【作者】张馨元a，李楠a,b*
a 清华大学建设管理系
b 清华大学恒隆房地产研究中心
【通讯作者邮箱】nanli@tsinghua.edu.cn
【原文信息】Zhang, X. and Li, N. (2022). Characteriz-ing individual mobility perturbations in cities during ex-treme weather events. International Journal of Disast-er Risk Reduction, 72, 102849.
https://doi.org/10.1016/j.ijdrr.2022.102
内容导读
在过去的几十年中，日益频繁和严重的极端天气事件对城市安全造成了重大的威胁，因此，理解和测度极端天气事件对城市系统造成的影响、提升城市韧性也就显得尤为重要。近些年，随着大数据技术的发展，城市人群移动为相关研究提供了新的视角。一方面，极端天气对城市造成的影响会直观地反映在城市人群移动特征的扰动上，另一方面，人作为城市的重要组成部分，其移动受到的影响也能够反映城市应对灾害、适应变化的能力，是城市韧性的重要体现。
然而，现有研究大多仅从群体视角关注了极端天气事件造成的城市人群移动扰动，而对个体层面的移动扰动的理解则十分匮乏。现有研究中不但缺少定量化测度极端天气下个体移动扰动的指标体系，而且缺乏对移动扰动的个体间差异的探索。
为了解决上述不足，我们提出了个体移动扰动的分析框架，该框架通过考虑个体移动时空特征，提出了测度极端天气事件下个体移动扰动的指标，并提出了分析移动扰动的个体间差异的方法。结果表明，在极端天气的影响下，城市中个体的访问地点数量、访问频率及活动范围显著减小，而停留时间明显增加，同时他们的移动状态呈现出的模式也发生了明显的变化。此外，个体间的移动扰动也呈现出显著差异，这种差异与个体的人口学特征、居住地位置以及移动偏好有关。
数据与方法
本研究将2017年夏天中国广州市经历的连续两场台风——“天鸽”、“帕卡”作为研究案例，并使用匿名手机GPS定位记录作为人群移动数据集，对极端天气影响下广州市居民的个体移动扰动进行分析。该数据集涵盖了118619个匿名用户于2017年8月1日至2017年9月30日的GPS定位记录，并包含了这些用户的性别、年龄标签（数据样例见表1）。
本研究提出的个体移动扰动分析框架见图1，该分析框架分为三个部分：个体移动特征刻画、个体移动扰动测度、移动扰动的个体间差异分析。
首先，提出个体移动特征的刻画指标。由于个体移动呈现出很强的时空规律性，因此，本研究在刻画个体移动特征时也同时考虑了其空间上及时间上的特征。在刻画个体移动空间方面的特征时，本研究考虑了访问地点及移动范围两个方面，并分别采用访问地点数量、总访问频率、top1/top2/top5高频访问地点的访问频率及回转半径来刻画相应特征；在刻画个体移动时间方面的特征时，本研究考虑了停留时间及移动状态两个方面，并分别采用，总停留时间、在居住地的停留时间、在top1/top2/top5高频访问地点的停留时间及日常移动状态来刻画相应特征（见表2）。
第二步，个体移动扰动分析。本研究从定性和定量分析两个角度对极端天气下的个体移动扰动进行了分析。定性层面，研究分别计算了常态下及极端天气下各项个体移动特征指标的数值，并采用KS检验和Wilcoxon秩和检验判断在极端天气影响下个体移动特征是否发生了显著变化。定量层面，基于个体移动特征刻画指标，本研究提出了12个定量化刻画个体移动扰动的指标，用于测度个体移动特征受到的影响大小。
第三步，移动扰动的个体间差异分析。为了分析移动扰动的个体间差异及其关键影响因素，本研究提取了个体的相关特征，并利用回归分析的方法分析个体的相关特征与其移动扰动的具体关系。本研究主要考虑了个体的三方面特征：人口学特征（性别、年龄）、居住地位置（居住地距城市CBD的距离、居住地距台风轨迹的距离）、移动偏好（探索者/返回者、日常移动的回转半径）。考虑到本研究共采用了12个指标刻画个体移动扰动，这些指标之间可能存在较强的相关关系，因此本研究在进行回归分析之间也采用了因子分析的方法，对原有的12个指标进行了降维处理。此外，本研究使用k-means聚类算法，基于个体在极端天气下的移动扰动特征，将他们划分为若干类别。
研究结果
研究结果分为三个部分：个体移动扰动分析结果、个体特征与其移动扰动特征之间的回归分析结果及个体移动扰动特征的聚类结果。
首先是个体移动扰动分析结果。KS检验及Wilcoxon秩和检验的结果显示，个体移动在极端天气的影响下受到了明显的扰动（见表3）。图2-1至图2-3反映了个体移动扰动的具体情况。在访问地点层面，相关指标虽然在极端天气下仍服从重尾分布，但个体的访问地点数量减少，访问频率降低。同时，在极端天气的影响下，个体的移动范围显著缩小，停留时间显著延长。此外，本研究也对个体移动扰动进行了量化，结果如表4所示。
图2-1：极端天气下的个体移动扰动（访问地点层面）
图2-2：极端天气下的个体移动扰动（移动范围层面）
图2-3：极端天气下的个体移动扰动（停留时间层面）
第二部分是个体特征与其移动扰动特征之间的回归分析结果。本研究采用了12个指标刻画个体移动扰动，为了检验指标间的相关关系，我们进行了KMO检验和Bartlett球性检验，其结果分别为0.7798（>0.7）和1070250.24 (P<0.001)，代表指标见的相关关系较强。因此，本研究先采用因子分析的方法对原有指标进行了降维处理，并最终提取出4个因子，其结果如表5所示。接下来，本研究利用回归分析的方法，分别以4个因子为因变量，6项个体特征为自变量，分析个体的相关特征与其移动扰动的具体关系。以因子1（代表停留时间层面的扰动）为例，回归分析的结果见表6（其余结果见论文）。本研究发现，极端天气下，女性的移动受到的扰动相对于男性更大；45岁以上居民的移动受到的扰动更大；在常态下偏好远距离移动的个体受到的扰动更大；探索者的移动受到的扰动相更大。而个体的居住地对极端天气下个体停留时间的扰动和个体移动状态的扰动有明显的影响，但对访问地点层面和移动范围层面的扰动几乎没有影响。研究发现，个体居住地距城市CBD越远，其移动状态受到的影响越大；而个体居住地距台风轨迹越近，其停留时间增加的幅度越大。
表6：个体移动扰动与个体特征的回归分析（停留时间层面）
第三部分是个体移动扰动特征的聚类结果。基于个体移动扰动特征，本研究通过k-means聚类发现了人群中存在的四种面对极端天气影响的典型反应形式，其结果如表7所示。其中，第2类和第3类个体在人群中分别占29.41%和9.98%，这两类个体的移动都在极端天气的影响下受到了明显的限制，其访问地点明显减少、移动范围明显缩小、停留在室内的时间明显增多。但第3类个体的移动产生的扰动显著高于属于第2类的个体，属于人群中的易感人群。而第1类个体的移动虽然也相对于常态出现了明显的扰动，但变化形式却明显不同，其移动在极端天气的影响下反而更为活跃，这类人在人群中占据13.77%。第4类个体的移动几乎没有受到极端天气的影响，这类个体在人群中占比46.74%。
结论与展望
本研究提出了极端天气事件下个体移动扰动的分析框架。本研究从多角度分析了极端天气影响下的个体移动扰动，有助于全面理解个体面对极端天气时做出的反应以及个体移动行为受到极端天气的具体影响；本研究提出的量化个体移动扰动的方法可应用于比较区域间、不同灾害下的人群移动韧性，从而为城市应急管理和韧性提升提供决策依据；此外，本研究识别了影响个体移动扰动的关键个体特征，以及这些个体特征与个体移动扰动的具体关系，为极端天气下易感人群的识别和人群移动的预测提供理论基础。
后续研究可以在本研究提出的分析框架的基础上，进一步分析各种影响因素对极端天气下个体移动扰动的影响机制，实现对极端天气下个体行为的预测和建模。
