，且交通相对不发达，因此迁徙规模指数相对较小。而武汉市素有“九省通衢”之称，是中国内陆最大的水陆空交通枢纽和长江中游航运中心，其高铁网辐射大半个中国，是华中地区唯一可直航全球五大洲的城市。便捷的交通条件为人口流动及病毒扩散提供了良好的客观条件。因此，为了有效遏制病毒的传播，“封城管理”势在必行。表1 各省作为武汉市迁出目的地的平均迁徙规模指数从市级尺度来看，迁徙规模指数的分布格局呈现自武汉市向外递减的圈层式结构，与省级尺度基本一致（图2）。在指数最高的前25个城市中，湖北省内城市占60%，河南省城市占16%，湖南省、广东省、北京市、重庆市、上海市和深圳市次之（表2）。这也体现出武汉市与这些城市的联系度更高。因此，这几个城市更要加强监测管理力度，防止病毒进一步扩散。表2 作为武汉市迁出目的地的城市平均迁徙规模指数Top25图2 迁徙规模指数（左图为省级，右图为市级）3.2 确诊人数时空变化格局3.2.1 确诊人数变化趋势研究期间，全国累积确诊人数呈现上升趋势，非湖北省地区新增病例人数先增长后于2月初达到短期最高点，目前呈现持续下降的趋势（图3）。这也体现出武汉市“封城管理”后，由于权威制约和组合制约，非湖北地区由于与武汉市疫情相对稳定，因此这阶段的治疗重点依然是湖北省各县市。图3 累积（左）/新增（右）确诊人数变化趋势（图源：丁香园·丁香医生）3.2.2 确诊人数空间分布从省级尺度来看，确诊人数总体呈现以湖北省为中心的圈层式递减结构，这与迁徙规模指数的分布结构一致（图4）。其中浙江省和广东省疫情较为严重，分别位居第二、三位；而人口迁徙规模指数较高的河南省的确诊人数反而相对较低，位居第四位（表3）。此外，黑龙江省虽距离湖北省地理距离较远且迁徙规模指数较低，但确诊人数相对同等条件的省份较高。因此，未来防治过程中在持续关注高确诊人数的省份外，应尤为关注浙江省、广东省和黑龙江省具体情况及背后原因。从市级尺度来看，确诊人数分布格局呈现自武汉市向外递减的圈层式结构，与省级尺度基本一致（图4）。在人数最多的前25个城市中，湖北省内城市占60%，浙江省占16%，河南省占8%，广东省广州市、江西省南昌市、湖南省长沙市和深圳市入围（表4）。由此可知，与湖北省毗邻的省份中，省会城市的确诊人数较高，这与便捷的交通和人口流动数量较高有关。而河南省南阳市、信阳市和郑州市人口迁徙规模指数差别较小，但郑州市距离武汉的地理距离相对较远，受到地理邻近性规律和交通工具能力制约的影响，因此确诊人数相对另外两市较少。浙江省温州市确诊人数在湖北省外城市中位居第一，这可能与其当地产业结构有关。温州市商贸发达，劳动力较为集中，因此疫情期间人口接触数量相对较大，“与感染人员同一时间同一地点接触”的组合制约相对较小，使得疫情在温州市表现得更为明显。综上所述，应加大相关城市隔离力度，避免病毒进一步扩散。表3 各省级行政单位确诊人数表4 各市确诊人数Top25图4 确诊人数分布（左图为省级，右图为市级）3.3 迁徙指数与确诊人数的相关关系从省级尺度来看，确诊人数与迁徙规模指数呈现正相关关系，一元线性回归模型显著性均较高（P＜0.001）。包含湖北省时各省份的拟合程度更好（R2=0.997），随着迁徙规模指数增加，确诊人数呈现上升趋势，表明人口流动对疫病传播具有较大影响（图5）。不包含湖北省时两者相关关系如图6所示（R2=0.660）。总体来看，河南省疫情控制较好，确诊人数较模拟值偏低，这可能与当地政府宣传防控力度相对较大有关。而浙江省和广东省确诊人数较模拟值偏高，更应引起人们的关注，并深入挖掘其背后的原因，以便因地制宜，有效防控。此外，黑龙江省、江西省、安徽省数值相对偏高。由于地理邻近性的原因，江西省、安徽省与湖北省毗邻，交通工具产生的能力制约较小，因此更易于病毒的传播扩散。而黑龙江省距离湖北省较远，且交通相对不便，确诊人数依然偏高；由新闻可知，截止2月7日，黑龙江聚集性疫情共48起发病194人。由此可知，目前，家庭聚会、聚餐和密切接触是病毒传播的重要途径。应加大防治新型冠状病毒肺炎的宣传力度，大力提倡自主隔离，必要时采取“权威制约”的手段对人们进行隔离管制，从而起到避免人们出行活动发生的目的。图5 全国各省份平均迁徙规模指数与确诊人数的相关关系图6 除湖北省的各省份平均迁徙规模指数与确诊人数的相关关系从市级尺度来看，确诊人数与迁徙规模指数之间呈现显著的正相关关系，回归模型拟合程度较高（图7，R2=0.916，P＜0.001）。其中，除武汉市以外，孝感市和黄冈市确诊人数较多，这与武汉市迁往这两个市的人口规模较高有一定关系。湖北省随州市、宜昌市和襄阳市确诊人数较模拟值偏高，应在医护人员和物资配置层面向这几个城市倾斜，寻找其致病机理，从而对症下药，有效防控，防止超级感染者的出现。而潜江市、天门市、仙桃市、鄂州市、咸宁市和荆州市偏低，这表明，疫情在这几个市有可能被低估，应密切关注感染人员，持续高效、公开透明地发布其运动轨迹，大力挖掘接触过病人的潜在感染人员。此外，“北上广深”和重庆市实际值偏高，这可能与其经济发展水平较高，人口密度较大，“地少人多”的城市属性有关，人口接触机会更多，组合制约相对较小，应加大人群隔离力度，必要时继续延长假期或采取居家办公模式。最后，浙江省温州市实际值偏离模拟值程度最大，应引起高度重视。温州市商贸发达，素以“皮革”闻名，而制造业的发达也使得劳动力较为集中，因此可能导致疫情期间人口接触数量相对较大，组合制约相对较小，疫情在温州市表现得更为明显。图7 全国各城市（迁徙规模指数Top100）平均指数与确诊人数的相关关系4 结论与讨论本研究通过人口迁徙规模指数与确诊人数的数据，采用线性回归模型，模拟预测人口迁徙与疫病传播之间的关系，分析影响疫病传播的制约条件，评估预测疫情可能被低估的省市，从而找到潜在风险较大的地区，对政府部门政策措施的制定提供借鉴意义。主要结论如下：（1）人口迁徙规模时空变化格局2020年1月1日-23日武汉市迁出指数呈现波动上升趋势，直至23日当地政府采取“封城管理”后急速下降，表明权威制约对人们的出行活动具有显著影响；各省市的迁徙规模指数分布格局呈现自武汉市向外递减的圈层式结构，这既表现了地理邻近性对出行活动的影响，又体现出交通工具等出行方式对迁徙活动产生的能力制约。（2）确诊人数时空变化格局全国累积确诊人数呈现上升趋势，空间分布格局呈现以湖北省为中心的圈层式递减结构，这与迁徙规模指数分布格局一致。非湖北地区新增确诊人数先上升，后于2月初达到短期最高点，目前呈现连续下降的趋势。目前，家庭聚会、聚餐和密切接触是病毒传播的重要途径，其使得病毒扩散的“组合制约”减小，从而加快了病毒的传播。因此，应加大防治新型冠状病毒肺炎的宣传力度，大力提倡自主隔离，必要时采取“权威制约”的手段对人们进行隔离管制，从而起到避免人们出行活动发生的目的。（3）人口迁徙与确诊人数的关系确诊人数与迁徙规模指数呈现显著正相关关系，数值模拟结果呈现空间异质性特征。从省级尺度来看，河南省防控效果相对较好，可作为典型标杆以供其他省份参考借鉴；广东省和浙江省防控形势仍较为严峻，需予以高度重视和关注。从市级尺度看，湖北省潜江市、天门市、仙桃市、鄂州市、咸宁市和荆州市的疫情有可能被低估，应密切关注感染人员，持续高效、公开透明地发布其运动轨迹，大力挖掘接触过病人的潜在感染人员。浙江省温州市和湖北省随州市、宜昌市和襄阳市实际确诊人数较模拟值偏高，应深入挖掘背后原因和致病机理，从而起到对症下药、因地制宜的防控效果。然而，本研究模型较为简单初级，仅从数理层面分析了人口流动对疫病传播的影响，不能说明其背后的机理，且本研究具有时间局限性，结果受到研究时间的限制。未来应进一步深入挖掘影响疫病传播的一系列影响因素，以期在机理层面有所突破，对政策制度制定提供更具说服力和科学性的理论支撑。 作者简介：王浩人文地理学在读硕士研究生，致力于做对社会有价值的研究特别鸣谢lzd、zsh同学的底图支持参考文献：[1] Kwan M P. Space-time and Integral Measures of Individual Accessibility: AComparative Analysis Using A Point based Framework[J]. Geographical Analysis,1998, 30(3): 191-216.