距离放大幂律分布更好地刻画人类长距离出行

为什么我们的远行方式很重要

当人们进行长途旅行——乘火车、开车或乘飞机时——他们连接了城市、经济和家庭。但正是这些旅程也可能在数日内把病毒传播到全国各地。本研究提出了一个看似简单的问题：我们的长途旅行实际上有多长，它们是否遵循科学家长期假设的模式？答案并非如此，而这一点对我们如何预测疾病传播和规划交通系统有重大影响。

传统的出行规则不足以说明问题

多年来，研究者使用一种简单的数学规律——幂律——来描述人们的移动距离。在这种描述中，短途旅行非常常见，而极长的旅行很少见，但在对数–对数图上呈现平滑的规律。对于步行、骑行或乘坐本地公交等日常出行，这一规律运行得相当好。利用来自德国和美国的大型全国性调查，作者证实短途和中程旅行确实符合这一经典图景。但当他们转向数百公里的旅程——最有可能将病毒从一个地区带到另一个地区的那类——数学模式突然偏离了幂律的预测。

来自数百万次真实出行的证据

研究团队结合了三类大规模数据：来自德国和美国近两百万次报告行程的详细出行日记，以及来自英国的超过一百万次通过手机连接推断出的旅程。对于每个国家，他们关注至少100公里（在样本更大的美国为300公里）的旅程。当他们绘制这些长途旅行时，幂律的直线特征消失了。相反，远距离旅程比预期更多，且在某些距离处曲线发生形变，例如在英国数据中约在200–300公里处出现变化。这并非单纯的统计噪音：当作者审视2021年中期COVID-19在德国县域间的传播时，也出现了类似的“过远”跳跃。新的疫情热点在远距离地区突然出现，而不是从先前爆发区平滑向外扩散，这与传统模型的预期相悖。

关于长途旅行的新思路

为了解释这种行为，作者提出了一种新的模型，称为距离放大幂律分布。其思想直观：一旦某人决定进行较长距离的出行——例如前往主要火车站或机场——他们更可能继续走得更远。在数学上，该模型从标准幂律距离出发，然后以某一概率反复以固定因子“放大”它，就像把距离乘以C，然后再乘以C，以此类推。这个过程会自然地产生围绕某些距离带的出行聚集，并导致较重的尾部，这意味着超长旅程比经典理论预测的更常见。作者还为每次旅行加入了基于国土规模的现实上限，以模拟大多数旅程始终在国境内发生的事实。

将新模型付诸检验

研究人员比较了三种方法：带简单指数截断的幂律、带他们的新边界感知截断的幂律，以及完整的距离放大模型。他们从每个模型模拟数万次旅行，并在数百个距离点上衡量所得分布与真实数据的匹配程度。尽管两种改进的幂律变体均优于基础模型，但它们仍错过了关键特征，特别是某些较长距离处旅程密度的额外峰值。距离放大模型在三个国家中始终表现最佳，将误差显著压低到竞争模型之下。作者还测试了替代的非幂律分布族（如伽马分布、指数分布、对数正态和贝塔分布），但均未能捕捉数据中的重尾和特征性弯曲。

这对日常生活意味着什么

通俗地说，这项工作表明人们真正的长途出行比我们旧有公式识别的更频繁——且具有更有结构性的模式。这一点很重要，因为长途旅行恰恰是能够跳跃式传播感染、重新分配污染和重塑区域经济的行为。通过提供一个简单但更准确的数学描述，距离放大模型可以改进我们对未来疫情的模拟、铁路与航空网络的规划，以及出行产生排放的估算。研究认为，不应把所有移动都视为本地差事的放大版；长距离出行是另一类行为，由特定的决策和约束驱动，需要专门的模型来描述。

引用: Bankhamer, G., Liu, H., Park, S. et al. Distance-amplified power-law distributions better characterize human long-distance travel. Sci Rep 16, 4331 (2026). https://doi.org/10.1038/s41598-026-37165-y

关键词: 人类流动性, 长距离出行, 疫情传播, 出行建模, COVID-19